张 斌 张 胜（扬州大学）
摘 要：在新一轮科技革命与产业变革加速演进的背景下，制造业正经历从数字化到数智化的跨越式转型。数智化以数据为核心要素，融合人工智能、大数据、工业互联网等新一代信息技术，正在深度重构制造业生产模式、价值链与产业链竞争格局，成为推动制造业高质量发展的核心引擎。本文基于制造业数字化与数智化的核心概念与内涵特征，分析制造业从数字化向数智化转型的内在演进逻辑，系统梳理制造业数智化转型的提升路径，为制造业企业突破转型困境、实现高质量发展提供理论参考与实践指引。
关键词：制造业；数字化；数智化；数智技术；实体经济；人工智能
一、引言
党的二十大报告强调“加快建设制造强国”“推动制造业高端化、智能化、绿色化发展”。在新一轮科技革命与产业变革加速演进的背景下，以人工智能为代表的数智技术正在深刻重塑经济、社会和各行各业的发展格局，成为重塑全球竞争态势、驱动经济高质量发展的核心力量。2025年中央经济工作会议指出“实施新一轮重点产业链高质量发展行动”“围绕发展新质生产力，推动科技创新和产业创新深度融合”。制造业作为实体经济的“压舱石”，其发展质量直接关系到国家产业安全与经济核心竞争力。数字化与数智化的迭代演进，为制造业突破传统发展瓶颈、实现产业发展模式创新提供了历史性机遇。从以数据采集、流程线上化为核心的数字化阶段，到融合人工智能、大数据、物联网等技术实现智能决策、自主优化的数智化阶段，制造业正经历一场涉及生产模式、管理理念、价值创造的系统性变革，标志着制造业发展进入了以“数据驱动智能、智能赋能制造”为核心的全新阶段。
当前，全球主要经济体均将制造业数智化转型提升至国家战略高度。美国实施“先进制造业国家战略计划”强调以人工智能与数字技术赋能制造业创新，德国推出“工业4.0”计划，持续深化智能工厂与智能制造体系建设。我国在“十五五”规划纲要中指出，“推动技术改造升级，发展智能制造、绿色制造、服务型制造，加快产业模式和企业组织形态变革”，为制造业数智化转型绘制了清晰蓝图。在政策引导与市场需求的双重驱动下，我国制造业数智化转型已从“点状突破”迈向“面上推广”，在全球产业链与价值链中的地位稳步攀升。然而，相较于发达国家，我国制造业整体数智化水平仍存在“大而不强”的问题，制造业企业高端化、智能化发展相对滞后。如何加快推动大量中小企业与传统产业数智化转型，进而提升我国制造业整体发展水平与竞争力，实现从“制造大国”向“制造强国”跨越，成为当下迫切需要解决的战略问题。
在此背景下，精准把握制造业从数字化到数智化转型的核心逻辑，系统梳理转型过程中的阶段性特征与核心驱动力，探索其提升路径与实践向度，不仅具有重要的理论价值，更具备鲜明的现实与实践意义。而现有研究多聚焦于数字化转型的技术应用或数智化转型对企业经济后果的影响研究，对我国制造业“数字化向数智化演进”的内在机理与提升路径的系统性分析不足。基于此，本文以制造业数智化转型的演进规律为出发点，深入剖析转型过程中面临的机遇与瓶颈，并针对性地提出提升路径与对策建议，为推动我国制造业高质量发展提供理论支撑与实践参考。
二、概念剖析
（一）核心内涵
1.制造业数字化
数字化作为制造业转型的基础阶段，是指以信息技术为核心，将传统制造业生产、管理、流通等环节中的物理信息转化为可存储、可传输、可处理的数字信号，实现“物理世界数字化映射”的过程。数字化的核心逻辑是工具替代与流程优化，通过计算机技术、数据库技术及网络技术的应用，打破传统制造业中信息传递的时空限制，解决信息不对称与流程冗余问题。从实践维度看，数字化贯穿于制造业的全链条，如生产端通过PLC（可编程逻辑控制器）实现设备操作的数字化控制，管理端通过ERP（企业资源计划）系统实现人力、财务、物资的数字化管理，流通端通过电商平台与物流追踪系统实现供需对接的数字化匹配。数字化的本质是信息的标准化与高效化处理，旨在通过数字技术激发数据要素赋能效应，最终提升企业生产、管理、交易等环节的效率与效益。从理论层面，数字化可依托信息化理论与技术接受模型（TAM）进行解读，即通过技术工具的引入降低信息处理成本，提升组织对内部流程与外部环境的感知效率，为后续数智化转型提供“数据基础”与“技术习惯”双重支撑。
