制造企业数据交易与数据外包的策略组合优化研究

Optimization Research on Manufacturing Enterprise Data Transaction and Data Outsourcing Strategy Combination

摘要: 制造企业目前普遍面临内部数据处理能力薄弱与外部市场需求不确定的双重约束，数据要素作为制造业数字化转型的核心驱动力，其价值实现取决于企业能否有效应用数据。本文通过构建Stackelberg博弈模型，分析了传统策略(NN)、数据交易策略(TN)、数据外包策略(ND)及组合策略(TD)下的企业定价与利润均衡。研究发现：(1) 数据交易策略的价值受交易成本与内部数据转化能力的双重约束，适度引入外部数据可优化需求预测，但过度采购将导致边际收益递减；(2) 数据外包策略的有效性依赖于外包商的数据处理能力，仅当其能力突破阈值时，专业化效率提升才能覆盖外包成本；(3) 数据交易与外包的组合策略在内部能力适中、时效性损失较低且外部成本可控时，可通过“数据广度获取–专业化深度处理”的协同路径实现企业利润最大化。本研究为制造企业破解“能力–需求”双维约束提供了“策略–能力–成本”三位一体的决策框架，对深化数据要素市场化配置理论与实践具有重要参考价值。

Abstract: Manufacturing enterprises currently face prevalent dual constraints: weak internal data processing capabilities and uncertain external market demands. As the core driving force behind the digital transformation of the manufacturing industry, the value realization of data elements depends on enterprises’ effective application of data. By constructing a Stackelberg game model, this study analyzes the pricing and profit equilibria of enterprises under four strategies: the traditional strategy (NN), data transaction strategy (TN), data outsourcing strategy (ND), and combined strategy (TD). The findings are as follows: (1) The value of the data transaction strategy is dually constrained by transaction costs and internal data conversion capabilities. Moderate introduction of external data can optimize demand forecasting, but excessive procurement leads to diminishing marginal returns; (2) The effectiveness of the data outsourcing strategy relies on the data processing capabilities of outsourcing providers. Only when their capabilities exceed a threshold can the improvement in professional efficiency offset the outsourcing costs; (3) When internal capabilities are moderate, timeliness losses are low, and external costs are controllable, the combined strategy of data transaction and outsourcing can achieve enterprise profit maximization through the synergistic path of “acquiring data breadth-conducting professional in-depth processing”. This study provides a “strategy-capability-cost” trinity decision-making framework for manufacturing enterprises to address the dual-dimensional constraints of “capability-demand”, and offers important reference value for deepening the theory and practice of market-oriented allocation of data elements.

1. 引言

在数字技术与实体经济深度融合的背景下，数据要素已成为驱动制造业竞争格局的核心力量。据IDC报告显示，2024年中国数据要素市场规模达1591.8亿元，近五年复合年增长率达48.95%，其中制造业数据交易占比超35% [1]，呈现强劲发展态势。面向终端客户的制造企业，因其生产与供应链管理高度依赖需求预测，已成为数据要素应用的关键主体。以特斯拉为例，通过整合实时生产数据与第三方充电桩分布信息，实现了区域库存优化，订单交付周期平均缩短22%，库存周转率提升18%。制造企业数据资源通常可分为内部运营数据(如生产、物流、库存信息)与行业市场数据(通过外部交易获取、如竞品销量、区域消费趋势)两类[2]，二者协同可显著提升需求预测与库存管理效率。然而，制造企业在数据应用过程中面临双重挑战：一方面，内部数据处理能力薄弱，存在数据采集、存储、清洗、分析等多环节的技术与人才短板[3]。调研显示，73%的中小制造企业因缺乏专业数据分析团队，数据利用率不足30% [4]，而自建数据处理部门成本高昂；另一方面，企业普遍面临外部需求不确定和供应链扰动(如极端天气、需求突变)所带来的预测困难，导致库存积压或供应短缺频发[3] [5]。

在此背景下，数据交易与数据外包成为企业突破“内部数据处理能力不足 + 市场需求不确定性”双维约束的重要途径。通过数据交易，制造企业可获取多源市场数据，以提升预测准确性并降低运营损失[6] [7]；通过数据外包，则可借助外部专业力量完成数据处理任务，在保障质量的同时控制成本。

学术界围绕数据要素市场化配置与企业数据策略已展开广泛研究。在数据交易方面，学者们多关注机制设计与政策干预，Yu等[8]通过系统分析数据交易中的合规性、外部性与成本问题，提出“数据用益权”作为解决数据权利模糊性的方案；温越等[7]通过构建数据供应商、交易平台与政府的三方演化博弈模型，提出政府应通过补贴与规制相结合的方式促进数据交易基础设施建设；郭鑫鑫等[9]通过设计基于需求函数投标的拍卖机制，解决了数据交易中的信息不对称问题；戴魁早等[10]通过实证分析证实，数据交易平台建设能显著提升制造企业全要素生产率。在数据外包方面，研究多集中于企业如何借助外部服务优化运营，Xiong等[11]通过分析半外包与完全外包两种合同，揭示了制造商基于承包商规模选择外包模式的内在规律；Mazumder等[12]指出，外包服务商通过数字化转型实现虚拟化与平台化，提升服务效率与扩展服务范围的能力。

然而，既有研究大多预设企业具备较强的数据能力，或侧重组织内部与供应链协同机制[13]-[15]，未能充分关注多数制造企业实际面临的“内部数据处理能力不足”与“外部市场需求不确定”双重约束，尤其缺乏从数据要素市场化流通视角，将数据交易商与外包商同时纳入分析框架，探讨其协同机制对企业决策与绩效的影响。

