开放科学(资源服务)标识码(OSID)：
This study investigates the enabling mechanisms of data elements on the subject and the structural resilience of the supply chain in order to reveal the supply chain resilience enhancement paths in a more thorough and detailed manner. As a result, given the network characteristics of the supply chain, the subject element and structural element may show different resilience mechanisms against risks. By employing the OLS regression model, the study collects data from Chinese listed companies between 2015 and 2022 and uses text analysis to create indicators that show the application level of enterprise data elements. It then uses supply chain subject resilience and structural resilience to characterize the overall resilience of the supply chain and empirically investigates the impact of data elements on resilience.
The research results show that data elements can effectively enhance the level of enterprise risk-taking and the stability of supply-demand relationship, and the findings remain robust after a series of endogeneity and robustness tests, showing that data elements can effectively enhance both supply chain subject resilience and structural resilience. In addition, the application of data elements by enterprises can effectively enhance the innovation effect and the information effect, thus improving the innovation capability of enterprises and obtaining the information advantage to promote the resilience of the supply chain. At the same time, the enabling effect of data elements on supply chain resilience can be differentiated by the internal and external environments of enterprises, that is, the enabling effect is stronger when the enterprise is large, operates in a highly competitive industry, and is situated in an area with a poor supply chain operating environment and high marketization.
Compared with the results of previous studies, this study expands the research perspective of supply chain resilience, constructs enterprise-level supply chain resilience measurement indexes from the perspective of network characteristics, and enriches the research scope of supply chain in the era of digital economy; and it further empirically examines the two indirect empowerment mechanisms of innovation effect and information effect, which provides a useful supplement to the research on the empowerment mechanism of data elements on supply chain resilience. Through the analysis of the research findings, this study proposes to accelerate the construction of data element marketization, further activate the potential of data elements in enhancing supply chain resilience, and formulate targeted data elements application solutions according to the differences in the internal and external environments of enterprises, which will help the government optimize the policies on data elements and supply chain and support the scientific decision-making of enterprises, and have certain theoretical significance for the implementation of the strategic plan of "focusing on enhancing the resilience and security of industrial chain and supply chain".
