宋清华，钟启明，温湖炜

（1.中南财经政法大学金融学院，湖北 武汉 430073；2.南昌大学中国中部经济社会发展研究中心，江西 南昌 330031）

伴随着新一轮技术革命与产业变革的浪潮席卷全球，许多国家相继提出了“工业互联网”和“工业化4.0”等数字经济发展战略，旨在通过推动制造业数字化转型来实现经济社会转型升级和抢占国际竞争制高点。我国是制造业大国，近年来面临着日益严峻的经济形势和逐步扩大的资源环境压力，同时在国际上呈现发展中国家同类竞争与发达国家再工业化的“双向挤压”态势[1]，重塑制造业发展新动能、打造国际竞争新优势已刻不容缓。制造业是数字化转型的主战场，党中央和国务院立足于剧烈变幻的国际形势，深刻把握我国产业革命历史方位和制造业发展趋势，从十九大开始，始终将推动产业数字化和数字产业化作为引领制造业高质量发展的主攻方向。党的十九大报告明确提出“推动互联网、大数据、人工智能和实体经济深度融合”，《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》提出：“促进数字技术与实体经济深度融合，赋能传统产业转型升级，催生新产业新业态新模式，壮大经济发展新引擎”。发展数字经济，推动新一代信息技术加速突破创新，促进数字经济与制造业深度融合，对于中国实现制造业数字化转型、深化供给侧结构性改革和引领价值链升级具有重要意义[2]。

企业的生产要素投入能否最终转化为有效产出，不仅关系到企业生产能力和效益，还影响宏观经济的发展质量和效率。作为测算企业生产要素投入转化为最终产出的效率指标，全要素生产率衡量了制造业企业的数字化转型成效和发展质量。习近平总书记在十九大报告指出，“必须坚持质量第一、效益优先，以供给侧结构性改革为主线，推动经济发展质量变革、效率变革、动力变革，提高全要素生产率”。把握我国数字技术水平向国际前沿逼近和制造业领域数字化转型加速推进的历史契机，充分释放数据要素对企业生产效率的巨大潜能和乘数倍增效应，是改造提升传统产业和实现实体经济发展提质增效的必由之路[3]。信息技术与全要素生产率的关系是产业经济学领域由来已久的话题，但相关研究始终没有得出一致的结论，普遍存在信息技术的生产率悖论困扰。如美国经济学家罗伯特·戈登认为人工智能、工业机器人等新一代信息技术对企业生产率几乎毫无作用，最终可能导致创新的死亡。因此，如何释放新一代信息技术的生产率潜能，构造破解生产率悖论的数字化转型路径成为热点话题[4]。作为被中国政府寄予厚望的实现技术赶超和产业变革的主战场，制造业数字化转型对企业全要素生产率的实际效果如何？产业数字化又是通过何种作用机制对全要素生产率施加影响？需要怎样的政策体系为制造业的数字化转型提供制度保障？这些问题都亟待进一步的回答。

通过解析数字经济构成要素，本文利用投入产出表构造产业数字化指标，考察产业数字化对中国制造业上市公司全要素生产率的影响与其内在作用机制。本文可能存在以下三个方面的边际贡献：第一，区别于已有关于数字经济的文献主要基于产业数字化的单一方面，本文厘清了数字经济要素的范围并较为全面地测度了制造业产业数字化水平；第二，基于微观企业视角探讨产业数字化的生产率效应，有助于厘清数字化转型对制造业高质量发展的影响机理，为数字化红利的深入普及和企业生产率的长足进步提供决策参考；第三，遵循价值链理论，本文根据制造企业嵌入价值链各环节的不同方式，深入解析数字化转型影响生产率的作用机制，为加快数字经济发展、推动制造业向价值链中高端迈进提供了经验证据。

一、文献回顾与理论分析

（一）文献回顾

信息技术与制造业生产率的关系长期以来都是学界的热点研究话题。自1987年著名经济学家索洛提出“计算机对生产率不起作用”的信息技术生产率悖论以来[5]，许多学者都对这个问题展开了深入研究，但始终未能得出一致的结论。部分学者基于跨国面板数据发现在信息技术不同国家的生产率效应可能存在差异[6][7]，并尝试从对信息技术的度量偏差和潜在的生产率时滞性来解释生产率悖论的成因[8]。国内多数文献肯定了信息技术或互联网对中国区域经济增长和高质量发展的积极影响，并寻求通过管理变革、技术创新、人力资本升级来破解生产率悖论的可能性[9][10]，而对于新一代信息技术的发展形态——数字经济是否影响企业全要素生产率及其内在机制却缺乏直接的证据。也有学者指出，中国企业的劳动力结构、技术水平和管理能力存在较大瓶颈，可能导致企业无法有效吸收数字化变革的红利并进行场景应用，进而影响其生产率效应的释放[11]。

