How the Embedding of Digital Innovation Networks Expands the Real-Economy Technological Innovation Boundaries of Manufacturing Enterprises

Guo Hongyu, Xu Xiaoli, Zhu Fuxian

(College of Economics and Management, Xinjiang University, Urumqi 830046, China)

Abstract：In the context of intensifying global technological competition and industrial transformation, China's manufacturing sector faces a long-standing scale-strength mismatch. While existing research has examined how digital technologies affect innovation performance and how network embeddedness facilitates knowledge acquisition, scant attention has been devoted to whether and how digital innovation networks enable manufacturing firms to transcend existing technological trajectories and expand into new non-digital domains. This study addresses this gap by investigating how embeddedness in digital innovation networks affects the expansion of firms' real-economy technological boundaries, along with its underlying mechanisms and boundary conditions.

Grounded in the space of flows theory and general-purpose technology theory, the study argues that digital innovation networks, as a typical form of the space of flows, enable cross-domain knowledge transfer, resource reallocation, and digital-real technology fusion. These networks overcome geographical constraints and facilitate low-cost, real-time interactions, thereby helping manufacturing firms alleviate the resource and risk constraints associated with exploring unfamiliar technological territories. Specifically, the study proposes three mediating pathways: knowledge base broadening, resource allocation optimization, and digital-real technology integration. Empirically, the study constructs firm-level digital innovation networks using digital technology patent co-application data of A-share listed manufacturing firms in China from 2010 to 2024. The final sample comprises 20 386 firm-year observations. The key independent variable is degree centrality in the digital innovation network, capturing the extent of a firm's direct collaborative ties. The dependent variable, real-economy technological innovation boundary, is measured by the number of new IPC subgroups in non-digital patent applications that the firm has never entered before. Furthermore the study employs a panel fixed-effects model with firm, city, and year fixed effects, and address endogeneity using instrumental variables and a PSM-DID approach.

The empirical results reveal several key findings. First, digital innovation network embeddedness significantly expands manufacturing firms' real-economy technological innovation boundaries, and this effect remains robust after a series of tests including placebo tests, alternative variable measurements, exclusion of competitive hypotheses, and different clustering levels. Second, the mediation analyses confirm the three proposed mechanisms: network embeddedness enhances knowledge search breadth and knowledge diversity, reduces over-investment and excess labor, and promotes digital-real technology fusion. All indirect effects are significant according to Sobel and bootstrap tests. Third, the effect is heterogeneous: it is stronger for firms with higher technological generality, for those with lower artificial intelligence application levels, and for firms located in cities where the government pays greater attention to the digital economy. Fourth, further analysis shows that network structural features and network resource endowments positively moderate the main effect. Fifth, the boundary-expansion effect is not merely about "breadth" but also "quality and efficiency": network embeddedness improves the quality, efficiency, and breakthrough capability in core technologies of newly entered real-economy fields.

This study advances the literature in four key dimensions.In theoretical terms, this study pioneers an integrative framework bridging space of flows theory with GPT theory through the lens of "digital-real cross-domain empowerment", illuminating how digital collaboration networks catalyze technological breakthroughs in the physical economy. From a methodological perspective, it introduces precision measurement of real-economy technological boundaries by identifying non-digital patent domains and tracking firms' inaugural entries into new IPC subgroups, thereby isolating innovation dynamics from digital technology confounds. On the empirical front, the work furnishes comprehensive evidence on mediating mechanisms, boundary conditions, and real-economy outcomes, yielding actionable implications for corporate strategists and policymakers alike. The findings advocate for manufacturing firms' proactive positioning within digital innovation networks, particularly via structural hole exploitation and the cultivation of global, academic ties, while calling for governmental efforts to prioritize digital policies, strengthen data governance and IP protection, and implement tailored firm-support schemes.

Key Words：Digital Innovation Networks; Real-economy Technological Innovation Boundary; Digital-Real Integration; Core Technologies

收稿日期：2025-10-31

修回日期：2026-04-08

基金项目：新疆维吾尔自治区社会科学基金一般项目(2025BYJ053)

作者简介：郭泓玉(1993—),女,新疆乌鲁木齐人,新疆大学经济与管理学院博士研究生,研究方向为数实融合、技术创新边界;徐晓莉(1972—),女,新疆乌鲁木齐人,博士,新疆大学经济与管理学院教授、博士生导师,研究方向为企业创新管理、突破式创新;朱富显(1998—),男,河南许昌人,新疆大学经济与管理学院博士研究生,研究方向为科技成果转化。

DOI：10.6049/kjjbydc.D22025100635

开放科学(资源服务)标识码(OSID)：

中图分类号：C37;G301;F273.1

文献标识码：A

文章编号：1001-7348(2026)16-0102-13

0 引言

在全球科技竞争与产业转型升级背景下,中国制造业正处于向高端突破的关键阶段。近年来,我国制造业规模持续位居全球第一,但“大而不强”的结构性矛盾依然突出。一方面,有超过60%的专利高度集中在少数技术领域,创新活动呈现出显著的路径依赖;另一方面,在工业母机等关键核心领域,“卡脖子”技术制约着我国制造业向全球价值链高端攀升[1]。2025年10月,《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》提出,“构建以先进制造业为骨干的现代化产业体系”,“巩固壮大实体经济根基”,“坚持智能化、绿色化、融合化方向”。制造业企业应如何顺应数字创新趋势,突破既有实体技术创新路径,抢占全球新一轮竞争制高点,已成为关乎国家产业根基与发展主动权的重要议题。

既有研究指出,制造业企业实体技术创新边界拓展乏力,主要是因为传统创新模式难以获取异质性知识元素[2]、资源配置效率较低[3],且与数字技术融合不足[4]。数字创新网络的兴起为破解上述困境提供了新可能。“十四五”规划明确提出“支持数字技术开源社区等创新联合体发展”。国家知识产权局发布的《2024年中国专利调查报告》数据显示,我国数字经济领域企业开展产学研合作创新的比例达到54.1%,高出总体水平13.1%,展现出强大的协同势能。现有研究多聚焦于数字技术对创新数量[5]、创新质量[6]的影响或网络嵌入对知识获取的一般性作用[7],尚未系统阐释数字创新网络如何助力制造业企业跨越技术创新壁垒、拓展实体创新边界。本文系统考察数字创新网络嵌入对制造业企业实体技术创新边界的影响,不仅有助于深化对数字时代创新范式的理解,还能为我国制造业突破技术锁定、迈向价值链高端环节提供启示。

