开放科学(资源服务)标识码(OSID)：
This study argues that digital innovation can promote the key technology breakthroughs by improving the knowledge acquisition,knowledge absorption,and integration capabilities of enterprises,while industry-university-research co-operation can enhance the facilitating effect of digital innovation on the key technology breakthroughs. This study utilizes enterprise data from 2011 to 2023 to assess digital innovation levels through textual analysis and word frequency metrics. It constructs an indicator system for key technologies across innovation,dissemination,economic impact,and security. By integrating the technological catch-up perspective,the study evaluates key technology breakthrough capabilities. Employing multiple linear regression,mediation analysis,moderation effects modeling,instrumental variable approaches,and the Heckman two-stage method,the study investigates the direct impact of digital innovation on key technology advancements,the mediating role of knowledge acquisition,absorption and integration ability,and the moderating influence of industry-academia collaboration.
The empirical results show that digital innovation (including digital technology innovation and digital management innovation) has a significant facilitating effect on key technology breakthroughs,and the conclusion still holds after the robustness test and endogeneity treatment. Heterogeneity analysis finds that digital innovation has a stronger facilitating effect on key technology breakthroughs in non-state-owned enterprises compared with state-owned enterprises. Further analysis confirms that digital innovation can promote key technology breakthroughs by improving enterprises' internal knowledge integration ability,digital technology innovation can promote key technology breakthroughs by improving the enterprises' knowledge absorption ability,and there is a positive moderating effect of industry-university-research cooperation in the relationship between digital innovation and key technology breakthroughs. Therefore,enterprises are advised to establish a "technology + management" digital innovation framework to maximize the catalytic impact of digital innovation. They should also develop a knowledge management ecosystem to enhance the effectiveness of industry-university-research collaboration. Moreover,by implementing tailored digital innovation strategies,enterprises can invigorate their innovation potential.
The marginal contributions of this paper are as follows: Firstly,it expands the research on digital innovation from the enterprise level. Within the theoretical framework of dynamic capability and information processing,this study constructs the theoretical chain of "digital innovation - technological breakthrough" and expands the research on digital innovation. Secondly,it enriches the research on the influencing factors of key technology breakthroughs. This study empirically reveals that digital innovation can promote the breakthrough of key technology by improving the efficiency of information processing and the collaborative ability of multiple subjects,and reducing the risk,which provides a new perspective for tackling the