Drawing on the resource-based view and dynamic capabilities theory, this study explores the core mechanisms through which data elements empower enterprise innovation capability from the perspectives of knowledge accumulation and dynamic capabilities. Following the logical pathway of “data-information-knowledge-innovation”, it first investigates whether data elements promote enterprise knowledge accumulation. Simultaneously, grounded in dynamic capabilities theory, it examines whether data elements enhance enterprise dynamic capabilities. Furthermore, the study seeks to unveil the dual-path mediating effects of knowledge accumulation and dynamic capabilities in the relationship between data elements and enterprise innovation capability. Using listed enterprises as the research subject, the study analyzes data from a balanced panel data-set comprising 1239 A-share listed enterprises spanning 2014 to 2023, which was ultimately obtained by matching corporate annual reports with patent data. Employing machine learning and text analysis word frequency methods, it constructs enterprise data element indicators, and measures enterprises' knowledge breadth and depth based on patent data. Through constructing a dual-path chain mediation model, this study applies two-way fixed-effects panel regression analysis to empirically investigate the relationships among enterprise data elements, knowledge accumulation, dynamic capabilities, and innovation capability. In addition, this paper investigates the variations in different regions and types of enterprises utilize data elements to enhance their innovation capability.
The results show that (1) the application of data elements has led to significant changes in corporate knowledge accumulation and dynamic capabilities, but not all of these changes are positive; (2)the changes in corporate knowledge accumulation and dynamic capabilities brought about by data elements have a significant impact on corporate innovation capability; (3) data elements enhance corporate innovation capability by improving knowledge depth; however, the increase in knowledge breadth brought about by data has a negative impact on corporate innovation; (4) data elements enhance organizational agility and flexibility, which are beneficial for corporate innovation;(5) dynamic capability and knowledge accumulation play a chain mediating role in the process of data elements empowering enterprise innovation.
This paper theoretically enriches the understanding of the enterprise knowledge effects generated by data elements, and provides theoretical support for knowledge management in digital environments. The dual-path chain mediation model constructed in this study not only supplements the mechanism of data element innovation effects from the perspectives of knowledge accumulation and dynamic capabilities, but also provides an explanatory basis for the causal relationships of knowledge effects generated by data elements through the lens of dynamic capabilities. By