1. 引言
当前，数字经济是推动制造业高质量发展的核心引擎。江西省作为中部地区传统制造业典型代表，2023年印发《江西省制造业数字化转型实施方案》，明确“全面推进制造业数字化转型，培育打造数字化转型标杆企业2000家”的目标。然而实践中却出现“投入–效率”错配矛盾：2018~2022年江西省规模以上传统制造业企业数字化投入年均增速12.7%，但全要素生产率(TFP)年均增速仅2.9%，部分企业因数字化投入不足陷入“协同缺失陷阱”，或因过度投入导致“成本冗余”。这一问题直接关系到江西省传统制造业能否突破“低端锁定”，也引发了对“数字化投入如何有效赋能生产效率”的实践反思。数字化投入与生产效率的非线性关系是近年学术界研究焦点，但现有成果多基于全国或东部地区样本，对中部省份传统制造业的针对性分析仍显不足。
现有研究已初步揭示数字化投入的非线性效应。黄赜琳等(2024)发现企业数字化投入与TFP呈倒U型关系，临界值为数字化资产占非数字化资产的0.337倍[1]。陈金丹等(2022)指出数字化投入与制造业创新效率呈U型关系，初期因协同不足影响较弱[2]。张伟等(2022)分析了制造业数字化投入的异质性经济效应[3]，但未关注区域层面的门槛特征。这些研究未充分考虑中部地区传统制造业“要素禀赋薄弱、数字化基础滞后”的现实，也未深入探讨要素协同度(如人力资本与技术设备的协同)对门槛效应的调节作用——协同度高的企业是否能降低数字化投入的临界值？这一缺口为本文提供了研究空间。
本文的核心研究问题是：2018~2022年江西省规模以上传统制造业企业中，数字化投入强度对生产效率(全要素生产率TFP)的影响是否存在显著的门槛效应？即当数字化投入超过某一临界值时，其对生产效率的影响方向或强度是否发生显著变化？
基于此，以协同效应理论为基础，采用面板门槛模型，利用2018~2022年江西省规模以上传统制造业企业面板数据，检验数字化投入强度对TFP的门槛效应及要素协同度的调节作用。论文后续结构如下：第二部分为文献综述；第三部分构建理论框架；第四部分介绍研究方法；第五部分为实证研究结果；第六部分讨论结果并提出政策建议。
2. 文献综述
2.1. 数字化投入与生产效率的非线性关系研究
数字化投入对生产效率的影响并非简单线性。黄赜琳等(2024)实证发现企业数字化投入与全要素生产率(TFP)呈倒U型关系——初期数字化投入通过数字技术创新、数字人才投入及人机协同提升生产效率，但过度投入会导致“数字冗余”，反而增加管理成本[1]。郭栋等(2025)同样证实数字化转型对全要素生产率的影响存在结构性变化，边际效应呈现先递增后递减的趋势[4]。陈金丹等(2022)结合世界投入产出表与中国制造业面板数据，进一步验证数字化投入与制造业创新效率的U型关系[2]。周宏伟等(2025)从本土市场规模调节视角补充了这一研究，发现数字化投入与全要素生产率增长的非线性关系会受本土市场规模影响，在市场规模达到一定水平后，数字化投入的效率提升效应更易显现[5]。曲亮等(2024)从异质性数字化投入视角细化这一结论，发现通用型数字化投入(如云计算、大数据)与制造业绩效呈先升后降的非线性关系(临界值0.3678)，而专用型数字化投入的影响不显著，原因在于通用型投入的管理效率优化效应存在边际递减[6]。宋雷(2025)针对饲料企业的研究则显示，数字化投入对经营绩效的非线性影响在农业相关制造业中同样存在，初期投入因设备与技术适配成本较高而效应微弱，突破适配阈值后绩效提升显著[7]。这些研究共同确认了数字化投入的非线性特征，但对不同区域、不同产业类型的适配性未作深入分析。
2.2. 数字化投入的门槛效应及调节机制
门槛效应是数字化投入非线性关系的核心表现，现有研究虽提出临界值，但未充分探讨调节机制。黄赜琳等(2024)的临界值(0.337倍)是基于全国样本的平均水平[1]，但未回答企业内部要素协同度(如人力资本与技术设备的协同)是否会降低这一临界值？周昊杨等(2025)基于耗散结构理论的研究为要素协同问题提供了线索，发现数字化投入通过提升组织复杂适应性强化效率效应，而数字技术与组织流程的协同适配程度会影响门槛值的高低[8]。王岚等(2025)基于供给端冲击视角的分析显示，本土市场规模与数字化投入的协同作用可降低效率提升的临界门槛[9]。