从理论层面看，本研究旨在衔接交易成本经济学与资源基础观，以深化对制造企业数据策略的理解。交易成本经济学强调，企业的边界决策源于对市场交易成本与内部管理成本的权衡[16]。数据交易与外包策略的本质，正是企业在“内部化数据处理”与“外部化获取数据或数据处理服务”之间的治理选择。本研究将揭示，在数据要素的特定情境下，数据资产的非竞争性、价值衍生性以及合规风险如何重塑交易成本结构，从而扩展了TCE理论在数字环境下的应用。同时，资源基础观将企业视为独特资源的集合，而数据正日益成为关键的战略资源[17]。然而，数据本身的价值实现并非自动，其根本上依赖于企业的“数据处理能力”——一种将原始数据转化为洞察与行动的动态能力。本研究通过构建“策略–能力–成本”分析框架，不仅回应了“企业为何存在”的经典命题，也揭示了在数字经济中“企业如何凭借数据与能力构建竞争优势”的新机制。

因此，构建“数据获取–处理–价值转化”的全流程闭环体系具有重要意义。基于上述研究缺口，本文重点探究以下研究问题：(1) 当企业面临市场需求不确定时，在已有需求信息的基础上，是否有必要进一步通过数据交易获取更多产品市场需求信息？这对定价策略和收益有何影响？(2) 企业是否需要采取数据外包策略以提高数据要素利用率及整体经济效益？(3) 企业采取数据交易与数据外包处理的策略组合是否更加有利于整体的经济效益提升？

为此，本文从组合决策视角出发，构建了一个由制造企业与客户构成的动态Stackelberg博弈模型，将数据交易商和数据外包商纳入其中。在此模型框架下，制造企业作为主导者，确定产品价格，同时就是否交易市场需求数据、是否采用数据外包处理做出决策；客户作为跟随者，根据自身效用来决定产品的采购。通过求解模型的均衡解，本文揭示数据外包与数据交易对制造企业决策行为、利润水平的影响机制，为企业制定科学合理的数据资源利用策略提供理论依据和实践指导。

2. 问题描述与模型构建

假设在单寡头市场结构下的传统制造业供应链中，直接面向终端客户的制造企业，其向客户销售价格为$p$ 的产品，产品的市场需求量为$q$ ，客户对产品的估值为$v$ 。从数据价值利用角度出发，对于制造企业而言，其内部数据量$d_1$ 通常涵盖企业自身产品维度的相关数据[18]。相应地，制造企业也具备一定的数据处理能力${\alpha }_0$ ，本研究借鉴信息管理领域的能力框架[19]，将数据处理能力定义为一个多维度的构念，主要包括：(1) 技术能力，即运用大数据平台、分析工具与算法模型对数据进行存储、清洗与挖掘的技术基础设施水平；(2) 人才能力，指企业拥有能够执行数据分析和解读数据的专业团队(如数据科学家、分析师)的技能与经验；(3) 流程能力，包括保障数据质量、安全、合规的数据治理机制以及促进数据跨部门共享与协作的组织流程。在本文的模型中，${\alpha }_0$ 作为一个综合性参数，其数值的高低与企业在采购、运输和销售等关键环节的运营效率呈正相关，制造企业自身单位数据处理的成本记为$c_S$ 。考虑到制造业供应链多链协同运作的特性，产品交付时间直接影响企业运营效率与客户关联链条运行状态，若交付延迟，不仅导致企业自身效率下降，还会给客户带来连锁经济损失，因此，产品交付及时性[20]成为衡量企业绩效的核心指标，客户采购决策也高度关注时效性损失。本文假设制造企业处理数据而产生的时间延迟为$t_0$ ，客户因延迟而造成的单位损失为$i$ ，为方便计算，令$l_1=t_{0}i$ 代表整体时效性损失。

此外，市场存在的不确定性波动[21]也是制造企业必须面对的挑战之一。为了应对这种不确定性，制造企业需要保持一定的库存水平，以确保对客户的不间断供应。假设制造企业面对市场波动程度为$m$ 情境下所需确保的库存为$k$ ，单位库存积压损失为$l_2$ 。

因此，可得到传统策略(NN)下客户的效用函数为：

$\begin{array}{c}{U}_1=v-\left(1-{\alpha }_0\right)d_1{l}_1-p_1\end{array}$ (1)

制造企业的利润函数为：

$\begin{array}{c}{\pi }_1=p_1{q}_1-m{l}_{2}k-c_S{d}_1\end{array}$ (2)

若制造企业采取数据交易策略，其向数据交易商购买单位数据量价格为$c_T$ 的产品行业的市场数据量$d_2$ ，其数据通常包含行业维度数据，制造企业可以利用其数据价值来减少市场波动性和优化库存。假设制造企业自身对行业市场数据的实际价值转化率[14]为$n_1$ ，令$m_1=n_1{\alpha }_0{d}_2$ 代表对市场预测程度。

由此，可得到数据交易策略(TN)下客户的效用函数为：

$\begin{array}{c}{U}_2=v-\left(1-{\alpha }_0\right)\left(d_1+d_2\right)l_1-p_2\end{array}$ (3)

制造企业的利润函数为：

$\begin{array}{c}{\pi }_2=p_2{q}_2-\left(m-n_1{\alpha }_0{d}_2\right)l_{2}k-c_S\left(d_1+d_2\right)-c_T{d}_2\end{array}$ (4)

