效果推理对制造企业智能化转型的影响机制研究

王 影，张宏如，梁 祺

（常州大学 商学院，常州 213161）

随着新科技革命的兴起，美国、德国、日本等发达国家纷纷出台以先进制造业为核心的“再工业化”国家战略，以促进本土制造企业的智能化转型发展。受此趋势影响，《中国制造2025》也将智能制造作为推动供给侧结构性改革、重塑制造业竞争优势的重大举措。智能制造势必成为中国制造业未来发展的主攻方向，而微观层面上如何帮助制造企业实现智能化转型已成为学界和实践界的关注焦点。

在总结回顾中国制造业40年的发展历程后，李廉水等［1］指出我国制造企业的智能化进程并非长期技术积淀的结果，而是以政策引导为开端，受转型经济特殊性的影响较大，过程中充斥着不确定性风险。黄群慧［2］也认为，受资金、技术、人才等资源约束，加之融合数字世界与物理世界的经验不足、配套服务滞后、核心技术缺失等缺陷，我国制造企业智能化转型时面临的不确定性问题尤为突出。虽有学者探讨了政策支持［3］、创新柔性［4］、网络嵌入［5］等因素的缓冲作用，但吕文晶和陈劲［6］研究发现，在更高的战略决策层面上，如何引导制造企业克服不确定性风险，抢先于竞争者，在有限的机会窗口下实现智能化转型，尚缺乏深入的理论探究。而根据SARASVATHY［7］的研究，作为新兴的战略决策理论，效果推理倡导价值共创、迭代开发、保持柔性与大胆试验，在有效应对不确定性冲击与帮助个体快速响应机会窗口方面，比以“预测加计划”为特征的因果推理更具优势。然而遗憾的是，当前效果推理的相关研究成果大多应用于创新创业领域，对其他领域鲜有涉及。在智能化转型实践中，部分制造企业先行者“摸着石头过河”的行动逻辑与效果逻辑高度一致。有鉴于此，深入探讨效果推理对制造企业智能化转型的影响就具有理论补充和实践参考价值。

更进一步，根据知识基础理论，智能制造包含复杂的知识活动，涉及人工智能、敏捷制造、边缘计算等不同领域的异质性知识，在组织内的创造、扩散与融合。单靠制造企业以往的知识经验或数据信息，智能化转型难以取得成效，需要对多领域知识进行综合利用［8］。由此可见，知识整合作为知识管理核心环节，俨然成为改变制造企业原有知识结构并促进智能化转型的关键机制。而作为学习型战略，效果推理与知识活动密切相关，能指引制造企业管理不同来源、载体、功用的知识，进而从不确定性中创造价值［9］。因此，知识整合在效果推理与智能化转型关系中的作用，值得深入探究。

另外，制造企业智能化转型存在复杂的界面交互问题，涉及资源、信息、数据等有形或无形要素的跨界面流动。ALLMAYER 和WINKLER［10］研究指出，有效的界面管理能突破职能部门的沟通障碍，提升知识流动效率，确保发挥知识整合优势。据此，本研究认为知识整合对制造企业智能化转型的作用会受界面管理的调节。但现有研究却较少考虑界面管理的权变作用，导致结论的实践指导意义被弱化。

综上所述，本研究基于效果推理理论和知识基础理论，以知识整合为中介变量，界面管理为调节变量，构建了效果推理影响制造企业智能化转型的理论模型，尝试从战略决策视角揭示我国制造企业智能化转型的有效路径。本文有助于拓展效果推理的理论应用范围，丰富制造企业智能化转型的理论体系，为我国制造企业加速向智能制造迈进提供重要的理论依据和实践指引。