本文边际贡献主要体现在以下3个方面:第一,研究视角创新。通过构建“数字网络—实体技术”跨域赋能分析框架,揭示数字创新网络作为“流动空间”载体对企业实体技术边界拓展的系统性作用。第二,影响机制创新。结合通用目的技术理论,识别出数字创新网络通过知识基础拓展、资源配置优化以及数实技术融合推动制造业企业实体技术边界拓展,进一步从网络结构与网络资源维度探讨其权变条件,揭示数字创新网络跨域赋能机制的异质性。第三,检验维度拓展。在精准识别实体技术新领域的基础上,从创新质量、创新效率与关键核心技术突破3个维度进行检验,揭示数字技术赋能的“量质协同”效应,为数字经济赋能实体经济创新发展提供了微观证据。

1 文献综述

1.1 数字创新网络

数字创新网络是以数字技术为基础,由企业、高校、研究机构、政府以及个人等多元分布式创新主体共同参与,通过数字技术研发合作形成的一种开放式知识生产网络,其核心特征在于支持创新知识的生产、组合与传递,并借助数字技术实现网络节点的高效连接与资源的灵活配置。研究表明,网络嵌入能显著促进企业技术突破[8]、提升企业创新效率[9]、创新质量[6]、市场价值[10]与全要素生产率[11],主要表现为促进异质性知识获取、优化资源配置效率[11]以及降低创新不确定性[12]。随着数字经济发展,学者发现数字创新网络具有开放性、动态性与知识流动性等特征,能够跨越物理空间和技术领域的双重边界,显著降低信息不对称与协作成本,重塑企业创新模式[4]。

1.2 实体技术创新边界

实体技术创新边界是指企业突破既有技术轨道,在非数字技术领域开辟全新知识空间的能力[13]。与破坏性创新、颠覆性创新聚焦于技术替代或市场颠覆不同,实体技术创新边界更强调企业在非数字领域开辟全新知识空间的首次进入行为,关注的是技术轨道跃迁的增量拓展而非既有格局的破坏。早期研究多从创新数量[5]、质量[6,14]或渐进式/颠覆式创新[13]视角测度创新绩效,难以捕捉企业向全新技术领域跃迁的拓展行为。为弥补这一不足,黄先海和高亚兴[12]以企业新技术领域专利申请数量衡量企业创新边界,并明确区分了数字技术与实体技术,将实体技术创新边界定义为企业在非数字技术领域的首次专利产出行为。这一概念有效剥离了数字技术自身发展的干扰,为探究数字经济对实体技术突破的跨域赋能效应提供了精准的分析工具。

关于实体技术创新边界拓展的研究主要围绕内部数字能力构建与外部数字协同两条主线展开。内部视角下,知识基础观强调企业知识存量发挥核心作用,企业通过利用数字知识优化创新流程、降低研发成本和促进实体技术边界拓展[12]。黄先海和高亚兴[12]指出,数字技术嵌入传统产业创新研发、制造、管理等环节,重塑实体技术创新要素配置结构与效率。外部视角研究主要体现在两个方面:一是数实技术融合是连接数字知识与实体技术创新的关键通道;二是产学研协同合作网络通过知识溢出促进企业创新绩效提升(龙小宁等,2023)。

现有研究在数字创新网络、企业创新边界及数实融合等方面进行积极探索,但仍存在以下不足:第一,数字创新网络研究多聚焦对既有领域创新绩效的影响,较少关注对制造业企业跨越技术边界的赋能作用;第二,数字技术与实体技术交互研究尚处于起步阶段,鲜有研究从网络嵌入视角探讨数字创新网络对实体技术创新的促进作用。为此,本文基于流动空间理论与通用目的技术理论,构建“数字—实体”跨域赋能框架,系统考察数字创新网络嵌入对制造业企业实体技术创新边界的影响机制,以期为现有研究提供补充。

2 研究假设

流动空间理论认为,信息时代下组织形态是由信息流、技术流构成的流动空间,其本质在于超越地理约束实现实时互动。数字创新网络使知识、数据与技术等数字资源能够在组织间流动与重组[12]。通用目的技术理论则揭示了技术跨界融合的内在逻辑。数字技术作为典型的通用目的技术,其根本特征在于广泛的适用性、持续的演进能力以及对其他领域创新的强大催化作用。该理论认为,数字技术能够渗透并重塑包括制造业在内的各类生产系统,这为本文研究数字创新网络效能提供了支撑。即网络不仅是资源流动的通道,更是通用目的技术向实体产业深度渗透与融合的载体。流动空间理论回答了“网络何以形成”的问题,揭示了数字创新网络超越地理边界、实现资源高效流动的空间逻辑,为“数字创新网络嵌入”这一核心概念提供了理论根基,重构了创新资源配置方式。通用目的技术理论则回答了“技术何以跨域”的问题,阐明了数字技术作为通用目的技术向实体领域渗透扩散的技术逻辑,为理解数字创新网络嵌入影响实体技术创新边界提供了跨域转化的“桥梁”;两者为数字创新网络嵌入对制造业企业实体技术创新边界的直接效应与作用机制提供了理论基础。

2.1 数字创新网络嵌入对制造业企业实体技术创新边界的直接影响

制造业企业拓展实体技术创新边界是一个从既有依赖专用设备与成熟工艺的技术轨道向未知新领域跃迁的过程[12],其面临资源和风险的约束。数字创新网络作为典型的流动空间形态,其去地理化连接与零边际成本传输特性可重塑创新资源可得性与配置效率,为缓解上述约束提供了可能。其一,提升资源可得性,缓解资源约束。 流动空间理论揭示了网络价值与节点数呈指数级增长的网络外部性规律。企业嵌入数字创新网络程度越高,意味着其连接的合作伙伴越多,在流动空间中的资源接入边界越广,从而越能高效获取异质性数字知识、专用数据与算力资源。通用目的理论进一步表明,数字技术的非竞争性使得数字创新网络资源获取近乎零边际成本,密集的网络联结能促进隐性知识跨域流动,有效缓解资源约束[14]。其二,分散创新风险,缓解风险约束。基于流动空间中实时交互与快速反馈的特性,制造业企业在网络中的每一项数字技术合作均可视为对未来实体技术方向的实物期权[15]。较高的数字创新网络嵌入程度能为企业提供多样化的“小规模试错”机会,使其通过“选择性扩张”探索策略,在控制总体风险的同时保持对新兴技术机会的敏锐捕捉。同时,企业借助数字孪生、虚拟仿真等技术,在虚拟环境中完成技术方案的可行性验证,将实体研发中的试错风险前置为可控的数字计算风险,从而降低创新成本与不确定性[16]。据此,本文提出如下假设:

H1:数字创新网络嵌入能够显著促进制造业企业实体技术创新边界拓展。

2.2 数字创新网络嵌入对制造业企业实体技术创新边界的作用机制

数字创新网络作为通用目的技术的载体,以其广泛连接性、高频互动性以及显著的创新加速效应[4]渗透到实体技术领域,并通过知识迁移、资源再配置、技术嵌入3个跨域转化机制促进实体技术边界拓展。

2.2.1 知识基础拓宽效应

知识基础观认为,企业创新能力根植于其知识基础广度与深度。数字创新网络通过连接异质性合作伙伴,通过以下路径拓宽实体技术知识基础[8]:其一,拓宽知识搜寻广度。传统创新范式下,企业知识搜索局限于内部研发与本地网络,知识获取具有明显的局部性与路径依赖性特征[2]。尤其是制造业技术知识内嵌于设备与经验,其显性化与跨域流动较难。数字创新网络的去地理化连接特性使知识流动突破物理空间约束,能有效破解知识搜寻局部锁定,以较低成本获取异质性“知识元件”[17]。其二,提升知识多元化程度。数字技术连接人工智能、大数据、云计算等异质性技术子领域。嵌入数字创新网络不仅能增加企业数字知识存量,还能提升知识元素多样性,为制造业企业识别跨领域技术关联与实现颠覆性重组提供要素基础[18]。据此,本文提出如下假设:

H2:数字创新网络嵌入通过拓宽知识搜寻广度和提升知识多元化程度,进而拓展制造业企业实体技术创新边界。

2.2.2 资源配置优化效应

要素市场中的信息摩擦与配置扭曲是束缚企业创新发展的瓶颈[3]。流动空间理论强调,流动空间中的实时性交互与信息透明化特征能够降低要素配置中的信息不对称与交易成本。数字创新网络嵌入从以下两个方面优化制造业企业要素配置效率:其一,提升资本配置效率。实体技术创新资本投入具有高度不确定性,传统模式下企业难以准确评估新技术领域的投资价值,导致资本过度集中于成熟技术的渐进式改良[3]。数字创新网络中的高频互动与信息共享能够降低技术信息不对称,使企业将有限资本高效配置于实体技术领域[19]。其二,提升劳动力配置效率。传统制造业企业的人才结构往往与既有技术轨道高度绑定,容易形成路径依赖,难以支撑向新技术领域跃迁[3]。基于流动空间理论,数字创新网络的去地理化连接特性能够打破人才搜寻空间边界,使企业精准引进与新技术领域相匹配的稀缺性人力资源,缓解人力资本与新技术方向的结构性错配[20],从而拓展制造业企业实体技术创新边界。据此,本文提出如下假设:

H3:数字创新网络嵌入通过提升资本配置效率与劳动力配置效率,进而拓展制造业企业实体技术创新边界。

2.2.3 数实技术融合效应

创新边界的突破往往产生于不同技术领域的交叉融合。通用目的理论指出,通用目的技术的核心价值在于其创新互补性[4]。数字创新网络嵌入从以下几个方面促进制造业企业数实技术融合。其一,促进数字技术跨域扩散。流动空间理论指出,网络连接能促进知识溢出。数字创新网络嵌入通过技术示范、知识溢出与人才交流,为制造业企业搭建向数字前沿收敛的学习通道,产生“以先带后、以强带弱”的数字技术扩散效应,从而打破企业数字技术壁垒[21]。其二,实现数实技术的创造性重组。数字技术作为一种通用目的技术,其非竞争性与可组合性在数字创新网络中被凸显。制造业企业通过嵌入网络能够高效获取、识别并整合异质性数字知识模块,将其与自身原有实体技术知识进行创造性重组,形成新的技术组合与创新路径,从而拓展制造业企业实体技术边界[13]。据此,本文提出如下假设:

H4:数字创新网络嵌入能够促进数实技术融合,进而拓展制造业企业实体技术创新边界。

综上,本文构建模型框架,如图1所示。

3 研究设计

3.1 数据来源

本文以2010—2024年中国沪深A股制造业上市公司为研究对象。2010年,国务院发布《关于加快培育和发展战略性新兴产业的决定》,首次将新一代信息技术产业列为战略性新兴产业。2010年也是中国进入移动互联网阶段的关键节点,为跨组织数字协作网络提供了技术条件。本文以国家知识产权局专利数据库作为基础数据源,用CNRDS专利数据进行补充与交叉验证,公司层面数据源自CSMAR数据库和Wind数据库;城市层面数据源自《中国城市统计年鉴》,同时剔除关键变量数据存在缺失、资不抵债、经营状况异常以及仅存单一年度观测值的样本,最终获得20 386个观测值。

3.2 变量定义与测量

3.2.1 被解释变量:实体技术创新边界(ETI_Bound)

实体技术创新边界是指企业通过探索全新知识领域实现实体技术轨道跃迁的能力,其核心在于打破既有技术路径依赖,在现有知识体系之外形成实质性创新增量[12]。本文参考黄先海和高亚兴[12]的做法,依据《数字经济核心产业分类与国际专利分类参照关系表(2023)》识别非数字技术专利,将其界定为实体技术专利。在此基础上,在IPC大组层面构建企业逐年更新的“既有实体技术知识池”。若企业当年申请某类实体技术专利所属IPC大组未出现在历史知识池中,则将其识别为新技术领域。进一步,将企业当年所有新技术领域专利申请总量加1取自然对数,构建实体技术创新边界指标。

