《Applied Sciences》：Driving Factors and Transmission Mechanisms of Quality Risks in Digitalized Equipment Manufacturing Processes: A Mixed-Methods Study Integrating Grounded Theory, SEM, and XGBoost-SHAP
编辑推荐：
质量风险在数字化设备制造过程中日益呈现多源耦合、链式传递和潜在演化的特征，使得单一方法难以完全揭示其传递机制和关键驱动因素。研究人员提出一种融合扎根理论（Grounded Theory）、协方差结构方程模型（CB-SEM）与XGBoost-SHAP的混合方法框
质量风险在数字化设备制造过程中日益呈现多源耦合、链式传递和潜在演化的特征，使得单一方法难以完全揭示其传递机制和关键驱动因素。研究人员提出一种融合扎根理论（Grounded Theory）、协方差结构方程模型（CB-SEM）与XGBoost-SHAP的混合方法框架。首先，将扎根理论应用于深度访谈数据，构建了涵盖工艺设计与转换、数据流与协作、生产执行与过程控制、质量检验与数据追溯以及人员能力匹配的五维质量风险框架。其次，基于420份有效问卷，利用CB-SEM验证了风险沿“工艺设计—数据协作—生产执行—检验与追溯”的链式传递路径，并揭示了人员能力匹配风险的普遍渗透效应，其中间接效应占43.5%。最后，引入XGBoost-SHAP框架捕捉非线性和项目级效应，识别出高预测贡献的风险项目，例如岗前认证缺失、底层控制失效和仿真边界条件扭曲。通过整合定性构建、线性验证与非线性归因，研究人员为识别设备数字制造过程中质量风险的驱动因素与传递机制提供了跨方法证据。研究结果加深了对质量风险在设备数字制造过程中如何形成与传递的理解，并为设备制造企业实现敏捷、精准的数字质量控制提供了决策支持。
在工业4.0与智能制造的推动下，航空航天、轨道交通及国防系统等复杂设备制造业加速向数字化、网络化与智能化转型。数字化设备制造依托基于模型的定义（MBD）、制造执行系统（MES）及工业物联网（IIoT）等关键技术，通过数字主线（Digital Thread）实现产品设计、工艺规划、生产执行与质量检验的全生命周期数据集成。然而，该模式在提升系统柔性与加工精度的同时，也深刻重塑了质量风险的来源、传递路径与演化模式：风险从物理实体偏差转向数据不连续、算法扭曲、跨域协作失败与人机交互偏差驱动的系统性与潜在性风险。复杂设备结构层次深、功能耦合强、制造流程长，数字链中任一环节的微小偏差可能沿数字主线级联放大，最终导致批次质量事故甚至系统失效。现有研究多依赖统计过程控制、失效模式与效应分析（FMEA）、贝叶斯网络等方法，它们在结构清晰、专家知识充足的场景中有效，但难以表征数字制造环境下风险要素的复杂交互与跨阶段动态传递；数据驱动的质量预测模型虽具有强预测能力，却普遍忽视理论解释与因果机制，形成“黑箱”困境。针对上述三大研究空白——缺乏统一理论框架、传递机制认识不足、单一方法存在解释局限，本研究系统识别数字化设备制造过程中质量风险的驱动因素与传递机制，相关成果发表在《Applied Sciences》上。
研究人员整合扎根理论（Grounded Theory：从经验数据中归纳理论的定性方法）、协方差结构方程模型（CB-SEM：基于协方差验证理论路径的线性统计方法）与XGBoost-SHAP（XGBoost：基于梯度提升的集成学习算法；SHAP：基于Shapley值的模型可解释性方法）三者的混合方法框架。样本队列来源于中国航空航天、国防军工及高端装备制造等典型数字化设备制造企业，通过目的抽样与理论抽样，对24名涵盖工艺设计、生产执行、质量检验、设备运维与数据管理岗位的一线技术及管理人员进行半结构化深度访谈，收集约15万字有效文本；随后通过线上线下结合方式发放问卷，回收有效问卷420份（有效率78.36%）。扎根理论的三级编码（开放式、主轴式、选择式）用于自下而上构建风险维度体系；CB-SEM用于验证理论路径并估计线性效应；XGBoost-SHAP用于捕捉项目级的非线性贡献并进行可解释归因。
研究结果按照原文结构呈现如下：
