开放科学(资源服务)标识码(OSID)：
随着信息化、数字化、智能化发展进程加快,制造业生产方式、业务流程、创新模式发生深度变革,由此助推一大批小而精的创新型企业发展壮大[1]。需要指出的是,多数制造企业仍处于数字化转型初级阶段,特别是中小微制造企业。作为突破关键技术封锁,建设制造强国的“排头兵”,专精特新“小巨人”企业聚焦制造业短板,攻关《工业“四基”发展目录》所列重点领域,即关键基础材料、核心基础零部件(元器件)、先进基础工艺和产业技术基础,借助数字技术实现创新,能够一定程度上加速实现中国产业链及供应链系统自主安全可控。因此,国家高度重视“小巨人”企业培育工作。2021年,财政部、工业和信息化部联合印发《关于支持“专精特新”中小企业高质量发展的通知》中指出,重点支持“小巨人”企业推进数字化、网络化、智能化改造。2024年6月14日,工业和信息化部发布《关于进一步支持专精特新中小企业高质量发展的通知》,进一步支持专精特新中小企业高质量发展,为加快推进新型工业化、发展新质生产力、完善现代化产业体系提供有力支撑。经过数字化、绿色化改造的实体经济在全球范围内将更具竞争力,也更具韧性和可持续性。
“小巨人”企业认定标准不同于专精特新企业,根据《优质中小企业梯度培育管理暂行办法》,“小巨人”企业需同时满足“专、精、特、新、链、品”6个层面指标,这也成为“小巨人”企业的独特优势。实践中,专精特新“小巨人”企业数字化升级面临诸多困难,存在较大“数字鸿沟”[2]。首先,数字化转型需要大量资金投入,与大型制造企业相比,专精特新“小巨人”企业在技术、资金和人才等方面处于劣势。其次,多数企业难以准确评估数字化转型成本与收益。此外,区域发展不均衡导致数字化基础参差不齐,这对中小企业数字化产生不利影响。因此,亟需构建中小制造企业数字化成熟度指标评价体系,厘清专精特新“小巨人”企业数字化成熟度现状、差异、影响因素,以便为相关政策制定提供方向,从而助推中小企业数字化、智能化创新发展。数字技术赋能如何促使企业最大程度地发挥独特优势?据此,本文提出以下问题:如何构建“小巨人”企业数字化成熟度模型?不同行业和地区“小巨人”企业数字化成熟度分化情况如何?存在哪些关键因素对“小巨人”企业数字化成熟度产生影响?
本文基于“小巨人”企业6个评价标准构建以数字专业化管理、数字信息系统精细化、数字化特色经营、数字创新效率、产业链数字化和产品数字化为准则层的指标体系,采用2016—2022年相关数据,借助文本挖掘、随机前沿法(SFA)、工具变量法等方法对指标进行测量,运用“VHSD-EM”组合评价模型对企业数字化成熟度进行测度及评价,从行业和空间维度进一步分析演化规律,并运用Tobit回归模型探究“小巨人”企业数字化成熟度影响因素,以期丰富“小巨人”企业数字化成熟度评价研究,为“小巨人”企业政策制定与优化提供建议和参考。
自2019年专精特新“小巨人”企业遴选培育政策启动以来,相关研究不断涌现,具体如下:第一,政策实施效果研究。丁永健[3]指出,“小巨人”企业培育相关政策可以通过提升技术水平显著增强制造中小企业创新活力,且对于劳动密集型、技术密集型企业的影响更为显著;张米尔[4]研究表明,相关政策实施对发明专利申请具有显著促进作用。第二,“小巨人”企业空间分布特征及影响因素研究。国家级“小巨人”企业整体上呈现“东密西疏、南多北少”的集聚型分布态势[5],区域间城市群分布差异显著,行业分布呈现“多点集聚”态势。长三角地区呈现以省会城市及部分沿海沿江城市为极点的“两核多极”集聚特征[6],以及以沿江、临海都市圈为热点区域的“一轴两带三圈”总体空间分布格局。此外,交通、土地利用及成本、外部支撑条件构成主要影响要素。第三,“小巨人”企业特色化研究。王瑶等[7]发现,桥接科学家创始人通过技术知识搜索影响创新质量和数量,通过科学知识搜索影响技术创新质量。可见,现有“小巨人”企业研究主要关注政策实施效果、空间布局,数字技术与“小巨人”企业深度融合机制有待进一步挖掘。
测量数字化成熟度是数字化转型量化研究的首要问题[8]。国内外学者对数字化成熟度测量进行了探讨,例如陆洋等[8]将数字化转型量化研究划分为数字化转型影响因素、数字化转型水平测量和数字化转型经济绩效3个方向,结果发现,数字化转型水平测量具有全局性影响。作为评估和指导企业数字化转型的工具,数字化成熟度模型具备描述性、规范性和基准设定3个主要特征[9]。其中,描述性模型旨在促进企业数字化水平与成熟度相匹配;规范性目的在于定义成熟度级别,进而指明提升路径与步骤;基准设定能够帮助企业依据等级判断基准实现跨界对标[10]。国外数字化成熟度测度相关研究起步较早,而咨询机构[11]、工业和信息化部[12],以及华为等大型互联网企业大多关注国内数字化成熟度相关研究。数字化成熟度研究视角可划分为业务融合、技术驱动和能力基础[8]。
