开放科学(资源服务)标识码(OSID)：
This study synthesizes insights from various scholars, and proposes a comprehensive supply chain resilience framework that addresses three critical dimensions: pre-disruption response capabilities, intra-disruption adaptation capabilities, and post-disruption recovery capabilities. It takes 295 listed companies in the computer, communication, and other electronic equipment manufacturing industry on the A-share market from 2018 to 2022 as samples. Numerical values of new production factor variables are obtained based on the data collected through the CSMAR database, CNRDS database, and corporate annual reports to calculate the supply chain resilience of enterprises over a 5-year period for analysis. By defining variables and constructing a multiple linear regression model, the interaction mechanism among the four factors is further explored.
The results show that data and management factors have a significant positive impact on the resilience of the supply chain in the ICT manufacturing industry, while knowledge and technology factors have a significant negative impact. However, when combined, there is a certain substitution effect between the data and knowledge factors, that is, when the level of data elements is generally improved, the negative impact of risks such as the knowledge paradox on the resilience of the supply chain may be partially suppressed. There are differences in the resilience of the supply chain between upstream and downstream enterprises in the ICT manufacturing industry, with downstream enterprises having better resilience than upstream enterprises, and the new factors have different effects on the resilience of the supply chain between upstream and downstream. There is a significant differentiation in the competitive pattern among industrial regions, and there is regional heterogeneity in the impact of new factors on the resilience of the supply chain.
This paper expands the empirical research on supply chain resilience, and clarifies the connotation of new production factors and quantifies them in the context of the digital economy and new quality productive forces. It conducts an in-depth analysis of the relationship between new production factors and the resilience of the supply chain of ICT manufacturing enterprises from the perspective of factor combinations, providing support for ICT manufacturing enterprises to better cope with uncertainty shocks and maintain supply chain stability. To enhance the resilience and competitiveness of the ICT manufacturing industry's supply chain, it is imperative to foster the synergistic application of new production factors, including the robust safety management of data, knowledge, and technology. Concurrently, there is a need to bolster communication and collaboration with supply chain partners across the upstream and downstream sectors, ensuring the coordinated development of each link within the supply chain. This approach will facilitate the establishment of stable relationships and lead to the collaborative optimization of the supply chain. Furthermore, to capitalize on regional development opportunities, it is essential to seize the momentum of the central region's rise and the Western Development Strategy. This involves actively encouraging and supporting the growth of ICT manufacturing enterprises in the central and western regions.
