工業互聯網平臺如何驅動新質生產力發展

摘要：數字經濟背景下，搭建工業互聯網平臺以推動新質生產力發展尤為重要。結合組態視角與復雜性關系理論，采用混合QCA和空間回歸方法構建復雜中介模型，深入探究數據要素視角下工業互聯網平臺如何驅動新質生產力發展。研究發現：多種工業互聯網平臺組態能充分釋放數據要素價值（數據要素應用、數據要素維護、數字人才集聚），進而驅動新質生產力發展，具體表現為云服務—核心平臺驅動型、邊緣—大數據平臺驅動型和全平臺驅動型3種模式。研究結論對全面推進平臺化戰略、加速新質生產力發展具有重要啟示。

關鍵詞：工業互聯網平臺；新質生產力；數據要素；混合方法

中圖分類號：F49

文獻標識碼：A

文章編號：1001-7348（2025）03-0038-12

0 引言

黨的二十屆三中全會強調，“要健全因地制宜發展新質生產力體制機制，健全促進實體經濟和數字經濟深度融合制度”。工業互聯網平臺作為數字化與工業化深度融合的產物，有利于促進制造資源的泛在聯系、彈性供給及智能決策^[1]，是加快形成新質生產力的重要基礎設施。然而，單一工業互聯網平臺無法充分釋放數據要素價值，多平臺之間互聯互通與深度共創才是實現生產力質變的關鍵。因此，如何構建有效的工業互聯網平臺架構，跨越數據利用鴻溝，促進新質生產力發展，是亟待解決的關鍵問題。

近年來，工業互聯網平臺研究蓬勃發展，現有研究主要聚焦平臺概念界定^[1]、建構策略^[2]、作用效果^[3]及賦能機制^[4-6]等方面。任保平^[7]指出工業互聯網平臺是面向制造業智能化、個性化、網絡化發展的專業服務平臺，能夠實現人員、機器、原料、方法、環境的全面互聯，具有協同共享、跨界融合、數據驅動等特征。研究表明，工業互聯網平臺對制造企業價值創造和新質生產力提升具有正向影響。一方面，宏觀層面研究關注平臺建設與新型數字技術應用帶來的數據開發共享、數字技術滲透、資源整合及供應鏈效率提升等數字化轉型效果^[3，8]；另一方面，微觀視角研究關注海爾卡奧斯、樹根互聯網等典型平臺的技術、組織、結構及場域賦能機制^[6]。張明超等（2024）指出，工業互聯網平臺通過技術型賦能和環境型賦能，實現海量復雜工業數據復合型產品或服務創新，向實體制造業提供數字產品及服務，促進企業提質增效和開展場景式創新；張驍等（2024）基于元賦能理論指出，數字平臺通過重構數字基座、知識交互學習過程及認知蛻變躍升等賦能行動，促進商業模式創新能力提升。上述研究多將工業互聯網平臺視為籠統整體，關注如何通過快速引入數字技術、擴大用戶規模激發網絡效應、增強價值共創能力^[9]。然而，根據模塊化理論，工業互聯網平臺是一個由多模塊組成的松散耦合系統^[10-11]，通過邊緣基礎設施層、云平臺層和應用層等的協同與組合（杜勇等，2022），加速傳統生產模式和生產要素變革，進而促進新質生產力發展。現有研究缺乏對平臺細分功能與協同機制的深入挖掘，忽視了細分平臺間的相互依賴關系與互動作用，未深層次剖析工業互聯網平臺影響新質生產力發展的復雜因果關系。進一步地，平臺驅動效應不簡單等同于數字技術或平臺數量增加。Arnold等^[9]、孫新波等^[8]指出，在數字經濟時代“萬物皆數”背景下，平臺構建的關鍵在于充分挖掘數據這一核心要素價值。充分挖掘數據要素價值，跨越數字鴻溝，是帶來正向反饋并促進新質生產力發展的關鍵（杜勇等，2022）。然而，當前基于數據要素視角考察工業互聯網平臺驅動新質生產力發展的研究較少。此外，現有研究方法未充分解釋這一復雜過程機制，需要補充新的經驗證據。

鑒于此，本文借鑒杜運周等（2024）的研究，結合組態視角和復雜性關系理論，運用QCA與空間回歸分析方法，選取中國內地278個地級市為樣本，深入揭示工業互聯網平臺如何釋放數據要素價值驅動新質生產力發展這一復雜系統問題。

