基于人工神经网络的工业可持续性特征分类方法，用于再制造过程中的差异化财政政策设计 Marta Lilia Era?a-Díaz Juana Enríquez-Urbano Beatriz Martínez-Bahena Jazmin Yanel Juárez-Chávez Alfonso D’Granda-Trejo Javier De-la-Rosa-Mondragon

《Processes》：Artificial Neural Network-Based Classification of Industrial Sustainability Profiles for Differentiated Fiscal Policy Design in Remanufacturing Processes Marta Lilia Era?a-Díaz, Juana Enríquez-Urbano, Beatriz Martínez-Bahena, Jazmin Yanel Juárez-Chávez, Alfonso D’Granda-Trejo and Javier De-la-Rosa-Mondragon

　　摘要 为工业可持续性设计差异化的财政工具需要强大且基于数据的工具，这些工具能够捕捉制造单位之间环境绩效的异质性——鉴于可重构生产系统中运营与环境互动的非线性本质，传统计量经济学方法只能部分应对这一挑战。本研究引入了一个两阶段计算框架，该框架结合了无监督机器学习和监督分类，以生成基于证据的可持续性概况，用于财政政策制定。其主要贡献是将K-Means聚类与二元人工神经网络（ANN）分类器相结合，并通过一个易于使用的决策支持界面进行实现，使得政策制定者无需编程知识即可进行差异化的激励分配。分析了一个包含1000条制造记录的数据集，这些记录涵盖了七个运营和技术输入变量——材料使用量、生产能力、重构时间、停机时间、AI优化、物联网连接性和预测性维护——以及三个环境输出指标——能源消耗、碳排放和废物产生。在第一阶段，使用K-Means聚类（k = 6），通过多标准收敛（轮廓系数=0.102；Elbow、Davies–Bouldin和Calinski–Harabasz指数）选择了六个具有显著环境差异的可持续性概况。在第二阶段，训练了一个二元ANN分类器（架构：7 → 64 → 32 → 1个神经元；ReLU和sigmoid激活函数），以区分参考集群C0（低环境影响：能源145.1千瓦时，排放45.2二氧化碳当量）和高影响集群C1（排放67.8二氧化碳当量，废物41.5千克）。训练有素的分类器在保留的测试集上达到了75.4%的总体准确率和0.774的AUC-ROC值，宏观平均F1分数为0.753，Cohen’s kappa系数为0.508，表明其一致性超出偶然水平。C1类（高影响企业）的精确度为0.794，召回率为0.730，支持可靠地识别最需要财政支持的制造单位。该框架通过Gradio基于的图形界面进行部署，该界面包含交通灯式的可持续性分类（绿色/黄色/红色），使税务机关和工业政策制定者能够直接和交互式地应用。这种模块化架构支持适应更大规模或特定行业的数据集，使其可以在不同的工业政策环境中转移应用。

1. 引言
向更可持续的工业模式过渡是21世纪最紧迫的挑战之一，这不仅需要技术创新，还需要连贯和有效的公共政策框架。在这一背景下，财政措施——包括税收激励、直接补贴、增值税（VAT）改革和碳定价机制——已成为引导组织行为走向环保实践的关键工具[1]。从事再制造、循环经济过程和能源高效生产的行业对财政信号特别敏感，因为这些活动通常涉及更高的前期成本和更长的回报期，与传统制造业相比[2]。越来越多的实证和基于模型的证据支持财政支持在促进可持续工业行为方面的有效性。涵盖欧洲、中国、拉丁美洲和其他地区的系统分析证实，基于税收的工具和补贴计划可以显著刺激碳排放减少、循环经济的推进和能源效率的提高[3]。来自西班牙的研究将0%的VAT改革情景与约250亿欧元的节省以及可测量的维修需求增加联系起来，而来自中国的基于模型的研究表明，碳交易计划可以替代或补充直接补贴，以推动再制造产出[4,5]。然而，这些机制的有效性始终依赖于稳定的、明确定义的监管框架以及目标行业内的市场接受程度[6]。尽管有这些证据，三个相互关联的研究空白限制了当前方法在制造业中支持差异化财政政策设计的能力。首先，对财政政策对组织可持续性影响的定量评估在方法上仍然受到限制：众多相互作用的运营、环境和经济变量使得难以单独衡量各个政策工具的具体贡献。其次，工业部门的固有异质性很少被纳入财政工具的设计中——大多数政策框架将制造单位视为同质目标，忽视了不同企业之间环境绩效的显著差异。第三，传统的计量经济学和模拟模型虽然在捕捉过程变量与可持续性结果之间的非线性关系方面很有价值，但在结构上存在局限，特别是在4.0工业技术以复杂且依赖上下文的方式调节环境影响的可重构生产环境中[7,8]。解决这些空白需要先进的计算工具，这些工具能够同时描绘工业异质性和建模非线性的运营-环境互动。

基于这些已识别的空白，本研究基于以下研究假设：
- 在可重构生产环境中运营的制造单位可以被划分为具有不同能源消耗、碳排放和废物产生模式的 identifiable 组，表明存在适合数据驱动分类的异质可持续性概况。
- 在运营和技术变量上训练的二元ANN分类器可以为识别高环境影响制造单位提供有用的区分信息，为财政定向决策中的定性评估提供数据驱动的补充。
- 将基于机器学习的可持续性概况整合到易于使用的决策支持界面中，代表了一种技术上可行且实际可行的方法，用于支持而不是替代专家判断，在制造业部门中差异化分配财政激励。
- 人工神经网络（ANNs）提供了一种强大而灵活的建模范式，用于应对这一挑战。与线性统计模型不同，ANNs可以近似输入变量（如生产能力、材料使用量、重构时间以及启用技术（物联网、AI优化、预测性维护）与可持续性输出（包括能源消耗、碳排放和废物产生）之间的复杂非线性功能关系[9]。它们能够从经验数据中学习模式，而无需明确的函数规范，这使它们特别适用于因果机制不完全理解或高度依赖上下文的环境[10]。
本研究提出了一个两阶段计算框架，应用于包含多个工厂和机器的1000个观测值的可重构制造数据集。在第一阶段，一个无监督的K-Means聚类算法（k = 6）将工业观测值分割为行为上同质的可持续性概况，从而识别出具有对比鲜明的环境和运营特征的不同的组。在第二阶段，两个环境对比最显著的集群——集群0（低环境影响，表明良好的实践）和集群1（高环境影响，需要财政支持）——被用作训练二元ANN分类器的基础。由此产生的模型能够自动识别任何新工业观测值的可持续性概况，为再制造中差异化设计和定向财政激励政策提供数据驱动的基础。