3.2.2 解释变量:数字创新网络(Degree)

数字创新网络是企业与其他创新主体通过联合开展数字技术研发所形成的协作关系结构[7]。为衡量企业在数字创新网络中的嵌入水平,本文借鉴已有研究,采用程度中心度作为核心测度指标。程度中心度表示在数字创新网络中与企业建立联合研发关系的其他主体个数。与强调信息控制与桥梁作用的中介中心度相比,该指标更能直观反映企业数字创新网络嵌入程度。本文参照杨震宁和袁梓晋[7]的研究,首先依据《数字经济核心产业分类与国际专利分类参照关系表(2023)》识别与数字技术相关的IPC小组代码,并辅以语义分析法精准识别数字创新专利。其次,基于组织间联合申请数字专利构建数字技术合作网络,以及企业、高校、科研院所多元主体协作网络。考虑到创新合作具有持续性与积累性特征,采用5年滚动窗口汇总合作关系并构建无向二值邻接矩阵。最后,运用MATLAB计算企业在网络中的程度中心度,该指标反映企业直接合作者数量,是其获取异质性资源与信息的关键途径。公式如下:

(1)

其中,Degreei,t表示数字创新网络中企业i在t年的程度中心度,即与企业有直接联系的全部合作者个数。a(i,j)为二元变量,若企业i和企业j存在数字技术专利联合申请,则a(i,j)=1,否则为0,本文对其加1取对数处理以降低异方差影响。

3.2.3 控制变量

本文设置如下控制变量:在企业层面控制企业规模(Size)、资产负债率(Lev)、总资产收益率(ROA)、营业收入增长率(Growth)、两职合一(Dual)、股权集中度(Top5)、董事会规模(Board)、股权制衡度(Balance2)、托宾Q值(TobinQ)、企业年龄(FirmAge)、管理层持股比例(Mshare)、独立董事占比(Indep),在地区层面控制产业结构(Struc)和人均GDP(Pgdp)。

综上,变量定义如表1所示。

3.3 模型设定

为检验数字技术网络嵌入对制造业企业实体技术边界的影响,本文构建如下模型用于基准回归分析:

ETI_boundi,t=β0+β1Degreei,t+γControlsi,t+δi+δc+δt+εi,t

(2)

其中,ETI_boundi,t表示企业i在第t年的实体技术边界;Degreei,t表示企业数字技术创新网络嵌入水平;Controlsi,t为一系列控制变量,δi、δc和δt分别表示在模型中进一步控制企业个体、城市及年份固定效应,εi,t为随机扰动项。本文在企业层面进行聚类分析,以缓解可能存在的序列自相关问题。

4 实证结果与分析

4.1 描述性统计分析

表2报告了主要变量的描述性统计结果。制造业企业实体技术创新边界(ETI_Bound)的均值为1.171 5,标准差为0.917 1,表明样本企业实体技术边界整体处于中等水平且组间差异显著,反映多数企业仍受限于既有技术轨道,与当前我国制造业面临颠覆性技术突破难题的背景相契合。数字创新网络嵌入(Degree)的均值为0.549 6,标准差为0.797 2,反映出企业数字创新网络参与程度有限,且呈现明显的结构性分化特征。所有变量的统计特征均处于合理区间。

4.2 基准回归分析

表3报告了数字创新网络嵌入影响制造业企业实体技术创新边界的基准回归结果。列(1)未加入控制变量和固定效应,列(2)(3)依次加入控制变量与固定效应。结果显示,列(1)(2)(3)数字创新网络系数均在1%水平上显著为正,表明数字创新网络嵌入对制造业企业拓展实体技术创新边界具有显著促进作用,假设H1得到验证。

4.3 内生性讨论

4.3.1 工具变量法

本文构建两个工具变量进行内生性检验。其一,用地级市行政中心到“八纵八横”光缆传输骨干网建设节点城市的最短距离与上一年全国互联网用户数的交互项作为工具变量[22],结果如表4列(1)(2)所示。第一阶段回归中工具变量(IV)的系数为0.031 1,在1%水平上显著为正,表明工具变量与内生变量(Degree)高度相关;K-P rk LM统计量为9.866(p<0.01),拒绝“工具变量识别不足”的原假设;Cragg-Donald Wald F统计量为77.182,远大于Stock-Yogo检验10%水平上的临界值(16.38),拒绝“弱工具变量”的原假设。其二,利用制造业企业数字创新网络与所属行业和省份数字创新网络均值差额的三次方构建第二个工具变量[7],结果如表4列(3)(4)所示。工具变量(IV)系数为0.175 1(p<0.01),K-P rk LM统计量为162.081(p<0.01),Cragg-Donald Wald F统计量为9 149.081,通过不可识别检验与弱工具变量检验。两种工具变量均满足相关性及外生性要求,表明本文研究结论稳健。

4.3.2 PSM-DID检验

本文将样本期内至少有一次数字创新合作经历的企业作为处理组,将未参与数字创新合作的企业作为控制组,并以企业首次嵌入数字创新网络的年份作为政策时点构建多时点双重差分模型。表4列(5)(6)结果显示,无论是否加入控制变量,双重差分(DID)系数均显著为正,表明数字创新网络对制造业企业实体技术边界具有稳健促进作用。

4.4 稳健性检验

4.4.1 安慰剂检验

为排除随机因素对基准回归结果造成的干扰,本文对核心解释变量进行500次随机抽样的安慰剂检验。图2结果显示,估计系数的均值趋近于零,且绝大多数回归分析的p值大于0.1。真实估计值显著偏离随机分布,经验p值接近于0,表明基准回归结果稳健。

4.4.2 改变解释变量

考虑到技术创新的累积性特征及数字创新网络资源整合的时滞效应,将核心解释变量滞后一期进行回归分析。如表5列(1)所示,滞后一期数字创新网络嵌入系数在1%水平上显著为正(β=0.062 8,p<0.01)。为进一步增强研究结论的可靠性,本文采用加权度中心性作为数字创新网络的替代指标进行检验[23],列(2)结果显示,加权度中心性系数w-degree(β=0.098 8,p<0.01)显著为正,表明基准回归结果稳健。

