数智创新与战略新兴产业高质量发展

夏天添，王 慧

（1.江西科技学院学术委员会，江西 南昌 330098；2.江西省区域发展研究院，江西 南昌 330000；3.云南师范大学 教育学部，云南 昆明 650000；4.菲律宾中央大学，菲律宾 伊洛伊洛 5000）

一、引言

党的十九届五中全会提出，中国要坚持推动以高质量发展为目标的经济发展，要坚持以创新导向加快社会主义现代化建设，在这一目标的实现过程中，战略新兴产业的高质量发展，无疑对加快这一进程的实现有着关键引领作用[1]。为此，中央陆续颁布了一系列指导性文件，以确保稳步推进中国战略新兴产业的高质量发展。故而，探讨如何实现战略新兴产业的高质量发展，对推动中国经济高质量发展有着重要的意义。

数智创新是将数字技术与人工智能技术嵌入原有产品（服务） 体系当中，通过科学规划、融合重组，进而形成新产品（新模式） 的创造过程[2]。在新一轮技术革命浪潮的冲击下，数智创新作为创新驱动型经济改革战略的关键要素，是借助AI、机器学习等数智技术的条件优势，为组织实现产品设计、流程重组与商业模式优化等创新变革的重要抓手[3]。同时，数智技术突破了现阶段数字创新体系中的资源边界与内涵瓶颈，通过数智化资源重组、衍生价值拓展等方式，能够更进一步地完善产品（服务） 体系与经营模式，是新时代背景下中国战略新兴产业的全新动力[4]。正如百度无人驾驶汽车、海尔互联网工厂等成功经验，均表明数智创新将是推动中国战略新兴产业高质量发展的核心载体。

战略新兴产业高质量发展，即涉足战略新兴产业的企业通过生产经营，实现高经济价值增长、高附加价值增长与高生产效率增长的战略发展目标[5]。由于战略新兴产业是中国宏观经济发展的中观载体，也是微观企业发展的趋势写照，讨论战略新兴产业高质量发展的影响机制，亦成为业界和学界共同关注的话题[6]。以往研究主要从宏观与微观两个层面，对战略新兴产业高质量发展的影响机制展开了讨论，并取得了丰硕的成果[7]。从宏观层面而言，减税（费）、国有资产监管、环境规制等政策机制均有助于驱动战略新兴产业的高质量发展，同时，地方金融发展、数字经济发展等因素，亦与战略新兴产业高质量发展之间呈现出挤出效应[8]。而从微观层面而言，技术创新、数字化成熟度、治理效能等因素，亦对战略新兴产业高质量发展有着推动作用[9]，如陈丽姗和傅元海(2019)的观点证实企业数字化成熟度高，将在创新效率、资本结构、成本优化等方面，为企业助力，使之成为新常态下推动战略新兴产业高质量发展的优势力量[10]。

此外，以往研究虽肯定了数智创新对战略新兴产业高质量发展的推动作用，但目前有关数智创新的经济效应理论，依旧缺乏成熟的理论体系或实证分析框架，且鲜有学者关注数智创新在非宏观层面的内驱机制及边界条件[11]。按照新管制经济学的观点，任何产业均处于特定的制度管理情境[12]。因此，数智金融作为现代金融服务的新基点，可借助AI 技术的智能决策优势，弥补传统金融工具的不足，并以“高效率、低风险、准精度”的智慧金融服务，激发战略新兴产业全要素生产效率提升，是促进现代产业发展的一项重要边界条件。然而，随着数智金融的过度发展，金融投机、创新资源挤占、过度金融化等问题的滋生，必将抑制产业全要素生产效率的提升，但该问题却鲜有学者展开进一步的论述，这也为本研究的理论创新提供了实现的可能。

综上所述，以往研究的观点肯定了数智创新对战略新兴产业高质量发展的推动作用，但其二者间的内驱机制为何？又是否存在重要边界条件等问题，仍有待进一步厘清。故而，文章将基于数字创新理论，以中国战略新兴产业领域的上市公司为样本，通过计量模型与组态效应分析，揭示数智创新对中国战略新兴产业高质量发展的影响“黑箱”，并同时检视数智金融的边界作用。

