数字孪生技术优化制造业企业的决策机制研究

焦勇 包龙杰

[摘要]数字经济正在颠覆制造业企业的决策机制，推进实现了“生产者驱动→用户驱动→大数据驱动”的转变。具体以数字孪生技术为数字经济演变的基本技术形态，考察建立在数字孪生技术背景下制造业企业决策机制优化的总体设计。研究发现：数字孪生技术革新制造业企业的决策理念，表现为从模糊施策转向精准决策、从充分酝酿转向快速响应、从被动管理转向主动预警、从思维构想转型数字镜像、从信息辅助转向数据支撑，进而对制造业企业系统集成的重大决策、单一系统的重要决策、小微事项的优化决策和深度学习的预警决策提出机制优化的应对方案，最后提出基于数字孪生技术的制造业企业决策的多维支撑，分别为海量数据为基础、数据传感实时化、数字智能化分析、数字镜像可视化、多情景模拟优化。

[关键词]数字经济;数字孪生技术;决策机制;理念革新

一、 引言

推动制造业高质量发展是加快构建新发展格局的重大战略举措。近年来，政策层面提出要保持制造业比重基本稳定，巩固壮大实体经济根基。数字经济为制造业提质增效提供新动能，推动数字经济与实体经济深度融合发展成为当前制造业高质量发展的重要方向。随着数字经济的迅猛发展，制造业企业的决策机制愈发从“生产者驱动”转变成为“用户驱动”，从而形成现实意义而非理论意义上的用户驱动的管理变革[1-2]。数字经济对制造业企业决策机制变革存在两个发展阶段。第一，数字经济如何实现非生产环节的有效决策。企业需要花费精力介绍并包装产品，用户需要花费时间搜寻所需要的产品，数字经济解决了生产者与消费者之间的信息不对称问题;数字经济赋能制造业决策优化体现在采购、招聘、销售等环节，通过专业性的平台实现供需双方的对接，通过加速人力流转实现高效对接[3]。例如，企业发展所需要的人力资本可以通过专业的招聘网站、专业的猎头公司获得相应信息。从中可以得出，从生产者驱动走向用户驱动，企业生产的基本逻辑并没有发生改变，无非是制造业企业生产获得更加精准的用户信息，实现了生产者供给数据与消费者需求数据的精准匹配。第二，数字经济如何实现生产环节的有效决策。数字经济时代，最引人注目的改变是从价值重塑走向价值创造[4]。数字经济所带来的信息技术、大数据等先进技术手段与理念，给传统制造过程的决策机制带来变革，以跨界的全新思维实现制造环节决策机制的重塑，解决物（机械）与物（原材料）之间的信息不对称问题。

物理世界和信息世界的交融成为当前经济社会发展的主要瓶颈之一[5]，也成为制约智能制造的关键。数字孪生（digital twin）是以物理实体的多维、高频、实时、同等数据为依托，创新数字化、等量化、可视化、立体化的虚拟模型，通过数据模型、信息反馈、决策迭代等方法反映物理实体的真实状态，并增加或扩展物理实体的能力，连接物理世界和信息世界并提供实时的智能化服务[6-7]。数字孪生主要由两部分组成，一个是真实空间的物理实体，另一个是通过物理实体镜像出的信息化数字孪生体，该信息化数字孪生体属于虚拟空间，因此又称为虚拟实体，物理实体和虚拟实体之间通过动态数据进行联接[8]。数字孪生技术最早来源于航空航天飞行器的健康维护和保障问题，为了方便知晓飞行器的实时状态，通过建立“数字镜像”，实现物理世界的真实飞机与数字世界的数字镜像完全同步[9]。近年来，数字孪生技术逐步应用到工业互联网、智慧城市、智慧交通等领域，愈发表现出强大的生命力和发展前景。所以，以数字孪生为鲜明代表的数字经济技术体系，将如何影响制造业企业的决策机制，如何构建较为完善的决策机制，成为推动制造业高质量发展的重要方向。因此，本文基于数字经济技术层面，研究数字孪生技术如何优化企业制造过程的决策机制。