bottlenecks in key technologies. Thirdly,utilizing the improved entropy weight TOPSIS method and the technological catching-up perspective,the key technology breakthrough ability is measured by combining patent data. From the perspective of technological catching-up,this study provides a new measurement of key technology breakthrough ability through the improved entropy weight TOPSIS method,combined with the patent data of the nine strategic emerging industries at the global level,which makes up for the insufficiency of the study on the measurement of key technology breakthrough ability at the micro level.
开放科学(资源服务)标识码(OSID)：
2024年我国科技研发投入突破3.6万亿元,同比增长8.3%,研发投入强度达到2.68%,全球创新指数排名第11位。但与发达国家相比,我国在高端芯片、工业软件等新兴产业领域面临的关键核心技术“卡脖子”问题依然存在。如何为我国新兴产业领域的关键核心技术突破寻找到一条可复制、可推广的路径,解决“卡脖子”难题,成为当下亟需解决的重大问题之一。
在此背景下,数字创新为关键核心技术突破提供了一条可行路径。以区块链、人工智能、物联网等为代表的新一代数字技术成为推动经济高质量发展的新引擎。数字创新是指由数字技术实现的数字与物理组件的新组合,从而促进产品创新和价值创造[1]。为确保创新要素集聚与重组,迫切需要对创新能力进行数字化升级。结合关键核心技术突破的高投入、高不确定性、长周期等特征[2],明晰和优化创新能力,探索数字创新在动态环境下对战略性新兴产业关键核心技术突破的作用,对于我国在数字技术浪潮中建立产业竞争优势、打赢关键核心技术攻坚战具有重要意义。
目前,学者们围绕数字创新与关键核心技术突破展开了一系列研究。研究认为,数字创新可以提高企业信息披露质量,通过优化信息管理方式改善内部运营[3],降低信息不对称性,促进企业资源整合[4]和提升创新效率[5]。在关键核心技术突破方面,已有文献探究了科技创新体系化能力[6]、网络基础设施[7]以及产学研融合[8]、要素配置[9]等与关键核心技术突破的关系。现有研究为本文提供了文献基础,但仍存在以下不足:第一,数字创新与关键核心技术突破关系的神秘面纱尚未完全揭开,数字创新是影响关键核心技术突破的关键所在,明确二者之间的作用机制有助于快速、合理调动数字资源,助力关键核心技术突破;第二,囿于关键核心技术突破概念模糊、测算困难,尚缺乏被广泛接纳的关键核心技术突破衡量标准,关于数字创新影响企业关键核心技术突破的实证研究也较为匮乏。在当前数字技术快速迭代的背景下,企业如何有效获取、吸收、整合各类知识与资源,促进关键核心技术突破成为迫在眉睫的问题。此外,关键核心技术突破不仅依赖于良好的制度环境、市场氛围,还需多元主体的协同合作。研究表明,企业通过产学研合作能够凭借多元创新主体的力量优势,在产业链、创新链各环节实现创新要素耦合以及产学研各创新主体联合,从而形成关键核心技术突破的强大合力[8]。
鉴于此,本文主要解决3个研究问题:①数字创新能否促进关键核心技术突破?②数字创新能否通过提高企业知识获取、知识吸收以及知识整合能力3条路径助力关键核心技术突破?③产学研合作能否强化数字创新与关键核心技术突破的关系?为此,本文基于动态能力理论和信息处理理论,分析数字创新对关键核心技术突破的影响机理,旨在为提高数字创新水平,攻克关键核心技术“卡脖子”难题提供经验证据和理论支撑。
本文可能的贡献如下:一是从企业层面拓展数字创新理论研究。现有研究主要聚焦数字创新对经营绩效[5]、竞争力[10]及战略性新兴产业突破性创新[11]的影响,本文发现数字创新的融合性、可编程性与自生长性[12]通过重构创新范式,能够为突破关键核心技术提供新动能。基于动态能力与信息处理理论框架,本文构建数字创新—技术突破的理论链条,拓展数字创新相关研究。二是丰富关键核心技术突破的影响因素研究。以往关于关键核心技术突破的研究主要集中于概念辨析、突破路径和案例分析等方面,在影响因素上,多聚焦于科技创新体系[6]、网络基础设施建设[7]、产学研协同[8]等要素,对数字创新战略价值的关注不足。本文通过实证分析,揭示数字创新可通过提高信息处理效率、促进多元主体协同实现技术创新,为破解关键核心技术“卡脖子”问题提供新视角。三是基于技术追赶视角,突破既有研究采用修正的专利被引次数[7]、高价值专利数[13]等单一维度局限,利用改进的熵权TOPSIS法,结合全球九大战略性新兴产业专利数据,对关键核心技术突破能力进行测度,弥补微观层面关键核心技术突破能力测度研究的不足。
数字经济时代,数字创新已成为推动组织转型、增强竞争优势的关键手段[4]。关于数字创新,学界普遍认同其具有融合与生成[14]两大核心特性。首先,数字创新通过构建开放的技术平台,集成多源信息,鼓励多元化主体参与,实现产品、实体乃至不同行业集聚[14],这一过程彰显其融合特征。其次,数字技术的生成性在于其激发并促进广泛、多元、独立的主体共同参与创新活动,这种活动能够不断推动新技术、新产品、新流程和新服务形成。数字创新作为一种使能技术,其生成性体现为能催生出支持新技术的产品、流程和服务并展现出无限可能性[15]。关键核心技术大多聚焦于创新链与产业链的前沿研究,其知识与技术的高度复杂性使得突破过程面临较高技术风险和不确定性,需投入大量资金、人才、技术等,同时需要大学、科研机构、科技中介、科技金融等多元主体的协同攻关[2]。技术落后企业进行创新时,并不能确保实现关键核心技术突破,表明企业开展技术创新活动与实现关键核心技术突破之间并非存在直接的线性关系[9]。鉴于此,本文从技术追赶角度探讨企业关键核心技术突破能力,将其视为技术落后企业的关键核心技术能力在特定技术领域相对同期最优企业关键核心技术能力的接近程度。企业关键核心技术突破能力越强,说明其与最优水平之间的差距越小,换而言之,企业进行技术追赶和实现技术突破的能力越强。
根据信息处理理论,信息管理有助于企业应对各种不确定性[16]。企业在提升关键核心技术突破能力过程中,需不断提高信息处理能力。高效的信息处理可以降低不确定性,促使组织做出明智决策[17]。
首先,数字创新能提高企业信息处理效率,促进关键核心技术突破。企业依托数字信息系统,可以低成本、多维度地聚合海量数据,最大程度地对数据资源进行内化与处理,提升组织流程兼容度,促进决策和控制系统智能化。数字创新中的人工智能、大数据、区块链等数字技术,能够赋能关键核心技术研发流程中的低效环节,例如以大数据计算替代人工分析,提升关键核心技术开发、试验、测试准确性[18],提高核心技术研发成功率。
