1 2023 年 02 月 12 日 盛视科技(002990.SZ) 公司深度分析 智慧口岸龙头困境反转，享海南自贸港建设红利 证券研究报告 行业应用软件 投资评级 买入-A 首次评级 6 个月目标价 48.75 元 股价 (2023-02-10) 34.23 元

主要从事老年社会保障方面的研究。 通信作者: 徐智健 (2000-), 男, 江苏南京人, 在读硕士研究生, 主要从事老年社会保障方面的学习及研究。 •软科学研究• 数字技术赋能智慧养老的内在逻辑、 困境指向与实践进路 ———基于 “技术-组织-环境” 分析框架 韩振燕, 徐智健 (河海大学公共管理学院, 江苏 南京 210000) 摘 要: 打造高质量的智慧养老服务是转变传统养老服务模式、 “技术-组织-环境” 的 TOE 分析框架, 数字技术赋能智慧养老的内在逻辑主要体现为以数字技术为 驱动力、 以养老需求为推动力、 以政策方针为牵引力, 并存在数字挑战的技术困境、 主体约束的组织困境和支 持不足的环境困境。 数字技术赋能智慧养老要实现数字技术的深度融合、 提升组织的数字能力、 构建数字包容 型社会, 从而实现养老服务的高质量发展。 关键词: 数字技术; 数字赋能; 智慧养老; 便捷的养 老服务体验。 智慧养老概念最先由英国生命信托基金会提出, 彼时被称为 “全智能化老年系统”, 该系统意在打破 第 9 期 韩振燕, 徐智健: 数字技术赋能智慧养老的内在逻辑、 困境指向与实践进路———基于 “技术-组织-环境” 分析框架 时间和空间束缚, 为老年人在家中过上高质量生活提 供有效服务 [4]。 而在我国学术界, “智慧养老” 的概 念经历了从 “数字化养老”

工厂（聚焦生产优化）、可持续工厂（减排与循环经济）、端到 端价值链工厂（全链条协同）。其成功源于跨行业协作——65% 的新晋工厂借鉴至少 3 家不同行业灯塔经验，形成可复用的转型 方案，帮助企业突破“试点困境”，实现三年 2-3 倍、五年 4-5 倍的投资回报率。技术应用上，77%的用例由分析型 AI 驱动（如 预测性维护），9%采用生成式 AI，推动成本、周期及次品率平 均改善超 50%。此外，灯塔工厂通过数据平台整合价值链，将新 业。作为第四次工业革命的实践标杆，该网络汇聚富士康、强生、 施耐德电气等全球领军企业，形成跨行业顾问委员会，推动规模 化转型。其成员（“灯塔工厂”）通过应用 AI、物联网等技术， 结合一线人才创新与循环经济方案，突破“试点困境”，实现运 营效率与减排双突破。例如，2024 年的灯塔工厂分两批进行评估， 聚焦数字化与可持续领域的卓越实践（见表 1）。 表 1：2024 年灯塔工厂评选类别 （一）如今的全球灯塔网络：一个鼓舞人心的同行网络 年增长四倍。这些 工厂分为单一工厂（聚焦生产优化）、可持续类、端到端价值链 类，并在重型设备、食品饮料等新兴领域快速渗透。通过 1000 - 4 - 多个用例和 2000 多项指标验证，灯塔工厂证明“试点困境”可 被突破：新晋企业仅需 10-20 个月完成转型，速度提升 25%-50%， 投资回报率在 3 年、5 年内分别达 2-3 倍、4-5 倍，远超行业平均 水平。图 1 展示了灯塔工厂按评选类型、地域和行业的分布情况。

