孙新波,孙浩博
(东北大学工商管理学院,辽宁沈阳 110167)
人类社会的发展史就是一部生产力不断跃升的历史,伴随着新生产要素、新劳动主体、新生产工具的不断涌现,人类接连构建起认识和改造世界的新模式[1]1。在过去两个世纪内,推动历次科技革命的生产要素具有取用无尽、价格低廉、应用广泛、扩增资本力量以及降低劳动成本的共同属性[2]。“数据”完全符合上述属性,成为数字经济时代具有基础性和战略性意义的新型生产要素[3]。由于数据在数字化进程中具有核心地位,“工业4.0”被认定为是一种数据驱动范式,制造业正在兴起以新型价值资源和数据为基础的数字化、网络化生产模式[4]。制造业一直是我国经济增长的重要引擎,但长期以来我国制造企业都是以“低端嵌入”的方式参与全球价值链中的价值创造活动。现阶段,在数字科技革命和产业变革推动下,以数字经济崛起、数字技术发展、数据生产要素涌现和产业数字化为主要特点的新工业革命为支点,数据赋能成为促进中国制造业企业转型升级的重要力量。现有研究普遍关注到数据赋能对制造业发展的重要推动作用,但对数据赋能推动制造业企业转型升级的作用边界与具体内容缺乏探讨,且普遍采用案例研究的方法,定量研究方面尚薄弱,缺少数据赋能制造业企业的指标体系来指导企业后续行动,没有基于数据赋能对企业经营绩效的影响发展给出恰当的指标体系[5];管理实践中,企业也存在对数据生产要素的理解不统一,对自身数据应用现状、定位和发展路径不明确,以及缺少科学系统的方法论来指导企业借助数据实现转型升级等问题。因此,本研究应用层次分析法(AHP)与模糊综合评价法(FCE)构建制造业企业数据赋能指标体系和数据赋能成熟度模型,为企业进行数据赋能自诊自检、了解自身数据应用状况提供参考。
Carmen 等[6]将赋能归纳为心理赋能、结构赋能与资源赋能等3 个核心维度。其中,结构赋能主张通过建立有效的赋能机制,以支持有权力主体将权力授予权利客体[7];心理赋能主要指内在感受的驱动价值、行为影响、竞争力度与主观能动等[8];资源赋能的本质则是提高无权力的人获取、控制、管理资源的能力[9],修正了结构赋能与心理赋能在视角上的缺陷。在数字时代下,数据作为核心资源要素,释放出远超传统要素的巨大价值潜能[10]。数据赋能愈发成为资源赋能的核心形式[11]。进一步,数据赋能可以解构为连接、分析与智能能力等3 个维度[12],其中连接能力指通过智能互联技术连接数字化产品的能力,分析能力是将海量数据形成有价值信息的能力,智能能力是硬件自主感知和捕获数据的能力。基于我国企业的实践,周文辉等[13]丰富了连接、分析与智能3 个维度的研究,表明连接能力是实现人、物、信息之间的交互联通,智能能力是实现对用户所处环境与行为的自动感知以及自主决策所带来的服务自动优化,分析能力是对数据与信息的处理与挖掘能力,并展示了连接、分析与智能能力在企业动态发展阶段的具体表现形式。
在企业运行过程中,数据赋能提高了企业对信息的获取及利用能力,进而驱动了企业高效配置资源、响应客户需求,创造企业价值[14]。孙新波等[15]认为,数据赋能指通过创新数据的使用场景以及技能和方法实现数据价值的过程。Lerch 等[16]认为,制造业企业的数据赋能指数字技术与数据所驱动的机器间智能连接现象。Gupta 等[11]将数据赋能描述为企业主体通过挖掘、分析和利用数据资源形成之前所不具备的数据能力,创造过去不能实现的价值目标的过程。
