数字化转型对企业经营业绩的影响

目录摘要： [19]：第一阶段：GrossProfit第二阶段：SA第三阶段：GrossProfitSAit为中介变量，即企业i在t年的融资约束情况；Xit为控制变量，包括资产负债率、营业收入增长率等；μi为行业固定效应，λ4.实证分析4.1描述性统计分析本文数据的时间范围为2008年至2023年，共得到47750个观测值，根据表4-1变量的描述性统计结果显示，被解释变量—企业毛利率（GrossProfit）呈现以下分布特征：其平均值为0.29，表明样本企业的整体盈利水平；标准差达到0.179，反映了不同企业间存在明显的盈利能力差异；观察值分布在-0.07至0.876的区间范围内，这一跨度既包含了亏损企业的极端情况，也涵盖了高利润率企业的表现。核心解释变量中，数字化转型（DCG）的最小值为0，说明部分企业为涉及数字化转型，均值为1.402，说明仅有部分企业水平较高，大部分企业数字化程度较低。控制变量的统计特征分析显示，资产收益率（ROA）的分布区间为[-0.578，0.22]，均值0.035，这一结果不仅证实了样本企业间存在明显的盈利水平分化，同时也反映出整体经营绩效处于中等偏下水平，其中部分企业甚至出现较大幅度的亏损。在资本结构方面，资产负债率（Lev）的统计结果显示，其均值达到0.419（标准差0.209），且极差范围[0.028，0.934]较为宽泛，这一特征充分体现了不同企业在财务杠杆运用和风险承担策略上的显著差异。企业年龄（FirmAge）经过处理后最小值为1.099，最大值为3.689，说明有些企业刚成立不久，而有些企业已经成立多年，大约有40年的跨度，说明本文选取的样本覆盖了从初创期到成熟期的企业，有利于增强研究结论的普遍性。表4-1描述性统计VarNameObsMeanSDMinMedianMaxGrossProfit477500.2900.179-0.070.2570.876DCG477501.4021.4270.001.0996.380ROA477500.0350.068-0.5780.0370.220Lev477500.4190.2090.0280.4100.934Growth477500.3651.094-0.9260.11817.107CashFlow477500.0460.071-0.2260.0460.282FirmAge477502.9130.3551.0992.9443.689Employee477507.5691.2693.4017.49311.149Top1477500.3400.1490.0760.3180.7584.2相关性分析在进行实证分析前，对变量先进行预检测，其结果如表4-2所示。资产收益率（ROA）与资产负债率（Lev）呈现出显著负相关，相关系数为-0.354，高资产负债率的企业通常面临较大的财务压力从而影响其资产收益率，这与经济学逻辑相符合，除此之外，但其他控制变量间相关系数低于0.55的经验阈值，可以发现各变量间之间相关性关系并不明显，可以进行下一步面板回归分析。表4-2相关性分析GrossProfitDCGROALevGrowthCashFlowFirmAge|EmployeeTop1GrossProfit1DCG0.118***1ROA0.355***-0.046***1Lev-0.422***-0.072***-0.354***1Growth0.078***0.022***-0.002000.067***1CashFlow0.212***-0.025***0.377***-0.149***-0.104***1FirmAge-0.073***0.129***-0.114***0.161***0.024***0.012***1Employee-0.186***0.081***0.066***0.353***-0.137***0.176***0.071***1Top1-0.021***-0.130***0.161***0.033***0.010**0.101***-0.133***0.162***14.3基准回归分析本文构建双向固定效应模型，结果如表4-3所示。列（1）中，数字化转型指标（DCG）的系数值为0.015，且在1%的显著水平。这一结果表明，企业数字化水平每提升1个单位，其毛利率相应提高1.5个百分点，初步证实了数字化建设对盈利能力的促进作用。列（2）加入了行业和时间固定后后，DCG的系数仍保持正向显著（p<0.05），进一步强化了数字化转型提升企业绩效的研究结论。引入了全部控制变量后，数字化转型（DCG）系数为0.015和0.008，且结果依然显著。这一结果充分支持了研究假设H1，即企业实施数字化战略对其经营业绩具有持续、稳定的正向影响。回归结果加入控制变量后，资产收益率（ROA）的系数都在0.5以上，说明资产收益率每提升1单位可带动毛利率增长至少0.5个单位，即企业内部可能出现“盈利后再投资”的正向循环机制。相反的是，资产负债率（Lev）对企业经营业绩的显著负向效应，这表明企业的债务成本可能会挤占经营利润，需要及时调整企业的负债情况，从而提升企业的经营状况。