开放科学(资源服务)标识码(OSID)：
开放科学(资源服务)标识码(OSID)：
自改革开放以来，我国经济发展取得举世瞩目的成就，而制造企业在其中起到了至关重要的作用。一方面，国家统计局数据显示，2018年中国工业增加值约为同期GDP总量的33.9%，其中制造业增加值约为同期GDP总量的29.4%。从规模上看，制造业是名副其实的国家支柱产业。另一方面，粗放的产业发展模式使得我国制造企业不但没有在全球价值链中产生自己的“经济租”，反而深陷“低端锁定”[1]。与之相应，中国经济发展从供不应求、经济高速增长的基本状态转向市场日益饱和、经济增长放缓的基本状态[2]。新常态下我国制造业的主要问题是供需结构严重失衡[3]，即低附加值供给远远过剩，而高附加值供给严重不足。在上述宏观经济背景下，制造业转型升级问题迫在眉睫。近年来兴起的数据科学无疑为产业创新和升级提供了重要契机。
Baumer[4]认为，数据科学属于新兴交叉学科，在特定应用领域，数据科学可以充分运用数学、统计学和计算机科学等知识从日益复杂的数据环境中提取关键且有意义的信息；程学旗等[5]进一步从方法论和本体论统一视角阐述数据科学内涵，发现数据科学是有关数据价值链实现过程的基础理论和方法学，主要研究如何从数据到信息、从信息到知识、从知识到决策转换，并实现对现实世界的认知和操控。数据科学迅速发展，使得数据赋能逐渐成为制造企业竞争优势的重要来源，同时拓展了理论研究边界，提炼出新的理论机制[6]。例如，在实践方面，发达国家主要围绕着数据科学的核心概念，提出了各式各样的制造业产业创新和升级方案，如德国的“工业4.0”、美国的“先进制造业国家战略计划”[7]、日本的“科技工业联盟”[8]等。2015年，国务院通过的《中国制造2025》纲领中，制造业发展的第一个目标就是“数字化、网络化、智能化取得明显进展”。2014—2020年，“大数据”连续7年进入李克强总理的政府工作报告，表明数据和制造业结合已经上升为国家战略。在理论研究方面，学者们对数据赋能带来的理论创新进行了广泛讨论。George等[9]认为，数据科学发展会成为管理学转变的重要契机，国际顶级期刊JMIS(Journal of Management Information Systems)于2018推出专刊研讨大数据对企业的战略价值[10]。陈剑等[11]通过理论研究构建数字化环境下企业运营管理框架和体系；陈冬梅等[6]在回顾战略管理理论的基础上，结合数字化环境特点，讨论数字化时代战略管理理论面临的挑战和机会。上述学术研究充分反映出学界对数据赋能理论的重视。
数据科学在理论和实践中的应用已经十分广泛，其快速发展为中国制造企业创新和升级提供了新的机遇，但现有研究相对匮乏。例如，孙新波等[12]通过文献研究对数据赋能发展历程和概念进行辨析，还有学者讨论一般信息技术投资对企业总体生产力的影响[13-16]，但较少关注创新这一独特的企业行为和现象。现有关于数据赋能与创新的研究主要集中在商业模式创新、价值共创和企业决策范式创新等方面。例如，曾锵[17]运用案例研究法构造大数据背景下商业模式创新的基本分析单元；周文辉等[18]研究平台企业通过数据赋能促进价值共创的过程；陈国青等(2020)讨论大数据背景下管理决策范式转变和行为洞察、风险预见、业务模式等决策范式创新。然而，现有研究大多不强调行业背景，主要集中在创新单一层面，缺乏多层面整体性考虑。关于数据赋能如何驱动制造企业创新缺少系统研究框架，如何从理论高度理解数据赋能对制造企业创新的促进作用是学界亟待解决的问题。
鉴于此，从数据赋能角度理解制造企业创新是本文的主要目标，与许多不强调行业背景的研究相比，本文聚焦制造业。通过梳理国内外相关文献，厘清赋能演化过程，提出数据赋能形式和对象。在此基础上，分别从制造业产品创新、商业模式创新、企业长期竞争力、企业创新生态系统和产业升级等5个层面，研究数据赋能驱动制造企业创新的路径和机制。最后，本文构建多层次数据赋能驱动制造企业创新研究框架。一方面，完整的研究框架有助于从理论角度解析数据技术对制造企业创新各环节的赋能，同时有助于研究者准确寻找理论中的空隙，开展一系列问题研究；另一方面，在制造业亟需转型升级的背景下，本研究对企业管理者和政策制定者具有独特的实用价值。
赋能这一概念起源于授权赋能，围绕赋权(empowerment)进行拓展。传统意义上，授权赋能强调组织内部权利分配问题。例如，Thomas & Velthouse[19]将赋权定义为内在动机，体现在4种认知中(意义、互补、自决和影响)，反映个体工作角色定位。当前，学术界对赋能的概念和维度尚未形成共识。例如，Leong等[20]认为，可以从结构赋能、心理赋能和资源赋能3个不同维度认识赋能；周文辉等[21]认为，现有文献大多有两个研究视角，即员工赋能和顾客赋能，其中，员工赋能可以分解为结构赋能、领导赋能和心理赋能3个维度；Lenka等[22]以4家工业制造业定性数据为基础，将数据赋能概念化为智能能力(intelligence capability)、连接能力(connect capability)和分析能力(analytic capability)3个方面。