开放科学(资源服务)标识码(OSID)：
近年来,随着全球经济社会数字化转型进程的全面提速以及新一轮科技革命和产业变革的纵深推进,我国制造业逐步向高端化、智能化、绿色化发展[1]。面对大国竞争加剧以及我国经济发展方式转型等重大挑战形成的历史性交汇期,党的二十大报告提出,“着力提升产业链供应链韧性和安全水平”。然而,电子信息、先进制造业诸多底层技术和关键核心技术仍然存在“卡脖子”难题,竞争优势越来越受制于供应链韧性,且面临严峻挑战。产业链供应链各环节环环相扣,涉及资本、技术、人才等不同生产要素的复杂交融。传统生产要素包括土地、劳动、资本,随着社会进一步发展,生产要素的内涵逐步拓展与深化。新质生产力是推动高质量发展的内在要求和重要着力点[2],而数据、技术等新型生产要素是新质生产力的重要支撑。2019年10月,党的十九届四中全会审议通过的《中共中央关于坚持和完善中国特色社会主义制度 推进国家治理体系和治理能力现代化若干重大问题的决定》首次将数据明确为与劳动、资本、土地、知识、技术、管理并列的生产要素[3],从传统三要素论跃升为七要素论。当前,我国要素市场化程度不高[4],各类生产要素特征各异,流动性差异较大,在配置资源方面存在显著差异(李广乾,2022)。因此,准确把握新型生产要素内涵,探究其对供应链韧性的影响,对于ICT制造业积累竞争优势、加快培育新质生产力、维护供应链安全稳定具有重要意义。
“韧性”一词源自拉丁语“resilio”,最初应用于物理学领域[5],随着时代发展与学术研究的日益丰富,“韧性”逐渐被赋予更多含义,被不同学者应用到不同领域,呈现出跨学科特点。近年来,可持续性竞争优势成为管理者和供应链从业者的关注重点,而韧性能力提升是改进供应链管理的重要途径,对于促进供应链发展具有重要意义。
国内外对供应链韧性的研究主要集中在影响机制、测度方法、供应链安全水平提升路径等方面。其中,在定性视角下,已有研究主要基于文献综述、访谈调研和案例分析等方法,深入探究影响供应链韧性形成的关键因素。例如,顾旻灏和霍宝锋[6]通过梳理相关文献,从资源和能力两个维度剖析影响供应链韧性的关键因素,基于能力视角总结出警惕性能力、响应性能力和恢复性能力对供应链韧性具有重要影响。在定量视角下,已有研究主要通过SEM、回归、构建指标体系等方法对供应链韧性展开研究。例如,Zhao等[7]基于动态能力理论,提出并验证“供应链数字化—供应链弹性—供应链绩效”影响机制;Aslam等[8]运用结构方程模型检验适用性和一致性对供应链韧性的作用,发现供应链双元性对供应链韧性具有积极影响。总体而言,现有研究成果较为丰富,主要对供应链韧性影响因素、形成过程、测度方法等进行了拓展和延伸。
生产要素是指在社会生产经营过程中,为满足生产需要所投入的各种资源,是维系社会经济建设和运行所必需的要素(段晓庆,2023)。工业经济时代“生产三要素论”将生产要素概括为劳动、资本和土地[9];改革开放后,知识、技术、管理变革对生产力发展起到越来越重要的作用(石先梅,2024);进入数字经济时代,生产力的内涵不断拓展,生产要素范畴进一步扩大,数据成为重要的生产要素,新质生产力逐步取代传统生产力。新质生产力是由技术革命性突破、生产要素创新性配置、产业深度转型升级而催生的新质态,数据、技术等是新质生产力的重要支撑[10]。本文将知识、技术、管理、数据定义为新型生产要素。
数字经济背景下,现有关于新型生产要素的研究多聚焦于数据要素,围绕数据要素特征、与其它要素协同发展等展开讨论。如谭洪波等(2023)通过研究数据要素的非竞争性、部分可排他性、外部性等特征,梳理了数据要素推动经济高质量发展的理论逻辑;王建冬等(2020)以数据为关键生产要素,探究其与人才、资金、技术等其它要素联动的三层次模型,构建数据要素与其它生产要素协同联动的“五链协同”机制。在实际应用中,数据、知识、技术、管理4种新型要素越来越多地与其它生产要素共同作用,产生倍增效应。新要素、新组合、新样态、新模式使得经济发展日益摆脱传统经济增长方式和生产力发展路径,呈现出高科技、高效能、高质量特征,为经济高质量发展提供新动能(石先梅等,2024),从本质上看就是生产新型实物生产要素、打造新型生产要素组合。
在制造业方面,相关研究表明生产要素资源配置影响创新能力[11]、产能利用效率[12]和企业进入与退出[13]等,优化要素配置能提高生产效率,改善生产关系。要素投入结构优化与重组能增强产业原有优势[14],促进产业链供应链韧性提升。李晓华[15]认为,产业链韧性包括抗冲击能力和根植性两个维度,如简单劳动力等初级要素以及数据、技术等高级要素的根植性属于产业根植性的不同层次,作者据此探究我国产业根植性现状与产业生态系统完善途径;陈晓东等[4]基于数字经济时代数据要素作为新生产要素,探索数字经济提升我国产业链韧性的实现路径;张树山等[16]认为,可通过优化要素资源配置效率、打造供应链协同平台等方式实现供应链数字化,进而健全提高供应链韧性的作用机制。
综上所述,尽管目前学术界关于供应链韧性、数据要素的研究成果较为丰富,但新型生产要素内涵及量化方式不统一,探究新型生产要素与供应链韧性关系的文献较少,虽有部分学者提出优化生产要素组合是提升供应链韧性的有效途径,但鲜有学者展开深入探究。基于此,本文贡献主要体现在以下几个方面:①现有研究多从定性层面或基于问卷调研法进行案例分析,通过数学建模等定量方法且采用大样本实证分析的研究较少,本文对此进行补充,有助于拓展供应链韧性研究;②现有文献对新型要素的探讨多集中在数据要素上,本文结合数字经济与新质生产力背景,明晰新型生产要素的内涵并对其进行量化分析,有助于丰富新型生产要素研究;③从要素组合视角对新型生产要素与ICT制造业企业供应链韧性的作用关系进行深入剖析,有助于拓宽要素组合与供应链韧性理论边界,为ICT制造业企业更好地应对不确定性冲击、维系供应链稳定提供支撑。
