0 引言
中共二十大报告明确提出,“高质量发展是全面建设社会主义现代化国家的首要任务”。数字化创新能够突破创新主体、过程和产出边界,促进原有生产要素优化重组,优化产品、服务、流程等,成为企业培育新动能的重要引擎[1-3]。智能制造企业是现代产业体系的重要环节,也是经济高质量发展的重要载体。如何通过数字化创新促进智能制造企业高质量发展成为我国亟需解决的重要问题。
区别于传统创新,数字化创新具有新特征。首先,数字化资源能够在虚拟空间无限重组且易于与物理组件组合,进而形成产品、服务、流程等重组式创新[4-6]。其次,数字经济时代,用户成为价值创造主体[7-8]。基于数字技术应用和数据驱动,数字化创新能够突破企业边界,影响资源整合和配置效率,进而对企业高质量发展产生影响。据此,本文研究问题如下:数字化创新对智能制造企业高质量发展有何影响?使用重组和设计重组两类数字化创新的影响效应是否相同?其作用机制是什么?企业边界重塑在数字化创新与智能制造企业高质量发展间发挥何种作用?
现有数字化创新与企业高质量发展研究大多以数字技术应用为焦点[9-11],未深入探讨数字化情境下用户参与的影响效应。同时,相关文献主要关注经营成本、资源配置效率及创新投入的作用机制,企业边界重塑的作用机制尚未明晰。因此,本文以2012—2021年智能制造上市公司为样本,借助IPC分类号识别出样本企业数字化创新专利数据,并利用基于深度学习的文本分类模型将其划分为设计重组和使用重组两个维度,考察二者对智能制造企业高质量发展的影响,探讨企业边界重塑在数字化创新与智能制造企业高质量发展间的中介效应,进一步揭示行业技术变化速度、市场化水平差异在数字化创新与智能制造企业高质量发展间的异质性影响。
本文可能的边际贡献如下:①突破以往文献局限,从重组视角出发,考察企业数字化创新的影响,为数字化创新相关研究提供理论支撑;②利用基于深度学习的文本分类模型将数字化创新专利细分为设计重组和使用重组,进一步探讨企业数字化创新活动,为数字化创新研究提供新视角;③基于企业边界视角,考察企业纵向边界、横向边界变化在数字化创新与智能制造企业高质量发展间的作用,为数字化创新与智能制造企业高质量发展研究提供新思路。
1 文献综述
1.1 重组视角下数字化创新内涵及维度
由于数据具有同质性、可重编程性等特征,数字资源之间、数字资源与物理产品可以进行重新整合和使用[12]。多主体、无边界组合式创新是数字化创新常见的表现形式[6]。数字经济时代,数字化资源成为企业主要资源,创新主体不再局限于企业家,顾客、供应商、经销商等利益相关者均可开展价值创造活动。数字化创新是指不同主体对数字化资源进行重新组合的活动,由此生成新的产品、服务、流程、商业模式等[4]。
数字技术赋能有助于用户参与创新,用户是数字化创新的重要参与者[7-8]。企业通过数字平台连接用户,放宽了以往普通用户因缺乏专业知识无法参与创新的限制,用户参与群体得以扩大[13-14]。同时,用户参与创新方式日益便捷化和多样化,虚拟用户环境是用户参与研发创新的重要途径。用户甚至不需要具备主动参与意愿,其使用行为过程中自动生成的海量数据就能够影响企业决策(肖静华等,2020)。
基于此,本文聚焦供需两侧将数字化创新划分为设计重组和使用重组两个维度[8]。其中,设计重组是指企业通过整合数字化资源为用户提供新产品、服务等。例如,云从科技公司围绕人机协作操作系统整合多个技术领域,生产出如 “3D人体技术”等人工智能产品(王雪原和黄佳赛,2022)。微软OneDrive、Word等产品协同可为用户提供价值实现路径。设计重组以企业为创新主体,企业具有知识、经验和技术,能够高效将产品设计转化为市场供给。
使用重组的参与主体一般为用户,主要表现为用户对数字化资源进行重组以实现不同目的的过程。使用重组可以进一步划分为用户直接参与创新与用户数据化间接参与。一方面,用户可以通过开源社区、用户社群等数字平台直接创造价值。例如,用户可以通过在GitHub平台上搜寻、使用其它开源代码制定专属解决方案。索菲亚公司的用户凭借DIY Home创新工具箱自主选择家居样式、材料、设计等,直接参与场景创造实践(谢康等,2023)。另一方面,数字技术能够将用户需求和行为转化为海量数据。基于消费大数据,企业可以精准预测市场需求;基于行为数据,企业可以根据用户动态需求变化进行迭代创新。此外,普通用户可以通过数据间接参与创新。例如,根据用户浏览网站的行为特点,悠易广告公司实现广告投放“千人千面”。使用重组不仅能够缩短企业设计研发周期,实现供需匹配,而且可以在一定程度上产生规模经济效应和网络效应[8]。
1.2 数字化创新对企业高质量发展的影响效应
现有数字化创新与企业高质量发展关系研究主要基于数字技术专利数据或通过构建文本词典对企业年报进行文本挖掘,采用全要素生产率衡量企业高质量发展,得出数字化创新能够促进企业高质量发展,主要存在以下传导路径:一是成本费用渠道。数字技术通过降本增效、缓解融资约束促进企业绩效增长[10-11]。二是创新投入渠道。数字化建设有助于企业增加研发投入与有效发明专利数,进而促进企业全要素生产率提高(黄键斌等,2022;张树山等,2021)。三是资源配置效率渠道。数字化创新通过缓解信息不对称促使企业与其他主体合作,进而提高资源配置效率,助力企业高质量发展[15-16]。
现有相关研究存在以下不足:一是将企业视为数字化创新的单一主体,未将用户与数字化创新联系起来,对用户参与创新所发挥的效应探讨不足。二是企业边界重塑是数字化创新的产物,现有文献揭示了数字化创新情景下企业边界拓展过程[17],尚未探讨企业边界变化情况及其对企业高质量发展的影响。
