The Influence of Digital Capability on Iterative Innovation: The Chain Mediating Role of Knowledge Field Activity and Resource Reconstruction

Hu Haichen , Liu Zhenyuan

(School of Economics and Management, Shihezi University, Shihezi 832000, China)

Abstract：The burgeoning digital economy has emerged as a new lever for global economic growth. In this context, the high-frequency innovation and normalized uncertainty of the digital economy have profoundly impacted and disrupted the traditional "waterfall" model of innovation. There is an urgent need for enterprises to break through conventional innovation paradigms to overcome issues such as long product value delivery cycles, poor market flexibility, and significant customer feedback delays. Iterative innovation, characterized by rapid experimentation, repeated trial and error, and continuous adjustment, has overcome the constraints of long innovation cycles and high uncertainty, enabling rapid product and technology innovation, providing a crucial solution for enterprises to address the innovation challenges of the digital economy. With the emergence of digital technologies such as big data, artificial intelligence, and cloud computing, data has become a key factor of production for enterprises. On one hand, digital capabilities help activate the potential of data elements and transform data into key resource elements to drive corporate digital transformation and empower iterative innovation. On the other hand, digital capabilities endow enterprises with strong connectivity, aiding them in breaking through the limitations of innovation boundaries, technological distances and cultural differences, overcoming the constraints of "information silos" and "data barriers", and collaborating with diverse innovation entities to share data resources and drive innovation updates. However, existing research seldom delves into the openness and dynamism inherent in iterative innovation, and there is a scarcity of studies that integrate knowledge base theory and dynamic capability theory to comprehensively elucidate the intrinsic mechanisms.

Thus, this study, grounded in knowledge-based theory and dynamic capability theory, constructs a "digital capabilities—knowledge field activity—resource reconfiguration—iterative innovation" chain-mediated model. Employing hierarchical regression analysis and fuzzy-set qualitative comparative analysis, the study conducts an empirical analysis of 342 samples from regions such as Northwest and Central China. It explores the mechanisms by which digital capabilities influence corporate iterative innovation and further analyzes the configurational effects of the sub-dimensions of digital capabilities, knowledge field activity, and resource reconfiguration on corporate iterative innovation.

The study's findings indicate the following key points:(1) digital capabilities can effectively promote iterative innovation; (2) digital capabilities enhance iterative innovation by strengthening knowledge field activity and stimulating resource reconfiguration; (3) furthermore, digital capabilities can facilitate resource reconfiguration through the enhancement of knowledge field activity, thereby promoting iterative innovation; (4) the configuration analysis results show that no single antecedent condition can independently become a necessary condition for driving high levels of corporate iterative innovation. High levels of corporate iterative innovation are influenced by the "multiple concurrency" of sub-dimensions of digital capabilities, knowledge field activity, and resource reconfiguration, constituting capability-driven pathways and synergistic interaction pathways.

The theoretical contributions of this study are primarily reflected in three aspects. First, this study incorporates digital capabilities into the research framework of iterative innovation and deconstructs the impact of different dimensions of digital capabilities on iterative innovation, extending the theoretical boundaries of iterative innovation research. Second, on the basis of the knowledge-based view and dynamic capabilities theory, it builds a logical bridge between digital capabilities and iterative innovation from the dual perspectives of knowledge field activity and resource reconfiguration, revealing the "black box" of the mechanisms by which digital capabilities affect iterative innovation. Third, from a configurational perspective, it analyzes the complex causal relationships between digital capabilities, knowledge field activity, resource reconfiguration, and iterative innovation, which is conducive to revealing the matching patterns between the sub-dimensions of "digital capabilities-knowledge field activity-resource reconfiguration" and the complementary and substitutive effects among variables. It also identifies the core conditions and multiple configurational pathways for achieving high levels of corporate iterative innovation, greatly enriching the research outcomes of iterative innovation. Future research could introduce other contextual variables, such as environmental uncertainty and knowledge inertia. This would enable the examination of the influence of digital capabilities on the chain mediation of iterative innovation in enterprises across diverse contexts, providing a more comprehensive and in-depth understanding of the complex dynamics.

Key Words：Digital Capability; Iterative Innovation; Knowledge Field Activity;Resource Reconstruction

收稿日期：2024-09-24

修回日期：2024-12-14

基金项目：国家社会科学基金一般项目(23BGL115)

作者简介：胡海晨(1975-),男,四川南充人,博士,石河子大学经济与管理学院教授、博士生导师,研究方向为创新管理;刘珍园(1994-),女,河南郑州人,石河子大学经济与管理学院博士研究生,研究方向为数字创新管理。

