1. 引言
“十四五”规划强调，在未来，“数字经济”将成为促进我国经济增长的一种主要方式。“数字化”的改造，可以让我国的生产关系和生产要素，根据最优化的原理(社会需求，经济现状，发展计划)进行重组，并将其最大限度地发挥出来，从而创造出更高的生产力。目前，新能源汽车已经成为全球汽车产业转型发展的重中之重，作为推动世界经济发展的关键引擎。自2012年国家出台《节能与新能源汽车产业发展规划(2012~2020年)》后，国家一直坚持“全电动”的发展方向，并且我国已成为推动全球汽车产业转型升级的主要动力之一。因此，当前探究数字化转型对新能源汽车企业创新绩效的作用机制，进一步充实了数字化转型相关理论的同时对新能源汽车企业进行数字化转型具有现实意义。
对于数字化转型对创新绩效的影响研究，数字化转型战略利用数字化资源，引进新思想和创新举措，从而正向影响创新绩效[1]。同时，数字化转型能够对创新绩效进行流程上的变化，从而对其带来一定的影响[2]。目前，学术界从三个不同的角度(包含数字化技术转型、数字化效益转型和数字化水平)研究数字化转型对企业创新绩效的影响。在数字技术变革层面，从价值链的各个环节出发，分析信息技术与企业创新绩效之间的关系，揭示了产品设计信息化投入能够提升企业的创新绩效[3]。数字化效益转型视角认为将数字技术与制造业的价值链的全过程相融合，从而使制造业的生产运作模式发生变化，进而达到降低成本，提高质量的效果。在制造环节中融入数字流程可以有效提升其产品和服务的创新绩效[4]。关于数字化水平角度，从数字化接入、设备、平台建设和应用四个层面对地区数字化程度与创新绩效之间的关系进行了实证分析并发现区域数字化接入水平的增加有助于企业的创新绩效的提升[5]。当前我国企业数字化水平和企业创新绩效正向相关，并且设置了数字资源信息共享平台的企业促进效应更为显著[6]。
当前国内外对于数字化转型的实证研究尚处于起步阶段，理论分析居多，实证考察不足，值得学者进一步探讨和研究。现有的对创新的研究关注主要集中在过程创新、商业模式创新和产品或服务创新三个方面，而在整体创新绩效方面的理论和实证却很缺乏。在有关数字化转型和创新绩效之间的关系的研究中，当前的理论主要集中在中间效应和过程机制上，大部分研究结论认为数字化转型正向地促进创新绩效提升。目前研究对于创新绩效的内外部因素均有涉及，但是还未形成体系框架。对于数字化转型的情境下对创新绩效的影响研究关注更少，并且数字化转型与创新绩效之间的影响机制目前在学界内仍然缺乏统一观点，缺少对具体行业的数字化转型以及数字化转型对创新绩效的影响机制研究。
基于此，本文以新能源汽车企业为研究对象，通过问卷调研收集数据进行实证分析，从数字化转型视角出发，加入动态能力作为中介变量，探究对创新绩效的影响机制。本文将丰富数字化转型背景下新能源汽车企业创新绩效的理论并在研究结论的基础上为新能源汽车企业数字化转型提供建议。
2. 理论分析与研究假设
2.1. 数字化转型与创新绩效之间的关系
一方面，有学者认为数字化转型对企业的绩效有正向的促进作用。信息数据技术能够帮助企业合理规划生产、快速应对消费者需求从而提高企业绩效。数字化转型可以通过降低成本来提高效率，从而促进企业绩效的提升[7]。区域数字化接入水平越高，区域的创新绩效水平也会随之提升[8]。另一方面，也有研究表明数字化转型与企业创新绩效二者之间的正向影响并不显著。数字化转型与企业创新绩效之间存在U型关系，数字化转型无法快速地提升企业的创新绩效，同时我国企业在数字化转型过程中存在阵痛期。但是从长期来看，数字化转型有利于企业创新以及可持续发展，企业必须重视战略性布局[8]。综上所述，本文提出以下假设：
假设H1：数字化转型正向促进创新绩效。
2.2. 动态能力与创新绩效之间的关系
