数字经济背景下制造企业服务创新路径探析

董海林，陈菊红（博士生导师），张 乐

一、引言

制造企业的服务创新是制造商坚持“服务主导逻辑”、提供与其产品直接相关的衍生服务，以成功实现客户锁定，重塑差异化竞争优势的变革过程。近年来，大数据、物联网、云计算等数字技术的兴起，为制造企业服务创新带来革命性动力源泉（Coreynen 等，2017）。在数字技术驱动下，制造企业的服务业务由传统的基于经验的被动响应服务转型升级为基于数据驱动的精准预测和智能决策服务，通过不断优化流程，提升组织敏捷性和服务创新能力（Li 等，2022；董华和陈蕾，2021）赋能企业价值创造。然而，制造企业通过不断投资远程诊断、数据仓库及各种可视化方法，以拓展服务价值的创造空间，却未得到理想的收益增长（Kohtamäki 等，2020）。其根本原因在于制造企业服务化的本质是一个动态创新的过程，受到内部资源能力与外部环境的协同影响（Liu 等，2022）。相较于对数字技术和设施投资的重视，企业往往忽视了内部资源能力与外部环境的协调匹配，这很可能是导致数字技术投资收益存在差异的主要原因。因此，在数字经济背景下，厘清制造企业服务创新的关键驱动因素，帮助企业“内外兼修”提升服务创新绩效，是亟待解决的现实问题。

综观已有研究，制造企业服务创新受到诸多因素的影响，包括战略一致性（Lightfoot，2011）、商业模式创新（陈菊红等，2020）、战略柔性（Bock 等，2012）、创新能力（赵宸宇，2021）等内部因素及网络嵌入（Powell等，1996）、技术动荡性（Coreynen 等，2017）、制度关联（Baum 和Oliver，1996）等外部因素。以上研究为厘清制造企业服务创新的影响因素做出了重要贡献，但缺乏对制造企业服务创新复杂过程的还原。大部分研究关注单一因素对制造企业服务创新的影响，聚焦于数字技术这一外部驱动要素（Liu 等，2022；赵宸宇，2021；Ardolino等，2018），而忽视了影响制造企业服务创新的多重并发的因素和路径。例如：Ardolino 等（2018）认为，大数据分析技术不仅可以帮助制造企业使用平台数据精准决策、简化操作、快速响应客户需求并发现新的市场机会，还可以优化关键业务流程增强供应链协同，提升企业的动态运营能力和竞争优势（Yu 等，2021），但却未考虑到外部环境是否存在调节效应。Liu等（2022）基于动态能力理论和技术创新扩散理论，探讨了移动通信技术对制造企业服务创新的驱动机理，分析了隐性服务知识共享、组织学习、内部资源整合与优化配置的“桥接”作用，同时考虑创新网络的调节效应，但却未进一步研究要素之间协同配合对服务创新绩效的影响。可见，现有研究缺乏对内外部因素协同视角下服务创新路径的探讨。然而，制造企业服务创新是一个内外部多重要素交互作用的复杂整体（Storey等，2016），仅考察单个因素的净效应无法有效揭示数字经济背景下制造企业服务创新的多元路径以及不同要素间的联动效应。

本研究遵循“外部环境—内部能力—协同联动”的理论逻辑，基于组态视角探讨数字经济背景下制造企业服务创新的影响机制及实现路径。具体而言，本文通过实证分析回答如下问题：外部环境和内部动态能力如何协同促进制造企业服务创新？数字经济背景下，制造企业服务创新的影响机制和路径是什么？为了解决上述问题，本文选取178 家利用数字技术进行服务创新的制造企业，运用fsQCA 方法探讨制造企业服务创新的组态路径。

本文可能的研究贡献有：①基于协同理论，提出了一个综合框架来分析制造企业服务创新，揭示了外部环境与内部资源能力之间的协同耦合对服务创新的影响。本研究响应了Kohtamäki等（2020）的呼吁，考察了数字经济背景下制造企业服务创新复杂机制，拓展了制造企业服务化的相关研究。②为缓解制造企业利用数字技术实现服务创新的结果争议提供新解，为服务创新的差异化经济结果提供新证据。③方法层面，利用fsQCA 方法探讨了数字经济背景下制造企业的服务创新，动态还原了制造企业服务创新的复杂过程。以往研究大多关注实现制造企业服务创新的净效应，忽视了前因条件的协同联动对服务创新的影响，通过定性比较分析探究出导致同一结果的多条路径，丰富了制造企业服务创新研究方法，可为制造企业服务化转型实践提供科学指导。

