制造企業數字化轉型：數據要素賦能傳統要素的視角

呂 鐵，李 冉

(1.中國社會科學院 工業經濟研究所，北京 100006；2.中國社會科學院大學 應用經濟學院，北京 102488)

一、引言

改革開放后，中國經濟發展進入快車道，一躍成為世界第二大經濟體，其中作為支柱產業的制造業功不可沒。隨著收入水平的持續提高，消費者對于商品的消費需求也在不斷升級，但供給側卻落后于需求側的變化，市場出現商品供需結構失衡，造成產能過剩和資源浪費。加之，當前國際局勢復雜多變，國內也面臨著人口老齡化、“卡脖子”技術等發展困境。鑒此，制造業亟待通過供給側結構性改革以實現轉型升級。基于數字經濟的快速崛起，數字技術可為制造業重構增長動力提供有力支撐，數據要素也得以形成并廣泛應用，制造企業應抓住此契機，全面推進數字化轉型，以更好應對要素成本上升和創新性不足等嚴峻挑戰。

數據要素主要來源于數字技術的投入使用，但不是任何數據都可稱為生產要素。隨著信息技術的發展與普及，數據得以產生但總量有限，內含的有價值的信息也有限，不具備成為生產要素的基本條件，因此衍生出“索洛悖論”[1]。而數字技術的運用能夠產生大量數據資源，使數據量呈指數級增長，以ZB為單位計量的海量數據等待被處理和挖掘，是數字時代的潛在財富來源。需要指出的是，數據資源與數據要素不是同一概念。數據資源是基于新型基礎設施采集到的海量原始數據，其價值密度相對較低，需要運用數據抽取、數據清洗和數據標注等數據處理技術進行基礎性挖掘，進而將數據資源“化簡”為具備低噪音、準確分布、可廣泛使用等特點的數據要素，此即本文論述的核心變量[2][3]。

制造企業作為一類經濟主體，曾一度被比作為“黑箱”，原因在于只有最初的原材料投入以及最終的成品產出是顯性可見的，其間的生產和管理等過程的隱性作用機制未被揭示。直到分離出資本、勞動力和土地要素，逐漸擴展到技術、企業家才能要素，才得以將“黑箱”打開，了解到企業內在的運作機制以及從原材料到產成品的全過程。隨著信息時代的到來，信息的價值不言而喻，通過對承載信息的數據進行收集分析，能夠為提高企業能力和效率提供改進的方向和途徑。但在傳統運營模式下，企業基本不具備對海量數據進行采集、存取和挖掘分析的數據能力，也無法發揮數據要素的價值及其賦能作用。數字時代的到來使制造企業的數據能力得以提升，數據要素廣泛應用，尤其可利用數據要素對資本、勞動力和技術等傳統要素進行賦能，提升企業在要素使用、要素配置和創新方面的能力，進而推動數字化轉型，實現降本增效和新的價值創造，增強市場競爭力，助力制造業逐步擺脫供需失衡困境。

本文從數據要素賦能傳統要素的視角探究制造企業數字化轉型的內在邏輯，并據此提出推進數字化轉型的現實路徑，即通過構建數據能力以發揮數據要素賦能作用，促進企業要素使用、要素配置和創新等關鍵能力提升，最終實現降本增效和新的價值創造，以期為制造企業數字化轉型提供理論依據和實踐參考，助力制造業實現高質量發展。后續內容安排如下：第二部分主要圍繞數據要素對現有文獻進行簡要回顧，明確本文的落腳點；第三部分從微觀企業層面，對數據要素賦能資本、勞動力和技術三種傳統要素的作用機制進行詳細論述，闡明數字化轉型的內在邏輯；第四部分進一步明確制造企業數字化轉型的現實路徑，以及改善傳統要素質量的重點。

二、文獻綜述

現有關于數字化轉型的研究主要集中在數字技術[4][5]、轉型領域[6]和轉型效果[7][8]等視角，從數據要素賦能角度進行研究的文獻尚不多見。但在數字化轉型過程中，數據要素是關鍵基礎，是整個進程得以持續運轉的核心要素。

