智能化发展对企业全要素生产率的影响
——来自制造业上市公司的证据

温湖炜，钟启明

(1.南昌大学中国中部经济社会发展研究中心，江西 南昌 330031；2.南昌大学经济管理学院，江西 南昌 330031)

0 引言

全球新一轮科技革命和产业变革背景下，制造业与信息化、智能化融合发展是中国深化工业化进程和推动经济高质量发展的重要着力点。目前，中国制造业内部的资源投入与生产率呈反向角力态势，国际上面临着发展中国家同类竞争与发达国家再制造业化的 “双向挤压”[1-2]。国务院和党中央结合制造业领域的国际竞争新形势和国内发展客观现实，确定了推动智能制造发展的总体布局，明确要求推动互联网、大数据、人工智能和实体经济深度融合。2018年12月，中央工作经济会议提出2019年重点工作之一是推动先进制造业和现代服务业深度融合，推动制造业高质量发展。近些年，美国、德国等发达工业国家先后提出 “工业互联网”和 “工业化4.0”战略计划，旨在通过制造业智能化转型抢占国际竞争制高点。因此，推动智能制造发展对于中国供给侧改革、培育经济增长新动能，进而实现制造业向中高端迈进具有重要意义。

全要素生产率综合考虑了企业生产过程中的技术水平、管理能力、资源配置效率等诸多因素，是衡量制造业企业转型升级效果和高质量发展的代表性指标[3]。党的十九大报告明确指出， “中国经济已经由高速增长阶段转向高质量发展阶段，必须坚持以供给侧结构性改革为主线，提高制造业全要素生产率。”强调两化融合或智能化发展对企业全要素生产率的重要性也是科技管理领域的重要话题，但相关研究并未得出一致性结论。以往文献普遍存在信息技术的生产率悖论困扰，针对索洛提出的 “计算机对生产率没有作用”的 “索洛悖论”展开了深入探讨。比如，Gordon[4]认为机器人、人工智能、无人驾驶汽车等技术创新是对企业生产率和运营方式几乎没有影响的非市场效益。如何发挥信息技术应用的生产率潜力，构建破解生产率悖论的有效路径成为了研究焦点[5]。作为制造业与新一代信息技术的深度融合模式，智能制造的实践效果如何，能否成功达到助力企业生产率提升的目标？通过何种机制影响全要素生产率，需要怎样的保障机制支撑企业智能化转型？这些问题都亟待解答。

本文利用文本处理技术和企业年报测度中国制造业上市公司的智能化发展水平，考察智能化发展对企业全要素生产率的影响及其传导机制。与既有的研究相比，本文有以下3个方面的贡献：①研究数据上，区别于现有文献主要从地区或行业层面考察制造业智能化发展，首次从企业层面测度中国制造业的智能化发展水平。②研究视角上，将信息技术的生产率悖论研究拓展到考察制造业与新一代信息技术深度融合的生产率效应，为相关理论发展提供实证依据。③研究内容上，考察智能化发展过程中产品创新和服务创新及其螺旋式发展的生产率效应，并分析企业异质性和《中国制造2025》实施的影响，为落实智能化发展推动制造业全要素生产率提升提供决策参考。

1 文献回顾与理论分析

1.1 文献回顾

信息技术对于制造业发展的重要地位是产业经济学领域由来已久的话题。自索洛首次提出 “索洛悖论”以来，许多文献就信息技术及其生产率效应展开了广泛讨论，从生产率的时滞性和度量偏差等方面解释信息技术的生产率悖论[6]。此外，不少文献发现组织变革、人力资本和管理实践、产品与服务创新等策略行为是破解索洛悖论的有效路径[5,7]。近年来，许多文献从两化融合的视角来展开信息技术或智能化发展与制造业转型升级的关系研究。一方面，针对以工业4.0、工业互联网等为代表的新一代信息技术与制造业融合发展的全球趋势，从美国、德国等发达国家再工业化的不同逻辑导向入手，探寻制造业智能化转型和高质量发展的国际经验[8-9]；另一方面，围绕中国制造业转型升级和《中国制造2025》目标，剖析信息化与工业化的融合路径和政策支撑[10-11]。

