制造企业数字化转型：数据要素赋能传统要素的视角

吕 铁，李 冉

(1.中国社会科学院 工业经济研究所，北京 100006；2.中国社会科学院大学 应用经济学院，北京 102488)

一、引言

改革开放后，中国经济发展进入快车道，一跃成为世界第二大经济体，其中作为支柱产业的制造业功不可没。随着收入水平的持续提高，消费者对于商品的消费需求也在不断升级，但供给侧却落后于需求侧的变化，市场出现商品供需结构失衡，造成产能过剩和资源浪费。加之，当前国际局势复杂多变，国内也面临着人口老龄化、“卡脖子”技术等发展困境。鉴此，制造业亟待通过供给侧结构性改革以实现转型升级。基于数字经济的快速崛起，数字技术可为制造业重构增长动力提供有力支撑，数据要素也得以形成并广泛应用，制造企业应抓住此契机，全面推进数字化转型，以更好应对要素成本上升和创新性不足等严峻挑战。

数据要素主要来源于数字技术的投入使用，但不是任何数据都可称为生产要素。随着信息技术的发展与普及，数据得以产生但总量有限，内含的有价值的信息也有限，不具备成为生产要素的基本条件，因此衍生出“索洛悖论”[1]。而数字技术的运用能够产生大量数据资源，使数据量呈指数级增长，以ZB为单位计量的海量数据等待被处理和挖掘，是数字时代的潜在财富来源。需要指出的是，数据资源与数据要素不是同一概念。数据资源是基于新型基础设施采集到的海量原始数据，其价值密度相对较低，需要运用数据抽取、数据清洗和数据标注等数据处理技术进行基础性挖掘，进而将数据资源“化简”为具备低噪音、准确分布、可广泛使用等特点的数据要素，此即本文论述的核心变量[2][3]。

制造企业作为一类经济主体，曾一度被比作为“黑箱”，原因在于只有最初的原材料投入以及最终的成品产出是显性可见的，其间的生产和管理等过程的隐性作用机制未被揭示。直到分离出资本、劳动力和土地要素，逐渐扩展到技术、企业家才能要素，才得以将“黑箱”打开，了解到企业内在的运作机制以及从原材料到产成品的全过程。随着信息时代的到来，信息的价值不言而喻，通过对承载信息的数据进行收集分析，能够为提高企业能力和效率提供改进的方向和途径。但在传统运营模式下，企业基本不具备对海量数据进行采集、存取和挖掘分析的数据能力，也无法发挥数据要素的价值及其赋能作用。数字时代的到来使制造企业的数据能力得以提升，数据要素广泛应用，尤其可利用数据要素对资本、劳动力和技术等传统要素进行赋能，提升企业在要素使用、要素配置和创新方面的能力，进而推动数字化转型，实现降本增效和新的价值创造，增强市场竞争力，助力制造业逐步摆脱供需失衡困境。

本文从数据要素赋能传统要素的视角探究制造企业数字化转型的内在逻辑，并据此提出推进数字化转型的现实路径，即通过构建数据能力以发挥数据要素赋能作用，促进企业要素使用、要素配置和创新等关键能力提升，最终实现降本增效和新的价值创造，以期为制造企业数字化转型提供理论依据和实践参考，助力制造业实现高质量发展。后续内容安排如下：第二部分主要围绕数据要素对现有文献进行简要回顾，明确本文的落脚点；第三部分从微观企业层面，对数据要素赋能资本、劳动力和技术三种传统要素的作用机制进行详细论述，阐明数字化转型的内在逻辑；第四部分进一步明确制造企业数字化转型的现实路径，以及改善传统要素质量的重点。

二、文献综述

现有关于数字化转型的研究主要集中在数字技术[4][5]、转型领域[6]和转型效果[7][8]等视角，从数据要素赋能角度进行研究的文献尚不多见。但在数字化转型过程中，数据要素是关键基础，是整个进程得以持续运转的核心要素。

