This study uses data on Shanghai and Shenzhen A-share listed manufacturing firms from 2013 to 2023 to examine how digital intelligence technology application affects manufacturing enterprises’ servitization transformation, and the mediating role of knowledge boundary expansion. It also investigates the differential moderating effects of unabsorbed and absorbed slack resources, as well as the interactive effects of these resources with market competition intensity as a secondary moderating variable.
The research conclusion is as follows: Firstly, the application of digital intelligence technology can significantly enhances service business revenue and facilitates the transition of enterprises towards servitization, and this promotion effect is more pronounced in enterprises located in the eastern region, high-tech enterprises, and state-owned enterprises. Secondly, the application of digital intelligence technology can promote the expansion of knowledge boundaries, and the expansion of knowledge boundaries helps enterprises achieve servitization. The expansion of knowledge boundaries partially mediates the relationship between the application of digital intelligence technology and servitization. Finally, unabsorbed slack resources can strengthen the positive relationship between knowledge boundary expansion and servitization, while excessive absorbed slack resources can hinder the promotion effect of knowledge boundary expansion on servitization. In a highly competitive environment, it will strengthen the positive moderating effect of unabsorbed slack resources and the negative moderating effect of absorbed slack resources.
The theoretical contributions of this study are as follows: Firstly, it reveals the impact of the technology portfolio of digital intelligence on servitization, further deepening the theoretical connotation of technology availability; Secondly, the internal mechanism of how the application of digital intelligence technology affects servitization has been revealed, expanding the application scope and linkage effects of the knowledge-based view and boundary-spanning theory; Finally, the study enriches the research on the contingency factors affecting servitization caused by the expansion of knowledge boundaries, revealing the interactive regulatory effect of redundant resources and market competition intensity. The study suggests that manufacturers should actively adapt to the trend of digital intelligence and integrate digital intelligent technologies into their service value creation processes to enhance the efficiency of service-oriented transformation. It is necessary to leverage digital intelligent technologies to engage in cross-boundary innovation collaborations, expand enterprises' knowledge boundaries, and achieve interconnectivity among supply chain partners, universities, and research institutions through industrial Internet technologies. Additionally, enterprises need to establish knowledge management systems based on digital intelligent technologies to accumulate sufficient intellectual capital, and dynamically adjust their strategies for digital intelligence and service-oriented development in accordance with the current status of slack resource accumulation.
开放科学(资源服务)标识码(OSID)：
