上市公司实证2007-2020数字化转型产业链供应链韧性与企业生产率上下游无形资产占比研发投入
含原始数据及计算结果、计算代码、参考文献
数据来源:基于上市公司年报、公告数据,中国统计年鉴、及各地区统计年鉴数据的整理计算
数据期间:2007-2020
数据范围:沪深上市公司及所属的省市
参考文献:
数字化转型、产业链供应链韧性与企业生产率
主要指标:
主要变量定义和描述性统计
变量 | 定义 | 观测值 | 均值 | 标准差 | 最小值 | 最大值 |
TFP | LP 方法测算全要素生产率 | 2887 | 8.5300 | 1.5134 | 4.2238 | 11.8165 |
Digital | 下游企业数字化无形资产占比 | 2887 | 0.0271 | 0.0715 | 0.0000 | 0.4648 |
Size | 总资产取自然对数 | 2887 | 21.9085 | 1.1914 | 19.5060 | 25.1877 |
Leverage | 总负债除以总资产 | 2887 | 0.4102 | 0.2169 | 0.0447 | 0.9740 |
Liquidity | 流动资产除以流动负债 | 2887 | 0.5856 | 0.2121 | 0.1220 | 0.9691 |
RD_ratio | 研发投入除以营业收入取自然对数 | 2887 | 0.0361 | 0.0481 | 0.0000 | 0.3355 |
TobinQ | 市值/总资产 | 2887 | 1.9770 | 1.2651 | 0.8604 | 9.3481 |
Digital_supp | 上游企业数字化无形资产占比 | 2887 | 0.1233 | 0.2619 | 0.0000 | 1.0000 |
Both | 董事长和总经理两职合一为1,否则为0 | 2887 | 0.2383 | 0.4261 | 0.0000 | 1.0000 |
Board | 董事会规模取自然对数 | 2887 | 2.1658 | 0.1950 | 1.6094 | 2.7081 |
附 录
正文未报告部分
附 1 主要变量定义和描述性统计
表 1:主要变量定义和描述性统计
变量 | 定义 | 观测值 | 均值 | 标准差 | 最小值 | 最大值 |
TFP | LP 方法测算全要素生产率 | 2887 | 8.5300 | 1.5134 | 4.2238 | 11.8165 |
Digital | 下游企业数字化无形资产占比 | 2887 | 0.0271 | 0.0715 | 0.0000 | 0.4648 |
Size | 总资产取自然对数 | 2887 | 21.9085 | 1.1914 | 19.5060 | 25.1877 |
Leverage | 总负债除以总资产 | 2887 | 0.4102 | 0.2169 | 0.0447 | 0.9740 |
Liquidity | 流动资产除以流动负债 | 2887 | 0.5856 | 0.2121 | 0.1220 | 0.9691 |
RD_ratio | 研发投入除以营业收入取自然对数 | 2887 | 0.0361 | 0.0481 | 0.0000 | 0.3355 |
TobinQ | 市值/总资产 | 2887 | 1.9770 | 1.2651 | 0.8604 | 9.3481 |
Digital_supp | 上游企业数字化无形资产占比 | 2887 | 0.1233 | 0.2619 | 0.0000 | 1.0000 |
Both | 董事长和总经理两职合一为1,否则为0 | 2887 | 0.2383 | 0.4261 | 0.0000 | 1.0000 |
Board | 董事会规模取自然对数 | 2887 | 2.1658 | 0.1950 | 1.6094 | 2.7081 |
附 2 内生性问题检验方法及结果
1.增加下游企业的控制变量