2.制造业数智化
数智化是在数字化基础上，融合人工智能、大数据分析、工业互联网、数字孪生等前沿技术，实现数字信号智能转化与决策自主生成的高级阶段，其核心是数据要素的价值释放与系统决策执行能力的自主提升。与数字化的被动记录不同，数智化强调主动思考，通过算法模型对海量数字数据进行深度挖掘、关联分析与预测推演，将数据资源转化为决策依据与创新动能，实现“数据收集—智能分析—自主决策”的闭环，从而赋能企业洞察内外部环境并预先作出有效决策。数智化核心逻辑是“系统协同与价值共创”，推动制造业从“生产型”向“服务型”“创新型”转变。数智化的价值不仅体现在生产效率的进一步提升，更在于重构制造业的价值创造模式。从理论支撑看，数智化是技术融合理论与价值共创理论的实践体现，其通过多技术协同打破技术壁垒，通过数据共享实现企业与产业链各方的价值共创，标志着制造业从“技术应用”向“能力生成”的跨越与转型升级。
（二）特征差异与演进关系
数字化与数智化并非替代关系，而是基础与升级、量变与质变的演进关系，二者在技术基础、核心目标、组织适配等方面存在显著差异。从技术基础看，数字化以计算机技术、网络技术为核心，依赖标准化数据采集与传输技术，数据处理以存储与统计为主；数智化则以AI算法、大数据技术、工业互联网为核心，依赖动态数据挖掘与智能算法模型，数据处理以预测与决策为主。从核心目标与组织适配看，数字化以提升单一环节效率为目标，强调流程标准化与部门分工，主要着眼于企业的不同部门与不同组织层级在流程与环节上的协同合作；数智化则以系统价值最大化为目标，适配平台化、生态化组织架构，强调跨部门协同与产业链联动，重视企业与外部环境、上下游产业链及各利益相关者的动态关系与互补平衡。进一步地讲，数字化主要聚焦成本下降与效率提升的存量价值优化，数智化则聚焦产品创新、模式创新的增量价值创造，二者之间形成了效率与增值的递进关系，其演进关系可以从以下三个方面阐述。
1.技术演进逻辑
数字化是数智化的基础，数智化是数字化的高级阶段。早期的自动化技术为数字化积累了设备连接能力，信息化技术构建了数据传输与存储的基础架构，而人工智能、大数据等技术的突破则为数据的智能应用提供了可能。技术的迭代升级推动制造业从“数据采集”向“数据智能”演进，实现技术能力的阶梯式提升。
2.价值创造逻辑
数字化转型的价值主要体现在效率提升，通过流程优化降低人工成本与人为错误。而数智化转型则通过数据的智能分析，实现价值创造模式的创新，如个性化定制生产、制造业服务化转型等。从价值链条来看，数字化侧重于优化单一环节效率，数智化则侧重于重构整个价值链，实现从生产导向到需求导向的转变，提升产业链整体价值。
3.产业发展逻辑
随着市场竞争加剧和消费需求端转型升级，制造业对精准决策、快速响应的要求日益提高。数字化转型难以满足复杂场景下的动态决策需求，而数智化通过实时数据分析与智能算法，能够快速响应市场变化，优化资源配置，提升产业竞争力。产业发展的内在需求推动制造业从数字化向数智化跨越，实现高质量发展。
综上，从演进逻辑看，数字化是数智化的必要前提，没有足够的数据积累与企业前期的数字化流程基础，数智化的算法模型将成为“无米之炊”。而数智化是数字化的必然产物，当数字化发展到一定阶段，单一环节的效率提升空间趋近饱和，需要通过智能技术激活数据价值，实现基于产业链与生态链系统层面的突破。这种演进关系决定了制造业转型既不能跳过数字化直接进入数智化，也不能停留在数字化阶段故步自封，而应当根据企业发展目标、战略规划及自身内外部环境动态调整转型策略，从而实现数字化到数智化的转型升级。
三、从数字化迈向数智化的演进过程与核心驱动力
制造业从数字化到数智化的转型并非一蹴而就，而是伴随技术迭代、组织变革与市场需求升级形成的渐进式过程，分析企业从数字化迈向数智化的演进过程与背后的核心驱动力，可以为理解企业数智化转型的提升路径与实践方向提供依据与参考。结合技术融合理论与组织演化理论，可将这一过程划分为“工具驱动”“数据积累”“数智赋能”“生态引领”四个核心阶段，各阶段呈现出鲜明的阶段性特征，且后一阶段均以前一阶段的积累为前提。
（一）工具驱动阶段
