數智賦能對企業創新質效的作用機制研究

摘 要：隨著數智技術平臺和實體經濟的深度融合，企業創新能力逐漸增強，數智賦能為國家創新能力的提升增添了新動能。本文以2016—2021年的滬深兩市A股上市公司為樣本，采用固定效應回歸法，研究數智賦能對企業創新質量和效率的影響及其作用機制。研究表明，數智賦能可以分別提高企業創新的質量和效率，資源整合效率在其中發揮著中介作用。異質性分析表明，國有企業進行數智賦能更側重于對創新質量的提升，而非國有企業進行數智賦能則更偏重于對創新效率的提升。基于此，本文建議政府應建立健全的政策支持體系，企業應加大對人財物的投入，抓住數字轉型機遇，實現高質量發展。

關鍵詞：數智賦能；創新質量；創新效率；資源整合；高質量發展

中圖分類號：F833 文獻標識碼：A 文章編號：2096-0298（2024）11（a）--05

1 引言

我國高度重視創新能力的發展問題。習近平同志曾提出，“將創新發展作為五大發展理念之首”。同樣，“十四五”規劃強調了科技自主性和國家戰略的支柱作用，確立了創新在推動國家現代化進程中不可替代的核心角色。然而，我國目前仍然面臨著創新能力無法與當下高質量發展需求相匹配、關鍵核心技術卡脖子的問題。

近年來，我國數智經濟的發展方興未艾。數字智能經濟與傳統產業的融合，在解放傳統產業生產力的同時，逐步形成數字智能產業化和工業數字智能化的新格局，為培育企業創新能力發揮著重要作用。在數字智能技術蓬勃發展的經濟轉型期和數字智能經濟與實體產業深度融合的背景下，企業應抓住科技發展機遇，響應國家號召和時代潮流，靈活應用數字智能技術和平臺，進行不斷變革創新，以適應動蕩的外部環境，并提高對變化的適應能力，從而實現長期生存，進而實現企業高質量可持續發展。

為此，本文將通過量化數智化技術在企業中的運用程度和效果，來探究數智賦能對企業創新質量和效率兩方面的作用機制。為企業數智改革的經濟后果提供新的經驗數據，助力我國創新質量的突破和供給側改革的實施，豐富我國在數智經濟方面的研究，助力中國經濟騰飛。

2 理論分析與研究假設

2.1 企業數智賦能與企業創新效率和企業創新質量

根據現有文獻，企業數智賦能的經濟后果主要表現在降本增效、創新驅動、提高了組織靈活性、提高產業資源配置、通過降低信息不對稱程度來緩解融資約束和代理問題；而創新質效的影響因素主要有企業規模、研發投入、股權激勵、政府的創新補貼和稅收優惠、融資約束、企業資源整合效率以及企業數智賦能水平等。由此可知，兩者之間存在潛在的因果關系，為進一步研究打下了堅實基礎。

本文認為，企業數智賦能可以促進企業創新效率和企業創新質量。首先，憑借云計算、大數據及相關數智技術，可以實現多維度地聚集大量用戶數據，打破企業之間的組織壁壘與技術壁壘，在一定程度上降低技術準入門檻，促進企業間知識擴散和技術溢出。這使得公司能夠迅速掌握特定情況下的隱性知識，并在各類環境中有效減少試錯所需的成本[1]。其次，數智化的內部治理與管理思想可以被嵌入企業的運營中，這能夠降低企業各種數據成本，減少與數智經濟活動相關的搜索、跟蹤、復制、運輸和驗證的成本。最后，數智化技術和平臺為信息流通提供了技術載體，可以幫助企業獲得內外信息資源、拓寬信息來源渠道、擴大企業可獲取信息的范圍、提高信息獲取準確度，這有利于企業把握市場的發展機遇、增加組織的靈活性和敏捷性、促進企業創新活動開展。