本文在模型(1)基础上进一步增加下游企业特征变量,以减少遗漏变量带来的偏差。具体地,下游客户企业特征变量(Controls_cus)包括:客户企业规模、资产负债率、流动资产比率、总资产净利润率、董事长和总经理是否二职合一、董事会规模、托宾Q值等。表2第(1)列表明,在控制下游客户企业特征之后下游企业数字化转型Digital的系数依然显著为正,与基准结果一致。
2.更换企业数字化转型的度量方法
由于中国证监会在《公开发行证券的公司信息披露内容与格式准则》中规定,上市公司要对行业发展趋势、企业发展战略进行展望,因此,如果企业将数字化转型作为重要发展战略就会在 “管理层讨论与分析”(简称MD&A)部分进行阐述。一般情况下,相关数字化转型词汇占比越大,说明企业数字化转型动机越强。借鉴袁淳等(2021),本文使用MD&A中数字化关键词的词频数量占MD&A总词频的比重作为企业数字化转型的代理变量,重新对模型(1)进行回归。表2第(2)列结果显示,下游企业数字化转型Digital的系数在5%水平上显著为正。另外,考虑到数字技术是企业数字化转型的技术支撑(刘洋等,2020),可以认为数字技术创新是衡量企业数字化水平的一个重要指标。为此,本文借鉴陶锋等(2023),利用incopat专利数据、《数字经济及其核心产业统计分类(2021)》和《国际专利分类与国民经济行业分类参照关系表(2018)》,通过在国际专利分类号(International Patent Classification,简称IPC)小组层面识别上市公司数字经济发明专利申请量来衡量其数字化水平,并作为企业数字化转型的代理变量,再次对模型(1)进行回归。结果见表2第(3)列,下游企业数字化转型Digital的系数依然在5%水平上显著为正。以上结果表明,更换数字化转型的度量方法后,回归结果依然与基准结果保持一致。
3.工具变量法
利用相关外生政策冲击构建工具变量是现有文献寻找工具变量的主要思路之一(Giannetti et al.,2015;蔡卫星等,2019)。就本文而言,国家智慧城市建设是一项与企业数字化转型相关的外生政策冲击。智慧城市是利用互联网、物联网、人工智能、云计算等工具和方法对城市运行中产生的大数据资源进行分析和整合,实现对城市资源的精细化管理和动态化配置(石大千等, 2018)。随着新一代信息技术的发展,2012年中国正式启动智慧城市建设的试点工作,2013年和 2014年又分别设立第二批和第三批试点城市,标志着中国智慧城市的建设进入信息技术驱动的试点探索期。一方面,智慧城市建设促进了城市信息基础设施和公共数据平台的建设,改变了企业的信息化水平和运行环境,为企业数字化转型提供了重要保障。另一方面,企业无法预知所在城市是否会被列为智慧城市试点,也无法在短时间内干预政府决策,因而中国智慧城市的建设是会对企业数字化转型产生深远影响的外生政策,为本文构建工具变量提供了良好的机会。与蔡卫星等(2019)的研究思路相似,本文使用智慧城市试点虚拟变量Experiment(如果下游企业所在城市被列入国家智慧城市试点,则Experiment=1,反之Experiment=0)与样本初始年份企业数字化无形资产占比Digital的交乘项(Instrument=Experiment×Digital)作为下游企业数字化转型的工具变量。这里需要特别注意两点,一是借鉴陈胜蓝和刘晓玲(2021)的研究,本文删除了上游企业所在地被列入智慧城市试点的观测样本,以区分上游企业的变化是来自下游企业所在地被纳入智慧城市试点,而非上游企业本地智慧城市建设的影响。二是本文删除了下游企业所在地处于县级市或市级区的样本,以避免估计结果被高估。表2第(4)列报告了工具变量第一阶段的回归结果。工具变量(Instrument)的系数在1%的水平上显著,且第一阶段的F统计量大于经验法则建议的 10,因此本文内生变量与工具变量之间具有强相关性,不存在弱工具变量问题。
Cragg-Donald Wald F统计量大于Stock-Yogo弱工具变量识别F检验在10%显著性水平上的临界值,再次拒绝弱工具变量的原假设;Kleibergen-Paap rk LM统计量在1%的水平上显著,拒绝工具变量识别不足的原假设,表明本文选取的工具变量具有一定的合理性和可靠性。第(5)列为工具变量第二阶段的回归结果,数字化转型Digital的系数依然显著为正,说明在考虑内生性问题后,下游企业数字化转型仍然对其上游企业的全要素生产率增长具有显著地促进作用,本文基准回归结果具有可靠性。
