数字化融合赋能制造业技术创新--基于电子信息制造业的实证分析

陈旭升, 杨云慧, 张晋硕

(哈尔滨理工大学经济与管理学院, 哈尔滨 150040)

数字化有助于优化生产流程,提高制造柔性,实现产品设计与用户需求信息共享,有助于企业形成创新方向。2017年工信部发布的《大数据产业发展规划》提出“培育数据驱动的制造业新模式”,通过大数据在技术、管理和供应链等方面的应用来降低成本。2021年“十四五”《数字经济发展规划》重点强调通过“智能制造”深化“数字化转型”。2022年党的二十大报告提出“促进数字经济和实体经济深度融合”,建议以数据为核心的新型工业体系,促进制造业高质量发展。我国数字经济发展规模从2015年的18.6万亿元增加到2022年的50.2万亿元,数字化已成为引领经济发展的新动能,通过提升企业效率、灵活性和定制化能力,推动制造业创新过程的实现。

智能硬件、芯片等产品的制造能力,对制造业数字化发展起到重要推动作用,可实现资源跨区域整合、信息交互和人工智能分析。芯片嵌入催生了制造业新业态、新模式,拓展传统产品市场发展空间,帮助企业实现服务化转型。在产品加工过程中,工业机器人、AGV(无人搬运车)等可以实现自动化生产,提高加工质量。在数字化运营管理中,智能硬件增强了数据处理能力,促进云计算在制造业的应用。由此可见,数字化硬件产品通过技术溢出,促进了企业从流水线生产转变为以大数据、物联网驱动的智能制造,形成满足用户个性化需求的商业模式。智能设备在制造业应用推动技术创新,缩短产品从设计到市场的周期,对促进数字经济与实体经济融合有着重要的实践意义。

鉴于此,在已有研究的基础上探究数字化融合对制造业技术创新影响,可能的边际贡献有:①数字产品制造是自动化工业软件研发和应用的基础,可推动操作系统等方面自主创新,利于智能化向整个制造业扩散。选取电子信息制造业作为“中国制造2025”情境下产业代表,分析数字化融合赋能制造业技术创新机理。②从产业资源要素和产业绩效双重维度分析融合程度,要素融合能形成产业间资源合理分配,而产业绩效是不同产业融合后,产业结构升级、组织变革的直接结果。两个方面涵盖了从资源利用到绩效产出的全过程。③在分析不同融合维度作用效果的基础上,将研发投入与数字化融合结合,以期厘清制造企业在创新过程中多种因素协同作用关系,并进一步明确数字化融合在不同类型制造业的差异。

1 文献综述

数字化对制造业技术创新水平提升是一个交互影响的产业融合过程。数字技术推动了生产模式变革,优化制造业产业结构[1],使得运营管理智能化,提高全要素生产率[2]。工业互联网促进了智能和开放数字化平台的形成[3],实现数据实时监控、跟踪产品状态和维护控制生产过程,依此产生的大数据通过算法集成形成分析与预测过程,使不稳定的工艺参数得以控制,避免了生产质量方面的问题,提高了组织在决策过程中的效率[4]。数字化在应用过程中,信息网络集成使制造企业获得多样性知识[5],知识渠道和范围增加可重构知识结构,产业间共性技术应用可实现产品个性化加工,形成生产与销售过程协同[6],推动了以用户导向的研发平台形成,通过整合供应链各环节企业数据驱动能力,实现供应链各组间协同和快速响应,形成在信息、流程和组织等多方面互相渗透,改变了原有产业间的固有边界[7-8]。