4.4.3 改变被解释变量

(1)改变被解释变量测度方式。其一,调整IPC分类层级,将实体技术领域识别层级由IPC大组细化为IPC小类。其二,改用新增IPC数量指标,用企业每年新增的实体技术IPC号数量(加1取对数)衡量制造业企业实体技术创新边界拓展。表5列(3)(4)结果显示,两种替代测度指标下数字创新网络嵌入对制造业企业实体技术创新边界拓展的促进作用依然显著(β=0.122 1,p<0.01;β=0.175 5,p<0.01)。

(2)缩小实体技术界定范围。进一步,从专利层面和企业行业性质层面采用更精确的方法界定实体技术并进行稳健性检验。在专利层面,本文参考国际专利分类(IPC)对技术领域的划分,仅保留明确属于传统实体制造技术的专利类别,包括B部(作业;运输)、C部(化学;冶金)、D部(纺织;造纸)、E部(固定建筑物)、F部(机械工程),以及H部中明确属于物理硬件与电力技术的H01、H02、H03、H05子类。这一界定方法排除了数字通信、计算机技术等非实体或融合性专利。表5列(5)结果显示,数字创新网络嵌入的促进效应依然显著为正(β=0.078 2,p<0.01),表明在更严谨的实体技术界定方法下,基准回归结果依然稳健。另外,在企业行业性质层面,本文参考《数字经济及其核心产业统计分类(2021)》,将主营业务为数字技术的企业从样本中剔除,仅保留传统制造业企业作为分析样本。表5列(6)结果显示,数字创新网络嵌入对制造业企业实体技术边界拓展的促进作用依然显著(β=0.170 8,p<0.01)。以上双重检验从不同维度验证了本文核心结论的稳健性。

4.4.4 排除竞争性假设

本文利用上市公司专利合作申请数据,筛选出未包含数字专利分类号的专利申请信息,据此构建传统技术创新网络。表5列(7)结果显示,在控制这一因素后,数字创新网络嵌入系数依然显著为正(β=0.039 9,p<0.05)。

4.4.5 调整标准误聚类

为排除潜在组内相关性对统计推断的影响,本文将标准误聚类层级调整至行业层面重新估计,表5列(8)结果显示,数字创新网络嵌入系数显著为正(β=0.158 8,p<0.01),表明研究结果稳健。

4.5 异质性分析

4.5.1 技术维度——技术通用程度

技术通用程度反映企业核心知识元素的模块化水平与跨领域重组潜力,直接影响制造业企业对外部异质性数字知识的吸收与整合效率。本文基于专利前向引用构建技术通用性指数[7],计算每项专利前向引用中各大组占比的平方和,用1减去该值,再取中位数映射至企业层面。表6列(1)(2)结果显示,数字创新网络嵌入对制造业企业实体技术边界拓展的促进效应在技术通用性高的企业更显著(β=0.215 4,p<0.01;β=0.035 9,p>0.1)。原因在于,高技术通用性企业模块化、兼容性强,能够快速对接网络中的多样性知识,降低重组成本,将外部数字资源转化为实体创新机会;反之,低技术通用性企业知识基础高度依赖特定领域,对网络异质知识的兼容性程度低,会削弱数字创新网络的赋能效果。

4.5.2 组织维度——人工智能水平

人工智能作为制造业企业数字化融合的核心技术,其应用水平决定制造业企业对外部数字资源的吸收能力与转化效率。本文基于机器学习构建的人工智能词频词典,提取上市公司年报中与人工智能相关的词频,并对词频总数加1取对数处理,构建制造业企业人工智能水平变量[24]。表6列(3)(4)结果显示,数字创新网络嵌入对制造业企业实体技术创新边界拓展的促进作用在高AI组(β=0.115 7,p<0.01)和低AI组(β=0.164,p<0.01)均显著为正,但低AI组系数更大。组间差异检验显示,两组系数差异为0.048,经验p值为0,组间差异显著。这表明,数字创新网络嵌入对低AI水平企业的“能力补偿”效应更为突出。原因在于,低AI水平企业能够通过数字创新网络获取算法工具,跨越自身技术鸿沟,降低制造业企业实体技术创新试错成本,快速接入新兴实体技术轨道;而高AI水平企业已建立成熟的技术体系,其与网络中的主流知识存在高度重合,边际增益有限,若深度嵌入由主流技术范式主导的数字创新网络会强化其技术路径依赖,从而抑制其向颠覆性实体技术领域进行探索式学习的动力。

4.5.3 环境维度——政府数字关注度

地方政府数字关注度是影响制造业企业创新的关键环境因素。本文用地方政府工作报告中数字经济词汇频率占总词汇量的比重衡量地方政府数字关注度[25],并按中位数划分为高、低两组进行分组检验。表6列(5)(6)结果显示,数字创新网络嵌入对制造业企业实体技术边界拓展的促进作用在政府数字关注度高的地区更加显著(β=0.192 6,p<0.01;β=0.036 7,p>0.1)。原因在于,在关注度高的地区,明确的政策导向、完善的数字基础设施与有力的制度保障,共同引导制造业企业将网络资源投向实体技术前沿,以抑制融合过程中的制度风险与交易成本;而在关注度低的地区,政策信号模糊与治理体系不完善,会削弱数字创新网络潜能的释放。

5 机制检验

为揭示数字创新网络嵌入影响制造业企业实体技术创新边界的内在机理,本文对知识基础拓宽、资源配置优化与数实技术融合3条机制路径进行检验。在基准模型的基础上,本文构建中介效应模型,并采用 Sobel 和Bootstrap检验(1 000次重复抽样)检验研究结果是否有效。本文借鉴杨金玉等(2025)的方法,构建如下模型:

Mi,t=β0+β1Degreei,t+γControlsi,t+δi+δc+δt+εi,t

(3)

ETI_boundi,t=β0+β1Degreei,t+β2Mi,t+γControlsi,t+δi+δc+δt+εi,t

(4)

其中,Mi,t为中介变量,其余变量含义与公式(2)一致。公式(3)用以检验核心解释变量对中介变量的影响;公式(4)在基准模型的基础上纳入中介变量,用以检验中介变量对被解释变量的影响以及核心解释变量系数的变化情况。