随着客户个性化和定制化需求逐步升级,传统制造企业面临的竞争环境日益复杂多变,服务化转型已经成为其适应环境变化和缓解竞争压力的关键途径[1]。党的二十届三中全会通过的《中共中央关于进一步全面深化改革、推进中国式现代化的决定》指出,“健全促进实体经济和数字经济深度融合制度,加快推进新型工业化,培育壮大先进制造业集群,推动制造业高端化、智能化、绿色化发展”。作为数字化的进阶形式,数智化不仅包含数字化阶段的数据转化,更是将数据与智能技术相结合,实现智能决策和预测分析,有助于提高企业市场竞争力。在数字经济时代,传统制造企业由产品主导逻辑向服务主导逻辑转变已成为必然趋势。作为数字化与智能化融合发展的核心推动力,引入与应用数智技术是制造企业应对发展趋势和获取竞争优势的关键手段。根据中国信息通信研究院发布的《中国数字经济发展研究报告(2023)》,2022年我国数字经济占GDP的比重达41.5%,数智技术由于其扩散性和渗透性特征已经成为产业转型升级的关键催化剂,预计到2030年,数智技术将推动全球经济总量年均增长1.2%。数智技术为制造企业服务化转型战略实施带来新机遇。然而,数智技术应用如何影响制造企业服务化转型?其作用机制是什么?企业内部资源配置与外部环境压力对其作用机制是否存在权变效应?上述问题尚缺乏系统分析。
数智技术与服务化转型相关研究存在以下不足:首先,多是以探索性案例和系统性综述为主的理论研究[2-5],剖析了典型企业如何利用数智技术和数智化管理手段助力战略管理变革,而鲜有的实证研究从数智技术视角展开,探究人工智能[6]、工业机器人[7]等对企业服务化转型的作用效果。企业转型升级过程往往是多种技术协同应用,数智技术作为新兴技术集合体,探究其应用对服务化转型的影响效果具有理论意义和现实价值。其次,已有研究基于技术创新[8]、资源配置[9]、动态能力[10]等视角探究了数智化影响服务化转型的路径。而知识基础观认为,企业拥有的特定知识是一种关键战略资源,跨界知识获取和共享对企业战略转型尤为重要。企业与外部利益相关者之间的知识共享能够促进自身知识边界拓展。当跨界知识资源不断更新、增加时,有助于企业突破单一产品运营路径,克服核心能力刚性问题[11],为服务化转型奠定知识基础[12],同时为企业获取新的市场机会和实现技术突破以及跨领域业务拓展提供机会,能够推动企业服务化转型进程。数智技术应用能够为企业获取跨界知识、拓展知识边界提供在线渠道,促进跨界知识在企业与外部主体之间扩散及渗透。因此,从知识边界拓展视角分析数智技术应用对制造企业服务化转型的作用机制具有一定的理论价值。最后,数智技术驱动服务化的作用机制研究尚有较大空间,对其作用机制的权变效应研究也较为匮乏。知识边界拓展可为企业获取外部异质性知识,并将其转化为新产品和新服务的设计方案提供支持,但在这一过程中还受到内部可支配资源的限制。作为企业的“战略缓冲”,冗余资源能够为企业知识边界拓展过程中的协作创新提供试错空间[13]。因此,有必要探讨冗余资源在知识边界拓展与服务化转型间的调节作用。此外,市场竞争强度作为外部环境压力的重要表征[14],可能会改变企业对冗余资源的利用需求和配置策略,从而影响冗余资源对知识边界拓展与服务化转型关系的调节效应。由此,进一步剖析冗余资源与市场竞争强度的交互调节有助于理解知识边界拓展在不同情境下对制造企业服务化转型的差异化影响。
制造企业服务化转型的核心即企业从单一产品提供商转变为集成解决方案提供商,实现企业价值中枢从传统产品导向转变为服务导向,并以服务作为企业核心竞争力和价值创造的主要源泉[7,15]。已有研究表明,服务化转型的内涵主要体现在两方面:一是服务业务范围扩大,包括与产品相关的增值服务业务和与产品无关的专业性服务业务拓展[16-17];二是服务价值深化,主要是指开展个性化、定制化服务,通过让顾客参与价值创造过程激活客户价值[18],从而帮助企业更好地调整服务内容的精准性、创新性和独特性,提升整体服务质量与价值。数智技术是数据技术(数字技术)与智能技术集成的技术性概念(赵宏霞等,2025),是以大数据、云计算、移动互联网、区块链和人工智能等为代表的新兴技术的有机整合,是数字化与智能化融合发展的核心推动力(陈剑和刘运辉,2021;王秉,2023)。数智技术应用正在从根本上改变制造企业价值创造过程[19],推动企业服务化转型。本文认为,数智技术应用能够通过拓展服务业务范围和深化服务价值促进企业服务化转型。
(1)数智技术应用有助于企业拓展服务业务范围。一方面,数智技术应用可为企业拓展与产品相关的增值服务提供支持。借助物联网技术,企业能够实现对产品运行状态的实时监测,为客户提供远程故障诊断、设备健康管理等增值服务[20]。大数据分析和人工智能技术可为企业开发预测性维护和在线监测等服务提供支持[6]。云计算能够帮助企业提供基于智能云平台的长期服务,如在线升级、远程调试和设备管理支持等[8],从而进一步拓展增值服务业务范围。另一方面,数智技术应用有助于企业拓展专业性服务业务。工业互联网、数据挖掘技术可为企业与生态系统中的合作伙伴共享和交换跨界数据资源提供在线平台及技术支撑[21],在这一过程中也促进了企业与政府、科研院所、金融机构等合作伙伴交流和跨界合作,为企业了解跨领域发展需求,进而拓展咨询、金融等专业性服务业务提供支持(王莉静等,2024),最终实现服务业务范围拓展。
(2)数智技术应用促进制造企业服务价值深化。数智技术促进数字平台发展,有助于企业精准获取客户需求,从而制定基于客户个性化需求的集成解决方案,使提供给客户的内容更加特殊且难以模仿[22]。将客户纳入企业价值创造过程中不仅能够改善客户体验[23],而且能够有效激活客户价值,推动定制化服务发展(赵宸宇,2021),深化服务价值。基于此,本文提出以下假设:
H1:数智技术应用能够促进制造企业服务化转型。
数智技术发展与应用突破传统企业边界,强化企业与其他外部主体间的联动,促进知识在外部环境和企业内部流动,也使得企业发展越来越依赖于知识培育与知识边界拓展[24]。知识基础观指出,企业拥有的特定知识是一种关键性战略资源,对企业确立竞争优势,实现转型升级具有重要推动作用。知识边界拓展是企业突破原有知识边界,获取和整合外部新兴知识并形成创新能力的过程(Caccamo等,2023;周文辉等,2024)。数智技术应用为知识传递和共享提供便利,促进企业知识边界拓展。
(1)工业互联网平台搭建为企业与外部主体之间的跨界合作与知识交互创造条件,促进跨界知识在企业与外部主体间扩散及渗透(沈坤荣等,2023),弱化“信息孤岛”效应,有助于企业不断搜寻、吸收与转化外部知识资源,进而扩展自有知识领域[25],最终实现知识边界拓展。
(2)“区块链+智能合约”技术为企业与外部多主体间信任关系构建和维系提供支持[26],突破知识距离限制,助力企业与更多伙伴建立低门槛、深层次合作,进而获取外部主体的经验、诀窍等隐性知识[27],最终实现知识边界跨越,为知识边界拓展提供支持。
(3)云计算为企业实现隐性知识显性化提供助力。企业应用数智技术搭建或参与数字化平台,实现创新人才供需双方在线连接与匹配,为企业精准捕获创新人才提供数字化途径[28]。作为促进知识成果转化的“主力军”,创新人才能帮助企业对异质性隐性知识进行消化、吸收与融合,促进知识解耦与重构,实现隐性知识显性化,进而整合到自身生产和经营过程中,实现跨界创新[29],从而拓展企业知识边界。基于此,本文提出以下假设:
H2:数智技术应用能够促进制造企业知识边界拓展。
王莉静等(2023)指出,企业为顾客提供更好产品和服务的关键是拓展知识边界,对跨界知识进行整合与重构。对于需要突破原有产品主导逻辑、实现服务化转型的制造企业而言,不仅要确保产品持续创新,还要实现服务模式重构,这意味着更多服务要素投入和跨界知识需求[30]。这种跨界知识需求远非原有客户和供应商所能满足,需要更广泛的外部主体知识资源深度共享、整合与重构。因此,知识边界拓展对推动企业服务化转型极为重要。
(1)知识边界拓展有助于企业扩大服务业务范围。一方面,知识边界拓展可为企业扩大与产品相关的增值服务范围提供支持。通过与客户深入合作,企业能够全面掌握客户现实需求和市场动态,从而灵活调整现有产品和服务的定位(王琳等,2024)。同时,拓展和整合客户显性与隐性知识并将其应用于产品研发、生产和服务环节,有助于推动企业产品多元化和增值服务智能化发展[31],从而扩大与产品相关的增值服务业务范围。另一方面,知识边界拓展可为企业扩大与产品无关的专业服务范围提供助力。通过知识边界拓展,企业能够加强与生态系统中其他合作伙伴互动(奉小斌和陈丽琼,2015),进而收集来自政府、科研院所、金融机构等外部利益相关者的跨界知识[32]。这种跨界知识积累有助于企业更好把握咨询、设计、金融等专业服务领域发展趋势,推动自身服务业务多元化发展,并开辟新的利润增长点。
