The theoretical nature of dynamic capability building lies in the effective redistribution of limited total resources between "responding to external changes" and "addressing internal conditions". New entrants lack scaled stock data and historical business constraints, so their dynamic capability building goal is to quickly capture market share based on initial endowments. In contrast, incumbent platforms must design innovative services to counter external new entrant shocks while enhancing internal stock data mining depth to consolidate existing service advantages. The logic of dynamic capability building for this "balancing internal and external" strategic contradiction differs significantly from that of new entrants. Yet, current process-focused studies often vaguely outline the entire lifecycle of platforms from inception, while framework-focused studies fail to elaborate on the demands and corresponding actions related to stock data, thus lacking sufficient theoretical explanations for incumbent platforms.
This study follows theoretical sampling principles and selects the 1688 Platform as the research object. Given its highly complex industry context and sustained market leadership, 1688 Platform exhibits the archetypal characteristics of an incumbent platform with ongoing dynamic capabilities. By systematically tracing 1688 Platform′s developmental trajectory and external critical events, the study establishes the evolution of business focus as the segmentation criterion. Three critical junctures are identified: (1) strategic transformation planning driven by policy shifts, (2) the official launch of the industrial belt map, and (3) the deployment of the self-developed large language model-based industrial knowledge graph. Guided by the triangulation principle, the study collects both primary and secondary data from multiple channels to support data analysis and theory building. Primary data comprise approximately 24.5 hours of semi-structured interview recordings gathered through three years of longitudinal fieldwork (2022—2025) with the executives, product managers, and ecosystem partners. Secondary data include internal strategic documents, meeting minutes, publicly available news reports, and corporate filings. Observational data accumulated during the consulting engagement further strengthen cross-source validation.
