DOI:10.12677/fin.2024.144129,PDF,HTML,XML,被引量下载: 33浏览: 86
作者:熊菊南^*,郭怡菲^#：北京工商大学商学院，北京
关键词:数字化转型；融资约束；企业绩效；实证研究；Digital Transformation；Financing Constraints；Firm Performance；Empirical Study

文章引用：熊菊南, 郭怡菲. 企业数字化转型对企业绩效的影响研究——基于融资约束视角[J]. 金融, 2024, 14(4): 1258-1273. https://doi.org/10.12677/fin.2024.144129

1. 引言

随着经济社会全面恢复常态化运行，我国经济运行整体呈现恢复向好态势。但全球经济形势复杂多变，我国经济运行仍面临新的困难挑战。“十四五”规划和2035年远景目标纲要中多次提及实体经济，要求坚持把发展经济着力点放在实体经济上。实体企业作为实体经济发展的核心，在实体经济创新发展中发挥着重要作用。在此背景下，如何培育新发展格局下最具价值的新型实体企业是成为亟待解决的重大问题。当前数字经济规模不断扩大，数字经济已成为经济发展的重要支柱，而数字化转型是数字经济的重要推动力。近年来，受数字经济浪潮影响，为迎接全新的挑战与机遇，数字化转型成为企业的必选项[1]。那么，数字化转型能否更好地发挥驱动作用，促进企业绩效提升，进而推动企业提质增效是当下实务界和理论界共同关注的问题。

近年来，越来越多学者开始关注数字化转型对企业高质量发展的影响。从现有文献看，学者们着重从以下两方面来探讨：一是数字化转型模式层面。相关研究发现，企业实施数字化转型包含企业内部模式和企业外部模式两个层次，内部模式主要聚焦于优化企业内部管理效率，外部模式则着眼于促进多个企业互动发展，提升管理效率[2]。二是价值创造层面，已有研究表明，数字化转型在本质上重构了企业的价值创造范式，直接影响或者通过降低企业交易成本和营业成本、提高运营效率的路径来实现企业绩效的提升[3]。值得注意的是，虽然近期有文献[4]注意到数字化转型对企业绩效作用机制的研究，但鲜有研究进一步探讨不同行业实施数字化转型对企业绩效产生影响的异同，因此更多维度的经验证据有待发掘。

基于上述分析，本文以企业绩效为切入点，深入探究数字化转型的企业提质增效驱动功能，既为“数字经济”与“实体企业”的融合交织提供新的经验证据，也为完善数字化建设，推动构建新发展格局和实现经济持续健康发展提供了政策启示。本文的边际贡献主要体现在以下三个方面：第一，立足实体经济高质量发展实践，肯定了数字中国建设在企业提质增效中的积极作用。第二，除了考察数字化转型对于企业提质增效的驱动作用外，本文还探究了这种作用在不同所有权性质的企业及不同的行业产生的大小，进而更加全面、深入地揭示了数字化转型影响企业提质增效的逻辑。第三，丰富了数字化转型经济后果研究。由于受到高融资约束的制约，部分企业的数字化转型仍然停留在低端的数字化设备改造和技术应用配套阶段[5]，而企业融资约束是影响企业绩效的重要因素，也是企业成功进行数字化转型的关键因素，目前以融资约束作为路径分析企业数字化转型对企业绩效作用的文献屈指可数。这有助于解释企业数字化转型对企业提质增效影响的机制，为探讨企业数字化转型有效性提供新方法。

2. 理论分析与研究假设

2.1. 数字化转型与企业绩效

近年来，学术界对数字化转型的研究主要集中在以下领域：在数字化转型中，企业建立各种数据系统，以降低成本、提高资本效率、推动创新从而实现更高的经济效益[6]；数字化转型通过降本增效、促进创新以及整合生产和服务，提高了企业的整体生产力[7]；数字化转型能够提升股票流动性，改善信息不对称问题[8]。

关于企业数字化转型对绩效影响的研究，目前争论的焦点有两点：一是数字化水平是否提高了企业绩效，二是如果数字化水平提高了企业绩效，其传导路径是什么？[9]

一方面，数字化转型促进了公司结构模式的现代化，使其朝着高透明度、高灵活性和高弹性的方向发展，在新的结构模式下，原有生产方式和组织形式的低效率可以得到优化，外部交易成本和内部管理成本可以降低[10]。另一方面，信息的公开和透明以及财力、物力和人力等资源的协调，可以加强组织内部的信息沟通，减少公司的机会主义行为，提高公司识别、预测和规避风险的能力，并创造一个稳定的内部环境，从而提高公司绩效[11]。

基于上述分析，本文提出：

假设H₁：在其他条件不变的情况下，数字化转型可以显著提高企业绩效。

2.2. 数字化转型与融资约束

融资约束意味着企业处于一个不完善的金融市场，外部资本和内部资本不能完美替代，与内部融资相比，从外部市场筹集资金的成本太高，导致企业偏离最佳投资水平，影响生产和经营[12]。根据对现有文献的分析，许多研究人员认为，融资约束对企业的创新活动有负面影响。然而，数字化转型，即企业使用数字化技术大大减少了融资约束，从而增加了企业的研发和创新活动。数字化转型，通过使用数字技术，增加业务范围，提高营业收入，减少融资约束，降低融资成本，从而提高公司的声誉，促进研发和创新活动更加合理[13]。