若制造企业采取数据外包策略，将数据处理业务全权交由数据外包商。数据外包商的单位数据处理费用为$c_D$ ，数据处理能力为${\alpha }_1$ ，不失一般性，数据外包商的数据处理能力大于制造企业自身，即${\alpha }_1>{\alpha }_0$ 。

由此，可得到数据外包策略(ND)下客户的效用函数为：

$\begin{array}{c}{U}_3=v-\left(1-{\alpha }_1\right)d_1{l}_1-p_3\end{array}$ (5)

制造企业的利润函数为：

$\begin{array}{c}{\pi }_3=p_3{q}_3-m{l}_{2}k-c_D{d}_1\end{array}$ (6)

若制造企业采取数据交易和数据外包组合策略时，制造企业也可以利用数据外包处理行业市场数据价值来减少市场波动性优化库存。假设数据外包对行业市场数据的实际价值转化率为$n_2$ ，令$m_2=n_2{\alpha }_0{d}_2$ 代表对市场预测程度。

由此，可得到数据交易与数据外包组合策略(TD)下客户的效用函数为：

$\begin{array}{c}{U}_4=v-\left(1-{\alpha }_1\right)\left(d_1+d_2\right)l_1-p_4\end{array}$ (7)

制造企业的利润函数为：

$\begin{array}{c}{\pi }_4=p_4{q}_4-\left(m-n_2{\alpha }_1{d}_2\right)l_{2}k-c_D\left(d_1+d_2\right)-c_T{d}_2\end{array}$ (8)

3. 模型分析

本模型为以制造企业为主导的Stackelberg动态博弈模型，运用逆向推导法，求出传统策略(NN)、数据交易策略(TN)、数据外包策略(ND)、数据交易与外包组合策略(TD)四个模型的均衡解，如表1所示。

Table 1. Model and equilibrium solution

表1. 模型及均衡解

	NN模型	TN模型	ND模型	TD模型
$p$	$\frac{1}{2}\left(1-d_1{l}_1+d_1{l}_1{\alpha }_0\right)$	$\frac{1}{2}\left(1-d_1{l}_1-d_2{l}_1+d_1{l}_1{\alpha }_0+d_2{l}_1{\alpha }_0\right)$	$\frac{1}{2}\left(1-d_1{l}_1+d_1{l}_1{\alpha }_1\right)$	$\frac{1}{2}\left(1-d_1{l}_1-d_2{l}_1+d_1{l}_1{\alpha }_1+d_2{l}_1{\alpha }_1\right)$
$q$	$\frac{1}{2}\left(1+d_1{l}_1\left(-1+{\alpha }_0\right)\right)$	$\frac{1}{2}\left(1+d_1{l}_1\left(-1+{\alpha }_0\right)+d_2{l}_1\left(-1+{\alpha }_0\right)\right)$	$\frac{1}{2}\left(1+d_1{l}_1\left(-1+{\alpha }_1\right)\right)$	$\frac{1}{2}\left(1+d_1{l}_1\left(-1+{\alpha }_1\right)+d_2{l}_1\left(-1+{\alpha }_1\right)\right)$
$\pi$	$\frac{1}{4}\left(\begin{array}{l}1-4c_S{d}_1-4km{l}_2\\ +2d_1{l}_1\left(-1+{\alpha }_0\right)\\ +d_1^2{l}_1^2{\left(-1+{\alpha }_0\right)}^2\end{array}\right)$	$\begin{array}{l}-c_T{d}_2-c_S\left(d_1+d_2\right)\\ +\frac{1}{4}{\left(1+d_1{l}_1\left(-1+{\alpha }_0\right)+d_2{l}_1\left(-1+{\alpha }_0\right)\right)}^2\\ -k{l}_2\left(m-d_2{n}_1{\alpha }_0\right)\end{array}$	$\frac{1}{4}\left(\begin{array}{l}1-4c_D{d}_1-4km{l}_2\\ +2d_1{l}_1\left(-1+{\alpha }_1\right)\\ +d_1^2{l}_1^2{\left(-1+{\alpha }_1\right)}^2\end{array}\right)$	$\begin{array}{l}-c_T{d}_2-c_D(d_1+d_2+\\ \frac{1}{4}{\left(\begin{array}{l}1+d_1{l}_1\left(-1+{\alpha }_1\right)\\ +d_2{l}_1\left(-1+{\alpha }_1\right)\end{array}\right)}^2\\ -k{l}_2\left(m-d_2{n}_2{\alpha }_1\right)\end{array}$

命题1：在传统策略(NN)下制造企业既不采取数据交易策略，也不进行数据外包处理。此时，制造企业的最优定价策略为：

$\begin{array}{c}{p}_1=\frac{1}{2}\left(1-d_1{l}_1+d_1{l}_1{\alpha }_0\right)\end{array}$ (9)

该定价策略反映了制造企业在缺乏外部数据支持和外包服务的情况下，仅依赖内部数据进行决策时的定价行为。

最佳利润为：

$\begin{array}{c}{\pi }_1=\frac{1}{4}\left(1-4c_S{d}_1-4km{l}_2+2d_1{l}_1\left(-1+{\alpha }_0\right)+d_1^2{l}_1^2{\left(-1+{\alpha }_0\right)}^2\right)\end{array}$ (10)

