技术需求与智能制造技术创新——数字经济的导向性赋能机制

以智能制造为核心的新一代工业技术革命正深刻改变全球产业链格局和价值链结构，美、日、德等传统制造强国相继出台制造业智能化升级计划，以巩固经济地位，智能制造已成为世界制造业竞相争夺的技术制高点[1]。随着智能制造在国家竞争战略中的地位不断攀升，在重大智能制造项目、关键核心技术研发项目引导下，企业智能制造技术创新投资日渐活跃。我国智能制造产业也实现快速增长，2019年中国工业机器人安装量位居世界第一，2020年整个智能制造产业总产值突破2万亿元。

然而，高端智能制造装备对外依存度高、核心零部件缺口难补等因素制约着产业进一步发展。“十四五”期间，国内制造业智能化技术需求必将持续增长，尽管我国智能制造技术需求市场规模大、成长性强，但在“双循环”新格局下，国外先进智能制造装备对国内市场形成有力竞争。在制造业智能化技术需求持续增长与数字经济快速发展的双重背景下，以智能制造技术创新推动制造业高质量发展，既是中国数字经济与自主创新相融合的实践要求，也是智能制造产业顺应“双循环”新发展格局的重要任务。如何强化智能制造技术创新是现阶段制定产业创新政策、加快数字化与智能化融合亟待解决的基础理论问题。

在国家创新政策和企业研发活动的双重主导下，以技术创新推动智能制造发展受到广泛关注。目前，关于智能制造技术创新的研究侧重探讨科技政策的外源动力[2-3]与企业技术创新能力的内源动力[4-5]。事实上，企业所处经济环境对技术创新活动具有深刻影响[6]。在智能制造技术需求快速增长、大数据成为重要创新资源的发展趋势下，鲜有研究关注外部环境要素对智能制造技术创新活动的影响，而这正是通过塑造产业环境引导企业创新活动的理论支撑。一方面，从创新政策角度看，经典的技术创新需求拉动模式指出，60%～80%的创新成果源于市场需求拉动[7]。将创新政策施加于需求侧将对产业技术进步产生更深远的作用[8]，我国也的确需要更多需求侧创新政策，因为市场才是创新不可或缺的战略资源，而公共部门需要做的是在市场对新技术、新产品缺乏信心时给予更多引导(王程韡等，2016)。当前我国大部分人工智能产业政策属于供给侧或环境侧政策工具，往往通过科技支持、目标规划或行政制度激发企业创新，相比之下，需求侧创新政策相对缺乏(吕文晶等，2019)。就智能制造发展趋势而言，产业智能化已经在国家战略层面得到认可，智能制造试点项目成果颇丰，制造企业也在积极探索智能化升级，智能制造技术需求正持续增长。因此，对于智能制造产业而言，补充需求侧创新政策工具从而发挥其对智能制造技术创新的引导功能，有待进一步论证。另一方面，从创新环境角度看，随着数字经济时代到来，大量文献讨论了数字技术对企业创新的影响。宏观上，数字经济通过改善信息环境、创新生态或技术溢出过程影响企业创新(赵涛等，2021；张昕蔚，2019)；在微观层面，面对数字经济时代客户需求呈现出的高度易变、不确定、模糊和复杂等特征，传统聚焦成品的创新思维和模式变得难以为继[9]。就制造企业智能化升级而言，工艺流程和管理工作各有差异，对智能制造的技术需求更加突出上述特征，相关软件技术或硬件设备须具备定制化属性。数字经济改变了创新主体与客户的交互方式，促进研发活动与客户需求匹配从而实现价值共创[10-11]。数据作为一种重要创新资源，可为智能制造技术创新成果的差异化研发和迭代升级提供条件[9,12]。然而，现有研究主要关注数字经济如何促进制造企业智能化转型，在技术需求拉动下，数字经济能否发挥其对智能制造技术创新的赋能作用尚需讨论。

基于此，本研究以技术创新需求拉动理论为基础，研究智能制造技术需求与不同导向技术创新的关系，并深入分析数字经济对智能制造技术创新的赋能机制。本文理论贡献在于，揭示需求拉动智能制造技术创新过程中数字经济赋能机制的导向性特征，细化数字经济创新效应的理论研究，为数字经济背景下需求侧智能制造创新政策实践提供理论依据。

