From a configurational perspective, this study develops an integrated theoretical framework that captures the essence of the digital intelligence era and the developmental requirements of platforms. Using fuzzy-set qualitative comparative analysis, the study examines 49 national “dual-cross” industrial Internet platforms. It focuses on the core question of how these platforms can achieve high digital intelligence empowerment and explores the digital intelligence empowerment of industrial Internet platforms influenced by the interplay of the platforms themselves, platform-enabling enterprises, and the operational environment. By addressing these questions, this study reveals the dynamic and complex nature of the unique driving mechanisms and realization pathways of digital intelligence empowerment. It also offers precise theoretical guidance and practical solutions for formulating strategies and optimizing operations to enhance the digital intelligence empowerment of industrial Internet platforms.
The study reaches the following conclusions: (1) The valuable, rare, inimitable, and non-substitutable resources (hereinafter referred to as “VRIN resources”) are essential for achieving the digital intelligence empowerment of industrial Internet platforms. Optimizing these resources significantly enhances the platforms' empowerment effects and drives the digital intelligence transformation and upgrading of the manufacturing industry. (2) The digital intelligence empowerment of industrial Internet platforms follows multiple pathways and complex mechanisms. Three key factors of“ecological synergy and linkage”, “market stabilization and collaboration” and “resource decision-driven”are critical in achieving high digital intelligence empowerment. These three factors represent significant types of high digital intelligence empowerment among industrial Internet platforms. Each mode reflects the strategic actions of different platforms to achieve high digital intelligence empowerment based on their unique ecological characteristics and strengths, collectively forming a multi-dimensional strategic framework for high digital intelligence empowerment. “Ecological looseness and imbalance” and “weak market competition” are typical types of low digital intelligence empowerment among industrial Internet platforms, exhibiting asymmetric relationships with the high empowerment patterns. (3) Under specific configurations, the elements of “platform subject-platform object-platform environment” can achieve high digital intelligence empowerment through complementary interactions and equivalent substitutions. This process follows a “diverse pathways to a common goal” approach.