在供应链韧性形成过程方面,相关学者倾向于以重大干扰事件为关键点划分供应链不同响应阶段。Ponomarov &Holcomb[17]将供应链韧性划分为准备、响应和恢复3个阶段,认为物流动态集成能力越强,越能使供应链韧性得到强化。结合动态能力理论,供应链韧性是指供应链系统在面对不确定性冲击时及时整合关键资源和动态能力来维持或恢复正常运营,甚至实现突破性成长的能力;Ali等[18]主张从中断之前、中断期间和中断之后3个阶段对供应链韧性能力进行划分;Hosseini等[19]使用时间属性识别供应链韧性的3个维度:吸收能力、适应能力和恢复能力。综合多位学者观点,本文以动态能力理论为基础,结合供应链应对风险的阶段性特征,从3个维度构建供应链韧性能力框架,即反应能力(中断前)、适应能力(中断期间)和恢复能力(中断后)。
随着科技创新和市场的不断演进,生产要素组合从相对固定逐渐向灵活配置转变,生产要素及其组合成为产业竞争力的重要来源[14]。在数字经济及新质生产力背景下,新型生产要素使得市场主体面对复杂多变环境时能够及时作出调整。从经济学角度看,新型生产要素进入生产过程会对生产要素构成及其相互作用关系产生影响,知识、技术、管理和数据既能单独作为生产要素,也可组合协同对供应链韧性发挥乘数效应[20]。基于此,本文结合数字经济与新质生产力背景,探究新型生产要素对ICT制造业供应链韧性的作用机制。本文构建新型生产要素赋能ICT制造业供应链韧性逻辑框架,如图1所示。
图1 新型生产要素赋能ICT制造业供应链韧性逻辑框架
Fig.1 Logical framework for supply chain resilience enabled by new production factors in the ICT manufacturing enterprises
综合考虑数据可得性以及ICT制造业企业上市时间,根据证监会行业分类,选取2018-2022年全国A股计算机、通信和其它电子设备制造业上市公司作为初始样本,进行如下筛选:①剔除被ST或*ST的样本;②剔除变量数据缺失严重的样本。最终得到295家ICT制造业上市企业,数据来源于CSMAR数据库、CNRDS数据库以及企业年报。
本文对被解释变量(供应链韧性)、解释变量(新型生产要素)与其它控制变量进行具体论述,主要通过选取代理变量的方式对相关指标进行测度,如表1、表2所示。
表1 供应链韧性评价指标体系
Table 1 Evaluation indicator system for supply chain resilience
变量类型韧性能力维度 指标名称 指标说明 被解释变量反应能力运营能力应收账款周转率营业收入/应收账款净额应付账款周转率营业收入/应付账款净额协作关系供应关系依赖前五大供应商合计采购金额占比客户集中度前五大客户合计销售金额占比适应能力稳定性员工流动率(本年员工总数/上年员工总数)-1冗余性沉淀性冗余资源管理费用/营业收入存货存货期末净额恢复能力财务实力净资产收益率净利润/年度末股东权益总资产净利率净利润/总资产技术进步性本科及以上员工占比本科及以上员工人数/员工人数研发投入率研发支出/营业收入解释变量新型生产要素控制变量企业规模ln(期末总资产)企业年龄ln(考察年份-公司成立年份)资产负债率总负债/总资产
表2 新型生产要素评价指标体系
Table 2 Evaluation indicator system for new factors of production
要素类型指标名称 指标说明 数据要素数字赋能Dln(1+数据相关词频数)知识要素企业论文数K企业CNKI论文发布数量技术要素企业专利数T企业专利申请数+授权数管理要素管理效率M管理费用/主营业务收入
2.3.1 供应链韧性评价指标体系
当前,对供应链韧性的研究多从反应能力、适应能力、恢复能力3个维度展开,分别对应不确定事件发生前、发生时和发生后3个阶段[21]。
(1)反应能力。反应能力是指供应链能够及时感知外界环境变化,在面对外部冲击时迅速作出调整的能力。供应链反应能力与企业运营能力两者相辅相成,良好的运营能力能够使面对中断的供应链及时得到自我恢复与强化[22]。应收账款周转率与应付账款周转率直接反映企业与客户、供应商之间资金往来的速度及效率,对企业现金流和供应链稳定具有重要影响,体现企业与客户、供应商的关系,故本文选取应收账款周转率与应付账款周转率作为供应链反应能力测度指标之一[23]。供应链上下游关系与供应链反应能力存在一定关联,供应链上企业间合作关系能促进供应链高效协同,强化供应链韧性[24]。借鉴Roberta 等[25]的做法,从协作关系维度选取供应关系依赖和客户集中度两个指标衡量供应链反应能力。
(2)适应能力。适应能力反映供应链在面对外部冲击时保持正常运作的能力。成本管理和供应链可靠性影响企业利润,一定程度上影响供应链风险抵抗能力[26]。参考其他学者做法,从内部稳定性和冗余性两个角度选取测度指标。员工是支撑企业供应链发展的根本动力,参考魏琳和耿云江[27]的研究,选取员工流动率反映供应链内部稳定性。在供应链风险管理中,一般通过保持资源储备或降低供应链中断造成的负面影响达成冗余策略,进而提高对不可预见需求和风险的预见能力及适应能力[28]。参考 Spiegler等[29]的研究,将存货作为考察供应链韧性冗余的重要因素,使用存货期末净额作为变量进行测度;同时,参考已有研究,选取管理费用与营业收入的比值衡量企业沉淀性冗余资源[30]。
(3)恢复能力。恢复能力主要是指供应链在遭受外部冲击时通过资源调整、组织结构变革等措施恢复至正常运营状态的能力。企业财务实力影响供应链恢复速度和应急能力,与供应链韧性呈显著正相关关系,学者通常选取企业净资产收益率与总资产净利润率作为关键测度指标[23]。通过技术革新能提升供应链竞争优势,参考张虎等[31]、张伟等[32]的观点,从技术进步性方面选取指标,主要包括本科及以上人数占比、研发投入率等(见表1)。
为保证研究精确度,参考张树山等[16]、赵霞等[33]的研究,设置影响企业成长、偿债能力和公司治理的控制变量,包括企业规模(Size)、企业年龄(Age)和资产负债率(Lev)。
2.3.2 新型生产要素评价指标体系
数据作为一种新型生产要素,是数字化、网络化、智能化的基础,但并非所有数据都能称之为数据要素,只有经过加工处理形成具体产品,通过市场流通投入使用,且潜在经济价值转化为具体收益及实际效用,才能成为促进经济发展的生产要素(郭如愿,2023)。因此,数据要素经过汇集、整理和加工形成,能够满足特定生产需求,可作为资源投入使用并创造经济价值。考虑到数据要素在ICT制造业企业的数字化应用,借鉴吴非等[34]的研究方法,运用文本分析法对企业年报中包含数据、数字化、智能等的明细项进行词频统计,构建数据赋能指标。
