“数制”融合对制造业创新韧性的影响

朱建民 张慧妹

摘要：“数制”融合凭借数字要素嵌入改变了传统创新范式，为提升产业创新韧性并实现创新发展提供了新思路。本文基于系统韧性视角，利用我国2017—2022年制造业时序数据，采用熵权法、PCA法、耦合协调模型和多元回归模型，探讨了“数制”融合对创新韧性的影响机制、作用和情境条件。研究发现：“数制”融合对创新韧性效能具有显著的驱动效应，而平台数据垄断与数据产权模糊均存在较强的负向调节作用；规制平台垄断和加强数据确权，是“数制”融合对创新韧性赋能作用的情境条件；经济发展程度对创新韧性有积极作用，但过度对外开放对创新韧性有消极作用。

关键词：“数制”融合；创新韧性；平台数据垄断；数据产权模糊

中图分类号：F426;T01文献标识码：A文章编号：1001-148X（2024）02-0013-10

收稿日期：2023-05-07

作者简介：朱建民（1974—），男，河南虞城人，教授，研究方向：技术创新管理；张慧妹（1996—），女，甘肃天水人，硕士研究生，研究方向：技术创新管理。

基金项目：天津市哲学社会科学规划一般项目“新型举国体制下“卡脖子”技术突破的动力机制和实施路径研究”，项目编号：TJGL23-012；天津市研究生科研创新项目“碳值控制下产业环境、要素流动对中国制造业转型升级的驱动效应研究”，项目编号：2021YJSS040。

2018年以来，美国对中国发动“关税战”与“技术战”并持续升级加码，以限制关键性技术出口和技术并购的方式打压我国的技术升级，破坏了后者缔造的创新运行秩序［1］。农业和工业时代，技术升级相对缓慢尚无法形成垄断，但是信息时代企业凭借超高技术迭代和超大规模市场消费将规模效应发挥到极致，进一步加深了技术垄断从而导致技术成为大国政治权力的核心来源。从技术威胁理论来看，我国自主创新步伐缓慢，长期依赖技术引进并形成创新路径转换惰性，导致创新系统在应对内外环境变化时反应迟钝、被动接受甚至消极应对，即弱性创新韧性。在技术霸权等环境威胁下，弱性创新韧性会加剧赶超国的国际创新劣势、增加技术赶超难度并延长赶超周期。同时，随着数字技术的成熟催动了大数据产业的迅速崛起，对实体制造业的运行模式和创新体系逻辑造成极大颠覆。由于数据要素的虚拟共生性和自生长性，使得数据传递渗入制造业的产品研发、生产制造和组织管理等各个环节，逐渐催生出产业融合形态。“数制”融合通过数据信息对传统要素的渗入融合，分解了大量流水线作业和组织僵化问题，重新定义产业规模效应使得“微笑曲线”变浅，而且利用数字技术对传统产业的溢出联动，促进了不同领域创新资源的互动整合，形成以异质创新资源为基础的整合创新，为创新系统功能升级提供可能［2］。据此，“数制”融合可能是提升创新韧性的新型途径，探索二者的内在联系、作用机理以及赋能作用的条件，在丰富创新韧性理论研究和深化“数制”融合战略实施方面具有重要意义。

一、文献综述

（一）“数制”融合的研究

“数制”融合是以数字产业与制造业的战略联合，形成技术渗透、业务交织和资源互补优势，打破原有系统的线性关系的动态过程。多数学者围绕产业融合创新和数字要素渗透作用展开了讨论。（1）在产业融合视角上，“数制”融合分解和重构了产业链的生产模式和价值分配，减少了行业间壁垒并加强了企业竞合关系，对原有产业产生替代和互补效应，进而创造出产业价值链增值部分。并且将产业链组织从传统线性模式转变为以核心企业为节点的网状布局，呈现控制集中和球形分散的新型组织形态［3］。数字经济所蕴含的技术创新和技术融合，是产业融合创新的两大动力因素。数字技术创新渗透至实体产业的创新活动环节，使得创新主体之间原本稳定的边界变得模糊，故创新活动呈现跨行业渗透融合、全产业链协同、线上线下互动、多元共生共享的融合发展态势［4］。企业与供应商、竞争者、顾客之间实现了双向的、实时的和连续的数据互动关系，打造了更加动态开放的经营环境，为更好地整合不同主体资源促进融合创新效益创造了可能性［5-6］。（2）在要素渗透视角上，“数制”融合加强了生产要素之间的联结互通，有利于铸造各类生产要素一体化的要素体系，形成紧密的要素协作关系并加强联动能力，不断发挥要素组合结构的乘数效应与网络效应，充分释放数据生产力［7］。其渗透作用主要源自数字要素的虚拟替代性和跨界融合性，作用方式表现为替代效应和互补效应。一方面，虚拟替代性的优势让数字技术和数据信息部分替代了土地、劳动、管理等传统要素［8］。如“数字孪生”技术可将实体物理空间映射到虚拟空间进行产品虚拟生产并节约实体土地空间，形成了“去土地化”替代［9］；人工智能技术（传感器、自动化和ICT）以自动任务创建或数据收集等优势实现生产流程自动化代替部分重复性人工劳作，形成了“去人工化”替代［10］；人工智能技术通过机器学习和深度学习模拟人脑思维以此辅助或替代人脑实现云计算、云管理与云决策，形成了“去管理化”替代［11-12］。另一方面，跨界融合性的优势改变了生产要素的传统组合形态，形成要素优势互补和融合效应非线性增长。如数据与劳动的融合形成了数据劳动，优化了企业用工结构并节省了劳动成本［13］；数据与资本的融合形成了数据驱动投资决策，优化资本投资流向并降低了投资风险，有效提升了传统要素的效率［7，14］。

