數智技術與企業成本粘性：基于文本分析的量化研究

[摘要]以2011—2023年滬深A股上市企業為樣本，實證檢驗數智技術對企業成本粘性的影響。研究發現，數智技術能夠抑制企業成本粘性。異質性分析表明，數智技術對成本粘性的抑制效應在國有和非國有企業中均顯著，且在國有企業中更為明顯；在成長期企業中顯著，而在成熟期和衰退期企業中不顯著；在東部、中西部地區企業中均顯著，且在中西部地區企業中更為明顯；在高知識產權保護地區企業中顯著，而在低知識保護地區企業中不顯著。作用渠道分析表明，數智技術能夠通過緩解信息不對稱、提升治理水平和提高資源利用效率抑制企業成本粘性。進一步分析表明，數智技術對管理費用粘性、人工成本粘性的抑制效應顯著，而對銷售費用粘性、非人工成本粘性的抑制效應不顯著；數智技術通過抑制企業成本粘性有助于提高企業績效，且具有長期的績效提升效應。研究不僅從微觀層面揭示數智技術對企業成本粘性的影響機理，拓展“數智技術與會計”的研究范式，也為企業采用數智技術、推進成本管理決策提供有益參考。

[關鍵詞]數智技術；成本粘性；信息不對稱；治理水平；資源利用效率

一、 引言

以數智技術為核心的工業革命正在產生巨大影響，實現了信息數據在生產經營過程中的全面整合，引領企業組織結構與管理方式的全面改變[1]。數智技術具有滲透性、賦能性及替代性等，可以快速、廣泛、深層次、全方位地滲透到企業，不斷對企業賦能、賦權、賦智，取代體力勞動或腦力勞動[2]。在信息能力方面，數智技術能夠為企業管理決策提供重要的數據支撐，緩解利益相關者之間的信息不對稱；在生產制造方面，數智技術促進企業加強對生產安排和流程的管理，實現靈活生產、精益管理，提高生產效率；在內部治理方面，數智技術能夠重構企業的治理結構，使管理者更準確地監控當前的治理狀況，提高整體治理水平；在運營管理方面，數智技術能夠使企業更精確地了解資源需求，賦予企業動態調整的能力，重塑運營流程，提高運營效率[3-4]。顯然，數智技術給企業成本管理帶來復雜性，探究其對企業成本管理決策的影響是值得研究的重要課題。

成本粘性是企業成本管理決策的重要表征，是成本與業務量之間“易增難減”的非對稱變化，是企業成本管理水平、資源配置效率的體現。成本粘性具有普遍性、反轉性及反向性等特征，其動因可以歸納為：一是調整成本。當業務量下降時，下調業務的成本大于增加業務的成本，會使管理層優先維持現有規模，導致成本粘性。二是代理沖突。“兩權分離”誘使企業管理層出現機會主義行為，使其在業務量減少時，傾向維持冗余資源，不愿同比例削減開支，導致成本粘性。三是管理層樂觀預期。若管理層持有樂觀預期，會在業務量增加時增加成本支出，而不會在業務量減少時相應地減少成本支出，導致成本粘性[5]。數智技術與企業成本粘性的相關研究主要基于單一數智技術的角度展開，如“互聯網+”、物聯網、人工智能及數字化等，具有一定的局限性[6]。

基于上述分析，本文構建研究模型，并進行有效的實證檢驗，以揭示數智技術對企業成本粘性的影響。本文可能的邊際貢獻在于：首先，系統考察數智技術對企業成本粘性的影響，拓展關于成本粘性影響因素的研究；其次，探究數智技術影響企業成本粘性的作用渠道，豐富企業經營管理的渠道研究；最后，進行考慮成本要素和經濟后果的進一步檢驗，深入揭示數智技術在提高資源配置效率、降低經營風險方面的現實意義。

