制造企業數字化創新能力影響因素識別及評價

李小青，何瑋萱，李子彪，周 建

（1.河北工業大學經濟管理學院，天津 300401；2.南開大學商學院，天津 300071）

1 研究背景

數字化創新是由云計算、大數據、人工智能、區塊鏈等數字技術驅動所帶來的數字化產品、流程和商業模式創新［1］。《中國數字經濟發展白皮書（2021 年）》顯示，2020 年我國數字經濟總體規模達到39.2 萬億元，占全國生產總值（GDP）的比重高達38.6%，其中京津冀地區數字經濟規模占比超過10%［2］，在我國數字經濟發展布局中占據重要地位。制造業是數字經濟發展的主戰場，提升制造企業數字化創新能力有助于加速產業數字化進程、重塑全球數字化競爭格局，因此科學合理地對制造企業數字化創新能力進行評價，對于企業和政府準確識別數字化創新能力提升的影響因素、實施數字化創新戰略具有重要意義。

模型方法的選擇是科學評價數字化創新能力的關鍵。由于數字化創新超越了傳統創新的邊界，Nambisan 等［3］、余江等［4］建議為數字化創新探索新的理論邏輯和研究方法，如使用大數據、機器算法、演化本體論等；Suseno 等［5］通過社會媒體分析（SMA）探討了數字化創新各參與主體的價值創造方式；Chae［6］基于復雜網絡理論和大數據構建了研究數字化創新生態系統演化的一般框架；王核成等［7］以文獻研究和專家評審法為基礎，開發了一種評估企業數字化綜合能力的數字化成熟度模型（DMM）。總體上看，已有相關研究發展了數字化創新的相關理論與模型方法，但聚焦于評價數字化創新能力的量化研究相對匱乏，然而數字化創新具有系統性、演化性等特征，單一方法難以全面刻畫從影響因素到創新產出的全過程。此外在數字化能力評價相關研究中，如楊德明等［8］在文本挖掘的基礎上采用專家打分法評價企業互聯網化的程度，陳疇鏞等［9］應用層次分析法評價了制造企業的數字化轉型能力，趙宸宇［10］采用熵值法構造出制造業上市公司數字化發展總指數，但大多存在評價結果的可量化性與精確度無法兼顧的局限，無法同時實現對分指標特性與目標層得分的綜合考察。有研究發現，將隨機森林算法和突變級數法結合使用，能夠根據評價指標的重要程度進行客觀排序［11］，克服傳統多目標綜合評價法主觀性較強的缺陷［12］，同時具備訓練速度快、準確率高、可定量分析的優點［13］。

2019 年是世界互聯網誕生50 周年，也是我國全功能接入互聯網25 周年。根據美國企業Altimeter發布的《全球數字化轉型現狀研究報告》（2018—2019 版），2019 年全球企業相關數字化預算直線攀升，利益相關方所關注的顛覆性技術數量急劇增加，數字化預算大于等于5 000 萬美元的受訪公司占比從2017 年的2%上升到15%［14］，成為提升企業數字化創新能力的關鍵轉折點。作為互聯網技術的演進升級，數字化創新擁有強勁的發展動能和廣闊的發展空間，同時也面臨服務實體企業的落地應用問題。為突破數字技術應用難關，探索如何提升企業數字化創新能力，本研究將基于綜合考慮微觀層面企業特征與宏觀層面區域行業環境的視角，針對企業數字化創新實踐構建數字化創新能力評價指標體系，并運用隨機森林算法和突變級數法識別數字化創新能力影響因素。

