数字化转型是数字经济发展的主引擎,蕴藏着巨大的经济和社会价值。随着新一代信息技术蓬勃发展,各国普遍高度重视数字化转型,纷纷出台国家战略加速推进,如德国工业4.0、美国工业互联网、英国工业2050、印度国家制造政策等。我国在中国特色社会主义进入新时代之际,顺应新一轮科技革命和产业变革大势,利用数字技术持续提升经济生产力、改善社会治理模式,对于建成全球数字经济强国、实现经济高质量发展意义重大,推动数字化转型也已成为我国重大战略部署。党的十九大提出,加快建设制造强国,发展先进制造业,推动互联网、大数据、人工智能和实体经济深度融合。党的十九届五中全会指出,坚定不移建设制造强国、质量强国、网络强国、数字中国,推进产业基础高级化、产业链现代化,加快数字化发展。
数字化转型是一个新兴课题,相关研究从2016年前后开始快速兴起。在CNKI学术期刊学术论文搜索中,2000-2015年底16年间总共只有不到500篇相关论文,而2016年一年内就增加了接近200篇,到2020年9月底增加了600多篇相关论文。当前相关研究还处在初期,各方对数字化转型内涵、构成等认识仍有分歧。本文将数字化转型看作信息通信技术驱动的产业变革过程,具体是指以数据为关键要素,以信息通信技术与各行业全面融合驱动生产方式、商业模式和产业组织变革为主线,以提升行业和企业质量效益为目标和出发点的系统转型过程。数字化转型与“信息化”“互联网+”“两化融合”“数字经济”等热点概念既有关联又有区别:①与“信息化”概念类似,都强调信息通信技术驱动产业变革,但前者强调的信息通信技术是起源于20世纪六七十年代的IT技术,而数字化转型更强调新一代信息通信技术,特别是互联网、5G、人工智能、大数据等技术;②与“互联网+”相比,数字化转型所包含的技术种类更多,不局限于互联网技术;③与工业化与信息化“两化融合”相比,数字化转型不仅包括工业领域的信息通信技术应用,还包括服务业、农业、建筑业以及政府等各行各业各领域的应用,范围更广;④与数字经济相比,数字化转型是一个过程,而数字经济是一种经济形态,两者含义截然不同。但在构成上,数字经济包括数字产业化和产业数字化,其中,产业数字化是指数字化转型,数字化转型是数字经济的核心组成部分。2019年,产业数字化占数字经济比重达到80%,是数字产业化的4倍。
综合来看,当前对数字化转型的研究可以分为理论研究和实证研究两类[1-4]。理论研究主要集中在转型机理、战略路径、生产体系、应用场景等方面,实证量化研究主要侧重数字化转型水平评估、转型绩效衡量等方面。其中,实证量化研究是极为重要的领域,量化分析结果可以让政策制定者、企业管理者等明晰相关主体的数字化水平,了解与标杆水平、平均水平之间的差距,掌握数字化转型政策或项目实施绩效等,具有重要的基础性、前导性作用。
数字化转型的量化研究可以分为三大方向。一是数字化转型进程衡量。主要通过构建数字化转型评估方法,衡量国家、区域、行业、企业等维度的数字化转型水平,分析判断数字化转型发展水平和成熟度[5-8];二是数字化转型经济绩效测算。在衡量数字化进程的基础上,结合计量模型,定量分析数字化转型对产业的劳动生产率、全要素生产率、产业进入退出水平、盈利能力等方面的影响,从而得出数字化转型对产业和经济增长的经济贡献[9-11]。值得注意的是,20世纪90年代出现的索洛悖论相关研究,其关键问题是数字化转型经济绩效科学评估。特别是在当前数字经济时代,一些研究者提出“新索洛悖论” [12],辨析解决此问题同样要准确评估新的技术经济条件下数字化经济绩效;三是数字化转型影响因素量化分析。分析不同行业属性和企业规模大小、基础能力、变革意愿等特性与数字化转型进程之间的关系,以更准确得出数字化转型进程影响因素,进一步区分不同因素对数字化转型进程的边际影响大小,从而为提出更有针对性的发展策略提供精准证据[13-16]。在3类研究中,数字化转型水平的量化衡量研究向前连接影响因素量化研究,是其结果;向后连接经济绩效研究,是其成因。可以看出,数字化转型水平量化研究是数字化转型量化研究的基础性和首要性问题,也是本文研究的核心主题。
图1 数字化转型量化研究三大方向