Future research may integrate the two dimensions of supply chain entity resilience and relationship resilience into a comprehensive index for research, further combine the characteristics of the supply chain to reveal the mechanism path involving more data elements to empower supply chain resilience improvement, and the subsequent economic impacts of data elements empowering supply chain resilience improvement could be predicted.
开放科学(资源服务)标识码(OSID)：
当前,百年未有之大变局加速演进,供应链不确定性、不稳定性凸显,提升供应链韧性成为企业应对各种挑战和风险的有效策略。中共二十大报告明确提出“着力提升产业链供应链韧性和安全水平”,可见提升产业链供应链韧性已成为维护国家安全与提升竞争力的重要战略部署。数字经济背景下,数据要素的非排他性、规模报酬递增与正外部性等经济特性,使其作为关键生产要素广泛渗透到供应链各环节,有助于推进供应链韧性机制构建与优化[1]。然而,供应链各节点间存在协作能力不强、资源整合力度不够等问题,导致整个链条稳定性与韧性不足,这是制约我国产业体系现代化发展和国民经济循环畅通的关键问题[2]。如何把握数字经济机遇,充分发挥数据要素价值以打通供应链堵点、断点与难点,进而提升供应链韧性,是当前发展亟待解决的重要问题。
供应链韧性主要是指供应链在遭受风险或冲击时恢复正常状态或达到更理想状态的能力[3-4]。在供应链韧性机制构建与优化研究中,供应链合作[5]、供应链数字化[6]、供应商多元化[7]、技术创新与信息处理能力[8]等被证明对单一维度供应链韧性具有正向影响。同时,近年来少数学者开始聚焦多维度供应链韧性研究。例如,张树山等[9]从供应链抵抗力和恢复力两个维度测度制造业供应链韧性;Zhou等[10]从外部韧性和内部韧性维度构建企业供应链韧性机制;陶锋等[11]从供需匹配优化、供需关系维持、供应质量提升3个层面构建产业链供应链韧性机制。得益于时代发展与技术进步,供应链体系逐渐演变成典型的网络结构,其特征表现为由网络主体和联结主体间关系两类基本要素组成(中国社会科学院工业经济研究所课题组等,2021)。供应链中断与韧性表现会因这两类要素在供应链网络中的不同配置情况而存在差异(Kim等,2015),因而可以从供应链主体和关系两个维度考虑如何实现供应链韧性提升这一问题。
数字经济时代,新一代信息技术引发传统供应链运营模式变革,数字技术、数据要素在供应链网络中的流通与应用能够推动网链优化升级,畅通整个产业链供应链循环体系[12]。在数据要素对供应链主体内部驱动研究方面,强调以数据为核心的数字环境推动企业供应链体系蜕变,对多维度数据的分析和评估有助于规避风险以维护供应链安全稳定[13]。数据要素赋能企业实现数据化精益生产创新[14],精准把握商业环境变化和客户需求[15-16],从而降低生产和销售流程风险。大数据能力可以驱动企业创新和决策优化,进而推进关键技术突破[17-18],提高企业供应链管理绩效[19],助推企业培育核心竞争力和供应链敏捷性[20-21]。在数据要素对供应链主体外部溢出研究方面,流程数据化背景下,知识、信息和数据等要素实现充分流动与整合,沿着供应链对其他主体产生影响[22],数据货币化能够提高端到端运营的可持续性(Bechtsis,2022)。作为数字经济的关键要素,数据能够推动数字经济和实体经济深度融合,提高产业链供应链现代化水平。
现有研究为深入理解数据要素对供应链韧性的赋能效应及其内在机理提供了有益的启示,但仍存在以下拓展空间:第一,过往文献大多从单一维度构建供应链韧性机制,基于网络特征视角,从供应链主体韧性和关系韧性维度构建多维度韧性机制的实证研究有待进一步丰富;第二,数据要素对供应链治理的影响效应研究丰富,但探讨创新效应和信息效应对供应链韧性赋能的研究鲜见,需进一步完善与拓展。由此,本文基于2015—2022年中国上市企业数据,结合供应链网络结构特征,从主体韧性和关系韧性两个层面构建供应链韧性机制,并运用OLS回归模型实证检验数据要素对供应链韧性的赋能效应及具体机制与异质性表现。本文以“提升产业链供应链韧性和安全水平”政策为统领开展研究,以期为数据要素与供应链相关政策制定与实施,以及企业供应链治理决策制定提供参考。
供应链是将产品或服务提供给终端消费者进行生产及流通过程中,由供应商、制造商、分销商与终端客户所形成的网链结构。因此,企业供应链具备一般网络特征,由主体和主体间关系两类基本要素构成[23]。在企业供应链网络中,企业为主体,主体间关系表现为上下游企业间的供需关系。对网络整体的综合把握,通常要考虑网络主体状况与网络关系(Phelps,2010;于茂荐等,2020)。从图论视角看,了解供需网络中主体间关系配置情况能够准确评估供应网络的中断与恢复能力,主体或关系动态变化均可能引起整个供应链波动(Kim等,2015)。此外,有研究指出,提高供应链风险应对能力和安全水平,必须提升供应链节点企业风险承担能力(张树山等,2021),以及维持稳定的供应商—客户关系(陈娇娇等,2023)。可见,维护供应链网络安全稳定不仅要考虑网络主体状况,也要关注主体间关系稳定度。
从供应链网络结构特征看,提升供应链韧性的关键在于提高供应链网络主体风险承担能力和主体间供需关系稳定度。一方面,资源基础观和组织信息处理理论认为,风险管理实践对供应链韧性具有积极影响(Zhao等,2023)。供应链主体风险承担能力越强,主体所处关联环节韧性越强,不易发生波动或中断(中国社会科学院工业经济研究所课题组等,2021)。另一方面,从社会网络理论视角看,企业借助与上下游企业间的关系网络可以获得信息优势和控制优势,从而识别外部机遇与风险(宋华等,2017)。由此,确保供应链上供需关系稳定,企业可以持续从网络中获得异质性信息以构建信息优势,从而减少遭遇风险后的波动或中断。需要注意的是,自主创新和信息共享对供应链韧性发挥关键作用。当前产业变革背景下,企业供应链布局逐渐本土化,需要以更高的附加值参与价值链分工。因此,企业需要提升自主创新能力,通过填补供应链空白和提高分工地位增强自身竞争优势。此外,基于关系嵌入理论,企业通过嵌入供应链关系网络与其它企业实现关联互动,有助于构建稳定的供应链关系,进而识别并降低供应链风险以提升供应链韧性。