(2)知识边界拓展能够有效促进制造企业服务价值深化。一方面,知识边界拓展能够驱动个性化和定制化服务纵深发展。通过收集和整合客户需求与偏好等数据,拓展客户层面的知识资源,有助于企业依据客户偏好设计服务内容、服务流程和服务交付方式[33],实现解决方案的个性化与定制化,满足客户差异化需求,显著提升客户对企业服务的满意度,进而提升服务价值和市场竞争力。另一方面,知识边界拓展有助于企业构建以客户为中心的价值共创机制。通过虚拟团队等形式与客户交换知识资源,在拓展企业知识边界的同时,增强客户在服务创新中的参与感,企业能够更高效地将客户需求融入服务创造过程[34],并迅速调整服务流程以适应客户个性化需求。这种互动不仅加深客户与企业的信任关系,也提升价值共创效率与服务精准性(罗建强等,2023),有效深化服务价值。基于此,本文提出以下假设:
H3:知识边界拓展能够促进制造企业服务化转型。
Singh(1986)以资源是否在企业有限使用范围内为标准,将企业冗余资源划分为未吸收冗余资源和已吸收冗余资源两个维度。其中,未吸收冗余资源是指未被特定项目使用的可灵活支配的基础性资源。这类资源未明确使用范围和界限,灵活性较强,可随时被调用于企业生产运营或产品及服务创新等活动,如企业现金及现金等价物、应收款项等(邹增明等,2019)。已吸收冗余资源是指已经投入到企业特定项目中的资源,这类资源使用范围有限,主要应用于企业生产运营活动,灵活性和流动性较差,通过组织设计可重新达到可利用状态,但协调成本较高(潘蓉蓉等,2021),如企业过多的管理费用、闲置厂房及设备等(谭庆美等,2024)。相比于已吸收冗余资源,未吸收冗余资源更加有利于企业创新产出[35]。已有研究表明,未吸收冗余资源和已吸收冗余资源对组织变革的影响可能不同[36]。
1.4.1 未吸收冗余资源的调节作用
(1)未吸收冗余资源有助于企业在拓展知识边界的同时,管理、维持与外部知识创造者间的正式合作关系(李强等,2015)。企业拓展知识边界过程中伴随着与外部多主体间的合作,但由于协调成本存在,企业需要投入大量资源以支持知识边界拓展行为。未吸收冗余资源由于其特有的灵活性,更容易作为额外资源为企业战略选择提供支持[37],缓解企业跨边界整合技术、知识带来的协调成本压力,以及外部知识拓展和利用等环节的资源约束[38],从而支持企业与合作伙伴、政府、科研院所等外部主体开展创新合作,为开发新产品和新服务提供灵感[39],促进企业服务化转型。
(2)企业知识边界拓展行为是跨越组织边界甚至跨越技术边界的创新行为,在这一过程中往往伴随着较高风险和不确定性。未吸收冗余资源是一种能够增强组织柔性的资源,有助于企业缓冲外部环境变革带来的经营压力和弥补创新活动可能产生的潜在损失[40]。在这一资源支持下,企业更愿意尝试与外部主体建立创新合作关系,实施突破性创新战略,有效促进外部知识流入,扩展知识边界,从而为利用外部知识和技术提供条件,开发新产品和新服务,加速服务化转型进程。基于此,本文提出如下假设:
H4a:未吸收冗余资源正向调节知识边界拓展与制造企业服务化转型之间的正向关系。
1.4.2 已吸收冗余资源的调节作用
(1)已吸收冗余资源由于已经投入到企业特定领域中,如果企业选择在现有较为熟悉的技术和知识领域进行优化升级,则转化已吸收冗余资源的协调成本较低。但当企业与外部主体开展合作创新,将知识边界拓展至组织边界外时,过多的已吸收冗余资源积累会导致企业搜索、整合、利用新领域知识的时间与协调成本上升,从而阻碍知识边界拓展,减少外部知识流入,影响企业开发新产品或新服务,抑制企业服务化转型绩效提升。
(2)已吸收冗余资源较多的企业更倾向于规避风险,对外部环境变化的反应较为被动,更多依赖于内部研发活动,对从外部获取知识的意愿并不强烈[41]。上述情况下,企业往往不会积极开展跨界创新合作,企业知识边界局限于内部和熟悉的技术领域中,容易陷入“信息孤岛”,阻碍企业吸收跨界异质性知识,从而抑制研发创新效率提升,不利于企业开发新产品和拓展新服务,最终影响服务化转型战略实施。基于此,本文提出如下假设:
H4b:已吸收冗余资源负向调节知识边界拓展与制造企业服务化转型之间的正向关系。
基于上述理论分析,本文构建概念模型如图1所示。
图1 理论模型
Fig.1 Theoretical model
本文以2013—2023年沪深A股制造业上市公司为研究样本,制造业划分标准参照《国民经济行业分类》(GB/T 4754-2017)。数智技术应用数据来自CSMAR数据库中的企业年度报告,通过手工收集和提取相关关键词得到;制造企业服务化转型数据来自企业年度报告主营业务收入明细中的服务业务收入,通过手工收集获得;企业知识边界拓展相关的专利数据来自中国专利数据库,将其与Wind数据库中的制造业上市公司数据匹配,得到样本企业所申请专利的名称、摘要、权利要求、IPC分类号等信息;冗余资源数据以及其它控制变量数据均来自Wind数据库。
为了保证研究结果的可靠性,本文根据研究惯例对样本数据作如下处理:首先,剔除被特殊处理的样本企业,包括被ST、*ST和PT的企业,这类企业随时面临破产或退市风险;其次,剔除主要变量数据缺失较为严重的企业;最后,剔除财务状况存在异常的样本,如资产负债率大于1或小于0。为了防止极端值对研究结果产生影响,本文进一步对连续型变量进行上下1%水平的Winsorize截尾处理,最终获得14 268个观测值,并采用Stata17.0软件进行实证分析。
(1)制造企业服务化转型(Ser)。已有研究指出,服务化转型已经成为制造企业普遍发展趋势,是制造企业创造更高服务价值和获得利润增长机会的关键路径[42]。因此,本文借鉴赵宸宇(2021)的方法,从服务化转型结果视角出发,以企业服务化产出水平,即服务业务收入占主营业务收入的比值作为服务化转型的度量指标。对企业年报中主营业务收入明细表中的“服务业务收入”栏目进行手工整理,得到制造企业服务业务收入数据。在数据整理过程中发现,有些企业并未将主营业务收入直接划分为服务业收入和非服务业收入。针对这类样本,依据《国民经济行业分类》的划分标准,将与主营业务相关的生产性服务分为八大类,包括技术支持服务、销售服务、咨询服务、培训服务、租赁服务、研发与信息服务、金融服务、物流服务。本文通过人工读取企业年报,判断企业是否存在上述八大类服务业务,若存在则据此认定企业相应服务业务收入占比。2013—2023年样本企业服务业务收入中共有9 586项可直接获取,4 682项需通过人工提取企业公开的产品分类明细数据后整理得到。
(2)数智技术应用(Dit)。已有研究指出,数智技术以数据为基础,以智能为核心,能够支持海量数据采集、存储、分析和利用,进而实现智能决策和资源优化配置(陈国青等,2022;尹西明等,2024)。从功能性视角看,涵盖基础层和应用层两方面。基础层技术(如人工智能、大数据、云计算、区块链)具有通用性特征,可作为支撑企业创新的基础技术;而应用层则聚焦特定场景(如智能制造、智能客服)并实现具体业务价值[9]。因此,本研究初步将数智技术分为基础支持技术和场景应用技术两个层面。Wang等[43]指出,企业经常使用的句子和词汇一般在企业认知上处于中心地位,反映企业最关心的事情,企业年报往往能够反映其经营理念、组织结构和未来发展战略。因此,通过分析年报文本衡量数智技术应用具有理论合理性和实践可行性。在吴非等(2021)、姚加权等(2024)研究的基础上,首先,梳理国家相关政策制度文件,阅读关于数字经济发展、人工智能、智能制造等政策文件,结合上市公司年报中“经营讨论与分析”“管理层讨论与分析”内容,构建企业数智技术应用特征词词典;其次,采用Python的Jieba分词功能在企业年报中进行特征词提取、筛选和汇总;最后,按照词汇所属特征和含义,基于功能性视角将数智技术应用特征词分为底层数智技术架构和数智业务场景应用技术,最终形成关键词数据池。考虑到此类数据往往具有典型的“右偏性”,因而将特征词出现频次加1后取对数,以此作为数智技术应用的最终度量指标,即企业数智技术应用水平=ln(数智技术应用特征词出现频次+1)。
