Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

表3(续)

一级指标 权重系数 二级指标 三级指标 权重系数

科创产出 0. 193 科学产出 专利申请数 0. 030

技术产出 发明专利数 0. 030

技术市场成交额 0. 029

产业产出 规模以上工业企业新产品销售收入 0. 027

科创开放 0. 235 学术开放 高等学校对境外机构支出 0. 030

高等学校 R&D 经费外国资金额 0. 030

科学开放 研究与开发机构 R&D 国外资金额 0. 030

研究与开发机构 R&D 经费境外支出额 0. 029

技术开放 规模以上工业企业 R&D 经费境外资金额 0. 030

规模以上工业企业 R&D 经费境外支出 0. 028

产业开放 外商投资企业数量 0. 028

外商投资总额 0. 029

从表 3 所示的各一级评价指标的最终权重可以看出,科创投入(0. 311)在科创策源能力评价中的权重

最高,其在区域科创策源能力的提升中起到至关重要的作用。 而科创开放(0. 235)的权重排在第二,可见海

内外科技创新、学术活动交流的开展与区域科创策源能力的提升密不可分。 政策导向(0. 098)权重最小,其

中以财政政策为主的直接创新政策影响权重最低,说明财政政策对创新策源能力的转化效率仍有待提升。

从三级指标的最终权重来看,每 10 万人口 R&D 经费 (0. 032)、每 10 万人口拥有国家级科技企业孵化器

(0. 030)、高等学校对境外机构支出(0. 030)、形成国家或行业标准数(0. 030)、高等学校 R&D 经费外国资金

额(0. 030)、发明专利数(0. 030)、专利申请数(0. 030)共 7 个指标权重大于 0. 03,它们是影响区域科创策源

能力的关键因素。

从表 4 中可以看出:2012—2021 年中国各省份科创策源能力极不平衡:首先,科创策源能力得分排位第

一的省份较最后一位差近 10 倍之多,且差距随时间的发展不断增大。 其次,科创策源能力排在前六位和最

后六位的省份在过去十年中排位相对稳定, 2012—2015 年,中国科创策源能力最强的省份是北京,江苏位居

第二、之后依次是广东、上海以及浙江;2016—2017 年,江苏超越北京成为中国科创策源能力最强的省份,广

东其次,而北京逐年后退,排在第三名;2018—2021 年,广东成为中国科创策源能力最强的省份,江苏位居第

二,北京连续五年位居第三。 与之对应地,中国科创策源能力排在最后六位的省份同样在过去十年无较大

变化,分别为青海、贵州、宁夏、海南、新疆以及西藏。 第三,科创策源能力位于中间段位的省份在过去十年

间变化较大,中游位置的省份竞争相对激烈。 其中,天津极大差序值达到 10 位,其余省份极大差序值也均大

于 4。

表 4 2012—2021 年省域科创策源能力评价得分

省份

2012 2013 2014 2015 2016 2017 2018 2019 2020 2021

得分 排名 得分 排名 得分 排名 得分 排名 得分 排名 得分 排名 得分 排名 得分 排名 得分 排名 得分 排名

北京 0. 280 1 0. 287 1 0. 288 1 0. 313 1 0. 348 2 0. 344 3 0. 349 3 0. 343 3 0. 415 3 0. 458 3

江苏 0. 269 2 0. 243 2 0. 283 2 0. 295 2 0. 365 1 0. 367 1 0. 38 2 0. 361 2 0. 437 2 0. 483 2

99

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

表4(续)

省份

2012 2013 2014 2015 2016 2017 2018 2019 2020 2021

得分 排名 得分 排名 得分 排名 得分 排名 得分 排名 得分 排名 得分 排名 得分 排名 得分 排名 得分 排名

广东 0. 233 3 0. 216 3 0. 216 3 0. 248 3 0. 327 3 0. 356 2 0. 475 1 0. 490 1 0. 560 1 0. 611 1

上海 0. 203 4 0. 209 4 0. 191 4 0. 224 4 0. 237 4 0. 244 4 0. 247 5 0. 259 4 0. 294 5 0. 316 6

浙江 0. 157 5 0. 148 5 0. 155 5 0. 180 5 0. 214 5 0. 217 6 0. 224 6 0. 229 5 0. 291 6 0. 329 5

山东 0. 134 6 0. 127 6 0. 153 6 0. 169 6 0. 212 6 0. 242 5 0. 271 4 0. 22 6 0. 299 4 0. 347 4

天津 0. 119 7 0. 126 7 0. 128 7 0. 147 7 0. 150 11 0. 159 9 0. 123 17 0. 119 14 0. 141 13 0. 153 13

辽宁 0. 093 11 0. 095 9 0. 010 9 0. 125 8 0. 175 7 0. 173 8 0. 158 9 0. 014 9 0. 146 12 0. 215 7

湖北 0. 103 8 0. 103 8 0. 011 8 0. 122 9 0. 154 9 0. 158 10 0. 172 8 0. 186 7 0. 190 7 0. 196 9

福建 0. 091 12 0. 085 12 0. 094 11 0. 097 14 0. 152 10 0. 144 13 0. 134 15 0. 116 16 0. 132 15 0. 142 16

陕西 0. 096 10 0. 094 10 0. 097 10 0. 107 12 0. 115 14 0. 134 14 0. 151 11 0. 136 11 0. 157 11 0. 171 12

安徽 0. 083 14 0. 070 15 0. 093 12 0. 107 13 0. 161 8 0. 173 8 0. 172 7 0. 148 8 0. 181 8 0. 202 8

河南 0. 088 13 0. 088 11 0. 09 13 0. 108 11 0. 142 12 0. 158 11 0. 134 10 0. 137 10 0. 161 9 0. 177 11

四川 0. 103 9 0. 073 13 0. 084 14 0. 115 10 0. 113 15 0. 158 12 0. 134 14 0. 125 12 0. 159 10 0. 179 10

湖南 0. 072 15 0. 072 14 0. 074 15 0. 086 15 0. 113 16 0. 127 15 0. 142 12 0. 122 13 0. 134 14 0. 143 14

黑龙江0. 066 16 0. 065 16 0. 063 20 0. 063 22 0. 069 25 0. 082 23 0. 089 19 0. 100 18 0. 076 22 0. 064 23

吉林 0. 062 17 0. 058 18 0. 065 16 0. 069 18 0. 086 20 0. 087 21 0. 086 20 0. 084 20 0. 088 21 0. 091 21

河北 0. 060 18 0. 055 21 0. 064 19 0. 075 16 0. 116 13 0. 122 16 0. 138 13 0. 117 15 0. 132 16 0. 143 15

江西 0. 060 19 0. 057 19 0. 064 18 0. 067 19 0. 083 22 0. 088 20 0. 098 18 0. 093 19 0. 109 17 0. 119 17

重庆 0. 053 21 0. 056 20 0. 064 17 0. 071 17 0. 093 17 0. 081 24 0. 086 21 0. 084 21 0. 105 18 0. 118 18

广西 0. 059 20 0. 055 23 0. 048 22 0. 060 24 0. 070 24 0. 098 17 0. 125 16 0. 105 17 0. 102 19 0. 103 19

甘肃 0. 050 23 0. 046 22 0. 048 23 0. 063 20 0. 088 19 0. 098 18 0. 082 23 0. 055 24 0. 070 24 0. 079 23

西藏 0. 022 31 0. 045 23 0. 014 31 0. 021 31 0. 011 31 0. 016 31 0. 014 31 0. 027 31 0. 025 31 0. 024 31

山西 0. 051 22 0. 061 17 0. 056 21 0. 061 23 0. 086 20 0. 085 22 0. 083 22 0. 067 22 0. 09 20 0. 103 20

海南 0. 029 29 0. 030 29 0. 030 29 0. 037 29 0. 045 29 0. 049 29 0. 043 29 0. 042 28 0. 046 28 0. 049 28

青海 0. 033 26 0. 030 28 0. 031 28 0. 047 25 0. 093 18 0. 067 26 0. 079 24 0. 040 29 0. 044 29 0. 047 29

内蒙古0. 046 24 0. 041 24 0. 045 24 0. 063 22 0. 072 23 0. 088 19 0. 064 26 0. 053 25 0. 062 26 0. 067 26

贵州 0. 034 27 0. 036 25 0. 038 27 0. 045 27 0. 054 28 0. 064 28 0. 063 27 0. 053 26 0. 063 25 0. 069 24

宁夏 0. 033 28 0. 027 30 0. 039 26 0. 041 28 0. 055 27 0. 067 27 0. 059 28 0. 044 27 0. 060 27 0. 069 25

云南 0. 037 25 0. 035 26 0. 039 25 0. 046 26 0. 064 26 0. 076 25 0. 075 25 0. 055 24 0. 073 23 0. 084 22

新疆 0. 029 30 0. 030 27 0. 028 30 0. 030 30 0. 039 30 0. 044 30 0. 038 30 0. 036 30 0. 038 30 0. 039 30

从变化趋势中可以看出,中国各省份的科创策源能力在过去十年中有增有减,但平均增速均为正,且绝

大部分省份均有较为明显的提升。 其中,广东自 2014 年以来增长系数均为正,极差达到 3. 49,平均增速高

达 39. 69%,说明其科创策源能力在过去十年有极高的提升。 其次是江苏,极差达到 1. 98,科创策源能力平

均每年提升 24. 08%。 除上述省份外,还有北京、上海、浙江以及山东等极差值大于 1。 吉林、黑龙江、贵州、

新疆以及海南的增长系数评价极差值小于 0. 4,其中新疆平均增速不达 1%,说明其在过去十年科创策源能

100

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

力发展接近停滞,而黑龙江、西藏的科创策源能力平均增速为负,表明过去十年科创策源能力出现倒退。

此外,逐年观察各省份科创策源能力增长系数发现,2018—2020 年,全国超过半数省份的科创策源能力

均出现不同程度下跌,其中 2019—2020 年下跌最为严重,仅 7 省份维持了正增长。 该时间段与中美贸易摩

擦相吻合,自 2018 年以来的中美贸易摩擦已升级至贸易、科技、金融、外交、地缘政治、国际舆论、国际规则等

全领域,一定程度上阻碍了中国科创策源能力的高速发展。 而 2020—2021 年,即新冠疫情期间,绝大多数省

份科创策源能力增长系数均为正,且维持了较高的增速,表明中国科创策源能力发展韧性较高。

随后,采用“厚今薄古”方法对 2012—2021 年中国各省份科创策源能力历年得分进行二次加权,得到各

省份科创策源能力综合得分(见表 5)。 从各省份的表现来看,广东以 1. 827 的得分成为科创策源能力综合

得分最高的省份,随后是江苏(1. 568)、北京(1. 510),综合得分均高于 1. 5,属于中国科创策源能力第一梯

队。 上海、山东、浙江得分均大于 0. 99,属于科创策源能力第二梯队。 湖北、安徽、天津、河南、陕西以及四川

科创策源能力综合得分均超过 0. 56,属于第三梯队。 辽宁、福建、湖南、河北、江西、广西、重庆、吉林、吉林、

山西以及黑龙江综合得分高于 0. 3,属于科创策源能力第四梯队。 其余省份综合得分均在 0. 3 以下,科创策

源能力整体较弱,属于第五梯队。

不同于采用截面数据,上述基于时间的二次加权后的综合得分再次表明中国科创策源能力存在明显的

两极分化特征。 从单一省份角度来看,处于第一梯队的省份得分是第五梯队的近 20 倍。 此外,第二梯队较

第一梯队得分差距达 30%之多,表明科创策源能力集中度极高,且梯队间存在断崖式落差。 从城市群角度

来看,珠三角地区科创策源能力整体高于长三角地区,长三角地区高于京津冀地区。 同时,长三角地区各省

份与排名整体相对协调,并未出现地区成员掉队现象,而京津冀地区除北京排位第三以外,其余省份科创策

源能力综合得分均排在前十名以外,出现明显的掉队现象,表明长三角地区科创策源能力协同度高于京津

冀地区。

表 5 基于二次加权的省域科创策源能力综合得分

省份 广东 江苏 北京 上海 山东 浙江 湖北 安徽 河南 四川 陕西 天津 辽宁 福建 湖南 河北

排名 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

得分 1. 827 1. 568 1. 510 1. 067 1. 032 0. 998 0. 653 0. 646 0. 580 0. 567 0. 566 0. 564 0. 560 0. 512 0. 490 0. 473

省份 江西 广西 重庆 吉林 山西 黑龙江 甘肃 云南 内蒙古 贵州 宁夏 青海 海南 新疆 西藏

排名 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31

得分 0. 423 0. 374 0. 371 0. 334 0. 332 0. 302 0. 288 0. 268 0. 253 0. 233 0. 223 0. 207 0. 174 0. 148 0. 090

(二)子系统评价

从各省份科创策源能力子系统看(表 6),广东在科创投入之外的各项子系统中均排名第一,再次验证了

广东在科创策源的突出位置,其他省份排位在不同项目下均有不同程度的波动,表明较强的子系统竞争态

势。 首先,在创新基础子系统中,广东、江苏、北京排位与综合评价一致,位列前三,而浙江与天津排位相较

于综合评价分别提升 2 名与 7 名,说明浙江与天津的科创策源基础建设较为扎实,具备进一步提升创新策源

能力的条件。 其次,在政策导向子系统中,安徽排位跃至第二,表明安徽在创新政策制定、执行以及地方政

府营造的创新环境上均优于其他省份。 政策导向表现优秀的省份还包括河南、广西和河北,其中广西排名

较综合得分提升 12 名。 对于科创策源投入子系统,北京超越广东排在第一位,表明北京在科创策源能力发

101

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

展中投入较多,其余省份排名与综合能力基本一致。 再次,在科创策源产出子系统中,北京超越江苏排在第

二位,浙江与四川排名提升较为明显,表明两省份在科创投入转化能力上较为突出。 最后,在科创策源开放

子系统中,上海跃至第二,表明其国际科创交流与合作层次较深、对外贸易水平较高,拥有极强的开放式创

新能力,此外,福建与辽宁排名也有较大提升。

表 6 基于二次加权的省域科创策源能力子系统得分

科创基础 政策导向 科创投入 科创产出 科创开放

省份 得分 排名 省份 得分 排名 省份 得分 排名 省份 得分 排名 省份 得分 排名

广东 0. 345 1 广东 0. 190 1 北京 0. 516 1 广东 0. 396 1 广东 0. 358 1

江苏 0. 308 2 安徽 0. 188 2 江苏 0. 383 2 北京 0. 340 2 上海 0. 320 2

北京 0. 213 3 江苏 0. 187 3 广东 0. 345 3 江苏 0. 292 3 江苏 0. 275 3

浙江 0. 192 4 山东 0. 182 4 山东 0. 287 4 浙江 0. 177 4 北京 0. 259 4

天津 0. 146 5 河南 0. 166 5 上海 0. 280 5 湖北 0. 167 5 山东 0. 140 5

山东 0. 142 6 广西 0. 157 6 浙江 0. 259 6 上海 0. 166 6 浙江 0. 120 6

陕西 0. 133 7 浙江 0. 150 7 湖北 0. 196 7 山东 0. 161 7 天津 0. 104 7

上海 0. 133 8 辽宁 0. 136 8 天津 0. 194 8 四川 0. 119 8 福建 0. 065 8

湖北 0. 126 9 四川 0. 123 9 陕西 0. 177 9 湖南 0. 118 9 辽宁 0. 065 9

安徽 0. 116 10 河北 0. 119 10 辽宁 0. 168 10 陕西 0. 105 10 湖北 0. 054 10

(三)稳健性检验

纵横向拉开档次评价法既在横向上体现了某一时刻各系统的差异,又在纵向上体现了各系统总体情况,能

够解决基于时序的多指标决策问题。 然而,该方法在现实中也有一定的局限性,主要体现在基于该方法确定的

指标权重系数只是最大可能地体现了各被评价对象的差异,未考虑各指标的相对重要性。 因此,本文采用基于

面板数据修正后的熵权法对科创策源能力评级体系进行稳健性检验,结果与纵横向拉开档次法除个别三级

指标差距较大外均相接近。















         























.0#6

.

.

-

. .

0

图 2 2012—2021 年中国科创策源能力变化趋势

此外,基于熵权法赋权下的二次加权的各省份科创策源能力综合得分情况显示,总体上,除天津与辽宁、内

蒙古与贵州的位序出现 1 名的偏差外,得分

排名情况与纵横向拉开档次法基本一致,可

以看出本文采用的方法具有稳健性。

(四) 省域科创策源能力的时空演化

分析

1. 时序演化分析

基于前文分析步骤,得出中国科创策

源能力时序演化数据见图 2。 从图 2 可以

看出,2012—2021 年中国科创策源能力发

展呈现出三个特点。 首先,样本期内呈现

逐年上升趋势,其综合得分从 2012 年的 2.

102

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

85 上升至 2021 年的 5. 73,增长 2. 01 倍,说明研究期内中国在科创策源能力提升方面所取得的成效明显。

其次,从时间特征上看,表现出阶段性特征,2012—2014 年中国科创策源能力变化并不显著,且呈现小幅下

降趋势,2015—2018 年增速明显加快,而在 2018—2019 年受中美贸易摩擦影响,中国科创策源能力有所回

调,但在 2019—2021 年迅速回升。 最后,从子系统时序变化来看,样本期内科创开放变化幅度较大,政策导

向变动相对平缓,各子系统整体呈现相同的变化趋势。

2. 空间演化分析

为了挖掘中国科创策源能力空间分布的潜在信息,运用地理信息系统(GIS)空间分析技术对 31 个省

份的科创策源能力分布进行可视化空间分析,利用自然间断点分级法由高到低分为 1 ~ 5 等[38]

,见表 7。

可以看出,中国各省份科创策源能力的空间分布差异明显。 2012 年,中国各省份科创策源能力整体偏

低,仅北京、广东、江苏达到第一梯队,而第五梯队的区域达到 9 个,均位于西部地区。 2013 年,重庆、山

东、上海、天津、河南的科创策源能力明显提升,均在 2012 年基础上上升 1 个梯队。 西部地区的甘肃科创

策源能力有所降低,进入第五梯队。 2016 年第一、第二梯队中上海、天海分别下降一级,第三、第四梯队

的省份有所增多:安徽与四川均提升一级进入第三梯队,甘肃、内蒙古也提升一级进入第四梯队。 2017

年中国东部地区均处于第二及以上梯队,且西部地区科创策源能力出现较明显提升,青海、宁夏、云南、贵

州均由第五梯队上升至第四梯队,而河北也提升一级至第三梯队。 2021 年,中部、东部地区科创策源能

力出现较强提升,其中,山东、浙江、上海提升一级至第一梯队,四川、天津、河南、湖北、安徽、辽宁均步入

第二梯队。

总体来看,中国科创策源能力在空间上表现为东部地区水平高、中西部地区水平相对较低,且呈现出由

沿海向内陆地区阶梯递减的格局特征,这与各地区不同的经济水平、发展政策、资源禀赋密不可分。 此外,

从 2012—2021 年的空间分布变迁也可得出中国科创策源能力在向沿海地区集中的时空演化的规律。

表 7 2012—2021 年省域科创策源能力空间分布

科创策源

能力梯队

2012 年 2014 年 2016 年 2018 年 2021 年

第一梯队 京、粤、苏 京、粤、苏、沪 京、粤、苏 京、粤、苏 京、鲁、苏、浙、沪、粤

第二梯队 浙、沪 浙、鲁、津 鲁、沪、浙 鲁、沪、浙 皖、豫、鄂、津、川、辽

第三梯队 闽、鄂、陕、鲁、辽、

津、川

闽、鄂、辽、豫 闽、皖、鄂、豫、川、

辽、津

闽、湘、鄂、皖、豫、

冀、辽、川、陕、津

闽、赣、桂、渝、冀、陕、湘

第四梯队 赣、皖、桂、湘、豫、

冀、黑、吉、甘、晋

桂、湘、赣、渝、川、

陕、 冀、 黑、 吉、

晋、皖

桂、赣、陕、渝、湘、

冀、 甘、 蒙、 黑、

吉、晋

赣、滇、桂、黔、渝、

青、甘、蒙、宁、晋、

黑、吉

滇、黔、甘、蒙、宁、晋、

黑、吉

第五梯队 琼、宁、渝、黔、滇、

藏、新、蒙、青

黔、琼、滇、藏、新、

青、甘、蒙、宁

琼、黔、宁、青、藏、

新、滇、黔

新、藏、琼 新、藏、青、琼

(五)中国各省份科创策源能力的空间关联分析

1. 全局自相关分析

为进一步分析中国各省份科创策源能力的空间关联性,运用软件 ArcGIS 10. 5 和 GeoDA 计算全局莫兰

指数,并运用其蒙特卡罗检验进行空间自相关显著性检验,结果见图 3。 可以看出 2012—2021 年的全局莫

兰指数均为正,并且除 2018 年 P 值达到 0. 086 外,全部通过 P<0. 05 水平的显著性检验,表明中国科创策源

能力在空间分布上并非完全随机,而是具有显著的空间依赖特征。 具体来讲,科创策源能力强的省份彼此

103

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

趋于相邻,科创策源能力较弱的省份趋于相邻,能力相近的省份扎堆集聚,表现出一定的聚集分布空间格局

特征,这也表明近十年来中国各省份科创策源能力总体空间差异是趋于收敛的。







































         

