1. 引言
2023年9月，习近平总书记在黑龙江省进行实地考察时，首次提出了“新质生产力”这一重要理论概念。在调研过程中，总书记强调，要整合科技创新资源，引领发展战略性新兴产业和未来产业，加快形成新质生产力。这一理念的提出，不仅为经济发展注入了全新活力，也在后续发展中不断被深化与拓展。作为现代经济体系中的关键要素，新质生产力主要依托技术创新的驱动作用，通过整合前沿技术应用、新兴产业门类、创新商业模式以及现代服务业态等多元维度而构建，具有高科技、高效能、高质量的特征，是摆脱传统粗放型增长模式、实现高质量发展的必然选择。在这一背景下，企业作为经济活动的微观主体，其数字化转型不仅是技术应用的升级，更是生产力质变的关键路径。当前，数字技术与实体经济融合不断深化，可以有效提升资源使用效率并重构价值创造方式，从而为新质生产力的发展创造有利条件。数字化转型不仅能够帮助企业突破传统生产模式的局限，还能通过数据驱动、智能化运营和平台化协作等方式，显著提升企业的创新能力和市场竞争力。深入探讨数字化转型如何影响企业新质生产力的形成与发展，不仅有助于丰富和完善新质生产力的理论体系，还能为企业制定数字化转型战略提供理论依据，为政府制定相关政策提供参考，推动我国企业在数字经济时代实现可持续发展。基于此，探究数字化转型对企业新质生产力的影响机制、异质性特征及应对策略，具有重要的理论与现实意义。
2. 文献综述
2.1. 数字化转型
在数字经济时代，企业通过运用新一代信息技术，对其运营体系进行全方位重构的战略性举措，可被定义为数字化转型。这一转型过程涉及价值创造方式、管理范式以及商业生态系统的系统性革新[1]，其核心目标在于通过技术赋能实现经营效能的显著提升、创新潜力的充分释放以及市场地位的持续强化。对于企业数字化转型的度量，现有研究方法主要包括爬取数字化转型关键词频[2]、使用无形资产中软件以及专利等数字化资产占无形资产的比重[3]、构建虚拟变量[4]等方法。近年来，学界关于数字化转型对企业的影响研究也逐渐增多。巫强等研究发现随着数字化技术的深入应用，企业在供应商选择、物流配送以及库存管理等方面呈现出明显的多元化趋势[5]。陈旭等基于价值创造视角，研究发现实施数字化战略能够显著提升企业绩效水平[6]。刘海曼等实证验证了数字化转型对企业的绿色创新水平有显著的提升作用[7]。
2.2. 企业新质生产力
相较于传统生产要素驱动的生产力形态，新质生产力体系呈现出显著的特征差异，其核心在于以信息技术应用、知识资本积累和创新网络协同为基础，推动生产方式从资源密集型向知识密集型转变[8]。它不仅关注生产效率的提升，更注重生产过程的智能化、绿色化和生态化发展。目前，关于新质生产力的度量方法仍处于探索阶段，但已有研究从不同维度构建了评价体系。宋佳等依据生产力二要素理论框架，构建了多维度的综合评价指标体系[9]。卢江等从科技、绿色、数字生产力三个层面构建指标体系，并采用熵权法对省域层面的新质生产力发展水平进行测算[10]。众多学者对于企业新质生产力的影响因素方面，也从不同角度进行了探索。宋佳等研究发现企业在环境、社会和治理方面的实践成效对其高质量发展有显著促进作用[9]。杨芳等实证研究发现企业健全的内部控制体系能显著提升企业新质生产力，并且这种表现在国有企业以及大规模企业更为显著[11]。霍宏卿和程彬桓聚焦于微观企业，发现人工智能水平的提升通过帮助企业“降本增效”，进而促进企业新质生产力的发展[12]。
综上所述，现有文献对二者均各自有比较充分的研究。现有关于数字化转型对企业的影响多聚焦于企业的融资约束缓解效应、技术创新驱动作用以及经营绩效提升机制等方面。就新质生产力的影响因素而言，现有研究普遍关注环境规制要素、数字经济发展水平以及数据要素配置效率等关键变量。然而，目前学界对数字化转型与企业新质生产力二者关系的研究并不多见。据此，本文立足于微观企业视角，探究数字化转型对企业新质生产力的影响路径与作用机制，对促进企业高质量发展具有重要的理论意义和实践价值。
