How Industrial Internet Platform Drives the Development of New Quality Productive Forces: The Perspective of Data Elements

Sun Daming1, Hu Sumin1, Zhu Tianyi1, Huang Jingjing2

(1.Business School, Suzhou University of Science and Technology, Suzhou 215009, China;2.School of Economics and Management, Nanjing University of Science and Technology, Nanjing 210094, China)

Abstract：In the context of digital China, how to build a strong industrial internet platform to promote the development of new quality productive forces is particularly important. As the product of the deep integration of digitalization and industrialization under the new industrial revolution, the industrial internet platform can realize the ubiquitous connection, flexible supply, and intelligent decision-making of manufacturing resources and is a strategic infrastructure to accelerate the formation of new quality productive forces. At present, how to build an effective industrial internet platform architecture to bridge the gap in the use of data elements and promote the development of new quality productive forces is a key problem to be solved.

This study selects 278 cities in China as research samples, and employs a mixed-methods approach, integrating qualitative comparative analysis with regression analysis, to develop a sophisticated mediation model. This methodology is designed to provide a comprehensive view of the intricate interactions among variables. The study combines the relationship between configuration perspective and complexity, and uses mixed QCA and spatial regression analysis methods to analyze how the industrial internet platform drives the development of new quality productive forces from the perspective of data elements in a more granular manner. The results show that (1) the configuration analysis shows that all industrial internet platforms fully release the value of data elements in the way of "different paths lead to the same goal". Specifically, there are six paths for data element application, which can be classified into three modes: cloud service-core platform-driven, edge computing-driven, and edge-cloud service-core platform-driven. There is only one path for data element maintenance, which is platform driven. While there are four paths for the aggregation of digital talents, which can be classified into three modes: edge-big data platform-driven, distributed platform-driven under non-high cloud services, and distributed platform-driven under non-high data. (2) The complex intermediary mechanism shows that the four configurations of cloud service-core platform-driven, full platform-driven, and edge-big data platform-driven fully unleash the value of data elements, thereby driving the development of new quality productive forces. However, due to some incomplete architectures, while improving data elements, there are still difficulties in enterprise cloud migration, inflexible platform architecture, and low data utilization efficiency, which is insufficient to achieve a qualitative enhancement in productivity.

The article's marginal contributions are threefold. First, it pioneers a shift in focus from viewing industrial internet platforms as monolithic entities to recognizing them as collaborative ecosystems of sub-platforms, driving the evolution of new quality productive forces. This approach significantly diverges from traditional research, thereby broadening the scope and application range of digital platform studies. Second, it innovatively introduces the perspective of data elements, combines the relationship between configuration ideas and complexity, and reveals the complex relationship between the configuration of industrial internet platform and the development of new quality productive forces in a more granular way, which has important practical significance for the development of new quality productive forces in China under the complex system view. Third, this study develops a hybrid method of QCA and spatial regression analysis, providing new ideas and methods for analyzing complex mediation problems and expanding the statistical applications of complex mediation models in digital contexts.

The management implications are as follows:First, from the perspective of complex systems, it is necessary to grasp the "diversity of platforms" and "concentration of combinations" to avoid the development dilemma of constructing a single platform. Second, it is imperative to expedite the ongoing cycle of data element accumulation, application, maintenance, and development. This proactive management of data elements will empower industrial internet platforms and their applications to extend their reach into a broader range of industries and domains. Third, it is essential to adhere to the concept of the system, focus on the grand strategy of "digital China" ,and advance the convergence and integration of policies related to industrial Internet, digital transformation and the development of new quality productive forces.

Key Words：Industrial Internet Platform; New Quality Productive Forces; Data Elements; Mixed Methods

收稿日期：2024-10-07

修回日期：2024-12-13

基金项目：国家自然科学基金青年项目(71904085);江苏省高校哲学社会科学项目(2021SJA1388);辽宁省社会科学规划基金项目(L23BGL001)

作者简介：孙大明(1991—),女,辽宁葫芦岛人,博士,苏州科技大学商学院讲师,研究方向为数字创新;胡苏敏(1993—),女,江苏苏州人,博士,苏州科技大学商学院讲师,研究方向为创新管理;朱天一(1979—),女,江苏苏州人,博士,苏州科技大学商学院讲师,研究方向为数字经济;黄菁菁(1988—),女,广西河池人,博士,南京理工大学经济管理学院副教授,研究方向为创新管理。本文通讯作者:朱天一。