核心政策工具箱解析 2.3 政策协同的挑战与展望 第三章 微观透视：企业融资需求、偏好与核心痛点 3.1 企业画像：专精特新企业的核心经营特征 3.2 融资需求图谱与渠道偏好 3.3 融资困境的根源性剖析 第四章 风险罗盘 ：融资风险的识别、评估与防范 4.1 风险矩阵：专精特新企业融资的核心风险敞口 4.2 传统评估模型的“失焦”与“失效” 4.3 构建新型风险评估框架：从“看过去”到“评未来” 19家、7家专精特新企业成长为独角兽，成为驱动未来产业创新的核心力量。 1.3 核心矛盾：创新价值与融资现实的结构性错配 尽管战略价值巨大，但专精特新企业在成长过程中普遍面临着一座难以逾越 的高山——融资。这一困境并非简单的“缺钱”，而是源于其核心特征与传统金融 服务体系之间的结构性错配。 “融资难、融资贵、渠道窄”是长期束缚专精特新企业发展的“三条锁链”。其 根本原因在于专精特新企业普遍具有“轻资产、高创新、长周期”的特征： 向专精特新企业，为企业技 术攻关提供"长周期、低成本、可持续"资本支撑。 12 第三章 微观透视：企业融资需求、偏好与核心痛点 理解专精特新企业的融资困境，必须深入其经营肌理，从微观层面精准刻画 其独特的企业画像、融资需求与融资困境。 3.1 企业画像：专精特新企业的核心经营特征 专精特新企业的经营模式与传统制造企业存在本质区别，其核心特征直接塑 造了差异化的融资需求。 （1）价

商业环境下，营 销、销售、服务（以下简称 “营销服”）环节沉淀的业务数据与客户数据，正成为撬动企业增长的“数字杠杆”。 然而，数据价值的挖掘与释放绝非一蹴而就，许多企业坐拥海量数据却依旧陷入应用困境。究其本质是由于数据 治理缺位：唯有实现数据的及时采集、安全存储、高质量处理与结构化整合，才能将其转化为驱动决策的“高纯度燃 料”。 而数据治理的终极目标是通过数据应用赋能业务。数据价值的释放 可管理、可消费的数据底座，更 要通过智能应用让数据智能真正转化为业务效能。 本书聚焦“数据治理-数据应用-AI 创新”三大核心维度，深度拆解企业如何从数据沉淀起步，通过治理破局数据 孤岛与质量困境，通过应用赋能销服与渠道管理场景，最终通过AI+CRM实现数据价值的指数级释放。希望本书能为 正在探索数据价值的企业提供方法论参考与实践启示，助力更多企业在数智化竞争中构建“数据资产-业务效能-商业 成效，三步落地业务 数据治理 01 在数字化转型加速的今天，业务数据与客户数据已成为驱 动企业增长的核心引擎。然而，海量业务与客户数据并未 化为企业增长动能，反而在数据应用过程中陷入"数据沼 泽"困境： 数据量大却难以 支撑精准决策 客户画像持续模糊 导致资源错配 低质量数据影响 数据应用效率 出现上述情况主要原因，是企业在采集、存储业务及客户数据的过程中，并未进行数据治理，导致在数据应用时出现

骨干支撑、中小微企业协同发展的雁阵形态产业集群。这种根植于本土、深度融 合的产业生态，将成为我们在全球竞争中不可撼动的基石。 当然，前路光明，挑战犹存。我们在欣喜地看到供应链金融蓬勃发展的同时， 也必须清醒地认识到其面临的现实困境：法律法规体系仍需完善，跨部门、跨行 业的数据协同机制尚待建立，复合型专业人才缺口巨大，以及在复杂交易结构下 风险的识别与管控难度也在增加。这些挑战，恰恰是未来改革与创新的着力点。 解决这些问 中国企业改革与发展研究会第一副会长 2025 年 9 月 序言二：行稳致远——构建新一代供应链金融安全体系 作为连接产业血脉与金融“活水”的关键枢纽，供应链金融在推动实体经济 转型升级、纾解中小企业融资困境方面，正以前所未有的深度与广度，重塑着产 业生态的格局。然而，当发展的浪潮奔涌向前，我们亦须以清醒的目光审视浪潮 之下潜藏的暗流与礁石。若说第一篇序言描绘了供应链金融“行疾”的宏图，本 篇序言 首先，信用风险的“链式传导”与“风险共振”现象愈发突出。 传统信贷 风险多集中于单一借款人，而供应链金融的风险则天然具有网络化特征。链条上 的任何一个节点——哪怕是看似微不足道的末端供应商——出现经营困境或信 用违约，其风险都可能沿着紧密的交易关系链迅速传导，如同多米诺骨牌般引发 连锁反应，甚至最终冲击核心企业的稳定。在行业下行周期，这种风险传导更易 升级为“风险共振”，即全行业范围内的系统性危机，其破坏力远非个体风险的