1 研究假设

1.1 研究框架

需求拉动理论认为，技术创新是一种追求利益的经济行为，需求变化是微观上促进企业研发投入和创新活动的有效激励机制[13]。一方面，在制造业升级的技术需求前提下，智能制造是相关技术研发活动的主要投入方向，研发投入强度则是本研究的主要变量之一。另一方面，在技术创新研究中，通常以产出衡量创新活动最终成果，包括新技术形成或经济利益流入。企业技术创新的动因之一是通过市场化运作获取经济利益，具有即时性的市场导向特征(庞兰心和官建成，2018)。同时，智能制造技术产品多为成套装备或技术体系，其高度集成性和复杂性导致研发周期普遍较长，创新成果最终成熟是经过反复改良和创新迭代完成的。因此，在智能制造技术创新决策形成阶段，研发目标制定需要具有一定前瞻性，基于知识的产出要更关注中远期战略价值或可持续竞争优势。此时，智能制造技术创新本质上又具备非市场导向特征。可见，智能制造技术创新兼具市场导向和非市场导向两种属性，这也符合熊彼特创新理论的观点，即创新是经济行为和技术行为的综合。综上所述，本研究以投入—产出为主线，从市场导向和非市场导向两个角度解释智能制造技术创新，并分阶段讨论技术需求、数字经济对非市场导向与市场导向下智能制造技术创新投入与产出的影响机制。

1.2 技术需求对智能制造技术创新的影响

经典的需求拉动技术创新动力机制认为，市场需求是研发速度和方向的决定因素，需求导向、需求规模是微观上促使企业开展研发活动并进行研发投入的激励因素。创新行为通常源自解决经济问题或利用经济机会的需要，即技术创新活动受到经济发展需要的影响[13]。

企业要素生产率的提升，既可以通过改变生产函数实现，也可以利用先进技术改变单要素生产率。制造业智能化反映谋求劳动替代和效率提升的诉求(李廉水等，2019)。一方面，利用智能化替代不断上涨的劳动要素成本，应用人工智能改变生产要素结构从而提高劳动生产率[14]；另一方面，对现有软硬件技术进行智能化升级，提高资本回报率[6]。随着智能制造技术的快速发展和智能化工艺设备的应用，无论是劳动密集型产业还是资本密集型产业，其资本密集度和劳动生产率都逐渐提升。因此，制造业对智能制造的技术需求主要表现为劳动替代需求和效率提升需求。

1.2.1 劳动替代需求与智能制造技术创新

新古典经济增长理论认为，劳动力成本上升会引起外生性技术进步。较高的劳动成本会极大促进工业技术创新[15]。提高工资水平是诱导企业实施技术创新的一种机制，创新带来的技术进步能够抵消劳动成本上涨对企业利润的负面影响[16]。通过技术进步替代劳动的需求促使企业自发执行技术创新，增加研发投入，以期通过技术进步替代劳动要素。

人口老龄化、劳动力成本上涨是人工智能发展的重要诱因，制造企业存在使用智能技术对劳动力进行补位式替代的需求[17]。传统意义上，劳动力成本上升情况下的技术替代过程主要通过替代机械式的体力劳动改变生产函数，提高生产效率。新技术产生的劳动替代需求在劳动密集型产业或价值链低端表现得更为明显。智能化技术的强大之处在于其不仅能够对体力劳动形成替代，而且能够依托人工智能技术对部分管理活动、技术工作等脑力劳动形成替代，这些知识型劳动在产业链中高端领域仍然占有较大比重。可以说，智能制造比一般制造技术的替代范围更广，能够实现对部分更高层次劳动的替代，甚至在高端产业领域进一步精简劳动要素。因此，按照技术创新的需求拉动理论，从智能技术需求端看，如果智能制造技术供应链下游制造企业以智能化技术替代劳动要素的需求变大，上游技术供应商的技术创新活动将更加活跃。