为了最大化其实际效用，训练有素的ANN通过基于Gradio的图形界面进行部署，使政策制定者、研究人员和工业管理者无需编程知识即可进行交互式使用。一个交通灯式分类系统（绿色/黄色/红色）将连续的模型预测转化为可操作的可持续性评估，便于在现实决策环境中解释结果。

本研究的主要贡献包括：
- 一个两阶段计算框架，用于财政政策目的的工业可持续性概况分析，结合了无监督分割和监督二元分类。
- 应用多标准K-Means聚类来识别可重构制造数据集中的不同环境可持续性概况，证明工业异质性是有结构且可分类的。
- 一个经过验证的二元ANN分类器，具有区分高影响制造单位的区分能力，为差异化财政定向提供了定量基础。
- 一个基于Gradio的决策支持界面，包含交通灯式的可持续性分类系统，专为税务管理和工业政策领域的非技术终端用户设计。
- 一个开放的、可复制的实现方式，通过Google Collaboratory进行部署，支持将该框架验证和扩展到其他工业数据集和政策背景。

本文的其余部分组织如下：第2节介绍文献综述。第3节介绍材料和方法，描述数据集、K-Means聚类程序以及二元ANN分类器的架构和训练协议。第4节报告实验结果，包括集群特征、集群内的交通灯式可持续性评估和ANN性能指标。第5节讨论了与现有关于可持续再制造财政政策文献的相关发现。最后，第6节提出主要结论和未来研究的方向。

2. 文献综述
2.1. 用于工业可持续性和再制造的财政工具
设计促进可持续工业实践的财政工具在政策导向和基于模型的研究中受到了持续关注。系统评价确认，基于税收的机制——包括碳税、VAT改革、投资抵免和扣税计划——以及直接补贴计划是欧洲、东亚和拉丁美洲背景下主导的政策原型[1,3]。然而，这些机制的有效性始终是特定于行业的，并取决于监管框架的稳定性：追溯性政策变化会严重削弱对能源高效和再制造密集型活动的私人投资[4,6]。
再制造操作对财政信号特别敏感，因为它们涉及更高的前期资本要求和更长的回报期，与传统制造业相比[2,5]。来自中国的基于模型的研究表明，纯粹的碳税或纯粹的补贴计划并不在所有市场结构中占主导地位；相反，随着碳交易的成熟，混合或顺序政策设计往往能够产生更稳健的再制造产出和社会福利结果[7]。来自西班牙的研究将针对维修和再利用服务的VAT改革与显著的消费者成本节约和向循环经济活动的需求转变联系起来[6]，而来自拉丁美洲背景的证据强调了不同工业细分市场和企业规模之间财政激励效果的异质性[11]。
这一文献中的一个反复出现的发现是，统一化的财政工具应用于异质性工业目标时，系统性地低估了最需要转型支持的单位——正是那些环境足迹最高且采用启用技术最少的单位。这一观察结果激发了本研究关注数据驱动的可持续性概况作为差异化财政工具设计的前提。

2.2. 用于环境概况和可持续性分类的机器学习
自2020年以来，由于运营和传感器级别工业数据的日益可用性，机器学习在环境概况和可持续性分类中的应用大幅扩展[12]。无监督聚类——特别是K-Means——已被用来识别不同国家和地区背景下二氧化碳排放的类型。Jiménez-Preciado等人[13]结合K-Means和PCA及t-SNE降维技术，对208个国家的二氧化碳排放概况进行了分割，证明即使在不高的轮廓分离度下，多标准聚类验证（Calinski–Harabasz和Davies–Bouldin指数）也能识别出与政策相关的分组。同样，Wang等人[14]将K-Means应用于中国的省级碳排放数据，表明区域差异化的二氧化碳类型比统一的国家标准更有利于有针对性的脱碳政策设计——这一结论与本研究在企业层面的应用具有直接的方法学相关性。
在企业和过程层面，监督分类方法已被用来从运营变量预测与可持续性相关的结果。人工神经网络在建模生产参数与环境输出（包括能源消耗和排放）之间的非线性关系方面显示出效用[15,16]。在相关的领域中，已经有过将二元分类器应用于可持续性相关分类任务的先例。Sleem[17]证明，基于ResNet的卷积神经网络可以从图像数据集中有效区分有机废物和可回收废物类别——这是一种与本研究提出的分类类似的结构方法，应用于废物图像数据而非制造过程变量。同样，Abdullah等人[18]记录了AI在多个联合国可持续发展目标下的环境监测和资源管理方面的贡献，而Khan和Haq[16]提供了机器学习技术的系统分类法，确认ANN是结构化数据环境中非线性分类的中心范式。最近的工作将ANN分类器与可解释AI（XAI）技术（特别是SHAP和LIME）相结合，表明可解释的模型输出对于监管接受度和利益相关者在AI辅助决策中的信任至关重要[19]。本研究的框架位于这一趋势之中，提出了一个二元ANN分类器，其输出通过交通灯界面实现操作化访问，其可解释性被认为是未来研究的优先方向。

表1提供了基于机器学习的环境和可持续性分类方法相关研究的基准比较，为当前框架提供了定位依据。

2.3. 4.0工业技术和可重构制造中的生态效率
采用4.0工业技术——包括基于物联网的实时监控、AI驱动的过程优化和预测性维护系统——已被确定为先进制造环境中生态效率的关键决定因素[20,21,22]。基于物联网的生产系统通过连续反馈循环减少计划外的停机时间，并优化能源消耗模式，而应用于重构调度的AI优化与单位产出的材料废物和碳强度的可测量减少相关联[12]。预测性维护特别能够延长设备寿命，并减少高能耗的重新配置周期的频率，从而降低每次生产运行的累积排放量[23]。本研究将这些技术采用模式作为二进制输入变量（AI_Optimization_Applied、IoT_Enabled、Predictive_Maintenance）应用于K-Means和ANN框架中。这一设计选择反映了这样一个事实：即使以二分法衡量技术采用状态，它也是区分异构制造业群体中可持续性特征的有意义指标——这一发现与新兴经济体和发展中经济体的工业4.0采用调查结果一致[21]。

2.4. 环境和政策机器学习研究中的合成和基准数据集
在应用于工业可持续性的机器学习研究中，使用结构化的合成数据集或平台策划的数据集（包括通过Kaggle等开放存储库分发的数据集）已成为一种公认的方法论实践。这类数据集能够在受控条件下开发和验证计算框架，尤其是在由于保密协议或监管限制而无法访问企业级环境记录的研究环境中[17]。多项关于可持续性和运筹学的研究文献采用了公开策划的数据集来展示分类、聚类或政策优化的概念验证框架，将这些研究的重点放在可重复性和方法论透明度上，而非数据集的新颖性上[16,17,18]。
本研究使用的数据集Reconfigurable_manufacturing.csv是通过Kaggle以CC0公共领域许可证分发的[24]，它代表了一个符合工业4.0可重构制造架构的结构化操作环境。虽然原始贡献者没有记录其具体的机构和地理来源，但其变量架构与可重构制造文献中报告的操作和环境指标一致[25]。缺乏记录的来源被视为一个局限性；将该框架转移到经过机构验证的数据集（包括国家制造业调查数据集）上被认为是未来研究的一个优先方向（见第5节）。