一些研究表明，数据要素的有效使用可帮助企业提高收益和竞争力。从信息技术的历史发展来看，美国20世纪90年代末的生产力复兴与之联系紧密。信息技术密集型行业的生产率增长显著高于其他行业，且信息技术资本积累与劳动生产率之间存在很强的正相关性，几乎所有的生产力增强都可以追溯到生产或使用信息技术最密集的行业[9]。Müller et al.(2018)[10]视大数据分析(BDA)为一种资产，利用一套包含814家公司在2008—2014年的BDA解决方案和财务业绩面板数据，指出动态BDA资产与企业生产率提高有显著相关性，平均水平可提高3%～7%，且IT密集型行业的企业利用BDA资产获取价值的效应显著。另外，还有研究从大数据的主要特征角度出发进行探讨。大数据有三大特征，分别为数量、多样性和速度(简称“3V”)。实证检验表明，数据的多样性和速度对企业创新绩效有显著促进作用，但数据量没有显著影响。数据量在提高企业创新绩效方面没有起到关键作用，这一发现与“大数据越多越好”的普遍观点相矛盾。此外，数据速度对企业创新绩效的提高作用强于另外两个特征，这意味着，相比于关注大规模不同种类的数据集成，实时分析和解释数据以快速迭代研究结论发挥着更重要的作用[11]。

与传统生产要素相比，数据要素不具有消耗性和竞用性的特点。将数据要素纳入生产流程后，数据并不会消耗殆尽，反而有可能持续增加，并且被多个组织同时使用。但数据要素不可脱离传统要素，否则无法成为具有生产力的要素，也不会为企业带来收益。现有研究提供了一些数据要素赋能传统要素的应用场景，论述了数据相关能力形成和企业能力提升的过程。在劳动力要素方面，Brynjolfsson et al.(2016)[12]认为，新型数字技术极大增加了管理者可获得数据的规模和范围，对就业率更高、IT投资更大、受教育员工比例更高和企业学习方式更多样化的制造工厂而言，数据驱动决策的比例更大，生产管理效率更高。更具体看，数据要素还会因为劳动力受教育水平的不同，从而对企业生产率造成影响：外生性的宽带互联网应用有利于提高熟练劳动力的相对生产率，对于科技、工程和商业等领域的大学毕业生来说，技能劳动生产率的提高尤其大。相比之下，宽带互联网是受教育水平为高中以下工人的替代品，显著降低了其边际生产率[13]。在资本和技术要素方面，Chen et al.(2015)[14]基于组织动态能力理论，从资本生产率和业务增长两个角度阐释大数据分析如何影响企业价值创造。企业组织可以通过大数据分析的手段开发信息处理能力，并将这些综合信息引流给职能供应链部门的相应决策者，以减少现金、库存和过剩产能，降低不确定性和风险，用“信息代替库存”[15]。特别是在动态市场中，仅仅通过优化现有资源配置很难获得长期竞争优势，而大数据分析能够助力组织在供应链的不同阶段实现一系列临时优势的技术改进。例如，对销售点(POS)数据的实时分析可能会为特定客户群带来更具吸引力的定价或服务；对库存和运输数据的实时分析也可为缩短交货期和提高产品可用性创造机会，从而提高销售。在能力方面，焦豪等(2021)[16]基于数据全生命周期管理的视角，发现数据分析、运营和赋能平台分别发挥不同特性的数据驱动效应。在数字化情境下，考察机会感知、机会把控和变革重构三种企业动态能力，其分别激发上述三种数据驱动效应，推动数字化转型进程，实现业务模式和流程管理创新。还有学者基于资源编排视角，从数字重组、数字捕获、数字感知三个维度出发，揭示在数字技术变化背景下制造企业数据驱动动态能力的形成与演化过程，以对数字化转型提供一定指导[17]。