张广胜等(2023)基于计划行为理论和资源基础理论，发现企业管理者的预期收益、竞争压力及组织敏捷性通过数字化转型意愿影响转型行动，而冗余资源和组织学习调节了“意愿–行动”的关系[10]，这为要素协同的研究提供了理论参考，但未直接关联门槛效应。孔茗等(2025)发现社会情感财富会抑制数字化投入的效率转化，而家族企业的治理结构优化可调节这一抑制效应，间接影响门槛效应的显现[11]。邵剑兵等(2023)发现绩效反馈相关性与数字化投入呈U型关系[12]，但未涉及要素协同对门槛的调节。王蓓(2024)的研究补充了外部环境调节视角，指出制造业价值链嵌入深度会调节数字化投入的碳减排效应[13]，这种调节作用同样可能影响效率提升的门槛条件。
2.3. 区域传统制造业的数字化投入研究
现有研究多关注全国或东部地区的制造业，对中部省份传统制造业的数字化投入效应关注不足。易舒心(2024)针对商贸流通业的研究显示，数字化投入对产业升级的效应存在区域不均衡性，东部流通企业的技术基础优势使其更易突破门槛值，而中部企业则受限于基础条件[14]。余妙志等(2022)基于49国面板数据，发现数字化投入对高、中高收入国家的制造业全球价值链地位提升更显著，但未针对中国中部省份的传统制造业展开研究[15]。杨梅(2025)关于全球价值链分工地位的研究则表明，数字化投入对价值链地位的提升效应存在区域技术基础门槛，中部地区因数字化基础滞后可能面临更高的临界值[16]。这些研究表明，区域传统制造业的数字化投入效率问题尚未被系统探讨，尤其是像江西这样“要素禀赋薄弱、数字化基础滞后”的中部省份，其数字化投入的门槛效应、临界值及调节机制仍属研究空白。
3. 理论框架
协同效应理论(Synergy Effect Theory)能够精准解释传统制造业企业数字化投入与生产效率之间“要素协同不足–协同激活”的门槛机制。协同效应理论由德国物理学家哈肯(Haken)提出，其核心要义在于揭示系统内各子系统或要素通过非线性相互作用产生“1 + 1 > 2”的整体效应。具体机制包括：(1) 要素协同是整体效应的前提，即只有当各要素(如人力资本、技术设备、生产流程)实现匹配互动时，系统才能发挥最优效能；(2) 存在临界值(阈值)，当某一要素(如数字化投入)的投入强度达到临界值时，系统会从“无序”状态转向“有序”，协同效应显著增强；(3) 协同度调节临界值，即要素间的匹配程度越高，临界值越低——因为要素互动效率更高，系统更易进入有序状态。
此外，根据互补性资产理论(Teece, 1986)，技术创新(如数字化投入)的价值实现依赖于互补性资产(如人力资本、组织流程、供应链网络)的协同支持。在传统制造业数字化转型中，数字化投入若缺乏与互补性资产的匹配，将难以转化为生产效率提升。
3.1. 理论与研究的对接
协同效应理论与互补性资产理论共同支撑本研究的分析框架。一是要素协同转化为“要素协同度”，具体包括“人力资本与数字化技术设备的协同”(如企业数字人才占比与工业互联网平台、MES系统等设备的匹配度)、“生产流程与数字系统的协同”(如传统生产线改造与数字系统的融合度)两个维度，衡量企业内部要素对数字化投入的承接能力。二是临界值对应“数字化投入强度的门槛”，即数字化投入占企业总投入的比例，反映企业数字化转型的资源投入水平。三是整体效应对应“全要素生产率(TFP)”，衡量数字化投入通过协同效应带来的生产效率提升。
3.2. 研究假设
依托协同效应理论与互补性资产理论，本研究构建“数字化投入强度(自变量)–要素协同度(调节变量)–生产效率(因变量)”的分析框架，重点考察两个核心机制。
一是数字化投入的门槛效应。根据理论，初期数字化投入因未达到临界值，无法激活要素协同。例如，江西传统制造企业若仅购置数字设备但缺乏数字人才操作，设备利用率低，难以提升生产效率；当数字化投入超过临界值时，要素协同效应被激活(如数字人才与设备匹配、流程与系统融合)，生产效率显著提升。据此提出假设：
H1：数字化投入强度对TFP的影响存在显著门槛效应——低于临界值时影响较弱，超过临界值后正向影响显著增强。
二是要素协同度的调节作用。理论指出，协同度越高，临界值越低——若企业提前提升数字人才占比、改造生产流程，即使数字化投入未达到平均临界值，也能通过高效协同激活效应。例如，江西某机械制造企业若已储备5%的数字人才，其数字化投入的临界值可能低于未储备人才的企业。据此提出假设：
