制造企业供应链数字化转型的机理与路径
2023-09-15戴建平骆温平
戴建平 骆温平
【摘要】本文立足于工业互联网平台多边价值创造视角, 从供应链数据质量、 数据透明度以及数据驱动协同度三个层面剖析制造企业供应链数字化转型面临的现实问题, 并结合平台理论、 价值理论、 供应链管理理论, 提出支撑制造企业供应链数字化转型的三个关键核心能力, 即供应链数据处理能力、 数据融合能力以及数据治理能力, 详细探讨能力内涵与供应链数字化转型的关系。在建构能力结构模型的基础上, 围绕工业互联网平台各主体多边价值共创, 剖析制造企业供应链数字化转型的机理, 提出数字化转型的具体路径: 一是构建供应链数字化映射, 提升数据处理能力, 强化供应链数据质量管理; 二是加快数据融合, 为数字化供应链提供数据互联共享, 提升供应链数据透明度; 三是提升数据治理能力, 通过数据驱动供应链协同, 实现供应链网络化价值创造。
【关键词】工业互联网平台;价值共创;供应链;数字化转型
【中图分类号】 F42.3 【文献标识码】A 【文章编号】1004-0994(2023)17-0137-8
一、 引言
新发展格局下, 供应链的复杂程度和变化性急剧增加, 制造企业正面临前所未有的巨大挑战。制造企业传统供应链主体之间缺乏有效协同, 供应链快速反应及弹性能力不足, 存在信息偏差与滞后现象(工业互联网产业联盟,2012a)。这些现象严重影响了制造企业的供应链管理水平, 有必要对制造企业实施数字化发展战略, 因此传统供应链亟待解决如何向数字化供应链转型升级的问题。2020年4月, 国家发展改革委、 中央网信办联合印发《〈关于推进“上云用数赋智”行动培育新经济发展实施方案〉的通知》, 明确要深入推进企业数字化转型, 打造数字化供应链(国家发展改革委和中央网信办,2022), 在国家层面明确了我国制造企业供应链“智改数转”的方向。
不同于制造企业传统供应链, 数据驱动的供应链具有连接、 智能、 灵活、 迅捷、 协同等优点。数字化供应链通过海量数据的采集、 汇聚和分析, 在驱动流程、 需求预测、 数据共享、 柔性和弹性、 运输管理、 供应链风险成因和供应链组织结构等方面与制造企业传统供应链有着显著差异(工业互联网产业联盟,2021b;李勇建和陈婷,2021;汪传雷等,2019), 供应链数字化转型能获得比传统供应链更大的优势。但制造企业供应链数字化转型并非简单的技术或商业模式变革, 本质上是“技术—经济”范式变革在制造企业中的应用, 以工业互联网为代表的“新基建”实现了对制造企业要素结构、 生产方式、 组织结构以及价值来源的根本性变革, 极大地推动了制造企业供应链运作方式和价值创造方式的变革。
经过对以往文献的梳理, 本文发现该领域还存在如下研究空间: 第一, 现有研究多从信息技术层面探讨对制造企业供应链数字化转型的驱动或影响, 部分研究已考虑到工业互联网平台的作用, 但只是单纯将其视为一种可利用的资源, 认为与制造企业的融合等同于生产设备的数字化改造或供应链管理效率的提升, 并没有意识到其在价值创造及增值等方面的重要作用。然而, 工业互联网平台不仅会触发传统意义上的技术变革, 更是通过“技术—经济”范式内生地推动制造企业供应链数字化转型升级(唐国锋等,2023)。因此, 有必要从工业互联网平台价值创造层面尤其是多邊价值共创的视角深入剖析其如何影响和驱动制造企业供应链数字化转型, 其影响的机理和逻辑需要获得理论支持。第二, 由于工业互联网平台价值创造主体不同, 已有研究较多地从资源提供方或资源需求方两个角度分别探讨价值创造行为与制造企业供应链数字化转型的关系, 较少讨论工业互联网平台多边价值共创的影响。因此, 有必要通过实证研究进一步明确平台多主体价值共创对制造企业供应链数字化转型的具体影响及作用路径。第三, 已有研究对制造企业供应链数字化转型的影响因素尚不完整, 没有充分考虑数字化供应链的特点及工业互联网平台的作用, 对制造企业供应链数字化转型的影响因素缺乏系统的分析和归纳。因此, 有必要对此进行具体分析。
