开放科学(资源服务)标识码(OSID)：
Using a sample of Chinese A-share listed manufacturing companies from 2020 to 2023, this study employs machine learning methods for empirical analysis. First, the K-Means clustering algorithm was applied to objectively classify enterprises based on the aforementioned socio-technical system characteristics, thereby identifying heterogeneous enterprise clusters that share similar intrinsic socio-technical configurations. Subsequently, the CART decision tree algorithm was employed to uncover the specific socio-technical system element combinations and decision rules that each cluster relies on to achieve high breakthrough innovation performance.
Key findings encompass two dimensions. First, according to the characteristics of socio-technical systems, sample enterprises can be categorized into three distinct groups: (1)Laggard enterprises exhibit low levels of both exploratory and exploitative AI applications, accompanied by slow progress in digital transformation, marked deficiencies in dynamic capabilities, inadequate internal and external organizational coordination, and thus overall stagnant development. (2)Pioneer enterprises demonstrate high levels of exploratory AI applications, digital transformation, and dynamic capabilities, along with strong forward-looking strategic awareness. However, their exploitative AI applications remain relatively weak, resulting in an unbalanced state characterized by “strong exploration, weak exploitation”. (3)Efficiency-driven enterprises demonstrate high levels of exploitative AI applications and actively respond to and leverage government digital policy support. Nevertheless, they tend to adopt a conservative stance in exploratory AI deployment, digital transformation deepening, and dynamic capability cultivation, thus following a development path centered on efficiency optimization and steady advancement.
Second, the attainment of high breakthrough innovation performance hinges on a socio-technical system configuration that matches the enterprise type. For laggard enterprises, if they possess a solid digital transformation foundation, active deployment of exploratory AI applications can effectively drive breakthrough innovation. Conversely, if their digital foundation is weak, the advancement of exploratory AI applications will instead inhibit breakthrough innovation. For pioneer enterprises, when their digital transformation foundation is robust, strengthening exploitative AI applications constitutes the key to overcoming breakthrough technological bottlenecks. If their digital capabilities are insufficient, they must rely on robust dynamic capabilities to advance exploratory AI applications. For efficiency-driven enterprises, when their digital foundation is weak but they receive strong government support, the synergistic advancement of both exploratory and exploitative AI applications can effectively foster innovation breakthroughs. In contrast, if they overemphasize exploitative applications to comply with short-term policy mandates despite having a mature digital foundation, they will risk hindering breakthrough innovation due to path dependency.
