智能制造有利于增加企業技術創新投入嗎
——基于智能制造試點的準自然實驗

張樹山，胡化廣，孫 磊

(東北師范大學 經濟與管理學院，吉林 長春 130117)

0 引言

新工業革命為全球產業升級帶來了新機遇，隨著互聯網技術和新一代人工智能技術的不斷進步，使得以數字化、網絡化和智能化為特征的智能制造(Intelligent manufacture)迅速崛起[1]。智能制造是一種基于智能技術的創新制造模式，其通過將新一代信息技術融入傳統制造業中，極大提升了企業在產品全生命周期各環節的生產與管理水平[2]。現今，智能制造已成為全球制造業的內在要求[3]和發展趨勢[4]，美國、德國等分別提出“Industrial Internet”和“Industry 4.0”計劃以支持智能制造發展，我國也將智能制造作為推進供給側結構性改革、推動制造業高質量發展的重要抓手。習近平總書記在中國科學院第十九次院士大會上指出，要以智能制造為主攻方向，推動產業技術變革和優化升級。為加快智能制造發展，我國在政策和實踐上齊發力。如在政策方面，2015年國務院印發的《中國制造2025》指出要把智能制造作為我國制造業轉型升級的主攻方向；2016年工信部和財政部聯合編制了《智能制造發展規劃(2016-2020年)》(下稱《規劃》)，提出了我國智能制造的十年目標和十個重點任務。在實踐方面，工信部開展了智能制造試點示范專項行動，從2015-2018年每年都評選一批企業作為智能制造試點示范項目的試點，4批共計評選了305個試點示范項目，涉及92個行業。該行動積累了豐富的智能制造發展經驗，為智能制造生態體系建設打下了扎實的基礎。

技術創新是推動我國制造業高質量發展的核心所在。《中國制造2025》指出，我國制造業發展的戰略任務和重點是提高制造業技術創新水平。在我國制造業擯棄粗放型發展模式、向智能制造轉型發展的過程中，智能制造能否提高制造業技術創新水平成為亟待解決的重要命題。然而，現有智能制造的相關研究多集中于智能制造體系構建與技術賦能等方面，鮮有研究探索智能制造對技術創新水平的影響，而投入是技術創新的主要驅動力[5]，從投入角度分析智能制造對技術創新水平的影響意義重大：首先，《中國制造2025》指出，提高創新能力的首要任務是要加大技術研發力度。因此，從技術創新投入角度考察智能制造實施效果有助于為政府產業政策制定提供參考；其次，黨力等[6]指出，創新產出是企業長期創新的成果，而創新投入更能即時反映企業創新意愿和創新水平變化。因此，技術創新投入能立竿見影地反映智能制造效果；最后，創新投入不足已成為制約我國制造業技術創新水平提升的關鍵因素[7]。如在芯片制造領域，據公開資料顯示，我國芯片制造排名前十位企業的技術創新投入總和不及美國英特爾1家企業，導致我國芯片制造企業自主創新能力不足，從而被其它國家頻繁“卡脖子”。為此，在芯片制造成為智能制造重點領域的當下，分析智能制造是否有助于提高企業技術創新投入，將為國家破解當前面臨的困境提供重要參考。智能制造試點示范項目的推行為本研究提供了良好的準自然實驗環境，因此本文擬采用PSM-DID方法探究智能制造對企業技術創新投入的影響。

本文的邊際貢獻在于：從理論層面看，首先，豐富智能制造實施效果研究。趙劍波[1]指出，智能制造更像是一種手段而不是目的，所以評價該手段的實施效果很有必要；Li等[8]也在研究中指出，全面客觀地評價智能制造不僅要關注智能制造的行業特征和技術方法，更要關注智能制造的實施效果，但遺憾的是現有研究很少采用定量方法度量智能制造實施效果[9]。本文借助智能制造試點示范專項行動，結合上市公司數據，定量分析智能制造實施效果，擴展了現有研究的外延；其次，豐富了技術創新投入影響因素的相關文獻。已有研究主要研究企業特征、環境特征等對企業技術創新投入的影響，鮮有研究考察智能制造這種創新的制造模式對技術創新投入的影響。從實踐層面看，智能制造作為制造業轉型的主攻方向，對我國制造業提升國際競爭力意義重大，特別是在關鍵制造技術領域被國外頻繁“卡脖子”的當下，本文研究為解決當前困局和持續推進智能制造發展提供重要的實踐參考價值。