二、文献回顾与模型构建

制造业服务创新是一个复杂的系统工程，动荡复杂的外部环境倒逼企业不断探索利用数字技术，优化内部资源能力配置，完善服务创新支撑体系，挖掘客户服务需求（Storey 等，2016）。协同理论是揭示复杂系统演化进程的重要理论分支，反映了系统内相互联系、相互影响、相互制约要素通过协调整合，从而保证系统整体效应的发挥。协同理论认为内部因素和外部因素能够形成“合力”，推动制造企业服务创新。从外部环境来看，一方面，外部环境为制造企业服务创新带来契机，如新一代信息技术能够有效支持企业的数字化运营，促进服务功能和服务渠道的拓展，缩短了企业创新的过程，提高了企业创新的准确性和效率（Liu 等，2022）。另一方面，基于数字化平台与内外部合作伙伴构建共生系统，通过组织学习和开放式创新强化相互之间的知识共享，以满足不断变化的客户需求（Li 和Liu，2014）。从组织内部来看，在VUCA（不稳定、不确定、复杂和模糊）环境下，现有的运营模式会被迅速侵蚀和颠覆，此时的动态能力是保持竞争力的必要条件（Wilden 和Gudergan，2015）。企业应有效协调和重新配置内外部资源和能力，通过组织学习增强其战略灵活性以获得持续的竞争优势（Teece等，1997）。在数字经济背景下，通过将数字技术嵌入组织和流程，对内外部资源进行重构与整合，以促进业务模式改变和流程创新。通过既有研究可知，外部环境和内部动态能力是影响制造企业服务创新的关键因素。Lu 和Yang（2004）将环境不确定性分为技术和市场不确定性。苏敬勤和刘静（2013）认为动态能力包括三个方面：市场感知能力、资源配置能力和组织学习能力。在数字经济环境下，数字化能力能够更好地反映企业对外部环境的感知能力。基于此，本文最终从内外两个层面确定了5 个前因条件。内部动态能力培育层面包括数字化能力（Digital capability）、组织学习能力（Organizational learning capability）、资源协奏能力（Resource orchestration capability），企业外部环境层面的影响因素主要包括技术不确定性（Technical uncertainty）和市场不确定性（Market uncertainty）。据此构建本文的理论框架，如图1所示。

图1 理论框架

（一）内部动态能力层面

动态能力指企业感知市场变化、抓住机会、重新配置内外部资源以保持竞争力的能力（Teece 等，1997）。在数字经济背景下，公司通过利用数字设备和渠道（如软件平台和网络服务）跨区域和市场收集与新兴客户行为相关的数据，从而更好地感知和抓住商业机会，优化现有流程和资源利用（Mikalef 等，2019）。根据动态能力理论，将数字化能力、组织学习能力及资源协奏能力概念化为基于数字技术的动态能力。数字化能力能有效反映动态能力的感知维度，组织学习能力及资源协奏能力分别反映动态能力中的抓住机会、重新配置内外部资源两个维度。

1.数字化能力。数字化能力是指在数字化转型过程中，企业通过数字技术驱动，对企业现有的资源、结构、价值及边界等要素进行重构，培育和构建将数字经济生产要素转化为商业模式创新的能力，是企业转型升级的重要支撑（René 等，2020）。具有数字化能力的企业可以通过新的数字渠道（如数字平台、数字系统等）强化对外部环境的动态扫描，及时感知外部环境和消费需求的变动，并通过市场资本化敏捷性和运营调整敏捷性及时抓住机遇，对现有资源和流程进行重新配置以提升企业绩效。同时，通过有效感知和识别消费偏好，以最快的响应速度、完善的交付流程为用户提供优质的交易体验，进而提升客户对企业的认同感、忠诚度，最终实现与客户价值共创的目的（Agarwal 等，2020）。Papadopoulos 等（2020）认为，即使在极端混乱动荡的外部环境中，数字化能力依然是企业保持生产连续性的重要保障。

2.组织学习能力。组织学习能力是指组织为了适应外部环境的变化，学习主体通过知识的获取、分配、解读和组织记忆塑造核心竞争力的能力，是提高企业绩效的关键因素和组织竞争优势的重要来源（Chadwick和Raver，2015）。在组织内部，学习能力较强的企业通过鼓励部门成员间更加开放、高效地沟通对话（Amabile等，1996），在企业内部营造创新文化氛围，激发员工创新意识，培育创新能力，增强团队凝聚力，从而为实现创新积聚力量。随着制造企业服务型创新活动的开展，实体生产资料逐渐被服务型生产资料所取代。通过组织学习，企业可以获得前沿的市场信息、知识和其他面向服务的生产资料，并在此基础上提供精益服务（Feng等，2020）。在数字经济背景下，很多公司基于兼容性分析技术、社交媒体以及企业运营的云平台或网络等设施，通过组织学习和合作伙伴之间有效的知识共享，塑造组织创新所需的核心能力，并通过外部网络新信息的注入扩展现有的知识库，知识获取能力越高，在给定时期内可以收集到的外部知识就越多，最终可能会提升创新绩效（Connell等，2014）。

