开放科学(资源服务)标识码(OSID)：
Most existing research on innovation in traditional industrial enterprises focuses on how to improve production efficiency, and there is little exploration of the driving rules of innovation from the perspective of digital intelligence technology. At the same time, existing studies often analyze data intelligence technology and services as independent factors when examining the intelligent process, with less consideration of their synergy, which makes it difficult to clarify the overall impact of data intelligence on innovation. In addition, current strategies for data intelligence empowerment often emphasize industry characteristics, while differences in regional resource endowments result in resource mismatches.
In this study, the "technology-organization-environment-process" (TOEP) framework is constructed to identify the influencing factors driving innovation activities, and it is used to analyze the innovation paths of traditional industrial enterprises empowered by fuzzy set qualitative comparative analysis (fsQCA). It is found that the digital intelligence empowerment process does not have a single necessary condition or key dimension, and the promotion of enterprise innovation performance improvement needs to be achieved through configuration paths. The "technology-organization" dimension focuses on technological research and development promotion, while the "environment-process" dimension is driven by demand and forms a complementary empowerment pattern. By comparing the resource advantages of 12 typical regional samples from the configuration paths, the inherent rules of innovation performance differences in the configuration paths are analyzed. There are multiple sets of alternative relationships between the antecedent conditions of the paths, and there is a convergence trend for different paths , while regions that have strong innovation capabilities and high performance mostly adopt the whole-factor path, while other regions can choose paths that match their own resource conditions, and gradually improve the synergy between factors to achieve overall optimization of digital intelligence empowerment effects.
This research has three contributions. Firstly, it proposes intelligence empowerment paths for traditional industrial enterprises and reveals the differences in influencing factors in the empowerment processes of different regions. Secondly, the complementarity between digital intelligence empowerment dimensions is clarified, and the empowerment process can be achieved through different approaches. The regional resource advantages are the basis for deciding the empowerment paths, and the introduction of other antecedent factors can enhance the synergy of resources in the empowerment paths based on the asymmetry of dimension combinations. Finally, it is found that the dimension of the "process" plays a significant role in the paths, and the application of digital intelligence expands the regional market demand, overcoming the entry barriers of the digital transformation in traditional industries.