1 文獻綜述與研究假設

1.1 文獻綜述

當前的智能制造研究可以分為以下層面：一是關注智能制造體系構建及其影響因素。Zhou等[10]指出，智能制造是由人-信息-物理系統構成的高度集成的制造系統，其中，人在系統中占據中心位置；Li等[8]從技術應用層面考量，認為智能制造是由資源層、網絡層、云服務平臺層和應用層集成的復雜系統；趙劍波[1]指出，智能制造體系不是僅含技術范式的一維結構，而是由技術范式、價值形態和組織方式構成的三維結構。在智能制造體系構建的影響因素方面，孟凡生和趙剛[4]研究指出，創新柔性體現了企業對外部環境的適應能力，有助于推動制造企業向智能化轉型升級；史永樂和嚴良[7]指出，提高技術創新投入是夯實智能制造基礎的重要舉措；陳萬明和鮑世贊[11]的研究表明，在產業發展的中高級階段，外部創新資源對制造企業智能化水平的提高尤為重要；樸慶秀等[12]研究發現，與智能制造模式相匹配的用戶服務策略和終端布局有助于推動智能制造體系構建。二是研究智能制造技術如何賦能產品全生命周期中的各環節。在研發設計方面，呂文晶等[13]通過對海爾智能制造模式的研究發現，海爾通過云計算和大數據技術采集產品數據、用戶使用數據并進行分析，重構了消費者關系，推進了產品迭代進程；在生產方面，Tao等[14]通過將物聯網技術應用于智能制造生產環節進而實現了制造資源的智能感知和訪問；在管理方面，Zhong等[15]通過對智能制造車間物資運輸大數據的分析，優化了物流計劃方案和物流績效考核方式；在服務方面，Giret等[16]構建了一個綜合多種技術的工程框架以協助開發人員控制和運行面向服務的智能制造系統。

此外，也有一些研究探討了智能制造實施效果。如呂文晶等[17]通過對海爾集團智能制造案例的研究發現，海爾的智能制造模式在生產、產品和服務等方面均表現突出；Li等[8]構建了基于人工智能的智能制造實施效果評價指標，但并未作進一步討論。還有一些研究從宏觀角度對智能制造效果進行展望[1-2]。

上述研究存在的明顯不足是：首先，現有研究多集中在體系構建、技術賦能等智能制造前因上，僅有少數研究考察了智能制造實施效果，且這些研究多采用案例研究或理論分析等定性研究方法，鮮見采用實證研究方法分析智能制造實施效果的成果；其次，現有研究普遍將創新要素作為構建智能制造體系的驅動因素，鮮有研究考察智能制造對創新行為要素的影響。

1.2 研究假設

從理論上講，智能制造可以通過以下渠道影響技術創新投入：首先，智能制造通過將新一代信息技術與傳統制造產業相結合，推動不同鏈條企業間實現高度集成[3]，而供應鏈上單個節點企業將打破企業邊界，通過匯聚企業內部及外部產業鏈、價值鏈資源，成為資源共享的集成型智能制造企業[1]。Zhou等[10]指出，當前我國制造業正處于向第二代智能制造轉型的過程，而第二代智能制造將通過互聯網+提高企業間集成程度，實現不同企業資源的集成共享與價值鏈重塑。此外，內外部集成已被認為是智能制造的本質特征[18]。綜上可知，智能制造的實施將提升企業間集成程度。企業間集成是超越企業內部集成、實現供應鏈集成的高級階段，一般可以分為客戶集成與供應商集成[19]。客戶集成有助于企業擁有較強的客戶需求管理能力，能靈活、準確響應單個客戶需求，降低創新風險[20]。供應商集成不僅有助于企業從供應商處獲取更多技術資源，還有助于企業與供應商協調產品設計，從而加快產品更新速度，提高企業創新意愿與創新積極性[21]。無論是哪種集成方式，都有利于與合作方結成長期合作關系，從而減少合作方的機會主義行為，此時，企業對合作方的監管成本與溝通成本也隨之下降，并最終表現為企業經營績效提高[22]，而經營績效提高有助于緩解企業融資約束，從而使企業有更充盈資金用于技術創新[23]。

