數字化創新、企業邊界重塑與智能制造企業高質量發展

摘"要：數字化創新是企業發展的新動能，厘清數字化創新對企業高質量發展的影響機制尤為重要。借助IPC分類號識別出2012—2021年智能制造上市公司數字化創新專利數據，從重組視角出發，利用基于深度學習的文本分類模型對專利摘要信息進行學習，進一步將數字化創新專利劃分為設計重組和使用重組兩類，以考察二者對智能制造企業高質量發展的影響及作用機制。結果表明：設計重組和使用重組能夠顯著促進智能制造企業高質量發展，且使用重組的影響效應更顯著。在作用機制方面，數字化創新可以通過縮小企業縱向邊界和擴大企業橫向邊界促進智能制造企業高質量發展。進一步分析發現，對處于技術快速變化行業和高市場化水平區域的智能制造企業而言，數字化創新的經濟效應更為顯著。結論可為智能制造企業數字化創新提供啟示，對進一步推動我國制造企業高質量發展具有重要意義。

關鍵詞關鍵詞：數字化創新；高質量發展；重組視角；智能制造；企業邊界

DOIDOI：10.6049/kjjbydc.2023060374

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

中圖分類號中圖分類號：F426.6

文獻標識碼：A

文章編號文章編號：1001-7348（2024）21-0087-11

0"引言

中共二十大報告明確提出，“高質量發展是全面建設社會主義現代化國家的首要任務”。數字化創新能夠突破創新主體、過程和產出邊界，促進原有生產要素優化重組，優化產品、服務、流程等，成為企業培育新動能的重要引擎[1-3]。智能制造企業是現代產業體系的重要環節，也是經濟高質量發展的重要載體。如何通過數字化創新促進智能制造企業高質量發展成為我國亟需解決的重要問題。

區別于傳統創新，數字化創新具有新特征。首先，數字化資源能夠在虛擬空間無限重組且易于與物理組件組合，進而形成產品、服務、流程等重組式創新[4-6]。其次，數字經濟時代，用戶成為價值創造主體[7-8]。基于數字技術應用和數據驅動，數字化創新能夠突破企業邊界，影響資源整合和配置效率，進而對企業高質量發展產生影響。據此，本文研究問題如下：數字化創新對智能制造企業高質量發展有何影響？使用重組和設計重組兩類數字化創新的影響效應是否相同？其作用機制是什么？企業邊界重塑在數字化創新與智能制造企業高質量發展間發揮何種作用？

現有數字化創新與企業高質量發展研究大多以數字技術應用為焦點[9-11]，未深入探討數字化情境下用戶參與的影響效應。同時，相關文獻主要關注經營成本、資源配置效率及創新投入的作用機制，企業邊界重塑的作用機制尚未明晰。因此，本文以2012—2021年智能制造上市公司為樣本，借助IPC分類號識別出樣本企業數字化創新專利數據，并利用基于深度學習的文本分類模型將其劃分為設計重組和使用重組兩個維度，考察二者對智能制造企業高質量發展的影響，探討企業邊界重塑在數字化創新與智能制造企業高質量發展間的中介效應，進一步揭示行業技術變化速度、市場化水平差異在數字化創新與智能制造企業高質量發展間的異質性影響。

本文可能的邊際貢獻如下：①突破以往文獻局限，從重組視角出發，考察企業數字化創新的影響，為數字化創新相關研究提供理論支撐；②利用基于深度學習的文本分類模型將數字化創新專利細分為設計重組和使用重組，進一步探討企業數字化創新活動，為數字化創新研究提供新視角；③基于企業邊界視角，考察企業縱向邊界、橫向邊界變化在數字化創新與智能制造企業高質量發展間的作用，為數字化創新與智能制造企業高質量發展研究提供新思路。

1"文獻綜述

1.1"重組視角下數字化創新內涵及維度

由于數據具有同質性、可重編程性等特征，數字資源之間、數字資源與物理產品可以進行重新整合和使用[12]。多主體、無邊界組合式創新是數字化創新常見的表現形式[6]。數字經濟時代，數字化資源成為企業主要資源，創新主體不再局限于企業家，顧客、供應商、經銷商等利益相關者均可開展價值創造活動。數字化創新是指不同主體對數字化資源進行重新組合的活動，由此生成新的產品、服務、流程、商業模式等[4]。

數字技術賦能有助于用戶參與創新，用戶是數字化創新的重要參與者[7-8]。企業通過數字平臺連接用戶，放寬了以往普通用戶因缺乏專業知識無法參與創新的限制，用戶參與群體得以擴大[13-14]。同時，用戶參與創新方式日益便捷化和多樣化，虛擬用戶環境是用戶參與研發創新的重要途徑。用戶甚至不需要具備主動參與意愿，其使用行為過程中自動生成的海量數據就能夠影響企業決策（肖靜華等，2020）。

基于此，本文聚焦供需兩側將數字化創新劃分為設計重組和使用重組兩個維度[8]。其中，設計重組是指企業通過整合數字化資源為用戶提供新產品、服務等。例如，云從科技公司圍繞人機協作操作系統整合多個技術領域，生產出如 “3D人體技術”等人工智能產品（王雪原和黃佳賽，2022）。微軟OneDrive、Word等產品協同可為用戶提供價值實現路徑。設計重組以企業為創新主體，企業具有知識、經驗和技術，能夠高效將產品設計轉化為市場供給。