因此,供应链韧性包括两个维度:第一,供应链主体韧性:风险承担能力,即作为供应链网络节点的企业需要具备较强的风险响应能力、灵活性以及重塑力。在遭遇市场动荡和恶意竞争时,企业能够快速精准地制定决策,确保供应链在复杂环境下依然具备重塑能力和风险控制优势[24]。第二,供应链关系韧性:供需关系稳定度,即企业与供应链上下游企业供需关系持续、协同与强健。应对复杂多变环境的干扰和冲击时,供需关系网络主体共担风险、协同决策,促使供应链展现出较强的风险抵抗力、恢复力与变革力[25]。综上所述,本文以供应链网络特征为基础,从供应链主体韧性和关系韧性两个维度构建供应链韧性,探讨数据要素赋能供应链韧性的具体机制。
(1)数据要素与供应链主体韧性。作为供应链主体,企业能够运用数字技术对内外部数据资源进行整合、再利用,提升环境洞察力、决策效率与精度,有效强化自身风险预测与响应能力。具体而言,一方面,数据要素可以赋能企业洞察运营和商业环境变化。当前,数据挖掘、储存、分析与整合成本降低,有助于强化企业数据要素应用意愿。由此,企业实时监测与识别外部环境变化,有效预测不确定性风险以制定抵御策略(李三希等,2023)。另一方面,数据要素赋能企业决策效率与精准度提升。数字化浪潮下,借助数字平台建立信息传输渠道,从而提升供应链网络资源流通效率。将资源进一步应用于企业生产经营与管理决策过程,有助于企业学习上下游企业科学决策行为,进而创新决策流程与模式,更快从风险中恢复或达到更理想状态。由此,本文提出如下研究假设:
H1：企业数据要素应用水平提高能够促进供应链主体韧性提升,对企业供应链韧性具有积极影响。
(2)数据要素与供应链关系韧性。数据要素的外部网络性不仅能够促使其与其它生产要素链接,而且有助于推动供应链上下游企业间资源与要素流动,产生网络协同效应以维持稳定的供需伙伴关系。从需求端角度看,数据要素赋能企业实现高效的客户关系管理。由资源依赖理论可知,稳定的客户关系可以帮助企业挖掘客户数据资源,实现客户画像定位、交易场景描绘并促进客户服务效率提高。从供应端角度看,数据要素赋能企业实现最优化采购。在面临冲击或“断链”的情况下,借助相关数据运算与分析结果,企业可以灵活调整采购计划与交付策略,提高供应链稳定水平或从中断中快速恢复的能力[26]。从全链条网络角度看,数据要素赋能供应链企业实现协同合作。数据要素可以缩短企业间信息距离,基于数据要素的智能分析有助于企业与链上其它企业制定科学的战略规划,实现价值共创、利益共享与风险共担(Choi等,2018),以保障在面临风险时供需关系的连续性。由此,本文提出如下研究假设:
H2：企业数据要素应用水平提高能够促进供应链关系韧性提升,对企业供应链韧性具有积极影响。
在供应链与数字经济深度融合背景下,数据是企业实现自主创新、推动技术进步及提升信息竞争优势的核心要素(蔡继明等,2022)。在供应链网络中,企业自主创新能力提升有助于缓解市场动荡风险并推动核心技术突破;在供应链关系层面,企业间信息共享水平提升有助于促进信息匹配和信任机制构建。据此,本文从创新效应和信息效应两个方面,探究数据要素对供应链主体韧性和关系韧性的作用机制。
(1)创新效应。企业对数据要素的应用可以增强创新意愿、提升创新效率、破除创新主体限制、拓展创新要素来源,从而促进供应链升级跃迁与韧性提升。第一,增强企业创新意愿、提升企业创新效率。随着数据要素市场化发展,企业能够以较低成本对研发信息进行广泛收集与深度挖掘,在降低创新成本的同时减少探索性学习障碍(De等,2021),从而增强创新意愿。数据要素有助于企业扩大知识搜索范围,将现有知识与新知识相结合以创造新知识,从而提升创新效率[27]。第二,破除创新主体限制。上下游企业风险与利益的统一性促使企业间创新方向一致,但传统供应链运作模式会阻碍企业联合创新。高数据要素应用水平下,数据能够突破组织边界,助力企业打造共同研发创新模式,降低独自研发的局限性,进而增加核心技术“跃迁”的可能性(戚聿东等,2020)。第三,拓展创新要素来源。数据要素能够促进创新要素在供应链网络上实现交换共享,企业资源获取广度和深度得到进一步提升,从而促进企业创新质量提升。当前,高水平自主创新能力有助于企业扭转关键技术受人牵制的局面,从而促进产业链供应链韧性与安全水平提升。由此,本文提出如下研究假设:
H3：企业数据要素应用水平提高能够强化创新效应,进而赋能供应链主体韧性提升。
(2)信息效应。数据要素作为企业信息与知识的“流通媒介”,能够有效破除“信息孤岛”并缓解信息不对称性问题,从而增强供应链企业间协作的稳定性、持续性与韧性。第一,作为关键生产要素,数据要素已成为供应链各环节信息与知识共享的“流通媒介”,能够促进信息与知识快速渗透(杨任发等,2023),畅通供应链上下游企业产品研发与生产制造、资源配置、交换流通等环节以及要素流动过程,从而加强链上企业关系。第二,数据要素搭载新一代信息技术,能够有效破除各层级间“壁垒”,打通“信息孤岛”,进而为构建科学的信息开放共享机制奠定良好基础,增强企业在洞察市场需求、快速响应市场变化和提供精准服务与产品等方面的优势[28]。第三,数据要素应用能够缓解信息不对称性问题。数据要素应用通过促进信息共享增强信息活力,有助于企业间建立稳定持久的信任共生关系。面临风险时,上下游企业通过构建预警与响应协同机制减少供应链波动,从而提升供应链韧性。由此,本文提出如下研究假设:
H4：企业数据要素应用水平提高能够强化信息效应,进而赋能供应链关系韧性提升。
综上所述,本文构建数据要素赋能供应链韧性理论框架如图1所示。
图1 数据要素赋能供应链韧性理论框架
Fig.1 Theoretical framework for data elements to empower supply chain resilience
2.1.1 被解释变量
依据前文分析,本文将供应链韧性(SCR)划分为两个维度:一是供应链主体韧性(DRisk),采用企业风险承担水平表征;二是供应链关系韧性(Stable),采用企业间供需关系稳定度表征。本文采用以股票日回报率年标准差衡量企业风险承担水平(DRisk),相较于易受盈余管理操控的企业财务指标,股票回报率具有较强的外生性,更能真实反映企业风险承担情况(张树山等,2021);采用客户关系稳定度(CStable)和供应商关系稳定度(SStable)衡量供需关系稳定度(Stable),数值越大,企业与供应商及客户关系越稳定[11]。
