制造业企业数据赋能评价指标体系构建_孙新波.pdf

科技管理研究Science and Technology Management Research2023 No.22023 年第 2 期doi:10.3969/j.issn.1000-7695.2023.2.007制造业企业数据赋能评价指标体系构建孙新波，孙浩博（东北大学工商管理学院，辽宁沈阳110167）摘要：聚焦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，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科学的工具方法，促进制造业企业借助数据实现转型升级。基于制造业企业转型升级的现实需求，遵循“文献综述参考架构评估框架指标体系层次分析法赋权模糊综合评价法应用成熟度模型”的技术路线，在理清数据赋能、制造业企业数字化转型以及数据价值链理论演进的基础上，遵从成熟度模型的设定原则，从数据赋能准备度、数据赋能深入度、数据赋能提升度 3 个维度开发构建制造业企业数据赋能评价指标体系，应用层次分析法确定指标权重并基于模糊综合评价法对企业的数据赋能水平进行打分；同时构建相应的数据赋能成熟度等级划分模型，分为引领标杆级、提升优化级、综合集成级、成长规范级和初始规划级。未来将不断修正该评价指标体系与成熟度模型，进一步提高其普适性与准确性。关键词：数据赋能；制造业企业；企业数字化转型；指标体系；成熟度模型中图分类号：F273.1；F272.5；F224；G301 文献标志码：A 文章编号：1000-7695（2023）2-0048-09Construction of the Data Enabling Evaluation Index System for Manufacturing EnterprisesSun Xinbo,Sun Haobo(School of Business Administration,Northeastern University,Shenyang 110167,China)Abstract:This paper focuses on the function boundary and specific content of data empowerment to promote the transformation and upgrading of manufacturing enterprises,provides scientific tools and methods for enterprises to carry out self-diagnosis and self-examination of data empowerment and understand their own data application status,and promotes the transformation and upgrading of manufacturing enterprises with the help of data.Based on the actual needs of transformation and upgrading of manufacturing enterprises,following the technical route of literature review,reference framework,evaluation framework,index system,analytic hierarchy process empowerment,fuzzy comprehensive evaluation method application,and maturity model,and on the basis of clarifying data empowerment,digital transformation of manufacturing enterprises and theoretical evolution of data value chain,following the setting principles of maturity model,the index system of data empowerment evaluation of manufacturing enterprises is developed and constructed from three dimensions:readiness of data empowerment,depth of data empowerment,and enhancement of data empowerment,the index weight is determined by AHP,and the data empowerment level of enterprises is scored based on fuzzy comprehensive evaluation method.At the same time,corresponding data enabling maturity level classification model is constructed,which can be divided into leading benchmarking level,upgrading optimization level,comprehensive integration level,growth specification level,and initial planning level.In the future,the evaluation index system and maturity model will be continuously revised to further improve its universality and accuracy.Key words:data empowerment;manufacturing enterprises;enterprise digital transformation;index system;maturity model收稿日期：2022-05-17，修回日期：2022-07-20基金项目：国家自然科学基金面上项目“互联网效应下基于众包模式的协同激励机制研究”（71672029），“复杂适应系统视角下的众包平台激励机制研究”（72172031）；辽宁省“兴辽英才计划”项目“数字辽宁发展战略研究”（XLYC2006009）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11。