二、研究假设

1. 数智创新与战略新兴产业高质量发展

创新是中国创新驱动型经济体制改革的核心动能，其本质在于将未知生产要素与生成条件重组融合，继而创造出新的生产组合。根据数字创新理论的观点，数智创新一方面可基于用户数据，筛选出创新所需的知识类型、当量与结构，并通过智能化分析，为企业提供最优的决策方案[13]；另一方面，可借助技术优势，削减其价值共创过程中的成本，防范未知市场风险，以提升企业的组织韧性和动态能力[14]。因此，数智创新可基于数字化资源的使用效率提升，以及提高创新过程中的管控精度与流程效率，加快战略新兴产业数智化转型，进而更好地推动其迈入高质量发展阶段。数智创新推动战略新兴产业高质量发展的理论机理如图1 所示。具体实现路径有三：

图1 数智创新推动战略新兴产业高质量发展的理论机理图

（1） 数据资源商业化路径

从数据资源的深度应用视角而言，数智技术所推动的信息基础设施“再升级”，加速了数据的资源化进程，如对交易数据的精准化识别与提取，不仅实现了企业生产要素的高效率匹配，更能够使企业从中寻找到优质用户及商业契机[11]。因此，数智经济时代，数据的商业资源化属性日益显著，市场主体的经营红利亦取决于对市场数据的掌控能力[14]。同时，相比于传统数字化创新，数智创新是数字化创新的“升华”，其不仅具备数字化创新在突破空间和时间上的技术优势，并且能够更加精准、高效地对数据展开智能化识别、提取、追踪和判断，大幅提升了企业的数据资源利用效率与精度，并有利于进一步优化市场信息不对称所造成的企业决策误差和成本（含数据获取成本、供应商和用户的议价成本等），从而让企业获得应对多变市场需求的组织韧性或竞争力，为企业的高质量发展提供有力的技术保障[15]。

（2） 企业多元化创新路径

从创新实践视角而言，数智技术不仅为企业研发类创新带来了技术上的支持，更为非研发类创新提供了实现的可能。首先，如数字孪生技术等虚拟仿真技术或AI 技术，一方面提高了企业创新效率、精度与市场匹配度，另一方面大幅降低了企业创新过程中的“试错”成本，为企业赢得了一定的市场议价空间[16]。其次，随着数智技术与企业业务的深度融合，数智创新的技术优势将赋能于企业业务数智化转型，如利用边缘计算、深度学习等精准画像技术，不仅可以有效提高企业营销效率，还能够以此减少营销成本与组织资源投入，实现战略新兴产业的价值增长型商业模式创新[17]。

（3） 产业链价值创造路径

从产业协同视角而言，数智创新可通过联结性与融合性的技术优势，打通产业链（供应链）、企业间和产品（服务） 间的边界壁垒，促进战略新兴产业各主体间的协同发展，降低战略新兴产业内的非必要性（重复性） 生产要素投入，为推动产业内生产效率大幅提升奠定了实现基础[17]。同时，对于高市场潜质的战略新兴产业而言，数智创新能够基于智能化技术，以供应链金融支持等方式，高效整合产业链，并逐步构建数智化产业链，以集群效应驱动战略新兴产业高质量发展。

综上而言，文章认为数智创新可基于数据资源商业化路径、企业多元化创新路径与产业链价值创造路径，推动战略新兴产业高质量发展。故而，文章提出以下研究假设：

假设H1：数智创新将推动战略新兴产业高质量发展。

假设H2：数智创新会通过数据资源商业化路径、企业多元化创新路径与数智价值创造路径，间接推动战略新兴产业高质量发展。

2. 数智金融的调节作用

根据数字创新理论，金融效率是决定企业成长的关键要素，是支撑战略新兴产业高质量发展的重要边界条件。金融效率越高，企业可用于创新的资源便越充沛，其创新意愿、效率和幅度亦随之增长，并有助于企业进一步开拓价值创新路径，实现高质量发展。随着数智金融的日益成熟，数智技术与金融工具（模式） 的深度融合，其不仅保留了数字金融阶段，对潜在金融风险识别的功能，还可利用AI、深度学习等智能化技术赋能，大幅提高企业风险识别精度及风险预测水平，降低传统金融风险对市场环境的损害[18]；同时，数智金融还可进一步提高企业金融资本配置效率，激发金融环境的最大动能，为企业提供更加高效精准的现代金融服务。

