开放科学(资源服务)标识码(OSID)：
This study examines the impact of digital technology on enterprise knowledge bases by analyzing manufacturing enterprises listed on the Shanghai and Shenzhen A-share market from 2010 to 2023. Patent data was collected from the official website of the State Intellectual Property Office and matched with the first subject unit of patent applications for listed manufacturing enterprises. After data cleaning and organization, the final sample consists of 1 903 listed manufacturing enterprises, generating a total of 20 182 firm-year observations. Drawing on the dynamic capabilities theory, this paper employs a combination of empirical research methods, including Ordinary Least Squares(OLS), Instrumental Variables(IV), and Difference-in-Differences(DID), to comprehensively investigate the effects of digital technology on enterprise knowledge bases. This study innovatively introduces digital technology application levels as the explanatory variable and knowledge base characteristics as the dependent variable. Specifically, the knowledge base is measured across two dimensions: knowledge breadth and knowledge depth. To quantify knowledge breadth, this study adopts a relative indicator approach. Building on Zhang et al.'s method of measuring knowledge breadth as the total number of knowledge categories a firm possesses, this paper defines each IPC(International Patent Classification) major group covered by a firm's granted invention patents in a given year as a distinct knowledge category. Knowledge breadth is then calculated as the total number of these categories. For knowledge depth, this study identifies the knowledge domain in which a firm holds the highest number of invention patents as its most specialized domain. Knowledge depth is measured as the ratio of the firm′s invention patents in that domain to the total number of invention patents in the same domain across all firms in the same year.
This paper mainly draws the following conclusions: First, digital technology has widening and deepening effects on enterprise knowledge base; Second, digital technology broadens and deepens the knowledge base of enterprises by enhancing their coordination and integration capabilities, and their transformation and reshaping capabilities; however,learning absorption capabilities primarily broaden the breadth of enterprise knowledge and do not significantly deepen its depth. Third, the broadening and deepening effects of digital technology on knowledge base show significant heterogeneity, depending on intellectual property protection, university proximity and public data openness.
