制造业企业数字化转型的影响因素

【摘要】数字化转型的影响因素及路径演变是数字化转型研究的关键问题之一，可以进一步回答数字化从投入到产出期间相关动力因素的作用方式和传导机制。文章基于2381家企业样本，以企业规模为控制变量，实证研究数据资源、数据分析、组织学习等不同因素对于制造业企业数字化转型绩效的边际贡献，旨在揭开企业数字化转型的“黑箱”，探讨不同动力因素对于制造业企业数字化转型的影响。研究发现，学习能力、数据质量、人力资本、数据增量、技术能力等因素的边际贡献依次减弱。

【关键词】数字化转型；影响因素；学习能力；数据质量；人力资本

【作者简介】陆洋，博士，兴业国信资产管理有限公司高级工程师，研究方向：数字经济和数字化转型。

中图分类号：F406.2；F425文献标识码：A

引言

推动我国制造业数字化转型是关系到抢占第四次工业革命历史机遇、推动经济高质量发展、赢得全球竞争新优势的重大历史任务，具有重要的现实意义。制造业数字化转型可以划分为两个阶段，即流程驱动的信息化阶段和数据驱动的智能化阶段。流程驱动与数据驱动的数字化过程既有区别，又有联系。从区别看，二者在技术基础、业务变革和生态合作等方面均有显著不同。例如：更多的企业从IT硬件和软件投资转向购买ICT服务或开源软件，引发传统数字化转型政策措施重塑的讨论[1]；在流程驱动的信息化时代，企业通过建模提高信息处理效率，而在当前的数字化转型中，企业不但要维持现有的业务流程模型，还要为数字产品打造此类模型的新变体[2]；企业组织转型不仅需要获得新技术知识，而且需要从合作伙伴那里吸收获得新技术知识的能力，在从信息化到数字化的转型过程中，企业组织从战略合作伙伴那里获得新技术知识的动机也在发生显著变化[3]。从联系看，信息化是数字化的基础和前提，如果企业缺乏自上而下建立的信息化能力以及与实践相匹配的管理制度和人才储备，那么在数据时代就很难实施数字化转型，无法充分获取和利用有价值的数据资源，因此，传统的信息化建设为数字化转型奠定了基础。

当前，制造业数字化转型正步入以数据为生产要素的新阶段，数据驱动型数字化转型对企业竞争优势的影响逐渐受到各方关注。相关研究大致分为三种类型。一是作用机理和路径类研究。许多学者从不同视角探讨了数据成为生产要素提升企业绩效的实现机制，而关于数据驱动企业数字化转型的讨论相对较少。焦豪等（2021）[4]深入分析了企业如何利用数据驱动效应推动数字化转型，但研究局限于自带数字基因的数字平台企业，未涉及广泛的市场主体——非平台类企业。二是经济价值和绩效类研究。数字化转型长期被认为是企业组织实现更高水平绩效的必要战略[5]，许多研究验证了数据驱动对于提升企业绩效的积极影响。如McAfee（2012）[6]通过实证研究发现，在一个行业中使用数据驱动决策（Data-Driven De？ cision）模式占比前三名的企业，其平均生产效率和利润率分别比竞争对手高5%和6%左右。三是影响因素和进程类研究。国内外此类研究相对较多，但大部分是从技术采纳的视角研究企业数字化转型的影响因素，较少将数据驱动能力纳入评估体系[7-9]。近年来，Brynjolfsson进行了一些创新性研究[10-11]，根据他与合作者于2016年发表在顶级经济学期刊《American Economic Review》上的文章显示，企业的业务范围、产出规模、基础设施、人才储备、变革意愿等因素共同决定了数据驱动决策模式在制造业企业中的采用程度[10]。总体上，企业的业务范围、产出规模、变革意愿、IT基础、数字化人才等因素对数字化转型进程的边际贡献依次减弱。