This study develops a theoretical framework for the digital intelligence empowerment of industrial Internet platforms from a configurational perspective, thereby enriching the theoretical understanding of digital intelligence empowerment within the digital intelligence context. Meanwhile, this study develops an evaluation framework for assessing the digital intelligence empowerment effect of industrial Internet platforms, thereby expanding the quantitative evaluation of digital intelligence empowerment. In addition, it examines the realization of digital intelligence empowerment based on platform ecosystem theory, and extends the application of platform ecosystem theory. The study emphasizes that industrial Internet platform enterprises must strategically prioritize the cultivation of VRIN resources, focus on their development, and utilize them to enhance digital intelligence empowerment. Achieving high digital intelligence empowerment is not a one-size-fits-all process. Instead, enterprises should comprehensively analyze the characteristics of platform ecosystem elements and external environmental conditions, conduct effective strategic planning, and choose appropriate empowerment pathways.
开放科学(资源服务)标识码(OSID)：
党的二十届三中全会强调“加快新一代信息技术全方位、全链条普及应用,发展工业互联网”。工业互联网平台建设是推动数实融合的有力举措,是加快新型工业化建设的关键引擎,也是形成新质生产力的战略基础。如航天云网、海尔卡奥斯、浪潮云洲等工业互联网平台通过为企业数智化赋能,助其实现精益管理、转型升级以及创新发展。工业互联网平台的价值得到业界普遍认可。工业互联网平台不断涌现,也逐渐暴露出一些亟待解决的关键问题。如何基于数智时代新特征充分发挥工业互联网平台的数智赋能价值、系统探索工业互联网平台数智赋能的内在作用机理,成为业界和学界关注的热点问题。
工业互联网平台数智赋能是指运用最新的信息技术对工业场景进行全面的数智化改造,通过深度整合并优化异质性资源,建立智能化数据分析体系,为智能决策、流程优化和业务模式创新提供强有力支持[1-3]。围绕工业互联网平台数智赋能效果,学者们基于网络、制度、市场等外部环境要素[4]以及资源、能力等组织内部要素[1,5-7],探讨工业互联网平台实现数智赋能的作用机理,认为工业互联网平台有利于打造全新商业逻辑和价值范式[6,8]、创新制造业服务模式和资源共享方式[9],助力企业实现智能制造和高质量发展[10-11]。尽管现有研究已形成诸多理论成果,但是针对工业互联网平台数智赋能效果的探索仍然滞后于业界实践,且现有研究大多侧重于分析单一层面因素,忽视平台生态的系统性和复杂性,缺乏对多要素综合作用及协同效应的深入探究,未有明晰的赋能效果量化评估和系统性阐述。
针对现有研究局限,本文从组态视角出发,基于数智时代特色和平台发展要求构建整合性理论框架,采用模糊集定性比较分析(fsQCA)方法,选取49家国家级“双跨”工业互联网平台,聚焦工业互联网平台数智赋能效果这一核心问题,揭示其独特驱动机制和实现路径的动态性与复杂性,为工业互联网平台数智赋能效果提升和运营优化提供理论指导与实践参考。
现有研究主要从技术、组织、生态3个视角对工业互联网平台内涵进行界定。基于技术视角的研究认为,工业互联网平台是集工业互联网、物联网、数字孪生等前沿信息技术于一体的开放式云平台,是推进数实融合的新型基础设施[2,12-13]。基于组织视角的研究则认为工业互联网平台是“组织中的组织”,是由技术架构和治理体系交互组成的元组织形态(Saadatmand et al.,2019),具有系统化、交互性和个性化特征[6],是介于企业与市场之间的新型混合结构,不同组织间相互协同并与市场紧密耦合[14-16]。基于生态视角的研究则认为工业互联网平台是一种新兴、现代化的制造业商业生态系统。该生态系统将企业关键业务抽象化并映射至云数据中心,实现物理世界与虚拟世界的数字化链接,最终以尖端技术为基础进行虚拟集聚[2,6,9]。本研究综合上述视角,认为工业互联网平台主体(平台主导者)、平台客体(平台参与者)与平台环境三方协同,共同构成互惠互融、共生共赢的平台生态系统。在该系统中,平台主体与平台客体交互合作,形成互利共赢、相互依存的平台网络,平台主体凭借其所在的枢纽地位、卓越的数字技术及强大的资源和能力,赋能平台客体以某种或某系列能力,助其从无到有、从有到优,扩大价值创造空间、实现双方价值共创,最终促进绩效提升[17-18]。
围绕工业互联网平台,学者们从技术、产业经济学、组织管理等不同角度展开分析。从技术角度,学者们聚焦于技术架构、技术应用评价、业务流程优化、智能制造协同等主题开展概念性和应用性分析[9,16];从产业经济学角度,学者们基于生态系统理论(Jovanovic et al.,2021)、产业集群理论[19]、平台治理理论(王节祥等,2024)等探究工业互联网产业集群运行规律并分析工业互联网平台生态系统建设机理;从组织管理角度,学者们基于自组织理论(马永开等,2020)、社会资本理论[13]、赋能理论(刘祎等,2024)等分析工业互联网平台形成与演化,探究平台主体间的协同共生关系。
相关研究主要包括工业互联网平台数智赋能的内涵特征、影响因素、路径与效果3个方面。