使用重組的參與主體一般為用戶，主要表現為用戶對數字化資源進行重組以實現不同目的的過程。使用重組可以進一步劃分為用戶直接參與創新與用戶數據化間接參與。一方面，用戶可以通過開源社區、用戶社群等數字平臺直接創造價值。例如，用戶可以通過在GitHub平臺上搜尋、使用其它開源代碼制定專屬解決方案。索菲亞公司的用戶憑借DIY Home創新工具箱自主選擇家居樣式、材料、設計等，直接參與場景創造實踐（謝康等，2023）。另一方面，數字技術能夠將用戶需求和行為轉化為海量數據。基于消費大數據，企業可以精準預測市場需求；基于行為數據，企業可以根據用戶動態需求變化進行迭代創新。此外，普通用戶可以通過數據間接參與創新。例如，根據用戶瀏覽網站的行為特點，悠易廣告公司實現廣告投放“千人千面”。使用重組不僅能夠縮短企業設計研發周期，實現供需匹配，而且可以在一定程度上產生規模經濟效應和網絡效應[8]。

1.2"數字化創新對企業高質量發展的影響效應

現有數字化創新與企業高質量發展關系研究主要基于數字技術專利數據或通過構建文本詞典對企業年報進行文本挖掘，采用全要素生產率衡量企業高質量發展，得出數字化創新能夠促進企業高質量發展，主要存在以下傳導路徑：一是成本費用渠道。數字技術通過降本增效、緩解融資約束促進企業績效增長[10-11]。二是創新投入渠道。數字化建設有助于企業增加研發投入與有效發明專利數，進而促進企業全要素生產率提高（黃鍵斌等，2022；張樹山等，2021）。三是資源配置效率渠道。數字化創新通過緩解信息不對稱促使企業與其他主體合作，進而提高資源配置效率，助力企業高質量發展[15-16]。

現有相關研究存在以下不足：一是將企業視為數字化創新的單一主體，未將用戶與數字化創新聯系起來，對用戶參與創新所發揮的效應探討不足。二是企業邊界重塑是數字化創新的產物，現有文獻揭示了數字化創新情景下企業邊界拓展過程[17]，尚未探討企業邊界變化情況及其對企業高質量發展的影響。

2"理論分析與研究假設

2.1"數字化創新對智能制造企業高質量發展的影響

新一代信息技術背景下，本文從設計重組和使用重組兩個方面探討數字化創新對智能制造企業高質量發展的影響。

從供給側看，設計重組是指企業通過整合數字化資源為用戶提供新產品、新服務等，進而促進智能制造企業高質量發展。首先，企業借助數字技術獲取、共享和重組資源，通過資源動態迭代提高產品數量和質量。其次，數字技術與傳統生產工具相結合有助于企業實現生產流程可視化和透明化[3]，突破不同部門間的限制，優化信息傳播機制并降低管理成本，從而促進企業全要素生產率提升（權小鋒和李闖，2022）。此外，數字技術有助于智能制造企業實現數據資源化和資源數據化，通過提取、整合數據中的有效信息促進信息、數據和生產要素協同（劉艷霞，2022；Wu et al，2023），優化業務流程并提升資源配置效率，從而實現高質量發展[16]。

從需求側看，使用重組是指用戶基于自身用法和目的，主動選擇產品資源并結合其它資源進行重組，主要方式包括直接參與創造價值和數據化間接參與創造價值。首先，用戶可以通過用戶社區、數字創客空間、數字創新平臺等渠道參與創新過程（Di Gangi amp; Wasko，2009；Flath et al，2017），為企業提供源源不斷的創意，從而提升企業競爭力。同時，用戶參與創新產生的網絡效應能夠促進企業價值創造水平提升[18]，進一步推動企業高質量發展。其次，用戶與產品、企業交互過程中生成的數據能夠幫助企業感知市場變化，優化產品研發迭代、精準營銷等業務流程（張海麗等，2022；Liu et al，2021），助力企業實現供給需求匹配，進而提高生產效率。此外，用戶由價值接受者轉變為價值定義者，促使企業價值創造邏輯從創造產品價值轉向創造用戶價值，從滿足用戶需求轉向挖掘用戶潛在需求。上述轉變有助于企業開辟新的效益增長點（李樹文等，2023）。基于此，本文提出以下假設：

H1：數字化創新能夠促進智能制造企業高質量發展。

H1a：設計重組能夠促進智能制造企業高質量發展；

H1b：使用重組能夠促進智能制造企業高質量發展。

2.2"企業邊界重塑的中介作用

數字技術能夠實現物物互聯和人人交互，企業邊界逐漸呈現虛擬化、開放性和動態性特征（張樹含，李曉翔，2023）。本文中的企業邊界主要包括縱向邊界和橫向邊界：縱向邊界是企業在價值鏈中的活動范圍，取決于內部管理成本與外部交易成本的平衡（Coase，1937）；橫向邊界體現為企業產品規模、種類和業務范圍，是邊際成本和邊際收益平衡的結果（李海艦和原磊，2005）。

2.2.1"企業縱向邊界重塑的中介作用

設計重組可以通過影響生產成本縮小企業縱向邊界。一方面，設計重組能夠有效降低企業外部交易成本。數字技術能夠加速企業間信息資源流動，促使上下游企業生產要素價格、資信水平等指標透明化，進而降低企業對外合作的搜尋成本、談判成本和監督成本[17]。另一方面，數字孿生技術賦能企業虛擬化生產研發過程，能夠降低不必要的成本支出，但生產設備更新換代、勞動力結構升級會帶來企業運營成本上升[10]，二者相互抵消。也就是說，企業內部管控成本可能不會顯著降低。因此，設計重組主要通過降低外部交易成本抑制企業縱向邊界擴張[17]。

