数字智能技术能否促进新能源产业的融合创新？来自中国的实证研究 赵志波， 黄哲， 乔宇菲， 任家民

《Systems》：Does Digital Intelligence Technology Promote Integrated Innovation in the New Energy Industry? Evidence from China Zhibo Zhao, Zhe Huang, Yufei Qiao and Jiamin Ren

　　摘要：新能源产业（NEI）是协调能源、经济与环境关系的战略性行业，但它面临着技术复杂性高和产业碎片化的挑战。数字智能技术（DIT）使企业能够从被动响应转变为主动实施系统性调整。本研究探讨了DIT如何推动该行业的集成创新。我们利用2007年至2023年间750家上市公司的面板数据集，通过中介效应、阈值效应和调节效应模型来检验DIT的影响。研究结果表明，DIT通过扩展企业能力和减少信息不对称性显著促进了集成创新。这一影响主要取决于研发强度和政府补贴。值得注意的是，研发强度呈现出三重阈值效应（3.82%、7.47%和7.88%）；具体而言，当研发投资超过7.88%时，DIT与内部能力产生乘数效应，大幅加速了内部和外部创新要素的整合。此外，国有企业（SOEs）在利用DIT实现创新成果方面表现出更高的效率，这得益于政策优势。政府补贴进一步缓解了资源约束并增强了企业的风险承受能力。这些结果为新能源产业提供了关键的战略洞察，有助于完善研发管理并提升人力资本，最终帮助行业实现经济增长与环境可持续性的平衡。

1. 引言
在全球经济一体化和“双碳”目标的战略追求背景下，新能源产业（NEI）已成为协调经济增长与环境可持续性的关键领域。NEI面临多重挑战，如对外部冲击的高度敏感性[1]、技术创新能力的欠缺以及由经济和资源限制带来的发展障碍。该行业具有高技术复杂性、漫长的产业链和艰巨的跨学科壁垒。单个企业常常难以独立管理从材料研发到设备制造的全生命周期。NEI面临系统和整体性的挑战，表现为产业链碎片化和复杂的相互依赖性，这需要从局部优化转向系统层面的整合。因此，NEI的创新范式正从“封闭创新”转向集成创新。DIT通过提供及时的市场洞察、先进的数字分析和快速反馈渠道[2]，降低创新风险并促进集成创新。DIT打破了传统的组织壁垒，从而构建了一个资源与知识在价值链上无缝流动的综合性创新生态系统。

基于熊彼特经济学理论，我们将创新定义为促进新技术的商业化、生产要素的重组以及新生产功能的建立，进而成为经济发展的引擎。在当代产业格局中，这一经典范式已演变为更加协作和系统的模式。基于开放创新的理念，集成创新促进了企业间的资源整合、知识协同和价值共创[3,4]。为了优化不同规模企业的集成创新渠道，并帮助中小企业（SME）融入大型企业的创新和供应链系统，工业和信息化部（MIIT）于2025年5月发布了“百场会议，万家企”计划。在这一新兴范式中，DIT发挥着核心作用。DIT处于人工智能和数字化转型的交汇点[5]，其广泛应用显著增强了企业的资源基础和企业间资源的流动性[6]。DIT可以改进能源利用技术和生产流程[7]，不仅重塑了传统的上下游关系，加强了跨行业整合[8]，还突破了时空限制，从而催化了集成创新。此外，DIT能够刺激研发和创新活动[7]，使企业能够以更高的效率执行日常任务，并迅速感知外部环境变化[9]。鉴于NEI代表了战略性新兴产业的先锋，探索DIT如何推动集成创新的机制具有重要的理论和实践意义。DIT不仅帮助企业做出广泛而有效的决策，并在不断变化的环境中解决问题[10]，还促进了新能源技术的创新和优化了产业结构[11]。更重要的是，DIT不仅提升了单个企业的绩效，从根本上将NEI重塑为一个有韧性、相互连接的全系统创新网络，有效缓解了历史上制约该行业可持续发展的系统性效率问题。

集成创新是一种系统性的创新方法，能够提升NEI的整体价值创造。学术界对集成创新的讨论已从理论概念化发展到实证验证。在当前的数字智能时代，DIT推动集成创新的机制成为学术研究的焦点。企业可以利用集成创新共同应对低碳转型的挑战[12]。合作实体可以共享实验设备、研究成果和市场信息，避免资源投资和浪费。同时，这种合作可以降低研发成本，提高效率，并增强各实体的可持续竞争优势[13]。早期研究从资源流动[14]、平台架构[15]和企业行为[16]等维度定性探讨了集成创新的含义，而最近的定量分析则关注了行为者的异质性和网络结构[17,18]。目前的研究重点转向跨区域技术整合[19]和数字治理[20]。现有文献表明，集成创新通过两种核心机制运作：资源整合和多利益相关者互动。在新能源行业——这个常受创新不足和资源稀缺困扰的行业——集成创新如何推动资源整合和多利益相关者互动仍是一个关键的研究课题。大型企业利用自身规模构建开放平台，带动中小企业实现协同发展[21]，而中小企业则通过灵活性和专业化做出贡献[22]。具有较高吸收能力的企业可以更好地利用这些外部资源来增强自身竞争优势[23]。在国家和政府的引导下，不同创新主体根据具体需求选择合作伙伴[24,25]。通过多层面的线上线下互动，这些主体加速了显性和隐性知识的消化与整合，促进了创新“知识流”的协同[26]。这一过程促进了连接价值、转化价值和互动价值的构建，最终形成了一个多维度的协同价值框架[27,28]。集成创新作为系统引擎，将NEI从一个分散的实体集合转变为一个紧密相连的综合性创新生态系统。然而，尽管这些研究解释了集成创新的必要性，但它们往往忽视了新兴数字因素（特别是DIT）如何在特定行业框架内重塑这些合作机制。