以上相关研究大都着眼于某一特定传统要素进行探讨，或主要用实证方法检验赋能作用是否存在，没有系统刻画数据要素对各类传统要素的赋能机制，也没有突出某一行业或产业的特点，且未建立要素与能力之间的联系，尚未勾勒出全面且清晰的数字化转型过程。对于制造业而言，生产经营投入一般包括资本、劳动力和技术三种传统要素。举例来说，其生产运营过程需要投入设备和原材料等资本品，需要招募掌握相应技能的劳动力，需要不断进行技术革新保持竞争力。用于衡量生产经营效果的指标主要包括要素使用、要素配置和创新三种效率，若要实现效率改进，则需对应的三种企业能力有所提升。本文基于现有文献，从数据要素角度出发，对制造企业的数字化转型过程进行讨论，重点剖析数据要素分别赋能三种传统要素的作用机制，并在此基础上，进一步将要素和能力相联系，探讨数据能力如何促进企业能力提升，以厘清数字化转型的内在逻辑和现实路径，更好实现降本增效和价值创造的目标。

三、数据要素赋能传统要素的作用机制

制造业包含多个细分行业，不同行业各具特点，其数字化转型之路也有所区别。例如，对于服装业来说，实现服装制作各模块生产的数字化较容易，但各模块之间的连接方式种类繁多，因此仍需要人工密集劳动，难以实现生产全过程的数字化，甚至自动化也面临较大障碍。但对于通用设备等装备制造业而言，各个组件的性能参数往往是可以被穷尽且标准化的，可以运用数字技术根据生产需要对设备相关参数进行调整，以实现全流程数字化。因此，在数字经济背景下，这里基于高度概括的一般生产流程和生产函数设定，试图分析数据要素如何赋能传统要素，以厘清转型过程的内在逻辑。

单个企业作为经济活动理性主体，其经济行为目标是利润最大化，反映在生产过程中，即追求要素投入成本降低和产出效率提升。一般来说，衡量企业投入成本和产出效率的有效工具为生产函数。在经济学的理论框架中，为了简化分析且不失代表性，通常忽略土地要素，只考察资本和劳动力两种要素的投入产出，由此可将生产过程大致分为资本密集型和劳动密集型。但随着技术不断进步带来的突出贡献，不得不将技术要素也内生化。当前，数字时代的到来又催生出数据要素，生产要素的内涵进一步扩大：数据要素通过分别赋能资本、劳动力和技术三种传统要素，提高传统要素使用效率，优化要素资源配置，促进创新活动，推动企业数字化转型，助力实现降本增效和新的价值创造。

(一)数据要素赋能资本要素

制造业所涉及的资本要素一般包括厂房、机器设备和原材料等物质形态的中间投入品，在生产过程中一次性或分多期消耗，转换为产成品增值的一部分，这里所讨论的资本要素即主要指上述实物资本。在中国经济高速增长的三十余年里，投资作为拉动经济的“三驾马车”之一，一直发挥主要作用。其内在动因是：资本相对劳动力要素而言属于稀缺要素，不断投入资本能够实现递增的边际收益。随着经济发展步入新阶段，投资驱动经济发展的方式不可持续。对于大部分制造企业而言，应在现有资本存量基本稳定的前提下，加快资本折旧，提高使用效率，盘活现存资本，不断更新换代，而数据要素的引入正是提供了这样的转型契机。

1.资本要素投入使用存在摩擦。生产活动是制造业的核心领域和创造价值的主要环节，这里以生产活动为例，讨论资本要素投入使用的摩擦问题。企业的生产流程一般可作如下总结：根据下游企业的生产订单和具体需求排定生产计划，依据相应原材料的库存信息和生产所需进行采购和出入库管理，按照订单需求将原材料投放到对应的生产线或工序上进行生产，并初步产出一批样品，对其进行严格质量检测，根据检测结果决定是否对设备参数等指标进行调整，再进行批量生产，最终得到满足客户需求的合格产成品。但在实际生产中，关键数据可得性问题、机器设备优化问题、各环节衔接问题等层出不穷，大大降低了生产活动的效率。