3. 材料和方法
3.1. 数据来源和描述
本研究使用了一个包含1000条记录的结构化数据集，这些记录代表了来自多工厂和多机器的可重构制造环境中的操作观测数据。该数据集名为Reconfigurable_manufacturing.csv，并通过开放数据存储库以CC0公共领域许可证分发[24]，其中包含12个变量，用于描述工业生产过程中的操作、技术和环境方面。每条记录对应一个由Factory_ID和Machine_ID唯一标识的工厂-机器组合。尽管原始贡献者没有记录该数据集的具体机构和地理来源，但其变量架构与可重构制造文献中报告的操作和环境指标一致[25]，其工业4.0技术采用指标也与Hermann等人[26]和Xu等人[27]描述的架构组件相符。数据集来源的缺失被视为本研究的局限性；关于这一限制及其对普遍性影响的详细讨论见附录A。未来的工作应使用来自国家制造业调查或行业联盟的机构记录数据集来验证所提出的框架。
本研究使用的变量是根据它们在可重构制造环境中对工业生态效率和可持续性表现的记录相关性来选择的。停机时间和重新配置时间是灵活生产系统中能源浪费和碳强度的决定性因素，因为计划外的停止和重新配置周期会导致单位能耗和材料浪费的增加[24,25]。材料使用量（Material_Usage）和生产能力（Production_Capacity）反映了制造单位的资源密集度和运营效率，这是环境输出变异性的主要驱动因素[19,28]。三个二进制技术采用指标（AI_Optimization_Applied、IoT_Enabled和Predictive_Maintenance）反映了工业4.0整合的程度，实验证明，通过实时监控和预测控制可以减少能源消耗和废物产生[12,13]。三个环境输出变量（能源消耗（Energy_Consumption，kWh）、碳排放（Carbon_Emissions，CO2-eq）和产生的废物（Waste_Generated，kg）是工业可持续性评估框架中的标准指标[20,29]。识别符列（Factory_ID、Machine_ID）被排除在分析模型之外。表2总结了所使用的变量、它们的类型、在模型中的作用以及简要描述。表2. 分析模型中使用的变量描述。二进制变量（AI_Optimization_Applied、IoT_Enabled、Predictive_Maintenance）在原始数据集中已经编码为整数（0 = 未采用，1 = 已采用）。数值变量在聚类前使用z分数标准化（均值=0，标准差=1）进行了标准化，以防止基于距离的算法出现尺度依赖性的偏差。
数据集结构、变量架构以及数据中代表的工业4.0技术指标的详细描述见附录A。

3.2. 一般研究设计
方法论框架分为两个连续阶段，如图1所示。在第一阶段，应用无监督的K-Means聚类算法将工业观测数据划分为行为上同质的组。在第二阶段，使用第一阶段中识别出的两个对比最明显的簇来训练一个二进制人工神经网络（ANN）分类器，以区分环境表现良好的组织。图1. 一般方法论工作流程：数据预处理、K-Means聚类（第一阶段）和二进制ANN分类（第二阶段）。在K-Means散点图（第一阶段）中，实心蓝色圆圈表示分配给簇0（具有良好可持续性特征的观测值），实心橙色三角形表示分配给簇1（需要财政干预的特征）的观测值，空心圆圈表示位于簇边界附近的观测值。虚线水平线表示投影特征空间中两个簇的质心中点。这种两阶段设计与本研究的目标一致，即为可持续再制造提供定量的、数据驱动的工具，以指导财政激励的差异化分配。

3.3. 第一阶段：通过K-Means聚类进行无监督分割
聚类阶段使用K-Means算法进行，这是一种基于分区的方法，通过最小化簇内平方距离之和将每个观测值分配给最接近的质心。分析使用了七个输入特征，包括四个数值变量和三个二进制指标。在模型拟合之前，所有数值变量都使用z分数标准化进行了标准化，以确保尺度差异不会不成比例地影响距离计算。二进制变量保持其原始的0/1编码，并被视为伪连续指标，这在混合变量K-Means实现中是一种常见的方法。使用平方欧几里得距离度量计算观测值与簇质心之间的距离，这是连续特征空间中K-Means的标准距离度量。聚类算法最多执行300次迭代，并进行10次随机初始化，以减少对质心初始化的敏感性。使用固定的随机种子来确保聚类过程的可重复性。
通过多标准评估框架确定了最佳簇的数量，该框架比较了不同范围内的候选解。为此目的使用了四个互补的簇质量指标：基于惯性的肘部方法（簇内平方和）、轮廓系数（Silhouette coefficient）、Davies–Bouldin指数和Calinski–Harabasz指数[30,31]。这些指标的联合分析用于识别在簇内凝聚力和簇间分离之间提供最佳平衡的分区。一旦确定了最佳簇的数量，最终簇分配就被存储并作为新的分类变量添加到数据集中，表示簇成员身份。为了支持可视化并评估识别出的簇的可分离性，随后应用了主成分分析（PCA）来降低特征空间的维度，同时保留数据的主要方差结构。最后，为三个环境输出变量定义了一个交通灯分类方案，使用簇内三分位数阈值（P33和P66）。这种做法允许根据每个簇内的观测值分布来评估可持续性表现，从而避免了使用可能无法充分反映所分析工业段异质性的全局阈值。

3.4. 第二阶段：二进制ANN分类器（C0 vs. C1）
在完成第一阶段描述的簇特征化之后，选择了两个环境特征差异最大的簇来构建一个监督分类数据集。这些簇作为参考组，代表了不同的环境表现水平，使得开发出能够识别具有相似特征的制造单元的预测模型成为可能。使用TensorFlow/Keras框架（版本2.x）和Python 3.10实现了前馈人工神经网络（ANN）。模型输入包括聚类阶段使用的相同七个变量，包括四个标准化的数值变量和三个二进制指标，形成了一个七维的特征向量。目标变量对应于簇成员身份，代表二进制分类任务。包含来自两个选定簇的观测值的数据集通过分层随机抽样被划分为训练子集和测试子集，以保持两个子集之间的类别分布。训练子集用于拟合神经网络模型，而测试子集用于评估模型的预测性能。ANN使用Adam优化器和二进制交叉熵损失函数进行训练，这是二进制分类问题的标准选择。在训练过程中跟踪了三个评估指标：训练损失（二进制交叉熵）、分类准确率和接收者操作特征曲线下面积（AUC–ROC）[32]。为了观察完整的学习动态，没有应用提前停止；然而，分析了学习曲线以检测过拟合的潜在迹象。