2 理论分析与研究假设
2.1 数字化创新对智能制造企业高质量发展的影响
新一代信息技术背景下,本文从设计重组和使用重组两个方面探讨数字化创新对智能制造企业高质量发展的影响。
从供给侧看,设计重组是指企业通过整合数字化资源为用户提供新产品、新服务等,进而促进智能制造企业高质量发展。首先,企业借助数字技术获取、共享和重组资源,通过资源动态迭代提高产品数量和质量。其次,数字技术与传统生产工具相结合有助于企业实现生产流程可视化和透明化[3],突破不同部门间的限制,优化信息传播机制并降低管理成本,从而促进企业全要素生产率提升(权小锋和李闯,2022)。此外,数字技术有助于智能制造企业实现数据资源化和资源数据化,通过提取、整合数据中的有效信息促进信息、数据和生产要素协同(刘艳霞,2022;Wu et al,2023),优化业务流程并提升资源配置效率,从而实现高质量发展[16]。
从需求侧看,使用重组是指用户基于自身用法和目的,主动选择产品资源并结合其它资源进行重组,主要方式包括直接参与创造价值和数据化间接参与创造价值。首先,用户可以通过用户社区、数字创客空间、数字创新平台等渠道参与创新过程(Di Gangi &Wasko,2009;Flath et al,2017),为企业提供源源不断的创意,从而提升企业竞争力。同时,用户参与创新产生的网络效应能够促进企业价值创造水平提升[18],进一步推动企业高质量发展。其次,用户与产品、企业交互过程中生成的数据能够帮助企业感知市场变化,优化产品研发迭代、精准营销等业务流程(张海丽等,2022;Liu et al,2021),助力企业实现供给需求匹配,进而提高生产效率。此外,用户由价值接受者转变为价值定义者,促使企业价值创造逻辑从创造产品价值转向创造用户价值,从满足用户需求转向挖掘用户潜在需求。上述转变有助于企业开辟新的效益增长点(李树文等,2023)。基于此,本文提出以下假设:
H1:数字化创新能够促进智能制造企业高质量发展。
H1a:设计重组能够促进智能制造企业高质量发展;
H1b:使用重组能够促进智能制造企业高质量发展。
2.2 企业边界重塑的中介作用
数字技术能够实现物物互联和人人交互,企业边界逐渐呈现虚拟化、开放性和动态性特征(张树含,李晓翔,2023)。本文中的企业边界主要包括纵向边界和横向边界:纵向边界是企业在价值链中的活动范围,取决于内部管理成本与外部交易成本的平衡(Coase,1937);横向边界体现为企业产品规模、种类和业务范围,是边际成本和边际收益平衡的结果(李海舰和原磊,2005)。
2.2.1 企业纵向边界重塑的中介作用
设计重组可以通过影响生产成本缩小企业纵向边界。一方面,设计重组能够有效降低企业外部交易成本。数字技术能够加速企业间信息资源流动,促使上下游企业生产要素价格、资信水平等指标透明化,进而降低企业对外合作的搜寻成本、谈判成本和监督成本[17]。另一方面,数字孪生技术赋能企业虚拟化生产研发过程,能够降低不必要的成本支出,但生产设备更新换代、劳动力结构升级会带来企业运营成本上升[10],二者相互抵消。也就是说,企业内部管控成本可能不会显著降低。因此,设计重组主要通过降低外部交易成本抑制企业纵向边界扩张[17]。
使用重组能够影响企业纵向边界收缩。用户需求逐渐呈现差异化、个性化和多元化趋势,进而倒逼企业供给水平和效率提升。然而,由于自身资源有限,面对用户的创新想法,企业不得不采取众包方式交给最合适的企业完成(安同良和闻锐,2022),由此导致企业纵向边界缩小。
企业纵向边界缩小意味着企业生产专业化,有助于企业通过聚焦特定生产环节积累研发知识和用户数据以提高生产效率(戴魁早,2013),并通过培育自身产品的比较优势提升市场竞争力[17]。此外,生产专业化意味着企业可以通过协调、利用和整合外部资源,借助数据化模型选择最优资源组合,进而强化市场应对能力(陈玲等,2023)。基于此,本文提出以下假设:
H2:数字化创新通过缩小企业纵向边界促进智能制造企业高质量发展。
H2a:设计重组通过缩小企业纵向边界促进智能制造企业高质量发展;
H2b:使用重组通过缩小企业纵向边界促进智能制造企业高质量发展。
2.2.2 企业横向边界重塑的中介作用
设计重组有助于企业拓展横向边界。首先,数字化创新有助于企业实现资源数据化和数据资源化,突破信息流动限制,为企业提供跨界融合条件。袁胜超(2022)发现,数字化应用能够降低不同主体沟通、交流成本,有助于企业吸收互补性知识,进而开发不同类型产品。其次,区别于传统实体要素,数据要素具有非竞争性以及转移成本和边际生产成本几乎为零的特点,能够参与产品生产过程,降低不同主体应用数据要素的门槛(姜奇平等,2023),进而促使企业边界横向扩展。曹鑫等(2022)研究发现,互联互通智能设备有助于企业扩大产品规模,进而拓展企业横向边界。
使用重组有助于企业拓展横向边界。一方面,数字平台能够连接企业与用户,促进二者互动,由此增强企业差异化竞争优势,促使企业边界横向扩展(谢雨鸣和邵云飞,2016;陈玲等,2023)。同时,用户网络效应能够拓展企业合作空间,进而促使企业横向边界拓展(杨蕙馨和吴炜峰,2009)。另一方面,数字经济时代,获取用户数据成为企业竞争战略,驱使企业突破边界争夺用户资源(于畅和李佳雯,2021)。例如,以手机为核心产品的小米公司通过构建电子商务网络平台、云服务平台等将业务范围延伸至智能家居领域,构建以用户为价值中心的生态链(冯文娜,2019)。