从另一个角度，学者们提出了使能(enable)概念[11]。Bhatt等[23]研究信息技术基础设施灵活性对组织响应的使能作用，认为其可以帮助企业建立竞争优势；Camisón等[24]运用实证研究方法，验证组织创新是技术创新能力和企业绩效的使能因素；Wamba等[25]认为，大数据分析已经成为新的竞争优势使能者。由此可见，相对于赋权而言，使能应用范围更广。本文对赋能的定义与使能更为接近，数据赋能即数据赋予能力，通过应用数据提升企业竞争力的过程。
1.2.1 产生知识(洞见)
这一赋能形式依托于人工智能、机器学习和商业智能等信息技术，上述新技术借助算法、数据和人工智能等设备，将人们从初级低维的脑力工作中解放出来，从而生产出高知识附加值的产品和服务[26]。无处不在的传感器和智能终端可以收集海量数据，但是这些原始数据本身并不“智能”，正是人作为创新主体，将价值观、理论、知识甚至直觉融合到算法模型和产品中，不断通过反馈、学习和迭代提升智能，将人的主动性和创造性相结合，进而产生制造企业创新过程中所需的知识或洞见[27]。
1.2.2 感知变化
万物互联的智能化时代，企业面临的商业环境瞬息万变，尤其是自动化决策技术的广泛应用，企业必须在有限的时间内迅速作出决策。管理信息系统、大数据和人工智能技术发展，使企业信息传播能力和数据处理能力不断加强，进而提升其对外界信息的感知能力和应变能力，使企业在动态市场环境中的组织敏捷性得以提升[28]。在制造业创新方面，数据赋能可以通过提升制造企业敏感度、信息处理准确性和实时性，提升自身变化感知及应对能力。
1.2.3 连接物、连接人
物联网、智能制造、云计算等数据技术将物理世界在线化，使得信息共享和协作可以发生在人与人之间、人与物之间、物与物之间。例如，在零售商店的冰箱中放置传感器，商店经理通过物联网可以实时监测传感器数据，当冰箱出现异常时，报警系统提醒商店经理，经理可以查看员工工作状态，进而进行维修任务分配[29]。不同于上一种“感知变化”的赋能形式，“连接物、连接人”这一形式更强调数据赋能带来的连接便利。在制造业中，智能制造的普遍应用可以大幅度降低连接成本，使得连接变得更加便捷，进而提高行业资源整合效率，促进创新。
1.2.4 协调活动
信息系统使用可以使企业组织机构更具柔性，进而使企业能够对外部环境变化迅速作出响应。例如，灵活的创新需要多功能团队、扁平化层级结构和顺畅的沟通渠道，成功的管理要求组织能够应对动荡环境变化，并通过有效协调资源和组织活动确保组织目标实现[30]。数据赋能制造企业，在一定程度上能够促使企业组织活动更加科学，使协调活动更具有针对性。
1.2.5 决策支持
数据分析被认为是现代商业规则的改变者，因为其具有较高的运营和战略潜力，可以全方位提高企业经营效率和业务效率，成为企业竞争优势的塑造者[25]。事实上，在大数据时代企业通过商业智能和决策支持系统辅助决策的现象越来越普遍。一方面，大数据全样本、客观性和实时性特征可以让企业决策依据更具客观性。另一方面，机器学习和大数据挖掘等一系列新技术可以通过数据分析结果预测用户行为特征与竞争对手动态路径，在很大程度上给予制造企业决策上的支持。
1.3.1 对人与团队赋能
贾根良[31]认为，以信息和数据为基础的工业智能化时代，是从机器替代体力劳动到人工智能替代脑力劳动的过程。一方面，数据赋能把人从低维的重复性工作中解放出来，使其能够更加专注于富含创意和充满挑战的工作，同时增强的自我效能感激发了人的内在潜力[32]。另一方面，数据赋能可以促进人与人之间的沟通、协作和信息共享，方便团队更高效地进行资源配置和决策制定[33]。
1.3.2 对管理方式赋能
数据赋能的智能化时代，企业运行状态呈现透明化趋势，传感器和智能终端收集大量企业运行数据，企业管理层能够根据实时数据判断企业运营状态并迅速作出管理决策，虚拟化成为工作方式的常态[34]。一方面，数据赋能可以全方位优化企业生产和经营管理，同时管理者通过扮演教练的角色，授权下属更多选择，整体上提高企业管理效率[21]。另一方面，智能化时代企业面临的内外部环境发生剧烈变化，使得企业不得不重新思考商业模式和管理方式，而数据赋能等新技术可以为新时代管理理论发展和管理方式变革提供坚实的技术基础。
1.3.3 对技术赋能
海量原始数据是一种不可多得的资源，与技术结合使数据产生“智能”，同时大数据为新兴技术发展路径研究指明了新的方向。例如，周潇等(2017)基于海量异构数据，利用文本分析、三元组提取法(SAO)和技术路线图等方法，对技术创新路径进行识别、探索和预测。这表明数据赋能可以依托数据技术，促进不同技术进一步融合。
1.3.4 对组织结构赋能
数据赋能环境下企业组织结构也会发生相应的改变，Jarrahi[35]认为，数据挖掘及大数据预测可以为商业智能化提供技术支持和辅助决策，同时使组织结构更加扁平化和去中心化。数据赋能可以极大提高信息获取与分享效率，在一定程度上解决组织信息不对称问题，降低组织生产成本和交易成本。新技术环境下，科层制组织结构难以适应组织内外部环境(高山行、刘嘉慧，2018)，数据赋能时代下组织结构呈现出网络化特点[36]。
