The widespread application of big data, cloud computing, blockchain, and artificial intelligence in the real economy has provided new ways to address China's key technology breakthroughs. Against this backdrop, exploring the impact mechanism of digital-real technology integration on breakthrough innovation in medical equipment enterprises has become highly significant.
Scholars have found that absorptive capacity, dynamic capability, R&D authorization, organizational flexibility, and environmental dynamics are important mediating and moderating variables in the relationship between digital-real technology integration and breakthrough innovation. However, inconsistent results have also emerged in the research, such as positive promotion and inverted U-shaped effects. These discrepancies may stem from the failure to consider the factor of time rhythm. Time rhythm refers to an enterprise's ability to synchronize its internal operations to adapt to the external dynamic environment. Once the innovation rhythm is out of sync, it is highly likely to result in the subsequent out-of-sync innovation activities at different time points, or even rhythm chaos. This would bring severe consequences to enterprise innovation. According to the organizational adaptation theory, enterprises need to adjust the rhythm appropriately in accordance with the external environment to enhance innovation performance. Therefore, how to control the innovation rhythm has become a key issue in the process of achieving breakthrough innovation through digital-real technology integration.
In addition, it is challenging for enterprises to grasp the rhythm for conducting innovative activities during the process of digital-real technology integration. Innovation network community theory suggests that embedding in technology groups can reduce knowledge exchange costs and risks, while external bridging ties among these groups can provide timely complementary knowledge.Given the recognized role of technology groups in breakthroughs, exploring the contingency effect of enterprise-embedded technology groups on the relationship between digital-real technology integration and innovation rhythm is essential.
Drawing upon organizational adaptation theory and innovation network community theory, this study proposes a moderated mediation effect model to investigate the pathways and boundary conditions through which digital-real technology integration influences breakthrough innovation. This study analyzes a sample of 216 medical equipment enterprises from 2002 to 2022 to investigate the impact mechanism of digital-real technology integration on breakthrough innovation, elucidating the mediating role of innovation rhythm and the moderating effect of technology group embedding. The empirical findings demonstrate that digital-real technology integration significantly promotes the development of innovation rhythm towards irregularity. Both regularization and moderate irregularity of innovation rhythm can promote breakthrough innovation, but excessive irregularity inhibits breakthrough innovation. Furthermore, technology group embedding negatively moderates the positive relationship between digital-real technology integration and innovation rhythm. Innovation rhythm serves as a partial mediator in the relationship between digital-real technology integration and breakthrough innovation.
