企業數字化轉型與產能過剩

摘 要 數字技術的發展為提升企業生產效率與生產管理水平提供了可能。在此背景下，本文考察企業能否借數字化轉型緩解當前較為嚴峻的產能過剩問題?；谖覈鳤 股非金融業上市公司的樣本，本文發現：第一，企業數字化轉型會顯著降低企業的產能過剩程度，該結果在更換替代性測度及使用工具變量回歸后，仍然穩健。第二，機制分析顯示，企業數字化轉型通過降低信息不對稱程度以及提升公司治理水平對產能過剩產生影響。第三，企業數字化轉型對產能過剩的影響存在異質性，該作用主要集中在市場競爭程度較低、資本密集度較高以及企業業績波動較大的樣本中。上述結果有利于形成推動我國數字化發展的針對性政策，對緩解我國產能過剩問題提供了一定的借鑒。

關鍵詞 企業數字化轉型;產能過剩;信息不對稱;公司治理

0 引言

黨的十九大報告指出，“供給側結構性改革深入推進，經濟結構不斷優化，數字經濟①等新興產業蓬勃發展”?！?022 年國務院政府工作報告》提出了加強數字中國建設整體布局、促進數字經濟發展和產業數字化轉型、創新發展數字貿易等一系列數字經濟發展的目標?！吨袊鴶底纸洕l展白皮書（2020 年）》顯示，我國數字經濟總體規模占GDP 的比重持續增長，自2011 年至2019 年，該比例從20. 3%增長至36. 2%。由此可見，數字化成為了新時代中推動經濟增長的重要力量，數字化作為關鍵生產要素逐漸融入實體產業中，給企業高質量發展和提高競爭優勢帶來了巨大的紅利。

與此同時，產能過剩始終是制約資源有效利用的絆腳石。產能作為企業的關鍵資產，在市場中發揮著重要作用，被認為是至關重要的競爭工具（ Wanget al. ， 2016）。然而，中國目前各行業普遍存在產能過剩的現實問題（潘越等，2020）。產能過剩對企業的經營和發展產生了直接影響。例如，Aretz and Pope（2018）研究發現，在不同的經濟狀態下，產能過剩均與股票回報呈顯著負相關。由此可見，識別產能過剩的影響因素，并由此找出解決路徑成為了亟待解決的重要難題。

數字化從根本上改變了企業的業務架構，從而創造價值（ Correani et al. ，2020）。尚無學者探究企業數字化轉型對產能過剩的影響。一方面，數字化轉型能有效緩解信息不對稱問題（Duarte et al. ， 2012;Demertzis et al. ， 2018;Skitiet al. ， 2022），以此更好地應對市場變化對產能的影響。另一方面，數字化會從多維度提升公司治理水平（陳德球和胡晴，2022），公司治理水平又會影響企業的過度投資（Wu and Wang， 2005）和信息不對稱程度（Cormier et al. ， 2010; 周宏等，2018），由此影響產能過剩。

本文以2004—2020 年A 股非金融業上市公司為樣本，采用Aretz and Pope（2018）方法計算產能過剩指標，基于管理層報告或年度報告，統計包含企業數字化轉型的關鍵詞詞匯數或句子數，據此計算企業數字化轉型指標。研究發現，企業數字化轉型能夠顯著緩解產能過剩，該結果在一系列穩健性檢驗后仍然成立。

基于理論分析，本文檢驗了企業數字化轉型影響產能過剩的機制。中介效應分析發現，企業數字化轉型通過緩解信息不對稱程度以及提升公司治理水平，從而降低企業的產能過剩。

為探究企業數字化轉型對產能過剩的異質性影響，本文進行了如下橫截面分析：首先，考慮到市場對產能的影響（ Spulber， 1981;Wang et al. ， 2016;Galet al. ， 2017），本文采用了市場競爭程度做橫截面分析，發現企業數字化轉型對產能過剩的影響在市場競爭程度低的樣本中更顯著。其次，企業的產能利用率與其資本密集度有一定的關系（ 黃先海等，2015;方森輝和毛其淋，2021），故本文依據資本密集度的大小分組回歸，發現在資本密集度高的企業中，企業數字化轉型對產能過剩的影響更顯著。再者，數字化轉型能增強企業對未來產品市場的預測性和反應性決策（Ivanov and Dolgui， 2021），從而實現資源與風險的匹配。據此，本文發現，在經營業績風險較高的企業中，數字化轉型對產能過剩的影響更為顯著。

與已有研究相比，本文可能的貢獻是：第一，擴寬了企業數字化轉型經濟后果的研究。已有研究主要集中在企業數字化轉型的形式及影響因素（Westerman et al. ， 2014;Furr and Shipilov， 2019），但對企業數字化轉型經濟后果的研究仍有限。已有研究發現，企業數字化轉型能幫助企業拓展市場并增加價值（H?nninen and Smedlund， 2021），并產生改變消費者行為的溢出作用（Diazet al. ， 2022）。然而，尚無研究關注企業數字化轉型對產能過剩這一現實問題的影響。本文發現企業數字化轉型會通過緩解信息不對稱以及提升公司治理水平降低產能過剩，本文的研究加深了企業數字化轉型對產能過剩產生影響的理解。本文證實了新形勢下數字化發展的新機遇，強化了促進企業數字化轉型的理論支撐。

第二，增加了對企業產能過剩影響因素的研究。以往的研究更多地從宏觀和中觀層面探究影響產能過剩的因素，諸如財政政策擴張與預防性監管能有效緩解產能過剩（郭長林，2016;李曉溪和饒品貴，2022）。王彥超和蔣亞含（2020）發現《反壟斷法》通過矯正市場機制，可以促進“去產能” 的實現。然而，少有文獻從企業微觀行為變化探究影響產能過剩的因素，而企業微觀行為對其自身產能變化的影響更不容忽視。本文發現，企業的數字化轉型會顯著降低其產能過剩，且該影響主要集中于市場競爭程度較低、資本密集度較高以及經營業績風險較大的企業中。我們的發現豐富了企業微觀行為對產能過剩影響的研究，也明確了企業數字化轉型對產能過剩產生影響的主體，利于出臺更具針對性的相關政策。

第三，研究選題具有一定的新意。《2019 年國務院政府工作報告》在深化供給側結構性改革方面提出，推進鋼鐵、煤炭行業市場化去產能，全面推進“ 互聯網+”，運用新技術新模式改造傳統產業。可見，企業數字化轉型已成為緩解產能過剩的重要方式，但尚無關于企業數字化轉型影響產能過剩的實證研究。本文立足社會現實，將企業數字化轉型的研究與產能過剩的研究相聯系，填補了企業數字化轉型與產能過剩這一研究空白，利于進一步補充和明確當下深化供給側結構性改革的方式。

總結來看，本文在既有研究的基礎上發現了企業數字化轉型對產能過剩的影響，豐富了數字化和產能過剩的研究并加深了對這兩者關系的理解，也為出臺推動數字經濟發展、化解產能過剩問題的相關政策提供了新視角。

