产业数字化发展路径：互补性、动态性与战略性

郑江淮 杨洁茹

摘 要：数据正成长为一种新型生产要素，其无限供给的特征可以为经济高质量发展提供充分的要素支持。企业对数据、数字技术等相关要素的投资推动了产业数字化的发展壮大，产业数字化的根本动力就在于要素互补，多样化的要素互补方式为经济增长提供了更多可能性。数据作为核心要素驱动了二元经济结构的重构，也就是资本部门和劳动部门的再配置，产业组织以及产业结构也随之发生动态变化。传统产业与数字技术的融通，提高了企業的竞争力，数据先行者将率先建立竞争优势。国际分工体系中的产业链与价值链被重构，发展中国家如果能把握住这次战略机遇，将有可能实现“弯道超车”。

关键词：产业数字化；互补性；动态性；战略性

DOI： 10.19313/.cnki.cn10-1223/20240313.001

一、引 言

数字经济正成为产业界和理论界关注的热门话题。数字经济作为一种新型经济形态，就其内容来说，主要包括“数字产业化”和“产业数字化”两个方面。过去学术界讨论较多的是以数字平台为中心的数字产业化问题，而对产业数字化问题的探讨则有所欠缺。事实上，产业数字化才是数字经济发展的重心所在。这里所说的产业数字化，主要是指在新一代数字科技支撑和引领下，以数据为关键要素，以价值释放为核心，以数据赋能为主线，对产业链上下游的全要素数字化升级、转型和再造的过程。根据中国信息通信研究院发布的《中国数字经济发展白皮书》的数据，2020 年我国产业数字化规模达31.7 万亿元，占GDP 比重达31.2%。其中，产业数字化占数字经济比重达80.9%①。因此，有必要对产业数字化发展的底层逻辑等有关问题进行探讨和分析。基于此，本文旨在分别从微观、中观以及宏观三个层次，来探讨产业数字化发展的互补性、动态性和战略性，试图厘清产业数字化发展的微观机制，阐述其动态变化，并对发展前景进行展望。

二、互补性：产业数字化发展的微观机制

以计算机网络为核心的信息革命的发生，推动人类社会进入信息时代，不仅拓展出一个全新的虚拟网络空间，而且将“信息”变成了一种相对独立的新型资源，重塑了全社会的资源分布版图。信息资源主要表现为各类数据资源，尤其是海量数据构成的数据集。在这种情境下，传统的生产体系不得不面对信息化浪潮的冲击，开始产业数字化转型之路。要准确理解这一点，那就需要探讨数据要素是如何嵌入到传统的生产体系中，并与其他要素实现有机融合的。

（一）数据要素化和数据要素无限供给

在传统的经济分析框架中，生产要素主要包括土地、资本、劳动等，实际掌握这些要素的企业和个人在整个社会再生产过程中占据着主导地位。在高度信息化的时代，人们可以利用数据技术手段，抓取物理空间中各种事物的运动轨迹，获取虚拟网络空间沉淀下的数字痕迹，以及编码各种日常生活中的惯例、经验、隐含知识、个性化行为等，从而形成大量可用的显性数据（郑江淮等，2021）。为了将这些原始数据实用化，还需要对相关的数据进行清洗、加工以及集成，使得其可被计算与分析。在这个过程中，数据的实用性和价值得以显现出来。数据的实用性和价值尤其体现在，其可以渗透进入生产、流通、分配以及消费诸环节，和其他要素一起参与实际的经济价值创造过程。这种大数据在社会再生产过程中发挥的作用越来越大，其正逐步向生产要素的形态演进，成为一种不可或缺的新型生产要素。

数据作为一种要素，与传统生产要素相比，具有一些典型的特征。首先，数据具有可复制性。理论上来说，数据要素不会像传统生产要素那样具有使用权上的排他性，而是可以通过复制的方式，出现不同的“数据分身”，同时供给很多人使用。这种特性使得数据的价值不会因为使用而减少，反而可能因为更多的使用而增加。其次，数据具有可再生性。对数据要素的使用，不会像传统的自然资源那样，受到质料转换的能量守则限制，出现资源枯竭的情况，而是可以不断再生产出来。再次，数据本身具有自积累性。对数据资源的每次使用，都可能会生成新的数据，实现数据要素的自我积累。并且，随着数据量的增长，特别是当数据量达到海量级别时，数据的价值和功能会变得更加丰富和多样化。

总的来看，不同于传统生产要素的有限供给，数据要素在一定程度上可以实现“无限供给”。随着数据技术的不断进步，人们获取、存储、处理和分析数据的能力不断提高，从而为持续供给高质量数据要素提供了根本保证。可以说，市场中不断增加的数据需求能够得到快速满足。甚至，大数据的供给量随着需求的增加能够不断增长，形成良性循环。不过需要指出的是，这里只是从经济学角度来看，理论上现在已经具备了无限供给数据要素的条件和能力。但从现实数据的生产和使用来说，其本身还会受到很多非经济因素的制约。首先是数据产权的界定问题，明确数据的所有权和使用权对于数据的合理利用和流通至关重要。其次是数据隐私保护问题，如何在利用数据的同时确保个人隐私不受侵犯是一个亟待解决的问题。此外，随着数据科技的快速发展，科技伦理问题也逐渐凸显，如何在追求技术创新和应用的同时维护伦理道德标准，确保数据的公正、公平使用，也是当前面临的重要议题。数据要素的潜在生产力的释放很大程度上依赖于这些制约因素被一系列制度创新所化解。

