智能制造與企業績效

應里孟 陽杰 高曼如

【摘要】智能制造是驅動我國制造業轉型升級、實現高質量發展的新動能。 基于我國制造業上市公司2014 ～ 2018年實施智能制造的面板數據， 采用雙重差分傾向得分匹配法（PSM-DID）實證檢驗智能制造對企業績效的影響。 結果表明， 實施智能制造對企業的財務績效和創新績效有顯著的促進作用， 并且實施智能制造的時間越長， 其對企業績效的促進作用越明顯。 進一步研究發現， 智能制造的實施如果能與企業其他互補性要素相結合， 則可以實現更高的績效。

【關鍵詞】智能制造;財務績效;創新績效;人工智能

【中圖分類號】F272 ? ? ?【文獻標識碼】A ? ? ?【文章編號】1004-0994（2020）12-0011-7

一、 引言

人工智能作為基礎設施， 正在與制造業深入融合， 成為驅動制造業轉型升級、實現高質量發展的新動能。 世界上主要的制造業大國均已認識到人工智能對制造業的顛覆性影響， 將智能制造作為第四次工業革命的主攻方向和國家戰略， 通過制定相應的產業政策來推動智能制造的發展[1] 。 智能制造通過工業互聯網平臺， 借助大數據分析、人工智能、物聯網、5G、數字孿生、云計算、云存儲、邊緣計算、虛擬現實、增材制造等先進技術將信息空間和物理世界高度融合， 不僅催生了一大批新型制造模式， 還推動了先進制造業和現代服務業深度融合發展[2] ， 從而使生產和服務變得更加快速、高效、靈活、個性化、低成本和高質量， 有效提高了產品和服務的附加值及競爭力， 最終實現價值鏈向中高端攀升。

我國從2015年開始實施智能制造試點示范專項行動， 一些省、市也陸續推出各自的智能制造試點示范行動計劃。 根據工業和信息化部2018年對305個國家級智能制造試點示范企業的初步統計， 這些項目通過智能化改造， 實現了從設計、研發、生產、管理到服務的全價值鏈優化， 生產效率和能源利用率得到大幅提升， 運營成本、產品研制周期、產品不良率顯著降低。 在國家、省、市各級政府立項的試點示范企業的帶動下， 越來越多的制造業企業開始著手進行智能化轉型。 目前， 我國的智能制造已進入深化應用和全面推廣階段， 工業機器人使用數量位居世界第一。 然而， 目前國內關于智能制造對企業的影響研究， 主要還是使用宏觀統計數據或企業調查數據來考察智能制造對勞動力[3] 或企業商業模式[4] 的影響， 鮮有文獻使用上市公司數據來考察智能制造對企業績效的影響。

關于信息技術（IT）商業價值的研究文獻有很多， 得出的結論不一。 一般認為， IT是促進企業績效提升的重要因素[5] 。 也有一些研究表明， IT投資不一定導致更好的業績[6] 。 隨著IT應用的普及， 通過傳統IT來提高企業績效的機會正在減少[7] 。 IT對企業績效本身的貢獻不足， 還需要各種互補的有形資源、無形資源和人力資源的支持[8] 。 智能制造是企業信息化應用發展的新階段， 在這一階段， 嵌入人工智能和先進制造技術的新一代信息技術實現深度集成， 重構了企業業務流程、制造模式、組織結構、管理體系和業務模式， 因此形成了動態能力， 這給企業帶來了競爭優勢。 目前已經有研究開始關注智能制造或工業4.0對企業績效的影響， 并提供了正面影響的證據[9，10] 。

考慮到國內外智能制造發展階段存在的差異， 有必要基于我國制造業企業進行專門研究。 本文利用2014 ～ 2018年我國A股制造業上市公司的公開數據， 通過文本分析獲取企業實施智能制造的相關信息。 為最小化樣本選擇偏差和內生性問題， 提高估計的準確性， 本文采用雙重差分傾向得分匹配法（PSM-DID）來比較智能制造采納者（處理組）和非采納者（對照組）之間財務績效和創新績效的差異。 研究發現， 智能制造的實施的確有助于提高企業的財務績效和創新績效， 并且隨著時間的推移， 智能制造對財務績效和創新績效的增進作用愈發明顯。 進一步的作用機理分析發現， 智能制造促進了企業的研發投入、增加了對員工的教育投入， 從而帶動了企業績效的提升。 企業績效的提升則促進了企業規模的擴大， 企業規模的擴大又反過來促進企業績效的提升， 由此形成一個良性循環。