analyzing the heterogeneous impacts of different knowledge dimensions and changes in dynamic capabilities on corporate innovation capabilities, the study explores the micro-level implementation mechanisms that effectively connect data elements with corporate innovation, offering decision-making references for enterprises to formulate efficient digital innovation strategies in the digital-intelligent environment. The managerial implications of this study are as follows: In the context of digital-intelligent transformation, enterprises should not only incorporate data elements into the core of their innovation strategies and build data-driven innovation systems, but also objectively examine the new knowledge management challenges triggered by data elements, prioritize the efficient alignment between knowledge resources and innovation transformation, actively establish agile digital organizational structures, and explore dynamic adaptation mechanisms and efficient conversion mechanisms through which data elements empower enterprise innovation.
开放科学(资源服务)标识码(OSID)：
基于科学的创新是一项数据密集型科学活动,创新逻辑由“始于观察”转变为“始于数据”,企业创新范式呈现出由数据与数据关系驱动的新特征[1]。数据作为新型基础性生产要素,已成为驱动创新发展的新引擎。学术界关于数据要素与企业创新关系的研究取得一定成果。学者们从宏观视角肯定以数据资源为基础的数字变革对企业创新存在显著的“祝福”效应,数字创新范式的演变同时伴随效率递增(陈国青等,2020)。谢康等[2]从产品创新视角提出,数据作为桥梁型生产要素与传统要素结合提升了产品创新水平;陶长琪和丁煜[3]认为,数据要素与人力资本匹配通过增加企业流动性储备、激发市场需求以及提升供应链效率进而促进企业创新质量跃升;马淑琴等[4]认为,数据应用通过资源配置的优化效应和市场偏好的匹配效应促进企业创新发生量变与质变。上述研究基于不同影响机制肯定数据要素带来的创新效应,但关于数据要素与企业创新关系的探析仍有待深入。创新的本质是企业基于外部市场挑战,通过创新资源整合、配置,实现新技术、新产品和新模式等价值创造的过程。知识资源作为创新基础,是企业提升创新水平的关键核心资源[5];而动态能力是基于过程视角探讨企业资源配置的具体机制,强调不确定情境下企业获取和利用资源的动态适应能力[6]。随着数据要素作为新型生产要素被纳入企业创新实践,改变了企业知识积累模式和动态决策逻辑。基于数据分析与应用形成的新数据通过数据反馈循环,催生知识积累效应[7];而数据要素蕴含的价值信息能够降低企业运行不确定性,提升企业决策效用[8]。
梳理上述研究发现,学者们对数据要素如何驱动企业创新形成一定认识,但现有研究仍存在一定局限:一方面,现有文献更多关注的是企业宏观战略层面数字化导向产生的创新效应,针对数据要素驱动企业创新能力的微观作用机制研究尚处于探索阶段;另一方面,现有的影响机制研究主要聚焦数据赋能经济效率提升带来的创新效应,鲜有学者从知识积累角度量化数据要素对企业创新的影响,尤其是关于数据要素应用带来的企业知识积累和动态能力变化对企业创新的影响尚待研究。基于此,本文以中国A股上市企业为研究对象,尝试将知识积累和动态能力纳入同一研究框架,探索数据要素与企业创新能力的关系,在研究知识积累、动态能力双中介机制的基础上构建“数据要素—动态能力—知识积累—企业创新”的链式中介模型,揭示知识积累和动态能力在数据要素提升企业创新能力过程中的作用。
相较于以往研究,本文可能的边际贡献如下:第一,从理论层面丰富对数据要素知识效应的认识,为数字环境下企业知识管理提供理论支撑;第二,构建知识积累、动态能力双路径链式中介模型,不仅从知识积累、动态能力视角对数据要素产生创新效应的作用机制提供有益补充,而且从动态能力视角对数据要素产生知识效应的因果关系提供解释依据;第三,不同于以往研究,本文将企业知识积累细分为知识宽度和知识深度两个维度,同时,考虑到现有研究对动态能力的多维诠释,本文重点关注动态能力中组织敏捷性和组织柔性两个维度。综上,基于不同知识维度和动态能力变化对企业创新能力的异质性影响,本文尝试探究数据要素与企业创新之间的微观作用机制,为数智环境下企业制定数字创新战略提供决策依据。
数据作为数智时代的关键新型生产要素,其通过不同形式的资源积累与应用影响企业创新。基于数据要素的信息属性,Kopalle等[9]提出数据要素具有即时价值与潜在价值的二分框架。其中,数据即时价值体现动态性与时效性,驱动企业创新实现敏捷迭代。换言之,数据能够实时反映市场变化,企业可基于实时数据进行创新决策。这种基于大量实时数据的分析能够提供顾客、市场、竞争对手和新产品信息,降低创新需求模糊性,提高资源利用效率,增强企业创新能力。知识涌现则是数据潜在价值提升企业创新绩效的关键,这是因为数据要素驱动企业创新范式从传统的基于经验积累转变为基于数据的智能驱动,数据驱动下的创新能力提升远高于传统“干中学”下的创新能力提升[10]。有实证研究发现,基于数据分析的企业在面对复杂问题时能力显著[11]。Jones等[12]通过构建包含数据的内生经济增长模型发现,数据能够基于创新过程转变为新知识,同时,借助新知识流动在企业创新过程中发挥持久作用。不同于传统创新资源,数据要素具有可复用和自生长特性,使得同一数据可多次用于不同场景分析且边际成本几乎不变,而多场景关联分析能够产生更大的累积价值。综合来看,数据要素的实时性、非竞争性和可复用性驱动企业创新精准化、实时化和网络化。由此,本文提出以下假设:
H1:数据要素显著提升企业创新能力。
