工业4.0背景下制造业数字化转型提升了预测性维护作为提升运营效率和设备可靠性的重要性，这在汽车行业尤为明显。本研究调查了数字化如何推动预测性维护在斯洛伐克汽车行业的整合，并评估了其在分析期间对企业绩效的影响，同时考虑了数字化成熟度的异质性。分析基于2018年至2023年间在斯洛伐克运营的62家汽车制造企业的面板数据，这些数据来自ORBIS数据库。研究应用了非参数方法，包括带有Dunn事后比较的Friedman检验，以检查实施预测性维护后选定财务指标的变化。稳健回归分析用于评估数字化采用与绩效之间的关系，并控制了企业规模，而k-means聚类分析则用于根据数字化和采用水平对企业进行分类。结果表明，包括销售额、营业费用和资产负债表项目在内的几项财务指标发生了统计上的显著变化，这既反映了COVID-19冲击的影响，也凸显了预测性维护的重要性。较高水平的数字化采用与销售绩效呈正相关，并且聚类揭示了高度数字化企业、中等采用者和落后企业之间存在明显差异。研究结果表明，由数字化支持的预测性维护与绩效改善相关，并强调了相对于西欧基准而言，数字化成熟度方面仍存在的差距。

《Systems》：The Impact of Market Integration Construction on the Innovation of Key Core Technologies of Enterprises: From the Perspective of Complex Adaptive System Theory Jingzhao Zhu, Sheng Mai and Xiong Zheng

　　

工业4.0背景下制造业数字化转型提升了预测性维护(Predictive Maintenance, PdM)作为提升运营效率和设备可靠性工具的相关性，这在汽车行业尤为明显。研究人员调查了数字化如何实现斯洛伐克汽车行业预测性维护的整合，并评估了其在分析期间对企业绩效的影响，同时考虑了数字化成熟度的异质性。分析基于2018年至2023年间在斯洛伐克运营的62家汽车制造企业的面板数据，这些数据来自ORBIS数据库。研究人员应用了非参数方法，包括带有Dunn事后比较的Friedman检验，以检查实施预测性维护后选定财务指标的时序变化。稳健回归分析被用于评估数字化采用与绩效之间的关系，并控制了企业规模，而k-means聚类分析则用于根据数字化和采用水平对企业进行分类。结果表明，多项财务指标发生了统计上的显著变化，这既反映了COVID-19冲击的影响，也凸显了预测性维护的重要性。较高水平的数字化采用与销售绩效呈正相关，并且聚类揭示了高度数字化企业、中等采用者和落后企业之间存在明显差异。研究结果表明，由数字化支持的预测性维护与绩效改善相关，并强调了相对于西欧基准而言，数字化成熟度方面仍存在的差距。

论文解读

研究背景

随着全球竞争加剧、客户需求升级及可持续发展要求的提高，制造业亟需通过技术创新优化流程并降低成本。在资产密集型的汽车行业中，复杂的互联机械设备使得意外故障会引发连锁反应，导致严重的停机损失。传统的被动式维护已无法满足现代生产的需求，而工业4.0(Industry 4.0)催生的预测性维护(PdM)通过物联网(IoT)、人工智能(AI)和大数据分析实现主动干预，成为提升运营弹性的关键。然而，现有研究多集中于技术架构或大型企业案例，针对中东欧地区及多企业层面的实证证据相对匮乏。斯洛伐克作为全球人均汽车产量领先的国家，其汽车行业面临数字化转型压力，且中小企业普遍存在资源限制。因此，探讨数字化如何赋能PdM及其对企业绩效的实际影响具有重要的现实意义。

研究方法

研究人员基于斯洛伐克62家汽车制造企业2018年至2023年的财务面板数据（来源于ORBIS数据库）及2024年结构化问卷调查数据展开研究。样本涵盖了不同规模的企业。考虑到财务数据的偏态分布，研究人员采用非参数统计方法，即Friedman检验结合Dunn事后比较，来评估指标随时间的变化。为了量化数字化采用对绩效的影响，研究构建了稳健回归模型（采用Huber-White稳健标准误和M估计），将数字化采用得分作为核心自变量。此外，研究人员利用k-means聚类分析根据数字化成熟度将企业分组，并结合情景分析预测不同采纳水平下的运营表现。

研究结果

4.1. 财务绩效概览

2018至2023年间，斯洛伐克汽车行业经历了显著的波动。2020至2021年受COVID-19疫情冲击，平均销售额和总资产大幅下降，而2021年后营业费用(OPEX)显著上升。这表明企业在疫情后增加了对PdM及相关数字技术的前期投资，尽管短期内推高了成本，但有助于缓解长期的生产中断风险。

4.2. 假设检验

Friedman检验结果显示，总资产(TOAS)、流动负债(CULI)、营业费用(OPEX)和销售额(Sales)在六年间存在显著差异。事后检验进一步明确了变化的时点：销售额在2021年触底后于2023年开始恢复；营业费用在2021年后显著高于疫情前水平。这证实了疫情冲击与PdM引入期财务动态变化的强相关性。

4.3. 稳健回归分析

回归分析表明，在控制企业规模（总资产）后，数字化采用得分(Digital Adoption Score)对2023年销售额具有显著的正向影响。具体而言，数字化采用得分每增加1分，企业销售额平均增加约77千欧元。这说明数字化程度更高的企业能更有效地将资产转化为产出，实现了更高的生产效率。

4.4. 聚类分析

通过k-means聚类，62家企业被划分为三类：第一类为高数字化成熟度与高PdM采用者（主要是大型跨国车企，具备极高的运营效率）；第二类为中等数字化与部分采用者（中型企业为主，处于转型期）；第三类为低数字化与低采用者（小微企业为主，依赖传统维护）。聚类特征显示，数字化水平与企业规模及抗风险能力呈正相关。

4.5. 基准对比

与国际趋势相比，斯洛伐克大型汽车工厂的数字化水平已接近全球标准，但国内供应商和中小型企业在采用先进维护技术方面落后于西欧同行。这种“数字鸿沟”可能导致供应链效率瓶颈，阻碍整体产业升级。

4.6. 情景分析

情景模拟显示，在低采用场景下，非计划停机时间维持在基线水平；而在高采用场景下，得益于实时监测与AI驱动的维护调度，非计划停机时间可减少35%至50%，维护成本降低20%至25%，资产可用性提升5%至15%。

讨论与结论

讨论部分指出，PdM不仅是技术升级，更是向数据驱动、以人为本的工业5.0(Industry 5.0)范式转变的关键。它能显著延长设备寿命、降低能源消耗并促进可持续发展。然而，高昂的初始投资、数据质量不足及网络安全风险是中小企业面临的主要障碍。未来应探索共享分析平台或服务化维护模式以支持中小企业转型。

结论翻译

本研究表明，由数字化驱动的预测性维护通过减少非计划停机、优化运营成本和增强生产韧性，显著提升了运营绩效。总资产、流动负债、营业费用和销售额是与PdM采用和企业绩效相关的四个关键财务维度。具备较大资产基础和财务灵活性的企业是领先的采用者，而资源受限的企业面临明显的实施障碍。研究结果证实了PdM采用与绩效改善之间的正向关联，强调了其在外部冲击下作为韧性增强机制的作用，并为理解工业4.0向工业5.0演进提供了理论支撑。