基于熵权-正态云模型的区域智能制造发展水平评价研究

程浩　刘玲玲

摘 要：智能制造是“中国制造2025”的主攻方向，对我国优化经济结构、提高国际竞争力具有重要意义，如何评价智能制造发展水平是首要问题。以2014—2020年我国30个省份的面板数据作为研究样本，采用熵权-正态云模型分析方法对我国智能制造发展水平进行评价。结果表明：我国智能制造发展水平呈现出上升态势，但从综合水平值来看我国智能制造发展仍处于初级阶段。当前我国智能制造发展水平之间存在显著的空间差异，以珠三角和长三角为代表的东部地区发展水平远超中西部地区。从发展趋势来看，东部、中部和西部地区智能制造发展呈现波动式增长，且中西部地区增长速度高于东部地区。

关 键 词：区域制造业;智能制造;熵权法;正态云模型

DOI：10.16315/j.stm.2021.06.009

中图分类号： F426

文献标志码： A

Research on evaluation of regional intelligent manufacturing development

level based on entropy weight-normal cloud model

CHENG Hao， LIU Ling-ling

（School of Economics and Management， Harbin University of Science and Technology， Harbin 150080， China）

Abstract：Intelligent manufacturing is the main direction of “Made in China 2025”， which is of great significance for China to optimize its economic structure and improve its international competitiveness. How to evaluate the development level of intelligent manufacturing is the primary issue. Taking the panel data of 30 provinces in China from 2014 to 2020 as the research sample， the entropy weight-normal cloud model analysis method is used to evaluate the development level of intelligent manufacturing. The results show that the development level of Chinas intelligent manufacturing is showing an upward trend， but from the perspective of the overall level， the development of Chinas intelligent manufacturing is still in its infancy. At present， there are significant spatial differences between the development intelligent manufacturing in China. The development of the eastern region represented by the Pearl River Delta and the Yangtze River Delta far exceeds that of the central and western regions. From the perspective of development trends， the development of intelligent manufacturing in the eastern， central and western regions has shown a fluctuating growth， and the growth rate in the central and western regions is higher than that in the eastern regions.

Keywords：regional manufacturing; intelligent manufacturing; entropy weight method; normal cloud model

當前全球制造业正在发生深刻变革，制造业再次成为大国竞争的焦点。改革开放以来，我国制造业快速发展，2020年我国制造业占全球比重约为30%，位居全球首位，已经成长为“制造大国”。但对比美国、日本、德国等发达国家的制造业，我国距离成为“制造强国”的目标仍存在一定差距。从全球制造业价值链视角来看，我国制造业整体水平处于全球生产体系的中低端，尚未摆脱由规模拉动增长的发展路径。面对发达国家高端制造业回流影响和新兴国家市场的崛起，我国需要加速智能制造布局，不断推动制造业的高质量发展[1]。然而，我国地域广阔，制造业发展存在着地域差异，东部和中西部地区的智能制造发展存在着明显的梯度性。在制造业新一轮变革的浪潮中，准确衡量我国各个区域的智能制造发展状况和差异程度成为当前亟需研究的问题。这个问题的解决对于我国深入实施创新驱动发展战略、加速智能制造布局和推动高质量发展具有重要的现实意义。

1 文献综述

1.1 智能制造的概念研究455B36CD-4520-458B-A52A-A8DF97DC5278

国内外学者在20世纪90年代初就开始对制造业智能化进行研究。“智能制造”概念的提出和深化受到了学者的广泛关注。Kusiak[2]将智能制造定义为智能制造是生产制造过程中采用计算机模拟人类的脑力活动进而代替人类进行分析和决策的制造行为。Davis等[3]认为智能制造是指采用先进的信息技术和制造技术提高生产制造过程中的灵活性，从而优化产品生产和销售过程，最终实现适应快速多变的全球市场的目的。周济[4]认为智能制造是信息化制造和信息技术、制造技术的深度融合和集成，从而实现产品设计、生产、服务等全流程的智能化和信息化。周佳军等[5]从技术视角对智能制造的概念进行界定，认为智能制造是在信息技术和人工智能等先进技术的基础之上，通过模拟人的行为实现产品设计、制造、管理和维护等制造行为。刘强[6]认为智能制造是先进制造技术和新一代信息技术、人工智能技术等深度融合形成的新型生产方式和制造技术。