一方面，企业的数字化程度越来越高，增加了外部融资机会，大大降低了企业的融资成本。企业数字化转型意味着能够充分利用人工智能、大数据和互联网等技术来获取、处理和传播可靠的信息。因此，与传统企业相比，数字化转型后的企业可以提高信息使用效率，通过高质量的信息降低企业与外部资本提供者之间的信息不对称程度，缓解企业融资约束[14]。另一方面，加速数字化将有助于建立一个健全的提升信贷体系，可以有效遏制贷款中的道德风险和逆向选择。数字化可以帮助公司更好地提升自身，信贷机构更关注这些公司的发展，从而获得创新所需的资金，消除融资约束，增加研究、开发和创新的投资[15]。

基于上述分析，本文提出：

假设H₂：在其他条件不变的情况下，数字化转型通过缓解企业融资约束，进而显著提高企业绩效。

2.3. 数字化转型与国有企业

作为中国特色社会主义的重要物质基础和政治基础，国有资本的主要任务是引导经济社会发展，体现国家意志，满足国家战略需要[16][17]。随着《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》以及《国企改革三年行动方案(2020~2022年)》的出台，国家使命的内涵更广、质量更高，国有企业需要从战略上支撑国家科技自主创新、建设现代产业体系、形成新的发展模式、保障战略安全、实现绿色发展、增进民生福祉的使命[18]。

考虑到中国作为发展中经济体，市场机制仍在不断完善，这导致政府在稀缺性资源的配置中发挥着特别重要的作用。因此，与政府相关的社会资本往往构成了企业获取竞争优势的重要要素[19]。相较于非国有企业，国企拥有更雄厚的实力，具备充足的资源、科研储备，往往也享有国家政策倾斜和资金补贴，具有更强的人才集聚能力。而民营制造企业通常会由于创新成本过高、资金短缺等问题减少创新活动[20]。

在数字技术的帮助下，国有企业提高了生产效率和管理水平，实现了通用数据的互联互通，在信息化平台内实现了部门间的信息共享，完成了系统集成的数字化平台。中央企业数字化技术已深度融入各业务领域，系统安全性得到提升，数字技术在企业发展中的作用日益明显[21]。

基于上述分析，本文提出：

假设H₃：相较于非国有企业，国有企业实施数字化转型可以显著提升企业绩效。

2.4. 数字化转型与非制造行业

不同的制造业有不同的生产方式，造成数字化转型的动机也不同。比如，农业、食品加工等传统制造业，生产经营方式稳定，数字化程度低，对企业的影响有限，这些企业更愿意通过其他方式优化完善[22]。

从企业管理的角度来看，制造行业的企业通常是总量庞大、组织关系复杂的大型企业。这样的企业形成了固定工作的标准，试图实施数字化转型，改变已经形成的模式，难免会产生一些摩擦和阻力，影响组织工作的顺利进行[23]。并且在制造业，数据被认为是第六大生产要素，越来越多的工厂开始采用数据驱动的生产模式。企业的数字化转型导致了大数据的共享，虽然数据流可能带来利益，但也蕴含着一些风险，数据流风险往往发生在不同系统之间、不同职能部门之间、甚至不同行业之间[24]。而非制造业行业的企业，相对来说形式较为多样和灵活，更容易接受新的事物，面对新的挑战和机遇时，能够比制造业企业做出更快的调整，具有较强的适应性。

基于上述分析，本文提出：

假设H₄：相较于制造业，非制造业企业实施数字化转型可以显著提高企业绩效。

3. 研究设计

3.1. 样本选取与数据来源

考虑到中国数字经济规模的迅速扩张和数字技术的高速发展及逐步应用主要是在2010年之后[25]。因此，本文以2010~2021年沪深A股上市公司为研究样本，这有助于会计信息的前后可比性。其中主要上市公司样本主要来源于CSMAR数据库，并进行如下筛选：第一，根据国民经济行业分类标准，剔除金融行业上市公司数据；第二，剔除在样本期间内ST和PT的样本；第三，剔除关键变量存在缺失的上市公司；第四，对于所有连续性变量在1%和99%水平上进行了Winsor缩尾处理，消除异常值对实证研究结果的影响；第五，本文还对回归中的标准误进行了公司层面的聚类(Cluster)处理，消除公司层面聚集效应可能对结果产生的偏误。最终选取了12,252个样本观测值。

3.2. 变量定义

3.2.1. 被解释变量

企业绩效(TFP)。目前国内外学者大多采用如净资产利润率、总资产回报率或者托宾Q值等财务指标和市场价值指标来衡量企业绩效，也有少数学者以企业全要素生产率作为测度企业绩效的指标[26]。以财务指标或市场价值指标作为企业绩效评价指标稍欠妥。一方面，只能代表过去取得的业绩，不能反映关于未来发展状况，另一方面，管理层很可能会为了实现利益最大化，选择短期容易变现盈利的项目[27]，而放弃那些有从长远价值的项目，这对公司长期高质量发展不利。因此，本文综合考虑了由于技术进步和资源配置等要素带来的效益，选取全要素生产率测度企业绩效，并在估算上市公司的全要素生产率时主要参考鲁晓东和连玉君[28]的相关研究，采用LP法计算得到。