3. 研究假设
3.1. 数字化转型与企业新质生产力
在数字经济蓬勃发展的背景下，企业进行数字化转型已成为大势所趋。数字化转型涵盖了企业运营的各个层面，从生产流程的智能化升级，到管理模式的创新变革，再到与客户互动方式的转变[13]，这种全方位的变革对企业新质生产力产生了深远影响。从生产流程角度来看，数字化转型通过引入先进的数字技术，如物联网、大数据分析、人工智能等[14]，能够实现制造流程的智能化管理和精细化运营，生产设备之间相互关联，从而显著提升企业生产效率。在资源配置方面，现代信息技术赋能企业实现精准化运营管理，通过大数据分析和智能算法应用，企业能够实时掌握市场动态并评估内部资产效能，从而提升生产力。从创新效能视角来看，技术变革为企业构建了开放协同的创新生态系统。通过数字化平台，企业能够突破地理限制，与全球价值链上的供应商、合作伙伴及终端用户建立实时互动机制。这种开放式创新模式不仅加速了知识流动和技术扩散，还促进了创新资源的优化配置，这种创新能力的提升直接转化为市场竞争优势，为新质生产力的发展提供了持续动力。基于此，本文提出研究假设H1：
H1：数字化转型会提升企业新质生产力。
3.2. 数字化转型、创新能力与企业新质生产力
基于资源基础理论与动态能力理论，数字化转型通过重构企业资源禀赋和知识整合机制形成创新驱动效应，这种技术赋能机制打破了传统科层制的创新约束，使组织能够更高效地实现知识流动与技术融合，为创新能力跃迁奠定基础。在企业数字化转型进程中，大数据分析发挥着精准洞察市场需求的关键作用，人工智能则助力优化研发流程，二者协同打破了企业内外部的信息壁垒[15]，有力地促进了企业创新能力的提升。企业创新能力得到提升后，会对新质生产力产生积极且深远的影响。一方面，根据熊彼特增长模型，当企业突破创新阈值后，其研发效能提升将触发“创新–生产率”的良性循环。数字技术赋能的模块化创新使产品组合的差异化程度得到提升，这不仅增强了市场竞争力，还创造了新的价值增长点。另一方面也源于创新带来的生产流程和管理模式的变革，以使资源配置进一步优化。基于此，本研究提出假设H2：
H2：数字化转型通过提升企业创新能力进而提升企业新质生产力。
3.3. 数字化转型、内部管理成本与企业新质生产力
根据流程再造理论，企业数字化转型通过将信息技术嵌入管理流程，对繁琐的业务环节进行系统性优化与重构，实现自动化处理原本需要大量人工操作的环节，将业务流程标准化，实现了运营效率的帕累托改进，促进了新质生产力的发展。同时，在人力资本管理领域，传统招聘中存在信息不对称困境，而数字化人才管理系统通过多维度画像建模与算法匹配，能够实现人才甄选的精准化和智能化，显著提升人才引进效能并降低招募支出。此外，基于交易成本理论，数字化转型推动了企业线上办公模式的发展，通过视频会议软件、在线办公平台等工具，员工可以实现远程办公和在线协作，减少因集中办公产生的场地租赁、设备采购、水电费等费用，进一步降低企业内部管理的成本，推动新质生产力发展。基于此，本文提出研究假设H3：
H3：数字化转型通过降低内部管理成本进而提升企业新质生产力。
4. 模型设计与变量说明
4.1. 样本选择和数据来源
本文选取2014~2023年A股上市公司为研究样本，数据均来自于CSMAR数据库。本文对原始样本进行了如下处理：剔除*ST、ST以及PT公司样本、剔除金融类上市公司、剔除存在缺失值的样本，对连续型变量在1%和99%分位点上进行缩尾处理，最终得到29987个样本。
4.2. 定义变量
4.2.1. 被解释变量
企业新质生产力(NPRO)。本文借鉴李心茹[16]的做法，从新质劳动者、新质劳动对象、新质劳动资料三个维度构建指标，采用熵值法计算得到“新质生产力”变量。
4.2.2. 解释变量