全球新一轮工业革命浪潮下，数据要素正逐步成为社会再生产过程中的关键生产要素，正以前所未有的姿态广泛深刻地渗透到经济社会各领域，在与传统产业和生产要素的逐步融合中重塑产业经济新业态，已经超越传统信息技术的理论边界。虽然数字经济新技术、新业态和新模式不断实现颠覆性变革和前沿突破，但囿于数字经济卫星账户的编制困难，准确测度数字经济发展水平及其对高质量发展的影响的实证研究非常匮乏。现有文献主要聚焦于数字经济的某一方面对经济社会的影响而缺乏全面的度量，如工业智能化对劳动力市场结构的影响[12]、互联网与公共服务消费升级的关系[13]、互联网对区域全要素生产率的影响等[10]。此外，已有文献主要进行数字经济的理论研究或从宏观层面展开实证分析[14]，部分学者逐渐尝试从微观视角探讨数字化转型的影响[15][16]，但对微观企业的影响机制仍不清晰。新一代信息技术能否提升企业全要素生产率？其内在微观传导机制如何？全要素生产率是衡量制造业数字化转型过程中技术-经济范式转变的客观指标，中国制造业能否摆脱价值链低端锁定、实现高质量发展最终要落实到企业全要素生产率的攀升上来。

已有文献基于不同角度、使用不同的研究数据为理解数字化转型对经济绩效、高质量发展的影响提供了较为丰富的见解。然而，现有关于数字化转型的生产率效应的文献主要聚焦于发达国家而缺乏对发展中国家的研究，尤其在微观实证层面有待进一步补充。此外，限于数字经济卫星账户的理论和编制困难，已有文献多局限于宏观层面或微观层面下的互联网、人工智能等单一视角，综合测度数字经济水平的实证研究相当匮乏。因此，本文采用投入产出法构建制造业各行业的产业数字化指标，在微观企业层面考察数字化转型对全要素生产率的影响及其内在作用机制。

（二）理论分析

《中国制造2025》将“加快新一代信息技术与制造业深度融合”作为我国新型工业化的主线。为了适应网络化、智能化、数字化的经济社会新形态，企业将数据这种关键要素与传统生产要素进行优化重组并引入价值链各环节，支撑企业打通实体经济生态系统各环节的信息传递梗阻[16]，并通过以下途径为推动企业全要素生产率提升打造强劲势能。一方面，人工智能、大数据、云计算等新兴数字技术在制造业领域的不断深入应用，不仅驱动企业全面更新传统生产设备，由传统制造工厂向智能车间升级，还促使企业商业模式向与消费者价值共创、网络化协同方向演变，加速了技术创新能力提升、商业模式变革和投入产出效率跃迁。另一方面，数字技术革命浪潮下，剧烈变幻的竞争环境加速了企业组织结构向开放式、扁平化转变的进程，而大数据和人工智能技术的应用赋予了企业管理层持续提升管理决策能力的手段，强力支撑企业管理效率和生产率持续改善。基于以上分析，本文提出如下假设。

假设1：产业数字化对制造业企业的全要素生产率具有显著的正向影响。

企业的价值创造活动由各个价值链环节有机衔接而成，数据要素在不同价值链环节的嵌入方式也各不相同，从而引致对全要素生产率的异质性影响。基于价值链理论视域，数字产品和数字服务融入企业的研发设计、市场营销环节，能够显著增强产业生态系统内部物质流、信息流、能量流的协同传输效率，提高企业的资源整合和配置能力。一方面，大数据、物联网等新一代信息技术为产品研发与设计活动提供了产品信息采集和知识交流与整合的工具，助力企业打造开放创新范式3.0，以“创新激励效应”增强企业的技术创新能力和提升全要素生产率[16]；另一方面，依托消费互联网、数据挖掘技术等新兴数字技术，制造业企业可以更加精准地把握特定场景下客户多样化、个性化的需求，并通过供需精准匹配和客户需求实时响应来构建营销的“价值共创效应”，引领企业商业模式快速迭代和生产率提升[17]。如果数据要素嵌入企业的经营管理环节，将颠覆传统组织管理体系和决策过程[18]，驱动企业组织形式由传统的封闭式、垂直化结构向开放式、扁平化变迁，引领企业搭建“智慧大脑”挖掘海量大数据并为运营管理全流程提供分析洞察，形成“管理优化效应”，进一步提高管理者的科学决策能力和为企业生产率攀升提供强大动力。基于以上分析，本文提出如下假设。