使用重組能夠影響企業縱向邊界收縮。用戶需求逐漸呈現差異化、個性化和多元化趨勢，進而倒逼企業供給水平和效率提升。然而，由于自身資源有限，面對用戶的創新想法，企業不得不采取眾包方式交給最合適的企業完成（安同良和聞銳，2022），由此導致企業縱向邊界縮小。

企業縱向邊界縮小意味著企業生產專業化，有助于企業通過聚焦特定生產環節積累研發知識和用戶數據以提高生產效率（戴魁早，2013），并通過培育自身產品的比較優勢提升市場競爭力[17]。此外，生產專業化意味著企業可以通過協調、利用和整合外部資源，借助數據化模型選擇最優資源組合，進而強化市場應對能力（陳玲等，2023）。基于此，本文提出以下假設：

H2：數字化創新通過縮小企業縱向邊界促進智能制造企業高質量發展。

H2a：設計重組通過縮小企業縱向邊界促進智能制造企業高質量發展；

H2b：使用重組通過縮小企業縱向邊界促進智能制造企業高質量發展。

2.2.2"企業橫向邊界重塑的中介作用

設計重組有助于企業拓展橫向邊界。首先，數字化創新有助于企業實現資源數據化和數據資源化，突破信息流動限制，為企業提供跨界融合條件。袁勝超（2022）發現，數字化應用能夠降低不同主體溝通、交流成本，有助于企業吸收互補性知識，進而開發不同類型產品。其次，區別于傳統實體要素，數據要素具有非競爭性以及轉移成本和邊際生產成本幾乎為零的特點，能夠參與產品生產過程，降低不同主體應用數據要素的門檻（姜奇平等，2023），進而促使企業邊界橫向擴展。曹鑫等（2022）研究發現，互聯互通智能設備有助于企業擴大產品規模，進而拓展企業橫向邊界。

使用重組有助于企業拓展橫向邊界。一方面，數字平臺能夠連接企業與用戶，促進二者互動，由此增強企業差異化競爭優勢，促使企業邊界橫向擴展（謝雨鳴和邵云飛，2016；陳玲等，2023）。同時，用戶網絡效應能夠拓展企業合作空間，進而促使企業橫向邊界拓展（楊蕙馨和吳煒峰，2009）。另一方面，數字經濟時代，獲取用戶數據成為企業競爭戰略，驅使企業突破邊界爭奪用戶資源（于暢和李佳雯，2021）。例如，以手機為核心產品的小米公司通過構建電子商務網絡平臺、云服務平臺等將業務范圍延伸至智能家居領域，構建以用戶為價值中心的生態鏈（馮文娜，2019）。

橫向拓展企業邊界意味著企業跨界進入新市場并開展多元化經營，有利于企業構建跨界生態系統。一方面，企業通過構建基于合作伙伴的運營信息與戰略信息共享渠道，提升資源利用率及運營績效（蘇鐘海等，2020；Karimi amp; Rivard，2019）；另一方面，企業可以利用信息共享實現范圍經濟，從而促進自身高質量發展（王倩和柳卸林，2023）。基于此，本文提出以下假設：

H3：數字化創新能夠有效擴展企業橫向邊界，從而促進智能制造企業高質量發展。

H3a：設計重組能夠有效擴展企業橫向邊界，從而促進智能制造企業高質量發展；

H3b：使用重組能夠有效擴展企業橫向邊界，從而促進智能制造企業高質量發展。

3"研究設計

3.1"樣本選取與數據來源

本文主要選擇智能制造上市公司探討數字化創新對其高質量發展的影響，原因如下：第一，智能制造是新型生產方式，其本質是依托數字技術進行精準、高效供需匹配，實現個性化生產（戚聿東和徐凱歌，2020；Zheng et al，2020）。用戶價值、個性化需求得到企業重視，用戶甚至可以參與企業全價值鏈環節，這為研究使用重組提供了機會窗口。第二，智能產品的根本特征為智能連接性，由此產生的海量數據能夠促使企業邊界擴張，與本文研究問題高度契合（曹鑫等，2022）。第三，智能制造是我國制造業轉型升級的主攻方向，智能制造企業對于鞏固實體經濟根基具有重要作用。

考慮到數據可得性，參考李忠順（2022）的智能制造企業具體名單，本文整合并剔除重復數據后共得到3 542家企業樣本。首先，將其與A股上市公司名單進行匹配，篩選出上市公司，得到667家樣本企業；其次，剔除ST、ST*、數據缺失嚴重、2021年及以后上市公司樣本，由此獲得2012—2021年278家智能制造上市公司數據。

企業財務數據與智能制造企業高質量發展基礎測量數據來源于萬德（WIND）數據庫、國泰安（CSMAR）數據庫。數字化創新相關專利數據來自壹專利網站，主要包括公開號、專利標題、摘要、專利類型、申請日、公開日、申請人（原始）、發明人、IPC分類號等信息。

3.2"指標選取與變量說明

3.2.1"被解釋變量

本文被解釋變量為企業高質量發展。全要素生產率能夠反映企業管理模式優化、結構升級情況，是檢驗高質量發展的核心指標（王一鳴，2020）。因此，本文采用全要素生產率衡量智能制造企業高質量發展水平，常見全要素生產率測度方法主要有Olley-Pakes（OP）方法、Levinsohn-Petrin（LP）方法、最小二乘法（OLS）等。考慮到同時性偏差和樣本選擇性偏差，參考魯曉東和連玉君（2012）的做法，本文采用OP法進行主回歸模型檢驗，采用LP法進行穩健性檢驗。