本文剩余的結構安排如下：第1 部分為理論分析，第2 部分為數據來源和變量定義，第3 部分為實證分析，第4 部分為研究結論與政策啟示。

1 理論分析

產能過剩是指企業的實際產出小于其最優規模，使得平均成本沒有到達最低的產出水平（ 國務院發展研究中心《進一步化解產能過剩的政策研究》，2015）。目前，中國各個行業普遍存在產能過剩的現實問題（潘越等，2020）。根據2013 年《國務院關于化解產能嚴重過剩矛盾的指導意見》，鋼鐵、水泥、電解鋁、平板玻璃、船舶是政府認定的產能典型過剩行業（范林凱等，2015）。除此之外，食品及煙草等化學工業的產能過剩問題非常嚴重（Song et al. ， 2016）。自20 世紀90 年代以來，中國先后共經歷了三次大規模的產能過剩：第一次為1998 年至2001 年;第二次為2003 年至2006 年;第三次產能過剩則起始于2009年（方森輝和毛其淋，2021）。王文甫等（2014） 認為，這三次產能過剩分別屬于周期性產能過剩、非周期性產能過剩、周期性與非周期性產能過剩并存。周期性產能過剩主要歸因于經濟波動所引發的外部需求不足，但在市場較為繁榮時期出現的非周期性產能過剩，卻難以解釋（包群等，2017）?？梢姡写M一步挖掘產能過剩的影響因素，以降低產能過剩，提升資源的有效配置。

如今，數字化轉型賦予了企業新的發展動能（ 吳非等，2021）。企業數字化轉型主要包括三個方面，分別為收集信息、處理數據和輔助決策（ Wu et al. ，2020）。企業數字化轉型滲透在企業的各個層面，在緩解信息不對稱程度以及強化公司治理水平中發揮著重要作用。具體而言，本文認為，企業數字化轉型對于產能過剩產生影響的可能傳導機制如下：

一方面，數字化轉型能有效緩解信息不對稱問題（ Duarte et al. ， 2012;Demertzis et al. ， 2018;Skiti et al. ， 2022）。企業采用數字化中的人工智能及機器學習等技術，增加了與客戶及合作伙伴的交互（Kannan and Li， 2017），與內外部客戶和合作伙伴建立了更多聯系（ Furr and Shipilov， 2019; Kolb et al. ，2020），從而獲取營銷互動中的非結構化數據（Shankar and Parsana， 2022）。分析交互中獲取的信息， 企業能夠為客戶提供個性化服務（ Schweidel et al. ，2022），改變消費者的行為（Diaz et al. ， 2022），有效降低因信息獲取、協調溝通等帶來的外部交易成本（ Malone et al. ， 1987;施炳展和李建桐，2020;袁淳等，2021）。信息不對稱是產能過剩的一大成因。企業的產能情況會明顯地受到市場的影響（ Wang et al. ， 2016;馬紅旗等，2018），既受到需求隨機波動的影響（Spulber， 1981; 孫焱林和溫湖煒，2017），也受到競爭性市場中原料成本的影響（Levin et al. ， 1985;Gal et al. ， 2017）。企業通過數字化轉型，減少了買賣雙方之間的信息不對稱（ Skiti et al. ， 2022） ，故能更好地應對市場的變化，從而降低產能過剩。因此，企業數字化轉型會緩解信息不對稱程度，從而降低產能過剩。

另一方面，已有研究表明，企業數字化轉型可以顯著提升企業的公司治理水平。陳德球和胡晴（2022）指出，數字化會提升股東治理、董事會治理、管理層治理等多維度的公司治理水平，例如，云會議、區塊鏈等數字技術使中小股東社群通過網絡、手機等方式隨時隨地參與公司治理成為可能，在一定程度上提高了股東治理水平。企業數字化轉型提升了企業的內部組織管理（Malone et al. ，1987; Goldfarb and Tucker，2019），有助于企業提升協調能力，改善監督效率（Brynjolfsson and McElheran， 2016）。劉政等（2020）研究發現，企業數字化削弱高管權力、增強基層權力、誘使組織向下賦權，即數字化通過提升組織信息成本和削減組織代理成本的綜合效應，促進了企業分權變革。那么，當公司治理水平提高時，我們預期企業產能過剩程度將會下降，這可能有如下兩個的原因。第一個原因，郝穎和劉星（2009） 指出，大股東通過固定資產投資攫取控制權私利（Demsetz and Lehn， 1985; Shleifer and Vishny， 1997），從而引發企業的過度投資（Wu and Wang， 2005）。而過度投資會導致供給和需求的不平衡，從而加重企業產能過剩的程度（ 王文甫等，2014;王彥超和蔣亞含，2020）。第二個原因，良好的公司治理能有效緩解信息不對稱（ Cormier et al. ， 2010; 周宏等，2018）。由于企業的產能會明顯地受到市場的影響（Wang et al. ， 2016; 馬紅旗等，2018），包括需求波動和原材料成本的影響（ Spulber， 1981; Levin et al. ，1985; Gal et al. ， 2017; 孫焱林和溫湖煒，2017），因此買賣雙方間的信息不對稱是產能過剩的成因之一。由上述分析可知，過度投資和信息不對稱也是影響企業產能過剩的因素?；谏鲜龇治?，企業數字化轉型會通過提升公司治理水平來緩解產能過剩。

2 數據來源與變量定義

2.1 數據來源

本文選取2004—2020 年中國非金融A 股上市公司為研究樣本。計算企業數字化轉型數據所需的年度報告及其中的管理層報告下載自巨潮資訊網，橫截面分析中所用的樊綱市場化指數來自于Wind 數據庫，其他數據均從國泰安CSMAR 數據庫中下載。為減少異常值影響，本文剔除了ST 的公司，并對所有連續變量進行1%和99%水平上的縮尾處理，并在所有回歸中采用聚類在公司層面的標準誤。

2.2 變量定義

2.2.1 企業數字化轉型程度

企業數字化轉型的確切含義及計算方式暫無統一定論，本文通過如下兩步測算企業數字化轉型程度的指標。

第一步，構建企業數字化關鍵詞列表。首先，本文依據國務院以及工業和信息化部門印發的數字化相關的國家政策語義表述①，并結合企業數字化相關的經典文獻（劉洋等，2020;陳冬梅等，2020;陳劍等，2020;陳曉紅等，2022），構建公認程度較高的企業數字化關鍵詞基礎列表。該企業數字化基礎列表的關鍵詞包括：數字化、互聯網、Internet、物聯網、人工智能、大數據、云計算、區塊鏈、財務共享、云技術、5G 通信、數字經濟。接著，為更全面地探究數字化轉型給企業帶來的影響，本文借助維基百科的詞向量模型，對企業數字化關鍵詞基礎列表進行了拓展，最終確定137 個數字化關鍵詞②。

第二步，對年報相關語段進行文本分析，并基于統計得到的企業數字化詞匯數和句子數，構建企業數字化轉型的變量。本文分別對管理層報告部分及年報進行了文本分析，統計文本中出現企業數字化關鍵詞的詞匯數和句子數。此類數據具有“右偏性”特征（吳非等，2021），故本文將統計得到的詞匯數和句子數進行對數化處理?；谖谋緛碓矗ü芾韺訄蟾娌糠只蚰陥螅┘瓣P鍵詞統計方式（詞匯數或句子數），本文構建了不同的企業數字化轉型變量，各變量的定義詳見表1。