此外，在微观层面，上游智能制造技术供应商应对劳动替代需求可以采取两种方式：一是以自主研发为基础的技术创新，通过增加智能制造技术R&D投入，巩固其在智能制造产业中的原创性技术优势，进而获得超额利润(贺德方等，2019)；二是以外部技术引进和吸收为基础的技术创新，以其耗时短的优势快速向下游制造企业输送智能技术，满足技术需求市场的劳动替代需要。智能制造技术具有专用性、定制性等特点，以智能制造设备代替劳动是一种根本性的生产要素结构转变。同时，由于智能制造技术的尖端性和集成性特点，专用设备的研发过程与见效周期较长且存在市场风险，这会对供应商的技术创新任务造成压力。因此，当制造业劳动替代需求过大时，急于实现盈利目标的智能制造技术供应商可能会采用技术引进方式应对客户的劳动替代需求。与自主研发相比，以技术引进和吸收为基础的智能制造技术创新成本更低(汤萱，2016)，相应的投入也更低，即过大的劳动替代需求会降低智能制造技术创新投入。综上所述，结合技术创新投入正向影响产出的基本共识，对制造业劳动替代需求与智能制造技术创新提出如下假设：

H1a：在投入阶段，制造企业劳动替代需求与智能制造技术创新投入强度呈倒U型相关；

H1b：制造企业劳动替代需求通过改变投入强度影响非市场导向与市场导向的智能制造技术创新产出。

1.2.2 效率提升需求与智能制造技术创新

从工业技术进步方向看，自工业革命以来，企业使用机械代替劳动从而提高生产效率的需要始终存在。随着自动化的普及，进一步提高效率则须依靠机械设备或管理手段的进一步升级。人工智能与制造技术的融合开启了新一代工业技术革命的序章，为制造业效率提升提供了新的技术轨道(周济，2015)，与之共兴的新技术经济范式为后发企业追赶提供了一个机会窗口(孟韬等，2021)，云计算、智能工厂解决方案等一系列新兴产业也随即兴起，并针对制造企业改造生产设备、优化管理任务的技术需求开展依赖场景的个性化创新。这些智能制造企业的主要特征是既关注客户企业对智能制造的技术需求，也致力于相关技术研发。按照技术创新的需求拉动理论，制造企业利用智能制造技术提高生产效率的技术需求刺激上游技术供应商的技术创新活动。

此外，从效率提升需求特征看，智能制造系统属于典型的复杂产品系统，具有技术结构复杂和功能定制特征，上游技术供应商的研发活动与客户企业智能化升级的技术需求紧密相连，研发成果必须满足特定工艺流程和管理工作。在旧工艺设备基础上利用智能制造技术提升效率，需要考虑智能技术与原有设备、管理活动的对接，无疑会增大供应商协调难度[18]。具有复杂性与定制性特征的效率提升需求使智能制造技术创新形成知识密集、质量要求高、技术难度大等内在特征，导致研发创新耗费投入大、风险要素多，进而增加技术创新难度和投入[19]。因此，效率提升需求的特殊性将导致更高的研发投入。基于此，提出如下假设：

H2a：在投入阶段，制造企业效率提升需求正向影响智能制造技术创新投入强度；

H2b：制造企业效率提升需求通过改变投入强度影响非市场导向和市场导向的智能制造技术创新产出。

1.3 数字经济赋能对智能制造技术创新的影响

数字经济时代，原生态数据型企业以其特有的竞争优势迫使传统行业不断进行数字化改造。利用大数据技术，企业创新活动能够准确解析技术市场需求与用户消费逻辑。工业大数据和用户大数据指引智能制造技术创新方向，使创新成果真正面向生产和市场需求，压缩创新周期并提高创新成果应用价值。本研究将该过程称为智能制造技术创新的数字经济赋能。

