《JOURNAL OF MANUFACTURING SYSTEMS》：A theoretical and hierarchical framework of technologies, skills, and circularity towards industry 5.0
编辑推荐：
研究人员将人本技术（HCTs）映射到循环经济实践（CEPs）和具体的10?R策略，在工业5.0（I5.0）背景下。该综述识别出支持循环性的七个技能集群。研究区分了广义的CEP支持与明确的10?R策略关联。一个技术-技能-循环性（TSC）框架解释了技术、技能和循
研究人员将人本技术（HCTs）映射到循环经济实践（CEPs）和具体的10?R策略，在工业5.0（I5.0）背景下。该综述识别出支持循环性的七个技能集群。研究区分了广义的CEP支持与明确的10?R策略关联。一个技术-技能-循环性（TSC）框架解释了技术、技能和循环实践如何相互作用。该框架应用于一个说明性案例研究。
在制造业面临气候变化、资源稀缺、地缘政治不稳定及社会期望提升的背景下，工业5.0（Industry 5.0, I5.0）强调超越工业4.0（Industry 4.0, I4.0）的纯技术驱动，转向人本、可持续和韧性系统。循环经济（Circular Economy, CE）通过10?R策略（如Reduce、Reuse、Repair等）实现资源价值保留，成为可持续发展支柱。然而，现有研究常将技术泛化讨论，或仅在高层次提及循环性，缺乏人本技术（Human-centric Technologies, HCTs）与具体循环经济实践（Circular Economy Practices, CEPs）及10?R策略的详细关联；同时，关于劳动力技能的系统证据分散且稀缺。针对这些空白，研究人员开展了系统文献综述（Systematic Literature Review, SLR）与专家问卷，旨在提出整合HCTs、CEPs和技能的综合框架，并发表在《JOURNAL OF MANUFACTURING SYSTEMS》上。
研究人员通过SLR（涵盖2015–2025年Scopus和Web of Science数据库，最终纳入41篇文献）和10位专家问卷，分析HCTs与CEPs/10?R策略的关联，并归纳技能集群。主要结论包括：识别出AI、数字孪生（Digital Twin, DT）、大数据分析（Big Data Analytics, BDA）、物联网（Internet of Things, IoT）、扩展现实（Extended Reality, XR）、机器人/协作机器人（cobots）、区块链（Blockchain, BC）/数字产品护照（Digital Product Passport, DPP）及增材制造（Additive Manufacturing, AM）等主要HCTs；这些技术在不同程度上支持CEP和10?R策略，其中Reduce策略最受关注；归纳出七个技能集群；提出技术-技能-循环性（Technology-Skills-Circularity, TSC）框架，强调技术、实践、技能的配置性，并通过RBV（Resource-Based View）理论解释其作为持续竞争优势来源的潜力。
关键方法（不超过250字）：采用SLR方法，在Scopus和Web of Science中检索，结合关键词“Industry 5.0”、“human-centric”及循环相关术语，经筛选、冗余去除、全文评估及雪球抽样，最终纳入41篇文献。对文献进行定性和定量数据提取，包括编码技术、CEPs（分为广义CEP和具体10?R策略）及技能。此外，设计专家问卷，邀请10位来自意大利、德国、日本、法国的专家（含教授、研究员及顾问，平均经验>12年）评估技术-CEP关联强度，通过矩阵式问题收集感知数据，以补充文献映射。
研究结果（保留每个小标题）：