DOI：10.6049/kjjbydc.2024090639

开放科学(资源服务)标识码(OSID)：

中图分类号：F270

文献标识码：A

文章编号：1001-7348(2026)07-0035-11

0 引言

《数字中国发展报告(2022年)》显示,中国数字经济规模总量2022年达到50.2万亿元,位列全球第二,其在国内生产总值中的占比达到41.5%。数字经济领域内的持续创新对传统线性创新模式产生了巨大的冲击[1]。企业需要超越常规,突破传统创新范式,克服产品交付周期长、市场灵活性差、顾客反馈严重滞后等问题[2]。迭代式创新能够通过快速试验、反复试错、不断调整突破创新周期长和不确定性高的桎梏,实现产品和技术更迭创新[3],为企业应对新形势,把握发展新机遇提供重要出路。李阳和许晖等(2024)发现,迭代式创新逐渐成为中国企业实现关键核心技术突破的重要手段。因此,有必要深入探究驱动企业迭代式创新的关键影响因素及作用机制。

回顾迭代式创新相关研究,学者们围绕解构迭代式创新过程和挖掘迭代式创新影响因素两个方面展开研究。魏龙和党兴华(2018)基于间断均衡视角,探讨常规惯例和柔性惯例交替组合的跨期性耦合对迭代式创新的影响,并揭示结构洞生成与填充的微观变化过程,丰富了迭代创新过程中的多维共演机制;朱晓红等[1]基于动态能力视角,运用案例研究方法,构建平台型企业迭代式创新“开发—测量—认知”动态循环演化模型。也有学者从资源视角探究了知识耦合(侯佳雯和陈怀超,2022)、知识跨界搜寻[4]以及技术交流(特木钦和王琨,2021)对新旧知识更迭创新和技术轨迹突破的影响;从绩效反馈视角解析了期望落差[3]、创业预期(姜诗尧,2020)对迭代式创新的作用机制。现有研究对迭代式创新驱动因素进行了深入探讨,但鲜有关注数字经济背景下数字化能力与企业迭代式创新的关系。数字化能力不仅是企业挖掘数据要素潜力、实现数据价值创造的核心能力[5],也是企业拓展创新视野、突破数据壁垒的关键能力[6]。由此,探究数字化能力对迭代式创新的影响可为企业应对数字经济挑战提供理论指导。

迭代式创新本质上是一种为了适应动态环境而持续变化创新思维的开放式创新[7]。这意味着企业需要突破创新边界,与不同创新主体交互合作以获取创新知识和资源,并通过整合内外部知识资源,持续推动创新动态优化,以应对外部环境变化。根据知识基础理论,企业可以利用数字化能力通过自主搜寻和合作创新两种方式获取知识资源,解决迭代式创新面临的资源约束问题[8-9]。其中,合作创新会推动具有不同知识禀赋的主体实现知识流动和转化,从而激发知识场活性[10]。知识场活性提升又进一步推动场域内不同主体间知识转移、交换、共享和创新[11],为迭代式创新持续注入新的知识资源。本文认为,知识场活性可能在数字化能力驱动迭代式创新过程中发挥缔结作用。根据动态能力理论,企业通过对获取的内外部资源进行整合、构建、重新配置响应市场需求变化,捕获创新机会,从而推动迭代式创新持续优化[12]。由此,资源重构可能在数字化能力驱动迭代式创新过程中发挥缔结作用。然而,现有研究鲜少基于迭代式创新的开放性和动态性,整合知识基础理论和动态能力理论以揭示其内在机理。

基于上述分析,本文致力于回答以下问题:数字化能力能否促进企业迭代式创新?知识场活性与资源重构是否是构成数字化能力驱动企业迭代式创新的关键途径?数字化能力、知识场活性、资源重构三者如何协同作用引致高企业迭代式创新?本文基于知识基础理论和动态能力理论探究数字化能力对企业迭代式创新的影响机制,并利用fsQCA 方法进一步厘清多种因素对企业迭代式创新的“联动效应”及不同因素间的互动关系,揭示引致高企业迭代式创新的多条等效路径,以期为企业实施迭代式创新提供新思路。

1 理论分析与研究假设

1.1 数字化能力与迭代式创新

数字化能力是在数字技术驱动下,识别机会和整合内外资源、敏捷响应环境变化,进而捕获竞争优势的高阶动态能力[13]。易加斌等(2022)进一步将上述能力细化为3个关键维度,即数字感知能力、数字运营能力、数字资源协同能力。具体而言,数字感知能力是企业洞察外部环境中的机遇与挑战,并评估是否具有数字创新潜力的能力。数字运营能力涉及企业利用行业和市场大数据分析,设计数字化研发、生产、分销、推广、管理与服务方案的能力。数字资源协同能力是企业整合、协调内外部资源,以实现互补性资源和竞争性资源协同的能力。

迭代式创新发轫于企业敏捷迭代开发[7],是持续创新导向下,不断调整、反复修正以逼近创新目标的重复反馈过程[3]。不同于封闭性、长周期及应对市场变化能力较弱的传统创新模式,迭代式创新以其参与广泛性、创新快速性、改进持续性、反馈及时性等特点[14],与复杂、动荡和不确定性的外部情境相契合[1]。