1 基本概念与研究假设

1.1 制造企业智能化转型

早在20世纪90年代初，学者们就已经意识到智能制造的技术发端，并从不同视角探讨了制造企业智能化转型的内涵。比如，基于制造科学的理论视角，有观点认为制造企业的智能化转型是将传感、网络、人工智能等新一代信息技术应用于产品生产，从而引领生产装备和工艺流程智能化的过程［11-12］。随着研究不断向纵深发展，智能化转型不再局限于制造活动或工艺方法的改变，也包含管理、服务、治理等多方面问题的解决。KIEL等［13］研究指出，智能化转型不仅意味着新一代信息技术对传统生产工艺流程的改造，也包含产品服务以及运营管理模式的智能化转变。韩江波［14］则进一步认为，制造企业的智能化转型是以新一代信息技术为基础，通过互联网、物联网设施的系统互联，结合新能源、材料以及工艺的运用，使各个制造环节能够以类人思维方式运作的过程。总体而言，制造企业智能化转型的定义虽没有形成统一的标准，但实质上都强调将智能制造技术贯穿企业全流程，以达到新企业形态的过程。为此，本研究借鉴FARID［15］、孟凡生和赵刚［4］的研究，提出制造企业智能化转型是将智能制造技术嵌入设计、生产、管理、服务等价值链各个环节，以实现经营方向、运营模式以及相应组织方式和资源配置的整体性转变，而产品、装备、生产方式、管理、服务等智能化属于智能化转型的主要表现形式。

1.2 效果推理与制造企业智能化转型

不同于长期预测与目标规划为基础的因果推理，效果推理秉承实用主义哲学，强调在不确定情境下，对既有手段创造的可能结果进行选择。CHANDLER等［16］指出，效果推理属于非预测式理性，在管理不确定性、塑造新机会等过程中起重要作用，能解决因果推理无法解释的诸多问题。为此，面对智能化转型的不确定性，作为指导行动者思考、决策和行动的战略决策逻辑，效果推理有理论应用的契合性，其包含的“先前承诺”“试验”“柔性”“可承受损失”四大原则，为分析制造企业的智能化转型提供了新思路。由于效果推理属于形成性潜变量，四大构成原则相互区分又彼此独立，需要在假设推演时逐一展开。

1.2.1 先前承诺原则 智能化转型涉及人工智能、工业互联网、大数据分析等多学科领域的融合，需要利益相关方的深度参与、互相支持和协同推进［17］。遵从先前承诺的制造企业，侧重与利益相关者快速结盟，共同打造开放式智能制造体系。合作共赢的目标导向，能诱使参与者主动加大组织投入，从而有利于提升智能制造解决方案的质量，降低制造企业获取关键共性技术甚至核心技术的难度，为智能化转型奠定基础。并且，通过与利益相关者的网络互动，制造企业能充分协调智能技术供需双方的数据共享、利益冲突等问题，减少智能化对接的兼容性和适应性问题，促进内部价值链嵌入外部技术创新网络的过程，加快智能化转型。

1.2.2 柔性原则 智能制造要求生产制造全过程实施智能化技术改造。保持柔性的制造企业，能够以较低的成本调整生产流程、组织结构、制造工艺等，以便嵌入软件架构，自动完成操作信息搜集、标准化数据形成以及智能制造系统导入。NASIRI等［18］认为，自由裁量使企业易于接纳内外技术环境变动，并以此为契机，跳出传统生产范式。而效果推理的柔性原则在强调灵活、允许即兴、数据赋能等方面，与自由裁量具有较大的相似性。因此，通过为制造企业注入柔性，效果推理能使智能制造的资源配置不断接近效率前沿，优化人工智能的技术创新和应用能力，加快制造企业向智能化转变。

1.2.3 试验原则 智能化转型不能一蹴而就，无论是智能硬件更新，还是算法引擎升级，都表现为试错、反馈和修正的“螺旋”，中间过程的推动力就是试验。效果推理的试验原则，鼓励制造企业对新想法、新技术和新流程保持好奇，并利用一系列实验目标的结果反馈，持续增强智能化转型的信心与意愿。试错学习被认为是实现智能化转型的前提条件。尤其是在智能化投入较大时，试验驱使制造企业以较低成本在不同的智能化解决方案之间灵活跳转，逐步形塑出与资源特征和数据基础相符合的智能化发展方向，防止出现因智能技术设备选型、实施和应用不到位造成的锁定效应。

1.2.4 可承受损失原则 可承受损失使制造企业能够适应环境变动，根据智能化进程的信息反馈，灵活投入与撤出资源，改善有限资源的使用效率，降低智能化转型风险。通过事先确定最大可承受损失，制造企业可以避免技术基础薄弱、竞争焦虑等因素引起的决策失误，提升智能化转型时的效能感。但是，当智能化转型进入攻坚时期，尤其是核心零部件的智能技术突破阶段，虽然知识经验更少，风险更大，但竞争优势却恰恰取决于制造企业能否充分利用手头资源，加大试错力度，在其他竞争企业因不确定性而延迟智能化进程时，尽快突破技术瓶颈，重塑工艺流程［19］。某种意义上，企业核心场景的智能化转型更需要“孤注一掷”的勇气，而非过分关注止损标准。否则，制造企业可能丧失智能技术升级的先动优势，再次落入领先企业预设的智能制造技术轨道，不得不重新开启智能化时代的艰难追赶历程。综上，提出如下假设。