4.Heckman两阶段回归
中国证券监督管理委员会并未强制要求公司实名披露前五大供应商和客户,使得企业的信息披露可能是一种有选择性的行为。多数企业处于行业竞争、商业机密等因素的考虑而倾向于隐瞒供应商和客户的名称,使得本文的研究可能存在样本选择问题。参考底璐璐等(2020)、唐松和谢雪妍(2021)的做法,本文使用Heckman两步法来尽可能缓解这一问题对结论的潜在影响。具体而言,第一阶段将“企业是否披露主要客户名称的具体信息”作为因变量(若披露,则哑变量取1,否则取0),解释变量引入以企业总资产计算的赫芬达尔指数(HHI)和模型(1)中的控制变量,使用Probit模型进行回归。然后将第一阶段得出的逆米尔斯比率(IMR)放入模型(1)中作为第二阶段的回归方程。表2第(5)列为Heckman第一阶段回归结果,HHI显著为负,表明外生变量的选择有效,且行业竞争程度越激烈企业越不愿意披露前五大客户名称。第(6)列为 Heckman 第二阶段回归结果,在控制样本选择偏差的潜在影响后,下游企业数字化转型 Digital 的回归系数依然显著为正,与基准回归结果保持一致。
表 2:内生性问题回归结果
| 增加控制变量 | 更换自变量测量方法 | 工具变量 | Heckman 两步法 | |||
(1) | (2) | (3) | (4) | (5) | (6) | (7) | |
Digital | 0.3083* (0.1615) | 1.1473** (0.4479) | 0.2425** (0.1171) |
| 1.2374* (0.6591) |
| 0.3060* (0.1662) |
Instrument |
|
|
| 0.2294*** (0.0543) |
|
|
|
HHI |
|
|
|
|
| -0.4941* (0.2577) |
|
IMR |
|
|
|
|
|
| -0.4898* (0.2638) |
Controls | YES | YES | YES | YES | YES | YES | YES |
Controls_cus | YES | NO | NO | NO | NO | NO | NO |
企业/年份固定 | YES | YES | YES | YES | YES | YES | YES |
Observations | 2588 | 2047 | 2588 | 2027 | 2027 | 16873 | 2052 |
R-squared | 0.8264 | 0.8319 | 0.8259 |
| 0.0981 | 0.1004 | 0.8392 |
F 统计量 |
|
|
| 17.84*** |
|
|
|
Cragg-Donald Wald F statistic Kleibergen-Paap rk LM statistic |
|
|
|
| 466.887[16.38] 18.150*** |
|
|
附 3 稳健性检验方法及结果
1.排除其他因素干扰
下游企业数字化转型对上游企业生产率增长的后向溢出效应除了会沿产业链供应链纵向传递,亦存在其他可能的传播渠道。
其一,数字化转型的溢出可能是来自于行业内竞争效应带来的水平方向溢出。企业数字化转型所带来的生产率提升极易被同行业的其他企业模仿。如第一家推出房产清单数字化的房地产代理商,引起同行业其他企业向线上营销转型。因此,本文主要结论可能是由于上游供应商和下游客户企业位于同一行业而带来的。为此我们剔除供应商与客户位于同一行业的样本重新进行回归,表3第(1)列结果显示核心解释变量Digital的系数依然显著为正,与基准模型实证结果保持一致。