在数据赋能的过程机制方面,张明超等[17]通过单案例研究,探索出数据赋能驱动精益生产创新所遵循“数据资源行动—数据能力生成—精益价值实现”内在机制路径。在数据赋能的增益方面,张振刚等[14]通过对155 家制造业企业样本的实证研究得出,数据赋能通过利用新一代信息技术来优化企业收集、管理、分析数据的方式,提高企业对环境变化的适应力与资源配置的战略柔性,支持企业在复杂多变的动态环境中持续建立新竞争优势,从而对财务绩效产生积极影响。
从微观生产过程来看,推动企业数字化转型的关键是数据而不是技术[18]。数据作为工业生产的核心资源具有无限性、非竞争性与外溢性等特性[19]。以往由于在线互联能力的缺乏,经典生产模式中的数据并未能大力推动制造业的发展,数字化技术也一直被视为辅助产品销售与原材料采购的工具性技术,并未深度参与生产过程与制造环节。如今,新兴数字技术和数据基础设施为数据价值链的运转和数据价值创造提供可能,数据得以直接参与制造环节与制造工序,并逐步成为赋能制造业转型的关键生产要素。数据赋能极大地提升了企业的敏捷化和智能化,数据的价值挖掘成为实现制造业企业数字化转型的重要途径。
从宏观行业发展来看,工业经济时代固有的分工专业化与多样化的矛盾是数据要素所要解决的根本问题[1]5。数字经济赋能制造业转型倾向于跨行业、跨产业的创新融合,实现数据要素与原有要素的协同共生,建立新型产业生态,从而形成制造业的全新发展模式。在此过程中,数据赋能直接驱动企业从产品导向向用户体验导向的转变,推动制造业、服务业深层次融合,更好地完成制造过程向需求满足的有效衔接;同时对推动单行业向群落式集群转变,使制造业企业逐步从产业链关联、地理空间集聚等传统的连接关系转为虚拟群落、行业生态等新式联结关系起到间接作用[20]。
我国传统制造业位于“微笑曲线”低端,附加价值较低,且面临“两端挤压”的新发展困境:一方面,我国劳动成本飙升,使原先被锁定在低附加值环节的中低端制造业面临较低用工成本国家的白热化竞争,呈现出“低端锁不定”的尴尬局面;另一方面,发达国家正全力部署高端定位的再工业化战略对我国发展高端制造发起堵截。而数字技术所带来的产业变革为我国传统制造业发展提供了“换道超车”的完美契机。
数据流动的过程伴随着价值的创造与生成,传统的价值链理论在数字时代发展为数据价值链理论,对数据价值的透彻理解是制造业企业转型升级的必修课。数据价值链理论总结了数据由产生到应用的全生命周期,所关注的重点呈现出从物理到数字、由单向到循环、从组织界内到跨组织协同的转变[3]。Miller 等[21]在2013 年最早提出“数据价值链”概念,并将其划分成数据发现、数据集成和数据探索三大过程;同年Gustafson 等[22]也提出了数据价值链,将其解构为数据获取、数据存储、数据分析及数据应用等4 个基础环节。数据价值链主要概念定义如表1 所示。
表1 “数据价值链”概念的主要定义
数据价值链具有全部元素建模定义、全部数据采集分析、全部决策仿真评估的特点,其价值创造会受到数据的颗粒度、鲜活度、连接度、反馈度、响应度、加工度等因素影响。本研究将数据价值链分为数据的采集与获取、数据传输与存储、数据分析与挖掘以及数据应用与决策四大环节(见表2)。
表2 数据价值链主要环节
制造业企业要想实现数据赋能,就要利用数据基础设施和新兴数字技术对企业内部运营及外部市场环境进行全过程分析与管理,建立健全数据价值链,培养数据的多主体连接能力、实时收集的自主智能能力、挖掘分析数据以提供决策支持的分析能力,进而驱动企业根据外部环境变化对现有资源进行更快速、更高效地调动与配置,从而实现转型升级[26]。