二、 理論分析與研究假設

1. 數智技術與成本粘性

數智技術會強化企業內部和外部的網絡連接，并依靠資源規劃系統、決策支持系統等，更好地處理信息數據，實現靈活生產和精益管理，減少不必要的專用性投資[7]。管理層能夠使用數智技術工具構建需求預測模型，分析經營數據，并對業務量和資源投入作出更精準合理的成本管理決策[8]。具體而言，數智技術能夠提高企業內部信息的質量，更準確地預測市場需求的變化，更加注重整體思維，積極推動生產方式和商業模式的變革，及時制定成本調整方案，降低調整成本，抑制企業成本粘性；可以緩解股東與管理層之間的信息不對稱程度，促進內部控制能力的提高，有效監督管理層的行為，減小他們的自由裁量權，努力實現股東利益最大化，抑制企業成本粘性；能夠幫助管理層對企業前景形成綜合判斷，糾正主觀預測偏差，更加理性、合理地評估經營風險，保持合理、準確預期，抑制企業成本粘性[9]。基于上述分析，本文提出如下假設：

H1：數智技術能夠抑制企業成本粘性。

2. 數智技術影響成本粘性的作用渠道

數智技術作為一項貫穿企業經營各個方面的新技術，可以通過三個渠道影響企業成本粘性：信息渠道、治理渠道和效率渠道。

第一，信息渠道。數智技術可以使企業擴大信息收集范圍，收集采購、生產、庫存及銷售等環節的實時信息，實現各環節信息的協同和共享；降低企業信息獲取和整合的成本，如借助消費信息數據庫，以較低的成本收集和整合客戶、銷售及市場趨勢信息；提高企業處理信息的能力，特別是增強其處理非結構化、非標準化信息的能力[10]。數智技術提高了企業收集、處理和傳輸信息的效率，緩解了信息不對稱。緩解信息不對稱可以使企業更準確地評估其生產能力，提高預測市場需求的能力，合理配置資源，更及時科學地調整市場策略、生產計劃等，從而抑制企業成本粘性[4]。

第二，治理渠道。數智技術能夠改變企業的管理模式，實現數智化管理，實時監控業務流程，及時發現異常情況和隱患，為企業帶來治理效應；幫助企業獲取內外部環境信息，系統掌握經營管理信息，精準感知潛在風險因素，優化管理體系，形成有效的權力制衡機制、嚴格的決策流程及健全的治理體系；強化企業部門之間的信息共享和流通，使組織結構更加扁平化，使企業治理更加信息化和透明化[11-12]。治理水平的提升能夠增強股東對管理層的監督作用，減小管理層的自由裁量權和機會主義行為，作出更科學合理的經營決策，減少無效支出，從而抑制企業成本粘性[13]。

第三，效率渠道。數智技術能夠改變企業控制資源的方式，實時監控運營狀況，及時調整資產配置策略，如讓渡閑置資源的使用權，從而提高資源利用效率；催生更多數智應用場景，降低資產專用性，優化生產管理方式，幫助企業快速響應市場環境變化，實現更科學有效的生產經營資源配置；嵌入企業生產、制造和服務等環節，使企業能使用機器替代人工，減少勞動力規模，加強靈活用工，提高人力資源利用效率[14-15]。而資源利用效率的提高意味著企業能夠充分利用或及時處置閑置資源，減少購買新資源，實現資源的有效整合，降低調整成本，從而抑制企業成本粘性[16]。

基于上述分析，本文提出如下假設：

H2：數智技術能夠通過緩解信息不對稱、提升治理水平和提高資源利用效率抑制企業成本粘性。

三、 研究設計

1. 數據來源及處理

本文基于2011—2023年滬深A股上市企業數據展開研究。為提高實證結果的可靠性，剔除金融類樣本、ST類樣本及數據缺失的樣本，共獲得27548個“企業-年度”觀測值。企業財務數據來源于中國經濟金融研究數據庫（CSMAR）、同花順數據庫，數智技術數據來源于企業年報和財務報告，內部控制數據來源于迪博數據庫（DIB）。對所有的連續變量在1%和99%的水平上進行縮尾處理。

2. 變量定義

（1）被解釋變量

成本變動（ΔlnExp），本文參考吳武清和田雅婧[17]的研究，選取“ln（企業當年成本）-ln（企業上一年成本）”來衡量，其中，成本選取銷售費用與管理費用之和來測算。

（2）解釋變量

收入變動（ΔlnSales），選取“ln（企業當年營業收入）-ln（企業上一年營業收入）”來衡量；收入下降（D），是企業營業收入相對上一年是否下降的虛擬變量，若下降取1，否則取0；數智技術（DAT），本文參考戴魁早等[4]的研究，從數智技術投資水平和數智技術應用水平兩個維度構建衡量指標，基于文本分析量化，通過熵值法確定權重、加以測算。

