我国制造业数字化转型指数评估

庞瑞瑞 汪明艳

【摘要】依据2012 ～ 2021年我国31个省级行政区的面板数据， 对制造业数字化转型指数进行综合评估， 并对其间制造业数字化转型变化趋势、 行业异质性及省市异质性特征进行分析。结果表明： 我国制造业数字化转型水平十年来不断提升， 且提升速度分成三个阶段， 2012 ～ 2015年数字化转型水平提升最快， 2015 ～ 2017年提升速度次之， 2017 ～ 2021年提升速度有所放缓； 31个省级行政区数字化转型水平差异明显， 东部地区的制造业数字化转型水平明显优于中部地区， 西部地区制造业数字化转型水平相对而言较低； 制造业各细分行业数字化转型水平各不相同， 其中数字化转型指数最高的三个行业分别为仪表仪器制造业， 计算机、 通信和其他电子设备制造业， 家具制造业。

【关键词】制造业；数字化转型；指数评估；数字化情绪；文本分析

【中图分类号】F270      【文献标识码】A      【文章编号】1004-0994（2023）18-0116-8

一、 引言

制造业是国民经济长期稳定发展的动力， 是我国早日实现现代化的基石。我国从2015年开始布局制造业的转型升级， 并明确提出要促进制造业的数字化、 网络化、 智能化。但根据埃森哲在2022年10月发布的《2022中国企业数字化转型指数》可知， 只有17%的企业有明显的数字化转型效果， 大多数制造业企业缺乏数字化转型的基础， 数字化技术的应用力度不足， 企业间的数字化能力差异很大。而数字经济的蓬勃发展和新一代数字技术提质增效的作用发挥， 使数字智能化成为各国制造业发展的转折点。近年来， 美国、 德国、 日本等主要工业国家提出了一系列促进制造业数字化转型的国家战略， 旨在促进传统制造业转型升级， 从而提高自身在国际环境中的竞争力。在此背景下， 我国制造业亟待汲取其他发达国家经验， 进而实施数字化转型升级（Zhang等，2016）。

评估中国制造业企业的数字化转型指数， 对于明确制造企业数字化现状， 促进制造业企业数字化转型， 提升其在全球市场的竞争力具有重要意义。目前对于企业数字化转型指数的评估并未形成统一标准， 且少有学者针对我国制造业进行数字化转型指数的评估。鉴于此， 本文使用熵值法与文本分析法在计算制造企业数字化词频指数与数字化情绪指数的基础上， 综合测算2012 ～ 2021年我国31个省级行政区A股上市制造企业的数字化转型指数。

二、 企业数字化转型指数测度方法综述

企业数字化转型也被学者称为“企业数字化转型成熟度”或“企业数字化转型现状”， 其内涵主要是指通过计算技术、 信息技术、 通信技术、 连接技术的组合触发实体属性的重大变革（Vial，2019）。关于企业数字化转型指数的测量， 学者们暂未形成统一意见。目前衡量数字化转型指数的方法主要有两种： 一种是基于构建数字化转型指标体系的方法， 另一种是基于机器学习的文本分析方法。前者主要从基础设施、 技术应用、 组织流程、 文化和人员等维度衡量数字化转型指数， 后者则是通过构建数字化转型词库， 然后统计企业年报中出现的数字化转型相关特征词频次来计算企业的数字化转型指数。

（一）基于构建数字化转型评价体系评估的方法

目前存在多种指标体系评估企业数字化转型指数。知名咨询公司Forrester于2016年發布了《数字化成熟度模型4.0》报告， 从文化、 组织、 技术、 洞察力等维度对企业数字化转型水平进行了评估。Carolis等（2017）在此基础上提出了新的组织框架， 主要从设计工程、 生产管理、 质量管理、 维护管理等维度测量制造企业的数字化转型水平。曾光伟（2019）从战略管理、 组织文化、 技术应用和业务流程这四个层面衡量了企业数字化转型程度。刘政（2020）依据企业采用信息技术的内容和过程构建了数字化指标， 并将软硬件信息设备投资率、 电子信息和网络支出率、 员工计算机使用率、 互联网产品销售率、 ERP使用率等作为企业数字化指标的衡量要素。万伦等（2020）从价值驱动、 能力驱动和要素驱动三个方面构建了制造业数字化转型指标评估体系。殷群和田玉秀（2021）从数字化转型的基础能力、 核心能力、 保障能力构建了区域数字化转型指标评估体系。范德成和王娅（2022）从业务流程和技术应用两个层面衡量上市汽车制造企业的数字化转型程度。有学者认为绿色发展应被概括到制造企业数字化转型进程， 并从效益提升、 创新驱动和绿色发展三个维度构建了区域制造业数字化转型指数评估体系（王和勇和姜观尚，2022）。

