This study adopts a two-phase sequential design. In Phase 1, a semantic decomposition method was applied to systematically compare and evaluate existing definitions from 11 representative studies, following established rules for conceptual clarity. In Phase 2, a grounded theory approach was employed, using semi-structured interviews with 31 practitioners from diverse manufacturing sectors, job levels, and ownership types. Secondary data (e.g., company documents, public reports) were used for triangulation. Data coding followed open, axial, and selective coding procedures, with theoretical saturation verified on reserved transcripts.
The analysis reveals three major shortcomings in existing definitions: insufficient term specification, conflation of definition with performance outcomes, and conceptual ambiguity. In response, this study proposes a refined definition: Lean digitalization in manufacturing enterprises is the process of systematically reshaping lean principles, tools, and implementation activities by integrating information, computing, communication, and connectivity technologies to improve operational systems and value creation activities. This definition removes contextual dependency on specific industrial paradigms (e.g., Industry 4.0), avoids teleological presuppositions of success, and retains the core lean logic.From the grounded analysis, six structural dimensions emerge: (1) strategic planning for lean digitalization, (2) IT infrastructure, (3) end-to-end collaboration, (4) intelligent flow optimization, (5) intelligent abnormality control, and (6) human-centered management. These dimensions are systematically integrated into a "Lean Digitalization House" framework: strategic planning forms the roof; IT infrastructure and human-centered management constitute the dual foundation (technical and organizational); intelligent flow optimization and intelligent abnormality control serve as the two core operational pillars; and end-to-end collaboration extends internal capabilities to the value chain. Each dimension is further delineated into sub-categories, such as predictive maintenance, smart built-in quality, lean digital talent development, and supplier synchronization.
This study makes three theoretical contributions. First, it provides a conceptually robust definition of lean digitalization that is decoupled from transient Industry 4.0 rhetoric and performance presuppositions, thereby enhancing construct clarity and cross-study comparability. Second, unlike prior fragmented frameworks, it empirically validates a holistic, multi-dimensional structure that explicitly distinguishes strategic, infrastructural, operational, and collaborative layers. Third, by grounding the framework in diverse manufacturing contexts, it reveals how digital technologies serve not as standalone tools but as enablers that amplify lean principles rather than replace them. From a practical standpoint, the framework offers a stratified roadmap for manufacturing firms: top management can use the strategic planning dimension for evaluation and goal setting; middle managers can leverage IT infrastructure and end-to-end collaboration for capability building and cross-boundary integration; and shop-floor teams can apply intelligent flow optimization, intelligent abnormality control, and human-centered management for daily improvements. The findings also highlight contextual contingencies, suggesting that small and medium-sized enterprises should start with minimum viable infrastructure, whereas large firms need stronger data governance and standardization.