為減少反向因果的內生性問題，自變量和控制變量相較于自變量均滯后一期。

2.2.2 產能過剩

孔東民等（2021）指出，Aretz and Pope （2018） 提出的方法在如今計算產能過剩的方法中具有一定的優勢，該方法在影響產能的可能因素上考慮較為周全，且能捕獲公司層面和行業層面產能的時間序列和橫截面變化。Aretz andPope （2018）提出的方法是基于產能過剩非負的前提①，通過隨機前沿模型將已安裝生產能力分解為最優產能項和產能過剩項，根據實物期權模型計算企業的最優產能，將現有產能減去最優產能得到產能過剩。其中，在實物期權模型中，最優產能被指定為銷售（過去四個季度平均營業收入的自然對數）、運營（ 過去四個季度平均營業成本的自然對數） 和非運營成本（過去四個季度平均銷售費用與管理費用的自然對數）、收益波動率、系統風險（流通市值加權的beta）和無風險回報率（ 無風險利率季度化）、行業固定效應等函數。Aretz and Pope（2018）提出計算產能過剩方法的其他細節可詳見Aretz 的個人網站（ https： / /www. kevin-aretz. com/ data）。

2.2.3 控制變量

為減少遺漏變量偏差，基于研究主題，本文加入了如表1 所示的控制變量，包括營業收入增長率、固定資產周轉率、凈資產收益率、企業規模、行業虧損、企業年齡、杠桿?；貧w中，控制變量均滯后一期。盈虧平衡對企業生產經營有著重要的信號意義，故本文加入了企業虧損Lloss 這一控制變量。考慮到營業利潤相較于其他的利潤（如凈利潤），與企業產能的聯系更為純粹和密切。故本文定義營業利潤為負時Lloss 為1，其余情況下Lloss 為0。文本還控制了公司個體固定效應和年度固定效應，在穩健性檢驗中嘗試控制了行業固定效應和年度固定效應。

3 實證分析

3.1 描述性統計

表2 依次報告了表1 中介紹的各變量的描述性統計值，包括自變量、因變量及控制變量的觀測值、均值、標準差、最小值及最大值。其中，主回歸中的自變量LDig_log 及因變量overcap 的均值分別為0. 924 和0. 372。

3.2 主回歸

首先，本文基于全樣本，探究企業數字化轉型程度對產能過剩的影響。本文依據上述的變量定義，計算出企業數字化轉型程度和產能過剩的相關指標，并進行如下模型（1）的回歸：

overcapi，t = α + β1Digi，t -1 + β2controlsi，t -1 + fixed effects + εi，t （1）

這里，overcapi，t 是指公司i 在年度t 的產能過剩程度，Digi，y-1 表示相較于因變量滯后一期（即滯后一年）的數字化轉型程度，controlsi，y-1 表示滯后一期的控制變量，fixed effects 表示所控制的各類固定效應。隨著信息時代的發展，無形資產在企業產能中發揮著舉足輕重的作用，故本文主要采用固定資產和無形資產作為現有產能，記為overcap。在穩健性檢驗中，本文還采用了僅基于固定資產為現有產能計算所得的產能過剩替代性指標。考慮到上市公司通常在管理層報告部分對公司的業務情況、發展規劃等進行描述和披露（ 林樂和謝德仁，2016;袁淳等，2021）。在主回歸中，企業數字化轉型變量LDig_log 采用管理報告MDandA 中包含企業數字化關鍵詞的句子數加一取對數來度量，并在穩健性檢驗中采用其他企業數字化變量。

表3 呈現的是主回歸結果，自變量均為滯后一期的企業數字化轉型程度LDig_log，因變量均為產能過剩overcap。在表3 第（1）列，匯報了在控制公司個體固定效應和年度固定效應下，不含控制變量時，企業數字化轉型程度對產能過剩的影響。結果顯示，企業數字化轉型LDig_log 在1%水平上顯著為負，表明企業數字化轉型會顯著降低其產能過剩。表3 第（2） 列在第（1） 列涉及的模型基礎上，加入了控制變量，企業數字化轉型變量仍在1%水平上顯著，估計系數為-0. 003，印證了企業數字化轉型對改善產能過剩問題的作用。

表3 第（3）列和第（4）列，將公司個體固定效應替換成了行業固定效應，仍控制年度固定效應。其中，行業劃分參考黃梅和夏新平（2009），制造業保留2位代碼（如C1），其他行業保留1 位代碼（如A）。由表3 列（3）中的結果可知，企業數字化轉型變量LDig_log 仍在1%水平上顯著，估計系數為-0. 026。對比在控制公司和年度固定效應下得到的數字化轉型的回歸系數（-0. 007 和-0. 003），控制行業和年度固定效應時的相應系數值的絕對值更大。出于謹慎性考慮，本文主要采用控制更為微觀的固定效應，即控制公司個體和年度固定效應。表3 列（4）在列（3）的基礎上加入了控制變量，得到的數字化轉型變量仍在1%水平上為負。綜合表3 各列呈現的結果可知，企業數字化轉型對降低產能過剩有著非常顯著的作用。

3.3 穩健性檢驗

為了保證結果的穩健性，本文通過更換因變量及自變量的測度、縮小樣本至產能過剩較為突出的制造業，以及使用工具變量進行穩健性檢驗，具體結果呈現在表4 和表5 中。

本文替換了因變量?？紤]到固定資產是大部分公司的主要產能來源，故僅以固定資產為現有產能，計算得到產能過剩替代性指標overcap_rpl，替換主回歸的因變量overcap，重復回歸模型（1）。表4 列（1） 報告了相關結果。結果與表3 主回歸的結果一致，可見在更換因變量的情形下，本文的研究結果是穩健的。

為探究企業個體相較于其所屬行業的超額數字化轉型程度對其產能過剩的影響，本文計算了超額企業數字化轉型程度指標LDig1_abn，即企業數字化轉型LDig_log 減去其所屬行業當年相應的平均數字化轉型程度，并滯后一期。重復回歸模型（1）得到的結果如表4 列（2） 所示，變量LDig1_abn 在1%水平上顯著，估計系數為-0. 006，這印證了本文的結論。

考慮到已有文獻對企業數字化轉型的計算方式不盡相同，本文計算了不同的企業數字化轉型測度， 替換主回歸中的自變量。本文基于管理層報告MDandA 部分，統計企業數字化轉型程度的關鍵詞數量，計算得到企業數字化轉型程度替代性指標LDig2_wrd。將主回歸中的自變量替換為LDig2_wrd 后，得到的結果如表4 列（3）所示。本文還基于公司的年度報告，統計所含企業數字化轉型程度關鍵詞的句子數，計算得到的數字化轉型替代性指標LDig3_rpt，重復回歸模型（1），結果呈現在表4 列（4） 中。近期，國泰安數據庫CSMAR 增加了企業數字化轉型的數據，但該數據的樣本期間較短，起始時間為2007 年。為了保證結果的穩健性，本文加總CSMAR 數據庫中各維度的數字化轉型關鍵詞數，加一取對數并滯后一期，得到數字化轉型替代性指標LDig4_csm，并以此為自變量重復模型（1），得到的回歸結果如表4 列（5） 所示。如表4 列（3） ～ （5）所示，在替換企業數字化轉型程度的測度后，得到的結果與上述穩健性檢驗結果一致。

制造業企業的產能過剩問題較為突出（ 國務院發展研究中心《進一步化解產能過剩的政策研究》，2015;范林凱等，2019） ，故本文將樣本縮小到制造業企業，重復模型（1） 進行回歸，結果呈現在表4 第（6） 列。這里的企業數字化轉型LDig_log 的估計系數為-0. 005，在1%水平上顯著，這與主回歸的結果一致。