2 數字化創新能力評價指標體系構建

2.1 指標體系構建思路

早期Kallinikos 等［15］對數字化創新的研究聚焦考察信息技術在企業知識管理系統中的吸收和應用，后來如Ltttinen 等［16］學者開始關注數字產品本身，包括新興的數字技術和數字基礎設施，以創新能力研究為基礎，針對制造企業數字化創新能力的研究日益豐富，如陳疇鏞等［9］認為加大數字化技術研發投入、加強數字化人才隊伍建設是影響企業數字化轉型的關鍵；池毛毛等［17］從數字化賦能視角發現，提高研發利用能力和探索能力對中小制造企業的開發創新績效具有積極作用；Ferreira 等［18］研究表明，創業者和高管團隊特征影響企業對數字化流程的采用，進而影響企業競爭優勢。已有研究從不同側面證實人力資本、R&D 投入、區域環境、政府支持等是影響企業數字化創新的重要條件，為本研究構建制造業數字化創新能力評價指標體系奠定了重要理論基礎。由于影響數字化創新的因素較為繁雜，且現有創新能力評價指標體系較為寬泛，對數字化創新評價的針對性不足，因此，借鑒陳疇鏞等［9］、池毛毛等［17］關于制造企業數字化轉型能力評價的思想，同時結合數字化創新的特征以及制造企業數字化創新實踐，本研究從產出能力和投入能力兩方面對數字化創新能力進行測度，遵循科學性、重要性、可運算性、簡約性的原則，結合隨機森林算法與突變級數法的特點構建數字化創新能力評價指標體系。

2.2 指標選取

數字化創新能力評價指標體系構建的指標維度和具體指標情況如下：

一是數字化創新產出能力維度方面。數字化創新產出能力指企業綜合集成各類資源所取得的最終研發成果，是構成企業數字化創新能力的關鍵要素。由于專利是企業創新產出的直觀體現，因此借鑒李小青等［19］、蔡紹洪等［20］對技術創新的測度方法，用數字化創新專利數量衡量數字化創新產出能力。數字化創新專利是指企業申請的與人工智能、大數據、物聯網、機器學習、云計算等數字化技術相關的專利。同時考慮到制造業涵蓋行業眾多，且行業性質有差異，各類企業適宜開展的創新活動項目、相應能帶來經濟效益的專利類型各有不同，因此借鑒陳德球等［21］的研究，在初始設計時將數字化創新專利細分為發明專利、實用新型專利與外觀設計專利3 種類型。其中發明專利的原創性標準最高；由于外觀設計專利指對形狀、圖案等進行保護，與數字化創新的關聯度較低，因而在構建指標體系時予以剔除。

二是數字化創新投入能力維度。主要包括：

（1）數字化創新人才儲備。根據知識基礎觀和人力資本理論，人力資本是企業獨特的異質性資源，能為企業促進數字化創新提供必要的知識基礎［9］，因此吸納更多研發能力強、綜合素質高的人才是企業獲取先進知識與技術的途徑，可有效推動企業數字化創新能力的提升。數字化創新人才儲備包括研發人員數量占比、本科以上學歷員工占比與數字背景高管占比3 個指標。其中，研發人員數量占比是指從事研究、技術及輔助工作的員工人數之和與職工總人數的比值，該指標是企業對數字化創新活動人力資本投入強度的反映；本科以上學歷員工占比是指具有本科及以上學歷的員工人數與職工總人數的比值，該指標是員工整體知識水平高低的衡量標準；數字背景高管占比是指高管團隊中，所學專業在教育部公布的數據科學與大數據技術、機器人工程、物聯網工程等新工科研究與實踐項目列表中的高管人員所占比例。根據Hambrick 等［22］的高階梯隊理論，高管成員的職能背景是影響創新產出的重要因素。與具有文科、商科背景的高管人員相比，具有數字背景的高管對人工智能、互聯網、物聯網、大數據、云計算等數字化技術更加敏感，能夠快速捕捉外部環境中蘊藏的數字化創新機會，加速企業數字化創新產出，促進企業數字化創新能力的提升。