其二,企业数字化转型的溢出效应可能是来自于企业内部的传递。本文样本存在部分上游供应商企业与其下游客户或为同一家企业或隶属同一企业集团的现象。这使得下游企业数字化转型对上游企业生产率增长的促进作用可能是来自于同一企业内部的技术转移和战略规划等,因为公司会从集团其他成员企业的数字化转型中获益(Claessens and Fan,2002)。虽然这种企业内部不同部门和企业集团内部充分利用数字技术扩大技术投资效益的现象亦属于数字化转型溢出,但却是一种内部渠道的溢出效应,并不属于本文所研究的产业链供应链纵向关系中的数字化转型溢出效应。因此,根据蔡卫星等(2019)的方法,本文剔除上游供应商和下游客户属于同一家企业或同一企业集团公司的样本重新进行回归,表3第(2)列的回归结果显示,核心解释变量Digital 的系数仍然显著为正,本文主要结论依然成立。
其三,企业数字化转型的溢出效应可能是来自于下游客户和上游供应商地理位置的邻近。地理临近是传统知识溢出的重要渠道,特别是在产业链供应链纵向关系结构中,供应商与客户之间的地理邻近性更有利于生产网络内隐性知识的传播(陈胜蓝和刘晓玲,2021)。由此引发的担忧是,本文的主要结论可能是由于供应商和客户的地理位置临近所带来的。因此,本文剔除上游供应商企业和下游客户企业位于同一城市的样本重新进行回归。表 3 第(3)列中核心解释变量
Digital的系数依然显著为正,进一步排除了其他替代性解释对本文基本结论的干扰。
2.替换被解释变量
前述计量回归中的被解释变量均是基于LP方法估算的企业全要素生产率,作为稳健性检验,下面使用OP法重新测算企业全要素生产率进行回归。表3第(4)列的回归结果显示核心解释变量Digital的系数依然显著为正,基准回归结果依旧稳健。
3.调整聚类层级
标准误聚类到不同层级所隐含的对扰动项方差协方差结构的假设不同。聚类层级越高,所隐含的假设越弱,标准误估计越稳健。出于稳健性考虑,本文进一步将聚类层级调整到行业-时间维度,表3第(5)列的回归结果显示,Digital的系数仍然显著为正,稳健支持下游企业数字化转型显著促进上游企业全要素生产率增长的基本结论。
表 3:稳健性检验结果
| (1) | (2) | (3) | (4) | (5) |
排除同一行业内部溢出 | 排除同一企业集团内部溢出 | 排除地理邻近带来的溢出 | OP 法测量TFP | 聚类到行业-时间维度 | |
Digital | 0.4332* (0.2303) | 0.3337** (0.1619) | 0.4984** (0.2072) | 0.1990* (0.1047) | 0.3840** (0.1572) YES YES |
Controls | YES | YES | YES | YES | |
企业/年份固定 | YES | YES | YES | YES | |
Observations | 1819 | 2313 | 2075 | 2588 | 2588 0.8254 |
R-squared | 0.8240 | 0.8227 | 0.8307 | 0.9220 |
〔参考文献〕
- 蔡卫星,倪骁然,赵盼,杨亭亭.企业集团对创新产出的影响:来自制造业上市公司的经验证据
[J].中国工业经济,2019(01):137-155.
- 陈胜蓝,刘晓玲.生产网络中的创新溢出效应——基于国家级高新区的准自然实验研究[J]. 经济学(季刊),2021,21(05):1839-1858.
- 底璐璐,罗勇根,江伟,陈灿.客户年报语调具有供应链传染效应吗?——企业现金持有的视角[J].管理世界,2020,36(08):148-163.
- 刘洋 , 董久钰 , 魏江 . 数字创新管理:理论框架与未来研究 [J]. 管理世界,2020,36(07):198-217+219.
- 石大千,丁海,卫平,刘建江.智慧城市建设能否降低环境污染[J].中国工业经济,2018(06):117-135.
- 唐松,谢雪妍.企业持股金融机构如何服务实体经济——基于供应链溢出效应的视角[J].中国工业经济,2021(11):116-134.
- 陶锋,朱盼,邱楚芝,王欣然.数字技术创新对企业市场价值的影响研究[J].数量经济技术经济研究,2023,(5):68-91.
- 袁淳,肖土盛,耿春晓,盛誉.数字化转型与企业分工:专业化还是纵向一体化[J].中国工业经济,2021(09):137-155.