1 文獻回顧與模型構建

1.1 工業互聯網平臺構成

工業互聯網平臺是基于海量工業數據采集、處理與分析的復雜服務體系（見圖1），其本質是面向制造業智能化和數字化需求，支撐制造資源泛在聯系、彈性供給及優化決策^[6-7]。王水蓮等^[5]指出，工業互聯網平臺是基于多平臺的交互架構，通過平臺生態互聯互通，實現工業數據的沉淀與解決方案的提出。結合Guth等^[12]、陳武等^[13]的工業互聯網架構劃分標準，延循“邊緣—核心”邏輯，將平臺劃分為邊緣層、云服務、工業大數據和核心工業平臺4個模塊。具體而言：邊緣層以工業現場為主，利用邊緣基礎設施和邊緣計算模塊構建低延時、廣覆蓋、高可信的工業網絡，為各類工業數據互聯互通與智能應用提供基礎（張明超等，2024）。云服務平臺推動要素聚集、軟件上云、裝備硬件上云等，實現云、邊、端實時協同（金楊華等，2023）。工業大數據平臺利用大數據采集分析與數據決策優化模塊，實現海量工業數據分析、預測及可視化服務。核心工業平臺依托通用平臺架構和工業PaaS解決方案模塊，實現研發仿真、算法模型開發及各類工業場景定制化軟件開發，以及工業知識經驗的固化封裝^[8]。

1.2 工業互聯網平臺與數據要素：組態視角

基于平臺賦能和元賦能理論，工業互聯網平臺通過邊緣層、云服務、大數據及核心工業平臺的交互協同與優化組合，實現工業場景資源數字化和模型化^[6]，提升制造企業生成個性化數據的能力，充分釋放數據要素價值（數據要素應用、數據要素維護、數字人才集聚）。

（1）邊緣層平臺。邊緣層平臺可實現數據采集與協議解析，包括邊緣基礎設施和邊緣計算兩個方面。夯實邊緣基礎設施，健全低延時、廣覆蓋、高可信的工業網絡，改善工業設備與管理系統互聯互通的基礎條件^[5]，實現工業現場資源、生產過程數據與生產經驗的數據化和數字化，能夠提升海量工業數據智能應用^[14]。邊緣計算通過對數據計算任務的本地化實時處理與智能決策，提高數據處理效率，減少寬帶消耗，盤活閑置冗余資源，增強數據安全性和隱私保護，從而降低數據處理成本和運維成本（張驍等，2024）。

（2）云服務平臺。云服務平臺是提供云計算資源與服務的在線平臺，用戶可訪問服務器、存儲數據庫、軟件及分析工具等。依托云服務平臺，能夠推動要素、軟件、裝備硬件上云，實時獲取制造企業協同作業進度、消費者偏好及市場需求等信息^[15]，及時調整任務安排并優化生產工藝，進而提高數據要素應用價值。同時，云服務平臺還能提供泛在數字場域，助力產業鏈企業快速“上云”，高效匹配上下游供應商、服務商及客戶等關系資源，實現海量數據信息庫互聯互通與管理流程升級，打破數據孤島和數據壟斷^[16]。此外，云服務平臺能打破傳統企業“各自為戰”模式，從平臺數據庫挖掘復合產品或服務創意，跨界整合多方資源，實現場景價值共創^[16]。

（3）工業大數據平臺。工業大數據平臺是海量數據存儲、處理、分析和應用的系統平臺，包括大數據采集分析與數據決策優化兩個要素。通過大數據采集與分析，能夠快速加工產業鏈各環節運營數據，實現數字孿生、機理模型構建及成本優勢鞏固^[14]。在數據決策優化的助力與催化下，制造企業通過嵌入互聯場景，有效識別社會問題，靶向改造解決方案，提供預測與可視化服務，持續優化智能化和自動化資源調配機制^[8]，應對市場不確定性，為數據化生態提供中堅力量，提高數據運營與維護能力。

（4）核心工業平臺。核心工業平臺為工業用戶提供通用架構與定制化開發服務，實現工業知識、技術、經驗的封裝、固化與復用，包括通用平臺架構和工業PaaS解決兩個方面。通用平臺架構提供平臺開發運營環境、工業數據建模工具及工業應用微服務等，通過超模塊互補與自由組合構建靈活的研發生態架構^[5，10]，提高后續定制化服務與不同場景適配的便捷性，繼而提升數據要素使用效率^[17]。工業PaaS解決方案能夠精準感知場景關鍵需求，錨定用戶價值訴求，結合自身數字技術、算力、知識等優勢，實現研發仿真、算法模型開發、柔性匹配及大規模生產，深層次釋放數據要素價值^[18-19]。通過與邊緣層、云服務平臺的有機匹配和外部環境協同演化，充分釋放數據力、定制力、仿真力、安全力及生態力，增強平臺輻射與賦能效果。此外，平臺發展會加大對高學歷、高技術人才的需求，促進地區數字人才集聚^[20]。

1.3 工業互聯網平臺對新質生產力的影響：復雜中介"" 機制

工業互聯網平臺為多平臺交互架構，通過各細分平臺協同與優化組合，形成驅動數據要素價值提升的多元路徑，產生技術、資源、環境等賦能效應，進而促進新質生產力發展。即在工業互聯網平臺與新質生產力關系中，數據要素發揮中介效應。

