企业智能制造指数：基于面板随机前沿分析

汪方军（博士生导师），胡俊敏

一、引言

党的二十大报告提出：坚持把发展经济的着力点放在实体经济上，推进新型工业化，加快建设制造强国，推动制造业高端化、智能化发展。随着美国、德国等发达国家率先实施“先进制造业国家战略计划”及“德国工业4.0”战略布局，全球制造业开始向智能化方向发展，智能制造对于重塑我国制造业竞争新优势至关重要。为此，我国在2015 年提出《中国制造2025》，作为制造强国建设的行动纲领；2015 年工业和信息化部、国家标准化管理委员会联合发布了《国家智能制造标准体系建设指南（2015年版）》，之后又发布了2018 年版和2021 年版指南，不断完善国家智能制造标准的顶层设计，通过制定修订多项国家标准、行业标准等，致力于在新的生产力发展博弈中实现“弯道超车”；2016 年工业和信息化部、财政部联合发布了《智能制造发展规划（2016-2020年）》，强调工业化信息化两化融合，推动智能制造的实施。

《国家智能制造标准体系建设指南（2021版）》将智能制造定义为：基于先进制造技术与新一代信息技术深度融合，贯穿于设计、生产、管理、服务等产品全生命周期，具有自感知、自决策、自执行、自适应、自学习等特征，旨在提高制造业质量、效率效益和柔性的先进生产方式。随着国家标准的逐步完善和信息技术的不断发展，企业智能制造必然会不断经历迭代升级的过程，因此，准确衡量企业智能制造发展水平的变化趋势，对于我国制造强国的战略部署具有重要的现实意义和政策含义。

在企业层面，智能制造通过融合新一代通信技术和先进制造技术，推动企业在硬件（计算机和通信设施、智能制造装备等）和软件（制造技术、驱动软件、高端人才等）资产等方面的更新升级，重塑产品在设计、生产、管理、服务等全生命周期的价值创造活动过程，从而对企业的生产经营产生重大影响，最终实现可观的未来收益。因此，科学合理地测度企业智能制造水平，能够帮助企业开展自我评价，分析行业发展，及时调整投资决策和经营战略，实现价值最大化。

本文聚焦于企业智能制造发展水平的衡量，通过回顾已有研究，深入剖析各类衡量方法的优缺点，并提出基于企业面板数据的智能制造指数构建方法。通过选取2015 ～2021 年制造业、采矿业和能源生产供应业的A 股上市公司作为初始样本，综合智能制造的供给投入端（Input）和成效产出端（Output），运用面板随机前沿分析方法（Panel Stochastic Frontier Approach，PSFA）计算企业智能制造指数（Intelligent Manufacturing，IM），以反映我国企业智能制造水平的变化趋势。该智能制造指数构建方法克服了现有衡量方式中数据难以获取、主观性强、仅考虑投入/产出端等局限性，能够科学合理地测度企业智能制造水平，便于企业进行智能制造水平的自我评估与行业对标分析。

二、文献回顾和述评

有关智能制造水平衡量的研究较少，视角不一、方法多样，包括国家层面（周济，2015；王媛媛和张华荣，2020；唐宜红和顾丽华，2022；陈秀英和刘胜，2020）、地区层面（刘军等，2022；万晓榆等，2020；董志学和刘英骥，2016）以及企业层面（龚炳铮，2015；刘进等，2022；孟凡生和赵刚，2018；吕荣杰等，2020）的衡量方法，采用的衡量方法包括指标体系法、替代指标法（如工业机器人数量）、文本分析法、专家打分法、问卷调查法、人工判定法等。