综上，数据赋能的主要形式、对象及对应的代表性数据技术如图1所示。
图1 数据赋能主要形式、对象及对应的代表性数据技术
上述关于数据赋能内涵、形式和主要对象的研究是基础研究，属于“是什么”的问题，是数据赋能驱动制造企业创新机制与路径研究的基础。然而，要打开数据赋能驱动制造企业创新的“黑箱”，就要对其作用机理进行透彻研究，这部分研究属于“为什么”的问题。已有学者从数据赋能[18, 37]、生态系统[33]、价值共创[18,21,37-39]、战略创业[21]、平台赋能[40]、敏捷制造[41]和大规模定制技术[32]等视角，对数据赋能与企业创新进行相关研究和讨论。但上述研究大多不强调行业背景，也未形成完整研究框架。基于此，本文聚焦于制造业，系统建立数据科学与组织科学之间的联系，从制造企业产品创新、商业模式创新、企业长期竞争力、企业创新生态系统和制造业产业升级等5个维度，剖析数据赋能如何驱动制造企业创新，试图打开作用机制的“黑箱”，其路径与机制阐述如下。
Cooper[42]认为，产品创新，无论是开发新产品还是改进已有产品，对现代企业生存和发展均至关重要。数据赋能环境下，企业充分利用数据技术快速进行产品迭代创新，是其竞争优势的来源。例如，Zhan等[43]提出，加速创新过程、加强顾客联系和构建创新生态系统，能够帮助企业以更快的速度与更低的成本开发产品；孙新波和苏钟海[41]运用案例法构建数据赋能帮助制造企业实现敏捷制造的过程模型。通过梳理已有文献，本文从技术创新、开放式创新和敏捷性3个方面阐述数据赋能驱动制造企业产品创新的作用机理，具体研究框架如图2所示。
图2 数据赋能与制造企业产品创新研究框架
2.1.1 路径一：数据赋能—企业技术创新—制造企业产品创新
Utterback等[44]将产品创新定义为，为满足用户或市场需求而在商业上引进的新技术或技术组合。由此可见技术创新对于产品创新的重要性。一方面，日益成熟的数据分析与数据挖掘技术能够从海量原始数据中识别出不易被发现的复杂关系，有助于企业重新组合生产要素、优化配置资源、进一步识别新的用户市场，这种数据驱动创新有助于制造企业在技术上实现颠覆式创新。另一方面，数据赋能环境下企业与消费者之间的距离被缩短，企业与用户互动变得更加便捷，用户参与感变得更强，例如小米公司通过用户参与进行产品开发。同时，企业通过持续对用户评论、浏览和搜索记录等数据进行挖掘与分析，逐步优化产品和技术，实现渐进式创新[45]。在此背景下，技术创新逐渐成为制造企业产品创新的基石。
2.1.2 路径二：数据赋能—企业开放式创新—制造企业产品创新
数据赋能时代，越来越多的企业主动拓展自身组织边界，加入到开放式创新网络中。Chesbrough[46]将开放式创新定义为，有目的地利用知识流入和流出加速内部创新，并扩大外部创新市场。由此可见，知识是开放式创新的核心要素。智能化时代，数据呈指数级增长。数据赋能环境下，制造企业能够通过数据挖掘和数据分析技术产生更多知识与洞见，降低知识生产成本。新知识产生后，人工智能和机器学习技术能够迅速将其吸收并转化成企业自身生产力。同时，创新网络使知识流动速度加快，进一步促进知识共享(李涛、高良谋，2016)。总之，数据赋能可以降低知识生产成本，促进知识吸收和共享，使企业开放式创新变得越来越普遍，从而进一步提高制造企业产品创新效率。
2.1.3 路径三：数据赋能—企业组织敏捷—制造企业产品创新
基于动态能力视角，组织敏捷主要由运营敏捷、合作伙伴敏捷和客户敏捷构成[47]。首先，在运营敏捷方面，制造企业能够通过智能终端上传数据，实时观测企业运营状况，并根据智能辅助决策系统迅速进行管理决策，同时能够对企业运营数据进行挖掘，进一步优化运营流程；其次，在合作伙伴敏捷方面，制造企业通过对合作伙伴进行动态评估和动态选择提升合作灵活性，同时降低合作风险；最后，在客户敏捷方面，制造企业能够通过分析用户需求提升顾客需求感知敏捷性，同时与用户零距离交互，提升服务敏捷性。由此可见，数据赋能环境可以提升企业组织敏捷性，使制造企业在运营上更高效，与合作伙伴沟通更便捷，对客户需求把握更精准。同时，较高的企业敏捷性可以进一步降产品创新成本，分散产品创新风险，使产品创新更符合用户个性化需求。总之，从动态能力视角出发，数据赋能可以通过提升企业组织敏捷性，促进制造企业产品创新。
Ng[48]认为，数据是一种新的经济资源，可以激励企业进行商业模式创新，改变生产者和消费者之间的关系；李文莲和夏健明[49]提出大数据驱动商业模式创新的三维视角；郝金磊和尹萌[39]引入价值共创，解释赋能与商业模式创新的作用机理。在已有文献的基础上，本文立足制造业，分别从智能制造、营销渠道和中国式“巧创”3个角度，分析数据赋能如何驱动制造企业商业模式创新，具体研究框架如图3所示。
图3 数据赋能与制造企业商业模式创新研究框架
2.2.1 路径一：数据赋能—企业智能制造—制造企业商业模式创新