5.1 知识基础拓宽效应

(1)知识搜寻广度(Breadth)。本文采用制造业企业当年新引用专利(即当年所引用专利在过去5年内尚未引用)占当年总引用专利的比例测度知识搜寻广度(杨金玉等,2025)。计算公式如下:

(5)

其中,N_Citei,t表示企业i在年份t引用的且在过去5年(t-5～t-1年)从未引用过的专利次数之和;T_Citei,t表示企业i在年份t的专利引用总次数。

(2)知识基础多元化程度(Diversity)。本文参考李玉花等(2024)的研究,基于专利IPC分类号的主分类号,采用熵指数法对企业知识基础多元化(Diversity)进行测度。

(6)

其中,j为企业技术类别:n为企业专利所涉及的所有技术类别;pj为企业拥有技术类别j的专利占比;Pj为企业所有专利中包含技术类别j的专利数量;P表示企业拥有专利的总数量。表7列(1)(3)结果显示,数字创新网络嵌入显著提升了知识搜寻广度和知识基础多元化程度(β=0.029 4,p<0.01;β=0.111 8,p<0.01)。列(2)(4)结果显示,在基准模型中引入中介变量后,数字创新网络嵌入系数依然显著为正(β=0.147 1,p<0.01;β=0.140 1,p<0.01),表明知识搜寻广度与知识基础多元化发挥部分中介作用。该中介效应进一步通过Sobel检验与Bootstrap检验,假设H2得到验证。

5.2 资源配置优化效应

本文构建动态投资预期模型识别企业过度投资作用(OverInv),其数值越大表明资本配置扭曲越严重,企业资本配置效率越低;用实际雇员数与预期值之差构建超额雇员(Excess Labor)指标,其值越大表明劳动力配置效率越低(倪婷婷等,2024)。表8列(1)(3)结果显示,数字创新网络嵌入系数均显著为负(β=-0.008 1,p<0.05;β=-0.000 5,p<0.05);列(2)(4)加入中介变量,数字创新网络嵌入系数依然显著为正(β=0.157 2,p<0.01;β=0.156 7,p<0.01),该中介效应进一步通过Sobel检验与Bootstrap检验,说明数字创新网络抑制了资源错配,提升了资源配置效率,假设H3得到验证。

5.3 数实技术融合效应

本文构建两类数实融合指标:一是基于专利引用关系,若一项实体技术专利至少引用一项数字技术专利,则视为一次数实技术融合,汇总得到DTET1;二是基于IPC分类号,若一项专利的主分类号属于实体技术,同时该专利存在其他被识别为数字技术的分类号,则视为一次数实技术融合,汇总得到DTET2[12]。表9列(1)(3)结果显示,数字创新网络显著促进数实技术融合(β=0.083,p<0.01;β=0.114 5,p<0.01);列(2)(4)加入中介变量,数字创新网络嵌入系数显著为正(β=0.131 1,p<0.01;β=0.097 8,p<0.01),该中介效应进一步通过Sobel检验与Bootstrap检验,假设H4得到验证。

6 进一步分析

6.1 实体技术创新边界多维检验

6.1.1 创新质量

创新质量反映新技术的价值创造能力和竞争优势。本文从两个维度构建创新质量指标,分别衡量创新成果的外部认可度与内在技术多元性。一是技术影响力。借鉴已有研究,聚焦企业当年首次进入的实体技术领域,以当年“新技术领域”内所有专利的累计被引次数加1取对数得到创新质量指标(Quality1)。二是知识宽度,聚焦企业当年首次涉足的实体技术新领域专利,计算其在IPC大组层面的赫芬达尔指数[6],构建创新质量指标(Quality2)。表10列(1)(2)结果显示,数字创新网络嵌入对创新质量的影响系数均显著为正(β=0.137 5,p<0.01;β=0.040 1,p<0.01),表明数字创新网络能够显著提升制造业企业实体技术创新质量。

6.1.2 创新效率

创新效率反映企业将创新投入转化为创新产出的能力,是评价创新活动经济价值的关键指标。本文参考诸竹君等(2024)的做法,用Olley-Pakes(OP)半参数估计方法构建柯布—道格拉斯函数,测算制造业企业实体技术创新效率(Efficiency)。表10列(3)结果显示,数字创新网络系数显著为正(β=0.022 6,p<0.05),表明数字创新网络嵌入显著提升了制造业企业实体技术创新效率,揭示数字创新网络不仅为制造业企业创新提供知识和资源,还能优化其资源配置能力,使其能够更高效地整合内外部资源、更快速地完成实体技术创新。

6.1.3 关键核心领域技术突破

关键核心技术代表国家战略导向和产业发展前沿,是企业长期竞争力的根基。本文借鉴徐霞等(2024)的做法,构建以国家关键技术领域IPC四位码为技术节点的共现网络,通过K核分析与中心性分析识别关键技术领域的核心IPC四位码。若企业新进入实体技术领域申请专利所对应的四位码IPC号中包含这些核心IPC四位码节点,则视其为关键核心技术领域的实体技术创新。表10列(4)结果显示,数字创新网络嵌入系数显著为正(β=0.214 5,p<0.01),表明数字创新网络嵌入不仅能拓展实体技术边界,更能有力推动制造业企业实现关键核心技术突破。数字创新网络嵌入提供的丰富资源和知识使企业在拓展技术广度的同时,又兼顾了关键核心领域突破,体现出双元创新特质。

6.2 数字创新网络的权变效应

社会网络理论认为,网络赋能效应不仅取决于企业自身在网络中的连接数量,更取决于网络位置的结构特征及网络资源属性。因此,为揭示“如何嵌入更能有效赋能”这一核心问题,本文从“结构-资源”双重视角检验数字创新网络赋能的权变效应。

6.2.1 网络结构特征

(1)结构洞。本文根据金玉萍等[26]的做法,采用“2-限制度”测算结构洞,公式如下:

(7)

其中,Sthi为结构洞,取值越大表明企业占据的结构洞位置越好。COi为限制度,反映企业受网络中其他节点的约束程度;pij为企业i在所有合作关系中投入到合作者j的精力或资源占比。基于社会网络理论,占据结构洞位置的核心节点能够桥接原本互不相连的群体,从而获取非冗余异质性信息并占据信息流动控制优势[26]。表11列(1)结果显示,数字创新网络嵌入与结构洞的交互项系数在1%水平上显著为正(β=0.029 3),表明结构洞强化了数字创新网络赋能效应。大规模网络提供资源基础,结构洞确保资源非冗余性,避免了路径依赖,从而有力支撑了制造业企业实体技术创新边界拓展。