本文已通過將自變量和控制變量滯后一期，緩解了反向因果問題;通過加入一系列控制變量并控制公司個體固定效應及年度固定效應，緩解了遺漏變量偏差。為進一步緩解內生性問題，本文采用了工具變量法。

參考黃群慧等（2019）、趙濤等（2020）和袁淳等（2021），本文將全國互聯網上網人數（單位為億人）分別與1984 年各地級市每萬人固定電話數量的交乘項作為企業數字化轉型的工具變量。類似地，工具變量作為企業數字化轉型的替代性指標，也相較于因變量產能過剩overcap 滯后一期，記為Liv_Tel。一方面，互聯網技術的發展應該是從固定電話普及開始的，這樣歷史上固定電話普及率較高的地區也極有可能是互聯網普及率較高的地區（黃群慧等，2019）。另一方面，固定電話等傳統電信工具對經濟發展的影響隨著使用頻率下降而逐漸式微，滿足排他性（趙濤等，2020）。

表5 列（1）為工具變量對企業數字化轉型回歸的結果①，工具變量Liv_Tel在1%水平上顯著，估計系數為0. 016。由此可知，工具變量Liv_Tel 與企業數字化轉型程度LDig_log 存在顯著的相關性。Kleibergen-Paap rk 的Wald F 統計量遠大于Stock-Yogo 弱識別檢驗10%水平上的臨界值，拒絕弱工具變量的原假設。據此，本文選取的工具變量具有一定的合理性。表5 列（2） 報告的是工具變量法第二階段的回歸結果，此時企業數字化轉型程度LDig_log 在1%水平上顯著為負，這與本文的主要結論相一致，即企業數字化轉型會降低產能過剩。

3.4 機制分析

基于理論分析，本文將從信息不對稱以及公司治理展開機制的探究。

3.4.1 企業數字化轉型、信息不對稱與產能過剩

數字化轉型能有效緩解信息不對稱問題（ Duarte et al. ， 2012;Demertziset al. ， 2018;Skiti et al. ， 2022），降低因信息獲取、協調溝通等帶來的外部交易成本（Malone et al. ， 1987;施炳展和李建桐，2020;袁淳等，2021）。企業的產能情況會明顯地受到市場的影響（ Wang et al. ， 2016;馬紅旗等，2018），故信息不對稱是產能過剩的一大成因。因此，本文預計，企業數字化轉型會通過緩解信息不對稱，幫助企業更好地應對市場變化，從而降低產能過剩。為驗證這一猜想，本文將通過如下模型（2）和模型（3）進行檢驗：

asymmetrici，t -1 = α + β1digi，t -1 + β2controlsi，t -1 + fixed effects + εi，t （2）

overcapi，t = α + β1digi，t -1 + β2asymmetrici，t -1 + β3controlsi，t -1 +fixed effects + εi，t （3）

其中，asymmetrici，t-1 表示滯后一期的企業信息不對稱程度。企業數字化轉型后，更容易釋放出標準化、結構化特征的信息，更容易被外界識別，由此提高了分析師關注度（ 吳非等，2021），從而有效緩解信息不對稱（ Chen et al. ， 2015;陳欽源等，2017;楊國超和張李娜，2021）。故本文選取分析師關注程度來衡量信息不對稱程度，分析師關注程度越高說明企業的信息不對稱程度越低。在衡量分析師關注度時，本文同時采取分析師跟蹤人數與分析師報告數量作為測度。具體而言，本文將企業i 在上一年度（t-1） 內被多少分析師（ 團隊） 關注的數量加一取對數， 計算得到衡量企業信息不對稱程度的第一個變量， 記為Lasymanalyst。此外，本文還計算了企業i 在上一年度（ t-1） 內被研報跟蹤分析的份數加一取對數，計算得到第二個衡量企業信息不對稱程度的變量，記為Lasymresearch。其余變量定義與主回歸的模型（1）保持一致。

表6 列（1）呈現的是依據模型（2），企業的信息不對稱Lasymanalyst 對數字化轉型回歸得到的結果，我們關注的數字化轉型變量LDig_log 在1%水平上顯著為正，估計系數為0. 392，說明企業數字化轉型會顯著吸引更多分析師（ 團隊）關注相關企業。表6 列（2）是采用Lasymanalyst 衡量信息不對稱，依據模型（3）回歸得到的結果，信息不對稱變量Lasymanalyst 在1%水平上顯著為負，估計系數為-0. 063，說明增加分析師（團隊） 對企業的關注，即企業的信息不對稱程度降低，會顯著降低產能過剩。表6 列（3）和列（4）則是采用研報跟蹤分析的數量Lasymresearch 衡量企業的信息不對稱程度。其中，表6 列（3）是回歸模型（2）得到的結果，我們一直關注的變量LDig_log 在1%水平上顯著為正，這與表6列（1）呈現的結果相一致。表6 列（4） 是基于模型（3） 回歸得到的結果，與表6列（2）結果類似，信息不對稱變量Lasymresearch 在1%水平上顯著為負，說明研報跟蹤分析數量的增加，即企業信息不對稱程度的降低，會顯著降低企業的產能過剩。

基于上述分析，本文的假設得以印證，即企業的數字化轉型會緩解信息不對稱程度，進而降低產能過剩。

3.4.2 企業數字化轉型、公司治理與產能過剩

數字化會提升企業的公司治理水平，包括股東治理、董事會治理和管理層治理等（陳德球和胡晴，2022）。一方面，郝穎和劉星（2009）指出，大股東通過固定資產投資攫取控制權私利（ Demsetz and Lehn， 1985; Shleifer and Vishny，1997），從而引發企業的過度投資（Wu and Wang， 2005），而過度投資會加重企業產能過剩的程度（王文甫等，2014;王彥超和蔣亞含，2020）。另一方面，良好的公司治理能有效緩解信息不對稱（Cormier et al. ， 2010; 周宏等，2018），而買賣雙方間的信息不對稱是產能過剩的成因之一。據此，本文認為，企業數字化轉型會提升公司治理水平，從而降低產能過剩。企業數字化轉型有效提升了公司治理水平，其監督效率得到顯著增強（Brynjolfsson and McElheran， 2016）。

因此，本文從公司治理水平的渠道驗證數字化轉型對企業產能過剩的影響。參考馬云飆等（2018），本文采用關聯方交易程度衡量公司治理水平，關聯方交易程度越大則公司治理水平越低。具體而言，本文構造如下模型（4） 和模型（5）展開分析：

Rlt_transi，t -1 = α + β1digi，t -1 + β2controlsi，t -1 + fixed effects + εi，t （4）

overcapi，t = α + β1digi，t -1 + β2Rlt_transi，t -1 + β3controlsi，t -1 +fixed effects + εi，t （5）

其中，Rlt_transi，t-1 表示滯后一期的關聯方交易，也記為LRlt_trans。考慮量綱的影響，本文將關聯方交易除以營業總收入進行修正。其余變量定義與主回歸的模型（1）保持一致。

表7 列（1）呈現的是依據模型（4），關聯方交易對企業數字化轉型回歸得到的結果，發現企業數字化轉型變量在5%水平上顯著，估計系數為-0. 022，說明企業數字化轉型會顯著降低關聯方交易。表7 列（2） 則是依據模型（5） 回歸得到的結果，這里的關聯方交易變量LRlt_trans 在1%水平上顯著為正，說明關聯方交易占比越大則產能過剩程度越大，即公司治理水平提升會降低產能過剩。