互联网和智能化技术的发展，使制造业领域具备大数据采集、传输和处理能力。制造技术与信息通信技术、智能技术，特别是与产品相关的专业知识深度融合，正在制造模式、制造方法及生态系统方面进行一场前所未有的变革，智能制造越来越成为制造企业获取竞争优势的关键。首先，数据赋能环境下，各种智能终端使得生产设备更加智能化(equipment intellectualized)，人工智能、机器学习的应用使整个生产过程变得智能且可控(production intellectualized)。数据技术发展为制造企业实现柔性制造和大规模智能定制奠定技术基石，甚至使多时段差异化制造成为可实现的先进生产技术[32]。其次，基于数据和实时反馈的供应链管理变得更加高效(supply chain management intellectualized)。在此基础上，降低企业能源管理成本，提高制造业资源配置效率(energy management intellectualized)[50]。数据赋能环境下，智能制造已经成为制造企业商业模式创新的重要途径。
2.2.2 路径二：数据赋能—企业营销渠道创新—制造企业商业模式创新
目前，制造业采用的多种营销渠道相互关系复杂，是选择单一渠道投放广告，还是同时从电视、网络渠道和移动渠道投放广告？哪种广告渠道对消费者的影响更大？企业选择单一销售渠道还是多种渠道协同？销售渠道间是蚕食关系还是互补关系[51]？上述问题是企业亟待解决的难题，而数据赋能可以为制造企业优化营销渠道提供新思路，制造企业可以通过数据挖掘技术分析广告渠道间的关系，并测度其对消费者的影响，而在此基础上的精准营销能够最大程度地降低企业成本并提高营销效率。同理，企业可以在单一销售渠道和多种销售渠道之间建立模型，寻找利润最大化的渠道组合，甚至根据个性化需求建设企业营销渠道。在上述环境下，企业营销渠道创新逐渐成为制造企业商业模式创新的重要推动力量。
2.2.3 路径三：数据赋能—企业“巧创”—制造企业商业模式创新
巧创(bricolage)概念由Nelson于2005年引入到创新和创业领域，他认为，当创业者所掌握的资源不足以满足需求时，可以充分利用现有资源应付企业眼前需要解决的问题[52]。制造业后发企业在资源不足的情况下，能够对外部环境快速作出反应。这种反应是基于其对感知变化的把控，这些企业正是由于其规模小、组织结构简单等原因能够对市场变化迅速作出判断。同时，上述企业善于利用有限资源产生新的知识，也善于促进团队学习和学习型组织建设。因此，在数据赋能情景下，“巧创”模式通过感知变化、产生知识等形式促进制造企业尤其是制造业后发企业商业模式创新。
企业资源观(resourced-based view)认为，企业是资源和能力的集合。数据和数据技术是组织中重要的异质性资源，这些异质性资源对于企业取得竞争优势并获取超额利润具有至关重要的作用。对企业而言，维持竞争优势和获取竞争优势同样重要。企业动态能力、吸收能力以及数据赋能环境下的数据伦理对制造企业维持长期竞争力具有重要意义，具体研究框架如图4所示。
图4 数据赋能与制造企业长期竞争力研究框架
2.3.1 路径一：数据赋能—企业动态能力—制造企业长期竞争力
动态能力理论(dynamic capabilities theory)分析企业在快速变革环境中的财富创造来源和财富获取能力。该理论假设，相比低动态能力企业，高动态能力企业更具有优势。该理论阐释了企业如何采用动态能力创造并维持相对于其它企业的竞争优势[53]。Pavlou & Sawy[54]构建了动态能力理论分析模型，该模型包括4个部分：感知能力、学习能力、整合能力和协调能力。数据赋能环境下，制造企业通过使用智能技术，特别是大数据技术，可以提升企业环境感知能力。同时，学习能力增强有利于新知识和洞见产生，企业运营状况数字化能够促使管理人员迅速制定管理决策。进一步地，更加柔性的组织有利于企业高效配置资源，从而提升企业协调能力。由此可见，制造企业可以通过上述做法，获取和维持自身长期竞争优势。
2.3.2 路径二：数据赋能—企业吸收能力—制造企业长期竞争力
吸收能力理论(absorptive capacity theory)考察企业识别新知识、吸收并应用新知识以实现组织目标的过程[55]。Zahra & George[56]认为，吸收能力有4个维度：获取、消化、转换和利用，上述4个维度都是针对新知识的。数据赋能环境下，制造企业不仅可以获取更多新知识，而且可以通过数据技术对已有知识进行挖掘和识别。机器学习和人工智能算法应用可以进一步促进企业对新知识的消化和吸收。同时，数据赋能环境下制造企业变得更加灵活，能够迅速对新知识进行转换和利用。上述分析框架能够解释数据赋能如何促进制造企业吸收能力，进而维持自身长期竞争力。
2.3.3 路径三：数据伦理—企业竞争优势—制造企业长期竞争力
伦理理论(ethical theory)给予人们应如何为人处事的观点和建议[57]，健全的伦理有一个共同特点：使个人能够根据伦理理论原则，提出具有说服力和合乎逻辑的论点。数据赋能时代，数据越来越独立于用户活动而被收集，用户面临数据被滥用和隐私泄露风险，负责任地使用数据成为消费者的强烈诉求。Mandinach等[58]指出，数据伦理包括如何使用数据，以及如何保护隐私和保障数据的机密性。数据赋能环境下，制造企业可以制定长远数据运用策略，承诺保护用户隐私，尊重用户选择，使数据处理透明度成为长期竞争优势。