数字化转型与技术创新活动深度融合改变了技术创新逻辑[20]，创新宗旨逐渐向服务化转型，基于模块化的技术“积木式”创新为需求端客户提供整体解决方案，实现客户价值主张(周济等，2015)。数字经济赋能的关键在于从大数据中获取创新知识资源，从而提高智能制造技术的市场价值。来源于企业外部的异质性知识有利于打破研发团队知识刚性[21]，避免技术创新与生产需要或用户需求错配。智能制造系统特有的自感知特性能为企业提供强大的数据采集能力，从而形成数字化赋能技术创新的良性循环。首先，通过智能技术、智能装备上云，创新主体利用数据挖掘技术抽取工业数据和用户数据并转化为确定的显性知识。该过程借助数字化工业网络，以数据为载体，完成技术创新所需知识资源转移，加快知识溢出和知识创造，压缩创新周期。其次，与市场需求、用户行为、设备运行相关的知识资源对智能制造技术创新进行赋能，指导创新目标与市场需要、用户特征或设备改进相匹配，完成智能制造技术创新的数字经济赋能。最后，智能制造技术创新成果投入使用后，面向市场和用户实现价值主张，在数字经济赋能下充分挖掘应用价值。基于上述分析，提出如下假设：

H3a：在产出阶段，数字经济赋能正向调节智能制造技术创新投入强度与非市场导向产出的作用关系；

H3b：在产出阶段，数字经济赋能正向调节智能制造技术创新投入强度与市场导向产出的作用关系。

基于以上假设，提出技术需求、数字经济赋能与智能制造技术创新投入—产出两阶段研究模型，如图1所示。

图1 技术需求、数字经济赋能与智能制造技术创新投入—产出两阶段研究模型
Fig.1 Input-output two-stage research model of technology demand, digital economy empowerment and intelligent manufacturing technology innovation

2 研究设计

2.1 模型与变量

计量模型设计与实证研究围绕投入—产出两个阶段展开。根据智能制造技术需求对技术创新投入的直接效应假设，设计第一阶段回归模型。

IMTIinpit=α0+α1laborit+α2efficiencyit+εZ+μit

(1)

IMTIinpit=α0+α1laborit+α3efficiencyit+α3laborit2+εZ+μit

(2)

其中，因变量IMTIinp为智能制造技术创新投入。企业技术创新投入包括资金、人力、设备等多种类型，但除研发资金外，其它资源投入在统计过程中难以统一标准，因此在学术研究中，通常使用R&D经费投入表征企业技术创新投入[22]。R&D投入的绝对量受企业规模影响较大，为更好地体现企业对智能制造技术需求的反应强度，以R&D投入与主营业务收入之比作为技术创新投入的测量指标[23]。对于技术需求侧指标，因智能制造技术创新企业与下游技术使用企业为多对多的供需关系，技术创新企业样本无法与需求企业一一对应。考虑到企业在设计技术创新战略时，通常会对宏观市场大环境进行分析，即外部市场因素会对企业技术创新活动产生影响(王程韡等，2016)。因此，本文使用宏观统计变量测量技术需求，用以对标相应的技术创新企业样本。自变量labor为劳动替代需求，借鉴林炜(2013)对劳动力成本上升与企业创新激励之间关系的研究，同时考虑到制造业是智能制造技术需求的来源，将制造业城镇单位就业人员平均工资作为制造业劳动替代需求的代理变量；自变量efficiency为制造业效率提升需求，考虑指标数据可获得性并借鉴徐斌(2019)的研究，使用规模以上工业企业技术改造经费支出作为效率提升需求的代理变量。企业设置该经费的目的是通过对现有设施、生产工艺及辅助设施进行技术改造，提升产品质量和生产效率。α0为截距项，α1、α2、α3为待检验系数，方程(1)为主变量的直接效应检验，方程(2)增加了劳动力成本的二次项以检验H1a，若α3拒绝零假设且为负数，则可判定制造业劳动替代需求与智能制造技术创新投入强度呈倒U相关。向量组Z为对技术创新投入产生影响的其它控制变量。本文选取研发经费政策资助比例(policy)、固定资产净值(size)、固定资产净值/员工数(cap)、资产负债率(alr)和利润总额/固定资产净值(profit)等指标作为控制变量，分别表征影响企业技术创新投入的政府创新补贴、企业规模、资本深化、财务杠杆及盈利能力等因素(孙晓华等，2015；刘放等，2016)。γ为控制变量待估系数向量，μit为误差项。

根据假设设计产出阶段回归模型，该模型为有调节的中介模型。首先检验智能制造技术创新投入在两个阶段间的中介效应。

Noutpit+1=β0+β1laborit+β2efficiencyit+β3IMTIinpit+εZ+μit

(3)