The research contribution of this paper is mainly reflected in three aspects. First, it improves the measurement of enterprise knowledge base, overcomes the neglect of the scale impact of the existing measurement methods on the number of knowledge types, and provides quantitative support for the subsequent research on enterprise knowledge base. Second, the paper empirically examines the widening and deepening effects of digital technology on knowledge base, providing a new theoretical explanation, analytical framework and empirical evidence for the causal relationship of digital technology knowledge effect. Third, building on the theory of dynamic capability, the paper clarifies the enabling effect of digital technology on enterprises′ coordination and integration capabilities, transformation and reshaping capabilities and learning and absorption abilities, and then exerts an impact on the enterprise's knowledge base, providing important inspiration for guiding the manufacturing industry to continuously improve its dynamic capability through the deep integration of digital and real, and quickly adapt to the external dynamic environment of the development of digital economy.
开放科学(资源服务)标识码(OSID)：
数字经济时代,技术快速更迭提升了外部环境的不确定性。企业对旧资源的路径依赖与外部环境间的低适配性,迫切要求企业突破旧资源约束,改善现有资源基础[1]。作为企业寻求内部资源与外部环境适配的核心资源,知识基础不仅在企业创新活动中扮演着重要角色,而且是影响企业、区域乃至国家竞争力的关键[2]。作为数字经济时代的新兴技术,数字技术既是赋能企业高质量发展的核心驱动力,又是催化技术快速更迭的重要引擎,其对企业影响的研究主要关注经济效应[3-4]与创新效应[5-7]。无论是从经济效应还是创新效应看,知识基础都是企业塑造竞争优势的关键[8-9]。因此,在以往研究的理论基础上,讨论数字技术对企业知识基础的影响,是对数字技术经济效应和创新效应研究的有益补充。
早期研究认为知识是一维的,主要关注知识量[10]。然而,知识基础并非简单的知识存量累积,还需要关注知识类型、结构等特征,进而转向不同知识组合的协同效应。Zhang等[11]将知识基础划分为知识宽度和知识深度两个维度,其中,知识宽度是指个体涵盖多个知识领域的程度,知识深度是指个体对特定领域的熟悉程度。知识宽度与深度综合反映企业当前知识基础分布特征和重要地位,将知识基础领域研究从1.0阶段推向2.0阶段。在数实深度融合现实情境下,研究制造企业数字技术如何影响知识宽度与知识深度,阐释制造企业推进数字赋能,拥抱数字浪潮的底层逻辑,具有实践意义。本文以2010—2023年上市公司制造企业作为研究样本,探究制造企业开展数字技术这一非主业活动对其知识宽度和知识深度的影响效应,并从动态能力理论出发,考察数字技术在提升企业动态能力上的赋能作用,从而深度剖析数字技术对企业知识基础的作用机制,以期为制造企业在数实深度融合背景下利用数字技术开辟新知识领域,在主业领域突破技术瓶颈提供证据支持。
本文可能的研究贡献如下:第一,改进企业知识基础度量方式,有效避免当前常用度量方式对企业在多个知识领域均具有比较优势或一定规模的忽视,提升知识基础度量方式在现实情境中的普适性;第二,实证检验数字技术对企业知识基础的扩面效应与拓深效应,不仅为数字技术知识效应的因果关系提供新的理论解释、分析框架和文献证据,而且从微观层面对数字技术的创新效应进行有益补充;第三,基于动态能力理论,厘清数字技术通过赋能企业协调整合能力、变革重塑能力和学习吸收能力,对企业知识基础的影响效应,为引导制造业通过数实深度融合提升自身动态能力,快速适应数字经济发展的外部动态环境提供重要启示。
随着数字技术发展,学者们不断深化对数字技术的认识,如陶锋等[4]概括了数字技术的3个特性,即收敛性、自成长性和组合性。收敛性是指数字技术对产业边界、组织边界、部门边界和产品边界的弱化;自成长性是指数字技术具备重复编程特点,赋能技术不断迭代与更新;组合性强调数字技术并非单一技术发展,而是对信息技术、计算能力、沟通方式等技术的融合运用。基于对数字技术特征的理解,本文认为,数字技术是汇聚创新要素最多、发展应用前景最广的创新领域,深刻影响着企业知识基础。
(1)就企业知识基础宽度看,依托数字技术构建的数字平台和数字基础设施为员工间沟通搭建了“桥梁”(王海花和杜梅,2023),能够有效连接企业和员工[12],促进员工间知识共享和碰撞,为企业知识多元化奠定基础。同时,数字技术的收敛性特征能够弱化产业边界、组织边界、部门边界和产品边界,突破地理空间对知识获取的阻碍[13],不断扩大企业知识来源范围。因此,数字技术能够促进企业知识宽度提升,对企业知识基础产生扩面效应。
(2)就企业知识基础深度看,数字技术具有自成长性,每个组织和个人都是自发成长的“数据生成器”,数字化场景更新为复杂问题实验模拟提供了可能,有助于现有知识与数字技术融合,进而对原有知识进行迭代或重塑。因此,数字技术能够提升企业问题分析能力[14],帮助企业在某具体领域实现持续性深耕;数字技术的组合性能够促进研发工具、生产工艺改进与优化,新工具或新工艺的出现使企业有条件开展更为深入的研究和更加复杂精细的生产制造,从而拓深专业化领域知识基础。因此,本文提出以下假设:
H1a:数字技术对企业知识基础具有扩面效应;
H1b:数字技术对企业知识基础具有拓深效应。
面对数字经济带来的机会窗口以及技术快速更迭的不确定性,制造企业应用数字技术能够将设计、研发、生产等过程中的生产要素数字化,探索内部资源与外部环境的动态适配性。动态能力理论为解释制造企业应用或探索数字技术的非主业行为提供了理论依据,Teece等[15]将动态能力定义为企业创建、整合以及重新配置内外部资源以适应动态变化环境的能力。基于动态能力的核心概念,刘宇嘉等(2024)将动态能力划分为协调整合能力、变革重构能力、学习吸收能力3个维度。其中,协调整合能力反映企业判断并捕捉外部机会,进而通过资源再配置利用这种机会的能力;变革重构能力反映企业通过渐进式创新或突破式创新对组织结构和战略进行灵活调整的能力;学习吸收能力反映企业将外部知识吸收、整合、内化为自有知识,并将其应用于创新实践的能力。因此,本文预期,数字技术能够通过赋能企业协调整合能力、变革重构能力、学习吸收能力等动态能力,对企业知识基础产生扩面效应与拓深效应。
(1)数字技术是企业实现数据资源高效管理与动态更新的技术基底,有助于企业全面记录并分析各类研发、生产、销售行为,为企业在物质资源、人力资源时空配置上的合理优化与快速布局提供决策支持,以增强企业整体资源协调整合能力[16]。这种动态能力有助于企业快速适应外部环境变化,发挥数字化资源与知识要素的协同整合效应[17] ,进而对企业知识基础产生扩面效应与拓深效应。