此外，多项研究表明，数字化转型是一个高度复杂的过程，企业面临较高的不确定性和失败风险。据全球知名管理咨询公司麦肯锡（McKin？ sey Company）研究部门发布的报告，数字化转型的失败率常年在70%～90%之间波动，即有2/3以上的数字化转型不成功。其中一个非常重要的原因是，数据驱动企业数字化转型的路径尚不清晰，相关因素影响程度未能充分揭示，缺乏定量阐释“数据驱动数字化转型影响企业竞争优势”的扎实证据。1987年，诺贝尔奖获得者索洛研究发现，企业对信息技术进行了大量投资，但在产出端却很难看到信息技术对产出和全要素生产率的改善。这一颠覆性发现引发了“信息技术能否创造价值以及如何创造价值”的热烈探讨，结论大致分为三类。一是信息技术绩效改善具有“滞后效应”，即只有当信息技术在企业中的渗透和应用超过一定的临界水平才可能带来可见的绩效改善[12]；二是互补资产理论，即实现信息技术改善经济绩效需要一系列互补性资产或能力[13]；三是吸收能力理论，即企业的吸收能力是决定技术溢出效应大小的主要因素[14]。随着数据成为一种关键性的战略资源和生产资料，充分利用数据驱动决策模式的管理者，能够基于数据获取知识而非凭靠商业直觉来做出决策，从而提高了决策的科学性与准确性。

一、研究设计

（一）模型设计与变量选择

当前企业数字化转型表现为数据驱动特征，本质是数据驱动的智能决策过程，即企业利用各类数字技术获取数据，再对数据进行智能分析，进而优化决策，实现企业资源配置效率改善的过程。总体看，数据驱动型数字化转型对企业绩效的影响受数据资源、数据分析能力、学习能力、企业组织特点等多重因素影响。

数据资源的数量和质量都会影响企业绩效。一方面，随着数据要素的积累，企业产品的质量和价值也会快速提高[15]，越来越多的企业正在通过积累数据资源加速数字化转型[16]；另一方面，数据质量的差异同样影响数字化转型效果，大量的、质量参差不齐的数据资源会阻碍数据化运营管理的效率。Bajari等（2019）[17]通过对亚马逊产品销售量预测系统的实证分析，发现产品在市场上因销售时段增加所产生的额外数据能够提升预测表现，而同一种类产品因数量增长所产生的额外数据不能改进预测表现，说明不同类型的数据对于数字化转型决策存在异质性。因此，本文提出假设1。

H1：数据资源对企业数字化转型绩效有正向影响。

企业通过数据分析可以得到更广泛、更深入和更准确的观察结果，进而提升决策质量。数据分析能力能够促进企业绩效提升，其机制是通过提高企业技术能力和营销能力间接提高企业绩效。Brynjolfsson等（2016）[10]认为，拥有强大的IT资产使企业更有可能实施数字化转型，并从“数据驱动”的过程中获益。Yasmin等（2020）[18]研究发现，数据分析能力之间具有相互依赖性，其中以技术设施能力最为重要，其次是管理能力和人力资源能力。值得注意的是，数据创造价值的过程离不开人才支撑和智力支持，所以人力资本也是影响企业数字化转型的重要因素[19]。数据分析需要依靠数字化人才，数据分析能力越来越受到企业人力资源部门的重视，培养数字化人才成为企业能否实现数字化转型的关键。因此，本文提出假设2。

H2：数据分析能力对企业数字化转型绩效有正向影响。

学习能力是激活数据要素价值十分重要的企业资产。数据创造价值需要企业组织的关键结构与能力进行适应、调整与更新，避免企业组织原有流程和业务模式形成惯性，阻碍数据分析对数字化转型效果的影响[20]。学习能力帮助企业通过多渠道、多维度的数据反馈，形成快速迭代、持续调整的企业策略。企业依据数据分析结果可以更好地进行组织内部调整改进，同时从外部获取知识并内化为企业资产，二者共同提升企业数字化转型的竞争力。从内部试错改进的角度看，学习能力强的企业能够利用组织内部知识，通过快速实验迭代、成员间知识共享等方式实现新知识创造以及组织能力上的精炼、转换、扩展和更新，最终夯实数字化转型基础。事实上，有效的数据分析要求企业组织不断自我调整和改进，许多企业没有充分认识和实施，最终导致数字化转型失败。因此，本文提出假设3。

