WAAR STAAT DE VLAAMSE PRODUCTIESECTOR IN HUN … · 2019. 10. 11. · Beschrijvende statistiek...
139
WAAR STAAT DE VLAAMSE PRODUCTIESECTOR IN HUN TRANSITIE NAAR INDUSTRIE 4.0? Aantal woorden: 16.615 Quang Thong Truong Stamnummer : 000140023035 Promotor: Prof. dr. Greet Maes Masterproef voorgedragen tot het bekomen van de graad van: Master in de handelswetenschappen: management en informatica Academiejaar: 2018-2019
Transcript of WAAR STAAT DE VLAAMSE PRODUCTIESECTOR IN HUN … · 2019. 10. 11. · Beschrijvende statistiek...
WAAR STAAT DE VLAAMSE
PRODUCTIESECTOR IN HUN
TRANSITIE NAAR INDUSTRIE 4.0?
Aantal woorden: 16.615
Quang Thong Truong Stamnummer : 000140023035
Promotor: Prof. dr. Greet Maes
Masterproef voorgedragen tot het bekomen van de graad van:
Master in de handelswetenschappen: management en informatica
Academiejaar: 2018-2019
I
Vertrouwelijkheidsclausule
Ondergetekende verklaart dat de inhoud van deze masterproef mag geraadpleegd en/of gereproduceerd worden, mits bronvermelding. I declare that the content of this Master’s Dissertation may be consulted and/or reproduced, provided that the source is referenced. Naam student/name student: Quang Thong Truong
Handtekening/signature
II
Woord vooraf
Met deze thesis komt er een eind aan mijn opleiding Master in de Handelswetenschappen –
Management & Informatica. Graag had ik enkele personen bedankt voor hun hulp en steun bij
het realiseren van deze masterproef.
Allereerst wil ik mijn promotor Greet Maes bedanken voor de begeleiding en feedback tijdens
het onderzoek. Daarnaast wil ik ook alle personen en ondernemingen bedanken die aan dit
onderzoek hebben deelgenomen. Zonder hen was dit onderzoek niet mogelijk geweest. Als
laatste had ik graag mijn familie en vrienden bedankt voor de steun tijdens mijn gehele
opleiding.
Quang Thong Truong,
Juli 2019
III
Inhoudsopgave
Inleiding ................................................................................................................................................ 1
1. Literatuurstudie ........................................................................................................................... 3
1.1. Manufacturing ............................................................................................................................ 3
1.2. Manufacturing in Europa ......................................................................................................... 3
1.3. Manufacturing in België ........................................................................................................... 4
1.4. Historiek van Industrie 4.0 ....................................................................................................... 5
1.5. Industrie 4.0 ............................................................................................................................... 7
1.5.1. Definitie ............................................................................................................................... 8
1.5.2. Digitale transformatie ....................................................................................................... 9
1.5.3. Kernelementen van Industrie 4.0 ................................................................................. 10
1) Horizontale integratie van de globale waardeketen .............................................................. 10
2) Verticale integratie van genetwerkte productieomgevingen ................................................ 11
3) End-to-end integratie van het ontwerpproces door de gehele waardeketen ..................... 12
1.5.4. Industrie 4.0 activerende technologieën ......................................................................... 13
1.5.5. Ontwerpvoorwaarden van de technologieën .................................................................. 13
1) Cyberphysical systems (CPS) .................................................................................................. 13
2) Internet of Things (IoT) .............................................................................................................. 17
3) Big Data ........................................................................................................................................ 17
4) Cloud computing ......................................................................................................................... 19
5) Artificial intelligence (AI) ............................................................................................................ 21
6) Autonome robots ......................................................................................................................... 22
7) Augmented reality (AR) & Virtual reality (VR) ........................................................................ 22
8) Simulation .................................................................................................................................... 22
9) Additive manufacturing (AM) ..................................................................................................... 23
1.5.6. Voordelen & opportuniteiten van Industrie 4.0 ............................................................... 24
1) Efficiënter gebruik van grondstoffen en optimalisatie van processen ................................ 24
2) Betere benutting van activa ....................................................................................................... 24
3) Toename van de productiviteit.................................................................................................. 25
4) Verbeterde voorraadbeheer ...................................................................................................... 25
5) Verhoogde productkwaliteit ....................................................................................................... 25
6) Betere prognose van de vraag ................................................................................................. 25
7) Verkorte marktintroductietijd ..................................................................................................... 25
8) Betere dienstverlening na verkoop .......................................................................................... 26
9) Efficiëntere logistiek ................................................................................................................... 26
10) Verhoogde productieflexibiliteit ............................................................................................. 26
1.5.7. Uitdagingen .......................................................................................................................... 27
IV
1) Gebrek aan digitale skills ........................................................................................................... 27
2) Toegang tot financiële steun ..................................................................................................... 27
3) Belemmering van de samenwerkingscultuur .......................................................................... 27
4) Bedenkingen rond dataveiligheid en -privacy ........................................................................ 28
5) Gebrek aan bewijs van rendement op investeringen ............................................................ 28
6) Gebrek aan duidelijke visie & strategieën ............................................................................... 29
1.5.8. Internationale Industrie 4.0 initiatieven ............................................................................ 29
1) Duitsland – Industrie 4.0 ............................................................................................................ 30
2) Verenigde Staten – Advanced Manufacturing Partnership & Industrial Internet Consortium .......................................................................................................................................... 31
3) China – Made in China 2025 .................................................................................................... 31
4) Europese Unie – Factories of the Future ................................................................................ 32
5) België – Made Different ............................................................................................................. 32
1.5.9. Bereidheid van België voor omschakeling naar Industrie 4.0 ...................................... 33
1.6. Industrie 4.0 maturiteitsmodellen ......................................................................................... 35
2. Methodologie ............................................................................................................................. 36
2.1. Probleemstelling ..................................................................................................................... 36
2.2. Onderzoeksvragen ................................................................................................................. 36
2.3. Hypothesen .............................................................................................................................. 36
2.4. Wetenschappelijk relevantie ................................................................................................. 37
2.5. Maatschappelijke relevantie .................................................................................................. 38
2.6. Onderzoeksaanpak ................................................................................................................ 38
2.7. Bestaande Industrie 4.0 maturiteitsmodellen ..................................................................... 39
2.8. Vergelijking van bestaande Industrie 4.0 maturiteitsmodellen ........................................ 39
2.8.1. Criteria voor de selectie van een Industrie 4.0 maturiteitsmodel ................................ 39
2.8.2. Selectie van een Industrie 4.0 maturiteitsmodel ............................................................ 41
2.8.3. Evaluatie van de geanalyseerde maturiteitsmodellen volgens de opgestelde criteria 42
2.9. Maturiteitsmodel van Müller et al. (2018) ............................................................................ 45
2.9.1. Structuur van de vragenlijst ............................................................................................... 45
2.9.2. Testen van de vragenlijst en bruikbaarheid .................................................................... 46
2.9.3. Interne validiteit ................................................................................................................... 46
2.10. Dataverzameling ................................................................................................................. 48
2.11. Beschrijvende statistiek & externe validiteit .................................................................... 49
3. Resultaten................................................................................................................................... 52
3.1. Onderzoeksvraag ................................................................................................................... 52
3.2. Hypothesen .............................................................................................................................. 54
4. Discussie .................................................................................................................................... 56
5. Beperkingen van het onderzoek en suggesties voor toekomstig onderzoek .......... 63
V
6. Conclusie .................................................................................................................................... 65
7. Bibliografie ................................................................................................................................. 67
8. Bijlage A: Maturiteitsmodellen .............................................................................................. 86
8.1. Model van Schuh et al. (2017): Industrie 4.0 Maturity Index ........................................... 86
8.2. Model van Schumacher et al. (2016) ................................................................................... 88
8.3. Model van Lichtblau et al. (2015): Industrie 4.0 Readiness ............................................. 89
8.4. Model van Müller et al. (2018) .............................................................................................. 90
9. Bijlage B: Enquête Industrie 4.0 ........................................................................................... 92
10. Bijlage C: SPSS Output ..................................................................................................... 119
10.1. Interne validiteit Cronbach’s Alpha ................................................................................ 119
10.1.1. Cronbach’s Alpha organisatorische kwesties ........................................................... 119
10.1.2. Cronbach’s Alpha processen ...................................................................................... 120
10.1.3. Cronbach’s Alpha producten ....................................................................................... 121
10.1.4. Cronbach’s Alpha arbeid ............................................................................................. 122
10.1.5. Cronbach’s Alpha Industrie 4.0 .................................................................................. 123
10.2. Beschrijvende statistiek ................................................................................................... 123
10.2.1. Aantal bedrijven per sector.......................................................................................... 123
10.2.2. Aantal werknemers in de onderneming ..................................................................... 124
10.2.3. Gebruikte technologieën bij de ondernemingen ...................................................... 124
10.2.4. Familiariteit met Industrie 4.0 ...................................................................................... 125
10.2.5. Ervaring met Industrie 4.0 ........................................................................................... 125
10.3. Onderzoeksvraag ............................................................................................................. 125
10.3.1. Industrie 4.0 maturiteitsniveau per sector ................................................................. 125
10.3.2. Industrie 4.0 maturiteitsniveau uitschieters per sector ............................................ 126
10.3.3. Scores per Industrie 4.0 dimensie .............................................................................. 127
10.4. Hypotheses ........................................................................................................................ 128
10.4.1. Hypothese 1: Spearman Rho test: Jaarlijkse omzet en Industrie 4.0 maturiteitsniveau ............................................................................................................................... 128
10.4.2. Hypothese 2: Spearman Rho test: Aantal werknemers en Industrie 4.0 maturiteitsniveau ............................................................................................................................... 128
10.4.3. Hypothese 3: Spearman Rho test: Concurrentie en Industrie 4.0 maturiteitsniveau ............................................................................................................................................................. 129
10.4.4. Hypothese 4: Assumpties voor parametrische test ................................................. 129
1) Normaal verdeling (Shapiro Wilk) .......................................................................................... 129
2) Homogeniteit ............................................................................................................................. 129
10.4.5. Hypothese 4: One Way ANOVA ................................................................................. 130
VI
Lijst met figuren en tabellen
Figuren
Figuur I: Aandeel geleverde BBP van de Belgische productiesectoren (FOD Economie, 2019) .... 4
Figuur II: De vier industriële revoluties (Kagermann et al., 2013) ................................................... 7
Figuur III: Horizontale integratie (Du Plessis, 2017) ...................................................................... 11
Figuur IV: Verticale integratie (Du Plessis, 2017) .......................................................................... 12
Figuur V: End-to-end integratie (Siemens, 2015) .......................................................................... 12
Figuur VI: Van gewoon object naar CPS (Ernst & Frische, 2015) ................................................. 14
Figuur VII: 5C architectuur voor CPS (Lee et al., 2015) ................................................................ 15
Figuur VIII: Toepassingen en technieken van elk deel van het 5C architectuur (Lee et al., 2015) 16
Figuur IX: Verschil van Cyber-physical systemen en Internet of Things (Yao, 2018) ................... 17
Figuur X: Data analytics cycle (IBM, 2018) .................................................................................... 19
Figuur XI: Cloud computing services (Xu, 2012) ........................................................................... 21
Figuur XII: Conventional manufacturing vs additive manufacturing (Attaran, 2017) ..................... 23
Figuur XIII: Geschatte voordelen van Industrie 4.0 (McKinsey, 2016) .......................................... 26
Figuur XIV: Wereldwijde Industrie 4.0 initiatieven (Il Sole 24 Ore, 2014) ...................................... 30
Figuur XV: België competitiveness report (WEF, 2018) ................................................................ 34
Figuur XVI:Interpretatie Crohnbach's Alpha (Scribbr, 2018) ......................................................... 46
Figuur XVII: Aantal werknemers in de onderneming ..................................................................... 50
Figuur XVIII: Industrie 4.0 maturiteitsniveau van de Vlaamse productiesector ............................. 56
Figuur XIX: Behaalde score bij de indicatoren van de organisatorische kwesties ........................ 57
Figuur XX: Behaalde score bij de indicatoren van de processen .................................................. 58
Figuur XXI: Behaalde score bij de indicatoren van de producten .................................................. 59
Figuur XXII:Behaalde score bij de indicatoren van arbeid ............................................................. 60
Figuur XXIII: Industrie 4.0 maturiteitsfases (Schuh et al., 2017) ................................................... 87
Figuur XXIV: Zes fases van het Industrie 4.0 Readiness-model (Lichtblau et al., 2015) .............. 90
Figuur XXV: Voorbeeld van de zelf-evaluatie tool (Müller et al., 2018) ......................................... 91
Figuur XXVI: De vijf maturiteitsniveaus van het Reifegradmodell Kompetenzzentrum Chemnitz
(Müller et al., 2018)......................................................................................................................... 91
VII
Tabellen
Tabel 1: Overzicht van maturiteitsmodellen en criteria..........................................................44
Tabel 2: Aantal bedrijven en de bijhorende sectoren ............................................................49
Tabel 3: Verdeling tussen KMO's en grote ondernemingen ..................................................50
Tabel 4: Gebruikte technologieën bij de ondernemingen ......................................................51
Tabel 5: Industrie 4.0 maturiteitsniveau per sector ...............................................................52
Tabel 6: Scores per Industrie 4.0 dimensie ...........................................................................53
Tabel 7: Verband jaarlijkse omzet en Industrie 4.0 maturiteitsniveau ....................................54
Tabel 8: Verband aantal werknemers en Industrie 4.0 maturiteitsniveau ..............................54
Tabel 9: Verband concurrentie en Industrie 4.0 maturiteitsniveau ........................................55
Tabel 10: Samenvatting hypothesen ....................................................................................61
VIII
Gebruikte afkortingen
ABS = Anti-lock Braking System
AI = Artificial Intelligence
AM = Additive Manufacturing
AR = Augmented Reality
BBP = Bruto Binnenlands Product
CPPS = Cyberphysical Production Systems
CPS = Cyberphysical Systems
DESI = Digital Economy and Society Index
GE = General Electric
IaaS = Infrastructure as a Service
PaaS = Platform as a Service
SaaS = Software as a Service
VOKA = het Vlaams netwerk voor Ondernemingen en Kamers van koophandel in Alle sectoren
VR = Virtual Reality
1
Inleiding
Sinds de start van de industriële productie gedurende het einde van de achttiende
eeuw, ook bekend als het begin van de eerste industriële revolutie, is de manier van fabriceren
constant in verandering (Esmaeilian et al., 2016). Stoomkracht zorgde er destijds voor dat
mechanische vervaardiging mogelijk werd, wat zorgde voor een nooit eerder gezien niveau
van productiviteit en efficiëntie (Sendler, 2018). Vervolgens aan het einde van de negentiende
eeuw zorgden elektriciteit en massaproductie aan de hand van lopende banden voor de
tweede industriële revolutie. De derde revolutie wordt gekenmerkt door de uitvinding van de
computer in 1970, waarmee het mogelijk werd om machines te programmeren en het werk te
automatiseren (Salkin et al., 2018; Deloitte, 2015a; Xu et al., 2018). Elke industriële revolutie
werd dus gekenmerkt door een radicale nieuwe en productievere manier van fabriceren (Lasi,
2014).
De huidige manier van produceren zorgt voor ecologische problemen zoals de
opwarming van de aarde. Daarnaast zorgen globalisering, vergrijzing, uitputting van niet-
hernieuwbare grondstoffen en verschuiving van de consumentenvraag voor additionele
economische en demografische problemen (van der Zee & Brandes, 2007; Wang et al., 2015).
Deze dilemma’s vereisen een duurzamere manier van produceren. Door gebruik te maken van
het internet en nieuwe technologische ontwikkelingen is een nieuwe industriële revolutie
mogelijk. In tegenstelling tot de vorige revoluties werd deze revolutie reeds vooraf voorspeld
(Drath & Horch, 2014; Lasi et al., 2014).
Het begin van de vierde industriële revolutie wordt gesymboliseerd door de introductie
van de term ‘Industrie 4.0’. Deze werd in 2011 voor het eerst publiekelijk vermeld tijdens de
‘Hannover Messe’, Duitslands belangrijkste industriebeurs (Pfeiffer, 2017). Met Industrie 4.0 is
het gehele productieproces (van leverancier tot eindproduct) digitaal verbonden, waardoor er
een diep geïntegreerde waardeketen ontstaat (Europees Parlement, 2015). Door nieuwe
ontwikkelingen op technologisch vlak zoals additive manufacturing, artificiële intelligentie (AI),
cloud computing, cyberphysical systems (CPS), Internet of Things (IoT), Big Data en
Augmented Reality (AR) (Lu, 2017; Vaidya et al., 2018; Gilchrist, 2016) coöperatief met elkaar
te laten werken, kunnen bedrijfsprocessen autonoom en geautomatiseerd verlopen (Lu, 2017;
Vaidya et al., 2018; Gilchrist, 2016). Hierdoor kan een hoger niveau van operationele efficiëntie
en productiviteit worden bereikt waardoor eerder vermelde problemen kunnen worden
opgelost (Wang et al., 2015; Lu, 2017; Deloitte, 2015b).
2
Verschillende landen hebben deze nieuwe revolutie reeds erkend en in hun nationale
strategische toekomstplannen geïntegreerd (Foresight, 2013). Ook in België is er een Industrie
4.0 initiatief, namelijk het ‘Made Different’ actieplan (Europese Commissie, 2017a).
Uit onderzoek bij 30 leidende Vlaamse industriële bedrijven blijkt dat 83% van de
deelnemers reeds van plan zijn om de stap naar Industrie 4.0 te maken (PwC, 2017b). Maar
uit een globale enquête bij 600 bedrijven hebben 169 ondernemingen nog geen volledig begrip
van het concept en weten ze niet welke acties moeten ondernomen worden om deze overgang
te realiseren (Andulkar et al., 2018; PwC, 2016). Daarom werden er maturiteitsmodellen
ontwikkeld om te meten in welke mate bedrijven zich hebben gedigitaliseerd en om hen bij
verdere adoptie te ondersteunen (Rajnai & Kocsis, 2018; Colli et al, 2018).
De doelstelling van deze masterproef is om aan de hand van een maturiteitsmodel te
onderzoeken hoever Vlaamse productiebedrijven staan met de adoptie van Industrie 4.0.
3
1. Literatuurstudie
1.1. Manufacturing
Industrie 4.0 focust zich voornamelijk op manufacturing (Bledowski, 2015; Felch et al.,
2019). De manufacturing sector is ook gekend als de maakindustrie, de productiesector, de
vervaardigingssector of de vervaardigingsindustrie. Deze wordt door Panteia als volgt
gedefinieerd “…bedrijven die materialen tot nieuwe producten verwerken. Tot de
maakindustrie worden de volgende bedrijfstaken gerekend: de voedings- en
genotmiddelenindustrie, de textiel- en lederindustrie, de papierindustrie, uitgeverijen en
drukkerijen, de aardolie-industrie, de chemische industrie, de rubber- en kunstindustrie, de
basismetaalindustrie, de metaalproductenindustrie, de machine-industrie, de
elektrotechnische industrie, de transportmiddelenindustrie, en de hout-, meubel- en overige
industrie (Panteia, 2013, p. 7).” (Departement WSE, 2018).
Daarnaast wordt manufacturing beschouwd als het productieproces waarbij
grondstoffen worden omgezet in fysieke producten door gebruik van mensen, machines of
andere hulpmiddelen (Nordic Council of Ministers, 2015).
1.2. Manufacturing in Europa
De industriële sector is zeer belangrijk voor de groei van de economie. Dagelijks zorgen
goederen geproduceerd door de Europese industrie voor 1 miljard euro winst. De industrie is
verantwoordelijk voor meer dan 80% van de Europese export en neemt 80% van alle privé-
investeringen in onderzoek en innovatie voor haar rekening. Daarnaast zorgt de industrie ook
voor werkgelegenheid. Ongeveer 1 op de 10 bedrijven, goed voor een totaal van 2 miljoen
firma’s, behoren tot de maakindustrie en zorgen voor een totaal van 33 miljoen jobs. Elke
nieuwe baan in de productie-industrie genereert 0,5 à 2 bijkomende arbeidsplaatsen in andere
sectoren (Europese Commissie, 2014; Europees Parlement, 2015).
Door de nasleep van de financiële crisis en de de-industrialisatie (de verschuiving van
de industrie naar lageloonlanden), lag het aandeel van de vervaardigingsindustrie in het bruto
binnenlands product (BBP) van Europa eind 2014 nog steeds lager dan voor de financiële
crisis. In 2014 daalde de productiviteit van 15,4% in het begin van het jaar naar 15,1% in het
eind van het jaar. Dit was lager dan in het begin van 2008 waar toen het BBP 16,5% was
(Europese Commissie, 2014; Europees Parlement, 2015).
Naar aanleiding van de zwakkere positie in de wereldeconomie en om de groei en het
concurrentievermogen te stimuleren, publiceerde de Europese Commissie in 2012 het
industriebeleid ‘A Stronger European Industry for Growth and Economic Recovery’. In dit
4
rapport spoort de Europese Commissie de lidstaten aan om tegen 2020 te streven naar een
productiesector die, aan de hand van modernisering van de industrie, 20% van de
toegevoegde waarde van het BBP levert (Europese Commissie, 2014). De huidige
toegeleverde waarde van de Europese industrie is ongeveer 16,42% van het gehele BBP
(Innovationdata, 2019).
1.3. Manufacturing in België
Ook in België zorgden hypercompetitie, de-industrialisatie en de financiële crisis van
2008 ervoor dat de maakindustrie achteruitging (Departement WSE, 2018). Een studie van het
Europees Parlement uitgevoerd door het comité voor industrie, onderzoek en energie toonde
aan dat de toegevoegde waarde van de productie-industrie tussen 2000 en 2012 met 5,9%
was achteruitgegaan (ITRE, 2016). In 2017 bedroeg de toegevoegde waarde 14,38% van het
BBP. Dit is 2% lager dan het Europees gemiddelde van 16,42% (Innovationdata, 2019) en ver
van het gestreefde doel van 20%.
Figuur I toont aan dat de chemische, metaal-, voedings- en elektrotechnische sector
de ruggengraat van de Belgische industrie vormen. Deze kern is goed voor 77,24% van de
industriële toegevoegde waarde en bijna 14% van het totale BBP (Itinera, 2017).
Figuur I: Aandeel geleverde BBP van de Belgische productiesectoren (FOD Economie, 2019)
Wat hierbij vooral belangrijk is, is dat de dienstenindustrie direct en indirect gelinkt is
aan de productiesector. Deze diensten zijn geen losstaande entiteiten maar ondersteunen de
5
vervaardigingsindustrie. 41% van het eindproduct is het gevolg van bijdragen door
aanvullende diensten zoals distributie, transport, marketing, …. Zoals eerder vermeld zorgt
elke job in de industrie voor 0,5 tot 2 additionele werkplaatsen in andere sectoren zoals de
dienstensector. Zo vormt de maakindustrie de basis van de dienstensector en maakt het dus
indirect nog een groter deel uit van het BBP (Itinera, 2017; VOKA, 2016; Europese Commissie,
2014).
Volgens schattingen van het Vlaams netwerk voor Ondernemingen en Kamers van
koophandel in Alle sectoren (VOKA, 2016) zou maar 26% van de gecreëerde toegevoegde
waarde los van de maakindustrie staan.
1.4. Historiek van Industrie 4.0
Het begin van de industrialisatie begon in Engeland in de tweede helft van de 18e eeuw.
Deze revolutie werd gekenmerkt door het gebruik van stoomkracht in plaats van mens- en
paardenkracht. Stoomkracht werd geproduceerd aan de hand van een thermische motor die
door middel van verbranding, stoom in een ketel genereerde. De druk die door de stoom werd
geproduceerd werd vervolgens naar mechanische energie omgezet (Sendler, 2018). Dit
zorgde voor een alternatieve energiebron naast menskracht, paardenkracht, watermolens en
windmolens. De eerste stoommachines, uitgevonden door Thomas Newcomen in 1712,
werden gebruikt om mijnen droog te houden. In 1765 maakte James Watt de stoommachines
efficiënter, waardoor stoomkracht ook kon worden gebruikt voor industriële doeleinden
(Klingenberg, 2017). Waar voordien textiel thuis met handmatige weefmachines werd
geweven, verplaatste de textielproductie zich naar fabrieken met mechanische weefgetouwen
aangedreven door stoommachines. Het gebruik van stoomkracht zorgde niet alleen voor
innovatie in de textielindustrie maar leidde ook tot betere transportatiemiddelen zoals
stoomtreinen en -boten. De extreme toename in productiviteit zorgde voor de overgang van
een agrarische economie naar een industriële economie waar mensen in steden wonen in
plaats van in dorpen (Drath & Horch, 2014; Sendler, 2018).
De tweede industriële revolutie ontstond aan het einde van de 19e eeuw in de
Verenigde Staten en werd gekenmerkt door massaproductie met behulp van lopende banden
aangedreven door elektriciteit (Balasingham, 2016; Klingenberg, 2017). Door op grotere
schaal te opereren en het arbeidsproces te verdelen, daalde de gemiddelde kost en werd het
produceren efficiënter. Dit zorgde dan ook voor een productievere maar competitievere
industrie. Naarmate de tijd vorderde waren er niet enkel verbeteringen op het technisch en
economisch vlak maar ging het er sociaal ook beter aan toe. Fabrieksarbeiders werden niet
langer uitgebuit en konden meer aanschaffen dan enkel het hoognodige om in hun
basisbehoeften te voorzien (Bauernhansl, 2014). De verbeterde levensstandaard en als
6
gevolg lagere sterfcijfers zorgde voor een bevolkingsgroei. Dit leidde tot massaconsumptie
(Klingenberg, 2017; Sendler, 2018).
Vervolgens vond begin 1970 in de Verenigde Staten de derde industriële revolutie
plaats, ook gekend als de digitale revolutie (Balasingham, 2018). De opkomst van elektronica
en computers maakte het mogelijk om de productie te laten automatiseren. Door de alsmaar
verbeterende levensstandaard groeide de bevolking van 1970 tot 2010 met 3,6 miljard
waarvan ongeveer twee derde in Azië (Worldometers, 2019; Klingenberg, 2017). Hierdoor
vonden er veranderingen plaats op vlak van productie maar ook in de consumentenvraag.
De populatiegroei in Azië zorgde ervoor dat er een groter en goedkoper arbeidsaanbod
beschikbaar was. ICT maakte internationale communicatie mogelijk waardoor de productie
eenvoudiger was te coördineren. Met oog op kostenbesparing door middel van deze
goedkopere arbeidskrachten, werden delen van de fabricage verhuisd van Westerse
industrielanden naar Aziatische ontwikkelingslanden (Klingenberg, 2017). Naast deze
outsourcing bracht deze bevolkingsgroei ook een groeiende vraag met zich mee. Maar dat
was niet alles, de markten raakten door de overvloed aan producenten verzadigd. Doordat de
basisbehoeften van de samenleving waren bevredigd vond er een verandering plaats van een
verkopersmarkt naar een kopersmarkt. Meer en meer consumenten begonnen zich te
differentiëren en zich te focussen op individualisering (Bauernhansl, 2014). De globalisatie van
de waardeketen zorgde voor een snel veranderende competitieve markt waar de productie
aan een zo productief en efficiënt mogelijke manier aan de consumentenvraag moest voldoen.