（二）资本周转竞争视角下的业务全过程竞争

在市场经济条件下，资本之间的竞争越来越表现为资本周转竞争。资本周转速度越快的企业，其对资本的利用效率越高，因而就能够获得更高的回报。就一般制造业来说，从资本周转竞争的视角来看，要提高资本周转速度，一方面，必须持续缩短资本周转时间，不仅要努力减少商品生产时间，还要努力减少商品流通时间，也就是通过速度竞赛来减少一般性的时间耗费。另一方面，必须持续提升对不变资本的营运管理能力，不断调整固定资本和流动资本的比例结构，避免出现大规模商品积压和库存过剩情况，也就是通过治理竞赛来减少一般性的物资损耗。

将企业全部业务流程视为一个整体，那么如今的资本周转竞争，更多地就表现为业务全过程竞争。传统的一些企业依赖一些相对静态的资源，便能够获得稳定的竞争优势。如今，随着生产要素市场的变化，市场竞争的格局已经逐渐发生了变化，或者说，竞争的争夺点已经发生了转移。过去占据相对优势的企业，不得不重新思考其业务全流程的合理性，快速调整自身以适应市场环境的变化，以便能够获得新的竞争优势。此种情况下，数字化设备、数字技术等成为企业竞相布局的投资重点，这既是企业追求利润最大化的驱动，也是迫于全行业竞争压力进行的数字化转型和相关替代。信息和数字化领域的直接投资大幅度增加是当前投资流动的主要趋势（Corea，2017；何大安，2022）。由于各种实际因素，如不同公司在技术采纳和使用上的差异、市场状况、资源分配等，可能会出现投资驱动的分布不均衡现象。这种现象的出现，意味着一些公司在数字化转型方面可能会走在其他公司前面，成为数字技术开发和应用的先行者。大型公司、年轻公司以及内部人员受教育程度更高的公司，可能更有积极性或更有条件去率先采用数字技术，成为数字采用者（Calvino and Fontanelli，2023）。此外，数字技术在创造全球赢者通吃动态方面的潜力越来越大，这将导致前沿公司与落后者的绩效差距扩大（Andrews，2016），但这种差距可能会通过集群的本地化而缩小（Grashof andKopka，2023）。

传统企业不得不正视数字技术发展带来的“毁灭性创新”的影响。数据要素的作用就体现在其改造了传统的业务流程。在传统的经济模式下，生产和交换活动常常受到地理限制和信息隔阂的制约，导致资源无法得到有效配置和利用。数据要素的引进能够改变企业的业务流程。互联网、云计算、大数据、人工智能等数字技术的出现，突破了物理时空的限制，使得信息能够在全球范围内实现实时传递和交换。从最明显的流通角度来说，信息革命带来了一场流通革命，在一定程度上实现了时空压缩，大大降低了流通成本，提高了社会生产和交换的效率（Goldfarb and Tucker，2019）。由数字技术带来的业务重塑，不仅体现在交换或者说流通领域，甚至还渗透到再生产过程的方方面面。数据的应用场景包括但不限于生产计划、供应链管理、质量控制、市场营销等。这也就意味着，那些能够充分利用数字技术以辅助业务全流程竞争的企业，将提高自身的盈利能力和竞争力（Wamba et al.，2017）。

（三）产业数字化的内生动力在于要素互补

所谓的数据其实是信息的一种表现形式，本身不能直接产生价值。数据要素需要经过适当的处理、分析和应用，落实在具体的业务场景中，才能够为业务带来实际效益。也就是说，数据要素的引入可以形成新的要素组合方式，或者带动劳动力、资本、土地、技术、管理等要素高效利用，优化传统要素效能。尤其是数字技术的不断更新迭代，导致要素的组合方式变得更为复杂多样。比如随着人工智能技术的不断发展，数据要素与人工智能的结合成为了新的要素组合方式。人工智能技术通过对大量数据的处理和分析，可以深入挖掘其内在的价值和信息，能够帮助企业应对更多复杂性问题。这不仅提高了生产效率，降低了成本，同时也为创新提供了更多的可能性。此外，人力资本与人工智能的紧密合作成为创新的关键，二者共同推动新知识的产生和应用，展现了数字经济时代全新的知识创造模式。人工智能技术可以提供强大的计算能力和数据分析能力，而人类则可以提供创新的思维和丰富的经验。两者的结合，不仅可以提高知识创新的效率，也可以拓展知识创新的深度和广度。这种带有“涌现性”的要素互补组合方式为经济增长提供了更多可能性，成为推动产业数字化发展的内生动力。故而，产业数字化的内生动力就在于要素互补。

要素互补在公司内表现为资产性互补。数据要素本身虽然可以实现无限供给，但若要使其成为促进企业成长的动力，必须与其他互补性资产有效结合。这些互补性资产不仅限于技术，还包括组织结构、企业文化、人力资源和业务流程等多个方面。比如人工智能的使用与信息通信技术、高速数字基础设施和其他数字技术的使用密切相关，这些互补资产在人工智能用户的生产力优势方面发挥着关键作用（Calvino and Fontanelli，2023）。这种资产互补性为企业创造了巨大的价值。亚马逊是利用数据要素与其他资产互补的典范。它通过收集和分析消费者数据，精准洞察市场趋势和需求，同时结合先进的技术，如机器学习和人工智能，提供个性化推荐和智能物流。这不仅提高了用户体验，还降低了运营成本。此外，它还利用数据优化库存管理和物流配送，快速响应市场需求，降低库存风险。其扁平化的组织结构也促进了数据共享和跨部门协作，加速了创新和决策的过程。这种数据驱动的运营模式使亚马逊得以持续领先市场。可以说，互补性资产在企业的数字化转型当中发挥着至关重要的作用，是企业实现数据技术能力转换为盈利能力的关键。