H2：要素协同度对门槛效应具有负向调节作用——协同度越高，数字化投入的临界值越低。
4. 研究方法
本研究采用面板门槛模型(Hansen, 1999)，通过面板数据的纵向差异捕捉变量间的非线性关系，识别数字化投入的临界值，契合对“门槛效应”的检验需求。
4.1. 数据来源与测量
样本框为江西省2018~2022年规模以上工业企业名录中的传统制造业企业(涵盖纺织、机械、化工、食品加工等7个行业)。筛选标准包括：(1) 连续5年纳入名录，确保企业经营稳定性；(2) 有完整的数字化投入数据(剔除“数字化投入为0”的企业)；(3) 关键财务指标(如总资产、营业收入)无缺失。最终得到289家企业的1445条平衡面板数据(每企业5年观测值)。
变量测量围绕“数字化投入强度–要素协同度–TFP”的逻辑展开。
4.1.1. 自变量
数字化投入强度。采用“企业数字化投入总额占总生产投入的比例”衡量。其中，总生产投入包括固定资产投入、原材料成本、劳动力成本等，数据来源于企业年度财务报表中的“总成本”或“总支出”项。数字化投入包括数字设备采购(如工业机器人、数控机床)、数字软件授权(如ERP、MES系统)、数字人才培养(如ICT技能培训费用)三部分，数据来自各企业年度的“数字化投入”及“技术改造支出”明细。
4.1.2. 因变量
全要素生产率(TFP)。采用Levinsohn-Petrin (LP)法测算，相较于索洛残差法，LP法通过中间投入变量(如原材料、能源)处理内生性，更贴合制造业企业的生产特征。测算指标包括：产出(工业总产值，以2018年为基期用工业品出厂价格指数平减)、劳动投入(从业人员平均人数)、资本投入(固定资产净值年平均余额，用固定资产投资价格指数平减)、中间投入(工业中间投入，用原材料购进价格指数平减)，数据来源于各企业年度主要经济指标。
4.1.3. 调节变量
要素协同度。从“人力资本–技术设备协同”“技术设备–流程协同”两个维度构建，通过熵权法合成综合指数(取值0~1，值越高协同度越强)。具体指标：(1) 人力资本–技术设备协同：用“数字人才占比 × 数字设备投入占比”衡量(数字人才占比为企业ICT从业人员占总员工的比例，数字设备投入占比为数字设备投资占固定资产投资的比例)；(2) 技术设备–流程协同：用“数字系统覆盖率 × 生产流程数字化改造率”衡量(数字系统覆盖率为企业使用ERP、MES等数字系统的比例，生产流程改造率为关键环节(研发、制造、仓储)实现数字化的比例)，数据来自各企业数字化转型公开资料及问卷调查。为检验要素协同度指标的结构效度，下文进行了探索性因子分析(EFA)，结果表明指标具有良好的结构效度。
4.2. 数据处理
缺失值采用线性插值法填补(针对连续型变量)，对极端值(如TFP超过均值3倍标准差)采用winsorize方法处理在1%和99%分位，避免异常值干扰；对虚拟变量(如所有制类型)进行编码(国有及国有控股企业= 1，民营企业 = 0)。
4.3. 数据分析与假设检验
使用Stata 16.0软件完成分析，具体步骤如下。
4.3.1. 数据预处理
通过相关性分析排除多重共线性(所有变量的方差膨胀因子VIF均小于5)，通过正态性检验(偏度|S| < 2，峰度|K| < 7)确认数据符合统计前提。
4.3.2. 变量测算
用LP法计算TFP，用熵权法合成要素协同度指数，各维度权重通过信息熵计算，确保指标的客观性。
4.3.3. 门槛效应检验
采用Hansen (1999)的面板门槛模型，以“数字化投入强度”为门槛变量，TFP为被解释变量，控制变量包括企业规模(总资产对数)、资本密集度(固定资产净值/从业人员数)、研发投入强度(研发支出/营业收入)、所有制类型。检验过程：(1) 通过Bootstrap方法(重复500次)检验门槛显著性，若单门槛的F统计量显著(P < 0.05)而双门槛不显著，则确定为单门槛模型；(2) 估计门槛值，并通过似然比检验(LR)验证其真实性(LR值 < 临界值10.597时，门槛值有效)；(3) 根据估计结果，分区间讨论数字化投入对TFP的影响，若低门槛区间内系数不显著，高门槛区间内系数显著为正，则验证假设H1。
4.3.4. 调节效应分析
