融合数据要素的包装印刷产业互联网建设的几点思考
清华大学互联网产业研究院
数据作为一种重要的生产要素，数据的资产属性日益突显，合理地应用数据能够产生出新的社会价值。目前，中国包装印刷产业已形成完整的工业体系，覆盖并服务国民经济的各个领域。但是，中国包装印刷产业集中度较低，竞争格局分散，产业内的大量中小企业受用工成本增长、原材料价格提高、订单利润下降、消费市场升级等综合因素的影响，企业转型升级面临挑战。释放数据要素的价值是新时期推进包装印刷产业高质量发展的重要路径。
一、提升工业互联网关键技术本土供给能力，构建安全可信数据流通环境
我国工业互联网的关键技术仍供给不足。工业互联网脱离不开云计算与大数据的加持，云计算和大数据使工业 App 实现工业软件云化发展。云化的工业 App 封装了大量工业技术机理、专家知识和制造工艺，有助于企业高效便捷地获得专业的“工业知识+服务”。我国包装印刷产业蕴含了丰富的数据资源，借助高速发展的 AI 技术，将数据转化为 AI 模型和工业机理模型，能够助力打造应用范围更加广泛的工业 App。但云的原生技术和基础设施仍以国外技术为主，为了加快企业间数据的流通与共享，需要加大工业互联网的关键技术自主可控供给能力，构建安全可信数据流通环境。
二、促进产业互联网基础设施建设
包装印刷产业互联网通过产业内参与者的互联互通，创新产业内数据采集、流通、使用的方式，为包装印刷产业中的每个产业环节提供全程可视化的洞察和监测，在产业互联网中不断提升完善 App，在持续优化迭代中改变产业要素的运行模式，最终改变产业生态的运转方式。产业互联网充分体现了数据要素在产业内的价值创造能力，把数据变成产品价值的一部分，进而提升整个产业的价值。在包装印刷产业中，不同类型的企业基础数字化能力参差不齐，大多数企业数字化基础较为薄弱，企业数字化水平较低，企业之间、产业之间存在“数据壁垒”，阻碍数据有效流通。促进产业互联网基础设施建设，提高企业产业互联网数据基础对接能力是数据要素创新应用的先决条件。
三、创新数据交易模式
数据安全可信交易与应用是构建数据要素市场的重要基础和保障，数据交易市场是支撑数据安全可信交易的重要平台。制造业各领域信息化程度参差不齐，数据封闭程度很高，严重制约着数据资产的价值释放。通过建设制造业数据交易市场，研究制定公平、开放、透明的数据交易规则，能够帮助包装印刷企业实现如下目标：提升内部数据质量、有效获得外部高质量数据、推进内部数据的外部应用。包装印刷产业需要结合数据交易、数据开放、数据隐私保护等多元目标，协调产业生态的多元主体，通过多方共治，构筑规范的数据交易市场，促进制造业数据实现跨行业流通，最大程度发挥数据价值。
四、发展产业数字金融
产业数字金融实现的核心是完成资产的数字化。目前包装印刷产业数据仍处于相对分散的状态，未有统一机构、统一平台开展数据运营，绝大部分产业的核心经营指标类数据处于小范围封闭状态，金融机构难以获取。此外，各产业和企业的数据管理能力参差不齐，存在标准不一、数据质量不可控等问题，金融机构即使获取到相关信息，也难以直接应用至金融服务模型中，整体应用效率偏低。
通过产业数字金融，助力包装印刷企业融合金融科技实现信用评级、在线审批、贷后监控等功能的智能化处理，确保资金流精准高效地流向有融资需求的企业，打通企业与外部资金之间的通道，构建包装印刷产业的产业数字金融体系。企业经营性资产转化为被市场广泛认可的“数字资产”形态，将有效提升企业内部的管理效能，缓解制造企业资金周转压力，优化负债结构。
包装印刷的主要任务是为商品提供外部包装，实现包装与商品的一体化，同时起到吸引消费者和保护商品的作用。包装印刷产业不仅要满足消费者对产品包装的各种需求，还需考虑到包装的环保性和可持续性。
中国包装印刷产业已形成完整的工业体系，覆盖并服务国民经济各个领域。但中国包装印刷产业集中度较低，竞争格局分散，大量中小企业面临转型升级的挑战。数字化是帮助企业高质量发展的重要路径，包装印刷企业推进数字化建设，需要在如下几个方面持续发力。
劳动力密集、生产工艺繁杂是众多包装印刷企业的主要特征，企业的生产效率有限，产品质量受人为因素影响较大。推进产线自动化是重要的基础性工作。加快模切、清废、烫金、粘盒、计数、打包等工序的自动化，持续推进包括物流系统在内的印前、印中、印后各个工艺环节的自动化，甚至是成套装备的自动化集成。
推进印前、印中和印后的数字化建设。在印前阶段，根据客户订单需求由业务人员在 ERP 系统中录入，确认产品及供货数量，ERP 系统将数据自动同步至 MES 系统生成订单。接下来，MES 系统通过产品物料编号自动匹配标准产品信息，对订单信息进行评审，业务人员选择审核完毕的订单信息生成工单并下发生产任务，再根据物料、班组、设备情况进行工单排产。
印中阶段，各生产工序根据工单进行生产，重点推进数据驱动的质量控制，包括质量预测与质量诊断，对实时采集的生产数据进行深入分析和处理，对在生产过程中可能出现的问题进行预测、预警和诊断。质量控制与反馈调整是保证产品满足高标准质量要求的关键环节，而质量控制涉及生产过程中“人、机、料、法、环”多个环节，工序繁多且环环相扣，需要精确地进行实时监测和数据分析。
印后阶段，在所有生产工序流转完成后，首先由 AGV 小车对产成品进行入库操作，然后通过 AGV 将入库数据按照托盘为单位自动推送至 ERP 系统，完成产成品的入库操作。业务人员可通过 ERP 入库信息任意调拨仓位，同时实现数据的自动同步。
在有一定基础的包装印刷企业中推进数据治理建设，可根据企业的不同业务需求和应用需求，进行有针对性的数据提取与应用。通过与 MES、ERP 等生产管理系统对接，实时获取生产线数据和市场需求数据，灵活调用实时数据和历史数据，并对其进行深入分析和提出决策，加快推进数据的存储、分析、展示和 App 开发与应用的解耦，加快数据与 AI 算法融合，构建 AI 模型，将模型与生产控制系统融合，将感知与决策结果以更智能的形式在生产系统中传播，动态调整生产线，实现生产管理系统与生产线的深度集成。
以印刷的排程和优化调度为例，当前整个包装印刷行业缺少具有行业通用性、高效能的 APS 系统。下一步可通过引入强化学习等算法，构建 AI 模型，打造更加自动化和智能化的 APS。通过 AI 模型可以根据排程中所产生的数据和过往的排程结果智能化地产出最适合当前排程情况的排程策略，只需要工作人员对输出的结果进行检查和审阅，如果有需要改进的，则将新的结果输入程序使其继续迭代即可。整个迭代的过程不需要再耗费过多的时间和经历，可以实现“边排程边学习”的效果。
参考资料：
[1]朱岩,加快建设面向数实融合的产业互联网[J].中国网信,2024(11)
[2]朱岩,如何以产业互联网推动“数实深度融合”[EB/OL].清华大学互联网产业研究院.2022年12月16日
[3]朱岩,罗培.企业数据治理制度建设的迫切性与路径思考[J].上海质量,2023(04)