The theoretical contributions of this study are as follows. Firstly, by integrating the viewpoints of digital transformation and technology integration, it clarifies the impact of digital-real technology integration on breakthrough innovation, thereby enriching the theoretical framework of digital innovation. Secondly, drawing on the time-resource-view and organizational adaptability theory, this research explores the internal mediating mechanisms of innovation rhythm within the process of digital-real technology integration to facilitate breakthrough innovation. Drawing on the time-resource-view and organizational adaptability theory, this research explores the internal mediating mechanisms of innovation rhythm within the process of digital-real technology integration to facilitate breakthrough innovation. Thirdly, this study incorporates technology group embedding as a moderating variable into the first half of the research framework of digital-real technology integration, innovation rhythm, and breakthrough innovation, providing theoretical support for explaining the digitalization paradox.
开放科学(资源服务)标识码(OSID)：
2024年政府工作报告强调“推进关键核心技术协同攻关,加强颠覆性技术和前沿技术研究”。随着数字技术加快向实体产业渗透,大数据、云计算、区块链和人工智能技术在实体经济中的融合场景越来越广阔,企业突破性创新过程和边界发生深刻变革,这为我国攻克关键核心技术提供了重要机遇[1]。医疗装备作为关系国计民生的重要战略性新兴产业,目前高端市场被国外企业垄断,关键核心技术受制于人的局面仍未改变,如CT设备中球管的核心零部件轴承和靶盘仍依赖进口。当产业链向上游延伸时,企业面临技术壁垒高、研发难度大以及对外依赖程度高等多重挑战。以医疗装备企业为研究对象,开展数实技术融合对突破性创新影响的研究具有重要理论与实践意义,为提升我国公共卫生领域战略科技力量提供借鉴。
创新领域相关文献大多基于数字化转型、技术融合视角,研究企业层面数实技术融合对突破性创新的作用机制。受吸收能力、研发授权、组织柔性、环境动态性等中介或权变效应的影响,得出二者之间呈现正向促进、倒U型关系等不一致的研究结论[2-4]。究其原因,上述研究更多停留在静态时间层面,未考虑时间节奏因素。时间节奏是企业为适应外部动态环境使组织内部运营与之同步的一种能力,其典型特征是特定时期内企业活动加速或减速以及周期性重复[5]。例如,高通在每年的骁龙技术峰会上推出新一代处理器,这是典型的“规则化”创新节奏。然而,规则化创新节奏一旦“错拍”,极可能引发后续不同时间点位上创新活动“相位错拍”,甚至是“节拍”混乱的局面。由此给企业创新带来一系列严重后果,如研发资源无效配置、市场份额下降、品牌影响力受损等。根据组织适应理论,企业有必要根据外部环境及自身条件适当调整节奏以提升创新绩效(于超等,2023)。因此,如何把控创新节奏成为企业依托数实技术融合实现突破性创新过程中需要密切关注的问题。然而,数字化情境下相关研究相对匮乏,亟待剖析创新节奏在数实技术融合与突破性创新间的作用机制。
企业开展数实技术融合面临技术选择难、融合成本高、风险程度大等问题,且更加依赖跨领域资源整合和协同创新,因而较难把握节奏开展创新活动。创新网络社群理论认为,企业不仅可以通过嵌入技术群依托群内凝聚性降低知识交流成本、增强风险承担意愿,还能借助群间外部桥接关系及时获取更丰富的互补性知识[6],从而适时调整创新节奏、灵活应对组织外部挑战。技术群内成员间的信任程度较高且具有一致的行为规范[7],但可能存在技术同质化倾向与“小圈子”封闭思维,而群间成员间联系较为稀疏,技术异质性较强[8-9]。现有研究指出,技术群特征会对企业创新绩效产生直接或间接效应。有必要探究企业嵌入技术群在数实技术融合与创新节奏间的权变效应,从而助力企业突破性创新。
综上所述,本文基于组织适应理论、创新网络社群理论,选择2002—2022年216家医疗装备企业为样本,实证探究“数实技术融合—创新节奏—突破性创新”的作用机制,同时考察技术群嵌入对数实技术融合与创新节奏关系的调节效应,以期为数字化情境下企业突破性创新提供理论支撑和政策启示。
1.1.1 数实技术融合相关研究