一些研究表明，數據要素的有效使用可幫助企業提高收益和競爭力。從信息技術的歷史發展來看，美國20世紀90年代末的生產力復興與之聯系緊密。信息技術密集型行業的生產率增長顯著高于其他行業，且信息技術資本積累與勞動生產率之間存在很強的正相關性，幾乎所有的生產力增強都可以追溯到生產或使用信息技術最密集的行業[9]。Müller et al.(2018)[10]視大數據分析(BDA)為一種資產，利用一套包含814家公司在2008—2014年的BDA解決方案和財務業績面板數據，指出動態BDA資產與企業生產率提高有顯著相關性，平均水平可提高3%～7%，且IT密集型行業的企業利用BDA資產獲取價值的效應顯著。另外，還有研究從大數據的主要特征角度出發進行探討。大數據有三大特征，分別為數量、多樣性和速度(簡稱“3V”)。實證檢驗表明，數據的多樣性和速度對企業創新績效有顯著促進作用，但數據量沒有顯著影響。數據量在提高企業創新績效方面沒有起到關鍵作用，這一發現與“大數據越多越好”的普遍觀點相矛盾。此外，數據速度對企業創新績效的提高作用強于另外兩個特征，這意味著，相比于關注大規模不同種類的數據集成，實時分析和解釋數據以快速迭代研究結論發揮著更重要的作用[11]。

與傳統生產要素相比，數據要素不具有消耗性和競用性的特點。將數據要素納入生產流程后，數據并不會消耗殆盡，反而有可能持續增加，并且被多個組織同時使用。但數據要素不可脫離傳統要素，否則無法成為具有生產力的要素，也不會為企業帶來收益。現有研究提供了一些數據要素賦能傳統要素的應用場景，論述了數據相關能力形成和企業能力提升的過程。在勞動力要素方面，Brynjolfsson et al.(2016)[12]認為，新型數字技術極大增加了管理者可獲得數據的規模和范圍，對就業率更高、IT投資更大、受教育員工比例更高和企業學習方式更多樣化的制造工廠而言，數據驅動決策的比例更大，生產管理效率更高。更具體看，數據要素還會因為勞動力受教育水平的不同，從而對企業生產率造成影響：外生性的寬帶互聯網應用有利于提高熟練勞動力的相對生產率，對于科技、工程和商業等領域的大學畢業生來說，技能勞動生產率的提高尤其大。相比之下，寬帶互聯網是受教育水平為高中以下工人的替代品，顯著降低了其邊際生產率[13]。在資本和技術要素方面，Chen et al.(2015)[14]基于組織動態能力理論，從資本生產率和業務增長兩個角度闡釋大數據分析如何影響企業價值創造。企業組織可以通過大數據分析的手段開發信息處理能力，并將這些綜合信息引流給職能供應鏈部門的相應決策者，以減少現金、庫存和過剩產能，降低不確定性和風險，用“信息代替庫存”[15]。特別是在動態市場中，僅僅通過優化現有資源配置很難獲得長期競爭優勢，而大數據分析能夠助力組織在供應鏈的不同階段實現一系列臨時優勢的技術改進。例如，對銷售點(POS)數據的實時分析可能會為特定客戶群帶來更具吸引力的定價或服務；對庫存和運輸數據的實時分析也可為縮短交貨期和提高產品可用性創造機會，從而提高銷售。在能力方面，焦豪等(2021)[16]基于數據全生命周期管理的視角，發現數據分析、運營和賦能平臺分別發揮不同特性的數據驅動效應。在數字化情境下，考察機會感知、機會把控和變革重構三種企業動態能力，其分別激發上述三種數據驅動效應，推動數字化轉型進程，實現業務模式和流程管理創新。還有學者基于資源編排視角，從數字重組、數字捕獲、數字感知三個維度出發，揭示在數字技術變化背景下制造企業數據驅動動態能力的形成與演化過程，以對數字化轉型提供一定指導[17]。