（2）數字化創新資金獲取。充足穩定的研發資金投入是持續深度推進科技研究從而攻克核心技術的必要條件［23］，是順利開展數字化創新活動的前提。數字化創新資金獲取包括企業內部投入與外部政府支持兩方面，涵蓋企業探索性研發費用占營業收入比例、企業利用性研發投入占總資產比例、政府撥付有關數字化金額占企業總資產比例3個指標。其中，企業探索性研發費用占營業收入比例衡量企業將多少主營業務收入用于探索性研究，這一指標突出了企業對未來市場和顧客需求的探索，是用于認定高新技術企業的關鍵指標；企業利用性研發投入占總資產比例指資本化的、能計入無形資產成本的開發支出與企業總資產之比，反映企業總資產中利用性研發成果所占比例，體現了企業對研發活動的資金投入力度，是企業創新導向強弱的主要標志；政府撥付有關數字化資金占企業總資產比例能夠反映企業在數字化過程中得到政府支持力度的大小，是區域數字化創新政策的反映，政府針對企業數字化創新項目發放補貼能夠對數字化創新培育起到必要的孵化作用，引導企業進行數字化創新活動，產生政策紅利效應與擠入效應。

（3）數字化創新資源整合。資源整合需要企業從外部環境中識別和汲取各種資源，并在內部合理配置使用以形成新的核心資源體系［24］。數字化創新資源整合與特定區域、特定行業內人力資本與創新資金的集聚程度密切相關，包括區域行業R&D 人員全時當量、區域行業R&D 經費內部支出兩方面，通過結合各企業所處的不同區域、所從事的不同行業測度其研發環境的差異，刻畫區域行業研發環境對企業數字化創新的影響程度。其中，區域行業R&D人員全時當量指企業所在區域行業每年R&D 人員工作時長，等于全時人員與非全時人員折算的工作量之和，反映區域行業科技人才儲備及科技人力投入水平；區域行業R&D 經費內部支出指企業為開展R&D 活動實際用于本區域本行業內的全部支出，反映區域行業的科技經費投入水平。較大的科技經費投入有助于推動行業數字化創新發展，推進企業間競爭合作與信息交流。

（4）數字化創新經濟基礎。良好的數字化創新經濟基礎決定了企業的可持續發展能力［12］，是企業進行數字化創新的基石，包括盈利水平與發展能力兩個方面，盈利能力用總資產報酬率、凈資產收益率兩個指標來衡量，成長能力用總資產增長率、凈利潤增長率兩個指標來衡量。其中，總資產報酬率指報告期息稅前利潤與資產平均總額的比值，凈資產收益率是指報告期剔除非經常損益的凈利潤與報告期平均股東權益的比值，這兩個指標分別反映企業全部資產和凈資產的獲利能力，是企業進行數字化創新的重要物質基礎；總資產增長率與凈利潤增長率分別表示企業總資產、凈利潤相對于上年的增長比例，總資產增長率反映企業規模的擴張速度，凈利潤增長率反映企業盈利能力的提升速度，這兩個指標預示企業發展前景，是企業進行數字化創新的動力源泉。

3 模型構建

3.1 原理

隨機森林算法是Breiman［25］于2001 年首次提出的一種機器學習算法，屬于集成學習（ensemble learning）中的引導聚集（bagging）算法，可以解釋若干自變量X對因變量Y的作用。在隨機森林中，“隨機”體現在數據集上樣本選取與特征選取的隨機性；“森林”指通過設置足夠數量的決策樹或回歸樹（CART）進行集成學習，并在樹上選取更好的特征進行分枝，使各棵樹成長得更加優秀，以取得高準確率的效果。隨機森林由隨機選取的部分預測因子的子集構成，可以有效克服維度困擾、變量共線性及測量變量的隨機誤差或方差干擾等問題，適用于解決先驗知識不清、多維度約束條件、無規則和散點數據的應用問題［26］。隨機森林算法沒有對數據做任何假定，從而脫離了“假定分布—明確的數學模型擬合—假設檢驗”的經典統計過程［27］；在分類和回歸上都表現出優良的性能［10］，具有簡單易行、訓練速度快、泛化能力強的特點。采用隨機森林算法能夠對數字化創新特征屬性進客觀評級，克服指標排序主觀性較強的問題。

突變級數法則是基于突變理論與模糊數學原理，利用突變模型開發出來的解決多準則決策問題的綜合性評價方法［28］。突變級數法首先對評價目標進行多層次矛盾分解，在此基礎上把同一層次的評價指標根據其重要性大小從左到右排序，然后根據突變模型產生突變模糊隸屬函數，用歸一公式進行綜合量化運算得到總隸屬函數，最后對目標層進行評價分析［12］。