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。由于数据在孙新波等：制造业企业数据赋能评价指标体系构建49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。1文献综述1.1数据赋能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。1.2制造业企业数字化转型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。50孙新波等：制造业企业数据赋能评价指标体系构建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。1.3数据价值链数据流动的过程伴随着价值的创造与生成，传表 1“数据价值链”概念的主要定义学者提出年份概念内涵Becker 等232015数据价值链将数据操作流程解释为在数据中挖掘有价值信息所需要的一系列行动张影等242018将大数据价值链划分为数据采集、获取、存储、组织、整合、挖掘、分析、决策八大数据基本管理活动和软硬件基础设施、大数据技术开发、人力资源管理等辅助支持性活动Faroukhi 等252020数据价值链指在原始数据到信息产生的完整周期中，分阶段提取生成数据价值的动态过程，包含数据生成、数据采集、数据分析以及数据交换 4 个阶段李晓华等32020数据价值链是伴随企业运作过程，数据通过传输共享而涌现价值的过程。随着生产链条的环环递进，数据的经济价值被创造出来，涉及生产、传输、收集、储存、分析和利用几个过程盛斌等192020数据价值链分为数据的收集、存储、分析和数据驱动等 4 个阶段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。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环节主要活动涉及技术数据采集与获取包括业务活动、设备设施、供应链产业链的全生命周期乃至商业生态相关数据的主动采集涉及物联网等收集产品、机器和人员数据的技术数据传输与存储将加工过程中数据流产生的临时文件、结果资料或加工过程中需要查找的信息以某种格式记录在计算机内部或外部存储介质上涉及通信、云等从数据出发地传输到存储地点的相关技术数据分析与挖掘主要包括运用数理统计方法对数据进行汇总与透视，涌现出有价值的信息的过程涉及数据的可用性转换、知识创造相关的技术数据应用与决策指利用数据驱动事物智能化，包括多级别的数据建模以及基于算法与模型的决策支持及优化，是改变价值链的最主要活动涉及人工智能、可视化等数据应用技术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。2数据赋能评估参考架构2.1参考架构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 391162020）和智能制造能力成熟度评估方法（GB/T 391172020）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。2.2评估框架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孙新波等：制造业企业数据赋能评价指标体系构建51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3制造业企业数据赋能指标体系设计与说明3.1数据赋能准备度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）。（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。表 3制造业企业数据赋能准备度评价指标一级指标二级指标三级指标具体内容数据赋能准备度组织与战略准备度战略规划数据赋能长期战略发展规划数据赋能整体建立建设机制组织架构数字化部门领导者行政地位组织架构适用数据生产力程度企业管理制度适配数字化程度数据基础设施准备度数据设施网络与连接能力数据基础架构设备数据采集存储与传输能力数据与业务上云程度数据分析系统建设数据中台建设数据标准主数据标准化数据接口标准化数据标准化管理制度数据安全数据安全防护软硬件系统网络和数据安全监管标准数据确权与隐私保护保障要素准备度人才要素数字化复合型人才队伍建设情况数字化人才管理与激励资金投入数据基础设施投入数字化系统投入数字人才培育投入数据安全维护投入数据赋能建设专项资金企业文化数据价值认同感数据赋能应用意识数据驱动创新氛围3.2数据赋能深入度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）。（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52孙新波等：制造业企业数据赋能评价指标体系构建产品的优良率、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。表 4 制造业企业数据赋能深入度评价指标一级指标二级指标三级指标具体评价内容数据赋能深入度生产流程赋能深入度研发设计创新研发工具数字化程度研发管理过程数字化程度数据驱动个性化定制满足能力基于数据的顾客参与产品创新水平基于数字孪生的产品试验验证水平数据参与辅助工艺规划水平与能力适用数据要素的装备研发能力供应链管理供应商管理体系数字化程度供应链数据可视化管理水平供应链全过程动态监控与优化水平基于大数据分析的原材料供应问题判断及预警生产作业管理数据赋能作业计划自动编制及优化排程水平制造过程数据可视化程度数字化监测与监控程度数据赋能人机协同度数据赋能生产柔性程度基于数据调度的“人机料法环”生产要素配置优化水平设备管理 