企業智能制造指數：基于面板隨機前沿分析

【摘要】智能制造是我國建設制造強國的重要部署， 是提升發展質量的重要方向。隨著智能制造國家標準等頂層設計的不斷完善， 企業智能制造發展水平的衡量成為熱點問題。本文在回顧已有研究中智能制造水平衡量方法的基礎上， 運用面板隨機前沿分析方法， 構建智能制造指數（IM）。然后基于2015 ～ 2021年制造業、 采礦業、 能源生產供應業A股上市公司的面板數據， 測算出企業智能制造指數， 發現我國制造業智能制造水平呈顯著上升趨勢， 不同企業間的智能制造水平存在較大差異。有效性檢驗表明， 本文構建的智能制造指數能夠較全面、 科學、 合理地衡量企業智能制造水平， 對智能制造理論研究與企業實踐具有參考價值。

【關鍵詞】企業智能制造指數；面板隨機前沿分析方法；供給投入端；成效產出端

【中圖分類號】 F275 " " 【文獻標識碼】A " " "【文章編號】1004-0994（2023）19-0131-4

一、 引言

黨的二十大報告提出： 堅持把發展經濟的著力點放在實體經濟上， 推進新型工業化， 加快建設制造強國， 推動制造業高端化、 智能化發展。隨著美國、 德國等發達國家率先實施“先進制造業國家戰略計劃”及“德國工業4.0”戰略布局， 全球制造業開始向智能化方向發展， 智能制造對于重塑我國制造業競爭新優勢至關重要。為此， 我國在2015年提出《中國制造2025》， 作為制造強國建設的行動綱領； 2015年工業和信息化部、 國家標準化管理委員會聯合發布了《國家智能制造標準體系建設指南（2015年版）》， 之后又發布了2018年版和2021年版指南， 不斷完善國家智能制造標準的頂層設計， 通過制定修訂多項國家標準、 行業標準等， 致力于在新的生產力發展博弈中實現“彎道超車”； 2016年工業和信息化部、 財政部聯合發布了《智能制造發展規劃（2016-2020年）》， 強調工業化信息化兩化融合， 推動智能制造的實施。

《國家智能制造標準體系建設指南（2021版）》將智能制造定義為： 基于先進制造技術與新一代信息技術深度融合， 貫穿于設計、 生產、 管理、 服務等產品全生命周期， 具有自感知、 自決策、 自執行、 自適應、 自學習等特征， 旨在提高制造業質量、 效率效益和柔性的先進生產方式。隨著國家標準的逐步完善和信息技術的不斷發展， 企業智能制造必然會不斷經歷迭代升級的過程， 因此， 準確衡量企業智能制造發展水平的變化趨勢， 對于我國制造強國的戰略部署具有重要的現實意義和政策含義。

在企業層面， 智能制造通過融合新一代通信技術和先進制造技術， 推動企業在硬件（計算機和通信設施、 智能制造裝備等）和軟件（制造技術、 驅動軟件、 高端人才等）資產等方面的更新升級， 重塑產品在設計、 生產、 管理、 服務等全生命周期的價值創造活動過程， 從而對企業的生產經營產生重大影響， 最終實現可觀的未來收益。因此， 科學合理地測度企業智能制造水平， 能夠幫助企業開展自我評價， 分析行業發展， 及時調整投資決策和經營戰略， 實現價值最大化。

本文聚焦于企業智能制造發展水平的衡量， 通過回顧已有研究， 深入剖析各類衡量方法的優缺點， 并提出基于企業面板數據的智能制造指數構建方法。通過選取2015 ～ 2021年制造業、 采礦業和能源生產供應業的A股上市公司作為初始樣本， 綜合智能制造的供給投入端（Input）和成效產出端（Output）， 運用面板隨機前沿分析方法（Panel Stochastic Frontier Approach， PSFA）計算企業智能制造指數（Intelligent Manufacturing， IM）， 以反映我國企業智能制造水平的變化趨勢。該智能制造指數構建方法克服了現有衡量方式中數據難以獲取、 主觀性強、 僅考慮投入/產出端等局限性， 能夠科學合理地測度企業智能制造水平， 便于企業進行智能制造水平的自我評估與行業對標分析。

