本文是一篇企业管理论文，本文在质性研究的研究成果基础上，结合国内外学者的相关研究，构建数据驱动中小制造企业创新绩效提升的概念模型，并基于结构方程模型和分层回归分析对该理论模型进行检验。
1 绪论
1.1 研究背景与意义
1.1.1 研究背景
当今世界经济形势风云诡谲，机遇与挑战并存，全球制造网络为制造业发展提供重要的战略机遇，中国制造业经过近四十年的发展已成为世界制造大国。但随着人口红利逐渐消失，一些企业开始在国外大规模建厂，目标主要瞄准生产成本较低的东南亚地区，其中以发达国家尤为显著。此外，中美贸易摩擦严重影响全球供应链，全球制造业呈现疲软状态，贸易摩擦等不确定、不稳定因素已严重制约制造业发展。产业转移和中美贸易摩擦迫切要求中国制造业走创新发展道路。中国制造业需要依靠创新转型，以“创新”作为产业发展新动力，打造国际核心竞争力。随着德国推出工业 4.0，美国推出工业互联网，中国也提出“中国制造 2025”，世界各制造强国已陆续实施制造业信息化、数字化、智能化转型，创新发展已经成为国家核心竞争力。
在全球新一轮科技革命和经济形势变化的双重背景下，制造业迫切需要由要素驱动模式向创新驱动模式发展。对于如何推动中国制造创新转型，从“大国”变“强国”，由“制造”转“智造”，需要突破创新资源匮乏、创新能力薄弱、产品附加值不高等困境。为实现制造强国，政府出台了系列政策，如制造强国战略第一个十年的行动纲领《中国制造 2025》；2018 年底的中央经济工作会议指出，要推动制造业高质量发展，坚定不移建设制造强国，并将 “推动制造业高质量发展”列于首位；十九届五中全会强调“要坚定不移建设制造强国、质量强国、网络强国、数字中国，推进产业基础高级化、产业链现代化”。随着一系列政策的颁布，制造业已然迎来创新转型的新机遇。
1.2 国内外研究现状
1.2.1 制造企业创新发展的相关研究
动态环境下，制造企业创新转型成为其实现可持续发展的必然要求。目前，围绕制造企业创新的研究已颇为丰富，其中以双元创新能力的研究尤为突出，关于双元创新能力的研究主要集中于双元创新能力的前端影响因素和后端结果。
（1）双元创新能力的前端影响因素
围绕双元创新能力前端影响因素的研究主要包含个体、组织以及外部网络三个层面。首先，从个体层面来看，个体知识作为创新活动开展的前提和基础，决定着企业双元创新能力的高低[1]。由于受到习惯和经验的影响，个体的知识惯性会沿着已有的思维方式发挥渐进性创新能力的作用，当面临难以解决的问题时发挥突破性创新能力的作用[2]。而且企业家特质能显著影响企业双元创新能力，企业家风险偏好能够显著促进双元创新的实施[3]，企业家的自恋和谦卑特质均衡也能促进双元创新能力提升[4]。其次，从组织层面来看，异质的知识和能力是组织创新的源泉，因而组织成员的知识和能力异质性对双元创新能力有显著影响[5]。从人力资本结构多样性角度，生产工人技能多样性能够增强突破性创新能力，但对突破性创新能力的作用不显著；生产工人性别的多样性削弱了双元创新能力，但非生产性工人性别多样性能增强双元创新能力[6]。此外，组织差错管理氛围能显著影响企业的双元创新，而且相较于负向组织差错管理氛围，正向组织差错管理氛围更能强化企业的双元创新[7]。最后，从外部网络层面来看，嵌入为企业资源获取和知识积累提供新的来源，助力企业双元创新能力的提升。跨界知识搜寻对企业双元创新有重要影响，其中搜寻宽度对突破性创新有显著正向影响，对渐进性创新呈现先增后减的影响，搜寻深度对渐进性创新发挥正向作用，也无过度搜寻问题[8]。运用战略联盟是企业应对多变环境的有效手段，联盟惯例的行动逻辑、内隐规范和交互共识对双元创新能力发挥积极作用，而且联盟惯例对渐进性创新能力的积极作用更强[9]。此外，从网络特征角度，其规模、同质性、关系强度以及开放性均对双元创新能力发挥显著正向作用[10]。
2 理论基础
2.1 数据驱动相关理论
2.1.1 大数据概念及其属性