随着数字化时代的到来，数据成为核心资源，数字技术的使用使得任务更偏向数据密集型。行业内任务性互补成为常态，不同的企业或组织根据各自的优势实现任务上的互补，从而更高效地完成项目与创造价值。例如，数据分析技术领先的上游企业擅长处理海量数据并做出精准预测，而具备丰富行业经验和熟练技工的下游企业则擅长专业化和定制化的服务。价值链上游数字化与下游互补，能够实现任务上的互补，更好地完成特定项目。此外，要素互补还表现在不同行业之间的合作。以数据生产作为主要业务的经济产业发展起来，数字产业与非数字产业间形成了一种新型的耦合关系。其中，数字产业占据了更加核心的主导地位，能够有效地推动数据整合和产业升级。总之，要素互补是实现高效资源配置和价值创造的重要手段。通过发挥各自的优势并实现互补，不同的企业或组织可以共同应对市场内在的风险和挑战。

三、动态性：数据驱动下新二元经济结构特征

在数字化浪潮的冲击之下，未来的制造业将变得更加数字化和智能化。在這个过程中，数据作为一种核心要素将发挥越来越重要的作用。甚至可以说，数据将成为牵引技术创新和市场竞争的重要力量。不同的企业能够在产品和流程中推动数字孪生技术的落地，借助数据分析、数据模拟以及数据集成等手段来进行经营管理活动。由此，自然也会影响到未来的产业形态和产业结构。

（一）技术复杂度和产品空间的变化

产品是所有要素的最终载体，本身包含了生产过程中所需要的各种资源、技术水平和生产能力。数据要素的引入，实现了业务流程创新，提高了企业应对市场供需结构变化的动态能力，可以全方位提高产品的技术复杂度（Mikalef and Pateli，2017）。首先，数字技术可以实现高度精细化和复杂的产品设计。例如，借助CAD（计算机辅助设计）和CAE（计算机辅助工程）软件，设计师可以创建出具有复杂几何形状、精密结构和功能性的产品。这不仅提高了产品的设计水平，还为满足消费者对高品质、高性能产品的需求提供了更多可能。其次，数字技术推动了专业化分工的发展。通过数字化管理和优化，企业能够将生产过程分解为不同的环节和工序，实现更精细的专业化分工。这种分工使得企业能够专注于自身的核心优势，提高生产的专业化水平，进一步提升产品的技术复杂度。当企业把更多数字化、智能化装备用于生产过程，企业能够实现高效的生产流程和精确的质量控制。这不仅大大降低了生产成本，而且显著提高了生产效率。通过收集和分析生产过程中的数据，企业能够实时监控产品质量、优化生产流程，并及时调整和改进生产计划。这使得企业能够更好地应对市场变化，快速响应消费者需求，提高产品的市场竞争力。此外，数字技术还可以促进产品与互联网、物联网的融合，实现产品的互联互通和远程控制。这种技术趋势使得产品不再是孤立的个体，而是成为智能系统的一部分，可以与其他产品或系统进行信息交互和协同工作。

数字技术的加速发展为企业带来了海量的数据和信息，极大丰富了企业的知识集，提高了企业在产品空间的跳跃能力。可以这样来理解：各种技术路线集合决定了生产可能性边界，而所有边界的合拢就构成了产品空间。这意味着生产的可能性受到技术发展的限制，而技术的发展和组合方式决定了能够生产的产品的种类和数量。在这样的产品空间中，不同的产品之间存在知识上的差异，这种差异决定了产品之间的距离。这种知识不仅包括显性知识，如技术专利，还包括隐性知识，如工程诀窍和管理经验。对比不同产品之间的距离和不同人群的生产能力，知识集合在产品生产中具有很高的重要性。产品空间的扩大，或者说产品距离的延长，则意味着企业进行生产迁移的难度增加。一个企业或经济体如果能够抓住机遇，迅速接入由数字技术开辟的产品空间，依据能力的比较优势和产品之间的相似性，向着产品空间核心的最优距离的潜在新产品跳跃（张其仔等，2021），那么将逐渐建立起自身新的竞争优势。例如，通过机器学习和人工智能技术，企业可以开发出更加智能化的产品，满足消费者个性化的需求。对于一些国家，如韩国和日本，能够及时抓住机遇，利用先进的技术和创新能力，成功地促进了生命周期相对较短的行业的多样化，如计算机零件和电子产品，快速适应并迎合了全球市场的变化和需求（Lee，2013）。这些亚洲国家的成功经验表明，抓住机遇并灵活应对市场变化是至关重要的。通过利用数字技术，企业可以开拓新的产品空间并获得竞争优势。反之，如果一个企业或经济体没有找到合适的跳跃条件与迁移途径，哪怕有实现产业升级的意图，也可能还是被锁定在特定的层级，无法向上突破，从而遭遇到发展瓶颈。