(3)知识边界拓展(Kb)。已有研究指出,企业申请的专利中包含企业拥有的知识元素,在第t年以前所申请专利中包含的知识元素是企业知识基础[44]。因此,本文借鉴沈坤荣等(2023)的研究,将国际专利分类(International Patent Classification,IPC)作为专利所属知识领域划分标准。首先,统计企业在第t年以前申请的所有专利前4位IPC分类号,将其定义为企业已有知识基础。如果企业在第t年第j项专利的IPC分类号不属于自身已有知识领域,则认定企业产生了新的专利,获取了新的知识元素。其次,累计企业在第t年包含新知识元素的专利数量并对其加1取对数,以此作为企业知识边界拓展的度量指标。此外,本文借鉴张辽和黄蕾琼(2020)的做法,采用赫芬达尔指数计算公式,以企业知识领域分布是“集中”还是“分散”衡量企业知识边界拓展程度,这一指标数值越大,表明企业知识领域越分散,知识边界拓展程度越高,计算方法如式(1)所示。
(1)
(2)
式(1)中,Kbi,t_hhi是企业i在第t期的知识边界拓展程度,Ni,t为企业i在第t期IPC分类号的类别总数,
为企业i在第t期第j种IPC分类号出现频次。
度量企业i在第t期IPC分类号的集中程度,Kbi,t_hhi为其倒数,数值越大,说明企业IPC分类号的类别越多,知识领域分布越分散,知识边界越宽。
(4)冗余资源,包括未吸收冗余资源(As)和已吸收冗余资源(Rs)。参考肖红军和李井林(2018)的做法,采用企业流动比率度量未吸收冗余资源变化,这一指标的数值越大,表明企业短期内可用资源越多;采用管理费用和销售费用占营业收入的比值度量已吸收冗余资源变化,这一指标的数值越大,表明企业用于管理、销售活动的特定资源越多。
(5)控制变量。借鉴赵宸宇(2021)和王莉静等(2023)的研究,本文对以下变量进行控制:①企业上市年限(Age),以当年年份减去企业成立年份后加1取对数衡量;②企业规模(Size),以企业年末总资产的自然对数衡量;③固定资产占比(Ppe),以固定资产净额与总资产的比值衡量;④现金流水平(Flow),以经营活动产生的现金流量净额除以年末总资产计算;⑤总资产净利率(Roa),年末净利润与总资产年平均余额相除求得。此外,本文还控制了行业和年份虚拟变量。
本文变量定义如表1所示。
表1 变量定义
Table 1 Variable definitions
变量类型变量名称变量符号测度方式被解释变量制造企业服务化转型Ser服务业务收入/主营业务收入解释变量数智技术应用Ditln(数智技术应用特征词出现频次+1)中介变量知识边界拓展Kb①ln(企业在第t年包含新知识元素的专利数量+1)②企业知识领域分布集中度,以赫芬达尔指数衡量调节变量冗余资源As未吸收冗余资源:流动比率Rs已吸收冗余资源:(管理费用+销售费用)/营业收入控制变量企业年龄Ageln(当年年份—企业成立年份+1)企业规模Sizeln(年末总资产)固定资产占比Ppe固定资产净额/年末总资产现金流水平Flow经营活动产生的现金流量净额/年末总资产总资产净利率Roa年末净利润/总资产年平均余额
(1)本文构建基准回归模型验证假设H1。
Seri,t=_consi,t+α1Diti,t-1+∑αjXj,i,t+∑Indu_+∑Year+εi,t
(3)
式(3)中,Diti,t-1为企业i第t-1年的数智技术应用水平,Xj,i,t表示模型的控制变量,_consi,t为常数项,εi,t为随机扰动项。
(2)在基准模型的基础上,本文构建如下模型验证假设H2、H3、H4a和H4b。
Kbi,t=_consi,t+β1Diti,t-1+∑βjXj,i,t+∑Indu_+∑Year+εi,t
(4)
Seri,t=_consi,t+γ1Diti,t-1+γ2Kbi,t+∑γjXj,i,t+∑Indu_+∑Year+εi,t
(5)
Seri,t=_consi,t+δ1Kbi,t+δ2Kbi,t×Moi,t+δ3Moi,t+∑δjXj,i,t+∑Indu_+∑Year+εi,t
(6)
式(6)中,Kbi,t为企业i第t年的知识边界拓展程度,Moi,t表示企业i第t年的冗余资源水平,包含未吸收冗余资源(Asi,t)和已吸收冗余资源(Rsi,t)。若式(4)中β1系数显著,式(5)中γ1和γ2系数也显著,且γ1小于式(3)中的α1,则表明假设H2和H3成立,并且知识边界拓展在数智技术应用与制造企业服务化转型之间发挥部分中介效应。若式(6)中δ2系数显著,则表明冗余资源的调节效应成立。
本文对主要变量进行描述性统计分析,结果如表2所示。制造企业服务化转型的最大值为78.784,最小值为2.590,说明不同制造企业服务化转型程度存在一定差异;数智技术应用水平介于0～4.692之间,表明不同制造企业间数智技术应用程度不同。可以看到,变量的中位数和均值较为接近,说明研究变量基本符合正态分布。进一步对多重共线性进行检验,结果发现,变量的VIF值均小于3,说明变量间基本不存在严重多重共线性问题,可以进行后续回归分析。
表2 描述性统计结果
Table 2 Descriptive statistics
变量名称变量符号样本量均值标准差最小值中位数最大值服务化转型Ser14 26811.63916.0162.5909.96878.784数智技术应用Dit14 2681.4271.1030.0001.1754.692知识边界拓展Kb14 2682.9879.6720.0002.5497.065未吸收冗余资源As14 2682.2281.5760.4691.67315.347已吸收冗余资源Rs14 2680.1120.1040.0070.7292.165上市年限Age14 2687.3350.7473.0377.22513.025企业规模Size14 2684.1581.3121.9223.8367.806固定资产占比Ppe14 2680.2360.1420.0130.2290.698现金流水平Flow14 2680.1790.083-0.1280.1850.394总资产净利率Roa14 2680.0460.189-0.2170.0570.326
Hausman检验结果显示(p<0.01),拒绝了随机效应模型的估计结果,由此判断固定效应模型更优,回归结果如表3所示。其中,列(1)未增加控制变量和固定效应,数智技术应用对制造企业服务化转型影响的回归系数为0.618,且在1%水平上显著;列(2)增加了控制变量和固定效应,数智技术应用和制造企业服务化转型之间的回归系数减小,说明部分影响效应被控制变量吸收,回归系数变为0.609,仍在1%水平上显著,假设H1得到验证。
表3 固定效应回归结果
Table 3 Regression results of fixed effects
变量Ser(1)(2)Dit0.618∗∗∗0.609∗∗∗(4.015)(4.362)Age-0.183∗∗∗(-4.411)Size0.510∗∗∗(4.243)Ppe-0.171∗∗∗(-4.622)Flow0.139∗∗∗(4.176)ROA0.029∗∗∗(3.328)_cons1.472∗∗∗1.286∗∗∗(4.883)(4.493)Industry/YearNoYesObs14 26814 268Adj_R20.2160.235
注：***表示P<0.01,**表示P<0.05,*表示P<0.1,括号内为t值,且均经过聚类稳健性标准误调整,下同
考虑到服务化程度较高的制造企业应用数智技术的积极性可能较强,因而可能存在反向因果问题。虽然本文在基准模型中对自变量进行了滞后一期处理,在一定程度上能够缓解这种内生性问题,但为了使研究结果更加可靠,进一步采用工具变量法进行内生性检验。由于影响数智技术应用的因素往往容易通过其它渠道对制造企业服务化转型产生影响,因而有效的外部工具变量不容易确定。借鉴Lewbel[45]的做法,本文利用异方差构造工具变量,具体方法如下:
Y1=Y2β+X'γ+ε1
(7)
ε1=cU+V1
(8)
Y2=X'α+ε2
(9)
ε2=U+V2
(10)
其中,Y1为企业服务化转型,Y2为数智技术应用的代理变量,X'为一系列控制变量,ε1和ε2表示误差项,U表示不可观测因素,V1和V2表示异质性误差。构造变量[Z-E(Z)]ε2作为工具变量,其中Z来自外生变量X。这种方法利用ε2的异方差中所包含的信息构造Y2的有效工具变量,突破了传统工具变量估计必须满足排他性约束条件的限制。