开放科学(资源服务)标识码(OSID)：
精益管理作为被广泛验证的运营改善范式,在持续消除浪费、优化流程方面取得显著成效,但其改善空间正逐步缩小。传统精益管理实践高度依赖经验驱动与离线分析,难以实时捕捉动态波动与复杂约束,面对多品种小批量、快速交付与高柔性需求,单纯依靠既有精益工具往往难以持续释放边际收益。与此同时,数字技术的快速渗透深刻重塑着制造业竞争格局[1]。大数据、物联网、人工智能与工业互联网平台的广泛应用,为企业提升生产效率、响应速度与系统协同能力提供了新的技术可能。如何在数字化时代重塑精益的“数据驱动、快速响应与系统协同”能力,成为制造企业提升韧性与竞争力的迫切议题[2]。
实践层面,越来越多的企业尝试将数字技术嵌入精益体系[3],引发了对精益与数字化深度融合的讨论。从学术层面看,现有研究主要集中于以下几个方面:一是侧重讨论物联网、人工智能等技术如何赋能价值流图、拉动、安灯、防错等具体精益活动[4-6],但较少探讨数字技术持续嵌入后,精益管理本身是否发生了更深层次的结构性变化。二是使用“精益4.0”等概念,强调精益实践与工业4.0技术协同集成[7-9],但更适用于特定政策与技术语境,弱化了其在不同技术阶段与组织情境中的适用性。三是聚焦“精益自动化”或相近表述,讨论数字自动化技术在车间设备、流程控制等操作层面的嵌入[10-11],但较少覆盖战略牵引、IT基础、跨组织协同与人本管理等更广泛的组织领域。
上述研究表明,数字技术并非只是精益管理的外部补充,两者之间具有深度融合的现实基础;同时,现有研究并未全面揭示制造企业数字技术对精益管理的系统性作用。就连续性而言,数字技术的引入并未改变精益管理以顾客价值为导向、消除浪费、持续改进和尊重员工的基本逻辑;就非连续性而言,数字技术深度嵌入又显著改变了精益管理的实现方式、信息基础、组织边界和能力结构。与主要依赖现场观察、人工记录和离线分析、侧重企业内部流程优化的传统精益管理相比,数字化背景下的精益实践以实时数据、系统互联和智能分析为支撑,主张从现场改进向战略协同、系统集成和价值链优化拓展。基于此,本文认为,制造企业中的“精益数字化”并非传统精益管理在数字情境中的一般延伸,也不是在既有精益工具之上附加若干数字技术的局部升级,而应作为一个介于精益管理与数字化转型交汇处的独立研究对象加以概念化。
然而,现有精益数字化研究仍处于概念探索和框架初建阶段,尚未充分回应该领域进一步发展的理论需要。概念层面,“精益数字化”“精益4.0”“精益自动化”等相近术语并存,不同研究在目标对象、作用范围与实现手段上尚未形成一致且可复用的定义框架,导致概念泛化与边界模糊问题突出。概念不清不仅会削弱研究之间的可比性与累积性,也容易在实践中造成理解偏差,如将数字技术简单叠加于既有精益流程而停留于工具化应用层面,或过度追求技术先进性而偏离精益核心原则[12-13] 。结构层面,已有框架或偏重宏观理念而缺少操作细节[14],或侧重车间应用而难以覆盖系统性内容[15],且对不同维度间结构关系与作用机制的阐释不足,难以支撑后续量表开发与实证检验,也难以为企业提供系统性实施路线图。
为弥补上述研究的不足,本文明确两个彼此衔接的研究目标:一是基于近10年相关文献,对精益数字化进行概念分析,提出边界清晰、可操作化且不预设绩效结果的定义,以解答术语混用与边界模糊问题;二是基于半结构化访谈与扎根理论,构建精益数字化结构性维度框架,以回应现有框架碎片化、关键内容覆盖不足及结构关系阐释不足的问题。同时,结合访谈样本在行业、产权性质与职级方面的差异,进一步讨论不同企业情境下实施精益化管理的不同侧重点,以增强研究结论的情境适配性。
本文贡献体现在以下几个方面:①通过一般精益管理、精益4.0及精益自动化等相近概念间的比较,提出一个去时代绑定、去结果预设且保留精益内核的“精益数字化”定义,为后续量表开发与实证检验提供共同的语义基础。②基于扎根理论分析法,构建由战略规划、IT基础设施、端到端协同、智能流动优化、智能异常管控和人本管理6个维度构成的“精益数字化之屋”结构框架,不仅厘清了精益数字化包含哪些关键维度,也解释了这些维度如何形成系统结构。③将上述框架转化为可执行的诊断与路线图思路,分别面向战略层、战术层与运营层提供实施重点,并进一步强调不同规模与不同产权性质企业在资源投入、治理机制与能力建设方面的差异化侧重点,可提升精益数字化实施的情境适配性与可操作性。
精益管理源于丰田生产系统,并随着《改变世界的机器 精益生产之道》一书的出版而逐渐成为制造与运营管理领域的重要研究主题。在《精益管理——21世纪的标准管理模式》一书中,吕建中等(2003)将精益管理描述为“通过以人为本、以团队为组织细胞,由顾客确定产品价值结构,实施准时制(适时、适量、适物)生产和供应,采用并行工程进行产品开发并最终实现杜绝浪费”的战略思想,以使企业满足用户快速变化、多样性、个性化需求并获取丰厚利润”。作为一种管理方法,精益管理通过系统消除整个价值链中的浪费来提高生产效率,同时为客户提供最大价值[16]。现有研究通常从两个层面对精益管理进行讨论:一是作为理论内核的精益原则;二是作为实施载体的精益工具与实践。
从原则层面看,精益管理的核心主要体现在以下几个方面:第一,以持续改进为导向,通过不断识别问题、消除浪费和优化流程,推动组织实现动态优化[17]。第二,以尊重员工为基础,强调员工不仅是执行者,更是发现问题、推动改善和支撑系统运行的重要主体[17]。第三,以顾客价值与价值流为中心,围绕识别价值、映射价值流、创造流动、建立拉动以及追求尽善尽美等原则,形成系统性的流程优化逻辑[18]。既有研究表明,这些原则能够帮助制造企业缩短交货周期、提升灵活性与质量水平,并增强其在复杂竞争环境中的生存能力[19]。此外,Liker[17]提出的14 项原则进一步表明,精益不仅是流程改进方法,更是一种嵌入组织文化、管理行为和决策逻辑之中的系统性管理哲学。
从实践层面看,精益管理已形成较为成熟的工具体系。现有研究通常将其归纳为若干相互关联的实践捆绑包,如与准时制(JIT)相关的流动与拉动实践、与全面质量管理(TQM)相关的质量控制实践、与全面生产维护(TPM)相关的设备管理实践,以及与人力资源管理(HRM)相关的授权、培训与参与机制[20-21]。同时,有研究从内部与外部两个方面对精益实践进行归类,将流程与设备、制造、计划与控制、产品开发、人力资源等视为内部导向实践,将供应商关系与客户关系视为外部导向实践[4]。这表明,精益管理并非仅局限于车间层面的工具集合,而是覆盖流程、设备、人员以及组织间关系的系统性管理体系。
对本文而言,精益管理是理解精益数字化的理论起点,为后续维度构建提供了直接分析框架。其中,价值流、拉动、均衡化、JIT等构成精益的流动优化逻辑,TPM、TQM等构成精益的异常控制逻辑,持续改进、尊重员工、授权构成精益的人本逻辑,供应商关系、客户关系等构成精益的价值链协同逻辑。数字化背景下,变化的不是这些原则本身,而是其实现方式、信息基础和执行边界。精益数字化并非独立于精益管理的全新体系,而是以精益理论为根基,以数字技术为使能条件,从而对既有管理模式进行范式升级与系统重构。
随着大数据、物联网、人工智能和工业互联网等数字技术快速扩散,企业运营方式、组织结构与价值创造逻辑发生深刻变革,制造业也由此进入以数据驱动和智能化为特征的新阶段[22]。数字技术不仅推动制造系统升级,也强化了企业与客户及整个供应链的连接能力,从而为智能工厂和高柔性运营提供了基础[23]。在这一背景下,精益与数字化结合逐渐成为制造企业转型升级的重要方向。
从理论渊源看,精益与数字技术的融合并非偶然现象,而是可追溯到丰田生产系统的“自働化”(Jidoka)原则。Jidoka 的核心并不只是自动化,而是将设备运行与人的判断结合起来,使系统出现异常时能够被及时识别、停止和纠正。随着技术的不断演进,这一原则经历了由机械自働化到电气化控制再到传感器集成与智能诊断持续深化3个阶段。这一演进过程表明,数字技术并未改变精益的根本目标,而是增强了精益系统在异常识别、反馈响应和自主调整方面的能力。