P

8











8 P

图 3 2012—2021 年省域科创策源能力全局莫兰指数

2. 局部自相关分析

运用 ArcGIS 10. 5 软件对局部自相关 LISA(local indicators of spatial association)指数可视化,得到中国科

创策源能力在 0. 05 置信水平下空间关联的局部指标(LISA)聚类结果(见表 8)。 由表 7 可知,从历史演进

来看,中国科创策源能力时空关联结构相对稳定,多数省份并未在过去十年出现变化。 在 5%的显著性水平

下,东部沿海地区多处于高-高、低-高集聚型,而北部地区则多处于低-低集聚型,这表明中国各省份科创策

源能力表现出非均衡发展格局。 从空间分布来看,在高-高集聚型区域,上海、江苏一直是属于高-高集聚且

辐射作用明显的省份,而且其他科创策源能力较高的省份如安徽、江西、浙江均与之相邻,天然的区位优势

与雄厚的经济底蕴相辅相成,使之在空间上形成涓滴效应[39]

,集聚程度较高。 除四川省外,西部地区省份聚

集类型多属于低-低型,这与西部地区经济水平较低、产业相对落后有关。 从聚集类型的转变来看,在过去

十年,中国各省份科创策源能力的低-低型聚集从新疆、西藏、四川三省逐步向东部辐射,在 2021 年覆盖了

西部绝大部分省份。 这表明西部地区科创策源能力并未出现由弱向强的转变,而更多是从不显著向低-低

型转变。 东部地区存在科创策源能力由弱向强的转变,并且高-高型聚集在过去十年有所增加。 这种东西

地区异特征的形成,一方面与区域资源禀赋的不同有关,另一方面,国家区域发展政策不同也对科创策源能

力的发展水平产生重要影响。

表 8 2012—2021 年省域科创策源能力相关模式

聚集类型 2012 2014 2016 2018 2021

高-高 浙、沪 苏、沪、浙 苏、沪、浙 苏、沪、皖 苏、沪、皖

低-高 赣 皖 皖 赣 赣、闽

低-低 新、藏、川 新、藏、甘 新、藏、甘、青 新、藏、甘、青 新、藏、甘、川、青、蒙、吉

高-低 川 川 川

104

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

五、研究结论与建议

(一)研究结论

科创策源能力是衡量区域创新水平可持续发展的重要内容。 本文基于科创策源能力的核心内涵,从科

创基础、政策导向、科创投入、科创产出、科创开放 5 个方面选择 36 个三级指标,构建科创策源能力评价体

系。 基于二次加权的纵横向拉开档次法对 2012—2021 年中国 31 个省份科创策源能力进行动态评价,并结

合 ESDA 法对其时空演变特征进行探索。 主要结论如下:

(1)基于纵横向档次拉开法的权重结果,科创开放与科创投入对科创策源能力的影响较高。 其中,每十

万人 R&D 经费权重系数最高,而政策导向影响相对较小。 创新投入是科创策源之“源”,对区域科创策源能

力的发展起到决定性作用,而国际学术交流与科学研讨能够极大地激发科创策源能力,催化开放式创新的

产生。 创新政策在科创策源能力的评价当中整体影响较小,其中财政政策权重最低,说明财政补贴等直接

创新政策的绩效不佳,这与俞立平等(2022)

[40] 的研究结果相符。 创新政策整体影响偏小主要由于创新政

策是科创策源之“策”,其更多地起到导向与扶持作用,直接转化为科创策源能力的部分较少,而财政政策存

在创新主体审核不到位、执行效率低等原因导致其对科创策源能力的影响最小。

(2)中国各省份科创策源能力整体呈逐年上升趋势,且存在阶段性特征,各省份增速存在较大差异,表

现为东快西慢且差距逐年增大。 首先,中国科创策源能力在样本期内呈现逐年上升趋势,其综合得分从

2012 年的 2. 85 上升至 2021 年的 5. 73,增长 2. 01 倍,说明研究期内中国在科创策源能力提升方面所取得的

成效明显。 其次,从时间特征上看,表现出阶段性特征,2012—2014 年中国科创策源能力变化并不显著,且

呈现小幅下降趋势,2015—2018 年增速明显加快,而在 2018—2019 年有所回调,但在 2019—2021 年迅速回

升。 最后,从子系统时序变化来看,样本期内科创开放变化幅度较大,政策导向变动相对平缓,各子系统整

体呈现相同的变化趋势。

(3)中国科创策源能力的空间分异明显,总体呈现“东-中-西”阶梯式递减、南高北低的空间分异格局。

其中,西北地区省份科创策源能力在过去十年增速较低,而东北地区部分省份出现负增长现象。 东部沿海

地区增速最高,且除福建省外均在过去十年成为科创策源能力第一梯队。 在空间依赖性上,中国科创策源

能力存在较明显的全局空间正相关性,而在局部上形成了东部沿海地区的高-高和西部地区低-低集聚类

型。 其中,东部沿海省份的高-高型聚集带动内陆省份发展效果明显,而西部低-低型聚集在过去十年出现

由西向东延展的趋势。 从城市群角度来看,珠三角地区科创策源能力整体高于长三角地区,长三角地区高

于京津冀地区。 同时,长三角地区各省份排名整体相对协调,并未出现地区成员掉队现象。

(4)从各省份科创策源能力子系统看,广东在科创投入之外的各项子系统中均排名第一,再次验证了广

东在科创策源的突出位置,其他省份排位在不同项目下均有不同程度的波动。 在创新基础子系统中,浙江

与天津的科创策源基础建设较为扎实。 在政策导向子系统中,安徽在创新政策制定、执行以及地方政府营

造的创新环境上均优于其他省份。 对于科创策源投入子系统,得益于众多高新技术企业的研发,北京超越

广东排在第一位。 在科创策源产出子系统中,北京、浙江与四川排名提升较为明显,表明这三个省份在科创

投入转化能力上较为突出。 在科创策源开放子系统中,上海、福建与辽宁三座沿海港口省份提升极大,表明

其国际科创交流与合作层次较深、对外贸易水平较高,拥有极强的开放式创新能力。

105

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

(二)政策建议

基于上述结论,本文从以下几个方面给出相关建议:

(1)完善创新政策体系,提升创新政策效率。 其一,在财政政策方面,应进一步优化财政补贴分配机制

与审核制度,精准补贴具备科创策源能力的企业,加强财政政策对科创策源能力的转化水平,提升政策实施

效率。 其二,在人才政策方面,应从引才和用才两方面进行优化,进一步增强国际化人才吸引力度,加大对

青年人才的培养,改革人才激励机制,畅通科技人才流动渠道。 其三,在金融政策方面应加大对科创企业信

贷投放力度,完善科技保险产品体系,鼓励并扶持科创企业上市,同时应加强政府投资基金的引导作用,带

动社会资本对科技原始创新、高精尖产业的投资。 最后,在产业政策政策方面,应进一步发挥新兴产业政策

的靶向效应,提升政策前瞻性,侧重政策质量,杜绝政策“一刀切”做法,避免产业同质化。

(2)加强科创中心建设,完善其创新驱动引领作用。 深化北京、上海、广东科创中心引领地位,围绕集成

电路、人工智能、医药健康等领域合作开展基础研究、应用基础研究及关键核心技术攻关,辐射带动京津冀、

长三角、珠三角等区域。一方面要求优势地区间加快完善协同创新机制,分工合作、优势互补,形成强劲的

科创策源发展合力,携手进步;另一方面加强科创中心与邻近省市科创策源联动,根据自身发展选择优势方

向,形成各具特色、优势互补、协同联动的科创策源新集聚格局。

(3)深化开放创新导向,加强国际科创交流合作。 对外开放与交流在科创策源能力评价当中表现出极

高的影响力,科技贸易摩擦期间各省份科创策源能力的骤降也充分证明了这一点。 在强化对外科创交流合

作方面,一是可从学术与科学角度,强化开放式的自主创新,在更高起点上推进自主创新,鼓励创新主体融

合外部思想、知识、技术、资源进行创新,做到主动布局和积极利用国际创新资源。 二是可从技术与产业角

度,推动相关地区科技自贸区的建设,充分利用贸易开放带来的技术、知识扩散,将其转化为中国科创策源

能力提升的助推力,增强企业对先进技术知识的学习、吸收能力,使得贸易开放对各地区的技术外溢效应达

到最大化,从而进一步提升中国科创策源能力。 最后,可建立中国国际科技合作的监测与评估评价机制,加

强国际科技合作的绩效管理,及时提炼并推广诸如“一带一路”国际科技合作的成功范式,研究国际科技合

作促进经济增长的机理和路径。

(4)推进东西部合作,缩小科创策源空间分异。 中国科创策源能力在空间分布上是不平衡的。 在新时

代高质量发展的大背景下,做到科创策源区域协同共享,一方面,科创策源能力较弱的地区不仅要提高知识

创造水平和技术创新水平,还要为提高内部创新能力创造良好的创新环境,增加对交通、教育等基础设施的

投资。 另一方面,中部地区作为东西部地区的桥梁,应积极吸收东部地区的科创策源成果与经验,搭建各地

区之间的联系平台,加强与西部地区在产业、人才、科研等多方面的合作,帮助在科创策源后发地区获得知

识和技术,在创新经济中实现追赶,促进创新空间的平衡。

参考文献:

[1]王少. 科技创新策源地:概念、内涵与建设路径[J]. 科学管理研究,2021,39(2):17-21.

[2]王业强,郭叶波,赵勇,等. 科技创新驱动区域协调发展:理论基础与中国实践[J]. 中国软科学,2017(11):86-100.

[3]李万. 增强科技创新策源能力的战略选择[J]. 中国科技论坛,2020(8):1-3.

[4]朱梦菲,陈守明,邵悦心. 基于 AHP-TOPSIS 和 SOM 聚类的区域创新策源能力评价[J]. 科研管理,2020,41(2):40-50.

106

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

[5]陈超. 如何理解创新策源能力[J]. 竞争情报,2018,14(4):3.

[6]敦帅,陈强. 创新策源能力:概念源起、理论框架与趋势展望[J]. 科学管理研究,2022,40(4):33-41.

[7]敦帅,陈强,丁玉. 基于贝叶斯网络的创新策源能力影响机制研究[J]. 科学学研究,2021,39(10):1897-1907.

[8]曹萍,赵瑞雪,尤宇,等. 创新策源能力如何影响区域创新绩效? ———基于 30 个省份的 QCA 分析[J]. 科技管理研究,2022,42(13):1-9.

[9]刘琦,罗卫国,罗萧. 人才网络视角下粤港澳大湾区创新策源能力影响机理研究[J]. 企业经济,2022,41(12):98-106.

[10]曹佳蕾,李停. 基于熵权 GC-TOPSIS 的区域科技创新能力评价与实证[J]. 统计与决策,2020,36(15):171-174.

[11]张鑫,梁佩云,陈茹茹. 区域科技服务业服务创新能力评价———基于改进的 CRITIC-VIKOR 法[J]. 科技管理研究,2020,40(16):60-69.

[12]张金福,刘雪. 我国地方创新策源能力的模糊综合评价研究[J]. 科技管理研究,2021,41(9):8-14.

[13]卢超,李文丽. 京沪深创新策源能力评价研究:基于国家科学技术“三大奖”的视角[J]. 中国科技论坛,2022(2):151-161.

[14]谢婼青. 科技创新策源能力:影响因素与提升路径[J]. 上海经济研究,2023(2):64-77.

[15]宁连举,肖玉贤,刘经涛,等. 跨行政区域创新策源能力评价与实证———基于熵权法、TOPSIS 法、灰色关联分析[J]. 科技管理研究,2021,41(20):

44-51.

[16]敦帅,陈强,马永智. 创新策源能力评价研究:指标构建、区域比较与提升举措[J]. 科学管理研究,2021,39(1):83-89.

[17]衣春波,赵文华,邓璐芗,等. 基于专利信息的技术创新策源评价指标体系构建与应用[J]. 情报杂志,2021,40(2):55-62.

[18]刘琦. 粤港澳大湾区科技创新策源能力评价研究[J]. 经济体制改革,2021(3):65-72.

[19]任保平,文丰安. 新时代中国高质量发展的判断标准、决定因素与实现途径[J]. 改革,2018(4):5-16.

[20]彭川宇,刘月. 城市科技创新人才政策扩散动力因素时空差异研究[J]. 科技进步与对策,2022,39(24):81-90.

[21]冯永琦,邱晶晶. 科技金融政策的产业结构升级效果及异质性分析———基于“科技和金融结合试点”的准自然实验[ J]. 产业经济研究,

2021(2):128-142.

[22]郑威,陆远权. 财政科技政策如何影响企业创新驱动发展效率? [J]. 科研管理,2022,43(3):9-16.

[23]睢博,雷宏振. 产业政策对科技创新中心形成的影响———基于企业区位选择的视角[J]. 新疆师范大学学报(哲学社会科学版),2021,42(2):

132-144.

[24]黄鲁成. 关于区域创新系统研究内容的探讨[J]. 科研管理,2000(2):43-48.

[25]刘凤朝,孙玉涛. 我国科技政策向创新政策演变的过程、趋势与建议———基于我国 289 项创新政策的实证分析[J]. 中国软科学,2007(5):

34-42.

[26]钟腾,罗吉罡,汪昌云. 地方政府人才引进政策促进了区域创新吗? ———来自准自然实验的证据[J]. 金融研究,2021(5):135-152.

[27]李响. 科技金融政策与区域创新产出[D]. 济南:山东大学,2022.

[28]柳光强. 税收优惠、财政补贴政策的激励效应分析———基于信息不对称理论视角的实证研究[J]. 管理世界,2016(10):62-71.

[29]付晨玉,杨艳琳,田野,等. 产业政策、技术创新与中国工业发展质量[J]. 经济评论,2022(6):67-84.

[30]李培楠,赵兰香,万劲波. 创新要素对产业创新绩效的影响———基于中国制造业和高技术产业数据的实证分析[J]. 科学学研究,2014,32(4):

604-612.

[31]柳卸林,胡志坚. 中国区域创新能力的分布与成因[J]. 科学学研究,2002(5):550-556.

[32]郭亚军. 综合评价理论与方法[M]. 北京:科学出版社,2002.

[33]肖仁桥,丁娟,钱丽. 绿色创新绩效评价研究述评[J]. 贵州财经大学学报,2017(2):100-110.

[34]王常凯,巩在武. “纵横向”拉开档次法中指标规范化方法的修正[J]. 统计与决策,2016(2):77-79.

[35]ANSELIN L. Interactive techniques and exploratory spatial data analysis[Z]. Regional Research Institute Working Paper No. 200, 1996.

[36]BRUNSDON C, FOTHERINGHAM A S, CHARLTON M E. Geographically weighted regression[J]. Journal of the Royal Statistical Society: Series

D (The Statistician), 1998, 47(3): 431-443.

[37]刘贤赵,高长春,张勇,等. 中国省域碳强度空间依赖格局及其影响因素的空间异质性研究[J]. 地理科学,2018,38(5):681-690.

[38]ANSELIN L. Local indicators of spatial association—LISA[J]. Geographical Analysis, 1995, 27(2): 93-115.

[39]王学义,熊升银. 中国经济发展方式转变综合评价及时空演化特征研究[J]. 地理科学,2020,40(2):220-228.

[40]俞立平,钟昌标,王安然,等. 创新政策的测度及不同政策效果比较研究[J]. 中国科技论坛,2022(2):41-49,58.

107

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

Comprehensive Evaluation and Spatial-temporal Evolution of China’s

Sci-tech Creational and Original Innovation Capacity

CHENG Xiang

1

, JULAITI Jiansuer

1

, YANG Yi

2

(1. Beijing Union University, Beijing 100101;

2. Beijing College of Finance and Commerce, Beijing 101126)

Abstract: China’ s regional sci-tech innovation is developing towards the formation of core creational and

original capacity. From the connotation of sci-tech creational and original innovation capacity, 36 three-tier

indicators are designed to build a provincial evaluation system from five perspectives: sci-tech innovation

foundation, policy orientation, sci-tech innovation input, sci-tech innovation output, and sci-tech innovation

openness. Using the second-weighted vertical and horizontal gradation method, this paper conducts a dynamic

evaluation of provincial sci-tech creational and original innovation capacity in China from 2012 to 2021. Then, it

explores their spatial and temporal characteristics with the ESDA method.

The marginal contributions are twofold. First, it considers the knowledge spillover effect of sci-tech innovation

and the policy effect of incentivizing innovation activities. Adding the dimensions of openness and innovation

policy, it constructs a comprehensive evaluation system reflecting the development of sci-tech creational and original

innovation capacity in this decade. Second, it combines quantitative methods with qualitative analyses and uses the

second-weighted vertical and horizontal gradation method to construct this evaluation system, quantify the creational

and original capacity, and synthesize comprehensive indexes. Thirdly, it aims to study the spatial distribution and

spatial and temporal evolution of China’s sci-tech creational and original innovation capacity and explore its spatial

differentiation characteristics.

The results are as follows. (1) Based on the weighting results of the vertical and horizontal gradation method,

openness and inputs have a greater impact on the sci-tech creational and original innovation capacity. Specifically,

the R&D expenditure per 100,000 people exhibits the highest weighting coefficient, followed by policy orientation

and the direct innovation policy driven by fiscal measures. (2) China’s provincial sci-tech creational and original

innovation capacity consistently exhibits an upward trend over the years, though with significant differences in the

growth rates, characterized by a rapid pace in the eastern region and a slow pace in the western region. (3) The

spatial differentiation is also obvious, exhibiting a gradual decrease from the eastern, central, and western regions,

with higher levels observed in the southern region and lower levels in the northern region. Moreover, in terms of

spatial dependence, there is a positive global spatial correlation, and the southern region exhibits a high-high

concentration pattern while the western region shows a low-low concentration pattern.

This paper enriches the evaluation index system of sci-tech creational and original innovation capacity,

visualizes the causes of provincial sci-tech creational and original innovation capacity and its spatial distribution

pattern, and proposes targeted countermeasures.

Keywords: sci-tech innovation; sci-tech creational and original innovation capacity; sci-tech innovation

foundation; sci-tech innovation input; sci-tech innovation output; sci-tech innovation openness; vertical and

horizontal gradation method

责任编辑:宛恬伊

108

第 44 卷 第 10 期

2023 年 10 月

经 济 与 管 理 研 究

Research on Economics and Management

Vol. 44 No. 10

Oct. 2023

DOI:10. 13502 / j. cnki. issn1000-7636. 2023. 10. 007

企业数字化的供应链融资效应

———基于商业信用视角

王 超 余典范

收稿日期:2023-03-27;修回日期:2023-06-09

基金项目:国家社会科学基金一般项目“我国核心技术自主创新突破口与实现路径的体制机制研究”(20BJY039);中央高校基本科研业务

费“数字经济高质量发展的特征及驱动策略研究项目”(2023110139)

作者简介:王 超 上海财经大学商学院博士研究生,上海,200433;

余典范 上海财经大学商学院教授、博士生导师,通信作者。

作者感谢匿名审稿人的评审意见。

内容提要:本文基于 2010—2020 年中国上市公司数据,实证研究了企业数字化对供应链融资的影响。 研究结

果显示,数字化提高了企业风险承担能力和经营绩效,显著促进了商业信用供给。 随着数字化的深入推进,企业延

缓了客户销售款的收取并且更快地向供应商支付货款。 异质性分析结果表明,企业数字化的供应链融资效应在非

国有企业、上下游数字化协同水平较高以及地区信任水平较低的样本中更为显著;企业数字化主要促进了以融资

而非交易为目的的商业信用供给;数字化促使供应链中的资金显著流向了交易次数较少、非国有企业以及融资约

束较低的上下游供应商和客户。 应继续推进数字技术在企业信用评估、风险规避和供应链协作中的应用,为供应

链发挥融资作用提供有力支持。

关键词:企业数字化 商业信用 融资约束 供应链韧性 产业链协同

中图分类号:F713. 55 文献标识码:A 文章编号:1000-7636(2023)10-0109-20

一、问题提出

近年来,突发公共卫生事件、贸易摩擦和地缘冲突等多重风险的叠加给企业经营带来了挑战,其中最为

突出的就是融资问题。 由于产品销售不达预期和供应链中断,企业无法正常回笼资金,现金流面临较大压

力。 北京大学发布的一份报告显示,资金压力是除需求不足外企业面临的第二大经营困境[1]

。 因此,研究

如何有效缓解企业的融资困境、扩大融资来源具有较强的现实意义。

商业信用作为非正式融资的重要组成部分,在稳定供应链关系[2]

、增加融资支持[3] 方面有着关键性作

用。 东风日产精准帮扶上下游企业保持流动性,有效化解供应链风险就是供应链融资协作的典型案例[4]

。

据统计,上市公司通过商业信用方式获取的融资约占资产的 15. 73%,而银行贷款占比为 16. 37%。 相比于

银行信贷等正式融资,商业信用的提供更为及时[5]

。 通过商业信用供给,资金宽裕、融资来源较多的企业可

以将多余的资金配置给供应商和客户[6-7]

。 供应链融资有助于促进销售,帮助企业渡过流动性危机。 2020

109

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

年 9 月,中国人民银行等八部委印发的《关于规范发展供应链金融 支持供应链产业链稳定循环和优化升级

的意见》也强调供应链融资在维护产业链供应链稳定、提高供应链运行效率中的积极作用。

尽管商业信用对于企业而言具有重要的融资作用,但其仍然面临信任缺失的挑战[8]