The reference for regional empowerment policy formulation is presented. Firstly, empowerment policies should be selected according to regional resources so as to realize market potential and industrial restructure by gradually increasing inputs. Secondly, the governments in the central and western regions should choose complementary development paths with their counterparts in the eastern regions, combining regional human resources and industrial advantages to promote the digital transformation of traditional industrial enterprises through preferential policies and different regional empowerment advantages. Thirdly, the new business models are expected to promote the application of digital intelligence technology, combining mass production capabilities with customized design to break away from the "low-end lock-in" dilemmas and promote technological breakthroughs and business model innovation.
开放科学(资源服务)标识码(OSID)：
我国传统工业企业已形成上下游产业相结合的产业链。2020—2022年,营业收入年均97.4万亿元,占行业内总量的84.3%。机电产品出口居世界前列,是全球制造业的重要组成部分。企业大多为劳动密集型企业,从业人员年均达6 498万人,占行业总数的82.5%,在拉动内需促进实体经济发展过程中发挥重要作用,能够缓解外部环境不确定性带来的负向影响。然而,传统工业企业面临着“低端锁定”和“产能过剩”困境,平均研发经费投入仅占高技术产业的21.6%。作为技术领先标志的发明专利数、新产品销售收入仅占高技术产业的16.7%和28.3%。由此,如何实现传统工业企业升级成为亟待解决的问题。
中共十九大报告明确提出,“推动高质量发展”是我国经济发展主线,“加快数字化发展”是产业结构优化的重点方向。数字技术可以准确、快速地处理海量数据,对实体参数进行模拟仿真,并对产品研发、生产过程中的不合理因素进行优化。《“十四五”数字经济发展规划》提出,要以数据为关键要素,以数字技术与实体经济深度融合为主线,加强数字基础设施建设,完善数字经济治理体系,赋能传统产业转型升级,为构建数字中国提供有力支撑。中共二十大提出“构建新一代信息技术、人工智能”,进一步明确了数智化是传统工业企业转型的关键。
大数据改变了现有加工与制造模式,智能硬件嵌入传统生产过程,成为促进生产效率提升的动力。人工智能为企业带来前所未有的变化,推动传统企业向知识密集型和技术密集型企业转变,也为消费市场带来了新的机会,能够帮助企业通过了解顾客需求选择创新路径,重塑创新理论与技术范式。因此,有必要进一步探究数智如何赋能传统工业企业创新,这对于推动传统产业升级具有重要意义。
然而,多数相关研究主要关注生产过程改进,数智技术作为新动能的影响机理尚处于探索阶段。同时,现有数智化分析大多以硬件技术支持或信息服务为视角,既未关注两者共同效应,也未揭示数智赋能对创新的影响。此外,区域资源禀赋差异不利于普适性策略实施,容易产生资源错配问题。因此,为推动数字经济与实体经济融合发展,本文基于中国内地31个省级行政区统计数据对数智化多重因素进行组态分析,拓展本土创新生态系统理论,从而为不同区域传统工业企业创新策略制定提供参考。
1.1.1 数智赋能对创新的影响
数智化能够增强企业环境应变能力(周翔等,2023),其贯穿于企业运营各环节,并随企业发展扩展至技术、组织、战略和商业模式创新等方面。
网络客户端、创客空间和知识共享平台形成新的数字资源,颠覆传统企业技术创新形式,促使创新过程由单一节点向网络化转变,其范围和特征能够决定技术创新方向[1]。人工智能可以增强企业管理柔性,促使企业从渐进性创新转向探索性创新,进而利用技术创新形成专利,识别新产品开发机会[2]。受资金、人才等方面限制,传统产业创新可能面临“数字鸿沟”。政府可以通过治理机制在基础设施建设、知识产权保护和创新平台构建等方面,营造有利于企业技术创新的数字化环境[3]。
生产要素与网络结合形成产品模块化架构,通过交互作用建立多元耦合关系,企业组织结构从垂直一体化层级结构向松散结构转变。由此,模块化、网络化带来企业组织结构创新[4]。线上技术应用能够影响组织学习,组织成员目标一致性、合作态度以及共同知识是影响组织交互学习效率的关键因素[5]。数字技术会持续从根本上影响组织运作与竞争方式,因而组织需要维持竞争力,同步流程改进与技术变革以避免两者冲突[6]。
数据成为战略竞争优势的重要来源,其获取方式能够改变战略制定模式,进而影响企业灵活性(Sharan等,2023)。在制造商提供的产品服务基础上,识别其与数字服务间的联系以强化双向灵活性,通过监控、控制、优化、自主功能实现价值创造和捕获[7]。数字技术应用能够降低组织成员信息交流成本,协调产业联盟成员间的价值冲突,引导联盟核心价值导向,促进跨组织资源合作关系建立,支撑产业联盟智能化自主创新战略实施[8]。