3.资源协奏能力。资源协奏能力指企业有效地构建、捆绑和利用资源组合以实现企业绩效的能力。资源协奏理论认为，管理者对资源采取行动的能力比资源本身更能有效揭示企业价值创造（Sirmon 等，2011）。Wang 等（2020）强调资源协奏是促进创新的重要动态能力，对于缓解企业内部冲突和提高资源互补性至关重要。已有研究表明，面对动荡复杂的市场环境，拥有较强资源协奏能力的企业不仅可以保障企业以最短的时间、最低的成本迅速进行资源的拼凑，还可以使企业对现存资源进行新的分解、重构，从而创造出新的资源组合方案，构建新的能力与竞争优势。同时，对资源的重新配置不仅限于企业内部，还包括组织外部资源。在数字经济背景下，企业通过构建大数据平台或网络，更高效地实现资源的接入、获取与整合；通过数字平台强化了与利益相关者之间的沟通协作，形成创新生态系统（Akter 等，2020），在与价值共创参与者的互动中，不断强化对现有资源和知识的整合利用，更精准、更前瞻地识别服务创新的机会，积极响应客户的个性化需求，优化交易体验，增强客户黏性（He 等，2019）。

（二）外部环境层面

企业的生存和发展与环境密切相关。制造企业服务创新不是孤立的实践，而是企业与环境共同演化的结果。随着全球化和新技术的不断迭代，客户异质化趋势更加显著。从动态能力视角来看，企业应加快数字化转型，通过各种数字渠道收集差异化信息，从而跟踪客户需求和偏好，并基于市场洞察进行领先于竞争对手的服务创新（罗建强和蒋倩雯，2020）。因此，外部环境不确定性是数字经济背景下制造企业服务创新的重要驱动力。借鉴Lu 等（2004）的研究，本文将环境不确定性分为技术不确定性和市场不确定性。

1.技术不确定性。技术不确定性是指技术变化的不可预测性与技术路线图的动态性，表现为技术的复杂性和新颖性。高水平的技术不确定性意味着企业必须及时调整其业务活动，不断更新现有的技术以保持市场的竞争地位（Zeng 等，2020）。随着大数据、云计算、物联网、区块链等新型数字技术的应用，促使公司不断反思和重塑其商业模式，不断优化现有业务流程。主要表现为在原有产品中嵌入数字技术，充分利用数字技术的连接作用将客户纳入服务创新过程中，通过动态搜集客户的消费数据，精准识别消费需求，提升企业的市场洞察力和响应能力，以获得更高的客户价值（Verhoef 等，2021；孟佩和徐宏毅，2022）。一方面，企业通过使用先进的分析技术，处理和分析大量数据（数量、种类、速度、准确性和价值），从而促进数据驱动下的决策，提升决策质量（Loebbecke 和Picot，2015）。另一方面，通过云计算、深度学习等方法，研发人员能精准识别隐性知识，并将存在于企业内外部的隐性创新知识转化为模块化、标准化的显性知识，对现有的资源和流程组合进行整合、更新，提升组织运营效率（Olden和Jackson，2002）。

2.市场不确定性。市场不确定性是指市场的消费者结构、容量及偏好不断变化增加了企业的压力，进而迫使企业不断改进产品服务、缩短产品的生命周期以适应市场变化的需求（Fisher，2012）。区别于传统的以供给为导向的规模化的运营模式，数字经济背景下，企业坚持以消费者需求为中心的价值创造逻辑（Matarazzo 等，2021），通过搭建数字平台，构建以消费者为中心，集生产与服务于一体的定制化、柔性化、精细化的生产方式，充分满足客户多样性需求。异质性和不可预测的外部环境给公司带来了压力，迫使企业通过大数据基础设施或IT 支持技术来管理多个业务目标（Dutot等，2014），并通过大数据分析聚合庞杂的数据信息，分析整合挖掘隐性知识，帮助企业跨越“知识鸿沟”，提升企业的前瞻性和对新机会的识别能力，通过快速响应市场需求增加客户满意度，从而提升企业绩效。