1.2 智能制造的评价研究

智能制造概念的提出和深化为智能制造发展水平评价研究奠定了基础，现有关智能制造发展水平评价的研究，主要分为2个层面。

1）区域层面智能制造发展水平。如Hu等[7]构建智能制造成熟度模型，从成熟度水平、能力因素和成熟度要求3个方面对区域智能制造水平进行了评价。董志学等[8]通过构建智能制造指标体系，采用因子分析法对我国主要的23个省级行政区智能制造发展水平进行了综合评价，并探索了影响智能制造发展的影响因素。吴敏洁[9]基于智能制造的五维特征结构，采用潜因子测量模型测量了中国区域智能制造发展水平。李健旋[10]基于系统论思想，采用熵权法从智能技术、应用和效益三方面对制造业智能化水平进行了评价。季良玉[11]将纵横向拉开档次法和熵权法相结合，测度了我国各个省份制造业的智能化水平，并分析了我国智能制造的动态变化过程。

2）企业层面智能制造发展水平。龚炳铮[12]从企业生态环境、企业发展水平和企业效益3个方面建立了智能制造企业评价指标体系，采用综合评价法对智能制造企业发展水平进行评价，并基于评价结果将智能制造企业分为入门级、初级、中级和高级4个层次。易伟明等[13]基于张量理论建立了三维的企业智能制造能力评价指标体系，并基于Tucker张量分解构建评价模型，最后通过实证演算，表明评价模型具有可行性和有效性。李玮玮[14]从信息基础层、生产应用层、效率效益层3个方面构建指标体系，采用熵权-投影组合赋权法对46家上市制造业企业智能化发展水平进行了评价。吴珊[15]基于双元性创新视角，从开放式创新和探索式创新2个方面，通过征求专家意见和设计测量量表，评价得出我国百强智能制造企业。

1.3 正态云模型

正态云模型可以实现定性概念和定量测量的转化，且其概念涉及定性概念模糊性，并包含隶属函数的随机性，近年来被广泛运用于管理学的评价之中。如蹇令香等[16]采用正态云模型方法，从规模、效率、潜力和结构4个方面对广东省港口产业发展水平进行了综合评价。宋晓娜等[17]构建了创新、协调、绿色、开放、共享的综合测度体系，采用正态云模型和关联函数法对我国工业发展质量进行了测度研究，认为我国工业发展质量呈现出“U”型、表面维稳和良性跃迁的变迁规律。龚艳冰等[18]采用正态云线性回归模型对企业员工绩效进行了评价研究。李晟婷等[19]采用正态云模型等方法对2008—2018年陕西省产业生态化质量进行了测度与分析，认为陕西省产业生态化质量呈现出稳定的台阶状提升态势。徐建中等[20]将云模型和灰色关联分析法相结合，从创新环境、创新管理、创新投入和创新产出4个方面建立指标评价体系对军民融合创新方案进行了评价研究。李楠博等[21]采用云模型评价方法对我国区域企业绿色技术创新环境进行了评估。田红娜等[22]采用云模型评价方法对汽车制造企业绿色技术创新能力进行了综合评价研究。

综上所述，目前相关研究已对智能制造概念、智能制造发展水平评价和正态云模型应用等做出了一定的解释，为我国智能制造发展水平的评价研究提供了重要参考，但现有研究仍存在着下列不足：一是在评价指标体系构建方面。当前关于智能制造发展水平的评价研究仍处于起步阶段，在测量指标选取方面尚未形成统一的指标体系，不同学者在选取测量指标时侧重有所不同，因此在智能制造发展水平评价的指标体系构建方面仍存在进一步探讨的必要;二是在评价方法选择方面。当前关于智能制造发展水平评价的研究方法大多采用熵权法、因子分析法、综合评价法等，这些研究方法得到的往往是单一的定量或定性分析结果，使获得的评价结果存在模糊性和随机性，影响智能制造发展水平评价的精确性。