（二）资本部门与劳动部门的再配置

产业数字化的过程同时也是个吸纳剩余资本的过程。真正前沿的技术往往来源于“深奥的手艺”（即离群技术和颠覆性知识），而不仅是纯粹的知识。这是因为“深奥的手艺”往往涉及到一种实践性知识，这种知识是手艺人通过不断尝试、失败和调整而获得的基于实践经验的积累和感悟，这些都是纯粹知识所无法替代的（Arthur，2019）。这也意味着，它能够操纵和灵活运用那些新近发现且尚未完全理解的现象，这种认知可能来自当地大学或工业实验室的实验性操作或研究，又逐渐演变为共有文化的一部分，深植于相关发明人才的大脑中。纯粹的知识可以作为编码化数据传播，但一些“深奥的手艺”却很难被编码化，故而，离群技术和颠覆性知识的扩散必须依靠相关人才的流动。

从经济学角度来看，数据要素的非竞争性和规模经济效应使得数据的共享并不会减少其使用价值，反而随着更多人的使用，其价值可能会增加，而这与需求的边际效用递减规律不协调。因此，我们需要将新的高弹性的知识消费加入到生产与消费的供需中，在生产和消费结构上进行创新以调和原有的矛盾（张平，2023）。因为知识成为数字时代中供需最活跃的要素，知识生产和需求推动供需向着产业的高级化演进，知识创新成为广义上的技术进步。技术实际上主要就体现在研发人员的知识创新。以各种创新人员为主体的研发部门已经成为了重要的资本部门。数字化转型使得大量的资源汇聚到新兴产业部门，相关劳动者的收入高于社会平均水平，创新人才向新兴产业部门流动的动机将更加强烈，推动着产业数字化部门的进一步扩张（郑江淮和周南，2023）。

随着产业数字化的推进，劳动力市场将表现出“极化”的发展趋势（Autor et al.，2006; Acemogluand Autor，2011）。数字技术发展引发技能深化，例如，人工智能在制造业中的应用，可以增加技术与研发岗位对专业化的高技能人才的需求，即存在对高技能劳动力的“创造效应”。同时，数字技术又可以有效减少重复性、标准化岗位对普通劳动力的需求，形成对低技能劳动力的“替代效应”。然而，低技能劳动力就业能通过劳动力的部门间转移得到补偿，比如，工人从下游机器人使用行业向上游机器人生产行业的部门转移可能会抵消最初对就业的负面影响（Dosi et al.，2021），同时劳动力还可能流向第三产业。再者，劳动过程的数字化，使得具备复杂生产经验的中等技能劳动者被智能设备挤出，中等技能劳动者与所有就业人数的比重则是呈现下降趋势。总的来说，当前数字技术对劳动力需求造成的影响是高低技能劳动力的就业份额增加，中等技能劳动力的就业份额减少。

产业数字化进程中，资本部门相对于劳动部门将占有更大的优势，使得勞动部门更加处于从属地位。虽然在某种意义上数字技术可类比于劳动工具，诸如人工智能等数字技术的应用，能帮助新工作者提高客户满意度和学习效率，在一定程度上能增加劳动工作的稳定性（de Souza and Li，2023）。然而，数字技术却存在着排斥劳动的一面。例如，机器人对劳动的替代速度可能短期内超过创造就业的速度。这带来的结果就是，资本部门进一步排挤劳动部门，使得劳动力的议价空间进一步收窄。此外，企业通过应用人工智能，使得海量数据经过信息提炼与解读，转化为创造性知识，从而提升企业创新水平和创新效率。那些数据创造者要保证自身的收益，只能进一步把数据要素依附在资本部门。总体来看，这带来的结果是，资本在社会分配中所占的份额有所提高，劳动在社会分配中所占的份额有所下降，导致劳动者地位相对下降。

（三）产业组织和产业结构的灵活变化

传统生产型企业面临扩大投入、拓展业务、组织管理成本上升的挑战，而在数字经济范式形成的过程中，企业的组织形态将变得更加具有灵活性，会更加转向事业部为主的多元一体模式。此外，企业的治理结构也将突破传统的科层制模式，变得更加扁平化（Dunleavy，2006）。产业数字化促进了各种生产要素的深度融合，实现了生产者、消费者、供应商、设备和产品的联网，搭建了人、机、物对话的框架。各类数字平台成为了信息的“汇集池”和资源的“匹配器”。在这里，传统的企业与市场边界被打破，每一个参与主体不仅能够快速对接与其有直接业务关系的合作者，而且能够清晰地识别与其存在间接关系的各类主体。更重要的是，通过实时监测数据或接收反馈数据，能够做出更精准的战略决策、推动运营优化（肖旭和戚聿东，2019；戚聿东和肖旭，2022）。各种应用技术与物联网和云端的关系再造，将在未来进一步影响产业组织形态。

由于企业投资行为和竞争行为的改变，在产业数字化的过程中，那些具有较强资本实力的企业率先投资于数据要素和数字技术，实现数字转型。而数字转型的完成也将进一步强化其竞争优势。接下来，大量的投资进一步涌向这些企业。这带来的一个后果就是，那些优势企业凭借其丰富的数据资源、高素质的技术团队和先进的算法技术，展现出明显的网络优势和规模效应。这些企业能够以更低的成本开展新业务，其规模可能远远超过传统的生产型企业。因此，少数企业成长为“巨型企业”，与众多小型厂商拉开差距，获取更多市场份额，拥有更大的市场势力。在这些内生特性的主导下，企业竞争关注的焦点不再是市场结构，而是自我优待、拒绝交易、差别化定价与激进补贴、杀手型并购等策略性新式行为（张文魁，2022）。随着数字基础设施趋于完善，有一类企业往往处在数据科技创新的前沿，可以通过数字赋能，降低外部市场交易成本，成长为具有核心竞争力的“明星企业”（Stiebale and Woessner，2020）。然后，大量的传统企业也不断调整自身业务和规模，以精细化的运营和优质的服务，满足客户的个性化需求，努力达成企业内部和外部成本的一致，成为“平民企业”。结果就是，“巨型企业”变得“大而强”，“明星企业”变得“专而精”，平民企业变得“小而美”。