H1a 先前承诺对制造企业的智能化转型有正向影响。

H1b 柔性对制造企业的智能化转型有正向影响。

H1c 试验对制造企业的智能化转型有正向影响。

H1d 可承受损失对制造企业的智能化转型有倒U形影响。

1.3 效果推理与制造企业的知识整合

知识整合的概念被提出后，大量学者从能力、关系、学习等多视角对其内涵界定进行适应性调整。尽管视角有所不同，但本质认识基本一致，都强调对不同主体、内容与形态的知识循环进行获取、解构、融合与重组［20］。本文沿用这一思路，提出知识整合是制造企业在智能化转型时不断整合外部技术网络中智能制造类知识的动态过程。

首先，借助先前承诺，制造企业可以与利益相关者建立互动协作关系，这为其知识整合活动提供了可信赖的外部学习渠道，有利于提升知识整合效率。MEHTA和MEHTA［21］研究证实，来自利益相关方的组织承诺能够帮助制造企业延拓跨界搜索的广度和深度，并由此获得宽广的智能制造类知识流。尤其是一些隐性异质类知识的获取，是制造企业在对接智能制造技术时突破思维定势、创造性吸收整合不同性质知识的重要前提。通过与利益相关方的互动协作，制造企业不仅可以收集有关智能制造的市场、政策、技术类新知识，持续扩充知识库，而且能够增强环境适应性，及时根据市场需求、政策支持或技术变动，快速调整知识结构和行动准则，提高知识整合的科学性与规范性。

其次，柔性意味着制造企业会适应知识整合的需求做出主动性变革。PATEL和FIET［22］研究指出，有效的知识整合要求企业能够建立适配性的基础设施、组织结构、制度文化或管理方式。通过遵从效果推理的柔性原则，制造企业可以迅速改变自身的结构和制度，以形成搜寻、识别创新性知识的能力。新知识的流入有助于从范围、效率和灵动性等方面改善知识整合质量。柔性并不局限于现有知识的提炼，而且会促使制造企业积极利用外部学习引入新知识，并以较低的成本改变自身的运作流程，不断提升新旧知识的整合效率。保持柔性的制造企业往往更善于借助精巧的制度设计和灵活的资源配置方式，建构获取、解构、吸收知识的能力。这对于智能化转型中的制造企业有效整合快速更迭的智能硬件和软件知识有重要意义。

再则，知识整合要求多样化知识的分离、融合以及意义重构，中间过程有较大的模糊性，而试验可以帮助制造企业开启试错学习的认知流程，准确预判各种知识整合是否符合现实。郭润萍［23］的研究表明，试验原则指导下的制造企业，更善于利用既有手段的创造性组拼，将可行的知识整合路径逐步浮现出来。反复迭代的试错学习能为智能化转型中的制造企业保留有意义的信息、经验和方案，从而在不确定情境中形成高效的知识整合路径。试验加快了异质知识向易于理解知识形式的转化，对制造企业内的智能技术类知识流动、扩散以及吸收整合有明显的助推作用。

最后，可承受损失使制造企业把注意力放在已有资源的创造性整合，而不是过多投入控制之外的资源。因此，制造企业将重新审视本地资源的功能属性，加深已有知识的多角度理解。尤其是对一些隐性知识的深度挖掘，将保障制造企业整合智能知识的条理性、系统性和创造性。知识整合同样需要耗费大量的资源和时间。可承受损失把成本范围和幅度控制在区间之内，促使制造企业将有限的资源精力聚焦在关键环节，优化知识整合效率。然而，知识整合的意义，在于多样化知识组合中蕴含有不同的机会价值。过分坚持可承受损失，可能由于试错不充分，开发意愿与能动性受限，错过一些包含前瞻性机会价值的知识整合方式。已有研究指出，过分着眼于止损，将阻碍专有知识存量的增加，锁定知识整合的方法路径，弱化过程中的创造力［12］。综上，提出如下假设。