This paper makes four key theoretical contributions: refining the AI application classification framework by distinguishing the distinct roles of exploratory and exploitative AI in innovation;developing a novel enterprise classification paradigm based on socio-technical system synergies, offering a more nuanced theoretical lens for understanding context-dependent AI-enabled innovation; uncovering the multi-factor nonlinear configuration mechanism driving AI-enabled breakthrough innovation, thereby enriching research on multi-level interactive mechanisms of breakthrough innovation antecedents through a socio-technical systems perspective; and building an integrated analytical framework connecting "AI application-socio-technical system co-evolution-breakthrough innovation" , which extends socio-technical systems theory to the study of AI adoption and organizational innovation relationships.
开放科学(资源服务)标识码(OSID)：
随着技术保护主义的持续升级与全球创新格局的深度重构,我国面临愈发复杂的“创新隔离”风险,部分西方发达国家通过构建排他性技术联盟、实施长臂管辖机制限制高端技术对华流动,阻碍我国向全球价值链高端攀升。企业作为我国战略科技力量的重要载体,亟需集聚力量攻克关键领域“卡脖子”难题,为实现高水平科技自立自强筑牢技术基底。突破性创新通过对既有技术范式与发展轨道的颠覆性变革,能够帮助企业率先进入“无既定领导者、无成熟规则约束、无同行竞争仿效”的全新技术领域[1],重新定义创新发展模式[2],是企业突破技术封锁、实现关键领域自主可控的持续动力。为应对全球技术竞争加剧和封锁升级等复杂挑战,人工智能逐渐融入企业研发设计、生产管控及决策支持等战略节点,借助深度学习与知识表示等技术,推动企业运作逻辑由经验驱动向数据驱动与算法驱动转变,实现企业要素结构、业务流程与价值链形态等系统再造,从而为突破性创新成果的涌现创造可能(束超慧等,2022)。艾媒咨询《2024—2025年中国人工智能行业发展趋势研究报告》显示,2024年中国人工智能产业规模接近7 500亿元,年增长率超40%,但当前企业人工智能应用实践多以效率提升与成本控制等渐进式演进为主导,对突破性创新作用路径与实际效能关注较少。鉴于此,面对关键技术壁垒的不断高筑、人工智能与实体经济融合进程的持续加速,系统阐释人工智能应用对企业突破性创新的影响,可为突破我国重点领域发展瓶颈、构建自主可控的技术创新体系提供参考。
已有学者围绕人工智能创新效应进行积极探讨,发现人工智能对绿色创新[3-4]、产品创新[5]、技术创新[6]等具有差异化影响。人工智能与突破性创新关系得到广泛关注,但对两者关系的探讨存在以下不足:第一,多从技术导向视角出发,分析人工智能技术与企业突破性创新的内生影响[7-8],忽视了人工智能应用效果并非由技术本身决定,而是与组织资源及能力密切相关[9];另外,人工智能突破性创新效应因企业特征与情境差异而呈显著异质性[7],现有研究未识别有效赋能企业充分利用人工智能技术开展突破性创新活动的关键组织特征。社会技术系统理论指出,组织效能源于技术子系统与社会子系统的协同匹配(赵文红等,2025)。人工智能技术部署与应用不仅面临算法嵌入、数据治理等技术性壁垒,还需应对组织结构重塑、流程再造与文化转型所带来的社会性挑战,其对突破性创新的影响既非技术特性的孤立产物,也不由组织属性单独决定,而是二者交互匹配的复合结果。因此,亟需引入组态视角,探究人工智能技术子系统与企业社会子系统多维要素如何影响突破性创新,进而为企业构建适配自身禀赋的人工智能赋能路径提供可操作框架。第二,多将人工智能应用对企业突破性创新的影响视作一个同质性过程,或普遍采用基于行业、规模或所有制等先验维度的分组比较方法开展两者间关系的异质性分析[7-8],忽视了企业内在社会技术配置模式差异,较少探讨企业消化吸收和落地部署人工智能技术的内部能力与结构性条件。社会技术系统理论认为,组织绩效产出是企业内部社会子系统与技术子系统之间复杂互动与协同演化的结果(赵文红等,2025),企业通常会基于自身资源禀赋、历史路径和战略选择,形成社会与技术要素间相对独特且稳定的组合模式。而人工智能技术在不同应用场景中有其特定适用性[7],企业的社会技术系统配置特征不同,能够形成的技术—组织适配优势不同,人工智能技术所适配的社会子系统特征及其对企业突破性创新的赋能路径也不同,忽视对企业内在异质性社会技术系统配置模式的考量,可能会混淆人工智能应用与企业组织间的互动,导致研究结论出现偏差。因此,亟需突破传统异质性分组框架,根据企业人工智能技术子系统与其社会子系统特征匹配模式对企业进行科学分类,解析不同情境下人工智能赋能企业突破性创新的差异化路径,以为企业制定差异化实践策略提供借鉴。
综上所述,本文基于社会技术系统理论,探讨企业人工智能应用对其突破性创新绩效的影响,主要解决如下问题:①在社会技术系统理论视域下,企业被区分为哪些类型,不同类型企业存在哪些性质?②对于不同类型企业而言,人工智能应用应如何与企业的社会子系统特征相适配以推进突破性创新。传统方法在解决上述问题时存在一定局限性:一方面,多依赖于研究者预设的分类规则或有限的维度选择对企业进行异质性群组划分,根据社会技术系统特征对企业进行类型学划分的研究较少;另一方面,传统计量方法往往立足于平均效应和线性关系假设,未能充分揭示企业社会子系统与人工智能技术子系统特征间的复杂交互关系及其对突破性创新的影响。
为此,本文在已有研究的基础上[10-11],采用以下方法展开研究:①运用K-Means聚类算法,根据企业在社会与技术层面的多维特征对样本企业进行分类。该方法不依赖先验类别设定,从社会技术系统整体结构特征出发,识别企业内在聚类模式,可有效避免传统分类方法依赖研究者主观选择、维度覆盖不足可能产生的片面性问题。②采用CART决策树算法探析企业社会子系统与技术子系统特征不同组合如何影响企业突破性创新。该算法基于递归分区原则,不预设变量间线性关系或函数形式,能够自动识别社会与技术子系统特征间的复杂交互关系与临界阈值,以及社会技术系统各要素对企业突破性创新的组态影响,可克服传统计量方法在复杂因果关系识别方面的局限性,并为各类企业基于自身社会技术系统特征配置人工智能资源、优化创新策略以实现突破性技术攻关提供参考。