随着数字经济的发展和信息技术的快速演变，DIT已成为推动企业多维度变革的变革力量[29]。通过协同应用云计算、大数据和人工智能，DIT显著提升了企业效率、运营质量和环境绩效[30,31,32]。作为性能提升的关键驱动力[33]，DIT通过优化能源消耗和减少资源浪费，为中小企业的发展提供了强大动力[34,35]。现有研究表明，DIT主要通过三个途径促进集成创新：智能决策、打破边界和流程赋能。首先，DIT通过提升智能决策能力促进集成创新。借助先进的处理能力和复杂算法，DIT为生产和运营决策提供关键支持[36]。这种智能基础设施增强了企业感知和响应外部环境变化的效率[9]，从而减少了创新过程中的不确定性[10]。其次，DIT作为打破边界整合的催化剂，打破了传统的企业间壁垒，加强了外部环境与内部创新活动之间的联系[37]。通过推动企业突破传统组织边界，DIT增强了跨边界整合能力，促进了协同的产业生态系统。这种连通性促进了向数字化生产和管理的转变，显著提高了内部和外部资源流的效率[38]。第三，DIT通过流程赋能在操作层面推动创新。通过数字化业务流程，DIT提升了内生竞争力，并实现了跨产业链的资源与能力共享[39,40]。在技术密集型的NEI背景下，这种流程数字化实现了能源利用的精确管理和控制，对于减少系统性能源消耗至关重要[41]。总之，尽管DIT被广泛认为是企业转型和效率提升的关键促进因素，但其具体影响机制和在NEI中的实证路径仍需进一步探索。尽管DIT帮助企业优化资源配置和提高协作效率，但其推动新能源行业集成创新的基本逻辑仍需进一步研究以填补现有的认知空白。

在数字智能时代，虽然NEI是中国战略新兴产业中的先锋，但DIT在NEI中促进集成创新的基本机制、路径和价值创造模型仍不完善。鉴于该行业在可持续发展中的不可或缺作用，这种认知框架的缺失尤其关键，因为它阻碍了协作创新的理论进展及其实际指导作用。总体而言，现有关于集成创新的文献主要集中在行业间的现象上，分析视角集中在三个维度：产业链整合、创新链协同和创新网络构建。当前研究广泛探讨了不同行业创新主体间的知识流动机制、技术合作模式和资源互补效应，从而建立了相对稳健的理论框架。然而，从研究角度来看，针对同一行业内企业之间集成创新的研究仍相对较少。特别是，DIT如何推动新能源行业创新——包括其背后的机制、赋能路径和价值创造模型——尚未纳入明确的理论框架中。这一限制在某种程度上限制了理论发展和实际指导。因此，建立以风险共享和资源协同为特征的合作创新机制对于提升创新能力和协作效率至关重要。因此，研究DIT如何影响新能源行业中的集成创新机制具有深远的意义。尽管一些学者关注DIT对企业管理可持续性和创新能力的影响，但他们忽视了DIT对NEI发展的影响机制及其概念的深入解读。DIT是推动NEI集成创新的关键力量。鉴于新能源行业中DIT赋能机制的基本逻辑尚未完全阐明，本研究通过理论分析和严格的实证测试进行了探讨。基于创新理论，我们对DIT进行了深入解读，并明确了其在NEI中的赋能机制。以新能源行业为例，我们构建了一个包含750家上市公司的面板数据集，经过数据处理后得到5527个企业年度观测值。我们采用双向固定效应模型系统地研究了DIT推动产业集成创新的机制。具体而言，首先从企业层面探讨了DIT如何在三个维度上推动集成创新：创新主体、流程优化和创新成果。其次，揭示了“DIT → 能力边界 → 集成创新”的传导路径。通过扩展能力边界，DIT使企业更敏锐地识别外部技术、资源和合作机会，从而促进共生、共享和共赢的生态系统。第三，通过阈值回归，我们发现了“DIT—研发强度—集成创新”的非线性关系。结果表明，DIT驱动的赋能具有阶段性增量特征。当研发强度超过某个阈值时，DIT显著促进了集成创新。随着研发投资的增加，财务约束得到缓解，与创新相关的不确定性和风险也得到减轻。这种增强的创新势头和信心进一步放大了DIT对集成创新的积极影响。此外，我们研究了所有权结构和政府补贴的作用，发现国有企业由于政策和资源优势，从DIT中获得的创新转化效果更为显著。与现有研究相比，本研究有两个重要的边际贡献。首先，我们的研究视角扩展了现有关于新能源行业创新的实证文献。此外，这项研究丰富了关于数字智能技术（DIT）应用的广泛知识体系。我们的研究结果表明，DIT显著提升了集成创新的能力，尽管这种效应存在明显的差异性；具体而言，在国有企业中，DIT的促进作用更为显著。这些结论为新能源行业的战略发展提供了重要的见解。研究的第二个贡献在于探索影响机制。实证结果揭示了新能源产业（NEI）如何利用DIT推动集成创新的路径。通过将DIT与经济创新理论相结合，我们确定了研发强度作为一个关键的非线性影响因素。研究结果表明，DIT对集成创新的影响超出了简单的线性模型，而是表现为一个逐步演变的过程。至关重要的是，一旦研发强度超过某个特定阈值，DIT会催化集成创新绩效的“质变”。此外，实证结果表明，资产负债比率和政府补贴是积极的中介变量，而所有权结构则是一个强健的调节变量。通过揭示利用DIT促进新能源产业集成创新的路径，这项研究为全球企业提供了有价值的“中国式洞察”和实用范例，以优化他们的集成创新策略。