(2)数字化转型是企业对组织结构、产品制造、战略布局等方面的全方位、多维度变革与重构。作为企业数字化转型的关键技术支撑,数字技术能够对现有组织结构和产品线流程等进行数字化变革重构,以适应数字经济这一时代环境(王象路等,2024)。这种变革重构的动态能力有助于企业构建具有精准化、柔性化、开放化特点的知识基础,加速知识基础扩面与拓深。
(3)借助数字技术,企业能够利用数据要素网络特性,选择科学的开放边界、开放程度和合作模式,突破创新边界,构建资源互补的战略联盟或生态系统(王晓红等,2021),并将外部知识应用于自身生产经营各环节,从而增强学习吸收能力。这种动态能力提升,能够促进外部多元化知识汲取和内部专业化知识渗透,进而对企业知识基础产生扩面效应与拓深效应。基于以上分析,本文提出以下假设:
H2:数字技术能够通过提升企业动态能力对企业知识基础产生扩面效应与拓深效应。
H2a:数字技术能够通过提升协调整合能力对企业知识基础产生扩面效应与拓深效应;
H2b:数字技术能够通过提升变革重构能力对企业知识基础产生扩面效应与拓深效应;
H2c:数字技术能够通过提升学习吸收能力对企业知识基础产生扩面效应与拓深效应。
综上所述,本文构建理论框架如图1所示。
图1 理论模型
Fig.1 Theoretical framework
本文选取2010—2023年上市公司制造企业作为研究样本,企业基础数据来源于CSMAR数据库,专利数据来源于国家知识产权局,城市数据来源于《2023中国地方公共数据开放利用报告(城市)》与各城市统计年鉴。此外,本文剔除了ST 、*ST类、总资产小于总负债、当年行业样本量不足30、窗口期不足5年的企业样本,并对连续型变量进行了1% 的缩尾处理。
2.2.1 解释变量:数字技术应用水平
借鉴杨鹏等[6]构建的数字技术词典,本文使用文本分析法对企业年报进行词频分析,构建企业数字技术应用水平(DT)指标。具体做法如下:在企业年报中搜索并匹配数字技术词典中的词汇,得出数字技术相关词汇出现频次,并对总频次加1后取自然对数。
2.2.2 被解释变量:知识基础
现有研究大多使用专利作为知识的替代指标[18-19]。在专利IPC分类号的层级中,由于小组层级专利存在多点少量的现实情况,本文将企业当年授权发明专利所涵盖的每个IPC大组视为一类知识,借鉴Zhang等[11]的研究方法,采用相对指标测度企业知识宽度(KB),提升在时间序列上的可比性,具体计算如式(1)所示。
(1)
其中,techi,t表示i企业在第t年授权发明专利所涉及的知识种类数;MAX(techi,t)表示样本企业中知识种类数的最大值。
以往研究大多以技术比较优势指数的变异系数反映知识深度[19-20],这种方式适用于企业在少数知识领域具有比较优势的情境。当企业在多个知识领域均具有技术比较优势时,技术比较优势指数的变异系数反而较小,呈现与事实不符的测度误差。现有研究采用各知识类别下专利总数除以知识种类数表示知识深度[21],这种方法仅适用于创新主体拥有较少知识种类数的情况,很大程度上忽略了知识种类的规模性影响。基于Zhang等[11]将知识深度理解为在专门技术领域累积知识的专业化程度或熟练化水平,本文认为,在某知识领域的知识深度越深,该领域专利数量越多,因而将企业拥有最多发明专利数量的知识领域视为其最具专业化的知识领域,采用企业当年在该知识领域的发明专利数与该知识领域当年所有发明专利数的比值测度企业当年知识深度(KD),具体计算如式(2)所示。
(2)
其中,p是企业i第t年在知识领域j获得的发明专利数量。
2.2.3 控制变量
本文借鉴黄勃等[3]的研究,选取以下控制变量(Controls):企业年龄(企业成立年限的自然对数)、现金流量(经营活动产生的现金流量净额占资产总计的百分比)、流动比率(流动资产与流动负债的比值)、无形资产摊销(无形资产摊销占资产总计的百分比)、市场价值(企业市值与资产总计的比值)、创新潜力(研发人员占员工人数的百分比)、董事会规模(董事会人数的自然对数)。
为了检验数字技术对企业知识基础在两个维度上的影响效应,本文构建基准回归模型,如式(3)所示。
Yi,t=β0+β11DTi,t+β2Controlsi,t+{fe}+μi,t
(3)
其中,下标i、t分别表示企业个体和年份;Y表示企业知识基础的两个维度;DT表示企业当年数字技术应用水平;Controls表示控制变量组;{fe}表示年份、行业、地区的固定效应;u表示随机误差项。
为了选择检验模型,本文进行豪斯曼检验。Hausman检验结果显示,χ2(40)=529.23,对应的p值为0.000。该检验的原假设是“随机效应模型为正确模型”,检验结果拒绝原假设,因而应使用固定效应模型。为确保研究结果的一致性,后续所有回归模型均使用高维固定效应模型。
表1报告了各变量描述性统计结果。结果显示,知识宽度(KB)最大值为9.518,最小值为0,平均值为0.661,标准差为1.430,知识深度(KD)最大值为100,最小值为0,平均值为16.675,标准差为29.348,说明制造企业知识宽度和知识深度差距均较大;数字技术应用(DT)最大值为8.697,最小值为0,平均值为2.500,标准差为1.365,说明样本企业间数字技术应用水平存在一定差距。
表1 描述性统计结果
Table 1 Descriptive statistics
变 量 名 称 变 量 符 号 观 测 值 平 均 值 中 位 数 标 准 差 最 小 值 最 大 值 知 识 宽 度 K B 2 0 1 8 2 0 . 6 6 1 0 1 . 4 3 0 0 9 . 5 1 8 知 识 深 度 K D 2 0 1 8 2 1 6 . 6 7 5 0 2 9 . 3 4 8 0 1 0 0 数 字 技 术 应 用 DT 2 0 1 8 2 2 . 5 0 0 2 . 4 8 5 1 . 3 6 5 0 8 . 6 9 7 企 业 年 龄 Ag e 2 0 1 8 2 2 . 9 0 9 2 . 9 4 4 0 . 3 4 2 1 . 7 9 2 3 . 5 5 5 现 金 流 量 Ca s h 2 0 1 8 2 5 . 1 8 2 4 . 9 0 9 6 . 5 0 2 - 1 2 . 7 8 6 2 4 . 0 6 3 流 动 比 率 Liquid 2 0 1 8 2 2 . 7 1 9 1 . 8 2 2 2 . 6 4 0 0 . 4 9 9 1 6 . 7 1 4 无 形 资 产 摊 销 In vi s i b le 2 0 1 8 2 0 . 2 3 2 0 . 1 5 2 0 . 2 4 7 0 . 0 1 5 1 . 5 3 8 市 场 价 值 To b in Q 2 0 1 8 2 2 . 1 4 0 1 . 7 2 6 1 . 2 8 7 0 . 8 9 2 8 . 2 6 4 创 新 潜 力 RD P 2 0 1 8 2 1 1 . 3 4 8 1 0 . 6 1 0 1 0 . 9 8 2 0 5 2 . 0 1 0 董 事 会 规 模 Bo ar d 2 0 1 8 2 2 . 2 2 9 2 . 3 0 3 0 . 1 6 5 1 . 7 9 2 2 . 6 3 9