3.5. 软件和实现
所有分析都是在Python 3.10环境中使用Google Colaboratory作为计算环境来实现的。主要使用的库有pandas（v2.0）和NumPy（v1.24）用于数据操作和数值运算；scikit-learn（v1.3）用于数据预处理、聚类（K-Means）、降维（PCA）和评估指标；TensorFlow/Keras（v2.13）用于构建和训练人工神经网络模型。数据可视化和图形分析使用Matplotlib（v3.7）和Seaborn（v0.12）完成。为了便于与训练好的分类器进行实际交互，使用Gradio（v3.50.2）开发了一个原型图形界面。该界面允许非技术用户（如政策制定者和工业管理者）输入操作和技术参数，并获得相应的可持续性类别的预测，以及对三个环境指标的交通灯评估。

4. 结果
本节呈现了两阶段分析框架的结果。第4.1节报告了K-Means聚类分析的结果，包括最佳簇数的选择、每个簇的操作和环境特征的描述，以及簇内的交通灯可持续性分类。第4.2节展示了用于区分簇0（C0，良好环境实践）和簇1（C1，需要财政支持）的二进制ANN分类器的性能。

4.1. 第一阶段：K-Means聚类结果
4.1.1. 最佳簇数的选择
表2中列出的七个输入特征（四个数值和三个二进制）被用作聚类变量。所有数值特征在模型拟合前都进行了标准化（z分数）。使用平方欧几里得距离计算每个观测值与簇质心之间的距离，这是连续特征空间中K-Means的标准度量[13]。二进制变量（AI_Optimization_Applied、IoT_Enabled、Predictive_Maintenance）保持其原始的0/1编码，没有进行额外转换，遵循混合类型K-Means实现的常规，其中二进制指标被视为伪连续变量[33]。仅对四个数值变量应用了z分数标准化，以防止绝对尺度较大的特征主导距离计算；已经限定在[0, 1]范围内的二进制变量没有进行标准化。K-Means算法执行了最多300次迭代和10次随机初始化（n_init = 10），并使用固定的随机种子（random_state = 42）以确保可重复性。图2显示了评估k = 2到k = 10时的四个簇质量指标。肘部方法（惯性）在k = 6时显示出明显的拐点，之后紧凑性的提升显著减弱。轮廓系数在k = 6时达到全局最大值（0.102），证实这种分区在簇内凝聚力和簇间分离之间提供了最佳平衡。Davies–Bouldin指数单调递减，但在k = 6之后显示出相对稳定，而Calinski–Harabasz指数随着k值的增加而持续下降。所有四个标准在k = 6时的收敛为所选分区提供了稳健的多标准依据。图2. 多标准选择最佳簇数（k = 2到k = 10）：肘部方法（惯性）；轮廓系数；Davies–Bouldin指数；Calinski–Harabasz指数。选定的k = 6由虚线垂直/水平线表示。最终的簇分配被存储在变量Cluster中，并作为额外的列添加到数据集中。表3报告了在k=2到k=10范围内所有四个标准的数值。选定的k=6用（?）标示出来。选定的解决方案k=6同时满足以下条件：在k=6时惯性曲线出现明显的拐点；Silhouette系数达到全局最大值（0.102）；Davies–Bouldin指数进一步降低；以及Calinski–Harabasz指数逐步下降，这与较大的k值所预期的行为一致。随后应用了主成分分析（PCA）来验证降维后的簇可分性，保留了三个主成分，这三个主成分共同解释了43.1%的总方差（PC1 = 15.2%，PC2 = 14.5%，PC3 = 13.4%）。三种环境输出变量的交通灯（信号灯）分类是使用簇内三分位数阈值（P33和P66）定义的，如表4所述。这种方法确保了可持续性评估是在每个簇自身的分布范围内进行的，而不是应用可能不适用于异质工业部门的全球固定阈值。表4显示了按环境输出变量划分的交通灯可持续性分类阈值。这些阈值是根据每个变量在其所属簇内的第33百分位数（P33）和第66百分位数（P66）计算得出的。选择第33百分位数和第66百分位数作为分类阈值，反映了一种数据驱动的分割方法，将每个簇的环境分布划分为三个相对大小相等的部分。之所以采用这种方法而不是绝对固定阈值（如监管排放限制或行业特定基准），有两个方法上的原因。首先，数据集缺乏明确的地理或行业来源信息，因此无法将阈值与特定辖区的标准挂钩，否则可能在异质制造环境中导致系统性的错误分类。其次，簇内百分位数阈值确保可持续性评估根据每个识别出的概况的实际经验分布进行校准，保持了交通灯分类在每个可持续性细分中的区分价值。需要注意的是，这种选择意味着相对而非绝对的分类：绿色评级表示在一个簇自身的分布中表现较低，并不一定符合任何外部环境标准。政策建议对阈值选择的敏感性被认为是未来工作的一个方向，特别是在有验证的脱碳目标或监管基准可以用来将分类与绝对性能标准挂钩的应用中。

4.1.2. 簇特征和环境概况
通过计算每个组中所有输入和输出变量的算术平均值，生成了归一化质心的热图（图3）和雷达图（图4），来描述每个生成的簇。K-Means算法使用k=6将1000个制造观察值划分为六个簇，其大小分别为：C0（n = 159）、C1（n = 182）、C2（n = 155）、C3（n = 143）、C4（n = 193）和C5（n = 168）。表5报告了每个簇中所有十个分析变量的算术平均值，并根据它们在簇内的交通灯分类对环境输出变量进行了颜色编码（绿色=有利，黄色=中等，红色=不利）。图3展示了相应的归一化热图，以便直观检查各簇之间的相对大小。图3显示的归一化热图中的细胞值是实际平均值；颜色代表从0到1的归一化幅度。红色表示最高相对值；绿色表示最低。图4显示了每个簇的雷达图（k = 6），显示了七个输入变量和三个环境输出变量的归一化平均值。每个顶点对应一个变量；较大的多边形区域表示较高的归一化值。表5显示了每个簇中所有分析变量的平均值。环境输出（能源消耗、碳排放、废物产生）根据簇内的P33/P66阈值用交通灯颜色进行突出显示（绿色≤P33；黄色P33–P66；红色> P66）。簇概况显示出明显的可持续性差异。C0（n = 159）作为具有最低能源消耗（平均值=145.1千瓦时）、最低碳排放（45.2二氧化碳当量）和适度废物产生（34.7千克）的簇而脱颖而出。此外，C0还具有最短的重配置时间和最低的停机时间（11.3分钟），表明其生产过程高效且管理良好。因此，C0被指定为良好环境和运营实践的参考簇。