Industrie 4.0 komt hierbij met een mogelijke oplossing. Continue gegevensuitwisseling
door machines te voorzien van sensoren, zorgt ervoor dat elke eenheid zonder menselijke
tussenkomst autonome beslissingen kan nemen afhankelijk van de dynamische vereisten en
behoeften (Hannover Messe, 2018; Pereira & Romero, 2017). Waar voordien geautomatiseerd
werd geproduceerd, zal er nu intelligent worden vervaardigd (Thoben et al., 2017). Deze
transitie naar een nieuwe productievere manier van produceren wijst op de opkomst van de
vierde industriële revolutie (Schuh, 2014). Het begin van deze nieuwe revolutie betekent dan
ook het eind van de derde industriële revolutie.
7
Figuur II: De vier industriële revoluties (Kagermann et al., 2013)
1.5. Industrie 4.0
Volgens de startnota ‘De sprong maken naar Industrie 4.0’ van de Vlaamse regering
(2017) zijn de sterkste drivers voor de Industrie 4.0 transitie maatschappelijke evoluties. Uit
een literatuurstudie uitgevoerd door van der Zee en Brandes (2007) blijkt dat er verschillende
ecologische, sociale en economische uitdagingen zijn die de toekomst van manufacturing
zullen bepalen:
1. Globalisering leidt tot een alsmaar competitievere omgeving waarbij bedrijven
zich snel moeten aanpassen aan de vraag (van der Zee & Brandes, 2007; IPTS,
2003; Europese Commissie, 2010; McKenzie, 2013; Teknikforetagen, 2013).
2. Problemen met milieu en klimaat zoals de opwarming van de aarde kunnen een
impact hebben op de productieketen, bijvoorbeeld extreem weer of stijgende
zeeniveaus (van der Zee & Brandes, 2007; Foresight, 2013; IPTS, 2003;
Europese Commissie, 2010; McKenzie, 2013; Teknikforetagen, 2013).
3. Verminderde toegang tot grondstoffen en fossiele energiebronnen door de
slinkende reserves en de grotere vraag door zowel industrielanden als
8
ontwikkelingslanden (van der Zee & Brandes, 2007; Europese Commissie,
2010; McKenzie, 2013).
4. Vergrijzing leidt tot een groot verlies van kennis, dit leidt ook tot een kleiner
arbeidsaanbod (van der Zee & Brandes, 2007; Europese Commissie, 2010;
McKenzie, 2013; Teknikforetagen, 2013).
5. Verschuiving naar een meer klantgerichte en gepersonaliseerde
consumentenvraag (Foresight, 2013).
Bij deze uitdagingen spreken Lasi et al. (2014) over een application-pull. Hiermee
bedoelen Lasi et al. (2014) dat de verschuivingen in de manier van fabriceren zoals kortere
productontwikkelingstijden, individualisering van de vraag, nood aan flexibelere productie,
behoefte aan decentralisatie om sneller beslissingen te kunnen nemen en efficiënter gebruik
van grondstoffen een nieuwe manier van productie vereisen.
Door de opkomst van de industrielanden zakte Duitsland in 2010 naar de achtste plaats
op de ‘Global Manufacturing Competitiveness Index’ van Deloitte (BMBF, 2010; Klingenberg,
2017; Deloitte, 2010). Om competitief en innovatief te blijven bracht de Duitse regering in 2010
het ‘High-Tech Strategy 2020 Action Plan’ uit (Europese Commissie, 2017b, Europese
Commissie, 2017c). Hierbij deelde het land zijn toekomstvisie en identificeerde het vijf
domeinen waar het zich als industrieleider wou positioneren. Namelijk klimaat/energie,
gezondheid/voeding, mobiliteit, veiligheid en communicatie.
Naar aanleiding van dit actieplan werd, zoals in de inleiding vermeld, de term ‘Industrie
4.0’ in 2011 voor het eerst publiekelijk gebruikt tijdens de ‘Hannover Messe’, Duitslands
belangrijkste industriebeurs (Pfeiffer, 2017; BMBF, 2010). Deze aankondiging symboliseert
het begin van de vierde industriële revolutie. De nieuwe revolutie moedigt het idee van
autonome onbemande fabrieken aan. In deze fabrieken worden de lichten gedoofd en zijn de
productieomgevingen uitgerust met autonome systemen, die geen menselijke tussenkomst
nodig hebben (Oztemel & Gursev, 2018).
1.5.1. Definitie
Alhoewel er veel onderzoek is gedaan naar het onderwerp, is er geen éénduidige
definitie voor Industrie 4.0 (Hermann et al., 2016). Één van de belangrijkste initiatiefnemers
‘Plattform Industrie 4.0’, een werkgroep opgericht in 2013 door de Duitse regering, definieert
het als volgt (2018): “Industrie 4.0 refers to the intelligent networking of machines and
processes for industry with the help of information and communication technology”.
Oztemel & Gursev (2018) gaan hier dieper op in met hun definitie: “Industry 4.0 is a
manufacturing philosophy that includes modern automation systems with a cretin level
9
autonomy, flexible and effective data exchanges encoring the implementation of next
generation production technologies, innovation in design, and more personal and more agile
in production as well as customized products”.
Industrie 4.0 staat ook bekend onder andere benamingen zoals ‘Industrial Internet /
Industrial Internet of Things’, ‘Smart / Advanced Manufacturing’, ‘Intelligent Manufacturing’ en
‘Integrated Industry’ (Kagermann et al., 2016; Thoben et al., 2017; Koch et al., 2014;
Ægisdóttir, 2016).
De Amerikaanse tegenganger van Industrie 4.0, Industrial Internet, ook gekend als
Industrial Internet of Things (IIoT) werd in 2012 door General Electric (GE, 2018), een
marktleider op vlak van elektronica en technologie, bedacht. IIoT werd in een rapport uit 2015
van Accenture en GE als volgt gedefiniëerd : “… a source of both operational efficiency and
innovation that is the outcome of a compelling recipe of technology developments [sic]. The
resulting sum of those parts gives you the Industrial Internet—the tight integration of the
physical and digital worlds. The Industrial Internet enables companies to use sensors,
software, machine-to-machine learning and other technologies to gather and analyse data
from physical objects or other large data streams—and then use those analyses to manage
operations and in some cases to offer new, value-added services” (Boyes et al., 2018, p. 2).
In deze masterproef zal de definitie zoals omschreven door Oztemel & Gursev (2019)
gebruikt worden wegens de uitgebreidere uitleg. Hoewel de definities van Industrie 4.0 en IIoT
zeer gelijkaardig zijn, is er toch een verschil. Industrial Internet heeft een veel bredere scope
dan Industrie 4.0, die enkel focust op manufacturing. Naast manufacturing houdt Industrial
Internet zich ook bezig met energie, transport, gezondheid, landbouw en steden (Bledowski,
2015; kxp, 2017; Thoben et al., 2017).
1.5.2. Digitale transformatie
Industrie 4.0 wordt geassocieerd met de term digitale transformatie (Ustundag &
Cevikcan, 2018). Volgens Berghaus & Back (2016) omvat digitale transformatie zowel de
digitalisering van processen om deze efficiënter te laten verlopen als de digitale innovatie om
bestaande fysieke producten met digitale mogelijkheden uit te breiden. Een voorbeeld hiervan
is de mogelijkheid tot het monitoren van een machine waardoor het mogelijk is te bepalen
wanneer deze vervangen moet worden. Digitale diensten verbinden met fysieke producten
staat ook gekend als digitale servitisatie (Sirris, 2018).
10
Deze adoptie van digitale technologieën maakt het mogelijk om gebruik te maken van
nieuwe toepassingen en hierdoor nieuwe business modellen te ontwikkelen (Henriette et al.,
2016). Digitale transformatie brengt dus naast aanpassingen op productniveau ook
organisatorische wijzigingen met zich mee.
1.5.3. Kernelementen van Industrie 4.0
Wang et al. (2015) benadrukken in hun paper dat Industrie 4.0 zorgt voor een diepe
integratie van de bedrijfs- en ontwerpprocessen waardoor de productie flexibeler, efficiënter
en ecologischer verloopt en dit terwijl er een hoge kwaliteit en lage kost behouden wordt. Bij
de implementatie van Industrie 4.0 zijn de volgende drie dimensies van integratie essentieel
(Kagermann et al., 2013):
(1) horizontale integratie van de globale waardeketen
(2) verticale integratie van genetwerkte productieomgevingen en
(3) end-to-end digitale integratie van het ontwerpproces door de gehele waardeketen.
1) Horizontale integratie van de globale waardeketen
De horizontale integratie van de globale waardeketen verwijst naar de verbinding van
de fabriek met de leveranciers en klanten. Figuur III toont het netwerk waarin elke partner hun
product- en procesgegevens in real-time met elkaar delen. Dit zorgt voor een betere
coördinatie, controle en samenwerking doordat de bedrijven gezamenlijk betrokken zijn bij de
ontwikkeling en productie van producten.
Eens toegepast kunnen veranderingen in de klantenvraag direct met de leveranciers
worden gesynchroniseerd. Omgekeerd worden klanten op de hoogte gebracht van de bestel-
en leveringsstatus (Du Plessis, 2017). In de producent-leverancier relatie rapporteert de
fabriek de benodigdheden aan materiaal automatisch aan de leverancier door het gebruik op
te volgen waardoor de voorraad altijd op peil blijft (Wolter et al., 2015). Naast een hoge
transparantie en flexibiliteit biedt horizontale integratie ook een geoptimaliseerde globalisatie
bij deze samenwerkende bedrijven waardoor hun producten en services sneller innoveren en
eerder de markt bereiken dan de producten en services van hun concurrenten (Kagermann et
al., 2013; Nilsen & Nyberg, 2016; Deloitte, 2014).
11
Figuur III: Horizontale integratie (Du Plessis, 2017)
2) Verticale integratie van genetwerkte productieomgevingen
De digitalisatie van de verticale integratie betreft de integratie van IT-systemen in alle
hiërarchische niveaus binnenin het bedrijf. Waar voordien bij alle IT-systemen de informatie
geïsoleerd zat, zorgt deze verbondenheid voor een informatiestroom die loopt van de
productontwikkeling naar de productie tot de bedrijfsplanning (Frank et al., 2019). De groene
lijnen op figuur IV geven de verschillende koppelingen weer tussen de werkvloer en het
topmanagement. Door deze informatie beschikbaar te stellen, kunnen optimalere
ondernemingsbeslissingen genomen worden. Deze verbondenheid maakt het bijvoorbeeld
mogelijk om sneller te reageren bij defecten van machines en kwaliteitsafwijkingen. Naast
defecten kan ook de slijtage bij machines worden opgevolgd. Als gevolg leidt verticale
integratie tot efficiëntie op vlak van materiaal, energie, arbeidskracht en stilstand door
reparaties (Kagermann et al., 2013; Deloitte, 2014)
12
Figuur IV: Verticale integratie (Du Plessis, 2017)
3) End-to-end integratie van het ontwerpproces door de gehele
waardeketen
End-to-end integratie maakt gebruik van zowel de verticale als de horizontale integratie
tijdens de gehele levenscyclus van het product. De data verzameld tijdens alle stadia van het
productieproces zorgt ervoor dat zowel de digitale als de echte wereld over de bedrijfsgrenzen
heen geïntegreerd zijn waardoor de levenscyclus van het product via een digitaal model
opgevolgd, aangepast en geoptimaliseerd kan worden zoals te zien op figuur V (Kagermann
et al., 2013; Nilsen & Nyberg, 2016; Deloitte, 2014).
Figuur V: End-to-end integratie (Siemens, 2015)
13
1.5.4. Industrie 4.0 activerende technologieën
Volgens Wahlster zijn 80% van de innovaties van de maakindustrie gebaseerd op ICT
technologieën (Kusmin, 2018). Industrie 4.0 is mogelijk dankzij een combinatie van
ontwikkelingen op vlak van ICT zoals mechanisatie, automatisering, digitalisatie van de
productie en miniaturisering van elektronische apparaten waardoor er geavanceerder
geproduceerd worden. Dit zorgt voor oplossingen voor de in sectie 1.5 besproken application-
pull en wordt een technology-push genoemd (Lasi et al., 2014). In de volgende onderdelen
zullen de technologieën worden besproken die Industrie 4.0 mogelijk maken maar eerst
worden de ontwerpvoorwaarden behandeld waarmee Industrie 4.0 technologieën zich
onderscheiden van traditionele industriële technologieën (Hermann et al., 2016; Vincent,
2018).
1.5.5. Ontwerpvoorwaarden van de technologieën
1) Interoperabiliteit: De mogelijkheid van objecten, machines en mensen in een
bedrijf om met elkaar te communiceren, gegevens uit te wisselen en activiteiten te
coördineren via het internet. Schuh et al. (2014) definiëren hierbij drie soorten
communicaties: (1) tussen mensen onderling (mens-mens), (2) tussen mensen en
intelligente toestellen (mens-machine interactie) en (3) tussen intelligente toestellen
onderling (machine-machine, M2M).
2) Informatietransparantie: De transparantie van de Industrie 4.0 technologieën stelt
grote hoeveelheden nuttige informatie beschikbaar, die kunnen gebruikt worden om
de beslissingsprocedure te optimaliseren.
3) Gedecentraliseerde beslissingen: Interoperabiliteit en informatietransparantie
geven aan alle objecten en machines toegang tot de gegevens om autonoom
geïnformeerde beslissingen te maken in de plaats van afhankelijk te zijn van een
centraal besturingssysteem.
4) Technische ondersteuning: Ondersteuning zowel bij het nemen van complexe
beslissingen door informatie te verzamelen en op een duidelijke manier deze
informatie te visualiseren, als bij het uitvoeren van fysieke taken die moeilijk,
onveilig of onmogelijk zijn voor mensen.
1) Cyberphysical systems (CPS)
CPS worden in de meerderheid van de door Ernst & Frische (2015) geanalyseerde
literatuur beschouwd als de meest essentiële technologie voor de transitie naar Industrie 4.0.
Lee & Seshia (2014, p. 1) omschrijven CPS als “… an integration of computation with
physical processes whose behavior is defined by both cyber and physical parts of the system.
14
Embedded computers and networks monitor and control the physical processes, usually with
feedback loops where physical processes affect computations and vice versa.”
CPS bestaan uit mechatronische componenten met sensoren voor dataverzameling en
actuatoren om de fysische processen te beïnvloeden. Deze mechatronische componenten zijn
een combinatie van mechanica, elektronica en IT en bestaan dus uit een mechanisch systeem
met een regelsysteem om het gedrag van dit systeem te bepalen. Vaak is het regelsysteem
een ingebed systeem met de bedoeling om het apparaat van een vorm van intelligent gedrag
te voorzien. Het omvormingsproces van gewoon object tot CPS wordt weergegeven in figuur
VI. Een voorbeeld van een CPS uit het alledaagse leven is het Anti-lock Braking System (ABS)
van een auto. Het ABS bestuurt de remmen van de auto zodat de wielen niet blokkeren
waardoor de auto bestuurbaar blijft. Hierbij maakt het systeem gebruik van gegevens
verzameld door de sensoren van de auto.
De termen CPS en mechatronica worden door hun verwantschap soms onderling door
elkaar gebruikt (Jeschke et al., 2016). Het belangrijkste verschil tussen CPS en mechatronica
is dat CPS gebruik maken van communicatie via netwerken om de fysieke en virtuele wereld
te koppelen.
Figuur VI: Van gewoon object naar CPS (Ernst & Frische, 2015)
Deze CPS geïntegreerd in een productieproces vormen samen cyberphysical
production systems (CPPS). De sensoren worden gebruikt om in real-time de huidige toestand
van de productielocatie op te meten. Deze data wordt gedecentraliseerd verwerkt waardoor
de CPS autonoom zonder tussenkomst van een centraal punt van hogerop aan de hand van
actuatoren autonoom fysieke handelingen kunnen uitvoeren. Daarnaast communiceren de
CPS onderling via de cloud enkel de gegevens noodzakelijk voor de processen in het systeem
en het behoud van de werking van het systeem (Eaton, 2016; Domino, 2019). Het gebruik van
de cloud zorgt ervoor dat deze gegevens beschikbaar zijn voor het gehele virtuele netwerk
15
waardoor de processen van overal in de wereld in de gaten gehouden worden en beheerd
kunnen worden (Gilchrist, 2016).
Figuur VII geeft het raamwerk van Lee et al. (2015) weer voor de implementatie van
een CPPS. Het raamwerk heeft de structuur van een piramide bestaande uit vijf lagen die data
bevatten en waarbij bij elk hoger niveau de data wordt omgezet naar waardevollere informatie
(Yao, 2018). In onderstaand deel zullen deze vijf lagen meer worden toegelicht.
Figuur VII: 5C architectuur voor CPS (Lee et al., 2015)
Stap 1: Smart connection
De eerste laag omvat het fysieke niveau, het verzamelen van accurate en betrouwbare
data uit machines en hun componenten. Hierbij moet er rekening gehouden worden met de
datatypes, gegevensverzamelingsmethode en protocollen voor gegevensoverdracht.
Daarnaast moet er ook gedacht worden aan het gebruik van de juiste sensoren om de
gewenste data te verkrijgen (Lee et al., 2015).
Stap 2: Data-to-Information conversion
De verkregen data wordt omgezet naar nuttige informatie aan de hand van
technologieën, technieken en methoden. Lee et al. (2015) vermelden dat bij deze stap
machines zelfbewustzijn ontwikkelen dankzij het ontvangen en genereren van nuttige
informatie zoals de geschatte levensduur van de machine.
16
Stap 3: Cyber niveau
De verbonden machines vormen een netwerk naar waar de gegenereerde informatie
wordt verzonden. Vervolgens kan de doorgezonden informatie worden gebruikt om de
machines onderling te vergelijken, te evalueren en toekomstig gedrag te bepalen aan de hand
van oude informatie (Lee et al., 2015).
Stap 4: Cognition
Bij de vierde stap gaat het om het presenteren en visualiseren van de geanalyseerde
data op een manier die gebruikers helpt bij het maken van beslissingen (Du Plessis, 2017).
Stap 5: Configuration
Tijdens de laatste stap geeft het cyber gedeelte feedback aan de fysieke wereld. Deze
toezichthoudende controle zorgt ervoor dat machines in staat zijn om zichzelf te configureren
en zichzelf aan te passen (Lee et al., 2015). Figuur VIII geeft een voorbeeld van de
toepassingen per stap.
Figuur VIII: Toepassingen en technieken van elk deel van het 5C architectuur (Lee et al., 2015)
Een succesvolle implementatie van CPS binnen de productieomgeving zorgt voor de
mogelijkheid van verticale en horizontale integratie van IT systemen en verbondenheid van de
hele waardeketen (Perreira, 2017).
17
2) Internet of Things (IoT)
IoT is een ondersteunende technologie voor CPS (Memmel, 2017). Gartner omschrijft
IoT als een netwerk bestaande uit fysieke objecten voorzien van ingebedde technologieën
zoals sensoren om de omgeving waar te nemen en actuatoren om ermee te interacteren
(Kumar & Wiil, 2019). IoT zorgt ervoor dat mensen en objecten op elk moment en op elke
plaats met alles en iedereen verbonden zijn. Dankzij IoT kunnen de fysieke wereld en de
digitale wereld met elkaar interageren. Fysieke objecten kunnen virtueel weergegeven worden
aan de hand van de gegevens verzameld uit de aangebrachte sensoren. Deze virtuele
tegenhangers staan gekend als digital twins (Vermesan et al., 2011).
Door hun gelijkaardige gebruik van netwerken, internet en sensoren worden de
concepten IoT en CPS vaak in nauw verband gebruikt. Het verschil tussen beide wordt in figuur
IX aangetoond. CPS is een verticaal concept dat de fysieke wereld met de digitale wereld
combineert terwijl IoT een horizontaal concept is dat communicatie tussen fysieke objecten
mogelijk maakt (Yao, 2018).
Figuur IX: Verschil van Cyber-physical systemen en Internet of Things (Yao, 2018)
3) Big Data
Data ligt aan de basis van Industrie 4.0 zoals stoom en elektriciteit respectievelijk aan
de basis van de eerste en tweede industriële revolutie lagen (Karlberg & Pettersson, 2016).
De alsmaar grotere integratie van sensoren en netwerken van machines in de industrie leidt
tot een verhoging aan de hoeveelheden gegenereerde data van processen, systemen,
services, …. Een rapport van Reinsel et al. (2018) geeft aan dat de digitale wereld in 2018 33
zettabytes omvat. Tegen 2020 zou de omvang van de digitale wereld groeien naar 40
zettabytes en dit volume zou vanaf dan elk jaar verdubbelen (Yin & Kaynak, 2015; Reinsel et
al., 2018). Deze grote kwantiteit aan gegevens staat ook gekend als big data (Du Plessis,
2017).
18
Chen et al. beschrijven big data als volgt: “… datasets that could not be perceived,
acquired, managed, and processed by traditional IT and software/hardware tools within a
tolerable time.” (Unterhofer, 2018). Traditionele databases ondervinden problemen met het
verwerken van big data wegens de beperkte opslagruimte, de verschillende gegevenstypes
en gegevensstructuren. Deze gegevens kunnen zowel gestructureerd als ongestructureerd
voorkomen. 5% van big data is gestructureerd, voorbeelden hiervan zijn namen, datums,
adressen, locaties, sensordata, productgebruik, .... De overige 95% zijn ongestructureerde
gegevens. Deze komen voor in de vorm van thermische foto’s, video’s, klantenklachten op
sociale netwerken en foutrapportages opgesteld door onderhoudstechnici, … (Kassner et al.,
2017; Unterhofer, 2018).
Volgens Hilbert heeft big data vijf karakteristieken (Yao, 2018):
1) Volume: De hoeveelheid van de gegenereerde en opgeslagen data. De grootte van
de hoeveelheid data heeft invloed op de potentiële inzichten en bepaalt als deze al dan
niet big data is (Yao, 2018).
2) Variëteit: Het type en de aard van de data. Doordat ondernemingen data zowel uit
interne als externe bronnen verzamelen, zijn deze niet altijd gestructureerd. De data
wordt verzameld via verschillende apparaten, sensoren en platformen waardoor deze
in verschillende formaten voorkomen (Zicari, 2013).
3) Snelheid: De snelheid waarmee data gecreëerd en verwerkt wordt. Vaak moet de data
in real-time worden geanalyseerd (IBM, 2017).
4) Variabiliteit: Variabiliteit verwijst naar inconsistentie in de dataset door uitschieters,
verscheidenheid van dataformaten en -bronnen en de snelheid waarmee de data
binnengeladen wordt (Katal et al., 2013).
5) Waarheidsgetrouwheid: De accuraatheid en de kwaliteit van de data hebben een
grote invloed op de uitkomst van de analyse en op welke inzichten er geleverd kunnen
worden (Yao, 2018).
David Gorbet van Marklogic, een database leverancier, haalt aan dat bedrijven big data
moeten gebruiken om waarde te creeëren (Zicari, 2013). Volgens PwC (2018) gebeurt dit aan
de hand van Big Data analyse waarbij voordien onaangewende data nu wel gebruikt wordt om
processen te optimaliseren en nooit eerder geziene inzichten te creëren. Data analyses
kunnen opgedeeld worden in drie grote categorieën namelijk beschrijvende, voorspellende en
prescriptieve analyse. Daarnaast kan de term ‘diagnostische analyse’ ook in de literatuur
worden teruggevonden (Sivri & Oztaysi, 2018).
Beschrijvende analyse vormt inzichten uit gegevens en beantwoordt de vraag “Wat is
er gebeurd?”. Een uitbreiding op deze analyse is diagnostische analyse. Diagnostische
19
analyse wordt gebruikt om verklaringen te zoeken voor bedrijfsprocessen om zo diepere
inzichten te verkrijgen (Sivri & Oztaysi, 2018). Deze analyses kunnen worden toegepast om
producten te volgen in de waardeketen en om de oorzaak van de productie van defecte
eenheden te onderzoeken (Kagermann et al., 2013).
Bij voorspellende analyse worden toekomstige resultaten op basis van gegevens en
gebeurtenissen uit het verleden voorspeld. Het beantwoordt de vragen “Wat zal er gebeuren?”
en “Waarom zal het gebeuren?” (Sivri & Oztaysi, 2018). Voorbeelden hiervan zijn preventief
onderhoud en het voorspellen van de marktvraag (Kagermann et al., 2013).
Als laatste categorie is er prescriptieve analyse, waarmee het strategische en
operationele besluitvormingsproces geoptimaliseerd wordt. Deze analyse beantwoordt de
vragen “Wat moet ik doen?” en “Waarom zou ik het moeten doen?” (Sivri & Oztaysi, 2018).
Gebruiksscenario’s zijn het nemen van optimale beslissingen bij het plannen van verkoop en
het gebruik van middelen (Kagermann et al., 2013). Figuur X geeft een korte samenvatting
weer.
Figuur X: Data analytics cycle (IBM, 2018)
4) Cloud computing
Het Amerikaanse National Institute of Standards and Technology (NIST) omschrijft
cloud computing als volgt: “… a model for enabling convenient, on demand network access to
a shared pool of configurable computing resources (e.g., networks, servers, storage,
applications, and services) that can be rapidly provisioned and released with minimal
management effort or service provider interaction.” (Atobishi et al., 2018, p. 11).
20
CPPS zullen grote hoeveelheden data produceren, die opgeslagen en verwerkt moeten
worden. Cloud computing zorgt ervoor dat zowel de CPPS als de geanalyseerde gegevens
van overal en altijd beschikbaar zijn. Aan de hand van cloud computing kunnen gebruikers dus
de hardware en software van dienstverleners van overal en ten allen tijde gebruiken zonder
de IT-infrastructuur ervoor te bezitten. Deze utilisatie volgt een ‘pay for what you use’-concept
waardoor er optimaal gebruik kan gemaakt worden van de middelen.
Het gebruik van cloud computing bespaart de kapitaalintensieve investering benodigd
voor het aanschaffen en up-to-date houden van een geavanceerde IT-infrastructuur.
Afhankelijk van de vertrouwelijkheid van de gegevens zijn er vier verschillende soorten
cloud implementatie modellen (Yao, 2018):
1) Publieke cloud: De servers zijn in het bezit van een derde partij en wordt gedeeld
met anonieme partijen (Xu, 2012).
2) Private cloud: Een private cloud is gelijkaardig aan een publieke cloud maar deze
behoort tot en wordt gebruikt door één bedrijf (Xu, 2012).
3) Community cloud: Een community cloud wordt gedeeld door verschillende
organisaties met gemeenschappelijke interesses en belangen (Xu, 2012).
4) Hybrid cloud: Een combinatie van bovenstaande clouds (Xu, 2012).
Vaak maken ondernemingen gebruik van meerdere soorten implementatie modellen
afhankelijk van de cloud services die ze gebruiken.
Bij cloud services worden er traditioneel drie service leveringsmodellen onderscheiden.
Deze zijn te zien op figuur XI (Yao, 2018):
1) Software as a Service (SaaS): SaaS geeft de mogelijkheid om software
applicaties te draaien in de cloud.
2) Platform as a Service (PaaS): PaaS levert een software platform waar
ontwikkelaars de gehele levenscyclus, de ontwikkeling, het testen, de
implementatie en de hosting van applicaties kan uitvoeren (Xu, 2012).
3) Infrastructure as a Service (IaaS): IaaS, ook gekend als Hardware as a
Service (HaaS), zorgt door het aanbieden van een IT-infrastructuur ervoor dat
gebruikers geen IT-investeringen moeten uitvoeren voor het opzetten en
onderhouden van een IT-infrastructuur. Extra benodigde capaciteit kan altijd
extra worden bijbesteld. Het gebruik van deze service gebeurt aan de hand van
een ‘pay-per-use’-concept (Xu, 2012).