二、 文獻回顧和述評

有關智能制造水平衡量的研究較少， 視角不一、 方法多樣， 包括國家層面（周濟，2015；王媛媛和張華榮，2020；唐宜紅和顧麗華，2022；陳秀英和劉勝，2020）、 地區層面（劉軍等，2022；萬曉榆等，2020； 董志學和劉英驥，2016）以及企業層面（龔炳錚，2015； 劉進等，2022； 孟凡生和趙剛，2018；呂榮杰等，2020）的衡量方法， 采用的衡量方法包括指標體系法、 替代指標法（如工業機器人數量）、 文本分析法、 專家打分法、 問卷調查法、 人工判定法等。

1. 國家層面智能制造水平的衡量。國家層面智能制造水平的衡量方法主要有指標體系法和替代指標法兩種。指標體系法即依據特定標準和方法（投入產出分析法、 層次分析法、 因子分析法等）， 構建由多級指標組成的評價體系， 最終得到綜合指數的方法。例如： 周濟（2015）依據制造強國的四個特征——雄厚的產業規模、 優化的產業結構、 良好的質量效益、 持續的發展能力， 構建了由4個一級指標、 18個二級指標構成的制造業評價體系， 利用該綜合指標來衡量國家智能制造水平； 王媛媛和張華榮（2020）運用投入產出分析方法， 構建了“制造業智能化指數”（IMI）， 并利用2005 ～ 2015年OECD投入產出表數據， 對G20國家制造業總體以及分行業智能化發展水平進行了測度。另外， 國際機器人聯合會官網上公布的各國使用工業機器人的數量也被諸多學者用作衡量國家制造業智能化發展程度的代理變量（唐宜紅和顧麗華，2022； 陳秀英和劉勝，2020）。

2. 地區層面智能制造水平的衡量。在地區層面智能制造水平的衡量上， 被廣泛使用的方法為指標體系法（劉軍等，2022； 萬曉榆等，2020； 董志學和劉英驥，2016）。目前， 指標體系法已被列入用于評價各省（自治區、 直轄市）智能制造水平的國家標準——《智能制造水平評價指標體系及指數計算方法》（GB/T 42757-2023）之中。該標準提出了包含投入端和產出端的4個一級指標、 11個二級指標的智能制造水平評價指標框架， 詳盡地說明了數據采集方法、 指標權重及指數計算公式， 將于2023年12月1日起實施。

3. 企業層面智能制造水平的衡量。關于企業層面智能制造水平的衡量， 指標體系法最早被提出并應用， 且隨著研究視角的多樣而不斷豐富（龔炳錚，2015； 易偉明等，2018； 肖吉軍等，2020）。之后， 有學者開始逐漸探索采用其他行之有效的衡量方法， 包括文本分析法、 專家打分法、 問卷調查法等。

文本分析法是指基于公司披露的非結構性文本能夠傳遞諸多信息的觀點， 選取企業年報全文或管理層討論與分析部分， 對特定文本進行搜集分析， 挖掘特定主題的企業決策信息（Li，2010）。例如， 呂榮杰等（2020）通過對企業年報進行文本分析， 基于“智能化”“智能制造”等關鍵詞出現的頻數， 構建高管團隊對企業智能制造過程中智能產品和智能生產關注度的指標。專家打分法即通過構建智能制造關鍵詞詞庫， 根據企業年報中關鍵詞的描述信息， 由專家人工閱讀并判斷每家企業的智能制造水平。例如， 劉進等（2022）采用專家打分法評估江蘇省制造業上市企業的智能制造水平， 以分析政府補貼及稅收優惠對企業智能制造的影響。問卷調查法即依據智能制造的不同維度構建量表， 然后進行數據采集與分析。例如， 孟凡生和趙剛（2018）運用問卷調查法獲取我國15個省（市）的新能源裝備制造企業大樣本問卷結果， 從制造和智能兩個維度來測度企業智能制造水平。

目前， 工業和信息化部開展的智能制造試點示范項目也被用于衡量企業智能制造水平。例如， 權小鋒和李闖（2022）、 張樹山等（2021a；2021b）將“智能制造試點示范專項行動”視為準自然實驗， 通過傾向得分匹配—雙重差分（PSM-DID）方法， 研究智能制造與成本粘性、 企業技術創新投入、 企業績效的關系。另外， 有學者依據國家規劃、 財經新聞以及企業主營業務等信息來判斷企業是否為智能制造企業， 以人工判定的方法對企業智能制造進行定性衡量從而開展相關研究（劉峰和寧健，2016； 應里孟等，2020）。此外， 還有學者從不同行業、 不同企業類型出發， 針對石化行業（任嵬等，2019）、 機械制造企業（任俊飛等，2020）、 汽車行業（蘇青福等，2021）、 中小企業（高亮等，2022）等提出了智能制造水平衡量方法。

