忘卻學習視角下企業數字化轉型的多重路徑分析
——基于機器學習算法

方 剛，高 安

（杭州電子科技大學管理學院，浙江杭州 310018）

當前有大量的企業開展數字化轉型，但其中仍有近七成企業的轉型實踐以失敗告終［1］。當前研究企業如何實現數字化轉型的文獻數量也日益增加，但多是從資源和能力層面展開討論，忽視了組織學習這一更深層次的驅動因素［2］，而從組織學習的角度探討企業如何實現數字化轉型或許能為解決當前我國傳統企業數字化轉型難的問題提供新思路。不同于漸進性的技術和管理創新，企業數字化轉型是由工業化向數字化、智能化轉變的根本性變革［3］，企業必須主動拋棄在以往范式下所積累的過時的觀念和慣例，并主動學習適用于數字技術范式下的新技術、新思想［4］，通過忘卻學習實現組織知識的更新［5］。因此，研究企業如何通過忘卻學習實現數字化轉型具有理論和實踐意義［6］。然而現有相關文獻中存在一些欠缺：一是大多是俯瞰性的結論，難以“對癥下藥”。普適性的數字化轉型路徑不能充分考慮到企業個體間的差異，會導致數字技術和企業難以實現有機融合，在個別企業中甚至產生了負作用［7］。二是大多將數字化轉型作為單一變量進行研究，忽視了數字化轉型是一個漫長且充滿試錯的過程［8］，事實上，數字化轉型的階段性特征十分明顯［9］。因此，識別不同企業的特征及其轉型所處的階段，回答“何種類型的企業在何種階段適合采用何種學習方式來實現數字化轉型”的問題，為企業提供具體而有針對性的轉型指導是本研究的主要目的。

1 研究背景

行業數字化程度與地區數字經濟發展水平是影響企業數字化轉型決策的重要外部因素［10］，來自業內激烈的競爭或是地區政策導向與制度壓力常使企業面臨進退兩難的抉擇。同樣的，企業年齡等來自企業內部的因素同樣會影響其創新活動［11］。然而，即使企業最終決定開展數字化轉型，并非能夠一蹴而就，漫長的轉型之路要求企業制定明晰的戰略規劃和科學的轉型節奏［12］。縱觀當前企業的數字化轉型路徑，基本遵循“設計—實施—反饋”三階段［9］。因此，在現有文獻基礎上將行業數字化程度、地區數字經濟發展水平以及企業年齡作為企業類型的劃分依據，將戰略制定、轉型實施、評估迭代作為企業轉型的3 個階段，利用機器學習算法獲取不同類型的企業在轉型不同階段采用的學習方式。

那么，為什么要采用機器學習算法來進行研究？首先，相關實證研究常用的回歸模型需要假設變量之間具有特定的函數形式（如線性或“U”型），但僅通過線性回歸或結構方程等線性關系來驗證假設的方式在合理性方面本就存疑［13］，簡單的函數形式也常使研究結論難以解釋樣本之外的案例；相比之下，機器學習方法無需事先設定函數形式，在大樣本情形下能夠發掘出更為復雜的規律，提升結論的泛化能力。其次，盡管機器學習方法使得變量間的函數關系成為“黑箱”，但仍為我們提供了驗證理論假設的新途徑：不同于傳統回歸方法比較函數中自變量系數的方式，機器學習方法能夠通過輸出變量，在模型中對結果準確性的貢獻度來反映不同學習方式對數字化轉型的重要程度［14］，從另一角度實現研究目的。

2 理論分析與研究假設

2.1 地區數字經濟發展水平對企業數字化轉型的影響

地區數字經濟發展水平對企業數字化轉型的影響在于兩方面。一是地區制度壓力的推動。數字經濟發展水平較高的地區往往擁有完善的數字基礎設施，地區內企業開展數字化轉型具有成本優勢，同時當地政府往往會為企業提供扶持性與引導性政策，吸引區域內大量企業開展數字化轉型，逐步形成區域數字化制度和數字化生態系統［15］；此后，數字化制度壓力推動區域內其他企業通過數字化轉型融入生態系統而避免被淘汰。二是地區同群企業的拉動。體現在區域內的競爭使得企業傾向于通過模仿對手的行為而避免自身失去競爭優勢［16］，對于數字經濟發展水平高的地區，當競爭對手尤其是地區龍頭企業選擇數字化戰略時，同群其他企業基于降低決策風險的考慮往往會選擇跟隨。綜上提出假設：

