中国服装企业数字化成熟度评价

郑 通,沈 娅,张立杰

(新疆大学 纺织与服装学院, 新疆 乌鲁木齐 830046)

近年来,随着大数据、5G、人工智能等数字技术的快速发展,数字经济也越来越多地受到关注。数字经济在中国国内生产总值(GDP)中扮演越来越重要的角色,2020年中国数字经济增加值规模达到39.2万亿元,同比上升2.4%[1]。“十四五”规划和2035年远景目标纲要提出以数字化驱动产业升级,推动数字经济与实体产业相结合,实现数字化产业和产业数字化[2]。

服装行业是中国传统制造型产业之一,在工业化发展、提供就业机会等方面扮演重要角色[3]。随着经济发展,服装企业出现劳动力缺失,简单粗犷的生产方式不再适合服装企业发展,中国服装企业迫切需要进行数字化转型。数字化转型可以为服装企业带来全供应链的能力提升,是服装产业从传统劳动密集型产业向技术密集型产业转型的重要机遇[4]。

数字化成熟度是企业在数字化转型过程中的完成程度,用于描述企业从非数字化到数字化最佳状态的相对水平[5]。据埃森哲发布的《2021年中国企业数字化指数》[6],中国企业的数字化成熟度指数在2018年为37分,2021年成熟度指数为54分,说明中国企业数字化转型总体在稳步推进。当下对服装企业数字化的研究主要集中在数字技术在服装企业中的研究与应用等[7-8],从数字化成熟度角度进行探讨和实证评价的研究相对较少。本文借鉴已有学者对企业数字化成熟度的研究,构建中国服装企业数字化成熟度测度模型,采用熵权-TOPSIS方法对中国服装企业数字化成熟度进行量化分析,结合K-means聚类结果划分成熟度等级并描述相关特征,分析并评价中国服装企业数字化成熟度,以期为中国服装企业顺利进行数字化转型提供参考。

1 数字化成熟度指标体系

1.1 组织变革能力

服装企业数字化转型一般是指以数据作为关键生产要素,运用大数据、互联网、人工智能等一系列数字技术对企业生产、管理、商业模式等进行改造、减少管理层级,这意味着企业组织结构发生重大变革,企业应重新设计组织结构,发挥数字化带来的优势[9]。Yoo等[10]将组织变革能力与技术研发联系起来,指出企业数字化转型是组织在日常工作中使用数字技术的过程。新的数字技术让信息传递更加快捷方便,必将使服装企业的组织结构向扁平化发展,减少中间不必要的管理层,降低管理人员的数量,同时要求劳动人员更加技能化,员工平均学历、专业素养等需大幅度提升[11]。员工与员工、员工与上级之间信息传递更加方便,进而提高企业的管理水平。良好的组织结构可以帮助服装企业更好地进行数字化转型,完善企业文化、企业发展战略等,在数字化转型过程中发挥着领导性的作用。因此本文将组织变革能力作为一级指标,包含组织结构转型和数字化人才建设2个二级指标。

1.2 技术变革能力

当前不少学者认为技术变革是企业数字化转型的关键动力,同时也是提高企业核心竞争力的关键要素[12]。曾光伟[13]认为企业应关注新技术的发展与应用,以前凭借从业者经验的经营方式正在被大数据分析取代。许敬涵[14]指出,新的数字技术会持续对制造型企业进行赋能,企业数字化转型要使用大数据、5G等新一代数字技术替代企业陈旧技术。服装企业应该重视技术变革带来的机会,充分抓住技术革新,将基础设备进行重构。因此本文将技术变革能力作为一级指标,包含数字化基础建设和数字化研发2个二级指标。

1.3 业务变革能力

业务变革意味着服装企业要改变传统的业务运营与管理模式,采用新的数字化系统、设备等实现业务线上化、智能化,降低数据采集、存储、分析等成本,提高业务运营效率[15]。杜劲松等[16]将服装全生命周期的设计、生产、物流、销售和服务5个主要环节作为一级指标进行了服装企业智能制造的评价。舒伟[17]指出,纺织产业的数字化改造应利用数字技术对设计、生产、销售等环节进行融合与优化。陈雁[18]指出,服装产品受人和市场的影响较大,数字技术应贯穿服装企业的设计、生产、销售等各个环节,实现企业的数字化和智能化发展。服装业务变革可以反应服装企业数字化转型的特点,涵盖了服装产品设计、生产、物流、销售和服务5个主要环节和一系列相互联系的价值创造活动[19]。横向集成是指将企业业务运营过程中不同环节的数字系统进行集成,提高企业对数据处理的效率和数据的自动流动水平[20]。因此本文将业务变革能力作为一级指标,包含服装产品业务流程5个主要环节(设计、生产、物流、营销和服务)和横向集成共6个二级指标。