横向拓展企业边界意味着企业跨界进入新市场并开展多元化经营,有利于企业构建跨界生态系统。一方面,企业通过构建基于合作伙伴的运营信息与战略信息共享渠道,提升资源利用率及运营绩效(苏钟海等,2020;Karimi &Rivard,2019);另一方面,企业可以利用信息共享实现范围经济,从而促进自身高质量发展(王倩和柳卸林,2023)。基于此,本文提出以下假设:
H3:数字化创新能够有效扩展企业横向边界,从而促进智能制造企业高质量发展。
H3a:设计重组能够有效扩展企业横向边界,从而促进智能制造企业高质量发展;
H3b:使用重组能够有效扩展企业横向边界,从而促进智能制造企业高质量发展。
3 研究设计
3.1 样本选取与数据来源
本文主要选择智能制造上市公司探讨数字化创新对其高质量发展的影响,原因如下:第一,智能制造是新型生产方式,其本质是依托数字技术进行精准、高效供需匹配,实现个性化生产(戚聿东和徐凯歌,2020;Zheng et al,2020)。用户价值、个性化需求得到企业重视,用户甚至可以参与企业全价值链环节,这为研究使用重组提供了机会窗口。第二,智能产品的根本特征为智能连接性,由此产生的海量数据能够促使企业边界扩张,与本文研究问题高度契合(曹鑫等,2022)。第三,智能制造是我国制造业转型升级的主攻方向,智能制造企业对于巩固实体经济根基具有重要作用。
考虑到数据可得性,参考李忠顺(2022)的智能制造企业具体名单,本文整合并剔除重复数据后共得到3 542家企业样本。首先,将其与A股上市公司名单进行匹配,筛选出上市公司,得到667家样本企业;其次,剔除ST、ST*、数据缺失严重、2021年及以后上市公司样本,由此获得2012—2021年278家智能制造上市公司数据。
企业财务数据与智能制造企业高质量发展基础测量数据来源于万德(WIND)数据库、国泰安(CSMAR)数据库。数字化创新相关专利数据来自壹专利网站,主要包括公开号、专利标题、摘要、专利类型、申请日、公开日、申请人(原始)、发明人、IPC分类号等信息。
3.2 指标选取与变量说明
3.2.1 被解释变量
本文被解释变量为企业高质量发展。全要素生产率能够反映企业管理模式优化、结构升级情况,是检验高质量发展的核心指标(王一鸣,2020)。因此,本文采用全要素生产率衡量智能制造企业高质量发展水平,常见全要素生产率测度方法主要有Olley-Pakes(OP)方法、Levinsohn-Petrin(LP)方法、最小二乘法(OLS)等。考虑到同时性偏差和样本选择性偏差,参考鲁晓东和连玉君(2012)的做法,本文采用OP法进行主回归模型检验,采用LP法进行稳健性检验。
3.2.2 核心解释变量
本文核心解释变量为数字化创新。数字技术既是数字化创新活动的结果,也是推动数字化创新的动力[19-20]。专利数据不仅能够反映技术应用情况,而且是衡量企业创新的关键指标。部分学者尝试采用数字技术专利衡量数字化创新[21-22],为本研究提供了参考。基于此,本文采用数字技术相关专利对数字化创新的两个维度指标(设计重组和使用重组)进行测量,具体方法如下:
(1)确定数字化创新专利。参考黄先海和王瀚迪(2021)、陶锋等[19]的研究成果,国际专利分类号(IPC)包含数字化创新活动信息,而IPC中的小类(前4位数)可以看作为一个知识元素(Rosenkopf &Nerkar,2001;曾德明和周涛,2015)。因此,本文基于IPC层面构建相对科学的数字化创新指标。依据国家知识产权局发布的《战略性新兴产业分类与国际专利分类参照关系表(2021)》中新一代信息技术产业和智能制造装备产业涉及的主要IPC小类,本文将样本企业发明专利和实用新型专利识别为数字化创新专利,由此获得19 239条数字化创新专利数据。
(2)本文采用基于深度学习的文本分类模型将数字化创新专利摘要信息划分为设计重组和使用重组,具体过程如下:首先,对数据进行清洗,即清洗脏数据、乱码符号和句段,采用Pynlpir分词系统对专利摘要信息进行分词并剔除停用词。其次,采用自然语言处理工具Stanford Parser从专利摘要中抽取并清洗SAO(Subject-Action-Object)结构。通过分析SAO语义不仅可以获取句子中的关键词,而且能够挖掘语义关系(冯立杰等,2021;刘鹏等,2023)。通过人工筛选保留用于判别设计重组和使用重组两类数字化创新的词组,进而构建语料库,以便后续模型预训练。再次,按照6∶2∶2的比例将数字化创新专利数据划分为训练集、验证集和测试集(赵纳晖和张天洋,2022)。根据设计重组和使用重组的定义,确定训练集数据分类类别(设计重组记为“0”,使用重组记为“1”),将处理好的数据输入CNN网络进行训练,通过验证集检验网络正确率并优化网络参数。实验表明,模型正确率为90.31%。最后,对测试集数据进行文本分类预测,获得17 514条设计重组专利数据和1 725条使用重组专利数据。
为进一步验证数字化创新测量指标的合理性和有效性,本文从内容有效性、结构有效性和标准有效性3个方面进行检验(张吉昌等,2023;Scholtes et al,2011),结果在一定程度上证明本文数字化创新测量指标是合理的。
3.2.3 控制变量
参考以往文献的做法[3,15-16],本文加入以下控制变量:企业规模(lnstaff),以企业员工总数的对数值衡量;固定资产(lnfixedasset),以企业固定资产的对数值衡量;独立董事占比(pid),以独立董事数量与董事规模的比值衡量;企业年龄(age),以当年减去上市年份再加1的对数值衡量;资产负债率(alr),以总负债与总资产的比值衡量;企业成长性(growth),以企业营业收入增长率衡量;总资产报酬率(roa),以利润总额与财务费用之和除以平均资产总额衡量。