3.2.2"核心解釋變量

本文核心解釋變量為數字化創新。數字技術既是數字化創新活動的結果，也是推動數字化創新的動力[19-20]。專利數據不僅能夠反映技術應用情況，而且是衡量企業創新的關鍵指標。部分學者嘗試采用數字技術專利衡量數字化創新[21-22]，為本研究提供了參考。基于此，本文采用數字技術相關專利對數字化創新的兩個維度指標（設計重組和使用重組）進行測量，具體方法如下：

（1）確定數字化創新專利。參考黃先海和王瀚迪（2021）、陶鋒等[19]的研究成果，國際專利分類號（IPC）包含數字化創新活動信息，而IPC中的小類（前4位數）可以看作為一個知識元素（Rosenkopf amp; Nerkar，2001；曾德明和周濤，2015）。因此，本文基于IPC層面構建相對科學的數字化創新指標。依據國家知識產權局發布的《戰略性新興產業分類與國際專利分類參照關系表（2021）》中新一代信息技術產業和智能制造裝備產業涉及的主要IPC小類，本文將樣本企業發明專利和實用新型專利識別為數字化創新專利，由此獲得19 239條數字化創新專利數據。

（2）本文采用基于深度學習的文本分類模型將數字化創新專利摘要信息劃分為設計重組和使用重組，具體過程如下：首先，對數據進行清洗，即清洗臟數據、亂碼符號和句段，采用Pynlpir分詞系統對專利摘要信息進行分詞并剔除停用詞。其次，采用自然語言處理工具Stanford Parser從專利摘要中抽取并清洗SAO（Subject-Action-Object）結構。通過分析SAO語義不僅可以獲取句子中的關鍵詞，而且能夠挖掘語義關系（馮立杰等，2021；劉鵬等，2023）。通過人工篩選保留用于判別設計重組和使用重組兩類數字化創新的詞組，進而構建語料庫，以便后續模型預訓練。再次，按照6∶2∶2的比例將數字化創新專利數據劃分為訓練集、驗證集和測試集（趙納暉和張天洋，2022）。根據設計重組和使用重組的定義，確定訓練集數據分類類別（設計重組記為“0”，使用重組記為“1”），將處理好的數據輸入CNN網絡進行訓練，通過驗證集檢驗網絡正確率并優化網絡參數。實驗表明，模型正確率為90.31%。最后，對測試集數據進行文本分類預測，獲得17 514條設計重組專利數據和1 725條使用重組專利數據。

為進一步驗證數字化創新測量指標的合理性和有效性，本文從內容有效性、結構有效性和標準有效性3個方面進行檢驗（張吉昌等，2023；Scholtes et al，2011），結果在一定程度上證明本文數字化創新測量指標是合理的。

3.2.3"控制變量

參考以往文獻的做法[3，15-16]，本文加入以下控制變量：企業規模（lnstaff），以企業員工總數的對數值衡量；固定資產（lnfixedasset），以企業固定資產的對數值衡量；獨立董事占比（pid），以獨立董事數量與董事規模的比值衡量；企業年齡（age），以當年減去上市年份再加1的對數值衡量；資產負債率（alr），以總負債與總資產的比值衡量；企業成長性（growth），以企業營業收入增長率衡量；總資產報酬率（roa），以利潤總額與財務費用之和除以平均資產總額衡量。

3.3"基準回歸方程

為檢驗數字化創新水平對智能制造企業高質量發展的影響，本文構建基本計量模型，如式（1）所示。

lntfpop，i，t=μ0+μ1Diginnoi，t+μ2∑Ci，t+∑Industryfe+∑Yearfe+εi，t（1）

其中，i代表企業，t代表年份。被解釋變量lntfpop，i，t代表第i家企業第t年高質量發展水平，核心解釋變量Diginnoi，t衡量智能制造企業數字化創新水平，構建方法見前文。μ1用以刻畫Diginnoi，t對智能制造企業高質量發展的影響效應。∑Ci，t為企業層面的控制變量，構建方法見前文。∑Industryfe為行業固定效應，∑Yearfe為年份固定效應，εi，t為隨機誤差項。

4"實證結果及經濟解釋

4.1"描述性統計分析

表1為主要變量描述性統計結果。由表1可知，企業設計重組（lndesign）和使用重組（lnuse）的離散系數（標準差/平均值）均大于1，說明不同樣本企業數字化創新水平差異較大。全要素生產率（lntfp_op）的標準差為0.113，說明不存在過度分散問題。參考以往相關文獻可以發現，其余變量的統計值均分布在合理范圍內。

4.2"基準回歸結果分析

表2為設計重組、使用重組與企業全要素生產率關系基準回歸結果。列（1）-（4）為僅加入核心解釋變量的回歸結果，設計重組與企業全要素生產率間的回歸系數為0.021，使用重組的回歸系數為0.027，均在1%水平上顯著為正。為提高結果精度，列（2）-（5）添加控制變量，設計重組和使用重組的回歸系數仍在1%水平上顯著，但二者系數均有所降低。列（3）-（6）添加控制變量并控制行業和時間固定效應，結果顯示，設計重組和使用重組的回歸系數仍在1%水平上顯著。從經濟意義上看，設計重組水平每提升一單位，企業全要素生產率提升2.1%；使用重組水平每提升一單位，企業全要素生產率提升3.1%。相比之下，使用重組對企業全要素生產率的影響更顯著，原因如下：一是用戶開展數字化創新能夠降低企業試錯成本，進而提升供給效率；二是用戶參與創新生成的海量歷史數據會導致數據轉移成本增加，有研究表明，即使不參與創新的用戶也更認同用戶導向型企業（Dahl et al，2014），龐大的用戶數量有利于企業提升競爭力。由此，本文假設H1、H1a和H1b得到支持。