命题1表明，在NN策略下，制造企业的产品定价与自身数据处理能力${\alpha }_0$ 正相关，而与内部数据量$d_1$ 和时效性损失$l_1$ 负相关。进一步地，${\alpha }_0$ 对此负向关系具有调节作用：${\alpha }_0$ 越大，$d_1$ 和$l_1$ 对定价的抑制效应越弱。利润与${\alpha }_0$ 呈非线性正相关，与企业自身数据分析处理的成本$c_S$ 及库存损失$km{l}_2$ 负相关，且随$d_1$ 与$l_1$ 的交互作用动态变化。这意味着，当内部数据量扩大时，若自身数据处理能力不足，数据冗余会导致信息处理边际效益递减，企业需通过降低产品定价以抵消数据处理效率不足带来的市场竞争力损耗；而时效性损失的增加会直接削弱客户效用，企业以降价策略维持需求规模。

命题2：比较传统策略(NN)与数据交易策略(TN)，当$l_1<\frac{1}{d_1-d_1{\alpha }_0}$ 、$d_2<-d_1+\frac{1}{l_1-l_1{\alpha }_0}$ 时，有

$△{\text{π}}^{\text{TN}-\text{NN}}>0$ 。

命题2表明，当时效性损失$l_1$ 低于阈值时，TN策略与NN策略的利润差为正。该利润差随产品行业的市场数据量$d_2$ 增大呈先递增后递减的趋势，即当$d_2$ 超过阈值后出现边际收益递减。此外，自身数据处理能力${\alpha }_0$ 通过提升外部数据的转化效率，对利润差产生正向调节作用。

这意味着，当时效性损失处于一定阈值时，数据处理延迟对客户效用的削弱较弱，此时增加产品行业市场数据量可通过自身数据分析处理能力的转化作用与内部数据量形成协同，提升需求预测精度。在产品行业市场数据量未达阈值前，数据增量的边际价值高于交易成本，企业倾向于扩大数据交易量以放大利润差；当产品行业市场数据量超过阈值时，信息冗余导致处理效率下降，此时企业会缩减交易规模以降低成本。

推论1：比较传统策略(NN)与数据交易策略(TN)，当产品行业市场数据量$d_2$ 超过阈值时，制造企业的利润差随$d_2$ 的增加呈递增趋势；相反，随着数据交易费用$c_T$ 的上升，该利润差将逐渐收窄。这意味着，一旦外部数据量突破阈值，其与内部数据产生的协同效应便能超越额外的边际成本；而交易成本的增加则会削弱数据交易策略的相对优势。因此，企业需有效控制交易成本，以维持并扩大其利润差。

基于推论1可知，当产品行业市场数据量超过特定阈值后，企业应意识到外部数据与内部数据的协同效应虽仍在深化，但其边际收益已面临数据交易成本上升的问题。此时，企业需着力降低数据获取、整合与合规性交易成本，以维持并扩大利润差。

命题3：比较传统策略(NN)与数据外包策略(ND)，当 ${\alpha }_1>\frac{l_1\left(-1+d_1{l}_1\right)+\sqrt{l_1^2\left(4c_D{d}_1-4c_S{d}_1+{\left(1+d_1{l}_1\left(-1+{\alpha }_0\right)\right)}^2\right)}}{d_1{l}_1^2}$ 且 $c_D>c_S+\frac{1}{16}{l}_1\left(4+d_1^3{l}_1^3+2d_1{l}_1\left(-2+{\alpha }_0\right)\right)\left(d_1^2{l}_1^2-2{\alpha }_0\right)$ 时，有$△{\text{π}}^{\text{ND}-\text{NN}}>0$ ；当$\frac{1}{2}{d}_1^2{l}_1^2<{\alpha }_1<\frac{-4+4d_1{l}_1-d_1^3{l}_1^3}{2d_1{l}_1}$ 且$c_D<c_S-\frac{1}{4}{l}_1\left({\alpha }_0-{\alpha }_1\right)\left(2+d_1{l}_1\left(-2+{\alpha }_0+{\alpha }_1\right)\right)$ 时，有$△{\text{π}}^{\text{ND}-\text{NN}}>0$ 。

命题3表明，外包商的数据处理能力${\alpha }_1$ 与利润差正相关，而其数据处理费用$c_D$ 与利润差负相关。具体而言，当${\alpha }_1$ 突破能力阈值时，即使$c_D$ 高于某一费用阈值，采用ND策略仍能获得较高利润。此外，当${\alpha }_1$ 处于一定区间且$c_D$ 低于相应成本阈值时，ND策略同样更优；此时，${\alpha }_1$ 的提升继续正向驱动利润差，而将$c_D$ 控制在阈值以下是利润差为正的必要前提。

由此可知，企业应依据外包商数据处理能力的阶段性特征动态调整数据合作策略：能力较低时，可借助外包提升数据时效性与客户效用，扩大需求；能力突破阈值后，其专业化带来的决策收益可覆盖额外成本，助力精准预测与定价，提升利润；能力处于适度区间时，则应利用其成本与效率优势，将内部资源聚焦核心业务，实现轻量化运营与协同增效。例如，特斯拉依托外包商Scale AI的能力演进，从数据标注扩展至多模态融合与仿真测试，在控制成本的同时加速了自动驾驶商业化，体现了基于能力阈值动态优化数据合作策略的价值。

命题4：比较传统策略(NN)与数据交易和数据外包组合策略(TD)，当$\frac{-1+d_1{l}_1}{d_1{l}_1}<{\alpha }_0<\frac{1+d_1{l}_1}{d_1{l}_1}$ 、$\frac{-1+d_1{l}_1+d_2{l}_1}{d_1{l}_1+d_2{l}_1}<{\alpha }_1<\frac{1+d_1{l}_1+d_2{l}_1}{d_1{l}_1+d_2{l}_1}$ 时，有$△{\text{π}}^{\text{TD}-\text{NN}}>0$ ；当$l_1<-\frac{1}{-d_1-d_2+d_1{\alpha }_1+d_2{\alpha }_1}$ 时，有$△{\text{π}}^{\text{TD}-\text{NN}}>0$ 。