The analysis identifies that, first, external competitive scenarios with new entrants and internal stock data constraints are the drivers of dynamic capability building. Second, the phased orchestration of external competition strategies and stock data strategies constitutes the process mechanism. During the three phases of capability generation, growth, and maturity, the platform builds dynamic capability via three mechanisms: compensatory orchestration, resonant orchestration, and leapfrog orchestration of the two strategies. Third, the building sequence is "sensing opportunities—reconfiguring stock data—seizing opportunities and new resources". The platform prioritizes reconstructing stock data into hierarchical forms with increasing value density to enable sharing across both exploratory and exploitative businesses. Fourth, the outcomes include "stock data aggregation capability, industrial knowledge connection capability, and industrial intelligence creation capability", which sequentially reflect the progressive process from basic data processing to high-order intelligence creation. The findings enrich dynamic capability building mechanisms for different actors in industrial digitalization contexts, reveal the core role of hierarchical stock data forms in dynamic capability building frameworks, and extend the application scope of Optimal Distinctiveness Theory to incumbent industrial internet platforms.
开放科学(资源服务)标识码(OSID)：
随着产业数字化纵深推进,布局产业互联网平台既是传统制造企业开展数字化转型的重要举措,也是新兴科技企业提供精益服务和数字基建的重要依托[1]。然而,这一进程在促进产业繁荣的同时,亦使长期深耕产业链、占据主导地位的在位型产业互联网平台(下称“在位型平台”)面临特殊挑战:新入者凭借颠覆性数字技术抢占细分市场,导致用户迁移风险激增,使得在位型平台长期积累的存量数据资源从核心竞争力变为制约平台发展的惯性陷阱——既有业务对存量数据的深度挖掘是维持现有竞争优势的基础,但过度依赖又会降低其应对新入者的敏捷性(焦豪等,2021)。动态能力是基于对内外部环境与资源的综合认知,有目的地整合、延伸和重构现有资源的高阶能力,有助于在位型平台纾解现有资源难以匹配市场变化的困境,创造持续的产业链协同价值[2]。若在位型平台长期深耕产业链的价值交换,具备较强动态能力,则相比新入者更有可能在产业数字化的深水区承担供给侧产业生态重构的重要使命[3]。因此,探究在位型平台如何构建动态能力,对加快建设现代化产业体系具有重要的理论与实践意义。
构建动态能力的本质是在“应对外部变化”和“应对内部局势”之间对有限的总量资源进行良好再分配的过程[4-5]。新入者的存量数据未成规模且无历史业务约束,因此其构建动态能力的目标是围绕初始禀赋快速抢占市场份额[6-7]。而在位型平台既需要向外设计创新性服务以应对新入者的冲击,又需要向内尽可能提升存量数据的挖掘深度,以巩固现有服务的优势,因此,在资源有限的现实约束下,将资源向其中一方倾斜,通常会削弱另一方的表现[4]。尽管有少数研究指出两者在特定条件下并不必然对立[6],但对于面临新入者冲击加剧且存量数据价值密度不足的在位型平台而言,这种“内外兼顾”的战略矛盾仍占主导地位,使得其动态能力构建逻辑显著区别于新入者。然而,在数字平台动态能力相关文献中,构建过程类研究大多笼统地概括了平台自初创以来的全过程[1,8-9],构建框架类研究亦未精准剖析在位型平台应对存量数据的需求以及相应举措[2,5],难以提供充分的理论阐释。
那么,在位型平台应如何在新入者冲击下,破解存量数据的惯性陷阱,构建动态能力?相较于现有文献在“应对新入者”和“应对存量数据”中侧重其一,最优区分理论关注企业如何同时创造独特性与合法性[10],它指出战略矛盾的本质是同时寻求独特性与合法性的冲突[11],企业需在生命周期的不同阶段灵活采用最优区分机制,协同多种战略实现两者的动态平衡[12]。其具体优势在于:一方面,区别于传统双元创新理论的静态平衡[4],其动态平衡特征要求观察各阶段不同的矛盾表现形式,更加适配在位型平台的长期转型过程,能够消解构建过程类研究的笼统性;另一方面,其战略多维性特征能够深入考察应对新入者冲击和存量数据的策略实施细节,揭示各阶段在位型平台构建动态能力的特殊机制,增强构建框架类研究的解释力。
综上所述,本文提出核心研究问题:在位型产业互联网平台如何通过最优区分机制构建动态能力?我国对工业品在线贸易的需求量大且差异性强,阿里巴巴1688采购批发平台(以下简称1688平台)自20世纪90年代末创立,已发展成国内最大的批发采购平台之一,是典型的在位型产业互联网平台,且较长的在位期保证了研究窗口的稳定。近年来,数字技术的深入应用使得“内外兼顾”挑战不断复杂化,1688平台通过若干强创新性的数字产品,在持续发挥存量数据价值的同时顺利应对外部竞争。基于此,本文遵循“动因—过程—结果”逻辑,聚焦1688平台在位期的转型过程进行纵向案例研究,以期拓展产业数字化情境中不同主体的动态能力构建机制与最优区分机制的“理论工具箱”,为我国产业互联网平台的长期规划发展提供实践启示。