数智时代海量数据作为新型生产要素参与企业知识创造和积累全过程,并重塑知识创造主体、知识生产方式、知识生产内容以及知识传播方式[13],深刻影响企业知识积累。首先,数据要素拓展了企业知识生产主体范畴。“企业数据—用户数据—平台数据”的多源数据要素融合跨越传统角色界限,允许来自不同领域、不同背景和知识水平的个体参与企业知识生产,从而拓宽企业知识生产主体范畴[14],提升企业知识宽度;其次,数据要素的网络效应打破物理时空局限,消除知识搜寻障碍,降低企业知识获取门槛,拓展了企业知识获取渠道和方式[15];最后,数据要素通过结合生成式人工智能等前沿数字技术,形成全新知识生产范式[16]。如Agrawal 等[17]指出,大数据分析提升了企业预测精度,且数据要素具有强大的学习效应和累积性,海量数据要素与机器学习等工具结合已表现出强大的知识涌现能力,基于数据深刻洞察和理解世界的能力进一步提升了企业知识深度。
知识积累与企业创新能力之间存在强关联性,知识积累是企业实现创新的基础,深厚的知识积累有助于提升企业预见性,减少盲目试错,降低创新风险。当前数据应用带来的便捷性降低了企业知识获取门槛,使得企业能够高效整合、创建、重构内外部知识,拓展知识宽度,促进企业对用户需求有更深入了解,同时,发挥知识积累效用,增强企业创新能力[18]。此外,基于数据分析带来的前沿知识沉淀,有助于拓展企业知识深度,增强企业创新能力,催生更多创新性产品[5]。综合以上分析,数据要素带来的知识宽度和知识深度提高能进一步增强企业创新能力。由此,本文提出以下假设:
H2a:知识宽度在数据要素与企业创新能力之间发挥中介作用;
H2b:知识深度在数据要素与企业创新能力之间发挥中介作用。
数据驱动的决策优化是数据要素提升企业动态能力的核心机制[19]。根据敏捷性理论,组织敏捷性是组织快速感知环境变化、灵活调整战略与行动的能力(胡皓等,2022)。数据要素对敏捷性的影响体现为响应与速度两方面,依赖实时数据流传输的时效性缩短决策周期[8]。数据要素的即时反馈使得企业能够与多个外部主体建立实时联系,及时感知市场变化趋势并快速应对客户需求,从而提升企业组织敏捷性。组织柔性表征企业在遭遇内外部环境或组织战略变化时灵活调整组织结构、迅速适应的能力[20]。数据要素对组织柔性的影响表现为优化流程与结构,增强组织资源配置的适应弹性。换言之,借助数据建模等方式优化资源配置,依赖数据要素打破资源固有空间约束,促进组织内部信息沟通、资源获取和转换能力增强,提升企业组织柔性(杨震宁等,2021)。
数智背景下企业发挥数据效能、构建创新竞争优势,更多地体现在企业动态能力提升层面。数据要素赋能赋予企业更强的感知能力,提升企业组织敏捷性,而组织敏捷性提升使得企业在与外部市场互动中能够快速获得利益相关者反馈并有效整合、配置资源,催生创新机会迭代,即数据即时价值带来的敏捷反馈机制提升企业创新决策的动态性和有用性,推动企业创新发展[21]。组织柔性能力越强意味着企业内部价值观越趋于一致,对外界机会的响应速度越快,员工对企业变革决策的抵抗心理越小,从而越有利于企业创新发展。已有研究发现,组织柔性能力显著影响战略变革决策有效性[22]。当前数据要素极大地改变企业创新模式,企业需要突破原有创新模式的路径依赖,实现组织资源能力基础与数字技术匹配,因此组织柔性成为影响企业数字化与创新产出关系的重要因素。综合以上分析,本文提出以下假设:
H3a:组织敏捷性在数据要素与企业创新能力之间发挥中介作用;
H3b:组织柔性在数据要素与企业创新能力之间发挥中介作用。
前文探讨了数据要素通过促进企业知识积累和动态能力提高,进而增强企业创新能力。但不能忽视的是,作为组织感知环境变化、重构资源配置的高阶适应性能力,动态能力也被认为是影响知识积累的重要驱动因素,其不仅影响知识积累速度,更决定知识积累质量和效率[23]。从组织敏捷性和组织柔性的视角看,组织敏捷性强的企业能够迅速感知市场变化、技术趋势和客户新需求,缩短知识获取周期,加速外部知识捕获与内化[24];同时,敏捷性组织鼓励试错和探索性学习,拓宽了知识搜索范围,增加了企业知识结构多样性,有利于企业扩大知识宽度。敏捷性组织通过实现问题的快速迭代促进局部知识专业化,长期累积有利于扩大特定领域的知识深度。与组织敏捷性驱动知识资源快速获取的影响不同,组织柔性更注重组织结构支撑,组织柔性强的企业更擅长构建灵活、模块化组织架构,便于快速调用、组合和更新知识模块,以适应不断变化的需求。这种柔性组织架构有利于促进知识宽度和知识深度扩展[22]。基于上述分析,本文提出如下假设:
H4a:数据要素通过增强组织敏捷性拓宽企业知识宽度,进而推动企业创新能力提升;
H4b:数据要素通过增强组织敏捷性扩大企业知识深度,进而推动企业创新能力提升;
H4c:数据要素通过增强组织柔性扩大企业知识宽度,进而推动企业创新能力提升;
H4d:数据要素通过增强组织柔性增加企业知识深度,进而推动企业创新能力提升。
综合上述分析,建立本文理论模型,如图1所示。
图1 理论框架
Fig.1 Theoretical framework
本文以2014—2023年中国A股上市企业为初始样本,剔除房地产、金融和保险业企业数据以及样本期内被ST、*ST和PT的企业,同时,剔除数据缺失严重的企业,最终获得1 239家A股上市企业平衡面板数据。其中,上市公司IPC专利分类号数据源自CNDRS数据库,计算数据要素水平所需的年报资料源自公司网站及证券交易所官方网站,专利被引用情况来自上市公司专利引用数据库,部分缺失数据查询WIND数据库和CSMAR数据库作为补充。
2.2.1 被解释变量:企业创新能力
全要素生产率表示总产出中不能被要素投入解释的“剩余”部分,代表技术贡献、知识水平、管理技能等软实力水平,是衡量企业内生创新能力的常用指标[25]。相较于以投资为代理变量的OP法,LP法以中间投入品为代理变量,更精确,因此本文采用LP法估计企业全要素生产率以表征企业创新能力[25]。同时,借鉴陶峰等[26]和张天等[27]的做法,利用OP法计算的全要素生产率和代表创新产出的研发投入与营业收入之比进行稳健性检验。
2.2.2 核心解释变量:数据要素
参考吴非等(2021)从人工智能技术、大数据技术、云计算技术、区块链技术、数字技术运用5个维度统计的76个数字化相关词频,赵宸宇等[28]从数字技术应用、互联网商业模式、智能制造、现代信息系统4个维度统计的99个数字化相关词频以及甄红线等[29]从技术分类、组织赋能、数字化应用等方面统计的139个数字化相关词频,本文对上述词频进行汇总并基于数据收集、数据存储、数据分析和数据应用进行分类,形成数据要素指标的关键文本词频,如表1所示。基于表1测算的企业年报词频数加1的自然对数表示企业数据要素水平。
表1 数据要素指标的关键文本词频构成
Table 1 Composition of key textual word frequencies for the indicators of data elements