H1：地區數字經濟發展水平是影響企業數字化轉型決策的因素之一。

2.2 行業數字化程度對企業數字化轉型的影響。

行業數字化程度對企業數字化轉型的影響在于兩方面。一是行業數字化程度影響企業實現數字化轉型的管理模式跨度。如處于建筑業、運輸業等數字化程度較低行業的企業中，科層制的組織架構、追求穩定的組織文化十分常見，這使得這類企業缺乏戰略柔性，當數字化帶來的沖擊尚未打破行業穩定，數字化轉型對提高企業績效的影響尚不明朗，貿然拋棄多年積累的觀念和慣例并不被企業管理者接受［17］；而對于軟件和信息技術服務業等數字化程度高的行業，產品迭代快、競爭強度大的特點促使行業內大量企業形成扁平高效的組織結構以及擁抱創新的組織文化，當行業內競爭對手的數字化轉型帶來示范效應，往往會有很多企業對其進行學習和模仿并逐漸實現同質化和規范化，而那些不主動跟隨的企業將面臨被行業淘汰的風險［10］。二是行業數字化程度影響實現轉型的技術跨度。對于行業數字化程度低的企業，其原有技術標準、生產規范等知識和慣例在轉型過程中的復用程度低，更寬的技術跨度意味著更高的風險和試錯成本，挑戰了多個部門的利益，使得自上而下的轉型戰略往往難以推行［18］；而對于行業數字化程度高的企業，其業務對于數字技術的依賴程度高，數字化轉型帶來的技術跨度小，較高的投入產出效率有助于各部門利益達成一致，便于企業開展新設備的購置與建造、信息系統的建設和技術知識的培訓學習，實現全局性的數字化轉型［19］。綜上提出假設：

H2：行業數字化程度是影響企業數字化轉型決策的因素之一。

2.3 企業年齡對企業數字化轉型的影響

企業年齡能夠代表其行業經驗的豐富程度［20］，通常而言，年齡越大的企業所擁有的資源和經驗越豐富。但對于數字化轉型等技術創新活動來講，年齡因素或許會對企業產生倒“U”型影響。具體而言，年齡較小的初創企業，其行業實力和經驗有所欠缺，研發投資風險更大［20］，但路徑依賴程度低，對于先進的數字化技術和知識具有很強的吸收能力；而年齡較大的老牌企業，在傳統行業多年的深耕使其形成獨有的技術和管理體系，擁有較強的處理不確定性的能力，但所積累的技術壁壘在其數字化轉型時往往形成阻礙［11］，制約轉型活動的開展。綜上提出假設：

H3：企業年齡是影響企業數字化轉型決策的因素之一。

2.4 忘卻學習——企業數字化轉型的有效途徑

以往從資源能力視角探討數字化轉型的實現路徑往往局限在具體的資源或能力，從而得出較為片面的結論［2］。組織學習是實現企業數字化轉型這一跨范式變革的重要方式［3］，企業在學習新知識前需要首先對不再適用的舊知識進行忘卻，才能表現出更強的適應性和創新性。本研究中所指的忘卻學習，既包括對舊知識的拋棄，也有對新知識的主動學習，并沿用Gabriel 等［21］學者的劃分方式，將忘卻學習分為利用式忘卻學習和探索式忘卻學習。綜上提出假設：

H4：企業數字化轉型會開展利用式忘卻學習。

H5：企業數字化轉型會開展探索式忘卻學習。

3 研究設計

3.1 研究方法

首先運用文獻分析法總結企業在數字化轉型過程中的相似行為，將企業數字化轉型劃分為3 個階段，其次運用K-means 算法將數字化轉型企業依據行業數字化程度、地區數字經濟發展水平和企業年齡3 個維度劃分不同群組，最后運用輕量級梯度提升機算法（light gradient boosting machine，LightGBM）分別構建兩類忘卻學習對企業數字化轉型不同階段影響關系模型，通過自變量（兩類忘卻學習）在各個模型中的貢獻度（貢獻度越高，該變量對于結果的影響程度越大）來解釋不同類型企業在不同的轉型階段適合開展的學習方式。

