基于大数据的产业链演变研究

张轶群　杜传忠

内容提要 产业链的空间演化过程具有内在的规律性，在新经济时代，大数据赋予产业链更加丰富的内涵。本文从大数据融合视角着重分析了产业链多维度结构，在对典型案例进行分析的基础上，分析指出：在数字经济时代，技术变革促使产业链结构从传统的线性映射结构演化为多维空间结构，产业链的多维空间结构直接影响产业转型升级的方向;大数据与供需链融合作为网络协同的微观基础，影响着价值链的增值，而且，微笑曲线各段附加值差距缩小，在物联网架构下，企业“合作”趋势渐强;从宏观层面来看，大数据具有提高产业链稳定性的作用，但是依靠单一维度的融合不能发挥大数据分析的优势，需要供需链、价值链、企业链、空间链四维协同整合，以达到完善产业链系统的目的。

关键词 大数据产业链 融合机理

〔中图分类号〕F49 〔文献标识码〕A 〔文章编号〕0447—662X（2020）04—0038—09

一、引言

产业链理论的研究对产业融合发展具有重要意义，产业链策略选择也是市场竞争的重要手段。伴随着全球化的快速发展，导致当今世界的竞争方式也产生了巨大变化，数据作为一种新型资源，其社会经济地位愈发重要，这使得大数据与产业链的融合成为经济发展的客观需求。同时随着大数据资源和分析技术的不断提升，大数据为产业转型升级带来了新的突破口。早在1973年，Negroponte便开创性地提出数字技术的出现导致产业交叉，进而引发学者的讨论，但是与发达国家相比，我国的相关研究十分匮乏。近几年，我国政府对大数据、人工智能产业发展的重视力度持续增强，相关政策主要有国务院2015年8月颁发的《促进大数据发展行动纲要》、工信部2017年1月发布的《大数据产业发展规划（2016—2020年）》。在当前人工智能时代，数据要素的融合使得产业链结构发生了新的变化，大数据与产业链之相互关系，以及大数据影响产业发展的作用机理研究是十分必要的。

大数据系统是一个复杂的、提供数据生命周期（从数据的产生到消亡）的不同阶段数据处理功能的系统。对于不同的应用，大数据系统通常涉及多个不同的阶段。按照系统工程方法，大数据系统可分解为数据生成、数据获取、数据存储和数据分析4个连续的阶段。传统的决策模型对海量数据的获取、分析、处理能力有限，尤其难以应对非线性、变结构等开放性复杂决策问题。而基于大数据构建的决策模型不仅可以显著地降低决策复杂度，减少决策过程中的不确定性，还能洞察隐藏在复杂性之下的潜在规律，从而在微观、中观、宏观层面为决策者提供支持。然而一个良好的产业生态需要兼顾架构相似、数据相通、股权相连、运营协同4个方面。构成产业生态的核心标志之一，就是数据的互联互通、数据的融合利用，也正是因为这一点，才使得不同的行业可以有机地整合在一起，跨层级、跨部门、跨产业地提升工作效率。大数据价值系统在产业链任意维度的缺失，必然导致企业或者产业无法协同整合，引发的产业内部不均衡以及对外部环境的不适应，都会阻碍产业转型升级。

早期产业链的概念建立在传统的映射式线性链条结构之上，从资源配置角度看，技术链、产业链和技术创新链三者之间存在的结构性失衡是阻碍规模经济或者范围经济形成的根本原因。产业链的空间动态演化，是产业链内涵深化和空间范围扩大的有机统一，它推动着区域生产要素的重组，引起区域产业结构、空间布局的变动。综合来看，现有研究主要存在两方面问题，其一，产业链的理论与实证研究大多从单一维度展开，缺少新背景下多维度协同整合的理论分析;其二，针对数据融合下的产业链结构变化，缺少大数据与产业链融合的机理分析。本文基于大数据视角，寻找大数据与产业链融合的作用机理，进而探讨企业数字化升级后的产业链发展路径。