3.2.2. 解释变量

数字化转型(DT)。企业数字化转型是一个系统性的过程，对于如何准确量化，众多学者已从宏观层面展开研究，但从企业微观层面的研究较少。但近年来，随着大数据技术的广泛运用，部分学者开始运用文本分析法刻画企业数字化转型。然而，选择的词典是否恰当是数字化转型指标能否杯准确刻画的关键。本文在参考吴非等[8]研究的基础上，建立一个较为完备的数字化词库，并利用文本分析法构建一个反映中国企业数字化转型程度的指标。具体步骤有：第一，以国家政策语义体系为基础构建企业数字化术语词典。为了提取企业数字化转型相关的关键词，首先通过中央人民政府及工业和信息化部网站检索，筛选得到和数字经济相关的政策文件以便提取企业数字化相关的关键词。然后运用分词处理技术，经过筛选整理，最终构成数字化词典库；第二，分析年报相关语段，下载沪深A股上市公司年报并通过Python提取公司年报中的MD&A文本，然后将数字化词典库扩充到Python软件包中进行中文分词处理，运用文本分析法对其进行分词处理，统计得到年报MD&A中出现的数字化词汇频次；第三，构建数字化转型程度指标。在提取到年报中数字化关键词的词频后，为了消除语段长度对结果的影响，本文采用数字化关键词的总词频除以年报中MD&A语段长度，并为了方便查看，统一将其扩大100倍，指标数值越大，表示企业数字化程度越高[29]。

3.2.3. 中介变量

融资约束(SA)。由于现实世界中并不存在真正意义上的完美的资本市场，信息不对称和委托代理问题常常存在[30]，这对企业融资产生了一定的限制与影响。对于融资约束的衡量方法主要有：利用单一指标来衡量和综合运用多指标进行测度。相比之下，多指标不仅将多种指标涵盖在内，而且具有较强的说服力，可靠性也相对高。本文参考张璇等[31]的研究，以SA指数的绝对值作为测度融资约束的指标，该指标数值越大，表明企业受到的融资约束越严格。

3.2.4. 控制变量

Table 1.Variable definitions

表1.变量定义

变量类型	变量名称	变量符号	变量测量
被解释变量	企业绩效	TFP	LP法衡量的企业绩效
解释变量	企业数字化转型程度	DT	企业数字化转型相关词汇的总词频除以年报MD&A语段长度，并乘以100
中介变量	融资约束	SA	SA指数的绝对值
控制变量	企业上市年限	AGE	ln(当年年份 − 上市年份 + 1)
	企业所有权性质	SOE	国有企业为1，否则为0
	董事会规模	BOARD	董事会人数取自然对数
	独董比例	INDEP	独立董事人数/董事会总人数
	股权集中度	TOP10	前十大股东持股比例
	行业	Ind	行业虚拟变量
	年份	Year	年份虚拟变量

为了保证实证结果的准确性，本文参考李琦[10]、易露霞[32]等，本文选取的控制变量具体包括：企业成立年限(Age)、企业所有权性质(State)、董事会规模(Board)、独董比例(Indep)和股权集中度(Top10)。

本文研究变量的说明如表1所示。

3.3. 模型设计

为探讨数字化转型与企业绩效的关系，本文构建以下模型：

$TF{P}_{i,t}={\beta }_0+{\beta }_{1}D{T}_{i,t}+{\displaystyle \sum {\beta }_{\mu }}{\text{Controls}}_{i,t}+{\displaystyle \sum \text{Year}}+{\displaystyle \sum Ind}+{\epsilon }_{i,t}$(1)

为了验证融资约束在数字化转型与企业绩效之间的中介效应，本文参考温忠麟等[33]的中介效应模型对二者之间作用机制进行逐步回归检验，即设定模型(2)、(3)及(5)，其中SA代表中介变量，其余变量设置与前文保持一致。具体来讲，首先检验模型(2)中系数φ₁的显著性，若显著则继续下一步，否则停止检验。第二步检验模型(3)中的系数γ₁的显著性，若显著则继续下一步，否则停止检验。第三步检验模型(5)中系数ω₁与ω₂的显著性，若系数ω₁与ω₂都不显著，则说明不存在中介效应；若系数ω₂显著、ω₁不显著，则说明此中介效应为完全中介效应；若系数ω₁与ω₂都显著，则说明此中介效应为部分中介效应。

$TF{P}_{i,t}={\phi }_0+{\phi }_{1}D{T}_{i,t}+{\displaystyle \sum {\phi }_{\mu }}{\text{Controls}}_{i,t}+{\displaystyle \sum \text{Year}}+{\displaystyle \sum Ind}+{\epsilon }_{i,t}$(2)

$S{A}_{i,t}={\gamma }_0+{\gamma }_{1}D{T}_{i,t}+{\displaystyle \sum {\gamma }_{\mu }}{\text{Controls}}_{i,t}+{\displaystyle \sum \text{Year}}+{\displaystyle \sum Ind}+{\epsilon }_{i,t}$(3)

$TF{P}_{i,t}={\tau }_0+{\tau }_{1}S{A}_{i,t}+{\displaystyle \sum {\tau }_{\mu }}{\text{Controls}}_{i,t}+{\displaystyle \sum \text{Year}}+{\displaystyle \sum Ind}+{\epsilon }_{i,t}$(4)

$TF{P}_{i,t}={\omega }_0+{\omega }_{1}D{T}_{i,t}+{\omega }_{2}S{A}_{it}+{\displaystyle \sum {\omega }_{\mu }}{\text{Controls}}_{i,t}+{\displaystyle \sum \text{Year}}+{\displaystyle \sum Ind}+{\epsilon }_{i,t}$(5)