数字经济时代，数据的种类和规模飞速增长，而且已经渗透至各大领域[70]。大数据（Big Data）由数据仓库之父 Bill Inmo 于上世纪 90 年代提出，并逐渐进入大众视野。尽管大数据已被广泛应用于政府治理、企业运营等领域，但由于研究视角和应用领域的异质性致使理论界对于大数据概念并未形成一致。现有研究主要聚焦于四个视角：①从属性视角来看，大数据是技术和体系深度融合的产物，是通过迅速捕捉海量异质的数据，深度分析和挖掘数据价值。通过上述定义提炼出大数据所包含的四个核心属性，即容量大、异质性强、速度快以及有价值[71]。②从资源视角，大数据是一类新的数据资源，是由科学仪器、传感器和电子商务等设备和行为产生的大容量、高速度、形式多样的分布式数据集[72]。③从过程视角，大数据系统可分为数据产生、数据采集、数据存储、数据分析和数据应用等模块，其中数据分析是大数据发挥数据价值的重要环节，基于数据分析可正确审视过去发生的事件和预测未来趋势，进而影响企业的战略决策[73]。④从应用视角，大数据属于“分析”另一层面的阐述，是从数据中获取有价值的信息和知识，再应用于生产运营的过程[74]。此外，也有学者指出大数据包括大分析（协助用户获取价值）、高宽带（快速地数据处理）以及大内容（不遗漏信息并具有高扩展性）[75]。
大数据除具有传统数据的特征外，还包含“5V”特征，即容量大（volume）、种类多（variety）、流动速度快（velocity）、价值密度低（value）和真实性（veracity）的特征[59]。大数据正在向管理学领域延伸，现已被视为支持组织生产运营的关键战略性资源，并衍生出高度复杂、决策有效、高速爆发、价值稀疏以及可反复挖掘等特点[72]。考虑到制造业特性，大数据又可分为产品数据、运营数据、价值链数据和外部数据[76]。目前，关于大数据的研究主要从资源和技术层面展开，然而对于制造企业，大数据的真正价值不在于其属性，而在于如何激活数据属性为企业创造价值[77]。
2.2 双元创新
双元的概念最早由 Duucan[83]于 1976 年提出，后于 1991 年 March[84]在组织学习的相关研究中提出探索与利用悖论发展而来，近期的研究中也有学者提出渐进性和突破性的概念。
2.2.1 探索和利用在企业中的共存悖论
March[85]将探索描述为新的替代品实验，而利用则是现有能力、技术和范例的延伸、更新和完善，他认为在组织学习的过程中合理进行探索和利用是提升企业绩效的关键举措。基于此，学术界就探索与利用的共存展开深入讨论，并取得丰富的成果。总结现有研究发现，探索与利用间的差异主要聚焦于组织中的路径、学习过程、企业文化、策略目标、知识基础以及结果等层面。在组织路径层面，探索具有突破性，与“即兴创造”或“自主”密切关联，而利用具有依赖性，与“程序化”和“控制”密切关联。在学习过程层面，探索强调自下而上的学习，而利用则强调是自上而下的学习。在企业文化层面，探索强调一种冒险性、灵活性和试验性的文化氛围，而利用则强调一种低风险和效率的文化氛围。在策略目标层面，探索是设计未来、未知的事物，而利用则是强化和发展现有、已知的事物。在知识基础层面，探索强调全新的知识和技术，而利用强调现有的知识和技术。从结果层面来看，探索具有较大的不确定性高、时间跨度长等特征，一般强调企业长期绩效，而利用具有教易预测、时间跨度短等特征，强调企业短期绩效。
3 数据驱动中小制造企业创新绩效提升机理探索 ...................... 17
3.1 研究设计 ..................................... 17
3.1.1 研究方法的选择 ....................................... 17
3.1.2 样本选择 ........................ 17
4 数据驱动中小制造企业创新绩效提升机理检验 ........................ 31
4.1 研究设计 .............................................. 31
4.1.1 研究思路 ........................................ 31
