新質生產力、供應鏈深度數字化與企業碳績效

摘要 該研究聚焦關鍵數字技術引領的新質生產力，基于2008—2022年上市公司和供業鏈中小企業的匹配數據，采用5G試點政策的準自然實驗方法，實證檢驗了5G試點政策對企業碳績效的影響，并從供應鏈深度數字化的新視角展開多角度的機制分析。實證結果顯示：①有別于一般數字技術創新，關鍵數字技術引領的新質生產力發展，對企業自身碳績效提升具有更強效能，且通過了交錯DID、工具變量和機器學習模型等一系列的穩健性檢驗，但對整個供應鏈未發現有顯著的總量碳減排效應，對供應鏈上企業的碳績效提升效應也暫不明顯。②供應鏈深度數字化的機制分析表明，關鍵數字技術引領的新質生產力發展，對供應鏈數字化的影響更顯著。一方面，企業自身生產的深度數字化使得能源利用率更高；另一方面，供應鏈深度數字化對提高供應鏈效率、優化供需匹配、穩定供需關系、增加供應商創新等方面的影響更顯著。③數字供應鏈金融的機制分析表明，有別于一般數字技術創新作用的不顯著，數字供應鏈金融的發展在改善供應鏈信息不對稱、緩解融資約束方面發揮了顯著的正面作用。基于此，在新質生產力的建設中，應著力加強關鍵數字技術的研發和應用，推動供應鏈的深度數字化轉型升級和數字供應鏈金融的發展，探索數字供應鏈金融的“脫核”模式，助力“雙碳”目標的實現。

關鍵詞 關鍵數字技術；碳績效；供應鏈深度數字化；數字供應鏈金融；信息不對稱

中圖分類號 F062；1；F274 文獻標志碼 A 文章編號 1002-2104（2024）10-0080-14 DOI：10. 12062/cpre. 20240728

新質生產力是創新起主導作用，具有高科技、高效能、高質量特征，符合新發展理念的先進生產力質態［1］，核心產業支撐是數字經濟［2］。新質生產力通過技術革命性突破、生產要素創新性配置和產業深度轉型升級驅動企業的綠色低碳轉型、提升企業碳績效，助力“雙碳”目標的實現［3］。關鍵數字技術包括人工智能、高端芯片、量子信息、物聯網、區塊鏈、工業互聯網和元宇宙等7類［4］，屬于戰略前沿技術，符合新質生產力的技術革命性突破與產業轉型升級的特征，在生產要素創新性配置、產業深度轉型升級中具有關鍵性作用。因此，延續數字經濟、數字金融對碳排放的相關研究［5-9］，本研究以關鍵數字技術代表新質生產力，從供應鏈深度數字化的新視角探討其對企業碳績效提升的影響：①有別于一般數字技術對碳排放的影響［10］，首次研究關鍵數字技術為代表的新質生產力對企業碳績效提升的影響。②有別于一般數字技術的供應鏈數字化［11-12］，首次研究關鍵數字技術對供應鏈深度數字化的影響機制。③關鍵數字技術催生了數字供應鏈金融的新業態，區別于供應鏈金融［13］，首次研究數字供應鏈金融對供應鏈上、下游中小企業融資約束的“脫核”（不依賴核心企業進行授信）作用。

1 文獻綜述

與本研究密切相關的已有研究可總結為以下4類。

一是新質生產力的測度以及新質生產力與碳績效。現有文獻中有關新質生產力的測度以及新質生產力與碳績效研究的相對較少。①新質生產力的測算。由于數字經濟是新質生產力的核心產業之一［2］，因此新質生產力的測算最初是直接以數字經濟的增加值構建數字經濟發展指數［14］，依據是2021年5月國家統計局公布的《數字經濟及其核心產業統計分類（2021）》，以其匹配上市公司數據進而獲得上市公司的專利數據。Feng等［15］則綜合了社會再生產過程中的生產、分配、交換、消費環節的33個指標進行了全面而系統的測算，韓文龍等［16］進一步對新質生產力的測算及其對經濟增長的作用進行了探討。上述測算多聚焦在城市層面，顆粒度較粗，且指標體系的內生性較強，存在一定的局限性。《關鍵數字技術專利分類體系（2023）》的頒布使關鍵數字技術不僅具有官方分類指引的權威性，還具備了微觀企業級的細顆粒度，為新質生產力的測算提供了新的規范和標準。②當前文獻多側重于探討數字經濟和數字技術對碳排放或碳績效的影響。數字經濟作為中國經濟高質量發展的新動力，被認為具有較大的潛力能夠幫助實現“雙碳”目標［17-18］，相關研究主要集中在數字技術創新有利于促進能源利用效率提升［9，19］、產業結構優化［20］、全要素生產率提升［21］、綠色創新發展［22］等方面。上述文獻中雖有部分內容提及關鍵數字技術對碳績效的影響，但未與一般數字技術作明確的區分，鮮有文獻從關鍵數字技術專利的視角探討新質生產力的碳績效效應。

二是供應鏈深度數字化的效應。新質生產力的重要特征是促進產業的深度轉型升級。中國的數字技術和數字經濟是以傳統的互聯網信息技術為基礎，在物聯網、云計算、人工智能等關鍵數字技術的推動下，從實驗室走向了商業實踐，逐步成為現代產業鏈和供應鏈的重要組成部分。這些技術通過集成和分析來自產業鏈供應鏈各環節的大量數據，顯著提高了決策的精準性和運營效率［23］。已有研究表明，企業的數字化轉型不僅可以提升自身的生產率，還能夠對關聯企業甚至產業鏈的生產效率產生溢出效應［24］。然而，探討以關鍵數字技術代表的新質生產力，研究其深耕產業鏈供應鏈能否給企業碳績效提升帶來更顯著影響的文獻還較少。

三是數字供應鏈金融的效應。在考察以關鍵數字技術為代表的新質生產力時，還需要從生產要素創新性配置的角度進行分析。已有研究表明，金融是經濟配置資源的核心［25］，而數字供應鏈金融則是關鍵數字技術應用于產業鏈供應鏈的最新實踐形式。隨著區塊鏈和工業互聯網等關鍵數字技術的興起，數字供應鏈金融逐漸成為推動產業鏈供應鏈優化的新業態。然而，已有研究主要關注數字金融如何通過提供新的信用評估與融資渠道，為中小企業提供資金流動性支持、減輕融資壓力［26-27］，對數字金融與供應鏈金融如何融合形成新業態，特別是數字供應鏈金融如何通過提升透明度和可信度來緩解融資約束，以及如何通過促進企業對綠色技術的投資進而提升績效的研究較為匱乏。本研究選擇數字供應鏈金融作為變量，正是基于其能夠深度嵌入供應鏈并在企業碳績效提升中發揮重要作用，符合當前生產要素創新性配置的研究需求，旨在填補現有研究的空白。