DOI：10.6049/kjjbydc.W202410014

开放科学(资源服务)标识码(OSID)：

中图分类号：F49

文献标识码：A

文章编号：1001-7348(2025)03-0038-12

0 引言

党的二十届三中全会强调,“要健全因地制宜发展新质生产力体制机制,健全促进实体经济和数字经济深度融合制度”。工业互联网平台作为数字化与工业化深度融合的产物,有利于促进制造资源的泛在联系、弹性供给及智能决策[1],是加快形成新质生产力的重要基础设施。然而,单一工业互联网平台无法充分释放数据要素价值,多平台之间互联互通与深度共创才是实现生产力质变的关键。因此,如何构建有效的工业互联网平台架构,跨越数据利用鸿沟,促进新质生产力发展,是亟待解决的关键问题。

近年来,工业互联网平台研究蓬勃发展,现有研究主要聚焦平台概念界定[1]、建构策略[2]、作用效果[3]及赋能机制[4-6]等方面。任保平[7]指出工业互联网平台是面向制造业智能化、个性化、网络化发展的专业服务平台,能够实现人员、机器、原料、方法、环境的全面互联,具有协同共享、跨界融合、数据驱动等特征。研究表明,工业互联网平台对制造企业价值创造和新质生产力提升具有正向影响。一方面,宏观层面研究关注平台建设与新型数字技术应用带来的数据开发共享、数字技术渗透、资源整合及供应链效率提升等数字化转型效果[3,8];另一方面,微观视角研究关注海尔卡奥斯、树根互联网等典型平台的技术、组织、结构及场域赋能机制[6]。张明超等(2024)指出,工业互联网平台通过技术型赋能和环境型赋能,实现海量复杂工业数据复合型产品或服务创新,向实体制造业提供数字产品及服务,促进企业提质增效和开展场景式创新;张骁等(2024)基于元赋能理论指出,数字平台通过重构数字基座、知识交互学习过程及认知蜕变跃升等赋能行动,促进商业模式创新能力提升。上述研究多将工业互联网平台视为笼统整体,关注如何通过快速引入数字技术、扩大用户规模激发网络效应、增强价值共创能力[9]。然而,根据模块化理论,工业互联网平台是一个由多模块组成的松散耦合系统[10-11],通过边缘基础设施层、云平台层和应用层等的协同与组合(杜勇等,2022),加速传统生产模式和生产要素变革,进而促进新质生产力发展。现有研究缺乏对平台细分功能与协同机制的深入挖掘,忽视了细分平台间的相互依赖关系与互动作用,未深层次剖析工业互联网平台影响新质生产力发展的复杂因果关系。进一步地,平台驱动效应不简单等同于数字技术或平台数量增加。Arnold等[9]、孙新波等[8]指出,在数字经济时代“万物皆数”背景下,平台构建的关键在于充分挖掘数据这一核心要素价值。充分挖掘数据要素价值,跨越数字鸿沟,是带来正向反馈并促进新质生产力发展的关键(杜勇等,2022)。然而,当前基于数据要素视角考察工业互联网平台驱动新质生产力发展的研究较少。此外,现有研究方法未充分解释这一复杂过程机制,需要补充新的经验证据。

鉴于此,本文借鉴杜运周等(2024)的研究,结合组态视角和复杂性关系理论,运用QCA与空间回归分析方法,选取中国内地278个地级市为样本,深入揭示工业互联网平台如何释放数据要素价值驱动新质生产力发展这一复杂系统问题。

1 文献回顾与模型构建

1.1 工业互联网平台构成

工业互联网平台是基于海量工业数据采集、处理与分析的复杂服务体系(见图1),其本质是面向制造业智能化和数字化需求,支撑制造资源泛在联系、弹性供给及优化决策[6-7]。王水莲等[5]指出,工业互联网平台是基于多平台的交互架构,通过平台生态互联互通,实现工业数据的沉淀与解决方案的提出。结合Guth等[12]、陈武等[13]的工业互联网架构划分标准,延循“边缘—核心”逻辑,将平台划分为边缘层、云服务、工业大数据和核心工业平台4个模块。具体而言:边缘层以工业现场为主,利用边缘基础设施和边缘计算模块构建低延时、广覆盖、高可信的工业网络,为各类工业数据互联互通与智能应用提供基础(张明超等,2024)。云服务平台推动要素聚集、软件上云、装备硬件上云等,实现云、边、端实时协同(金杨华等,2023)。工业大数据平台利用大数据采集分析与数据决策优化模块,实现海量工业数据分析、预测及可视化服务。核心工业平台依托通用平台架构和工业PaaS解决方案模块,实现研发仿真、算法模型开发及各类工业场景定制化软件开发,以及工业知识经验的固化封装[8]。

1.2 工业互联网平台与数据要素:组态视角

基于平台赋能和元赋能理论,工业互联网平台通过边缘层、云服务、大数据及核心工业平台的交互协同与优化组合,实现工业场景资源数字化和模型化[6],提升制造企业生成个性化数据的能力,充分释放数据要素价值(数据要素应用、数据要素维护、数字人才集聚)。

