制造業企業數字化轉型的影響因素

【摘要】數字化轉型的影響因素及路徑演變是數字化轉型研究的關鍵問題之一，可以進一步回答數字化從投入到產出期間相關動力因素的作用方式和傳導機制。文章基于2381家企業樣本，以企業規模為控制變量，實證研究數據資源、數據分析、組織學習等不同因素對于制造業企業數字化轉型績效的邊際貢獻，旨在揭開企業數字化轉型的“黑箱”，探討不同動力因素對于制造業企業數字化轉型的影響。研究發現，學習能力、數據質量、人力資本、數據增量、技術能力等因素的邊際貢獻依次減弱。

【關鍵詞】數字化轉型；影響因素；學習能力；數據質量；人力資本

【作者簡介】陸洋，博士，興業國信資產管理有限公司高級工程師，研究方向：數字經濟和數字化轉型。

中圖分類號：F406.2；F425文獻標識碼：A

引言

推動我國制造業數字化轉型是關系到搶占第四次工業革命歷史機遇、推動經濟高質量發展、贏得全球競爭新優勢的重大歷史任務，具有重要的現實意義。制造業數字化轉型可以劃分為兩個階段，即流程驅動的信息化階段和數據驅動的智能化階段。流程驅動與數據驅動的數字化過程既有區別，又有聯系。從區別看，二者在技術基礎、業務變革和生態合作等方面均有顯著不同。例如：更多的企業從IT硬件和軟件投資轉向購買ICT服務或開源軟件，引發傳統數字化轉型政策措施重塑的討論[1]；在流程驅動的信息化時代，企業通過建模提高信息處理效率，而在當前的數字化轉型中，企業不但要維持現有的業務流程模型，還要為數字產品打造此類模型的新變體[2]；企業組織轉型不僅需要獲得新技術知識，而且需要從合作伙伴那里吸收獲得新技術知識的能力，在從信息化到數字化的轉型過程中，企業組織從戰略合作伙伴那里獲得新技術知識的動機也在發生顯著變化[3]。從聯系看，信息化是數字化的基礎和前提，如果企業缺乏自上而下建立的信息化能力以及與實踐相匹配的管理制度和人才儲備，那么在數據時代就很難實施數字化轉型，無法充分獲取和利用有價值的數據資源，因此，傳統的信息化建設為數字化轉型奠定了基礎。

當前，制造業數字化轉型正步入以數據為生產要素的新階段，數據驅動型數字化轉型對企業競爭優勢的影響逐漸受到各方關注。相關研究大致分為三種類型。一是作用機理和路徑類研究。許多學者從不同視角探討了數據成為生產要素提升企業績效的實現機制，而關于數據驅動企業數字化轉型的討論相對較少。焦豪等（2021）[4]深入分析了企業如何利用數據驅動效應推動數字化轉型，但研究局限于自帶數字基因的數字平臺企業，未涉及廣泛的市場主體——非平臺類企業。二是經濟價值和績效類研究。數字化轉型長期被認為是企業組織實現更高水平績效的必要戰略[5]，許多研究驗證了數據驅動對于提升企業績效的積極影響。如McAfee（2012）[6]通過實證研究發現，在一個行業中使用數據驅動決策（Data-Driven De？ cision）模式占比前三名的企業，其平均生產效率和利潤率分別比競爭對手高5%和6%左右。三是影響因素和進程類研究。國內外此類研究相對較多，但大部分是從技術采納的視角研究企業數字化轉型的影響因素，較少將數據驅動能力納入評估體系[7-9]。近年來，Brynjolfsson進行了一些創新性研究[10-11]，根據他與合作者于2016年發表在頂級經濟學期刊《American Economic Review》上的文章顯示，企業的業務范圍、產出規模、基礎設施、人才儲備、變革意愿等因素共同決定了數據驅動決策模式在制造業企業中的采用程度[10]。總體上，企業的業務范圍、產出規模、變革意愿、IT基礎、數字化人才等因素對數字化轉型進程的邊際貢獻依次減弱。

