1. 引言
在数字经济重塑全球产业格局的战略背景下，我国将制造业数字化转型列为国家核心议程——党的二十大报告明确要求促进数字经济和实体经济深度融合，《“十四五”数字经济发展规划》更提出以数字化转型驱动生产方式变革；2023年数字经济规模已达53.9万亿元(占GDP42.8%)，但制造业转型实践却深陷矛盾：据《中国企业数字化转型指数报告》，仅2%的企业实现全面战略重塑，绝大多数面临“不敢转、不会转”的困境[1]。学界对转型绩效影响存在显著分歧：促进论强调其通过降本增效、融资约束缓解提升绩效[2]；抑制论指出初期高额学习成本引发“数字化困境”[3]；非线性论则发现U型/倒U型波动规律[4]。现有研究存在三重局限：全行业样本忽视制造业技术密集特性、机制分析碎片化割裂“成本–效率–融资–创新”传导链、传统文本测度方法难以捕捉语义深度[5]。
因此，本文以2012~2023年A股制造业上市公司为样本进行实证分析：首先，结合已有文献方法通过融合国家政策文本与BERT机器学习模型，构建动态术语库解析年报“中智能工厂”“工业互联网”等语义特征，生成连续性数字化转型指数(DIGI_text) [6]；其次，通过中介模型系统验证融资约束(SA指数)缓解机制路径，揭示“数字化转型→缓解融资约束→提升企业绩效”的链式传导逻辑[7]；最后，从区域性解构异质性效应[8]，为推进制造业企业数字化转型提供好的建议。理论层面，本研究构建“技术适配–组织变革–绩效响应”框架弥合宏观战略与微观实践的鸿沟，为企业在数字化转型方向上符合国家战略引导提供一个可行性视角；实践层面，为政府设计中小企业数字化转型政策及企业规避“为转而转”风险提供方向，助力制造业良性发展。
与现有研究相比，本研究的边际贡献体现在两方面：
第一，深化机制分析的独特性。已有研究多将融资约束视为数字化转型的外生制约因素，而本研究首次将其作为核心中介变量，系统检验“数字化转型–融资约束缓解–企业绩效提升”的传导链条，明确数字化技术通过减少信息不对称、提高融资效率等具体路径发挥作用，丰富现有研究对融资约束内生性机制探讨的研究。
第二，强化实证设计的严谨性。相较于部分研究采用截面数据或单一模型，本研究构建面板数据模型，通过双向固定效应控制个体与时间差异，结合中介效应分析与稳健性检验，提升了因果推断的可靠性。
2. 理论分析与研究假设
2.1. 制造业数字化转型与企业绩效
制造业企业数字化转型通过重构资源结构、优化交易流程与强化动态能力三维度驱动绩效提升。依据资源基础理论，数字化打破物理资源壁垒，促进数据要素与传统生产要素的创新性拼凑，形成稀缺性数字资产组合，其边际成本递减特性显著提升资源利用效率；交易成本理论表明，数字技术针对性压缩制造业多阶交易成本——研发环节的仿真技术降低试错成本、生产环节的AI质检减少人工成本、流通环节的智能合约削减履约成本，在长产业链中产生乘数效应；动态能力视角进一步揭示，数字化培育的敏捷组织形态将环境感知力与响应机制制度化，使企业持续捕捉市场机会并调整价值供应渠道。简而言之，制造业企业利用数字技术从消费者、供应商、经济以及社会环境等不同渠道收集信息，及时感知到顾客的潜在需求，迅速调整商业模式以不断提升企业绩效。同时，制造业数字化转型使企业突破价值实现原有载体的边界，扁平化、网络化和无边界的组织形态是企业进行数字化转型后的主要表现形式，可以促使企业更好地应对外界环境变化和抓住市场机会，确保企业在激烈的市场竞争中获得更多的市场空间[9]。据此提出核心假设：
H1：制造业企业数字化转型对企业绩效具有正向促进作用
2.2. 制造业数字化转型、融资约束与企业绩效
融资约束作为制约制造业企业发展的核心瓶颈，其根源在于投资者与企业间的信息不对称。传统制造企业因生产流程黑箱化、财务数据滞后性等问题，导致外部投资者难以准确评估资产质量，引发信贷配给与融资成本溢价。数字化转型通过三重机制破解此困境：其一，信息透明度提升机制——物联网与区块链技术实现研发–生产–销售全流程数据上链，降低投资者信息获取成本；工业互联网平台沉淀的多维数据构成可验证信号，缓解逆向选择问题。其二，经营风险控制机制——人工智能算法优化生产计划与库存管理，降低供应链中断风险；大数据风控系统动态监测现金流波动，增强债务履约能力，减少道德风险引致的风险溢价。其三，政策资源吸纳机制——数字化转型深度契合国家战略，企业通过ERP系统标准化政府补贴申报流程，显著提升政策响应效率；工业互联网标识解析体系赋予企业“数字认证”标签，增强其在绿色信贷、科技创新债等定向融资工具中的制度合法性。