在数字经济背景下，动态能力能够及时地对现有创新能力进行调整，使得现有的创新能力与创新战略、创新流程相匹配，进而提升创新绩效[9]。并且企业的动态能力对创新绩效存在显著直接的正向积极影响[10]。动态能力是确保企业创新绩效水平提升的重要能力，企业动态能力越强，就越有可能重构本企业技术知识，更能应对市场需求的多样化发展[11]。本文将区别不同维度下的动态能力对企业创新绩效的推动作用，基于现有文献对于动态能力的研究，本文将动态能力划分为感知能力、吸收能力与整合能力三方面。企业可通过感知能力，在数字化转型进程中为企业创造可持续的价值和竞争优势，创新绩效可通过吸收能力来吸取异质性知识、获取外部创新机会，保证企业创新战略与消费者的需求相契合，从而有效提高企业的创新绩效。企业可运用快速重置整合组织有形无形资产的能力即整合能力以匹配需求。综上，提出以上假设：
假设H2：动态能力对企业创新绩效有正向促进影响。
假设H2a：感知能力对企业创新绩效有正向促进影响。
假设H2b：吸收能力对企业创新绩效有正向促进影响。
假设H2c：整合能力对企业创新绩效有正向促进影响。
2.3. 数字化转型与动态能力之间的关系
本文整体从动态能力视角，探究数字化转型与创新绩效之间的关系，已有研究证实数字化转型对企业的动态能力和创新绩效有明显的正面影响，而且还存在数字化转型通过动态能力对创新绩效产生影响的情况[12]。在通过数字化转型实现客户价值的过程中，通过对动态能力的内部推动，组织可以变得更加流动[13]。对于数字化转型成功的企业，动态能力表现为在数字化转型的进程中，能够及时地感受到外界的变化，及时地进行自我调整，并能够通过内外部资源重组来完成组织的创新[14]。综上，提出以下假设：
假设H3：数字化转型对动态能力有正向促进影响。
2.4. 动态能力的中介作用
动态能力在企业的创新活动和数字化转型过程中都占据非常重要的地位[2] [15]。虽然当前研究对于动态能力划分没有清晰明确的维度，但是在已有的文献中，普遍将动态能力划分为三部分[16]-[18]。基于此，本文从感知能力、吸收能力和整合能力三方面来对动态能力进行研究。感知能力是指利用数字技术和数字设备，获得大量的信息和资源，以及对用户的信息进行收集，并对最新的数字化趋势和机遇进行挖掘的能力。吸收能力指对内外部数字资源进行消化吸收并且创造性利用的能力。整合能力指企业能够根据环境的变化，合理地分配和再分配资源的能力。数字化转型能够提升企业动态能力，而动态能力又能够正向促进创新绩效的提升。综上，提出以下假设：
假设H4：动态能力在数字化转型和创新绩效间起中介作用。
2.5. 模型构建
综上所述，本文所构建的数字化转型与企业创新绩效之间的理论模型见图1。
Figure 1. The hypothesis model
图1. 本文假设模型
3. 研究设计
3.1. 研究变量测量
数字化转型作为自变量。对“数字化测量”这一变量的测量大致可分为两种方式：1) 使用客观数据的硬性指标；2) 通过发放问卷对数字化转型进行实证研究。
首先，通过定量数据采集的方式对区域数字化水平进行测量，主要包括4个指标：数字化接入水平、装备水平、应用水平和平台建设水平[5]。其次，还有研究通过问卷的形式对数字化转型进行测量。将数字化转型战略框架划分为Use of technologies (技术的使用)、Changes in value-creating (价值创造的变化)、Structural changes (结构变化)和Financial aspects (金融方面)四个维度[19] [20]，向企业中的首席信息官和负责数字化转型的业务经理提出了11个问题，得到广泛认可。后被Wang (2020) [21]引用，信度为0.949。
本文借鉴Hess (2016) [19]的量表、并参考Wang (2020) [21]等人开发的量表，因此，本研究关于“数字化转型”这一变量的量表出自国内外学者使用过的成熟量表。完整量表见表1。
Table 1. Digital transformation scale
表1. 数字化转型量表
| 变量 |
测量题项 |
| 数字化转型 |
公司数字信息技术的应用对于实现战略目标非常重要；公司会加速新一代数字信息技术在业务中的应用；公司在提供客户服务和支持方面应用数字信息技术的程度比较高；公司具备能够支撑数字化转型的能力；公司的财务情况能够支持当前核心业务进行数字化转型；公司能够为数字化转型提供足够的资金支持。 |