社会技术系统理论从整合视角出发,将组织视为社会与技术两大子系统在持续交互与共同演化中形成的复合体系(赵文红等,2025)。其中,社会子系统涵盖组织中的个体、群体及其互动关系,以及由此形成的认知与行为模式;技术子系统则由一系列技术元素构成,包括人工智能、先进工具与硬件设备等。社会子系统通过组织结构、沟通模式与权责分配影响技术子系统的部署效果,而技术子系统迭代与更新也会促使社会子系统在制度设计与行为模式层面进行相应调整(赵文红等,2025)。社会技术系统通常包括4个基本维度(吴江等,2021):技术维度聚焦于人工智能、云计算等技术开发与部署;组织维度涵盖战略导向、结构设计、资源配置等制度性安排;参与者维度强调组织成员认知模式、协作能力及技术接受意愿等;任务维度则包括政策环境、市场竞争与文化条件等外部变量。技术子系统以技术维度为主要构成,社会子系统运行框架则由组织、参与者和任务维度共同塑造(吴江等,2021)。立足于该理论框架,本研究将人工智能应用视作技术子系统的核心组成部分,并从社会子系统中的组织结构属性、参与者能力特征与任务环境条件3个层面出发,探讨人工智能技术子系统与企业社会子系统如何协同匹配以实现突破性创新跃迁。
1.2.1 技术维度
突破性创新本质上是一个应对“未知”与“已知”的复杂双元过程,其既依赖于对未知领域的探索(杨刚等,2024),要求企业通过试错性实验不断拓展认知边界以识别新兴技术轨迹与潜在市场机遇[12];同时,又建立在对已知领域的利用之上,要求企业持续优化现有知识体系、深化领域认知等(王巍等,2022),为识别和把握突破性机遇提供坚实基础。作为新一轮科技革命和产业变革的重要驱动力,人工智能逐步从工具性辅助迈向战略性核心,成为驱动这一双元进程的重要力量。一方面,人工智能不仅具备开拓全新发展领域的潜力,即依托先验知识和环境感知能力挖掘潜在市场需求以定义新产品形态[13],还能通过探索未知空间突破既有认知框架与技术边界,开辟新价值增长空间[14]。另一方面,人工智能通过优化既有业务流程提升运营效率,利用机器学习算法提升供应链预测精准度[15]、借助智能模型实现客户服务流程的自动化与个性化[16]。然而,尽管人工智能在突破性创新实践中展现出探索新领域和优化现有流程的双重作用,已有研究对其角色认知仍存在如下分歧[17],即企业是应“将其定位于增强既有业务体系的辅助手段,致力于提升运营效率与过程优化”,还是应将其“视为构建全新业务架构的战略工具,侧重于驱动范式变革与开拓新业务场景”。若将人工智能视作同质化技术整体,不仅会掩盖不同类型人工智能应用策略对突破性创新的差异化作用逻辑,也难以指导企业根据自身创新禀赋选择适配的人工智能应用策略,从而有可能引发企业突破性创新战略部署与资源分配偏差。因此,有必要将两类人工智能应用模式区分开来,为揭示人工智能应用与突破性创新关系“黑箱”提供更精细的理论视角。
鉴于此,本文借鉴组织学习中的“探索—利用”框架,参照已有研究划分思路[17-18],将人工智能应用细分为探索型人工智能应用和利用型人工智能应用。其中,前者是指应用人工智能技术探索性、实验性地解决新问题、创造新业务和新模式等,以加速试错迭代过程、识别隐藏关联和模式,为突破性创新注入强劲动力,但其所需高额投入也有可能进一步挤占突破性创新所需人力和物力;后者是指应用人工智能技术解决可预见的问题,提升和改进现有业务流程,通过积累高质量数据、释放人力资源、深化领域认知,为突破性创新提供坚实的数据基础、人才储备和知识洞见,但其对特定领域的持续算法容易导致企业对特定路径形成深度依赖,固化思维模式,从而限制突破性创新想法的产生。探索型人工智能应用能够克服利用型人工智能应用可能遇到的技术局限,利用型人工智能应用在实践场景中积累的数据、操作经验可为探索型人工智能应用提供学习基础,两者相互促进、彼此协同,共同影响企业突破性创新。但受资源约束、能力不足、组织结构偏好等限制[17],企业需综合选择适配的人工智能应用策略实现突破性创新产出。
1.2.2 组织维度
(1)数字化转型程度。尽管人工智能的引入要求企业超越既定数字化转型路径,但企业人工智能跃迁并非对既往转型成果的否定,而是对现有数字化基础的深化与跨越,企业既有数字化转型水平是其人工智能采纳与融合的基础。数字化转型通过动态协调人工智能应用与组织情境的结构性适配,来捕捉技术子系统渗透与组织社会子系统演化协同效应。企业数字化转型并非仅仅体现为数字技术应用,还涵盖组织结构重构、业务流程再造、数据驱动文化培育等适应性变革[19],其既是人工智能技术落地的赋能底座,如通过构建数据中台、优化IT架构为人工智能提供高质量、多维度训练样本与实时决策依据等,也是人工智能价值实现的转化枢纽,如建立跨职能数据团队、推行敏捷管理机制,从而将人工智能技术转化为组织可操作的突破性创新实践。简言之,人工智能是技术工具的智能实现,数字化转型是组织战略的生态演化,两者通过交互作用决定人工智能技术嵌入深度与突破性创新涌现阈值,从而揭示技术应用与组织变革的共生演化机制。
(2)动态能力。人工智能应用对企业突破性创新的赋能效果存在显著的情境依赖性,其价值转化效率离不开组织能力架构的适配[9]。动态能力是指企业整合、构建、重新配置内外部资源以迅速适应外部环境变化的能力[20],其包括创新能力、吸收能力和适应能力等。其中,创新能力关乎组织利用人工智能技术进行资源重组并开发颠覆性解决方案的效能;吸收能力影响组织识别、消化并内化人工智能处理的海量知识以促进创新的效果;适应能力使组织能够持续识别人工智能带来的数据流、算法效能、伦理约束等,通过动态评估其对创新生态的潜在影响,并据此调整资源分配与战略重心,可为组织在技术加速融合的复杂环境中探索、验证并修正突破性创新方向提供支撑。
1.2.3 参与者维度
作为组织战略决策的核心,高层管理者的教育经历与职业背景影响其认知框架与价值导向塑造,进而影响企业决策制定与战略选择[21]。相较于一般的技术变革决策,人工智能应用要求企业突破传统渐进转型规划,对企业业务流程与价值链再造、新型数字核心布局与建设提出更高要求,这一复杂过程需要具备领域专业知识和实践经验的人才提供必要的智力支持。具备数字化背景的高层管理者凭借其专业技术优势与战略决策权,能够主导制定与企业战略目标相契合的人工智能应用策略,并通过确立变革愿景、配置关键资源等,为企业充分挖掘人工智能应用潜力提供顶层认知。
1.2.4 任务维度
人工智能部署涉及企业价值链、业务流程与数字核心能力转型,该过程通常伴随着明显的外部性,仅凭市场机制难以充分激励企业人工智能价值转化,需借助政府制度性干预弥补市场失灵,引导人工智能红利的充分释放[22]。企业所在地区政府对数字化发展的关注度能够释放政策导向、资源倾斜优先级和制度环境等关键信号,为企业充分利用人工智能技术推进突破性创新提供保障。具体而言,政府数字化关注不仅能够传递明确的政策支持信号[23],降低企业探索前沿人工智能应用所面临的政策风险与不确定性,还能汇聚金融资本、产学研协同等社会资源[23],纾解企业构建人工智能适配体系与挖掘突破性创新机遇所面临的资源约束。然而,地区政府对数字化发展的关注可能会诱发企业策略性迎合行为,如部分企业为争取政策资源,可能倾向于采取“多言寡行”的印象管理策略[24],如高调宣布人工智能战略、追求短期可见的数字化成效,而非致力于具有高度不确定性和长期性的突破性创新,导致政府关注的实际效能被削弱,甚至引发局部领域的“创新泡沫”。
1.2.5 社会技术系统交互关系
社会技术系统理论认为,组织本质上是由社会系统与技术系统动态交互形成的复合体系,组织运行效能的发挥依赖于技术子系统和社会子系统的动态匹配与协同演化(赵文红等,2025)。
