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]。