21
Figuur XI: Cloud computing services (Xu, 2012)
5) Artificial intelligence (AI)
Artificial intelligence is volgens Copeland (2019, p. 1): “… the ability of a digital
computer or computer-controlled robot to perform tasks commonly associated with intelligent
beings. The term is frequently applied to the project of developing systems endowed with the
intellectual processes characteristic of humans, such as the ability to reason, discover
meaning, generalize, or learn from past experience.”.
Met AI is het mogelijk voor machines om autonoom beslissingen te nemen en
ingewikkelde problemen op te lossen. Daarnaast kunnen machines zich aanpassen aan een
dynamische omgeving aan de hand van het zelfstandige leervermogen van AI, ook gekend als
machine learning. Met gebruik van machine learning, big data en cloud computing kan AI
sneller inzichten produceren, ongedocumenteerde fouten detecteren en complexere patronen
herkennen dan mensen (Unido, 2017; OECD, 2017).
PwC (2017a) onderscheidt vier vormen van AI:
1) Geautomatiseerde intelligentie: automatisatie van handmatige/cognitieve &
routine/niet-routineuze taken.
2) Begeleidende intelligentie: ondersteunt mensen met het beter en sneller uitvoeren
van taken.
3) Aanvullende intelligentie: ondersteunt mensen met betere beslissingen te nemen.
4) Autonome intelligentie: automatisatie van beslissingsprocedure zonder menselijke
tussenkomst.
22
6) Autonome robots
Robotica wordt al lang voor massaproductie gebruikt. Hedendaagse robots zijn statisch en
voeren repetitieve vooraf gedefinieerde taken uit (Pedersen et al., 2016). De
vraagverschuiving van massaproductie naar massamaatwerk van producten vraagt om
flexibele en herprogrammeerbare robots. Het herconfigureren van traditionele robots voor
andere processen, zoals ontwerp-, fabricage- en assemblagefasen, is een omslachtige en
tijdsintensieve taak. Intelligente robots, waar AI de cognitieve taak opneemt en robotica de
motorische rol, kunnen zich snel autonoom aanpassen en opnieuw configureren waardoor er
kortere wachttijden, productietijden en lagere productiekosten zijn (Alcácer & Cruz-Machado,
2019). Daar bovenop zijn deze robots in staat om achteruitgang in de productie te detecteren
en deze aan de hand van optimalisatie te verbeteren (Bayram & İnce, 2018).
7) Augmented reality (AR) & Virtual reality (VR)
Augmented reality is een versie van de werkelijkheid, waarbij de reële fysieke
omgeving met digitale of computer gegenereerde informatie wordt verrijkt (Oztemel & Gursev,
2018). AR wordt vooral toegepast voor het weergeven van aanvullende informatie bij
onderhoud. Werkinstructies kunnen de realiteit overlappen waardoor er niet meer naar
instructies in een handleiding moet worden gezocht. Daarnaast kan benodigd materiaal en
gereedschap visueel gemarkeerd worden waardoor er niet meer naar moet worden gezocht
en er zo tijd kan worden bespaard (VR Dynamix, 2019).
Virtual reality daarentegen dompelt de gebruiker volledig onder in een synthetische
omgeving waardoor de echte wereld niet meer gezien kan worden (Syberfeldt et al., 2016).
VR-technologie maakt het mogelijk om aan de hand van een virtueel prototype al voor het
creëren van een fysiek prototype de fouten en discrepanties te detecteren. Zo worden er
kosten en tijd bespaard op de productie van fysieke prototypes (VR Dynamix, 2019).
Daarnaast kan er aan de hand van VR ook een training gegeven worden waarin
werknemers apparaten en machines virtueel bedienen. Zo kan de omgang met gevoelige en/of
gevaarlijke apparaten in een veilige omgeving worden getraind. Medewerkers kunnen hun
theoretische kennis in de virtuele omgeving in de praktijk toepassen waardoor er buitensporige
kosten, risico op letsels en downtime voorkomen kunnen worden (VR Dynamix, 2019).
8) Simulation
In de paper van Rodič (2017, p. 193) is volgende definitie te vinden: “Simulation
modelling is the method of using models of a real or imagined system or a process to better
understand or predict the behaviour of the modelled system or process.”
23
Simulatie maakt het mogelijk om virtueel alle processen na te bouwen en omstandigheden te
simuleren aan de hand van real-world data. Hiermee kunnen processen worden
geoptimaliseerd door virtuele foutopsporing, alternatieven worden getest en de haalbaarheid
van projecten worden gemeten zonder fysieke testen uit te voeren om zowel trial-and-error
kosten als installatie- en implementatietijd te reduceren (Salkin et al., 2018; Du Plessis, 2017).
9) Additive manufacturing (AM)
Additive manufacturing zorgt ervoor dat de verschuiving van de marktvraag naar
maatwerk beantwoord wordt. AM, ook gekend als 3D-printen, zet digitale modellen om naar
objecten door samenstellende materialen laag-per-laag op te stapelen (Tofail et al., 2018). In
tegenstelling tot traditionele productie, waar er materiaal wordt weggenomen van een
werkstuk, is er bij deze manier van productie door de laag-per-laag stapeling geen
materiaalverspilling. Het zorgt ervoor dat de fabrikant in staat is om efficiënt kleine
hoeveelheden van maatwerkproducten te vervaardigen zonder hierbij tijd te verliezen of extra
kosten te ervaren. Deze kleine hoeveelheid gepersonaliseerde producten zijn ook gekend als
batch size one (Fraunhofer IPT, 2019). Daarnaast hoeven er geen individuele onderdelen op
voorraad bijgehouden worden om defecte onderdelen te vervangen. Figuur XII toont aan dat
het gebruik van AM voordeliger is bij het produceren van een laag aantal eenheden dan bij het
traditioneel produceren.
Figuur XII: Conventional manufacturing vs additive manufacturing (Attaran, 2017)
24
In de productie-industrie zijn er twee algemene soorten AM-toepassingen (Attaran, 2017):
1) Rapid Prototyping: Bij traditionele productie zorgt het produceren van een prototype
voor veel kosten doordat de productielijn moet worden gebruikt voor één enkel product.
AM zorgt voor een snellere productie van prototypes, wat leidt tot een besparing van
kosten en tijd.
2) Component Manufacturing: Met AM kunnen er gemakkelijk defectloze onderdelen
met specifieke vereisten worden geproduceerd.
1.5.6. Voordelen & opportuniteiten van Industrie 4.0
Volgens Mohamed (2018) zorgt deze nieuwe manier van produceren voor vele voordelen
en opportuniteiten voor de vervaardigingsindustrie. Deze voordelen zijn terug te vinden in de
onderstaande productiegebieden en worden samengevat in figuur XIII (Bauernhansl, 2014,
McKinsey, 2015, Kambarov et al., 2018; i-scoop, 2019):
1) Efficiënter gebruik van grondstoffen en optimalisatie van processen
De mogelijkheid om processen en materiaal in real-time te kunnen opvolgen en
communicatie tussen verschillende bedrijfsnetwerken aan de hand van CPS maakt het
eenvoudiger om de flow te optimaliseren. Problemen bij de productieprocedure zoals
overmatig gebruik worden vanzelf verbeterd of gemeld. Hierdoor kan er sneller worden
gereageerd, produceert de productielijn minder defecte producten, werkt deze aan een
optimale snelheid en valt deze minder stil. Deze prestatiemetingen worden gebruikt om het
Overall Equipment Effectiveness (OEE) op te meten (Moran, 2018). Volgens McKinsey (2015)
& Koch et al. (2014) zou dit een productiviteitstoename van drie tot vijf procent leveren.
2) Betere benutting van activa
Door het toevoegen van sensoren en actuatoren aan het bestaande machinepark kan
de locatie, de staat en de beschikbaarheid van elke verbonden machine achterhaald worden.
Dit is voornamelijk belangrijk om aan preventief onderhoud te doen, het vervangen van falende
componenten of verslijtende machines voordat die het einde van hun levensduur bereiken om
downtime te voorkomen (Femto, 2018). Daarnaast zorgt productieflexibiliteit ervoor dat het
machinepark niet moet stilgelegd worden bij het produceren van andere producten. Optimaal
gebruik van de machines en het vermijden van stilstand van de productie leidt tot grotere
output en kostenbesparingen. Analyse uitgevoerd door McKinsey (2015) rapporteert een
daling van 30 à 50 percent machine downtime en een langere technische levensduur van 20
à 30 percent.
25
3) Toename van de productiviteit
Toepassing van Industrie 4.0 technologieën zoals big data analyse en CPS geven de
gelegenheid voor data gedreven processen. Aan de hand van de gegevens kunnen processen
sneller verlopen door wachttijden in te korten zoals de voltooiing van vorige processen en de
levering van goederen. Daarnaast helpen of vervangen andere technologieën, zoals robotica
en AR, arbeiders met lastig en of complex werk, wat de werksnelheid bevordert. McKinsey
(2015) schat de toename in productiviteit dankzij automatisatie van kenniswerk rond de 45 à
55%.
4) Verbeterde voorraadbeheer
Voorspellende analyse maakt het mogelijk om nauwkeurig de toekomstige
klantenvraag te bepalen. Daarnaast zorgt AM voor minder verspilling bij het vervaardigen
waardoor er overvloedige veiligheidsvoorraden en onnodige opslagkosten voorkomen kunnen
worden. Bovendien zorgt horizontale integratie, dankzij de real-time coördinatie van de gehele
waardeketen, er voor dat voorraden zichzelf automatisch kunnen aanvullen door bij
overschrijding van een bepaalde grens nieuwe bestellingen te plaatsen. De verwachte
kostbesparingen van het optimaal gebruik van de voorraad zijn geschat rond de 20 à 50%
(McKinsey, 2015; Bauernhansl et al., 2014)
5) Verhoogde productkwaliteit
De real-time opvolging van processen aan de hand van IoT en de controle en
optimalisatie van deze processen aan de hand van CPS leidt tot stabielere processen en dus
kwalitatievere producten. Het creëren van minder defecte producten zorgt voor een lager
verbruik van materiaal, water en energie waardoor de kosten met ongeveer 10 à 20% gedrukt
kunnen worden (McKinsey, 2015; Bauernhansl et al., 2014).
6) Betere prognose van de vraag
Zoals vermeld in het stuk “Verbeterde voorraadbeheer” leidt een duidelijker begrip van
de klantenvraag met behulp van big data analyse tot een accuratere prognose van de vraag
en resulteert dit in minder overproductie en onnodige voorraadbehoud. Analyse van data zou
kunnen leiden tot 85% meer preciezere inschattingen (McKinsey, 2015).
7) Verkorte marktintroductietijd
Het sneller ontwerpen en tegelijkertijd ontwikkelen van prototypes door het gebruik van
simulatie, AM, AR en VR tijdens het productieproces, kort de doorlooptijd van producten en
services met ongeveer 30 à 50 percent in (McKinsey, 2015). Dit zorgt voor een hogere
klantentevredenheid en een betere positie in de markt (Schröder, 2017).
26
8) Betere dienstverlening na verkoop
Met behulp van Industrie 4.0 kunnen nieuwe businessmodellen en -services ontwikkeld
worden. Voorbeelden hiervan zijn het aanbieden van onderhoudsservices met behulp van
preventief onderhoud, real-time opvolging, onderhoud op afstand of begeleide zelfbediening.
Zo moet er geen onderhoudstechnicus naar de site komen (Blunck & Werthman, 2017).
Onderhoudskosten zouden met ongeveer 10 à 40% dalen aan de hand van onderhoud op
afstand en preventief onderhoud (McKinsey, 2015).
9) Efficiëntere logistiek
Autonomie van de transportsystemen leidt tot het geautomatiseerd verloop van de logistiek
en zou een kostenefficiëntie met zich meebrengen van ongeveer 10 à 20% (Bauernhansl,
2014; Kayikci, 2018).
10) Verhoogde productieflexibiliteit
De snelle herconfiguratie van autonome robots en het gebruik van AM maken het mogelijk
om verschillende producten te vervaardigen in hetzelfde productieproces. Deze flexibiliteit
zorgt ervoor dat het produceren van een gepersonaliseerd product evenveel zal kosten als het
produceren van massaproducten waardoor de complexiteitskosten met 60 à 70% bespaard
kunnen worden. Complexiteitskosten zijn kosten die gekoppeld zijn aan de behandeling, het
beheer of de creatie van verschillende soorten producten (Schaffer & Schleich, 2008).
Figuur XIII: Geschatte voordelen van Industrie 4.0 (McKinsey, 2016)
27
1.5.7. Uitdagingen
Om volledig van de voordelen van Industrie 4.0 te kunnen genieten, moeten bedrijven
aanpassingen doorgaan op vlak van processen en producten maar ook op vlak van
organisatorisch gebied (Roland Berger, 2014). Bij de transitie naar de vierde industriële
revolutie ondervinden productiebedrijven enkele uitdagingen (Siemens, 2018). Uit de
interviews van Siemens (2018) werd een rankschikking gemaakt waarbij de uitdagingen in
mate van belangrijkheid werden gesorteerd.
1) Gebrek aan digitale skills
Het grootste struikelblok vonden de respondenten het gebrek aan digitale skills. Een
rapport van de Europese Commissie (2018b) stelt dat 9 van de 10 jobs digitale vaardigheden
zullen vereisen terwijl 44% van de Europeanen tussen de 16 en 74 jaar niet over digitale
vaardigheden beschikken. In Vlaanderen ervaren 73% van de 30 ondervraagde Vlaamse
bedrijven eenzelfde gebrek aan geschikt personeel (PwC, 2017b). Siemens (2018)
onderscheidt hierbij de drie belangrijke problemen. Het eerste domein betreft het gebrek aan
digitale procesexpertise waarbij het personeel bij problemen passende maatregelen toepast
naargelang de gegevens van de machines. Daarnaast is er een tekort aan competent
personeel om complexe digitale besturingssystemen en apparatuur te onderhouden. En als
laatste is er het gebrek aan personeel om operationele en strategische analyses uit te voeren
waarbij aan de hand van de gegevens van de gehele gedigitaliseerde omgeving, inzichten
worden gecreëerd om het concurrentievermogen te verbeteren.
2) Toegang tot financiële steun
De tweede grootste drempel is de toegang tot financiële steun. Het implementeren van
de nieuwe Industrie 4.0 technologieën vereist een grote investering (Vaidya et al., 2018). 30%
van de Vlaamse bedrijven ondervinden hierbij belemmeringen. De investeringen in digitale
technologieën liggen in Vlaanderen op 3% van de jaarlijkse winst, dat is 2% lager dan het
wereldwijd gemiddelde van 5%. Met een half zo grote investering kan de impact van de
implementatie van Industrie 4.0 hetzelfde niveau halen als de rest van de wereld (PwC,
2017b).
3) Belemmering van de samenwerkingscultuur
Bedrijven ondervinden moeilijkheden bij de implementatie en coördinatie van hun
Industrie 4.0 strategie en projecten over de gehele organisatie (McKinsey, 2016).
Samenwerking binnenin het bedrijf wordt belemmerd door informatie silo’s. Deze term verwijst
naar de isolering van elke afdeling door een duidelijke afbakening van rol en
verantwoordelijkheid waardoor er geen of weinig informatie wordt uitgewisseld met andere
28
afdelingen. Aan de hand van Industrie 4.0 kan dit verschijnsel in de hand worden gewerkt door
verticale integratie van de verschillende departementen. Hoewel er door de samenwerking
beter kan gekeken worden naar optimalisatiemogelijkheden, kunnen slechte resultaten bij een
departement zorgen voor neveneffecten bij de rest van de gehele organisatie (Deloitte, 2017).
Daarnaast zorgt de transparantie en hechtere band van vertrouwen tussen bedrijven
onderling voor een verstoring van de machtsposities tussen leverancier en afnemer. In een
traditionele waardeketen willen kopers zo weinig mogelijk betalen en leveranciers zoveel
mogelijk aanrekenen. Door de transparantie zou dit kunnen leiden tot een neerwaartse
prijsdruk (Siemens, 2018).
4) Bedenkingen rond dataveiligheid en -privacy
De grotere hoeveelheden data, geproduceerd door verschillende machines, sensoren
en bedrijven, vormen het volgende obstakel. Vele productiebedrijven hebben vaak nog oude
productiesystemen van decennia geleden, die werden gemaakt om eenvoudige opdrachten
uit te voeren. Deze systemen zijn vaak verouderd en niet voorbereid op moderne
cyberaanvallen en -bedreigingen (Lemke, 2018).
Volgens een studie van het Ponemon Instituut worden bedrijven maandelijks
geconfronteerd met 17 gevallen van malware en 12 gevallen van netwerk- of systeemscans
(Europese Commissie, 2016b). Een succesvolle inbreuk in het netwerk kan leiden tot het
verlies van gevoelige data, industriële spionage en impact op de productiekwaliteit of
-veiligheid. Daarnaast leidt het verlies van of inbreuk op gepersonaliseerde gegevens volgens
de GDPR-wet tot een boete van 20 miljoen euro of 4% van de globale winst van het vorig
financieel jaar, afhankelijk welk bedrag het hoogst is (Steinberger, 2016).
Een succesvolle cyberaanval kan delen of het gehele netwerk van slimme fabrieken
uitschakelen door de onderlinge verbondenheid (Europese Commissie, 2016b). 27% van de
Vlaamse ondernemingen hebben onbeantwoorde vragen bij dataveiligheid en -privacy (PwC,
2017b).
5) Gebrek aan bewijs van rendement op investeringen
Een tekort aan succesvolle proof of concepts, die aantonen of een idee haalbaar en
winstgevend is, zorgen voor twijfels bij het investeren. Hoewel er gedetailleerde gevalsstudies
met duidelijke rendementen op investeringen zijn gepubliceerd, komen deze niet altijd uit
dezelfde productiesector (Siemens, 2018). Er is dus nood aan een platform met duidelijke
bewijzen van de rendementen van Industrie 4.0 toepassingen om ondernemingen te steunen
bij hun investeringsbeslissing.
29
6) Gebrek aan duidelijke visie & strategieën
Als laatste vermelde uitdaging is er het gebrek aan een duidelijk visie, strategie en
actieplan voor de Industrie 4.0 implementatie. Hoewel het management zich bewust is van de
transitie naar en nood aan automatisatie en digitalisatie, is er geen duidelijk en gefaseerd
strategisch plan opgezet. Bij elke investering moet er een evaluatie van de voordelen gebeuren
en moet de impact op elke fase van het proces worden bekeken en desnoods worden
aangepast. 23% van de Vlaamse industrieën gaven aan dit ook bij hen een probleem vormt
(PwC, 2017b).
1.5.8. Internationale Industrie 4.0 initiatieven
Figuur XIV geeft de Industrie 4.0 initiatieven over heel de wereld weer. In dit onderdeel
zullen de voornaamste initiatieven worden besproken. Het eerste initiatief dat wordt besproken
is het initiatief uit Duitsland, waar Industrie 4.0 ontstond. Vervolgens worden de initiatieven van
de overige twee van de top drie productielanden (de Verenigde Staten en China) besproken.
Als laatste worden de initiatieven van de Europese Unie en België besproken.
30
Figuur XIV: Wereldwijde Industrie 4.0 initiatieven (Il Sole 24 Ore, 2014)
1) Duitsland – Industrie 4.0
Het Industrie 4.0 initiatief behoorde tot één van de tien toekomstgerichte projecten die
Duitsland als streefdoel beschouwde om hun agenda te volbrengen (GTAI, 2018; Xu et al.,
2018). Om de digitale transformatie en standaardisatie te coördineren richtte de Duitse
regering in 2013 ‘Plattform Industrie 4.0’ (Plattform i40) op, waarbij alle belanghebbenden
betrokken worden. Plattform i40 bestaat uit bedrijven, bedrijfsverenigingen, vakbonden, de
academische gemeenschap en beleidsmakers waardoor er nauw kan worden samengewerkt
aan aanbevelingen voor de implementatie van Industrie 4.0 op alle niveaus. De samenwerking
pakt de uitdagingen aan rond zes thema’s: standaarden en normen, onderzoek en innovatie,
beveiliging van gekoppelde systemen, wettelijke kaders en werk, technologie en
31
toepassingsscenario’s, onderwijs en digitale bedrijfsmodellen (Vlaamse Regering, 2017;
Plattform Industrie 4.0, 2018).
De uitbestedingen aan onderzoek en innovatie zorgden ervoor dat Duitsland
competitiever werd op vlak van productie. Dit resulteerde in 2016 voor een stijging naar de
derde plaats op de eerder vermelde industrierankschikking van Deloitte (Deloitte, 2016). Door
het lange termijnplan en aanhoudende competitiviteit wordt voorspeld dat Duitsland ook in
2020 die rang zal behouden.
2) Verenigde Staten – Advanced Manufacturing Partnership & Industrial
Internet Consortium
In de Verenigde Staten (VS) staat Industrie 4.0 gekend onder meerdere termen zoals
‘Industrial Internet’, ‘Industrial Internet of Things’, ‘Smart Manufacturing’ en ‘Smart Production’
(Kagermann et al., 2016). Daar werd het gelijkaardig initiatief met de naam ‘Advanced
Manufacturing Partnership’ (AMP) opgericht in 2011 (Kagermann et al., 2016). Om bewustzijn
rond digitale transformatie te verspreiden, vormden General Electric (GE), AT&T, Cisco en
IBM in 2014 het ‘Industrial Internet Consortium’ (IIC) (Liao et al., 2017; Ernst & Frische, 2015).
Naast het IIC zijn er ook nog andere consortia, die in de VS Industrie 4.0 promoten, namelijk
‘the AllSeen Alliance’ en ‘the Open Connectivity Foundation’. Dit zijn voornamelijk privé
initiatieven in tegenstelling tot de door de Duitse overheid gesteunde tegenhanger Plattform
I40. Het opmerkelijke is dat in de VS, Industrie 4.0 niet als essentieel wordt beschouwd voor
het land om in de toekomst competitief te blijven (Kagermann et al., 2016).
3) China – Made in China 2025
Geïnspireerd door het Duits initiatief bracht China, de wereldleider op vlak van
productie, in 2015 het plan ‘Made in China 2025’ uit (Deloitte, 2016). Hierbij wil het land minder
afhankelijk zijn van buitenlandse technologie en zijn impact op het milieu verminderen. Waar
andere landen zoals Duitsland, de VS en Japan sterk geïndustrialiseerd zijn, is de Chinese
industrie uiteenlopend. Volgens een rapport van het ‘Mercator Institute for China Studies’
bezitten enkel een gering aantal globale Chinese bedrijven sterk geautomatiseerde &
gedigitaliseerde fabrieken (Wübbeke & Conrad, 2015). Bij de meerderheid van de Chinese
ondernemingen is er nauwelijks sprake van digitalisatie en automatisatie. In 2016 waren er
maar ongeveer 68 industriële robots per 10 000 Chinese fabrieksarbeiders in tegenstelling tot
309 in Duitsland (Statista, 2018; IFR, 2018). Volgens Chinese prognoses zou Industrie 4.0 de
productiviteit boosten met 25 à 30% en onvoorziene productieverliezen doen dalen met 60%.
Dit zou dus kunnen betekenen als de Chinese industrie een volledige digitale transformatie
doorgaat, China zijn leiderspositie zelfs nog steviger in grip zal hebben (Kagermann et al.,
2016; Wübbeke & Conrad, 2015; ISDP, 2018).
32
4) Europese Unie – Factories of the Future
In 2014 bracht de EU in het kader van het ‘Horizon 2020’-plan het ‘Factories of the
Future (FoF)’-initiatief uit (Europese Commissie, 2013). Horizon 2020 is het Europees
programma voor onderzoek en innovatie. Het FoF-initiatief werd opgestart om verwerkende
ondernemingen en vooral KMO’s te steunen met de wereldwijde concurrentiedruk door
sleuteltechnologieën te implementeren in de verschillende sectoren. Van 2014 tot 2020
voorziet de EU een budget van 1,15 miljard euro voor onderzoek en innovatie naar de
volgende gebieden (EFFRA, 2013):
- Geavanceerde productieprocessen
- Intelligente en aanpasbare productiesystemen
- Digitale, virtuele en grondstofefficiënte fabrieken
- Samenwerkende en mobiele bedrijven
- Mensgerichte productie
- Klantgerichte productie
5) België – Made Different
Door de-industrialisatie, de verplaatsing van arbeidsintensief werk naar groeilanden
met lagere kosten en de globalisatie van de waardeketen, zag België tussen 2001 en 2011 het
aandeel van de maakindustrie in de gehele economie dalen met ongeveer 25%. Tijdens
diezelfde periode daalde de totale tewerkstelling in de industrie met 16% (VOKA, 2016;
Europees Parlement, 2015). Daarom bracht de Vlaamse regering in 2011 met oog op
herindustrialisering met behulp van Industrie 4.0, het witboek ‘Een nieuw Industrieel beleid
voor Vlaanderen’ uit. In deze paper legt de overheid zijn visie over de toekomst van de
Vlaamse industrie uit. Eén van de pijlers is ‘Nieuwe Fabrieken voor de Toekomst’, waarbij
fabrieken waarde kunnen creëren aan de hand van de volgende factoren (Vlaamse Overheid,
2011):
(1) sterke innovatie en designcompetentie,
(2) klantgerichtheid en netwerking,
(3) energie- en materiaalefficiënte technologie en
(4) creatief menselijk potentieel en het versterken van het sociaal kapitaal.
De Waalse variant ‘Plan du Numérique’ werd in 2016 uitgegeven, waarin ook de digitale
transformatie van de industrie werd gepromoot (Europese Commissie, 2017a). Uit beide
plannen kwamen in 2013 en 2017 respectievelijk de initiatieven ‘Made Different’ en het ‘Made
Different – Digital Wallonia’ uit om de digitalisering van de maakindustrie te ondersteunen.
33
1.5.9. Bereidheid van België voor omschakeling naar Industrie 4.0
In 2014 stelde het consultancybedrijf Roland Berger de Industry 4.0 Readiness Index
op. Hierbij werden verschillende categorieën opgesteld zoals frontrunners, potentialists,
traditionalists en hesitators op basis van het aandeel van de maakindustrie in het Bruto
Nationaal Product (BNP) en de Industry 4.0 Readiness. De bereidheid werd bepaald door
verschillende factoren zoals de complexiteit van het productieproces, de graad van
automatisatie, de kwaliteit van de werknemers, de mate van innovatie, de toegevoegde
waarde, de structuur van de industrie en het gebruik van internet. Hierbij werden Duitsland,
Zweden en Oostenrijk als frontrunners geïdentificeerd. Typerend aan deze landen zijn hun
toekomstgerichte industrie en initiatieven. België werd gezien als een potentialist door de
zwakkere positie van de Belgische productiesector tegenover het BNP.
In 2018 publiceerde het World Economic Forum de studie ‘Readiness for the Future of
Production Report’ waarin 100 profielen van landen en hun maakindustrie werden opgemaakt
en deze vervolgens werden gerangschikt op een grafiek. In dit rapport werd er gekeken in
welke mate landen uitgerust zijn om in de toekomst duurzaam te produceren.
De beoordeling is afhankelijk van twee assen:
1) De huidige productiestructuur, hiermee wordt de economische complexiteit
en de toegevoegde waarde als percentage van het BNP bedoeld.