3.3 基准回归方程
为检验数字化创新水平对智能制造企业高质量发展的影响,本文构建基本计量模型,如式(1)所示。
lntfpop,i,t=μ0+μ1Diginnoi,t+μ2∑Ci,t+∑Industryfe+∑Yearfe+εi,t
(1)
其中,i代表企业,t代表年份。被解释变量lntfpop,i,t代表第i家企业第t年高质量发展水平,核心解释变量Diginnoi,t衡量智能制造企业数字化创新水平,构建方法见前文。μ1用以刻画Diginnoi,t对智能制造企业高质量发展的影响效应。∑Ci,t为企业层面的控制变量,构建方法见前文。∑Industryfe为行业固定效应,∑Yearfe为年份固定效应,εi,t为随机误差项。
4 实证结果及经济解释
4.1 描述性统计分析
表1为主要变量描述性统计结果。由表1可知,企业设计重组(lndesign)和使用重组(lnuse)的离散系数(标准差/平均值)均大于1,说明不同样本企业数字化创新水平差异较大。全要素生产率(lntfp_op)的标准差为0.113,说明不存在过度分散问题。参考以往相关文献可以发现,其余变量的统计值均分布在合理范围内。
表1 描述性统计结果
Table 1 Descriptive statistical results
变量观测值均值标准差最小值最大值lntfp_op23901.8060.1131.4972.152lndesign27800.6651.11206.866lnuse27800.1260.48504.977vas18520.3460.216-1.6831.287span25250.2350.33600.939lnstaff24008.5531.2025.10612.571age23832.1450.81703.367lnfixedasset240021.0821.57415.72126.147pid240037.976.14318.18080roa24000.0630.076-2.0950.476growth23860.2360.481-1.3137.138alr24000.4550.1770.0482.290
4.2 基准回归结果分析
表2为设计重组、使用重组与企业全要素生产率关系基准回归结果。列(1)-(4)为仅加入核心解释变量的回归结果,设计重组与企业全要素生产率间的回归系数为0.021,使用重组的回归系数为0.027,均在1%水平上显著为正。为提高结果精度,列(2)-(5)添加控制变量,设计重组和使用重组的回归系数仍在1%水平上显著,但二者系数均有所降低。列(3)-(6)添加控制变量并控制行业和时间固定效应,结果显示,设计重组和使用重组的回归系数仍在1%水平上显著。从经济意义上看,设计重组水平每提升一单位,企业全要素生产率提升2.1%;使用重组水平每提升一单位,企业全要素生产率提升3.1%。相比之下,使用重组对企业全要素生产率的影响更显著,原因如下:一是用户开展数字化创新能够降低企业试错成本,进而提升供给效率;二是用户参与创新生成的海量历史数据会导致数据转移成本增加,有研究表明,即使不参与创新的用户也更认同用户导向型企业(Dahl et al,2014),庞大的用户数量有利于企业提升竞争力。由此,本文假设H1、H1a和H1b得到支持。
表2 基准回归结果
Table 2 Benchmark regression results
变量设计重组使用重组lndesign0.021***0.009***0.021***(0.002)(0.002)(0.002)lnuse0.027***0.013***0.031***(0.004)(0.003)(0.003)lnstaff-0.001-0.004*-0.001-0.002(0.003)(0.003)(0.003)(0.003)age0.053***0.021***0.055***0.022***(0.003)(0.002)(0.003)(0.002)lnfixedasset0.009***0.025***0.009***0.024***(0.002)(0.002)(0.002)(0.002)pid-0.000-0.001***-0.000-0.001***(0.000)(0.000)(0.000)(0.000)roa0.230***0.397***0.229***0.394***(0.016)(0.023)(0.016)(0.024)growth-0.007***-0.009***-0.007***-0.005(0.002)(0.003)(0.002)(0.003)alr0.138***0.172***0.137***0.168***(0.011)(0.011)(0.011)(0.012)常数项1.786***1.450***1.186***1.798***1.448***1.199***(0.006)(0.039)(0.031)(0.006)(0.039)(0.031)行业、年份固定效应否否是否否是观测值239023692369239023692369R20.0840.4030.5820.0780.3870.566
注:***、**、*分别表示1%、5%、10%的显著性水平,括号内为标准误,下同
4.3 稳健性检验
4.3.1 工具变量法
为进一步识别数字化创新与智能制造企业高质量发展间的因果关系,参考陈楠和蔡跃洲(2023)的研究成果,本文采用份额移动法构造鲍尔蒂克(Bartik)工具变量,以此对设计重组和使用重组的影响效应进行内生性检验,具体方法如式(2)所示。