命题4表明，TD策略的最优性依赖于双重临界条件：一是制造企业自身数据处理能力${\alpha }_0$ 与外包商的数据处理能力${\alpha }_1$ 需同时处于适宜区间；二是时效性损失$l_1$ 需低于某一水平，且${\alpha }_0$ 处于合理范围。具体而言，产品行业市场数据量$d_2$ 的增加会扩大利润差，凸显规模优势；内外部数据处理能力${\alpha }_1$ 与${\alpha }_0$ 的提升通过协同效应正向调节利润差；而$l_1$ 的增加则会降低该优势，因其导致数据时效性价值衰减，削弱策略有效性。

由此可知，企业应在明确自身数据处理能力合理区间的基础上，采取“内外协同、分级治理”的数据策略：内部聚焦核心数据的基础处理与安全管控，保障关键业务的响应能力与自主性；外部则将高阶分析任务交由专业外包商，借助其规模化与专业化能力降低成本，避免非核心环节的资源冗余与技术风险。例如，博世在工业4.0转型中，将生产线实时监控等核心数据保留于自有物联网平台处理，而将全球市场需求分析与供应链优化建模外包予SAP等服务商，在确保数据安全与实时性的同时，显著提升了供应链协同效率与市场响应速度。

命题5：比较数据交易策略(TN)与数据交易和数据外包组合策略(TD)，当 $\frac{-1+d_1{l}_1+d_2{l}_1}{d_1{l}_1+d_2{l}_1}<{\alpha }_1<\frac{1+d_1{l}_1+d_2{l}_1}{d_1{l}_1+d_2{l}_1}$ 时，若 $c_D<\frac{\begin{array}{l}4c_S\left(d_1+d_2\right)+{\alpha }_0\left(2\left(d_1+d_2\right)l_1\left(-1+\left(d_1+d_2\right)l_1\right)-4k{d}_2{l}_2{n}_1-{\left(d_1+d_2\right)}^2{l}_1^2{\alpha }_0\right)\\ +2\left(\left(d_1+d_2\right)l_1\left(1-\left(d_1+d_2\right)l_1\right)+2k{d}_2{l}_2{n}_2\right){\alpha }_1+{\left(d_1+d_2\right)}^2{l}_1^2{\alpha }_1^2\end{array}}{4\left(d_1+d_2\right)}$ ，有$△{\text{π}}^{\text{TD}-\text{TN}}>0$ ；若 $\frac{-1+d_1{l}_1+d_2{l}_1}{d_1{l}_1+d_2{l}_1}<{\alpha }_0<\frac{1+d_1{l}_1+d_2{l}_1}{d_1{l}_1+d_2{l}_1}$ 、且$c_S<\frac{1}{4\left(d_1+d_2\right)}\left(\begin{array}{l}4c_D\left(d_1+d_2\right)+{\alpha }_0\left(\begin{array}{l}-2\left(d_1+d_2\right)l_1\left(-1+\left(d_1+d_2\right)l_1\right)\\ +4k{d}_2{l}_2{n}_1+{\left(d_1+d_2\right)}^2{l}_1^2{\alpha }_0\end{array}\right)\\ +2\left(\begin{array}{l}\left(d_1+d_2\right)l_1\left(-1+\left(d_1+d_2\right)l_1\right)\\ -2k{d}_2{l}_2{n}_2\end{array}\right){\alpha }_1-{\left(d_1+d_2\right)}^2{l}_1^2{\alpha }_1^2\end{array}\right)$ 时，有$△{\text{π}}^{\text{TD}-\text{TN}}>0$ 。

命题5表明，TD策略的最优性分别对应两种情境：其一，当外包商的数据处理能力${\alpha }_1$ 处于特定区间且其处理费用$c_D$ 低于阈值时；其二，当企业自身数据处理能力${\alpha }_0$ 与外包商数据处理能力${\alpha }_1$ 处于协同区间，且自身数据处理成本$c_S$ 低于阈值时。

可以看出，企业应建立以能力匹配和成本效益为核心的外包合作筛选机制，选择与企业数据规模相适应的外包商，避免能力冗余或不足导致成本增加或价值流失。若外包费用低于阈值，可扩大外包范围，利用规模效应降低成本，并以收益增量覆盖外包支出。同时，内部应专注核心数据的基础处理以保障安全与实时性，将非核心高阶分析任务外包，借助专业化能力弥补自身短板。

命题6：比较数据外包策略(ND)与数据交易和数据外包组合策略(TD)，当$l_1<-\frac{1}{-d_1+d_1{\alpha }_1}$ 、$d_2<\frac{-1+d_1{l}_1-d_1{l}_1{\alpha }_1}{-l_1+l_1{\alpha }_1}$ 且$c_T<\frac{1}{4}\left(\begin{array}{l}-4c_D-2l_1+2d_1{l}_1^2+d_2{l}_1^2\\ +2l_1{\alpha }_1-4d_1{l}_1^2{\alpha }_1-2d_2{l}_1^2{\alpha }_1\\ +4k{l}_2{n}_2{\alpha }_1+2d_1{l}_1^2{\alpha }_1^2+d_2{l}_1^2{\alpha }_1^2\end{array}\right)$ 时，有$△{\text{π}}^{\text{TD}-\text{ND}}>0$ 。

