忘却学习视角下企业数字化转型的多重路径分析——基于机器学习算法

方 刚，高 安

（杭州电子科技大学管理学院，浙江杭州 310018）

当前有大量的企业开展数字化转型，但其中仍有近七成企业的转型实践以失败告终［1］。当前研究企业如何实现数字化转型的文献数量也日益增加，但多是从资源和能力层面展开讨论，忽视了组织学习这一更深层次的驱动因素［2］，而从组织学习的角度探讨企业如何实现数字化转型或许能为解决当前我国传统企业数字化转型难的问题提供新思路。不同于渐进性的技术和管理创新，企业数字化转型是由工业化向数字化、智能化转变的根本性变革［3］，企业必须主动抛弃在以往范式下所积累的过时的观念和惯例，并主动学习适用于数字技术范式下的新技术、新思想［4］，通过忘却学习实现组织知识的更新［5］。因此，研究企业如何通过忘却学习实现数字化转型具有理论和实践意义［6］。然而现有相关文献中存在一些欠缺：一是大多是俯瞰性的结论，难以“对症下药”。普适性的数字化转型路径不能充分考虑到企业个体间的差异，会导致数字技术和企业难以实现有机融合，在个别企业中甚至产生了负作用［7］。二是大多将数字化转型作为单一变量进行研究，忽视了数字化转型是一个漫长且充满试错的过程［8］，事实上，数字化转型的阶段性特征十分明显［9］。因此，识别不同企业的特征及其转型所处的阶段，回答“何种类型的企业在何种阶段适合采用何种学习方式来实现数字化转型”的问题，为企业提供具体而有针对性的转型指导是本研究的主要目的。

1 研究背景

行业数字化程度与地区数字经济发展水平是影响企业数字化转型决策的重要外部因素［10］，来自业内激烈的竞争或是地区政策导向与制度压力常使企业面临进退两难的抉择。同样的，企业年龄等来自企业内部的因素同样会影响其创新活动［11］。然而，即使企业最终决定开展数字化转型，并非能够一蹴而就，漫长的转型之路要求企业制定明晰的战略规划和科学的转型节奏［12］。纵观当前企业的数字化转型路径，基本遵循“设计—实施—反馈”三阶段［9］。因此，在现有文献基础上将行业数字化程度、地区数字经济发展水平以及企业年龄作为企业类型的划分依据，将战略制定、转型实施、评估迭代作为企业转型的3 个阶段，利用机器学习算法获取不同类型的企业在转型不同阶段采用的学习方式。

那么，为什么要采用机器学习算法来进行研究？首先，相关实证研究常用的回归模型需要假设变量之间具有特定的函数形式（如线性或“U”型），但仅通过线性回归或结构方程等线性关系来验证假设的方式在合理性方面本就存疑［13］，简单的函数形式也常使研究结论难以解释样本之外的案例；相比之下，机器学习方法无需事先设定函数形式，在大样本情形下能够发掘出更为复杂的规律，提升结论的泛化能力。其次，尽管机器学习方法使得变量间的函数关系成为“黑箱”，但仍为我们提供了验证理论假设的新途径：不同于传统回归方法比较函数中自变量系数的方式，机器学习方法能够通过输出变量，在模型中对结果准确性的贡献度来反映不同学习方式对数字化转型的重要程度［14］，从另一角度实现研究目的。

2 理论分析与研究假设

2.1 地区数字经济发展水平对企业数字化转型的影响

地区数字经济发展水平对企业数字化转型的影响在于两方面。一是地区制度压力的推动。数字经济发展水平较高的地区往往拥有完善的数字基础设施，地区内企业开展数字化转型具有成本优势，同时当地政府往往会为企业提供扶持性与引导性政策，吸引区域内大量企业开展数字化转型，逐步形成区域数字化制度和数字化生态系统［15］；此后，数字化制度压力推动区域内其他企业通过数字化转型融入生态系统而避免被淘汰。二是地区同群企业的拉动。体现在区域内的竞争使得企业倾向于通过模仿对手的行为而避免自身失去竞争优势［16］，对于数字经济发展水平高的地区，当竞争对手尤其是地区龙头企业选择数字化战略时，同群其他企业基于降低决策风险的考虑往往会选择跟随。综上提出假设：

