數字化應用與資源型企業全要素生產率
——基于雙元創新的互補效應

李萌萌，郭曉川

（1.內蒙古大學 經濟管理學院，內蒙古 呼和浩特 010020；2.上海大學 管理學院，上海 200444）

一、引言

資源型企業在國家工業體系中具有重要的基礎性和戰略性地位，但隨著資源性產品供給變化以及國際社會環保要求的嚴苛，產能過剩以及碳排放等問題日益嚴重，資源型企業要實現高質量發展必須提高其全要素生產率。隨著互聯網、人工智能、大數據等數字技術的快速發展，新一輪產業革命正在由導入期轉向拓展期，催生出大量的新產業、新業態和新模式[1]。目前，企業數字化轉型逐漸從消費端轉向產業端[2]，“十四五”時期中國工業發展的戰略任務之一是實施“智能+”戰略，數字技術成為賦能工業的重要力量[3]。國家“十四五”規劃綱要中指出，要推進產業數字化轉型，深化研發設計、生產制造、經營管理、市場服務等環節的數字化應用。因此，隨著互聯網、人工智能、大數據等數字技術的發展，探究數字化應用與資源型企業全要素生產率的關系，對于其突破全要素生產率不高的困境具有重要意義。

數字化應用與全要素生產率的研究實際上是對“信息技術生產率悖論”（簡稱“生產率悖論”） 的延續。Brynjolfsson(1993)分析了造成生產率悖論的原因，主要是由于投資收益具有滯后性、技術投入管理不善以及在市場經濟中重新分配利潤等導致信息技術在企業層面具有正向作用，而在宏觀層面沒有顯現出來[4]。已有研究認為1991 年以后企業層面的生產率悖論逐漸消失[5]，但隨著人工智能等數字技術的發展，Brynjolfsson 等(2017)認為出現了新的生產率悖論，數字化與企業生產率呈“J-型”曲線[6]。Acemoglu&Restrepo(2018)認為人工智能等數字技術被過度采用會導致資本和勞動配置不當，從而抑制企業生產率[7]。然而，另一部分學者認為不存在生產率悖論，數字技術投資回報差異與企業是否在人力資本[8]、創新投入[9]、組織變革和管理實踐[10]等進行互補性投入有關。Purdy&Daugherty(2017)認為人工智能通過智能自動化、提高勞動技能和物質資本及創新來提高企業生產率[11]。黃群慧等(2019)認為互聯網通過提高交易效率、減少資源錯配及促進創新來提高制造企業生產率[12]。同時，生產率悖論還具有一定的行業異質性，已有大多數研究認為制造業不存在生產率悖論，而在服務行業的結論并不統一[13]。孫早、劉李華(2018)基于中國1979—2014 年行業面板數據，實證發現與服務行業相比，信息技術資本對工業的全要素生產率促進作用更強，在文教科研事業、政府機關以及金融業，信息技術資本對全要素生產率均具有正向作用，但是對房地產業的促進作用相對較小[14]。

綜上所述，目前關于數字化應用和企業全要素生產率的研究還存在一些不足：首先，數字化是否存在生產率悖論還沒有得到統一結論，且存在行業異質性，現有研究大多基于制造業和服務業，缺乏資源型企業的相關證據。其次，多數研究僅從人工智能、互聯網、大數據等單一數字技術進行研究，或者僅研究數字化在業務流程方面的應用，沒有涉及戰略規劃及市場營銷方面的應用。再次，現有研究僅關注數字技術與創新投入的互補效應，沒有進一步探究雙元創新在數字化應用過程中的作用。根據雙元創新理論，創新分為探索式創新和開發式創新，二者進行技術融合的程度和方式不同，因而建立在不同創新方式上的數字化應用會對資源型企業全要素生產率產生不同的影響。鑒于此，文章以2014—2019 年資源型企業上市公司為樣本，實證檢驗數字化應用對資源型企業全要素生產率的影響以及數字化應用與雙元創新的互補效應。