各变量的Pearson相关性检验结果如表2所示。由表2可知,各变量间Pearson相关系数均小于0.5。对式(3)中各变量进行方差膨胀因子(VIF)检验,结果发现,各变量的方差膨胀因子均小于1.5,VIF均值为1.15,表明基本不存在严重的多重共线性问题。
表2 Pearson相关系数检验结果
Table 2 Results of Pearson correlation coefficient test
变量 KB KD DT Age Cash Liquid Invisible TobinQ RDP KB 1 KD 0.315 *** 1 DT 0.305 *** 0.054 *** 1 Age 0.064 *** -0.061 *** 0.172 *** 1 Cash 0.054 *** 0.042 *** 0.028 *** 0.072 *** 1 Liquid -0.068 *** -0.004 -0.095 *** -0.168 *** 0.064 *** 1 Invisible 0.096 *** -0.025 *** 0.147 *** 0.081 *** 0.009 -0.083 *** 1 TobinQ -0.037 *** -0.048 *** -0.027 *** 0.018 ** 0.150 *** 0.167 *** 0.075 *** 1 RDP 0.142 *** -0.008 0.422 *** 0.204 *** 0.010 0.033 *** 0.189 *** 0.138 *** 1 Board 0.076 *** 0.046 *** -0.047 *** -0.004 0.014 ** -0.084 *** -0.001 -0.090 *** -0.137 ***
注:*、**、***分别表示在 10%、5%和 1%水平上显著,下同
表3列(1)(2)结果显示,在单变量检验以及未加入固定效应的情境下,DT对KB和KD影响的回归系数均显著为正,这说明数字技术对企业知识基础的影响在宽度上具有扩面效应,在深度上具有拓深效应。列(3)(4)结果显示,加入控制变量后,DT对KB和KD影响的回归系数与列(1)(2)一致。在列(5)(6)中加入年份、行业、地区的固定效应后,DT对KB和KD影响的回归系数β11分别为0.396、3.113,均在 1%水平上显著为正。上述结果表明,数字技术对企业知识基础在宽度上的扩面效应和在深度上的拓深效应均较为显著,H1a和H1b得到验证。
表3 基准回归结果
Table 3 Baseline regression results
变 量 ( 1 ) ( 2 ) ( 3 ) ( 4 ) ( 5 ) ( 6 ) K B K D K B K D K B K D DT 0 . 3 1 9 * * * 1 . 1 6 5 * * * 0 . 2 9 7 * * * 1 . 5 6 4 * * * 0 . 3 9 6 * * * 3 . 1 1 3 * * * ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) Ag e - 0 . 0 1 0 - 6 . 2 8 2 * * * 0 . 2 7 9 * * * - 2 . 2 4 0 * * * ( 0 . 6 9 8 ) ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 0 0 3 ) Ca s h 0 . 0 1 1 * * * 0 . 2 3 3 * * * 0 . 0 1 1 * * * 0 . 2 3 0 * * * ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) Liquid - 0 . 0 1 6 * * * - 0 . 0 3 9 - 0 . 0 1 6 * * * 0 . 0 5 1 ( 0 . 0 0 0 ) ( 0 . 6 3 7 ) ( 0 . 0 0 0 ) ( 0 . 5 3 7 ) In vi s i b le - 0 . 0 3 5 * * * - 1 . 0 3 6 * * * - 0 . 0 4 1 * * * - 0 . 8 8 9 * * * ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) To b in Q 0 . 2 7 8 * * * - 2 . 9 7 7 * * * 0 . 2 3 8 * * * - 1 . 8 5 3 * * ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 0 1 9 ) RD P 0 . 0 0 4 * * * - 0 . 0 2 1 0 . 0 1 1 * * * 0 . 0 7 2 * * * ( 0 . 0 0 1 ) ( 0 . 3 2 7 ) ( 0 . 0 0 0 ) ( 0 . 0 0 4 ) Bo ar d 0 . 7 6 2 * * * 7 . 6 1 0 * * * 0 . 6 4 8 * * * 6 . 0 6 1 * * * ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) C o n s t a n t - 0 . 1 3 6 * * * 1 3 . 7 6 2 * * * - 1 . 8 0 1 * * * 1 6 . 1 1 9 * * * - 2 . 6 8 6 * * * 2 . 0 8 3 ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 5 6 9 ) Y e a r N N N N Y Y I n d u s t r y N N N N Y Y P r o v i n c e N N N N Y Y N 2 0 1 8 2 2 0 1 8 2 2 0 1 8 2 2 0 1 8 2 2 0 1 8 2 2 0 1 8 2 R 2 0 . 0 9 3 0 . 0 0 3 0 . 1 0 8 0 . 0 1 5 0 . 1 8 0 0 . 0 4 8
注:括号内为p值,下同
3.3.1 更换变量测度方式
企业发表的论文大多涉及自身技术发展与应用,本文采用企业发表有关数字经济论文数量的自然对数作为自变量的替代指标,表4列(1)(2)展示了自变量替换为数字经济论文数(Paper)的回归结果,Paper对KB和KD影响的回归系数均显著为正,仍支持H1a、H1b。
表4 更换变量测度方式的稳健性检验结果
Table 4 Robustness test results with alternative measurement methods of the variables