（二）基于机器学习的文本分析法

基于机器学习的文本分析法已成为各行各业评估数字化转型指数的主流方法。杨德明和刘泳文（2018）对企业年报进行文本分析， 测算出单一技术“互联网+”相关关键词在企业年报中的出现频次， 从而判断该企业与互联网的融合程度。戚聿东和蔡呈伟（2020）对我国非高新技术制造业上市公司年报信息进行分词， 并使用Gephi软件根据相关性对关键词进行分类， 最终使用样本企业年报中关键词占当年同行业全部企业同类关键词出现总量的权重作为数字化转型指数度量指标。

吴非等（2021）认为， 企业年报中的数字化转型特征词能够反映企业的战略特征和未来发展趋势， 在一定程度上体现了企业的经营理念与未来发展路径， 因此使用文本分析法通过统计数字化转型特征词在企业年报中的词频来刻画企业数字化转型指数。任碧云和郭猛（2021）使用无形资产明细内容中与数字经济相关部分占无形资产总额的百分比， 同时结合文本分析法对企业数字化水平进行测度。陈庆江（2021）认为， 数字化转型相关特征词在上市公司年度报告等较正式的文件中出现的频次越高， 代表着企业在这一特定方面投入的关注和资源越多， 因此使用文本分析方法， 通过计算企业年报数字化转型特征词的词频来评估企业数字化转型指数。此外， 越来越多的学者倾向于对企业年报进行文本词频分析以测算企业数字化转型水平（黄逵友和霍春辉，2023）。

因此， 本文使用Python软件在巨潮资讯网爬取2012 ～ 2021年A股制造业29个行业上市公司的年报信息， 利用基于机器学习的文本分析方法， 在构建数字化转型词库对企业年报进行词频分析的基础上， 对词库中五大主题使用熵值法进行赋权从而计算企业数字化转型词频指数。随后增加了对企业年报信息的情感分析以计算企业年报所体现的数字化情绪。最终使用数字化词频指数与数字化情绪指数综合测算制造企业数字化转型指数。

三、 制造业数字化转型指数评估流程

（一）数据来源

“数字化转型”最早于2012年由国际商业机器公司（IBM）提出， 因此本文选择2012 ～ 2021年我国A股上市制造企业的数据， 并对数据进行以下处理： 剔除ST、 ?ST企业及已经暂停上市和终止上市的企业； 剔除在2018年及之后才开始上市的企业； 仅保留至少连续三年不存在数据缺失、 数据异常的企业。最后共得到2022家样本企业的数据， 样本企业涵盖了制造业的29个细分行业， 具体如表1所示， 共计16098个“企业—年度”样本数据， 相关年报数据均借助Python软件在巨潮资讯网中爬取得到。

（二）数字化转型词库构建

企业数字化转型作为当前各行各业的重大战略， 与其相关的信息在具有总结性特征的企业年报中势必有所展现， 因此通过企业年报中出现的与企业数字化转型相关的特征词频次来评估该企业数字化转型指数具有科学性和可行性。目前， 学者们提出了不同的数字化转型词库。例如： 潘红波和高金辉（2022）、 张吉昌和龙静（2022）使用了吴非等（2021）构建的数字化转型词库来计算企业数字化转型指数； 安同良和闻锐（2022）构建了以大数据和云计算、 人工智能、 互联网和信息系统、 其他为四大主题的数字化转型词库； 李雷（2022）从数字化底层技术和数字化实践应用层面构建了数字化转型词库。

本文将以上述数字化转型词库为基础， 结合《国家智能制造标准体系建设指南（2021）》《国务院关于印发“十三五”国家战略性新兴产业发展规划的通知》《国务院关于印发“十三五”国家信息化规划的通知》《国务院关于印发“十三五”国家战略性新兴产业发展规划的通知》《“十四五”信息化和工业化深度融合发展规划》等政策文件， 进一步扩充并完善数字化转型词库， 最终形成了图1所示的数字化转型词库。