二、理論分析與研究假設

1. 數字化應用與資源型企業全要素生產率

數字化應用對企業全要素生產率的影響主要分為直接和間接兩方面：首先，基于資源基礎觀，能獲取稀缺的、有價值的、不可模仿和不可替代的生產要素是企業取得可持續競爭優勢的關鍵[15]。數據作為新的關鍵生產要素投入[16]，能為企業帶來重要的戰略信息資源，通過提高戰略決策者的風險預測能力以及改進目標規劃等[17]促進企業全要素生產率；數字技術使產品的生命周期大幅度縮短，降低企業交易費用，組織扁平化，從而直接提高其全要素生產率。其次，依據互補機制理論，數字技術與人力資本[18]、創新投入[19]、組織變革[10]等形成互補效應，間接提升企業全要素生產率。已有研究表明高技能勞動者能提升互聯網對企業生產率的促進作用，企業需要與無形資本等互補性因素結合來促進數字化的生產率效應[20]。

企業數字化應用不僅指數據要素及數字技術的業務應用，還包含如何利用數字技術提升自身的市場競爭力，以及如何創造和保有顧客[21]。Kaplan&Haenlein(2019)認為數字化是指數字技術應用到社會的各個領域，以及由此所產生的一系列變化，即代表了數字技術用于解決傳統問題的新用途，包括創造新的市場和價值網絡[22]。馬曄風等(2020)發現數字化的積極作用主要在于企業的軟實力方面，在運營管理和銷售方面的影響最顯著[23]。可見，企業數字化應用不僅包含業務流程方面的應用，還包含戰略規劃及市場營銷方面的應用。數字化應用對資源型企業全要素生產率的影響主要表現為：首先，實時的生產銷售數據和分析，為資源型企業提供精準的數據支撐及決策依據[24]，以及大數據價值鏈帶來的戰略聯盟，能實現企業供應鏈的知識共享和利益共贏。其次，資源型企業具有一定的勞動安全隱患，數字技術賦予企業新的生產決策模式，實現無人化智能化生產，提高運營管理效率[25]、生產的柔性[26]及安全性[27]。再次，資源型企業的產品物流及庫存成本較高，電子商務和云平臺整合物流、金融等資源，緩解信息不對稱，降低企業物流及庫存成本。此外，資源型企業長期以賣方市場思維為主導，數字技術帶來的商業模式創新，能增強企業的服務意識，將價值鏈延伸至附加值高的服務環節，從而提高資源型企業全要素生產率。對此，提出以下研究假設：

H1：數字化應用正向影響資源型企業全要素生產率。

2. 雙元創新與資源型企業全要素生產率

自March 于1991 年提出探索與開發兩種不同的組織學習行為以來，學術界開始針對這兩種學習行為的性質差異展開深入探討[28]。雙元創新理論認為，探索式創新發現和創造新知識、新技術，探索未知產品和領域，尋找新的客戶和市場；開發式創新利用現有知識和技術，鞏固和發展現有業務，挖掘并滿足現有客戶及市場需求[29]。

探索式創新投入周期長、具有不可測性，但長期來看，探索式創新具有顯著的技術溢出效應[30]，已有研究表明探索式創新有利于提高企業的整體技術水平和核心競爭力，提升企業的盈利性績效[31]。探索式創新對資源型企業全要素生產率的影響主要表現在新知識、新技術和新產品三個方面：一是，資源型企業存在嚴重的資源依賴、科技水平較低等問題，探索式創新所產生的學習效應有利于資源型企業內在科技能力的提升，包括科研人員的知識積累以及技術創新的成果積累等；二是，資源型企業需要不斷引進新技術，探索式創新能促進新技術的引進吸收，實現技術融合；三是，資源型企業存在產品同質、附加值低等現象，探索式創新開發出的新產品能有效提升資源型企業的核心競爭力，從而促進資源型企業全要素生產率的提升。對此，提出以下研究假設：

H2a：探索式創新正向影響資源型企業全要素生產率。

根據路徑依賴理論，開發式創新雖然周期短、投資風險小，能有效降低新產品研發投資風險，有利于企業的短期效率及收益，但是過度依賴于現有知識和技術，不利于企業形成持續的競爭力，容易落入“追趕—落后—追趕”的重復陷阱[32]，將企業鎖定在低效率的狀態，產生“鎖定效應”，從而抑制企業全要素生產率的提升。資源型企業本身具有較強的資源依賴性，開發式創新利用現有知識和技術，會進一步加強企業對資源的依賴，缺乏對新技術、新產品和新市場的挖掘，從而形成路徑依賴，最終將企業鎖定在低效率狀態下，不利于資源型企業全要素生產率的提升。對此，提出以下研究假設：