2.1.2 核心解释变量
本文核心解释变量为数据要素应用水平(DE)。目前,我国上市企业尚未公开披露数据要素应用情况,相关数据难以获得。因此,为尽可能准确衡量我国上市企业数据要素应用水平,本文考虑数据生命周期的两个阶段特征,并参考《2022中国大数据发展白皮书》《中国数据要素市场发展报告(2021-2022)》以及过往相关研究成果构建数据要素应用水平关键词词典(见表1),再利用Python软件抓取关键词,计算关键词出现频数,以此衡量数据要素应用水平(DE)。数值越大,表明企业数据要素应用水平越高。
表1 企业数据要素应用水平关键词
Table 1 Keywords for the application level of data elements in enterprises
数据生命周期关键词词典数据生产信息和知识阶段大数据、海量数据、数据预处理、数据分析、数据挖掘、数据化、智能数据分析、亿级并发、EB级存储、异构数据、分布式文件、云计算、算力、可视化、流式计算、集中元式数据、流计算、图计算、内存计算、多方安全计算、类脑计算、绿色计算、认知计算、融合架构数据产品(信息和知识)应用阶段人工智能、机器学习、加密设备、深度学习、智能机器人、智能穿戴、智慧农业、智慧物流、智能交通、智能医疗、智能客服、智能家居、智能投顾、智能文旅、智能环保、智能电网、智能营销、数字营销、数字金融、量化金融、数字货币、区块链、工业互联网、物联网
2.1.3 控制变量
本文控制上市企业层面相关影响因素,具体包括企业规模(Size)、资产负债率(Lev)、成长性(Growth)、总资产收益率(Roa)、现金流量(Cash)、企业年龄(Age)、股权集中度(First)、董事会规模(Board)、独董比例(Indb)、两职合一(Dual)、产权性质(State)。同时,本文控制了行业和年份效应。相关变量计算方式如表2所示。
表2 变量定义
Table 2 Variable definitions
变量类型变量名称变量符号变量测算方法被解释变量供应链主体韧性DRisk股票日回报率年标准差供应链关系韧性Stable年末前五大客户(供应商)名单中非新出现的客户(供应商)数量占比CStable年末前五大客户名单中非新出现的客户数量占比SStable年末前五大供应商名单中非新出现的供应商数量占比解释变量数据要素应用水平DE数据要素关键词出现频数加1取对数控制变量企业规模Size年末总资产对数资产负债率Lev总负债与总资产的比值成长性Growth营业收入增长率总资产收益率Roa净利润与总资产的比值现金流量Cash经营性净现金流与总资产的比值企业年龄Age观测年份与成立年份差值加1取对数股权集中度First第一大股东持股比例董事会规模Board董事会人数的对数独董比例Indb独立董事人数与董事会总人数的比值两职合一Dual董事长与总经理是同1人赋值为1,否则赋值为0产权性质State国有企业赋值为1,否则赋值为0
基于上述分析,本文构建基准回归模型(1)验证数据要素对供应链韧性的赋能效应。
SCRit=α0+α1DEit+∑Controlsit+Vt+Vj+εit
(1)
模型(1)中,SCRit表示供应链韧性,本文从主体韧性和关系韧性两个层面衡量,即表示i企业第t年的风险承担水平(DRisk)或供需关系稳定度(Stable);DEit表示i企业第t年的数据要素应用水平;∑Controlsit表示控制变量集合,Vt、Vj分别为年份、行业哑变量,表示控制了时间、行业效应;εit表示随机扰动项。
“国家大数据战略”于2015年正式提出,故本文以2015年为研究起点。本文选择2015—2022年中国上市企业作为初始研究样本,采用Excel、Stata 17.0软件进行数据处理。为消除异常值对研究结果的影响,本文进一步对初始样本进行如下处理:第一,剔除ST、*ST样本;第二,剔除金融行业样本;第三,剔除数据缺失与明显异常样本。最终,本文获得12 250个年度样本观测值。但是由于部分企业在年报中未披露五大客户或供应商名称(姓名),故供需关系稳定度相关数据缺失。本文中上市企业年报数据来源于巨潮资讯网(www.cninfo.com.cn),其它变量数据来源于国泰安(CSMAR)和万得(WIND)数据库。考虑到极端值对回归结果的干扰,本文对连续变量进行1%和99%水平上的缩尾处理。
表3描述性统计结果展示了主要变量数据特征。其中,DRisk的均值为2.939,最大值为5.716,表明企业供应链主体韧性普遍不强。Stable取值介于0～1之间,平均值为0.486、标准差为0.263。由此可知,近半数企业更换了客户或供应商。DE的平均值为1.374,标准差为1.356,最大值为5.204,表明企业数据要素应用水平偏低且差异显著。其它变量数据分布特征均合理、符合常规。
表3 主要变量描述性统计结果
Table 3 Results of descriptive statistics for the main variables
变量符号样本量均值标准差最小值最大值DRisk12 2502.9390.9811.2075.716Stable3 1910.4860.26301DE12 2501.3741.35605.204Size12 25022.6801.29720.22026.440Lev12 2500.4370.1940.062 0.878Growth12 2500.1720.446-0.5702.893Roa12 2500.0340.060-0.2320.199Cash12 2500.0520.064-0.1240.246Age12 2503.0320.2742.1973.555First12 2500.3330.1430.089 0.722Board12 2502.1250.1991.6092.708Indb12 2500.3760.0530.3330.571Dual12 2500.2390.42601State12 2500.4080.49101
为验证数据要素对供应链韧性的直接影响,本文使用基准回归模型(1)进行检验,结果如表4所示。从主体视角看,数据要素应用水平对企业风险承担水平影响的相关系数为0.037,满足1%水平上的显著性检验,表明数据要素应用水平对供应链主体韧性具有显著正向影响。从关系视角看,数据要素应用水平对企业间供需关系影响的总回归系数为0.014,对客户端影响的回归系数为0.012,对供应商端影响的回归系数为0.017,均满足1%、5%水平上的显著性检验。由此表明,数据要素应用水平对供应链关系韧性具有显著正向影响。在控制企业自身特征、行业与年度等变量后,高数据要素应用水平能够有效促进供应链主体韧性和关系韧性提升。随着数据要素赋能企业发展,数据要素应用有助于企业提升决策与风险控制水平,进而提升风险承担水平。数据要素在供应链网络上的应用能够显著促进信息流通与应用,进一步加深企业间协同合作,确保供应链关系稳定,从而提升供应链韧性。由此,H1、H2得到验证。