。 商业信用本质上

是企业向客户(供应商)销售(购买)产品,但未同步收取货款(提前支付)所形成的债权,在财务上表现为对

供应商和客户的融资支持[9]

,是企业通过供应链融资的主要形式。 与银行信贷等正式融资不同,商业信用

的供给没有第三方中介担保,一旦出现违约风险,企业很难收回资金。 部分企业可能掩盖经营困境、夸大经

营绩效,使得企业评估商业信用风险的难度提升[10]

。 随着大数据、区块链技术在生产经营中的应用,企业间

信息不对称将大幅度降低。一方面,数字化的管理模式有助于企业汇集日常经营信息,根据供应商和客户

的历史交易情况评估其信用水平,提前降低风险。 依托公开数据平台以及大数据技术,企业可以获知上下

游的法律诉讼风险、知识产权和股权结构等各项经营指标,降低信息不对称。 另一方面,数字技术在供应链

管理中的应用有助于企业随时了解上下游供货和销售的情况[11]

,加强对相关企业的监督,降低商业信用坏

账风险。 从实践案例上看,部分企业基于数字技术开发的供应链融资平台对于带动上下游协同发展,缓解

融资约束发挥了重要作用。 例如,国家电网有限公司立足能源产业链的核心地位,利用大数据、人工智能和

区块链等新兴技术,深入挖掘 10 万多家供应商和亿级用电客户的业务流、信息流、资金流等数据价值,打造

特色供应链融资平台“电 e 金服”。 通过应收账款、用电情况等数据的挖掘,“电 e 金服”有效整合转化数据

价值,减少上下游企业信息不对称,将自身资源禀赋和要素优势拓展辐射至全产业链,打造共建共赢的能源

产业链新生态。 上线三年来,该平台累计帮助上下游用户获得融资超千亿元。 因此,研究数字化如何影响

供应链融资对于丰富企业的融资渠道具有较强的现实意义。

基于此,本文以 2010—2020 年中国 A 股上市公司为样本,实证分析企业数字化影响供应链融资供给的

基本事实、异质性以及影响机制。 研究发现:随着数字化水平的提升,企业向上下游提供的商业信用显著增

加。 企业延缓了客户货款的收回,并且加快对供应商的资金支付。 机制分析表明,数字化增强了企业风险承

担能力、改善了经营绩效进而提高了供应链融资供给意愿和能力。 异质性分析发现,上述效应在非国有企业、

上下游数字化协同和地区信任水平较低的样本中更加显著。 并且,数字化主要促进了以融资而非交易为目的

的商业信用供给。 本文利用商业信用的明细数据以及上市公司披露的五大供应商和客户信息,还发现数字化

更多促使企业增加对交易次数较少、非国有以及融资环境较好的上下游供应商和客户融资供给。

本文的边际贡献在于:第一,拓展了供应链融资的研究视角。 现有文献主要从宏观环境[12]

、基础设

施[13]以及企业特征[14-15]的角度探讨供应链融资的供给决策,并未就数字化背景下企业如何调整供应链融

资进行定量分析。 本文基于数字化变革视角,深入研究数字化弥合信任、增强风险承担能力以及改善经营

绩效的作用,拓展了数字化与供应链融资的研究。 第二,本文将数字化的经济效应拓展至供应链层面,数字

化的推进可能对其供应链资金决策产生影响。 本文从商业信用角度出发,关注供应链中资金的流动;特别

是对不同数字化协同水平企业的异质性分析,有助于加深对数字化协同的认识[16]

,为优化产业链协同政策

提供参考。 第三,本文分析了数字化影响供应链融资供给的作用渠道以及在不同交易对象间的差异。 通过

区分商业信用供给的主要方式,发现企业数字化的推进既增加了对上游应付账款的支付,也延缓了下游应

收账款的收取,表明供应链融资效应同时存在于供应商和客户中。 此外,本文通过匹配上市公司商业信用

明细数据与供应链信息,识别了供应链融资供给的具体流向,进一步丰富了数字化供应链融资效应的研究。

本文内容安排如下:第二部分在回顾经典研究的基础上,从理论上分析数字化对供应链融资供给的影

响,提出本文的研究假设。 第三部分介绍研究样本、数据来源以及模型的设定。 第四部分给出数字化影响

供应链融资供给的基准结果,并进行稳健性检验和内生性处理;在此基础上分析其中的作用渠道和影响机

110

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

制,探讨可能存在的异质性。 第五部分关注供应链中资金流动的主要方向。 最后是结论与启示。

二、文献回顾、理论分析与研究假设

(一)文献回顾

供应链融资作为银行信贷的重要补充[15]

,一直备受学术研究的关注。一般认为,企业会出于融资或交

易动机向上下游提供商业信用[17]

,带动供应链企业协同发展。 由于商业信用实际上是对资金的占用,其决

策受到自身特征和外部环境的影响。 陈胜蓝和刘晓玲(2018)基于经济政策不确定性指数构建反映企业外

部环境的指标,发现不确定性的增加抑制了企业的商业信用供给[12]

。 原因在于宏观经济的波动降低了企业

的流动性,同时增加了企业风险。 除考虑经济环境外,商业信用的非正式融资特征使得其更加依赖于良好

的信任关系。 吴等人(Wu et al.,2014)发现,在社会信任水平更高的地区,企业更容易从供应商处获得商业

信用,推迟应付账款的支付[18]

;同样企业也更愿意为客户提供商业信用,延长货款支付周期。 作为一种非正

式制度,信任的建立离不开完善的法律制度和高效的司法治理。 潘越等(2022)以智慧法院的建设为出发

点,发现数字技术在司法中的应用极大地提高了司法便利性和司法效率,对于辖区内企业获得商业信用有

积极作用[19]

。 大量研究还从企业自身特征分析了商业信用的影响因素。 首先,商业信用的供求与上下游企

业密切相关,因此供应链联系直接影响商业信用的决策[20]

。 孔等人(Kong et al.,2020)构建了企业 CEO 与

供应商家乡联系的独特数据,发现与供应商的家乡联系有利于企业获得商业信用融资,这一效果在金融机

构较为匮乏的地区更为明显[21]

。 陈正林(2017)则从供应链集中度的视角,研究发现客户集中度越高,企业

提供的商业信用也越多[9]

。 其次,无论是提供还是获得商业信用,均以良好的经营绩效和声誉作为背书。

郑军等(2013)认为由于高质量的内部控制与会计信息的稳健性、可靠性相关,当内部控制水平较高时,企业

能够获得更多的商业信用融资[22]

。 白雪莲等(2022)发现,金融化提高了企业财务风险,对企业经营投资产

生挤占效应,抑制了商业信用融资[23]

。 从企业声誉的角度出发,李增福和冯柳华(2022)、罗等人(Luo et al.,

2023)检验了企业履行社会责任对商业信用融资的影响[24-25]

,发现更好的环境、社会和公司治理(ESG)履行

有助于强化企业的竞争优势、提高外部声誉,进而增加商业信用融资。 综上,现有文献论证了信用风险和经

营绩效在供应链融资决策中的重要性,但鲜有研究从数字化角度探讨其中的融资效应。 随着数字技术的出

现,企业不仅可以通过大数据和区块链的应用提高自身风险评估和应对能力,还能够利用数字技术改善经

营管理、提高生产效率,为供应链融资提供可持续支持。 因此,本文从企业数字化角度分析其中的供应链融

资效应,是对数字化与供应链融资研究的进一步拓展。

(二)理论分析与研究假设

供应链融资受到供给意愿和供给能力两方面因素的影响。 首先,供应链融资建立在良好的信任基础

上,是否提供商业信用取决于企业对上下游以及自身的风险承担能力的评估。 尽管相比于银行,企业对供

应商和客户的信用情况更为了解,但其仍然受到信息不对称的影响。 当企业提供商业信用时,需要承担上

下游无法及时交付原材料,支付货款的潜在坏账风险。 其次,商业信用需要以稳定的现金流作为保障,是否

提供商业信用取决于经营状况[3]

。 商业信用的供给占用了企业自有资金,当企业经营效率更高或者对未来

更为乐观时[26]

,能够用于商业信用供给的资源也较多。 基于这一理论框架,本文从供给意愿和供给能力两

方面分析数字化对供应链融资的影响。

从供给意愿来看,数字化增强了企业信息搜集和分析的能力,有助于充分评估风险,提高风险承担能

力。 由于商业信用的供给并不需要相关抵押品,同时也缺乏第三方机构担保,企业在向上下游供应商和客

111

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

户提供商业信用时面临信息不对称和道德风险[18]

。 现实中,供应链融资的爆雷现象也时有发生。 随着数字

技术在企业决策中的应用,企业得以通过网络平台、第三方数据机构以及新闻报道挖掘供应商客户的经营

信息,在事前对其信用状况进行评估,有效降低了信息不对称。 如银行在贷款调查中利用天眼查等平台充

分挖掘风险信息,掌握司法诉讼记录、行政处罚和被执行人记录等信用信息,极大提高了贷款尽职调查效

率。 事中,区块链技术减少了合作企业篡改经营数据和产品供货信息的可能性,便捷的线上平台也有助于

企业间进行沟通,降低坏账风险[10]

。 从供给能力看,数字化深刻改变了企业的生产经营模式,对生产效率提

升有着积极意义[27]

。 首先,数字技术在管理和生产中的应用降低了部门间沟通成本,提高了内部控制水平。

以自动化生产和物联网为代表的数字技术增强了生产环节的协作,有利于打造产品竞争优势。 其次,数字

化改造有助于吸引社会关注,践行绿色发展的理念,树立企业勇于创新的积极形象[28]

。 良好的声誉不仅使

得企业更容易获得外部融资支持,更能够享受到政府数字化改造的扶持政策。 综上所述,数字化促进生产

效率提升,增强了企业为上下游提供商业信用的能力。 由此,本文提出假设 1。

假设 1:随着数字化水平的提高,企业将更多向上下游供应商和客户提供商业信用。

尽管数字化有助于提升企业供应链融资供给的意愿和能力,但对不同企业的影响可能存在差异。 首

先,从所有权性质上看,国有企业在信息获取和分析上具有一定优势。 国有企业规模庞大,与政府部门和社

会的广泛联系使其能够更好地评估上下游企业的信用状况。 非国有企业信息来源相对有限,数字技术应用

对其边际效应更大,而且非国有企业更依赖上下游协作,出现供应链风险的可能性也较高,其更愿意通过商

业信用形式加强供应链关系,提高供应链稳定性。 其次,从上下游协作水平看,企业数字化的实施不仅需要

自身加大投入、重塑生产经营流程,还离不开供应链企业的协同[16]

。一方面,数字化的高效协同有利于夯实

供应链关系,原材料的溯源、物流运输以及产品销售需求反馈都需要供应商和客户的紧密配合。 当上下游

数字化水平较高时,企业间的供应链合作将更加顺畅和高效。 另一方面,上下游较高的数字化水平也便于

企业间获取相关信息,评估信用状况,区块链等技术也能更好应用,增进企业信任。 最后,从地区信任水平

来看,供应链融资的供给需要以较高的信任作为保障[18]

。 数字技术的出现弥合了企业间信任,有助于不同

合作企业增进了解。 因此,数字化促进商业信用供给的边际效应在地区信任水平较低的企业中可能更为显

著。 由此,本文提出假设 2。

假设 2:数字化对供应链融资供给的促进效应在非国有企业、上下游数字化协同程度较高和地区信任水

平较低的企业中更为显著。

三、研究设计

(一)样本选择与数据来源

本文以 2010—2020 年中国沪深 A 股上市公司为研究样本。 选择 2010 年作为本文研究起始年份主要是

考虑到 2008 年爆发的金融危机以及 2009 年中国政府出台的一系列振兴经济政策可能对企业经营以及供应

链融资供求决策产生较大影响,剔除上述年份,样本能够较好地剥离出企业数字化对供应链融资的影响。

按照研究惯例,本文在实证分析前对样本进行如下处理:第一,剔除特别处理(ST)、退市风险警示(

∗

ST)、特

别转让(PT)和终止上市的公司样本;第二,剔除金融行业(货币金融服务、资本市场服务、保险业以及其他金

融业)上市公司;第三,为了消除极端值对实证分析的干扰,本文对连续变量进行 1%的双侧缩尾处理。 商业

信用以及企业财务相关指标从国泰安中国经济金融研究数据库(CSMAR)获取。

(二)模型设定

为检验企业数字化对供应链融资的影响,本文参考陈胜蓝和刘晓玲(2018)

[12]

、郑军等(2013)

[22] 的研

112

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

究,建立如下回归模型:

F. credit

i,t

=α0

+α1 dig_ratei,t

+ ∑αx

controlsi,t

+γi

+ϑp,t

+εi,t (1)

其中,被解释变量为下一期的供应链融资,采用商业信用净供给额衡量。 核心解释变量为企业数字化,

参考余典范等(2022)

[16]使用资产法测算。 控制变量包括:银行贷款、公司规模、财务杠杆、总资产报酬率、

抵押能力、成长能力、现金流、市场竞争程度、上市时间。 本文控制企业固定效应 γi 和“省份×年份”的交互

固定效应 ϑp,t

①,εi,t 为随机扰动项,以减少宏观经济环境对企业供应链融资的干扰,标准误在企业层面聚类。

(三)变量定义

1. 被解释变量

供应链融资(credit)。 本文参考已有文献的常见做法,采用“应收账款+应收票据+预付账款-预收账款应付账款-应付票据”与总资产之比表征供应链融资。 其中,“应收账款+应收票据+预付账款”代表企业向

上下游供应商和客户提供的商业信用,“预收账款+应付账款+应付票据”代表企业从上下游获取的商业信

用,二者之差为企业的净商业信用。 本文还在稳健性检验中使用“应收账款+应收票据+预付账款” 与总资

产的比值作为被解释变量进行回归,相关结果与基准回归一致。 需要说明的是,与祁怀锦等(2022)

[29] 的构

造方法不同,本文的度量方式不仅涵盖了企业以应收形式向客户提供的商业信用,还包括了其以预付形式

与供应商发生的商业信用供给关系。 由于供应链涉及原材料提供、产品生产再到销售的完整过程,这一方

式能够更为精准地表征企业供应链融资供给的整体情况。 最后,由于数字化变革对企业经营的影响可能具

有一定滞后性,本文将被解释变量提前了一期。

2. 核心解释变量

企业数字化(dig_rate)。 现有文献主要采取两种方式测度企业数字化水平:一是利用上市公司发布的年度

报告中数字化相关词频表征数字化水平[30-31]

:二是从上市公司披露的无形资产和固定资产明细中识别与数字

化相关的资产,以此表征企业数字化[16]

。 从披露类型上看,基于文本分析法度量的数字化水平可能受到策略

性行为的影响。 首先,与财务信息相比,文本信息较难通过客观情况核实,披露内容的自由裁量权较大、可操纵

性强[32]

。 目前上市公司信息披露审查制度主要集中在对财务信息的监管上,对误导性陈述、披露不实等“软欺

诈”行为的甄别力度不够[33-34]

,违法成本较低。 其次,由于数字化转型的投入高、周期长,企业可能出于迎合舆

论和政策导向的目的,策略性调整年报披露内容,导致年报相关表述存在对数字化水平的夸大。 基于资产法测

度的数字化水平较少受到策略性披露的影响,企业购置的数字化软件和硬件也能够反映其数字化实际投入。

本文从上市公司财务报表附注中识别无形资产和固定资产的具体内容,将其中涉及数字化的资产如“企业资源

规划(ERP)系统、自动化仪器仪表”加总计算得到企业的数字化资产总和,并计算其占无形资产和固定资产的

比例,以此表征企业的数字化水平。 数字化的相关词汇与余典范等(2022)

[16]一致。

3. 控制变量

本文参考陈胜蓝和刘晓玲(2018)

[12]

、郑军等(2013)

[22]的研究,控制一系列影响供应链融资的因素。 其

中,银行贷款(bank)使用企业获得的长期和短期借款占总资产的比例测度,财务杠杆( lev)为总负债占总资

产之比,现金流(cash)为经营活动产生的现金流量与总资产之比,三者均可刻画企业的资金占有情况,与供

应链融资供给密切相关。 总资产报酬率(roa)为税后利润占总资产之比,成长能力( grow)由营业收入增长

率计算得到,表征企业的经营能力。 抵押能力(cap)使用固定资产占总资产的比例衡量,刻画企业的贷款获

113

① 感谢匿名审稿专家提供的宝贵建议。

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

取能力。 除此之外,本文还控制了公司规模(lnass)、市场竞争程度(compete)和上市时间(lnage)等企业和行

业特征。

具体的变量定义见表 1。

表 1 主要变量定义

变量名称 变量符号 定义

供应链融资 credit (应收账款+应收票据+预付账款-预收账款-应付账款-应付票据) / 总资产

企业数字化 dig_rate 数字化相关资产/ (无形资产+固定资产)

银行贷款 bank (长期借款+短期借款) / 总资产

公司规模 lnass 总资产的对数

财务杠杆 lev 总负债/ 总资产

总资产报酬率 roa 税后利润/ 总资产

抵押能力 cap 固定资产净额/ 总资产

成长能力 grow 营业收入增长率

现金流 cash 经营活动产生的现金流/ 总资产

市场竞争程度 compete 按资产计算的行业赫芬达尔-赫希曼指数(HHI)

上市时间 lnage ln(当前年份-企业上市年份+1)

(四)描述性统计

表 2 给出了被解释变量、核心解释变量以及控制变量的描述性统计情况。 从供应链融资的统计指标看,

绝大多数上市公司商业信用为净供给,平均占比达到 1. 579%,上市公司平均资产规模为 146. 979 亿元,这意

味着上市公司商业信用的净供给达到了 2. 321 亿元。 通过观察总资产报酬率(roa)、现金流 (cash) 的平均

值可以发现,企业向上下游提供的净商业信用约占利润的 44. 444%和现金流的 39. 024%。 可见,供应链融

资供给在企业经营中具有重要地位。 同时,商业信用的最小占比为-38. 050%,最大值为 40. 807%,说明上

市公司中既存在对上下游商业信用的净供给,也存在净需求,进一步印证了本文探究供应链融资供给决策

的必要性。 此外,企业数字化的平均值为 0. 029,最大值为 0. 601,最小值为 0,标准差为 0. 073。 不同企业间

数字化水平存在较大差异,数字鸿沟现象较为明显。

表 2 描述性统计

变量 观测值 平均值 标准差 最小值 最大值

credit 18 501 0. 016 0. 141 -0. 381 0. 408

dig_rate 18 501 0. 029 0. 073 0 0. 601

bank 18 501 0. 164 0. 134 0 0. 553

lnass 18 501 22. 280 1. 315 19. 700 26. 070

lev 18 501 0. 458 0. 203 0. 050 0. 896

roa 18 501 0. 036 0. 052 -0. 273 0. 195

cash 18 501 0. 041 0. 069 -0. 172 0. 242

compete 18 501 0. 089 0. 096 0. 012 0. 581

lnage 18 501 2. 180 0. 778 0 3. 296

grow 18 501 0. 191 0. 412 -0. 578 2. 537

cap 18 501 0. 225 0. 167 0. 002 0. 698

114

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

四、实证结果与分析

(一)基准回归结果

本文按照式(1)设定的模型进行基准回归,结果如表 3 所示。 表 3 控制了企业以及“省份×年份”的交互

固定效应,列(1)为仅引入核心解释变量的结果,列(2)为同时纳入核心解释变量和控制变量的回归结果。

观察企业数字化的回归系数可知,无论是否考虑其他可能影响供应链融资的因素,企业数字化对供应链融

资供给均产生显著的正向影响。 随着企业数字化水平的提高,企业更愿意提供商业信用带动上下游协同发

表 3 基准回归结果

变量

F. credit

(1) (2)

dig_rate 0. 065

∗∗∗ 0. 054

∗∗

(2. 674) (2. 280)

bank 0. 128

∗∗∗

(8. 169)

lnass -0. 010

∗∗∗

( -3. 175)

lev -0. 157

∗∗∗

( -11. 044)

roa 0. 044

∗∗

(2. 052)

cash -0. 150

∗∗∗

( -10. 936)

compete -0. 027

∗∗

( -2. 014)

lnage -0. 004

( -0. 847)

grow 0. 002

(0. 990)

cap -0. 013

( -1. 054)

企业固定效应 控制 控制

省份×年份固定效应 控制 控制

常数项 0. 041

∗ 0. 331

∗∗∗

(1. 942) (4. 644)

观测值 18 501 18 501

R

2 0. 046 0. 099

注:括号内为 t 值,

∗∗∗ 、

∗∗ 、

∗ 分别表示在 1%、5%、10%的水平上显著,

后表同。

展,假设 1 得到验证。 观察控制变量的系数还发

现,企业获得的银行信贷与供应链融资供给显著

正相关[12]

,印证了商业信用对信贷资金的二次

配置作用;并且,企业绩效表现与供应链融资供

给同样具有显著的正向关系。 企业所能够支配

的资金越丰裕、未来发展预期越好,越愿意为上

下游提供融资支持[26]