数字化转型(DIG)。本文参考吴非等[2]的研究，从所选上市企业的年报中提取与人工智能、区块链、云计算、大数据、数字技术应用密切相关的数字化转型关键词，之后对关键词词频的总数加1取对数，用以刻画数字化转型程度。
4.2.3. 中介变量
创新能力(Patent)。本文参考张昊和刘德佳[17]的研究方法，采用企业申请发明专利、实用新型和外观设计专利的总数量加1后取自然对数作为衡量企业创新能力的指标。
内部管理成本(Mfee)。借鉴王飞和李月[18]的做法，使用管理费用率来衡量企业的内部管理成本。
4.2.4. 控制变量
参考已有文献，本文控制了一系列变量，具体变量定义见表1所示。
4.3. 模型设计
4.3.1. 基准回归模型
为研究数字化转型能否提升企业新质生产力的影响，本文构建如下回归模型予以验证：
(1)
其中，NPRO代表企业新质生产力，DIG表示数字化转型程度，Control是一系列控制变量，
和
分别代表个体和年份固定效应，
是随机扰动项。
Table 1. Description of variables
表1. 变量说明
变量类型 |
变量名称 |
变量符号 |
变量定义 |
被解释变量 |
企业新质生产力 |
NPRO |
从新质劳动者、新质劳动对象和新质劳动资料三方面综合评价指标体系 |
解释变量 |
数字化转型 |
DIG |
数字化转型关键词频加1取对数 |
中介变量 |
创新能力 |
Patent |
Ln(发明专利、实用新型和外观设计专利的总申请量 + 1) |
内部管理成本 |
Mfee |
管理费用率 |
控制变量 |
企业规模 |
Size |
Ln(总资产) |
资产负债率 |
Lev |
年末总负债/年末总资产 |
净资产收益率 |
ROE |
净利润/股东权益平均余额 |
营业收入增长率 |
Growth |
(本年营业收入/上一年营业收入) – 1 |
是否亏损 |
Loss |
当年净利润小于0取1，否则取0 |
董事人数 |
Board |
董事会人数的自然对数 |
独立董事比例 |
Indep |
独立董事除以董事人数 |
两职合一 |
Dual |
董事长与总经理是同一个人为1，否则为0 |
股东持股比例 |
Top1 |
第一大股东持股数量/总股数 |
托宾的Q |
TobinQ |
企业市场价值/总资产 |
4.3.2. 机制分析模型
为了研究数字化转型是否通过提高企业创新能力以及降低内部管理成本进而提升企业新质生产力，本文借鉴江艇[19]的做法，构建如下计量模型：
(2)
其中，M分别表示创新能力(Patent)和内部管理成本(Mfee),其余变量定义与模型(1)相同。
4.4. 变量的描述性统计
表2呈现了关键变量的统计特征分析结果，其中新质生产力(NPRO)的观测值分布在0.0727至0.377之间，反映出样本企业在新质生产力上存在着差异。均值为0.132，中位数为0.123，均值与中位数几乎相同，说明符合正态分布的基本特征。数字化转型程度(DIG)的最小值为0，最大值为5.170，标准差达到1.407，均值为1.658。这一统计特征表明，部分企业已全面实现数字化升级，而另一些企业则仍处于转型初期阶段，这种离散分布特征反映了当前企业数字化转型进程的不均衡性。
Table 2. Descriptive statistics
表2. 描述性统计
变量 |
N |
Mean |
SD |
Min |
p50 |
Max |
NPRO |
29,987 |
0.132 |
0.0727 |
0.0173 |
0.123 |
0.377 |
DIG |
29,987 |
1.658 |
1.407 |
0 |
1.386 |
5.170 |
Size |
29,987 |
22.33 |
1.279 |
20.04 |
22.14 |
26.35 |
Lev |
29,987 |
0.420 |
0.200 |