其中,国外基于业务融合视角的研究主要关注不同层级间的技术集成、产业链间的数字化集成以及端到端产品的运维集成[12]。国内基于业务融合视角的研究强调数字产业化和产业数字化[13],遵循基础建设、单项应用、综合集成、协同创新逻辑,从局部到整体,适用于制造业评估。基于技术驱动视角的研究关注5G、智能软件、管理信息系统、数据处理等技术演进对企业的驱动效应[14],强调数字化投入,注重战略性但缺乏针对性。基于能力基础视角的研究侧重企业自身数字化条件[15],可为不同发展阶段企业指明行动方向,具有较强的针对性,但缺乏完整的理论框架。王核成等[16]开发的数字化成熟度模型(DMM)涵盖各维度要素,但未提出具体模型定量测量方法。目前,数字化成熟度体系大多具有4～6个层级,蒋鑫等[10]将其归纳如下:一是从无到有再到优,基于企业数字化应用和学习能力,强调经验积累[17];二是基于企业与数字技术融合程度[18],采用二维纵横交互度量模式进行等级划分;三是基于数字信息运用能力进行层级划分,如基于连接性、可见性、透明度、预测能力、适应性的等级划分[19],强调数字化功能属性的成熟度。现有模型测量方法主要分为指标法和核算法,指标法对数字化成熟度的评估较为全面,核算法是数字化成熟度的有效测量工具,两者结合是较为理想的评价模式。以往相关研究大多采用文献分析、专家访谈和实地调查等方法,缺乏定量数据支撑[20]。
由此可见:第一,近年来专精特新“小巨人”企业相关研究不断涌现,主要关注政策效果、空间布局等初步解构层面,并未涉及“小巨人”企业数字化成熟度;第二,数字化成熟度评价研究视角各有侧重,构建逻辑存在较大差异,实证测度研究较少;第三,成熟度等级量化研究大多以专家打分和李克特五点量表等定性方法为主,数据精度不足,无法根据企业数字化发展进行动态更新。涉及数字化转型程度,大多数相关研究采用词频统计和调查问卷进行测量[21-23],维度单一,一定程度上影响测量结果的精确度。本文从“小巨人”企业评定标准入手,整合多维度视角,将指标法和“投入—产出”核算法作为指标测度工具进行研究,可为特定类别企业数字化成熟度评价提供参考。
“小巨人”企业需要同时具备“专、精、特、新、链、品”6个层面的独特优势。其中,专业化强调对产业链某一环节或对某一产品进行深耕;精细化注重数字化、绿色化发展以及采用信息系统支撑业务;特色化强调主导产品的市场占有率及独特优势;创新能力侧重知识产权和科技奖励;产业链关注“补短板”“锻长板”“填空白”的协同作用;主导产品侧重产品细分市场,如制造业核心基础零部件、元器件、关键软件、先进基础工艺、关键基础材料和产业技术基础。
通过梳理现有相关文献,以工业和信息化部于2022年提出的《中小企业数字化水平评测指标》为框架,以数字化赋能“小巨人”企业“专、精、特、新、链、品”6个层面的具体表现作为准则层,兼顾指标选取的代表性、可操作性、可量化等原则,本文构建数字专业化管理、数字信息系统精细化、数字化特色经营、数字化创新效率、产业链数字化、产品数字化6个一级指标和13个二级指标。其中,企业数字化转型是复杂且系统的过程[24],以往研究基于“投入—产出”理论进行数字化成熟度指标构建与测量[20],证实了其可行性。在此基础上,本文将数字化基础和数字化管理归为企业数字化建设投入过程,将数字化经营和数字化成效归为企业数字化建设产出过程,构建研究概念模型如图1所示。
图1 评价概念模型
Fig.1 Conceptual model
2.1.1 投入要素指标构念
(1)数字专业化管理。数字化转型不仅是技术问题,而且是企业战略问题与管理问题[25-26]。对于“小巨人”企业而言,创始人或企业家作为主理人,在统筹战略和管理的同时兼任多个角色。因此,本文认为,“小巨人”企业数字专业化管理不仅涵盖技术、业务和流程,而且包括数字化战略引领和数字化人才应用。以往研究将企业管理层是否设置首席信息官(CIO)与首席数据官(CDO)作为数字化战略转型测量维度[1]。本文综合考虑指标测算的全面性,加入管理层的数字创新导向进行加权测量,具体包括数字创新导向前瞻性、数字创新导向持续性、数字创新导向广度和数字创新导向强度4个方面。
(2)数字信息系统精细化。数字化设备投入包括软件、硬件、网络及辅助设备购置与维护,是企业开展数字化转型的基础,能够为自动化管理、高效生产运营、精准定制服务等提供有力支持[27]。“小巨人”企业精细化管理强调数字化、绿色化以及采用信息系统支撑业务,因而数字化设备是“小巨人”企业实现精细化管理的基础。以往研究将数字化投资分为硬件投资(固定资产中的计算机、电子设备等)和软件投资(无形资产中的软件资产)[28]。借鉴以往研究思路,本文将数字化硬件投入与企业年报中的数字化设备投入、数字化在建工程等相关数据对应,将数字化软件投入与数字化开发支出等相关数据对应,由此构建3个数字信息系统精细化的二级指标。
