杨辉平，吴红，何赟，孙晴

摘  要：为了研究安徽省智能制造产业集群发展对策，以安徽省经济和信息化厅2021年和2022年公布的安徽省智能工厂和数字化车间名单中的上市企业为研究对象，收集2019年至2021年的最新数据，运用DEA中C2R和C2GS2模型，计算出安徽省智能制造企业近三年的发展绩效。结果显示，安徽省汽车零部件企业发展绩效最高，而装备制造类企业绩效最低。最后，结合行业和地区分布数据，给出安徽省智能制造产业集群发展的对策和建议。

关键词：智能制造；DEA；企业绩效

中图分类号：F427；F49        文献标识码：A          文章编号：1671-9255（2022）03-0009-04

一、问题提出与相关研究

近年来，我国智能制造产业发展迅速，2021年工业和信息化部等八部门联合印发了《“十四五”智能制造发展规划》（以下简称《规划》），《规划》指出：“站在新一轮科技革命和产业变革与我国加快转变经济发展方式的历史性交汇点，要坚定不移地以智能制造为主攻方向，推动产业技术变革和优化升级，推动制造业产业模式和企业形态根本性转变。”[1]开展智能制造示范工厂建设是《规划》中的重点任务之一。安徽省（以下简称我省）经济和信息化厅2021年评定了41个智能工厂项目和227个数字化车间项目，2022年再次评定了36个智能工厂项目和170个数字化车间项目。我省智能制造产业蓬勃发展，但和制造业发达省份相比基础较为薄弱，地区发展不均衡，总体仍处于落后阶段。因此，对我省智能制造企业进行绩效评价，找出影响绩效的薄弱环节，并针对性地给出相关产业发展对策，对于提升产业发展效率有着重要的现实意义。

关于智能制造产业发展效率问题，很多学者采用了多种方法进行了较为深入的研究。李庆雪（2021）利用因子分析法，以61家智能制造企业2019年的财务数据为研究对象，对智能制造企业生物经营绩效进行对比分析并给出发展建议。[2]潘玉香等人（2021）基于智能制造企业上市公司数据，采用分层与分组回归相结合的方法，分析了信息技术投入对企业绩效的影响。[3]高建来等人（2021）运用Bootstrap方法探索了智能制造企业创新投资和固定资产投资在内源融资与企业绩效间存在的多重

中介效应。[4]楼旭明等人（2020）运用DEA交叉效率模型对2013—2017年我国智能制造上市企业相关数据进行分析，证实我国智能制造上市企业的技术创新效率整体偏低，但呈上升趋势。[5]王玉梅等人（2021）依据CSSCI和核心期刊大数据分析，对全国31个省份地区制造业智能制造能力的成熟度进行实证研究，并建立一套体现智能制造生产、技术、资源能力的评价指标体系。[6]刘峰等人（2016）采用DEA模型对52家上市智能制造企业2011—2013年的面板数据进行测算，并发现股权集中度与技术创新效率存在“倒U型”关系。[7]吴红（2020）选取25家国内上市智能制造企业，运用DEA模型计算，得出目前国内上市智能制造企业总体绩效的趋势值，显示出不同地区之间和不同类型智能制造企业发展的趋势和差异，并认为安徽地区智能制造企业总体绩效状况在全国处于上游的位置。[8]

上述学者多以全国智能制造企业作为研究对象，专门以安徽省智能制造产业绩效为研究对象的很少。DEA模型是评价同类部门或单位相对有效性的方法，最为适用多输入多输出的生产函数。[9]上述研究中虽有多位学者也采用了DEA模型，但样本数据较早，得出的结论多反映出智能制造企业绩效偏低。而智能制造企业出现时间较短，有一定的投入期和成长期，这些研究数据已不能反映出智能制造企业最新的发展绩效和变动趋势。为了揭示我省智能制造产业最新发展的动态效率变动情况及不同指标对智能制造产业效率的影响，本文采用DEA法，将安徽省经济和信息化厅2021年和2022年公布的安徽省智能工厂和数字化车间名单中的上市企业作为决策单元，搜集这些企业的相关财务数据，计算这些企业近三年的发展绩效，找出影响其绩效的薄弱环节，并针对性地给出相关产业发展对策，为我省智能制造产业的发展提供参考。

二、基于DEA的安徽省智能制造产业

发展绩效分析

（一）安徽省智能制造产业绩效分析C2R和C2GS2模型

本文以DEA模型中C2R模型和C2GS2模型来计算安徽省智能制造产业近三年的发展绩效。其中，C2R模型用来计算决策单元的总体运行绩效，C2GS2模型用于计算决策单元的纯技术绩效，然后用C2R/C2GS2来计算决策单元的规模绩效。假设有N个决策单元（企业），每个企业  有个输入指标和  个输出指标，  为第 个企业的第 个输入项，  为

个企业的第个输出项， 为第 个企业的相对总体绩效，得到模型为：

s.t.

s.t.