三、研究设计

（一）研究方法

定性比较分析方法（QCA）是一种基于集合论和模糊代数的组态方法，用来解释多重并发因果关系（Fiss，2011），是管理、营销、创新等领域解决因果关系复杂性的重要工具（杜运周等，2021）。数字经济背景下，制造企业的服务创新路径探索适合用QCA 方法分析。首先，QCA是结果导向的，可以识别出产生高、非高服务创新绩效的不同条件组态，相较于传统的定量研究方法对单一要素净效应的分析，fsQCA 能够有效揭示数字经济背景下制造企业服务创新的多元路径以及内外部前因要素间的联动效应。其次，可以检验产生高和非高服务创新绩效的因果非对称性。相较于csQCA和mvQCA，fsQCA 采用了隶属度分配方法，侧重于研究内外部前因条件在不同程度上的变化对服务创新绩效的影响，提高了研究质量。最后，fsQCA对样本量的要求相对较低，特别适合对中小样本的分析。

（二）研究样本和数据

本研究在正式发放问卷之前，通过系列访谈了解到数字化部、信息管理、研发部门等制造企业的管理者可成为本研究的潜在调研对象，他们能够深度参与数字化转型与服务创新。同时，样本企业须来源于服务型制造较发达的地区，且提供产品延伸服务超过2 年、数字化转型超过1 年的制造企业。本文采取滚雪球式的抽样方法，通过实地走访现场，并通过向大型科技园或产业园发放问卷和发送微信链接等方式对制造企业数字化部门经理、信息经理、研发部门经理等中高层管理者进行调研，总计发放调查问卷245 份，回收206份，剔除无效问卷（题项回答雷同、矛盾、填写时间较短等）后，最终得到有效问卷178 份，有效回收率为72.65%。样本基本情况如表1 所示，可知企业的年限、规模、性质及行业分布较为均匀。

表1 样本特征

（三）变量测量

为提高变量测量的有效性和分析的准确性，本文采用当前被广泛认可的成熟量表对研究变量进行测量，反复修正并构建了适用于本研究情境下的Likert五级量表。

1.数字化能力。参考Zhou 和Wu（2010）、Khin 等（2018）的研究成果，通过以下5 个题项进行测量：获取重要的数字技术，发现新的数字机会，积极应对数字转型，掌握最先进的数字技术，利用数字技术开发创新产品/服务/流程。

2.组织学习能力。借鉴Baker 等（1999）的研究成果通过以下3 个题项进行测量：学习能力是本单位的竞争优势，通过学习改进工作是最主要的价值观之一，将学习视为组织生存的必要条件。

3.资源协奏能力。参考Sirmon 等（2011）、Wang等（2020）的研究成果，从构造、绑定和运用三个方面进行测量：吸收各类知识和资源的能力，整合各类知识和资源的能力，利用各类知识和资源的能力。

4.环境的不确定性。参考Jaworski 和Kohli（1993）的研究成果，将其划分为技术不确定性和市场不确定性两个维度，每个维度由3 个题项进行测量。技术不确定性包括以下3 个题项：可以在行业内通过技术突破使新产品/服务的创意成为可能，所在行业的技术变革速度非常快，所在行业内的核心产品技术日新月异。

5.服务创新绩效。参考Cooper 和Kleinschmidt（2007）的研究，从客户、服务收入、行业影响、成本控制四个方面进行测量，相应的题项包括：新服务质量达到了客户预期的目标，服务收入所占比例不断增长，设计的服务对行业有很大影响，设计的服务符合预期成本。

（四）信度效度检验

如表2 所示，信度检验方面，各潜变量的Cronbach'α 系数值和组合信度CR 均大于0.8，两指标均超过信度检验的良好阈值水平（0.8），说明量表的内部一致性较高。效度检验方面，各题项的因子载荷均大于0.6，平均方差萃取值均大于0.5，说明问卷的聚合效度较好；同时，χ2/df=1.141，RMSEA=0.028，CFI=0.988，NFI=0.931，IFI=0.988，GFI=0.910，说明模型拟合度较好。因此，问卷具有较高的信效度。

表2 信效度分析结果

（五）校准

校准是将原始数据转化为0-1 集合隶属度的表达形式（Fiss 等，2011）。本文数据来源于问卷调查，采用Likert五级量表，遵循fsQCA 方法对定距类数据校准的操作标准，参考Fiss 等（2011）和Misangyi 等（2017）的做法采用三值模糊集，并结合样本的实际分布特征将最大值、平均值和最小值设定为完全隶属、交叉点、完全不隶属三个校准锚点，并利用fsQCA 软件完成对所有原始数据的校准。具体如表3所示。

表3 校准

四、数据分析

（一）必要条件分析

在组态路径分析之前，有必要对前因条件展开必要性检验。杜运周等（2020）的研究认为，如果一致性系数大于0.9，则一般可将前因条件视为结果的必要条件。由表4 可知，数字化能力、组织学习能力、资源协奏能力、技术不确定性与市场不确定性的一致性均低于0.9，说明任何单一因素均不是制造企业服务创新的必要条件。因此，有必要将前因变量纳入组态分析中。