1.国家层面智能制造水平的衡量。国家层面智能制造水平的衡量方法主要有指标体系法和替代指标法两种。指标体系法即依据特定标准和方法（投入产出分析法、层次分析法、因子分析法等），构建由多级指标组成的评价体系，最终得到综合指数的方法。例如：周济（2015）依据制造强国的四个特征——雄厚的产业规模、优化的产业结构、良好的质量效益、持续的发展能力，构建了由4 个一级指标、18 个二级指标构成的制造业评价体系，利用该综合指标来衡量国家智能制造水平；王媛媛和张华荣（2020）运用投入产出分析方法，构建了“制造业智能化指数”（IMI），并利用2005 ～2015年OECD投入产出表数据，对G20 国家制造业总体以及分行业智能化发展水平进行了测度。另外，国际机器人联合会官网上公布的各国使用工业机器人的数量也被诸多学者用作衡量国家制造业智能化发展程度的代理变量（唐宜红和顾丽华，2022；陈秀英和刘胜，2020）。

2.地区层面智能制造水平的衡量。在地区层面智能制造水平的衡量上，被广泛使用的方法为指标体系法（刘军等，2022；万晓榆等，2020；董志学和刘英骥，2016）。目前，指标体系法已被列入用于评价各省（自治区、直辖市）智能制造水平的国家标准——《智能制造水平评价指标体系及指数计算方法》（GB/T 42757-2023）之中。该标准提出了包含投入端和产出端的4 个一级指标、11 个二级指标的智能制造水平评价指标框架，详尽地说明了数据采集方法、指标权重及指数计算公式，将于2023 年12 月1日起实施。

3.企业层面智能制造水平的衡量。关于企业层面智能制造水平的衡量，指标体系法最早被提出并应用，且随着研究视角的多样而不断丰富（龚炳铮，2015；易伟明等，2018；肖吉军等，2020）。之后，有学者开始逐渐探索采用其他行之有效的衡量方法，包括文本分析法、专家打分法、问卷调查法等。

文本分析法是指基于公司披露的非结构性文本能够传递诸多信息的观点，选取企业年报全文或管理层讨论与分析部分，对特定文本进行搜集分析，挖掘特定主题的企业决策信息（Li，2010）。例如，吕荣杰等（2020）通过对企业年报进行文本分析，基于“智能化”“智能制造”等关键词出现的频数，构建高管团队对企业智能制造过程中智能产品和智能生产关注度的指标。专家打分法即通过构建智能制造关键词词库，根据企业年报中关键词的描述信息，由专家人工阅读并判断每家企业的智能制造水平。例如，刘进等（2022）采用专家打分法评估江苏省制造业上市企业的智能制造水平，以分析政府补贴及税收优惠对企业智能制造的影响。问卷调查法即依据智能制造的不同维度构建量表，然后进行数据采集与分析。例如，孟凡生和赵刚（2018）运用问卷调查法获取我国15 个省（市）的新能源装备制造企业大样本问卷结果，从制造和智能两个维度来测度企业智能制造水平。

目前，工业和信息化部开展的智能制造试点示范项目也被用于衡量企业智能制造水平。例如，权小锋和李闯（2022）、张树山等（2021a；2021b）将“智能制造试点示范专项行动”视为准自然实验，通过倾向得分匹配—双重差分（PSM-DID）方法，研究智能制造与成本粘性、企业技术创新投入、企业绩效的关系。另外，有学者依据国家规划、财经新闻以及企业主营业务等信息来判断企业是否为智能制造企业，以人工判定的方法对企业智能制造进行定性衡量从而开展相关研究（刘峰和宁健，2016；应里孟等，2020）。此外，还有学者从不同行业、不同企业类型出发，针对石化行业（任嵬等，2019）、机械制造企业（任俊飞等，2020）、汽车行业（苏青福等，2021）、中小企业（高亮等，2022）等提出了智能制造水平衡量方法。