(1)边缘层平台。边缘层平台可实现数据采集与协议解析,包括边缘基础设施和边缘计算两个方面。夯实边缘基础设施,健全低延时、广覆盖、高可信的工业网络,改善工业设备与管理系统互联互通的基础条件[5],实现工业现场资源、生产过程数据与生产经验的数据化和数字化,能够提升海量工业数据智能应用[14]。边缘计算通过对数据计算任务的本地化实时处理与智能决策,提高数据处理效率,减少宽带消耗,盘活闲置冗余资源,增强数据安全性和隐私保护,从而降低数据处理成本和运维成本(张骁等,2024)。

(2)云服务平台。云服务平台是提供云计算资源与服务的在线平台,用户可访问服务器、存储数据库、软件及分析工具等。依托云服务平台,能够推动要素、软件、装备硬件上云,实时获取制造企业协同作业进度、消费者偏好及市场需求等信息[15],及时调整任务安排并优化生产工艺,进而提高数据要素应用价值。同时,云服务平台还能提供泛在数字场域,助力产业链企业快速“上云”,高效匹配上下游供应商、服务商及客户等关系资源,实现海量数据信息库互联互通与管理流程升级,打破数据孤岛和数据垄断[16]。此外,云服务平台能打破传统企业“各自为战”模式,从平台数据库挖掘复合产品或服务创意,跨界整合多方资源,实现场景价值共创[16]。

(3)工业大数据平台。工业大数据平台是海量数据存储、处理、分析和应用的系统平台,包括大数据采集分析与数据决策优化两个要素。通过大数据采集与分析,能够快速加工产业链各环节运营数据,实现数字孪生、机理模型构建及成本优势巩固[14]。在数据决策优化的助力与催化下,制造企业通过嵌入互联场景,有效识别社会问题,靶向改造解决方案,提供预测与可视化服务,持续优化智能化和自动化资源调配机制[8],应对市场不确定性,为数据化生态提供中坚力量,提高数据运营与维护能力。

(4)核心工业平台。核心工业平台为工业用户提供通用架构与定制化开发服务,实现工业知识、技术、经验的封装、固化与复用,包括通用平台架构和工业PaaS解决两个方面。通用平台架构提供平台开发运营环境、工业数据建模工具及工业应用微服务等,通过超模块互补与自由组合构建灵活的研发生态架构[5,10],提高后续定制化服务与不同场景适配的便捷性,继而提升数据要素使用效率[17]。工业PaaS解决方案能够精准感知场景关键需求,锚定用户价值诉求,结合自身数字技术、算力、知识等优势,实现研发仿真、算法模型开发、柔性匹配及大规模生产,深层次释放数据要素价值[18-19]。通过与边缘层、云服务平台的有机匹配和外部环境协同演化,充分释放数据力、定制力、仿真力、安全力及生态力,增强平台辐射与赋能效果。此外,平台发展会加大对高学历、高技术人才的需求,促进地区数字人才集聚[20]。

1.3 工业互联网平台对新质生产力的影响:复杂中介机制

工业互联网平台为多平台交互架构,通过各细分平台协同与优化组合,形成驱动数据要素价值提升的多元路径,产生技术、资源、环境等赋能效应,进而促进新质生产力发展。即在工业互联网平台与新质生产力关系中,数据要素发挥中介效应。

数据要素的中介效应具有复杂性。一方面,组态视角下,工业互联网平台对释放数据要素价值可能存在多元等效路径;另一方面,工业互联网平台多元组态路径能够直接或间接通过数据要素影响新质生产力发展。具体而言,工业互联网平台借助自身数字技术和工业知识,通过技术赋能为制造企业提供智能化解决方案与服务支持,促进企业生产力发展,奠定生产力质变基础。在这一进程中,工业互联网平台能促进数字人才集聚,倒逼劳动力技能提升与劳动模式变革[20],提供生产力质变渠道。同时,工业互联网平台依托网络规模优势,为制造企业提供泛在数字场域,加速生产运营在线化、智能化及网络化发展,实现劳动对象变革,助力新质生产力发展[21]。此外,工业互联网平台能充分释放数据要素这一新兴生产资料的价值,发挥数据要素非消耗性、高流动性、强外部性作用,延伸应用范围,拓展传统要素增值方式,实现增值乘数效应[19,22],进而促进新质生产力发展。

综上所述,本文基于组态视角,构建工业互联网平台提升数据要素价值进而影响新质生产力发展的复杂中介模型。首先,探究工业互联网平台释放数据要素价值的多元组态路径,回答哪些工业互联网平台能产生高数据要素价值;其次,分析多元组态如何影响新质生产力发展及数据要素的复杂中介效应,回答哪些工业互联网平台组态能够实现高数据要素价值,进而促进新质生产力发展。本文构建理论模型如图2所示。