(1)社会子系统内部各维度之间存在联动关系。具备数字化背景的高层管理者通过构建数据驱动试错、学习与迭代机制,能够提升组织应对不确定性环境的动态适应能力、知识吸收能力与创新响应能力[24]。同时,依托自身专业认知与数字化转型经验,部分高管能够以前瞻视野制定清晰的数字化战略愿景,通过设置可衡量的配套资源保障机制,将数字技术投资与战略规划紧密结合,从而推动业务流程、商业模式及数字化重构。另外,政府通过提供持续的政策支持、资源倾斜与创新生态,可在一定程度上代替高管环境扫描、政策解读与外部资源协调等职能,进而降低组织对高管个体数字化经验的依赖。
(2)技术子系统与社会子系统之间存在双向互动关系。第一,社会子系统界定了技术子系统的效能边界与应用路径,人工智能价值转化不能仅依靠技术自身,其还深植于组织所构建的支持性环境。企业需要具备完善的数字基础设施、高质量的数据资源体系以及适配的业务流程,以为人工智能部署与深度融合提供基础保障。高层管理者对人工智能的理解与偏好影响人工智能技术投入优先级与应用模式选择。政府通过政策引导、资源倾斜与制度保障,能有效降低企业探索前沿技术所面临的系统性风险。第二,技术子系统会触发社会子系统的适应性调整。人工智能对数据规范、算力支持与流程敏捷性的高要求,倒逼企业持续优化其数字治理结构与基础资源布局。人工智能所嵌入的技术逻辑与知识体系也会推动组织动态能力迭代,提升企业对新兴技术的吸收、整合与再创新能力。在此过程中,具备良好数字素养的高管凭借其对技术趋势的敏锐洞察与影响力,成为组织应对技术变革的关键行动者;同时,为构建人工智能发展所需的良性创新生态,企业也会主动与政府数字化政策对接,以争取合法性认同与互补性资源。
综上,人工智能应用高度依赖场景特征[7],其对企业突破性创新的作用并非仅受技术特性影响,而是技术应用与组织内外部要素协同作用的结果。基于社会技术系统理论,本文构建人工智能应用影响企业突破性创新的理论模型,如图1所示。
图1 理论模型
Fig.1 Theoretical model
本文以2020—2023年中国A股制造业上市公司为研究样本,主要基于以下考虑:首先,突破性创新是制造业企业实现战略转型与构建可持续竞争优势的关键路径。在全球化竞争加剧、技术迭代加速和成本压力持续攀升背景下,制造业企业需依托颠覆性技术、革命性产品设计或根本性工艺革新,实现差异化竞争、提升运营效能并最终重塑产业竞争格局。其次,制造业企业在运营过程中持续产生的设备运行状态数据、全流程生产参数与实时质量检测信息等多模态数据,具有可测量、可干预与可优化的流程特性,为人工智能技术在预测性维护、智能设计优化、自动化决策支持和柔性制造系统等核心环节的深度应用与价值创造提供坚实基础,是探索和实现技术范式跃迁的关键因素。本文数据来源于国家知识产权局、巨潮资讯网、地方政府网站和CSMAR数据库。样本筛选遵循如下原则:①排除ST、*ST、PT类企业;②剔除关键数据严重缺失样本、重复观测值及人工智能应用数据为0的样本;③剔除计算机、通信和其他电子设备制造业(行业代码为C39)[25]。最终,本文共获得包含943个观测值的非平衡面板数据集。
(1)突破性创新。本文借鉴寇明婷等(2025)和陈朝月等(2025)的测量方法,采用发明专利剔除自引后被引用次数的自然对数作为度量指标,主要基于以下考虑:首先,突破性创新的核心价值在于其对后续技术演进所产生的深远影响[26],而专利被引频次是反映知识溢出与技术影响力的重要指标[27],当一项专利被后续专利引用时,表明该专利所承载的前沿知识对后续技术发展具有显著贡献与引领作用,被引次数越高表明其在技术领域内的辐射范围越广,突破性创新特征也越突出。其次,剔除自引旨在更准确地评估创新成果的外部价值与社会影响力。自引行为多源于企业技术路径的延续,更多体现为内部技术积累与渐进式改进,而他引则更能反映该创新成果在更广泛技术社群中所获得的认可程度(于洋等,2025),更契合突破性创新所产生的外溢效应。最后,选取发明专利作为研究对象,因其需通过严格的实质性审查,具备较高的技术复杂性与创新含量(孟猛猛等,2021)。本文使用专利申请数据而非授权数据,有助于规避因授权时间延迟所引发的数据滞后问题[28],能够更加及时、全面地捕捉企业在突破性创新方面的实际贡献。
(2)探索型和利用型人工智能应用。本文借鉴奉小斌等(2024)和宋竞等[29]的研究,采用内容分析法衡量两种人工智能应用。首先,参考姚加权等(2024)提出的人工智能应用特征图谱,从上市公司年报中逐年提取企业人工智能特征词。其次,结合探索型与利用型人工智能应用特征词并结合既有研究特征词归类方式[29-31],将计算机视觉、机器学习、神经网络等人工智能底层技术词汇归类为探索型人工智能应用特征词,将描述人工智能技术与经营场景相融合的实践应用类词汇归类为利用型人工智能应用特征词,两类人工智能应用特征词见表1。最后,分别对上述两类词频数加1取自然对数,形成探索型与利用型人工智能应用的代理变量。
表1 文本分析特征词
Table 1 Text analysis feature words
变量特征词探索型人工智能应用人工智能、知识图谱、模式识别、自动驾驶、边缘计算、AI芯片、大数据平台、机器翻译、人机协同、卷积神经网络、大数据分析、智能计算、生物识别、人脸识别、分布式计算、计算机视觉、特征提取、支持向量机(SVM)、物联网、人机交互、无人驾驶、长短期记忆(LSTM)、云计算、深度学习、机器人流程自动化、增强智能、神经网络、自然语言处理、语音交互、语音识别、智能体、智能传感器、图像识别、增强现实、知识表示、人机对话、数据挖掘、虚拟现实、智能芯片、深度神经网络、特征识别、循环神经网络、语音合成、强化学习、大数据管理、机器学习、声纹识别、大数据处理利用型人工智能应用智能政务、智能养老、AI产品、智慧银行、大数据营销、智能保险、智能运输、大数据风控、智能投顾、智能环保、智能教育、智能客服、智能零售、智能家居、智能农业、问答系统、智能语音、商业智能、智慧金融、智能医疗、可穿戴产品、大数据运营、智能音箱、智能监管、智能搜索政府数字化关注度 数字经济、智能经济、信息经济、知识经济、智慧经济、数字化信息、现代信息网络、信息和通信技术、ICT、通信基础设施、互联网、云计算、区块链、物联网、数字化、数字乡村、数字产业、电子商务、5G、数字基础设施、人工智能、电商、大数据、数据化、产业数字化、数字产业化、数据资产化、智慧城市、云服务、云技术、云端、电子政务、移动支付、线上、信息产业、软件、信息基础设施、信息技术、数字生活
(3)动态能力。参考杨林等(2021)的研究,本文从以下3个维度对动态能力进行测量:①创新能力:对研发投入与技术人员比例进行标准化处理,加总得到创新能力综合值;②吸收能力:用研发支出与营业收入之比衡量;③适应能力:用研发、资本与广告3类支出变异系数的负向取值衡量。以上述3类能力的标准化均值衡量动态能力。
(4)数字化转型程度。参照杨刚强等[32]的测量方式,用企业拥有的数字专利量的自然对数衡量。
(5)高管数字化背景。参考王超等[21]的研究,根据上市公司董事、监事与高级管理人员个人专业信息是否具有数字化背景进行界定,若包含“信息、智能、软件、电子、通信、系统、网络、自动、无线、计算机”等关键词则视为有数字化背景的高管。在此基础上,采用具备数字化专业背景的高管人数作为高管数字化背景的衡量指标。
(6)政府数字化关注度。借鉴陈字理和朱桂龙(2025)的研究,采用文本分析法汇总各省份《政府工作报告》中的数字经济特征词,采取加1取自然对数的处理方式,将其作为企业所在地区政府数字化关注度的衡量指标。
综上,各变量定义如表2所示。
表2 变量定义
Table 2 Variable definitions
