制造業企業數據賦能評價指標體系構建

孫新波，孫浩博

（東北大學工商管理學院，遼寧沈陽 110167）

人類社會的發展史就是一部生產力不斷躍升的歷史，伴隨著新生產要素、新勞動主體、新生產工具的不斷涌現，人類接連構建起認識和改造世界的新模式［1］1。在過去兩個世紀內，推動歷次科技革命的生產要素具有取用無盡、價格低廉、應用廣泛、擴增資本力量以及降低勞動成本的共同屬性［2］。“數據”完全符合上述屬性，成為數字經濟時代具有基礎性和戰略性意義的新型生產要素［3］。由于數據在數字化進程中具有核心地位，“工業4.0”被認定為是一種數據驅動范式，制造業正在興起以新型價值資源和數據為基礎的數字化、網絡化生產模式［4］。制造業一直是我國經濟增長的重要引擎，但長期以來我國制造企業都是以“低端嵌入”的方式參與全球價值鏈中的價值創造活動。現階段，在數字科技革命和產業變革推動下，以數字經濟崛起、數字技術發展、數據生產要素涌現和產業數字化為主要特點的新工業革命為支點，數據賦能成為促進中國制造業企業轉型升級的重要力量。現有研究普遍關注到數據賦能對制造業發展的重要推動作用，但對數據賦能推動制造業企業轉型升級的作用邊界與具體內容缺乏探討，且普遍采用案例研究的方法，定量研究方面尚薄弱，缺少數據賦能制造業企業的指標體系來指導企業后續行動，沒有基于數據賦能對企業經營績效的影響發展給出恰當的指標體系［5］；管理實踐中，企業也存在對數據生產要素的理解不統一，對自身數據應用現狀、定位和發展路徑不明確，以及缺少科學系統的方法論來指導企業借助數據實現轉型升級等問題。因此，本研究應用層次分析法（AHP）與模糊綜合評價法（FCE）構建制造業企業數據賦能指標體系和數據賦能成熟度模型，為企業進行數據賦能自診自檢、了解自身數據應用狀況提供參考。

1 文獻綜述

1.1 數據賦能

Carmen 等［6］將賦能歸納為心理賦能、結構賦能與資源賦能等3 個核心維度。其中，結構賦能主張通過建立有效的賦能機制，以支持有權力主體將權力授予權利客體［7］；心理賦能主要指內在感受的驅動價值、行為影響、競爭力度與主觀能動等［8］；資源賦能的本質則是提高無權力的人獲取、控制、管理資源的能力［9］，修正了結構賦能與心理賦能在視角上的缺陷。在數字時代下，數據作為核心資源要素，釋放出遠超傳統要素的巨大價值潛能［10］。數據賦能愈發成為資源賦能的核心形式［11］。進一步，數據賦能可以解構為連接、分析與智能能力等3 個維度［12］，其中連接能力指通過智能互聯技術連接數字化產品的能力，分析能力是將海量數據形成有價值信息的能力，智能能力是硬件自主感知和捕獲數據的能力。基于我國企業的實踐，周文輝等［13］豐富了連接、分析與智能3 個維度的研究，表明連接能力是實現人、物、信息之間的交互聯通，智能能力是實現對用戶所處環境與行為的自動感知以及自主決策所帶來的服務自動優化，分析能力是對數據與信息的處理與挖掘能力，并展示了連接、分析與智能能力在企業動態發展階段的具體表現形式。

在企業運行過程中，數據賦能提高了企業對信息的獲取及利用能力，進而驅動了企業高效配置資源、響應客戶需求，創造企業價值［14］。孫新波等［15］認為，數據賦能指通過創新數據的使用場景以及技能和方法實現數據價值的過程。Lerch 等［16］認為，制造業企業的數據賦能指數字技術與數據所驅動的機器間智能連接現象。Gupta 等［11］將數據賦能描述為企業主體通過挖掘、分析和利用數據資源形成之前所不具備的數據能力，創造過去不能實現的價值目標的過程。