二、大数据对产业链演变的作用机理分析

国外相关研究常见的术语是供需链（Supply Chain）、价值链（Value Chain），而“产业链”则较少提到，根据国内外学者的研究成果以及产业链的演化规律，本文从狭义范围上将产业链概括为供需链，即采购原材料并转换为中间产品和产成品，直至到达消费者手中，涉及有形与无形产品以及企业与消费者关系的网状链结。从广义范围上将产业链分成供需链、价值链、企业链、空间链四个维度，产业链本身是一个空间概念，需要从微观基础进行协同整合，大数据正是起到这样的作用。传统研究中提出的产业链整合可以理解为狭义的供需链整合，而由映射式的线性链结演化为空间链结以后，产业链整合应当归结为产业链内部某一环节如何发展的问题，比较前后变化可以发现，前者相对来说属于借助系统外部条件进行协同整合，而后者则是将研究集中到产业链内部的某一方向，解决问题的着力点并不相同。

1.大数据对供需链

由于狭义的产业链可以理解为供需链，所以供需链在产业链理论中十分重要。供需链的产生可以从供给和需求两个方面进行解释，是一个消费需求与生产需求互相联动的過程。从原始需求开始，通过宏观-中观-微观的消费需求与生产需求的高级-中级-初级层次分别进行循环对接，在对接过程中发生技术创新以保证供需链不发生断裂，企业的生产制造能力是供需链联动过程的必要保证。

供需链柔性化是传统企业转型的一种途径，通过增加供需链弹性，更快地对客户需求做出反应，使企业快速而经济地处理生产经营活动中环境或由环境引起的不确定性。定制化需求的出现引起供需链柔性化转型，而大数据资源能力嫁接到供需链中，最核心的功能是需求分析及预测，强化企业与客户的连结，在企业端提升企业绩效和商务运营能力并创造新产品，同时在客户端增强客户体验。以大数据为核心的资源配置，能更快应对市场机制及宏观调控波动对企业和消费者的影响。

在供需链中的企业成员之间，通过大数据信息共享减少信息不对称的问题，优化企业或部门之间的协调配合机制。传统供需链主要有计划、采购、制造、物流以及销售等环节，经大数据渗透之后，通过统计分析、综合评价、收益回报分析等解析方法为企业制定精准的战略计划以及预测模型，增强前端控制能力。在提高供需链效率方面，通过大数据分析对采购、库存以及物流进行匹配和优化，以此提高供需链运营效率。而制造精细化以及工业互联网的发展也是以供需链为基础的，消费端则通过定制需求参与到整个供需链的运营过程中，尤其在大数据应用渗透到供需链各节点的时候，节点企业或者部门之间协同将必不可少，并且供需链的融合效率大幅提升。如图1所示，在这个过程中，大数据的数据质量尤为重要，重点刻画了需求分析和消费者参与的过程，但大数据的预测潜力不能够完全释放，而缺乏训练有素的技术人才是影响其发挥作用的主要障碍。企业要面对的问题是在哪一个环节加强数据控制，在哪一个环节的大数据搜集能带来收益或者节约成本等问题。

2.大数据对价值链

波特的价值链思想更多体现为企业的工艺流程以某种形式不断创新，进而创造价值的过程，信息作为支撑因素发挥作用。而现代观点则更倾向于各节点企业或者节点部门经过协同效应重新创造价值的过程。基于企业价值链的视角，H.Gilbert Miller认为数据价值链的形成涉及数据获取、数据管理以及利益相关者和技术架构，通过不同的数据组合形式为企业的决策、生产提供增值信息。②微笑曲线理论提出在价值链的两端，上游的设计研发和下游的营销部分附加值较高，中間的生产制造部分附加值较低，大数据与价值链融合之后，大数据的价值系统与原价值链系统叠加，形成1+1>2的效果，最终整体提升企业价值链附加值，由于消费者对全流程参与程度的加深也缩小了价值链中间与两端的利润差距，表现为价值链向上平移以及价值链趋于平缓，如图2所示。