指标构成文本词频构成数据收集大数据、数据挖掘、文本挖掘、数据可视化、异构数据、人工智能、商业智能、高端智能、工业智能、人脸识别、语音识别、5G 技术、云IT、云生态、云服务、信息共享、文本抓取数据存储亿级并发、EB级存储、物联网、区块链、数据管理、数据网络、数据平台、数据中心、数字控制、数字技术、数字终端、云平台、智能终端、信息管理、信息软件、信息系统、信息网络、信息终端、信息中心、信息集成、分布式存储、去中心化、联盟链差分隐私技术、云存储数据分析机器学习、深度学习、语义搜索、图像理解、云计算、流计算、图计算、内存计算、多方安全计算、类脑计算、互联网技术、互联网思维、智能控制、智能管理、智能技术、智能设备、智能系统、集成解决方案、集成控制、集成系统、智能数据分析、自然语言处理、监督学习、机器翻译、OCR技术、计算机视觉、机器视觉、机器人、智能问答、专家系统、神经网络、学习算法、共识机制数据应用移动互联网、工业互联网、移动互联、互联网医疗、电子商务、移动支付、第三方支付、NFC支付、智能能源、B2B、B2C、C2B、C2C、O2O、网联、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、数字金融、Fintech、金融科技、量化金融、开放银行、产业互联网、电商、电子商务、O2O、B2B、C2C、B2C、C2B、智能化、数控、自动控制、自动监测、自动监控、自动检测、信息化、网络化、工业信息、工业通信、智能合约、数字实验室、数字平台、数字社区、数字专利、数字网络、数字设施、数字设备、数字基础设施、数字终端、数字信息系统、数字技术系统、3D打印设备、数字孪生、元宇宙、虚拟人、3D打印
2.2.3 中介变量:知识积累和动态能力
借鉴周郴保等[30]的研究,从知识宽度和知识深度两个维度度量知识积累。参考已有研究提出的知识宽度研究方法[31],本文采用1减去企业当年全部专利在不同IPC二级分类指标下占比的平方和计算知识宽度,其值越大表明专利包含的技术知识类型越多,企业知识宽度越广。同时,采用企业专利被引用量度量企业知识深度。
本文重点关注动态能力中的组织敏捷性和组织柔性,对组织敏捷性的测度借鉴王鹏程等(2021)的研究,从感知性和反应性两个层面对组织敏捷性进行测度。其中,感知敏捷性参考范合君等[32]对上市企业敏捷响应度的度量方式,采用当期董事会会议次数度量;反应敏捷性基于存货周转率、企业营运资本周转率和总资产周转率进行度量,首先根据二位数行业分类计算不同行业上述三个指标的行业年度均值,然后将原始数据与之相比再进行加总,以此度量企业反应敏捷性,最后将感知敏捷性和反应敏捷性数据相加以度量企业组织敏捷性。对组织柔性的测度借鉴弋亚群等[33]、赵晓煜等[34]提出的“组织柔性也称组织适应性,是指组织能够快速调动相关资源、应对新环境时的柔性适应能力”的观点,参考杨林等对适应能力的测度,采用样本公司年度研发、资本以及广告三种主要支出的变异系数反映企业资源分配的灵活程度,测度企业组织柔性。为了保证变异系数和组织柔性正相关,将变差系数设为负数。将上述三个指标值标准化后取平均数,分数越高说明企业组织柔性越强,反之组织柔性越低。
2.2.4 控制变量
参考企业数字创新领域的相关研究[35],本文选取企业规模、上市年限、两职兼任、企业成长性、托宾Q值、资产负债率为控制变量。主要变量定义及指标说明如表2所示。
表2 变量定义与测度
Table 2 Definitions and description of variables
变量类型变量名称 变量符号 变量指标 测度因变量创新能力Inno-cap1LP全要素生产率采用LP法计算的企业全要素生产率Inno-cap2OP全要素生产率采用OP法计算的企业全要素生产率Inno-cap3创新产出上市企业研发投入/营业收入自变量数据要素Data数据要素文本词频统计ln(企业年报中数据要素词频+1)中介变量知识积累Know-width知识宽度基于企业申请专利分类测算的知识宽度Know-depth知识深度ln(企业获得专利的当年被引量+1)动态能力Org-agile组织敏捷性基于存货周转率等多维数据测算所得Org-fle组织柔性研发、资本以及广告三种支出变异系数控制变量企业规模Size资产总计ln企业总资产上市年限List-age上市年限企业上市年数两职兼任Dual两职兼任董事长和总经理兼任为1,否则为0企业成长性Growth净利润增长率净利润增长率托宾Q值Tobin-Q托宾Q值托宾Q值资产负债率Lev资产负债率资产负债率
为了验证数据要素对企业创新能力、知识积累和动态能力的影响,本文构建基准回归模型:
Innocapit=c0+cDatait+∑jγjControlsjit+vi+μt+εit
(1)
式(1)中,Innocapit为企业i在t年的创新能力,即本文采用LP法计算的企业全要素生产率;Datait为企业i在t年的数据要素水平,Controlsjit代表一系列控制变量,vi和μt分别为企业个体与时间固定效应,εit为随机扰动项。
Knowwidth/depthit=a0+amDatait+∑jγjControlsjit+vi+μt+εit
(2)
式中,Knowwidth/depthit分别代表企业i在t年积累的知识宽度和知识深度,其他变量解释同式(1)。
Orgagile/fleit=β0+βmDatait+∑jγjControlsjit+vi+μt+εit
(3)
式中,Orgagile/fleit分别代表企业i在t年动态能力的组织敏捷性和组织柔性,其他变量解释同式(1)。上述模型重点检验Data系数,以判断数据要素对企业创新能力、知识积累和动态能力的影响。
为了验证知识积累和动态能力在数据要素与企业创新能力之间的中介效应以及动态能力与知识积累的链式中介效应,在式(1)(2)(3)基础上,构建模型(4)(5)(6)。
Innocapit=c'0+c'Datait+bMedit+∑jγjControlsjit+vi+μt+εit
(4)
Knowwidth/depthit=λ'0+λ'Datait+λOrgagile/fleit+∑jγjControlsjit+vi+μt+εit
(5)
Innocapit=δ0+δ1Datait+δ2Orgagile/fleit+δ3Knowwidth/depthit+∑jγjControlsjit+vi+μt+εit
(6)
其中,Medit代表影响企业创新能力的中介变量,分别为知识宽度、知识深度、组织敏捷性和组织柔性,其他变量解释同基准模型一致。
变量描述性统计结果如表3所示。其中,Inno-cap1、Inno-cap2、Inno-cap3表示采用三种方式度量的企业创新水平,均值分别为8.433、7.068、5.143,标准差分别为1.082、1.105、5.365,显示样本企业创新产出的分布较分散,不同企业创新水平存在较大差异;数据要素水平的均值为3.029,标准差为1.25,说明不同样本企业数据要素应用程度存在明显差距。从中介变量的数据分布可以看出,企业间知识宽度的差异性最小,其余控制变量的分布均处于合理范围内,此处不再赘述。
表3 变量描述性统计结果
Table 3 Descriptive statistics of variables