假设2：产业数字化通过在价值链中的“创新激励效应”“价值共创效应”与“管理优化效应”来推动企业全要素生产率提升。

二、计量模型与变量、数据说明

（一）模型设计

由于许多因素都可能对企业全要素生产率产生影响，为了削弱遗漏变量问题对估计系数的干扰、提高估计结果的准确性，本文使用包含控制变量的固定效应模型进行实证检验[19]，计量模型设定具体如下：

其中，下标i表示企业，t表示年份。TFP为企业全要素生产率指标；Dig表示产业数字化水平，本文以制造业二位码行业层面的直接依赖度和完全依赖度作为代理变量；Control代表控制变量；μi、λt和εit分别表示企业个体效应、年份效应和随机干扰项。其中α1为本文最为关注的估计系数，它衡量了产业数字化对企业全要素生产率的影响，若α1为正则表示产业数字化提升了制造业企业全要素生产率。

为了探讨产业数字化如何影响企业全要素生产率，本文依据产业数字化嵌入价值链的研发设计、市场营销和经营管理等不同环节的特点，在模型（1）的基础上，构建如下中介效应模型考察制造业数字化的生产率效应的内在机制[20]：

其中，Mediator表示中介变量，在机制分析中分别以研发投入Inno、客户分散程度CD、管理效率ME作为代理变量。若系数都显著为正，则表明本文的假设2成立，产业数字化确实会通过以上渠道影响企业生产率。其他变量与模型（1）中的变量含义一致。

（二）变量说明

1.产业数字化水平

产业数字化水平是本文的核心解释变量。本文借鉴经济合作与发展组织（OECD）、美国商务部经济分析局（BEA）及其他国际机构或统计部门对数字经济的核算框架，并结合证监会《上市公司行业分类指引（2012年修订）》选取了包含数字经济要素的行业，如表1所示。借鉴“服务化”的测算方法，本文利用投入产出法计算各产业对数字经济要素的“直接依赖度”来衡量制造业数字化水平[21]。其中，直接依赖度是制造业对数字经济要素的直接消耗系数与所有直接消耗系数之和的比例，相较于消耗系数更加体现了数字经济要素的相对重要性。此外，本文还构建了完全依赖度（即对数字经济要素的完全消耗系数与所有直接消耗系数之和的比例）作为替代变量。

表1 数字经济要素依托部门

2.全要素生产率

考虑到使用传统的索洛残差法可能导致样本选择偏差和同时性偏差，本文使用LP方法构建对数形式的柯布-道格拉斯生产函数来估计企业全要素生产率[22]：

其中，Y为企业的营业收入，K为企业固定资产净值，L为企业支付给职工以及为职工支付的现金，M为企业生产过程中的中间投入，使用“营业成本加期间费用再减去本期折旧摊销额及劳动报酬总额”来衡量。具体而言，将研究样本进行个体和年份固定效应回归后，以其残差εit测度企业全要素生产率TFP。在本文的稳健性检验部分，还使用了OP方法估计的全要素生产率指标作为替代变量。

3.控制变量

本文还控制了以下企业层面的财务指标和公司治理变量：企业规模（Size），采用企业年末总资产表示；企业年龄（Age），采用样本观测值当年的年份与其成立年份差额的对数表示；企业价值（Tobin’s Q），采用企业托宾Q值来衡量；企业财务杠杆率（Lev），采用企业资产负债率衡量；企业固定资产比率（FixAsset），采用企业年末固定资产与总资产的比值来衡量；企业盈利能力（ROA），采用企业资产收益率来衡量；企业产权性质（SOE），采用企业是否为国有企业的虚拟变量来衡量，即若企业为国有则SOE取1，否则取0；董事会规模（Board），采用企业董事会人数的对数来衡量；高管股权激励（MngShare），采用企业管理层持股数量的对数来衡量。此外，为了减轻反向因果关系、全要素生产率的时滞性对估计结果的影响，本文逐步引入了企业个体固定效应μi和年份固定效应λi，并对所有企业财务指标取滞后一期处理。