本文的主要贡献是: 立足于工业互联网平台多边价值创造视角, 剖析制造企业供应链数字化转型面临的现实挑战, 建立供应链数字化转型的能力结构模型, 深入分析工业互联网平台多边价值共创影响和驱动制造企业供应链数字化转型的机理、 路径, 为制造企业供应链数字化转型提供新的视角和研究框架, 在实践上能为制造企业成功实现数字化转型提供支撑。
二、 供应链数字化转型的现实问题剖析
(一)制造企业供应链管理面临的新挑战
经过近半个世纪的高速增长, 从总体规模上看我国制造业已然处于世界第一方阵。相应地, 我国制造业在全球贸易中的角色也在发生转变, 原本处于价值链低端的制造企业不断尝试将业务往价值链上游拓展, 为技术含量较低的产品赋予高附加值, 从产业链高端发力, 参与国际竞争。面对这一新的竞争格局, 我国制造业势必要借助新一代信息技术, 在研发、 管理及供应链管理上取得创新突破。
已有研究指出, 长期以来我国传统制造企业供应链主体之间协同比较困难, 供应链设备缺少传感单元, 供应链整体智能化水平低, 信息滞后时有发生, 缺乏快速响应能力, 应对供应链风险缺乏弹性(王柯懿等,2021)。这些不足对制造企业供应链管理提出了新挑战, 具体表现为:
1. 制造企业供应链外部管理难度加大, 客户对制造企业供应链能力的要求也日益提升。比如, 客户要求供应链具有柔性能力、 规模化定制能力、 弹性能力、 快速响应能力等。供应链各主体之间的协同水平较低导致很难实现供应链全局最优。由于市场变化莫测, 供应链中信息的偏差极易导致牛鞭效应的产生, 供应链缺乏快速响应能力, 就难以满足客户要求, 使供应链整体的竞争力大打折扣。
2. 制造企业供应链内部管理效率难以有效提升, 企业生产制造质量控制绩效水平低。这是由于传统制造企业缺少供应链设备的数据采集能力, 数据不具有可视化基础, 导致采购、 生产、 供应及销售等数据无法做出积极响应, 提高了管理成本。
3. 数字化转型带来的挑战。“智改数转”极大地推动了制造企业的数字化转型。随着我国5G、 人工智能、 工业互联网等“新基建”的快速发展, 为制造企业打造数字化供应链创造了良好的基础。制造企业依托工业互联网平台和大数据算法, 在工业数据的获取、 传输、 存储以及处理上的成本越来越低。制造企业借助工业互联网可以快速构建起工业及供应链数据模型, 运用数字孪生等技术进行实验, 大大节约了时间成本。但由于供应链数字化转型涉及工业互联网、 人工智能、 大数据等新技术, 技术难度和复杂度较大, 导致许多制造企业短期内难以掌握, 尤其对于数字化基础较弱的传统制造企业挑战巨大。
(二)供应链数字化转型的困境及驱动力
当前阻碍传统制造企业供应链数字化转型的难点主要存在三个方面(见图1)。
1. 供应链数据质量低。数据质量是数据资产的重要条件之一, 数据驱动的供应链更加注重供应链中的数据质量。制造企业供应链需要实现更高质量的精准管理, 就需要不断细化供应链中物流、 资金流以及信息流的颗粒度, 提升數据质量。
当前制造企业供应链数据正呈现指数级增长趋势, 制造企业要实现数据业务化, 只有将数据转化为数据资产并持续创造价值才能支撑企业的战略和业务。但由于制造企业供应链中存在不同的价值主体, 其业务系统、 管理系统存在诸多差异, 供应链各价值主体的数据存储模式、 逻辑结构也大不相同, 供应链数据的产生时间、 具体使用场景及相关代码等也不同, 数据缺乏统一标准, 普遍存在“多源”和“异构”两大特征(王露宁和朱海洋,2022)。制造企业需要汇聚来自供应链上不同渠道、 不同组织结构、 不同存储格式及不同标准的数据, 但当前制造企业缺乏对供应链多源异构数据的处理能力, 这是造成供应链数据质量低的直接原因。
2. 供应链数据透明度低。供应链数据透明度主要指的是供应链数据的可视化及共享程度。其中, 可视化要求能准确识别、 收集供应链所有环节的数据, 共享程度则是根据决策需要, 将数据分级和授权后在供应链内、 外部进行共享。