关于数智赋能,学界多从特征或重要性角度界定其内涵,即利用大数据和人工智能技术深度挖掘用户需求、拓展多元业务场景,对企业业务流程、组织架构、价值创造方式进行深度的数智化改造[20]。该赋能方式能够重塑数字生产要素,提升企业决策效率和精准度,进而实现业务创新和优化。工业互联网平台数智赋能的内涵则聚焦于工业场景,是指运用新一代信息技术对工业场景实施全面数字化处理,并深度集成、优化异质性资源,通过构建智能的数据处理分析框架,支持智能决策、流程优化和模式创新[1-3]。
围绕工业互联网平台数智赋能的影响因素,有学者基于资源基础观,认为资源赋能是工业互联网平台赋能的核心形式,强调技术资源、信息资源、关系资源以及文化资源在平台内协同共享的重要性[1,4,21],其内在逻辑是突出资源对工业互联网平台数智赋能的重要作用;有学者基于能力视角,关注吸收能力、知识管理等内在能力对工业互联网平台数智赋能的影响[5,8];有学者从价值共创角度,探索平台、企业和消费者之间的价值共创模式以及该模式如何推动工业互联网平台的数智赋能[5];也有学者从社会网络关系、复杂网络、网络效应等视角探究工业互联网平台网络化与生态化的复杂演变机理以及网络化趋势对数智赋能效果的影响[6,8];还有学者研究发现,工业互联网平台赋能效果受到制度环境、市场、技术等多重因素的综合影响[6-7]。因此,从平台生态系统角度看,这些研究覆盖工业互联网平台数智赋能的全流程,诠释了工业互联网平台生态系统中不同要素的功能、角色及其相互作用,为本研究构建影响赋能效果的前因框架提供了理论基础。
现有的工业互联网平台数智赋能逻辑和路径分析主要包括3个方面:一是从赋能辐射价值空间的层级看,学者们主要围绕组织赋能、结构赋能和场域赋能进行深入探讨[3];二是从赋能空间的过程看,学者们主要围绕研发赋能、生产赋能和经营赋能等展开研究(吕梓薇等,2023);三是从赋能协同战略的内在逻辑看,学者们主要围绕技术赋能、结构赋能、价值赋能进行研究(李芳等,2023)。工业互联网平台数智赋能在企业运营、技术创新、业务发展等方面均具有重要价值,主要体现在促进企业形成新商业逻辑和价值范式[6,22]、创新制造业服务模式[9]、推动平台资源共享和价值共创[8],最终实现智能制造和高质量发展[11]等方面。
现有研究分析了工业互联网平台运营机理,明晰了数智赋能内涵和规律,然而对于工业互联网平台数智赋能效果的研究仍存在局限:第一,当前文献多集中探讨工业互联网平台的数智赋能现象,对于工业互联网平台数智赋能效果及其量化分析关注不足,因而有必要构建科学有效的评估框架,客观评估工业互联网平台数智赋能效果。第二,尽管有研究开始关注多要素的综合作用,但既有研究大多基于单一层面分析工业互联网平台数智赋能效果,缺乏系统全面的理论框架,亟需基于实践构建研究体系,从多理论联动视阈,跨层面、多维度识别和解析驱动因素及作用机理。第三,现有研究多倾向于探究特定因素的净效应,较少关注多变量间的联动效应和互动关系,但工业互联网平台的数智赋能是复杂而动态的系统过程,理论上是多因素共同作用的结果,可能产生诸如挤占效应、叠加效应等非线性关系,因而有必要运用新方法探索其深层次缘由,跨层次、多角度地提供研究策略。
本文借鉴现有相关研究,深入数智化情境梳理工业互联网平台数智赋能全流程,从平台主体、平台客体、平台环境3个层面构建赋能效果的前因框架。具体为:第一,作为数智赋能主体,工业互联网平台凭借其独有的资源,构筑平台核心竞争力,直接影响平台数智赋能效果,同时,在数智赋能过程中,平台构建以数据为核心的数智信息架构和决策支持系统,在大数据分析能力支持下进行数据采集、存储、分析和应用,为决策者提供科学依据,实现工业互联网辅助生产功能。第二,作为数智赋能客体,囿于自身资源和能力有限,加入工业互联网平台网络联盟并嵌入平台企业主导的生态系统[17],借助平台的高效连接和超模块化网络结构实现价值创造(解学梅等,2024)。因此,平台网络建设水平直接关系平台客体参与度和数智赋能效果。若平台客体未与平台主体建立互补共创的合作关系,只是单向接受平台提供的产品或服务,将导致其参与度过低,易被平台边缘化,最终难以实现预期赋能效果(杨大鹏等,2022)。第三,组织外部环境直接影响组织运营结果(董韫韬等,2024)。工业互联网平台数智赋能主体和客体都处于跨领域动态环境中,要求工业互联网平台具备高度的适应性、灵活性,能够及时调整战略行动以适配实时变化的数据和市场环境。因此,环境动态性是影响平台运营策略和赋能效果的重要因素。
基于此,本研究从平台主体、平台客体、平台环境3个层面提出工业互联网平台数智赋能前因要素,以跨层面、多维度解析不同因素间的相互作用和协同效应如何影响工业互联网平台数智赋能效果。
(1)有价值、稀有、不可模仿和不可替代的资源(以下简称“VRIN资源”)是企业拥有竞争力的基础[23-24]。工业互联网平台生态内的VRIN资源是平台生态的核心。工业互联网平台以客体用户需求为牵引,以VRIN资源为依托,通过整合异质性资源、开发冗余数据资源,实现资源共享、知识传导和数字协同,进而推动数智赋能[1,4,8,21]。
(2)大数据分析(以下简称“BDA”)能力使得平台能够处理海量工业数据,提取有效信息,提高响应速度,进行智能决策,是平台生态的“中枢神经”。BDA能力的核心在于高级分析和数据管理技能,可将数据转化为竞争优势,实现数据驱动的运营规划、决策和执行[25-26]。因此,BDA能力和平台数据资源相辅相成,以双“螺旋”式发展态势促进工业互联网平台数智赋能高效化、智能化[27]。
(3)价值共创强调平台与用户、合作伙伴之间的互动与协作[28],通过提升用户体验,增强平台竞争力、促进平台生态繁荣,这是平台生态的动力源泉。工业互联网平台与企业双向互动,通过资源、技术等要素的流动赋能企业,实现价值共创。在此过程中,基于契约关系的深度合作有助于各方共同制定计划、解决问题,在资源共享与价值共创的互动中满足市场需求(朱晓红等,2023),提升数智赋能效果。
(4)平台网络广度为资源配置与利用提供多样化渠道,实现多主体协同(Sungur,2015),是平台生态的连接纽带。工业互联网平台通过打破传统产业生态中各要素、各环节间的信息壁垒,整合多源数据,实现互联互通,在平台与企业之间构建跨行业虚拟社会网络,促进多个利益相关者之间功能耦合,产生数据融合增值效应[3,6,13,29]。
(5)环境动态性在工业互联网平台的数智赋能过程中扮演至关重要的角色。平台主体、平台客体与外部生态环境在交互中不断适应彼此并相互依赖。环境变化会导致平台与企业依赖关系复杂化,从而影响平台赋能效果[8,30]。一个充满活力的动态环境要求平台具备高度灵活性和快速决策力,不断采纳新技术、开拓新市场、探索新业务新模式、适时调整战略方向,以适应动荡的市场环境,达到良好的赋能效果。