（二）创新韧性的研究

韧性概念最初发源于工程领域，指一个系统遭到外部冲击后仍维持自身稳定并恢复原有状态的能力，后来逐步被引入其他自然科学与社会科学领域，尤其在创新领域有关韧性研究已渐成体系，其概念内涵得到进一步丰富［15-16］。创新理论奠基人熊彼特最早提出创新，强调通过将生产要素与生产条件组合引入生产体系，构建一种新的生产函数，在创造性破坏后致使组织形成更具抵抗力、更具创新能力的新结构［17］。但是创新活动中不可避免会受到环境变动的干扰，拥有较强韧性的创新组织相对与较弱组织更能及时作出反应，抵御并维护创新系统稳定、适应恢复甚至进化为更高功能状态。创新组织的创新韧性能力体现在化解环境不确定性引致的创新风险的抵抗力、恢复创新风险造成的负面影响的恢复力以及重新配置创新要素、优化创新管理流程或改善创新环境等实现自我突破的进化力三个维度［15］。作为创新组织的创新竞争力的关键要素，创新韧性在概念上经历了系统均衡论到系统演化论的发展。均衡论以相对静止的视角，探讨了原来稳定的创新系统在遭受环境扰动后，依靠自身的抵抗性与适应性促使其从一个均衡进入另一个均衡状态的恢复性作用。演化论从长期的、持续动态的视角，增加了系统的自适应、自调整和自学习机制假设，故在均衡论应激性恢复基础上强调了创新系统的自发性进化过程。然而，创新活动的长期性和持续性决定了创新系统时常处于非均衡变化状态，因此演化论视角下的韧性思想更适用于创新韧性的界定，即创新系统面临内外部环境干扰后抵御冲击保持系统稳定、适应恢复甚至进化为更高功能状态的能力［18-19］。

综上所述，现有关于“数制”融合与创新韧性的研究比较丰富，但均侧重各自领域的初步探讨，关于“数制”融合对创新韧性的影响机制和定量研究明显不足。本文将我国整体制造业作为研究对象，以平台数据垄断和数据产权模糊两大权变量分情境探究制造业数字化融合对创新韧性的影响作用，丰富创新韧性的领域研究。本文的边际贡献包括三点：（1）从产业层面提出创新韧性概念，基于系统韧性动态演化理论析出关键维度；（2）从“数制”融合视角讨论创新韧性，揭开“数制”融合对创新韧性的“黑箱”机制；（3）解析“数制”融合与创新韧性关系中数据治理困境变量的调节作用，丰富创新韧性的前因研究，并拓展了“数制”融合与创新韧性关系的研究边界。

二、理论分析与假设

（一）“数制”融合与创新韧性

由融合创新理论可知，“数制”融合下产业通过拓展基础创新空间、调整创新模式和网络关系布态激活融合创新机制，以促进创新系统运行机制状态跃迁，从而提升对环境冲击或威胁地化解效率，即创新韧性。创新韧性的功能维度包括应激抵抗力、适应恢复力和进化更新力。融合创新机制可大致归结为三个方面：（1）创新要素层次。产业融合创新本质是异质构成要素在渗透交叉和重组整合中，逐渐形成共性技术与边界模糊化，形成融合共创体系，强调把数字经济产物嵌入制造业价值链体系，对原有技术范式和创新系统进行重塑优化［4］。在产品创新驱动下，数字要素与设备、管理和工人等传统要素形成更多组合从而拓展要素组合空间，以便快速应对环境变化。同时虚拟交互技术使得创新主体打破地域、专业和主体的创新业务边界，并灵活甄选虚拟、线下或组合手段进行创新内容互动从而拓展动态交互空间，以便及时捕捉环境信息和高效反馈。另外，共享平台凭借虚拟社区的集聚引力吸引创新要素集聚，促进了数据组化和信息整合并增加发现创新价值高地的机会，从而拓展价值共创空间，提升环境应对和化解能力［20］。（2）创新路径层次。传统创新路径多为技术引进消化再创新的模仿创新路径，但技术依赖容易产生内生创新不足和创新惰性等问题，导致无法适应复杂环境变化。“数制”融合通过激活协同创新、迭代创新和颠覆创新三种机制促进创新模式升级，进而提升自主创新路径转化效率。在协同创新模式上通过搜索或开源软件深化协同程度，形成资源能力互补优势和更加开放包容的氛围，进而激发创新意愿和资源的虚拟集聚，提升应对环境风险能力［21］。在迭代创新模式上把数据流通的衍生内容作为基础力量，通过“创新-产品-需求”的动态螺旋兼顾创新效率和经济效益，促使主体摆脱创新惰性并加快自主研发［22］。在颠覆创新模式上通过改变颠覆创新的边界条件并为跨界技术方案提供更大探索空间［23］，有利于激发创新理念、丰富技术组合和提高原创度意识，自主创新机制激活。以创新模式升级为核心的自主创新路径，在面临技术霸权等情境时更具创新话语权，从而避免环境威胁并维护创新稳定。（3）创新关系层次。在物理空间集群网络的基础上，作为知识流动和资源活化动力的数字产品对创新主体模块进行虚拟空间再链接，催生出“物理+虚拟”复杂集群创新网络布态。通过集群的自组织自适应和淘汰自调节适应差的主体，进而维持其系统秩序以降低环境变动风险。集群网络催生了集群模块化和内部模型机制。集群模块化改善了集群网络节点松散耦合关系，利用隐形知识流动和利用效率产生复杂协同互动行为，加快了知识孵化和技术周期，进而形成知识涌现或创新跃迁并改善创新韧性效能［24］。内部模型机制是主体接受众多信息后进行适应性调整改变内部结构的能力，当感知到环境变化后，内部主体会根据现有知识结构和经验，对创新资源及活动进行重新分配与规划，加强相互关联和合作并发生黏着以应对环境变化、维持创新稳定甚至创新状态升级［25］。因此，本文提出如下假设：