（三）数据样本

本文采用2007—2019年沪深A股的制造业上市公司作为研究样本，其中产业数字化数据来自中国投入产出表和中国投入产出延长表、国研网数据库和《中国经济普查年鉴》，公司层面的数据来自于Wind数据库和CSMAR数据库，城市层面数据来自《中国城市统计年鉴》。遵循已有文献的常规做法，依照以下原则对研究样本进行筛选和处理：（1）剔除样本期间内被ST、*ST或退市的企业；（2）剔除存在变量缺失的样本观测值；（3）对所有连续变量进行前后1%分位上的缩尾处理，以减弱离群值对回归结果的干扰。特别地，在样本期间内，《中国投入产出表》及其延长表在部分年份并未公布，本文参考刘波（2021）的研究[23]，基于GDP数据进行调整补齐。最终得到15 452个非平衡面板观测值。

（四）描述性统计

表2展示了主要变量的描述性统计结果。TFP为企业全要素生产率指标，其最小值为4.938，最大值为9.001，标准差为0.824，说明我国制造业企业之间全要素生产率差异较大。以直接依赖度衡量的企业产业数字化水平中位数为16.0%，而以完全依赖度衡量的产业数字化水平的中位数则为13.0%，两者标准差均为0.025，表明我国制造业数字化转型仍处于较低水平阶段，且不同行业间数字化水平差异较大。其他变量的描述性统计详见表2。

表2 描述性统计结果

三、实证结果与分析

（一）基准结果分析

表3报告了产业数字化影响企业全要素生产率的基准回归结果。第（1）列到第（3）列为以完全依赖度为产业数字化衡量指标的回归结果，第（1）列仅加入产业数字化指标、公司财务控制变量、企业年龄、产权性质和控制企业个体固定效应，结果表明Dig_com的回归系数在1%的水平下显著为正，即产业数字化与企业全要素生产率之间存在显著的正向关系，初步验证了本文的研究假设1。第（2）列加入了公司治理控制变量，第（3）列为控制了年份固定效应的回归结果，产业数字化指标Dig_com的回归系数的符号及显著性未发生明显变化，说明本文的估计结果稳健性较强。第（4）至（6）列为以直接依赖度Dig_dir为产业数字化指标的回归结果，其模型设定与前三列一致，而其核心解释变量的回归系数至少在10%的显著水平下大于0，表明产业数字化有助于企业全要素生产率的攀升，产业数字化的生产率悖论不成立，验证了研究假设1。

表3 基准回归结果

（二）异质性分析

1.企业异质性分析

如果产业数字化会对制造业企业全要素生产率造成影响，预计可以观察到该效应会由于劳动要素禀赋和数字鸿沟的差异而产生异质性影响。本文分别从企业劳动要素和企业规模的视角切入，分别采用交互项回归方法考察产业数字化的生产率效应的横截面异质性，其估计结果见表4。

表4 异质性检验结果

伴随着数字技术在制造业领域的深入应用，部分学者担忧工业机器人等自动化设备的采用可能会在制造业领域对劳动力造成替代效应而导致其失业[24]。本文引入劳动密集程度指标Labor及其与产业数字化水平的交互项进行异质性检验，结果如表4第（1）列所示。结果表明交互项的估计系数在1%的水平上显著为负，即制造业数字化更能提高劳动力密集程度较低企业的全要素生产率，数据要素的投入可能形成对低端劳动要素的替代，并导致普通劳动力对企业全要素生产率的正向影响较弱，这也与以往文献的发现相一致。

一些学者认为中小企业在数字化转型过程中面临与大型企业之间的信息技术资源禀赋和应用能力差距，即数字鸿沟可能导致中小企业缺乏开展数字化转型的能力，进而影响其生产率效应的释放[25]。为此，本文引入企业规模（Size）及其与产业数字化的交互项进行异质性分析，估计结果如表4第（2）列所示。结果表明，产业数字化与企业规模的交互项显著为负，即相较于大规模企业，产业数字化对中小企业全要素生产率的提升效应更为明显，说明中小企业也能享受到数字经济的时代红利，并借此实现换道超车和全要素生产率提升。

