數智賦能區域傳統工業企業創新路徑研究

陳旭升 汪鵬飛 張旭東

收稿日期：2023-05-21? 修回日期：2023-08-26

基金項目：黑龍江省哲學社會科學研究規劃項目（20JYE277）

作者簡介：陳旭升（1970—），男，遼寧北鎮人，博士，哈爾濱理工大學經濟與管理學院教授，研究方向為數字化轉型與產業創新；汪鵬飛（1998—），男，安徽銅陵人，哈爾濱理工大學經濟與管理學院碩士研究生，研究方向為數字產業化；張旭東（1998—），男，黑龍江哈爾濱人，哈爾濱理工大學經濟與管理學院碩士研究生，研究方向為數字產業化。本文通訊作者：陳旭升。

摘? 要：數智化是產業升級發展方向，其要素配置方式是賦能傳統工業企業創新的關鍵。以“技術—組織—環境—進程”框架構建影響因素維度，運用模糊集定性比較分析方法（fsQCA）對中國內地31個省級行政區數據進行組態分析，探究數智賦能傳統工業企業創新路徑。結果發現：前因變量中不存在必要條件，數智賦能傳統工業企業創新存在5條典型組態路徑，其中“技術—組織”側重技術研發推動，“環境—進程”由需求拉動引發，兩者形成互補性賦能模式；進程維度在4條賦能路徑中作為有效條件，與以往忽視進程維度不同，數智應用對傳統工業企業創新發揮關鍵作用；高創新績效區域均選擇“技術—組織—環境-進程”路徑，其它區域可依據自身資源條件選擇與之相匹配的路徑，通過增強要素間協同能力優化賦能效果。

關鍵詞關鍵詞：數智賦能；傳統工業企業；創新；fsQCA

DOI：10.6049/kjjbydc.YX202305180

開放科學（資源服務）標識碼（OSID）????? 開放科學（資源服務）標識碼（OSID）：

中圖分類號：F273.1

文獻標識碼：A

文章編號：1001-7348（2024）02-0068-11

0? 引言

我國傳統工業企業已形成上下游產業相結合的產業鏈。2020—2022年，營業收入年均97.4萬億元，占行業內總量的84.3%。機電產品出口居世界前列，是全球制造業的重要組成部分。企業大多為勞動密集型企業，從業人員年均達6 498萬人，占行業總數的82.5%，在拉動內需促進實體經濟發展過程中發揮重要作用，能夠緩解外部環境不確定性帶來的負向影響。然而，傳統工業企業面臨著“低端鎖定”和“產能過?！崩Ь?，平均研發經費投入僅占高技術產業的21.6%。作為技術領先標志的發明專利數、新產品銷售收入僅占高技術產業的16.7%和28.3%。由此，如何實現傳統工業企業升級成為亟待解決的問題。

中共十九大報告明確提出，“推動高質量發展”是我國經濟發展主線，“加快數字化發展”是產業結構優化的重點方向。數字技術可以準確、快速地處理海量數據，對實體參數進行模擬仿真，并對產品研發、生產過程中的不合理因素進行優化?！丁笆奈濉睌底纸洕l展規劃》提出，要以數據為關鍵要素，以數字技術與實體經濟深度融合為主線，加強數字基礎設施建設，完善數字經濟治理體系，賦能傳統產業轉型升級，為構建數字中國提供有力支撐。中共二十大提出“構建新一代信息技術、人工智能”，進一步明確了數智化是傳統工業企業轉型的關鍵。

大數據改變了現有加工與制造模式，智能硬件嵌入傳統生產過程，成為促進生產效率提升的動力。人工智能為企業帶來前所未有的變化，推動傳統企業向知識密集型和技術密集型企業轉變，也為消費市場帶來了新的機會，能夠幫助企業通過了解顧客需求選擇創新路徑，重塑創新理論與技術范式。因此，有必要進一步探究數智如何賦能傳統工業企業創新，這對于推動傳統產業升級具有重要意義。

然而，多數相關研究主要關注生產過程改進，數智技術作為新動能的影響機理尚處于探索階段。同時，現有數智化分析大多以硬件技術支持或信息服務為視角，既未關注兩者共同效應，也未揭示數智賦能對創新的影響。此外，區域資源稟賦差異不利于普適性策略實施，容易產生資源錯配問題。因此，為推動數字經濟與實體經濟融合發展，本文基于中國內地31個省級行政區統計數據對數智化多重因素進行組態分析，拓展本土創新生態系統理論，從而為不同區域傳統工業企業創新策略制定提供參考。

1? 文獻綜述與理論框架

1.1? 文獻綜述

1.1.1? 數智賦能對創新的影響

數智化能夠增強企業環境應變能力（周翔等，2023），其貫穿于企業運營各環節，并隨企業發展擴展至技術、組織、戰略和商業模式創新等方面。

網絡客戶端、創客空間和知識共享平臺形成新的數字資源，顛覆傳統企業技術創新形式，促使創新過程由單一節點向網絡化轉變，其范圍和特征能夠決定技術創新方向[1]。人工智能可以增強企業管理柔性，促使企業從漸進性創新轉向探索性創新，進而利用技術創新形成專利，識別新產品開發機會[2]。受資金、人才等方面限制，傳統產業創新可能面臨“數字鴻溝”。政府可以通過治理機制在基礎設施建設、知識產權保護和創新平臺構建等方面，營造有利于企業技術創新的數字化環境[3]。

生產要素與網絡結合形成產品模塊化架構，通過交互作用建立多元耦合關系，企業組織結構從垂直一體化層級結構向松散結構轉變。由此，模塊化、網絡化帶來企業組織結構創新[4]。線上技術應用能夠影響組織學習，組織成員目標一致性、合作態度以及共同知識是影響組織交互學習效率的關鍵因素[5]。數字技術會持續從根本上影響組織運作與競爭方式，因而組織需要維持競爭力，同步流程改進與技術變革以避免兩者沖突[6]。