因此，本文试图从以下3个方面对现有研究进行补充和拓展：一是依据智能制造的概念，从智能支撑、智能应用和智能效益3个方面建立我国区域智能制造发展水平评价体系，使得结果更能综合反映我国智能制造发展现状;二是将熵权—正态云模型引入到我国智能制造发展水平评价中。智能制造发展水平作为复杂的多属性指标，采用熵权—正态云模型方法对其进行综合评价，能够在客观赋权的基础上，实现定性和定量信息之间的转换，从而有效解决指标设置的模糊性和随机性问题，使最终的评价结果更为准确;三是根据评价结果，将我国智能制造发展水平分为4个等级，有助于准确把握我国智能制造发展状况，为完善我国区域智能制造发展战略布局和提升智能制造发展水平提供针对性的策略建议。

2 智能制造发展水平的评价指标与评价方法

2.1 智能制造发展水平测度指标体系

借鉴国家工信部所发布的智能制造相关指标体系、《国家智能制造标准体系建设指南》中關于智能制造行业标准以及现有学者相关研究，从智能支撑、智能应用和智能效益3个方面构建我国区域智能制造发展水平评价指标体系[23]。

智能支撑是实现智能制造的基础，是智能制造水平提升的保障[24]。智能制造的最终目的是实现产品生产，而新一代通信技术和先进制造技术等只是实现各个生产环节效率提升的手段，因此智能制造仍然需要人、财、物等这些生产要素的投入。本文借鉴万晓榆等[25]、罗序斌等[26]、孙早等[27]学者关于基础设施建设、智能投入等方面的研究，选取每百人使用计算机数、长途光缆长度和智能设备固定资产投资额3个指标表征智能支撑能力。其中每百人使用计算机数量和长途光缆长度用以衡量制造企业应用互联网信息化水平。智能设备是指任何一种具有计算处理能力的设备、器械或者机器，使用智能设备固定资产投资额表示智能制造的物理支撑能力。455B36CD-4520-458B-A52A-A8DF97DC5278

智能应用是智能制造水平提升的关键。“智能”的核心是智能技术的开发和使用，硬件技术的智能化升级取代了体力劳动，而软件技术的智能化应用则代替了脑力劳动，从而减少了人力成本以及人工操作所带来的风险损失，且生产环节中产生的数据有利于构建更优的生产结构，进而提升生产效率。智能应用是制造业智能化水平的集中體现，代表了制造业从传统的粗放型生产模式向智能化精细生产模式的转变。本文借鉴吴敏洁、刘志浩等[28]学者的研究，选取制造业全要素生产率和制造业主营业务收入衡量智能应用能力。其中，以劳动力和资本投入作为投入，工业总产值作为产出的全要素生产率能够有效衡量区域制造业的生产智能化。同时，考虑到指标的科学性和可获得性原则，选取制造业主营业务收入作为衡量制造业生产能力的补充指标，其可以反映出制造业在智能化转型后的盈利水平。

智能效益是智能制造发展的目的，是检验智能制造是否成功的重要标准。智能效益包含社会效益和经济效益，是智能制造的市场环境的直接体现。智能制造能否发挥出市场实践作用并加速产业转型升级进程，主要在于其产品的市场盈利状况，因此智能效益是智能制造内涵的重要方面。借鉴已有研究，选取新产品销售收入和工业软件产品收入作为衡量智能效益能力的指标。其中，智能制造贯穿整个生产环节的全生命周期，所生产出的新产品涵盖的智能化元素越来越丰富，因此新产品收入是衡量智能效益的重要指标之一。同时，智能制造的实现需要完备的管理体制，大数据和工业互联网等作为智能制造的重要支撑，其应用范围的扩大可以提高生产效率、减少运营成本，因此工业软件产品收入可以用以衡量管理智能化水平，是智能效益的重要指标体现。

根据相关理论以及前人的研究经验，考虑到指标的科学性、合理性和可得性原则，构建我国区域智能制造发展水平测度指标体系，如表1所示。

2.2 智能制造发展水平评价方法

云模型是通过云的数字特征来反映概念的整体特性，而云的数字特征则用期望（Ex）、熵（En）和超熵（He）来体现。期望（Ex）是概念在论域的中心值，最能代表这个定性概念的数值;熵（En）是定性概念模糊度的度量，熵越大，表示该指标概念所接受的数值范围越大，该定性概念越不确定。超熵（He）是熵（En）的熵，反映定性概念不确定性的凝聚性。超熵（He）越大，隶属度的随机性越大。区域智能制造发展水平评价指标包含定性指标和定量指标，采用云模型评价可以有效解决指标设置的模糊性和随机性问题，使定性语言和定量评价之间相互转换，从而得到客观、准确的评价结果，且评价结果有助于不同指标之间进行比较和分析。其中，期望值（Ex）可以代表定性描述语言的数值，即Ex值越大，区域智能制造发展水平越强。