精益管理与数字化之所以能够融合,还在于两者在组织作用层级和价值创造逻辑上具有较高一致性。既有研究指出,精益与数字化都可作用于组织内部流程以及跨组织价值链,并且都旨在提升效率、质量、响应速度和系统韧性[13]。虽然有学者认为,精益强调低复杂度、以人为本与简洁性,而数字化更强调技术驱动和高连接性,二者之间可能存在张力[24];但更多研究表明,二者总体上是协调而非对立的,数字技术的引入能够扩展而非削弱精益实践的效用边界[25]。精益管理活动与数字技术协同关系表明(见表1),数字技术对精益的支持并非局限于个别工具或局部场景,而是广泛渗透到准时制、标准化、均衡化、价值流分析、安灯、防错、全面设备维护和统计过程控制等多类精益活动之中[4-6]。其作用并不只是加快技术叠加,还在于通过实时数据、连接能力与智能分析改变精益原则的落地方式,因此精益与数字化结合首先表现为一种广泛而持续的协同演化过程。
表1 精益管理活动与数字技术协同
Table 1 Synergy between lean management activities and digital technologies
精益管理活动 物联网自主机器人增强现实虚拟现实云计算大数据分析人工智能物理信息系统3D打印准时制√√√√√√-√√标准化√√√√√√√√-均衡化√√√√√√√-改进√√√√√√-√-拉动√√√-√√-√√价值流图√√√√√√-√-5S√√√√√√-√-单分钟换模√√√-√√-√√安灯√-√-√√√√-自动化√√√-√√-√-看板√√√-√√-√-防错√√√-√√-√-全面设备维护√√√√√√-√-可视化管理√-√-√√---单件流-√-------员工承诺√√-------统计过程控制√√-√√-√-精益布局---√-----
注：参考文献[4-6]和整理
概念层面,随着相关研究的不断深入,学界围绕精益与数字技术融合形成“精益数字化”“精益4.0”“精益自动化”等一系列相近术语,但尚未形成统一且可复用的概念定义。这些术语均涉及数字技术对精益实践的赋能,但其理论基础、应用场景与概念外延并不完全相同。其中,“精益4.0”通常与工业4.0范式紧密相关,具有较强的时代性和政策语境特征[7];“精益自动化”则更突出车间层面的自动化升级[10];“精益数字化”通常指数字技术与精益管理融合的广义现象,其讨论范围往往不局限于车间层工具应用,也涉及流程、组织、基础设施与协同关系等更广泛层面[26]。然而,不同研究对这些术语的使用口径并不一致,相关概念之间的边界有待厘清。
为推动精益数字化有序实施,近年来有学者从不同视角提出一系列框架(见表2)。过程视角研究更强调精益数字化推进阶段、路径与实施逻辑[27],回答了“如何推进”的过程性问题;层级视角研究从微观、中观、宏观或组织层级出发,对精益数字化进行分层描述[6,28-29],揭示了不同层级的作用范围;应用视角研究更多围绕标准作业、设备管理、数字过程控制、员工参与和供应商反馈等具体场景[4,10,11,30],体现了精益活动与数字技术的具体结合方式。这些研究为理解精益数字化提供了重要参考,但通过横向比较发现,其存在以下不足:过程视角框架更重视实施路径,较少明确精益数字化包含哪些稳定且可复用的结构维度。层级视角框架虽揭示了作用层次,但维度内容往往偏抽象,难以直接用于企业诊断和实践落地。应用视角框架虽贴近操作场景,但容易停留在工具和案例清单式描述层面。总体来看,现有框架或重路径、或重层级、或重应用,但关于“精益数字化是什么”以及“精益数字化应由哪些关键维度构成”这两个基础性问题,仍未形成边界清晰、结构完整且可复用的理论阐述。
表2 精益数字化框架(2020—2025年)
Table 2 Lean digitalization frameworks from 2020 to 2025
文献来源 维度构成 Komkowski et al., 2025 启动、感知、抓住、转换、资源、能力Zhang et al., 2025标准作业、设备管理、变化点、质量、成本、5S、能源、人员、安全、库存Moraes et al., 2023 公司、网络、厂房、组织Schumacher et al., 2023 目标、流程、规则、方法、工具Tortorella et al., 2021供应商相关、客户相关、内部相关 Tortorella et al., 2021工作场所(微观层面)、扩展价值流或供应链(宏观层面)、价值流(中观级别)Rossini et al., 2022统计过程控制、全面生产维护、供应商准时交货、供应商反馈、供应商开发、参与员工和流程Rossini et al., 2022社会因素、技术因素和运营因素Ciano et al., 2021制造设备和流程、车间管理、劳动力管理、新产品开发、供应商关系、客户关系
综上所述,现有研究为理解精益管理与数字技术融合提供了基础,但整体上仍存在概念边界模糊与系统性维度框架构建不足的问题。这既制约了理论建构的累积性,也难以为企业实践提供清晰的实施指导。为弥补上述研究不足,本文从概念界定与维度构建两个层面展开分析,以推进制造企业精益数字化理论建构。
本文聚焦精益数字化的概念界定与维度构建两个方面,明确精益数字化的内涵与边界,识别精益数字化的结构维度及相互作用关系。本文构建精益数字化两阶段研究过程,如图1所示。首先明确精益数字化的概念边界,再基于企业实践提炼结构维度,以提高维度识别结果的解释力。
图1 精益数字化概念界定、维度构建过程
Fig.1 Process of conceptualizing lean digitalization and developing its dimensions
(1)概念界定阶段,本文采用文献分析与演绎推理方法对现有定义进行系统梳理、语义分解与规则检视,进而对精益数字化进行概念界定。采用这一方法,是因为该阶段的核心任务不再是从经验资料中归纳局部现象,而是对已有定义中的关键术语(如精益4.0、精益自动化等)、逻辑结构与边界问题进行系统辨析,以厘清构念边界并提升概念清晰度。这一阶段的研究结果将为后续维度构建限定边界,避免将一般制造企业数字化、单纯自动化改造等相关内容纳入分析。
(2)维度构建阶段,本文采用扎根理论方法,从制造企业实践资料中逐级抽象出精益数字化的关键范畴及其关系结构。采用这一方法,是因为精益数字化作为一个新兴研究对象,尚缺乏成熟、统一且可直接借用的维度体系,而扎根理论能够为新现象的理论建构提供较为规范、透明和可追溯的分析路径。尽管已有研究从不同视角提出一些分析框架,但多依据文献进行归纳,难以从中生成一个具有现实情境细节和功能关系的维度结构,而扎根理论更有助于从企业真实情境中识别关键维度,揭示维度之间的结构关系,并为后续量表开发与实证检验提供经验基础。
两阶段研究设计旨在完成两项不同但相互依赖的理论任务。前一阶段着重提升概念边界的清晰性,后一阶段着重增强维度结构的情境性。因此,本文通过文献分析与扎根理论的衔接使用,旨在规避单一方法的解释力盲点,从而在概念定义的严谨性与结构维度的情境化表征之间达成理论统一。两阶段研究虽然操作上保持相对独立,但并非彼此割裂,而是为分别完成两项不同任务,从而避免在概念界定与维度识别之间形成循环论证。
(1)概念界定阶段,本文围绕“精益数字化”及其相近概念进行文献检索。考虑到该议题在中文与英文研究中尚未形成统一术语,故在知网、Scopus、Web of Science 和 Google Scholar 数据库中同时采用中文与英文关键词进行检索,具体包括“精益数字化”“数字精益”“精益自动化”“lean digitalization”“Lean 4.0”“lean automation”“digital lean”“lean production system 4.0”“digital lean manufacturing”等。这些主题词基本覆盖当前精益与数字技术融合研究中最主要的概念表述,同时也纳入与“精益数字化”概念高度相关、但未直接使用该标签的相近术语,以避免因术语差异造成重要文献遗漏。时间范围上,将文献检索区间设定为 2015—2025年。选择这一时间范围,主要基于以下考虑:其一,精益与数字技术深度融合的讨论集中出现在由工业4.0驱动的制造业数字化发展阶段,2015年以来相关研究明显增多;其二,数字技术迭代速度较快,聚焦近10年更有助于保证研究对象在技术背景和管理情境上的现实性与时效性。同时,为避免概念遗漏,在正式检索范围之外,对少量虽早于2015年但在概念上具有直接关联的代表性文献进行补充性审阅。文献检索完成后,进一步根据是否聚焦制造业情境、是否涉及精益与数字化融合、是否提供明确的定义性表述等标准进行筛选,最终保留10篇文献用于概念语义分析。通过语义分解法对定义进行拆解以分析现有定义的不足,该方法将词组、单词甚至语素拆解成一系列语义基元,并对代表精益数字化定义的主要特征进行编码;随后,依据它们在定义中的语义功能进行评估(如描述与精益数字化相关的对象;限定精益数字化带来的结果)。为确保该部分研究的稳健性,研究团队对每个定义进行独立评估和比较。对于编码人员之间存在的微小差异通过评估定义来解决,直到达成共识。为提高编码的可靠性,确保所有编码人员都以统一方式编码相同项目,且编码人员会在不同时间点以相同方式编码相同项目。