得益于互联网广泛应用,行业进入壁垒降低,由此模糊了行业边界。企业数量增长加剧了竞争,为获得盈利,企业由产品、流程和组织创新转向商业模式创新(Massa等,2017)。新的机会与潜在利益者是商业模式的主要组成部分,要求管理者具备“企业家心态”,以客户为中心的商业模式设计可能会重新定义行业并创造新的范式[9]。基于价值创造主体、载体差异可形成不同的O2O商业模式,创新动因可归结为注重用户体验和提高匹配效率,随着数字技术能力提升,两者实现线上线下融合[10]。
1.1.2 文献评述
已有研究发现,通过大数据分析和智能算法,企业可以精准预测市场趋势以明确创新方向,强化自身管理灵活性、提升工作效率,通过扁平化组织结构促进知识交流与转化,进而形成注重用户体验的商业模式创新。但数字经济环境下,需要进一步探究传统工业企业创新。因此,本文基于“技术—组织—环境—进程”框架,以传统工业企业创新为研究对象,根据数智发展特征选择指标,揭示数智要素对传统工业企业创新的影响,分析传统工业企业创新赋能路径,并对比不同路径间的关系,以期找到不同区域利用数智资源的规律。
1.2.1 TOE框架拓展依据
数智技术已成为经济发展的重要驱动因素,相较于高技术企业,传统工业企业升级面临着更多问题。为避免要素错配,需要分析赋能过程中各资源间的关系。Tornatzky等(1990)提出的TOE框架理论将影响企业创新的要素归纳为技术、组织和环境,以此解释创新驱动因素,该理论在客户参与创新(古安伟等,2022)、治理风险应对(Ullah等,2021)、电子政务管理(谭海波等,2019)方面得到广泛应用。就TOE框架而言,其并未体现要素应用状况,在技术、组织、环境相同的情况下,企业可能因技术熟练程度、组织柔性和外部资源利用差异而产生不同的绩效。已有研究也关注到要素应用程度导致的效率变化,如Kottemann等[11]从个人、企业、政府角度分析发现,信息通信技术成熟度与区域绩效呈正相关关系;McLeod等[12]从社会技术角度发现,信息化应用进程包括参与行动者特征与属性、资源和交付能力、制度化规则及结构、技术内容等方面。
据此,参考Ahani等[13]提出的TOEP框架,本文从技术、组织、环境、进程4个方面确定创新活动驱动因素。其中,进程(Process)是计算机术语,表示调用数据资源和程序,可以与控制过程整合发挥具体应用功能,进而体现数智应用中协同数据、方法与管理的特点,在研究框架中代表数智要素应用程度。
1.2.2 数智赋能TOEP框架构建
(1)技术维度。互联网能够克服由空间距离导致的制造资源分割,推动生产效率提升,从而促进区域资源整合与协调利用[14]。由此产生的大数据分析可以减少运营过程中的信息交流障碍(Grover等,2018),通过数据挖掘为企业创新提供方向,强化企业对机会的判断,从而实现用户价值共创(蔡莉等,2019)。数智技术研发能够形成设备与信息相契合的要素组合,进而构成网络式产品价值链。因此,本文将技术研发人员与经费投入作为技术维度指标。
(2)组织维度。员工参与度是企业创新的内部驱动力,企业可以通过权力分享、薪资激励促进员工组织认同度提升(王海花等,2021)。组织变革有利于企业通过研发投资创造有利的外部条件,在快速开展技术创新的同时,适应技术对组织决策过程的影响(Tushman等,1986)。在改变产品组件连接方式的“架构”创新过程中,组织需要学习新知识,促使创新成果被现有企业接纳[15]。组织规模扩大有利于企业汇集知识与资源投入创新活动,而组织效益提升能够改变组织对前沿技术的观念和组织应对能力。由此,本文将两者作为组织维度指标。
(3)环境维度。硬件与网络是企业数字转型的必要组件,其连接性、兼容性和模块化水平能够体现企业在基础设施方面的数字化差异(Wamba等,2017)。工业4.0背景下,企业需要云计算、IoT等基础设施作为支撑,从而实现工艺稳定和产品定制化[16]。信息基础设施是影响数据应用的环境因素,有助于企业获得“数字红利”,进而加快信息流通速度、突破空间以及信息储存限制[17]。移动互联网和固网接入规模能够体现数字化支撑能力。
(4)进程维度。在数字平台运行过程中,主导平台发挥的正反馈网络效应可以帮助企业在早期取得成功。随后,企业需要利用网络资源扩大规模以应对新的竞争对手[18]。不同主体需要选择适合当前关系网络的技术与合作方式,并根据系统发展程度调整自身数字化转型策略[19]。创新是在以企业为主体的产业链和产业集群中产生的,这一过程中,赋能效应可为多元化生产提供基础,进而构建网络化、协同化创新生态系统[20]。由此可知,企业线上运营范围和交易活动程度可以作为进程维度指标。
在上述研究的基础上,本文采用演绎法和归纳法(Ketchen等,1993)对工业企业创新影响因素进行总结,以技术、组织、环境、进程4个维度作为前因组态条件,探究不同条件间的协同关系,揭示数智赋能对传统工业企业创新的影响路径,并构建理论框架如图1所示。
图1 基于TOEP的理论框架
Fig.1 Theoretical framework based on TOEP
本文采用模糊集定性比较分析方法(fsQCA)分析数智赋能传统工业企业创新路径,理由如下:第一,模糊集定性比较分析方法(fsQCA)采用布尔代数逻辑检验结果与自变量所有组合的关系,而非估计自变量的“净效应”(Henik,2015)。当因果关系既是多重又是共轭时,通过计算前因条件组合可以确定多种共时因果关系[21]。第二,fsQCA是不对称数据分析方法,相较于以对称关系为基础的回归分析方法,当因变量和自变量存在有差异的因果关系时,它能弥补回归分析方法的不足(Woodside,2014),其与聚类分析方法被看作是超越方差的方法,聚类强调相似性问题,而fsQCA可识别充分条件的不同配置[22]。第三,fsQCA适合观察随机但复杂的小样本(适用于10～100之间的样本)[23],是以多样性为导向的方法,能够回答如何通过配置理论识别可行路径的问题(Harms等,2009)。在不同路径均能实现预期目标的情况下,差异来自影响条件组合,基于决策者角度可依据已有资源,结合样本特征选择匹配路径(杜运周,贾良定,2017)。
数据获取与人工智能分析是数智化的基础。以自动化设备为基础,基于算法的数据挖掘能够帮助企业获得隐性知识,基于IFR数据库中工业机器人应用情况分析行业智能发展程度。区域发展缺乏一致性评价体系,参考刘军等[24]将高技术制造业R&D经费作为区域智能化基础投入指标的研究思路,Satish[25]认为,数字技术包括软硬件、系统工具、服务体系等。由此,本文将R&D经费和R&D人员作为技术维度指标,相关数据来自信息产业相关统计年鉴,具体包括体现数智软件发展的软件和信息技术服务业,以及代表数智硬件发展的电子及通讯设备制造业、计算机及办公设备制造业等。此外,本文将不同行业同指标数据进行合并。