其次,数字创新能够降低企业面临的潜在风险,促进关键核心技术突破。根据数字创新的生成性特征,数字创新本质上是动态、可延展的,在完成产品设计和生产后能增加新功能[19],数字技术的数据同质性、可重新编程性使得企业能够以较低试错成本促进关键核心技术突破。例如,通过大数据分析技术能够更好地把握市场导向,避免外部环境变化导致关键核心技术研发偏离市场定位;数字孪生等技术运用能够在仿真平台模拟真实创新流程,反复迭代试验,降低关键核心技术研发成本,提升风险厌恶型企业研发意愿,促进关键核心技术突破[20]。
最后,数字创新能够提高多元主体协同能力,促进关键核心技术突破。从数字创新的融合特性来看,企业可以利用数字技术紧密联系客户和业务伙伴,促进资源整合[21]。例如,沃尔沃汽车公司利用数字创新平台获得了与潘多拉电台、Spotify音乐服务等应用程序开发商合作机会。外部主体的参与和介入不仅为企业带来新创新理念,而且有助于企业在复杂和不确定的外部环境中把握机遇,提高应变能力[22],从而提高关键核心技术突破能力。据此,本文提出如下研究假设:
H1：数字创新有助于提高企业关键核心技术突破能力。
当前企业面临竞争格局多变、经济政策不确定、信息技术复杂化等问题,为了适应这种动荡、不可预测的市场环境,企业必须充分利用数字技术,挖掘潜在机会和建立可持续竞争优势。如何有效获取、吸收、整合各类知识与资源,促进数字创新与企业动态发展相匹配成为迫在眉睫的关键问题。动态能力是指企业根据需要更新和重新配置现有资源,进而适应市场和环境变化的能力[23]。为此,本文从知识获取、知识吸收和知识整合能力3个角度探究数字创新对关键核心技术突破的影响机制。
首先,数字创新可以通过提高知识获取能力进而提升关键核心技术突破能力。企业可以利用数字创新技术迅速获取和分析相关数据,及时掌握和预测市场需求变化;在了解市场需求的基础上,企业可以做出更有针对性的研发决策[24]。以传统方式获取外部知识会受到物理界限和空间场景的限制,知识扩散只能在固定边界进行。相比之下,网络空间因其传播即时性、受众广泛、知识交互强等特征,使得企业获取技术知识和创新资源不再受到时间、空间及方式的限制。在数字技术的加持下,技术知识、创新资源能够跨边界无障碍流动[25]。企业可以在获取大量外部异质性知识的基础上,增加知识存量,识别出对企业有价值的知识,从而为关键核心技术突破提供信息和知识基础。
其次,数字创新可以通过提高知识吸收能力进而提升关键核心技术突破能力。企业实现关键核心技术突破离不开对内部和外部知识的重组与吸收,这些知识包括显性知识和隐性知识。知识吸收能力是企业将外部知识转化为内部知识的能力,也是企业通过知识管理创造价值,并且获得和持续维持竞争优势的动态能力[26]。借助数字创新技术,企业更易于识别当前相关行业显性和隐性信息,洞察潜在个性化需求。此外,通过与线上数字平台互动,企业能够获得更丰富、持续更新的知识资源,加速吸收各类信息。随着吸收能力提升,企业能够精准识别关键核心技术突破所需知识,通过对相关知识的拆分、解构、吸收和复原等,转化为自身知识[27],从而提高关键核心技术突破能力。
最后,数字创新可以通过提高知识整合能力进而提升关键核心技术突破能力。企业进行关键核心技术突破过程中会积累大量数据和信息,这些信息通常是非标准化的并且包含不相关数据,通常被称为“噪声”[28]。利用数字创新,企业可以将数据有效地整合、处理和转换为标准化、可访问数据,提升信息质量和可用性。同时,企业能够及时了解同行业竞争者战略动向,降低信息不对称性带来的不利影响。随着知识整合能力提升,企业不断挖掘所获资源与知识的新用途,激发不同业务模块间的协同效应[29]。这不仅能够显著提高企业灵活性、快速响应市场变化,而且为关键核心技术突破开辟了新途径。同时,企业通过持续积累试错过程中的经验教训,将其与组织业务单元中产生的数据进行沉淀和整合,实现数字知识与数字资源的高效动态匹配[30],极大提升知识与资源利用效率,为关键核心技术突破能力提升注入新动力。根据以上分析,本文提出如下假设:
H2a：数字创新通过提高企业知识获取能力,进而提升关键核心技术突破能力;
H2b：数字创新通过提高企业知识吸收能力,进而提升关键核心技术突破能力;
H2c：数字创新通过提高企业知识整合能力,进而提升关键核心技术突破能力。
鉴于关键核心技术的复杂性、系统性,依靠单一组织资源和能力难以实现关键核心技术突破,需要不同主体间的协同[31]。产学研合作有助于促进不同创新环节以及不同技术领域内知识与技术重组,助力企业打破技术路径依赖和思维定式,提升关键核心技术突破能力。作为企业突破关键核心技术的重要支撑,产学研合作促使各创新主体打破组织边界,融通创新链、产业链各环节。产学研合作程度越高,即企业与高校、科研院所间的正式或非正式交流越多,越有助于促进知识从高等院校和科研机构流向企业。在此情境下,企业凭借数字创新,高效收集与整合多源信息,实现对外部知识的深度挖掘以及内部知识整合,为关键核心技术突破提供知识基础。当产学研合作程度较低时,会产生组织信任危机[32]。此时不同机构各自为战,资金、设备、人才等资源整合难度加大,不仅会延缓创新进程,而且易导致数字创新对关键核心技术突破的促进作用不显著。因此,本文提出以下假设:
H3：产学研合作正向调节数字创新对关键核心技术突破的促进作用。
综合上述分析,本文构建理论模型如图1所示。
图1 理论模型
Fig.1 Theoretical model
2.1.1 关键核心技术突破能力(KCT_ability)
已有学者利用专利技术领域多样性程度、专利数量以及专利引用数等对关键核心技术突破能力进行测度。然而,考虑到关键核心技术的创新性、辐射性、经济性和安全性等特征,需设计科学合理的定量评价指标体系以测度关键核心技术突破能力。具体步骤如下:
(1)划定关键技术领域。战略性新兴产业是以重大技术突破和重大发展需求为基础,推动经济社会长远发展的重要引擎,具有知识技术密集、成长潜力大等特征。本文基于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)(试行)》,参考其中的IPC分类号以及关键词概述,针对9个战略性新兴产业分别构建专利检索式。选择2011-2023年公布的专利并根据专利家族对专利进行同族合并,在剔除核心指标缺失的专利数据后,共得到1 007 142条专利数据,专利数据主要来自壹专利数据库。
(2)评价专利得分。本文从创新性、辐射性、经济性和安全性4个维度对关键核心技术进行评价,构建包含10个三级指标的关键核心技术评价体系。具体如下:
关键核心技术创新性。创新性是指专利技术具有较高新颖性,能够结合本领域专业知识进行原理设计、过程实施、产品呈现等创新活动。专利引证次数在一定程度上能够体现专利质量,反映专利技术对相关领域知识的融合情况。专利引证次数越多,表明专利技术的复杂性、新颖性、创新性越强[33]。从发明人数量看,发明人数量体现领域内技术人员集聚程度。人员越多,表明专利的知识基础越广泛,专利技术的创新性越强[34]。因此,本研究选取引证次数和发明人数测度创新性。
关键核心技术辐射性。辐射性是指某项专利技术对后续发明创造带来的影响。专利被引证次数越多,表明该专利对后续发明创造的影响越大,技术辐射性越广泛。国际专利分类号(IPC)数量越多,则表明该项专利与产业联系越紧密,技术覆盖范围也越广泛[34]。因此,本研究选取被引次数和国际专利分类号(IPC)数量测度辐射性。