然而，随着有关数字金融研究的不断深入，亦有学者提出了“双刃剑”的观点：即数字金融虽能有效缓解融资约束对企业创新的资源抑制，并为企业高质量发展提供金融支持，但随着使用深度的不断加剧，也会存在诱发企业产生经营风险的可能，如企业过度金融化、企业关键数据流失、金融欺诈等。其具体表现为：

（1） 组织数据资源过于暴露，存在关键数据资产流失风险

数智金融赋能可大幅推动企业数智创新效率、幅度及质量，为加快战略新兴产业高质量发展带来了“资”的保障。但随着数智金融融资幅度、深度及依赖度的不断提高，企业被迫披露或提供的内部资讯（数据） 便越多，其通过数智创新所积累的关键性数据资产，则成为了决定其融资可得性的关键“筹码”[15]。因此，企业若无法将被迫披露的数据有效资产商业化，则将减损相关数据的资产效能，并导致前期投入沦为沉没成本[19]。同时，鉴于战略新兴产业的高技术迭代性与高技术可复制性，若企业对披露数据资产的管理机制失灵，也将错失市场先机[16]。由此而言，对涉足战略新兴产业的企业而言，适度的数智金融，可为企业数智创新提供有效的资金保障，企业为此付出的数据资产与融资付出也相对均衡。

（2） 支持力度难掌控，易使企业产生决策偏差

研发类创新是战略新兴产业实现高附加价值，乃至于实现高质量发展的根本。然而，即便在数智技术赋能的前提下，战略新兴产业的研发类创新周期、成本及产品（服务） 转化，也与非研发类创新存在显著的效率差距。同时，鉴于非研发类创新周期短、见效快的创新特征，一旦形成成熟的新型商业模式，将为企业带来高附加价值的增长[19]。因此，若企业在高附加价值的红利诱导下，将用于研发类创新的资源挪至非研发类创新，其研发类创新效率必将减缓，甚至停滞，其战略新兴产业高质量发展的初衷也将沦为“无本之木”。此外，相比于传统融资模式，对涉足战略新兴产业的企业而言，数智金融的融资可得性更高，支持力度更大，若企业可通过数智金融获得足量的金融资源支持，则可有效规避这一资源配置难题，兼顾研发类创新与非研发类创新，实现高附加价值增长下的战略新兴产业高质量发展；反之，若数智金融给予了企业过量的金融支持，又容易诱使企业过度金融化，偏离企业创新的本质。由此而言，只有数智金融支持力度适度，方可使数智创新稳定推进企业多元化创新效率，实现企业的高附加价值增长。

（3） “非理性”融资，不利于产业生态健康发展

对战略新兴产业中的非核心企业而言（含中小微企业和弱势企业），核心企业数智创新打通了组织间的信息隔阂，提高了产业链（供应链） 整体的生产效率；同时，核心企业也可在数智金融的助力下，进一步完善产业内的供应链金融体系，从而在加强核心企业自身地位及产业控制力的同时，帮扶非核心企业共同成长，以促进战略新兴产业的高质量发展[20]。因此，高数智金融赋能，能促进核心企业数智创新对战略新兴产业生产效率的提升作用。然而，若核心企业采取非理性融资策略（即“为融资，而融资”），通过数智金融过度攫取金融支持，则不仅存在企业过度金融化、债务提升等组织风险，更甚者还会出现通过供应链融资等方式，钳制、操控、恶意并购非核心企业的情况，这不仅有碍于核心企业的健康发展，更将对所在战略新兴产业生态造成不可逆的损害[21]。由此而言，只有数智金融对战略新兴产业核心企业的金融支持适度，才能发挥金融工具对产业高质量发展的促进作用。