依照生产制造的一般流程来看，资本要素的投入使用主要存在以下摩擦问题。在接收订单和排产阶段，当企业接收到数份不同产品的生产订单时，由于无法获取原材料的实时库存、生产设备的实时使用状况和生产效率等数据，使得人工排产的重要参考信息缺失，往往需要消耗较长时间制定生产计划，甚至导致排产不合理，影响交货时效。在采购原材料阶段，由于生产过程中的数据可得性和丰富性不高，即使是关键工序的相关数据，最快也只能保持日更频率，导致生产用料无法准确估计，往往需要更多的原材料储备以备不时之需，极易导致意外库存和无序堆积，造成资源浪费。在投入生产阶段，各个生产设备仅仅是孤立的物理实体，无法将在产品的来源(即原材料)和去向(即产成品)以及工作时长、生产进度等实时信息向外传递，也无法与其他设备进行信息交互。生产计划完成情况信息的采集频率较低，无法实现精确的实时统计，原材料与产品数量易出现较大偏差。例如，某一生产线上的机器发生故障时，不能及时将信息传递给后续设备，以暂时停止工作或启用备用设备，并向专业维护人员报警，提供故障参数，及时止损，甚至影响整个生产计划的执行与完成。最后，就整个生产过程来看，与全局可视化还有较大差距，只能保证原材料投入量、产成品产量等几个关键节点数据的时效性和有效性，众多原材料、在产品、产成品之间尚未建立清晰明确的对应关系。若产成品出现问题，无法立即查明其原材料供应商、经历工序、操作设备编号、操作人员姓名和关键工艺参数等信息，不利于产品质量的保障与升级。

2.数据要素赋能资本要素以减少使用摩擦，畅通生产流程。引入数据要素并赋能资本要素将是解决上述问题的有效途径，其基本逻辑如图1所示。在图1的框架中，假设企业仅投入使用一种多用途原材料和三条生产线，每条生产线仅由2台生产设备组成，且得到的产成品不同，以便对数据要素赋能资本要素的作用机制加以分析。数据要素不同于资本要素，其流向既可以单向也可以双向。

图1 数据要素赋能资本要素

资料来源：作者绘制

数据要素的赋能作用使生产流程从单向流动模式转变为不断迭代升级的循环模式。随着数字技术投入使用，市场需求、生产计划和实时库存等信息都通过实时更新的大数据传递。在接收订单和排产阶段，生产部门可根据各类生产计划对产品特点、质量以及交期等具体需求，在系统中输入相应参数实现自动排产，避免因收集排产所需的相关信息耗时过长或生产环节衔接不流畅，进而拖延生产用时，降低生产效率。在采购原材料阶段，采购部门可以依据由生产部门实时共享的生产计划及大数据资源，实现自动平衡利库，确定适当的原材料采购数量，减少原材料、在产品以及产成品的积压，避免不必要的资源浪费。在生产过程中，机器设备可以通过传感器等技术将生产参数、工作效率等数据实时返回到生产数据分析平台，设备之间也可以进行信息交互，实现生产计划完成情况的精准实时反馈，劳动力也可以对生产流程进行实时掌控和调整。孤立的生产设备发展为具有边缘计算能力的智能设备，再到工业互联网环境下的泛在互联，企业通过建立起设备与设备之间、设备与劳动力之间的有效联系，提高生产效率。

另外，基于生产流程的数字化可以实现对每一单位产成品追根溯源。在原材料入库时，可运用RFID等数据采集技术对其进行逐个或逐单位标记，包括供应商名称、原材料名称以及型号等信息。其后对产品在产环节的每一步分别进行叠加标记，使每一单位产成品都拥有自己独一无二的“数据身份证”，便可据此追溯到所经历的每道生产工序和供应商来源等信息，有助于优质供应商的筛选和产品质量提升。

(二)数据要素赋能劳动力要素

劳动力要素是明确劳动目的、明晰劳动内容及方式方法的劳动者，是价值创造的源泉。对于制造业来说，劳动力要素的地位举足轻重。中国之所以能够成为制成品出口全球的“世界工厂”，与天然的劳动力比较优势(即劳动年龄人口数量多、增速快、比重大)关系密切，人口红利是经济增长的重要源泉之一。但是，当前人口老龄化趋势有增无减，劳动年龄人口的绝对数量持续下降，仅依靠劳动力数量优势的发展模式不再可行，需要提升劳动力质量，将数量优势转化为质量优势。