數據成為戰略競爭優勢的重要來源，其獲取方式能夠改變戰略制定模式，進而影響企業靈活性（Sharan等，2023）。在制造商提供的產品服務基礎上，識別其與數字服務間的聯系以強化雙向靈活性，通過監控、控制、優化、自主功能實現價值創造和捕獲[7]。數字技術應用能夠降低組織成員信息交流成本，協調產業聯盟成員間的價值沖突，引導聯盟核心價值導向，促進跨組織資源合作關系建立，支撐產業聯盟智能化自主創新戰略實施[8]。

得益于互聯網廣泛應用，行業進入壁壘降低，由此模糊了行業邊界。企業數量增長加劇了競爭，為獲得盈利，企業由產品、流程和組織創新轉向商業模式創新（Massa等，2017）。新的機會與潛在利益者是商業模式的主要組成部分，要求管理者具備“企業家心態”，以客戶為中心的商業模式設計可能會重新定義行業并創造新的范式[9]?；趦r值創造主體、載體差異可形成不同的O2O商業模式，創新動因可歸結為注重用戶體驗和提高匹配效率，隨著數字技術能力提升，兩者實現線上線下融合[10]。

1.1.2? 文獻評述

已有研究發現，通過大數據分析和智能算法，企業可以精準預測市場趨勢以明確創新方向，強化自身管理靈活性、提升工作效率，通過扁平化組織結構促進知識交流與轉化，進而形成注重用戶體驗的商業模式創新。但數字經濟環境下，需要進一步探究傳統工業企業創新。因此，本文基于“技術—組織—環境—進程”框架，以傳統工業企業創新為研究對象，根據數智發展特征選擇指標，揭示數智要素對傳統工業企業創新的影響，分析傳統工業企業創新賦能路徑，并對比不同路徑間的關系，以期找到不同區域利用數智資源的規律。

1.2? 理論框架

1.2.1? TOE框架拓展依據

數智技術已成為經濟發展的重要驅動因素，相較于高技術企業，傳統工業企業升級面臨著更多問題。為避免要素錯配，需要分析賦能過程中各資源間的關系。Tornatzky等（1990）提出的TOE框架理論將影響企業創新的要素歸納為技術、組織和環境，以此解釋創新驅動因素，該理論在客戶參與創新（古安偉等，2022）、治理風險應對（Ullah等，2021）、電子政務管理（譚海波等，2019）方面得到廣泛應用。就TOE框架而言，其并未體現要素應用狀況，在技術、組織、環境相同的情況下，企業可能因技術熟練程度、組織柔性和外部資源利用差異而產生不同的績效。已有研究也關注到要素應用程度導致的效率變化，如Kottemann等[11]從個人、企業、政府角度分析發現，信息通信技術成熟度與區域績效呈正相關關系；McLeod等[12]從社會技術角度發現，信息化應用進程包括參與行動者特征與屬性、資源和交付能力、制度化規則及結構、技術內容等方面。

據此，參考Ahani等[13]提出的TOEP框架，本文從技術、組織、環境、進程4個方面確定創新活動驅動因素。其中，進程（Process）是計算機術語，表示調用數據資源和程序，可以與控制過程整合發揮具體應用功能，進而體現數智應用中協同數據、方法與管理的特點，在研究框架中代表數智要素應用程度。

1.2.2? 數智賦能TOEP框架構建

（1）技術維度?；ヂ摼W能夠克服由空間距離導致的制造資源分割，推動生產效率提升，從而促進區域資源整合與協調利用[14]。由此產生的大數據分析可以減少運營過程中的信息交流障礙（Grover等，2018），通過數據挖掘為企業創新提供方向，強化企業對機會的判斷，從而實現用戶價值共創（蔡莉等，2019）。數智技術研發能夠形成設備與信息相契合的要素組合，進而構成網絡式產品價值鏈。因此，本文將技術研發人員與經費投入作為技術維度指標。

（2）組織維度。員工參與度是企業創新的內部驅動力，企業可以通過權力分享、薪資激勵促進員工組織認同度提升（王海花等，2021）。組織變革有利于企業通過研發投資創造有利的外部條件，在快速開展技術創新的同時，適應技術對組織決策過程的影響（Tushman等，1986）。在改變產品組件連接方式的“架構”創新過程中，組織需要學習新知識，促使創新成果被現有企業接納[15]。組織規模擴大有利于企業匯集知識與資源投入創新活動，而組織效益提升能夠改變組織對前沿技術的觀念和組織應對能力。由此，本文將兩者作為組織維度指標。

（3）環境維度。硬件與網絡是企業數字轉型的必要組件，其連接性、兼容性和模塊化水平能夠體現企業在基礎設施方面的數字化差異（Wamba等，2017）。工業4.0背景下，企業需要云計算、IoT等基礎設施作為支撐，從而實現工藝穩定和產品定制化[16]。信息基礎設施是影響數據應用的環境因素，有助于企業獲得“數字紅利”，進而加快信息流通速度、突破空間以及信息儲存限制[17]。移動互聯網和固網接入規模能夠體現數字化支撐能力。

（4）進程維度。在數字平臺運行過程中，主導平臺發揮的正反饋網絡效應可以幫助企業在早期取得成功。隨后，企業需要利用網絡資源擴大規模以應對新的競爭對手[18]。不同主體需要選擇適合當前關系網絡的技術與合作方式，并根據系統發展程度調整自身數字化轉型策略[19]。創新是在以企業為主體的產業鏈和產業集群中產生的，這一過程中，賦能效應可為多元化生產提供基礎，進而構建網絡化、協同化創新生態系統[20]。由此可知，企業線上運營范圍和交易活動程度可以作為進程維度指標。

在上述研究的基礎上，本文采用演繹法和歸納法（Ketchen等，1993）對工業企業創新影響因素進行總結，以技術、組織、環境、進程4個維度作為前因組態條件，探究不同條件間的協同關系，揭示數智賦能對傳統工業企業創新的影響路徑，并構建理論框架如圖1所示。