现阶段，制造业企业的决策机制仍不够健全，企业管理者的主观性和非理性等因素将会导致已有决策机制顶层设计的局部失灵，也會因为保守的决策思路与滞后的信息传递等因素导致决策机制的失效。并且，随着数字经济时代数据量的爆发式增长，企业层面大量信息超负荷运转，信息应用超过企业承载力负荷，导致企业决策机制的偏误与滞后等一系列问题。所以，本文需要探讨的核心点在于制造业企业如何凭借有效的数字技术理念和工具，实现从传统决策转向基于数据分析的决策[10]，这样可以在信息爆发的时代，能够切实提高制造业企业决策的准确性、科学性和反应速度，更加从容地面对急剧改变的外部市场。基于此，本文尝试提出辅助支撑制造业企业决策的数字孪生技术，以智能化的数字孪生技术为不同维度的决策提供有效支撑，实现制造业企业决策机制的精准化，这对实现智能制造具有重要的现实意义。

二、 数字孪生技术对制造业企业决策机制的理念革新

传统的决策机制由于对客观环境不够了解，以及人的主观影响使得决策机制具有滞后性、模糊性，甚至出现决策不当。现阶段制造业拥有较为完整的数字建模理念、数字化工具手段、实时传递的数据基础，完全有能力有基础构建自主演化、实时更新的制造业企业决策的数字孪生技术系统。数字孪生技术系统可以提供可视化的信息支撑，从而使得决策更加科学、精准、及时。数字孪生技术推动制造业企业决策机制的理念变革，主要体现在5个方面，分别是：从模糊施策转向精准决策、从充分酝酿转向快速响应、从被动管理转向主动预警、从思维构想转向数字镜像、从信息辅助转向数据支撑。

第一，从模糊施策转向精准决策。制造业的发展需要大量专业性知识，非专业人员从事专业性决策存在诸多的不确定性和主观性，所以充分信任专家、学者的经验成为决策的重要依据，发挥主观判断能力和主观能动性，有时候能够收到良好的效果。但是，若是考虑企业之外的经济发展、社会稳定、职务晋升等众多因素后，可能导致实际决策结果与理论结果存在一定程度的偏离，尤其是企业生产的紧缺物资没有精准、合理的分配方案，将会导致宝贵资源的低效率使用状态。基于数字孪生技术的决策机制支持系统，物资调配可以通过优化算法实现资源的优化配置，从而实现高水平的精准决策。精准决策是指决策的精细化，精准决策能够对企业生产的每一份原材料进行编码处理，准确识别、定位制造过程，保持制造业企业内部高效运转，并且大幅度降低由于人工统计所带来的成本与偏差。精细化处理所生成的海量数据，可以通过大数据技术予以系统化的整理、储存、利用，并且利用大数据技术实现实时调配，所以不再需要庞大的人力和脑力对数据进行“战术性”分析，为企业生产的每一环节实时高效的精准决策提供依据。

第二，从充分酝酿转向快速响应。充分酝酿是政府在不断地认识与实践中所创造的决策方式，这种方式不仅是官员面对各项事务的重要决策机制，也是保持“政治正确”与“政治成熟”的表现，同时还能够模仿、跟随做出“同群”决策来降低决策风险[11]。同样，这种充分酝酿的决策方式对于制造业企业而言，从决策程序看依靠组织力量充分酝酿的决策结果，能够最大限度保持民主决策与决策的充分性，有效避免决策结果走入极端情形。但是，在企业发展面临突发重大事项、重大机遇面前，决策结果仍然存在一定程度的滞后性，这是因为突如而来的机遇和挑战超乎理性预期结果，使得决策者面临措手不及的被动局面，从而贻误了最佳的决策时机。基于数字孪生技术的快速响应理念是建立在充分的数据测算、模拟与演练基础之上的科学决策与“实时化的市场洞察”[12]，正如“装配式建筑”在工地上建筑安装所耗费的时间很短但是依然不会影响建筑的各项标准，这是因为大量预制部件的浇筑工作已经做到前置，所以决策中能够实现快速响应的前置因素是数字孪生技术系统的海量数据的智能化分析，其对已有的数据进行降维，并且抽象出具有指导意义的关键信息，形成可以作为决策支撑的依据。