知识经济的到来使得知识演变为一种独立的生产要素(林金忠,2004),其对于促进技术进步和经济发展具有重要意义;同时,技术要素对于提高生产效率、产品质量和创新能力也发挥重要作用,掌握前沿技术是企业在产品和市场竞争中的重要优势。在经济学视角下,知识、技术能够转化为生产力或产品。研究与开发活动是直接创造生产性知识和技术的重要经济行为,研发成果是知识要素和技术要素的价值体现[35]。考虑到ICT制造业研发成果通常以论文和专利的形式存在,学术论文数量能够反映企业在知识创造方面的投入,不仅代表企业在前沿技术研究和理论探索上的努力,也反映其在知识积累、技术传播和学术交流方面的活跃程度。因此,选取企业发表的论文数衡量知识要素,利用CNKI作者单位检索功能获取企业论文相关数据。专利更多体现为企业技术创新水平,因此企业专利申请及授权数量常被用来衡量技术要素。
管理作为生产要素是指企业在生产过程中对资源进行有效组织、协调和控制的活动,包括规划、组织、领导、控制等。企业家是管理要素的核心组成部分,企业家能力影响要素资源配置效率和组织结构优化[36],企业需要投入管理费用以获得经济效益。基于此,参考杨春和于婷婷[37]的做法,采用管理费用与主营业务收入的比值衡量企业管理效率。
熵值法是一种客观赋权方法,主要以指标数据信息熵特性为依据判断某指标的离散程度,并据此确定各指标权重大小(见表3)。具体计算过程如下:
表3 ICT制造业企业供应链韧性各级指标权重
Table 3 Weights of various indicators of supply chain resilience in ICT manufacturing enterprises
变量一级指标权重二级指标 权重三级指标 权重供应链韧性(Scr)反应能力0.364 1运营能力0.253 9应收账款周转率0.182 7应付账款周转率0.071 2协作关系0.110 2供应关系依赖0.059 6客户集中度0.050 5适应能力0.453 6稳定性0.002 3员工流动率0.002 3冗余性0.451 3沉淀性冗余资源0.091 0存货0.360 3恢复能力0.182 3财务实力0.004 1净资产收益率0.002 0总资产净利率0.002 1技术进步性0.178 2本科及以上员工占比0.103 7研发投入率0.074 5
首先,为消除量纲差异对最终结果的潜在影响,对正向指标和负向指标进行标准化处理。Xijk为i年j企业k指标的原始值,Xtmn为t年m企业n指标的原始值,标准化处理后的数值用Yijk表示。具体公式如下:
正向指标:Yijk=
(1)
负向指标:Yijk=
(2)
其次,在指标经过标准化处理后,计算该指标在整体指标体系中所占比重,计算过程如下:
(3)
最后,分别计算各指标的信息熵和相应权重,进而得出各企业供应链韧性水平的综合得分。
dk=1-ek
(4)
(5)
(6)
其中,dk表示第k项指标的差异性系数;ek表示第k项指标的熵值;Wk表示第k项指标的权重;Sij为i年j企业供应链韧性综合水平。
通过数据收集与匹配最终获得1 475个样本,样本描述性统计结果如表4所示。通过熵值法计算供应链韧性评价指标体系权重并运用线性加权法进行计算,发现2018—2022年全国295家ICT制造业企业供应链韧性均值为0.129,标准差为0.050,其中最大值、最小值分别为0.530和0.061,说明2018—2022年全国范围内ICT制造业企业供应链韧性整体水平较低,且存在个体差异。为消除量纲的影响,对新型生产要素指标作归一化处理,其中数据要素变量D均值、标准差分别为0.125和0.139,知识要素变量K均值、标准差分别为0.020和0.067,技术要素变量T均值、标准差分别为0.036和0.096,管理要素变量M均值、标准差分别为0.116和0.096,表明样本企业间新型生产要素应用程度存在一定差异,其余变量差异均在合理范围之内。
表4 描述性统计结果
Table 4 Descriptive statistics
变量名样本量均值标准差Scr147 50.1290.050D147 50.1250.139K147 50.0200.067T147 50.0360.096M147 50.1160.096Age147 50.5550.163Size147 50.3600.168Lev147 50.4060.196
3.3.1 地区差异
我国各地区资源禀赋与经济发展水平不同,ICT制造业企业创新环境和创新资源各异,导致企业供应链韧性水平存在区域差异。按照国家统计局划分办法,将样本划分为东部、中部和西部地区。从表5可知,我国ICT制造业上市企业存在分布不均衡的问题,3个地区ICT企业数量差异较大,东部沿海地区发展明显优于中西部地区。
表5 2018—2022年全国ICT制造业上市企业分布
Table 5 Distribution of listed ICT manufacturing enterprises in China from 2018 to 2022
地区省份企业数量东部地区北京30天津5河北2辽宁1上海12江苏36浙江26福建16广东106山东7中部地区安徽5黑龙江1吉林1江西2河南4湖北15湖南7西部地区四川10贵州2陕西5甘肃1新疆1
我国ICT制造业企业供应链韧性水平也存在显著的区域差距。从图2可以看出,2018—2022年我国东中西部地区制造业企业供应链韧性均呈上升趋势,但东部地区最缓,中部地区次之,西部地区最快;从均值看,东部地区制造业企业供应链韧性均值最低,中部地区次之,西部地区最高。这可能是因为东部地区通常拥有较为成熟的ICT制造业基础和较为完善的供应链体系,但同时也面临着激烈的国内外竞争和较高的运营成本,导致供应链调整和优化空间较小,从而使得供应链韧性增长较慢。伴随着近年来国家“中部崛起战略”的实施,中部地区基础设施建设和产业升级增强,西部地区受益于国家对西部大开发的持续投入及政策倾斜,供应链韧性提升速度较快。
图2 2018—2022年各地区ICT制造业供应链韧性
Fig.2 Resilience of ICT manufacturing supply chain in various regions from 2018 to 2022
从区域最大差率看,2018—2022年ICT制造业企业供应链韧性区域最大差率逐年增大,分别为5.64倍、5.95倍、6.85倍、7.33倍和8.44倍。从三大区域板块内部看,东部地区由于ICT制造业企业数量最多且,类型丰富,企业间供应链韧性水平存在较大差异,区域最大差异率最高;中部地区5年来区域最大差异率从5.43倍升至7.14倍,说明近两年中部地区ICT制造业企业供应链韧性水平差距逐渐拉大;西部地区5年间区域最大差异率呈小幅上升趋势,维持在5～6倍,变化幅度不大(见表6)。总体而言,不同地区ICT制造业企业供应链韧性水平存在较大差异,可能是因为受地区经济发展水平、产业结构、政策支持等不同因素影响。
表6 我国ICT制造业供应链韧性差异
Table 6 Resilience of ICT manufacturing supply chain in China