变量观测量均值标准差最小值最大值Inno-cap112 3908.4331.0825.05612.216Inno-cap212 3907.0681.1054.01112.216Inno-cap312 3695.1435.3650137.450Data12 3903.0291.25007.209Know-width12 3900.9290.150-0.4291Know-depth12 3903.2052.054010.248Org-agile12 39012.6645.5992.966112.989Org-fle12 390-1.0130.306-1.732-0.013Size12 39022.5451.24019.50928.697List-age12 3902.4830.58103.526Dual12 3900.2820.45001Growth12 3900.0660.214-6.9526.243Tobin-Q12 3902.0801.4140.60329.167Lev12 3900.4050.1800.0090.990
表4为数据要素与企业创新能力、知识积累和动态能力的基准回归结果。列(1)结果显示,在控制一系列控制变量后数据要素对企业创新能力的影响系数显著为正,表明数据要素能够显著提升企业创新能力,假设H1成立。这与吴非等(2023)的研究结果一致,符合企业运用数据要素促进企业创新发展的现实趋势。列(2)(3)结果表明,数据要素能够显著拓展企业知识宽度和知识深度。列(4)(5)结果表明,数据要素能够显著提升组织敏捷性和组织柔性,从系数值看,相较于组织柔性,数据要素对组织敏捷性的提升作用更强。
表4 数据要素与企业创新能力、知识积累和动态能力的基准回归结果
Table 4 Baseline regression results of data elements on corporate innovation capability, knowledge accumulation, and dynamic capabilities
变量(1)(2)(3)(4)(5)Inno-cap1Know-widthKnow-depthOrg-agileOrg-fleData0.108∗∗∗0.013∗∗∗0.054∗∗0.196∗∗∗0.009∗∗∗(0.012)(0.002)(0.026)(0.045)(0.003)Size0.374∗∗∗0.018∗∗∗-0.515∗∗∗0.761∗∗∗0.016∗∗∗(0.022)(0.003)(0.045)(0.077)(0.006)List-age-0.222∗∗∗0.025∗∗∗-1.318∗∗∗-0.920∗∗∗0.013∗∗(0.019)(0.003)(0.046)(0.080)(0.006)Dual0.034∗0.0050.0040.193∗∗0.002(0.020)(0.003)(0.049)(0.084)(0.005)
续表4 数据要素与企业创新能力、知识积累和动态能力的基准回归结果
Table 4(Continued) Baseline regression results of data elements on corporate innovation capability, knowledge accumulation and dynamic capabilities
变量(1)(2)(3)(4)(5)Inno-cap1Know-widthKnow-depthOrg-agileOrg-fleGrowth0.368∗∗∗-0.092∗∗∗0.134∗0.443∗∗∗-0.012∗∗(0.068)(0.005)(0.081)(0.138)(0.006)Tobin-Q0.032∗∗∗-0.005∗∗∗0.076∗∗∗0.238∗∗∗-0.001(0.005)(0.001)(0.016)(0.027)(0.002)Lev0.339∗∗∗-0.077∗∗∗-0.2481.828∗∗∗-0.044∗(0.088)(0.013)(0.191)(0.327)(0.023)Cons-0.001-0.02517.846∗∗∗-7.133∗∗∗0.537∗∗∗(0.465)(0.062)(0.943)(1.614)(0.120)IdYes Yes Yes Yes Yes YearYes Yes Yes Yes Yes N12 39012 39012 39012 39012 390Adj-R20.6210.0650.1580.1370.032
注：*表示 p <0.1, **表示 p <0.05, ***表示 p <0.01,括号内为T统计值,下同
3.3.1 知识积累和动态能力的中介效应
知识积累和动态能力的中介效应检验结果如表5、表6所示。表5列(1)～(3)结果显示,数据要素可以显著提升企业创新能力和知识宽度,但是将数据要素和知识宽度同时加入模型后知识宽度对企业创新能力的影响显著为负,而数据要素对企业创新能力的影响仍显著为正,结果表明数据要素能够显著提升知识宽度,而知识宽度在数据要素与企业创新能力之间发挥遮掩效应,假设H2a不成立。列(1)(4)(5)为知识深度的中介效应检验结果,结果表明数据要素能够显著扩大知识深度,并且知识深度能够显著提升企业创新能力,知识深度在数据要素与企业创新之间发挥正向的部分中介效应,假设H2b成立。结果显示知识积累的不同维度在数据要素赋能企业创新能力提升过程中存在差异性,其中,知识宽度对创新能力提升的遮掩效应与直觉相悖。这可能是因为现实中企业创新需在某领域深耕,知识宽度扩展带来的知识多样性并不能直接提升创新能力,而需要结合组织吸收能力、知识结构匹配度、组织知识管理能力等。同时,根据有限注意力理论,企业资源往往有限,知识宽度增加会造成认知过载,分散企业核心创新资源,不利于最终的创新能力提升。
表5 知识积累的中介效应检验结果
Table 5 Mediation effect test results of knowledge accumulation
变量(1)(2)(3)(4)(5)Inno-cap1Know-widthInno-cap1Know-depthInno-cap1Data0.108∗∗∗0.013∗∗∗0.117∗∗∗0.054∗∗0.101∗∗∗(0.012)(0.002)(0.009)(0.026)(0.008)Know-width-0.743∗∗∗(0.049)Know-depth0.130∗∗∗(0.003)Cons-0.001-0.025-0.01917.846∗∗∗-2.313∗∗∗(0.465)(0.062)(0.320)(0.943)(0.304)Control variablesYes Yes Yes Yes Yes IdYes Yes Yes Yes Yes YearYes Yes Yes Yes Yes N12 39012 39012 39012 39012 390Adj-R20.6210.0650.1290.1580.661
表6 动态能力的中介效应检验结果
Table 6 Mediation effect test results of dynamic capabilities