创新生态系统(innovation ecosystem)是一个新兴概念，许多公司试图建立或加入一个强有力的创新生态系统，以提高其创新能力和市场反应能力。苹果、谷歌、微软、西门子等知名企业凭借强大的技术能力和资源优势，构建起大规模创新生态系统[59]。黄海霞和陈劲[60]研究创新生态系统中的协同创新模式，张镒等[61]研究创新生态系统中平台企业竞争优势形成路径问题。在此基础上，本文分析数据赋能驱动制造企业创新生态系统构建的作用机理。
2.4.1 路径一：数据赋能—企业协同创新—制造企业创新生态系统
竞争环境复杂性和不确定性较高的情况下，企业组织与外界交换信息和资源，形成产学研一体化的整体效应或协同效应。数据赋能环境下，企业协同创新影响因素主要分为企业内部和外部两个部分[62]。从内部来讲，数据赋能有助于制造企业知识和洞见产生，为企业协同创新奠定知识基础。数据技术应用可以降低组织间沟通成本，增加企业收益，为企业协同创新奠定物质基础。从外部来讲，数据赋能可以减少企业间信息不对称，进而减少道德风险和逆向选择，促进协同创新。信息共享有助于提升供应链企业间的信任程度，为企业协同创新奠定良好的合作基础。数据赋能通过影响企业内外部因素促进制造企业协同创新，从而进一步促进企业创新网络和企业创新生态系统构建与发展。
2.4.2 路径二：数据赋能—企业平台创新—制造企业创新生态系统
平台型创新是时代发展的产物，是通过创建新平台或改进现有平台快速迭代平台业务模型的实践，是双边或多边群体实现合作共赢的过程[63]。工业互联网产业联盟发布的《工业互联网平台白皮书(2019)》显示，工业互联网平台整体处于发展初期，呈现蓬勃发展之势，全国各类知名工业互联网平台已有数百家，产生了如海尔、宝信、徐工和富士康等具有行业影响力的平台。数据赋能环境下，制造业平台通过扩大数据采集范围，增强数据应用的实效性，同时拓宽数据应用领域。工业数据成为工业知识的源泉，沉淀的工业知识可以对传统经验判断进行模块化和软件化。同时，工业平台APP和人工智能发展进一步为知识创新奠定技术基础，基于数据驱动的制造业平台创新逐渐成为制造业创新生态系统的重要组成部分。
中国经济发展进入新常态，推进制造业产业转型升级和经济结构调整，成为今后我国经济发展的重要任务。制造业产业升级一直是产业经济学研究的重点，现有研究主要集中在制造业产业升级内涵、驱动因素、升级路径和升级战略等方面。一般认为，制造业产业升级可以从产业结构视角和价值链视角加以界定[64]。数据赋能环境下，本文从制造业服务化和制造业价值链重构两个方面，分析数据赋能对制造业产业升级的影响路径。
2.5.1 路径一：数据赋能—制造业服务化—制造业产业升级
服务化几乎在全球范围内所有行业中发生，Vandermerwe & Rada[65]认为，服务化经历了以下3个阶段：产品或服务、产品+服务、产品+服务+支持活动+知识+自助服务。目前，制造业服务化处于第3个阶段。徐振鑫等[66]认为，制造企业正从以产品为中心的产品型制造向以服务为中心的服务型制造转变。数据赋能环境下，制造企业能够以极低成本获取大量消费者数据，并借助数据分析和挖掘技术精准识别消费者偏好。消费者可以根据自身需求和偏好，定制个性化产品与服务，而企业可以根据消费者偏好进行大批量个性化生产，真正实现柔性制造。同时，制造企业能够通过预测消费者偏好，主动设计消费者偏好演化路线，整合企业资源、降低运营成本，生产符合消费者预期的产品和服务。实践经验表明，生产服务化是我国制造企业产业升级的可行之路[66]。
2.5.2 路径二：数据赋能—制造业价值链重构—制造业产业升级
智能化时代全球价值链正进行一系列解构和重构，这为我国制造业弯道超车，向价值链高端环节攀升提供了绝佳机遇。数据赋能环境下，技术主要通过影响“微笑曲线”中高附加值的产品研发和营销渠道驱动价值链重构[67]。一方面，制造企业能够基于海量用户数据产生知识和洞见，及时测度用户满意度，进而对产品设计进行调整。同时，制造企业在数据驱动下能够迅速对外界变化作出响应，实现组织敏捷和产品敏捷。另一方面，数据赋能可以改变制造企业传统营销渠道，实现线上和线下渠道融合，通过数据分析构建最优渠道组合。数据赋能通过影响制造业价值链高附加值部分，实现价值链重构和价值链升级，从而进一步促进制造业产业升级。
综上，本文分析数据赋能的主要形式和主要对象，在相关组织理论的基础上，从产品创新、商业模式创新、企业长期竞争力、创新生态系统和产业升级等5个方面，打开数据赋能对制造企业创新的作用机制“黑箱”，建立组织科学与数据科学的联系。在此基础上，本文构建数据赋能与制造企业创新研究框架，如图5所示。
图5 数据赋能与制造企业创新研究框架
本研究构建一个多层次且具有丰富理论支撑的数据赋能驱动制造企业创新模型，将数据赋能维度与制造企业创新进行有机整合。首先，从微观层面分析数据与数据科学如何赋能制造企业的人和团队，即如何影响人的主动性和创新能力以及产品开发团队的创新能力；其次，从中观层面研究数据技术如何赋能企业组织和管理，主要包括数据赋能如何影响企业商业模式创新能力、企业长期竞争能力，以及企业创新生态系统构建；最后，从宏观层面分析数据和数据科学如何赋能制造业产业生产力提升。