根据知识基础理论,新的、有价值的知识与信息是企业获取竞争优势的根本来源(Grant,1996;Nickerson & Zenger,2004)。数字化能力有助于企业扩大外部资源搜索范围,降低资源搜寻成本[9],构建全面的数据资源获取和分析体系,充分释放数据要素资源价值,对市场需求、客户偏好和竞争态势进行精准识别与预测,从而有效推进迭代式创新。首先,易加斌等(2022)认为,数字感知能力是企业洞察数字经济环境,识别、捕获创新机会,以应对复杂动态环境变化的关键能力。因此,具有数字感知能力的企业能够快速扫描外部环境,识别技术变革趋势和产业政策指引,敏锐捕捉顾客需求并洞悉市场动态,抓住创新机遇,进而成功开展迭代式创新。其次,企业利用数字技术对数据资源进行分析,进而改进产品或服务等,提升迭代式创新效率[15]。借助数字运营能力,企业能够利用大数据分析行业和市场情况,针对顾客需求反馈持续优化研发、生产等方面解决方案。在上述过程中,企业构建数据反馈循环机制[16],进而推动产品、技术和服务持续改进更迭。最后,借助数字资源协同能力,企业能够拓展迭代式创新参与主体互动边界,实现数据资源流动和共享,通过整合互补性资源和竞争性资源弥补自身不足,从而持续推进迭代式创新。基于以上论述,本文提出如下假设:

H1:数字化能力对迭代式创新具有显著正向作用。

H1a:数字感知能力对迭代式创新具有显著正向影响;

H1b:数字运营能力对迭代式创新具有显著正向影响;

H1c:数字资源协同能力对迭代式创新具有显著正向影响。

1.2 知识场活性的中介作用

知识场是不同知识主体实现跨组织知识转移、分享、再造的理论空间[11]。知识场活性是指具有相同价值观和知识共享愿景的主体在交流空间内的互动程度(金珺等,2020),具体包括知识场活跃程度和开放程度。场域内主体间的合作关系和频繁互动意味着知识场活跃度较高;场域内主体高更换率和高接受度意味着知识场开放度较高(甘静娴和戚湧,2018)。

根据知识基础理论,不同主体间的合作交互能够促进知识和资源流动,构建活跃交互的知识场(王象路等,2023)。数字化能力赋予企业强大的连接力,有助于企业与多元创新主体实现合作交互[6],进而促进知识跨主体转移和扩散,激发知识场活性。首先,借助数字感知能力, 企业能够获取技术变革、政策导向以及市场需求趋势等关键信息,进而与不同主体实现合作交流,激发知识场活性。其次,借助数字运营能力,企业能够将资源、创新机会转化为符合市场和利益相关者需求的方案。该过程涉及企业与客户、合作企业、研发机构等主体深度知识交互,有助于企业实现场域内知识转移和创新,从而形成高活跃度的知识场。最后,数字资源协同能力有助于企业吸纳多元知识主体,有效拓展场域内知识主体交互合作范围和边界,进而提升知识场开放度。

Nonaka[11]指出,知识创新是基于知识场域内隐性知识与显性知识交替作用、相互转换的结果。高活跃度的知识场有助于企业与不同知识主体进行深度交互,有效增进企业知识流量、拓展知识存量,充分发挥知识聚合效应,进而为企业迭代式创新构建丰富的知识池。同时,高活跃度的知识场能够推动隐性知识显性化[17],加强企业对知识的理解和应用,促进知识创新,进而提高迭代式创新效率。高开放度的知识场能够拓宽企业外部知识资源链接渠道,促进不同领域知识链交叉,推动知识跨领域流动和耦合,有助于企业突破同质化知识过度积累导致的认知锁定与技术路径依赖[18],识别出更多前沿知识,促进新创意迸发[10],进而为迭代式创新提供有价值的构想。为此,本文提出如下假设:

H2:知识场活性在数字化能力与迭代式创新之间发挥中介作用。

H2a:知识场活跃度在数字化能力与迭代式创新之间发挥中介作用;

H2b:知识场开放度在数字化能力与迭代式创新之间发挥中介作用。

1.3 资源重构的中介作用

资源重构是指组织围绕特定目标对现有资源进行重新整合、架构和配置,以实现资源多元化利用和创新性组合,其涵盖资源重组和资源重置两个维度(周丹和魏江,2014)。资源重组强调资源间的相互作用,即融合形成新资源并创造新资源组合;资源重置强调对资源的重新分配,如引入或剥离某些资源,而不涉及资源间的相互作用。