H3：学习能力对企业数字化转型绩效有正向影响。

大型企业作为全球数字化转型的领军者，聚焦数字化集成，探索智能化突破，在前沿领域进行着全局化探索。一些处在最前沿、能力强的大企业开始通过自建平台、组建联盟等方式向数字化转型，将覆盖全链条、全行业的综合数字化解决方案对外公开，赋能其他企业转型。近年来，中小企业也逐渐认识到数字化转型的重要性，从而加快转型步伐，但中小企业数字化基础相对薄弱，资金、人才、经验等资源普遍缺乏，目前主要以初级的信息化补课为主，实现深度数字化的企业还比较少。Brynjolfsson等（2016）[10]研究证实，大企业更容易实现数字化转型。一方面，企业规模与数据资源汇聚水平相关，规模更大的企业能够汇聚高质量的数据资源，为数据提供决策分析奠定良好基础；另一方面，大企业能够为数据分析配置更高效的资源，从而影响企业数据利用效率。数据要素价值化是一场创新速度和效率的竞争与变革，企业组织达到一定规模后，往往更重视数据分析支持的决策，数据分析获取的知识传播、转化和利用更加高效。因此，本文提出假设4。

H4：企业规模对企业数字化转型进程有正向影响。

综上所述，数据驱动型数字化转型影响企业绩效的路径如图1所示。数据资源既能直接作用于企业绩效，也能通过数据分析能力的中介效应间接对企业绩效产生积极影响。其中，数据分析能力在数字化转型过程中发挥了重要的桥梁作用。一方面，它是企业基于数据资源挖掘知识价值并最终获得绩效改善的关键枢纽，体现出企业将原始数据转化为有价值的数据资产的能力；另一方面，通过数据分析获取的信息和知识可以直接对企业绩效产生贡献，但有时也需要通过学习能力的中介效应才能发挥对企业绩效的正向促进作用，原因在于企业获取的信息和知识必须在组织内经过分享、试错、吸收、调整等一系列行为，才能内化为企业资产并有效指导生产和经营，最终提升企业绩效。

考虑到企业规模（scale）的外在影响，本文将其作为控制变量，选取数据资源、数据分析、组织学习等作为企业数字化转型绩效的影响因素。其中，数据资源用增量和质量两个维度衡量，数据分析能力从技术和人才两个方面评定，组织学习考虑企业利用数据获取知识的学习能力。解释变量包括：数据增量（data_flow）表示企业可用数据增量，反映企业对数据资源的积累能力；数据质量（data_qua）表示企业数据资源的可用性，一般从规模、种类、速度等维度衡量；技术能力（tech）表示企业开展数据智能分析的技术实力，如新型数据库、云计算、开源软件、并行计算等；人力资本（hc）表示企业开展数字化转型的人才能力，以数字化相关部门的主管作用最为重要；学习能力（study）表示企业进行数据知识积累与共享的能力，可以从数据跨部门流通、数据改善研发生产管理等方面考虑。

被解释变量为企业绩效（performance），它是一个多维度的概念，往往根据所研究的问题用不同的指标衡量。从财务视角看，一般采用销售收入增长率、销售利润率、资产回报率、资产收益率、资金周转率等指标衡量；从非财务视角看，一般采用企业市场份额、顾客满意度、企业市场地位等指标衡量。为研究数字化转型对企业绩效的贡献，本文综合考虑数据的可得性和鲁棒性，分别从数字化盈利能力（profit_score）、数字化运营效率（op？ era_ad）和市场规模（market_share）三个方面衡量企业绩效，并采用传统的多元线性计量方法对企业生产函数进行建模，以此研究上述影响因素与企业绩效之间的关系。

式（1）中，Performance是被解释变量，da？ ta_flow、data_qua、tech、hc、study是解释变量，scale是控制变量，β为截距项，u为随机项（遗漏变量），n为有效样本数。预计所有自变量都会对因变量产生正向影响，影响程度需计量回归后观测。

（二）数据来源与变量测量

本研究与湖南、贵州两地政府合作，开展各地市产业数字化水平评估，并在此基础上进行数字化转型研究。贵州地处我国西南内陆腹地，2015年贵州省政府将大数据上升为全省战略，开设全国首个大数据交易所，持续推进大数据和实体经济融合，依托大数据对各行业、各领域、各企业的全流程改造成效显著，数字经济增速连续多年居全国首位；湖南位于我国中部地区，近年来数字经济强势崛起，制造业与互联网融合发展不断深化，数字经济占GDP比重逐年上升，2020年数字经济增速全国排名第四，长沙拥有中部地区唯一的新型数据交易所。由此可见，贵州、湖南在地理位置、产业结构、政策支持、发展潜力等方面具有典型性，因此本文采用此两省规模以上企业的调研统计作为研究的数据基础。

