制造业智能化转型升级的前因条件诊断研究

时间：2024-08-31

初铭畅，尚银斐

本刊核心层次论文

制造业智能化转型升级的前因条件诊断研究

初铭畅，尚银斐

(辽宁工业大学经济管理学院，辽宁锦州 121001)

随着新一代信息技术革命的兴起，制造业开始向智能化方向转型，因此对制造业智能化转型升级的前因条件进行研究非常必要。基于此，本文通过建立回归模型，对制造业智能化转型升级的前因条件进行实证分析。研究表明：智能制造技术创新、基础环境和智能装备资源对智能化绩效有正向作用。最后，根据研究结论，本文提出加强智能制造技术的应用、做好政策导向，提升科技成果转化率以及加大智能基础设施的投入和改进等相应的对策与建议，加快制造业智能化转型升级步伐，促进制造业的快速发展。

制造业智能化；转型升级；智能化绩效

制造业是科技创新的主体，为我国经济增长注入了持续不断的动力。目前，我国制造业智能化转型升级的步伐在逐步加快，但与世界大国相比，我国制造业大而不强，在自主研发能力、信息化程度、产业结构等方面有较大的差距。因此，我国必须打造具有竞争力的制造业，这是我国提高综合国力、实现国家繁荣昌盛的必由之路。

通过查阅相关文献发现，学者们对制造业转型升级与企业绩效关系的研究不够充分，特别是对于制造业智能化转型升级的实证研究较少。而且在中国制造2025背景下，探讨制造业相关影响因素之间的关系并对其进行实证研究，对于推动制造业的高质量发展具有重要意义。基于此，笔者在已有研究的基础上，采用回归分析方法对制造业智能化转型升级进行实证研究。通过此研究，不仅能拓宽制造业智能化转型升级理论，也会提升制造业智能化理论在经济管理方面的应用价值。同时也能够为本国制造业的转型升级提供理论支撑和经验借鉴，从而促进制造业的进一步发展。

一、文献回顾

制造业是一个国家的经济基础和支柱，但在当前疫情的影响下，技术引进难度不断增加，模仿创新已不适应当前社会的发展趋势，提升制造业智能化转型升级迫在眉睫[1]。制造业具有人工成本、环境成本和质量成本高等特点，其发展程度已成为评价一个国家经济发展水平的重要指标[2]。我国要想成为制造业强国，掌握技术话语权，必须加快研发、加快投入、加快发展。近年来，学者们采用不同的实证研究方法对制造业智能化转型升级进行了研究，如FAHP方法、GMM模型、FDI模型、灰色关联度分析法、参数随机前沿分析方法、因子分析的序参量法、基尼系数和嫡值法[3-7]。YANG等认为，制造业智能化转型升级的影响因素包括转型升级意愿、转型升级能力、转型升级环境、转型升级资源和发展趋势[8]。潘为华等对制造业转型升级因素进行细化，认为创新能力、质量效益、绿色发展和信息技术是制造业智能化转型升级的影响因素[9]。包耀东等从互联网普及率、创新投入、政府财政、科技支出等四个方面对制造业智能化转型升级因素进行了研究[10]。李健旋从智能技术、智能应用和智能效益三个层面对制造业智能化程度进行评价，又进一步提出技术研发、人力资本和成本压力是促进智能化转型升级的关键影响因素[11]。

学者们从不同维度对制造业智能化转型升级进行了研究，并取得了一定的成果，但较少采用回归分析方法对制造业智能化转型升级进行研究。综合已有的研究成果，得出制造业智能化转型升级的前因条件[12]分别为产品市场需求、智能服务平台、智能制造技术创新、基础环境以及智能装备资源。因此，笔者采用回归分析方法对制造业智能化转型升级的前因条件进行实证研究，既能减少主观因素带来的偏差，又能高效解决制造业智能化转型升级实证研究中的不确定性问题，使评价结果更全面。