综上可知，文章认为只有适度的数智金融，才能够让涉足战略新兴产业的企业，更好地发挥数智创新势能，以实现企业高经济价值、高附加价值与高生产效率的综合性增长，进而推动战略新兴产业高质量发展。由此，文章提出以下研究假设：

假设H3：数智金融将在数智创新推动战略新兴产业高质量发展的正向影响关系中，存在显著的非线性调节作用。

三、研究设计

1. 模型设定

为揭示数智创新推动战略新兴产业高质量发展的内驱机制，文章参考相关学者的做法，构建以下计量模型：

其中，被解释变量SEI-HQD 代表战略新兴产业高质量发展，解释变量DII 代表数智创新，中介变量M 包括数据资产披露率DA、非研发类创新投入N-R＆D、供应链金融SCF，调节变量DI-F 代表数智金融，控制变量C 包括企业规模Size、资产收益率ROA、经济发展GDP 等；i 和t 代表第i 家公司第t 年的数据，μ 和ε 分别代表的是虚拟变量（行业及年份） 和随机误差项。

模型(1)中，若β1显著，则说明假设H1 得到了验证；模型(2)中，若β1和β2显著，且区间效应不含0，则说明假设H2 得到了验证；模型(3)中，若β3显著，且区间效应不含0，则说明假设H3 得到了验证。

2. 变量定义

（1） 解释变量：数智创新(DII)

鉴于目前上市公司的财务数据中，并未详尽披露有关数智创新的研发投入数据。本研究参考安同良、闻锐(2022)[22]的做法：一是基于国家知识产权局公开披露的专利数据，通过Python 数据挖掘技术，爬取对应样本企业2016—2020 年度的专利授权数据；二是将“智能化”“AI（人工智能）”“机器学习”“深度学习”“图像理解”“边缘计算”“智能机器人”“自然语言处理”等涉及数智技术的词汇，设定为关键词，进行匹配性筛选，以得到对应样本企业，在对应年份内的有关数智创新的专利授权数量；三是以该数智专利数量与企业对应年份的专利授权总量之比，作为数智创新的观测指标；四是按照上述步骤，加入“大数据”“云计算”“物联网”等数字创新关键词，得到对应样本企业有关数字创新的观测指标，以作为替代变量。

（2） 被解释变量：战略新兴产业高质量发展(SEI-HQD)

文章参考Levinsohn＆Petrin(2003)[23]的做法，以全要素生产率观测对应样本上市公司的战略新兴产业高质量发展。具体计算公式如下：

其中，MIB 为主营业务收入，NE 为员工总量，FA 为企业固定资产，P＆L-C 为采购及劳务成本（现金支出）。

（3） 中介变量：数据资产(DA)

本研究参考危雁麟等(2022)[24]的做法，采用Python 数据挖掘技术，对样本上市公司的年度财务报告进行文本挖掘，并以关键词频数观测企业数据资产披露率。非研发类创新投入NR＆D，参考解学梅、王宏伟(2020)[19]的做法，以非研发类创新投入占企业研发投入总量之比，观测非研发类创新投入。供应链金融SCF，参考宋华等(2022)的做法[25]，采用Python 数据挖掘技术，对样本上市公司的年度财务报告进行文本挖掘，从中梳理出对关联系业务公司的融资数据，并以该公司对供应链上下游企业的融资总量增长率，作为主要观测指标。

（4） 调节变量：数智金融

文章参考安同良、闻锐(2022)的做法[22]，采用Python 数据挖掘技术，以有关数智金融的相关技术词汇为关键词，对《中国数字经济统计年鉴》 《北京大学数字普惠金融指数报告》等资料进行文本数据挖掘，分别计算关键词词频，并同时采用主成分法，评价各关键词权重，再通过加权计算聚合为对应省份、年份的数智金融指数。具体变量定义与描述性统计特征见表1。