本研究的貢獻主要體現在三個方面。 其一， 通過文本分析獲取實施智能制造企業的信息， 獲得了智能制造對我國制造業上市公司財務績效和創新績效產生影響的初步證據。 其二， 本文拓展了關于人工智能對制造業企業影響的新興研究課題， 因為現有的研究主要是定性研究， 以獲得工業4.0實施的影響[10，11] 。 與本文密切相關的研究也缺乏對智能制造影響企業績效的機理研究[9] 。 本研究基于PSM-DID方法， 減少了單一的傾向得分匹配法所存在的內生性問題， 進一步分析了智能制造對企業績效的作用機理， 豐富了IT商業價值的研究[12] 。 其三， 我國的人工智能發展水平在世界上處于相對領先的地位， 智能制造是人工智能國家戰略的產物， 本研究結論支持了智能制造促進制造業高質量發展的觀點[2] 。

二、 文獻回顧和研究假說

（一）智能制造對財務績效的影響

與傳統制造業相比， 智能制造具有明顯的優勢， 對企業的生存和發展至關重要。 然而， 這需要企業投入大量的財務資源。 最終將如何影響企業財務業績仍然是未知的。 面對日益復雜和激烈的競爭環境， 傳統制造模式難以為繼， 企業向智能制造轉型迫在眉睫。 智能制造可以幫助企業在這種環境下持續、快速、靈活地配置各種資源， 使企業能快速響應市場環境的變化， 獲得競爭優勢。 人工智能除可以降低成本和促進銷售增長外， 還能提高利潤率， 從而有助于改善財務業績[11] 。

首先， 智能制造是制造技術與信息技術的深度融合， 形成豐富的大數據， 提高了企業的制造能力和決策水平[13] 。 企業內部各種生產和管理系統的垂直整合， 支持對生產過程、信息流和物流的主動控制。 這種集成不斷優化生產模型和生產計劃， 提高資源配置效率， 促進生產率的提高和價值創造[1] 。 通過與價值鏈上合作企業和客戶的橫向整合， 實現合作企業之間的資源整合和優勢互補， 使企業更加注重核心能力的開發和利用[14] 。 為客戶提供的智能產品和服務產生了相關的客戶行為大數據， 可以為產品生命周期管理提供幫助， 利于企業做出更好的產品和服務發展決策[15] ， 創造新的商業模式[1] ， 為市場提供更多的定制化和增值的產品與服務[14] ， 促進先進制造業和現代服務業的融合[16] ， 這不僅能創造新的收入來源， 還可以提升企業形象和聲譽， 為企業帶來競爭優勢[17] 。

其次， 智能制造突破了傳統制造追求規模經濟的藩籬， 可以低成本生產小批量定制產品。 首先， 智能制造減少了資源和能源消耗[18] ， 也減少了生產中的不良率和錯誤交付[11] 。 具有人工智能的機器還可以在生產過程的早期階段自動識別不合格品， 從而提高質量控制水平， 降低生產成本。 智能制造還減少了勞動密集型勞動投入， 優化了企業的人力資本投入結構， 從而提高了勞動生產率， 降低了單位產品的勞動成本[19] 。 智能工廠中的柔性生產線可以根據產品類型的多樣性和變化的條件自動調整生產過程。 它不僅可以實現對小批量、多品種產品的高效生產， 還可以實現對個性化需求產品的大規模、低成本定制， 并能保證產品質量、生產效率和資源配置效率， 從而降低單位產品成本[20] 。