2) De drijfveren van de productie (technologie en innovatie, menselijk kapitaal,
wereldwijde handel en investeringen, het institutioneel kader, duurzame
energiebronnen en de structuur van de vraagzijde).
Om te bepalen waar de landen zich op deze assen bevinden, werd een totaal van 59
indicatoren bestudeerd. Uit figuur XV is af te leiden dat België zich in het kwadrant van de
leidende landen bevindt. Deze landen worden gekenmerkt door een sterke industrie en zijn
toekomstbestendig dankzij sterke productiedrijfveren.
34
Figuur XV: Competitiviteitsrapport van België (WEF, 2018)
Volgens de ‘Digital Economy and Society Index’ (DESI) die de digitale vooruitgang in
de gehele Europese Unie meet aan de hand van connectiviteit, menselijk kapitaal,
internetgebruik, integratie van digitale technologie en digitale overheidsdiensten, bevindt
België zich op de achtste plaats. België staat op vlak van connectiviteit en integratie van
technologie voor bedrijven voor beide op de vijfde plaats (Europese Commissie, 2018a). Deze
meting van digitalisatie en digitale competitiviteit is een goed teken voor de overgang naar
Industrie 4.0.
Ook op vlak van innovatie doet België het goed, uit het ‘European Innovation
Scoreboard’ is af te leiden dat het land een sterke innovator is. België scoorde op vlak van
innovatie 17,5% beter dan het gemiddelde van de Europese Unie (EU), dit dankzij een
aantrekkelijk onderzoeksysteem, nauwe samenwerkingsverbanden en innovaties (Europese
Commissie, 2018c). Zelfs de Belgische gewesten doen het goed. Vlaanderen wordt
beschouwd als een innovatie leider, Brussels Hoofdstedelijk Gewest een extra sterke
vernieuwer en het Waals Gewest als een sterke innovator (Europese Commissie, 2018d).
Volgens een enquête van PwC afgenomen bij 30 Vlaamse topondernemingen,
verantwoordelijk voor een totaal van 33 000 werknemers, is 93% van mening dat Industrie 4.0
de manier van produceren zal beïnvloeden. 86% van deze bedrijven zijn ook van plan en al
op zoek naar manieren om Industrie 4.0 te implementeren in hun productieprocessen. Op de
vraag of ze beter waren dan hun concurrenten op vlak van de Industrie 4.0 implementatie vond
86% dat ze minstens even sterk of zelfs sterker scoren (PwC, 2017b).
35
1.6. Industrie 4.0 maturiteitsmodellen
Om ondernemingen te steunen bij de transitie hebben onderzoekers,
onderzoeksinstellingen en consulting bedrijven verschillende Industrie 4.0 maturiteitsmodellen
ontwikkeld. Deze maturiteitsmodellen hebben allemaal het doel om inzicht te geven over het
huidige niveau van digitalisering en aanwijzingen te geven om dat niveau te verhogen (Colli et
al., 2018).
Maturiteitsmodellen volgen eenzelfde opbouw. Ze bestaan namelijk uit enkele
maturiteitsniveaus, een benaming en beschrijving van elk niveau en een aantal dimensies of
procesgebieden met daarbij specifiek omschreven activiteiten uitgevoerd op elk
maturiteitsniveau (Klötzer & Pflaum, 2017; De Carolis et al., 2017).
Het gebruik van maturiteitsmodellen kan de volgende functies hebben:
1) Descriptieve functie: Een maturiteitsmodel kan gebruikt worden om een diagnose
te stellen van de huidige capaciteiten van de onderneming aan de hand van
bepaalde criteria. De diagnose kan dan vervolgens worden gerapporteerd aan
interne en externe belanghebbenden (Poeppelbuss & Roeglinger, 2011).
2) Prescriptieve functie: Door met richtlijnen aan te geven hoe een gewenst
maturiteitsniveau kan bereikt worden (Poeppelbuss & Roeglinger, 2011).
3) Vergelijkende functie: Door het mogelijk maken van vergelijking van gegevens
binnenin de organisatie en tussen organisaties onderling aan de hand van
historische gegevens (Poeppelbuss & Roeglinger, 2011).
36
2. Methodologie
2.1. Probleemstelling
Zoals in de inleiding vermeld hebben productiebedrijven de mogelijkheid niet om hun eigen
Industrie 4.0 niveau en/of maturiteit te evalueren (Andulkar et al. 2018). Daarnaast stellen Qin
et al. in hun paper dat de criteria voor het behalen van Industrie 4.0 onduidelijk zijn en er een
stappenplan voor de transitie naar Industrie 4.0 ontbreekt (Antonsson, 2017). Veel
ondernemingen, die bewust zijn van Industrie 4.0, weten niet hoe ze aan de implementatie
moeten starten of hoe ze Industrie 4.0 conform worden (Rajnai & Kocsis, 2018)
In het werkdocument ‘Transitieprioriteit Industrie 4.0 – Landschap in Vlaanderen’ (Vlaams
Parlement, 2018) wordt de vraag gesteld hoe Vlaanderen internationaal wordt ingeschat met
betrekking tot Industrie 4.0. Hoewel er veel literatuur is rond Industrie 4.0, zijn er weinig
academische studies rond de huidige transitie naar Industrie 4.0. Volgens Ertan (2018) is er
een leemte in de academische literatuur met betrekking tot de ontwikkelingen naar Industrie
4.0 van sectoren in landen of regio’s. Een studie naar de huidige status van de ontwikkeling
naar Industrie 4.0 van de organisaties in een land maakt het mogelijk om de resultaten te
vergelijken met andere landen of sectoren en aan de hand van toekomstige resultaten de
evolutie te bekijken (Ertan, 2018).
2.2. Onderzoeksvragen
De doelstelling van dit onderzoek is om het huidige maturiteitsniveau van de Vlaamse
productiesector te bepalen. Dit leidt tot de eerste onderzoeksvraag:
Waar staat de huidige Vlaamse productiesector met de adoptie naar Industrie 4.0?
Om bovenstaande onderzoeksvraag op te lossen, moet eerst volgende deelvraag worden
beantwoord:
Welk maturiteitsmodel zal gebruikt worden om de Industrie 4.0 maturiteit te
beoordelen?
2.3. Hypothesen
Antonsson (2017) en Sommer (2015) onderzochten of er een verband was tussen het
inkomen van het bedrijf en het maturiteitsniveau aangezien de implementatie van Industrie 4.0
grote investeringen in IT en machines vereist. Deze onderzoeken werden respectievelijk
uitgevoerd bij grote bedrijven en KMO’s. Antonsson (2018) stelt dat een onderzoek bij een
combinatie van grote en kleine bedrijven een beter beeld van het verband kan weergeven. In
dezelfde lijn stelden Mittal et al. (2018) dat bedrijven met grotere financiële bronnen een
37
hogere Industrie 4.0 maturiteitsniveau aangezien ze zowel de mogelijkheid hebben om (meer
en duurdere) investeringen te financieren als de verliezen te absorberen die gepaard gaan met
risicovolle investeringen. Aangezien er verschillende indicatoren worden gebruikt om te zien
of een onderneming een KMO is of niet (Vlaio, 2019), leidt dit tot de volgende hypotheses:
H1: Jaarlijkse omzet heeft een positief verband met het Vlaamse Industrie 4.0
maturiteitsniveau.
H2: Ondernemingsgrootte heeft een positief verband met het Vlaamse Industrie 4.0
maturiteitsniveau.
Industrie 4.0 zorgt voor een nieuwe manier van produceren waarmee ondernemingen zich
kunnen onderscheiden van concurrenten en zowel lokaal als globaal competitief kunnen
blijven. Arnold et al. (2018) ondervonden dat een competitieve markt een positief effect heeft
op de adoptie van Industrie 4.0. Het onderzoek van Arnold et al. (2018) werd enkel uitgevoerd
bij Duitse productiebedrijven en met deze hypothese wordt er gekeken of dit ook het geval is
bij Vlaamse productiebedrijven.
H3: Concurrentie heeft een positief verband met het Vlaamse Industrie 4.0
maturiteitsniveau.
Volgens VOKA (2016) komt de Industrie 4.0 adoptie in golven waarbij de eerste golf al
zichtbaar is in de automobielindustrie en de logistieke sector. Vervolgens zou Industrie 4.0
zich in de elektronica en machine-industrie manifesteren en als laatste zou de chemiesector
door deze digitale golf worden getroffen. Doordat de automobielindustrie eerder met de
implementatie van Industrie 4.0 bezig is dan de andere productiesectoren, kan er nagegaan
worden of dit leidt tot een hoger maturiteitsniveau van de automobielindustrie tegenover de
andere industriesectoren.
H4: De Vlaamse automobielindustrie heeft een hogere Industrie 4.0
maturiteitsniveau dan de andere Vlaamse productiesectoren.
2.4. Wetenschappelijk relevantie
Vooraleer dit onderzoek werd uitgevoerd bestond er nog geen academisch onderzoek rond
het Industrie 4.0 maturiteitsniveau van de Vlaamse productiesector. In 2017 publiceerden PwC
België en Flanders Make wel een rapport waarin het maturiteitsniveau van de 30 leidende
Vlaamse productiebedrijven aan de hand van het maturiteitsmodel van PwC werd onderzocht
(PwC, 2017b).
38
Het resultaat van dit onderzoek kan gebruikt worden om zowel een beeld te vormen van
het algemeen maturiteitsniveau van de Vlaamse productiesector als het bekijken van de
evolutie van het maturiteitsniveau van de sector. Daarnaast kan ook de validiteit van het
gekozen Industrie 4.0 maturiteitsmodel worden geobserveerd.
2.5. Maatschappelijke relevantie
Zowel de evaluatie van het maturiteitsniveau van de individuele ondernemingen als de
evaluatie van de gehele Vlaamse productiesector maakt het mogelijk voor bedrijven om hun
eigen maturiteit te vergelijken met die van de Vlaamse productiesector. Op deze manier
kunnen productiebedrijven achterhalen hoe ver ze momenteel staan op vlak van Industrie 4.0
en hun niveau vergelijken met hun concurrentie en de industrie zelf. Dit kan de ondernemingen
helpen met hun investeringsbeslissingen.
Dit onderzoek is ook interessant voor beleidsmakers om te zien hoe ver de productiesector
staat om te oordelen of er extra investeringen nodig zijn om de Industrie 4.0 adoptie aan te
moedigen zodat de industrie en het land competitief blijft in de globale markt.
2.6. Onderzoeksaanpak
Om de Industrie 4.0 maturiteit van de Vlaamse productiesector te beoordelen aan de hand
van een maturiteitsmodel werd een tweeledig onderzoek uitgevoerd. Na een grondige
literatuurstudie werd er eerst een geschikt maturiteitsmodel gekozen om de Industrie 4.0
maturiteit te bepalen. Vervolgens werd er aan de hand van dit model een kwantitatief
onderzoek opgesteld om het maturiteitsniveau van de Vlaamse productiesector te evalueren
met behulp van een vragenlijst gebaseerd op het geselecteerde maturiteitsmodel.
Bij het opmaken van de vragenlijst zal een aangepaste versie van de ‘Industrie 4.0 maturity
assessment procedure’ van Schumacher et al. (2019) gevolgd worden. Bij aanvang van de
vragenlijst wordt in de eerste stap het basisconcept van Industrie 4.0 en het doel van een
maturiteitsmodel uitgelegd. Dit gemeenschappelijk begrip wordt gevormd om tegenstrijdige
verwachtingen en beoordelingen tegen te gaan. Erna wordt er vastgesteld of er momenteel
Industrie 4.0 initiatieven en activiteiten zijn opgezet waarna de vragenlijst wordt afgelopen. Na
het vervolledigen van de vragenlijst wordt het Industrie 4.0 maturiteitsniveau van het bedrijf
bepaald aan de hand van de antwoorden. Vervolgens worden de resultaten verwerkt om deze
per dimensie te visualiseren in een spindiagram en deze te rapporteren.
39
2.7. Bestaande Industrie 4.0 maturiteitsmodellen
In de volgende sectie zullen de meest geschikte Industrie 4.0 maturiteitsmodellen uit de
literatuur worden besproken. Om de keuze van Industrie 4.0 maturiteitsmodellen te beperken
werden enkel criteria opgesteld:
1) Aangezien de transitie naar Industrie 4.0 de gehele organisatie treft en de maturiteit
van het gehele bedrijf wordt geanalyseerd, zullen enkel holistische modellen
worden geselecteerd en dus geen modellen die enkel naar specifieke onderdelen
kijken (Kaltenbach et al., 2018).
2) Uit een enquête van Schumacher (2018) vonden 12 van de 68 ondervraagde
bedrijven sommige modellen niet bruikbaar voor hun sector. Daarom zullen enkel
Industrie 4.0 maturiteitsmodellen voor productiebedrijven in aanmerking komen.
3) Daarnaast worden enkel maturiteitsmodellen met een descriptieve functie in acht
genomen omdat deze relevant zijn om de deelvraag te beantwoorden.
Uit analyse van 28 Industrie 4.0 maturiteitsmodellen voor productiebedrijven kwamen
deze vier modellen uit de volgende papers in aanmerking voor verder onderzoek:
1) Industrie 4.0 Maturity Index (Schuh et al., 2017)
2) A Maturity Model for Assessing Industrie 4.0 Readiness and Maturity of
Manufacturing enterprises (Schumacher et al., 2016)
3) Industrie 4.0 Readiness (Lichtblau et al., 2015)
4) Reifegradbestimmung als Vorstufe der Industrie 4.0-Strategieentwicklung (Müller
et al., 2018)
2.8. Vergelijking van bestaande Industrie 4.0 maturiteitsmodellen
2.8.1. Criteria voor de selectie van een Industrie 4.0 maturiteitsmodel
Voor de analyse van bovenstaande modellen werd er gebruik gemaakt van twee
evaluatiemethodes uit andere papers namelijk die van Gökalp et al. (2017) en Wiesner et al.
(2018).
Gökalp et al. (2017) ontleden de maturiteitsmodellen aan de hand van verschillende
criteria zijnde scope, doeleinde, volledigheid, duidelijkheid en objectiviteit.
1) Geschiktheid voor doeleinde: Het niveau van geschiktheid van de
overeenkomstige maturiteitsmodellen voor het meten van het maturiteitsniveau in
de context van Industrie 4.0.
2) Volledigheid van de aspecten: De mate van volledigheid van de Industrie 4.0
aspecten.
40
Basl (2019) vond bij zijn analyse van Industrie 4.0 maturiteitsmodellen de volgende
Industrie 4.0 aspecten:
- Strategie en organisatorische structuur: Om rekening te houden met de
langetermijnvisie van het bedrijf en de stapsgewijze opbouw van het
ontwikkelingsproces in functie van Industrie 4.0.
- Leiderschap en cultuur: Om de bereidheid van het management en de
werknemers tot verandering van werkgedrag in te schatten.
- Klanten: Om de vraag van de klant in het achterhoofd te houden en dit te
gebruiken om zich te differentiëren van de concurrenten.
- Technologie: Om het technologisch niveau van de onderneming te evalueren
aan de hand van hoe de technologieën worden toegepast.
3) Gedetailleerdheid van de dimensies: De mate van gedetailleerdheid van de uitleg
van de indicatoren in de overeenkomstige dimensies.
4) Definitie van de meetindicatoren: In welke mate de meetindicatoren worden
gedefinieerd.
5) Beschrijving van beoordelingsmethode: Wordt de beoordelingsmethode
volledig omschreven?
6) Objectiviteit van de beoordelingsmethode: Het niveau van objectiviteit van de
maturiteitsbeoordelingsmethode van het onderzoek. De definities van de
eigenschappen, werkwijze en elk maturiteitsniveau moet ondubbelzinnig worden
beschreven. Het algemene volwassenheidsniveau moet afhankelijk van het aantal
positief beantwoorde vragen correct worden weergegeven.
Wiesner et al. (2018) gebruikten bij het evalueren van de bruikbaarheid van enkele
Industrie 4.0 maturiteitsmodellen de volgende factoren:
1) Eenvoud & implementatiegemak: Is de procedure van het maturiteitsmodel voor
het evalueren van de maturiteit eenvoudig en verloopt deze procedure vlot?
2) Kennisvereisten voor gebruik: Wat zijn de kennisvereisten voor het gebruik van
het maturiteitsmodel?
3) Belang van organisatorische kwesties: In welke mate wordt er rekening
gehouden met organisatorische kwesties?
4) Aangeboden begeleiding: Hoeveel begeleiding wordt er aangeboden na de
evaluatie?
Deze laatste factor zal worden weggelaten, aangezien deze niet relevant is om de
onderzoeksvraag te kunnen beantwoorden.
41
2.8.2. Selectie van een Industrie 4.0 maturiteitsmodel
In deze sectie worden de maturiteitsmodellen beknopt beoordeeld volgens de criteria.
Een uitgebreidere analyse van de maturiteitsmodellen is te vinden in bijlage A.
Model van Schuh et al (2017): Industrie 4.0 Maturity Index
De beoordeling via het maturiteitsmodel van Schuh et al. (2017) gebeurt aan de hand
van consultants die na workshops en interviews de processen evalueren. Na de evaluatie
wordt er op basis van de bedrijfsstrategie een begeleidingstraject gevormd waarin een
stapsgewijze aanpak staat om het volgende niveau van Industrie 4.0 te behalen, daarom wordt
de procedure als complex & tijdsintensief beschouwd.
Ter beoordeling van de maturiteit gebruiken ze vier dimensies, die naast het
klantengedeelte in grote lijnen overeenkomen met de aspecten van Basl (2019). Hoewel de
methodologie en de maturiteitsniveaus uitgebreid worden uitgelegd, ontbreken zowel de
indicatoren als de bijhorende vragenlijst met uitleg over de indicatoren. De maturiteitsniveaus
geven een correcte weergave van de resultaten weer.
Model van Schumacher et al. (2016)
Het maturiteitsmodel gecreëerd door Schumacher et al. (2016) maakt gebruikt van een
uitgebreide vragenlijst waarin er rekening wordt gehouden met acht dimensies voor de
inschatting van het maturiteitsniveau. Alle Industrie 4.0 aspecten worden aan de hand van acht
dimensies geëvalueerd, waarbij er voornamelijk de focus wordt gelegd op het organisatorisch
aspect waardoor er meer dimensies zijn dan bij Basl (2019). De gehele beoordelingsprocedure
wordt op een diepgaande manier overlopen, maar niet alle indicatoren worden gespecifieerd
en ook hier is de vragenlijst niet in het academisch werk voorzien.
Schumacher et al. (2016) vermelden in hun paper dat het invullen van de vragenlijst
een basiskennis van het potentieel van de Industrie 4.0-concepten vereist, om gewichten toe
te kunnen kennen volgens belangrijkheid van de te evalueren dimensies. Dankzij de
uitgebreidheid en transparantie van het model is het simpel om de maturiteit van de
onderneming op te meten.
42
Model van Lichtblau et al. (2015): Industrie 4.0 Readiness
Het Industrie 4.0 Readiness model samengesteld door Lichtblau et al. (2015) voorziet
bedrijven van een korte online vragenlijst om de maturiteit van de onderneming te berekenen.
Hierbij utiliseert het model zes dimensies, overeenstemmend met de criteria van Basl (2019)
waarbij er extra gefocust wordt op de processen en producten. Zowel de vragenlijst,
indicatoren en maturiteitsniveaus worden duidelijk en volledig uitgelegd en geven een correct
resultaat weer.
Model van Müller et al. (2018)
Het maturiteitsmodel van Müller et al. (2018) maakt gebruik van een korte maar
duidelijk omschreven zelfbeoordeling met illustraties om aan de hand van vier dimensies de
Industrie 4.0 maturiteit op te meten. Deze dimensies komen overeen met die van Basl (2019).
De beoordelingsmethode houdt rekening met organisatorische kwesties en geeft een correct
resultaat weer. Alles wordt duidelijk uitgelegd en geïllustreerd waardoor er geen specifieke
kennis nodig is.
2.8.3. Evaluatie van de geanalyseerde maturiteitsmodellen volgens de
opgestelde criteria
In deze sectie worden de maturiteitsmodellen uit sectie 2.8.2 geëvalueerd aan de hand
van de criteria uit sectie 2.8.1. De redenering achter de toegekende labels wordt hieronder
verklaard.
1) Eenvoud & implementatiegemak: Opmetingen van de maturiteit aan de
hand van externe consultants, die het bedrijf bezoeken en alle processen in
het bedrijf bestuderen en evalueren werden als complex en tijdsintensief
beschouwd. Evaluaties aan de hand van zelfbeoordelingen daarentegen
werden als eenvoudig en kort beschouwd.
2) Kennisvereisten: Het label weinig vereiste kennis werd toegekend omdat
de evaluatie door externe consultants wordt uitgevoerd. Procedures waarbij
er enkel kennis over de dimensies nodig is, werden de label ‘gemiddelde
kennis’ toegewezen. Extra kennis over Industrie 4.0 werd als redelijke kennis
beschouwd.
3) Belang van organisatorische kwesties: Alle maturiteitsmodellen kregen
het label ‘prioriteit’ toegewezen doordat de organisatorische kwesties een
grote invloed hadden op de andere dimensies en ook in de vragen van de
andere dimensies verwerkt werden.
43
4) Geschiktheid voor doeleinde: De maturiteitsmodellen meten het Industrie
4.0 maturiteitsniveau op en worden daarom als volledig geschikt
beschouwd.
5) Volledigheid van de aspecten: Bijna alle maturiteitsmodellen hadden de
dimensies van Basl (2019) en werden daarom als volledig beschouwd. Bij
het model van Schuh et al. (2017) ontbrak de klantendimensie waardoor er
het model als grotendeels volledig beschouwd werd.
6) Gedetailleerdheid van de aspecten: Bij alle modellen werden de
indicatoren en hun overeenkomstige dimensies volledig omschreven.
7) Definitie van de meetindicatoren: Modellen, waarin elk niveau van de
indicatoren aan de hand van een voorbeeld uitgelegd worden kregen het
label ‘volledig’. Het model van Schuh (2017) werd als gedeeltelijk
omschreven doordat niet alle niveaus van de indicatoren werden
omschreven. Het model van Schumacher et al. (2016) daarentegen maakt
gebruik van een Likert schaal zonder voorbeelden en werd daarom als
onvolledig gelabeld.
8) Beschrijving van de beoordelingsmethode: Alle maturiteitsmodellen en
hun procedures werden volledig en stap voor stap beschreven.
9) Objectiviteit van de beoordelingsmethode: De stappen van alle
maturiteitsmodellen worden volledig en stap voor stap beschreven en
worden daarom als volledig objectief beschouwd met uitzondering van het
model van Schumacher et al. (2016). Zoals eerder vermeld gebruikt het
model van Schumacher et al (2016) een Likert schaal zonder voorbeelden
voor het meten van de indicatoren waardoor de antwoorden subjectief
kunnen zijn.
Uit tabel 1 is te zien dat het model van Müller et al. (2018) het meest voldoet aan de
voorwaarden en het meest geschikt is als maturiteitsmodel voor dit onderzoek. Het
onderscheidt zich door middel van een online publieke zelfevaluatie en de tijd die de procedure
inneemt. Daarnaast zijn de vragenlijsten van Schumacher et al. (2016) en Schuh et al. (2017)
niet publiekelijk beschikbaar. Hoewel het model van Lichtblau et al. (2015) ook gebruik maakt
van een online zelfevaluatie, is er een verschil in vereiste kennis en wordt de onderneming bij
het model van Müller et al. (2018) grondiger onderzocht. Daar bovenop is het model van Müller
et al. (2018) een uitbreiding op het model van Lichtblau et al. (2015), waardoor het model van
Müller et al. (2018) de voorkeur krijgt.
44
Tabel 1: Overzicht van maturiteitsmodellen en criteria
Criteria /
Maturiteitsmodel
Model van
Schuh et al.
(2017): Industrie
4.0 Maturity
Index
Model van
Schumacher et
al. (2016)
Model van
Lichtblau et al.,
(2015): Industrie
4.0 Readiness
Model van
Müller et al.
(2018)
Eenvoud &
implementatiegemak
Complex
en
tijdsintensief
Complex
en
tijdsintensief
Eenvoudig en kort Eenvoudig en kort
Kennisvereisten Weinig kennis Basiskennis Redelijke kennis Basiskennis
Belang van
organisatorische
kwesties
Prioriteit Prioriteit Prioriteit Prioriteit
Geschiktheid voor
doeleinde
Volledig Volledig Volledig Volledig
Volledigheid van de
aspecten
Grotendeels Volledig Volledig Volledig
Gedetailleerdheid van
de dimensies
Volledig Volledig Volledig Volledig
Definitie van de
meetindicatoren
Gedeeltelijk Onvolledig Volledig Volledig
Beschrijving van
beoordelingsmethode
Volledig Volledig Volledig Volledig
Objectiviteit van de
beoordelingsmethode
Volledig Gedeeltelijk Volledig Volledig
45
2.9. Maturiteitsmodel van Müller et al. (2018)
2.9.1. Structuur van de vragenlijst
De vragenlijst werd gebaseerd op die van Müller et al. (2018) en evalueert het Industrie
4.0 maturiteitsniveau van ondernemingen aan de hand van 65 indicatoren die betrekking
hebben op vier dimensies van de onderneming: organisatorische kwesties, processen,
producten en arbeid.
Het eerste deel van de vragenlijst wordt weergegeven in bijlage B. De selectie van
productiesectoren volgden het voorbeeld van figuur I om de keuze tussen verschillende
sectoren beperkt te houden en te kleine categorieën te vermijden. Daarnaast werden enkele
algemene vragen rond de onderneming gesteld zoals de situering van de onderneming, aantal
tewerkgestelde werknemers, type klanten, concurrentie in de sector en omzet in het jaar 2018.
Om het eerste deel af te sluiten werden er ook vragen gesteld rond het profiel van de
ondervraagde en zijn kennis rond Industrie 4.0, maturiteitsmodellen en de gang van zaken in
de onderneming. Zoals vermeld in deel 2.6 wordt hierbij het basisconcept van Industrie 4.0 en
het doel van maturiteitsmodellen uitgelegd zodat de respondenten met eenzelfde begrip aan
de enquête starten. Na dit algemeen deel werden alle indicatoren van de verschillende
dimensies gemeten aan de hand van voorbeelden, die een Likert schaal voorstellen van 1 tot
5 waarbij 1 ‘Maturiteitsniveau 0’ en 5 ‘Maturiteitsniveau 4’ voorstelt.
Bij het tweede deel van de enquête werd het verloop van de organisatorische kwesties van
de onderneming nader bekeken, hierbij wordt er voornamelijk rekening gehouden met
strategie, documentatie en toegepaste managementdisciplines in de onderneming.
Bij het derde deel werden de processen onder de loep gelegd met nadruk op het verkrijgen
en verwerken van gegevens uit de productie en logistiek en het verloop van de communicatie
tussen deze twee bedrijfsomgevingen.
Vervolgens werd er in het vierde deel gekeken naar het product van de onderneming.
Hierbij werd er vooral gekeken naar de bedrijfsmodellen rond het product, de
producteigenschappen en de productontwikkeling.
Ten slotte werd in het vijfde deel het verloop van de arbeid geëvalueerd door te kijken naar
de competenties van de werknemers, toepassing van kennismanagement en de communicatie
tussen de werknemers zelf. In sectie 2.9.3 wordt de vragenlijst meer in detail uitgelegd.