其中，TFP表示企业绩效，DT表示数字化转型程度，SA表示融资约束，Control为控制变量集，i表示企业， ${\beta }_{\mu }$、 ${\phi }_{\mu }$、γ_μ、τ_μ、ω_μ分别为各控制变量的系数 $\left(\mu =\text{2}，\cdots ，\text{6}\right)$，t表示年份，ε为随机误差项。为降低行业特性和宏观经济因素的影响，本文同时控制了年份(Year)、行业(Ind)的虚拟变量。

4. 实证研究与结果分析

4.1. 描述性统计分析

表2列示了主要变量的描述性统计结果。从中看出，企业绩效(TFP)的最小值为9.067，最大值为15.28，均值和标准差分别为11.94和1.342，说明不同类型的企业绩效有较大差异。数字化转型(DT)的均值为8.764，表明上市公司数字化转型程度平均为8.764，标准差为20.55，表明不同企业的数字化转型实施程度差异大。融资约束(SA)的最大值和最小值分别为4.387、2.973，均值和标准差分别为3.826和0.259，表明不同类型企业间面临融资约束程度也存在差距。

Table 2.Descriptive statistical analysis

表2.描述性统计分析

变量	样本量	均值	中位数	标准差	最大值	最小值
TFP	12,252	11.94	11.94	1.342	15.28	9.067
DT	12,252	8.764	8.764	20.55	130	0
SA	12,252	3.826	3.826	0.259	4.387	2.973
AGE	12,252	2.647	2.647	0.482	3.332	1.099
SOE	12,252	0.553	0.553	0.497	1	0
BOARD	12,252	2.166	2.166	0.197	2.708	1.609
INDEP	12,252	0.374	0.374	0.0554	0.571	0.333
TOP10	12,252	0.552	0.552	0.152	0.897	0.234

4.2. 相关性分析

表3报告了本文主要研究变量的相关系数矩阵。由表3不难发现，数字化转型与企业绩效之间的相关系数为0.049，在1%的显著性水平上正相关，表明实施企业数字化转型对企业绩效提升由促进作用，假设H₁初步得到验证。融资约束与企业绩效在1%的显著性水平上呈负相关，相关系数为−0.155，即企业的融资约束程度越高，企业绩效越低，假设H₂初步得到验证。并且所有解释变量间的相关系数的绝对值均小于0.4，方差膨胀因子VIF小于1.19，远小于10，说明本文变量间不存在严重的多重共线性问题，可以进一步分析。

Table 3.Correlation analysis

表3.相关性分析

变量	TFP	DT	SA	AGE	SOE	BOARD	INDEP	TOP10
TFP	1.000
DT	0.049***	1.000
SA	−0.155***	0.092***	1.000
AGE	0.238***	0.036***	0.638***	1.000
SOE	0.206***	−0.148***	−0.00300	0.248***	1.000
BOARD	0.183***	−0.060***	−0.079***	−0.00700	0.186***	1.000
INDEP	0.070***	0.046***	−0.071***	−0.00300	−0.00600	−0.466***	1.000
TOP10	0.308***	−0.087***	−0.297***	−0.182***	0.117***	0.122***	0.022**	1.000

注：***、**和*分别表示在1%、5%和10%水平上显著。

4.3. 基准回归

为了检验数字化转型对企业融资约束的影响，采用模型(1)进行检验，回归分析结果见表4。另外，为了控制潜在的自相关或异方差问题，在上市公司层面进行了Cluster聚类调整，并同时控制年份固定效应与行业固定效应。其中列(1)为不加入控制变量的回归结果，数字化转型(DT)的回归系数为0.0058，在1%的统计水平上显著。在列(2)加入控制变量后，数字化转型对企业绩效的促进作用没有发生变异，系数为0.0084，并通过1%的显著性检验。列(3)在列(2)的基础上还控制了年份与行业虚拟变量的交乘项，回归系数仍为0.0084，通过了1%的显著性检验。这表明企业提高数字化转型水平可以更好地发挥优势效应提高企业绩效水平，即假设H₁得到验证。

在控制变量中，企业成立年限(Age)、企业所有权性质(State)、董事会规模(Board)、独董比例(Indep)和股权集中度(Top10)的系数均显著为正，表明企业成立年限越大，企业性质为国有企业，董事会规模越大，独董比例越高，股权集中度越强的上市公司的企业绩效越好，回归结果基本符合预期。

Table 4.Digital transformation and business performance: baseline regression

表4.数字化转型与企业绩效：基准回归

VARIABLES	(1)	(2)	(3)
	TFP	TFP	TFP
DT	0.0058***	0.0084***	0.0084***
	(3.2713)	(5.3256)	(4.9054)
AGE		0.5946***	0.5941***
		(6.7489)	(6.6396)
SOE		0.2422***	0.2409***
		(3.5189)	(3.4696)
BOARD		1.5680***	1.5662***
		(9.0514)	(8.9656)
INDEP		3.7653***	3.7818***
		(6.3926)	(6.3714)
TOP10		2.7346***	2.7624***
		(12.8502)	(12.8333)
Constant	10.4165***	2.9092***	2.9194***
	(63.3918)	(4.9741)	(5.0190)
Observations	12,252	12,252	12,252
Adjusted R-Squared	0.1429	0.3230	0.3189
Year	Yes	Yes	Yes
Industry	Yes	Yes	Yes
Ind_Year	No	No	Yes