H1：地区数字经济发展水平是影响企业数字化转型决策的因素之一。

2.2 行业数字化程度对企业数字化转型的影响。

行业数字化程度对企业数字化转型的影响在于两方面。一是行业数字化程度影响企业实现数字化转型的管理模式跨度。如处于建筑业、运输业等数字化程度较低行业的企业中，科层制的组织架构、追求稳定的组织文化十分常见，这使得这类企业缺乏战略柔性，当数字化带来的冲击尚未打破行业稳定，数字化转型对提高企业绩效的影响尚不明朗，贸然抛弃多年积累的观念和惯例并不被企业管理者接受［17］；而对于软件和信息技术服务业等数字化程度高的行业，产品迭代快、竞争强度大的特点促使行业内大量企业形成扁平高效的组织结构以及拥抱创新的组织文化，当行业内竞争对手的数字化转型带来示范效应，往往会有很多企业对其进行学习和模仿并逐渐实现同质化和规范化，而那些不主动跟随的企业将面临被行业淘汰的风险［10］。二是行业数字化程度影响实现转型的技术跨度。对于行业数字化程度低的企业，其原有技术标准、生产规范等知识和惯例在转型过程中的复用程度低，更宽的技术跨度意味着更高的风险和试错成本，挑战了多个部门的利益，使得自上而下的转型战略往往难以推行［18］；而对于行业数字化程度高的企业，其业务对于数字技术的依赖程度高，数字化转型带来的技术跨度小，较高的投入产出效率有助于各部门利益达成一致，便于企业开展新设备的购置与建造、信息系统的建设和技术知识的培训学习，实现全局性的数字化转型［19］。综上提出假设：

H2：行业数字化程度是影响企业数字化转型决策的因素之一。

2.3 企业年龄对企业数字化转型的影响

企业年龄能够代表其行业经验的丰富程度［20］，通常而言，年龄越大的企业所拥有的资源和经验越丰富。但对于数字化转型等技术创新活动来讲，年龄因素或许会对企业产生倒“U”型影响。具体而言，年龄较小的初创企业，其行业实力和经验有所欠缺，研发投资风险更大［20］，但路径依赖程度低，对于先进的数字化技术和知识具有很强的吸收能力；而年龄较大的老牌企业，在传统行业多年的深耕使其形成独有的技术和管理体系，拥有较强的处理不确定性的能力，但所积累的技术壁垒在其数字化转型时往往形成阻碍［11］，制约转型活动的开展。综上提出假设：

H3：企业年龄是影响企业数字化转型决策的因素之一。

2.4 忘却学习——企业数字化转型的有效途径

以往从资源能力视角探讨数字化转型的实现路径往往局限在具体的资源或能力，从而得出较为片面的结论［2］。组织学习是实现企业数字化转型这一跨范式变革的重要方式［3］，企业在学习新知识前需要首先对不再适用的旧知识进行忘却，才能表现出更强的适应性和创新性。本研究中所指的忘却学习，既包括对旧知识的抛弃，也有对新知识的主动学习，并沿用Gabriel 等［21］学者的划分方式，将忘却学习分为利用式忘却学习和探索式忘却学习。综上提出假设：

H4：企业数字化转型会开展利用式忘却学习。

H5：企业数字化转型会开展探索式忘却学习。

3 研究设计

3.1 研究方法

首先运用文献分析法总结企业在数字化转型过程中的相似行为，将企业数字化转型划分为3 个阶段，其次运用K-means 算法将数字化转型企业依据行业数字化程度、地区数字经济发展水平和企业年龄3 个维度划分不同群组，最后运用轻量级梯度提升机算法（light gradient boosting machine，LightGBM）分别构建两类忘却学习对企业数字化转型不同阶段影响关系模型，通过自变量（两类忘却学习）在各个模型中的贡献度（贡献度越高，该变量对于结果的影响程度越大）来解释不同类型企业在不同的转型阶段适合开展的学习方式。