數據要素的中介效應具有復雜性。一方面，組態視角下，工業互聯網平臺對釋放數據要素價值可能存在多元等效路徑；另一方面，工業互聯網平臺多元組態路徑能夠直接或間接通過數據要素影響新質生產力發展。具體而言，工業互聯網平臺借助自身數字技術和工業知識，通過技術賦能為制造企業提供智能化解決方案與服務支持，促進企業生產力發展，奠定生產力質變基礎。在這一進程中，工業互聯網平臺能促進數字人才集聚，倒逼勞動力技能提升與勞動模式變革^[20]，提供生產力質變渠道。同時，工業互聯網平臺依托網絡規模優勢，為制造企業提供泛在數字場域，加速生產運營在線化、智能化及網絡化發展，實現勞動對象變革，助力新質生產力發展^[21]。此外，工業互聯網平臺能充分釋放數據要素這一新興生產資料的價值，發揮數據要素非消耗性、高流動性、強外部性作用，延伸應用范圍，拓展傳統要素增值方式，實現增值乘數效應^[19，22]，進而促進新質生產力發展。

綜上所述，本文基于組態視角，構建工業互聯網平臺提升數據要素價值進而影響新質生產力發展的復雜中介模型。首先，探究工業互聯網平臺釋放數據要素價值的多元組態路徑，回答哪些工業互聯網平臺能產生高數據要素價值；其次，分析多元組態如何影響新質生產力發展及數據要素的復雜中介效應，回答哪些工業互聯網平臺組態能夠實現高數據要素價值，進而促進新質生產力發展。本文構建理論模型如圖2所示。

2 研究設計

2.1 復雜中介模型

面對管理學研究中的復雜因果關系，傳統統計方法不足以揭示變量間的深層次聯系，需將還原論與整體論方法相結合，形成集成方法體系。參考杜運周等（2024）的做法，結合定性比較分析法和回歸分析法構建復雜中介模型。采用混合方法旨在捕捉變量間相互作用的全貌，同時探究單一變量的影響，以更深層次理解復雜社會現象。

復雜中介模型檢驗包括4個步驟（見圖3）：第一步，檢驗Xi—M因果鏈。利用QCA分析識別影響中介變量的多種條件組合，即工業互聯網平臺不同組態如何釋放數據要素價值；第二步，賦值組態Xi，將QCA結果轉換為回歸分析的自變量；第三步，檢驗Xi—Y因果鏈，利用回歸分析法檢驗組態對新質生產力發展的總效應；第四步，檢驗M—Y因果鏈，進一步探究不同組態對新質生產力發展的直接影響以及通過數據要素價值產生的間接影響。

值得注意的是：①在step2組態隸屬度計算過程中，案例在組態Xi中的隸屬度是所有條件集合xj中隸屬度的最小值{mXi=min（x1，x2，…，xj）} （～xj=1-xj）；②在step3和step4中，多組態要素相互依賴，納入同一模型有可能會導致多重共線性問題，為避免出現該情況，將不同組態分別視為自變量獨立進行回歸分析^[23]。

2.2 數據來源

本文選取中國內地278個城市為研究樣本，分析工業互聯網平臺、數據要素與新質生產力發展之間的復雜關系。工業互聯網平臺專利數據來源于國家知識產權局（SIPO）、智慧芽專利庫數據，其它數據來源于2022—2023年國家統計局、《中國城市統計年鑒》、《中國電子信息產業統計年鑒》、地方政府網站信息查詢平臺、國際機器人聯合會、企業年報、北京大學數字金融研究中心編制的數字普惠金融指數等，部分缺失值以線性插補法和均值插補法填補。

2.3 數據與測度

（1）工業互聯網平臺。QCA分析的前因條件為工業互聯網平臺，結合上文分析可知，其包含邊緣層平臺、云服務平臺、大數據平臺和核心工業平臺四部分內容。參考周密等^[24]的研究思路，技術在產業發展過程中發揮主導作用，故本文以相關領域專利申請量表征工業互聯網平臺發展水平。工業互聯網平臺關鍵詞典以相關領域政策文件、新聞報道及經典文獻為藍本，由Python分詞及文本分析獲取，專利檢索結合上述關鍵詞，進一步聚焦工業平臺領域。

（2）數據要素。參考陶長琪和丁煜（2022）的研究，從數據要素應用（data1）、數據要素維護（data2）、數字人才集聚（data3）3個方面衡量數據要素水平，運用熵權法進行計算。其中，數據要素應用以地級市電信業務總量、數字普惠金融指數、上市公司數據資產詞頻、機器人滲透率表征；數據要素維護以信息技術服務收入和信息安全收入表征；數字人才集聚以信息傳輸及軟件人員表征。

（3）新質生產力。新質生產力（newprod）是以創新為驅動力，融合高素質勞動者、先進勞動對象和現代生產資料，追求經濟高質量發展的新階段生產力。參考王玨等^[25]、陽楊等^[26]、韓文龍等^[27]的做法，從新質勞動者、勞動對象和勞動資料3個方面測度，運用熵權法加權得到新質生產力水平。其中，新質勞動者是指通過知識更新與技能培養、具備較強創新能力的勞動者，選取新型產業員工數、員工能力和員工高素質水平3個指標衡量；新質勞動對象是指除傳統自然資源和原材料外，具備信息化和綠色化等特征的高級、新型資源對象，用數字基礎設施和綠色能源表征；新質勞動資料是勞動者生產的物質基礎，具備高科技、智能化、高效能、綠色化及高知識性等特征，用技術研發、創新產出、智能化和綠色化水平表征。