命题6表明，当整体时效性损失$l_1$ 低于阈值、产品行业的市场数据量$d_2$ 未达信息完备性阈值且数据交易费用$c_T$ 低于一定阈值时，TD策略最优。其利润优势受三个关键因素影响：$l_1$ 的降低能减少数据价值折损，从而扩大利润差；$d_2$ 的增加通过信息增益强化策略优势；而$c_T$ 的下降则进一步放大该优势，体现出低成本数据交易对协同效应的促进作用。

因此，企业需建立多维度协同的数据战略，若时效性损失低于阈值，可将内部数据交由合格外包商处理，以快速释放数据价值，避免处理延迟导致效率降低；若市场数据量未达阈值，应通过数据交易引入外部数据，并借助外包商实现内外部数据融合，提升决策全面性；若数据交易成本低于阈值，可扩大外部数据采购规模，并通过谈判降低外包费率，以充分发挥“数据交易 + 外包”的协同优势。例如，宝钢股份依托西门子MindSphere平台处理高炉实时数据以保障时效性，同时采购并融合分析全球铁矿石市场数据，通过规模合作降低单位成本，实现了生产与市场数据的高效协同，显著提升了采购效率与生产调度精度。

4. 博弈仿真分析

4.1. 算例求解

借鉴文献[7] [9] [22]-[24]的数据，在模型假设的基础上对参数进行赋值，令$k=0.5$ 、$m=0.005$ 、$l_1=0.6$ 、$l_2=0.6$ 、$d_1=0.7$ 、$d_2=0.8$ 、${\alpha }_0=0.6$ 、${\alpha }_1=0.8$ 、$n_1=0.6$ 、$n_2=0.7$ 、$c_S=0.001$ 、$c_T=0.007$ 、$c_D=0.001$ 。将各参数的值代入NN、TN、ND、TD四个模型下的决策变量的解中，得到四种策略的决策结果(见表2)。

Table 2. Optimal decisions and profits under NN, TN, ND, and TD strategies

表2. NN、TN、ND、TD策略下最优决策与利润

	$p$	$q$	$\pi$
NN	0.416	0.416	0.170856
TN	0.32	0.32	0.1802
ND	0.458	0.458	0.207564
TD	0.41	0.41	0.2939

由表2可以看出，制造企业在仅采取数据交易策略(TN)、仅采取数据外包策略(ND)、数据交易和数据外包组合策略(TD)情境下，均会提高企业收益，其中数据交易和数据外包组合策略(TD)情境下收益最高。

从最优决策来看，在TN策略和TD策略情境下，企业定价相较于NN策略有所降低，表明通过数据交易优化市场预测后，企业可通过降价策略扩大市场份额以提升收益；而在ND策略情境下，定价略高于NN策略，这取决于外包商高效的数据处理能力显著压缩了时效性损失，提升了数据价值转化效率，使得企业能够在不显著影响需求的情况下适度提高定价，从而通过成本节约和效率提升实现利润增长。

4.2. 相关系数影响分析

分析在TN策略下，产品行业市场数据量$d_2$ 对TN-NN，TD-NN，TD-TN下利润差的影响，如图1所示，当保留参数$d_2$ 时，取参数$k=0.5$ 、$m=0.005$ 、$l_1=0.65$ 、$l_2=0.6$ 、$d_1=0.6$ 、${\alpha }_0=0.68$ 、${\alpha }_1=0.85$ 、$n_1=0.62$ 、$n_2=0.75$ 、$c_S=0.0015$ 、$c_T=0.026$ 、$c_D=0.0002$ 。

Figure 1. The influence of $d_2$ on $△{\pi }^{TN-NN}、△{\pi }^{TD-NN}、△{\pi }^{TD-TN}$

图1. $d_2$ 对$△{\pi }^{TN-NN}、△{\pi }^{TD-NN}、△{\pi }^{TD-TN}$ 的影响

图1可知，随着$d_2$ 的增加，$△{\pi }^{TN-NN}、△{\pi }^{TD-NN}、△{\pi }^{TD-TN}$ 均呈现上升趋势。但TD策略的利润在$d_2$ 突破阈值后呈现加速增长，显示出显著的协同效应。相比之下，TN策略的利润提升幅度有限。当$d_2$ 较低时，TN策略优于TD策略，因为在有限数据下外包附加成本无法被能力溢价抵消；当$d_2$ 较高时，TD策略更优，因为充足数据激发专业化处理能力${\alpha }_1$ 与交易数据$d_2$ 的协同价值。

因此，企业应依据外部数据规模动态调整策略，当数据量较低时，采用单一数据交易策略，以规避外包成本；数据量超过阈值时，则转向组合策略，借助外包商的专业化能力实现“规模–效能”协同。同时，企业需培育内部核心数据能力，通过完善数据治理，既能在交易策略下维持基础处理能力，又能在组合策略中提升外包管理与协同效能。例如，格力电器在智能制造升级中，从初期自主分析交易数据，到后期与阿里云合作处理海量数据，实现了预测与供应链效率的跃升。

分析在ND策略下，外包商的数据处理能力${\alpha }_1$ 对ND-NN，TD-NN，TD-ND下利润差的影响，如图2所示，当保留参数${\alpha }_1$ 时，取参数$k=0.5$ 、$m=0.005$ 、$l_1=0.6$ 、$l_2=0.4$ 、$d_1=0.25$ 、$d_2=0.6$ 、$n_1=0.6$ 、${\alpha }_0=0.7$ 、$n_2=0.6$ 、$c_S=0.03$ 、$c_T=0.08$ 、$c_D=0.001$ 。