3.2 企业数字化转型的阶段划分

现有关于转型阶段的研究方法主要可归纳为案例研究法和归纳总结法，分别有如陈国权等［22］和Ekman 等［23］的研究，前者通过对单个企业的数字化转型进行详细的案例分析，得出其具体行为路径，能够为目标企业提出有针对性且详细的建议，但缺乏普适性；后者通过汇总多家企业数字化转型相关的文献或案例，提炼企业间相似的行为特征并总结为阶段模型，尽管对于具体阶段的命名有差异，但普遍遵循“设计—实施—反馈”的分析逻辑。因此，本研究在运用归纳总结法的相关文献基础上，将企业数字化转型划分为战略制定、转型实施、评估迭代3 个阶段（见图1）。在战略制定阶段，管理者抛弃陈旧的观念，吸纳更加开放的文化和思想，设立长远的数字化转型目标，优化组织结构并营造变革的氛围；在转型实施阶段，企业抛弃传统低效的工作流程，引入信息化资产搭建数字基础设施，并学习利用数字技术解决业务问题；在评估迭代阶段，企业通过评估数字化转型的成果与不足，发现业务流程中尚未优化的环节，进一步除旧布新。

图1 企业数字化转型的阶段划分

3.3 样本选择和数据来源

鉴于我国企业数字化转型热潮的掀起始于2016年G20 峰会之后，因此选取2017—2021 年A 股上市企业为样本，数据来源于CSMAR 数据库、国家统计局和国家工业信息安全发展研究中心。在获得26 428 条初步数据后，依下列次序进行数据处理，共获得1 353 家企业2 401 条样本数据。

（1）去除标记为ST、*ST、PT 的异常企业样本；

（2）去除资产负债率大于1（资不抵债）的样本；

（3）去除存在数据维度缺失的样本；

（4）去除距离样本均值超过3 倍标准差的极端值；

（5）去除互联网行业的企业（认为此类企业本身数字化程度较高，未开展数字化转型）；

（6）去除年报中数字化转型相关词频为0 的样本（认为此类企业未开展数字化转型）。

3.4 变量测量方式

3.4.1 聚类维度

（1）行业数字化程度（IDT）。借鉴陈玉娇等［10］的测量方式，采用企业所处行业对计算机制造业和信息服务行业的完全消耗系数（计算机制造业和信息服务业投入到各行业的中间品占各行业增加值的比重）作为行业数字化程度指标。

（2）地区数字经济发展水平（RDT）。我国国家工业信息安全发展研究中心［24］发布的《全国数字经济发展指数（2021）》显示，31 个省区市（未含港澳台地区）的数字经济发展水平同当地人均生产总值（GDP）高度正相关，因此取企业所在省区市2017—2021 年的人均GDP 作为地区数字经济发展水平指标。

（3）企业年龄（AGE）。借鉴郑登攀等［11］的测量方式，采用企业从注册年份到2021 年的时间。

由于上述数据在各个维度内不存在极端值，但不同维度间的量纲差异较大，因此适合采用归一化处理，将各维度数据均转化为［0,1］之间的变量。

3.4.2 特征变量

（1）利用式忘却学习（LW）和探索式忘却学习（TW）。知识在组织中有不同的载体，或存在于专利、技术手册中，或物化在机器设备上，组织知识存量的变动通常以资产变动的形式体现［25］。利用式忘却学习意味对旧知识的抛弃，因此选用（企业处置固定资产、无形资产和其他长期资产收回的现金净额）/总资产来测量；探索式忘却学习意味对新知识的吸收，因此选用（企业购建固定资产、无形资产和其他长期资产支付的现金净额）/总资产来测量。

3.4.3 结果变量

（1）战略制定（DS）。企业的战略规划会在其年报中体现，对上市企业年报进行文本分析可以了解其战略导向，因此以企业年报文本中与数字化转型相关词的词频表示［26］。表1 列举了数字化转型企业在战略制定阶段所采用的关键词。

