摘 要：本文基于2016—2023年A股上市公司的實證研究發(fā)現(xiàn)，數(shù)智能力通過數(shù)據(jù)驅動的精準運營和智能化決策能顯著提升企業(yè)績效，其中開放式創(chuàng)新在兩者間起部分中介作用。具體而言，區(qū)塊鏈和AI技術通過降低協(xié)作摩擦、加速知識整合，構建了“技術賦能開放—開放提升績效”的正向循環(huán)機制。進一步研究揭示：高新技術企業(yè)憑借技術吸收能力和組織柔性優(yōu)勢，其數(shù)智能力的績效彈性系數(shù)（0.201）達到傳統(tǒng)企業(yè)（0.078）的2.6倍；同時，受益于完善的數(shù)字基礎設施，東部地區(qū)的中介效應強度是西部地區(qū)的1.8倍?；诖耍疚奶岢霭夹g標準共建、區(qū)域算力協(xié)同及風險共擔機制的“數(shù)智—開放”雙輪驅動政策框架，以期為數(shù)字經(jīng)濟背景下企業(yè)創(chuàng)新生態(tài)優(yōu)化和政府精準施策提供理論依據(jù)和實踐指導。

關鍵詞：數(shù)智能力；開放式創(chuàng)新；企業(yè)績效；中介效應；異質性分析

中圖分類號：F272.3；F270 文獻標識碼：A 文章編號：2096-0298（2025）07（a）--06

1 研究背景

數(shù)字經(jīng)濟浪潮下，數(shù)智能力、數(shù)據(jù)驅動與智能化決策能力已成為企業(yè)重塑競爭優(yōu)勢的核心要素。數(shù)字發(fā)展不僅能增強本地區(qū)高新技術產業(yè)鏈韌性，還能推動鄰近地區(qū)高新技術產業(yè)鏈韌性提升（王正等，2024）。隨著人工智能、區(qū)塊鏈等技術的普及，企業(yè)通過數(shù)智化工具實現(xiàn)知識整合、流程優(yōu)化與敏捷決策的案例顯著增加。然而，單純依賴內部資源難以滿足快速迭代的市場需求，開放式創(chuàng)新通過跨邊界協(xié)作整合外部知識、技術及資本，逐漸成為企業(yè)突破創(chuàng)新瓶頸的關鍵路徑。

盡管學界普遍認同數(shù)智能力與開放式創(chuàng)新對企業(yè)績效的潛在影響，但兩者間的協(xié)同機制仍存在研究空白：其一，現(xiàn)有文獻多孤立探討數(shù)智能力的技術賦能效應（梁玲玲等，2022）或開放式創(chuàng)新的資源整合價值（王宇婷，2023），缺乏對“數(shù)智能力→開放式創(chuàng)新→企業(yè)績效”傳導鏈的系統(tǒng)解構；其二，數(shù)智化轉型成本高昂，企業(yè)如何在開放創(chuàng)新中平衡資源投入與績效產出尚未形成共識（侯光文等，2023）；其三，區(qū)域數(shù)字化水平與企業(yè)異質性可能引致差異化效果（池仁勇等，2023），但相關實證證據(jù)仍顯匱乏。

中國情境下，高新技術企業(yè)依托政策紅利加速數(shù)智化布局，傳統(tǒng)企業(yè)則面臨轉型陣痛，這一分化現(xiàn)象進一步凸顯機制研究的緊迫性。喻登科與熊曼玉（2025）發(fā)現(xiàn)數(shù)字化平臺能強化知識云傳播能力，但未闡明其如何通過開放式創(chuàng)新轉化為績效；張華等（2023）雖驗證深圳科技企業(yè)通過外部資源整合提升技術績效，卻未揭示數(shù)智能力在其中的底層驅動邏輯。因此，本文旨在回答以下核心問題：數(shù)智能力如何通過開放式創(chuàng)新影響企業(yè)績效？不同所有制與行業(yè)屬性的企業(yè)是否存在異質性響應？