在面板门槛模型中加入“数字化投入强度 × 要素协同度”交互项，若交互项系数显著为负，说明要素协同度越高，数字化投入的临界值越低，验证假设H2。
4.4. 稳健性检验
4.4.1. 内生性处理
控制企业固定效应(如企业规模、所有制)和时间固定效应(年份虚拟变量)，减少遗漏变量偏差；用滞后一期的数字化投入强度作为工具变量，通过两阶段最小二乘法(2SLS)验证结果稳健性。
4.4.2. 稳健性检验方法
更换TFP测算方法(用OP法替代LP法)；调整门槛变量，用“数字化投入占比的对数”替代原值；缩小样本范围，仅保留民营企业，若结果一致，则说明结论稳定。
5. 研究发现
5.1. 样本基本特征
样本基本特征如表1所示，覆盖江西省传统制造业主要门类。机械制造业企业最多(89家，30.8%)，其次是化工(67家，23.2%)、纺织(51家，17.6%)、食品加工(42家，14.5%)，其余行业(如建材、造纸)共40家(13.8%)。企业规模以中型为主(总资产1~5亿元，127家，44.0%)，大型企业(≥5亿元) 62家(21.5%)，中小企业(<1亿元) 100家(34.6%)，符合江西省规模以上工业企业的结构特征。所有制类型中，民营企业198家(68.5%)，国有及国有控股企业91家(31.5%)。整体而言，样本与研究对象总体特征一致，具有代表性。
Table 1. Basic characteristics of the sample (N = 289)
表1. 样本基本特征(N = 289)
变量类别 |
子类别 |
频数 |
百分比(%) |
行业类型 |
纺织 |
51 |
17.6 |
机械 |
89 |
30.8 |
化工 |
67 |
23.2 |
食品加工 |
42 |
14.5 |
其他 |
40 |
13.8 |
企业规模(总资产) |
<1亿元 |
100 |
34.6 |
1~5亿元 |
127 |
44.0 |
≥5亿元 |
62 |
21.5 |
所有制类型 |
国有及国有控股 |
91 |
31.5 |
民营 |
198 |
68.5 |
数据质量检验结果显示，要素协同度量表的信效度良好，人力资本–技术设备协同维度的Cronbach’s α系数为0.81，技术设备–流程协同维度为0.79，综合指数的α系数达0.83，均高于0.7的可接受标准；探索性因子分析的KMO值为0.82，Bartlett球形检验卡方值为1234.56 (P < 0.001)，说明变量间具有较强相关性，适合因子合成。针对共同方法偏差，Harman单因子检验显示第一个因子的方差解释率为21.3%，远低于40%的临界值，表明偏差影响可忽略。
5.2. 核心变量统计特征
核心变量的描述性统计结果如表2所示。自变量数字化投入强度(DI)的均值为0.12 (标准差SD = 0.08)，取值范围0.01~0.45，说明江西省传统制造业企业的数字化投入水平整体较低(均值仅12%)，且企业间差异较大，部分企业已开展深度数字化转型(如DI = 0.45)，但仍有企业投入不足(如DI = 0.01)。因变量TFP (LP法测算)的均值为1.05 (SD = 0.32)，范围0.51~2.13，反映企业生产效率存在显著异质性，效率最高的企业(TFP = 2.13)是最低企业(0.51)的4倍多。调节变量要素协同度(EC)的均值为0.42 (SD = 0.21)，范围0.10~0.85，说明多数企业的要素协同水平处于中等偏下(均值0.42)，数字人才与设备、设备与流程的匹配度仍需提升。控制变量中，企业规模(SIZE，总资产对数)均值为10.25 (SD = 1.12)，资本密集度(CAP，固定资产净值/从业人员数)均值为18.52 (SD = 6.31)，研发投入强度(RD)均值为0.04 (SD = 0.03)，所有制类型(OWN，国有 = 1)均值为0.31 (SD = 0.46)。
Table 2. Descriptive statistics of variables (N = 1445)
表2. 变量描述性统计(N = 1445)
变量 |
均值(M) |
标准差(SD) |
最小值 |
最大值 |
数字化投入强度(DI) |
0.12 |
0.08 |
0.01 |
0.45 |
TFP(LP法) |
1.05 |
0.32 |