4.1.2 研究假设 ....................................... 31
5 对策建议 ................................ 48
5.1 中小制造企业数据驱动创新转型的实施建议 ............................. 48
5.2 政府推进制造业数据驱动创新转型的政策建议 ................................ 50
5 对策建议
5.1 中小制造企业数据驱动创新转型的实施建议
通过上述研究发现，中小制造企业通过数据驱动转型能有效提升创新绩效。而且，中小制造企业数据驱动创新转型是通过双元创新能力提升实现的，即通过数据驱动转型实现渐进性创新能力和突破性创新能力的提升，进而提升中小制造企业创新绩效。基于此，从微观企业视角提出如下建议：
（1）积极推行数据驱动转型，为实现数字化奠定基础。
数据驱动转型是“一把手”工程，企业家要具有战略眼光和清晰思路。数据驱动转型投入大、风险高，困难重重，而中小制造企业往往面临资源匮乏、能力薄弱、基础较差以及抗风险能力低等问题，在此条件下，企业家特质对整个项目的驱动和成功至关重要。面对外部甚嚣尘上的智能制造浪潮，企业家多问自己“制造企业的核心是什么？”“企业转型目的是什么？”“从哪些方面去推动企业转型？”，切不可盲从，认为上了智能设备和软件就是实现了数字化转型，未实现数据驱动就冒进至数字化阶段是不可能的。因此，中小制造企业要根据自身情况推动数据驱动转型。数据驱动是全面的，但每个企业发展状况是不全面的。囿于资金和能力，中小制造企业应根据自身特点和积累选择合适的数据驱动路径，以点带面，循序渐进，切不可全面开花。TRD、FK 的数据驱动提升流程创新能力，TT 的数据驱动精准营销、HT 的数据驱动组织创新等都是结合自身企业发展实际切实展开，已初具成效。
（2）提升双元创新能力，进而促进中小制造企业创新转型。
区别于大型制造企业双元创新能力提升过程，本文提出了适合中小制造企业的双元创新能力，即通过非研发技术创新、数据化流程创新、供应链协同创新、营销创新实现渐进性创新能力的提升，通过敏捷组织创新和用户参与产品创新实现突破性创新能力的提升。
6 研究结论与展望
6.1 研究结论与讨论
6.1.1 质性研究结论
本文以 8 家典型中小制造企业为研究对象，基于扎根理论，构建了数据驱动中小制造企业创新绩效提升的机理模型，并得出如下结论：
第一，中小制造企业通过数据驱动转型提升其创新绩效，具体可从非研发技术创新、供应链协同创新、数据化流程创新、精准营销创新、用户参与产品创新和敏捷组织创新六个方面入手。第二，基于双元创新理论，依据数据驱动转型所带来企业变革的强度和深度，将数据驱动中小制造企业创新绩效提升路径归为渐进性创新能力提升过程和突破性创新能力提升过程。具体地，中小制造企业可以从自身优势入手，通过非研发技术创新、供应链协同创新、数据化流程创新和精准营销创新提升渐进性创新能力，进而提升创新绩效。中小制造企业也可以通过用户参与产品创新和敏捷组织创新，打破既有模式和制度提升突破性创新能力，进而提升创新绩效。
6.1.2 实证检验结论
本文在质性研究的研究成果基础上，结合国内外学者的相关研究，构建数据驱动中小制造企业创新绩效提升的概念模型，并基于结构方程模型和分层回归分析对该理论模型进行检验，得到如下结论：
第一，数据驱动转型有助于提升中小制造企业创新绩效。本文基于结构方程模型检验发现数据驱动转型对中小制造企业创新绩效有显著正向影响，这一结论也与池毛毛等[124]的观点契合。创新能力弱，创新绩效低一直是困扰中小企业发展的难题，在高速发展的数字经济时代，中小制造企业是否应该加强流程数据化、数据标准化和数据网络化建设，本文给出了肯定的回答。虽然在短期内推行数据驱动转型会增加企业成本，但长远来看，流程数据化优化了业务流程，数据标准化提升了与外部的联结能力，数据网络化可以获取更多创新资源，从而有利于企业的长远发展。
参考文献（略）