制造业数字化融合研究主要从影响因素、机理和绩效方面展开。产业间投入产出体现了资源关联效应和交互关系,中间投入要素占比说明了数字化对制造业融入的程度,而完全需求系数矩阵可衡量数字化间接贡献[9];区域优势产业发展及资源禀赋差异,导致东部数字化融合始终高于全国水平,而东北和西部融合程度相对较低[10]。数字化技术融合可突破单一技术路径依赖,实现产业间技术的交叉与重组,能产生不可预见的新应用与功能,在技术与市场方面同时进行颠覆性创新,会增强融合在制造过程中的正向溢出绩效,可以使得企业短期与长期效益兼顾[11];制造业与数字产业融合中,受产业关系不同可分为前向关联融合和后向关联融合,多数区域融合溢出效应大于适应环境变化能力,数字化融合产生的辐射影响明显[12]。数字化平台形成了从产品原材料到用户的制造全过程集成,降低了企业拓展销售渠道成本,可满足跨区域消费需求,融合形成市场规模扩大和知识溢出效率效应,进一步促进了制造业发明专利数量提升[13];随着数字化融合在制造业应用范围不断扩大,数字化和服务化形成相互协同关系[14],将侧重客户增加价值的工艺和产品创新,与依据外部需求改进内部流程的服务创新相结合,形成以智能化为基础的新商业模式。

现有研究已从多方面对融合理论进行探究,然而由于技术和商业模式的迅速发展,仍滞后于产业实践过程。首先,在数字化融合中通常将数字产业作为一个整体进行研究,忽视了数字产业根据统计标准可分为要素驱动、服务、产品制造和技术应用等不同方面,缺乏针对不同数字产业特点的融合分析,难以区分其内在作用机理差异。其次,在构建数字化融合评价指标体系中,主要从技术、组织和市场维度进行指标的选取,虽能体现不同产业间关联关系,却不能兼顾对产业发展基本要素和绩效之间内在联系。此外,将数字化融合作为促进创新的主要驱动因素,认为创新是数字化不同维度综合作用的结果,对形成创新的其他因素与数字化协同作用未给予足够关注,尤其未明确与其他因素共同影响时可能的作用关系。

2 数字化融合测度

2.1 指标体系构建及数据来源

为测度数字化与制造业的资源要素彼此渗透和产业结构融合程度,将指标体系分为资源要素和产业绩效两个一级指标,每个一级指标下分别设多个二级指标,见表1。

表1 电子信息制造业数字化融合指标体系

数据来自《电子信息产业统计年鉴》《中国统计年鉴》《中国工业统计年鉴》,由于制造业部分子行业存在数据缺失,删去制造业C24、C25、C42和C43等子行业。因为统计年鉴口径变化,为使样本前后统一,自2012年起将C36和C37合并为交通运输设备制造业(C36-37)。综合考虑数据的可获取性,选取2009-2019年统计数据,其中数字产品制造选择电子信息制造业,制造业选取了共26个子行业的面板数据。

2.2 融合测度方法选择

产业融合测度方法主要有投入产出法、灰色关联分析法和耦合协调度模型。投入产出法能反映产业间分工协作关系,然而受到统计数据公布时间限制,仅能分析每间隔5年的数据变化,缺乏对数字化融合连续状况描述;灰色关联分析法局限于系统间发展趋势相似性;而耦合协调度模型所测量的数值可以直接反映两个系统间影响程度,利于分析变量间因果关系。可将两个产业视为一个耦合系统,构建有序功效模型。设U为制造业子系统中综合序参量;Uij为制造业子系统第i个指标的第j个变量,其值为Xij(i=1,2,…,n;j=1,2,…,m);G为电子信息制造业;Gij为电子信息制造业子系统第i个指标的第j个变量,其值为Yij(i=1,2,…,n;j=1,2,…,m)。用熵权法计算指标权重;参照孔庆恺等[15]的研究,计算制造业与电子信息制造业的耦合关联度C和耦合协调度D。

(1)

(2)