以智能制造为核心的新一代信息技术改变了现有产业结构，智能化转型也已突破传统信息技术、两化融合的理论逻辑。针对产业智能化发展的研究方兴未艾，相关文献聚焦于智能制造对就业市场的影响[12]与产业转型升级效应[13]、工业机器人进口对制造业生产率的影响[14-15]等问题。这些研究主要从宏观层面考察工业智能化转型的影响，而对其微观传导机制的研究并不清晰。全要素生产率是转型升级效果和高质量发展的客观衡量指标，中国制造业智能化转型最终要落实到提升企业的生产率。

国内外学者采用不同的研究方法、研究数据以及研究视角考察了两化融合、智能制造对制造业发展的影响，得出了富有启发性的结论。由于智能化发展的微观数据难以获取，这些研究往往从地区或行业层面考察，缺乏对企业层面智能化发展的理论模型和实证分析，尤其是缺乏对智能化发展的生产率效应的实证检验。此外，目前没有智能化发展水平的统计指标和统一的测度标准，导致其与生产率关系的实证结果可信度不足。本研究选用企业年报中反映智能化水平的文本词频数作为代理变量，在企业层面考察智能化发展对制造业全要素生产率的影响强度和内在机制。

1.2 理论分析

智能制造是新一代信息技术与制造业发展的深度融合，《中国制造2025》则 “把智能制造作为两化深度融合的主攻方向”。遵循两化融合的经济效应，能够理解智能制造对企业生产经营和生产率的潜在影响。在数字化、网络化、人工智能等智能制造的新情境下，企业将数据这种新兴生产要素与生产条件进行重新组合并引入生产系统，形成人、机、物的生态闭环，通过以下3种途径赋能制造业企业转型升级和投入产出效率提升。①重构人机边界，将生产过程中的海量数据与专家经验结合而实现智能决策，建立了由人类赋予机器智能、由机器即时完成复杂决策的智能工厂。②通过大数据、物联网构架起全产业链的沟通平台，将传统生产流水线转化为物联网，通过从设计到生产、销售的数据互通，驱动上下游企业实现生产要素的精准对接和产能共享。③为企业提供更为先进的现代通信技术，通过精准捕捉用户需求而实现各种资源配置的快速而高效响应[16]。总之，作为制造业与新一代信息技术的深度融合模式，智能制造一方面通过车间管理重构而推动企业组织变革，另一方面通过构建逆向信息快速响应的创新范式而推动企业迈向附加值高的价值链环节，实现新一代信息技术的生产率效应。因此，提出假设1：智能化发展水平对制造业企业全要素生产率存在显著的正向影响。

价值链是指为实现产品或服务价值而连接研发设计、生产、营销和售后服务整个过程的企业间组织网络，在 “价值链升级”思路引领下智能制造与 “产品+服务”创新环节的渗透融合，实现价值链升级，最终提升全要素生产率[17]。从价值链的微笑曲线看，企业可以通过改变价值链的嵌入方式，延伸上、中、下游的价值链实现产品增值[18]。在产业链上游，企业主要基于云计算和大数据改进研发、设计环节实现产品创新。一方面，企业通过云计算采集用户行为数据和产品的全生命周期数据，高效实现产品的迭代升级；另一方面，通过以智能设备为载体的物联网实现用户、研发人员和产品之间的互联互通，构建逆向信息快速响应的创新模式，将用户需求实时反馈到研发设计环节，提升创新效率。在产业链中游，工业智能化主要通过制造车间管理重构和推动组织变革，从而提升企业的生产效率。在产业链下游，企业突破传统业务模式、实现服务创新，由产品偏好的制造企业转变为专业化服务提供者。一方面，制造业服务化过程使得企业更多地开展个性化定制和在线支持服务，企业通过提供个性化服务或整体解决方案的方式增强核心竞争力；另一方面，从产品全生命周期到价值链全过程，企业不断剥离优势专业活动成立独立部门，面向相关行业提供专业化服务，延伸价值链深度和强化价值链地位。因此，提出假设2：智能制造在价值链中与产品创新、服务创新的深度融合实现 “智创融合”，制造业企业可以改变价值链嵌入环节而提升全要素生产率。

2 计量模型与变量、数据说明

2.1 数据样本

本文以2009—2018年沪深两市的上市制造公司为研究样本，财务数据来自CSMAR数据库和WIND数据库，宏观数据来自《中国统计年鉴》。本文按照以下原则对样本进行处理：①剔除ST类和退市企业；②剔除重要变量缺失的企业样本；③对所有连续变量都在1%和99%分位上做缩尾处理，以避免离群值对样本估计的影响。