数实技术融合是以企业数字化转型为基础,表现为数字技术持续被吸收并应用于实体产业技术创新的过程,本质是数字技术与实体企业专用技术间的知识渗透及重组(黄先海等,2023)。企业是数字技术与实体经济融合的微观载体,融合过程表现为依托数字化改造、数字平台生态以及技术集成等方式,加速数据要素向实体企业运营过程贯通、渗透[10-11]。数实技术融合是将实体产业技术与数字技术相融合,通过数字要素利用、数据资源开发以及网络效应等手段对实体经济进行全链条改造(何德旭等,2024)。作为“数实融合”在技术层面的反映,数实技术融合能够推动可编码知识以数据形式流动,对企业技术创新具有重要推动作用。
数字化转型视角下,学者们发现数字化场景下突破性创新过程的融合性提升,战略数字化[2]、流程数字化[12]、数字创新能力[3]可以促进企业突破性创新。也有学者认为,数字化转型仅能促进企业创新“增量”而不能“提质”[13]。受到恶性竞争、路径依赖的影响,企业存在“数字化悖论”的问题(余菲菲等,2022)。技术融合视角下,现有研究发现,数实技术融合能够提升企业知识宽度与技术创新质量,推动新兴技术诞生。数实技术融合能够提升企业生产效率,降低运营流程中的成本费用,促进资源整合及网络协同[14]。突破性创新是一种能改变产业竞争格局和创新范式的高度不连续型创新,因而数字情境下有必要整合上述研究以阐释数实技术融合与突破性创新之间的作用关系。
1.1.2 时间资源观与创新节奏
近年来,时间视角被广泛应用于组织研究,其核心构念速度、时机、步调和节奏被越来越多地用以揭示“组织—环境”框架下的时间维度管理问题[15]。时间资源观(time-as-resource)认为,时间是一种缓冲不确定性的资源或资产。基于这一假设,企业管理者应对其加以利用、分配和优化以促进组织绩效提升。时间资源观关注的核心问题是,企业如何战略性地利用时间提高业绩、抓住市场机会或应对新的危机,以及企业如何适应外部竞争提出的时间要求。速度(speed)是组织快速识别机会并调整和部署其组织活动的能力,意味着高速变革环境下的动态能力。速度较快的节奏容易导致企业陷入“快速陷阱”,造成时间压缩不经济,从而降低企业竞争优势[16]。节奏(rhythm)涉及企业在应对外部环境变化过程中时机选择、行动启动与执行速度和强度,以及活动的行动顺序等问题[5]。时机(timing)意味着正确的节奏,是指活动按时间顺序排列的位置。Shi等[17]发现,企业以恰当时机介入联盟活动更有可能从竞争中获益。时间视野(time horizons)是指当下距离未来的时间长度。Opper等[18]研究认为,短期时间视野可能带来战略性“近视”,致使企业管理者无法提前预见或应对潜在威胁,进而对组织绩效产生负向影响。
基于组织适应理论,创新节奏是企业受组织内外部因素的影响,主动调整或被动适应而产生的随时间变化的创新“动态性”特征[5]。规则化和非规则化是创新节奏较为典型的两种状态。图1显示,采取规则化创新节奏的企业A以均衡步调实施创新,创新总量呈平稳增长趋势;采取非规则化创新节奏的企业B,将创新活动集中压缩于多个时间点上,创新总量呈跳跃增长趋势。现有研究基于不同理论逻辑探究了创新节奏与创新绩效之间的关系,但存在相悖结论。Dougherty等[19]发现,时间节奏和事件节奏间的紧张关系对创新绩效具有负面影响,而二者间有张力的关系则能促进创新绩效提升。蒋峦等[4]发现,“舞步式”创新节奏不仅能够有效解决业内竞争者模仿创新所带来的威胁,还可以通过增强组织柔性间接提升创新绩效。岑杰等(2020)发现,在高速率产业中,创新节奏与企业绩效间呈倒 U型关系;在低速率产业中,创新节奏对企业绩效具有显著正向影响;非规则化创新节奏有助于企业构建难以模仿的、具有因果模糊性的创新战略;规则化创新节奏能够避免企业高管团队决策信息过载,加强企业对创新过程的吸收。 候贵生等(2021)发现,创新节奏趋于稳定更有利于企业绩效提升,创新速度对企业绩效具有倒U型影响。随着数字化进程的加速,学者探究了数字化、创新节奏与创新绩效的关系。于超等(2023)认为,数字化转型的长期投入和持续变革特征改变了研发资金投入结构与步调,更易引发不规律创新;数字化转型与企业不规律的创新节奏之间呈正相关关系,不规则的创新节奏一定程度上更有利于企业创新。因此,本研究试图探究创新节奏的规则化程度在数实技术融合与突破性创新之间的中介效应。
图1 规则与不规则的创新节奏
Fig.1 Regular and irregular rhythms of innovation
1.1.3 创新网络社群理论与技术群嵌入
基于组织间网络,现有研究视角涵盖自中心网(ego network)、网络社群(network community)和整体网(whole network)3个层面,其中,网络社群是缔结组织个体和宏观网络的中间层[20]。在创新领域,学者们重点探讨了网络社群及其特征对创新绩效的直接或调节效应。魏龙等[9]发现,技术创新网络存在多社群“抱团”的巨元组结构,网络社群能够在局域连接和桥连接的双重作用下促进组织创新;Lyu等[21]基于联系紧密度界定技术群体,强调技术群体分化具有群体内部凝聚和群外桥接关系属性,且企业嵌入技术群体能够调节网络位置与创新绩效的关系;张娜等(2022)发现,社群内部企业知识相关程度较高,群内稳定架起群内外知识流通的“桥梁”,有助于企业吸收群外新颖技术知识;李莉等[22]指出,技术群内成员具有较高的资源同质性,会受异配性驱使开展群间创新交互。本研究中,技术群是创新主体通过较为紧密的合作凝聚而成的中观技术社群。
基于“结构—行为—绩效”框架,相关研究发现,创新网络动态社群配置、社群稳定、社群凝聚性和桥接关系会直接或权变影响创新绩效。网络嵌入是企业在创新网络中基于过去的联系和合作逐渐形成的相对稳定关系,基于自中心网视角将技术群嵌入界定为企业嵌入创新网络技术群这一中观社群结构的程度。依据创新网络社群理论,企业可以通过嵌入技术群扩大自身获取创新资源的范围并提升其便利程度[23]。其中,技术群的凝聚性表示群内技术主体间互动频繁程度,群间桥接关系表示群内技术主体与创新网络中群外主体联系的紧密程度[21]。现有研究认为,企业嵌入技术群可以通过群内凝聚实现资源共享、风险共担,并通过群外桥接构建跨群边界的“纽带”,引入新颖的异质性知识[6],从而帮助企业采取恰当的创新节奏开展突破性创新。鉴于此,本研究预期,技术群嵌入可为企业提供丰富的技术资源和协同创新机会,通过影响数实技术融合与创新节奏的关系促进突破性创新。
1.2.1 数实技术融合与突破性创新
(1)数字资源作为生产要素进入企业创新过程,有助于企业把握创新方向并萌发突破性创新思想。大数据、人工智能以及云计算等底层数字技术应用促使企业转向算法驱动的智能管理,通过实时监测市场动态、用户需求以及洞察技术前沿动态[1],为创新活动开展提供精准的方向指引。数字技术的模块性和交互性有助于企业突破“信息孤岛”,增进企业间交流协作,拓宽创新思路,从而激发突破性创新。
(2)数实技术融合驱动“供给侧”数据技术与企业传统专用技术开展重组创新,增加“创造性破坏”的可能。数字技术的可重新编程性、可供性及可重新诠释性有利于企业提升决策效率、优化创新流程,从而推动跨界创新[24-25]。在降低企业信息搜寻成本和沟通成本的同时,数实技术融合可以降低数字产品市场进入与退出壁垒,促进突破原技术轨道的创新产生[26]。
