摘 要：随着数智技术平台和实体经济的深度融合，企业创新能力逐渐增强，数智赋能为国家创新能力的提升增添了新动能。本文以2016—2021年的沪深两市A股上市公司为样本，采用固定效应回归法，研究数智赋能对企业创新质量和效率的影响及其作用机制。研究表明，数智赋能可以分别提高企业创新的质量和效率，资源整合效率在其中发挥着中介作用。异质性分析表明，国有企业进行数智赋能更侧重于对创新质量的提升，而非国有企业进行数智赋能则更偏重于对创新效率的提升。基于此，本文建议政府应建立健全的政策支持体系，企业应加大对人财物的投入，抓住数字转型机遇，实现高质量发展。
关键词：数智赋能；创新质量；创新效率；资源整合；高质量发展
中图分类号：F833 文献标识码：A 文章编号：2096-0298（2024）11（a）--05
1 引言
我国高度重视创新能力的发展问题。习近平同志曾提出，“将创新发展作为五大发展理念之首”。同样，“十四五”规划强调了科技自主性和国家战略的支柱作用，确立了创新在推动国家现代化进程中不可替代的核心角色。然而，我国目前仍然面临着创新能力无法与当下高质量发展需求相匹配、关键核心技术卡脖子的问题。
近年来，我国数智经济的发展方兴未艾。数字智能经济与传统产业的融合，在解放传统产业生产力的同时，逐步形成数字智能产业化和工业数字智能化的新格局，为培育企业创新能力发挥着重要作用。在数字智能技术蓬勃发展的经济转型期和数字智能经济与实体产业深度融合的背景下，企业应抓住科技发展机遇，响应国家号召和时代潮流，灵活应用数字智能技术和平台，进行不断变革创新，以适应动荡的外部环境，并提高对变化的适应能力，从而实现长期生存，进而实现企业高质量可持续发展。
为此，本文将通过量化数智化技术在企业中的运用程度和效果，来探究数智赋能对企业创新质量和效率两方面的作用机制。为企业数智改革的经济后果提供新的经验数据，助力我国创新质量的突破和供给侧改革的实施，丰富我国在数智经济方面的研究，助力中国经济腾飞。
2 理论分析与研究假设
2.1 企业数智赋能与企业创新效率和企业创新质量
根据现有文献，企业数智赋能的经济后果主要表现在降本增效、创新驱动、提高了组织灵活性、提高产业资源配置、通过降低信息不对称程度来缓解融资约束和代理问题；而创新质效的影响因素主要有企业规模、研发投入、股权激励、政府的创新补贴和税收优惠、融资约束、企业资源整合效率以及企业数智赋能水平等。由此可知，两者之间存在潜在的因果关系，为进一步研究打下了坚实基础。
本文认为，企业数智赋能可以促进企业创新效率和企业创新质量。首先，凭借云计算、大数据及相关数智技术，可以实现多维度地聚集大量用户数据，打破企业之间的组织壁垒与技术壁垒，在一定程度上降低技术准入门槛，促进企业间知识扩散和技术溢出。这使得公司能够迅速掌握特定情况下的隐性知识，并在各类环境中有效减少试错所需的成本[1]。其次，数智化的内部治理与管理思想可以被嵌入企业的运营中，这能够降低企业各种数据成本，减少与数智经济活动相关的搜索、跟踪、复制、运输和验证的成本。最后，数智化技术和平台为信息流通提供了技术载体，可以帮助企业获得内外信息资源、拓宽信息来源渠道、扩大企业可获取信息的范围、提高信息获取准确度，这有利于企业把握市场的发展机遇、增加组织的灵活性和敏捷性、促进企业创新活动开展。
基于以上分析，本文提出假设：
H1：数智赋能可以显著提高企业的创新质量；
H2：数智赋能可以显著提高企业的创新效率。
2.2 企业数智赋能通过资源整合对企业创新质量和效率的影响
数智赋能是将企业的基础资源集中并编码，将资源数据化并赋能。资源本身不会创造任何价值，只有合理分配资源才能帮助企业获得更全面的市场信息和行业动态、寻求更广范围的资源和能力聚合，进而形成企业的竞争优势。一方面，企业将数智化技术嵌入产品或服务中，帮助企业形成以消费者为中心的运营模式，增强了企业对消费者的感知和预判能力，使企业快速响应市场，便于提升产品功能的丰富性和产品升级，节省了企业的研发成本和时间，帮助企业适时做出相应的业务流程变革和组织结构重组，形成新的竞争优势。另一方面，通过资源的最优配置，企业能够高效整合资源，区分高效资产与过剩资产，并将这些过剩资产重新分配给其他部门或组织。这种做法不仅减少了资产的贬值和库存开销，还提高了资源的整体使用效率，提高组织间联系的即时性和效率，解放了传统的工作模式。在当前的创新环境中，由于知识的广泛传播、人才的流动性增强、风险资本的活跃以及产品更新周期的缩短等因素，企业原有的核心能力已无法适应创新环境的变化。因此，企业必须借助数智化赋能，提高资源的探索、复合和应用能力，以提高企业的动态能力，进而应对复杂多变的激烈竞争和创新环境，实现高质量的可持续发展。
基于以上分析，本文提出假设：
H3：数智赋能通过增加资源整合效率水平来提高企业的创新质量；