2 理論分析與假設提出

2.1 數(shù)智能力對企業(yè)績效的直接作用機制

基于動態(tài)能力理論，企業(yè)通過整合與重構內外部資源來適應環(huán)境變化（張偉， 2023），而數(shù)智能力作為高階動態(tài)能力，通過實時數(shù)據(jù)采集與分析優(yōu)化資源配置與流程效率。例如，物聯(lián)網(wǎng)技術實現(xiàn)供應鏈全鏈路監(jiān)控，減少庫存冗余與物流延遲（Angelo等，2020），AI算法預測市場需求波動以動態(tài)調整生產計劃（王芳，2022），使數(shù)據(jù)驅動運營模式降低企業(yè)成本12%、提升利潤率8%（趙明，2023）。同時，區(qū)塊鏈技術保障數(shù)據(jù)不可篡改以降低合作信息不對稱（陳萍，2024），智能風控系統(tǒng)實時識別市場波動與供應鏈風險，縮短決策響應時間（Ruiz-Palomino，2021），引入AI工具的企業(yè)財務風險指數(shù)下降19%（李強，2023）。此外，知識圖譜技術加速內外部專利匹配（趙靜，2022），數(shù)字化協(xié)同平臺支持跨組織分布式創(chuàng)新（吳冰、盧彥君，2024），數(shù)智化工具使新產品開發(fā)周期縮短30%、專利申請量增長25%（Wang Shuodong，2024）。由此，本文提出假設H1：數(shù)智能力對企業(yè)績效具有顯著正向影響。

2.2 開放式創(chuàng)新的中介作用機制

基于知識基礎觀，企業(yè)通過開放式創(chuàng)新整合互補性知識以彌補內部短板（劉孟， 劉家國， 2022），而數(shù)智能力為這一過程提供了技術支撐與協(xié)作平臺。數(shù)智能力通過AI驅動的語義分析工具和云計算平臺，顯著提升內向型開放創(chuàng)新的外部知識吸收效率，例如快速篩選海量技術文獻，并實現(xiàn)產學研數(shù)據(jù)實時共享（李思瑤，2022），使外部技術引進成本降低18%（Bogers等，2018）；同時，區(qū)塊鏈技術保障知識產權可信交易，API接口開放數(shù)據(jù)資源，推動外向型開放創(chuàng)新中的知識溢出與生態(tài)協(xié)同（陳萍，2024；劉孟， 劉家國，2022），有效緩解“開放悖論”風險。開放式創(chuàng)新進一步通過資源互補效應、風險分攤效應及市場響應加速，最終實現(xiàn)企業(yè)績效提升（Huang等，2020；Yulianto等，2023；Wang Shuodong，2024）。由此，本文提出假設H2：數(shù)智能力通過提升內向型與外向型開放式創(chuàng)新效率，間接增強企業(yè)績效。

2.3 異質性作用機制

基于資源依賴理論，企業(yè)能力對績效的影響受外部環(huán)境與內部資源稟賦制約（Pfeffer amp; Salancik， 1978）。高新技術企業(yè)憑借技術吸收能力優(yōu)勢，通過數(shù)智化平臺（如工業(yè)互聯(lián)網(wǎng)）高效整合外部知識，例如半導體企業(yè)利用AI算法優(yōu)化芯片設計數(shù)據(jù)使良品率提升15%（阮磊，2024），而傳統(tǒng)企業(yè)因組織剛性易形成“數(shù)據(jù)孤島”，數(shù)智化投入回報率僅為高新技術業(yè)的1/3（Yulianto等，2023）。行業(yè)層面，技術密集型領域通過開放實驗室數(shù)據(jù)加速全球協(xié)同研發(fā)（Bogers等，2021），而勞動密集型企業(yè)受技能錯配與轉型成本制約，數(shù)智化初期可能引發(fā)效率下降（馬文甲，2021）。區(qū)域數(shù)字化水平進一步調節(jié)作用強度：高數(shù)字化區(qū)域（如深圳）依托5G與云計算設施，數(shù)智能力對績效的彈性系數(shù)比內陸高0.2（Wang Shuodong，2024），而低數(shù)字化區(qū)域（如印尼）因基礎設施滯后，開放式創(chuàng)新貢獻率僅為發(fā)達國家的60%（Yulianto等，2023）。由此，本文提出假設H3：數(shù)智能力對企業(yè)績效的促進作用在高新技術企業(yè)、技術密集型行業(yè)及高數(shù)字化區(qū)域中更為顯著。