表4 必要条件分析

（二）组态分析

在完成校准和必要条件分析后，采用fsQCA3.0 对制造企业服务创新的前因组态进行定性比较分析。首先，构建真值表，得到制造企业服务创新前因条件的不同组态，本文共涉及5个前因条件，共形成25个不同的逻辑组合。然后，参考Ragin（2008）的做法将案例频数设置为原始案例数的1.5%，本文共有案例数178 个，因此将频数确定为3，并保留样本数大于3 的逻辑条件组合；最后，参考Fiss 等（2011）和杜运周等（2020）的做法将原始一致性的阈值设定为0.8，PRI 一致性阈值设定为0.7，并对保留的逻辑条件组合进行重新编码，最终得出引致高服务创新绩效的3 个前因组态：外部环境驱动型、技术—双元能力促进型、市场—资源协同型，以及2 条非高服务创新组态：动态能力缺失型、技术—资源缺失型。由表5 可知，5 个组态的一致性分别为0.880、0.923、0.833、0.871和0.892，总体一致性为0.865与0.884。高服务创新绩效的总体覆盖度为0.612，非高服务创新绩效的总体覆盖度为0.515。

表5 制造企业服务创新的组态分析

1.产生高服务创新绩效的路径分析。

（1）外部环境驱动型。具体是指在路径H1 中，技术不确定性和市场不确定性作为制造企业服务创新的核心因素，数字化能力是辅助条件。组态1 反映了当外部的技术、市场不确定性较高，并适配一定程度的数字化能力可作为解释高绩效的充分条件，将该组态命名为外部环境驱动型。因为相较于传统的制造部门，企业的服务化业务更依赖于利用数字技术对市场信息的及时处理和对客户需求的及时响应（罗建强等，2020）。因此，制造企业应利用数字化转型契机，快速获取新技术、新信息、新知识，精准预测消费偏好，以开发新产品和新服务。同时，在复杂动态的外部环境下，制造企业通过提升数字化能力，持续动态监控市场环境，并根据客户需求重构业务流程，增强企业运营活动的敏捷性及服务创新效率。该组态的一致性为0.880，原始覆盖度为0.281，说明该组态能够解释28.1%的样本企业服务创新案例。该组态的案例企业中，陕西汽车控股集团有限公司（简称“陕汽集团”）是一家从事重卡制造及汽车零部件研发、生产销售的企业，面对市场需求的不确定性及数字化转型的浪潮，陕汽集团持续关注客户经营全过程，创新开展车联网数据服务（天行健）、TCO 托管服务等一系列增值服务业务，并依托数字技术与产业链成员构建共生共赢商用车产业生态圈。外部环境的驱动成为该企业服务创新的重要因素。

（2）技术—双元能力促进型。具体是指在路径H2中，数字化能力、资源协奏能力和技术不确定性作为制造企业服务创新的核心因素，市场不确定性则是辅助因素。在这一构型中，企业通过将新一代信息技术应用在产品研发设计、生产、企业管理和客户关系维护等价值链环节，打破了信息孤岛，实现了数据和知识在企业内部的充分交流和共享。同时，数字化能力有利于企业实时洞察外部环境机会与威胁，并帮助企业发现数字推动经济发展的机会，从而前瞻性地布局市场。而资源协奏能力可以针对外部发展机会，加速对现有资源的重构，促使企业不断获取、吸收并利用内外部知识和资源，为服务创新提供必要的“资源池”。因此，企业只有在其资源、知识与能力以互补的方式布署时，才能充分释放资源与能力的全部潜力，该研究结论与Helfat 等（2009）的结论一致。该组态的一致性为0.923，原始覆盖度为0.451，说明该组态能解释45.1%的样本企业服务创新案例。该组态的典型案例中，江苏鱼跃医疗设备股份有限公司（简称“江苏鱼跃”）是一家医疗器械企业，其核心竞争力来源于智能制造新模式，主要是通过构建“智慧鱼跃”大数据服务平台进行智能运维、在线监测，以及故障自诊断等不断提升数字化能力与资源协奏能力，为传统医疗器械产业持续发展提供了可参考样本。

