Digital Intelligence Technology Application and Servitization Transformation of Manufacturing Enterprises: The Chain Mediating Effect of Innovation Resources Allocation and Dual Innovation Capabilities

Yu Baojun1,2,Gong Tingting1,Zhu Huimin1,Li Xueling1

(1.School of Business and Management;2. Center for Quantitative Economics, Jilin University, Changchun 130012, China)

Abstract：Driven by the upgrading of personalized customer demands and the development of market intelligence trends, manufacturing enterprises have undergone an inevitable transition from a product-dominant logic to a service-dominant logic. Servitization transformation has become an important strategic deployment for manufacturing enterprises to obtain a sustainable competitive advantage. As an important external driving force for enterprise transformation and upgrading, digital intelligence technology supports enterprises in establishing digital platforms and analyzing massive customer data, which helps in realizing flexible product and service upgrades to meet customized customer needs. Some scholars have analyzed the impact of digital development and capabilities, among other factors, on servitization, as well as the economic effects generated by the linkage between digitalization and servitization, providing a wealth of theoretical inspiration for understanding the phenomenon of digital intelligence technology driving servitization transformation. However, there are still some gaps. On the one hand, research perspectives are mostly limited to the digital level, with slightly insufficient discussion of digital intelligence in the transformation process of manufacturing enterprises. On the other hand, existing research pays more attention to the synergistic effect of digitization and servitization, lacking discussion on the mechanism of the influence of digital intelligence on the servitization transformation of manufacturing enterprises.

In fact, digital intelligence technology itself does not confer a competitive advantage, and it needs the collaborative absorption and integration of innovation resources and innovation capabilities to provide the foundation and driving mechanism for servitization transformation. From the perspective of the relationship between resources and capabilities, existing researches believe that innovation resources are the basis for improving innovation capabilities, and resources and capabilities complement each other and enable collaborative innovation. The application of digital intelligence technology emphasizes the complementarity between technology and resources and capabilities. Therefore, it is an important issue worth exploring how innovation resource allocation and dual innovation capabilities play a chain role in the application of digital intelligence technology and the servitization transformation of manufacturing enterprises. In view of this, this study combines the dynamic resource-based view and the dual innovation theory, and on the basis of the logic of "resource-capability-behavior", builds a chain mediating model of "digital intelligence technology application - innovation resources allocation - dual innovation capabilities - servitization transformation of manufacturing enterprises".Taking A-share listed manufacturing enterprises from 2013 to 2022 as research samples, this paper discusses the effect and complex mechanism of digital intelligence technology application on the servitization transformation of manufacturing enterprises.

It is concluded that, firstly, digital intelligence technology application can promote the servitization transformation of manufacturing enterprises. The widespread application of digital intelligence technology such as artificial intelligence, big data, and blockchain can help manufacturing enterprises expand their service business, deepen service value, and realize the transformation from a product-dominant logic to a service-dominant logic. This effect is more significant in state-owned enterprises, high-tech enterprises, and heavily polluting enterprises. Secondly, digital intelligence technology application promotes the servitization transformation by optimizing innovation resource allocation and improving dual innovation capabilities. Both of them play independent mediating roles and have a chain mediating effect between digital intelligence technology application and servitization transformation. Further analysis of the relationship between innovation resource allocation and dual innovation capabilities shows that innovation human resource allocation has a more significant effect on improving exploratory innovative capability, while innovative capital resource allocation has a more significant effect on improving exploitative innovation capability.

In terms of the theoretical significance, from the technical perspective, this paper analyzes the effect and mechanism of digital intelligence technology and its different dimensions on servitization transformation, deepens the theoretical connotation of technology availability, expands the application scope of dynamic resource-based view and dual innovation theory, and enriches the research scope of digital intelligence technology application and the research on the pre-influencing factors of servitization transformation. For the managerial implication, this paper provides a possible path for manufacturing enterprises to use digital intelligence technology to promote servitization transformation, and provides inspiration for manufacturing enterprises to combine digitalization with servitization.

Key Words：Digital Intelligence Technology Application; Servitization Transformation; Innovation Resources Allocation; Dual Innovation Capabilities; Chain Mediating Effect

DOI：10.6049/kjjbydc.2023110581

开放科学(资源服务)标识码(OSID)：

中图分类号：F406.3

文献标识码：A

文章编号：1001-7348(2025)08-0057-12

收稿日期：2023-11-20

修回日期：2024-01-18

基金项目：国家社会科学基金重大项目(22&ZD101)

作者简介：于宝君(1978-),男,吉林白山人,博士,吉林大学商学与管理学院教授、博士生导师,吉林大学数量经济研究中心研究员,研究方向为企业数字化转型;宫婷婷(1996-),女,黑龙江哈尔滨人,吉林大学商学与管理学院博士研究生,研究方向为数字服务化;朱慧敏(1997-),女,吉林四平人,吉林大学商学与管理学院硕士研究生,研究方向为用户行为;李雪灵(1972-),女,甘肃兰州人,博士,吉林大学商学与管理学院教授、博士生导师,研究方向为创新创业管理。本文通讯作者:宫婷婷。