综上,工业互联网平台通过VRIN资源、BDA能力、价值共创、平台网络以及环境动态性等要素的深度交互,形成“平台主体-平台客体-平台环境”三方协同发展的平台生态。这些要素共同作用,使得工业互联网平台不仅能够提供基础连接和资源配置服务,而且能通过数据分析和智能决策支持,增强市场敏锐度,提高运营效率。此外,平台开放性、互动性有助于促进其与用户、合作伙伴之间的价值共创,推动平台生态繁荣和创新发展。其中,平台网络的广泛连接性和多样性则为资源优化配置提供渠道,促进跨行业协作和知识传导;环境的动态性则确保平台能够灵活适应市场变化,持续进行技术和业务模式创新。这些要素的紧密结合,构成工业互联网平台数智赋能的核心机制,具体见图1。
图1 研究框架
Fig.1 Research framework
本研究采用以集合论为基础的定性比较分析(QCA)方法,分析工业互联网平台数智赋能效果实现的逻辑机制。原因如下:第一,QCA方法是一种基于整体论分析多要素组态效应的研究范式,其强调多因共果,能精细识别案例间异质性、并发条件、非对称性关系、等效性路径等管理领域的复杂现象[31-33]。这与本研究认为的“平台生态内多要素协同联动是解析工业互联网平台数智赋能效果实现机制的基本逻辑”观点一致。第二,QCA方法认为不同前因条件组态对被解释结果有互不冲突的等效性[31-33]。工业互联网平台数智赋能往往具有多重原因和目的,可能存在多条等效因果链。因此,利用QCA方法讨论工业互联网平台数智赋能驱动因素和路径,有助于探索工业互联网平台数智赋能模式,找出不同前因条件之间的替代关系。
为了探究跨行业跨领域工业互联网平台(以下称为“双跨”工业互联网平台)数智赋能因果机制,本研究选取“2024年跨行业跨领域工业互联网平台”作为案例样本,理由如下:第一,“2024年跨行业跨领域工业互联网平台”由工业和信息化部遴选,所选平台均是赋能高质量发展、助力新型工业化的标杆平台,具有权威性和代表性;第二,“双跨”工业互联网平台服务企业众多,行业领域细分、应用场景丰富、市场规模大,确保了案例样本多样性和实证有效性;第三,“双跨”工业互联网平台凭借强大的数据支撑和智能服务,为企业创新发展带来显著优势。此外,这些平台在数智赋能效果方面呈现出一定差异性,与工业和信息化部公示的A、B、C三个等级相匹配,为进一步探究数智赋能效果提供了合适的研究素材。
本研究所用数据均为质性案例资料,主要来源为49家国家级跨行业跨领域工业互联网平台企业年报,并从多个渠道收集辅助数据进行三角验证,主要包括平台官网以及公众号、工业互联网平台报告、社会责任报告、新闻报道等,所有文本数据共计328万余字。
通过详细阅读文本数据,剔除关键信息不完整的企业(核心报告缺失、平台赋能信息披露不足),最终得到49个案例样本,遵循中小样本选择原则,既保障案例总体的同质性,又最大化样本个体异质性。案例样本广泛涵盖由国家和省级工业互联网试点示范项目认定的先进企业,以及获得国家专项支持的重点项目。样本平台覆盖32个工业城市,涉及45个国民经济大类、41个工业大类。
本文所用数据均为质性材料,故遵循Neuendorf(2002)提出的内容分析法理论框架,采用李克特五点量表,对案例材料进行总结性定量分析。量化赋值时,结合工业互联网平台情境和数智赋能核心议题对预先设定的编码题项进行必要调整与优化,并采用背对背编码方式,由3名研究人员分别对49个案例样本进行编码,待全部编码完成后,对编码结果进行讨论,直至对所有编码结果无异议,保证编码信效度。
(1)赋能效果。根据工业和信息化部发布的“2023年跨行业跨领域工业互联网平台申报能力要求”,关注平台赋能效果评估标准,在此基础上参考已有研究定义和测量标准制定编码方案[2,10]。为深入揭示平台赋能的因果机制,结果变量选取数智解决方案供给、数智赋能园区转型效果、数智赋能行业和领域效果、中小企业数智服务、国际业务拓展5个关键维度。其中,数智解决方案供给维度关注平台提供智能化解决方案的能力;数智赋能园区转型效果维度关注平台对园区数字化转型的推动作用;数智赋能行业和领域效果维度考察平台在特定行业与领域中的实际效果;中小企业数智服务能力维度着眼于平台对中小企业数字化服务的支持;国际业务拓展能力维度则测度平台的全球竞争力和影响力。本研究采用李克特五点量表对5个关键维度进行量化赋值,以计算得出平台赋能效果的综合得分。赋能效果评价指标体系如表1所示。
表1 赋能效果评价指标体系
Table 1 Evaluation indicator system of empowerment effectiveness
维度指标说明 数智解决方案供给覆盖的行业数量(分类包括航空/航天、农业、服务业等22大行业)覆盖的领域数量(包括生产制造、运营管理等九大重点领域)提供有效解决方案数量(解决方案之间不能有交叉,边界清晰)运用技术(5G、人工智能、数字孪生、区块链、工业AR/VR技术等)累计服务园区数量数智赋能园区转型成效获评国家级示范园区、工业和信息化部“平台+园区”示范项目数量服务园区获评省级示范园区数量数智赋能行业和领域效果获评工业和信息化部应用案例数量获评省级应用案例数量中小企业数智服务能力国际业务拓展能力累计服务中小企业数量对海外企业提供平台赋能解决方案数量
(2)VRIN资源。根据资源基础观,VRIN资源是企业竞争力的重要组成部分,参照Lin等[24]开发的量表,采用李克特五点量表对数智赋能涉及的专业知识与技术、平台声誉、合作联盟经验3个维度进行量化赋值,得到工业互联网平台VRIN资源综合得分。
(3)BDA能力。BDA能力关注大数据分析技术能力和大数据分析管理能力两个维度。其中,大数据分析技术能力反映平台灵活性,有助于快速开发、部署和支持公司数据资源;大数据分析管理能力是支持大数据分析规划、投资、协调和控制的组织能力[14,26]。本研究基于Sun等[10]开发的量表,采用李克特五点量表对平台大数据分析技术能力和平台大数据分析管理能力两个维度及其11个题项进行量化赋值,得到工业互联网平台BDA能力综合得分。
(4)价值共创。本研究基于Albinsson等[28]开发和界定的量表,采用李克特五点量表对平台与赋能企业间的沟通与交流、解决方案或产品可获得性、平台产品风险评估和平台透明度4个维度进行量化赋值,量化分析工业互联网平台的价值共创效果。