大语言模型不仅是人工智能领域自然语言处理方向的重大突破，也正在改变知识获取与知识创新的模式。在研究大语 言模型的知识获取与创新的原理之上，探讨了其在应急管理信息化建设中的应用，针对智慧应急中面临的建设困境以及业务系 统智能化水平的局限，提出了基于大语言模型技术重构智慧应急的知识管理模式，在此基础上构想能够协同创新、全域感知、 决策支持的应急大脑，从而实现整体业务系统智能化水平从感知智能到认知智能的提升。 符号化表示则难以建模。如表 1 所示，与传统模式 相比，大语言模型提供了一种全新的知识管理模式， 利用大语言模型技术重塑应急系统的知识获取、知 识共享、知识创新、知识应用等关键环节，突破系统 智能化发展的困境，更好发挥应急知识管理的效能。 3.1.1 知识获取 在基于大语言模型技术的知识获取中，应急知 识内化于模型的海量参数中，能够处理传统知识管 理模式下无法处理的默会知识，获取这类应急管理 实践中极其宝贵的经验知识、技能知识、部门知识 协同创新能力、全域感知能力、决策支持能力为依托， 支撑监测预警、社会动员、监管执法、救援处置、辅 助决策等各项应急管理业务系统效能的进一步提高。 4 结论 本文在研究大语言模型的知识获取与创新的原 理之上，针对当前智慧应急中面临的困境以及业务 系统智能化水平的局限，基于大语言模型技术重构 智慧应急的知识管理模式，在此基础上构想能够协 同创新、全域感知、智能决策的应急大脑，从而实现 整体业务系统智能化水平的提升。 大语言模型技术在智慧应急领域的应用仍然面

期单纯的技术人才扩展到具备 AI 思维和应用能力的复合型人才，我们 必须重新思考大模型时代对人才的能力要求。这种转变既反映了 AI 应用的深化，也体现了企业对人才能力的新要求。 在 AI 人才短缺的困境中，高管普遍低估了员工学习和接纳 AI 的意 愿。这一认知偏差不仅限制了企业对现有人才的培养投入，也阻碍了 AI 在企业内部的推广和应用。 无论是处于 AI 探索阶段还是已经开展 AI 应用的企业，最突出的痛点 正探索 AI 的企业 已应用 AI 的企业 调研显示，企业在 AI 规划和开发过程中遇到最突出的问题是“没有合适的流程和场景”部 署大模型，这种"有枪没靶子"、"虽然引入 AI 但效益提升有限"的困境，深层原因在于企业 对 AI 的认知误区和应用能力不足，不知道如何将 AI 融合进业务场景和工作流程。第二 个最大的挑战是“企业和团队对于大模型和 AI 价值认知不足”，仍然是认知短缺的问题。 在成本和资源投入方面，AI 能力的重要保障。这个群体主要包括数 据科学家、算法工程师等技术专家，负责开发和优化 AI 算法系统，为企业提供坚实的技 术支持。他们需要精通 AI 技术开发与应用，持续推动技术创新。 15 然而，在 AI 人才短缺的困境中，企业似乎忽略了一个重要事实：解决方案可能就在眼前， 只是管理层的认知偏差正在阻碍这一潜力的释放。 埃森哲在《高管和员工，谁对“智能企业”更向往？》报告中揭示了一个引人深思的现象，高 管普遍低估了员工学习和接纳

数据价值在⼤模型背景下进⼀步被凸显 • 精细化运营管理（DRG/DIP） DS推理思考能⼒以及医保控费压⼒（需求⾼，难度⼤） →药品定价策略 医院 • PR先⾏，但过去“纸⾯数据、 ⾮标数据”等困境能得到极⼤ 缓解，医院数据的应⽤价值可 以得到释放 医学数据结构化提取、标准化 24 新药研发：借助⼤模型，提升药品研发的效率和速度 • 检索药监、⽂献、临床指南、申报⼚家 数量等选择潜在靶点（需RAG未公开数据） 若研发成本降低20%，IRR升⾄10.1%”1 数据来源：创新药研发周期理论，创新药研发回报率研究，申银宏源；美国数据 企业AI知识库：打造企业版ima，提升内部流程效率 ⽀持多格式知识沉淀，打破知识分散困境 “理解准”、“检索准”、“回答准” 灵活权限设置，保证企业资产安全 • 知识萃取+模型推理，超越基础RAG，充分应⽤企业知识结构， ⾃动学习理解企业信息，强化掌握知识要点关联 • 准确率更