根据知识基础理论,数字化能力有助于企业实现外部资源和知识嵌入,进而为资源重构提供资源保障[9]。首先,数字感知能力有助于企业洞察新技术领域和市场变化趋势,获得更多前瞻技术和新兴资源[13]。新资源嵌入既能盘活企业沉睡资源,还能促使企业对新旧资源进行配置,从而触发资源重构。其次,借助数字化运营能力,企业能够针对顾客和利益相关者需求反馈优化需求解决方案。上述过程涉及对不同资源的系统化分类和编排,能够激发企业资源重构行为,形成新的资源链接方式,从而提高资源组合潜力。最后,借助数字资源协同能力,企业能够与多方创新主体建立联系,通过构建数字资源和信息互动合作平台不断吸收外部互补性资源与竞争性资源,确保资源重构持续、稳定推进[12]。

由动态能力理论可知,整合、构建和重新配置的资源行动是企业灵活应对环境变化、满足市场需求、维持竞争优势的重要手段(胡保亮等,2019)。作为应对高频创新和不确定性常态化情境、把握迭代式创新机会的资源行为,资源重构能够提升资源价值潜力并促进企业创新。具体而言,通过新旧资源间的“化学变化”,资源重组能够带来新颖性、多元化资源组合。上述过程能够深化企业对现有资源体系的理解和认识,促使企业通过新方式挖掘和利用现有资源,加快产品改进和技术升级,从而实现迭代式创新[19]。资源重置有助于企业通过引入外部先进技术、流程以及产品方案优化技术与管理流程,从而为迭代式创新提供具有时效性与针对性的资源组合。在上述过程中,企业对新旧资源进行优化配置,提高资源利用效率,迅速响应市场前沿需求,快速更新产品和技术,为成功进入新市场创造条件。为此,本文提出如下假设:

H3:资源重构在数字化能力与迭代式创新之间发挥中介作用。

H3a:资源重组在数字化能力与迭代式创新之间发挥中介作用;

H3b:资源重置在数字化能力与迭代式创新之间发挥中介作用。

1.4 知识场活性与资源重构的链式中介作用

根据知识基础理论,活性知识场承载大量知识转移、交换和创造活动,能够促使企业对现有知识资源进行挖掘利用,进而激活资源重构。一方面,活跃度高的知识场能够为知识协同交互营造良好的空间,推动显性与隐性知识相互转化,帮助企业获取更多关键性资源和内隐性知识[17]。新知识和资源嵌入使得原有资源关系被颠覆,从而触发资源重组。另一方面,开放度高的知识场能够持续吸纳新知识主体,使企业有机会连接多元化知识主体,进而获得更多异质性前沿知识和资源[10]。前沿知识摄入既能提升资源重组潜力[12],又可为企业摆脱既有经验与旧有惯例束缚创造机会。为此,本文提出如下假设:

H4:知识场活性和资源重构在数字化能力与迭代式创新之间发挥链式中介作用。

H4a:知识场活跃度和资源重组在数字化能力与迭代式创新之间发挥链式中介作用;

H4b:知识场活跃度和资源重置在数字化能力与迭代式创新之间发挥链式中介作用;

H4c:知识场开放度和资源重组在数字化能力与迭代式创新之间发挥链式中介作用;

H4d:知识场开放度和资源重置在数字化能力与迭代式创新之间发挥链式中介作用。

综上所述,本文构建研究模型如图1所示。

2 研究设计

2.1 研究样本与数据收集

本文样本企业选择主要基于以下考虑:在调研对象上,主要选择对企业数字化与研发创新情况较为了解的中高层管理人员;在地域选择上,调研范围涵盖西北、华中、长三角和京津冀等地区部分城市;在行业领域上,主要选择研发创新频率高、复杂性高并涉及跨边界合作的高新技术企业。数据收集过程主要分为两个阶段:第一阶段为预调研阶段。研究团队从在校 MBA 学员中选取40名符合样本选择标准的企业中高层管理人员进行预调研,并根据调研对象反馈对问卷部分语句进行小幅度调整。第二阶段为正式调研阶段。一是利用问卷星生成问卷链接,委托第三方调研平台发放问卷,扩大调研范围;二是通过发送电子邮件等方式联系符合条件的校友和MBA学员填写问卷。数据调研共发放370份问卷,在剔除未填写完整和存在严重缺失值的无效问卷后,收回有效问卷342份,有效回收率为92%。最终样本数据显示,在企业性质上,私营企业和合资企业占比较大,分别为44.7%和27.8%,外商独资或其它企业占比为18.1%,国有企业占比最少,为9.4%。在企业规模上,500～1 000人规模的企业占比最多,为44.4%,100～500人规模的企业占比第二,为27.5%,2 000人以上规模的企业占比最少,为2.3%。在企业成立年限上,成立6～10年的企业占比最多,为41.5%,其次为成立5年以下的企业,占比为30.1%,成立20年以上的企业占比最少,为4.7%。在企业所属行业上,电器机械、仪器仪表制造业企业占比最多,为31.9%,石油加工、炼焦以及橡胶和塑料制造业企业占比为24.6%,医药、化学原料及化学制品制造业企业占比为15.5%,计算机、通信和其它电子设备制造业企业占比为12.6%,智能设备及机器制造业企业占比为11.4%,其它占比为4.1%。