H2a 先前承诺对制造企业的知识整合有正向影响。

H2b 柔性对制造企业的知识整合有正向影响。

H2c 试验对制造企业的知识整合有正向影响。

H2d 可承受损失对制造企业的知识整合有倒U形影响。

1.4 知识整合与制造企业的智能化转型

一般来说，探索智能化这样一个全新领域，往往具有显著的不确定性，易于出现技术搜寻能力不足、技术搜索范围过于宽泛等问题，错误决策的发生概率也较高［24］。如果制造企业能有序整合各个流程环节的知识，就能完善知识图谱，发现知识短板与技术需求。以此为导向，展开环境扫描，可以精简搜寻范围，降低智能技术应用与实施的不确定性，防止因预判不足发生的管理冲突。王雪原和马维睿［25］的研究也表明，较好的知识整合能形成边界清晰、依赖关系明确的智能化需求，继而驱使制造企业对业务模块、生产流程和要素配置进行适应性调整，促进共性智能技术与个性应用需求的集成，有利于加快智能化转型。

同时，智能化转型对智能技术创新有较大的依赖性。CAINELLI等［26］对西班牙装备制造企业的实证分析结果说明，关键领域的技术创新是加速组织智能化转型的有效方法。而知识整合能不断吸收新知识，产生新方案，使制造企业持续优化知识结构，丰富知识基础，发掘全新功能的知识关联方式。这不仅改善技术创新效率，提高设备的智能化水平，而且可以促进知识存量的相互激活、评价与修正，鼓励各部门围绕智能化开展知识创新，为适应智能化技术体系提供知识支撑。

另外，实施知识整合的制造企业对生产、管理和智能技术知识统一规划，不仅能解决信息孤岛和网络异构性问题，推进产品、设备、服务的集成化联通，而且可以减少数据碎片，规范数据格式，引领数据的有序供给与对接，为智能化转型创设良好的数据基础。更进一步，通过知识整合，制造企业可以积累智能化转型经验，深化原有知识领域的认知，以便快速集成共性智能技术与个性应用需求，形成适配于自身运营特点的智能化方案，有助于准确把握智能化转型的机会窗口。为此，提出如下假设。

H3 知识整合对制造企业的智能化转型有正向影响。

1.5 知识整合的中介作用

制造企业的智能化转型是将智能技术嵌入企业价值链的过程，涉及产品生产、管理、服务等环节和智能技术知识的系统规划。然而，一方面制造企业现有知识资源和历史数据往往形态多样、离散分布，可能与智能化改造要求的数字基础和知识结构存在差异，需要利用知识整合程序进行提炼、解码与重组，为其提供良好的知识支撑。另一方面，知识整合发挥着获取、解析、吸收异质类知识经验的作用，能够帮助制造企业加深对新知识和新观念的理解，使其在接入、操作和利用智能技术时更加自如，有助于探索共性智能技术与自身企业特征相适应的智能化改造方案。不过，ZHENG等［27］研究认为，知识整合具有较大的模糊性和不确定性，需要耗费资源、时间与成本，不同的整合方式也存在效率和效果的差异。而遵从效果推理的制造企业，可以通过获得事先承诺与利益相关者结盟，为知识整合带来关键知识、资源支持和学习渠道。利用柔性使其能够灵活调整组织结构与制度，不断增强智能技术知识与流程整合的动态适应性。加大试验力度，则可以最大限度地降低决策失误，使制造企业利用一系列微尝试，迭代出准确的知识整合路径。虽然过于强调止损让制造企业容易产生“短视”，造成知识整合前瞻性不足，但毕竟可承受损失能帮助制造企业节约成本，提高知识整合效率。一言以蔽之，作为重要的学习型战略，效果推理能推进制造企业的知识整合活动，继而利用知识的系统规划，改善现有知识基础，融合数据决策与人类智慧之间的关系，不断探索与产品性质和运营特征相匹配的智能化解决方案，为智能化转型提供动力。知识整合是效果推理作用于制造企业智能化转型的重要途径。为此，本文提出如下假设。