綜上，新質生產力測度指標體系見表1。

（4）控制變量。為避免遺漏變量對估計結果造成影響，借鑒相關研究，加入一系列控制變量。①城市人口規模（people），以城市年末戶籍人口數表征^[26]；②金融發展水平（finance），以金融機構存貸款余額之和表征；③市場化水平（market），參考樊綱等（2011）的做法，以地區市場化進程相對指數表征；④產業結構（structure），以第三產業增加值與GDP的比重表征。

2.4 數據校準

本文采用直接校準法確定錨點并進行結構化校準，必要條件檢驗結果見表2。參考已有研究，將7個前因條件與1個結果變量數據的0.05分位、0.5分位和0.95分位設定為完全不隸屬、交叉點和完全隸屬校準點。同時，將樣本數據校準后等于0.5情況的真值修正為0.500 1。

3 實證結果分析

3.1 工業互聯網平臺對數據要素的組態分析

3.1.1 單個條件必要性分析

在開展組態分析前，需先檢驗各前因條件的必要性。當一致性大于0.9時，認為該條件是必要條件（杜運周等，2024）。表2給出fsQCA3.0軟件分析的數據要素價值必要條件檢驗結果。由表2可知，所有條件的一致性水平均小于0.9，故不存在影響高數據要素價值的必要條件。

3.1.2 條件組態充分性分析

將原始一致性閾值設為0.8、PRI一致性閾值設為0.75、頻數閾值設為1，由中間解揭示組態效應，結果見表3。

3.1.2.1 數據要素應用組態分析

（1）云服務—核心平臺驅動型（M1a和M1b）。組態M1b表明，云服務、通用平臺架構和工業PaaS解決方案發揮核心作用，大數據采集分析、數據決策優化發揮輔助作用。在該組態路徑下，夯實云服務和核心工業平臺建設雙輪驅動，營造泛在數字場域，為各類工業場景提供定制化、智慧化解決方案和服務支持（呂文昌等，2019），實現制造企業的智慧化、在線化和網絡化運行，提高數據要素應用價值。該組態典型案例如北京、上海、深圳等城市。上海全力打造工業互聯網平臺發展標桿城市，積極引導和鼓勵云服務平臺發展并匹配相應工業APP。截至2022年，平臺普及率達25.2%，鏈接上云工業設備超1 083萬臺，實現運維成本下降18.83%，安全運行時間提升22.17%，充分釋放了數據要素價值，符合云服務—核心平臺驅動型組態特征。組態M1a與M1b一致，輔助條件以非邊緣計算代替大數據計算等發揮輔助作用，該組態典型案例如寧德、濰坊等城市。

（2）邊緣計算驅動型（M2a和M2b）。組態M2a表明，邊緣計算發揮核心作用，邊緣基礎設施、數據決策優化、通用平臺架構、工業解決方案發揮輔助作用。在該組態路徑下，通過建設邊緣計算平臺，實現工業現場數據采集、協議解析與企業管理系統互聯，構建低延時、高可靠、廣覆蓋的互聯網絡，實現要素高效數字化與低成本互聯。該組態典型案例如宣城等城市。相比M2a，組態M2b核心條件不變，云服務、非工業解決方案發揮輔助作用，該組態典型案例如吉安。

（3）邊緣—云服務—核心平臺協同驅動型（M3a和M3b）。組態M3a表明，邊緣基礎設施、云服務和工業PaaS解決方案發揮核心作用，數據決策優化發揮輔助作用，在該組態路徑下，通過“邊緣層—云服務—核心工業平臺”三維協同驅動，營造數字場域空間，促進工業現場海量數據高效采集與上云重構，精準挖掘客戶需求并提供多樣化服務，由此提高數據要素利用效益。該組態典型案例如清遠等城市。組態M3b與M3a相比，工業大數據平臺缺失，通用平臺架構成為輔助條件，核心條件不變，該組態典型案例如常德。

3.1.2.2 數據要素維護組態分析

全平臺驅動型（N1a）。經分析可知，存在一條實現數據要素運營與維護的路徑，即“邊緣層—云服務—大數據—核心工業平臺”全維度協同路徑。不同于數據要素應用組態路徑，在該路徑下，工業大數據平臺的重要性凸顯，通過數據融合驅動，實現智能分析、深度學習及決策優化，增強企業應對不確定市場的韌性與靈活性，進一步提高數據要素處理與維護水平。該組態典型案例如北京、上海、蘇州等地。

3.1.2.3 數字人才集聚組態分析

（1）邊緣—大數據平臺驅動型（S1a和S1a）。組態S1a表明，邊緣計算和大數據采集分析為核心條件，云服務和工業PaaS解決方案為輔助條件。在該組態路徑下，大量邊緣智能及大數據處理需求的增加，增強了對數字處理人才的需求，倒逼勞動者素質提高與結構調整。該組態典型城市如北京、上海、深圳等。組態M3b與其相比，核心條件不變，數據決策優化、通用平臺架構等發揮輔助作用。