。 这意味着商业信用的供

给决策中供给能力是非常重要的因素。 与该结

果一致,当企业的杠杆率越高时,企业会显著减

少供应链融资支持。

(二)稳健性检验

基准回归结果发现,随着数字化的推进,企

业将为上下游提供更多商业信用。 考虑到可能

存在其他影响供应链融资的因素,本文进一步通

过更换被解释变量测度方式和排除其他影响因

素进行稳健性检验。

1. 更换被解释变量的测度方式

本文分别通过以下方式替换被解释变量:首

先,参考陈胜蓝和刘晓玲(2018)

[12] 的研究,使用

“应收账款+应收票据+预付账款”与总资产的比

值作为供应链融资供给(F. credit_raw) 的表征。

其次,供应链融资供给与企业经营状况直接相

关,因此本文还采用“应收账款+应收票据+预付

账款-预收账款-应付账款-应付票据”与营业总

收入之比作为被解释变量进行稳健性检验。 最

后,采用当期的商业信用作为被解释变量。 表 4

为更换被解释变量测度方式的回归结果。 表 4

中F. credit_raw 的结果显示,即使采用商业信用

供给作为被解释变量,企业数字化的系数仍然

115

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

表 4 更换被解释变量回归结果

变量 F. credit_raw F. credit_inc credit

dig_rate 0. 044

∗ 0. 156

∗ 0. 032

∗

(1. 871) (1. 784) (1. 776)

控制变量 控制 控制 控制

企业固定效应 控制 控制 控制

省份×年份固定效应 控制 控制 控制

观测值 18 501 18 501 18 501

R

2

0. 076 0. 065 0. 231

表 5 排除其他影响因素回归结果

变量

F. credit

(1) (2) (3)

dig_rate 0. 039

∗ 0. 045

∗ 0. 055

∗∗

(1. 899) (1. 848) (2. 331)

treat -0. 005

( -0. 121)

HSR -0. 007

∗

( -1. 759)

控制变量 控制 控制 控制

企业固定效应 控制 控制 控制

省份×年份固定效应 未控制 控制 控制

城市×年份固定效应 控制 未控制 未控制

行业×年份固定效应 未控制 控制 未控制

观测值 18 437 18 501 18 423

R

2 0. 205 0. 188 0. 100

显著为正,并且系数有所减小,这意味着

商业信用净供给的增加不仅来自允许下

游企业延迟支付,还表现为向供应商更快

支付货款。 表 4 结果表明,更换被解释变

量测度方式并不会对结果产生显著影响,

结论与基准回归一致。

2. 排除其他影响供应链融资的因素

为了进一步剔除各地政策可能对商业

信用供给产生的影响,本文将省份年份的交

互固定效应替换为城市年份交互固定效应。

考虑到不同行业的生产供货周期以及现金

流存在较大差异,因此有必要控制行业发展

趋势对供应链融资的影响。 本文在模型中

引入行业年份的交互固定效应。 此外,在信

息不畅通、运输成本较高的情况下,企业出于

产品质量保证的目的,也会向上下游提供商

业信用。 随着交通基础设施的完善,企业间

交易量增加,信息不对称下降,为保障产品销

售目的的商业信用供给会显著减少。 本文

参考陈胜蓝和刘晓玲(2019)

[13]的研究,将高

铁开通纳入回归进行稳健性检验。 表 5 给出

了排除其他因素的回归结果。 列(1)、列(2)

的结果显示,无论是替换为城市年份固定效

应还是增加行业年份固定效应,核心解释变

量系数仍然显著为正,但系数有所降低。 这

意味着城市和行业差异的确在解释供应链

融资供给方面有一定作用。 此外,排除高铁

开通的影响后,核心解释变量系数与基准回

归一致,结论依然稳健。

(三)内生性处理

本文的内生性问题可能源于以下几方面:一是遗漏变量问题。 由于供应链融资的供求决策与企业经营

诸多方面相关,可能遗漏部分影响因素。 本文在稳健性检验中通过排除其他影响因素,特别是同时引入行

业年份以及省份年份的交互固定效应很大程度上能缓解这类问题。 二是自选择问题,商业信用供给较多的

企业在融资渠道上更加灵活,资金来源广泛,因此也有可能在推进数字化上较为顺利。 为了缓解上述内生

性,本文采用工具变量进行回归。 首先,企业数字化的顺利推进离不开硬件和人力资本的支持,城市在历史

上的电脑使用情况反映了其数字化基础条件和人力资本情况。 本文使用 2005 年各城市“经常使用电脑的

116

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

员工比例(computer)”作为数字化的工具变量。 其合理性在于:第一,电脑作为企业数字化的必备硬件设施,

员工中使用电脑的比例反映了城市的数字人力资本储备情况,与企业数字化具有较好的相关性;第二,由于

本文采用的是样本期之外的数据,同时城市层面的指标降低了反向因果,满足外生性。 本文从世界银行

2005 年“中国企业投资环境调查”数据库获取相关指标,参照肖土盛等(2022)

[35] 的研究进行两阶段最小二

乘回归。 其次,本文还参考贺梅和王燕梅(2023)

[36] 以及鲁贝尔(Lewbel,1997)

[37] 的研究,将企业与同一省

份同一行业数字化均值差额的三次方(Lewbel_iv )作为工具变量。 表 6 列(1)和列(4)为工具变量第一阶段

的回归结果,两个工具变量均与核心解释变量显著相关。 同时,列(2)和列(5)的结果表明,使用工具变量处

理内生性问题后,企业数字化水平的提高仍然显著促进了供应链融资供给。 相关检验显示,LM 统计量的 P

值小于 0. 001,拒绝“工具变量识别不足”的原假设,F 值远大于临界值 16. 380,说明这一工具变量满足相关

性条件。 为了尽可能地验证本文工具变量的外生性,参考董松柯等(2023)

[38] 以及方颖和赵扬(2011)

[39] 的

研究,本文在基准回归中引入工具变量。 若工具变量除了通过内生变量还会借由其他途径影响商业信用供

给,那么工具变量的系数将显著不为 0,反之,若工具变量未通过显著性检验,则排除了工具变量借由其他渠

道对商业信用供给的影响。 表 6 列(3)和列(6)为工具变量外生性的检验结果。 两个工具变量的回归系数

均不显著,进一步论证了工具变量的外生性。

除了采用工具变量解决内生性外,本文进一步通过赫克曼( Heckman) 两步法[36] 和倾向评分匹配

(PSM)方法[40]减少研究中可能存在的自选择问题。 首先,本文参考余典范等(2022)

[16] 的研究,选取影

响企业数字化的因素计算逆米尔斯比率( imr) ,并将其代入基准回归模型,如果核心解释变量的系数显

著,则说明在处理自选择问题后,本文的结论仍然成立。 其次,数字化水平较高的企业可能经营绩效也较

好,因此愿意向上下游提供商业信用。 本文参考李云鹤等(2022)

[40]

,采用 1 ∶ 3 的近邻匹配法进行匹配,

并对匹配后的样本进行回归检验。 表 6 结果均显示,即使在考虑自选择问题后核心解释变量的系数仍在

5%的水平上正向显著。

表 6 内生性处理

变量

工具变量法

企业员工使用电脑工作比例 鲁贝尔(1997)方法

(1) (2) (3) (4) (5) (6)

赫克曼

两步法

PSM

dig_rate 0. 319

∗∗ 0. 048

∗∗ 0. 039

∗ 0. 065

∗∗ 0. 054

∗∗ 0. 115

∗∗

(2. 020) (1. 977) (1. 954) (2. 076) (2. 294) (2. 165)

computer 0. 001

∗∗∗ 0. 001

(12. 072) (1. 189)

Lewbel_iv 7. 047

∗∗∗ -0. 153

(18. 577) ( -0. 927)

imr -0. 045∗

( -1. 760)

控制变量 控制 控制 控制 控制 控制 控制 控制 控制

企业固定效应 控制 控制 控制 控制 控制 控制 控制 控制

117

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

表6(续)

变量

工具变量法

企业员工使用电脑工作比例 鲁贝尔(1997)方法

(1) (2) (3) (4) (5) (6)

赫克曼

两步法

PSM

省份×年份固定效应 控制 控制 控制 控制 控制 控制 控制 控制

IV 不可识别检验 143. 785 150. 778

(0. 000) (0. 000)

弱 IV 检验 145. 725 345. 091

(16. 380) (16. 380)

观测值 16 507 16 507 16 507 18 501 18 501 18 501 18 501 8 204

R

2 0. 131 0. 291 0. 099 0. 499 0. 307 0. 099 0. 099 0. 127

注:列(1)和列(4)为工具变量第一阶段的回归结果,被解释变量为 dig_rate;其余列被解释变量均为 F. credit。 IV 不可识别检验使用

Kleibergen-Paap rk LM 统计量,括号内为 P 值;弱 IV 检验使用 Kleibergen-Paap rk Wald F 统计量,括号内为 10%水平下的临界值。

(四)作用渠道与影响机制

1. 供应链融资供给增加的作用渠道

本文的基准回归结果表明,随着数字化水平的提升,企业将更多地向上下游供应商和客户提供商业信

用。 企业增加供应链融资供给可能存在两种方式。 从上游企业看,供应商向企业提供原材料,企业向其支

付货款。 企业既可以通过更快地向其支付货款,减少赊账来间接提供商业信用;也可以预先支付货款直接

提供商业信用。 就下游企业而言,客户购买企业的产品用于销售,企业向客户收取货款。 企业既可以通过

延缓收款主动提供商业信用,也可以减少预收货款提供商业信用。 本文将被解释变量的分子划分为“预付

账款(prepay)”“应付账款和应付票据( credit_pay)” “应收账款和应收票据( credit_rece)” 以及“预收账款

(prerece)”,以此考察企业数字化促进供应链融资供给的渠道。

表 7 为考察供应链融资供给增加渠道的回归结果。 通过比较表 7 的回归系数可以发现,企业数字化仅

对“应付账款和应付票据”以及“应收账款和应收票据”有显著影响。 这意味着随着数字化的推进,企业增加

供应链融资供给的渠道为更快向供应商支付货款、减少对上游企业的资金占用;并延缓客户对货款的支付。

这一结果不仅与祁怀锦等(2022)

[29]的研究具有一致性,更在此基础上厘清了其中的作用渠道,打开了供应

链融资供给增加的黑箱。 本文的结果也表明,数字化推进带来的商业信用供给增加不仅表现在延缓客户支

付货款上,而且相应加快了对供应商资金的支付。 这对于更为全面理解数字化影响供应链融资供给的渠道

有着积极意义。

表 7 供应链融资供给增加的作用渠道

变量 F. prepay F. credit_pay F. credit_rece F. prerece

dig_rate 0. 004 -0. 019

∗ 0. 029

∗ 0. 005

(0. 525) ( -1. 820) (1. 688) (0. 585)

控制变量 控制 控制 控制 控制

企业固定效应 控制 控制 控制 控制

118

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

表7(续)

变量 F. prepay F. credit_pay F. credit_rece F. prerece

省份×年份固定效应 控制 控制 控制 控制

观测值 18 501 18 501 18 501 18 501

R

2

0. 132 0. 125 0. 066 0. 161

天星数科是小米公司运用数字科技服务上下游的代表案例。 小米公司在与生态链企业的合作中发现,企

业在订单阶段融资需求最高,但银行囿于较高的风险并不愿意提供信贷支持。 订单融资存在资金挪用、生产受

阻、市场低迷和回款困难等风险。 为了解决上下游企业的融资难题,小米深挖交易数据,对供应链企业的生产

进行精细化管理。 通过大数据分析供应商订单中的字段信息,了解其真实用途,结合历史信息和行业数据评估

产品生产成本,了解工厂产能,降低供应链融资服务的事前风险。 此外,小米还将物流交付信息接入平台,获取

产品入库、退货、良品率、售后和结算信息,降低了供应链融资事后风险。 通过天星数科供应链融资平台,小

米累计为生态链企业“追觅科技”提供 40 亿元资金,使该企业营业额增长数十倍[41]

。

2. 数字化影响供应链融资的机制

从供应链融资的供给决策来看,企业是否提供商业信用取决于其对上下游合作企业坏账风险的预期

以及自身经营状况的考量。一方面,由于商业信用供给占用了企业自有资金,并且相比于贷款,商业信用

的收回成本较高、坏账风险较大[8]

。 因此,风险承担能力对企业商业信用供给意愿有重要影响。 风险承

担能力越高,企业越愿意向上下游供应商和客户提供商业信用。 另一方面,商业信用的提供需要以较好

的经营业绩作为保障。 本文在基准回归中也发现,企业经营绩效与商业信用供给具有显著的正向关系。

当企业经营绩效良好、生产效率较高时,通过商业信用促进产品销售的动机更强,也有更多的资金用于商

业信用。 本文以全要素生产率作为企业经营效率的衡量指标,检验数字化影响供应链融资供给意愿和能

力的影响机制。 考虑到中介效应模型可能存在的内生性偏误和渠道识别不清的问题[42]

,现有文献大多

通过观测核心解释变量对机制变量的影响进行机制检验[43-44]

,并在理论分析中对机制变量和被解释变

量的关系进行说明。 同时,也有相关研究认为机制变量对被解释变量的理论论证可能不充分,因此还需

要补充机制变量对被解释变量的回归结果[45]

。 本文参考上述文献并结合余典范和王佳希( 2022)

[46] 的

研究,在机制检验模型的基础上增加使用工具变量的回归结果,以减少其中可能存在的内生性问题。

机制变量一为供应链融资供给意愿,由企业风险承担能力表征。 本文参考余典范和王佳希(2022)

[46]

的研究,以公司盈利的波动性测度风险承担能力。 测算方式如下:首先计算出每个公司的总资产报酬率

( roa )并减去同年同行业的总资产报酬率( roa )均值以消除经济周期和行业的影响,然后分别测算每个企

业经年份行业调整后的总资产报酬率( roa )后向三年的滚动标准差( risk1)和极差( risk2)。 risk1 和 risk2 取

值越大,则企业的风险承担能力越高。 具体计算公式如式(2)—式(4)所示。

adjroai,j,t

=

ebit

i,j,t

asset

i,j,t

-

1

nj,t

∑

n

j,t

k = 1

ebit

k,j,t

asset

k,j,t

( ) (2)

risk1i,t

=

1

T - 1∑

T

t = 1

adjroai,j,t

-

1

T ∑

T

t = 1

( adjroai,j,t)

2

,T = 3 (3)

risk2i,t

= Max(adjroai,j,t,. . . ,adjroai,j,t+T-1 ) - Min(adjroai,j,t,. . . ,adjroai,j,t+T-1 ),T = 3 (4)

式(2)中, adjroa 为经行业和年度均值调整后的总资产报酬率, ebit 为息税前利润, asset 表示总资产。

由于过长的时间窗口将损失较多样本,因此本文选取 T = 3 计算滚动 3 期的企业风险承担水平。 按照式(3)

119

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

和式(4)可进一步计算得到后向三年滚动标准差 (risk1) 和极差 (risk2)。 如果企业数字化的确通过提升风

险承担能力促进供应链融资供给,那么可以预期,核心解释变量对风险承担能力的回归系数显著为正。

机制变量二为供应链融资供给能力,用全要素生产率表征。 本文参考鲁晓东和连玉君(2012)

[47] 的研

究,分别基于奥利-帕克斯(OP)法和莱文索恩-彼得林(LP)方法计算上市公司全要素生产率。 如果企业数

字化通过改善企业经营绩效、提高生产效率,促进商业信用供给,那么本文预期核心解释变量对机制变量的

回归系数显著为正。

表 8 为供给意愿的机制检验结果。 其中表 8 列(1)—列(3)为使用标准差计算得到的风险承担能力机

制检验结果,列(4)—列(6)为使用极差计算得到的指标检验结果。 表 8 列(1)和列(4)的回归系数显示,随

着企业数字化水平的提高,风险承担能力显著增强,与王超等(2023)

[48]研究一致。 列(2)和列(5)的回归结

果显示,风险承担能力对供应链融资的回归系数同样显著为正,由此表明企业数字化增强风险承担能力,进

而提高供应链融资供给意愿的机制成立。 表 8 列(3)和列(6)为使用鲁贝尔工具变量的检验结果①。 即使在

考虑机制检验模型可能存在的内生性问题后,结果仍然稳健。

表 8 数字化影响供应链融资的机制:供给意愿

变量

(1) (2) (3) (4) (5) (6)

risk1 F. credit F. credit risk2 F. credit F. credit

dig_rate 0. 056

∗∗∗ 0. 052

∗∗ 0. 041

∗∗ 0. 079

∗∗∗ 0. 052

∗∗ 0. 041

∗∗

(2. 784) (2. 199) (2. 368) (2. 786) (2. 199) (2. 368)

risk1 0. 031

∗∗∗ 0. 089

∗∗∗

(3. 191) (7. 424)

risk2 0. 022

∗∗∗ 0. 063

∗∗∗

(3. 194) (7. 425)

控制变量 控制 控制 控制 控制 控制 控制

企业固定效应 控制 控制 控制 控制 控制 控制

省份×年份固定效应 控制 控制 控制 控制 控制 控制

观测值 18 501 18 501 18 501 18 501 18 501 18 501

R

2

0. 093 0. 100 0. 310 0. 093 0. 100 0. 310

表 9 为供给能力的机制检验结果。 其中,列(1)—列(3)为基于 LP 方法测算的全要素生产率指标回归

结果,列(4)—列(6)为基于 OP 方法测算的结果。 观察表 9 列(1)和列(4)的系数可知,企业数字化显著提

升了生产效率。 同时,表 9 列(2)和列(5)中,全要素生产率的回归系数在 1%的水平上显著为正。 上述结果

表明,企业数字化通过改善经营绩效、提高生产效率增强了供应链融资供给能力,最终产生促进效果。 表 9

列(3)和列(6)使用工具变量进行机制检验后,相关结果仍然稳健,具有一致性。

表 9 数字化影响供应链融资的机制:供给能力

变量

(1) (2) (3) (4) (5) (6)

lntfplp F. credit F. credit tfp_op F. credit F. credit

dig_rate 0. 571

∗∗∗ 0. 046

∗ 0. 038

∗∗ 0. 267

∗∗ 0. 046

∗ 0. 045

∗∗∗

(5. 330) (1. 878) (2. 134) (2. 281) (1. 956) (2. 609)

120

① 本文也使用“城市经常使用电脑的员工比例”进行机制检验,相关结果仍然稳健。

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

表9(续)

变量

(1) (2) (3) (4) (5) (6)

lntfplp F. credit F. credit tfp_op F. credit F. credit

lntfplp 0. 021

∗∗∗ 0. 016

∗∗∗

(5. 531) (9. 563)

tfp_op 0. 019

∗∗∗ 0. 005

∗∗∗

(5. 478) (3. 022)

控制变量 控制 控制 控制 控制 控制 控制

企业固定效应 控制 控制 控制 控制 控制 控制

省份×年份固定效应 控制 控制 控制 控制 控制 控制

观测值 17 483 17 483 17 483 17 936 17 936 17 936

R

2 0. 671 0. 110 0. 321 0. 495 0. 109 0. 316

(五)异质性分析

1. 不同所有权企业

本文根据股权性质将上市公司划分为国有企业(soe = 1)与非国有企业(soe = 0),相关数据来自国泰安数

据库。 由于在研究期间,部分公司存在股权性质变动,组别的跳跃可能会对本文回归结果产生干扰[42]

,因此

本文保留研究期间未发生所有权变动的企业进行异质性分析①。 表 10 不同所有权企业的调节效应检验结

果显示,企业数字化与是否为国企的交互项回归系数显著为负。 这意味着相比于国有企业,企业数字化对

非国有企业的供应链融资供给促进作用更为明显。一般认为,国有企业在市场上具有较高的议价能力,通

过增加商业信用以促进上下游交易的积极性不高[14]

。 相比于国有企业,非国有企业的经营决策更为灵活,

能够承担更高的风险,商业信用供给意愿较高。 另外,通过数字化变革,非国有企业能够有效提升信息搜集

和分析能力,降低信息不对称对商业信用供给的阻碍。 国有企业由于与政府的天然联系,信息来源较为广

泛,通过数字化降低信息不对称的效应较弱。 因此,企业数字化对供应链融资的促进效应在非国有企业中

更为明显。

2. 不同数字化协同水平

企业数字化的顺利推进,不仅需要自身加大投入,还离不开上下游企业的配合。 上下游数字化协同水

平关系着其数字化赋能效果的大小。 当产业链数字化水平较高时,上下游企业能够有效减少交易成本,节

约物流、差旅和供应链管理等支出,最终表现为上下游合作关系的加强[49]

。 从供应链融资角度来看,较高的

数字化协同水平有助于企业间增进了解,减少信息不对称带来的信任缺失。 本文参考余典范等(2022)

[16]

的研究方法,利用投入产出表构建上游和下游数字化水平指标。 上游数字化水平的具体构建公式为:

Up_digi,t

= ∑

j≠i

input

i,j,t

∑

j

input

i,j,t

×dig_ratej,t (5)

其中, input

i,j,t 代表 t 年行业 j 向行业 i 投入的中间产品,∑

j

input

i,j,t 代表 t 年 i 行业所投入的中间产品之

和,二者相除即为 t 年 i 行业对 j 行业的直接消耗系数。 dig_ratej,t 表示 t 年 j 行业数字化水平,通过计算行业

121

① 感谢审稿人提供的宝贵建议。 在数字化协同水平和地区信任的回归中,本文也做了相同的处理。

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

内上市公司数字化加权平均值得到。 基于这一原理,同样可以构建出下游数字化测度指标。

Down_digi,t

= ∑

j≠i

output

i,j,t

∑

j

output

i,j,t

×dig_ratej,t (6)