关键核心技术经济性。经济性是指关键核心技术突破产生的市场经济价值。申请者越多,表明此项专利技术的应用越多,从而能够带来一定经济价值。此外,专利技术可以通过转让实现经济价值,专利转让次数越多表明该技术发展水平越趋于成熟、经济价值越大[35]。国民经济分类数则表明专利技术与产业对接情况,国民经济分类数量越多,说明涉及的产业领域越多,产生的经济价值越高。因此,本文从申请者人数、专利转让次数、国民经济分类数3个维度衡量经济性。
关键核心技术安全性。安全性是指专利涵盖多个前沿技术领域,且多项核心技术要点受到保护,能够保障本国技术的战略安全。其中,同族专利数能够反映该专利技术在领域内的扩散性,数量越多说明技术安全性越高。权利要求数体现专利取得重大突破时需要保护的成果数量[33]。数量越多,说明专利保护项目越多,技术安全性越高。专利权人通过在不同国家或地区申请专利获得更大地域范围的保护,同族国家数量越多,专利市场保护范围越大,安全性越高[36]。因此,本研究采用专利权利要求数、同族专利数、同族国家数表征关键核心技术安全性。
综上,关键核心技术评价指标体系如表1所示。
表1 关键核心技术评价指标体系
Table 1 Evaluation system for key technology indicators
维度具体指标创新性专利引证次数发明人数辐射性专利被引次数IPC分类号数经济性申请人数专利转让次数国民经济分类数安全性专利权利要求数同族专利数同族国家数
本文采用改进的熵权TOPSIS法对专利技术进行评价。基于欧氏距离的传统TOPSIS法无法准确评价各专利优势,而马氏距离通过引入协方差矩阵,考虑了指标间相关性,能更准确地衡量多维空间中的样本距离,使得距离计算更合理。因此,本研究引入马氏距离并采用绝对理想解代替传统的相对理想解,在此基础上进行专利技术评价。
(3)筛选上市企业。由于上述环节中的专利申请者包含企业、高校、科研院所、个人等,因此筛选出用于后续实证分析的上市企业专利数据。
(4)基于技术追赶视角测度关键核心技术突破能力[9]。
首先,测算企业在不同技术领域的相对技术优势(RTA)。借鉴企业相对技术优势指标,衡量企业在不同技术领域的创新能力,如式(1)所示。
(1)
其中,技术领域j是指主IPC分类号(小类),Wijt是企业i在t年j领域的专利得分情况,Wjt是t年j领域专利得分情况,Wit是i企业t年的专利得分情况,Wt为t时期所有专利得分之和。
其次,计算企业关键核心技术能力。企业在某领域相对技术优势越大,即该领域专利得分越高,说明企业在该领域的关键核心技术能力越强。参考已有做法,测算企业关键核心技术能力[9],如式(2)所示。
Ait=ln{max{RTAijtWijt,∀j}}
(2)
最后,计算关键核心技术突破能力。本文基于技术追赶视角,计算企业关键核心技术突破能力,如式(3)所示。
(3)
其中,
表示先进企业关键核心技术能力,
表示后发企业与先进企业之间的技术差距,KCT_ability表示企业关键核心技术突破能力。KCT_ability越大,说明关键核心技术突破能力越强。
2.1.2 数字创新(DT)
关于数字创新变量,本文参考丁红乙和成琼文(2024)的做法,利用文本挖掘技术,搜集与整理数字创新相关政策文本以及企业年报等资料,从数字技术创新和数字管理创新两个维度提炼关键词,如表2所示。本文以数字技术创新和数字管理创新关键词词频总数加1取对数表征数字创新。
表2 数字创新相关关键词
Table 2 Digital innovation keywords
维度关键词数字技术创新人工智能技术:生物识别技术、人脸识别、商业智能、智能数据、分析图像理解、投资决策辅助系统、智能机器人、机器学习、深度学习、语义搜索、语音识别、身份验证、自然语音处理、自动驾驶、聊天机器人、AI、智能仓储物流大数据技术:数据挖掘、文本挖掘、数据可视化、异构数据、征信、增加现实、混合现实、虚拟现实、数字孪生区块链技术:数字货币、分布式计算、差分隐私技术、智能金融合约云计算:流计算、图计算、内存计算、多方安全计算、绿色计算、信息物理系统、类脑计算、物联网、认知计算、融合架构、一级并发、EB 级存储、网络化数字管理创新信息化管理:移动互联网、工业互联网、移动互联、互联网医疗、电子商务、信息安全建设平台数字化管理:数字金融、金融科技、量化金融、开发银行、移动支付、第三方支付、NCF支付、智能能源、B2B、B2C、C2B、O2O、网联、数字矿山、5G、数据管理、数字化能源管理、数字化人力资源管理智能化管理:智能穿戴、智慧农业、智能交通、智能医疗、智能客服、智能家居、智能投顾、智能文旅、智能环保、智能电网、智能营销、数字营销、无人零售、互联网金融、智慧矿山、智能矿山
2.1.3 中介变量
知识获取能力(K_acquisition)。本文参考赵炎等[37]做法,采用专利引用数表征企业知识获取能力。专利引用数指的是企业引用其他企业授权专利的次数。次数越多,表明企业获取知识的能力越强。
知识吸收能力(K_absorption)。知识吸收能力是指企业将获取的外部知识与内部资源同化并创造出新知识、新技术,从而实现自身商业目的的能力。本文借鉴Rothaermel&Hess[38]的做法,采用研发强度衡量企业知识吸收能力。
知识整合能力(K_integration)。知识整合能力反映企业将感知、攫取和产出的知识与信息重新组合,并创造出新知识的过程。参考张杰和郑文平[39]的做法,本文采用企业知识宽度衡量企业知识整合能力。具体而言,参考赫芬达尔指数计算方法,从大组层面定义企业专利知识宽度。
(4)
其中,Zimt为t年企业i在m大组下累计申请的发明专利与实用新型专利数量,Zit为t年企业i在全部大组下累计申请的专利数。K_integration值越大,说明企业专利知识宽度越大,知识整合能力越强。
2.1.4 调节变量
产学研合作(IUR)。为检验产学研合作在数字创新与关键核心技术突破关系中的调节作用,本文参考相关研究的做法,以上市企业产学研合作专利申请数表征产学研合作情况(戴鹭等,2024)。
2.1.5 控制变量
参考以往研究,选取企业年龄(Age)、资产负债率(Lev)、托宾Q值(TobinQ)、资产收益率(Roa)、企业规模(Size)和第一大股东持股比例(Top1)等作为控制变量。本文变量测度方式如表3所示。
表3 变量说明
Table 3 Variables description
变量类型变量名称变量符号测度方式被解释变量关键核心技术突破能力KCT_ability基于改进的熵权TOPSIS法,结合技术追赶视角进行测度,见上文解释变量数字创新DT1ln(数字创新总词频+1)数字技术创新DT2ln(数字技术创新词频+1)数字管理创新DT3ln(数字管理创新词频+1)中介变量知识获取能力K_acquisition专利引用数知识吸收能力K_absorption研发投入/营业收入(%)知识整合能力K_integration企业申请专利知识宽度调节变量产学研合作IUR企业产学研合作专利申请数控制变量企业年龄Age观测年份与企业上市年份的差值资产负债率Lev企业总负债/总资产托宾Q值TobinQ 企业市值/资产重置成本资产收益率Roa企业净利润/平均资产总额企业规模Sizeln(总资产)第一大股东持股比例Top1第一大股东持股比例(%)
为探究数字创新对关键核心技术突破的直接影响,构建模型(5):
KCT_abilityit=α0+α1DTit+α2Controlsit+∑Year+∑Industry+εi,t
(5)
其中,KCT_ability表示关键核心技术突破能力,DT为数字创新(包括数字技术创新和数字管理创新),Controls表示各控制变量,Year和Industry分别表示年份与行业固定效应,α0为常数项,α1检验数字创新对关键核心技术突破的影响。