(3)数实技术融合有助于企业依托创新生态,以开源合作的创新模式促进突破性创新。数实技术融合能够帮助企业突破知识传播与资源配置的瓶颈,传统基于产业链的融合被拓展至基于资源共享的网络化融合,进而演化为高度互联、复杂交织的创新生态系统(张超等,2021)。数字技术的生成性、开放性和共享性为系统中创新知识扩散、积累提供“加速度”[27],有助于构建开源共享的创新机制,从而促进企业突破性创新。基于此,本文提出如下假设:
H1:数实技术融合正向促进企业突破性创新。
1.2.2 创新节奏的中介效应
(1)数实技术融合正向影响创新节奏的非规则程度。首先,数实技术融合过程中易引发企业研发决策的不确定性,使创新节奏向不规则方向发展。数实技术融合面临技术选择困难、技术重组复杂、成果见效慢等问题[10],需要企业权衡高额的创新成本与融合效益,这可能导致企业在制定创新策略时变得谨慎而犹豫。因此,企业会不断调整其研发投入结构和步调,从而导致创新节奏不规则。其次,数实技术融合有助于企业识别有前景的技术机会,开展“不连续”创新,进而导致创新节奏发生变化。间断平衡理论指出,重大的、有前景的技术机会并不会频繁出现,而是具有不连续且稀少的特点[28]。这意味着企业需要灵活调整创新策略,多采取短期、迅速的模式进行临时性创新活动,因而创新节奏在时间动态上更倾向于非规则。最后,数实技术融合引致的技术范式变革会促使企业形成新的创新轨迹,改变创新节奏的规则性。数字技术凭借其特有的通用性可以实现不同领域技术间的有效兼容,这可能打破传统创新惯例,促使企业技术方向和关键技术能力随之改变[29]。企业需要不断优化创新方案,通过快速迭代、试错等形成新的创新轨迹,从而导致开展创新活动的节奏不规则。基于此,本文提出如下假设:
H2a:数实技术融合促使创新节奏朝不规则方向发展。
(2)随着创新节奏由规则化转向不规则化,其与突破性创新的作用关系呈现“先扬后抑”的趋势。首先,较为规则化的创新节奏可为突破性创新的产生蓄积力量。规则化创新节奏意味着企业在长期创新战略导向下,按照创新惯例有步调地响应市场变化、有效配置资源,进而开展技术探索。这有助于企业通过实施小规模、高频次的持续性微创新,逐步冲破旧技术范式的“枷锁”进入新的技术轨道,实现突破性创新[30]。其次,一定程度的不规则化创新节奏有利于企业突破性创新,但严重不规则的创新节奏则阻碍企业突破性创新。适度不规则的创新节奏有助于企业跳出原有固化创新思维与技术范式,提升创新的灵活性与创造性,通过把握内部创新活动惯例与外部市场动荡环境的平衡促进突破性创新(于超等,2023)。然而,创新节奏过度不规则使管理团队注意力不能聚焦,极有可能陷入资源盲目分散投入的困境,导致突破性创意被扼杀和创新决策效率低下[31]。而且,混乱的创新节奏会增加创新过程中的摩擦与冲突,加剧创新失败风险,从而抑制企业突破性创新。基于此,本文提出如下假设:
H2b:创新节奏对突破性创新呈倒U型影响,即创新节奏的规则化和适度不规则化均能促进突破性创新,但过度不规则会抑制突破性创新。
综上所述,一方面,数字技术与企业专用技术深度融合能够促进企业跨领域协作及知识共享,不仅有利于企业敏锐捕捉创新机遇、灵活调整创新策略,更有助于企业突破传统研发模式壁垒[32],使得创新节奏规则化遭到破坏。另一方面,企业若采用稳定或适度波动的创新节奏,则能够逐步从持续性微创新走向突破性创新。然而,混乱的创新节奏可能使企业陷入技术路径依赖和创新惰性的困境,或导致企业资源分散、方向迷失[33],因而难以产生突破性创新。数实技术融合促使创新节奏朝不规则方向发展,创新节奏的规则化和适度不规则化均能促进突破性创新,但过度不规则会抑制突破性创新。基于此,本文提出如下假设:
H2:创新节奏在数实技术融合与突破性创新之间发挥中介作用。
1.2.3 技术群嵌入的调节作用
(1)技术群嵌入可以降低创新成本和创新风险,从而缓和数实技术融合对创新节奏不规则程度的影响。企业所嵌入技术群的凝聚性越高,意味着群内技术交流越紧密,越有助于企业快速掌握新技术、新方法[9],进而通过压缩数实技术融合时间提高创新效率。高凝聚性的技术群借助互惠互利的合作关系,可以降低单个企业创新风险,分摊较高的研发费用,进而降低企业研发决策的不确定性(何彬源等,2023),使得创新节奏的规则性程度受到较小影响。
(2)技术群嵌入有助于企业精准把握创新机会,进而延缓间断式创新模式形成,使得创新节奏趋于规则化。企业所嵌入技术群的桥接关系越多,意味着企业存在连接不同技术群的“桥梁”或“纽带”,更有利于企业拓宽视野,捕捉前沿技术趋势和把握市场动向[6]。而且,技术群嵌入能够降低数实技术融合过程中的知识搜寻难度,促进资源共享与协同创新,从而实现技术创新快速迭代和高效敏捷的市场响应,使企业创新步调更加平稳。
(3)技术群嵌入有助于企业权衡群内外信息,选择合适的创新模式,形成较为稳健的创新轨迹,避免过度追求数实融合导致创新节奏混乱。企业嵌入技术群的水平越高,表明企业从不同技术群中获取的信息越广泛和及时。这有利于企业结合自身技术积累、资源禀赋和市场定位[22],选择合适的数实技术融合模式和程度。而且,高水平技术群嵌入有助于企业基于创新路径和方向适时调整创新策略,形成持续稳定的创新轨迹,进而抑制创新节奏的不规则程度。基于此,本文提出如下假设:
H3:技术群嵌入负向调节数实技术融合与创新节奏之间关系。
综上所述,本文构建理论模型如图2所示。
图2 理论模型
Fig.2 Theoretical model
本文以医疗装备领域为研究对象,原因在于:①医疗装备具有多学科交叉、知识资金密集、技术体系复杂的特点,为保护知识产权,企业通常会将创新成果转化为专利;②数字技术不断赋能医疗装备领域,涌现出人工智能影像诊断、可穿戴智能医疗监测设备、手术机器人等新技术,符合本文所探究的数实技术融合现象;③医工交叉融合、协同创新是医疗装备企业“抱团入群”助力技术突破的重要形式。
本文选择HimmPat解决方案式全球专利智能检索分析平台作为数据来源,采用标题和关键词策略,检索医疗装备技术和数字化技术融合的专利数据。选择2002—2022年作为研究时间窗口,因为信息化医疗体系建设的重点推进始于2002年,随后在信息化、数字化赋能下,医疗装备企业不断取得技术突破。同时,考虑到变量滞后与计算问题,研究时间截至2022年。依据《“十四五”医疗装备产业发展规划》重点发展领域和技术分解表,以及《数字经济核心产业分类与国际专利分类参照关系表》,确定专利检索关键词。2023年3月,研究团队共检索出数字医疗融合专利60 211条。随后,根据专利申请人的专利数量分布比例,剔除排名靠后且持有较为离散数量的专利申请人。最终确定216家企业为具体研究对象,专利数量为12 415条。
2.2.1 被解释变量