此外，多項研究表明，數字化轉型是一個高度復雜的過程，企業面臨較高的不確定性和失敗風險。據全球知名管理咨詢公司麥肯錫（McKin？ sey Company）研究部門發布的報告，數字化轉型的失敗率常年在70%～90%之間波動，即有2/3以上的數字化轉型不成功。其中一個非常重要的原因是，數據驅動企業數字化轉型的路徑尚不清晰，相關因素影響程度未能充分揭示，缺乏定量闡釋“數據驅動數字化轉型影響企業競爭優勢”的扎實證據。1987年，諾貝爾獎獲得者索洛研究發現，企業對信息技術進行了大量投資，但在產出端卻很難看到信息技術對產出和全要素生產率的改善。這一顛覆性發現引發了“信息技術能否創造價值以及如何創造價值”的熱烈探討，結論大致分為三類。一是信息技術績效改善具有“滯后效應”，即只有當信息技術在企業中的滲透和應用超過一定的臨界水平才可能帶來可見的績效改善[12]；二是互補資產理論，即實現信息技術改善經濟績效需要一系列互補性資產或能力[13]；三是吸收能力理論，即企業的吸收能力是決定技術溢出效應大小的主要因素[14]。隨著數據成為一種關鍵性的戰略資源和生產資料，充分利用數據驅動決策模式的管理者，能夠基于數據獲取知識而非憑靠商業直覺來做出決策，從而提高了決策的科學性與準確性。

一、研究設計

（一）模型設計與變量選擇

當前企業數字化轉型表現為數據驅動特征，本質是數據驅動的智能決策過程，即企業利用各類數字技術獲取數據，再對數據進行智能分析，進而優化決策，實現企業資源配置效率改善的過程?？傮w看，數據驅動型數字化轉型對企業績效的影響受數據資源、數據分析能力、學習能力、企業組織特點等多重因素影響。

數據資源的數量和質量都會影響企業績效。一方面，隨著數據要素的積累，企業產品的質量和價值也會快速提高[15]，越來越多的企業正在通過積累數據資源加速數字化轉型[16]；另一方面，數據質量的差異同樣影響數字化轉型效果，大量的、質量參差不齊的數據資源會阻礙數據化運營管理的效率。Bajari等（2019）[17]通過對亞馬遜產品銷售量預測系統的實證分析，發現產品在市場上因銷售時段增加所產生的額外數據能夠提升預測表現，而同一種類產品因數量增長所產生的額外數據不能改進預測表現，說明不同類型的數據對于數字化轉型決策存在異質性。因此，本文提出假設1。

H1：數據資源對企業數字化轉型績效有正向影響。

企業通過數據分析可以得到更廣泛、更深入和更準確的觀察結果，進而提升決策質量。數據分析能力能夠促進企業績效提升，其機制是通過提高企業技術能力和營銷能力間接提高企業績效。Brynjolfsson等（2016）[10]認為，擁有強大的IT資產使企業更有可能實施數字化轉型，并從“數據驅動”的過程中獲益。Yasmin等（2020）[18]研究發現，數據分析能力之間具有相互依賴性，其中以技術設施能力最為重要，其次是管理能力和人力資源能力。值得注意的是，數據創造價值的過程離不開人才支撐和智力支持，所以人力資本也是影響企業數字化轉型的重要因素[19]。數據分析需要依靠數字化人才，數據分析能力越來越受到企業人力資源部門的重視，培養數字化人才成為企業能否實現數字化轉型的關鍵。因此，本文提出假設2。

H2：數據分析能力對企業數字化轉型績效有正向影響。

學習能力是激活數據要素價值十分重要的企業資產。數據創造價值需要企業組織的關鍵結構與能力進行適應、調整與更新，避免企業組織原有流程和業務模式形成慣性，阻礙數據分析對數字化轉型效果的影響[20]。學習能力幫助企業通過多渠道、多維度的數據反饋，形成快速迭代、持續調整的企業策略。企業依據數據分析結果可以更好地進行組織內部調整改進，同時從外部獲取知識并內化為企業資產，二者共同提升企業數字化轉型的競爭力。從內部試錯改進的角度看，學習能力強的企業能夠利用組織內部知識，通過快速實驗迭代、成員間知識共享等方式實現新知識創造以及組織能力上的精煉、轉換、擴展和更新，最終夯實數字化轉型基礎。事實上，有效的數據分析要求企業組織不斷自我調整和改進，許多企業沒有充分認識和實施，最終導致數字化轉型失敗。因此，本文提出假設3。