2.行业异质性分析

伴随着中国资源环境约束的不断强化和要素成本的持续上升，依赖传统要素投入来实现经济增长的粗放型产业发展模式已难以为继。在数字经济与实体经济深度融合、持续重构传统产业结构的背景下，不同传统要素密集型企业的数字化转型路径的生产率效应是否存在差异？为此，本文将制造业企业样本划分为劳动密集型、资本密集型和技术密集型三类子样本并进行分组回归。本文首先使用当期的全要素生产率作为因变量，为进一步考察数字化转型的中长期影响，本文还使用了前置一期的全要素生产率作为因变量。检验结果如表4所示。

表4第（3）～（5）列为采用当期全要素生产率为被解释变量的估计结果，而第（6）～（8）列使用的因变量为前置一期的全要素生产率。可以发现，当因变量为当期生产率时，在劳动密集型企业样本中产业数字化的估计系数显著为正，而在资本密集型和技术密集型企业其回归系数却并不显著地异于0，索洛的生产率悖论短期内在这两类行业成立。在使用前置一期的全要素生产率作为因变量时，产业数字化在这三类行业的回归系数都显著为正，即产业数字化对这三种类型企业的全要素生产率都具有显著的提升作用。比较不同类型企业的估计结果可以发现，产业数字化对劳动密集型企业全要素生产率的正向影响最大，资本密集型企业次之，技术密集型企业最低。

从要素禀赋的视角来看：劳动密集型企业受人口红利消失所导致的劳动力成本上升影响巨大，智能制造设备的应用能够替代部分重复性、程序化的劳动，能够较快弥补劳动力成本上升带来的生产率下降效应[26]。资本密集型企业发展主要依靠大量资本投入，其资金周转和投资见效较慢，因此全要素生产率增长速度不如劳动密集型企业，但数字技术仍能够有效畅通全产业链的物质流、信息流和能量流循环，实现企业商业决策的精准化与投资效率的稳健提升。技术密集型企业主要通过技术创新以获取比较优势，虽然制造业数字化能够通过助力该类企业提升核心创新能力，进而实现生产效率提升，但是由于企业的研发创新活动转化为生产率的实际提升需要一个较长的过程，因此短期内产业数字化的生产率效应在该类企业中难以发挥出来。

（三）机制检验

前文已经验证了产业数字化有助于引领企业全要素生产率提升，但其影响生产率的传导机制尚不清晰。本文依据产业数字化嵌入价值链不同环节的特点，借助中介效应模型分别考察产业数字化通过“创新激励效应”“价值共创效应”与“管理优化效应”等三个渠道对全要素生产率的影响，回归结果如表5所示。

表5 机制检验结果

产业数字化能够为研发创新提供必要的数据要素，加速企业对数字技术的吸收与领域内创新知识的扩散，引领制造业创新资源优化配置和生产率提升。因此，本文采用研发投入强度（Inno）作为研发创新的代理变量，检验结果如表5第（1）、第（2）列所示。结果表明，制造业领域内的产业数字化增强了企业进行研发投资的意愿，而研发投资所引致的创新能力提升了制造业企业的全要素生产率。从第（1）列可以看出，产业数字化指标的估计系数在1%的水平上显著大于0，制造业数字化转型加速了企业利用研发创新来打造自身竞争新优势的进程。而第（2）列则表明，产业数字化的“创新激励效应”对全要素生产率具有显著的提升作用。事实上，在我国制造业领域内，设备数字化、数字化研发实践效果明显，许多企业由此实现了向个性化定制、服务型制造和网络化协同生产的发展方式变革。

智能终端、在线平台等数字化技术帮助企业摆脱了物理环境的束缚，将其与传统销售模式中壁垒重重的中小客户紧密联系在一起，使得制造企业与客户群体之间的“价值共创效应”在企业生产经营活动中扮演着越来越重要的角色[17]。因此，本文引入客户分散程度（CD）考察“价值共创效应”在产业数字化与企业生产率之间关系的作用，回归结果如表5第（3）、第（4）列所示。结果表明，产业数字化有助于提高制造业企业的客户分散程度，且客户分散程度在企业生产率的提升中起到了正向影响，即“价值共创效应”的中介作用成立，这也与孟庆玺等（2018）的结论相一致[27]。在数字化、网络化、智能化等消费经济新场景下，产业数字化改变了制造业对传统的以大客户为核心的利润获取路径的依赖，形成了以多层次客户群体为中心、企业——客户价值共创的生产率提升路径。