四是強化企業承擔社會環境責任的效應。上述供應鏈深度數字化和數字供應鏈金融對企業碳績效的影響，其中的一部分影響將體現在企業決策、生產和經營行為的改變上。關鍵數字技術不僅深化了供應鏈數字化，還通過數字供應鏈金融傳導至企業行為的調整，從而促進企業履行社會環境責任。已有研究表明，融資約束是影響企業履行社會環境責任的重要因素［28］，但關于關鍵數字技術應用帶來的數字供應鏈金融如何影響企業履行社會環境責任的相關研究還較少。此外，企業內部控制或治理結構是企業社會環境治理的重要組成部分［29］，關鍵數字技術可能通過提升供應鏈透明度、降低交易成本等方式，促進企業的治理水平和環境績效的提升，但已有研究中有關供應鏈深度數字化對企業履行社會與環境責任的研究仍相對較少。

綜上所述，現有文獻主要從一般數字技術、數字經濟角度探討其對碳排放和碳績效的影響，從關鍵數字技術視角深入分析新質生產力對企業碳績效影響的相關研究較少，關于供應鏈深度數字化和數字供應鏈金融的中介效應研究也相對較少。因此，本研究從供應鏈深度數字化和數字供應鏈金融兩方面探討關鍵數字技術對碳績效的影響，旨在揭示關鍵數字技術作為新質生產力與一般數字技術不同的影響機制。

2 理論機制分析

根據前文所述，從供應鏈的深度數字化和數字供應鏈金融兩方面入手，分析關鍵數字技術代表的新質生產力對企業碳績效的影響機理，并提出對應的假說。

2. 1 供應鏈深度數字化的效應

有別于一般數字技術創新，關鍵數字技術深耕供應鏈數字化的機制包括深耕自身生產過程的數字化以及供應鏈的深度數字化兩個部分。

2. 1. 1 深耕自身生產過程的數字化

深耕企業自身生產過程的數字化的邏輯為關鍵數字技術→深耕生產數字化→能源利用率更高→提升企業碳績效的邊際效應更強。供應鏈的深度數字化則是供應鏈上的企業利用關鍵數字技術改造和升級傳統的生產模式，以達到提高能源效率和減少資源浪費的目的。

（1）深耕企業自身生產過程的數字化帶來生產過程的智能化、能源管理的流程優化、生產的柔性化等方面的新變化［30-31］。首先，企業通過更高精度的大數據分析、實時監控和智能決策支持，推動生產過程中能源利用效率的提升。其次，生產過程的智能化，即通過引入智能制造系統，使企業能夠在生產過程中實現柔性生產。最后，優化能源管理，即企業利用云計算和物聯網技術構建集成的能源管理系統，跨越多個生產單位、突破地理位置的限制，對能源使用情況進行監控優化。從而實現能源跨時間、跨空間的優化配置，降低整個生產過程中的能源消耗。

（2）一般數字技術創新偏重傳統的計算機和互聯網信息技術，在簡化流程、信息“脫媒”等方面發揮重要作用，但對生產過程智能化的提升較小，一般數字技術對碳排放總量減排效應的實現尚存在一定難度。另外，部分關鍵數字技術，如工業互聯網、5G、區塊鏈等仍處于相對早期的發展應用階段，即使關鍵數字技術能提升單位產出的生產效率，碳排放總量的減少也可能因為生產總量的增長而被抵消，部分新型業態產品和服務需求的增加可能反而導致能源消耗和碳排放總量的增加。基于此，提出假說1和第一機制的子假說2.1。

H1：有別于一般數字技術創新，關鍵數字技術提升企業碳績效的邊際效應更顯著，而供應鏈的總量碳減排效應和溢出效應則難以實現。

H2.1：關鍵數字技術通過深耕企業自身生產過程的數字化，使企業對能源利用效率的提升作用更強，進而使企業碳績效的表現更佳。

2. 1. 2 供應鏈的深度數字化

供應鏈深度數字化的邏輯鏈可歸納為關鍵數字技術→供應鏈深度數字化（包括提高供應鏈效率、優化供需匹配、穩定供需關系、增加供應商創新）→企業碳績效的提升，對企業自身碳績效的提升效果更明顯。關鍵數字技術通過供應鏈深度數字化對供應鏈上、下游企業產生顯著影響，這將反過來助益企業自身碳績效的提升。

（1）提高供應鏈效率。提高供應鏈效率是供應鏈深度數字化中主要的中介效應。通過關鍵數字技術的創新應用，如中心性算法、圖技術等現代供應鏈管理技術，企業能夠實現供應鏈百億級節點、千億級邊（關系）的實時監控與協調，降低運營成本，提升整體響應速度，從而提升供應鏈的效率。

（2）優化供需匹配。優化供需匹配可以讓企業利用關鍵數字技術提高供應鏈的響應速度和靈活性，從而更好地匹配市場供需變化。通過優化供需匹配，企業能夠減少資源浪費，提高生產效率，進而對碳績效產生積極影響。

（3）穩定供需關系。穩定供需關系可以增強供應鏈的韌性和穩定性，從而應對市場波動和外部沖擊。在當前快速變化的市場環境中，穩定的供需關系對于企業持續運營和碳績效至關重要。

（4）增加供應商創新。增加供應商創新通過關鍵數字技術的應用來激發和促進上游供應商的創新活動，進而提升供應鏈的整體效率和碳績效。

綜上，提出第一機制的假說2及其子假說2.2。

H2：關鍵數字技術通過供應鏈的深度數字化使企業碳績效的表現更好。

H2.2：關鍵數字技術通過供應鏈的深度數字化，包括提高供應鏈效率、優化供需匹配、穩定供需關系、增加供應商創新等4個方面，對企業碳績效產生更顯著的提升作用。

2. 2 深耕數字供應鏈金融的效應

傳統的供應鏈金融長期存在著“不可能三角”，即存在覆蓋率、服務深度與便利性難以兼顧的困境。而且，其過度圍繞著核心企業，以應收賬款、預付款和存貨等流動資產進行質押的方式開展。數字供應鏈金融的發展則有助于將海量的資金流、物流和信息流進行整合，通過關鍵數字技術進行信用評估，可以僅依賴信用進行授信。總的來說，深耕數字供應鏈金融的機制表現為關鍵數字技術→改善供應鏈信息不對稱→緩解產業鏈融資約束→提升企業碳績效，對企業自身碳績效的提升效果更明顯。