H2b：開發式創新負向影響資源型企業全要素生產率。

3. 數字化應用與雙元創新的互補效應

互補機制理論認為，除了要素本身對生產率的貢獻外，要素之間的相互賦能也會提高企業生產率[8]。要素之間的相互賦能即為互補效應，當發生互補效應時，提高其中任意一個要素的投入，都會提高另一個要素投入的回報[33]。Milgrom&Roberts 最早在1990 年基于互補理論系統地論證了信息技術與人力資本、組織變革之間存在互補性[8]。已有研究認為并不是所有企業的信息技術投資都能得到相同的生產率回報，除了信息技術的投資以外，企業自身的一些特性也影響著信息技術的生產率回報。何小鋼等(2019)研究發現高技能和長期雇傭勞動者與信息技術具有互補效應，能顯著提升信息技術的生產率效應[34]；Hempell(2006)指出信息技術與創新投入屬于互補性要素，相互補充，二者之中任意一種要素的投入價格下降，都會導致信息技術與創新投入同時增加[9]。

從投資額和投資周期來看，相比于開發式創新，探索式創新與數字化應用的投入資金都較大、投資周期都較長，短期內都可能出現擠占企業經營資源的現象；從投資收益來看，探索式創新與數字化應用短期內都可能出現負的投資收益，但是長期來看，二者均有利于企業整體技術水平和核心競爭力的提升。資源型企業數字化應用與探索式創新的互補效應主要體現在兩個方面：一方面，資源型企業數字化需要對設備、工藝流程及銷售渠道進行數字技術改造，探索式創新活動積累的學習經驗有助于數字技術的應用及吸收，縮短數字技術更新改造的時間成本[9]，促進數字化應用的直接生產率效應。另一方面，數字化應用能帶來資源型企業的組織結構和管理實踐變革，消除組織冗余層級，降低信息溝通成本，能夠對新的技術研發與應用產生較快響應，促進研發效率，從而提升資源型企業的全要素生產率。因此，探索式創新與數字化應用二者具有互補效應，探索式創新能促進數字化應用的生產率效應，同樣數字化應用也能促進探索式創新的生產率效應。對此，提出以下研究假設：

H3：相比于開發式創新，數字化應用與探索式創新的互補效應更顯著。

具體的理論框架如圖1 所示。

圖1 理論框架圖

三、研究設計

1. 數據來源與樣本選取

中國企業大規模進行數字化應用是從2013 年以后開始的，文章采用2014—2019 年資源型A 股上市公司為研究樣本。資源型企業的劃分依據《國民經濟行業分類》，劃分為12 個行業①注：開采洗選業包括煤炭開采和洗選業(B06)，石油和天然氣開采業(B07)，黑色金屬礦采選業(B08)，有色金屬礦采選業(B09)，非金屬礦采選業(B10)；初級加工業包括石油、煤炭及其他燃料加工業(C25)，化學原料和化學制品制造業(C26)，非金屬礦物制品業(C30)，黑色金屬冶煉和壓延加工業(C31)，有色金屬冶煉和壓延加工業(C32)，金屬制品業(C33)，電力、熱力生產和供應業(D44)。。企業相關數據均來自萬得數據庫，上市公司年報用Python 軟件從巨潮資訊網批量獲取，地區數據來自歷年中國統計年鑒及各省份統計年鑒。剔除樣本期間內的ST 和*ST、2014 年及以后上市和相關數據嚴重缺失的企業，最終得到218 家企業6 年的平衡面板數據，共計1308 個觀測值，并對所有連續變量做1%和99%的雙側縮尾處理。

2. 變量測度

（1） 被解釋變量：全要素生產率(TFP)

企業全要素生產率常用的測算方法有索洛余值法、FE 法、OP 法和LP 法等。其中，半參數OP 法和LP 法能夠有效解決索洛余值法的內生性問題。但OP 法對數據要求較高，需要企業的真實投資大于0，而LP 法則使用企業的中間投入品作為不可觀測的生產率沖擊的代理變量，可以有效解決OP 法產生的遺漏樣本問題，能更好地反映企業生產率的變化。文章采用LP法進行估算，選用FE 法進行穩健性檢驗。

（2） 解釋變量：數字化應用(Digital)

部分學者從互聯網[12]、人工智能[35]等單一數字技術角度進行測度，但大多采用單一指標或截面數據，只涵蓋了業務流程方面，沒有全面反映企業整體的數字化應用。文章借鑒施德俊(2019)[21]和馬曄風等(2020)[23]的研究思路，從戰略規劃、運營管理和市場營銷三個維度對數字化應用進行測度，分指標采用文本分析法來構建，最終用熵指數法合成數字化應用指標（見表1）。