不同机构从多个角度对数字化转型进行了探索性量化研究分析,从研究机构和内容看,既有国际组织和研究学者构建的数字化发展指标体系[17-19],评价不同国家和区域数字化融合水平,也有知名咨询机构和领军企业发布的数字化能力指数,从不同价值维度评估不同行业和企业数字化成熟度。同时,国内科研机构也都开展了相关研究[20-23],提出数字化水平评估方法。从研究主线看,数字化转型水平量化研究主要沿着两大方向展开,分别是微观层面企业数字化成熟度评估和中观层面行业数字化水平研究,目前两个方面都有了相对丰富的研究成果。但总体上,这一领域的研究仍处在初级阶段,尚未形成统一的数字化转型水平评估方法体系,各家方法不一,结果难比,且不同方法的适用边界没有得到清晰阐述。本文将对这两个方向上的国内外各类评估方法进行梳理,对其方法体系、应用方向、适用范围等进行比较分析,并对数据驱动的数字化转型这一当前新范式的量化评估作出前沿展望。本文可以为后续企业、智库和科研机构开展更具可比性、可操作性的数字化转型量化研究提供参考,具有一定的理论和实践价值。
成熟度指研究对象与其最佳状态的相对水平,一般用于对事物发展成熟过程进行定量描述。成熟度模型是项目管理、质量管理等领域非常常见的工具,包括不同阶段的成熟程度,把一个不可控的、无序的操作变成可控的、有序的过程。如今,学术界和产业界都在借用成熟度的基本思路,建立数字化成熟度模型,评估企业数字化转型现状和潜力。概括来看,数字化成熟度根据一定的标准对企业数字化转型过程进行等级划分,描述每个等级相应特征和状态,已经成为衡量企业数字化转型程度最常用的方法。
企业数字化转型成熟度评估,共有3种方法:①业务融合视角的评估方法。这种方法把数字化转型看作一项系统的业务转型过程,常见的成熟度等级标准是依据业务转型范围大小评估转型水平和程度。比如,从单个价值环节数字化到全部工厂数字化,再到企业、产业链,最后到整个产业生态数字化,依此划分转型成熟度等级;②数字化转型的技术驱动评估方法。这种方法按照数字化转型发展不同阶段驱动技术的不同而对数字化转型进行分级分类,比如按照数字化、网络化、智能化分类;③基于能力成熟度评估方法。这种方法把数字化转型所需能力按照大小进行排列,将数字化转型成熟度分为入门级、探索级、引领级、领导级等。
从业务融合视角对数字化转型进行成熟度评估分级具有深厚的实践和理论基础,业务数字化转型指企业研发、生产、管理等全生命周期和全产业链、全价值链利用信息技术所带来的发展范式变革。业务转型在整个数字化转型体系中居于核心地位,为了解决企业业务发展中的问题和痛点,不断创新业务模式和产业组织方式是数字化转型的根本出发点、价值实现点。推动数字化转型,必须直面业务痛点诉求,坚持价值导向,这样才能真正具有生命力。
从业务融合视角评估企业数字化转型成熟度,存在不同办法。根据业务融合范围进行的评估方法最多,该种方式认为业务数字化转型是从局部到整体,从小到大,分阶段进行的复杂过程。比如,在我国实施“两化融合”背景下,国家工信安全中心提出两化融合螺旋式跃升的4个阶段,即基础建设、单项应用、综合集成、协同创新[21],是以业务融合范围为主要标准建立的评估体系。其中,基础建设包括设备设施购建、信息化人员培养、信息化组织建立等,为信息技术在业务领域的广泛应用打好资源基础。单项应用指信息技术在各单项业务环节与工业业务进行结合,实现对各单项业务环节的横向覆盖和纵向渗透。综合集成是在单项业务应用的基础上,信息技术开始与工业业务深度结合,业务系统之间逐步实现集成运作,逐渐推动业务流程逐渐改良和优化。融合创新阶段开始突破企业边界,引发面向市场和客户的工业业务流程变革与重组,实现机构变革和模式创新。
在实证研究层面,两化融合服务平台成为我国广泛收集工业企业样本的重要依托,为开展实证分析与现状评估研究提供数据支撑。陈杰等[24]基于全国5万多家工业企业数据进行实证分析,发现我国两化融合总体仍处于中等水平,仅有小部分企业进入了集成提升和创新突破发展阶段;李君等[25]通过企业大样本分析发现,我国工业企业在数字化转型过程中面临业务综合集成跨越困境;师丽娟[26]对某区工业企业样本数据进行分析,从基础设施、产品全生命周期、生产管控3个维度指出该区数字化转型过程中的薄弱环节。
德国工业4.0战略及其评估聚焦在业务数字化转型高级阶段,关注大数据、人工智能等新一代信息通信技术如何推动工业集成创新,是我国“两化融合”评估中综合集成和创新引领阶段的扩展、深化、细化,如图2所示。具体来看,工业4.0战略中提出引导企业实现“三项集成”,即纵向集成、横向集成、端到端集成。纵向集成是在企业内部从底层的传感器、控制器等设备到最上层的企业管理信息系统的不同层级之间实现全面集成;横向集成是产业链上下游企业之间以数字化系统集成为先导,带动企业之间的全面整合协同,从而实现社会化协同生产;端对端集成将产品到运维的产品全生命周期阶段进行集成,产生新工业价值生态。尽管3种集成总体是并行发展的,但也在一定程度上遵循着从简单到复杂、从企业到生态的顺序依次展开的逻辑属性,也可以看作是一种成熟度。
