《Information》:Integrating Expert Prioritisation and Explainable Machine Learning to Evaluate MSME Digital Transformation Readiness
编辑推荐:
摘要
微型、小型和中型企业(MSMEs)越来越多地采用数字技术,但将这种接触转化为企业绩效(ENP)需要多维度的就绪能力。评估这些能力仍然复杂,因为现有研究往往将专家判断、测量验证、线性关联和可解释预测相互分离。因此,本研究开发了一个包含两个连续阶段的整合
摘要
微型、小型和中型企业(MSMEs)越来越多地采用数字技术,但将这种接触转化为企业绩效(ENP)需要多维度的就绪能力。评估这些能力仍然复杂,因为现有研究往往将专家判断、测量验证、线性关联和可解释预测相互分离。因此,本研究开发了一个包含两个连续阶段的整合分析框架。首先,22位专家通过三轮德尔菲(Delphi)过程对七个能力领域进行了情境化处理,随后采用模糊TOPSIS在语言不确定性下推导优先级。其次,研究人员对泰国610名符合条件的MSME受访者进行非概率便利抽样,获得横断面调查数据,并通过验证性因子分析(CFA)验证测量结构,随后采用层次回归建立调整后线性关联的常规基线。在第二阶段中,研究人员随后应用极端梯度提升(XGBoost)和SHapley加性解释(SHAP)进行内部样本外评估和模型解释。研究结果显示,专家将最高优先级赋予数字金融服务和数字金融接入。XGBoost模型的测试集R2为0.6303,而OLS基准为0.6282,表明预测改进仅为适度。测试集SHAP分析识别出社交媒体使用(平均|SHAP| = 0.2027)、适应性财务韧性和财务管理实践为能力层面的主要预测贡献组。本研究证据为观察性证据,不支持因果推断。本研究贡献了一个整合的、经测量验证的、可解释的能力评估框架。基于专家的优先级和基于SHAP的预测贡献提供了互补而非等价形式的证据。
**论文解读:整合专家优先级排序与可解释机器学习评估MSME数字化转型就绪度**
**一、研究背景与研究问题**
随着数字技术的快速普及,微型、小型和中型企业(MSMEs)日益将数字化转型作为获取竞争优势的重要途径。然而,单纯采用数字工具并不能自动转化为企业绩效(Enterprise Performance, ENP)的提升。将外部技术整合到日常运营中,取决于企业所处的领域约束和内部能力条件。因此,评估MSME数字化转型就绪度需要从多维度能力视角切入,而非仅仅关注技术采用本身。
现有研究在评估这些就绪能力时存在明显的碎片化问题:一些研究仅依赖专家判断来确定战略优先级,另一些则仅侧重于测量结构验证,还有研究只进行线性关联分析或将重点放在可解释预测上。每种单一分析视角只能回答特定的研究问题,这使得能力相关性的评估往往流于片面。具体而言,专家判断能提供情境敏感的优先级排序,但无法自动说明这些能力与企业绩效间的经验关联;调查数据虽能评估测量质量和预测贡献,但又缺乏专家层面的战略判断。这种方法论上的割裂阻碍了连贯证据链的形成。
本研究旨在弥补这一缺口,通过构建一个将专家优先级排序、心理测量学验证、传统线性分析和可解释预测建模纳入统一分析序列的整合框架。研究回答两个核心问题:(1)在语言不确定性条件下,哪些数字化转型就绪能力获得最强的基于专家的优先级?(2)在传统线性模型下,经过验证的就绪能力与企业绩效如何关联,其在样本外预测中的支持程度如何?
**二、研究方法概述**
本研究采用两阶段整合分析框架。第一阶段构建专家驱动的能力优先级排序:研究团队依据方法学指南组织了22名专家参与的三轮德尔菲(Delphi)程序(2025年4月至5月在线进行),专家成员涵盖大学教授、政策研究人员和分析师以及MSME企业家。专家评分通过三角模糊数(Triangular Fuzzy Numbers, TFNs)映射处理语言不确定性,进而采用模糊TOPSIS(Technique for Order Preference by Similarity to Ideal Solution)计算能力优先级得分。第二阶段基于泰国610名符合条件的MSME受访者的非概率便利抽样调查数据进行实证分析:首先运用验证性因子分析(Confirmatory Factor Analysis, CFA)检验测量结构,继而采用层次回归建立调整后线性关联的常规基线,最后应用极端梯度提升(eXtreme Gradient Boosting, XGBoost)和SHapley加性解释(SHapley Additive exPlanations, SHAP)实施内部样本外评估及模型解释。
**三、研究结果**
**3.1 基于专家的能力优先级**
三轮德尔菲过程显示高度轮际稳定性:第2轮与第3轮之间528项专家-指标评分中515项(97.54%)保持不变,平均绝对变化为0.059分,条目层面平均排序的Spearman相关系数为ρ = 0.910。敏感性分析表明全部24项指标均超过0.70、0.75和0.80的专家相关性阈值。模糊TOPSIS结果显示:数字金融服务(DFS)获得最高优先级(CCi = 0.9119),紧随其后的是数字金融接入(DFA)(CCi = 0.9029),而适应性财务韧性(AFR)获得最低相对优先级(CCi = 0.8627)。能力层面去模糊化与TOPSIS排序呈正相关但非完全一致(Spearman's ρ = 0.750)。TFN敏感性分析证实排序稳定性良好(ρ = 0.997和ρ = 0.990)。