4.文献述评。从现有研究可以看出，指标体系法被广泛应用于智能制造水平的衡量，其方法多样、指标构建灵活，但同时也存在侧重点不同、标准不一的问题。专家打分法、调查问卷法以及人工判定法均带有较强的主观性，同时存在数据获取成本较高、难度较大以及同行业公司信息获取壁垒高等问题，因此这三种方法难以推广到企业层面构建微观指数。此外，工业和信息化部智能制造试点示范项目的准自然实验方法虽然数据权威，但作为定性数据无法充分衡量企业智能制造水平。国际机器人联合会官网上公布的工业机器人数量只能从投入端这一单一视角进行衡量，其受到企业其他资产协同互补的影响，且存在数据获取难度较大的问题，也无法有效反映企业智能制造水平。文本分析法也存在一定的问题：即使词集选取时能够较好地捕捉到企业智能制造的相关信息，但依然存在关键词词频可能在上下文语境的差异下引发度量偏差的情况。另外，文本分析法作为一种产出端的衡量方式，能否较为准确地捕捉企业“做了什么”“做得如何”还与关键词出现的上下文语境内容有关，而目前尚无法做到对具体情境进行甄别，因此词频只能粗略地反映企业有关智能制造的信息披露。

综上，目前衡量企业智能制造水平的方法存在定性数据局限性高、主观性强、难以获取数据、难以推广应用、仅考虑投入/产出端等问题，因此迫切需要构建一个综合企业供给投入端和成效产出端的全面、易得、可追溯的智能制造指数，用于科学衡量企业智能制造水平。

三、企业智能制造指数

技术效率是指在既定的投入下产出可增加的能力，或在既定的产出下投入可减少的能力。由于随机前沿分析方法（SFA）基于数据随机假设，可以更好地刻画企业智能制造投入产出效率水平，对参数的极大似然估计更适合大样本，本文利用面板随机前沿分析方法来测算企业智能制造指数。参考《智能制造水平评价指标体系及指数计算方法》（GB/T 42757-2023）中的部分二级指标，本文将企业智能制造资本投入（包括硬件资本投入和软件资本投入）以及智能制造劳动投入作为供给投入端，将企业年度营业收入作为成效产出端。

由于上市公司年报中较少披露有关智能制造或机器人、人工智能等新一代信息技术投入的具体信息，但相应的硬件软件投入在企业智能化转型过程中必不可少，本文借鉴刘飞和田高良（2019）的研究，通过计算企业的硬件资本投入和软件资本投入，间接反映智能制造资本投入。其中：硬件资本主要包括固定资产中的机器机械设备、电子设备、计算机及辅助设备和通讯设备的年度净值；软件资本为无形资产中的软件资产年度净值。此外，选取生产和技术人员人数作为智能制造劳动投入。

1.数据来源和研究设计。选取2015 ～2021 年制造业、采矿业、能源生产供应业所有A股上市公司作为初始样本，上市公司年报中均披露了企业智能制造硬件资本投入和软件资本投入、生产和技术员工人数以及年度营业收入等数据，保证了大样本的可得性。本文使用的智能制造硬件资本投入和软件资本投入数据来源于RESSET 数据库，员工数据来源于Wind 数据库，企业营业收入及其他财务数据来源于CSMAR数据库。

考虑到资本和劳动相互作用对产出的影响，在面板随机前沿分析中选择超越对数生产函数（Trans-Log），通过极大似然法估计出各个参数值，然后用技术无效率项的条件期望来测算非效率值，具体如模型（1）所示：

其中，Qi、Ki、Li分别代表营业收入、智能制造资本投入与智能制造劳动投入。智能制造资本投入为固定资产中的机器机械设备、电子设备、计算机及辅助设备、通讯设备期末净值和无形资产中的软件资产期末净值之和；智能制造劳动投入为生产和技术员工人数总和。

由于样本为面板数据，本文使用Cornwell 等（1990）的固定效应模型和Jondrow 等（1982）的估计量，通过E（u|ε）对技术效率低下进行估计，得到非效率指标u，然后生成智能制造水平的代理变量——智能制造指数（IM）：