本研究的其余部分组织如下：第2节介绍理论分析和假设；第3节概述方法论和数据；第4节展示实证发现；第5节总结研究内容。

2. 理论分析和假设
本研究通过将DIT与创新理论相结合，构建了一个理论分析框架，以考察DIT是否通过政府补贴、资产负债比率和研发强度渠道来提升集成创新。我们还评估了所有权性质在这个过程中的调节作用。

2.1 数字智能技术对集成创新的直接影响
DIT通过三个维度增强企业的双重能力：资源数字化、流程数字化和组织智能。一方面，DIT促进了资源和流程的可视化和同步，从而提升了企业的利用能力。另一方面，通过支持以消费者为中心的运营和预测分析，DIT增强了企业的环境感知和前瞻性，从而提升了探索能力。这种双重赋能显著改善了企业间的协调和协同效应，推动了集成创新。具体来说，DIT通过三条路径推动新能源产业的集成创新：首先，通过赋能创新主体，DIT显著提高了数据生成和处理的效率。如果大数据是“新的石油”，那么DIT——通过人工智能和大数据分析实现——就是创造价值的“新引擎”[42]。它使新能源企业能够高效整合动态资源，并在波动环境中满足创新需求。DIT突破了传统的上下游界限，加强了跨行业整合。其次，DIT扩展了企业与其他创新主体之间的合作边界，促进了智能协作平台和网络的建设，进一步优化了企业间集成创新的质量。通过不断扩展创新边界，企业增加了知识交流，并加深了与外部实体的合作关系[43]。同时，DIT通过代表数字系统和智能系统的融合，优化了创新流程[44]。数字工具实现了实时监控和精确的资源匹配，减少了创新失败，而智能算法提供了优化方案和风险预警，提高了创新生命周期的可靠性和精确性。第三，通过提升创新成果，DIT通过智能平台建设加速了创新成果的商业化。实时用户反馈循环确保产品符合市场需求，从而促进了高质量的集成创新[45]。因此，本文提出以下假设：
假设1. DIT显著促进了新能源产业的集成创新。

2.2 能力边界的中介作用
借鉴Chesbrough的开放创新理论，企业应战略性地利用内部和外部知识流来加速内部创新，并将创新商业化到外部市场。企业的能力边界——定义为识别和吸收高质量外部资源的能力——是成功实施开放创新的前提条件。DIT通过扩展企业的能力边界——在更广泛范围内寻找和利用高质量外部资源的能力——来促进集成创新。具体来说，DIT增强了环境感知和信息捕获能力，使企业能够更有效地动员外部资源。这种边界扩展表明企业建立了与外部市场和技术环境的多样化联系。此外，DIT推动了商业模式创新[46]，其应用增强了企业捕获和分析信息以及感知复杂动态环境的能力。因此，企业可以更充分地利用外部资源池，从而拓展其能力边界[47]。一方面，DIT将实物资产转化为数字化资源，提高了信息处理效率，并促进了内部能力和外部刺激之间的动态契合。另一方面，DIT促进了网络化的扁平化组织结构和开源研发模式。信息流速的提高减少了传输损失，增强了知识交流的频率[48]。具有更广泛能力边界的企业更擅长识别外部技术机会和资源协同效应。这种感知能力促进了以共生、资源共享和互利共赢为特征的合作框架，最终实现了集成创新。因此，本文提出以下假设：
假设2. DIT通过扩展企业的能力边界来促进集成创新。