0.51 |
2.13 |
要素协同度(EC) |
0.42 |
0.21 |
0.10 |
0.85 |
企业规模(SIZE) |
10.25 |
1.12 |
8.50 |
13.80 |
资本密集度(CAP) |
18.52 |
6.31 |
5.20 |
35.10 |
研发投入强度(RD) |
0.04 |
0.03 |
0.00 |
0.15 |
所有制类型(OWN) |
0.31 |
0.46 |
0.00 |
1.00 |
5.3. 假设检验结果
5.3.1. 门槛效应检验结果
面板门槛模型的检验结果显示，数字化投入对TFP的影响存在显著门槛效应。门槛显著性检验表明单门槛模型的F统计量为23.15 (Bootstrap重复500次，P = 0.02)，双门槛模型的F统计量为11.03 (P = 0.18)，因此选择单门槛模型。门槛值估计结果为0.18 (即数字化投入强度占总生产投入的18%)，似然比检验(LR)值为8.21，小于临界值10.597，说明门槛值有效。
分区间回归结果(表3)显示，当数字化投入强度低于18%时，其对TFP的影响系数为0.05 (标准误SE = 0.03，P = 0.12)，未达统计显著性——此时企业的数字化投入不足，数字技术与传统生产流程的融合度低，难以激活协同效应，因此对生产效率的促进作用不明显。当数字化投入强度 ≥ 18%时，系数显著上升至0.31 (SE = 0.08, P = 0.001)，说明超过临界值后，数字化投入的边际效率显著提升，例如，DI从0.18增至0.20，TFP将提升0.06 (0.31 × 0.02)。这一结果验证了假设H1：数字化投入对TFP的影响存在门槛效应，超过临界值后促进作用显著增强。
Table 3. Panel threshold regression results
表3. 面板门槛模型回归结果
变量 |
低门槛区间(DI < 0.18) |
高门槛区间(DI ≥ 0.18) |
数字化投入强度(DI) |
0.05 (0.03) |
0.31*** (0.08) |
企业规模(SIZE) |
0.18*** (0.04) |
0.18*** (0.04) |
资本密集度(CAP) |
0.09* (0.05) |
0.09* (0.05) |
研发投入强度(RD) |
0.22*** (0.06) |
0.22*** (0.06) |
所有制类型(OWN) |
−0.10* (0.05) |
−0.10* (0.05) |
调整后R2 |
0.21 |
0.35 |
F值 |
12.34*** |
21.56*** |
注：括号内为标准误；*、**、***分别表示在10%、5%、1%水平上显著；N = 1445。
5.3.2. 调节效应检验
在面板门槛模型中引入“数字化投入强度 × 要素协同度”(DI × EC)交互项后，交互项的回归系数为−0.25 (SE = 0.09, P = 0.01)，显著为负(表4)，表明要素协同度越高，数字化投入门槛值越低。例如，当要素协同度处于高水平(EC ≥ 0.7)时，门槛值从18%降至15%；而协同度低(EC < 0.4)时，门槛值仍维持在20%以上。其逻辑在于要素协同度高的企业(如数字人才占比高、流程与系统融合好)能够更高效地利用数字化投入，减少“数字冗余”，不需要达到过高的投入强度即可激活协同效应。这一结果验证了假设H2：要素协同度对门槛效应具有负向调节作用，协同度高的企业能以更低投入提升生产效率。
Table 4. Regression results of the moderating effect
表4. 调节效应回归结果
变量 |
系数(β) |
标准误(SE) |
P值 |
数字化投入强度(DI) |
0.35*** |
0.09 |
0.000 |
要素协同度(EC) |
0.12* |
0.06 |
0.045 |
DI × EC |
−0.25** |
0.09 |
0.010 |
企业规模(SIZE) |
0.17*** |
0.04 |
0.000 |
资本密集度(CAP) |
0.08* |
0.05 |
0.050 |
研发投入强度(RD) |
0.21*** |
0.06 |
0.000 |
所有制类型(OWN) |