（2）非高云服務下解決方案驅動型（S2a）。組態S2a表明，邊緣計算、數據決策優化、通用平臺架構和工業PaaS解決方案發揮核心作用，非云服務、邊緣基礎設施發揮輔助作用。該組態表明，即使云服務平臺建構不完善，制造企業也能通過良好的分布式平臺（邊緣層—大數據—核心平臺）推動制造業數字化轉型、新業態新產業發展，繼而加大對高學歷、高技術人才的需求，促進數字人才集聚，該組態典型案例如承德。

（3）非高大數據下分布式平臺驅動型（S3a）。組態S3a中邊緣計算、數據決策優化和工業PaaS解決方案為核心條件，非高大數據采集分析和非工業PaaS解決方案等發揮輔助作用。即使大數據采集和工業解決方案平臺建構不完善，通過邊緣層、通用平臺架構等分布式平臺聯動與模塊化自由組合，也能形成靈活便捷的研發生態架構，釋放數據要素價值，促進數字人才集聚，該組態典型案例如吉安。

3.1.3 穩健性檢驗

為提高研究結論的可靠性，本文通過改變頻數（將1提高至2）、改變一致性閾值（將0.75提高至0.8）進行穩健性檢驗（見表4和表5），產生組態與前文基本一致，表明研究結論穩健。

3.2 工業互聯網平臺、數據要素對新質生產力的復雜"" 影響

工業互聯網平臺具備要素互通、泛在連接、云服務等特征，其對某一地區新質生產力的作用并非獨立存在的，可能與其它地區存在關聯^[28]，故選取空間滯后模型進行分析。

3.2.1 回歸分析

為檢驗變量是否具有空間相關性，使用地理空間權重矩陣計算Moran′I 指數。結果表明，考察期新質生產力Moran′I指數顯著為正（Moran′I=0.042，Z=8.821），即存在正向空間相關性，對鄰近地區產生輻射作用。進一步，對每個組態依次進行回歸分析，由方差膨脹系數VIF檢驗變量共線性，VIF均小于10，表明不存在嚴重的多重共線性問題。表6列示了工業互聯網平臺組態路徑對新質生產力的影響，結果顯示各組態路徑影響效應存在差異。其中，組態M1b、N1a、S1a、S1b系數顯著為正，能夠推動新質生產力發展。其余組態系數顯著為負，即數據要素等新型生產資料的作用未得到充分發揮，未促進新質生產力發展。

3.2.2 穩健性檢驗

為驗證研究結果的穩健性，設計兩種穩健性檢驗方法：一是為削弱極端值對估計結果造成的不良影響，借鑒陳福中等^[28]的做法，對新質生產力發展變量進行1%和99%的縮尾處理。二是替換被解釋變量，參考肖有智等^[29]的做法，用政府工作報告中新質生產力總詞頻數作為替換變量重新進行回歸，結果未發生顯著性改變（限于篇幅，穩健性檢驗結果不再一一列示）。

3.2.3 機制分析

為進一步識別不同組態路徑對新質生產力的影響機制，基于空間中介模型進行分析。

（1）數據要素應用機制。表7中第（1）—（6）列為數據要素應用機制的檢驗結果。從中可見，組態M1b以及data1的回歸系數顯著為正，表明組態M1b通過數據要素應用促進新質生產力發展。具體而言，通過搭建云服務—核心平臺雙輪驅動平臺，實現對海量數據的高效挖掘、彈性化存儲和定制化服務，顯著提升數據要素應用效率，促進企業生產流程數字化轉型和智能化升級，為新質生產力發展提供堅實的技術支撐和創新基礎。

（2）數據要素維護機制。表7列（7）為數據要素維護機制檢驗結果。結果顯示，組態N1a以及data2的回歸系數顯著為正，表明組態N1a通過數據要素處理與維護促進新質生產力發展。即通過搭建全平臺驅動型工業互聯網平臺，充分利用云成本管理、預測決策算法、多方安全技術，實現對海量工業數據的有效采集、存儲、分析與應用，提升數據要素處理與維護水平，為企業提供精準的運營優化方案，促進產業鏈高效整合，進而促進新質生產力發展。

（3）數字人才集聚機制。表7第（8）—（11）列為數字人才集聚機制檢驗結果。組態S1a、S1b及數字人才集聚的回歸系數顯著為正，表明上述組態通過推動數字人才集聚促進新質生產力發展。即通過搭建以邊緣層—大數據為核心的工業互聯網平臺，優化產業鏈資源配置方式，加快新業態新產業培育，吸引更多數字人才集聚，為新質生產力發展提供新型要素資料和勞動力。同時，隨著邊緣計算、深度學習等技術的快速發展，對數字人才提出更高要求，倒逼數字人才學習和技能升級，助力新質生產力發展。