问卷相继征求国家智库研究人员、行业专家和企业高管的意见，不断对相关题目进行完善，形成最终问卷。问卷承诺保证数据隐私安全，涉及选择问题均为不定项，要求企业管理者和专业技术人员共同填写，并附企业公章以保证数据的真实性和有效性。调研过程中向近3000家制造业企业发出问卷，共回收问卷2900份，在剔除缺失率较大的样本后，最终得到2381份有效问卷，有效样本占比82.1%。样本企业的基本特征如表1所示。

本文采用设置选项和分箱处理的方法对变量进行测量。被解释变量企业绩效（performance）的测量主要涉及三个表征变量。一是盈利能力（prof？ it_score），反映企业通过数字化转型获得的销售增长和利润提升，对应问卷题目“企业依托数字化能力实现的销售增长与行业平均水平的比较（高于、低于、约等于）”和“企业利用数字化手段实现的利润提升与行业平均水平的比较（高于、低于、约等于）”，取值1～5。二是运营效率（opera_ad），反映企业通过数字化转型实现的运营能力改善，对应问卷题目“与行业平均水平相比，企业通过数字化改造在运营方面具有哪些优势（响应市场需求更快、产品运营成本更低、顾客满意度更高、以上均不符合）”，取值1～4。三是市场规模（mar？ ket_share），反映企业通过数字化转型实现的产品市场占有率提升，对应问卷题目“企业依托数字化能力开发的产品市场占有率与行业平均水平的比较（高于、低于、约等于）”，取值1～3。

解释变量如前文所述。其中：数据增量（da？ ta_flow）采用企业存储的与生产经营活动相关的日增数据量进行衡量，取值1～8，取值越大表示日增数据量越多；数据质量（data_qua）对应问卷题目“企业可调用的数据具有哪些特征”，取值1～4；技术能力（tech）对应问卷题目“企业具备哪些智能技术能力”，取值1～6；人力资本（hc）对应问卷题目“数字化部门主管具备哪些能力”，取值1-4；学习能力（study）对应问卷题目“企业组织内部通过何种形式进行数据知识积累与共享”，取值1～4。

控制变量企业规模（scale）根据企业2020年营业收入和员工人数，划分为微型企业、小型企业、中型企业、大型企业和超大型企业五个维度，取值1～5。研究中的变量类型、测量题目、取值范围等在表2中详细展示，样本均值、标准差等描述性统计如表3所示。

二、实证检验与结果分析

为了更好地观测影响因素的边际贡献[21]，本文进行了基准模型回归，各解释变量的系数、占比及显著性检验情况如表4所示。

首先，探讨企业绩效与数据资源之间的关系。在以企业规模（scale）为控制变量的条件下，数据增量（data_flow）和数据质量（da？ ta_qua）对企业绩效（performance）均具有正向促进作用，回归结果在0.01的水平上显著。具体看，数据增量与数据质量对经济的贡献程度约为1∶9，反映出数据质量对提升企业绩效的重要作用。

其次，将技术能力（tech）和人力资本（hc）加入回归模型。结果显示，两个解释变量对企业绩效（performance）也具有显著的正向影响。具体来看：数据质量的影响程度依然最高，而数据增量的边际贡献最小；技术能力和人力资本的影响程度相当，均约为19%，反映出技术和人才能够帮助企业有效开发数据资源，对于提升企业绩效十分重要。

最后，将学习能力（study）加入回归模型。多元回归分析结果如表5所示，各项解释变量对企业绩效（performance）均具有正向促进作用。具体来看：学习能力的边际贡献最大，约为46.3%；数据质量次之，边际贡献约为29.6%；随后是人力资本，影响程度约为11.5%；数据增量和技术能力的影响程度较低，分别约为6.4%和6.1%。在统计检验上，除技术能力在0.1的水平上显著外，其余解释变量均在0.01的水平上显著。根据方差膨胀系数（VIF）可以看出，各解释变量的取值均小于10，表明自变量之间不存在多重共线性问题。