第三，从被动管理转向主动预警。制造业企业已有的重大决策仍然以被动管理为主，往往在面对内部运行和外部环境发生变迁等突发情况的时候，企业的相机决策机制和提前规划的预案将会同步运行，可是在突发情况的初期仍较难做到对生产过程的有效管控。例如，在快速反应的全球供应链加持下，很多智能设备制造商奉行零库存战略来降低成本，但是随着美国对国内部分制造业企业芯片出口管制，导致企业正常的生产过程遭遇突发的外部情况，此时再寻求替代方案将会造成生产的波动，甚至引致企业生存困境。数字孪生技术的重大突破在于智能化的分析手段，其有利于企业充分利用在长期经营过程中所形成的海量大数据，不仅包含企业自身生产各个环节的数据，还包含供应链各环节的数据，通过海量的微观数据的汇总并进行主动预警。例如企业生产一线员工、管理者所发现的关于制造环节的一手信息，数字孪生技术将会快速响应与支持性预警，从而为制造业企业的决策提供更加精准化的指向与举措，这种具有预警性质的决策将会大大降低突发事项的破坏程度。并且，这些数据在数字孪生技术的助推下，可以为企业开辟全新的市场空间，提供辅助的机会识别作用。华为在面临美国的芯片管制时，及时调整战略方向，着重发展5G设备等单位芯片价值量更高的产品，积极拓宽智能生活市场。所以，当生产的内部和外部环境发生突变时，以围绕已经发生的既定事实为基础，实现重大事项发生条件的资源优化配置成为决策的主攻方向。

第四，从思维构想转向数字镜像。已有的关于制造业企业的相关决策依赖于企业管理者的管理能力和判断水平，这些信息能够在头脑中形成有关制造的初步认知，或者勾勒出有关制造的粗线条信息，但这些信息并不能活跃地进行具化，更难以兼顾到海量的细节信息。又因为思维能力受制于不同决策者专业知识的限制，尤其是对制造信息的匮乏，在缺乏丰富默会知识之上的决策有可能导致错误的判断发展趋势。数字孪生技术对制造业企业决策机制的重大改变，也是应用最为生动的领域是将决策过程从“思维构想”转变为“数字镜像”，实现了决策过程从“看不见摸不着”的黑箱走向“看得见摸得着”的镜像。通过工程学设计、软件配套与数据的实时传递，能够立体化展示企业制造发展态势的多维信息。例如，通过数字镜像系统能够清晰地了解紧急物资的供给与需求，并且精确到每一环节，从而根据需求优先级的差异性来实现要素的最优配置。凭借数字孪生技术手段可以展现出物资动态流动的数字镜像，并进一步绘制资源优化配置的多情景模拟，从理论逻辑上实现了决策的精准化。在数字孪生系统中还可以实时考察现实状态，随时对突发的情况进行决策微调与修正。

第五，从信息辅助转向数据支撑。已有制造业企业的决策机制中信息起到辅助判断的作用，往往少数几个关键指标成为决策的重要依据，例如企业的产量、成本、利润等指标。关键指标虽然能够抓住企业制造的主要方面，但是一概而论的话却忽视了大量其他有效信息，导致信息在决策机制中的运用并不充分，没有挖掘每一组数据背后的无限可能。同时，关于企业制造的深刻认知需要专业化知识，而辅助支撑的信息仅是专业化知识的冰山一角，并不能形成对企业制造的全面认识。所以，制造业企业的各项决策需要以更加全面的第一手原始数据作为支撑。数字孿生技术系统能够收集实时上传的多维数据，通过复制真实的数字镜像实现模拟决策，从而为科学决策提供强有力的数据支撑。关于企业制造全方位的海量数据之中，可能有些数据所反映的信息比较少，这在普通决策中起不到影响作用，但是在叠加海量数据的综合分析基础之上，将会形成一定的规律性认知，从而构成精准决策的重要支撑。大数据愈发成为制造业企业科学决策表现出的新特征[13]。