深耕數字供應鏈金融主要通過以下兩個方面影響企業碳績效：①改善供應鏈信息不對稱。在傳統的供應鏈金融模式中，由于信息傳遞的限制和不透明，中小企業往往面臨較大的融資障礙和信用評估困難。隨著關鍵數字技術的發展，供應鏈上企業的信息不對稱問題可以得到有效緩解。②緩解供應鏈融資約束。通過改善供應鏈信息不對稱，數字供應鏈金融能夠通過智能風控和遠程授信為供應鏈上的上、下游企業提供貸款，從而有效緩解其融資約束。綜上，提出第二機制的假說3。

H3：關鍵數字技術通過深耕數字供應鏈金融，有助于改善供應鏈的信息不對稱，緩解其融資約束，產生供應鏈的“脫核”作用，進而對企業碳績效產生更明顯提升作用。

2. 3 強化企業承擔社會環境責任

供應鏈深度數字化和深耕數字供應鏈金融還會或部分會影響整個供應鏈上企業行為的改變，主要包括以下兩個方面：①強化供業鏈企業的社會責任（CSR）。通過緩解供業鏈企業的融資約束，供應鏈上的企業能夠有更充裕的資金追加綠色投資。通過深耕數字供應鏈金融，企業能夠更準確地評估潛在的回報和風險，從而促使供業鏈上的企業主動承擔社會責任。②加強供應鏈上的企業環境和社會治理（ESG）實踐。通過深耕數字供應鏈金融，企業可以有更充裕的資金直接支持ESG實踐。深耕供應鏈數字化也有助于供應鏈上企業的運營遵守環境和社會責任規范。

基于此，提出第三機制的假說4。

H4：供應鏈深度數字化和數字供應鏈金融有助于改善供應鏈管理，增加供應鏈上企業的綠色投資，強化企業的社會責任，加強社會環境實踐，進而進一步提升企業的碳績效。

本研究的理論機制路徑如圖1所示。

3 數據變量和研究設計

3. 1 變量說明

3. 1. 1 被解釋變量

被解釋變量為企業碳績效（cp）。改進鄧慧慧等［32］的做法，采用營業收入與營業成本和碳排放量乘積的比值來衡量碳績效，即企業經營收入 /（ 碳排放量 × 企業經營成本）。其中，借鑒并改進王浩等［33］的方法測算碳排放量，通過下述指標加總計算：①燃燒和能源燃料排放，包括化石、生物質燃料、原料開采、石油和天然氣系統、電力調入調出；②生產過程排放；③固體廢棄物焚燒排放、污水處理導致的排放；④土地利用方式轉變的排放。

3. 1. 2 解釋變量

核心解釋變量為關鍵數字技術（kdp）。kdp_a 為關鍵數字技術專利申請量，參考Feng 等［15］的方法，基于國際專利分類（International patent classification，IPC）從企業的一般專利中識別、爬取并匯總關鍵數字技術專利，IPC參照關系表是國家知識產權局在2023年9月25日發布的《關鍵數字技術專利分類體系（2023）》。具體來講，在獲取企業關鍵數字技術專利申請量時，將專利的原始申請人設為企業全稱，申請日設置為特定年份的1月1日到12月31日，IPC分類號設置為關鍵數字專利所涉及的全部IPC分類號。kdp_g 為關鍵數字技術專利授予量，獲取方法同關鍵數字技術專利申請量，僅需要將申請日調整為授權日。需要說明的是，在獲取發明專利申請量或授予量時，要將檢索框左側的授權發明、實用新型和外觀設計復選框去掉。dp_a 為一般數字技術創新申請量，是所有數字技術專利申請數，根據國家知識產權局發布的《數字經濟核心產業分類與國際專利分類》與國家知識產權局中的企業專利數據庫進行匹配獲得。

3. 1. 3 中介變量

中介變量為供應鏈深度數字化和數字供應鏈金融，數字供應鏈金融是供應鏈深度數字化帶來的金融創新和生產要素的創新性配置手段。①供應鏈深度數字化的論證包括假說H2.1的企業自身生產數字化和假說H2.2的供應鏈上企業的數字化兩個方面。企業自身生產數字化主要應用關鍵數字技術創新（kdp_a）與一般數字技術創新（dp_a）進行比較分析。供應鏈上企業的數字化參考Olden 等［34］的做法，運用供應鏈數字化示范試點政策的DID虛擬變量（digita）和數字技術創新是否為關鍵數字技術創新（kdp_a）進行交互效應的對比分析，進而從提高供應鏈效率、優化供需匹配、穩定供需關系和增加供應商創新4個維度分析。供應鏈效率的指標用上游供應商企業的庫存調整幅度來衡量供應鏈的響應效率（sce）。參考陶鋒等［11］、楊志強等［35］的做法，優化供需匹配（match）指標基于供需波動偏離度進行衡量，穩定供需關系（relat）由上游企業與客戶關系的持續時間來衡量，增加供應商創新則由上游供應商企業的發明專利申請量（innov）來衡量。②數字供應鏈金融的論證。參考鞠曉生等［36］、解維敏等［37］的做法，構造KZ指數，分析公司投資和資本結構的關系，衡量融資約束程度。同時，構建SA指數，從公司的內在信息不對稱程度衡量公司受到的融資約束程度。進一步借鑒張學勇等［38］的做法，以公司個股的交易數據構造了3個關鍵的股票流動性指標：流動性比率指標、非流動性比率指標以及收益率反轉指標。對這些流動性指標進行主成分分析，可以構建出代表資金供給方和企業之間信息不對稱的綜合指標（asy）。其中，流動性比率指標考慮了股票的交易量和價格變動，反映市場中股票買賣的容易程度。高流動性通常意味著在不影響股票價格的情況下，交易者可以迅速買入或賣出大量股票。非流動性比率指標則關注市場交易的摩擦和限制，如買賣差價和交易成本，這些因素可能導致非知情交易者在交易中受到不利影響。收益率反轉指標則是基于市場的短期價格波動，這種波動往往出現在知情交易發生后的價格調整。收益率的這種短期反轉可以被視為市場參與者對公司信息公開后的反應，從而揭示了信息不對稱的存在。