2.3 政府补贴的中介作用
借鉴Spence的信号理论，在信息不对称的市场环境中，企业可以通过传递可信信号吸引外部资源提供者的注意和支持。为了实现可持续发展和竞争优势，新能源产业内的企业必须持续进行技术创新[49]，这需要大量的外部融资。作为技术推动者，DIT提高了信息透明度和运营可见性，使企业能够向外部利益相关者传递高质量信号。信号理论表明，这样的信号可以有效缓解政府与企业之间的信息不对称，促使政府将补贴资源分配给具有真正创新潜力的企业。鉴于这种创新的资本密集性和内在不确定性，新能源企业通常在高风险条件下运作。为了缓解这些风险并降低创新成本，政府提供财政补贴和税收激励以刺激创新活动，从而在整个行业中促进集成创新。DIT的应用使得政府补贴在新能源产业内的分配更加高效和合理。此外，这样的补贴对企业创新具有“挤入”效应[50,51]。一方面，新能源企业需要进行大量营运资本来推进集成创新；然而，当外部投资不足时，它们经常面临严重的融资限制，导致资金缺口，阻碍了合作努力。政府补贴有效地缓解了这些创新风险和成本，从而增强了企业的风险承受能力[4]。另一方面，政府通过建立信号机制减少了企业与外部投资者之间的信息不对称。这促进了投资者和融资方之间的透明信息交流，从而推动了中小企业之间的创新[52]，并推动了集成创新。因此，本文提出以下假设：
假设3. DIT通过政府补贴的中介作用来促进企业的集成创新。

2.4 研发强度的阈值效应
研发强度是DIT创新效应的关键决定因素，也是新能源产业集成创新的核心驱动力。研发强度以其研发支出与营业收入的比率来衡量，较高的研发强度意味着更强的吸收能力——即获取、吸收和应用外部知识的能力。知识和无形资产构成了现代创新的基础[53,54]。作为技术推动者，DIT通过三种主要机制推动集成创新。首先，作为集成创新的关键参与者，新能源企业可以通过吸引专业人才和增加对数字基础设施的投资来改善数字基础设施环境，从而加速DIT在创新过程中的整合。其次，增加的研发投资减轻了财务约束，并缓解了创新活动的固有不确定性和风险。这反过来增强了企业信心，并加强了DIT对集成创新质量的积极影响。值得注意的是，当研发强度超过某个特定阈值时，DIT对集成创新的边际效益可能会呈现递减趋势。最后，DIT涵盖了大数据、人工智能、云计算和区块链等新兴技术的应用[55]，这些技术本身涉及实施复杂性。因此，在增加研发投资的同时，新能源企业应强调对DIT的持续和动态支持，以实现创新活动与跨阶段资源分配之间的有效协同，从而提升整合质量。因此，本文提出以下假设：
假设4. 研发强度在DIT与新能源产业集成创新的关系中表现出显著的阈值效应。此外，当研发强度超过某个特定阈值时，DIT对集成创新的积极促进效应达到最大。

2.5 所有权性质的调节作用
借鉴North的制度理论，所有权性质决定了企业获取外部资源的机会和能力。国有企业利用其与政府机构的制度联系，可以获得稳定的政策支持和资源保障，从而提高了将DIT转化为集成创新成果的效率。相比之下，非国有企业由于缺乏相应的制度资源禀赋，在DIT投资的转化方面效果相对受限。所有权性质决定了企业获取资源、构建激励机制和决策模式的方式，从而导致DIT部署的效果存在差异。此外，新能源产业内的国有企业和非国有企业在市场导向和资源分配优先级上存在显著差异[56]。国有企业受益于稳定的财政支持、优惠的融资渠道以及完善的政府-产业-大学-研究网络。这些制度优势为协作创新提供了坚实的基础设施，从而放大了DIT的效能。此外，隐性的国家所有权保障有效地缓解了跨界合作中的信任相关风险，激励更多创新伙伴参与集成创新生态系统。相比之下，非国有企业面临显著的融资限制，需要高效利用DIT来优化资源分配和降低创新成本。资源受限的非国有企业往往难以进行超过关键创新阈值的资金投入。因此，本文提出以下假设：
假设5. 所有权性质对DIT对集成创新的影响具有积极的调节作用。

DIT在新能源产业中影响集成创新的机制如图1所示。
图1. 本文的框架图。

3. 方法论和数据
3.1 方法论
本研究通过将DIT与创新理论相结合，构建了一个理论分析框架。我们建立了一个全面的实证框架，系统地分析了DIT对集成创新的影响。首先，我们使用固定效应模型估计DIT对集成创新的主要影响，然后通过中介分析测试中介机制。随后，我们通过调节分析检查与所有权结构相关的边界条件，并使用阈值回归揭示DIT的非线性效应。这一系列分析从效应到机制和边界条件提供了全面的理解。

3.1.1 计量经济学建模
利用中国A股上市新能源企业的数据，本研究测试了DIT是否能够促进新能源产业的集成创新。本研究采用固定效应模型的面板数据回归。我们控制了包括固定资产比率、所有权类型、独立董事比率、成长能力、流动比率、研发强度和资产负债比率在内的变量。模型构建如下：
（1）其中，表示企业集成创新的水平，是核心解释变量，表示控制变量集合，t代表年份固定效应，i代表企业固定效应。