0 引言

在客户个性化需求升级和市场智能化发展趋势下,制造企业由产品主导逻辑向服务主导逻辑转变成为必然[1-2],服务化转型已成为制造企业的重要战略部署,有助于企业获得独特的竞争优势[3]。近年来,国家出台了多项政策推动和支持制造企业加速实现服务化转型。《中国制造2025》提出“积极发展服务型制造和生产性服务业,加快制造与服务的协同发展,促进生产型制造向服务型制造转变”。由此,制造业与现代服务业融合发展、协同创新成为制造企业转型升级的必然趋势。中国信通院发布的《中国数字经济发展研究报告(2023)》指出,以大数据、人工智能、区块链、云计算等为代表的数智技术呈现出高度扩散性、渗透性等特征。据测算,到2030年数智技术将推动全球GDP年均增长1.2%,成为新产品、新业态、新模式的催化剂。作为企业转型升级的重要外部驱动力,数智技术能够为企业构建数字化平台和分析海量客户数据提供支持,助力企业实现产品与服务柔性化升级并满足客户定制化需求。例如,诺力股份利用数智技术开展知识管理活动,促进吸收能力形成与利用,从而实现跨越式服务化转型。尚品宅配通过构建HOMKOO整装云平台优化全产业链信息化交付流程,采用数据驱动定制化服务,制定长期数字服务化转型战略。此外,海尔、徐工、陕鼓等领军制造企业也积极应用数智技术实现服务化转型(潘蓉蓉等,2023)。大量典型案例表明,数智技术支持下的增值服务已成为企业创收的重要来源,数智技术改变了服务提供方式,并为服务质量和服务价值提升赋能,进而促进制造与服务融合[4]。虽然数智技术赋能制造企业服务化转型在实践中取得了成功,但内在机制尚不明确且缺乏理论解释,这是学术界与实践界亟待解决的重要问题。

数智化是数字化与智能化的融合,也是运用数智技术改变商业模式、创造新收入的过程[5]。已有研究围绕数智化与服务化展开探索,主要聚焦两个方面:一是从数智化视角开展实证研究,探讨数字化发展[6]、数字化能力[7]对服务化的影响,以及数字化与服务化联动产生的经济效应[8];二是从数智化应用过程视角开展案例研究,剖析数智化技术和数智化管理手段对组织变革的作用机理(单宇等,2021;周翔等,2023)。整体来看,已有研究为解释数智技术驱动服务化转型现象提供了丰富的成果,但存在以下不足:首先,研究视角局限于数字化层面,对制造企业转型过程中数智化的探讨不足。李廉水等(2019)指出,数字化是制造业智能化的初始阶段,数字化与智能化融合对制造企业适应数智时代的发展趋势尤为重要。当前,基于数智化视角的相关研究大多为理论探讨与案例分析,基于客观数据的实证研究较为匮乏。数智化内涵是加快数智技术在企业中的应用(戚聿东等,2022),因而探讨数智技术应用对制造企业服务化转型的影响具有理论意义和实践价值。其次,现有研究更多关注数字化与服务化的协同效应,尚未探究数智化对制造企业服务化转型的作用机制。事实上,数智技术本身并不具备竞争优势,只有与创新资源和创新能力融合[9],才能为企业服务化转型提供动力。基于动态资源基础观和双元创新理论,本文从创新资源配置和双元创新能力着手,揭示数智技术应用对制造企业服务化转型的复杂作用机制。

基于动态资源基础观,Klingebiel等[10]提出,整合内外部创新资源并实现创新资源有效配置是企业转型升级的基础保障。已有研究围绕创新资源配置的作用效果取得了一定成果,如Kwan等(2015)认为,创新人力资源能够影响企业知识获取、吸收和创造过程,而充足的创新经费是企业开展创新活动的前提,两者共同影响企业创新绩效。制造企业服务化转型本质上是商业模式创新,需要大量创新活动推动。郑勇华等(2022)认为,数智技术需要嵌入于企业创新活动中,从而改变企业创新资源获取、整合及利用方式。因此,有必要深入探讨创新资源配置如何在数智技术应用与制造企业服务化转型间发挥作用。

基于双元创新理论,探索式创新能力、利用式创新能力是企业获得竞争优势,进而实现转型升级的动力[11]。已有研究表明,数智技术特有的可视化特征能够促使隐性知识显性化,从而促进双元创新(李继承和周芳,2023)。因此,探究双元创新能力能否在数智技术应用与服务化转型之间发挥桥梁作用具有一定的理论价值。此外,基于资源与能力关系视角,Yalcinkaya等(2007)认为,创新资源是创新能力提升的基础,资源与能力相辅相成、协同创新;廖民超等(2023)指出,数智技术应用强调技术与企业资源、能力间的互补性。因此,有必要进一步剖析创新资源配置、双元创新能力在数智技术应用与制造企业服务化转型间的链式作用。

本文基于动态资源基础观和双元创新理论,遵循“资源—能力—行为”逻辑构建理论分析框架,探究数智技术应用对制造企业服务化转型的影响,以及创新资源配置、双元创新能力的独立中介与链式中介作用。一方面,揭示数智技术及其子维度对制造企业服务化转型的影响,深化技术可用性理论内涵;另一方面,揭示数智技术应用对制造企业服务化转型的复杂作用机制,拓展动态资源基础观和双元创新理论应用范围,以期为制造企业服务化转型提供理论依据与实践指导。

1 理论分析与研究假设

1.1 数智技术应用与制造企业服务化转型

制造企业服务化转型即从提供产品的单一模式转为“产品+服务”整合模式。由此,企业不再是单纯的产品制造商,而是服务提供商,服务收入逐渐成为企业利润的重要来源(李庆雪等,2023)。现有研究表明,制造企业服务化转型主要体现在两个方面:一是围绕产品提供的服务范围扩大,侧重于产品全生命周期管理[12];二是服务价值提升,侧重于激活顾客价值,开展个性化定制服务[13]。数智技术应用对制造企业服务化转型的影响主要通过横向延伸服务业务范围、纵向提升服务业务价值实现。