IVi,t=Diginnoi,t-1×(1+Diginnogrowth,t)
(2)
其中,Diginnoi,t-1表示企业i上一期数字化创新活动(设计重组或使用重组),Diginnogrowth,t-1表示剔除企业i后智能制造细分行业数字化创新活动(设计重组或使用重组)的年增长率(Diginnot-1-Diginnot-2+1/Diginnot-2)。工具变量IV1i,t、IV2i,t分别代表企业i的设计重组和使用重组基于细分行业平均增长率的预测值。剔除样本企业后的细分行业数字化创新增长率不受该样本企业的影响。上一期预测值与样本企业数字化创新水平高度相关,满足工具变量外生性和相关性要求。表3为两阶段最小二乘法(2SLS)的估计结果,IV1、IV2的KP-LM统计值的p值均小于0.05,拒绝“不可识别”的原假设。同时,二者KP-F统计值分别为329.730和58.058,大于所有临界值,拒绝“弱工具变量”的原假设,即工具变量不存在识别不足与弱工具变量问题。设计重组和使用重组的系数分别为0.022、0.024且均在1%水平上显著,表明本文结论不受内生性问题的影响。
表3 内生性检验结果
Table 3 Endogeneity test results
变量设计重组第一阶段第二阶段使用重组第一阶段第二阶段IV11.742***(30.323)lndesign0.022***(7.083)IV21.275***(28.814)lnuse0.024***(3.398)Kleibergen-PaaprkLM值129.974***23.505***Kleibergen-PaaprkWaldF值329.73058.058控制变量、行业和年份固定效应是是是是观测值2135213521452145R20.5280.5770.4110.558
4.3.2 其它稳健性检验
(1)替换关键变量。首先,本文采用0-1变量测量企业当年设计重组和使用重组水平,结果如表4列(1)和列(2)所示。其次,由于智能制造企业高质量发展测量方法可能对估计结果产生影响,本文采用基于LP方法测算的全要素生产率替换基于OP方法测算的结果,检验结果如表4列(3)和列(4)所示。上述检验结果表明,设计重组、使用重组的回归系数与基准回归结果基本一致。由此可见,基准回归结果具有稳健性。
表4 稳健性检验结果
Table 4 Robustness test results
变量更换自变量(设计重组)更换自变量(使用重组)更换因变量(设计重组)更换因变量(使用重组)加入滞后项(设计重组)加入滞后项(使用重组)更严格的固定效应(设计重组)更严格的固定效应(使用重组)lndesign0.028***0.133***0.022***0.021***(0.004)(0.010)(0.002)(0.002)lnuse0.062***0.186***0.030***0.029***(0.006)(0.021)(0.004)(0.003)控制变量、行业和年份固定效应是是是是是是是是观测值23692369236923692113211323022302R20.5610.5720.7600.7500.5600.5410.6350.620
(2)加入被解释变量的时间滞后项。考虑到企业当年全要素生产率可能受到前期全要素生产率的影响,本文对全要素生产率进行滞后一期处理,检验结果如表4列(5)和列(6)所示。结果显示,设计重组与使用重组的回归系数显著为正,与基准回归结果一致。
(3)加入省份和年份交互固定效应。经济发展水平较高省份,其数字基础设施、智能制造相关政策较为完善,企业开展数字化创新更具优势。此外,回归模型中,时间和行业双向固定模型可能对内生性问题的控制不够严格(唐松等,2020)。因此,借鉴Moser &Voena(2012)的研究成果,本文采用控制“时间×行业”的高阶联合固定效应方法进行稳健型检验,结果如表4列(7)和列(8)所示。结果显示,设计重组与使用重组的回归系数显著为正,与基准回归结果一致。
4.4 作用机制检验
理论部分指出,数字化创新通过影响纵向边界和横向边界促进企业高质量发展。参考温忠麟等(2004)的研究模型,本文采用三步法进行验证,具体如式(3)-(5)所示。
lntfpop,i,t=μ0+μ1Diginnoi,t+μ2∑Ci,t+∑Industryfe+∑Yearfe+εi,t
(3)
Mediatori,t=α0+α1Diginnoi,t+α2∑Ci,t+∑Industryfe+∑Yearfe+εi,t
(4)
lntfpop,i,t=δ0+δ1Diginnoi,t+δ2Mediatori,t+δ3∑Ci,t+∑Industryfe+∑Yearfe+εi,t
(5)
其中,Mediator为中介变量,包括企业纵向边界(vas)和横向边界(span)。
4.4.1 基于企业纵向边界的分析
参考袁淳等[17]、范子英和彭飞(2017)的研究成果,本文采用价值增值法测量企业纵向一体化程度,以此代表企业纵向边界跨度。企业纵向一体化程度越高,意味着企业纵向边界跨度越大,企业专业化程度越低,计算方法如式(6)所示。
(6)