表1 企业数字化转型相关关键词

（2）转型实施（DZ）。转型实施阶段主要测算数字基础设施（计算机、电子设备、信息系统等软硬件资产）在企业中的应用程度，因此沿用刘飞［26］的测量方式，以企业本年度购进数字资产占总资产的比例作为指标。

（3）评估迭代（DP）。评估迭代阶段主要测算数字化转型对企业绩效的影响程度。有文献指出，企业数字化转型带来的积极或消极效应均会反映到其经济效益指标上,但该影响存在滞后性［27］。考虑到企业规模的不同，在刘淑春等［27］测量利润额的基础上，以（企业t+1 期净利率-t期净利率）（t为年份）作为测算指标。

3.5 K-means 聚类分析

借助基于Python 语言的机器学习库Scikit-learn实现K-means 聚类分析，从行业数字化程度、地区数字经济发展水平以及企业年龄3 个维度确定样本在空间中的位置，并以此对群体进行聚类。

3.5.1 群组个数的选择

由于K-means 算法需要人为事先规定k值（聚类簇数），主观为k赋值往往带来聚类结果的不科学性，因此Rousseeuw［28］提出通过计算轮廓系数（silhouette coefficient，SC）来评价聚类结果的好坏，当前k 值下的轮廓系数越大，意味聚类效果越好（不同群组间的差异最大）。基于样本数据，通过对k分别在［2,10］区间内赋值并计算各自的轮廓系数，得出不同k值下的轮廓系数的变化趋势，结果如图2 显示，当k取3 时聚类效果最好，因此选取k=3 开展分析。

图2 不同k 值下样本数据的轮廓系数

3.5.2 K-means 聚类结果

将参数k=3 输入聚类模型，运行后聚类结果如图3 所示。

图3 样本数字化转型企业的聚类结果

聚类中心能够反映不同群组在空间中的分布情况，表2 展示了样本企业聚类结果中各群组的聚类中心坐标。结果显示：群组1 表现为高行业数字化程度与高地区数字经济发展水平；群组2 表现为高行业数字化程度与低地区数字经济发展水平；群组3 表现为低行业数字化程度与高地区数字经济发展水平。值得一提的是，3 类群组在企业年龄维度下均表现出较为中间的水平，这在一定程度上验证了年龄因素对企业创新绩效的倒“U”型影响。一种可能的原因是，企业年龄通常能够反映企业的行业经验［20］，尽管丰富的行业经验意味着企业具有高超的技术能力和较多的资源，但对于成熟企业来讲，限制其后期发展的反而是技术刚性问题［11］。同样的，初创型企业受制于较差的技术创新和抗风险能力，也注定会在数字化转型上表现出犹豫，因此，行业追随者企业或许成为转型机会窗口的主要受益者，组成数字化转型的主力军。

表2 样本数字化转型企业各群组的聚类中心坐标

在限定企业年龄维度的前提下，根据样本企业各群组在行业数字化成熟度、地区数字经济发展水平维度下的不同水平，依次对其进行命名：

（1）行业和地区双赢型（群组1）。表3 展示了行业和地区双赢型企业的基本特征。此类企业占总样本的62.9%，是比重最高的群组，说明同时具有地区和行业双重优势的企业更倾向于数字化转型。此类企业主要特征表现为：一方面，处于珠三角、长三角以及直辖市等地区，当地数字经济发展水平高、数字基础设施完善、数字经济相关政策导向强；另一方面，深耕于软件和信息技术服务业、计算机、通信和其他电子设备制造业等科技水平含量高、产品更新迭代快、业内竞争压力大的高新技术行业，大多为高新技术行业领先者，较早嗅觉数字经济趋势并率先进行战略布局，注重前沿技术创新，在数字化转型方面具有很强的主动性，将数字化转型视为降本增效、带来持续竞争优势的有效途径。