H4a 知识整合在先前承诺与制造企业智能化转型间有中介作用。

H4b 知识整合在柔性与制造企业智能化转型间有中介作用。

H4c 知识整合在试验与制造企业智能化转型间有中介作用。

H4d 知识整合在可承受损失与制造企业智能化转型间有中介作用。

1.6 界面管理的调节作用

界面主要用于描述不同职能部门、功能单元间的交互状态。而界面管理就是为完成同一任务，把界面关系纳入管理视野，利用各种管理技巧，实现界面各方的交流与整合［28］。虽然企业界面管理的发展经历了职能分割、部门合作、战略联结3个不同阶段，但目前多数研究认同，将界面管理与企业战略相结合，在长远战略规划下实施界面管理，可以保障组织能及时有效地沟通［29］。为此，本研究将界面管理定义为制造企业对内部平行、垂直或交叉职能部门之间进行控制、协调和沟通的管理活动。

知识整合并非局限于单一职能部门，而是牵涉多部门间合作并进的过程。部门间的利益冲突和沟通障碍可能阻碍知识整合作用的发挥。界面管理能提升组织内部的知识整合效果，解决界面两侧的利益分配、信息沟通、流程衔接等问题。因此，界面管理较好的制造企业，可以通过高效的知识整合，统一规划生产、管理和智能技术知识，活跃部门间的要素交换，有助于驱动分布式数据的编码采集和对接处理，加快智能技术改造进程。并且，界面管理能及时反馈市场变动，在企业的知识整合中融入用户参数，为提升大规模定制化生产能力、促进智能化转型奠定坚实的知识基础。再则，良好的界面管理能减少知识整合过程中的部门冲突，提高职能部门间的合作效率，使资源和能力的整体配置逼近效率前沿，有利于制造企业智能化转型的可行性和持续性。与此相反，低界面管理水平的制造企业对市场反应迟钝，组织内耗较大，易于使企业的知识整合陷入机械重复和无向状态，注意力资源分散，智能化成本上升，进而导致企业生产的新智能产品可能因为合法性、创新性、时效性不足等问题不被市场消费者接受，对智能化转型造成障碍。因此，提出如下假设。

H5a 界面管理正向调节知识整合和制造企业智能化转型的关系。

更进一步，鲍世赞等［30］研究证实，效果推理着重从既有手段出发，可能因缺失目标计划，在知识整合活动中产生认知偏差风险，从而阻碍智能化转型进程。而良好的界面管理有助于提升部门间的沟通效率，提高信息交互质量，通过多渠道知识信息的碰撞融合，降低认知偏差的发生概率，使知识整合更好地服务于智能化转型的需求。游达明和王美媛［31］研究表明，界面管理能促进市场需求和用户信息的自由流动，保证效果推理指引下的制造企业在知识整合的原型获取、知识组合以及深度加工过程中都能植入用户参数，进而提升个性化市场需求的适应能力。而满足动态变化的个性化需求恰恰是实现智能制造、推动制造企业智能化转型的重要动力［32］。为此，界面管理有助于强化知识整合的传导作用，驱使效果推理更好地作用于制造企业智能化转型。反之，对市场机会和需求变动不够敏感，将引起效果决策逻辑的盲目性，知识整合也易陷入知识冗余中，分散注意力资源，影响智能化转型进程。并且，内部交流沟通不畅将加大效果推理的战略实施成本，降低知识整合效率，对智能化转型产生不利影响。为此，提出如下假设。

H5b 界面管理正向调节知识整合在效果推理与制造企业智能化转型间的中介作用。

综上，本研究构建的制造企业智能化转型理论模型如图1所示。

图1 理论模型Fig.1 Theoretical model

2 研究设计

2.1 数据来源

在江苏省常州市、苏州市、无锡市、南京市等地的高新区进行问卷调研，选取这些地区的制造企业的原因在于：当地的智能制造基础优势和产业优势比较明显，在国内具有一定的代表性，并且智能制造一直是当地政府重点部署的工作，受政策影响，高新区内制造企业的智能化改造活动较为活跃。依托常州大学的校企合作平台，通过中间人辅助，课题组向随机选取的50家制造企业发放问卷，行业主要涉及电子通信、生物制药、服装纺织、装备制造等。从深入企业的访谈中了解到，这些制造企业都在从事一种或多种智能化改造项目，面临较高的模糊性和不确定性。为确保填写质量，明确告知受访企业，应由掌握企业知识整合和创新情况并负责生产管理、运营规划、技术研发等部门的高管匿名填写问卷。自2019年5月开始，采用现场填写和电子邮件形式，共发放问卷350份，截至2020年3月底，回收问卷267份。剔除空白太多、反应倾向过于一致的问卷后，最终得到有效问卷216份，其中，线上获取72份，线下获取144份，有效回收率为61.7%。样本的基本特征如表1所示。