H4：数智赋能通过增加资源整合效率水平来提高企业的创新效率。
3 研究设计
3.1 样本选择数据来源
本文选取2016—2021年沪深A股的上市公司数据进行研究：第一，剔除ST、*ST和PT的上市公司；第二，剔除变量存在缺失的样本；第三，剔除金融类上市公司；第四，剔除部分截面数据使数据保持为面板数据。经过处理后共收集到9198条企业——年度观测数据。本文使用的数据主要来源于CSMAR和CNRDS数据库。
3.2 变量设定
（1）被解释变量：创新质量（Qua）和创新效率（Eff），创新质量反映了企业创新成果的影响力，通过专利被引用的频率来衡量，考虑到时间累积效应，采用滞后一年的指标。创新效率则衡量了企业将研发投入转化为专利成果的能力，采用专利数量与研发支出的比值来量化。
（2）解释变量：企业数智赋能程度（DCG）。本文借鉴吴云（2021）[2]的研究采用上市公司年报中所搜集到的关键词数量作为企业数智化的程度，词频出现次数越高，企业的数智化程度越好。
（3）中介变量：本文借鉴梁玲玲等（2020）[3]的观点用营业收入与总资产的比率衡量资源整合效率，资源整合效率RI越大资源整合效率越高。
（4）控制变量：参考已知相关文献，本文采用的控制变量包括：企业规模（Size）、资产负债率（LEV）、董事会规模（Board）、两职合一（Dual）、股权集中度（TOP10）、托宾Q（TobinQ）、创新投入（Innov）、盈利能力（ROA） 、净资产收益率（ROE）。
3.3 模型设定
本文将变量纳入方程构建以下回归模型，其中主回归模型如（1）所示：
Qua/Eff=α0+α1DCG+α∑Ctrl+Year+Ind+εi，t（1）
为检验资源整合效率是否在企业数智赋能影响企业创新质量和创新效率的作用机制中存在中介作用，本文借鉴温忠麟等（2004）[4]提出的中介效应检验程序加入式（2）-（3）进行机制检验。
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代表选取的控制变量的合集，Year和Ind分别为年份和行业的固定效应，i、t分别代表个体和时间，εi，t表示随机扰动项。
4 实证分析
4.1 描述性统计
表2为描述性统计结果。其中，被解释变量创新质量（Qua）的均值为0.87，标准差为0.63，75%分位数为1.13，中位数为0.79，25%分位数为0.48；被解释变量创新效率（Eff）的均值为0.19，标准差为0.08，75%分位数为0.24，中位数为0.20，25%分位数为0.15；解释变量上市公司年报中与数智技术相关的词频数（DCG）均值为3.49，标准差为1.23，75%分位数为4.26，中位数为3.4，25%分位数为2.64。由此可见，样本上市公司中多数企业创新质量低于平均数，不同上市公司之间的创新质量差异较大，样本上市公司的创新效率整体上呈现中等水平，但存在一定的差异，上市公司年报中与数智技术相关的词频数也具有一定的波动性，表明样本上市公司对于数智赋能重视程度各不相同。这些数据为进一步分析上市公司的数智赋能程度对企业创新质量和效率的作用机制研究提供了基础。通过分析发现，各项指标之间的相关系数并不显著，共线性问题也不显著。
4.2 回归分析
经Hausman检验，本文采用固定效应模型回归。表3报告了回归结果。表3列（1）、列（2）分别为企业数智赋能程度对企业创新质量、效率的固定效应回归结果。结果显示，企业数智赋能程度（DCG）与企业创新质量（Qua）的相关系数为0.0455，在1%水平下显著；企业数智赋能程度（DCG）与企业创新效率（Eff）的相关系数为0.0184，同样在1%水平下显著，即本文假设H1、H2得到了验证。表3列（3）、（4）、（5）为针对资源整合效率（RI）进行中介效应的检验，结果显示，资源整合效率对企业创新质量和效率的回归结果都显著，且相关系数有所降低，经过Sobel和Bootstrap检验证明资源整合效率在企业数智赋能程度对创新质量和效率的影响中起部分中介作用。由此，本文假设H3、H4得到验证。
4.3 稳健性FAxdrocJiS7AGjDlsrIto4cKX/wpccoK/eqauFH2ZyA=检验
首先，本文通过更换被解释变量衡量指标进行稳健性检验。在中国，专利分为三大类：发明型专利、外观设计型专利以及实用新型专利。业界普遍认为，发明型专利最能反映企业的创新水平和质量[5]。基于此，本文选择发明型专利作为评价企业创新质量的关键指标，构建出关于创新质量的另一个被解释变量Qua2；在创新效率方面，借鉴权小锋等（2017）[6]的观点，考虑3种专利对企业的贡献比重不同，主观分配3∶2∶1的权重分配，用3种专利加权总数加1的自然对数构建新的创新效率变量Eff2。将这两个替换变量代入回归方程，得出表4（1）、（2）两列结果，结果显示更换变量后企业数智赋能程度的相关系数为0.176，且在1%水平上显著，说明企业数智赋能程度越高，创新质量越好，企业数智赋能程度对企业创新效率的相关系数为0.0125，且在1%水平上显著，说明企业数智赋能程度越高，企业创新效率越高。结果表明更换被解释变量之后结果依然显著，同时表明本文研究结论具有稳健性[7]。