以上相關研究大都著眼于某一特定傳統要素進行探討，或主要用實證方法檢驗賦能作用是否存在，沒有系統刻畫數據要素對各類傳統要素的賦能機制，也沒有突出某一行業或產業的特點，且未建立要素與能力之間的聯系，尚未勾勒出全面且清晰的數字化轉型過程。對于制造業而言，生產經營投入一般包括資本、勞動力和技術三種傳統要素。舉例來說，其生產運營過程需要投入設備和原材料等資本品，需要招募掌握相應技能的勞動力，需要不斷進行技術革新保持競爭力。用于衡量生產經營效果的指標主要包括要素使用、要素配置和創新三種效率，若要實現效率改進，則需對應的三種企業能力有所提升。本文基于現有文獻，從數據要素角度出發，對制造企業的數字化轉型過程進行討論，重點剖析數據要素分別賦能三種傳統要素的作用機制，并在此基礎上，進一步將要素和能力相聯系，探討數據能力如何促進企業能力提升，以厘清數字化轉型的內在邏輯和現實路徑，更好實現降本增效和價值創造的目標。

三、數據要素賦能傳統要素的作用機制

制造業包含多個細分行業，不同行業各具特點，其數字化轉型之路也有所區別。例如，對于服裝業來說，實現服裝制作各模塊生產的數字化較容易，但各模塊之間的連接方式種類繁多，因此仍需要人工密集勞動，難以實現生產全過程的數字化，甚至自動化也面臨較大障礙。但對于通用設備等裝備制造業而言，各個組件的性能參數往往是可以被窮盡且標準化的，可以運用數字技術根據生產需要對設備相關參數進行調整，以實現全流程數字化。因此，在數字經濟背景下，這里基于高度概括的一般生產流程和生產函數設定，試圖分析數據要素如何賦能傳統要素，以厘清轉型過程的內在邏輯。

單個企業作為經濟活動理性主體，其經濟行為目標是利潤最大化，反映在生產過程中，即追求要素投入成本降低和產出效率提升。一般來說，衡量企業投入成本和產出效率的有效工具為生產函數。在經濟學的理論框架中，為了簡化分析且不失代表性，通常忽略土地要素，只考察資本和勞動力兩種要素的投入產出，由此可將生產過程大致分為資本密集型和勞動密集型。但隨著技術不斷進步帶來的突出貢獻，不得不將技術要素也內生化。當前，數字時代的到來又催生出數據要素，生產要素的內涵進一步擴大：數據要素通過分別賦能資本、勞動力和技術三種傳統要素，提高傳統要素使用效率，優化要素資源配置，促進創新活動，推動企業數字化轉型，助力實現降本增效和新的價值創造。

(一)數據要素賦能資本要素

制造業所涉及的資本要素一般包括廠房、機器設備和原材料等物質形態的中間投入品，在生產過程中一次性或分多期消耗，轉換為產成品增值的一部分，這里所討論的資本要素即主要指上述實物資本。在中國經濟高速增長的三十余年里，投資作為拉動經濟的“三駕馬車”之一，一直發揮主要作用。其內在動因是：資本相對勞動力要素而言屬于稀缺要素，不斷投入資本能夠實現遞增的邊際收益。隨著經濟發展步入新階段，投資驅動經濟發展的方式不可持續。對于大部分制造企業而言，應在現有資本存量基本穩定的前提下，加快資本折舊，提高使用效率，盤活現存資本，不斷更新換代，而數據要素的引入正是提供了這樣的轉型契機。

1.資本要素投入使用存在摩擦。生產活動是制造業的核心領域和創造價值的主要環節，這里以生產活動為例，討論資本要素投入使用的摩擦問題。企業的生產流程一般可作如下總結：根據下游企業的生產訂單和具體需求排定生產計劃，依據相應原材料的庫存信息和生產所需進行采購和出入庫管理，按照訂單需求將原材料投放到對應的生產線或工序上進行生產，并初步產出一批樣品，對其進行嚴格質量檢測，根據檢測結果決定是否對設備參數等指標進行調整，再進行批量生產，最終得到滿足客戶需求的合格產成品。但在實際生產中，關鍵數據可得性問題、機器設備優化問題、各環節銜接問題等層出不窮，大大降低了生產活動的效率。