产业互联网平台是基于数字技术重构产业链资源的连接方式,为产业链上下游的不同主体提供交互支持与互补解决方案的综合性数字平台[1,3]。当前文献广泛研究了数字平台类企业构建动态能力的机制,主要包含构建过程与构建框架两种类型。构建过程类研究以纵向案例研究为主,以领先的数字平台为研究对象,揭示动态能力的跨阶段过程机制以及能力的具体表现形式。一方面,研究者通过深入观察创新成果的开发过程,提出了商业模式协同[1]、松散耦合/权力聚合(吴瑶等,2022)、显/隐性知识编排(周翔等,2023)、数字资产超网络嵌入[8]等机制。另一方面,具体的动态能力通过重新设计平台的业务/技术模块及其组合关系,实现“功能性提升—性能性提升—可靠性提升”的递进[13]。例如,蒋石梅等[1]通过一个纺织产业互联网平台的案例,揭示了动态能力在行为维度上的“资源拼凑能力—资源整合能力—资源重构能力”演化路径。构建框架类研究基于动态能力理论的核心创立者之一Teece[2]提出的“感知—捕获—重构”顺序框架,关注某一时间截面上的动态能力构建过程。传统框架认为,构建完整的动态能力首先需要感知环境中的机会,然后采取措施捕获机会及所需的外部资源,最后对内部资源进行整合与重构[2]。当前研究结合数字技术的可重新编程性、可供性等特征,为动态能力框架赋予了新的要素[5,14-15]。
综上所述,当前文献为解答在位型平台如何构建动态能力提供了一定的理论依据,但仍存在两点不足。第一,构建过程类研究缺乏针对在位型平台的情境聚焦[5]。在位企业应对新入者竞争以及构建动态能力是长期被讨论的话题,具体到数字平台类企业,虽然当前不乏以在位型平台为理论抽样对象的研究,但多数研究的观察窗口仍是从初创期到在位期的笼统过程[1,8-9],本质上还是以平台扮演新入者角色为假设前提来研究单一机制的提出、验证和推广[6,16],尚未适配在位期应对新入者冲击的情境。第二,构建框架类研究对于在位型平台应对存量数据需求的解释力相对有限。传统的“感知机会—捕获机会与新资源—重构内部资源”构建框架假设新业务所需的资源从零积累[2,15],但在位型平台通过丰富的产业场景积累了规模可观的存量数据,数据资源的可重新编程性使其理论上可以重构和复用于平台不同的业务需求[17]。因此,相较于新入者,拥有庞大规模存量数据的在位型平台更有可能激发数据规模与算法水平互促提升的数据网络效应[17-18],创造稳定且显著的先动优势。在位型平台需要优先通过重构存量数据提升算法水平,进而提升用户感知的价值,最终增强机会捕获的可能性。换言之,重构存量数据或将成为捕获机会和外部资源的前因,而非结果[5,17],且传统框架的逻辑顺序因存量数据的可复用性(以及潜在的路径依赖)而无法适配在位型平台的实际需求。由此,需要重新界定动态能力构建框架在存量数据情境下的逻辑顺序。
从应对外部变化的角度看,在位型平台具有应对新入者冲击的紧迫需求。在位型平台聚焦主流市场,容易忽略环境中利基市场的变革,而新入者仅需在未被挖掘的利基市场获得独特性,便有可能逐步向主流市场延伸,最终取代在位者[6]。因此,在位型平台在构建动态能力时需要开展全新的探索性业务以突破原有的独特性,应对新入者的冲击[4]。例如,Khanagha等[19]分析了爱立信在云计算技术革命中的转型过程,提出在市场环境高度不确定的情况下,在位型平台应采取比环境稳定时更加差异化的能力构建策略,从而应对后发企业的追赶。从应对内部局势的角度看,在位型平台需要充分发挥存量数据的价值。产业互联网平台汇集了从生产、制造到商业化等横向价值链的数据,也沉淀了纵深方向的供应链数据[3]。而存量数据往往存在零散、非结构化、价值密度低等缺陷,需要通过清洗、聚合等操作来发挥其价值,且相对固定的价值链、供应链导致平台的存量数据与现有业务通常紧密耦合,仅凭存量数据本身难以兼容新旧业务[6,18]。因此大多数研究对于与新入者直接竞争持审慎态度,并认为在位型平台的最优对策是基于现有的利用性业务尽可能提升数据挖掘深度,延续原有的高合法性[20]。
然而在总量资源有限的情形下,加之存量数据事实上难以兼容新旧业务,应对新入者冲击与应对存量数据之间构成了一对战略矛盾。一方面,在位型平台为了应对新入者冲击而开发探索性业务,通常会分散已有利用性业务的资源,舍弃存量数据的先动优势,极有可能陷入“两边不靠”的困境[4]。另一方面,一味重视存量数据容易产生内部惯性,即受限于“数据即资产”的惯性思维而屏蔽外部的潜在机遇,即便在位型平台与新入者同时感知到机会,存量数据与已有业务之间的强耦合性反而可能限制其对机会的捕获[13]。综上所述,亟需打开在位型平台构建动态能力的过程“黑箱”,解决上述“内外兼顾”的战略矛盾。
企业同时寻求独特性与合法性的对立诉求,可分别溯源至差异化竞争理论和强调一致性的制度理论(Zhao et al.,2022)。相比于传统观点将矛盾视为非此即彼的选择,最优区分理论系统阐述了战略矛盾的运行逻辑:复杂多变的商业环境使得矛盾形式随时间发展而不断运动,由单一的静态平衡发展成为多重的动态平衡,因此实现最优区分的机制应该随着企业和产业生命周期的不同阶段而持续演变[10]。此外,最优区分理论主张战略多维性,将企业在不同方面的战略称为“战略维度”,强调企业应重视不同战略维度之间的协同,而非让单一战略维度保持中等水平的合法性与独特性[10]。基于这一思想,Zhao等[11]提出了补偿协奏、整合协奏两种最优区分机制,以实现战略多维性。实现最优区分需要在战略维度的配置上权衡取舍,而协奏(Orchestration)一词则精准且形象地刻画了多个战略维度的协同实施机制[12]。补偿协奏反映两种维度之间的互补关系,旨在通过一个维度的合法性收益来补偿另一个独特性维度的风险。整合协奏则是一种系统级机制,包含两种实现方式:一是确保每种维度的合法性,但以独特的方式使其协同;二是个别维度体现独特性,但当其与其他多个合法性的维度相结合时,整体就能够规避潜在风险,是一种多维度的补偿机制。在此基础上,有研究发现了新的协奏机制,如跨过合法性阈值再尽可能发挥独特性的门槛协奏[21]、将独特性子公司整合到母公司从而形成新业态的反哺协奏[22]、使独特性在跨场景协同下成倍复制的裂变协奏[23]等。
尽管最优区分理论已得到广泛认可,但在位型平台构建动态能力应该采用哪些最优区分机制,当前研究尚未提供清晰指引。相关代表性研究中,郭长伟等[22]深入探讨了在位企业内部创业的问题,但主要基于广义的资源视角。彭新敏等[12]与尹西明等[23]分别探究了本土企业超越追赶、AI企业跨越“死亡之谷”等新颖情境,但其研究对象主要是后发或新创企业。因此,在位型平台构建动态能力的最优区分机制仍需要进一步的理论揭示。