表4 基准回归分析结果
Table 4 Results of the benchmark regression analysis
变量供应链主体韧性维度(1)(2)DRiskStable供应链关系韧性维度(3)(4)CStableSStableDE0.037∗∗∗0.014∗∗∗0.012∗∗0.017∗∗(0.005)(0.005)(0.006)(0.007)Size-0.177∗∗∗0.016∗∗∗0.016∗∗0.019∗∗∗(0.006)(0.005)(0.006)(0.007)Lev0.580∗∗∗-0.060∗∗-0.042-0.101∗∗(0.038)(0.029)(0.039)(0.044)Growth0.176∗∗∗-0.032∗∗∗-0.042∗∗∗-0.022∗∗∗(0.013)(0.005)(0.006)(0.007)Cash-0.481∗∗∗0.166∗0.1860.152(0.114)(0.095)(0.123)(0.148)Roa0.0910.499∗∗∗0.425∗∗∗0.533∗∗∗(0.098)(0.077)(0.103)(0.113)Age-0.131∗∗∗0.034∗0.056∗∗0.002(0.023)(0.019)(0.026)(0.028)First-0.128∗∗∗0.075∗∗0.0640.089∗(0.043)(0.034)(0.045)(0.051)Board-0.138∗∗∗-0.026-0.125∗∗∗0.139∗∗∗(0.037)(0.028)(0.037)(0.042)Indb-0.124-0.378∗∗∗-0.685∗∗∗0.137(0.128)(0.116)(0.155)(0.171)Dual0.018-0.0170.001-0.040∗∗(0.014)(0.012)(0.016)(0.017)State-0.081∗∗∗-0.003-0.001-0.009(0.013)(0.011)(0.015)(0.016)_cons9.158∗∗∗0.1340.418∗∗-0.399∗(0.166)(0.139)(0.183)(0.212)年份/行业YesYesYesYesN12 2503 1911 8801 311调整后的R20.6170.1370.1570.157
注:括号中是标准误差;*表示p<0.1, **表示p<0.05, ***表示p<0.01,下同
3.2.1 内生性检验
(1)本文采用两阶段最小二乘法(2SLS)处理基准回归模型可能存在的内生性问题。参考过往研究,工具变量选取企业所处省份年度数据要素应用平均水平(SDE),回归结果显示,其Kleibergen-Paap rk LMstatistic在1%水平上显著,Cragg-Donald Wald F statistic和Kleibergen-Paap Wald rk F statistic大于Stock-Yogo弱工具变量识别检验在10%水平上的临界值。由此表明,结果拒绝不可识别与弱工具变量假设。具体检验结果见表5列(1)—(4),其中列(1)—(2)表示所选工具变量满足相关性要求,列(3)—(4)表明前文结论具有稳健性。
表5 内生性检验结果
Table 5 Results of endogeneity tests
变量2SLS第一阶段(1)(2)DEDE2SLS第二阶段(3)(4)DRiskStableHeckman第一阶段(5)DurationHeckman第二阶段(6) StableDE0.111∗∗∗0.065∗∗∗0.014∗∗∗(4.39)(3.96)(0.005)SDE0.663∗∗∗0.610∗∗∗(22.77)(17.76)ADuration3.458∗∗∗(0.392)IMR-0.053(0.047)_cons-2.725∗∗∗-1.479∗∗∗9.338∗∗∗0.2002.438∗∗∗0.054(-9.36)(-2.77)(51.73)(1.44)(0.432)(0.156)控制变量YesYesYesYesYesYes年份/行业YesYesYesYesYesYesN12 2503 19112 2503 19112 8613 191
(2)由于在年报中披露前五大客户或供应商具体名称(姓名)非强制性要求,故部分企业存在不公布的情况,可能导致供需关系稳定度(Stable)数据存在样本选择偏误问题。为此,本文利用Heckman检验法进行回归检验。参考过往研究,第一阶段以供需关系是否持续((Duration),持续赋值1,否则赋值0)作为被解释变量,以行业年度披露平均水平(ADuration)与企业层面的控制变量作为解释变量,进行Probit回归。第二阶段是在前一阶段的基础上测算逆米尔斯比率(IMR),将IMR当作控制变量进行第二阶段回归,结果见表5列(5)—(6)。Heckman检验结果与前文结果一致,说明在本文所选样本中不存在选择偏误问题。
3.2.2 稳健性检验
(1)更改被解释变量。参考过往研究,本文采用股票周回报率年标准差(WRisk)测度企业风险承担水平,以此表征供应链主体韧性,结果见表6列(1);供需关系稳定度(Stable)的替代变量采用滚动3年的均值测度,AStable表示(t-1年、t年、t+1年)3年的Stable均值,结果见表6列(2)。
表6 稳健性检验结果
Table 6 Results of robustness tests
变量更改被解释变量(1)(2)WRiskAStable更换回归模型(3)Stable更改样本周期(4)DRiskDE0.083∗∗∗0.018∗∗∗0.016∗∗∗0.032∗∗∗(0.015)(0.005)(0.005)(0.005)_cons22.480∗∗∗-0.1300.1267.344∗∗∗(0.511)(0.143)(0.157)(0.180)控制变量YesYesYesYes年份/行业YesYesYesYesN12 2502 6983 19110 718调整后的R20.5180.1550.309
(2)更换回归模型。由于供需关系稳定度(Stable)取值介于0～1之间,可将基准回归的OLS模型更换为Tobit模型,以此检验回归模型的稳健性,结果见表6列(3)。
(3)更改样本周期。本文剔除2015年相关数据进行回归,结果见表6列(4)。
以上稳健性检验回归结果与基准回归结果基本一致,故本文结论具有稳健性。