2.2 模型设计与变量说明

影响企业全要素生产率的因素众多，为了准确衡量智能化发展对企业全要素生产率的净效应，采用包含固定效应的多元线性回归模型进行实证分析，模型表示为：

lnTFPit=β0+β1Intelit+θControlit+

μind+λprov+τt+εit

(1)

式中，下标i表示上市公司，t表示年度。lnTFP为全要素生产率指标，Intel表示企业智能化水平，Control代表控制变量；μind、λprov、τt分别表示行业、省份和时间特征，εit表示随机干扰项，并使用了行业层面上的聚类稳健标准误。

智能制造主要通过价值链环节嵌入互动进而提高企业的投入产出效率。本文选取产品创新或服务创新与智能化水平的交互项作为自变量，考察企业智能化发展与研发设计和售后服务的交互融合的生产率效应。将模型 (1)进行拓展，可表示为：

lnTFPit=β0+β1Intelit+β2Innoit+β3Intelit×Innoit+θControlit+μind+λprov+τt+εit

(2)

式中，Inno表示企业产品创新和服务创新的代理变量，Inno×Intel代表智能制造嵌入价值链环节的代理变量，其他变量与模型 (1)中的变量含义一致。

(1)被解释变量。模型的被解释变量为全要素生产率 (lnTFP)。

借鉴黎文靖等[19]、钱雪松等[20]等相关研究，设计对数柯布—道格拉斯生产函数来测度企业全要素生产率指标，可表示为：

lnY=β0+β1lnKit+β2lnLit+β3lnMit+εit

式中，Y为营业收入，K为固定资产净值，L为支付给职工以及为职工支付的现金，M为中间投入，借鉴袁堂军[21]的做法，以 “营业成本加上各项期间费用再减去本期折旧摊销额以及劳动报酬总额”测度。具体而言，将样本进行行业固定效应回归，以其残差测度企业全要素生产率。

(2)核心解释变量。模型的核心解释变量有以下3个。

企业智能化水平 (Intel)。由于企业智能发展水平的数据难以获取，导致该领域的研究工作难以开展。然而，上市公司财报中某些词汇出现的频数在一定程度上代表了其战略发展方向和业务经营范围[22]，本文采用文本处理技术，在企业年报中查询有关智能化发展水平的文本词频数，以其对数值作为智能化水平的代理变量。

产品创新 (Product)。参考Arnold等[23]的研究，按企业的产品创新表现区分为体现创新质量的突破式创新 (Radical)和体现创新数量的渐进式创新 (Incre)，其中突破式创新使用发明专利申请数的对数值来衡量，渐进式创新以实用新型专利和设计专利申请数之和的对数值衡量。为了考察智能制造的生产率效应的传导机制，在张峰等[24]研究的基础上，利用各种产品创新类型与Intel的交互项作为解释变量进行机制检验。

服务创新 (Service)。借鉴Mathieu[25]、Eggert等[26]的研究，将制造企业提供的服务划分为产品相关服务 (SSP)和顾客相关服务 (SSC)。其中，产品相关服务是指支持主营产品的安装及使用的服务，典型的服务有产品安装、维修保养和产品检测等，主要通过增加产品销量来获取利润；顾客支持服务则是指支持顾客行为或运营的服务，典型的服务有研究与开发、咨询、培训和金融服务等，可以在传统的产品收入之外创造服务性盈利。在Fang等[27]研究的基础上，利用服务收入占主营业务收入的比例与Intel的交互项，作为机制检验中服务创新的解释变量。

(3)控制变量。参考企业全要素生产率的相关研究，控制以下企业层面的变量：企业规模 (Size)、企业年龄的对数 (Age)、企业价值 (TobinQ)、是否为国有 (SOE)、资产负债率 (Lev)、固定资产比率 (Fixs)、资产收益率 (ROA)、现金资产比率 (Cash)、人力资本 (HR)、以学历是否在大专及以上衡量的董事长或总经理教育背景 (Edu)。考虑到时间和行业的影响不容忽视，控制了年份、行业等层面的固定效应。

2.3 描述性统计

主要变量和控制变量的描述性统计见表1。Intel为企业智能化发展水平的测度指标，其最小值为0，最大值为4.511，标准差为1.198，说明不同企业的智能发展水平存在较大差异。lnTFP为全要素生产率指标，其最小值为-2.256，最大值为1.811，表明中国制造业上市公司的生产率差异很大。