图1 大数据融合下的供需链

图2 大数据影响下的微笑曲线

从产业发展的角度来看，大数据的本质是数据信息链（网），其参与价值链增值的过程可以表现为信息要素的增值过程。

新经济时代，企业对数字化变革趋势变得异常敏感，大数据资源形成的信息链网可以反映企业战略和流程导向以及消费市场状况。首先企业有多种渠道获取数据资源，通常主要有三种方式，包括互联网以及企业、政府的开放数据，企业内部信息门户数据，经由信息反馈机制获得的数据等。获取大量数据资源之后企业的信息管理部门需要进行数据处理工作，包括清洗、分析、整合等，经过处理的数据转化成十分重要的数据知识要素，从而实现了企业的第一次价值增值过程。其次，数据知识要素开始进入企业经营的核心流程。大数据、物联网平台的云端转移直接影响企业的战略管理流程，为决策者制定战略以及研发提供新的依据。在生产制造和销售环节价值链和供需链通过大数据资源实现微观联通，支持企业内部或者企业间数据共享，促进产业链的协同效应，从而实现了企业的第二次价值增值过程，引发产业升级。第三，在最终的消费市场输出端，建立客户反馈机制，通过收集数据信息资源对整个经营流程后端控制，并且反馈后的信息资源成为连结价值链输入端和输出端的纽带，从而实现了第三次价值增值过程，如图3所示。

图3 大数据对价值链的增值机理分析

3.大数据对企业链

大数据与物质、资金、技术等共同构成连接各企业生命体的微观资源，形成网状企业链，拓展为空间链。通常同种类型企业之间的连结具有分工与交易属性，不同种类的企业之间的连结具有协作与扩张属性，无论哪种类型的企业连结最终会形成以核心生态企业或者核心区域为主导的产业生态集群，延伸出产业链的中观接口。企业链和空间链的对接主要是产业配套半径问题，产业配套半径的大小和远近决定了产业链迂回的形态。在传统产业链理论中企业之间形成的连结严格地受到地域、物流、交通情况的限制，上述条件会引发企业链的长度较短、扩展范围狭窄以及物流成本激增等问题，从而导致产业链在空间范围内的拓展速度缓慢。大数据资源和技术通过降低沟通成本，使合作范围可以根据需求灵活调整，也从市场和宏观层面刺激了创新的产生。企业链中的核心生态企业会影响其他企业的创新策略选择，但是核心生态企业的利润与其所在链条位置无关，在战略选择上不会选择实力较强的企业进行创新合作。这些特征是发展到大数据时代之后才演化出的新型特征，数据资源在企业链的应用除了缩减成本和增强创新之外，还可以提升协作效率、降低运营风险等。

图4 大数据对企业链的影响机理分析

大数据平台作为企业链的载体，如图4所示，通过大数据服务主体之间的价值交换以及分工协作等交易活动，以企业为主导连结的企业链与大数据融合，由各方利益联合体共同参与形成基于网络环境的大数据平台，包括资金流、创新流、人才流，并且衍生出各种数据服务商、各类企业组合以及互补合作伙伴等等。这种企业网络协同化可概要地解说为企业以不同场景为依托，让其他企业能够协调参与，从而使企业间的产品和服务实现网络化经营，最终形成竞争、协作、开放、可持续的更加复杂的网群结构，在区域环境上演化成数据生态循环系统。

4.大数据对空间链

空间链反映了产业链的空间联系强度和范围广度，具有调节区域承载能力的作用，空间链是一个更加抽象的概念，不仅指地域之间的距离还包括时空以及环境、人文状况等复杂因素，以空间坐标、链网密度、经济水平等因素测度的空间状况已不能完全反映数字经济时代的空间复杂程度，导致空间维度对产业链的影响也愈来愈复杂多变。在网络支持的基础上，大数据的精准分析主要从降低环境风险，增强产业链的整体稳定性以及空间辐射能力三个方面进行控制，链网内的企业越多，覆盖范围越广，网络协同效应增益效果越强。而现代产业链理论对空间链部分没有足够的重视，仍然是以波特价值链和SCP范式为主。但是产业链不同于产业或者企业，产业链强调的是“产业的整体”和企业间的“竞合关系”，研究的重心不是产业或企业间的竞争，而是产业与产业、企业与企业间的对接，此种对接即为一种空间的延伸，能够为产业或者企业的“生长”输送养分，透过外部环境找到发展机遇。

大数据通过提高产业链从微观（供需链）到中观（价值链、企业链）再到宏观（空间链）的层级提升速度，解决产业链容易中断以及资源配比不协调等制约产业升级的瓶颈问题。就大数据融合下的产业链协同整合而论，传统产业链需要在单一维度拓展出大数据微观接口，以此作为协同和升级的基础，目前较多传统制造业仍旧停留在自动化的水平上，并不具备转型升级的条件。