架构是企业在转型升级阶段可借助的,一种有助于分析整体环境情况、理清内部结构成分、驱动技术与生产过程协同融合以及指导企业进行持续有规划演进的思维工具[27]。制造业企业的转型是一个多维度、深层次的复杂系统工程,在这个过程中,架构具有关键的驱动作用。Meyer 等[28]认为使用架构来指导企业进行是发展趋势。而武亚军[29]和龚丽敏等[30]则从实践角度阐述了架构对开展企业转型问题的研究具有重要意义。
参考“工业4.0”、智能制造等体系架构,以数据价值链、数据赋能及制造业企业数字化转型相关理论研究为主线,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评估方法》(GB/T 39117—2020)等国家标准为方向指导,得出数据赋能制造业企业参考架构如图1 所示。其中,数据价值链代表数据的利用全周期;智能制造能力要素代表制造业企业所涉及的能力域;数据赋能维度反映数据如何在企业层面发挥作用。
结合数据赋能领域现有文献、行业报告以及研究团队企业调研资料,在考虑科学性、时效性、可操作性、可拓展性以及差异性等评估体系设计原则的基础上,给出数据赋能评估框架,总体包括数据赋能准备度、数据赋能深入度、数据赋能提升度3个部分(见图1)。
图1 数据赋能制造业企业参考架构与评估框架
数据赋能准备度旨在评估企业战略制定的情况、组织结构适配的程度以及基础资源的保障支持水平,主要评估内容包括组织与战略准备度、数据基础设施准备度、保障要素准备度(见表3)。
表3 制造业企业数据赋能准备度评价指标
(1)组织与战略准备度。组织适应与战略清晰是数据赋能制造业企业的重要因素,因此选取战略规划与组织架构作为评估组织与战略准备度的主要指标。其中,战略规划指企业为数据赋能所制定的长期战略发展规划和整体建设机制;组织架构指企业自身的组织架构与数据赋能发挥的适配程度,主要内容有数字化部门领导者(CTO)的行政位置、企业组织架构模式、企业管理制度与数据生产力释放之间的适用程度。
(2)数据基础设施准备度。数据流通是数据赋能的基础[31],数据联网能力比数据自身体量更重要。数据基础设施是数据价值链运转的重要条件,因此选取数据设施、数据标准以及数据安全作为评估数据基础设施准备度的主要指标。其中,数据设施指企业在数据采集存储分析应用等环节所需要的数据软硬件建设情况;数据标准是数据的“软设施”,标准统一程度直接影响数据的利用效能;数据安全则反映了数据系统运行的稳健情况与数据管理制度的标准化水平。
(3)保障要素准备度。数据赋能保障要素是企业数据赋能可持续性的衡量标准,选取人才要素、资金投入以及企业文化作为评估保障要素准备度的主要指标。其中,人才是推动企业整体变革与数据利用重塑的主体要素;资金投入是企业数据赋能建设的能量供给;企业文化决定了数据利用是否与企业自身发展相兼容。
数据赋能深入度旨在通过评估研发设计、供应链管理、生产作业、仓储物流等企业内部各环节的数据流动以及企业横向纵向的业务优化与系统集成情况,衡量内外部价值链各环节数据应用的能力、跨业务集成程度以及数据参与下新业态的培育情况。主要评估内容包括生产流程赋能深入度、业态转变赋能深入度、综合集成赋能深入度(见表4)。
表4 制造业企业数据赋能深入度评价指标
表4(续)
(1)生产流程赋能深入度。生产流程赋能是数据最直接的赋能体现,选取研发设计创新、供应链管理、生产作业管理、设备管理、仓储与物流管理作为评估生产流程赋能深入度的主要指标。其中,研发设计创新指企业在数据驱动下的研发设计新模式,数据在研发设计的价值主要表现为对设计环节的降本增效与通过针对性研发设计降低失败的风险;供应链管理指在数据参与下改善供应链从采购到满足最终客户的全过程;设备管理指数据赋能下设备综合使用效率得到提升,主要通过对制造过程各设备、各环节生成的数据进行分析与参数优化,提高产品的优良率、降低物料损耗;仓储与物流管理指数据参与下的仓储优化与物流提效,通过原料与成品库存等供应链各数据的追踪与实时分析,安排物流采购和生产排产,实现产供销精确对接。