此过程触发融资约束的双阶松弛效应：短期表现为债务融资成本下降、信用额度提升；长期则改善资本结构，释放更多现金流投入创新研发。基于资源再配置视角，融资约束缓解实质打通了“数字技术投入→资产数字化→融资能力增强→再投资扩张”的正向循环，最终传导至企业绩效提升[10]。据此提出假设：
H2：制造业数字化转型通过缓解融资约束提升企业绩效
3. 研究设计
3.1. 数据来源
本文选取2012~2023年制造业A股上市公司的相关数据为样本，该时间跨度的选择是基于制造业企业数字化发展的进程。2012年起，国家各项政策推进了数字技术的广泛应用，构筑了企业数字化转型的基础。数据处理过程如下：(1) 剔除上市时间较短且数据存在严重缺失的企业。(2) 剔除出现重大经营管理状况的ＳＴ企业，只保留正常运营的企业。(3) 对所有连续变量进行1%和99%的缩尾处理，以减少异常值的影响。共得到25,596个样本观测值。本文数据主要来自CSMAR数据库和WIND数据库。
3.2. 模型设定
本文采用双向固定效应模型检验制造业数字化转型对企业绩效的影响，模型构建如下：
ROEi,t = α0 + α1DIGI_texti,t + ∑αnControlsi,t + ∑Ind + ∑Year + εi,t
其中，ROEi,t表示企业i在t年的绩效水平，DIGI_texti,t表示企业i在t年的数字化转型程度，∑αnControlsi,t为一系列控制变量，∑Ind为行业固定效应，∑Year为年份固定效应，εi,t为随机扰动项。为了解决潜在的误差项相关性问题，本文在实证中将标准误聚类到企业层面。
3.3. 变量定义
Table 1. Variable description
表1. 变量说明
变量类别 |
变量名称 |
符号 |
变量定义 |
被解释变量 |
企业绩效 |
ROE |
净资产收益率 = 净利润/平均净资产 |
解释变量 |
数字化转型指数 |
DIGI_text |
企业数字化程度 |
控制变量 |
公司规模 |
Size |
总资产的自然对数 |
资产负债率 |
Lev |
负债合计/资产总计 |
营业收入增长率 |
Cashflow |
经营活动产生的现金流量净额/资产总计 |
存货占比 |
INV |
存货净额/资产总计 |
营业收入增长率 |
Growth |
(本期营业收入 − 上期营业收入)/上期营业收入 |
董事人数 |
Board |
董事会人数的自然对数 |
独立董事占比 |
Indep |
独立董事/董事人数 |
前十大股东持股比例 |
Top10 |
股权集中指标4/100 |
托宾Q值 |
TobinQ |
企业市场价值/资产重置成本 |
机制变量 |
融资约束 |
SA |
SA指数 |
对于表1中的主要变量的描述：
1) 被解释变量：企业绩效。企业绩效反映了企业在特定时间段内所获效益。在众多财务指标中，盈利能力，如总资产收益率或净资产收益率被广泛用于评估企业绩效。本文在进行基础回归分析时，参考了王开阳等的做法，选用净资产收益率衡量企业绩效[11]。同时，本文在进行稳健性检验时采用总资产净利润率(ROA)衡量企业绩效。
2) 解释变量：企业数字化转型。参考张永坤等的做法，本文利用国家政策文本创建了一个企业数字化相关术语库，然后通过机器学习分析方法构建了反映制造业上市公司数字化水平的指标[12]。该指标的数值越高，则表明企业的数字化转型程度越高。
3) 控制变量：本文选取的控制变量包括公司规模、资产负债率、存货占比、营业收入增长率、董事人数、独立董事占比、前十大股东持股比例、托宾Q值。
4) 机制变量：本文选取的机制变量为融资约束，用SA指数衡量。
4. 实证分析
4.1. 描述性统计