创新绩效作为因变量。专利数量是衡量企业创新绩效的很好的指标，可以采用企业的专利申请数量来衡量[22]。同时，在研究中也可使用企业每年专利申请数量作为创新绩效的衡量指标[23]-[25]。Zhang和Li (2010) [26]基于中国情境下的高科技创业企业开展调研，从创新的质量和速度两个方面开发了5题项量表。国内学者钱锡红等(2010) [27]在企业网络位置对创新绩效的研究中，形成了创新绩效的5题项量表，该创新绩效量表的内外异质性系数为0.924。
本文借鉴创新绩效量表来源于学者钱锡红等(2010) [27]提出的5题项量表。完整量表见表2。
Table 2. Innovation performance scale
表2. 创新绩效量表
| 变量 |
测量题项 |
| 创新绩效 |
企业往往比其同行业其他企业更早地推出了新的产品/服务；企业比其同行业其他企业常常应用新技术；企业与其同行业其他企业相比，对产品的改进和创新具有很好的市场反响；企业与其同行业其他企业相比，产品涵盖了一流的先进技术与工艺；企业与其同行业其他企业相比，公司的新产品研发成功率较高高。 |
对于动态能力的测量分为三个维度进行，与感知能力相关的题项参考Teece (2007) [28]、谭云清等(2013) [29]已经提出的成熟量表；与吸收能力有关的题项以Zahra等(2006) [16]、吴松强等(2019) [30]的相关研究为基础；与整合能力有关的题项以焦豪等(2008) [17]、吴航和陈劲(2014) [18]的研究量表为基础，借鉴以上成熟量表。对感知能力、吸收能力和整合能力分别都采用三条题项进行测量以此完成对动态能力的测量，完整量表见表3。
将企业规模和企业成立时间作为控制变量。1) 企业规模。通常情况下，不同规模的企业，其创新绩效存在着较大的差异。所以，要确保研究结果的科学性和合理性，学者们常常把公司的规模大小作为一个重要的控制变量。本研究根据员工数量对企业规模进行分类，分为“21~50人，51~100人，101~300人，301~500人，500人以上(不含)”5个区间段。2) 企业年龄。企业在发展过程中，伴随着企业的发展，企业自身的资本和实力逐渐累积，技术创新和发展步伐也逐渐加快。随着时间的推移以及公司在这个领域的发展，其在这个领域内所拥有的丰富的经验和雄厚的力量，都将会较好地推动企业的发展。同样，随着企业建立的时间越来越长，容易产生一种思维惯性以及对于资源的依赖，从而使企业的行为固化，进而可能会增加数字化转型的难度，最终可能会导致了企业的产品和服务与市场脱离。将企业年龄划分为“1~3年、4~5年、6~10年、11~20年”4个区间段。
Table 3. Dynamic ability scale
表3. 动态能力量表
| 变量 |
测量题项 |
参考文献 |
| 感知能力 |
公司能快速地扫描环境发现新的机会；公司能经常从不同的渠道，了解到本行业的目前发展状况与未来发展趋势；企业可以快速发现客户的偏好和需求的改变； |
Teece (2007) [28]；谭云清等(2013) [29] |
| 吸收能力 |
公司能正确地为顾客制定问题解决方案；企业可以有效地作出决策；公司能够在其所属的网络中，对机会进行有效地运用； |
Zahra等(2006) [16]；吴松强等(2019) [30] |
| 整合能力 |
企业能及时地对内外联系网及网上交互的模式进行调整；企业可以根据已有的工作流程或程序，重新进行设计；公司能适时调整各部门的工作任务和职能； |
焦豪等(2008) [17]；吴航和陈劲(2014) [18] |
3.2. 数据收集与筛选
本研究的调研采用电子问卷的形式，问卷发放对象为已开始数字化转型实践的新能源汽车企业的员工。最终答卷发放总量合计共260份，其中回收答卷260份，剔除无效问卷50份，最后得到有效答卷210份，有效问卷回收率达到80.77%。
4. 实证分析
4.1. 描述性统计分析