2 研究设计

2.1 复杂中介模型

面对管理学研究中的复杂因果关系,传统统计方法不足以揭示变量间的深层次联系,需将还原论与整体论方法相结合,形成集成方法体系。参考杜运周等(2024)的做法,结合定性比较分析法和回归分析法构建复杂中介模型。采用混合方法旨在捕捉变量间相互作用的全貌,同时探究单一变量的影响,以更深层次理解复杂社会现象。

复杂中介模型检验包括4个步骤(见图3):第一步,检验Xi—M因果链。利用QCA分析识别影响中介变量的多种条件组合,即工业互联网平台不同组态如何释放数据要素价值;第二步,赋值组态Xi,将QCA结果转换为回归分析的自变量;第三步,检验Xi—Y因果链,利用回归分析法检验组态对新质生产力发展的总效应;第四步,检验M—Y因果链,进一步探究不同组态对新质生产力发展的直接影响以及通过数据要素价值产生的间接影响。

值得注意的是:①在step2组态隶属度计算过程中,案例在组态Xi中的隶属度是所有条件集合xj中隶属度的最小值{mXi=min(x1,x2,…,xj)} (～xj=1-xj);②在step3和step4中,多组态要素相互依赖,纳入同一模型有可能会导致多重共线性问题,为避免出现该情况,将不同组态分别视为自变量独立进行回归分析[23]。

2.2 数据来源

本文选取中国内地278个城市为研究样本,分析工业互联网平台、数据要素与新质生产力发展之间的复杂关系。工业互联网平台专利数据来源于国家知识产权局(SIPO)、智慧芽专利库数据,其它数据来源于2022—2023年国家统计局、《中国城市统计年鉴》、《中国电子信息产业统计年鉴》、地方政府网站信息查询平台、国际机器人联合会、企业年报、北京大学数字金融研究中心编制的数字普惠金融指数等,部分缺失值以线性插补法和均值插补法填补。

2.3 数据与测度

(1)工业互联网平台。QCA分析的前因条件为工业互联网平台,结合上文分析可知,其包含边缘层平台、云服务平台、大数据平台和核心工业平台四部分内容。参考周密等[24]的研究思路,技术在产业发展过程中发挥主导作用,故本文以相关领域专利申请量表征工业互联网平台发展水平。工业互联网平台关键词典以相关领域政策文件、新闻报道及经典文献为蓝本,由Python分词及文本分析获取,专利检索结合上述关键词,进一步聚焦工业平台领域。

(2)数据要素。参考陶长琪和丁煜(2022)的研究,从数据要素应用(data1)、数据要素维护(data2)、数字人才集聚(data3)3个方面衡量数据要素水平,运用熵权法进行计算。其中,数据要素应用以地级市电信业务总量、数字普惠金融指数、上市公司数据资产词频、机器人渗透率表征;数据要素维护以信息技术服务收入和信息安全收入表征;数字人才集聚以信息传输及软件人员表征。

(3)新质生产力。新质生产力(newprod)是以创新为驱动力,融合高素质劳动者、先进劳动对象和现代生产资料,追求经济高质量发展的新阶段生产力。参考王珏等[25]、阳杨等[26]、韩文龙等[27]的做法,从新质劳动者、劳动对象和劳动资料3个方面测度,运用熵权法加权得到新质生产力水平。其中,新质劳动者是指通过知识更新与技能培养、具备较强创新能力的劳动者,选取新型产业员工数、员工能力和员工高素质水平3个指标衡量;新质劳动对象是指除传统自然资源和原材料外,具备信息化和绿色化等特征的高级、新型资源对象,用数字基础设施和绿色能源表征;新质劳动资料是劳动者生产的物质基础,具备高科技、智能化、高效能、绿色化及高知识性等特征,用技术研发、创新产出、智能化和绿色化水平表征。

综上,新质生产力测度指标体系见表1。

(4)控制变量。为避免遗漏变量对估计结果造成影响,借鉴相关研究,加入一系列控制变量。①城市人口规模(people),以城市年末户籍人口数表征[26];②金融发展水平(finance),以金融机构存贷款余额之和表征;③市场化水平(market),参考樊纲等(2011)的做法,以地区市场化进程相对指数表征;④产业结构(structure),以第三产业增加值与GDP的比重表征。

2.4 数据校准

本文采用直接校准法确定锚点并进行结构化校准,必要条件检验结果见表2。参考已有研究,将7个前因条件与1个结果变量数据的0.05分位、0.5分位和0.95分位设定为完全不隶属、交叉点和完全隶属校准点。同时,将样本数据校准后等于0.5情况的真值修正为0.500 1。