2.2 测量工具

借鉴国内外成熟量表,本文各变量量表均采用Likert 5点计分法(1=完全不符合;5=完全符合)。借鉴易加斌(2022)的研究成果,数字化能力量表包括数字感知能力、数字运营能力、数字资源协同能力3个维度,共15个题项。借鉴李玲(2011)的研究成果,知识场活性量表包括知识场活跃度和知识场开放度两个维度,共8个题项。借鉴胡保亮等(2019)研究成果,资源重构量表包括资源重组和资源重置两个维度,共8个题项。迭代式创新借鉴魏龙和党兴华[3]研究成果,共4个题项。此外,借鉴已有研究,本文选取企业性质、企业成立年限、企业规模、企业所属行业作为控制变量。

3 实证结果与分析

3.1 共同方法偏差检验

为排除可能存在的共同方法偏差,本文采用Harman单因子检验方法对量表条目进行探索性因子分析。分析结果显示,有8个特征根超过1的因子,且第一因子解释的总变异为27.585%,说明不存在共同方法偏差。

3.2 信度与效度检验

表1结果显示,除资源重组的Cronbach's α值为0.799外,其余变量的Cronbach's α值均大于0.800,说明量表信度较高。同时,所有变量的因子载荷均大于0.5,CR值均大于0.7,AVE值均不低于0.5,说明量表聚合效度较高。表2验证性因子分析结果显示,八因子模型在各模型中拟合度最高(χ2/df=1.182;RMSEA=0.023;CFI=0.982;IFI=0.982;TFI=0.980),说明模型具备较高的区分效度。

3.3 相关性分析

表3显示,所有变量间相关系数在0.01水平上显著相关。由此,变量间正相关关系初步得到验证。此外,变量间Person相关系数均未超过临界值0.70,说明解释变量间不存在严重多重共线性问题。

3.4 假设检验

3.4.1 直接效应检验

由表4可知,在控制企业特征的基础上,数字化能力(β=0.520,p<0.001)对迭代式创新具有显著正向影响,假设H1成立。进一步检验发现,数字感知能力(β=0.466,p<0.001)、数字运营能力(β=0.427,p<0.001)以及数字资源协同能力(β=0.466,p<0.001)对迭代式创新具有显著正向影响,假设H1a、H1b、H1c成立。

3.4.2 知识场活性的中介效应检验

本文采用层次回归分析方法检验知识场活性的中介作用。表5显示,M5中数字化能力显著正向影响知识场活性(β=0.224,p<0.001),M8中在数字化能力基础上,知识场活性显著正向影响迭代式创新(β=0.163,p<0.01),且数字化能力对迭代式创新仍具有显著影响(β=0.577,p<0.001)。因此,知识场活性在数字化能力与迭代式创新之间发挥部分中介作用,假设H2成立。由以上推理可知,M6中数字化能力对知识场活跃度具有显著正向影响(β=0.236,p<0.001),M9中数字化能力(β=0.583,p<0.001)和知识场活跃度(β=0.131,p<0.01)对迭代式创新均具有显著正向影响。由此可知,知识场活跃度在数字化能力与迭代式创新之间发挥部分中介作用,假设H2a成立。M7显示,数字化能力对知识场开放度具有显著正向影响(β=0.212,p<0.01),M10中数字化能力(β=0.588,p<0.001)和知识场开放度(β=0.121,p<0.01)对迭代式创新具有显著正向影响。由此可知,知识场开放度在数字化能力与迭代式创新之间发挥部分中介作用,假设H2b成立。

3.4.3 资源重构的中介效应检验

表6中M11结果显示,数字化能力显著正向影响资源重构(β=0.477,p<0.001);M14结果显示,在数字化能力的基础上,资源重构对迭代式创新具有显著正向影响(β=0.332,p<0.001)。此时,数字化能力对迭代式创新影响的回归系数由0.520下降为0.455,但依然在0.1%水平上显著。因此,资源重构在数字化能力与迭代式创新之间发挥部分中介作用,假设H3成立。M12中数字化能力对资源重组具有显著正向影响(β=0.491,p<0.001),M15中数字化能力(β=0.497,p<0.001)和资源重组(β=0.238, p<0.001)对迭代式创新具有显著影响。由此可知,资源重组在数字化能力与迭代式创新之间发挥部分中介作用,假设H3a成立。M13中数字化能力对资源重置具有显著正向影响(β=0.469,p<0.001),M16中数字化能力(β=0.482,p<0.001)和资源重置(β=0.280,p<0.001)对迭代式创新都具有显著影响。由此可知,资源重置在数字化能力与迭代式创新之间发挥部分中介作用,假设H3b成立。