通过文献分析,遵循指标数据的客观、全面、突出服装企业特点等原则,构建了包含3个一级指标,10个二级指标和19个三级指标的中国服装企业数字化成熟度指标体系,如表1所示。

表1 中国服装企业数字化成熟度指标体系Tab.1 Digital maturity index system of Chinese clothing enterprises

2 研究设计

2.1 评价方法回顾

与制造业数字化相关的评价方法主要有层次分析法(AHP)、模糊数学法、CRITIC权重法、熵权法、TOPSIS(优劣解距离法)、因子分析等。李旻等[21]使用AHP法评价制造企业数字化供应链的成熟度。王思维[22]将AHP法与模糊综合评价法相结合,评价了某具体企业的数字化成熟度。傅为忠等[23]在CRITIC-熵权法的基础上,使用TOPSIS模型评价了制造业高质量发展的影响因素。张鹏等[24]通过熵权-TOPSIS和因子分析法分析调查问卷得到的数据,评价了陕西装备制造业的数字化水平。

综合以上方法,AHP法的数据主要来源于专家组打分,带有一定的主观性;模糊综合评价虽能改进层次分析法中不可量化的问题,但存在指标权重矢量的确定主观性较强,且评分不够客观的问题。CRITIC综合评价法的权重值受指标间的标准差影响(即指标的标准差越大,该指标所占权重越高),因子分析法又受指标间相关性影响。本文的指标数据覆盖服装企业数字化的主要方面,各指标间差异较大,相关性较低,数据来源客观真实,故采用熵权-TOPSIS评价法对中国服装企业数字化成熟度进行评价。

2.2 熵权-TOPSIS评价法

TOPSIS评价法又叫优劣解距离法,通过计算指标对象与理想化目标之间的最优解、最劣解的距离进行排序[25]。熵权法是一种客观赋值方法,在有相应客观指标数据的情况下,根据各指标的变异程度,利用信息熵计算各指标的权重,得到客观的指标权重,再通过所得的客观权重值对TOPSIS方法进行修正。熵权-TOPSIS评价法的计算原理如下所示。

①正向化数据。指标数据中,组织管理层级需要进行正向化处理,其它指标数据均为正向化数据,不需要进行正向化处理。

(1)

式中:i= 1,2,…,n,j= 1,2,…,m.

③生成标准化矩阵X。

(2)

④计算概率矩阵P,概率矩阵中每个元素pij计算公式为:

(3)

⑤对于第j项指标,计算其信息熵ej。

(4)

式中:i= 1,2,…,n,j= 1,2,…,m。

⑥计算信息效用值dj。

dj=1-ej

(5)

⑦计算每个指标的权重wj。

(6)

⑧基于欧氏距离,计算各指标与最优解和最劣解向量之间的距离。正理想解为:

(7)

负理想解为:

(8)

⑨计算指标与最佳方案的贴近度。

(9)

在动态综合评价中,时间权重可以表示不同时间的重视程度。本文参考张发明在《动态综合评价方法与应用》[26]一书中对时间赋权的思想,构造时间权重函数,对时间权重Wt进行赋值。

(10)

计算每一年的时间权重值。

δt=et/2T,t= 1,2,…,T

(11)

式中:t表示时间,年;距离现在时间越近,时间权重Wt就越大,时间t距离现在越远,则时间权重Wt越小。

3 实证分析

3.1 样本选取

为确保数据真实、客观、有效,通过上海证券交易所和深圳证券交易所查询到中国46家纺织服装上市企业,筛选出以多品种服装产品为主营业务,服装服饰营业收入大于企业总营业额50%的服装上市企业,时间跨度为2018—2021年。剔除数据不完整和年报中未出现“数字化”“智能化”等字样的样本,最终保留24家服装上市企业。数据主要来源于上海证券交易所、深圳证券交易所、巨潮咨询网、企知道专利数据库等,同一企业不同年份的少数缺失数据采用移动平均法补齐。

3.2 成熟度等级划分及测度结果

通过加入时间权重的熵权-TOPSIS评价法计算,得到2018—2021年中国服装上市企业数字化成熟度计算结果,在此基础上,对评价对象进行聚类,依据聚类结果划分数字化成熟度等级。K-means聚类算法[27]由Mac在1967年首次提出,该算法基于样本间关联量的度量标准,是将样本自动分为K个群组的一种无监督学习。穆荣平等[28]认为K值可根据直观上的类别数和分析需求确定。将样本企业的数字化成熟度结果进行聚类测试,比较不同群组数的聚类结果,当K=3时最为合适24家服装上市企业2018—2021年数字化成熟度综合得分和聚类结果如表2所示,表中数据按服装企业数字化成熟度综合得分进行降序排序。