表3 行业和地区双赢型数字化转型企业的基本特征

（2）行业优势型（群组2）。表4 展示了行业优势型企业的基本特征。此类企业在样本中的比例为21.6%，与行业和地区双赢型企业处在同一产业链，但企业规模相对较小，一般承担前者的资源供给者或代工方的角色，因此更加注重固定资产投入。行业的先进性和激烈的竞争氛围促使此类企业养成了较强的知识吸收能力，但其大多处于中西部地区，相较于前者往往受限于当地较为薄弱的数字基础设施和有限的政策红利。其转型动机源于行业和地区双赢型企业大量转型产生的业务带动效应，具有很强的跟随和模仿性。产业链数字化对此类企业的生产方式提出了新的要求，管理者逐渐感知到产业链带来的压力，当行业领先者提供了数字化转型的示范效应，模仿是此类企业提升竞争力的重要途径。

表4 行业优势型数字化转型企业的基本特征

（3）地区优势型（群组3）。表5 展示了地区优势型企业的基本特征。此类企业占据了15.5%，多数为经济发达地区传统行业的大型央国企及其生态企业，具有复杂的组织架构并面临较强的路径依赖。此类企业的数字化转型具有很强的被动性，源于发达地区新的数字化生态系统对企业的合法性约束以及制度压力，其较为复杂的组织架构以及数字化转型带来的跨越式技术变革也使其相对于前两类具有行业优势的企业群组面临更大的风险，因此不同于前两类企业追求数字化转型的效率，其更为看重数字化转型过程中组织和业务的稳定，同时较大的企业规模也使得其对于数字化转型成本的敏感度较低。

表5 地区优势型数字化转型企业的基本特征

3.6 LightGBM 回归分析

3.6.1 方法选择

采用机器学习LightGBM 算法对样本进行拟合，原因在于两方面：一方面，数字化转型是一种复杂且动态的变革，各要素的协同整合使得其难以通过基于函数关系构建的回归模型进行描述；另一方面，本研究的目的是探究不同类型企业在数字化转型各阶段中采用的主要忘却学习方式，最终组成企业数字化转型路径。借助机器学习模型虽然无法直接获取变量间的函数关系，但可以获取自变量间的相对重要性，自变量重要性越高则该变量对因变量的影响就越大［29］。因此，采用机器学习中LightGBM 回归算法分别对上述3 个群组各自3 个阶段共9 个回归模型进行拟合。

3.6.2 LightGBM 算法介绍

LightGBM 算法原理是将连续的浮点特征离散成k个值，并以此为基础构建直方图，随后遍历样本数据计算每个值在直方图中的累计量，找到最优的样本分割点［30］。相对于决策树算法，LightGBM 算法有训练速度和泛化能力的提升，对于样本之外数据的适应性更强，当前已成为用于解决回归问题的主流算法之一［29］。

3.6.3 LightGBM 算法模型参数选择

LightGBM 算法需要对模型参数进行调优，使得测试集的均方误差（mean square error，MSE）尽可能小。模型参数的调整采用控制变量法，每次控制其他参数不变，对单个参数进行调整，经多轮调试发现，模型评估指标并无显著提升。为避免过拟合现象以及增强不同模型间的可解释性，统一将所有模型固定选取参数，如表6 所示。

表6 LightGBM 算法模型参数取值

3.6.4 不同回归算法比较

同时选取XGBoost 算法、随机森林算法以及线性回归算法对样本变量数据进行拟合，将所得结果与LightGBM 算法进行对比，如表7 所示。其中MSE、均方根误差（root mean squared error，RMSE）、平均绝对误差（mean absolute error，MAE）指标均为越小则该算法拟合度越高，R2为越大则该算法拟合度越高［13］，表中数值为该算法下所有回归模型指标的均值。首先，通过对比各算法的训练集所得R2（0.808>0.514>0.250>>0.002）,可知复杂算法在对样本的拟合能力上显著高于线性回归算法，验证了本研究方法选取的合理性；其次，尽管XGBoost 算法在训练集的表现最好（R2=0.808），但其测试集所得R2<0，意味其对于样本外数据的预测能力甚至不如将样本均值作为预测值准确，说明XGBoost 算法出现了过拟合现象；最后，LightGBM算法在训练集和测试集的各项指标均表现最优或次优，因此选用LightGBM 算法。