区域 企业数量Scr20182019202020212022全国2950.124 00.125 20.126 50.131 10.136 6区域最大差率5.639 95.949 76.846 97.330 78.437 6东部地区2410.123 80.125 50.126 30.130 70.136 4区域最大差率5.639 95.949 76.846 97.330 78.437 6中部地区350.134 90.135 60.138 20.149 10.154 4区域最大差率5.431 25.274 35.988 76.151 37.137 8西部地区190.153 00.155 20.160 90.178 50.185 8区域最大差率5.431 25.274 35.311 15.445 86.632 0
3.3.2 上下游差异
ICT产业链主要包括上游、中游、下游环节,其中上游主要包括芯片制造商、电子元器件供应商、交换机及路由器制造商、通信设备零部件供应商等;中游主要包括通信终端设备、通信系统设备、接入设备、传输设备等;下游主要包括电信运营商和企业等(魏明等,2024)。由于本研究不涉及电信运营商等非制造业企业,故将ICT制造业供应链划分为上游(芯片制造商、电子元器件供应商等)和下游(通信终端设备、通信系统设备等),对2018—2022年供应链韧性进行统计分析。由图3可知,5年间上下游企业供应链韧性均呈缓慢上升态势,且下游供应链韧性水平普遍高于上游。相较之下,上游企业直接面临ICT产业可控性差、关键技术受制于人等堵点、卡点和痛点问题,其供应链韧性和安全水平亟须提升。
图3 ICT制造业产业上下游供应链韧性演变趋势
Fig.3 Resilience evolutionary trends of upstream and downstream supply chains in the ICT manufacturing industry
在前文分析的基础上,为进一步检验新型生产要素对供应链韧性的影响,构建如下基础模型:
Scri,t=α1+β1Di,t+β2Ki,t+β3Ti,t+β4Mi,t+γ1Controlsi,t+εit
(7)
模型(7)中,被解释变量Scr为供应链韧性,解释变量D为数据要素,K为知识要素,T为技术要素,M为管理要素,Controls为企业层面控制变量。
首先,对数据进行ADF检验。结果显示,所有变量的P值均小于0.05,认为数据平稳,可进行回归分析。其次,为避免模型偏误,以规避解释变量强相关引起的非有效估计问题,对变量进行多重共线性检验。如表7所示,最大方差膨胀因子值为1.66,最小容忍度为1.00。由于方差膨胀因子(VIF)远低于10的阈值,且容忍度(1/VIF)明显大于0.1的标准,因此认为该模型解释变量间不存在多重共线性问题。
表7 多重共线性检验结果
Table 7 Results of multicollinearity test
变量多重共线性检验VIF1/VIFT1.660.603Size1.650.606K1.260.794M1.110.902D1.060.945Lev1.020.985Age1.000.995
进一步,验证新型生产要素对制造业企业供应链韧性的影响,为更好地控制不可观测的个体固有特征,减小遗漏变量造成的负面影响,通过F检验、Hausman检验和时间效应显著性检验确定采用个体固定效应模型进行回归,消除异方差和序列相关,逐个验证4种新型生产要素对被解释变量供应链韧性的影响,并逐步加入控制变量,结果如表8所示。列(1)—列(4)回归结果表明,4种新型要素对ICT制造业企业供应链韧性均具有影响。具体而言,数据要素系数为0.024,管理要素系数为0.126,均在1%水平上对供应链韧性具有不同程度的正向影响;知识要素系数为-0.082,技术要素系数为-0.052,均在1%水平上对供应链韧性具有一定程度的负向影响。可能是因为,数据要素非竞争性、可完整复制性和及时性等特征使其具有近乎为零的边际成本,相比于其它要素,更容易实现规模经济和范围经济[38]。如云计算、大数据分析技术对资本和劳动灵活性与流动性具有显著促进作用。数字经济背景下,企业更偏好采纳扁平化、网络化组织架构及团队协作管理模式,推动管理模式与组织策略不断创新,从而提升经济主体内部协作效率,同时增强企业对外部环境变化的适应能力(乔倩等,2024)。欧盟出台的《创新绿皮书》提出“欧洲悖论”,认为知识要素高投入并未带来经济的显著增长,即知识要素与劳动力、资本等生产要素相比,其价值实现具有长周期性和不确定性特点[39]。在ICT产业中,知识与技术的快速发展和更新换代可能导致供应链不稳定。这是因为,知识在组织协同过程中会不断流动,而过度依赖知识产权保护有可能导致创新能力受限或知识成果无法有效转化为供应链竞争优势,引入新技术需要企业更新设备、对人员进行培训等,这有可能导致企业生产过程中断;此外,ICT行业技术的快速变化有可能缩短产品生命周期,增加供应链管理风险,从而对供应链韧性产生负面影响。
表8 新型生产要素对制造业企业供应链韧性的影响
Table 8 Impact of new production factors on the resilience of enterprise supply chains
变量 (1)(2)(3)(4)(5)scrscrscrscrscrSize0.078∗∗∗0.083∗∗∗0.088∗∗∗0.122∗∗∗0.116∗∗∗(6.727)(7.392)(7.825)(11.448)(10.631)Age0.007∗0.007∗0.006∗0.006∗0.006∗(1.869)(1.874)(1.837)(1.876)(1.960)Lev-0.002-0.002-0.002-0.004∗-0.004∗(-0.872)(-0.880)(-0.942)(-1.677)(-1.914)D0.024∗∗∗0.016∗∗(2.990)(2.199)K-0.082∗∗∗-0.057∗∗∗(-3.576)(-2.690)T-0.052∗∗∗-0.058∗∗∗(-2.629)(-3.190)M0.126∗∗∗0.125∗∗∗(14.608)(14.570)_cons0.095∗∗∗0.098∗∗∗0.096∗∗∗0.068∗∗∗0.072∗∗∗(20.562)(20.905)(20.709)(14.734)(15.397)N1 4751 4751 4751 4751 475R20.0570.0600.0560.1960.213F17.90818.92217.37471.72645.370
注:***表示p<0.01,**表示p<0.05,*表示p<0.10,下同
表8列(5)显示,4种新型生产要素组合作用对企业供应链韧性具有显著影响。其中,管理要素对供应链韧性的正向影响最显著,可能是因为得益于管理红利。管理红利是指由管理获得的效率优势或超额收益(周卫民,2024),管理红利能带动整个供应链效率和韧性提升。企业通过高效运作和有效激励能增强供应链协作能力,使供应链在面对外部冲击时抵御能力更强。