相比之下，C1（n = 182）表现出最高的碳排放（67.8二氧化碳当量）和最高的废物产生（41.5千克），伴随着高于平均水平的能源消耗（208.1千瓦时）、较长的重配置时间（41.5分钟）和中等高的停机时间（17.1分钟）。这一概况表明C1将从针对脱碳和流程效率的有针对性的财政支持机制中受益最多。C5（n = 168）记录了最高的能源消耗（237.4千瓦时）和最高的材料使用量（400.2千克），尽管其重配置时间相对较短且停机时间较低。运营效率指标与能源输出之间的差异表明，C5可能代表了能源密集型制造过程，在这些过程中，对能源替代或效率升级的财政激励措施尤为重要。C2（n = 155）呈现出不寻常的概况：高能源消耗（213.7千瓦时）与所有簇中最低的碳排放（40.7二氧化碳当量）共存，可能表明使用更清洁的能源或低碳燃料，同时废物产生量较低（33.4千克）。C4（n = 193）具有最高的生产能力（259.9单位）和最高的物联网及预测性维护采纳率（分别为0.58和0.60），因此相对于产量而言产生的废物较少（24.5千克），这表明技术的采纳在一定程度上调节了环境表现。最后，C3（n = 143）在所有簇中实现了最低的废物产生量（19.1千克）和最低的材料使用量（292.5千克），但尽管能源消耗适中（184.4千瓦时），碳排放仍然较高（61.0二氧化碳当量）。

4.1.3. 按簇分 environment 变量分布
图5展示了按簇划分的三个环境输出变量的箱线图。对于能源消耗，C0显然是最不密集的簇（四分位数范围大约为115–165千瓦时），而C5位于最极端位置（IQR大约为220–270千瓦时）。碳排放的分布在C0（IQR = 37–54二氧化碳当量）和C1（IQR = 64–74二氧化碳当量）之间差异最大。对于废物产生，C3和C5是最有利的簇（中位数废物较低），而C1则表现出最广泛的分布和最高的中位数。几个簇中存在异常值，特别是在能源消耗方面，这表明即使在表现良好的群体中，也存在排放异常高的个体观测值，从而加强了在观测层面进行财政定位而非整体行业激励的必要性。

4.1.4. 按簇划分的技术采纳情况
图6显示了每个簇中采纳了三种使能技术（AI优化、物联网连接性和预测性维护）的观测比例。各簇之间的采纳率大致相似，范围从41%到60%，表明数据集在簇层面并不表现出强烈的技术驱动分割。C2的AI采纳率最低（41%），而C4在物联网启用（58%）和预测性维护采纳率（60%）方面记录了最高的比率。技术采纳率的适度簇间变化表明，簇间的环境差异主要是由运营变量（重配置时间、停机时间、材料使用）驱动的，而不仅仅是数字技术本身，这对设计财政激励措施有影响：针对技术采纳的政策可能需要结合以流程为导向的干预措施来实现有意义的环境改善。

4.1.5. 簇内交通灯可持续性分类
表6显示了所有六个簇中三个环境输出变量的簇内交通灯阈值（基于三分位数的P33和P66百分位数）。在其簇内低于P33的观测值被分类为绿色（有利）；位于P33和P66之间的观测值被分类为黄色（中等）；高于P66的观测值被分类为红色（需要干预）。使用特定于簇的阈值而不是全球截止值，确保了可持续性评估根据每个组的实际运营范围进行校准，防止了对本质上更具能源密集型生产方式的簇进行系统性惩罚。

4.1.6. PCA验证簇的可分性
图7展示了簇分配的二维PCA投影（k = 6）。三个保留的主成分共同解释了43.1%的总方差（PC1 = 15.2%，PC2 = 14.5%，PC3 = 13.4%）。正如对于在低维空间中没有主导潜在结构的数据集所预期的那样，这些簇在PC1–PC2和PC1–PC3平面上有显著的重叠。然而，簇中心点（用星号标记）在两个投影中都清晰可见，证实K-Means算法在原始的7维特征空间中识别出了不同的平均概况。三个组件解释的中等方差反映了制造业可持续数据的高维性和多因素性质，这与先前关于工业数据集聚类的文献[13,14]一致。

4.2. 第二阶段：二元ANN分类器结果（C0 vs. C1）
在簇特征描述之后，选择了Cluster 0（C0，n = 159）和Cluster 1（C1，n = 182）进行二元分类，因为它们的环境概况对比鲜明。如热图和箱线图分析（图3和图5）所示，C0在能源消耗、碳排放和废物产生方面的值系统性地低于C1，使它们成为实施财政激励政策的合适参考组。使用TensorFlow/Keras框架（版本2.x）和Python 3.10实现了前馈ANN。模型架构包括一个输入层、两个带有修正线性单元（ReLU）激活函数的隐藏密集层，以及一个具有Sigmoid激活函数的单神经元输出层，用于二元概率估计。架构详细信息见表7。表7中列出了二元ANN分类器的架构。ANN的输入特征与聚类阶段使用的七个变量相同（四个数值标准化，三个二进制），构成一个7维特征向量。目标标签是二元簇成员资格：C0为0（良好实践），C1为1（需要支持）。组合子集（n = 341条记录）通过分层随机抽样分为训练集（80%）和测试集（20%），以保持两个部分中的类别分布。模型使用Adam优化器（学习率=0.001）和二元交叉熵损失函数进行编译。训练在32个周期内进行，每个周期的小批量大小为16。训练集的20%被保留用于在训练期间监控泛化效果。每个周期跟踪了三个性能指标：损失（二元交叉熵）、分类准确性和接收者操作特征曲线下面积（AUC-ROC）。为了观察完整的学习动态，没有应用早期停止；然而，分析了学习曲线以检测潜在的过拟合现象。模型的Sigmoid输出产生一个连续的概率估计p ∈ [0, 1]，代表预测属于C1（高环境影响）的概率。使用0.5的决策阈值分配二元类别标签：p ≥ 0.5的观测值被分类为C1（需要财政支持），p < 0.5的观测值被分类为C0（良好实践）。这个默认阈值被保留用于主要评估；在第5节中讨论了对替代阈值值的分类性能敏感性。在保留的测试集（n = 69；C0 = 32，C1 = 37）上进行了模型评估，使用了全面的分类指标集。混淆矩阵报告了两个类别的真正例（TPs）、真负例（TNs）、假正例（FPs）和假负例（FNs），由此得出了每个类别的精确度（precision）、召回率（recall）和F1分数（F1-score）。为了评估两个类别的整体性能，还计算了总体准确率和宏观平均F1分数（F1-macro）。Cohen’s kappa系数（κ）被包括进来作为一种校正了机会因素的一致性度量方法，它考虑了类别不平衡的问题，并提供了比原始准确率更保守的分类器可靠性估计[32]。AUC-ROC提供了一个与阈值无关的区分能力度量，其值越接近1.0表示类别间的区分度越好。这些指标共同使得对整体区分能力和C1类别（对财政政策制定最相关的高影响力机构）的特定性能进行严格评估成为可能。