在數據賦能的過程機制方面，張明超等［17］通過單案例研究，探索出數據賦能驅動精益生產創新所遵循“數據資源行動—數據能力生成—精益價值實現”內在機制路徑。在數據賦能的增益方面，張振剛等［14］通過對155 家制造業企業樣本的實證研究得出，數據賦能通過利用新一代信息技術來優化企業收集、管理、分析數據的方式，提高企業對環境變化的適應力與資源配置的戰略柔性，支持企業在復雜多變的動態環境中持續建立新競爭優勢，從而對財務績效產生積極影響。

1.2 制造業企業數字化轉型

從微觀生產過程來看，推動企業數字化轉型的關鍵是數據而不是技術［18］。數據作為工業生產的核心資源具有無限性、非競爭性與外溢性等特性［19］。以往由于在線互聯能力的缺乏，經典生產模式中的數據并未能大力推動制造業的發展，數字化技術也一直被視為輔助產品銷售與原材料采購的工具性技術，并未深度參與生產過程與制造環節。如今，新興數字技術和數據基礎設施為數據價值鏈的運轉和數據價值創造提供可能，數據得以直接參與制造環節與制造工序，并逐步成為賦能制造業轉型的關鍵生產要素。數據賦能極大地提升了企業的敏捷化和智能化，數據的價值挖掘成為實現制造業企業數字化轉型的重要途徑。

從宏觀行業發展來看，工業經濟時代固有的分工專業化與多樣化的矛盾是數據要素所要解決的根本問題［1］5。數字經濟賦能制造業轉型傾向于跨行業、跨產業的創新融合，實現數據要素與原有要素的協同共生，建立新型產業生態，從而形成制造業的全新發展模式。在此過程中，數據賦能直接驅動企業從產品導向向用戶體驗導向的轉變，推動制造業、服務業深層次融合，更好地完成制造過程向需求滿足的有效銜接；同時對推動單行業向群落式集群轉變，使制造業企業逐步從產業鏈關聯、地理空間集聚等傳統的連接關系轉為虛擬群落、行業生態等新式聯結關系起到間接作用［20］。

我國傳統制造業位于“微笑曲線”低端，附加價值較低，且面臨“兩端擠壓”的新發展困境：一方面，我國勞動成本飆升，使原先被鎖定在低附加值環節的中低端制造業面臨較低用工成本國家的白熱化競爭，呈現出“低端鎖不定”的尷尬局面；另一方面，發達國家正全力部署高端定位的再工業化戰略對我國發展高端制造發起堵截。而數字技術所帶來的產業變革為我國傳統制造業發展提供了“換道超車”的完美契機。

1.3 數據價值鏈

數據流動的過程伴隨著價值的創造與生成，傳統的價值鏈理論在數字時代發展為數據價值鏈理論，對數據價值的透徹理解是制造業企業轉型升級的必修課。數據價值鏈理論總結了數據由產生到應用的全生命周期，所關注的重點呈現出從物理到數字、由單向到循環、從組織界內到跨組織協同的轉變［3］。Miller 等［21］在2013 年最早提出“數據價值鏈”概念，并將其劃分成數據發現、數據集成和數據探索三大過程；同年Gustafson 等［22］也提出了數據價值鏈，將其解構為數據獲取、數據存儲、數據分析及數據應用等4 個基礎環節。數據價值鏈主要概念定義如表1 所示。

表1 “數據價值鏈”概念的主要定義

數據價值鏈具有全部元素建模定義、全部數據采集分析、全部決策仿真評估的特點，其價值創造會受到數據的顆粒度、鮮活度、連接度、反饋度、響應度、加工度等因素影響。本研究將數據價值鏈分為數據的采集與獲取、數據傳輸與存儲、數據分析與挖掘以及數據應用與決策四大環節（見表2）。

表2 數據價值鏈主要環節

制造業企業要想實現數據賦能，就要利用數據基礎設施和新興數字技術對企業內部運營及外部市場環境進行全過程分析與管理，建立健全數據價值鏈，培養數據的多主體連接能力、實時收集的自主智能能力、挖掘分析數據以提供決策支持的分析能力，進而驅動企業根據外部環境變化對現有資源進行更快速、更高效地調動與配置，從而實現轉型升級［26］。