产业链协同整合模型的运作体现为三个关键步骤。在供需链上利用大数据分析找到企业的竞争要项，以此减少企业的随机行为，獲取的信息在企业各部门问传递，企业内部被强化的横向连结优化价值增值模式;在消费端的大数据控制系统，通过甄别有效的潜在市场，形成以数据驱动为主的资源配置模式，企业之间按照细分市场服务，主要解决产业链管理中供需匹配的难题，“合作”式的生存形态增多;以数据分析与共享作为一种潜在趋势，影响跨地区、跨国战略合作效率，其中形成正向提升的主要原因，是消除和减少了人为操控的环节以及设置不当的边界，当然，很多优化整合需要有较好的大数据模型和度量标准作为基础。

三、基于大数据的产业链升级路径案例分析

互联网以及数据智能化造就了物联网系统，而物联网的核心是有协同、有分工、有组织的社会属性架构。进一步的大数据、物联网、智能制造之间的关系需要辨析清楚，大数据是智能制造的核心驱动力，智能制造在物联网的架构下运作，而物联网又能生成大数据，三者相互影响，对实体产业的发展带来根本性的变革。

1.大数据与供需链、价值链升级——海尔智能制造路径分析

1984年海尔于山东青岛创立，经过30多年的发展，迎来了互联网时代，从大规模制造逐渐转变为大规模定制。早在2005年，海尔首席执行官张瑞敏就提出企业向互联网转型，要把传统制造变成大规模定制，倒逼企业从以自身为中心转变为以用户为中心。2012年海尔集团开始建设互联工厂，变产销分离为产销合一，同年在日本成立海尔亚洲，提出“构筑家电产品的新商业模式”，探索智能住宅发展路径。2015年海尔集团作为中国首批智能制造试点示范企业，从大规模制造转型大规模定制，探索转型智能制造模式的实践路径。2017年海尔自主创新打造出工业互联网平台COSMOPlat，成为物联网范式下用户全流程参与的，涵盖企业、用户、资源要素的共创共赢多边平台。转型过程中大数据的获取以及供应链、价值链的转型两个方面可以突出产业链协同整合的优势。本文着重从大数据来源和供应链、价值链的转型两个方面分析海尔产业链升级的路径。

（1）海尔大数据来源

海尔提出“无交互不海尔，无数据不营销”，海尔从两个层面运营用户数据：①底层数据平台——海尔SCRM社交化客户关系管理数据平台，存储8类数据资产，核心是1.2亿用户数据。该平台设计的数据模型可以进行地址匹配，对用户地址添加分类标签，经由标签映射回中国邮政的名址数据库，找到有相似特点的所有小区，实现细分市场，精准营销。②上层会员平台——海尔梦享+会员俱乐部，活跃会员超过1500万。用户注册梦享+会员后，生成大量数据存放在SCRM数据平台，包括产品销售数据、售后服务数据、官方网站数据、社交媒体数据等等，使得数据孤岛得以连接成大数据平台。

（2）海尔供需链、价值链升级路径

①大数据分析技术应用。传统制造升级方面以海尔亚洲的家电平台为例，实现大规模定制，数据分析嵌入在供需链和价值链的全部环节（设计、制造、销售、服务等）。1）在设计开发环节中，经由收集到的数据提取消费者实际和潜在需求，数据融合形成第一次价值增值;2）在生产制造环节中，将设计落实到可供生产制造的工艺流程上，例如在冰箱内搭载Wi—n和安卓系统，作为数据控制平台，再根据图纸制定生产计划，合理安排定制产品和预制产品流水线，内部协同形成第二次价值增值;3）在销售服务环节中，与零售商配合并提供家电的安保和餐饮服务，例如数据控制平台监控到冰箱内食材不足，会提醒客户在网上超市下单等，以此拓展消费服务范围，数据回流形成第三次价值增值，全部流程反映了大数据价值系统对价值链增值的过程。

②大数据对产业链的柔性化改造。新产业革命带来的主要冲突是制造企业的“规模化”生产与用户主导时代的用户“个性化”需求之间的矛盾，海尔智能制造云平台COSMOPlat以用户体验为中心，削减“规模化”与“个性化”之间的矛盾，生成用户与生产制造的并联体系，不同于传统企业的生产模式，海尔COS-MOPlat是一种从创意到交付的用户全流程参与的需求驱动型生产模式，如图5所示，在这种体系下用户“既是消费者也是设计者、生产者”。