(1)在服务范围方面,工业互联网、数据挖掘等技术能够促进跨界知识共享(唐国锋和李丹,2020),从而为企业拓展产品增值服务提供智力支持。借助物联网技术,制造企业能够打通上下游产业链条,拓展信息咨询、融资租赁等专业性服务业务,向“产品+服务”融合模式转变。

(2)在服务价值方面,数智技术应用能够激活并释放顾客价值和数据价值,提升服务价值,进而推动制造企业服务化转型。以数智技术为基础的互联网商业模式将顾客纳入价值创造过程中,通过数字平台为企业产品和服务提供实时反馈,便于企业根据顾客需求提供定制化产品和服务[6]。此外,借助大数据和可视化技术对平台产生的海量数据加以利用,实现数据资产化,企业可以将脱敏处理后的数据出售给咨询公司等机构,增加服务业务收入,从而促进自身服务化转型。基于此,本文提出如下假设:

H1:数智技术应用对制造企业服务化转型发挥正向促进作用。

1.2 创新资源配置的中介作用

创新是企业转型升级的驱动力。作为一种资源,数智技术具有较强的创新导向(肖静和曾萍,2023)。有研究指出,数智技术本身不具有可持续竞争优势,企业需要将其与创新资源整合才能实现转型升级[14]。借鉴Guan&Wang[15]的研究,本文将创新资源分为创新人力资源和创新经费资源。其中,创新人才是驱动性资源,创新经费是保障性资源。创新资源优化配置是制造企业借助数智技术实现服务化转型的“桥梁”。

(1)在创新人力资源配置方面,依托数智技术搭建的数字平台能够突破信息壁垒,实现供需双方在线连接与匹配,为企业精准捕获创新人才提供数字化途径(黄宏斌等,2023)。基于信号传递理论,企业将数智技术应用于各业务环节中,借此向外界传达积极信号,进而吸引更多高精尖创新人才主动加入,实现创新人才优化配置。此外,人力资源优化配置能够为制造企业提供智力资本,助力制造企业灵活应对服务化转型过程中流程、产品和组织结构等方面的变革,是制造企业服务化转型的驱动性资源。

(2)在创新经费资源配置方面,数智技术带来的信息共享能够为外部主体及时获取企业信息提供便利[16],降低信息不对称程度,有助于企业构建声誉与信用体系,获取更多政府部门资金,进而拓宽筹资渠道,实现创新经费的“开源”。虚拟仿真技术有助于企业降低创新试错成本,实现内部资金“节流”,从而满足自身资金需求。此外,创新经费资源优化配置能够为制造企业服务化转型提供财力保障。在服务化转型过程中,企业面临挖掘潜在客户需求、抢占用户市场等挑战,因而需要充足的创新经费支持。基于此,本文提出以下假设:

H2a:数智技术应用通过优化创新人力资源配置促进制造企业服务化转型;

H2b:数智技术应用通过优化创新经费资源配置促进制造企业服务化转型。

1.3 双元创新能力的中介作用

依据双元创新理论,March[11]将创新能力分为探索式创新能力和利用式创新能力。其中,探索式创新能力是企业开发新流程、新产品或新服务的能力;利用式创新能力是企业对现有流程、产品和服务进行持续改进的能力。数智时代背景下,双元创新能力兼顾现有知识开发和潜在技术探索,对企业适应变革环境,进而克服“核心刚性”与“能力缺陷”尤为重要。肖仁桥等[17]、Mikalef等[18]基于数智化视角研究发现,技术接入水平、大数据分析能力对双元创新发挥促进作用;黄东岳等(2022)指出,双元创新能力可以推动制造企业高质量发展,是企业实现技术升级和开拓市场的必然选择。鉴于此,本文认为,双元创新能力可作为数智技术应用与制造企业服务化转型间的重要“桥梁”。

(1)数智技术应用能够激活创新生态,促进异质性知识与资源融合,为企业探索式创新能力提升提供更多支撑。同时,数智技术能够消除组织层级带来的障碍,为企业探索式创新提供灵活的管理机制,从而促进企业探索式创新能力提升。

(2)数智技术助力企业挖掘现有资源的潜在价值,为企业快速响应客户需求、完善现有产品功能提供支撑,从而促进企业利用式创新能力提升。此外,双元创新能力有助于制造企业吸收数字平台汇集的异质性知识与技术,充当技术应用与转型升级间的“转换站”,在服务化转型过程中既拥有探索式创新带来的转型动力,又获得利用式创新带来的短期经济利益。基于此,本文提出以下假设:

H3a:数智技术应用通过提高探索式创新能力促进制造企业服务化转型;

H3b:数智技术应用通过提高利用式创新能力促进制造企业服务化转型。

1.4 创新资源配置与双元创新能力的链式中介作用

“资源—能力—行为”逻辑链是基于资源基础观和动态能力理论衍生出来的[19]。资源基础观认为,异质性资源是导致企业间发展不均衡的重要因素。动态能力理论指出,面对不确定性外部环境,企业需要不断整合内外部资源,培育应对外部挑战和利用机会的能力,以维持自身竞争优势[9]。在“资源—能力—行为”逻辑链中,资源为能力形成提供基础,而能力为行为实施提供支持。实际上,创新能力是企业服务化转型的动力,技术资源和创新资源为创新能力提升提供保障。因此,本文认为,数智技术应用、创新资源配置、双元创新能力、制造企业服务化转型间的关系可以通过“资源—能力—行为”这一逻辑加以解释。