H3：學習能力對企業數字化轉型績效有正向影響。

大型企業作為全球數字化轉型的領軍者，聚焦數字化集成，探索智能化突破，在前沿領域進行著全局化探索。一些處在最前沿、能力強的大企業開始通過自建平臺、組建聯盟等方式向數字化轉型，將覆蓋全鏈條、全行業的綜合數字化解決方案對外公開，賦能其他企業轉型。近年來，中小企業也逐漸認識到數字化轉型的重要性，從而加快轉型步伐，但中小企業數字化基礎相對薄弱，資金、人才、經驗等資源普遍缺乏，目前主要以初級的信息化補課為主，實現深度數字化的企業還比較少。Brynjolfsson等（2016）[10]研究證實，大企業更容易實現數字化轉型。一方面，企業規模與數據資源匯聚水平相關，規模更大的企業能夠匯聚高質量的數據資源，為數據提供決策分析奠定良好基礎；另一方面，大企業能夠為數據分析配置更高效的資源，從而影響企業數據利用效率。數據要素價值化是一場創新速度和效率的競爭與變革，企業組織達到一定規模后，往往更重視數據分析支持的決策，數據分析獲取的知識傳播、轉化和利用更加高效。因此，本文提出假設4。

H4：企業規模對企業數字化轉型進程有正向影響。

綜上所述，數據驅動型數字化轉型影響企業績效的路徑如圖1所示。數據資源既能直接作用于企業績效，也能通過數據分析能力的中介效應間接對企業績效產生積極影響。其中，數據分析能力在數字化轉型過程中發揮了重要的橋梁作用。一方面，它是企業基于數據資源挖掘知識價值并最終獲得績效改善的關鍵樞紐，體現出企業將原始數據轉化為有價值的數據資產的能力；另一方面，通過數據分析獲取的信息和知識可以直接對企業績效產生貢獻，但有時也需要通過學習能力的中介效應才能發揮對企業績效的正向促進作用，原因在于企業獲取的信息和知識必須在組織內經過分享、試錯、吸收、調整等一系列行為，才能內化為企業資產并有效指導生產和經營，最終提升企業績效。

考慮到企業規模（scale）的外在影響，本文將其作為控制變量，選取數據資源、數據分析、組織學習等作為企業數字化轉型績效的影響因素。其中，數據資源用增量和質量兩個維度衡量，數據分析能力從技術和人才兩個方面評定，組織學習考慮企業利用數據獲取知識的學習能力。解釋變量包括：數據增量（data_flow）表示企業可用數據增量，反映企業對數據資源的積累能力；數據質量（data_qua）表示企業數據資源的可用性，一般從規模、種類、速度等維度衡量；技術能力（tech）表示企業開展數據智能分析的技術實力，如新型數據庫、云計算、開源軟件、并行計算等；人力資本（hc）表示企業開展數字化轉型的人才能力，以數字化相關部門的主管作用最為重要；學習能力（study）表示企業進行數據知識積累與共享的能力，可以從數據跨部門流通、數據改善研發生產管理等方面考慮。

被解釋變量為企業績效（performance），它是一個多維度的概念，往往根據所研究的問題用不同的指標衡量。從財務視角看，一般采用銷售收入增長率、銷售利潤率、資產回報率、資產收益率、資金周轉率等指標衡量；從非財務視角看，一般采用企業市場份額、顧客滿意度、企業市場地位等指標衡量。為研究數字化轉型對企業績效的貢獻，本文綜合考慮數據的可得性和魯棒性，分別從數字化盈利能力（profit_score）、數字化運營效率（op？ era_ad）和市場規模（market_share）三個方面衡量企業績效，并采用傳統的多元線性計量方法對企業生產函數進行建模，以此研究上述影響因素與企業績效之間的關系。

式（1）中，Performance是被解釋變量，da？ ta_flow、data_qua、tech、hc、study是解釋變量，scale是控制變量，β為截距項，u為隨機項（遺漏變量），n為有效樣本數。預計所有自變量都會對因變量產生正向影響，影響程度需計量回歸后觀測。

（二）數據來源與變量測量

本研究與湖南、貴州兩地政府合作，開展各地市產業數字化水平評估，并在此基礎上進行數字化轉型研究。貴州地處我國西南內陸腹地，2015年貴州省政府將大數據上升為全省戰略，開設全國首個大數據交易所，持續推進大數據和實體經濟融合，依托大數據對各行業、各領域、各企業的全流程改造成效顯著，數字經濟增速連續多年居全國首位；湖南位于我國中部地區，近年來數字經濟強勢崛起，制造業與互聯網融合發展不斷深化，數字經濟占GDP比重逐年上升，2020年數字經濟增速全國排名第四，長沙擁有中部地區唯一的新型數據交易所。由此可見，貴州、湖南在地理位置、產業結構、政策支持、發展潛力等方面具有典型性，因此本文采用此兩省規模以上企業的調研統計作為研究的數據基礎。