高度透明的供应链能确保各决策主体在任何需要的时候都能完整、 准确、 及时地获取数据。但长期以来, 制造企业传统供应链中的数据往往只在小范围内可见, 对更大范围则不具有可达性, 供应链各决策主体无法获知相关数据, 亦或获取的数据缺乏即时性(Montecchi等,2021;周茂森和张庆宇,2020)。实践中, 同一数据在供应链不同决策主体中可能会被多次记录, 导致数据内容重叠或不一致。另外, 对供应链决策主体有不同的数据授权规则, 导致数据存在共享障碍, 数据互联互通程度低, 如果制造企业在决策前无法获取更全面的数据, 将会导致决策质量下降。
供应链数据透明度之所以不高, 一方面是因为受供应链数据处理技术的限制, 另一方面是因为供应链中决策主体存在管理认知上的局限, 缺乏数据共享意愿。虽然供应链上各主体也在尝试联合决策, 但是这种实践往往是基于局部数据共享, 在大范围内数据普遍无法实现端到端的透明。
3. 供应链数据驱动协同度低。这里主要指的是制造企业由于供应链数据治理能力不足, 导致对供应链运营中产生的各种数据利用率低(杨增茂等,2023), 无法通过提升供应链数据价值来驱动供应链价值主体产生协同。造成数据驱动协同度低的原因是制造企业缺乏供应链数据治理能力。供应链数据中往往蕴含着大量的知识与洞见, 供应链数字化转型需要运用更高级别的数据技术分析数据之间的深层关系, 最大限度地挖掘供应链的数据价值来驱动供应链各价值主体之间的协同。因此, 如何有效地通过数据治理驱动供应链价值主体间协同, 提升供应链网络化价值创造是制造企业供应链数字化转型的一大难点。
(三)工业互联网平台多边价值共创的作用机理
有别于消费互联网平台及一般意义上的技术平台, 工业互联网平台是服务于制造企业“智改数转”的专业服务平台, 平台内嵌于工业价值网络, 用于弹性配置生产制造资源, 支撑工业数据的泛在连接(Liu等,2021), 具有跨产业链、 价值链的协议接口, 是整个工业互联网体系架构的中枢, 能对制造业及其供应链上各价值主体实现更高水平的数据赋能。
对现有文献进行梳理发现, 针对价值共创这一视角主要集中在企业层面(微观)、 价值链层面(中观)以及产业层面(宏观)。
1. 在企业层面。工业互联网平台多边价值共创对制造企业供应链数字化转型产生了重要的影响, 如制造企业将工业互联网平台应用于客户关系管理, 有实证研究发现制造企业借助工业互联网平台, 可以实现精准营销以及时响应客户的需求、 提升制造企业绩效(Cheng等,2020)。此外, 工业互联网平台多边价值共创亦可作用于制造企业的商业模式创新以降低成本, 提升制造企业的效率及经济效益(王永莲等,2022)。制造企业依托工业互联网平台可以实时采集到大量的多源数据, 数据能覆盖到产品的整个生命周期, 通过大数据计算提取和分析有用的信息, 对生产制造过程进行精准合理的研判, 能更好地优化生产过程、 管理产品生命周期, 为制造企业供应链数字化转型发展提供新的可能。
2. 在价值链层面。工业互联网平台多边价值共创在价值链层面上能促进制造企业供应链实现从“推式”向市场“拉式”的转型升级。制造企业围绕工业互联网平台开展供应链多边合作, 能实时反馈市场的个性化需求, 更好地推进供应链逐步向服务型供应链转型(马永开等,2020)。
3. 在产业层面。已有文献主要围绕基建投资与产业结构升级的关系开展研究。传统制造企业的供应链多以劳动密集型投资为主, 投资以工业互联网为代表的“新基建”会有力地推动制造企业供应链向技术(资本)密集型转型, 工业互联网技术及平台的应用能提升制造企业供应链整体效能, 加速资本对劳动的替代(Han等,2021)。要实现对制造企业要素结构、 生产方式、 组织结构以及价值来源的根本性变革, 极大地推动制造企业供应链运作方式和价值创造方式的变革。
三、 供应链数字化转型的核心能力
(一)供应链数字化转型的能力结构
根据上述问题分析, 结合平台理论、 价值理论、 供应链管理理论, 本文认为在工业互联网平台多边价值共创视角下, 为了有效解决制造企业供应链数据质量低、 数据透明度低、 数据驱动协同度低的问题, 数字化供应链需具备三大核心能力, 本文将其定义为供应链的数据处理能力、 数据融合能力以及数据治理能力。