（三）结合熵值法计算数字化词频指数

本文借鉴赵宸宇等（2021）及其他多位学者的方法（李雪松和党琳，2022；梁琳娜和张国强，2022）， 结合熵值法构建数字化词频指数。具体步骤如下： 使用Python软件在巨潮资讯网爬取2012 ～ 2021年制造企业A股上市企业年报； 通过Python将收集到的年报文件转化为文本格式； 将数字化转型词库中的130个词汇扩充到Python 软件包的“Jieba”中文分词库中； 基于机器学习的方法对企业年报进行文本分析， 统计得到数字化转型词库中130个数字化转型特征词在企业年报中出现的频率； 对人工智能技术、 大数据技术、 云计算技术、 区块链技术、 数字技术应用五大主题分类别进行词频统计。

首先， 分别统计获取所有制造企业年报文本数字化转型词库五大主题词频信息， 共计得到16098条数据。然后以该数据为数据源， 计算数字化转型词库五大主题权重。最后， 根据各主题权重与年报中数字化转型特征词的词频计算数字化词频指数。具体步骤如下：

第一步： 五大主題词频统计。使用Python软件将数字化转型词库中的特征词与爬取的企业年报进行匹配， 统计各词条频次， 进而归类统计各主题频次， 最终得到16098条包含各主题频次的数据。

第二步： 对第一步得到的各主题频次的数据进行标准化处理， Xij'=（Xij-min｛X1j，X2j，…，Xnj｝）/（max｛X1，X2，…，Xn｝-min｛X1，X2，…，Xn｝）+0.000000001。其中， Xij为第i个企业的j项主题词频， Xij'为经过标准化处理后的主题词频， 为避免出现空值而导致计算不出结果， 因此添加无穷小值0.000000001。

数字化转型词库五大主题权重计算结果如表2所示。其中区块链技术占比最大（权重为0.3078，排名第一）， 其次是云计算技术（权重为0.2204，排名第二）、 人工智能技术（权重为0.2033，排名第三）， 权重较小的有数字技术应用（权重为0.1419，排名第四）及大数据技术（权重为0.1267，排名第五）。

（四）数字化情绪指数计算

对我国A股上市制造企业年报进行数字化词频指数的计算之后， 本文主要借鉴Kriebel（2019）的做法计算企业年报中的数字化情绪指数， 即测度年报中存在的数字化转型词库中的特征词上下文的积极性， 这种做法仍被应用于测度企业年报其他类型特征词情绪及管理层语调中（Tetlock和Saar-Tsechansky，2008；Feldman和Govindaraj，2010）。这种方法的原理如下： 数字化转型成功的企业在年度报告中对数字化转型相关特征词的评价会更积极， 而数字化转型失败的企业则不倾向于表现出积极情绪， 甚至表现出消极情绪， 因此企业年报中所体现的数字化情绪在一定程度上能够反映出该企业的数字化转型水平。

具体而言， 本文首先识别年报中所有存在于数字化转型词库中的特征词， 确定其所在位置后， 存储该位置前后10个包括标点符号在内的所有字符， 使用Py

（五）数字化转型指数计算

由上文可得到企业年报的数字化词频指数与数字化情绪指数。数字化词频指数显示了年报中数字化转型特征词的数量， 反映了该企业对于数字化转型的重视程度及相关战略布局； 数字化情绪指数通过企业年报中数字化转型特征词的平均情感指数判断该企业对于数字化转型进程的主观评价。二者结合能够更加全面地反映一家企业的数字化转型水平， 因此本文赋予数字化词频指数与数字化情绪指数各50%的权重计算企业的数字化转型指数， 具体公式如下： DTIi=0.5×Digital_WFIi+0.5×Digital_SIi。其中， DTIi为企业i的数字化转型指数。