基于以上分析， 本文提出以下研究假說：

H1：智能制造對企業財務績效存在正向影響。

（二）智能制造對創新績效的影響

智能制造不只是用智能機器代替人力， 以智能設備的引進和改造作為一個載體， 它還可以促進創新生態系統的建設， 并形成相應的研發創新、消化、吸收和再創新能力， 從而避免企業智能化改造淪為“花瓶”， 而是將其變成真正的生產力。 此外， 智能制造為企業創造了一個高度變化和競爭的環境， 創新作為企業核心競爭力的主要源頭， 為保證智能制造對財務績效貢獻的長期可持續性， 智能制造實施必須在推動企業創新中發揮重要作用。 已有研究證明， IT是創新的推動者和觸發器[21] 。 IT投入與創新產出（如產品創新、服務創新、流程創新、技術創新）之間存在正相關關系[22] ， 這種關系在IT快速發展時期更為顯著。 對我國企業的研究結果表明， IT的靈活性和實施廣度增加了企業創新的激進性和創新成果的數量， 而IT的集成和實施深度只影響了創新成果的數量[23] 。

IT支持企業創新存在三大作用機理[24] 。 第一， IT有助于對創新生產過程中應用的知識進行管理。 第二， IT促進了創新生產過程中的機會識別、概念發展和創新設計。 第三， IT支持本地企業與外部創新伙伴的組織間協調。 智能制造作為更高層次的IT應用， 在數據驅動決策下， 可以進一步強化這三種機理的作用。 此外， IT是幫助提高創新的效率和有效性的工具[25] ， 更重要的是， IT可以幫助理解創新過程并優化內部研發過程， 為創新帶來前所未有的機會[26] 。 大數據及相關技術增加了企業可獲得信息的數量和種類， 降低了企業吸收外部知識的成本， 有助于促進企業對外部知識的整合， 推動企業創新。

基于以上分析， 本文提出以下研究假說：

H2：智能制造對企業創新績效存在正向影響。

三、 數據和變量

（一）樣本選擇與數據來源

1. 樣本選擇。 針對智能制造的實證研究所面臨的一個主要障礙就是缺乏企業層面可用的檔案數據。 本文使用的智能制造數據來自于新浪財經網站。 通過文本分析方法， 以“智能制造”為關鍵詞， 從新浪財經網站上的年報中抓取企業實施智能制造的相關信息。 然后通過人工逐條閱讀和篩選， 最終獲取221家已經實施智能制造的上市公司， 以此作為本文研究的基礎樣本。

2. 數據來源。 在進行樣本篩選之后， 主要從國泰安數據庫和萬德數據庫中獲取其他研究數據。 選取2014 ～ 2018年221家企業的數據進行極端異常值處理。 一些上市公司存在異常的財務問題， 考慮到對實證檢驗結果的干擾， 資產負債率大于1的樣本被排除在外。 另外， 剔除ST和PT公司的數據。 經過上述處理后， 2014 ～ 2018年實施智能制造的上市公司還有187家。 本文將樣本企業的財務數據和公司治理數據在1%的水平上進行縮尾處理， 以防止異常值對實證分析結果的影響。

（二）變量度量

1. 解釋變量。 本文從有形收益和無形收益兩個方面來衡量智能制造對企業績效的貢獻。 對于有形收益， 用資產收益率（ROA）（ROA=凈利潤/總資產）來衡量財務績效; 對于無形收益， 用專利數量（Patent）衡量創新績效。

2. 核心解釋變量。 制造業有沒有進行智能化改造是本文的核心解釋變量， 用交乘項Treat×T代表核心解釋變量制造業企業是否實施智能制造。 其中， Treat為虛擬變量。 如果企業實施了智能制造， 那么賦值為1， 否則為0。 交乘項的值就是雙重差分法（DID）的估計值， 代表了企業實施智能制造的影響系數。

3. 控制變量。 為了更準確地估計智能制造對制造業企業績效的影響， 還選取了其他的控制變量， 這些控制變量主要是制造業企業自身的一些特征， 如反映企業創新投入的研發強度（tec）、反映企業大小的企業規模因素（sca）、反映企業性質的實際控制人（own）、反映員工素質的員工教育水平（edu）。 以上數據均來自國泰安數據庫。 研發強度（tec）為公司研發費用支出與銷售收入之比; 企業規模（sca）為企業總資產的自然對數; 實際控制人（own）如果為國有企業， 取值為1， 民營企業取0; 員工教育水平（edu）為本科及以上學歷員工數與員工總數之比。