(1)数智技术是企业重要战略资源,有助于企业构建数字平台,营造对接创新人才的数字化环境,进而依据转型需求精准获取外部创新人才并优化创新人力资源配置,产生更多灵感和创意(陈国青等,2020),以支持企业对新市场的探索和开发,提升探索式创新能力,从而以新产品、新服务推动服务化转型。

(2)数智技术的强渗透性、可重复编程性和自生长性能够促进多主体参与价值共创,进而为企业从供应商和顾客等利益相关者群体中挖掘创新人才提供支持。这类群体已经使用或体验过企业现有产品或服务,能够直接反馈,有助于企业对现有产品进行更新迭代[20],提升利用式创新能力,进而基于现有技术路径实现服务化转型。

(3)虚拟仿真技术能够降低创新活动试错成本,数字平台有助于企业拓宽融资渠道、优化创新经费资源配置,为探索式创新活动和利用式创新活动提供资金支持,进而跨越组织边界探索新兴市场并改进既有产品及服务。基于此,本文提出以下假设:

H4a:创新人力资源配置、探索式创新能力在数智技术应用与服务化转型间发挥链式中介作用;

H4b:创新人力资源配置、利用式创新能力在数智技术应用与服务化转型间发挥链式中介作用;

H4c:创新经费资源配置、探索式创新能力在数智技术应用与服务化转型间发挥链式中介作用;

H4d:创新经费资源配置、利用式创新能力在数智技术应用与服务化转型间发挥链式中介作用。

基于上述理论分析,本文构建概念模型如图1所示。

2 研究设计

2.1 样本选取与数据来源

本文选择沪深A股制造业上市公司为研究对象,对其2013—2022年面板数据进行分析(制造业按照国民经济行业分类选取)。其中,数智技术应用数据来自CSMAR数据库中的数字经济子库;企业创新资源配置、专利数量以及其它财务数据均来自同花顺(iFind)数据库。此外,本文通过对制造企业年报中主营业务收入明细进行整理得到企业服务业务收入相关数据。本文按照以下规则对样本进行筛选:第一,剔除企业年龄不足3年的样本;第二,剔除研究期间被ST、*ST或PT的企业以及部分数据缺失比较严重的样本企业。本文对连续型变量进行1%的Winsorize缩尾处理,最终确定观测值15 926个,实证分析主要通过Stata17.0软件进行。

2.2 变量测量

2.2.1 因变量:制造企业服务化转型(SOM)

已有研究指出,服务化转型能够为企业带来差异化竞争优势,提升企业盈利能力,服务业务收入占主营业务收入的比重可以直观反映企业服务化产出水平[6]。因此,本文从产出视角出发,采用服务业务收入与主营业务收入的比值衡量。对于服务业收入相关数据的获取,检查企业年报中是否将主营业务收入直接划分为非服务业和服务业两类:若直接划分,则可以直接获取服务业务收入数据;若未直接划分,则对主营业务收入中的产品分类明细数据进行手工整理。例如,三维通信2019年互联网信息服务收入占营业收入的比值为84.09%,则认定服务业务收入占比为84.09%;悦心健康2021年仓库租赁收入占比为6.11%,属于租赁服务收入类别,则认定服务业务收入占比为6.11%。

2.2.2 自变量:数智技术应用(DT)

借鉴吴非等(2021)的做法,本文对样本企业年报进行文本识别,提取与数智技术应用相关的特征词,并将其分为底层技术架构和数智业务场景应用技术两类。其中,底层技术架构包括人工智能、大数据、云计算和区块链技术,特征词图谱如图2所示。本文利用Python的Jieba分词功能对企业年报进行特征词提取并计算频次,考虑到这类数据具有典型的“右偏性”,故对其加1后取对数。此外,数智技术应用对服务化转型的影响可能具有一定的时滞性,即本年度数智技术应用的影响体现在下一年度服务化转型水平上,因而本文对数智技术应用变量作滞后一期处理。

2.2.3 中介变量

(1)创新资源配置。借鉴Guan&Wang(2004)的研究成果,本文从创新人员和创新经费两个方面衡量企业创新资源配置。创新人力资源配置(IRp)采用当年科研人员中参与创新研发活动人数与当年企业人数的比值度量;创新经费资源配置(IRf)采用创新研发支出金额与营业收入的比值度量。其中,创新研发支出包括企业内部用于科技创新活动的经费支出和企业使用来自政府部门的科技创新活动资金。

(2)双元创新能力。借鉴Guan&Liu[21]的研究成果,本文采用Ln(企业发明专利数+1)衡量探索式创新能力(Explor),采用Ln(实用新型和外观设计专利数+1)衡量利用式创新能力(Exploi)。

2.2.4 控制变量

借鉴张锋等(2019)的研究成果,本文控制以下变量:①企业规模(Size),采用Ln(年末总资产)表示;②企业年龄(Age),采用Ln(截至当年年末成立年限)表示;③企业杠杆(LEV),采用企业资产负债率计算;④现金流水平(Flow),采用经营活动产生的现金流量净额除以年末总资产计算;⑤无形资产比例(Intasset),采用无形资产净额除以年末总资产计算;⑥固定资产比例(Ppe),以固定资产净额与总资产的比值衡量;⑦总资产净利率(ROA),年末净利润与总资产年平均余额相除求得;⑧市场势力(NWC),以企业营业收入占所在细分行业营业收入的比值衡量。此外,本文控制了行业和年份。

2.3 模型构建

(1)本文构建基准模型验证研究假设H1,如式(1)所示。

SOMi,t=_consi,t+α1DTi,t-1+∑αjXj,i,t+∑Year+∑Firm+εi,t

(1)