从业人员数量增加能够促使产业链前伸与后延,形成完备知识体系,从而促进原创性突破出现。组织规模扩大可以吸引投资,使组织拥有更多可供选择的协作资源,进而促进行业标准体系构建。由此,本文选取信息产业细分行业合并的从业人员年均人数、营业收入为组织维度指标。信息化基础设施有利于数据传输的高效与安全,考虑到移动互联网和固网是两种主要数据传输方式,故本文将移动电话基站数和互联网宽带接入端口数作为环境维度指标。企业网站能够强化产品或服务获取的便捷性,有电子商务交易活动企业的比重增大有利于平台经济发展,带动上下游企业数字化转型,无人仓储、精准营销能够进一步扩大人工智能应用领域。由此,本文选取以上两个方面作为进程维度指标。
Von Briel等[26]认为,数字技术在网络中的核心地位能够引导资源流动,进而决定行动者拥有的资源类型及创新产出过程。结合张永安等[27]和曾卓骐等[28]的研究成果,本文将传统工业企业创新绩效分为投入与产出两个方面。在投入方面,引进与吸收外部技术虽然能够快速促使传统企业技术水平提升,但也可能出现引进后再落后的情况。新产品开发是企业将基础研究和技术进行转化的成果,故本文选择新产品开发经费支出作为资金投入指标。与高技术企业不同,传统企业中高学历研发人员占比处于劣势。为客观评价研发人员实际工作量,本文将R&D人员折合全时当量作为人员投入指标。在产出方面,外观设计专利、实用新型专利虽然能够评价知识转化程度,却难以测度技术进步,因而本文采用发明专利衡量突破性创新。新产品是技术创新与企业产品结构调整的耦合,其附加价值有助于企业盈利能力提升,故本文选择新产品销售收入评价创新成果的市场绩效。基于此,本文通过秩和比法(RSR)对上述指标进行计算,以此衡量传统工业企业创新绩效。指标具体名称与参考依据如表1所示。
表1 数智赋能传统工业企业创新指标体系
Table 1 Innovation indicator system of digital intelligence empowering the traditional industrial enterprises
变量维度要素统计指标参考依据条件变量技术维度技术研发人员投入研发人员(RADP)刘军等[24]Satish等[25]、Porter等[14]技术研发经费投入研发经费(RADE)组织维度组织效益营业收入(OPRE)林剑铬等[29]组织规模从业人员年平均人数(ANOE)杜传忠等[30]、Henderson等[15]环境维度移动互联网规模移动电话基站数(MPBS)周晓辉等[31]戴翔等[32]、Ghobakhloo等[16]固网接入规模互联网宽带接入端口数(IBAP)进程维度线上运营范围企业拥有的网站数(WOBTE)温珺等[33]线上交易活动有电子商务交易活动企业比重(PEEC)程广斌等[34]、Srinivasan等[18]结果变量传统工业企业创新绩效创新人员投入R&D人员折合全时当量(R&DPE)张永安等[27]Von Briel等[26]曾卓骐等[28]新产品开发投入新产品开发经费支出(EONP)新产品收益新产品销售收入(SRNP)技术突破发明专利(IP)
数据来源为《中国统计年鉴》《中国高技术产业统计年鉴》《中国电子信息产业统计年鉴》和CSMAR数据库。受限于统计年鉴数据可得性,本文数据样本为2016、2017、2019年行业数据。
本文选择秩和比法(RSR)评价结果变量,此方法可用来确定多指标综合水平,并根据RSR值进行排序。基于我国31个省级行政区数据,通过式(1)进行无量纲处理并计算RSR值,再将RSR值作为因变量进行回归分析,得到RSR临界值为0.216与0.777。据此,本文对31个省级区域传统工业企业创新绩效进行分类。其中,江苏、广东、浙江、山东、安徽为高效率组,海南、青海、宁夏、西藏为低效率组,其余为中效率组,结果如图2所示。
图2 结果变量秩和比排序
Fig.2 RSR sorting of result variables
R=1+(n-1)×[(X-Xmin)/(Xmax-Xmin)]
(1)
本文选取研究变量并校准锚定点,即以95%的完全隶属点(上四分位数)、50%交叉隶属点(中位数)以及5%的完全不隶属点(下四分位数)作为隶属阈值,运用fsQCA3.0软件将数据转换为隶属度在0～1之间的值。具体变量校准和描述性分析结果如表2所示。
表2 结果变量与条件变量校准
Table 2 Calibration of result variables and conditional variables
变量指标完全隶属交叉点完全不隶属结果变量INLE0.972 80.556 00.061 4条件变量RADP0.751 70.033 40.000 3RADE0.649 40.019 90.000 3OPRE0.840 60.062 20.001 2ANOE0.792 00.055 10.001 2MPBS0.836 60.290 80.006 0IBAP0.954 00.268 20.015 4WOBTE0.940 80.148 40.005 9PEEC0.858 80.349 50.008 5
在对影响因素真值表进行组态分析前,需要检验各前因条件的必要性。当某一前因条件一致性水平高于0.9时,则认为该条件是导致结果变量产生的必要条件。对前因条件进行一致性分析,未发现任一前因变量一致性水平达到0.9。由此表明,不存在必要前因变量,传统工业企业创新是技术、组织、环境、进程等多维度因素协同作用的结果,如表3所示。
表3 必要条件分析结果
Table 3 Analysis results of necessary conditions
前因条件一致率覆盖率RADP0.781 3130.909 378～RADP0.563 9810.454 943RADE0.773 8660.912 211～RADE0.566 6890.453 167OPRE0.744 7530.961 538～OPRE0.611 3740.461 656ANOE0.745 4300.963 255～ANOE0.619 4990.467 552MPBS0.829 3840.836 749～MPBS0.538 2530.485 941IBAP0.880 8400.837 734～IBAP0.488 8290.466 710WOBTE0.869 3300.953 229～WOBTE0.519 9730.438 106PEEC0.660 1220.670 103～PEEC0.635 7480.570 821