- Claessens, S., and J. P. H. Fan. Corporate Governance in Asia: A Survey[J]. International Review of Finance, 2002, 3(2): 71-103.
- Giannetti, M., G. Liao., and X. Yu. The Brain Gain of Corporate Boards: Evidence from China[J]. The Journal of Finance, 2015, 70(4): 1629-1682.
注:该附录是期刊所发表论文的组成部分,同样视为作者公开发表的内容。如研究中使用该附录中的内容,请务必在研究成果上注明引文和下载附件出处。
引用示例:
参考文献引用范例:
[1] 朱军. 技术吸收、政府推动与中国全要素生产率提升[J].中国工业经济.2017,(1):5-24.
如果研究中使用了未在《中国工业经济》纸质版刊发、但在杂志网站上正式公开发表的数字内容
(包括数据、程序、附录文件),请务必在研究成果正文中注明:数据(及程序等附件)来自朱军(2017),参见在《中国工业经济》网站
(http://ciejournal.ajcass.org)附件下载。
附 录
正文未报告部分
附 1 主要变量定义和描述性统计
表 1:主要变量定义和描述性统计
变量 | 定义 | 观测值 | 均值 | 标准差 | 最小值 | 最大值 |
TFP | LP 方法测算全要素生产率 | 2887 | 8.5300 | 1.5134 | 4.2238 | 11.8165 |
Digital | 下游企业数字化无形资产占比 | 2887 | 0.0271 | 0.0715 | 0.0000 | 0.4648 |
Size | 总资产取自然对数 | 2887 | 21.9085 | 1.1914 | 19.5060 | 25.1877 |
Leverage | 总负债除以总资产 | 2887 | 0.4102 | 0.2169 | 0.0447 | 0.9740 |
Liquidity | 流动资产除以流动负债 | 2887 | 0.5856 | 0.2121 | 0.1220 | 0.9691 |
RD_ratio | 研发投入除以营业收入取自然对数 | 2887 | 0.0361 | 0.0481 | 0.0000 | 0.3355 |
TobinQ | 市值/总资产 | 2887 | 1.9770 | 1.2651 | 0.8604 | 9.3481 |
Digital_supp | 上游企业数字化无形资产占比 | 2887 | 0.1233 | 0.2619 | 0.0000 | 1.0000 |
Both | 董事长和总经理两职合一为1,否则为0 | 2887 | 0.2383 | 0.4261 | 0.0000 | 1.0000 |
Board | 董事会规模取自然对数 | 2887 | 2.1658 | 0.1950 | 1.6094 | 2.7081 |
附 2 内生性问题检验方法及结果
1.增加下游企业的控制变量
本文在模型(1)基础上进一步增加下游企业特征变量,以减少遗漏变量带来的偏差。具体地,下游客户企业特征变量(Controls_cus)包括:客户企业规模、资产负债率、流动资产比率、总资产净利润率、董事长和总经理是否二职合一、董事会规模、托宾Q值等。表2第(1)列表明,在控制下游客户企业特征之后下游企业数字化转型Digital的系数依然显著为正,与基准结果一致。
2.更换企业数字化转型的度量方法