0.0591 |
0.411 |
0.893 |
ROE |
29,987 |
0.0524 |
0.138 |
−0.668 |
0.0657 |
0.352 |
Growth |
29,987 |
0.143 |
0.375 |
−0.572 |
0.0875 |
2.168 |
Loss |
29,987 |
0.142 |
0.349 |
0 |
0 |
1 |
Board |
29,987 |
2.223 |
0.173 |
1.792 |
2.303 |
2.708 |
Indep |
29,987 |
0.378 |
0.0532 |
0.333 |
0.364 |
0.571 |
Dual |
29,987 |
0.308 |
0.462 |
0 |
0 |
1 |
Top1 |
29,987 |
32.89 |
14.55 |
8.127 |
30.49 |
73.35 |
TobinQ |
29,987 |
2.080 |
1.334 |
0.828 |
1.657 |
8.633 |
5. 实证结果与分析
5.1. 基准回归分析
表3展示了数字化转型对企业新质生产力影响的基准回归结果。在未纳入控制变量的情况下，列(1)仅考虑了个体和年份固定效应，此时DIG的回归系数为0.0113，且在1%统计水平上显著为正。列(2)引入了全部控制变量后，DIG的回归系数为0.0106，仍在1%水平上显著为正。这一实证结果表明，即使在控制了一系列可能影响企业新质生产力的因素后，数字化转型的促进作用依然显著，这进一步凸显了数字化战略在提升企业竞争力方面的重要性。企业实施数字化转型战略能够显著促进新质生产力的发展，研究假设H1得以验证。
Table 3. Baseline regression results
表3. 基准回归结果
变量 |
(1) NPRO |
(2) NPRO |
DIG |
0.0113*** |
0.0106*** |
|
(22.62) |
(21.44) |
Size |
|
0.0108*** |
|
|
(9.14) |
Lev |
|
−0.0111*** |
|
|
(−2.86) |
ROE |
|
−0.0130*** |
|
|
(−3.73) |
Growth |
|
−0.00187** |
|
|
(−2.38) |
Loss |
|
−0.00132 |
|
|
(−1.13) |
Board |
|
0.0120** |
|
|
(2.51) |
Indep |
|
0.0172 |
|
|
(1.39) |
Dual |
|
−0.00191* |
|
|
(−1.76) |
Top1 |
|
0.0000722 |
|
|
(0.97) |
TobinQ |
|
0.000597 |
|
|
(1.62) |
_cons |
0.113*** |
−0.157*** |
|
(137.60) |
(−5.32) |
个体固定效应 |
Yes |
Yes |
年份固定效应 |
Yes |
Yes |
N |
29,987 |
29,987 |
adj. R2 |
0.683 |
0.686 |
注：*、**、***分别表示在10%、5%、1%的水平上显著，括号内为经过企业层面聚类调整后的t检验值，下同。
5.2. 稳健性检验
为了考察本文研究的数字化转型对企业新质生产力直接影响结果的可靠性，本文主要运用以下两种方法检验模型的稳健性。
5.2.1. 替换被解释变量
为确保研究结果的可靠性与稳健性，参考鲁晓东和连玉君[20]的方法，选用LP法和OP法测算的企业全要素生产率作为衡量企业新质生产力的代理变量。从表4列(1)和(2)可知，DIG的回归系数均在1%水平上显著为正。通过采用多种测算方法对新质生产力进行重新度量，本研究有效缓解了因变量测量误差可能导致的估计偏误问题，从而增强了研究结论的稳健性。此外，这一结果也表明，无论采用何种方法衡量企业新质生产力，数字化转型对其提升作用均具有显著性和稳定性，从而进一步强化了研究假设H1的可靠性。