与制造业常规认知不同,数字时代制造业的数据赋能不应只强调销售与采购两端环节,更大的发力点是生产制造过程,应将数字技术与数据分析的功效深度嵌入制造过程与工序中,打通设备间、系统间、人员间的无缝关联,从而驱动数字技术对制造业创新能力与水平的提高,形成以数据互联为基础的制造业综合集成系统,达到对用户需求的即时感知与迅速反应。推动数据与工艺技术、装备设备以及管理经营的耦合协同程度,实现制造业全流程、全渠道的数据共享与业务融合[20]。生产作业管理指数据发挥调配资源的作用,能够更好地对生产作业过程进行计划控制。
(2)业态转变赋能深入度。业态转变赋能是数据与制造业企业结合后涌现出的新业态与新模式,选取数据赋能销售服务新业态、数据赋能价值获取新模式、数据赋能财务管理新模式、数据赋能人力资源管理新模式作为衡量指标。数据赋能依赖企业的信息收集、处理存储与传输能力,提升这些能力可以释放数据具备的信息储存与传递潜能,高效驱动企业资源以满足客户需求[15]。通过对用户数据分析与透视,企业能精确地对用户进行多维画像,实现用户群体细分,甚至细分到单个消费者。其中,数据赋能销售服务新业态指数据参与销售环节所带来的新形式,主要内容有数据驱动线上线下销售渠道整合、销售管理数据化程度、市场数据反馈与分析能力、客户关系管理数据化水平、客户需求捕获分析及快速响应能力、快速响应消费者的需求变化。
数据是数字时代的关键经济要素,数字平台是数字时代的核心主体,在数字平台将数据转化为智能能力或商业货币符号后,数据就实现了价值的倍增[19]。数据赋能价值获取新模式指数据资产运营的获取价值模式,主要内容有产品持续获取价值能力等。数据赋能财务管理新模式指数据参与下提高财务管理水平,主要内容有财务管理系统数字化覆盖率等;数据赋能人力资源管理新模式指数据参与下人力资源管理出现的新逻辑,主要内容有人力资源数据库完备度等。
(3)综合集成赋能深入度。综合集成赋能是数据增强制造业企业跨层级跨部门协作优化的体现,选取数据驱动的集团管控、研发设计与生产制造集成、经营管理与生产控制集成、产品与服务数字化集成、数据驱动的项目全生命周期管理、数据赋能内部价值链端到端精细管理作为评估指标。其中,数据驱动的集团管控指在数字化连接中,集团对于自身运行与战略落地的管理;研发设计与生产制造集成指研发环节与生产环节的对接通畅程度;经营管理与生产控制集成指数据驱动下的生产控制环节全流程贯通;产品与服务数字化集成则指数据赋能下产品的数字化能力增强。
价值链各节点数据的即时连接与协同共享是智能制造的基本要求,“工业4.0”所提出的纵向集成、横向集成、端到端集成的基础就是制造网络中节点数据的广泛连接,基于即时泛在连接,企业才有可能实现智能生产、提供智能服务[3]。数据驱动的项目全生命周期管理侧重考察项目管理过程的数据化程度,主要内容有项目管理数据化覆盖的业务范围、项目管理数据库完善程度。数据赋能内部价值链端到端精细管理指围绕产品生命周期的数据无缝传递,主要内容有端到端流程的协同优化精细化程度、端到端流程的协同优化应用层级。
数据赋能提升度旨在通过评估研发生产效率、经济与社会效益、创新与生态系统来衡量数据赋能对制造业企业的全方位提升程度。主要评估内容包括赋能效率提升度、赋能效益提高度以及赋能效能增强度(见表5)。
表5 制造业企业数据赋能提升度评价指标