3.2 企業數字化轉型的階段劃分

現有關于轉型階段的研究方法主要可歸納為案例研究法和歸納總結法，分別有如陳國權等［22］和Ekman 等［23］的研究，前者通過對單個企業的數字化轉型進行詳細的案例分析，得出其具體行為路徑，能夠為目標企業提出有針對性且詳細的建議，但缺乏普適性；后者通過匯總多家企業數字化轉型相關的文獻或案例，提煉企業間相似的行為特征并總結為階段模型，盡管對于具體階段的命名有差異，但普遍遵循“設計—實施—反饋”的分析邏輯。因此，本研究在運用歸納總結法的相關文獻基礎上，將企業數字化轉型劃分為戰略制定、轉型實施、評估迭代3 個階段（見圖1）。在戰略制定階段，管理者拋棄陳舊的觀念，吸納更加開放的文化和思想，設立長遠的數字化轉型目標，優化組織結構并營造變革的氛圍；在轉型實施階段，企業拋棄傳統低效的工作流程，引入信息化資產搭建數字基礎設施，并學習利用數字技術解決業務問題；在評估迭代階段，企業通過評估數字化轉型的成果與不足，發現業務流程中尚未優化的環節，進一步除舊布新。

圖1 企業數字化轉型的階段劃分

3.3 樣本選擇和數據來源

鑒于我國企業數字化轉型熱潮的掀起始于2016年G20 峰會之后，因此選取2017—2021 年A 股上市企業為樣本，數據來源于CSMAR 數據庫、國家統計局和國家工業信息安全發展研究中心。在獲得26 428 條初步數據后，依下列次序進行數據處理，共獲得1 353 家企業2 401 條樣本數據。

（1）去除標記為ST、*ST、PT 的異常企業樣本；

（2）去除資產負債率大于1（資不抵債）的樣本；

（3）去除存在數據維度缺失的樣本；

（4）去除距離樣本均值超過3 倍標準差的極端值；

（5）去除互聯網行業的企業（認為此類企業本身數字化程度較高，未開展數字化轉型）；

（6）去除年報中數字化轉型相關詞頻為0 的樣本（認為此類企業未開展數字化轉型）。

3.4 變量測量方式

3.4.1 聚類維度

（1）行業數字化程度（IDT）。借鑒陳玉嬌等［10］的測量方式，采用企業所處行業對計算機制造業和信息服務行業的完全消耗系數（計算機制造業和信息服務業投入到各行業的中間品占各行業增加值的比重）作為行業數字化程度指標。

（2）地區數字經濟發展水平（RDT）。我國國家工業信息安全發展研究中心［24］發布的《全國數字經濟發展指數（2021）》顯示，31 個省區市（未含港澳臺地區）的數字經濟發展水平同當地人均生產總值（GDP）高度正相關，因此取企業所在省區市2017—2021 年的人均GDP 作為地區數字經濟發展水平指標。

（3）企業年齡（AGE）。借鑒鄭登攀等［11］的測量方式，采用企業從注冊年份到2021 年的時間。

由于上述數據在各個維度內不存在極端值，但不同維度間的量綱差異較大，因此適合采用歸一化處理，將各維度數據均轉化為［0,1］之間的變量。

3.4.2 特征變量

（1）利用式忘卻學習（LW）和探索式忘卻學習（TW）。知識在組織中有不同的載體，或存在于專利、技術手冊中，或物化在機器設備上，組織知識存量的變動通常以資產變動的形式體現［25］。利用式忘卻學習意味對舊知識的拋棄，因此選用（企業處置固定資產、無形資產和其他長期資產收回的現金凈額）/總資產來測量；探索式忘卻學習意味對新知識的吸收，因此選用（企業購建固定資產、無形資產和其他長期資產支付的現金凈額）/總資產來測量。

3.4.3 結果變量

（1）戰略制定（DS）。企業的戰略規劃會在其年報中體現，對上市企業年報進行文本分析可以了解其戰略導向，因此以企業年報文本中與數字化轉型相關詞的詞頻表示［26］。表1 列舉了數字化轉型企業在戰略制定階段所采用的關鍵詞。