其中，數智技術投資水平是依據公司財務報告附注披露的年末資產明細，識別獲得數智技術無形資產（無形資產科目中含有智能、數字、軟件、網絡、系統、信息平臺、客戶端、管理系統等關鍵詞）和固定資產（固定資產科目中含有計算機、數據設備、電子設備、智能設備、機器人等關鍵詞），分別以數智技術無形資產、固定資產占企業總資產的比重來衡量；本文借鑒吳非等[18]的測算方法，通過對企業年報中數智技術關鍵詞（包括數字技術、智能技術、人工智能、機器人等32個底層技術以及數字服務、智能設備、工業4.0等29個應用技術）出現的頻數進行統計，來衡量數智技術應用水平。

（3）控制變量

參考以往文獻[18-19]，本文對以下兩類控制變量進行控制：第一類為經濟變量（Ev），包括經濟增長率（GDP，GDP增長率乘以100）、連續收入下降（D2，連續兩年營業收入下降為1，否則為0）、固定資本密度（Ai，年末資產總額/營業收入）及人力資本密度（Ei，年末員工人數/營業收入）；第二類為企業變量（Cv），包括企業規模（Size，ln（企業總資產））、財務杠桿（Lev，總負債/總資產）、現金流量（Cashflow，企業經營活動產生的現金流量凈額/總資產）、增長速度（Growth，企業營業收入年度增長率）、企業年齡（Age，ln（成立年限））、董事會規模（Board，ln（董事會人數））及管理層持股比例（Mshare，管理層持股數量/總股數）。

3. 模型設定

為考察企業是否存在成本粘性，本文參考Burks等[20]的研究，構建以下模型：

[ΔlnExp=a0+a1ΔlnSales+a2ΔlnSales×D+a3Ev+a4Cv+Year+Industry+Firm+ε]" （1）

為驗證數智技術對企業成本粘性的影響，本文在模型（1）中加入數智技術與成本粘性交乘項（ΔlnSales×D×DAT），構建以下基準回歸模型：

[ΔlnExp=b0+b1ΔlnSales+b2ΔlnSales×D+b3ΔlnSales×D×DAT+b4DAT+b5ΔlnSales×D×Ev+b6Ev+a7Cv+Year+Industry+Firm+ε] （2）

上式中，Year、Industry、Firm分別為時間、行業及個體固定效應，[ε]為隨機干擾項。

四、 實證結果與分析

1. 描述性統計

變量的描述性統計見表1。成本變動（ΔlnExp）的均值為0.085，收入變動（ΔlnSales）的均值為0.100。數智技術（DAT）的均值、最小值、中位數及最大值分別為0.085、0.000、0.074及0.934。研究樣本之間存在較大的差異。

2. 基準回歸分析

表2為基準回歸結果。列（1）和列（2）為模型（1）的回歸結果，收入變動（ΔlnSales）的系數均顯著為正，成本粘性（ΔlnSales×D）的系數均顯著為負，表明存在成本粘性。列（3）和列（4）分別是在列（1）和列（2）的基礎上加入ΔlnSales×D×DAT后的回歸結果，ΔlnSales×D×DAT的系數分別為0.418和0.334，均在1%的水平上顯著，表明數智技術能夠抑制企業成本粘性，驗證了假設H1。

3. 內生性檢驗和穩健性檢驗

（1）工具變量法

本文選取不含企業本身的數智技術的行業均值（DAT_mean）作為工具變量。原因在于，同行業企業之間存在相似的行業特征、風險以及外部環境，且不直接影響企業成本粘性，滿足工具變量選取條件。回歸結果見表3中列（1）和列（2）。ΔlnSales×D×DAT_mean的系數、K-P rk LM和K-P rk Wald F統計量結果表明，本文工具變量的選取是有效的。lnSales×D×DAT的回歸結果與基準回歸保持一致。

（2）傾向得分匹配法（PSM）

本文選擇數智技術超過全樣本均值的樣本作為實驗組，剩余的樣本作為對照組，以企業變量（Cv）為匹配變量，成本變動（ΔlnExp）為結果變量，用近鄰匹配法按照1∶1的比例進行匹配，獲得傾向匹配得分，并將匹配結果進行回歸，結果見表3中列（3）。ΔlnSales×D×DAT的回歸結果與基準回歸保持一致。