同时，现金流（CashFlow）的系数分别为0.258和0.304，且都在1%水平显著，说明流动性较好的企业更能维持自身的经营状况，减少因外界波动产生的冲击影响。同时，调整后的R²从列（1）的0.0138提升到列（4）的0.4888，说明加入控制变量后模型的解释力显著增强。表4-3基准回归结果(1)(2)(3)(4)GrossProfitGrossProfitGrossProfitGrossProfitDCG0.015***0.004**0.015***0.008***(25.885)(5.606)(28.814)(14.012)ROA0.599***0.581***(49.520)(56.037)Lev-0.237***-0.189***(-58.422)(-50.356)Growth0.015***0.007***(22.815)(12.434)CashFlow0.304***0.258***(27.768)(27.265)FirmAge-0.008***-0.033***(-4.045)(-16.440)Employee-0.016***-0.012***(-25.520)(-21.571)Top1-0.036***0.009(-7.244)(1.086)_cons0.269***0.285***0.488***0.524***(235.966)(248.352)(67.176)(75.202)行业固定效应NOYESNOYES年份固定效应NOYESNOYESN47750477504775047750adj.R20.01380.31380.26720.4888注：***、**和*分别表示在1%、5%和10%的显著性水平上显著，括号内为标准误4.4稳健性检验为检验模型的稳健性，通过以下两种方法进行验证：首先采用替代性被解释变量重新进行回归分析，其次对样本数据进行筛选后重新估计。检验结果分别呈现在表4-4和表4-5中，表明模型具有较好的稳定性。4.4.1替换被解释变量与企业毛利率（GrossProfit）相比，资产增长率也可以反映企业在一定时期内的成长性和资本利用效率，排除了单一财务指标带来的误差和偏见。表4-4为将被解释变量替换为资产增长率（AssetGrowth）之后的回归结果。可以看出，在仅控制行业和时间时，数字化转型（DCG）的系数为0.014（在1%水平上显著）。进一步加入控制变量后，系数稳定在0.010且保持显著，支撑了研究假设的稳健性。控制变量中资产负债率（Lev）系数显著为正，与基准回归结果相反，原因可能是高杠杆企业更倾向通过债务融资扩大资产规模，提高经营业绩。此时的模型解释力R²均低于基准回归，说明企业资产的增长除了内部累积外，还会受外部环境的影响。表4-4替换被解释变量(1)(2)AssetGrowthAssetGrowthDCG0.014***0.010***(7.953)(5.615)ROA1.550***(51.283)Lev0.190***(17.118)Growth0.054***(31.575)CashFlow-0.549***(-19.416)FirmAge-0.071***(-11.240)Employee0.002***(1.070)Top1-0.006(-0.506)_cons0.145***0.0222***(46.366)(10.250)行业固定效应YESYES年份固定效应YESYESN4330343303adj.R20.03860.1217注：***、**和*分别表示在1%、5%和10%的显著性水平上显著，括号内为标准误4.4.2缩小样本容量表4-5为缩小了样本容量后的回归结果，排除外部因素的影响更准确地衡量数字化转型对企业经营业绩的影响。剔除疫情年份（2020）年的样本后，本文对剩余样本进行了回归。整体来看，其系数与基准回归结果相比仍然保持稳定且显著性也没有发生变化，说明本文假设结论的稳定性。从控制变量来看，其系数方向与显著性都与基准回归基本一致。例如，营业收入增长率（Growth）的系数略微提升说明在非疫情时期，市场扩张对盈利能力的促进作用更大。表4-5缩减样本容量(1)(2)(3)(4)GrossProfitGrossProfitGrossProfitGrossProfitDCG0.015***0.004**0.015***0.008***(25.295)(5.767)(27.912)(13.432)ROA0.610***0.585***(47.831)(53.625)Lev-0.234***-0.087***(-55.647)(-22.888)Growth0.015***0.007***(22.339)(8.873)CashFlow0.297***0.253***(26.246)(18.907)FirmAge-0.008***-0.033***(-3.757)(-15.606)Employee-0.016***-0.012***(-24.389)(-20.374)Top1-0.034***-0.029***(-6.596)(-6.546)_cons0.268***0.283***0.483***0.518***(228.866)(241.553)(64.262)(71.852)行业固定效应NOYESNOYES年份固定效应NOYESNOYESN43965439654396543965adj.R20.01430.32000.26600.4882注：***、**和*分别表示在1%、5%和10%的显著性水平上显著，括号内为标准误4.5异质性分析考虑我国区域经济发展存在显著差异，数字化转型对企业的影响可能呈现地域异质性。