將隨機森林算法和突變級數法結合使用，既體現了突變級數法層次分析的系統思路，使評價指標的權值在定性的基礎上得到量化，又保留了隨機森林算法對指標數據本身特征的關注，減少突變級數法在指標相對重要性排序問題上的隨意性和主觀性。該集成方法能夠客觀地處理數據集，適用于對數字化創新能力這類復雜系統的綜合評價，并使得評價更加科學合理。因此，本研究充分結合隨機森林算法和突變級數法的優點，首先，根據基于對數字化創新能力的解讀和相關文獻建立相應的評價指標體系，并以數字化創新專利產出為判斷標準，采用隨機森林算法對投入能力指標的重要性進行排序，降低主觀判斷可能帶來的偏誤；接著利用突變級數法建立突變模型，用以確定企業數字化創新能力水平及排名，保障評價模型及結果的科學性與合理性。

3.2 主要步驟

3.2.1 基于隨機森林算法確定指標排序

采用隨機森林算法對數字化創新投入能力特征屬性進行評級。根據數字化創新投入能力中若干自變量判別每個觀測值的類型歸屬，本質上是一個分類問題，對于分類問題，一個測試樣本會送到每一棵決策樹中進行預測、投票，得票最多的類為最終的分類結果，模型的誤差為分類錯誤率，因此在分類模型結果中借鑒熊景華等［13］的研究，用平均基尼系數下降指標評估數字化創新投入能力。鑒于考察若干因素對數字化創新能力的影響也可以被看作回歸問題，為對分類結果進行補充說明，本研究嘗試用回歸思路得出評估結果，并與分類所得的排序結果進行對照。對于回歸問題，一個測試樣本在每棵回歸樹上預測后，隨機森林的預測結果是所有回歸樹輸出的均值，因此在回歸模型結果中用平均誤差下降指標對特征重要性進行評價。綜上，采用分類與回歸樹作為隨機森林中的基學習器。由k個基學習器集合而成的隨機森林模型表示如下：

式（1）中：X為輸入特征集；hk(X)為第k個基學習器，每個基學習器就是一棵決策樹或一棵回歸樹。

基于隨機森林算法確定數字化創新投入能力評價指標排序的模型構建流程如下：

（1）準備原始樣本集并構建隨機子樣本集。首先，基于數字化創新評價指標體系中標準化后的指標值構造決策矩陣，得到原始樣本集D；然后，采用自助抽樣法（Bootstrap）隨機有放回地從D中抽取k個子樣本集，若輸入樣本為N個，那么每個樣本集中采樣的樣本數量也為N。k為隨機森林模型中樹的個數，本研究中設定k=500。

（2）基于CART 算法構建數字化創新決策樹或回歸樹。在分類問題上使用基尼系數（Gini index）作為特征分裂的選擇標準，基尼系數越小則決策樹中節點分裂純度越高，即分類效果越好，因此選取使當前節點分裂時基尼系數最小的特征作為分類特征。基尼系數計算公式如下：

在回歸問題上使用均方誤差（MSE）作為特征值劃分點的選擇標準。MSE 測度了父節點和葉子節點之間的均方誤差的差異，MSE 越小則誤差越小，代表分枝質量及回歸質量越高，因此在所有特征中選取使當前節點分枝后MSE 最小的特征進行分裂。MSE 計算公式如下：

式（3）中：N為樣本總數；i為第i個樣本；fi為回歸模型預測的數值；yi為第i個樣本的實際輸出值。

（3）從M個輸入變量中選取m個進行特征采樣。特征采樣也稱“列采樣”，依據計算m取值的通用方法，在CART 決策樹上采用在CART 回歸樹上采用的近似原則設定候選特征子集的取值。由于所構建的評價體系中輸入變量個數M為12，因此在分類上取在回歸上取建立模型。