2? 研究設計

2.1? 研究方法

本文采用模糊集定性比較分析方法（fsQCA）分析數智賦能傳統工業企業創新路徑，理由如下：第一，模糊集定性比較分析方法（fsQCA）采用布爾代數邏輯檢驗結果與自變量所有組合的關系，而非估計自變量的“凈效應”（Henik，2015）。當因果關系既是多重又是共軛時，通過計算前因條件組合可以確定多種共時因果關系[21]。第二，fsQCA是不對稱數據分析方法，相較于以對稱關系為基礎的回歸分析方法，當因變量和自變量存在有差異的因果關系時，它能彌補回歸分析方法的不足（Woodside，2014），其與聚類分析方法被看作是超越方差的方法，聚類強調相似性問題，而fsQCA可識別充分條件的不同配置[22]。第三，fsQCA適合觀察隨機但復雜的小樣本（適用于10～100之間的樣本）[23]，是以多樣性為導向的方法，能夠回答如何通過配置理論識別可行路徑的問題（Harms等，2009）。在不同路徑均能實現預期目標的情況下，差異來自影響條件組合，基于決策者角度可依據已有資源，結合樣本特征選擇匹配路徑（杜運周，賈良定，2017）。

2.2? 指標選取及數據來源

數據獲取與人工智能分析是數智化的基礎。以自動化設備為基礎，基于算法的數據挖掘能夠幫助企業獲得隱性知識，基于IFR數據庫中工業機器人應用情況分析行業智能發展程度。區域發展缺乏一致性評價體系，參考劉軍等[24]將高技術制造業R＆D經費作為區域智能化基礎投入指標的研究思路，Satish[25]認為，數字技術包括軟硬件、系統工具、服務體系等。由此，本文將R＆D經費和R＆D人員作為技術維度指標，相關數據來自信息產業相關統計年鑒，具體包括體現數智軟件發展的軟件和信息技術服務業，以及代表數智硬件發展的電子及通訊設備制造業、計算機及辦公設備制造業等。此外，本文將不同行業同指標數據進行合并。

從業人員數量增加能夠促使產業鏈前伸與后延，形成完備知識體系，從而促進原創性突破出現。組織規模擴大可以吸引投資，使組織擁有更多可供選擇的協作資源，進而促進行業標準體系構建。由此，本文選取信息產業細分行業合并的從業人員年均人數、營業收入為組織維度指標。信息化基礎設施有利于數據傳輸的高效與安全，考慮到移動互聯網和固網是兩種主要數據傳輸方式，故本文將移動電話基站數和互聯網寬帶接入端口數作為環境維度指標。企業網站能夠強化產品或服務獲取的便捷性，有電子商務交易活動企業的比重增大有利于平臺經濟發展，帶動上下游企業數字化轉型，無人倉儲、精準營銷能夠進一步擴大人工智能應用領域。由此，本文選取以上兩個方面作為進程維度指標。

Von Briel等[26]認為，數字技術在網絡中的核心地位能夠引導資源流動，進而決定行動者擁有的資源類型及創新產出過程。結合張永安等[27]和曾卓騏等[28]的研究成果，本文將傳統工業企業創新績效分為投入與產出兩個方面。在投入方面，引進與吸收外部技術雖然能夠快速促使傳統企業技術水平提升，但也可能出現引進后再落后的情況。新產品開發是企業將基礎研究和技術進行轉化的成果，故本文選擇新產品開發經費支出作為資金投入指標。與高技術企業不同，傳統企業中高學歷研發人員占比處于劣勢。為客觀評價研發人員實際工作量，本文將R&D人員折合全時當量作為人員投入指標。在產出方面，外觀設計專利、實用新型專利雖然能夠評價知識轉化程度，卻難以測度技術進步，因而本文采用發明專利衡量突破性創新。新產品是技術創新與企業產品結構調整的耦合，其附加價值有助于企業盈利能力提升，故本文選擇新產品銷售收入評價創新成果的市場績效?；诖?，本文通過秩和比法（RSR）對上述指標進行計算，以此衡量傳統工業企業創新績效。指標具體名稱與參考依據如表1所示。

數據來源為《中國統計年鑒》《中國高技術產業統計年鑒》《中國電子信息產業統計年鑒》和CSMAR數據庫。受限于統計年鑒數據可得性，本文數據樣本為2016、2017、2019年行業數據。

2.3? 基于秩和比法的結果變量測度

本文選擇秩和比法（RSR）評價結果變量，此方法可用來確定多指標綜合水平，并根據RSR值進行排序?；谖覈?1個省級行政區數據，通過式（1）進行無量綱處理并計算RSR值，再將RSR值作為因變量進行回歸分析，得到RSR臨界值為0.216與0.777。據此，本文對31個省級區域傳統工業企業創新績效進行分類。其中，江蘇、廣東、浙江、山東、安徽為高效率組，海南、青海、寧夏、西藏為低效率組，其余為中效率組，結果如圖2所示。

R=1+（n-1）×[（X-Xmin）/（Xmax-Xmin）]（1）

3? 實證分析

3.1? 變量校準

本文選取研究變量并校準錨定點，即以95%的完全隸屬點（上四分位數）、50%交叉隸屬點（中位數）以及5%的完全不隸屬點（下四分位數）作為隸屬閾值，運用fsQCA3.0軟件將數據轉換為隸屬度在0～1之間的值。具體變量校準和描述性分析結果如表2所示。

3.2? 必要條件分析

在對影響因素真值表進行組態分析前，需要檢驗各前因條件的必要性。當某一前因條件一致性水平高于0.9時，則認為該條件是導致結果變量產生的必要條件。對前因條件進行一致性分析，未發現任一前因變量一致性水平達到0.9。由此表明，不存在必要前因變量，傳統工業企業創新是技術、組織、環境、進程等多維度因素協同作用的結果，如表3所示。