对式(9)(10)进行回归得到ε2的估计值,采用2SLS法对式(7)(8)进行估计,结果如表4所示。由表中数据可知,Kleibergen-Paap rk LM统计量和Cragg-Donald Wald F统计量的结果均拒绝原假设,即不存在工具变量识别不足和弱工具变量问题,表明工具变量选取有效。2SLS回归结果与前述基准回归结果基本一致,并且回归系数较基准回归系数有所提高,说明基准回归结果稳健。
表4 工具变量估计结果
Table 4 Results of instrumental variable estimation
变量第一阶段第二阶段DitSerDit0.617∗∗∗(5.018)IV_Dit0.543∗∗∗(3.559)ControlsYesYes_cons1.688∗∗∗1.712∗∗∗(4.539)(4.467)Obs14 268Kleibergen-Paap rk LM714.602∗∗∗Cragg-Donald Wald F335.124
3.4.1 更换被解释变量的度量方法
在制造企业服务化转型过程中,随着服务业务拓展,服务岗位数量不断增加。数智技术引入与应用使得许多传统生产制造工作被自动化和人工智能技术所替代,导致生产人员占比下降,部分生产人员转向服务岗位,服务业务人员占比提升[46]。因此,本文参考赵宸宇(2021)的研究,通过考察企业生产和服务业务员工数量结构变化反映企业服务化转型程度,将企业非生产人员占比作为衡量服务化转型的指标,具体计算方法见式(11)。
(11)
其中,Serpi,t表示企业i第t年的非生产人员占比,即企业服务化转型程度;Nppi,t表示企业i第t年非生产人员数量;Tei,t表示企业i第t年员工总数。本文采用新度量方法对基准模型进行回归分析,结果如表5列(1)所示,依旧支持假设H1,证明了研究结果的稳健性。
表5 稳健性检验结果
Table 5 Results of robustness test
变量SerpSerSer(1)(2)(3)Dit0.584∗∗∗0.615∗∗∗(4.121)(4.485)R_Dit0.579∗∗∗(4.207)ControlsYesYesYes_cons1.472∗∗∗1.338∗∗∗1.479∗∗∗(4.103)(4.227)(4.116)Industry/YearYesYesYesObs14 26814 26810 975Adj_R20.2210.2250.238
3.4.2 更换解释变量的度量方法
在对解释变量进行定义时,本文按照特征词属性将数智技术应用划分为底层数智技术架构(人工智能、大数据、区块链、云计算)和数智业务场景应用技术。对搜集的样本数据进行分析发现,制造企业由于自身发展阶段和资源能力限制,在服务化转型过程中存在只应用一种数智技术和同时应用多种数智技术的情况。因此,本文借鉴Chen&Chang[47]的做法,采用信息熵指数法度量企业数智技术应用多元化程度,具体计算方法见式(12)。
(12)
其中,R_Diti,t-1表示企业i第t-1年数智技术应用广度,δj表示企业中第j类数智技术相关特征词出现频次占所有数智技术特征词出现总频次的比重。R_Diti,t-1的数值越大,说明企业应用的数智技术种类越多,反映出企业数智技术应用范围越广。重新对基准模型进行回归分析,结果如表5列(2)所示,仍支持假设H1,再次验证了研究结果的稳健性。
3.4.3 变更样本范围
制造业包含的二级细分行业类别较多,如计算机、通信和其它电子设备制造行业,这类行业在数智技术融合与应用方面具有一定优势。因此,本文剔除这部分样本重新进行回归分析,结果如表5列(3)所示。可以发现,数智技术应用对制造企业服务化转型影响的回归系数仍在1%水平上显著为正,与基准回归结果不存在实质性差异,表明本文研究结果稳健。
3.4.4 安慰剂检验
为了排除模型设定偏误或未观测因素干扰,本研究设计了时间安慰剂检验。2013年被称为“大数据元年”,此后众多企业开始启动基于数智技术的战略转型。因此,本文将样本区间重新设定为2003—2013年。结果表明,数智技术应用的系数为正但不显著,说明这一时期数智技术应用对制造企业服务化转型不存在显著促进作用。为进一步验证数智技术应用的实际影响,本文在控制其它变量不变的基础上进行随机分配实验,将企业数智技术应用的实际观测值随机分配至其它企业,使其与原企业的真实关联被打破。结果表明,随机分配的数智技术应用水平并未显著促进制造企业服务化转型,进一步验证了研究结果的稳健性。
基于前述理论分析,本文将知识边界拓展作为数智技术应用与制造企业服务化转型之间的“桥梁”,实证检验结果如表6所示。其中,列(1)(2)为采用企业当年申请的包含新知识元素的专利数量度量知识边界拓展程度的回归结果;列(3)(4)为采用赫芬达尔指数法度量企业知识边界拓展程度的回归结果。由列(1)(3)可知,两种度量方法下,数智技术应用能够促进企业知识边界拓展(β=0.296,p<0.01;β=0.279,p<0.01),假设H2得到验证;由列(2)(4)可知,企业知识边界拓展能够显著促进服务化转型(γ=0.078,p<0.01;γ=0.097,p<0.01),假设H3得到验证。进一步分析发现,列(2)(4)中数智技术应用对制造企业服务化转型影响的回归系数分别为0.586、0.582,均小于基准回归结果中的系数,且仍在1%水平上显著,表明企业知识边界拓展在数智技术应用和制造企业服务化转型之间发挥部分中介作用。
表6 作用机制检验结果
Table 6 Results of mechanism test
变量KbSerKb_hhiSer(1)(2)(3)(4)Dit0.296∗∗∗0.586∗∗∗0.279∗∗∗0.582∗∗∗(5.236)(4.118)(4.983)(4.127)Kb0.078∗∗∗0.097∗∗∗(3.217)(3.845)ControlsYesYesYesYes_cons0.983∗∗∗1.274∗∗∗1.027∗∗∗1.281∗∗∗(4.468)(4.459)(4.339)(4.464)Industry/YearYesYesYesYesObs14 26814 26814 26814 268Adj_R20.2470.2310.2330.229
未吸收冗余资源和已吸收冗余资源能够对企业数智技术应用、知识边界拓展与服务化转型间的关系发挥异质性调节作用,并且主要对知识边界拓展和服务化转型间的关系进行调节,回归结果如表7所示。其中,列(1)为未吸收冗余资源的调节效应,列(2)为已吸收冗余资源的调节效应。由列(1)可知,知识边界拓展与未吸收冗余资源的交互项(Kb×As)系数为0.098,在1%水平上显著,说明未吸收冗余资源能够正向调节知识边界拓展和服务化转型的关系,即当企业拥有充足的未吸收冗余资源时,企业知识边界拓展对服务化转型的促进作用得到强化,假设H4a得到验证。由列(2)可知,知识边界拓展与已吸收冗余资源的交互项(Kb×Rs)系数为-0.145,在1%水平上显著,说明已吸收冗余资源能够负向调节知识边界拓展和服务化转型的关系,即当企业已吸收冗余资源较多时,会减弱企业知识边界拓展对服务化转型的促进作用,假设H4b得到验证。这表明未吸收冗余资源的高灵活性可为企业提供战略缓冲,为知识边界拓展活动提供容错空间,有利于企业将知识边界拓展的成果转化为服务化产品,促进服务化转型;而已吸收冗余资源的资源锁定效应使得企业可能需要较高的协调成本将其重新配置到知识边界拓展活动中,导致资源利用效率降低。此外,已吸收冗余资源的路径依赖效应促使企业更加专注于传统业务领域,从而阻碍企业服务化转型。
表7 调节效应检验结果
Table 7 Results of moderation effect test
变量Ser(1)(2)Kb0.085∗∗∗0.103∗∗∗(3.368)(3.992)As0.201∗∗∗(4.378)Rs-0.389∗∗∗(-4.056)Kb×As0.098∗∗∗(3.583)Kb×Rs-0.145∗∗∗(-4.814)ControlsYesYes_cons1.274∗∗∗1.280∗∗∗(4.469)(4.473)Industry/YearYesYesObs14 26814 268Adj_R20.2310.226