实证研究表明，企业基于数据的学习能力对于企业经济绩效的贡献最大。数据要素价值释放是企业从外部获取知识、调整自身行为、内化组织资产的过程，其核心和本质是企业通过对数据的感知、学习、吸收和转化获得竞争优势。从内部试错改进的角度来理解，学习能力强的企业可以利用现有的组织内部知识，通过快速实验迭代、成员间知识共享等方式实现新知识创造，并最终实现企业组织能力的精炼、转换、扩展和更新。

数据质量也是决定企业数据应用效果的核心因素，而数据增量并非主要因素，这与我国制造业数字化转型的发展阶段密切相关。在信息化阶段，企业“重应用系统建设、轻数据加工分析”的现象非常普遍，企业建设了较多的软件系统，但由于供应商多样、部门间诉求不同等，各个系统的数据格式存在差异且互不兼容，数据共享困难，形成“数据孤岛”。然而，较高的数据质量能够极大地减少数据清洗、标注、流通等环节的成本，增强企业组织调用和分析数据的能力，对企业绩效的边际影响也更为明显。

人力资本的边际贡献还十分有限。目前，我国工业化和数字化交叉领域的复合型人才十分紧缺，掌握行业知识的人才往往不懂数字化技术，而IT人才又往往不懂制造业的专业技术。从管理水平看：许多企业领导不清楚数字化和信息化的区别，对数字化的认识还停留在信息化阶段；数字化部门主管层级较低，往往不在企业战略的核心决策层，协调相关方合作十分困难，应用数据分析结果指导生产还很有限。因此，尽管人力资本可以显著促进企业数字化转型，但在本文中的边际影响程度较低。

技术能力对企业经济绩效的贡献较小，这可能是由于智能技术的成熟度不高、渗透率不足。近年来，以新型数据库、开源软件、云原生等为代表的新一代ICT技术逐渐兴起，为数据应用和企业转型注入了新动能，但只有一些资金充裕的技术型企业勇于尝试，大多数传统行业企业望而却步，未能让全行业数字化转型绩效实现显著提升。从技术采纳的视角看，新技术的渗透率只有超过一定的临界值，才会在统计层面展示出对经济绩效的明显改善，即新技术的经济价值存在滞后期。在一个完整的数字化转型周期中，新技术产生的经济效应可能会呈现为“J”型曲线，不可能在短期内出现经济产出的增长，甚至可能会有轻微的下调，但后续会出现较高水平的增长。

三、结语

（一）研究结论

数字化转型影响因素及路径研究是动力研究的重要方向。本文重点以数据驱动型数字化转型为研究对象，基于2381家企业样本，实证研究制造业企业数字化转型影响因素的边际贡献。研究首次提供了系统性证据，表明在众多影响因素中与数据相关的管理实践能够更好地促进转型绩效，在一定程度上揭示出数字化从投入到产出期间的动力因素和影响路径。

第一，制造业企业数字化转型正迎来以数据为重要资源的发展机遇期。近年来工业互联网平台的发展，推动了产品设计、生产工艺、设备运行、运营管理等海量数据的全面采集。数据是宝贵的资源，蕴含着规律和逻辑，企业应对数据资源进行挖掘整理、去粗取精、去伪存真、深入分析和科学应用，将数据资源转化成企业发展的财富。

第二，本文丰富了数据驱动企业数字化转型的理论和实证研究。系统性证据表明，决策者通过分析和使用数据可以显著改善经济绩效。数据驱动企业数字化转型加速发展，在产品研发、经营管理、商业模式等环节日渐成为核心生产要素和价值创造来源。其经济学机理是：数据要素的开发利用带来信息的高效流通，在很大程度上解决了信息不对称的问题，并创造出大量基于数据的新型业务模式和产业环节，从而促进产业价值的转移、创造和重构。

第三，本文扩展了互补资产在数据驱动型数字化转型情景下的适用性。数字化转型是一项复杂的系统工程，涉及技术和产业、供给和需求、理论和实践、生产力与生产关系等多重关系。本文结合互补性能力理论，实证分析了不同因素对于数字化转型绩效的边际影响，为提出更有针对性的数字化转型发展策略提供理论支撑。总体上，学习能力、数据质量、人力资本、数据增量、技术能力等因素对于数字化转型绩效的边际贡献依次减弱。