表1 數字化應用的測度

其中，一是戰略規劃：針對企業年終總裁致辭及年報中關于公司發展戰略部分，通過Python 統計數字化相關詞匯數和企業官網發布的戰略數字化新聞數進行測算。二是運營管理：針對年報中關于公司業務概況及經營狀況分析部分，通過Python統計數字化相關詞匯數和企業官網發布的運營管理數字化新聞數進行測算。三是市場營銷：通過企業官網發布的營銷數字化新聞數、當年發布的新聞總數、數字化營銷種類進行測算，營銷種類包括是否有網站、微信或微博公眾號、自營或第三方平臺，取值為0、1、2、3。

關鍵詞的選取分為三個步驟：第一步，分別由兩位研究人員從年報及相關文獻中篩選出數字化相關詞匯；第二步，合并兩組關鍵詞，剔除重復詞；第三步，由另外三位數字化相關研究人員打分，“完全不符合”到“完全符合”設立10 分制，最終選取平均分大于4 的關鍵詞共93 個。

（3） 調節變量：探索式創新(R)與開發式創新(D)

根據《企業會計準則第6 號——無形資產》相關規定，企業內部研發投資分為研究階段與開發階段投資，研究階段投資更偏向探索式創新投入，開發階段投資更偏向開發式創新投入。文章借鑒畢曉方等[30]的做法，以企業研究費用化支出/資產總額代表探索式創新投入(R)，以企業開發資本化支出/資產總額代表開發式創新投入(D)。

（4） 控制變量

參考已有關于企業全要素生產率的研究(Peng F 等，2021)，控制變量分為企業層面和地區層面[36]。企業層面包括企業規模(Size)、企業屬性(Soe)、資產負債率(Fin)、出口狀況(Export)。地區層面包括地區發展水平(Pergdp)、外商投資情況(FDI)、地區產業結構(Structure)。此外，還加入時間和行業虛擬變量，變量定義見表2。

表2 變量定義表

3. 模型與方法

為檢驗數字化應用對資源型企業全要素生產率的影響，構建計量模型如下：

為檢驗數字化應用與雙元創新的互補效應，文章構建計量模型如下：

四、實證分析

1. 描述性統計分析

表3 給出了各變量的描述性統計。可以看出，資源型企業全要素生產率標準差為0.572，最大值為3.111，最小值為0.015，說明資源型企業全要素生產率存在一定差異；數字化應用均值為0.035，最大值為0.229，最小值為0.000，說明資源型企業數字化應用仍屬于起步階段，還未達到過度使用的階段；探索式創新均值為0.825，標準差為0.703，最小值為0.000，說明探索式創新存在較大差異，部分企業沒有探索式創新投入；開發式創新均值為0.046，標準差為0.159，最小值為0.000，說明開發式創新存在較大差異，部分企業沒有開發式創新投入。

表3 描述性統計

2. 回歸分析

在進行回歸分析之前，首先對變量進行多重共線性檢驗，max{VIF}=1.82<10，說明不存在嚴重的多重共線性；考慮到異方差和自相關等問題，文章均采用經過異方差修正和公司層面聚類調整的穩健標準誤。

（1） 數字化應用與資源型企業全要素生產率

表4 列(1)檢驗了數字化應用對資源型企業全要素生產率的影響。數字化應用的回歸系數在5%的水平上顯著為正，說明數字化應用對資源型企業全要素生產率的影響顯著為正，即數字化應用越高，資源型企業全要素生產率就越高，假設H1 得到驗證，與潘毛毛、趙玉林(2020)[18]的研究結論一致。Acemoglu &Restrepo(2018)指出數字技術被過度采用可能導致資本和勞動配置不當，從而阻礙企業生產率提升[7]。從描述性統計來看，資源型企業數字化應用的均值僅為0.035，屬于數字化應用初級階段，還沒有達到過度采用，不足以導致資本和勞動配置不當，因而在當前階段，數字化應用對資源型企業全要素生產率具有顯著的促進作用。