变量类型变量名称变量定义结果变量突破性创新专利被引用次数的自然对数条件变量探索型人工智能应用探索型人工智能应用词频数的自然对数利用型人工智能应用利用型人工智能应用词频数的自然对数数字化转型程度数字专利数的自然对数动态能力创新能力、吸收能力和适应能力标准化均值高管数字化背景具有数字化背景的高管数量政府数字化关注度《政府工作报告》中数字经济特征词频数的自然对数
2.3.1 研究方法
(1)K-Means聚类算法。该算法属于典型的无监督机器学习方法,其核心目标是将样本集划分为K个异质性群组。该算法在运行前需预先设定聚类数目K,通过计算各样本到当前簇中心的欧氏距离,根据最邻近原则将样本划分到对应的簇,随后重新计算每个簇的均值并将其作为新簇中心,重复这一过程直至簇中心稳定或达到最大迭代次数,最终实现簇内样本特征高度相似、簇间特征差异显著的分类效果。其中,K值可借助肘算法与轮廓系数辅助计算。本文以社会技术系统特征为划分依据,使用该算法对样本企业进行客观分类。
(2)CART决策树算法。该算法属于典型的监督机器学习方法,其核心目标在于通过构建二叉树模型对样本进行分类或回归预测。该算法基于递归二分思想,在生成每个节点时,从当前样本子集中寻找最优特征及其对应阈值进行划分,使得分裂后子节点的基尼系数或均方误差等不纯度指标下降最大,从而逐步生成分支,最终构建出可用于预测的树状模型。决策树中每一条从根节点到叶节点的路径即构成一条清晰的决策规则,直观呈现了目标属性如何由多个条件属性的不同取值组合共同决定,模型具有较强的可解释性。为控制模型复杂度并提升其泛化能力,通常需对生成的树进行简化,其关键超参数(如树的最大深度、叶节点最少样本数等)常借助交叉验证法进行优化。本文在上述聚类分析的基础上,采用决策树CART算法挖掘不同类型企业的社会技术系统特征对其突破性创新绩效的差异化影响。
2.3.2 研究思路
本文遵循“指标选取—聚类分析—规则提取”逻辑展开研究。
(1)首先,借鉴组织学习中的“探索—利用”框架[18],参考现有研究[17],对人工智能应用类型进行划分。其次,基于社会技术系统理论,从组织、参与者和任务3个社会子系统维度遴选影响人工智能赋能企业突破性创新的关键适配条件。最后,构建组态模型,用以分析人工智能与社会子系统特征之间的匹配如何影响企业突破性创新绩效。
(2)采用云模型对各条件变量进行校准,将离散的原始数据转化为连续的概率分布形式(取值区间为[0,1]),在保留原始指标区分特征的同时,能有效消除量纲差异与极端值对整体的影响。随后,以校准后的指标作为识别特征,采用K-Means聚类算法将样本企业划分为组内特征相似、组间特征相异的异质性群组类型。
(3)在上述聚类分组的基础上,以经过云模型校准的社会技术系统特征作为条件属性,以经过SAX方法离散化处理的突破性创新绩效作为决策属性,运用CART决策树算法挖掘不同类型企业实现突破性创新所遵循的社会技术系统决策规则,考察不同类型人工智能应用如何与企业社会子系统特征相适配更有助于开展突破性创新,以及哪些企业的社会子系统配置可能会抑制人工智能应用对突破性创新的赋能效应,甚至导致企业突破性创新绩效不升反降。
鉴于初始特征变量数据具有多源异构性、数值范围差异显著且部分变量存在分布偏斜或离群值,若直接用于聚类和决策树分析,数值尺度较大的变量或极端值可能会过度主导距离计算过程及特征分裂过程,从而削弱其它变量贡献。为消除量纲差异、增强分布鲁棒性并确保各变量在异质性群组划分及决策规则提取过程中具有均衡贡献,本文采用基于5%～95%的分位数云模型方法对数据进行校准处理,将原始数据映射至[0,1]区间。
为挖掘不同类型企业如何根据自身社会技术系统特征促进人工智能应用并推进突破性创新,本文采用K-Means算法将样本企业划分为个体差异显著的异质性群组类型。为确定最佳聚类个数(K值),本文参照已有研究处理方法[33-36],使用R语言Nbclust包中的26个指数对聚类个数进行选择和比较,在此基础上结合轮廓系数,将传统肘部法则的视觉判断转化为量化指标进行补充分析,最终确定最佳聚类个数为3,3类企业各条件变量均值如表3所示。
表3 不同类型企业群组特征
Table 3 Characteristic analysis of different types of enterprise groups
企业类型探索型人工智能应用利用型人工智能应用数字化转型程度动态能力高管数字化背景政府数字化关注度滞缓型0.4070.1720.4610.3300.4800.441先锋型0.6630.1710.6370.6930.6250.489效率型0.5180.6050.4740.5120.4740.573
(1)第一类企业探索型与利用型人工智能应用均处于较低水平。此类企业既未有效利用人工智能技术开拓新运营场景与业务流程,也未能提升已有运营效率,人工智能在其整体战略部署中处于边缘位置。尽管该类企业处于有利的政策环境中,但其数字化转型进程迟缓,组织动态能力建设仍显不足,表明此类企业所拥有的内部能力与外部政策支持未形成有效协同,企业在技术应用与组织演进过程中总体呈现相互掣肘的滞缓状态,本文将其命名为“滞缓型企业”。
(2)第二类企业探索型人工智能应用水平较高,其数字化转型程度与组织动态能力处于较高水平,表明此类企业具备较强的前瞻性技术布局意识与主动推进组织变革的战略倾向。然而,该类企业将人工智能技术融入现有运营体系,持续优化业务流程的进展较为缓慢,说明尽管此类企业能有效把握新技术机遇,但在有效转化技术成果并将其嵌入核心业务环节等方面存在短板,本文将其命名为“先锋型企业”。
(3)第三类企业利用型人工智能应用水平较高,在获取地方政府数字化支持方面具有明显优势,能够有效借助政策资源、项目补贴与示范试点机会,大规模部署成熟的智能技术,如流程自动化、精准预测性维护等,进而提升操作效率、降低运营成本。该类企业在探索型人工智能应用、整体数字化转型程度、组织动态能力及高管数字化背景等方面处于中等水平,反映出其在追求技术前沿突破、推动系统性组织变革与构建高阶数字领导力方面相对审慎,整体呈现出以实效为导向、依托成熟技术与政策红利实现稳健提升的发展路径,故本文将其命名为“效率型企业”。
本文以突破性创新绩效为结果变量,以社会技术系统特征为条件变量,采用CART决策树算法识别并提取不同类型企业突破性创新绩效的决策规则,探究企业的社会技术系统特征对其突破性创新绩效的差异化组态效应。
3.3.1 滞缓型企业突破性创新绩效决策树
如图2所示,对于滞缓型企业而言,因其深陷系统性迟滞困境,传统技术路径与组织模式难以支撑其突破性创新。具体而言,通过前沿性探索激发非连续性创新机会,是此类企业实现技术跃迁与模式革新的潜在突破口。而企业已有数字化基础是探索型人工智能应用实现突破性创新的重要权变因素。
图2 滞缓型企业突破性创新绩效决策树
Fig.2 Decision tree for breakthrough innovation performance of laggard enterprises
当企业数字化转型程度较高时,较为完备的数据治理体系能够为人工智能应用提供高质量、多来源数据支撑,支持其在未知业务领域进行可靠探索与假设验证;而且,组织内部成熟的数字文化与管理流程有助于提升企业应对不确定性风险的能力,降低企业新业务开发风险,进而促进突破性创新成果的涌现。当企业数字化转型程度较低时,薄弱的数据治理体系难以满足人工智能对新领域数据质量与规模的要求,使其无法有效识别和验证创新机会;另外,僵化的组织文化导致企业难以应对探索过程中的不确定性,从而延缓技术吸收与迭代响应,最终阻碍突破性创新产出。
3.3.2 先锋型企业突破性创新绩效决策树