第一阶段是转型的筑基阶段，核心目标是实现物理信息的数字化转化，打破传统生产管理中信息传递的滞后性与模糊性。技术层面以计算机技术、数据库技术与基础网络技术为核心，数据采集范围局限于核心生产与管理环节，且多以结构化数据为主。组织层面仍维持传统科层制架构，各部门独立推进数字化工具应用，数据传递受“部门墙”限制，尚未形成跨部门数据协同机制。价值创造逻辑聚焦于单一环节效率提升，通过减少人工操作误差、缩短信息传递时间等方式实现降本增效。
这一阶段的核心推动力以外生驱动为主。在政策层面，国家“两化融合”战略的引导为企业提供方向与补贴支持。在市场层面，劳动力成本上升倒逼企业通过数字化工具替代部分人工。在技术层面，成熟的信息化技术降低了应用门槛。对企业而言，此阶段需重点关注数据标准的统一与员工数字化能力培养，为后续数智化转型奠定坚实的数字化基础。
（二）数据积累阶段
当单一环节数字化覆盖达到一定程度后，企业开始面临局部优化瓶颈，数字化转型进入数据整合与智能萌芽阶段。在技术层面，数字化应用从单点工具向流程贯通延伸，如生产环节实现从订单接收、计划生产到质量检测的全流程数字化记录，企业开始引入简单的数据分析工具与初级智能技术，数据采集范围拓展至供应链环节，非结构化数据占比提升。在组织层面，为破解“数据孤岛”问题，企业开始成立跨部门的数字化专项小组，推动研发、生产、销售等部门的数据互联互通，但科层制的核心架构未发生根本改变，协同效率仍受到一定的制约。价值创造逻辑从单一环节效率转向流程协同效率。
此阶段的推动力呈现外生驱动与内生需求并存的特征。外生方面，工业互联网技术的成熟为数据整合提供了技术支撑，同行业龙头企业的示范效应形成竞争压力。内生方面，企业对流程协同价值的追求成为核心动力，数据积累到一定规模后产生的分析需求推动企业进行智能技术的初步应用。企业在此阶段需重点解决数据整合难题与技术适配性问题，重点是要避免盲目引入技术工具，陷入单一“技术崇拜”，应当基于自身业务需求与商业发展模式选择适配的初级智能技术，而非追求“高精尖”却脱离自身实际应用场景。
（三）数智赋能阶段
随着数据积累的深化与智能技术的突破，转型进入数智融合与能力升级的核心阶段，数智化从“萌芽”走向“规模化应用”。在技术层面，人工智能、大数据分析、数字孪生等技术与制造业深度融合，形成数据到算法再到决策的闭环。数据成为企业的核心生产要素，不仅在企业内部实现跨部门、跨层级的数据贯通，还开始与上下游企业共享关键数据。在组织层面，传统科层制架构开始向“扁平化、平台化”转型，成立以业务场景为核心的自主决策单元，数据驱动决策成为常态，跨部门、跨企业的协同效率显著提升。价值创造逻辑从效率优化转向创新创造，企业不仅实现生产成本的下降与生产效率的提升，更通过智能技术开发新产品、新模式，促进其向“服务型”“创新型”企业转变。
此阶段的推动力以内生需求为主、外生支撑为辅。内生方面，企业对创新能力提升的需求成为核心动力，数智化带来的产品差异化竞争优势驱动企业加大投入。外生方面，5G技术的普及提升了数据传输的效率，AI侧的国产化则提高了人工智能技术运用的安全性且降低了成本。企业需重点关注发展思维转变与人才队伍建设。其一，运用数智技术建立动态、柔性的平台化组织，管理层的思维要从“管控者”转向“赋能者”，通过授权与资源支持激活组织单元活力。其二，既熟知制造业业务又掌握数智技术的跨界人才短缺成为普遍瓶颈，需通过内部培育与外部引进的方式构建高效、可持续、健康的人才激励与培养体系。
（四）生态引领阶段
在此阶段，企业从自身转型走向生态构建，成为产业链数智化转型的引领者。在技术层面，企业构建开放的工业互联网平台，将自身成熟的数智化技术与解决方案对外开放，通过赋能上下游中小企业，推动AI大模型与制造业产业链深度融合，实现从“特定场景智能”到“通用场景智能”的跨越。在组织层面，形成“平台+生态伙伴”的组织形态，企业与供应商、客户、高校科研机构、ICT企业构建协同创新网络，共同参与技术研发与价值创造。价值创造逻辑从企业自身价值转向生态共同价值，通过资源共享、能力互补等方式实现产业链整体效率提升与价值增值，构建互补共生的数智化生态系统。