2 數據賦能評估參考架構

2.1 參考架構

架構是企業在轉型升級階段可借助的，一種有助于分析整體環境情況、理清內部結構成分、驅動技術與生產過程協同融合以及指導企業進行持續有規劃演進的思維工具［27］。制造業企業的轉型是一個多維度、深層次的復雜系統工程，在這個過程中，架構具有關鍵的驅動作用。Meyer 等［28］認為使用架構來指導企業進行是發展趨勢。而武亞軍［29］和龔麗敏等［30］則從實踐角度闡述了架構對開展企業轉型問題的研究具有重要意義。

參考“工業4.0”、智能制造等體系架構，以數據價值鏈、數據賦能及制造業企業數字化轉型相關理論研究為主線，以《智能制造能力成熟度模型》（GB/T 39116—2020）和《智能制造能力成熟度評估方法》（GB/T 39117—2020）等國家標準為方向指導，得出數據賦能制造業企業參考架構如圖1 所示。其中，數據價值鏈代表數據的利用全周期；智能制造能力要素代表制造業企業所涉及的能力域；數據賦能維度反映數據如何在企業層面發揮作用。

2.2 評估框架

結合數據賦能領域現有文獻、行業報告以及研究團隊企業調研資料，在考慮科學性、時效性、可操作性、可拓展性以及差異性等評估體系設計原則的基礎上，給出數據賦能評估框架，總體包括數據賦能準備度、數據賦能深入度、數據賦能提升度3個部分（見圖1）。

圖1 數據賦能制造業企業參考架構與評估框架

3 制造業企業數據賦能指標體系設計與說明

3.1 數據賦能準備度

數據賦能準備度旨在評估企業戰略制定的情況、組織結構適配的程度以及基礎資源的保障支持水平，主要評估內容包括組織與戰略準備度、數據基礎設施準備度、保障要素準備度（見表3）。

表3 制造業企業數據賦能準備度評價指標

（1）組織與戰略準備度。組織適應與戰略清晰是數據賦能制造業企業的重要因素，因此選取戰略規劃與組織架構作為評估組織與戰略準備度的主要指標。其中，戰略規劃指企業為數據賦能所制定的長期戰略發展規劃和整體建設機制；組織架構指企業自身的組織架構與數據賦能發揮的適配程度，主要內容有數字化部門領導者（CTO）的行政位置、企業組織架構模式、企業管理制度與數據生產力釋放之間的適用程度。

（2）數據基礎設施準備度。數據流通是數據賦能的基礎［31］，數據聯網能力比數據自身體量更重要。數據基礎設施是數據價值鏈運轉的重要條件，因此選取數據設施、數據標準以及數據安全作為評估數據基礎設施準備度的主要指標。其中，數據設施指企業在數據采集存儲分析應用等環節所需要的數據軟硬件建設情況；數據標準是數據的“軟設施”，標準統一程度直接影響數據的利用效能；數據安全則反映了數據系統運行的穩健情況與數據管理制度的標準化水平。

（3）保障要素準備度。數據賦能保障要素是企業數據賦能可持續性的衡量標準，選取人才要素、資金投入以及企業文化作為評估保障要素準備度的主要指標。其中，人才是推動企業整體變革與數據利用重塑的主體要素；資金投入是企業數據賦能建設的能量供給；企業文化決定了數據利用是否與企業自身發展相兼容。

3.2 數據賦能深入度

數據賦能深入度旨在通過評估研發設計、供應鏈管理、生產作業、倉儲物流等企業內部各環節的數據流動以及企業橫向縱向的業務優化與系統集成情況，衡量內外部價值鏈各環節數據應用的能力、跨業務集成程度以及數據參與下新業態的培育情況。主要評估內容包括生產流程賦能深入度、業態轉變賦能深入度、綜合集成賦能深入度（見表4）。

表4 制造業企業數據賦能深入度評價指標

表4（續）

（1）生產流程賦能深入度。生產流程賦能是數據最直接的賦能體現，選取研發設計創新、供應鏈管理、生產作業管理、設備管理、倉儲與物流管理作為評估生產流程賦能深入度的主要指標。其中，研發設計創新指企業在數據驅動下的研發設計新模式，數據在研發設計的價值主要表現為對設計環節的降本增效與通過針對性研發設計降低失敗的風險；供應鏈管理指在數據參與下改善供應鏈從采購到滿足最終客戶的全過程；設備管理指數據賦能下設備綜合使用效率得到提升，主要通過對制造過程各設備、各環節生成的數據進行分析與參數優化，提高產品的優良率、降低物料損耗；倉儲與物流管理指數據參與下的倉儲優化與物流提效，通過原料與成品庫存等供應鏈各數據的追蹤與實時分析，安排物流采購和生產排產，實現產供銷精確對接。