3 实证结果分析

3.1 工业互联网平台对数据要素的组态分析

3.1.1 单个条件必要性分析

在开展组态分析前,需先检验各前因条件的必要性。当一致性大于0.9时,认为该条件是必要条件(杜运周等,2024)。表2给出fsQCA3.0软件分析的数据要素价值必要条件检验结果。由表2可知,所有条件的一致性水平均小于0.9,故不存在影响高数据要素价值的必要条件。

3.1.2 条件组态充分性分析

将原始一致性阈值设为0.8、PRI一致性阈值设为0.75、频数阈值设为1,由中间解揭示组态效应,结果见表3。

3.1.2.1 数据要素应用组态分析

(1)云服务—核心平台驱动型(M1a和M1b)。组态M1b表明,云服务、通用平台架构和工业PaaS解决方案发挥核心作用,大数据采集分析、数据决策优化发挥辅助作用。在该组态路径下,夯实云服务和核心工业平台建设双轮驱动,营造泛在数字场域,为各类工业场景提供定制化、智慧化解决方案和服务支持(吕文昌等,2019),实现制造企业的智慧化、在线化和网络化运行,提高数据要素应用价值。该组态典型案例如北京、上海、深圳等城市。上海全力打造工业互联网平台发展标杆城市,积极引导和鼓励云服务平台发展并匹配相应工业APP。截至2022年,平台普及率达25.2%,链接上云工业设备超1 083万台,实现运维成本下降18.83%,安全运行时间提升22.17%,充分释放了数据要素价值,符合云服务—核心平台驱动型组态特征。组态M1a与M1b一致,辅助条件以非边缘计算代替大数据计算等发挥辅助作用,该组态典型案例如宁德、潍坊等城市。

(2)边缘计算驱动型(M2a和M2b)。组态M2a表明,边缘计算发挥核心作用,边缘基础设施、数据决策优化、通用平台架构、工业解决方案发挥辅助作用。在该组态路径下,通过建设边缘计算平台,实现工业现场数据采集、协议解析与企业管理系统互联,构建低延时、高可靠、广覆盖的互联网络,实现要素高效数字化与低成本互联。该组态典型案例如宣城等城市。相比M2a,组态M2b核心条件不变,云服务、非工业解决方案发挥辅助作用,该组态典型案例如吉安。

(3)边缘—云服务—核心平台协同驱动型(M3a和M3b)。组态M3a表明,边缘基础设施、云服务和工业PaaS解决方案发挥核心作用,数据决策优化发挥辅助作用,在该组态路径下,通过“边缘层—云服务—核心工业平台”三维协同驱动,营造数字场域空间,促进工业现场海量数据高效采集与上云重构,精准挖掘客户需求并提供多样化服务,由此提高数据要素利用效益。该组态典型案例如清远等城市。组态M3b与M3a相比,工业大数据平台缺失,通用平台架构成为辅助条件,核心条件不变,该组态典型案例如常德。

3.1.2.2 数据要素维护组态分析

全平台驱动型(N1a)。经分析可知,存在一条实现数据要素运营与维护的路径,即“边缘层—云服务—大数据—核心工业平台”全维度协同路径。不同于数据要素应用组态路径,在该路径下,工业大数据平台的重要性凸显,通过数据融合驱动,实现智能分析、深度学习及决策优化,增强企业应对不确定市场的韧性与灵活性,进一步提高数据要素处理与维护水平。该组态典型案例如北京、上海、苏州等地。

3.1.2.3 数字人才集聚组态分析

(1)边缘—大数据平台驱动型(S1a和S1a)。组态S1a表明,边缘计算和大数据采集分析为核心条件,云服务和工业PaaS解决方案为辅助条件。在该组态路径下,大量边缘智能及大数据处理需求的增加,增强了对数字处理人才的需求,倒逼劳动者素质提高与结构调整。该组态典型城市如北京、上海、深圳等。组态M3b与其相比,核心条件不变,数据决策优化、通用平台架构等发挥辅助作用。

(2)非高云服务下解决方案驱动型(S2a)。组态S2a表明,边缘计算、数据决策优化、通用平台架构和工业PaaS解决方案发挥核心作用,非云服务、边缘基础设施发挥辅助作用。该组态表明,即使云服务平台建构不完善,制造企业也能通过良好的分布式平台(边缘层—大数据—核心平台)推动制造业数字化转型、新业态新产业发展,继而加大对高学历、高技术人才的需求,促进数字人才集聚,该组态典型案例如承德。

(3)非高大数据下分布式平台驱动型(S3a)。组态S3a中边缘计算、数据决策优化和工业PaaS解决方案为核心条件,非高大数据采集分析和非工业PaaS解决方案等发挥辅助作用。即使大数据采集和工业解决方案平台建构不完善,通过边缘层、通用平台架构等分布式平台联动与模块化自由组合,也能形成灵活便捷的研发生态架构,释放数据要素价值,促进数字人才集聚,该组态典型案例如吉安。