参加本次调研的对象多为新能源汽车企业中的中高层管理者，在210份问卷中，中层管理者有117人，占比55.7%，基础管理者有33人，占比15.7%，中高层管理者共有146人，共占比69.5%。按照企业成立时间比较，6~10年的企业占比最高，达到42.4%；按照企业性质比较，民企占比最高，达到44.8%；按照公司员工数比较，500人以上的公司所占比重最高，为31.9%。从总体上看，不同层次分布相对均衡，样本代表性高。
问卷涉及变量有数字化转型，创新绩效及动态能力，共20个题项。变量的描述性统计见表4。
Table 4. Descriptive statistics of variables
表4. 变量的描述性统计表
| 变量 |
题项 |
均值 |
偏度 |
峰度 |
| 数字化转型 |
A1 |
3.94 |
0.076 |
−0.812 |
| A2 |
4.05 |
−0.140 |
−1.402 |
| A3 |
4.10 |
−0.438 |
−0.747 |
| A4 |
4.00 |
−0.216 |
−0.943 |
| A5 |
3.77 |
−0.230 |
−1.039 |
| A6 |
3.71 |
−0.185 |
−1.110 |
| 创新绩效 |
B1 |
3.68 |
−0.169 |
−1.154 |
| B2 |
3.83 |
−0.246 |
−0.899 |
| B3 |
3.70 |
−0.337 |
−1.011 |
续表
|
B4 |
3.96 |
−0.475 |
−0.601 |
| B5 |
3.91 |
−0.443 |
−0.749 |
| 动态能力 |
C1 |
3.80 |
−0.186 |
−0.937 |
| C2 |
3.85 |
−0.137 |
−0.812 |
| C3 |
3.80 |
−0.202 |
−0.694 |
| C4 |
4.00 |
−0.367 |
−0.776 |
| C5 |
3.89 |
−0.224 |
−0.601 |
| C6 |
4.02 |
−0.397 |
−0.379 |
| C7 |
3.96 |
−0.309 |
−0.598 |
| C8 |
3.98 |
−0.548 |
−0.336 |
| C9 |
4.04 |
−0.649 |
−0.420 |
数据来源：SPSS输出整理。
4.2. 信度、效度检验
本研究通过SPSS27.0软件对问卷可靠性进行分析，结果如表所示：问卷总量表的Cronbach’s α系数为0.927，证明了本次调研使用的问卷总量表具有较高的内部一致性水平。其中，数字化转型量表、创新绩效量表、动态能力量表的Cronbach’s α系数分别为0.805、0.751、0.878，具体数据见表5，说明这些量表具有较高的可靠性。
Table 5. Reliability test table
表5. 信度检验表
| 量表名称 |
题项数 |
Cronbach’s α |
基于标准化项的Cronbach’s α |
| 问卷所有量表题项 |
20 |
0.927 |
0.927 |
| 数字化转型 |
6 |
0.805 |
0.805 |
| 创新绩效 |
5 |
0.751 |
0.751 |
| 动态能力 |
9 |
0.878 |
0.878 |
数据来源：SPSS输出整理。
一个量表的准确性越高，效度就会越高，表明越能够测量得到目标测量的指标。
1) 内容效度
本研究中针对数字化转型、创新绩效、动态能力的量表均是选用国内外权威学者开发的较为成熟的量表。基于此，本研究的各量表均有较高的有效性。
2) 结构效度
结构效度也称作构念效度，是指能够测验到理论上的构想和特质的程度，其中得到的测验结果能够证实或解释某一理论的假设或构想，通常包括探索性因子(EFA)和验证性因子(CFA)分析两大部分。在进行验证性因子分析之前，要先检验问卷是否适合做因子分析，本研究通过SPSS27.0软件对问卷效度进行分析，结果见表6。