4.2.1 C0和C1之间的环境对比
图8确认了用于二元分类的两个群体之间的环境差异。在所有三个环境输出变量——能源消耗、碳排放和产生的废物量上，C1（需要财政支持）的系统性中位数更高，分布也更广：能源消耗高出+63.0千瓦时（+43.5%），碳排放高出+22.6二氧化碳当量（+50.0%），废物量高出+6.8千克（+19.6%）。这些差异证实了C0和C1代表真正的可持续性对比状态，为人工神经网络（ANN）提供了一个有意义的二元分类目标。

4.2.2 ANN训练动态
图9展示了二元ANN分类器在32个训练周期内的学习曲线。二元交叉熵损失稳步下降，训练集（从第1周期的0.89降低到第32周期的0.31）和验证集（从0.65降低到0.49）。后期的训练损失与验证损失之间的差距表明出现了中度过拟合现象，这在小型数据集（C0–C1子集n = 341）中很常见。尽管如此，验证损失并没有急剧增加，这表明过拟合的程度得到了控制。

4.2.3 在测试集上的分类性能
图10展示了混淆矩阵，图11展示了在保留的测试集（n = 69个观测值，来自341个观测值的C0–C1子集的80/20分层划分）上评估的ROC曲线。混淆矩阵显示25个真负例（C0被正确分类）、27个真正例（C1被正确分类）、7个假正例（C0被错误分类为C1）和10个假负例（C1被错误分类为C0）。图10显示了二元ANN分类器在保留测试集上的性能评估：混淆矩阵，总体准确率为0.754。单元格的颜色强度反映了观测数量，深蓝色表示计数较多。图11显示了ROC曲线，AUC为0.774（实线绿色），与随机分类器基线（虚线）进行了对比。表8总结了所有性能指标。二元ANN分类器在保留的测试集（n = 69；C0 = 32，C1 = 37）上进行了评估。分类器达到了75.4%的总体准确率和0.774的AUC-ROC，表明其具有良好的区分能力。宏观平均F1分数为0.753，Cohen’s kappa系数κ为0.508，确认了一致性超过随机水平[34]，这比仅使用原始准确率提供了更保守和严格的分类器可靠性评估。类别性能分析显示：对于C0类别（良好实践）：精确度为0.714，召回率为0.781，F1分数为0.746；对于C1类别（需要财政支持）：精确度为0.794，召回率为0.730，F1分数为0.761。混淆矩阵报告了27个真正例、25个真负例、7个假正例和10个假负例。在测试集的37个C1观测值中，有27个被正确识别，10个缺失（假负例），C1的召回率为73.0%。这一假负例率——代表模型在默认阈值0.5下未能识别的具有高环境影响的机构——在第5节中进行了直接的政策讨论。

4.2.4 基于Gradio的部署和交通灯界面
训练好的二元ANN分类器使用Gradio框架（v3.50.2）在Google Collaboratory环境中作为交互式图形界面进行部署。该界面接受七个操作和技术输入参数——材料使用量、生产能力、重新配置时间、停机时间、应用的人工智能优化、启用的物联网以及预测性维护——并返回两个同时的输出：(i) 预测的可持续性类别（C0：良好实践或C1：需要财政支持）及其相关概率分数；(ii) 基于表6中报告的群内三分位数阈值的三个环境指标（能源消耗、碳排放和产生的废物量）的交通灯评估（绿色/黄色/红色）。图12展示了部署界面的代表性截图。

4.2.4. 基于Gradio的部署和交通灯界面
训练好的二元ANN分类器作为交互式图形界面使用Gradio框架（v3.50.2）在Google Collaboratory环境中进行了部署。该界面接受七个操作和技术输入参数——材料使用量、生产能力、重新配置时间、停机时间、应用的人工智能优化、启用的物联网以及预测性维护——并返回两个同时的输出：(i) 预测的可持续性类别（C0：良好实践或C1：需要财政支持）及其相关概率分数；(ii) 基于表6中报告的群内三分位数阈值的三个环境指标（能源消耗、碳排放和产生的废物量）的交通灯评估（绿色/黄色/红色）。图12展示了部署界面的截图。