为第 个企业的纯技术绩效， 为第 个企业的规模绩效，根据       ，可得：

（二）指标体系的选择及数据来源

本文选用的智能制造企业来源于安徽省经济和信息化厅2021年和2022年公布的智能工厂和数字化车间名单，因需要对企业财务数据进行分析，鑒于数据的可得性，选择名单中的20个上市企业作为决策单元。选择固定资产净值、员工人数、营业总成本作为输入指标项，选择净利润、营业总收入作为输出指标项。选择2019—2021年的最新数据进行运算，数据来源于新浪财经公布的企业财务报表和网易财经发布的企业基本信息。

（三）数据处理结果及实证分析

对相关企业2019—2021年数据进行处理，计算结果如表1所示。

从运算结果来看，样本数据近三年总体绩效、纯技术绩效和规模绩效分别为0.909、0.948、0.959，整体运行绩效较高，但有提升的空间。从三年的变化趋势来看，总体绩效下降了1.73%，纯技术绩效上升了0.74%，规模绩效下降了2.46%，说明近三年我省智能制造企业的整体绩效的改善主要依靠的是纯技术绩效的提升。

1．按行业分析

表1统计结果显示，汽车零部件类企业的整体绩效最高，近三年总体绩效、纯技术绩效和规模绩效分别为0.959、0.973、0.986，三项指标均高于20家企业平均水平。从发展趋势上看，绩效指标有逐年下降趋势。其中，巨一科技和伯特利两家企业连续三年总体绩效、纯技术绩效和规模绩效都有效。艾可蓝2019和2020年有效，2021年也接近1。瑞鹄模具绩效偏低且三年都呈下降趋势，其中，总体绩效三年下降了7.6%，纯技术绩效三年下降了12.4%，规模绩效下降了1.5%。从原始数据中可以发现，其2021年固定资产净值比2020年增加了91.1%，说明其绩效下降既有管理技术的原因也有固定资产投资规模增加的原因。医药类、化工类和其他类型的企业三年评价绩效差别不大，均在9%以上。设备研发与制造类企业整体绩效最低，三年总体绩效、纯技术绩效和规模绩效分别为0.856、0.914、0.936，上升空间较大。五家企业中有四家平均总体绩效低于9%。从变化趋势上看，设备研发与制造类企业总体绩效三年下降了2.07%，纯技术绩效三年上升了1.21%，规模绩效三年下降了3.23%。

2．按地区分析

为了研究不同地区智能制造企业的绩效，把表1的运算结果按照地区重新进行分类统计。可以很明显地看出，合肥市整体绩效最高，近三年总体绩效、纯技术绩效和规模绩效分别为0.931、0.955、0.974，三项指标均高于20家企业平均水平，其中，两家企业三年绩效全部有效，两家企业低于20家企业平均水平。从变化趋势上看，总体绩效三年上升了0.64%，纯技术绩效三年上升了2.33%，规模绩效三年下降了1.52%。芜湖市及其他城市整体绩效水平数据与20家企业平均水平基本持平。芜湖市除了1家企业三年绩效有效外，其他企业的总体绩效、纯技术绩效和规模绩效三年均呈下降趋势。安庆市近三年总体绩效、纯技术绩效和规模绩效分别为0.861、0.941、0.916，整体绩效水平明显低于平均水平，从变化趋势上看，总体绩效三年下降了4.84%，纯技术绩效三年上升了3.75%，规模绩效三年下降了8.23%。

三、主要结论与政策建议

（一）主要结论

根据行业和地区的数据统计结果分析，可得出以下结论：

1．我省智能制造试点企业近三年的整体运行绩效较高，这得益于我省的工业基础和科研实力，但仍有提升的空间。其中，纯技术绩效的提升是我省智能制造企业的整体绩效改善的主要动力。这说明我省智能制造企业在技术投入和管理效率方面做得越来越好，近年来的智能制造试点工作取得了一定的成效。但从个体来看，仍有部分智能制造企业绩效偏低，且呈下降趋势。