表1 样本分布统计特征Tab.1 Statistical characteristics of sample distribution

2.2 变量测量

主要变量参考国内外成熟量表测量题项并采用李克特5级量表测度变量。为了确保有效性，在正式发放量表之前，一方面请有关专家对问卷提出多轮修改意见，另一方面，在校内举行的新能源装备企业高管培训班实施了预调研（N=60），以确定最终的量表题项。

智能化转型借鉴孟凡生和赵刚［4］的研究成果，从智能化转型的意愿与行为两个角度衡量。在初始小样本测试中，通过因子载荷统计检验，剔除了因子载荷在0.45以下的题项，确定了包含“我们有智能化转型的意愿”等在内的4个题目。

效果推理参考CHANDLER等［16］开发的量表。先前承诺4个题项，比如“我们试图让利益相关者提前认同我们的项目”等。柔性4个题项，比如“我们根据手边资源调整工作安排”等。试验包括3个题项，比如“我们提供的产品与最初规划有显著区别”等。可承受损失由3个题项构成，比如“我们的投资额取决于所能承受的损失”等。

知识整合采用LANSITI和CLARK［33］的量表，包含灵活性与效率性两个维度。由于在预测试时，它们之间存在较高的相关性（r=0.782），因此，合并两个维度的题项，并利用主成分分析法做因子分析，结果萃取到一个共同因子，特征值为4.327，累积解释总方差为67.8%，说明能够把两个维度合并为7个题项的单一维度。典型题项如“我们能从外界获得新知识代替旧知识”等。

界面管理参考MARTIN［28］的4题项量表，并根据指示物转移原理，保持构念的基本意义，指示物转向智能制造进行测量，比如“我们职能部门间的界面沟通状况良好”等。

在控制变量上，选取制造企业年龄（Age）、规模（Scale）两个指标。实际测量时，企业年龄采用企业创办年限测度。企业规模按人员数量分为50人以下、51～200人、201～500人、501～1 000人和1 000人以上5个等级，分别赋值为1～5。

2.3 信度效度检验

表2 显示，所有变量的信度值均大于基准值0.7，说明本研究的量表调查结果具有较高的信度。并且，问卷各个题目的因子载荷都高于0.6，再结合表3中方差萃取量（AVE）的平方根都大于各变量间相关系数的事实，可以认为量表效度达到要求。表3还汇报了描述性统计和相关系数。

表2 探索性因子分析Tab.2 Exploratory factor analysis

2.4 数据同源偏差检验

为减少同源误差方面的问题，本文不仅做了预先调研，而且在正式调研时，根据PODSAKOFF等［34］的建议采取以下措施：①向受访者承诺，所有数据仅用于学术研究，保证不对外披露，并且题目无对错之分，依据实际情况填写；②量表翻译极力采用通俗语言，便于受访者理解；③问卷确保让业务流程的不同部门负责人填写；④采用Harman单因素检验法对问卷做因子分析。结果发现，在未旋转情况下，第一个主成分解释的变异量为25.71%，累积总方差解释为77.2%，因变量和自变量也分别载荷到不同的因子上。因此，不存在单一因子解释大部分变异的现象，同源偏差对后续分析影响不大。

表3 描述性统计与相关分析结果Tab.3 Descriptive statistics and correlation analysis results

3 实证分析

采用SPSS20.0进行层级回归分析，结果如表4所示。

表4 层级回归分析结果Tab.4 Hierarchical regression analysis results

3.1 主效应检验

模型1包括控制变量和自变量的一次项，模型2中又加入可承受损失的平方项后，实证结果表明：先前承诺（γ=0.322，p＜0.001）、柔性（γ=0.246，p＜0.001）、试验（γ=0.271，p＜0.001）对制造企业智能化转型有积极影响，H1a、H1b、H1c得到验证；而对比模型1和模型2发现，可承受损失的平方项与制造企业智能化转型显著负相关（γ=-0.187，p＜0.01），因此，二者之间呈现倒U形曲线关系，H1d得到支持。