为此，本研究将样本划分为东部、中部和西部地区分别进行回归分析，具体结果详见表4-7。得出实施数字化战略对企业业绩影响呈现出区域梯度特征，具体来说，对东部地区和西部地区的影响都为正向显著，且显著水平高于中部。造成这种特征的原因有以下两点：第一，东部地区是中国经济最发达的区域，是数字经济发展的领先地区，其数字技术传播快、数字设施基础建设完善、企业数字化转型起步较早且技术成熟度较高，东部地区的企业通常能够更有效地利用数字化技术提升自身运营效率和市场竞争力，从而实现更高的经营业绩水平。对于西部地区来说，虽然该地区的经济发展水平相对较低，但近年来国家政策的支持和资源的倾斜使得西部地区的企业在数字化转型方面取得了较大进展，从而显著提升了经营业绩。反观中部地区，产业更依赖于传统制造业和重工业，其数字化转型的成本较高，从而抑制了企业短期的盈利绩效提升。表4-6企业地域异质性分析(1)(2)(3)GrossProfitGrossProfitGrossProfit东部地区西部地区中部地区DCG0.008***0.0013***0.001(12.684)(8.293)(0.395)ROA0.524***0.642***0.0.832***(43.511)(24.782)(27.637)Lev-0.216***-0.163***-0.095***(-48.502)(-17.669)(-9.006)Growth0.009***0.005***0.002***(8.110)(-0.280)(4.504)CashFlow0.236***0.264***0.332***(13.892)(9.115)(11.355)FirmAge-0.043***-0.057***-0.027*(-7.149)(-3.176)(-1.829)Employee-0.010***-0.016***-0.020***(-7.619)(-2.801)(-1.614)Top10.015**-0.0250.017(2.093)(-1.491)(1.168)_cons0.518***0.497***0.582***(64.266)(27.938)(26.744)行业固定效应YESYESYES年份固定效应YESYESYESN3381762827624adj.R20.48110.53240.5638注：***、**和*分别表示在1%、5%和10%的显著性水平上显著，括号内为标准误4.6中介效应分析这一部分主要考察考察融资约束（SA）对数字化转型影响企业业绩表现的中介作用，结果如4-7所示。直接效应结果显示，数字化转型（DCG）对经营业绩（GrossProfit）的直接效应为显著正向影响；加入中介变量后，数字化转型（DCG）与融资约束（SA）在列（2）中存在显著负向关系（系数为负），表明数字化通过缓解融资约束促进企业盈利提升的传导路径成立。进一步将SA纳入控制变量后，如列（3）所示，DCG对经营业绩（GrossProfit）的回归系数仍显著为正，验证了主效应结论的稳健性。实证结果得出实，融资约束（SA）在实施数字化升级影响企业盈利能力的传导机制中扮演着重要的中介角色，支持了研究假设H2。具体来说，第一，数字化转型通过优化企业的运营效率和资源配置，如利用区块链技术来提高财务透明度，利用物联网数据采集等提高经营可视化，提升了企业的信用评级和融资能力，从而显著降低了融资约束（SA）；第二融资约束的缓解有助于企业更有效地利用资金进行研发和创新，从而提高盈利能力。从控制变量来看，列（2）中企业年龄（FirmAge）对SA的系数显著为负，说明数字化转型可以帮助企业进行改造来突破“年龄歧视”获得融资，其他系数的方向和显著性与基准回归基本一致。且模型解释力R²在引入中介变量后提升，进一步验证了融资约束在数字化转型与企业毛利率之间的中介作用表4-6机制分析(1)(2)(3)GrossProfitSAGrossProfitDCG0.008***-0.001***0.008***(14.012)(-2.198)(-14.034)ROA0.581***-0.052***0.581***(56.037)(-5.580)(56.077)Lev-0.189***-0.001***-0.189***(-50.356)(-0.340)(-50.354)Growth0.007***0.001***0.007***(12.434)(1.903)(12.415)CashFlow0.258***0.016*0.258***(27.265)(1.889)(27.246)FirmAge-0.033***-0.687***-0.026***(-16.440)(-17.345)(-6.385)Employee-0.012***-0.008***-0.012***(-21.571)(15.941)(-21.676)Top1-0.029***0.021***-0.029***(-6.822)(5.377)(1.721)SA0.011**(-11.457)_cons0.524***-1.887***0.545***(75.202)(-299.276)(46.098)行业固定效应YESYESYES年份固定效应YESYESYESN477504775047750adj.R20.48880.81670.4888注：***、**和*分别表示在1%、5%和10%的显著性水平上显著，括号内为标准误5.