IMit=exp（-u）×100

由于u＞0，IM 值介于0 ～100 之间，IM 值越接近于100，代表该决策单元的技术效率越高，企业智能制造水平越高。

2.企业智能制造指数描述性统计分析。本文基于以上研究设计测算出企业智能制造指数，剔除因样本不足导致的智能制造指数缺失值和1‰水平上的极端值，最终剩余1796家企业的9368个“公司—年度”样本数据。

表1 列示了智能制造指数分行业的描述性统计结果。由表1可知：制造业企业占总样本的93.36%，其智能制造指数均值为2.104，小于采矿业和能源生产供应业及全样本的均值；制造业智能制造指数的最小值仅为0.080，最大值达到47.398，反映出我国制造业企业间的智能制造发展水平差异较大；另外，各行业智能制造指数的均值均高于中位数，说明部分企业智能化程度已处于较高水平，而大部分企业的智能制造水平还有待提升。

表1 智能制造指数分行业描述性统计

表2 列示了智能制造主要数据的分年度均值统计情况，图1 直观地展示了其变化趋势。由表2 和图1 可知：2015 ～2020 年企业智能制造水平呈逐年上升的趋势，2021 年稍有下降；硬件资本投入远高于软件资本投入，但软件资本投入增幅明显高于硬件资本投入；另外，生产和技术员工人数经历了先下降后上升的过程，说明智能制造对生产员工带来了替代效应，同时对技术员工提出了更高的能力要求，劳动力结构改善引发人员波动。

图1 智能制造主要数据均值变化趋势

表2 智能制造主要数据分年度均值

3.基于智能制造试点示范项目的智能制造指数有效性检验。工业和信息化部在智能制造试点示范项目的遴选过程中，制定了《智能制造试点示范项目要素条件》作为指引，对企业具备的要素和条件提出了相应要求，因此可以确定入选试点示范项目的企业智能制造水平较高。根据工业和信息化部2015 ～2018 年发布的智能制造试点示范项目名单，以是否入选该名单对样本进行分组，并进行智能制造指数的均值T检验。表3的检验结果表明，入选试点示范项目组的智能制造指数均值显著高于未入选试点示范项目组，且均值差异在1%的水平上显著。

表3 基于智能制造试点示范项目的分组均值检验

由于智能制造试点示范项目于2015 ～2018 年开展，且2019 年后受疫情影响较大，故本文还分别选取2015 ～2019年、2015 ～2018年的样本进行有效性检验。表3中的结果显示，2015 ～2019年、2015 ～2018年入选试点示范项目组的智能制造指数均值依然显著高于未入选试点示范项目组。可以看出，入选智能制造试点示范项目的上市公司的智能制造指数显著更高，因此本文提出的智能制造指数能够有效反映企业智能制造水平。

四、结语

在我国推进新型工业化，加快建设制造强国，推动制造业高端化、智能化发展的背景下，本文聚焦于企业层面的智能制造水平衡量，参考智能制造水平的国家标准以及已有研究，综合企业智能制造的供给投入端和成效产出端，利用面板随机前沿分析方法，测算企业从智能制造投入到产出经济效益的过程效率，得到反映企业智能制造水平的效率指数（IM）。经过分析发现，我国制造业企业间智能制造发展水平差异较大，且大部分企业的智能制造水平低于平均水平。自2015 年起，随着智能制造发展规划的提出以及相关国家标准的不断完善，企业智能制造水平呈显著上升趋势。此外，本文利用工业和信息化部发布的智能制造试点示范项目名单，对智能制造指数的有效性进行了检验，结果显示本文构建的智能制造指数能够较好地反映企业智能制造水平。

基于面板随机前沿分析方法的企业智能制造指数能够科学合理地反映企业智能制造水平，其大样本可得的优点对于学术研究以及企业时间序列上的自我评价与行业比较分析都具有较好的参考价值。

【 主要参考文献】

陈秀英，刘胜.智能制造转型对产业结构升级影响的实证研究［J］.统计与决策，2020（13）：121 ～124.