3.4.4 链式中介效应检验

本文使用非参数百分位Bootstrap方法检验知识场活性与资源重构的链式中介作用,选择95%置信水平并重复抽样5 000次,结果如表7所示。知识场活性和资源重构在数字化能力与迭代式创新之间链式中介效应的95%置信区间为[0.323,0.556],均不包含零值,说明知识场活性、资源重构在数字化能力与迭代式创新间发挥链式中介作用,假设H4得到验证。知识场活跃度、资源重组在数字化能力与迭代式创新之间链式中介效应的95%置信区间为[0.003,0.025],均不包含零值,说明知识场活跃度、资源重组在数字化能力与迭代式创新间发挥链式中介作用,假设H4a得到验证。知识场活跃度、资源重置在数字化能力与迭代式创新之间链式中介效应的95%置信区间为[0.002,0.026],均不包含零值,说明知识场活跃度、资源重置在数字化能力与迭代式创新间发挥链式中介作用,假设H4b得到验证。知识场开放度、资源重组在数字化能力与迭代式创新之间链式中介效应的95%置信区间为[0.001,0.020],均不包含零值,说明知识场开放度、资源重组在数字化能力与迭代式创新间发挥链式中介作用,假设H4c得到验证。知识场开放度和资源重置在数字化能力与迭代式创新之间链式中介效应的95%置信区间为[0.003,0.027],均不包含零值,说明知识场开放度、资源重置在数字化能力与迭代式创新间发挥链式中介作用,假设H4d得到验证。

3.5 稳健性检验

为进一步验证结论的稳定性和可靠性,参考已有研究方法,本文从342份样本中随机抽取232个样本(约70%)对理论假设进行检验。由表8可知,统计显著性保持不变,再次验证了本文假设H1、H1a、H1b、H1c。表9、表10结果显示,知识场活性(知识场活跃度、知识场开放度)和资源重构(资源重置、资源重组)的中介效应以及链式中介效应的置信区间均不包含0,研究假设再次得到验证。

3.6 进一步分析

定量分析方法只能依据研究模型回答变量间净效应问题,在阐释变量间复杂的相互作用方面存在局限性,会弱化研究结果对现实情况的解释力。为了深入分析数字化能力(数字感知能力、数字运营能力、数字资源协同能力)、知识场活性(知识场活跃度、知识场开放度)、资源重构(资源重组、资源重置)对企业迭代式创新的影响机制,本文运用模糊集定性比较分析方法(fsQCA )识别条件与结果间的必要性关系,进一步探讨多维前因条件与企业迭代式创新之间的充分性关系,以弥补定量研究的不足。

3.6.1 变量校准

在分析必要性和充分性前,本文利用fsQCA4.0软件对前因条件及结果进行数据校准,采用李克特量表衡量变量结构,计算变量均值并将其作为反映值。根据数据实际分布情况,本文采用分位数校准,将完全隶属、交叉点和完全不隶属分别设定为样本数据的第75百分位数、第50百分位数和第25百分位数(杜运周等,2017)。将校准后隶属度为0.500的数据加上0.001,以此规避变量案例隶属度为0.5的组态归属问题[20]。

3.6.2 必要性分析

表11显示,单个条件的一致性水平均低于 0.90,说明各前因条件不构成企业迭代式创新的必要条件。

3.6.3 组态分析

本文利用fsQCA方法探讨产生高和非高企业绿色创新的前因组态,并将原始一致性阈值设定为0.80,将样本频数阈值设置为1,将PRI一致性设定为0.70。按上述标准对条件组合进行筛选,最终得出引致高企业迭代式创新的前因组态。

高企业迭代式创新组态分析。表12显示,组态S1一致性为0.891,S2a一致性为0.893,S2b一致性为0.889,总体一致性为0.883,均超过0.75的最低标准,说明上述3种组态均是引致高企业迭代式创新的充分条件。基于各路径的核心条件以及解释逻辑,将高企业迭代式创新路径归类并命名为能力驱动型(S1)、协同交互型路径(S2a、S2b)。其中,S2a和S2b组态同时具备知识场活跃度、知识场开放度、资源重置3个核心条件,构成二阶等价组态。

组态S1为能力驱动型。该组态表明引致高企业迭代式创新的前因条件为数字化能力(数字感知能力、数字运营能力、数字资源协同能力)、知识场活跃度、资源重构(资源重组、资源重置)。由此表明,借助数字化能力,企业既可以通过与其他创新主体合作形成高活跃度的知识场,促进创新主体间知识流动和创新,也可以通过自主搜寻实现外部资源嵌入以激发资源重构潜力,通过提供具有时效性和针对性的资源组合响应市场需求,进而抓住迭代式创新机会。该路径进一步验证了本文研究模型的合理性。