表7 基于不同算法的样本数据的模型指标比较

3.6.5 LightGBM 算法训练结果

选取表6 设定参数分别对所有LightGBM 算法下的模型进行训练，将所得结果中特征重要程度汇总于表8，可知地区优势型企业在转型实施和评估迭代阶段开展探索式忘却学习的重要程度显著高于利用式忘却学习，说明行业的大幅跨越使得此类企业需要大幅引进新的资产、技术及管理模式，支撑其数字化转型；在其他情形下，企业开展两类忘却学习的重要程度并无显著差异，说明企业开展数字化转型应当注重稳中求进，不应开展大幅引进或抛弃的跃进行为。

表8 LightGBM 算法下样本数据模型结果的特征重要程度

值得一提的是，尽管样本企业在单个阶段内部开展两类忘却学习的重要程度相似，但随着发展阶段的推进，不同学习方式的重要性呈一定的变化趋势，且不同类型企业所展现的趋势具有明显差异。为了直观展现，将表8 以图4 形式展示。可看出，行业和地区双赢型企业在战略制定和转型实施阶段主要开展探索式忘却学习，而在评估迭代阶段主要开展利用式忘却学习；行业优势型企业在3 个阶段均以探索式忘却学习为主；地区优势型企业在战略制定阶段主要开展利用式忘却学习，在转型实施和评估迭代阶段主要开展探索式忘却学习。

图4 各类型样本企业在不同阶段开展两类忘却学习的程度和变化趋势

具体分析发现：（1）行业和地区双赢型企业与行业优势型企业的差别主要在地区因素。二者转型路径相似，在战略制定和转型实施阶段均以探索式忘却学习为主且程度相近，但行业和地区双赢型企业在评估迭代阶段开展探索式忘却学习程度迅速降低并转为以利用式忘却学习为主的学习方式，而行业优势型企业仍以探索式为主。一种可能的原因是，行业和地区双赢型企业属于主动求变，而行业优势型企业因为地区的差距，使得其在转型上面临更高的成本，当行业领头羊效应凸显时，此类企业更倾向于模仿领头企业数字化转型行为来规避风险，但模仿带来的滞后效应或许会打乱自身变革节奏［31］，导致后期不能有效识别自身知识冗余，因此不能及时转向利用式忘却学习。（2）地区优势型企业与行业和地区双赢型企业的差别主要在行业因素。二者转型路径差距较大，行业和地区双赢型企业采用先探索式忘却学习为主、后利用式忘却学习为主的忘却学习方式，而地区优势型企业则是先利用式忘却学习为主、后探索式忘却学习为主。较大的差异说明行业因素更能影响企业的数字化转型决策。一种可能的原因是，地区优势型企业对数字技术运用程度低，转型将要面临较强的技术刚性问题，传统的组织架构易于形成“知识孤岛”［32］，企业高层管理者需要在前期通过调整组织架构、领导变革等方式摆脱来自于内部的阻力［33］，为后期大幅开展探索式忘却学习奠定基础。表9 总结了各类型样本企业在数字化转型不同阶段主要的学习方式。

表9 各类型样本企业在数字化转型不同阶段主要的学习方式

4 结论与启示

4.1 研究结论与讨论

本研究以2017—2021 年度A 股上市企业为研究对象，采用K-means聚类方法，基于行业数字化程度、地区数字经济发展水平以及企业年龄3 个维度对样本划分群组，随后采用LightGBM 算法分别获取各群组在数字化转型不同阶段的学习方式，得出3 条路径。对结论总结并讨论如下：

第一，企业数字化转型受到所处行业数字化程度、所在地区数字经济发展水平以及企业年龄的影响，其中行业因素的影响最大。刘淑春等［27］曾指出，企业数字化转型成效受所处行业、企业规模等因素的影响，但未涉及因素间的对比，本研究结果表明，在开展数字化转型的企业当中，行业的差异使得企业的学习方式呈现近乎相反的表现，表明行业是影响企业转型行为的主要因素，这与陈玉娇等［10］、黄节根等［17］的结论相符；而李煜华等［7］将具有行业优势的企业定义为数字原生企业，相对于非原生企业，这类企业开展数字化转型存在技术和经验上的优势，更容易规避来自内部或外部的阻碍，采取更迅速的行动。