5.2.2. 增加固定效应
为验证实证结果的可靠性，消除产业异质性可能带来的估计偏差，本研究在原有模型的基础上，进一步纳入了行业固定效应，回归结果如表4第(3)列所示，DIG的回归系数仍然在1%水平上显著为正。这一发现表明，数字化转型对企业新质生产力的影响并不因行业特征而改变，核心结论保持高度稳定性。此外，这一发现为政策制定者提供了重要参考：在推动数字经济与实体经济深度融合的过程中，应关注跨领域的共性规律，制定更具普适性的支持措施，从而促进全行业新质生产力的整体提升。
5.3. 内生性检验
前文的实证分析表明，企业数字化转型对新质生产力的提升具有显著的正向影响。然而，尽管本研究已纳入多维度控制变量并采用双向固定效应模型以缓解潜在偏误，但仍可能存在遗漏变量或双向因果的可能。为此本文选择延长观测窗口以及工具变量法进行内生性检验以确保回归分析结果的可靠性。
第一，滞后解释变量。具体而言，将数字化转型程度变量分别滞后一期(L.DIG)和两期(L2.DIG)纳入回归模型。表5第(1)列结果显示，L.DIG的系数估计值为0.00464，通过0.01水平的显著性检验；列(2)
Table 4. Robustness check
表4. 稳健性检验
变量 |
(1) TFP_LP |
(2) TFP_OP |
(3) NPRO |
DIG |
0.0237*** |
0.0148*** |
0.0106*** |
|
(4.56) |
(2.96) |
(20.02) |
_cons |
−4.041*** |
−2.134*** |
−0.147*** |
|
(−10.97) |
(−6.14) |
(−4.66) |
控制变量 |
Yes |
Yes |
Yes |
个体固定效应 |
Yes |
Yes |
Yes |
年份固定效应 |
Yes |
Yes |
Yes |
行业固定效应 |
No |
No |
Yes |
N |
29,987 |
29,987 |
29,987 |
adj. R2 |
0.921 |
0.895 |
0.700 |
Table 5. Lagged endogeneity test
表5. 滞后期内生性检验
变量 |
(1) NPRO |
(2) NPRO |
L.DIG |
0.00464*** |
|
|
(8.61) |
|
L2.DIG |
|
0.00210*** |
|
|
(3.80) |
_cons |
−0.179*** |
−0.195*** |
|
(−5.04) |
(−4.93) |
控制变量 |
Yes |
Yes |
个体固定效应 |
Yes |
Yes |
年份固定效应 |
Yes |
Yes |
N |
23,937 |
19,962 |
adj. R2 |
0.693 |
0.701 |
中L2.DIG的系数为0.00210，同样在0.01的统计水平上显著为正。如上述分析，内生性检验结果与主检验结果基本一致，增强了结论的说服力。
第二，工具变量法。借鉴王应欢和郭永祯的研究[21]，选取同行业同年度内其他企业数字化转型的均值(记为IV)作为本文的工具变量。根据表6列(1)和列(2)的结果可知，IV与DIG的回归系数均在1%水平上显著为正，进一步验证了数字化转型对新质生产力的促进作用。同时，通过一系列统计检验，本研究验证了工具变量的相关性和外生性，表明工具变量的选取具有合理性。在控制内生性问题后，回归结果与前文基准回归的结论保持一致，充分证明了研究结论的稳健性。这一结果不仅增强了研究结论的可信度，也为后续相关研究提供了方法参考。
Table 6. Instrumental variable endogeneity test