依照生產制造的一般流程來看，資本要素的投入使用主要存在以下摩擦問題。在接收訂單和排產階段，當企業接收到數份不同產品的生產訂單時，由于無法獲取原材料的實時庫存、生產設備的實時使用狀況和生產效率等數據，使得人工排產的重要參考信息缺失，往往需要消耗較長時間制定生產計劃，甚至導致排產不合理，影響交貨時效。在采購原材料階段，由于生產過程中的數據可得性和豐富性不高，即使是關鍵工序的相關數據，最快也只能保持日更頻率，導致生產用料無法準確估計，往往需要更多的原材料儲備以備不時之需，極易導致意外庫存和無序堆積，造成資源浪費。在投入生產階段，各個生產設備僅僅是孤立的物理實體，無法將在產品的來源(即原材料)和去向(即產成品)以及工作時長、生產進度等實時信息向外傳遞，也無法與其他設備進行信息交互。生產計劃完成情況信息的采集頻率較低，無法實現精確的實時統計，原材料與產品數量易出現較大偏差。例如，某一生產線上的機器發生故障時，不能及時將信息傳遞給后續設備，以暫時停止工作或啟用備用設備，并向專業維護人員報警，提供故障參數，及時止損，甚至影響整個生產計劃的執行與完成。最后，就整個生產過程來看，與全局可視化還有較大差距，只能保證原材料投入量、產成品產量等幾個關鍵節點數據的時效性和有效性，眾多原材料、在產品、產成品之間尚未建立清晰明確的對應關系。若產成品出現問題，無法立即查明其原材料供應商、經歷工序、操作設備編號、操作人員姓名和關鍵工藝參數等信息，不利于產品質量的保障與升級。

2.數據要素賦能資本要素以減少使用摩擦，暢通生產流程。引入數據要素并賦能資本要素將是解決上述問題的有效途徑，其基本邏輯如圖1所示。在圖1的框架中，假設企業僅投入使用一種多用途原材料和三條生產線，每條生產線僅由2臺生產設備組成，且得到的產成品不同，以便對數據要素賦能資本要素的作用機制加以分析。數據要素不同于資本要素，其流向既可以單向也可以雙向。

圖1 數據要素賦能資本要素

資料來源：作者繪制

數據要素的賦能作用使生產流程從單向流動模式轉變為不斷迭代升級的循環模式。隨著數字技術投入使用，市場需求、生產計劃和實時庫存等信息都通過實時更新的大數據傳遞。在接收訂單和排產階段，生產部門可根據各類生產計劃對產品特點、質量以及交期等具體需求，在系統中輸入相應參數實現自動排產，避免因收集排產所需的相關信息耗時過長或生產環節銜接不流暢，進而拖延生產用時，降低生產效率。在采購原材料階段，采購部門可以依據由生產部門實時共享的生產計劃及大數據資源，實現自動平衡利庫，確定適當的原材料采購數量，減少原材料、在產品以及產成品的積壓，避免不必要的資源浪費。在生產過程中，機器設備可以通過傳感器等技術將生產參數、工作效率等數據實時返回到生產數據分析平臺，設備之間也可以進行信息交互，實現生產計劃完成情況的精準實時反饋，勞動力也可以對生產流程進行實時掌控和調整。孤立的生產設備發展為具有邊緣計算能力的智能設備，再到工業互聯網環境下的泛在互聯，企業通過建立起設備與設備之間、設備與勞動力之間的有效聯系，提高生產效率。

另外，基于生產流程的數字化可以實現對每一單位產成品追根溯源。在原材料入庫時，可運用RFID等數據采集技術對其進行逐個或逐單位標記，包括供應商名稱、原材料名稱以及型號等信息。其后對產品在產環節的每一步分別進行疊加標記，使每一單位產成品都擁有自己獨一無二的“數據身份證”，便可據此追溯到所經歷的每道生產工序和供應商來源等信息，有助于優質供應商的篩選和產品質量提升。

(二)數據要素賦能勞動力要素

勞動力要素是明確勞動目的、明晰勞動內容及方式方法的勞動者，是價值創造的源泉。對于制造業來說，勞動力要素的地位舉足輕重。中國之所以能夠成為制成品出口全球的“世界工廠”，與天然的勞動力比較優勢(即勞動年齡人口數量多、增速快、比重大)關系密切，人口紅利是經濟增長的重要源泉之一。但是，當前人口老齡化趨勢有增無減，勞動年齡人口的絕對數量持續下降，僅依靠勞動力數量優勢的發展模式不再可行，需要提升勞動力質量，將數量優勢轉化為質量優勢。