問卷相繼征求國家智庫研究人員、行業專家和企業高管的意見，不斷對相關題目進行完善，形成最終問卷。問卷承諾保證數據隱私安全，涉及選擇問題均為不定項，要求企業管理者和專業技術人員共同填寫，并附企業公章以保證數據的真實性和有效性。調研過程中向近3000家制造業企業發出問卷，共回收問卷2900份，在剔除缺失率較大的樣本后，最終得到2381份有效問卷，有效樣本占比82.1%。樣本企業的基本特征如表1所示。

本文采用設置選項和分箱處理的方法對變量進行測量。被解釋變量企業績效（performance）的測量主要涉及三個表征變量。一是盈利能力（prof？ it_score），反映企業通過數字化轉型獲得的銷售增長和利潤提升，對應問卷題目“企業依托數字化能力實現的銷售增長與行業平均水平的比較（高于、低于、約等于）”和“企業利用數字化手段實現的利潤提升與行業平均水平的比較（高于、低于、約等于）”，取值1～5。二是運營效率（opera_ad），反映企業通過數字化轉型實現的運營能力改善，對應問卷題目“與行業平均水平相比，企業通過數字化改造在運營方面具有哪些優勢（響應市場需求更快、產品運營成本更低、顧客滿意度更高、以上均不符合）”，取值1～4。三是市場規模（mar？ ket_share），反映企業通過數字化轉型實現的產品市場占有率提升，對應問卷題目“企業依托數字化能力開發的產品市場占有率與行業平均水平的比較（高于、低于、約等于）”，取值1～3。

解釋變量如前文所述。其中：數據增量（da？ ta_flow）采用企業存儲的與生產經營活動相關的日增數據量進行衡量，取值1～8，取值越大表示日增數據量越多；數據質量（data_qua）對應問卷題目“企業可調用的數據具有哪些特征”，取值1～4；技術能力（tech）對應問卷題目“企業具備哪些智能技術能力”，取值1～6；人力資本（hc）對應問卷題目“數字化部門主管具備哪些能力”，取值1-4；學習能力（study）對應問卷題目“企業組織內部通過何種形式進行數據知識積累與共享”，取值1～4。

控制變量企業規模（scale）根據企業2020年營業收入和員工人數，劃分為微型企業、小型企業、中型企業、大型企業和超大型企業五個維度，取值1～5。研究中的變量類型、測量題目、取值范圍等在表2中詳細展示，樣本均值、標準差等描述性統計如表3所示。

二、實證檢驗與結果分析

為了更好地觀測影響因素的邊際貢獻[21]，本文進行了基準模型回歸，各解釋變量的系數、占比及顯著性檢驗情況如表4所示。

首先，探討企業績效與數據資源之間的關系。在以企業規模（scale）為控制變量的條件下，數據增量（data_flow）和數據質量（da？ ta_qua）對企業績效（performance）均具有正向促進作用，回歸結果在0.01的水平上顯著。具體看，數據增量與數據質量對經濟的貢獻程度約為1∶9，反映出數據質量對提升企業績效的重要作用。

其次，將技術能力（tech）和人力資本（hc）加入回歸模型。結果顯示，兩個解釋變量對企業績效（performance）也具有顯著的正向影響。具體來看：數據質量的影響程度依然最高，而數據增量的邊際貢獻最??；技術能力和人力資本的影響程度相當，均約為19%，反映出技術和人才能夠幫助企業有效開發數據資源，對于提升企業績效十分重要。

最后，將學習能力（study）加入回歸模型。多元回歸分析結果如表5所示，各項解釋變量對企業績效（performance）均具有正向促進作用。具體來看：學習能力的邊際貢獻最大，約為46.3%；數據質量次之，邊際貢獻約為29.6%；隨后是人力資本，影響程度約為11.5%；數據增量和技術能力的影響程度較低，分別約為6.4%和6.1%。在統計檢驗上，除技術能力在0.1的水平上顯著外，其余解釋變量均在0.01的水平上顯著。根據方差膨脹系數（VIF）可以看出，各解釋變量的取值均小于10，表明自變量之間不存在多重共線性問題。