式中:T为反映制造业与电子信息制造业的综合数字化融合评价指数,且T=θU+γG,θ+γ=1,θ、γ分别为制造业与电子信息产业制造业的贡献系数。

2.3 产业融合发展趋势

通过折线图展现2009-2019年制造业26个子行业融合水平变化趋势,如图1所示。

从整体来看,制造业各个子行业与电子信息制造业的耦合水平整体上呈波动上升趋势。从2009年逐渐增加,自2011年后耦合协调度的数值均大于0.5,表明两个产业之间的融合程度较强。在制造业子行业中,仅小部分行业存在起伏波动较大,但也保持总体增长趋势,其中农副食品加工业(C13)、纺织业(C17)、纺织服装、服饰业(C18)、木材加工和木、竹、藤、棕、草制品业(C20)呈先升后降趋势,其他制造业(C41)呈先升后降再升趋势。通过柱形图来展示制造业总行业数字化融合情况,耦合协调度总体上呈现逐年波动增长趋势,说明两个产业在整体上的融合程度较强,具体如图2所示。

图2 2009-2019年制造业数字化总体融合及各维度柱状图

3 模型构建

为探究产业融合对制造业技术创新的影响,将2009-2019年制造业的时间序列数据和子行业数据结合构建面板回归模型:

PATij=α0+α1CONij+∑α2Xij+δi+εij

(3)

式中:i为行业;j为年份;PATij为被解释变量,通过发明专利的对数值来衡量,代表i行业在j年的制造业子行业技术创新水平;CONij为核心解释变量,采用电子信息制造业和制造业的耦合协调度来衡量,代表i行业在j年数字化融合水平;Xij为选取的控制变量,其中产业规模(SCALE)采用主营业务收入与企业个数的比值来衡量,政府支持(GOV)计算方式为对国家资本金与企业个数的比值取对数值,科研水平(SCL)计算方式为对有R&D活动的企业数取对数值,外商投资(FDI)为外商资本金的对数值;δi为用来控制个体固定效应的虚拟变量;εij为随机残差项;α0为常数项;α1、α2为回归系数。

为检验研发投入对制造业技术创新水平的中介作用,构建模型(4)～模型(6)。选取研发投入RDij作为产业融合影响制造业技术创新水平的中介变量,代表i行业在j年研发投入水平。对于研发投入从两个方面来衡量,一方面是研发人员投入(RDS),计算方法为R&D人员全时当量与企业个数的比值,另一方面是研发经费投入(RDF),计算方式为对R&D经费内部投入与企业个数的比值取对数。所用数据来自《中国统计年鉴》《中国工业统计年鉴》《中国科技统计年鉴》。

RDij=θ0+θ1CONij+∑θ2Xij+δi+εij

(4)

PATij=ϑ0+ϑ1RDij+∑ϑ2Xij+δi+εij

(5)

PATij=ρ0+ρ1CONij+ρ2RDij+

∑ρ3Xij+δi+εij

(6)

式中:θ0、ϑ0、ρ0为常数项;θ1、θ2、ϑ1、ϑ2、ρ1、ρ2为回归系数;Xij为控制变量。

4 基准模型回归分析

4.1 数字化融合影响效应

为了确定产业融合对制造业技术创新水平是否具有促进作用,基于2009-2019年制造业子行业面板数据进行固定效应回归,结果见表2。模型(1)为不加入控制变量时,核心解释变量数字化融合(CON)的系数为1.643,通过了1%的显著性检验;模型(2)～模型(4)依次加入SCALE等控制变量,数字化融合系数变化幅度较小且始终为正数,均通过了1%的显著性检验;模型(5)为加入全部控制变量结果,数字化融合(CON)的回归系数为0.438,且显著,反映出数字化融合对制造业技术创新水平产生正向影响,说明电子信息制造业和制造业的融合打破了行业间的边界,促进产业间技术、资源和信息间的共享,优化了生产流程,提高了资源利用效率,从而提升了制造业技术创新水平。