变量 更换自变量测量方式 (1) (2) (3) (4) KB KD KB KD 因变量划分为4种类型 (5) (6) (7) (8) Type1 Type2 Type3 Type4 Paper 1.140 *** 7.403 *** (0.000) (0.000) DT_dummy 0.167 *** 6.410 *** (0.000) (0.000) DT -0.252 *** 0.233 *** -0.028 ** 0.273 *** (0.000) (0.000) (0.026) (0.000) 控制变量 Y Y Y Y Y Y Y Y 固定效应 Y Y Y Y Y Y Y Y N 20182 20182 20182 20182 20182 20182 20182 20182 R 2 0.199 0.046 0.103 0.039
本文构建虚拟变量DT_dummy,将当年企业年报中提及数字技术词典词汇的样本企业记为1,未提及数字技术词典词汇的样本企业记为0。表4列(3)(4)显示, DT_dummy对KB和KD影响的回归系数均显著为正,与本文基准回归结果一致。
本文利用波士顿矩阵工具,按照知识宽度均值和知识深度均值将样本企业分为“池塘”型企业(低知识宽度和低知识深度,记为Type1)、“湖泊”型企业(高知识宽度和低知识深度,记为Type2)、“峡谷”型企业(低知识宽度和高知识深度,记为Type3)和“海洋”型企业(高知识宽度和高知识深度,记为Type4)[22]。表4列(5)～(8)汇报了将因变量分别更改为以上虚拟变量,采用Probit模型的回归结果。结果显示,DT对Type1和Type3影响的回归系数显著为负,对Type2和Type4影响的回归系数显著为正,说明数字技术降低了企业成为“池塘”型企业和“峡谷”型企业的概率,提升了企业成为“湖泊”型企业和“海洋”型企业的概率,且成为“海洋”型企业的概率高于成为“湖泊”型企业的概率。由此可见,“池塘”型→“湖泊”型→“海洋”型是数字技术推动企业知识基础扩面与拓深的演化路径,数字技术对企业知识基础具有扩面效应和拓深效应,且扩面效应发生在拓深效应之前。
3.3.2 更改滞后期
考虑到企业知识存在累积效应,本文先将自变量分别滞后1～5期,再检验数字技术对企业知识基础的影响效应,结果如表5所示。更改滞后期的检验结果与基准回归检验结果一致,并且数字技术对知识基础的扩面效应逐年增强,拓深效应则呈现减弱趋势。这在一定程度上缓解了反向因果的内生性问题,也验证了数字技术对企业知识基础的影响效应长期持续及逐年变化,具有显著经济意义。
表5 更改滞后期的稳健性检验结果
Table 5 Robustness test results with altered lag periods
变量 (1) (2) (3) (4) (5) KB (6) (7) (8) (9) (10) KD DTt-1 0.439 *** 3.153 *** (0.000) (0.000) DTt-2 0.459 *** 2.915 *** (0.000) (0.000) DTt-3 0.466 *** 3.021 *** (0.000) (0.000) DTt-4 0.473 *** 2.214 *** (0.000) (0.000) DTt-5 0.487 *** 2.153 *** (0.000) (0.000) 控制变量 Y Y Y Y Y Y Y Y Y Y 固定效应 Y Y Y Y Y Y Y Y Y Y N 17596 15705 13895 12121 10385 17596 15705 13895 12121 10385 R 2 0.190 0.198 0.200 0.201 0.205 0.051 0.052 0.053 0.049 0.048
3.3.3 划分子样本
本文进一步在不同样本组内检验数字技术对企业知识基础的影响效应,按照企业性质、所在地区差异分别将样本划分为国企与非国企、东部地区企业和中西部地区企业,各组回归结果见表6。结果显示,子样本组检验结果与基准回归检验结果一致。
表6 子样本稳健性检验结果
Table 6 Robustness test results of subsample
变量 国有企业 (1) (2) KB KD 非国有企业 (3) (4) KB KD 东部地区 (5) (6) KB KD 中西部地区 (7) (8) KB KD DT 0.615 *** 4.804 *** 0.285 *** 2.315 *** 0.412 *** 3.297 *** 0.364 *** 2.945 *** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) 控制变量 Y Y Y Y Y Y Y Y 固定效应 Y Y Y Y Y Y Y Y N 5467 5467 14715 14715 14222 14222 5960 5960 R 2 0.299 0.098 0.150 0.048 0.179 0.047 0.208 0.072
3.4.1 反向因果检验
为了缓解由于反向因果关系带来的内生性问题,本文根据Hai等[23]的方法,将企业所在行业第t+1年数字技术应用水平均值作为因变量,将企业所在行业第t年知识宽度均值和知识深度均值分别作为自变量进行回归;将企业第t+1年数字技术应用水平作为因变量,将企业所在行业第t年数字技术应用水平均值作为自变量进行回归。如果以上任何一组回归结果显著,则可能存在内生性问题。表7列(1)～(3)回归结果表明,行业知识宽度均值与知识深度均值的增加并未显著提升该行业数字技术应用平均水平,行业数字技术应用水平均值的增加也并未显著提升企业数字技术应用水平。因此,研究设计中存在反向因果关系的可能性较低,这说明数字技术是制造企业知识基础实现扩面与拓深的内驱力,呼应了数字技术和制造业技术从平行独立发展到数实深度融合的现实趋势。
表7 内生性检验结果
Table 7 Endogeneity test results
变量 反向因果检验 (1) (2) (3) DT_meant+1 DTt+1 工具变量回归 第一阶段 (4) DT 第二阶段 (5) (6) KB KD 模拟外生冲击 (7) (8) KB KD KB_meant -0.055 (0.160) KD_meant 0.002 (0.114) DT_meant 0.020 (0.245) DT_city 0.120 *** (0.000) DT 0.654 *** 3.995 *** (0.000) (0.000) DID 0.504 *** 8.702 *** (0.000) (0.000) 控制变量 Y Y Y Y Y Y Y Y 固定效应 Y Y Y Y Y Y Y Y N 17596 17596 17596 20182 20182 20182 20182 20182 R 2 0.273 0.273 0.443 0.122 0.050
3.4.2 工具变量回归
考虑到地理邻近性,企业知识基础扩面与拓深也会受到所在城市其它企业数字技术发展的影响。同时,城市数字技术发展环境并不由单个企业决定,会通过影响企业数字技术进而作用于企业知识基础。由此可见,城市数字技术发展环境较为符合外生工具变量的选择标准。本文采用黄勃等[3]的做法,依据数字技术关键词对样本企业研究期内所有发明专利与实用新型专利的申请文件信息进行关键词文本分析,确认各项专利是否属于数字技术专利,从而获得样本企业各年度数字技术专利申请数量。根据样本企业所在城市进行匹配,求得企业所在城市其它企业数字技术专利数量均值的自然对数,以此表征企业所在城市数字技术发展环境(DT_city)。对该工具变量进行SW检验、Anderson检验和Sargan检验,结果表明,该工具变量不存在“弱工具变量”“不可识别”和“过度识别”的问题。本文使用两阶段最小二乘法 (2SLS) 解决可能存在的内生性问题,结果汇报于表7列(4)～(6)。第一阶段回归结果,DT_city对DT影响的回归系数显著为正,说明所选工具变量与自变量具有相关性,DT_city并非弱工具变量。列(5)(6)显示,在第二阶段,数字技术对知识基础的扩面效应和拓深效应依然显著。