Figure 2. The influence of ${\alpha }_1$ on $△{\pi }^{ND-NN}、△{\pi }^{TD-NN}、△{\pi }^{TD-ND}$

图2. ${\alpha }_1$ 对$△{\pi }^{ND-NN}、△{\pi }^{TD-NN}、△{\pi }^{TD-ND}$ 的影响

由图2可知，ND策略的利润随着${\alpha }_1$ 增大呈上凸型增长，当${\alpha }_1$ 超过阈值时，其利润优势显著扩大。同时，$△{\pi }^{ND-NN}与△{\pi }^{TD-NN}$ 图像存在一交点，当${\alpha }_1$ 小于该交点时，ND策略因能避免额外交易成本而占优；当${\alpha }_1$ 大于该交点时，TD策略则凭借高阶数据处理能力${\alpha }_1$ 与外部数据量$d_2$ 的协同效应实现更优收益。$△{\pi }^{ND-NN}与△{\pi }^{TD-ND}$ 图像存在一交点，表明，仅当${\alpha }_1$ 大于该交点时，TD策略方能产生超额收益，表示专业化处理对多源数据的深度价值挖掘得以实现。

因此，企业应建立一种能力驱动的动态适配机制：在内部能力不足时，采用单一外包策略降低成本负担；当外包商能力跨越第一阈值，则通过组合策略激活内外部数据协同；待能力突破第二阈值后，进一步扩大数据交易规模，以“专业化分析 + 多源数据”构建竞争优势。这一机制要求企业持续评估能力演进，灵活调整合作模式与资源投入。

分析在TN策略下，数据交易费用$c_T$ 对TN-NN，TD-NN，TD-TN下利润差的影响，如图3所示，当保留参数$c_T$ 时，取参数$k=0.5$ 、$m=0.005$ 、$l_1=0.65$ 、$l_2=0.6$ 、$d_1=0.6$ 、$d_2=0.85$ 、${\alpha }_0=0.68$ 、${\alpha }_1=0.85$ 、$n_1=0.62$ 、$n_2=0.75$ 、$c_S=0.0015$ 、$c_D=0.0002$ 。分析在ND策略下，数据外包费用$c_D$ 对ND-NN，TD-NN，TD-ND下利润差的影响，如图4所示，当保留参数$c_D$ 时，取参数$k=0.5$ 、$m=0.005$ 、$l_1=0.6$ 、$l_2=0.4$ 、$d_1=0.25$ 、$d_2=0.6$ 、${\alpha }_0=0.7$ 、${\alpha }_1=0.8$ 、$n_1=0.6$ 、$n_2=0.6$ 、$c_S=0.03$ 、$c_T=0.08$ 。

Figure 3. The influence of $c_T$ on $△{\pi }^{TN-NN}、△{\pi }^{TD-NN}、△{\pi }^{TD-ND}$

图3. $c_T$ 对$△{\pi }^{TN-NN}、△{\pi }^{TD-NN}、△{\pi }^{TD-ND}$ 的影响

Figure 4. The influence of $c_D$ on $△{\pi }^{ND-NN}、△{\pi }^{TD-NN}、△{\pi }^{TD-ND}$

图4. $c_D$ 对$△{\pi }^{ND-NN}、△{\pi }^{TD-NN}、△{\pi }^{TD-ND}$ 的影响

由图3可知，TN策略的利润随$c_T$ 的增加线性速降，表明交易成本直接削弱该模式的利润优势。与此同时，$△{\pi }^{TD-NN}$ 随$c_T$ 的上升而增加，反映出在高交易成本下，TD策略相对TN策略的劣势有所减弱。$△{\pi }^{TD-NN}$ 与$△{\pi }^{TD-TN}$ 图像存在一交点，当$c_T$ 小于该交点时，TN策略更优，表明低交易成本下外部数据获取的收益显著；当$c_T$ 大于该交点时，TD策略更优，表明企业可依赖外包商的数据处理能力${\alpha }_1$ 转化数据价值，以缓解高交易成本带来的负面影响。图4显示，ND策略利润随着$c_D$ 的增加急剧下降，印证外包成本是该模式的核心约束。TD策略对成本叠加更为敏感，其利润随$c_D$ 的上升下降最快。$△{\pi }^{TD-ND}$ 则表明在成本维度上TD策略始终劣于ND策略。$△{\pi }^{ND-NN}$ 与$△{\pi }^{TD-NN}$ 图像存在一交点，当$c_D$ 小于该交点时，TD策略通过数据交易量$d_2$ 实现协同收益而更优；$c_D$ 大于该交点时，ND策略更优，表明高外包成本下组合策略的附加交易收益无法覆盖其成本。

因此，当数据交易成本较低时，宜采用单一数据交易策略，以较低成本引入外部数据；若交易成本超过阈值，则应转向组合策略，依托外包提升数据转化效率，以协同收益弥补额外成本。若外包成本较低，可采用组合策略整合内外部数据以实现协同增效；若外包成本超过阈值，则应回归单一外包策略，聚焦内部数据价值挖掘，避免高成本双重投入。企业应依据内外部成本变动，动态调整数据资源配置与合作模式。

Figure 5. The influence of $n_1$ on $△{\pi }^{TN-NN}、△{\pi }^{TD-NN}、△{\pi }^{TD-TN}$

图5. $n_1$ 对$△{\pi }^{TN-NN}、△{\pi }^{TD-NN}、△{\pi }^{TD-TN}$ 的影响

Figure 6. The influence of $n_2$ on $△{\pi }^{TD-NN}、△{\pi }^{TD-TN}、△{\pi }^{TD-ND}$