董志学，刘英骥.我国主要省市智能制造能力综合评价与研究——基于因子分析法的实证分析［J］.现代制造工程，2016（1）：151 ～158.

高亮，吉敏，杨敬辉.中小企业智能制造能力成熟度模型［J］.科技管理研究，2022（6）：36 ～42.

龚炳铮.智能制造企业评价指标及评估方法的探讨［J］.电子技术应用，2015（11）：6 ～8.

刘飞，田高良.信息技术是否替代了就业——基于中国上市公司的证据［J］.财经科学，2019（7）：95 ～107.

刘峰，宁健.智能制造企业技术创新效率及其影响因素［J］.企业经济，2016（4）：142 ～147.

刘进，李霆威，王雷.财税政策对企业智能制造的影响——以江苏为例［J］.科技与经济，2022（1）：6 ～10.

刘军，钱宇，曹雅茹等.中国制造业智能化驱动因素及其区域差异［J］.中国科技论坛，2022（1）：84 ～93.

吕荣杰，张思佳，吴超.高管团队注意力对企业技术获取模式的影响——基于智能制造视角［J］.科技管理研究，2020（8）：166 ～175.

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（1）：66 ～72.

权小锋，李闯.智能制造与成本粘性——来自中国智能制造示范项目的准自然实验［J］.经济研究，2022（4）：68 ～84.

任俊飞，吴立辉，鱼鹏飞等.机械制造企业智能制造能力成熟度评价研究［J］.科技创新与应用，2020（2）：55 ～56+58.

任嵬，索寒生，招庚等.石化行业智能工厂能力成熟度模型研究［J］.计算机与应用化学，2019（3）：247 ～254.

苏青福，刘双虎，董方岐等.汽车行业智能制造能力成熟度评估指标研究［J］.信息技术与标准化，2021（Z1）：37 ～43.

唐宜红，顾丽华.智能制造对出口的影响——基于工业机器人的经验证据［J］.国际经贸探索，2022（4）：4 ～21.

万晓榆，赵寒，张炎.我国智能化发展评价指标体系构建与测度［J］.重庆社会科学，2020（5）：84 ～97+2.

王媛媛，张华荣.G20 国家智能制造发展水平比较分析［J］.数量经济技术经济研究，2020（9）：3 ～23.

肖吉军，郑颖琦，徐洁萍.基于AHP与DHNN的智能制造成熟度评估模型研究［J］.系统科学学报，2020（2）：105 ～110.

易伟明，董沛武，王晶.基于高阶张量分析的企业智能制造能力评价模型研究［J］.工业技术经济，2018（1）：11 ～16.

应里孟，阳杰，高曼如.智能制造与企业绩效——基于PSM-DID方法的实证检验［J］.财会月刊，2020（12）：11 ～17.

张树山，胡化广，孙磊等.智能制造如何影响企业绩效？——基于“智能制造试点示范专项行动”的准自然实验［J］.科学学与科学技术管理，2021a（11）：120～136.

张树山，胡化广，孙磊.智能制造有利于增加企业技术创新投入吗——基于智能制造试点的准自然实验［J］.科技进步与对策，2021b（23）：76 ～85.

周济.智能制造——“中国制造2025”的主攻方向［J］.中国机械工程，2015（17）：2273 ～2284.

Cornwell C.，P.Schmidt，R.C.Sickles.Production frontiers with crosssectional and time-series variation in efficiency levels［J］.Journal of Econometrics，1990（1-2）：185 ～200.

Jondrow J.，C.A.K.Lovell，I.S.Materov，P.Schmidt.On the estimation of technical inefficiency in the stochastic frontier production function model［J］.Journal of Econometrics，1982（2-3）：233 ～238.

Li F..Textual analysis of corporate disclosures：A survey of the literature［J］.Journal of Accounting Literature，2010（29）：143 ～165.