綜上所述，組態M1b（云服務—核心平臺驅動型）、組態N1a（全平臺驅動型）、組態S1a和S1b（邊緣—大數據平臺驅動型）能夠充分釋放數據要素價值，進而驅動新質生產力發展。其它組態路徑由于架構不完善，在提升數據要素水平的同時，不足以實現生產力質變。以組態M2a（邊緣計算驅動型）為例，該組態路徑為“高邊緣基礎設施*高邊緣計算*非高云服務*高數據決策優化*高通用平臺架構*高PaaS解決方案”，即通過良好的邊緣計算平臺、核心平臺架構建設一定程度上可實現對工業現場數據的便捷采集、互聯與本地即時分析，加速數據要素低成本互聯與價值釋放，但該路徑下非高云服務發揮輔助作用，云服務平臺建構不佳，可能導致企業“上云”困難，難以獲取協同作業進度，無法滿足市場需求及消費者偏好，最終不利于新質生產力發展。

4 結論與啟示

4.1 研究結論

數字經濟背景下，建設工業互聯網平臺以推動新質生產力發展尤為重要。選取中國內地278個地級市為研究對象，結合組態視角與復雜性關系理論，采用混合QCA和空間回歸分析方法，深入分析數據要素視角下工業互聯網平臺如何驅動新質生產力發展，得出如下結論：

（1）組態分析結果表明，各平臺以“殊途同歸”方式釋放數據要素價值。具體而言，數據要素應用存在6條路徑，可歸納為云服務—核心平臺驅動型、邊緣計算驅動型、邊緣—云服務—核心平臺驅動型3種模式。數據要素維護存在一條路徑，即全平臺驅動型。數字人才集聚存在4條路徑，可歸納為邊緣—大數據平臺驅動型、非高云服務下分布式平臺驅動型、非高大數據下分布式平臺驅動型3種模式。

（2）復雜中介機制檢驗結果表明，云服務—核心平臺驅動型、全平臺驅動型、邊緣—大數據平臺驅動型3類組態充分釋放了數據要素價值，進而驅動新質生產力發展。但由于部分架構不完善，在提高數據要素水平的同時，存在企業“上云”困難、平臺研發架構不靈活、數據資料運用效率低等問題，不足以實現生產力質變。

4.2 理論貢獻

（1）從工業互聯網平臺獨特屬性出發，關注工業互聯網平臺協同組合驅動新質生產力發展這一復雜問題，與之前研究將產業平臺視為籠統整體顯著不同，拓展了數字平臺研究內容和應用場景。

（2）引入數據要素視角，結合組態思想與復雜性關系理論，深入揭示不同工業互聯網平臺組態通過釋放數據要素價值驅動新質生產力間發展的復雜關系和作用機制，為平臺建設、數據要素與新質生產力關系研究提供了新思路，對促進新質生產力發展具有重要意義。

（3）結合QCA和空間回歸分析方法，為分析復雜中介問題提供了新思路和新方法，拓展了數字化情境下復雜中介模型的應用。采用QCA方法識別工業互聯網平臺與數據要素的復雜因果關系，采用空間中介回歸模型揭示平臺組態對新質生產力的影響，深入探究平臺組態影響新質生產力的作用效果，拓展了中介模型分析復雜系統問題的深度和廣度。

4.3 實踐啟示

根據上述研究結論，本文提出如下啟示：

（1）著力打造多層次工業互聯網平臺體系，促進新質生產力發展。在復雜系統觀下，新質生產力發展由多平臺組合驅動，要把握各平臺“百花齊放”與“組合集中”，避免出現單一平臺建構的發展困境。明確邊緣層、云服務層、大數據層及核心工業平臺的功能和定位，確保各層級之間的協同和數據流通，夯實邊緣層數字基礎設施與邊緣計算效率，優化云服務層的云服務質量，確保云端安全性與可靠性，提高海量數據采集、分析與決策能力，增強核心工業平臺層面向特定細分行業提供具體解決方案的能力。

（2）加強對數據要素的持續積累、應用與維護。推動工業互聯網平臺及相關應用持續賦能更多行業、更廣領域，加速構建制造業數據生態圈與工業數據空間，通過數據多場景復用創造更加豐富的應用場景，讓數據在千行百業“用起來”，激活數據要素潛能。同時，加強員工數字技能和數字素養培訓，促使員工適應數字化工作環境，充分利用數字工具和資源，盡快跨越企業轉型升級的數字鴻溝，最終促進新質生產力發展。

（3）堅持系統觀念，圍繞“數字中國”戰略，做好工業互聯網、數字化轉型與新質生產力發展等政策銜接與融合。工業互聯網平臺建構與研發投入巨大，應打通多元支持政策，包括新型基礎設施建設與融資、各類產業引導基金、數字確權與網絡安全、數字人才培養、平臺生態培育等，從平臺資金供給轉向應用場景落地。

4.4 不足與展望

本文存在以下不足：第一，受限于數據，僅關注專利數據表征的工業互聯網平臺，在前因條件選擇與維度劃分上存在一定片面性，會影響結論的可推廣性。未來可拓展工業互聯網平臺前因條件因素，更加全面地挖掘，以提高研究結論的普適性。第二，缺乏對內生性問題的深入討論，在考慮Xi-M-Y因果鏈時可能存在反向因果、遺漏變量、樣本選擇偏誤等問題，未來可采用工具變量法、傾向得分匹配等方法進一步討論內生性問題。

參考文獻：

[1] WOLLSCHLAEGER M， SAUTER T， JASPERNEITE J. The future of industrial communication： automation networks in the era of the internet of things and industry 4.0[J]. IEEE Industrial Electronics Magazine， 2017，11（1）：17-27.