1. 数据处理能力。供应链数据处理能力的核心在于对供应链多源异构数据的处理。这些数据反映了制造企业生产及运营的实时状态, 存在多源和异构的双重特征。虽然制造企业可依托工业互联网平台收集和处理供应链数据, 但只有对数据进行初步加工才能真正赋予其价值, 形成数字化供应链的基础, 帮助制造企业建立对供应链活动内容与进度的认识, 提升供应链的数据质量。
2. 数据融合能力。供应链中数据的透明程度决定了整个供应链的成本, 在缺乏透明的供应链中, 各价值主体很难互通信息, 极易导致供应链延迟而增加库存。制造企业依托工业互联网平台, 提升供应链各环节的数据互联互通能力, 使数据在供应链各决策端点之间充分共享, 能实现在更大范围内的互联互通。
3. 数据治理能力。传统制造企业供应链运营过程中会产生各种数据, 由于缺乏对数据的分析和深度挖掘能力, 数据利用率低, 无法通过有效利用数据来帮助其提升供应链管理水平, 最终导致决策结果不能满足供应链需求。制造企业依托工业互联网平台, 能更充分地挖掘数据的供应链价值, 优化供应链决策方式, 寻找数据、 决策与结果之间的关联性与因果关系, 提升供应链网络化价值创造能力。
上述三种能力在制造企业供应链数字化转型中相互支持、 相互影响, 联系十分紧密。数据处理能力是数据融合能力的基础, 数据处理的目的是提升供应链数据质量, 为数据融合提供有价值的数据, 数据融合又对数据处理及共享提出要求, 为后续供应链数据治理及价值创造提供基础。这三种能力共同作用, 推动供应链数字化转型, 其能力结构模型如图2所示。
(二)能力结构与制造企业供应链数字化转型之间的关系
1. 数据处理能力与制造企业供应链数字化转型的关系。本文中的供应链数据处理能力是指制造企业基于工业互联网平台对供应链多源异构数据进行采集、 清洗、 傳输、 加工等的能力。供应链数据分布广泛, 内容丰富, 现已成为供应链的重要资产。工业互联网在制造企业的广泛运用, 有助于制造企业监控机器状态, 识别并防止破坏性的机器故障, 有助于制造企业实时定位仓储和库存状态, 提高库存可用性。制造企业可以重新考虑供应链后台补货、 库存水平、 安全库存水平等重要管理决策, 在节省人工成本的同时能降低库存水平(张卫等,2022)。制造企业应用工业互联网还能对供应商、 客户行为及需求进行分析预测, 平衡供需关系, 提高供应链对市场的响应能力。
依托工业互联网平台, 制造企业大大拓宽了供应链数据的采集渠道, 大幅提升了数据处理能力, 同时也推动了供应链各主体间数字化关系的建立, 为后续供应链数字化管理决策奠定了良好的基础。
获取并处理供应链多源异构数据是数字化转型的首要工作。基于工业互联网平台的数字化供应链, 需要对供应链各环节数据进行采集和清洗, 数据经加工和传输才能被用于后续的决策支持。因此, 提升制造企业对供应链多源异构数据的处理能力, 能更加全面地获取与处理供应链数据, 最大限度地减少供应链变化性产生的影响, 避免供应链中断的风险(孙兰兰等,2022), 推动数字化转型。
2. 数据融合能力与制造企业供应链数字化转型的关系。本文将数据融合能力定义为数据在供应链各环节端到端的互联互通能力。提升制造企业供应链数据融合能力, 实现数据在供应链端到端的透明, 这是制造企业供应链数字化转型必须解决的核心问题。实践中, 由于供应链各主体存在不同的利益诉求, 常常通过授权来控制供应链数据的使用范围, 对超出范围的供应链主体不具有透明性, 供应链各环节或合作伙伴无法获知相关数据, 或者获取的数据缺乏即时性, 无法实现供应链数据端到端的透明。
工业互联网平台能在很大程度上提升供应链的数据融合能力, 不仅可以使制造企业和供应链各价值主体进行被动的数据交换, 还可以积极进行供应链合作, 解决供应链数据共享障碍和信息孤岛难题。当供应链各主体有意识地扩大数据融合范围, 数据在供应链上实现端到端的透明时, 就能大大提升数据的及时性和准确性, 从而提升供应链运营绩效。比如制造企业在供应链更大范围内共享库存数据能降低牛鞭效应的冲击, 改善企业供应链绩效(孙兰兰等,2022)。依托工业互联网平台, 制造企业与供应商、 客户实现数据融合, 能大幅提升制造企业的订单交付能力, 促进数据在供应链各环节的共享和互通。