由表2可知，ROE作为衡量企业绩效的核心指标，均值0.0628反映制造业整体盈利水平处于中等区间，而−0.6712至0.3511的极值跨度，揭示行业内绩效分化显著。这种分化恰为检验数字化转型的绩效效应提供了现实背景，即在盈利水平参差不齐的制造业中，数字化转型在未来的发展趋势下将有可能成为缩小差距或扩大优势的关键变量。标准差0.1310所体现的企业间盈利差异，体现了制造业在数字化转型背景下行业盈利差异相对平稳。
Table 2. Descriptive statistics of key variables
表2. 主要变量的基本统计特征
VarName |
样本数 |
Mean |
SD |
Min |
Median |
Max |
ROE |
25,596 |
0.0628 |
0.1310 |
−0.6712 |
0.0716 |
0.3511 |
DIGI_text |
25,596 |
1.3951 |
1.2926 |
0.0000 |
1.0986 |
5.2095 |
Size |
25,596 |
22.0302 |
1.1932 |
17.6413 |
21.8650 |
27.6376 |
Lev |
25,596 |
0.3823 |
0.1945 |
0.0080 |
0.3701 |
1.2379 |
Cashflow |
25,596 |
0.0505 |
0.0721 |
−0.7418 |
0.0488 |
0.8385 |
INV |
25,596 |
0.1347 |
0.0868 |
0.0000 |
0.1169 |
0.8606 |
Growth |
25,596 |
0.2993 |
7.9741 |
−1.4449 |
0.0932 |
40.012 |
Board |
25,596 |
2.0974 |
0.1933 |
1.3863 |
2.1972 |
2.8904 |
Indep |
25,596 |
37.7576 |
5.5640 |
14.2900 |
36.3600 |
80.0000 |
Top10 |
25,596 |
0.5885 |
0.1510 |
0.0345 |
0.5973 |
1.0116 |
TobinQ |
25,596 |
2.1329 |
2.1404 |
0.6616 |
1.6613 |
122.1895 |
DIGI_text的均值1.3951与标准差1.2926两值表明了数字化转型已成为制造业的普遍趋势，同时又凸显转型进程的不均衡性。其最小值0与最大值5.2095的落差，具象化了行业内“转型鸿沟”的现象：部分企业仍停留在数字化起点，而领先者已构建起显著的数字化能力。这种梯度差异说明本文的研究具有现实意义。通过对比不同转型程度企业的ROE表现，可直接检验数字化投入与盈利水平的关联机制。
4.2. 相关性分析
由表3可见，ROE (企业绩效)与DIGI_text (制造业数字化转型)在1%水平上显著正相关，这一结果不仅直观反映了两者间的关联方向，更在统计层面为数字化转型对企业绩效的积极作用提供了初步证据。从现实逻辑看，制造业数字化转型通过整合数据资源、优化生产流程、提升运营效率等路径，可以直接或间接推动企业盈利能力的提升，而这一显著正相关关系恰为这一逻辑提供了经验支撑。同时，各控制变量之间呈现的不同程度显著相关关系，符合企业运营中多因素相互作用的现实特征。企业规模与资产负债率的显著正相关，反映了规模较大的企业更易获得债务融资；现金流量与资产负债率的显著负相关，则体现了现金流充足的企业对外部债务的依赖度较低。这些关联进一步印证了在研究制造业数字化转型与企业绩效关系时，纳入多元控制变量以排除干扰的必要性。VIF检验结果验证，变量之间不存在多重共线性和异方差性问题，预测结果的正确性不会受变量之间关联度的干扰。
4.3. 基准回归分析
本文根据选取双向固定效应模型(包含时间固定效应和行业固定效应)进行回归分析。根据表4得出基准回归结果如下：
列(1)表明制造业数字化转型对企业绩效的直接影响。结果显示，数字化转型的估计系数为0.0008，
Table 3. Correlation analysis