结合中介效应检验方法,在模型(5)的基础上构建模型(6)和模型(7)。
Mediatingit=β0+β1DTit+β2Controlsit+∑Year+∑Industry+εi,t
(6)
KCT_abilityit=η0+η1DTit+η2Mediatingit+η3Controlsit+∑Year+∑Industry+εi,t
(7)
其中,Mediating代表中介变量,即知识获取(K_acquisition)、知识吸收(K_absorption)、知识整合(K_integration)。
从《国家支持发展的重大技术装备和产品目录(2021版)》以及2018年《科技日报》列举的35项关键核心技术可知,关键核心技术主要集中于信息技术、航空、医疗设备与医药、材料等行业,基本上属于新一代信息技术、高端装备制造、新能源、新材料、新能源汽车等战略性新兴产业。基于此,本文依据《战略性新兴产业分类与国际专利分类参照关系表(2021)(试行)》构建专利检索式,在壹专利数据库中检索九大战略性新兴产业专利数据,在测度得到专利技术得分后,进一步筛选上市公司,最后将这些上市公司与WIND数据库中的A股上市公司相匹配,从而得到本文研究样本。因此,关键核心技术突破数据主要来源于壹专利数据库,数字创新数据主要来源于上市公司年报,产学研合作数据主要基于国家知识产权局网站检索结果,将上市公司与高校、科研院所联合申请的发明专利和实用新型专利数表征产学研合作水平,其他变量数据来源于国泰安数据库(CSMAR)。为便于研究,剔除样本期间的退市企业,并剔除主要变量数据严重缺失的样本,研究区间为2011-2023年。为了避免极端值对实证结果造成的不利影响,结合现有研究做法,对各连续型变量进行上下1%的Winsor缩尾处理并进行回归分析。
主要变量描述性统计和相关性分析结果如表4所示。可以发现,数字创新与数字技术创新、数字管理创新的相关系数大于0.8。本文分别将数字创新、中介变量、调节变量与其他变量回归并进行VIF检验,结果发现,VIF值介于1.04～2.04之间,远小于10。由此表明,各变量之间不存在严重的多重共线性问题,可以进行回归分析。
表4 描述性统计与相关性分析结果
Table 4 Descriptive statistics and correlation analysis results
注:* 表示p <0.1,** 表示p <0.05,*** 表示p <0.01,下同
变量12345671.KCT_ability12.DT10.069***13.DT20.073***0.909***14.DT30.064***0.891***0.671***15.K_acquisition-0.020-0.015-0.007-0.01116.K_absorption0.0110.392***0.451***0.268***0.01617.K_integration-0.0160.062***0.055***0.063***-0.065***-0.040***18.IUR0.078***0.054**0.051**0.058***-0.041*-0.0150.150***9.Age0.015-0.017-0.033**0.004-0.260***-0.231***0.172***10.Lev-0.006-0.036***-0.070***0.009-0.076***-0.373***0.168***11.TobinQ-0.0130.086***0.105***0.050***0.075***0.299***-0.099***12.Roa-0.013-0.108***-0.106***-0.089***0.104***-0.178***0.032***13.Size0.0150.023***-0.0120.060***-0.113***-0.307***0.260***14.Top1-0.010-0.172***-0.182***-0.132***0.049***-0.241***0.088***N5 2105 2105 2105 2104 8515 2035 178Mean-0.4032.5551.8751.8800.6740.0720.896S.D.2.4091.4761.4851.2660.5130.065 00.142变量8910111213148.IUR19.Age0.194***110.Lev0.151***0.371***111.TobinQ-0.044**-0.143***-0.296***112.Roa0.037*-0.118***-0.312***0.235***113.Size0.325***0.506***0.555***-0.269***0.015114.Top10.0290.0130.062***-0.129***0.157***0.200***1N2 0155 2105 2105 2105 2105 2105 210Mean1.4618.5600.4271.9580.036022.6332.64S.D.3.8127.3650.2031.1740.06501.53315.05
表5汇报数字创新对关键核心技术突破的回归结果。从列(1)可看出,DT1的系数为0.103 2,在1%水平上显著为正,从列(2)(3)可看出,DT2和DT3的系数均在1%水平上显著为正,说明数字创新能够提高信息处理效率,促进多元主体协同,进而助力企业关键核心技术突破;从数字创新的细分维度看,数字技术创新和数字管理创新均对关键核心技术突破有显著促进作用,即假设H1成立。究其原因,通过数字创新,企业能够借助大数据、人工智能等技术手段,快速收集、整理和分析海量信息,从而提高企业信息处理效率,为促进企业关键核心技术突破提供有力支持;数字管理创新则通过数字化管理系统对研发项目进行实时监控和管理,及时调整研发策略,从而确保关键核心技术研发活动顺利进行。
表5 基准回归结果
Table 5 Baseline regression results
注:括号内为T统计值,下同
变量(1)(2)(3)KCT_abilityKCT_abilityKCT_abilityDT10.103 2***(3.918)DT20.114 6***(4.369)DT30.098 4***(3.378)ControlsYesYesYes常数项2.520 9**2.504 4**2.530 2**(2.179)(2.167)(2.183)行业YesYesYes年份YesYesYesN5 2105 2105 210R20.108 10.108 70.107 4Adj_R20.102 20.102 90.101 5F18.4418.5618.31
本文主要采用4种方式进行稳健性检验。一是滞后效应检验,将数字创新变量滞后一期重新进行回归;二是分样本检验,考虑到2019年底暴发的新冠疫情对企业运营可能造成影响,剔除2020—2022年样本;三是更改回归模型,为了避免因核心变量异常值与数据结构带来的估计误差,采用中位数回归模型进行检验;四是考虑到行业层面可能存在随时间变化的不可观测因素,进一步控制年份×行业的高维固定效应。此外,各地区经济发展和数字基础设施建设水平存在差异,进而影响当地企业数字创新水平。因此,本文加入年份×省份高维固定效应,以控制地区随年份变化因素的影响。稳健性检验结果显示,数字创新对关键核心技术突破依然存在显著的促进作用,验证了本文结论的稳健性。