（3）替換解釋變量衡量方法

本文參考戴魁早等[4]的研究，選擇無綱量化后的數智資產占比（數智無形資產占比與數智固定資產占比之和）和數智技術應用水平的算術平均值衡量數智技術（DAT2），回歸結果見表3中列（4）。ΔlnSales×D×DAT的回歸結果與基準回歸保持一致。

（4）替換被解釋變量衡量方法

本文將“銷管費用”替換為“營業成本”進行回歸，結果見表3中列（5）。ΔlnSales×D×DAT的回歸結果與基準回歸保持一致。

（5）改變回歸方法

考慮到回歸模型可能存在偏差，本文選擇Tobit方法進行回歸，結果見表3中列（6）。ΔlnSales×D×DAT的回歸結果與基準回歸保持一致。

（6）改變樣本期間

考慮到新冠疫情可能會對回歸結果產生影響，本文剔除2019年以后年份的樣本數據進行回歸，結果見表3中列（7）。ΔlnSales×D×DAT的回歸結果與基準回歸保持一致。

4. 異質性分析

（1）基于企業特征的異質性分析

根據產權性質，本文將樣本企業劃分為國有企業樣本和非國有企業樣本；根據現金流分類法，將樣本企業劃分為成長期企業樣本、成熟期企業樣本及衰退期企業樣本。根據表4中列（1）和列（2）可知，ΔlnSales×D×DAT的系數分別為0.419和0.260，均在10%水平上顯著，表明數智技術對成本粘性的抑制效應在國有企業和非國有企業均顯著，且在國有企業更為明顯。原因可能是，國有企業在資源稟賦、政府支持等方面具有更多優勢，可以更大規模地采用數智技術，從而對成本粘性的抑制效應更為明顯。根據表4中列（3）至列（5）可知，ΔlnSales×D×DAT的系數分別為0.584，在1%水平上顯著，0.709和0.331，都不顯著，表明數智技術對成本粘性的抑制效應在成長期企業顯著，而在成熟期企業和衰退期企業中不顯著。原因可能是，處于成長期的企業更有動力去采用數智技術，從而對成本粘性的抑制效應顯著。

（2）基于區域特征的異質性分析

根據地理區位，本文將樣本企業劃分為東部地區企業樣本和中西部地區企業樣本；根據地區知識產權保護強度（技術市場交易額/GDP），將樣本企業劃分為高知識保護地區企業樣本和低知識保護地區企業樣本。根據表5中列（1）和列（2）可知，ΔlnSales×D×DAT的系數分別為0.260和0.653，分別在1%和5%的水平上顯著，表明數智技術對成本粘性的抑制效應在東部、中西部地區企業中均顯著，且在中西部地區企業中更為明顯。原因可能是，中西部地區企業傳統產業較多，成本管理問題較為嚴重，數智技術對其成本粘性的抑制效應更為明顯。根據表5中列（3）和列（4）可知，ΔlnSales×D×DAT的系數分別為0.421和-0.034，分別在5%的水平上顯著和不顯著，表明數智技術對成本粘性的抑制效應在高知識產權保護地區企業中顯著，而在低知識保護地區企業中不顯著。原因可能是，高知識產權保護地區企業侵權行為較少，會更積極地采用數智技術，從而對成本粘性有顯著的抑制效應。

5. 作用渠道分析

根據前文的理論分析，本文在模型（2）的基礎上，構建模型（3）和模型（4）以分析作用渠道。其中，U為中介變量，包括信息不對稱（IS，公司會計盈余質量）、企業治理水平（IC，迪博內部控制指數）和資源利用效率（RE，OP法測算的全要素生產率）[8，21]。表6報告了作用渠道分析的回歸結果。在列（1）中，ΔlnSales×D×DAT的系數為-0.051，在1%的水平上顯著。在列（2）中，ΔlnSales×D×DAT的系數為0.660，在1%的水平上顯著；IS的系數為-0.190，在1%的水平上顯著，表明數智技術能夠通過緩解信息不對稱抑制企業成本粘性。在列（3）中，ΔlnSales×D×DAT的系數為1.799，在1%的水平上顯著。在列（4）中，ΔlnSales×D×DAT的系數為0.636，在1%的水平上顯著；IC的系數為0.004，在5%的水平上顯著。表明數智技術能夠通過提升治理水平抑制企業成本粘性。在列（5）中，ΔlnSales×D×DAT的系數為0.658，在1%的水平上顯著。在列（6）中，ΔlnSales×D×DAT的系數為0.320，在1%的水平上顯著；RE的系數為0.009，在5%的水平上顯著。表明數智技術能夠通過提高資源利用效率抑制企業成本粘性。綜上，假設H2得到驗證。同時，采用Bootstrap方法進行檢驗（結果見表7），結果依舊穩健。