4.3"穩健性檢驗

4.3.1"工具變量法

為進一步識別數字化創新與智能制造企業高質量發展間的因果關系，參考陳楠和蔡躍洲（2023）的研究成果，本文采用份額移動法構造鮑爾蒂克（Bartik）工具變量，以此對設計重組和使用重組的影響效應進行內生性檢驗，具體方法如式（2）所示。

IVi，t=Diginnoi，t－1×（1+Diginnogrowth，t）（2）

其中，Diginnoi，t－1表示企業i上一期數字化創新活動（設計重組或使用重組），Diginnogrowth，t-1表示剔除企業i后智能制造細分行業數字化創新活動（設計重組或使用重組）的年增長率（Diginnot－1-Diginnot－2+1/Diginnot－2）。工具變量IV1i，t、IV2i，t分別代表企業i的設計重組和使用重組基于細分行業平均增長率的預測值。剔除樣本企業后的細分行業數字化創新增長率不受該樣本企業的影響。上一期預測值與樣本企業數字化創新水平高度相關，滿足工具變量外生性和相關性要求。表3為兩階段最小二乘法（2SLS）的估計結果，IV1、IV2的KP-LM統計值的p值均小于0.05，拒絕“不可識別”的原假設。同時，二者KP-F統計值分別為329.730和58.058，大于所有臨界值，拒絕“弱工具變量”的原假設，即工具變量不存在識別不足與弱工具變量問題。設計重組和使用重組的系數分別為0.022、0.024且均在1%水平上顯著，表明本文結論不受內生性問題的影響。

4.3.2"其它穩健性檢驗

（1）替換關鍵變量。首先，本文采用0-1變量測量企業當年設計重組和使用重組水平，結果如表4列（1）和列（2）所示。其次，由于智能制造企業高質量發展測量方法可能對估計結果產生影響，本文采用基于LP方法測算的全要素生產率替換基于OP方法測算的結果，檢驗結果如表4列（3）和列（4）所示。上述檢驗結果表明，設計重組、使用重組的回歸系數與基準回歸結果基本一致。由此可見，基準回歸結果具有穩健性。

（2）加入被解釋變量的時間滯后項。考慮到企業當年全要素生產率可能受到前期全要素生產率的影響，本文對全要素生產率進行滯后一期處理，檢驗結果如表4列（5）和列（6）所示。結果顯示，設計重組與使用重組的回歸系數顯著為正，與基準回歸結果一致。

（3）加入省份和年份交互固定效應。經濟發展水平較高省份，其數字基礎設施、智能制造相關政策較為完善，企業開展數字化創新更具優勢。此外，回歸模型中，時間和行業雙向固定模型可能對內生性問題的控制不夠嚴格（唐松等，2020）。因此，借鑒Moser amp; Voena（2012）的研究成果，本文采用控制“時間×行業”的高階聯合固定效應方法進行穩健型檢驗，結果如表4列（7）和列（8）所示。結果顯示，設計重組與使用重組的回歸系數顯著為正，與基準回歸結果一致。

4.4"作用機制檢驗

理論部分指出，數字化創新通過影響縱向邊界和橫向邊界促進企業高質量發展。參考溫忠麟等（2004）的研究模型，本文采用三步法進行驗證，具體如式（3）-（5）所示。

lntfpop，i，t=μ0+μ1Diginnoi，t+μ2∑Ci，t+∑Industryfe+∑Yearfe+εi，t （3）

Mediatori，t=α0+α1Diginnoi，t+α2∑Ci，t+∑Industryfe+∑Yearfe+εi，t （4）

lntfpop，i，t=δ0+δ1Diginnoi，t+δ2Mediatori，t+δ3∑Ci，t+∑Industryfe+∑Yearfe+εi，t （5）

其中，Mediator為中介變量，包括企業縱向邊界（vas）和橫向邊界（span）。

4.4.1"基于企業縱向邊界的分析

參考袁淳等[17]、范子英和彭飛（2017）的研究成果，本文采用價值增值法測量企業縱向一體化程度，以此代表企業縱向邊界跨度。企業縱向一體化程度越高，意味著企業縱向邊界跨度越大，企業專業化程度越低，計算方法如式（6）所示。

VAS修正=增加值－稅后凈利潤+正常利潤主營業務收入－稅后凈利潤+正常利潤""""=增加值－稅后凈利潤+凈資產×平均凈資產收益率主營業務收入－稅后凈利潤+凈資產×平均凈資產收益率（6）

表5列（1）、列（4）分別為設計重組和使用重組對智能制造企業全要素生產率影響的基準回歸結果。列（2）回歸結果顯示，設計重組與企業縱向邊界變化之間的回歸系數在5%水平上顯著為負，表明設計重組一定程度上抑制了企業縱向邊界擴張。列（3）為引入企業縱向邊界的回歸結果，設計重組的回歸系數依然在1%水平上顯著為正，而縱向邊界的回歸系數顯著為負，表明設計重組通過抑制縱向邊界擴張提升智能制造企業全要素生產率。同樣地，從表5列（4）-（6）回歸結果可以看出，縮小企業縱向邊界在使用重組與智能制造企業全要素生產率間發揮部分中介作用。也就是說，數字化創新通過縮小企業縱向邊界，一定程度上促進企業專業化發展，從而推動企業高質量發展。由此驗證了本文H2、H2a和H2b。