3. 1. 4 控制變量

控制變量（Controls）。借鑒王元彬等［5］、黃勃等［8］的處理方法，控制變量包括影響碳排放的諸多企業行為特因素：企業年限（ln age，取對數值）、營業收入增長率（growth）、財務杠桿（lev，總負債與總資產之比）、企業規模（ln size，員工人數取對數）、盈利能力（return，凈利潤 / 營業收入）、流動性（liq，流動資產 / 總資產）、現金流量（cashf，經營活動產生現金流量凈額 / 總資產）、董事會規模（ln board，董事人數取對數）、創新能力（patent，專利申請數加1的自然對數）、 研發投入（rdinv，研發支出 / 營業收入）、企業性質（soe，國有企業賦值1，其他為0）。

3. 2 數據樣本

初始數據集為2008—2022年所有A股上市公司，數據來自國泰安（CSMAR）數據庫，包括企業基本和財務信息等指標。企業碳排放量是通過上市公司披露的相關指標進行計算獲得。上市公司專利指標來自智慧芽全球專利檢索數據庫，計算核心解釋變量關鍵數字技術專利數量的相關變量。上述數據合并后獲得企業的年度基礎數據集一，共計24 592個觀測值。

為研究供應鏈數字化、融資約束等供應鏈的影響，構建上游供應商-標的企業-下游客戶的年度樣本。參考陶鋒等［11］的做法，將上市公司的標的企業與其上游供應商和下游客戶數據進行匹配，得到上游供應商-標的企業-下游客戶的12 378個觀測樣本。再將其與企業的年度基礎數據集一合并，得到上游供應商-標的企業-下游客戶的年度供應鏈數據集二，共18 645個樣本。

上述數據處理時，雖然匹配了上下游數據，存在一對多現象，但總體樣本量減少的原因是供應鏈企業中存在許多非上市的中小企業。因此，通過天眼查抓取了64 794條項目級融資信息，構建當年是否獲得融資的企業級虛擬變量，進一步對供應鏈上的中小企業進行匹配，得到11 461條上游供應商-標的企業-下游客戶的年度非上市企業樣本，作為年度供應鏈數據集三，用以衡量關鍵數字技術對供應鏈上的中小企業融資約束的影響。

3. 3 研究設計

首先，運用經典線性回歸模型檢驗關鍵數字技術對企業碳績效的影響。具體來說，針對內生性的問題，運用雙向固定效應模型檢驗基本結果，采用工具變量法緩解內生性擔憂、探索漸進一致的估計作穩健性檢驗。穩健性檢驗還包括進一步運用交錯DID模型的準自然實驗的方法，詳見后文。雙向固定效應模型如下：

其次，參考江艇［39］的做法，采用中間機制檢驗模型等方法進行檢驗和論證。

最后，參考王元彬等［5］的做法，基于基礎數據集一，采用機器學習-隨機森林模型計算關鍵數字技術對碳績效的動態影響。

4 實證結果與分析

4. 1 描述性統計

首先，將關鍵數字技術專利數量、企業碳績效指標和上市公司初始數據集進行匹配。其次，參考黃勃等［8］的處理方法對初始樣本進行了如下處理：剔除ST類公司樣本；剔除金融行業公司；剔除信息傳輸；軟件和信息技術服務業公司；剔除IPO未滿一年的公司樣本；剔除總資產小于總負債的樣本。最后，為了減輕極端值的影響，對主要變量進行了1%的縮尾處理。經過處理后，得到公司-年度的樣本觀測值共計24 592個，上游供應商-目標公司-下游客戶的年度數據集二的觀測值共計18 402個。表1展示了基礎數據集一主要變量的統計特征。

4. 2 基準模型結果

應用雙向固定效應模型論證假說H1，結果見表2。列（1）展示了模型（1）的結果，在控制了企業特征變量，企業、地區和時間固定效應后，關鍵數字技術專利申請量（kdp_a）代表的新質生產力每提高1個標準差，企業碳績效將顯著增加3. 85%個標準差。進一步替換核心解釋變量為關鍵數字技術專利授權量（kdp_g），作初步的穩健性檢驗，結果見列（2），核心解釋變量的系數更大，說明用企業獲得授權的有效專利數衡量其關鍵數字技術時，關鍵數字技術對企業碳績效提升的作用更顯著。列（3）展示了一般數字技術（dp_a）影響企業碳績效的結果，其系數雖然顯著，但是比關鍵數字技術的系數要小，說明關鍵數字技術對企業碳績效的正面影響邊際效應更強，假說H1初步得證。此外，列（4）展示了替換被解釋變量為碳排放量的回歸結果，發現關鍵數字技術對企業碳排放并未產生顯著影響，說明關鍵數字技術的創新重在提高碳利用效率而不是減少碳排放總量。最后，列（5）匯報了應用上游供應商-標的企業-下游客戶的年度產業鏈數據集二的結果，發現對整個供應鏈的碳績效提升并無顯著影響，這說明關鍵數字技術對整個供應鏈的溢出作用尚不明顯。

4. 3 穩健性檢驗

關鍵數字技術與一般數字技術的信息有一定重合，對企業碳績效的影響可能會產生遺漏變量的內生性問題。此外，關鍵數字技術包含7個專利類別，是一個綜合信息集，這容易高估其對碳績效的影響。因此，一方面采用外生政策沖擊造成的準自然實驗有效緩解內生性問題，另一方面進一步運用工具變量法進行漸近一致的估計。

4. 3. 1 5G和國家級大數據綜合試驗區試點政策的準自然實驗

5G作為下一代通信技術，為關鍵數字技術提供了必要的基礎設施支持。5G的高速度、低延遲和廣連接性能，使人工智能、物聯網、工業互聯網等技術得到更大范圍、更高效率的應用。因為5G政策是由省或市級政府外力引入的，且其實施過程與企業內部決策相對獨立，因此，5G政策的實施可以視作一項準自然實驗。

各省份以及地級市5G政策的相關信息來自北京大學法學院發布的北大法寶數據庫。參照Beck 等［40］、郭桂霞等［41］的做法，交錯DID的模型設定如下：

表3列（1）匯報了雙重差分的結果。其系數雖然要比基準模型結果大許多，但這并不是關鍵數字技術的邊際效果。而是說明，5G基礎設施建設較好，從而關鍵數字技術更強的地區，其碳績效的提升比其他地區更顯著。