46
2.9.2. Testen van de vragenlijst en bruikbaarheid
De enquête werd initieel mondeling overlopen met een CEO van een productiebedrijf om
de begrijpelijkheid en inhoud ervan te verifiëren, waarbij na feedback enkele vragen en
antwoorden werden aangepast. Vervolgens werd de bruikbaarheid getest bij vijf
ondernemingen die een kloppend resultaat weergaven waaruit geconcludeerd kon worden dat
het model bruikbaar is.
2.9.3. Interne validiteit
Om te zien of de vragen uit de enquête consistent zijn, werd de samenhang van de vragen
per dimensie getest met Cronbach’s Alpha. Figuur XVI toont hoe Cronbach’s Alpha
geïnterpreteerd moet worden.
Figuur XVI:Interpretatie Crohnbach's Alpha (Scribbr, 2018)
Zoals ut supra vermeld worden de vragen per dimensie getest en als laatste worden alle
dimensies samen getest om te zien of deze dimensies wel echt de Industrie 4.0 maturiteit
helpen opmeten. De vragenlijst bevat de volgende dimensies: organisatorische kwesties,
processen, producten en arbeid.
Het maturiteitsniveau van de organisatorische kwesties werd opgemeten aan de hand van
tien indicatoren: digitaliseringsstrategie, IT-organisatiestructuur, IT-procesmanagement,
technologie- en innovatiemanagement, projectmanagement, lean management, controlling,
risicomanagement, documentatie interne processen en digitalisering van klantenrelaties.
47
Voor het niveau van de processen werden de volgende elf indicatoren gebruikt:
productieplanning, genetwerkte productie, gegevensverwerking in productie, registratie
logistiek- en productiegegevens, machine- en bedrijfsgegevens in productie, gebruik logistiek-
en productiegegevens, omgang met fouten in productie, registratie van voorraden, M2M-
communicatie, Human-Machine interactie en Human-Machine interfaces.
Ook het niveau van de producten werd gemeten. Deze bestond wederom uit tien
indicatoren, namelijk klantenbenadering, bedrijfsmodellen rond het product,
configureerbaarheid van diensten/producten, product gerelateerde IT-diensten, geïntegreerde
sensoren/actuatoren in het product, connectiviteit van het product, gegevensopslag en
-uitwisseling van informatie, monitoring van het product, digitale gegevensuitwisseling tussen
productontwikkeling & vervolgprocessen en ontwikkeling nieuwe producten/diensten met
externe partners.
Het niveau van de arbeid werd geëvalueerd volgens de volgende tien indicatoren:
kennisniveau digitalisering van managers, bestaande IT-competenties voor Industrie 4.0,
ontwikkeling competenties door opleidingen, ontwikkeling IT-vaardigheden nieuwe
werknemers, bereidheid nieuwe technologieën werknemers, kennisbehoud, onderhoud
kennisbank, opzoeking kennis, spontane communicatie en geplande communicatie.
Tot slot werd het Industrie 4.0 maturiteitsniveau bepaald aan de hand van het gemiddelde
van de bovenstaande vier dimensies: organisatorische kwesties, processen, producten en
arbeid.
Bij uitvoering van de Cronbach’s Alpha test werden de volgende waarden verkregen:
Organisatorische kwesties (10 items, α = 0,891);
Processen (10 items, α = 0,919);
Producten (11 items, α = 0,810);
Arbeid (10 items, α = 0,856);
Industrie 4.0 maturiteitsniveau (4 items, α = 0,906).
Om de scores van de dimensies te berekenen, werd het gemiddelde van de bijhorende
indicatoren berekend. Vervolgens werd voor het Industrie 4.0 maturiteitsniveau het
gemiddelde van de dimensies genomen. Alle items bevinden zich boven de grenswaarde van
0,7. Dit betekent dat de vragen voldoende samenhangen om de samengestelde variabelen
organisatorische kwesties, processen, producten, arbeid en Industrie 4.0 maturiteitsniveau te
maken.
48
2.10. Dataverzameling
De finale vragenlijst werd gecreëerd via Qualtrics. Om de vragenlijst in te vullen moesten
de respondenten aan de volgende voorwaarden voldoen:
• De respondent is tewerkgesteld bij een Vlaams productiebedrijf en heeft redelijke
kennis over de gang van zaken in hun bedrijf op vlak van arbeid, organisatorische
kwesties, processen en producten.
• De respondent beheerst de Nederlandse taal aangezien de vragenlijst in het
Nederlands is opgesteld.
• De onderneming heeft productiefabrieken in Vlaanderen.
• De onderneming maakt deel uit van de Vlaamse productiesector.
De vragenlijst werd verspreid via persoonlijke connecties, sociale netwerken zoals
LinkedIn en netwerking evenementen voor bedrijven. Daarnaast werd er gebruik gemaakt van
de Bel-First database om de e-mailadressen van 9.017 Vlaamse productiebedrijven te
verkrijgen. Ongeveer 50% van deze e-mailadressen waren geldig waardoor er in het totaal
4.708 e-mails naar verschillende bedrijven werden verstuurd. De Vlaamse productiesector
bestaat volgens Statistiek Vlaanderen (2016) uit 31.040 ondernemingen, wat wijst op een
operationele steekproef van 15,17%. Als gevolg hiervan, werden er 113 antwoorden
ontvangen, wat neerkomt op een antwoordpercentage van 2,40%. Na filtering van de
onvolledige vragenlijsten bleven er nog 50 geldige ingevulde enquêtes over. Dit wijst leidt tot
een responsgraad van 1,06% geldige antwoorden.
49
2.11. Beschrijvende statistiek & externe validiteit
Tabel 2: Aantal bedrijven en de bijhorende sectoren
Sector Aantal bedrijven Percentage
Chemicaliën, farmaceutica, olie, mineralen
en rubber 5 10%
Dranken, levensmiddelen en
tabaksproducten 6 12%
Elektronische, elektrische en andere
apparatuur 4 8%
Metalen 16 32%
Voertuigen en vervoer 2 4%
Hout, papier en drukkerij 6 12%
Textiel, kleding en leder 5 10%
Andere 6 12%
Totaal 50 100%
Meer dan een kwart van de respondenten (32%) zijn actief in de metaalsector, deze wordt
gevolgd door de dranken-, levensmiddelen- en tabaksproductensector, de hout-, papier- en
drukkerijsector en andere sectoren, die niet als keuze beschikbaar waren (12%). Deze cijfers
zijn niet volledig overeenstemmend met de sectorverdeling van de Belgische industrie volgens
Statistiek Vlaanderen (2019) waardoor er kan geconcludeerd worden dat de enquête, wat
betreft de sectorverdeling, minder generaliseerbaar is.
50
Figuur XVII: Aantal werknemers in de onderneming
Tabel 3: Verdeling tussen KMO's en grote ondernemingen
Categorie onderneming Aantal bedrijven Percentage
Klein en middelgroot 40 80%
Groot 10 20%
Totaal 50 100%
Voor het bepalen van de ondernemingsgrootte werd het aantal werknemers gebruikt. Deze
werd onderverdeeld in twee categorieën, namelijk klein en middelgroot (0-250 werknemers)
en groot (>250 werknemers). Op deze manier kan er een onderscheid worden gemaakt tussen
kleine en middelgrote ondernemingen (KMO’s) en grote ondernemingen. Volgens de
structurele ondernemingsstatistieken gepubliceerd door Statbel (2016), het Belgische
statistiekbureau, zou maar 0,1% van de Belgische ondernemingen 250 of meer werkzame
personen tellen. Er kan dus gesteld worden dat de resultaten van de enquête met betrekking
tot de verschillende ondernemingsgroottes niet veralgemeenbaar zijn.
51
Tabel 4: Gebruikte technologieën bij de ondernemingen
Gebruikte technologieën Aantal bedrijven Percentage
Cyberphysical systems (CPS) 2 2,25%
Internet of Things (IoT) 15 16,85%
Big Data 9 10,11%
Cloud computing 17 19,10%
Artificial Intelligence (AI) 2 2,25%
Autonomous robotics 12 13,48%
Augmented reality (AR) & Virtual reality (VR) 3 3,37%
Simulation 4 4,49%
Additive manufacturing (3D-printing) 8 8,99%
Geen van bovenstaande 17 19,10%
Op de vraag of de respondenten familiair waren met Industrie 4.0 bleek meer dan de helft
(27) reeds bekend te zijn met het concept van Industrie 4.0. Deze meerderheid is ook terug te
vinden bij de vraag over de ervaring met Industrie 4.0. Ook hier hebben er 27 werknemers (17
met weinig ervaring en 10 met matige ervaring) reeds ervaring met Industrie 4.0. Opmerkelijk
is dat hierbij geen enkele werknemer veel ervaring heeft met Industrie 4.0. Dit is ook te zien
aan tabel 4, die de gebruikte technologieën bij de Vlaamse productieondernemingen
weergeeft. 17 ondernemingen gebruiken geen enkele Industrie 4.0 technologie.
52
3. Resultaten
3.1. Onderzoeksvraag
Waar staat de huidige Vlaamse productiesector met de adoptie naar Industrie 4.0?
Om een antwoord te formuleren op de onderzoeksvraag, worden beschrijvende testen
uitgevoerd op de verkregen gegevens om zo een beeld te verkrijgen van het Industrie 4.0
maturiteitsniveau van de Vlaamse productiesector. Hierbij zijn er uitschieters te vinden maar
aangezien het om geldige uitschieters gaat, worden deze betrokken in de verwerking. Zoals
te zien op tabel 5 behaalt de Vlaamse productiesector op de Industrie 4.0 zelfbeoordelingstest
een score van 2,51/5.
Tabel 5: Industrie 4.0 maturiteitsniveau per sector
Sector Aantal
bedrijven
Industrie 4.0
maturiteitsniveau Minimum Maximum
Chemicaliën, farmaceutica, olie,
mineralen en rubber
5 2,11 1,88 2,67
Dranken, levensmiddelen en
tabaksproducten
6 2,74 2,29 3,18
Elektronische, elektrische en
andere apparatuur
4 2,93 2,04 3,54
Metalen 16 2,56 1,54 4,16
Voertuigen en vervoer 2 1,80 1,67 1,93
Hout, papier en drukkerij 6 2,44 1,00 3,57
Textiel, kleding en leder 5 2,67 1,62 3,37
Andere 6 2,37 1,63 2,88
Globaal 50 2,51 1,00 4,16
Verder kan er ook gesteld worden dat de elektronische, elektrische en andere
apparatuur sector met 2,51/5 het hoogste gemiddelde heeft en de voertuigen en vervoersector
het laagst scoort met een gemiddelde van 1,80. Het opmerkelijke is dat het laagste
maturiteitsniveau een 1,00 is; wat eigenlijk een maturiteitsniveau van 0 (toeschouwer)
betekent.
53
Tabel 6: Scores per Industrie 4.0 dimensie
Dimensies score Organisatorische
kwesties Processen Producten Arbeid
Chemicaliën, farmaceutica, olie,
mineralen en rubber
2,36 1,85 1,90 2,34
Dranken, levensmiddelen en
tabaksproducten
3,07 2,89 1,98 3,03
Elektronische, elektrische en
andere apparatuur
3,08 2,61 2,63 3,40
Metalen 2,68 2,33 2,51 2,71
Voertuigen en vervoer 1,70 1,55 1,95 2,00
Hout, papier en drukkerij 2,52 2,58 1,92 2,77
Textiel, kleding en leder 3,04 2,60 2,18 2,84
Andere 2,60 2,45 1,68 2,75
Globaal 2,69 2,41 2,17 2,76
Tabel 6 geeft de scores van de dimensies weer per sector. Hieruit is af te leiden dat er het
laagst wordt gescoord op de dimensie ‘producten’ en dat voornamelijk de chemische sector,
voedselsector, houtsector en de textielsector laag scoren op de product dimensie.
54
3.2. Hypothesen
H1: Jaarlijkse omzet heeft een positief effect op het Vlaamse Industrie 4.0
maturiteitsniveau.
Om het verband te meten tussen de jaarlijkse omzet van de onderneming en het Vlaamse
Industrie 4.0 maturiteitsniveau werd er beslist om een Spearman’s Rho test uit te voeren,
aangezien het hier respectievelijk gaat om een onafhankelijke ordinale variabele en een
afhankelijke interval variabele.
Tabel 7: Verband jaarlijkse omzet en Industrie 4.0 maturiteitsniveau
Spearman’s Rho Industrie 4.0 maturiteitsniveau
Jaarlijkse omzet
Correlatie (rs) 0,533
Significantie (p) 0,000
N 50
Uit de resultaten van de test is af te leiden dat de jaarlijkse omzet een significante,
middelmatige positieve correlatie (rs = 0,533; p = 0,000 < 0,05) heeft met het Industrie 4.0
maturiteitsniveau. Dit betekent dat hoe hoger de jaarlijkse omzet van de onderneming is, hoe
hoger het Industrie 4.0 maturiteitsniveau is. Hiermee wordt de bovenvermelde hypothese
bevestigd.
H2: Het aantal werknemers heeft een positief verband met het Vlaamse Industrie 4.0
maturiteitsniveau.
Voor het testen van de tweede hypothese werd er wederom voor een Spearman’s Rho test
gekozen, aangezien het aantal werknemers opgedeeld werd in verschillende ordinale groepen
en het Industrie 4.0 maturiteitsniveau een interval variabele is. Hierbij is het ‘aantal
werknemers’ de onafhankelijke en het Industrie 4.0 maturiteitsniveau de afhankelijke.
Tabel 8: Verband aantal werknemers en Industrie 4.0 maturiteitsniveau
Spearman’s Rho Industrie 4.0 maturiteitsniveau
Aantal werknemers
Correlatie (rs) 0,633
Significantie (p) 0,000
N 50
55
Uit de resultaten is te zien dat het aantal werknemers een significant, positief middelmatig
verband (rs = 0,633; p = 0,000 < 0,05) heeft met het Industrie 4.0 maturiteitsniveau waardoor
de hypothese kan worden aanvaard.
H3: Concurrentie heeft een positief verband met het Vlaamse Industrie 4.0
maturiteitsniveau.
De derde hypothese werd ook getoetst aan de hand van de Spearman’s Rho test omdat
het hier om de onafhankelijke ordinale variabele ‘concurrentie’ en de afhankelijke interval
variabele ‘Industrie 4.0 maturiteitsniveau’ gaat.
Tabel 9: Verband concurrentie en Industrie 4.0 maturiteitsniveau
Spearman’s Rho Industrie 4.0 maturiteitsniveau
Concurrentie
Correlatie (rs) 0,111
Significantie (p) 0,442
N 50
Uit de resultaten kan besloten worden dat concurrentie en het Industrie 4.0
maturiteitsniveau geen significant verband hebben (p = 0,442 > 0,05) waardoor de hypothese
kan worden verworpen.
H4: De Vlaamse automobielindustrie heeft een hogere Industrie 4.0
maturiteitsniveau dan de andere Vlaamse productiesectoren.
Voor de vierde hypothese werd gebruik gemaakt van de One Way ANOVA-test aangezien
meerdere sectoren met elkaar worden vergeleken op vlak van hun Industrie 4.0
maturiteitsniveau en de variabelen aan alle assumpties voor een parametrische test voldoen
(onafhankelijke waarnemingen, normaal verdeeld (Shapiro Wilk p > 0,05), gelijke varianties
(p = 0,055 > 0,05), de afhankelijke variabele is op interval niveau gemeten en de onafhankelijke
op categorisch niveau).
De ANOVA-test liet zien dat er geen significant verschil was tussen de sectoren onderling
(p = 0,549 > 0,05) en hierbij wordt de hypothese dus verworpen.
56
4. Discussie
De Industrie 4.0 maturiteitstest is door 50 ondernemingen ingevuld en de resultaten tonen
aan dat de Industrie 4.0 maturiteit van de Vlaamse productiesector een score van 2,51 op 5
haalt. Met deze score positioneert de productiesector zich tussen niveau 1, beginner, en
niveau 2, ervarene, van Müller et al. (2018). Dit is ook te zien op figuur XVIII. Dit betekent dat
de meerderheid van de ondernemingen momenteel de informatiseringstap ondergaat, waarbij
met behulp van ICT processen worden uitgevoerd. Uit de resultaten kan gesteld worden dat
het Industrie 4.0 maturiteitsniveau laag is. Dit is ook te zien aan het aantal bedrijven dat geen
enkele Industrie 4.0 technologie toepast (17).
Figuur XVIII: Industrie 4.0 maturiteitsniveau van de Vlaamse productiesector
De lage score kan verklaard worden door de recente verschijning van Industrie 4.0. Hoewel
meer dan de helft van de respondenten het concept van Industrie 4.0 kenden, waren er geen
die hier veel ervaring mee hadden. Bovendien hebben ondernemingen de kennis niet hoe ze
deze overgang moeten verwezenlijken (Andulkar et al., 2018; PwC, 2016). Daarbij maakt de
vaagheid en onzekerheid rond het concept van Industrie 4.0, zoals het ontbreken van een
éénduidige definitie, het gebruik van nieuwe technologieën, de implementatie en de
uitdagingen die daarbij komen, het nog moeilijker om aan deze overgang te beginnen
(Hermann et al., 2016; Antonnson, 2018).
57
Figuur XIX: Behaalde score bij de indicatoren van de organisatorische kwesties
Als er naar de dimensies apart wordt gekeken, kan er afgeleid worden dat de Vlaamse
productiesector bij de organisatorische kwesties met een score van 2,69 zich op het niveau
van beginner bevindt. Bij nadere inspectie is op figuur XIX te zien dat de productiesector
ervaren is op vlak van documentatie van interne processen, risico-, technologie- en
innovatiemanagement en bij controlling zelfs gevorderd is. Op vlak van digitaliseringsstrategie
en IT-organisatie daarentegen bevindt het zich op het toeschouwersniveau.
58
Figuur XX: Behaalde score bij de indicatoren van de processen
Met betrekking tot de dimensie van de processen, kan de productiesector met een score
van 2,41 ook als beginner beschouwd worden. Daar wordt er het sterkst gescoord op vlak van
productieplanning en genetwerkte productie. Er wordt het zwakst gescoord op de indicatoren
M2M-communicatie, Mens-Machine interactie, Mens-Machine interfaces en gebruik van
machine- en bedrijfsgegevens in de productie waar de productiesector als toeschouwer kan
gezien worden.
59
Figuur XXI: Behaalde score bij de indicatoren van de producten
Bij de productdimensie wordt er met 2,17 het slechtst gescoord en daarmee bevindt de
Vlaamse productiesector zich net nog op het beginnersniveau. Bij nadere inspectie is te zien
dat deze score voornamelijk omhoog getrokken wordt door de indicatoren businessmodellen
rond het product en configureerbaarheid van de diensten/producten, waar de sector
respectievelijk als ervarene en expert kan beschouwd worden. Bij de overige indicatoren
situeert de maaksector zich op het toeschouwersniveau en kan er gesteld worden dat de
Vlaamse productiesector zich met betrekking tot de productiedimensie eigenlijk op het
toeschouwersniveau bevindt.
60
Figuur XXII: Behaalde score bij de indicatoren van arbeid
Op vlak van arbeid halen de Vlaamse productiebedrijven een score van 2,76 waarmee ze
zich als beginners kunnen beschouwen. In deze dimensie wordt er overal een goeie score
behaald behalve op vlak van de ontwikkeling van IT-vaardigheden door middel van nieuwe
werknemers.
Het gemiddelde Industrie 4.0 maturiteitsniveau wordt dus voornamelijk naar beneden
getrokken door de productdimensie, dit kan verklaard worden door de sectoren en de
indicatoren die het productniveau bepalen. Hoewel vele ondernemingen gepersonaliseerde
producten aanbieden (40), biedt de minderheid (16) extra product gerelateerde IT-diensten
aan en zijn er nauwelijks digitaliseringsmogelijkheden voor het product zelf. Het gebrek aan
digitale servitisatie zorgt voor het laag gemiddelde op vlak van producten en kan worden
verklaard doordat niet alle producten nood hebben aan extra digitale mogelijkheden,
voorbeelden hiervan zijn textielproducten, levensmiddelen, …. Het zijn dan ook voornamelijk
de chemische sector, houtsector, voedselsector en de textielsector die laag scoren op de
productdimensie.
Bij het onderzoek van Lichtblau et al. (2015), waar het onderzoek werd uitgevoerd bij 214
Duitse machineproducenten, bleek meer dan drie vierde van de respondenten (76,5%) zich
nog tussen niveau 0 (buitenstaander) en niveau 1 (beginner) te bevinden. Ook hier scoorden
de respondenten laag op de productdimensie. Aangezien het model van Müller et al. (2018)
gebaseerd is op die van Lichtblau et al. (2015) kunnen de resultaten met de bevindingen van
61
deze studie worden vergeleken. Er moet hierbij wel rekening gehouden met het feit dat de
studie van Lichtblau et al. (2015) enkel bij Duitse machineproducenten werd uitgevoerd en
deze resultaten van vier jaar geleden zijn. Met het tijdsverschil in het achterhoofd, kan
Vlaanderen als potentialist worden beschouwd zoals vermeld in het onderzoek van Roland
Berger (2014). Dit komt doordat de Vlaamse productiesector met betrekking tot de adoptie van
Industrie 4.0 zich in de beginnersfase bevindt en al reeds halverwege de transitie naar het
niveau van ervarene zit, wat bij het maturiteitsmodel van Lichtblau et al. (2015) respectievelijk
als niveau 1 en 3 beschouwd wordt zoals te zien op figuur XXIV van bijlage A. Bij het volgende
deel worden resultaten van de hypothesen besproken.
Tabel 10: Samenvatting hypothesen
Hypothesen Aanvaard?
H1: Jaarlijkse omzet heeft een positief effect op het Vlaamse
Industrie 4.0 maturiteitsniveau. Ja
H2: Het aantal werknemers heeft een positief verband met het
Vlaamse Industrie 4.0 maturiteitsniveau. Ja
H3: Concurrentie heeft een positief verband met het Vlaamse
Industrie 4.0 maturiteitsniveau. Nee
H4: De Vlaamse automobielindustrie heeft een hogere Industrie 4.0
maturiteitsniveau dan de andere Vlaamse productiesectoren. Nee
(H1) De eerste hypothese met betrekking tot het positieve verband tussen de jaarlijkse
omzet en het Vlaamse Industrie 4.0 maturiteitsniveau, werd na uitvoering van een Spearman’s
Rho test, aanvaard. Deze bevinding is in overeenstemming met die van Sommer (2015), waar
de jaarlijkse omzet een positieve invloed heeft op de implementatie van Industrie 4.0.
Antonnson (2018) daarentegen vond geen verband tussen de twee variabelen door het
gebruik van een te kleine steekproef. Bij de studie van Sommer (2015) werden enkel KMO’s
bestudeerd en bij die van Antonnson (2018), waar de hypothese werd verworpen, enkel grote
bedrijven. Dit verband is te verklaren door de grotere hoeveelheid beschikbaar geld, die
potentieel kan worden besteed aan de implementatie van Industrie 4.0.
(H2) De tweede hypothese stelt dat er een positief verband is tussen het aantal
werknemers en het Industrie 4.0 maturiteitsniveau. Het aantal werknemers wordt ook gebruikt
als indicator voor het bepalen van de ondernemingsgrootte. Deze hypothese werd bevestigd
in tegenstelling tot de bevindingen van Arnold et al. (2018). Aangezien er voor een groot aantal
werknemers te hebben een hoog bedrijfsomzet nodig is om deze werknemers te onderhouden,
kan dit resultaat worden verklaard door het hogere budget van de onderneming.
62
(H3) De derde hypothese is gebaseerd op de hypothese van Arnold et al. (2018), die
stelt dat concurrentie een positief verband heeft met het Industrie 4.0 maturiteitsniveau. De
variabelen bleken geen significant verband te hebben en komen niet overeen met de
resultaten van Arnold et al. (2018). Deze tegensprekende resultaten kunnen verklaard worden
doordat het onderzoek van Arnold et al. (2018) in Duitsland werd uitgevoerd, waar Industrie
4.0 ontstond en de Duitse productiesector als pionier wordt beschouwd op vlak van innovatie
(Breznitz, 2014). Daarnaast kan het resultaat worden verklaard doordat alle sectoren
competitief zijn maar niet alle ondernemingen het nodig zien om Industrie 4.0 te implementeren
of het budget ervoor hebben.
(H4) De vierde hypothese stelt dat er een verschil is tussen het Industrie 4.0
maturiteitsniveau van de verschillende Vlaamse productiesectoren. Net zoals bij Antonnson
(2018) kon er geen significantie gevonden worden. Deze bevinding kan worden verklaard door
het lage aantal ondernemingen wanneer elke productiesector apart wordt bekeken.
63
5. Beperkingen van het onderzoek en suggesties
voor toekomstig onderzoek
Omdat Industrie 4.0 een recent verschijnsel is, zullen er nog veel nieuwe onderzoeken
omtrent het onderwerp worden uitgebracht. Voor deze thesis werd er geprobeerd de meest
relevante en recent beschikbare literatuur te gebruiken. Aangezien er nog geen éénduidige
definitie is rond het concept van Industrie 4.0 en wat deze inhoudt, is het dus mogelijk dat er
door ontwikkelingen rond het onderwerp nieuwe informatie beschikbaar gesteld wordt. Dit zou
eventueel kunnen leiden tot een verschillend resultaat van voor dit onderzoek.
Bij het uitvoeren van het onderzoek werd er op beperkingen gestuit. Tijdens de
literatuurstudie werden meerdere academische Industrie 4.0 maturiteitsmodellen gevonden.
Deze waren voornamelijk in het Duits, Italiaans en Portugees geschreven. Hierdoor bestaat er
de mogelijkheid dat er toch geschiktere academische maturiteitsmodellen bestaan dan het
model van Müller et al. (2018).
Dit kwantitatief onderzoek werd uitgevoerd bij de Vlaamse productiesector. Door deze
geografische beperking kunnen de resultaten niet naar andere populaties worden
veralgemeend aangezien elke regio zijn eigen bereidheid heeft voor de omschakeling naar
Industrie 4.0 zoals te zien in sectie 1.5.9.
Een derde limitatie is het relatief kleine aantal van vijftig respondenten. Een hoger aantal
respondenten zou een beter zicht geven over het Industrie 4.0 maturiteitsniveau van de
Vlaamse productiesector en mogelijks een ander resultaat weergeven. Toekomstig onderzoek
zou een groter kwantitatief onderzoek kunnen uitvoeren of een specifieker onderzoek
uitvoeren bij één van de productiesectoren onderling.
Een vierde limitatie van het onderzoek is de niet-representatieve steekproef, de verdeling
van de steekproef over de verschillende productiesectoren was niet gelijk aan die van de
Vlaamse productiesector. Ook dit probleem zou kunnen worden verholpen door een groter
kwantitatief onderzoek.
Voor specifieke aanbevelingen met betrekking tot dit onderzoek, kunnen toekomstige
onderzoeken hetzelfde maturiteitsmodel toepassen om de resultaten van dit onderzoek te
valideren en te vergelijken om zo de evolutie van het Industrie 4.0 maturiteitsniveau van de
Vlaamse productiesector te evalueren. Het maturiteitsniveau van andere regio’s of landen kan
ook worden geëvalueerd waarbij er rekening kan gehouden worden met culturele verschillen.
Additioneel kunnen er mits aanpassingen of toegekende gewichten bij bepaalde delen van het
maturiteitsmodel specifieke sectoren worden bestudeerd en ook het verschil tussen de
64
verschillende bedrijfsgroottes zoals micro-ondernemingen, KMO’s of grote ondernemingen
bekeken worden, aangezien de bedrijfsgrootte een invloed heeft op de implementering van
Industrie 4.0.