(5)平台网络。结合Collins(2013)、Soetanto(2013)等的研究成果,基于Wu等[29]开发的量表,采用李克特五点量表对平台外部网络和平台内部网络两个维度及其8个题项进行量化赋值,得到工业互联网平台网络效应的综合得分。
(6)环境动态性。环境动态性是指技术与市场变化以及环境的不可预测性或波动性。根据Jaworski(1993)、Wu等[29]开发的量表,采用李克特五点量表对平台赋能市场和客户需求变化、平台赋能行业产品或服务类型、工业互联网平台技术发展、整体行业发展、平台合作伙伴行为5个维度进行量化赋值,进而获得工业互联网平台环境动态性的综合得分。
本研究将VRIN资源、BDA能力、价值共创、平台网络和环境动态性作为前因变量,将工业互联网平台数智赋能效果作为结果变量,研究前因变量的不同组合对赋能效果的影响。在进行必要性和充分性分析前,需要对前因条件和结果进行校准,将原始数据转换为集合隶属分数,赋予目标案例集合隶属度[31]。本研究采用直接校准法,将原始数据赋予0～1之间的隶属分数,即完全隶属(0.95)、交叉点(0.5)、完全不隶属(0.05)[30]。本研究分析何种前因条件能够实现工业互联网平台高数智赋能效果,而且样本覆盖国内绝大多数“双跨”工业互联网平台,因此采用分位数校准具有较强理论和实践意义。为了解决案例隶属度恰好为0.5的组态归属问题,将0.5的隶属度减去0.001(杜运周等,2022)。前因条件和结果的校准锚点如表2所示。
表2 变量校准锚点
Table 2 Calibration points of variables
变量校准阈值完全隶属交叉点完全不隶属前因条件VRIN资源4.754.003.00BDA能力4.603.402.40价值共创4.723.672.87平台网络4.623.282.00环境动态性4.752.501.05结果数智赋能效果4.804.253.33
采用fsQCA软件进行必要性分析,检验单项前因是否构成结果变量的必要条件。通常,必要条件的一致性阈值高于0.9(Schneider,2012),分析结果如表3所示。数据显示,仅有VRIN资源的一致性高于0.9,构成工业互联网平台高数智赋能的必要条件,与Barney[23]、Lin等[24]基于资源基础观的观点相呼应;其他单一条件的一致性水平均低于0.9,不足以构成高和非高数智赋能效果的必要条件。这印证了工业互联网平台数智赋能过程存在复杂因果关系的预期,故需要从组态视角进一步探究组合影响机制。
表3 条件变量必要性分析结果
Table 3 Results of necessity analysis of conditional variables
前因条件高赋能效果一致性覆盖度前因条件非高赋能效果一致性覆盖度VRIN资源0.950 90.957 1～VRIN资源0.381 70.376 7BDA能力0.731 40.750 4～BDA能力0.564 30.546 8价值共创0.729 30.749 9～价值共创0.543 80.525 9平台网络0.657 20.716 2～平台网络0.574 90.528 0环境动态性0.699 00.680 1～环境动态性0.533 20.544 8
注：“～”表示逻辑“非”
进行充分性分析时,借鉴以往研究,将案例频数阈值设为1,保留至少80%的样本。同时,将一致性阈值设为0.8,PRI阈值设为0.7(杜运周等,2022),以避免不一致情况。通过中间解与简约解的嵌套关系对比,区分每个解的核心条件和边缘条件(杜运周等,2022),最终得到组态结果如表4所示。
表4 条件组态充分性分析结果
Table 4 Adequacy analysis results of conditional configuration
前因条件高赋能效果S1aS1bS2S3非高赋能效果NS1aNS1bNS2aNS2bVRIN资源●●●●BDA能力●●●价值共创●●平台网络●●环境动态性●●原始覆盖度0.6400.5180.4520.3230.7380.4490.3560.246唯一覆盖度0.0780.0990.0270.0660.1990.0270.0400.017一致性0.9690.9780.9670.9830.9670.9870.9890.990总体覆盖度0.882 4740.831 977总体一致性0.965 0690.969 654
注：●表示核心条件存在,⊗表示核心条件缺失,●表示辅助条件存在,⊗表示辅助条件缺失,“空格”表示该条件可存在也可不存在
本研究共识别出4条导致高数智赋能效果的驱动路径,总体一致性水平为0.965,可以解释88%的高数智赋能案例。通过核心条件与边缘条件的比对,将S1a与S1b归为一种类型,二者构成二阶等价组态(杜运周等,2022)。同时,识别出4条非高数智赋能效果的驱动路径,总体一致性为0.97,覆盖度为0.832。本研究将工业互联网平台中的VRIN资源、价值共创和环境动态性作为组态命名兼顾整体性和独特性的“锚”,对3条组态进行命名。3条组态中高VRIN资源均存在,其中,S1中还存在高价值共创和高环境动态性,形成“平台主体-平台客体-平台环境”三方动态平衡的平台生态,因此S1命名为生态协同联动型;S2拥有高价值共创,S3拥有非高价值共创,二者均拥有非高环境动态性,考虑到价值共创和环境动态性对于工业互联网平台数智赋能的作用,本研究认为高价值共创强调平台主体与用户、合作伙伴等平台客体之间的互动和协作,非高环境动态性强调工业互联网平台所面临的市场比较稳定,因此S2命名为市场稳定协作型,而S3中仅有高VRIN资源存在,其命名为资源决定驱动型。
本研究通过对高数智赋能效果实现条件的分析,得到生态协同联动型、市场稳定协作型以及资源决定驱动型3种组态路径,现结合典型案例做进一步分析。
(1)生态协同联动型。该类型包括S1a、S1b,即工业互联网平台中平台主体-平台客体-平台环境三方协同联动,实现高赋能效果。其中,组态S1a表明以高VRIN资源为核心条件,高BDA能力、高价值共创为边缘条件,可以实现高赋能效果。组态S1b表明以高VRIN资源为核心条件,高平台网络、高环境动态性为边缘条件,也可以实现高赋能效果。比较S1a和S1b,可以发现,两者核心条件相同,仅在边缘条件上存在替代关系(S1a中的高BDA能力、高价值共创与S1b中的高平台网络、高环境动态性),如图2所示。两个组态都强调高VRIN资源的重要性,表明在实现高赋能效果方面,高VRIN资源通过为平台提供独特且难以复制的竞争优势,从而奠定坚实的资源基础和差异化的服务能力支撑。
图2 生态协同联动型
Fig. 2 Type of ecological synergistic linkage