(1)赋能效率提升度。效率提升是数据赋能制造业企业的基本要求,选取研发效率提升、生产效率提升以及管理决策效率提升作为主要评价指标。其中,研发效率指数据的应用所带来的产品研发速度与品质的提升;生产效率具体指数据赋能对于生产制造流程效率的提高;管理决策效率则指利用数据进行智能决策以及数据驱动决策优化的情况。
(2)赋能效益提高度。效益提高是数据赋能制造业企业的进阶要旨,选取成本、质量、营收等3个经济效益以及社会效益作为主要评价指标。其中,成本主要体现在数据发挥其信息沟通的本质,有效调配资源;质量指在数据参与下,质量控制环节实现的按需实时动态全面质量管理;营收指数字经济时代的收入增长方式;社会效益侧重于在数据和数字化技术的参与下制造业企业在绿色环保方面的增益,例如数据赋能低碳可持续发展模式。
(3)赋能效能增强度。效能增强是数据赋能制造业企业的结果显现,选取产品与用户服务、数字生态系统以及数据驱动创新作为主要评价指标。产品与用户服务指数据运用后对于产品和用户的运营业态改变,主要包括产品运行数据采集与分析、用户数字化网络的构建。通过数据技术的深度应用,企业将联合价值生态圈中的用户、供应商、服务商等利益相关者共创价值,从而帮助企业利用现有的核心能力或开发新的能力来满足用户需求,进而获得持续的竞争优势[32]。数字生态系统指通过数据技术与数据资源的组合利用,企业与利益相关者联合的程度,主要内容包括利益相关者数字化网络的构建等。数据驱动创新则指数据挖掘后对生产流程、组织结构产生的创新提升。
相较于专家咨询法等主观赋权手段,层次分析法(AHP)能够在很大程度上提高评估结果的可靠性与有效性[33],因此使用此方法对制造业企业数据赋能指标体系进行赋权。
构造层次结构模型。梳理确定指标间的逻辑关系与隶属关系,将制造业企业数据赋能三级指标体系划分为目标层、准则层与决策层(见图2)。
图2 制造业企业数据赋能评估层次结构模型
(2)构造判断矩阵。依照1—9 标度法,以上一层指标为准则,请专家评判下属层级指标间两两间相对重要程度。以ui、uj(i,j=1,2,…,n)表示因素,uij表示ui对uj的相对重要性数值,并由uij组成判断矩阵如下:
(3)计算重要性排序。根据判断矩阵,求得最大特征根λmax所对应的特征向量w。计算公式如下:
特征向量w经归一化即为各评价因素的最终重要性排序,即权重比例。
(4)一致性检验。专家的判断存在偏差产生的可能,要确定以上权重比例的合理性与科学性,还需对判断矩阵进行一致性检验操作。检验公式如下:
式(3)中:CR 为判断矩阵的随机一致性比率;RI 为判断矩阵的平均随机一致性指标,1~9 阶的判断矩阵的RI 值见表6。
表6 平均随机一致性指标取值
判断矩阵的一致性指标CI 的计算公式如下:
当CR<0.1 时或λmax=n、CI=0 时,认为矩阵具有满意的一致性;否则,需通过重新调整矩阵中的元素使矩阵具有满意的一致性。
采用一对一跟踪调查法,邀请华为技术有限公司、海尔集团等企业的4 位中层管理者和3 位科研机构数据赋能领域学者对指标的相对重要性进行评判。7 位专家权重均设为1/7,通过对收集的数据进行分析,矩阵通过一致性检验,得出各指标权重(见表7、表8)。
表7 制造业企业数据赋能评价一、二级指标权重
表8 制造业企业数据赋能评价三级指标权重
表8(续)