其中, output

i,j,t 代表 t 年行业 i 向行业 j 提供的中间产品, ∑

j

output

i,j,t 代表 t 年 i 行业的中间需求之和,

二者相除即为 t 年 i 行业对 j 行业的分配系数。 基于式(5)和式(6),本文利用历年投入产出表分别计算各行

业上游和下游的数字化水平,并通过《国民经济行业分类(GB / T 4754—2017)》与上市公司样本进行匹配。

最后,按照上游的数字化水平中位数,本文将企业划分为上游数字化水平较高组(up_high = 1)和较低组(up_

high = 0);按照下游的数字化水平中位数,将企业划分为下游数字化水平较高组( down_high = 1)和较低组

(down_high = 0)。 本文通过设置上游数字化高低的虚拟变量( up_high) 以及下游数字化高低的虚拟变量

(down_high),并将其与核心解释变量进行交互考察数字化协同对供应链融资的影响。 如果数字化的确促

进了供应链融资供给,那么可以预期上游和下游数字化水平均位于较高组的样本更加显著。 表 10 不同上下

游协同水平的调节效应检验结果显示,当上下游数字化均处于较高水平时,企业数字化能够显著促进供应

链融资供给(交互项系数显著为正)。 未来进一步推动数字化产业链协同试点建设,提高上下游协作水平是

发挥供应链融资作用的重要政策方向。

在数字化转型实践中,目前普遍存在上下游信息孤岛、物流数据不透明、协同成本较高等问题。 如果每

家企业均建立各自的数字化系统,那么将产生数据接口不匹配的协同问题。 因此,政府应当鼓励有条件的

龙头企业、链主企业打造相关云平台和数据系统,开放数据资源以提高协同效率。 例如,吉利集团针对汽车

行业推出的“摩码智造管理大师+汽车供应链协同解决方案”,通过搭建汽车供应链协同平台和仓储物流云、

质量协同云、采购协同云、生产协同云,对供应链中的各要素进行重组,有效降低了汽车离散制造带来的协

同难题。 在仓储物流领域,该平台支持订单协同、库存协同和运输协同,实现库存订单以及运输信息的共

享。 链主企业通过向供应商开放库存系统应用程序编程接口(API),实现异构系统的无缝互联,减少了供应

链上的库存积压,帮助数百家链主企业和供应商降低 5% ~30%库存。 广东省围绕二十多个战略性新兴产业

集群遴选两三家链主企业,组织这些企业加强核心技术研发,带动上下游融通发展,微波炉行业龙头格兰仕

通过数字化供应链系统,将产品研发、可靠性验证、烹调数据分析、供应商开模等工作协调起来,实现产业链

效率提升,运营成本、不良品率降低。

3. 不同地区信任水平

供应链融资作用的发挥建立在良好的信任基础上[18]

。 在传统的供应链融资供给模式中,由于信息获取

渠道少,无法充分评估交易方的信用状况,融资提供主体面临较大风险。 随着以区块链为代表的数字技术

的出现,企业可以获取供应商和客户的历史交易信息和财务数据,评估其还款能力,有效降低风险。 因此,

企业数字化可能有效弥补信任缺失对供应链融资的阻碍。 本文参考张维迎和柯荣住(2002)

[50] 的方法,使

用 2000 年“中国企业家调查数据”作为地区信任水平的衡量指标。 由于这一数据属于截面信息,本文参考

余典范等(2022)

[51]的研究,将其与每年的市场化指数分指数“市场中介组织的发育和法律制度环境指数”

相乘,得到各省每年的信任水平。 本文按照不同年份信任水平中位数将企业所在地区划分为信任水平较高

组(trust = 1)和较低组(trust = 0)。 表 10 地区信任水平的调节效应回归结果显示,核心解释变量与地区信任

水平交互项的回归系数显著为负。 这意味着企业数字化有效弥补了地区信任缺失对供应链融资供给产生

的负面影响。 至此,本文的研究假设 2 得到验证。

122

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

4. 不同商业信用期限

葛和邱(Ge & Qiu,2007)的研究认为,企业可能出于交易动机或融资动机为上下游提供融资支持[52]

。

一方面,在原材料购买和产品销售过程中,为了增进企业间信任、保证产品质量,企业会提供部分商业信用。

这类商业信用产生的根源在于企业间信任程度较低,产品信息不对称较为严重。 另一方面,随着企业越来

越重视供应链稳定性以及供应链竞争力在企业经营中的作用,企业会主动提供商业信用缓解上下游企业的

融资约束。 因此,通过区分供应链融资的供给类型,有助于更好地理解数字化的重要作用,验证企业数字化

对供应链融资供给的优化效应。 结合已有文献,商业信用的期限结构是区分其供给类型的重要方式。一般

认为,出于交易动机的商业信用往往期限较短,而融资动机的商业信用期限则较长。 本文从国泰安数据库

获取上市公司商业信用的期限信息,将一年以下的商业信用界定为出于交易动机,一年以上为融资动机[21]

,

计算企业一年以下的商业信用占比。 表 10 最后一列为企业数字化对一年以下商业信用占比的回归结果。

由核心解释变量的回归系数可知,企业数字化显著降低了一年以下的商业信用供给。 这意味着企业数字化

更多地促进了企业出于融资目的的商业信用供给。 这一结果不仅再次论证了企业数字化对于供应链融资

供给的正面作用,而且表明数字化带来的供应链融资供给增进与传统交易动机并不相同,能够真正为供应

链上下游提供融资支持。

表 10 异质性回归结果

变量

F. credit

所有权 协同水平 地区信任

F. credit_short

dig_rate 0. 058

∗∗∗ 0. 105

∗ 0. 106

∗∗∗ -0. 493

∗

(2. 830) (1. 673) (2. 644) ( -1. 830)

dig_rate×soe -0. 064

∗∗

( -2. 016)

dig_rate×up_high -0. 180

( -1. 025)

dig_rate×down_high -0. 159

( -1. 626)

dig_rate×up_high×down_high 0. 352

∗

(1. 706)

dig_rate×trust -0. 091

∗∗

( -2. 105)

控制变量 控制 控制 控制 控制

企业固定效应 控制 控制 控制 控制

省份×年份固定效应 控制 控制 控制 控制

观测值 16 796 8 528 16 838 18 501

R

2 0. 094 0. 130 0. 103 0. 020

五、进一步研究

本文的研究表明:企业数字化通过提升供给能力和供给意愿显著促进了供应链融资供给,并且这一效

123

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

果在不同所有制企业、上下游协同水平和地区信任样本中存在差异。 同时,区分商业信用期限后发现,企业

数字化主要促进了以融资为目的的商业信用供给。 总体上,随着数字化变革的推进,上下游之间的资金流

动增加。 本文进一步关注的问题是,数字化带来的资金流动主要发生在哪类供应商和客户中? 探究这一问

题有助于更好地理解数字化在优化供应链融资供给结构中的作用。 本文整理了上市公司商业信用明细信

息,将各类应收应付、预收预付账款和票据的交易对象名称与上市公司五大供应商和客户匹配,构造企业对

不同供应商和客户的商业信用供给指标。

(一)交易次数的差异

从重复博弈的角度来看,更多的交易经历意味着信任的增加。 在长期的供应链交易中,企业更加愿

意与熟悉的供应商和客户合作。 因此,传统模式下企业较难与新的供应商和客户建立信任关系。 随着数

字技术的出现,企业可以通过多渠道了解供应商和客户的信用状况,对其历史交易信息进行评估。 同时,

区块链等技术在企业经营中的应用有助于更快地建立合作关系,减少逆向选择和道德风险[53]

。 本文利

用上市公司披露的五大供应商和客户信息,计算企业与供应商客户的交易次数①,研究企业对不同交易频

次供应商和客户的商业信用供给差异。 具体测算上,本文首先基于历史交易信息,统计截至样本所在年份,

企业与该供应商或客户的交易次数。 其次按照交易次数中位数将企业同一年的供应商和客户划分为交易

次数较多的供应链企业(F. credit_more)和较少的供应链企业(F. credit_less),分别计算企业对两组供应链企

业提供的商业信用。 如果数字化的确弥合了企业间信任的缺失,那么本文预期企业将更多向交易次数较少

的上下游供应商和客户提供商业信用。 表 11 列示了企业数字化对不同交易次数上下游商业信用供给的回

归结果,核心解释变量的回归系数在交易次数较少的上下游中显著为正,但在交易次数较多的上下游企业

中不显著。 这意味着数字技术在企业经营中的应用显著促进了企业间信任[10]

。 在数字技术的支持下,传统

商业信用中的信任缺失会得到缓解。 企业也得以和新的供应商和客户建立更加紧密的关系,对于供应链的

调整优化也有积极作用。

表 11 对不同交易次数上下游的供应链融资供给

变量 F. credit_more F. credit_less

dig_rate 0. 006 0. 073

∗

(0. 175) (1. 707)

控制变量 控制 控制

企业固定效应 控制 控制

省份×年份固定效应 控制 控制

观测值 1 198 1 198

R

2

0. 407 0. 446

(二)国有与非国有企业

供应链融资除了有助于促进企业间合作,缓

解融资约束外, 还发挥着资源二次配置的作

用[6]

。 本文从国泰安数据库获取上市公司五大

供应商和客户信息,根据企业名称将其与天眼查

数据库匹配,获得有关所有权属性的相关数据。

本文将供应商和客户按照所有权性质划分为国

有(F. credit_soe)和非国有(F. credit_nsoe)两组,

分别计算企业对其商业信用的供给,检验企业数

字化增进的供应链融资供给在不同所有权上下游中有何差异。 表 12 为企业数字化对不同所有权上下游供

应链融资供给的回归结果。 核心解释变量的回归系数显示,企业数字化对非国有供应商和客户的商业信用

供给显著为正。 这意味着企业数字化对于发挥商业信用的资源配置作用同样具有积极意义。一般认为,非

国有企业相比于国有企业资金来源较少,在银行信贷中容易受到歧视[54]

。 本文的结果进一步肯定了商业信

124

① 考虑到部分企业既是上市公司的供应商也是客户,本文将同一年既是供应商也是客户的企业交易次数记为两次,回归结果仍然一致。

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

用在缓解非国有企业融资约束中的重要补充作用。

表 12 对不同所有权上下游的供应链融资供给

变量 F. credit_soe F. credit_nsoe

dig_rate -0. 126 0. 042

∗

( -1. 237) (1. 835)

控制变量 控制 控制

企业固定效应 控制 控制

省份×年份固定效应 控制 控制

观测值 524 3 188

R

2

0. 714 0. 188

(三)融资约束的差异

供应链融资供给的增加究竟是对银行信贷的

替代还是补充? 本文进一步分析数字化对不同融

资约束上下游的商业信用供给影响。 考虑到上市

公司的供应商和客户多为非上市企业,因此很难

按照经典方法测算其融资约束指标。 从已有研究

来看,企业的融资约束与其所在地区的金融环境

密切相关。 地区金融越发达,银行、金融中介等机

构越多,企业获得相关资金支持的成本也越低。

因此,本文可以通过比较企业对金融发达与不发

达地区企业的商业信用供给差异来检验上述问题。 参考孔等人(2020)

[21]的研究,本文利用市场化指数中金融

行业市场化指数中位数将供应商和客户所在省份划分为融资约束较低组(F. credit_fin),其余为融资约束较高

组(F. credit_nfin)。 供应商和客户的省份信息来自天眼查数据库提供的企业注册地址数据。 本文分别计算上

市公司对两类供应商和客户的商业信用供给。 表 13 结果显示,企业数字化对融资约束较弱的供应商和客户供

应链融资供给显著为正,但对融资约束较强企业的供给不显著。 这意味着数字化带来的供应链融资供给增加

更多发挥了互补作用。

表 13 对不同融资约束上下游的供应链融资供给

变量 F. credit_fin F. credit_nfin

dig_rate 0. 048

∗ -0. 006

(1. 718) ( -0. 248)

控制变量 控制 控制

企业固定效应 控制 控制

省份×年份固定效应 控制 控制

观测值 2 606 1 562

R

2 0. 221 0. 292

六、结论与启示

扩大企业融资来源,深化供应链协作是当前

高不确定性背景下增强企业韧性的重要政策目

标。 本文以企业数字化为切入点,基于 2010—

2020 年中国沪深 A 股上市公司样本,实证检验

了数字化变革的供应链融资效应,并对其中的影

响机制和异质性结果进行深入探讨。 研究发现,

企业数字化通过提高企业的风险承担能力和经

营绩效,促使企业更多向上下游供应商和客户提

供商业信用。 随着数字化变革的深入推进,企业更快地向供应商支付货款,以及延缓客户的销售款收取,这

些都能间接提供融资支持。 异质性分析表明,企业数字化的供应链融资效应在非国有企业、上下游数字化

协同水平更高以及地区信任水平较低的样本中更为显著。 并且,本文发现数字化更多促进了以融资而非交

易为目的的商业信用供给,数字化带来的供应链融资供给增加,更多流向交易次数较少、非国有以及融资约

束较弱的供应链合作企业。

本文的研究对于发挥供应链的融资作用,深入推进企业数字化转型有如下实践启示。一方面,应加快数字

技术在企业信用评估、风险管控和上下游协作中的应用。 数字技术的出现扩大了企业的信息来源,增强了其信

息分析能力。 基于数字技术,企业可以更为充分地了解上下游供应商和客户的信用状况和供货情况,综合评估

125

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

企业还款能力和坏账风险,进而增加对上下游的商业信用融资支持。 因此,企业应当加快生产经营环节的数字

化转型,提高企业利用人工智能等数字技术分析决策的能力。 从政府角度来看,可以通过支持商业查询平台建

设,加大裁判文书网、专利等涉及企业经营的信息公开力度,为企业间非正式融资提供外部支撑。 另一方面,提

高数字化转型中的供应链协同水平,减少由于上下游交易摩擦带来的效率损失。 本文的研究再次印证了供应

链协同对于数字化发挥作用的重要性,强调数字化的成功转型既需要企业自身加大投入,也离不开供应链企业

的支持。 政府可以通过建立产业链数字化协同机制,打通产业链上下游企业数据通道。 数字化协同水平的提

高离不开链主企业的核心作用,因此政府应当针对本地的主导产业遴选一批具有上下游辐射作用,供应链带动

效应强的示范企业。 鼓励链主企业充分利用自身优势,加强与数字化服务商的合作,搭建更加符合产业特点的

数字化协同平台,推动企业间订单、产能和渠道共享,促使产业链供应链向更高层级跃迁。

参考文献:

[1]中国企业创新创业调查联盟. 中国中小微企业创新创业的新特点暨 2021 年中国企业创新创业调查报告[R]. 北京:北京大学,2021.

[2]ERSAHIN N, GIANNETTI M, HUANG R. Trade credit and the stability of supply chains[Z]. SMU Cox School of Business Research Paper No. 21-

09, 2021.

[3]王永进,盛丹. 地理集聚会促进企业间商业信用吗? [J]. 管理世界,2013(1):101-114.

[4]财政部管理会计咨询专家组. 管理会计行业调研报告及案例(第二辑) [EB/ OL]. (2020-07-24) [2023-03-26]. http: / / kjs. mof. gov. cn /

diaochayanjiu / 202007 / P020230214400804360822. pdf.

[5]王竹泉,翟士运,王贞洁. 商业信用能够帮助企业渡过金融危机吗? [J]. 经济管理,2014,36(8):42-53.

[6]JAIN N. Monitoring costs and trade credit[J]. The Quarterly Review of Economics and Finance, 2001, 41(1): 89-110.

[7]ADELINO M, FERREIRA M A, GIANNETTI M, et al. Trade credit and the transmission of unconventional monetary policy[Z]. NBER Working

Paper No. 27077, 2020.

[ 8]ZHANG Z L. Bank interventions and trade credit: evidence from debt covenant violations[J]. Journal of Financial and Quantitative Analysis, 2019,

54(5): 2179-2207.

[9]陈正林. 客户集中、行业竞争与商业信用[J]. 会计研究,2017(11):79-85,97.

[10]宋华,韩思齐,刘文诣. 数字技术如何构建供应链金融网络信任关系? [J]. 管理世界,2022,38(3):182-200.

[11]张任之. 数字技术与供应链效率:理论机制与经验证据[J]. 经济与管理研究,2022,43(5):60-76.

[12]陈胜蓝,刘晓玲. 经济政策不确定性与公司商业信用供给[J]. 金融研究,2018(5):172-190.

[13]陈胜蓝,刘晓玲. 中国城际高铁与商业信用供给———基于准自然实验的研究[J]. 金融研究,2019(10):117-134.

[14]孙大超,王伟,景红桥. 产权性质、产业差异化与企业商业信用供给[J]. 经济管理,2014,36(3):53-62.

[15]方红星,楚有为. 公司战略与商业信用融资[J]. 南开管理评论,2019,22(5):142-154.

[16]余典范,王超,陈磊. 政府补助、产业链协同与企业数字化[J]. 经济管理,2022,44(5):63-82.

[17]刘民权,徐忠,赵英涛. 商业信用研究综述[J]. 世界经济,2004(1):66-77,80.

[18]WU W F, FIRTH M, RUI O M. Trust and the provision of trade credit[J]. Journal of Banking & Finance, 2014, 39: 146-159.

[19]潘越,谢玉湘,宁博,等. 数智赋能、法治化营商环境建设与商业信用融资———来自“智慧法院” 视角的经验证据[ J]. 管理世界,2022,38

(9):194-208.

[20]DING F, LIU Q L, SHI H Z, et al. Firms’ access to informal financing: the role of shared managers in trade credit access[J]. Journal of Corporate

Finance, 2023, 79: 102388.

126

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

[21]KONG D M, PAN Y, TIAN G G, et al. CEOs’ hometown connections and access to trade credit: evidence from China[J]. Journal of Corporate

Finance, 2020, 62: 101574.

[22]郑军,林钟高,彭琳. 高质量的内部控制能增加商业信用融资吗? ———基于货币政策变更视角的检验[J]. 会计研究,2013(6):62-68,96.

[23]白雪莲,贺萌,张俊瑞. 企业金融化损害商业信用了吗? ———来自中国 A 股市场的经验证据[J]. 国际金融研究,2022(9):87-96.

[24]李增福,冯柳华. 企业 ESG 表现与商业信用获取[J]. 财经研究,2022,48(12):151-165.

[25]LUO C H, WEI D L, HE F. Corporate ESG performance and trade credit financing—evidence from China[J]. International Review of Economics

& Finance, 2023, 85: 337-351.

[26]楚有为. 公司战略与商业信用供给决策[J]. 会计与经济研究,2021,35(6):73-89.

[27]李帅娜. 数字技术赋能服务业生产率:理论机制与经验证据[J]. 经济与管理研究,2021,42(10):51-67.

[28]孙洁,李峰,张兴刚. 数字技术投资公告对企业市场价值的影响———基于事件研究视角[J]. 经济与管理研究,2020,41(11):130-144.

[29]祁怀锦,魏禹嘉,刘艳霞. 企业数字化转型与商业信用供给[J]. 经济管理,2022,44(12):158-184.

[30]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.

[31]吴非,常曦,任晓怡. 政府驱动型创新:财政科技支出与企业数字化转型[J]. 财政研究,2021(1):102-115.

[32]BERTOMEU J, MARINOVIC I. A theory of hard and soft information[J]. The Accounting Review, 2016, 91(1): 1-20.

[33]ALLEN F, QIAN J, QIAN M J. Law, finance, and economic growth in China[J]. Journal of Financial Economics, 2005, 77(1): 57-116.

[34]GILLIAM T A, HEFLIN F, PATERSON J S. Evidence that the zero-earnings discontinuity has disappeared [ J]. Journal of Accounting and

Economics, 2015, 60(1): 117-132.

[35]肖土盛,吴雨珊,亓文韬. 数字化的翅膀能否助力企业高质量发展———来自企业创新的经验证据[J]. 经济管理,2022,44(5):41-62.

[36]贺梅,王燕梅. 制造业企业数字化转型如何影响员工工资[J]. 财贸经济,2023,44(4):123-139.

[37]LEWBEL A. Constructing instruments for regressions with measurement error when no additional data are available, with an application to patents

and R&D[J]. Econometrica, 1997, 65(5): 1201-1213.

[38]董松柯,刘希章,李娜. 数字化转型是否降低企业研发操纵? [J]. 数量经济技术经济研究,2023,40(4):28-51.

[39]方颖,赵扬. 寻找制度的工具变量:估计产权保护对中国经济增长的贡献[J]. 经济研究,2011,46(5):138-148.

[40]李云鹤,蓝齐芳,吴文锋. 客户公司数字化转型的供应链扩散机制研究[J]. 中国工业经济,2022(12):146-165.

[41]宋华. 数字供应链[M]. 北京:中国人民大学出版社,2022.

[42]江艇. 因果推断经验研究中的中介效应与调节效应[J]. 中国工业经济,2022(5):100-120.

[43]李小平,余娟娟,余东升,等. 跨境电商与企业出口产品转换[J]. 经济研究,2023,58(1):124-140.