與制造業常規認知不同，數字時代制造業的數據賦能不應只強調銷售與采購兩端環節，更大的發力點是生產制造過程，應將數字技術與數據分析的功效深度嵌入制造過程與工序中，打通設備間、系統間、人員間的無縫關聯，從而驅動數字技術對制造業創新能力與水平的提高，形成以數據互聯為基礎的制造業綜合集成系統，達到對用戶需求的即時感知與迅速反應。推動數據與工藝技術、裝備設備以及管理經營的耦合協同程度，實現制造業全流程、全渠道的數據共享與業務融合［20］。生產作業管理指數據發揮調配資源的作用，能夠更好地對生產作業過程進行計劃控制。

（2）業態轉變賦能深入度。業態轉變賦能是數據與制造業企業結合后涌現出的新業態與新模式，選取數據賦能銷售服務新業態、數據賦能價值獲取新模式、數據賦能財務管理新模式、數據賦能人力資源管理新模式作為衡量指標。數據賦能依賴企業的信息收集、處理存儲與傳輸能力，提升這些能力可以釋放數據具備的信息儲存與傳遞潛能，高效驅動企業資源以滿足客戶需求［15］。通過對用戶數據分析與透視，企業能精確地對用戶進行多維畫像，實現用戶群體細分，甚至細分到單個消費者。其中，數據賦能銷售服務新業態指數據參與銷售環節所帶來的新形式，主要內容有數據驅動線上線下銷售渠道整合、銷售管理數據化程度、市場數據反饋與分析能力、客戶關系管理數據化水平、客戶需求捕獲分析及快速響應能力、快速響應消費者的需求變化。

數據是數字時代的關鍵經濟要素，數字平臺是數字時代的核心主體，在數字平臺將數據轉化為智能能力或商業貨幣符號后，數據就實現了價值的倍增［19］。數據賦能價值獲取新模式指數據資產運營的獲取價值模式，主要內容有產品持續獲取價值能力等。數據賦能財務管理新模式指數據參與下提高財務管理水平，主要內容有財務管理系統數字化覆蓋率等；數據賦能人力資源管理新模式指數據參與下人力資源管理出現的新邏輯，主要內容有人力資源數據庫完備度等。

（3）綜合集成賦能深入度。綜合集成賦能是數據增強制造業企業跨層級跨部門協作優化的體現，選取數據驅動的集團管控、研發設計與生產制造集成、經營管理與生產控制集成、產品與服務數字化集成、數據驅動的項目全生命周期管理、數據賦能內部價值鏈端到端精細管理作為評估指標。其中，數據驅動的集團管控指在數字化連接中，集團對于自身運行與戰略落地的管理；研發設計與生產制造集成指研發環節與生產環節的對接通暢程度；經營管理與生產控制集成指數據驅動下的生產控制環節全流程貫通；產品與服務數字化集成則指數據賦能下產品的數字化能力增強。

價值鏈各節點數據的即時連接與協同共享是智能制造的基本要求，“工業4.0”所提出的縱向集成、橫向集成、端到端集成的基礎就是制造網絡中節點數據的廣泛連接，基于即時泛在連接，企業才有可能實現智能生產、提供智能服務［3］。數據驅動的項目全生命周期管理側重考察項目管理過程的數據化程度，主要內容有項目管理數據化覆蓋的業務范圍、項目管理數據庫完善程度。數據賦能內部價值鏈端到端精細管理指圍繞產品生命周期的數據無縫傳遞，主要內容有端到端流程的協同優化精細化程度、端到端流程的協同優化應用層級。

3.3 數據賦能提升度

數據賦能提升度旨在通過評估研發生產效率、經濟與社會效益、創新與生態系統來衡量數據賦能對制造業企業的全方位提升程度。主要評估內容包括賦能效率提升度、賦能效益提高度以及賦能效能增強度（見表5）。