随着产业数字化的不断深化，产业的地理空间分布也出现了动态变化。这种变化是由数字化产业和产业数字化的特点和需求所驱动的。首先，数字化产业对交易成本、知识密度和人力资本等要素更为敏感。核心城市通常拥有先进的信息技术基础设施、丰富的市场资源和人才储备，为数字化产业的发展提供了有利的条件，因此，数字化产业倾向于集中在这些地区。同时，核心城市也是创新和知识服务的集群地，这有助于数字化产业的创新和升级。然而，数字化行业的发展也呈现出高度的地理分散性。这是因为数字化技术突破了地域限制，使得企业可以在全球范围内进行业务拓展和服务提供。这种分散性为一些外围城市或地区提供了发展机遇，它们可以通过吸引部分数字产业转移来实现自身的发展。对于以制造业为主的产业数字化部门，它们对要素成本更为敏感，因此更有可能出现向外围城市迁移的情况（Duranton and Pug，2005）。这是因为外围城市或地区通常具有较低的土地、劳动力要素成本，能够降低企业的运营成本。这种迁移也有助于促进外围城市的产业升级和经济转型。新经济条件下，数字产业化和产业数字化形成了新“中心-外围”的结构。这种结构反映了数字化产业的集中与分散并存的特点。中心地区主要承担创新、高端服务和核心业务的角色，而外围地区更多地承担制造、扩展服务和配套业务的角色。这种结构有助于实现资源优化配置和区域协同发展。

四、战略性：新经济条件下比较优势重构的前景展望

以数字技术为代表的新一轮信息技术革命正在深刻地改变着全球经济的面貌。这一革命不仅引发了要素禀赋的变化，要求适应性制度的相应变迁，而且预示着全球贸易和分工体系的重塑（戴翔等，2022）。全球不同国家将在这些新经济领域展开新一轮产业竞争。在这种情境下，必须从战略高度来把握产业数字化的演进态势，准确识别其存在的问题，引导和推动产业数字化实现高质量发展。

（一）全球视野下的产业链价值链重构

新经济条件下，全球产业链和价值链正在经历重大调整。大数据、云计算、人工智能等数字技术对传统产业的改造，催生出了新的商业模式和服务业态，使得传统产业得以实现数字化转型。这种转型为全球价值链的拓展和重构提供了新的动力。与基于数字本身而构建的全球价值链不同，我们这里主要讨论的是以产业数字化为主导的产业链价值链重构，更强调实体经济与数字经济的深度融合。

数字技术颠覆了生产资料与劳动者的结合方式，导致产业链的“微笑曲线”扁平化（Rehnbergand Ponte，2018），甚至有可能出现“武藏曲线”的反转。传统的产业“微笑曲线”认为，在产业链中，附加值更多体现在两端，即设计和销售，而处于中间环节的制造附加值最低。然而，随着数字技术的广泛应用，这一情况正在发生变化。数据要素的嵌入为传统生产要素注入了新的活力，使得生产环节能够实现降本增效。特别是人工智能等数字技术在研发、设计、生产制造等上游领域的偏向性应用，进一步强化了规模经济效应（Fontagné et al.，2023）。传统制造业不再局限于低附加值的制造环节，而是向高附加值的服务环节延伸。在数字技术推动下，消费者不再仅仅扮演着终端消费者的角色，而是逐渐成为价值链中的重要参与者，广泛参与到产品研发、设计、生产、销售等各个环节，并成为连接产业链诸多环节的关键“节点”。这些拥有较高数字技能和素养的消费者，通过数字平台和社交媒体等渠道，为企业提供宝贵的反馈和建议，在商品生产创新及商业模式变革中的话语权不断增强。可以看到，传统生产要素难以继续成为公司布局全球生产网络考虑的重点因素。在当前数据成为重要战略性资源的情况下，数据科技的引领者将在产业链价值链竞争中占据更加主动的地位，比追随者和非采用者表现出更大的生产力优势（Cerqueira et al.，2023）。

产业数字化主导下的价值链发展更多呈现出本土化、区域化、短链化态势。数字技术的颠覆性创新为中小型企业和个体提供了更多的参与机会，降低了全球价值链的参与门槛。这使得生产过程变得更加分散和灵活，增加了全球价值链的多样性和灵活性。这可能导致国际生产结构进一步碎片化，中小型企业和个体成为重要的生产者和服务提供者。但物理空间上的运输成本没有大幅下降，数字技术具有高資本和高数据密集型特征，需要基础设施和熟练劳动力的要素互补，极力降低劳动力成本可能不再是公司选择离岸外包的主要决定因素，数字技术对传统产业的嵌入反而会促使劳动密集型的行业重返发达国家本土，比如美国主导的制造业回流（伦蕊和郭宏，2023; Dachs et al.，2019）。数字技术的应用降低了对传统生产要素的依赖，传统的要素禀赋优势如自然资源、劳动力成本等在数字技术的支持下变得相对次要。受此影响，在数字经济时代，信息传递的便捷性和即时性使得企业更倾向于在靠近终端市场的地方进行生产，以降低交付风险和时间成本，实现更短的供应链（Laplume et al.，2016）。与此同时，在供应商或买家地理高度集中的情况下，全球价值链依赖度高的脆弱性会被放大（Schwellnus，2023）。