[44]高鸣,魏佳朔. 收入性补贴与粮食全要素生产率增长[J]. 经济研究,2022,57(12):143-161.

[45]李万利,刘虎春,龙志能,等. 企业数字化转型与供应链地理分布[ J/ OL]. 数量经济技术经济研究,2023[2023-06-17]. https: / / doi. org /

10. 13653 / j. cnki. jqte. 20230418. 001.

[46]余典范,王佳希. 政府补贴对不同生命周期企业创新的影响研究[J]. 财经研究,2022,48(1):19-33.

[47]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.

[48]王超,余典范,龙睿. 经济政策不确定性与企业数字化———垫脚石还是绊脚石? [J]. 经济管理,2023,45(6):79-100.

[49]KOSMOL T, REIMANN F, KAUFMANN L. You’ ll never walk alone: why we need a supply chain practice view on digital procurement[ J].

Journal of Purchasing and Supply Management, 2019, 25(4): 100553.

[50]张维迎,柯荣住. 信任及其解释:来自中国的跨省调查分析[J]. 经济研究,2002(10):59-70,96.

[51]余典范,杨翘楚,陈磊. 互联网联系对地区间贸易成本的非对称影响[J]. 财贸经济,2022,43(8):150-167.

[52]GE Y, QIU J P. Financial development, bank discrimination and trade credit[J]. Journal of Banking & Finance, 2007, 31(2): 513-530.

[53]龚强,班铭媛,张一林. 区块链、企业数字化与供应链金融创新[J]. 管理世界,2021,37(2):22-34.

[54]李广子,刘力. 债务融资成本与民营信贷歧视[J]. 金融研究,2009(12):137-150.

127

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

Supply Chain Financing Effect of Enterprise Digitalization

—From the Perspective of Trade Credit

WANG Chao, YU Dianfan

(Shanghai University of Finance and Economics, Shanghai 200433)

Abstract: As a key role in informal financing, trade credit has a positive effect on stabilizing supply chain

relationships and diversifying funding sources. However, due to the lack of third-party guarantees, trade credit

often faces trust deficits and information asymmetry. Therefore, establishing a credible and sustainable supply chain

financing promotion mechanism is of great significance in alleviating corporate financing constraints.

The emergence and application of digital technologies may help alleviate these barriers. On the one hand,

digitalization enhances enterprises’ abilities to collect and analyze information, thereby facilitating comprehensive

risk assessment and improving risk-taking. On the other hand, digitalization improves production efficiency and

enhances enterprises’ abilities to provide trade credit for upstream and downstream partners. Based on the panel

data of China?s listed companies from 2010 to 2020, this paper constructs a two-way fixed effect model to

empirically test the impact of enterprise digitalization on the provision of trade credit and explores the heterogeneity

and the mechanism.

The findings are as follows. First, the integration of digital technology and operations prompts companies to

increase supply chain financing support for upstream and downstream suppliers and customers. Digitalization

improves the risk-taking ability and business performance of enterprises, which in turn makes them more willing and

able to provide trade credit. Second, there is significant heterogeneity in the impact of enterprise digitalization on

the supply of trade credit. Specifically, compared with state-owned enterprises ( SOEs), non-SOEs increase the

supply of trade credit after digitalization. Furthermore, the supply chain financing effect of enterprise digitalization

is more significant in samples with higher levels of upstream and downstream collaboration. In addition,

digitalization effectively addresses the issue of trust deficit among enterprises, and those in regions with lower levels

of trust provide more trade credit after digitalization. Third, digitalization promotes the supply of trade credit for

financing rather than for transactional purposes. Digitalization leads to a significant flow of funds in the supply chain

to upstream and downstream suppliers and customers with fewer transactions, non-state ownership, and lower

financing constraints.

This paper provides the following policy implications. On the one hand, it is necessary to accelerate the

application of digital technology in corporate credit assessment, risk management and control, and upstream and

downstream collaboration. The government can provide external support for informal financing among enterprises by

supporting the construction of commercial query platforms and increasing the disclosure of information related to

business operations. On the other hand, it is needed to establish a digital collaboration mechanism for the industrial

chain and open up data channels for upstream and downstream enterprises. The government can encourage chain

leaders to use their advantages to strengthen cooperation with digital service providers, build a digital collaboration

platform in line with industry characteristics, and promote the sharing of orders, production capacity, and channels

among enterprises.

Keywords: enterprise digitalization; trade credit; financing constraint; supply chain resilience; industrial

chain coordination

责任编辑:姜 莱;魏小奋

128

第 44 卷 第 10 期

2023 年 10 月

经 济 与 管 理 研 究

Research on Economics and Management

Vol. 44 No. 10

Oct. 2023

DOI:10. 13502 / j. cnki. issn1000-7636. 2023. 10. 008

CEO 信息技术背景对企业数字化创新的

影响机制研究

王象路 张文泉 耿 新

收稿日期:2023-04-05;修回日期:2023-07-17

基金项目:国家自然科学基金面上项目“学习-认知视角下双元领导行为的多层效应与转换过程研究” (71772138);国家自然科学基金面

上项目“企业数智化变革中的悖论协同能力建构与效应研究”(72372118);山东省社会科学规划研究项目“山东省区域人才活力评价与提升对

策研究”(21CJJJ12)

作者简介:王象路 同济大学经济与管理学院博士研究生,上海,200092;

张文泉 中国海洋大学国际事务与公共管理学院硕士研究生,青岛,266101;

耿 新 山东财经大学工商管理学院教授,济南,250014。

作者感谢匿名审稿人的评审意见。

内容提要:在数字经济时代,如何推进数字化创新成为理论界与实践界亟需研究的重要议题,而首席执行官

(CEO)信息技术背景为解释企业数字化创新的驱动因素提供了新的视角。 本文基于数字化创新突破条件,利用

2010—2021 年沪深 A 股上市公司数据,探讨 CEO 信息技术背景对企业数字化创新的影响效应及其作用机制。 研

究结果显示:CEO 信息技术背景能够显著推进企业数字化创新;CEO 信息技术背景将通过数字意义建构、数字资源

配置来促进企业数字化创新;CEO 信息技术背景对数字化创新的促进作用在 CEO 权力较高、高管团队断裂带较强

以及环境动态性较高的条件下更为显著。 本文研究结论揭示了 CEO 信息技术背景对企业数字化创新的影响及其

作用机制,也对实践中企业推进数字化创新具有一定的启示。

关键词:CEO 信息技术 大数据 数字化创新 数字意义建构 数字资源配置

中图分类号:F270. 7 文献标识码:A 文章编号:1000-7636(2023)10-0129-16

一、问题提出

随着大数据、区块链、云计算、人工智能等新兴数字技术的快速发展,人类经济社会逐渐进入以数字为

核心的全新时代[1]

。 数字技术的持续渗透重构了各个行业和细分市场的竞争格局,并进一步引发了企业价

值创造逻辑的深刻变革[2]

。 在此背景下,数字化创新成为驱动企业建立竞争优势的重要引擎,企业如何切

实推进数字化创新以抓住新一轮科技革命和产业变革的机会窗口,成为理论界与实践界共同关注的议题。

数字化创新(digital innovation)是企业或组织利用数字技术对原有产品、服务、流程或商业模式进行改进

的过程[3-4]

。 现有文献集中探讨了数字化创新的底层技术与产品架构、创新扩散机制、价值创造逻辑等[5-6]

,

但鲜有学者将研究重点放在数字化创新的前置影响因素上,有限的研究也大多从制度环境、数字平台以及数

129

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

字生态系统等方面出发[7-8]

,未能关注到企业决策主体———首席执行官(CEO)对数字化创新的影响作用。 基于

高阶梯队理论,企业是否以及如何进行数字化创新很大程度上取决于 CEO 的决策结果,其不仅要制定与组织

资源禀赋、能力基础和特定需求相匹配的数字化创新战略,还要提供创造性思维、分配关键性资源、设定创新环

境以推动企业数字化创新活动,因此 CEO 背景特征势必会影响到企业数字化创新[9-10]

。 而在解释 CEO 背景特

征对企业创新的影响方面,烙印理论与高阶梯队理论形成有益补充[11]

。 根据烙印理论,CEO 在受教育阶段或

职业早期等敏感期的经历不仅使其形成特定知识与能力,还能深刻影响其认知与思维模式[12]

。 不同于企业传

统创新活动,数字化创新强调数字技术在创新活动中的应用,具有创新边界模糊、创新主体难以界定、创新起始

点与结束点不再清晰等特征[3]

,CEO 需要具备充分的数字化知识和技术经验才能支持企业数字化创新[13-14]

。

精通数字技术的管理者被视为企业数字化成功的首要因素,当 CEO 具有信息技术背景这一后天特质时,可能

会对企业数字化创新产生更显著的影响作用。 基于此,本文尝试考察 CEO 信息技术背景对企业数字化创新的

影响效应及其作用机制。

进一步地,根据罗瑾琏等(2022)

[15]提出的数字化创新突破条件,数字化创新应综合考虑管理者认知、数字

意义建构以及数字资源配置。一方面,数字技术具有可供性、自生长性、开放性等与以往技术不同的特征,这导

致企业数字化创新可能面临来自组织流程、制度以及基础设施等方面的冲突[16]

。 为此,CEO 需要通过意义建

构将其数字化知识与技能传递至组织,驱动组织全体对数字技术以及创新成果形成认同与理解[1,17]

,如南比萨

等(Nambisan et al.,2017)认为企业在数字化创新进程中必须将管理者认知与数字意义建构相结合[3]

。 另一方

面,企业创新可视为一系列独特资源间集成、整合与发生作用的过程,这意味着 CEO 还应确保组织资源配置与

数字化目标相适应,为数字化创新提供内外资源保障[18]

。 基于此,有必要将数字意义建构与数字资源配置纳

入对 CEO 信息技术背景与企业数字化创新的分析框架。

综合以上理论和现实背景,本文基于 2010—2021 年沪深 A 股上市公司数据,探讨 CEO 信息技术背景对企

业数字化创新的影响,并进一步探索数字意义建构与数字资源配置对上述关系的中介作用。 本文边际贡献体

现在以下方面:首先,以 CEO 信息技术背景为切入点,拓展了数字化创新领域研究的前置影响因素。 当前已有

较多学者探究了企业数字化创新内涵、特征及其经济后果,但有关其前因的研究相对稀缺且大多集中在宏观层

面,较少涉及企业内部的驱动因素[11]

。 本文论证并检验了 CEO 信息技术背景对企业数字化创新的影响,丰富

了数字化创新在个体层面的前因研究。 其次,丰富了数字化情境下 CEO 信息技术背景的经济后果研究。 虽然

已有学者探究了高管信息技术背景对信息披露、内部控制质量等因素的影响[10,19]

,但鲜有学者关注其对企业

数字化创新的影响。 本文为 CEO 信息技术背景影响企业数字化创新的研究提供了证据支持,也对推动高阶

梯队理论与烙印理论研究向数字化情境延伸有一定的贡献。 最后,基于数字化创新突破条件[15]

,进一步引

入数字意义建构与数字资源配置作为中介变量,更加全面地考察了 CEO 信息技术背景对企业数字化创新的

作用机制,有助于进一步拓展数字化创新领域研究的理论边界。

二、文献综述与研究假设

(一)相关文献回顾

在数字经济时代,数字技术的持续嵌入重塑了产品物理形态以及企业价值创造逻辑,对企业创新活动

产生了变革性影响[6]

。 早期研究从不同角度界定数字化创新的内涵,如数字资源和物理组件的新组合[1]

、

不同创新主体重组数字资源的价值创新过程[20]等。 虽然现有研究尚未就数字化创新形成系统性的理论框

130

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

架,但该领域研究一致认为数字技术对企业创新的主导逻辑、战略以及基础设施等带来重大变化[21]

。 部分

学者基于资源基础观、生态系统观以及创新过程观等视角,进一步探讨了企业数字化创新的过程与结果[22]

。

基于资源基础观的研究将数字技术视为服务创新生态的一种可操作性资源,认为数字化创新是企业通过整

合数字资源与其他资源以形成新的产品、服务与商业模式的过程[1,23]

;基于生态系统视角的研究认为数字技

术具有可供性、自生长性和开放性等特征,数字化创新更强调不同创新参与主体间的互动与连接,使得基于

线性组合的传统资源或能力不再适用,企业创新的内外边界被极大打破[24]

;基于创新过程观视角的研究认

为,相较于能够清晰地将创新性质予以理论化的传统创新,数字化创新不再有清晰的起始点与结束点,而是

在开放式框架下基于外部情境变动而持续自我迭代的过程[25]

。

虽然上述研究从不同理论视角探究了企业推进数字化创新的策略与方法,但现实中仍有众多具备数字

资源与能力的企业未能突破数字化创新困境,为此部分学者将该问题归结为管理者认知的限制[26]

。 基于高

阶梯队理论视角,CEO 是企业核心决策主体,不仅要了解数字技术的战略价值,推动数字技术与企业创新活

动的协同,还要作为领航员引领企业的数字化创新活动,如提供关键性资源、设定数字化情境等,因此 CEO

的背景特征势必将影响企业数字化创新[18,27]

。 不同于创意产生、开发与应用的传统创新活动,数字化创新

具有创新边界模糊、创新主体难以事先界定、创新过程与结果相互交织等特征[3]

,企业无法事先确定创新主

体以及遵循传统意义上的线性流程而推进数字化创新[22]

,为此 CEO 需要重新考虑数字化情境下的价值创

造范围(推出什么产品与服务等)以及价值创造逻辑(如何依附数字生态系统等)问题[28]

,由此才能有效推

进企业数字化创新。

进一步地,有学者结合高阶理论与烙印理论,从动态视角解释了 CEO 背景特征对企业行为的影响。 根

据烙印理论,CEO 过去的学习与工作经历将形成特定环境下的认知与能力印记,这一印记将在较长时间内

影响其信息筛选与处理过程[12,29]

,而高阶梯队理论进一步将 CEO 认知与能力的烙印效应与企业战略决策

和行为联系起来[30]

。 随着数字化领域研究热度不断提高,部分学者基于上述理论视角,认为 CEO 在信息技

术领域的学习与从业经历不仅会形成影响其思维模式的认知印记,而且会产生数字化相关知识与技能的能

力印记[11]

,如海斯利普和理查森(Haislip & Richardson,2018)认为具有信息技术知识的 CEO 将改善企业信

息环境[10]

,吴育辉等(2022)认为高管团队信息技术背景将促进企业数字化转型[13]

,但目前尚未有研究探讨

CEO 信息技术背景对企业数字化创新的影响及其作用机制。

(二)CEO 信息技术背景与企业数字化创新

结合高阶梯队理论与烙印理论,影响个体最显著和持久的印记源于其以往教育与工作经历所产生的知

识和技能,这意味着 CEO 在信息技术领域的学习与工作经历可被视为一个烙印的过程[12,27]

。 相对于非信

息技术背景的 CEO,具备信息技术学习或从业经历的 CEO 将形成与数字化高度相关的认知与能力印记,更

有可能推动企业数字化创新。

就认知烙印的影响而言,与非信息技术背景 CEO 相比,具有信息技术背景的 CEO 能够深刻洞见数字技

术对企业的潜在价值,会对数字化创新形成明显偏向[9]

。 同时,数字化创新不仅需要数字技术渗透于创新

的全部过程[3]

,还伴随着创新边界模糊、创新主体难以事先界定、创新过程与结果不再清晰等不同于企业传

统创新的特征[26]

,致使多数企业在开展数字化创新活动时面临着较高的试错风险。 而具有信息技术背景的

CEO 能够更及时地识别与应对数字化领域风险,并且对数字化创新的风险有着更高的承受能力[31]

。 基于

此,具有信息技术背景的 CEO 将更倾向于采用符合自身以往认知的数字技术手段去解决企业发展所面临的

131

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

问题,这将提高企业推进数字化创新的可能性。 就能力烙印的影响而言,具有信息技术背景的 CEO 通常具

备数字技术知识、数字化建设经验等专属知识资源。一方面,具有信息技术背景的 CEO 在企业推进数字化

创新的过程中能够发挥专家效应,这不仅会降低企业在数字化创新过程中的信息搜寻成本和交易成本,也

能为数字化创新相关风险评估、团队组建以及技术路线等给出解决方案,进而引导开展满足企业实际需要

的数字化创新活动[32]

。 另一方面,具有信息技术背景的 CEO 同时具备战略视野和技术技能,可将数字化创

新上升到战略高度,据此配置组织内物质的、人力的和无形的资源以及设定正式的数字化创新环境,从而提

高整个组织对数字化创新的认同和理解[11]

。 基于以上分析,相较于不具有信息技术背景的 CEO,具有信息

技术背景的 CEO 在数字化创新相关的认知与能力方面具有显著优势。 据此,本文提出以下假设:

H1:具有信息技术背景的 CEO 能够显著促进企业数字化创新。

(三)数字意义建构的中介作用

意义建构是个体基于自身认知框架以理解外部情境变化,进而驱动集体对情境形成统一理解和深入解

释的过程[1,17]

。 以往研究指出,意义建构可被视为“设定目标—释放信号—意义赋予”的过程[33]

,其具体内

涵分别为管理者设置指导性愿景、采取具体战略行动以传递意义、通过组织氛围与文化来强化意义。 南比

萨等(2017)

[3]进一步将这一意义建构逻辑拓展至数字化情境,认为数字化创新的边界开放性、方案定制性

以及主体异质性决定了企业在数字化创新进程中必须将认知与数字意义建构相结合。 本文认为,具有信息

技术背景的 CEO 将通过上述数字意义建构过程向组织传递其认知烙印,从而推进企业数字化创新。

首先,具有信息技术背景的 CEO 能够促进企业对数字化创新形成统一认识。 数字化创新具有多个创新

参与主体,不同参与主体可能对数字技术及创新成果的理解存在差异[4]

,而具有信息技术背景的 CEO 通常

更关注数字技术发展和业务需求变化,能够对预期的数字化创新作出合理评估并将其构思为数字化创新愿

景,进而引导对数字化相关知识有不同理解的组织建立共识[34]

。 其次,具有信息技术背景的 CEO 将促使企

业将数字化创新上升至战略高度。 具有信息技术背景的 CEO 能够相对准确地捕捉到数字技术带来的创新

机会,深谙当下数字技术对企业长久发展的重要性,更能深刻洞见数字化创新对企业的潜在价值[35]

。 基于

此种认知,具有信息技术背景的 CEO 更有动机将数字化创新与企业创新战略相结合,推动各个部门明确数

字化创新的具体应用领域[36]

。 最后,具有信息技术背景的 CEO 能够建立支持数字化创新的组织内部环境。

在将数字化创新上升至战略地位的基础上,具有信息技术背景的 CEO 将引领企业抓住数字技术带来的创新

机遇,这有助于企业形成重视数字化创新的组织氛围与文化,提高整个组织对数字化创新的支持与承诺,进

而提高企业采纳并利用数字技术进行创新的可能性[37]

。 据此,本文提出以下假设:

H2:具有信息技术背景的 CEO 通过数字意义建构促进企业数字化创新。

(四)数字资源配置的中介作用

根据罗瑾琏等(2022)

[15]提出的数字化创新突破条件,数字化创新的成功不仅取决于 CEO 认知及其数

字意义建构,还取决于后续数字资源的配置过程。 相较于企业传统创新活动,数字化创新强调各参与主体

间互动、跨界与连接性共生,并且创新突破过程不再有明确清晰的开始点与结束点,这要求企业需要在深度

情境细分的基础上对资源进行非线性组合[6]

,尤其是缺乏数字基因的传统企业还要对既有资源或惯例做出

适应性变革[18]

,这决定了 CEO 需要在企业数字化创新进程中对数字资源进行重新配置。

本文认为,具有信息技术背景的 CEO 能够利用其能力烙印,通过有效地配置数字资源来推进企业数字

化创新。 具有信息技术背景的 CEO 同时具有技术背景和管理职能,其不仅对数字化创新的战略价值有独到

132

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

见解,而且深刻影响着企业技术应用和业务运营状况[13]

。一方面,具有信息技术背景的 CEO 具备丰富的数

字化知识储备与经验积累,能够对数字技术与企业创新协同特性、资源配置模式以及价值创造方式等形成

更清晰的判断。 在参与数字化创新决策的过程中,具有信息技术背景的 CEO 能够发挥专家效应,转移甚至

是改变既有的资源和惯例,进而调整或发展出新的组织系统或结构,包括部门边界、沟通体系、资源管控以

及人力资源政策等,为企业形成系列数字资源提供条件,从而驱动企业将数字技术与创新实践相结合[38]

。

另一方面,具有信息技术背景的 CEO 也将通过数字意义建构增加企业对数字化创新的重视程度,同时企业

对数字化创新重要性的感知会影响创新资源分配,这将推动企业持续投入资金和资源以支持数字化创新活

动[13]

。 据此,本文提出以下假设:

H3:信息技术背景 CEO 通过数字资源配置促进企业数字化创新。

三、研究设计

(一)样本选取和数据来源

鉴于中国数字技术高速发展的趋势主要在 2010 年后,本文以 2010—2021 年 A 股上市公司为初始样本,

并按以下原则进行筛选:(1)剔除金融保险行业的样本企业;(2)剔除 ST、PT 的样本企业;(3)剔除相关变量

缺失的样本企业,最终得到包含 14 839 个企业-年度观测值。 为避免极端值影响,对所有连续变量在 1%和

99%水平进行缩尾(winsorize)处理。 CEO 特征数据和企业财务数据主要来自国泰安中国经济金融数据库

(CSMAR)和万得(Wind)数据库,计算数字意义建构所需的年报数据和 CEO 缺失信息通过巨潮资讯网和深

圳、上海证券交易所官方网站进行整理得到。

(二)变量选择与定义

1. 被解释变量———数字化创新

借鉴李小青和何玮萱(2022)

[5]的研究,选取“信息化、数字化、网络化、大数据、智能、云计算、机器学习、

物联网、区块链、信息共享、智能平台、远程、虚拟”等作为关键词,从国家知识产权局网站上收集并整理样本

企业中与数字化创新相关的发明专利数量,分别以数字化专利申请(dtpat_ap)与专利授权(dtpat_au)的自然

对数表示数字化创新。

2. 核心解释变量———CEO 信息技术背景

参考海斯利普和理查森(2018)

[10]

、袁蓉丽等(2021)

[35] 的研究,从教育背景和任职经历两方面识别

CEO 信息技术背景(IT)。 其中,信息技术教育背景是指具有电子信息类、计算机类、电子商务类、信息与计

算科学、信息管理与信息系统、信息资源管理等专业背景;信息技术任职经历是指从事过信息技术、信息管

理、信息化建设、软件开发、电子工程、电子商务、物联网、云计算等工作的经历。 当 CEO 具有以上教育或任

职经历,则认为其具备信息技术背景。 为缓解 CEO 信息技术背景与数字化创新之间可能存在的反向因果关

系,本文对解释变量做滞后一期处理。

3. 中介变量———数字意义建构

吕舍尔和刘易斯(Lüscher & Lewis,2008)将意义建构定义为管理者基于自身认知框架解读内外情境,进

而驱动组织成员对情境形成统一认知和深入理解的过程[39]

。 部分研究基于文本分析方法,认为文本中关键

词词频是反映主体认知资源分配的外在表征[40]

,尤其上市公司年报中管理层讨论与分析(MD&A)部分包含

了管理层对本企业过去经营状况的评价分析以及对企业未来分析趋势的前瞻性判断,因此 MD&A 中数字化

133

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

相关词频能够反映企业数字意义建构情况。 基于此,本文搜集整理了样本企业年报,选取 MD&A 部分作为

构建数字意义建构的数据池,并借鉴吴非等(2021)

[41]

、赵宸宇(2021)

[42]对数字化文本分析所形成的术语词

典,利用爬虫技术(Python)在年报中进行数字化相关词频的搜集、匹配和提取。 在提取各个数字化相关词频

后,使用数字化词频数与 MD&A 部分总字数的比值表示样本企业的数字意义建构( dtsense),并将该指标乘

以 100 以方便表述。

4. 中介变量———数字资源配置

以往研究使用 IT 投资、数字化无形资产占比等指标衡量数字资源配置[43]

。 本文搜集并整理了上市公

司财务报告附注所披露的无形资产明细项目,当无形资产明细项目包含上述数字化关键词时,则认定该明

细项目为与数字化相关的无形资产。 本文以数字化无形资产与无形资产总额的比值表示样本企业的数字

资源配置(dtres)。

5. 控制变量

借鉴企业数字化创新相关研究成果,本文在模型中加入以下控制变量:企业规模( size),用企业总资产

的自然对数表示;企业年龄(age),用企业成立年限的自然对数表示;实际控制人(soe),实际控制人为国有性

质则取值为 1,否则为 0;企业业绩(roa),用资产收益率表示;经营现金流(cashflow),用经营活动现金流量净

额与资产总额的比值表示;股权集中度( sharetop),用第一大股东持股与总股数的比值表示;董事会规模

(board),用董事会总人数表示;两职合一(dual),董事长兼任总经理则取值为 1,否则为 0。 此外,为消除行

业和时间对企业数字化转型的影响,模型还加入了年度虚拟变量(Year)和行业虚拟变量(Indy)。

(三)模型设定

为检验 CEO 信息技术背景对企业数字化创新的影响,构建以下模型:

dtpat

i,t

= β0

+ β1

ITi,t-1

+ ∑γControlsi,t-1

+ Year + Indy + εi,t (1)

式(1)中,i 表示样本企业,t 表示年度,β 为变量系数,IT 表示 CEO 信息技术背景,Controlsi,t-1 为控制变

量组,Year 和 Indy 分别表示年度和行业控制,εi,t 为随机扰动项。 为确保回归结果的稳健性,回归系数均采

用企业层面聚类调整后的标准误。 为检验数字意义建构、数字资源配置的中介作用,构建以下模型:

mediatori,t

= δ0

+ δ1

ITi,t

+ ∑γControlsi,t

+ Year + Indy + εi,t (2)

dtpat

i,t

= η0

+ η1

ITi,t-1

+ η2mediatori,t-1

+ ∑γControlsi,t-1

+ Year + Indy + εi,t (3)

式(2)中,mediatori,t-1 表示数字意义建构 dtsense 或数字资源配置 dtres。

四、回归结果与分析

(一)描述性统计

表 1 列示了研究变量的描述性统计与相关性分析结果。 可以看出,数字化创新申请数量的均值为

0. 418,标准差为 0. 916;数字化创新授权数量的均值为 0. 311,标准差为 0. 779。 这说明企业数字化创新的两

极分化较为明显。 CEO 信息技术背景的均值为 0. 097,即平均来看,样本企业中具有信息技术背景的 CEO

约占 9. 7%,与已有文献的研究结果基本保持一致[11,19]

。 数字意义建构、数字资源配置以及其他控制变量也

表现出明显差异化特征。 此外,各变量之间的皮尔逊(Person)相关系数均未超过临界值 0. 7,因此,变量之

间不存在严重的多重共线性问题。

134

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

表 1 变量描述性统计与相关性分析结果

变量 均值 标准差 1 2 3 4 5 6 7 8 9 10 11 12 13

1. dtpat_ap 0. 418 0. 916 1

2. dtpat_au 0. 311 0. 779 0. 778

∗∗∗ 1

3. IT 0. 097 0. 296 0. 104

∗∗∗ 0. 044

∗∗∗ 1

4. dtsense 3. 065 1. 220 0. 159

∗∗∗ 0. 079

∗∗∗ -0. 040

∗∗∗ 1

5. dtres 0. 095 0. 170 0. 053

∗∗∗ -0. 009 0. 174

∗∗∗ 0. 272

∗∗∗ 1

6. size 22. 320 1. 326 0. 332

∗∗∗ 0. 326

∗∗∗ -0. 059

∗∗∗ 0. 054

∗∗∗-0. 062

∗∗∗ 1

7. age 2. 821 0. 353 0. 045

∗∗∗ 0. 006 -0. 031

∗∗∗-0. 065

∗∗∗ 0. 019

∗∗ 0. 186

∗∗∗ 1

8. soe 0. 371 0. 483 0. 144

∗∗∗ 0. 126

∗∗∗ -0. 069

∗∗∗ 0. 084

∗∗∗-0. 049

∗∗∗ 0. 409

∗∗∗ 0. 133

∗∗∗ 1

9. roa 0. 043 0. 058 0. 008 0. 017

∗∗ 0. 020

∗∗ -0. 010 -0. 008 -0. 032

∗∗∗-0. 088

∗∗∗-0. 100

∗∗∗ 1

10. cashflow 0. 046 0. 065 0. 029

∗∗∗ 0. 030

∗∗∗ -0. 030

∗∗∗-0. 010 0. 001 0. 076

∗∗∗ 0. 039

∗∗∗ 0. 005 0. 374

∗∗∗ 1

11. sharetop 0. 352 0. 148 0. 062

∗∗∗ 0. 086

∗∗∗ -0. 081

∗∗∗-0. 006 -0. 057

∗∗∗ 0. 235

∗∗∗-0. 122

∗∗∗ 0. 262

∗∗∗ 0. 097

∗∗∗ 0. 096

∗∗∗ 1

12. board 2. 141 0. 201 0. 087

∗∗∗ 0. 070

∗∗∗ -0. 036

∗∗∗ 0. 166

∗∗∗-0. 023

∗∗∗ 0. 286

∗∗∗ 0. 029

∗∗∗ 0. 294

∗∗∗ 0. 014

∗ 0. 051

∗∗∗ 0. 052

∗∗∗ 1

13. dual 0. 269 0. 444 -0. 036

∗∗∗ -0. 036

∗∗∗ 0. 047

∗∗∗-0. 045

∗∗∗ 0. 047

∗∗∗-0. 200

∗∗∗-0. 097

∗∗∗-0. 312

∗∗∗ 0. 034

∗∗∗-0. 023

∗∗∗-0. 062

∗∗∗ -0. 193

∗∗∗ 1

注:

∗∗∗、

∗∗和∗分别表示在 1%、5%和 10%的水平上显著,后表同。

(二)基准回归

表 2 报告了基准回归结果,列(1)—列(2)被解释变量为数字化创新申请数量,列(3)—列(4)被解释变

量为数字化创新授权数量。 列(1)未控制行业与年度固定效应,结果显示,IT 系数为 0. 394 且在 1%的水平

上显著;列(2)控制了行业与年度固定效应,IT 系数为 0. 337 并仍保持显著。 同样地,列(3)与列(4)对数字

化创新授权数量的回归中 IT 系数也均显著为正,这说明具有信息技术背景的 CEO 对企业数字化创新具有

显著正向影响,因此 H1 得到验证。

表 2 CEO 信息技术背景与企业数字化创新的回归结果

变量

dtpat_ap dtpat_au

(1) (2) (3) (4)

IT 0. 394

∗∗∗ 0. 337

∗∗∗ 0. 166

∗∗∗ 0. 176

∗∗∗

(6. 81) (5. 60) (3. 82) (3. 82)

size 0. 236

∗∗∗ 0. 265

∗∗∗ 0. 204

∗∗∗ 0. 219

∗∗∗

(11. 47) (11. 99) (10. 59) (10. 89)

age -0. 042 -0. 047 -0. 116

∗∗∗ -0. 084

∗

( -0. 95) ( -0. 86) ( -2. 82) ( -1. 71)

soe 0. 069

∗ 0. 090

∗∗ 0. 021 0. 024

(1. 78) (2. 20) (0. 64) (0. 68)

roa 0. 282 0. 347

∗ 0. 302

∗ 0. 356

∗∗

(1. 58) (1. 95) (1. 94) (2. 31)

cashflow 0. 068 -0. 201 0. 022 -0. 143

(0. 40) ( -1. 23) (0. 15) ( -1. 01)

sharetop -0. 122 -0. 044 -0. 003 0. 002

( -0. 88) ( -0. 32) ( -0. 03) (0. 02)

135

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

表2(续)

变量

dtpat_ap dtpat_au

(1) (2) (3) (4)

board -0. 044 -0. 039 -0. 098 -0. 104

( -0. 52) ( -0. 46) ( -1. 35) ( -1. 51)

dual 0. 068

∗∗ 0. 055

∗ 0. 041 0. 037

(2. 17) (1. 76) (1. 44) (1. 29)

Year 未控制 控制 未控制 控制

Indy 未控制 控制 未控制 控制

常数项 -4. 688

∗∗∗ -5. 661

∗∗∗ -3. 745

∗∗∗ -4. 309

∗∗∗

( -10. 06) ( -10. 79) ( -9. 41) ( -9. 59)

观测值 14 839 14 839 14 839 14 839

R

2 0. 129 0. 158 0. 115 0. 137

F

20. 128 11. 545 15. 906 8. 225

注:括号内为 t 值,后表同。

(三)中介效应检验

为验证数字意义建构在 CEO 信息技术背景与数字化创新之间的传导机制,本文采用逐步回归法进行检

验。 前文表 2 中的回归结果证实了 CEO 信息技术背景对数字化创新具有正向影响,满足主效应存在的中介

效应检验条件。 在表 3 列(1)中,CEO 信息技术背景对数字意义建构的回归系数为 0. 585 且在 1%的水平上

显著;列(2)将 CEO 信息技术背景与数字意义建构同时对数字化创新的申请数量进行回归,dtsense 的系数为

0. 075 仍保持显著,IT 的系数为 0. 293 且在 1% 的水平上显著,且作用大小在模型( 1) 的基础上下降了

0. 044;列(3)对数字化创新的授权数量进行回归,dtsense 的系数仍保持显著,IT 的系数为 0. 160,相对模型(1)

下降了 0. 016,因此回归结果满足部分中介效应的检验条件,表明数字意义建构在 CEO 信息技术背景与数字

化创新之间起中介作用,H2 得到支持。

本文依然沿用上述检验方法,验证数字资源配置在 CEO 信息技术背景与数字化创新之间的中介传导效

应。 表 3 列(4)列示了 CEO 信息技术背景对数字资源配置的回归结果,IT 的回归系数为 0. 050,在 1%的水

平上显著为正;在列(5)中,将 CEO 信息技术背景与数字资源配置同时对数字化创新的申请数量进行回归,

dtres 仍显著为正,IT 的系数为 0. 322,与基准回归时的系数(0. 337)相比略有下降;在列(6)对于数字化创新

授权数量的回归结果中,IT 的系数为 0. 168 且在 1%的水平上保持显著,这表明数字资源配置在 CEO 信息技

术背景与数字化创新之间起中介作用,H3 得到支持。

表 3 CEO 信息技术背景与企业数字化创新的机制检验结果

变量 (1) (2) (3) (4) (5) (6)

IT 0. 585

∗∗∗ 0. 293

∗∗∗ 0. 160

∗∗∗ 0. 050

∗∗∗ 0. 322

∗∗∗ 0. 168

∗∗∗

(6. 99) (4. 94) (3. 50) (4. 74) (5. 43) (3. 70)

dtsense 0. 075

∗∗∗ 0. 027

∗∗∗

(5. 37) (3. 11)

136

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

表3(续)

变量 (1) (2) (3) (4) (5) (6)

dtres 0. 314

∗∗∗ 0. 146

∗

(3. 29) (1. 95)

控制变量 控制 控制 控制 控制 控制 控制

Year 控制 控制 控制 控制 控制 控制

Indy 控制 控制 控制 控制 控制 控制

常数项 0. 221 -5. 678

∗∗∗ -4. 315

∗∗∗ 0. 107

∗ -5. 695

∗∗∗ -4. 325

∗∗∗

(0. 65) ( -10. 89) ( -9. 61) (1. 79) ( -10. 84) ( -9. 61)

观测值 14 839 14 839 14 839 14 839 14 839 14 839

R

2 0. 404 0. 165 0. 138 0. 203 0. 160 0. 138

F 37. 077 11. 827 8. 084 17. 569 11. 359 7. 937

注:列(1)对 dtsense 回归,列(2)和列(5)对 dtpat_ap 回归,列(3)和列(6)对 dtpat_au 回归,列(4)对 dtres 回归。

(四)稳健性检验

为保持前文回归结果的稳健性,本文还进行了以下检验:(1)替换变量计算方法。 将数字化创新替换为

数字化实用新型专利的申请与授权数量,以及将数字意义建构替换为样本企业年报中数字化词频总数的自

然对数。 (2)替换估计方法。 考虑到部分样本企业数字化创新的取值集中为 0,适用于截尾回归模型,故选

择样本选择(Tobit)模型并将被解释变量下限设为 0。 此外,对于数字意义建构和数字资源配置的中介传导

机制,本文采用拔靴(bootstrap)方法进行中介效应检验,运用了 3 000 个自助(bootstrap)样本估计 95%中介

效应的置信区间,结果如表 4 所示,所有置信区间均不包含 0 值。 (3)替换研究样本。 考虑到电子信息行业

企业的 CEO 可能天然具有信息技术背景,为排除该类特殊性行业对研究结论可能造成的影响,剔除电子信

息行业的样本企业。 (4)替换研究窗口期。 2015 年 8 月,国务院发布《促进大数据发展行动纲要》提出“推

动大数据发展和应用”,是企业数字化里程碑事件,因此,剔除 2015 年之前的样本企业。 综上,各稳健性检

验结果均支持了前文的研究假设①。

表 4 基于 bootstrap 的数字意义建构与数字资源配置中介效应检验结果

被解释变量 中介变量 bootstrap 效应 效应值 标准误 z 值 置信下限 置信上限

dtpat_ap dtsense 中介效应 0. 081 0. 005 15. 31 0. 070 0. 091

直接效应 0. 255 0. 029 8. 60 0. 197 0. 314

dtres 中介效应 0. 015 0. 003 4. 83 0. 009 0. 021

直接效应 0. 322 0. 029 10. 98 0. 264 0. 379

dtpat_au dtsense 中介效应 0. 052 0. 004 11. 83 0. 043 0. 061

直接效应 0. 122 0. 025 4. 76 0. 071 0. 172

dtres 中介效应 0. 007 0. 002 3. 31 0. 003 0. 011

直接效应 0. 168 0. 025 6. 53 0. 118 0. 219

137

① 其余稳健性检验回归结果略,留存备索。

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

(五)内生性检验

考虑到 CEO 信息技术背景与企业数字化创新之间可能存在内生性问题,本文以数字化创新申请数量为

例,采用以下方法加以检验。

首先,采用面板固定效应(FE)对企业层面特征加以控制,减轻企业不随时间变化的固定特征对回归结

果的影响。 表 5 结果显示,固定效应下 CEO 信息技术背景对企业数字化创新仍保持正向影响,变量符号与

系数未发生根本性改变。

其次,考虑到具有信息技术背景的 CEO 所在的企业与不具有信息技术背景的 CEO 所在的企业之间可

能存在系统性差异,前文基准回归可能存在样本选择偏误。 为此,本文使用倾向得分匹配(PSM)方法重新

检验 CEO 信息技术背景对企业数字化创新的影响。 具体地,将具有信息技术背景的 CEO 所在的企业作为

实验组,而不具有信息技术背景的 CEO 所在的企业作为控制组,使用分类评定(Logit)模型预测企业聘请具

有信息技术背景 CEO 的可能性,实验组与控制组的控制变量与前文保持一致;使用 1 ∶ 1 最邻近匹配方式进

行配对,平行性假设检验结果表明,匹配后变量的标准偏差在很大程度上被缩小,实验组和控制组的样本企

业不存在显著差异①;对匹配后的样本再次进行前文基准回归,结果显示,IT 的系数为 0. 328 且在 1%的水平

上显著,因此,排除样本选择偏误问题后,CEO 信息技术背景对企业数字化创新仍有显著正向影响。

再次,虽然前文回归表明 CEO 信息技术背景与企业数字化创新存在正向关系,但有意推进数字化创新

的企业也可能根据自身需求聘请具有信息技术背景的 CEO,回归结果可能受到反向因果问题的干扰。 因

此,本文以具有信息技术背景的 CEO 变更事件进行双重差分(DID)试验。 本文沿用上述实验组与控制组的

划分方法,并在实验组设置 post 变量,该部分企业在未聘用具有信息技术背景的 CEO 的年度取值为 0,而在

变更为聘用具有信息技术背景 CEO 的年度及其之后年度取值为 1。 在控制年度和个体固定效应的情况下,

post 能够刻画双重差分的结果。 表 5 结果显示,post 的系数为 0. 371 且在 1%的水平上显著为正,说明控制潜

在反向因果问题后,核心研究假设依然成立。

最后,考虑到企业数字化创新可能具有动态特征,即第 t 期的数字化创新会影响 t+1 期的数字化创新,

故采用动态面板(GMM)方法进行估计。 本文引入两期数字化创新滞后项作为解释变量纳入 GMM 模型。

表 5 结果显示,IT 系数仍在 5%的水平上显著为正,再次支持了前文的研究结论。

表 5 CEO 信息技术背景与企业数字化创新的内生性检验结果

变量

dtpat_ap

FE PSM DID GMM

IT 0. 137

∗∗∗ 0. 328

∗∗∗ 0. 138

∗∗

(3. 36) (5. 57) (2. 01)

post 0. 371

∗∗∗

(4. 19)

l. dtpat_ap 0. 506

∗∗∗

(23. 19)

l2. dtpat_ap 0. 127

∗∗∗

(6. 49)

控制变量 控制 控制 控制 控制

Year 控制 控制 控制 控制

138

① PSM 平行性检验结果略,留存备索。

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

表5(续)

变量

dtpat_ap

FE PSM DID GMM

Indy 控制 控制 控制 控制

常数项 -4. 553

∗∗∗ -8. 270

∗∗∗ -6. 652

∗∗∗ -1. 659

( -12. 54) ( -7. 52) ( -4. 97) ( -1. 57)

观测值 14 839 2 870 2 119 9 675

R

2

0. 101 0. 223 0. 183 —

F/ Wald chi2 12. 183 4. 040 2. 642 1 691. 742

(六)拓展性分析

根据特质激活理论,创新行为是人的知识、技能、能力(KSAs)和组织情境共同作用的函数[44]

。 进一步

地,方鑫和董静(2022)

[45]依据情境的“要求-释放-干扰”特征,从管理者权力、团队异质性和环境不确定性

角度考察了管理层能力对双元创新的影响,这与本文探究的信息技术背景 CEO、数字意义建构和数字资源

配置形成了良好匹配。 下文将沿着该理论模型进一步推演,探讨 CEO 信息技术背景对数字化创新影响的边

界条件。

1. CEO 信息技术背景、权力强度与企业数字化创新

以往研究指出,权力强度是 CEO 影响企业创新战略制定与实施的重要因素[45-46]