此外,企业规模和企业年龄对供应链韧性具有正向影响,而资产负债率对企业供应链韧性具有负向影响,原因可能在于:大型企业能够投入更多资金、人力等资源提升供应链韧性,包括选择备选供应商、提高库存水平、加强供应链信息技术应用等;并且,随着企业年龄增长,企业积累了丰富的管理经验和知识,能够深入理解供应链管理面对的各种风险,并有效应对相应挑战;企业高资产负债率一定程度上意味着企业资本结构不合理,可能过度依赖债务融资,而不是通过股权融资平衡资本结构,因此过高的负债比例有可能会限制企业生产规模扩大、研发创新能力提升,使其难以获取应对市场变化的灵活性,从而削弱企业供应链应对能力。为直观展示4种新型生产要素组合关系与单要素回归结果及置信区间的变化情况,绘制核心解释变量系数比较图,如图4所示。
图4 回归系数比较
Fig.4 Comparison of regression coefficients
4.4.1 剔除异常值
考虑到我国直辖市相较于其它省份拥有更高的经济发展水平,为避免这种潜在地域性异常数据对整体分析结果造成的不良影响,对4个直辖市企业数据予以剔除,再次进行回归分析。
4.4.2 Tobit模型
由于ICT制造业供应链韧性取值在0～1之间,符合因变量受限的条件,因此选择Tobit模型对式(1)重新进行估计,稳健性检验结果如表9所示。从中可见,核心解释变量系数估计结果与普通回归结果一致,仅系数大小和部分显著性程度略有不同,进一步验证了本文结论的可靠性。
表9 稳健性检验结果
Table 9 Robustness test results
变量 剔除异常值(1)(2)(3)(4)(5)Tobit模型(1)(2)(3)(4)(5)Size0.102∗∗∗0.108∗∗∗0.114∗∗∗0.136∗∗∗0.130∗∗∗0.078∗∗∗0.083∗∗∗0.088∗∗∗0.122∗∗∗0.116∗∗∗(7.880)(8.749)(9.179)(11.477)(10.521)(7.534)(8.279)(8.764)(12.821)(11.921)Age0.006∗0.006∗0.006∗0.0040.0050.007∗∗0.007∗∗0.006∗∗0.006∗∗0.006∗∗(1.712)(1.687)(1.676)(1.285)(1.365)(2.093)(2.099)(2.058)(2.101)(2.198)Lev-0.004∗-0.004∗-0.005∗-0.005∗∗-0.006∗∗-0.002-0.002-0.002-0.004∗-0.004∗∗(-1.715)(-1.738)(-1.877)(-2.089)(-2.348)(-0.977)(-0.985)(-1.055)(-1.878)(-2.147)D0.021∗∗0.015∗0.024∗∗∗0.016∗∗(2.331)(1.735)(3.348)(2.466)K-0.080∗∗∗-0.054∗∗-0.082∗∗∗-0.057∗∗∗(-3.435)(-2.454)(-4.005)(-3.016)T-0.054∗∗∗-0.060∗∗∗-0.052∗∗∗-0.058∗∗∗(-2.664)(-3.135)(-2.944)(-3.578)M0.119∗∗∗0.118∗∗∗0.126∗∗∗0.125∗∗∗(11.713)(11.657)(16.360)(16.338)_cons0.082∗∗∗0.084∗∗∗0.082∗∗∗0.061∗∗∗0.064∗∗∗0.073∗∗∗0.075∗∗∗0.074∗∗∗0.044∗∗∗0.056∗∗∗(16.354)(16.636)(16.436)(12.085)(12.754)(7.543)(7.760)(7.613)(4.918)(6.164)N1 2401 2401 2401 2401 2401 4751 4751 4751 4751 475R20.0850.0900.0860.1920.209/////
为进一步探究4种新型生产要素对供应链韧性是否存在其它作用机制,在模型(7)的基础上分别加入4种新型要素两两组合的交互项进行调节效应检验,由于两个要素变量直接乘积可能会导致多重共线性问题,因此本文先对4个变量作去中心化处理,然后再分别形成交互项,构建模型(8),回归分析结果如表10所示。从中可见,数据要素与知识要素的交互项系数为0.225,在1%水平下显著,意味着数据要素与知识要素存在调节作用。这说明,对于数据要素水平较高的企业,知识要素对供应链韧性的影响相对减弱。因此,数据要素和知识要素之间可能存在某种替代效应,即当数据要素得到有效利用时,知识悖论风险对ICT制造业供应链韧性的负面影响可能受到一定程度的抑制。
Scri,t=μ0+μ1Di,t+μ2Ki,t+μ3Ti,t+μ4Mi,t+μ5(Di,t*Ki,t)+φ1Controlsi,t+εit
(8)
表10 交互作用讨论结果
Table 10 Discussion results on interaction
变量scr变量scrD0.014∗Size0.118∗∗∗(1.903)(10.804)K-0.059∗∗∗Age0.007∗∗(-2.781)(2.107)T-0.068∗∗∗Lev-0.004∗(-3.635)(-1.937)M0.122∗∗∗_cons0.071∗∗∗(14.170)(15.250)c_D∗c_K0.225∗∗∗R20.222(2.634)F37.174N1 475
为直观展示数据要素对知识要素与供应链韧性之间的交互作用,根据交互作用讨论结果绘制调节效应图,如图5所示。从中可见,当数据要素水平较低时,知识要素对供应链韧性的影响作用显著;而当数据要素水平较高时,供应链韧性的初始值较低,但斜率变缓,表明知识要素对供应链韧性的影响力减弱。
图5 数据要素和知识要素的调节效应
Fig.5 Moderating effects of data elements and knowledge elements
本文将样本划分为东部、中部、西部地区进行区域异质性分析,回归结果如表11所示。从中可见,分组情况下,4种新型生产要素对供应链韧性的影响存在显著差异。其中,管理要素对东中西部地区供应链韧性存在显著正向影响,西部地区影响系数最大,东部地区影响系数最小;数据要素、知识要素和技术要素仅在东部地区影响显著,但数据要素对供应链韧性呈正向影响,知识与技术对供应链韧性呈负向影响。对于交互项系数而言,东部地区和中部地区回归结果显著,系数依然为正,西部地区结果不显著。总体而言,4种新型生产要素对ICT制造业企业供应链韧性的影响程度为:东部地区>中部地区>西部地区。
表11 地区异质性检验结果
Table 11 Regional heterogeneity test results