Moutpit+1=β0+β1laborit+β2efficiencyit+β3IMTIinpit+εZ+μit

(4)

然后，继续检验数字经济赋能(digital)在上述中介路径上的调节效应。

Noutpit+1=γ0+γ1laborit+γ2efficiencyit+γ3IMTIinpit+γ4digitalit+γ5IM×digitalit+εZ+μit

(5)

Moutpit+1=γ0+γ1laborit+γ2efficiencyit+γ3IMTIinpit+γ4digitalit+γ5IM×digitalit+εZ+μit

(6)

现有研究表明，在企业技术创新过程中，创新投入与产出在时间上存在一定滞后性(杨武等，2019)。由于智能制造技术研发难度较大，从研发投入到技术形成可能在时间上存在一定滞后效应，因此对被解释变量作滞后一期处理。模型中，Noutpit+1、Moutpit+1分别代表非市场导向(non-market-oriented)和市场导向(market-oriented)的智能制造技术创新产出，且为滞后一期数据。在技术创新研究领域，专利申请和授权数被广泛用于衡量技术创新产出。考虑到智能制造相关研发活动的高新性，为准确反映智能制造技术创新产出的新知识与新技术，以智能制造企业发明专利和实用新型专利授权数测量非市场导向的技术创新产出，原因有两点：其一，在实务中，专利被正式授权之前存在一定不确定性，在严格的审查机制下，一些技术含量不高的专利申请往往最终无法得到授权(张古鹏等，2014)，专利授权数能更好地反映达到标准的技术创新产出；其二，我国3种专利类型中，通常外观设计专利被认为是技术含量相对较低的类别，使用发明和实用新型专利更能体现智能制造技术的高新性。对于非市场导向的产出，新产品销售收入能体现技术创新成果的市场适应性，是企业对新知识、新技术进行市场化运作的结果，为反映需求市场对新技术的接受程度，以新产品销售收入测量市场导向的技术创新产出。IMTIinp为智能制造技术创新投入，在第二阶段模型中作为解释变量。digital为数字经济赋能，参考姜松等[24]对数字经济的研究，采用腾讯研究院发布的《数字中国指数报告》，将城市数字经济指数作为数字经济赋能的代理变量。为检验H3，模型加入交乘项IM×digital，若检验结果为γ5拒绝零假设，则表明数字经济赋能对智能制造技术创新产出具有调节作用。Z为影响技术创新产出的其它因素，为降低模型中非核心因素对参数估计的干扰，选择企业规模、创新人力资源、外部合作作为第二阶段模型的控制变量，分别用固定资产净值(size)、期末在职研发人员数量(human)、校企合作(corporate)衡量[25]。其中，corporate为虚拟变量，存在校企合作项目为1，否则为0。

2.2 样本描述性统计

选择研究样本时先确定技术领域，再寻找企业样本。根据孟凡生等(2020)、苏贝等[26]列出的智能制造技术清单，确定以智能制造代表性技术为主要业务的企业样本，包括在智能机床、智能传感、云计算、物联网、智能工业软件开发和智能制造整体解决方案等领域开展研发活动的企业。在此基础上，样本主要来源于中国智能制造企业评价研究[27]、工信部智能制造试点示范企业，同时也通过线上搜索和线下咨询的方式选择上述技术领域内的其它知名企业，初步确定354个候选样本。由于《中国制造2025》印发于2015年，此后智能制造受到各界广泛关注，因此构建2015—2019年的短面板数据进行实证分析。宏观指标数据主要来源于《中国劳动统计年鉴》《中国工业统计年鉴》《数字中国指数报告》等公开资料。企业微观数据来自CSMAR、Wind、EPS等数据库，为保证面板数据的连续性，剔除成立于2015年及以后的企业样本，剔除指标数据缺失、连续两年及以上零营收或研发投入为零的样本，最终确定1 410(282×5)个观测值供实证分析。由于各变量存在较大量纲差异，较大的绝对数值可能会影响回归结果，因此对实证数据取对数。样本企业基本信息见表1，指标数据描述性统计结果见表2。