第四，本文揭示了学习能力、数据质量在数字化转型过程中的关键作用。数据驱动型数字化转型具有敏捷创新、泛在互联、全局协同、智能决策的时代特征，企业处于高度动态的环境中，需要应用数据分析及时快速响应变化。在此过程中，企业组织的学习能力成为重要的无形资产，能够帮助企业时刻感知和识别新信息和新知识，在组织内部建立共识，及时抓住机遇，并最终获取商业价值。高质量的数据资源能够节约数据互联互通的成本，提升数据要素规模报酬水平，因而成为数字化服务与创新的重要基础。

第五，从企业侧看，制造业数字化转型存在转型动力不足、转型基础薄弱、公共平台欠缺等问题，企业不会转、不能转、不敢转的问题尚未得到有效解决。

（二）研究启示与展望

首先，充分认识数据要素价值化对企业数字化转型的促进作用。数据资源只有经过分析和应用，从数据生产端转移至应用端，并在生产经营中产生效应，才能真正释放数据作为生产要素的市场价值。当前，我国企业对数据资源的利用大多停留在表面，数据应用尚不深入，应用领域相对较窄，数据与场景融合不深，致使海量数据资源无法盘活，数据潜力未能得到充分释放[22]。基于本文研究，建议引导广大市场主体深化数字化转型，开展基于数据的研发设计、生产制造、产品运维、经营管理的业务全流程综合应用，提升企业产研供销数据的应用水平。同时应注意，数据在企业组织中的融合应用会受到学习能力的显著影响，企业应建立各部门沟通协调、解决争议的组织纽带，最大程度地挖掘数据价值化所依赖的互补资源。

其次，技术手段将成为解决当前数据应用困境的重要突破口。企业数据来源众多、体量庞大、结构各异、关系复杂，从中挖掘高价值、关联性强的高质量数据，需要高效的信息技术支撑和可靠的基础设施保障。本文研究发现，当前数据智能分析能力成熟度不高，在企业数字化转型中渗透不够，导致经济绩效未能充分体现。基于此，应进一步发挥大数据技术在数据挖掘方面的效用，提升大数据技术在不同场景、不同行业的适配能力，不断提升数据分析技术的智能化水平，在保障数据合规、保护数据安全的前提下促进数据价值释放，同时控制整体成本，提升技术应用效率。

最后，人才培养有助于形成数据驱动数字化转型的核心力量。目前，数字化人才供需矛盾日渐凸显，企业利用数据建模分析解决实际问题的能力不足。从短期看，应支持各类数字经济领域劳动力市场、人才市场建设，优化人岗智能匹配等个性化就业服务，提高数据人才供给与需求对接效率；从中长期看，应持续完善数字化人才培养体系，扩大数据分析相关职业培训与继续教育规模，加强职业院校数字技能类人才培养，推进专业升级和数字化改造，优化完善课程设置，建设高水平数字技能职业教育师资队伍。

本文研究还存在以下局限性：第一，本文对企业数字化转型影响因素的理解仍不完整，许多潜在的重要因素，如公司文化、竞争压力等未能在实验中进行深入探讨[23]；第二，行业属性可能会影响数据分析应用的效果，特别是制造业与零售服务业数字化转型机理差异较大，本文未对不同行业数据驱动决策与企业绩效之间关系进行对比；第三，数字化转型投入与产出之间的“黑箱”仍未充分揭示，下一步将在理论层面探讨数据资源驱动企业转型的路径过程，剖析数据资源驱动绩效提升的实现机制，进一步解释数据驱动企业数字化转型的决策方法和经济效应。

参考文献

[1]DESTEFANO T，DEBACKER K，MOUSSIEGT L. Determinants of digital technology use by companies[R]. OECD science， technology and innovation policy papers，2017.

[2]BAIYERE A，SALMELA H，TAPANAINEN T. Digital transformation and the new logics of business process management[J]. European Journal of Information Systems，2020，29（3）：238-259.

[3]SIACHOU E，VRONTIS D，TRICHINA E. Can traditional organizations be digitally transformed by themselves？ The moderating role of absorptive capacity and strategic interdependence[J]. Journal of Business Research，2021（1）：408-421.

[4]焦豪，杨季枫，王培暖，等.数据驱动的企业动态能力作用机制研究：基于数据全生命周期管理的数字化转型过程分析[J].中国工业经济，2021（11）：174-192.