四、 制造业数字化转型异质性分析

（一）2012 ～ 2021年制造业数字化转型趋势变化

我国制造业2012 ～ 2021年数字化词频指数、 数字化情绪指数、 数字化转型指数原始数值如表3所示。

由表3可知， 2012 ～ 2021年我国制造企业数字化词频指数、 数字化情绪指数及数字化转型指数皆呈现逐步上升的趋势。将表3进行可视化得到图2， 可知我国制造业数字化转型升级呈现出三个增速不同的阶段。第一阶段为2012 ～ 2015年， 该阶段为制造业数字化词频指数、 数字化情绪指数与数字化转型指数增速最快的阶段， “数字化转型”在2012年被提出， 各行业初步了解数字化转型并逐步有企业加入数字化转型的队伍中； 第二阶段为2015 ～ 2017年， 此阶段数字化词频指数、 数字化情绪指数与数字化转型指数增速有所下降， 增长趋势更加平缓； 第三阶段为2017 ～ 2021年， 此阶段数字化词频指数、 数字化情绪指数与数字化转型指数增长速度进一步下降， 增长趋势进一步放缓。总体而言， 2012 ～ 2021年我国制造业数字化词频指数、 数字化情绪指数、 数字化转型指數皆为上升的状态， 说明我国制造业数字化转型始终在向前推进。

（二）制造业数字化转型省市异质性分析

由于各省市存在经济水平、 文化水平、 政府政策的差异， 企业发展不免受到环境的影响和制约， 因此企业数字化转型可能存在省市异质性。为了研究我国制造企业数字化转型存在的省市异质性， 本文计算了除我国香港、 台湾、 澳门外的31个省级行政区的样本企业的数字化词频指数、 数字化情绪指数与数字化转型指数， 从而进行省市间的制造业数字化比较分析， 31个省级行政区的样本企业数量、 数字化词频指数、 数字化情绪指数与数字化转型指数如表4所示。

由表4可知， 数字化词频指数最高前五个省市分别为广东省（4.938）、 北京市（4.876）、 湖北省（4.760）、 上海市（4.605）、 福建省（4.572）； 最低的三个省市分别为西藏自治区（3.199）、 云南省（3.016）、 宁夏回族自治区（2.827）。数字化情绪指数最高的前五个省市为广东省（5.584）、 北京市（5.490）、 上海市（5.409）、 浙江省（5.359）、 湖北省（5.230）； 最低的三个省市为山西省（4.468）、 宁夏回族自治区（4.349）、 云南省（3.818）。数字化转型指数最高的前五个省市为广东省（5.261）、 北京市（5.183）、 上海市（5.007）、 湖北省（4.995）、 浙江省（4.913）； 最低的三个省市为山西省（4.021）、 宁夏回族自治区（3.588）、 云南省（3.417）。我国31个省级行政区数字化词频指数、 数字化情绪指数、 数字化转型指数分布呈现如下特征： 我国东部地区省市制造业数字化转型水平要高于我国中西部地区的制造业数字化转型水平， 西部地区数字化转型水平最低。

综合来看， 通过统一的制造企业筛选标准筛选各省市样本企业后， 广东省样本企业数量最多（样本企业341个）， 数字化词频指数、 数字化情绪指数、 数字化转型指数稳居第一， 为我国制造业数字化发展最优的省份。主要原因在于： 广东省制造业历史条件优越、 政府部门屡屡强调“制造当家”， 产业的集群发展也促进了广东省制造业的数字化转型。另外， 北京市与上海市作为我国最发达的一线城市， 制造企业面临更激烈的竞争， 倒逼更多制造企业参与数字化转型， 因此企业数字化相关指数较高。浙江省为高企业样本量省份（样本企业289个）， 主要是制造企业的集群发展促进了企业数字化转型， 其数字化情绪指数、 数字化转型指数皆位于所有省级行政区的前五位。湖北省在数字化词频指数、 数字化情绪指数与数字化转型指数排名中也较靠前， 该省份样本数量为54， 非高样本量的省份， 但湖北省31%的样本企业为计算机、 通信和其他电子设备制造业， 见图3， 该行业为29个行业中数字化转型水平排名第二的行业， 促使湖北省能够呈现较高的数字化相关指数。

如图4所示， 福建省34%的制造业细分行业为数字化相关指数排名前五的行业， 因此数字化词频指数位于所有省级行政区的第五名， 但其省份制造企业年报数字化情绪指数并未呈现出较高水平， 即年报中未能较多呈现出对于数字化转型结果良好表现的相关描述， 导致数字化转型指数未能名列前茅。另外， 云南省与宁夏回族自治区数字化词频指数、 数字化情绪指数及数字化转型指数在31个省级行政区中排名最后。宁夏回族自治区样本企业数量与其他省市相比最低（8个）， 说明该区域制造企业较少， 且该区域着重发展食品、 酒等产业， 故制造企业的数字化转型指数较低； 而云南省主要专注于生物医药产业与旅游产业的发展， 相关政府部门未能给予制造产业足够的支持与重视， 因此其制造企业数字化转型指数始终位于较低水平。

