《INTERNATIONAL JOURNAL OF PRODUCTION ECONOMICS》：From scores to decision: Unveiling company maturity for Industry 4.0 using Benefit-of-the-Doubt models
编辑推荐：
Benefit-of-the-Doubt（BoD）复合指标提供情境敏感的数字成熟度评估。稳健与条件BoD揭示了行业、规模与年龄的效应。广义加性模型（Generalized Additive Models，GAMs）捕捉非线性情境影响。BoD与固定权重得分相比表
Benefit-of-the-Doubt（BoD）复合指标提供情境敏感的数字成熟度评估。稳健与条件BoD揭示了行业、规模与年龄的效应。广义加性模型（Generalized Additive Models，GAMs）捕捉非线性情境影响。BoD与固定权重得分相比表现出更高判别力与排名偏移。基于490家企业（约94%为中小企业）的证据为政策与基准测试提供参考。
研究背景与问题提出
工业4.0通过融合信息物理系统、物联网（Internet of Things，IoT）、人工智能（Artificial Intelligence，AI）与先进数据分析，重塑了工业系统的运行与评价逻辑。既有数字成熟度模型（如VDMA/IMPULS及其葡萄牙适配版IMPULS-adapted）多采用固定权重（fixed-weight）聚合各维度得分，隐含“所有企业应按同一节奏、同一相对重要性发展全部维度”的规范性假设，易将阶段性、增量式或受规模/行业约束的发展路径误判为低成熟度；同时既有的成熟度分数常混淆管理性投入不足与结构性约束（企业规模、行业、年龄、财务能力），且刚性聚合丢失维度级诊断信息。为突破上述局限，研究人员提出将Benefit-of-the-Doubt（BoD）复合指标与广义加性模型（Generalized Additive Models，GAMs）嵌入工业4.0成熟度评估框架，以“从得分到决策”的方式提供情境敏感、非规范、可解释的基准信息。该研究发表于《INTERNATIONAL JOURNAL OF PRODUCTION ECONOMICS》。
主要技术方法（≤250字）
研究人员以葡萄牙490家企业的IMPULS-adapted自评数据（约94%为中小企业，含战略与组织、智能基础设施、智能运营、智能产品、数据驱动服务、人力资源六维度0–5 Likert得分及固定权重复合指数）为样本队列。方法上依次采用：①基于数据包络分析（Data Envelopment Analysis，DEA）的BoD线性规划，令每家决策单元（Decision-Making Unit，DMU）内生选取最大化自身得分的非负权重；②Daraio and Simar的稳健order-m与条件BoD（核回归嵌入环境变量）消除极端值与行业/规模/年龄异质性偏倚；③广义加性模型（GAMs）平滑估计企业规模、年龄、行业、财务绩效对BoD成熟度的非线性边际效应。以IMPULS-adapted固定权重指数为对照基线。
研究结果（保留小标题）
- 1.
Introduction
研究人员指出固定权重成熟度指数混淆管理绩效与结构约束，BoD提供内生化、非规范权重，GAMs补捉阈值/饱和/倒U型非线性，三者集成可将得分转化为情境敏感基准。提出RQ1（BoD vs 固定权重差异）与RQ2（情境变量经条件BoD与GAMs的作用）。
- 2.
Literature background and empirical context
2.1 Industry 4.0 and its foundational pillars
梳理工业4.0源于德国High-Tech Strategy 2020，核心支柱含信息物理系统、IoT、云计算、大数据、AI、增材制造、自主机器人、增强现实、网络安全。
2.2 Models for assessing digital maturity
区分readiness/maturity/capability概念；列表述评IMPULS、Acatech、SIRI、THEIA等模型，指出现有模型多依赖固定或情景固定权重，缺乏上下文分离。
2.3 The IMPULS-adapted framework
葡萄牙适配版含6维度25题Likert 0–5，非补偿性惩罚调整，情景权重聚合出复合指数，作为本研究对照基线。
2.4 The Benefit-of-the-Doubt approach
BoD根植DEA，Melyn and Moesen (1991)与Cherchye et al. (2007)奠基；稳健/条件BoD（Daraio and Simar 2005, 2007）处理异常值与环境变量；已有水务、固废、医疗、教育应用，但未与工业4.0成熟度及GAMs结合。
- 3.
Methodology
3.1 Composite indicator construction using BoD
给出线性规划：CIo=max∑r=1suryor，s.t. ∑r=1suryjr≤1，ur≥0。每家企业在共同前沿下选最优权重。
3.2 Robust and conditional BoD
order-m稳健前沿降敏；条件BoD用核函数将企业规模/行业/年龄/财务作为环境变量纳入bootstrap基准。
3.3 GAMs for contextual effects
以BoD得分为响应，环境变量为平滑项，拟合非线性关系，识别阈值与饱和效应。
- 4.
Empirical application（数据集略，见方法）
- 5.
Results and discussion
BoD复合指标相较IMPULS-adapted固定权重指数判别力更高，多家企业排名显著偏移——部分在固定权重下被判低成熟度的企业，因战略/人力资源先发或行业适配优势在BoD下获得更高评价。条件BoD显示行业、规模、年龄对成熟度有显著情境效应；GAMs进一步揭示规模呈倒U型（中型优于微型与大型）、企业年龄存在饱和段、特定行业（如金属加工）斜率更高。研究人员由此区分“结构性约束致低分”与“管理投入不足致低分”。
讨论与结论翻译浓缩
研究人员讨论指出，该方法不提供处方式策略，而是把数字成熟度得分翻译为情境敏感基准：企业层暴露被固定权重掩盖的专攻强项与绑定弱项；政策层分离结构约束与投入不足，支持差异化公平设计。研究未新增工业4.0维度，仅在既有IMPULS-adapted数据上重构测量与基准架构。结论为：BoD复合指标与GAMs增强框架较固定权重指数更具公平性、可解释性与行动导向，对研究者、政策制定者与从业者推动包容有效数字化转型具方法论贡献；该框架可自然扩展至工业5.0的人本与可持续维度。