虽然本文采用的固定效应模型在一定程度上能够缓解遗漏变量引起的内生性问题，但仍可能存在样本选择偏误、反向因果等问题。因此，为保证研究结论的稳健，本文将按照行业和省份分类的数智化水平的均值差额的三次方作为工具变量进行回归。针对工具变量进行弱工具变量检验，两种被解释变量的Hansen检验结果显示完全识别，识别不足检验显示两者都在1%显著性水平上显著，验证了构建的工具变量不存在弱工具变量问题。工具变量法的两阶段回归结果如表4列（3）为第一阶段回归结果，其中DCG_IV的系数为0.2186，且F值为810.8并在1%水平下显著。第二阶段回归结果如表4（4）、（5）列所示，相关系数分别为0.0413和0.0116且在1%水平下显著，由此说明本文研究结论具有稳健性[8]。
4.4 异质性检验
本文进一步探讨了不同企业性质对创新活动的影响。在创新领域，国有经济体通常拥有较为充裕的资本和较强的抵御市场波动能力。然而，它们可能面临管理层缺位、代理问题突出、组织结构庞大以及财务约束不够严格等挑战。相比之下，私营企业展现出较强的市场导向和竞争驱动，它们通过创新来获得市场优势的动机更为明显，但同时经常遭遇资金短缺和专业人才稀缺的困境。因此，本文认为国有企业与非国有企业关于数智赋能程度对企业创新质量和创新效率的影响存在差异，异质性回归分析如表6所示[9]。
在表5中，第（1）、（2）列分别报告了国有企业数智赋能程度对企业创新质量和创新效率的回归结果，相关系数分别为0.0501和0.0123，且均在1%的显著性水平上显著；第（3）、（4）列报告了非国有企业数智赋能程度对企业创新质量和创新效率的回归结果，相关系数分别为0.0356和0.0133，且均在1%的显著性水平上显著。经过组间抽样系数检验结果显著，验证分组合理。由此可知，国有企业的数智赋能程度对创新质量的影响高于非国有企业，而国有企业的数智赋能程度对创新效率的影响低于非国有企业[10]。
5 结语
5.1 研究结论
本文以2016—2021年A股上市公司为研究样本，研究了企业数智赋能程度对企业创新质量和企业创新效率的作用机制，得到主要结论如下：（1）企业数智赋能程度对企业创新质量和创新效率有显著的提升作用。（2）数智赋能程度通过提升资源整合效率水平，可以显著提高企业的创新质量和创新效率。（3）不同产权性质的企业对创新质量和创新效率的作用效果不同，即国有企业的数智赋能程度对创新质量的提升作用程度高于非国有企业，而国有企业的数智赋能程度对创新效率的提升作用低于非国有企业。
5.2 政策建议
（1）政府应加大对企业数智赋能的支持力度，辅助企业落实数智赋能日常运营工作、企业决策和管理等多过程中的应用，加速构建高质量创新驱动发展体系，建立健全的政策支持体系，包括建立奖励机制、优惠政策等，以激励企业加大对数智赋能的投入，进一步提高企业创新效率和质量，促进经济持续健康发展。（2）企业应积极完善数智赋能进程。数智化的快速发展于企业而言既是风险挑战又是机遇。企业只有加大对人财物的投入以提升数智化水平，才能抓住机遇，在激烈的竞争环境中保持领先地位。另外，通过数智化的建设，企业要积极响应政府相关政策，可以帮助企业寻求科技创新补贴、税收优惠政策等，以保证企业对创新的投入，实现可持续发展。（3）鉴于不同性质的企业数智赋能程度对于企业创新质量和效率的提升效果不同。国有企业应注重提升创新质量而非仅关注效率。非国有企业，应更加注重数智赋能的投入和应用，提高创新效率。
参考文献
戚聿东，肖旭.数智经济时代的企业管理变革[J].管理世界，2020，36 （6）：135-152+250.
吴云.制造企业数智化程度对创新绩效的影响研究[D].南京： 南京审计大学， 2021.
梁玲玲，李烨，陈松.数智赋能对企业开放式创新的影响： 数智双元能力和资源复合效率的中介作用[J].技术经济，2022，41（6）：59-69.
温忠麟.张雷，侯杰泰，等.中介效应检验程序及其应用[J].心理学报，2004（5）：614-620.
王子焉，刘文涛，倪渊，等.专利价值评估研究综述[J].科技管理研究，2019，39（16）：181-190.
权小锋，尹洪英.中国式卖空机制与公司创新： 基于融资融券分步扩容的自然实验[J].管理世界，2017（1）：128-144+187-188.
李廉水，鲍怡发，刘军.智能化对中国制造业全要素生产率的影响研究[J].科学学研究，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.