图2 中德数字技术与业务融合范围比较
从技术驱动视角对数字化转型进行成熟度评估分级也具有深厚的实践和理论基础。数字化转型本质上是信息通信技术驱动的企业和产业变革过程。数字化转型体系中,信息通信技术是其内生动力。这主要体现在两个方面:一是创造物质条件,加速转型进程。5G、工业互联网、数据中心等数字基础设施以及工业软件、智能装备等数字化产品和服务,提供了分布广泛、丰富适用、成本低廉的计算、存储和分析等数字资源,可以极大地便利企业数字化转型;二是冲破边界束缚,拓展转型空间。技术上的创新突破,使得过去无法实现的转型模式具有现实可能性、经济性。比如,在工业互联网赋能下,预测性维护、全局工艺优化等新模式随之产生,在5G技术支撑下,智慧港口、高清质检等新业态快速涌现。从这个角度来看,技术供给能力会影响业务转型模式,技术演进升级会带来业务变革,也会表现出阶段性。
近年来,随着信息通信技术进入群体突破阶段,新技术蓬勃涌起,学术界逐渐关注技术驱动视角下数字化成熟度评估。总体上,这类评估可以细分为从大历史视角进行的分析和从中短期视角进行的研究。大历史视角的研究以德国国家工程院和中国工程院的分析为代表,德国国家科学与工程院[27]将工业4.0分为计算机化、连接性、可见性、透明性、预测性、适应性6个阶段,并说明了达到每一阶段所需的能力和实现的企业效益。其中,计算机化阶段提供数字化基础能力,可以在企业内部更加高效地处理重复性工作;连通性阶段操作技术(OT)系统实现部分连通性和互操作性,但未实现IT和OT层面的完全整合;可见性阶段中传感器可以捕获大量节点数据,从而实时记录生产全过程,并根据实时数据作出管理决策;透明性阶段通过构建“数字孪生”模型,分析各种事件发生的原因,为复杂、快速的决策提供过程认识;预测性阶段,可以模拟不同的未来场景,并评估不同场景发生的可能性,适时采取适当措施;适应性阶段使企业能够向IT系统下放适当决策,以便IT系统能够适应复杂多变的经营环境。
中国工程院周济院士等[2,20]将智能制造归纳总结为数字化制造、数字化网络化制造、数字化网络化智能化制造3个演进发展阶段,图4展现了智能制造演进过程。第一代智能制造发生在20世纪中叶后,以计算机、通讯和数字控制等信息化技术的发明和广泛应用为背景,制造系统进入数字化制造时代,引领和推动第三次工业革命。20世纪末,互联网技术推动制造业向数字化网络化制造转变,“互联网+数字化制造”成为第二代智能制造的重要标志,本质是通过网络将相关的人、流程、数据和事物等连接起来,实现各种资源的共享与集成优化。新世纪以来,互联网、云计算、大数据等信息技术形成了群体性跨越,集中于新一代人工智能的战略性突破,解决复杂问题的方法也从“强调因果关系”的传统模式向“强调关联关系”的创新模式转变,进而向“关联关系”和“因果关系”深度融合的先进模式发展,重塑制造业的技术体系、生产模式、产业形态。
图3 工业4.0演进的6个阶段
图4 智能制造发展的3个阶段
从中短期视角来看,国务院发展研究中心[23]在研究传统产业数字化转型路径中提出,数字化IT架构遵循传统IT架构、私有云或公有云、混合云、混合云平台+敏捷开发的演进顺序,数字化投入由购买IT硬件产品、系统运维逐步向购买服务及解决方案发展。
数字化转型是一场深刻和系统的革命,不局限在技术和业务范畴,更需要深层次的能力作为基础支撑。数字化企业建设并非一蹴而就,在数字化转型的不同阶段需要的能力基础不同,既需要数字资产持续、长久的投入,形成一定的资本存量,也需要企业战略、组织、运营、人才等一系列互补性资产相匹配。基于能力基础的成熟度评估旨在帮助企业厘清当前具备的数字化能力,以及是否进行适合自身条件和发展方向的数字化提升改造,为不同行业、不同发展阶段的企业找到实施数字化的最佳切入点和行动方向。由于需要依据企业具体情况提供个性化定制服务,该种视角下的成熟度评估往往下沉到具体企业,以德勤、IDC等咨询机构和西门子、施耐德电气等解决方案提供商为主。