3.4.3 模拟外生冲击
为了进一步缓解内生性问题,本文将研究期内申请数字技术专利的企业视为处理组,将未申请数字技术专利的企业视为对照组,将企业首次申请数字技术专利的年份视为企业开始受到数字技术的外生冲击时间,通过构建是否为处理组与当年是否受到外生冲击的交互项(DID),采用双重差分进行回归,结果如表7列(7)(8)所示。结果显示,模拟数字技术外生冲击(DID)的系数均显著为正,说明模拟数字技术的外生冲击对企业知识基础产生扩面效应与拓深效应,与基准回归结果一致。
前文理论分析认为,动态能力是数字技术影响企业知识基础的重要机制。本文借鉴刘宇嘉等(2024)的研究,以协调整合能力、变革重构能力、学习吸收能力综合反映动态能力。其中,协调整合能力(CIA),采用总资产周转率度量;变革重构能力(CRA),采用研发支出占比度量;学习吸收能力(LAA),采用本科及以上员工占比度量。本文采用熵权法确定3类能力的权重,计算企业动态能力(DC)。在作用机制检验部分,本文参考温忠麟等[24]的研究,在基准模型(3)的基础上构建如下模型:
Mi,t=β0+β21DTi,t+β2Controlsi,t+{fe}+μi,t
(4)
Yi,t=β0+β31DTi,t+β32Mi,t+β2Controlsi,t+{fe}+μi,t
(5)
式(4)(5)中,M为企业动态能力及其3个维度,其它变量和符号的含义与式(3)一致。表8报告了动态能力机制检验结果,列(1)显示,DT对DC影响的回归系数 β21=0.006(P<0.01),表明数字技术能够赋能企业动态能力。列(2)(3)显示,DC对KB、KD影响的回归系数β32分别为3.078(P<0.01)、10.492(P<0.05)。由此可知,数字技术通过赋能企业动态能力对知识基础在宽度上产生扩面效应,在深度上产生拓深效应,H2得到验证。
表8 作用机制检验结果:动态能力
Table 8 Mechanism test results:dynamic capability
变 量 ( 1 ) ( 2 ) ( 3 ) DC K B K D DC 3 . 0 7 8 * * * 1 0 . 4 9 2 * * ( 0 . 0 0 0 ) ( 0 . 0 3 2 ) DT 0 . 0 0 6 * * * 0 . 3 7 9 * * * 3 . 0 6 0 * * * ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) ( 0 . 0 0 0 ) 控 制 变 量 Y Y Y 固 定 效 应 Y Y Y N 2 0 1 8 2 2 0 1 8 2 2 0 1 8 2 R 2 0 . 3 4 1 0 . 1 8 8 0 . 0 4 8
为进一步明晰动态能力的具体作用机制,本文分别从协调整合能力(CIA)、变革重构能力(CRA)、学习吸收能力(LAA)3个细分维度考察动态能力的作用机制。由表9可知,数字技术能够通过赋能企业协调整合能力与变革重构能力,对企业知识基础产生扩面效应与拓深效应,由此H2a与H2b得到验证。学习吸收能力仅是数字技术影响知识宽度的作用机制,在数字技术影响知识深度过程中并未发挥作用,H2c并未得到验证。原因可能如下:第一,知识碎片化。在数字经济时代,企业获取信息相对便捷,获取的碎片化知识缺乏系统性,短时间内可能难以整合形成深层次知识体系。第二,缺乏转化机制。高校和科研院所的基础研究成果难以在企业“落地生根”,知识转化存在困难[25],导致企业知识基础只能表现出宽度上的扩面效应,未实现深度上拓深效应。
表9 作用机制检验结果:动态能力3个维度
Table 9 Mechanism test results:three dimensions of dynamic capability
变量 (1) (2) (3) (4) (5) (6) (7) (8) (9) CIA KB KD CRA KB KD LAA KB KD DT 0.001 *** 0.396 *** 3.109 *** 0.002 *** 0.394 *** 3.090 *** 0.014 *** 0.383 *** 3.098 *** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) CIA 1.163 *** 9.830 ** (0.000) (0.037) CRA 1.614 *** 17.863 *** (0.000) (0.003) LAA 0.983 *** 1.585 (0.000) (0.389) 控制变量 Y Y Y Y Y Y Y Y Y 固定效应 Y Y Y Y Y Y Y Y Y N 20182 20182 20182 20182 20182 20182 20182 20182 20182 R 2 0.218 0.182 0.048 0.398 0.181 0.048 0.326 0.186 0.048
相较于普通技术,数字技术具有更强的外部性,完善知识产权保护体系能够削弱数字技术创新的上述外部性问题,从而激励数字技术跨界发展[26]。因此,在不同知识产权保护程度下,数字技术对企业知识基础的影响效应可能具有异质性。本文借鉴沈国兵等[27]的研究,将城市当年知识产权类审判结案数利用城市生产总值去规模处理后作为企业所在地区知识产权保护程度的度量指标,并按照知识产权保护中位数将样本划分知识产权保护程度较高样本组与知识产权保护程度较低样本组。表10列(1)～(4)显示,在知识产权保护程度较高样本组,DT对KB影响的回归系数显著大于知识产权保护程度较低样本组,而DT对KD影响的回归系数显著小于知识产权保护程度较低样本组。造成这种异质性的可能原因如下:一方面,在高知识产权保护地区,企业能够感到自身技术成果受法律保护,数字技术跨领域和产业边界的收敛性特征更加明显,从而有助于企业拓宽知识边界,即数字技术对知识基础的扩面效应更强;另一方面,知识产权保护的排他性弱化了技术溢出扩散效应,较高的知识产权保护程度导致企业需要花费大量时间和成本进行许可协商或避开现有专利,对持续性知识深度探索产生资源挤出效应,即数字技术对知识基础的拓深效应更弱。
表10 异质性检验结果
Table 10 Heterogeneity test results