結合表7 列（1）和列（2），我們可以得出，企業數字化會顯著降低關聯方交易占比，而關聯方交易占比的降低（即公司治理水平的提高）會顯著降低產能過剩，這與理論分析相一致。

3.5 橫截面分析

識別數字化轉型對產能過剩的非對稱效果，既有利于理解企業數字化轉型降低產能過剩中可能的調節效應，也有助于形成更有針對性的政策建議。因此，本文結合研究主題及相關文獻，從產品市場競爭程度、資本密集度、企業業績風險三個維度分別進行橫截面分析。

3.5.1 市場競爭程度

企業的產能會受到不同市場容量的影響，即與市場競爭程度有一定的關聯（Wang et al. ， 2016）。當市場化程度較高時，市場競爭本身可以發揮較好的作用，通過提高生產效率（ Holmes and Schmitz， 2010） 和管理質量（ Bloom et al. ，2015），抑制產能過剩。因此，較高的市場競爭程度將會弱化企業數字化轉型對產能過剩的影響。當市場競爭程度較低時，由于企業數字化轉型能夠增加與客戶、合作伙伴的交互（Kannan and Li， 2017）， 為客戶提供個性化服務（Schweidelet al. ， 2022），并改進舊產品或開發新產品（Yang and Han， 2021）增加了抵御競爭對手的可能，從而促使企業減少采用產能過剩方式應對競爭對手（Bulow et al. ，1985; 孔東民等，2021）。據此，本文預計在市場競爭較低的樣本中，企業數字化轉型對降低產能過剩的效果更為突出。

本文分別采用行業層面和地區層面的相關指標，來衡量市場競爭。本文采用企業營業總收入計算的赫芬達爾指數HHI 作為用于分組的變量，將HHI 小于等于中位數的樣本歸為低HHI 組（表8 列（1）），反之為高HHI 組（表8 列（2）），該指數越大則產品市場競爭程度越低。此外，本文還基于最新的《中國分省份市場化指數報告（2021）》，樊綱市場化總指數MKT，依據MKT 的中位數將樣本分為低MKT 組（表8 列（3）） 和高MKT 組（ 表8 列（4））。樊綱市場化總指數MKT 越高，市場化程度越高，市場的競爭程度也隨之提升。樊綱市場化總指數的數據區間為2008—2019 年，其中存在兩套數據，第一套數據（2008—2016 年）的基期為2008 年，而第二套數據（2016—2019 年）的數據基期為2016 年。考慮可比性，本文將樊綱市場化總指數MKT 第一套數據中2016 年指數除以第二套數據中2016 年指數，計算出調整系數，并將第二套數據乘以該調整系數。各組重復模型（3）回歸得到的結果呈現在表8 中。

表8 列（1） 中樣本的產品市場競爭程度較高（ HHI 較低） ，這里的企業數字化轉型LDig_log 變量并不顯著;而企業數字化轉型LDig_log 變量在市場競爭程度較低組（ HHI 較高組） 中則在1%水平上顯著，估計系數為-0. 006（ 結果如表4 列（2） ） 。使用樊綱市場化總指數MKT 分組回歸，得到的結果如表8列（3） 和列（4） 所示。其中，在列（3） 低市場化程度的組（ MKT 較低組） ，得到的結果與列（ 2） 低市場競爭程度（ HHI 較高） 的組別相似，企業數字化轉型LDig_log 變量在5%水平上顯著，估計系數為-0. 005;而在高市場化程度的組（MKT 較高組）中，結果如表8 列（4） 所示，企業數字化轉型LDig_log 變量的系數不再顯著。

由此可見，使用行業層面或是地區層面的市場競爭指數，得到的橫截面分析結果一致，即企業數字化轉型對降低產能過剩的作用在市場競爭較低樣本中更為突出，這與本文的預期一致。

3.5.2 資本密集度

資本密集度反映了資源的投入產出效率，是促進經濟增長的因素（ 孫曉華和李明珊，2016）。企業的產能利用率與其資本密集度有一定關聯（ 黃先海等，2015）。資本密集度高的企業，其產能過剩的問題更為嚴重。由于資產的專用性以及投資的不可逆性，固定資本一旦投入便形成沉沒成本（ Pindyck， 1986;馬紅旗等，2018），當企業的生產活動難以快速與市場需求波動相匹配時，便陷入產能過剩的困境。而人力資本擴張會改善管理效率，從而提升企業的產能利用率（方森輝和毛其淋，2021）。企業數字化轉型可以增強企業對未來的預測性和反應性決策（Ivanov and Dolgui， 2021），從而優化企業的管理過程（Urbinati et al. ，2020），包括對產品需求的識別、生產計劃的制定以及固定資產的采購等，從而降低產能過剩。因此，本文預期，企業數字化對產能過剩的緩解作用在資本密集度高的樣本中更為強烈。本文采用人均資產（Ast_emp） 來衡量資本密集度，即總資產除以職工人數，并依據人均資產的中位數將樣本分為列（1） 低人均資產組和列（2）高人均資產組，重復回歸模型（1），得到的結果如表9 所示。

表9 列（1）是對低資本密集度樣本回歸得到的結果，此時的企業數字化轉型程度LDig_log 變量并不顯著?？梢?，企業數字化轉型對低資本密集度的企業帶來的影響非常微弱。而在高資本密集度的樣本中，結果如表9 列（2）所示，企業數字化轉型程度LDig_log 變量的回歸系數為-0. 005，且在5%水平上顯著。因此，數字化轉型對降低產能過剩的作用主要集中在資本密集度高的組，這一結果與本文的預期一致。

3.5.3 企業業績風險

數字化轉型既能幫助企業挖掘海量信息，也能幫助企業高效處理和使用信息（Roberts and Grover， 2012; Wu et al. ， 2020），從而實現資源與風險的匹配，有效減少信息不對稱問題（ Duarte et al. ， 2012;Demertzis et al. ， 2018）?？傮w而言，數字技術改變了生產和創新活動的知識（ Ciarli et al. ， 2021）。由此可見，數字化能促使企業敏銳捕捉市場中需求、價格、成本等多因素的變化，并快速調整產能以應對經營風險。參考趙茜（2020）、王晶和王振山（2021），本文采用ROA 波動率來衡量企業業績風險。查看描述性統計發現，高ROA 波動率的樣本相較于低ROA 波動率的樣本而言，產能過剩的情況更為嚴重。故本文認為，企業數字化轉型對降低產能過剩的作用在高ROA 波動率的樣本中更為明顯。

本文計算了兩種ROA 波動率作為用于分組的變量：第一種是依據本年及下年共8 個季度的ROA 計算的波動率ROAvolat1，并依據ROAvolat1 的中位數將樣本分為列（1）低ROAvolat1 組和列（2）高ROAvolat1 組;第二種是依據上年本年及下年共12 個季度的ROA 計算波動率ROAvolat2，并依據ROAvolat2 的中位數將樣本均分為列（3） 低ROAvolat2 組和列（4） 高ROAvolat2 組。將上述各樣本重復模型（1）回歸，得到的結果呈現在表10 中。