四、 實證檢驗

（一）模型設定

為了研究智能制造對企業績效的影響， 理想的方法是比較同一企業在智能制造和非智能制造環境下的績效和要素結構。 然而， 這兩種狀態在現實中是相互排斥的。 在本文中， 筆者采用傾向得分匹配（PSM）方法來構造“反事實”， 并進行雙重差分（DID）估計。 具體操作是將樣本分為智能制造企業（處理組）和非智能制造企業（對照組）， 在此基礎上， 通過在企業層面設置匹配變量， 采用PSM方法選取特征相似的樣本作為實驗對照組。

其中， Yit是衡量智能制造對企業績效（財務績效和創新績效）影響的指標， i和t表示第i個企業在第t年度開始實施智能制造。 T為區分實施智能制造的時間跨度。 Treat被用于區分處理組和對照組， Treat×T表示企業是否實施智能制造。 研發強度（tec）、企業規模（sca）、實際控制人（own）、員工教育水平（edu）是一系列控制變量。 γi用來表示個體的固定效應， 是不隨時間變化的量。 εit表示誤差項。

其中， Treat×Tt表示企業實施智能制造后第t年的虛擬變量。 該方程考察了企業實施智能制造的長短期效應。

（二）智能制造對企業績效的影響

為了驗證智能制造對財務績效和創新績效的影響， 根據模型（1）， 以財務績效和創新績效為因變量， 估計智能制造對制造業企業績效的平均影響。 回歸結果中還報告了控制變量。 表1中， 第（1）列和第（3）列為不含控制變量的回歸結果， 第（2）列和第（4）列為加入控制變量后的回歸結果。

由表1可知， 無論回歸中是否考慮控制變量， 當將財務績效和創新績效作為解釋變量時， 交乘項Treat×T的影響系數都在1%的水平上通過計量檢驗， 且影響系數大于0。

在不包含控制變量的第（1）列和第（3）列中， 實施了智能制造的企業其財務績效和創新績效更高。 相比對照組， 實施了智能制造的企業的財務績效要高36%， 創新績效要高43%。 初步回歸結果表明， 實施智能制造明顯有利于提高企業的財務績效和創新績效。 在控制研發強度、企業規模、實際控制人和員工教育水平的情況下， 實施了智能制造的企業相比對照組企業的財務績效要高19%、創新績效要高23%。 這說明控制變量對制造企業的制造績效和創新績效也有一定的影響。

如第（2）列和第（4）列所示， 在控制變量對制造業企業財務績效和創新績效的影響下， 智能制造對企業財務績效和創新績效的影響呈下降趨勢。 一方面， 智能制造的實施對制造業企業財務績效和創新績效存在積極的影響。 另一方面， 智能制造并不是影響財務績效和創新績效的唯一因素， 實施智能制造的企業其財務績效和創新績效還受制于其他多種因素。

對于控制變量對制造業企業績效的影響， 從表1中可以看出， 研發強度越大， 企業績效越高。 從這個意義上說， 技術創新可以增強產品的競爭力， 從而推動企業績效的提升。 此外， 績效與企業規模正相關， 可能是規模效應降低了企業的經營成本， 提高了其產品的競爭力。 此外， 規模效應可以增加企業對技術和人才要素的吸引力， 從而提高企業績效。 科技含量具有不可替代的作用。 對于企業的實際控制人來說， 國有企業的績效明顯高于民營企業。 由于國有企業在不少領域具有壟斷地位， 其往往具有很強的資源優勢和經營優勢， 這在很大程度上提高了企業的財務績效。 由于員工是企業管理的主體， 員工的受教育程度直接影響著企業的產出， 所以員工的受教育程度會對制造業企業的財務績效產生影響。