案例数量是特定组态进入布尔最小化计算的筛选标准,由于研究样本数量属于“小样本”,故本文将案例频数阈值设置为1,将原始一致性阈值设置为0.80,将PRI门槛值设置为0.70。在分析过程中会产生3种解,包括复杂解、中间解、简单解。依照已有研究,本文对中间解和简单解进行分析,31个省级区域数智赋能传统工业企业创新的前因组态如表4所示。由计算得到总体一致性0.97,总体覆盖度0.78,分析结果可信。
表4 数智赋能组态分析结果
Table 4 Configuration analysis results of digital intelligence empowerment
变量组态1组态2组态3组态4组态5RADP●●●RADE●●●OPRE●●●●ANOE●●●MPBS●●●IBAP●●●WOBTE●●●●PEEC●一致性0.970.980.970.980.97原始覆盖度0.620.330.420.360.36唯一覆盖度0.230.020.070.010.03总体一致性0.97总体覆盖度0.78
注：“●”表示核心条件,“●”表示边缘条件,“⊗”,“⊗”表示条件变量不出现,空格条件变量无关紧要,下同
(1)“技术—组织—环境—进程”组态(RADP*RADE*OPRE*ANOE*MPBS*IBAP*WOBTE)。以研发人员、研发经费、营业收入、移动电话基站数、企业拥有的网站数为核心条件,以从业人员年平均人数、互联网宽带接入端口数为边缘条件。该组态可解释62%的传统工业企业创新绩效案例,典型区域为广东、江苏、浙江、山东、福建、四川、湖北、安徽。
(2)“技术—组织”组态(RADP*RADE*OPRE*～ANOE*～MPBS*～IBAP*～WOBTE*～PEEC)。以研发人员、研发经费、营业收入为核心条件,以～从业人员年平均人数、～移动电话基站数、～互联网宽带接入端口数、～企业拥有的网站数、～有电子商务交易活动企业比重为边缘条件。该组态可解释33%的传统工业企业创新绩效案例,典型区域为天津。
(3)“环境—进程”组态(～RADP*～RADE*～OPRE*～ANOE*MPBS*IBAP*WOBTE*～PEEC)。以移动电话基站数、企业拥有的网站数为核心条件,以～研发人员、～研发经费、～营业收入、～从业人员年平均人数、互联网宽带接入端口数、～有电子商务交易活动比重为边缘条件。该组态可解释42%的创新绩效案例,典型区域为河北。
(4)“组织—环境—进程”组态,(～RADP*～RADE*OPRE*ANOE*MPBS*IBAP*WOBTE*～PEEC)。以营业收入、移动电话基站数、企业拥有的网站数为核心驱动条件,以～研发人员、～研发经费、从业人员年平均人数、互联网宽带接入端口数、～有电子商务活动企业比重为边缘条件。该组态可解释约36%的创新绩效案例,典型区域为江西。
(5)“技术组织—进程”组态,(RADP*RADE*OPRE*ANOE*～MPBS*～IBAP*WOBTE*PEEC)。以研发人员、研发经费、营业收入、企业拥有的网站数为核心驱动条件,以从业人员年平均人数、～移动电话基站数、～互联网宽带接入端口数、有电子商务交易活动企业比重为边缘条件。该组态可解释36%的创新绩效案例,典型区域为上海。
本文采用3种方法检验组态稳健性。首先,参考杜运周等(2017)的研究成果,将一致性阈值从0.8提升至0.85,将PRI门槛值由0.70调整到0.80,结果未发生明显变动。其次,参考简兆权等[35]的研究成果,使标准交叉点在正负25%之间变化,以探究组态分析结果的稳健性,选择90%、50%、10%和75%、50%、25%代替原校准值,结果未发生明显改变。再次,依据赵云辉等(2020)的研究成果,选择92%、47%、2%进行稳健性检验,以观察组态路径数量和参数是否发生改变。结果显示(见表5),组态路径数量和指标参数未发生明显变动。因此,组态具有较好的稳健性。
表5 稳健性检验结果
Table 5 Robustness test results
变量组态1组态2组态3组态4组态5RADP●●●RADE●●●OPRE●●●●ANOE●●●MPBS●●●IBAP●●●WOBTE●●●●PEEC●一致性0.970.990.981.000.97原始覆盖度0.650.290.360.300.34唯一覆盖度0.300.020.070.010.04总体一致性0.97总体覆盖度0.80
(1)“技术—组织—环境—进程”路径。此路径下,各维度要素具有较好的资源基础,能够发挥交互作用,进而形成多要素协同创新网络。技术与组织能够影响数字产业内部创新发展规模,通过与基础设施等外部环境匹配,促进数字技术资源整合。信息传输能力、大数据分析能力可以加快技术与组织演化进程,促使数字技术跨越组织边界,帮助企业在信息服务与硬件制造方面创造竞争优势,进而营造有利于传统工业企业创新生态环境,推动技术创新模式构建,加快传统工业企业升级。数智技术的开放性、网络化能够通过技术与组织协同、环境资源匹配、迭代升级推动传统工业企业创新。
(2)“技术—组织”路径。此路径下,数智技术与组织发挥协同作用,共同促进传统工业企业创新。数智化有助于区域企业获得生产和市场优势,对用户信息的及时反馈可以减少企业产品决策失误,优化生产工艺与方法以满足顾客需求,进而提高产品标准化水平。此外,组织规模扩大可为企业提供更为全面的技术支持,数智技术应用范围扩展能够促进隐性知识溢出,从而为企业共性技术突破提供支撑。技术引入会改变传统工业企业工作方式与业务流程,企业能够通过建立跨职能协作机制,充分发挥数智技术优势,同步开展技术创新与组织创新以获得潜在收益。
(3)“环境—进程”路径。此路径意味着开展创新活动需要环境与进程因素间存在联动匹配机制。技术驱动可通过研发投入实现技术创新产业化,拓展细分市场。对于企业而言,技术驱动具有较高的不确定性,只有当传统工业企业拥有稳定的创新投入时才能规避风险。需求驱动在初期能够帮助企业分析用户核心需求,依靠较为成熟的生产技术生产满足市场需求的产品以获得用户认同,并借助基础设施迅速扩大市场规模,构建“产品—服务”系统,将产品创新进程与服务化相融合,以“数智服务+基础设施”实现服务创新。
(4)“组织—环境—进程”路径。在传统工业企业创新过程中,“环境—进程”模式通过组织协同得以强化。组织变革有助于“需求驱动”的效果提升,扁平化组织结构能够减少企业间知识扩散阻力,组织流程优化有利于企业实施数字化转型。借助物联网,企业将产品与服务系统集成,由批量生产向个性化设计转化。数字平台有助于企业构建以网络为基础的数字生态系统,通过互补性合作关系实现资源共享与协同创新。平台大数据分析能够帮助企业精准制定价格,选择合适的营销策略提升用户粘性。组织变革有利于企业快速适应环境变化,同时环境变化也会促使企业重新配置资源,由此形成互动机制助推传统工业企业创新。