同理，國家級大數據綜合試驗區試點政策（以下簡稱大數據試點政策）對試點城市的大數據產業產生相對外生的推動作用。大數據是區塊鏈和人工智能等新一代數字技術和金融科技的基礎，是大數據分析的基礎數據要素，對數據密集型的關鍵數字技術（如人工智能、區塊鏈等）的發展具有重要意義。因此，借鑒邱子迅等［42］的做法，將交錯DID項替換為大數據試點虛擬變量（bigdata），交錯DID回歸結果見表3的列（2），穩健性得到了進一步論證。

進一步進行平行趨勢檢驗。回歸模型如下：

圖2橫坐標以某地區5G政策開始實施為零點，以樣本區間跨度為窗口期，k 的取值范圍為［-9，5］，圖2中的虛線表示95%的置信區間，同樣采用了聚類到企業的穩健標準誤。由圖2（a）可知，處理組和控制組企業在5G政策實施前滿足平行趨勢假定，而在政策實施后，在實施5G政策的地區，政策效應從第3期開始表現顯著。另外，各期虛擬變量系數與交錯DID回歸系數差別較大的原因是將政策實施前所有系數求和取平均值作為基準（y=0），以消除事前的系統性差異。圖2（b）展示了大數據試點政策的處理組與控制組企業碳績效差異的動態變化，政策實施前滿足平行趨勢假定，政策實施后，實施大數據試點政策地區的企業碳績效顯著高于控制組。

4. 3. 2 交錯DID異質性處理效應檢驗

傳統雙向固定效應模型可能存在估計偏誤。在本研究中，當政策漸進實施時，還存在某個地區出臺多項政策的情形，表現為政策影響程度的異質性［43］。因此，采用轉換效應（switching effect）法對前一小節交錯DID可能存在的估計偏誤問題進行修正［44］。參考郭桂霞等［41］的做法，5G和大數據試點政策的轉換效應的動態變化分別如圖3（a）、圖3（b）所示，基期系數即為異質性穩健DID的估計系數，-5至-1期為在t-5至t-1時期實施安慰劑檢驗，通過了類似經典DID的平行趨勢檢驗。

4. 3. 3 工具變量法

由于大數據試點政策由政府推動，具有外生性，而且只通過關鍵數字技術影響碳排放，符合工具變量選取要求。因此，采用工具變量法進一步處理，結果見表4。表4顯示，結果均顯著為正，與基準回歸結果一致。此外，工具變量法還通過了Stock?Yogo的弱工具變量檢驗。

5 機制檢驗

5. 1 供應鏈深度數字化的機制檢驗

供應鏈深度數字化的假說H2是從深耕生產數字化的假說H2.1和深耕供應鏈數字化的假說H2.2進行論證。

首先，驗證假說H2.1。由于基礎數據集剔除了金融行業而以制造業為主，以制造業企業為研究對象，所以可以近似檢驗生產數字化的假說。因此，用一般數字技術創新（dp_a）替換核心解釋變量，代入基準模型（1）進行檢驗。結果見表5列（1），對比基準回歸結果表3列（1）可以發現，該系數小于關鍵數字技術創新（kdp_a）。進一步，設置數字技術是否為關鍵數字技術的虛擬變量（kdp），如果企業數字技術專利申請中包含關鍵數字經濟技術專利則賦值1，否則為0。在列（1）中再加入該虛擬變量（kdp）與一般數字技術創新（dp_a）的交互項，結果見列（2），發現關鍵數字技術對企業碳績效產生更強的正面影響。此外，關鍵數字技術創新有別于傳統互聯網數字經濟，其深耕企業的生產過程，不僅帶來生產過程自動化和柔性生產的改變，還通過供需端智能化帶來的產銷融合提升，使企業生產能夠得到及時調整，減少了能源浪費。因此，根據Ackerberg等［45］的做法，采用ACF估計修正的OP法計算企業全要素生產率（TFP）作為中間機制變量，檢驗結果見列（3）。替換核心解釋變量為數字經濟技術創新（dp_a），回歸結果見列（4），同樣發現了關鍵數字技術的企業碳績效的邊際效應顯著強于一般數字技術。假說H2.1得證。

其次，驗證假說H2.2。一要檢驗關鍵數字技術創新是否對整體供應鏈數字化產生有別于一般數字技術創新的顯著影響。運用供應鏈數字化示范試點政策的DID（digita）與數字技術是否為關鍵數字技術的虛擬變量（kdp）進行交互，在基準模型（1）基礎上構造三重差分模型（DDD）進行檢驗。參考張樹山等［46］和劉海建等［47］的做法，將商務部市場體系建設司公布的供應鏈創新與應用試點城市和試點企業名單（商建函〔2018〕654號）與上游供應商-標的企業-下游客戶的年度供應鏈數據集二進行合并，得到上市公司供應鏈數字化示范試點政策的DID（digita）項。供應鏈數字化示范試點政策的DID項有助于消除供應鏈數字化對碳績效的影響，DDD估計量則能反映關鍵數字技術有別于一般數字技術創新對供應鏈所有鏈上企業碳績效帶來的凈效應。結果見表6列（1），初步論證了關鍵數字技術創新具有更顯著的作用。二是從提高供應鏈響應效率、優化供需匹配、穩定供需關系和增加供應商創新4個方面進一步論證。采用上游供應商-標的企業-下游客戶的年度供應鏈數據集二。供應鏈效率指標參考Feng等［48］的研究，用上游供應商企業的庫存調整幅度來衡量供應鏈的響應效率（sce）。供應鏈優化供需匹配（match）指標基于供需波動偏離度進行衡量，穩定供需關系（relat） 由上游企業與客戶關系的持續時間來衡量，增加供應商創新則由上游供應商企業的發明專利申請量（innov）所衡量。由表6列（2）—列（5）可以看出，關鍵數字技術在這4個方面都具有更強的效應。深耕供應鏈數字化上述4個方面的作用都有助于減少因過度生產或庫存過剩導致的資源浪費，從而可以提升企業的碳績效。假說H2.2得證。

5. 2 深耕數字供應鏈金融的機制檢驗

為驗證假說H3，先對緩解供應鏈上企業的融資約束進行論證，再對緩解融資約束背后機理改善信息不對稱的機制進行論證。

首先，供應鏈的融資約束是指包括標的企業及其上、下游企業融資時所面臨的約束，基于供應鏈數據集二，采用KZ指數和SA指數（由于為負值，已取絕對值處理）進行分析。表7列（1）和列（2）分別展示了KZ指數為因變量，關鍵數字技術創新和一般數字技術創新為自變量的回歸結果。列（3）和（4）則是SA 指數為因變量的結果。以上結果均論證了一般數字技術創新對緩解制造業企業的融資約束沒有顯著影響，而關鍵數字技術卻顯著緩解了供應鏈上所有企業的融資約束。另外，運用上游供應商-標的企業-下游客戶的年度非上市企業數據集三，以當年鏈上企業是否獲得融資（financ，由于系數較小作了量綱處理）為因變量，結果見列（5）、列（6），發現關鍵數字技術也有助于改善供應鏈上中小企業的信息不對稱，緩解其融資約束。