4.4.2"基于企業橫向邊界的分析

企業橫向邊界主要是指生產產品數量與種類，由邊際成本曲線和邊際收益曲線的交點決定。數字經濟時代，信息技術發展改變了生產要素和產品性質。數據、知識、信息等無形生產要素具有邊際成本遞減和邊際收益遞增的特點（李海艦和原磊，2005）。技術邊界范圍越廣，企業以低成本拓展產品范圍的可能性越大。參考沈坤榮等（2023）的研究成果，本文采用企業層面的技術邊界指標衡量企業橫向邊界范圍（span），指標數值越大，表明企業技術領域分布越廣泛，橫向邊界越寬，計算方式如式（7）所示。其中，φij表示為企業i當年申請的所有專利中四位數 IPC分類號j數量所占比重。

span=1－∑φ2i，j （7）

表6列（1）、列（4）分別為設計重組和使用重組對智能制造企業全要素生產率影響的基準回歸結果。表6列（2）回歸結果顯示，設計重組與企業橫向邊界間的回歸系數在1%水平上顯著為正，表明設計重組有利于企業擴大橫向邊界。列（3）為引入企業橫向邊界的回歸結果，設計重組的回歸系數依然在1%水平上顯著為正，且橫向邊界的回歸系數顯著為正，表明企業橫向邊界擴張能夠顯著促進智能制造企業高質量發展，即拓展企業橫向邊界在設計重組與智能制造企業高質量發展間發揮部分中介作用。同樣地，由表6列（4）-（6）回歸結果可知，擴展企業橫向邊界是使用重組促進智能制造企業高質量發展的傳導路徑。也就是說，數字化創新通過擴展企業橫向邊界促進企業高質量發展，由此驗證了本文H3、H3a和H3b。

5"進一步分析

5.1"基于行業技術變化速度的異質性檢驗

行業技術變化速度可能影響企業對新技術的接受程度與應用程度，進而對企業高質量發展產生影響。對于所在行業技術變化速度較快的企業而言，可能面臨較為激烈競爭的市場環境，故具有較強的動力采用新技術開展數字化創新，從而實現高質量發展。借鑒沈坤榮等（2023）的研究成果，本文將計算機、通信和其它電子設備制造業（C39）、電氣機械和器材制造業（C38）、儀器儀表制造業（C40）標記為技術更新速度較快行業，其余則視為技術發展速度較慢行業。通過分組回歸考察數字化創新對不同行業企業的異質性影響，結果如表7所示。結果顯示，設計重組和使用重組均能促進企業高質量發展，相比于所處技術變化速度較慢行業企業，處于技術變化速度快行業企業的相關回歸系數更大，即數字化創新對處于技術變化速度較快行業企業全要素生產率的促進作用更為顯著。

上述結果產生的原因如下：處于技術變化速度較快行業的智能制造企業需要關注競爭對手和市場需求變化，故更有動力實施數字化創新以維持自身競爭優勢。此外，數字化實踐存在行業同群效應[23]，也就是說，行業技術變化速度較快企業數字化創新能夠發揮協同作用，對行業內其它企業產生顯著影響。

5.2"基于區域市場化水平的異質性檢驗

企業所在區域市場化水平差異可能會影響數字化創新的促進效應。健全的市場制度和良好的營商環境能夠激勵企業開展數字化創新。根據王小魯等公布的《中國分省份市場化指數報告（2019）》，本文將智能制造企業所在省份市場化指數低于全國平均值的樣本劃分為低市場化水平子樣本，其余則屬于高市場化水平子樣本，異質性檢驗結果如表8所示。結果顯示，高市場化水平地區企業設計重組和使用重組的回歸系數顯著為正，低市場化水平地區的相關回歸系數均不顯著。由此可見，處于高市場化水平地區智能制造企業開展數字化創新活動更能促進全要素生產率提升。

上述結果產生的原因如下：市場化水平較高意味著該地區金融服務水平較高，市場能夠扮演資源配置角色，進而促進企業資源配置效率和投資效率提高，最終促進企業高質量發展。胡增璽和馬述忠[23]的研究結論可為上述推論提供支持，即較高的市場化水平對企業數字化創新發揮提質增效的作用。

6"結語

6.1"結論

本文以2012—2021年智能制造上市公司為研究樣本，借助IPC分類號識別數字化創新專利數據并采用基于深度學習的文本分類模型將其劃分為設計重組和使用重組，從供需兩端考察數字化創新對智能制造企業高質量發展的影響及作用機制，得出以下主要結論：

（1）設計重組和使用重組能夠提高企業全要素生產率，促進企業高質量發展。相比之下，使用重組的影響效應更為顯著。

（2）在作用機制上，數字化創新可以通過縮小企業縱向邊界和擴展橫向邊界提高全要素生產率。

（3）與行業技術變化速度較慢企業相比，行業技術變化速度較快企業進行設計重組和使用重組對全要素生產率的促進作用更顯著；與所在區域市場化水平較低企業相比，市場化水平較高地區企業開展數字化創新對全要素生產率的促進作用更顯著。

6.2"理論貢獻

（1）基于重組視角對數字化創新進行維度劃分，深化了數字化創新理論內涵。本文將數字化創新劃分為設計重組和使用重組兩個維度，討論二者對智能制造企業高質量發展的影響，強調企業和用戶都是數字化創新的重要主體，彌補了現有研究基于單一主體視角考察數字化創新經濟效應的不足。