(2)维度构建阶段,采用半结构化访谈收集一手资料,并辅以二手资料开展三角验证。研究团队基于前期文献梳理形成的精益数字化概念以及相关理论,设计访谈提纲。在正式访谈前,选取来自制造企业的具有一定精益实践基础的两名管理人员和两名普通员工进行讨论,并依据反馈对访谈提纲进行修订。首先,通过询问“您所在企业实施了哪些精益活动”等问题询问各被访者所属企业的精益管理基础情境;其次,通过询问“您所在企业在哪些方面进行了数字化”等问题聚焦企业数字化转型技术手段及其应用范围,识别精益数字化的技术使能基础;最后,通过询问“您所在企业是否利用数字技术促进精益管理,有哪些具体案例”等问题剖析精益管理与数字化在执行层面的交互逻辑及其对企业运营系统及价值创造的潜在影响。通过这种设计,访谈资料尽可能覆盖本研究界定的精益数字化内涵,并为后续维度分析提供经验基础。本研究于2024年11月—2025年3月采用目的性抽样方式,我国制造业核心区域邀请如上海、天津、南京、长春、宁波等10个地区访谈对象,通过面谈或语音的方式采访31位具有制造企业精益实践经验的员工,单次访谈时长为30分钟至2小时(见表3)。为确保扎根理论构建具有广泛的适用性,样本选取充分考虑组织间差异化情境。制造领域方面,访谈样本覆盖汽车制造、零部件以及家电生产等不同行业,避免研究维度仅建立在单一制造领域经验基础之上,从而降低行业特殊性对研究结果的影响,提高维度构建的可迁移性;职级视角方面,兼顾管理、技术职能与工人层级。管理层与技术职能层级能够提供关于战略规划、跨组织协同与能力建设的洞察;工人层级则能提供技术在车间现场感知、操作效能与异常处理方面的一手证据。这种组合既能保证模型涵盖宏观维度,也能深入挖掘操作层面的实践细节;组织产权背景方面,样本涵盖国有企业、民营企业、合资企业/外资企业,旨在捕捉不同治理机制与资源禀赋下精益数字化实践逻辑的共性与独特特征。
表3 访谈基本信息
Table 3 Profile of interview samples
维度类别人数制造领域整车制造9零部件8家电4其他制造领域10受访岗位高层/中层管理岗位9专业技术与职能岗位11一线操作与班组岗位11访谈时长30～60分钟1661～90分钟1291～120分钟3企业性质国有企业11民营企业11合资企业/外资企业9
为保证研究效度,遵循以下步骤:第一,访谈之前将访谈提纲发放给受访者,给予其充足的时间准备,并在每次访谈结束后及时将访谈资料进行 Word 存档。第二,在访谈过程中,对于受访者表达不清或有疑问的地方,研究团队进行再次提问或交流,以防止出现理解偏差。同时,尽量让受访者发表自己的意见和看法,不对受访者的阐述进行评论,鼓励受访者通过实例说明。第三,访谈资料整理结束后,与受访者确认整个访谈内容,以保证双方理解一致,最大限度地接近和还原受访者的真实想法。为确保研究结论的稳健性,遵循质性研究中的三角互证法,将从公开报道、企业网站、相关文献以及企业内部文件等收集到的信息作为补充性资料源,用于交叉验证访谈中涉及的关键事实、实践情境与现象描述,从而降低单一资料来源带来的偏差。这些补充资料主要用于交叉验证和情境补足,而非单独生成核心范畴。
(3)访谈数据编码阶段,包括开放式编码、主轴式编码、选择式编码以及理论饱和度检验步骤。本文采用 NVivo 20 开展数据编码分析,以提升编码过程的透明性和规范性,并将原始资料的75%用于正式编码,剩余25%留待理论饱和度检验。其中,开放式编码是对原始资料进行初步拆解与概念提炼。研究团队对访谈文本进行逐句阅读和反复比较,在尽量保留原始语义的基础上为关键表述贴标签,并将语义相近或指向一致的标签抽象为概念,再进一步归纳形成初始范畴。主轴式编码阶段的任务是识别初始范畴之间的联系,并在更高抽象层次上对其进行整合。研究团队在比较各初始范畴内涵及其相互关系的基础上,对开放式编码形成的范畴进行合并、提炼与聚类,形成更高层级的子范畴与主范畴。选择式编码则在前两轮编码的基础上进一步整合主范畴关系,识别能够统摄整体结构的核心范畴,并据此构建精益数字化结构维度模型。理论饱和度检验方面,研究团队对预留资料继续进行编码分析,并结合公开报道、企业网站和相关文献等补充资料,对既有范畴体系及其关系结构进行再检验。若新增资料未产生新的概念、范畴及关键关系,且无法对既有结构模型形成实质性修正,则可判断达到理论饱和。为确保分析过程的规范性与可追溯性,研究团队邀请两位博士作为编码员,在接受统一编码规则和程序培训后,由其进行背对背独立编码;同时,邀请两位教授对编码结果进行筛选和校对,对不一致的编码结果进行讨论,对比综合所有编码者的看法,消除个人主观性判断,以增强研究信效度。
本文采用语义分析法,对现有相关定义进行系统比较与规范性评估,以识别既有研究在概念界定上存在哪些具体问题。为增强概念分析的规范性,本文按照前文所述的语义分解法对定义进行语义拆解。同时,依据Wacker[31]提出的概念定义规则以及 Suddaby[32]提出的概念清晰度指南(见表4),对现有相关定义进行逐条比对。
表4 概念定义评价标准
Table 4 Evaluation criteria for concept definitions
类别评价标准 参考文献概念定义规则W1定义应使用原始术语和派生术语 进行正式定义Wacker(2004)W2每个概念都应该被唯一定义W3定义应仅包含明确和清晰的术语W4在概念定义中应包含尽可能少的术语W5定义应在其研究领域内保持一致W6定义不应使任何术语更宽泛W7定义中不能引入新的假设W8必须在正式定义术语后执行内容 有效性的统计测试概念清晰度指南S1提供关键术语和结构的定义Suddaby(2010)S2定义应捕捉所考虑概念或现象的基本 属性和特征S3一个好的定义应该避免重义或循环S4一个好的定义应该是简洁的
语义拆解结果显示,尽管不同研究采用的术语和表述不一致,但其定义通常会涉及若干相对稳定的语义要素。通过对这些高频要素进行归纳和抽象,最终提炼出“目标实体、范围、手段、结果”4个基础单元(见表5)。这4个基础单元能较为完整地覆盖既有表述的核心语义,前三者构成概念内涵的核心,目标实体是定义中被改变、被改进或被作用的最终对象,回答“谁在进行精益数字化”的问题;范围是数字化作用的精益对象,回答“精益数字化作用于什么”的问题;手段是定义中明确写出的技术或技术组合,回答“借助什么实现变化”的问题;结果是定义中直接写出的预期效果或状态变化,虽然是既有定义中频繁出现的信息,但若被直接写成概念成立的必要条件,则容易在定义中引入未经验证的假设,因此需审慎处理。
表5 精益与数字化结合的主要相关概念
Table 5 Major concepts related to the integration of lean and digitalization