三、 基于数字孪生技术的制造业企业决策体系优化

基于数字孪生技术的制造业企业决策机制仍然存在完善空间，凭借构建数字孪生技术的信息支撑，可以实现决策机制从科层制与中心化转向去中心化的方向优化[14]。基于数字孪生技术的制造业企业决策机制并不是单一的决策过程，而是数量众多、大小不一的决策所构成的决策集成，是“四维一体”的决策机制。具体而言分别是，存在系统集成的重大决策、单一系统的重要决策、小微事项的优化决策和深度学习的预警决策，制造业企业决策支撑体系如图1所示。

1. 系统集成的重大决策

系统集成的重大决策指的是关乎制造业企业全局，对企业制造的核心理念、重大事项、生产策略产生重要影响的顶层设计与战略安排，也是决定后续一系列决策部署效果的前置条件和关键所在，具有重大战略性意义的决策。例如，企业“是否生产、生产什么、如何生产、何时生产”等关键问题，还包含环境变迁后企业是否改变已有的生产逻辑等重大决策。在面对海量数据、尤其是支离破碎的离散数据面前，企业决策者难以凭借经验和观念意识做到决策的精细化。同时，叠加了数据、信息的实时更新，决策时需要考虑不同领域的诉求点和可能的矛盾，从而加剧了决策的困难程度。通过数字孪生技术系统能够为制造业企业重大决策提供一定的辅助支撑，这是因为基于海量数据优势和运算算法优势，通过对企业生产过程的系统性进行追踪，高效识别、分析、重组、汇合海量信息并形成决策的辅助参考。数字孪生技术体系所形成的决策参考建议完全遵循数据本身以及企业发展的现实，降低了经济、社会等其他角度的目标约束带来决策偏误的可能性。所以，数字孪生系统输出的是比较客观的结果，这种决策机制也有利于形成更加客观、准确的建议，而不是人为因素所带来的夸大或者缩小，从而减少了决策者在分析与整理数据中耗费的精力，真正将决策放置于数字孪生技术不能达到的精神、情感、情绪等层面的综合决策。西门子在中国有近百家工厂，想要把近百家工厂的产能协同调度起来，需要决策者将所有生产约束都考虑在内1，比如核心的物料、核心的模具、出口的要求、环保的指令、版本的控制。对于决策者来说，要综合考虑这些约束条件并做出重大决策极为困难，而利用数字孪生技术，将这个复杂问题模型化，搜集这个模型里需要的所有生产约束所需要的数据，进行分析决策，5个小时后便能够开工，提升订单满足率后，产能损失率显著降低，人工干预率显著降低，同时给出采购建议、订单承诺、异常分析并给出预警。

2. 单一系统的重要决策

单一系统的重要决策包含横向子区域和纵向子系统两种类型。横向子区域是具体的某一区域的集成优化决策，例如制造业具体的生产线在制造过程中实时上传的第一手资料。那么，通过数字孪生技术系统中该区域模块的及时响应，“化整为零”的子区域精细化管理成为必要选择，通过数字孪生技术进行实时监测，不仅实现了制造环节的精准化、细致化，还能够有效降低制造监管的成本。纵向子系统是指某种要素的全局决策，例如关键生产要素的供需与调配时采用物资模块优化决策，利用数字孪生系统并充分结合排队论、系统论的优化理论进行全局的合理调配，实时实现宝贵资源应用到生产领域。管理层需要充分发挥在单一系统决策中的主观能动性，降低出现决策重大偏差的可能性，为决策方向提供初步判断;进而利用数字孪生技术推动单一系统的决策更具科学性，在大数据加持下能够为决策的技术细节优化提供科学指导，从而实现决策机制和决策过程的优化。西门子通过将数字孪生技术和人工智能相融合，让电脑独立地设计出尖端产品。西门子已经意识到了其中的潜力所在，并且已经和加利福尼亚州的一家初创公司合作，该公司的目标是制造定制化的跑车。对于研发制造和运营，数字孪生技术正在和过去的传统典范告别，创造非同凡响的全新可能2。