(3)产业链数字化。既有研究指出,焦点企业与产业链上下游企业数字化转型水平正相关[1]。数字技术能够加快数据、信息和技术在各主体间扩散与传播,打通中间环节,不断优化营商环境,进而增加企业前向与后向关联效益,最终形成产业链协同机制。范合军等[1]认为,产业链依赖度对企业上下游数字化协同发挥正向调节作用。因此,本文以产业链依赖度和焦点企业数字技术、业务流程数字化转型程度加权作为产业链数字化联动测量指标。
2.1.2 产出过程指标构念
(1)数字化特色经营。本文基于“投入—产出”视角,采用随机前沿法对“小巨人”企业主营产品数字化经营效率进行测算,旨在揭示数字化赋能“小巨人”企业的独特经营优势。目前,主流效率测算方法有随机前沿法(SFA)和数据包络分析(DEA)[20]。与DEA相比,SFA不仅可以将无效率项与随机误差项区分开来,确保测算效率的有效统一,而且考虑了随机误差项对个体的影响。由于研究样本受政策、经济等环境因素影响较大,本文采用SFA方法进行效率测量。本文将投入要素划分为人力投入和资本投入,其中,人力投入以技术与研发人数的比值测量,资本投入以数字化设备投入、数字化在建工程、数字化开发支出总额测量。由此,产出要素以主营业务收入效率和主营业务成本效率进行测算。
(2)数字化创新效率。本文将数字化投入要素划分为人力投入和资本投入,基于企业年报披露的数据特征,将数字化产出要素定义为专利新增、商标新增和软件著作权新增。采用随机前沿分析方法需要设定生产函数形式,现有常用生产函数形式为柯布道格拉斯函数(C-D)和超越对数函数(Trans-Log)。前者假定技术中性和产出弹性固定;后者能够避免函数形式假设带来的估计偏差。本文的研究目的在于探讨企业数字化投入产出效率,故选择C-D函数作为基准模型[29]。
(3)产品数字化。由于无法采用统一维度对不同产品数字化程度进行系统评价,而“小巨人”企业主导产品涉及制造业核心基础零部件、元器件、关键软件、先进基础工艺、关键基础材料和产业技术基础,具有技术先进性特征,与数字化密不可分。因此,本文将“小巨人”企业主导产品是否属于先进制造业作为测量标准。以往研究将先进制造业定义为采用先进技术设备、现代化管理理念以及融入数字化生产方式的制造业[30],多数学者依据国家统计局发布的《高技术产业(制造业)分类(2017)》对先进制造业进行界定。本文遵循上述研究思路,将先进制造业定义为计算机、通信和其它电子设备制造业、医药制造业、汽车制造业、金属制品业等行业,借助工具变量对指标进行赋值,得到产品数字化测量结果。各指标维度构建如表1所示。
表1 “小巨人”企业数字化成熟度评价指标体系
Table 1 Evaluation index system of digital maturity of “little giant” enterprises
准则层一级指标二级指标指标说明专业化数字专业化管理A1数字人才应用专业化A11技术与研发人员占员工总数的比值数字业务流程专业化A12数字技术、业务、流程词频统计数字战略引领专业化A13管理层的数字职务设立、管理层的数字创新导向加权精细化数字信息系统精细化A2数字化设备投入A21年末固定资产中计算机、电子设备等余额累计值数字化在建工程A22年末在建工程中智能化、数字化项目余额累计值数字化开发支出A23年末开发支出中智能化、数字化项目余额累计值特色化数字化特色经营A3主营业务数字化收入效率A31Frontier软件测算的主营业务数字化产出收入效率主营业务数字化成本效率A32Frontier软件测算的主营业务数字化产出成本效率创新性数字化创新效率A4专利效率A41专利产出效率商标效率A42商标产出效率软件著作权效率A43软件著作产出效率产业链产业链数字化A5产业链数字化联动A51焦点企业技术、业务流程数字化程度与前五大企业产业链依赖度加权产品产品数字化A6产品数字化相关度A61工具变量,用主营产品是否属于先进制造业产品衡量
目前,学者大多采用层次分析法、熵权Topsis等静态方法对研究对象进行评价,上述方法的缺点在于无法对时序立体数据进行赋权。郭亚军等[31]的“VHSD”评价模型(纵横向拉开档次法)能够突破以上静态方法的局限,但可能忽略指标信息量问题。因此,本文基于熵值法(Entropy Method,简称EM)与“VHSD”模型进行综合评价,在克服上述方法局限性的同时,能够提高评价结果的可信度。
2.2.1 “VHSD”纵横向拉开档次法
针对n个被评价对象s1,s2…sn,取m个评价指标x1,x2…xm,按照时间顺序t1,t2…tN获得原始数据xij(tk),再将原始数据进行排列以构建时序立体数据表。由时序立体数据表支持的综合评价问题被称为动态综合评价问题,如式(1)所示。