（二）产业数字化转型发展的主要障碍

进行数字化转型的动力不足。产业数字化发展是一个系统化的过程，而非简单的局部信息化。其不仅是技术层面的变革，更是一场涉及企业战略、组织管理、工作流程、员工培训等多方面的深刻变革。它要求企业将数字技术融入其核心业务，实现业务流程的数字化，以提高效率、降低成本、创新商业模式。此外，数字化转型看起来千丝万缕，但总要有一些底层技术支撑。谈到企业数字化转型，离不开一个关键词：关键共性技术。这些底部核心技术投入的初始门槛更高，包含资金门槛、技术研发实力门槛等。同时，这些投入也面临着变现路径长等问题，关键共性技术离市场端的商业转化距离太远。企业还需要不断进行技术研发和创新，以适应不断变化的市场需求和行业竞争。在这个过程中，企业需要投入大量的资金。尤其对一些中小企业和民营企业而言，利润水平不高，转型资金投入不足成为制约其数字化转型的一大障碍。再或者是，擔心相关投资得不到可靠回报，进而全面进行数字化转型的积极性不高。

数字人才存在结构性短缺。过去数字经济的发展更多体现在互联网用户爆发式增长带来的规模效应红利，当前数字经济的发展已经不再仅仅局限于消费端，而是向产业链上游供给端不断拓展，数字人才变得尤为关键。但使用数据的公司和不使用数据的公司都指出，技术工人在数量和质量上的缺乏是阻碍数据使用的最大障碍。数字化带来的技术进步和更替导致市场上普通技术工人过剩，而专业化数字技能人才的供给速度远远跟不上市场的需求速度，数字人才供给不足一定程度上甚至制约了产业数字化的进一步发展。同时数字人才配置失衡，头部企业占据了大量数字人才，企业发展差距拉大。就人工智能领域的人才而言，相关人才主要集中在少数巨型公司。以美国为例，顶级雇主在人工智能、机器学习、自然语言处理、云计算和大数据等前沿技术技能的总需求中占据了相当大的比例。在过去十年中，超过四分之一（26%）需要人工智能技能的职位空缺是由那些拥有相关技能人才的前10 名雇主发布的。相比之下，更传统的技术技能的职位空缺只有6.9%是由这些顶级雇主发布的（Jin et al.， 2021）。

数据资产池的交易体系不够完善。数据要素作为新型要素参与到生产过程中，其首要条件是数据能够成为数据资产，数据资产本身能够确权。问题在于，很多数据是在不同主体的集体行动中生成出来的，所以较难清楚地界定数据产权的归属。此外，很多企业尚未建立起建制化的数据感知体系，获取数据的规模不够大，种类不够丰富，质量不够高。同时这也意味着，数据积累还没达到一定层次，很多数据还处于相对沉睡状态，数据资产的价值没被充分发掘出来。再就是，一般化的数据交易规则还没有建立起来。尽管现在不同的经济主体已经拥有了不少数据，但这些数据如果不能通过公开交易渠道来实现互联互通的话，那就会形成大量的“数据孤岛”，无法形成一个有效的数据资产池。而数据资产如何以市场化的机制来进行定价和流转，并计入资产负债表，尚没有形成完善的计量标准和会计准则。这些都是尚待解决的重要问题。

（三）构建产业数字化发展新格局的路径

加强对产业数字化的政策支持。要破解企业数字化转型动力不足的问题，政府必须多措并举，持续发力。首先，政府应该通过财政补贴或税收优惠等方式来提供资金支持，分担企业数字化转型的财务成本，从而激励其引进更多数字技术。例如，政府可以设立专门的数字化转型基金，为有潜力但资金不足的企业提供初始投资或贷款担保，减轻他们的资金压力。其次，政府应该加强与企业、高校、科研机构的合作，在关键共性技术层面给予企业相关支持。通过持续投入研发经费来奖励科技创新，帮助突破技术瓶颈，提高数字化转型的成效。政府还可以提炼推出一批聚焦细分行业规范高效、有利复制推广的数字化转型典型模式，打造一批可复制易推广的数字化转型“小灯塔”企业，形成一种示范效应，鼓励不同的企业通过培训、交流、引进等方式，强化数字化意识，进而提升数字应用能力。

保障数字人才供给。解决数字人才不足的问题需要政府、企业和高校共同努力。首先，政府、企业和高校应该加强合作，共同加大对数字人才的培养力度。政府可以出台相关政策，鼓励和支持高校增加相关专业的招生人数，提高教育质量。同时，政府也可以通过提供奖学金、实习机会等方式，吸引更多的学生选择数字相关专业。高校应与企业合作，了解市场需求，调整教学内容，使人才培养更加符合实际需求。同时，要进一步强化数字技能职业培训，可以开展在线教育和培训，扩大覆盖面，使更多人有机会学习和提升数字技能。在全球化的背景下，可以通过引进外部数字人才来补充本地的数字人才供给。政府可以制定优惠政策，吸引国内外数字人才来工作或创业；企业可以通过招聘、合作、交流等方式引进外部人才，提升自身的技术和管理水平。