图6. $n_2$ 对$△{\pi }^{TD-NN}、△{\pi }^{TD-TN}、△{\pi }^{TD-ND}$ 的影响

分析在TN策略下，制造企业自身对行业市场数据的实际价值转化率$n_1$ 对TN-NN，TD-NN，TD-TN下利润差的影响，如图5所示，当保留参数$n_1$ 时，取参数$k=0.5$ 、$m=0.005$ 、$l_1=0.65$ 、$l_2=0.55$ 、$d_1=0.6$ 、$d_2=0.8$ 、${\alpha }_0=0.68$ 、${\alpha }_1=0.82$ 、$n_2=0.75$ 、$c_S=0.002$ 、$c_T=0.025$ 、$c_D=0.0003$ 。分析在TD策略下，数据外包对行业市场数据的实际价值转化率$n_2$ 对TD-NN，TD-TN，TD-ND下利润差的影响，如图6所示，当保留参数$n_2$ 时，取参数$k=0.5$ 、$m=0.005$ 、$l_1=0.65$ 、$l_2=0.55$ 、$d_1=0.6$ 、$d_2=0.8$ 、${\alpha }_1=0.82$ 、${\alpha }_0=0.68$ 、$n_1=0.6$ 、$c_S=0.002$ 、$c_T=0.025$ 、$c_D=0.0003$ 。

由图5可知，随着$n_1$ 的增大，TN策略利润显著增长，表明内部能力增强可有效放大所购数据价值；而TD策略利润增长相对平缓，反映出外包服务对内部能力贡献的替代效应。$△{\pi }^{TD-NN}$ 与$△{\pi }^{TD-TN}$ 存在一交点，当$n_1$ 小于该交点时，内部数据处理能力不足使得外包成本无法被覆盖，TN策略更优；当$n_1$ 大于该交点时，应采用TD策略，以外包商的高阶数据处理能力弥补内部处理短板。由图6可知，随着$n_2$ 的增大，TD策略利润同步增长，印证了外包转化效能对组合策略的基础性支撑作用。

因此，企业的数据策略应随其价值转化能力演进：低转化率阶段宜采用单一数据交易，控制成本并依赖有限能力进行基础转化；能力突破阈值后应转向组合策略，构建“内部基础 + 外部优化”的协同机制；外包商能力持续提升时，则可通过长期合作强化“数据–专业转化”协同，引导内部资源聚焦核心业务，提升利润稳定性。

5. 结语

本研究基于动态Stackelberg博弈模型，聚焦制造企业在市场需求不确定性环境下的数据策略选择问题，系统探讨了数据交易与数据外包的策略组合优化机制。通过构建传统策略(NN)、数据交易策略(TN)、数据外包策略(ND)及组合策略(TD)的均衡模型，揭示了不同策略对企业定价决策与利润水平的影响机理，核心结论如下：数据交易策略的价值在于通过外部市场信息补充降低需求预测误差，但其利润增益受交易成本严格约束，过度采购或高成本交易反而会降低利润；数据外包策略的有效性取决于外包商处理能力是否突破阈值，当能力达标后，效率提升可覆盖外包成本，且该阈值随企业内部数据规模扩大而提高；组合策略通过“外部数据获取–专业化处理”的协同链路，在时效性损失可控、交易成本合理的前提下，实现数据规模与处理效能的非线性叠加，进而达成利润最大化。这些发现印证了数据要素配置中“资源–能力–成本”的动态平衡规律，为破解制造企业“能力短板 + 需求波动”的双重约束提供了理论解释。

本研究的理论贡献主要体现在两个方面：第一，拓展了交易成本经济学的解释边界。研究表明，在数据要素市场化配置中，影响企业边界决策的不仅是传统的交易成本，更包括数据本身的特殊性(如价值实现的协同性、时效性衰减)以及企业的内部数据转化能力。这为理解数字时代企业治理结构的演变提供了新的视角。第二，丰富了资源基础观在数据驱动范式下的内涵。研究证实，数据作为战略性资源，其价值并非天然生成，而是通过“数据处理能力”这一关键中间变量来激活和放大的。企业通过对数据交易(获取资源广度)与数据外包(获取处理深度)的策略组合进行优化，实质上是构建和迭代其数据动态能力的过程，从而为理解企业如何赢得可持续竞争优势提供了新的理论解释。

从管理启示来看，本研究为制造企业数据策略选择提供了三方面实践指导：其一，建立数据交易成本的动态评估机制，依据价值转化率设定成本阈值，避免盲目采购；其二，以外包商处理能力阈值为核心指标选择合作方，并随内部数据规模动态调整外包策略；其三，在组合策略中构建“时效性–成本”双控体系，通过技术手段压缩延迟，并以长期协议锁定成本，充分释放协同效应。

本研究仍存在一定局限性：一是采用线性价值转化假设，未充分考虑规模报酬递减等非线性特征；二是未量化数据安全与合规风险对策略的影响；三是在单寡头市场假设下展开，未涉及多主体竞争情境。未来研究可从以下方面拓展：引入数据质量异质性，探索多方数据联盟的协同治理；建立“风险–收益”权衡模型，量化隐私保护成本；延伸至多寡头竞争场景，分析策略互动与均衡演化，进一步揭示复杂环境中数据要素的配置逻辑。

基金项目

国家自然科学基金面上资助项目(面向制造企业产品数据资产价值评估及定价策略研究，72372060)。

NOTES

^*通讯作者。