1.劳动力要素投入使用存在误判。与讨论资本要素的前提一致，这里以生产部门的劳动过程为例，分为前期布置、中期生产和后期改进三个阶段进行探讨。当企业尚处传统发展模式时，在前期布置阶段，往往仅依靠经理人或管理人员根据劳动力所擅长工作内容和工作绩效等定期收集的信息来分配工作，这存在以下三点潜在风险：第一，人工收集以上数据需要耗费一定时间，可能造成工期延长；第二，因参考数据体量较小而产生误判，从而制定不合理的任务安排，或不能充分挖掘劳动力潜力或施加过大工作压力；第三，劳动力在接收到工作任务之前，大部分都难以达到企业对相关技能或知识的标准要求，需要进行产前培训或通过“干中学”提高效率，在短时间内很难达到理想的或计划的生产效率水平。在中期生产阶段，无法实时采集工作绩效数据。即使提高人工采集频率也容易产生滞后，对日后分配生产任务的参考价值不高。另外，不合理的考核制度可能使员工对绩效考核产生抵触情绪，致使工作热情和工作认同感下降，绩效考核的激励作用未充分发挥，还会阻碍劳动力生产潜力的挖掘。在后期改进阶段，每当制造企业面临新一轮技术变革时，将引致劳动力需求发生快速且巨大的变化，但劳动力供给却因人力资本的投资回报周期较长而难以跟上变化的速度，于是出现“机器换人”“就业替代”等风险。归根到底是因为部分劳动力所拥有的工作技能落后于技术的更新换代，没有形成机器难以替代的技能，从而遭遇职业发展困境，影响企业生产效率。

2.数据要素赋能劳动力要素以增强人类劳动，促进人机协作。企业进行数字化转型将推动数据要素发挥赋能作用，实现劳动力要素与数据要素融合发展，促使劳动力提效升级。如下页图2所示，仅以多个劳动力生产同一种产品为例，该产品只有一道生产工序，且可由每个劳动力分别操作一台机器设备完成。数据要素的赋能改变了劳动力只接受生产指令的单向工作模式，转变为“实时跟进工作效率—精细化派发任务”的双向互动模式，从而增强人类劳动，促进人机协作。

在前期布置阶段，生产部门可利用数字技术分析生产计划和各劳动力既往生产效率等数据以及同类型劳动力的参考数据，以分配 “适当”的工作任务，启用工作流，使劳动力自行领取工作任务，实现生产计划从制定到落地的无缝衔接，减少不必要的时间浪费，最终达到缩短工期、加快企业生产循环的效果。同时也可使劳动力能够尽快知晓工作任务，尽早着手学习相关知识或技能，在生产中提高劳动效率。其中，“适当”既指与劳动力个人能力和技能相匹配的工作内容，也指符合劳动力能力水平的绩效考核指标。

在中期生产阶段，劳动力生产各类产品的耗时、完成质量等绩效数据可以被实时采集，并返回到生产数据平台。经过初步数据处理后，可以实现对劳动力完成不同工作任务的生产效率进行精确量化和场景分析，这也是后续工作规划不断迭代过程中的重要参考依据。在此基础上，还可以通过设立数字大屏或工位显示屏，展示各工位的实时生产情况，激发劳动力的主观能动性，挖掘生产潜力。当出现问题时，还可及时调取生产数据记录，查找问题来源。

在后期改进阶段，伴随数字技术的大规模应用，劳动力所需的工作技能也需同步提升更新，如此才能实现数据要素与劳动力要素的和谐发展。数据要素的引入畅通了劳动力获取生产计划等关键信息的渠道，并可提供相关岗位专业能手的工作经验和学习方法，促使形成“传帮带”学习小组以激励自主学习与技能提升，帮助劳动力成长为兼具专业技术能力与组织、协作、规划能力的复合型人才，完成就业转型，实现人机协作共赢。