（3）市场—资源协同型。具体是指在路径H3 中，资源协奏能力和市场不确定作为制造企业服务创新的核心因素，在这一路径中即使缺乏数字技术也能帮助企业实现理想的服务创新绩效。这一构型可以解释制造企业在服务创新的过程中面临资源短缺的困境。外部市场需求的变化迫使制造企业从产品主导逻辑向服务主导逻辑转变，也促使企业对资源协奏的实施。通过对现有资源的再配置或与新资源的重新组合，可以创造出全新的资源组合方案，提升了资源使用的灵活性，确保企业以较快的速度、较低的成本获得服务创新所需的资源。同时，协奏的及时性会带来良好的顾客消费体验，有利于增强顾客对企业的认同感。该组态的一致性为0.833，原始覆盖度为0.377，说明该组态能解释37.7%的样本企业服务创新案例。该组态的典型案例中，陕西博菲特流体控制装备制造有限公司（简称“博菲特”）是一家主营工业阀门、航空航天阀门、管线控制设备等的设计和制造及零部件委托加工的装备制造企业。面对客户对产品技术参数及安全性的重视及差异化定制需求，博菲特与延长石油集团、陕西燃气集团、陕西煤业等上下游企业建立了良好的合作关系，并与吉林大学、西北工业大学签订合作协议，通过成果转化、资源共建共享成为零泄漏阀门制造商与能源控制系统解决方案服务商。

2.产生非高服务创新绩效的路径分析。

（1）动态能力缺失型。具体是指在路径L1 中，数字化能力、组织学习能力与资源协奏能力三种核心因素缺失，即使有技术的辅助存在，也会导致较低的服务创新绩效。原因在于，虽然数字技术的发展为制造企业服务化转型提供了良好的契机，然而因为企业自身能力不足，不能有效利用信息技术动态感知市场需求，导致现有组织资源、能力与市场需求无法精准匹配，从而降低了对市场的响应能力；组织学习能力的缺乏降低了企业的知识获取和吸收，导致企业不能及时识别服务缺陷或运营障碍，增加了运营的风险；企业还缺乏对内外部资源及流程的有效整合、更新，过度依赖组织惯性使商业模式趋于僵化，降低了组织柔性和创新主动性，从而限制了价值创造活动。

（2）技术—资源缺失型。具体指在路径L2 中，技术不确定和资源协奏能力核心缺失，组织学习能力以边缘条件形式存在会导致服务创新绩效的低下。原因在于：一方面企业面临的外部环境不鼓励技术创新，对自身的数字基础设施、管理及大数据人才培养的重视程度不够，导致企业难以利用技术变革的机遇优化产品结构和管理服务流程，制约了企业的服务创新；另一方面，技术创新不足还制约了企业对开放式创新生态的构建，不利于合作伙伴之间的信息交流共享与异质性知识获取；同时，企业缺乏对内外部知识和资源整合和利用，降低了新服务开发的效率及市场响应的能力。

3.稳健性检验。本文通过调整一致性阈值的方法进行稳健性检验。借鉴张明（2020）的做法将一致性阈值由0.8调整到0.85，结果显示：高绩效的组态中，一致性水平及解的覆盖度均未发生变化；非高绩效的组态中；总体解的一致性略有升高（0.922），解的覆盖度略有下降（0.453），但路径与之前完全一致。综上所述，本文结论具有稳健性。

五、结语

（一）研究结论

本研究遵循“外部环境—内部能力—协同联动”的逻辑，以178 家服务型制造企业为研究对象，基于协同理论确定了制造企业服务创新的关键因素，利用fsQCA 方法从内外部层面探究数字经济背景下制造企业服务创新的影响机制，得到如下结论：

第一，制造企业的服务创新不是由单一要素驱动的，而是由技术和市场的外部“推力”以及数字化能力、组织学习能力、资源协奏能力的内部“拉力”相互作用驱动的。必要性分析结果表明，各个前因条件的一致性均低于0.9，说明任何单一因素均不是服务创新的必要条件。这一结论在一定程度上揭示了制造企业服务创新的复杂性，制造企业的服务创新是内外部因素协同联动的结果。

第二，产生高服务创新绩效的路径有3 条：外部环境驱动型、技术—双元能力促进型、市场—资源协同型。路径H1（外部环境驱动型）中，技术和市场的不确定性是影响制造企业服务创新的核心条件，当外部的技术、市场不确定性较高，并适配一定程度的数字化能力可作为解释高绩效的充分条件。路径H2（技术—双元能力促进型）则需要外部技术环境、内部数字化能力与资源协奏能力的有效匹配以实现较高的服务创新绩效。该组态表明，较高的服务创新绩效需要制造企业充分利用数字化转型的契机“修炼自身内功”，提升数字化能力和资源协奏能力，通过“内外兼修”实现服务创新。路径H3（市场—资源协同型）是以市场不确定性和资源协奏能力为核心条件，辅助一定的组织学习能力的适配模式。该组态表明外部市场的不确定性与资源协奏能力发挥核心作用，组织学习能力发挥补充性作用，由此构成的条件组态会诱发高服务创新绩效。