(5)“技术—组织—进程”路径。此路径意味着在技术层面突破企业空间界限,将产品与服务有机结合,需求导向的组织变革可以激发员工的主动性与创造力。数字平台能够帮助企业实现组织变革,通过建立合作伙伴关系实现资源共享。数字化转型与市场开拓有助于新的组织模式生成,技术可以推动组织变革与数智应用能力相融合,从而促进传统工业企业创新绩效提升。
(1)组态1代表地区为广东、江苏、浙江、山东、福建、四川、湖北、安徽。其中,广东、江苏、浙江、山东、福建位于我国东部沿海地区,四川、湖北、安徽为长江经济带上中下游的重要支点。沿海地区市场机制较为完善,出口贸易比重较大,与全球制造产业链联系紧密,纺织、服装等传统产业聚集度较高。截至2020年,广州、深圳、济南、无锡和昆山拥有的国家级超算中心占全国国家级超算中心的半数以上,可为工业互联网提供算力支撑和复杂系统优化方案;广东、浙江和江苏是电子商务较早发展地区,企业数量占全国的比重超过1/3。2023年上半年,在5G基站数量方面,全国排名顺次为广东、江苏、浙江、山东。超算能力和基础设施能够推动“超算+工业互联网”模式发展,进而构建区域产业生态系统,通过数智技术赋能形成“狮岭箱包”的平台化制造、“揭阳注塑”的中央工厂模式,从而促进传统制造企业协同创新。比亚迪、小鹏、宁德时代将车联网、自动驾驶等数智技术应用于新能源汽车制造,改变了传统汽车市场格局。依据路径案例样本和RSR结果变量进行排序,选取具有代表性的路径1绘制案例散点图,分布情况见图3。
图3 组态1路径区域案例散点分布
Fig.3 Case scatter plot distribution of the path area in Configuration 1
(2)组态2代表地区为天津。天津在数智技术方面拥有较完备的基础,众多科研院所可为研发与创新提供理论支撑,信息化软硬件实现国产化有助于供应链韧性强化。天津于2009年成立了首家国家超算中心,天河系列可为科研、电子政务和企业云服务提供算力支持。基于高校与职业学院的技术研发优势,天津成立了工业机器人、无人驾驶方面的产教融合联盟,国产操作系统麒麟软件和飞腾芯片能够增强企业在数字化过程的自主性。同时,天津在软件信息服务规模和港口智能化方面具有优势,2017—2021年软件产业增长1 282亿元,并将5G、北斗导航与传感器集成应用于港口管理。天津空港型国家物流枢纽依托自由贸易试验区能够发挥港口集散、航空运输与生产服务物流功能。由此,天津借助信息产业技术和组织优势,形成“技术—组织”赋能传统工业企业创新组态。
(3)组态3代表地区为河北。河北拥有河钢集团、敬业集团等在全国具有影响力的企业,2016年装备制造业增加值超过钢铁产业,逐步改变以高污染、高能耗的金属制造业为主的发展模式。为促进传统工业企业数字化转型,河北通过“IPv6规模部署”解决IPv4网址少、服务能力有限等问题,降低企业网络搭建与运营成本,为工业互联网、智慧城市、高效营商管理营造良好的网络环境。沧州海兴电站将新一代信息技术应用于巡检、维检、安防,构建智能化电力控制体系。河北电子商务保持高于全国平均水平的发展速度,以零售为主的经营方式吸引大量中小企业加入,“众购”“亿购”“全国购”“全球购”等跨境购物平台带动产品设计、物流运输相关产业发展,通过拉动产品消费升级促进传统工业企业转型。
(4)组态4代表地区为江西。江西位于中部地区,拥有较为丰富的矿藏资源,劳动密集型产业在经济发展中占比较大。在数字化基础设施方面,2017—2021年江西省互联网宽带接入用户增加了703.1万户,增长率达到70.5%。江西通过推动数字核心产业发展,涌现出众拓制衣、永冠科技等智能化企业,工业互联网平台已扩展到纺织服装、有色金属加工等传统工业企业。
(5)组态5代表地区为上海。在数字经济产业规模、人才资源、行业前沿技术和产业生态环境等方面,上海拥有明显优势。2020年,上海数字经济规模超过2万亿元,拥有众多高等院校、科研院所和研究机构。注重使用商用密码的静安区国家区块链创新应用试点有利于高端人才聚集,上海微电子装备、百度飞桨(上海)等数字技术领先企业在区域人工智能、芯片制造规模化方面发挥推动作用。在先进数字技术应用和数智服务的影响下,上海培育龙头企业采用上下游协同的“工赋链主”模式,推动传统工业企业转型,形成“技术—组织—进程”赋能传统工业企业创新路径。
通过实证研究发现,组态路径的前因条件间存在替代关系。其中,组态路径1、2和5之间,以及组态路径1、3和4之间存在交互替代关系,具体分析如下:
(1)组态路径1、2和5之间存在研发人员、研发经费、营业收入等共有核心要素,实现技术与组织协同。在创新人员和经费投入的基础上,需要兼顾数智化经营模式下的组织效益,加快技术驱动的赋能过程。然而,仅具有技术与组织优势,企业难以将技术转化为市场价值。此时,企业不仅可以通过组织规模扩张,以电子商务运营替代线上交易,突破创新瓶颈,而且能够以网络基础设施弥补创新要素的不足,推动以技术为主导的线性创新逐步向系统性组合创新转变,形成整体数智化要素匹配,如图4所示。
图4 组态1、2、5替代关系 图5 组态1、3、4替代关系
Fig. 4 Substitutive relationship among Configuration 1, 2, and 5 Fig. 5 Substitutive relationship among Configuration 1, 3, and 4
(2)组态路径1、3和4之间存在移动电话基站数、互联网宽带接入端口数、企业拥有网站数等共有核心要素,实现环境与进程协同。完善的移动通讯和固网连接基础设施有助于企业发展线上业务,加快需求驱动的赋能过程。然而,仅具有环境与市场优势,企业可能面临技术壁垒和无法形成规模经济的困境,故可以优先考虑通过扩大从业人员规模和增加营业收入克服技术突破能力不足的缺陷,以期构建兼具技术先进性与组织适应性、进程效率与资源优化并重的创新体系,进而实现数智深度赋能传统工业企业,如图5所示。
为厘清数智赋能传统工业企业创新内在机理,本文采用我国31个省级行政区统计数据,基于TOEP框架从组态视角分析不同要素的协同作用,得到以下结论:
(1)TOEP框架下,前因变量发挥协同作用。数智赋能通过5个组态路径提升传统工业企业创新绩效,具体为“技术—组织—环境—进程”“技术—组织”“环境—进程”“组织—环境—进程”和“技术—组织—进程”。在具体维度分析中,技术发挥主导作用,在包含技术维度的组态1、2、5中,两个前因变量均为核心条件,这与现有研究观点一致。然而,组态分析结果表明,技术在发挥作用时必须与其它维度结合。环境维度的两个前因变量存在明显差异,相较于互联网宽带接入端口数,移动电话基站数的作用更显著。由此表明,移动互联网的作用更为重要。
(2)基于资源优势构建区域发展模式。“技术—组织—环境—进程”路径中,在创新绩效排序方面,江苏、广东、浙江、山东和安徽位列前5,区域传统工业企业创新表现出服务和制造融合、跨越企业边界的特点。“技术—组织”“技术—组织—进程”组态的典型样本是天津和上海,它们分别是环渤海经济圈核心城市和长三角经济圈中心城市,在数字技术人才资源和产业生态环境方面拥有显著优势,依靠前沿技术和规模优势,形成了以“技术—组织”为主要驱动因素的赋能路径。“环境—进程”“组织—环境—进程”组态的典型样本是河北和江西,进程在该路径中发挥显著作用,数智化应用有助于市场需求增加,从而降低传统产业数字化转型壁垒。以“环境—进程”为基础的路径通过发挥网络高效传输和资源集成作用,推动商业模式创新,从而促进传统工业企业服务创新。
(3)“殊途同归”路径发展过程。组态1“技术—组织—环境—进程”(4个维度协同)的典型样本占比为66.7%,是占比最高的路径,广东等5个高效率组样本均选择此路径。其余路径的典型样本均在中效率组,未实现4个维度协同,但并不意味着组态1无法实现。实证研究表明,可以采用以下两种方式从中效率路径转换到高效率路径:一是将“进程”与“技术—组织”结合,通过技术应用增加产品服务,进而带动基础设施发展,由此形成组态路径1;二是实现“环境—进程”与“组织”协同,在产业规模、基础设施和市场支持下实现技术突破,最终形成“殊途同归”的路径。
(1)以传统工业企业为研究对象,提出数智赋能路径组合。避免将赋能视为工业企业共性规律进行分析,进一步探究赋能过程中的影响因素在不同区域传统工业企业的作用差异。此外,将数智技术包含的软件服务与硬件制造方面的影响因素同类指标进行了合并。
(2)揭示了数智赋能维度间的互补性。“技术—组织”和“环境—进程”涉及TOEP框架的不同维度组合,能够体现维度组合的非对称性。组态差异说明,传统工业企业转型可以通过不同途径实现,区域要素优势是决定其赋能路径的关键,技术研发与组织规模有助于传统工业企业获得创新资源,良好的基础设施与网站服务有利于企业了解顾客需求。随着其它前因要素加入,赋能路径的资源协同作用得以加强。
(3)明确进程维度在赋能过程中的重要作用。TOE是分析企业创新影响因素的经典框架,但现有相关研究并未重视其作用。本文引入符合数智应用特点的进程维度,结果发现,进程维度的前因变量在1、3、4、5路径中作为核心条件出现,且1、3、4路径中包含“环境—进程”组合。由此可知,随着数智应用程度提升,传统产业链通过前伸和后延形成新的产品与服务,以人工智能为基础的自主解决方案使定制化成为可能,智能物流能够提升线上销售与生产过程融合程度,从而改变传统工业企业生产方式。
(1)根据区域资源选择赋能政策。当区域数智赋能受到资源限制时,可采用双维度协同发展模式创造新的市场机会,随着能力提升逐渐投入其它资源,根据已有优势选择与区域传统工业企业相匹配的路径。区域政策制定不仅需要关注传统工业企业制造方式变革,而且应借助技术溢出效应促进市场与产业结构重构,增加产业链上下游企业产品附加值,从而对技术、人才和资源进行重新配置。在选择赋能路径时,地方政府可以将近期目标与战略规划相结合,根据区域发展情况逐步增加要素投入。
(2)形成差异化区域赋能优势。广东、江苏、浙江和山东RSR排序位于高效率组,在东部典型样本中的占比为50%,中部典型样本中仅安徽位于高效率组(占比为33%),西部典型样本中仅四川位于中效率组。显而易见,东部地区已形成不同维度协同的产业生态,其赋能效果优于中西部地区。在工业互联网应用和硬件制造方面,东部地区处于领先地位,相对于其它产业,信息产品产业“赢者全得”(winner-take-all)的情况更为明显,东部地区的赋能带动作用可能被弱化。选择差异化发展路径是中西部地区获取后发优势的关键,故中西部地区应将优惠政策与自身人才、产业优势相结合,选择互补性路径以实现传统工业企业数字化转型。
(3)以新业态促进传统工业企业创新。由进程维度的影响可知,在为顾客服务过程中,新业态能够通过数智技术应用获得数字资源,利用人工智能精准定位顾客需求,同时通过无图纸虚拟制造将机械化生产转变为自动化生产,使批量生产能力与定制化设计相结合。由此,将改变传统工业企业利用规模优势进行低价竞争的模式,避免产能过剩,进而摆脱市场份额较高但盈利能力有限的困境。新业态的聚集效应能够促使知识和人才结构更新,进而促进技术突破和商业模式创新。
本文对数智赋能传统工业企业路径进行探究,揭示了路径影响因素的组态效应,但存在以下不足:研究框架维度指标的有效性和普适性需进一步验证。非典型样本区域未能给出有效因素组合,还需通过实地调研方式获得传统工业企业发展数据,基于更加全面的视角分析区域数智化优势及赋能方向。此外,传统工业企业创新包括多个方面,受数据可获得性的限制,本研究未对创新类型进行细分。未来可尝试从价值链或商业模式创新方面,对传统工业企业发展路径进行深入研究。
[1] NAMBISAN S,LYYTINEN K,MAJCHRZAK A,et al.Digital innovation management[J].MIS Quarterly,2017,41(1):223-238.
[2] MARIANI M M,MACHADO I,MAGRELLI V,et al.Artificial intelligence in innovation research:a systematic review,conceptual framework,and future research directions[J].Technovation,2022,3(122):102623.
[3] 刘庆龄,曾立.数字技术推动高质量发展的机理与策略研究[J].科技进步与对策,2023,40(12):12-22.
[4] YOO Y,HENFRIDSSON O,LYYTINEN K.Research commentary——the new organizing logic of digital innovation:an agenda for information systems research[J].Information Systems Research,2010,21(4):724-735.