表3. 相关性分析
Variables |
(1) |
(2) |
(3) |
(4) |
(5) |
(6) |
(7) |
(8) |
(9) |
(10) |
(11) |
(1) ROE |
1.000 |
|
|
|
|
|
|
|
|
|
|
(2) DIGI_text |
0.064*** |
1.000 |
|
|
|
|
|
|
|
|
|
(3) Size |
0.084*** |
0.121*** |
1.000 |
|
|
|
|
|
|
|
|
(4) Lev |
−0.290*** |
0.022*** |
0.458*** |
1.000 |
|
|
|
|
|
|
|
(5) Cashflow |
0.387*** |
−0.010* |
0.093*** |
−0.170*** |
1.000 |
|
|
|
|
|
|
(6) INV |
−0.009 |
0.003 |
0.036*** |
0.215*** |
−0.146*** |
1.000 |
|
|
|
|
|
(7) Growth |
−0.004 |
0.002 |
0.008 |
0.004 |
−0.030*** |
−0.016** |
1.000 |
|
|
|
|
(8) Board |
0.016*** |
−0.072*** |
0.247*** |
0.132*** |
0.013** |
0.030*** |
0.015** |
1.000 |
|
|
|
(9) Indep |
−0.024*** |
0.069*** |
−0.015** |
−0.010 |
0.000 |
−0.021*** |
−0.007 |
−0.569*** |
1.000 |
|
|
(10) Top10 |
0.248*** |
−0.012* |
−0.035*** |
−0.208*** |
0.125*** |
−0.045*** |
0.014** |
−0.051*** |
0.039*** |
1.000 |
|
(11) TobinQ |
0.055*** |
0.003 |
−0.233*** |
−0.087*** |
0.022*** |
−0.009 |
0.002 |
−0.058*** |
0.026*** |
−0.066*** |
1.000 |
注：***p < 0.01，**p < 0.05，*p < 0.1。
Table 4. Benchmark regression results
表4. 基准回归结果
VARIABLES |
(1) ROE |
(2) SA |
(3) ROE |
DIGI_text |
0.0008*** |
−0.0005*** |
0.0009*** |
|
(5.9267) |
(−2.6359) |
(5.9445) |
SA |
|
|
0.0040*** |
|
|
|
(8.7623) |
Size |
0.0314*** |
−0.0100*** |
0.0315*** |
|
(21.7989) |
(−2.9126) |
(21.7126) |
Lev |
−0.2596*** |
−0.0632*** |
−0.2595*** |
|
(−23.0155) |
(−8.5995) |
(−22.9763) |
Cashflow |
0.4747*** |
−0.0109 |
0.4748*** |
|
(25.5262) |
(−1.5391) |
(25.5409) |
INV |
0.1961*** |
−0.0032 |
0.1964*** |
|
(11.6153) |
(−0.2208) |
(11.6151) |
Growth |
0.0001 |
0.0000 |
0.0001 |
|
(0.8535) |
(0.2764) |
(0.8499) |
Board |
−0.0125* |
−0.0139** |
−0.0123 |
|
(−1.6658) |
(−2.0523) |
(−1.6259) |
Indep |