本文采用纵向单案例研究方法,主要原因如下:首先,本文的研究问题属于典型的“how”问题,具有鲜明的探索性特征。纵向单案例研究在探讨复杂机制方面有着独特优势,同时也具有引人入胜的故事性,能够通过讲述“好故事”,为构建“好理论”带来启发(李树文等,2022)。其次,动态能力与最优区分理论均强调内外部环境与战略协同的动态性,纵向单案例研究能够较好地观察时间序列中的关键战略,有助于获得解释性更强的理论模型。
本文遵循理论抽样原则[24],选择1688平台为研究对象,具体理由如下:第一,案例典型性。1688平台是我国较早深耕工业品专业贸易的产业互联网平台,曾入选工业和信息化部发布的“制造业与互联网融合发展试点示范名单”。因其所在行业高度复杂和持续领先的市场地位,1688平台具备在位型平台的典型特征和持续的动态能力。第二,数据可得性。研究团队的核心成员自2022年起担任1688平台的外聘顾问,1688平台高度支持访谈并提供相关资料。此外,关于1688平台的媒体报道、集团财报等二手数据较为丰富,有助于形成三角验证。
本文详细梳理了1688平台的发展历程以及外部关键事件,借鉴蒋石梅等[1]、Brewis等[5]对动态能力构建过程的界定,并与1688平台达成共识,以业务焦点的演化作为划分标准,将“政策驱动下筹划战略转型”“产业带地图正式上线”“自研大语言模型的产业图谱上线”作为关键节点,将1688平台构建动态能力的过程划分为“能力生成”“能力成长”“能力成熟”三个阶段,时间线如图1所示。
图1 案例企业关键事件
Fig.1 Key events of the case enterprises
本文基于三角验证原则,从多个渠道收集了一手、二手数据,共同支持数据分析和理论构建[24]。一手访谈数据来自对1688平台的3年长期调研与半结构化访谈,合计收集约24.5小时的一手访谈录音。二手数据包括内部资料、新闻报道等。此外,研究团队在调研过程中还积累了丰富的观察资料,增强了数据间的交叉验证。数据收集情况如表1所示。
表1 数据收集情况
Table 1 Data collection
类型来源编码获取方式目的一手资料CTOF1半结构化访谈了解发展历程、挑战机遇、技术研发、动态能力等高级产业顾问F2公共事务总经理F3了解市场竞争情况、业务与产品情况、合作情况、动态能力等客户服务总经理F4标准库业务负责人F5了解挑战机遇、业务与产品情况、技术研发、产品应用等产业带地图业务负责人F6产业图谱业务负责人F7技术人员与运营人员F8了解业务细节、技术研发细节、产品应用等代表用户F9了解合作细节、上述访谈内容的求证等生态合作伙伴F10二手资料新闻报道、官网信息、内部资料S自行收集 与一手资料形成三角验证现场观察实地观察——将访谈信息与实际情景建立关联
本文的数据分析主要遵循Yin[25]的解释性单案例研究方法。首先,采用时序分析法对语料数据按前文划分的阶段进行分组[1],对各阶段的数据进行“提取中心句”式的概括并作为一阶编码[18],逐级归纳形成二阶主题和聚合构念。其次,进行“理论—数据—构念”的多轮迭代,确保构念与已有理论高度匹配,形成完整证据链[1]。例如,在逐级归纳原始数据的基础上,聚合维度“动态能力”下的3个二阶主题不仅各自得到现有文献的高度支撑[9],其整体也通过刘洋等[26]系列研究的递进式能力框架相互关联。最后,根据“动因—过程—结果”逻辑,反复挖掘各阶段构念的事理联系和理论联系,直至形成稳健模型。本文通过以下方法保证准确性:一是由两名成员背靠背独立编码,针对分歧部分反复优化。二是及时征求外部意见,如邀请专家点评、与案例企业多轮反馈等,直到达成一致的编码结果。本文数据分析在上述步骤间反复进行,并使用多源数据交叉验证。典型编码证据囿于篇幅不作呈现,数据结构如图2所示。
图2 数据结构
Fig.2 Data structure
本文的一阶编码从原始数据中涌现,二阶主题将数据归纳与文献对话相结合,聚合维度来源于现有理论[25]。需要说明的是,为详尽揭示各阶段协奏机制的内涵与作用效果,本文按照Zhao等[11]完善后的最优区分理论和思路,并不对协奏机制直接编码,而是先编码得到“最优区分状态”聚合构念,然后通过分析战略维度的合法性或独特性导向,以及“最优区分状态”构念下企业整体的合法性与独特性变化,间接归纳得出协奏机制。这一做法已在近年案例研究中得到了认可与推广[22-23]。
本文遵循“动因—过程—结果”的逻辑,首先以1688平台各阶段的外部竞争形势与存量数据约束为起点,分析其构建动态能力的动因;其次分析各阶段存量数据策略和外部竞争策略的实施过程;再次基于最优区分理论,通过分析各阶段的最优区分状态进一步归纳战略维度之间的协奏机制;最后分析动态能力的构建结果。
3.1.1 动因:竞争同质化与数据烟囱泛滥
竞争同质化是指在位型平台与新入者服务趋同的外部竞争形势。随着政策驱动制造业升级,大量科技企业与传统企业纷纷开展产业互联网平台实践,对1688平台构成了较大的竞争压力。彼时平台普遍存在产品搜索体验差、产能规划偏差大等问题,用户对此诟病已久。与此同时,“数据烟囱”泛滥是平台数据独立隔绝、表达形式不一导致的存量数据约束。工业品属性的流通标准长期未统一,导致同一属性往往命名不一,随着用户的频繁使用,存量数据极度冗余,影响服务质量。而数据治理不仅需要应对长期积累的存量数据,更要考虑每天的新增数据,这将带来高昂的成本。加之,当时遭遇新冠疫情冲击,平台难以提供充足资金进行数据治理。
3.1.2 最优区分过程:激发数据网络与延拓产品链条的补偿协奏
(1)激发数据网络是使技术模型水平与数据规模互促提升的策略[17-18],旨在获取独特性。1688平台意识到仅维护现行的流通标准难以从同质化竞争中脱颖而出,于是决定重建存量数据的技术模型,启动标准库开发。它是一套可快速自动更新、覆盖全工业的全新流通标准,其技术模型既能够纠正存量冗余数据,也能够自动将新数据规范化,还能够根据市场变化对标准进行动态更新。此外,1688平台九成以上的存量数据集中在长尾市场,于是1688平台利用长尾市场的数据实现模型迭代,为标准库赋予了自我更新能力。