表6. 工具变量内生性检验
变量 |
(1) 第一阶段 DIG |
(2) 第二阶段 NPRO |
IV |
0.110*** |
|
|
(7.02) |
|
DIG |
|
0.035*** |
|
|
(3.59) |
控制变量 |
Yes |
Yes |
个体固定效应 |
Yes |
Yes |
年份固定效应 |
Yes |
Yes |
N |
29987 |
29987 |
adj. R2 |
0.8020 |
0.6780 |
Kleibergen-Paap rk LM statistic |
44.300*** |
Cragg-Donald Wald F statistic |
95.055 |
Kleibergen-Paap rk Wald F statistic |
49.278 |
6. 进一步分析
6.1. 中介机制
6.1.1. 创新能力的检验
表7列(1)所示，DIG的回归系数为0.0443，且在1%水平上显著为正。这一发现表明，企业推进数字化战略能够显著增强其创新能力。具体而言，随着数字技术的发展与深度融合，企业能够更高效地整合内外部资源，优化研发流程，从而显著增强其创新能力。创新能力的提升不仅有助于企业在关键技术领域实现突破，还能够优化生产要素的配置效率，这些效应共同推动了企业新质生产力的发展。综上所述，数字化转型通过增强企业创新能力，推动了新质生产力的提升。由此，假设2得以验证。
6.1.2. 内部管理成本的检验
根据表7列(2)可知，DIG对企业内部管理成本(Mfee)的回归系数为−0.00117，并在5%水平上显著为负。这一实证结果表明，企业通过实施数字化转型战略能够显著优化内部管理效率，从而降低运营成本，促使更多的资金与资源能够投入到研发创新、技术升级和人才培养等关键领域，进而催生新的生产方式和发展动能。由此，假设3得以验证。
6.2. 异质性分析
6.2.1. 基于银企关系的异质性分析
本文基于企业是否获得银行机构持股以及高管是否具备银行从业背景，将企业划分为银企关系组与非银企关系组。表8列(1)和列(2)列呈现了分组回归的分析结果。实证结果表明，两组的回归系数均在0.01水平上显著为正。此外，组间系数差异检验的结果显示，P值为0.002，表明无论是否有银企关系，数字化转型均能促进企业新质生产力的提高，而对于没有银企关系的企业提升作用更为显著。可能的原因在于，根据融资约束理论，资源受限的企业会通过非传统方式突破瓶颈。没有银企关系的企业因融资渠道
Table 7. Regression results of the mechanism test
表7. 机制检验回归结果
变量 |
(1) Patent |
(2) Mfee |
DIG |
0.0443*** |
−0.00117** |
|
(3.89) |
(−2.11) |
_cons |
−8.617*** |
0.448*** |
|
(−11.88) |
(11.21) |
控制变量 |
Yes |
Yes |
个体固定效应 |
Yes |
Yes |
年份固定效应 |
Yes |
Yes |
N |
29,987 |
29,987 |
adj. R2 |
0.770 |
0.712 |
Table 8. Heterogeneity analysis
表8. 异质性分析
变量 |
(1) 银企关系 NPRO |
(2) 非银企关系 NPRO |
(3) 高科技企业 NPRO |
(4) 非高科技企业 NPRO |
DIG |
0.00800*** |
0.0114*** |
0.0112*** |
0.00953*** |
|
(7.24) |
(19.81) |
(16.96) |
(12.48) |
_cons |
−0.122** |
−0.158*** |
−0.183*** |
−0.154*** |
|