在S1a中,高VRIN资源被认为是实现高数智赋能效果的核心条件,高BDA能力和高价值共创作为边缘条件出现,三要素动态协同,表明平台主客体之间紧密交互对平台数智赋能效果具有积极作用。在这种组态下,平台能够高度整合资源,通过技术、资源、场景的共享共生提高各主体参与性与主动性,形成用户参与度高、有创新性的生态系统,持续推动技术和服务创新[34],实现高赋能效果。典型案例是浪潮云洲,该平台在VIRN资源、BDA能力以及价值共创方面均有突出表现。首先,浪潮云洲在工业大数据、边云协同及云网端融合等技术领域达到国内领先水平,具备边缘计算、技术设施、工业平台即服务(PaaS)以及应用服务这一完整产品体系,全面支持云原生架构。其次,平台以数据要素为核心,构建集采数—算数—用数于一体的闭环体系,开发出“知业”大模型,形成工业数据分析、工业知识推理、工业代码生成等关键能力,在BDA能力和技术赋能方面具有独特优势。此外,浪潮云洲秉承开放、合作、共赢的理念,构建包括计算+生态圈、云服务生态圈等在内的合作生态体系,与合作伙伴共同打造生机勃勃的生态系统,在产业链供应链“双链”协同领域提供多样化实践案例,在数据智能赋能政企新质生产力发展方面取得显著成效。三要素协同作用,展现出在数智赋能方面的显著优势,符合本研究中生态协同联动型组态模式实现高数智赋能成效的典型特征。
在S1b中,高VRIN资源被确认为是实现高数智赋能效果的核心条件,高平台网络、高环境动态性作为边缘条件出现,三要素动态协同,形成“平台主体-平台客体-平台环境”三方动态平衡的平台生态,充分发挥卓越的生态优势。在该组态下,资源有效利用、网络优化配置以及环境快速适应,三者相辅相成,带动行业渗透与融合,不断催生生态创新[3],共同推动高赋能效果实现。典型案例是阿里云supET工业互联网平台(以下简称“阿里云”),该平台在VRIN资源、平台网络以及环境动态性方面均有突出表现。首先,该平台在工业数据管理工具方面处于领先地位,特别是通过钉钉、工业大脑AICS平台等进行数据治理,体现出对VRIN资源的有效利用。其次,阿里云平台通过整合深度行业知识的AI算法模型,实现技术与业务的深度结合,完成高水平的内外部网络构建,实现平台主客体互联互通。此外,在动态外部环境中,阿里云提供的弹性伸缩服务(ESS)允许用户根据业务需求动态调整资源,同时,注重可观测性,通过集成Metric、Tracing、Logging等数据,提供更高效的监控和管理手段以应对业务负载波动,因此对高环境动态性的适应能力突出。以上方面协同作用,展现出在数智赋能方面的显著优势,符合本研究中生态协同联动型组态模式实现高数智赋能成效的典型特征。
(2)市场稳定协作型。组态S2表明以高VRIN资源为核心条件,高价值共创、非高环境动态性为边缘条件,可以充分实现高数智赋能效果。这条赋能路径反映出在市场环境相对稳定的情况下,平台通过有效规划和利用其VRIN资源,利用健全的价值共创机制桥接用户,在多方互动辅助配合下形成价值共创联合生态体[11],促进不同企业资源互补与协同,持续拥有竞争优势和获得高赋能效果。典型案例是朗坤苏畅工业互联网平台,该平台处于较为稳定的市场环境中,在VRIN资源、价值共创方面均有突出表现。根据质性材料显示,该平台在市场定位和战略布局中更注重精耕细作与长期发展,专注于服务特定的重工业,如电力、煤炭等具有稳定运营模式的行业,因此面临的市场环境较为稳定。同时,该平台在技术创新方面投入巨大,已突破八大核心技术,拥有完整的工业互联网平台多层架构组件,VRIN资源禀赋较好。此外,依托VRIN资源禀赋和稳定的市场环境,朗坤苏畅首创“大企业共建、小企业共享”的生态赋能模式,形成“1+3+5+N”的生态发展体系,推动大中小企业协同发展,形成良好的价值共创模式和赋能效果。以上方面协同作用,展现出其在数智赋能方面的显著优势,符合本研究中市场稳定协作型组态模式实现高数智赋能成效的典型特征。
(3)资源决定驱动型。组态S3表明,即使各方面条件不足,工业互联网平台凭借自身的VRIN资源禀赋,同样可以实现高数智赋能效果。资源条件独立构成预期结果的充分条件,其中,VRIN资源为核心条件,非高BDA能力、非高价值共创、非高环境动态性为边缘条件。在该组态中,高VRIN资源为企业提供独特价值,难以被竞争对手模仿或替代,是平台建立竞争优势的关键因素,在赋能过程中发挥核心作用[31],助力平台获得高赋能效果。以中电云网BachOS工业互联网平台为例,该平台在VRIN资源方面有显著优势。该平台依托PK体系和中国电子的可编程逻辑控制器,构建软硬结合的一体化自主可控安全架构,这种设计强调安全与稳定性,对开放性与灵活性进行适度折中,以适应特定行业需求而非追求广泛的网络连接性和环境适应性。此外,平台整合了工业物联网平台、知识图谱构建等关键技术,专注于为电子、机械等行业提供定制化解决方案。凭借其在安全领域的专有技术,BachOS在板卡级、终端级、方案级产品及服务上展现出其VRIN资源优势,在国防科技工业等关键领域实施了52项有效解决方案,承担多项国家级重点项目,参与制定国家标准和行业标准,是推动工业互联网技术创新与应用赋能的典范,符合本研究中资源决定驱动型组态模式实现高数智赋能成效的典型特征。
综上,实现高数智赋能效果的平台模式及其典型案例援引如表5所示。
表5 产生高赋能效果的平台模式与典型案例援引
Table 5 Plateform ecosystem matching models with high empowerment effects and typical case citations
平台匹配类型生态协同联动型组态S1a组态S1b市场稳定平衡型S2资源自主驱动型S3前因条件VRIN资源具备完整的工业互联网平台产品体系,全面支持云原生架构通过工业大脑等低代码、无代码方式进行数据治理突破八大核心技术,拥有完整的工业互联网平台架构组件整合关键技术,在安全领域拥有专有技术BDA能力构建大数据闭环体系,开发大模型价值共创构建计算+生态圈、云服务生态圈首创“1+3+5+N”的生态发展体系平台网络通过深度整合行业知识的AI算法模型,实现技术与业务的深度链接,构建网络体系构建一体化自主可控安全架构,以适应特定行业需求而非追求广泛的网络连接环境动态性集成Metric等数据,提供高效的监控和管理手段,并提供伸缩服务注重深耕细作和长期发展,专注特定行业,市场环境趋于稳定强调安全性与稳定性,平衡开放性与灵活性结果主客体紧密交互,实现高数智赋能成效形成动态平衡的平台生态,实现高赋能效果持续维持竞争优势和高数智赋能成效推动技术创新与应用赋能的典范
对实现非高数智赋能效果的组态条件进行分析,得到生态松散失衡型和市场竞争疲软型两种平台模式。