實證研究表明，企業基于數據的學習能力對于企業經濟績效的貢獻最大。數據要素價值釋放是企業從外部獲取知識、調整自身行為、內化組織資產的過程，其核心和本質是企業通過對數據的感知、學習、吸收和轉化獲得競爭優勢。從內部試錯改進的角度來理解，學習能力強的企業可以利用現有的組織內部知識，通過快速實驗迭代、成員間知識共享等方式實現新知識創造，并最終實現企業組織能力的精煉、轉換、擴展和更新。

數據質量也是決定企業數據應用效果的核心因素，而數據增量并非主要因素，這與我國制造業數字化轉型的發展階段密切相關。在信息化階段，企業“重應用系統建設、輕數據加工分析”的現象非常普遍，企業建設了較多的軟件系統，但由于供應商多樣、部門間訴求不同等，各個系統的數據格式存在差異且互不兼容，數據共享困難，形成“數據孤島”。然而，較高的數據質量能夠極大地減少數據清洗、標注、流通等環節的成本，增強企業組織調用和分析數據的能力，對企業績效的邊際影響也更為明顯。

人力資本的邊際貢獻還十分有限。目前，我國工業化和數字化交叉領域的復合型人才十分緊缺，掌握行業知識的人才往往不懂數字化技術，而IT人才又往往不懂制造業的專業技術。從管理水平看：許多企業領導不清楚數字化和信息化的區別，對數字化的認識還停留在信息化階段；數字化部門主管層級較低，往往不在企業戰略的核心決策層，協調相關方合作十分困難，應用數據分析結果指導生產還很有限。因此，盡管人力資本可以顯著促進企業數字化轉型，但在本文中的邊際影響程度較低。

技術能力對企業經濟績效的貢獻較小，這可能是由于智能技術的成熟度不高、滲透率不足。近年來，以新型數據庫、開源軟件、云原生等為代表的新一代ICT技術逐漸興起，為數據應用和企業轉型注入了新動能，但只有一些資金充裕的技術型企業勇于嘗試，大多數傳統行業企業望而卻步，未能讓全行業數字化轉型績效實現顯著提升。從技術采納的視角看，新技術的滲透率只有超過一定的臨界值，才會在統計層面展示出對經濟績效的明顯改善，即新技術的經濟價值存在滯后期。在一個完整的數字化轉型周期中，新技術產生的經濟效應可能會呈現為“J”型曲線，不可能在短期內出現經濟產出的增長，甚至可能會有輕微的下調，但后續會出現較高水平的增長。

三、結語

（一）研究結論

數字化轉型影響因素及路徑研究是動力研究的重要方向。本文重點以數據驅動型數字化轉型為研究對象，基于2381家企業樣本，實證研究制造業企業數字化轉型影響因素的邊際貢獻。研究首次提供了系統性證據，表明在眾多影響因素中與數據相關的管理實踐能夠更好地促進轉型績效，在一定程度上揭示出數字化從投入到產出期間的動力因素和影響路徑。

第一，制造業企業數字化轉型正迎來以數據為重要資源的發展機遇期。近年來工業互聯網平臺的發展，推動了產品設計、生產工藝、設備運行、運營管理等海量數據的全面采集。數據是寶貴的資源，蘊含著規律和邏輯，企業應對數據資源進行挖掘整理、去粗取精、去偽存真、深入分析和科學應用，將數據資源轉化成企業發展的財富。

第二，本文豐富了數據驅動企業數字化轉型的理論和實證研究。系統性證據表明，決策者通過分析和使用數據可以顯著改善經濟績效。數據驅動企業數字化轉型加速發展，在產品研發、經營管理、商業模式等環節日漸成為核心生產要素和價值創造來源。其經濟學機理是：數據要素的開發利用帶來信息的高效流通，在很大程度上解決了信息不對稱的問題，并創造出大量基于數據的新型業務模式和產業環節，從而促進產業價值的轉移、創造和重構。

第三，本文擴展了互補資產在數據驅動型數字化轉型情景下的適用性。數字化轉型是一項復雜的系統工程，涉及技術和產業、供給和需求、理論和實踐、生產力與生產關系等多重關系。本文結合互補性能力理論，實證分析了不同因素對于數字化轉型績效的邊際影響，為提出更有針對性的數字化轉型發展策略提供理論支撐?？傮w上，學習能力、數據質量、人力資本、數據增量、技術能力等因素對于數字化轉型績效的邊際貢獻依次減弱。