指标权重反映出专家们的一些共识。例如,一级指标上,数据赋能准备度与数据赋能深入度均达到35%的权重比例,较数据赋能提升度权重高5%,表明专家认同数据赋能的保障要素与数据赋能具体作用方面的重要性。但是,企业的效率效益与效能的提升是复杂的系统工程,并不能只依靠结果好坏来评判数据赋能的价值。二级指标上,数据基础设施、生产流程、综合集成均占有12%的权重,相较其他6 个二级指标权重高2%,表明在二级指标中,数据基础设施是最为重要的数据赋能先决条件,生产流程是制造业企业数据赋能的直接体现,综合集成是制造业企业数据应用程度的显性指标。三级指标中,战略规划与组织结构获得最高权重,表明数据赋能制造业企业转型升级是一项复杂且长期的系统工程,需要有清晰持久的战略作为指引,以及适配数据生产力的组织结构进行搭配,制造业企业的数据赋能才能行稳致远,持续发挥数据价值。
在实际应用中,大多数据不能直接采集,需要专家进行定性打分,而模糊综合评价法可以控制打分过程中的主观偏差。模糊综合评价法能较为全面、客观地平衡、汇总与修正各评价方的意见倾向,综合地反映出被评价对象的层级与质量。以制造业企业A 为例,具体过程评价过程如下:
(1)首先确定A 企业被评判对象的因素(指标)集C=(c1,c2,…,cn)和评判集V=(v1,v2,…,vm)。其中cn为各单项指标,vm为对cn的评判等级层次。
(2)分别确定各个因素的权重W及它们的隶属度向量R,经过模糊变换得到模糊评判矩阵。
(3)把模糊评判矩阵与因素的权重向量集进行模糊运算并进行归一化,得到模糊综合评判结果集S。公式如下:
(4)将(C,V,R,W)构成一个综合评判模型,求出评价的定量解值,加和即为最终评价结果。
能力成熟度模型由卡内基梅隆大学的软件工程研究院最先在软件行业发布,由于它所具备的动态演进优点,应用的范围在不断拓宽[34]。在本质上,制造业企业数据赋能也是具有特定目标,持续优化资源、组合能力以实现转型升级的动态过程。通过构建数据赋能成熟度模型,根据模糊综合评价法得分将企业分为5 个数据赋能成熟度等级(见图3):≥90~100 分为引领标杆级,≥80~89 分为提升优化级,≥70~79 分为综合集成级,≥60~69分为成长规范级,60 分以下为初始规划级。但由于不同企业拥有的资源、能力差异是客观存在的,企业根据内部条件与外部环境制定的转型升级路径也千差万别,因此在制定成熟度等级的过程中,从现实背景出发,提取了各企业转型升级过程中的共性规律,遵从了成熟度模型的设定原则。
图3 制造业企业数据赋能成熟度等级模型
数据赋能是当前研究的热点话题,也是我国制造业企业“弯道超车”甚至“换道超己”,实现高质量发展的重要抓手。制造业企业数据赋能指标体系及成熟度模型的研究、开发与应用,将有助于制造业企业对数据要素有更透彻的认识理解与更具体的操作指导,对推动数字时代制造业企业深度释放数据潜力、实现转型升级有着积极影响。本研究在借鉴国内外相关文献与前沿调查报告的基础上,梳理了数据赋能、制造业企业数字化转型以及数据价值链概念的时代演进,结合丰富的企业调研经历搭建数据赋能制造业企业参考架构与评估框架,生成了详细可操作的制造业企业数据赋能三级指标体系,采用层次分析法赋权和模糊综合评价法构建制造业企业数据赋能评估层次结构模型,以尽可能全面客观地反映制造业企业在数据应用全周期中的具体活动并转化为可量化的指标,并构建了更加贴合当下中国情景中的制造业企业实践的数据赋能成熟度等级划分模型,借鉴孙新波等[35]的研究,针对数据赋能对象的异质性构建数据赋能的具体方式,对企业的数据赋能行动提供了全景式的指导地图。
本研究仅给出评价指标体系的指标权重与模糊综合评价的应用方法,未来将基于评价指标体系判断制造业不同行业的数据赋能成熟度情况,为制造业企业提供更加详细、有针对性的参考建议;同时,不断修正评价指标体系与成熟度模型,提高方法的普适性与准确性。