其次，智能制造作為全球先進制造業的制高點，各國政府都對其高度重視，紛紛出臺一系列關于企業發展智能制造的補貼政策。如Park等[24]指出，韓國政府為資金狀況不佳的智能化轉型企業提供各種資金支持，有效提高了企業發展智能制造的積極性。我國也不例外，各地都對企業智能化轉型給予充分支持，如廈門對于購置智能制造裝備的企業最高給予500萬元補貼，天津對于評選為智能制造試點示范的企業最高給予1 000萬元資金獎勵等。各類補貼政策囊括了企業向智能制造轉型的各個需求維度，如智能制造裝備購置、軟件開發、平臺建設、大數據應用等均可獲得政府部門的資金支持。針對政府補貼與創新投入關系的研究由來已久，但關于兩者關系的討論呈現出兩極分化狀況：一種觀點認為，政府補貼改變了企業原有創新決策[25]，增加了企業尋租成本[26]，因此對創新投入沒有激勵作用，甚至可能產生擠出效應。但在中國情境下，另一種觀點比較受到認可，即政府補貼對創新投入有顯著促進作用[27]。一般認為，首先，政府補貼能夠較好地緩解企業面臨的融資約束，降低企業融資成本，從而使企業更易獲取創新所需資金；其次，創新往往具有周期長、成本高、風險大等特點，來自政府的資金支持能夠提高企業的風險承受能力和預期收益率，進而增強企業創新動力。此外，政府針對企業購買創新設備的補貼還有助于降低創新的固定成本，從而激發企業創新積極性。據此，本文提出如下假設：

H1：智能制造有助于提高企業技術創新投入；

H2a：智能制造通過提升供應商集成程度加大企業技術創新投入；

H2b：智能制造通過提升客戶集成程度加大企業技術創新投入；

H2c：智能制造通過獲得更多政府補貼資金加大企業技術創新投入。

2 研究設計

2.1 樣本選擇與數據來源

為探索和積累智能制造的優秀模式與經驗，推動我國制造業向智能制造轉型升級，2015-2018年國家工信部每年都會評選一批實施智能制造試點示范項目的企業，本文以2011-2019年制造業上市公司為研究樣本，根據企業是否被評選為智能制造試點示范企業，將樣本分為處理組與對照組。為保證結果的客觀性與嚴謹性，對樣本作如下處理：①剔除被標記為ST、*ST的企業；②剔除關鍵數據缺失和明顯異常的樣本。最終得到2 093家企業共12 440個年度非平衡面板樣本觀測值。其中，處理組包含98家企業、663個樣本觀測值。本文變量數據來自于CSMAR數據庫和企業年報，所有連續變量均進行了1%的Winsorize處理。

2.2 研究方法

本文采用結合傾向得分匹配的雙重差分法(PSM-DID)評估智能制造影響企業技術創新投入的凈效應。雙重差分方法(DID ，Difference in Difference)能有效解決遺漏變量帶來的內生性問題，通過計算智能制造試點企業技術創新投入的平均變化與對照組平均變化的差值反映政策效應，排除不可觀測因素的影響。但該方法要求對照組與處理組必須滿足平行趨勢假設，即對照組與處理組樣本在不受外部沖擊影響的前提下，它們的技術創新投入保持相同變化趨勢，否則可能導致選擇性偏誤。

為滿足該假設，本文在進行DID前先通過傾向得分匹配(PSM ，Propensity Score Matching)對處理組和對照組進行處理。傾向得分匹配最早由Heckman 等[28]提出，用于解決樣本選擇偏誤問題和樣本量少的研究誤差問題。本文中，傾向得分是指在給定個體特征(協變量)的情況下，個體i被選為智能制造試點企業的條件概率。傾向得分匹配可根據樣本的傾向得分，采用K近鄰匹配、核匹配等匹配方法對不同組別樣本進行匹配，通過刪除匹配后未在共同支持域內的樣本，從而構造滿足平行趨勢假設的處理組和對照組。