图2 数据要素赋能劳动力要素

资料来源：作者绘制

(三)数据要素赋能技术要素

技术要素源于丰富的生产实践以及各类科学研究，是经过提炼总结或反复实验得到的知识或技能，这里所探讨的技术主要包括产品技术和工艺技术。基于生产函数设定，制造企业的生产活动和生产效率必然受到各项技术水平的限制。我国制造业虽享有全产业链的优势，但却“广而不精”，在一些前沿技术、核心技术和关键零部件元器件制造等方面遭到卡脖子威胁，加之新常态下经济发展动能的转换，倒逼技术更迭不断加快，技术水平不断提升，数据要素恰好能够为这一过程提供强大动力。

1.技术要素投入使用存在偏差。技术的改进过程一般包括三个阶段，即技术筛选、技术研发和技术迭代。在传统技术改进过程中，技术筛选具有较强的惯性，即企业往往会根据生产实践结果偏向于生产效率更高、应用范围更广的技术。但在当前需求升级速度远快于企业汇总有效信息速度的背景下，消费者需求变化相对被忽略，旧的技术筛选过程所留下的“王牌技术”难以精准把握需求痛点，而更具发展潜力、灵活性较强的技术很可能因为企业的技术惯性被筛选出局，造成技术改进在前期就出现方向偏差。

随后，企业将基于对既有技术的筛选开展技术研发。受技术惯性的影响，研发工作也可能出现偏差大、针对性弱、速度慢、人员覆盖面窄等问题。若技术筛选出现方向偏差，而开辟全新技术创新领域的风险又较大，企业的技术研发将延续筛选过程的方向迈进，这将与需求升级现状产生更大偏差。并且当一种新技术出现时，企业往往会争相追赶技术热潮，以期能将新技术尽快消化并为己所用，但盲目跟风的研发行为缺乏针对性，难以获得预期的市场反馈与收益。此外，研发过程不仅涉及技术部门，还需要生产等部门加以配合，中间沟通环节众多，且常常要进行反复试验优化，尽可能追求可行范围内的“质优价廉”，导致研发速度较慢，错失发展良机。最后，传统研发过程一般以研发人员和专利等创新成果为支撑，由相对固定的某一部门或项目组实现，人员覆盖面窄，未充分利用企业内部现存人力资源。

技术迭代是指将技术筛选和技术研发的成果应用于实际生产，再根据相关反馈信息进行新一轮技术筛选和技术研发，并不断循环迭代的过程。由上述分析可知，传统技术筛选和技术研发无法精确把握消费需求信息，且衍生出配套新技术的生产工艺、组织结构的能力较弱，迭代循环效率低下。因此，即使投入再多的资本、劳动力等生产要素，企业边际产量也不会有质的飞跃，甚至会出现递减趋势。

2.数据要素赋能技术要素以纠正改进方向并加快迭代速度。数据要素的赋能作用为有效解决上述问题予以支撑，图3为数据要素赋能技术要素作用机制示意图。在技术筛选阶段，数据要素的引入将消费需求升级显性化，弱化企业以自身为中心的筛选惯性[18]。数字技术的应用颠覆了制造企业效率低下的传统信息采集过程，可以实时采集和分析消费者或下游企业的产品需求偏好数据，了解各类产品消费的动态信息，据此进一步预测长短期消费趋势。企业可在既有技术应用的基础上，依据数据要素提供的显性化消费需求升级信息，判断哪些技术更能适应动态变化的市场需求，修正技术筛选方向从而规避由信息受限导致的筛选惯性问题。