如图3所示,在先锋型企业中,数字化转型程度与人工智能应用策略共同影响突破性创新成效。第一,当企业具备较高的数字化转型水平时,良好的数据基础、技术设施和流程有助于先锋型企业高效部署利用型人工智能应用,对已有探索性技术成果进行规模化整合与商业转化,形成探索—利用相互促进的良性循环,从而为突破性创新提供持续的动力支撑。第二,当企业数字化程度较高但偏重探索型人工智能应用时,大量资源被投入高风险、长周期的技术探索,探索性成果难以落地,若缺乏持续的价值反哺机制可能会导致突破性创新进程难以为继。第三,当企业数字化水平较低时,可通过快速识别技术机会、吸收外部知识并进行创新资源配置,来弥补其在数字基础设施与数据储备方面的结构性局限。这使得企业在缺乏内部数字支持下,仍能有效整合外部技术,满足探索型人工智能应用的高度不确定性需求,将创新机遇转化为突破性创新成果。第四,企业薄弱的数字化基础往往难以满足利用型人工智能应用对运营稳定性与数据结构化的要求,此时若持续推进此类人工智能应用策略,不仅难以实现效率提升,反而可能因既有业务流程适配度低、数据噪声等原因造成资源浪费,进一步挤占原本用于突破性创新的人力和物力资源。
图3 先锋型企业突破性创新绩效决策树
Fig.3 Decision tree of breakthrough innovation performance for pioneering enterprises
3.3.3 效率型企业突破性创新绩效决策树
如图4所示,政府数字化关注度与企业数字化水平影响效率型企业人工智能应用及突破性创新成效。第一,当企业数字化水平较高且受政府高度重视时,若仅采用以效率提升为目标的利用型人工智能应用,可能会抑制突破性创新。政府绩效导向往往会强化企业对短期可量化目标的追求,促使企业将数字化资源集中于现有业务流程优化,过度侧重于利用型人工智能应用可能会强化企业对原有技术路径的依赖,使其难以灵活适应突破性技术变革。第二,当企业数字化基础薄弱但政府数字化关注度较高时,协调开展利用型与探索型两类人工智能应用能够促进企业突破性创新。政府提供的政策支持、资源倾斜与创新生态环境,可弥补企业数字基础设施不完善和数字化能力的不足,为两类人工智能应用策略提供外部支撑。利用型人工智能应用可通过优化既有业务流程提升企业运营效率,由此释放的冗余资源可为高风险探索型人工智能提供持续补给;探索型人工智能应用则可借助政策背书突破资源约束,开拓全新的技术路径与市场机会,形成“以利用助探索、以探索促突破”的良性循环。第三,在同一情境下,若企业仅采用单一类型人工智能应用,则可能会阻碍突破性创新。若仅开展利用型人工智能应用,虽能借助政策资源提升局部效率,却难以开展新技术路径以满足突破性创新需要,反而会使企业过度追求短期政策红利而忽视长期技术积累;若仅推进探索型人工智能应用,则可能导致高风险探索过程难以为继,不利于新业务场景的开辟与突破性创新机会的挖掘。
图4 效率型企业突破性创新绩效决策树
Fig.4 Decision tree for breakthrough innovation performance of efficiency-oriented enterprises
3.3.4 决策规则对比与分析
通过对3类企业突破性创新绩效影响路径进行对比分析,得到如表4所示的决策规则汇总。
表4 决策规则汇总
Table 4 Summary of decision rules
企业类型探索型人工智能应用利用型人工智能应用数字化转型程度动态能力高管数字化背景政府数字化关注度置信度(%)支持度(%)突破性创新绩效滞缓型>0.738—>0.727———757.2高>0.471—≤0.592———51.410.5低先锋型—>0.22>0.742———1002.1高>0.608≤0.22>0.475———62.52.1低>0.577—≤0.475>0.503——66.71.6低≤0.577>0.22≤0.475———60.714.9低效率型—>0.487>0.917——>0.50451.712.4低>0.683>0.556≤0.503——>0.56366.71.3高≤0.683>0.556≤0.503——>0.56387.510.3低>0.328≤0.556≤0.503——>0.56362.915.0低
(1)突破性创新绩效的实现依赖于企业内外部社会技术要素与人工智能应用策略的特定组态匹配,该匹配模式在3类企业中呈现显著差异。第一,若滞缓型企业数字化水平较高,其能够凭借完备的数据治理体系与技术架构柔性,有效支撑人工智能开辟新业务场景以寻求突破性创新机会;若滞缓型数字化基础薄弱,则会因数据资产缺失与技术兼容障碍而限制人工智能在新领域的应用。第二,若先锋型企业处于良好的数字化环境,可借助人工智能技术优化既有业务流程,释放冗余资源以反哺高风险突破性探索项目;若先锋型企业数字化资源较为匮乏时,则需依赖组织动态能力保障前沿人工智能探索项目的顺利推进以开辟新技术增长轨道。第三,对于效率型企业而言,若企业自身数字化转型程度较高且外部数字化政策支持力度较大,二者协同会强化企业效率优先的战略导向,激励企业将人工智能应用重心置于满足政策考核和追求效率指标的渐进式创新,挤占突破性创新所需物力和人力资源;若先锋型企业数字化基础薄弱,政府通过提供专项资金与技术平台等资源,可有效弥补企业在数据质量与系统兼容性等方面的不足,促进企业协同推进人工智能在效率优化与前沿探索方面的应用,共同开辟非连续性创新轨道。
(2)高管数字化背景未作为关键变量出现在3类企业组态规则中,可能原因在于:CART决策树内在机制在于优先选择与结果变量存在直接判别关系的条件变量作为分裂节点。而高管数字化背景可能并非以其独立形态直接发挥作用,而是内化于组织维度或受任务维度的结构性规制。一方面,具备数字化背景的高管凭借其前瞻性数字战略视野与专业数字知识储备,根据企业实际情况调整和配置资源、惯例等,推动企业商业模式创新与数字化变革;抑或依靠自身敏锐的技术洞察力精准识别外部环境变化、将相关数字化经验转化为可复用的数字知识等,推进组织动态能力迭代升级。另一方面,企业所在地区政府通过产业政策、专项资金与项目招标等形式,为企业提供明确且强有力的行动导向与资源激励。高管为寻求合法性与资源倾斜,可能倾向于采取相似的战略响应[37],即外部数字化政策可能会压缩高管对外部环境进行自主解读与战略探索的决策空间,一定程度上削弱其在提供战略认知与方向抉择上的边际价值。高管数字化背景作为一个前置性的特征变量,其价值很可能已通过推进和提升组织数字化转型与动态能力,或通过与外部数字化政策的互动得以实现,而决策树算法更倾向于选择这部分更具操作性和可见性的特征作为分裂变量,故其未在决策规则中显现。
为深入考察高管数字化背景在复杂模型中的判别效力,本文放宽决策树模型参数约束,包括最大深度与节点最小样本数等关键超参数,结果如图5所示。在滞缓型企业突破性创新决策路径中,高管数字化背景作为数字化转型程度的子节点出现,其分裂所获信息增益显著低于数字化转型程度。决策树构建遵循局部最优分裂准则[38],在每一节点处选择能够实现信息增益最大化的特征进行划分,这意味着父节点代表在当前数据集中最具有判别力的特征,而子节点则是在父节点划分后的数据子集内继续寻找最具有判别力的特征。在补充分析结果中,数字化转型程度被优先选作分裂变量,表明其对突破性创新绩效具有更强、更直接的初始判别力。而作为子节点的高管数字化背景,其在父节点划分后的数据子空间内所能提供的额外判别信息较为有限,反映出该变量解释力在很大程度上通过数字化转型程度得以表征。而根据CART算法剪枝原理,模型通过权衡节点复杂性与信息贡献度保留具有显著判别价值的划分[39],高管数字化背景节点因信息增益有限而在正则化过程中被剪枝,未成为最终决策规则中的关键分裂点。需要注意的是,该结果并不否认高管数字化背景的理论价值,而是表明其信息含量在较大程度上通过数字化转型程度这一变量表征,因而在剪枝决策中被简化,结论进一步表明高管数字化背景的价值可能主要通过推动和提升组织整体数字化转型水平得以实现。这一发现有助于深化对社会技术系统作为有机整体的认知,部分子系统特征并非以直接驱动因素显现,而是扮演基础性角色,为技术子系统与社会子系统其它特征协同提供支撑,或通过与其它特征的补偿性与替代性互动,来协同推进整体创新成果的涌现。