2.3 模型設定與變量選擇

利用傾向得分匹配構造滿足平行趨勢假設的處理組和對照組，然后通過雙重差分方法評估智能制造影響的凈效應，由于評選智能制造試點企業是分年度逐步進行的，為此本文構建多時點雙重差分模型。

R&Dit=α0+α1DIDit+α2Controlsit+Ai+Bt+εit

(1)

其中，εit為殘差項，Ai和Bt分別為企業個體、時間的固定效應。R&D為因變量，表示企業技術創新投入，參考黨力等[6]的做法，以研發支出取對數表示。DID為自變量，若企業在當年實施智能制造則取值為1，反之為0。由于工信部規定，企業參與評選的智能制造項目必須是已經投入運營且取得顯著效果的，因此本文認為，企業被評選為智能制造試點的當年即可認為企業正在實施智能制造，其DID取值為1。 值得注意的是，有2家企業在2015年被評選為智能制造試點后，又分別于2017年和2018年由于其它智能制造項目再次被評選為試點企業，這里本文從2015年開始計算上述2家企業的DID取值。DID系數α1反映了智能制造影響企業技術創新投入的凈效應，若α1顯著為正，則說明智能制造促進了企業技術創新投入增加。

為了排除其它可測變量對結果的影響，在模型中加入控制變量，即Controls，它們同時也作為進行傾向得分匹配時反映個體特征的協變量。參考Harley & Niggins[29]、Kang等[30]、李常青等[5]的研究，本文選取以下變量作為控制變量：盈利能力(ROA)、成長性(Grow)、資本結構(Lev)、企業規模(Size)、董事會規模(Numbers)、兩職合一(Dual)、高管薪酬(Pay)、企業年齡(Age)。變量說明見表1。

表1 變量說明

3 實證分析

3.1 描述性統計

表2報告了控制變量和因變量的描述性統計結果。從表2可知，技術創新投入的最大值為21.679，最小值為14.286，平均值為17.936，標準差達1.358，說明各樣本的技術創新投入存在較大差異；盈利能力均值處于較低水平，說明整體上制造業的盈利能力仍然有待提高；企業成長性均值和中位數均大于0.1，說明樣本企業中依然有很大一部分還處于成長期，存在上升空間；高管薪酬的極差較大，說明不同企業的薪酬水平差距較大。總體上看，各控制變量的標準差反映出個體差異性較大，有必要用傾向得分匹配進行控制。

表2 描述性統計結果

3.2 傾向得分匹配

為控制對照組與處理組間的差異，避免回歸模型的內生性問題，本文通過傾向得分匹配將處理組樣本與對照組樣本進行配對。首先構建處理變量Treat，若樣本企業為智能制造試點示范企業，則Treat取值為1，反之為0。以處理變量Treat為因變量，以反映個體特征的協變量作為PSM估計模型中的自變量，使用Logit回歸估算每個樣本的傾向得分；然后通過有放回的k近鄰匹配(k=1)，根據樣本傾向得分為智能制造試點示范企業樣本匹配相應的非智能制造試點示范企業樣本。

表3是PSM平衡性檢驗結果。從表中可以看出，經過匹配后，所有協變量標準化偏差的絕對值均大幅下降至5%以下，匹配后各協變量t檢驗結果均不再顯著，說明匹配后處理組與對照組樣本在除開技術創新投入外的個體特征上沒有差異，所以成功構造了同質無差的處理組和對照組。匹配后發現，共有30個樣本未處于共同支持域內，其中，26個樣本來自對照組，4個樣本來自處理組，剔除未處于共同支持域內的樣本后，最終得到12 410個樣本觀測值。