3. 样本来源

文章以2016—2020 年中国战略新兴产业的上市公司数据为样本，具体行业包括信息技术行业、先进制造行业、互联网技术服务行业和通信服务行业。其中，数智创新、数智金融、战略新兴产业高质量发展等数据，来源于历年CSMAR 数据库、Wind 数据库、 《中国统计年鉴》 《中国数字经济统计年鉴》《北京大学数字普惠金融指数报告》与国家知识产权局。

在样本预处理方面，文章参考相关学者的做法，删除了无效数据（包括未开展数智化转型的相关样本、关键数据缺失的样本、ST 和*ST 的样本等），最终得到了2317 家企业的11585条面板数据；其中，各主要变量的相关性系数在-0.270～0.459范围内显著，且各主要变量的VIF 系数均在10 以下的阈值范围，说明本研究受多重共线性的干扰较小。

四、假设检验

1. 基准回归检验

（1） 主效应检验

根据表2 的M1 列的结果显示，数智创新与战略新兴产业高质量发展之间的正向影响关系显著(β=0.228，P＜0.001)，假设H1 得到了支持。

表2 假设检验结果

（2） 中介效应检验

文章参考曹曼等(2019)的做法[26]，在分别验证了数据资产、非研发类创新和供应链金融的独立中介效应显著后，将三者同时纳入M1 的模型，进行混合中介效应检验。根据表2 的M2列和表3 的结果显示，数智创新能够分别通过数据资产、非研发类创新和供应链金融，显著间接影响战略新兴产业高质量发展，假设H2 得到了支持。

表3 中介效应检验结果

（3） 调节效应检验

文章按照曹曼等(2019)的做法[26]，首先，分别检验了数智金融，在数智创新与数据资产(Δγ=γ高-γ低=0.317-0.173=0.144，p＜0. 001，95%，CI=[0.138，0.149])、非研发类创新(Δγ=γ高-γ低=0.400-0.219=0.181，p＜0.001，95%，CI=[0.174，0.189])和供应链金融(Δγ=γ高-γ低=0.239-0.141=0.098，p＜0. 001，95%，CI=[0.091，0.104])之间的调节作用；其次，将数智金融作为调节变量，纳入M2 的模型，并按照Bootstrap 方法进行有调节的中介效应检验，结果显示数智金融的调节作用依旧显著，假设H3得到了支持。

2. 稳健性检验

（1） 替代变量

首先，文章以数字创新作为替代变量进行主效应的稳健性检验，结果显示：当数字创新作为唯一解释变量时，其影响关系显著(β=0.130，P＜0.01)，但相比影响程度较小；同时，将数字创新作为解释变量，纳入M1 的模型后进行检验，发现数智创新对战略新兴产业高质量发展的正向影响依旧显著(β=0.207，P＜0.001)，但数字创新不显著(β=0.158，P＞0.05)，说明数智创新对数字创新具备替代效应，并同时检验了假设H1。其次，文章以数字金融作为替代变量进行调节效应的稳健性检验，结果显示：数字金融在数智创新与战略新兴产业高质量发展之间的间接影响关系中，起到了显著的有调节的中介作用，但其影响效果亦远低于数智金融，说明数智金融具备比数字金融更好的赋能作用，并同时对假设H3 进行了验证。

（2） 滞后一期变量

鉴于反向因果考量，本研究将战略新兴产业高质量发展滞后一期作为被解释变量，进行主效应的稳健性检验，结果显示：数智创新依旧能够显著影响战略新兴产业高质量发展(β=0.216，P＜0.01)，这也进一步证明了本研究受反向因果的影响较小。

（3） 倾向得分匹配(PSM)

鉴于企业数智创新的背景差异性，为降低遗漏变量及样本自选性所造成的干扰，本研究采用倾向得分匹配(PSM)进行主效应的稳健性检验。具体步骤：首先，按照样本上市公司的数智创新专利数量进行排序，并以数量排名中位数为基点，将样本划分为控制组（后50%的样本） 和实验组（前50%的样本）；其次，按照两组样本的控制变量进行邻近匹配，以降低控制变量的偏差影响；其三，通过PSM回归结果发现，数智创新对战略新兴产业高质量发展的正向影响依旧显著(β=0.228，P＜0.01)，说明主效应分析结果不受样本自选性的干扰。