1.勞動力要素投入使用存在誤判。與討論資本要素的前提一致，這里以生產部門的勞動過程為例，分為前期布置、中期生產和后期改進三個階段進行探討。當企業尚處傳統發展模式時，在前期布置階段，往往僅依靠經理人或管理人員根據勞動力所擅長工作內容和工作績效等定期收集的信息來分配工作，這存在以下三點潛在風險：第一，人工收集以上數據需要耗費一定時間，可能造成工期延長；第二，因參考數據體量較小而產生誤判，從而制定不合理的任務安排，或不能充分挖掘勞動力潛力或施加過大工作壓力；第三，勞動力在接收到工作任務之前，大部分都難以達到企業對相關技能或知識的標準要求，需要進行產前培訓或通過“干中學”提高效率，在短時間內很難達到理想的或計劃的生產效率水平。在中期生產階段，無法實時采集工作績效數據。即使提高人工采集頻率也容易產生滯后，對日后分配生產任務的參考價值不高。另外，不合理的考核制度可能使員工對績效考核產生抵觸情緒，致使工作熱情和工作認同感下降，績效考核的激勵作用未充分發揮，還會阻礙勞動力生產潛力的挖掘。在后期改進階段，每當制造企業面臨新一輪技術變革時，將引致勞動力需求發生快速且巨大的變化，但勞動力供給卻因人力資本的投資回報周期較長而難以跟上變化的速度，于是出現“機器換人”“就業替代”等風險。歸根到底是因為部分勞動力所擁有的工作技能落后于技術的更新換代，沒有形成機器難以替代的技能，從而遭遇職業發展困境，影響企業生產效率。

2.數據要素賦能勞動力要素以增強人類勞動，促進人機協作。企業進行數字化轉型將推動數據要素發揮賦能作用，實現勞動力要素與數據要素融合發展，促使勞動力提效升級。如下頁圖2所示，僅以多個勞動力生產同一種產品為例，該產品只有一道生產工序，且可由每個勞動力分別操作一臺機器設備完成。數據要素的賦能改變了勞動力只接受生產指令的單向工作模式，轉變為“實時跟進工作效率—精細化派發任務”的雙向互動模式，從而增強人類勞動，促進人機協作。

在前期布置階段，生產部門可利用數字技術分析生產計劃和各勞動力既往生產效率等數據以及同類型勞動力的參考數據，以分配 “適當”的工作任務，啟用工作流，使勞動力自行領取工作任務，實現生產計劃從制定到落地的無縫銜接，減少不必要的時間浪費，最終達到縮短工期、加快企業生產循環的效果。同時也可使勞動力能夠盡快知曉工作任務，盡早著手學習相關知識或技能，在生產中提高勞動效率。其中，“適當”既指與勞動力個人能力和技能相匹配的工作內容，也指符合勞動力能力水平的績效考核指標。

在中期生產階段，勞動力生產各類產品的耗時、完成質量等績效數據可以被實時采集，并返回到生產數據平臺。經過初步數據處理后，可以實現對勞動力完成不同工作任務的生產效率進行精確量化和場景分析，這也是后續工作規劃不斷迭代過程中的重要參考依據。在此基礎上，還可以通過設立數字大屏或工位顯示屏，展示各工位的實時生產情況，激發勞動力的主觀能動性，挖掘生產潛力。當出現問題時，還可及時調取生產數據記錄，查找問題來源。

在后期改進階段，伴隨數字技術的大規模應用，勞動力所需的工作技能也需同步提升更新，如此才能實現數據要素與勞動力要素的和諧發展。數據要素的引入暢通了勞動力獲取生產計劃等關鍵信息的渠道，并可提供相關崗位專業能手的工作經驗和學習方法，促使形成“傳幫帶”學習小組以激勵自主學習與技能提升，幫助勞動力成長為兼具專業技術能力與組織、協作、規劃能力的復合型人才，完成就業轉型，實現人機協作共贏。