3. 小微事项的优化决策

除了关乎全局的系统集成重大决策和单一系统的重要决策之余，仍然有大量具体的小微事项的优化决策问题。从数量看，这种决策的数量最多，构成一个个具体的行动指令;从性质看，这种决策虽然不会对全局構成重大影响，但是依然和全局相辅相成，只有把每一个小微事项都能够决策好、执行好，才会为全局的智能制造添砖加瓦。小微事项的决策往往会落到具体的执行者身上，若是以人力的形式决定这种数量庞大的问题的决策，将会耗费巨大的精力;若是管理者的主要心思放置于这些细节之上，反而造成本末倒置，以“战术上的勤奋掩盖战略上的懒惰”，这也会导致昂贵的管理资源的浪费。所以，企业生产过程中具体的生产指令、资源调拨、人员分配等决策问题，可以充分基于数字孪生技术系统并以运筹学的优化理念为本，强调有限资源的最优配置问题，所需要做好的事情是构建有效的决策目标与决策约束条件，做好人机互动的各项工作，从而以优化算法自动输出关于小微事项的优化决策方案，以大数据为支撑的系统自动生成的最优化生产方案构成生产决策的依据，并降低人为因素对生产过程的干扰。西门子运用数字孪生技术研发了一台创世界记录的飞机电动马达，不仅重量只有50公斤，性能比同类的马达强5倍之多1，在数字孪生技术下生产一个马达，不仅可以展示它的形态组成，而且可以分析功能，从轴线的转动到导热系数，再到传感器的数据以及更多。更重要的是，数字孪生还能持续进化，这得益于数据的流动、用户体验的反馈再输入，它可以极大地影响研发生产和运营，优化产品研发决策。

4. 深度学习的预警决策

深度学习的预警决策是数字孪生技术在不断迭代发展与系统优化之后所能够迸发的最具想象力的功能。如同气象学可以精准预报，数字孪生技术可以通过深度自主学习多维数据、高频数据和海量数据，尤其可以在流行病学发展趋势上提供前瞻性预警。当然，制造业企业的决策还可以跳出已有领域的界限，在跨界融合中寻找全新的思路与范式，提供具有创造性的预警方案。例如，谷歌能够通过对不同地区、不同时间人们关键词搜索记录的深度分析，尤其是流行病的关键词的智能分析，得知流行病在时空上的发展态势，并结合大数据的预测功能对制造可能产生的突发情况进行预警，往往这种预警机制会比部门预警还要来得早、来得精准。所以，在制造环节的预警领域思路也是一致的，最先知晓制造故障和技术改良的仍然是处于一线的具有较高专业知识的技术工人，所以通过建立有效的沟通与反馈机制，构建专业知识领域的实时数据传递系统，从而能够为突发故障提供基于“专业判断”与“数据分析”相融合的预警思路。因此，企业管理决策也从原先的企业管理者直觉判断转变为企业一线员工用数据来驱动决策，利用一线的大数据分析结果来取代高层管理者的直觉判断做出合理决策，将成为未来企业管理决策文化的新形式[15]。西门子研究部门发现，机器人要完成铣削的任务非常困难，因为制造过程中的强大冲击力会导致不精确的运动2，但是有了数字孪生技术，那些让机器人偏离铣削路径的力量可以被实时计算和补偿，以此来保证机器人在它应有的路径上。当涉及运营过程的时候，数字孪生通过接触点的仿真，可以对真实数据的传感器数据进行实时对比，该接触点进行并行操作的可行性可以被可靠地预测，因此，突然中断这种事故的发生将成为过去式。

四、 基于数字孪生技术的制造业企业决策多维支撑

基于数字孪生技术的制造业企业决策机制的完善，仍然需要不断完善的实现路径。制造业企业的数字孪生系统主要由海量数据为基础、数据传感实时化、数据智能化分析、数字镜像可视化和多情景模拟优化组成。这五大系统形成了一个有机的整体：海量数据的支撑系统提供新鲜的血液，数据传感实时化形成一个庞大的神经系统，数字智能化分析就像人的大脑，数字镜像可视化系统构成了躯干，多情景模拟优化构成功能延伸，从而使得数字孪生技术有生命力，更好地完善制造业企业的决策机制。详细的逻辑关系如图2所示。