表3 平衡性檢驗結果

3.3 基準回歸

以經過傾向得分匹配處理的數據為基礎，利用雙重差分方法檢驗智能制造對技術創新投入的影響。表4報告了雙重差分模型的估計結果，DID反映了智能制造影響技術創新投入的凈效應。模型(1)和模型(2)為原始雙重差分模型，模型(3)和模型(4)為基于傾向得分匹配的雙重差分模型(PSM-DID模型)，模型(1)-模型(4)均控制了宏觀外部政策沖擊和企業個體非時變因素的影響。模型(1)和模型(3)未加入控制變量，由結果可知，DID系數在10%的水平下顯著為正，初步說明智能制造有助于加大企業技術創新投入。模型(2)和模型(4)在上述基礎上加入控制變量，DID系數在5%的水平下保持顯著為正，說明在考慮其它技術創新投入影響因素的情況下，依然證明智能制造能提高企業技術創新投入。作為對照，本文參考權小鋒等[31]的研究，構建式(2)所示的多時點雙重差分模型。其中，∑insdustry表示行業固定效應，行業按證監會2012年公布的制造業二級行業分類，∑province和∑year分別為省份與年份固定效應，其它變量定義與前文一致。模型(5)和模型(6)中的DID系數依然顯著為正，說明在向智能制造轉型后，企業技術創新投入顯著提高。綜上，智能制造實施能顯著提高企業技術創新投入，H1得到驗證。

4 穩健性檢驗

4.1 平行趨勢檢驗

采用雙重差分方法的前提假設是處理組與對照組之間滿足平行趨勢假設，即在實施智能制造前兩個組在技術創新投入上具有相似變化趨勢。本文進一步檢驗經過傾向得分匹配后兩個組是否滿足平行趨勢假設，參考Beck 等[32]的研究，設定如下估計模型：

(3)

R&Dit=β0+β1DIDit+β2Treati+β3Controlsit+∑insdustry+∑province+∑year+εit

(2)

4.2 更換核心變量測度

參考尹美群等[23]的研究，以研發投入占營業收入的比例測度企業技術創新投入，結果見表5的模型(1)。從模型(1)可知，在更換技術創新投入測度方法后，DID系數依然保持顯著正向，說明在使用不同方法測度時，智能制造對企業技術創新投入的促進作用依然顯著。

4.3 更換匹配方法

傾向得分匹配選取的匹配方法對雙重差分估計的有效性具有較大影響，為降低匹配方法造成的結果偏差，分別采用核匹配和卡尺范圍為0.01的卡尺匹配對樣本重新配對，然后使用配對處理后的樣本進行雙重差分處理，結果見表5的模型(2)和模型(3)。在模型(2)和模型(3)中，DID系數在5%的水平下顯著為正，說明在不同匹配方法下基準回歸結果依然可靠。

表4 基準回歸結果

圖1 平行趨勢檢驗結果

4.4 安慰劑檢驗

由于被評選為智能制造試點企業的創新意識本來就較強，其技術創新投入增大可能并非受到了智能制造的影響，因此本文將通過安慰劑檢驗作進一步分析。通過反事實方法進行安慰劑檢驗，即假定實施智能制造的時間點提前兩年，然后驗證DID是否依然顯著，若不顯著，則說明技術創新投入增加確實是因為受到了智能制造的影響。安慰劑檢驗結果見表5的模型(4)，模型(4)中的DID系數不顯著，說明若人為地將智能制造的實施時間提前，則技術創新投入在智能制造實施前后的變化不再顯著，由此證明技術創新投入增大確實是由智能制造實施導致的。

4.5 更換回歸模型

考慮到逆向因果帶來的內生性問題，將自變量和控制變量全部滯后一期進行回歸，結果見表5的模型(5)。模型(5)中的DID系數顯著為正，與基準回歸結果一致，此外，考慮到企業創新投入慣性，上一期的創新投入可能會對下一期的創新投入產生影響，為此本文將因變量的滯后項(L_R&D)作為控制變量加入回歸方程，結果見表5的模型(6)。模型(6)中的DID系數依然保持顯著正向，再次證明本文結論的穩健性。