表1 描述性统计

为了验证全要素生产率和智能化水平等指标的可靠性，企业全要素生产率的时间趋势和智能化水平的核密度估计如图1所示。由图1可见，中国制造业的全要素生产率持续走高，这一结果与黄群慧等的研究相一致[11]。从智能化水平的核密度估计图中可以发现，相对分布曲线的波峰由0开始不断右移，表明许多企业陆续开展智能制造且智能化水平持续提高，该趋势与吕文晶等[18]的研究相同。与此同时，《中国制造2025》将智能制造确定为中国制造业发展的主攻方向。由图1可见，2015年也正是智能化发展加速的重要节点，此后智能化水平较高企业的生产率增速明显高于低智能化水平企业，直觉表明智能化发展可能与企业全要素生产率存在正向因果关系。

图1 全要素生产率的时间趋势 (左图)和智能化水平的核密度估计 (右图)

3 实证结果与分析

3.1 基准结果分析

利用式 (1)得出智能化发展水平的生产率效应。基准回归结果见表2中的 (1) (2)列。可以发现，Intel的系数在5%水平上都显著为正，说明智能化转型能够推动企业全要素生产率提升。此外，选用孙早等[12]构建的地区工业智能化指数作为替代变量进行回归，结果见表2的 (3)列，Intel的系数在1%水平下依然显著为正。以上分析说明，智能化发展水平与企业全要素生产率存在显著正相关关系，即研究假说1成立。

为了识别智能化发展对企业全要素生产率的因果效应，本文选取以下工具变量进行两阶段最小二乘估计，解决可能存在的内生性问题：①滞后一期的企业智能化水平；②各省宽带端口数的对数。智能制造不可避免地受到各省网络基础设施的约束，而网络基础设施发展较难受到单个企业的直接影响。工具变量回归的第二阶段估计结果见表2的 (4)～ (5)列。可以看出，在剔除内生性影响后，Intel的系数都在1%水平下显著大于0，验证了本文结果的稳健性，说明智能化发展水平能够显著提升企业全要素生产率，智能化发展的生产率悖论不成立。

表2 基准回归结果

3.2 异质性影响分析

如果智能化发展水平与企业全要素生产率存在因果效应，应该可以观察到这一效应会由于要素禀赋和转型动机的差异而表现出异质性。本文从企业经营状态和劳动要素的视角切入，分别按照企业人力资本、经营状况和要素密集程度划分样本，运用分组回归方法考察智能化转型造成企业生产率改变的横截面差异，探究智能化发展的生产率效应的内在机制，结果见表3。

伴随着劳动力成本不断上升，工业机器人在中国制造业生产领域起着重要作用，部分学者对此展开讨论[12]。通过在制造业生产环节中人、设备、产品的高效互联，工业机器替换人对不同人力资本禀赋和不同劳动密集程度的行业产生异质性影响。本文首先从人力资本视角考察智能化发展对生产率的异质性影响，结果见表3的 (1) (2)列。针对不同人力资本水平的企业，Intel的系数在1%水平下显著为正，同时人力资本稀缺企业的系数显著地大于人力资本丰裕的企业。

随着资源环境约束和人口红利消失，中国制造业因投入大量生产要素而获得的传统优势正逐渐丧失。在智能制造技术逐步扩散的背景下，行业要素密集程度是否会影响智能化发展的生产率效应？本文从要素密集程度视角切入进行异质性检验，结果见表3的 (3) (4)列。可以发现，智能化水平系数均在1%的水平上显著为正且劳动密集型行业的系数更大，劳动密集型产业智能化发展的生产率效应较强。刘斌等[1]的解释是：劳动密集型产业在产业链中更接近终端消费者，对企业研发设计与售后服务等优质服务要素投入的要求较高，而 “智创融合”赋予企业丰富的研发设计和营销经验等新型资源，为其突破价值链的低端锁定极大赋能，提升企业的生产效率。

在新一轮信息技术变革和国际贸易摩擦加剧的浪潮下，国内部分制造企业由于缺乏核心竞争力，在日益激烈的国际竞争中盈利能力逐渐下降甚至出现大量亏损。为检验智能制造对不同经营状态企业的异质性，依据盈利水平进行分组检验，结果见表3的 (5) (6)列。可以看出，Intel的系数在1%水平下均显著为正，且经营效益差企业的系数大于经营效益好的企业，说明智能化发展对其生产率的提升作用相对更强。