此外,本文采用工具变量法和Heckman两阶段模型以缓解数字创新与关键核心技术突破之间可能存在的内生性问题。第一,采用同年度同地区企业数字创新水平作为工具变量。原因在于,地区数字创新与企业个体数字创新密切相关,而与企业关键核心技术突破没有直接关系。回归后发现,F值均大于10,说明不存在弱工具变量,且数字创新对关键核心技术突破仍具有显著正向影响,再次支持假设H1。第二,采用Heckman两阶段模型以解决可能存在的样本选择偏差问题。在第一阶段,通过Probit模型估计逆米尔斯比率(IMR),以检验企业特征变量能否影响其数字创新行为。第二阶段,将IMR作为控制变量加入基准回归方程,以纠正潜在的选择性偏差对研究结论的干扰。加入IMR进行回归后发现,数字创新的回归系数显著为正,与前述结果一致,说明本文研究结论稳健。
不同产权性质的企业,其数字创新战略制定、实施范围、贯彻力度等会有所差异,对关键核心技术研发的影响也会随之不同。从表6可以看出,与国有企业相比,非国有企业中数字创新对关键核心技术突破的影响系数更大且均在1%水平上显著。从国有企业与非国有企业的样本分布情况看,非国有企业数量多于国有企业数量,为验证异质性分析的合理性,本文进行费舍尔组间差异系数检验。从检验结果可知,解释变量为DT1和DT2时,P值分别小于0.1和0.05,非国有企业与国有企业系数间的差异分别在10%和5%水平上显著,表明数字创新和数字技术创新对非国有企业关键核心技术突破的促进作用更强。既往研究认为,国有企业相较于非国有企业更具有关键核心技术研发优势。一方面,关键核心技术研发突破存在投入成本高、研发周期长和不确定性程度高等问题,大部分非国有企业受限于资金规模,难以承担巨额投入;另一方面,国有企业作为实现国家战略目标的关键主体,通常具备关键核心技术研发的制度优势与组织条件(卢建霖等,2024)。然而,本文结论与上述研究不同。究其原因,可能是非国有企业面对的市场竞争更为激烈,具有更强创新动机,国有企业与非国有企业在激励、监督和约束机制等方面也存在差异。
表6 产权异质性分析结果
Table 6 Analysis results of heterogeneity in the nature of property rights
(1)(2)(3)(4)(5)(6)变量非国有企业国有企业非国有企业国有企业非国有企业国有企业KCT_abilityKCT_abilityKCT_abilityKCT_abilityKCT_abilityKCT_abilityDT10.145 1***0.025 8(5.039)(0.454)DT20.168 6***0.005 8(5.921)(0.102)DT30.120 1***0.067 2(3.808)(1.027)ControlsYesYesYesYesYesYes常数项4.471 6***2.320 04.462 2***2.199 34.409 1***2.499 9(3.351)(0.787)(3.361)(0.749)(3.300)(0.854)费舍尔检验0.050*0.040**0.300行业YesYesYesYesYesYes年份YesYesYesYesYesYesN3 5911 6193 5911 6193 5911 619R20.126 60.122 30.128 90.122 20.123 90.122 8Adj_R20.118 50.104 60.120 80.104 50.115 80.105 1F15.626.9115.956.9015.246.94
表7～表9反映知识获取、知识吸收和知识整合能力在数字创新促进关键核心技术突破过程中的中介效应。首先,从表7列(1)(3)(5)可看出,数字创新对知识获取能力的回归系数显著为正,说明数字创新提高企业知识获取能力。而从列(2)(4)(6)可看出,知识获取能力的回归系数不显著,说明知识获取能力在数字创新与关键核心技术突破关系中不存在中介效应,因而假设H2a不成立。原因在于,高水平竞争和高技术壁垒环境下,关键核心技术突破更多依赖原始创新、深度研发投入与组织内部知识转化整合。数字创新虽然有助于知识获取,但实现关键核心技术突破还需要高强度的吸收、消化以及再创新,知识获取能力难以在此过程中充分发挥作用。其次,从表8列(1)(3)(5)可看出,数字创新对知识吸收能力的回归系数在1%水平上显著为正,说明数字创新、数字技术创新和数字管理创新均能够显著提升知识吸收能力。从列(4)可看出,知识吸收能力系数显著,说明知识吸收能力在数字技术创新与关键核心技术突破关系中存在中介作用,因此假设H2b部分成立。数字技术创新不仅为企业带来多元化信息和知识资源,而且通过完善技术基础设施和优化组织学习机制,显著增强企业知识吸收能力。具备较强知识吸收能力的企业,能够更有效地将数字创新中获取的信息转化为内生技术积累和原始创新动力,从而突破关键核心技术壁垒。最后,从表9列(1)(3)(5)可看出,数字创新系数均显著为正,从列(2)(4)(6)可看出,知识整合能力系数均显著,说明知识整合能力在数字创新与关键核心技术突破关系中存在中介作用,因此假设H2c成立。
表7 知识获取能力的中介效应分析结果
Table 7 Analysis of mediating effects of external knowledge acquisition
变量(1)(2)(3)(4)(5)(6)K_acquisitionKCT_abilityK_acquisitionKCT_abilityK_acquisitionKCT_abilityDT10.030 6***0.124 2***(7.346)(4.451)DT20.028 0***0.131 2***(6.792)(4.756)DT30.0287***0.1190***(6.239)(3.875)K_acquisition-0.1332-0.1327-0.1215(-1.387)(-1.383)(-1.267)ControlsYesYesYesYesYesYes
续表7 知识获取能力的中介效应分析结果
Table 7(Continued) Analysis of mediating effects of external knowledge acquisition
变量(1)(2)(3)(4)(5)(6)K_acquisitionKCT_abilityK_acquisitionKCT_abilityK_acquisitionKCT_ability常数项1.023 7***2.156 5*1.003 7***2.121 6*1.028 4***2.173 9*(5.482)(1.731)(5.380)(1.703)(5.491)(1.744)行业YesYesYesYesYesYes年份YesYesYesYesYesYesN4 8514 8514 8514 8514 8514 851R20.550 30.112 30.549 60.112 80.548 90.111 4Adj_R20.547 20.106 10.546 50.106 60.545 80.105 2F178.6317.92178.1118.02177.6317.77
表8 知识吸收能力的中介效应分析结果
Table 8 Analysis of mediating effects of knowledge absorption capacity