圖2 數據要素賦能勞動力要素

資料來源：作者繪制

(三)數據要素賦能技術要素

技術要素源于豐富的生產實踐以及各類科學研究，是經過提煉總結或反復實驗得到的知識或技能，這里所探討的技術主要包括產品技術和工藝技術。基于生產函數設定，制造企業的生產活動和生產效率必然受到各項技術水平的限制。我國制造業雖享有全產業鏈的優勢，但卻“廣而不精”，在一些前沿技術、核心技術和關鍵零部件元器件制造等方面遭到卡脖子威脅，加之新常態下經濟發展動能的轉換，倒逼技術更迭不斷加快，技術水平不斷提升，數據要素恰好能夠為這一過程提供強大動力。

1.技術要素投入使用存在偏差。技術的改進過程一般包括三個階段，即技術篩選、技術研發和技術迭代。在傳統技術改進過程中，技術篩選具有較強的慣性，即企業往往會根據生產實踐結果偏向于生產效率更高、應用范圍更廣的技術。但在當前需求升級速度遠快于企業匯總有效信息速度的背景下，消費者需求變化相對被忽略，舊的技術篩選過程所留下的“王牌技術”難以精準把握需求痛點，而更具發展潛力、靈活性較強的技術很可能因為企業的技術慣性被篩選出局，造成技術改進在前期就出現方向偏差。

隨后，企業將基于對既有技術的篩選開展技術研發。受技術慣性的影響，研發工作也可能出現偏差大、針對性弱、速度慢、人員覆蓋面窄等問題。若技術篩選出現方向偏差，而開辟全新技術創新領域的風險又較大，企業的技術研發將延續篩選過程的方向邁進，這將與需求升級現狀產生更大偏差。并且當一種新技術出現時，企業往往會爭相追趕技術熱潮，以期能將新技術盡快消化并為己所用，但盲目跟風的研發行為缺乏針對性，難以獲得預期的市場反饋與收益。此外，研發過程不僅涉及技術部門，還需要生產等部門加以配合，中間溝通環節眾多，且常常要進行反復試驗優化，盡可能追求可行范圍內的“質優價廉”，導致研發速度較慢，錯失發展良機。最后，傳統研發過程一般以研發人員和專利等創新成果為支撐，由相對固定的某一部門或項目組實現，人員覆蓋面窄，未充分利用企業內部現存人力資源。

技術迭代是指將技術篩選和技術研發的成果應用于實際生產，再根據相關反饋信息進行新一輪技術篩選和技術研發，并不斷循環迭代的過程。由上述分析可知，傳統技術篩選和技術研發無法精確把握消費需求信息，且衍生出配套新技術的生產工藝、組織結構的能力較弱，迭代循環效率低下。因此，即使投入再多的資本、勞動力等生產要素，企業邊際產量也不會有質的飛躍，甚至會出現遞減趨勢。

2.數據要素賦能技術要素以糾正改進方向并加快迭代速度。數據要素的賦能作用為有效解決上述問題予以支撐，圖3為數據要素賦能技術要素作用機制示意圖。在技術篩選階段，數據要素的引入將消費需求升級顯性化，弱化企業以自身為中心的篩選慣性[18]。數字技術的應用顛覆了制造企業效率低下的傳統信息采集過程，可以實時采集和分析消費者或下游企業的產品需求偏好數據，了解各類產品消費的動態信息，據此進一步預測長短期消費趨勢。企業可在既有技術應用的基礎上，依據數據要素提供的顯性化消費需求升級信息，判斷哪些技術更能適應動態變化的市場需求，修正技術篩選方向從而規避由信息受限導致的篩選慣性問題。