注：*、**、***分别为10%、5%、1%的水平下显著性；括号内为t值；使用聚类稳健标准误。

4.4. 稳健性检验

数字化转型与企业绩效水平之间的关系可能受到内生性问题的影响。一方面，数字化转型和企业绩效水平的相关关系会受到某些不可观测的遗漏变量的影响，如实施数字化转型的企业拥有更多获利机会，增加了影响企业绩效的其他因素。另一方面，数字化转型与企业绩效之间可能存在反向因果关系，如绩效水平高的企业为赢得更多的市场占有率，提高市场竞争力，会激发实施数字化转型。基于此，本文拟采用PSM倾向得分配对法、和滞后解释变量和更换被解释变量的方法来解决变量之间可能存在的内生性问题。

4.4.1. 倾向得分匹配法(PSM)

为在一定程度上缓解内生性问题，本文拟采用PSM倾向评分匹配法。对于处理组和对照组的设定，以数字化转型(DT)的中位数为基准，如果样本数据大于此基准，则为处理组，赋值虚拟变量Treat为1；否则为对照组，赋值Treat为0。然后将企业成立年限(Age)、企业所有权性质(State)、董事会规模(Board)、独董比例(Indep)和股权集中度(Top10)作为协变量进行logit回归。采用1:1进行近邻匹配，卡尺设置为0.05。表5平衡趋势检验结果显示，匹配后相关控制变量的标准化偏差均在10%以下，t检验结果不能拒绝处理组和控制组无显著差异的原假设，因而基于匹配后的样本，重新进行检验。图1和图2分别展示了对两组样本的匹配前后倾向得分值的核密度分布。结果显示，匹配后的两条线更相近，表明匹配后处理组和控制组的差异缩小，匹配效果较好，满足共同支撑检验。

Table 5.Equilibrium trend test

表5.平衡趋势检验

变量	匹配前	均值		偏差		T检验
	匹配后	处理组	控制组	%bias	bias	t	p>t
AGE	U	2.6586	2.6383	4.2		2.30	0.000
	M	2.6586	2.6593	−0.1	96.9	−0.07	0.947
SOE	U	0.4863	0.6000	−3.0		−12.56	0.000
	M	0.6051	0.5698	−0.4	98.3	−0.20	0.843
BOARD	U	2.1555	2.1734	−9.1		−4.96	0.000
	M	2.1555	2.1533	1.1	87.8	0.55	0.583
INDEP	U	0.3767	0.3713	9.6		5.26	0.000
	M	0.3767	0.3771	−0.8	91.3	−0.41	0.681
TOP10	U	0.5512	0.5524	−0.8		−0.43	0.000
	M	0.5512	0.5513	−0.1	89.2	−0.04	0.966

Figure 1.Kernel density map of propensity score values before matching

图1.匹配前的倾向得分值核密度图

Figure 2.Kernel density map of propensity score values after matching

图2.匹配后的倾向得分值核密度图

4.4.2. 滞后解释变量

一方面，数字化转型可以提升企业绩效，有助于资金流入企业；另一方面当融资约束降低、资金需求得到满足时企业亦有动机进行数字化转型，为了在一定程度上减轻反向因果的内生性干扰问题，本文在研究中延长数字化转型对企业融资约束的时间考察期，回归结果如表6所示。结果表明无论是将核心解释变量(DT)滞后一期还是二期，DT的系数均在1%水平上显著为正，与本文的基准回归结果一致，表明结论具有稳健性。

Table 6.Lagged explanatory variables

表6.滞后解释变量

VARIABLES	(1)	(2)	(3)
		滞后一期	滞后两期
	TFP	TFP	TFP
DT	0.0084***
	(5.3256)
L.DT		0.0089***
		(5.3453)
L2.DT			0.0092***
			(5.2127)
AGE	0.5946***	0.5701***	0.5380***
	(6.7489)	(6.0717)	(5.3109)
SOE	0.2422***	0.2362***	0.2258***
	(3.5189)	(3.3836)	(3.1888)
BOARD	1.5680***	1.5471***	1.5115***
	(9.0514)	(8.7216)	(8.2926)
INDEP	3.7653***	3.7362***	3.7007***
	(6.3926)	(6.2296)	(6.0240)
TOP10	2.7346***	2.8102***	2.8911***
	(12.8502)	(13.0252)	(13.2438)
Constant	2.9092***	3.0957***	3.2258***
	(4.9741)	(5.1072)	(5.1113)
Observations	12252	11231	10210
Adjusted R-Squared	0.3230	0.3149	0.3085
Year	Yes	Yes	Yes
Industry	Yes	Yes	Yes

注：*、**、***分别代表10%、5%、1%的显著性，系数下方为t值。

4.4.3. 更换被解释变量

为了提高研究结论的可靠性，本文进一步更改关键变量的度量方法。运用ROE和Tobin Q来作为替代变量。ROE和Tobin Q指标数值越大，表示企业绩效水平越高。回归结果如表7所示，数字化转型(DT)与ROE、Tobin Q的系数分别在1%和5%水平下显著为正，再次验证假设H₁。

Table 7.Changes to interpreted variables

表7.变更被解释变量

VARIABLES	(1)	(2)	(3)
	TFP	ROE	TOBINQ
DT	0.0085***	0.0041***	0.0068**
	(4.4304)	(2.8765)	(1.2529)
AGE	0.5770***	0.0119**	−0.1010
	(5.9570)	(2.3044)	(−1.1838)
SOE	0.2119***	−0.0218***	−0.2220***
	(2.8101)	(−5.2912)	(−3.3217)
BOARD	1.6306***	0.0204**	−0.6897***
	(8.7891)	(2.0753)	(−4.5505)
INDEP	4.1625***	0.0088	−0.7202
	(6.6491)	(0.2597)	(−1.5296)
TOP10	2.7282***	0.1274***	−0.1368
	(11.4819)	(10.0853)	(−0.6652)
Constant	2.5839***	−0.0328	5.2318***
	(4.1076)	(−0.9623)	(9.5682)
Observations	10068	10068	10068
Adjusted R-Squared	0.3274	0.0917	0.2094
Year	Yes	Yes	Yes
Industry	Yes	Yes	Yes