3.3? 組態分析結果

案例數量是特定組態進入布爾最小化計算的篩選標準，由于研究樣本數量屬于“小樣本”，故本文將案例頻數閾值設置為1，將原始一致性閾值設置為0.80，將PRI門檻值設置為0.70。在分析過程中會產生3種解，包括復雜解、中間解、簡單解。依照已有研究，本文對中間解和簡單解進行分析，31個省級區域數智賦能傳統工業企業創新的前因組態如表4所示。由計算得到總體一致性0.97，總體覆蓋度0.78，分析結果可信。

（1）“技術—組織—環境—進程”組態（RADP*RADE*OPRE*ANOE*MPBS*IBAP*WOBTE）。以研發人員、研發經費、營業收入、移動電話基站數、企業擁有的網站數為核心條件，以從業人員年平均人數、互聯網寬帶接入端口數為邊緣條件。該組態可解釋62%的傳統工業企業創新績效案例，典型區域為廣東、江蘇、浙江、山東、福建、四川、湖北、安徽。

（2）“技術—組織”組態（RADP*RADE*OPRE*～ANOE*～MPBS*～IBAP*～WOBTE*～PEEC）。以研發人員、研發經費、營業收入為核心條件，以～從業人員年平均人數、～移動電話基站數、～互聯網寬帶接入端口數、～企業擁有的網站數、～有電子商務交易活動企業比重為邊緣條件。該組態可解釋33%的傳統工業企業創新績效案例，典型區域為天津。

（3）“環境—進程”組態（～RADP*～RADE*～OPRE*～ANOE*MPBS*IBAP*WOBTE*～PEEC）。以移動電話基站數、企業擁有的網站數為核心條件，以～研發人員、～研發經費、～營業收入、～從業人員年平均人數、互聯網寬帶接入端口數、～有電子商務交易活動比重為邊緣條件。該組態可解釋42%的創新績效案例，典型區域為河北。

（4）“組織—環境—進程”組態，（～RADP*～RADE*OPRE*ANOE*MPBS*IBAP*WOBTE*～PEEC）。以營業收入、移動電話基站數、企業擁有的網站數為核心驅動條件，以～研發人員、～研發經費、從業人員年平均人數、互聯網寬帶接入端口數、～有電子商務活動企業比重為邊緣條件。該組態可解釋約36%的創新績效案例，典型區域為江西。

（5）“技術組織—進程”組態，（RADP*RADE*OPRE*ANOE*～MPBS*～IBAP*WOBTE*PEEC）。以研發人員、研發經費、營業收入、企業擁有的網站數為核心驅動條件，以從業人員年平均人數、～移動電話基站數、～互聯網寬帶接入端口數、有電子商務交易活動企業比重為邊緣條件。該組態可解釋36%的創新績效案例，典型區域為上海。

3.4? 穩健性檢驗

本文采用3種方法檢驗組態穩健性。首先，參考杜運周等（2017）的研究成果，將一致性閾值從0.8提升至0.85，將PRI門檻值由0.70調整到0.80，結果未發生明顯變動。其次，參考簡兆權等[35]的研究成果，使標準交叉點在正負25%之間變化，以探究組態分析結果的穩健性，選擇90%、50%、10%和75%、50%、25%代替原校準值，結果未發生明顯改變。再次，依據趙云輝等（2020）的研究成果，選擇92%、47%、2%進行穩健性檢驗，以觀察組態路徑數量和參數是否發生改變。結果顯示（見表5），組態路徑數量和指標參數未發生明顯變動。因此，組態具有較好的穩健性。

4? 研究發現

4.1? 路徑特征

（1）“技術—組織—環境—進程”路徑。此路徑下，各維度要素具有較好的資源基礎，能夠發揮交互作用，進而形成多要素協同創新網絡。技術與組織能夠影響數字產業內部創新發展規模，通過與基礎設施等外部環境匹配，促進數字技術資源整合。信息傳輸能力、大數據分析能力可以加快技術與組織演化進程，促使數字技術跨越組織邊界，幫助企業在信息服務與硬件制造方面創造競爭優勢，進而營造有利于傳統工業企業創新生態環境，推動技術創新模式構建，加快傳統工業企業升級。數智技術的開放性、網絡化能夠通過技術與組織協同、環境資源匹配、迭代升級推動傳統工業企業創新。

（2）“技術—組織”路徑。此路徑下，數智技術與組織發揮協同作用，共同促進傳統工業企業創新。數智化有助于區域企業獲得生產和市場優勢，對用戶信息的及時反饋可以減少企業產品決策失誤，優化生產工藝與方法以滿足顧客需求，進而提高產品標準化水平。此外，組織規模擴大可為企業提供更為全面的技術支持，數智技術應用范圍擴展能夠促進隱性知識溢出，從而為企業共性技術突破提供支撐。技術引入會改變傳統工業企業工作方式與業務流程，企業能夠通過建立跨職能協作機制，充分發揮數智技術優勢，同步開展技術創新與組織創新以獲得潛在收益。

（3）“環境—進程”路徑。此路徑意味著開展創新活動需要環境與進程因素間存在聯動匹配機制。技術驅動可通過研發投入實現技術創新產業化，拓展細分市場。對于企業而言，技術驅動具有較高的不確定性，只有當傳統工業企業擁有穩定的創新投入時才能規避風險。需求驅動在初期能夠幫助企業分析用戶核心需求，依靠較為成熟的生產技術生產滿足市場需求的產品以獲得用戶認同，并借助基礎設施迅速擴大市場規模，構建“產品—服務”系統，將產品創新進程與服務化相融合，以“數智服務+基礎設施”實現服務創新。

（4）“組織—環境—進程”路徑。在傳統工業企業創新過程中，“環境—進程”模式通過組織協同得以強化。組織變革有助于“需求驅動”的效果提升，扁平化組織結構能夠減少企業間知識擴散阻力，組織流程優化有利于企業實施數字化轉型。借助物聯網，企業將產品與服務系統集成，由批量生產向個性化設計轉化。數字平臺有助于企業構建以網絡為基礎的數字生態系統，通過互補性合作關系實現資源共享與協同創新。平臺大數據分析能夠幫助企業精準制定價格，選擇合適的營銷策略提升用戶粘性。組織變革有利于企業快速適應環境變化，同時環境變化也會促使企業重新配置資源，由此形成互動機制助推傳統工業企業創新。