二、研究设计

（一）变量选择和数据来源

1. 变量选择

通过梳理相关文献，笔者得到制造业智能化转型升级的前因条件分别为产品市场需求、智能服务平台、智能制造技术创新、基础环境和智能装备资源[12]，因此，本文在研究时对前因条件进行实证分析，以找到制造业智能化转型升级的前因条件。考虑到指标获取的难易程度，在研究时将5个因素下设二级指标来研究制造业智能化转型升级。本文借鉴学者段国蕊等对制造业高质量发展的研究[13]、王庆等对制造业智能化转型升级的研究[14]、任希丽对技术差距、市场竞争与制造业技术创新的研究[15]、董苏对政府科技投入、技术创新对产业协同集聚影响的研究[16]、穆锦涛构建高端装备制造业自主创新能力评价的研究[17]和林建邦等对制造业智能化转型的经营绩效的研究[18]，选择产业结构、智能平台数量、研发支出、政府财政支出、智能装备经费支出和营业收入分别作为产品市场需求、智能服务平台、智能制造技术创新、基础环境、智能装备资源和智能化绩效的测量指标（见表1）。

表1 变量测量指标表

2. 数据来源

本文在理论分析和指标体系构建的基础上，利用2007—2021年的《中国统计年鉴》制造业和高技术产业2006—2020年的面板数据，通过回归分析法来检验相关指标能否促进制造业智能化转型升级，以此来加快我国制造业的转型升级。

（二）变量描述性统计和相关性分析

在进行回归分析之前，先对数据进行描述性统计和相关性分析，测量数据是否服从正态分布以及数据之间的相关程度。由于数据较大，所以对数据取对数，再对其进行分析。按照学者提出的峰度和偏度统计量标准，如果峰度小于10，偏度统计量小于3，则认为峰度和偏度统计量符合标准。由表2可知，变量的偏度系数绝对值最大为1.906 465，小于标准值3，峰度系数的最大值为8. 453 097，小于10。因此，笔者认为数据符合正态分布。根据表3，得到ln与ln1、ln2、ln3、ln4和ln5的相关系数分别为0.737 563、0.946 975、0.937 563、0.893 952和0.971 487，其中与ln2、ln3和ln5的相关系数在0.90以上，说明智能服务平台、智能制造技术创新和智能装备资源与智能化绩效之间存在较强的相关关系，ln1和ln4的相关系数分别为0.737 563和0.893 952，说明产品市场需求和基础环境与智能化绩效存在中度相关关系。

因此，我们可以利用回归分析5个影响因素与智能化绩效之间的关系。

表2 描述性统计表

表3 ln y和解释变量之间的相关性分析表

三、实证分析

（一）回归分析模型

由于本文选取的数据为时间序列数据，采用线性回归分析方法检验产品市场需求、智能服务平台、智能制造技术创新、基础环境和智能装备资源与智能化绩效之间的关系。因为通过对时间序列数据取对数可以降低变量的尺度，缓解异方差的影响，因此本文构建如下模型：

ln1ln12ln2+3ln34ln45ln5（1）

其中，为常数，1到5为待估参数，为残差项。

（二）运算过程与结果

1. 单位根检验

利用中国统计年鉴收集了2006—2020年产业结构、智能平台数量、研发支出、政府财政支出、智能装备经费支出和营业收入的数据，代入公式（1）中。

由于本文选取的序列为时间序列，而时间序列一般情况下属于不平稳状态，为了避免回归方程中的伪回归现象，在进行回归分析前要先对其数列进行ADF检验，以选择平稳的变量进行回归。本文采用Eviews11.0软件对此进行相关操作，根据、和值最小标准对解释变量和被解释变量进行检验。ADF检验结果如表4所示。

表4 单位根检验表

注：表示变量的一阶差分，**表示在5%的显著水平上拒绝原假设，***表示在10%的显著水平上拒绝原假设

从结果看，原序列较平稳的有lnln1ln2ln4和ln5。其中，lnln1ln2和ln4的原序列在5%的显著水平上平稳，ln5的原序列在10%的显著水平上平稳，ln3的原序列是不平稳的，一阶差分序列在5%的显著水平上平稳。

2. 协整检验

为了分析同阶差分序列的协整关系，下面进行协整检验。

协整关系可以描述为变量之间长期平稳的均衡关系，可以分为对回归残差和系数的检验。由于本文没有选择VAR模型，所以采用E-G对残差序列进行检验。

第一步，对原序列进行简单线性回归，生成残差序列。第二步，对残差序列做ADF检验，由协整检验规律可知，检验方程应该选择none，得到伴随概率为0.002 1，拒绝原假设，认为残差序列不存在单位根，而平稳的残差序列表示ln和lnlln2ln3ln4和ln5存在协整关系，见表5。