（2） 雙元創新與資源型企業全要素生產率

表4 列(2)和列(3)分別報告了探索式創新、開發式創新對資源型企業全要素生產率的影響。由列(2)可以看出探索式創新的系數在1%的水平上顯著為正，說明探索式創新對資源型企業全要素生產率具有顯著的促進作用，H2a 得到驗證。列(3)顯示開發式創新的系數在10%的水平上顯著為負，說明開發式創新對資源型企業全要素生產率具有顯著的抑制作用，H2b 得到驗證。探索式創新所產生的學習效應有利于提升資源型企業的內在科技能力，開發新技術、新產品，實現技術融合，提升企業核心競爭力，從而促進資源型企業全要素生產率。開發式創新過度依賴于現有知識和技術，不利于企業形成持續的競爭力，將企業鎖定在低效率狀態，產生“鎖定效應”，從而抑制資源型企業全要素生產率。

（3） 數字化應用與雙元創新的互補效應

表4 列(4)和列(5)分別報告了數字化應用與探索式創新、開發式創新的交互作用。可以看出數字化應用與探索式創新的交互項系數在10%的水平上顯著為正，而與開發式創新的交互項系數不顯著。這說明相比于開發式創新，數字化應用與探索式創新的互補效應更顯著，二者互為正向調節，相互促進，即探索式創新能夠強化數字化應用對資源型企業全要素生產率的促進作用，同樣數字化應用也能強化探索式創新對資源型企業全要素生產率的促進作用，H3 得到驗證。資源型企業數字化主要是對設備及工藝流程進行數字技術更新改造，具有探索式創新的資源型企業在新知識、新技術和新產品等方面進行了較長時間的研發，有一定的學習經驗，能縮短數字技術更新改造的成本及時間，從而能更快體現數字化應用的生產率效應。同時，數字化應用能改變企業的創新流程及組織形式，提升探索式創新效率，數字化應用與探索式創新二者相互補充，進而提高資源型企業的全要素生產率。

表4 基本模型回歸結果

3. 行業異質性分析

為進一步研究行業異質性對數字化應用生產率效應的影響，文章將樣本分為開采洗選業和初級加工業分別進行回歸，結果見表5。列(1)和列(3)顯示，數字化應用的系數分別在1%和10%的水平上顯著為正，說明在開采洗選業和初級加工業，數字化應用對資源型企業全要素生產率的影響均顯著為正。列(2)和列(4)顯示，開采洗選業樣本組數字化應用與探索式創新的交互項系數不顯著，而初級加工業樣本組交互項系數在10%的水平下顯著為正，說明數字化應用與探索式創新的互補效應主要體現在初級加工業，而在開采洗選業仍不顯著。這主要是因為開采洗選業對資源和地域依賴性較強，大多位于經濟落后地區，探索式創新水平較低，沒有足夠的技術、知識和人員積累，而初級加工業較接近于制造業，探索式創新水平相對較高，積累了一定的學習經驗，能在短時間內實現數字化應用的生產率效應，因而數字化應用與探索式創新的互補效應主要體現在初級加工業，在開采洗選業仍不顯著。

表5 行業異質性分析結果

4. 穩健性檢驗

（1） 內生性檢驗

實際生產過程中樣本可能存在自選擇性，即數字化應用可以提高資源型企業全要素生產率，同樣全要素生產率高的資源型企業也更傾向于采用數字化。為此，文章借鑒何小鋼等(2019)[34]的做法，采用按省份和二位碼行業分類的數字化應用均值作為工具變量(IV)。借鑒方穎、趙揚(2011)的研究思路對工具變量的外生性進行檢驗，結果見表6 列(1)～(3)。當資源型企業全要素生產率分別回歸于數字化應用和工具變量時，兩個變量的系數都顯著為正；當資源型企業全要素生產率同時回歸于數字化應用與工具變量時，工具變量的系數變得不顯著，而數字化應用的系數仍顯著為正。這說明工具變量僅通過數字化應用影響資源型企業全要素生產率，而不直接影響資源型企業全要素生產率，工具變量滿足“外生性”條件。

表6 工具變量檢驗及回歸結果

表6 列(4)和列(5)匯報了2SLS 回歸結果。首先進行數字化應用對工具變量的第一階段回歸，列(4)顯示工具變量的系數顯著為正，說明工具變量與內生變量具有顯著的正相關性。將第一階段得到數字化應用的擬合值作為第二階段數字化應用的代理指標，估計其對資源型企業全要素生產率的系數，從列(5)回歸結果可知，數字化應用系數在1%的水平上仍顯著為正。因此，在考慮工具變量的有效性條件下，數字化應用對資源型企業全要素生產率依然具有顯著的促進作用。