2．我省智能制造企业行业发展不均衡。汽车零部件企业绩效较高，而设备研发与制造类企业绩效较低。这说明不同行业企业在智能制造转型时面临的资金、技术、设备、人才、信息化等困难的难度是不一样的，这导致不同行业企业智能制造试点收益期不一致，很明显设备研发与制造类企业推行智能制造试点难度较大，短期设备更新投入较多，技术上升带来的收益效果不明显。

3．我省智能制造地区分布和发展不均衡。受政策、营商环境、原有工业基础、产业布局、自然条件等因素影响，智能制造产业主要集中在合肥和芜湖等地，合肥地区的企业绩效明显高于其他地区。就单个企业而言，三年绩效都有效的企业也主要集中在合肥和芜湖。

（二） 政策建议

1．积极鼓励传统制造业向智能制造产业转型。政府需要积极引导，提供相关政策和资金扶持，并建立多元化的融资渠道和金融支持，提供信息支撑，积极解决转型难题，促进传统制造业的转型升级，扩大我省智能制造产业的规模和质量。对于转型难度较大的设备研发与制造类企业，要在财政、税收、金融等政策上给予适度优惠，同时也要设立智能制造专项资金以促进我省智能制造企业的发展。

2．在合肥、芜湖等工业基础较好、智能制造产业比较集中的地区建立具有特色的智能制造产业园区以提供园区配套管理和服务，并积极引进一批重大项目入驻，建成一批国家级或省级智能制造试点示范项目，形成智能制造产业聚集地，充分发挥产业聚集效应和示范作用，以此带动全省智能制造产业的联动发展。通过智能制造产业园区的扶持和发展，积极培育一些重点企业做大做强，形成规模，产生一批领军企业。

3．充分发挥我省在科研和教育方面的优势，积极支持科研院所和大专院校在智能制造关键技术方面的科研项目，争取实现更多智能制造关键技术的突破，并鼓励技术转化，以技术突破助力智能制造企业的降本增效，推动我省智能制造产业良性发展。

参考文献：

[1]工业和信息化部.“十四五”智能制造发展规划 [EB/OL].[2021-12-28].https：//www.miit.gov.cn/ztzl/rdzt/znzzxggz/xwdt/art/2021/art_b12f5ff217154f0994108f2d572b0c3c.html.

[2]李慶雪.智能制造上市公司财务绩效评价研究——基于因子分析法[J].全国流通经济，2021（34）：46-48.

[3]潘玉香，李倩.智能制造企业信息技术投入对企业绩效的影响研究[J].会计之友，2021（18）：9-16.

[4]高建来，彭雅丽.内源融资、投资活动与企业绩效——基于智能制造企业的实证研究[J].财会通讯，2021（11）：79-83.

[5]樓旭明，徐聪聪.智能制造企业技术创新效率及其影响因素研究[J].科技管理研究，2020（4）：1-7.

[6]王玉梅，张晓炜.智能经济下我国制造业智能制造能力成熟度指标体系研究[J].科学决策，2021（11）：118-132.

[7]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.

[8]吴红.基于DEA法的中国上市智能制造企业绩效实证分析[J].宿州学院学报. 2020（6）：32-35.

[9]吴邦雷.中国上市物流企业绩效分析和对策的研究——以四大类二十家上市物流企业为例[J].怀化学院学报，2018（3）：25-30.

Research on the Development Countermeasures of Intelligent Manufacturing Industry Cluster in Anhui Province

Yang Huiping， Wu Hong， He Yun， Sun Qing

（School of Business Administration， Anhui Technical College of Mechanical and Electrical Engineering， Wuhu Anhui 241002）

Abstract： In order to study the development strategies of intelligent manufacturing industry clusters in Anhui Province， the listed companies in the list of intelligent factories and digital workshops in Anhui Province announced by the Anhui Provincial Department of Economic and Information Technology in 2021 and 2022 were selected as the research objects. Using the latest data from DEA， the C2R and C2GS2 models in DEA are used to calculate the development performance of intelligent manufacturing enterprises in Anhui Province in the past three years. The results show that the development performance of auto parts enterprises in Anhui Province is the highest， while the performance of equipment manufacturing enterprises is the lowest. Finally， combined with industry and regional distribution data， the countermeasures and suggestions for the development of intelligent manufacturing industry clusters in our province are given.

Key Words： Intelligent Manufacturing， EDA， Development Performance