**3.2 MSME样本特征与测量验证**
最终分析样本包含610份有效问卷,覆盖泰国各区域、不同规模、行业和企业年限的MSME。CFA结果显示:标准化因子载荷范围为0.598至0.962;八个构念的Cronbach's α和组合信度(Composite Reliability, CR)均超过0.70;平均方差提取值(Average Variance Extracted, AVE)介于0.503至0.910之间,满足0.50的标准。判别效度通过Fornell-Larcker准则(各构念AVE平方根均大于构念间相关系数)和异质-单质比率(Heterotrait-Monotrait Ratio, HTMT)(所有值均低于0.85)得到验证。整体模型拟合可接受:χ2/df = 2.487,GFI = 0.940,CFI = 0.978,RMSEA = 0.049(90% CI: 0.044-0.055),SRMR = 0.056。事后完整共线性诊断显示所有构念的方差膨胀因子(Variance Inflation Factor, VIF)在1.596至3.135之间,低于3.3的诊断阈值。
**3.3 层次回归结果**
仅含控制变量的模型解释了ENP方差的17.6%(R2 = 0.176)。加入七个就绪能力后,解释方差显著增加50.0个百分点(ΔR2 = 0.500,ΔF = 131.177,p < 0.001)。完整模型解释ENP方差的67.6%(调整后R2 = 0.668,F(14, 595) = 88.623,p < 0.001)。在调整后线性关联中,AFR的关联强度最大(B = 0.251,β = 0.258),其后依次为社交媒体使用(SMU)(B = 0.147,β = 0.238)、财务管理实践(FMP)(B = 0.130,β = 0.174)和数字技能(DSK)(B = 0.135,β = 0.160),四项均在0.001水平上显著。数字流程整合(DPI)在0.01水平上显著正相关(B = 0.094,β = 0.107)。DFS和DFA在调整后未达统计显著。诊断检验未显示严重假设违背或影响案例问题。
**3.4 XGBoost预测性能与SHAP分析**
最终XGBoost模型在训练数据上平均交叉验证R2为0.6817,在保留测试集上R2为0.6303,测试集RMSE为0.5879,MAE为0.4794。与同一测试集上的OLS基准(R2 = 0.6282,RMSE = 0.5896,MAE = 0.4870)相比,XGBoost仅带来适度的预测改进。50次重复80/20训练-测试划分的稳健性分析得到平均测试R2为0.6742(SD = 0.0500,经验95%区间为0.5667-0.7474)。
基于122个保留测试观测的SHAP分析显示:SMU具有最高的平均|SHAP|值(0.2027),其次是AFR(0.1960)和FMP(0.1786)。DPI和DSK贡献较小,而DFA和DFS的平均|SHAP|值最低。训练集和测试集SHAP分析的能力排序完全一致(Spearman's ρ = 1.000)。在50次重复划分中,SMU、AFR和FMP在49次中占据前三位。
**3.5 专家优先级与SHAP排名的互补视角**
描述性比较显示:DFS和DFA在专家优先级排名中最高但在SHAP分析中排名较低,而SMU和AFR呈现相反的序位模式。DPI和FMP在两个排名中位置相近,DSK保持相同序位。这些差异不应被解释为矛盾,而应视为不同类型证据的互补——前者反映情境敏感的专家战略优先级,后者反映拟合模型中相对的预测贡献。
**四、讨论部分总结**
研究讨论部分从多个层面进行了深入阐释。在关键发现解读方面:AFR、SMU和FMP在线性模型和SHAP排名中均居前列,表明其与绩效模式密切关联;DPI和DSK处于稳定的中间位置,可能作为支撑数字化转型的基础性能力发挥作用;DFS和DFA在实证分析中区分度有限,可能作为广泛可用的支撑条件而非常强的绩效区分因素。XGBoost相对OLS的预测改进仅为适度,线性回归侧重估计调整后线性关联,XGBoost侧重于内部样本外预测及通过SHAP实现模型层面解释。
理论和方法论意义方面:本研究区分了情境敏感的专家优先级、调整后线性关联和预测贡献三类不同的相关性形式,支持了动态能力视角下资源获取与资源动员之间的区分。方法论上,研究将专家评估、传统回归和机器学习定位为互补证据链的组成部分,而非竞争性机制。实践意义方面:DFS和DFA作为数字金融参与的基本组成仍然重要,但SMU、AFR和FMP的突出位置表明企业支持计划可更多关注社交媒体的商业利用、财务适应性和日常财务管理。局限性包括横断面设计无法支持因果推断、自我报告数据可能的共同来源方差、非概率便利抽样的外推限制、单一机器学习算法以及聚合构念层面分析的简化。
**五、研究结论翻译**
本研究通过将专家引出和优先级排序与测量验证、回归分析和可解释预测建模相连接,解决了评估MSME数字化转型就绪度与企业绩效(ENP)关系的挑战。研究结果表明,就绪能力在分析层面占据不同位置。模糊TOPSIS将最高的基于专家的优先级赋予DFS和DFA。在实证分析中,AFR和SMU与ENP表现出最强的调整后线性关联,而SMU、AFR和FMP构成能力层面SHAP贡献的主要群体,尽管其具体排序在重复训练-测试划分中有所变化。XGBoost模型实现了0.6817的平均交叉验证R2和0.6303的测试集R2,相对于OLS基准(测试集R2 = 0.6282)仅为适度改进。互补的序位比较进一步表明,基于专家的优先级和基于SHAP的预测贡献可以不同,因为它们代表了不同类型、互为补充的证据形式。本研究将数字化转型就绪度的评估从孤立评估延伸到整合证据链,该证据链结合了专家优先级排序、测量验证、调整后关联分析和可解释预测建模。就实践而言,该框架为评估能力需求和考虑资源优先级提供了基于证据的基础,且不将任何单一分析输出视为决定性因素。在非因果性和泰国特定范围的证据范围内,该框架为MSME数字就绪度评估中整合互补形式证据提供了实用基础。