4.2 数字化融合异质性分析

参考宋帅邦[16]的研究将制造业子行业按资源密集程度分为劳动、资本和技术3类。在表3中,模型(1)为劳动密集型制造业的数字化融合与制造业技术创新的回归结果,CON的回归系数为0.431,且通过了1%显著性检验,这说明在劳动密集型制造业中,数字化融合能明显提高制造业技术创新水平;模型(2)为资本密集型制造业的回归结果,CON的回归系数为0.230,虽为正值但未通过显著性检验,说明在资本密集型制造业中,数字化融合不能显著提高制造业技术创新水平;模型(3)为技术密集型制造业的数字化融合与制造业技术创新的回归结果,CON的回归系数为1.038,且通过了1%显著性检验,这说明在技术密集型制造业中,数字化融合能明显提高制造业技术创新水平。由于模型(1)～模型(3)的核心变量系数差异,说明数字化融合对制造业技术创新的影响效应存在着明显的行业异质性,在技术密集型制造业中最优,劳动密集行制造业中次之,资本密集型最小。为确定数字化融合各个维度对制造业技术创新的影响,分别从资源要素(CON1)和产业绩效(CON2)两个方面,计算电子信息制造业和制造业各个子行业的耦合协调度,再分别对制造业技术创新进行回归。表3中模型(4)为资源要素对制造业技术创新的回归结果,资源要素的影响系数为0.495,通过1%的显著性检验,说明资源要素融合显著促进了制造业技术创新,更多的资源要素为制造业企业提供更充足的研发资金,这解决了企业开展技术创新与产品创新的资源障碍,可用于人才引进、培养与交流,高素质的科研与技术人才激发了企业创新潜力;表3中模型(5)为产业绩效对制造业技术创新的回归结果,结果显示产业绩效的影响系数为0.355,通过了1%的显著性检验,说明产业绩效融合显著促进了制造业技术创新,产业绩效水平的提高,增加了企业的盈利能力,使企业更有动力投入到技术创新与产品研发中,有利于制造业技术创新水平提升。

4.3 稳健性检验

替换被解释变量可验证基准模型稳健性,将制造业技术创新指标替换为专利申请数对数值(PAT2),回归结果见表4。在不加入控制变量时,表4中模型(1)核心解释变量(CON)的影响系数为1.403;在加入全部控制变量后,CON的回归系数为0.484,均通过了1%的显著性检验,可以证明数字化融合赋能制造业技术创新模型具有稳健性。

表4 稳健性分析结果

5 模型中介效应检验

5.1 研发投入的中介效应检验

为探究研发投入在数字化融合和制造业技术创新模型中的影响效应,分别对研发人员投入和研发经费投入进行面板数据中介效应回归,分析结果见表5。

表5 研发投入中介效应回归结果

表5的模型(1)为CON对研发人员投入(RDS)的影响效应结果,回归系数为2.525且通过了5%显著性检验,这说明数字化融合能明显提高研发人员投入;模型(2)为RDS对制造业技术创新(PAT)的影响效应,RDS的回归系数为0.028 6,并且具有较强的显著性,这说明研发人员投入能明显提高制造业技术创新;模型(3)为研发人员投入在数字化融合赋能制造业技术创新的中介效应回归结果,CON虽然与基准回归模型相比有所下降,然而仍达到0.388,且通过了1%显著性检验,RDS的回归系数为0.019 7并通过5%的显著性。综合表5中模型(1)～模型(3)可知,研发人员投入在数字化融合赋能制造业技术创新中起中介作用。

表5的模型(4)为CON对研发经费投入(RDF)的影响效应结果,回归系数为正且通过了1%显著性检验,这说明数字化融合能明显提高研发经费投入;模型(5)为研发经费投入对制造业技术创新(PAT)的影响效应结果,回归系数为正且通过了1%显著性检验,这说明研发经费投入能明显提高制造业技术创新;模型(6)为研发经费投入在数字化融合赋能制造业技术创新的中介效应回归结果,CON和RDF的回归系数均为正,且通过了显著性检验,证明研发经费投入在数字化融合赋能制造业技术创新中起中介作用。综上所述,研发投入两个方面均在数字化融合和制造业技术创新之间发挥中介效应。