表3 异质性影响的估计结果

以上结果表明，与人力资本丰裕、资本使用密集、经营效益好的企业相比，智能化发展对人力资本稀缺、劳动使用密集、经营效益差的企业的生产率效应相对更强。该结论从要素禀赋视角可以得到解释：智能化转型为这些企业在生产和创新活动提供了一种新的重要资源，智能制造技术对于技能人才和资本等要素禀赋相对稀缺的企业边际效应尤为显著。以上结果还表明，智能制造技术替换低端要素、助力企业脱困的机制确实存在，本文的研究结论为中国制造企业通过智能化转型提高生产率、实现 “换道超车”愿景提供了证据支持。

3.3 价值链环节嵌入影响分析

智能制造嵌入价值链上下游的生产率效应见表4。首先，无论是以产品创新还是服务创新为调节变量，交互项Inno×Intel的系数均为正，且大部分系数的T值都大于1，很大概率说明智能化发展通过价值链嵌入路径提升企业生产率。其次，在加入企业创新指标与智能化水平的交互项后，Intel的系数明显下降，说明价值链嵌入创新在智能化发展与全要素生产率之间存在正向调节作用。最后，价值链下游嵌入服务创新的系数较大且与顾客相关服务创新的交互项系数显著，说明制造业企业主要通过智能制造与服务创新的深度融合而向价值链下游升级，从而提升全要素生产率。

观察表4的列 (2) (3)系数发现，突破式创新的调节效应大于渐进式创新，说明 “智创融合”的生产率效应更多地通过突破式创新效应而非渐进式创新。突破式创新是对已有知识、技术和产品的颠覆式变革[28]，是对未来市场的前瞻式反应，对以全要素生产率为代表的企业长期发展质量有着持续影响。相反，渐进式创新强调对已有知识或技术的改进升级和对市场现状的反应，主要作用于企业短期的稳健发展，缺乏提升生产效率的长远动力。从列 (5) (6)可以看出，顾客相关服务创新的系数在统计意义上显著，说明在服务创新的路径中，顾客相关服务在智能化发展和生产率之间的调节作用更为突出。事实上，目前全球生产实践中制造业企业趋向于通过提供附加值更高的顾客支持服务建立稳定的客户关系，以寻求向价值链下游升级，帮助实现利润流的改善。

表4 价值链环节嵌入影响的估计结果

与产品创新相比，服务创新的调节效应更大且存在显著的统计意义。这表明较之传统的产品逻辑，基于服务逻辑的服务创新更能适应新消费时代的顾客需求，从而达到提升全要素生产率的目标。此外，在加入交互项后，Intel的估计系数均明显下降。本文证实了价值链升级视角下 “智创融合”影响制造业企业生产率的作用机制，即智能化发展与产品创新、服务创新的深度融合，促使向价值链两端升级而增强竞争力，提升企业的全要素生产率。

3.4 扩展性分析

为了更加深入地理解智能制造的经济功能，本文将从螺旋效应、场景测试和产业政策干预的视角进一步考察智能化发展提升企业全要素生产率的作用机制。

(1)螺旋效应：智能化发展与企业创新的螺旋式提升。智能制造能够通过向价值链两端升级而实现转型升级的目标，那么智能化转型是否与企业创新存在互动机制，实现智能化和价值链升级的螺旋式发展，从而获得生产率的持续提升？表5的列 (1) (2)报告了企业创新与智能化发展的互动影响，可以发现智能化发展正向推动企业创新，反之企业创新也对智能化发展存在显著的正向影响，说明企业智能化转型与价值链升级存在螺旋效应而共同推动生产率提升。

(2)场景测试：经营危机冲击下的企业全要素生产率。如果本文假说为真，当企业处于不利环境时，其智能化发展的经济效果应该更加明显。因为对于身处困境的企业而言，通常面临经营业绩的压力，而智能制造为其提供了一条改善绩效的路径，企业可以寻求智能化转型摆脱经营困境和提高生产率。为了验证这一猜想，本文根据资产收益率是否低于行业平均水平构建企业经营危机虚拟变量Crisis，并引入交互项Intel×Crisis，表5的列 (3)为检验结果。该交乘项的系数显著为正，说明智能制造有助于提高经营危机企业的全要素生产率，再次验证了本文结论的稳健性。