3. 数据治理能力与制造企业供应链数字化转型的关系。工业互联浪潮下, 无论是制造企业还是供应链上下游企业, 都必须面对快速变化的市场, 如果能通过供应链数据协同来推动制造企业及供应链上下游企业协同体系的构建, 使制造企业生产体系与供应链融为一体, 不仅能直接提升供应链的运行成效, 还能最大限度地实现供应链整体价值最大化。
本文将供应链数据治理能力定义为: 依托工业互联网平台制造企业对供应链数据资产进行管理和控制的能力。数据治理涵盖了对供应链数据的获取、 使用和监管, 通过制定和实施针对供应链数据的一系列管理流程和政策, 实现对供应链数据的分析和深度挖掘, 从而驱动供应链价值主体间的协同。
当前, 供应链各价值主体间的关系已经由早期的单边合作关系发展到双边及多边合作关系。多边合作关系涉及供应链主体间更广泛的协作, 致使组织的边界难以分清, 供应链主体间协作趋势愈来愈强(戴建平和骆温平,2018)。对于供应链网络化价值创造的研究与实践也从作业层面提升到战略层面, 从组织内部拓展到整个供应链层面。在供应链数字化转型过程中, 数据治理能力是影响供应链协同度的重要因素, 提升制造企业供应链数据治理能力, 能使其在复杂的供应链中找到更好的解决方案, 实现生产制造过程与供应链的最佳匹配。
四、 供应链数字化转型的机理及路径
(一)工业互联网平台赋能制造企业数字化转型的机理
工业互联网的核心构成有网络体系、 平台体系以及安全体系(眭碧霞等,2021), 如图3所示。其中: 网络体系负责连接工业设备、 设施、 服务等资源, 促进资源要素的互联互通。体系向下连接物理设备, 向上连接具体的应用, 通过汇聚海量工业数据来支撑工业建模。整个平台体系由SaaS层(软件即服务)、 PaaS层(平台即服务)、 IaaS层(基础设施即服务)和边缘层四大层级构成, 不同模块的配置与性能决定了平台的功能特点与优势。平台体系在工业互联网中承担了重要的中枢作用, 是工业互联网的核心价值体现, 工业互联网平台能有效驱动制造企业全要素以及供应链、 价值链的深度互联, 促进制造企业资源优化, 能将制造和服务更好地融合在一起。
制造企业供应链的数据处理能力、 数据融合能力及数据治理能力在供应链数字化转型中发挥着不同的作用。其中: 数据处理能力主要作用于工业互联网平台架构中的边缘层和IaaS层, 负责解决物理世界供应链的映射问题, 为数据融合奠定良好的基础; 数据融合能力主要作用于工业互联网平台架构中的PaaS层, 对供应链数据进行进一步加工, 着重解决供应链数据的共享问题, 提升数据价值, 支持供应链各主体进行互访问、 互操作, 实现供应链数据端到端可视; 数据治理能力则作用于工业互联网平台架构中的SaaS层, 主要对供应链数据做进一步的分析与挖掘以支持供应链决策。
这三种能力在供应链数字化转型中的地位是逐层递进的, 需要分阶段进行。制造企业需要颗粒度更细、 质量更高的数据, 为进一步实现数据融合和更高效率的数据治理提供支撑。在具备了最初的数据处理能力和数据融合能力之后, 融合的数据将再次被用于数据治理, 为供应链决策提供支持, 实现网络化价值创造, 如图4所示。
(二)供应链数字化转型的实现路径
制造企业供应链数字化转型指的是制造企业利用新一代数字技术, 将供应链中的某个环节乃至整个业务流程的物理触点链接起来, 形成有价值的数据资产, 赋能制造企业供应链价值创造的整个过程。数字化转型涵盖了供应链数据的采集、 汇聚、 整理、 传输、 存储、 提纯加工、 数据治理, 需要将供应链多源异构数据转变为可度量的数据并加以处理。工业互联网平台对制造企业供應链数字化转型提供了以下三种可行赋能路径:
1. 构建供应链数字化映射, 提升数据处理能力, 强化供应链数据质量管理。数据是数字经济时代的一种新生产要素, 不同于劳动力、 土地等传统生产要素, 数据具有可复制性与共享性以及可无限供给的优点(王静,2022)。这一优点为制造企业获取和使用数据提供了多种渠道。实现数字化管理必然离不开海量数据的支撑, 供应链中的各类数据触点会实时产生大量数据, 需要汇聚供应链中不同渠道、 不同组织结构和存储格式的数据, 供应链多源异构数据面临着整合打通的难题。工业互联网在制造企业中的应用, 使供应链端数据的采集和分析场景变得越来越多。制造企业需要明确供应链异构数据的来源和内容, 通过工业互联网技术及平台对其进行精确获取。