结论与建议5.1研究结论。基于上述实证结果，形成以下研究发现：第一，数字化转型对提升企业的经营业绩具有显著效应。数字化技术能够有效提升运营效率，通过自动化流程减少人为操作失误，保障企业运营系统稳定性。数字化管理系统可为决策者提供实时数据分析支持，增强资源配置效率，从而驱动经营业绩的增长。第二，数字化转型对企业经营业绩的影响在不同地区具有异质性。东部地区依托发达的经济水平、完善的数字基础设施和密集的技术人才储备，企业能快速整合数字技术与产业链，形成规模效应和创新协同，推动业绩显著提升；中部地区传统产业比重较高，数字化转型面临技术适配性弱、资金投入不足及人才结构性短缺等瓶颈，新旧动能转换滞缓，导致业绩增长乏力；西部地区虽经济基础较弱，但受益于国家“东数西算”等政策倾斜和低基数效应，通过承接数据中心等新型基建、发展特色产业数字化，反而实现相对稳定的边际改善。第三，融资约束在数字化转型提高企业经营业绩中起到了中介作用。一方面，数字化转型依赖大量资金投入技术升级和人力培训，若企业面临融资约束，其转型进程可能因资源短缺而受阻，难以通过数字技术优化生产效率和市场响应能力，导致业绩提升有限；另一方面，数字化转型通过改善信息透明度（如数据驱动的财务披露）和资产数字化（如供应链金融），能够降低金融机构与企业间的信息不对称，从而缓解融资约束，形成“数字能力提升—融资成本下降—业绩增长”的良性循环。5.2关于数字化转型的建议。第一，政府在企业数字化转型中需构建“政策引导+资源赋能+制度保障”的协同支持体系。一方面，通过顶层设计明确转型路径（如制定行业标准、提供税收抵免与专项补贴），降低企业试错成本；同时完善数字基础设施（如5G网络、工业互联网平台）和公共服务体系（如中小企业云服务共享平台），破解技术应用门槛。另一方面，强化制度保障，健全数据安全法规与产权界定规则，既保护企业数据资产权益，又防范平台垄断与算法歧视，营造公平创新环境。第二，政策措施要因地制宜。在推进数字化转型过程中，应结合区域发展差异精准施策：东部地区立足技术、人才和资本优势，聚焦人工智能、区块链等前沿领域，打造国际数字创新中心，并探索数据要素市场化机制；中部地区依托制造业基础和交通枢纽优势，以工业互联网和智慧物流为抓手，推动传统产业智能化升级，培育区域性数字产业集群；西部地区优先完善5G、算力网络等新型基础设施，依托清洁能源优势建设国家算力枢纽，同时推广“数字+文旅”“数字+农业”等特色应用，借助“东数西算”工程促进跨区域协作。第三，多方协同缓解融资约束对企业数字化转型的掣肘。政策层面，政府可通过设立数字化转型专项基金、扩大税收优惠覆盖范围（如研发费用加计扣除）、引导政策性银行定向低息贷款，降低企业初期投入压力；金融市场需创新适配数字经济的融资工具，如基于数据资产的供应链金融、知识产权证券化，并依托区块链技术提升信用评估精准度，打破“重抵押、轻数据”的传统信贷惯性；企业自身应强化数字能力与财务透明度，通过业财融合、数据治理提升金融机构授信信心。

参考文献刘长明.从数字化到数智化，智能技术赋能出版融合创新[J].出版广角,2022,(06):33-36.金华旺,张桂新.工业企业数智化转型关键问题及推进路径研究[J].信息系统工程,2022,(10):14-17.张舒逸,史琳,姜丹等.数智赋能制造业转型升级机理与路径探索[J].中国管理信息化,2023,26(21):75-78.戚聿东,郝越,侯娜等.装备制造企业数智化转型的模式与路径探索——基于山河智能的案例研究[J].经济管理,2022,44(11):25-45.孙小强,高秀云,王玉梅.制造业数智化融合转型发展的关键要素、机理分析及评价指标研究[J].中国科学院院刊,2024,39(02):323-332.SurenderK,AnujG.APerspectiveonDigitalTransformationAmongIndianExportingFirms[J].FIIBBusinessReview,2024,13(1):7-17.SoellnerS,HelmR,KleeP,etal.Industrialserviceinnovation:Exploringthetransformationprocesstodigitalservitizationinindustrialgoodscompanies[J].IndustrialMarketingManagement,2024,(117):288-303.张祥建,徐晋,徐龙炳.高管精英治理模式能够提升企业绩效吗?——基于社会连带关系调节效应的研究[J].经济研究,2015,50(03):100-114.曹廷求,孙文祥.股权结构与资本结构：中国上市公司实证分析[J].中国软科学,2004,(01):32-36+56.张兆国