表10 列（1）呈現的是低ROA 波動率樣本回歸得到的結果，其中ROA 波動率是基于本年和下年季度ROA 計算所得，這里的數字化轉型回歸系數不顯著;而基于同一指標分類的高ROA 波動率組（表10 列（2）） 中，企業數字化轉型變量在5%顯著性水平上顯著為負。由此可見，數字化轉型對降低產能過剩的效應在高ROA 波動率的樣本中更為明顯。再看以上年、本年及下年季度ROA 計算所得的波動率為分組變量的回歸結果：低ROA 波動率組（ 表10 列（3） ） 中企業數字化轉型變量不再顯著而高ROA 波動率組（ 表10 列（4） ） 中數字化轉型變量在5%水平上顯著，估計系數為-0. 004。綜上所述，回歸結果與預期一致，即企業數字化轉型對降低產能過剩的作用在高業績風險的樣本中更為明顯。

4 研究結論與政策啟示

本文立足新時代企業數字化轉型的發展趨勢，以及產能過剩這一現實問題，探究數字化對產能過剩的影響。本文以2004—2020 年我國A 股非金融業上市公司為樣本，研究發現企業數字化轉型能顯著緩解產能過剩，且該結論在一系列穩健性檢驗后仍成立。進一步探究其中的機制發現：信息不對稱程度的緩解以及公司治理水平的提升，在企業數字化轉型影響產能過剩中發揮了中介效應。為助力形成更具針對性的政策，本文進行了橫截面分析，發現企業數字化轉型對降低產能過剩的作用集中在市場競爭程度低、資本密集度高、業績風險高的樣本中。

基于本文研究結果，得到的政策啟示包括：第一，鼓勵企業積極進行數字化轉型升級，這既順應新時代數字經濟發展、企業數字化轉型的浪潮，又能緩解當下嚴峻的產能過剩問題。第二，重點推進市場競爭程度低、資本密集度高、業績風險高的企業進行數字化轉型，并考慮對其中部分重點企業提供一定的幫扶政策，從而更高效地緩解產能過剩問題，減少資源的浪費。第三，鼓勵企業在新冠疫情防控常態化的大環境下，積極借助數字化轉型與客戶進行互動，獲取更多客戶的需求信息，緩解信息不對稱，更好地思客戶之所想、做客戶之所需的產品與服務，在促進企業收入增長的同時，提升全社會的生活品質。第四，鼓勵企業充分珍惜數字化帶來的紅利，將數字化轉型融入組織的各細胞中，對未來作出預測，提升公司治理水平。

參考文獻

包群， 唐詩， 劉碧. 2017. 地方競爭、主導產業雷同與國內產能過剩[J]. 世界經濟，

40（10）： 144-169.

Bao Q， Tang S， Liu B. 2017. Local competition， similarity of leading industries and

overcapacity in China[J]. The Journal of World Economy， 40（10）： 144-169. （ in

Chinese）

陳冬梅， 王俐珍， 陳安霓. 2020. 數字化與戰略管理理論———回顧、挑戰與展望

[J]. 管理世界， 36（5）： 220-236， 20.

Chen D M， Wang L Z， Chen A N. 2020. Digitalization and strategic management

theory： Review， challenges and prospects[J]. Journal of Management World， 36（5）：

220-236， 20. （in Chinese）

陳德球， 胡晴. 2022. 數字經濟時代下的公司治理研究： 范式創新與實踐前沿[ J].

管理世界， 38（6）： 213-240.

Chen D Q， Hu Q. 2022. Corporate governance research in the digital economy： New

paradigms and frontiers of practice[J]. Journal of Management World， 38（6）： 213-

240. （in Chinese）

陳劍， 黃朔， 劉運輝. 2020. 從賦能到使能———數字化環境下的企業運營管理[ J].

管理世界， 36（2）： 117-128， 222.

Chen J， Huang S， Liu Y H. 2020. Operations management in the digitization era：

From empowering to enabling[J]. Journal of Management World， 36（2）： 117-128，

222. （in Chinese）

陳欽源， 馬黎珺， 伊志宏. 2017. 分析師跟蹤與企業創新績效———中國的邏輯[ J].

南開管理評論， 20（3）： 15-27.

Chen Q Y， Ma L J， Yi Z H. 2017. Analyst coverage and corporates innovation

performance： The logic of China[J]. Nankai Business Review， 20（3）： 15-27. （ in

Chinese）

陳曉紅， 李楊揚， 宋麗潔， 等. 2022. 數字經濟理論體系與研究展望[ J]. 管理世

界， 38（2）： 208-224， 13.

Chen X H， Li Y Y， Song L J， et al. 2022. Theoretical framework and research

prospect of digital economy[J]. Journal of Management World， 38（2）： 208-224，

13. （in Chinese）

范林凱， 李曉萍， 應珊珊. 2015. 漸進式改革背景下產能過剩的現實基礎與形成機

理[J]. 中國工業經濟，（1）： 19-31.

Fan L K， Li X P， Ying S S. 2015. The realistic bases and formation mechanism of

excess capacity： Based on incremental reform [ J]. China Industrial Economics，

（1）： 19-31. （in Chinese）

范林凱， 吳萬宗， 余典范， 等. 2019. 中國工業產能利用率的測度、比較及動態演

化———基于企業層面數據的經驗研究[J]. 管理世界， 35（8）： 84-96.

Fan L K， Wu W Z， Yu D F， et al. 2019. Measurement， comparison and dynamic

evolution of industrial capacity utilization in China： An empirical study based on

enterprise level data [ J]. Journal of Management World， 35 （ 8）： 84-96. （ in

Chinese）

方森輝， 毛其淋. 2021. 人力資本擴張與企業產能利用率———來自中國“大學擴招”

的證據[J]. 經濟學（季刊）， 21（6）： 1993-2016.

Fang S H， Mao Q L. 2021. Human capital expansion and firms capacity

utilization—Evidence from Chinese “ college expansion” [ J]. China Economic

Quarterly， 21（6）： 1993-2016. （in Chinese）

郭長林. 2016. 財政政策擴張、縱向產業結構與中國產能利用率[ J]. 管理世界，

（10）： 13-33， 187.

Guo C L. 2016. Fiscal expansion， vertical structure of industries and capacity

utilization rate in China[ J]. Journal of Management World， （ 10）： 13-33， 187.

（in Chinese）

國務院發展研究中心《進一步化解產能過剩的政策研究》. 2015. 當前我國產能過

剩的特征、風險及對策研究———基于實地調研及微觀數據的分析[ J]. 管理世

界，（4）： 1-10.

Research Group on “ Policy Research on Further Resolving Overcapacity” by the

Development Research Center of the State Council. 2015. Research on the

characteristics， risks and countermeasures of current overcapacity in China： Based

on field research and micro data analysis[J]. Journal of Management World， （4）：

1-10. （in Chinese）

郝穎， 劉星. 2009. 資本投向、利益攫取與擠占效應[J]. 管理世界，（5）： 128-144.

Hao Y， Liu X. 2009. The allocations of capital investment， the snatch of benefit，

and the extrusion in investment[J]. Journal of Management World， （5）： 128-144.

（in Chinese）

黃梅， 夏新平. 2009. 操縱性應計利潤模型檢測盈余管理能力的實證分析[ J]. 南

開管理評論， 12（5）： 136-143.

Huang M， Xia X P. 2009. An evaluation on specification and power of discretionary

accruals models in the Chinese context[J]. Nankai Business Review， 12（5）： 136-

143. （in Chinese）

黃群慧， 余泳澤， 張松林. 2019. 互聯網發展與制造業生產率提升： 內在機制與中

國經驗[J]. 中國工業經濟（8）： 5-23.