(2)延拓产品链条是对现存资源进行融合利用和拓展,从而形成可持续产品链的策略,旨在寻求合法性(李树文等,2022)。尽管标准库具备较强的差异化优势,但也存在较高的开发成本,于是1688平台采取了对产品链条的一系列延拓行动。首先,在初期与头部客户共同开发产品,基于头部跨国客户的成熟国际标准做归一化工作,从而规避处理庞大数据的高昂成本。其次,以标准库为起点规划长远的产品序列。例如,开发市场情报工具,可根据同一属性判断全盘工业品的供需情况,随后开发替代品推荐系统,有助于寻找海外品牌的优质国产替代。此后,1688平台推进将标准库融入国家工业品“主数据标准”,凭借标准库快速自动更新的优势,有效缩短国家标准的迭代周期。
(3)补偿协奏。在独特性方面,1688平台取得了领先的行业成果,生成较高独特性。对于行业共性难题,1688平台展现出了高质量的解决成效。当前标准库包括150余万条流通标准,涉及工业品数据1亿余条,整合了116个头部企业的产品目录,平均实现了15%的销量增长。在合法性方面,1688平台入选浙江省产品主数据生态伙伴联盟,从而获得了以国家资质为基础的规范合法性[27],以争取发展资金支持。综上,规范合法性缓冲了独特性带来的成本与潜在风险,体现了补偿协奏机制[11]。
3.1.3 动态能力:存量数据聚合能力
这一阶段,1688平台构建了存量数据聚合能力,具体指将存量数据重构为结构化信息,从而集成并捕获产业服务要素的能力[26]。首先,标准库能够重构以不同术语上传的产品数据,表达为规范的产业信息,真正意义上实现无需修正的自动上传,仅7分钟即可批量上传8万条产品数据。其次,平台能够根据产业信息集成性地捕获产业服务要素。1688平台依托标准库获得了流通最广泛的属性,并通过这些关键的产业服务要素优化产品序列。依托标准库,1688平台已将工业品采购相关的主要属性集成到同一界面,并将产能匹配服务优化到小时级和参数级。平台在该阶段的最优区分过程如图3所示。
图3 能力生成阶段的最优区分过程
Fig.3 Optimal distinctiveness process of the capability generation stage
3.2.1 动因:竞争差异化与知识涌现受阻
竞争差异化是指平台与新入者通过差异化服务形成各自优势的外部竞争形势。随着后疫情时代工业品贸易形势的转变,大量新增用户直接向其所在的垂直产业分流。自然地,用户需求也直接围绕各自垂直产业的特性而展开。与此同时,1688平台的竞争对手也深入布局各个垂直产业,开始竞争增量用户。然而,1688平台却面临知识涌现受阻的约束,即难以从存量数据中挖掘显性产业知识。一方面,平台对垂直产业的诀窍缺乏积累。诀窍是产业实践的隐性知识,需要挖掘实践性数据使之显性化[13],1688平台的存量数据以产品描述为主,实践性数据尚且不足。另一方面,存量数据的应用场景稳定性低。尽管内部提出与不同垂直平台整合数据以挖掘诀窍,但应用场景的紧密相嵌将导致竞争优势依赖于合作伙伴,一旦结束合作将使模型训练素材断供,造成市场定位失焦[28]。
3.2.2 最优区分过程:升维跨界数据与松散耦合生态的共振协奏
(1)升维跨界数据是指与跨界合作者互融数据,从而使得数据应用场景复合化的策略[29],旨在获取独特性。1688平台观察到,源产地集聚形成的产业带因其突出质量和价格优势而最具发展空间,由此推动了与高德地图的跨界合作,开发产业带地图,将存量工业品数据融入地理层次结构,呈现我国多样的产业带情况。同时,1688平台还通过支持领先用户来完善数据应用场景,例如为产业带中生产条件优秀的领先工厂用户单独开发生产实景化的界面,让存量数据在领先用户的场景中得到更广泛的应用。
(2)松散耦合生态是与跨界合作者共建生态以求掌握先进技术,同时保持各自清晰边界的策略,旨在获得独特性(吴瑶等,2022)。首先,双方在技术上紧密合作,共同研发了一系列专用于融合地理数据和工业品数据的专属模型,并率先申请了多项专利。其次,在业务样态上,为保证业务仍聚焦于产业交易撮合、不被地图元素稀释[28],1688平台将产业带地图的入口设置在页面边缘,并将核心功能与地图进行了全面的适配升级。以服装产业为例,用户通过1688平台的AI工具设计款式,基于地图匹配最合适的生产和物流代理。数据显示,核心功能升级直接带来的绩效提升占当年平台绩效增长的主要部分,正是对松散耦合生态正确性的有力证明。
(3)共振协奏。在独特性方面,升维跨界数据与松散耦合生态产生的独特性相互叠加,取得了首创性的行业成果。2023年,产业带地图连接起全国一千多个产业集群,提升了21%的成交率,进一步构建了差异化优势。在合法性方面,产业带地图在商业领域的良好应用吸引了持续的政企合作,充分验证了1688平台的业务价值,维持了以协议为基础的规制合法性[27]。1688平台为义乌国际商贸城分三期开发专属地图,并与中国工业互联网研究院签署专精特新企业服务框架合作协议,近500家国家级专精特新“小巨人”企业加入产业带地图。综上,1688平台叠加了独特性的同时维持了规制合法性的稳定,从上述实践中涌现出了共振协奏机制。
3.2.3 动态能力:产业知识连接能力
这一阶段,1688平台构建了产业知识连接能力,具体指将零散的产业信息重构为知识并引导用户价值主张相互关联,进而捕获价值主张的能力[30]。首先,1688平台将零散的产业信息知识化重构。产业带地图结合第三方机构认证阐述了关于供应商的20余条重要资质,并通过大范围的信誉认证体系夯实关联价值主张的知识基础。其次,1688平台引导用户的价值主张相互关联,将其捕获并进一步实现。在与浙江多地的合作项目中,1688平台基于“打造产业洞察门户”的愿景,一方面在产业带派驻人员,不断更新地图最新动态,便于普通用户持续获取最新信息;另一方面关联当地和邻域的产业结构,便于各地统筹打造特色产业集群。平台在该阶段的最优区分过程如图4所示。
图4 能力成长阶段的最优区分过程
Fig.4 Optimal distinctiveness process of the capability growth stage
3.3.1 动因:竞争品质化与价值跃升瓶颈
竞争品质化指平台与新入者通过深化服务专业性以留存用户的外部竞争形势。随着我国产业结构不断优化,工业企业增速逐渐平稳,1688平台进入竞争存量用户的时期。同时,随着对数字化的理解不断深入,用户开始要求平台缓解其市场定位不明和腾挪空间不足的问题,对平台的服务深度提出了更高的要求。然而,1688平台面临价值跃升瓶颈的存量数据约束,即存量数据沿产业链前所未有地指数级增长。1688平台意识到应及时将其汇总以分析产业趋势,尽可能深化服务价值,数字技术突破却遭遇障碍,彼时数字技术的算力跟不上数据增长,导致平台无法真正满足用户需求。