**4.1 数据质量与共同方法偏差检验**：通过Harman单因子检验（第一公因子方差解释率28.91%，低于40%阈值）和共同潜在因子（CLF）检验（添加CLF后标准化载荷平均变化0.028，CLF方差解释率仅4.5%），证实共同方法偏差不构成严重威胁，样本数据满足正态性要求。
**4.2 测量模型评估**：探索性因子分析（EFA）提取6个特征值大于1的因子（累积方差解释率76.878%），所有项目在理论归属因子上的载荷均大于0.700，无显著交叉载荷；验证性因子分析（CFA）显示六因子模型拟合良好（χ2/df=1.212，RMSEA=0.022，CFI=0.992，TLI=0.991）；各潜在变量的Cronbach's α系数（0.880–0.945）、组合信度（CR：0.882–0.945）及平均方差提取量（AVE：0.657–0.742）均超过推荐阈值，区分效度通过Fornell-Larcker准则检验。
**4.3 结构模型与假设检验**：结构方程模型拟合指数达标，12条假设路径均显著（p<0.001）。直接效应检验显示人员能力匹配风险对整体质量性能损失的影响最大（β=0.341），其次为工艺设计与转换风险（β=0.234）、质量检验与数据追溯风险（β=0.165）、数据流与协作风险（β=0.131）、生产执行与过程控制风险（β=0.103）。链式传递路径显著：工艺设计风险正向影响数据协作风险（β=0.304），数据协作风险正向影响执行风险（β=0.341），执行风险正向影响检验风险（β=0.155）。人员风险对其他四个维度均具有显著正向渗透效应（β从0.291到0.536）。中介效应检验（Bootstrap法，5000次重抽样）显示所有六条核心间接路径的95%置信区间均不包含零，人员风险对整体损失的总间接效应为0.207，占总效应的43.5%。总效应分解表明人员风险总效应最大（0.476），其次为工艺设计风险（0.282）、数据协作风险（0.176）、执行风险（0.156）、检验风险（0.165）。
**4.4 XGBoost回归结果与SHAP分析**：XGBoost模型经随机搜索与五折交叉验证优化超参数后，在测试集上R2=0.361，RMSE≈1.02；与六种基线模型（弹性网络、线性回归、支持向量回归、随机森林、LightGBM、CatBoost）的10×5重复交叉验证比较显示，所有模型R2集中在0.32–0.35之间，表明该预测水平是截面Likert数据的固有上限。SHAP全局特征重要性排序前五位的高贡献项目为：岗前认证缺失（E2）、违规跳步操作（E4）、底层控制失效（C2）、仿真边界条件扭曲（A5）、系统数据不兼容（B1）。排名稳定性分析（十种随机种子下Spearman秩相关系数均值0.912，Kendall协调系数0.921）证实前五位项目具有极高稳定性。SHAP蜂群图显示，这些项目的高分值样本主要分布在正SHAP区域，即较高风险值倾向于增加预测质量损失；部分项目呈现非单调特征，揭示非线性阈值效应。维度层面聚合显示人员能力匹配风险和工艺设计与转换风险在总贡献占比和平均贡献强度上均居前两位。CB-SEM与SHAP结果在主要风险维度排序上一致（人员风险>工艺设计风险>协作风险>执行风险>检验风险），并在解释粒度上形成互补：CB-SEM验证潜变量层面的理论路径，SHAP揭示项目级的非线性预测贡献。
在讨论部分，研究人员总结了三项主要发现：第一，质量风险呈现五维协同驱动的结构性特征，扎根理论自下而上构建的五维结构经CB-SEM统计确认；第二，风险遵循数字主线链式传递与人员风险全域渗透的双层演化机制，人员风险从传统制造的“局部操作误差”演变为贯穿全过程的“根枢纽变量”；第三，驱动因素呈现少数关键因素主导与非线性阈值效应，SHAP识别出岗前认证缺失等核心项目。理论贡献包括扩展了数字化设备制造情境下的质量风险维度构建、揭示了多维风险的动态耦合与级联传递机制、并整合了“定性构建—参数检验—非参数归因”的混合方法分析框架。管理启示强调将人机协同能力作为风险防控战略起点，沿数字主线构建全链条层级拦截系统，并基于SHAP阈值实施敏捷资源配置与精准预警。研究结论翻译如下：第一，本研究构建了专用于数字化设备制造的五维质量风险结构（工艺设计风险、协作风险、执行风险、检验风险、人员风险），有效捕捉物理实体、数字主线与人员因素交互产生的复杂特征；第二，揭示了质量风险演化的双层机制：技术与流程风险沿数字主线呈现显著的级联放大与链式传递效应，而人员风险作为根枢纽变量，对整个风险系统产生全域渗透与放大效应；第三，识别了高SHAP贡献关键风险项目的非线性阈值效应，如岗前认证缺失（E2）和仿真边界条件扭曲（A5），这些因素一旦超过特定阈值，可能对系统质量产生非线性的破坏性影响。