3.2 中介效应检验

首先，模型6 考察了自变量对知识整合的影响。结果表明：先前承诺（γ=0.173，p＜0.001）、柔性（γ=0.147，p＜0.01）、试验（γ=0.169，p＜0.01）对知识整合有显著正向影响，并且可承受损失的平方项（γ=-0.218，p＜0.01）与知识整合显著负相关，说明两者之间为倒U形曲线关系，H2a、H2b、H2c、H2d获得支持。

其次，模型3 中加入自变量的一次项和中介变量，发现知识整合（γ=0.184，p＜0.001）与制造企业智能化转型正相关，H3 得到验证。对比模型1，先前承诺（γ=0.161，p＜0.05）、柔性（γ=0.112，p＜0.05）、实验（γ=0.134，p＜0.05）的显著性均下降，因此，知识整合的中介作用H4a、H4b、H4c得到验证。

最后，根据EDWARDS和LAMBERT［35］的检验方法，在模型4中加入自变量一次项和中介变量知识整合、可承受损失的平方项以及可承受损失和知识整合的交叉项。此时，可承受损失的平方项的回归系数（γ=-0.123，p＜0.01）负向显著，再次说明其与制造企业智能化转型的倒U形曲线关系。值得注意的是，可承受损失与知识整合的交互项对制造企业智能化转型的作用不显著（γ=0.062，p＞0.05），这说明知识整合与制造企业智能化转型的关系不受可承受损失的权变影响，即知识整合与可承受损失间的倒U 形关系，会经由知识整合的中介作用影响制造企业的智能化转型。H4d获得支持。

3.3 调节效应检验

模型5 的结果显示，知识整合与界面管理的交乘项对制造企业智能化转型的影响显著（γ=0.138，p＜0.05），说明界面管理在知识整合与制造企业智能化转型之间关系有正向调节作用。图2 绘出了界面管理（比均值高低一个标准差水平）的调节效应。H5a得到验证。

3.4 有调节的中介效应检验

将样本量设置为5 000，利用Bootstrap 方法，验证有调节的中介效应。结果表明：当界面管理比均值高出一个标准差时，知识整合的中介效应值为0.221，并且95%的置信区间为［0.016，0.361］，不包含0在内；而当界面管理比均值低于一个标准差时，知识整合的中介效应值为0.132，95%的置信区间为［0.002，0.215］，同样不包含0 在内。更进一步，两种条件下的间接效应（Δγ=0.083）值的95%置信区间为［0.005，0.104］，不包含0。因此，知识整合的中介效应在界面管理较高的样本中更明显，H5b 得到支持。

图2 界面管理的调节作用Fig.2 Moderating role of interface management

4 结论与启示

4.1 研究结论

本研究探讨了效果推理对制造企业智能化转型的影响机理，研究结论如下。①效果推理除可承受损失以外的其他3 个原则，均对制造企业智能化转型有显著的正向影响。这说明，获取利益相关方的预先承诺，大胆试验新想法，并尽力保持组织柔性，对智能化转型的制造企业而言至关重要。同时，可承受损失的倒U 形影响，意味着过度或忽略预设止损的制造企业实施智能化转型绩效较差，需要根据实际情况权衡利弊，灵活调整止损上限。在核心场景和关键流程的技术改造时，固守可承受损失原则，可能由于试错不充分，能动性受限，产生“短视”，阻碍智能化转型。②知识整合在效果推理各维度与制造企业智能化转型的关系中有显著的中介作用。遵从效果推理的制造企业，能在最大止损原则下利用柔性、迭代试验和利益相关方的预先承诺，持续获取、吸收、组合、重构分散的多类别知识。借助系统化、社会化的知识整合，制造企业能比竞争对手更快地剔除知识冗余，弥补知识缺口，调整组织结构和运营机制，以识别、开发符合自身运营特点的智能化机会，促进智能化转型进程。③在知识整合与制造企业智能化转型的关系中，界面管理有显著的正向调节作用。这说明良好的界面管理通过促成跨部门间的合作，能提升制造企业对市场机会的警觉，进而引导注意力资源围绕智能产品商机的识别和开发。这不仅有助于减少内耗，提高知识整合效率，而且能强化知识整合向智能化转型的优势，迅速形成符合自身资源特色又贴近市场需求的大规模定制化生产方案，提升智能化转型的可行性和连续性。