第四，本文揭示了學習能力、數據質量在數字化轉型過程中的關鍵作用。數據驅動型數字化轉型具有敏捷創新、泛在互聯、全局協同、智能決策的時代特征，企業處于高度動態的環境中，需要應用數據分析及時快速響應變化。在此過程中，企業組織的學習能力成為重要的無形資產，能夠幫助企業時刻感知和識別新信息和新知識，在組織內部建立共識，及時抓住機遇，并最終獲取商業價值。高質量的數據資源能夠節約數據互聯互通的成本，提升數據要素規模報酬水平，因而成為數字化服務與創新的重要基礎。

第五，從企業側看，制造業數字化轉型存在轉型動力不足、轉型基礎薄弱、公共平臺欠缺等問題，企業不會轉、不能轉、不敢轉的問題尚未得到有效解決。

（二）研究啟示與展望

首先，充分認識數據要素價值化對企業數字化轉型的促進作用。數據資源只有經過分析和應用，從數據生產端轉移至應用端，并在生產經營中產生效應，才能真正釋放數據作為生產要素的市場價值。當前，我國企業對數據資源的利用大多停留在表面，數據應用尚不深入，應用領域相對較窄，數據與場景融合不深，致使海量數據資源無法盤活，數據潛力未能得到充分釋放[22]?；诒疚难芯浚ㄗh引導廣大市場主體深化數字化轉型，開展基于數據的研發設計、生產制造、產品運維、經營管理的業務全流程綜合應用，提升企業產研供銷數據的應用水平。同時應注意，數據在企業組織中的融合應用會受到學習能力的顯著影響，企業應建立各部門溝通協調、解決爭議的組織紐帶，最大程度地挖掘數據價值化所依賴的互補資源。

其次，技術手段將成為解決當前數據應用困境的重要突破口。企業數據來源眾多、體量龐大、結構各異、關系復雜，從中挖掘高價值、關聯性強的高質量數據，需要高效的信息技術支撐和可靠的基礎設施保障。本文研究發現，當前數據智能分析能力成熟度不高，在企業數字化轉型中滲透不夠，導致經濟績效未能充分體現。基于此，應進一步發揮大數據技術在數據挖掘方面的效用，提升大數據技術在不同場景、不同行業的適配能力，不斷提升數據分析技術的智能化水平，在保障數據合規、保護數據安全的前提下促進數據價值釋放，同時控制整體成本，提升技術應用效率。

最后，人才培養有助于形成數據驅動數字化轉型的核心力量。目前，數字化人才供需矛盾日漸凸顯，企業利用數據建模分析解決實際問題的能力不足。從短期看，應支持各類數字經濟領域勞動力市場、人才市場建設，優化人崗智能匹配等個性化就業服務，提高數據人才供給與需求對接效率；從中長期看，應持續完善數字化人才培養體系，擴大數據分析相關職業培訓與繼續教育規模，加強職業院校數字技能類人才培養，推進專業升級和數字化改造，優化完善課程設置，建設高水平數字技能職業教育師資隊伍。

本文研究還存在以下局限性：第一，本文對企業數字化轉型影響因素的理解仍不完整，許多潛在的重要因素，如公司文化、競爭壓力等未能在實驗中進行深入探討[23]；第二，行業屬性可能會影響數據分析應用的效果，特別是制造業與零售服務業數字化轉型機理差異較大，本文未對不同行業數據驅動決策與企業績效之間關系進行對比；第三，數字化轉型投入與產出之間的“黑箱”仍未充分揭示，下一步將在理論層面探討數據資源驅動企業轉型的路徑過程，剖析數據資源驅動績效提升的實現機制，進一步解釋數據驅動企業數字化轉型的決策方法和經濟效應。

參考文獻

[1]DESTEFANO T，DEBACKER K，MOUSSIEGT L. Determinants of digital technology use by companies[R]. OECD science， technology and innovation policy papers，2017.

[2]BAIYERE A，SALMELA H，TAPANAINEN T. Digital transformation and the new logics of business process management[J]. European Journal of Information Systems，2020，29（3）：238-259.