注：*、**、***分别代表10%、5%、1%的显著性，系数下方为t值。

5. 作用机制检验

前文的理论分析表明数字化转型可以通过降低融资约束，降低企业融资成本，进而一定程度上提升企业绩效。因此为了考察数字化转型是否会通过降低融资约束进而影响企业绩效，本文采用模型(2)、(3)、(4)和(5)进行逐步回归。

表8列示了回归结果。第(1)列为基准回归结果，第(2)列中，数字化转型(DT)与融资约束(SA)的系数为−0.0031，在5%的统计水平上显著为负，即数字化转型能够降低企业融资约束；第(4)列中，DT系数较第(1)列有所下降，但仍在1%的统计水平上显著为正，且第(3)列、第(4)列中SA的系数均显著为负，即融资约束越低，企业绩效越高。

Table 8.Tests the intermediation effect of financing constraints

表8.融资约束的中介效应检验

VARIABLES	(1)	(2)	(3)	(4)
	TFP	SA	TFP	TFP
DT	0.0084***	−0.0031**		0.0082***
	(5.3256)	(−3.0284)		(5.5807)
SA			−2.2066***	−2.2001***
			(−13.8111)	(−14.1188)
AGE	0.5946***	0.2816***	1.2058***	1.2142***
	(6.7489)	(17.9608)	(13.1992)	(13.5401)
SOE	0.2422***	−0.0490***	0.1053	0.1344**
	(3.5189)	(−4.3007)	(1.6443)	(2.1318)
BOARD	1.5680***	−0.0956***	1.3509***	1.3577***
	(9.0514)	(−3.1489)	(8.5222)	(8.6457)
INDEP	3.7653***	−0.5120***	2.7373***	2.6389***
	(6.3926)	(−4.8353)	(5.4404)	(5.2722)
TOP10	2.7346***	−0.2735***	2.1005***	2.1329***
	(12.8502)	(−7.0875)	(10.6820)	(10.9393)
Constant	2.9092***	3.5812***	10.8002***	10.7883***
	(4.9741)	(32.6655)	(13.7248)	(13.8326)
Observations	12252	12252	12252	12252
Adjusted R-Squared	0.3230	0.4991	0.4031	0.4134
Year	Yes	Yes	Yes	Yes
Industry	Yes	Yes	Yes	Yes

注：*、**、***分别为10%、5%、1%的水平下显著性；括号内为t值；使用了聚类稳健标准误。

进一步，本文进行了Sobel检验，Z值统计量为−5.624，在1%的统计水平上显著，表明融资约束在数字化转型与企业绩效之间发挥了部分中介效应。本文又使用Bootstrap方法检验，重复进行了500次抽样，结果如表9所示。可以发现，间接效应和直接效应在95%的置信区间和偏差纠正区间内均不包含0，再次验证数字化转型能够通过降低融资约束提高企业绩效，即假设H₂得到验证。

Table 9.Results of Bootstrap test for financing constraints

表9.融资约束的Bootstrap检验结果

	Observed Coefficient	Bootstrap Std. Err.	z	P>|z|	Normal-Based[95% Conf. Interval]
间接效应	−0.0010035	0.0001927	−5.21	0.000	−0.0013811	−0.0006258
直接效应	0.0064995	0.0004953	13.12	0.000	0.0055287	0.0074702

6. 进一步研究

6.1. 企业所有权性质的异质性检验

Table 10.Testing the heterogeneity of ownership nature

表10.所有权性质异质性检验

VARIABLES	(1)	(2)	(3)
	国有企业	非国有企业	交乘项
	TFP	TFP	TFP
DT	0.0115***	0.0068***	0.0091***
	(4.3465)	(3.4439)	(5.3773)
DT*SOE			0.2445***
			(3.5511)
SOE			0.0029
			(1.0746)
AGE	0.3934***	0.7141***	0.5917***
	(2.8308)	(6.4314)	(6.7218)
BOARD	1.4373***	1.4916***	1.5703***
	(6.8411)	(5.2921)	(9.0696)
INDEP	4.1589***	2.6446***	3.7622***
	(5.7364)	(3.0483)	(6.3912)
TOP10	3.3889***	1.8854***	2.7332***
	(11.5528)	(6.7328)	(12.8526)
Constant	3.2328***	3.8030***	3.1245***
	(4.1006)	(4.2382)	(5.2745)
Observations	6770	5482	12252
Adjusted R-Squared	0.3330	0.2849	0.3233
Year	Yes	Yes	Yes
Industry	Yes	Yes	Yes

注：*、**、***分别为10%、5%、1%的水平下显著性；括号内为t值；使用聚类稳健标准误。

相较于非国有企业，国有企业一般具有强大的政策支持、充足的资源储备和人才支撑[34]。因此，一旦国有企业开始实施数字化转型，其实践效果会优于非国有企业。为验证不同所有权性质企业实施数字化转型对企业绩效的异质性表现，本文按照产权性质，将样本划分国有企业和非国有企业两组，分别考察每组内数字化转型对企业绩效水平的影响，回归结果如表10列(1)和列(2)所示。国有企业组和非国有企业组中DT的系数均在1%的统计水平下显著，这意味着数字化转型均可以有效提升国有企业和非国有企业的绩效水平。