[5] ANDERSON N,DE DREU C K W,NIJSTAD B A.The routinization of innovation research:a constructively critical review of the state-of-the-science[J].Journal of organizational Behavior,2004,25(2):147-173.
[6] WIMELIUS H, MATHIASSEN L, HOLMSTRÖM J, et al. A paradoxical perspective on technology renewal in digital transformation[J]. Information Systems Journal, 2021, 31(1): 198-225.
[7] CLASSEN M,FRIEDLI T.Eight organizational enablers of digital service-sales ambidexterity in industrial firms[J].Journal of Business&Industrial Marketing,2022,37(11):2142-2155.
[8] 武建龙,鲍萌萌,陈劲,等.产业联盟创新生态系统升级路径研究[J].科研管理,2022,43(9):20-31.
[9] DEMIL B, LECOCQ X, RICART J E, et al. Introduction to the SEJ special issue on business models: business models within the domain of strategic entrepreneurship[J]. Strategic Entrepreneurship Journal, 2015, 9(1): 1-11.
[10] 江积海,王烽权.O2O商业模式的创新路径及其演进机理——品胜公司平台化转型案例研究[J].管理评论,2017,29(9):249-261.
[11] KOTTEMANN J E, BOYER-WRIGHT K M. Human resource development, domains of information technology use, and levels of economic prosperity[J]. Information Technology for Development, 2009, 15(1): 32-42.
[12] MCLEOD L, DOOLIN B. Information systems development as situated socio-technical change: a process approach[J]. European Journal of Information Systems, 2012, 21(2): 176-191.
[13] ALI AHANI,NOR ZAIRAH A B RAHIM,MEHRBAKHSH NILASHI.Forecasting social CRM adoption in SMEs:a combined SEM-neural network method[J].Computers in Human Behavior,2017,75:560-578.
[14] PORTER M E,HEPPELMANN J E.How smart,connected products are transforming competition[J].Harvard business Review,2014,92(11):64-88.
[15] HENDERSON R M,CLARK K B.Architectural innovation:the reconfiguration of existing product technologies and the failure of established firms[J].Administrative Science Quarterly,1990,34(1):9-30.
[16] GHOBAKHLOO M.Industry 4.0,digitization,and opportunities for sustainability[J].Journal of Cleaner Production,2020,10(252):119869.
[17] 张邦辉,万秋兰,吴健.在线政务服务的营商环境优化效应探析——“数字红利”与“数字鸿沟”[J].中国行政管理,2021,37(4):70-75.
[18] SRINIVASAN A,VENKATRAMAN N.Entrepreneurship in digital platforms:a network-centric view[J].Strategic Entrepreneurship Journal,2018,12(1):54-71.
[19] 王梦菲,张昕蔚.数字经济时代技术变革对生产过程的影响机制研究[J].经济学家,2020,32(1):52-58.
[20] ADNER R.Match your innovation strategy to your innovation ecosystem[J].Harvard Business Review,2006,84(4):98.
[21] WOODSIDE A G. Responding to the severe limitations of cross-sectional surveys: commenting on Rong and Wilkinson's perspectives[J]. Australasian Marketing Journal, 2011, 19(3): 153-156.
[22] GRECKHAMER T, FURNARI S, FISS P C, et al. Studying configurations with qualitative comparative analysis: best practices in strategy and organization research[J]. Strategic Organization, 2018, 16(4): 482-495.
[23] 张明,蓝海林,陈伟宏,等.殊途同归不同效:战略变革前因组态及其绩效研究[J].管理世界,2020,36(9):168-186.
[24] 刘军,曹雅茹,鲍怡发,等.制造业智能化对收入差距的影响研究[J].中国软科学,2021,36(3):43-52.
[25] NAMBISAN S. Digital entrepreneurship: toward a digital technology perspective of entrepreneurship[J]. Entrepreneurship Theory and Practice, 2017, 41(6): 1029-1055.
[26] VON BRIEL F,DAVIDSSON P,RECKER J.Digital technologies as external enablers of new venture creation in the IT hardware sector[J]. Entrepreneurship Theory and Practice, 2018, 42(1):47-69.
[27] 张永安,鲁明明.高技术制造业创新效率评价及要素投入差异性研究[J].科技进步与对策,2019,36(16):51-57.
[28] 曾卓骐,王跃.战略性新兴产业上市公司动态创新效率测度及其影响因素研究——基于两阶段DSBM模型与Tobit模型[J].科技进步与对策,2022,39(21):65-74.
[29] 林剑铬,夏丽丽,蔡润林,等.中国高新技术产业开发区的知识基础及其创新效应——基于国家级高新区上市企业的研究[J].地理研究,2021,40(2):387-401.
[30] 杜传忠,王鑫,刘忠京.制造业与生产性服务业耦合协同能提高经济圈竞争力吗——基于京津冀与长三角两大经济圈的比较[J].产业经济研究,2013,67(6):19-28.
[31] 周晓辉,刘莹莹,彭留英.数字经济发展与绿色全要素生产率提高[J].上海经济研究,2021,38(12):51-63.
[32] 戴翔,马皓巍.数字化转型、出口增长与低加成率陷阱[J].中国工业经济,2023,40(5):61-79.
[33] 温珺,阎志军,程愚.数字经济驱动创新效应研究——基于省际面板数据的回归[J].经济体制改革,2020,38(3):31-38.
[34] 程广斌,李莹.基于技术—经济范式的数字经济发展水平测度与区域差异研究[J].工业技术经济,2022,41(6):35-43.
[35] 简兆权,刘念,黄如意.动态能力、企业规模与双元创新关系研究——基于fsQCA方法的实证分析[J].科技进步与对策,2020,37(19):77-86.