突破性创新(RIQ)。突破性创新是能够显著改变行业格局或市场需求的创新,具有高度原创性和新颖性。专利数据是衡量技术创新活动的关键指标。一般来说,专利被引频次越高,说明该专利在相关领域内的技术影响力越大,其技术价值和创新性越高。考虑到发明专利面临更为严格的审查制度,可以更好地衡量企业实质性技术创新活动,本研究主要基于发明专利识别突破性创新。借鉴 Rong等[34]的测度方法,选择样本企业在研究时间窗口内的发明专利被引频次衡量突破性创新。为克服数据右偏问题,将企业发明专利被引频次加 1 取对数,使变量正态分布。
2.2.2 解释变量
数实技术融合(DTC)。数实技术融合是数字技术与企业实体技术轨道的整合,本质上表现为知识元素融合[35]。学界通常采用专利系数法、投入产出法、专利引证分析法、专利共现分析法对技术融合进行测度。其中,专利系数法直接采用数字技术专利测度,不能深入反映数实技术融合的本质;投入产出法更多用来测度产业融合,较技术融合的内涵范围更广;专利引证分析方法更注重表征技术融合趋势和方向;共现分析方法一般用于分析不同IPC分类号在同一专利文档中共同出现的频次,以揭示技术间的融合特征。本文借鉴李丫丫等(2016)的研究,本文采用辛普森多样性指数衡量数实技术融合,该指数同时考虑技术种类的丰富度和技术关联的均匀性。为了更完整地体现技术融合过程中的技术种类和技术关联,有学者引入生物学中“辛普森多样性”测度技术融合。
当一项专利所属专利分类号中至少同时含有一个数字技术领域和其它技术领域的IPC4时,表明该技术发生了数实融合(陶峰等,2023)。例如,医疗装备领域样本中某项专利的IPC4显示为A61H、G16H、H04L,分别代表理疗装置、处理医疗健康数据的通信技术以及数字信息传输3个不同技术领域,因而该项技术是数实技术融合的结果。
操作步骤如下:首先,从专利申请数据中提取全部IPC4信息,剔除只有一个分类号的专利数据;其次,计算IPC4所有分类号之间的共现频次,构建技术融合矩阵测算技术关联水平;最后,利用式(1)计算数实技术融合,分母取观测年份数字医疗技术专利申请量,分子取专利申请观测年不同技术类别出现次数。
(1)
其中,n表示组织涉及的技术领域;xnt表示t观测年技术n出现次数,xt代表t观测年数字医疗技术申请数量。
2.2.3 中介变量
创新节奏(INR)。借鉴Vermeulen等[36]的研究,采用一段时间内企业创新行为(专利申请)一阶导数的峰态测度创新节奏。创新节奏表示企业申请专利数量随时间推移的波动情况,采用至少追溯4年的专利数据测量。创新节奏的值越大,表明企业创新行为越不规则,公式如下:
(2)
其中,m是观测值的数量,yt是第t年专利数量,企业从t年开始回顾4年(从t到t-4年)专利数量的平均值为y,标准差为s。
2.2.4 调节变量
技术群嵌入(TGE)。借鉴刘晓燕等(2023)的研究,采用企业持有全部专利的IPC4嵌入产业技术融合网络内技术群的数量测度技术群嵌入。首先,根据专利申请数据中提取的IPC4信息,构建医疗装备领域的技术融合矩阵,并运用Ucinet6.2软件绘制网络图谱;其次,采用基于模块度的Louvain算法识别技术群;最后,根据IPC4所隶属的企业组织情况,构建“组织技术隶属—IPC技术融合”双重网络,进而识别样本企业所嵌入的技术群数量。图3显示,组织1嵌入技术群1和2两个技术群,因而技术群嵌入水平为2。其中,方块表示专利权人组织,圆圈表示不同的IPC4;方块和圆圈间的虚线表示技术与组织的隶属关系,圆圈间的实线表示IPC4技术共现。
图3 “组织技术隶属—IPC技术融合”双重网络
Fig.3 Dual network of organizational technology subordination—IPC technology fusion
2.2.5 控制变量
考虑到专利权人特征和知识网络特征对突破性创新的可能影响,本研究选择企业年龄、性质、技术多样性和知识网络凝聚性作为控制变量。
企业年龄(AGE)。年轻企业具有较高的灵活性和开放性,对数字技术和创新理念更感兴趣,能够保持较快的决策流程和迭代速度;老企业由于长期依赖特定技术和管理模式,在面对新技术时可能陷入路径依赖的困境,从而错过创新机会(何彬源等,2022)。本文采用样本采集截止时间与样本主体成立时间的差值测度企业年龄。
主体性质(SOE)。中国医疗装备创新研发主体主要包括企业、科研机构、高等院校以及医疗机构等。不同性质的创新主体在研发投入、创新方式上存在差异[37]。本文采用虚拟变量表示,其中企业记为1,其它记为0。
企业技术多样性(ETD)。多样化技术领域能够降低企业对单一技术领域的依赖,同时提供更多技术融合的可能性,降低因技术变革或市场变化带来的风险。将技术多样性作为控制变量,有助于消除技术领域差距对企业创新的影响。借鉴Guan等[38]的研究,采用熵值法进行测度,如式(3)所示。
(3)
其中,n为技术领域数量;Pij表示企业i在技术领域j的专利申请数量占该企业总专利申请总数的比重。
知识网络凝聚性(NCC)。知识网络凝聚性反映企业知识库中知识元素聚集程度。高知识网络凝聚性有助于加速知识整合和吸收利用,促进跨领域知识交流和融合,为突破性创新提供基础[39]。本研究通过构建样本企业的IPC4共现网络测度网络凝聚性,如式(4)所示。
(4)
其中,n为网络节点数;di为节点i的中心度;Ei为节点i的di个邻居之间实际存在的边数。
为验证数实技术融合与突破性创新之间的关系,本文构建如下基准模型:
RIQi=β0+β1DTCi+βkμki+εi
(5)
式中,RIQ、DTC分别表示突破性创新、数实技术融合,μki表示包含创新节奏、技术群嵌入以及控制变量的整体,εi表示随机误差项。
变量描述性统计结果与相关系数如表1所示。整体来看,变量间相关系数均小于0.5,且各变量方差膨胀因子(VIF)的值均小于4。因此,不存在严重的多重共线性问题,适合进行回归分析。
表1 描述性统计与相关性分析结果
Table 1 Descriptive statistics and correlation analysis
变量均值标准差12345678RIQ4.70 1.631DTC1.76 13.67 0.133**1INR4.54 7.39 0.178**0.127**1TGE2.782.010.0530.123**-0.133**1AGE3.361.230.361***-0.024-0.0850.187***1SOE0.590.48-0.045-0.0130.210***-0.156**-0.433***1NCC0.570.25-0.086-0.0490.076-0.090-0.120*0.0111ETD1.300.930.457***0.061-0.0230.256***0.310***-0.242***-0.220***1
注: *表示在0.1水平下显著,**表示在0.05水平下显著,***表示在0.01水平显著,下同
3.2.1 基准回归分析