−0.0007*** |
0.0000 |
−0.0007*** |
|
(−2.8735) |
(0.1095) |
(−2.8670) |
续表
Top10 |
0.1538*** |
0.1303*** |
0.1523*** |
|
(20.4417) |
(10.3663) |
(19.3983) |
TobinQ |
0.0059*** |
0.0040*** |
0.0058*** |
|
(7.1222) |
(7.6530) |
(7.1113) |
Constant |
−0.6042*** |
−3.3427*** |
−0.5913*** |
|
(−17.5476) |
(−42.5564) |
(−15.7178) |
Observations |
25,596 |
25,596 |
25,596 |
Numberofid |
3722 |
3722 |
3722 |
注：***p < 0.01，**p < 0.05，*p < 0.1。
在1%的水平上显著为正，表明在控制其他变量后，制造业数字化转型对企业绩效具有显著的正向影响。
列(2)检验了数字化转型对中介变量融资约束的影响。数字化转型的回归系数为−0.0005，在1%的水平上显著为负，说明制造业数字化转型能够显著缓解企业的融资约束。
列(3)在列(1)的基础上加入了中介变量融资约束，此时数字化转型的回归系数为0.0009，仍在1%的水平上显著为正，同时融资约束的估计系数为0.0040，在1%的水平上显著为正。这一结果表明，融资约束在制造业数字化转型对企业绩效的影响中发挥了中介作用，即数字化转型通过缓解企业融资约束，进而提升了企业绩效。
从经济意义来看，对于制造业企业而言，数字化转型对企业绩效的正向影响具有重要的现实价值。数字化转型能够通过优化生产流程、提高生产效率、降低运营成本等方式直接提升企业绩效；同时，数字化转型缓解融资约束的作用，有助于企业获得更多的资金支持，用于技术研发、设备更新和市场拓展等活动，进一步促进企业绩效的提升。这一结果为制造业企业积极推进数字化转型提供了实证依据，也为制造业数字化转型提供了理论上的可行性。根据上述分析可知，由基准回归得出的结果显著验证了H1和H2，为本文进行下文陈述研究提供了可行性。
5. 稳健性检验
用总资产收益率(ROA)替代净资产收益率(ROE)作为衡量企业绩效的指标，总资产收益率反映企业资产的运营效率，数值越高表明企业业绩越好。表5中稳健性检验结果显示，列(1)中数字化转型的估计系数为0.0013，在5%的水平上显著为正；列(2)加入中介变量融资约束(SA)后，数字化转型(DIGI_text)的回归系数仍为0.0013，在5%的水平上显著为正，同时融资约束(SA)的估计系数为0.0032，在1%的水平上显著为正。这表明在使用新的企业绩效指标后，回归结果依然通过显著性检验，与基准回归结论一致。
Table 5. Robustness test results
表5. 稳健性检验
Variables |
(1) ROA |
(2) ROA |
DIGI_text |
0.0013** |
0.0013** |
|
(2.5146) |
(2.5268) |
SA |
|
0.0032*** |
|
|
(6.5823) |
续表
Size |
0.0147*** |
0.0147*** |
|
(18.4908) |
(18.4747) |
Lev |
−0.1613*** |
−0.1612*** |
|
(−32.4191) |
(−32.2773) |
Cashflow |
0.3459*** |
0.3460*** |
|
(20.1919) |
(20.1726) |
INV |
0.0854*** |
0.0856*** |
|
(9.9335) |
(9.9435) |
Growth |
0.0000 |
0.0000 |
|
(0.3298) |
(0.3268) |
Board |
−0.0072* |
−0.0071* |
|
(−1.8198) |
(−1.7776) |
Indep |