H1：“数制”融合对创新韧性具有显著正向影响。

（二）平台数据垄断的调节效应

数据的“天然”垄断、平台载体的“隐性强制”以及行业规制滞后等原因，催生了诸如“算法合谋”“强制二选一”的垄断势头，破坏了公平的要素配置和创新竞争秩序［26］。在以往产能不足的时代，制造业的社会分工长期聚焦物质生产和产品升级，以获得市场和竞争优势；然而，在产能过剩和需求升级的当代，制造业不得不借助来自外部平台的数据力量，调整自身结构和创新行为，以应对市场变化和风险［27］。平台权力的崛起促进多元共治的社会格局，但是垄断势头更加剧了信息分野，使得“数制”系统多数企业面临脆弱无奈地被支配状态，由此降低产业融合质量并阻碍创新韧性，这是因为：（1）数据成本增加了产业融合壁垒。平台经营者可能利用其垄断地位提高数据价格，使得“数制”系统企业成员面临高昂的数据成本，甚至利用技术手段实施运营权力，达到“自我优待”目的。这不但降低了企业之间业务合作的意愿，而且增加了创新活动的成本和风险，限制了原始创新活力、创新模式以及创新网络优化，进而阻碍了创新韧性发展。（2）数据私有加剧了要素不平衡。超级平台坐拥海量数据，利用排他合约或流量围墙等遏制中小平台，同时利用倾斜定价等吞噬制造业利润空间。由此加剧了平台与平台、平台与制造业之间的知识、信息等创新要素的不平衡布局，降低了“数制”企业之间协同的要素基础，限制了基础创新空间和自主创新能力，最终滞碍了创新韧性发展。（3）垄断收益对创新活动的替代。平台过度攫取垄断利润和巩固地位，往往会降低“数制”系统原本用于研发活动的创新投入，因此影响创新产出质量和自主创新能力。同时平台垄断的收益具有低风险、高回报和长期性特征，使其更容易吸引各类社会投资，由此加大了创新活动的融资约束，限制了产业创新系统优化，最终滞碍了创新韧性发展［28］。因此提出假设：

H2：平台数据垄断弱化了“数制”融合与创新韧性之间的正向关系。

（三）数据产权模糊的调节效应

数据产权明晰是数据交易和“数制”融合的制度基础。从现实来看，我国数据产权规制和运行存在诸多缺陷，制约了数据要素的资源配置、迭代价值和创新发现。如2020年我国大数据市场规模为545亿元，而场内数据交易额仅占4%，企业们更加倾向于场外一对一和桌面下“利益勾兑”方式［29］。“数制”融合的关键在于数据要素，其产权界定程度直接影响“数制”合作的风险感知、信任投入和协同质量，进而影响产业创新韧性。具体而言，当面临数据产权模糊较高的情境时，会降低产业融合质量并阻碍创新韧性，原因在于：（1）产权缺陷降低合作意愿。产权不清晰使得“数制”企业展开数据合作时面临风险担忧，即将来可能因为权责纠纷造成麻烦或损失。站在理性人角度，企业对融合创新的投资动力和参与意愿降低，由此限制了基础创新空间和自主创新能力，最终滞碍了创新韧性发展。（2）道德风险引致“信任危机”。权责不清的后果包括道德风险，即“数制”企业在数据产品交易中可能存在诸如数据倒卖、侵权等违约行为，且不必承担法律责任。这种道德风险会破坏“数制”企业成员之间的信任关系，降低协同质量和创新合作空间，并阻碍创新模式升级，最终降低创新韧性水平。（3）逆向选择引致数据质量隐患。权责不清的后果也包括逆向选择，即“数制”企业利用双方的信息不对称，不断交付质量更低的数据并形成恶性循环，导致数据产品的平均质量不断下降。创新活动需要大量的数据支持，数据产品质量下降无疑会对企业研发活动造成误导，并影响创新的效率和准确度，进而降低自主创新能力和创新关系质量，最终滞碍创新韧性发展［30］。因此，本文提出如下假设：