创新绩效量表的KMO值介于0.7~0.8之间，认为该变量可以做因子分析；数字化转型量表的KMO值大于0.8，接近0.9，表示该变量适合做因子分析；动态能力量表的KMO值大于0.9，表示动态能力变量非常适合做因子分析。总体来说，问卷量表的KMO值都在可接受范围内，并且p值均为0.000，小于0.01，通过了显著性水平为1%的显著性检验。因而此问卷中的量表数据非常适合做因子分析。此外，此类效度还可分为聚合效度和区分效度两种，常使用验证性因子分析加以说明。本研究使用AMOS24.0软件对问卷中的三个变量进行区分效度检验，具体数据见表7：三因子模型中，χ2/df = 1.379。
RMSEA = 0.043，RMR = 0.036，NFI = 0.875，GFI = 0.901，CFI = 0.962，这些指标接近于标准要求，且在数据拟合效果中三因子模型均优于双因子、单因子模型，说明研究变量的区分效度相对理想。
4.3. 变量间的相关分析
研究采用Pearson相关分析方法，观察变量之间的相关关系。本研究使用SPSS27.0软件进行相关性分析，具体结果见表8。
Table 6. Spherical test table of KMO and Bartlet’s
表6. KMO和Bartlet’s的球形检验表
| 量表 |
KMO |
Bartlett’s球形检验 |
| 近似卡方 |
df |
Sig |
| 数字化转型 |
0.846 |
344.414 |
15 |
0.000 |
| 创新绩效 |
0.781 |
213.258 |
10 |
0.000 |
| 动态能力 |
0.911 |
707.430 |
36 |
0.000 |
数据来源：SPSS输出整理。
Table 7. Confirmatory factor analysis results table
表7. 验证性因子分析结果表
| 所含因子 |
χ2/df |
RMSEA |
RMR |
SRMR |
NFI |
GFI |
CFI |
| 三因子(A, B, C) |
1.379 |
0.043 |
0.036 |
0.0454 |
0.875 |
0.901 |
0.962 |
| 双因子(A + B, C) |
1.470 |
0.047 |
0.037 |
0.0484 |
0.865 |
0.892 |
0.952 |
| 双因子(A + C, B) |
1.591 |
0.053 |
0.038 |
0.05 |
0.854 |
0.878 |
0.939 |
| 双因子(B + C, A) |
1.405 |
0.044 |
0.037 |
0.0467 |
0.871 |
0.897 |
0.958 |
| 单因子(A + B + C) |
1.582 |
0.053 |
0.038 |
0.0501 |
0.854 |
0.849 |
0.94 |
注：A，B，C分别代表数字化转型，创新绩效，动态能力。数据来源：SPSS输出整理。
Table 8. Pearson correlation analysis
表8. Pearson相关分析
| 变量 |
数字化转型 |
创新绩效 |
动态能力 |
| 数字化转型 |
1 |
0.733** |
0.707** |
| 创新绩效 |
0.733** |
1 |
0.794** |
| 动态能力 |
0.707** |
0.794** |
1 |
注：**表示p < 0.01。数据来源：SPSS输出整理。
由表中可知，自变量数字化转型、中介变量动态能力均与创新绩效有明显的相关性，并且数字化转型与动态能力之间也存在明显的相关性。整体而言，本研究假设已经获得初步分析证实，但仍需要更进一步的回归分析。
4.4. 变量间的回归分析
进行回归分析，以探究各个变量之间的深层次联系，本研究使用SPSS27.0软件进行多元回归分析，以数字化转型作为自变量，以创新绩效作为因变量，以动态能力作为中介变量，把企业成立时间和企业规模设立为控制变量，进行多元线性回归分析。
模型1是控制变量对创新绩效的回归结果分析。模型2在模型1的基础上增加了自变量数字化转型，见表9，可以看出，模型2中调整后的R2明显上升，F在统计值上表现显著(p < 0.001)，这表明数字化转型对创新绩效有显著的积极影响。假设H1得到支持。