运用工业互联网平台, 增加供应链核心环节的数据触点, 建立制造企业传统供应链与数字化供应链的映射(图5), 提升供应链中物流、 信息流和资金流的数据质量, 制造企业传统供应链的触点数量与数字化供应链的维度具有直接的关联性, 物理触点越多, 数据维度越丰富, 映射关系的建立越能真正实现通过数据来驱动供应链, 为供应链决策主体提供更高质量的数据以实现精准决策。
制造企业依托工业互联网平台, 在传统供应链基础上, 通过数字孪生等技术手段, 构建传统供应链在数字世界中的“完整分身”(陈武等,2022), 这种映射关系能让物理世界和数字世界实时保持链接, 再通过相应的算法及模型对制造企业供应链资产和流程进行数字化表示, 贯穿供应链的全生命周期, 通过数字化供应链实现对传统供应链的了解、 分析和优化, 能最大限度地预测和优化供应链的流程, 改善供应链绩效。
工业互联网明确了制造企业数字化供应链中的数据范围和内容, 通过建立物理世界与数字世界的映射关系, 极大地提升了供应链数据处理能力。在此基础上, 依托工业互联网平台开展数据质量管理, 不仅能确保供应链数据的准确性、 及时性和完整性, 还能在很大程度上确保数据的合理性、 唯一性和一致性。
2. 提升数据融合能力, 加强数据互联共享, 提升供应链透明度。制造企业传统供应链各主体的数据标准不同, 对数据的定义不一且存在较为独立的存储和维护体系。由于供应链数据融合能力的限制, 存在物理或逻辑上的“数据孤岛”, 对同纬度供应链数据的分析和处理存在较大的障碍。
制造企业依托工业互联网平台, 可以通过数据仓库、 数据湖、 数据中台等形式实现供应链数据融合(图6), 这三种形式的数据融合也存在一定的差异。以数据仓库为载体的融合重点针对供应链结构化数据(Lee等,2022), 为供应链各主体决策提供支持, 如提供高级报表分析服务。以数据湖为载体的融合主要为供应链数据开发者提供服务, 可处理供应链所有类型的数据, 覆盖范围较广。而以数据中台为载体的融合重点为数据前台提供具有业务价值的逻辑概念, 既能处理供应链实时或离线数据, 也能处理供应链结构化或非结构化数据(Park,2020)。
工业互联网平台通过融合应用大数据、 云计算及物联网等技术, 加速数据在供应链各主体间的渗透和融合, 对提升制造企业供应链数据透明度的支撑作用体现在两个层面。一是确保制造企业供应链数据的完备性。工业互联网平台融合了制造企业供应链所有环节数据, 能准确记录从原材料采购到客户销售的数据。二是工业互联网平台能提供更加清晰的供应链数据结构。应用该平台, 供应链各环节的数据记录清楚、 完整、 及时, 可互相匹配对接, 能在业务操作、 管理、 战略等不同层面实现数据的汇总分析, 确保数据能适应供应链各决策主体的需要。三是工业互联网平台实现了有效的数据分级管理, 当底层数据变动时可自动实时更新与之相关联的数据。工业互联网平台通过整合、 提纯供应链数据, 实现数据在供应链端到端的透明, 从而加速供应链数据的资产化进程。
3. 提升数据治理能力, 通过数据驱动供应链协同, 实现供应链网络化价值创造。数据是供应链的核心资源, 制造企业面对海量供應链数据, 需最大限度地利用好、 维护好、 保护好数据, 找寻数据隐藏的规律和价值。运用数据治理, 实现供应链各主体网络化价值共创是供应链数字化转型的最终目标。
如前文图4, 工业互联网平台可理解为一条从边缘层、 IaaS层、 PaaS层到工业应用的链, 平台高度融合了机器人技术、 人工智能技术、 数字化技术、 网络化技术、 产品设计技术以及产品制造技术(郑勇华等,2023)。平台底层边缘侧的边缘计算、 硬件的传感器架设能够采集物理世界的供应链数据, 数据采集之后的清洗加工则由工业互联网平台的PaaS层完成。PaaS层主要通过算法建立分析模型, 获取制造企业价值点的关键数据, 重点控制数据采集和存储中的数据冗余, 提升数据处理效率。PaaS层从数据里面进一步进行知识挖掘, 通过数据治理, 帮助制造企业解决生产运营中的实际问题, 实现自主学习及自主决策。