具体来看,德国机械设备制造业联合会推出工业4.0准备度自测工具,包括战略和组织、智能工厂、高效运营、智能产品、数据驱动服务、员工6个关键维度,每个维度都包含6个等级(门外汉、初学者、中级水平、经验者、专家、顶级玩家),以帮助企业了解自己处于何种数字化转型阶段。德勤制定一套标准衡量企业数字化转型的总体成熟度,将企业智能化水平划分为智能化认知、智能化探索、智能化应用、系统化智能、全面智能5个阶段,根据六大基础能力评估企业所处阶段,帮助企业精准定位自身发展状态,明确发展方向。西门子发布数字化转型评测工具,通过成熟度分析摸底企业数字化水平,评估企业在特定的数字化系统、管理执行体系、数据平台等方面是否具有数字化能力,以及企业是否将已有数字化能力加以充分应用。IDC和华为提炼总结出数字化入门者、数字化探索者、数字化组织者、数字化转型者、数字化颠覆者五级成熟度模式,根据连续4年跟踪调研,全球超过40%企业依然处于数字化转型的前两个阶段。施耐德电气分析过去5年230多个数字化转型典型案例,得出资本支出、运营支出、可持续性等方面的关键能力要点,归类为12种收益类型,形成了每种收益类型的平均结果及最佳案例场景。
表1 数字化基础能力成熟度评估对比
评估维度能力阶段代表机构战略和组织、智能工厂、高效运营、智能产品、数据驱动服务、员工门外汉、初学者、中级水平、经验者、专家、顶级玩家德国机械设备制造业联合会战略、需求、数据、技术、运营、人才智能化认知、智能化探索、智能化应用、系统化智能、全面智能德勤数字化业务创新和高效运营、数据智能和价值再造、数字技术管理和融合数字化入门者、数字化探索者、数字化组织者、数字化转型者、数字化颠覆者IDC和华为产品生命周期、资产运营、业务履约 滞后观望者、“装备党”陷阱、传统管理运营强者、新一代数字化转型受益者西门子资本支出,运营支出,可持续性、速度和性能根据业务收益判断水平(百分比形式)施耐德电气
综上所述,企业数字化成熟度评估呈现出3类研究方向,如图5所示。一是面向业务融合的数字化成熟度评估,以国家工信安全中心和高校的一批学者为代表。自我国两化融合战略提出以来,产业各界投入巨大,而企业数字化水平参差不齐。在此背景下,工信部发布了相关评估规范,依托两化融合服务平台,跟踪监测制造业两化融合发展水平。评估指标从单一到综合、从局部到总体,评价体系更加科学合理,基本形成了规划、诊断、对标、优化的评估闭环,对企业数字化转型建设具有较强指导意义;二是面向技术驱动的成熟度评估,以中国工程院、国研中心等研究机构为代表。在全球新一轮科技革命蓬勃兴起与产业升级转型持续推进的背景下,这种评估方式深入分析数字化转型的本质和逻辑,识别转型各阶段的目标、任务、挑战等,提出制造业数字化、网络化、智能化转型过程中演进路线。可见,这类评估方式注重战略布局和路径选择,具有更加宏大的历史视野和更加深刻的现实价值,为我国从制造大国向制造强国迈进奠定理论基础;三是面向数字化能力基础的评估范式,以咨询机构和解决方案提供商为代表。此种评估方式通过定义、划分数字化成熟度等级和发展阶段,帮助企业精准定位发展状态,逐步建立更加适合的发展模式。评估机构常常需要下沉到企业级单元,开发出更加综合的评估体系,全面考察企业组织、资产、运营、人才等方面发展程度,提供个性化评级服务和路径规划。
图5 企业数字化转型成熟度评估主要方向
3种评估方法的侧重点在数字化转型的不同方面,各自适用范围不同,不同评估视角的优缺点如表2所示。业务融合视角的优势是可以直接判断企业数字化转型工程实施的先后顺序,但对于每个成熟度层级所需能力基础和背后的技术驱动力量没有顾及。技术驱动视角的优势是可以一目了然看到不同阶段的主导技术,但是,对业务变革的深浅程度和先后顺序掌握不够。能力视角的优势是可以较好地把握转型背后的基础能力,但是,对于企业实际过程中的优先级和驱动力了解不足。因此,越来越多的量化研究开始利用多种视角对数字化转型作综合评估。
表2 数字化转型成熟度评估研究方向分类
评估方法优势不足代表机构业务转型视角最直接,判断数字化业务的落地顺序,注重融合范围和实施规范不了解评估对象的数字化能力基础以及技术驱动力量国家工信安全中心技术驱动视角最基础,掌握不同阶段的主导技术和不同技术的实现模式不能有效针对企业现状,制定出能力现状和业务实施评测中国工程院、国研中心能力基础视角最综合,把握企业能力现状,精准定位发展状态不掌握企业业务优化中的先后顺序和驱动力量德勤、IDC、西门子
行业数字化总体水平是指一个行业数字化的总体进程,常用来评估和比较不同行业的数字化水平,分析主要部门在转型过程中形成差异的原因。与企业成熟度评估按照纵向演进的分析范式不同,行业数字化总体水平评估方式是对各行业数字化水平进行横向对比。本文聚焦行业层面的数字化水平研究,在逻辑上与企业层面评估一脉相承。目前,行业数字化总体水平评估方法多样,可以归为指标法和核算法两大类。