4. 文獻述評。從現有研究可以看出， 指標體系法被廣泛應用于智能制造水平的衡量， 其方法多樣、 指標構建靈活， 但同時也存在側重點不同、 標準不一的問題。專家打分法、 調查問卷法以及人工判定法均帶有較強的主觀性， 同時存在數據獲取成本較高、 難度較大以及同行業公司信息獲取壁壘高等問題， 因此這三種方法難以推廣到企業層面構建微觀指數。此外， 工業和信息化部智能制造試點示范項目的準自然實驗方法雖然數據權威， 但作為定性數據無法充分衡量企業智能制造水平。國際機器人聯合會官網上公布的工業機器人數量只能從投入端這一單一視角進行衡量， 其受到企業其他資產協同互補的影響， 且存在數據獲取難度較大的問題， 也無法有效反映企業智能制造水平。文本分析法也存在一定的問題： 即使詞集選取時能夠較好地捕捉到企業智能制造的相關信息， 但依然存在關鍵詞詞頻可能在上下文語境的差異下引發度量偏差的情況。另外， 文本分析法作為一種產出端的衡量方式， 能否較為準確地捕捉企業“做了什么”“做得如何”還與關鍵詞出現的上下文語境內容有關， 而目前尚無法做到對具體情境進行甄別， 因此詞頻只能粗略地反映企業有關智能制造的信息披露。

綜上， 目前衡量企業智能制造水平的方法存在定性數據局限性高、 主觀性強、 難以獲取數據、 難以推廣應用、 僅考慮投入/產出端等問題， 因此迫切需要構建一個綜合企業供給投入端和成效產出端的全面、 易得、 可追溯的智能制造指數， 用于科學衡量企業智能制造水平。

三、 企業智能制造指數

技術效率是指在既定的投入下產出可增加的能力， 或在既定的產出下投入可減少的能力。由于隨機前沿分析方法（SFA）基于數據隨機假設， 可以更好地刻畫企業智能制造投入產出效率水平， 對參數的極大似然估計更適合大樣本， 本文利用面板隨機前沿分析方法來測算企業智能制造指數。參考《智能制造水平評價指標體系及指數計算方法》（GB/T 42757-2023）中的部分二級指標， 本文將企業智能制造資本投入（包括硬件資本投入和軟件資本投入）以及智能制造勞動投入作為供給投入端， 將企業年度營業收入作為成效產出端。

由于上市公司年報中較少披露有關智能制造或機器人、 人工智能等新一代信息技術投入的具體信息， 但相應的硬件軟件投入在企業智能化轉型過程中必不可少， 本文借鑒劉飛和田高良（2019）的研究， 通過計算企業的硬件資本投入和軟件資本投入， 間接反映智能制造資本投入。其中： 硬件資本主要包括固定資產中的機器機械設備、 電子設備、 計算機及輔助設備和通訊設備的年度凈值； 軟件資本為無形資產中的軟件資產年度凈值。此外， 選取生產和技術人員人數作為智能制造勞動投入。

1. 數據來源和研究設計。選取2015 ～ 2021年制造業、 采礦業、 能源生產供應業所有A股上市公司作為初始樣本， 上市公司年報中均披露了企業智能制造硬件資本投入和軟件資本投入、 生產和技術員工人數以及年度營業收入等數據， 保證了大樣本的可得性。本文使用的智能制造硬件資本投入和軟件資本投入數據來源于RESSET數據庫， 員工數據來源于Wind數據庫， 企業營業收入及其他財務數據來源于CSMAR數據庫。

考慮到資本和勞動相互作用對產出的影響， 在面板隨機前沿分析中選擇超越對數生產函數（Trans-Log）， 通過極大似然法估計出各個參數值， 然后用技術無效率項的條件期望來測算非效率值， 具體如模型（1）所示：

ln（Qi）=β0+β1ln（Ki）+β2ln（Li）+β3［ln（Ki）］2+

β4［ln（Li）］2+β5ln（Ki）ln（Li）+（vi-ui） （1）

其中， Qi、 Ki、 Li分別代表營業收入、 智能制造資本投入與智能制造勞動投入。智能制造資本投入為固定資產中的機器機械設備、 電子設備、 計算機及輔助設備、 通訊設備期末凈值和無形資產中的軟件資產期末凈值之和； 智能制造勞動投入為生產和技術員工人數總和。