变量 东部中部西部D0.017∗∗-0.0090.030(1.996)(-0.419)(1.264)K-0.078∗∗∗0.004-0.083(-2.633)(0.124)(-1.196)T-0.054∗∗∗-0.039-0.071(-2.656)(-0.520)(-1.281)M0.121∗∗∗0.146∗∗∗0.147∗∗∗(12.258)(7.133)(7.346)C_D∗c_K0.208∗∗1.114∗∗∗0.765(2.204)(3.161)(1.284)Size0.109∗∗∗0.161∗∗∗0.114∗∗∗(8.829)(6.354)(2.911)Age0.008∗∗0.009-0.006(2.114)(1.350)(-0.850)Lev-0.003-0.005-0.011∗∗(-1.094)(-1.114)(-2.077)_cons0.073∗∗∗0.054∗∗∗0.077∗∗∗(13.644)(5.020)(5.139)N1 20517595R20.1930.4100.609F28.61711.48213.229
此种地区差距可能源于东中西地区政策支持、经济发展水平、地理位置和产业结构不同。东部地区经济发展水平较高,ICT制造业企业大多集中在此,且具备相对完整的供应链体系,企业通常享有更多创新补贴和资金支持,对数据、新技术和管理创新的投入力度较大。而中部、西部地区由于资源相对匮乏、产业结构单一,大多为非知识密集型企业,企业间数据、知识、技术要素差距不大,导致除管理外的新型生产要素对供应链韧性的影响作用不明显。东部与其它地区新型生产要素水平差距可能会导致企业在数字经济时代供应链产业分工中出现“脱钩”现象,即部分地区企业传统比较优势逐渐减弱,且在高技能劳动力、技术、资本、数据等高质量发展要素上出现“断层”,难以参与新经济、新产业体系分工,导致产业链合作面临风险,影响产业链供应链韧性,制约整体产业链升级和发展。
表12回归结果显示,ICT制造业供应链上游企业结果与模型(8)回归结果以及东部地区回归结果基本一致,下游企业结果与西部地区回归结果类似。即上游企业数据要素、管理要素以及数据要素与知识要素的交互项对供应链韧性呈显著正向影响,知识要素和技术要素对供应链韧性呈显著负向影响;下游企业仅管理要素对供应链韧性呈正向影响,其余新型生产要素与供应链韧性的作用关系不显著。这可能是因为ICT制造业上游企业集中于东部地区、下游企业大多位于西部地区,该回归结果再次印证了前文模型的可靠性。上游企业面临更加复杂多元的市场环境,更易受到数据、知识、技术变革等不稳定因素的影响,从而导致下游企业供应链韧性水平高于上游企业供应链韧性水平。
表12 上下游供应链韧性异质性检验结果
Table 12 Heterogeneity test results of upstream and downstream supply chain resilience
变量上游下游D0.015∗0.013(1.678)(1.054)K-0.070∗∗∗-0.000(-2.654)(-0.002)T-0.074∗∗∗0.019(-3.307)(0.561)M0.116∗∗∗0.159∗∗∗(12.075)(8.381)c_D∗c_K0.395∗∗∗-0.070(3.377)(-0.524)Size0.113∗∗∗0.142∗∗∗(9.554)(4.603)Age0.006∗0.008(1.731)(1.033)Lev-0.004∗-0.005∗(-1.932)(-1.925)_cons0.072∗∗∗0.059∗∗∗(14.591)(4.484)N1 160315R232.80510.556F0.2220.257
本文基于相关文献,将数据、知识、技术、管理作为新型生产要素,构建供应链韧性评价指标体系,选取2018-2022年计算机、通信和其它电子设备制造业上市公司面板数据进行异质性分析,得出如下研究结论:
(1)数据要素、管理要素的有效配置能显著提高ICT制造业供应链韧性水平,知识要素、技术要素对制造业企业供应链韧性呈显著负向影响。值得注意的是,在组合作用下,数据要素和知识要素之间可能存在替代效应,即当数据要素水平普遍提升时,知识悖论风险对供应链韧性的负向影响受到一定程度的抑制。
(2)我国ICT制造业产业上下游企业供应链韧性存在显著差异,下游企业供应链韧性优于上游企业,且上游供应链韧性水平与4种新型生产要素显著相关,数据要素与知识要素之间存在调节效应;下游仅管理要素对供应链韧性的影响显著。这是因为,上游企业通常处于供应链核心位置,面临激烈的市场竞争和复杂的供需关系,极易受到数据、知识、技术要素水平的影响。
(3)我国ICT制造业产业地区间竞争格局分化明显,新型生产要素对供应链韧性的影响存在区域异质性,影响程度总体表现为:东部地区>中部地区>西部地区。东部、中部和西部地区ICT制造业企业受扶持政策、经济发展水平、地理位置、产业结构等影响,在数据、知识、技术等新型生产要素配置和应用上存在明显差距。
根据上述研究结论,本文提出如下政策建议:
(1)促进新型生产要素协同应用,加强数据、知识、技术安全管理。根据环境需求制定灵活的技术更新策略,推进管理模式创新,重视人才动态调配,提高数据资源整合能力,促进新型生产要素在各环节之间的自由流动和合理配置,进而提高供应链韧性水平。同时,加强数据等新型生产要素安全基础设施建设,制定数据安全政策体系,降低数据滥用、技术局限性带来的风险。
(2)加强上下游供应链伙伴间的沟通与合作,强化供应链各环节配套发展,建立稳定的供应链关系,实现供应链协同优化,提高整个ICT制造业供应链韧性水平和竞争力。ICT制造业供应链上游企业应重点关注数据、知识和技术要素的应用,在研发要素投入、创新人才集聚、前沿技术和关键核心技术突破上发挥主力军作用,摆脱技术“卡脖子”困境。下游企业应强化管理要素对供应链韧性的正向影响,提升组织管理水平,优化业务流程,持续改进供应链管理,增强企业竞争力和可持续发展能力。
(3)抓住中部崛起战略以及西部大开发战略机遇,鼓励和支持中西部地区ICT制造业企业发展。打破各种显性和隐性知识壁垒,积极引导新型生产要素在区域之间、产业之间双向流动,促进区域均衡发展与合作,摆脱先天资源禀赋约束,培育新的比较优势,持续推进经济高质量发展。
[1] 洪群联,周鑫.新一轮科技革命和产业变革下服务业发展的趋势与对策[J].宏观经济管理,2018,34(4):38-41.
[2] 周文,许凌云.论新质生产力:内涵特征与重要着力点[J].改革,2023,40(10):1-13.
[3] 习近平.坚持和完善中国特色社会主义制度推进国家治理体系和治理能力现代化[EB/OL].(2020-01-01)[2024-11-25].http://www.qstheory.cn/dukan/qs/2020-01/01/c_1125402833.htm.
[4] 陈晓东,刘洋,周柯.数字经济提升我国产业链韧性的路径研究[J].经济体制改革,2022,40(1):95-102.