1. 海量数据为基础

海量数据支撑系统构成制造业企业数字孪生的血液。数据驱动成为管理决策不可或缺的研究范式[16]，只有通过实时联通、附有信息增量的数据才是数字孪生技术的基础，才能形成具有鲜明特征并具有应用价值的支撑体系。一方面需要多维数据的收集和整理。数字孪生技术不仅需要多维、异构的其他企业、行业的数据作为支撑，同时还需要不断扩充模块化的专业数据，依托相应的企业和机构，推动数据的共享并服务于智能制造。当然，海量数据中仍然需要微观数据作为有效补充，如何有效、价廉地收集多维信息成为数字孪生技术数据模块建设的重点，并且在实际工作中仍然需要把控微观数据的时效性。需要围绕搜集的数据并打通围绕制造业企业生产环节所涉及的核心领域和环节的数据池，形成跨层次、跨领域、跨部门的数据云。另一方面需要做好数据的集成工作。不同渠道所获得的数据之间可能存在数据格式、数据类型的差异性，而基于已有的分析基础系统可能得不到数据的有效识别与高效处理。不同类型数据之间的转换与融合存在结构性差异性，导致数据之间可能存在断裂。尤其是海量数据若不能获得智能化处理，则会降低数据运用的时效性。所以，不同数据的整合不能依赖于人工汇合，而需要设计智能化的算法作为支撑，尤其针对本文信息的智能化分析。

2. 数据传感实时化

数据传感实时化成为制造业企业技术孪生的神经。从行为到数据、从数据收集到实时传递，都需要有高效的数据传感系统。数据传感的目的主要有两个：一是为了数据的实时传递，只有数据的及时更新才能够起到企业决策支撑和预警的重要作用，并且利用最低的成本带来最高的效用，从而最大化的实现数字孪生技术在企业生产决策中的作用。海量数据库的建立并不是一蹴而就的工作，支撑系统不仅需要历史数据作为逻辑验证和模拟运算基础，还需要最新的数据作为快速决策的依据，为实时给出精准化的决策建议提供便利。需要建立便利化、智能化的海量微观数据上传系统，使得经济社会实时发生的数据都可以通过系统上传到云端，在云端，通过5G技术的实时传递做好数据的更新与反馈。二是为了便利数据采集。若是依靠填写表格或者科层制的逐步上传，姑且不论数据传输的效率低下，单论海量数据的填报工作势必导致巨大的劳动投入，并且在长期的持续运行中产生巨额的人工成本如何，需要充分运用工业工程领域的多种传感器，推动基本单元的数据传感系统的构建。实践发展过程中也需要充分借助于已有的数据采集渠道，特别是各种垂直领域的新兴业态的数据，从而打通数据采集的通道。

3. 数字智能化分析

数字智能化分析系统构成制造业企业数字孪生的大脑。从数据到信息的转变，致用性、目的性成为数据与信息的根本区别，也是数字孪生系统的核心所在。通过对数据客观分析输出结论性信息并为决策提供依据。一是要建立在既定秩序和規则之下实现海量数据的高效运算与处理，能够为认知范围内的事务提供科学化、精准化的决策依据。例如，通过建立一定的生产资源供给预算与使用规则，利用海量微观数据进行智能化分析，实现既定资源的高效利用过程。从经济学视角看，建立在既定的资源约束与有限知识情景下，已有的资源调配并未实现最大化的配置效率和利用效率，即没有达到最大化利用的边界。而数字智能化分析的结果是依据约束条件和最大化效用条件，从而优化组合策略并获得最大的资源利用情况，实现所有资源均在效率最大化的地方获得高效使用。二是要通过机器学习提升数字孪生系统的深度自主学习能力，重新组织已有关于企业生产全方位、多角度的知识架构和行为准则，从而为决策提供尚未认知的重要信息和潜在的解决方案，拓宽制造业企业决策机制的科学化、精准化、智能化和多样化。这项功能更加具有想象空间，也实现了真正意义上的智能化。数字智能化分析能够跳出制造业企业已有知识所设置的条条框框，进而在更为宽松的框架和更少的规则下提供更加富有创造力的优化方案，即“不仅提供优化的均衡解，还提供优化的角点解”。