其次，進一步論證緩解融資約束背后的原因。基于供應鏈數據集二，以代表資金供給方和企業之間信息不對稱綜合指標（asy）為因變量，關鍵數字技術創新和一般數字創新為自變量，回歸結果見表8。表8列（1）的結果表明，關鍵數字技術有助于改善供應鏈鏈上企業融資的信息不對稱程度。在此基礎上，結合表7的結果，發現只有關鍵數字技術才有助于實現供應鏈上中小企業融資的“脫核”效應。

5. 3 強化企業社會、環境責任的機制檢驗

參考張琦等［49］的做法，手工搜集了約6 500份重污染行業上市企業的年度報告，并從中提取了與環境治理和綠色生產相關的投資項目，加總計算綠色投資（green）數據，并除以期末總資產進行標準化處理。上市公司社會責任（csr）數據來自和訊網。環境、社會和公司治理（esg）數據來自華證ESG得分［50］。將上述數據與供應鏈數據集二匹配，結果見表9。表9表明，關鍵數字技術有利于企業綠色投資，促進了企業社會責任和環境、社會及治理的實踐。

6 進一步討論

6. 1 異質性分析

異質性分析圍繞信息不對稱程度的作用機制展開，這是深耕數字化所帶來的一個關鍵影響，是兩大新視角邏輯推理的共同基礎之一。參考葉永衛等［51］的做法，將數據集一以企業規模和抵押資產占比的中位數劃分為信息不對稱程度高、低兩個組別，考察關鍵數字技術是否有助于降低信息不對稱程度，結果見表10。結果發現，在企業規模和抵押資產占比低而信息不對稱程度較高的組別，關鍵數字技術更有利于企業碳績效的提升。

6. 2 機器學習模型的分析

運用機器學習模型對關鍵數字技術變量的重要性進行排序，通過動態分析的方式考察關鍵數字技術創新影響碳績效的真實偏函數形式，并對關鍵數字技術和一般數字技術的偏函數影響進行對比分析，進一步論證基本結論H1。根據預測準度選擇機器學習的模型，運用傳統OLS模型和機器學習方法的隨機森林模型、支持向量機和神經網絡的預測準確度進行比較（horse race）。其中，隨機森林模型包含500棵樹模型，每棵樹隨機考慮7個特征。支持向量機徑向基核函數設為高斯核。神經網絡模型的多層感知機設置兩個隱藏層，包含100和50個節點，采用Adam算法。隨機森林和神經網絡模型均采用固定隨機狀態，以保證每次運行得到一致的結果。如圖4所示，隨機森林模型的R2得分高達0. 954。因此，采用隨機森林模型進行訓練。

運用隨機森林模型考察關鍵數字技術以及碳績效其他影響因素的相對重要性，以該影響因素令殘差平方和的下降程度來衡量相對重要性。如圖5所示，關鍵數字技術作為新一代數字技術，在眾多影響碳績效因素中的位序相對靠后，但相對效應達到了相同數量級。其排序較低則是因為關鍵數字技術的影響部分被整體技術創新（patent）的作用所抵消，造成了一定程度上的低估。

圖6分別展示了企業碳績效對一般數字技術創新和關鍵數字技術創新的偏依賴（偏函數），橫坐標內部刻度表示了自變量1/10，2/10，…，9/10分位數。由于低分位數出現的頻率較高，第1條刻度線存在重合現象。因此，對于一般數字技術創新，大多數企業（1/10～9/10分位）發展一般數字技術創新對企業碳績效幾乎沒有影響，甚至產生負效應，在9/10分位數之后則表現為緩慢提升碳績效，因而總體上影響并不顯著。這與環境庫茲涅茨曲線的倒“U”形相一致。對于關鍵數字技術，在企業關鍵數字技術積累初期（0～6/10分位和1/10～4/10在0點重合），函數表現為持續下降，表明關鍵數字技術的創新投入較多，對碳績效的正面影響較小。而當關鍵數字技術達到6/10 之后，其對碳績效的影響在振蕩中緩慢上升，且未見有明顯收斂趨勢，且其提升碳績效的斜率比一般數字技術更大，這也說明關鍵數字技術對碳績效的提升作用比一般數字技術更強，并將發揮著愈發重要的作用，假說H1得到了進一步的加強論證。

7 結論與政策建議

本研究基于2008—2022年上市公司數據，并用天眼查抓取和匹配了供應鏈中小企業的數據集，采用雙向固定效應、5G和國家級大數據綜合試驗區試點政策的準自然實驗、工具變量法、機制檢驗和機器學習等模型，研究關鍵數字技術作為新質生產力的重要代表，對企業碳績效的影響及其作用機制。區別既有文獻考察一般數字技術創新、廣義的數字經濟對企業碳排放、碳績效的影響，本研究聚焦關鍵數字技術代表的新質生產力對碳績效的影響，并著重從供應鏈的深度數字化和數字供應鏈金融展開研究。主要結論包括以下內容。

（1）基準回歸發現，與一般數字技術創新相比，關鍵數字技術創新在碳排放減排總量方面的效果尚不顯著，在提升企業碳績效方面具有更顯著的邊際效應，但對整個供應鏈碳績效的提升效果也暫不明顯。以5G和國家級大數據綜合試驗區試點政策作為準自然實驗，運用交錯DID、異質性處理效應的交錯DID以及工具變量法的檢驗，該結論均展示出了良好的穩健性。用機器學習模型進行動態分析的發現吻合環境庫茲涅茨曲線假說，并再次論證了關鍵數字技術創新具有更強效能這一基本結論。碳績效各影響因素的重要性排序也驗證了關鍵數字技術作為新興因素對企業碳績效的提升發揮了更重要的作用。

（2）從供應鏈深度數字化的視角出發構建多維度指標進行了多角度的細致機制分析。結果發現，與一般數字技術創新相比，關鍵數字技術創新對供應鏈數字化的影響更顯著，主要表現為企業自身生產的深度數字化和供應鏈深度數字化兩個方面：關鍵數字技術→生產深度數字化→能源利用率更高→提升企業碳績效的邊際效應更強，以及關鍵數字技術→供應鏈深度數字化（提高供應鏈效率、優化供需匹配、穩定供需關系、增加供應商創新）→對企業自身碳績效的提升效果更明顯。