y(tk)=f(ω1(tk),ω2(tk),…,ωm(tk);xi1(tk),xi2(tk),…,xim(tk)),k=1,2,…,N
(1)
其中,yi(tk)代表si在时刻tk处的综合评价值,为消除指标量纲,本文对原始数据进行标准化处理。对于时刻tk(k=1,2…N),设定综合评价函数如下:
(2)
为最大限度地体现各评价对象间的差异,本文采用(tk)的总离差平方和对权重系数ωj(j=1,2…m)进行刻画(由于对原始数据已进行标准化处理,所以
(3)
其中,
为m×m阶对称矩阵,
且Ak计算如式(4)所示。
(4)
限定ωTω=1,当取ω为矩阵H最大特征值所对应的特征向量时,σ2取最大值。最后,将特征向量ω归一化得到权重向量。
2.2.2 “EM”熵值法
首先,对原始数据进行标准化处理,计算变异系数如式(5)所示。
(5)
由此可以构建数据比重矩阵Y={yij}m×n。
其次,计算指标信息熵Ej,如式(6)所示。
(6)
最后,计算差异性指数Dj以及指标权重ωj,其中差异性指数Dj=1-Ej,Dj与指标j包含的信息量成正比,权重计算如式(7)所示。
(7)
2.2.3 “VHSD-EM”纵横向拉开档次法与熵值法组合 评价模型
在指标评价方面,上述两种方法具有互补性,分别能够从静态与动态两个维度对指标进行刻画,同时兼顾指标信息量。因此,本文取两类指标权重的加权平均值作为“小巨人”企业数字化成熟度指标评价的最终权重,进而测算数字化成熟度最终得分。值得注意的是,为验证评价方法的有效性,本文运用Matlab软件对两种方法的评价结果进行斯皮尔曼等级相关性检验。
2.2.4 时间维度上的加权处理
本文采用厚今薄古归一化法对综合得分进行时间维度上的加权处理,得到“小巨人”制造企业数字化成熟度最终得分。厚今薄古归一化法处理数据的原理如下:时间维度上与当前时间距离越近权重越大,距离越远权重越小。在时间区间[t1,tN],时刻tk的时间权重如下:
(8)
测度指标zi在[t1,tN]的综合评价值如式(9)所示。
(9)
2019—2022年工业和信息化部累计培育4批专精特新“小巨人”企业,共8 997家,大部分属于制造业。2015年《中国制造2025》提出“三步走”建设制造强国的战略任务,传统产业与新一代信息技术深度融合发展。因此,本文聚焦“小巨人”中的制造企业,考虑到政策实施效果具有时滞性以及数据的可比性,选取2016—2022年专精特新“小巨人”制造企业全部A股上市公司(共732家)作为初始样本企业,剔除ST、*ST企业、年报缺失样本企业,最终得到262家样本。本文相关数据来源于WIND数据库、CSMAR数据库、上市公司官网。
在数字化相关词频统计方面,A1指标中,数字人才应用专业化以及管理层职务设立数据来自公司年报,管理层数字创新导向包括前瞻性、持续性、广度和强度4个方面,统计范围限定为年报中“管理层讨论与分析”部分。其中,前瞻性选取第一次出现数字化转型特征词的年份与当前年份的差值,无相关词记则为0;持续性选取截至当年年报出现数字化转型特征词的年份数量总数衡量;广度以现数字化转型特征词的种类衡量;强度选取数字化转型特征词总字数(关键词长度*词频)占“管理层的讨论与分析”部分总字数的比值测量。A12指标采用剔除“管理层讨论与分析”内容后,由数字化转型带来的技术、业务、流程转变3个维度关键词在年报中出现的总频次测量。借鉴范合君[1]的研究成果,A5指标中的产业链依赖度采用焦点企业与前五大供应商、前五大客户交易金额占年度采购总额的比值衡量,该值越大表明产业链依赖度越高。其余数据来自上市公司年报。
本文运用Matlab软件对“VHSD-EM”组合评价模型进行测算,得出两种方法下2016—2022年样本企业各年度得分值,并对基于两种评价方法的得分进行相关性检验。表2结果显示,采用两种方法测算的分值显著正相关,因而本文选取的组合评价模型具有较好的稳定性。
表2 斯皮尔曼等级相关性检验结果
Table 2 Test results of Spearman's rank correlation
变量2016201720182019202020212022斯皮尔曼相关系数0.746∗∗0.760∗∗0.747∗∗0.774∗∗0.764∗∗0.751∗∗0.770∗∗
注:***、**和*分别表示在1%、5%和10%的水平下显著,下同
本文通过运行Matlab软件获得考察期内每个年份的得分值,运用厚今薄古归一化法进行二次加权,得到各样本企业最终评价得分。限于篇幅,本文仅展示数字化成熟度排名前20与后20企业得分情况,见表3—表4。
表3 数字化成熟度综合排名前20“小巨人”企业
Table 3 Comprehensive ranking of digital maturity of the top "little giant" enterprises