表5 协整关系检验表

3. 残差修正模型

因为原序列不都是平稳的，因此不可以直接用OLS法。在同阶序列存在协整关系的基础上，建立误差修正模型，反映短期偏高均衡状态，长期应该怎样修正模型。用Eviews11.0作出误差修正模型结果为：

ln-0.0357980.209035ln10.312193ln20.030229ln30.19232ln40.404952ln50.45(-1) （2）

其中2和Adjusted-2值如表6所示。

对以上模型进行检验和检验，发现ln3对ln y不显著，其余四个变量包括对ln是非常显著的，并且修正后的2值达到了0.91，说明模型对智能化绩效的解释程度很好。但由于..值为1.06，表示残差序列一阶自相关不存在，但..只能检验一阶序列相关，为了确保残差回归满足原始假设，让回归结果精确，这里采用上文生成的残差序列，进行第三步检验。

表6 t、p、R2和Adjusted-R2值

4. 残差的自相关检验和异方差检验

为了验证残差是否有序列相关，本文用White检验和LM检验进行定量分析。用White检验来判断残差是否有异方差，LM检验的2大于统计量，表示残差没有序列相关。具体如表7和表8所示。

表7 残差LM检验表

表8 残差异方差表

从表7中可以看出，在LM检验中，Obs*-squared的显著性水平值大于0.05，因此可以证明残差不存在自相关。为了检验残差有没有异方差，即残差平方跟随自变量的变化而变化，本文用White检验来判断残差是否有异方差，结果表明2的概率Prob.-Square(9)大于0.05，接受原假设，即残差序列是同方差。因此，我们可以认为残差序列既没有异方差又不自相关，本文的多元线性回归模型得到的是最佳线性无估计偏量。

5. Granger因果关系检验

Granger检验的意义在于确定某个变量过去的信息（滞后值）对被解释变量是否存在预测能力。因为有些变量之间存在等式，但是意义上并没有任何关系。因为回归模型没有展现出ln1、ln2、ln3、ln4和ln5之间是否有均衡关系，因此在这里做Granger因果检验。选择Eviews11.0默认的滞后期2，当伴随概率大于0.1时，接受原假设，表明两者没有因果关系。Granger因果关系检验表如表9所示。

从表9中可以看出，在10%的水平上，产品市场需求不是引起制造业智能化转型升级的Granger原因，说明产品市场需求不会引起制造业智能化转型升级；智能制造技术创新变化是引起制造业智能化转型升级的Granger原因，说明智能制造技术创新变化会引起制造业智能化转型升级；智能服务平台不是引起制造业智能化转型升级的Granger原因，说明智能服务平台不会引起制造业智能化转型升级；基础环境变化是引起制造业智能化转型升级的Granger原因，说明基础环境变化会引起制造业智能化转型升级；智能装备资源是引起制造业智能化转型升级的Granger原因说明智能装备资源会引起制造业智能化转型升级。

表9 Granger因果关系检验表

四、结论与建议

本文选取国家统计局统计年鉴上制造业2006—2020年相关数据，运用回归分析方法研究产品市场需求、智能服务平台、基础环境、智能制造技术创新和智能装备资源对制造业智能化转型升级的影响。研究表明：智能制造技术创新、基础环境和智能装备资源会引起制造业智能化转型升级，对制造业智能化转型升级有贡献作用；而产品市场需求和智能服务平台不会引起制造业智能化转型升级。因此，我们可以得出智能制造技术创新、基础环境和智能装备资源会引起制造业智能化转型升级，促进制造业的高质量发展。

根据上文研究结论，本文提出如下建议：

1. 加强智能制造技术的应用

由前面实证结果可知，智能制造技术创新有利于促进制造业智能化转型升级，因此要加大智能制造技术创新能力，重视智能制造技术的投入和技术合作，有利于制造业智能化转型升级。对于行业骨干企业来说，自身拥有很多的技术资源，需要加大对技术的自主创新能力，利用行业领先的资金和技术优势，找到技术短板，增加技术创新的研发投入，将智能制造技术研发提升到企业战略层面。另外，行业骨干企业应该提高创新意识，为企业在市场上获得更多的竞争优势，提升企业自身价值，提高企业在行业中的话语权。对于一般企业来说，需要衡量自身的智能化水平，总结行业实现智能化转型升级的经验，加大对智能制造技术的应用。例如，引进AI技术，改良制造业现有的生产方式，从而提高产品生产效率，降低不良频率，使企业达到降本增效的作用。因此，企业应该加大对智能制造技术的开发和应用，打开创新思路，改变现有的生产方式和商业模式，引进技术人员，加大研发投入力度，促进制造业智能化转型升级。