（3）從深耕數字供應鏈金融的視角展開多角度的分析。結果發現，區別于一般數字技術創新的作用不顯著，數字供應鏈金融對碳績效的影響表現為關鍵數字技術→改善產業鏈信息不對稱→緩解融資約束→對企業自身碳績效的提升效果更明顯。另外，首次為數字供應鏈金融的“脫核”作用提供了實證證據，即關鍵數字技術緩解了供應鏈上的中小企業融資約束，意味著對核心企業增信的依賴得到了“松綁”。異質性分析以企業規模和抵押資產占比的中位數劃分信息不對稱程度高、低兩個組別，進一步佐證了關鍵數字技術對企業信息不對稱的有效改善是企業碳績效得到更顯著提升的重要原因。

（4）供應鏈深度數字化和深耕數字供應鏈金融進一步強化了企業承擔社會、環境責任的行為。深耕數字供應鏈金融獲得的額外融資有助于企業增加綠色投資、CSR和ESG的實踐。此外，供應鏈的深度數字化也有利于篩選更合適的綠色投資項目，并對其進行風險與收益評價，進而增加綠色投資。深耕供應鏈數字化還有利于提高供應鏈管理效率，從而提高CSR和ESG的水平。

上述結論可能具有如下政策啟示。

（1）加快培育新質生產力，加強關鍵數字技術的研發和應用。新質生產力有明確的產業支撐，鑒于關鍵數字技術為代表的新質生產力有別于一般數字經濟產業，雖然在提升企業碳績效方面具有顯著的邊際效應，但是并未產生碳排放總量減排效應，說明新質生產力僅發揮了部分作用。關鍵數字技術對企業碳績效發揮作用符合環境庫茲涅茨曲線的倒“U”形假說，即關鍵數字技術需要經過深化和廣化，才會對企業碳績效產生提升效果，且其作用的發展趨勢未見收斂。因此，應瞄準前沿戰略科技，加大對關鍵數字技術，如人工智能、大數據、區塊鏈等的研發和應用支持，加快新質生產力的形成和發展。此外，應順應新時代下的創新規律，發揮好新型舉國體制的優勢，通過提供資金支持、稅收優惠、技術合作平臺等，整合和打通產學研的合作，以促進關鍵數字技術的創新和普及，從而形成完善的先進生產力質態。

（2）推動供應鏈的數字化轉型和升級。關鍵數字技術深耕供應鏈的數字化對自身及供應鏈效率的提升都產生了更顯著影響，但是提升整個供應鏈碳績效的溢出效應暫未顯現。因此，應重視支持那些能深耕挖掘供應鏈數字化潛力的技術、平臺、商業模式的研發和創新，如“供應鏈即服務”的數字化供應鏈新模式以及數字供應鏈孿生、邊緣計算等技術和新質生產力業態。這不僅將能改善企業自身的碳績效，也有助于提升整個供應鏈的環境表現。

（3）促進數字供應鏈金融的發展。當前數字供應鏈金融影響碳績效的實際經濟效應初顯，也同樣面臨改善供應鏈碳績效乃至碳排放總量碳減排效果暫不明顯的瓶頸。為進一步緩解中小企業的融資約束，應積極鼓勵銀行業等金融機構積極探索供應鏈“脫核”模式。當前可能的一大痛點是供應鏈融資的風險控制過度依賴核心企業。應鼓勵利用關鍵數字技術的創新和賦能，實現包括數字供應鏈的建設、整合和完善，推動供應鏈轉向依托信息和數據的信用評估體系，減輕供應鏈核心企業的信用負擔，同時也為鏈上中小企業融資可得性給予精準滴灌。這將加快形成金融新質業態，更好發揮金融資源的創新性配置。

參考文獻

［1］ 黃漢權. 深刻領悟發展新質生產力的核心要義和實踐要求［J］.求是，2024（11）：32-37.

［2］ 林毅夫，等. 新質生產力：中國創新發展的著力點與內在邏輯［M］. 北京：中信出版社，2024.

［3］ 楊珊珊，董鋒. 高質量發展背景下“雙碳”實現的邏輯與渠道：以發展新質生產力為視角［J］. 中國礦業大學學報（社會科學版），2024，26（4）：63-74.

［4］ 國家知識產權局辦公室. 國家知識產權局辦公室關于印發《關鍵數字技術專利分類體系（2023）》的通知［EB/OL］（. 2023-09-25）［2024-03-16］. https：//www. cnipa. gov. cn/art/2023/9/25/art_75_187769.html.

［5］ 王元彬，張堯，李計廣. 數字金融與碳排放：基于微觀數據和機器學習模型的研究［J］. 中國人口·資源與環境，2022，32（6）：1-11.

［6］ 戴魁早，黃姿，王思曼. 數字經濟促進了中國服務業結構升級嗎？［J］. 數量經濟技術經濟研究，2023，40（2）：90-112.

［7］ 陳貴富，韓靜，韓愷明. 城市數字經濟發展、技能偏向型技術進步與勞動力不充分就業［J］. 中國工業經濟，2022（8）：118-136.

［8］ 黃勃，李海彤，劉俊岐，等. 數字技術創新與中國企業高質量發展：來自企業數字專利的證據［J］. 經濟研究，2023，58（3）：97-115.

［9］ 楊剛強，王海森，范恒山，等. 數字經濟的碳減排效應：理論分析與經驗證據［J］. 中國工業經濟，2023（5）：80-98.

［10］ 王帥龍. 數字經濟之于城市碳排放：“加速器”抑或“減速帶”？［J］. 中國人口·資源與環境，2023，33（6）：11-22.

［11］ 陶鋒，王欣然，徐揚，等. 數字化轉型、產業鏈供應鏈韌性與企業生產率［J］. 中國工業經濟，2023（5）：118-136.

［12］ 郭峰，熊云軍. 中國數字普惠金融的測度及其影響研究：一個文獻綜述［J］. 金融評論，2021，13（6）：12-23.

［13］ 凌潤澤，李彬，潘愛玲，等. 供應鏈金融與企業債務期限選擇［J］. 經濟研究，2023，58（10）：93-113.

［14］ 許憲春，張美慧. 中國數字經濟規模測算研究：基于國際比較的視角［J］. 中國工業經濟，2020（5）：23-41.