6. 進一步分析

（1）考慮成本要素的進一步分析

本文將企業成本分為銷售費用和管理費用、人工成本（支付給職工及為職工支付的現金+應付職工薪酬變動值）和非人工成本（企業成本-人工成本），進行回歸，結果見表8。在列（1）和列（2）中，ΔlnSales×D×DAT的系數分別為0.266和0.331，分別為不顯著和在5%的水平上顯著，表明數智技術對管理費用粘性的抑制效應顯著，而對銷售費用粘性的抑制效應不顯著。在列（3）和列（4）中，ΔlnSales×D×DAT的系數分別為0.261和-0.303，分別在5%的水平上顯著和不顯著，表明數智技術對人工成本粘性的抑制效應顯著，而對非人工成本粘性的抑制效應不顯著。

（2）考慮經濟后果的進一步分析

為了探究數智技術抑制企業成本粘性的經濟后果，本文構建模型（5）和模型（6），借鑒Weiss[22]的作法測算企業成本粘性（Sticky），選取營業利潤率（Earn）和凈資產收益率（Roe）來衡量企業績效。回歸結果見表11列（1）至列（2）。Sticky×DAT的系數分別為0.052、0.098，均在1%的水平上顯著。將未來一期和未來二期的營業利潤率（Earn）和凈資產收益率（Roe）代入模型中進行回歸，結果見表9列（3）至列（6）。從未來一期來看，Sticky×DAT的系數分別為0.078、0.025，均在1%的水平上顯著；從未來二期來看，Sticky×DAT的系數分別為0.061、0.022，均在1%的水平上顯著。表明數智技術通過抑制企業成本粘性提高企業績效，且具有長期的績效提升效應。

五、 結論與建議

本文以2011—2023年滬深A股上市企業為樣本，實證檢驗數智技術對企業成本粘性的影響。研究發現，企業存在明顯的成本粘性，數智技術能夠抑制企業成本粘性。異質性分析表明，數智技術對成本粘性的抑制效應在國有企業和非國有企業中均顯著，且在國有企業中更為明顯；在成長期企業中顯著，而在成熟期企業和衰退期企業中不顯著；在東部、中西部地區企業中均顯著，且在中西部地區企業中更為明顯；在高知識產權保護地區企業中顯著，而在低知識保護地區企業中不顯著。作用渠道分析表明，數智技術能夠通過緩解信息不對稱、提升治理水平和提高資源利用效率抑制企業成本粘性。進一步分析表明，數智技術對管理費用粘性、人工成本粘性的抑制效應顯著，而對銷售費用粘性、非人工成本粘性的抑制效應不顯著；數智技術通過抑制企業成本粘性提高企業績效，且具有長期的績效提升效應。

綜合上述結論，本文提出以下建議：

第一，企業應積極推動數智技術創新和應用。根據自身經營環境和發展需求，結合自身特征和區域特征，規劃數智技術創新和應用，選擇合適的數智技術，逐步將其融入經營管理各個環節。管理層應增強數智技術創新和應用意識，充分考慮企業內外部環境，采取循序漸進的方式，協調引進數智設備與現有設備數智化改造之間的關系，促進企業數智技術創新和應用，從而提升資源配置效率和信息處理能力。

第二，企業應注重提高治理水平。加強制度建設，提高公司治理水平，緩解和應對數智技術創新和應用的潛在不利影響。數智技術創新和應用應在公司治理中發揮積極作用：借助數智技術創新和應用，強化部門之間的信息共享和流通，有意識地調整管理方法，提高治理能力；在經營管理中，綜合運用數智技術，實現科學決策；針對公司治理中存在的不足，完善治理機制，提高治理的合理性和有效性。

第三，政府應為企業數智技術創新和應用提供所需的支持。通過多層次、系統的支持政策促進企業數智技術創新和應用，為企業數智技術創新和應用營造良好的氛圍和政策環境。具體而言，政府不僅要改革和完善可能阻礙數智技術創新和應用的管理體制、審批流程等，還要建立數智技術創新和應用支撐體系，加快數智基礎設施建設，布局數智技術創新應用平臺，為企業提供所需的開發工具、公共服務及創新激勵政策。

參考文獻：

[1] GHASEMAGHAEI M， CALIC G.Assessing the Impact of Big Data on Firm Innovation Performance：Big Data is Not Always Better Data[J].Journal of Business Research，2020（108）：147-162.