第三，产生非高服务创新绩效的路径有2 条，分别是核心能力缺失型与技术—资源缺失型。路径L1（核心能力缺失型）中，数字化能力、组织学习能力与资源协奏能力三种核心因素缺失，即使有技术不确定的辅助推动，也会导致较低的服务创新绩效。该组态表明，自身核心能力不足是导致低绩效的充分条件。路径L2（技术—资源缺失型）中，技术不确定性和资源协奏能力核心缺失，组织学习能力以边缘条件形式存在，会导致服务创新绩效的低下。由此可知，导致制造企业服务创新的原因呈现非对称性特征。

（二）研究启示

一是重视外部环境的影响。面对充满竞争、动荡及模糊性的市场环境，制造企业应抓住数字化转型契机，不断优化产品结构和服务流程，增强组织柔性和市场需求的响应能力，以更好地识别服务机会并提供新的价值主张。二是制造企业应从战略高度重视对数字化能力、资源协奏能力与组织学习能力的塑造，充分发挥大数据在科学预测消费偏好、精准靶向决策、产品服务研发、远程运维监控等方面的作用；通过构建数字化平台与外部合作伙伴建立共生关系，有利于异质性资源与知识的获取、整合和利用，为企业服务创新提供必要的资源和能力支持；同时，构建学习型组织，企业内部应重视员工的学习能力的提升，通过向员工提供发展及成长诱因（如授权、良好的职业发展机会等）汇集员工的巧思、巧创，提升企业的服务创新能力。三是提升企业的市场响应意识及内外部资源的管理能力，通过对零散、冗余的资源进行重新组配，形成柔性的资源使用机制，有效应对企业在服务创新中出现的资源困境。

（三）不足与展望

本文的不足体现在：一是前因变量存在挖掘空间。本研究只关注环境不确定性和内部能力对企业服务创新的影响。未来可以基于不同的理论角度深入挖掘其他前因条件，如企业网络、组织柔性等，探索数字经济背景下制造企业服务创新的多元机制。二是样本可以进一步优化。本文数据主要来自于制造业较发达的省份的多个细分行业，未来可以通过增加不同区域的样本增强结论普适性。另外，还可以深入挖掘各细分行业在数字经济背景下服务创新的具体规律，细化研究粒度以提升结论的现实指导价值。

【 主要参考文献】

陈菊红，张睿君，张雅琪.服务化战略对企业绩效的影响——基于商业模式创新的中介作用［J］.科研管理，2020（4）：131 ～139.

董华，陈蕾.大数据驱动下服务型制造超网络的价值共创——以小米为例［J］.财会月刊，2021（20）：111 ～119.

杜运周，李佳馨，刘秋辰，赵舒婷，陈凯薇.复杂动态视角下的组态理论与QCA方法：研究进展与未来方向［J］.管理世界，2021（3）：180 ～197+12-13.

杜运周，刘秋辰，程建青.什么样的营商环境生态产生城市高创业活跃度？——基于制度组态的分析［J］.管理世界，2020（9）：141 ～155.

孟佩，徐宏毅.国外服务创新研究综述及展望［J］.财会月刊，2022（6）：119～125.

苏敬勤，刘静.复杂产品系统制造企业的动态能力演化：一个纵向案例研究［J］.科研管理，2013（8）：58 ～67.

赵宸宇.数字化发展与服务化转型——来自制造业上市公司的经验证据［J］.南开管理评论，2021（2）：149 ～163.

Agarwal R.，Dugas M.，Gao G.G..Emerging technologies and analytics for a new era of value-centeredmarketing in healthcare［J］.Journal of the Academy of Marketing Science，2020（1）：1 ～15.

Akter S.，Motamarri S.，Hani U.，et al..Building dynamic service analytics capabilities for the digital marketplace［J］.Journal of Business Research，2020（118）：177 ～188.

Amabile T.M.，Conti R.，Coon H.，et al..Assessing the work environment for creativity［J］.Academy of Management Journal，1996（5）：1154 ～1184.

Baum J.A.C.，Oliver C..Toward an institutional ecology of organizational founding［J］.Academy of Management Journal，1996（5）：1378 ～1427.

Chadwick I.C.，Raver J.L..Motivating organizations to learn：Goal orientation and its influence on organizational learning［J］.Journal of Management，2015（3）：957 ～986.

Connell J.，Kriz A.，Thorpe M..Industry clusters：An antidote for knowledge sharing and collaborative innovation？［J］.Journal of Knowledge Management，2014（1）：137 ～151.