变量 知识产权保护程度 KB 较高 较低 (1) (2) 知识产权保护程度 KD 较高 较低 (3) (4) 高校邻近性 KB 较高 较低 ((56)) 高校邻近性 KD 较高 较低 (7) (8) 开放 公共数据 未开放 公共数据 KB (9) (10) 开放 公共数据 未开放 公共数据 KD (11) (12) DT 0.425 *** 0.362 *** 2.909 *** 3.252 *** 0.403 *** 0.379 *** 2.870 *** 3.427 *** 0.514 *** 0.307 *** 3.113 *** 3.110 *** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) bdiff重 复 抽 样1000次 0.063 *** -0.343 *** 0.024 *** -0.556 *** 0.207 *** 0.004 (0.000) (0.000) (0.000) (0.000) (0.000) (0.300) 控制变量 Y Y Y Y Y Y Y Y Y Y Y Y 固定效应 Y Y Y Y Y Y Y Y Y Y Y Y N 10091 10091 10091 10091 10401 9781 10401 9781 8821 11361 8821 11361 R 2 0.191 0.178 0.055 0.051 0.207 0.185 0.059 0.055 0.214 0.153 0.050 0.053
高校在知识创造和传播过程中发挥核心作用,能够利用多维知识能力创造协同效应,促进价值共创[28]。因此,企业与高校的邻近性会导致数字技术对企业知识基础的影响呈现异质性。本文将企业所在城市普通高校数量取自然对数作为邻近高校的度量指标,并按照邻近度指标中位数将样本划分为高校邻近性较高样本组与高校邻近性较低样本组。表10列(5)～(8)显示,在高校邻近性较高样本组,DT对KB影响的回归系数显著大于高校邻近性较低样本组,而DT对KD影响的回归系数显著小于高校邻近性较低样本组。上述现象从理论层面可解释为高校能够通过“人才池”和“知识池”渠道对地区内企业知识创造活动产生溢出效应。高校基础研究与企业创新活动之间存在“脱节”[25],即高校基础研究成果与企业应用型知识需求之间存在“知识鸿沟”,二者间的知识异质性导致知识融合存在困难。因此,邻近高校并未助力企业利用数字技术拓深知识深度。
作为非稀缺性资源,与劳动、资本以及土地等传统资源不同,公共数据具有增值性、非竞争性、高度融合性等特征[29]。公共数据开放会导致数字技术对知识基础的影响具有异质性。借鉴沈坤荣等[30]的研究,利用企业所在城市当年是否上线公共数据开放平台作为公共数据开放的划分依据。表10列(9)～(12)显示,在开放公共数据样本组,DT对KB影响的回归系数显著大于未开放公共数据样本组,而DT对KD影响的回归系数在两组间并未呈现显著差异。原因如下:一方面,公共数据的增值性和非竞争性能够降低数据资源使用门槛,有助于企业突破信息壁垒。开放数据使得数字技术更易拓宽企业知识边界,发挥对企业知识基础的扩面效应。另一方面,公共数据的高度融合性提高了信息透明度,出于对知识资源可能会被竞争者模仿甚至窃取的担忧,企业不会“将鸡蛋放在同一个篮子里”,从而分散企业知识资源,由此导致公共数据开放未能显著强化数字技术对知识基础的拓深效应。
本文以2010—2023年上市公司制造企业为研究样本,考察了数字技术对企业知识基础的影响效应与作用机制,得出以下主要研究结论:
(1)数字技术对企业知识基础具有扩面效应与拓深效应,在经过一系列稳健性检验后,这一结论依旧成立。
(2)机制分析发现,企业动态能力是数字技术影响企业知识基础的重要机制。数字技术通过赋能企业协调整合能力与变革重塑能力,对企业知识基础发挥扩面效应与拓深效应;数字技术通过赋能学习吸收能力,对企业知识基础产生扩面效应,未能产生拓深效应。
(3)异质性分析表明,当企业所在城市知识产权保护程度较高、高校资源较为丰富、公共数据开放时,数字技术对企业知识基础的扩面效应更显著;当企业所在城市知识产权保护程度较低、高校资源相对匮乏时,数字技术对企业知识基础的拓深效应更显著。
(1)知识基础是企业开展创新活动,推动绩效增长的起点。现有大多数研究仅关注数字技术的创新效应与经济效应,本文基于知识宽度和知识深度二维架构,考察了数字技术对企业知识基础的影响效应,是对相关研究的有益补充。
(2)本文从动态能力理论出发,探究数字技术如何影响企业知识基础,明确了数字技术影响企业知识基础的作用机制,为制造企业以数实深度融合拥抱数字化浪潮提供了学理依据。
(3)本文考察了企业所在地的外部特征在数字技术对企业知识基础扩面效应与拓深效应中的异质性作用,不仅明确了研究结论的适用条件,而且为解释数字技术的知识效应提供了多重外部视角。
(1)引导企业建设数字化平台,拥抱数字技术新机遇。数字技术对企业知识基础具有扩面效应与拓深效应,而部分企业尚未涉足数字技术领域的创新活动。在制造业数实深度融合发展趋势下,企业可以通过参与共建行业通用数字化平台,加强跨越产业边界、组织边界、部门边界和产品边界的数字技术创新交流与合作,从数字技术应用端逐步迈向数字技术创新端,深化数字技术对企业知识基础的扩面与拓深效应,以应对复杂多变的外部环境。
(2)鼓励企业引进高素质人才,吸收外部知识。高校与科研院所的研究成果是企业知识的重要来源之一。政府应鼓励、引导、帮扶企业引进高素质人才,充分发挥高素质人才的基础性作用,将科研成果从高校“书架”搬上企业“货架”。同时,政府需注重为企业与高校、科研院所搭建沟通合作渠道。此外,制造企业可引导研发部门员工积极参与跨行业、跨领域、跨学科知识培训,以增强其对外部知识和碎片化知识的系统整合能力与学习吸收能力。
(3)建议政府差异化施策,确保帮扶政策精准实施。首先,构建差异化知识产权保护机制,对基础性、通用性较强的技术实施“宽口径+短周期”保护机制,对关键核心技术推行“精准化+长周期”保护策略。同时,构建“双通道”知识共享平台,在宽度通道上,资助项目开源非核心技术;在深度通道上,以数字技术保障深度研发数据加密化和合作知识网络协同化。其次,实施“T型”学科建设工程,横向上建设数字技术交叉学院,例如AI+医学/农学/工学;纵向上依据高校资源丰裕度实施“核心—外围”资源配置计划,核心区以高校承担NSF项目聚焦于从0到1的技术突破,过渡区以中试基地致力于从1到10的技术验证,外围区以产业园区专注于从10到100的规模生产。最后,制定“三层金字塔”数据开放标准,在基础层全面开放基础数据,例如工商注册数据库;在增值层定向开放高价值数据集,例如产业相关材料性能数据库;在战略层建立国家数据沙箱,对关键核心数据进行脱敏化访问。以“数据价值阶梯”引导数据要素流向深度创新领域,助力企业实现知识在规模上扩面与专业上深化的动态平衡。
本文存在如下不足:第一,主要基于知识基础的二维结构特征开展研究,而知识基础具有质量、相关性和分蘖演化等其它特征,未来可以考虑知识基础的其它特征,以丰富数字技术对企业知识基础影响的研究。第二,将数字技术作为整体性概念进行讨论,并未将数字技术细分为大数据技术、人工智能技术、区块链技术、云计算技术等,未来可以深入讨论各类数字技术的异质性作用。第三,鉴于数据可得性,本文研究样本为制造业上市公司,结论普适性有限,未来可以扩大样本筛选范围,如纳入专精特新中小企业样本,验证相关研究结论。
[1] 赵丽, 胡植尧. 数据要素、动态能力与企业全要素生产率——破解“数据生产率悖论”之谜[J].经济管理, 2024,46(7):55-72.