表5 制造業企業數據賦能提升度評價指標

（1）賦能效率提升度。效率提升是數據賦能制造業企業的基本要求，選取研發效率提升、生產效率提升以及管理決策效率提升作為主要評價指標。其中，研發效率指數據的應用所帶來的產品研發速度與品質的提升；生產效率具體指數據賦能對于生產制造流程效率的提高；管理決策效率則指利用數據進行智能決策以及數據驅動決策優化的情況。

（2）賦能效益提高度。效益提高是數據賦能制造業企業的進階要旨，選取成本、質量、營收等3個經濟效益以及社會效益作為主要評價指標。其中，成本主要體現在數據發揮其信息溝通的本質，有效調配資源；質量指在數據參與下，質量控制環節實現的按需實時動態全面質量管理；營收指數字經濟時代的收入增長方式；社會效益側重于在數據和數字化技術的參與下制造業企業在綠色環保方面的增益，例如數據賦能低碳可持續發展模式。

（3）賦能效能增強度。效能增強是數據賦能制造業企業的結果顯現，選取產品與用戶服務、數字生態系統以及數據驅動創新作為主要評價指標。產品與用戶服務指數據運用后對于產品和用戶的運營業態改變，主要包括產品運行數據采集與分析、用戶數字化網絡的構建。通過數據技術的深度應用，企業將聯合價值生態圈中的用戶、供應商、服務商等利益相關者共創價值，從而幫助企業利用現有的核心能力或開發新的能力來滿足用戶需求，進而獲得持續的競爭優勢［32］。數字生態系統指通過數據技術與數據資源的組合利用，企業與利益相關者聯合的程度，主要內容包括利益相關者數字化網絡的構建等。數據驅動創新則指數據挖掘后對生產流程、組織結構產生的創新提升。

4 指標體系權重確定與成熟度模型構建

4.1 層次分析法

相較于專家咨詢法等主觀賦權手段，層次分析法（AHP）能夠在很大程度上提高評估結果的可靠性與有效性［33］，因此使用此方法對制造業企業數據賦能指標體系進行賦權。

構造層次結構模型。梳理確定指標間的邏輯關系與隸屬關系，將制造業企業數據賦能三級指標體系劃分為目標層、準則層與決策層（見圖2）。

圖2 制造業企業數據賦能評估層次結構模型

（2）構造判斷矩陣。依照1—9 標度法，以上一層指標為準則，請專家評判下屬層級指標間兩兩間相對重要程度。以ui、uj（i,j=1,2,…,n）表示因素，uij表示ui對uj的相對重要性數值，并由uij組成判斷矩陣如下：

（3）計算重要性排序。根據判斷矩陣，求得最大特征根λmax所對應的特征向量w。計算公式如下：

特征向量w經歸一化即為各評價因素的最終重要性排序，即權重比例。

（4）一致性檢驗。專家的判斷存在偏差產生的可能，要確定以上權重比例的合理性與科學性，還需對判斷矩陣進行一致性檢驗操作。檢驗公式如下：

式（3）中：CR 為判斷矩陣的隨機一致性比率；RI 為判斷矩陣的平均隨機一致性指標，1～9 階的判斷矩陣的RI 值見表6。

表6 平均隨機一致性指標取值

判斷矩陣的一致性指標CI 的計算公式如下：

當CR＜0.1 時或λmax=n、CI=0 時，認為矩陣具有滿意的一致性；否則，需通過重新調整矩陣中的元素使矩陣具有滿意的一致性。

4.2 指標體系權重確定

采用一對一跟蹤調查法，邀請華為技術有限公司、海爾集團等企業的4 位中層管理者和3 位科研機構數據賦能領域學者對指標的相對重要性進行評判。7 位專家權重均設為1/7，通過對收集的數據進行分析，矩陣通過一致性檢驗，得出各指標權重（見表7、表8）。