图3 数据要素赋能技术要素

资料来源：作者绘制

在技术研发阶段，数据要素的引入将进一步修正研发方向，并为拓展新的研发领域提供重点方向指引和可靠数据支撑，促进研发过程中各环节衔接，加快配套支持速度。首先，基于数据要素对技术筛选方向的修正，企业可以较大程度上避免研发方向与真实需求偏差过大的风险。同时，数据要素也为企业开辟新技术领域的研究提供海量参考资料，助力其寻找新的增长点，提升产品价值或生产效率，甚至填补技术空白。其次，经过对企业内外部大数据的分析，决策层和技术部门应对本企业的生产特性和技术发展现状更为了解，对今后的技术发展规划更为明确，降低了因追赶“技术热”而盲目开展研发的可能性。再次，以数据要素为资源池开展的技术研发过程相对简约化，且可信度较高。一是简化与各个相关部门实地对接的工作流程，遵循敏捷高效的原则建立研发绿色通道，缩短研发周期；二是研发可用基础数据呈指数级增长，不仅夯实了研发结果的可靠性，还增加了潜在成果的转化概率，为及时把握市场机会提供了先决条件。最后，随着人均受教育年限的增加，员工素质不断提高，数据要素的引入和工作界面的扩展也为普通员工提供了丰富的一手资料和良好的创新平台，为“全员创新”奠定技术基础，在技术研发方面给予广大员工更多的参与感和话语权，有利于充分挖掘现存人力资源。

在技术迭代阶段，由于数据要素的赋能作用，技术筛选和技术研发基本都是依照市场需求导向进行的。因此，技术迭代也将由以技术惯性为基础的刚性循环转为以市场需求为基础的柔性循环。另外，基于数据可得性的提高，新技术的配套工作将加速进行，逐步转变为常态化工作机制。随着技术迭代的不断增速和柔性循环，企业活力得到释放，生产效率也将逐步提高。

四、数据要素赋能传统要素推动数字化转型的现实路径

以上从要素角度分析了数据要素赋能传统要素推进制造企业数字化转型的内在逻辑，进一步需探讨的是，企业为解决突出问题而推进数字化转型的现实路径是什么。目前我国制造企业面临的突出问题在于原材料、劳动力等要素成本快速上涨与产品附加值低、同质化竞争严重共同导致的盈利能力低下，企业发展内生动力不足。解决问题的关键在于如何提高企业的要素使用效率、要素配置效率和创新效率，以实现降本增效和新的价值创造。在传统运营模式下，企业对数据的采集、存取和分析能力较差，对应三种效率的三个关键企业能力，即要素使用、要素配置和创新能力具有明显上限，不足以应对复杂多变的市场环境和更好利用跨界要素资源。因此，为有效提升企业能力，制造企业需广泛应用数据要素，发挥其对传统要素的赋能作用，在此情境下，数据能力的重要性凸显，成为推进数字化转型的重要抓手。

数据能力是指企业采集、存取和挖掘分析数据，利用挖掘分析得到的数据要素驱动传统要素的高效使用和配置，并支持企业技术创新、战略决策等行为的能力。企业可使用传感器和各类信息化办公软件等采集内部的设备运行数据和运营数据，并通过互联网平台和爬虫技术等采集外部的供应链和用户需求等数据，从而获取采集内外部数据的能力。在对采集到的数据进行预处理后，企业还应具备对数据随存随取以及保障数据安全的能力，对于涵盖设备、产品和技术信息的敏感数据可存储于本地设备，其他数据则可酌情使用第三方云存储服务来降低成本。挖掘分析是指对海量数据资源进行处理分析和深度挖掘，获取其中有价值的信息，也就是将数据资源转化为数据要素的过程，这需要企业拥有专业的数据处理软件，以及具备行业专业知识或从业经验的数据分析人员。最终，数据能力还要与企业决策等经营行为相结合，以促进企业要素使用、要素配置和创新能力提升，才能真正实现制造企业的数字化转型，达到降低成本、提高效率以及促进价值创造的效果。

一是数据能力促进企业要素使用能力提升，提高要素生产效率。要素使用能力是指在要素投入总量和要素配置水平等条件不变的前提下，各要素在生产经营过程中得以充分利用的能力。在传统运营模式下，由于可得数据十分有限，无法对各种改变要素使用现状的可能结果进行穷尽分析，企业只能沿用既有经验，延续以往的生产流程和节奏，往往会造成要素使用浪费。但在数据能力支持下，企业能够对生产经营过程进行实时监测和效率分析，并迅速定位要素使用不当的具体环节，做出数据驱动的要素使用决策，从而充分利用各种要素，发挥其潜在生产价值。例如，在资本要素方面，通过对生产设备运行过程的相关数据进行实时采集，可以分析出在何种作业环境下其产出效率较高，或哪些环节易于发生故障从而耽误生产进程等。在劳动力要素方面，依据对工作情况的实时反馈，可以明确每个个体工作效率较高的时间段，对现有排班表进行更新；还可以及时发现惰工行为，采取适当管理措施。在技术要素方面，根据对技术使用情况的实时记录，可以观测分析相似技术使用效率相差较大的原因，以进一步优化技术运用条件。