概念定义语义分解目标实体范围手段结果主要问题精益数字化精益数字化是利用数字化系统和技术,将精益思想、工具和手段更好地融入企业生产管理过程的一种改进模式。精益是一种理论,数字化是一种工具[25]企业生产管理过程精益思想、工具和手段数字化系统和技术更好地融入企业生产管理过程W3/S1术语界定不足;S2核心属性揭示不足;W7结果预设精益4.0精益4.0被定义为可与工业4.0技术协同集成的 LM 实践和工具,可为公司提供多种增加价值创造的途径[7]公司精益实践和工具工业4.0技术提供多种增加价值创造的途径W3/S1术语界定不足;W7结果预设;W6时代范式绑定精益4.0标志着精益原则与工业4.0技术融合,将精益的概念和面向过程的方法与工业4.0以技术为中心的工具相协调[8]—精益的概念和面向过程的方法工业4.0以技术为中心的工具实现精益与工业4.0工具的协调W3/S1术语界定不足;S2作用机制揭示不足;S4简洁性不足精益自动化精益自动化是指将数字自动化技术纳入精益管理实践中[10]—精益管理实践的实施数字自动化技术—W3/S1术语界定不足;S2基本属性揭示不足数字精益工业4.0通过传感器、增强连接和监控设备带来的数字工具来支持分析和可视化管理等精益活动[34]—分析和可视化管理等精益活动传感器、增强的连接和监控设备支持分析和可视化管理等精益活动S1/S2概念结构不清;W3术语未界定;S3现象与概念混杂
续表5 精益与数字化结合的主要相关概念
Table 5(Continued) Major concepts related to the integration of lean and digitalization
概念定义语义分解目标实体范围手段结果主要问题Lean Production System 4.0精益管理系统4.0代表一种基于精益管理系统和工业4.0的协同方法,以改进企业流程为目标,这使得工业4.0能够在精益管理系统的基础上得以实施,以改善单个企业为目标[35]企业流程精益管理系统精益管理系统和工业4.0的协同方法改善单个企业W3/S1术语界定不足;W7结果预设;W4/S4简洁性不足Digital Lean manufacturing数字化精益制造是指应用数字技术促使制造组织精益学习转型。电子看板、数字问题解决或数字协作环境中的“Kaizen”就是一些例子[36]制造组织精益学习转型数字技术促使制造组织精益学习转型W3/S1术语界定不足;W7结果预设;S2以实例替代属性提炼Lean smart manufacturing精益智能制造是多种技术的集成,包括价值流映射 (VSM)、全面生产维护 (TPM)、物联网 (IOT)、计算智能 (CI)、模糊逻辑 (FL)、人工智能 (AI)、资产跟踪系统 (ATS)、信息物理系统 (CPS) 等[37] — —多种技术的集成 —S1/S2关键结构不清;W4/S4术语过多;W6外延过宽Lean digitization精益数字化是指精益原则和实践应用需基于数字化转型计划背景,它涉及将精益方法以效率为中心的原则与数字技术和解决方案相结合,以优化流程、消除浪费并推动持续改进,帮助组织提高其战略地位和盈利能力[38] 组织精益原则和实践以效率为中心的原则与数字技术和解决方案相结合帮助组织提高其战略地位和盈利能力W3/S1术语界定不足;W7结果预设;W4/S4定义冗长Lean Industry 4.0一种创新的社会技术范式,它同时使用人类和人工智能,并依赖于精益的战略、文化、系统和工具以及各种工业4.0数字技术[9] —依赖精益的战略、文化、系统和工具人类和人工智能,以及各种工业4.0数字技术一种创新的社会技术范式W3/S1术语界定不足;W6外延过宽;S2核心边界不清
整体来看,现有定义存在如下不足:①术语界定不足、边界不清。部分定义过度依赖“工业4.0”“数字化系统和技术”“社会技术范式”等宽泛或时代性较强的术语,未对关键概念作出清晰界定,造成概念外延模糊的问题。②定义与结果混淆。部分定义将“价值创造”“转型增强”“绩效改善”等结果性表述直接嵌入定义,使得概念本身与可能后果相混淆,从而削弱了定义的中立性。③概念层次混杂。部分定义将具体技术清单、实践场景、现象描述和概念本体置于同一层级,导致缺乏简洁性与抽象一致性。
基于上述结果,本文进一步对4个基础单元进行重构。目标实体方面,本文不再采用过于宽泛或含混的表述,而是将其限定为制造企业。范围方面,本文不将精益数字化局限于某一类工具或零散实践,而是将其理解为对精益原则、工具和实施活动的系统性作用。手段方面,本文不将概念绑定于“工业4.0技术”或某一工业技术范式,而是采用 Bharadwaj 等[39]关于数字技术的界定,即“信息、计算、通信和连接技术的整合”,以增强定义的清晰性、稳定性与跨阶段适用性。结果方面,本文认为精益数字化通常以改进运营系统与价值创造活动为预期目标,但不将绩效改善、价值提升或转型成功直接作为概念成立的前提,从而避免在定义中引入未经验证的结果性概念。据此,本文将制造企业情境下的精益数字化概念界定为:制造企业通过整合信息、计算、通信和连接技术,系统性重构精益原则、工具与实施活动,以改进其运营系统与价值创造活动的过程。
与现有定义相比,本文总结的定义作出以下改进:该定义去除时代绑定,未将概念锁定于“工业4.0”或某一类特定技术清单,从而避免因工业时代更替导致概念外延漂移;该定义去除结果预设,不将绩效改善、价值创造或转型成效直接作为概念成立的必要条件,而是将其作为可能的预期结果,从而在逻辑上区分了“概念本体”与“概念后果”;该定义保留精益内核,强调数字技术所改变的并非一般意义上的组织活动,而是精益原则、工具和活动的实施方式,将精益数字化与一般数字化建设、单纯自动化改造区分开来。
该定义进一步明确了精益数字化的内涵、外延与边界。就内涵而言,精益数字化的本质不再是简单地部署数字工具,而是借助数字技术改变精益原则、工具及其实现方式,使精益实践具备更强的数据连接、实时反馈和智能分析能力。外延方面,本文所界定的精益数字化限定于制造企业情境,尤其是生产、质量、设备、物流、供应链和人员管理等与精益实施直接相关的组织活动。从边界角度考虑,若企业仅进行一般性信息化或数字化建设,而未对精益原则、工具或实施活动产生实质作用,则不属于本文所指的精益数字化;同样,若只是自动化或信息化工具的局部应用,而缺乏精益导向和持续改进逻辑,也不应被纳入本文定义范围。通过上述界定,本文试图将制造企业精益数字化从一般数字化转型、单纯自动化改造以及政策性口号中区分出来,以为后续结构维度识别提供概念基础。
基于前文所述的扎根理论分析程序,本文对访谈资料进行开放式编码、主轴式编码和选择式编码。在范畴归纳过程中,并非仅依据语义相似性对资料进行简单合并,而是围绕制造企业数字技术与精益原则、工具与实施活动过程和结果,及其对运营系统与价值创造活动的影响这一核心现象,综合考虑各范畴在精益数字化实践中的核心功能、作用对象与组织边界。在初始范畴归并为子范畴阶段,主要依据其在制造企业精益数字化中的直接作用机制与管理指向。在子范畴归并为主范畴阶段,进一步依据其在企业精益数字化系统中的作用层级,将其划分为战略引领、基础支撑、内部运营重构与跨组织协同等不同层面。基于这一归类逻辑,最终形成战略规划、IT基础设施、端到端协同、智能流动优化、智能异常管控和人本管理6个主范畴,构建制造企业精益数字化结构维度模型。
(1)开放式编码。本文在开放式编码阶段,从访谈资料中提炼出106个初始概念,进一步归纳形成40个初始范畴。为提高编码过程的可追溯性,本文在开放式编码结果的基础上,选取具有代表性的原始语句,对其进行初始概念化,归纳出初始范畴,再归纳出子范畴及主范畴的逐步归纳链路,以呈现开放式编码结果与主轴式编码结果之间的衔接关系(见表6)。
表6 开放式编码到主轴式编码的归纳链路示例
Table 6 Examples of the inductive coding path from open coding to axial coding
代表性原始语句初始概念初始范畴子范畴主范畴归类依据“我们及时了解国家政策和新兴技术,响应国家号召;与行业中精益数字化标杆企业进行对比,把差距摆出来,一条条对标”市场趋势分析、内部分析、竞争对手分析趋势分析战略分析战略规划识别外部环境与发展方向,属于战略层面的前置分析“利用MES查客户的装车需求和我的辅料库存,用ERP进行库存管理;消费者订单下来之后,他们那个系统也能够接到”MES、ERP、库存管理系统、订单系统、系统集成柔性精益生态系统精益数字化软件设施IT基础设施形成集成化软件平台,支撑数据整合与流程联动“订单下来后,我们要求供应商能够按照我们的生产计划准时供货,这个时候基本上是系统去辅助;供应商通过与我们MES相连接的客户端看到我们的看板”协同采购、协同生产供应商准时协同供应商精益一体化端到端协同企业与供应商之间的信息共享和计划联动属于跨组织协同“建立智能立体仓优化空间,减少空间浪费;通过仿真软件设计产线布局,让机器人和工人无阻碍流畅活动,并优化物流路线”智能立体仓、产线布局仿真、物流线路自动设计智能精益布局数字化准时生产智能流动优化提升节拍匹配、物流顺畅与生产衔接效率“现在的技术能够对设备参数和设备加工数据用各种预测模型预测故障,自主制定设备点检维护计划”故障预测、自主制定设备点检计划预测性维护智能维护智能异常管控识别和预防设备异常,目标是降低故障与停机风险“现有人员在培训时,公司给了他们一年的时间去拓展数字化技能,使他们能够胜任不同岗位,并通过跨部门合作强化团队协同解决问题的能力”员工培训、多能工、跨部门合作、团队培养精益数字化人才培养精益数字化人才发展人本管理员工能力提升与组织赋能,属于人的发展与支撑机制