由于中国证监会在《公开发行证券的公司信息披露内容与格式准则》中规定,上市公司要对行业发展趋势、企业发展战略进行展望,因此,如果企业将数字化转型作为重要发展战略就会在 “管理层讨论与分析”(简称MD&A)部分进行阐述。一般情况下,相关数字化转型词汇占比越大,说明企业数字化转型动机越强。借鉴袁淳等(2021),本文使用MD&A中数字化关键词的词频数量占MD&A总词频的比重作为企业数字化转型的代理变量,重新对模型(1)进行回归。表2第(2)列结果显示,下游企业数字化转型Digital的系数在5%水平上显著为正。另外,考虑到数字技术是企业数字化转型的技术支撑(刘洋等,2020),可以认为数字技术创新是衡量企业数字化水平的一个重要指标。为此,本文借鉴陶锋等(2023),利用incopat专利数据、《数字经济及其核心产业统计分类(2021)》和《国际专利分类与国民经济行业分类参照关系表(2018)》,通过在国际专利分类号(International Patent Classification,简称IPC)小组层面识别上市公司数字经济发明专利申请量来衡量其数字化水平,并作为企业数字化转型的代理变量,再次对模型(1)进行回归。结果见表2第(3)列,下游企业数字化转型Digital的系数依然在5%水平上显著为正。以上结果表明,更换数字化转型的度量方法后,回归结果依然与基准结果保持一致。
3.工具变量法
利用相关外生政策冲击构建工具变量是现有文献寻找工具变量的主要思路之一(Giannetti et al.,2015;蔡卫星等,2019)。就本文而言,国家智慧城市建设是一项与企业数字化转型相关的外生政策冲击。智慧城市是利用互联网、物联网、人工智能、云计算等工具和方法对城市运行中产生的大数据资源进行分析和整合,实现对城市资源的精细化管理和动态化配置(石大千等, 2018)。随着新一代信息技术的发展,2012年中国正式启动智慧城市建设的试点工作,2013年和 2014年又分别设立第二批和第三批试点城市,标志着中国智慧城市的建设进入信息技术驱动的试点探索期。一方面,智慧城市建设促进了城市信息基础设施和公共数据平台的建设,改变了企业的信息化水平和运行环境,为企业数字化转型提供了重要保障。另一方面,企业无法预知所在城市是否会被列为智慧城市试点,也无法在短时间内干预政府决策,因而中国智慧城市的建设是会对企业数字化转型产生深远影响的外生政策,为本文构建工具变量提供了良好的机会。与蔡卫星等(2019)的研究思路相似,本文使用智慧城市试点虚拟变量Experiment(如果下游企业所在城市被列入国家智慧城市试点,则Experiment=1,反之Experiment=0)与样本初始年份企业数字化无形资产占比Digital的交乘项(Instrument=Experiment×Digital)作为下游企业数字化转型的工具变量。这里需要特别注意两点,一是借鉴陈胜蓝和刘晓玲(2021)的研究,本文删除了上游企业所在地被列入智慧城市试点的观测样本,以区分上游企业的变化是来自下游企业所在地被纳入智慧城市试点,而非上游企业本地智慧城市建设的影响。二是本文删除了下游企业所在地处于县级市或市级区的样本,以避免估计结果被高估。表2第(4)列报告了工具变量第一阶段的回归结果。工具变量(Instrument)的系数在1%的水平上显著,且第一阶段的F统计量大于经验法则建议的 10,因此本文内生变量与工具变量之间具有强相关性,不存在弱工具变量问题。
Cragg-Donald Wald F统计量大于Stock-Yogo弱工具变量识别F检验在10%显著性水平上的临界值,再次拒绝弱工具变量的原假设;Kleibergen-Paap rk LM统计量在1%的水平上显著,拒绝工具变量识别不足的原假设,表明本文选取的工具变量具有一定的合理性和可靠性。第(5)列为工具变量第二阶段的回归结果,数字化转型Digital的系数依然显著为正,说明在考虑内生性问题后,下游企业数字化转型仍然对其上游企业的全要素生产率增长具有显著地促进作用,本文基准回归结果具有可靠性。
4.Heckman两阶段回归
中国证券监督管理委员会并未强制要求公司实名披露前五大供应商和客户,使得企业的信息披露可能是一种有选择性的行为。多数企业处于行业竞争、商业机密等因素的考虑而倾向于隐瞒供应商和客户的名称,使得本文的研究可能存在样本选择问题。参考底璐璐等(2020)、唐松和谢雪妍(2021)的做法,本文使用Heckman两步法来尽可能缓解这一问题对结论的潜在影响。具体而言,第一阶段将“企业是否披露主要客户名称的具体信息”作为因变量(若披露,则哑变量取1,否则取0),解释变量引入以企业总资产计算的赫芬达尔指数(HHI)和模型(1)中的控制变量,使用Probit模型进行回归。然后将第一阶段得出的逆米尔斯比率(IMR)放入模型(1)中作为第二阶段的回归方程。表2第(5)列为Heckman第一阶段回归结果,HHI显著为负,表明外生变量的选择有效,且行业竞争程度越激烈企业越不愿意披露前五大客户名称。第(6)列为 Heckman 第二阶段回归结果,在控制样本选择偏差的潜在影响后,下游企业数字化转型 Digital 的回归系数依然显著为正,与基准回归结果保持一致。