(1)生态松散失衡型。该类型包括NS1a、NS1b,平台生态内各项配置匮乏,外部环境活力较低,无法为平台赋能提供有效支撑。组态NS1a的平台存在VRIN资源短板,无法有效地与合作伙伴、客户共创价值[23],进而影响平台整体赋能效果。组态NS1b平台在VRIN资源和BDA能力方面存在不足,同时,平台专注于汽车行业的数字化转型,由于其平台网络架构较简单,面临的市场环境趋于稳定,限制了其在多样化行业和应用场景中的赋能潜力。
(2)市场竞争疲软型。NS2a以非高VRIN资源为核心条件,高BDA能力、高环境动态性、非高平台网络为边缘条件;组态NS2b以非高VRIN资源为核心条件,高BDA能力、高平台网络、非高环境动态性为边缘条件。比较NS2a和NS2b可以发现,两者的核心条件相同,仅在边缘条件上存在替代关系(NS2a中的高环境动态性、非高平台网络与NS2b中的高平台网络、非高环境动态性)。这表明在VRIN资源匮乏的情况下,单纯依赖BDA能力、平台网络或环境动态性任意一者,都不能实现高数智赋能效果。
参考Fiss[32]、杜运周等[33]的研究,对产生高赋能效果的前因组态进行稳健性检验。首先,将案例频数阈值从1提高至2,产生2个组态,与现有组态中的两个解基本一致。其次,将PRI一致性由0.8降低至0.75,产生的组态基本包括现有组态。最后,调整校准锚点,将完全隶属、完全不隶属锚点调整为第90百分位数和第10百分位数,交叉点保持不变,得到的组态与现有组态基本一致。上述稳健性检验结果显示,本文结果的解释力未发生实质性改变,即本研究分析结果稳健。
本研究从组态视角出发,构建融合数智要素的整合性理论框架,采用模糊集定性比较分析(fsQCA),对工业互联网平台数智赋能效果进行研究。研究发现,单一平台生态要素不足以支撑工业互联网平台实现高数智赋能效果,数智赋能涉及多要素的联动匹配。由于不同工业互联网平台生态特性、优势以及外部平台环境各异,实现高数智赋能效果的路径也不同,需要综合考虑多种因素组合及其相互作用,制定多维赋能的战略框架,从而发挥平台生态合力,促进平台实现高数智赋能效果。
(1)VRIN资源要素是实现工业互联网平台高数智赋能效果的必要条件。构建和优化平台VRIN资源,对于提升工业互联网平台赋能效果、推动制造业数智化转型升级发挥至关重要的作用。这体现出VRIN资源整合与战略性部署成为推动工业互联网平台数智赋能的核心动力,应充分重视高价值、稀缺性、难以模仿性和不可替代性资源。
(2)基于组态结果总结了工业互联网平台产生高数智赋能效果的3种平台模式,分别为生态协同联动型、市场稳定平衡型、资源决定驱动型。3种模式分别体现不同工业互联网平台基于自身生态特性和优势实现高数智赋能的路径,共同构成工业互联网平台实现高数智赋能的多维战略框架。此外,对于非高数智赋能,识别出两种平台模式,与高数智赋能组态模式存在非对称关系。
(3)在工业互联网平台的数智赋能过程中,平台主体-平台客体-平台环境之间存在显著的互动关系。在特定组合下,“平台主体-平台客体”双方互动与“平台主体-平台客体-平台环境”三方协同可通过互补结合与等效替代,以殊途同归的方式实现高数智赋能效果。这种替代性体现出平台生态的灵活性和适应性,也揭示出平台生态内部不同要素之间存在互补性,当某一生态要素或环境条件受限时,可以通过其他要素或条件的调整实现等效或更佳的赋能效果。
(1)基于组态视角构建工业互联网平台数智赋能理论框架,丰富了数智情境下工业互联网平台数智赋能的理论研究。研究聚焦于数智情境下工业互联网平台数智赋能效果的前驱机制,基于多理论视角构建工业互联网平台数智赋能效果的理论框架,探究数智赋能中平台主体-平台客体-平台环境多层要素组合对数智赋能效果的协同作用机制,并利用协同理论、资源编排理论、资源基础观等多种理论解析其因果机制,突破现有研究运用单一维度分析的局限,响应了从综合视角建立系统框架、识别多元化赋能路径的研究呼吁[2,8]。
(2)构建工业互联网平台数智赋能效果评估框架,从量化评价角度拓展工业互联网平台数智赋能效果研究。工业互联网平台数智赋能效果评价体系的不足,影响工业互联网平台效果评价的客观性和价值性[1]。本研究通过整合业界应用经验和学界理论研究论断[1,2],凸显工业互联网平台数智化跃迁的新特征[20],构建涵盖5个关键维度的工业互联网平台数智赋能效果评估框架,为工业互联网平台的数智赋能实践提供理论指导和评估工具。
(3)基于平台生态系统理论考量工业互联网平台数智赋能效果,延伸平台生态系统理论应用情境。研究通过探索工业互联网平台数智赋能中的复杂因果机制,识别出3种生态匹配模式并解释了各要素间的互补性与等效替代关系。研究呼应了孙新波等[1]关于拓展平台生态系统框架应用的倡议,将平台生态系统理论运用于工业互联网平台数智赋能这一新情境中,为平台生态系统理论在该领域的应用提供了新的理论支撑。
(1)关注工业互联网平台VRIN资源的培育,发挥VRIN资源在促进工业互联网平台数智赋能中的普遍作用。工业互联网平台企业需将VRIN资源培育置于战略高度,加大研发投入以构筑技术优势、培养专业人才以构建知识储备、推动技术创新以形成独特服务能力,持续探索和开发具备高价值、稀缺性、难以模仿性和不可替代的资源,构筑基于资源的持续竞争力。
(2)实现工业互联网平台高数智赋能的路径并非单一固定的,而是具有多元化与非线性特征。不同要素的动态交互和综合作用形成多种策略组合与行动路径,在实践中应综合分析平台生态要素特性与外部环境条件,选择合适的赋能路径。当某生态要素或环境条件受限时,可通过特定要素组合与等效替代,优化或增强其他互补性要素,以实现同等或更优的高数智赋能效果。
(1)本研究基于平台生态视角,从数智赋能的平台主体-平台客体-平台环境3个层面识别出多个前因条件,构建了系统的理论框架,但数字经济情境下影响因素复杂多变,未来可以纳入更多前因条件,丰富组态结果,深化数字经济时代的工业互联网平台研究。
(2)本研究对多个关键前因条件进行系统测量与分析,根据组态效应理论的等效性和非对称性原理,尽管这些前因要素是各平台普遍具备的基础要素,但不同组合方式与配置结构会导致不同结果。未来研究可进一步拓展要素场景,以更全面地揭示前因要素在不同情境下的作用机制。
(3)考虑到前因条件对结果影响的时滞性,为了更好地揭示因果关系机制,本文对结果变量作滞后一期处理。未来可以结合纵向的时间变化,采用动态QCA方法探究数字经济时代工业互联网平台数智赋能的演化规律。
[1] 孙新波,刘剑桥,张明超,等.工业互联网平台赋能参与型制造企业价值链数字重构绩效的组态分析[J]. 管理学报,2024,21(6):811-820.