指标法通过设立综合性指标体系,量化评估不同行业数字化水平,是目前最具代表性的行业数字化水平指标评估方法。关于指标体系构建,基于对数字化转型基本逻辑和发展趋势的根本性认识,一般遵循指标设计、权重确定、数据处理、指数计算、比较分析等步骤。指标法为认识行业和企业数字化水平差异提供了一种可行的数理论证方式,也为数字化转型经济绩效测算、影响因素量化分析等研究工作奠定了基础。值得注意的是,数字化转型评估指标不仅要考虑数字化投资,同时也应包括人力资本、组织模式等互补性资产。例如OCED的评估指标[6-7,17]不仅涵盖ICT投资、机器人数量等数字资产情况,而且将ICT专家占比、在线销售营业额等无形资产考虑在内。埃森哲对我国制造业细分行业的数字化评估,进一步将运营和商业模式上的创新作为关键价值维度纳入指标,体现了互补性资产对于行业转型的重要性。其次,可以采用层次分析法、熵权法等数理方法确定权重系数及评价方法[28-29]。
从实践角度来看,指标法适用于统计数据公开、统计口径规范的评估主体,这样构建的表征指标更加丰富深刻,评估结果更加客观准确。例如,OECD针对成员国家以及麦肯锡针对美国的数字化水平评估,可以从欧盟统计局、EU-KLEMS数据库、国际自动控制联合会等多方渠道获取丰富的统计资料。相对西方国家,我国统计数据不够公开、完备,给指标法量化研究带来一定困难。但依托行业组织和一些服务平台,采取调研问卷、专家打分等方式,也可获得指数测算所需数据资料。尽管如此,这种评估带有较强主观性和波动性,需要更庞大的统计样本和更精准的统计方法,以使评估结论更为准确可靠。
根据指标法得出的评估结果可知,行业间数字化水平差距较大,说明行业部门以不同速度和方式参与数字化转型。总体上,靠近消费端的下游行业、知识密集型行业和服务业数字化程度高,资本密集型行业数字化潜力大,公共部门和劳动密集型部门相对落后。
核算法的基本原理是采用各种方法核算各行业因利用数字技术(ICT)而获得的产出增加值,然后以这个增加的产出与行业总增加值的比值反映行业中数字化技术渗透率、密集度或贡献度,关键是要衡量各行业中ICT带来的产出增量。现有研究中主要有两种方法:
(1)增长核算法。这是经济研究中用于核算资本、劳动等要素投入对经济增长边际贡献的成熟方法。自1987年“索洛悖论”提出以来,越来越多的经济学家利用这一方法测度数字技术(ICT)对经济增长的贡献,以破解索洛悖论[30]。其中,乔根森是最大的贡献者,也是集大成者。他与合作者的早期研究偏宏观,直接测度ICT对经济增长的贡献。后来乔根森等[31-33]发现,ICT对增长的贡献在行业层面存在差异,也更具解释性,将增长核算方法推广到了行业层面。为了方便国际可比,乔根森等构建了KLEMS项目,定期公布相关数据。在这一方法中,核心和重点是各行业ICT资本存量估计。国内任若恩等[34-35]对此进行了深入研究,应用永续盘存法估算中国细分行业的ICT资本存量。
(2)投入产出核算法。投入产出方法也是一种成熟的经济研究方法,由列昂惕夫于20世纪30年代开创,主要用来研究经济体系中各个部分之间投入与产出的相互依存关系。以往研究者主要用投入产出方法计算产业中带动效应、关联效应等,中国信通院在核算数字经济规模时就是采用这一方法。他们创造性地利用投入产出法测算各行业ICT投入带来的产出增量[22],并将这些行业的数字化增量加总得到产业数字化规模,再考虑数字产业化部分,就可以得到全部数字经济总规模。
核算法与指标法作为行业数字化水平评估的两类方法,应用场景与经济价值存在差异。核算法基于国民经济社会统计数据,具有坚实的理论基础和实践经验。该方法适应于更严谨的学术研究,为不同区域和行业数字化水平比较提供了一种数理工具,也是经济增长研究的热点领域。但也应看到,该方法的准确应用依赖于对经济产出与要素投入的科学计量, 特别是对资本寿命和相对效率下降更真实的估计。因此,在理论和实践方面都有很大的发展空间。同时,数字化是一种复杂的现象,其中涉及生产自动化、劳动力技能、商业运作方式、资本投入特征等多个方面,数字技术带来的经济增长很难捕捉到全面真实的进展情况,尤其无法反映生产组织和管理的改善情况,不能准确全面衡量数字化转型效果。指标法将ICT及其互补性资产纳入评价体系,可以更加全面地描述数字化转型进展,较多应用于行业组织和咨询机构。例如,OECD和麦肯锡详细展现了相关国家各部门不同时段的数字化程度,并根据不同表现进行归类总结,对该领域研究具有积极的借鉴意义。但是,此种方法对统计数据的准确性、时效性、颗粒度等方面要求高,适用于统计完备、数据公开的国家和地区。否则,部分指标和数据来源依赖于企业调研、专家打分等外生变量,不同统计口径可能得出差异化结论。