表7 制造業企業數據賦能評價一、二級指標權重

表8 制造業企業數據賦能評價三級指標權重

表8（續）

指標權重反映出專家們的一些共識。例如，一級指標上，數據賦能準備度與數據賦能深入度均達到35%的權重比例，較數據賦能提升度權重高5%，表明專家認同數據賦能的保障要素與數據賦能具體作用方面的重要性。但是，企業的效率效益與效能的提升是復雜的系統工程，并不能只依靠結果好壞來評判數據賦能的價值。二級指標上，數據基礎設施、生產流程、綜合集成均占有12%的權重，相較其他6 個二級指標權重高2%，表明在二級指標中，數據基礎設施是最為重要的數據賦能先決條件，生產流程是制造業企業數據賦能的直接體現，綜合集成是制造業企業數據應用程度的顯性指標。三級指標中，戰略規劃與組織結構獲得最高權重，表明數據賦能制造業企業轉型升級是一項復雜且長期的系統工程，需要有清晰持久的戰略作為指引，以及適配數據生產力的組織結構進行搭配，制造業企業的數據賦能才能行穩致遠，持續發揮數據價值。

4.3 基于模糊綜合評價法的指標體系應用

在實際應用中，大多數據不能直接采集，需要專家進行定性打分，而模糊綜合評價法可以控制打分過程中的主觀偏差。模糊綜合評價法能較為全面、客觀地平衡、匯總與修正各評價方的意見傾向，綜合地反映出被評價對象的層級與質量。以制造業企業A 為例，具體過程評價過程如下：

（1）首先確定A 企業被評判對象的因素（指標）集C=（c1,c2,…,cn）和評判集V=(v1,v2,…,vm)。其中cn為各單項指標，vm為對cn的評判等級層次。

（2）分別確定各個因素的權重W及它們的隸屬度向量R，經過模糊變換得到模糊評判矩陣。

（3）把模糊評判矩陣與因素的權重向量集進行模糊運算并進行歸一化，得到模糊綜合評判結果集S。公式如下：

（4）將（C，V，R，W）構成一個綜合評判模型，求出評價的定量解值，加和即為最終評價結果。

4.4 數據賦能成熟度等級模型構建

能力成熟度模型由卡內基梅隆大學的軟件工程研究院最先在軟件行業發布，由于它所具備的動態演進優點，應用的范圍在不斷拓寬［34］。在本質上，制造業企業數據賦能也是具有特定目標，持續優化資源、組合能力以實現轉型升級的動態過程。通過構建數據賦能成熟度模型，根據模糊綜合評價法得分將企業分為5 個數據賦能成熟度等級（見圖3）：≥90～100 分為引領標桿級，≥80～89 分為提升優化級，≥70～79 分為綜合集成級，≥60～69分為成長規范級，60 分以下為初始規劃級。但由于不同企業擁有的資源、能力差異是客觀存在的，企業根據內部條件與外部環境制定的轉型升級路徑也千差萬別，因此在制定成熟度等級的過程中，從現實背景出發，提取了各企業轉型升級過程中的共性規律，遵從了成熟度模型的設定原則。

圖3 制造業企業數據賦能成熟度等級模型

5 結論與展望

數據賦能是當前研究的熱點話題，也是我國制造業企業“彎道超車”甚至“換道超己”，實現高質量發展的重要抓手。制造業企業數據賦能指標體系及成熟度模型的研究、開發與應用，將有助于制造業企業對數據要素有更透徹的認識理解與更具體的操作指導，對推動數字時代制造業企業深度釋放數據潛力、實現轉型升級有著積極影響。本研究在借鑒國內外相關文獻與前沿調查報告的基礎上，梳理了數據賦能、制造業企業數字化轉型以及數據價值鏈概念的時代演進，結合豐富的企業調研經歷搭建數據賦能制造業企業參考架構與評估框架，生成了詳細可操作的制造業企業數據賦能三級指標體系，采用層次分析法賦權和模糊綜合評價法構建制造業企業數據賦能評估層次結構模型，以盡可能全面客觀地反映制造業企業在數據應用全周期中的具體活動并轉化為可量化的指標，并構建了更加貼合當下中國情景中的制造業企業實踐的數據賦能成熟度等級劃分模型，借鑒孫新波等［35］的研究，針對數據賦能對象的異質性構建數據賦能的具體方式，對企業的數據賦能行動提供了全景式的指導地圖。

本研究僅給出評價指標體系的指標權重與模糊綜合評價的應用方法，未來將基于評價指標體系判斷制造業不同行業的數據賦能成熟度情況，為制造業企業提供更加詳細、有針對性的參考建議；同時，不斷修正評價指標體系與成熟度模型，提高方法的普適性與準確性。