图5 放宽模型参数约束后的滞缓型企业决策树
Fig.5 Decision tree for laggard enterprises after relaxing model parameter constraints
注：(信息增益=当前节点的基尼不纯度- [(左子节点样本数/当前节点样本数)×左子节点基尼不纯度+ (右子节点样本数 / 当前节点样本数) × 右子节点基尼不纯度])
本文从社会技术系统理论视角出发,选取2020—2023年我国A股制造业上市公司为研究样本,采用K-Means聚类算法和CART决策树算法挖掘企业的社会子系统特征如何与人工智能应用技术子系统相适配以有效推进突破性创新,得出如下研究结论:
(1)基于社会技术系统特征,将样本企业划分为3类异质性群组,其在技术路径、组织能力与政策响应等方面呈现显著差异:①滞缓型企业在拓展人工智能新兴业务场景及推动技术与现有流程深度融合方面存在不足。尽管高管具备一定数字化背景并能获得外部政策支持,但企业整体转型进程缓慢,动态能力存在明显短板,反映出将外部资源转化为内生动力的能力较弱,面临系统性发展迟滞风险。②先锋型企业在布局人工智能应用新兴领域、深化数字化转型和构建组织动态能力方面表现突出,展现出较强的前瞻性意识与组织适应性。然而,在将创新成果规模化应用于核心业务、实现持续价值转化方面进展缓慢,存在“强探索、弱落地”的非均衡状态,需警惕创新链条断裂风险。③效率型企业则侧重于利用人工智能优化现有业务流程、提升企业运营效率,且对政府数字化政策响应迅速,展现出较强的资源转化与执行能力。然而,其在运用人工智能创新业务模式、加速数字化转型进程、培育动态能力及构建数字化领导力等方面较为保守,整体遵循渐进式发展路径,需防范因过度聚焦效率而可能引发的路径依赖与创新空间收窄问题。
(2)不同类型企业实现突破性创新绩效依赖于差异化的社会技术系统要素组合。①滞缓型企业需在高水平数字化转型基础的支撑下,稳步推进探索型人工智能应用,依托完善的数据基础设施与灵活的技术架构弥补组织能力短板。若在数字化基础薄弱时强行推进高强度探索,则容易因系统兼容性弱、数据支撑不足而导致资源浪费与创新失败,因此应优先夯实数字化转型基础。②先锋型企业在已具备良好数字化转型基础的条件下,应重点强化利用型人工智能应用,将前沿技术成果嵌入核心业务流程,实现资源反哺与创新协同。若在基础不牢时过度偏重利用型应用或忽视动态能力建设,可能因探索与利用失衡而制约其突破性创新能力提升,因而需通过提升动态能力来平衡技术探索与商业化落地之间的关系。③效率型企业在数字化转型基础相对薄弱但政府支持力度较大情境下,应协同推进探索型与利用型人工智能应用,借助政策资源补齐能力短板。若在数字化基础成熟时仍过度迎合政府效率导向、强化利用型应用,则可能因路径固化抑制突破性创新,因此应避免为短期政策目标而牺牲长期技术探索,主动构建前瞻性技术储备。
(1)深化了人工智能应用分类框架。已有研究对人工智能应用的界定多聚焦其技术实现过程[11],对人工智能技术赋能企业创新的认知存在分歧。本文将人工智能应用划分为探索型和利用型两种模式,有助于调和当前研究中关于其作为效率工具或变革杠杆等功能定位的认知差异,为厘清人工智能赋能企业创新的差异化影响路径提供分类基础。
(2)构建基于社会技术系统协同特征的企业分类范式。已有研究在探讨人工智能应用创新效能情境条件时,普遍选取行业、规模、所有制等先验维度进行异质性分析[11-12],未能反映组织资源、能力要素与人工智能技术适配性的实质性差异,难以解释同行业或同规模企业应用人工智能赋能创新效果存在的显著差异。本文在社会技术系统视域下,采用K-Means聚类算法识别内在技术能力与组织要素协同状态相似的企业集群,为理解人工智能赋能企业创新的情境依赖性提供了更精细的理论视角。
(3)揭示人工智能赋能突破性创新的多要素组态驱动机制。已有研究多侧重分析人工智能政策环境或技术属性对企业突破性创新的“净效应”[10],未充分关注技术应用与组织情境的复杂适配性。本文基于组态视角,探究企业人工智能技术子系统与社会子系统特征通过非线性匹配形成差异化适配路径以共同驱动企业突破性创新,为现有“技术导向观”提供了一种弥合的解释视角,从社会技术系统视角丰富了突破性创新前因机制研究。
(4)构建人工智能赋能企业突破性创新的社会技术系统框架。本文立足于社会技术系统理论,通过识别具有相似特征的异质性企业群组及其突破性创新组态路径,将人工智能技术特征与组织要素互动匹配视作其驱动突破性创新的核心机制,构建“人工智能应用—社会技术系统协同演化—突破性创新”分析框架,为阐释人工智能情境下突破性创新涌现逻辑提供了整合性视角。
(1)基于自身实际选择适配的人工智能应用模式。第一,对于外部资源转化效率较低且技术系统迭代迟滞的企业而言,需优先制定智能化基础设施升级路径,建立数据治理平台与模块化技术架构,在系统兼容性与数据质量未达标前限制前沿技术探索,设立转型成熟度动态监测机制,当基础设施核心指标持续低于行业基准时自动触发技术探索预算熔断。第二,对于技术前沿布局积极但核心业务渗透不足的企业,可考虑成立技术商业化专项办公室,将人工智能研发资源投入核心业务流程,同步建立技术突破与场景落地的双轨考核体系,通过动态能力评估模型定期诊断探索与应用的平衡,对失衡部门启动战略校准。第三,对于效率优化体系成熟但前沿技术投入不足的企业,可考虑建立政策补贴的技术探索专项配额制度,在承接政府效率类项目的同时部署前瞻性技术储备计划,设立突破性创新预算保护机制,当短期效率投入侵蚀长期人工智能技术探索资源时自动触发预算重置流程。
(2)建立基于人工智能应用深度与创新能效的企业分级动态数据库,政府应对基础设施薄弱且资源转化能力欠缺的企业实施基建达标前置审查,未通过智能化认证的企业限制其申报前沿技术攻关项目,对达标企业开放工业大数据平台权限并接入产业链协同网络。对技术探索与商业应用失衡的企业设计政策激励约束工具,在科技奖励申报中增设商业化落地审计要求,未达到转化基准者按比例扣减补贴额度;同时,对过度侧重效率路径的企业引入技术前沿偏离度考核,对创新多样性不足者征收创新调节基金,将其注入国家突破性技术专项池。在制造业数字化转型示范区试点政策资源兑换机制,为企业提供补贴时,同步消减其通过重大研发计划积累的技术探索信用额度,从制度层面防范短期政策导向挤压长期创新空间。
本文存在如下不足:第一,主要根据上市公司年报文本信息测量企业人工智能应用水平,研究结论与企业实际应用场景可能存在一定偏差。未来可结合机器学习方法与多源实地数据,如访谈、问卷及案例资料等,构建更全面、多维度的人工智能应用评估框架。第二,企业突破性创新绩效影响因素较多,未来可从多角度考察影响企业突破性创新绩效的驱动因素,借助机器学习方法进一步挖掘不同特征变量对突破性创新绩效的异质性影响。
[1] 李树文,罗瑾琏,花常花,等.共时性双元领导对突破性创新的转换边界与路径[J].管理评论,2022,34(6):103-114.