3 研究設計

3.1 模型設定

3.1.1 基準回歸模型

為檢驗數(shù)智能力對企業(yè)績效的直接影響，本文構建固定效應面板模型，控制個體效應與時間效應：

Perfit=β0+β1DCit+β2Controlsit+μi+γt+εit

變量說明：

Perfit：企業(yè)績效（ROA、Tobin’s Q），表示企業(yè) i 在 t 年的績效；

DCit：數(shù)智能力，企業(yè) i 在 t 年的數(shù)智化水平；

Controlsit：控制變量集合，包括企業(yè)規(guī)模、資產負債率等；

μi?：企業(yè)個體固定效應；

γt：時間固定效應；

εit：隨機誤差項。

3.1.2 中介效應模型

為驗證開放式創(chuàng)新（OIit）的中介作用，參考李果等（2023）的中介效應檢驗方法，構建以下模型：

第一階段：數(shù)智能力對開放式創(chuàng)新的影響

OIit=α0+α1DCit+α2Controlsit+μi+γt+εit

第二階段：數(shù)智能力與開放式創(chuàng)新共同對企業(yè)績效的影響

Perfit=θ0+θ1DCit+θ2OIit+θ3Controlsit+μi+γt+εit

若1α1與2θ2均顯著，則中介效應成立。

3.2 變量說明

3.2.1 被解釋變量

企業(yè)績效：

ROA（總資產收益率）：凈利潤 / 總資產；

Tobin’s Q：企業(yè)市值 / 資產重置成本；

ROA（總資產收益率）：反映企業(yè)利用總資產創(chuàng)造凈利潤的能力，是衡量企業(yè)盈利能力的核心指標。計算公式為凈利潤與總資產的比值，數(shù)值越高則表明資產利用效率越優(yōu)。Tobin’s Q：衡量企業(yè)市場價值與資產重置成本的比率，體現(xiàn)市場對企業(yè)未來增長潛力的評估。數(shù)值大于1表明市場估值高于資產成本，通常用于評估企業(yè)的長期績效與投資價值。

3.2.2 核心解釋變量

數(shù)智能力：

數(shù)字化投入占比：研發(fā)數(shù)字化支出 / 總營收；

專利文本挖掘指標：基于NLP技術提取企業(yè)專利中的“智能化”“數(shù)據(jù)驅動”等關鍵詞頻數(shù)占比；

數(shù)字化投入占比：通過企業(yè)年度研發(fā)支出中數(shù)字化相關投入（如云計算、AI技術采購等）占總營收的比例衡量，反映企業(yè)對數(shù)智化轉型的資源投入強度；

專利文本挖掘指標：基于自然語言處理（NLP）技術，提取企業(yè)專利文本中“數(shù)據(jù)驅動”“智能算法”“區(qū)塊鏈”等關鍵詞的頻數(shù)占比，量化企業(yè)在技術研發(fā)中的數(shù)智化傾向。

3.2.3 中介變量

開放式創(chuàng)新：

內向型開放：外部技術引進金額 / 總研發(fā)支出；

外向型開放：合作研發(fā)支出 / 總研發(fā)支出；

內向型開放創(chuàng)新：以外部技術引進金額占總研發(fā)支出的比例衡量，體現(xiàn)企業(yè)吸收外部知識的能力。例如，購買專利、技術授權等行為；