进一步加入产权性质虚拟变量(SOE)与数字化转型(DT)的交乘项进行回归，为减少多重共线性对回归结果影响及方便对回归系数理解，对两个变量均进行了中心化处理。由表10列(3)的实证检验结果可知，DT*SOE的系数在1%的统计水平下显著为正，表明数字化转型对国有企业绩效的促进效应明显大于非国有企业。该结果证实了假设H₃对企业所有权性质的异质性分析。

6.2. 行业特质的异质性检验

Table 11.Industry heterogeneity test

表11.行业异质性检验

VARIABLES	(1)	(2)	(3)
	制造业行业	非制造业行业	交乘项
	TFP	TFP	TFP
DT	0.0076***	0.0100***	0.0083***
	(3.3015)	(4.8801)	(5.1036)
DT*Cind			0.7225***
			(3.6768)
Cind			−0.0018
			(−0.6119)
AGE	0.9540***	−0.0357	0.5933***
	(8.8803)	(−0.2569)	(6.7247)
SOE	0.1381	0.3335***	0.2429***
	(1.6414)	(3.0164)	(3.5276)
BOARD	1.5390***	1.4576***	1.5652***
	(6.3562)	(5.9661)	(9.0176)
INDEP	2.9784***	4.5793***	3.7623***
	(4.2392)	(4.8060)	(6.3853)
TOP10	2.8895***	2.4394***	2.7338***
	(10.4545)	(7.7883)	(12.8512)
Constant	3.1511***	4.4518***	3.4257***
	(4.5696)	(4.9382)	(6.1580)
Observations	7219	5033	12252
Adjusted R-Squared	0.3145	0.3678	0.3231
Year	Yes	Yes	Yes
Industry	Yes	Yes	Yes

注：*、**、***分别为10%、5%、1%的水平下显著性；括号内为t值；使用聚类稳健标准误。

不同行业企业进行数字化转型的动力有所差异，而数字化转型程度会受到行业整体发展水平的影响[35]。因此，数字化转型的影响效果可能存在行业间的差异。本文在行业分类中按是否为制造业行业进行分样本回归，回归结果如表11列(1)和列(2)所示。在制造业行业样本中，回归系数为0.0076，在1%统计水平上显著，而在非制造业行业样本中，数字化转型(DT)的系数为0.0100，在1%统计水平上显著，且系数比制造业行业的回归系数大，这意味着数字化转型对非制造业行业企业的绩效提升效果更显著。

进一步加入是否为制造业行业的虚拟变量(Cind)及其与数字化转型(DT)的交乘项进行回归，同样对两个变量进行中心化处理，根据表11列(3)的实证检验结果可知，DT*Cind的系数为0.7225，在1%统计水平上显著为正，表明数字化转型更能提升非制造业行业企业的绩效水平。这意味着制造业行业企业中只有切实提升企业自身的数字基础设施建设才能高效提升其绩效水平。因此，相较于制造业行业，数字化转型对企业绩效的提升作用在非制造业行业中更加显著。证实了假设H₄对行业特质的异质性分析。

7. 结论与启示

随着数字中国建设的持续推进，数字化转型已逐渐成为企业提高运行效率和实体经济结构不断优化的重要一环。这种新型的“数字经济 + 实体企业”模式正广泛成为企业绩效提升的“加速器”。本文从企业绩效的角度切入，探讨了企业数字化转型对提升企业提质增效的驱动功能，借助2010~2021年沪深A股上市企业12,252个样本观测值，研究发现：第一，数字化转型对企业绩效具有显著的促进作用，且通过内生性处理结论依然有效；第二，企业数字化转型，可通过缓解信息不对称，进而降低融资约束程度的路径提高企业绩效水平；第三，相较于非国有企业，国有企业实施数字化转型的实践效果会优于非国有企业；第四，相较于制造业行业，数字化转型对企业绩效的提升作用在非制造业行业企业中更加显著。

结合上述结论，本文提出如下建议：第一，企业是宏观经济的微观组成部分。数字经济发展的缩影在微观层面来看即是企业数字化转型的过程。鉴于数字化转型对于企业提质增效的重要意义，实体企业应积极响应数字中国建设，充分把握数字化转型机遇，加快推动数实深度融合，抢占未来竞争的制高点。第二，加大数字产业政策扶持力度，拓宽数字化发展新空间，营造健康的数字经济发展环境。