（4） 蒙特卡罗模拟

鉴于文章所采用的研究数据均为面板数据，考虑到数据结构的非对称性，采用蒙特卡罗模拟进行中介效应的稳健性检验。结果显示：数智创新依旧可以通过数据资产(β=0.053，P＜0.01，95%，CI[0.013，0.069])、非研发类创新(β=0.046，P＜0.01，95%，CI[0.024，0.084])和供应链金融(β=0.039，P＜0.01，95%，CI[0.017，0.068])，显著间接影响战略新兴产业高质量发展，说明中介效应分析结果受数据结构的非对称性影响较小。

3. 组态分析

文章以中国战略新兴产业上市公司为样本，检视了数智创新对战略新兴产业高质量发展的深层影响机制，并同时验证了数智金融的赋能效应。然而，计量分析结果仅是厘清了二者间的过程机制与边界条件，如何有效通过数智创新，推动战略新兴产业高质量发展等实际问题，却仍未得到有效解答。故而，本研究参考杜运周等(2021)的做法[27]，采用模糊集定性比较分析(fsQCA)从组态分析视角，讨论能够推动中国战略新兴产业高质量发展的企业数智创新对策组合。具体步骤为：

（1） 数据校准

根据表2 的结果可知，数智创新等主要变量能够对战略新兴产业高质量发展的影响显著，而其他变量不显著。因此，本研究将数智创新等5 个变量，进行必要条件检验，在各变量皆不是唯一性变量的前提下，将其设置为前因变量（如表4 所示），再按照0.05、0.5 和0.95 的标准进行数据校准。

表4 必要条件检验结果

（2） 结果分析

根据表5 的结果显示，在80%覆盖率和案例数大于1 个的约束条件下，共得到了三个组态路径，其一致性分别为92.5%、87.4%和94.7%，皆满足75%以上的阈值标准，且方案总体覆盖率超过80%，证明这三个组态方案，具备较高的案例解释度。因此，文章参考杜运周等(2021)的建议[27]，对各组态方案分别命名，并展开案例讨论。

表5 组态效应检验结果

4. 案例讨论

（1） “产业链主导型”战略新兴产业高质量发展实现方案

适用于该路径方案的样本企业多为细分市场领域的龙头企业或优势企业，主要分布于前瞻性技术领域，并普遍具备大组织规模、大资金当量和大技术优势的组织特征。如表5 的方案A，“产业链主导型”战略新兴产业高质量发展路径的Raw Coverage 为14.1%，Unique Coverage 为1.1%，Consistency 为92.5%。其中，数据资产和供应链金融为核心条件，数智创新和数智金融为辅助条件，说明在数智创新驱动下，供应链金融成为了优势企业拓展产业链边界的重要手段，而实现这一进程的关键，便在于数据资产的排他性，这也是为何数据资产不可公开商业化，以及不可作为融资诉求的主要条件的原因。同时，以数智技术为抓手，以供应链金融为措施，可助龙头（优势） 企业进一步强化产业链主导地位，并推动战略新兴产业高质量发展。综上，文章认为当龙头（优势） 企业通过数智技术，实现了对产业链上下游情报的精准控制时，可采用供应链金融的资本手段，延伸产业链控制范围，促进战略新兴产业高质量发展。