4. 数字镜像可视化

数字镜像可视化系统构成制造业企业数字孪生的躯干。可视化系统通过建模和模拟、并辅以工程学的措施，实现对企业生产各个环节与模块“看得见摸得着”的直观呈现，并且这种可视化并不是模拟，而是对真实现状的“同比例”数字化再现。通过数据建模、仿真模拟等数学方法，并结合工业技术领域的可视化技术手段，打造以数字孪生实验室为载体的数字镜像可视化系统，为企业决策机制的优化提供可视化工具和有力支撑。数字镜像由多模块、多节点的复杂系统组成。一是数字镜像可视化系统包含物流、信息流等重要模块，这些快速更新的流质成为系统节点之间相互连接的经络，也是进行内部充分交流的载体。二是需要考虑多种节点，这些节点构成数字镜像的重要组成模块，也是数字镜像需要逐步组建并完善的领域。可视化系统的初始阶段初级版本可能受制于数据收集不全、响应速度较慢等客观因素而不完整，需要在长时间的完善进程中逐步形成无限逼近企业生产真实状态的数字镜像。并且，数字镜像并不是一维的数据或是二维的图形，而是三维的立体虚拟现实的呈现，各模块之间有机结合并以实时传递的数据赋能，对制造过程进行真实复制，形成极具应用价值的数字镜像可视化系统。

5. 多情景模拟优化

多情景模拟优化构成制造业企业数字孪生的功能延伸。数字孪生技术不仅为多种决策提供有效支撑，同时还可以生成多情景的模拟为决策提供辅助支撑。具体而言，对于某种既定条件下存在多种决策困境时，可以通过系统的智能化模拟考察每一种决策所带来的效果，并且通过系统对每一种效果进行评估，从而为决策提供一定程度的参考。当然，决策模拟并不是一概而论的，也因为条件的差异性而出现不同的结果，所以需要多情景模型，每一种可行的决策方案均需要根据制造过程实时发展态势给出乐观、中性、悲观等多种可能结果。当然，多情景模拟优化也有不同类型，一种是具有较强预见性的预警，能够在突发意外仍处于小范围可控状态下提供模拟支撑，从而为及时的决策提供支撑。另一种是当意外出现之后，如何做好各方面的优化决策，需要对多种可能出现的结果进行模拟，这也使企业在面临突发情况时，可以事先对各种决策所产生的结果进行预测预报，为管理者提供更科学的信息支撑。

五、 结论与建议

1. 研究结论

本文通过构建数字孪生技术系统对制造业企业的决策机制进行优化，具有较强的理论探索价值和实践运用价值。从数字孪生技术的特征出发，数字孪生技术将会对企业的决策机制产生深远的理念变革，改变制造业决策已有的技术范式，主要表现为从模糊施策转向精准决策、从充分酝酿转向快速响应、从被动管理转向主动预警、从思维构想转型数字镜像、从信息辅助转向数据支撑。在决策机制的理念革新的全新框架之下，通过对制造业企业系统集成的重大决策、单一系统的重要决策、小微事项的优化决策和深度学习的预警决策提出应对方案。最后，本文提出了基于数字孪生技术决策的多维支撑，概括而言包含海量数据为基础、数据传感实时化、数字智能化分析、数字镜像可视化和多情景模拟优化。

2. 政策建议

第一，做好制造业企业数字孪生技术的顶层设计。需要技术层面提供科学、合理的顶层设计，使得企业管理者能够遵循一定的规章流程进行科学决策、精准决策并快速响应。构建制造业企业数字孪生技术体系并不是一蹴而就的，需要在较长的时间内不断地补充与完善，最终夯实为具有较强实践指导意义与运用价值的数字孪生技术体系。所以，宏观上需要政府做好数字孪生技术体系规划工作，并将其纳入到智能制造、制造业高质量发展的中长期发展规划之中。同时，还需要政府协调各个学科的专业人员，牵头推动数字孪生技术的切实发展。