数实技术融合与突破性创新关系检验结果如表2所示。模型1仅包含控制变量,企业年龄(β=0.212,p<0.05)、企业性质(β=0.610,p<0.01)和技术多样性(β=0.118,p<0.01)对突破性创新具有显著正向影响;企业知识网络凝聚性(β=0.475)并不能直接影响突破性创新。模型2检验数实技术融合对突破性创新的直接作用,结果显示,数实技术融合的回归系数为0.171(p<0.05),相较于模型1,调整后的拟合优度提高了0.108,因而H1得到验证。这表明数实技术融合通过丰富企业多元化资源储备、提升知识重组创新的可能性以及助力创新生态建设,促进企业突破性创新。
表2 基准回归分析与稳健性检验结果
Table 2 Benchmark regression analysis and robustness test results
变量基准回归模型1模型2稳健性检验滞后效应检验替换被解释变量负二项检验控制变量AGE0.212**0.231**0.217**-0.0130.173**(2.26)(2.47)(2.28)(-0.49)(2.03)SOE0.610***0.664***0.652***0.0040.749***(3.18)(3.35)(3.07)(0.08)(4.48)ETD0.118***0.113***0.112***0.321***0.130***(11.08)(10.93)(10.82)(131.08)(10.65)NCC0.4750.512*0.4770.0271.329**(1.58)(1.69)(1.61)(0.02)(2.46)自变量DTC0.171**0.162*0.137**0.249***(2.16)(1.98)(2.00)(3.28)R20.3680.4770.4670.326△R20.3570.4650.4560.315Log Likelihood-1 510.82Wald chi2233.25***
3.2.2 稳健性检验
(1)滞后效应检验。鉴于数实技术融合对企业突破性创新的影响可能存在滞后效应,本文使用滞后一期的突破性创新指标进行回归,解释变量的回归系数显著为正(β=0.162,p<0.1),结果稳健。
(2)替换被解释变量。考虑到核心变量测量误差会导致回归结果存在有偏和不一致性,通过改变突破性创新测度方法进行稳健性检验。借鉴毕静煜(2021)等的研究,采用企业第t年相比于其前5年出现新知识元素的专利数测度突破性创新。在替换被解释变量后,数实技术融合的系数显著为正(β=0.137,p<0.05),支持本研究基准回归结论。
(3)更换研究模型。采用负二项回归模型替换基准模型,以此检验估计模型的稳健性。使用专利被引频次衡量突破性创新,满足负二项模型被解释变量非负整数的前提。结果显示,解释变量的回归系数仍正向显著(β=0.249,p<0.01),结果稳健。
3.2.3 内生性检验
工具变量法可以解决遗漏变量偏误和双向因果等内生性问题。本文选取滞后一期数实技术融合(DTC_L1)和同行业其它企业数实技术融合均值(DTC_ME)作为工具变量,使用两阶段最小二乘法(2SLS)进行模型估计。一方面,相关分析发现,企业数实技术融合与两个工具变量相关,满足工具变量选择的相关性要求;另一方面,同行业其它企业数实技术融合均值与焦点企业突破性创新之间的关系非常微弱,可以认为工具变量是外生变量。
内生性检验结果如表3所示。第一阶段回归结果显示,滞后一期数实技术融合的回归系数(β=0.306,p<0.01)显著为正,同行业其它企业数实技术融合均值的回归系数(β=0.744,p<0.1)显著为正,模型的F值为15.21,大于10,说明不存在弱工具变量问题。第二阶段回归结果显示,数实技术融合的显著性水平变化不大(β=2.230,p<0.01),表明在控制潜在内生性因素干扰后,基准回归结论仍然成立。
表3 内生性检验结果
Table 3 Endogeneity test results
变量变量符号第一阶段DTC第二阶段RIQ自变量DTC2.230***(3.66)工具变量DTC_L10.306***(5.51)DTC_ME0.744*(2.26)控制变量YESYES常数项-0.490***4.737***(-2.24) (26.12)F/Chi215.2113.38
本文借鉴温忠麟等[40]的三步检验法进行中介效应检验,整体模型构建如下:
RIQi=β0+β1DTCi+β2INRi+β3INRi2+βkμki+εi
(6)
式中,INR、INR2分别表示创新节奏及其平方项,其余与基准模型一致。
中介效应检验结果如表4所示。模型2检验数实技术融合对突破性创新的影响,回归系数显著为正(β=0.171,p<0.05)。模型3检验数实技术融合对创新节奏的影响,回归系数为正(β=0.302,p<0.01),因此H2a得到验证。模型4和模型5检验在控制数实技术融合的影响后,创新节奏及其平方项对突破性创新影响的回归系数,结果显示,创新节奏与企业突破性创新的回归系数(β=0.096,p<0.01)为显著正向、二次项的回归系数(β=-0.574,p<0.05)显著为负,呈现出阈值效应(见图4),因此H2b得到验证。最后,对比模型2和模型5发现,数实技术融合的回归系数从0.171(p<0.05)降低至0.168(p<0.05)。同时,本研究对观测数据进行重复抽样(1 000次),采用Bootstrap方法检验中介效应的显著性。表5结果显示,创新节奏的回归系数在95%置信区间内不包含0,证实了创新节奏在数实技术融合与企业突破性创新中发挥部分中介效应,因而H2得到验证。
表4 中介效应检验与调节效应检验结果
Table 4 Results of mediation effect test and moderation effect test
变量RIQINRRIQRIQINR模型2模型3模型4模型5模型6控制变量AGE0.231**0.0720.235**0.250**0.088(2.47)(0.96)(2.39)(2.59)(1.31)SOE0.664***0.368**0.618***0.682***0.250*(3.35)(2.17)(2.75)(3.05)(1.73)ETD0.113***-0.017**0.114***0.111***-0.011(10.93)(-2.07)(10.65)(10.52)(-1.58)NCC0.512*-0.0800.4720.423-0.049(1.69)(-0.34)(1.55)(1.40)(-0.27)自变量DTC0.171**0.302***0.164**0.168**0.486***(2.16)(4.83)(2.06)(2.09)(8.11)中介变量INR0.0170.096***(1.43)(2.68)中介变量2INR2-0.574**(-2.29)调节变量TGE-0.237***(-4.08)交互项DTC*TGE-0.362***(-6.24)R20.4770.1260.4870.4500.343△R20.4650.1070.4730.4840.322
表5 Bootstrap检验结果
Table 5 Bootstrap test results