［15］ FENG D F，SHEN Y，XIE X L，et al. Digital economy and carbon emission reduction：evidence from China［J］. China economic journal，2023，16（3）：272-301.

［16］ 韓文龍，張瑞生，趙峰. 新質生產力水平測算與中國經濟增長新動能［J］. 數量經濟技術經濟研究，2024，41（6）：5-25.

［17］ 裴長洪，倪江飛，李越. 數字經濟的政治經濟學分析［J］. 財貿經濟，2018，39（9）：5-22.

［18］ 謝云飛. 數字經濟對區域碳排放強度的影響效應及作用機制［J］. 當代經濟管理，2022，44（2）：68-78.

［19］ 韓先鋒，宋文飛，李勃昕. 互聯網能成為中國區域創新效率提升的新動能嗎［J］. 中國工業經濟，2019（7）：119-136.

［20］ 李曉鐘，陳涵樂，張小蒂. 信息產業與制造業融合的績效研究：基于浙江省的數據［J］. 中國軟科學，2017（1）：22-30.

［21］ 韓峰，姜竹青. 集聚網絡視角下企業數字化的生產率提升效應研究［J］. 管理世界，2023，39（11）：54-77.

［22］ 黃賾琳，蔣鵬程. 數字低碳之路：工業機器人與城市工業碳排放［J］. 財經研究，2023，49（10）：34-48.

［23］ CULLEN Z，FARRONATO C. Outsourcing tasks online：matching supply and demand on peer?to?peer internet platforms［J］. Management science，2021，67（7）：3985-4003.

［24］ 楊汝岱，李艷，孟珊珊. 企業數字化發展、全要素生產率與產業鏈溢出效應［J］. 經濟研究，2023，58（11）：44-61.

［25］ 宋華，韓夢瑋，胡雪芹. 供應鏈金融如何促進供應鏈低碳發展：基于國網英大的創新實踐［J］. 管理世界，2023，39（5）：93-112.

［26］ BERG T，BURG V，GOMBOVI? A，et al. On the rise of FinTechs：credit scoring using digital footprints［J］. Review of financial studies，2020，33（7）：2845-2897.

［27］ BARROT J N，NANDA R. The employment effects of faster payment：evidence from the federal quickpay reform［J］. Journal of finance，2020，75（6）：3139-3173.

［28］ 斯麗娟，曹昊煜. 綠色信貸政策能夠改善企業環境社會責任嗎：基于外部約束和內部關注的視角［J］. 中國工業經濟，2022（4）：137-155.

［29］ TAO Y Q，WANG D J，YE Y W，et al.The role of public environmental concern on corporate social responsibility：evidence from search index of web users［J］.Energy economics，2023，126：107041.

［30］ 權小鋒，李闖. 智能制造與成本粘性：來自中國智能制造示范項目的準自然實驗［J］. 經濟研究，2022，57（4）：68-84.

［31］ 楊善林，王建民，侍樂媛，等. 新一代信息技術環境下高端裝備智能制造工程管理理論與方法［J］. 管理世界，2023，39（1）：177-190.

［32］ 鄧慧慧，曾慶閣，趙曉坤. 制造業企業數字化轉型、外部壓力與碳績效［J］. 浙江社會科學，2023（10）：36-48.

［33］ 王浩，劉敬哲，張麗宏. 碳排放與資產定價：來自中國上市公司的證據［J］. 經濟學報，2022，9（2）：28-75.

［34］ OLDEN A，M?EN J. The triple difference estimator［J］. Econometrics journal，2022，25（3）：531-553.

［35］ 楊志強，唐松，李增泉. 資本市場信息披露、關系型合約與供需 長鞭效應：基于供應鏈信息外溢的經驗證據［J］. 管理世界，2020，36（7）：89-105.

［36］ 鞠曉生，盧荻，虞義華. 融資約束、營運資本管理與企業創新可持續性［J］. 經濟研究，2013，48（1）：4-16.

［37］ 解維敏，方紅星. 金融發展、融資約束與企業研發投入［J］. 金融研究，2011（5）：171-183.

［38］ 張學勇，陳然，魏旭. 承銷商與重返IPO表現：基于信息不對稱的視角［J］. 經濟研究，2020，55（1）：164-180.

［39］ 江艇. 因果推斷經驗研究中的中介效應與調節效應［J］. 中國工業經濟，2022（5）：100-120.

［40］ BECK T，LEVINE R，LEVKOV A.Big bad banks：the winners and losers from bank deregulation in the United States［J］. Journal of finance，2010，65（5）：1637-1667.

［41］ 郭桂霞，張堯. 風險自留能抑制信用風險承擔嗎：基于中國商業銀行信貸資產證券化數據的實證研究［J］. 國際金融研究，2022（12）：46-56.

［42］ 邱子迅，周亞虹. 數字經濟發展與地區全要素生產率：基于國家級大數據綜合試驗區的分析［J］. 財經研究，2021，47（7）：4-17.

［43］ GOODMAN?BACON A.Difference?in?differences with variation in treatment timing［J］. Journal of econometrics，2021，225（2）：254-277.

［44］ DE CHAISEMARTIN C，D'HAULTFCEUILLE X. Two?way fixed effects estimators with heterogeneous treatment effects［J］. American economic review，2020，110（9）：2964-2996.

［45］ ACKERBERG D A，CAVES K，FRAZER G. Identification properties of recent production function estimators［J］. Econometrica，2015，83（6）：2411-2451.

［46］ 張樹山，胡化廣，孫磊，等. 供應鏈數字化與供應鏈安全穩定：一項準自然實驗［J］. 中國軟科學，2021（12）：21-30.

［47］ 劉海建，胡化廣，張樹山，等. 供應鏈數字化與企業績效：機制與經驗證據［J］. 經濟管理，2023，45（5）：78-98.

［48］ FENG M，LI C，MCVAY S E，et al.Does ineffective internal control over financial reporting affect a firm's operations： evidence from firms' inventory management［J］.Accounting review，2015，90（2）：529-557.

［49］ 張琦，鄭瑤，孔東民. 地區環境治理壓力、高管經歷與企業環保投資：一項基于《環境空氣質量標準（2012）》的準自然實驗［J］.經濟研究，2019，54（6）：183-198.

［50］ 方先明，胡丁. 企業ESG表現與創新：來自A股上市公司的證據［J］. 經濟研究，2023，58（2）：91-106.

［51］ 葉永衛，陶云清，李鑫. 數字基礎設施建設與企業投融資期限錯配改善［J］. 經濟評論，2023（4）：123-137.

（責任編輯：王愛萍）