表5列(1)、列(4)分别为设计重组和使用重组对智能制造企业全要素生产率影响的基准回归结果。列(2)回归结果显示,设计重组与企业纵向边界变化之间的回归系数在5%水平上显著为负,表明设计重组一定程度上抑制了企业纵向边界扩张。列(3)为引入企业纵向边界的回归结果,设计重组的回归系数依然在1%水平上显著为正,而纵向边界的回归系数显著为负,表明设计重组通过抑制纵向边界扩张提升智能制造企业全要素生产率。同样地,从表5列(4)-(6)回归结果可以看出,缩小企业纵向边界在使用重组与智能制造企业全要素生产率间发挥部分中介作用。也就是说,数字化创新通过缩小企业纵向边界,一定程度上促进企业专业化发展,从而推动企业高质量发展。由此验证了本文H2、H2a和H2b。
表5 中介效应检验结果(企业纵向边界)
Table 5 Mediation effect test results(vertical boundary of enterprises)
变量设计重组lntfp_opvaslntfp_op使用重组lntfp_opvaslntfp_oplndesign0.021***-0.010**0.021***(0.002)(0.005)(0.002)lnuse0.031***-0.018**0.028***(0.003)(0.009)(0.003)vas-0.068***-0.070***(0.009)(0.009)控制变量、行业和年份固定效应是是是是是是观测值236918521842236918521842R20.5820.1840.6140.5660.1830.596
4.4.2 基于企业横向边界的分析
企业横向边界主要是指生产产品数量与种类,由边际成本曲线和边际收益曲线的交点决定。数字经济时代,信息技术发展改变了生产要素和产品性质。数据、知识、信息等无形生产要素具有边际成本递减和边际收益递增的特点(李海舰和原磊,2005)。技术边界范围越广,企业以低成本拓展产品范围的可能性越大。参考沈坤荣等(2023)的研究成果,本文采用企业层面的技术边界指标衡量企业横向边界范围(span),指标数值越大,表明企业技术领域分布越广泛,横向边界越宽,计算方式如式(7)所示。其中,φij表示为企业i当年申请的所有专利中四位数 IPC分类号j数量所占比重。
span=1-∑φ2i,j
(7)
表6列(1)、列(4)分别为设计重组和使用重组对智能制造企业全要素生产率影响的基准回归结果。表6列(2)回归结果显示,设计重组与企业横向边界间的回归系数在1%水平上显著为正,表明设计重组有利于企业扩大横向边界。列(3)为引入企业横向边界的回归结果,设计重组的回归系数依然在1%水平上显著为正,且横向边界的回归系数显著为正,表明企业横向边界扩张能够显著促进智能制造企业高质量发展,即拓展企业横向边界在设计重组与智能制造企业高质量发展间发挥部分中介作用。同样地,由表6列(4)-(6)回归结果可知,扩展企业横向边界是使用重组促进智能制造企业高质量发展的传导路径。也就是说,数字化创新通过扩展企业横向边界促进企业高质量发展,由此验证了本文H3、H3a和H3b。
表6 中介效应检验结果(企业横向边界)
Table 6 Mediation effect test results(horizontal boundaries of enterprises)
变量设计重组lntfp_opspanlntfp_op使用重组lntfp_opspanlntfp_oplndesign0.021***0.018***0.021***(0.002)(0.007)(0.002)lnuse0.031***0.028**0.031***(0.003)(0.014)(0.003)span0.024***0.026***(0.005)(0.005)控制变量、行业和年份固定效应是是是是是是观测值236923792369236923792369R20.5820.1050.5860.5660.1040.571
5 进一步分析
5.1 基于行业技术变化速度的异质性检验
行业技术变化速度可能影响企业对新技术的接受程度与应用程度,进而对企业高质量发展产生影响。对于所在行业技术变化速度较快的企业而言,可能面临较为激烈竞争的市场环境,故具有较强的动力采用新技术开展数字化创新,从而实现高质量发展。借鉴沈坤荣等(2023)的研究成果,本文将计算机、通信和其它电子设备制造业(C39)、电气机械和器材制造业(C38)、仪器仪表制造业(C40)标记为技术更新速度较快行业,其余则视为技术发展速度较慢行业。通过分组回归考察数字化创新对不同行业企业的异质性影响,结果如表7所示。结果显示,设计重组和使用重组均能促进企业高质量发展,相比于所处技术变化速度较慢行业企业,处于技术变化速度快行业企业的相关回归系数更大,即数字化创新对处于技术变化速度较快行业企业全要素生产率的促进作用更为显著。
表7 行业技术变化速度异质性回归结果
Table 7 Regression results of heterogeneity in the rate of industry technological change
变量设计重组技术变化速度快技术变化速度慢使用重组技术变化速度快技术变化速度慢lndesign0.021***0.015***(0.002)(0.003)lnuse0.035***0.028***(0.004)(0.007)控制变量、行业和年份固定效应是是是是观测值9261,4439261,443R20.5740.6160.5560.613
上述结果产生的原因如下:处于技术变化速度较快行业的智能制造企业需要关注竞争对手和市场需求变化,故更有动力实施数字化创新以维持自身竞争优势。此外,数字化实践存在行业同群效应[23],也就是说,行业技术变化速度较快企业数字化创新能够发挥协同作用,对行业内其它企业产生显著影响。
5.2 基于区域市场化水平的异质性检验