,当拥有更高权力强度

时,信息技术背景 CEO 在企业战略决策与运营管理方面能够施加更强的影响力[30]

,这不仅可以进一步提高

组织对数字化创新的支持力度,而且可以调动更多资源以推动数字化创新的实际落地,因此,本文预期,当

信息技术背景 CEO 拥有更高的权力强度时,其具备的数字化知识与能力可以得到更充分的体现,从而对企

业数字化创新的促进作用会更加明显。 为检验信息技术背景 CEO 对企业数字化创新的影响是否会随着权

力强度变化而有所不同,本文借鉴芬克尔斯坦(Finkelstein,1992)

[47]

、权小锋和吴世农(2010)

[46] 的衡量体

系,对 CEO 组织权力、所有者权力、声誉权力以及专家权力四个维度进行主成分分析,并提取其第一主成分

作为 CEO 权力强度。 根据表 6 列(1)的回归结果,具有信息技术背景的 CEO 与 CEO 权力强度交互项的系

数为 0. 043 且显著,这一结果表明,当具有信息技术背景的 CEO 拥有的权力较大时,其对企业数字化创新的

正向影响更显著。

2. CEO 信息技术背景、高管团队断裂带与企业数字化创新

基于高阶梯队理论视角,除 CEO 之外的其他高管成员特征也将作用于企业创新战略制定和实施过

程[3]

。 具有不同特征的高管成员通常对数字技术的理解、偏好等存在差异,这影响着具有信息技术背景的

CEO 的数字意义建构过程[39]

。 进一步地,断裂带作为基于成员一个或多个特征而将团队划分为若干子群体

的假想分割线,能够反映高管团队内部关于企业专有性知识与技能的存量[48]

。 当断裂带强度较高时,不同

高管成员将带来不同认知框架下的多样化想法与观点,进而激发具有信息技术背景的 CEO 进行发散性思考

并对数字化创新作出更为全面的解释[49]

,从而推动 CEO 将数字化相关知识与技能与企业原有创新目标协

同起来。 因此,本文认为,高管团队断裂带将促进具有信息技术背景的 CEO 发挥对企业数字化创新的正向

影响。 本文借鉴撒切尔等(Thatcher et al.,2003)

[48]的研究,以 Fau 二分模式计算高管团队断裂带(TMTfau),

选取的认知特征包括高管成员的年龄、教育经历、任期以及职能背景。 根据表 6 列(2) 的回归结果,IT×

TMTfau 的系数为 0. 610 且在 1%的水平上显著,表明高管团队断裂带正向调节具有信息技术背景的 CEO 与

139

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

企业数字化创新之间的关系,即在高管团队断裂带强度较大时,具有信息技术背景的 CEO 对企业数字化创

新具有更显著的影响。

3. CEO 信息技术背景、环境动态性与企业数字化创新

鉴于数字技术具有可供性、自生长性、开放性等特征,数字化创新的边界条件被极大地打破,具有信息

技术背景的 CEO 对数字化创新的影响可能会因外部环境动态性不同而呈现出差异性。 在相对稳定的环境

中,企业管理层在资源配置时往往遵循既有惯例或流程,信息技术背景 CEO 对数字化创新的影响将受到限

制。 而在高度动态的环境下,企业需要打破既有决策流程以对环境变化作出回应,因此高环境动态性将增

加具有信息技术背景的 CEO 在资源配置中的自由裁量权[50]

。 鉴于此,本文预期,在高度动态的环境下,具

有信息技术背景的 CEO 对企业数字化创新的影响将进一步增强。 本文参考申慧慧等(2012)

[51] 的研究,采

用经行业中位数调整后的企业过去 5 年销售收入回归残差的标准差表示环境动态性,回归结果如表 6 列

(3)所示。 可以看出,IT×envir 的系数为 0. 633 且在 1%的水平上显著为正,说明当环境动态性较高时,具有

信息技术背景的 CEO 更能发挥对企业数字化创新的正向影响。

表 6 CEO 信息技术背景与企业数字化创新的拓展性分析结果

变量

dtpat_ap

(1) (2) (3)

IT 0. 166

∗∗∗ -0. 110 -0. 740

∗∗∗

(7. 07) ( -1. 07) ( -2. 66)

power 0. 004

(0. 52)

IT×power 0. 043

∗

(1. 76)

TMTfau 0. 238

∗∗∗

(3. 40)

IT×TMTfau 0. 610

∗∗∗

(2. 69)

envir -0. 022

( -0. 36)

IT×envir 0. 633

∗∗∗

(3. 25)

控制变量 控制 控制 控制

Year 控制 控制 控制

Indy 控制 控制 控制

常数项 -4. 287

∗∗∗ -4. 348

∗∗∗ -4. 266

∗∗∗

( -23. 11) ( -23. 48) ( -21. 70)

观测值 14 839 14 839 14 839

R

2 0. 137 0. 138 0. 137

F 30. 693 31. 225 30. 816

140

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

五、结论与启示

本文利用 2010—2021 年沪深 A 股上市公司数据,探讨了 CEO 信息技术背景对企业数字化创新的影响

效应,并基于数字化创新突破条件,进一步考察了数字意义建构与数字资源配置对上述关系的中介作用,主

要研究结论如下:

第一,CEO 信息技术背景能够显著推进企业数字化创新。一方面,以往文献较多关注企业数字化创

新的经济后果,而有关其前因的研究相对稀缺,且有限研究集中于技术嵌入、数字平台以及数字生态系统

等技术层面因素[7-8]

,未能关注到高管团队,尤其忽视了 CEO 对数字化创新的潜在影响。 另一方面,虽然

部分学者基于高阶梯队理论,指出 CEO 过往经历对企业创新具有重要影响[52-53]

,但相关研究尚未关注到

CEO 的信息技术背景,梅伦迪诺等(Merendino et al.,2018)呼吁进一步探讨大数据背景下管理层对数字化

的认知过程[54]

,由此满足拓展现有理论和提供实践启示的双重需求。 本文结合高阶梯队理论与烙印理

论,探讨了 CEO 信息技术背景对企业数字化创新的影响,对于推动高阶梯队理论与烙印理论向数字化情

境延伸有一定增量贡献。

第二,数字意义建构、数字资源配置在 CEO 信息技术背景与企业数字化创新之间的关系中起到中介作

用。 基于数字化创新突破条件[15]

,企业在开展数字化创新时需要考虑管理者认知、数字意义建构以及数字

资源配置的综合作用。 本文通过对该研究框架的整合运用,发现具有信息技术背景的 CEO 能够利用数字意

义建构和数字资源配置,为企业数字化创新提供重要支撑。 这些发现揭示了 CEO 信息技术背景推动企业数

字化创新的动态过程,克服了高阶梯队理论或资源基础理论等单一理论解释力不足的缺陷。 同时,相关研

究结论回应了谢卫红等(2020)

[22]有关从系统性视角解构企业数字化创新驱动因素的呼吁,有助于推动多

种理论在数字化创新研究中的融合。

第三,当具有信息技术背景的 CEO 权力较高、高管团队断裂带较强,以及外部环境动态性较高时,CEO

信息技术背景对企业数字化创新的促进作用更显著。 在拓展性分析中,本文进一步考察了 CEO 权力强度、

高管团队断裂带以及外部环境动态性三个内外情境因素的影响,将高阶梯队理论以及创新管理领域研究的

相关概念引入数字化创新情境,这不仅从权变视角明晰了 CEO 信息技术背景对企业数字化创新影响的边界

条件,也有助于推动现有理论成果从传统创新领域向数字化创新领域繁衍。

本文的实践意义在于,从 CEO 信息技术背景角度为企业推进数字化创新提供启发,主要体现在以下

方面:

第一,具有信息技术背景的 CEO 在企业数字化创新进程中发挥着关键作用,其对数字技术及其创新成

果的认知和理解关系着企业数字化创新的成败。 有意推进数字化创新的企业应重视人的因素,有必要将信

息技术背景作为选聘 CEO 以及其他高管时考虑的因素之一。 即使 CEO 或其他高管不具有信息技术背景,

企业也应对其加强数字化相关技能培训,例如与高校、科研院所尝试实践资源与知识资源的深度融合,使

CEO 及其他高管对数字技术及其创新成果形成较全面的认识,由此引导企业进行数字化创新实践。

第二,具有信息技术背景的 CEO 通过数字意义建构与数字资源配置推动企业数字化创新,这意味着企

业在推进数字化创新过程中要注重对组织进行数字意义建构,并且在日常经营中需要注意进行数字资源积

累和储备。 在具备数字化集体共识以及数字资源准备充分的前提下,信息技术背景 CEO 的数字化相关认知

与能力将更有助于企业数字化创新的实现。

第三,具有信息技术背景的 CEO 能否更好地发挥其作用还取决于其权力强度、高管团队断裂带强度以

141

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

及外部环境动态性。 鉴于此,对于外部环境高度变化的企业而言,其在推进数字化创新过程中可赋予信息

技术背景 CEO 较大的决策自主权,并且充分挖掘高管团队不同子群体中的异质性知识信息,继而驱动企业

更好地实现数字化创新。

参考文献:

[1]YOO Y, HENFRIDSSON O, LYYTINEN K. Research commentary-the new organizing logic of digital innovation: an agenda for information systems

research[J]. Information Systems Research, 2010, 21(4): 724-735.

[2]陈庆江,王彦萌. 基于高管联结的企业数字化转型战略扩散:实现机制与边界条件[J]. 财经研究,2022,48(12):48-62.

[3]NAMBISAN S, LYYTINEN K, MAJCHRZAK A, et al. Digital innovation management: reinventing innovation management research in a digital

world[J]. MIS Quarterly, 2017, 41(1): 223-238.

[4]YOO Y, BOLAND R J, LYYTINEN K, et al. Organizing for innovation in the digitized world[J]. Organization Science, 2012, 23(5): 1398-1408.

[5]李小青,何玮萱. 数字化创新、营商环境与企业高质量发展———基于新一代信息技术产业上市公司的经验证据[ J]. 科学学与科学技术管

理,2022,43(11):56-77.

[6]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(7):198-217.

[7]陈玉娇,宋铁波,黄键斌. 企业数字化转型:“随行就市”还是“入乡随俗”? ———基于制度理论和认知理论的决策过程研究[J]. 科学学研究,

2022,40(6):1054-1062.

[8]RAI A, CONSTANTINIDES P, SARKER S. Next generation digital platforms: toward human-AI hybrids[J]. MIS Quarterly, 2019, 43(1):iii-ix.

[9]王新成,李垣. 首席信息官、企业领导者与企业数字创新[J]. 科技进步与对策,2022,39(13):83-93.

[10]HAISLIP J Z, RICHARDSON V J. The effect of CEO IT expertise on the information environment: evidence from earnings forecasts and

announcements[J]. Journal of Information Systems, 2018, 32(2): 71-94.

[11]刘锡禄,陈志军,马鹏程. 信息技术背景 CEO 与企业数字化转型[J]. 中国软科学,2023(1):134-144.

[12]MARQUIS C, TILCSIK A. Imprinting: toward a multilevel theory[J]. Academy of Management Annals, 2013, 7(1): 195-245.

[13]吴育辉,张腾,秦利宾,等. 高管信息技术背景与企业数字化转型[J]. 经济管理,2022,44(12):138-157.

[14]FITZGERALD M, KRUSCHWITZ N, BONNET D, et al. Embracing digital technology: a new strategic imperative[J/ OL]. MIT Sloan Management

Review, 2013[2023-01-13]. https: / / sloanreview. mit. edu / projects/ embracing-digital-technology.

[15]罗瑾琏,李树文,唐慧洁,等. 数字化生产力工具的创新突破条件与迭代过程:容智信息科技的案例研究[J/ OL]. 南开管理评论,2022[2023-

04-13]. http:/ / kns. cnki. net / kcms/ detail / 12. 1288. F. 20220314. 1734. 003. html.

[16] HININGS B, GEGENHUBER T, GREENWOOD R. Digital innovation and transformation: an institutional perspective [ J]. Information and

Organization, 2018, 28(1): 52-61.

[17]张建宇,林香宇,杨莉,等. 意义建构对企业数字化转型的影响机制研究———组织能力的中介作用[ J/ OL]. 科学学与科学技术管理,2023

[2023-04-13]. http: / / kns. cnki. net / kcms/ detail / 12. 1117. g3. 20221116. 1659. 002. html.

[18]LI L, SU F, ZHANG W, et al. Digital transformation by SME entrepreneurs: a capability perspective[J]. Information Systems Journal, 2018, 28

(6): 1129-1157.

[19]李瑞敬,党素婷,李百兴,等. CEO 的信息技术背景与企业内部控制质量[J]. 审计研究,2022(1):118-128.

[20]LUSCH R F, NAMBISAN S. Service innovation: a service-dominant logic perspective[J]. MIS Quarterly, 2015, 39(1): 155-176.

[21]韩文海,苏敬勤. 耗散驱动适应效应:数字化创新的主导逻辑———基于 A 网约车平台的纵向案例研究[J]. 管理评论,2023,35(3):320-336.

[22]谢卫红,林培望,李忠顺,等. 数字化创新:内涵特征、价值创造与展望[J]. 外国经济与管理,2020,42(9):19-31.

[23]KOHLI R, MELVILLE N P. Digital innovation: a review and synthesis[J]. Information Systems Journal, 2019, 29(1): 200-223.

[24]陈剑,黄朔,刘运辉. 从赋能到使能———数字化环境下的企业运营管理[J]. 管理世界,2020,36(2):117-128.

[25]陈冬梅,王俐珍,陈安霓. 数字化与战略管理理论———回顾、挑战与展望[J]. 管理世界,2020,36(5):220-236.

[26]BHANDARI K R, RANA S, PAUL J, et al. Relative exploration and firm performance: why resource-theory alone is not sufficient? [J]. Journal

of Business Research, 2020, 118: 363-377.

142

Research on Economics and Management(No. 10, 2023) 经济与管理研究(2023 年第 10 期)

[27]FIRK S, HANELT A, OEHMICHEN J, et al. Chief digital officers: an analysis of the presence of a centralized digital transformation role[ J].

Journal of Management Studies, 2021, 58(7): 1800-1831.

[28]刘洋,李亮. 制造企业数字化转型:全球视角与中国故事[J]. 研究与发展管理,2022,34(1):1-7.

[29]杜勇,谢瑾,陈建英. CEO 金融背景与实体企业金融化[J]. 中国工业经济,2019(5):136-154.

[30]HAMBRICK D C. Upper echelons theory: an update[J]. Academy of Management Review, 2007, 32(2): 334-343.

[31]MATHIAS B D, WILLIAMS D W, SMITH A R. Entrepreneurial inception: the role of imprinting in entrepreneurial action[J]. Journal of Business

Venturing, 2015, 30(1): 11-28.

[32]HANELT A, BOHNSACK R, MARZ D, et al. A systematic review of the literature on digital transformation: insights and implications for strategy

and organizational change[J]. Journal of Management Studies, 2021, 58(5): 1159-1197.

[33]GIOIA D A, CHITTIPEDDI K. Sensemaking and sensegiving in strategic change initiation[J]. Strategic Management Journal, 1991, 12(6): 433-448.

[34]TUMBAS S, BERENTE N, VOM BROCKE J. Digital innovation and institutional entrepreneurship: chief digital officer perspectives of their

emerging role[J]. Journal of Information Technology, 2018, 33(3): 188-202.

[35]袁蓉丽,李瑞敬,孙健. 董事的信息技术背景能抑制盈余管理吗[J]. 南开管理评论,2021,24(3):139-151.

[36]SINGH A, KLARNER P, HESS T. How do chief digital officers pursue digital transformation activities? The role of organization design parameters

[J]. Long Range Planning, 2020, 53(3): 101890.

[37]LOKUGE S, SEDERA D, GROVER V, et al. Organizational readiness for digital innovation: development and empirical calibration of a construct

[J]. Information & Management, 2019, 56(3): 445-461.

[38]KAPLAN S, MILDE J, COWAN R S. Symbiont practices in boundary spanning: bridging the cognitive and political divides in interdisciplinary

research[J]. Academy of Management Journal, 2017, 60(4): 1387-1414.

[39]LÜSCHER L S, LEWIS M W. Organizational change and managerial sensemaking: working through paradox[J]. Academy of Management Journal,

2008, 51(2): 221-240.

[40]CHO T S, HAMBRICK D C. Attention as the mediator between top management team characteristics and strategic change: the case of airline

deregulation[J]. Organization Science, 2006, 17(4): 453-469.

[41]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.

[42]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,2021,24(2):149-163.

[43]刘淑春,闫津臣,张思雪,等. 企业管理数字化变革能提升投入产出效率吗[J]. 管理世界,2021,37(5):170-190.

[44]TETT R P, BURNETT D D. A personality trait-based interactionist model of job performance[J]. Journal of Applied Psychology, 2003, 88(3):

500-517.

[45]方鑫,董静. 管理层能力对创业企业双元创新战略的影响研究[J]. 外国经济与管理,2022,44(11):77-92.

[46]权小锋,吴世农. CEO 权力强度、信息披露质量与公司业绩的波动性———基于深交所上市公司的实证研究[ J]. 南开管理评论,2010,13

(4):142-153.

[47]FINKELSTEIN S. Power in top management teams: dimensions, measurement, and validation[ J]. Academy of Management Journal, 1992, 35

(3): 505-538.

[48]THATCHER S M B, JEHN K A, ZANUTTO E. Cracks in diversity research: the effects of diversity faultlines on conflict and performance[ J].

Group Decision and Negotiation, 2003, 12(3): 217-241.

[49]耿新,王象路. 基于董事长权力、环境动态性调节效应的董事会断裂带与多元化战略[J]. 管理学报,2021,18(6):821-832.

[50]任鸽,陈伟宏,钟熙. 高管国际经验、环境不确定性与企业国际化进程[J]. 外国经济与管理,2019,41(9):109-121.

[51]申慧慧,于鹏,吴联生. 国有股权、环境不确定性与投资效率[J]. 经济研究,2012,47(7):113-126.

[52]虞义华,赵奇锋,鞠晓生. 发明家高管与企业创新[J]. 中国工业经济,2018(3):136-154.

[53]BERNILE G, BHAGWAT V, RAU P R. What doesn’t kill you will only make you more risk-loving: early-life disasters and CEO behavior[J]. The

Journal of Finance, 2017, 72(1): 167-206.

[54]MERENDINO A, DIBB S, MEADOWS M, et al. Big data, big decisions: the impact of big data on board level decision-making[ J]. Journal of

Business Research, 2018, 93: 67-78.

143

经济与管理研究(2023 年第 10 期) Research on Economics and Management(No. 10, 2023)

Impact Mechanism of CEOs’ IT Background on

Corporate Digital Innovation

WANG Xianglu

1

, ZHANG Wenquan

2

, GENG Xin

3

(1. Tongji University, Shanghai 200092;

2. Ocean University of China, Qingdao 266101;

3. Shandong University of Finance and Economics, Jinan 250014)

Abstract: In the digital economy era, the continuous embedding of digital technology reshapes the physical

form of products and the logic of enterprise value creation, and digital innovation empowers enterprises to establish

competitive advantage. How to effectively promote digital innovation becomes a crucial concern in both theoretical

and practical fields. On this basis, CEOs’ information technology (IT) background provides a new perspective to

explain the driving factors of corporate digital innovation.

Using A-share listed enterprises in China from 2010 to 2021 as the research sample, this paper examines the

effect and the mechanism of CEOs’ IT background on corporate digital innovation. The findings reveal that CEOs’

IT background significantly promotes corporate digital innovation. The mechanism test shows that the promotion

effect is achieved through digital sensemaking and digital resource allocation. The extended analysis indicates that

the promotion effect is more significant under the conditions of high CEO power, strong top management team

faultlines, and high environmental dynamism.

The practical significance of this paper is to provide inspiration for enterprises to promote digital innovation

from the perspective of CEOs’ IT background. First, enterprises interested in promoting digital innovation should

pay attention to the human factor, and it is necessary to consider the IT background as one of the decisive factors

when selecting and hiring CEOs and other executives. Second, enterprises should pay attention to the construction

of digital sensemaking for the organization, as well as the accumulation and stockpiling of digital resources in daily

operations. Third, enterprises with highly changing external environments can give greater decision-making

autonomy to CEOs with IT backgrounds, and fully explore the heterogeneous knowledge information in subsidiaries

of the executive team to better realize digital innovation.

The potential contributions are as follows. First, taking CEOs’ IT background as an entry point, this paper

argues and tests the impact of CEOs’ IT background on corporate digital innovation, enriching the pre-influence

factors of digital innovation at the individual level. Second, this paper enriches the research on the economic

consequences of CEOs’ IT background in the digital context and has incremental contributions to promoting the

involvement of the upper echelons theory and the imprinting theory in the digital context. Finally, based on the

breakthrough conditions of digital innovation, this paper further introduces digital sensemaking and digital resource

allocation as mediating variables, and more comprehensively examines the mechanism of CEOs’ IT background on

corporate digital innovation, which helps to further expand the theoretical boundary of research in the field of digital

innovation.

Keywords: CEOs’ IT background; big data; digital innovation; digital sensemaking; digital resource allocation

责任编辑:李 叶

144