排名证券简称所在省市行业数字化成熟度最终得分1欧比特广东半导体产品与半导体设备0.5512汉威科技河南电子设备、仪器和元件0.5183佳讯飞鸿北京通信设备0.5014神思电子山东电子设备、仪器和元件0.4825海兰信北京电子设备、仪器和元件0.4666中海达广东航空航天与国防0.4667创远信科上海电子设备、仪器和元件0.4468古鳌科技上海电子设备、仪器和元件0.4299永鼎股份江苏通信设备0.42610安科瑞上海电气设备0.42011精测电子湖北电子设备、仪器和元件0.41612GQY视讯浙江电脑与外围设备0.41013荣泰健康上海医疗保健设备与用品0.39714远方信息浙江电子设备、仪器和元件0.39415东材科技四川化工0.39316回天新材湖北化工0.38917振芯科技四川航空航天与国防0.38918凯发电气天津电气设备0.38919天瑞仪器江苏电子设备、仪器和元件0.38720中科电气湖南化工0.380
表4 数字化成熟度综合排名243～262位“小巨人”企业
Table 4 Overall ranking of digital maturity of "little giant" enterprises from the 243rd-262nd
排名证券简称所在省市行业数字化成熟度最终得分243丰安股份浙江机械0.078244山东威达山东机械0.075245恒进感应湖北机械0.073246中矿资源北京金属、非金属与采矿0.070247弘亚数控广东机械0.069248华宏科技江苏机械0.067249科创新材河南金属、非金属与采矿0.066250中钢天源安徽专业服务0.066251昆工科技云南金属、非金属与采矿0.065252浙江大农浙江机械0.064253天马新材河南金属、非金属与采矿0.064254惠丰钻石河南金属、非金属与采矿0.059255华斯股份河北纺织品、服装与奢侈品0.058256汉钟精机上海机械0.057257法尔胜江苏金属、非金属与采矿0.056258恒立钻具湖北机械0.055259瑞奇智造四川机械0.053260远航精密江苏金属、非金属与采矿0.051261春光药装辽宁机械0.051262华密新材河北汽车零配件0.042
通过对比分析可知,相比于空间分布,“小巨人”企业数字化成熟度的行业分化差异更为显著。从所在省份看,“小巨人”企业数字化成熟度分布错落有序,不存在较为显著集聚趋势;从行业分布看,“小巨人”企业数字化成熟度综合分值排名前20的企业大部分属于半导体、电子设备、仪器和元件、通信设备和化工等行业企业,排名后20的企业属于机械、金属、非金属与采矿、专业服务和汽车零配件等传统制造企业。本文以“小巨人”企业数字化成熟度的综合分值为基准,采用四分位点法将其划分为4个等级(高成熟度、较高成熟度、较低成熟度、低成熟度),综合评分如表5所示。
表5 “小巨人”企业数字化成熟度等级划分
Table 5 Digital maturity level of "little giant" enterprises
等级范围数字化成熟度主要行业Ⅰ>0.307高电子设备、仪器和元件;电气设备;半导体产品与半导体设备;通信设备Ⅱ0.245～0.307较高化工;电子设备、仪器和元件;制药;汽车零配件Ⅲ0.19～0.245较低机械;化工;电气设备;汽车零配件Ⅳ0.04～0.19低机械;金属、非金属与采矿
为探究“小巨人”企业是否存在数字化转型“数字鸿沟”问题[2],以及“小巨人”企业数字化成熟度演化规律,本文从行业维度、空间维度和影响因素3个层面对“小巨人”企业数字化成熟度测度结果作进一步分析。基于样本代表性和测算结果客观性,本文剔除企业样本数量低于5的子类别,筛选后的子样本涵盖数字化成熟度4个等级,且在行业与省份维度上不低于样本总量的90%,基于各年份“小巨人”企业数字化成熟度均值对演化规律进行分析。
3.3.1 行业维度上的“小巨人”企业数字化成熟度演变分析
整体来看,“小巨人”企业数字化成熟度两极分化情况较为严重,通信设备行业和电子设备、仪器、原件行业依托行业优势率先引入5G、物联网、人工智能等新技术推动数字化建设,具有较高的数字化成熟度水平;以机械和金属、非金属与采矿为代表的传统行业技术集成难度较高,数字化成熟度水平较低,与其它行业存在显著差距。
在时间维度上(见图2),2020年通信设备行业数字化成熟度呈现较为明显的波动,这与中国不断推进企业数字化转型以及5G技术商业应用密切相关。此外,2020年通信行业在行程大数据、远程会议、远程医疗、云直播等非接触式服务方面发挥了巨大作用,促进了数字化成熟度提升,同时降低了其它领域企业数字化转型成本。
图2 行业维度演化分析情况
Fig.2 Evolution analysis in industry dimension