(2)在基准模型的基础上,本文构建中介效应模型验证研究假设H2a-H2b、H3a-H3b,如式(2)(3)所示。

Midi,t=_consi,t+β1DTi,t-1+∑βjXj,i,t+∑Year+∑Firm+εi,t

(2)

SOMi,t=_consi,t+γ1DTi,t-1+γ2Midi,t+

∑γjXj,i,t+∑Year+∑Firm+εi,t

(3)

式(2)中,Midi,t为中介变量取值,包括创新资源配置(创新人力资源配置(IRp)与创新经费资源配置(IRf))、双元创新能力(探索式创新能力(Explor)与利用式创新能力(Exploi))。

(3)借鉴温忠麟和叶宝娟(2014)提出的多重中介效应分析方法,在式(1)(2)的基础上,本文构建链式中介效应模型验证研究假设H4a-H4d,如式(4)～(11)所示。

Explori,t=_consi,t+μ1DTi,t-1+μ2IRpi,t-1+

∑μjXj,i,t+∑Year+∑Firm+εi,t

(4)

SOMi,t=_consi,t+φ1DTi,t-1+φ2IRpi,t-1+

φ3Explori,t+∑φjXj,i,t+∑Year+∑Firm+εi,t

(5)

Exploii,t=_consi,t+δ1DTi,t-1+δ2IRpi,t-1+

∑δjXj,i,t+∑Year+∑Firm+εi,t

(6)

SOMi,t=_consi,t+ω1DTi,t-1+ω2IRpi,t-1+

ω3Exploii,t+∑ωjXj,i,t+∑Year+∑Firm+εi,t

(7)

Explori,t=_consi,t+φ1DTi,t-1+φ2IRfi,t-1+

∑φjXj,i,t+∑Year+∑Firm+εi,t

(8)

SOMi,t=_consi,t+ρ1DTi,t-1+ρ2IRfi,t-1+

ρ3Explori,t+∑ρjXj,i,t+∑Year+∑Firm+εi,t

(9)

Exploii,t=_consi,t+λ1DTi,t-1+λ2IRfi,t-1+

∑λjXj,i,t+∑Year+∑Firm+εi,t

(10)

SOMi,t=_consi,t+θ1DTi,t-1+θ2IRfi,t-1+

θ3Exploii,t+∑θjXj,i,t+∑Year+∑Firm+εi,t

(11)

其中,式(4)(5)验证“数智技术应用→创新人力资源配置→探索式创新能力→服务化转型”这一路径;式(6)(7)验证“数智技术应用→创新人力资源配置→利用式创新能力→服务化转型”这一路径;式(8)(9)验证“数智技术应用→创新经费资源配置→探索式创新能力→服务化转型”这一路径;式(10)(11)验证“数智技术应用→创新经费资源配置→利用式创新能力→服务化转型”这一路径。

3 实证分析

3.1 描述性统计与相关性分析

本文变量描述性统计与相关性分析结果见表1和表2。由表1可知,变量均值和中位数较为接近,说明研究变量基本呈现正态分布。通过表2可以初步判断数智技术应用与制造企业服务化转型具有显著正相关关系,但仍需要通过回归分析进行验证。多重共线性检验结果表明,所有变量的VIF值均小于10,说明变量间不存在严重多重共线性问题,可以作进一步回归分析。

3.2 直接效应与独立中介效应检验

Hausman检验结果显示,拒绝随机效应模型估计结果(p<0.01),故本文选择固定效应进行回归分析,结果如表3所示。模型(1)显示,数智技术应用(DT)与制造企业服务化转型(SOM)间的回归系数为0.644(p<0.01),说明数智技术应用程度越高,服务化转型水平越高,支持H1。

创新资源配置独立中介效应检验结果如表3列(2)～(5)所示。列(2)中数智技术应用(DT)与创新人力资源配置(IRp)间的回归系数为0.341(p<0.01),列(3)中数智技术应用(DT)与制造企业服务化转型(SOM)间的回归系数为0.606(p<0.01),且相较于模型(1),系数有所降低,说明创新人力资源配置发挥部分中介作用。同理,创新经费资源配置亦发挥部分中介效应,H2a、H2b得到验证。进一步分析发现,创新人力资源配置的回归系数大于创新经费资源配置的回归系数(0.341>0.258,p<0.01)。由此表明,相较于创新经费资源配置,数智技术应用对企业创新人力资源配置的影响更显著。

双元创新能力的独立中介效应检验结果如表3列(6)～(9)所示。模型(6)中数智技术应用与探索式创新能力显著正相关(β1=0.448,p<0.01)。列(7)中数智技术应用与制造企业服务化转型显著正相关(β1=0.526<0.644,p<0.01),说明探索式创新能力发挥部分中介作用。同理,利用式创新能力亦发挥部分中介作用,支持H3a、H3b。进一步分析发现,探索式创新能力的回归系数大于利用式创新能力的回归系数(0.448>0.316,p<0.01)。由此表明,相较于利用式创新能力,数智技术应用对探索式创新能力的影响更显著。

3.3 链式中介效应检验

(1)检验“数智技术应用→创新人力资源配置→探索式创新能力→制造企业服务化转型”路径,如表3列(2)(10)(11)所示。结果显示:数智技术应用与创新人力资源配置显著正相关(β1=0.341,p<0.01),创新人力资源配置与探索式创新能力显著正相关(μ2=2.588,p<0.01),探索式创新能力与制造企业服务化转型显著正相关(φ3=0.139,p<0.01),且与基准回归结果相比,数智技术应用系数符号相同但有所下降。由此说明,“数智技术应用→创新人力资源配置→探索式创新能力→服务化转型”链式中介效应成立,支持H4a。