[2] 王節祥， 陳威如， 龔奕潼， 等. 工業互聯網平臺構建中如何應對“個性與共性”矛盾——基于樹根互聯的案例研究[J]. 管理世界， 2024， 40（1）： 155-180.

[3] 鈔小靜， 周文慧， 劉亞穎.工業互聯網與制造業企業全要素生產率[J]. 經濟管理， 2024， 46（7）： 5-19.

[4] 呂文晶， 陳勁， 劉進. 工業互聯網的智能制造模式與企業平臺建設——基于海爾集團的案例研究[J]. 中國軟科學，2019，34（7）：1-13.

[5] 王水蓮，付晗涵.工業互聯網平臺主導的創新生態系統價值共創機制——以海爾卡奧斯為例[J/OL].科技進步與對策，1-9[2024-12-27].http：//kns.cnki.net/kcms/detail/42.1224.g3.20240410.1501.028.html.

[6] LI H， YANG Z 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.

[7] 任保平.工業互聯網發展的本質與態勢分析[J].人民論壇，2021，30（18）：88-91.

[8] 孫新波， 劉劍橋， 張明超， 等. 工業互聯網平臺賦能參與型制造企業價值鏈數字重構績效的組態分析[J]. 管理學報， 2024， 21（6）： 811-820.

[9] ARNOLD C， KIEL D， VOIGT K I.How the industrial internet of things changes business models in different manufacturing industries[J]. International Journal of Innovation Management， 2016， 20（8）：5-35.

[10] HOFMAN E， HALMAN J I M， LOOY B V.Do design rules facilitate or complicate architectural innovation in innovation alliance networks[J].Research Policy， 2016， 45（7）： 1436-1448.

[11] WEI R， GEIGER S， VIZE R.Managing paradoxical tensions in platform-based modular solution networks[J]. Industrial Marketing Management， 2022，100：96-111.

[12] GUTH J， BREITENBUCHER U， FALKENTHAL M， et al. A detailed analysis of IoT platform architectures： concepts， similarities， and differences[J]. Internet of Everything： Algorithms， Methodologies， Technologies and Perspectives， 2018，5（4）：81-101.

[13] 陳武， 陳建安， 李燕萍. 工業互聯網平臺：內涵、演化與賦能[J]. 經濟管理， 2022， 44（5）： 189-208.

[14] FERNANDEZ-ROVIRA C， VALDES J A， MOLLEVI G， et al. The digital transformation of business. towards the datafication of the relationship with customers[J]. Technological Forecasting and Social Change， 2021， 162： 120339.

[15] HUO B， HAQ M Z U， GU M. The impact of information sharing on supply chain learning and flexibility performance[J]. International Journal of Production Research， 2021， 59（5）： 1411-1434.

[16] ZAKI M. Digital transformation harnessing digital technologies for the next generation of service[J]. Journal of Services Marketing， 2019， 33（4）： 429-435.

[17] SENYO P K， LIU K， EFFAH J. Digital business ecosystem： literature review and a framework for future research[J]. International Journal of Information Management， 2019， 47： 52-64.

[18] LENKA S， PARIDA V， WINCENT J. Digitalization capabilities as enablers of value co-creation in servitizing firms[J]. Psychology amp; Marketing， 2017， 34（1）： 92-100.

[19] 焦豪. 數字平臺生態觀：數字經濟時代的管理理論新視角[J]. 中國工業經濟， 2023，41（7）： 122-141.

[20] XING. The knowledge system of composite talents based on the development of virtual digital people[J]. Journal of Electrical Systems， 2024， 20（7s）： 3386-3399.

[21] 譚洪波， 耿志超. 數據要素驅動新質生產力：理論邏輯、現實挑戰和推進路徑[J].價格理論與實踐， 2024，44（5）： 39-44，145.

[22] 焦方義， 杜瑄. 數據要素加快新質生產力發展的政治經濟學分析[J]. 現代經濟探討， 2024，43（8）： 1-13，43.

[23] MEUER J， RUPIETTA C. Integrating QCA and HLM for multilevel research on organizational configurations[J]. Organizational Research Methods， 2017， 20（2）： 324-342.

[24] 周密， 王雷， 郭佳宏. 新質生產力背景下數實融合的測算與時空比較——基于專利共分類方法的研究[J].數量經濟技術經濟研究， 2024， 41（7）： 5-27.

[25] 王玨， 王榮基. 新質生產力：指標構建與時空演進[J]. 西安財經大學學報， 2024， 37 （1）： 31-47.

[26] 陽楊，郭佳欽，王少國.新質生產力、創業活躍度與城市高質量發展[J].科技進步與對策，2024，41（22）：1-12.