[2] 李莉,王高森,程露,等.数实技术融合、创新节奏与企业突破性创新——技术群嵌入的调节效应[J].科技进步与对策,2025,42(7):115-125.
[3] WANG Z, ZHANG T, REN X, et al. AI adoption rate and corporate green innovation efficiency: evidence from Chinese energy companies[J]. Energy Economics, 2024, 132: 107499.
[4] ZHAO X, LI S. Artificial intelligence and public environmental concern: impacts on green innovation transformation in energy-intensive enterprises[J]. Energy Policy, 2025, 198: 114469.
[5] BABINA T, FEDYK A, HE A, et al. Artificial intelligence, firm growth, and product innovation[J]. Journal of Financial Economics, 2024, 151: 103745.
[6] LIU J, CHANG H, FORREST Y L, et al. Influence of artificial intelligence on technological innovation: evidence from the panel data of China's manufacturing sectors[J]. Technological Forecasting and Social Change, 2020, 158:120142.
[7] 李玉花,林雨昕,李丹丹.人工智能技术应用如何影响企业创新[J].中国工业经济,2024,41(10):155-173.
[8] SUN Z, WU X, DONG Y, et al. How does artificial intelligence application enable sustainable breakthrough innovation? evidence from Chinese enterprises[J]. Sustainability, 2025, 17(17): 7787.
[9] 陈庆江,平雷雨,董天宇.数字技术应用创新赋能效应的实现方式与边界条件[J].管理学报,2023,20(7):1065-1074.
[10] 李海林,廖杨月,李军伟,等.高校杰出学者知识创新绩效的影响因素研究[J].科研管理,2022,43(3):63-71.
[11] 林春培,朱晓艳,余传鹏,等.跨界团队网络特征对其颠覆性创新绩效的影响研究[J].情报学报,2024,43(4):391-404.
[12] 鲁诚至,刘愿.区域创新网络、异质企业成长与区域创新[J].科研管理,2017,38(2):77-83.
[13] CHALMERS D, MACKENZIE N G, CARTER S. Artificial intelligence and entrepreneurship: implications for venture creation in the fourth industrial revolution[J]. Entrepreneurship Theory and Practice, 2020, 45(5): 1028-1053.
[14] GE B, WANG Q, YAO M. From ideas to entrepreneurial opportunity: a study on AI[J]. Systems Research and Behavioral Science, 2022, 39(3): 618-632.
[15] MASTROGIOVANNI S. AI-driven data governance for optimizing supply chain and inventory management in pharmaceutical R&D[J]. Proceedings of the International Conference on Industrial Engineering and Operations Management, 2024,1(1):9-11.
[16] KOLBEINSSON A, SHUKLA N, GUPTA A, et al. Galactic air improves airline ancillary revenues with dynamic personalized pricing[J]. Informs Journal on Applied Analytics, 2022, 52(3): 233-249.
[17] 李振东,梅亮,朱子钦,等.制造业单项冠军企业数字创新战略及其适配组态研究[J].管理世界,2023,39(2):186-208.
[18] MARCH J G. Exploration and exploitation in organizational learning[J]. Organization Science, 1991, 2(1): 71-87.
[19] 刘淑春,李杨,潘李鹏,等.转型策略选择与非数字原生企业数字化转型——基于组织身份冲突视角[J].中国工业经济,2025,42(4):137-155.
[20] TEECE D J, PISANO G, SHUEN A. Dynamic capabilities and strategic management[J]. Strategic Management Journal, 1997, 18(7): 509-533.
[21] 王超,余典范,龙睿.经济政策不确定性与企业数字化——垫脚石还是绊脚石[J].经济管理,2023,45(6):79-100.
[22] 王国松,李欣宇,杨彤.财政收支结构调整与企业数字化转型:“春风化雨”还是“适得其反”[J].经济与管理研究,2023,44(11):3-24.
[23] 王蕾茜,蒋忠莉,纳超洪.政府关注与企业数字化转型的“多言寡行”[J].财贸研究,2024,35(4):97-110.
[24] 王昱,丁永方,甘静娴,等.信号效应还是机会主义行为:企业数字化转型信息披露与创新投入[J].经济理论与经济管理,2025,45(6):111-132.
[25] 沈喆,张锟澎.企业数字化与审计延迟:事倍功半还是事半功倍[J].财贸研究,2024,35(1):84-97.
[26] QU G, CHEN J, ZHANG R, et al. Technological search strategy and breakthrough innovation: an integrated approach based on main-path analysis[J]. Technological Forecasting and Social Change, 2023, 196: 122879.
[27] HARHOFF D, NARIN F, SCHERER F M, et al. Citation frequency and the value of patented inventions[J]. Review of Economics &Statistics, 1999, 81(3): 511-515.
[28] 阳立高,邬佩云,韩峰.数字产业与制造业协同集聚对企业绿色创新的影响研究[J].财经理论与实践,2024,45(3):131-138.
[29] 宋竞,王雯莉,黄缘缘.绩效反馈对双元数字化战略选择的影响[J].学术交流,2024,40(3):92-111.
[30] 李晓翔,张树含.数字化转型如何影响企业融通创新[J].经济管理,2023,45(4):41-63.
[31] 马文甲,张弘正,张琳琳.“全面赋能”还是“局部赋能”?数字化转型对绿色创新的非对称影响研究[J].系统工程理论与实践,2025,45(6):1788-1811.
[32] 杨刚强,王海森,岳子洋,等.客户数字化转型、供应商碳减排与碳信息披露迎合[J].中国工业经济,2024,43(8):99-117.
[33] CHARRAD M, GHAZZALI N, BOITEAU V, et al. NbClust: an R package for determining the relevant number of clusters in a data set[J]. Journal of Statistical Software, 2014, 61(6): 1-36.
[34] 郭雪飞,于晨,杨森,等.铁路站区节点—场所属性评估与优化研究——以长三角地区为例[J].城市规划,2025,49(3):81-89.
[35] 庞晓波,李丹.中国经济景气变化与政府债务风险[J].经济研究,2015,50(10):18-33.
[36] 王丙参,王国长,魏艳华.基于K-means算法的聚类个数确定方法改进[J].统计与决策,2025,41(7):59-64.
[37] 席龙胜,赵辉.高管双元环保认知、绿色创新与企业可持续发展绩效[J].经济管理,2022,44(3):139-158.
[38] 朱晓艳,朱涛,周文浩,等.数字创新网络特征对企业数字创新绩效的影响——基于机器学习方法[J].科技进步与对策,2025,42(21):73-84.
[39] WEBB A R. Statistical pattern recognition[M]. Chichester:John Wiley &Sons, 2002.