(2)检验“数智技术应用→创新人力资源配置→利用式创新能力→服务化转型”路径,结果如表3列(2)(12)(13)所示。结果显示:数智技术应用与创新人力资源配置显著正相关(β1=0.341,p<0.01),创新人力资源配置与利用式创新能力显著正相关(δ2=0.481,p<0.01),利用式创新能力与制造企业服务化转型显著正相关(ω3=0.262,p<0.01)。由此说明,“数智技术应用→创新人力资源配置→利用式创新能力→服务化转型”链式中介效应成立,支持H4b。

(3)检验“数智技术应用→创新经费资源配置→探索式创新能力→服务化转型”路径,结果如表3列(4)(14)(15)所示。结果显示:数智技术应用与创新经费资源配置显著正相关(β1=0.258,p<0.01),创新经费资源配置与探索式创新能力显著正相关(φ2=0.353,p<0.01),探索式创新能力与制造企业服务化转型显著正相关(ρ3=0.144,p<0.01)。由此说明,“数智技术应用→创新经费资源配置→探索式创新能力→服务化转型”链式中介效应成立,支持H4c。

(4)检验“数智技术应用→创新经费资源配置→利用式创新能力→服务化转型”路径,结果如表3列(4)(16)(17)所示。结果显示:数智技术应用与创新经费资源配置显著正相关(β1=0.258,p<0.01),创新经费资源配置与利用式创新能力显著正相关(λ2=0.427,p<0.01),利用式创新能力与制造企业服务化转型显著正相关(θ3=0.261,p<0.01)。由此说明,“数智技术应用→创新经费资源配置→利用式创新能力→服务化转型”链式中介效应成立,支持H4d。进一步分析发现,创新人力资源配置对探索式创新能力的促进作用更显著(μ2=2.588>ω2=0.481,p<0.01);创新经费资源配置对利用式创新能力的促进作用更显著(φ2=0.427>φ2=0.353,p<0.01)。

3.4 稳健性检验

(1)替换变量。在制造企业服务化转型过程中,不断增加的服务业务势必会带来更多服务岗位。在数智技术支持下,大量生产性工作由人工智能和自动化技术替代,生产人员占全体员工的比重随之下降,更多生产性岗位转为服务性岗位[22]。因此,借鉴赵宸宇(2021)的研究成果,本文采用企业员工数量结构变化反映企业服务化转型程度,将企业非生产人员比例作为服务化转型衡量指标,具体计算如下:企业非生产性人员数量/员工总数,采用SOMp表示。此外,前文提到人工智能技术、大数据技术、云计算技术、区块链技术和数智业务场景应用技术5个方面,数据显示,企业数智技术应用存在单一应用和多元化应用的情况,因而在稳健性检验部分本文采用企业数智技术应用广度(d_DT)进行度量。借鉴张辽和黄蕾琼(2020)的做法,本文采用赫芬达尔指数法度量数智技术应用广度,同时考虑到数智技术应用对服务化转型影响的时滞性,对其作滞后一期处理,计算方法如下:

(12)

其中,d_DTi,t-1为企业i第t-1期数智技术应用广度,Ni,t-1为企业i第t-1期数智技术应用特征词出现的总频次,为企业i第t-1期第j种数智技术应用特征词出现频次,计算公式如下:

(13)

度量企业i第t-1期数智技术应用集中程度,d_DTi,t-1为其倒数,数值越大,说明企业应用的数智技术种类越多,企业数智技术应用范围越广。再次回归后,主要变量回归系数并未发生较大变化,研究假设依然成立,说明研究结果具有稳健性。限于篇幅,回归结果此处不再赘述。

(2)SYS-GMM模型检验。考虑到样本数据可能存在一定的内生性问题,企业当期服务化转型程度容易受到上一期表现的影响,即存在序列自相关问题,加上企业服务化转型影响因素较多,除本文控制变量外,还可能存在其它遗漏变量。因此,本文引入SYS-GMM模型进行重新估计,将被解释变量滞后一期作为新增自变量,重新对基准模型进行回归分析,检验结果如表4所示。结果显示,服务化转型滞后项(L.SOM)的估计参数为0.767(p<0.01),表明这一变量选择具有合理性,且数智技术应用对制造企业服务化转型影响的回归系数仍显著为正,与前述基准回归结果不存在实质性差异。此外,AR(1)的P值小于0.05,即回归模型扰动项的一阶差分存在自相关,而AR(2)的P值大于0.5,即扰动项的二阶差分不存在自相关,且Hansen检验的P值为0.534,大于0.5(不显著)。以上结果说明,SYS-GMM模型是有效的,故不存在严重内生性问题。

(3)Bootstrap中介效应检验。为确保实证研究结果的可靠性,本文通过Bootstrap方法验证创新资源配置和双元创新能力的中介效应,检验结果如表5所示。通过创新人力资源配置的中介作用,数智技术应用对服务化转型的间接效应系数为0.154,95%置信区间不包含0,表明创新人力资源配置的中介效应显著。同理,创新经费资源配置、探索式创新能力和利用式创新能力的中介效应均显著,再次验证了假设H2a、H2b、H3a、H3b。此外,创新资源配置、双元创新能力在数智技术应用与制造企业服务化转型间的4条链式中介作用路径再次得到验证。由此表明,本文分析结果具有稳健性。

3.5 进一步分析:异质性检验

从资源禀赋视角看,相较于其它性质企业,国有企业在创新人力资源和创新经费资源配置方面更具优势,对国家有关数字化与服务化融合发展等政策响应更为及时。从技术基础视角看,高新技术企业技术含量和知识密度较高,具有天然创新活力[23],因而在服务化转型过程中,数智技术融合效率较高。此外,服务化转型本质上具有简化业务流程、降低能源消耗的绿色属性,重污染企业面临的环境管制更严峻,因而对引进数智技术优化业务流程的积极性较强。因此,本文从产权属性、科技属性和污染程度3个方面开展异质性分析,结果如表6所示。