Huang Q H， Yu Y Z， Zhang S L. 2019. Internet development and productivity

growth in manufacturing industry： Internal mechanism and China experiences[ J].

China Industrial Economics， （8）： 5-23. （in Chinese）

黃先海， 宋學印， 諸竹君. 2015. 中國產業政策的最優實施空間界定———補貼效

應、競爭兼容與過剩破解[J]. 中國工業經濟（4）： 57-69.

Huang X H， Song X Y， Zhu Z J. 2015. Defining the optimal space of China

industrial policy： Subsidy effect， competition compatible and overcapacity solution

[J]. China Industrial Economics， （4）： 57-69. （in Chinese）

孔東民， 季綿綿， 周妍. 2021. 固定資產加速折舊政策與企業產能過剩[J]. 財貿經

濟， 42（9）： 50-65.

Kong D M， Ji M M， Zhou Y. 2021. Policy for accelerated depreciation of fixed

assets and overcapacity of enterprises[J]. Finance amp; Trade Economics， 42（9）： 50-

65. （in Chinese）

李曉溪， 饒品貴. 2022. 預防性監管與公司產能過?！谀陥髥栐兒难芯孔C

據[J]. 金融研究（4）： 170-187.

Li X X， Rao P G. 2022. Preventive regulations and corporate capacity overhang：

Evidence from comment letters[J]. Journal of Financial Research， （4）： 170-187.

（in Chinese）

林樂， 謝德仁. 2016. 投資者會聽話聽音嗎？ ———基于管理層語調視角的實證研究

[J]. 財經研究， 42（7）： 28-39.

Lin L， Xie D R. 2016. Do investors listen for the meanings behind executives

words—An empirical analysis based on management tones[ J]. Journal of Finance

and Economics， 42（7）： 28-39. （in Chinese）

劉洋， 董久鈺， 魏江. 2020. 數字創新管理： 理論框架與未來研究[ J]. 管理世界，

36（7）： 198-217， 219.

Liu Y， Dong J Y， Wei J. 2020. Digital innovation management： Theoretical

framework and future research[ J]. Journal of Management World， 36（ 7）： 198-

217， 219. （in Chinese）

劉政， 姚雨秀， 張國勝， 等. 2020. 企業數字化、專用知識與組織授權[ J]. 中國工

業經濟，（9）： 156-174.

Liu Z， Yao Y X， Zhang G S， et al. 2020. Firms digitalization， specific knowledge

and organizational empowerment[ J]. China Industrial Economics， （9）： 156-174.

（in Chinese）

馬紅旗， 黃桂田， 王韌， 等. 2018. 我國鋼鐵企業產能過剩的成因及所有制差異分

析[J]. 經濟研究， 53（3）： 94-109.

Ma H Q， Huang G T， Wang R， et al. 2018. Over-capacity in Chinas iron and steel

enterprises： Causes and differences across ownership [ J]. Economic Research

Journal， 53（3）： 94-109. （in Chinese）

馬云飆， 石貝貝， 蔡欣妮. 2018. 實際控制人性別的公司治理效應研究[J]. 管理世

界， 34（7）： 136-150.

Ma Y B， Shi B B， Cai X N. 2018. Research on the governance role of ultimate

controller gender[J]. Journal of Management World， 34（7）： 136-150. （in Chinese）

潘越， 湯旭東， 寧博， 等. 2020. 連鎖股東與企業投資效率： 治理協同還是競爭合

謀[J]. 中國工業經濟（2）： 136-164.

Pan Y， Tang X D， Ning B， et al. 2020. Cross-ownership and corporate investment

efficiency： Coordination in governance or collusion in market[ J]. China Industrial

Economics， （2）： 136-164. （in Chinese）

施炳展， 李建桐. 2020. 互聯網是否促進了分工： 來自中國制造業企業的證據[ J].

管理世界， 36（4）： 130-148.

Shi B Z， Li J T. 2020. Does the internet promote division of labor？： Evidences from

Chinese manufacturing enterprises[J]. Journal of Management World， 36（4）： 130-

148. （in Chinese）

孫曉華， 李明珊. 2016. 國有企業的過度投資及其效率損失[ J]. 中國工業經濟，

（10）： 109-125.

Sun X H， Li M S. 2016. Over-investment and productivity loss of state-owned

enterprises[J]. China Industrial Economics， （10）： 109-125. （in Chinese）

孫焱林， 溫湖煒. 2017. 我國制造業產能過剩問題研究[ J]. 統計研究， 34（ 3）：

76-83.

Sun Y L， Wen H W. 2017. Research on the excess capacity over Chinese

manufacturing sector[J]. Statistical Research， 34（3）： 76-83. （in Chinese）

王晶， 王振山. 2021. 基于合作視角的企業委托貸款與科技創新[ J]. 會計研究，

（7）： 113-126.

Wang J， Wang Z S. 2021. Corporate entrusted loans and innovation from the

perspective of cooperation[J]. Accounting Research， （7）： 113-126. （in Chinese）

王文甫， 明娟， 岳超云. 2014. 企業規模、地方政府干預與產能過剩[J]. 管理世界，

（10）： 17-36， 46.

Wang W F， Ming J， Yue C Y. 2014. Analyses of mediating effects： The

development of methods and models[J]. Journal of Management World， （10）： 17-

36， 46. （in Chinese）

王彥超， 蔣亞含. 2020. 競爭政策與企業投資———基于《反壟斷法》實施的準自然實

驗[J]. 經濟研究， 55（8）： 137-152.

Wang Y C， Jiang Y H. 2020. Competition policy and corporate investment： Quasinatural

experiments based on the implementation of the Anti-Monopoly Law[ J].

Economic Research Journal， 55（8）： 137-152. （in Chinese）

吳非， 胡慧芷， 林慧妍， 等. 2021. 企業數字化轉型與資本市場表現———來自股票

流動性的經驗證據[J]. 管理世界， 37（7）： 130-144， 10.

Wu F， Hu H Z， Lin H Y， et al. 2021. Enterprise digital transformation and capital

market performance： Empirical evidence from stock liquidity [ J]. Journal of

Management World， 37（7）： 130-144， 10. （in Chinese）

楊國超， 張李娜. 2021. 產業政策何以更有效？ ———基于海量媒體報道數據與研發

操縱現象的證據[J]. 經濟學（季刊）， 21（6）： 2173-2194.

Yang G C， Zhang L N. 2021. How to make industrial policy more effective？ —

Evidence based on massive media data and Ramp;D manipulation[J]. China Economic

Quarterly， 21（6）： 2173-2194. （in Chinese）

袁淳， 肖土盛， 耿春曉， 等. 2021. 數字化轉型與企業分工： 專業化還是縱向一體

化[J]. 中國工業經濟，（9）： 137-155.

Yuan C， Xiao T S， Geng C X， et al. 2021. Digital transformation and division of

labor between enterprises： Vertical specialization or vertical integration[ J]. China

Industrial Economics， （9）： 137-155. （in Chinese）

趙濤， 張智， 梁上坤. 2020. 數字經濟、創業活躍度與高質量發展———來自中國城

市的經驗證據[J]. 管理世界， 36（10）： 65-75.

Zhao T， Zhang Z， Liang S K. 2020. Digital economy， entrepreneurship， and highquality

economic development： Empirical evidence from urban China[J]. Journal of

Management World， 36（10）： 65-75. （in Chinese）

趙茜. 2020. 外部經濟政策不確定性、投資者預期與股市跨境資金流動[J]. 世界經

濟， 43（5）： 145-169.