5. 讨论
5.1 在财政政策设计背景下解释群体特征
K-Means聚类分析在1000个制造观测值中识别出六个不同的可持续性特征，证实了即使在同一运营背景下，工业单元之间的环境绩效也存在根本性差异。这一结果与越来越多的实证和政策文献一致，这些文献强调一刀切的财政工具不足以推动整个行业的脱碳，需要差异化的财政方法来应对工业参与者不同的基线条件[1,2]。
C0群体（n = 159）——以最低的能源消耗（145.1千瓦时）、最低的碳排放（45.2二氧化碳当量）以及最短的重新配置和停机时间为特征——代表了数据集中的运营和环境卓越标准。这一特征与已经内化效率改进的制造单元一致，可能是对现有市场信号或先前监管规定的响应。重要的是，这个群体的存在表明高生产率的运营（生产能力 = 231.0单位）与低环境影响相兼容，验证了生态高效制造的理论前提[3]。从财政政策的角度来看，这些单元可能不需要纠正性激励；相反，它们可以作为基于绩效的奖励的接收者，或者可以作为技术转移项目的模型。
相比之下，C1群体（n = 182）显示出最高的碳排放（67.8二氧化碳当量）和废物产生量（41.5千克），以及高于平均水平的能源消耗（208.1千瓦时）和显著的较长重新配置时间（41.5分钟）。C0和C1之间50%的排放差距（22.6二氧化碳当量）表明，针对C1类型机构的针对性财政干预可以带来显著的环境改善。C1的运营特征——特别是较长的停机时间（17.1分钟）和较长的重新配置期——表明流程管理中的低效率可能是其较高环境输出的主要驱动因素，而不是本质上能量密集的活动。这一解释与拉丁美洲工业部门的证据一致，那里与环境合规性相关的财政激励计划——例如对认证环境投资的最大20%的收入税减免——已被证明能有效促进流程效率的提高，而不仅仅是减少最终排放[4]。类比说明：正如厄瓜多尔的石油行业从基于可验证环境管理系统的结构化财政工具中受益一样，C1类型的制造单元在可重构环境中运营，也可以对类似的、基于结果的激励措施做出响应。这种政策方法进一步得到了比较工业研究的证据支持，这些研究表明，在再制造行业中，高效率和低效率制造单元之间的排放差异达到了30-60%。这种政策方法的合理性还得到了进一步的支持，因为研究表明，在异质人群中应用统一的财政工具往往会低估最高影响的机构[7,10]。
C5群体（n = 168）面临一个独特的政策挑战：尽管运营指标高效（重新配置时间短、停机时间短），但它记录了最高的能源消耗（237.4千瓦时）和材料使用量（400.2千克）。这种组合表明C5代表了真正的能量密集型生产模式——可能涉及到高嵌入能量的材料或产品，而不是管理不善。与文献中研究的能源密集型工业领域（例如，采掘业、重制造业）的相似之处显而易见：对于这些行业，传统的过程效率激励可能不足，而专门针对能源替代的财政工具——如清洁能源资本支出的加速折旧或可再生能源设备的增值税减免——可能更为合适[5,6]。C2（n = 155）存在一个分析上重要的异常现象：尽管能源消耗量很高（213.7千瓦时），但其碳排放量却是所有集群中最低的（40.7二氧化碳当量）。这种能源使用与排放量之间的脱钩表明，C2制造单元可能已经在使用更清洁的能源（如天然气、生物质或来自低碳电网的电力），或者在那些不会直接产生燃烧相关二氧化碳的工艺中使用能源。这一模式与EPS回收领域的发现相呼应，在那里，所选择的处理技术——尤其是在三级化学过程中使用d-柠檬烯和p-芹烷等绿色溶剂——显著减少了与能源密集型操作相关的环境足迹，同时保持 processing 能力[7]。财政方面的含义值得注意：基于排放的碳税或碳信用额度将正确地奖励C2类型的机构，而基于能源消耗的征税则会无意中惩罚它们，尽管它们的排放量较低。这强调了多指标政策设计的重要性以及单一指标财政工具的局限性。C4（n = 193）具有最高的生产能力（259.9）和最高的物联网及预测性维护采用率（分别为58%和60%），尽管能源消耗量适中，但废物生成量却相对较低（24.5千克）。C4中观察到的技术采用带来的废物减少效益与制造业循环经济研究中的证据一致：系统的材料回收和再利用——类似于墨西哥北部maquiladoras运营中记录的材料回收计划，这些计划已被证明可以产生可测量的环境和经济双重效益[11]——可以带来环境和经济上的双重收益。对于C4类型的机构，与物联网采用、数字基础设施投资或工业4.0技术整合相关的财政激励可能会通过扩展预测性维护和材料跟踪能力进一步提高环境绩效。

5.2. 支持向量机分类器的性能和政策的运作化
该二分类器在独立测试集（n = 69；C0 = 32, C1 = 37）上的整体准确率为75.4%，AUC-ROC值为0.774，表明其区分能力明显高于随机水平，也高于大约53.6%的多数类基线。宏观平均F1分数为0.753，Cohen’s kappa系数κ = 0.508，证实了其区分能力显著超出随机水平[30]，这比单独的准确性提供了更保守的分类器可靠性评估。虽然这些性能水平在绝对值上属于中等，但对于一个基于341条记录的异构制造数据集中的两个集群进行训练的分类器来说，它们是合适的。K-Means解决方案的中等轮廓系数（0.102）反映了C0和C1之间的固有分布重叠，为可实现的二元分离设定了一个实际的上限[9]。

每个类别的性能揭示了与财政政策设计直接相关的不对称特征。C1类（需要财政支持）的精确度为0.794，召回率为0.730：当分类器将一个制造单元标记为高影响时，大约79%的情况下是正确的，这意味着向那些实际上不需要支持的单元分配了财政资源的比率较低。C1类的召回率为73.0%，即在测试集中的37个单元中有27个被正确识别，这表明在默认的决策阈值0.5下，大约27%的高影响机构未被一次分类捕捉到（FN = 10）。这种假阴性率对政策的完整性来说并不微不足道。C0类（良好实践）的精确度为0.714，召回率为0.781，表明能够可靠地识别出不需要财政干预的低影响机构。

C1类的精确度（0.794）和召回率（0.730）之间的权衡反映了具有直接政策含义的基本决策阈值问题。在假阴性成本（未能识别的高影响机构）被认为高于假阳性成本（将财政支持分配给不需要它的单元）的情况下，政策制定者可能会选择将分类阈值降低到0.5以下以优先考虑召回率。相反，当财政资源非常有限并且精确度至关重要时，可以使用默认阈值或更高的值。这种灵活性可以通过Gradio界面进行操作，授权用户可以交互式地调整决策边界。额外的缓解策略包括：(i) 随着新的运营数据的出现定期重新应用分类器；(ii) 结合ANN输出与互补的基于规则或回归模型的集成方法；(iii) 在训练期间对C1类进行优先加权以提高召回率而不修改阈值[10]。

对学习曲线的分析显示，在32个训练周期内模型收敛稳定，训练损失和验证损失从第1周期开始持续下降，到大约第20周期后，训练准确率（=87%）和测试准确率（75.4%）之间出现小幅差异。这一差距与由于训练数据集规模有限（分层分割后n = 217条记录）导致的过拟合程度一致。通过正则化技术（包括dropout层和L2权重惩罚）、对整个C0/C1子集进行交叉验证或数据增强策略，可以在未来的迭代中提高模型的泛化能力。这些方向被确定为框架后续开发的优先事项。

通过基于Gradio的图形界面部署训练好的分类器代表了方法论上的重要贡献，其意义超出了模型开发本身。该界面使政策制定者、工业管理者和可持续性审计员能够使用运营参数交互式地查询分类器，而无需编程知识，从而将模型作为实用的决策支持工具加以运作。这种方法符合当前应用机器学习在公共政策中的最佳实践，其中模型输出的可访问性和可解释性被认为是采用的关键因素[35]。交通灯分类覆盖图（绿色/黄色/红色）将概率输出转换为非技术用户熟悉的分类评估，弥合了计算建模与现实世界决策背景之间的差距。重要的是要注意的是，该框架旨在支持而不是替代专家在财政政策设计中的判断：分类器提供了一个数据驱动的信号，应该将其整合到更广泛的行政和部门评估流程中。