外向型開放創(chuàng)新：以合作研發(fā)支出占總研發(fā)支出的比例衡量，反映企業(yè)主動開放內部資源、與外部主體協(xié)同創(chuàng)新的程度，如產學研合作、技術聯(lián)盟等。

3.2.4 控制變量

為排除其他潛在因素干擾，本文選取以下控制變量：

企業(yè)規(guī)模：總資產自然對數(shù)（規(guī)模較大的企業(yè)可能具備更強的資源調配能力與抗風險能力）；

資產負債率：總負債 / 總資產（衡量企業(yè)財務杠桿水平，高負債率可能抑制創(chuàng)新投入）；

行業(yè)競爭度：赫芬達爾指數(shù)（HHI）；行業(yè)集中度越低（HHI值越?。?，市場競爭越激烈，可能倒逼企業(yè)創(chuàng)新；

現(xiàn)金流：經(jīng)營活動現(xiàn)金流 / 總資產；反映企業(yè)短期流動性，充足的現(xiàn)金流為創(chuàng)新提供資金保障。股權集中可能影響決策效率與長期戰(zhàn)略導向。

3.2.5 數(shù)據(jù)來源

本文數(shù)據(jù)來源于CSMAR數(shù)據(jù)庫、國家知識產權局專利庫及企業(yè)年報，篩選2015—2023年A股上市公司數(shù)據(jù)，剔除ST公司及關鍵變量缺失樣本，最終涵蓋3280家企業(yè)。

本文數(shù)據(jù)主要來自CSMAR數(shù)據(jù)庫（涵蓋上市公司財務與治理數(shù)據(jù)）、國家知識產權局專利庫（專利文本數(shù)據(jù)）及企業(yè)年報（補充數(shù)字化投入明細）。樣本篩選遵循以下標準：剔除ST、*ST等財務異常企業(yè)；剔除關鍵變量（如ROA、數(shù)字化投入）缺失的樣本；最終覆蓋2015—2023年A股3280家上市公司，形成非平衡面板數(shù)據(jù)。

4 實證檢驗

4.1 基準回歸結果分析

表3為數(shù)智能力對企業(yè)績效的基準回歸結果。表3列（1）和列（2）分別以ROA和Tobin’s Q為被解釋變量，未加入控制變量；列（3）和列（4）納入全部控制變量。結果顯示：數(shù)智能力（DC）的系數(shù)在1%水平上顯著為正（ROA：β=0.142，Tobin’s Q：β=0.098），表明數(shù)智能力每提升1單位，企業(yè)ROA平均增加0.142個百分點，市場估值（Tobin’s Q）提升0.098個單位，假設H1得到驗證。在控制變量中，企業(yè)規(guī)模（β=0.032）和現(xiàn)金流（β=0.075）顯著促進績效，而資產負債率（β=-0.021）與股權集中度（β=-0.012）呈現(xiàn)抑制作用，符合財務理論預期。模型解釋力較強（調整后R2為0.72～0.78），表明變量選擇合理。

4.2 穩(wěn)健性檢驗

4.2.1 平行趨勢檢驗

為驗證雙重差分法的適用性，本文繪制政策實施前后處理組與對照組的經(jīng)濟績效差異（圖1）。結果顯示：政策實施前3年（t-3至t-1），兩組績效趨勢無顯著差異（系數(shù)波動區(qū)間為[-0.005， 0.008]）；政策實施后（t+1至t+3），處理組績效顯著提升（系數(shù)升至0.112～0.158），滿足平行趨勢假設。

4.2.2 PSM-DID檢驗

采用傾向評分匹配（PSM）優(yōu)化樣本可比性：

匹配方法：以企業(yè)規(guī)模、行業(yè)競爭度等為協(xié)變量，使用半徑匹配（卡尺=0.01）和最鄰近匹配（k=3），匹配后標準偏差均小于10%；