H3：数据产权模糊弱化了“数制”融合与创新韧性之间的正向关系。

图1制造业数字化融合对创新韧性的影响机制

三、研究设计

（一）数据来源与处理

由于在公共统计网站中对2017年以前的产业数据和创新数据缺失较多，因此选取了2017—2022年相对完整的时序数据样本进行实证研究。数据来自CEIC、EPS、政府和企业官方网站，对部分代理指标的单位进行调整，并进行简单运算：专利授权数量以发明专利、实用新型专利和外观设计专利的总和表示；创新主体的协同度指数依据耦合协调模型，对五类主体：大专院校、科研机构、企业、事业单位与个人的专利授权总量测算得到；数据侵权案件依据“不正当竞争侵权行为”“数据侵权行为”“数据侵权行为违法所得”案件的统计数量得到；民事案件依据“民事案件”案件的统计数量得到。

对既得数据的处理有：（1）缺失值处理：采用线性插值法或趋势法进行插补；（2）累计值处理：由于累计值无法反映当月实际流量变化，因此将累计值转化为当期值；（3）变量降维：采用熵权法降维合成。

（二）变量测度与说明

1.被解释变量：创新韧性（IR）：产业创新系统能够有效化解内外环境干扰、保持创新稳定甚至进化为更高创新水平的潜在能力。基于系统韧性动态演化理论［31］，创新韧性体现为三个维度：（1）应激抵抗力：在逆境事件发生的初期阶段，创新系统被动接受和吸收负面冲击影响的能力。该阶段主要对创新链下游的商业交易影响较大，故选取了创新研究交易规模、创新服务交易规模、技术市场交易程度和产业创新转型程度。（2）适应恢复力：在逆境事件发生的中期阶段，创新系统主动作出适应和调整，并恢复系统正常运行的能力。该阶段主要在于系统以往积累的资源是否丰富，发展是否成熟，故选取创新研究发展规模、创新服务发展规模和政府创新重视程度反映。（3）进化更新力：在逆境事件发生的后期阶段，创新系统通过自学习和自调整，形成了成熟的响应流程和机制，甚至实现系统优化和升级。该阶段主要对创新链上游的基础创新和源创新的影响较大，故选取了专利性创新行为、商标性创新行为、专利性创新质量和主体协同程度反映。

2.解释变量：“数制”融合度（IC）：数字产业与制造产业的融合程度。（1）数字经济水平：即狭义上数字经济的产业化发展程度。参考程文先和钱学锋［32］、许宪春和张美慧［33］，从数字设施、信息流量和电子商务交易三个方面，选取数字基础设施、数字用户规模、数字信息传播和数字服务收入进行测量。（2）制造业水平：制造业的产业化发展程度。参考阳立高等［34］，从制造业发展规模、结构特征和生产效率等三个方面，选取企业规模、劳动力规模、产出能力和盈利能力进行测量。

3.调节变量：（1）平台数据垄断（PM）：平台经济模式中数据资源的过度集中后出现数据交易不平等的经济现象。由于无法获取所有平台的数据，因此以数字产业代替平台业务，采用数字产业垄断度衡量，选择市场集中度［35-36］进行测算;（2）数据产权模糊（DF）：法律体系和行业约束对数据市场行为的规范约束缺失或不足的社会现象。数据产权模糊的社会后果体现为数据产权纠纷事件的增加［37］，故采用数据产权纠纷强度反映。

4.控制变量：（1）经济发展程度（C1）：采用经济发展水平进行衡量;（2）对外开放程度（C2）：采用经济开放水平衡量。具体指标体系和数据来源如表1所示。

（三）计量模型构建

1.测量模型

运用熵权耦合协调模型测算“数制”融合度。主要思路是先采用熵权法确定指标权重，得出一级指标的综合数值，然后利用耦合协调模型计算融合度指数。首先，假设发展度函数遵循Cobb-Douglas形式［38］，得到总系统发展水平（公式1）；其次，构建耦合度模型（公式2）；最后，计算两者的协调度（公式3）［39］。其中，T为系统发展度，U1、U2分别表示数字产业和制造业；λ为外生参量，待定系数α=β=05，表示两系统同等重要；C为协调度，取值范围为0-1；IC为融合度指数，并将其划分为5个区间：［0，02）严重失调、［02，04）濒临失调、［04，06）初级协调、［06，08）中级协调、［08，10）高级协调。