Cooper R.G.，Kleinschmidt E.J..Winning businesses in product development The critical success factors［J］.Research-Technology Management，2007（3）：52 ～66.

Coreynen W.，Matthyssens P.，Van Bockhaven W..Boosting servitization through digitization：Pathways and dynamic resource configurations for manufacturers［J］.Industrial Marketing Management，2017（1）：42 ～53.

Dutot V.，Bergeron F.，Raymond L..Information management for the internationalization of SMEs：An exploratory study based on a strategic alignment perspective［J］.International Journal of Information Management，2014（5）：672 ～681.

Fisher G..Effectuation，causation，and bricolage：A behavioral comparison of emerging theories in entrepreneurship research［J］.Entrepreneurship Theory and Practice，2012（5）：1019 ～1051.

Fiss P.C..Building better causal theories：A fuzzy set approach to typologies in organization research［J］.Academy of Management Journal，2011（2）：393 ～420.

He J.，Fang X.，Liu H.，et al..Mobile app recommendation：An involvement-enhanced approach［J］.MIS Quarterly，2019（3）：827 ～849.

Jaworski B.J.，Kohli A.K..Market orientation：Antecedents and consequences［J］.Journal of Marketing，1993（3）：53 ～70.

Li D.，Liu J..Dynamic capabilities，environmental dynamism，and competitive advantage：Evidence from China［J］.Journal of Business Research，2014（1）：2793 ～2799.

Liu C.，Ji H.，Ji J..Mobile information technology's impacts on service innovation performance of manufacturing enterprises［J］.Technological Forecasting and Social Change，2022（184）：121996.

Loebbecke C.，Picot A..Reflections on societal and business model transformation arising from digitization and big data analytics：A research agenda［J］.The Journal of Strategic Information Systems，2015（3）：149 ～157.

Lu L.Y.Y.，Yang C..The R&D and marketing cooperation across new product development stages：An empirical study of Taiwan's IT industry［J］.Industrial Marketing Management，2004（7）：593 ～605.

Matarazzo M.，Penco L.，Profumo G.，et al..Digital transformation and customer value creation in Made in Italy SMEs：A dynamic capabilities perspective［J］.Journal of Business Research，2021（123）：642 ～656.

Mikalef P.，Boura M.，Lekakos G.，et al..Big data analytics capabilities and innovation：The mediating role of dynamic capabilities and moderating effect of the environment［J］.British Journal of Management，2019（2）：272 ～298.

Misangyi V.F.，Greckhamer T.，Furnari S.，et al..Embracing causal complexity：The emergence of a neo-configurational perspective［J］.Journal of Management，2017（1）：255 ～282.

Olden J.D.，Jackson D.A..Illuminating the“black box”：A randomization approach for understanding variable contributions in artificial neural networks［J］.Ecological Modelling，2002（1-2）：135 ～150.

Ragin C.C..Redesigning social inquiry：Fuzzy sets and beyond［M］.Chicago：University of Chicago Press，2008.

René C.，Julia H.，Antonio M.P.，Alfredo D.M.，Kurt M..A motivation and ability perspective on engagement in emerging digital technologies：The case of internet of things solutions［J］.Long Range Planning，2020（3）：56 ～72.

Sirmon D.G.，Hitt M.A.，Ireland R.D.，et al..Resource orchestration to create competitive advantage：Breadth，depth，and life cycle effects［J］.Journal of Management，2011（5）：1390 ～1412.

Storey C.，Cankurtaran P.，Papastathopoulou P.，et al..Success factors for service innovation：A meta analysis［J］.Journal of Product Innovation Management，2016（5）：527 ～548.

Teece D.J.，Pisano G.，Shuen A..Dynamic capabilities and strategic management［J］.Strategic Management Journal，1997（7）：509 ～533.

Wang J.，Xue Y.，Yang J..Boundary spanning search and firms' green innovation：The moderating role of resource orchestration capability［J］.Business Strategy and the Environment，2020（2）：361 ～374.

Wilden R.，Gudergan S.P..The impact of dynamic capabilities on operational marketing and technological capabilities：Investigating the role of environmental turbulence［J］.Journal of the Academy of Marketing Science，2015（2）：181 ～199.

Yu W.，Wong C.Y.，Chavez R.，et al..Integrating big data analytics into supply chain finance：The roles of information processing and data-driven culture［J］.International Journal of Production Economics，2021（236）：108135.

Zeng B.，Zhu L.，Yao X..Policy choice for end-of-pipe abatement technology adoption under technological uncertainty［J］.Economic Modelling，2020（87）：121 ～130.

Zhou K.Z.，Wu F..Technological capability，strategic flexibility，and product innovation［J］.Strategic Management Journal，2010（5）：547 ～561.