变量(1)(2)(3)(4)(5)Inno-cap1Org-agileInno-cap1Org-fleInno-cap1Data0.108∗∗∗0.196∗∗∗0.106∗∗∗0.009∗∗∗0.104∗∗∗(0.012)(0.045)(0.009)(0.003)(0.012)Org-agile0.011∗∗∗(0.002)Org-fle0.374∗∗∗(0.055)ControlsYesYesYesYesYesCons-0.001-7.133∗∗∗0.0750.537∗∗∗-0.202(0.465)(1.614)(0.323)(0.120)(0.466)IdYesYesYesYesYesYearYesYesYesYesYesN12 39012 39012 39012 39012 390Adj-R20.6210.1370.6210.1320.622
表6列(1)～(3)显示组织敏捷性的中介效应结果,该结果表明数据要素能够显著提升组织敏捷性,并且组织敏捷性显著提升企业创新能力,换言之,组织敏捷性在数据要素与企业创新能力之间发挥正向的部分中介效应,即假设H3a成立。列(1)(4)(5)为组织柔性的中介效应结果,结果表明数据要素能够显著提升组织柔性,并且组织柔性显著提升企业创新能力,换言之,组织柔性在数据要素与企业创新能力之间发挥正向的部分中介效应,即假设H3b成立。上述结果表明,数据要素的加入显著增强企业动态能力,而动态能力增强有利于企业创新能力提升,组织敏捷性和组织柔性的中介效应结果则表明数据要素能够通过增强组织的敏捷响应机制与柔性适应机制促进企业创新能力提升。
3.3.2 动态能力和知识积累的链式中介效应
链式中介效应检验结果如表7和表8所示。表7为基于组织敏捷性的链式中介结果,列(1)～(4)的逐步回归结果显示组织敏捷性显著正向影响知识宽度,而知识宽度对企业创新能力的影响与前文中介效应结果一致,依旧显著为负,说明敏捷性提升有利于拓展企业知识宽度,但知识宽度在一定程度上抑制企业创新能力提升,即假设H4a部分成立。列(1)(2)(5)(6)的逐步回归结果显示组织敏捷性对知识深度的影响呈负向效应,知识深度对企业创新的影响显著为正,说明企业敏捷性提高不利于企业知识深度拓展,即假设H4b部分成立。表7结果说明敏捷性提升带来的不同维度知识积累效应对企业创新产生差异性影响,其中,数据要素带来的敏捷性改善有利于拓宽企业知识边界,但可能存在知识碎片化问题,导致难以实现深度的知识积累,进而影响企业创新。
表7 基于组织敏捷性的链式中介效应检验结果
Table 7 Test results of the chain mediating effect based on organizational agility
变量(1)(2)(3)(4)(5)(6)Inno-cap1Org-agileKnow-widthInno-cap1Know-depthInno-cap1Data0.108∗∗∗0.196∗∗∗0.014∗∗∗0.099∗∗∗0.045∗0.100∗∗∗(0.012)(0.045)(0.002)(0.008)(0.026)(0.008)Org-agile0.079∗∗∗0.935∗∗∗-0.047∗∗∗0.005∗∗∗(0.005)(0.024)(0.006)(0.002)Know-width-0.458∗∗∗(0.046)Know-depth0.129∗∗∗(0.003)Cons-0.001-7.133∗∗∗0.094-1.409∗∗∗18.179∗∗∗-2.268∗∗∗(0.465)(1.614)(0.062)(0.302)(0.941)(0.305)Control variablesYesYesYesYesYesYesIdYesYesYesYesYesYesYearYesYesYesYesYesYesN12 39012 39012 39012 39012 39012 390Adj-R20.6210.1370.1250.6770.1630.662
表8 基于组织柔性和知识积累的链式中介效应检验结果
Table 8 Results of the chain mediating effect test based on organizational flexibility and knowledge accumulation
变量(1)(2)(3)(4)(5)(6)Inno-cap1Org-fleKnow-widthInno-cap1Know-depthInno-cap1Data0.108∗∗∗0.009∗∗∗0.013∗∗∗0.114∗∗∗0.048∗0.098∗∗∗(0.012)(0.003)(0.002)(0.009)(0.026)(0.008)Org-fle0.018∗∗0.388∗∗∗0.602∗∗∗0.297∗∗∗(0.008)(0.039)(0.115)(0.036)Know-width-0.754∗∗∗(0.048)Know-depth0.128∗∗∗(0.003)Cons-0.0010.537∗∗∗-0.035-0.22817.523∗∗∗-2.451∗∗∗(0.465)(0.120)(0.063)(0.319)(0.944)(0.304)Control variablesYesYesYesYesYesYesIdYesYesYesYesYesYesYearYesYesYesYesYesYesN12 39012 39012 39012 39012 39012 390Adj. R20.6210.1320.0650.6510.1590.660
表8为组织柔性和知识积累的链式中介效应结果。列(1)～(4)的逐步回归结果显示组织柔性显著正向影响知识宽度,而知识宽度对企业创新的影响依旧显著为负,说明组织柔性提升有利于拓展企业知识宽度,但知识宽度在一定程度上会抑制企业创新能力提升,即假设H4c部分成立。列(1)(2)(5)(6)的逐步回归结果显示组织柔性对知识深度的影响显著为正,说明组织柔性提高有利于企业拓展知识深度,进而促进企业创新能力提升,即假设H4d成立。上述结果表明数据要素通过增强组织柔性对知识积累产生积极影响,进而影响企业创新能力。综合表7和表8链式中介效应检验结果来看,数据要素的引入不仅通过知识积累和动态能力两条独立的并行中介路径影响企业创新能力,而且还通过动态能力的链式中介效应影响企业创新。
为了进一步验证数据要素对企业创新能力影响结果的稳健性,基于不同方法进行稳健性检验,如表9所示。可以发现,当采用基于OP法计算的全要素生产率,以及代表创新产出的研发投入与营业收入之比衡量企业创新能力时,数据要素对企业创新能力的影响依旧显著为正。考虑到企业中的数据要素应用在很大程度上体现为企业数字化转型,参考甄红线[29]统计的数字化相关词频,作为本文数据要素水平(Data')的代理变量,进行稳健性分析,检验结果与前文基准回归结果依旧一致。由于信息技术业(如计算机、通信和其他电子设备制造、软件和信息服务业等)具有天生的数字化特征,其在数据利用过程中与其他企业明显不同,因此将研究样本中信息技术业相关企业剔除。剔除后的回归结果显示,数据要素对企业创新能力的影响仍显著为正,再次说明本文主要结论稳健。