5.3. 技术采用变量的作用及其对激励设计的影响
聚类分析的一个显著发现是，三个二元技术采用变量——AI优化、物联网连接性和预测性维护——在不同集群间的变化较小，采用率在41%到60%之间。这种相对均匀的分布表明，仅技术采用本身并不能解释集群间观察到的环境差异。相反，运营变量（如重新配置时间、停机时间和材料使用）似乎是决定集群成员身份的主要因素。这一发现对财政政策设计有重要影响：如果不对运营过程重新设计提供补充支持，仅针对技术采用的补贴可能无法产生预期的环境结果[29]。尽管如此，C4集群展示了高技术采用率——特别是物联网和预测性维护——与低废物生成量相关，这表明数字化的环境效益取决于运营背景。这种条件关系与广泛的工业4.0文献一致，其中发现数字技术对环境的影响取决于它们如何整合到生产工作中，而不仅仅是它们的存在[20]。因此，围绕可衡量结果构建的财政激励——如每单位生产量的废物减少量、记录的能源强度改进或认证的物联网支持监控系统——可能比全面的技术采用补贴更能有效地引导不同集群的环境改善。这一结论与最近在工业可持续性领域的AI和机器学习应用中的证据一致，其中数字技术的环境效益始终取决于整合深度和运营背景，而不仅仅是采用状态[12,18]。

5.4. 研究的局限性和未来研究的方向
本研究有几个局限性需要承认。首先，数据集来自一个可重构的制造环境，其地理和机构来源并未由作者明确记录（详见附录A）。尽管其变量结构与工业制造环境一致，并且与关于可重构系统和工业4.0的先前文献相符，但它并未涵盖现实世界工业环境的全部复杂性，包括行业异质性、地理变化、法规影响和公司层面的经济限制。未来的研究应使用来自记录在案的制造设施的实证数据来验证和扩展所提出的方法论，理想情况下还包括财政政策影响和法规遵从状态等额外协变量。在墨西哥背景下，INEGI出版的《制造业月度调查》（EMIM）以及SEMARAT和SE的部门数据库提供了经过机构验证的制造运营和环境数据，可以作为基于地理的框架复现的基础。虽然使用开放仓库的数据集进行概念验证的机器学习框架是一种公认的方法论实践，但随着领域的成熟，应使用记录在案的来源进行验证研究[16,17]。

其次，轮廓系数为0.102——虽然在测试的k范围内最高——表明在7维特征空间中集群的紧凑性有限。这部分是由于数据的多因素和混合类型（连续变量和二元变量）造成的，未来的聚类方法可能受益于更适合混合类型数据的替代算法，例如k-prototypes或使用Gower距离的层次聚类[35]。第三，这种仅区分C0和C1的二分类框架并没有直接解决其他四个集群（C2-C5）的政策相关性。对ANN进行多类扩展，或者为每对集群开发单独的二分类器，将提供一个更全面的政策分析工具。此外，将经济变量（如公司规模、行业、能源成本和现有财政机制的暴露程度）整合到聚类和分类阶段中，将大大增强结果轮廓的政策相关性。

第四个局限性涉及模型的可解释性。虽然二分类器作为一种区分工具非常有效，但它本身并不揭示每个输入变量对其分类决策的相对贡献。整合可解释性方法——特别是SHAP（Shapley Additive Explanations）值和LIME（Local Interpretable Model-agnostic Explanations）——是该框架的高优先级扩展[19,36]。SHAP分析将识别出哪些运营变量（例如重新配置时间、材料使用、物联网采用）最强烈地驱动C1分类，为财政工具设计提供可操作的特征级洞察：例如，如果重新配置时间被确定为高影响分类的主要预测因素，那么财政激励可以专门针对减少重新配置周期，而不是提供广泛的技术采用补贴。这种变量级别的政策指导代表了框架运作化的下一个逻辑步骤，并被确定为立即跟进工作的主要方向。

6. 结论
本研究开发并验证了一个两阶段计算框架，用于对可重构制造环境中的工业可持续性轮廓进行分类，旨在支持差异化设计的财政激励政策。该框架结合了K-Means无监督聚类（应用于包含七个运营和技术输入变量的1000条记录的数据集）和训练有素的二分类器，该分类器能够区分环境高效的制造单元（C0）和那些需要财政支持以提升可持续性的单元（C1）。K-Means分析确定了六个统计上不同的集群（k = 6，通过多标准收敛选定），平均轮廓从低影响的C0（能源：145.1千瓦时；排放：45.2二氧化碳当量；停机时间：11.3分钟）到高影响的C1（排放：67.8二氧化碳当量；废物：41.5千克；重新配置时间：41.5分钟）以及能源密集型的C5（能源：237.4千瓦时；材料使用：400.2千克）。聚类结果显示，环境差异主要由运营变量（重新配置时间、停机时间和材料使用）驱动，而不仅仅是数字技术的采用，这对财政工具的设计具有重要意义。

在C0-C1对比子集（n = 341）上训练的二分类器在独立测试集上的整体准确率为75.4%，AUC-ROC值为0.774。宏观平均F1分数为0.753，Cohen’s kappa系数κ = 0.508，证实了其区分能力显著超出随机水平，为财政定位决策提供了坚实的基础。高影响C1类的精确度（0.794）表明大约79%的模型标记的机构确实需要财政支持——这对于政策分配来说是一个实际有用的定位精度。基于Gradio的图形界面允许非技术用户将训练好的模型应用于新的运营数据，从而输出能源、排放和废弃物指标的可持续性等级预测以及相应的“交通灯”评估结果。从政策角度来看，研究结果支持这样的观点：针对工业可持续性的财政工具（包括所得税减免、清洁技术的增值税改革、能源替代补贴以及碳定价机制）应根据目标企业的环境和运营特点进行定制，而不是在所有工业部门中统一适用。所提出的六类分类体系为这种差异化提供了数据驱动的基础：C1类企业可能最受益于流程效率激励和运营结构调整支持；C5类企业则更适合获得能源替代和清洁能源投资激励；C2类企业通过基于排放量的奖励来鼓励低碳能源使用；而C4类企业则可通过数字基础设施激励措施进一步发挥物联网（IoT）和预测性维护技术在减少废弃物方面的作用。

该框架通过展示无监督聚类结合人工神经网络（ANN）分类方法能够生成具有解释性和可操作性的政策目标分析结果，为可持续性评估的计算工具方法论研究做出了贡献。Gradio界面和“交通灯”分类系统将这一模型的实际应用范围从研究 environment 扩展到了现实世界的决策支持中，弥补了先进分析与政策实施之间的差距。未来的研究应重点关注四个方向：（i）在经过实证验证的工业数据集上对该框架进行验证，这些数据集可以包括来自国家能源研究机构（INEGI）的制造调查数据或国家级环境机构的行业数据库；（ii）通过多类人工神经网络架构或成对分类器将二元分类扩展到所有六种可持续性等级；（iii）整合SHAP和LIME可解释性方法，以识别导致C0/C1分类结果的变量因素，并将其转化为可行的财政政策设计方案；（iv）在聚类和分类阶段纳入经济和监管因素（如企业规模、行业类型、现有财政政策影响等），以提高政策的相关性和通用性。