作为关键内部资源,冗余资源对企业知识边界拓展与服务化转型的支持作用可能因外部环境压力不同而变化。作为外部环境压力的重要表征,市场竞争强度可能会改变企业对冗余资源的利用需求和配置策略,从而影响冗余资源对知识边界拓展与服务化转型关系的调节效应。因此,本文进一步引入市场竞争强度作为二级调节变量,揭示冗余资源效用的外部依赖性及其与竞争环境的匹配关系,为更全面理解知识边界拓展在不同情境下对服务化转型的差异化影响效果提供支持。为验证交互调节效应,本文构建计量模型如下:
Seri,t=_consi,t+ω1Kbi,t+ω2Moi,t+ω3HHIi,t+ω4Kbi,t×Moi,t×HHIi,t+∑ωjXj,i,t+∑Indu_+∑Year+εi,t
(13)
式(13)中,HHIi,t为企业i第t年所处市场竞争强度,借鉴张蔼容和胡珑瑛(2023)的研究,采用赫芬达尔指数衡量市场竞争强度,指数值越大,表明企业所处市场越垄断,竞争强度越小。为便于分析,本文对该指数取负值以正向化处理,调整后的赫芬达尔指数越大,表明市场竞争强度越大。若式(13)中ω4系数显著,则说明冗余资源和市场竞争强度的交互调节效应成立。
表8汇报了交互调节效应检验结果,列(1)中知识边界拓展(Kb)、未吸收冗余资源(As)和市场竞争强度(HHI)的交互项在5%水平上显著为正,列(2)中知识边界拓展(Kb)、已吸收冗余资源(Rs)和市场竞争强度(HHI)的交互项在5%水平上显著为负。由此表明,在市场竞争强度较高的环境下,会增强未吸收冗余资源在知识边界拓展与服务化转型间的正向调节作用,也会强化已吸收冗余资源的负向调节作用。原因如下:一方面,在高度竞争的市场环境中,企业需要快速、高效地分配资源以应对外部压力。未吸收冗余资源因灵活性较高,能够支持企业快速响应和动态调整,为探索性服务创新提供容错空间,并通过促进知识共享与合作创新挖掘新的利润增长点,从而增强未吸收冗余资源的正向调节效应,助力企业服务化转型。另一方面,在高竞争环境下,企业往往会优先将资源集中于短期市场竞争需求,而已吸收冗余资源流动性较低,难以灵活适配服务化转型的长期战略目标。这种资源约束与竞争压力的叠加效应进一步放大了资源锁定的限制,削弱了知识边界拓展对服务化转型的正向推动作用,导致已吸收冗余资源的负向调节效应进一步增强。
表8 交互调节效应检验结果
Table 8 Results of mederated interaction effect test
变量Ser(1)(2)Kb0.073∗∗∗0.096∗∗∗(3.054)(4.552)As0.215∗∗∗(4.182)Rs-0.229∗∗∗(-4.214)HHI-0.102-0.125(-0.548)(-0.377)Kb×As×HHI0.054∗∗(2.548)Kb×Rs×HHI-0.249∗∗(-2.317)ControlsYesYes_cons1.445∗∗∗1.253∗∗∗(4.057)(3.879)Industry/YearYesYesObs142 6814 268Adj_R20.2140.221
经过基准回归和多重稳健性检验,已验证了数智技术应用对制造企业服务化转型的影响效果和作用机制,但企业所处地区、所属行业特征和产权性质差异可能导致不同的影响效果。因此,本文进一步从地理位置、科技属性和产权性质视角展开异质性分析。
4.4.1 地理位置差异
区域经济发展不均衡是我国二元经济结构的典型特征,东部地区经济发达,在数字基础设施建设、经济开放度和政策支持力度方面具有优势,数字经济产业发展较为领先,而中西部地区整体发展相对滞后(张慧和易金彪,2024)。区域间数字经济发展差距明显,不同地区企业数智化发展不均衡。因此,本文从区域异质性视角出发,依据国家统计局对经济区域的划分,将样本企业所处地区分为东部、中部、西部、东北,结果如表9列(1)～(4)所示。由表中数据可知,数智技术应用对不同区域制造企业服务化转型的促进效应存在显著差异。除东北地区外,东部、中部、西部地区数智技术应用对制造企业服务化转型均存在显著促进作用,影响效应呈现出东部>中部>西部>东北的态势。总体而言,东部地区数字经济发展较好,依托良好的营商环境,制造企业利用数智技术推动服务化转型的进程更快,实施效果更显著。因此,继续鼓励东部地区制造企业推动数智化和服务化转型,为其它地区提供发展经验,带动中西部以及东北地区制造企业转型升级。
表9 异质性分析结果
Table 9 Results of heterogeneity analysis
变量地理位置东部(1)中部(2)西部(3)东北(4)高新技术企业认定高新技术(5)非高新技术(6)产权性质国有企业(7)非国有企业(8)Dit0.689∗∗∗0.479∗∗∗0.431∗∗0.1680.627∗∗∗0.0530.632∗∗∗0.067∗(4.965)(3.436)(2.376)(1.534)(5.036)(0.946)(4.983)(1.917)ControlsYesYesYesYesYesYesYesYes_cons1.467∗∗∗1.435∗∗∗1.524∗∗∗1.287∗∗∗1.225∗∗∗1.245∗∗∗1.326∗∗∗1.269∗∗∗(4.058)(4.306)(4.446)(3.486)(4.441)(4.052)(4.259)(4.231)Industry/YearYesYesYesYesYesYesYesYesObs9 9182 4161 4504846 2328 0367 4156 853Adj_R20.2290.2360.2590.2180.2450.2240.2490.232组间系数差异P值0.014∗∗0.008∗∗∗0.019∗∗
注：组间系数差异P值采用费舍尔组合检验(抽样1 000次)得到
4.4.2 科技属性差异
从技术基础视角看,企业所处行业性质、技术特征差异可能导致其对数智技术应用和服务化转型的态度不同。相比于非高新技术企业,高新技术企业技术基础较好、知识密度较高,具有“天然的创新活力”(顾夏铭等,2018)。这类企业在服务化转型过程中,引入数智技术的融合效率可能更高。因此,本文借鉴王京滨等[48]的做法,参照中国证监会颁布的《上市公司行业分类指引》(2012年修订版),根据企业对技术创新的依赖程度,将研究样本划分为高新技术企业与非高新技术企业。其中,将属于医药制造业、仪器仪表制造业、铁路、船舶、航空航天和其它运输设备制造业、化学原料及化学制品制造业、化学纤维制造业、计算机、通信和其它电子设备制造业的样本企业界定为高新技术企业,其余则界定为非高新技术企业,结果如表9列(5)(6)所示。由表中数据可知,相比于非高新技术企业,高新技术企业数智技术应用对服务化转型的促进作用更强,费舍尔组合检验的P值小于0.01,说明两组间的系数存在显著性差异。高新技术企业技术基础较好,在引入和应用数智技术方面更具优势。从企业发展需求看,高新技术企业对技术创新的需求水平较高,更倾向于引进大数据、人工智能等技术促进产品和服务升级。因此,政府部门可有针对性地调整数字资源倾斜方向及程度,对高新技术企业给予更多引导和支持,帮助其利用数智技术实现个性化、定制化服务模式,以此提升其战略效果。
4.4.3 产权性质差异
从资源禀赋视角看,相较于其它性质企业,国有企业在数智化发展配套政策和数字资源支持方面具有一定的优势,对国家有关数字化与服务化融合发展等政策的响应也更为及时(张秀娥等,2024;邝嫦娥等,2024),因而利用数智技术推动服务化转型的效果可能与非国有企业存在差异。因此,本文依据企业最终控制人属性将样本企业分为国有企业和非国有企业,回归结果如表9列(7)(8)所示。由表中数据可知,相比于非国有企业,国有企业数智技术应用对服务化转型的促进作用更强,费舍尔组合检验的P值小于0.05,说明两组间的系数存在显著性差异。由此表明,国有企业在应用数智技术实现服务化转型方面的响应和实施效果更好,应进一步利用自身竞争优势,借助数智技术开展跨越组织边界创新活动,为非国有企业服务化转型路径选择提供借鉴。
数字经济发展为传统制造企业发展带来新的机遇,应用数智技术助推企业商业模式由产品主导逻辑向服务主导逻辑转变,已成为制造企业适应市场发展趋势、满足客户个性化需求的必经之路。本文以沪深A股制造业上市公司2013—2023年数据为研究样本,深入剖析了数智技术应用对制造企业服务化转型的影响效果,以及知识边界拓展在这一过程中的中介作用,探究了未吸收冗余资源和已吸收冗余资源的差异化调节作用,并进一步引入市场竞争强度为二级调节变量,分析了冗余资源与市场竞争强度的交互调节效应,得出以下主要结论:
(1)数智技术应用能够显著促进制造企业服务业务收入增长,助推企业服务化转型,在考虑内生性问题和经过一系列稳健性检验后,研究结论依旧成立。已有相关研究虽对数智化与服务化交叉领域展开了积极探索,但更多聚焦于案例分析和系统综述,本文从技术视角出发展开实证研究,弥补了这一不足。
(2)通过机制检验发现,数智技术应用能够促进制造企业知识边界拓展,而知识边界拓展有助于企业实现服务化转型,且在数智技术应用和制造企业服务化转型之间发挥部分中介作用。已有研究更多探索数智化与服务化的耦合交互效应,对数智技术影响企业服务化转型的作用机制缺乏探索。本文从知识边界拓展视角出发,为制造企业应用数智技术助推服务化转型提供新思路。
(3)未吸收冗余资源、已吸收冗余资源对知识边界拓展与制造企业服务化转型间关系发挥差异化调节作用,未吸收冗余资源能够强化知识边界拓展与制造企业服务化转型间的正向关系,而过多的已吸收冗余资源则会阻碍知识边界拓展对制造企业服务化转型的促进作用。引入市场竞争强度二级调节变量后发现,在高竞争环境中,未吸收冗余资源的正向调节效应和已吸收冗余资源的负向调节效应均得以强化。
(4)异质性分析表明,数智技术应用对东部地区企业、高新技术企业和国有企业服务化转型的促进作用更加显著。
(1)从技术应用视角丰富了制造企业服务化转型驱动因素研究成果,突出了数智技术的关键作用。已有研究更多关注人工智能、大数据、物联网等单一技术对企业战略转型及绩效的影响,而同时采用多种技术是企业转型过程中的技术应用现状。本文从数智技术这一新兴技术集合体出发,揭示了数智技术及其子维度对企业服务化转型的影响效果,响应了Favoretto等[3]对探讨新兴数智技术在服务化中作用的呼吁,丰富了数智化与服务化交叉领域研究。
(2)拓展了知识基础观的应用范围,从知识边界拓展角度揭示了数智技术应用与服务化转型之间的作用机制。已有研究从技术创新、动态能力等视角剖析数智化与服务化间的作用机制,而知识作为企业开发新产品和新服务、实现转型升级的关键战略资源,知识边界拓展能够促进企业知识资源积累,从而为企业服务化转型提供智力资本。本文为数智时代制造企业服务化转型路径选择提供了新视角。
(3)揭示了未吸收冗余资源、已吸收冗余资源在知识边界拓展与企业服务化转型间的差异化调节作用,丰富了知识边界拓展与冗余资源储备匹配策略研究。同时,通过引入市场竞争强度这一外部环境变量,揭示了企业内部冗余资源与外部市场竞争强度的交互调节效应,从内外情境视角丰富了知识边界拓展对企业服务化转型影响的边界效应研究。
(1)制造企业需积极适应数智化发展趋势,将数智技术融入服务价值创造流程,提升服务化转型效率。一方面,加强网络基础设施建设,搭建大数据、区块链、云计算等底层技术架构,为组织内外部技术、经验等隐性知识传播与共享提供平台。另一方面,依托数智技术发展场景应用创新,推动智能制造、智能中台、元宇宙等场景发展,拓展外部合作,带动金融、咨询、租赁等专业性服务业务扩张,为企业挖掘更多服务业务利润增长点。此外,激励东部地区制造企业借助数智技术进一步促进服务化转型,发挥数智技术在突破地理距离上的优势,促进技术知识向中西部地区溢出和扩散,加快中西部地区制造企业服务化转型进程,促进区域间均衡发展。强化国有企业的模范带头作用和高新技术企业的技术基础优势,动态调整数字资源倾斜程度,为全产业数字服务化转型升级提供指导。
(2)利用数智技术积极开展跨界创新合作,拓展企业知识边界,为服务化转型积累充足的智力资本。一方面,企业管理者要充分借助工业互联网等技术实现供应链合作伙伴、高校、科研院所等主体间互联互通,突破传统组织边界,开展跨界合作创新,推动企业产品和服务升级、迭代。这一过程有助于企业获取前沿知识,深入了解客户需求,从而推动以产品为主的生产模式向以客户需求为中心的服务主导模式转型。另一方面,企业要依托数智技术构建知识管理系统,对跨界知识进行分类存储,明确知识来源和用途,逐渐构建自身知识体系,实现客户数据和反馈信息的系统化存储与管理,驱动服务创新,进一步提升服务化转型绩效。此外,政府部门可及时出台配套知识资源保护政策,引导企业加强知识产权保护,完善知识资源保障体系,同时加大对知识盗用行为的打击力度,营造和谐的营商环境,为企业知识边界拓展提供基础保障。
(3)企业需要结合冗余资源积累现状,动态调整数智化与服务化发展战略。当未吸收冗余资源积累较为充足时,企业可以充分利用该类资源的灵活性和缓冲性,大胆尝试探索式创新,与外部主体积极开展创新合作,拓展金融、咨询、租赁等专业性服务业务范围。当已吸收冗余资源积累较多时,企业可灵活调度的资源比较有限,重新启用已吸收冗余资源的协调成本较高。此时,企业需尽可能地在邻近、熟悉的技术领域开展合作创新,将更多资源用于产品更新迭代,围绕现有产品优化增值服务,从而促进服务化转型绩效提升。同时,企业需要根据市场竞争强度调整冗余资源储备策略。当市场竞争较为激烈时,企业可适当增加未吸收冗余资源积累,以更好地利用知识边界拓展助力服务化转型。
本文存在以下不足:第一,本研究从知识基础观视角出发,剖析了知识边界拓展在数智技术应用和制造企业服务化转型间的作用机制。事实上,数智技术对制造企业服务化转型的影响机制可能具有多元化特征,未来可以从创新资源、平台能力等视角探究更多作用路径。第二,制造企业服务化转型是多阶段的,所提供的服务包含简单的增值服务和复杂的解决方案服务。考虑到数据可得性,本研究并未对企业所提供的服务级别进行划分,未来可结合案例分析,基于企业生命周期和所提供服务的复杂度进一步细化数智技术对服务化转型的差异化影响。
[1] EGGERT A, HOGREVE J, ULAGA W, et al. Revenue and profit implications of industrial service strategies[J]. Journal of Service Research, 2014, 17(1): 23-39.
[2] 陈剑, 刘运辉. 数智化使能运营管理变革: 从供应链到供应链生态系统[J]. 管理世界, 2021, 37(11): 227-240, 14.
[3] FAVORETTO C, MENDES G H S, OLIVEIRA M G, et al. From servitization to digital servitization: how digitalization transforms companies' transition towards services[J]. Industrial Marketing Management, 2022, 102: 104-121.
[4] SHEN L,SUN W Q,PARIDA V.Consolidating digital servitization research:a systematic review, integrative framework, and future research directions[J].Technological Forecasting and Social Change,2023,191:122478.
[5] 崔连广, 冯永春, 王玲, 等. 从产品主导到价值主导: 制造企业数智化解决方案开发研究——基于威猛1998—2022年探索性单案例分析[J]. 南开管理评论, 2023, 26(2): 245-256.
[6] 苗翠芬. 人工智能与制造业服务化[J]. 经济与管理研究, 2023, 44(7): 22-39.
[7] 陈洪章, 黎绍凯, 汤晓军. 工业机器人应用与企业服务化转型[J]. 当代财经, 2024,24(7): 116-131.
[8] 余东华, 张恒瑜. 制造业企业如何通过数智化转型突破“服务化困境”[J]. 甘肃社会科学, 2022,41(6): 203-217.
[9] 于宝君, 宫婷婷, 朱慧敏, 等. 数智技术应用与制造企业服务化转型——创新资源配置及双元创新能力的链式中介作用[J]. 科技进步与对策,2025,42(8):57-68.