本部分探讨数据要素如何借助创新效应和信息效应,分别提升供应链主体韧性与关系韧性这一问题。参考中介效应检验步骤,在模型(1)基础上,本文构建拓展计量模型(2)和模型(3),以验证数据要素赋能供应链韧性的创新效应与信息效应机制。模型(2)和模型(3)中,Mediatorit是创新效应或信息效应机制变量,表示i企业第t年的自主创新能力(Patent)或信息共享水平(Trans),其它变量与模型(1)含义相同。
Mediatorit=λ0+λ1DEit+∑Controlsit+Vt+Vj+εit
(2)
SCRit=β0+β1DEit+β2Mediatorit+∑Controlsit+Vt+Vj+εit
(3)
3.3.1 创新效应
创新效应体现为数据要素能够提升主体企业自主创新水平,进一步强化供应链主体韧性。本文采用科技含量最高的发明专利申请量(Patent)加1取自然对数衡量企业自主创新能力,以此表征创新效应(张双龙等,2022)。将相关数据加入计量模型(2)(3)进行检验,回归结果见表7列(1)(2)。具体数据显示,数据要素应用水平对企业自主创新能力影响的系数为0.268,且满足1%水平上的显著性检验。在基准回归的基础上,加入企业自主创新能力变量后,数据要素应用水平系数降低但依然显著为正。由此可见,数据要素应用水平提高能够增强创新效应,进而提升供应链主体韧性,H3得到验证。因此,数据要素有助于企业通过增强创新意愿、提升创新效率、破除创新主体限制、拓展创新要素来源以增强自主创新能力,从而提升供应链主体韧性。在市场层面,数据要素有助于企业适应市场动态变化,开发满足市场需求的新产品;在技术层面,数据要素有助于企业实现关键技术自主可控,从而摆脱受制于人的局面。数据要素可以通过赋能强化创新效应,提升企业风险应对能力,进而提升供应链主体韧性。
表7 机制分析结果
Table 7 Results of the mechanism analysis
变量创新效应(1)(2)PatentDRisk信息效应(3)(4)TransStableDE0.268∗∗∗0.034∗∗∗0.009∗∗∗0.013∗∗∗(0.010)(0.005)(0.002)(0.005)Patent0.012∗∗∗(0.004)Trans0.158∗∗∗(0.034)_cons-12.007∗∗∗9.302∗∗∗-1.533∗∗∗0.293∗(0.339)(0.174)(0.080)(0.156)控制变量YesYesYesYes年份/行业YesYesYesYesN12 25012 2503 0563 056调整后的R20.4330.6170.4220.145
3.3.2 信息效应
信息效应体现为数据要素有助于促进企业间信息共享,进一步提升供应链关系韧性。借助数字化手段促使上下游企业信息匹配和关系持续,实际上是关注外部主体能否获取企业有效信息,进而实现供需平衡和信息共享,以此提升供应链关系韧性(张树山等,2023)。因此,本文采用盈余质量、信息披露指数、分析师跟踪人数、分析师盈余预测准确性以及是否聘请国际四大会计师事务所作为年报审计师5个指标的样本百分等级平均值(Trans)表征信息效应。数值越大,表明企业信息透明度越高,即主体企业与上下游企业信息共享水平越高。本文将相关数据代入计量模型(2)(3)进行信息效应检验,回归结果见表7列(3)(4)。结果显示,数据要素应用水平对企业间信息共享水平影响的回归系数为0.009,且满足1%水平上的显著性检验。在基准回归的基础上加入信息共享水平变量后,数据要素应用水平系数变小但依然显著为正。由此可见,数据要素应用水平提高可以增强信息效应,进而提升供应链关系韧性,H4得到验证。因此,高数据要素应用水平可以缩短企业间信息距离,有效破除“信息孤岛”并缓解信息失衡,进而显著提升企业间信息共享水平以增强供应链关系韧性。具体而言,数据要素可以促进要素投入与市场需求适配度提升,弱化供应链上“长鞭效应”的负向影响。企业间有效沟通协作能够加深上下游企业间的信任,不仅有利于供应链风险预测与识别,而且可以促使企业间实现风险共担、互利共生,进而提升供应链关系韧性。
数据要素应用水平对供应链韧性的促进作用可能受企业自身特征和外部环境异质性的影响。为揭示数据要素对供应链韧性的赋能机制,本文基于企业规模和所属行业、所处地区供应链运营环境和市场化水平4个角度进行分组检验。
(1)根据企业总资产水平进行分组检验,一组是大规模企业,另一组是小规模企业,结果见表8列(1)—(4)。相较于小规模企业,企业应用数据要素对供应链韧性的赋能效应在大规模企业更为显著。原因在于,相较于小规模企业,大规模企业在数据化认知、人才、资金、基础设施等方面具有更多优势,能够推动数据要素渗透至研发、制造与销售等供应链环节,进而加强与上下游企业协同合作。此外,小规模企业可能面临认知不足、成本过高等困境,短期内缺乏深度应用数据要素的动力。
表8 企业特征异质性分析结果
Table 8 Results of heterogeneity analysis of firm characteristics
变量大规模企业(1)(2)DRiskStable小规模企业(3)(4)DRiskStable竞争性行业企业(5)(6)DRiskStable管制性行业企业(7)(8)DRiskStableDE0.038∗∗∗0.026∗∗∗0.036∗∗∗-0.0000.048∗∗∗0.020∗∗∗-0.0010.015(0.007)(0.007)(0.007)(0.006)(0.005)(0.005)(0.012)(0.009)_cons9.054∗∗∗0.1689.297∗∗∗-0.1209.323∗∗∗0.2569.229∗∗∗0.295(0.232)(0.248)(0.238)(0.268)(0.199)(0.172)(0.305)(0.247)控制变量YesYesYesYesYesYesYesYes年份/行业YesYesYesYesYesYesYesYesN6 1251 5956 1251 5969 0181 9913 2321 200调整后的R20.6210.1630.6120.1080.6150.1030.6240.200
(2)根据企业所属行业特征开展分组检验,将样本企业划分为竞争性行业企业和管制性行业企业,结果见表8列(5)—(8)。相较而言,企业应用数据要素对供应链韧性的赋能效应在竞争性行业企业更显著。原因在于,当行业竞争激烈时,为了提高市场竞争优势,企业愿意尝试将新型要素用于运营活动中。竞争性行业中,外部交易成本较高,企业对数据要素的应用能够优化资源配置并降低合作伙伴搜寻成本,管制性行业中的情况则与此相反。