推动产业互联网的落地。数字平台在产业数字化进程中扮演着产业要素资源连接器的角色，加快了企业由自转向共转的转变，并且推动孵化出更多的新型虚拟组织。可以说，数字平台是产业数字化转型的“工具箱”。平台模式可以是数字化转型和落地的主要实现方式。平台模式在这里主要就表现为产业互联网。不同于一般的消费互联网，产业互联网能够切实实现实体经济与数字经济的深度融合，数字化基础较薄弱的传统产业将利用数字科技重塑产业格局实现创新赶超，数字化基础较好的传统产业由原来小范围探索阶段步入规模化应用阶段。总之，产业互联网的搭建，为数字科技创新和应用提供广阔的空间，数据资源成为企业价值创造和价值实现的关键资源，也将催生出新的“智能制造+生产性服务业”模式，形成数字科技新生态体系，驱动产业数字化转型升级加速。

构建融合共生的产业生态。传统制造业企业是数字化转型的主力军，其转型的基本方向就是实现信息化、SaaS 化、移动化以及AI 化。在这个过程中，必然会涉及到不同产业的对接和互动问题。产业数字化的顺利开展，则要求不同产业之间能够实现融合共生。要推动不同产业之间形成合理的分工结构，真正发挥协同作用，可以把用户价值作为根本的着眼点，探索重构一种共同价值主张为导向的产业生态体系。即构建以自由流动的数据资源为基础、以数字科技族群为连接、以多元数字科技平台为依托的合作化平台生态。在此基础上，加快推动数字科技企业对传统产业过程的嵌入式改造，以及传统企业与数字科技企业的跨界融合。

五、结 论

从物理空间中的运动轨迹到虚拟网络中的数字痕迹，再到日常生活中的惯例、经验和个性化行为等，这些信息可以通过数字技术手段被有效地获取和编码，形成大量的显性数据。这些显性数据通过数字技术得以流通，进一步融入社会再生产过程，成为新型生产要素，与其他传统要素结合，共同创造价值。在新经济时代，传统相对静态的资源不再是竞争的重点，具有无限供给特征的数据成为企业竞争投资的新焦点，企业也因此完成了动态能力的重构，这也意味着产业数字化发展下的结构特征也出现了相应的动态演变。

数字技术通过应用于产品生命周期的全过程，提高了产品的技术复杂度。企业可以利用数字技术来扩大知识集合，增强其在产品空间的跳跃能力，从而不断向产品空间的中心地带靠拢。这一过程能够促进产业的高级化，推动企业实现更大的商业价值，拓展企业的创新空间。产业数字化發展下资本部门和劳动部门也实现了再配置。以各种发明人才为主体的研发部门已经成为了重要的资本部门，数字化转型造成的收入差距使得发明人才更倾向于向产业部门流动。在产业部门中，数字技术的使用对劳动力市场产生了“极化”趋势，即增加高技能和低技能劳动力的占比，挤出中等技能劳动力，普通劳动者地位相对下降。大数据的先行者将逐渐与其他企业拉开差距，促使巨型龙头企业崛起。一些利用先进数字技术站在创新前沿的企业逐渐发展成为具有核心竞争力的“明星企业”，而其他“平民企业”专注于自身核心业务以实现“小而美”的可持续发展。随着产业数字化的不断深化，产业的地理空间分布也出现了动态变化，数字产业化和产业数字化形成了新的“中心-外围”结构，即中心地区通常是数字技术创新的发源地和数字产业化的高地，具有高度集中的数字产业和人才优势；而外围地区则更多地依靠传统产业和资源优势，通过数字化转型提升自身竞争力。这种结构使得中心地区成为数字经济发展的引擎，而外围地区也可以通过与中心地区的技术互补，实现自身的发展和升级。

数据作为现代经济的战略性要素，为传统生产提供了新的动力，从而重塑了产业链的形态。具体来说，数据要素的嵌入使得产品生产环节的附加值得到提升，这一点体现在微笑曲线的扁平化上。与数字产业化不同，在产业数字化的背景下，价值链呈现出本土化和短链化的趋势。这意味着生产和价值创造的环节更加集中在本地区或者邻近地区，而不是分散在全球范围内。产业数字化浪潮势不可挡，但当前其发展仍存在一些阻碍。对于企业来说，进行数字化转型需要大量的投资，尤其是对于中小企业，他们可能没有足够的资源和资金进行大规模的数字化转型。随着数据规模的爆炸式增长，数据分析、数据科学等领域的专业人才需求越来越大。然而，这些人才主要集中在大型企业和研究机构中，中小企业很难获得这些人才的支持，这进一步加剧了数字鸿沟的问题。且当前数据权属不清晰的问题导致了“数据孤岛”的现象，而数据交易规则的不明晰也限制了大数据价值的充分发挥。因此，有必要加强政策支持，保障人才供给，完善数据产权制度，推动产业数字化发展不断深化。

总的来说，从微观视角来看，要素互补和投资驱动确实分别是产业数字化发展的内生动力和外在动因。从中观视角来看，数据作为新型生产要素被引入再生产全过程，数据成为企业竞争投资的新焦点，企业也因此完成了动态能力的重构，使得产业数字化发展下的产业组织和产业结构表现出更多动态性特征。从宏观视角来看，数据要素的大范围应用，重塑了全球产业链价值链，导致世界各国在新经济领域展开了激烈的竞争。我国应从战略竞争的高度出发，注重数字基础设施建设，加强数字技术标准化工作，增强数字创新人才供给能力。只有全面提升各方面的能力，才有望在新一轮的全球产业竞争中占据有利地位，乃至实现“弯道超车”。

参考文献

[1] 戴翔，张雨，刘星翰. 数字技术重构全球价值链的新逻辑与中国对策[J]. 华南师范大学学报（社会科学版），2022 年第1 期，第116-126+207 页。