生产设备智能化程度生产设备网络互联与实时在线程度数据赋能设备故障预测准确性与损坏预警仓储与物流管理仓储设备智能化程度库存仓储与物流配送可视化水平数据赋能物流路径优化业态转变赋能深入度数据赋能销售服务新业态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孙新波等：制造业企业数据赋能评价指标体系构建53一级指标二级指标三级指标具体评价内容数据赋能深入度业态转变赋能深入度数据赋能价值获取新模式产品持续获取价值能力数字资源、知识与能力模块化封装能力内外部数据开发价值与资产化运营能力数据赋能财务管理新模式财务管理系统数字化覆盖率财务信息数据共享能力财务数据挖掘与分析水平数据赋能人力资源管理新模式人力资源数据库完备度数据赋能人力资源挖掘与培育综合集成赋能深入度数据驱动的集团管控业务与财务全流程无缝衔接与集成基于数据的集团战略支持集团运营管控数字化模型应用研发设计与生产制造集成数据驱动协同设计与优化能力数据驱动产品信息传递和关联水平基于数据的并行工程安排能力经营管理与生产控制集成数据驱动供应链各业务环节集成运作水平基于数据的生产作业动态排产与调度数据赋能精益制造达标水平车间生产制造执行系统与经营管理系统的数字化交互程度产品与服务数字化集成产品数据存储、处理与通信能力产品感知和优化控制能力产品与服务数字化交互能力数据驱动的项目全生命周期管理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3.3数据赋能提升度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）。（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。表 5制造业企业数据赋能提升度评价指标一级指标二级指标三级指标具体对应内容数据赋能提升度赋能效率提升度研发效率提升数据赋能产品开发效率提升数据赋能产品响应动态需求速度生产效率提升数据赋能生产流程效率提升管理决策效率提升依据数据分析结果进行管理的频次决策优化模型应用与模型自我优化运用数据支持规划调整、自身信誉建设和风险管控赋能效益提高度成本优化交易的搜寻和达成过程数据赋能资源配置效率优化质量数据赋能下按需实时动态全面质量管理营收数据赋能单位时间内价值产出增长率数据赋能单位用户的价值产出增长率社会效益数据赋能低碳可持续发展模式赋能效能增强度产品与用户服务产品运行数据采集与分析用户数字化网络的构建数字生态系统利益相关者数字化网络的构建生态合作伙伴连接与赋能产业协同创新数据驱动创新数据赋能产品试错创新数据赋能生产流程创新数据赋能组织架构创新数据赋能商业模式创新4指标体系权重确定与成熟度模型构建4.1层次分析法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）。表 4（续）54孙新波等：制造业企业数据赋能评价指标体系构建图 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 19 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：（1）（3）计算重要性排序。根据判断矩阵，求得最大特征根 max所对应的特征向量 w。计算公式如下：（2）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：（3）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指标矩阵阶数123456789RI000.520.891.121.261.361.411.46判断矩阵的一致性指标 CI 的计算公式如下：（4）当 CR0.1 时或 max=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。4.2指标体系权重确定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、二级指标权重一级指标（权重）二级指标全局权重同级权重数据赋能准备度（0.341 1）组织与战略0.110 00.322 6数据基础设施0.121 60.356 6保障要素0.109 40.320 8数据赋能深入度（0.350 1）生产流程0.123 60.353 1业态转变0.106 70.304 8综合集成0.119 80.342 2数据赋能提升度（0.308 9）效率提升0.103 20.334 0效益提高0.100 00.323 7效能增强0.105 70.342 2表 8制造业企业数据赋能评价三级指标权重三级指标全局权重同级权重三级指标全局权重同级权重战略规划0.057 30.521 0数据驱动的集团管控0.018 40.153 9组织结构0.052 70.479 0研发设计与生产制造集成0.018 40.153 4数据设施0.041 10.337 9经营管理与生产控制集成0.021 10.176 1数据标准0.039 50.324 9产品与服务数字化集成0.021 40.178 8数据安全0.041 00.337 2项目全生命周期管理0.021 50.179 1人才要素0.039 10.357 1内部价值链端到端精细管理0.019 00.158 7资金投入0.037 20.339 8研发效率提升0.032 50.314 9企业文化0.033 20.303 1生产效率提升0.034 10.330 6孙新波等：制造业企业数据赋能评价指标体系构建55三级指标全局权重同级权重三级指标全局权重同级权重研发设计创新0.022 50.181 9管理决策效率提升0.036 60.354 6供应链管理0.026 40.213 5成本0.023 70.236 8生产作业管理0.025 40.205 8质量0.028 40.283 8设备管理0.023 40.189 5营收0.024 50.245 0仓储与物流管理0.025 90.209 3社会效益0.023 40.234 4销售服务新业态0.026 10.244 3产品与用户服务0.038 80.367 3价值获取新模式0.021 30.199 8数字生态系统0.032 20.305 0 财务管理新模式0.028 20.264 4数据驱动创新0.034 60.327 7人力资源管理新模式0.031 10.291 4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。4.3基于模糊综合评价法的指标体系应用在实际应用中，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：S=WR （5）（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。4.4数据赋能成熟度等级模型构建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注：1）RFID 指射频识别；2）PLC 指可编程逻辑控制器。56孙新波等：制造业企业数据赋能评价指标体系构建5结论与展望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