(3)以企业注册地是否被评为“第一批全国供应链创新与应用示范城市”将样本划分为供应链运营环境良好和供应链运营环境较差两组,检验结果如表9列(1)—(4)所示。企业应用数据要素对供应链韧性的赋能效应在供应链运营环境较差的地区更为显著。原因在于,示范城市在供应链人才、资金、政策等方面对企业的支持力度较大,各类资源要素整合和流通效率更高。上述环境下,各方协同发展,信息匹配效率与精准度较高。然而,非示范城市在各方面虽有所欠缺,但为了维持供需关系稳定,企业会提高数据要素应用水平以维持供应链关系韧性。
表9 外部环境异质性分析结果
Table 9 Results of heterogeneity analysis of the external environment
变量供应链运营环境良好(1)(2)DRiskStable供应链运营环境较差(3)(4)DRiskStable高市场化水平(5)(6)DRiskStable低市场化水平(7)(8)DRiskStableDE0.032∗∗∗0.0110.033∗∗∗0.014∗∗0.038∗∗∗0.011∗∗0.036∗∗∗0.014(0.011)(0.008)(0.006)(0.006)(0.007)(0.005)(0.007)(0.010)_cons6.521∗∗∗0.3329.297∗∗∗0.1289.403∗∗∗0.1578.911∗∗∗0.093(0.425)(0.248)(0.183)(0.170)(0.241)(0.169)(0.229)(0.271)控制变量YesYesYesYesYesYesYesYes年份/行业YesYesYesYesYesYesYesYesN2 21098810 0402 2035 6602 2846 590907调整后的R20.2970.2590.6520.1120.6270.1610.6080.107
(4)以企业注册地的樊纲市场化指数将样本划分为高市场化水平组和低市场化水平组,检验结果如表9列(5)—(8)所示。无论市场化水平如何,企业风险承担水平和供需关系稳定度都会因数据要素应用水平提升而提高。具体而言,在市场化水平较低地区,数据要素对供应链关系韧性的赋能效果较差。原因在于,市场化水平较高地区可为企业间互动与协同提供良好的环境,强化节点企业联结上下游企业的动机,有助于维护稳定的供需关系;市场化水平较低地区,资源错配程度较高,数据要素获取成本较高,企业缺乏利用数据要素维护供应链伙伴关系稳定的能力和动力。
应对供应链风险需要提升供应链韧性,而数据要素渗透和应用对供应链韧性机制构建与优化具有重要意义。本文基于供应链网络特征视角,将供应链韧性分解为供应链主体韧性和关系韧性两个维度,验证数据要素能否赋能供应链韧性提升以及赋能机制与异质性表现,得到以下主要结论:
(1)数据要素在企业中的应用对供应链主体韧性和关系韧性发挥赋能效应,即数据要素可以有效提升企业供应链韧性,经过一系列内生性与稳健性检验后,上述结论依然成立。
(2)数据要素通过赋能激发创新效应以增强主体韧性,通过赋能激发信息效应以增强关系韧性,进而推动整体供应链韧性提升。
(3)数据要素对供应链韧性的赋能效应会因不同内外部环境而存在差异,即当企业规模较大、属于竞争性行业、处于供应链运营环境较差和市场化水平较高地区时,上述赋能效应更显著。
(1)拓展了供应链韧性研究视角。本文从供应链网络特征视角揭示了主体与关系维度对供应链网络的影响,基于资源基础观、组织信息处理理论和社会网络理论,阐述了供应链主体与关系对其韧性的影响。结果发现,供应链韧性由供应链主体韧性和关系韧性两个维度构成,进一步揭示了数据要素赋能供应链主体韧性与关系韧性的相关机制,丰富了数字经济时代背景下的供应链研究。
(2)丰富了数据要素赋能机制研究。作为数字经济时代的关键生产要素,数据要素对供应链主体发展具有重要影响。产业链供应链变革背景下,本文发现,在供应链主体内部,企业可借助数据要素提高自主创新能力,进而提高价值链分工地位和风险承担能力;在供应链主体外部,企业可利用数据要素与其他主体实现实时信息共享,进而维持稳定的供应链关系。此外,本文对创新效应和信息效应机制进行检验,为数据要素对供应链韧性的赋能机制研究提供了有益的补充。
(1)加快推进数据要素市场化高质量发展,助力企业打造韧性供应链。一是探索数据要素市场化培育路径,助力企业打造韧性供应链。政府需要推进数据中心、人工智能、5G网络等数据新基建建设,制定税收优惠政策为供应链数据服务多样化发展奠定良好的基础,为企业提供风险预测与识别、应对方案咨询、智能化决策等多重供应链服务。二是基于数据全生命周期,完善数据要素监管机制,弥补数据要素确权、估值、交易与流通等环节的制度缺口。政府需要加快完善数据管理部门建设,制定数据标准、等级管理规则并发布相关数据资产登记、数据资产评估等指南,从而促进市场健康发展。同时,构建规范的数据交易平台,引导数据中介、交易商融入市场,服务产业链供应链各薄弱环节,防范系统性风险。
(2)加快提升企业自主创新能力和信息共享水平,实现数据要素赋能供应链韧性提升。一是在供应链主体维度,企业需要将数据要素应用于研发创新活动的关键知识挖掘、资金获取、人才引进等环节,进而提高创新质量。此外,企业需要利用数据要素易流通特性,与政府、高校、研究所以及供应链伙伴企业等实现研发人才、资金、知识等创新资源共享,打造创新联合体以实现融通创新。二是在供应链关系维度,企业需要充分释放数据要素价值,缩短自身与其他主体信息沟通距离。企业可以借助数字技术推进供应链数字化转型,加快与供应链其它企业进行知识交换与共享,构建可视化供应链平台,开发多源供应网络、灵活调整生产计划,以此维持供应链稳定。
(3)根据企业所处环境,制定针对性供应链数据要素应用方案。一是政府需要引导小规模企业、管制性行业企业应用数据要素。政府可以制定数据交易撮合指引,引导企业开发个性化数据产品。同时,鼓励“链主”企业与行业龙头企业向弱势企业开放数据资源,进而提升后者核心竞争力以弥补产业链供应链短板。二是在供应链运营环境较好和市场化水平较低地区,构建具有活力的数据要素服务体系。即便企业拥有供应链治理优势,也需要加强数据要素应用,在开发端实现智能生产质量控制、工艺改进,在市场端实现产品个性化定制、精准营销等。在市场化水平较低地区,政府应构建数据资源流通机制,打击数据垄断、数据非法使用等行为,优化政策法规,进而强化数据要素对企业供应链韧性的赋能效应。
本文存在以下不足:首先,从供应链主体韧性与关系韧性两个维度衡量供应链韧性,未将两个维度指标整合为综合指标进行研究,未来可以尝试基于整合视角开展后续研究。其次,仅探究创新效应和信息效应对供应链韧性的影响,未来可以进一步结合供应链特性,揭示更多数据要素赋能供应链韧性提升的相关机制。最后,尚未探讨数据要素赋能供应链韧性提升的经济后果,如企业生产率或供应链绩效等,未来可对此作进一步研究。
[1] 徐翔,赵墨非,李涛,等.数据要素与企业创新:基于研发竞争的视角[J].经济研究,2023,58(2):39-56.