4.6 其它穩健性檢驗

本文還嘗試以下做法以驗證基準回歸結果是否穩定：首先，改變時間窗。由于2011年與2012年數據的非平衡性較嚴重，本文將2011年、2012年數據刪除，再進行雙重差分研究，所得結果與基準回歸結果一致；其次，采用PSM-DID模型對未縮尾數據進行分析。結果顯示，DID系數在1%的水平下顯著為正，假設H1依然得到支持。

表5 穩健性檢驗結果

5 進一步研究

5.1 機制檢驗

在上述理論分析中，本文提出，智能制造通過提高供應鏈集成度和政府補貼影響企業技術創新投入，為對兩個作用機制進行驗證，借鑒溫忠麟和葉寶娟[33]的研究，設定中介效應檢驗回歸方程。

R&Dit=α0+aDIDit+α2Controlsit+Ai+Bt+ε

(4)

Mit=α0+bDIDit+α2Controlsit+Ai+Bt+ε

(5)

R&Dit=α0+a'DIDit+cMit+α2Controlsit+Ai+Bt+ε

(6)

檢驗步驟為：首先，將DID與技術創新投入進行回歸，若DID系數a顯著，則說明智能制造對企業技術創新投入有影響；其次，將DID與路徑變量進行回歸，若DID系數b顯著，則說明智能制造對路徑變量有影響；最后，將DID、路徑變量與技術創新投入進行回歸，若DID系數a'不再顯著或顯著但影響程度降低，則說明中介效應成立。需要說明的是，如果b和c至少有一個不顯著，則需要用Bootstrap法對間接效應進行顯著性檢驗。

供應鏈集成可以分為供應商集成(SCIS)和客戶集成(SCIC)，參考陳正林等[23]的研究，從業務規模及穩定性兩個維度衡量供應鏈集成，以近3年前5名供應商合計采購(銷售)比例均值與方差之比的自然對數衡量供應商集成度(客戶集成度)；政府補貼強度(Sub)則參考毛其淋和許家云[26]的研究，以政府補助金額占銷售收入的比例衡量。機制檢驗結果見表6。 模型(1)、模型(4)和模型(7)中的DID系數均在1%或5%的水平下顯著為正，說明智能制造的實施增大了企業技術創新投入，在3條傳導路徑的檢驗中均出現了b和c至少有一個不顯著的情況，所以本文使用Bootstrap法分別驗證3條路徑中是否存在中介效應。經Bootstrap檢驗后發現，以供應商集成和客戶集成為路徑變量時，間接效應95%的置信區間不包含0，說明中介效應存在，同時，模型(3)和模型(6)中的DID系數雖然顯著但影響程度降低，說明供應商集成和客戶集成在智能制造對技術創新投入的影響中發揮部分中介效應，即智能制造通過提升供應商集成度和客戶集成度，進而促使企業技術創新加大投入，假設H2a和 H2b得到驗證。以政府補貼作為路徑變量時，Bootstrap檢驗未通過，模型(8)表明智能化轉型企業得到的政府補貼強度顯著提高，但模型(9)中的政府補貼系數為負且不顯著，說明更高的政府補貼并未帶來技術創新投入加大，甚至可能降低技術創新投入，該結果與David等[25]的研究結論一致，即政府補貼可能通過改變企業創新投資決策而對企業創新投入產生擠出效應。

表6 機制檢驗結果

5.2 智能制造影響技術創新投入的異質性分析

5.2.1 產權性質異質性分析

在中國情境下，產權性質對微觀層面的企業行為存在重要影響，為檢驗產權性質在智能制造影響創新投入中的調節作用，本文根據企業產權性質，將樣本分為民營企業和國有企業(外資企業因分組后處理組樣本量過少而不予討論)，分組回歸結果見表7。模型(1)中的DID系數顯著為正，說明國有企業在實施智能制造后技術創新投入并未明顯增大，模型(2)中的DID系數在5%的水平下顯著為正，說明智能制造促進了民營企業技術創新投入增加。出現以上結果的可能解釋是民營企業迫于激烈的市場競爭環境，必須不斷創新以提高競爭力，所以民營企業在強烈的創新意識驅動下實施智能制造，不斷提高創新投入以獲得持續競爭優勢。相比之下，國有企業享有國家政策傾斜優勢和政府預算軟約束，面臨的市場競爭壓力較小，創新需求相對不高，另外出于晉升需要，國企高管往往更傾向于規避高風險的創新活動，因此國有企業智能制造對技術創新投入的促進作用不顯著。