由于樣本為面板數據， 本文使用Cornwell等（1990）的固定效應模型和Jondrow等（1982）的估計量， 通過E（u|ε）對技術效率低下進行估計， 得到非效率指標u， 然后生成智能制造水平的代理變量——智能制造指數（IM）：

IMit=exp（-u）×100

由于ugt;0， IM值介于0 ～ 100之間， IM值越接近于100， 代表該決策單元的技術效率越高， 企業智能制造水平越高。

2. 企業智能制造指數描述性統計分析。本文基于以上研究設計測算出企業智能制造指數， 剔除因樣本不足導致的智能制造指數缺失值和1‰水平上的極端值， 最終剩余1796家企業的9368個“公司—年度”樣本數據。

表1列示了智能制造指數分行業的描述性統計結果。由表1可知： 制造業企業占總樣本的93.36%， 其智能制造指數均值為2.104， 小于采礦業和能源生產供應業及全樣本的均值； 制造業智能制造指數的最小值僅為0.080， 最大值達到47.398， 反映出我國制造業企業間的智能制造發展水平差異較大； 另外， 各行業智能制造指數的均值均高于中位數， 說明部分企業智能化程度已處于較高水平， 而大部分企業的智能制造水平還有待提升。

表2列示了智能制造主要數據的分年度均值統計情況， 圖1直觀地展示了其變化趨勢。由表2和圖1可知： 2015 ～ 2020年企業智能制造水平呈逐年上升的趨勢，2021年稍有下降； 硬件資本投入遠高于軟件資本投入， 但軟件資本投入增幅明顯高于硬件資本投入； 另外， 生產和技術員工人數經歷了先下降后上升的過程， 說明智能制造對生產員工帶來了替代效應， 同時對技術員工提出了更高的能力要求， 勞動力結構改善引發人員波動。

3. 基于智能制造試點示范項目的智能制造指數有效性檢驗。工業和信息化部在智能制造試點示范項目的遴選過程中， 制定了《智能制造試點示范項目要素條件》作為指引， 對企業具備的要素和條件提出了相應要求， 因此可以確定入選試點示范項目的企業智能制造水平較高。根據工業和信息化部2015 ～ 2018年發布的智能制造試點示范項目名單， 以是否入選該名單對樣本進行分組， 并進行智能制造指數的均值T檢驗。表3的檢驗結果表明， 入選試點示范項目組的智能制造指數均值顯著高于未入選試點示范項目組， 且均值差異在1%的水平上顯著。

由于智能制造試點示范項目于2015 ～ 2018年開展， 且2019年后受疫情影響較大， 故本文還分別選取2015 ～ 2019年、 2015 ～ 2018年的樣本進行有效性檢驗。表3中的結果顯示， 2015 ～ 2019年、 2015 ～ 2018年入選試點示范項目組的智能制造指數均值依然顯著高于未入選試點示范項目組。可以看出， 入選智能制造試點示范項目的上市公司的智能制造指數顯著更高， 因此本文提出的智能制造指數能夠有效反映企業智能制造水平。

四、 結語

在我國推進新型工業化， 加快建設制造強國， 推動制造業高端化、 智能化發展的背景下， 本文聚焦于企業層面的智能制造水平衡量， 參考智能制造水平的國家標準以及已有研究， 綜合企業智能制造的供給投入端和成效產出端， 利用面板隨機前沿分析方法， 測算企業從智能制造投入到產出經濟效益的過程效率， 得到反映企業智能制造水平的效率指數（IM）。經過分析發現， 我國制造業企業間智能制造發展水平差異較大， 且大部分企業的智能制造水平低于平均水平。自2015年起， 隨著智能制造發展規劃的提出以及相關國家標準的不斷完善， 企業智能制造水平呈顯著上升趨勢。此外， 本文利用工業和信息化部發布的智能制造試點示范項目名單， 對智能制造指數的有效性進行了檢驗， 結果顯示本文構建的智能制造指數能夠較好地反映企業智能制造水平。

基于面板隨機前沿分析方法的企業智能制造指數能夠科學合理地反映企業智能制造水平， 其大樣本可得的優點對于學術研究以及企業時間序列上的自我評價與行業比較分析都具有較好的參考價值。