[2] 石建勋,卢丹宁.着力提升产业链供应链韧性和安全水平研究[J].财经问题研究,2023,46(2):3-13.
[3] CHRISTOPHE M,PECK H.Building the resilient supply chain[J]. International Journal of Logistics Management,2004,2(15):1-13.
[4] WONG C W Y, LIRN T C, YANG C C, et al. Supply chain and external conditions under which supply chain resilience pays: an organizational information processing theorization[J]. International Journal of Production Economics, 2020, 226(8): 107610.
[5] 马潇宇,黄明珠,杨朦晰.供应链韧性影响因素研究:基于SEM与fsQCA方法[J].系统工程理论与实践,2023,43(9):2484-2501.
[6] ZOUARI D, RUEL S, VIALE L. Does digitalising the supply chain contribute to its resilience[J]. International Journal of Physical Distribution &Logistics Management, 2021, 51(2): 149-180.
[7] COHEN M, CUI S, DOETSCH S, et al. Bespoke supply-chain resilience: the gap between theory and practice[J]. Journal of Operations Management, 2022, 68(5): 515-531.
[8] YU W, CHAVEZ R, JACOBS MA, et al. Openness to technological innovation, supply chain resilience, and operational performance: exploring the role of information processing capabilities[J]. IEEE Transactions on Engineering Management, 2024,71(1):1258-1270.
[9] 张树山,谷城,张佩雯,等.智慧物流赋能供应链韧性提升:理论与经验证据[J].中国软科学,2023,38(11):54-65.
[10] ZHOU J, HU L, YU Y, et al. Impacts of IT capability and supply chain collaboration on supply chain resilience: empirical evidence from China in COVID-19 pandemic[EB/OL]. Journal of Enterprise Information Management:1-27[2023-04-12]. https://doi.org/10.1108/JEIM-03-2022-0091.
[11] 陶锋,王欣然,徐扬,等.数字化转型、产业链供应链韧性与企业生产率[J].中国工业经济,2023,40(5):118-136.
[12] 刘纯霞,陈友余,马天平.全球供应链外部中断风险缓释机制分析——数字贸易的视角[J].经济纵横,2022,38(7):60-68.
[13] 陈金晓,陈剑.从优化到重塑——大变局中的供应链高质量发展[J].系统工程理论与实践,2022,42(3):545-558.
[14] 张明超,孙新波,王永霞.数据赋能驱动精益生产创新内在机理的案例研究[J].南开管理评论,2021,24(3):102-116.
[15] 钞小静,王宸威.数据要素对制造业高质量发展的影响——来自制造业上市公司微观视角的经验证据[J].浙江工商大学学报,2022,36(4):109-122.
[16] GU M, YANG L, HUO B. The impact of information technology usage on supply chain resilience and performance: an ambidexterous view[J]. International Journal of Production Economics, 2021, 232(2): 107956.
[17] 李健,董小凡,张金林,等.数据资产对企业创新投入的影响研究[J].外国经济与管理,2023,45(12):18-33.
[18] 冯檬莹,陈海波,郭晓雪.大数据能力、供应链协同创新与制造企业运营绩效的关系研究[J].管理工程学报,2023,37(3):51-59.
[19] BAG S, WOOD L C, XU L, et al. Big data analytics as an operational excellence approach to enhance sustainable supply chain performance[J]. Resources, Conservation and Recycling, 2020, 153(2): 104559.
[20] CAPPA F, ORIANI R, PERUFFO E, et al. Big data for creating and capturing value in the digitalized environment: unpacking the effects of volume, variety, and veracity on firm performance[J]. Journal of Product Innovation Management, 2021, 38(1): 49-67.
[21] 孙新波,钱雨,张明超,等.大数据驱动企业供应链敏捷性的实现机理研究[J].管理世界,2019,35(9):133-151,200.
[22] 谢康,胡杨颂,刘意,等.数据要素驱动企业高质量数字化转型——索菲亚智能制造纵向案例研究[J].管理评论,2023,35(2):328-339.
[23] 李晓梅,李焕焕,王梦毫. 人工智能时代“专精特新”企业高质量发展进化机制 [J]. 科学管理研究, 2023, 41 (6): 106-114.
[24] HOSSEINI S, MORSHEDLOU N, IVANOV D, et al. Resilient supplier selection and optimal order allocation under disruption risks[J]. International Journal of Production Economics, 2019, 213(7): 124-137.
[25] CAO M, ZHANG Q. Supply chain collaboration: impact on collaborative advantage and firm performance[J]. Journal of Operations Management, 2011, 29(3): 163-180.
[26] WAMBA S F, GUNASEKARAN A, AKTER S, et al. Big data analytics and firm performance: effects of dynamic capabilities[J]. Journal of Business Research, 2017, 70(1): 356-365.
[27] WU L, HITT L, LOU B. Data analytics, innovation, and firm productivity[J]. Management Science, 2020, 66(5): 2017-2039.
[28] 张广玲,王鹏,胡琴芳. 供应链企业间地理距离与组织距离对合作创新绩效的影响 [J]. 科技进步与对策, 2022, 39 (9): 75-82.