2. 做好政策导向，提升科技成果转化率

由前面实证结果可知，基础环境有利于促进制造业智能化转型升级。政府不仅需要加大对制造业企业资金的投入，还需鼓励企业开展创新活动，加强企业之间的合作。同时，企业还需促进校企合作，构建产学研相结合的信息平台、相关的信息交流和科技成果库，加强上下游之间的衔接。在科研方面，政府不仅要对科研成果进行评价，还要将科研成果获得的经济效益作为对科研人员进行考核评价的依据，提醒科研人员既要重视学术价值，又要重视市场价值作用，提升科研成果转化率。

3. 加大智能基础设施的投入和改进

由前面实证结果可知，智能装备资源有利于促进制造业智能化转型升级。对于中小企业来说，更加需要依靠智能装备资源实现制造业智能化转型升级，提升企业产品质量，降低生产成本，巩固已有的市场份额，尽量避免因为产品不合格而被市场淘汰。因此，中小企业应该形成加大智能装备资源—提高生产效率—提高盈利能力—加大研发投入这样的思路。对于骨干企业来说，需要重视智能装备资源的整体布局，形成优秀的智能装备资源体系，在打好基础的前提下向更好的方向发力。因此，企业应该加大智能基础设施的投入和改进，实现制造业智能化转型升级。

[1] 张建清, 余道明. 中国制造业成本: 演变、特点与未来趋势发展[J]. 河南社会科学, 2018, 26(3): 57-62.

[2] 孙倩倩, 周建军. 信息化对制造业升级的影响——基于技术创新视角的分析[J]. 科学决策, 2021(5): 44-64.

[3] MAWARE C, PARSLEY D M. The Challenges of lean transformation and implementation in the manufacturing sector[J]. Sustainability, 2022, 14(10): 1-24.

[4] ZHONG R Y, XU X, KLOTZ E, et al. Intelligent manufacturing in the context of industry 4.0 a review[J]. Engineering, 2017, 3(5): 616-630.

[5] 许敏兰, 陈鼎. 长三角地区制造业智能化转型的驱动因素研究[J]. 江苏商论, 2021(10): 93-97+102.

[6] 张亚斌, 黎谧, 冯迪. 产品质量与制造业本地市场效应——基于需求结构视角的经验研究[J]. 当代财经, 2014(9): 88-97.

[7] 李永红, 王晟. 互联网驱动智能制造的机理与路径研究: 对中国制造2025的思考[J]. 科技进步与对策, 2017, 34(16): 56-61.

[8] YANG S L, XIANG L, YI Y. Research on the influencing factors of manufacturing transformation and upgrading based on grounded theory[J]. Journal of Physics: Conference Series, 2021, 1827(1): 1-9.

[9] 潘为华, 潘红玉, 陈亮, 等.中国制造业转型升级发展的评价指标体系及综合指数[J]. 科学决策, 2019(9): 28-48.

[10] 包耀东, 李晏墅, 邓洋阳. 创新投入对制造业转型升级的影响——基于中国省级面板数据的实证研究[J]. 福建论坛(人文社会科学版), 2021(4): 76-91.

[11] 李健旋. 中国制造业智能化程度评价及其影响因素研究[J]. 中国软科学, 2020(1): 154-163.

[12] 初铭畅, 尚银斐. 制造业智能化转型升级的前因条件诊断综述[J]. 商场现代化, 2021(15): 145-147.

[13] 段国蕊, 于靓. 制造业高质量发展评价体系构建与测度:以山东省为例[J]. 统计与决策, 2021, 37(18): 99-102.

[14] 王庆, 徐兰, 韩仲洋. 制造业智能化转型升级因素的实证研究——以苏州市为例[J]. 科技视界, 2020(4): 39-41.

[15] 任希丽. 技术差距、市场竞争与制造业技术创新[J]. 统计与决策, 2021, 37(21): 127-131.

[16] 董苏. 政府科技投入、技术创新对产业协同集聚的影响——以长三角地区生产性服务业与制造业为例[J]. 科技和产业, 2021, 21(6): 1-7.

[17] 穆锦涛. 高端装备制造业企业持续创新能力评价研究[D].哈尔滨: 哈尔滨工程大学, 2019.

[18] 林建邦, 王天. 中国制造业智能化转型后的经营绩效发展研究[J]. 通讯世界, 2019, 26(7): 289-290.

10.15916/j.issn1674-327x.2022.06.007

F424；F49