从微观层面到中观层面再到宏观层面，数据赋能制造企业创新是一个多层面联动现象：产品创新是商业模式创新的基础，商业模式创新造就企业长期竞争力，从单一企业创新到企业集群创新形成创新生态系统，产业升级是数据赋能的最终结果。该研究框架从理论视角出发，同时立足实践，以期为学术研究者和企业管理人员提供一定的借鉴。
在制造业亟需转型升级的当下，研究数据如何赋能制造企业创新具有重要战略意义。本文通过文献综述探析数据赋能与制造企业创新研究的前沿动态，得到如下结论：
(1)数据赋能内涵即数据赋予能力，是指通过应用数据提升企业竞争力的过程。
(2)数据赋能形式主要有产生知识(洞见)、感知变化、连接物和人、协调活动、决策支持等5种。
(3)数据赋能对象主要有人和团队、管理方式、技术和组织结构等4类。
(4)按照从微观层面到中观层面再到宏观层面的逻辑，数据主要通过赋能制造企业产品创新、商业模式创新、企业长期竞争力、企业创新生态系统和制造业产业升级等5种机制驱动制造企业创新，每种机制均有其对应的赋能路径。
(5)从整体性和系统性视角出发，将数据赋能形式、对象以及数据赋能驱动制造企业创新机制路径和对应理论整合在一起，以期为研究人员和企业管理实践者提供全新的知识地图。
数据赋能与制造企业创新研究方兴未艾，得到越来越多学者关注，也取得了一系列研究成果。根据前文梳理和分析，本文认为，后续研究可以关注以下3个方面：
(1)数据赋能制造企业创新研究与组织理论的有效衔接。组织理论在发展过程中，衍生出诸多解释企业活动各层面的理论，而数据科学发展为新时代理论构建提供了契机。有学者认为，当前数据、方法和知识类别发生着重大变化，研究人员亟需补充、理解和利用新的理论观点。同时，新的数据和方法为研究人员提供了理论构建的新途径[68]。本文尝试将数据赋能研究与组织理论进行衔接，并在数据赋能与制造企业研究框架中将数据赋能与相关理论进行整合，但对于数据技术在上述重要研究理论中扮演何种角色仍未阐述清楚。因此，本文认为，在数据赋能与制造企业创新研究中，将数据赋能与组织理论框架下各理论进行衔接是未来研究方向。
(2)数据赋能与制造企业创新的研究方法和研究数据。本文建立了多层次数据赋能与制造企业创新研究框架，从个体到组织再到多个企业或产业，不同研究方法适用于不同研究主体，但现有研究方法主要为案例研究法[18,21,40,41,69]。未来可以运用多样化研究方法，从不同层面对数据赋能与制造企业创新进行研究。
现有相关数据存在较为严重的缺陷，国内数据缺陷尤其严重。例如，学术界一直缺乏数据赋能的大规模二手数据。现有研究数据往往基于问卷调研，尽管问卷调研有其优势，但也具有主观性偏差且难以解决数据分析过程中的内生性问题。国内只能使用上市公司年报中的固定资产和无形资产投资细项对企业数据赋能进行测算[70]，上述方法在准确性方面存在较大问题。为解决这一数据问题，未来可以参照最新以机器学习技术分析求职网站信息的做法[71]，构建中国制造企业数据赋能大型面板数据。这不仅可以成为一系列实证研究的基础，还可以通过数据开放手段，为广大对数据赋能感兴趣的学者们提供更多研究机会。
(3)中国特定情景下数据赋能对制造企业创新的影响。梳理文献发现，大部分数据赋能与制造企业创新的实证研究立足于西方样本[14, 71]。相较于西方制造业，中国制造企业环境有其特殊性，主要体现在以下方面：第一，中国是一个人口大国，移动互联网用户多，能够产生海量用户行为数据；第二，中国是一个制造业大国，制造企业市场规模大，企业交易数据多，数据赋能应用场景更加丰富；第三，我国制造企业面临动态变化的消费者需求。移动互联网和信息技术飞速发展使得用户消费水平明显升级，制造企业需要通过数据赋能企业产品、技术和商业模式等方式驱动创新发展，以满足消费者动态化需求。
因此，未来研究者需要考虑中国特定环境给数据赋能制造企业创新带来的变化，在借鉴现有研究的基础上，根据我国制造企业自身特色具体问题具体分析。同时，研究结论可以为政府政策制定提供参考，从而有效促进数据赋能制造企业创新。
[1] 郝凤霞,张璘. 低端锁定对全球价值链中本土产业升级的影响[J]. 科研管理,2016,37(S1):131-141.
[2] 郭克莎. 中国经济发展进入新常态的理论根据:中国特色社会主义政治经济学的分析视角[J]. 经济研究,2016,51(9):4-16.
[3] 辛国斌. 推动制造业高质量发展[J]. 宏观经济管理,2019，35(2):5-7.
[4] BAUMER B. A data science course for undergraduates:thinking with data[J]. The American Statistician,2015,69(4):334-342.
[5] 程学旗,梅宏,赵伟,等. 数据科学与计算智能：内涵、范式与机遇[J]. 中国科学院院刊,2020,35(12):1470-1481.