2.2.1 熵权法确定各指标权重

目前学者在确定指标权重时，主要有主观和客观两种赋权形式，本文选用客观赋权法，采用熵权法确定指标权重，可以消除人为主观所带来的权重误差。假定有m个评价对象，每个评价对象有n个指标，步骤如下所示：

1）标准化处理。由于本研究选取的评价指标均是正向指标，因此采用正向指标的极差法进行标准化处理，公式如下：

2）计算各评价指标的熵值Hj。

3）计算各评价指标的熵权Wj。

2.2.2 建立各指标正态云模型

1）评语集划分。本研究的评语集论域为[0，1]，评语集中每一个评语对应一个论域区间，评语集C最终分为5个等级，即C={差，较差，一般，较好，好}。对于中间的区间选择双边约束[Vmin，Vmax]，端点则选择半云模型进行表示。即对于“差”和“好”2个评语的期望Ex分别取“0”和“1”，取相应对称云模型熵值的1/2为各自熵值En[29]，根据式（5）、（6）可计算出期望和熵值。

由期望值（Ex）和熵值（En）大体上能够获得正态云的形态，超熵（He）则很难用数学方法来获得，因而超熵（He）普遍通过经验来取值或者通过实验确定取值。为控制评语云的离散程度，通过数据结果模拟，最终将k取0.003。对称云的评语表示计算方法如下[30]，可得各定性评语的数字特征，如表2所示。利用MATLAB最终生成其各定性评语的云图，如图1所示。

2）将定性评语进行定量转换。

本研究将定性评语根据上述公式转化为云模型，同时将期望值组成决策矩阵C，其指标相对应的一维云模型期望、熵值和超熵计算公式如下：

2.2.3 建立综合正态云模型

对于评价指标体系中的n个相邻云模型，其数字特征的计算公式如下：

3 实证分析

3.1 数据来源及说明

由于西藏部分数据缺失严重，将其做剔除处理，同时考虑到数据的可获取性，本文选择2014—2020年全国30个省（市、区）的制造业行业数据作为研究样本。数据来源于《中国统计年鉴》、《中国工业经济统计年鉴》、《中国科技统计年鉴》等以及各省统计年鉴和公报手工整理所得，对于少量数据缺失，运用SPSS和插值法进行填充。

3.2 数据处理过程

受限于文章篇幅，本文以2018年江苏省的数据处理过程为例。

1）确定评价指标权重值。

根据式（1）～（4）求出每个一级指标下二级指标的权重，如表3所示。

2）确定各指标的云模型数字特征和综合评价云模型。根据式（1）可求出江苏省的标准化数据，按照{差，较差，一般，较好，好}5个评语等级，对标准化后的各指标数据进行相应的定性评语转化，如表4所示。

参照表2将表4各个指标的定性语言值转化为定量值表示，将评语期望值转化为决策矩阵C：

C=010.70.70.70.71

再根据式（11）～（13）计算出2018年江苏省智能化发展水平的云模型数字特征，如表5所示。455B36CD-4520-458B-A52A-A8DF97DC5278

最后根据式（11）～（13）可求出2018年江苏省智能制造发展水平的云模型数字特征，如表6所示。

3）我国综合智能制造发展水平的数字特征。

根据上述计算过程，同理可计算出2014—2020年我国综合智能制造发展水平的数字特征，如表7、图2所示。

同理，按照上述步骤可求出2014—2020年其他29个省智能制造发展水平的数字特征，并根据期望值大小对30个省进行智能制造发展水平排名，最终各省智能制造发展水平测度结果，如表8所示。

3.3 结果分析

由从图2可知，尽管当前我国智能制造发展水平总体呈上升趋势，但综合水平值在0.2～0.4之间，所对应的语言值尚处于“较差”的状态，表明我国智能制造发展尚处于初期阶段，存在着较大的提升空间。