（2） “非研发创新型”战略新兴产业高质量发展实现方案

适用于该方案的样本企业多为“专精特新”类中小企业，并主要分布于华南、华东等发达省市，普遍具有业务周期短、资金周转率较高、资金压力小等组织特征，且在产品、服务或技术上有着鲜明的特色或市场优势。根据表5 的方案B，“非研发创新型”战略新兴产业高质量发展路径的Raw Coverage 为20.7%，Unique Coverage 为7.7%，Consistency 为87.4%。其中，数智创新、数据资产和非研发类创新为核心条件，数智金融为辅助条件，说明在数智创新的高效驱动下，该类企业可基于数据资产的高附加价值，在组织管理、营销模式、生产运营及服务模式等方面，进行非研发类创新，从而减少对外源融资的依赖性。因此，该类型企业可在低融资压力环境下，充分发挥数智创新，以及由此创造的数据资产的最大势能，实现组织内多元化创新循环，进而促进战略新兴产业转型升级。由此，文章认为数智技术可推动企业商业模式创新，以推动战略新兴产业转型。

（3） “数智化驱动型”战略新兴产业高质量发展实现方案

适用于该方案的样本企业主要是数智技术类专利较多，且转化程度较高的企业，或是数智化转型成熟度较高的企业。根据表5 的方案C，“数智化驱动型”战略新兴产业高质量发展路径的Raw Coverage 为14.3%，Unique Coverage 为1.3%，Consistency 为94.7%。其中，供应链金融与数智金融为核心条件，数据资产和非研发类创新为辅助条件，说明对于组织数智化程度较高的企业而言，数智金融的高效赋能，可进一步促进企业数据资产商业化、组织内多元化创新和产业链边界拓展，从而加快战略性新兴产业转型升级进程与实现高质量发展目标。因此，该类型企业可依托数智创新的技术优势，并充分利用数智金融的资本工具，强化企业软实力与市场（产品） 竞争力，从而迈入高质量发展阶段。因此，文章认为企业的数智化转型成熟度决定了实现战略新兴产业高质量发展的内驱机制效率。

五、研究结论、理论贡献与对策建议

1. 研究结论

文章以中国战略新兴产业上市公司为样本，通过构建计量模型和组态分析，揭示了数智创新对战略新兴产业高质量发展的影响“黑箱”，并同时检视了数智金融的边界作用。结果显示，数智技术对数字技术存在显著的替代效应，并主要体现在数智创新和数智金融方面；数智创新能够通过数据资源商业化路径、企业多元化创新路径与产业链价值创造的内驱路径，间接推动战略新兴产业高质量发展，且该过程影响机制受到数智金融的情境机制干扰；此外，文章提出了三种基于数智创新的战略新兴产业高质量发展实现方案。

2. 理论贡献

文章的理论贡献包括：第一，文章基于Python 数据挖掘技术，提出了一种数智创新的观测方式，为后续研究提供了一个可选择的方案；第二，文章从数据资产商业化、多元化创新和数智价值创造的路径，剖析了数智创新对战略新兴产业高质量发展的过程机制，为进一步探究其二者间的影响“黑箱”，提供了一个全新的视角；第三，文章将数智金融引入研究框架，检视了差异化水平的数智金融对数智创新与战略新兴产业高质量发展之间的边界作用，该观点有助于更进一步诠释数智创新对战略新兴产业高质量发展的影响机制。

3. 对策建议

根据研究结论，文章提出以下管理对策与政策建议：

第一，加快产业链龙头培养，充分发挥数智产业集群优势。一是，各地方政府需结合地方战略新兴产业发展现状，着力打造一批有市场潜力与企业竞争力的行业龙头企业，构建地方“智慧型”战略新兴产业集群。二是，基于战略新兴产业特色，有针对性地加强战略新兴产业的相关数智基础设施与产业链配套设施建设，并以协调者的身份帮助企业拓宽生产要素获取渠道、促成战略合作、搭建市场平台等，为地方战略新兴产业高质量发展提供条件性保障。

第二，加快非研发创新进程，充分发挥商业模式创新价值。一是，相关企业可积极推动数智技术与营销模式、组织运营、生产管理等方面的深度融合，以商业模式创新优化组织效率、成本与资源配置，以企业软实力提升促进战略新兴产业高质量发展。二是，充分利用商业模式创新的组织效能，为产品（技术） 创新提供精准需求定位与资源保障，确保企业研发方向与精度的科学性与市场性，为企业高质量发展提供过硬实力的保障。