问题——制造业加速数字化转型、智能化升级的背景下，如何用可比、可追溯的数据刻画各地区工业智能化进程和人工智能发展水平，已成为政策研究与学术分析的一项基础工作。长期以来，涉及的指标口径不统一、数据分散、跨年连续性不足，影响了对区域差异、产业结构调整和政策成效的系统评估。 原因——业内人士指出，工业智能化覆盖基础设施、软件应用、智能制造扩散、创新能力与产出效益等多个环节，指标链条长、数据来源多；部分指标还会受统计口径调整和公开渠道限制影响，使得跨地区、跨年度按“同口径”拼接难度较大。同时，实证研究往往既需要综合指数，也需要可复现的计算过程，用于稳健性检验和方法对照，这对数据整理与加工提出了更高要求。 影响——此次更新的数据集以省级为单位，覆盖2000年至2024年，并给出多套综合测算结果：其中一套覆盖2009—2024年，采用主成分分析提取综合信息；另一套覆盖2000—2024年，采用熵值法测算权重，并对个别缺失项进行处理以保持序列连续。指标设计参考工业和信息化领域的常用评价思路，从基础建设、生产应用、竞争力与效益等维度设置细化指标，涵盖软件普及与应用、智能制造企业发展、工业企业创新能力等内容。配套材料提供原始数据、计算代码与过程说明，便于第三方复核与后续拓展研究。 从应用层面看，这类长周期省级数据可支持多类研究：一是开展区域比较，识别工业智能化的“领先梯队”和“追赶梯队”；二是服务政策评估，检验数字化转型、智能制造、产业创新等政策举措的阶段性成效；三是支撑结构分析，结合就业、投资、能耗与全要素生产率等变量，评估智能化推进对产业分工、劳动结构与企业竞争力的影响。既有研究表明，工业智能化可能通过技术替代与岗位再造两条机制改变就业结构，长期可比数据有助于对相关结论进行更严格的检验与扩展。 对策——专家建议，围绕高质量发展需求，工业智能化统计与数据治理仍需从三上持续完善：其一，深入统一核心指标口径和发布频次，提升跨年度可比性；其二，加强企业层面与行业层面的数据衔接，推动形成“省级—行业—企业”多层级联动的数据体系；其三，提高数据开放与共享水平，在安全合规前提下扩大可获得性，并鼓励第三方复核，增强指标体系透明度与公信力。同时，使用综合指数开展分析时，应关注权重方法差异对结论的影响，做好主成分分析、熵值法等多方法对照，并对缺失值处理、指标替代和口径变更作充分说明。 前景——随着新型工业化深化，人工智能与制造业融合有望从“单点应用”走向“系统重构”。未来的评价体系可能更强调场景落地与投入产出效率，更关注工业软件、数据要素流通、算力与工业网络协同等关键环节。业内预计，随着统计制度完善和数据基础设施建设提速，区域工业智能化测度将更精细、更及时，为优化产业布局、推动技术扩散、提升供应链韧性提供更扎实的量化支撑。
以数据为基础、以方法为支撑，把工业智能化进程“量出来、比起来、用起来”，是提升政策精准度、推动高质量发展的关键环节。面向未来，只有持续完善统计口径、提高数据质量、强化评估应用，才能更准确把握各地智能化转型的真实进展，在竞争与协同中推动制造业迈向更高水平。