此阶段的核心推动力是生态协同需求与技术引领需求。一方面，单一企业的数智化升级已无法满足产业链整体竞争的需求，构建生态成为提升产业链话语权的关键。另一方面，技术领先企业需通过开放生态巩固技术优势，实现技术价值的最大化。企业在此阶段需重点关注生态规则与数据安全。作为生态主导者，企业需建立公平合理的利益分配机制与数据共享规则，避免“强者恒强”导致产业链生态失衡。同时，开放生态中的数据流转增加了数据泄露风险，需构建全流程的数据安全防护体系，保障生态伙伴与公司用户的数据权益。
四、制造业数智化转型的提升路径与实践向度
（一）强化技术自主创新，筑牢转型核心支撑
聚焦核心领域加大基础研究投入。政府应设立数智化核心技术专项基金，重点支持工业软件、人工智能算法、核心芯片等关键领域的基础研究，填补技术短板。鼓励高校、科研院所与企业共建联合实验室，围绕制造场景中的实际技术难题开展定向攻关，构建从研究到运用的闭环创新体系，提升技术创新的针对性与实用性。要探索建立基础研究成果共享机制，降低企业技术研发成本，加速技术迭代速度。
健全技术成果转化机制。搭建区域性技术转移中心，打通高校、科研院所与企业之间的技术对接通道，完善知识产权保护与激励政策，明确技术成果转化的利益分配比例，激发科研人员与企业的转化积极性。推广“揭榜挂帅”“赛马”等机制，由企业提出技术需求清单，政府牵头发布榜单，吸引科研团队与企业竞标攻关，确保技术研发与市场需求精准匹配。鼓励企业设立技术创新专项资金，加大对技术改造与创新应用的投入，对成功实现技术转化并形成产能的企业给予税收减免、补贴支持，推动技术成果从实验室走向生产线。
培育技术龙头企业。支持企业通过兼并重组、技术合作、海外并购等方式整合技术资源，提升核心竞争力。重点培育一批在工业互联网平台、智能硬件、工业软件等领域具有核心技术的龙头企业，鼓励其参与国际技术标准制定。鼓励龙头企业通过技术授权、联合研发等方式带动上下游中小企业技术升级，构建自主可控的技术生态，降低对国外技术的依存度。
（二）完善人才培养体系，夯实转型人才根基
优化高校人才培育机制。高校应根据制造业数智化转型需求，调整专业设置，增设人工智能、工业互联网、智能制造、数据科学与大数据技术等相关专业，构建跨学科课程体系，如机械工程与人工智能、工业设计与大数据分析等交叉课程。加强实践教学环节，与企业共建实训基地，引入企业真实生产场景与数智化设备，让学生参与实际项目研发与操作，提升实践能力。推行“双导师制”，由高校教师与企业技术专家共同指导学生，实现理论知识与行业需求的无缝对接。
强化企业内部人才培训。企业应建立分层分类的内部培训体系，针对管理层、技术层、操作层制定差异化培训方案。管理层重点培训数智化转型理念、战略规划与组织变革能力；技术层聚焦数智技术应用、数据处理与系统运维等技能；操作层侧重智能设备操作、基础数据采集等实操能力。鼓励企业与职业院校合作开展订单式培养，根据岗位需求制定专属课程，定向输送技能型人才。
健全高端人才引育机制。政府应出台专项人才引进政策，通过住房补贴、子女教育保障、科研经费支持等优惠条件，吸引海内外数智化领域高端人才与创新团队。企业应优化薪酬待遇与职业发展通道，建立以创新能力、业绩贡献为导向的激励机制，如项目分红、技术入股等，吸引和留住核心人才。搭建高端人才交流平台，定期举办人才夜市、行业论坛、技术研讨会，促进人才之间的知识共享与合作，营造良好的人才发展环境。
（三）强化数据治理与产业协同，激活生态价值
建立全域统一的数据标准体系。政府应牵头工业和信息化部、行业协会与龙头企业，制定覆盖数据采集、存储、传输、交换、安全的全链条统一标准，规范数据格式、接口协议与指标体系，从根源上打破 “数据孤岛”。企业需依据行业标准梳理内部数据资源，搭建覆盖研发、生产、销售、供应链的全流程数据平台，实现内部数据互联互通，推动跨企业、跨行业数据标准互认，为产业链数据共享奠定基础。行业协会应同步制定产业链数智化转型的技术架构、应用场景等配套规范，实现不同企业、不同系统兼容互通，降低协同成本。
