在TOE框架下制造企业数字创新的关键因素与组态路径

《Data and Information Management》:Key factors and configuration paths of digital innovation in manufacturing enterprises under the TOE framework

【字体: 大 中 小 】 时间:2026年02月11日 来源:Data and Information Management 8.3

编辑推荐:

  数字创新对于制造企业提升竞争力和实现跨越式发展至关重要。本论文以2012年至2022年中国A股上市制造企业为样本,通过TOE(Technology-Organization-Environment)框架分析单个因素和多因素联动对数字创新的影响。研究人员将Cat

  
数字创新对于制造企业提升竞争力和实现跨越式发展至关重要。本论文以2012年至2022年中国A股上市制造企业为样本,通过TOE(Technology-Organization-Environment)框架分析单个因素和多因素联动对数字创新的影响。研究人员将CatBoost和SHAP(Shapley Additive ExPlanations)机器学习算法与多时段QCA(Qualitative Comparative Analysis)相结合。研究结果如下:(1)CatBoost回归模型表现出较强的解释能力。SHAP分析确定了制造企业数字创新的六个关键决定因素:市场竞争、研发投入(R&D Investment)、企业规模、员工规模、吸收能力和研发人员(R&D Personnel)。(2)多时段QCA揭示了数字化转型不同阶段的不同组态路径。在初步探索阶段,出现了七种组态,主要表现为技术驱动和技术-环境协同。在高速发展阶段,确定了八种组态,突出了技术-组织和组织-环境协同。在加速阶段,发现了十种组态,说明了技术驱动、技术-组织、技术-环境和组织-环境因素之间的相互作用。(3)技术因素和组织因素在所有时期都是高数字创新的核心条件。随着数字化的推进,环境因素发挥着越来越重要的作用。
### 论文解读:制造企业数字创新的关键因素与组态路径

#### 研究背景与问题

在全球数字经济快速发展的背景下,生成式人工智能、量子计算、物联网等新兴技术正深刻重塑产业结构。作为国民经济的基石,中国制造业面临低端产能侵蚀与向高附加值升级的双重挑战。数字创新成为制造企业提升生产效率、改善产品质量、加速研发周期的关键手段。然而,数字创新过程充满不确定性,创新固有风险、企业能力有限及激励不足常导致企业无法充分利用数字技术的变革潜力。制造企业因其生产流程复杂、资本密集且路径依赖性强,在采纳和推广数字创新时面临显著障碍。缺乏对驱动或抑制创新关键因素的清晰认知,企业可能难以设计有效策略、高效配置资源或主动应对竞争与政策压力。因此,识别并评估制造企业数字创新的决定因素具有重要的理论与实践意义,有助于推动高质量发展与产业升级。

#### 研究内容与结论

本研究以2012至2022年中国A股上市制造企业为样本,共包含13,776个企业-年度观测值。研究整合CatBoost与SHAP机器学习算法,在TOE(Technology-Organization-Environment)框架下系统评估数字创新的前因,并进一步运用多时段QCA(Qualitative Comparative Analysis)揭示不同阶段因素组合形成的组态路径。主要结论包括:(1)CatBoost回归模型展现出良好的预测性能(低误差指标与中等R2值),SHAP分析识别出六个关键决定因素:市场竞争(LMC)、研发投入(RDI)、企业规模(ES)、员工数量(NE)、吸收能力(AC)和研发人员(RDS)。(2)多时段QCA在数字化转型的初步探索阶段(2012-2015)发现7种组态,以技术驱动和技术-环境协同为主;高速发展阶段(2016-2019)发现8种组态,突出技术-组织和组织-环境协同;全面加速阶段(2020-2022)发现10种组态,涵盖技术驱动、技术-组织、技术-环境和组织-环境协同类型。(3)技术和组织因素在所有时期均为实现高数字创新的核心条件,而随着数字化深入,环境因素的作用日益增强。本研究发表在《Data and Information Management》上,为制造企业数字创新提供了理论支撑与实践指导,强调了多因素协同的重要性。

#### 关键技术与方法

本研究采用的主要技术方法包括:CatBoost算法(基于梯度提升决策树,自动处理类别特征与缺失值,高效训练并防止过拟合)、SHAP算法(基于合作博弈论的模型解释方法,计算每个特征对预测输出的贡献值,提供全局与局部可解释性)以及多时段QCA(定性比较分析,通过时间分段分析不同阶段组态路径的演变)。样本来源为中国A股上市制造企业,财务数据来自CSMAR数据库,专利数据来自CNRDS,省级指标来自国家统计局与各省统计年鉴。

#### 研究结果

**4.3 Catboost-SHAP回归预测结果分析**
CatBoost回归模型在测试集上表现良好:MAE=0.083,MSE=0.012,RMSE=0.110,R2=0.635。预测值与实际值接近,表明模型具有满意的预测精度。通过SHAP算法,研究人员得出六个最重要的特征变量及其贡献度:市场竞争(LMC,17.69%)、研发投入(RDI,9.11%)、企业规模(ES,7.50%)、员工数量(NE,6.62%)、吸收能力(AC,5.74%)和研发人员(RDS,3.91%)。

**5.2.3 多时段条件组态分析**
依据数字化发展水平,将2012-2022年划分为三个阶段。在初步探索阶段(2012-2015),共7条组态路径,整体解一致性0.896。这些路径可归纳为组织驱动型(如吸收能力为核心条件)和技术-组织协同型(如研发人员或研发投入为核心条件,企业规模为边缘条件)。在高速发展阶段(2016-2019),共8条路径,整体解一致性0.951,包括技术-组织协同型(如研发投入与吸收能力组合)和组织-环境协同型(如吸收能力与市场竞争组合)。在全面加速阶段(2020-2022),共10条路径,整体解一致性0.927,涵盖技术驱动型(研发投入为核心)、技术-组织协同型(多种组合)、技术-环境协同型(研发人员与市场竞争为核心)以及组织-环境协同型(企业规模为核心)。各阶段路径特点显示:从单主体驱动向多主体协同模式转变;技术和组织始终是核心条件;环境因素的作用逐渐增强。

#### 结论与讨论

本研究得出以下结论:(1)CatBoost-SHAP流程有效预测数字创新并识别关键决定因素,CatBoost模型获得满意预测性能,SHAP识别出六个主导特征:市场竞争、研发投入、企业规模、员工数量、吸收能力和研发人员。(2)多时段QCA在数字化初步探索阶段识别出7条组态路径,以技术驱动和技术-环境协同为主;高速发展阶段有8条路径,涉及技术-组织和组织-环境协同;全面加速阶段有10条路径,涵盖技术驱动、技术-组织、技术-环境和组织-环境协同类型。(3)当独立分析时,技术和组织始终是实现高数字创新的核心条件;随着数字化深入,环境因素在制造企业实现高数字创新中的作用日益重要。基于此,研究人员建议:企业应将数字创新作为核心战略,加大研发投入并扩大研发团队,同时从协同视角统筹技术、资源、管理与市场竞争,以精准满足消费者数字需求,持续保持竞争优势。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号