工业互联网平台本身要解决的问题不仅是数据的采集及可视化, 本质上是要发挥数据背后的价值。制造企业围绕供应链的业务和场景, 对供应链数据进行深度挖掘, 通过数据驱动供应链协同, 使供应链数据真正成为制造企业的数据资产, 实现从数据到数据资产的价值转化, 其重要程度不仅不亚于以设备和生产资料为基础的资产, 而且在作用和意义上更具有战略性。
工业互联时代, 单纯的设备或技术应用已经很难成为衡量制造企业核心竞争力的标准, 制造企业既要从现有的供应链运营中挖掘潜力, 更重要的是要提升供应链数据治理能力, 通过数据驱动供应链协同, 站在供应链数据分析和整合的更高层面实现供应链网络化价值创造。
五、 结语
长期以来, 制造企业高质量发展一直面临着知识及技术的短板, 创新是赋能制造企业提质增速的必由之路。本文的研究表明, 制造企业供应链数字化转型面临供应链数据质量低、 数据透明度低以及数据驱动协同度低三大现实问题, 以工业互联网为代表的“新基建”是传统基础设施与数字技术的深度融合, 为促进制造企业产业升级注入了新的发展活力。
本文立足工业互联网平台多边价值共创视角, 结合平台理论、 价值理论、 供应链管理理论, 提出了支持制造企业供应链数字化转型的三种关键核心能力, 即数据处理能力、 数据融合能力和数据治理能力。围绕平台主体间价值共创, 论证了三种能力之间的内在联系, 深入剖析了制造企业供应链数字化转型的机理, 提出了数字化转型的具体路径: 一是构建供应链数字化映射, 增强处理供应链多源异构数据的能力, 强化供应链数据质量管理, 解决供应链数据质量低的问题; 二是加快数据融合, 为数字化供应链提供数据互联共享, 提升供应链数据透明度; 三是提升数据治理能力, 供应链数字化转型的关键是提升供应链数据治理能力, 通过数据驱动供应链协同, 实现供应链网络化价值创造。
本文从理论层面阐明了围绕工业互联网平台的多边价值共创对制造企业供应链数字化转型的影响机理, 讨论了制造企业供应链数字化转型的关键要素及其相互作用的系统结构。工业互联网平台主要通过质量、 效率以及产业结构变革等路径对制造业发展实现乘数式赋能, 推动制造企业供应链数字化转型发展(Dai,2023)。事实上, 工业互联网平台技术溢出效应会推动制造企业供应链效率变革, 通过正向反馈机制提升供应链创新效率, 对深入探索工业互联网如何赋能制造企业“智改数转”具有理论启示与方法论意义。
由于制造企业是工业互联网的应用主体, 提升制造企业供应链数字化水平需要大力推进工业互联网与制造业的深度融合。大型制造企业拥有更多的技术(知识)积累,供应链数字化起步较早, 具备应用工业互联网的巨大优势, 因此可优先在大型制造企业中应用工业互联网, 如发挥徐工汉云、 航天云网等国有龙头制造企业的优势, 集中力量打造一流国家级工业互联网平台, 通过技术(知识)溢出效应, 加速制造企业供应链数字化进程。对于中小制造企业而言, 政府要通过多渠道宣传工业互联网的优势, 加快建立健全工业互联网平台的相关政策及法规, 加大工业互联网平台对中小制造企业“智改数转”的支撑力度,对率先实现“上云”“上平台”的中小制造企业加大奖励和支持, 增强中小制造企业使用工业互联网平台的意愿。
实践上, 有别于现有文献和行业报告对新兴技术的过度关注, 本文围绕工业互联网平台生态体系, 聚焦平台多主体价值共创视角开展研究, 提出的观点对于政府而言, 整合工业互联网平台生态关键要素是核心, 需营造开放合作的平台环境, 壮大工业互联网平台生态体量, 降低平台价值共创过程中的内部协同成本。基于上述研究视角, 本文将制造企业供应链的数字化转型视为管理问题, 从转型的现实问题入手, 从微观企业层面建构能力结构模型, 研究制造企业供应链数字化转型方法及管理体系, 对于制造企业供应链数字化转型实践亦具有指导作用, 有利于供应链数字化转型效率的提升, 为制造企业构建供应链数字化转型管理体系提供新思路。
【 主 要 参 考 文 献 】
陈武,陈建安,李燕萍.工业互联网平台:内涵、演化与赋能[ J].经济管理,2022(5):189 ~ 208.