3.1.2 中介效应模型
为了测试资产负债比率对新能源产业集成创新的中介机制效应，模型构建如下：
（2）（3）（4）
在模型（2）、（3）和（4）中，表示企业集成创新，表示数字智能技术，表示企业能力边界，表示控制变量，表示年份固定效应，表示行业固定效应，表示随机误差项。

为了测试政府补贴对新能源产业集成创新的中介机制效应，模型构建如下：
（5）（6）（7）
在模型（5）、（6）和（7）中，表示企业集成创新，表示数字智能技术，表示政府补贴，表示控制变量，表示年份固定效应，表示行业固定效应，表示随机误差项。

3.1.3 阈值效应模型
为了捕捉非线性关系，我们使用以研发强度为阈值的面板阈值模型。模型构建如下：
（8）表示企业内的集成创新水平，表示数字智能技术，表示研发强度，和是阈值。是指示函数，如果在括号中的条件得到满足，则取值1，否则取值0。该功能用于划分不同的研发强度区间。这些变量代表了一组控制变量。3.1.4. 调节效应模型为了探讨企业所有权的影响，构建了以下调节模型：（9）表示企业内部的整合创新水平，表示数字智能技术，表示企业的所有权类型，是交互项，指的是控制变量集合。3.2. 变量选择和数据描述本研究的数据涵盖了2007至2023年期间，研究了750家东北国有企业（NEI）。我们排除了：（1）ST和*ST企业；（2）金融行业企业；（3）数据严重缺失的样本。最终的数据集包含5527个观察值。数据来源于CSMAR、Wind和官方年度报告。3.2.1. 被解释变量被解释变量是整合创新，其水平通过企业与其他实体共同申请的专利数量的自然对数加一来衡量[57]。这一指标反映了企业间技术合作的深度和广度。3.2.2. 解释变量解释变量是DIT，我们通过对企业年报的文本挖掘来衡量DIT。我们对七个与数字化相关的关键词（人工智能、大数据、云计算、区块链和数字技术应用）进行了频率计数。最终的衡量指标是这些关键词总频率的自然对数加一[58]。3.2.3. 阈值变量由于研发强度在塑造新能源行业DIT的创新效应中起着决定性作用，因此被选为阈值变量。根据现有文献，它被计算为研发支出与总营业收入的比率[59]。3.2.4. 中介变量能力边界反映了企业在获取、吸收和利用外部资源方面的能力。借鉴李和 Zhang 的研究，我们使用资产负债率作为能力边界的代理指标[60]。较高的资产负债率表明企业拥有丰富的社会资本和多样化的外部资源渠道，并且具有较强的投资者游说能力，从而表明其能力边界更广。政府补贴方面，学者们通常使用补贴收入的自然对数作为衡量指标[61]。高水平的政府补贴可以增强企业的融资能力和风险抵御能力；此外，此类补贴能有效缓解与企业创新相关的固有风险和成本。3.2.5. 调节变量调节变量是所有权性质，所有权性质（财产）是一个虚拟变量（国有企业为1，其他为企业为0）。国有企业和非国有企业在经济目标、资源获取、风险承担和创新激励方面存在显著差异。3.2.6. 控制变量本研究引入了七个控制变量。固定资产比率（固定），通过净资产与总资产的比例来衡量[62]。高资本强度往往限制了融资策略和创新的灵活性。资产负债比率（竞争），通过总负债与总资产的比例来衡量[62]。高杠杆率有助于企业获得更多财务资源，从而能够从事长期的高风险创新活动。独立董事比例（独立），通过董事会中独立董事的比例来衡量[63]。这反映了公司治理的质量，因为独立董事能够加强战略监督并提供关键资源。公司增长（增长），通过营业收入增长率来衡量[62]。高增长企业面临更大的融资需求，但也有更强的动力通过创新保持发展势头。流动比率（流动），通过流动比率来衡量[64]。较高的流动性确保了足够的资源缓冲用于创新投资。所有权集中度（份额）[62]，所有权集中度高的企业在DIT期间表现出更高的决策效率，具有更强的风险承担能力，并展现出更强的整合产业链资源的能力。表1提供了相关变量的详细信息。3.2.7. 数据来源和描述性统计经过数据清洗和处理后，获得了包含5527个观察值的面板数据集。所有变量都被标准化，以考察DIT对NEI整合创新的影响。变量的描述性统计见表2。整合创新的平均值为0.455，标准差为0.95，范围在0到7.719之间。这些结果表明，样本企业中的整体整合创新水平相对较低，并且存在显著的差异；虽然大多数企业的整合创新活动仍然有限，但只有少数企业表现出色。同样，DIT的平均水平为1.447，分布范围在0到6.151之间，这突显了中国企业数字智能能力的发展不均衡。此外，对所有变量进行了多重共线性诊断，每个变量的方差膨胀因子（VIF）均低于3的阈值，表明没有严重的多重共线性问题。表2. 描述性统计。4. 结果 4.1. 基线回归使用基准模型，我们探讨了DIT对上市NEI企业整合创新的定量影响。估计结果见表3。结果显示，即使在校正了控制变量后，DIT的系数在1%的水平上也是积极且统计显著的，从而验证了主要假设。仅包含核心变量的第（1）列中，这种关系非常显著。引入控制变量后的第（2）列显示，DIT每增加一个单位，整合创新增加0.092个单位。考虑年度固定效应的第（3）列中，系数稳定在0.089。第（4）列展示了具有双重固定效应（年份和企业）的结果；尽管显著性水平略有下降，但在10%的水平上仍然稳健。DIT增强了NEI企业高效收集、分析和整合动态资源的能力。通过支持大规模的数据挖掘和内外部大数据的处理[65]，这些技术帮助企业快速适应创新需求，并提高其在变化环境中获取高质量资源的能力。同时，DIT通过数字手段扩展了企业与其他创新参与者之间的合作边界，建立了智能合作平台和网络。利用其智能决策能力，这些技术为生产和运营决策提供技术支持[36]，进一步提高了企业间整合创新的质量。这些发现证实了DIT的发展显著促进了整合创新，支持了H1假设。