T=λU1αU2β（1）

C=U1×U2/（U1+U22）212（2）

IC=C×T（3）

2.回归模型

为了讨论“数制”融合与创新韧性的关系，构建调节效应回归模型并进行普通最小二乘估计。回归分为三步：首先，放入解释变量与控制变量构建基准模型（公式4）；其次，加入调节变量构建主效应模型（公式5）；最后，加入调节变量交互项构建交互效应模型（公式6），并依次判断第二步调节变量的显著性以及第三步交互项的显著性分析调节效应。同时，为避免多重共线性对系数估计的影响，对交互变量进行了中心化处理。其中：IRt为被解释变量，表示第t月的创新韧性强度。ICt为解释变量，表示第t月制造业的“数制”融合度。Mt为调节变量，代指PM或DF。（IC×M）t为交互项，Ct为控制变量；α、β为回归系数，εt为随机扰动项。

IRt=α0+α1·ICt+∑2j=1βj·Cjt+εt（4）

IRt=α0+α1·ICt+α2·Mt+∑2j=1βj·Cjt+εt（5）

IRt=α0+α1·ICt+α2·Mt+α3·（IC×M）t+∑2j=1βj·Cjt+εt（6）

四、实证结果分析

（一）模型检验

1.描述性统计与信效度分析

首先，利用Spss230进行了描述性统计与信效度分析，以检验创新韧性指标体系的可靠性和有效性，结果见表2和表3。描述性统计显示，创新韧性（IC）的均值为0618，接近于最大值0893，说明在样本研究时段的产业创新韧性水平整体较好；制造业“数制”融合度（IR）的均值为0369，接近于最小值0063，说明样本研究时段的“数制”融合整体水平较低，可能处于初步融合的阶段，与我国产业现实基本相符。其次，对被解释变量进行了信度和效度的检验：创新韧性变量的Guttman系数为0929，三个维度的Guttman系数为0717-0951，表明了测量指标的内部一致性较好，评测结果的可信度较高。KMO值为0873，Bartlett球形度的显著性都低于1%，表明创新韧性的测量指标共性较强，结构效度较高。因此认为本文的变量及数据性质良好，可以进一步实证研究。

2.单位根检验与多重共线性检验

为避免模型设定偏误，本文进行了单位根检验与多重共线性检验。单位根检验是为了避免变量不平稳造成回归模型的“伪回归”问题，选用了AugmentedDickey-Fuller（ADF）进行变量平稳性检验，如表4所示。检验表明，在10%的显著水平上，各个变量均拒绝了存在单位根的原假设，故认为待研究变量均为平稳的序列。多重共线性是为了避免解释变量高度相关造成的估计结果非有效问题，检验方法采用了方差膨胀因子法（VIF）与容忍度法（1/VIF）。结果表明，无交互情形（基准模型）和有交互项情形（调节效应）的最大方差膨胀因子值为705，最小容忍度为014。根据经验规则，其方差膨胀因子远小于10，且容忍度均高于01，故各个解释变量之间不存在多重共线性问题，因此认为模型有效控制了共线性的影响。

（二）结果分析

基于熵权法和耦合协调度模型得到制造业创新韧性指数，运用Stata160对基准模型和调节效应进行了实证检验，结果见表5。

1.基准回归分析

模型1为考虑控制变量的基准模型，即不存在调节效应，只显示各变量与创新韧性指数的回归系数，以验证解释变量（包括控制变量）的影响作用，并用作对比分析。当未放入控制变量时，模型的拟合优度为0736，变量系数为1244。当加入控制变量后，模型的解释力增加了8%（ΔR[TX-]2=816%-736%），系数为0605，且均通过了001的F检验与t检验。这表明“数制”融合对创新韧性指数有显著的促进作用，当“数制”融合度每增加01，创新韧性指数上升约006。另外，观察控制变量的分析结果，发现经济发展（C1）无疑促进了创新韧性，即经济发展程度每增加1万亿元，创新韧性指数提高约00375。主要因为经济是创新发展的物质基础，提高经济发展能够为创新活动提供充裕资金和创新人才培养条件以及吸引外部创新资源流入，以此优化创新系统从而提高创新韧性。然而，对外开放（C2）显著抑制了创新韧性，表现为对外开放程度每增加1亿美元，创新韧性指数下降约00007。可能原因在于：过度对外开放容易形成技术依赖、增加创新惰性以及削弱主体的创新动力，导致对创新韧性和创新发展呈现抑制效应。

2.平台数据垄断的调节效应分析

模型2和模型3主要主分析平台数据垄断的调节效应。在模型2中，将平台数据垄断（PM）加入“数制”融合对创新韧性的基准模型后，F检验依然显著、模型解释力增强了117%（ΔR[TX-]2=933%-816%），而且调节变量（PM）的系数显著性低于005，初步满足了调节效应检验对调节变量显著性的要求。模型3在模型2的基础上，将交互项：IC×PM纳入模型，模型解释力进一步增强了05%（ΔR[TX-]2=938%-933%），解释变量、调节变量和交互项的回归系数显著性依然低于005，满足了调节效应检验对交互项显著性的要求。交互项系数为-21131，表明作用方向为负。至此，平台数据垄断存在负调节效应已经得到了验证。