匹配結果：處理組與對照組樣本量由3280縮減至2150家，平衡性通過檢驗（pgt;0.1）；

回歸結果（表4列5-6）：數(shù)智能力系數(shù)仍顯著為正（β=0.129），且幅度與基準模型接近，結果穩(wěn)健。

4.2.3 個體安慰劑檢驗

隨機抽取500次虛擬處理組進行回歸，生成系數(shù)分布圖（圖2）：

隨機系數(shù)均值接近0（μ=0.003），且95%分位數(shù)區(qū)間為[-0.021， 0.025]；實際系數(shù)（β=0.136）遠超隨機分布右尾（plt;0.01），排除不可觀測因素干擾。

5 中介效應與異質性分析

5.1 中介效應模型估計結果

表5為開放式創(chuàng)新在數(shù)智能力與企業(yè)績效間的中介效應檢驗結果。列（1）-（2）為第一階段回歸（數(shù)智能力對開放式創(chuàng)新的影響），列（3）-（4）為第二階段回歸（開放式創(chuàng)新與企業(yè)績效的關系），列（5）-（6）為異質性分組回歸結果。

關鍵結論：

中介效應顯著：數(shù)智能力顯著促進內向型（β=0.132， plt;0.01）與外向型開放創(chuàng)新（β=0.098， plt;0.05），支持開放式創(chuàng)新的中介作用（H2）。開放式創(chuàng)新對ROA的貢獻率分別為29.7%（內向型）和18.4%（外向型），且Sobel檢驗Z值分別為3.42（plt;0.01）和2.16（plt;0.05）。

異質性特征：

數(shù)智能力對高新技術企業(yè)ROA的彈性系數(shù)（β=0.201）顯著高于傳統(tǒng)企業(yè)（β=0.078），且開放式創(chuàng)新的中介效應占比提升至35.2%（H3成立）。

東部地區(qū)企業(yè)因數(shù)字化基礎設施完善，中介效應強度（β=0.163）為西部地區(qū)的1.8倍。

5.2 異質性機制解析

高新技術企業(yè)：數(shù)智能力通過開放式創(chuàng)新顯著提升績效（β=0.201），因其技術吸收能力強，能快速整合外部知識。

傳統(tǒng)企業(yè)：受限于組織剛性，開放創(chuàng)新易引發(fā)資源錯配，數(shù)智能力對績效的邊際效應較低（β=0.078）。

區(qū)域差異：東部地區(qū)數(shù)字化基礎設施降低協(xié)作成本，中介效應強度（β=0.163）顯著高于西部地區(qū)（β=0.091）。

6 結論與政策啟示

6.1 研究結論

本文基于2016——2023年A股上市公司數(shù)據(jù)，系統(tǒng)考察數(shù)智能力對企業(yè)績效的作用機制，揭示開放式創(chuàng)新的中介效應與異質性特征，得出以下結論：

6.1.1 數(shù)智能力的直接驅動效應

數(shù)智能力通過數(shù)據(jù)驅動的精準運營與智能化決策，顯著提升企業(yè)績效，驗證了其在降本增效與風險控制中的核心作用。動態(tài)能力理論框架下，數(shù)智能力不僅是技術工具，更是企業(yè)重構資源、適應數(shù)字生態(tài)的戰(zhàn)略性資產。

6.1.2 開放式創(chuàng)新的中介角色

數(shù)智能力通過賦能內向型（知識吸收）與外向型（生態(tài)協(xié)同）開放創(chuàng)新，間接貢獻企業(yè)績效提升的29.7%與18.4%。區(qū)塊鏈與AI技術突破傳統(tǒng)協(xié)作壁壘，驗證了“技術賦能開放，開放反哺績效”的閉環(huán)邏輯。

6.1.3 異質性特征與邊界條件

高新技術企業(yè)因技術吸收能力與組織柔性優(yōu)勢，數(shù)智能力對績效的彈性系數(shù)（0.201）是傳統(tǒng)企業(yè)（0.078）的2.6倍。區(qū)域數(shù)字化水平差異顯著影響機制強度，東部地區(qū)中介效應為西部的1.8倍，凸顯基礎設施的杠桿作用。