(3)产业政策干预：《中国制造2025》与智能制造发展的协作推进。在《中国制造2025》中，智能制造被明确为制造业发展的主攻方向，产业政策干预对智能化发展造成较大冲击。本文将《中国制造2025》政策出台作为准自然实验，考察其对于制造企业的干预效果。为了检验政策冲击是否导致企业智能化发展环境发生了显著变化，本文设置时间虚拟变量dt，若年份处于2015年及以后，则dt=1，否则dt=0；同时引入交互项Intel×dt。表5的列 (4)显示，《中国制造2025》出台后，智能化发展的系数不再显著为正，说明产业政策干预降低了企业智能设施投资的效益，削弱了其生产率效应。此外，使用省份智能化水平与dt的交乘项作为Intel×dt的替代变量，回归结果见列 (5)，系数显著大于零，说明《中国制造2025》的出台促进了智能制造技术扩散和区域数字资源整合，激发了公共智能设施的网络效应，实现智能化发展对生产率的倍增效应。此外，本文还将智能化水平高的企业设置为处理组，并引入处理组与政策干预的交互项du×dt，构建双重差分模型，结果见表5的列 (6)。结果表明，交互项du×dt的系数显著为正，以《中国制造2025》为代表事件的智能制造显著提升了企业全要素生产率。

表5 扩展分析结果

4 结论与政策启示

在全球制造业竞争格局趋紧和国内经济增长速度放缓的背景下，促进新一代信息技术与制造业深度融合成为实现中国经济提质增效、高质量发展的经济工作重点。本文利用文本处理技术测算中国制造业上市公司的智能化发展水平，实证考察智能制造的生产率效应，主要得出以下结论。

(1)智能化发展对中国制造企业全要素生产率具有显著的正向作用，在考虑了内生性可能导致的估计偏误后，该结果依然稳健，说明制造业与新一代信息技术的深度融合模式能够构建破除信息技术生产率悖论的有效路径。

(2)由于企业要素禀赋和转型动机的差异，智能化发展的生产率效应存在异质性，相较于要素禀赋相对丰裕的企业，智能制造技术对于技能人才和资本等要素禀赋相对稀缺的企业作用效果尤为显著，智能制造是帮助企业脱困的重要手段。

(3)智能制造通过价值链环节嵌入互动，与 “产品+服务”融合创新以及螺旋式发展，向附加值较高的价值链微笑曲线两端攀升，进而促进制造企业的高质量发展与全要素生产率提升。

(4)《中国制造2025》一方面降低了微观企业智能设施投资的效益，另一方面促进了智能制造技术的扩散和工业大数据资源的互联互通，激发了公共智能设施的网络效应。

本文的研究结论具有较强的政策含义。针对制造业领域国际竞争新形势和国内发展诉求，中国必须深入贯彻十九大关于推动互联网、大数据、人工智能和实体经济深度融合的战略部署，把制造业与新一代信息技术的深度融合作为主线，全面赋能制造业高质量发展。具体地，从以下4个方面着手。

(1)落实工业互联网基础设施建设，加快推动智能装备升级改造，实施智能制造示范政策和数字制造普及工程，鼓励信息系统与生产设备的互联互通及工业大数据的广泛共享，为处于劳动密集型产业和经营困境的企业调整赛道、动能转换提供充足助力。

(2)围绕人工智能、工业互联网等关键共性重大技术和行业重点需求，开展智能制造产学研协同创新，重点推进行业基础和关键技术研发，并促进技术创新成果产业化，同时支持先进制造业企业提供技术咨询、知识产权分析等研发咨询类专业化服务，加快技术转移和应用推广。

(3)制造业应当摆脱 “产品偏好”、更加注重 “产品+服务”在价值链中的演进和趋势发展，强调推进制造业品质革命和服务型制造，通过智能化转型与 “产品+服务”融合创新的螺旋发展摆脱价值链低端锁定，实现价值链攀升。

(4)适时调整政策实施方式，优化政策工具组合，减少从对特定产业的财政补贴和税收优惠，将政策的资源配置导向转变为智能制造发展提供更多的共性技术研发和技术扩散服务，加快公共数字基础设施体系建设。