[10] 尚晏莹, 蒋军锋, 王修来. 数据赋能驱动制造企业服务化的机理——基于探索性多案例扎根分析[J]. 系统管理学报, 2022, 31(4): 722-736.
[11] JUNG H J,LEE J.The quest for originality: a new typology of knowledge search and breakthrough inventions[J]. Academy of Management Journal, 2016, 59(5): 1725-1753.
[12] CROSSAN M M. The knowledge-creating company: how Japanese companies create the dynamics of innovation[J]. Journal of International Business Studies, 1996, 27(1): 196-201.
[13] 孙永波, 丁沂昕, 杜双. 冗余资源、资源拼凑与创业机会识别的非线性关系研究[J]. 科研管理, 2022, 43(1): 105-113.
[14] 孙卫, 张凌祥, 林子鹏. 质量管理实践对企业创新绩效的影响——市场竞争强度的调节作用[J]. 科技进步与对策, 2021, 38(7): 95-104.
[15] CASTKA P, DONOVAN J, RUI S S. Pathways of development of dynamic capabilities for servitization transformation: a longitudinal multi-case study[J]. Industrial Marketing Management, 2024, 116: 66-81.
[16] KOHTAM
KI M, PARIDA V, PATEL P C, et al. The relationship between digitalization and servitization: the role of servitization in capturing the financial potential of digitalization[J]. Technological Forecasting and Social Change, 2020, 151: 119804.
[17] ZHANG J N, SUN X H, DONG Y, et al. The impact of servitization on manufacturing firms′ market power: empirical evidence from China[J]. Journal of Business &Industrial Marketing, 2023, 38(3): 609-621.
[18] PASCHOU T, RAPACCINI M, ADRODEGARI F, et al. Digital servitization in manufacturing: a systematic literature review and research agenda[J]. Industrial Marketing Management, 2020, 89: 278-292.
[19] TRONVOLL B, SKLYAR A, SÖRHAMMAR D, et al. Transformational shifts through digital servitization[J]. Industrial Marketing Management, 2020, 89: 293-305.
[20] GAO J, ZHANG W F, GUAN T, et al. Influence of digital transformation on the servitization level of manufacturing SMEs from static and dynamic perspectives[J]. International Journal of Information Management, 2023, 73: 102645.
[21] 唐国锋, 李丹. 工业互联网背景下制造业服务化价值创造体系重构研究[J]. 经济纵横, 2020,28(8): 61-68.
[22] GARCIA MARTIN P C, SCHROEDER A, ZIAEE BIGDELI A. The value architecture of servitization: expanding the research scope[J]. Journal of Business Research, 2019, 104: 438-449.
[23] XIE X M, HAN Y H, ANDERSON A, et al. Digital platforms and SMEs′ business model innovation: exploring the mediating mechanisms of capability reconfiguration[J]. International Journal of Information Management, 2022, 65: 102513.
[24] YAN W, XIONG Y Y, GU A W, et al. Digital technology and enterprise knowledge management: literature review and theoretical framework construction[J]. Asia Pacific Business Review, 2023, 29(4): 931-949.
[25] O′REILLY C A, TUSHMAN M L. Ambidexterity as a dynamic capability: resolving the innovator′s dilemma[J]. Research in Organizational Behavior, 2008, 28: 185-206.
[26] WAN Y L, GAO Y C, HU Y M. Blockchain application and collaborative innovation in the manufacturing industry: based on the perspective of social trust[J]. Technological Forecasting and Social Change, 2022, 177: 121540.
[27] HOLSTE J S, FIELDS D. Trust and tacit knowledge sharing and use[J]. Journal of Knowledge Management, 2010, 14(1): 128-140.
[28] 黄宏斌, 梁慧丽, 许晨辉. 数字化转型驱动了企业协同创新吗[J]. 现代财经(天津财经大学学报), 2023, 43(11): 96-113.
[29] 李健, 张金林, 董小凡. 数字经济如何影响企业创新能力: 内在机制与经验证据[J]. 经济管理, 2022, 44(8): 5-22.
[30] VALTAKOSKI A. Explaining servitization failure and deservitization: a knowledge-based perspective[J]. Industrial Marketing Management, 2017, 60: 138-150.
[31] KAMALALDIN A, LINDE L, SJODIN D, et al. Transforming provider-customer relationships in digital servitization: a relational view on digitalization[J]. Industrial Marketing Management, 2020, 89: 306-325.
[32] WANG L J, WANG W W, LI Q X. Research on the impact of boundary-spanning search on the sustainable development ability of service-oriented manufacturing enterprises: evidence from Chinese listed companies[J]. Journal of Organizational Change Management, 2023, 36(1): 3-20.
[33] 周鑫雪, 郭林林, 王天梅. 交互记忆系统视角下顾客参与共同设计对定制企业价值共创效果的影响[J]. 管理学报, 2024, 21(3): 350-358.
[34] LI Y, ZHANG Y, XU J P, et al. The impacts of customer involvement on the relationship between relationship quality and performance[J]. Journal of Business &Industrial Marketing, 2019, 35(2): 270-283.
[35] TAN J, PENG M W. Organizational slack and firm performance during economic transitions: two studies from an emerging economy[J]. Strategic Management Journal, 2003, 24(13): 1249-1263.
[36] ZHOU D, WU Q H, LEE S, et al. Unpacking the mechanism linking digital servitization and manufacturing firm performance: the role of the service networks and slack resources[J]. Journal of Business &Industrial Marketing, 2024, 39(2): 189-205.
[37] PAELEMAN I, VANACKER T. Less is more, or not? on the interplay between bundles of slack resources, firm performance and firm survival[J]. Journal of Management Studies, 2015, 52(6): 819-848.
[38] GUO F, LI Y J, MARUPING L M, et al. Complementarity between investment in information technology (IT) and IT human resources: implications for different types of firm innovation[J]. Information Systems Research, 2023, 34(3): 1259-1275.
[39] TYLER B B, CANER T. New product introductions below aspirations, slack and R&D alliances: a behavioral perspective[J]. Strategic Management Journal, 2016, 37(5): 896-910.
[40] SU M-F, CHENG K C, CHUNG S H, et al. Innovation capability configuration and its influence on the relationship between perceived innovation requirement and organizational performance[J]. Journal of Manufacturing Technology Management, 2018, 29(8): 1316-1331.
[41] KIM H, KIM H, LEE P M. Ownership structure and the relationship between financial slack and R&D investments: evidence from Korean firms[J]. Organization Science, 2008, 19(3): 404-418.
[42] KOLAGAR M, REIM W, PARIDA V, et al. Digital servitization strategies for SME internationalization: the interplay between digital service maturity and ecosystem involvement[J]. Journal of Service Management, 2022, 33(1): 143-162.
[43] WANG H J, JIAO S P, BU K, et al. Digital transformation and manufacturing companies′ ESG responsibility performance[J]. Finance Research Letters, 2023, 58: 104370.
[44] WANG C L, RODAN S, FRUIN M, et al. Knowledge networks, collaboration networks, and exploratory innovation[J]. Academy of Management Journal, 2014, 57(2): 484-514.
[45] LEWBEL A. Constructing instruments for regressions with measurement error when no additional data are available,with an application to patents and R&D[J]. Econometrica,1997,65(5):1201.
[46] BERNARD A B, FORT T C. Factoryless goods producing firms[J]. American Economic Review, 2015, 105(5): 518-523.
[47] CHEN Y S, CHANG K C. Using the entropy-based patent measure to explore the influences of related and unrelated technological diversification upon technological competences and firm performance[J]. Scientometrics, 2012, 90(3): 825-841.
[48] 王京滨, 刘赵宁, 刘新民. 数字化转型与企业全要素生产率——基于资源配置效率的机制检验[J]. 科技进步与对策, 2024, 41(3): 23-33.