（5）“技術—組織—進程”路徑。此路徑意味著在技術層面突破企業空間界限，將產品與服務有機結合，需求導向的組織變革可以激發員工的主動性與創造力。數字平臺能夠幫助企業實現組織變革，通過建立合作伙伴關系實現資源共享。數字化轉型與市場開拓有助于新的組織模式生成，技術可以推動組織變革與數智應用能力相融合，從而促進傳統工業企業創新績效提升。

4.2? 典型樣本分析

（1）組態1代表地區為廣東、江蘇、浙江、山東、福建、四川、湖北、安徽。其中，廣東、江蘇、浙江、山東、福建位于我國東部沿海地區，四川、湖北、安徽為長江經濟帶上中下游的重要支點。沿海地區市場機制較為完善，出口貿易比重較大，與全球制造產業鏈聯系緊密，紡織、服裝等傳統產業聚集度較高。截至2020年，廣州、深圳、濟南、無錫和昆山擁有的國家級超算中心占全國國家級超算中心的半數以上，可為工業互聯網提供算力支撐和復雜系統優化方案；廣東、浙江和江蘇是電子商務較早發展地區，企業數量占全國的比重超過1/3。2023年上半年，在5G基站數量方面，全國排名順次為廣東、江蘇、浙江、山東。超算能力和基礎設施能夠推動“超算+工業互聯網”模式發展，進而構建區域產業生態系統，通過數智技術賦能形成“獅嶺箱包”的平臺化制造、“揭陽注塑”的中央工廠模式，從而促進傳統制造企業協同創新。比亞迪、小鵬、寧德時代將車聯網、自動駕駛等數智技術應用于新能源汽車制造，改變了傳統汽車市場格局。依據路徑案例樣本和RSR結果變量進行排序，選取具有代表性的路徑1繪制案例散點圖，分布情況見圖3。

（2）組態2代表地區為天津。天津在數智技術方面擁有較完備的基礎，眾多科研院所可為研發與創新提供理論支撐，信息化軟硬件實現國產化有助于供應鏈韌性強化。天津于2009年成立了首家國家超算中心，天河系列可為科研、電子政務和企業云服務提供算力支持。基于高校與職業學院的技術研發優勢，天津成立了工業機器人、無人駕駛方面的產教融合聯盟，國產操作系統麒麟軟件和飛騰芯片能夠增強企業在數字化過程的自主性。同時，天津在軟件信息服務規模和港口智能化方面具有優勢，2017—2021年軟件產業增長1 282億元，并將5G、北斗導航與傳感器集成應用于港口管理。天津空港型國家物流樞紐依托自由貿易試驗區能夠發揮港口集散、航空運輸與生產服務物流功能。由此，天津借助信息產業技術和組織優勢，形成“技術—組織”賦能傳統工業企業創新組態。

（3）組態3代表地區為河北。河北擁有河鋼集團、敬業集團等在全國具有影響力的企業，2016年裝備制造業增加值超過鋼鐵產業，逐步改變以高污染、高能耗的金屬制造業為主的發展模式。為促進傳統工業企業數字化轉型，河北通過“IPv6規模部署”解決IPv4網址少、服務能力有限等問題，降低企業網絡搭建與運營成本，為工業互聯網、智慧城市、高效營商管理營造良好的網絡環境。滄州海興電站將新一代信息技術應用于巡檢、維檢、安防，構建智能化電力控制體系。河北電子商務保持高于全國平均水平的發展速度，以零售為主的經營方式吸引大量中小企業加入，“眾購”“億購”“全國購”“全球購”等跨境購物平臺帶動產品設計、物流運輸相關產業發展，通過拉動產品消費升級促進傳統工業企業轉型。

（4）組態4代表地區為江西。江西位于中部地區，擁有較為豐富的礦藏資源，勞動密集型產業在經濟發展中占比較大。在數字化基礎設施方面，2017—2021年江西省互聯網寬帶接入用戶增加了703.1萬戶，增長率達到70.5%。江西通過推動數字核心產業發展，涌現出眾拓制衣、永冠科技等智能化企業，工業互聯網平臺已擴展到紡織服裝、有色金屬加工等傳統工業企業。

（5）組態5代表地區為上海。在數字經濟產業規模、人才資源、行業前沿技術和產業生態環境等方面，上海擁有明顯優勢。2020年，上海數字經濟規模超過2萬億元，擁有眾多高等院校、科研院所和研究機構。注重使用商用密碼的靜安區國家區塊鏈創新應用試點有利于高端人才聚集，上海微電子裝備、百度飛槳（上海）等數字技術領先企業在區域人工智能、芯片制造規?；矫姘l揮推動作用。在先進數字技術應用和數智服務的影響下，上海培育龍頭企業采用上下游協同的“工賦鏈主”模式，推動傳統工業企業轉型，形成“技術—組織—進程”賦能傳統工業企業創新路徑。

4.3? 替代關系分析

通過實證研究發現，組態路徑的前因條件間存在替代關系。其中，組態路徑1、2和5之間，以及組態路徑1、3和4之間存在交互替代關系，具體分析如下：

（1）組態路徑1、2和5之間存在研發人員、研發經費、營業收入等共有核心要素，實現技術與組織協同。在創新人員和經費投入的基礎上，需要兼顧數智化經營模式下的組織效益，加快技術驅動的賦能過程。然而，僅具有技術與組織優勢，企業難以將技術轉化為市場價值。此時，企業不僅可以通過組織規模擴張，以電子商務運營替代線上交易，突破創新瓶頸，而且能夠以網絡基礎設施彌補創新要素的不足，推動以技術為主導的線性創新逐步向系統性組合創新轉變，形成整體數智化要素匹配，如圖4所示。