4.2 理论贡献

首先，本研究拓展了效果推理的理论应用范围。于晓宇和陶奕达［36］指出，效果推理诞生并主要应用于创业领域，目前将其应用于其他不确定情境中的研究较少。崔连广等［37］认为，不确定性并非创业情境所特有，而是管理实践各领域普遍面对的问题，探析效果推理对其他构念的影响将促使效果推理理论向前发展。本研究验证了效果推理对制造企业智能化转型的影响以及知识整合的中介作用，拓展了效果推理理论新的探索方向。

其次，本研究丰富了智能化转型的理论体系。李廉水等［1］曾指出智能化转型的研究尚处初级阶段，多数成果聚焦于智能化转型为制造企业带来的新变化，但对具体转型过程以及过程中面临的风险缺乏必要的关注。本研究的实证结果表明，效果推理能够帮助制造企业克服资源短缺、经验不足等因素引起的不确定性风险，推动智能化转型进程。因此，本研究为THOBEN等［38］提出的战略决策风格与智能化转型可能存在相关性的观点提供了理论依据，有助于从效果推理的理论视角深化智能化转型的研究。

最后，本研究对界面管理的理论发展有积极贡献。BRUNDIERS等［39］的研究指出，界面管理的多数成果集中于产品创新与市场营销界面，对其他领域界面的讨论较少。游达明和王美媛［40］也认为，界面管理的应用性研究和实证性研究较少，弱化了界面管理理论的实践指导价值。本研究在探讨知识整合对智能化转型的作用时，考虑了界面管理的调节作用，既能从新视角推动制造企业智能化转型的相关研究，也对发展界面管理理论具有重要意义。

4.3 管理启示

我国转型经济背景下，独特的制度与市场环境加剧了制造企业智能化转型的不确定性风险，需要运用效果推理的战略决策逻辑指引制造企业抓住机会窗口，获取智能化转型成果。具体而言，遵从效果推理原则的制造企业可以通过试验和获取潜在利益相关方的先前承诺，快速构建开放式智能制造体系，并有意识地借助一系列小目标的试错反馈，吸收整合智能化转型相关的知识、资源和经验，降低智能化转型风险。同时，智能化转型过程中应保持柔性化的组织结构和管理制度，促进资源配用不断接近效率前沿，快速提升人工智能的技术创新和应用能力，不断探寻适配于自身运营特征的智能化解决方案。

制造企业既要关注最大可承受损失的积极方面，也需要意识到其作用有拐点。尤其在创新性智能解决方案时，不能完全依赖预设止损标准，过于强调防控财务风险，而应从实际情况出发，适时加大资源投入，加强利益相关者互动，以突破关键核心技术瓶颈，较竞争者更快地把握智能化转型机会。

知识整合中介了效果推理对智能化转型的作用过程，这就要求制造企业积极开展对异质类知识的解码与重构，加深智能制造类知识与企业现有知识基础、文化、制度的碰撞融合，提升知识整合效率，促进智能技术对接的速度和有效性，推动智能化转型。

界面管理正向调节知识整合与智能化转型的关系。因此，制造企业应着力建设规则统一、交流顺畅的互动沟通平台，强化职能部门间的界面合作，统一规划生产、管理和智能技术知识，从资源配置和知识整合效率方面促进智能化转型的有效性和持续性。同时，制造企业应积极探索企业与顾客之间的信息共享与界面沟通渠道，通过精巧的管理工具和制度设计，在企业的知识整合中融入用户参数，以强化大规模定制化生产能力，满足动态的个性化市场需求，促进智能化转型进程。

4.4 研究局限与展望

研究存在一定的局限，有待进一步完善。①REUBER等［41］的研究证实，管理实践中决策者并非单一使用效果推理的决策逻辑，往往会混合使用因果推理与效果推理两种战略决策逻辑。因此，未来研究可以考虑在模型中引入因果推理，以期更加完整地揭示战略决策逻辑对制造企业智能化转型的影响。②效果推理是一个正在发展的概念，其维度划分并不统一。中国转型经济的特殊性可能会造成效果推理内涵的变化，如，智能化转型的制造企业通过政治关联降低环境或制度不完善带来的不确定性，这在效果推理现有界定和量表中被忽视。未来应深入制造企业智能化转型实践，利用案例访谈提炼和完善效果推理的测量工具。③受限于时间与精力，研究样本主要源于长三角地区，为了提升样本数据的代表性，未来可收集来自珠三角或其他智能制造活跃度处于中上水平地区的制造企业数据进行实证分析，以检验研究结论的稳健性。