每个行业都在经历数字化转型,各行业适应这一趋势的方式和速度各不相同,领先者和落后者呈现差距逐渐加大的趋势。本质上,由于行业间业务流程和商业逻辑不同,数字化转型的具体路径也会有差别。虽然各研究者所用评估方法、数据来源等存在差异,但在一些典型化事实上还是达成了高度一致。各类研究者或研究机构关于行业数字化水平评估的典型化事实、原因如表3所示。
表3 行业数字化水平评估结果对比
观点原因评估机构 ICT、科研、金融和保险等行业数字化程度领先,农业、房地产和矿业数字化程度最低不同行业以不同速度和方式参与数字化转型,取决于国家和行业的固定效应OECDICT、媒体、金融和保险整体数字化水平较高,先进制造业、油气、化工、医药等排名相对靠后,建筑、酒店、农业、房地产等数字化程度低数字化的三股推动力分别是去中介化、分散化和非物质化,在消费零售、交通出行、货运物流等服务领域中介化作用最大,数字化转型效果更加明显麦肯锡零售、文娱、金融数字化程度较高,政府机构和制造业数字化程度相对较低靠近消费者的行业数字化程度较高,而依赖行政推动力和资源的行业数字化程度比较低IDC中国企业数字转型稳步提升,转型成效显著的领军企业占比较小数字化实现卓越绩效需要持续、积累的投入,只有将数字化融入企业经营实践的各方面后,才能最终体现为经营绩效跃升埃森哲三次产业不均衡,依次为服务业、制造业、农业。分行业看,仪器仪表、金融、科研、教育居前不同行业数字化渗透率不同,服务业数字化转型可以减少以连接为导向的交易环节,相对于制造业其转型难度小、壁垒低中国信通院
(1)从三次产业数字化转型进程比较来看,服务业高于工业,工业高于农业。测算结果表明,三次产业数字化水平不均衡,服务业高于制造业和农业。究其原因,服务业数字化转型可以减少以连接为导向的交易环节,帮助供需双方建立直接对接渠道,相对于制造业其转型难度小、壁垒低。
(2)从产业链上下游转型进程比较来看,越靠近消费端的下游,数字化转型进程越快。数字化的三股推动力分别是去中介化、分散化和非物质化,在消费零售、交通出行、文体娱乐、货运物流等服务领域中介化作用最大,数字化转型效果更加明显。
(3)从行业知识密集度转型进程比较来看,知识密集度高的行业转型程度高。通过测算得出,ICT、科研、金融等知识密集型行业数字化程度领先。这是由于知识密集型行业的ICT资本和技术投入较多,对行业产出带动效应明显。
(4)从行业资本密集度转型进程比较来看,资本密集型行业数字化转型进程更快、潜力更大。麦肯锡对美国各部门评估得出,以油气、化工、医药、采矿、交运等为代表的资本密集型行业资产数字化的发展潜力大。中国信通院测算结果说明,我国资本密集型行业数字化转型程度明显高于劳动密集型行业。
(5)行业数字化水平差异与ICT资产相配套的互补性投资密切相关,能否将数字化决策能力、流程、运营深入融合成为行业和企业转型的关键。根据数字化综合指标评估得出,ICT资产需与决策改善、流程更新、商业创新等互补性资产相互协同,才能更好地推进数字化转型,只有将数字化融入企业经营实践各方面,才能最终体现为经营绩效跃升。
数字化转型日益成为学术界和产业界关注的重点,研究机构从不同角度对数字化转型水平进行评估衡量,如表4所示。从研究范式来看,基本形成了企业数字化转型成熟度和行业数字化水平两大评估范式。回顾这些研究发现,尽管不同评估方法在数学模型以及数据收集、分析和呈现等方面有所区别,但大多使用了转型战略管理、产品和服务数字化、内部流程和运营数字化等关键要素。从研究领域来看,企业数字化成熟度评估可以描述企业业务的数字化程度,从业务融合、技术驱动、能力基础3个视角全方位衡量企业数字化水平,为产业层面的主导逻辑和演进顺序以及企业层面的能力评估和工程实施提供理论遵循与实施规范;行业总体水平是企业级数据汇总分析,既描述不同行业数字化程度,有利于各行业数字化水平横向对比,也基于一些典型事实分析行业水平差异背后的机理和原因,以加快各行业数字化转型进程,促使各行业同步协调发展,消弭行业和地区间数字鸿沟。
表4 数字化转型水平评估方法总览
评估范式研究方法优缺点典型机构企业数字化成熟度 业务融合构建一套适用于制造业全局的两化融合评估体系和评价方法对企业“两化融合”建设具有较强指导意义,主要适用于制造业评估国家工信安全中心技术驱动分析制造业演进发展中的内在逻辑、驱动机理等视野宏大,注重战略性;偏宏观观察,针对性不强中国工程院、国研中心能力基础确定数字化转型各阶段能力,评估企业具备的数字化基础综合性评估,可操作性强,为各类企业找到定位和方向;机理性分析较少,缺乏完整理论框架德勤、IDC、西门子行业数字化总体水平指标法从多维度设计指标体系,计算数字化转型指数较全面反映数字化发展程度,但对指标选择、数据来源等要求高,适用于统计资料相对完备的国家和地区OECD、麦肯锡、埃森哲核算法依据增长核算模型测算各部门的数字经济增加值提供一种度量数字化水平的测算工具,但无法反映生产组织和管理的改善情况中国信通院