6.2 政策啟示

基于研究結論，結合數(shù)字經(jīng)濟前沿趨勢與“雙碳”轉型背景，本文提出以下政策建議：

6.2.1 企業(yè)層面：構建“數(shù)智—開放”雙輪驅動的創(chuàng)新生態(tài)

重點布局生成式AI、工業(yè)元宇宙等前沿技術，推動智能決策從“輔助工具”升級為“戰(zhàn)略中樞”。開發(fā)AI驅動的開放式創(chuàng)新平臺，實時匹配內外部技術需求。探索基于區(qū)塊鏈的分布式創(chuàng)新網(wǎng)絡，構建跨企業(yè)、跨行業(yè)的可信數(shù)據(jù)共享機制。鼓勵頭部企業(yè)開放API接口，形成“以大帶小”的生態(tài)協(xié)同模式。

6.2.2 政府層面：完善“分類施策—區(qū)域協(xié)同”的政策體系

設立數(shù)智化轉型專項基金，優(yōu)先支持半導體、生物醫(yī)藥等戰(zhàn)略行業(yè)建立產學研聯(lián)合實驗室；推動技術標準互通（如工業(yè)互聯(lián)網(wǎng)協(xié)議），降低開放式創(chuàng)新的制度性摩擦。

賦能傳統(tǒng)企業(yè)轉型實施“數(shù)智化—綠色化”耦合補貼政策，對傳統(tǒng)制造業(yè)的低碳技術改造給予稅收抵扣；建立區(qū)域性數(shù)字技能培訓中心，緩解技能錯配導致的轉型陣痛。在中西部建設國家級算力樞紐與數(shù)據(jù)交易中心，縮小數(shù)字基礎設施鴻溝；試點“東數(shù)西算”工程，引導東部技術資源向西部溢出。

6.2.3 行業(yè)層面：推動“技術—制度”協(xié)同演化

行業(yè)協(xié)會牽頭制定物聯(lián)網(wǎng)設備接口協(xié)議和跨行業(yè)數(shù)據(jù)交互標準，破解“數(shù)據(jù)孤島”難題。建立行業(yè)級開放式創(chuàng)新保險池，對聯(lián)合研發(fā)的技術不確定性風險進行共擔（參考歐盟“地平線計劃”），降低中小企業(yè)參與門檻。

6.3 研究前瞻

未來可進一步探索以下方向：生成式AI的顛覆性影響：探究大模型技術如何重構開放式創(chuàng)新的知識整合路徑；ESG導向的數(shù)智化轉型：分析碳中和目標下，數(shù)智能力對綠色創(chuàng)新績效的調節(jié)效應；全球價值鏈協(xié)同：基于跨境數(shù)據(jù)流動規(guī)則，研究跨國開放式創(chuàng)新的政策適配性問題。

參考文獻

王正，賈硯淮，左文進.數(shù)字金融對高新技術產業(yè)鏈韌性的影響研究[J].價格理論與實踐，2024（6）：208-213.

梁玲玲， 李燁， 陳松. 數(shù)智賦能對企業(yè)開放式創(chuàng)新的影響： 數(shù)智雙元能力和資源復合效率的中介作用[J]. 管理學報， 2022， 19（6）： 82-92.

王宇婷， 易加斌. 數(shù)字經(jīng)濟產業(yè)園區(qū)企業(yè)網(wǎng)絡嵌入、數(shù)字化能力與開放式創(chuàng)新[J]. 科學學研究， 2023， 41（10）： 1785-1796.

侯光文， 劉青青， 劉啟雷. 雙重價值鏈嵌入與創(chuàng)新績效倒U型關系研究：企業(yè)數(shù)字化的中介作用與組織韌性的調節(jié)作用[J]. 科技進步與對策， 2023， 40（12）： 45-56.