(−1.98) |
(−4.61) |
(−4.77) |
(−3.37) |
控制变量 |
Yes |
Yes |
Yes |
Yes |
个体固定效应 |
Yes |
Yes |
Yes |
Yes |
年份固定效应 |
Yes |
Yes |
Yes |
Yes |
N |
7011 |
22,117 |
18,345 |
11,501 |
adj. R2 |
0.715 |
0.690 |
0.675 |
0.678 |
经验P值 |
0.002*** |
0.037** |
注：异质性分析的组间系数差异经验P值通过费舍尔组合检验抽样1000次得到。
受限，须另辟蹊径来推动自身发展，数字化转型成为它们突破困境的重要途径。通过数字化转型可降低成本、提高资源利用效率，这种“倒逼机制”推动其更彻底地实施数字化，进而显著提升生产力质量。而有银企关系的企业可能因资金充裕而缺乏紧迫性，可能陷入“资源舒适区陷阱”，在这种情况下，企业数字化转型的动力和压力相对较小，从而导致数字化转型对新质生产力的提升效果受限。
6.2.2. 基于企业科技属性的异质性分析
本文依据企业所属行业的技术属性，将样本划分为高科技企业与非高科技企业两类，回归结果如表8列(3)和列(4)所示。结果表明，高科技企业在数字化转型进程中，其对新质生产力的促进作用呈现出更为突出的结果。可能的原因在于，从技术创新理论视角来看，高科技企业通常具备较强的技术储备和研发能力，能够更快速地将数字技术融入生产、管理和创新等核心环节，从而实现技术优势与数字化能力的协同效应。其次，在人力资源理论层面，高科技企业往往拥有高素质的人才队伍，能够更好地适应数字化转型带来的技术变革和组织变革，充分发挥数字化技术的潜力。此外，依据组织行为理论，高科技企业的创新文化和敏捷组织架构也为数字化转型提供了良好的内部环境，使其能够更快地实现创新迭代和资源配置优化，从而更高效地推动新质生产力的发展。
7. 研究结论与启示
本文基于2014~2023年中国A股上市公司为研究样本，采用双向固定效应模型，实证检验数字化转型对企业新质生产力的影响。研究结果显示，数字化转型升级显著提升了企业的新质生产力水平，且这一结论在控制了一系列潜在干扰因素后依然稳健。进一步的机制研究表明，数字化转型主要通过两条路径推动新质生产力的发展：一是通过增强企业的技术创新能力，二是通过优化内部管理流程以降低运营成本。此外，异质性分析发现，数字化转型对缺乏银企关系的企业以及高科技企业的促进作用更为明显，这可能与前者面临更强的融资约束以及后者对技术创新的更高依赖性有关。基于本文研究结论得出如下启示：
第一，企业应将数字化转型置于企业战略核心地位，充分认识到其对新质生产力的关键推动作用。企业需制定科学、系统的长期数字化战略规划，明确转型目标与实施路径，并持续投入必要的资源，包括资金、人才和技术设备，以确保转型过程的顺利推进。同时，企业应积极推动业务流程的数字化再造，通过引入智能化管理系统、数据驱动决策工具等技术手段，打破传统部门间的信息壁垒，促进跨部门的协同合作，从而全面提升运营效率与创新能力。此外，企业还需注重数字化文化的培育，增强全员数字化意识，为新质生产力的发展营造良好的内部环境。第二，政府部门应制定有利于企业数字化转型的政策，如税收优惠、财政补贴、专项贷款等，建立产业引导基金，支持数字化转型示范项目，鼓励企业加大研发投入，加快新质生产力培育。同时，加强数字基础设施建设，提高网络覆盖率和质量，降低企业数字化运营成本，助力企业在新质生产力竞争中抢占先机。第三，高科技企业应充分发挥其技术优势，率先实现数字化转型，为其他行业提供可借鉴的经验。对于传统行业，应主动拥抱数字化变革，借鉴高科技企业的成功经验，结合自身特点制定切实可行的转型策略，逐步实现从传统生产模式向数智化模式的转型升级。通过多方协作与共同努力，推动各行业在新质生产力发展中实现协同进步。