表2 2018—2021年中国服装上市企业数字化成熟度综合得分Tab.2 Comprehensive scores of digital maturity of Chinese clothing listed enterprises in 2018-2021

在3个聚类结果中,聚类1、聚类2和聚类3的数字化成熟度值依次升高。属于聚类1的共有11家服装上市企业,占比为45.83%,成熟度指数范围为0.199～0.276,平均值为0.241,定义为初始级。初始级服装上市企业数字化转型能力较差,在资金和人才方面的投入低于其他服装上市企业,数字化系统在生产管理环节中的应用少。属于聚类2的有11家,占比45.83%,成熟度指数范围为0.303～0.420,平均值为0.350,定义为成长级,成长级的服装上市企业在专利产出和数字化系统的应用都取得了一定的进展。属于聚类3的有2家,占比8.33%,成熟度指数范围为0.468～0.570,平均值为0.519,定义为引领级。引领级的服装上市企业成熟度明显高于其他样本企业,数字系统应用在业务流程中使用更为全面,较高的研发投入和人才投入,尤其是森马服饰,在数字化人才建设、数字化基础投入和数字化研发均处于领先地位。从结果可以看出,服装数字化成熟度整体水平较低,不同服装上市企业数字化成熟度得分之间存在差异,表明服装企业之间的数字化转型能力存在一定差距,与企业规模、主营服装品种、研发投入、市场占有率以及综合实力差距等有关。

3.3 数字化转型进度评价

为更好地分析服装上市企业2018—2021整体数字化转型情况,以每一年作为1个方案,计算服装上市企业数字化成熟度指数每年的平均值,观察成熟度指数的变化,结果如图1所示。计算成熟度指标体系中3个子能力(一级指标)的成熟度值,分析子能力成熟度指数变化,结果如图2所示。

图1 2018—2021年均成熟度指数变化Fig.1 Annual maturity index changes over the years(2018-2021)

图2 2018—2021年子能力成熟度走势Fig.2 Sub-capability maturities trend in 2018-2021

由图1可以看出,样本企业年平均成熟度指数在2018—2021年之间逐渐升高,在2019—2020年之间斜率最大,说明服装上市企业在2020年数字化转型进度较快。数字化成熟度整体呈现上升趋势,说明中国服装企业的数字化成熟度不断提高,数字化转型取得一定进展。

分析图2中3个子能力在2018—2021年之间的数字化成熟度走势可知,3个子能力成熟度指数中,由于数字系统的积累和集成,业务变革能力在4年间成熟度指数不断上升。业务变革能力包含服装产品业务流程5个主要环节和横向集成,企业应进一步加强数字化系统在服装业务环节中的应用,同时重视数据标准化建设,促进各个数字化系统之间相互集成,从而打破“数据孤岛”。

组织变革能力和技术变革能力在2019年和2020年呈现出下降趋势,2021年转变为上升趋势,其主要原因是企业经营受到新型冠状病毒肺炎影响,资金投入不足,进而造成数字化人才建设受阻,数字化基础设施建设和研发投入减少。企业应加大资金投入,在人才建设中注重引进数字化研发人员和高学历人才,健全数字化人才引进和培养制度;改善数字化基础设施的研发投入,注重资金投入的方向,重点提高数字化技术、数据中台和智能工厂方面的投入,从而提高数字化产出。

4 结束语

通过构建中国服装企业数字化成熟度测度模型,采用熵权-TOPSIS评价法,从组织变革能力、技术变革能力和业务变革能力3个方面对2018—2021年中国24家服装上市企业的数字化成熟度进行测算。使用K-means算法对评价对象进行聚类,划分聚类结果为3个成熟度等级:初始级数字化成熟度指数范围为0.199～0.276,平均值为0.241;成长级数字化成熟度指数范围为0.303～0.420,平均值为0.350;引领级数字化成熟度指数范围为0.468～0.570,平均值为0.519。样本企业2018—2021年的数字化成熟度指数平均值呈现出逐年递增趋势;3个一级指标中,业务变革能力的数字化成熟度呈现出逐年递增趋势,组织变革能力和技术变革能力呈现出先下降后上升趋势。组织变革方面,企业应重视数字化人才培养;技术变革方面,企业应重视数字化基础设施研发创新;业务变革方面,企业应进一步加强数字化系统在业务环节中的应用。

本文研究结果可以帮助服装企业进行数字化成熟度评价,根据企业自身需求,从不同角度促进数字化转型,满足未来发展需要。