[2] 何大安. 数据智能化、网络协同化与人工智能运用——从基础经济理论层面对企业投资经营的分析[J]. 浙江学刊，2021 年第5 期，第99-110 页。

[3] 伦蕊，郭宏. 数字经济影响下全球价值链的重构走向与中国应对[J]. 中州学刊，2023 年第1 期，第44-51 页。

[4] 戚聿东，肖旭. 数字经济时代的企业管理变革[J]. 管理世界，2020 年第6 期，第135-152+250 页。

[5] 肖旭，戚聿东. 产业数字化转型的价值维度与理论逻辑[J]. 改革，2019 年第8 期，第61-70 页。

[6] 张平. 数据生产要素性质、知识生产与中国式现代化[J]. 社会科学战线，2023 年第10 期，第44-57 页。

[7] 张其仔，伍业君，王磊. 互联网、创新与经济复杂度——基于产品空间视角[J]. 财贸经济，2023 年第7 期，第108-123 页。

[8] 张文魁. 数字经济的内生特性与产业组织[J]. 管理世界，2022 年第7 期，第79-90 页。

[9] 郑江淮，张睿，陈英武. 中国经济发展的数字化转型：新阶段、新理念、新格局[J]. 学术月刊，2021 年第7 期，第45-54+66 页。

[10] 郑江淮，周南. 数据要素驱动、数字化转型与新发展格局[J]. 山东大学学报（哲学社会科学版），2023 年第6 期，第93-105 页。

[11] Acemoglu， D.， Autor， D.， “Skills， tasks and technologies： Implications for employment and earnings”， Handbook of labor economics， 2011， 4： 1043-1171.

[12] Andrews， D.， C. Criscuolo， and P. Gal， “The Best versus the Rest： The Global Productivity Slowdown， Divergence across Firms and the Role of Public Policy”， OECD Productivity Working Papers， 2016.

[13] Arthur， W. B.， “The nature of technology： What it is and how it evolves”， New york： Simon and Schuster， 2009.

[14] Autor， D. H.， “Katz L F， Kearney M S. The polarization of the US labor market”， American economic review， 2006，96（2）： 189-194.

[15] Calvino， F.， Fontanelli， L.， “A portrait of AI adopters across countries： Firm characteristics， assets complementarities and productivity”， OECD Science， Technology and Industry Working Papers， 2023.

[16] Cerqueira， C.， Alexandre， F.， Portela， M.， “Digitalization： the edge of first movers”， NIPE Working Papers， 2023.

[17] Corea， F. “Artificial intelligence and exponential technologies： Business models evolution and new investment opportunities”， Gewerbestrasse： Springer， 2017.

[18] Dachs， B.， Kinkel， S.， J?ger， A.， “Bringing it all back home？ Backshoring of manufacturing activities and the adoption of Industry 4.0 technologies”， Journal of World Business， 2019， 54（6）： 101017.

[19] de Souza， G.， Li， H.， “Robots， Tools， and Jobs： Evidence from Brazilian Labor Markets”， CESifo Working Paper， 2023.

[20] Dosi， G.， Piva， M.， Virgillito， M. E.， et al. “Embodied and Disembodied Technological Change： The Sectoral Patterns of Job-Creation and Job-Destruction”， Research Policy， 2021， 50（4）： 104199.

[21] Dunleavy， P.， “Digital era governance： IT corporations， the state， and e-government”， London：Oxford University Press， 2006.

[22] Duranton， G.， Puga， D.， “From sectoral to functional urban specialisation”， Journal of urban Economics， 2005， 57（2）：343-370.

[23] Fontagné， L.， Reshef， A.， Santoni， G.， et al.， “Automation， Global Value Chains and Functional Specialization”， CESifo Working Paper， 2023.

[24] Goldfarb， A.， Tucker， C.， “Digital economics”， Journal of economic literature， 2019， 57（1）： 3-43.

[25] Grashof， N.， Kopka， A.， “Widening or closing the gap？ The relationship between artificial intelligence， firm-level productivity and regional clusters”， Bremen Papers on Economics & Innovation， 2023.

[26] Jin， W.， Petropoulos， G.， Steffen， S.， “Concentration of artificial intelligence and other frontier IT skills”， Bruegel-Blogs， 2021.

[27] Laplume， A. O.， Petersen， B.， Pearce， J. M.， “Global value chains from a 3D printing perspective”， Journal of International Business Studies， 2016， 47： 595-609.

[28] Lee， K.， “Schumpeterian analysis of economic catch-up： Knowledge， path-creation， and the middle-income trap”， New york： Cambridge University Press， 2013.

[29] Mikalef， P.， Pateli， A.， “Information technology-enabled dynamic capabilities and their indirect effect on competitive performance： Findings from PLS-SEM and fsQCA”， Journal of Business Research， 2017， 70： 1-16.

[30] Rehnberg， M.， Ponte， S.， “From smiling to smirking？ 3D printing， upgrading and the restructuring of global value chains”， Global Networks， 2018， 18（1）： 57-80.

[31] Schwellnus， C.， Haramboure， A.， Samek， L.， et al.， “Global value chain dependencies under the magnifying glass"，OECD Science， Technology and Industry Policy Papers， 2023.

[32] Stiebale， J.， N. Woessner， “Robots and the rise of European superstar firms”， CEPR Discussion Paper， 2020.

[33] Wamba， S. F.， Gunasekaran， A.， Akter， S.， et al. “Big data analytics and firm performance： Effects of dynamic capabilities”， Journal of Business Research， 2017， 70： 356-365.

〔執行编辑：刘自敏〕