3.3.2 最优区分过程:布局数据管道与即兴响应机会的跃迁协奏
(1)布局数据管道是指平台将大规模的多模态数据以高度可视化、模块化的方式呈现的策略[31],旨在积累合法性。首先,1688平台按照综合产业的网状结构治理平台数据。尽管当下技术算力不足,但先前的经验启发了其将数据可视化地呈现,由此开发了产业图谱,按“原材料—中间品—终端产品”的关系编排全盘数据,帮助用户可视化地寻找产品在综合产业中的所有用途。其次,模块化地设计与阐释产品功能。1688平台将产业图谱的网络结构规划、数据采集等功能模块进行封装,供不同垂直产业组合调用,同时对产品功能进行分模块阐释,在公开场合进行解读,获得了潜在用户的关注。
(2)即兴响应机会是在极短时间内计划、决策与执行的策略(买忆媛等,2015),旨在短时间内获得独特性。ChatGPT的问世使1688平台看到了大模型在提升产业图谱广度、深度、算力和用户交互性等方面的巨大价值,于是迅速决定自主研发大模型并融入产业图谱,从而敏捷调控用户的产业定位。根据产业图谱生成的建议,1688平台迅速对平台上的中小企业开展大范围询价与集中质检,短时间内汇聚了足量的小型耗材,由此成为全国10多个城市大型光伏工程的主要供应商,帮助中小企业找到合适的定位和销路。
(3)跃迁协奏。在合法性方面,还未融合大模型时,产业图谱就在相当一段时间内成为唯一的图谱工具,沉淀了以用户黏性为基础的认知合法性[27]。在独特性方面,自接入大模型,1688平台在短时间内取得了颠覆性的行业成果,成为工业品贸易行业中首个引入自研大模型的平台,入选“四大国际工业趋势”示范案例、“数字经济(工业)十大特别案例推荐库”。综上,布局数据管道沉淀了认知合法性,而即兴响应机会使得独特性产生突变,从上述实践中涌现出了跃迁协奏机制。
3.3.3 动态能力:产业智能创造能力
这一阶段,1688平台构建了产业智能创造能力,具体指将静态知识重构为产业智能体,从而前瞻性地捕获产业未来趋势的能力[3,9,26]。首先,1688平台能够创造具有自主决策能力的智能体,将知识重构为智能决策。大模型拥有强大的语言理解和文本生成能力,能够以对话的方式向用户输出知识,形成对产业上下游、同级替代等情况的精细决策。其次,1688平台能够前瞻性地捕获未来趋势。融合了大模型的产业图谱能够对某一工业品可能出现的垂直产业按可能性进行排序,甚至向多级供应商延展。平台在该阶段的最优区分过程如图5所示。
图5 能力成熟阶段的最优区分过程
Fig.5 Optimal distinctiveness process of the capability maturity stage
围绕1688平台的实践数据,本文提炼出在位型平台构建动态能力的过程模型,如图6所示。
图6 在位型产业互联网平台构建动态能力的过程模型
Fig.6 Process model of building dynamic capabilities for the incumbent industrial internet platform
(1)在能力生成阶段,平台采用了“激发数据网络”和“延拓产品链条”的策略,形成了补偿协奏机制,即一个战略维度的偏差可以通过另一个维度的合法性收益来弥补[11]。具体而言,平台通过激发数据网络开发了全新的数字产品,消解数据烟囱、生成独特性的同时也带来较高的成本与技术难度;而延拓产品链条的策略充分利用和拓展现存的资源,适应了数字产品的创新需求,所获取的规范合法性缓冲了独特性生成的潜在风险。
(2)在能力成长阶段,平台采用了“升维跨界数据”和“松散耦合生态”的策略,形成了共振协奏机制。共振原指两个物体的能量叠加而振动性质不变,本文在此基础上提出共振协奏的含义:两种战略维度同时叠加独特性,而合法性整体维持不变。具体而言,升维跨界数据创造了全新且复合化的存量数据应用场景[29],而松散耦合生态使平台既掌握了先进的技术模型、优化了核心功能,也规避了紧密耦合的隐患,两种策略都旨在获取独特性,但规制合法性却并未因独特性的叠加而遭受损失。换言之,不同于补偿协奏中相反导向的策略,共振协奏并不需要一个专门旨在获取合法性的策略进行补偿。共振协奏的发现与Krishnan等[28]的研究形成了鲜明对比,该研究中的跨界合作企业虽尝试多种独特性方法,但仍因合法性不足而失去投资者支持,这意味着同时开展多个独特性策略并不总能满足合法性需求[20]。本文认为,要实现最优区分,需形成特定的策略组合。
(3)在能力成熟阶段,平台采用了“布局数据管道”和“即兴响应机会”的策略,形成了跃迁协奏机制。跃迁原指物体在积累一定能量后受到外部激发而瞬间发生状态变化,本文在此基础上提出跃迁协奏的含义:在某种战略维度充分沉淀合法性的基础上,随着外界环境的激发,另一种战略维度使得独特性产生突变。具体而言,平台前瞻性地布局数字管道积累用户粘性,从而充分沉淀了认知合法性,当技术产生突破式变革,平台在数据管道的坚实基础上迅速把握大模型的窗口,取得颠覆性的行业成果从而使独特性突变。不同于共振协奏多策略并行、渐进叠加独特性的逻辑,也不同于门槛协奏对合法性门槛之后行动的有限关注[21]。跃迁协奏进一步体现了外部环境的激发作用,以及跨越门槛之后独特性的断点式增加趋势,更加鲜明且完整地体现了战略维度在不同时空的间断平衡过程[10]。
综上所述,本文构建在位型产业互联网平台构建动态能力的协奏机制模型,如图7所示。
图7 在位型产业互联网平台构建动态能力的协奏机制
Fig.7 Orchestration mechanism of building dynamic capabilities for the incumbent industrial internet platform