[27] 韓文龍，張瑞生，趙峰.新質生產力水平測算與中國經濟增長新動能[J].數量經濟技術經濟研究，2024，41（6）：5-25.

[28] 陳福中，蔣國海，董康銀.數字經濟對制造業綠色轉型的空間溢出效應[J]. 中國人口·資源與環境， 2024， 34（5）： 114-125.

[29] 肖有智， 張曉蘭， 劉欣. 新質生產力與企業內部薪酬差距——基于共享發展視角[J]. 經濟評論， 2024，44（3）： 75-91.

（責任編輯：王敬敏）

How Industrial Internet Platform Drives the Development of New Quality Productive Forces： The Perspective of Data Elements

Sun Daming1， Hu Sumin1， Zhu Tianyi1， Huang Jingjing2

（1.Business School， Suzhou University of Science and Technology， Suzhou 215009， China;2.School of Economics and Management， Nanjing University of Science and Technology， Nanjing 210094， China）

Abstract：In the context of digital China， how to build a strong industrial internet platform to promote the development of new quality productive forces is particularly important. As the product of the deep integration of digitalization and industrialization under the new industrial revolution， the industrial internet platform can realize the ubiquitous connection， flexible supply， and intelligent decision-making of manufacturing resources and is a strategic infrastructure to accelerate the formation of new quality productive forces. At present， how to build an effective industrial internet platform architecture to bridge the gap in the use of data elements and promote the development of new quality productive forces is a key problem to be solved.

This study selects 278 cities in China as research samples， and employs a mixed-methods approach， integrating qualitative comparative analysis with regression analysis， to develop a sophisticated mediation model. This methodology is designed to provide a comprehensive view of the intricate interactions among variables. The study combines the relationship between configuration perspective and complexity， and uses mixed QCA and spatial regression analysis methods to analyze how the industrial internet platform drives the development of new quality productive forces from the perspective of data elements in a more granular manner. The results show that （1） the configuration analysis shows that all industrial internet platforms fully release the value of data elements in the way of \"different paths lead to the same goal\". Specifically， there are six paths for data element application， which can be classified into three modes： cloud service-core platform-driven， edge computing-driven， and edge-cloud service-core platform-driven. There is only one path for data element maintenance， which is platform driven. While there are four paths for the aggregation of digital talents， which can be classified into three modes： edge-big data platform-driven， distributed platform-driven under non-high cloud services， and distributed platform-driven under non-high data. （2） The complex intermediary mechanism shows that the four configurations of cloud service-core platform-driven， full platform-driven， and edge-big data platform-driven fully unleash the value of data elements， thereby driving the development of new quality productive forces. However， due to some incomplete architectures， while improving data elements， there are still difficulties in enterprise cloud migration， inflexible platform architecture， and low data utilization efficiency， which is insufficient to achieve a qualitative enhancement in productivity.

The article's marginal contributions are threefold. First， it pioneers a shift in focus from viewing industrial internet platforms as monolithic entities to recognizing them as collaborative ecosystems of sub-platforms， driving the evolution of new quality productive forces. This approach significantly diverges from traditional research， thereby broadening the scope and application range of digital platform studies. Second， it innovatively introduces the perspective of data elements， combines the relationship between configuration ideas and complexity， and reveals the complex relationship between the configuration of industrial internet platform and the development of new quality productive forces in a more granular way， which has important practical significance for the development of new quality productive forces in China under the complex system view. Third， this study develops a hybrid method of QCA and spatial regression analysis， providing new ideas and methods for analyzing complex mediation problems and expanding the statistical applications of complex mediation models in digital contexts.

The management implications are as follows：First， from the perspective of complex systems， it is necessary to grasp the \"diversity of platforms\" and \"concentration of combinations\" to avoid the development dilemma of constructing a single platform. Second， it is imperative to expedite the ongoing cycle of data element accumulation， application， maintenance， and development. This proactive management of data elements will empower industrial internet platforms and their applications to extend their reach into a broader range of industries and domains. Third， it is essential to adhere to the concept of the system， focus on the grand strategy of \"digital China\" ，and advance the convergence and integration of policies related to industrial Internet， digital transformation and the development of new quality productive forces.

Key Words：Industrial Internet Platform; New Quality Productive Forces; Data Elements; Mixed Methods

基金項目：國家自然科學基金青年項目（71904085）；江蘇省高校哲學社會科學項目（2021SJA1388）；遼寧省社會科學規劃基金項目（L23BGL001）

作者簡介：孫大明（1991—），女，遼寧葫蘆島人，博士，蘇州科技大學商學院講師，研究方向為數字創新；胡蘇敏（1993—），女，江蘇蘇州人，博士，蘇州科技大學商學院講師，研究方向為創新管理；朱天一（1979—），女，江蘇蘇州人，博士，蘇州科技大學商學院講師，研究方向為數字經濟；黃菁菁（1988—），女，廣西河池人，博士，南京理工大學經濟管理學院副教授，研究方向為創新管理。本文通訊作者：朱天一。