中介变量效应标准差95% 置信区间Boot LLCIBoot ULCIINR间接效应0.031 5-0.083 4-0.000 2直接效应0.081 90.176 70.478 5
图4 创新节奏与突破性创新的倒U型关系
Fig. 4 Inverted U-shaped relationship between innovation rhythm and breakthrough innovation
结合图4可知,创新节奏与突破性创新的倒U型关系曲线拐点介于8～10之间。虽数实技术融合会造成创新节奏向不规则方向发展,但多数企业创新节奏保持在不规则水平的可控范围内(均值4.54)。总体来看,数实技术融合对突破性创新主效应的正向影响仍发挥主要作用,因而H1得到进一步验证。
为检验技术群嵌入对数实技术融合与创新节奏关系的调节效应,本文在基准模型的基础上将数实技术融合与技术群嵌入进行标准化处理,构建二者交互项,设定如下模型:
RIQi=β0+β1DTCi+β2TGEi+β3DTCi×TGEi+βkμki+εi
(7)
式中,变量含义与基准模型一致。调节效应检验结果如表4所示。模型6中,数实技术融合与技术群嵌入的交互项系数显著为负(β=-0.362,p<0.01),因此H3得到验证。这表明技术群嵌入负向影响数实技术融合与创新节奏的正向关系,即技术群嵌入程度越高,数实技术融合对创新节奏造成的不规则影响越小。
随着新一代信息技术与医疗装备交叉融合提速,企业如何依靠自身以及借助外部技术群把握创新节奏开展突破性创新,是实现我国医疗装备产业链自主可控亟待解决的关键问题。本文通过对2002—2022年216家医疗装备企业进行实证研究,得出以下主要结论:
(1)数实技术融合对企业突破性创新具有正向促进作用。提高数实技术融合水平有助于丰富企业知识基础、促进企业创新机会识别以及构建开放创新生态,从而激励突破性创新产生。
(2)创新节奏在数实技术融合与突破性创新间起部分中介作用,数实技术融合正向影响创新节奏,而创新节奏对突破性创新具有倒U型影响。数实技术融合使创新节奏朝不规则方向发展,且创新节奏在适度规则的情况下对突破性创新产生促进作用,过度不规则的创新节奏则会抑制突破性创新。
(3)技术群嵌入通过负向调节数实技术融合与创新节奏之间的正向关系影响突破性创新。企业能够通过嵌入技术群分担创新风险、及时响应市场,缓解数实技术融合引起的创新节奏不规则,从而促进突破性创新。
本文通过阐明创新节奏的中介效应和技术群嵌入的调节效应,打开数实技术融合影响企业突破性创新的“黑箱”,理论贡献如下:
(1)通过整合数字化转型与技术融合视角,厘清数实技术融合对企业突破性创新的影响,丰富了数字化创新理论脉络。现有研究将数字化转型作为技术创新工具,强调其在企业创新活动中发挥数据互联、降低成本以及优化资源配置等方面的赋能作用(黄先海等,2023),而较少探究数字技术与企业实体技术融合对企业前沿创新的变革性影响[24]。本文将数字化理论与技术融合理论相结合,弥补企业层面数实技术融合与突破性创新关系研究的不足。
(2)基于时间资源观和组织适应理论,揭示创新节奏在数实技术融合促进企业突破性创新过程中的中介传导机制,为阐释“数字化悖论”提供了理论支撑。以往研究从组织内部视角探讨了组织柔性、吸收能力、研发授权等中介效应,但大多停留在时间静态层面(岑杰等,2019),对企业主动调整或被动适应过程中随时间变化的创新动态性特征缺乏关注[4]。本文揭示创新节奏在数实技术融合与突破性创新间的中介机制,从数实技术融合视角深化对数字情境下企业采取“动态”适应性创新行为的理解。
(3)依托创新网络社群理论,阐明技术群嵌入调节数实技术融合与创新节奏的关系,拓展数实技术融合与突破性创新关系研究理论边界。现有文献已证实,技术群有利于企业间资源共享、风险共担以及新颖性知识获取,且群内外特征能够调节企业创新网络结构特征与创新绩效或创新扩散的关系,但鲜有研究揭示数字情境下企业嵌入技术群对创新过程与结果的影响[6,21]。基于自中心网视角,本文将技术群嵌入作为调节变量纳入“数实技术融合—创新节奏—突破性创新”框架,从情境条件角度拓展了数实技术融合与企业突破性创新关系研究。
本研究结论为我国医疗装备企业在数实融合背景下开展突破性创新提供以下管理启示:
(1)密切关注数字科技前沿动态,加快“数实”多元化场景深度融合,从而促进突破性创新。随着精准医疗和个性化治疗需求日益增长,推动医疗装备向精准性更高、交互性更强的智能诊疗、精准诊疗方向发展已成为行业共识。为实现这一目标,企业需要积极利用人工智能、大数据分析、云计算等前沿数字技术,并将其与医疗产业技术深度融合,从而促进创新突破。
(2)把控创新节奏规律性的“双刃剑”效应,避免陷入不规则创新的陷阱。医疗装备领域技术具有跨领域性,创新难度较高、资源投入较大以及创新周期较长,管理层需要重视企业创新节奏和“长远”的时间视野。因此,企业可以通过强化市场洞察力、跟踪行业动态等措施,以较为平稳或适度不规则的创新节奏开展创新活动,应对动荡环境带来的挑战和冲击。
(3)在数实技术融合过程中,企业可尝试嵌入相关技术群以加速实现突破性创新。企业应积极寻求与其它企业、科研机构、高校等的合作机会,通过参与多元化技术群或联盟加速技术突破进程。通过嵌入技术群,企业能够更加敏锐地洞察技术趋势,及时发现创新机会,实现资源共享和风险共担,从而在数实融合过程中实现突破性创新。
本文存在以下不足:以医疗装备企业为研究对象探讨数实技术融合对企业突破性创新的影响机制,未来可以围绕高技术产业、新兴技术产业等开展研究,提高研究结论的普适性。此外,在数字经济背景下,技术群以及相关概念派系、社群、创新联合体等的重要性凸显,本研究以技术群嵌入作为中介变量对数实技术融合与企业突破性创新的关系进行探讨,未来可以进一步挖掘技术群其它属性特征的重要作用。
[1] 洪银兴, 任保平. 数字经济与实体经济深度融合的内涵和途径[J]. 中国工业经济, 2023,40(2):5-16.
[2] 余江, 白宇彤, 孟庆时, 等. 数字化转型战略对企业数字创新绩效影响研究[J]. 科研管理, 2024,45(4):1-11.
[3] 王宏起, 李雨晴, 李晓莉, 等. 数字创新能力对战略性新兴产业突破性创新的影响研究——环境动态性的调节作用[J]. 管理评论, 2024,36(5):89-100.
[4] 蒋峦, 李忠顺, 谢卫红, 等. 组织柔性与环境动态性下时间节奏对创新绩效的影响[J]. 管理学报, 2015,12(9):1337-1342.
[5] 唐继凤, 肖宵, 李新春. 企业战略节奏与竞争优势:一个理论框架[J]. 外国经济与管理, 2021,43(7):3-21.
[6] SU Y, VANHAVERBEKE W. How do different types of inter-organizational ties matter in technological exploration[J]. Management Decision, 2019,57(8):2148-2176.