本文提炼出在位型平台动态能力的构建机制,如图8所示。研究发现,在位型平台构建动态能力遵循“感知机会—重构存量数据—捕获机会与新资源”的顺序,存量数据重构处于核心环节[5]。具体表现为三个阶段的递进:第一,在能力生成阶段,平台将独立隔绝、表达不一的存量数据重构为结构化的产业信息,并进一步对产业服务要素进行集成与捕获,从而构建存量数据聚合能力;第二,在能力成长阶段,平台将零散的信息重构为产业知识,并进一步通过差异化的产业知识引导用户价值主张相互关联,从而捕获关联的价值主张,构建产业知识连接能力;第三,在能力成熟阶段,平台将静态的产业知识重构为具有自主决策能力的产业智能体,前瞻性地捕获产业发展机遇,从而构建产业智能创造能力。总之,数据、信息、知识、智能体等复杂度、价值密度依次递增的数字资源形式构成了存量数据的层次形态。在感知到市场机会的基础上,在位型平台优先将存量数据重构为不同层次形态,使其顺利嵌入各阶段新开发的探索性业务中,随后再捕获机会和新资源。最终构建的动态能力形成了递进发展的能力体系,其反映了从基础数据处理到高阶智能创造的升维过程[26]。
图8 在位型产业互联网平台动态能力的构建机制
Fig.8 Construction mechanism of dynamic capabilities for the incumbent industrial internet platform
从动态能力的构建过程与结果看,研究结论的适用对象应具备以下两个特征:第一,数据资产充足。丰富的数据资产能够节省“数字化补课”的成本,也能够为数字技术突破式变革储备足够的训练材料,从容应对外部环境变化。第二,多产业情境。覆盖多个垂直产业的平台对综合产业的全貌有较为深刻的认知,同时具有充分的横向延展动机,也能够在一定程度上确保数据体量。
同时,研究结论在以下两种情景难以直接迁移:第一,工业互联网平台。以1688平台为代表的产业互联网平台以“一米深、百米宽”为特征,旨在优化产业交易撮合与价值交换环节,因此构建动态能力强调对产品类关键技术的开发,通过数字产品对产业内不同利益相关者的价值主张进行柔性协调[3];而工业互联网平台以“一米宽、百米深”为特征,旨在解决工艺流程的痛点、提升特定环节的生产效能[18],因此构建动态能力更依赖对工艺类关键技术的挖掘[13]。基于上述差异,本文结论无法直接迁移到工业互联网平台。第二,“超复杂系统依附型”平台。本文的案例企业主要为广大中小企业提供产业服务,而部分在位型平台兼容于国家主导的超复杂系统(例如高铁、航空等重大工程),往往由政府遴选或者大型国企专门开发,因此研究结论难以适用。
(1)从在位型产业互联网平台“内外兼顾”战略矛盾视角出发,打开了其动态能力构建的过程“黑箱”。现有研究主要以传统企业的数字化转型及其配套平台的建设为背景,默认研究对象扮演新入者的角色,以单一机制的提出、验证和推广来构建动态能力[6-7,16]。本文则引入最优区分理论,发现在位型平台的过程机制分阶段而异。平台的存量数据策略与外部竞争策略在不同阶段交叉体现合法性与独特性,分别采用补偿协奏、共振协奏、跃迁协奏等机制,依次构建动态能力。本文将动态能力构建的研究边界真正意义上聚焦到在位期,揭示了在位型平台在动因和过程等方面的特殊性,为探究产业数字化情境下不同主体的动态能力构建机制提供了理论启示(焦豪等,2021)。
(2)研究发现在位型产业互联网平台情境下动态能力构建的反常规顺序。广泛沿用的“感知机会—捕获机会与新资源—重构内部资源”框架侧重于解释如何积累新业务所需资源,无法适配在位型平台应对存量数据的需求[2,15]。而本文发现,在位型平台动态能力的构建过程恰与存量数据的价值升级高度耦合。平台将存量数据重构为价值密度递增的不同形态[14],并在此基础上捕获机会,最终依次构建了递进升维的存量数据聚合能力、产业知识连接能力、产业智能创造能力。本文提出“感知机会—重构存量数据—捕获机会与新资源”的框架顺序,揭示了不同层次形态的存量数据在动态能力构建框架中的中心位置,为解决存量数据如何兼容新旧业务提供了解决思路[6]。
(3)拓展了最优区分理论及其战略多维性的研究。最优区分理论适用于剖析非均衡的战略矛盾[11],然而当前研究较少关注平台情境。本文将最优区分理论的应用边界拓展至在位型产业互联网平台,其中,叠加独特性而维持合法性的共振协奏、合法性沉淀的基础上使独特性突变的跃迁协奏,有助于解答在位型平台的内外战略如何从互补升级为协同,以及协同如何创造产业智能的问题,亦是对现有协奏机制“工具箱”的重要拓展。
(1)引导产业互联网平台分阶段重构存量数据,对产业体系的不同方面进行数字化表达。第一,引导不同平台规范化表达产品数据。遵循表层产品“百花齐放”与底层数据“自然集中”的原则[18],避免平台间流通标准不兼容导致的数据烟囱。第二,引导平台可视化表达产业集群。激励平台与特色产业集群开展试点共创,聚焦“平台+产业集群”刻画我国优质产业带的“地形地貌”,呈现我国全局产业的领先优势,并发挥优势产业的“传帮带”作用。第三,引导平台AI化表达产业体系。统筹推进大模型的算力资源建设、加快大模型在重要产业场景落地,抓住数字技术突破的宝贵机遇。
(2)在位型平台应认识到外部新入者冲击与内部存量数据对平台发展的制约是长期且绝对的,应避免与新入者开展“内卷式”竞争,同时以培养自身核心能力为导向,辩证、多维施策,聚焦存量数据进行特色鲜明的创新性产品或业务开发,将存量数据以不同的层次形态“存下、流动、用好”。初创期和成长期平台应认识到能力的形成并非简单的路径延伸,更需要路径跳跃甚至路径创造[12],应避免与在位者开展业务层面的“模仿式”盲目竞争,探索使用数据资源的新方法、新路径,在存量数据初具规模时提早兼容新旧业务的场景需求。
首先,本文采用纵向单案例研究方法,难免存在理论普适性问题。进一步地,1688平台处于阿里巴巴生态,无法将其成功与集团赋能以及我国产业数字化的政策红利完全分离。尽管如此,本文仍需强调1688平台在事实上确切地覆盖了在位型平台的共性挑战[16](如数据烟囱泛滥、知识涌现受阻等存量数据约束),其核心对策已形成行业共识。因此,本文结论不宜过分归结于大企业特权或极端特例。未来可纳入成功路径差异较大的案例或失败反例,通过多案例研究完善理论模型,亦可开展定量研究,通过排除母公司赋能和宏观环境等因素的干扰,进一步增强结论的稳健性。其次,本文研究视角聚焦于新入者冲击情境,尽管应对新入者是在位企业与动态能力研究长期且重要的议题,但本文对技术迭代、供应链动荡等情境考虑不足。未来可开展复合情境下的组态研究,或双重情境冲击下的多组案例对比分析,以丰富动态能力构建的权变机制。
[1] 蒋石梅, 石佳钰, 曹辉. 产业互联网平台演化机制研究——基于动态能力与商业模式创新整合视角[J]. 科技进步与对策, 2025, 42(5): 106-117.