第二，行业和地区双赢型企业开展数字化转型时优先注重外部知识的获取，并逐渐将重心转移到过时知识的抛弃。对于行业和地区双赢型企业，行业的先进性使得其对于转型所需的新技术拥有较强的适应能力，同时地区的经济优势能够使其转型耗费更低的成本和风险、面临更小的内部阻力，从而吸引了大量同类企业开展数字化转型，产生了高强度的竞争。此外，企业在数字化转型中更倾向于率先引入数字化技术和先进的管理理念，当企业“站稳脚跟”后，数字化水平对企业绩效的提升作用将会表现出显著的边际递减效应［17］，此时将注重于通过调整组织架构或精简业务线来剔除那些多余的、不合适的知识，由追求知识的数量转向追求知识的质量。例如总部位于深圳、深耕于信息与通信技术行业的华为技术有限公司，其数字化转型经历了由前期数字技术的大量引入与创新，到后期合并和缩减已有价值链环节，形成高效的转型模式，并具备对外输出解决方案的能力［34］。

第三，行业优势型企业开展数字化转型全程注重外部知识的获取。此类企业所处行业的先进性和激烈的竞争氛围促使其善于主动吸收外部先进知识，如位于宁夏的西云数据，将发展重心始终放在数字基础设施的购进与建设，强大的数据资源供给能力成为其核心竞争力，抓住“东数西算”工程机遇并获得快速发展。但此类企业的数字化转型具有很强的跟随和模仿性，相对于行业和地区双赢型企业又因地区劣势而获得有限的配套设施支持，更高的成本和风险使得企业转型节奏不同，在后期难以跟随行业和地区双赢型企业进行高频率的新旧知识更替［35］，容易导致新技术新模式在应用上的滞后，最终产生试错风险［12］。

第四，地区优势型企业开展数字化转型优先注重内部过时知识的抛弃，并逐渐将重心转移到外部知识的获取。对于扎根工业化范式的老牌企业，需要首先忘却初创环境中的固有逻辑才能实现数字技术内部化［6］。企业管理者需要做好数字化动员，统一组织思想、接受变革，拥抱创新，才能降低数字化转型遇到的阻力［2］。在转型的中后期，大量数字资产的购建以及管理模式的引入标志探索式忘却学习成为数字化转型企业的主要学习方式，如中国机械工业集团有限公司在建设重大装备润滑安全数字化运维平台的过程中，首先将开展与数字技术相适应的组织架构调整和管理流程优化作为入手点，随后转向应用软件和数字基础设施的投入。

第五，数字化转型对行业追随者企业具有很强的吸引力。根据本研究结果，开展数字化转型的企业年龄集中在“腰部”区域，年龄过大或过小的企业转型意愿均较低。一方面，技术范式的转变不仅使得老牌企业原有行业领先者的技术壁垒消失，其多年形成的惯例使得组织内部产生拒绝数字化红利的阻力［6］；另一方面，行业内的初创企业则困于较差的资源和能力而在数字化转型上显得有心无力。行业追随者企业拥有极具竞争力的行业资源又较少受限于现有的技术刚性，获得数字化转型带来的机会窗口，能否把握这个机会是其打破行业格局、实现后来居上的关键。

4.2 启示与不足

基于以上研究结论，获得以下启示：企业开展数字化转型需要明确自身优劣势，选择合适的转型路径。对于身处高新技术相关行业的企业，应善于利用自身的技术优势和资源禀赋，通过快速的技术迭代实现快速高效的数字化转型，在激烈的竞争中取得优势；对于行业数字化程度低的企业，应借助区域其他同群企业的榜样效应，对比“过滤”自身所不再适用的观念与惯例，同时借助区域数字基础设施，渐进性地实现数字化生产和运营。

本研究还存在以下不足：首先，企业群组的划分维度不够细致，较大的颗粒度使得企业定位并非绝对清晰；其次，仅考虑两类忘却学习对数字化转型的影响，未放入其他可能的相关变量，未来可考虑纳入其他因素进行综合考量。