−0.11* |
0.05 |
0.028 |
调整后R2 |
0.38 |
— |
— |
F值 |
25.32*** |
— |
0.000 |
注：括号内为标准误；*、**、***分别表示在10%、5%、1%水平上显著；N = 1445。
5.3.3. 控制变量的影响
控制变量的回归结果与预期一致。企业规模(SIZE)的系数为0.17，说明企业规模越大，生产效率越高——规模效应带来的采购成本降低、技术共享等优势促进了效率提升。研发投入强度(RD)的系数为0.21，表明研发投入越多，企业的技术创新能力越强，生产效率越高。资本密集度(CAP)的系数为0.08，说明资本设备的投入增加了生产的自动化水平，正向影响效率。所有制类型(OWN)的系数为−0.11，表明民营企业的生产效率显著高于国有企业——民营企业更灵活的经营机制、更敏锐的市场反应是其效率优势的来源。
5.4. 稳健性检验结果
为确认结果的可靠性，本研究进行了三项稳健性检验。更换TFP测算方法为Olley-Pakes (OP)法，结果显示门槛值仍为0.18，高门槛区间系数为0.30 (P = 0.002)，与原结果一致。将数字化投入强度调整为对数形式(lnDI)，门槛值变为0.19 (对应DI = 0.19)，系数仍显著为正(0.29)。缩小样本至民营企业(198家)，门槛值为0.17，高门槛区间系数为0.33，结果与全样本一致。这些检验表明，本研究的结论具有稳健性。
5.5. 发现总结
本研究的核心发现可归纳为三点。第一，江西省传统制造业企业的数字化投入对TFP的影响存在显著门槛效应——当数字化投入强度低于18%时，对生产效率的促进作用不显著；超过18%后，促进作用显著增强。第二，要素协同度对门槛效应具有负向调节作用——要素协同度越高(如数字人才与设备匹配、流程与系统融合)，数字化投入的临界值越低，企业能以更低的投入激活协同效应。第三，企业规模、研发投入、资本密集度均正向影响TFP，民营企业的生产效率显著高于国有企业。这些结果回应了“数字化投入对生产效率的门槛效应及调节机制”的核心研究问题，为江西省传统制造业的数字化转型提供了实证依据。
6. 结论
本研究验证了假设H1 (门槛效应存在)与H2 (要素协同度的调节作用)，回应了“数字化投入如何影响区域传统制造业生产效率”的核心问题。
6.1. 理论意义
首先验证了协同效应理论在区域传统制造业的适用性，数字化投入的效率提升依赖于要素协同，补充了理论对“协同条件”的实证证据，明确了“数字化投入 + 要素协同”是激活效率的关键组合。其次，修正了现有研究的区域局限，聚焦江西这一中部省份，揭示了区域传统制造业“数字化基础弱、要素协同差”的情境下，数字化投入的门槛效应及调节机制，丰富了理论的区域边界条件。最后，回应了学术界针对“数字化投入的非线性效应是否存在区域差异”的问题，本研究发现江西省传统制造业的数字化投入门槛值为18%，而黄赜琳等(2024)基于全国样本发现的临界值为数字化资产占非数字化资产的0.337倍[1]，尽管测量方式不同导致直接数值比较不具可比性，但两者均支持数字化投入存在门槛效应的结论，且本研究的区域样本显示中部省份因数字化基础薄弱可能需要更高的投入比例才能激活效应，这为区域异质性提供了实证证据。
6.2. 政策建议
江西省传统制造业的数字化转型需围绕“突破门槛 + 提升协同”双路径展开。对企业而言，需精准把握数字化投入的临界值(18%)，若当前投入低于临界值，应优先加大数字设备(如工业机器人、MES系统)、数字人才(如ICT工程师)的投入，推动投入强度快速突破18%；同时，要通过引进数字人才、改造生产流程(如研发、制造环节的数字化)，提升要素协同度，降低临界值以更早获得效率提升。对政府而言，需制定差异化数字化补贴政策，对协同度高的企业(如数字人才占比 ≥ 10%、流程改造率 ≥ 50%)，可给予数字化投入补贴，鼓励其快速突破门槛；对民营企业，可通过税收优惠(如提高研发费用加计扣除比例)、技术培训(如联合高校开展数字技能培训)，强化其效率优势；此外，需加大对研发投入、资本密集度的支持，如设立“传统制造业研发专项基金”，鼓励企业购置先进设备，提升生产效率的基础能力。
基金项目
江西省高校人文社会科学研究一般项目：数字经济赋能江西制造业高质量发展的路径研究(JJ21105)。