就各省的数字特征的相对水平而言，2020年排名前两位的是广东省和江苏省，这与李健旋学者的研究保持一致。除广东和江苏两省以外，排名前五的依次为上海、北京和浙江，由此可见我国智能制造高水平区域集中在珠三角和长三角区域范围内。吉林、山西、云南、青海、新疆、广西等省份的智能制造发展水平较低，这些省份均处于我国的中西部地区。初步表明，我国智能制造发展存在着一定的空间特征。

按照2020年云模型的测算结果可以将区域进一步划分为4个等级，如表9所示。

位于第一等级（Ⅰ级）的是广东省和江苏省。这2个省份智能制造发展水平得分均大于0.6，对应的定性语言值为“较好”。丰富的资源禀赋、完善的政策环境、成熟的智能应用市场，使得这两个区域的智能制造发展走在了全国前列。

位于第二等级（Ⅱ级）的省份是北京、浙江、上海、山东、安徽，这些省份的得分处于0.4-0.6之间，对应的定性语言值为“一般”。这些省份在智能支撑、智能应用和智能效益3个维度各有所长，具有一定的先发优势，但是也存在着薄弱方面，因此整体发展水平不如第一梯队的2个省份。例如山东省，工业体系完整，制造业基础较好，但在高新技术产业发展较为薄弱，且智能应用方面不完善，因此整体的智能制造水平与第一梯度存在一定的差异。

位于第三等级（Ⅲ级）的省份是湖北、湖南、辽宁、天津、河北、陕西、四川、河南、海南、福建、江西、重庆、内蒙古、宁夏、甘肃、贵州、黑龙江，这些省份的得分处于0.2～0.4之间，对应的定性语言值为“较差”。这些省份的特点是地域分布多在我国中西部地区省份，具备一定的制造业规模，例如黑龙江、辽宁是我国的老工业基地，陕西和四川的装备制造业能力较为突出。但这些区域普遍存在的问题是智能效益方面表现不佳，主要原因在于这些区域经济能力稍弱，无法形成完善的智能制造市場。

位于第四等级（Ⅳ级）的省份是吉林、山西、青海、新疆、广西和云南，这些省份的得分处于0～0.2之间，对应的定性语言值为“差”。这些省份的制造业整体水平相对落后，尽管存在少量突出的制造业或产业部门，如广西的机械、新疆的农业机械、山西的煤炭产业、吉林的汽车行业等，但由于一些不利因素的存在，如地理位置、气候条件和高质量人力资源供应等，严重制约了制造业智能化的发展进程，使得智能制造综合水平不高。

分地区而言，东部、中部和西部智能制造发展水平存在着一定的波动，但整体呈现为上升态势，且中西部地区的上升速度要略高于东部地区，如图3所示。这表明新时代背景下，我国推动中部地区高质量发展和西部大开发取得了一定的成效，发展速度显著提高，但整体发展水平距离东部地区还存在着一定差距。总体而言，我国智能制造发展水平存在着明显的空间特征，呈现出以珠三角和长三角为代表的东部先进、中部次之、西部较为落后的状况，且我国各区域的智能制造发展具有广阔的提升空间。

4 结论与建议

4.1 研究结论

本文根据智能制造的概念内涵从智能支撑、智能应用和智能效益3个方面构建了我国智能制造发展水平测度指标体系，并采用熵权—正态云模型评价方法对我国2014—2020年的区域智能制造发展水平进行了评价，得出如下结论：

1）我国智能制造发展水平整体呈现出上升趋势，虽然在2018年出现了回落现象，但从2014年到2020年增长幅度较为明显。从综合水平值来看，当前我国智能制造发展仍处于“较差”状态，表明我国智能制造尚处于初级阶段，还存在着较大的提升空间。

2）将智能制造发展分为4个等级后发现，我国区域智能制造发展存在着明显的空间差异：智能制造发展的高水平区域多集中在长三角和珠三角区域范围，而低水平区域则集中在中西部落后地区，进一步分地区分析后发现东部智能制造发展平均水平远高于中西部。

3）2014—2020年间，东部、中部和西部智能制造发展呈现波动式增长态势，但整体呈上升趋势，说明我国智能制造尚处于起步阶段，需要在发展过程中不断地修正。就发展速度而言，中西部地区智能制造发展速度要高于东部地区，表明我国目前对中西部地区制造业转型升级的政策支持发挥了应有的作用，一定程度上缩小了东部和中西部的发展差距。