−0.0004*** |
−0.0004*** |
|
(−2.7434) |
(−2.7349) |
Top10 |
0.0875*** |
0.0868*** |
|
(20.0575) |
(19.0583) |
TobinQ |
0.0033*** |
0.0033*** |
|
(5.8253) |
(5.8130) |
Constant |
−0.2578*** |
−0.2515*** |
|
(−13.3430) |
(−11.7539) |
Observations |
25,596 |
25,596 |
Numberofid |
3722 |
3722 |
注：***p < 0.01，**p < 0.05，*p < 0.1。
从经济意义来看，这进一步印证了制造业数字化转型对企业绩效的正向影响具有稳健性。无论从净资产收益率还是总资产收益率的角度衡量，数字化转型都能切实提升制造业企业的经营效益。这意味着数字化转型不仅能提高企业自有资本的获利能力，还能有效提升整体资产的运营效率，为制造业企业在优化资源配置、增强市场竞争力等方面提供了持续且可靠的支撑，也再次凸显了推动制造业数字化转型的重要性和必要性。
6. 异质性分析
为探究制造业数字化转型对企业绩效影响的区域差异，本文按东部、中部和西部进行分样本回归，采用双向固定效应模型(时间固定效应和行业固定效应)，结果如表6所示。
列(1)为东部地区样本的回归结果，数字化转型(DIGI_text)的估计系数为0.0008，在1%的水平上显著为正，表明在东部制造业企业中，数字化转型对企业绩效(ROE)的正向影响十分显著。
列(2)为中部地区样本的回归结果，数字化转型(DIGI_text)的回归系数为0.0038，在10%的水平上显著为正，说明中部制造业企业的数字化转型同样对企业绩效有正向作用，但显著性水平低于东部地区。
列(3)为西部地区样本的回归结果，数字化转型(DIGI_text)的估计系数为0.0035，未通过10%水平的显著性检验，即西部地区制造业数字化转型对企业绩效的正向影响在统计上不显著。
从经济意义来看，这种区域异质性与各地区的经济发展水平、数字化基础设施建设、技术创新能力以及人才储备等因素密切相关。东部地区经济发达，数字化基础设施完善，企业具备更强的技术吸收和应用能力，能够更有效地通过数字化转型优化生产经营流程、降低成本、提升市场响应速度，从而显著提升企业绩效。中部地区近年来经济发展迅速，数字化转型具备一定基础，但在技术深度应用和创新方面仍稍逊于东部，因此数字化转型对企业绩效的促进作用相对较弱且显著性较低。西部地区经济发展水平相对滞后，数字化基础设施建设有待加强，企业在数字化转型过程中可能面临技术、资金、人才等多方面的约束，导致数字化转型的效能未能充分释放，对企业绩效的正向影响尚未显现。这一结果提示，在推动制造业数字化转型的过程中，应充分考虑区域差异，制定差异化的政策措施。
Table 6. Heterogeneity analysis by region
表6. 分区域的异质性分析
Variables |
(1) ROE |
(2) ROE |
(3) ROE |
DIGI_text |
0.0008*** |
0.0038** |
0.0035 |
|
(5.9267) |
(1.9920) |
(1.0711) |
Size |
0.0313*** |
0.0354*** |
0.0280*** |
|
(18.8658) |
(9.1627) |
(6.2972) |
Lev |
−0.2398*** |
−0.3108*** |
−0.2942*** |
|
(−18.9923) |
(−10.7990) |
(−8.1088) |
Cashflow |
0.4640*** |
0.4401*** |
0.5784*** |
|
(21.8621) |
(9.5689) |
(10.3621) |
INV |
0.2060*** |
0.1027** |
0.2054*** |
|
(10.6806) |
(2.5572) |
(3.8512) |
Growth |