总体上,通过评估发现,服务业、知识密集型行业、资本密集型行业的数字化转型动力强、程度高、效果好,制造业、劳动密集型行业、公共部门数字化转型的门槛高、难度大、进度慢。同时,ICT资产需与决策改善、流程更新、商业创新等互补性资产相互协同,才能更好地推进数字化转型。
数字化转型是螺旋式上升的过程,不同阶段对应不同的技术体系、产业体系、关联方式和驱动力量,要求转型方式、转型逻辑与时俱进。2012年后,数字化转型进入数据驱动的数字化转型新阶段。这一阶段,物联网、云计算、大数据、人工智能等新一代信息通信技术快速发展,为数字化转型提供了全新的工具。数据驱动转型阶段,企业和产业的转型逻辑不再是把企业和产业中标准化的流程代码化、软件化,而是依靠新一代信息通信技术,构建一个从物理世界到数字空间的映射和转换,形成从数据、信息、知识到决策的数据优化闭环,从而更加精准、更加迅速、更大范围地实现对企业、产业的重构、变革、优化。在这个过程中,数据(而不是流程)成为转型的基本载体和关键要素。数据驱动已经在电子商务、社交媒体等服务业数字化领域有了广泛而深入的应用,商业变成智能商业,同时,在工业互联网等的赋能下,数据驱动也开始在工业制造领域应用探索,预测性维护、工艺能源优化等新模式新业态也不断涌现。数据驱动已经成为当前数字化转型的时代特征和核心逻辑,也是数字化转型研究的前沿热点领域。
数字化转型逻辑的跃升要求理论研究和实证分析都要与时俱进。学术界已经对数据驱动的数字化转型进行了理论和实践方面的探索研究,其中,布莱恩约弗森等[36]的许多开创性研究值得关注。他们经过计量模型发现,采用数据驱动决策的制造工厂传播效果是不均衡的,与企业规模经济、ICT投资、人力资本、学习效果等因素相关。德国国家工程院提出,先进技术可以获得更广泛的数据,但对数据的利用能力取决于企业组织结构和文化。
当前,关于数据驱动产业数字化转型的实践推广还处在加速发展中,对其发展规律的理论认识尚处于初级阶段,实证分析也远远没有成熟,研究空间十分广阔。总体来看,研究缺口和研究方向主要有以下几个方面:在理论方面,数据驱动数字化转型的本质、特征、经济动力等相关研究较少。数据在生产和管理过程中如何转化为信息、知识和决策,也需要进一步深入研究。数据如何从战略资源转变为像劳动力、资本一样能够在社会上广泛流转应用的生产要素,从而在更广泛的领域驱动数字化转型加快发展,理论研究仍然十分少见,需要加强数据要素化、价值化的理论研究;在实证研究方面,如何把数据的重要作用体现在评估指标、核算体系中是最重大的挑战,这方面已经有一些探索,但还远远不够。此外,在数据驱动的新范式下,数字化转型进程与经济绩效间关系如何发展,新时代是否存在新的索洛悖论?这些重大问题的解答也需要在考虑数据的影响下进行创新探索。
综上所述,未来的数字化转型量化评估研究,可以从3个方面着手:一是注重综合性,将技术、业务和能力视角综合起来,统筹考虑;二是注重融通性,将微观企业的成熟度评估与行业水平的评估打通,避免互相割裂、各成体系;三是注重时效性,突出数据驱动的时代特征,体现数据作为数字化转型关键要素的重要价值。
[1] GORDON R J. The rise and fall of American growth[M]. Princeton University Press, 2016.
[2] 周济. 智能制造:“中国制造2025”的主攻方向[J]. 中国机械工程,2015,26(17):2273-2284.
[3] 赵剑波. 推动新一代信息技术与实体经济融合发展:基于智能制造视角[J]. 科学学与科学技术管理,2020,41(3):3-16.
[4] 王灏晨,温珂. 新冠肺炎疫情的危中之机:加速我国数字化转型[J]. 科学学研究,2020,38(3):393-395.
[5] MANYIKA J,RAMASWAMY S,KHANNA S,et al.Digital America: a tale of the haves and have-mores[R].McKinsey Global Institute, 2015.