4.2 政策建议

根据本文的结论，提出以下建议：

1）强化智能化发展基础设施建设。智能制造的发展离不开智能要素的支撑和保障，应当鼓励和引导基础设施建设，为智能制造的发展提供良好的发展土壤。应当扩大互联网基础设施建设投入，积极构建智能制造网络支撑平台、移动贸易平台等，用以增强智能制造企业之间的交流与互动，提升产品定制和二次开发的能力，推进制造业智能化转型进程;应当积极推进网络制造体系建设，加大对影响智能制造发展进程的关键技术装备的开发与应用，加快工业化和智能化的深度融合;应当以工业互联网为联系纽带，实现智能制造技术的互联互通，形成有效的智能传输体系，从而提升制造业智能化水平。

2）加大智能制造研发投入。智能制造的核心是先进制造技术、先进信息技术、人工智能等技术。因此，政府、企业、科研院所等多方主体应该加大对智能制造方面的研发投入，促进技术创新和技术应用，加快制造业智能化转变进程。当前我国智能制造发展尚处于初级阶段，较低程度的发展水平可能尚未对制造业起到显著正向影响作用，制造业在进行智能化转型的积极性方面有所欠缺。因此，应当加大智能制造研发投入，突破制造业智能化转型进程中关键的“卡脖子”技术，推动制造业智能化的进一步发展，实现智能化对制造业的正向促进，提升制造业智能化转型的积极性，从而推动智能制造整体发展水平提升。455B36CD-4520-458B-A52A-A8DF97DC5278

3）发挥区域优势，因地制宜，实现智能制造发展水平的提升。由于我国各个区域智能制造发展水平差异较大，因此各地区应当充分发挥自身优势，有侧重的提升制造业智能化发展水平。具体而言，位于第Ⅰ等级的江苏和广东，在全面推进制造业智能化发展的进程中，应充分发挥其辐射带头作用，通过智能化技术溢出、智能化发展经验分享等方式实现从点到线再到面的拉动作用，引领各区域智能制造均衡发展;位于第Ⅱ等级的省份应该补齐短板，发挥自身优势，如浙江、山东和安徽应该优化智能制造基础环境，推动人工智能、大数据等新一代信息技术在研发设计、生产制造、服务中的深度应用，加快传统制造业智能化转型升级;位于第Ⅲ等级和第Ⅳ等级的省份，智能化水平相对落后，应当借鉴智能制造发展高水平区域的制造业智能化转型经验，在承接东部发达地区的产业和技术的同时，充分发挥其特色产业优势，并以此为基础推动制造业智能化发展，走技术引进—模仿—自主发展的道路，不断缩小与第Ⅰ等级和第Ⅱ等级的差距。如东三省、河南、新疆等农业大省，可以积极推进新一代智能技术和实体经济的深度融合，鼓励机械设备、农业等产业的企业进行智能化升级，提升全省的智能制造生产水平。

4）推动区域间智能制造均衡发展。我国东部地区和中西部地区智能制造发展水平存在着一定的差距，应当从国家顶层设计出发，合理布局智能制造产业发展，通过实施全地域视角下智能制造发展优化协同策略，不断缩小东部地区和中西部地区的差距。同时，各区域在积极推进智能化的同时，应当通过智能技术溢出、智能应用模式互动交流、智能市场互补以及智能化转型经验分享等多种方式，实现形成“优势互补共同发展”的长效机制，提升各省份智能制造发展水平，进一步缩小东部地区和中西部地区的差距。

5）打造智能制造生态体系。智能制造的发展进程中涉及到硬件开发、信息技术等多个学科和多个领域的知识和技能。因此，应当推动企业、高校、科研院所等部门进行协同创新，实现产业链、创新链的联动合作，形成以智能制造企业为核心的，各部门和各行业深度参与、优势互补、利益共享的智能制造生态系统，促使中央、地方、企业之间根据不同区域的资源禀赋、产业优势差异，合理布局智能制造发展，提升智能制造发展水平。

参考文献：

[1] ZHOU J，LI P，ZHOU Y，et al.Toward new-generation intelligent manufacturing[J].Engineering，2018，4（1）：11.

[2]KUSIAK A.Intelligent manufacturing systems[J].Journal of Engineering for Industry，1990，113（2）：581.