[5]HENDERSON J C，VENKATRAMAN H. Strategic alignment： Leveraging information technology for transforming organizations[J]. IBM systems journal，1999，38（2/3）：472-484.

[6]MCAFEE A，BRYNJOLFSSON E，DAVENPORT T H，et al. Big data： the management revolution[J]. Harvard business review，2012，90（10）：60-68.

[7]陆洋，王超贤.数字化转型量化评估研究的比较分析与最新进展[J].科技进步与对策，2021，38（9）：152-160.

[8]OLIVEIRA T，MARTINS M F. Literature review of information technology adoption models at firm level[J]. Electronic Journal of Information Systems Evaluation，2011，14（1）：110.

[9]孟凡生，赵刚.传统制造向智能制造发展影响因素研究[J].科技进步与对策，2018，35（1）：66-72.

[10]BRYNJOLFSSON E，MCELHERAN K. The rapid adoption of data-driven decision-making[J]. American Economic Review，2016，106（5）：133-139.

[11]BRYNJOLFSSON E，MCAFEE A. The second machine age： Work， progress， and prosperity in a time of brilliant technologies[M]. New York：WW Norton Company，2014.

[12]DAVID P A. The dynamo and the computer： an historical perspective on the modern productivity paradox[J]. The American Economic Review，1990，80（2）：355-361.

[13]ZAHRA S A，SAPIENZA H J，DAVIDSSON P. Entrepreneurship and dynamic capabilities： A review， model and research agenda[J]. Journal of Management studies，2006，43（4）：917-955.

[14]BO？I？K，DIMOVSKI V. Business intelligence and analytics for value creation： The role of absorptive capacity[J]. International journal of information management，2019（6）：93-103.

[15]FARBOODI M，VELDKAMP L. A growth model of the data economy[R]. National Bureau of Economic Research，2021.

[16]SOTO-ACOSTA P. COVID-19 Pandemic： Shifting Digital Transformation to a High-Speed Gear[J]. Information Systems Management，2020，37（4）：260-266.

[17]BAJARI P，CHERNOZHUKOV V，HORTA？SU A，et al. The impact of big data on firm performance： An empirical investigation[J]. The American economic review，2019（mayappa）：33-37.

[18]YASMIN M，TATOGLU E，KILIC H S，et al. Big data analytics capabilities and firm performance： An integrated MCDM approach[J]. Journal of Business Research，2020（6）：1-15.

[19]FABIANI S，SCHIVARDI F，TRENTO S. ICT adoption in Italian manufacturing： firm-level evidence[J]. Industrial and Corporate Change，2005，14（2）：225-249.

[20]BAESENS B，BAPNA R，MARSDEN J R，et al. Transformational issues of big data and analytics in networked business[J]. MIS quarterly，2016，40（4）：807-818.

[21]BRYNJOLFSSON E，HITT L M. Paradox lost？Firm-level evidence on the returns to information systems spending[J]. Management Science，1996，42（4）：541-558.

[22]李伟.做好数据治理推动数字化转型[J].中国金融，2020（1）：43-45.

[23]BLADER S，GARTENBERG C，HENDERSON R，et al. The real effects of relational contracts[J]. American Economic Review，2015，105（5）：452-456.

（责任编辑：从佳琦）

Research on Influencing Factors of Digital Transformation in Manufacturing Enterprises

LU Yang

（Xingye Guoxin Assets Management Co. Ltd.， Beijing 100000， China）

Abstract： The influencing factors and path evolution of digital transformation are one of the key issues in the re？ search topic of digital transformation， which can further answer the mode of action and transmission mechanism of relevant dynamic factors in the process of digital transformation from input to output. Based on the survey data from 2381 enterprises， and taking enterprise size as the control variable， this paper makes an empirical study of the mar？ ginal contribution of different factors such as data resources， data analysis， and organizational learning to the perfor？ mance of digital transformation of manufacturing enterprises， aiming to unveil the black box of enterprise digital transformation and explores the impact of different dynamic factors on the digital transformation of manufacturing en？ terprises. The study finds that the marginal contributions of several factors， including learning ability， data quality， human capital， data increment， and technical ability， decrease in turn.

Key Words： Digital transformation； Influencing factors； Learning ability； Data quality； Human capital