表1 样本企业基本信息
Tab.1 Basic information of sample enterprises

注：国有企业是指国有独资公司和国有资本控股公司，包括中央和地方国有资产监督管理机构和其它部门所监管企业本级及其逐级投资形成的企业；企业规模根据《统计上大中小微型企业划分办法(2017)》划分；所在行业根据“国民经济行业分类与代码(GB/T 4754-2017)”划分

表2 指标数据描述性统计结果
Tab.2 Descriptive statistics of index data

3 实证分析

3.1 技术需求对智能制造技术创新投入的直接效应检验

运用Stata15.0进行分析，在检验外部动力要素的直接效应前，首先对模型约束进行必要检验。第一阶段模型主变量labor、efficiency间相关系数均小于0.5，不存在多重共线性问题。在混合效应、固定效应和随机效应模型中选择合适的估计方法，F检验结果显示，F value=2.25>F0.05(281,1 121)=1.16，拒绝原混合效应假设，个体效应存在；Hausman检验结果显示，Chi-Sq为177.82(P<0.01)，在5%的显著性水平下拒绝随机效应假设，因此选择固定效应模型对第一阶段回归方程进行检验。此外，由于解释变量较多，为消除异方差影响并提高模型估计稳健性，模型估计利用vce(robust)命令修正标准误差。

技术需求对智能制造技术创新投入的直接效应检验结果如表3所示。模型1a首先检验控制变量对被解释变量IMTIinp的影响，结果显示，规模较大的企业更加重视智能制造研发，较高的资产负债率会限制企业研发投入，资本深化和盈利能力对智能制造技术创新投入的影响不显著。模型1b在模型1a基础上加入技术需求，结果显示，劳动替代与效率提升需求对智能制造技术创新投入具有显著正向影响，H2a得到验证。模型1c继续加入制造业劳动替代变量的二次项，以检验H1a，结果显示，5%的置信度限制下，劳动替代需求的二次项系数α3不拒绝零假设，不支持H1a。

表3 技术需求对智能制造技术创新投入的直接效应
Tab.3 Direct effect of technology demand on intelligent manufacturing technology innovation investment

注：括号报告T统计量；在0.05的显著性水平下，***表示p<0.001,**表示p<0.01,*表示p<0.05；下同

为探究H1a不成立的原因，采用自变量分组回归的方式作进一步讨论，分别对效率提升需求和控制变量以平均值为界进行分组，按模型1c的形式逐一进行分组回归。政府创新补贴(policy)的分组回归结果显示，高资助组(模型1d)中labor2仍表现为不显著，但低资助组(模型1e)却证实了H1a，即制造业劳动替代需求与智能制造技术创新投入呈倒U相关。政府创新补贴、劳动替代需求与智能制造技术创新投入的关系如图2所示。在智能制造技术创新活动中，若企业获得足够的政府补贴，则制造业劳动替代需求对智能制造技术创新投入不具有显著影响，但在政府创新补贴较低的情况下，下游产业过高的劳动要素成本可能会对智能制造技术创新投入产生挤出效应，拉低创新投入强度。

图2 基于研发补助分组的劳动替代需求与技术创新投入相关性
Fig.2 Correlation between labor substitution demand and technological innovation input based on R&D subsidy grouping

3.2 数字经济赋能对智能制造技术创新产出的调节效应检验

数字经济赋能的调节效应存在于以智能制造技术创新投入为中间变量的中介模型中，构成一个有调节的中介模型。首先确定模型检验方法，预设模型的F检验结果分别为F value=1.95>F0.05(281,1 120)=1.16(非市场导向)和F value=1.25>F0.05(281,1 120)=1.16(市场导向)，个体固定效应存在。Hausman检验结果显示，Chi-Sq分别为30.17、32.18(P<0.01)，在5%的显著性水平下拒绝随机效应假设，仍采用固定效应模型。中介效应通过后，检验数字经济赋能对智能制造技术创新产出的调节效应，参数估计结果见表4。

表4 数字经济赋能对智能制造技术创新产出的调节效应
Tab.4 Moderate effect of digital economy empowerment on output of intelligent manufacturing technology innovation