Zhao Q. 2020. External economic policy uncertainty， investor expectations and

cross-border capital flows in the stock market[ J]. The Journal of World Economy，

43（5）： 145-169. （in Chinese）

周宏， 周暢， 林晚發， 等. 2018. 公司治理與企業債券信用利差———基于中國公司

債券2008—2016 年的經驗證據[J]. 會計研究，（5）： 59-66.

Zhou H， Zhou C， Lin W F， et al. 2018. Corporate governance and credit spreads

on corporate bonds—An empirical study of Chinas corporate bonds from 2008 to

2016[J]. Accounting Research， （5）： 59-66. （in Chinese）

Aretz K， Pope P F. 2018. Real options models of the firm， capacity overhang， and the

cross section of stock returns[J]. The Journal of Finance， 73（3）： 1363-1415.

Bloom N， Propper C， Seiler S， et al. 2015. The impact of competition on management

quality： Evidence from public hospitals[J]. The Review of Economic Studies， 82（2）：

457-489.

Brynjolfsson E， McElheran K. 2016. The rapid adoption of data-driven decision-making

[J]. American Economic Review， 106（5）： 133-139.

Bulow J I， Geanakoplos J D， Klemperer P D. 1985. Multimarket oligopoly： Strategic

substitutes and complements[J]. Journal of Political Economy， 93（3）： 488-511.

Chen T， Harford J， Lin C. 2015. Do analysts matter for governance？ Evidence from

natural experiments[J]. Journal of Financial Economics， 115（2）： 383-410.

Ciarli T， Kenney M， Massini S， et al. 2021. Digital technologies， innovation， and

skills： Emerging trajectories and challenges[J]. Research Policy， 50（7）： 104289.

Cormier D， Ledoux M J， Magnan M， et al. 2010. Corporate governance and information

asymmetry between managers and investors [ J ]. Corporate Governance： The

International Journal of Business in Society， 10（5）： 574-589.

Correani A， De Massis A， Frattini F， et al. 2020. Implementing a digital strategy：

Learning from the experience of three digital transformation projects[ J]. California

Management Review， 62（4）： 37-56.

Demertzis M， Merler S， Wolff G B. 2018. Capital Markets Union and the FinTech

opportunity[J]. Journal of Financial Regulation， 4（1）： 157-165.

Demsetz H， Lehn K. 1985. The structure of corporate ownership： Causes and

consequences[J]. Journal of Political Economy， 93（6）： 1155-1177.

Diaz E， Esteban á， Vallejo R C， et al. 2022. Digital tools and smart technologies in

marketing： A thematic evolution [ J]. International Marketing Review， 39 （ 5）：

1122-1150.

Duarte J， Siegel S， Young L. 2012. Trust and credit： The role of appearance in peer-topeer

lending[J]. The Review of Financial Studies， 25（8）： 2455-2484.

Furr N， Shipilov A. 2019. Digital doesnt have to be disruptive： The best results can

come from adaptation rather than reinvention[J]. Harvard Business Review， 97（4）：

94-103.

Gal N， Milstein I， Tishler A， et al. 2017. Fuel cost uncertainty， capacity investment

and price in a competitive electricity market[J]. Energy Economics， 61： 233-240.

Goldfarb A， Tucker C. 2019. Digital economics[ J]. Journal of Economic Literature，

57（1）： 3-43.

H?nninen M， Smedlund A. 2021. Same old song with a different melody： The paradox of

market reach and financial performance on digital platforms [ J ]. Journal of

Management Studies， 58（7）： 1832-1868.

Holmes T J， Schmitz J A Jr. 2010. Competition and productivity： A review of evidence

[J]. Annual Review of Economics， 2（1）： 619-642.

Ivanov D， Dolgui A. 2021. A digital supply chain twin for managing the disruption risks

and resilience in the era of Industry 4. 0[ J]. Production Planning and Control，

32（9）： 775-788.

Jiang W. 2017. Have instrumental variables brought us closer to the truth[ J]. The

Review of Corporate Finance Studies， 6（2）： 127-140.

Kannan P K， Li H S. 2017. Digital marketing： A framework， review and research

agenda[J]. International Journal of Research in Marketing， 34（1）： 22-45.

Kolb D G， Dery K， Huysman M， et al. 2020. Connectivity in and around organizations：

Waves， tensions and trade-offs[J]. Organization Studies， 41（12）： 1589-1599.

Levin N， Tishler A， Zahavi J. 1985. Capacity expansion of power generation systems

with uncertainty in the prices of primary energy resources[J]. Management Science，

31（2）： 175-187.

Malone T W， Yates J， Benjamin R I. 1987. Electronic markets and electronic hierarchies

[J]. Communications of the ACM， 30（6）： 484-497.

Pindyck R S. 1986. Irreversible investment， capacity choice， and the value of the firm

[R]. NBER Working Paper， No. 1980.

Roberts N， Grover V. 2012. Leveraging information technology infrastructure to facilitate

a firms customer agility and competitive activity： An empirical investigation[ J].

Journal of Management Information Systems， 28（4）： 231-270.

Schweidel D A， Bart Y， Inman J J， et al. 2022. How consumer digital signals are

reshaping the customer journey[ J]. Journal of the Academy of Marketing Science，

50（6）： 1257-1276.

Shankar V， Parsana S. 2022. An overview and empirical comparison of natural language

processing （ NLP ） models and an introduction to and empirical application of

autoencoder models in marketing[J]. Journal of the Academy of Marketing Science，

50（6）： 1324-1350.

Shleifer A， Vishny R W. 1997. A survey of corporate governance[ J]. The Journal of

Finance， 52（2）： 737-783.

Skiti T， Luo X M， Lin Z J. 2022. When more is less： Quality and variety trade-off in

sharing economy platforms [ J ]. Journal of Management Studies， 59 （ 7 ）：

1817-1838.

Song Y， Yao S， Jiang J G. 2016. The research of capacity utilization measurement on

manufacturing industry in China[C] / /2016 International Conference on Management

Science and Engineering （ICMSE）. Olten， Switzerland： IEEE， 160-166.

Spulber D F. 1981. Capacity， output， and sequential entry[J]. The American Economic

Review， 71（3）： 503-514.

Urbinati A， Chiaroni D， Chiesa V， et al. 2020. The role of digital technologies in open

innovation processes： An exploratory multiple case study analysis [ J ]. Ramp;D

Management， 50（1）： 136-160.

Wang H Q， Gurnani H， Erkoc M. 2016. Entry deterrence of capacitated competition

using price and non-price strategies[ J]. Production and Operations Management，

25（4）： 719-735.

Westerman G， Bonnet D， McAfee A. 2014. The nine elements of digital transformation

[J]. MIT Sloan Management Review， 55（3）： 1-6.

Wu L， Hitt L， Lou B W. 2020. Data analytics， innovation， and firm productivity[ J].

Management Science， 66（5）： 2017-2039.

Wu X P， Wang Z. 2005. Equity financing in a Myers-Majluf framework with private

benefits of control[J]. Journal of Corporate Finance， 11（5）： 915-945.

Yang M， Han C J. 2021. Stimulating innovation： Managing peer interaction for idea

generation on digital innovation platforms[ J]. Journal of Business Research， 125：

456-465.