（三）智能制造對企業績效的動態影響

表1給出了智能制造對企業財務績效和創新績效的平均效應， 并且在有無控制變量的情況下都通過了顯著性檢驗， 但是， 上述檢驗結果并沒有說明企業實施智能制造對其長期發展具有明顯的推動作用。 因此， 為了驗證這一觀點， 利用所列方程， 檢驗智能制造推動企業財務績效和創新績效的長期動態效應。 回歸結果如表2所示。

在智能制造對企業財務績效和創新績效的檢驗中， 與表1同理， 第（1）列和第（3）列是不加入控制變量的檢驗結果; 第（2）列和第（4）列是加入控制變量的檢驗結果。 由表2可以看出， 不管是否在公式中加入控制變量， 在以財務績效和創新績效作為被解釋變量時， 交乘項Treat×Tt的系數都為正值， 并且通過了1%的顯著性檢驗。 這表明實施智能制造有助于在長期推動企業財務績效和創新績效的提升。 從表2還可以看出， 隨著時間的延長， 交乘項Treat×Tt的系數值越來越大， 表明企業實施智能制造不僅在短期可以明顯提升企業的財務績效和創新績效， 而且對企業長期發展有更加明顯的推動作用。 企業實施智能制造的時間越長， 智能制造對企業財務績效和創新績效的作用就越明顯。

同時， 表2的結果也說明， 我國的制造業可以借助智能制造帶來的機遇， 實現跳躍式發展， 存在“彎道超車”的可能， 并且在我國政府提出供給側結構性改革的背景下， 企業應借助政策優勢， 通過不斷累積對企業有利的因素， 實現企業的高質量發展， 也推動我國制造業不斷向價值鏈中高端攀升。 從表2的結果還可以看出， 在考慮控制變量的因素后， 智能制造對企業財務績效和創新績效的推動力有所減弱， 也說明制造業企業只有考慮多方面的因素， 實現各個要素的均衡發展， 才能在更大程度上推動經營績效和創新績效的提升。

（四）平行趨勢檢驗

企業績效的提升受到各方面因素的影響， 即除實施智能制造以外， 其他因素也有可能導致企業出現這種實施智能制造前后的績效差異， 但這種差異與是否實施智能制造并無關系， 從而使前文的研究結論不成立， 也就是說模型可能存在內生性問題。

為了排除這種影響， 本文對模型進行了內生性檢驗。 借鑒已有文獻的做法[27] ， 假設制造業企業提前兩年或者三年實施智能制造， 進行反事實的平行趨勢檢驗。 具體的做法是在動態模型基礎上增加反映時間變化的趨勢項（Time）， 以此來反映時間變化的趨勢。 以企業實施智能制造的時間（Current）為界限， 把時間分為這樣幾種， 企業實施智能制造之前的第k年（Beforek）以及政策實施之后的第k年（Afterk）， 此時， 動態模型中的公式Treat×Tt通過Beforek、Current和Afterk進行表示。

假如樣本數據是制造業企業實施智能制造的前三年、前兩年和前一年， 那么這些年份的數據Before3、Before2、Before1的值為1， 否則這些年份的值取0; 如果觀測值是制造業企業實施智能制造當年的數據， 那么Current的值取1， 否則取0; 同理， 假如樣本的數據是制造業企業實施智能制造的后三年、后兩年和后一年， 那么這些年份的數據After3、After2、After3的值取1， 否則這些年份的值取0。

從表3可以看出， 第（1）列和第（3）列是假設企業實施智能制造提前三年， 第（2）列和第（4）列是假設制造業企業實施智能制造提前兩年， 這兩者的Beforek均不顯著。 據此可以推知， 企業財務績效和創新績效的提升是企業實施智能制造的結果， 并非是其他因素或者隨機因素帶來的。 另外， 在處理組企業實施智能制造以前， 其財務績效和創新績效與對照組并無明顯區別， 滿足了前文提出的平行性假設， 模型不存在內生性問題， 利用雙重差分法所估計的交乘項Treat×T的系數是無偏的。 而在處理組實施智能制造之后， Afterk的系數開始出現明顯的變化， Afterk的值為正并且隨著智能制造實施的時間延長， 其值不斷增大， 表明智能制造的實施對于制造業企業財務績效和創新績效的提升確實存在顯著的作用， 所以研究結論具有一定的穩健性。