企业所在区域市场化水平差异可能会影响数字化创新的促进效应。健全的市场制度和良好的营商环境能够激励企业开展数字化创新。根据王小鲁等公布的《中国分省份市场化指数报告(2019)》,本文将智能制造企业所在省份市场化指数低于全国平均值的样本划分为低市场化水平子样本,其余则属于高市场化水平子样本,异质性检验结果如表8所示。结果显示,高市场化水平地区企业设计重组和使用重组的回归系数显著为正,低市场化水平地区的相关回归系数均不显著。由此可见,处于高市场化水平地区智能制造企业开展数字化创新活动更能促进全要素生产率提升。
表8 市场化水平异质性回归结果
Table 8 Regression results of heterogeneity in marketization level
变量设计重组高市场化水平低市场化水平使用重组高市场化水平低市场化水平lndesign0.021***0.012(0.002)(0.011)lnuse0.031***0.003(0.003)(0.060)控制变量、行业和年份固定效应是是是是观测值22261432226143R20.5980.8430.5830.841
上述结果产生的原因如下:市场化水平较高意味着该地区金融服务水平较高,市场能够扮演资源配置角色,进而促进企业资源配置效率和投资效率提高,最终促进企业高质量发展。胡增玺和马述忠[23]的研究结论可为上述推论提供支持,即较高的市场化水平对企业数字化创新发挥提质增效的作用。
6 结语
6.1 结论
本文以2012—2021年智能制造上市公司为研究样本,借助IPC分类号识别数字化创新专利数据并采用基于深度学习的文本分类模型将其划分为设计重组和使用重组,从供需两端考察数字化创新对智能制造企业高质量发展的影响及作用机制,得出以下主要结论:
(1)设计重组和使用重组能够提高企业全要素生产率,促进企业高质量发展。相比之下,使用重组的影响效应更为显著。
(2)在作用机制上,数字化创新可以通过缩小企业纵向边界和扩展横向边界提高全要素生产率。
(3)与行业技术变化速度较慢企业相比,行业技术变化速度较快企业进行设计重组和使用重组对全要素生产率的促进作用更显著;与所在区域市场化水平较低企业相比,市场化水平较高地区企业开展数字化创新对全要素生产率的促进作用更显著。
6.2 理论贡献
(1)基于重组视角对数字化创新进行维度划分,深化了数字化创新理论内涵。本文将数字化创新划分为设计重组和使用重组两个维度,讨论二者对智能制造企业高质量发展的影响,强调企业和用户都是数字化创新的重要主体,弥补了现有研究基于单一主体视角考察数字化创新经济效应的不足。
(2)本文将数字化创新、企业边界与高质量发展三者联系起来,丰富了数字化创新实证研究。数字化创新会模糊企业原有边界,现有相关研究对企业边界如何演变,以及数字化创新对智能制造企业高质量发展有何影响等问题探讨不足。本文通过检验企业纵向边界、横向边界变化在数字化创新与高质量发展间的作用,丰富了数字经济时代下的组织边界理论。
6.3 实践启示
(1)智能制造企业不仅需要重视供给端数字化变革,而且要发挥用户参与数字化创新对自身高质量发展的促进作用。一方面,企业应积极研判产业数字化发展趋势,识别自身优势与不足,进而有针对性地开展数字化创新活动。另一方面,企业应意识到用户参与数字化创新的重要性,依托数字平台赋能用户参与研发设计生产等环节,通过实时追踪用户需求变化优化产品和服务,进而更好满足用户需求甚至挖掘用户潜在需求,最终精准实现供需匹配。
(2)智能制造企业应提高多元化经营水平。一方面,数字技术能够改变产业链分工模式,智能制造企业需要打造专业化生产优势,寻求更广泛的业务范围。另一方面,随着企业间竞争由单一企业竞争转向生态系统竞争,智能制造企业应围绕用户需求跨越不同知识技术领域,提供多样化、差异化业务组合,构建价值网络,进一步扩大用户规模和提升自身竞争力。
(3)政府应通过制定一系列政策加大对企业数字化创新的支持力度。首先,政府应加强基础设施和产业链配套设施建设,为企业数字化创新提供支撑。其次,政府需因企施策,引导不同行业、不同地区企业顺利实施数字化创新。一方面,针对技术变化速度较慢行业,政府可以出台税收优惠等政策激励企业数字化创新,鼓励不同行业数字化解决方案供应商提供专业指导,引导企业融入数字经济时代。另一方面,针对市场化水平较低地区,政府需要完善市场管理体制和行政审批流程,为企业营造良好的营商环境,充分发挥市场在资源过程配置中的关键作用。
6.4 不足与展望
本文存在以下不足:第一,仅探讨了设计重组与使用重组对智能制造企业高质量发展的影响,未来可以分析不同组合情景下(如高设计重组和低使用重组组合、低设计重组和高使用重组组合)设计重组和使用重组的影响效应,为企业数字化创新提供更有价值的管理启示。第二,本研究基于企业边界重塑视角进行了机制检验,但数字化创新对企业高质量发展的其它作用机制和边界条件有待进一步考察。第三,本研究仅收集了智能制造上市公司样本,由于非上市公司数据难以获取,结论代表性有限。此外,智能制造包括很多细分行业,不同行业具有较大差异,后续可以选择其它行业企业,以提供更具普适性的研究结论。
参考文献：
[1] NAMBISAN S,LYYTINEN K,MAJCHRZAK A,et al.Digital innovation management:reinventing innovation management research in a digital world[J].MIS Quarterly,2017,41(1):223-238.