[2] 于寶君，宮婷婷，朱慧敏，等.數智技術應用與制造企業服務化轉型——創新資源配置及雙元創新能力的鏈式中介作用[J].科技進步與對策，2024（6）：1-12.

[3] 盧福財，陳慧. 工業互聯網、企業成長性與價值創造[J].經濟管理，2023，45（1）：5-24.

[4] 戴魁早，黃姿，梁銀笛.數智技術、技術要素市場與服務型制造[J].中國工業經濟，2025（1）：137-155.

[5] COLDBECK B， OZKAN A.Comparison of Adjustment Speeds in Target Research and Development and Capital Investment：What did the Financial Crisis of 2007 Change？[J].Journal of Business Research，2018（84）：1-10.

[6] 趙玲，黃昊.企業數字化轉型、供應鏈協同與成本粘性[J].當代財經，2022（5）：124-136.

[7] HEO P S， LEE D H.Evolution of the Linkage Structure of ICT Industry and Its Role in the Economic System：The Case of Korea[J].Information Technology for Development，2019，25（3）： 424-454.

[8] 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.

[9] 張勇.數字化轉型與企業費用粘性——基于文本分析方法的經驗證據[J].經濟與管理評論，2023，39（6）：122-134.

[10] 岳宇君，晏渡.數字技術創新何以促進企業價值創造：機理與實證[J].上海金融，2025（1）：43-56.

[11] 袁淳，李超穎，梁上坤.數字金融發展與企業費用粘性[J].南開管理評論，2023（5）：1-36.

[12] 韓嵐嵐.創新投入、內部控制與成本粘性[J].經濟與管理研究，2018，39（10）：131-144.

[13] 韓士專，楊佳英，楊禮華.數字化轉型對企業全要素生產率的影響研究[J].現代管理科學，2024（2）：133-142.

[14] 鄭世林，陶然，楊文博.ChatGPT等生成式人工智能技術對產業轉型升級的影響[J].產業經濟評論，2024（1）：5-20.

[15] RACHINGER M， RAUTER R，MüLLER C，et al.Digitalization and Its Influence on Business Model Innovation[J].Journal of Manufacturing Technology Management，2019，30（8）：1143-1160.

[16] 覃家琦，謝雁翔，金振，等.工業機器人應用與企業勞動力成本粘性[J].金融評論，2023，15（5）：103-124.

[17] 吳武清，田雅婧.企業數字化轉型可以降低費用粘性嗎——基于費用調整能力視角[J].會計研究，2022（4）：89-112.

[18] 吳非，胡慧芷，林慧妍，等.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，2021，37（7）：130-144.

[19] 范合君，鄭錚.數字資產配置、管理創新與成本粘性[J].濟南大學學報（社會科學版），2024，34（1）：69-83.

[20] BURKS J J， CUNY C， GERAKOS J， et al.Competition and Voluntary Disclosure： Evidence from Deregulation in the Banking Industry[J].Review of Accounting Studies，2018（23）： 1471-1511.

[21] 岳宇君，柏玉馨.金融科技賦能企業高質量發展：影響效應與作用機制[J].統計學報，2024，5（5）：81-94.

[22] WEISS D.Cost Behavior and Analysts’ Earnings Forecasts[J].The Accounting Review，2010， 85（4）：1441-1471.

基金項目：教育部人文社會科學研究規劃基金項目“數智化轉型、成本粘性與企業高質量發展：理論、實證與政策研究”（項目編號：22YJA790082）；江蘇省研究生科研創新計劃項目“智能化轉型、費用粘性與企業價值的關系研究”（項目編號：KYCX24_1109）。

作者簡介：岳宇君，通訊作者，男，博士，南京郵電大學管理學院副教授，研究方向為企業數字化、數字經濟與管理；晏渡，男，南京郵電大學管理學院碩士研究生，研究方向為信息產業經濟與管理。

（收稿日期：2025-01-12" 責任編輯：魯文雯）