（五）穩健性測試

在利用雙重差分法（DID）對模型進行處理之前， 本文利用傾向得分匹配法（PSM）對處理組和對照組進行了處理， 采用的匹配變量主要是控制變量， 包括研發強度、企業規模、實際控制人和員工教育水平。 為了進一步檢驗結果的穩健性， 依次將傾向得分匹配的變量更換為三個單獨的變量， 即只反映研發強度的變量、只反映企業規模的變量和只反映員工教育水平的變量， 然后對這些單獨的變量進行一對一近鄰傾向得分匹配， 再把處理組和對照組進行雙重差分處理， 最后得到檢驗結果， 如表4所示。

（六）智能制造對企業績效的影響機理

企業實施智能制造能夠有效提升財務績效和創新績效， 并且從以上檢驗結果可以看出， 企業實施智能制造的時間越長， 對企業財務績效和創新績效的提升作用越大。 那么， 智能制造是怎樣推動制造業企業績效提升的呢？本文對此進行了檢驗， 檢驗結果如表5所示。

Treat×Tt代表企業實施智能制造第t年后， 智能制造對企業各個要素的驅動影響。 第（1）列各項系數為正， 并且系數的值越來越大， 表明企業實施智能制造后， 企業的研發強度越來越大， 對研發投入越來越重視。 第（2）列系數的值也為正， 其值也越來越大， 表明企業實施智能制造以后， 績效提升促進企業規模不斷擴大， 企業規模的擴大又可以反過來促進績效的提升。 第（3）列與第（1）列和第（2）列類似， 系數也為正， 并且值越來越大， 表明企業實施智能制造能有效促進員工教育水平的提升。 由此可以看出， 企業實施智能制造帶動研發強度增大， 繼而形成對人才的需求， 員工教育水平提高， 研發強度增大和員工素質提高帶動企業財務績效和創新績效的不斷提升， 并形成了良性的循環。

五、 結論

本文基于2014 ～ 2018年我國制造業上市公司有關智能制造的面板數據， 利用PSM-DID方法研究智能制造對企業財務績效和創新績效的影響。 結果表明：第一， 實施智能制造對企業的財務績效和創新績效存在顯著的促進作用， 企業實施智能制造的時間越長， 對績效的影響越大。 第二， 智能制造作為制造業企業轉型升級、實現高質量發展的新動能， 需要與企業其他的互補要素結合， 以更好地推動企業績效的提升。 鑒于智能制造對企業績效顯著的增進作用， 在國家、省、市各級政府支持的試點示范企業的帶動作用下， 我國的傳統制造業企業應該努力加快數字化、網絡化和智能化發展。

【 主 要 參 考 文 獻 】

[ 1 ] ? Müller J. M.， Voigt K. I.. Sustainable industrial value creation in SMEs： A comparison between Industry 4.0 and Made-in-China 2025[ J].International Journal of Precision Engineering and Manufacturing-Green Technology，2018（5）：659 ～ 670.

[ 2 ] ? 周濟，李培根，周艷紅等.走向新一代智能制造[ J].Engineering，2018（1）：28 ～ 47.

[ 3 ] ? 孫早，侯玉琳.工業智能化如何重塑勞動力就業結構[ J].中國工業經濟，2019（5）：61 ～ 79.

[ 4 ] ? 史竹琴，蔡瑞林，朱先奇.智能生產共享商業模式創新研究[ J].中國軟科學，2017（6）：130 ～ 139.

[ 5 ] ? 王立彥，張繼東.ERP系統實施與公司業績增長之關系——基于中國上市公司數據的實證分析[ J].管理世界，2007（3）：116 ～ 121+137.

[ 6 ] ? 孫健，袁蓉麗，王百強.ERP實施真的能提升企業業績嗎？[ J].中國軟科學，2017（8）：121 ～ 132.

[ 7 ] ? Dos Santos B. L.， Zheng Z.， Mookerjee V. S.， et al.. Are new IT-enabled investment opportunities diminishing for firms？[ J].Information?Systems Research，2012（2）：287 ～ 305.