图5 海尔COSMOPlat全流程

例如在过去洗衣机大同小异，但如今人们对洗衣机外观、联网、音乐以及智能家居等功能均有要求，传统生产线显然无法灵活掌控，在COSMOPlat平台上，消费者提出需求后，由全球上百万设计类资源提供创新设计生产服务，与用户共同进行产品和设计的改进，通过迭代盘旋修改的过程，使用户主导下的产品有了实现的可能，再通过智能制造，将用户定单直达全流程节点，最终完成用户从创意到产品交付的全流程参与。

2.大数据价值链与企业分类

大数据与价值链融合后形成大数据价值链，根据所提供价值的不同来源，Schtinberger将大数据公司分为三类：基于数据本身的公司、基于技术的公司、基于思维的公司，另外一类则兼具前三种能力或者某两种能力的组合，其各自特点如表1所示。

表1 价值来源与企业分类

（1）基于数据和基于技术的企业大数据价值链

美国的航空业极其发达，早在2003年就有通过大数据分析对机票价格进行预测的系统Farecast。国内真正意义上专注于机票价格预测的工具型产品在2018年初才有推出，是由比度（北京）国际旅行社有限公司开发的“蜻蜓旅行”APP，蜻蜓旅行自行开发的算法价格预测模型是实现精准预测机票价格的关键，其产品的票价预测准确度达95%，目前蜻蜓旅行价格信息的获取渠道，主要是合作伙伴开放给蜻蜓旅行的数据接口导入以及抓取航司和第三方网站数据。Farecast的数据是由机票预订软件厂商ITA Software提供的，由于ITA与Farecast的公司在商业定位和核心竞争力方面均有不同，以致在大数据价值链上的位置也十分不同，ITA的创始人之一卡尔·德马肯表示过ITA一直在避免因任何数据而暴露的航空公司的利润问题。但是ITA公司在提供服务过程中必定会产生大量数据，ITA公司在大数据价值链上游将收集到的数据授权给Farecast，Farecast通过数据分析服务获取了大数据价值链上的大部分价值，其余价值则转移到用户身上。与Farecast不同的是，蜻蜓旅行弱化了从上游吸收数据的环节，以积累的航班数据和开放数据为主，将数据和技术融合在一起，成为大数据价值链的主导，并掌控下游的利润分配，如图6所示。

图6 数据价值链对比

企业在价值链中的位置极大地影响了利润状况，如果是处在大数据价值链的核心位置，企业就能扩大规模，充分挖掘数据价值，通过为客户提供定制化服务或者免费的支付服务，企业还可以从用户端获取更多数据回报，经过数据分析预测或者卖掉分析结果获取循环的价值增值，但目前有大量拥有数据来源的企业还没有意识到价值链中数据增值的巨大利润空间。

（2）兼备型企业大数据价值链

有些大型公司兼有数据资源、技术和创新思维三种能力，较为典型的例子是亚马逊。亚马逊成立于1995年，总部在美国西雅图，是业内最早将云物流、大数据、人工智能等运用于商业运营、物流仓储管理的电商企业之一。亚马逊在大数据价值链中同时充当三种不同的角色，早在1997年的时候亚马逊就产生了一个运用数据分析的想法，叫做“协同过滤”，但那时并没有充足的数据资源，发展至今它已经成为了争相模仿的推荐系统。相较于其他企业，亚马逊并没有在调研等工作上投入较多，而是将新产品的评论和消费信息在短时间内收集起来，对这些信息进行大数据分析从而准确地评估新产品，适时推广。通过践行消费者全流程参与的理念，2015年亚马逊设立实体店，打通了图书销售线上线下的“全渠道”，亚马逊强大的数据库信息一方面用来做库存决策;另一方面通过预测更早发现某种书的走红趋势，利用数据制定决策而不是凭直觉。不仅仅是图书销售市场的大数据收集与分析的价值增值，2017年亚马逊启用了智能供应链系统，整个过程几乎零人工干预，这种价值增值具备短期内不易被复制的优势。

