Challenges in Adopting Industry 4.0 for Indian Automobile Industries: A Key Experts’ Perspective
Notice bibliographique
Résumé
Industry 4.0 has revolutionised manufacturing, presenting significant challenges for adoption, particularly in developing countries like India.This study identifies and evaluates challenges specific to the Indian automobile industry's implementation of Industry 4.0 to address this.Leveraging Latent Dirichlet Allocation (LDA), a machine learning-based text analysis algorithm, we discerned challenges from existing literature.Subsequently, employing the Delphi method, we refined these challenges, leading to a questionnaire-based survey and fuzzy Decision-Making Trial and Evaluation Laboratory (f-DEMATEL) data analysis to prioritise them.Our research framework involved collaboration with original equipment manufacturers (OEMs), suppliers, and academic experts who ranked 20 challenges by influence.Findings reveal divergent perspectives: OEM experts highlight concerns regarding outdated infrastructure, high initial costs, financial uncertainty, and a lack of strategy and standards.Supplier industries emphasise the importance of Information Technology and Research & Development departments, the maturity of Industry 4.0 tools, industry-academia collaboration, and addressing strategy and standards gaps.Academia underscores the need for financial support, government assistance, and organisational adjustments.These insights offer crucial guidance for managing Industry 4.0 challenges in the Indian automobile industry, facilitating targeted and practical implementation strategies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».