[ 8 ] ? Grant D.， Yeo B.. A global perspective on tech investment， financing， and ICT on manufacturing and service industry performance[ J].International Journal of Information Management，2018（43）：130 ～ 145.

[ 9 ] ? Tang C. P.， Huang T. C. K.， Wang S. T.. The impact of internet of things implementation on firm performance[ J].Telematics and Informatics，2018（7）：2038 ～ 2053.

[10] ? M?ldner A. K.， Garza-Reyes J. A.， Kumar V.. Exploring lean manufacturing practices' influence on process innovation performance[ J].Journal of Business Research，2020（106）：233 ～ 249.

[11] ? Kiel D.， Müller J. M.， Arnold C.， et al.. Sustainable industrial value creation： Benefits and challenges of Industry 4.0[ J].International Journal?of Innovation Management，2017（8）：N/A.

[12] ? Baskerville R. L.， Myers M. D.. Information systems as a reference discipline[ J].MIS Quarterly，2002（1）：1 ～ 14.

[13] ? Uden L.， He W.. How the internet of things can help knowledge management： A case study from the automotive domain[ J].Journal of?Knowledge Management，2017（1）：57 ～ 70.

[14] ? Frank A. G.， Dalenogare L. S.， Ayala N. F.. Industry 4.0 technologies： Implementation patterns in manufacturing companies[ J].International?Journal of Production Economics，2019（210）：15 ～ 26.

[15] ? Brynjolfsson E.， McElheran K.. The rapid adoption of data-driven decision-making[ J].American Economic Review，2016（5）：133 ～ 139.

[16] ? Frank A. G.， Mendes G. H. S.， Ayala N. F.， et al.. Servitization and Industry 4.0 convergence in the digital transformation of product?firms： A business model innovation perspective[ J].Technological Forecasting and Social Change，2019（141）：341 ～ 351.

[17] ? Grover V.， Chiang R. H. L.， Liang T. P.， et al.. Creating strategic business value from big data analytics： A research framework[ J].Journal?of Management Information Systems，2018（2）：388 ～ 423.

[18] ? Machado C. G.， Winroth M. P.， Ribeiro Da Silva E. H. D.. Sustainable manufacturing in Industry 4.0： An emerging research agenda[ J].International Journal of Production Research，2019（2）：1 ～ 23.

[19] ? Graetz G.， Michaels G.. Robots at work[ J].Review of Economics and Statistics，2018（5）：753 ～ 768.

[20] ? Büchi G.， Cugno M.， Castagnoli R.. Smart factory performance and Industry 4.0[ J].Technological Forecasting and Social Change，2020（150）：N/A.

[21] ? Zhang X.， Chen H.， Wang W.， et al.. What is the role of IT in innovation？ A bibliometric analysis of research development in IT innovation[ J].Behaviour & Information Technology，2016（12）：1130 ～ 1143.

[22] ? Xue L.， Ray G.， Sambamurthy V.. Efficiency or innovation： How do industry environments moderate the effects of firms' IT asset portfolios[ J].Published at： MIS Quarterly，2013（2）：2012.

[23] ? Cui T.， Ye H. J.， Teo H. H.， et al.. Information technology and open innovation： A strategic alignment perspective[ J].Information &?Management，2015（3）：348 ～ 358.

[24] ? Joshi K. D.， Chi L.， Datta A.， et al.. Changing the competitive landscape： Continuous innovation through IT-enabled knowledge capabilities[ J].Information Systems Research，2010（3）：472 ～ 495.

[25] ? Nambisan S.. Information technology and product/service innovation： A brief assessment and some suggestions for future research[ J].Journal?of the Association for Information Systems，2013（4）：215 ～ 226.

[26] ? Duan Y.， Cao G.， Edwards J. S.. Understanding the impact of business analytics on innovation[ J].European Journal of Operational?Research，2020（3）：673 ～ 686.

[27] ? Vandenberghe V.. Alternatives to polynomial trend-corrected differences-in-differences models[ J].Applied Economics Letters，2019（5）：358 ～ 361.