(2)主轴式编码。在开放式编码的基础上,进一步对40个初始范畴进行比较、归并与提炼,形成14个子范畴和6个主范畴,如表7所示。
表7 主轴式编码结果
Table 7 Axial coding results
主范畴范畴内涵子范畴初始范畴精益数字化战略规划指组织基于对内外部环境的系统性分析,结合数字技术与精益管理理念,制定的旨在实现流程优化、价值最大化以及持续改进的长远发展规划战略分析战略制定使命宣言,趋势分析目标管理,行动计划,持续评估和控制,文化建设IT基础设施指支撑企业实施精益数字化战略所必需的一整套集成化、智能化信息技术精益数字化硬件设施精益数字化工业物联网设施智能精益数据中枢,用户设施优化设施设备物联网技术端到端协同指企业将精益数字化扩展到公司间合作,在供应链和价值流各环节实现信息共享和流程集成,形成深度合作与协同运作精益数字化软件设施精益数字化数据库,柔性精益生态系统供应商精益一体化客户价值协同响应供应商反馈,供应商准时协同,供应商关系客户体验管理,客户需求管理数字化智能流动优化指通过智能技术实现智能价值流优化、数字化准时生产和智能标准化,提升生产和服务流程流动性和效率智能精益流数字化准时生产流程改进数字化,智能物料流,智能仓储管控,数字信息流智能节拍管理,数字化均衡化,智能精益布局,工艺流程自动匹配智能标准化智能驱动标准作业执行,数字化动作分析,电子可视化管理智能异常管控在制造管理中利用智能技术对设备和产品质量异常情况进行监测、诊断和处理智能维护人机协同自主维护,预测性维护,IoT设备监控智能质量内建智能Andon,智能防错,设备自主决策,AI 品质内建,自主统计过程控制人本管理一种以员工为中心的管理理念与实践模式,强调通过关注员工个人发展、能力提升以及工作体验,激发员工内在潜力,进而推动组织持续改进与创新能力提升精益数字化人才发展智能员工授权精益数字化人才培养,员工改善能力激发员工尊重,智能员工决策,数智化减负
(3)选择式编码。在14个子范畴和6个主范畴的基础上,本文进一步整合各主范畴之间的关系,最终以精益屋为基础,构建“制造企业精益数字化”为核心范畴的结构维度模型,如图2所示。
图2 制造企业精益数字化结构维度
Fig.2 Structural dimensions of lean digitalization in manufacturing enterprises
(4)理论饱和度检验。本文对预留的8份访谈资料进行编码分析,结果表明既未出现新的概念与范畴,也未发现新的范畴关系。此外,已有编码可解释补充资料描述的现象,因此本文编码结果达到理论饱和。
结合前文所界定的概念,本文所识别出的6个维度是制造企业精益数字化核心要素的结构化展开。“信息、计算、通信和连接技术”构成精益数字化的技术使能基础,在维度层面主要体现为IT基础设施这一直接技术载体,通过其他维度嵌入具体运营活动;“精益原则、工具与实施活动”是数字技术系统性作用与重构的作用范围,其在维度层面进一步展开为智能流动优化、智能异常管控、人本管理、端到端协同等不同功能模块; “运营系统与价值创造活动”则构成6个维度共同指向的目的,其中前5个维度更多面向企业内部运营系统的重构,而端到端协同则进一步将这种重构延伸至供应链与客户侧的价值创造活动。
精益数字化各维度共同构成一个“精益数字化之屋”。其中,屋顶的精益数字化战略规划体现战略引领与顶层设计,对整个系统的方向、节奏与资源配置具有统领作用;IT基础设施和人本管理构成双重地基,分别从技术能力与组织保障两个方面为精益数字化提供支撑;智能流动优化和智能异常管控构成两大核心运营支柱,分别面向流程连续性提升与异常稳定性控制;端到端协同则将企业内部精益数字化能力进一步延伸至供应商和客户等外部主体,体现价值链层面的协同拓展。各维度的具体内容与作用分析如下:
(1)屋顶:精益数字化战略规划。作为整个模型架构的屋顶,战略规划决定企业精益数字化转型的方向、范围和最终目标。它并非单纯的技术采纳计划,而是基于对企业竞争战略的深层思考,是企业的顶层设计与方向引领,由战略分析与战略制定组成。战略分析是指明确组织使命和愿景,分析行业和技术趋势;战略制定是指设定具体目标,制定行动计划,并通过持续评估与控制确保战略有效执行。相比于以往研究,精益数字化战略规划增加了文化建设要素。它强调培育一种以数据驱动、持续改进和创新为中心的企业文化,从而营造出一种积极的环境氛围,鼓励全员支持并有效实施战略规划。
(2)左支柱:智能流动优化。智能流动优化对应传统精益管理两大支柱中的准时制,其核心在于借助数字技术提升价值流、物流和信息流的连续性、节拍性与匹配性,减少等待、停滞、切换不畅和流动失衡等效率损失。该维度重点是让流动更高效,其管理对象主要为流程运行本身,而非故障或质量异常。基于这一逻辑,本文将其进一步划分为智能精益流、数字化准时生产和智能标准化3个子范畴。其中,智能精益流是指通过数字化价值流映射、实时数据采集与流程建模,提高流程、物流和信息流的透明度,识别浪费,支持流程持续优化;数字化准时生产是指企业依托智能节拍管理、数字化均衡化、智能布局、仓储管控以及工艺流程自动匹配等手段,提升生产衔接的及时性与协调性,以便更好地实现“在正确时间、正确地点生产正确数量产品”的精益目标;智能标准化则是指通过自动化设备、数字监控、动作分析和电子可视化管理,提高标准作业执行的一致性、透明度和及时反馈能力。需要指出的是,尽管该维度也可能会提升产品质量,但其主导目标仍是优化流程与效率,因此与以异常识别和风险阻断为核心的“智能异常管控”存在本质区别。
(3)右支柱:智能异常管控。智能异常管控对应传统精益管理两大支柱中的自働化,其核心在于借助数字技术实现设备故障、工艺偏差和质量缺陷等异常的实时识别、预警、阻断与纠正,从而提升制造系统的稳定性、可控性与质量保障能力。与智能流动优化主要关注流程是否顺畅不同,智能异常管控聚焦的是系统运行中偏离正常状态的异常事件,其关注重点是“让系统更稳”。基于这一逻辑,本文将其划分为智能维护和智能质量内建两个子范畴。其中,智能维护强调利用人机协同自主维护、预测性维护和IoT设备监控等方式,对设备状态进行持续感知、分析与干预。相较于传统全面生产维护,其关键特征不再只是计划性保养,而是通过算法和设备运行数据提高故障预测与维护的精准性,从而降低停机损失与维修成本。智能质量内建则强调在生产过程中将质量控制前移并嵌入作业环节,通过智能安灯(Andon)、智能防错、设备自主决策、AI品质内建以及自主统计过程控制(SPC)等方式,实现异常的即时暴露、快速响应和闭环纠偏。
(4)上层地基:IT基础设施。IT基础设施是精益数字化的重要基础,其核心作用在于为精益数字化提供数据采集、传输、存储、处理和系统集成等底层能力支持,避免无效数字化所带来的数字浪费,并保证信息系统具备必要的自由度。该维度并不直接对应某一具体改进活动,而是为上层流动优化、异常管控以及外部协同提供可持续运行的技术底座。本文将其划分为精益数字化硬件设施、精益数字化工业物联网设施和精益数字化软件设施3个子范畴。其中,精益数字化硬件设施主要包括智能精益数据中枢和用户设施优化,其作用在于实现高效、稳定、准确的数据感知与交互;精益数字化工业物联网设施主要通过设备联网、状态感知和实时互联,打通设备、工序与现场之间的数据连接;精益数字化软件设施则包括数据库、MES、ERP以及其他集成化管理系统,用于支撑数据整合、流程联动和信息调用。