进一步对调节效应的大小进行分析：平台数据垄断度每增加01，创新韧性指数变化约为IR/PM=-0211×IC-0093。即在产业融合度增加01的情况下，平台数据垄断度每增加01，创新韧性指数降低约0114，调节作用约为0605×01+0114=0175。为直观阐释上述结论，绘制了调节效应图（图2）。当平台数据垄断度较低时，“数制”融合度的提高促进了创新韧性升级；但是当平台数据垄断度较高时，随着“数制”融合度的提高，创新韧性水平呈下降趋势。直线斜率的由正及负和截距的大幅下降，表明了平台数据垄断的负调节效应强度较大，甚至会导致“数制”融合无法促进创新韧性提高的可能性。因此，对超级平台的数据垄断行为进行有效治理，是实现“数制”融合对创新韧性积极作用的条件。

图2平台数据垄断调节效应图

3.数据产权模糊的调节效应分析

依照上述方法对数据产权模糊进行了调节效应检验，结果见模型4和模型5。在模型4中，将数据产权模糊（DF）加入“数制”融合对创新韧性的基准模型后，F检验依然显著、模型解释力增强了136%（ΔR[TX-]2=952%-816%），而且调节变量（DF）的系数显著性低于005，满足了对调节变量显著性的要求。将交互项：IC×DF纳入模型放入模型4后，F检验显著但部分解释变量未能通过t检验，且系数符号与预期不符，故用逐步回归法寻找最佳模型。模型5显示，交互项的回归系数显著性低于005，交互项系数为-42076，说明数据产权模糊存在显著的负向调节作用。

进一步对调节效应的大小进行分析：数据产权模糊度每增加01，创新韧性指数变化约为IR/DF=-0421×IC。即在产业融合度增加01的情况下，数据产权模糊度每增加01，创新韧性指数降低约0042，调节作用约为0605×01+0042=0103。根据图3，当数据产权模糊度较低时，“数制”融合度提高促进了创新韧性升级；但当数据产权模糊度较高时，制造业“数制”融合度的提高同样降低了产业创新韧性水平，因此加强数据产权规制并形成有秩序的交易秩序，也是保证“数制”融合对创新韧性积极作用的条件。

图3数据产权模糊调节效应图

（三）稳健性检验

为确保结果的稳健性，避免异常值和非随机值对结果造成有偏影响，本文对创新韧性的指标进行主成分降维处理，依据特征值大于1的经验原则，得到了主成分综合评价下的创新韧性指数，再次进行了基准回归和调节回归，结果见表6。基准模型结果显示，解释变量（包括控制变量）的显著性及系数符号与前文保持一致，表明了“数制”融合对创新韧性依然表现为促进作用。调节效应结果显示，仅交互项（数字化融合×平台数据垄断）的显著性从005降至01，并且部分控制变量显著性略有变化，其他重要变量的显著性与符号依然与前文保持一致，表明本文结论具有稳健性。

五、结论与启示

本文从制造业中观层面出发，揭示了“数制”融合对创新韧性的影响作用以及平台数据垄断和数据产权模糊的调节效应，结论如下：

（1）“数制”融合是提高制造业创新韧性水平的有效途径。“数制”融合促进了制造业创新系统的基础创新空间、自主创新路径转化和复杂集群创新网络趋态，重塑加强了创新系统的韧性能力。这一结论揭示了“数制”融合对创新韧性的积极作用，拓展了产业融合创新机制的深入理解，为深化韧性研究提供了新的理论支撑。

（2）平台数据垄断在“数制”融合促进创新韧性中呈负向调节作用。平台是数字经济的重要商业模式，也是数据资源配置的重要方式。仅凭市场经济力量会放任和加剧数据垄断势头，增加“数制”融合壁垒、加深要素不平衡以及牺牲创新活动，从而弱化“数制”融合对创新韧性的赋能作用。这一结论在“数制”融合视角，为平台行业规制实践提供了新的见解，也在一定程度上说明加强平台数据垄断治理，是“数制”融合创新机制作用的情境要求和条件。

（3）数据产权模糊在“数制”融合促进创新韧性中呈负向调节作用。数据产权是数据市场化规范的内容体现。产权隶属模糊会降低合作意愿，加重“信任”危机和数据质量担忧，从而弱化“数制”融合对创新韧性的赋能作用。这一结论在“数制”融合视角，为数据产权立法和行业规制提供了新的见解，说明加强数据确权规范，是“数制”融合创新机制作用的另一情境条件。

（4）经济发展对创新韧性提高表现出促进作用，而对外开放存在显著的抑制影响。提高经济发展能够为创新活动提供充裕资金和创新人才培养条件以及吸引外部创新资源流入，以此优化创新系统从而提高创新韧性。然而，过度对外开放容易形成技术依赖、增加创新惰性以及削弱主体的创新动力，导致对创新韧性和创新发展呈现抑制效应。