[6] 陈冬梅,王俐珍,陈安霓. 数字化与战略管理理论:回顾、挑战与展望[J]. 管理世界,2020,36(5):220-236,20.
[7] 黄海霞,陈劲. 主要发达国家创新战略最新动态研究[J]. 科技进步与对策,2015,32(7):102-105.
[8] 陆颢. 全球价值链重构的新特征与中国企业价值权力争夺[J]. 企业经济,2017,36(4):131-135.
[9] GEORGE G,OSINGA E C,LAVIE D,et al. Big data and data science methods for management research[J]. Academy of Management Journal,2016,59(5):1493-1507.
[10] CHIANG R HL,GROVER V,LIANG T P,et al. Special issue:strategic value of big data and business analytics[J]. Journal of Management Information Systems,2018,35(2):383-387.
[11] 陈剑,黄朔,刘运辉. 从赋能到使能:数字化环境下的企业运营管理[J]. 管理世界,2020,36(2):117-128.
[12] 孙新波,苏钟海,钱雨,等. 数据赋能研究现状及未来展望[J]. 研究与发展管理,2020,32(2):155-166.
[13] MELVILLE,KRAEMER,GURBAXANI.Review:information technology and organizational performance:an integrative model of IT business value[J]. MIS Quarterly,2004,28(2):283-322.
[14] TAMBE P,HITT L M. The productivity of information technology investments:new evidence from IT labor data[J]. Information Systems Research,2012,23(3):599-617.
[15] 李治堂. 基于互补性理论的信息技术投资绩效研究[J]. 科研管理,2009,30(1):8-14,27.
[16] 齐晓云,毕婷,周志永. 信息技术对组织绩效影响研究述评[J]. 情报科学,2012,30(3):476-480.
[17] 曾锵. 大数据驱动的商业模式创新研究[J]. 科学学研究,2019,37(6):1142-1152.
[18] 周文辉,邓伟,陈凌子. 基于滴滴出行的平台企业数据赋能促进价值共创过程研究[J]. 管理学报,2018,15(8):1110-1119.
[19] THOMAS K W,VELTHOUSE B A. Cognitive elements of empowerment:an "interpretive" model of intrinsic task motivation[J]. Academy of Management Review,1990,15(4):666-681.
[20] LEONG C,SINGAPORE N U O,PAN S,et al. ICT-enabled community empowerment in crisis response:social media in Thailand flooding 2011[J]. Journal of the Association for Information Systems,2015,16(3):174-212.
[21] 周文辉,杨苗,王鹏程,等. 赋能、价值共创与战略创业:基于韩都与芬尼的纵向案例研究[J]. 管理评论,2017,29(7):258-272.
[22] LENKA S,PARIDA V,WINCENT J. Digitalization capabilities as enablers of valueco-creation in servitizing firms[J]. Psychology & Marketing,2017,34(1):92-100.
[23] BHATT G,EMDAD A,ROBERTS N,et al. Building and leveraging information in dynamic environments:the role of IT infrastructure flexibility as enabler of organizational responsiveness and competitive advantage[J]. Information & Management,2010,47(7-8):341-349.
[24] CAMIS
N C,VILLAR-LPEZ A. Organizational innovation as an enabler of technological innovation capabilities and firm performance[J]. Journal of Business Research,2014,67(1):2891-2902.
[25] WAMBA S F,GUNASEKARAN A,AKTER S,et al. Big data analytics and firm performance:effects of dynamic capabilities[J]. Journal of Business Research,2017,70:356-365.
[26] 穆良平,姬振天. 中国抢占智能经济发展先机的战略要素及重点领域[J]. 理论探讨,2017，34(4):97-101.
[27] BRANTLY A F. When everything becomes intelligence:machine learning and the connected world[J]. Intelligence and National Security,2018,33(4):562-573.
[28] CEPEDA J,ARIAS-PÉREZ J. Information technology capabilities and organizational agility[J]. Multinational Business Review,2019,27(2):198-216.
[29] LEE I,LEE K. Theinternet of things (iot):applications,investments,and challenges for enterprises[J]. Business Horizons,2015,58(4):431-440.
[30] DUBEY R,GUNASEKARAN A,CHILDE S J,et al. Empirical investigation of data analytics capability and organizational flexibility as complements to supply chain resilience[J]. International Journal of Production Research,2021,59(1):110-128.
[31] 贾根良. 第三次工业革命与工业智能化[J]. 中国社会科学,2016，39(6):87-106,206.
[32] 周文辉,王鹏程,杨苗. 数字化赋能促进大规模定制技术创新[J]. 科学学研究,2018,36(8):1516-1523.
[33] 胡海波,卢海涛. 企业商业生态系统演化中价值共创研究:数字化赋能视角[J]. 经济管理,2018,40(8):55-71.
[34] 李鸿磊,黄速建. 智能化时代的商业模式特征及创新路径[J]. 经济与管理研究,2017,38(6):113-123.
[35] JARRAHI M H. Artificial intelligence and the future of work:human-AI symbiosis in organizational decision making[J]. Business Horizons,2018,61(4):577-586.
[36] 冯鹏程. 大数据时代的组织演化研究[J]. 经济学家,2018(3):57-62.
[37] 赵大伟,景爱萍. 数据赋能视角下在线出行服务动态价值共创过程研究[J]. 商业研究,2019，62(4):22-30.
[38] 孔海东,张培,刘兵. 价值共创行为分析框架构建:基于赋能理论视角[J]. 技术经济,2019,38(6):99-108.