表1 企業數字化轉型相關關鍵詞

（2）轉型實施（DZ）。轉型實施階段主要測算數字基礎設施（計算機、電子設備、信息系統等軟硬件資產）在企業中的應用程度，因此沿用劉飛［26］的測量方式，以企業本年度購進數字資產占總資產的比例作為指標。

（3）評估迭代（DP）。評估迭代階段主要測算數字化轉型對企業績效的影響程度。有文獻指出，企業數字化轉型帶來的積極或消極效應均會反映到其經濟效益指標上,但該影響存在滯后性［27］。考慮到企業規模的不同，在劉淑春等［27］測量利潤額的基礎上，以（企業t+1 期凈利率-t期凈利率）（t為年份）作為測算指標。

3.5 K-means 聚類分析

借助基于Python 語言的機器學習庫Scikit-learn實現K-means 聚類分析，從行業數字化程度、地區數字經濟發展水平以及企業年齡3 個維度確定樣本在空間中的位置，并以此對群體進行聚類。

3.5.1 群組個數的選擇

由于K-means 算法需要人為事先規定k值（聚類簇數），主觀為k賦值往往帶來聚類結果的不科學性，因此Rousseeuw［28］提出通過計算輪廓系數（silhouette coefficient，SC）來評價聚類結果的好壞，當前k 值下的輪廓系數越大，意味聚類效果越好（不同群組間的差異最大）。基于樣本數據，通過對k分別在［2,10］區間內賦值并計算各自的輪廓系數，得出不同k值下的輪廓系數的變化趨勢，結果如圖2 顯示，當k取3 時聚類效果最好，因此選取k=3 開展分析。

圖2 不同k 值下樣本數據的輪廓系數

3.5.2 K-means 聚類結果

將參數k=3 輸入聚類模型，運行后聚類結果如圖3 所示。

圖3 樣本數字化轉型企業的聚類結果

聚類中心能夠反映不同群組在空間中的分布情況，表2 展示了樣本企業聚類結果中各群組的聚類中心坐標。結果顯示：群組1 表現為高行業數字化程度與高地區數字經濟發展水平；群組2 表現為高行業數字化程度與低地區數字經濟發展水平；群組3 表現為低行業數字化程度與高地區數字經濟發展水平。值得一提的是，3 類群組在企業年齡維度下均表現出較為中間的水平，這在一定程度上驗證了年齡因素對企業創新績效的倒“U”型影響。一種可能的原因是，企業年齡通常能夠反映企業的行業經驗［20］，盡管豐富的行業經驗意味著企業具有高超的技術能力和較多的資源，但對于成熟企業來講，限制其后期發展的反而是技術剛性問題［11］。同樣的，初創型企業受制于較差的技術創新和抗風險能力，也注定會在數字化轉型上表現出猶豫，因此，行業追隨者企業或許成為轉型機會窗口的主要受益者，組成數字化轉型的主力軍。

表2 樣本數字化轉型企業各群組的聚類中心坐標

在限定企業年齡維度的前提下，根據樣本企業各群組在行業數字化成熟度、地區數字經濟發展水平維度下的不同水平，依次對其進行命名：

（1）行業和地區雙贏型（群組1）。表3 展示了行業和地區雙贏型企業的基本特征。此類企業占總樣本的62.9%，是比重最高的群組，說明同時具有地區和行業雙重優勢的企業更傾向于數字化轉型。此類企業主要特征表現為：一方面，處于珠三角、長三角以及直轄市等地區，當地數字經濟發展水平高、數字基礎設施完善、數字經濟相關政策導向強；另一方面，深耕于軟件和信息技術服務業、計算機、通信和其他電子設備制造業等科技水平含量高、產品更新迭代快、業內競爭壓力大的高新技術行業，大多為高新技術行業領先者，較早嗅覺數字經濟趨勢并率先進行戰略布局，注重前沿技術創新，在數字化轉型方面具有很強的主動性，將數字化轉型視為降本增效、帶來持續競爭優勢的有效途徑。