（2）組態路徑1、3和4之間存在移動電話基站數、互聯網寬帶接入端口數、企業擁有網站數等共有核心要素，實現環境與進程協同。完善的移動通訊和固網連接基礎設施有助于企業發展線上業務，加快需求驅動的賦能過程。然而，僅具有環境與市場優勢，企業可能面臨技術壁壘和無法形成規模經濟的困境，故可以優先考慮通過擴大從業人員規模和增加營業收入克服技術突破能力不足的缺陷，以期構建兼具技術先進性與組織適應性、進程效率與資源優化并重的創新體系，進而實現數智深度賦能傳統工業企業，如圖5所示。

5? 結語

5.1? 研究結論

為厘清數智賦能傳統工業企業創新內在機理，本文采用我國31個省級行政區統計數據，基于TOEP框架從組態視角分析不同要素的協同作用，得到以下結論：

（1）TOEP框架下，前因變量發揮協同作用。數智賦能通過5個組態路徑提升傳統工業企業創新績效，具體為“技術—組織—環境—進程”“技術—組織”“環境—進程”“組織—環境—進程”和“技術—組織—進程”。在具體維度分析中，技術發揮主導作用，在包含技術維度的組態1、2、5中，兩個前因變量均為核心條件，這與現有研究觀點一致。然而，組態分析結果表明，技術在發揮作用時必須與其它維度結合。環境維度的兩個前因變量存在明顯差異，相較于互聯網寬帶接入端口數，移動電話基站數的作用更顯著。由此表明，移動互聯網的作用更為重要。

（2）基于資源優勢構建區域發展模式。“技術—組織—環境—進程”路徑中，在創新績效排序方面，江蘇、廣東、浙江、山東和安徽位列前5，區域傳統工業企業創新表現出服務和制造融合、跨越企業邊界的特點。“技術—組織”“技術—組織—進程”組態的典型樣本是天津和上海，它們分別是環渤海經濟圈核心城市和長三角經濟圈中心城市，在數字技術人才資源和產業生態環境方面擁有顯著優勢，依靠前沿技術和規模優勢，形成了以“技術—組織”為主要驅動因素的賦能路徑?！碍h境—進程”“組織—環境—進程”組態的典型樣本是河北和江西，進程在該路徑中發揮顯著作用，數智化應用有助于市場需求增加，從而降低傳統產業數字化轉型壁壘。以“環境—進程”為基礎的路徑通過發揮網絡高效傳輸和資源集成作用，推動商業模式創新，從而促進傳統工業企業服務創新。

（3）“殊途同歸”路徑發展過程。組態1“技術—組織—環境—進程”（4個維度協同）的典型樣本占比為66.7%，是占比最高的路徑，廣東等5個高效率組樣本均選擇此路徑。其余路徑的典型樣本均在中效率組，未實現4個維度協同，但并不意味著組態1無法實現。實證研究表明，可以采用以下兩種方式從中效率路徑轉換到高效率路徑：一是將“進程”與“技術—組織”結合，通過技術應用增加產品服務，進而帶動基礎設施發展，由此形成組態路徑1；二是實現“環境—進程”與“組織”協同，在產業規模、基礎設施和市場支持下實現技術突破，最終形成“殊途同歸”的路徑。

5.2? 理論貢獻

（1）以傳統工業企業為研究對象，提出數智賦能路徑組合。避免將賦能視為工業企業共性規律進行分析，進一步探究賦能過程中的影響因素在不同區域傳統工業企業的作用差異。此外，將數智技術包含的軟件服務與硬件制造方面的影響因素同類指標進行了合并。

（2）揭示了數智賦能維度間的互補性?！凹夹g—組織”和“環境—進程”涉及TOEP框架的不同維度組合，能夠體現維度組合的非對稱性。組態差異說明，傳統工業企業轉型可以通過不同途徑實現，區域要素優勢是決定其賦能路徑的關鍵，技術研發與組織規模有助于傳統工業企業獲得創新資源，良好的基礎設施與網站服務有利于企業了解顧客需求。隨著其它前因要素加入，賦能路徑的資源協同作用得以加強。

（3）明確進程維度在賦能過程中的重要作用。TOE是分析企業創新影響因素的經典框架，但現有相關研究并未重視其作用。本文引入符合數智應用特點的進程維度，結果發現，進程維度的前因變量在1、3、4、5路徑中作為核心條件出現，且1、3、4路徑中包含“環境—進程”組合。由此可知，隨著數智應用程度提升，傳統產業鏈通過前伸和后延形成新的產品與服務，以人工智能為基礎的自主解決方案使定制化成為可能，智能物流能夠提升線上銷售與生產過程融合程度，從而改變傳統工業企業生產方式。

5.3? 實踐啟示

（1）根據區域資源選擇賦能政策。當區域數智賦能受到資源限制時，可采用雙維度協同發展模式創造新的市場機會，隨著能力提升逐漸投入其它資源，根據已有優勢選擇與區域傳統工業企業相匹配的路徑。區域政策制定不僅需要關注傳統工業企業制造方式變革，而且應借助技術溢出效應促進市場與產業結構重構，增加產業鏈上下游企業產品附加值，從而對技術、人才和資源進行重新配置。在選擇賦能路徑時，地方政府可以將近期目標與戰略規劃相結合，根據區域發展情況逐步增加要素投入。

（2）形成差異化區域賦能優勢。廣東、江蘇、浙江和山東RSR排序位于高效率組，在東部典型樣本中的占比為50%，中部典型樣本中僅安徽位于高效率組（占比為33%），西部典型樣本中僅四川位于中效率組。顯而易見，東部地區已形成不同維度協同的產業生態，其賦能效果優于中西部地區。在工業互聯網應用和硬件制造方面，東部地區處于領先地位，相對于其它產業，信息產品產業“贏者全得”（winner-take-all）的情況更為明顯，東部地區的賦能帶動作用可能被弱化。選擇差異化發展路徑是中西部地區獲取后發優勢的關鍵，故中西部地區應將優惠政策與自身人才、產業優勢相結合，選擇互補性路徑以實現傳統工業企業數字化轉型。