[39] 郝金磊,尹萌. 分享经济:赋能、价值共创与商业模式创新:基于猪八戒网的案例研究[J]. 商业研究,2018,61(5):31-40.
[40] 周文辉,李兵,周依芳,等. 创业平台赋能对创业绩效的影响:基于“海尔+雷神”的案例研究[J]. 管理评论,2018,30(12):276-284.
[41] 孙新波,苏钟海. 数据赋能驱动制造业企业实现敏捷制造案例研究[J]. 管理科学,2018,31(5):117-130.
[42] COOPER R G. Stage-gate systems:a new tool for managing new products[J]. Business Horizons,1990,33(3):44-54.
[43] ZHAN YZ,TAN K H,JI G J,et al. A big data framework for facilitating product innovation processes[J]. Business Process Management Journal,2017,23(3):518-536.
[44] UTTERBACK J M,ABERNATHY W J. A dynamic model of process and product innovation[J]. Omega,1975,3(6):639-656.
[45] 郑力源,周海炜. 企业大数据能力:研究综述与未来展望[J]. 科技进步与对策,2019,36(15):153-160.
[46] CHESBROUGH H, VANHAVERBEKE W, WEST J. Open innovation:researching a new paradigm[M].Oxford:Oxford University Press on Demand, 2006.
[47] SAMBAMURTHY,BHARADWAJ,GROVER. Shaping agility through digital options:reconceptualizing the role of information technology in contemporary firms[J]. MIS Quarterly,2003,27(2):237-263.
[48] NG I C. New business and economic models in the connected digital economy[J]. Journal of Revenue and Pricing Management,2014,13(2):149-155.
[49] 李文莲,夏健明. 基于“大数据”的商业模式创新[J]. 中国工业经济,2013(5):83-95.
[50] CHENG GJ,LIU L T,QIANG X J,et al. Industry 4.0 development and application of intelligent manufacturing[C].2016 International Conference on Information System and Artificial Intelligence (ISAI),Hong Kong,2016:407-410.
[51] CHIU HC,HSIEH Y C,ROAN J,et al. The challenge for multichannel services:cross-channel free-riding behavior[J]. Electronic Commerce Research and Applications,2011,10(2):268-277.
[52] 李平,周诗豪. 梦想性巧创:中国企业的独特创新范式[J]. 清华管理评论,2017,7(6):74-80.
[53] TEECE D J,PISANO G,SHUEN A. Dynamic capabilities and strategic management[J]. Strategic Management Journal,1997,18(7):509-533.
[54] PAVLOU P A,EL SAWY O A. Understanding the elusive black box of dynamic capabilities[J]. Decision Sciences,2011,42(1):239-273.
[55] COHEN W M,LEVINTHAL D A. Absorptive capacity:a new perspective on learning and innovation[J]. Administrative Science Quarterly,1990,35(1):128.
[56] ZAHRA S A,GEORGE G. Absorptive capacity:a review,reconceptualization,and extension[J]. Academy of Management Review,2002,27(2):185-203.
[57] BRADY N,HART D. An exploration into the developmental psychology of ethical theory with implications for business practice and pedagogy[J]. Journal of Business Ethics,2007,76(4):397-412.
[58] MANDINACH E B,PARTON B M,GUMMER E S,et al. Ethical and appropriate data use requires data literacy[J]. Phi Delta Kappan,2015,96(5):25-28.
[59] SU YS,ZHENG Z X,CHEN J. A multi-platform collaboration innovation ecosystem:the case of China[J]. Management Decision,2018,56(1):125-142.
[60] 黄海霞,陈劲. 创新生态系统的协同创新网络模式[J]. 技术经济,2016,35(8):31-37,117.
[61] 张镒,刘人怀,陈海权. 商业生态圈中平台企业生态优势形成路径:基于京东的纵向案例研究[J]. 经济与管理研究,2018,39(9):114-124.
[62] 王展祥,魏琳. 信息共享有利于制造业企业的协同创新吗:基于中国企业营商环境调查数据的实证分析[J]. 当代财经,2019,40(10):95-106.
[63] ADNER R. Ecosystem as structure[J]. Journal of Management,2017,43(1):39-58.
[64] 付珊娜,刘昂. 制造业产业升级的研究回顾与展望[J]. 科学管理研究,2017,35(2):47-49,53.
[65] VANDERMERWE S,RADA J. Servitization of business:adding value by adding services[J]. European Management Journal,1988,6(4):314-324.
[66] 徐振鑫,莫长炜,陈其林. 制造业服务化:我国制造业升级的一个现实性选择[J]. 经济学家,2016(9):59-67.
[67] 余东华,水冰. 信息技术驱动下的价值链嵌入与制造业转型升级研究[J]. 财贸研究,2017,28(8):53-62.
[68] BURTON-JONES A, BUTLER B, SCOTT S, et al. Next-generation information systems theories[J]. MIS Quarterly Call for Papers, 2018(7).
[69] 罗仲伟,李先军,宋翔,等. 从“赋权”到“赋能”的企业组织结构演进:基于韩都衣舍案例的研究[J]. 中国工业经济,2017,34(9):174-192.
[70] 李继学,高照军. 信息技术投资与企业绩效的关系研究:制度理论与社会网络视角[J]. 科学学与科学技术管理,2013,34(8):111-119.
[71] TAMBE P. Big data investment,skills,and firm value[J]. Management Science,2014,60(6):1452-1469.