65
6. Conclusie
Industrie 4.0 is de benaming voor de vierde industriële revolutie, waarmee industrielanden
ecologische, sociale en economische problemen zoals vervuiling, vergrijzing, slinkende
grondstoffen en verschuiving van de marktvraag naar individualisatie wil tegengaan. Industrie
4.0 verandert de manier van produceren door het digitaliseren van het productieproces en het
gebruik van nieuwe technologische ontwikkelingen zoals Cyberphysical systems (CPS),
Internet of Things (IoT), cloud computing, big data, Artificial Intelligence (AI), additive
manufacturing (3D-printing), .... Een volledige transitie naar Industrie 4.0 zou ervoor zorgen
dat de productie volledig autonoom verloopt zonder enige menselijke tussenkomst. Daarnaast
maakt de integratie van deze verschillende technologieën het mogelijk om flexibeler en
efficiënter te produceren door sneller te reageren op veranderingen in de vraag en
persoonlijkere, op maat gemaakte producten te vervaardigen zonder daar extra kosten door
verspilling of tijdsverlies bij te ervaren.
In deze studie werd er naar een geschikt maturiteitsmodel gezocht om de Industrie 4.0
maturiteitsniveau van de Vlaamse productiesector te evalueren. Na een uitgebreide
literatuurstudie werd er gekozen voor het maturiteitsmodel van Müller et al. (2018) waarbij de
evaluatie gebeurt aan de hand van het verloop van de organisatorische kwesties, processen,
producten en arbeid in de onderneming. Vervolgens werd er een kwantitatief onderzoek
uitgevoerd bij 50 respondenten. De meerderheid van de respondenten waren al reeds bekend
met Industrie 4.0 maar geen enkele respondent had er veel ervaring mee en tevens gebruikt
de helft van de ondervraagde ondernemingen geen enkele technologie die Industrie 4.0
mogelijk maakt. Na de verwerking van de resultaten was het resultaat een maturiteitsniveau
van 2,51/5. Met deze score kan de Vlaamse productiesector volgens het maturiteitsmodel van
Müller et al. (2018) op vlak van Industrie 4.0 als beginner worden beschouwd, waarbij de
industrie momenteel informatisering ondergaat. Op vlak van de organisatorische kwesties,
processen en arbeid is de Vlaamse productiesector goed gepositioneerd met betrekking tot de
digitalisering. Bij de productdimensie daarentegen zijn er nog veel mogelijkheden tot
verbetering en voornamelijk op vlak van digitale servitisatie.
Daarnaast werden er enkele hypotheses getest. Hierbij werd er gevonden dat het aantal
werknemers en de jaarlijkse omzet een positief verband hebben met het Industrie 4.0
maturiteitsniveau. De hypotheses, waar er gesteld werd dat concurrentie een positief verband
heeft met het Industrie 4.0 maturiteitsniveau en dat de automobielsector het meest
geavanceerd is op vlak van Industrie 4.0, werden verworpen doordat er bij beiden
respectievelijk geen significant verschil of verband werd gevonden.
66
De resultaten van dit onderzoek maken het mogelijk om een beeld te vormen van waar de
huidige Vlaamse productiesector staat op vlak van Industrie 4.0. Dit kan gebruikt worden door
zowel academici als ondernemers om het maturiteitsniveau te vergelijken met het Industrie 4.0
niveau van andere regio’s of van de eigen onderneming. Ook voor beleidsmakers zijn de
resultaten interessant om te oordelen of er investeringen nodig zijn om Industrie 4.0 te
promoten aangezien de maakindustrie een groot deel toegevoegde waarde levert aan het BBP
en deze competitief moet blijven.
67
7. Bibliografie
Accenture. (2015). Industrial internet Insights Report. Geraadpleegd 1 februari 2019, van
https://www.accenture.com/t20150523T023646Z__w__/us-
en/_acnmedia/Accenture/Conversion-
Assets/DotCom/Documents/Global/PDF/Dualpub_11/Accenture-Industrial-Internet-Insights-
Report-2015.pdf
Ægisdóttir, A. L. Industry 4.0 & Made in China 2025: How will industry jobs evolve and what
effects will these strategies have on the workforce? (Doctoral dissertation).
Alcácer, V., & Cruz-Machado, V. (2019). Scanning the Industry 4.0: A Literature Review on
Technologies for Manufacturing Systems. Engineering Science and Technology, an
International Journal. https://doi.org/10.1016/j.jestch.2019.01.006
Andulkar, M., Le, D. T., & Berger, U. (2018). A multi-case study on Industry 4.0 for SME’s in
Brandenburg, Germany. In Proceedings of the 51st Hawaii International Conference on
System Sciences.Anonymous.
Antonsson, M. (2017). INDUSTRY 4.0 Where are Swedish manufacturers in the transition
towards Industry 4.0?. Geraadpleegd 11 maart 2019, van
http://publications.lib.chalmers.se/records/fulltext/253127/253127.pdf
Arnold, Christian & Veile, Johannes & Voigt, Kai-Ingo. (2018). What Drives Industry 4.0
Adoption? An Examination of Technological, Organizational, and Environmental
Determinants. (PDF) What makes a useful maturity model? A framework of general design
principles for maturity models and its demonstration in business process management.
Geraadpleegd 12 maart 2019, van
https://www.researchgate.net/publication/221409904_What_makes_a_useful_maturity_mode
l_A_framework_of_general_design_principles_for_maturity_models_and_its_demonstration_
in_business_process_management
68
Atobishi, T., Gábor Szalay, Z., & Bayraktar, S. (2018). CLOUD COMPUTING AND BIG
DATA IN THE CONTEXT OF INDUSTRY 4.0 : OPPORTUNITIES AND CHALLENGES.
Proceedings of the IISES Annual Conference, Sevilla, Spain. Gepresenteerd op IISES
Annual Conference, Sevilla, Spain. https://doi.org/10.20472/IAC.2018.035.004
Attaran, M. (2017). Additive Manufacturing: The Most Promising Technology to Alter the
Supply Chain and Logistics. Journal of Service Science and Management, 10(03), 189–206.
https://doi.org/10.4236/jssm.2017.103017
Balasingham, K. (2016). Industry 4.0: securing the future for German manufacturing
companies (Master's thesis, University of Twente).
Basl, J. (2019). Analysis of Industry 4.0 Readiness Indexes and Maturity Models and
Proposal of the Dimension for Enterprise Information Systems. Geraadpleegd 10 april 2019,
van https://link.springer.com/chapter/10.1007/978-3-319-99040-8_5
Bauernhansl, T. (2014). Die Vierte Industrielle Revolution – Der Weg in ein wertschaffendes
Produktionsparadigma. In T. Bauernhansl, M. ten Hompel, & B. Vogel-Heuser (Red.),
Industrie 4.0 in Produktion, Automatisierung und Logistik: Anwendung · Technologien ·
Migration (pp. 5–35). https://doi.org/10.1007/978-3-658-04682-8_1
Bayram, B., & İnce, G. (2018). Advances in Robotics in the Era of Industry 4.0. In A.
Ustundag & E. Cevikcan (Red.), Industry 4.0: Managing The Digital Transformation (pp. 187–
200). https://doi.org/10.1007/978-3-319-57870-5_11
Berghaus S, Back A (2016) Stages in digital business transformation: results of an empirical
maturity study. Mediterranean conference on information systems, p 22
Bledowski. (2015). The Internet of Things: Industrie 4.0 vs. the Industrial Internet.
Geraadpleegd 1 februari 2019, van: https://mapifoundation.org/economic/2015/7/23/the-
internet-of-things-industrie-40-vs-the-industrial-internet
69
Blunck, E., & Werthmann, H. (2017). INDUSTRY 4.0 – AN OPPORTUNITY TO REALIZE
SUSTAINABLE MANUFACTURING AND ITS POTENTIAL FOR A CIRCULAR ECONOMY.
DIEM : Dubrovnik International Economic Meeting, 3(1), 644–666.
BMBF. (2010). Germany - Ideas. Innovation. Prosperity. High-Tech Strategy 2020 for
Germany. Geraadpleegd 31 januari 2019, van https://www.manufacturing-
policy.eng.cam.ac.uk/documents-folder/policies/germany-ideas-innovation-prosperity-high-
tech-strategy-2020-for-germany-bmbf/view
Boyes, H., Hallaq, B., Cunningham, J., Watson, T., (2018). The industrial internet of things
(IIoT): An analysis framework, Comput. Ind., 101 , pp. 1-12
Breznitz, D. (2014). Why Germany Dominates the U.S. in Innovation. Harvard Business
Review. Geraadpleegd van https://hbr.org/2014/05/why-germany-dominates-the-u-s-in-
innovation
Colli, M., Madsen, O., Berger, U., Møller, C., Wæhrens, B. V., & Bockholt, M. (2018).
Contextualizing the outcome of a maturity assessment for Industry 4.0. IFAC-PapersOnLine,
51(11), 1347–1352. https://doi.org/10.1016/j.ifacol.2018.08.343
Copeland. (2019). Artificial Intelligence | Definition, Examples, and Applications.
Geraadpleegd 4 maart 2019, van https://www.britannica.com/technology/artificial-intelligence
De Carolis, A., Macchi, M., Kulvatunyou, B., Brundage, M. P., & Terzi, S. (2017). Maturity
Models and Tools for Enabling Smart Manufacturing Systems: Comparison and Reflections
for Future Developments. In J. Ríos, A. Bernard, A. Bouras, & S. Foufou (Red.), Product
Lifecycle Management and the Industry of the Future (pp. 23–35). Springer International
Publishing.
Deloitte. (2010). 2010 Global Manufacturing Competitiveness Index. Geraadpleegd van 1
februari 2019, van
70
https://www2.deloitte.com/content/dam/Deloitte/global/Documents/Manufacturing/gx_2010%
20Global%20Manufacturing%20Competitiveness%20Index_06_28_10.pdf
Deloitte. (2014). Industry 4.0 Challenges and solutions for the digital transformation and use
of exponential technologies. Geraadpleegd 13 februari 2019, van
https://www2.deloitte.com/content/dam/Deloitte/ch/Documents/manufacturing/ch-en-
manufacturing-industry-4-0-24102014.pdf
Deloitte. (2015a). Industry 4.0: An Introduction. Geraadpleegd 29 januari 2019, van
https://www2.deloitte.com/content/dam/Deloitte/be/Documents/Operations/2015_Industry%2
04%200%20Report%20vFinal.pdf
Deloitte. (2015b). The future of manufacturing Making things in a changing world.
Geraadpleegd van
https://www2.deloitte.com/content/dam/Deloitte/za/Documents/manufacturing/ZA_Future_of_
Manufacturing_2015.pdf
Deloitte. (2016). 2016 Global Manufacturing Competitiveness Index. Geraadpleegd van 1
februari 2019, van
https://www2.deloitte.com/content/dam/Deloitte/global/Documents/Manufacturing/gx-global-
mfg-competitiveness-index-2016.pdf
Deloitte. (2017). Industry 4.0 and building a culture of responsibility at the workplace |
Deloitte Insights. Geraadpleegd 24 februari 2019, van
https://www2.deloitte.com/insights/us/en/focus/industry-4-0/building-a-culture-of-
responsibility.html
Departement WSE. (2018). Sectorstudie industriële noden. Geraadpleegd 2 februari 2019,
van https://www.socialeeconomie.be/sites/default/files/Sectorstudie%20maakindustrie.pdf
71
Domino. (2019). Industrie 4.0 in coderen en markeren. Geraadpleegd 11 maart 2019, van
https://www.domino-printing.com/resources/Dutch/Whitepapers/Industry-4.0-White-Paper-
dutch-Web.pdf
Drath, R., & Horch, A. (2014). Industrie 4.0: Hit or Hype? [Industry Forum]. IEEE Industrial
Electronics Magazine, 8(2), 56–58. https://doi.org/10.1109/MIE.2014.2312079
Du Plessis, J. C. (2017). A framework for implementing Industrie 4.0 in learning factories
(Thesis, Stellenbosch : Stellenbosch University). Geraadpleegd van
https://scholar.sun.ac.za:443/handle/10019.1/101189
Eaton (2016). Hoe machines en installaties voorbereid worden op de verbinding met het
Internet of Things. Geraadpleegd 11 maart 2019, van https://www.exesengineering.nl/wp-
content/uploads/2017/08/eaton-iot.pdf
EFFRA. (2013). Factories of the future multi-annual roadmap for the contractual PPP under
Horizon 2020. Luxembourg: Publications Office of the European Union.
Ernst, F., & Frische, P. (2015). Industry 4.0 / Industrial Internet of Things - Related
Technologies and Requirements for a Successful Digital Transformation: An Investigation of
Manufacturing Businesses Worldwide (SSRN Scholarly Paper Nr. ID 2698137).
Geraadpleegd 18 januari 2019, van https://papers.ssrn.com/abstract=2698137
Ertan, J. (2018). Digital Readiness of Swedish Organizations. Geraadpleegd 15 maart 2019,
van http://www.diva-portal.se/smash/get/diva2:1268615/FULLTEXT01.pdf
Esmaeilian, B., Behdad, S., & Wang, B. (2016). The evolution and future of manufacturing: A
review. Journal of Manufacturing Systems, 39, 79-100.
Europees Parlement. (2015). Industry 4.0 Digitalisation for productivity and growth.
Geraadpleegd 24 januari 2019, van
http://www.europarl.europa.eu/RegData/etudes/BRIE/2015/568337/EPRS_BRI(2015)568337
_EN.pdf
72
Europese Commissie. (2010). EU manufacturing industry - what are the challenges and
opportunities for the coming years?. Geraadpleegd 24 januari 2019, van
https://publications.europa.eu/en/publication-detail/-/publication/6b1472cf-3084-4a97-ac3b-
a6b250288011
Europese Commissie. (2013). Factories of the Future PPP: towards competitive EU
manufacturing.
Geraadpleegd van http://ec.europa.eu/research/press/2013/pdf/ppp/fof_factsheet.pdf
Europese Commissie. (2014). Voor een heropleving van de Europese industrie.
Geraadpleegd van https://eur-lex.europa.eu/legal-
content/NL/TXT/PDF/?uri=CELEX:52014DC0014&from=EN
Europese Commissie. (2017a). Digital Transformation Monitor Belgium: “Made Different”.
Geraadpleegd van https://ec.europa.eu/growth/tools-
databases/dem/monitor/sites/default/files/DTM_Made%20different_BE%20v1.pdf
Europese Commissie. (2017b). Digital Transformation Monitor Germany: Industrie 4.0.
Geraadpleegd van https://ec.europa.eu/growth/tools-
databases/dem/monitor/sites/default/files/DTM_Industrie%204.0.pdf
Europese Commissie. (2017c). Implementation of an Industry 4.0 Strategy - The German
Plattform Industrie 4.0. Geraadpleegd 17 januari 2019, van Digital Single Market website:
https://ec.europa.eu/digital-single-market/en/blog/implementation-industry-40-strategy-
german-plattform-industrie-40
Europese Commissie. (2018a) European Innovation Scoreboard | Internal Market, Industry,
Entrepreneurship and SMEs. Geraadpleegd 25 januari 2019, van
https://ec.europa.eu/growth/industry/innovation/facts-figures/scoreboards_en
Europese Commissie. (2018b) The Digital Skills Gap in Europe. Geraadpleegd 23 februari
2019, van https://ec.europa.eu/digital-single-market/en/news/digital-skills-gap-europe
73
Europese Commissie. (2018c). Digital Single Market Belgium. Geraadpleegd 25 januari
2019, van https://ec.europa.eu/digital-single-market/en/scoreboard/belgium
Europese Commissie. (2018d). Regional Innovation Scoreboard. Geraadpleegd 25 januari
2019, van https://ec.europa.eu/growth/industry/innovation/facts-figures/regional_en
Felch, V., Asdecker, B., & Sucky, E. (2019). Maturity Models in the Age of Industry 4.0 – Do
the Available Models Correspond to the Needs of Business Practice?.
Femto. (2018). Wat is Predictive Maintenance?. Geraadpleegd 16 februari 2019, van Femto
Engineering website: https://www.femto.nl/stories/predictive-maintenance/
FOD Economie. (2019). Economic Outlook - January 2019. Geraadpleegd 13 juni 2019, van
https://economie.fgov.be/nl/file/8759/download?token=50Oymufh
Foresight. (2013). The future of manufacturing: a new era of opportunity and challenge for
the UK - summary report. 54.
Frank, A. G., Dalenogare, L. S., & Ayala, N. F. (2019). Industry 4.0 technologies:
Implementation patterns in manufacturing companies. International Journal of Production
Economics, 210, 15-26.
Fraunhofer IPT. (2019) Batch Size 1. Geraadpleegd 18 februari 2019, van
https://www.ipt.fraunhofer.de/en/trends/industrie40/batchsizeone.html
GE (2018). Everything you need to know about IIoT | GE Digital. Geraadpleegd 1 februari
2019, van https://www.ge.com/digital/blog/everything-you-need-know-about-industrial-
internet-things
Gilchrist, A. (2016). Introducing Industry 4.0. In A. Gilchrist (Red.), Industry 4.0: The
Industrial Internet of Things (pp. 195–215). https://doi.org/10.1007/978-1-4842-2047-4_13
Gökalp, E., Şener, U., & Eren, P. E. (2017). Development of an Assessment Model for
Industry 4.0: Industry 4.0-MM. In A. Mas, A. Mesquida, R. V. O’Connor, T. Rout, & A. Dorling
74
(Red.), Software Process Improvement and Capability Determination (Vol. 770, pp. 128–
142). https://doi.org/10.1007/978-3-319-67383-7_10
GTAI. (2018) The High-Tech Strategy. Geraadpleegd 16 januari 2019, van
https://www.gtai.de/GTAI/Navigation/EN/Invest/Industries/Industrie-4-0/Why-
germany/industrie-4-0-why-germany-policy.html
Hannover Messe. (2018). Industrie 4.0. Geraadpleegd 31 januari 2019, van
https://www.hannovermesse.de/en/news/key-topics/industrie-4.0/
Henriette, E.; Feki, M.; Boughzala, I. (2016). Digital Transformation Challenges. MCIS 2016
Proceedings. 33. http://aisel.aisnet.org/mcis2016/33
Hermann, M., Pentek, T., & Otto, B. (2016). Design Principles for Industrie 4.0 Scenarios.
2016 49th Hawaii International Conference on System Sciences (HICSS), 3928–3937.
https://doi.org/10.1109/HICSS.2016.488
IBM. (2017). The 5 Vs of Big Data. Geraadpleegd 27 februari 2019, van
https://www.ibm.com/blogs/watson-health/the-5-vs-of-big-data/
IBM. (2018) Descriptive analytics 101: What happened?. Geraadpleegd 25 december 2018,
van https://www.ibm.com/blogs/business-analytics/descriptive-analytics-101-what-happened/
IFR. (2018). Robot density rises globally. Geraadpleegd 19 januari 2019, van
https://ifr.org/ifr-press-releases/news/robot-density-rises-globally
Il Sole 24 Ore. (2014). Industria 4.0, l’Italia ancora alla rincorsa dei big a livello mondiale.
Geraadpleegd 6 april 2019, van http://www.ilsole24ore.com/art/management/2016-05-
24/industria-40-l-italia-ancora-rincorsa-big-livello-mondiale-091531.shtml?uuid=ADIVtnN
Innovationdata. (2019). Indicators of the innovation system- Value added of the
manufacturing sector. Geraadpleegd 14 februari 2019, van
http://www.innovationdata.be/i/NA10C_MAN/Value-added-manufacturing-sector
75
IPTS. (2003). The Future of Manufacturing in Europe 2015-2020 The Challenge for
Sustainability. Geraadpleegd 24 januari 2019, van
http://foresight.jrc.ec.europa.eu/documents/eur20705en.pdf
I-scoop. (2019). Industry 4.0: the fourth industrial revolution - guide to Industrie 4.0.
Geraadpleegd 16 april 2019, van https://www.i-scoop.eu/industry-4-
0/#Benefits_of_Industry_40
ISDP. (2018). Made in China Backgrounder. Geraadpleegd 18 januari 2019, van
http://isdp.eu/content/uploads/2018/06/Made-in-China-Backgrounder.pdf
Itinera. (2017). De maakindustrie van de toekomst in België. Geraadpleegd 22 januari, van
https://www.itinerainstitute.org/wp-content/uploads/2017/09/Maakindustrie.pdf
ITRE. (2016). Industry 4.0. Geraadpleegd 24 februari 2019, van
http://www.europarl.europa.eu/RegData/etudes/STUD/2016/570007/IPOL_STU(2016)57000
7_EN.pdf
Jeschke, S., Brecher, C., Song, H., & Rawat, D. B. (2016). Industrial Internet of Things:
Cybermanufacturing Systems. Springer.
Kagermann , H., Wahlster, H., Helbig, J., (2013). Recommendations for implementing the
strategic initiative INDUSTRIE 4.0. Geraadpleegd van
https://www.din.de/blob/76902/e8cac883f42bf28536e7e8165993f1fd/recommendations-for-
implementing-industry-4-0-data.pdf
Kagermann, H., Anderl, R., Gausemeier, J., Schuh, G., & Wahlster, W. (2016). Industrie 4.0
in a Global Context. 74.
Kaltenbach, F., Marber, P., Gosemann, C., Bölts, T., & Kühn, A. (2018). Smart Services
Maturity Level in Germany. 2018 IEEE International Conference on Engineering, Technology
and Innovation (ICE/ITMC), 1–7. https://doi.org/10.1109/ICE.2018.8436329
76
Kambarov, I., D’Antonio, G., Aliev, K., Chiabert, P., & Inoyatkhodjaev, J. (2018). Uzbekistan
Towards Industry 4.0. Defining the Gaps Between Current Manufacturing Systems and
Industry 4.0. In P. Chiabert, A. Bouras, F. Noël, & J. Ríos (Red.), Product Lifecycle
Management to Support Industry 4.0 (Vol. 540, pp. 250–260). https://doi.org/10.1007/978-3-
030-01614-2_23
Karlberg, H., & Pettersson, S. (2016). Utilizing Big Data and Internet of Things in a
Manufacturing Company. 131.
Kassner, L., Gröger, C., Königsberger, J., Hoos, E., Kiefer, C., Weber, C., … Mitschang, B.
(2017). The Stuttgart IT Architecture for Manufacturing. In S. Hammoudi, L. A. Maciaszek, M.
M. Missikoff, O. Camp, & J. Cordeiro (Red.), Enterprise Information Systems (Vol. 291, pp.
53–80). https://doi.org/10.1007/978-3-319-62386-3_3
Katal, A., Wazid, M., & Goudar, R. H. (2013). Big data: Issues, challenges, tools and Good
practices. 2013 Sixth International Conference on Contemporary Computing (IC3), 404–409.
https://doi.org/10.1109/IC3.2013.6612229
Kayikci, Y. (2018). Sustainability impact of digitization in logistics. Procedia Manufacturing,
21, 782–789. https://doi.org/10.1016/j.promfg.2018.02.184
Klingenberg, C. (2017). Industry 4.0: What makes it a revolution?
Klötzer, C., & Pflaum, A. (2017). Toward the Development of a Maturity Model for
Digitalization within the Manufacturing Industry’s Supply Chain. 10.
Koch, V., Kuge, S., Geissbauer, R. & Schrauf, S. (2014). Industry 4.0: Opportunities and
challenges of the industrial internet. Tech. Rep. TR 2014-2, PWC Strategy GmbH, United
States, New York City, New York (NY).
Kumar, R., & Wiil, U. K. (2019). Recent Advances in Computational Intelligence. Springer.
Kusmin, K. L. (2018). Industry 4.0. IFI8101-Information Society Approaches and ICT
Processes.
77
Kxp. (2017). What’s the Difference?: Understanding Industry 4.0 and the Industrial Internet.
Geraadpleegd 1 februari 2019, van Knowledge Experts website: https://kxp.biz/whats-the-
difference-understanding-industry-4-0-and-the-industrial-internet/
Lasi, H., Fettke, P., Kemper, H.-G., Feld, T., & Hoffmann, M. (2014). Industry 4.0. Business &
Information Systems Engineering, 6(4), 239–242. https://doi.org/10.1007/s12599-014-0334-4
Lee, E. A., & Seshia, S. A. (2014). Introduction to embedded systems: A cyber-physical
systems approach (2. ed., Printing 2.0). Lulu: LeeSeshia.org.
Lee, J., Bagheri, B., & Kao, H.-A. (2015). A Cyber-Physical Systems architecture for Industry
4.0-based manufacturing systems. Manufacturing Letters, 3, 18–23.
https://doi.org/10.1016/j.mfglet.2014.12.001
Lemke. (2018). Cybersecurity: A key enabler for Industry 4.0 [Text]. Geraadpleegd 6 maart
2019, van https://ec.europa.eu/digital-single-market/en/blogposts/cybersecurity-key-enabler-
industry-40
Liao, Y., Deschamps, F., Loures, E. de F. R., & Ramos, L. F. P. (2017). Past, present and
future of Industry 4.0 - a systematic literature review and research agenda proposal.
International Journal of Production Research, 55(12), 3609–3629.
https://doi.org/10.1080/00207543.2017.1308576
Lichtblau, K., Volker S., Bertenrath, R., Blum, M., Bleider, M., Millack, A., Schmitt, K.,
Schmitz, E., Schröter, M., (2015). INDUSTRIE 4.0-READINESS. 77.
Lu, Y. (2017). Industry 4.0: A survey on technologies, applications and open research issues.
Journal of Industrial Information Integration, 6, 1–10. https://doi.org/10.1016/j.jii.2017.04.005
McKenzie, F. (2013). DRIVERS AND TRENDS THAT WILL SHAPE AUSTRALIA. 20.
McKinsey. (2015). Industry 4.0 How to navigate digitization of the manufacturing sector.
Geraadpleegd 16 februari 2019, van
https://www.mckinsey.com/~/media/McKinsey/Business%20Functions/Operations/Our%20In
78
sights/Industry%2040%20How%20to%20navigate%20digitization%20of%20the%20manufac
turing%20sector/Industry-40-How-to-navigate-digitization-of-the-manufacturing-sector.ashx
McKinsey. (2016). Industry 4.0 after the initial hype Where manufacturers are finding value
and how they can best capture it. Geraadpleegd 24 februari 2019, van
https://www.mckinsey.com/~/media/mckinsey/business%20functions/mckinsey%20digital/our
%20insights/getting%20the%20most%20out%20of%20industry%204%200/mckinsey_industr
y_40_2016.ashx
Memmel, R. (2017). Manufacturing for Tomorrow. 114.
Mittal, S., Khan, M., Romero, D., & Wuest, T. (2018). A Critical Review of Smart
Manufacturing & Industry 4.0 Maturity Models: Implications for Small and Medium-sized
Enterprises (SMEs). Journal of Manufacturing Systems, 49, 194–214.
https://doi.org/10.1016/j.jmsy.2018.10.005
Mohamed, M. (2018). Challenges and Benefits of Industry 4.0: an overview. International
Journal of Supply and Operations Management, 5(3), 256-265.