[2] 刘娜, 杜艳婷, 毛荐其, 等. 企业知识结构属性对突破性创新绩效的影响[J].科研管理, 2024,45(2):137-144.
[3] 黄勃, 李海彤, 刘俊岐, 等. 数字技术创新与中国企业高质量发展——来自企业数字专利的证据[J].经济研究, 2023,58(3):97-115.
[4] 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.
[5] 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.
[6] 杨鹏, 尹志锋, 张志伟, 等. 企业数字技术应用与专利质量提升——理论机制与经验事实[J].统计研究, 2024,41(5):98-110.
[7] FANG X B, LIU M T. 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.
[8] GRANT R M. Toward a knowledge-based theory of the firm[J].Strategic Management Journal, 1996, 17(S2): 109-122.
[9] NICKERSON J A, ZENGER T R. A knowledge-based theory of the firm—the problem-solving perspective[J].Organization Science, 2004, 15(6): 617-632.
[10] ERNST H. Patent applications and subsequent changes of performance: evidence from time-series cross-section analyses on the firm level[J].Research Policy, 2001,30(1):143-157.
[11] ZHANG J, BADEN-FULLER C, MANGEMATIN V. Technological knowledge base, R&D organization structure and alliance formation: evidence from the bio-pharmaceutical industry[J].Research Policy, 2007, 36(4): 515-528.
[12] SMITH C, SMITH J B, SHAW E. Embracing digital networks: entrepreneurs' social capital online[J].Journal of Business Venturing, 2017, 32(1): 18-34.
[13] GORODNICHENKO Y, TALAVERA O. Price setting in online markets: basic facts, international comparisons, and cross-border integration[J].American Economic Review, 2017, 107(1): 249-282.
[14] PARIDA V, ÖRTQVIST D. Interactive effects of network capability, ICT capability, and financial slack on technology-based small firm innovation performance[J].Journal of Small Business Management, 2015, 53(S1): 278-298.
[15] TEECE D J, PISANO G, SHUEN A. Dynamic capabilities and strategic management[J].Strategic Management Journal, 1997, 18(7): 509-533.
[16] 陈玉宏, 胡延琦. 动态能力、资源要素对制造企业数字化转型路径选择影响研究[J].创新科技, 2024,24(8):69-78.
[17] ZENG J, KHAN Z. Value creation through big data in emerging economies[J].Management Decision, 2019, 57(8): 1818-1838.
[18] MIREMADI I, MARDUKH F. Catching-up in renewable energies: the role of knowledge dimensions in sectoral innovation systems[J].Innovation and Development, 2024, 14(2): 427-448.
[19] ESFANDYARPOUR A, ARASTI M R, FARAZI M S, et al. From depth and breadth of knowledge to technological capability: a journey inside a firm′s intellectual capital[J].R&D Management, 2024, 54(4): 864-881.
[20] ZHANG J, BADEN-FULLER C. The influence of technological knowledge base and organizational structure on technology collaboration[J].Journal of Management Studies, 2010, 47(4): 679-704.
[21] BOYNTON D. Temporal attention, knowledge breadth, and firm growth[J].Strategic Organization, 2024,22(1):91-117.
[22] FARAZI M S, GOPALAKRISHNAN S, PEREZ-LUNO A. Depth and breadth of knowledge and the governance of technology alliances[J].Journal of Engineering and Technology Management, 2019, 54: 28-40.
[23] HAI B L, YIN X M, XIONG J, et al. Could more innovation output bring better financial performance? the role of financial constraints[J].Financial Innovation, 2022, 8(1): 115-140.
[24] 温忠麟, 张雷, 侯杰泰, 等. 中介效应检验程序及其应用[J].心理学报, 2004, 36(5): 614-620.
[25] 张杰, 白铠瑞. 中国高校基础研究与企业创新[J].经济研究, 2022,57(12):124-142.
[26] 郭丰,任毅,段云桂,等．知识产权保护对企业数字技术创新的影响效应研究——来自中国上市公司的证据[J].管理评论,2025,37(6):77-89.
[27] 沈国兵, 黄铄珺. 城市层面知识产权保护对中国企业引进外资的影响[J].财贸经济, 2019,40(12):143-157.
[28] IACOBUCCI D, PERUGINI F. Innovation performance in traditional industries: does proximity to universities matter[J].Technological Forecasting and Social Change, 2023, 189: 122340.
[29] 黄先海, 虞柳明, 戴岭. 政府数据开放与创新驱动:内涵、机制及实践路径[J].东南学术, 2023,36(2):102-113,246.
[30] 沈坤荣, 林剑威. 链“岛”成“陆”:公共数据开放的技术创新效应研究[J].管理世界, 2025,41(2):83-100.