（三）制造业数字化转型行业异质性分析

本文根据中国证监会2012年版《上市公司分类与代码》对制造业行业进行划分， 各行业样本企业数量如表5所示。其中： 样本企业数量排名较高的行业有计算机、 通信和其他电子设备制造业（样本企业数量为298）、 化学原料及化学制品制造业（样本企业数量为210）、 医药制造业（样本企业数量为206）； 样本企业较少的制造业细分行业有仪器仪表制造业（样本企业数量为39）、 其他制造业（样本企业数量为9）、 废弃资源综合利用业（样本企业数量为3）。样本企业数量越多代表行业企业数目越多， 则该行业企业面临的竞争压力越大， 企业为提升竞争力、 顺应数字化时代发展进行数字化转型的可能性越大。而样本企业数目较少仍保持较好数字化转型水平则跟行业性质有关， 如本身倾向于生产智能化、 自动化产品的仪器仪表制造业。样本企业数量越少的行业， 则说明该行业的企业总数量越少。

制造业29个细分行业数字化词频指数、 数字化情绪指数与数字化转型指数如表6所示， 制造业各行业数字化词频指数、 数字化情绪指数、 数字化转型指数所表现出的差异性由图5可直观得出。由表6及图5可知： 数字化词频指数最高的三个行业为C40（仪器仪表制造业）、 C39（计算机、通信和其他电子设备制造业）、 C21（家具制造业）； 最低的三个行业为C25（石油加工、 炼焦及核燃料加工业）、 C42（废弃资源综合利用业）、 C32（有色金属冶炼及压延加工业）。数字化情绪指数最高的三个行业为C40（仪器仪表制造业）、 C39（计算机、通信和其他电子设备制造业）、 C24（文教、工美、 体育和娱乐用品制造业）； 最低的三个行业为C25（石油加工、炼焦及核燃料加工业）、 C42（废弃资源综合利用业）、 C22（造纸及纸制品业）。数字化转型指数最高的三个行业与数字化词频指数最高的三个行业保持一致， 为C40（仪表仪器制造业）、 C39（计算机、通信和其他电子设备制造业）与C21（家具制造业）； 数字化转型水平最低的三个行业分别是C42（废弃资源综合利用业）、 C32（有色金属冶炼及压延加工业）、 C25（石油加工、 炼焦及核燃料加工业）。

五、 结论

本文通过简要回顾企业数字化转型测度相关研究， 梳理了主流企业数字化转型指数测算方法， 使用文本分析中的词频分析和情感分析结合熵值法测算了2012 ～ 2021年十年间我国31个省级行政区制造业29个细分行业企业的数字化词频指数与数字化情绪指数， 最终综合测算了制造企业数字化转型指数。

主要结论如下： 其一， 2012 ～ 2021年中国制造业数字化转型水平不断上升。数字化词频指数、 数字化情绪指数与数字化转型指数同步稳定上升， 呈现出阶段性特征， 且提速渐缓。2012 ～ 2015年数字化转型水平提升最快， 2015 ～ 2017年提升速度次之， 2017 ～ 2021年上升速度有所放缓。其二， 我国各省市制造业数字化转型水平存在明显差异。2012 ～ 2021年十年间， 制造业数字化词频指数最高前五个省市分别为广东省（4.938）、 北京市（4.876）、 湖北省（4.760）、 上海市（4.605）、 福建省（4.572）； 数字化情绪指数最高前五个省市为广东省（5.584）、 北京市（5.490）、 上海市（5.409）、 浙江省（5.359）、 湖北省（5.230）； 数字化转型指数最高的前五个省市为广东省（5.261）、 北京市（5.183）、 上海市（5.007）、 湖北省（4.995）、 浙江省（4.913）。总体来说， 我国东部地区省市制造业数字化转型水平最优， 其次是中部地区的制造业， 我国西部地区制造业数字化水平相对而言最差。其三， 我国制造业细分行业数字化转型水平参差不齐。我国制造业中数字化词频指数最高的三个行业为仪器仪表制造业、 计算机、 通信和其他电子设备制造业、 家具制造业； 数字化情绪指数最高的三个行业为仪器仪表制造业、 计算机、 通信和其他电子设备制造业、 文教、 工美、 体育和娱乐用品制造业； 数字化转型指数最高的三个行业与数字化词频指数最高的三个行业保持一致， 为仪表仪器制造业、 计算机、 通信和其他电子设备制造业与家具制造业。