(5)下层地基:人本管理。人本管理是精益数字化得以有效实施的重要组织保障。精益的核心在于以人为本,数字化并非对人的简单替代,而是通过能力提升、授权支持和工作方式优化,更好地发挥员工的作用。其主要包括精益数字化人才发展和智能员工授权两个方面。精益数字化人才发展在于通过对员工进行数字技术培训,使其掌握数字工具,提升其在复杂作业环境中的适应能力。智能员工授权侧重赋予员工更多自主权与决策权,利用数字化工具将决策所需数据和权限下沉到一线,使员工能够基于数据进行快速响应和持续改善;通过自动化与智能化技术,减轻重复劳动,提高安全水平,使员工专注于高价值工作。
(6)外墙:端到端协同。端到端协同体现了精益数字化由企业内部向价值链外部的延伸,其核心在于借助数字连接和系统集成,实现企业与供应商、客户等外部主体之间的信息共享、计划协同和流程联动,从而提升整个价值链的响应速度与协同效率[14]。与IT基础设施侧重内部技术底座不同,端到端协同更强调跨组织边界协同关系的重构。本文将其划分为供应商精益一体化和客户价值协同响应两个子范畴。其中,供应商精益一体化主要表现为企业与供应商在采购、供货、计划和反馈等方面实时协同,使供应商能够更准确地响应企业节拍与需求;客户价值协同响应则强调通过客户体验管理和客户需求管理的数字化,确保企业能够实时预测并响应客户需求、优化客户体验,增强客户满意度,共同推进价值创造。端到端协同不仅意味着信息的外部传递,更意味着精益改善逻辑在供应链和客户关系层面的延伸与嵌入。因此,区分IT基础设施与端到端协同的依据并不在于是否使用了数字系统,而在于这些系统具备哪些主导功能:当其主要作用是提供企业内部数据连接、系统集成与平台支撑能力时,应归入IT基础设施;当其主要作用是支撑企业与供应商、客户之间的信息共享、计划联动与流程协同时,则应归入端到端协同。
数字技术推动精益管理在制造企业深化应用,越来越多的企业开始在生产运营与业务流程中融合精益管理与数字化技术[25]。然而,现有研究对精益数字化内涵及维度构成仍缺乏系统界定。基于此,本文围绕精益数字化的概念界定与维度划分,通过扎根理论分析,归纳出精益数字化包括精益数字化战略规划、IT基础设施、端到端协同、智能流动优化、智能异常管控和人本管理6个维度,并构建相应结构化理论框架。该框架表明,制造企业的精益数字化是一个以战略为引领、以技术与组织能力为支撑、以业务流程重构为核心,并最终实现价值链协同优化的系统演进过程。本文研究结论对于丰富精益数字化理论研究、提升企业实践认知提供了参考。
本研究通过对比精益数字化及相关概念,在综合既有研究的基础上,明确提出制造企业情境下精益数字化的概念内涵,有助于在理论层面实现更广泛、更完整的理解。这一定义不仅明确了对象、手段与目的, 其更深层次的理论意义还在于将精益数字化的核心从具体技术提升到赋能逻辑层面。与Tortorella等[10]的研究不同,本文认为企业成功的关键不在于部署某项特定数字技术(如IoT或AI),而在于如何利用这些技术的赋能特性来扩大精益活动的效果。这也揭示出众多技术引入项目失败的根源:仅将技术视为独立工具,未能与以持续改进和尊重人为核心的精益哲学内核相融合,从而导致技术应用与管理系统脱节[13]。此外,不同于精益4.0等绑定于工业4.0这一时代性较强的政策话语,本文提出的定义不依附于特定工业技术范式,将研究对象从特定政策口号中抽离出来,提升了概念界定的稳健性。
不同于以往研究将精益管理与数字化视为两个独立个体,本文将精益数字化视为一个整体,并构建与现有研究不同的维度,较为完整地呈现了制造企业精益数字化的关键构成及其系统关系。在本文构建的精益数字化维度中,除纳入已涉及的精益流程和工具与数字技术结合的内容外,还增加了战略规划和IT基础设施等内容。战略规划是管理研究中的一个关键概念,其为企业提供了明确的行动方向和资源配置框架。精益数字化作为一种企业变革,涉及企业运营模式、技术应用和组织文化转变,这种转型需要战略规划的支撑。制造业数字化依赖数字技术与数据集成技术的支持。在此过程中,IT基础设施作为关键支撑发挥重要作用。为实现精益数字化,企业需要实时收集来自不同源头的数据,如传感器、射频识别以及视觉技术等,并将这些数据共享给企业不同部门;同时,企业还需对各个层级信息系统进行垂直整合,从而为车间决策和企业整体运营提供有力参考。本文拓展了Shah &Ward[40]关于精益管理的研究,并弥补了目前关于精益数字化维度研究的不足。
数字化作为一种新兴的运营管理范式,其关键问题并不在于单纯引入何种数字技术,而在于如何将数字技术有效嵌入成熟的管理体系之中,从而回应企业在效率、柔性、稳定性与协同性方面的复合挑战[10]。本文构建的精益数字化六维度框架,不仅有助于从整体上把握制造企业精益数字化的内涵结构,也能够为企业不同管理层级推进精益数字化提供分层次实践参照。相较于将数字化理解为技术引入或系统部署,本文更强调数字技术与精益理念、组织能力及运营场景之间的协同匹配,从而为企业实现由理念认知到管理实践的转化提供了较为系统的参考。
(1)战略层面,本文提出的六维度框架可作为高层管理者开展精益数字化顶层设计的诊断工具与路线图。首先,企业需围绕“精益数字化战略规划”维度,对自身竞争战略、运营痛点、数字化基础与精益改进目标进行系统性诊断,明确精益数字化的边界、优先级与阶段性目标,避免将数字化简单理解为设备联网、系统上线或工具叠加。其次,高层管理者应将战略目标分解为可执行的转型任务,将资源配置、组织保障、文化塑造与绩效评价纳入统一框架。由此,精益数字化将不再停留在愿景层面,而成为与企业经营战略、精益目标和变革节奏相一致的系统性管理方案,从而降低转型方向不明、投入分散和基础失配所带来的实施风险。
(2)战术层面,六维度框架为中层管理者将战略意图转化为组织能力建设和流程再设计提供了清晰抓手。IT基础设施维度提示企业应优先夯实数据采集、系统集成、信息可视化与基础互联能力,为后续流程优化、异常识别和协同决策提供可靠的数据底座;端到端协同维度则强调企业应加强与客户、供应商之间的信息共享与业务协同,推动需求、供应与生产实现更高水平的衔接与响应[14]。
(3)运营层面,六维度框架可为一线管理者围绕具体场景开展业务提供实践路径。其中,智能流动优化有助于提升信息流、物流与作业流的顺畅衔接,智能异常管控有助于增强对生产异常、质量问题及运行波动的识别与响应能力,人本管理维度有助于使企业意识到现场改进并非仅依靠自动化替代人工,而应通过员工赋能、改善参与、决策支持和数智化减负,增强一线人员对数据、问题和改善活动的理解与响应能力。基于此,企业可围绕现场高频痛点场景开展渐进式应用,将精益数字化落实到具体业务流程,进而提升生产系统的稳定性、韧性与资源利用效率。
(4)本文的实践贡献不仅体现在战略层、战术层和运营层的纵向分层上,也体现在对不同企业情境实施重点的识别。对于资源约束较强、数字化基础相对薄弱的中小企业而言,更适宜从最小可行的IT基础设施建设和单一高痛点场景入手,优先解决信息不透明、流程不顺畅和异常响应滞后等现实问题,避免一次性大规模投入带来的实施风险。对于业务链条长、组织层级多、系统复杂度高的大型企业而言,则需要将精益数字化置于集团化运营和价值链协同视角下推进,重点强化数据治理、流程标准化与端到端协同能力。对于不同产权性质企业而言,其治理逻辑、资源配置方式和转型约束存在差异。国有企业应重点提升战略规划与治理机制的一致性,增强精益改进与数字化建设的协同性;民营企业应注重分阶段推进,通过试点验证与渐进扩展,将精益数字化嵌入成本、质量、交期和客户响应等关键经营指标改进之中;外资企业或合资企业则应重视本地改善实践与总部标准及全球系统接口之间的协调。由此,本文构建的六维度框架并非适用于各类企业的统一模式,而是根据企业规模、治理情境与能力基础进行差异化应用的分析框架与实施依据。
本文存在以下不足:首先,样本量有限。受资源限制,外资企业数据收集较少,未来可进一步扩大调研范围,提高研究结论的普适性。其次,精益数字化维度划分的理论基础存在一定局限性。由于精益数字化研究相对匮乏,本文基于扎根理论及相近领域研究进行概念界定与维度构建,未来可对精益数字化理论体系进行深化。
[1] 吴林飞, 孙进书, 孙丽文. 数字技术可供性如何驱动制造业企业开放式创新——基于资源重构视角[J].科技进步与对策,2026,43(2):37-47.
[2] 霍春辉, 杨艳茹, 何地, 等. 精益数字化赋能制造企业组织韧性的生成逻辑与作用机理——基于耗散结构理论的多案例研究[J]. 科技进步与对策,2026,43(1):137-149.