戴建平,骆温平.供应链多边合作价值创造实证研究——基于物流企业与供应链成员多边合作的视角[ J].当代经济管理,2018(5):15 ~ 25.
工业互联网产业联盟.工业互联网平台赋能产业链供应链白皮书[EB/OL].http://www.aii-alliance.org/index/c320/n2703.html,2021a-12-16.
工业互联网产业联盟.基于工业互联网的供应链创新与应用白皮书[EB/OL].http://www.aii-alliance.org/index/c145/n2702.html,2021b-12-16.
國家发展改革委,中央网信办.关于推进“上云用数赋智”行动培育新经济发展实施方案通知.发改高技〔2022〕552号,2020-04-07.
李勇建,陈婷.区块链赋能供应链:挑战、实施路径与展望[ J].南开管理评论,2021(5):192 ~ 201+212+202 ~ 203.
马永开,李仕明,潘景铭.工业互联网之价值共创模式[ J].管理世界,2020(8):211 ~ 222.
眭碧霞,周海飞,胡春芬.工业互联网导论[M].北京:高等教育出版社,2021.
孙兰兰,钟琴,祝兵,张龑.数字化转型如何影响供需长鞭效应?——基于企业与供应链网络双重视角[ J].证券市场导报,2022(10):26 ~ 37.
唐国锋,冯子钰,李丹,艾兴政.工业互联网综述与展望:基于文献计量分析[J/OL].计算机集成制造系统:1 ~ 21[2023-02-13].https://kns.cnki.net/kcms/detail/11.5946.TP.20211114.1616.002.html.
汪传雷,胡春辉,章瑜,吴海辉,陈欣.供应链控制塔赋能企业数字化转型[ J].情报理论与实践,2019(9):28 ~ 34.
王静.我国制造业全球供应链重构和数字化转型的路径研究[ J].中国软科学,2022(4):23 ~ 34.
王柯懿,王佳音,盛坤.工业互联网平台赋能制造业数字化转型能力评价体系研究[ J].制造业自动化,2021(12):157 ~ 162.
王露宁,朱海洋.大型供应链企业数字化转型规划与实施路径[ J].中国流通经济,2022(4):79 ~ 88.
王水莲,于程灏,张佳悦.工业互联网平台价值创造过程研究[ J].中国科技论坛,2022(4):78 ~ 88.
杨增茂,王长峰,杨洪军.数据共享中的风险控制与治理体系完善[ J].领导科学,2023(1):106 ~ 109.
张卫,石涌江,唐任仲,顾新建,田景红.基于工业互联网的制造与服务融合技术[ J].中国科学:技术科学,2022(1):104 ~ 122.
周茂森,张庆宇.双向部分透明供应链的大数据投资决策与激励[ J].中国管理科学,2020(11):130 ~ 144.
Cheng Ying,Xie Yifan,Wang Dongxu,et al.. Manufacturing services sche-duling with supply demand dual dynamic uncertainties toward industrial Internet platforms[ J]. IEEE Transactions on Industrial Informatics,2020(5):2997 ~ 3010.
Han Liang,Juan Xia,Qian Lv,et al.. Research on the path of industrial Internet assisting manufacturing transformation and upgrading under the background of "new infrastructure"[ J].Advances in Social Sciences,2021(4):1088 ~ 1095.
Jianping Dai. Mechanism and path of integrated development of industrial internet and manufacturing from the perspective of endogenous growth theory[A]. The 2023 14th International Conference on E-Education, E-Business, E-Ma-nagement and E-Learning[C].New York:The Association for Computing Machinery(ACM),2023.
Lee I., Mangalaraj G.. Big data analytics in supply chain management: A systematic literature review and research directions[ J].Big Data and Cognitive Computing,2022(1):17.
Liu Yongkui, Wang Lihui, Xu Xun,et al.. Industrial internet for manufacturing[ J].Robotics and Computer-Integrated Manufacturing,2021(102135):1 ~ 2.
Montecchi M., Plangger K., West D. C.. Supply chain transparency: A bibliometric review and research agenda[ J].International Journal of Production Economics,2021(108152):1 ~ 14.
Park K. O.. A study on sustainable usage intention of blockchain in the big data era: Logistics and supply chain management companies[ J].Sustainability,2020(24):10670.