[3]DAVIS J，EDGAR T，PORTER J et al.Smart manufacturing，manufacturing intelligence and demand-dynamic performance[J].Computers & Chemical Engineering，Pergamon，2012，47：145.

[4]周济.智能制造：“中国制造2025”的主攻方向[J].中国机械工程，2015，26（17）：2273.

[5]周佳军，姚锡凡.先进制造技术与新工业革命[J].计算机集成制造系统，2015，21（8）：1963.

[6]刘强.智能制造理论体系架构研究[J].中国机械工程，2020，31（1）：24.

[7]HU J，GAO S.Research and application of capability maturity model for Chinese intelligent manufacturing[J].Procedia CIRP，2019，83：794.

[8]董志学，刘英骥.我国主要省市智能制造能力综合评价与研究：基于因子分析法的实证分析[J].现代制造工程，2016（1）：151.

[9]吴敏洁，徐常萍，唐磊.中国区域智能制造发展水平评价研究[J].经济体制改革，2020（2）：60.

[10] 李健旋.中国制造业智能化程度评价及其影响因素研究[J].中国软科学，2020（1）：154.

[11]季良玉.中国制造业智能化水平的测度及区域差异分析[J].统计与决策，2021，37（13）：92.

[12]龚炳铮.智能制造企业评价指标及评估方法的探讨[J].电子技术应用，2015，41（11）：6.

[13]易伟明，董沛武，王晶.基于高阶张量分析的企业智能制造能力评价模型研究[J].工业技术经济，2018，37（1）：11.

[14]李瑋玮.基于熵权-投影组合赋权的制造企业智能化发展水平评价研究：来自46家上市制造企业的数据[J].江苏商论，2020（11）：74.

[15]吴珊，龚业明，张金隆.中国智能制造百强评价及发展研究[J].管理学报，2020，17（2）：159.

[16]蹇令香，曹章露，张可意.基于正态云模型的广东省港口产业发展水平综合评价[J].科技管理研究，2019，39（18）：53.

[17]宋晓娜，张峰.高质量发展下工业发展质量测度及趋势研究[J].软科学，2019，33（12）：36.

[18]龚艳冰，巢妍.基于正态云线性回归模型的企业员工绩效评价[J].统计与决策，2020，36（18）：167.

[19]李晟婷，周晓唯，武增海.基于高质量发展的省域产业生态化质量测度与分析：以陕西省为例[J].华东经济管理，2021，35（11）：77.

[20]徐建中，翟佳琦.基于云模型-灰色关联分析的云平台军民融合创新方案评价研究[J].运筹与管理，2021，30（7）：154.

[21]李楠博，孙弘远.基于云模型的区域企业绿色技术创新环境成熟度评价[J].科技进步与对策，2021，38（22）：50.

[22]田红娜，孙钦琦.基于云模型的汽车制造企业绿色技术创新能力评价研究[J].管理评论，2020，32（2）：102.

[23]李廉水，石喜爱，刘军.中国制造业40年：智能化进程与展望[J].中国软科学，2019（1）：1.

[24]李廉水，鲍怡发，刘军.智能化对中国制造业全要素生产率的影响研究[J].科学学研究，2020，38（4）：609.

[25]万晓榆，赵寒，张炎.我国智能化发展评价指标体系构建与测度[J].重庆社会科学，2020（5）：84.

[26]罗序斌，黄亮.中国制造业高质量转型升级水平测度与省际比较：基于“四化”并进视角[J].经济问题，2020（12）：43.

[27]孙早，侯玉琳.工业智能化如何重塑劳动力就业结构[J].中国工业经济，2019（5）：61.

[28]刘志浩，于秀艳.山东省装备制造业智能化水平测度及影响因素研究[J].现代管理科学，2021（6）：38.

[29]吴慧，王道平，张茜，等.基于云模型的国际邮轮港口竞争力评价与比较研究[J].中国软科学，2015（2）：166.

[30]肖小朋，周述璋，高文华，等.基于云模型的智能冰箱设计评价[J].机械设计，2020，37（8）：134.

[编辑：刘素菊]

收稿日期： 2021-10-08

基金项目： 国家自然科学基金面上项目（72074061）

作者简介： 程 浩（1997—），男，硕士研究生;

刘玲玲（1996—），女，硕士研究生.455B36CD-4520-458B-A52A-A8DF97DC5278