[3] 张明超, 孙新波, 王永霞. 数据赋能驱动精益生产创新内在机理的案例研究[J]. 南开管理评论, 2021, 24(3): 102-116.
[4] CIANO M P, DALLASEGA P, ORZES G, et al. One-to-one relationships between Industry 4.0 technologies and lean production techniques: a multiple case study[J]. International Journal of Production Research, 2021, 59(5): 1386-1410.
[5] URQUIA I, AMRANI A Z, VALLESPIR B. A method to support joint integration of lean manufacturing and Industry 4.0[J]. The International Journal of Advanced Manufacturing Technology, 2025, 136(5): 2305-2323.
[6] MORAES A, CARVALHO A M, SAMPAIO P. Lean and Industry 4.0: a review of the relationship, its limitations, and the path ahead with Industry 5.0[J]. Machines, 2023, 11(4): 443.
[7] CIFONE F D, HOBERG K, HOLWEG M, et al. Lean 4.0: how can digital technologies support lean practices? [J]. International Journal of Production Economics, 2021, 241: 108258.
[8] GRACE TETTEH M, GUPTA S, KUMAR M, et al. Pharma 4.0: a deep dive top management commitment to successful lean 4.0 implementation in Ghanaian pharma manufacturing sector[J]. Heliyon, 2024, 10(17): e36677.
[9] HINES P, TORTORELLA G L, ANTONY J, et al. Lean Industry 4.0: past, present, and future[J]. Quality Management Journal, 2023, 30(1): 64-88.
[10] TORTORELLA G, SAWHNEY R, JURBURG D, et al. Towards the proposition of a lean automation framework: integrating Industry 4.0 into lean production[J]. Journal of Manufacturing Technology Management, 2021, 32(3): 593-620.
[11] ROSSINI M,COSTA F,TORTORELLA G L,et al.Lean production and Industry 4.0 integration: how lean automation is emerging in manufacturing industry[J]. International Journal of Production Research, 2022, 60(21): 6430-6450.
[12] ROSSI A H G, MARCONDES G B, PONTES J, et al. Lean tools in the context of Industry 4.0: literature review, implementation and trends[J]. Sustainability, 2022, 14(19): 12295.
[13] YILMAZ A, DORA M, HEZARKHANI B, et al. Lean and Industry 4.0: mapping determinants and barriers from a social, environmental, and operational perspective[J]. Technological Forecasting and Social Change, 2022, 175: 121320.
[14] SCHUMACHER S,HALL R,BILDSTEIN A,et al. Lean production systems 4.0: systematic literature review and field study on the digital transformation of lean methods and tools[J]. International Journal of Production Research, 2023, 61(24): 8751-8773.
[15] SCRIVEN P, LEDWITH A, NAGLE T. Towards a lean digital transformation research framework: a literature review[J]. Journal of Decision Systems, 2024, 33(1): 63-67.
[16] DE PAULA E SILVA M H, COSER MERGULHAO R, GERALDO VIDAL VIEIRA J, et al. Lean-Circular Maturity Model (LCMM) for companies′ self-assessment in terms of process, product and life cycle thinking[J]. Waste Management, 2024, 173: 172-183.
[17] LIKER J.The Toyota way:14 management principles from the world′s greatest manufacturer[M]. Columbus:McGraw-Hill Education, 2004.
[18] WOMACK J P, JONES D T. Lean thinking[M]. New York: Productivity Press, 2003.
[19] HENAO R, SARACHE W. Effects of lean manufacturing on sustainable performance: results from two conceptual approaches[J]. Journal of Manufacturing Technology Management, 2023, 34(8): 1448-1481.
[20] SHAH R,WARD P T.Lean manufacturing: context, practice bundles, and performance[J]. Journal of Operations Management, 2003,21(2): 129-149.
[21] SAKAKIBARA S, FLYNN B B, SCHROEDER R G, et al. The impact of just-in-time manufacturing and its infrastructure on manufacturing performance[J]. Management Science, 1997, 43(9): 1246-1257.
[22] 陈国权, 王婧懿, 林燕玲. 组织数字化转型的过程模型及企业案例研究[J]. 管理评论, 2021, 33(11): 28-42.
[23] 齐二石, 霍艳芳, 刘洪伟. 面向智能制造的工业工程和精益管理[J]. 中国机械工程, 2022, 33(21): 2521-2530.
[24] KOLBERG D, KNOBLOCH J, ZUHLKE D. Towards a lean automation interface for workstations[J]. International Journal of Production Research, 2017, 55(10): 2845-2856.
[25] 荆树伟, 冯月, 阎俊爱, 等. 从制造到智造:产权性质异质下传统制造型企业如何推行精益数字化[J]. 中国科技论坛, 2022,38(8): 77-88.
[26] GHOBAKHLOO M, FATHI M. Corporate survival in Industry 4.0 era: the enabling role of lean-digitized manufacturing[J]. Journal of Manufacturing Technology Management, 2019, 31(1): 1-30.
[27] KOMKOWSKI T, SONY M, ANTONY J, et al. Operational practices for integrating lean and Industry 4.0—a dynamic capabilities perspective[J]. International Journal of Production Research, 2025, 63(4): 1517-1537.
[28] TORTORELLA G L, SAURIN T A, FILHO M G, et al. Bundles of lean automation practices and principles and their impact on operational performance[J]. International Journal of Production Economics, 2021, 235: 108106.
[29] VLACHOS I P, PASCAZZI R M, ZOBOLAS G, et al. Lean manufacturing systems in the area of Industry 4.0: a lean automation plan of AGVs/IoT integration[J]. Production Planning &Control, 2023, 34(4): 345-358.
[30] ZHANG S, BI X, TIAN R, et al. Lean digitalization solutions for SMEs in China[J]. Ieee Transactions on Engineering Management, 2025, 72: 1546-1558.
[31] WACKER J G. A theory of formal conceptual definitions: developing theory-building measurement instruments[J]. Journal of Operations Management, 2004, 22(6): 629-650.
[32] SUDDABY R. Editor′s comments: construct clarity in theories of management and organization[J]. Academy of Management Review, 2010, 35(3): 346-357.
[33] DIXIT A, JAKHAR S K, KUMAR P. Does lean and sustainable manufacturing lead to Industry 4.0 adoption: the mediating role of ambidextrous innovation capabilities[J]. Technological Forecasting and Social Change, 2022, 175: 121328.
[34] HOLMEMO M D Q, KORSEN E B H. The growing gap between lean production and digital lean tools[J]. International Journal of Lean Six Sigma, 2023, 14(6): 1188-1206.
[35] DOMBROWSKI U, RICHTER T. The lean production system 4.0 framework—enhancing lean methods by industrie 4.0[C]// IFIP International Federation for Information Processing. Advances in Production Management Systems. Cham: Springer International Publishing, 2018.
[36] ASHRAFIAN A, POWELL D J, INGVALDSEN J A, et al. Sketching the landscape for lean digital transformation[C]// IFIP International Federation for Information Processing. Advances in Production Management Systems. Cham: Springer International Publishing, 2019.
[37] TRIPATHI V, CHATTOPADHYAYA S, MUKHOPADHYAY A K, et al. A sustainable productive method for enhancing operational excellence in shop floor management for Industry 4.0 using hybrid integration of lean and smart manufacturing: an ingenious case study[J]. Sustainability, 2022, 14(12): 7452.
[38] WALI A, MUFTI N A, ALI M A. Enhancing overall equipment effectiveness through lean digitization: a longitudinal study in tractor manufacturing[J]. International Journal of Productivity and Performance Management, 2025, 74(7):2584-2621.
[39] BHARADWAJ A, EL SAWY O A. Digital business strategy: toward a next generation of insights[J]. MIS Quarterly, 2013, 37(2): 471-482.
[40] SHAH R, WARD P T. Defining and developing measures of lean production[J]. Journal of Operations Management, 2007, 25(4): 785-805.