表3 行業和地區雙贏型數字化轉型企業的基本特征

（2）行業優勢型（群組2）。表4 展示了行業優勢型企業的基本特征。此類企業在樣本中的比例為21.6%，與行業和地區雙贏型企業處在同一產業鏈，但企業規模相對較小，一般承擔前者的資源供給者或代工方的角色，因此更加注重固定資產投入。行業的先進性和激烈的競爭氛圍促使此類企業養成了較強的知識吸收能力，但其大多處于中西部地區，相較于前者往往受限于當地較為薄弱的數字基礎設施和有限的政策紅利。其轉型動機源于行業和地區雙贏型企業大量轉型產生的業務帶動效應，具有很強的跟隨和模仿性。產業鏈數字化對此類企業的生產方式提出了新的要求，管理者逐漸感知到產業鏈帶來的壓力，當行業領先者提供了數字化轉型的示范效應，模仿是此類企業提升競爭力的重要途徑。

表4 行業優勢型數字化轉型企業的基本特征

（3）地區優勢型（群組3）。表5 展示了地區優勢型企業的基本特征。此類企業占據了15.5%，多數為經濟發達地區傳統行業的大型央國企及其生態企業，具有復雜的組織架構并面臨較強的路徑依賴。此類企業的數字化轉型具有很強的被動性，源于發達地區新的數字化生態系統對企業的合法性約束以及制度壓力，其較為復雜的組織架構以及數字化轉型帶來的跨越式技術變革也使其相對于前兩類具有行業優勢的企業群組面臨更大的風險，因此不同于前兩類企業追求數字化轉型的效率，其更為看重數字化轉型過程中組織和業務的穩定，同時較大的企業規模也使得其對于數字化轉型成本的敏感度較低。

表5 地區優勢型數字化轉型企業的基本特征

3.6 LightGBM 回歸分析

3.6.1 方法選擇

采用機器學習LightGBM 算法對樣本進行擬合，原因在于兩方面：一方面，數字化轉型是一種復雜且動態的變革，各要素的協同整合使得其難以通過基于函數關系構建的回歸模型進行描述；另一方面，本研究的目的是探究不同類型企業在數字化轉型各階段中采用的主要忘卻學習方式，最終組成企業數字化轉型路徑。借助機器學習模型雖然無法直接獲取變量間的函數關系，但可以獲取自變量間的相對重要性，自變量重要性越高則該變量對因變量的影響就越大［29］。因此，采用機器學習中LightGBM 回歸算法分別對上述3 個群組各自3 個階段共9 個回歸模型進行擬合。

3.6.2 LightGBM 算法介紹

LightGBM 算法原理是將連續的浮點特征離散成k個值，并以此為基礎構建直方圖，隨后遍歷樣本數據計算每個值在直方圖中的累計量，找到最優的樣本分割點［30］。相對于決策樹算法，LightGBM 算法有訓練速度和泛化能力的提升，對于樣本之外數據的適應性更強，當前已成為用于解決回歸問題的主流算法之一［29］。

3.6.3 LightGBM 算法模型參數選擇

LightGBM 算法需要對模型參數進行調優，使得測試集的均方誤差（mean square error，MSE）盡可能小。模型參數的調整采用控制變量法，每次控制其他參數不變，對單個參數進行調整，經多輪調試發現，模型評估指標并無顯著提升。為避免過擬合現象以及增強不同模型間的可解釋性，統一將所有模型固定選取參數，如表6 所示。

表6 LightGBM 算法模型參數取值

3.6.4 不同回歸算法比較

同時選取XGBoost 算法、隨機森林算法以及線性回歸算法對樣本變量數據進行擬合，將所得結果與LightGBM 算法進行對比，如表7 所示。其中MSE、均方根誤差（root mean squared error，RMSE）、平均絕對誤差（mean absolute error，MAE）指標均為越小則該算法擬合度越高，R2為越大則該算法擬合度越高［13］，表中數值為該算法下所有回歸模型指標的均值。首先，通過對比各算法的訓練集所得R2（0.808>0.514>0.250>>0.002）,可知復雜算法在對樣本的擬合能力上顯著高于線性回歸算法，驗證了本研究方法選取的合理性；其次，盡管XGBoost 算法在訓練集的表現最好（R2=0.808），但其測試集所得R2<0，意味其對于樣本外數據的預測能力甚至不如將樣本均值作為預測值準確，說明XGBoost 算法出現了過擬合現象；最后，LightGBM算法在訓練集和測試集的各項指標均表現最優或次優，因此選用LightGBM 算法。