（3）以新業態促進傳統工業企業創新。由進程維度的影響可知，在為顧客服務過程中，新業態能夠通過數智技術應用獲得數字資源，利用人工智能精準定位顧客需求，同時通過無圖紙虛擬制造將機械化生產轉變為自動化生產，使批量生產能力與定制化設計相結合。由此，將改變傳統工業企業利用規模優勢進行低價競爭的模式，避免產能過剩，進而擺脫市場份額較高但盈利能力有限的困境。新業態的聚集效應能夠促使知識和人才結構更新，進而促進技術突破和商業模式創新。

5.4? 不足與展望

本文對數智賦能傳統工業企業路徑進行探究，揭示了路徑影響因素的組態效應，但存在以下不足：研究框架維度指標的有效性和普適性需進一步驗證。非典型樣本區域未能給出有效因素組合，還需通過實地調研方式獲得傳統工業企業發展數據，基于更加全面的視角分析區域數智化優勢及賦能方向。此外，傳統工業企業創新包括多個方面，受數據可獲得性的限制，本研究未對創新類型進行細分。未來可嘗試從價值鏈或商業模式創新方面，對傳統工業企業發展路徑進行深入研究。

參考文獻：

[1]NAMBISAN S，LYYTINEN K，MAJCHRZAK A，et al.Digital innovation management[J].MIS Quarterly，2017，41（1）：223-238.

[2]MARIANI M M，MACHADO I，MAGRELLI V，et al.Artificial intelligence in innovation research：a systematic review，conceptual framework，and future research directions[J].Technovation，2022，3（122）：102623.

[3]劉慶齡，曾立.數字技術推動高質量發展的機理與策略研究[J].科技進步與對策，2023，40（12）：12-22.

[4]YOO Y，HENFRIDSSON O，LYYTINEN K.Research commentary——the new organizing logic of digital innovation：an agenda for information systems research[J].Information Systems Research，2010，21（4）：724-735.

[5]ANDERSON N，DE DREU C K W，NIJSTAD B A.The routinization of innovation research：a constructively critical review of the state-of-the-science[J].Journal of organizational Behavior，2004，25（2）：147-173.

[6]WIMELIUS H， MATHIASSEN L， HOLMSTRM J， et al. A paradoxical perspective on technology renewal in digital transformation[J]. Information Systems Journal， 2021， 31（1）： 198-225.

[7]CLASSEN M，FRIEDLI T.Eight organizational enablers of digital service-sales ambidexterity in industrial firms[J].Journal of Business&Industrial Marketing，2022，37（11）：2142-2155.

[8]武建龍，鮑萌萌，陳勁，等.產業聯盟創新生態系統升級路徑研究[J].科研管理，2022，43（9）：20-31.

[9]DEMIL B， LECOCQ X， RICART J E， et al. Introduction to the SEJ special issue on business models： business models within the domain of strategic entrepreneurship[J]. Strategic Entrepreneurship Journal， 2015， 9（1）： 1-11.

[10]江積海，王烽權.O2O商業模式的創新路徑及其演進機理——品勝公司平臺化轉型案例研究[J].管理評論，2017，29（9）：249-261.

[11]KOTTEMANN J E， BOYER-WRIGHT K M. Human resource development， domains of information technology use， and levels of economic prosperity[J]. Information Technology for Development， 2009， 15（1）： 32-42.

[12]MCLEOD L， DOOLIN B. Information systems development as situated socio-technical change： a process approach[J]. European Journal of Information Systems， 2012， 21（2）： 176-191.

[13]ALI AHANI，NOR ZAIRAH A B RAHIM，MEHRBAKHSH NILASHI.Forecasting social CRM adoption in SMEs：a combined SEM-neural network method[J].Computers in Human Behavior，2017，75：560-578.

[14]PORTER M E，HEPPELMANN J E.How smart，connected products are transforming competition[J].Harvard business Review，2014，92（11）：64-88.

[15]HENDERSON R M，CLARK K B.Architectural innovation：the reconfiguration of existing product technologies and the failure of established firms[J].Administrative Science Quarterly，1990，34（1）：9-30.

[16]GHOBAKHLOO M.Industry 4.0，digitization，and opportunities for sustainability[J].Journal of Cleaner Production，2020，10（252）：119869.

[17]張邦輝，萬秋蘭，吳健.在線政務服務的營商環境優化效應探析——“數字紅利”與“數字鴻溝”[J].中國行政管理，2021，37（4）：70-75.

[18]SRINIVASAN A，VENKATRAMAN N.Entrepreneurship in digital platforms：a network-centric view[J].Strategic Entrepreneurship Journal，2018，12（1）：54-71.

[19]王夢菲，張昕蔚.數字經濟時代技術變革對生產過程的影響機制研究[J].經濟學家，2020，32（1）：52-58.

[20]ADNER R.Match your innovation strategy to your innovation ecosystem[J].Harvard Business Review，2006，84（4）：98.

[21]WOODSIDE A G. Responding to the severe limitations of cross-sectional surveys： commenting on Rong and Wilkinson's perspectives[J]. Australasian Marketing Journal， 2011， 19（3）： 153-156.

[22]GRECKHAMER T， FURNARI S， FISS P C， et al. Studying configurations with qualitative comparative analysis： best practices in strategy and organization research[J]. Strategic Organization， 2018， 16（4）： 482-495.

[23]張明，藍海林，陳偉宏，等.殊途同歸不同效：戰略變革前因組態及其績效研究[J].管理世界，2020，36（9）：168-186.

[24]劉軍，曹雅茹，鮑怡發，等.制造業智能化對收入差距的影響研究[J].中國軟科學，2021，36（3）：43-52.

[25]NAMBISAN S. Digital entrepreneurship： toward a digital technology perspective of entrepreneurship[J]. Entrepreneurship Theory and Practice， 2017， 41（6）： 1029-1055.