组态S2为协同交互型,包括两个子模式(S2a和S2b)。该组态表明引致高企业迭代式创新的核心前因条件为知识场活性(知识场活跃度、知识场开放度)、资源重置。由此表明,企业能够突破创新边界,通过与其他创新主体交互合作获取关键创新资源和信息,并通过多次资源重置响应外部环境变化,进而推动迭代式创新。其中,不同维度的数字化能力和资源重组发挥辅助作用。上述路径在一定程度上验证了知识场活性和资源重构在数字化能力与迭代式创新之间发挥链式中介作用,也印证了张腾和王迎军[7]、朱晓红等[1]研究观点。

4 结论与启示

4.1 研究结论

本文基于知识基础理论和动态能力理论,利用342份企业调查数据对研究假设进行实证检验,得出以下主要结论:

(1)数字化能力能够推动迭代式创新,数字化能力包括数字感知能力、数字运营能力和数字资源协同能力3个子维度,均对迭代式创新具有积极影响。

(2)知识场活性在数字化能力与迭代式创新间发挥中介作用,即数字化能力通过提升知识场活跃度和知识场开放度促进迭代式创新。

(3)资源重构在数字化能力与迭代式创新间发挥中介作用,即数字化能力通过资源重组和资源重置推动迭代式创新。

(4)知识场活性和资源重构在数字化能力与迭代式创新间发挥链式中介作用,即数字化能力通过提高知识场活跃度、知识场开放度促进资源重组和资源重置,进而促进迭代式创新。定性比较分析结果显示:第一,任何单一前因条件均无法独立成为引致高企业迭代式创新的必要条件;第二,高企业迭代式创新受到数字化能力、知识场活性、资源重构子维度“多重并发”的影响,由此形成能力驱动型和协同交互型两条组态路径。

4.2 理论贡献

(1)本文将数字化能力纳入迭代式创新研究框架中,拓展了迭代式创新研究边界。随着数据成为新型关键生产要素,借助数字化能力,企业能够搜寻丰富的数据资源,充分释放数据资源的价值潜力,进而实现创新发展。因此,本文以数字化能力作为切入点,从企业能力视角探究迭代式创新机制,解构不同维度数字化能力对迭代式创新的影响,拓展了迭代式创新研究理论范畴。

(2)本文基于知识基础观理论和动态能力理论,从知识场活性和资源重构双重视角,搭建数字化能力与迭代式创新间的“桥梁”,揭示了数字化能力影响迭代式创新的机制“黑箱”。现有研究忽略了迭代式创新的本质,尚未基于开放性和动态性视角剖析迭代式创新的内在机制。本文引入知识场活性与资源重构,并探讨二者链式中介作用,为数字化能力驱动迭代式创新提供了路径参考,丰富了数字化能力对迭代式创新的作用机制研究。

(3)从组态视角分析了数字化能力、知识场活性、资源重构与迭代式创新之间的复杂因果关系。在传统线性回归分析中因果关系效应是对称的,而模糊集质性比较分析方法能够揭示变量间的互补与替代关系。本文将不同维度数字化能力、知识场活性、资源重构纳入迭代式创新研究框架,揭示“数字化能力—知识场活性—资源重构”子维度间的匹配模式,以及变量间的互补替代关系,进而识别出实现高企业迭代式创新的驱动核心条件和多重组态路径,丰富了迭代式创新研究成果。

4.3 实践启示

(1)加快培育数字化能力,充分释放数据资源潜力。一方面,企业高层管理者需要明确提出数字化愿景和目标,培养员工数字化思维和技能,提高整个组织对数据的理解与应用能力,推动全方位数字化变革,如优化业务流程、调整组织结构、升级管理体制等,以提高企业整体数字化能力。另一方面,企业需要建立健全基于数据的决策机制。例如,采用数字算法和业务智能工具洞察市场需求及变化趋势,提高对市场潜在风险预测的准确性,在产品开发和市场策略上作出更敏捷的响应,持续推动技术和产品迭代,从而促使需求与产品精准匹配;利用数字技术拓展信息资源获取渠道,通过数据挖掘寻找新的业务机会,为研发、生产、营销等不同业务单元制定数字化解决方案,从而提高经营效率、优化用户体验。

(2)积极构建或融入知识交互平台,拓宽与多样化知识主体互动渠道,实现技术、产品和服务更迭优化。对于大型企业而言,可以依托自身资源和技术优势开发在线社区、网络论坛和创新平台等知识场域,邀请不同背景、行业和地区创新者参与产品与技术创新过程。例如,企业可以借助云技术融合创新资源,实现资源共享和知识协同,进而加快创新步伐。对于中小企业而言,可以借助云计算和API接口等数字技术与其它系统或平台实现数据互联互通,搭建中小企业与其他创新主体跨时空知识沟通平台,加强与不同创新主体间的知识交互。这种跨界互动能够促进不同行业知识和经验交流,有助于中小企业拓宽创新视野,引入新的思维方式和创新方法,进而增强自身创新能力和市场竞争力。