Moran, K (2018). Benefits of Industry 4.0. Geraadpleegd 16 februari 2019, van
https://slcontrols.com/benefits-of-industry-4-0/
Müller, E., Tawalbeh, M., & Hopf, H. (2018). Reifegradbestimmung als Vorstufe der Industrie
4.0-Strategieentwicklung. In D. T. Matt, KMU 4.0 - Digitale Transformation in kleinen und
mittelstän-dischen Unternehmen (pp. 70–90). https://doi.org/10.30844/wgab_2018_04
Nilsen, S., & Nyberg, E. (2016). The adoption of Industry 4.0- technologies in manufacturing :
A multiple case study. Geraadpleegd van http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-
190630
Nordic Council of Ministers. (2015). Digitalisation and automation in the Nordic
manufacturing sector. https://doi.org/10.6027/TN2015-578
OECD (2017). OECD DIGITAL ECONOMY OUTLOOK 2017.
79
Oztemel, E., & Gursev, S. (2018). Literature review of Industry 4.0 and related
technologies. Journal of Intelligent Manufacturing, 1-56.
Pedersen, M. R., Nalpantidis, L., Andersen, R. S., Schou, C., Bøgh, S., Krüger, V., &
Madsen, O. (2016). Robot skills for manufacturing: From concept to industrial deployment.
Robotics and Computer-Integrated Manufacturing, 37, 282–291.
https://doi.org/10.1016/j.rcim.2015.04.002
Pereira, A. C., & Romero, F. (2017). A review of the meanings and the implications of the
Industry 4.0 concept. Procedia Manufacturing, 13, 1206–1214.
https://doi.org/10.1016/j.promfg.2017.09.032
Pessl, E., Sorko, S. R., & Mayer, B. L. D. (2017). Roadmap Industry 4 . 0 – Implementation
Guideline for Enterprises.
Pfeiffer, S. (2017). The Vision of “Industrie 4.0” in the Making—a Case of Future Told,
Tamed, and Traded. NanoEthics, 11(1), 107–121. https://doi.org/10.1007/s11569-016-0280-
3
Plattform Industrie 4.0. (2018). Plattform structure. Geraadpleegd 18 januari 2019, van
https://www.plattform-i40.de/I40/Redaktion/EN/Standardartikel/plattform-structure.html
Poeppelbuss, J., & Roeglinger, M. (2011, juni 9). What makes a useful maturity model? A
framework of general design principles for maturity models and its demonstration in business
process management. Gepresenteerd bij 19th European Conference on Information
Systems, ECIS 2011.
PwC. (2016) Global Industry 4.0 Survey – Industry key findings. Geraadpleegd 30 januari
2019, van https://www.pwc.com/sk/en/odvetvia/assets/industry-4.0-metals-key-findings.pdf
PwC. (2017a) Sizing the prize What’s the real value of AI for your business and how can you
capitalise?. Geraadpleegd 4 maart 2019, van https://www.pwc.be/en/documents/20170904-
sizing-the-price-ai-analysis.pdf
80
PwC. (2017b). Industry 4.0 - hype or reality. Geraadpleegd 26 januari 2019, van
https://www.flandersmake.be/sites/default/files/Industry%204.0%20-
%20hype%20or%20reality%20-%2024-03-17%20(002).pdf
PwC. (2018). Predictive Maintenance 4.0: Beyond the hype: PdM 4.0 delivers results.
Geraadpleegd 4 maart 2019, van https://www.pwc.be/en/documents/20180926-pdm40-
beyond-the-hype-report.pdf
Rajnai, Z., & Kocsis, I. (2018). Assessing industry 4.0 readiness of enterprises. 2018 IEEE
16th World Symposium on Applied Machine Intelligence and Informatics (SAMI), 000225–
000230. https://doi.org/10.1109/SAMI.2018.8324844
Reinsel, D., Gantz, J., & Rydning, J. (2018). The Digitization of the World from Edge to Core.
28.
Roblek, V., Meško, M., & Krapež, A. (2016). A complex view of industry 4.0. Sage
Open, 6(2).
Rodič, B. (2017). Industry 4.0 and the New Simulation Modelling Paradigm. Organizacija,
50(3), 193–207. https://doi.org/10.1515/orga-2017-0017
Roland Berger. (2014). Industry 4.0 The new industrial revolution – How Europe will
succeed. Geraadpleegd 25 januari 2019, van
http://www.iberglobal.com/files/Roland_Berger_Industry.pdf
Salkin, C., Oner, M., Ustundag, A., & Cevikcan, E. (2018). A conceptual framework for
Industry 4.0. In Industry 4.0: Managing The Digital Transformation(pp. 3-23). Springer,
Cham.
Sivri, M., & Oztaysi, B. (2018). Data Analytics in Manufacturing. In A. Ustundag & E.
Cevikcan, Industry 4.0: Managing The Digital Transformation (pp. 155–172).
https://doi.org/10.1007/978-3-319-57870-5_9
81
Schaffer, J., & Schleich, H. (2008). Complexity Cost Management. In G. Parry & A. Graves
(Red.), Build To Order: The Road to the 5-Day Car (pp. 155–174).
https://doi.org/10.1007/978-1-84800-225-8_9
Schröder, C. (2017). The challenges of industry 4.0 for small and medium-sized enterprises.
28.
Schuh, Günther, Potente, T., Wesch-Potente, C., Weber, A. R., & Prote, J.-P. (2014).
Collaboration Mechanisms to Increase Productivity in the Context of Industrie 4.0. Procedia
CIRP, 19, 51–56. https://doi.org/10.1016/j.procir.2014.05.016
Schuh, Günther, Anderl, R., Gausemeier, J., & Wahlster, W. (2017). Industrie 4.0 Maturity
Index. 60.
Schumacher, A., Erol, S., & Sihn, W. (2016). A maturity model for assessing Industry 4.0
readiness and maturity of manufacturing enterprises. Procedia Cirp, 52, 161-166.
Schumacher, A., Nemeth, T., & Sihn, W. (2019). Roadmapping towards industrial
digitalization based on an Industry 4.0 maturity model for manufacturing enterprises.
Procedia CIRP, 79, 409–414. https://doi.org/10.1016/j.procir.2019.02.110
Schumacher, J. (2018). Wissen ist Trumpf − was der Digitalisierung noch im Wege steht. 3.
Sendler, U. (2018) The Internet of Things: Industrie 4.0 Unleashed.
https://doi.org/10.1007/978-3-662-54904-9_3
Siemens. (2015). Industry 4.0 – Vision to Reality. Geraadpleegd van:
https://profibusgroup.com/wp-content/uploads/2014/03/c01-e28093-industry-4-e28093-a-
revolution-simon-keogh-e28093-siemens.pdf
Siemens. (2018). Practical Pathways to Industry 4.0. Geraadpleegd van
https://www.siemens.com/content/dam/webassetpool/mam/tag-siemens-
com/smdb/financing/whitepapers/sfs-whitepaper-practical-pathways-to-industry.pdf
82
Sirris. (2018) “Digital servitisation” - meerwaardecreatie door dienstverlening vanuit data.
Geraadpleegd 19 juni 2019, van https://www.sirris.be/nl/digital-servitisation-
meerwaardecreatie-door-dienstverlening-vanuit-data
Sommer, L. (2015). Industrial revolution - industry 4.0: Are German manufacturing SMEs the
first victims of this revolution? Journal of Industrial Engineering and Management, 8(5),
1512–1532. https://doi.org/10.3926/jiem.1470
Statbel. (2016). Structurele ondernemingsstatistieken. Geraadpleegd 14 juni 2019, van
http://statbel.fgov.be/nl/themas/ondernemingen/structurele-ondernemingsstatistieken
Statista. (2018) Infographic: The Countries With The Highest Density Of Robot Workers.
Geraadpleegd 19 januari 2019, van Statista Infographics website:
https://www.statista.com/chart/13645/the-countries-with-the-highest-density-of-robot-workers/
Statistiek Vlaanderen. (2016) Activiteit: SECTIE C -- INDUSTRIE. Geraadpleegd 23 juni
2019, van https://data.be/nl/nace/C-SECTIE-CINDUSTRIE
Statistiek Vlaanderen. (2016). Vlaamse statistieken economie innovatie. (z.d.).
Geraadpleegd 23 juni 2019, van
http://statistieken.vlaanderen.be/QvAJAXZfc/notoolbar.htm?document=SVR%2FSVR-
Economie-ondernemingen.qvw&host=QVS%40cwv100154&anonymous=true
Steinberger, C. (2016). Data Protection & Industrie 4.0. Geraadpleegd 24 februari 2019, van
https://industrie40.vdma.org/documents/4214230/26342484/Guideline_Data_Protection_Indu
strie_40_1529498365334.pdf/43b2b08b-34ca-ec88-ad17-ad823cdbe699
Stentoft, J., Jensen, K. W., Philipsen, K., & Haug, A. (z.d.). Drivers and Barriers for Industry
4.0 Readiness and Practice: A SME Perspective with Empirical Evidence. 10.
Stock, T., & Seliger, G. (2016). Opportunities of Sustainable Manufacturing in Industry 4.0.
Procedia CIRP, 40, 536–541. https://doi.org/10.1016/j.procir.2016.01.129
83
Syberfeldt, A., Danielsson, O., & Gustavsson, P. (2017). Augmented Reality Smart Glasses
in the Smart Factory: Product Evaluation Guidelines and Review of Available Products. IEEE
Access, 5, 9118–9130. https://doi.org/10.1109/ACCESS.2017.2703952
Teknikforetagen. (2013). Made in Sweden 2030. Geraadpleegd van
https://www.teknikforetagen.se/globalassets/i-debatten/publikationer/produktion/made-in-
sweden-2030-engelsk.pdf
Thoben, K. D., Wiesner, S., & Wuest, T. (2017). “Industrie 4.0” and smart manufacturing-a
review of research issues and application examples. International Journal of Automation
Technology, 11(1), 4-16.
Tofail, S. A. M., Koumoulos, E. P., Bandyopadhyay, A., Bose, S., O’Donoghue, L., &
Charitidis, C. (2018). Additive manufacturing: Scientific and technological challenges, market
uptake and opportunities. Materials Today, 21(1), 22–37.
https://doi.org/10.1016/j.mattod.2017.07.001
UNIDO. (2017). UNIDO Background Paper on Industry 4.0. Geraadpleegd van
https://www.unido.org/sites/default/files/files/2017-
11/UNIDO%20Background%20Paper%20on%20Industry%204.0_27112017.pdf
Unterhofer, M. (2018) Assessment model for industrial companies to define the maturity level
of Industry 4.0 implementation. Geraadpleegd van https://smartminifactory.it/wp-
content/uploads/2017/12/Marco-Unterhofer-final-thesis.pdf
Ustundag, A., & Cevikcan, E. (2018). Industry 4.0: Managing The Digital Transformation.
https://doi.org/10.1007/978-3-319-57870-5
Vaidya, S., Ambad, P., & Bhosle, S. (2018). Industry 4.0 – A Glimpse. Procedia
Manufacturing, 20, 233–238. https://doi.org/10.1016/j.promfg.2018.02.034
Van der Zee, F., & Brandes, F. (2007). Manufacturing futures for Europe–a survey of the
literature.
84
Vermesan, D. O., Friess, D. P., Guillemin, P., Gusmeroli, S., Sundmaeker, H., Bassi, D. A.,
… Doody, D. P. (2011). Internet of Things Strategic Research Roadmap. 44.
Vincent. (2018). Design Principles for Industrie 4.0 Scenarios. Geraadpleegd 10 april 2019,
van https://smartindustry.sg/design-principles-for-industrie-4-0-scenarios/
Vlaams Parlement. (2018). Transitieprioriteit Industrie 4.0 landschap in Vlaanderen.
Geraadpleegd 11 mei 2019, van http://docs.vlaamsparlement.be/pfile?id=1420410
Vlaamse Overheid. (2011). Een nieuw industrieel beleid voor Vlaanderen. Witboek |
Vlaanderen.be. Geraadpleegd 25 januari 2019, van
https://www.vlaanderen.be/nl/publicaties/detail/witboek-een-nieuw-industrieel-beleid-voor-
vlaanderen
Vlaamse Regering. (2017). “De sprong maken naar Industrie 4.0”. Geraadpleegd van
https://ewi-vlaanderen.be/sites/default/files/bestanden/startnota_sprong_maken.pdf
Vlaio. (2019). Voldoe jij aan de kmo-definitie? | Agentschap Innoveren en Ondernemen.
Geraadpleegd 20 juni 2019, van https://www.vlaio.be/nl/subsidies-financiering/strategische-
transformatiesteun/voorwaarden/voldoe-jij-aan-de-kmo-definitie
VOKA. (2016). Vokawijzer 38: Industrie 4.0. Geraadpleegd van
https://www.smarthubvlaamsbrabant.be/files/Vokawijzer_38_Industrie_4_0.pdf
VR Dynamix. (2019). Industrie 4.0 - Virtual Reality Anwendungen. Geraadpleegd 13 april
2019, van https://vr-dynamix.com/virtual-reality-industrie-4-0/
Wang, S., Wan, J., Li, D., & Zhang, C. (2015). Implementing Smart Factory of Industrie 4.0:
An Outlook. International Journal of Distributed Sensor Networks, 12(1), 3159805.
https://doi.org/10.1155/2016/3159805
Wiesner, S., Gaiardelli, P., Gritti, N., & Oberti, G. (2018). Maturity Models for Digitalization in
Manufacturing - Applicability for SMEs. In I. Moon, G. M. Lee, J. Park, D. Kiritsis, & G. von
https://www.vlaanderen.be/nl/publicaties/detail/witboek-een-nieuw-industrieel-beleid-voor-vlaanderen
85
Cieminski (Red.), Advances in Production Management Systems. Smart Manufacturing for
Industry 4.0 (pp. 81–88). Springer International Publishing.
Wolter, M. I., Mönnig, A., Hummel, M., Schneemann, C., Weber, E., Zika, G., … Neuber-
Pohl, C. (2015). Industry 4.0 and the consequences for labour market and economy:
Scenario calculations in line with the BIBB-IAB qualifications and occupational field
projections. 68.
WEF. (2018). Readiness for the Future of Production Report.
Worldometers. (2019). World Population Clock. Geraadpleegd 30 januari 2019, van
http://www.worldometers.info/world-population/#table-historical
Wübbeke, J., & Conrad, B. (2015). ‘Industrie 4.0’: Will German Technology Help China Catch
Up with the West? 10.
Xu, L. D., Xu, E. L., & Li, L. (2018). Industry 4.0: state of the art and future
trends. International Journal of Production Research, 56(8), 2941-2962.
Xu, X. (2012). From cloud computing to cloud manufacturing. Robotics and Computer-
Integrated Manufacturing, 28(1), 75–86. https://doi.org/10.1016/j.rcim.2011.07.002
Yao, X. (2018). Industry 4.0 in Logistics. 94.
Yin, S., & Kaynak, O. (2015). Big Data for Modern Industry: Challenges and Trends [Point of
View]. Proceedings of the IEEE, 103(2), 143–146.
https://doi.org/10.1109/JPROC.2015.2388958
Zicari, R. (2013). Big Data: Challenges and Opportunities. In R. Akerkar (Red.), Big Data
Computing (pp. 103–128). https://doi.org/10.1201/b16014-5
86
8. Bijlage A: Maturiteitsmodellen
8.1. Model van Schuh et al. (2017): Industrie 4.0 Maturity Index
Uit de ondervraging van Schumacher (2018) bleken Duitse bedrijven enkel de Industrie
4.0 Maturity Index van Schuh et al. (2017) te gebruiken.
De Industrie 4.0 Maturity Index is een maturiteitsmodel ontwikkeld door Acatech, de
Duitse academie voor wetenschap en techniek, met als doel om een leidraad te vormen voor
bedrijven op hun weg naar Industrie 4.0 (Schuh et al., 2017). Naast het meten van hun
maturiteit krijgen bedrijven ook advies over welke maatregelen ze kunnen ondernemen om te
verbeteren.
De Maturity Index wordt toegepast in drie fasen. Bij de eerste fase wordt de maturiteit van de
huidige situatie van het bedrijf bepaald door middel van een vragenlijst. Vervolgens wordt er
in de twee fase gekeken naar de huidige situatie en het gewenste niveau waarbij een gap-
analyse opgesteld wordt om te zien op welk vlak de onderneming moet verbeteren. De
geïdentificeerde maatregelen worden als laatste stap in een roadmap voorgelegd.
Het model identificeert vier structurele gebieden waarover een bedrijf moet beschikken
om succesvol te transformeren naar Industrie 4.0 namelijk:
1) Middelen: digitale capabiliteit en gestructureerde communicatie
2) Informatiesystemen: informatieverwerking en integratie van informatiesystemen
3) Cultuur: sociale collaboratie en bereidheid tot verandering
4) Organisatorische structuur: interne organisatie en samenwerking binnen het
waarde creërend netwerk
Vervolgens wordt er naar de functionele gebieden en hun processen gekeken. Om het
maturiteitsniveau worden de vijf functionele gebieden bestudeerd aan de hand van de eerder
vermelde structurele gebieden met behulp van een vragenlijst:
1) Ontwikkeling
2) Productie
3) Logistiek
4) Services
5) Marketing & sales
Naargelang de resultaten kan het bedrijf zich identificeren in één van de zes
maturiteitsfases zoals te zien in Figuur XXIII:
87
Figuur XXIII: Industrie 4.0 maturiteitsfases (Schuh et al., 2017)
1) Informatisering: Informatisering vormt de basis voor digitalisering en daarmee ook
Industrie 4.0. In deze fase gebruikt het bedrijf verschillende informatiesystemen om repetitieve
taken op een efficiënte manier uit zonder dat deze via een netwerk met andere systemen is
verbonden. Het gebruik ervan maakt kostefficiëntere en foutloze productie met hogere precisie
mogelijk dan bij handmatige productie.
2) Connectiviteit: Door de geïsoleerde instanties van IT met elkaar te verbinden of te
vervangen door genetwerkte systemen, wordt deze stage bereikt. In deze fase zijn
operationele technologiesystemen en informatiesystemen gedeeltelijk met elkaar verbonden
en kunnen met elkaar communiceren en interacteren maar een volledige integratie is nog niet
aanwezig.
3) Visibiliteit: De alsmaar lagere prijzen van sensoren, microchips en netwerk technologie
zorgt voor een kleinere barrière voor de implementatie ervan. Aan de hand van de sensoren
kan de data van alle processen van de gehele organisatie in real-time worden verzameld. Deze
data kan worden gebruikt om een digitaal beeld van de huidige situatie van het bedrijf te
vormen waarbij alles in real-time opvolgbaar is. Bij deze fase wordt er enkel gegevens
verzameld en dit is belangrijk voor de ondersteuning van de volgende fases.
4) Transparantie: Bij de transparantie fase ligt de nadruk niet langer bij het verzamelen van
procesgegevens maar bij de analyse van de data. Om te achterhalen waarom iets gebeurt,
moeten er analyses worden uitgevoerd op de grote hoeveelheid verzamelde data. Een
voorbeeld hiervan is het monitoren van de toestand van de machines en uitrusting.
88
5) Voorspellend vermogen: Bij het bereiken van dit stadium, zijn bedrijven in staat om
toekomstscenario’s te simuleren en te bepalen welk het meest waarschijnlijk is.
Ondernemingen kunnen zo toekomstige gebeurtenissen anticiperen, zich er op voorbereiden
en ze zelfs vermijden. Bij deze fase moeten de beslissingen door mensen worden genomen
en moet er manueel ingegrepen worden. Enkele toepassingen zijn het anticiperen op
productieonderbrekingen, vertragingen van leveringen, vraagvarianties, …
6) Aanpassingsvermogen: Bedrijven op dit niveau kunnen hun beslissingen laten uitvoeren
door autonome systemen waarbij deze de optimaalste beslissing nemen. Deze
informatiesystemen kunnen zich vlot aanpassen aan de dynamische bedrijfsomgeving zonder
menselijke tussenkomst.
Deze twee fases zijn opgedeeld in twee delen namelijk digitalisering en Industrie 4.0.
Informatisering en connectiviteit horen bij digitalisering en vormen de basisvoorwaarde voor
Industrie 4.0 en de rest hoort bij Industrie 4.0.
8.2. Model van Schumacher et al. (2016)
Schumacher et al. (2016) ontwikkelden een prescriptief maturiteitsmodel aan de hand
van het Becker procedure, waarbij er gebaseerd wordt op een literatuuronderzoek en
interviews met deskundigen. Daarbij gebruiken Schumacher et al. (2016) aanbevelingen uit
het rapport van Plattform Industrie 4.0 (Kagermann et al., 2013), academische artikels en
studies zoals de Industrie 4.0 Readiness (Lichtblau et al., 2015) en ervaring opgedaan in
workshops als basis voor hun maturiteitsmodel. Het model bespreekt negen dimensies van de
onderneming met een totaal van 62 maturiteitsindicatoren. Deze negen dimensies zijn:
1) Strategie: uitvoering van een Industrie 4.0 stappenplan, beschikbaarheid van
middelen, …
2) Leiderschap: Leiderschapskenmerken, managementvaardigheden, coördinatie voor
Industrie 4.0
3) Klanten: gebruik klantengegevens, digitalisering van verkoop en diensten, …
4) Product: individualisering van producten, digitalisering van producten, integratie van
producten met andere systemen, …
5) Processen: decentralisatie van processen, simulatie, interdepartementale
samenwerking, …
6) Cultuur: kennisdeling, open innovatie en samenwerking binnenin het bedrijf, …
7) Mensen: IT-vaardigheden van de werknemers, openheid tot nieuwe technologieën,
autonomie van de werknemers, …
8) Bestuur: bescherming van intellectuele eigendom, arbeidswetgeving, naleving
technologische normen, …
89
9) Technologie: aanwezigheid van moderne informatiesystemen, gebruik van mobiele
apparaten, M2M communicatie, …
De meting van de indicatoren gebeurt aan de hand van een enquête waarbij elk artikel kan
worden beoordeeld op basis van maturiteitsniveaus waarbij het laagste niveau (1) een
volledig gebrek aan Industrie 4.0 elementen en het hoogste niveau (5) de meeste moderne
staat van Industrie 4.0 representeert. Na het overlopen van de vragenlijst wordt het
maturiteitsniveau van elke dimensie van de onderneming aan de hand van software
berekend. Doordat niet alle indicatoren even belangrijk zijn, werd er op basis van een
enquête bij deskundigen een wegingsfactor aan elke maatstaf gegeven. Vervolgens
worden de resultaten in een rapport verwerkt en in spindiagrammen weergegeven.
8.3. Model van Lichtblau et al. (2015): Industrie 4.0 Readiness
In de paper van Schumacher et al. (2016) & Pessl et al. (2017) wordt het prescriptief
maturiteitsmodel van de IMPULS-stichting, na een grondige analyse van vijf bestaande
maturiteitsmodellen, erkend voor de gedetailleerdheid en de transparante uitleg van de
wetenschappelijke onderbouwing, structuur en resultaten.
Het Industrie 4.0 Readiness model werd gemaakt door de IMPULS-stichting van het
VDMA, de Duitse ingenieursfederatie. Met het oog op een beter begrip en adaptie van Industrie
4.0 werd een online zelfbeoordeling ontwikkeld zodat ondernemingen hun maturiteit kunnen
bepalen en ze kunnen zien waar er nog ruimte is voor verbetering. Om een gedetailleerd beeld
van de organisatie te krijgen, wordt zowel het strategische als het fysieke als het virtuele deel
van de onderneming onder de loep genomen. De ondervraging bestaat uit zes gewogen
dimensies met achttien onderverdelingen:
1) Strategie en organisatie
2) Smart factory
3) Smart operations
4) Smart products
5) Gegevensgedreven services
6) Werknemers
Aan de hand van de resultaten van de ondervraging wordt een bepaald
maturiteitsniveau toegewezen. Het bedrijf kan zich in één van de volgende zes
ontwikkelingsfasen bevinden zoals te zien op figuur XXIV:
90
Figuur XXIV: Zes fases van het Industrie 4.0 Readiness-model (Lichtblau et al., 2015)
Niveau 0: Buitenstaander
Niveau 1: Beginner
Niveau 2: Gevorderd
Niveau 3: Ervaren
Niveau 4: Expert
Niveau 5: Uitmuntendheid
Bedrijven die zich op niveau 0 en 1 bevinden, behoren tot de nieuwkomers. Deze zijn
nog niet zo familiair met Industrie 4.0. Bedrijven, die al reeds enkele stappen naar Industrie
4.0 hebben ondernomen, behoren tot niveau 2. Vanaf niveau 3 worden de bedrijven als
pioniers beschouwd, zij zijn al ver gevorderd met de adaptie naar Industrie 4.0. Uit de studie
van Lichtblau et al. (2015) bleek maar 1% van de bedrijven niveau 4 te bereiken en waren er
geen ondernemingen die het hoogste niveau behaalden. Daarnaast behoorden meer dan de
helft van de productiebedrijven uit de studie tot het niveau 0.
8.4. Model van Müller et al. (2018)
Het maturiteitsmodel van Müller et al. (2018) maakt gebruik van vier dimensies om de
Industrie 4.0 maturiteit van de onderneming op te meten, namelijk organisatie, arbeid,
processen en product. Ondernemingen kunnen aan de hand van een online zelf-evaluatie met
41 indicatoren hun eigen maturiteit evalueren. Hiervoor is geen speciale voorkennis van
91
Industrie 4.0 nodig want elke indicator en elk niveau bevat een uitgebreide uitleg en
visualisatie.
Figuur XXV: Voorbeeld van de zelf-evaluatie tool (Müller et al., 2018)
Wat wel opmerkelijk is dat het onderwerp wetgeving en veiligheid wordt gebruikt. Dit
komt door de invoering van de GDPR-wetgeving en de bijkomende risico’s bij de overtreding
van deze wet.
Na de evaluatie wordt een maturiteitsniveau toegekend aan de onderneming en wordt
het bedrijf vergeleken met concurrenten uit dezelfde sector en bedrijven met dezelfde omvang.
De firma kan één van de volgende vijf maturiteitsniveaus worden toegekend:
Figuur XXVI: De vijf maturiteitsniveaus van het Reifegradmodell Kompetenzzentrum Chemnitz (Müller et al., 2018)
Na de toewijzing van het maturiteitsniveau kunnen de resultaten worden vergeleken met
soortgelijke bedrijven in omvang uit dezelfde sector. Daarnaast wordt er aan de hand van de
sterke en zwakke punten van het bedrijf advies gegeven om te verbeteren en worden er
optionele workshops aangeboden om te volgen.