3.1.3 稳健性检验

为提高研究结论的可靠性,本文通过改变频数(将1提高至2)、改变一致性阈值(将0.75提高至0.8)进行稳健性检验(见表4和表5),产生组态与前文基本一致,表明研究结论稳健。

3.2 工业互联网平台、数据要素对新质生产力的复杂影响

工业互联网平台具备要素互通、泛在连接、云服务等特征,其对某一地区新质生产力的作用并非独立存在的,可能与其它地区存在关联[28],故选取空间滞后模型进行分析。

3.2.1 回归分析

为检验变量是否具有空间相关性,使用地理空间权重矩阵计算Moran′I 指数。结果表明,考察期新质生产力Moran′I指数显著为正(Moran′I=0.042,Z=8.821),即存在正向空间相关性,对邻近地区产生辐射作用。进一步,对每个组态依次进行回归分析,由方差膨胀系数VIF检验变量共线性,VIF均小于10,表明不存在严重的多重共线性问题。表6列示了工业互联网平台组态路径对新质生产力的影响,结果显示各组态路径影响效应存在差异。其中,组态M1b、N1a、S1a、S1b系数显著为正,能够推动新质生产力发展。其余组态系数显著为负,即数据要素等新型生产资料的作用未得到充分发挥,未促进新质生产力发展。

3.2.2 稳健性检验

为验证研究结果的稳健性,设计两种稳健性检验方法:一是为削弱极端值对估计结果造成的不良影响,借鉴陈福中等[28]的做法,对新质生产力发展变量进行1%和99%的缩尾处理。二是替换被解释变量,参考肖有智等[29]的做法,用政府工作报告中新质生产力总词频数作为替换变量重新进行回归,结果未发生显著性改变(限于篇幅,稳健性检验结果不再一一列示)。

3.2.3 机制分析

为进一步识别不同组态路径对新质生产力的影响机制,基于空间中介模型进行分析。

(1)数据要素应用机制。表7中第(1)—(6)列为数据要素应用机制的检验结果。从中可见,组态M1b以及data1的回归系数显著为正,表明组态M1b通过数据要素应用促进新质生产力发展。具体而言,通过搭建云服务—核心平台双轮驱动平台,实现对海量数据的高效挖掘、弹性化存储和定制化服务,显著提升数据要素应用效率,促进企业生产流程数字化转型和智能化升级,为新质生产力发展提供坚实的技术支撑和创新基础。

(2)数据要素维护机制。表7列(7)为数据要素维护机制检验结果。结果显示,组态N1a以及data2的回归系数显著为正,表明组态N1a通过数据要素处理与维护促进新质生产力发展。即通过搭建全平台驱动型工业互联网平台,充分利用云成本管理、预测决策算法、多方安全技术,实现对海量工业数据的有效采集、存储、分析与应用,提升数据要素处理与维护水平,为企业提供精准的运营优化方案,促进产业链高效整合,进而促进新质生产力发展。

(3)数字人才集聚机制。表7第(8)—(11)列为数字人才集聚机制检验结果。组态S1a、S1b及数字人才集聚的回归系数显著为正,表明上述组态通过推动数字人才集聚促进新质生产力发展。即通过搭建以边缘层—大数据为核心的工业互联网平台,优化产业链资源配置方式,加快新业态新产业培育,吸引更多数字人才集聚,为新质生产力发展提供新型要素资料和劳动力。同时,随着边缘计算、深度学习等技术的快速发展,对数字人才提出更高要求,倒逼数字人才学习和技能升级,助力新质生产力发展。

综上所述,组态M1b(云服务—核心平台驱动型)、组态N1a(全平台驱动型)、组态S1a和S1b(边缘—大数据平台驱动型)能够充分释放数据要素价值,进而驱动新质生产力发展。其它组态路径由于架构不完善,在提升数据要素水平的同时,不足以实现生产力质变。以组态M2a(边缘计算驱动型)为例,该组态路径为“高边缘基础设施*高边缘计算*非高云服务*高数据决策优化*高通用平台架构*高PaaS解决方案”,即通过良好的边缘计算平台、核心平台架构建设一定程度上可实现对工业现场数据的便捷采集、互联与本地即时分析,加速数据要素低成本互联与价值释放,但该路径下非高云服务发挥辅助作用,云服务平台建构不佳,可能导致企业“上云”困难,难以获取协同作业进度,无法满足市场需求及消费者偏好,最终不利于新质生产力发展。

4 结论与启示

4.1 研究结论

数字经济背景下,建设工业互联网平台以推动新质生产力发展尤为重要。选取中国内地278个地级市为研究对象,结合组态视角与复杂性关系理论,采用混合QCA和空间回归分析方法,深入分析数据要素视角下工业互联网平台如何驱动新质生产力发展,得出如下结论:

(1)组态分析结果表明,各平台以“殊途同归”方式释放数据要素价值。具体而言,数据要素应用存在6条路径,可归纳为云服务—核心平台驱动型、边缘计算驱动型、边缘—云服务—核心平台驱动型3种模式。数据要素维护存在一条路径,即全平台驱动型。数字人才集聚存在4条路径,可归纳为边缘—大数据平台驱动型、非高云服务下分布式平台驱动型、非高大数据下分布式平台驱动型3种模式。

(2)复杂中介机制检验结果表明,云服务—核心平台驱动型、全平台驱动型、边缘—大数据平台驱动型3类组态充分释放了数据要素价值,进而驱动新质生产力发展。但由于部分架构不完善,在提高数据要素水平的同时,存在企业“上云”困难、平台研发架构不灵活、数据资料运用效率低等问题,不足以实现生产力质变。

4.2 理论贡献

(1)从工业互联网平台独特属性出发,关注工业互联网平台协同组合驱动新质生产力发展这一复杂问题,与之前研究将产业平台视为笼统整体显著不同,拓展了数字平台研究内容和应用场景。

(2)引入数据要素视角,结合组态思想与复杂性关系理论,深入揭示不同工业互联网平台组态通过释放数据要素价值驱动新质生产力间发展的复杂关系和作用机制,为平台建设、数据要素与新质生产力关系研究提供了新思路,对促进新质生产力发展具有重要意义。

(3)结合QCA和空间回归分析方法,为分析复杂中介问题提供了新思路和新方法,拓展了数字化情境下复杂中介模型的应用。采用QCA方法识别工业互联网平台与数据要素的复杂因果关系,采用空间中介回归模型揭示平台组态对新质生产力的影响,深入探究平台组态影响新质生产力的作用效果,拓展了中介模型分析复杂系统问题的深度和广度。

4.3 实践启示

根据上述研究结论,本文提出如下启示:

(1)着力打造多层次工业互联网平台体系,促进新质生产力发展。在复杂系统观下,新质生产力发展由多平台组合驱动,要把握各平台“百花齐放”与“组合集中”,避免出现单一平台建构的发展困境。明确边缘层、云服务层、大数据层及核心工业平台的功能和定位,确保各层级之间的协同和数据流通,夯实边缘层数字基础设施与边缘计算效率,优化云服务层的云服务质量,确保云端安全性与可靠性,提高海量数据采集、分析与决策能力,增强核心工业平台层面向特定细分行业提供具体解决方案的能力。

(2)加强对数据要素的持续积累、应用与维护。推动工业互联网平台及相关应用持续赋能更多行业、更广领域,加速构建制造业数据生态圈与工业数据空间,通过数据多场景复用创造更加丰富的应用场景,让数据在千行百业“用起来”,激活数据要素潜能。同时,加强员工数字技能和数字素养培训,促使员工适应数字化工作环境,充分利用数字工具和资源,尽快跨越企业转型升级的数字鸿沟,最终促进新质生产力发展。

(3)坚持系统观念,围绕“数字中国”战略,做好工业互联网、数字化转型与新质生产力发展等政策衔接与融合。工业互联网平台建构与研发投入巨大,应打通多元支持政策,包括新型基础设施建设与融资、各类产业引导基金、数字确权与网络安全、数字人才培养、平台生态培育等,从平台资金供给转向应用场景落地。

4.4 不足与展望

本文存在以下不足:第一,受限于数据,仅关注专利数据表征的工业互联网平台,在前因条件选择与维度划分上存在一定片面性,会影响结论的可推广性。未来可拓展工业互联网平台前因条件因素,更加全面地挖掘,以提高研究结论的普适性。第二,缺乏对内生性问题的深入讨论,在考虑Xi-M-Y因果链时可能存在反向因果、遗漏变量、样本选择偏误等问题,未来可采用工具变量法、倾向得分匹配等方法进一步讨论内生性问题。

参考文献：

[1] WOLLSCHLAEGER M, SAUTER T, JASPERNEITE J. The future of industrial communication: automation networks in the era of the internet of things and industry 4.0[J]. IEEE Industrial Electronics Magazine, 2017,11(1):17-27.

[2] 王节祥, 陈威如, 龚奕潼, 等. 工业互联网平台构建中如何应对“个性与共性”矛盾——基于树根互联的案例研究[J]. 管理世界, 2024, 40(1): 155-180.

[3] 钞小静, 周文慧, 刘亚颖.工业互联网与制造业企业全要素生产率[J]. 经济管理, 2024, 46(7): 5-19.

[4] 吕文晶, 陈劲, 刘进. 工业互联网的智能制造模式与企业平台建设——基于海尔集团的案例研究[J]. 中国软科学,2019,34(7):1-13.