在当前国际技术霸权情形下，本文结论对提高制造业创新韧性具有一定的启示意义。

第一，加强“数制”融合机制建设，注重融合创新成果保护。通过充分研究数字业与制造业的可能结合点，构建“数制”融合政策体系并组建共性技术机构，形成跨界技术融合联动布局。注重相互持股或收购兼并等资本层面合作，并对部分重点领域施行“领袖工厂计划”，形成以领袖企业为核心的产业网络，纵向提升“数制”融合深度。加强“数制”融合领域的知识产权立法和服务，为融合创新成果转化提供保障。

第二，限制超级平台的经营结构，完善行业竞争条例。用激进或温和方式对数据平台经营结构规制。激进方式采用拆分和剥离等手段对同时拥有平台业务和自营业务的企业进行结构性分离，并限制能够强化自身市场地位的并购行为，防止数据过度集中。温和方式利用技术和法律手段实现平台业务数据和自营业务数据的分离，如禁止平台将用户数据与其他应用数据以及第三方数据进行交叉使用，防止数据滥用。并加强反垄断法对大数据行业和“数制”融合行业的竞争规制，形成垄断竞争行为类别和细则条例，保证竞争的公平性。

第三，规范数据要素确权体系，加强数据市场监管力度。加强对数据分类和数据确权的立法，形成秩序化的数据管理、保护和共享的法制程序。坚持在数据权益主体认证、权益关系确权、权益流转和权益司法服务等内容中灌注数据向善原则，诱导创新向善形成良性利用生态。在条件成熟时推进综合数据立法，厘清数据管理和共享法规的联系与边界，形成有秩序的“数制”融合过程。

参考文献：

［1］李巍，李玙译.解析美国对华为的“战争”——跨国供应链的政治经济学［J］.当代亚太，2021（1）：4-45+159.

［2］李腾，孙国强，崔格格.数字产业化与产业数字化：双向联动关系、产业网络特征与数字经济发展［J］.产业经济研究，2021（5）：54-68.

［3］李春发，李冬冬，周驰.数字经济驱动制造业转型升级的作用机理——基于产业链视角的分析［J］.商业研究，2020（2）：73-82.

［4］杨毅，于倩.数字经济能否成为中国制造业高质量发展的新动能？——基于技术创新与管理效率效应视角［J］．哈尔滨商业大学学报（社会科学版），2023（2）：3-18.

［5］余江，孟庆时，张越，等.数字创新：创新研究新视角的探索及启示［J］.科学学研究，2017（7）：1103-1111.

［6］余菲菲，王丽婷.数字技术赋能我国制造企业技术创新路径研究［J］.科研管理，2022（4）：11-19.

［7］洪银兴，任保平.数字经济与实体经济深度融合的内涵和途径［J］.中国工业经济，2023（2）：5-16.

［8］王谦，付晓东.数据要素赋能经济增长机制探究［J］.上海经济研究，2021（4）：55-66.

［9］QiQ，TaoF.DigitalTwinandBigDatatowardsSmartManufacturingandIndustry4.0：360DegreeComparison［J］.IeeeAccess，2018，6：3585-3593.

［10］CarusoL.DigitalInnovationandtheFourthIndustrialRevolution：EpochalSocialChanges？［J］.Ai&Society，2018，33（3）：379-392.

［11］OsterriederP，BuddeL，FriedliT.TheSmartFactoryasaKeyConstructofIndustry4.0：ASystematicLiteratureReview［J］.InternationalJournalofProductionEconomics，2020，221：107476.

［12］LadjA，WangZ，MeskiO，etal.AKnowledge-BasedDigitalShadowforMachiningIndustryinaDigitalTwinPerspective［J］.JournalofManufacturingSystems，2021，58：168-179.

［13］LeeJ，BerenteN.DigitalInnovationandtheDivisionofInnovativeLabor：DigitalControlsintheAutomotiveIndustry［J］.OrganizationScience，2012，23（5）：1428-1447.

［14］白永秀，李嘉雯，王泽润.数据要素：特征、作用机理与高质量发展［J］.电子政务，2022（6）：23-36.

［15］范建红，王冰，闫乐，等.数字普惠金融对高技术制造业创新韧性的影响——基于系统GMM与门槛效应的检验［J］.科技进步与对策，2022（17）：51-61.

［16］徐维祥，周建平，周梦瑶，等.长三角协同创新网络韧性演化及驱动机制研究［J］.科技进步与对策，2022（3）：40-49.

［17］易兰，杨历，张治河.阿吉翁和豪伊特对熊彼特增长理论的贡献——科睿维安“引文桂冠奖”得主学术贡献评介［J］.经济学动态，2018（2）：130-145.

［18］胡甲滨，俞立平.创新韧性对高技术产业创新的影响机制与特征研究［J］.科技进步与对策，2022（2）：49-59.

［19］杨伟，劳晓云，周青，等.区域数字创新生态系统韧性的治理利基组态［J］.科学学研究，2022（3）：534-544.

［20］FrankAG，MendesGHS，AyalaNF，etal.ServitizationandIndustry4.0ConvergenceintheDigitalTransformationofProductFirms：ABusinessModelInnovationPerspective［J］.TechnologicalForecastingandSocialChange，2019，141：341-351.