[6] CALVINO F, CRISCUOLO C, MARCOLIN L, et al. A taxonomy of digital intensive sectors[R].OECD Science, Technology and Industry Working Papers, 2018.
[7] GAL P, NICOLETTI G, RENAULT T, et al. Digitalisation and productivity: in search of the holy grail-firm-level empirical evidence from eu countries[R].OECD Science, Technology and Industry Working Papers, 2019.
[8] 王莉娜. 数字化对企业转型升级的影响:基于世界银行中国企业调查数据的实证分析[J]. 企业经济,2020,39(5):69-77.
[9] BARTEL A,ICHNIOWSKI C,SHAW K. How does information technology affect productivity? plant-level comparisons of product innovation,process improvement,and worker skills[J]. The Quarterly Journal of Economics,2007,122(4):1721-1758.
[10] SYVERSON C.What determines productivity[J]. Journal of Economic Literature,2011,49(2):326-365.
[11] 蔡跃洲,付一夫. 全要素生产率增长中的技术效应与结构效应:基于中国宏观和产业数据的测算及分解[J]. 经济研究,2017,52(1):72-88.
[12] VAN ARK B. The productivity paradox of the new digital economy[J]. International Productivity Monitor, 2016 (31): 3-18.
[13] PARENTE S L,PRESCOTT E C. Barriers to technology adoption and development[J]. Journal of Political Economy,1994,102(2):298-321.
[14] OLIVEIRA T, MARTINS M F. Literature review of information technology adoption models at firm level[J]. Electronic Journal of Information Systems Evaluation, 2011, 14(1): 110.
[15] 李海舰,李燕. 企业组织形态演进研究:从工业经济时代到智能经济时代[J]. 经济管理,2019,41(10):22-36.
[16] 孟凡生,赵刚. 传统制造向智能制造发展影响因素研究[J]. 科技进步与对策,2018,35(1):66-72.
[17] BAJGAR M, CALLIGARIS S, CALVINO F, et al. Bits and bolts: the digital transformation and manufacturing[J]. OECD Science, Technology and Industry Working Papers, 2019.
[18] 谢康,肖静华,周先波,等. 中国工业化与信息化融合质量:理论与实证[J]. 经济研究,2012,47(1):4-16,30.
[19] 马眸眸. 区域信息化与工业化融合的影响因素实证研究[J]. 工业技术经济,2018,37(1):145-152.
[20] 臧冀原,王柏村,孟柳,等. 智能制造的三个基本范式:从数字化制造、“互联网+”制造到新一代智能制造[J]. 中国工程科学,2018,20(4):13-18.
[21] 周剑,陈杰. 制造业企业两化融合评估指标体系构建[J]. 计算机集成制造系统,2013,19(9):2251-2263.
[22] 中国信息通信研究院. 中国数字经济发展白皮书(2020年)[R]. 北京: 中国信息通信研究院, 2020.
[23] 国务院发展研究中心. 传统产业数字化转型的模式和路径[R]. 北京: 国务院发展研究中心, 2018.
[24] 陈杰,周剑,付宇涵. 我国工业企业两化融合评价体系及实证研究[J]. 制造业自动化,2016,38(6):143-146,156.
[25] 李君,成雨,窦克勤,等. 互联网时代制造业转型升级的新模式现状与制约因素[J]. 中国科技论坛,2019,35(4):68-77.
[26] 师丽娟,马冬妍,高欣东. 企业数字化转型路径分析与现状评估:以某区工业企业数字化转型为例[J]. 制造业自动化,2020,42(7):157-161.
[27] ACATHCH. Industrie 4.0 maturity index:managing the digital transformation of companies [R].德国国家科学与工程院, 2017.
[28] 王晰巍,安超,初毅. 信息化与工业化融合的评价指标及评价方法研究[J]. 图书情报工作,2011,55(6):96-99.
[29] 章穗,张梅,迟国泰. 基于熵权法的科学技术评价模型及其实证研究[J]. 管理学报,2010,7(1):34-42.
[30] 续继,唐琦. 数字经济与国民经济核算文献评述[J]. 经济学动态,2019,60(10):117-131.
[31] HOLLY S,JORGENSON D W,GOLLOP F M,et al. Productivity and US economic growth[J]. The Economic Journal,1990,100(399):274.
[32] JORGENSON D W.Productivity and postwar US economic growth[J]. Journal of Economic Perspectives,1988,2(4):23-41.
[33] JORGENSON D W,STIROH K J. Information technology and growth[J]. American Economic Review,1999,89(2):109-115.
[34] 黄勇峰,任若恩,刘晓生. 中国制造业资本存量永续盘存法估计[J]. 经济学(季刊),2002,1(1):377-396.
[35] 孙琳琳,任若恩. 资本投入测量综述[J]. 经济学(季刊),2005,4(3):823-842.
[36] BRYNJOLFSSON E,MCELHERAN K. The rapid adoption of data-driven decision-making[J]. American Economic Review,2016,106(5):133-139.