（4）對樣本進行訓練并評估結果。將生成的k棵決策樹或回歸樹分別組成隨機森林。在分類模型中，根據樹分類器投票的多數原則決定分類結果；在回歸模型中，按生成所有樹的預測值的均值決定最終回歸結果。在兩種模型中分別計算每個輸入變量的平均基尼系數下降值與平均誤差下降值并按降序排列，對比分析這兩個序列，最終實現對數字化創新投入能力指標重要性的評價。

3.2.2 構建基于突變級數法的評價模型

在隨機森林模型排序結果的基礎上，基于突變級數法建立突變評價模型，具體步驟如下：

（1）對樣本數據進行無量綱化處理。公式如下：

（2）根據評價指標體系中的控制變量，即每個層次的指標數量來確定評價指標體系中每個層次所屬的突變系統類型。常見的突變系統模型類型有3類，即尖點突變系統模型、燕尾突變系統模型和蝴蝶突變系統模型，模型形式依次如下：

（4）用歸一公式進行綜合評價。若同一層次變量之間能夠相互彌補，呈現強相關關系，則為互補系統，取控制變量x 的平均數；若變量之間無法相互補足，呈弱相關關系，則按非互補準則，對控制變量x按“大中取小”的原則取值。最后逐級遞歸，求出指標體系的總突變隸屬函數值進行評價。

4 京津冀數字化創新能力的實證研究

4.1 數據來源及預處理

本研究以2019 年京津冀制造業上市公司作為實證對象，在剔除帶有嚴重缺失值、異常值的記錄后整理得到169 家企業的完整信息。數字化創新專利數據通過佰騰專利網搜集，以“智能”“區塊鏈”“大數據”“機器學習”“云計算”“云端”“互聯網”“物聯網”“信息化”“數字化”“遠程”“機器人”“人臉識別”“虛擬”作為關鍵詞，運用PyCharm 軟件爬取樣本企業與數字化創新相關的專利數量。數字化創新人才儲備、數字化創新資金獲取、數字化創新資源整合、數字化創新經濟基礎等數據來源于國泰安數據庫、巨潮資訊網以及京津冀三地統計局官網。

4.2 評價過程

4.2.1 采用隨機森林算法對指標重要性排序

基于隨機森林算法的數字化創新評估模型應用算例主要在MATLAB 語言環境下完成。按照企業數字化創新實踐，將12 個數字化創新投入能力指標作為輸入變量。在輸出變量上，依據數字化創新專利數量中發明專利或實用新型之中是否有一項處于均值之上，將樣本企業標記為高數字化創新和非高數字化創新兩類，最后得到高數字化創新能力企業39家、非高數字化創新能力企業130 家，以此為基礎建立二分類評估模型。為避免由于這兩類企業分布不均衡出現模型過擬合現象，提升評估數字化創新投入能力指標的準確率，將39 個高數字化創新能力企業重復3 次輸入模型，共獲得247 個樣本，其中包括117 家高數字化創新能力企業樣本和130 家非高數字化創新能力企業樣本，以使兩類樣本分布基本均衡。

在分類模型與回歸模型中分別輸入經過預處理的 247 個樣本，隨機選取75%的樣本作為訓練集，25%的樣本作為測試集，用測試集來檢驗模型訓練的預測效果；在預測效果良好的基礎上，按平均基尼系數下降指標得到評價結果，最后在回歸模型中依據平均誤差下降得到排序結果，并與分類模型結果進行對比。在隨機森林分類模型中，平均基尼系數下降指標通過基尼系數計算每個特征屬性對決策樹節點上觀測值異質性的影響，得到節點分裂前后純度的平均下降值，該值越大表示該特征屬性的重要性越大；同時，在回歸模型中計算表示重要性特征的平均誤差下降指標，平均誤差下降值越大說明該特征屬性的重要性越大。樣本企業數字化創新投入能力所含特征屬性的重要性程度大小分別按上述兩個指標排列，具體數值如表1 所示。