表 2:内生性问题回归结果
| 增加控制变量 | 更换自变量测量方法 | 工具变量 | Heckman 两步法 | |||
(1) | (2) | (3) | (4) | (5) | (6) | (7) | |
Digital | 0.3083* (0.1615) | 1.1473** (0.4479) | 0.2425** (0.1171) |
| 1.2374* (0.6591) |
| 0.3060* (0.1662) |
Instrument |
|
|
| 0.2294*** (0.0543) |
|
|
|
HHI |
|
|
|
|
| -0.4941* (0.2577) |
|
IMR |
|
|
|
|
|
| -0.4898* (0.2638) |
Controls | YES | YES | YES | YES | YES | YES | YES |
Controls_cus | YES | NO | NO | NO | NO | NO | NO |
企业/年份固定 | YES | YES | YES | YES | YES | YES | YES |
Observations | 2588 | 2047 | 2588 | 2027 | 2027 | 16873 | 2052 |
R-squared | 0.8264 | 0.8319 | 0.8259 |
| 0.0981 | 0.1004 | 0.8392 |
F 统计量 |
|
|
| 17.84*** |
|
|
|
Cragg-Donald Wald F statistic Kleibergen-Paap rk LM statistic |
|
|
|
| 466.887[16.38] 18.150*** |
|
|
附 3 稳健性检验方法及结果
1.排除其他因素干扰
下游企业数字化转型对上游企业生产率增长的后向溢出效应除了会沿产业链供应链纵向传递,亦存在其他可能的传播渠道。
其一,数字化转型的溢出可能是来自于行业内竞争效应带来的水平方向溢出。企业数字化转型所带来的生产率提升极易被同行业的其他企业模仿。如第一家推出房产清单数字化的房地产代理商,引起同行业其他企业向线上营销转型。因此,本文主要结论可能是由于上游供应商和下游客户企业位于同一行业而带来的。为此我们剔除供应商与客户位于同一行业的样本重新进行回归,表3第(1)列结果显示核心解释变量Digital的系数依然显著为正,与基准模型实证结果保持一致。
其二,企业数字化转型的溢出效应可能是来自于企业内部的传递。本文样本存在部分上游供应商企业与其下游客户或为同一家企业或隶属同一企业集团的现象。这使得下游企业数字化转型对上游企业生产率增长的促进作用可能是来自于同一企业内部的技术转移和战略规划等,因为公司会从集团其他成员企业的数字化转型中获益(Claessens and Fan,2002)。虽然这种企业内部不同部门和企业集团内部充分利用数字技术扩大技术投资效益的现象亦属于数字化转型溢出,但却是一种内部渠道的溢出效应,并不属于本文所研究的产业链供应链纵向关系中的数字化转型溢出效应。因此,根据蔡卫星等(2019)的方法,本文剔除上游供应商和下游客户属于同一家企业或同一企业集团公司的样本重新进行回归,表3第(2)列的回归结果显示,核心解释变量Digital 的系数仍然显著为正,本文主要结论依然成立。
其三,企业数字化转型的溢出效应可能是来自于下游客户和上游供应商地理位置的邻近。地理临近是传统知识溢出的重要渠道,特别是在产业链供应链纵向关系结构中,供应商与客户之间的地理邻近性更有利于生产网络内隐性知识的传播(陈胜蓝和刘晓玲,2021)。由此引发的担忧是,本文的主要结论可能是由于供应商和客户的地理位置临近所带来的。因此,本文剔除上游供应商企业和下游客户企业位于同一城市的样本重新进行回归。表 3 第(3)列中核心解释变量
Digital的系数依然显著为正,进一步排除了其他替代性解释对本文基本结论的干扰。