[5] ALEXANDER D E.Resilience and disaster risk reduction:an etymological journey[J]. Natural Hazards and Earth System Science, 2013,13(11):2707-2716.
[6] 顾旻灏,霍宝锋.供应链弹性研究综述:理论和影响机制[J].供应链管理,2020,1(3):46-56.
[7] ZHAO N, HONG J, LAU K H. Impact of supply chain digitalization on supply chain resilience and performance: a multi-mediation model[J]. International Journal of Production Economics, 2023, 259: 108817.
[8] ASLAM H, KHAN A Q, RASHID K, et al. Achieving supply chain resilience: the role of supply chain ambidexterity and supply chain agility[J]. Journal of Manufacturing Technology Management, 2020, 31(6): 1185-1204.
[9] 让·巴蒂斯特·萨伊.政治经济学概论[M].北京:华夏出版社,2014.
[10] 王飞,韩晓媛,陈瑞华.新质生产力赋能现代化产业体系:内在逻辑与实现路径[J].当代经济管理,2024,46(6):12-19.
[11] 戴魁早,刘友金.要素市场扭曲与创新效率——对中国高技术产业发展的经验分析[J].经济研究,2016,51(7):72-86
[12] 公衍磊,邓辛,杨金强.全要素生产率、产能利用率与企业金融资源配置——基于中国上市企业委托贷款公告数据的经验分析[J].金融研究,2020,63(7):57-74.
[13] 盖庆恩,朱喜,程名望,等.要素市场扭曲、垄断势力与全要素生产率[J].经济研究,2015,50(5):61-75.
[14] 李晓华.新发展格局下提升产业链供应链韧性与安全的难点与着力点[J].新疆师范大学学报(哲学社会科学版),2024,45(6):67-76,2.
[15] 李晓华.产业链韧性的支撑基础:基于产业根植性的视角[J].甘肃社会科学,2022,44(6):180-189.
[16] 张树山,谷城.供应链数字化与供应链韧性[J].财经研究,2024,50(7):21-34.
[17] PONOMAROV S Y, HOLCOMB M C. Understanding the concept of supply chain resilience[J]. The International Journal of Logistics Management, 2009, 20(1): 124-143.
[18] ALI A, MAHFOUZ A, ARISHA A. Analysing supply chain resilience: integrating the constructs in a concept mapping framework via a systematic literature review[J]. Supply Chain Management: An International Journal, 2017, 22(1): 16-39.
[19] HOSSEINI S, IVANOV D, DOLGUI A. Review of quantitative methods for supply chain resilience analysis[J]. Transportation Research Part E: Logistics and Transportation Review, 2019, 125: 285-307.
[20] 史丹.数字经济条件下产业发展趋势的演变[J].中国工业经济,2022,39(11):26-42.
[21] AL NAIMI M, FAISAL MOHD N, SOBH R, et al. A systematic mapping review exploring 10 years of research on supply chain resilience and reconfiguration[J]. International Journal of Logistics Research and Applications, 2022, 25(8): 1191-1218.
[22] BRUSSET X, TELLER C. Supply chain capabilities, risks, and resilience[J]. International Journal of Production Economics, 2017, 184: 59-68.
[23] 李成刚,贾鸿业,赵光辉,等.基于信息披露文本的上市公司信用风险预警——来自中文年报管理层讨论与分析的经验证据[J].中国管理科学,2023,31(2):18-29.
[24] 王晓珍,吴昌松.“双链”融合背景下供应链韧性对客户企业创新链的影响机制研究[J].中国矿业大学学报(社会科学版),2023,25(5):157-170.
[25] ROBERTA PEREIRA C, CHRISTOPHER M, LAGO DA SILVA A. Achieving supply chain resilience: the role of procurement[J]. Supply Chain Management: An International Journal, 2014, 19(5/6): 626-642.
[26] HOLZHACKER M, KRISHNAN R, MAHLENDORF M D. Unraveling the black box of cost behavior[J]. The Accounting Review, 2015, 90(6): 2305-2335.
[27] 魏琳,耿云江.新冠疫情背景下企业韧性评价指标体系的构建[J].当代经济,2021,37(8):108-113.
[28] FARUQUEE M, PAULRAJ A, IRAWAN C A. Strategic supplier relationships and supply chain resilience:is digital transformation that precludes trust beneficial[J]. International Journal of Operations &Production Management, 2021, 41(7): 1192-1219.
[29] SPIEGLER V L M, NAIM M M, WIKNER J. A control engineering approach to the assessment of supply chain resilience[J]. International Journal of Production Research, 2012, 50(21): 6162-6187.
[30] 王墨林,阎海峰,宋渊洋.企业数字化程度对战略激进度的影响研究[J].管理学报,2023,20(5):667-675.
[31] 张虎,张毅,韩爱华.我国产业链现代化的测度研究[J].统计研究,2022,39(11):3-18.
[32] 张伟,李航宇,张婷.中国制造业产业链韧性测度及其时空分异特征[J].经济地理,2023,43(4):134-143.
[33] 赵霞,许雅雯,徐永锋.数字化协同如何影响供应链韧性——基于资源和关系整合的分析[J].产经评论,2023,14(5):24-42.
[34] 吴非,胡慧芷,林慧妍,等.企业数字化转型与资本市场表现——来自股票流动性的经验证据[J].管理世界,2021,37(7):130-144,10.
[35] 张幼文.知识经济的生产要素及其国际分布[J].经济学动态,2004,45(5):20-23.
[36] 周卫民,张益丰.技术进步实现机制和生产要素产出弹性理论假说——来自我国9个发达经济区的实证检验[J].财经科学,2009,53(9):82-90.
[37] 杨春,于婷婷.中国制造业企业管理创新能力研究[J].工业技术经济,2019,38(7):114-118.
[38] 蔡跃洲,马文君.数据要素对高质量发展影响与数据流动制约[J].数量经济技术经济研究,2021,38(3):64-83.
[39] 陈景信,代明.知识要素与创业绩效——基于PVAR模型和区域的视角[J].经济问题探索,2020,41(1):38-48.