构建全链条数据安全与质量管控体系。企业需建立全流程数据质量管控机制，通过数据清洗、异常值检测、缺失值填充等技术手段，保障数据的准确性、完整性与一致性，为数据应用提供可靠基础。构建多层级数据安全防护体系，在采集环节采用加密传输技术，在存储环节运用分布式存储与备份策略，加强访问控制与权限管理，定期开展安全审计与风险评估。针对产业链协同场景，引入区块链、隐私计算等技术保障数据共享过程中的隐私安全与不可篡改，要明确数据权属划分与使用边界，防范数据泄露、滥用风险。
深化数据价值挖掘与产业链协同应用。企业应结合自身业务场景，引入人工智能算法模型，挖掘数据核心价值。在此基础上，以龙头企业为核心搭建行业级工业互联网平台，开放自身技术、数据与场景资源，为中小企业提供低成本、模块化的数智化解决方案，降低转型门槛。政府应推动建立产业链数据共享联盟，制定公平的利益分配机制，重点推动供应链、生产制造、质量管控等关键环节的数据流通，实现上下游企业需求精准对接、生产协同调度与风险联合预警，提升产业链整体响应速度与协同效率。
打造互补共生的产业生态系统。龙头企业应牵头组建产业创新联盟，联合上下游企业、高校科研机构、ICT 企业开展协同研发，攻克行业共性技术难题，推动技术标准统一与成果共享。鼓励企业构建“平台+生态伙伴”的组织形态，通过资源共享、能力互补等方式实现产业链整体效率提升与价值增值，形成从技术研发、生产制造到市场服务的全链条生态协同。建立公平合理的利益分配机制与数据共享规则，构建全流程数据安全防护体系，保障生态伙伴与用户的数据权益，推动生态系统可持续发展。
（四）优化政策支持体系，营造良好转型环境
加大财政金融支持力度。政府应扩大数智化转型专项补贴范围，提高补贴比例，重点支持中小企业技术改造、设备更新与数智化解决方案的应用。鼓励金融机构创新金融产品，开发数智化转型专项贷款、融资租赁、知识产权质押融资等产品，给予利率优惠与贴息支持，为企业提供低成本资金。设立产业投资基金，引导社会资本、风险投资特别是耐心资本参与制造业数智化转型，重点投资初创期、成长期的数智化技术企业与转型企业。
推广转型示范案例。政府应筛选一批不同行业、不同规模的数智化转型成效显著的企业作为示范案例，总结成功经验与可复制模式，如制造业的智能工厂建设、流程制造业的数字化管控、中小企业的轻量化转型路径等。通过现场观摩、专题研讨、线上推广等方式，在全行业推广示范案例经验，引导企业结合自身行业特点与发展需求，探索个性化转型路径。鼓励示范企业与转型企业开展结对帮扶，提供技术指导与经验分享，加速转型进程。
五、结论与展望
制造业从数字化到数智化的转型，是新一轮科技革命与产业变革下的必然趋势，更是我国实现“制造大国”向 “制造强国”跨越的核心路径。当前，我国制造业数智化转型已从“点状突破”迈向“面上推广”，但“大而不强”的问题仍存，中小企业转型滞后、核心技术对外依存度较高等仍是突破的关键。
本文研究表明，数字化与数智化是基础与升级、量变与质变的演进关系，前者通过工具替代与流程优化奠定数据与技术基础，后者依托 AI、大数据等技术实现数据价值释放与系统智能升级，二者共同构成制造业高质量发展的核心支撑。转型进程呈现“工具驱动—数据积累—数智赋能—生态引领”的渐进式特征，需通过技术自主创新、人才体系完善、数据治理与产业协同深化、政策支持优化四大维度发力，破解制造业数智化转型的现实难题。
“十五五”时期是制造业数智化转型的关键攻坚期，未来发展需聚焦三大方向。其一，技术融合将持续深化，AI大模型、数字孪生、工业互联网的深度协同，将推动制造场景从 “特定场景智能”向“通用场景智能”跨越，加速核心技术国产化替代。其二，中小企业转型将成为重点，需依托龙头企业生态赋能与轻量化解决方案，降低转型成本与门槛，实现全行业均衡发展。其三，生态协同与风险防控需并重，既要完善产业链数据共享标准与利益分配机制，构建共生生态，也要强化数据安全与合规治理，筑牢发展底线。未来，随着政策、技术、市场的多维度发力，制造业数智化转型将进一步释放创新动能，推动产业价值链向高端攀升，为我国筑牢实体经济根基、提升全球产业竞争力提供坚实支撑，助力制造强国战略目标如期实现。
参考文献
[1]张辉,陈煜斌.中国经济高质量发展的新引擎——以人工智能为例[J].学海,2025,(06):18-29+213.