从产权属性看,国有企业组中数智技术应用对服务化转型影响的回归系数为0.628(p<0.01),而非国有企业组中数智技术应用对服务化转型影响的回归系数为0.054(p<0.1)。由此说明,相较于非国有企业,国有企业对数字经济发展政策的响应效果更好,对应用数智技术实现服务化转型这一路径的依赖程度更高。因此,需要进一步发挥国有企业的带头作用,充分利用国有企业在政策补贴、人才结构以及资源获取方面的优势,借助数智技术推动全产业服务化转型。

从科技属性看,高新技术企业组中数智技术应用对服务化转型影响的回归系数为0.589(p<0.01),而非高新技术企业组中数智技术应用对服务化转型影响的回归系数未通过显著性检验。由此说明,相较于非高新技术企业,高新技术企业在数智技术引入、消化和吸收方面具有更大优势,且拥有更多技术创新研发需求,在服务化转型过程中能够更好、更快地将大数据、云计算、人工智能等技术与自身发展战略相融合。因此,应继续发挥高新技术企业技术基础优势,强化数智技术对企业服务业务的支撑作用,进而为其它企业数字服务化发展提供启示。

从污染程度看,重污染企业组中数智技术应用对服务化转型影响的回归系数为0.643(p<0.01),而非重污染企业组中数智技术应用对服务化转型影响的回归系数未通过显著性检验。由此可见,企业服务化转型本身具有绿色属性,数智技术应用能够帮助企业淘汰高污染、高能耗的生产环节。因此,应鼓励重污染企业积极引入与应用数智技术,强化大数据、人工智能技术带来的减排效应,从而为可持续发展理念贯彻和企业服务化转型以及绿色高质量发展提供助力。

4 结语

4.1 研究结论

基于“资源—能力—行为”框架,本文构建数智技术应用对制造企业服务化转型影响的理论模型,探究创新资源配置与双元创新能力对二者关系的链式中介作用,得出如下主要结论:

(1)数智技术应用能够促进制造企业服务化转型,这一结论与Gao等[24]的研究结论一致。人工智能、大数据、区块链等数智技术广泛应用有助于制造企业扩展服务业务、提升服务价值,加快由产品主导逻辑向服务主导逻辑转变,且这一影响在国有企业、高新技术企业以及重污染企业中更加显著。

(2)数智技术应用通过优化创新资源配置和提升双元创新能力推动制造企业服务化转型,二者在数智技术应用与服务化转型之间既发挥独立中介作用,又发挥链式中介作用。进一步分析创新资源配置与双元创新能力的关系发现,创新人力资源配置对探索式创新能力的提升作用更为显著,而创新经费资源配置对利用式创新能力的提升作用更为显著。

4.2 理论贡献

(1)揭示了数智技术应用对制造企业服务化转型的影响。作为数字化与智能化的融合,数智化强调大数据、人工智能等数字智能技术在企业中的应用。但现有相关文献主要关注数字化发展与数字化能力的关系,忽视了数智技术的作用。本文从技术视角出发,剖析数智技术及其子维度对企业服务化转型的影响,深化了技术可用性理论内涵,拓宽了数智技术应用研究范畴和服务化转型前置影响因素研究,响应了Favoretto等[25]探讨新兴数字技术在服务化过程中作用的研究呼吁,为数字化与服务化领域交叉融合作出了增量贡献。

(2)揭示了数智技术应用对制造企业服务化转型的作用机制,基于“资源—能力—行为”逻辑链构建了数智技术应用通过创新资源配置与双元创新能力对制造企业服务化转型影响的理论框架,响应了钱雨等(2021)的研究呼吁(探索数智化转型企业如何通过整合资源和培育能力支持服务驱动型商业模式创新),揭示了数智时代制造企业服务化转型路径,拓展了动态资源基础观和双元创新理论应用范围,丰富了数字服务化转型情境下的研究成果。

4.3 管理启示

(1)制造企业需要重视运用数智技术推动服务化转型。具体如下:夯实底层技术架构,强化数字平台应用,促进企业内外部资源共享;依托数智技术实现场景应用创新,推动传统生产范式向智能制造转变,拓展服务范围,提升服务价值。此外,发挥国有企业优势,把握数字经济带来的机遇,为其它企业转型路径选择提供借鉴。同时,鼓励重污染企业应用数智技术向绿色服务化转型道路前进,关注高新技术企业发展优势和发展战略,动态调整资源倾斜度,加速推进高新技术企业服务化转型,从而为全产业服务化转型提供借鉴。

(2)优化创新资源配置。一方面,利用数智技术构建基于海量数据和人工智能技术的知识管理系统,为创新人才能力提升提供知识资源。另一方面,利用数字平台向相关利益主体提供运营信息公开、互动参与、口碑传播分享等机制,为获得外部创新资金、吸引外部投资者奠定基础,从而实现创新经费资源储备与积累。

(3)利用数智技术加强双元创新能力培育与利用。一方面,借助利用式创新能力对现有产品和服务进行完善及升级,构建品牌虚拟社区与顾客反馈通道,结合客户需求开展增值服务;另一方面,借助探索式创新能力在未知领域对潜在客户需求进行挖掘,引进虚拟仿真等技术降低创新试错成本,建立创新奖励制度,鼓励员工大胆创新,从而为企业进军新市场提供支持。