【 主 要 参 考 文 献 】

埃森哲．2022中国企业数字化转型指数［EB/OL］．https：//www.accenture.cn/cn-zh/about/newsroom/company-news-release-china-dti-2022，2022-10-28．

安同良，闻锐．中国企业数字化转型对创新的影响机制及实证［ J］．现代经济探讨，2022（5）：1 ～ 14．

陈庆江，王彦萌，万茂丰．企业数字化转型的同群效应及其影响因素研究［ J］．管理学报，2021（5）：653 ～ 663．

范德成，王娅．传统企业数字化转型对其创新的影响研究——以汽车制造企业为例［ J］．软科学，2022（6）：63 ～ 70．

黄逵友，李增福，潘南佩等．企业数字化转型与劳动收入份额［ J］．经济评论，2023（2）：15 ～ 30．

李雪松，党琳，赵宸宇．数字化转型、融入全球创新网络与创新绩效［ J］．中国工业经济，2022（10）：43 ～ 61．

梁琳娜，张国强，李浩等．企业数字化转型经济效果研究——基于市场绩效和财务绩效的分析［ J］．现代管理科学，2022（5）：146 ～ 155．

刘政，姚雨秀，张国胜，匡慧妹．企业数字化、专用知识与组织授权［ J］．中国工业经济，2020（9）：156 ～ 174．

潘红波，高金辉．数字化转型与企业创新——基于中国上市公司年报的经验证据［ J］．中南大学学报（社会科学版），2022（5）：107 ～ 121．

戚聿东，蔡呈伟．数字化對制造业企业绩效的多重影响及其机理研究［ J］．学习与探索，2020（7）：108 ～ 119．

任碧云，郭猛．基于文本挖掘的数字化水平与运营绩效研究［ J］．统计与信息论坛，2021（6）：51 ～ 61．

万伦，王顺强，陈希等．制造业数字化转型评价指标体系构建与应用研究［ J］．科技管理研究，2020（13）：142 ～ 148．

王和勇，姜观尚．我国区域制造业数字化转型测度及其影响机制［ J］．科技管理研究，2022（2）：192 ～ 200．

吴非，胡慧芷，林慧妍等．企业数字化转型与资本市场表现——来自股票流动性的经验证据［ J］．管理世界，2021（7）：130 ～ 144．

杨德明，刘泳文．“互联网+”为什么加出了业绩［ J］．中国工业经济，2018（5）：80 ～ 98．

殷群，田玉秀．數字化转型影响高技术产业创新效率的机制［ J］．中国科技论坛，2021（3）：103 ～ 112．

张吉昌，龙静．数字化转型、动态能力与企业创新绩效——来自高新技术上市企业的经验证据［ J］．经济与管理，2022（3）：74 ～ 83．

赵宸宇，王文春，李雪松．数字化转型如何影响企业全要素生产率［ J］．财贸经济，2021（7）：114 ～ 129．

Feldman R.， Govindaraj S.， Livnat J.， et al.. Management's tone change，post earnings announcement drift and accruals［ J］．Review of Accounting Studies，2010（15）：915 ～ 953．

Forrester. The digital maturity model 4.0-benchmarks： Digital business transformationplaybook［EB/OL］．https：//www.forrester.com/report/The+Digital+Maturity+Model+40/-/E.RES130881，2016-01-22．

Kriebel J. D. J.. The effect of digital transformation on bank performance［Z］．University of Munster，2019．

Tetlock P. C.， Saar-Tsechansky M.， Macskassy S.. More than words： Quantifying language to measure firms' fundamentals［ J］．The Journal of Finance，2008（3）：1437 ～ 1467．

Vial G.. Understanding digital transformation： A review and a research agenda［ J］．The Journal of Strategic Information Systems，2019（2）：118 ～ 144．

Zhang X.， Peek W. A.， Pikas B.， et al.. The transformation and upgrading of the Chinese manufacturing industry： Based on "German Industry 4.0"［ J］．Journal of Applied Business and Economics，2016（5）：97 ～ 105．