【 主 要 參 考 文 獻 】

陳秀英，劉勝．智能制造轉型對產業結構升級影響的實證研究［ J］．統計與決策，2020（13）：121 ～ 124．

董志學，劉英驥．我國主要省市智能制造能力綜合評價與研究——基于因子分析法的實證分析［ J］．現代制造工程，2016（1）：151 ～ 158．

高亮，吉敏，楊敬輝．中小企業智能制造能力成熟度模型［ J］．科技管理研究，2022（6）：36 ～ 42．

龔炳錚．智能制造企業評價指標及評估方法的探討［ J］．電子技術應用，2015（11）：6 ～ 8．

劉飛，田高良．信息技術是否替代了就業——基于中國上市公司的證據［ J］．財經科學，2019（7）：95 ～ 107．

劉峰，寧健．智能制造企業技術創新效率及其影響因素［ J］．企業經濟，2016（4）：142 ～ 147．

劉進，李霆威，王雷．財稅政策對企業智能制造的影響——以江蘇為例［ J］．科技與經濟，2022（1）：6 ～ 10．

劉軍，錢宇，曹雅茹等．中國制造業智能化驅動因素及其區域差異［ J］．中國科技論壇，2022（1）：84 ～ 93．

呂榮杰，張思佳，吳超．高管團隊注意力對企業技術獲取模式的影響——基于智能制造視角［ J］．科技管理研究，2020（8）：166 ～ 175．

孟凡生，趙剛．傳統制造向智能制造發展影響因素研究［ J］．科技進步與對策，2018（1）：66 ～ 72．

權小鋒，李闖．智能制造與成本粘性——來自中國智能制造示范項目的準自然實驗［ J］．經濟研究，2022（4）：68 ～ 84．

任俊飛，吳立輝，魚鵬飛等．機械制造企業智能制造能力成熟度評價研究［ J］．科技創新與應用，2020（2）：55 ～ 56+58．

任嵬，索寒生，招庚等．石化行業智能工廠能力成熟度模型研究［ J］．計算機與應用化學，2019（3）：247 ～ 254．

蘇青福，劉雙虎，董方岐等．汽車行業智能制造能力成熟度評估指標研究［ J］．信息技術與標準化，2021（Z1）：37 ～ 43．

唐宜紅，顧麗華．智能制造對出口的影響——基于工業機器人的經驗證據［ J］．國際經貿探索，2022（4）：4 ～ 21．

萬曉榆，趙寒，張炎．我國智能化發展評價指標體系構建與測度［ J］．重慶社會科學，2020（5）：84 ～ 97+2．

王媛媛，張華榮．G20國家智能制造發展水平比較分析［ J］．數量經濟技術經濟研究，2020（9）：3 ～ 23．

肖吉軍，鄭穎琦，徐潔萍．基于AHP與DHNN的智能制造成熟度評估模型研究［ J］．系統科學學報，2020（2）：105 ～ 110．

易偉明，董沛武，王晶．基于高階張量分析的企業智能制造能力評價模型研究［ J］．工業技術經濟，2018（1）：11 ～ 16．

應里孟，陽杰，高曼如．智能制造與企業績效——基于PSM-DID方法的實證檢驗［ J］．財會月刊，2020（12）：11 ～ 17．

張樹山，胡化廣，孫磊等．智能制造如何影響企業績效？——基于“智能制造試點示范專項行動”的準自然實驗［ J］．科學學與科學技術管理，2021a（11）：120 ～ 136．

張樹山，胡化廣，孫磊．智能制造有利于增加企業技術創新投入嗎——基于智能制造試點的準自然實驗［ J］．科技進步與對策，2021b（23）：76 ～ 85．

周濟．智能制造——“中國制造2025”的主攻方向［ J］．中國機械工程，2015（17）：2273 ～ 2284．

Cornwell C.， P. Schmidt， R. C. Sickles. Production frontiers with cross-sectional and time-series variation in efficiency levels［ J］． Journal of Econome-trics，1990（1-2）：185 ～ 200．

Jondrow J.， C. A. K. Lovell， I. S. Materov， P. Schmidt. On the estimation of technical inefficiency in the stochastic frontier production function model［ J］． Journal of Econometrics，1982（2-3）：233 ～ 238．

Li F.. Textual analysis of corporate disclosures： A survey of the literature［ J］．Journal of Accounting Literature，2010（29）：143 ～ 165．