表1 樣本企業數字化創新投入能力所含特征屬性重要性分析結果

為了清晰呈現數字化創新投入能力各指標值分布情況，繪制其重要性程度排序的散點圖，如圖1所示。綜合各三級指標在圖1 所示兩個序列中的分布情況，可得對應二級指標的重要性排序，由大到小排列為數字化創新人才儲備、數字化創新資金獲取、數字化創新資源整合與數字化創新經濟基礎；另外，鑒于數字化創新產出是數字化創新投入能力中各指標順序的評判標準，且是數字化創新活動最終形成的重要成果，因而在一級指標層面將數字化創新產出的重要性置于投入能力之前；最后，由于數字化創新專利產出中數字化創新發明專利的創造性水平與技術標準含量遠遠高于實用新型，因此其重要性排名在三級指標中居于首位。至此，各層次指標的重要性排序得以確定，為制造企業準確識別數字化創新能力提升的驅動因素提供決策參考。

圖1 基于隨機森林模型的樣本企業數字化創新投入能力指標重要性排序

4.2.2 采用突變級數法對數字化創新能力進行綜合評價

遵循突變級數法的模型構建原則，把樣本企業各變量按照隨機森林算法確定的重要性大小順序從左至右排列，結合控制變量個數確定各層指標的突變系統類型，從而將數字化創新能力評價指標體系構造成一個多層次目標結構，如圖2 所示。

圖2 基于突變級數法的企業數字化創新能力評價結構

借鑒張玉喜等［12］的研究，計算樣本企業各層級指標的Pearson 相關系數，通過顯著性大小判斷變量間相關關系的強弱。由表2 可知，各指標系統中包含的變量都表現出較強的相關性，因此均可判定為互補系統，評價時遵循互補準則，即取控制變量的平均數進行計算。

表2 樣本企業數字化創新能力評價指標相關性分析結果

建立京津冀制造企業數字化創新能力突變系統后，將數據集標準化后的值轉化為突變模糊隸屬度函數值，根據不同突變系統類型準則變換后得到各層次評價指標的突變模糊隸屬度函數值，最后利用歸一公式（8）～（10）和評價準則進行綜合評價。

4.3 實證結果分析

如表3 所示，從總體情況來看，樣本企業數字化創新投入能力遠高于數字化創新產出能力，其中人才儲備和經濟基礎得分較高，而資金獲取和資源整合方面較為薄弱，說明現階段企業數字化創新的投入與產出能力發展不協調。雖然京津冀三地對數字化創新的重視程度較高，具備推進數字化創新的基礎實力，但仍需加快制造企業數字化創新成果轉化，改善數字化創新產出能力欠佳的局面。分區域來看，北京市的數字化創新在各方面均表現突出，而天津市的數字化創新能力整體偏弱，特別是產出能力得分僅為北京市的1/3，而河北省在資金獲取和資源整合方面與北京市和天津市相比仍有較大差距。區域間數字化創新能力的差異反映了北京市作為全國科技創新中心的輻射帶動力未得到有效發揮，京津冀協同創新戰略還需持續貫徹，要通過促進數字化資源有序流動與合理配置提升區域數字化創新綜合實力。

表3 樣本企業分區域數字化創新能力評價結果

如表4 顯示，樣本企業中數字化創新能力與數字化創新產出能力排名前3位的是儀器儀表制造業、汽車制造業和計算機、通信和其他電子設備制造業，后3 位為印刷和記錄媒介復制業，酒、飲料和精制茶制造業，以及食品制造業。表明知識密度較大的高技術產業數字化創新活動較為活躍，數字化創新能力總體較強；而勞動密集度較高、技術水平較低的傳統制造業數字化創新成績明顯落后。因此，京津冀地區產業數字化進程還面臨跨行業間數字化資源共享和集成不足、傳統產業難以適應數字化趨勢等多重挑戰。