5.2 中介效应对专利申请数的影响

为进一步检验中介效应的影响,通过将被解释变量替换为专利申请数进行回归分析检验,结果见表6。在表6模型(1)中可以看出,研发人员投入(RDS)的回归系数为0.035 2,且通过了1%的显著性检验,因此可以证明研发人员投入能提高制造业专利申请数;模型(2)中CON的回归系数为0.419,同时研发人员投入的回归系数为0.025 6,两者都通过了1%的显著性检验,因此可以证明研发人员投入在数字化融合赋能制造业专利申请数中起中介作用;模型(3)中研发经费投入(RDF)的回归系数为正,且显著,因此可以证明研发经费投入能提高制造业专利申请数;模型(4)中CON的回归系数为0.373,也通过了1%的显著性检验,而研发经费投入的回归系数为正并显著,因此可以证明研发经费投入在数字化融合赋能制造业专利申请数中起中介作用。

表6 专利申请数的中介效应分析结果

6 结论

针对数字化融合对制造业技术创新影响展开研究,通过耦合协调度测度数字化融合程度,通过固定效应回归检验数字化融合机理,得到如下结论。

(1)数字化融合程度呈现不断提高趋势。以集成电路为基础的电子信息制造业,其电子设备广泛应用于通信、新能源和新材料等战略性新兴产业,对国家经济发展起到带动作用[17],相对于贾卫峰等[11]、李健旋[12]从数字产业整体进行分析,通过细化产业类型明确了数字制造产业的融合作用。从资源要素和产业绩效两个方面,构建电子信息制造业与制造业之间的融合评价体系,计算耦合协调度表明数字化融合水平在整体上呈波动上升趋势。从制造业各子行业角度考虑,造纸和纸制品业(C22)、化学纤维制造业(C28)、黑色金属冶炼和压延加工业(C31)和仪器仪表制造业(C40)的融合水平增加速度较为明显。从融合维度考虑,数字化融合在资源要素和产业绩效两个方面,融合水平也分别随着时间增加呈现波动上升趋势,产业绩效融合水平略高于资源要素融合水平,但资源绩效融合水平的增长速度要高于产业绩效融合水平。

(2)数字化融合能明显促进制造业技术创新,研发人员投入和研发经费投入分别在数字化融合与制造业技术创新间发挥显著的中介作用。殷功利和江凡[18]通过对面板数据的回归得出,研发投入与技术创新具有长期均衡关系。对电子信息制造业的研究拓展了研发投入维度并揭示了其作用机理。一方面数字化融合能整合创新资源,直接提高制造业技术创新能力;另一方面数字化融合可增加研发投入,通过人员和经费两方面的研发投入,降低研发风险,实现技术突破,形成了研发投入的部分中介效应。

(3)数字化融合对制造业技术创新的促进作用存在明显的异质性。企业规模和技术差异会形成不同的技术创新效果[19],在对电子信息制造业分析中,从融合维度和产业分类两个方面对异质性进行分析。在资源要素和产业绩效维度上,虽然都促进制造业技术创新,但是资源要素融合水平的促进作用要高于产业绩效融合水平;在制造业行业分类层面,促进作用从高到低排序为技术密集型>劳动密集型>资本密集型。其原因在于技术密集型制造业具有更强的外部技术源泉识别能力,能够更高效地获取外部先进技术,并将其有效内化为自身技术创新成果;劳动密集型制造业其优势在于生产要素组合更具有灵活性,容易实现技术要素的重组和优化配比;而资本密集型制造业多属于相对成熟的行业,高投资风险阻碍了创新过程的技术溢出,使行业难以通过产业融合获得技术进步。