（2）本文將數字化創新、企業邊界與高質量發展三者聯系起來，豐富了數字化創新實證研究。數字化創新會模糊企業原有邊界，現有相關研究對企業邊界如何演變，以及數字化創新對智能制造企業高質量發展有何影響等問題探討不足。本文通過檢驗企業縱向邊界、橫向邊界變化在數字化創新與高質量發展間的作用，豐富了數字經濟時代下的組織邊界理論。

6.3"實踐啟示

（1）智能制造企業不僅需要重視供給端數字化變革，而且要發揮用戶參與數字化創新對自身高質量發展的促進作用。一方面，企業應積極研判產業數字化發展趨勢，識別自身優勢與不足，進而有針對性地開展數字化創新活動。另一方面，企業應意識到用戶參與數字化創新的重要性，依托數字平臺賦能用戶參與研發設計生產等環節，通過實時追蹤用戶需求變化優化產品和服務，進而更好滿足用戶需求甚至挖掘用戶潛在需求，最終精準實現供需匹配。

（2）智能制造企業應提高多元化經營水平。一方面，數字技術能夠改變產業鏈分工模式，智能制造企業需要打造專業化生產優勢，尋求更廣泛的業務范圍。另一方面，隨著企業間競爭由單一企業競爭轉向生態系統競爭，智能制造企業應圍繞用戶需求跨越不同知識技術領域，提供多樣化、差異化業務組合，構建價值網絡，進一步擴大用戶規模和提升自身競爭力。

（3）政府應通過制定一系列政策加大對企業數字化創新的支持力度。首先，政府應加強基礎設施和產業鏈配套設施建設，為企業數字化創新提供支撐。其次，政府需因企施策，引導不同行業、不同地區企業順利實施數字化創新。一方面，針對技術變化速度較慢行業，政府可以出臺稅收優惠等政策激勵企業數字化創新，鼓勵不同行業數字化解決方案供應商提供專業指導，引導企業融入數字經濟時代。另一方面，針對市場化水平較低地區，政府需要完善市場管理體制和行政審批流程，為企業營造良好的營商環境，充分發揮市場在資源過程配置中的關鍵作用。

6.4"不足與展望

本文存在以下不足：第一，僅探討了設計重組與使用重組對智能制造企業高質量發展的影響，未來可以分析不同組合情景下（如高設計重組和低使用重組組合、低設計重組和高使用重組組合）設計重組和使用重組的影響效應，為企業數字化創新提供更有價值的管理啟示。第二，本研究基于企業邊界重塑視角進行了機制檢驗，但數字化創新對企業高質量發展的其它作用機制和邊界條件有待進一步考察。第三，本研究僅收集了智能制造上市公司樣本，由于非上市公司數據難以獲取，結論代表性有限。此外，智能制造包括很多細分行業，不同行業具有較大差異，后續可以選擇其它行業企業，以提供更具普適性的研究結論。

參考文獻：

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

[2] HUND A， WAGNER H-T， BEIMBORN D， et al. Digital innovation： review and novel perspective[J]. The Journal of Strategic Information Systems， 2021， 30（4）： 101695.

[3] 李小青， 何瑋萱， 霍雨丹， 等. 數字化創新如何影響企業高質量發展——數字金融水平的調節作用[J]. 首都經濟貿易大學學報， 2022， 24（1）： 80-95.

[4] 謝衛紅， 林培望， 李忠順， 等. 數字化創新：內涵特征、價值創造與展望[J]. 外國經濟與管理， 2020， 42（9）： 19-31.

[5] YOO Y， BOLAND R J， LYYTINEN K， et al. Organizing for innovation in the digitized world[J]. Organization Science， 2012， 23（5）： 1398-1408.

[6] NAMBISAN S. Digital innovation and international business[J]. Innovation， 2020， 24（1）： 86-95.

[7] 謝康. 數字經濟創新模式：企業與用戶數據化互動創新[J]. 中國社會科學院大學學報， 2023， 43（2）： 79-94，162.

[8] HENFRIDSSON O， NANDHAKUMAR J， SCARBROUGH H， et al. Recombination in the open-ended value landscape of digital innovation[J]. Information and Organization， 2018， 28（2）： 89-100.

[9] WU Y， LI H， LUO R， et al. How digital transformation helps enterprises achieve high-quality development？ empirical evidence from Chinese listed companies[J/OL]. European Journal of Innovation Management， 2023-04-28. https：//doi.org/10.1108/EJIM-11-2022-0610.

[10] 羅佳， 張蛟蛟， 李科. 數字技術創新如何驅動制造業企業全要素生產率——來自上市公司專利數據的證據[J]. 財經研究， 2023， 49（2）： 95-109，124.

[11] 黃勃， 李海彤， 劉俊岐， 等. 數字技術創新與中國企業高質量發展——來自企業數字專利的證據[J]. 經濟研究， 2023， 58（3）： 97-115.

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

[13] EREVELLES S， FUKAWA N， SWAYNE L. Big data consumer analytics and the transformation of marketing[J]. Journal of Business Research， 2016， 69（2）： 897-904.

[14] 肖靜華， 吳瑤， 劉意， 等. 消費者數據化參與的研發創新——企業與消費者協同演化視角的雙案例研究[J]. 管理世界， 2018， 34（8）： 154-173，192.

[15] 趙宸宇. 數字化發展與服務化轉型——來自制造業上市公司的經驗證據[J]. 南開管理評論， 2021， 24（2）： 149-163.

[16] 王京濱，劉趙寧，劉新民.數字化轉型與企業全要素生產率——基于資源配置效率的機制檢驗[J].科技進步與對策，2024，41（3）：23-33.

[17] 袁淳， 肖土盛， 耿春曉， 等. 數字化轉型與企業分工：專業化還是縱向一體化[J]. 中國工業經濟， 2021， 401（9）： 137-155.