表4 樣本企業分行業數字化創新能力評價結果

產業間數字化創新水平差異與企業所屬不同行業的結構特征密切相關［29］，與企業自身及區域行業對數字化要素的投入和創新資源的分配有直接聯系。如表5 所示，在數字化創新綜合能力排名前3位的行業中，計算機、通信和其他電子設備制造業的市場需求變化劇烈、技術更新速度快，因此極為重視數字化人才的引進和數字化研發資源的投入力度，在數字化創新人才儲備、資金獲取和資源整合等3 個方面表現良好；而汽車制造業以高度綜合、涉及制造部門眾多為顯著特點，主要依靠區域行業中數字化創新資源整合的力量驅動行業內部各企業的數字化進程；儀表儀器制造業則是一個多學科應用的精密行業，其數字化升級需要依賴各方面基礎資源的聯動配合，因此在數字化創新投入能力的4個方面均取得了較好成績。

表5 樣本企業分行業數字化創新投入能力分指標評價結果

5 結論及對策建議

5.1 研究結論

（1）數字化創新能力是一種融合數字技術的綜合創新能力，涵蓋數字化創新產出能力與數字化創新投入能力，需要全面考慮企業特征與區域行業環境進行綜合評估。實證分析表明，現階段京津冀制造業企業數字化創新成果轉化速率較慢，數字化創新產出能力較差，且數字化創新投入能力也因企業數字化資源的配置方式不同而有較大差異。

（2）基于隨機森林算法的數字化創新評估模型顯示，數字化創新投入能力分指標的重要性排序依次為數字化創新人才儲備、數字化創新資金獲取、數字化創新資源整合與數字化創新經濟基礎。其中，數字化創新人才儲備對數字化創新專利產出影響最大，反映了高水平人力資本在數字化創新活動中不可取代的重要地位；數字化創新經濟基礎的重要性水平相對較低，表明經濟實力較弱的企業也有機會在數字化浪潮中實現“彎道超車”，率先實現數字化轉型。

（3）結合突變級數法的數字化創新能力評價模型結果表明，京津冀區域間和行業間的數字化創新能力差距較為明顯，存在發展不平衡的現象。分區域來看，北京市顯示出很強的數字化創新能力，而天津市和河北省在產出能力與投入能力方面各有不足；分行業來看，高技術行業的數字化創新水平整體較高，但傳統制造業的表現相對乏力。

5.2 對策建議

基于上述研究結論，提出如下對策建議：

（1）優化數字化創新基礎條件，提高數字化成果轉化效率。第一，大力鋪設5G 基站、特高壓、大數據中心等硬件設施，通過強化產學研合作加速數字技術的產品化、市場化進程，為釋放人工智能、云計算等數字技術的乘數效應提供有效的運行基礎。第二，建立數字化創新服務交流平臺，制定優惠的財政、稅收政策，降低中小制造企業對接數字化平臺的成本，激發企業科技創新動力。第三，企業應制定合理的數字化發展戰略，建立長線思維，淡化對短期內盈利指標的關注，增加對數字化創新的專項資金投入。

（2）提升制造業從業者數字化素養，重視數字化人才資源儲備。首先，京津冀三地教育部門應繼續鼓勵高等院校、中等職業學校面向數字經濟開展新工科建設，著力培養大數據科學、機器人工程、物聯網工程等領域的“高精尖”人才。其次，各地方政府的組織和人事管理部門應制定數字化人才引進和評估政策，為掌握關鍵數字技術的研究開發專家解決落戶、住房、醫療等問題，增強數字人才吸引力。最后，企業要加大數字背景高管聘用力度，定期舉辦數據分析、工業軟件講座等數字化培訓活動，訓練員工數字化思維及應用操作能力。

（3）加強京津冀數字資源整合流動，構建數字化創新生態系統。一方面，各級政府應增加科學技術公共支出，推動社會治理集成化與公共服務智能化，如設立省級數據管理局、共建京津冀數據管理中心，實現區域內、產業間數字化技術、人才、資源等信息互通互聯，促進數字化創新要素流動聚集。另一方面，三地應充分發揮科技園、協同發展示范區等各類創新產業園區的平臺聯動作用，拓展區域創新走廊等合作空間，建設傳統制造業轉型升級試驗區，健全區域協同與產業融合創新生態，釋放數字經濟新動能。