0.0000 |
0.0087** |
0.0071*** |
|
(0.4102) |
(2.2635) |
(3.0056) |
Board |
−0.0113 |
−0.0212 |
0.0016 |
|
(−1.3901) |
(−1.0468) |
(0.0644) |
Indep |
−0.0004 |
−0.0010* |
−0.0014** |
|
(−1.6270) |
(−1.6678) |
(−2.2527) |
Top10 |
0.1688*** |
0.1265*** |
0.1021*** |
|
(19.3415) |
(6.7314) |
(4.3918) |
TobinQ |
0.0058*** |
0.0063*** |
0.0056** |
|
(5.5139) |
(5.7127) |
(2.0097) |
Constant |
−0.6322*** |
−0.6040*** |
−0.5113*** |
|
(−15.7346) |
(−7.0614) |
(−5.3304) |
Observations |
18,407 |
4,406 |
2,764 |
Number of id |
2,751 |
598 |
366 |
注：***p < 0.01，**p < 0.05，*p < 0.1。
7. 结论与建议
数字化转型显著提高了制造业企业绩效；数字化转型通过缓解融资约束提升制造业企业绩效；异质性检验发现，在东部地区制造业企业中，数字化转型对企业绩效的影响更显著，中部地区次之，西部地区暂未显现显著效果；进一步研究(基于稳健性检验)发现，以ROA衡量企业绩效时，数字化转型对制造业企业绩效的正向影响依然显著，表明结论具有稳健性。基于研究结论，本文从企业层面和政府出面提出如下对策建议：
7.1. 构建科学动态的数字化转型方案
通过分区域的异质性结论可知制造业企业应立足自身规模、区域特征和发展阶段，制定差异化的数字化转型战略。实证结果显示，数字化转型对企业绩效的正向影响存在区域异质性，东部地区因基础完善效果显著，而中西部地区受限于资源约束效能未充分释放。因此，企业需避免“一刀切”，东部企业可聚焦产业链协同与数据深度应用，通过工业互联网平台实现“业务–财务–管理”一体化管控，破解“信息孤岛”问题；中西部企业则应优先夯实数字化基础设施，分阶段推进转型，初期重点投入信息化系统搭建，中期强化成本管控与流程优化，长期实现技术与业务的深度融合。
7.2. 强化复合型人才队伍建设，破解转型人才瓶颈
通过机制分析可知数字化转型通过缓解融资约束等机制提升绩效，而人才是推动技术应用和融资对接的核心支撑。企业需构建“内部培育 + 外部引进”的人才体系：内部建立在线学习平台，针对不同岗位设计数字化技能课程，培养既懂生产工艺又掌握数据分析的复合型人才；外部加强与高校、科研机构合作，共建“产学研”基地，定向引进数字化管理、智能生产等领域的专业人才，弥补高端人才缺口。
7.3. 优化组织与生产流程，释放数字化协同效能
通过本研究分区域异质性分析可知东部企业因组织灵活、流程高效，数字化转型成效更显著。因此，企业需从组织架构和生产环节双管齐下：在组织层面，打破部门壁垒，设立专门的数字化转型部门统筹资源，推动跨部门协同，确保管理层的数字化理念贯穿决策全过程；在生产环节，通过智能绩效管理系统量化原材料质量、生产效率等指标，将绩效目标与企业战略衔接，实现短期效率提升与长期竞争力增强的统一。
对于西部地区数字化转型对制造业绩效的影响不显著，核心原因在于基础设施薄弱和资源约束。因此政府需针对性加大扶持力度，在西部地区优先完善5G、物联网等新型基础设施，通过专项基金补贴企业数字化改造成本，降低转型门槛。
7.4. 强化融资支持与知识共享，破解转型资源约束
通过本文机制分析可知融资约束是数字化转型的重要中介变量，政府需多措并举缓解企业资金压力：设立数字化转型专项贷款，对符合条件的企业给予利率优惠；推动金融机构与企业数据对接，基于企业数字化经营数据开发信用贷款产品，提高融资效率；支持企业通过资本市场融资，鼓励数字化转型成效显著的企业上市融资，拓宽资金渠道。