[2] HUND A,WAGNER H-T,BEIMBORN D,et al.Digital innovation:review and novel perspective[J].The Journal of Strategic Information Systems,2021,30(4):101695.
[3] 李小青,何玮萱,霍雨丹,等.数字化创新如何影响企业高质量发展——数字金融水平的调节作用[J].首都经济贸易大学学报,2022,24(1):80-95.
[4] 谢卫红,林培望,李忠顺,等.数字化创新:内涵特征、价值创造与展望[J].外国经济与管理,2020,42(9):19-31.
[5] YOO Y,BOLAND R J,LYYTINEN K,et al.Organizing for innovation in the digitized world[J].Organization Science,2012,23(5):1398-1408.
[6] NAMBISAN S.Digital innovation and international business[J].Innovation,2020,24(1):86-95.
[7] 谢康.数字经济创新模式:企业与用户数据化互动创新[J].中国社会科学院大学学报,2023,43(2):79-94,162.
[8] HENFRIDSSON O,NANDHAKUMAR J,SCARBROUGH H,et al.Recombination in the open-ended value landscape of digital innovation[J].Information and Organization,2018,28(2):89-100.
[9] WU Y,LI H,LUO R,et al.How digital transformation helps enterprises achieve high-quality development? empirical evidence from Chinese listed companies[J/OL].European Journal of Innovation Management,2023-04-28.https://doi.org/10.1108/EJIM-11-2022-0610.
[10] 罗佳,张蛟蛟,李科.数字技术创新如何驱动制造业企业全要素生产率——来自上市公司专利数据的证据[J].财经研究,2023,49(2):95-109,124.
[11] 黄勃,李海彤,刘俊岐,等.数字技术创新与中国企业高质量发展——来自企业数字专利的证据[J].经济研究,2023,58(3):97-115.
[12] YOO Y,HENFRIDSSON O,LYYTINEN K.The new organizing logic of digital innovation:an agenda for information systems research[J].Information Systems Research,2010,21(4):724-735.
[13] EREVELLES S,FUKAWA N,SWAYNE L.Big data consumer analytics and the transformation of marketing[J].Journal of Business Research,2016,69(2):897-904.
[14] 肖静华,吴瑶,刘意,等.消费者数据化参与的研发创新——企业与消费者协同演化视角的双案例研究[J].管理世界,2018,34(8):154-173,192.
[15] 赵宸宇.数字化发展与服务化转型——来自制造业上市公司的经验证据[J].南开管理评论,2021,24(2):149-163.
[16] 王京滨,刘赵宁,刘新民.数字化转型与企业全要素生产率——基于资源配置效率的机制检验[J].科技进步与对策,2024,41(3):23-33.
[17] 袁淳,肖土盛,耿春晓,等.数字化转型与企业分工:专业化还是纵向一体化[J].中国工业经济,2021,401(9):137-155.
[18] HUANG J,HENFRIDSSON O,LIU M J,et al.Growing on steroids:rapidly scaling the user base of digital ventures through digital innovation[J].MIS Quarterly,2017,41(1):301,314.
[19] 陶锋,朱盼,邱楚芝,等.数字技术创新对企业市场价值的影响研究[J].数量经济技术经济研究,2023,40(5):68-91.
[20] CIRIELLO R,RICHTER A,SCHWABE G.Digital innovation[J].Business &Information Systems Engineering,2018,60(4):563,569.
[21] LIU Y,DONG J,MEI L,et al.Digital innovation and performance of manufacturing firms:an affordance perspective[J].Technovation,2023,119(1):102458.
[22] 胡增玺,马述忠.市场一体化对企业数字创新的影响——兼论数字创新衡量方法[J].经济研究,2023,58(6):155-172.
[23] 霍春辉,吕梦晓,许晓娜.数字化转型“同群效应”与企业高质量发展——基于制造业上市公司的经验证据[J].科技进步与对策,2023,40(4):77-87.
(责任编辑：张 悦)