［21］WanY，GaoY，HuY.BlockchainApplicationandCollaborativeInnovationintheManufacturingIndustry：BasedonthePerspectiveofSocialTrust［J］.TechnologicalForecastingandSocialChange，2022，177：121540.

［22］罗瑾琏，李树文，唐慧洁，等.数字化生产力工具的创新突破条件与迭代过程：容智信息科技的案例研究［J］．南开管理评论，2023（5）：27-38+83+39-40.

［23］张骁，吴琴，余欣.互联网时代企业跨界颠覆式创新的逻辑［J］.中国工业经济，2019（3）：156-174.

［24］蔡锐，宋健.装备制造业集群网络创新研究：基于模块化创新体系视角［J］.科学管理研究，2009（2）：24-26+67.

［25］李洁，葛燕飞，高丽娜.我国生物医药产业创新集群演化动力机制研究——基于复杂适应系统理论［J］.科技管理研究，2022（3）：176-183.

［26］史丹.数字经济条件下产业发展趋势的演变［J］.中国工业经济，2022（11）：26-42.

［27］马平川.平台数据权力的运行逻辑及法律规制［J］.法律科学（西北政法大学学报），2023，41（2）：98-110.

［28］程雪军，侯姝琦.互联网平台数据垄断的规制困境与治理机制［J］.电子政务，2023（3）：2-18.

［29］尚博文，郭雳.数据要素产权的复合性运行范式［J］.上海经济研究，2023（3）：88-96.

［30］熊巧琴，汤珂.数据要素的界权、交易和定价研究进展［J］.经济学动态，2021（2）：143-158.

［31］甄珍，王凤彬．逆境事件冲击下全球价值链系统韧性的动态演化———基于嵌入性多案例的纵向研究［J］．中国工业经济，2022（10）：174-192.

［32］程文先，钱学锋.数字经济与中国工业绿色全要素生产率增长［J］.经济问题探索，2021（8）：124-140.

［33］许宪春，张美慧.中国数字经济规模测算研究——基于国际比较的视角［J］.中国工业经济，2020（5）：23-41.

［34］阳立高，许调蓉，韩峰.中国数字经济与制造业融合发展水平测度及其时空特征［J］.财经理论与实践，2023（2）：81-87.

［35］KozákováM，BartekováMK.AnalysisofMarketConcentrationinCreativeIndustry［C］//SHSWebofConferences.EDPSciences，2020，83：01035.

［36］NaldiM，FlaminiM.TheCr4IndexandtheIntervalEstimationoftheHerfindahl-HirschmanIndex：AnEmpiricalComparison［J］.AvailableatSSRN2448656，2014.

［37］魏益华，杨璐维.数据要素市场化配置的产权制度之理论思考［J］.经济体制改革，2022（3）：40-47.

［38］逯进，周惠民.中国省域人力资本与经济增长耦合关系的实证分析［J］.数量经济技术经济研究，2013（9）：3-19+36.

［39］王裕瑾，李梦玉.中国数字经济与高质量发展的耦合协调研究［J］.经济与管理评论，2023（1）：104-118.

ResearchontheImpactoftheIndustrialIntegrationofDigitaland

ManufacturingonInnovationResilience

ZHUJianmin，ZHANGHuimei

（SchoolofEconomicandManagement，TianjinUniversityofScienceandTechnology，

Tianjin300457，China）

Abstract：Theintegrationofindustrialintegrationofdigitalandmanufacturinghaschangedthetraditionalinnovationparadigmbyembeddingdigitalelements，whichprovidesnewideastoenhanceindustrialinnovationresilienceandachieveinnovationdevelopment.Basedonthesystemicresilienceperspective，thispaperexplorestheimpactmechanism，roleandconditionsofindustrialintegrationoninnovationresiliencebyusingtheentropymethod，PCAmethod，coupledcoordinationmodelandmultipleregressionmodelfrom2017—2022manufacturingtimeseriesdatainChina.Thestudyfindsthat：theindustrialintegrationofdigitalandmanufacturinghasasignificantdrivingeffectontheeffectivenessofinnovationresilience，whilebothplatformdatamonopolyanddatapropertyrightsambiguityperformstrongnegativemoderatingeffectsrespectively;theregulationofplatformmonopolyandstrengtheningdatarightsaretheprerequisitesforthedrivingeffectoninnovationresilience.Besidesthat，thestudyalsoindicatesthattheeconomicdevelopmenthasapositiveeffectoninnovationresilience，butexcessiveopening-uphasanegativeeffectoninnovationresilience.Theresultsofthestudyrevealsthe“blackbox”oftheroleoftheimpactofindustrialintegrationofdigitalandmanufacturingoninnovationresilience，andprovidestheoreticalguidanceandempiricalexperienceformanufacturinginnovationsystemstocopewithenvironmentalthreats.

Keywords：industrialintegrationofdigitalandmanufacturing;innovativeresilience;platformdatamonopolies;ambiguousdatapropertyrights

（责任编辑：周正）