[26]VON BRIEL F，DAVIDSSON P，RECKER J.Digital technologies as external enablers of new venture creation in the IT hardware sector[J]. Entrepreneurship Theory and Practice， 2018， 42（1）：47-69.

[27]張永安，魯明明.高技術制造業創新效率評價及要素投入差異性研究[J].科技進步與對策，2019，36（16）：51-57.

[28]曾卓騏，王躍.戰略性新興產業上市公司動態創新效率測度及其影響因素研究——基于兩階段DSBM模型與Tobit模型[J].科技進步與對策，2022，39（21）：65-74.

[29]林劍鉻，夏麗麗，蔡潤林，等.中國高新技術產業開發區的知識基礎及其創新效應——基于國家級高新區上市企業的研究[J].地理研究，2021，40（2）：387-401.

[30]杜傳忠，王鑫，劉忠京.制造業與生產性服務業耦合協同能提高經濟圈競爭力嗎——基于京津冀與長三角兩大經濟圈的比較[J].產業經濟研究，2013，67（6）：19-28.

[31]周曉輝，劉瑩瑩，彭留英.數字經濟發展與綠色全要素生產率提高[J].上海經濟研究，2021，38（12）：51-63.

[32]戴翔，馬皓巍.數字化轉型、出口增長與低加成率陷阱[J].中國工業經濟，2023，40（5）：61-79.

[33]溫珺，閻志軍，程愚.數字經濟驅動創新效應研究——基于省際面板數據的回歸[J].經濟體制改革，2020，38（3）：31-38.

[34]程廣斌，李瑩.基于技術—經濟范式的數字經濟發展水平測度與區域差異研究[J].工業技術經濟，2022，41（6）：35-43.

[35]簡兆權，劉念，黃如意.動態能力、企業規模與雙元創新關系研究——基于fsQCA方法的實證分析[J].科技進步與對策，2020，37（19）：77-86.

責任編輯（責任編輯：張? 悅）

英文標題The Empowerment Path of Regional Traditional Industrial Enterprise Innovation by Digital Intelligence Based on the TOEP Theoretical Framework

英文作者Chen Xusheng， Wang Pengfei， Zhang Xudong

英文作者單位（School of Management， Harbin University of Science and Technology， Harbin 150040， China）

英文摘要Abstract：As a fundamental industry of the national economy， traditional manufacturing can drive the development of upstream and downstream enterprises through the industrial chain， reduce import dependence through export-oriented products， improve resource allocation efficiency through technological accumulation and scale operation， and mitigate the impact of external environmental changes to some extent. However， traditional industrial enterprises are generally faced with the dilemma of product homogeneity and rising costs. The rapid development of digital intelligence technology brings new transformations to enterprise operations， driving traditional industrial enterprises towards knowledge-intensive and technology-intensive transformation. Big data analysis enables enterprises to accurately understand customer needs， while artificial intelligence provides efficient and precise autonomous solutions， accelerating the innovation process of traditional industrial enterprises. Therefore， it is of great significance to explore the empowerment of digital intelligence on the innovation of traditional industrial enterprises.

Most existing research on innovation in traditional industrial enterprises focuses on how to improve production efficiency， and there is little exploration of the driving rules of innovation from the perspective of digital intelligence technology. At the same time， existing studies often analyze data intelligence technology and services as independent factors when examining the intelligent process， with less consideration of their synergy， which makes it difficult to clarify the overall impact of data intelligence on innovation. In addition， current strategies for data intelligence empowerment often emphasize industry characteristics， while differences in regional resource endowments result in resource mismatches.

In this study， the "technology-organization-environment-process" （TOEP） framework is constructed to identify the influencing factors driving innovation activities， and it is used to analyze the innovation paths of traditional industrial enterprises empowered by fuzzy set qualitative comparative analysis （fsQCA）. It is found that the digital intelligence empowerment process does not have a single necessary condition or key dimension， and the promotion of enterprise innovation performance improvement needs to be achieved through configuration paths. The "technology-organization" dimension focuses on technological research and development promotion， while the "environment-process" dimension is driven by demand and forms a complementary empowerment pattern. By comparing the resource advantages of 12 typical regional samples from the configuration paths， the inherent rules of innovation performance differences in the configuration paths are analyzed. There are multiple sets of alternative relationships between the antecedent conditions of the paths， and there is a convergence trend for different paths ， while regions that have strong innovation capabilities and high performance mostly adopt the whole-factor path， while other regions can choose paths that match their own resource conditions， and gradually improve the synergy between factors to achieve overall optimization of digital intelligence empowerment effects.

This research has three contributions. Firstly， it proposes intelligence empowerment paths for traditional industrial enterprises and reveals the differences in influencing factors in the empowerment processes of different regions. Secondly， the complementarity between digital intelligence empowerment dimensions is clarified， and the empowerment process can be achieved through different approaches. The regional resource advantages are the basis for deciding the empowerment paths， and the introduction of other antecedent factors can enhance the synergy of resources in the empowerment paths based on the asymmetry of dimension combinations. Finally， it is found that the dimension of the "process" plays a significant role in the paths， and the application of digital intelligence expands the regional market demand， overcoming the entry barriers of the digital transformation in traditional industries.

The reference for regional empowerment policy formulation is presented. Firstly， empowerment policies should be selected according to regional resources so as to realize market potential and industrial restructure by gradually increasing inputs. Secondly， the governments in the central and western regions should choose complementary development paths with their counterparts in the eastern regions， combining regional human resources and industrial advantages to promote the digital transformation of traditional industrial enterprises through preferential policies and different regional empowerment advantages. Thirdly， the new business models are expected to promote the application of digital intelligence technology， combining mass production capabilities with customized design to break away from the "low-end lock-in" dilemmas and promote technological breakthroughs and business model innovation.

英文關鍵詞Key Words：Intelligence Empowerment; Traditional Industrial Enterprises; Innovation;fsQCA