5.2.2 行業屬性異質性分析

本文進一步探究行業屬性是否會對智能制造的影響產生調節作用，參考權小鋒等[31]的研究，將企業所處行業分為高新技術行業和非高新技術行業兩類。其中，高新技術行業包括化學纖維材料制造業、醫藥制造業、鐵路船舶航空航天和其它運輸設備制造業、計算機通信和其它電子設備制造業、化學原料及化學制品制造業、儀器儀表制造業共6個制造業細分行業，其余行業則歸入非高新技術行業，分組回歸結果見表7。模型(3)中的DID系數并不顯著，說明智能制造并未提高高新技術行業企業的技術創新投入，模型(4)中的DID系數在5%的水平下顯著為正，說明智能制造提高了非高新技術行業企業的技術創新投入。產生以上結果的可能原因是高新技術行業由于對技術創新的需求更強烈，所以該行業的創新投入已然維持在較高水平，而創新投入與創新績效間存在邊際收益遞減規律[34]，因此實施智能制造后創新投入的提升空間有限，而非高新技術行業因為創新水平較低，創新投入少，所以智能制造的實施對企業技術創新投入的影響更顯著。

表7 異質性分析結果

6 結論與啟示

現有研究中鮮有基于實證角度討論智能制造的實施效果，本文從技術創新投入視角切入，將智能制造試點政策實施視為一次準自然實驗，基于2011-2019年制造業A股上市公司面板數據，通過PSM-DID模型的分析得到智能制造影響技術創新投入的直接證據。基于本文研究，獲得以下結論：智能制造顯著提高了企業技術創新投入，并通過更換因變量測度方法、進行安慰劑檢驗、更換匹配方法、更換回歸模型、進行平行趨勢檢驗等一系列方法驗證了該結論的穩健性。機制檢驗結果表明，智能制造通過提升客戶集成度和供應商集成度進而增大企業技術創新投入，智能制造雖然有助于提高企業獲得的政府補貼強度，但政府補貼增加并未對創新投入產生影響。在異質性研究中發現，智能制造對技術創新投入的促進作用僅在民營企業和非高新技術行業中得到驗證。

基于以上結論，本文得出以下啟示：首先，應繼續擴大智能制造試點示范范圍。《規劃》指出，關鍵技術裝備的攻克和關鍵共性技術的創新應用是智能制造的兩個核心。本文研究表明，智能制造對技術創新投入產生了顯著促進作用，因此擴大智能制造示范試點范圍、實現智能制造試點范圍由點到線再到面的突破，將有利于我國制造業技術創新投入水平的整體提升，從而為關鍵技術裝備和關鍵共性技術的突破提供助力，并從根本上為提升我國制造業的自主創新能力和國際競爭力注入活力源泉；其次，要鼓勵提高企業供應鏈集成度。供應鏈集成是智能制造影響技術創新投入的重要中介，提高供應鏈集成程度既有利于企業增強顧客需求響應能力，又有利于實現鏈條企業資源的協同共享。因此，企業要發揮自己的主觀能動性，積極加強與其它節點企業的聯系，提高鏈條中物流、信息流、資金流的銜接效率。政府等有關部門也可以通過試點等政策探索優秀的供應鏈集成模式和經驗。如2018年8個部門聯合組織的供應鏈創新與應用試點就是促進供應鏈集成化和智慧化的有益嘗試；再次，要進一步發揮政府補貼對創新投入的激勵作用，在建立和完善公平嚴格的審核流程的同時，也要加強對補貼企業創新投入的動態監督和評估，讓政府補貼發揮出引導企業加大創新投入的作用，降低補貼對創新投入的擠出效應；最后，要加強對國有企業和高新技術行業企業的監督與引導。針對國有企業，可以實施更嚴格的創新水平考核指標體系，提高國有企業創新動力，對于高新技術行業企業則應進一步加大政策支撐，降低企業創新成本與風險，提高創新成果轉化效率。