[2] TEECE D J.Explicating dynamic capabilities:the nature and microfoundations of (sustainable) enterprise performance[J]. Strategic Management Journal, 2007, 28(13): 1319-1350.
[3] 刘洋, 应震洲, 苏钟海. 面向“工业5.0”的产业互联网平台发展[J]. 清华管理评论, 2024,14(3): 72-81.
[4] O′REILLY C A, TUSHMAN M L. Organizational ambidexterity: past, present, and future[J]. Academy of Management Perspectives, 2013, 27(4): 324-338.
[5] BREWIS C, DIBB S, MEADOWS M. Leveraging big data for strategic marketing: a dynamic capabilities model for incumbent firms[J]. Technological Forecasting and Social Change, 2023, 190: 122402.
[6] 王节祥, 龚奕潼, 陈威如, 等. 在位企业如何利用数字技术应对颠覆式创新: 资源可扩展性视角[J]. 南开管理评论, 2024, 27(9): 40-52.
[7] TORTORA D, CHIERICI R, FARINA BRIAMONTE M, et al. 'I digitize so I exist'. Searching for critical capabilities affecting firms′ digital innovation[J]. Journal of Business Research, 2021, 129: 193-204.
[8] 朱国军, 何静, 张宏远. 工业互联网平台领先企业数字化动态能力的形成与演化——基于华为公司的探索性纵向案例研究[J]. 科技管理研究, 2023, 43(15): 159-168.
[9] 陈瑜, 陈衍泰, 谢富纪. 传统制造企业数据驱动动态能力的构建机制研究——基于娃哈哈集团数字化实践的案例分析[J]. 管理评论, 2023, 35(10): 340-352.
[10] 郭海, 李永慧, 赵雁飞. 求同还是存异?最优区分研究回顾与展望[J]. 南开管理评论, 2020, 23(6): 214-224.
[11] ZHAO E Y, FISHER G, LOUNSBURY M, et al. Optimal distinctiveness: broadening the interface between institutional theory and strategic management[J]. Strategic Management Journal, 2017, 38(1): 93-113.
[12] 彭新敏, 张祺瑞, 刘电光. 后发企业超越追赶的动态过程机制——基于最优区分理论视角的纵向案例研究[J]. 管理世界, 2022, 38(3): 145-162.
[13] 郑刚, 朱国浩, 邬爱其, 等. 专精特新企业产学研知识共创与工艺类关键核心技术突破——基于隶属集团型企业中集圣达因的案例研究[J]. 管理世界, 2025, 41(4): 193-217.
[14] 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.
[15] WARNER K S R, WAGER M. Building dynamic capabilities for digital transformation: an ongoing process of strategic renewal[J]. Long Range Planning, 2019, 52(3): 326-349.
[16] 黄雪, 沈灏, 王栋晗. 产业互联网平台场景如何驱动商业生态系统创新——基于汇通达的纵向案例研究[J]. 科技进步与对策, 2023, 40(24): 10-19.
[17] GREGORY R W, HENFRIDSSON O, KAGANER E, et al. The role of artificial intelligence and data network effects for creating user value[J]. Academy of Management Review, 2021, 46(3): 534-551.
[18] 王节祥, 陈威如, 龚奕潼, 等. 工业互联网平台构建中如何应对“个性与共性”矛盾 ——基于树根互联的案例研究[J]. 管理世界, 2024, 40(1): 155-180.
[19] KHANAGHA S, RAMEZAN ZADEH M T, MIHALACHE O R, et al. Embracing bewilderment: responding to technological disruption in heterogeneous market environments[J]. Journal of Management Studies, 2018, 55(7): 1079-1121.
[20] SARKAR S, OSIYEVSKYY O, CLEGG S R. Incumbent capability enhancement in response to radical innovations[J]. European Management Journal, 2018, 36(3): 353-365.
[21] MCKNIGHT B, ZIETSMA C. Finding the threshold: a configurational approach to optimal distinctiveness[J]. Journal of Business Venturing, 2018, 33(4): 493-512.
[22] 郭长伟, 朱亚丽, 于振洋, 等. 大企业内部创业单元如何脱颖而出——基于最优区分视角的纵向案例研究[J]. 南开管理评论, 2024, 27(8): 161-171, 184.
[23] 尹西明, 武沛琦, 钱雅婷, 等. 先立后破: 场景驱动如何助力AI新创企业实现最优区分——基于微言科技的纵向单案例研究[J]. 南开管理评论, 2025, 28(12): 14-26.
[24] EISENHARDT K M. Building theories from case study research[J]. The Academy of Management Review, 1989, 14(4): 532.
[25] YIN R K. Case study research: design and methods[M]. Los Angeles: Sage, 2009.
[26] 刘洋, 应震洲, 应瑛. 数字创新能力: 内涵结构与理论框架[J]. 科学学研究, 2021, 39(6): 981-984, 988.
[27] DAFT R L, MURPHY J, WILLMOTT H. Organization theory and design[M]. Mason, OH: South-Western Cengage Learning, 2010.
[28] KRISHNAN R, GEYSKENS I, STEENKAMP J E M. The effectiveness of contractual and trust-based governance in strategic alliances under behavioral and environmental uncertainty[J]. Strategic Management Journal, 2016, 37(12): 2521-2542.
[29] KAPLAN S, MILDE J, COWAN R S. Symbiont practices in boundary spanning: bridging the cognitive and political divides in interdisciplinary research[J]. Academy of Management Journal, 2017, 60(4): 1387-1414.
[30] 裴银强, 史轩亚, 杜义飞, 等. 产业互联网平台价值主张实现的组态路径——基于活动系统和数字组件的fsQCA分析[J]. 科技进步与对策, 2025, 42(15): 66-75.
[31] SJODIN D, PARIDA V, PALMIE M, et al. How AI capabilities enable business model innovation: scaling AI through co-evolutionary processes and feedback loops[J]. Journal of Business Research, 2021, 134: 574-587.