3.大数据与全产业链生态系统——小米、美团的产业链生态系统比较分析

在企业链和空间链中应用大数据分析技术极其重要的一点，是企业之间的合作对大数据分析能力的提升。许多例子表明，单一企业的大数据分析能力十分有限，依据分工原则，建立合作者之间的“数据产业链生态系统”可以显著提高效率。数据产业链生态系统由供需链、价值链、企业链、空间链协同整合而成，具备分属不同类型的价值创造合作伙伴，例如，采购商、分销商、数据分析外部服务商、设备提供商等等。但由于企业的核心竞争力不同，多数企业不仅无法完成大数据分析，而且跟不上技术进步，这就需要企业借助供应商、软硬件提供商以及分析服务商等不同服务来推动企业内部的流程改造。企业之间一定程度的资源共享，扩充了产品线，萌生新的产业联盟。在大数据对产业链干预的过程中，企业在制定数据分析策略的同时，应当清楚核心合作伙伴、内部保留以及外包技术，明确是提供有针对性的专业化服务还是面向所有行业的服务。我国较为典型的数据驱动下的产业链生态系统主要有小米智能互联、美团区域服务、阿里全球化生态圈等。本文选取小米智能互联产业链生态系统和美团区域服务产业链生态系统进行对比分析，二者都在2010年成立，前者是以互联网+制造业为策略思想，后者是以互联网+服务业为策略思想，但两者均形成了大规模的产业链生态系统，具体见表2。

表2 小米、美团产业链生态系统对比

小米是全产业链整合的制造企业，以产品和供应链作为核心竞争力，美团则是借助实体商业发展的，以本地服务为导向的电子商务型企业，由于企业的策略思想和产品理念的不同导致二者协同机制和未来的差异化发展。小米产业链直接连接了生产者和消费者，缩减了大量渠道成本，从单一产品的成本结构向跨群生态链的收益结构调整。而美团严格地说不能形成完全闭环的产业链生态系统，其构建的是“商家-美团-用户”的服务闭环，强调服务在区域范围内的持续滚动，由此在“技术”与“效率”何者为先的抉择之下，小米倾向于前者，美团倾向于后者。总而言之，企业发展面临诸多风险和不确定性，但是产业转型对于互联网、大数据的依赖将是确定不移的。

四、结论与启示

数字经济时代，技术变革促使产业链结构从传统的线性映射结构演化为多维空间结构，包括供需链、价值链、企业链、空间链四个维度，协同整合需要企业提高自身的数据智能化能力，因而大数据参与下的产业链多维空间结构直接影响产业转型升级的方向。

企业的生产制造能力是大数据与供需链融合的必要保证，在这个过程中大数据提升了供需链的柔性化水平;一方面通过需求分析及预测创造新型消费体验;另一方面通过数据信息共享优化企业部门的协作机制，并作为网络协同的微观基础影响价值链增值。进一步地，大数据的价值系统与原价值链系统叠加，引发三次价值增值，从而整体提升企业价值链附加值，最终微笑曲线各段的附加值差距缩小。

大数据服务主体之间的一系列交易活动促成企业链与大数据的融合，经由各方利益联合体形成基于网络环境的大数据平台，作为企业网络化经营的载体。在物联网架构下，表现出企业的“合作”趋势渐强。

产业整体发展是产业链研究的重心，而空间维度的复杂状况使得影响产业链升级的不可测因素增多，在一定的企业数量和覆盖范围条件下，大数据从降低风险、增强稳定性和辐射能力三个方面控制网络协同的增益效果。另外，在大数据模型和度量标准的支撑下数据共享通过减少人为操控和不当边界等问题，对国际合作效率产生正向影响。

从案例分析和宏观层面来看，产业链升级路径的选择应考虑发展时期、区域范围和行业特征等因素，而产业链的升级动力需要依靠四个维度的协同整合，大数据虽然具有提高产业链稳定性的作用，但是只进行单一维度的融合并不能发挥大数据的优势，企业之间的协同效果也取决于具体的市场应用场景。

通过对大数据与产业链协同关系的研究，本文获得以下启示：（1）物联网架构部署是数字经济发展的重要推动力，其中传感器和芯片通常收集数据而不处理数据，由此企業面临的挑战是如何存储有用数据的快速流并充分利用;另一方面产业转型升级如何落实到微观企业也值得我们进一步思考。（2）大数据技术成为物联网与企业之间的桥梁，在传输各类信息的同时维持着产业链各维度流程管理的协调统一，未来大数据的管理问题也将越来越突出。（3）大数据与产业链协同是产业生态系统构建的基础，概括来说产业生态系统的功能是协同环境质量和经济效益达到产业结构功能优化以及产业整体效益的最大化，所以产业链构成产业生态系统的基本骨架，而大数据则保证系统的可持续发展。

责任编辑：韩海燕