92
9. Bijlage B: Enquête Industrie 4.0
Start of Block: Profiel van het bedrijf
Q67 Welkom bij deze vragenlijst voor het onderzoek naar het huidige Industrie 4.0 maturiteitsniveau van de Vlaamse productiesector. Eerst en vooral wil ik u graag bedanken om deel te nemen aan deze vragenlijst die als doel heeft om het Industrie 4.0 maturiteitsniveau van uw onderneming te evalueren door te kijken hoe organisatorische kwesties, processen, producten en arbeid in het bedrijf verlopen. Deze diepgaande aanpak, gebaseerd op het maturiteitsmodel van Müller et al. (2018), bestaat uit een vragenlijst met een 60-tal vragen. Het invullen van de vragenlijst duurt 15 à 25 minuten. Deze voert u het best uit op een computer. U zal gevraagd worden om de huidige situatie van uw onderneming aan de hand van multiple choice opties te beschrijven. Na de vragenlijst kunt u uw e-mail invullen om uw resultaten na de verwerking van de antwoorden te verkrijgen en kunt u aanduiden of u de resultaten van het onderzoek wilt ontvangen. Hieronder ziet u een voorbeeld van het resultaat van de organisatorische kwesties van een hypothetische onderneming. Al uw antwoorden zullen anoniem en in strikte confidentialiteit verwerkt worden enkel en alleen voor onderzoeksdoeleinden. U kan de vragenlijst nu starten door op de pijl onderaan te drukken. Bij vragen kunt u mij contacteren op het e-mail: [email protected] Met vriendelijke groeten, Quang Thong Truong
Page Break
93
Q1 In welke productiesector is de onderneming actief?
o Chemicaliën, farmaceutica, olie, mineralen en rubber (1)
o Dranken, levensmiddelen en tabaksproducten (2)
o Elektronische, elektrische en andere apparatuur (3)
o Metalen (4)
o Voertuigen en vervoer (5)
o Hout, papier en drukkerij (6)
o Textiel, kleding en leder (7)
o Andere (8) ________________________________________________
Q2 In welke Vlaams provincie is de onderneming gesitueerd?
o Antwerpen (1)
o Limburg (2)
o Oost-Vlaanderen (3)
o Vlaams-Brabant (5)
o West-Vlaanderen (4)
94
Q3 Hoeveel werknemers zijn er momenteel tewerkgesteld?
o Tot 19 werknemers (1)
o 20 tot 99 werknemers (2)
o 100 tot 250 werknemers (3)
o 250 tot 499 werknemers (4)
o 500 of meer werknemers (5)
Q5 Welke type klanten zijn uw doelgroep?
o Business-to-business (B2B) (1)
o Business-to-consumer (B2C) (2)
Q10 Hoe ondervindt u de concurrentie in uw sector?
o Geen concurrentie (1)
o Weinig concurrentie (2)
o Matige concurrentie (3)
o Veel concurrentie (4)
95
Q4 Wat was de omzet in het jaar 2018?
o Onder 1 miljoen euro (1)
o 1 miljoen tot minder dan 10 miljoen euro (2)
o 10 miljoen tot minder dan 50 miljoen euro (3)
o 50 miljoen tot minder dan 100 miljoen euro (4)
o 100 miljoen tot minder dan 250 miljoen euro (5)
o 250 miljoen tot minder dan 500 miljoen euro (6)
o 500 miljoen euro of meer (7)
o Ik weet het niet / Ik wens dit niet in te vullen. (8)
Q6 Groeide de omzet de afgelopen twee jaar of daalde ze?
o Omzet steeg (1)
o Omzet daalde (2)
o Omzet bleef gelijk (3)
End of Block: Profiel van het bedrijf
Start of Block: Profiel van de ondervraagde
Q76 Bij onzekerheden over sommige antwoordopties wegens subjectiviteit kunt u met uw muis op het antwoord staan waardoor er extra uitleg tevoorschijn komt. Gelieve bij errors de pagina te refreshen.
96
Q11 Wat is uw functie in het bedrijf?
o CEO (1)
o CTO (2)
o Consultant (3)
o Manager (5)
o Ander (4) ________________________________________________
Q69 Bent u familiair met het concept Industrie 4.0?
o Ja (1)
o Nee (2)
Q77 Industrie 4.0 is de benaming voor de vierde industriële revolutie. Het verandert de manier van produceren door een combinatie van de digitalisering van het productieproces en het gebruik van technologische ontwikkelingen zoals Cyber-physical systems (CPS), Internet of Things (IoT), cloud computing, big data, Artificial Intelligence (AI), additive manufacturing (3D-printing), ... Bij een volledige transitie naar Industrie 4.0 kunnen productiesystemen volledig autonoom functioneren en met elkaar communiceren. Daarnaast maakt de integratie van deze verschillende technologieën het mogelijk om flexibeler te produceren om sneller te reageren op veranderingen in de vraag en persoonlijkere, op maat gemaakte producten te vervaardigen zonder daar extra kosten of tijdsverlies bij te ervaren. In een ideale wereld zou er dankzij Industrie 4.0, onbemande fabrieken bestaan waar alle lichten zijn uitgedoofd doordat alles er autonoom verloopt en er geen menselijke tussenkomst nodig is.
97
Q79 Welke onderstaande technologieën zijn of worden er bij uw bedrijf geïmplementeerd?
▢ Cyber-physical systems (CPS) (1)
▢ Internet of Things (IoT) (2)
▢ Big Data (3)
▢ Cloud computing (4)
▢ Artificial Intelligence (AI) (5)
▢ Autonomous robotics (6)
▢ Augmented reality (AR) & Virtual reality (VR) (7)
▢ Simulation (8)
▢ Additive manufacturing (3D-printing) (9)
▢ Geen van bovenstaande (11)
Q12 Hoe ervaren bent u met Industrie 4.0?
o Geen ervaring (1)
o Weinig ervaring (2)
o Matige ervaring (3)
o Veel ervaring (4)
98
Q75 Bent u familiair met maturiteitsmodellen?
o Ja, ik weet waarvoor ze worden gebruikt. (1)
o Ja, ik heb er al gebruikt. (4)
o Neen. (2)
Q78 Maturiteitsmodellen zijn beoordelingsinstrumenten om het niveau van de vooruitgang van een organisatie naar een bepaald doel te evalueren. In het geval van Industrie 4.0 maturiteitsmodellen wordt de stand van zaken van de onderneming bij de transitie naar Industrie 4.0 geëvalueerd. Het model van Müller et al. (2018) verdeelt de ondernemingen volgens de volgende maturiteitsniveau
s:
99
Q74 Gelieve aan te duiden in welke mate u geïnformeerd bent over hoe volgende aspecten in de organisatie worden aangepakt.
Geen/nauwelijks kennis (1)
Weinig kennis (2)
Gemiddelde kennis (8)
Duidelijke kennis (9)
Uitgebreide kennis (7)
Organisatorische kwesties (managementprincipes, digitalisering, documentatie) (1)
o o o o o
Processen (communicatie in de productie & logistiek (Machine to Machine, mens-machine interactie, ...) en omgang met deze gegevens) (2)
o o o o o
Producten (productontwikkeling, producteigenschappen, bedrijfmodellen rond het product) (3)
o o o o o
Arbeid (opleidingen voor werknemers, kennisbehoud, communicatie tussen werknemers onderling) (4)
o o o o o
End of Block: Profiel van de ondervraagde
Start of Block: Organisatie - Strategie
Q54 Bij dit onderdeel wordt naar de organisatie van de onderneming gekeken. Onderstaande vragen hebben betrekking tot de strategie. Bijkomende informatie over de aanwezige opties is beschikbaar door met uw cursor op de optie te staan.
100
Q68 Hoe ver staat uw bedrijf met een digitaliseringsstrategie?
o Geen strategie (1)
o Enkel pilootprojecten (2)
o Verwerking van de strategie (3)
o Implementatie van strategie (4)
o Strategie is omgezet (5)
Q15 Hoe ziet de IT-organisatiestructuur in uw bedrijf er uit?
o Geen eigen IT-afdeling (gebruik van externen) (1)
o Centrale IT-afdeling voor administratie zoals pc-inrichting, installatie of probleemoplossing (2)
o Centrale IT-afdeling voor administratie en digitalisering (3)
o IT-experten helpen bij de digitalisering van de gespecialiseerde departementen (4)
o IT-experten helpen bij de digitalisering van het gehele bedrijf (5)
End of Block: Organisatie - Strategie
Start of Block: Organisatie - Managementdisciplines
Q56 Bij dit onderdeel wordt naar de organisatie van de onderneming gekeken. Onderstaande vragen hebben betrekking tot managementdisciplines. Bijkomende informatie over de aanwezige opties is beschikbaar door met uw cursor op de optie te staan.
101
Q16 Wordt er in uw bedrijf aan IT-procesmanagement gedaan?
o Geen procesmanagement (1)
o Enkel administratieve processen worden bijgehouden, geen specifieke IT-processen (2)
o Er zijn processen voor Error- & change management geïmplementeerd (3)
o Er zijn processen voor Product & portofoliomanagement geïmplementeerd (4)
o Volledige afstemming volgens ITIL (5)
Q17 Wordt er in uw bedrijf aan technologie- en innovatiemanagement gedaan?
o Niet aanwezig (1)
o Bij productontwikkeling (2)
o Bij productontwikkeling en productietechnologie (3)
o Bij productontwikkeling & productietechnologie & IT (4)
o Bij productontwikkeling & productietechnologie & IT & Services (5)
Q18 Wordt er in uw bedrijf aan projectmanagement gedaan?
o Niet aanwezig (1)
o Eenvoudige manieren zoals To Do-lijsten / Kanban-bord (2)
o Klassieke projectmanagement (aan het begin van het project is er een uitgebreide planning afgestemd op het resultaat) (3)
o Hybride projectmanagement (klassiek met agile elementen) (4)
o Agile projectmanagement (projecten worden per iteratie gepland) (5)
102
Q19 Wordt er in uw bedrijf aan Lean Management gedaan?
o Niet aanwezig (1)
o Continue procesverbetering (2)
o Productie volgens Lean-principes (3)
o Productie maar ook andere afdelingen volgen Lean-principes (4)
o Lean-filosofie in strategie & organisatie (5)
Q20 Wordt er in uw bedrijf aan controlling gedaan?
o Niet aanwezig (1)
o Handmatig (2)
o Office oplossingen vb Excel (3)
o Systeem voor gegevensverwerving en -evaluatie zoals ERP (4)
o Systeem voor autonome tracking & communicatie interface (5)
Q21 Wordt er in uw bedrijf aan risicomanagement gedaan?
o Niet aanwezig (1)
o Risico-analyse zonder preventieve maatregelen (2)
o Risicomanagement op organisatorisch vlak worden geanalyseerd en aangepakt (3)
o Management van cyber- en datarisico’s als gevolg van digitalisering (4)
o Autonome risicoanalyse en -vermijding (5)
103
End of Block: Organisatie - Managementdisciplines
Start of Block: Organisatie - Documentatie
Q66 Bij dit onderdeel wordt naar de organisatie van de onderneming gekeken. Onderstaande vragen hebben betrekking tot documentering. Bijkomende informatie over de aanwezige opties is beschikbaar door met uw cursor op de optie te staan.
Q22 Is er in uw bedrijf documentatie van interne processen aanwezig?
o Niet aanwezig (1)
o Handmatig (2)
o Als Office-bestanden opgeslagen (niet met elkaar verbonden) (3)
o In een management systeem voor archivering (4)
o In een management systeem voor archivering en analyse (5)
Q23 Is er in uw bedrijf sprake van digitalisering van klantenrelaties?
o Niet aanwezig (1)
o Documentatie met Office-toepassing en handmatige onderhoud (2)
o Automatische registratie in software; handmatige analyse & onderhoud met software ondersteuning (3)
o Platform voor klantenrelaties; digitale onderhoud; handmatige analyse & onderhoud met software ondersteuning (4)
o Geautomatiseerd onderhoud met interactieplatform voor klanten; creatie van klantprofielen en inzichten (5)
End of Block: Organisatie - Documentatie
104
Start of Block: Processen - Verkrijgen en verwerken van gegevens uit productie en logistiek
Q58 Bij dit onderdeel wordt naar de processen van de onderneming gekeken. Onderstaande vragen hebben betrekking tot het verkrijgen en verwerken van gegevens uit productie en logistiek. Bijkomende informatie over de aanwezige opties is beschikbaar door met uw cursor op de optie te staan.
Q64 Hoe verloopt de productieplanning in uw bedrijf?
o Handmatig (1)
o Excel-gebaseerd met prognose (2)
o Regelmatige of realtime-gebaseerd planning met ERP/fijnplanningssysteem (3)
o Documentatie van de ERP-planningstatus en analyse van de doelstellingen (4)
o Doelgerichte/werkelijke analyse (ERP) en autonome optimalisatie (5)
Q26 Is de productie volledig genetwerkt met andere departementen van uw bedrijf?
o Geen netwerkvorming van de productie met andere business units (1)
o Gegevens worden gedeeld via mail/telefoon (2)
o Gegevensdeling tussen departementen gebeurt met uniforme dataformaten en -regels (3)
o Uniforme dataformaten en afdelingsgekoppelde dataservices (4)
o Interdepartementaal, volledig genetwerkte IT-oplossingen voor alle afdelingen (5)
105
Q27 Hoe verloopt de gegevensverwerking in de productie van uw bedrijf?
o Geen gegevensverwerking (1)
o Opslag van gegevens voor documentatiedoeleinden (2)
o Evaluatie van de gegevens voor procesbewaking (3)
o Evaluatie voor procesplanning en -controle (4)
o Autonome procesplanning en -controle (5)
Q28 Hoe verloopt de registratie van logistieke en productiegegevens in uw bedrijf?
o Op papier gebaseerd (1)
o Eerst handmatig op papier en vervolgens digitale invoering in Excel/ERP (2)
o Via PDA (production data acquisition)-terminals en overdracht naar ERP (3)
o Registratie van machinegegevens in real-time in ERP en handmatige overdracht van handmatige activiteiten (4)
o Volledig geautomatiseerde registratie van de huidige gegevens in real-time (5)
106
Q29 Hoe worden machine- en bedrijfsgegevens in de productie van uw bedrijf verzameld?
o Geen technologieën voor het verzamelen van gegevens (1)
o Eenvoudige sensoren voor handmatige acquisitie (2)
o Machine- en bedrijfsgegevensverwerkingssystemen voor registratie van gegevens en overdracht (3)
o Machine- en bedrijfsgegevensverwerkingssystemen voor registratie van gegevens, overdracht, verwerking en localisatie (4)
o Machine- en bedrijfsgegevensverwerkingssystemen voor registratie van gegevens, overdracht, verwerking, localisatie en autonoom onderhoud (5)
Q30 Hoe verloopt het gebruik van logistieke en productiegegevens in uw bedrijf?
o Geen gebruik (1)
o Documentatie (2)
o Analyse en planning op basis van real time kerngetallen en planning op basis van realtime-gebaseerde kerncijfers (3)
o Planning van de middelen; foutenopsporing; onderhoud (4)
o Proactief voorkomen van verstoringen door een vooruitziende planning (5)
107
Q31 Hoe wordt er in uw bedrijf omgegaan met fouten in de productie?
o Geen registratie van foutgegevens (1)
o Handmatige registratie van foutgegevens (2)
o Automatische registratie van foutgegevens (3)
o Foutdetectie door analyse van de foutgegevens (4)
o Preventie van defecten door analyse van foutgegevens (5)
Q32 Hoe verloopt de registratie van de voorraden in uw bedrijf?
o Alleen visuele inspectie, indien nodig papieren documentatie (1)
o Handmatige registratie en documentatie met software-ondersteuning (2)
o Registratie met software door middel van handmatige barcode scanning (3)
o Automatisch vastlegging door software aan de hand van RFID (4)
o Autonome registratie & organisatie van de voorraden (5)
End of Block: Processen - Verkrijgen en verwerken van gegevens uit productie en logistiek
Start of Block: Processen - Communicatie in de productie- en logistieke omgeving
Q59 Bij dit onderdeel wordt naar de processen van de onderneming gekeken. Onderstaande vragen hebben betrekking tot de communicatie in de productie- en logistieke omgeving. Bijkomende informatie over de aanwezige opties is beschikbaar door met uw cursor op de optie te staan.
108
Q33 Is er sprake van Machine-to-Machine-Communicatie (M2M) in uw bedrijf?
o Geen communicatie (1)
o Fieldbus interfaces (2)
o Industriële Ethernet-interfaces (3)
o Via het internet (4)
o Web Services (M2M software) (5)
Q34 Hoe verloopt de Human-Machine interactie in uw bedrijf?
o Standaardontwerp (1)
o Task Centered Design (2)
o User Centered Design (ahv kartonmodellen) (3)
o User Centered Design (ahv simulatie van digitale modellen) (4)
o User Centered Design (ahv AR/VR) (5)
Q35 Hoe worden Human-Machine Interfaces in uw bedrijf gebruikt?
o Geen uitwisseling van informatie tussen machine en gebruiker (1)
o Gebruik van lokale weergave-eenheden (bv. terminals) (2)
o (De)centrale productiebewaking/-controle (3)
o Gebruik van mobiele weergaveapparaten (4)
o Augmented reality (bv. AR-brillen) (5)
End of Block: Processen - Communicatie in de productie- en logistieke omgeving
109
Start of Block: Product - Bedrijfsmodellen rond het product
Q60 Bij dit onderdeel wordt naar de producten van de onderneming gekeken. Onderstaande vragen hebben betrekking tot de bedrijfsmodellen rond het product. Bijkomende informatie over de aanwezige opties is beschikbaar door met uw cursor op de optie te staan.
Q36 Hoe benadert uw bedrijf klanten?
o Persoonlijke klantbenadering en acquisitie van klanten (1)
o Verzamelen en evalueren van vrijwillig ingegeven klantgegevens (2)
o Digitale media voor het aanspreken en winnen van klanten (bv. televisie of radio) (3)
o Digitaal platform voor klantenwerving & verbetering van product/dienstverlening (bv. forums) (4)
o Klantenwerving via internettoepassingen (bv. online-platforms zoals Facebook, Amazon, ...) (5)
Q46 Bestaan er bedrijfsmodellen rond het product?
o Verkoop van standaardproducten (1)
o Aanbieding van het product en productadvies (2)
o Verkoop, advies en aanpassing van het product aan klantspecificaties (3)
o Extra verkoop van product gerelateerde diensten zoals onderhoud (4)
o Verkoop van productfuncties (5)
110
Q47 Zijn de diensten/producten in uw bedrijf configureerbaar?
o Kan niet geïndividualiseerd worden, geen varianten beschikbaar (1)
o Niet individualiseerbaar, varianten beschikbaar (2)
o Individueel vorm te geven vanuit modules (3)
o Individueel configureerbaar (4)
o Individueel ontwikkeld voor elke klant (5)
Q48 Biedt uw bedrijf product gerelateerde IT-diensten aan?
o Geen diensten (1)
o Diensten via online portalen (2)
o Service uitvoering direct via product (bv. extra software functionaliteiten) (3)
o Onafhankelijke uitvoering van diensten apart van het product (4)
o Volledige integratie in de IT-dienstverleningsinfrastructuur (5)
End of Block: Product - Bedrijfsmodellen rond het product
Start of Block: Product - Producteigenschappen
Q65 Bij dit onderdeel wordt naar de producten van de onderneming gekeken. Onderstaande vragen hebben betrekking tot de producteigenschappen. Bijkomende informatie over de aanwezige opties is beschikbaar door met uw cursor op de optie te staan.
111
Q49 Hoe worden de geïntegreerde sensoren/actuatoren in het product van uw bedrijf gebruikt?
o Product bevat geen sensoren/actuatoren (1)
o Geïntegreerde sensoren/actuatoren maar geen gegevensverwerking (2)
o Verwerking van sensorgegevens door het product (3)
o Analyse van productgegevens (4)
o Autonome reactie van het product op gegevens (5)
Q50 Hoe is het product geconnecteerd?
o Geen interfaces (1)
o Verzenden en ontvangen I/O (In & Out)-signalen (2)
o Veldbus interfaces (3)
o Ethernet-interfaces (4)
o Internettoegang (5)
Q51 Bevat het product manieren van gegevensopslag en uitwisseling van informatie?
o Geen functionaliteit (1)
o Unieke identificatie dmv barcodes (2)
o Passief datageheugen met documenten en bestanden (3)
o Gegevensgeheugen voor autonome informatie-uitwisseling (4)
o Uitwisseling van gegevens en informatie als een integraal onderdeel (5)
112
Q52 Wordt er door het product aan monitoring gedaan?
o Geen monitoring (1)
o Foutopsporing (2)
o Registratie van de werking van het product ter diagnose (3)
o Evaluatie van de eigen functionele toestand (4)
o Autonome controlemaatregelen (5)
End of Block: Product - Producteigenschappen
Start of Block: Product - Productontwikkeling
Q62 Bij dit onderdeel wordt naar de producten van de onderneming gekeken. Onderstaande vragen hebben betrekking tot de productontwikkeling. Bijkomende informatie over de aanwezige opties is beschikbaar door met uw cursor op de optie te staan.
Q53 Is er sprake van digitale gegevensuitwisseling tussen productontwikkeling & vervolgprocessen in uw bedrijf?
o Nee, er is op dit moment geen planning hiervoor (1)
o Nee, maar de planning is in gang gezet (2)
o Planning voltooid (3)
o Ja, de uitvoering is begonnen (4)
o Ja, de uitvoering is in volle gang (5)
113
Q54 Heeft uw bedrijf plannen voor de ontwikkeling van nieuwe producten/diensten met externe partners?
o Nee, op dit moment geen planning hiervoor (1)
o Nee, maar de planning is in gang gezet (2)
o Planning voltooid (3)
o Ja, de uitvoering is begonnen (4)
o Ja, de uitvoering is in volle gang (5)
End of Block: Product - Productontwikkeling
Start of Block: Arbeid - Competenties
Q63 Bij dit onderdeel wordt naar de arbeid in de onderneming gekeken. Onderstaande vragen hebben betrekking tot de competenties. Bijkomende informatie over de aanwezige opties is beschikbaar door met uw cursor op de optie te staan.
Q55 Wat is het kennisniveau van managers op het gebied van digitalisering?
o Geen/nauwelijks kennis (1)
o Weinig kennis (2)
o Gemiddelde kennis (3)
o Duidelijke kennis (4)
o Uitgebreide kennis van kansen en risico's (5)
114
Q65 In welke mate zijn er bestaande IT-competenties voor Industrie 4.0 in het bedrijf aanwezig?
o Niet beschikbaar en bijscholing complex (1)
o Niet beschikbaar maar bijscholing mogelijk (2)
o Beschikbaar maar niet voldoende (3)
o Voldoende beschikbaar (4)
o Hoge expertise bij personeel (5)
Q66 Biedt het bedrijf de mogelijkheid tot ontwikkeling van competenties door middel van opleidingen?
o Vroeger werden opleidingen niet aangeboden en er zijn geen toekomstige plannen daarvoor (1)
o Opleidingsmogelijkheden werden aangeboden maar zijn niet meer gepland (2)
o Bijscholing in onderwerpen mogelijk op aanvraag (3)
o Regelmatig aanbod van verdere opleidingen en gesponsorde projecten (4)
o Regelmatige deelname aan gefinancieerde projecten en opleidingen (5)
115
Q67 Hoe worden de IT-vaardigheden ontwikkeld door middel van nieuwe medewerkers?
o Geen nieuwe medewerkers en ook geen geplande medewerkers (1)
o Nieuw aangeworven medewerkers, maar niet langer gepland (2)
o Het in evenwicht brengen van ontbrekende IT-competenties via externe IT-serviceproviders (3)
o Compensatie voor ontbrekende IT-vaardigheden door middel van nieuwe medewerkers (4)
o Voortdurende, toekomstgerichte rekrutering van nieuwe IT-competenties (5)
Q68 In welke mate zijn werknemers bereid om nieuwe technologieën op de werkplek te gebruiken?
o Niet beschikbaar of afgewezen (1)
o < 1 % (6)
o 1 - 49 % (3)
o 50 - 74 % (4)
o > 75 % (5)
End of Block: Arbeid - Competenties
Start of Block: Arbeid - Kennismanagement
Q64 Bij dit onderdeel wordt naar de arbeid in de onderneming gekeken. Onderstaande vragen hebben betrekking tot het kennismanagement. Bijkomende informatie over de aanwezige opties is beschikbaar door met uw cursor op de optie te staan.
116
Q69 Hoe verloopt het kennisbehoud in het bedrijf?
o Niet beschikbaar (1)
o Ongestructureerd kennismanagement (2)
o Geïsoleerde oplossingen (3)
o 1 centrale bedrijfsdivisie (4)
o Centraal, uitgebreid kennismanagement (5)
Q70 Hoe verloopt de onderhoud van de kennisbank in het bedrijf?
o Geen opslag van kennis (1)
o Analoge opslag (2)
o Handmatig onderhoud van de kennisdatabase (3)
o Handmatige analyse van kennisleemtes (4)
o Automatische analyse van kennisleemtes (5)
Q71 Hoe wordt de kennis opgezocht in het bedrijf?
o Helemaal niet (1)
o Ongestructureerd, handmatig zoeken naar kennis (2)
o Handmatig zoeken van kennis in databases ahv zoekvelden (3)
o Geautomatiseerde weergave van kennis (4)
o Competentie-ontwikkeling door automatisch gegenereerde kennistraining (5)
End of Block: Arbeid - Kennismanagement
117
Start of Block: Arbeid - Communicatie
Q65 Bij dit onderdeel wordt naar de arbeid in de onderneming gekeken. Onderstaande vragen hebben betrekking tot de communicatie. Bijkomende informatie over de aanwezige opties is beschikbaar door met uw cursor op de optie te staan.
Q72 Hoe verloopt de spontane communicatie tussen werknemers in het bedrijf?
o Uitsluitend in persoon of per telefoon (1)
o Lokale communicatie per e-mail (2)
o Mobiele communicatie via e-mail/boodschapper (3)
o Softwarediensten voor communicatie (bv. Skype, Facetime, ...) (4)
o Mobiel werken in digitale gemeenschappen (bv. forums, blogs, ...) (5)
Q73 Hoe verlopen geplande communicatie (bv vergaderingen) in het bedrijf?
o Persoonlijk (1)
o Audioconferentiegesprek (2)
o Scherm delen - schermoverdracht (3)
o Video - videoconferentie inclusief schermoverdracht (4)
o VR/AR - virtuele aanwezigheid (5)
End of Block: Arbeid - Communicatie
Start of Block: Gegevens respondent
118
Q52 Om uw resultaten te ontvangen, dient u uw e-mailadres in te geven.
o Mijn e-mailadres (1) ________________________________________________
o Ik wens mijn e-mailadres niet in te geven. (4)
Q53 Wenst u na het verloop van het onderzoek een additionele e-mail te ontvangen waarin u uw resultaten kunt vergelijken met die van de Vlaamse productiesector?
o Ja (1)
o Nee (2)
End of Block: Gegevens respondent
119
10. Bijlage C: SPSS Output
10.1. Interne validiteit Cronbach’s Alpha
10.1.1. Cronbach’s Alpha organisatorische kwesties
120
10.1.2. Cronbach’s Alpha processen
121
10.1.3. Cronbach’s Alpha producten
122
10.1.4. Cronbach’s Alpha arbeid
123
10.1.5. Cronbach’s Alpha Industrie 4.0
10.2. Beschrijvende statistiek
10.2.1. Aantal bedrijven per sector
124
10.2.2. Aantal werknemers in de onderneming
10.2.3. Gebruikte technologieën bij de ondernemingen
125
10.2.4. Familiariteit met Industrie 4.0
10.2.5. Ervaring met Industrie 4.0
10.3. Onderzoeksvraag
10.3.1. Industrie 4.0 maturiteitsniveau per sector
126
10.3.2. Industrie 4.0 maturiteitsniveau uitschieters per sector
127
10.3.3. Scores per Industrie 4.0 dimensie
128
10.4. Hypotheses
10.4.1. Hypothese 1: Spearman Rho test: jaarlijkse omzet en
Industrie 4.0 maturiteitsniveau
10.4.2. Hypothese 2: Spearman Rho test: Aantal werknemers en
Industrie 4.0 maturiteitsniveau
129
10.4.3. Hypothese 3: Spearman Rho test: Concurrentie en
Industrie 4.0 maturiteitsniveau
10.4.4. Hypothese 4: Assumpties voor parametrische test
1) Normaal verdeling (Shapiro Wilk)
2) Homogeniteit
130
10.4.5. Hypothese 4: One Way ANOVA