[3]SIACHOU E，VRONTIS D，TRICHINA E. Can traditional organizations be digitally transformed by themselves？ The moderating role of absorptive capacity and strategic interdependence[J]. Journal of Business Research，2021（1）：408-421.

[4]焦豪，楊季楓，王培暖，等.數據驅動的企業動態能力作用機制研究：基于數據全生命周期管理的數字化轉型過程分析[J].中國工業經濟，2021（11）：174-192.

[5]HENDERSON J C，VENKATRAMAN H. Strategic alignment： Leveraging information technology for transforming organizations[J]. IBM systems journal，1999，38（2/3）：472-484.

[6]MCAFEE A，BRYNJOLFSSON E，DAVENPORT T H，et al. Big data： the management revolution[J]. Harvard business review，2012，90（10）：60-68.

[7]陸洋，王超賢.數字化轉型量化評估研究的比較分析與最新進展[J].科技進步與對策，2021，38（9）：152-160.

[8]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.

[9]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，2018，35（1）：66-72.

[10]BRYNJOLFSSON E，MCELHERAN K. The rapid adoption of data-driven decision-making[J]. American Economic Review，2016，106（5）：133-139.

[11]BRYNJOLFSSON E，MCAFEE A. The second machine age： Work， progress， and prosperity in a time of brilliant technologies[M]. New York：WW Norton Company，2014.

[12]DAVID P A. The dynamo and the computer： an historical perspective on the modern productivity paradox[J]. The American Economic Review，1990，80（2）：355-361.

[13]ZAHRA S A，SAPIENZA H J，DAVIDSSON P. Entrepreneurship and dynamic capabilities： A review， model and research agenda[J]. Journal of Management studies，2006，43（4）：917-955.

[14]BO？I？K，DIMOVSKI V. Business intelligence and analytics for value creation： The role of absorptive capacity[J]. International journal of information management，2019（6）：93-103.

[15]FARBOODI M，VELDKAMP L. A growth model of the data economy[R]. National Bureau of Economic Research，2021.

[16]SOTO-ACOSTA P. COVID-19 Pandemic： Shifting Digital Transformation to a High-Speed Gear[J]. Information Systems Management，2020，37（4）：260-266.

[17]BAJARI P，CHERNOZHUKOV V，HORTA？SU A，et al. The impact of big data on firm performance： An empirical investigation[J]. The American economic review，2019（mayappa）：33-37.

[18]YASMIN M，TATOGLU E，KILIC H S，et al. Big data analytics capabilities and firm performance： An integrated MCDM approach[J]. Journal of Business Research，2020（6）：1-15.

[19]FABIANI S，SCHIVARDI F，TRENTO S. ICT adoption in Italian manufacturing： firm-level evidence[J]. Industrial and Corporate Change，2005，14（2）：225-249.

[20]BAESENS B，BAPNA R，MARSDEN J R，et al. Transformational issues of big data and analytics in networked business[J]. MIS quarterly，2016，40（4）：807-818.

[21]BRYNJOLFSSON E，HITT L M. Paradox lost？Firm-level evidence on the returns to information systems spending[J]. Management Science，1996，42（4）：541-558.

[22]李偉.做好數據治理推動數字化轉型[J].中國金融，2020（1）：43-45.

[23]BLADER S，GARTENBERG C，HENDERSON R，et al. The real effects of relational contracts[J]. American Economic Review，2015，105（5）：452-456.

（責任編輯：從佳琦）

Research on Influencing Factors of Digital Transformation in Manufacturing Enterprises

LU Yang

（Xingye Guoxin Assets Management Co. Ltd.， Beijing 100000， China）

Abstract： The influencing factors and path evolution of digital transformation are one of the key issues in the re？ search topic of digital transformation， which can further answer the mode of action and transmission mechanism of relevant dynamic factors in the process of digital transformation from input to output. Based on the survey data from 2381 enterprises， and taking enterprise size as the control variable， this paper makes an empirical study of the mar？ ginal contribution of different factors such as data resources， data analysis， and organizational learning to the perfor？ mance of digital transformation of manufacturing enterprises， aiming to unveil the black box of enterprise digital transformation and explores the impact of different dynamic factors on the digital transformation of manufacturing en？ terprises. The study finds that the marginal contributions of several factors， including learning ability， data quality， human capital， data increment， and technical ability， decrease in turn.

Key Words： Digital transformation； Influencing factors； Learning ability； Data quality； Human capital