[2]任保平,邹起浩.人工智能培育实体经济高质量发展新动能的战略重点与政策支持[J].济南大学学报(社会科学版),2025,35(05):101-110.
[3] 姜志强,杨宁宁.中国新型工业化道路的破局与引领：“十四五”回顾与“十五五”展望[J].重庆社会科学,2025,(10):49-68.
[4]葛彩虹.数智赋能传统制造业转型升级的对策研究[J].哈尔滨市委党校学报,2025,(06):8-13.
[5]葛立宇,周佳妮.工业机器人应用赋能制造业企业智能化发展：机制与证据[J].科技创新发展战略研究,2025,9(06):67-84.
[6] 黄旭,胡妍,董志强.生成式人工智能赋能产业转型升级的理论机理、风险挑战与提升路径[J].西南金融,2025,(10):3-15.
[7] 谭志雄,穆思颖,郑华蓉.制造业数字化转型赋能新质生产力涌现:以“灯塔工厂”为例[J].中国软科学,2025,(06):28-40.
[8]王喜虹,陈关聚.服务型制造如何助推制造业企业新质生产力发展？[J].现代经济探讨,2025,(10):47-63.
[9]徐杰,赵春江.人工智能技术与中国制造业服务化转型——基于信息高效交互与人力资本提升视角[J].学习与探索,2025,(03):116-127.
[10]崔祥民,赵治理.企业数智化转型、内部薪酬差距与高质量创新[J].产业经济评论,2025,(04):56-82.
[11]宋冬林,曾昭懿.数智化转型对制造企业全要素生产率的影响及机制研究——中国制造业上市公司的经验证据[J].科技进步与对策,2025,42(07):91-102.
[12]李华晶,李晨瑶.企业基础研究如何“培土生金”：从数智创新到绿色创业[J].清华管理评论,2025,(05):98-104.
[13]李先军,关靖琪.面向通用人工智能时代的企业管理创新：理论、实践与策略[J].暨南学报(哲学社会科学版),2025,47(10):162-181.
[14]袁野,邹桥.人工智能科技创新与产业创新深度融合：理论逻辑、实践路径与政策选择[J].西南大学学报(社会科学版),2025,51(06):199-210+282-283.
[15]盛朝迅.以科技创新为引领促进新质生产力发展[J].改革,2025,(08):77-86.
[16]陈梦根,赵怡然,段宜芃帆.我国数据要素市场的发展历程、现实困境与推进策略[J].改革,2025,(10):12-27.
[17]欧阳日辉,徐远彬.“十五五”时期数据要素市场化配置改革的理论探讨与策略措施[J].北京工商大学学报(社会科学版),2025,40(05):1-11.
【本文系国家自然科学基金青年项目“不确定环境扰动下网络广告投放策略研究”（项目编号：72401249）和扬州大学商学院研究生创新项目“服务贸易创新发展对城市绿色全要素生产率的影响研究”（项目编号：SXYSJCX202525）阶段性研究成果】
（张斌系扬州大学教授；张胜系扬州大学硕士研究生，为本文通讯作者）