[7] LYU Y, HE B, ZHU Y, et al. Network embeddedness and inbound open innovation practice: the moderating role of technology cluster[J]. Technological Forecasting and Social Change, 2019,144(7):12-24.
[8] PADULA G.Enhancing the innovation performance of firms by balancing cohesiveness and bridging ties[J].Long Range Planning,2008,41(4):395-419.
[9] 魏龙, 党兴华. 非对称视角下技术创新网络社群结构涌现及其对双元创新的影响研究[J]. 运筹与管理, 2017,26(10):188-199.
[10] 欧阳日辉. 数实融合的理论机理、典型事实与政策建议[J]. 改革与战略, 2022,38(5):1-23.
[11] 陈雨露. 数字经济与实体经济融合发展的理论探索[J]. 经济研究, 2023,58(9):22-30.
[12] FERREIRA J J M, FERNANDES C I, FERREIRA F A F. To be or not to be digital, that is the question: firm innovation and performance[J]. Journal of Business Research, 2019,101(8):583-590.
[13] 张国胜, 杜鹏飞. 数字化转型对我国企业技术创新的影响:增量还是提质[J]. 经济管理, 2022,44(6):82-96.
[14] 廖晓语, 张鹏飞, 许杨. 数实产业技术融合与制造企业高质量发展[J]. 企业经济, 2024,43(8):119-128.
[15] BLAGOEV B, HERNES T, KUNISCH S, et al. Time as a research lens: a conceptual review and research agenda[J]. Journal of Management, 2023,50(6):2152-2196.
[16] HAWK A, PACHECO-DE-ALMEIDA G. Time compression (dis)economies: an empirical analysis[J]. Strategic Management Journal, 2018,39(9):2489-2516.
[17] SHI W S, PRESCOTT J E. Rhythm and entrainment of acquisition and alliance initiatives and firm performance: a temporal perspective[J]. Organization Studies, 2012,33(10):1281-1310.
[18] OPPER S, BURT R S. Social network and temporal myopia[J]. Academy of Management Journal, 2020,64(3):741-771.
[19] DOUGHERTY D, BERTELS H, CHUNG K, et al. Whose time is it? understanding clock-time pacing and event-time pacing in complex innovations[J]. Management and Organization Review, 2013,9(2):233-263.
[20] SYTCH M, TATARYNOWICZ A. Exploring the locus of invention: the dynamics of network communities and firms' invention productivity[J]. Academy of Management Journal, 2014,57(1):249-279.
[21] LYU Y, LIU Q, HE B, et al. Structural embeddedness and innovation diffusion: the moderating role of industrial technology grouping[J]. Scientometrics, 2017,111(2):889-916.
[22] 李莉, 林海芬, 程露, 等. 技术群体成员变动、知识流耦合与产业创新网络抗毁性:技术异质性的调节作用[J]. 管理工程学报, 2022,36(1):25-36.
[23] 郑向杰, 吴雨衡. 弱派系嵌入对企业创新的影响——知识流动的双向中介效应与对技术多元化的调节效应[J]. 企业经济, 2022,41(8):14-24.
[24] NAMBISAN S, WRIGHT M, FELDMAN M. The digital transformation of innovation and entrepreneurship: progress, challenges and key themes[J]. Research Policy, 2019,48(8):103773.
[25] NYLÉN D, HOLMSTRÖM J. Digital innovation in context:exploring serendipitous and unbounded digital innovation at the church of Sweden[J]. Information Technology &People, 2019,32(3):696-714.
[26] 邵云飞, 谢丽. 网络结构嵌入对企业突破性创新绩效的影响——以生物医药上市企业为例[J]. 科技进步与对策, 2023,40(18):72-79.
[27] 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.
[28] GUPTA A K, SMITH K G, SHALLEY C E. The interplay between exploration and exploitation[J]. Academy of Management Journal, 2006,49(4):693-706.
[29] 杨瑾, 李蕾. 数字经济时代装备制造企业颠覆式创新模式——基于扎根理论的探索[J]. 中国科技论坛, 2022,38(8):89-99.
[30] TURNER S F, MITCHELL W, BETTIS R A. Strategic momentum: how experience shapes temporal consistency of ongoing innovation[J]. Journal of Management, 2012,39(7):1855-1890.
[31] WU X, DU J, XU Y, et al. Unpacking the impact of OFDI speed and rhythm on innovation performance: evidence from Chinese firms[J]. Management and Organization Review, 2022,18(5):958-981.
[32] 吕荣杰, 宋志烨, 张义明, 等. 数智化使能企业跨界搜索提升创新绩效的模式匹配与选择——基于知识治理机制视角[J]. 科技进步与对策, 2023,40(24):133-142.
[33] HASHAI N, KAFOUROS M, BUCKLEY P J. The performance implications of speed, regularity, and duration in alliance portfolio expansion[J]. Journal of Management, 2015,44(2):707-731.
[34] RONG Z, WU X, BOEING P. The effect of institutional ownership on firm innovation: evidence from Chinese listed firms[J]. Research Policy, 2017,46(9):1533-1551.
[35] HACKLIN F, MARXT C, FAHRNI F. Coevolutionary cycles of convergence: an extrapolation from the ICT industry[J]. Technological Forecasting and Social Change, 2009,76(6):723-736.
[36] VERMEULEN F, BARKEMA H. Pace, rhythm, and scope: process dependence in building a profitable multinational corporation[J]. Strategic Management Journal, 2002,23(7):637-653.
[37] 冯亚男, 杜艳婷, 刘娜, 等. 研发合作模式下知识关系对企业突破性创新的影响——基于知识基础的调节作用[J]. 科学决策, 2024,31(5):204-216.
[38] GUAN J, YAN Y, ZHANG J. How do collaborative features affect scientific output? evidences from wind power field[J]. Scientometrics, 2015,102(1):333-355.
[39] 徐露允, 龚红. 协作研发伙伴多元化、知识网络凝聚性与企业新产品开发绩效[J]. 南开管理评论, 2021,24(3):160-172.
[40] 温忠麟, 方杰, 谢晋艳, 等. 国内中介效应的方法学研究[J]. 心理科学进展, 2022,30(8):1692-1702.