基于以上分析，本文提出假設：

H1：數智賦能可以顯著提高企業的創新質量；

H2：數智賦能可以顯著提高企業的創新效率。

2.2 企業數智賦能通過資源整合對企業創新質量和效率的影響

數智賦能是將企業的基礎資源集中并編碼，將資源數據化并賦能。資源本身不會創造任何價值，只有合理分配資源才能幫助企業獲得更全面的市場信息和行業動態、尋求更廣范圍的資源和能力聚合，進而形成企業的競爭優勢。一方面，企業將數智化技術嵌入產品或服務中，幫助企業形成以消費者為中心的運營模式，增強了企業對消費者的感知和預判能力，使企業快速響應市場，便于提升產品功能的豐富性和產品升級，節省了企業的研發成本和時間，幫助企業適時做出相應的業務流程變革和組織結構重組，形成新的競爭優勢。另一方面，通過資源的最優配置，企業能夠高效整合資源，區分高效資產與過剩資產，并將這些過剩資產重新分配給其他部門或組織。這種做法不僅減少了資產的貶值和庫存開銷，還提高了資源的整體使用效率，提高組織間聯系的即時性和效率，解放了傳統的工作模式。在當前的創新環境中，由于知識的廣泛傳播、人才的流動性增強、風險資本的活躍以及產品更新周期的縮短等因素，企業原有的核心能力已無法適應創新環境的變化。因此，企業必須借助數智化賦能，提高資源的探索、復合和應用能力，以提高企業的動態能力，進而應對復雜多變的激烈競爭和創新環境，實現高質量的可持續發展。

基于以上分析，本文提出假設：

H3：數智賦能通過增加資源整合效率水平來提高企業的創新質量；

H4：數智賦能通過增加資源整合效率水平來提高企業的創新效率。

3 研究設計

3.1 樣本選擇數據來源

本文選取2016—2021年滬深A股的上市公司數據進行研究：第一，剔除ST、*ST和PT的上市公司；第二，剔除變量存在缺失的樣本；第三，剔除金融類上市公司；第四，剔除部分截面數據使數據保持為面板數據。經過處理后共收集到9198條企業——年度觀測數據。本文使用的數據主要來源于CSMAR和CNRDS數據庫。

3.2 變量設定

（1）被解釋變量：創新質量（Qua）和創新效率（Eff），創新質量反映了企業創新成果的影響力，通過專利被引用的頻率來衡量，考慮到時間累積效應，采用滯后一年的指標。創新效率則衡量了企業將研發投入轉化為專利成果的能力，采用專利數量與研發支出的比值來量化。

（2）解釋變量：企業數智賦能程度（DCG）。本文借鑒吳云（2021）[2]的研究采用上市公司年報中所搜集到的關鍵詞數量作為企業數智化的程度，詞頻出現次數越高，企業的數智化程度越好。

（3）中介變量：本文借鑒梁玲玲等（2020）[3]的觀點用營業收入與總資產的比率衡量資源整合效率，資源整合效率RI越大資源整合效率越高。

（4）控制變量：參考已知相關文獻，本文采用的控制變量包括：企業規模（Size）、資產負債率（LEV）、董事會規模（Board）、兩職合一（Dual）、股權集中度（TOP10）、托賓Q（TobinQ）、創新投入（Innov）、盈利能力（ROA） 、凈資產收益率（ROE）。

3.3 模型設定

本文將變量納入方程構建以下回歸模型，其中主回歸模型如（1）所示：

Qua/Eff=α0+α1DCG+α∑Ctrl+Year+Ind+εi，t（1）

為檢驗資源整合效率是否在企業數智賦能影響企業創新質量和創新效率的作用機制中存在中介作用，本文借鑒溫忠麟等（2004）[4]提出的中介效應檢驗程序加入式（2）-（3）進行機制檢驗。