(4)结合创新资源情况,选择合适的服务化转型路径。对于具备创新人力资源优势的企业而言,应利用数智技术提升自身探索式创新能力,关注市场发展动向并随时准备向新领域进军,以新产品、新服务实现服务化转型。对于具备创新经费资源优势的企业而言,应利用数智技术提升自身利用式创新能力,将更多精力投入到已有产品增值服务更新上,通过升级现有产品和服务推动服务化转型。

4.4 不足与展望

本文存在以下不足:在作用机制方面,从创新视角基于“资源—能力—行为”框架探究了数智技术应用对制造企业服务化转型的作用机制,但数智技术应用对制造企业服务化转型的影响路径具有多元化特征,除创新资源配置和双元创新能力这一路径外,其它路径也值得进一步探索。在调节效应方面,未来可以进一步从宏观视角探究不确定性外部环境以及企业所属地区经济发展水平的差异化调节作用。

参考文献：

[1] GUSTAFSSON A, HOGSTROM C, RADNOR Z, et al. Developing service research-paving the way to transdisciplinary research[J]. Journal of Service Management, 2016, 27(1): 9-20.

[2] CALABRESE A, CASTALDI C, FORTE G, et al. Sustainability-oriented service innovation: an emerging research field[J]. Journal of Cleaner Production, 2018, 193(26): 533-548.

[3] EGGERT A, HOGREVE J, ULAGA W, et al. Revenue and profit implications of industrial service strategies[J]. Journal of Service Research, 2014, 17(1): 23-39.

[4] PIROLA F, BOUCHER X, WIESNER S, et al. Digital technologies in product-service systems: a literature review and a research agenda[J]. Computers in Industry, 2020, 123(41): 1-19.

[5] 陈剑,刘运辉.数智化使能运营管理变革:从供应链到供应链生态系统[J].管理世界,2021,37(11):227-240,14.

[6] 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.

[7] 廖民超,金佳敏,蒋玉石,等.数字平台能力与制造业服务创新绩效——网络能力和价值共创的链式中介作用[J].科技进步与对策,2023,40(5):55-63.

[8] KOHTAMAKI M, PARIDA V, OGHAZI P, et al. Digital servitization business models in ecosystems: a theory of the firm[J]. Journal of Business Research, 2019, 104(47): 380-392.

[9] TEECE D J. Profiting from innovation in the digital economy: enabling technologies, standards, and licensing models in the wireless world[J]. Research Policy, 2018, 47(8):1367-1387.

[10] KLINGEBIEL R, RAMMER C. Resource allocation strategy for innovation portfolio management: resource allocation strategy for innovation portfolio management[J]. Strategic Management Journal, 2014, 35(2): 246-268.

[11] MARCH J G. Exploration and exploitation in organizational learning[J]. Organization Science, 1991, 2(1): 71-87.

[12] KOHTAMAKI M, PARIDA V, PATEL P C ,et al. The relationship between digitalization and servitization: the role of servitization in capturing the financial potential of digitalization[J]. Technological Forecasting and Social Change, 2020, 151(51):1-9.

[13] PASCHOU T, RAPACCINI M, ADRODEGARI F, et al. Digital servitization in manufacturing: a systematic literature review and research agenda[J]. Industrial Marketing Management, 2020, 89(50): 278-292.

[14] KHIN S, HO T C. Digital technology, digital capability and organizational performance: a mediating role of digital innovation[J]. International Journal of Innovation Science, 2019, 11(2): 177-195.

[15] GUAN J C, WANG J X. Evaluation and interpretation of knowledge production efficiency[J]. Scientometrics, 2004, 59(1): 131-155.

[16] 李琦,刘力钢,邵剑兵.数字化转型、供应链集成与企业绩效——企业家精神的调节效应[J]. 经济管理,2021,43(10):5-23.

[17] 肖仁桥,沈佳佳,钱丽.数字化水平对企业新产品开发绩效的影响——双元创新能力的中介作用[J].科技进步与对策,2021,38(24):106-115.

[18] MIKALEF P, BOURA M, LEKAKOS G, et al. Big data analytics capabilities and innovation: the mediating role of dynamic capabilities and moderating effect of the environment[J]. British Journal of Management,2019,30(2):272-298.

[19] 刘宇嘉,刘力钢,邵剑兵.组织冗余、风险承担能力与企业绿色创新战略——来自重污染行业上市公司的经验证据[J].科技进步与对策,2023,40(8):66-77.

[20] YOO Y, BOLAND JR R J, LYYTINEN K.Organizing for innovation in the digitized world [J]. Organization Science, 2012, 23(5): 1398-1408.

[21] GUAN J, LIU N. Exploitative and exploratory innovations in knowledge network and collaboration network: a patent analysis in the technological field of nano-energy[J]. Research Policy, 2016, 45(1): 97-112.

[22] BERNARD A B, FORT T C. Factoryless goods producing Firms[J]. American Economic Review, 2015, 105(5):518-523.

[23] 顾夏铭,陈勇民,潘士远.经济政策不确定性与创新——基于我国上市公司的实证分析[J].经济研究,2018,53(2):109-123.

[24] GAO J, ZHANG W F, MARDANI A. Influence of digital transformation on the servitization level of manufacturing SMEs from static and dynamic perspectives[J]. International Journal of Information Management, 2023, 73(38): 1-12.

[25] FAVORETTO C, MENDES G H S, OLIVEIRA M G, et al. From servitization to digital servitization: how digitalization transforms companies' transition towards services[J]. Industrial Marketing Management, 2022, 102(52): 104-121.

(责任编辑：张 悦)