本研究中的变量关系如图2所示。表3. 基准回归结果。图2. 变量之间的因果关系。4.2. 中介效应测试：政府补贴和资产负债比率表4详细说明了资产负债比率和政府补贴的中介作用。DIT对整合创新的总体效应在1%的水平上显著为正，满足了中介分析的第一个前提条件。第（2）列显示，DIT也对资产负债比率产生了显著的积极影响，满足了第二个前提条件。这表明DIT的进步增加了企业的杠杆率，这可能是由于数字化转型项目的外部融资需求驱动的。当同时包含DIT和资产负债比率时，第（3）列显示后者与整合创新之间存在显著的正相关。尽管如此，DIT的系数在1%的水平上仍然显著，但幅度有所减小，表明资产负债比率起着部分中介作用。中介效应为0.0017，约占总效应的2.88%。在模型（6）中，DIT对中介变量政府补贴的影响在1%的水平上仍然显著为正。政府补贴的中介效应为0.0116，约占总效应的19.44%。这表明，尽管通过资产负债比率路径促进整合创新的效应相对有限，但主要影响是通过政府补贴的促进实现的。表4. 中介效应测试。为了验证上述中介效应的统计显著性，本研究进一步进行了Sobel检验和Bootstrap检验。Sobel检验的Z统计量分别为1.71和5.987，均达到了常规显著性水平。基于995次重抽样的更稳健的Bootstrap检验得出的中介效应估计分别为0.0031和0.0095。它们各自的偏差校正后95%置信区间不包含零，进一步确认了结果。这三个测试的结论高度一致，稳健地验证了资产负债比率和政府补贴的中介作用。总之，DIT的应用促使NEI企业寻找并有效利用更广泛范围内的高质量外部资源，与外部市场和技术环境建立了多样化的联系。通过不断扩展创新边界，企业间的知识交流增加，与外部实体的合作关系也变得更加紧密[43]。数字智能技术的使用增强了企业捕捉和分析信息的能力，以及感知复杂动态环境的能力，帮助NEI企业更充分地调动外部资源。通过扩展能力边界，DIT提高了NEI企业内部和外部资源的分配效率，并增强了它们感知合作伙伴需求的能力。在这个过程中，具有高吸收能力的企业可以充分利用外部创新，加强内部资源基础，并提高竞争优势[23]。DIT在NEI企业中的应用拓宽了它们的能力边界，使它们能够更敏锐地识别外部技术、资源和合作机会。这促进了以共生、共享和互利为特征的新合作格局的形成，从而推动了NEI企业间的整合创新。此外，DIT通过优化政府补贴的分配机制并推动全链协同资源部署，促进了整合创新。由于政府补贴缓解了资源稀缺问题[66]，它们提高了企业的风险承受能力，并促进了外部资本的调动。DIT使得财政资源能够精准高效地应用于实质性的创新和战略竞争力，从而加强了行业参与者之间的整合创新框架。这种技术干预解决了信息不对称问题，确保了财政支持产生最大的创新效应。4.3. 阈值效应测试：研发支出与总营业收入的比率表5和表6展示了阈值效应回归和测试的结果。发现了三重阈值效应，在1%的水平上非常显著（F = 81.98，p < 0.01），从而拒绝了无阈值效应的零假设。DIT与整合创新之间的关系在三个研发强度阈值（3.82%、7.47%和7.88%）上发生了显著变化。值得注意的是，当研发强度处于7.47%-7.88%区间时，DIT的估计系数未能达到统计显著性。表5. 阈值效应测试。表6. 阈值效应测试。当企业的研发强度低于3.82%时，DIT具有显著的积极影响，表明即使研发基础较弱，数字化也能通过信息共享和流程优化提供基本的整合创新收益。当研发强度跨越第一个阈值进入低到中等范围（3.82%-7.47%）时，DIT的积极系数增加到0.099。这意味着随着研发投资的增加，企业对数字化技术的吸收能力增强。因此，DIT开始与内部研发活动产生初步的协同效应，进一步促进了整合创新。当研发强度达到中等到高级别（7.47%-7.88%）时，DIT的估计系数未能达到统计显著性。这可能是由于“资源挤出的”效应；随着企业经历关键的创新转型，实施DIT所需的大量投资可能会消耗核心研发活动所需的财务和管理资源。当研发强度超过7.88%时，DIT产生了显著的积极影响，其效应幅度大约是低研发组的两倍。增加的研发强度增强了企业获取、消化和吸收创新资源的能力，促进了高质量的创新产出。在这个阶段，财务约束得到缓解，与创新活动相关的不确定性和风险逐渐减少。此外，更高的研发强度增强了创新势头和企业信心，显著提升了DIT驱动的赋能效果。这表明高研发强度组的企业建立了成熟的创新系统，并拥有足够的资源基础来有效掌握和整合数字技术。在这一阶段，企业拥有成熟的创新系统和足够的资源，能够在DIT和内部研发之间实现“乘数效应”，促进了整合创新的质的飞跃。这些发现支持了H4假设。总之，DIT对整合创新的影响呈现出非线性的阶段性进展。对于东北地区（NEI）——作为以高风险和高投资为特征的战略性新兴产业的领导者——研发强度（R&D intensity）在决定数字化转型（DIT）是促进还是阻碍集成创新（integrated innovation）的过程中起着决定性作用。在研发强度较低的区间，DIT对集成创新的影响显著为正；在中等偏低的区间这种影响转为负值；而在研发强度较高的区间，其积极效应达到峰值。这一现象可以归因于NEI作为新兴战略性产业先锋的高投资和高风险特性，这种特性为集成创新创造了高度复杂的环境。研发强度体现了公司对创新的支持程度。当研发强度较低时，DIT通过信息共享和流程优化来促进集成创新；但在研发强度较高的“瓶颈”阶段，它可能无法起到促进作用，甚至可能产生负面影响。然而，一旦研发强度超过某个阈值，它就反映了创新能力的显著积累。此时，DIT会触发质的飞跃，将创新要素深度融合，推动NEI的集成创新从量的积累向质的转变。