RI=β0+β1DCG+β∑Ctrl+Year+Ind+εi，t（2）

Qua/Eff=δ0+δ1DCG+δ2RI+δ∑Ctrl+Year+Ind+εi，t（3）

其中，∑Ctrl代表選取的控制變量的合集，Year和Ind分別為年份和行業的固定效應，i、t分別代表個體和時間，εi，t表示隨機擾動項。

4 實證分析

4.1 描述性統計

表2為描述性統計結果。其中，被解釋變量創新質量（Qua）的均值為0.87，標準差為0.63，75%分位數為1.13，中位數為0.79，25%分位數為0.48；被解釋變量創新效率（Eff）的均值為0.19，標準差為0.08，75%分位數為0.24，中位數為0.20，25%分位數為0.15；解釋變量上市公司年報中與數智技術相關的詞頻數（DCG）均值為3.49，標準差為1.23，75%分位數為4.26，中位數為3.4，25%分位數為2.64。由此可見，樣本上市公司中多數企業創新質量低于平均數，不同上市公司之間的創新質量差異較大，樣本上市公司的創新效率整體上呈現中等水平，但存在一定的差異，上市公司年報中與數智技術相關的詞頻數也具有一定的波動性，表明樣本上市公司對于數智賦能重視程度各不相同。這些數據為進一步分析上市公司的數智賦能程度對企業創新質量和效率的作用機制研究提供了基礎。通過分析發現，各項指標之間的相關系數并不顯著，共線性問題也不顯著。

4.2 回歸分析

經Hausman檢驗，本文采用固定效應模型回歸。表3報告了回歸結果。表3列（1）、列（2）分別為企業數智賦能程度對企業創新質量、效率的固定效應回歸結果。結果顯示，企業數智賦能程度（DCG）與企業創新質量（Qua）的相關系數為0.0455，在1%水平下顯著；企業數智賦能程度（DCG）與企業創新效率（Eff）的相關系數為0.0184，同樣在1%水平下顯著，即本文假設H1、H2得到了驗證。表3列（3）、（4）、（5）為針對資源整合效率（RI）進行中介效應的檢驗，結果顯示，資源整合效率對企業創新質量和效率的回歸結果都顯著，且相關系數有所降低，經過Sobel和Bootstrap檢驗證明資源整合效率在企業數智賦能程度對創新質量和效率的影響中起部分中介作用。由此，本文假設H3、H4得到驗證。

4.3 穩健性FAxdrocJiS7AGjDlsrIto4cKX/wpccoK/eqauFH2ZyA=檢驗

首先，本文通過更換被解釋變量衡量指標進行穩健性檢驗。在中國，專利分為三大類：發明型專利、外觀設計型專利以及實用新型專利。業界普遍認為，發明型專利最能反映企業的創新水平和質量[5]。基于此，本文選擇發明型專利作為評價企業創新質量的關鍵指標，構建出關于創新質量的另一個被解釋變量Qua2；在創新效率方面，借鑒權小鋒等（2017）[6]的觀點，考慮3種專利對企業的貢獻比重不同，主觀分配3∶2∶1的權重分配，用3種專利加權總數加1的自然對數構建新的創新效率變量Eff2。將這兩個替換變量代入回歸方程，得出表4（1）、（2）兩列結果，結果顯示更換變量后企業數智賦能程度的相關系數為0.176，且在1%水平上顯著，說明企業數智賦能程度越高，創新質量越好，企業數智賦能程度對企業創新效率的相關系數為0.0125，且在1%水平上顯著，說明企業數智賦能程度越高，企業創新效率越高。結果表明更換被解釋變量之后結果依然顯著，同時表明本文研究結論具有穩健性[7]。

雖然本文采用的固定效應模型在一定程度上能夠緩解遺漏變量引起的內生性問題，但仍可能存在樣本選擇偏誤、反向因果等問題。因此，為保證研究結論的穩健，本文將按照行業和省份分類的數智化水平的均值差額的三次方作為工具變量進行回歸。針對工具變量進行弱工具變量檢驗，兩種被解釋變量的Hansen檢驗結果顯示完全識別，識別不足檢驗顯示兩者都在1%顯著性水平上顯著，驗證了構建的工具變量不存在弱工具變量問題。工具變量法的兩階段回歸結果如表4列（3）為第一階段回歸結果，其中DCG_IV的系數為0.2186，且F值為810.8并在1%水平下顯著。第二階段回歸結果如表4（4）、（5）列所示，相關系數分別為0.0413和0.0116且在1%水平下顯著，由此說明本文研究結論具有穩健性[8]。