对比考察期内其它行业,电子设备、仪器和元件行业作为数字技术使用载体具有较高的数字化成熟度。受智能制造、物联网等数字技术的影响,电气设备行业数字化成熟度提升幅度最大。2018年半导体产品与设备行业数字化成熟度呈现显著下滑趋势,可能与中美贸易关系的紧张局势密切相关,企业致力于解决“卡脖子”技术问题而疏于数字化建设。机械行业数字化成熟度综合评分基数较低,但整体呈现稳步上升趋势,具有较大的增长潜力。金属、非金属、采矿行业数字化成熟度低于其它行业,主要由行业特性决定,其生产过程包括采矿、加工、冶炼等环节,涉及大规模机械设备和复杂工艺,因而需要借助数字技术并投入大量设备、软件、资金对整个产业链进行升级。此外,上述行业企业生产过程对稳定性要求较高,而数字技术应用可能带来风险。在时间维度上,航空航天与国防、生物科技、化工、汽车零配件和制药行业数字化成熟度均值波动不显著,存在一定提升空间。
3.3.2 空间维度上的“小巨人”企业数字化成熟度演变分析
从空间维度看(见图3),随时间推移,各地区“小巨人”企业数字化成熟度变动幅度较大,且数字化成熟度存在较大的地区差异。以北京、上海为代表的中心城市,以及以广东、福建为代表的东南沿海地区“小巨人”企业数字化成熟度普遍较高。考察期内,上海“小巨人”企业数字化成熟度得分均值呈现稳步提升趋势,仅次于北京;山东、安徽、河南和辽宁“小巨人”企业数字化成熟度得分均值处于较低水平,这与以往研究结论高度一致[2]。其中,山东和河南数字化成熟度评分均值呈现稳步提升趋势,具有一定的增长潜力。整体上看,“小巨人”企业数字化成熟度评分均值增长幅度最大的省份为河北,这可能与“雄安新区”建设密切相关。分区域看,数字化成熟度排序依次为中心城市、东南沿海地区、南部地区、西部地区、北部地区。
图3 空间维度演化分析
Fig.3 Evolution analysis in spatial dimension
当前,专精特新“小巨人”企业数字化转型程度普遍较低。余澳等[32]研究发现,企业规模、行业类别、生命周期与数字化转型程度密切相关,相对于数字化生产要素和数字运营能力等内部因素,外部资金支持、产业数字平台、政府政策及营商环境等外部因素更为关键;张新[33]指出,受限于资源,中小企业难以与大型企业竞争,政府补贴等外部支持是前者数字化转型成功的支撑。参考上述研究成果,本文探讨关键外部要素对“小巨人”制造企业数字化成熟度的影响。结果发现,政府补贴不仅能够为“小巨人”企业提供资金支持,而且具有政策导向性,可为企业数字资源获取带来便利。由此,加大财政科技支出有助于建立完整的数字经济系统,进而增强中小企业数字化转型动能。此外,“小巨人”企业主导产品拥有关键核心技术,精细化程度高、规模小且竞争激烈,因而本文将企业规模和市场竞争强度纳入研究范围,并对解释变量进行对数化处理以确保数据的平稳性。由于被解释变量存在左右侧归并,本文选取能够较好处理此类数据的Tobit模型进行回归分析[20],具体研究模型如式(10)所示。
Dit=α0+α1lnGit+α2lnPit+α3HHIit+α4lnSit+εit
(10)
其中,Dit代表企业数字化得分,αi(i=1,2…)为解释变量的系数,εit为扰动项,Git、Pit、Sit分别代表政府补助、地方财政科技支出和企业规模,HHI为采用赫芬达尔指数计算的市场竞争强度。此外,为探究以上因素对不同数字化成熟度样本企业的影响,本文构建5个回归模型,模型1代表总体样本,模型2—模型5分别代表4个成熟度等级样本企业,实证估计结果如表6所示。
表6 Tobit模型回归结果
Table 6 Tobit regression results
被解释变量(1)(2)(3)(4)(5)政府补贴(lnGit)0.005∗∗(2.34)0.011∗(3.38)-0.002(-1.29)0.001(0.72)0.004∗(1.89)地方财政科技支出(lnPit)0.317∗∗∗(2.75)0.628∗∗∗(4.45)0.123∗(1.68)-0.043(-0.93)0.095(0.93)市场竞争强度(HHIit)-0.107∗∗∗(-6.48)-0.053(-1.29)-0.014(-1.52)0.009(1.24)-0.032∗∗∗(-2.64)企业规模(lnSit)0.015∗∗∗(5.27)0.004(1.04)0.010∗∗∗(5.20)0.001(0.97)0.010∗∗∗(4.31)Constant-0.1680.0660.0850.191-0.177样本量26266656665R2-0.063 9-0.037 4-0.030-0.002 0-0.071 0LR198.79∗∗∗48.61∗∗∗55.33∗∗∗4.06107.13∗∗∗
注:括号中数字为稳健t统计量