表9 基于不同方法的稳健性检验结果
Table 9 Robustness test results based on different methods
变量替换被解释变量Inno-cap2Inno-cap3(1)(2)替换核心解释变量Inno-cap1(3)剔除特殊样本Inno-cap1(4)Data0.259∗∗∗0.504∗∗∗0.095∗∗∗(0.046)(0.008)(0.010)Data'0.101∗∗∗(0.022)Cons-4.005∗∗∗2.926∗-5.574∗∗∗0.099(0.341)(1.667)(0.445)(0.358)ControlvariablesYesYesYesYesIdYesYesYesYesYearYesYesYesYesN12 39012 36912 3909 922Adj-R20.5240.2950.5790.614
考虑到潜在的内生性问题,本文使用工具变量予以缓解。参照沈国兵等[36]的做法,首先,使用企业所在行业的其他企业数据要素的平均值作为数据要素的工具变量IV-Mean-data。这一工具变量满足相关性和排除性标准。此外,对数据要素采用滞后一期来解决双向因果问题,以企业数据要素水平的滞后项作为企业数据要素的工具变量。表10报告工具变量的两阶段最小二乘法(2SLS)回归结果。列(1)(3)中工具变量IV-Mean-data、IV-datat-1的系数在1%置信水平上显著为正,且一阶段F值均大于10。列(2)(4)中数据要素系数在1%置信水平上显著为正,说明在考虑潜在的内生性问题后数据要素依然能显著提高企业创新能力。
表10 基于不同工具变量的内生性检验结果
Table 10 Endogeneity test results based on different instrumental variables
变量IV1(行业均值)Data(一阶段)Inno-cap1(二阶段)(1)(2)IV2(滞后一期)Data(一阶段)Inno-cap1(二阶段)(3)(4)IV-Mean-data0.736∗∗∗(0.017)IV-datat-10.594∗∗∗(0.009)Data0.394∗∗∗0.129∗∗∗(0.018)(0.011)Cons-4.446∗∗∗1.088∗∗∗-3.120∗∗∗0.284(0.320)(0.322)(0.357)(0.411)Control variablesYesYesYesYesIdYesYesYesYesYearYesYesYesYes一阶段F值19.7816.07N12 39012 39011 15111 151Adj- R20.6940.7540.637
本文分别从地区和企业性质两个方面进行异质性分析,如表11所示。从地区层面看,东部地区数据要素对企业创新能力的提升作用最强,其次为中部地区和西部地区,这与我国当前的经济发展现状相吻合,即东部发达地区完善的数字基础设施和相对完备的金融资本支持有利于实现数据要素与企业创新能力的高效衔接,而中西部地区则有所欠缺;从企业层面看,民营企业中数据要素促进企业创新能力提升的作用最显著,其次为国有企业和外资国企,该实证结果在一定程度上证实民营企业能够迅速调整战略,实现数据要素与企业创新能力的高效衔接。同时,国有企业在当前数智化浪潮中对数据要素的应用有待进一步提高。
表11 基于地区和企业层面的异质性检验结果
Table 11 Regional and firm-Level heterogeneity test results
变量地区层面东部中部西部Inno-cap1Inno-cap1Inno-cap1企业层面国企民营外资Inno-cap1Inno-cap1Inno-cap1Data10.109∗∗∗0.104∗∗∗0.099∗∗∗0.106∗∗∗0.111∗∗∗0.076∗(0.028)(0.031)(0.014)(0.017)(0.011)(0.041)Cons-0.2141.2860.132-2.924∗∗∗-1.291∗∗∗0.389(0.554)(1.084)(1.624)(0.594)(0.416)(1.810)ControlsYesYesYesYesYes YesIdYesYesYesYesYesYesYearYesYesYesYesYesYesN8 8932 1051 3524 4027 208553Adj-R20.6400.6190.6090.6110.6450.603
本文利用2014-2023年1 239家中国A股上市公司数据,通过构建包含知识积累和动态能力的数据要素驱动创新能力提升的双路径理论框架,实证检验数据要素对企业创新能力、知识积累和动态能力的影响。研究结果揭示,数据要素不仅作为新型生产要素直接驱动创新能力提升,而且通过知识积累与动态能力的双重路径对企业创新能力产生间接效应。研究还进一步扩展了动态能力与知识积累的关系,为企业利用数据要素提升创新能力提供了新视角。基于上述研究结论,提出以下管理启示:
(1)数智时代下企业应重视数据要素利用问题,把握数据要素赋能创新的发展契机。毋庸置疑,应用数据要素赋能企业创新是企业实现高质量发展的主流趋势,企业应将数据要素纳入创新战略核心,构建数据驱动的创新战略体系。我国不同企业间数据要素利用水平存在一定差异,尤其是中西部地区企业应加大数据要素的开发利用,当地政府也应结合地区产业特色优化数据基础设施,助力企业数据要素开发;相较于民营企业,国有企业在改革过程中应注重提升数据要素与企业创新变革的高效衔接。
(2)知识涌现情境下企业应客观审视数据要素引发的企业知识管理新问题,重视知识资源与创新转化的匹配问题。平衡海量知识资源与创新业务需求是创新能力提升的关键,当前企业应提高自身的数字化知识管理能力,结合自身业务场景实施差异化知识管理策略,要有选择性和方向性,在知识积累过程中注重专业精度和知识深度的提升,构建“数字化知识—创新能力”的动态适配机制和转化机制,提升知识转化效率。
(3)企业应重视动态能力在数据要素提升企业创新能力中的作用,打造敏捷型和柔性组织架构。企业应积极构建动态能力体系,采用敏捷型数字化组织架构,强化组织柔性,建立基于数据洞察的动态弹性资源配置系统,把握数据要素辅助科学敏捷决策的基础逻辑,提升组织敏捷性和组织柔性,通过“动态能力—知识积累”的链式路径将创新资源和机会转化为创新效益,不断提升创新能力。
[1] 马佳, 李天柱, 鲁若愚. 数字时代本土企业何以开展“基于科学的创新”——创新能力体系及其构建路径研究[J].管理评论, 2024, 36(8): 275-288.
[2] 谢康, 夏正豪, 肖静华. 大数据成为现实生产要素的企业实现机制:产品创新视角[J].中国工业经济, 2020,38(5): 42-60.
[3] 陶长琪, 丁煜. 数据要素何以成为创新红利——源于人力资本匹配的证据[J].中国软科学, 2022,37(5): 45-56.
[4] 马淑琴, 徐苗, 张陈宇. 数据要素应用与企业创新效应——来自中国A股上市公司的经验证据[J].商业经济与管理, 2024,44(2): 50-67.