模型3在模型1的基础上增加了中介变量动态能力，见表10，可以看出，模型3中调整后的R2明显上升，F在统计值上表现显著(p < 0.001)，这表明中介变量动态能力对创新绩效有显著的正向影响(p < 0.001)。假设H2得到支持。假设2a、2b、2c同理。
模型7是控制变量对动态能力的回归结果分析，模型8在模型7的基础上增加了自变量数字化转型，
Table 9. Regression analysis of digital transformation and innovation performance
表9. 数字化转型与创新绩效的回归分析
| 变量 |
创新绩效 |
| 模型1 |
模型2 |
| 自变量 |
数字化转型 |
|
0.552*** |
|
R2 |
0.471 |
0.586 |
|
调整后R2 |
0.466 |
0.580 |
|
F值 |
92.251 |
97.288*** |
| 控制变量 |
成立时间 |
0.203 |
0.101 |
|
员工数量 |
0.277 |
0.128 |
注：***表示p < 0.001。数据来源：SPSS输出整理。
Table 10. Regression analysis of dynamic capability and innovation performance
表10. 动态能力与创新绩效的回归分析
| 变量 |
创新绩效 |
| 模型1 |
模型3 |
模型4 |
模型5 |
模型6 |
| 自变量 |
动态能力 |
|
0.699*** |
|
|
|
|
感知能力 |
|
|
0.495*** |
|
|
|
吸收能力 |
|
|
|
0.498*** |
|
|
整合能力 |
|
|
|
|
0.412*** |
|
R2 |
0.471 |
0.666 |
0.598 |
0.615 |
0.599 |
|
调整后R2 |
0.466 |
0.661 |
0.592 |
0.609 |
0.594 |
|
F值 |
92.251 |
136.895*** |
102.074*** |
109.628*** |
102.745*** |
| 控制变量 |
成立时间 |
0.203 |
0.051 |
0.111 |
0.098 |
0.083 |
|
员工数量 |
0.277 |
0.116 |
0.149 |
0.184 |
0.179 |
注：***表示p < 0.001。数据来源：SPSS输出整理。
见表11，由表中可以得到，模型8中调整后的R2明显上升，F值在统计值上表现显著(p < 0.001)，表明自变量数字化转型对动态能力有显著的正向影响(p < 0.001)。因此假设H3得到支持。
在模型2的基础上，加入中介变量动态能力构建模型9，见表12，数字化转型对创新绩效的影响减弱(从0.552降至0.312，p < 0.001)，但动态能力对创新绩效有显著的正向影响(p < 0.001)，这表明在数字化转型和创新绩效之间，动态能力起到了一定的中介作用，因此假设H4得到支持。
4.5. 假设检验结果分析
综上可知，本研究的假设均得到实证检验的支持，见表13。
Table 11. Regression analysis of digital transformation and dynamic capabilities
表11. 数字化转型与动态能力的回归分析
| 变量 |
动态能力 |
| 模型7 |
模型8 |
| 自变量 |
数字化转型 |
|
0.418*** |
|
R2 |
0.490 |
0.574 |
|
调整后R2 |
0.485 |
0.568 |
|
F值 |
99.476 |
92.597*** |
| 控制变量 |
成立时间 |
0.218 |
0.140 |
|
员工数量 |
0.230 |
0.117 |
注：***表示p < 0.001。数据来源：SPSS输出整理。
Table 12. The mediating role of dynamic capabilities between digital transformation and innovation performance