由表6可知,市场竞争强度对“小巨人”企业数字化成熟度具有负向影响,而政府补贴、地方财政科技支出、企业规模均对“小巨人”企业数字化成熟度具有显著正向影响,但不同数字化成熟度等级企业样本间存在较大差距。高数字化成熟度企业依托行业优势在市场中占据领先地位,此时政府补贴和地方财政扶持能够为其数字化硬件和软件建设提供资金,促进企业数字化成熟度进一步提升。受限于企业规模,高数字化成熟度样本企业数字资源有限,此时扩大规模能够加速数字技术运用与升级,在财政科技支出的扶持下企业能够实现数字化成熟度跃迁。4个外部要素对低数字化成熟度样本企业的影响均不显著,可能原因是机械、化工、汽车零配件等行业对数字技术需求不高,企业内部缺乏数字生产要素,对数字化建设重视不足,且数字运营能力较差。因此,企业可以通过数字化改造促进自身数字化成熟度提升。低数字化成熟度企业大多属于机械、金属、采矿等传统行业,其数字化成熟度受内外部因素影响(除数字技术需求、数字生产要素等内部要素外,还受到规模和市场竞争强度的影响),数字化成熟度提升存在一定难度。
本文依据《优质中小企业梯度培育管理暂行办法》,基于工业和信息化部提出的《中小企业数字化水平评测指标》,以数字化赋能“小巨人”企业独特优势为抓手构建指标评价体系,采用“VHSD-EM”评价模型对2016—2022年262家专精特新“小巨人”企业数字化成熟度进行测度及评价,将各年度得分值进行二次加权后汇总得到综合评分,并划分为Ⅰ、Ⅱ、Ⅲ、Ⅳ共4个数字化成熟度等级,得出以下主要结论:
(1)依据“专、精、特、新、链、品”6个维度的数字化赋能程度,将“小巨人”企业划分为4个成熟度等级,结果发现,在行业方面,各等级样本具有显著集聚趋势。
(2)行业维度呈现断裂式两极分化态势,其中,通信设备、电子设备、仪器和元件以及半导体行业占据绝对优势,以机械、金属、非金属和采矿为代表的传统制造行业数字化成熟度较低,存在提升空间。
(3)从空间维度看,考察期内各地区“小巨人”企业数字化成熟度波动幅度较大且存在显著地区差异,数字化成熟度依次排序为中心城市、东南沿海地区、南部地区、西部地区、北部地区。其中,河北借力“雄安新区”成为数字化成熟度提升速度最快的地区,具有较大发展潜力。
(4)影响因素方面,政府补贴、财政科技支出、市场竞争强度、企业规模对“小巨人”企业数字化成熟度具有显著影响。分样本看,政府补贴、财政科技支出仅对高数字化成熟度的“小巨人”企业产生影响,不同数字化成熟度样本企业受企业规模的影响显著,市场竞争强度对低数字化成熟度“小巨人”企业具有显著负向影响。
(1)“小巨人”企业可以基于“专、精、特、新、链、品”6个评价标准度量各维度数字化水平,明确自身定位。以同行业中高数字化成熟度“小巨人”企业为标杆,了解数字化成熟度提升路径及步骤,在掌握标杆企业数字化转型策略、挑战、持续性和演化动态的基础上,促进业务升级、流程改造、全产业链协同,利用数字技术积极推动自身运营效率提升。
(2)基于不同行业在数字化赋能方面面临的挑战,政府可以提供针对性政策支持。尤其对于传统制造业,政府应引导制造企业强化数字智能化价值取向,提供资源、培训和资金支持,鼓励企业结合自身需求进行跨行业数字化合作,打造数字化生态链,从而加快整个行业数字化进程。
(3)政府应加强数字经济水平较低地区数字化建设,识别数字经济不同维度的贡献,基于区域数字建设需求制定数字化战略,设立区域数字建设基金,增加数字基础设施投入,以提高公共服务领域数字化和智能化水平。此外,需深化教育体制改革,推动产学研深度融合,培养数字化专业人才,促进“小巨人”制造企业数字化成熟度提升。
(4)对具有不同数字化成熟度的“小巨人”制造企业提供针对性政策支持。对于低数字化成熟度的“小巨人”企业而言,应着力推进内部数字化建设,树立数字化转型意识,引进和培养数字化专业人才,加强数字技术运用,加大硬件投入;对于高数字化成熟度的先进制造企业而言,应以财政补贴和金融政策为主,鼓励其扩大企业规模,加快数字技术更新迭代,从而进一步促进企业数字化成熟度提升。
[1] 范合君,吴婷,何思锦.企业数字化的产业链联动效应研究[J].中国工业经济,2023,41(3):115-132.
[2] 董香书,王晋梅,肖翔.数字经济如何影响制造业企业技术创新——基于“数字鸿沟”的视角[J].经济学家,2022,34(11):62-73.
[3] 丁永健,吴小萌.“小巨人”企业培育有助于提升制造业中小企业创新活力吗——来自“专精特新”政策的证据[J].科技 进步与对策,2023,40(12):108-116.
[4] 张米尔,任腾飞,黄思婷.专精特新小巨人遴选培育政策的专利效应研究[J].中国软科学, 2023,38(5):33-43,53.
[5] 丁建军,刘贤,王淀坤,等.国家级专精特新“小巨人”企业空间分布及其影响因素[J].经济地理,2022,42(10):109-118.