圖3 數據要素賦能技術要素

資料來源：作者繪制

在技術研發階段，數據要素的引入將進一步修正研發方向，并為拓展新的研發領域提供重點方向指引和可靠數據支撐，促進研發過程中各環節銜接，加快配套支持速度。首先，基于數據要素對技術篩選方向的修正，企業可以較大程度上避免研發方向與真實需求偏差過大的風險。同時，數據要素也為企業開辟新技術領域的研究提供海量參考資料，助力其尋找新的增長點，提升產品價值或生產效率，甚至填補技術空白。其次，經過對企業內外部大數據的分析，決策層和技術部門應對本企業的生產特性和技術發展現狀更為了解，對今后的技術發展規劃更為明確，降低了因追趕“技術熱”而盲目開展研發的可能性。再次，以數據要素為資源池開展的技術研發過程相對簡約化，且可信度較高。一是簡化與各個相關部門實地對接的工作流程，遵循敏捷高效的原則建立研發綠色通道，縮短研發周期；二是研發可用基礎數據呈指數級增長，不僅夯實了研發結果的可靠性，還增加了潛在成果的轉化概率，為及時把握市場機會提供了先決條件。最后，隨著人均受教育年限的增加，員工素質不斷提高，數據要素的引入和工作界面的擴展也為普通員工提供了豐富的一手資料和良好的創新平臺，為“全員創新”奠定技術基礎，在技術研發方面給予廣大員工更多的參與感和話語權，有利于充分挖掘現存人力資源。

在技術迭代階段，由于數據要素的賦能作用，技術篩選和技術研發基本都是依照市場需求導向進行的。因此，技術迭代也將由以技術慣性為基礎的剛性循環轉為以市場需求為基礎的柔性循環。另外，基于數據可得性的提高，新技術的配套工作將加速進行，逐步轉變為常態化工作機制。隨著技術迭代的不斷增速和柔性循環，企業活力得到釋放，生產效率也將逐步提高。

四、數據要素賦能傳統要素推動數字化轉型的現實路徑

以上從要素角度分析了數據要素賦能傳統要素推進制造企業數字化轉型的內在邏輯，進一步需探討的是，企業為解決突出問題而推進數字化轉型的現實路徑是什么。目前我國制造企業面臨的突出問題在于原材料、勞動力等要素成本快速上漲與產品附加值低、同質化競爭嚴重共同導致的盈利能力低下，企業發展內生動力不足。解決問題的關鍵在于如何提高企業的要素使用效率、要素配置效率和創新效率，以實現降本增效和新的價值創造。在傳統運營模式下，企業對數據的采集、存取和分析能力較差，對應三種效率的三個關鍵企業能力，即要素使用、要素配置和創新能力具有明顯上限，不足以應對復雜多變的市場環境和更好利用跨界要素資源。因此，為有效提升企業能力，制造企業需廣泛應用數據要素，發揮其對傳統要素的賦能作用，在此情境下，數據能力的重要性凸顯，成為推進數字化轉型的重要抓手。

數據能力是指企業采集、存取和挖掘分析數據，利用挖掘分析得到的數據要素驅動傳統要素的高效使用和配置，并支持企業技術創新、戰略決策等行為的能力。企業可使用傳感器和各類信息化辦公軟件等采集內部的設備運行數據和運營數據，并通過互聯網平臺和爬蟲技術等采集外部的供應鏈和用戶需求等數據，從而獲取采集內外部數據的能力。在對采集到的數據進行預處理后，企業還應具備對數據隨存隨取以及保障數據安全的能力，對于涵蓋設備、產品和技術信息的敏感數據可存儲于本地設備，其他數據則可酌情使用第三方云存儲服務來降低成本。挖掘分析是指對海量數據資源進行處理分析和深度挖掘，獲取其中有價值的信息，也就是將數據資源轉化為數據要素的過程，這需要企業擁有專業的數據處理軟件，以及具備行業專業知識或從業經驗的數據分析人員。最終，數據能力還要與企業決策等經營行為相結合，以促進企業要素使用、要素配置和創新能力提升，才能真正實現制造企業的數字化轉型，達到降低成本、提高效率以及促進價值創造的效果。

一是數據能力促進企業要素使用能力提升，提高要素生產效率。要素使用能力是指在要素投入總量和要素配置水平等條件不變的前提下，各要素在生產經營過程中得以充分利用的能力。在傳統運營模式下，由于可得數據十分有限，無法對各種改變要素使用現狀的可能結果進行窮盡分析，企業只能沿用既有經驗，延續以往的生產流程和節奏，往往會造成要素使用浪費。但在數據能力支持下，企業能夠對生產經營過程進行實時監測和效率分析，并迅速定位要素使用不當的具體環節，做出數據驅動的要素使用決策，從而充分利用各種要素，發揮其潛在生產價值。例如，在資本要素方面，通過對生產設備運行過程的相關數據進行實時采集，可以分析出在何種作業環境下其產出效率較高，或哪些環節易于發生故障從而耽誤生產進程等。在勞動力要素方面，依據對工作情況的實時反饋，可以明確每個個體工作效率較高的時間段，對現有排班表進行更新；還可以及時發現惰工行為，采取適當管理措施。在技術要素方面，根據對技術使用情況的實時記錄，可以觀測分析相似技術使用效率相差較大的原因，以進一步優化技術運用條件。