(3)注重资源整合重构,不断优化资源配置。数字经济时代,在高频创新和高不确定性商业环境中,企业需要不断调整资源配置,以适应市场需求变化。一方面,企业可以构建一个集中的知识库,汇集不同部门资源和知识,实现信息集中存储和共享。通过跨部门协作突破部门间沟通壁垒,促进信息流通和知识共享,激发资源重构潜力,进而提高资源利用效率。另一方面,企业可以构建数字化资源管理平台,实时掌握市场趋势和技术发展情况,进而优化管理流程和资源配置,以适应市场和技术变化。同时,通过精细化管理淘汰组织内部低效技术和不再适用的资源,并引入先进技术、成功经验和高效解决方案,从而提高资源配置效率和智能化管理水平。

4.4 局限与展望

本文存在以下不足:第一,研究数据为截面数据,无法全面展现企业迭代式创新动态演进过程,同时缺少案例支持,在研究深度与广度上存在一定的局限性。未来可引入企业案例,基于过程视角对企业迭代式创新进行深入分析。第二,尚未探讨现有研究理论框架的边界条件,未来可以尝试引入其它情境变量(如环境不确定性、知识惯性等),进一步考察不同情境下数字化能力对企业迭代式创新的链式中介作用。

参考文献：

[1] 朱晓红,陈寒松,张腾.知识经济背景下平台型企业构建过程中的迭代创新模式——基于动态能力视角的双案例研究[J].管理世界,2019,35(3):142-156.

[2] 王宝义,邱兆林.新零售迭代创新的理论分析与原型观照[J].当代经济管理,2020,42(8):10-17.

[3] 魏龙,党兴华.期望落差、惯例复制与迭代创新:组织即兴的调节作用[J].管理评论,2022,34(10):146-157.

[4] 周惠平,姚艳虹.数字化背景下知识跨界搜寻对企业迭代创新的影响——关系嵌入与政府支持政策的调节作用[J].科技进步与对策,2023,40(13):113-122.

[5] 吴群,胡勇浩,李梦晓.数字化能力对制造企业绿色创新的影响——关系强度与知识耦合的链式中介作用[J].科技进步与对策,2024,41(17):87-96.

[6] 王核成,周泯非,郭文强,等.焦点企业数字化能力如何影响价值共创与生态竞争优势——吉利集团嵌入式案例研究[J].南开管理评论,2024,27(5):89-104.

[7] 张腾,王迎军.迭代式创新的研究与实践发展[J].现代管理科学,2016,43(10):100-102.

[8] ROPER S, LOVE J H, BONNER K. Firms' knowledge search and local knowledge externalities in innovation performance[J]. Research Policy, 2017, 46(1): 43-56.

[9] 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.

[10] 李树文,罗瑾琏,张志菲.技术型管理者认知对数字化生产力工具创新突破的影响[J].科研管理,2023,44(11):173-183.

[11] NONAKA I. A dynamic theory of organizational knowledge creation[J]. Organization Science, 1994, 5(1): 14-37.

[12] 曹霞,吕丹,付向梅.社会资本对负责任创新的影响研究[J].科研管理,2024,45(3):74-82.

[13] ANNARELLI A, BATTISTELLA C, NONINO F, et al. Literature review on digitalization capabilities: co-citation analysis of antecedents, conceptualization and consequences[J]. Technological Forecasting and Social Change, 2021, 166(5): 120635.

[14] 黄艳,陶秋燕.迭代创新:概念、特征与关键成功因素[J].技术经济,2015,34(10):24-28.

[15] 徐翔,赵墨非,李涛,等.数据要素与企业创新:基于研发竞争的视角[J].经济研究,2023,58(2):39-56.

[16] FARBOODI M, MATRAY A, VELDKAMP L, et al. Where has all the big data gone[J]. The Review of Financial Studies, 2022,35(7):3101-3138.

[17] 王松,徐雅静,刘新民.知识共创视角下协同要素异质性、知识场活性对社区创新绩效的影响[J].科技进步与对策,2024,41(14):102-110.

[18] 张紫璇,陈怀超.知识基础对高新技术企业创新意愿的影响研究——知识场活性的调节效应与市场感知能力的中介效应[J].科技进步与对策,2023,40(1):142-150.

[19] 陈怀超,白珊,侯佳雯,等.多因素联动对企业商业模式创新的影响——基于fsQCA方法[J].科技进步与对策,2024,41(9):140-148.

[20] FISS P C. Building better causal theories: a fuzzy set approach to typologies in organization research[J]. Academy of Management Journal, 2011, 54(2): 393-420.

(责任编辑：张 悦)