变量(1)(2)(3)(4)(5)(6)K_absorptionKCT_abilityK_absorptionKCT_abilityK_absorptionKCT_abilityDT10.009 6***0.112 8***(17.186)(4.161)DT20.012 2***0.130 7***(22.307)(4.754)DT30.005 8***0.102 0***(9.180)(3.467)K_absorption-0.991 3-1.297 7*-0.638 8(-1.509)(-1.941)(-0.991)ControlsYesYesYesYesYesYes常数项-0.02392.5060**-0.02092.486 7**-0.035 62.512 8**(-0.969)(2.164)(-0.872)(2.154)(-1.421)(2.169)行业YesYesYesYesYesYes年份YesYesYesYesYesYesN5 2035 2035 2035 2035 2035 203R20.452 50.108 40.472 00.109 40.430 50.107 5Adj_R20.448 90.102 40.468 50.103 30.426 70.101 5F125.6117.96135.8918.13114.8917.79
表9 知识整合能力的中介效应分析结果
Table 9 Analysis of mediating effects of internal knowledge integration
变量(1)(2)(3)(4)(5)(6)K_integrationKCT_abilityK_integrationKCT_abilityK_integrationKCT_abilityDT10.0121***0.1113***(7.868)(4.179)DT20.013 0***0.124 0***(8.502)(4.674)DT30.010 1***0.104 3***(5.910)(3.548)K_integra-tion-0.519 9**-0.542 7**-0.480 4**(-2.170)(-2.264)(-2.010)ControlsYesYesYesYesYesYes常数项0.342 1***2.766 1**0.339 1***2.757 2**0.340 5***2.782 4**(4.803)(2.260)(4.770)(2.252)(4.761)(2.263)行业YesYesYesYesYesYes年份YesYesYesYesYesYesN5 1775 1775 1775 1775 1775 177R20.122 30.108 60.124 00.109 30.117 70.107 7Adj_R20.116 50.102 50.118 20.103 30.111 90.101 7F21.0817.8921.4218.0320.1817.74
表10展示产学研合作在数字创新促进关键核心技术突破中的调节效应分析结果,列(1)～(3)显示,数字创新与产学研合作交互项系数显著为正,表明产学研合作正向调节数字创新对关键核心技术突破的促进作用。换言之,当产学研合作水平较高时,企业通过数字创新实现更高效的资源获取与配置,进行一系列前沿技术探索,进而推动关键核心技术攻关和自主创新,因此假设H3成立。
表10 产学研合作的调节效应分析结果
Table 10 Analysis of the moderating effect of industry-university-research cooperation
变量(1)(2)(3)KCT_abilityKCT_abilityKCT_abilityDT10.140 4***(3.033)DT20.135 5***(2.957)DT30.127 4**(2.447)IUR-0.019 80.016 9-0.042 7(-0.590)(0.644)(-1.382)DT1×IUR0.026 4**(2.537)DT2×IUR0.018 1*(1.832)DT3×IUR0.044 9***(3.638)ControlsYesYesYes常数项4.846 8***4.684 5***4.986 4***(2.943)(2.842)(3.031)行业YesYesYes年份YesYesYesN2 0152 0152 015R20.182 40.180 30.184 7Adj_R20.168 00.165 80.170 3F12.6212.4412.81
数字创新与关键核心技术突破关系是创新管理领域的一个重要话题,但关于数字创新促进关键核心技术突破的作用“黑箱”尚未完全打开。本文基于动态能力理论和信息处理理论,利用2011-2023年部分A股上市公司样本展开实证研究。主要结论如下:①数字创新能够显著促进企业关键核心技术突破,经过稳健性检验以及工具变量法、Heckman两阶段模型等内生性检验后,该结论依旧成立;②通过中介效应和调节效应分析发现,数字创新能够通过提高企业知识整合能力促进关键核心技术突破,数字技术创新能够通过提高企业知识吸收能力促进关键核心技术突破,产学研合作能正向调节数字创新与关键核心技术突破间关系;③异质性分析发现,相较于国有企业,在非国有企业中数字创新对关键核心技术突破的促进作用更显著。
(1)构建“技术+管理”的数字创新体系。研究证实,数字技术创新与数字管理创新均对企业突破关键核心技术具有显著推动作用,企业可构建“技术+管理”协同演进的数字创新体系。例如在技术侧,企业可设立数字技术专项基金,重点投向人工智能、工业互联网等技术研发,同时,搭建企业级数据中台,实现研发数据的实时采集与智能分析;在管理侧,推进组织结构敏捷化改造,建立数字创新委员会,统筹跨部门协作。
(2)营造知识管理生态,激活产学研协同效能。研究发现,数字创新能通过提升知识吸收与整合能力促进关键核心技术突破,企业可以打造“内生+外联”的知识生态系统。具体为:企业内部可构建知识图谱平台,通过大数据算法及时匹配知识需求方与供给方,降低技术开发门槛;外部可继续深化产学研合作,与高校组建创新联合体,针对核心技术瓶颈开展定向攻关,建立联合专利池与数据共享机制。
(3)实施差异化的数字创新策略。对非国有企业,放宽其申报重大科技专项限制,鼓励其牵头组建创新联合体,同时,开放国家实验室等平台,优化“研发贷”等风险分担机制;对国有企业,可侧重创新机制改革,实施“数字混改”,引入战略投资者,尝试项目跟投机制,并将数字创新能力纳入考核体系。
研究方法上,本文采用传统回归模型验证实证结果,未来可以采取组态分析等方法,探索在政府、市场等因素影响下的关键核心技术突破路径。研究视角上,本文从数字创新行为角度探讨数字创新对关键核心技术突破的影响,未来可结合不同数字创新类型,研究探索式数字创新或开发式数字创新对关键核心技术突破的异质性影响。变量测度上,尽管本文从技术追赶视角测度关键核心技术突破能力,但由于关键核心技术处于模糊前端,现有方法无法有效识别和准确测度这些领域关键核心技术突破能力。未来研究中,可以结合科技论文、基金项目、行业报告、科技政策等多种数据来源,通过数据挖掘和机器学习等方法,根据行业专家判断和市场反馈,构建更为精准的技术突破评价模型,进而为关键核心技术突破能力提供更有效的测度工具。
[1] LIU Y,DONG J,YING Y,et al. Status and digital innovation: a middle-status conformity perspective[J]. Technological Forecasting and Social Change,2021,168: 120781.