以非市场导向的智能制造技术创新产出为因变量，模型2a结果显示，企业规模、校企合作和创新人力资源均能对专利产出产生积极影响，控制变量能较好地解释非市场导向的技术创新产出。加入自变量技术需求后，劳动替代与效率提升需求对智能制造专利产出不具有直接效应。模型2c结果显示，技术创新投入与产出间具有正相关性。结合模型1c的估计结果，在非市场导向下，效率提升需求间接影响技术创新产出，且技术创新投入发挥完全中介效应，而劳动替代需求的间接效应不成立。继续加入数字经济赋能及其与IMTIinp的交乘项，有调节的中介模型2d结果显示，在非市场导向下，数字经济赋能与专利产出不相关，也无法调节智能制造技术创新投入与专利产出间的关系，H3a不成立。

以市场导向的智能制造技术创新产出为因变量，模型3a结果显示，企业规模与智能制造技术创新产出正相关。在模型3b中加入自变量，结果显示，劳动替代和效率提升需求与因变量存在正相关性。在模型3c中加入中介变量，结果显示，劳动替代和效率提升需求通过技术创新投入间接影响市场导向的智能制造技术创新产出，且技术创新投入作为中介变量发挥部分中介作用。结合模型2c的估计结果，H1b部分成立，H2b成立。在模型3d中加入数字经济赋能及其与IMTIinp的交乘项，结果显示，在市场导向下，数字经济赋能正向调节智能制造技术创新投入与创新经济效益间的关系，H3b成立。

基于有调节的中介效应检验结果表明，智能制造技术需求通过影响企业技术创新投入，间接正向影响市场导向的智能制造技术创新产出，但在非市场导向下，仅效率提升需求能够通过提升创新投入水平，增加智能制造相关专利产出。数字经济仅在市场导向下对智能制造技术创新经济效益发挥赋能作用。对于市场导向的智能制造技术创新经济效益而言，较大的劳动替代和效率提升需求会直接提高企业创新收益。制造企业对智能制造软硬件的需求具有较强的专用性和定制性，数字经济环境下创新主体与客户的互联互通为面向个性化需求的智能制造技术创新带来较高的附加利益。同时，企业并未因高需求引起的市场竞争而失去对新产品盈利性的控制，目前智能制造市场仍然具有较大创新投资潜力。

3.3 稳健性检验

为检验研究结论在其它情景下是否也具有稳健性，对样本进行分类后重新估计。中国经济体制是以国有资本为主导的市场经济模式，政府部门为实现特定目标，如发展某项工业技术，会将政策压力施加给国有企业。在技术创新活动中，国有资本在新兴技术领域的研发投资中占据重要地位，承担更多政策性任务，而非国有企业注重技术创新的盈利性，二者经营目标可能存在较大差异[48]。从我国智能制造发展历程看，许多国有企业承担智能制造关键技术的研究开发或试点示范项目，工信部第一批智能制造试点示范项目名单中大部分为国有企业。一些研发项目短期内并不具备良好的盈利能力，但却能在未来形成对我国智能制造发展的推动或引领作用。此外，相关研究表明，在政府鼓励性产业中，民营资本创新水平对创新政策的反应高于国有企业[49]。这说明研究样本的产权属性差异可能对研究结论产生影响。

将研究样本按产权属性进行分组，其中国有企业106家，非国有企业176家。基于产权属性分组的稳健性检验结果见表5。在投入阶段模型中，控制政府政策、企业规模和资产负债率等指标，分组回归结果与原模型显著性一致，变量系数仅小幅变化，稳健性较强。在产出阶段模型中，控制企业规模、校企合作和创新人力资源等指标，根据IMTIinp的直接效应回归系数可知，国有企业较民营企业拥有更强的专利产出能力，非市场导向的技术创新产出能力更强，市场导向的技术创新产出能力相对较弱。国有企业智能制造技术创新符合政府规划的智能制造技术发展方向，更倾向于针对短期直接经济价值较低、未来长期发展潜力较大或关键基础智能制造技术的研究开发。值得关注的是模型3d的稳健性检验结果，即效率提升需求直接影响非国有企业市场导向的智能制造技术创新产出，而国有企业的系数不显著。这说明民营资本更加关注制造业智能化升级的现实技术需求，通过需求提升创新成果转化为市场经济效益的能力更强。该现象可能与国有企业技术创新承担的政策性任务有关。