4.4. 调节效应测试：所有权性质
如表7所示，所有权类型显著调节了DIT与集成创新之间的关系。在国有企业（SOEs）中，DIT每增加一个单位，集成创新增加0.117个单位；而非国有企业的这种效应则不显著。Chow检验确认了两组之间的显著差异。DIT在国有企业中的边际效应是非国有企业的6.88倍，表明国有企业能够有效利用政策支持和丰富的资源进行技术转型。相反，非国有企业可能因融资限制和短期利润压力而难以跨越创新阈值。

总结来说，DIT对集成创新的影响在很大程度上取决于所有权类型。国有企业利用政策资源和战略导向，通过DIT投资实现高效的创新转型。而非国有企业则受融资限制和短期利润压力的影响，往往难以通过技术投资跨越创新阈值。这些发现支持了H5假设。

4.5. 积极性检验和内生性处理
为了确保基准结果的可靠性，我们进行了一系列的稳健性检验，并解决了潜在的内生性问题。如表8所示，考虑到企业创新整合可能具有的时间持续性以及DIT与创新之间可能存在反向因果关系，我们使用了动态面板模型（dynamic panel models）。表（1）和表（2）分别报告了System GMM和Difference GMM（Arellano-Bond）估计的结果。诊断测试确认了模型的有效性：AR（1）的p值低于0.05，Difference GMM的AR（2）检验统计量超过0.1，表明残差中没有二阶序列相关性。此外，Hansen检验的p值均高于0.1，验证了工具变量的有效性。在控制了滞后因变量后，DIT的系数在5%的水平上仍然保持为正且显著，表明即使在考虑了内生性的情况下，DIT对创新整合的促进效应仍然存在。

为了排除我们的结果是由随机机会驱动的可能性，我们进行了排列测试。我们通过随机打乱不同公司和年份的DIT值来构建“安慰剂变量”。如“Placebo 1”和“Placebo 2”列所示，这些随机变量的系数分别为0.036和-0.015，均在统计上不显著（p > 0.1）。这些结果证实了显著的基准效应并非偶然。

为了减轻异常值的影响，表（5）对所有连续变量在1%和99%的分位数进行了Winsor化处理。DIT的系数在10%的水平上仍然保持显著。

2022年，包括工业和信息化部、国家发展和改革委员会以及中国人民银行在内的十一个政府部门共同发布了《关于启动“携手合作倡议促进大中小微企业融合创新（2022-2025）”的通知》。表（6）排除了2022年的样本数据。DIT的系数增加到0.039，并在5%的水平上显著。这表明，在排除了极端值和特定年份的干扰后，DIT对创新整合的积极促进效应仍然稳健。

总之，经过各种稳健性检验后，DIT的系数在符号和显著性上与基准结果高度一致。这些发现为我们的研究结论提供了强有力的实证支持。

5. 讨论
5.1. DIT对NEI集成创新的影响
在当前情况下，全球创新竞争加剧，对企业创新能力提出了更高的要求[67]。我们的实证发现证实了DIT对集成创新的积极影响，这与学术界的主流观点一致，即DIT打破了传统的企业间壁垒，加强了外部环境与内部创新活动之间的联系[37]。以往关于DIT和创新的研究主要集中在制造业和传统产业上[68]，强调创新绩效[69]。然而，本研究是在NEI这一具有高风险和高度外部冲击暴露特征的行业中进行的[1]。相对于其他行业，NEI对市场波动更为敏感，面临更高的创新风险。DIT增强了企业感知和响应外部环境变化的能力[9]，从而减少了创新过程中的不确定性[10]。