(2)中介中心度。本文参考安同良等[27]的思路,将每个企业出现在数字技术网络中两个主体之间最短路径的频率作为中介中心度。该值越大,表明数字技术网络中其他主体对其依赖性就越强。表11列(2)显示,数字创新网络嵌入与中介中心度的交互项系数显著为正(β=0.692 1,p<0.01),表明中介中心度显著增强了数字创新网络对制造业企业实体技术创新边界的促进效应。原因在于,高中介中心度制造业企业能够接触到多样化知识来源,对信息流享有控制权,能够优先识别技术机会,从而更有效地探索新实体技术领域。

6.2.2 网络资源属性

(1)全球创新网络嵌入。知识基础观认为,企业创新能力根植于其知识基础广度与异质性程度。本文采用以下两种方式测度:一是参考杨君等[28]的做法,以企业设立技术研发类海外关联子公司作为融入全球创新网络的标志;二是关注是否存在跨境并购。既有研究认为跨境并购是新兴市场企业实施国际化战略的“跳板”,通过并购发达国家企业能够获取先进技术资源[29]。表11列(3)(4)显示,数字创新网络嵌入与全球创新网络嵌入的交互项系数均显著为正(β=0.076 5,p<0.01;β=0.069 5,p<0.01),表明全球网络嵌入显著增强了数字创新网络对制造业企业实体技术边界拓展的促进作用。原因在于,国内网络提供制度基础,全球网络注入前沿知识,二者通过互补效应拓展实体技术搜索范围,有效规避了本地技术锁定。

(2)产学研协同。相较于企业间合作,产学研合作更有利于突破既有技术范式约束,为企业探索全新技术方向提供异质性知识来源。本文将合作机构名称中包含“大学”“研究院”“实验室”等关键词的联合专利申请界定为产学研合作,并进行两种测度[30]:一是产学研合作存在性(UIC1),企业在某年度存在此类合作则取值为1,否则为0;二是合作强度(UIC2),用当年产学研合作专利数衡量。表11列(5)(6)结果显示,数字创新网络嵌入与产学研协同的交互项系数均显著为正(β=0.098 6,p<0.01;β=0.004 2,p<0.01)。这表明,产学研协同有效增强了数字创新网络对制造业企业实体技术边界的拓展作用。原因在于,数字创新网络传递应用场景知识,产学研合作提供基础科学知识,二者通过互补效应构建“基础研究—应用开发—技术融合”链条,支撑制造业企业实体技术边界拓展。

7 结语

7.1 研究结论

本文基于2010—2024年中国沪深A股制造业上市公司数字专利合作数据,运用社会网络分析方法构建数字创新网络,系统考察数字创新网络嵌入对制造业企业实体技术创新边界的影响,得出如下结论:①数字创新网络嵌入通过知识基础拓宽效应、资源配置优化效应与数实技术融合效应,显著拓展了制造业企业实体技术创新边界,验证了基于通用目的技术理论与知识基础观所构建的跨域转化机制框架的合理性。②揭示数字创新网络嵌入对实体技术边界的赋能效果在高技术通用性、低人工智能水平企业以及高政府数字关注度地区的企业更加显著。③网络结构特征与资源禀赋均正向调节数字创新网络嵌入对制造业企业实体技术创新边界的拓展效应。此外,数字创新网络的边界拓展效应呈现“量质协同”的创新特征,在扩大实体技术创新广度的同时,也能显著提升实体技术创新质量、创新效率与关键核心技术突破能力,表明数字创新网络在拓宽实体技术边界的同时能够显著提升制造业企业核心竞争力。

7.2 启示

基于上述研究结论,本文提出如下启示:

(1)企业应主动布局数字技术创新网络,加快促进实体技术创新边界拓展。第一,数字创新网络嵌入水平越高,越能促进制造业企业实体技术创新边界拓展。因此,企业应及时调整开放式创新策略,适应新兴创新合作范式。在选择研发方向与合作形式时,应提高数字技术创新在研发计划中的比重,通过积极参与数字联盟、研发平台等多种形式合作,扩大数字研发合作者规模,强化对异质性数字知识的获取与整合能力。同时,应重视网络位置优势的构建,积极争取结构洞、中介中心度等关键网络节点,将网络结构资本转化为实体创新优势。第二,数字创新网络对实体技术创新边界的赋能效果在技术通用性高、人工智能水平低的企业中更加显著。因此,企业应结合自身数字化基础制定针对性数字创新网络嵌入策略。技术通用性程度高的企业应聚焦高端平台接入与前沿技术对接,推动数字能力向实体领域深度迁移;而人工智能应用水平低的企业则应把握数字网络的“能力补偿”机遇,主动接入外部数字资源以弥补自身技术短板,实现跨越式创新。

(2)加快国家创新生态体系建设,引导企业嵌入数字创新网络。研究揭示了政府注意力配置对数字创新网络的环境赋能效应,因此,应着力提高数字关注度,强化数据流通机制、知识产权保护与协同研发监管。另外,构建“因企施策”扶持机制,为技术通用性程度高的企业提供高端平台接入与前沿技术对接支持;为低AI水平企业提供数字化工具包、技术诊断与转型辅导,帮助其跨越数字鸿沟。全球创新网络嵌入与产学研协同能显著增强数字创新网络嵌入对制造业企业实体技术创新边界的拓展作用。因此,应着力构建内外联动的协同创新体系,一方面需优化企业融入全球创新网络的制度环境,通过搭建数字国际平台(如云展会、跨境电商)、完善境外研发投资政策等拓展其参与全球技术合作的广度与深度。另一方面,推动企业、高校与科研机构基于数字平台开展知识、数据与资源共享,围绕新兴领域组织联合攻关,强化企业对基础性、通用性知识的吸收与应用能力。

7.3 不足与展望

本文存在以下不足:第一,数字创新网络的动态演化与长期效应尚未充分揭示。 本文采用5年滚动窗口构建数字创新网络,侧重于静态分析,而数字创新网络嵌入是一个动态过程,企业从边缘到核心、从弱关系到强关系的演化以及网络结构迁移都可能对实体技术边界产生非线性影响。未来可重点考察网络嵌入时序、嵌入次序及网络重塑对实体技术创新的长期动态效应。第二,本文发现数字创新网络对低AI水平企业的“能力补偿”效应更为显著,但未揭示其微观作用机制。未来可结合企业数字化专利内容、人工智能技术应用场景等文本信息,深入探究“补偿效应”发生的技术条件与组织边界。

参考文献：

[1] 刘天琦, 傅卿. 双循环中的结构性“托举效应”与制造业价值链高端攀升——基于创新能力提升视角[J]. 中国工业经济, 2025, 43(8): 121-139.