表7 基于不同算法的樣本數據的模型指標比較

3.6.5 LightGBM 算法訓練結果

選取表6 設定參數分別對所有LightGBM 算法下的模型進行訓練，將所得結果中特征重要程度匯總于表8，可知地區優勢型企業在轉型實施和評估迭代階段開展探索式忘卻學習的重要程度顯著高于利用式忘卻學習，說明行業的大幅跨越使得此類企業需要大幅引進新的資產、技術及管理模式，支撐其數字化轉型；在其他情形下，企業開展兩類忘卻學習的重要程度并無顯著差異，說明企業開展數字化轉型應當注重穩中求進，不應開展大幅引進或拋棄的躍進行為。

表8 LightGBM 算法下樣本數據模型結果的特征重要程度

值得一提的是，盡管樣本企業在單個階段內部開展兩類忘卻學習的重要程度相似，但隨著發展階段的推進，不同學習方式的重要性呈一定的變化趨勢，且不同類型企業所展現的趨勢具有明顯差異。為了直觀展現，將表8 以圖4 形式展示。可看出，行業和地區雙贏型企業在戰略制定和轉型實施階段主要開展探索式忘卻學習，而在評估迭代階段主要開展利用式忘卻學習；行業優勢型企業在3 個階段均以探索式忘卻學習為主；地區優勢型企業在戰略制定階段主要開展利用式忘卻學習，在轉型實施和評估迭代階段主要開展探索式忘卻學習。

圖4 各類型樣本企業在不同階段開展兩類忘卻學習的程度和變化趨勢

具體分析發現：（1）行業和地區雙贏型企業與行業優勢型企業的差別主要在地區因素。二者轉型路徑相似，在戰略制定和轉型實施階段均以探索式忘卻學習為主且程度相近，但行業和地區雙贏型企業在評估迭代階段開展探索式忘卻學習程度迅速降低并轉為以利用式忘卻學習為主的學習方式，而行業優勢型企業仍以探索式為主。一種可能的原因是，行業和地區雙贏型企業屬于主動求變，而行業優勢型企業因為地區的差距，使得其在轉型上面臨更高的成本，當行業領頭羊效應凸顯時，此類企業更傾向于模仿領頭企業數字化轉型行為來規避風險，但模仿帶來的滯后效應或許會打亂自身變革節奏［31］，導致后期不能有效識別自身知識冗余，因此不能及時轉向利用式忘卻學習。（2）地區優勢型企業與行業和地區雙贏型企業的差別主要在行業因素。二者轉型路徑差距較大，行業和地區雙贏型企業采用先探索式忘卻學習為主、后利用式忘卻學習為主的忘卻學習方式，而地區優勢型企業則是先利用式忘卻學習為主、后探索式忘卻學習為主。較大的差異說明行業因素更能影響企業的數字化轉型決策。一種可能的原因是，地區優勢型企業對數字技術運用程度低，轉型將要面臨較強的技術剛性問題，傳統的組織架構易于形成“知識孤島”［32］，企業高層管理者需要在前期通過調整組織架構、領導變革等方式擺脫來自于內部的阻力［33］，為后期大幅開展探索式忘卻學習奠定基礎。表9 總結了各類型樣本企業在數字化轉型不同階段主要的學習方式。

表9 各類型樣本企業在數字化轉型不同階段主要的學習方式

4 結論與啟示

4.1 研究結論與討論

本研究以2017—2021 年度A 股上市企業為研究對象，采用K-means聚類方法，基于行業數字化程度、地區數字經濟發展水平以及企業年齡3 個維度對樣本劃分群組，隨后采用LightGBM 算法分別獲取各群組在數字化轉型不同階段的學習方式，得出3 條路徑。對結論總結并討論如下：

第一，企業數字化轉型受到所處行業數字化程度、所在地區數字經濟發展水平以及企業年齡的影響，其中行業因素的影響最大。劉淑春等［27］曾指出，企業數字化轉型成效受所處行業、企業規模等因素的影響，但未涉及因素間的對比，本研究結果表明，在開展數字化轉型的企業當中，行業的差異使得企業的學習方式呈現近乎相反的表現，表明行業是影響企業轉型行為的主要因素，這與陳玉嬌等［10］、黃節根等［17］的結論相符；而李煜華等［7］將具有行業優勢的企業定義為數字原生企業，相對于非原生企業，這類企業開展數字化轉型存在技術和經驗上的優勢，更容易規避來自內部或外部的阻礙，采取更迅速的行動。