表12. 动态能力在数字化转型与创新绩效之间的中介作用
| 变量 |
创新绩效 |
| 模型1 |
模型2 |
模型3 |
模型9 |
| 自变量 |
数字化转型 |
|
0.552*** |
|
0.312*** |
| 中介变量 |
动态能力 |
|
|
0.699*** |
0.576*** |
|
R2 |
0.471 |
0.586 |
0.666 |
0.697 |
|
调整后R2 |
0.464 |
0.580 |
0.661 |
0.691 |
|
F值 |
61.205 |
97.288*** |
136.895*** |
117.647*** |
| 控制变量 |
成立时间 |
0.203 |
0.101 |
0.051 |
0.020 |
|
员工数量 |
0.277 |
0.128 |
0.116 |
0.060 |
注：***表示p < 0.001。数据来源：SPSS输出整理。
Table 13. Summary table of hypothesis test results
表13. 假设检验结果汇总表
| 假设 |
内容 |
结果 |
| H1 |
数字化转型正向促进企业创新绩效 |
支持 |
| H2 |
动态能力对企业创新绩效有正向促进影响 |
支持 |
| H2a |
感知能力对企业创新绩效有正向促进影响 |
支持 |
续表
| H2b |
吸收能力对企业创新绩效有正向促进影响 |
支持 |
| H2c |
整合能力对创新绩效有正向促进影响 |
支持 |
| H3 |
数字化转型对动态能力有正向积极影响 |
支持 |
| H4 |
动态能力在数字化转型和创新绩效起中介作用 |
支持 |
资料来源：SPSS输出整理。
5. 研究结论与建议
本文对新能源汽车企业数字化转型对创新绩效的影响进行探讨，从而进一步充实了与之相关的研究。
首先，本研究发现数字化转型对创新绩效具有正向积极影响。其次，在技术更新和组织变革中，企业能够感知到其中的机会，抓住机会，获取竞争优势，寻找新的盈利增长点。在此基础上，提高知识吸收能力，企业可以更好地把握机遇，按照实际情况相应调整和整合资源以及战略，从而实现数字化转型，将机遇转化为绩效。企业的动态能力是其综合实力的一种反映，它对提升企业的创新绩效起着关键作用。
基于此，本文对新能源汽车企业数字化转型有如下建议：首先要重视数字转型对企业的影响。企业应该主动进行数字化转型，重视数字技术。另外，创新要素的技术投入是技术创新活动的基础，要想保持绩效水平的持续提升，企业就必须要更加重视技术层面的创新。其次，最大限度拓宽数字化转型视野，打破组织边界，实现多层次升级。推动数据技术与组织管理、文化氛围建造和战略规划等其他要素深度融合，进一步优化资源配置、提升生产效率、打造新型商业模式、完成组织架构的改造升级，为企业经济增长注入新鲜动力。另外，要提升市场敏锐程度，提升信息感知能力。一方面，可以建立知识共享和信息传递的通道，培养员工洞察信息的能力；另一方面，可以与其他企业建立合作组织，最大化地拓宽信息来源渠道。提高对市场信息、客户需求感知敏锐度，进而在竞争中占据有利地位。最后，企业要提高自主创造能力，增强自主创新意识。重视数字化转型在创新绩效上的重要作用，推动数字化转型在创新绩效方面的应用。逐步引领核心环节话语权，在电池、电机和电控等新能源汽车核心环节，掌握核心技术，逐步引领行业话语权。
但正如所有研究一样，本研究也有一些局限性：首先，调研方式有一定的限制。本次调研选择网络发放问卷的形式获取横截面数据，在某个时间节点主要针对企业中的中高层管理人员，对企业的创新水平和数字化实践做出评判。若可以采用不同时间节点针对同一对象讲行调研，得出的结果可能会更加精确。其次，本次调研的样本量虽然能够满足数据分析的基本要求，但是有效数据的总量还是相对较少，未来研究在有条件的情况下可以增加样本总量，从而增强研究结论的说服力。最后，本研究及本次调研聚焦新能源汽车行业企业，将企业作为一个整体进行研究，相对来说比较宏观。若可以从企业的不同部门入手，对调研对象进一步细化，会更加丰富新能源汽车企业数字化转型对创新绩效的影响研究。