**Emerging industrial 5.0 analysis**：通过文献计量分析，发现研究自2021年快速增长，至2025年累计41篇，主要发表在Sustainability（Switzerland）等Q1期刊（34/40），地理分布以英国、意大利、中国、印度为主，理论视角以社会技术系统理论（Socio-Technical Systems Theory, STS）为主（18篇），其次为三重底线（Triple Bottom Line, TBL）（10篇）。
**Human-centric technologies**：通过SLR编码，识别出AI、DT、BDA、IoT、XR、cobots、BC/DPP、AM等主要HCTs，这些技术被设计用于增强人类感知、认知和物理能力，而非替代，并在CEPs中发挥支持作用。
**Circular economy practices**：通过区分广义CEP和具体10?R策略，发现文献中CEP被广泛讨论（如AI、BC、IoT等支持闭环生产循环），而具体10?R策略中，Reduce（通过AM、AI优化）最常出现，其次为Reuse、Repair、Remanufacture、Recycle等，各策略均与特定技术关联。
**Link between technologies and CEPs**：通过Sankey图及文献和专家热力图，展示技术-实践关联。文献映射显示AI主要支持Reduce、Repair、Remanufacture；DT支持CEP和Reduce；BC支持Reuse、Refurbish等。专家评估显示更广泛的关联，如AI在多数策略中得分高，DT在Reuse和Reduce中突出，IoT、BDA、ML得分也较高，表明专家感知的潜在支持强于文献报告。
**Circular human-centred skills**：通过归纳编码，识别出七个技能集群：分析能力与决策（利用BDA、DT、IoT、AI进行数据驱动决策）、人机协作（与cobots、AR、VR安全交互）、循环经济运营（管理逆向物流、DPP、再制造等）、适应性与持续学习（快速掌握新工具）、伦理与可持续意识（检查AI偏见、保护数据）、 workforce管理与绿色人力资源实践（设计绿色培训、映射技能差距）、实际应用与职业教育（3D打印、自动拆解等实操技能）。
**Framework of technology, skills, and circularity**：提出TSC框架，整合技术层、循环性层（包括CEP和10?R策略）和技能层，强调配置性视角。通过案例（意大利SME纺织废料回收公司Company_4）展示，该企业以适应性学习技能驱动Reduce、Repair/Refurbish、Remanufacture实践，并通过结构化学习循环（如间接员工培训）实现持续改进，说明技能如何决定技术采纳和循环执行效果。
讨论部分总结：从STS理论看，I5.0中的循环性需要技术子系统（HCTs）与社会子系统（技能、组织惯例）的联合配置，不同10?R策略需不同的人-技术组合。通过RBV理论解释，将HCTs、CEPs和技能视为互补的社会技术资源束，若满足VRIN（有价值、稀有、难以模仿、不可替代）条件，则可成为持续竞争优势。其中，稀有性在于特定数据、惯例和技能的组合；难以模仿源于路径依赖（如迭代学习）和社会复杂性（如跨职能协调）；不可替代性源于人本循环中人类决策和操作能力的不可或缺。
研究结论翻译：本研究得出结论，工业5.0中向人本循环转型需要人本技术（HCTs）、循环经济实践（CEPs）、10?R策略和劳动力能力的联合对齐。为了支持这一对齐，提出的技术-技能-循环性（TSC）框架提供了一个结构化工具，用于理解技术、循环优先事项和技能如何在组织环境中配置。企业可以使用该框架识别与其战略和运营需求最相关的CEPs和10?R优先事项，将现有或计划中的HCTs映射到这些优先事项，并评估劳动力是否具备有效实施所需的互补技能。该框架还可以帮助组织识别社会技术错配，例如在缺乏充分分析、运营或协作能力的情况下采用技术，或在没有足够技术和组织支持的情况下追求循环目标。因此，它可以指导与培训、能力建设、技术选择和流程重新设计相关的管理决策。最后，TSC框架应被理解为迭代工具而非静态模型。来自维护、逆向物流、再制造、车间问题解决和客户服务活动的运营反馈可以被捕获并转化为修订的程序、更新的培训内容、改进的决策规则和技术使用的选择性调整。这样，该框架可以通过帮助企业逐步适应连接技术、惯例和劳动力能力的束来支持持续改进。这在工业5.0环境中尤其相关，因为循环性能不仅取决于采纳使能的人本技术，还取决于技术系统、组织惯例和人类能力之间的持续对齐。