4.4 異質性檢驗

本文進一步探討了不同企業性質對創新活動的影響。在創新領域，國有經濟體通常擁有較為充裕的資本和較強的抵御市場波動能力。然而，它們可能面臨管理層缺位、代理問題突出、組織結構龐大以及財務約束不夠嚴格等挑戰。相比之下，私營企業展現出較強的市場導向和競爭驅動，它們通過創新來獲得市場優勢的動機更為明顯，但同時經常遭遇資金短缺和專業人才稀缺的困境。因此，本文認為國有企業與非國有企業關于數智賦能程度對企業創新質量和創新效率的影響存在差異，異質性回歸分析如表6所示[9]。

在表5中，第（1）、（2）列分別報告了國有企業數智賦能程度對企業創新質量和創新效率的回歸結果，相關系數分別為0.0501和0.0123，且均在1%的顯著性水平上顯著；第（3）、（4）列報告了非國有企業數智賦能程度對企業創新質量和創新效率的回歸結果，相關系數分別為0.0356和0.0133，且均在1%的顯著性水平上顯著。經過組間抽樣系數檢驗結果顯著，驗證分組合理。由此可知，國有企業的數智賦能程度對創新質量的影響高于非國有企業，而國有企業的數智賦能程度對創新效率的影響低于非國有企業[10]。

5 結語

5.1 研究結論

本文以2016—2021年A股上市公司為研究樣本，研究了企業數智賦能程度對企業創新質量和企業創新效率的作用機制，得到主要結論如下：（1）企業數智賦能程度對企業創新質量和創新效率有顯著的提升作用。（2）數智賦能程度通過提升資源整合效率水平，可以顯著提高企業的創新質量和創新效率。（3）不同產權性質的企業對創新質量和創新效率的作用效果不同，即國有企業的數智賦能程度對創新質量的提升作用程度高于非國有企業，而國有企業的數智賦能程度對創新效率的提升作用低于非國有企業。

5.2 政策建議

（1）政府應加大對企業數智賦能的支持力度，輔助企業落實數智賦能日常運營工作、企業決策和管理等多過程中的應用，加速構建高質量創新驅動發展體系，建立健全的政策支持體系，包括建立獎勵機制、優惠政策等，以激勵企業加大對數智賦能的投入，進一步提高企業創新效率和質量，促進經濟持續健康發展。（2）企業應積極完善數智賦能進程。數智化的快速發展于企業而言既是風險挑戰又是機遇。企業只有加大對人財物的投入以提升數智化水平，才能抓住機遇，在激烈的競爭環境中保持領先地位。另外，通過數智化的建設，企業要積極響應政府相關政策，可以幫助企業尋求科技創新補貼、稅收優惠政策等，以保證企業對創新的投入，實現可持續發展。（3）鑒于不同性質的企業數智賦能程度對于企業創新質量和效率的提升效果不同。國有企業應注重提升創新質量而非僅關注效率。非國有企業，應更加注重數智賦能的投入和應用，提高創新效率。

參考文獻

戚聿東，肖旭.數智經濟時代的企業管理變革[J].管理世界，2020，36 （6）：135-152+250.

吳云.制造企業數智化程度對創新績效的影響研究[D].南京： 南京審計大學， 2021.

梁玲玲，李燁，陳松.數智賦能對企業開放式創新的影響： 數智雙元能力和資源復合效率的中介作用[J].技術經濟，2022，41（6）：59-69.

溫忠麟.張雷，侯杰泰，等.中介效應檢驗程序及其應用[J].心理學報，2004（5）：614-620.

王子焉，劉文濤，倪淵，等.專利價值評估研究綜述[J].科技管理研究，2019，39（16）：181-190.

權小鋒，尹洪英.中國式賣空機制與公司創新： 基于融資融券分步擴容的自然實驗[J].管理世界，2017（1）：128-144+187-188.

李廉水，鮑怡發，劉軍.智能化對中國制造業全要素生產率的影響研究[J].科學學研究，2020，38（4）：609-618+722.

Goldfarb， A.， and C. Tucker. Digital Economics[J]. Journal of Economic Literature， 2019，57（1）：3-43.

EHIE I C，OLIBE K.The effect of R&D investment on firm value：an examination of US manufacturing and service industries[J].International Journal of Production Economics，2010，128（1）：127-135.

BENEITO P.Choosing among alternative technological strategies：an empirical analysis of formal sources of innovation[J].Research Policy，2003，32（4）：693-713.