第二，加快构建制造业企业决策的数字孪生技术体系。决策的数字孪生技术体系是一项规模宏大的系统工程，当然不可能一朝一夕就能够建设完，所以需要形成逐步发展与完善的整体思路。需要从宏观架构上提出初步的发展规划，进而对每个部分的架构进行详细论证，最后逐步丰富完善各个环节。当然，从社会应用层面仍然需要逐步开展试点工作并积累经验，从具有代表性的产业开展数字孪生技术系统与决策机制优化的试点工作，逐步摸索试验经验并推广。

第三，推动政府力量与社会力量的充分融合。数字经济推动制造业企业的决策机制优化，并不单是政府或者企业自身的工作，还需要各种社会力量的充分参与。无论是来自政府各部门的统计数据，还是来自其他行业的数据，亦或是新业态在垂直领域获得的数据，需要建立高效合理的机制推动不同类型数据的互通互联，加快数据的互通互联与共享工作，只有鲜活的第一手数据才能够为制造业企业提供极具时效性的决策支撑。在技术支持、数据分析等领域也需要政府与市场力量的深度合作，通过政府购买服务的形式推动新模式、新业态服务于制造业企业的决策机制优化。

参考文献：

[1] 肖静华，谢康，吴瑶，等.从面向合作伙伴到面向消费者的供应链转型——电商企业供应链双案例研究[J].管理世界，2015（4）：137-154.

[2] 肖静华，吴瑶，刘意，等.消费者数据化参与的研发创新——企业与消费者协同演化视角的双案例研究[J].管理世界，2018（8）：154-173.

[3] 李成友，刘安然，袁洛琪，等.养老依赖、非农就业与中老年农户耕地租出——基于CHARLS三期面板数据分析[J].中国软科学，2020（7）：52-64.

[4] 焦勇.数字经济赋能制造业转型：从价值重塑到价值创造[J].经济学家，2020（6）：87-94.

[5] Tao F， Cheng J， Qi Q， et al. Digital Twin-driven Product Design， Manufacturing and Service With Big Data[J].The International Journal of Advanced Manufacturing Technology， 2018，94（9-12）：3563-3576.

[6] Tao F， Zhang M. Digital Twin Shop-floor： a New Shop-floor Paradigm towards Smart Manufacturing[J].IEEE Access，2017（5）：20418-20427.

[7] 陶飞，程颖，程江峰，等.数字孪生车间信息物理融合理论与技术[J].计算机集成制造系统，2017（8）：1603-1611.

[8] 吴雁，王晓军，何勇，等.数字孪生在制造业中的关键技术及应用研究综述[J].现代制造工程，2021（9）：137-145.

[9] 石朗渡.数字孪生技术前景广阔[N].人民日报，2019-12-09（005）.

[10] 陈国青，吴刚，顾远东，等.管理决策情境下大数据驱动的研究和应用挑战——范式转变与研究方向[J].管理科学学报，2018（7）：1-10.

[11] 邓慧慧，赵家羚.地方政府经济决策中的“同群效应”[J].中国工业经济，2018（4）：59-78.

[12] 冯芷艳，郭迅华，曾大军，等.大数据背景下商务管理研究若干前沿课题[J].管理科学学报，2013（1）：1-9.

[13] 徐宗本，冯芷艳，郭迅华，等.大数据驱动的管理与决策前沿课题[J].管理世界，2014（11）：158-163.

[14] 王卓君，余敏江.政府决策与新型智库知识生产的良性互动——基于社会建构主义视角的研究[J].政治学研究，2016（6）：105-114.

[15] 何军.大数据对企业管理决策影响分析[J].科技进步与对策，2014，31（4）：65-68.

[16] 卞亦文，闫欣，杨列勋.社会学习视角下运营管理决策研究[J].管理科學学报，2019（5）：18-30.

基金项目：国家社会科学基金青年项目“黄河流域中心城市数字经济发展推动区域产业链优化升级研究”（项目编号：21CJY008）。

作者简介：焦勇（1987-），男，经济学博士，山东科技大学财经系副教授、硕士生导师，研究方向为数字经济与产业演化;包龙杰（1997-），女，山东科技大学经济管理学院硕士研究生，研究方向为数字经济与企业发展。

（收稿日期：2021-12-28 责任编辑：顾碧言）