[2] 张羽飞,刘兵,原长弘.关键核心技术突破:概念辨析、影响因素与组织模式[J].科学管理研究,2023,41(4):23-32.
[3] BABILLA T U K. Digital innovation and financial access for small and medium-sized enterprises in a currency union[J]. Economic Modelling,2023,120: 106182.
[4] SVAHN F,MATHIASSEN L,LINDGREN R. Embracing digital innovation in incumbent firms[J]. MIS Quarterly,2017,41(1): 239-254.
[5] LIU Y,DONG J,MEI L,et al. Digital innovation and performance of manufacturing firms:an affordance perspective[J]. Technovation,2023,119: 102458.
[6] 孙中原,窦倩,楼旭明,等.科技创新体系化能力助力关键核心技术突破的机理研究[J].科研管理,2024,45(5):22-33.
[7] 杨壮,吴福象,龚恩泽.网络基础设施建设、资源配置效率与关键核心技术突破[J].山西财经大学学报,2023,45(8):86-99.
[8] 张羽飞,刘培琪,原长弘.产学研融合对制造业领军企业关键核心技术突破绩效的影响——政府与市场双元制度情境的调节作用[J].科技进步与对策,2024,41(13):33-44.
[9] 杏稼龙,吴福象.要素配置扭曲是否阻碍了中国企业关键核心技术突破[J].科技进步与对策,2024,41(2):1-12.
[10] TROCIN C,HOVLAND I V,MIKALEF P,et al. How artificial intelligence affords digital innovation:a cross-case analysis of scandinavian companies[J]. Technological Forecasting and Social Change,2021,173: 121081.
[11] 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.
[12] 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.
[13] 刘岩,苏路通.研发模式协同对企业关键核心技术突破的影响效应研究[J].科技进步与对策,2024,41(16):118-127.
[14] YOO Y,BOLAND JR R J,LYYTINEN K,et al. Organizing for innovation in the digitized world[J]. Organization Science,2012,23(5): 1398-1408.
[15] KOHLI R,MELVILLE N P. Digital innovation:a review and synthesis[J]. Information Systems Journal,2019,29(1): 200-223.
[16] DUBEY R,GUNASEKARAN A,CHILDE S J,et al. Empirical investigation of data analytics capability and organizational flexibility as complements to supply chain resilience[J]. International Journal of Production Research,2021,59(1): 110-128.
[17] LI H,WU Y,CAO D,WANG Y. Organizational mindfulness towards digital transformation as a prerequisite of information processing capability to achieve market agility[J]. Journal of Business Research,2021,122: 700-712.
[18] 杨俊,李小明,黄守军.大数据、技术进步与经济增长——大数据作为生产要素的一个内生增长理论[J].经济研究,2022,57(4):103-119.
[19] AHUJA G,LAMPERT C M,NOVELLI E. The second face of appropriability:generative appropriability and its determinants[J]. Academy of Management Review,2013,38(2): 248-269.
[20] 黄先海,王瀚迪,孙涌铭,等.数字技术与企业出口质量升级——来自专利文本机器学习的证据[J].数量经济技术经济研究,2023,40(12):69-89.
[21] PORTER M E,HEPPELMANN J E. How smart,connected products are transforming competition[J]. Harvard Business Review,2014,92(11): 64-88.
[22] 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.
[23] TEECE D J. Explicating dynamic capabilities: the nature and microfoundations of (sustainable) enterprise performance[J]. Strategic Management Journal,2007,28(13): 1319-1350.
[24] 杨鹏,尹志锋,孙宝文.企业数字技术应用与创新效率提升[J].外国经济与管理,2024,46(11):51-67.
[25] 李川川,刘刚.数字经济创新范式研究[J].经济学家,2022,34(7):34-42.
[26] CASSIMAN B,VEUGELERS R. R&D cooperation and spillovers: some empirical evidence from Belgium[J]. American Economic Review,2002,92(4): 1169-1184.
[27] 吴悦,李小平,涂振洲,等.知识流动视角下动态能力影响产学研协同创新过程的实证研究[J].科技进步与对策,2020,37(8):115-123.
[28] WANG Z,TANG P. Substantive digital innovation or symbolic digital innovation: which type of digital innovation is more conducive to corporate ESG performance[J]. International Review of Economics &Finance,2024,93: 1212-1228.
[29] 罗兴武,张皓,刘洋,等.数字平台企业如何从事件中塑造数字创新能力——基于事件系统理论的钉钉成长案例研究[J].南开管理评论,2023,26(4):234-247.
[30] FICHMAN R G,DOS SANTOS B L,ZHENG Z. Digital innovation as a fundamental and powerful concept in the information systems curriculum[J]. MIS Quarterly,2014,38(2): 329-354.
[31] 魏延辉,刘莹,刘娜,等.组态视角下“单项冠军”企业关键核心技术突破路径研究[J].科学决策,2024,31(11):1-15.
[32] 王萧萧,蔡伟,朱桂龙,等.产学研合作知识耦合如何提升组织双元学习[J].经济与管理评论,2024,40(2):98-109.
[33] LEE C,KWON O,KIM M,et al.Early identification of emerging technologies: a machine learning approach using multiple patent indicators[J]. Technological Forecasting and Social Change,2018,127: 291-303.
[34] 夏芸,魏田苡薇,洪楷宣,等.专利形成全周期视角下的高价值专利识别体系研究[J].科学与管理,2024,44(4):1-9,103.
[35] 罗家豪,孙巍.基于专利价值的技术成熟度测度与分析方法研究[J].数字图书馆论坛,2022,18(1):17-25.
[36] 曹琨,吴新年,白光祖,等.基于专利文献的“卡脖子”技术识别研究——以数控机床领域为例[J].图书情报工作,2023,67(19):80-91.
[37] 赵炎,邓心怡,韩笑.网络闭合对企业创新绩效的影响——知识流动的中介作用[J].科学学研究,2021,39(6):1144-1152.
[38] ROTHAERMEL F T,HESS A M. Building dynamic capabilities:innovation driven by individual-,firm-,and network-level effects[J]. Organization Science,2007,18(6): 898-921.
[39] 张杰,郑文平.创新追赶战略抑制了中国专利质量么[J].经济研究,2018,53(5):28-41.