大数据、人工智能等数字服务的应用有助于制造业企业通过对业务流程数据、消费大数据的智能聚合与分析洞察，为企业完善组织结构、洞察市场变化、实现管理系统效率变革提供了强大动力，在经营管理过程中推动了企业在既有技术条件下的产出结构优化[28]。本文采用1减管理费用率的值（ME）作为管理效率的代理指标，考察产业数字化能否通过改善企业管理效率而实现生产率的攀升，结果如表5第（5）、第（6）列所示。估计结果表明，当因变量为管理效率ME时，产业数字化的系数在1%的显著性水平上为正；而当因变量为全要素生产率TFP时，可以发现产业数字化的“管理优化效应”确实是提升企业生产率的重要机制。组织结构落后与决策机制僵化是制造业企业的痼疾和逐渐丧失竞争优势的重要缘由，我国制造业企业应当借助数字化转型的契机，积极引领自身管理体制变革。综合以上分析，产业数字化能够通过“创新激励效应”“价值共创效应”和“管理优化效应”驱动制造业企业的全要素生产率提升，假设2成立。

（四）稳健性检验

为了验证本文估计结果的稳健性，本文进行了以下回归：（1）使用OP方法重新测度全要素生产率指标[29]，以替代本文的被解释变量；（2）采用制造业行业对数字经济部门的直接消耗系数作为替代指标；（3）由于信息通信行业所需的数字要素投入水平明显高于其他制造业行业，剔除计算机、通信和其他电子设备制造业企业样本重新进行回归；（4）选取滞后一期的直接依赖度作为工具变量进行两阶段最小二乘法（2SLS）回归；（5）将“宽带中国”“智慧城市”等网络基础设施建设视为产业数字化的外生冲击[17]，设置倍分项Policy（所属城市被列为试点城市后的企业样本取1，否则取0），采用渐进双重差分法进行内生性检验。稳健性检验的估计结果如表6。

表6 稳健性检验结果

表6第（1）列的因变量为使用OP方法估计的全要素生产率，第（2）列的核心解释变量是以直接消耗系数衡量的产业数字化水平，第（3）列是剔除了ICT制造业样本的回归结果，后三列分别为工具变量回归和渐进双重差分法估计结果。可以发现，无论是更换被解释变量、核心解释变量、剔除包含异常值的样本，还是剔除内生性问题后，制造业数字化的回归系数的符号及显著性均未发生明显变化，本文的估计结果依然稳健。以上稳健性检验结果表明，产业数字化能够显著推动企业全要素生产率攀升，本文的理论假设1成立。

四、研究结论与政策启示

在国际经济不确定性增强、国内传统要素红利持续消失的后疫情时代，以数字经济与实体经济“双融合”支撑中国经济创新驱动和发展动能接续转换，成为我国制造业实现高质量发展的工作重点。本文利用投入产出法测度中国制造业产业数字化水平，并考察其对企业全要素生产率的影响及内在机制，主要得出以下结论：第一，产业数字化对中国制造业企业全要素生产率存在显著的提升作用，制造业领域的产业数字化有助于破解新一代信息通信技术的生产率悖论；第二，产业数字化对低端劳动要素存在替代效应，且中小企业在产业数字化中受益更大；第三，产业数字化对不同要素密集型产业都存在对生产率的提升作用，但在短期内仅表现于劳动密集型产业；第四，产业数字化主要是通过调整价值链嵌入方式，即借助“创新激励效应”“价值共创效应”和“管理优化效应”等渠道实现企业全要素生产率的跃升。

为应对全球制造业竞争新格局与国内跨越技术陷阱的客观诉求，我国必须坚定不移地贯彻促进数字技术与实体经济深度融合的战略部署，全面壮大制造业发展新引擎。具体而言：（1）加强新型数字基础设施战略布局，促进数据要素与制造业传统生产要素的渗透融合与优化重组，利用数字技术全链条、全方位地改造传统制造业，加速制造业的产业数字化进程。（2）强化数字技术对关键共性技术和前沿引领技术的支撑作用，加速制造业领域内创新要素的流通和传输，释放技术创新对制造业发展的叠加、倍增效应。（3）借助产业数字化契机增强制造企业对市场需求的精准感知和即时响应能力，打造以多层次客户为核心的价值共创平台，构建市场主体加速融合与多元价值协同的新型制造业生态系统。（4）积极推进数字化转型公共服务中心建设，推动组织结构扁平化变革和决策机制智能化，引领制造企业重构组织模式和实现决策科学化。