[2] 陈武,陈建安,李燕萍.工业互联网平台:内涵、演化与赋能[J]. 经济管理,2022,44(5):189-208.
[3] 孙新波,张明超,王永霞.工业互联网平台赋能促进数据化商业生态系统构建机理案例研究[J]. 管理评论,2022,34(1):322-337.
[4] LABRECQUE L I, VOR D E J, MATHWICK C, et al. Consumer power:evolution in the digital age[J]. Journal of Interactive Marketing, 2013,27(4):257-269.
[5] DONG Y, YAO X, WEI Z. Research on the process of knowledge value co-creation between manufacturing enterprises and internet enterprises[J]. Knowledge Management Research&Practice, 2024,22(3):282-297.
[6] LI Z, CHEN J, LI Z. Strengthen or weaken? how industrial internet platform affects the core competitiveness of manufacturing companies[J]. Operations Management Research, 2024,17(1):220-232.
[7] 孙新波,张明超.工业互联网平台赋能智能制造生态系统构建——基于海尔卡奥斯的案例研究[J]. 经济管理,2023,45(11):5-26.
[8] LI H, YANG Z, JIN C, et al. How an industrial internet platform empowers the digital transformation of SMEs: theoretical mechanism and business model[J]. Journal of Knowledge Management, 2023,27(1):105-120.
[9] WANG P, LUO M A. Digital twin-based big data virtual and real fusion learning reference framework supported by industrial internet towards smart manufacturing[J]. Journal of Manufacturing Systems, 2021,58:16-32.
[10] SUN B, LIU Y. Business model designs, big data analytics capabilities and new product development performance: evidence from China[J]. European Journal of Innovation Management, 2021,24(4):1162-1183.
[11] 张任之.数字平台企业高质量发展驱动形成新质生产力的内在逻辑和实现路径[J]. 理论学刊,2024,35(4):122-130.
[12] WANG J, XU C, ZHANG J. A collaborative architecture of the industrial Internet platform for manufacturing systems[J]. Robotics and Computer-Integrated Manufacturing, 2020,61(2):101854.
[13] 权锡鉴,史晓洁,宋晓缤,等.资本配置结构优化的企业混合所有制:工业互联网平台的赋能机理与本质[J]. 会计研究,2020,36(12):99-112.
[14] GAWER A.Bridging differing perspectives on technological platforms: toward an integrative framework[J]. Research Policy, 2014,43(7):1239-1249.
[15] KRETSCHMER T, LEIPONEN A, SCHILLING M. Platform ecosystems as meta-organizations:implications for platform strategies[J]. Strategic Management Journal, 2022,43(3):405-424.
[16] 周冬梅,朱璇玮,陈雪琳.数字平台生态系统:概念基础、研究现状与未来展望[J]. 科学学研究,2024,42(2):335-344.
[17] 邱毅,周亚铭,王节祥,等.企业如何嵌入平台生态系统推进数字化转型[J]. 外国经济与管理,2024,46(12):20-36.
[18] 杨佳铭,魏江,杨升曦.外源型参与者、平台赋能与竞争优势构建——基于资源编排理论视角[J]. 南开管理评论,2025,28(1):92-102.
[19] 左文明,丘心心.工业互联网产业集群生态系统构建——基于文本挖掘的质性研究[J]. 科技进步与对策,2022,39(5):83-93.
[20] PORTER M E, HEPPELMANN J E. How smart, connected products are transforming competition[J]. Harvard Business Review, 2014,92(11):64-88.
[21] 伍先福,黄骁.工业互联网对战略性新兴产业企业盈利能力的影响[J]. 软科学,2024,38(6):82-90.
[22] ENDRES H, INDULSKA M, GHOSH A. Unlocking the potential of Industrial Internet of Things (IIOT) in the age of the industrial metaverse: business models and challenges[J]. Industrial Marketing Management, 2024,119:90-107.
[23] BARNEY J. Firm resources and sustained competitive advantage[J]. Journal of Management, 1991,17(1):99-120.
[24] LIN Y, WU L Y. Exploring the role of dynamic capabilities in firm performance under the resource-based view framework[J]. Journal of Business Research, 2014,67(3):407-413.
[25] CHEN D Q, PRESTON D S, SWINK M. How the use of big data analytics affects value creation in supply chain management[J]. Journal of Management Information Systems, 2015,32(4):4-39.
[26] MIKALEF P,KROGSTIE J,PAPPAS I O.Exploring the relationship between big data analytics capability and competitive performance: the mediating roles of dynamic and operational capabilities[J].Information&Management,2020,57(2):103-169.
[27] QI Q, XU Z, RANI P. Big data analytics challenges to implementing the intelligent industrial Internet of things (IIoT) systems in sustainable manufacturing operations[J]. Technological Forecasting and Social Change, 2023,190:122401.
[28] ALBINSSON P A, PERERA B Y, SAUTTER P T. DART scale development: diagnosing a firm's readiness for strategic value co-creation[J]. Journal of Marketing Theory and Practice, 2016,24(1):42-58.
[29] WU W, WANG H, WU Y J. Internal and external networks, and incubatees' performance in dynamic environments: entrepreneurial learning's mediating effect[J]. The Journal of Technology Transfer, 2021,46(6):1707-1733.
[30] CHEN H, TIAN Z. Environmental uncertainty, resource orchestration and digital transformation: a fuzzy-set QCA approach[J]. Journal of Business Research, 2022,139:184-193.
[31] RAGIN C C. Redesigning social inquiry: fuzzy sets and beyond[M]. Chicago: University of Chicago Press, 2008.
[32] 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.
[33] 杜运周,李佳馨,刘秋辰,等.复杂动态视角下的组态理论与QCA方法:研究进展与未来方向[J]. 管理世界,2021,37(3):180-197.
[34] 王水莲,付晗涵.工业互联网平台主导的创新生态系统价值共创机制——以海尔卡奥斯为例[J]. 科技进步与对策,2025,42(2):31-39.