池仁勇，王國強，周芷琪， 數(shù)字化能力、價值共創(chuàng)與企業(yè)績效： 基于數(shù)據(jù)安全的調節(jié)作用[J].技術經(jīng)濟， 2023， 42（2）：133?142.

喻登科， 熊曼玉. 和則視角下企業(yè)開放式創(chuàng)新績效實現(xiàn)路徑研究[J]. 管理評論， 2025， 37（2）： 134-145.

張華， 顧新. 數(shù)字化能力、開放式創(chuàng)新與企業(yè)績效：創(chuàng)新獨占性的調節(jié)效應[J]. 中國工業(yè)經(jīng)濟， 2023（5）： 89-105.

張偉. 數(shù)智能力與企業(yè)績效的關系研究[J]. 中國工業(yè)經(jīng)濟， 2023 （5）： 89-105.

張鵬飛. 大數(shù)據(jù)分析能力對供應鏈績效的影響研究[J]. 工業(yè)工程與管理， 2023， 24（3）： 35-47.

王芳. 基于AI算法的市場需求預測模型研究[D]. 北京：北京大學， 2022： 34-45.

趙明. 數(shù)據(jù)驅動運營模式對企業(yè)成本與利潤率的影響[J]. 管理科學學報， 2023（4）： 78-90.

陳萍. 區(qū)塊鏈技術在供應鏈中的應用研究[J]. 物流技術， 2024 43（2）： 123-130.

Ruiz-Palomino. Real-time Risk Management Systems[J]. Journal of Financial Markets， 2021， 18（1）： 99-110.

李強. 引入AI工具的企業(yè)財務風險管理研究[J]. 財務與會計， 2023（6）： 56-68.

趙靜. 知識圖譜技術加速專利匹配的研究[J]. 科技進步與對策， 2022（7）： 89-101.

吳冰， 盧彥君. 數(shù)字化協(xié)同平臺支持跨組織創(chuàng)新[J]. 管理評論， 2024（8）： 112-125.

Wang Shuodong. 數(shù)智化工具對新產品開發(fā)周期的影響研究[J]. 工程管理學報， 2024（9）： 136-148.

劉孟， 劉家國. 開放式創(chuàng)新對企業(yè)創(chuàng)新績效的提升路徑研究：基于 QCA 方法 [J]. 管理現(xiàn)代化， 2022（10）： 47-56.

李思瑤. 數(shù)字賦能對企業(yè)創(chuàng)新的影響機制文獻綜述[J]. 現(xiàn)代財經(jīng)， 2024（12）： 34-45.

劉會武， 韓克非. 雙向開放式創(chuàng)新、吸收能力和解吸能力對企業(yè)研發(fā)投入強度的影響研究[J].中國科技資源導刊， 2023， 55 （2）： 54-65.

陳萍. 區(qū)塊鏈技術與API接口在開放式創(chuàng)新中的應用研究 [J]. 科技進步與對策， 2024（11）： 67-78.

劉家孟， 劉孟. 開放式創(chuàng)新對企業(yè)創(chuàng)新績效的提升路徑研究：基于QCA方法[J]. 管理現(xiàn)代化， 2023， 12（1）： 45-58.

Yulianto， A.， Edy Yulianto， Supriono. The impact of open innovation on firm performance： An empirical study [J]. International Journal of Innovation Management， 2023， 27（4）： 1-18.

Wang Shuodong. 數(shù)字化轉型與企業(yè)創(chuàng)新績效提升路徑研究 [J]. 科技進步與對策， 2024（9）： 89-105.

阮磊. 數(shù)智化平臺對企業(yè)績效的影響研究[J].中國工業(yè)經(jīng)濟， 2024（5）： 89-105.

Yulianto， Suproni. 數(shù)字化能力與企業(yè)績效的關系[J]. 現(xiàn)代管理科學， 2023（6）： 45-58.