2.替换被解释变量
前述计量回归中的被解释变量均是基于LP方法估算的企业全要素生产率,作为稳健性检验,下面使用OP法重新测算企业全要素生产率进行回归。表3第(4)列的回归结果显示核心解释变量Digital的系数依然显著为正,基准回归结果依旧稳健。
3.调整聚类层级
标准误聚类到不同层级所隐含的对扰动项方差协方差结构的假设不同。聚类层级越高,所隐含的假设越弱,标准误估计越稳健。出于稳健性考虑,本文进一步将聚类层级调整到行业-时间维度,表3第(5)列的回归结果显示,Digital的系数仍然显著为正,稳健支持下游企业数字化转型显著促进上游企业全要素生产率增长的基本结论。
表 3:稳健性检验结果
| (1) | (2) | (3) | (4) | (5) |
排除同一行业内部溢出 | 排除同一企业集团内部溢出 | 排除地理邻近带来的溢出 | OP 法测量TFP | 聚类到行业-时间维度 | |
Digital | 0.4332* (0.2303) | 0.3337** (0.1619) | 0.4984** (0.2072) | 0.1990* (0.1047) | 0.3840** (0.1572) YES YES |
Controls | YES | YES | YES | YES | |
企业/年份固定 | YES | YES | YES | YES | |
Observations | 1819 | 2313 | 2075 | 2588 | 2588 0.8254 |
R-squared | 0.8240 | 0.8227 | 0.8307 | 0.9220 |
〔参考文献〕
- 蔡卫星,倪骁然,赵盼,杨亭亭.企业集团对创新产出的影响:来自制造业上市公司的经验证据
[J].中国工业经济,2019(01):137-155.
- 陈胜蓝,刘晓玲.生产网络中的创新溢出效应——基于国家级高新区的准自然实验研究[J]. 经济学(季刊),2021,21(05):1839-1858.
- 底璐璐,罗勇根,江伟,陈灿.客户年报语调具有供应链传染效应吗?——企业现金持有的视角[J].管理世界,2020,36(08):148-163.
- 刘洋 , 董久钰 , 魏江 . 数字创新管理:理论框架与未来研究 [J]. 管理世界,2020,36(07):198-217+219.
- 石大千,丁海,卫平,刘建江.智慧城市建设能否降低环境污染[J].中国工业经济,2018(06):117-135.
- 唐松,谢雪妍.企业持股金融机构如何服务实体经济——基于供应链溢出效应的视角[J].中国工业经济,2021(11):116-134.
- 陶锋,朱盼,邱楚芝,王欣然.数字技术创新对企业市场价值的影响研究[J].数量经济技术经济研究,2023,(5):68-91.
- 袁淳,肖土盛,耿春晓,盛誉.数字化转型与企业分工:专业化还是纵向一体化[J].中国工业经济,2021(09):137-155.
- Claessens, S., and J. P. H. Fan. Corporate Governance in Asia: A Survey[J]. International Review of Finance, 2002, 3(2): 71-103.
- Giannetti, M., G. Liao., and X. Yu. The Brain Gain of Corporate Boards: Evidence from China[J]. The Journal of Finance, 2015, 70(4): 1629-1682.
注:该附录是期刊所发表论文的组成部分,同样视为作者公开发表的内容。如研究中使用该附录中的内容,请务必在研究成果上注明引文和下载附件出处。
引用示例:
参考文献引用范例:
[1] 朱军. 技术吸收、政府推动与中国全要素生产率提升[J].中国工业经济.2017,(1):5-24.
如果研究中使用了未在《中国工业经济》纸质版刊发、但在杂志网站上正式公开发表的数字内容
(包括数据、程序、附录文件),请务必在研究成果正文中注明:数据(及程序等附件)来自朱军(2017),参见在《中国工业经济》网站
(http://ciejournal.ajcass.org)附件下载。