[5] 王水莲,付晗涵.工业互联网平台主导的创新生态系统价值共创机制——以海尔卡奥斯为例[J/OL].科技进步与对策,1-9[2024-12-27].http://kns.cnki.net/kcms/detail/42.1224.g3.20240410.1501.028.html.

[6] LI H, YANG Z C, et al. How an industrial internet platform empowers the digital transformation of SMEs: theoretical mechanism and business model[J]. Journal of Knowledge Management, 2023, 27(1): 105-120.

[7] 任保平.工业互联网发展的本质与态势分析[J].人民论坛,2021,30(18):88-91.

[8] 孙新波, 刘剑桥, 张明超, 等. 工业互联网平台赋能参与型制造企业价值链数字重构绩效的组态分析[J]. 管理学报, 2024, 21(6): 811-820.

[9] ARNOLD C, KIEL D, VOIGT K I.How the industrial internet of things changes business models in different manufacturing industries[J]. International Journal of Innovation Management, 2016, 20(8):5-35.

[10] HOFMAN E, HALMAN J I M, LOOY B V.Do design rules facilitate or complicate architectural innovation in innovation alliance networks[J].Research Policy, 2016, 45(7): 1436-1448.

[11] WEI R, GEIGER S, VIZE R.Managing paradoxical tensions in platform-based modular solution networks[J]. Industrial Marketing Management, 2022,100:96-111.

[12] GUTH J, BREITENBUCHER U, FALKENTHAL M, et al. A detailed analysis of IoT platform architectures: concepts, similarities, and differences[J]. Internet of Everything: Algorithms, Methodologies, Technologies and Perspectives, 2018,5(4):81-101.

[13] 陈武, 陈建安, 李燕萍. 工业互联网平台:内涵、演化与赋能[J]. 经济管理, 2022, 44(5): 189-208.

[14] FERNANDEZ-ROVIRA C, VALDES J A, MOLLEVI G, et al. The digital transformation of business. towards the datafication of the relationship with customers[J]. Technological Forecasting and Social Change, 2021, 162: 120339.

[15] HUO B, HAQ M Z U, GU M. The impact of information sharing on supply chain learning and flexibility performance[J]. International Journal of Production Research, 2021, 59(5): 1411-1434.

[16] ZAKI M. Digital transformation harnessing digital technologies for the next generation of service[J]. Journal of Services Marketing, 2019, 33(4): 429-435.

[17] SENYO P K, LIU K, EFFAH J. Digital business ecosystem: literature review and a framework for future research[J]. International Journal of Information Management, 2019, 47: 52-64.

[18] LENKA S, PARIDA V, WINCENT J. Digitalization capabilities as enablers of value co-creation in servitizing firms[J]. Psychology &Marketing, 2017, 34(1): 92-100.

[19] 焦豪. 数字平台生态观:数字经济时代的管理理论新视角[J]. 中国工业经济, 2023,41(7): 122-141.

[20] XING. The knowledge system of composite talents based on the development of virtual digital people[J]. Journal of Electrical Systems, 2024, 20(7s): 3386-3399.

[21] 谭洪波, 耿志超. 数据要素驱动新质生产力:理论逻辑、现实挑战和推进路径[J].价格理论与实践, 2024,44(5): 39-44,145.

[22] 焦方义, 杜瑄. 数据要素加快新质生产力发展的政治经济学分析[J]. 现代经济探讨, 2024,43(8): 1-13,43.

[23] MEUER J, RUPIETTA C. Integrating QCA and HLM for multilevel research on organizational configurations[J]. Organizational Research Methods, 2017, 20(2): 324-342.

[24] 周密, 王雷, 郭佳宏. 新质生产力背景下数实融合的测算与时空比较——基于专利共分类方法的研究[J].数量经济技术经济研究, 2024, 41(7): 5-27.

[25] 王珏, 王荣基. 新质生产力:指标构建与时空演进[J]. 西安财经大学学报, 2024, 37 (1): 31-47.

[26] 阳杨,郭佳钦,王少国.新质生产力、创业活跃度与城市高质量发展[J].科技进步与对策,2024,41(22):1-12.

[27] 韩文龙,张瑞生,赵峰.新质生产力水平测算与中国经济增长新动能[J].数量经济技术经济研究,2024,41(6):5-25.

[28] 陈福中,蒋国海,董康银.数字经济对制造业绿色转型的空间溢出效应[J]. 中国人口·资源与环境, 2024, 34(5): 114-125.

[29] 肖有智, 张晓兰, 刘欣. 新质生产力与企业内部薪酬差距——基于共享发展视角[J]. 经济评论, 2024,44(3): 75-91.

(责任编辑:王敬敏)