第二，行業和地區雙贏型企業開展數字化轉型時優先注重外部知識的獲取，并逐漸將重心轉移到過時知識的拋棄。對于行業和地區雙贏型企業，行業的先進性使得其對于轉型所需的新技術擁有較強的適應能力，同時地區的經濟優勢能夠使其轉型耗費更低的成本和風險、面臨更小的內部阻力，從而吸引了大量同類企業開展數字化轉型，產生了高強度的競爭。此外，企業在數字化轉型中更傾向于率先引入數字化技術和先進的管理理念，當企業“站穩腳跟”后，數字化水平對企業績效的提升作用將會表現出顯著的邊際遞減效應［17］，此時將注重于通過調整組織架構或精簡業務線來剔除那些多余的、不合適的知識，由追求知識的數量轉向追求知識的質量。例如總部位于深圳、深耕于信息與通信技術行業的華為技術有限公司，其數字化轉型經歷了由前期數字技術的大量引入與創新，到后期合并和縮減已有價值鏈環節，形成高效的轉型模式，并具備對外輸出解決方案的能力［34］。

第三，行業優勢型企業開展數字化轉型全程注重外部知識的獲取。此類企業所處行業的先進性和激烈的競爭氛圍促使其善于主動吸收外部先進知識，如位于寧夏的西云數據，將發展重心始終放在數字基礎設施的購進與建設，強大的數據資源供給能力成為其核心競爭力，抓住“東數西算”工程機遇并獲得快速發展。但此類企業的數字化轉型具有很強的跟隨和模仿性，相對于行業和地區雙贏型企業又因地區劣勢而獲得有限的配套設施支持，更高的成本和風險使得企業轉型節奏不同，在后期難以跟隨行業和地區雙贏型企業進行高頻率的新舊知識更替［35］，容易導致新技術新模式在應用上的滯后，最終產生試錯風險［12］。

第四，地區優勢型企業開展數字化轉型優先注重內部過時知識的拋棄，并逐漸將重心轉移到外部知識的獲取。對于扎根工業化范式的老牌企業，需要首先忘卻初創環境中的固有邏輯才能實現數字技術內部化［6］。企業管理者需要做好數字化動員，統一組織思想、接受變革，擁抱創新，才能降低數字化轉型遇到的阻力［2］。在轉型的中后期，大量數字資產的購建以及管理模式的引入標志探索式忘卻學習成為數字化轉型企業的主要學習方式，如中國機械工業集團有限公司在建設重大裝備潤滑安全數字化運維平臺的過程中，首先將開展與數字技術相適應的組織架構調整和管理流程優化作為入手點，隨后轉向應用軟件和數字基礎設施的投入。

第五，數字化轉型對行業追隨者企業具有很強的吸引力。根據本研究結果，開展數字化轉型的企業年齡集中在“腰部”區域，年齡過大或過小的企業轉型意愿均較低。一方面，技術范式的轉變不僅使得老牌企業原有行業領先者的技術壁壘消失，其多年形成的慣例使得組織內部產生拒絕數字化紅利的阻力［6］；另一方面，行業內的初創企業則困于較差的資源和能力而在數字化轉型上顯得有心無力。行業追隨者企業擁有極具競爭力的行業資源又較少受限于現有的技術剛性，獲得數字化轉型帶來的機會窗口，能否把握這個機會是其打破行業格局、實現后來居上的關鍵。

4.2 啟示與不足

基于以上研究結論，獲得以下啟示：企業開展數字化轉型需要明確自身優劣勢，選擇合適的轉型路徑。對于身處高新技術相關行業的企業，應善于利用自身的技術優勢和資源稟賦，通過快速的技術迭代實現快速高效的數字化轉型，在激烈的競爭中取得優勢；對于行業數字化程度低的企業，應借助區域其他同群企業的榜樣效應，對比“過濾”自身所不再適用的觀念與慣例，同時借助區域數字基礎設施，漸進性地實現數字化生產和運營。

本研究還存在以下不足：首先，企業群組的劃分維度不夠細致，較大的顆粒度使得企業定位并非絕對清晰；其次，僅考慮兩類忘卻學習對數字化轉型的影響，未放入其他可能的相關變量，未來可考慮納入其他因素進行綜合考量。