[2] HAEFNER N, WINCENT J, PARIDA V, et al. Artificial intelligence and innovation management: a review, framework, and research agenda[J]. Technological Forecasting and Social Change, 2021, 162: 120392.

[3] 马鸿佳,王亚婧,苏中锋.数字化转型背景下中小制造企业如何编排资源利用数字机会——基于资源编排理论的fsQCA研究[J].南开管理评论, 2024,27(4):90-100,208.

[4] LI M X, ASUKA B A, SU J L, et al. Sustaining corporate innovation through university-industry collaborative research: evidence from the Jiangsu University of China[J]. Journal of Industrial Integration and Management, 2020, 5(2): 235-252.

[5] FANG X, LIU M. How does the digital transformation drive digital technology innovation of enterprises? evidence from enterprise′s digital patents[J]. Technological Forecasting and Social Change, 2024, 204: 123428.

[6] 曾凯霖, 岑坤, 肖翔. 创新关联网络下企业技术并购同群效应的作用机制与经济后果[J]. 科技进步与对策,2026,43(9):91-104.

[7] 杨震宁, 袁梓晋. 数字创新网络嵌入与关键核心技术攻关[J]. 中国工业经济, 2025, 43(5): 156-173.

[8] 杨震宁, 侯一凡, 李德辉, 等. 中国企业“双循环”中开放式创新网络的平衡效应——基于数字赋能与组织柔性的考察[J]. 管理世界, 2021, 37(11): 184-205, 12.

[9] 陶锋,朱盼,邱楚芝,等.数字技术创新对企业市场价值的影响研究[J].数量经济技术经济研究,2023,40(5):68-91.

[10] 吴祯, 闫中晓. 企业绿色技术网络位置与全要素生产率[J]. 当代财经, 2025, 46(10): 113-126.

[11] 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.

[12] 黄先海, 高亚兴. 数字知识存量、数实技术融合与企业实体技术创新边界[J]. 经济学动态, 2025, 66(3): 36-53.

[13] DONG Q, ZHAO Y, MA X, et al. Risk spillover between carbon markets and stock markets from a progressive perspective: measurements, spillover networks, and driving factors[J]. Energy Economics, 2024, 129: 107228.

[14] ANDERSSON D, BERGER T, PRAWITZ E. Making a market: infrastructure, integration, and the rise of innovation[J]. Review of Economics and Statistics, 2023, 105(2): 258-274.

[15] 周超. 实物期权理论视角下中国企业在“一带一路”沿线国家的投资价值[J]. 财贸研究, 2025, 36(1): 55-70.

[16] GOLDFARB A, TUCKER C. Digital economics[J]. Journal of Economic Literature, 2019, 57(1): 3-43.

[17] BABINA T, FEDYK A, HE A, et al. Artificial intelligence, firm growth, and product innovation[J]. Journal of Financial Economics, 2024, 151: 103745.

[18] 王海花, 杜梅, 刘钊成. 高校知识网络对产学协同创新绩效的影响研究[J]. 科研管理, 2023, 44(2): 116-126.

[19] 陈再齐, 鲁一恒, 孙小哲. 数字化转型能否成为中国企业研发国际化的“飞跃跳板”——来自新OLI理论范式的解释[J]. 科技进步与对策,2026,43(11):90-100.

[20] 吴林飞, 孙进书, 孙丽文. 数字技术可供性如何驱动制造业企业开放式创新——基于资源重构视角[J]. 科技进步与对策, 2026, 43(2): 37-47.

[21] HELFAT C E,PETERAF M A.Managerial cognitive capabilities and the microfoundations of dynamic capabilities[J].Strategic Management Journal,2015,36(6):831-850.

[22] 钞小静, 廉园梅, 元茹静, 等. 数字基础设施建设与产业链韧性——基于产业链恢复能力数据的实证分析[J]. 数量经济技术经济研究, 2024, 41(11): 112-131.

[23] 焦敬娟, 王姣娥, 金凤君, 等. 高速铁路对城市网络结构的影响研究——基于铁路客运班列分析[J]. 地理学报, 2016, 71(2): 265-280.

[24] 孙猛, 林建鑫. 人工智能创新发展试验区政策赋能企业创新成效:驱动机制与溢出效应[J]. 科技进步与对策, 2026,43(12):148-160.

[25] 戴勇, 韩一博, 蒲霞. 先进制造企业数字化转型驱动路径研究——扩展NCA与fsQCA混合分析[J]. 科技进步与对策, 2025, 42(9): 107-118.

[26] 金玉萍, 刘恒源, 李光勤. 技术转移与资本跨地区流动[J]. 经济科学, 2025, 47(5): 50-72.

[27] 安同良, 魏婕, 姜舸. 基于复杂网络的中国企业互联式创新[J]. 中国社会科学, 2023, 44(10): 24-43, 204-205.

[28] 杨君, 巫红玉, 蒋墨冰, 等. 融入全球创新网络、外部技术封锁与中国企业创新[J]. 财贸经济, 2025, 46(4): 165-180.

[29] 林发勤, 吕雨桐. 跨国并购能否驱动企业创新?基于技术和资源互补性的理论和实证研究[J]. 世界经济研究, 2022, 38(10): 102-117, 137.

[30] 王海艳, 李常洪, 高林怡, 等. 以数为媒:数字技术应用对产学研合作的影响研究[J]. 科技进步与对策, 2025, 42(20): 43-52.

(责任编辑：王敬敏)