我们的研究发现表明，DIT是NEI集成创新的关键驱动力。通过数字化生产流程、扩展企业层面的创新边界以及加速技术成果的商业化，DIT显著提升了NEI企业的集成创新能力，并促进了创新参与者之间的知识交流。政府补贴的中介效应占总效应的19.44%，而能力边界的中介效应占2.88%。政府补贴对高科技初创企业的发展具有积极影响[70]，这一发现同样适用于NEI行业。政府补贴作为中介机制的主导地位表明，除了提供财务支持外，它们还向市场传递了创新质量的可靠信号，从而吸引了更广泛的合作伙伴。

现有文献认为，研发强度与企业绩效之间存在倒U形关系[71]。根据我们的实证分析，研发强度对企业的影响因不同情境而异。高研发投入对于最大化DIT的效果至关重要。一旦研发强度超过7.88%的阈值，DIT的系数增加到0.142，约为中等偏低研发强度区间（0.099）的1.43倍。在这一阶段，DIT对内部研发能力产生了“乘数效应”，显著加速了集成创新。

除了技术和财务机制外，制度因素也显著影响DIT的效果。国有企业和非国有企业在市场理念上存在显著差异[56]，这一发现同样适用于NEI行业。国有企业利用其优越的政策资源，通过DIT系统化积累的行业经验和管理体系，从而加速了集成创新的过程。

5.2. 局限性和未来研究
本研究存在一些局限性。首先，分析仅聚焦于中国的新能源企业；这些发现的外在有效性应在特定的制度背景下进行解读。未来的研究可以扩展到其他经济体。其次，在控制变量的选择上也存在局限性。由于现有的财务披露标准限制，本研究仅以研发支出作为研发相关变量的代理指标。未来的研究可以纳入研发人员投入。

6. 结论和政策建议
6.1. 结论
在DIT的推动下，NEI的集成创新能力得到了持续提升。DIT主要通过能力边界、政府补贴和研发强度等途径促进集成创新。为了进一步研究这些推动机制，本研究使用了2007至2023年间750家上市公司的面板数据，采用双向固定效应模型来探讨DIT如何促进产业集成创新。主要发现如下：
（1）DIT对NEI的集成创新有显著的积极影响。DIT重塑了传统的创新架构，提升了企业在波动市场环境中的动态资源协调能力，打破了传统行业壁垒，并促进了NEI企业间的集成创新。
（2）DIT的应用不仅是一种内部技术升级，也是向政府传递创新质量的可靠信号，从而有助于获得补贴，降低与外部合作伙伴的合作成本，并最终促进集成创新。
（3）高研发强度是最大化DIT效果的关键条件。一旦研发投资超过7.88%的阈值，DIT能够与核心研发能力深度整合，触发“乘数效应”，推动集成创新。
（4）国有企业利用其制度优势，获得稳定的政策支持和优惠融资，能够将持续的DIT投资转化为集成创新成果。相比之下，非国有企业受融资限制和短期业绩压力的影响，难以通过DIT投资跨越创新阈值。

6.2. 政策建议
为了进一步促进DIT的实施并提升NEI的集成创新，本研究提出以下政策建议：
首先，NEI应优先战略性地实施DIT。一方面，NEI应通过股权融资、知识产权质押和其他替代渠道多样化资金来源；另一方面，应构建集成数字平台，以促进供应链和研究机构之间的数据互操作性和资源共享。这将实现实时环境感知，并促进集成创新成果的商业化。
其次，NEI企业应根据其研发强度的阈值区间调整DIT与研发投资的资源配置。当研发强度在7.47%-7.88%范围内时，建议企业适度部署大规模的DIT，并优先考虑核心研发活动，以加速这一阶段的转型，避免因长期停滞而造成的效率损失。此外，企业应建立动态监测机制；当接近7.47%的阈值时，应进行内部能力评估，以确定其快速突破该阈值的潜力。如果能力不足，企业应积极寻求外部支持，以避免长期陷入这一区间。同时，政府应实施差异化的创新补贴政策，如提供研发咨询补贴，帮助企业集中资源并成功越过7.88%的阈值。
第三，政府应积极促进集成创新，特别是通过增强对非国有企业的财政激励和技术支持。此外，应鼓励国有企业引领形成产业社区和创新联盟。通过战略投资NEI行业的DIT基础设施，政府可以培育“引领-跟随”扩散模式，其中领先企业带动整个行业的协同增长。
第四，NEI企业应利用DIT能力向政府、投资者和合作伙伴传递高质量的创新信号。政府应根据企业的实际DIT能力建立动态评估体系，精准提供相关补贴，并实施基于事后绩效评估的补贴机制。这种机制将后续创新产出与补贴分配联系起来，从而缓解信息不对称问题。