[5] 喻登科, 陈淑婷. 信息技术与企业绩效:知识管理能力与商业模式创新的链式中介作用[J].科技进步与对策, 2024, 41(8): 117-128.
[6] TEECE D J. Profiting from innovation in the digital economy:enabling technologies, standards, and licensing models in the wireless world[J].Research Policy, 2018, 47(8): 1367-1387.
[7] 邵兵, 匡贤明, 王翚. 数字化知识管理与制造业企业技术创新:基于动态能力视角[J].科技进步与对策, 2024, 41(14): 111-121.
[8] 焦豪, 杨季枫, 王培暖, 等. 数据驱动的企业动态能力作用机制研究——基于数据全生命周期管理的数字化转型过程分析[J].中国工业经济, 2021,39(11): 174-192.
[9] KOPALLE P K, KUMAR V, SUBRAMANIAM M. How legacy firms can embrace the digital ecosystem via digital customer orientation[J].Journal of the Academy of Marketing Science, 2020, 48(1): 114-131.
[10] CONG L W, XIE D, ZHANG L. Knowledge accumulation, privacy, and growth in a data economy[J].Management Science, 2021, 67(10): 6480-6492.
[11] AL-OMOUSH K S,GARCIA-MONLEON F,MAS IGLESIAS J M.Exploring the interaction between big data analytics, frugal innovation, and competitive agility:the mediating role of organizational learning[J].Technological Forecasting and Social Change, 2024, 200: 123188.
[12] JONES C I, TONETTI C. Nonrivalry and the economics of data[J].American Economic Review, 2020, 110(9): 2819-2858.
[13] 袁勇志, 诸葛凯, 张勇, 等. 知识耦合视阈下大数据能力对新创企业创业绩效的影响机制研究[J].科技进步与对策, 2024, 41(8): 106-116.
[14] 马鸿佳, 王亚婧. 制造企业平台化转型如何打破“数据孤岛”——基于人—数交互理论的混合方法研究[J].管理世界, 2024, 40(4): 176-200.
[15] 周倩,王树祥,王莉雅,等.开放式创新平台知识治理驱动知识转化与突破式创新研究[J].科技进步与对策,2024,41(24):128-139.
[16] 程雅馨, 程延园, 何勤. 殊途同归:人工智能技术应用企业价值创造模式与机制研究——基于知识基础观视角[J].科技管理研究, 2022, 42(15): 173-187.
[17] AGRAWAL A, GANS J S, GOLDFARB A. Exploring the impact of artificial intelligence:prediction versus judgment[J].Information Economics and Policy, 2019, 47: 1-6.
[18] BODENDORF F, FRANKE J. What is the business value of your data? a multi-perspective empirical study on monetary valuation factors and methods for data governance[J].Data &Knowledge Engineering, 2024, 149: 102242.
[19] 宋炜, 曹文静, 周勇. 数据要素赋能、研发决策与创新绩效——来自中国工业的经验证据[J].管理评论, 2023, 35(7): 112-121.
[20] 王琳, 张锐, 陈潇洋, 等. 制造企业服务创新困境突破:技术——市场均衡搜索及其与战略柔性的匹配[J].科技与管理, 2022, 24(2): 40-49.
[21] 谢康, 张祎, 吴瑶. 数据要素如何产生即时价值:企业与用户互动视角[J].中国工业经济, 2023,41(11): 137-154.
[22] 庄彩云, 陈国宏, 梁娟, 等. 互联网能力、双元战略柔性与知识创造绩效[J].科学学研究, 2020, 38(10): 1837-1846,1910.
[23] 武梦超, 李随成. 知识积累与产品创新性:知识整合机制与动态知识能力的作用[J].科学学与科学技术管理, 2019, 40(6): 37-53.
[24] 娄超, 申文君. 数据智能参与知识生产的实践机理与法治机制——以ChatGPT为例[J].情报资料工作, 2024, 45(4): 44-52.
[25] 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.
[26] 陶锋, 王欣然, 徐扬, 等. 数字化转型、产业链供应链韧性与企业生产率[J].中国工业经济, 2023,41(5): 118-136.
[27] 张天, 易明, 李霞. 数字化转型对制造业企业创新绩效的影响效应与作用机制[J].江汉论坛, 2024,67(12): 44-53.
[28] 赵宸宇, 王文春, 李雪松. 数字化转型如何影响企业全要素生产率[J].财贸经济, 2021, 42(7): 114-129.
[29] 甄红线, 王玺, 方红星. 知识产权行政保护与企业数字化转型[J].经济研究, 2023, 58(11): 62-79.
[30] 周郴保, 赵文红, 舒成利, 等. 创业激情与企业创业导向的关系研究——基于知识深度和知识宽度的调节作用[J].华东经济管理,2025,39(2):98-108.
[31] MACKINNON D P, KRULL J L, LOCKWOOD C M. Equivalence of the mediation, confounding and suppression effect[J].Prevention Science, 2000, 1(4): 173-181.
[32] 范合君, 潘宁宁. 数字化转型、敏捷响应度与企业韧性[J].经济管理, 2024, 46(7): 36-54.
[33] 弋亚群, 陈龙波, 赵永彬. 闲置知识、组织柔性与企业绩效的关系[J].西安交通大学学报(社会科学版), 2009, 29(4): 13-17.
[34] 赵晓煜, 高云飞, 孙梦迪. 制造企业组织柔性、动态服务创新能力与服务创新绩效[J].科技进步与对策, 2020, 37(15): 62-69.
[35] 徐占东, 刘鹏佩, 杨学磊. 知识获取视阈下创业学习对新创企业创新绩效的影响机制——环境动态性的调节作用[J].科技进步与对策, 2024, 41(6): 118-128.
[36] 沈国兵, 袁征宇. 企业互联网化对中国企业创新及出口的影响[J].经济研究, 2020, 55(1): 33-48.