[18] HUANG J， HENFRIDSSON O， LIU M J， et al. Growing on steroids： rapidly scaling the user base of digital ventures through digital innovation[J]. MIS Quarterly， 2017， 41（1）： 301，314.

[19] 陶鋒， 朱盼， 邱楚芝， 等. 數字技術創新對企業市場價值的影響研究[J]. 數量經濟技術經濟研究， 2023， 40（5）： 68-91.

[20] CIRIELLO R， RICHTER A， SCHWABE G. Digital innovation[J]. Business amp; Information Systems Engineering， 2018， 60（4）： 563，569.

[21] LIU Y， DONG J， MEI L， et al. Digital innovation and performance of manufacturing firms： an affordance perspective[J]. Technovation， 2023， 119（1）： 102458.

[22] 胡增璽， 馬述忠. 市場一體化對企業數字創新的影響——兼論數字創新衡量方法[J]. 經濟研究， 2023， 58（6）： 155-172.

[23] 霍春輝， 呂夢曉， 許曉娜. 數字化轉型“同群效應”與企業高質量發展——基于制造業上市公司的經驗證據[J]. 科技進步與對策， 2023， 40（4）： 77-87.

責任編輯（責任編輯：張"悅）

英文標題Digital Innovation， Enterprise Boundary Reshaping and High-Quality Development of Intelligent Manufacturing Enterprises：Empirical Evidence from Machine Learning of Patent Text

英文作者Wang Zhong1，2， Pan Xinxian1，2， Xie Weihong1，2， Zou Yukun2，3， Li Shuying1，2

英文作者單位（1. School of Economics， Guangdong University of Technology; 2. Key Laboratory of Digital Economy and Data Governance， Guangdong University of Technology; 3. School of Management， Guangdong University of Technology， Guangzhou 510520， China）

英文摘要Abstract：Digital innovation has become an important engine for promoting the high-quality development of intelligent manufacturing enterprises， thereby promoting the high-quality macroeconomic development. Therefore， it is particularly important to explore the impact of digital innovation on the high-quality development of intelligent manufacturing enterprises and clarify its mechanisms．Unlike traditional innovation， digital innovation has some new features. Firstly， highly dynamic connectivity and recombination are essential manifestations of digital innovation. Secondly， users become influential value creators in the digital economy era. Lastly， digital innovation forms data sharing and integration across enterprises and industries， and it reshapes the boundaries of enterprises. These characteristics make it difficult to identify its mechanism of action.

In spite of some insightful findings on digital innovation and the high-quality development of enterprises ，there are still at least two aspects for improvement. On the one hand， most of the related literature emphasizes the application of digital technology， and few studies have examined the impact of users as digital innovation entities on the high-quality development of intelligent manufacturing enterprises. On the other hand， relevant literature mainly studies the mechanism from the perspectives of operating costs， resource allocation efficiency， innovation investment， etc.， but it is still unclear how digital innovation affects the formation of enterprise boundaries. Therefore， following Schumpeter's theory of recombination innovation， the paper divides digital innovation into design recombination and use recombination， examines its impact on the high-quality development of enterprises， and analyzes the mediating mechanism of enterprise boundaries.

Given the research mentioned above deficiencies and realistic background， this paper takes an unbalanced panel data set of 278 intelligent manufacturing companies listed from 2012 to 2021 as samples. The IPC classification number of the patent is used to identify digital innovation classification using the text classification model based on deep learning. All of the patents from the sample companies are divided into two categories， namely 17 514 design recombination and 1 725 use recombination. The study examines the impact of both on the high-quality development of intelligent manufacturing enterprises， further analyzes the driving mechanism of enterprise boundary reshaping and discusses the heterogeneity of the speed of industry technological changes and marketization level.

It is found that， firstly， design recombination and use recombination can significantly promote the high-quality development of enterprises， and the effect of use recombination is more significant. Secondly， in terms of mechanism， digital innovation can promote the high-quality development of intelligent manufacturing enterprises by narrowing their vertical boundaries and expanding their horizontal boundaries. Thirdly， further analysis reveals that the economic effects of digital innovation are more significant for intelligent manufacturing enterprises with rapid technological changes in the industry and located in areas with high marketization.

The incremental contributions of this paper are as follows. Firstly， this paper explores the effects of digital innovation on enterprise development from the perspectives of both enterprise and user participants， which provides new theoretical support for future studies on digital innovation by taking a recombination approach， and breaking through the limitations of previous literature that only focused on a single actor. Secondly， this paper divides digital innovation into two categories， which offers a fresh viewpoint for comprehending and gauging digital innovation. Lastly， this paper explores the impact of changes in the vertical and horizontal boundaries of enterprises on the relationship between digital innovation and the high-quality development of intelligent manufacturing enterprises. By examining the enterprise boundary， it provides new insights for future research on the mechanism of digital innovation.

The implications arising from this study are threefold. Firstly， intelligent manufacturing companies that aim for high-quality development should focus not only on applying digital technology in supply but also involve users in digital innovation， such as relying on digital platforms to empower deep user participation in the production process， and even independently create new value for products and services. Secondly， intelligent manufacturing enterprises should emphasize enterprise boundary management and enhance their cross-border capabilities. Thirdly， the government should enhance its assistance towards digital innovation within enterprises， and also enforce policies customized to meet the specific needs of such enterprises.

英文關鍵詞Key Words：Digital Innovation; High-quality Development;Perspective of Recombination; Intelligent Manufacturing; Enterprise Boundary