（2） 其他穩健性檢驗

為驗證模型的穩健性，文章還采用以下幾種方法，結果見表7：一是為了規避遺漏變量導致的內生性問題，加入了企業和地區層面控制變量，同時還加入了時間和行業固定效應；二是關于測度誤差導致的內生性問題，文章采取國家統計局公布的權威數據以及上市公司企業年報，采用文本分析法盡量避免人為誤差，同時采用FE 法代替LP 法，替換因變量重新進行估計；三是除了采用工具變量法，文章還借鑒Brynjolfsson &McElheran(2016)的做法，將數字化應用滯后一期，回歸系數仍顯著為正；四是替換估計方法，采用Tobit 模型進行回歸，所有結論均與前文保持一致[37]。

表7 其他穩健性檢驗

五、結論與啟示

1. 研究結論

文章基于互補機制理論和雙元創新理論，選用2014—2019年資源型上市公司數據，從戰略規劃、運營管理及市場營銷三個維度測度資源型企業數字化應用，考察了數字化應用對資源型企業全要素生產率的影響，以及數字化應用與雙元創新的互補效應。

研究發現：第一，數字化應用對資源型企業全要素生產率具有顯著促進作用，即數字化應用越高，資源型企業全要素生產率就越高，說明在樣本期間內，資源型企業數字化應用不存在生產率悖論。第二，探索式創新對資源型企業全要素生產率具有顯著促進作用，而開發式創新對資源型企業全要素生產率具有顯著抑制作用。第三，數字化應用與探索式創新具有顯著的互補效應，二者互為正向調節關系、相互補充，即增加數字化應用或者探索式創新中的任意一種要素投入，均能強化另一種要素投入的生產率效應。此外，數字化應用與探索式創新的互補效應主要體現在初級加工業，在開采洗選業仍不顯著。

文章的主要貢獻在于：第一，采用文本分析方法從戰略規劃、運營管理和市場營銷三個維度測度數字化應用，并驗證數字化應用與資源型企業全要素生產率的關系，更全面地反映了企業的數字化應用，豐富了數字化與企業全要素生產率的相關研究。第二，將互補機制理論與雙元創新理論聯系起來，深入探討了不同創新方式對數字化應用與資源型企業全要素生產率關系的作用差異，拓展了互補機制以及雙元創新理論。第三，將數字化應用、雙元創新與資源型企業全要素生產率納入同一研究框架，并分析了開采洗選業和初級加工業的數字化應用及其生產率效應，為資源型企業如何通過互補性投入來強化數字化應用的生產率效應提供相應的理論指導。

2. 管理啟示

（1） 資源型企業應通過加強數字化應用來提高企業全要素生產率

研究結論顯示數字化應用越高，資源型企業全要素生產率就越高，步入數字經濟時代，資源型企業不能單純依靠精細化管理進行低成本戰略，而是要改變管理模式，通過數字化應用來提高企業全要素生產率。資源型企業應加大數字化應用的投入，尤其是業務流程再造和商業模式創新方面，引進數字化設備、智能生產線及信息管理系統，增加數字化營銷渠道，利用大數據、云計算等數字化技術進行精準營銷服務。

（2） 在創新投入過程中，要加大對探索式創新的投入

研究結論顯示相對于開發式創新，具有探索式創新投入的資源型企業，其企業全要素生產率較高。但探索式創新投資周期長、且投資風險大，因而面臨較大的融資約束，依據委托代理理論，企業管理層為了自身利益更傾向于進行開發式創新，而避開探索式創新。因此，除了要增加探索式創新的研發資金和研發人員投入，還要有良好的內部控制機制，優化企業的內部治理結構，減少管理層的道德風險，減少資源錯配，提高研發效率。

（3） 注重數字化應用與探索式創新的互補性投入，增強企業數字創新能力

加大數字化應用的研發資金投入，如數字技術更新改造相關的研發經費等，搭建數字創新平臺，尤其是開采洗選業的資源型企業，更要加大探索式創新投入，根據自身的行業特性制定有針對性的數字化應用方案；重視資源型企業專業技術研發人員和數字技術研發人員的引進和培養，制定高端人才激勵政策、優化晉升通道等，吸引資源管理和數字技術等方面的專業人才及跨學科的復合型高端人才，打造專業的數字技術研發團隊。