[6] 丁建军,王淀坤,刘贤.长三角地区专精特新“小巨人”企业空间分布及影响因素研究[J].地理研究,2023,42(4):1009-1028.
[7] 王瑶,曾德明,李健,等.桥接科学家创始人与企业技术创新绩效——基于专精特新“小巨人”企业的分析[J].科学学研究,2023,41(9):1690-1701.
[8] 陆洋,王超贤.数字化转型量化评估研究的比较分析与最新进展[J].科技进步与对策,2021,38(9):152-160.
[9] RÖGLINGER M,PÖPPELBUß J,BECKER J.Maturity models in business process management[J].Business Process Management Journal, 2012,18(2):328-346.
[10] 蒋鑫,周轩.数字化成熟度模型:研究评述与展望[J].外国经济与管理,2024,46(1):71-91.
[11] 朱伟,尹丽波,周剑等.创新驱动, 高质发展——埃森哲中国企业数字化转型指数[R].国家工业信息安全发展研究中心,两化融合服务联盟,埃森哲公司,2018.
[12] LEYH C, SCHFFER T, BLEY K, et al. SIMMI 4.0—— a maturity model for classifying the enterprise-wide it and software landscape focusing on Industry 4.0[C]. Federated Conference on Computer Science and Information Systems IEEE, 2016.
[13] 王瑞,董明,侯文皓.制造型企业数字化成熟度评价模型及方法研究[J].科技管理研究,2019,39(19):57-64.
[14] SJÖDIN D R, PARIDA V, LEKSELL M, et al. Smart factory implementation and process innovation: a preliminary maturity model for leveraging digitalization in manufacturing moving to smart factories presents specific challenges that can be addressed through a structured approach focused on people, processes, and technologies[J]. Research-Technology Management, 2018,61(5): 22-31.
[15] EILEEN D,TORSTEN E,DANIEL F, et al. A maturity model for assessing the digitalization of public health agencies[J].Business Information Systems Engineering,2023,65(5):539-554.
[16] 王核成,王思惟,刘人怀.企业数字化成熟度模型研究[J].管理评论,2021,33(12): 152-162.
[17] PIROLA F, CIMINI C, PINTO R. Digital readiness assessment of Italian SMEs: a case-study research[J]. Journal of Manufacturing Technology Management, 2020, 31(5): 1045-1083.
[18] GOLLHARDT T, HALSBENNING S,HERMANN A,et al.Development of a digital transformation maturity model for it companies[C]//2020 IEEE 22nd Conference on Business Informatics (CBI), 2020.
[19] SCHUH G, ANDERL R, GAUSEMEIER J, et al. Industrie 4.0 maturity index: managing the digital transformation of companies[M]. Munich: Herbert Utz Verlag, 2017.
[20] 唐孝文,缪应爽,孙悦,等.高端装备制造企业数字化成熟度测度及影响因素研究[J].科研管理,2022,43(9):10-19.
[21] 王羲,陈雪姣,曹晶,等.数字化转型对企业高质量发展的影响——企业创新与风险承担视角[J].科技进步与对策,2024,41(7):1-10.
[22] 王昱,全捷,李良玉,等.制造企业数字化转型能否助推研发投入跳跃——来自非参数分位数面板的实证研究[J].科技进步与对策,2024,41(8):33-43.
[23] 李煜华,向子威,胡瑶瑛,等.路径依赖视角下先进制造业数字化转型组态路径研究[J].科技进步与对策,2022,39(11):74-83.
[24] 余艳,王雪莹,郝金星,等.酒香还怕巷子深?制造企业数字化转型信号与资本市场定价[J].南开管理评论,2024,27(8):185-196.
[25] WARNER K S R, WAEGER M. Building dynamic capabilities for digital transformation: an ongoing process of strategic renewal[J]. Long Range Planning,2019,52(3):326-349.
[26] MCAFEE A, BRYNJOLFSSON E, DAVENPORT T H, et al.Big data: the management revolution[J]. Harvard Business Review, 2012,90(10):60-68.
[27] 张林刚,戴国庆,熊焰,等.中国制造业数字化转型评价及影响因素——基于模糊集定性比较分析[J].科技管理研究,2022,42(7):68-78.
[28] 刘飞.数字化转型如何提升制造业生产率——基于数字化转型的三重影响机制[J].财经科学, 2020,64(10):93-107.
[29] 刘淑春,闫津臣,张思雪,等.企业管理数字化变革能提升投入产出效率吗[J].管理世界,2021,37(5):170-190,13
[30] 王晓川,孙秋雨.黄河流域产业匹配动态演变及其对经济高质量发展的影响——以高端服务业与先进制造业为例[J].经济问题,2023,45(6):120-129.
[31] 郭亚军.综合评价理论、方法及拓展[M].北京:科学出版社,2012: 40-41
[32] 余澳,张羽丰,刘勇.“专精特新”中小企业数字化转型关键影响因素识别研究——基于1625家“专精特新”中小企业的调查[J].经济纵横,2023,39(4):79-89.
[33] 张新,徐瑶玉,马良.中小企业数字化转型影响因素的组态效应研究[J].经济与管理评论,2022,38(1):92-102.