二是數據能力促進企業要素配置能力提升，優化要素配置組合。要素配置能力是指在要素投入總量等條件不變的情況下，各種要素在生產經營過程中實現合理有效組合的能力。當面臨較大的外部變化影響時，企業會對要素配置進行一定調整。但受信息不對稱的影響，要素配置往往會表現出較強的慣性，導致企業難以及時應對內外部環境變化。而在數據能力支持下，可極大緩解企業內外部信息不對稱的問題，使企業獲得相對透明的要素資源信息，以及時做出數據驅動的要素配置決策，不斷調整既有要素組合，提高企業生產經營效率。在企業內部，各部門可以依托數據能力打通數據壁壘以共享信息，暢通溝通協調過程，方便及時研討要素配置方案；在企業外部，可以及時接觸到上下游企業或客戶的供給或需求變動等外部重要信息，與合作企業做好配合，靈活配置各種要素，實現原材料及時供應、機器設備隨用隨租、生產線敏捷改造和員工新知識新技能超前儲備更新等。

三是數據能力促進企業創新能力提升，實現新的價值創造。這里的創新能力主要是指企業在技術、產品、生產流程和商業模式等方面的不斷創新以實現新價值創造的能力。傳統的技術、產品等研發創新活動往往僅以專業研發部門為主導，創新來源十分有限。對于生產流程、商業模式等管理創新領域而言，其關系到企業整體發展走向，依賴于企業對內部運營情況及外部市場信息的全面掌握，因此更需要廣泛的數據來源和暢通的傳遞通道予以支持。而在數據能力的支持下，不僅可以擴展研發創新的來源，還為管理創新提供了豐富的數據基礎，催生出數據驅動的創新決策。在研發創新方面，數據能力有助于拓展企業內部封閉式創新的參與覆蓋面，突破研發主體的限制，推動“全員創新”；還有助于突破企業組織邊界，搭建開放式創新網絡，有效利用下游客戶的需求數據。在管理創新方面，數據能力提高了對內部運營情況及外部需求和競爭態勢等信息的掌控力，傳統商業模式得以不斷優化；更有助于企業尋找和發現新的價值獲取來源，不斷創新以數據要素為支撐的價值主張和商業模式，如平臺商業模式、共享經濟模式、制造業服務化模式等，進而創造新的價值增長點。

最后需強調的是，數字化轉型不僅是數據要素對傳統要素單向賦能的結果，也是兩者相互融合且不斷適應的交互作用結果，也即傳統要素的質量也會影響轉型的進展與效果。在這個意義上，改善傳統要素質量是制造企業有效推動數字化轉型的必要條件。在資本要素方面，機器設備是工業數據的主要載體，其自動化、標準化水平決定了是否可以連接傳感器等數字化產品，代際較老的機器設備可能存在缺少傳感器接口或與數字化產品不兼容的問題，導致企業無法采集到工業數據。因而企業應通過技術改造或更新換代，盡快提高設備的自動化、標準化程度。在勞動力要素方面，企業需要大量同時掌握數字技術和專業技術的高端人才。制造企業中的傳統技術人才多精通與產品生產相關的專業技術，對新興的數字技術不甚擅長；反之，外聘的數字技術專家或新招聘的數字人才精通數字技術，但缺乏行業專業知識和從業經驗。兩類技術人才由于專業背景不同存在溝通障礙，磨合期較長，而兼具兩類技能的雙料人才又極為短缺。因此，如何通過加快大學教育教學改革，以及強化職業技術教育和企業現場培訓，從而不斷彌補人才的供需缺口，也成為能否有效推進制造企業數字化轉型的一個關鍵問題。