二是数据能力促进企业要素配置能力提升，优化要素配置组合。要素配置能力是指在要素投入总量等条件不变的情况下，各种要素在生产经营过程中实现合理有效组合的能力。当面临较大的外部变化影响时，企业会对要素配置进行一定调整。但受信息不对称的影响，要素配置往往会表现出较强的惯性，导致企业难以及时应对内外部环境变化。而在数据能力支持下，可极大缓解企业内外部信息不对称的问题，使企业获得相对透明的要素资源信息，以及时做出数据驱动的要素配置决策，不断调整既有要素组合，提高企业生产经营效率。在企业内部，各部门可以依托数据能力打通数据壁垒以共享信息，畅通沟通协调过程，方便及时研讨要素配置方案；在企业外部，可以及时接触到上下游企业或客户的供给或需求变动等外部重要信息，与合作企业做好配合，灵活配置各种要素，实现原材料及时供应、机器设备随用随租、生产线敏捷改造和员工新知识新技能超前储备更新等。

三是数据能力促进企业创新能力提升，实现新的价值创造。这里的创新能力主要是指企业在技术、产品、生产流程和商业模式等方面的不断创新以实现新价值创造的能力。传统的技术、产品等研发创新活动往往仅以专业研发部门为主导，创新来源十分有限。对于生产流程、商业模式等管理创新领域而言，其关系到企业整体发展走向，依赖于企业对内部运营情况及外部市场信息的全面掌握，因此更需要广泛的数据来源和畅通的传递通道予以支持。而在数据能力的支持下，不仅可以扩展研发创新的来源，还为管理创新提供了丰富的数据基础，催生出数据驱动的创新决策。在研发创新方面，数据能力有助于拓展企业内部封闭式创新的参与覆盖面，突破研发主体的限制，推动“全员创新”；还有助于突破企业组织边界，搭建开放式创新网络，有效利用下游客户的需求数据。在管理创新方面，数据能力提高了对内部运营情况及外部需求和竞争态势等信息的掌控力，传统商业模式得以不断优化；更有助于企业寻找和发现新的价值获取来源，不断创新以数据要素为支撑的价值主张和商业模式，如平台商业模式、共享经济模式、制造业服务化模式等，进而创造新的价值增长点。

最后需强调的是，数字化转型不仅是数据要素对传统要素单向赋能的结果，也是两者相互融合且不断适应的交互作用结果，也即传统要素的质量也会影响转型的进展与效果。在这个意义上，改善传统要素质量是制造企业有效推动数字化转型的必要条件。在资本要素方面，机器设备是工业数据的主要载体，其自动化、标准化水平决定了是否可以连接传感器等数字化产品，代际较老的机器设备可能存在缺少传感器接口或与数字化产品不兼容的问题，导致企业无法采集到工业数据。因而企业应通过技术改造或更新换代，尽快提高设备的自动化、标准化程度。在劳动力要素方面，企业需要大量同时掌握数字技术和专业技术的高端人才。制造企业中的传统技术人才多精通与产品生产相关的专业技术，对新兴的数字技术不甚擅长；反之，外聘的数字技术专家或新招聘的数字人才精通数字技术，但缺乏行业专业知识和从业经验。两类技术人才由于专业背景不同存在沟通障碍，磨合期较长，而兼具两类技能的双料人才又极为短缺。因此，如何通过加快大学教育教学改革，以及强化职业技术教育和企业现场培训，从而不断弥补人才的供需缺口，也成为能否有效推进制造企业数字化转型的一个关键问题。