NOTES

^*第一作者。

^#通讯作者。

参考文献

[1]	袁容容. 中小型制造企业数字化转型路径及策略研究[D]: [硕士学位论文]. 南京: 东南大学, 2023.
[2]	Porter, M.E. and Heppelmann, J.E. (2014) How Smart, Connected Products Are Transforming Companies.Harvard Business Review, 92, 24.
[3]	陈旭, 江瑶, 熊焰. 数字化转型对企业绩效的影响机制和路径研究[J]. 经济体制改革, 2023(2): 112-120.
[4]	张文治. 数字化转型、融资约束与企业绩效[D]: [硕士学位论文]. 太原: 山西财经大学, 2023.
[5]	张建伟. 融资方式对企业数字化转型类型的影响[J]. 财会月刊, 2022(22): 48-55.
[6]	何帆, 刘红霞. 数字经济视角下实体企业数字化变革的业绩提升效应评估[J]. 改革, 2019(4): 137-148.
[7]	赵宸宇, 王文春, 李雪松. 数字化转型如何影响企业全要素生产率[J]. 财贸经济, 2021, 42(7): 114-129.
[8]	吴非, 胡慧芷, 林慧妍, 等. 企业数字化转型与资本市场表现——来自股票流动性的经验证据[J]. 管理世界, 2021, 37(7): 130-144, 10.
[9]	徐睿. 数字化转型对企业绩效的影响研究[D]: [硕士学位论文]. 杭州: 杭州电子科技大学, 2023.
[10]	李琦, 刘力钢, 邵剑兵. 数字化转型、供应链集成与企业绩效——企业家精神的调节效应[J]. 经济管理, 2021, 43(10): 5-23.
[11]	肖红军, 阳镇, 刘美玉. 企业数字化的社会责任促进效应: 内外双重路径的检验[J]. 经济管理, 2021, 43(11): 52-69.
[12]	张文治. 数字化转型、融资约束与企业绩效[J]. 商场现代化, 2023(1): 85-87.
[13]	车德欣, 戴美媛, 吴非. 企业数字化转型对融资成本的影响与机制研究[J]. 金融监管研究, 2021(12): 56-74.
[14]	苑泽明, 于翔, 李萌, 等. 数字化转型如何影响企业的融资约束[J]. 会计之友, 2022(19): 99-108.
[15]	段华友, 杨兴柳, 董峰. 数字化转型、融资约束与企业创新[J]. 统计与决策, 2023, 39(5): 164-168.
[16]	郝鹏. 加快实现从管企业向管资本转变形成以管资本为主的国有资产监管体制[J]. 现代国企研究, 2019(18): 10-15.
[17]	刘纪鹏, 刘彪, 胡历芳. 中国国资改革: 困惑、误区与创新模式[J]. 管理世界, 2020, 36(1): 60-68, 234.
[18]	谢伏瞻, 蔡昉, 江小涓, 等. 完善基本经济制度推进国家治理体系现代化——学习贯彻中共十九届四中全会精神笔谈[J]. 经济研究, 2020, 55(1): 4-16.
[19]	Posen, H.E., Keil, T., Kim, S. and Meissner, F.D. (2018) Renewing Research on Problemistic Search—A Review and Research Agenda.Academy of Management Annals, 12, 208-251. https://doi.org/10.5465/annals.2016.0018
[20]	祁可, 田颖. 制造企业数字化转型、劳动力结构优化与企业创新效率——融资约束的调节效应[J/OL]. 科学与管理: 1-16. https://kns.cnki.net/kcms2/article/abstract?v=9UjK0-enmQjYUcrbh18x5odICOA7o7_5okSYegCfVPytpKNvZyDr0NQkUtobsWUbk6ChyOPXOGd2MChjfoJP6GTrywbtQbAjn8f97OxQKaVqCXyg1TVzPC7XtyoxZiCj0maBaCIzvf8=&uniplatform=NZKPT&language=CHS, 2023-10-26.
[21]	娄巍, 王巍, 刘倞, 等. 国有企业数字化转型发展问题研究[J]. 商场现代化, 2023(19): 121-123.
[22]	黄键斌, 宋铁波, 陈玉娇. 优势制造企业绩效期望落差对数字化转型响应的影响研究[J]. 管理学报, 2023, 20(7): 974-983.
[23]	强英诞. 国有制造企业数字化转型发展路径探析[J]. 无锡商业职业技术学院学报, 2023, 23(4): 52-56.
[24]	沈晨晨, 张立涛. 制造企业数字化转型的风险以及应对措施[J]. 现代工业经济和信息化, 2023, 13(1): 11-13.
[25]	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, 402(9): 137-155.
[26]	仇云杰, 魏炜. 研发投入对企业绩效的影响——基于倾向得分匹配法的研究[J]. 当代财经, 2016, 376(3): 96-106.
[27]	陆庆平. 以企业价值最大化为导向的企业绩效评价体系——基于利益相关者理论[J]. 会计研究, 2006(3): 56-62, 96.
[28]	鲁晓东, 连玉君. 中国工业企业全要素生产率估计: 1999-2007 [J]. 经济学(季刊), 2012, 11(2): 541-558.
[29]	肖土盛, 孙瑞琦, 袁淳, 孙健. 企业数字化转型、人力资本结构调整与劳动收入份额[J]. 管理世界, 2022, 38(12): 220-237.
[30]	吴新博. 信息不对称条件下委托-代理关系的主要问题[J]. 北京师范大学学报(社会科学版), 2005(5): 112-116.
[31]	张璇, 李子健, 李春涛. 银行业竞争、融资约束与企业创新——中国工业企业的经验证据[J]. 金融研究, 2019, 472(10): 98-116.
[32]	易露霞, 吴非, 常曦. 企业数字化转型进程与主业绩效——来自中国上市企业年报文本识别的经验证据[J]. 现代财经(天津财经大学学报), 2021, 41(10): 24-38.
[33]	温忠麟, 张雷, 侯杰泰, 等. 中介效应检验程序及其应用[J]. 心理学报, 2004(5): 614-620.
[34]	黄速建, 肖红军, 王欣. 论国有企业高质量发展[J]. 中国工业经济, 2018(10): 19-41.
[35]	童雨. 中国制造业数字化转型的影响因素研究[J]. 技术经济与管理研究, 2022(3): 124-128.