表5 基于产权属性分组的稳健性检验结果
Tab.4 Robustness test results based on grouping regression of property rights

4 结语

4.1 研究结论

以技术创新需求拉动理论为基础，探究技术需求与数字经济赋能对智能制造技术创新的影响机制。将智能制造技术需求划分为劳动替代需求和效率提升需求两个维度，以研发投入为中介设计投入—产出两阶段研究模型，引入数字经济赋能并揭示其对非市场导向与市场导向技术创新产出的调节作用。主要研究结论如下：

(1)在投入阶段，智能制造技术需求影响企业技术创新投入。一方面，效率提升需求正向影响企业智能制造技术创新投入。另一方面，劳动替代需求对企业智能制造技术创新投入的影响与政府研发补贴有关。在补贴力度较大的情况下，劳动力成本对企业智能制造技术创新投入的刺激作用不显著；当补贴力度较小时，劳动力成本与智能制造技术创新投入呈倒U型相关，即过大的劳动替代需求会对智能制造技术创新投入产生挤出效应。

(2)在投入—产出两阶段之间，智能制造技术需求以企业技术创新投入为中介，对智能制造技术创新产出形成拉动作用。在非市场导向下，中介机制假设部分成立，智能制造技术创新投入占据投入—产出两阶段节点位置，作为完全中介仅形成效率提升需求对技术产出的拉动作用。在市场导向下，中介机制假设完全成立，劳动替代和效率提升等智能制造技术需求不仅以研发投入为中介形成对企业技术创新经济效益的拉动作用，还能够直接影响企业技术创新经济效益。

(3)在产出阶段，数字经济赋能会增强智能制造技术创新投入与市场导向产出之间的正向关系，但无法调节技术创新投入与非市场导向产出的作用关系。智能制造技术创新融入数字经济环境能够更好地捕捉技术市场现实需求，通过需求匹配提升最终产品应用价值，进而提升技术创新成果的经济效益。

(4)稳健性检验结果表明，在智能制造技术创新上，国有企业更加注重专利成果产出，承担更多智能制造技术发展引领作用。相比之下，非国有企业技术创新则比较注重制造业劳动力成本上涨、技术改造活动产生的智能化技术需求，针对技术市场现实需求提升创新成果的经济效益。

4.2 管理启示

(1)补充制定当前相对缺乏的智能制造技术创新成果市场转化相关的需求侧政策。既可以通过增加制造业智能化改造投资、推进国有企业智能化升级、政府采购等形式扩大技术需求市场，也可在各行业持续设立智能制造试点示范项目，强调开放共享，形成可复制推广的智能化技术路线，以期在“双循环”背景下扩大国内智能制造技术需求的同时，向国外市场推广智能化转型先进样板，利用需求拉动机制辅以直接研发资助，两端共同发力促进智能制造技术创新。

(2)智能制造研发资助政策应配合技术需求的拉动机制。由于劳动力成本上涨可能会抑制智能制造技术研发投入，政府研发资助政策应重点关注高劳动力成本地区的智能制造技术创新，在必要技术审核的前提下提供合适的资助强度，避免过大的劳动替代需求迫使企业以外部引进替代智能制造技术自主研发。此外，利用研发资助引导非国有企业关注短期盈利性不足但长期发展潜力大、前瞻性强的关键智能制造技术，确保智能制造技术需求市场具备长期增长潜力。

(3)依靠我国经济长期稳定发展和用户体量优势发展数字经济，赋能智能制造技术创新并为其创新成果提供高效的应用环境。充分挖掘智能化、数字化融合的潜在价值，使企业技术创新真正面向制造业智能化技术需要，在数字经济环境下完成精准的价值共创，提升智能制造技术创新市场转化的经济效益。

4.3 不足与展望

关于数字经济赋能无法调节非市场导向技术创新产出的原因，当前研究框架和数据无法给出合理解释，这是本研究的局限之一。数字经济对智能制造技术创新活动的赋能较为复杂，要开展进一步研究并打开这一“黑箱”，需要深入讨论数字经济对智能制造技术创新的重塑过程与特征，这将成为未来研究关注的重点问题。