The Spillover Effects and Synergy Mechanism of Intelligent Manufacturing Transformation:The Perspective of Supply Chain

Hong Xiangzhen1,Guo Wanshan1,Song Qi1,Xu Dan2

(1.School of Economics, Liaoning University, Shenyang 110036,China;2.School of Innovation and Design, City University of Macau, Macau 999078,China)

Abstract：The transformation to intelligent manufacturing is a crucial pathway for Chinese enterprises to achieve high-quality development and serves as a key strategy for advancing new industrialization and enhancing new productive forces. However, existing literature predominantly focuses on the benefits of smart manufacturing transformation for individual enterprises, including aspects such as total factor productivity, energy efficiency, and cost management, with limited attention to the disparities in transformation progress across enterprises or the spillover effects on upstream and downstream segments of the supply chain.

To address these gaps in the literature,this study empirically examines the supply-chain spillover effects of smart manufacturing transformation using supply-chain relationship data from Chinese A-share listed manufacturing companies between 2009 and 2022, and analyzes the underlying mechanisms driving these effects. First, it develops a theoretical framework centered on "vertical leadership" and "peer group effects". It posits that the transformation to intelligent manufacturing is not only characterized by technological innovation and network externalities, but also generates a closed-loop, synergistic diffusion effect throughout the supply chain via demonstration effects, knowledge sharing, and technology transfer. Empirical results indicate that the intelligent manufacturing capability of focal firms has a significant positive impact on their supply-chain partners; specifically, an increase of one standard deviation in the focal firm′s intelligent manufacturing level is associated with a 7-percentage-point increase in the intelligent manufacturing level of linked firms. Further robustness checks—using first-difference model, controls for industry and regional trends, instrumental variable methods, and difference-in-differences approaches—consistently confirm the robustness and significance of this positive spillover effect.

Then, the mechanism test reveals that key leading firms, particularly those in core supply-chain positions and state-owned enterprises, are more likely to exercise vertical leadership, thereby significantly enhancing the spillover effects of intelligent manufacturing transformation. Moreover, when supply-chain firms share common shareholders, the resultant peer group effect effectively facilitates the transmission of intelligent manufacturing expertise and technological information from focal firms, accelerating the coordinated transformation process among upstream and downstream enterprises.

Moreover, by analyzing the heterogeneity in the propagation direction of supply-chain spillover effects, this study finds that the intelligent manufacturing transformation of focal firms predominantly spills over to upstream suppliers, creating a "reverse pressure mechanism" that compels suppliers to proactively enhance their intelligent manufacturing capabilities to meet the transformation demands of the focal firms. In contrast, the effect on downstream customer firms is not significant, indicating that upstream supply-chain partners face greater pressure and driving forces during the transformation process. Regarding the learning behaviors of supply-chain firms, further empirical tests reveal that when firms are at a disadvantage in intelligent manufacturing within their industry or region, their transformation largely relies on conservative learning strategies—characterized by passive imitation and following—in order to mitigate market risks and swiftly narrow the gaps with more advanced peers; conversely, when conditions for proactive learning exist, this positive effect is not significant.

In summary, this paper provides an in-depth investigation of intelligent manufacturing transformation from the perspective of supply-chain spillovers, thereby supplementing and extending the existing literature on collaborative effects in firm transformation. The study not only reveals the significant positive spillover effect of focal firms′ intelligent manufacturing transformation on their supply-chain partners, but also elucidates the crucial role of core enterprises—particularly those exercising vertical leadership through their dominant positions and state ownership—in promoting overall supply-chain digitalization. Furthermore, the paper highlights that supply-chain firms generally adopt conservative and passive imitation strategies, which offers new insights for small and medium-sized enterprises confronting high-risk transformations. Drawing on these insights, the paper recommends strengthening systematic policy support for intelligent manufacturing transformation, fully leveraging the leading role of flagship and state-owned enterprises, and promoting deep inter-connectivity and information sharing among all supply-chain participants through demonstration projects and cross-sector collaborations, thereby achieving coordinated enhancement and high-quality transformation across the entire industrial chain.

Key Words：Intelligent Manufacturing Transformation; Supply-chain Spillover Effect; Vertical Leadership; Peer Effect

收稿日期：2024-09-06

修回日期：2025-02-27

基金项目：辽宁大学研究生基本科研项目(LNUYJS002);辽宁省教育厅基本科研项目(JYTMS20230744)

作者简介：洪祥镇(1996—),男,辽宁沈阳人,辽宁大学经济学院博士研究生,研究方向为经济统计学、数量经济学;郭万山(1962—),男,辽宁黑山人,博士,辽宁大学经济学院教授、博士生导师,研究方向为经济统计学、数量经济学;宋琪(1981—),男,吉林扶余人,博士,辽宁大学经济学院副教授、硕士生导师,研究方向为经济统计学、数量经济学;徐丹(1991—),女,浙江杭州人,澳门城市大学创新设计学院博士研究生,研究方向为城市规划与设计、产业创新发展。

DOI：10.6049/kjjbydc.D202409017W

开放科学(资源服务)标识码(OSID)：

中图分类号：F424

文献标识码：A

文章编号：1001-7348(2026)02-0048-09

0 引言

党的二十大报告提出,建设现代化产业体系,推进新型工业化,加快建设制造强国,推动制造业高端化、智能化、绿色化发展。加快智能制造转型,能够重塑传统生产模式,催生新型生产方式,对推进我国制造业供给侧结构性改革、转型升级,培育和发展新质生产力具有重要意义。与我国高质量发展的现实要求相比,企业智能制造转型仍面临供给适配性不高、技术储备不足、资金与专业人才缺乏等阻碍,在企业难以估算转型后预期收益和潜在风险的情况下,智能制造转型存在“不愿转”“不敢转”的情况,中小企业大多转型缓慢,企业间的转型进度参差不齐。事实上,智能制造转型不只是单个企业的战略决策,也会影响供应链上下游或受上下游企业决策的影响。从部分地区“智改数转”的成功经验看,行业内、供应链内存在转型早、效果好的标杆企业时,有助于中小企业“看样学样”加快转型,推动智能制造转型由“点上示范”走向“面上推广”。《“十四五”智能制造发展规划》指出,要发挥龙头企业牵引作用,推动供应链深度互联与协同响应,带动上下游企业智能制造水平同步提升,实现大中小企业融通发展。因此,研究如何发挥智能制造转型的供应链协同联动作用,进而带动我国企业智能制造转型的全面提升,是国家战略需求的使然,也是学界深入研讨的必然。

当前关于企业智能制造转型的文献,主要聚焦两个方面:一是关键因素。学者分别从技术创新、专业人才、政策制定等方面考察企业转型缓慢、动力不足的成因[1],为推动企业加速转型厘清思路。二是转型后的经济效益。考察智能制造转型对企业自身生产经营方面的影响,如企业生产效率[2]、产能效率[3]、成本粘性[4]等,为智能制造的微观价值创造作用提供经验证据。然而,相关文献未充分考虑企业在转型过程中所产生的影响,抑或受到的来自供应链上下游其他企业的影响。事实上,供应链为企业智能制造转型的扩散传播提供了循环的闭环式系统途径,智能制造转型作为企业全面创新的实践,其经验与技术信息将沿供应链溢出扩散。从供应链溢出效应的相关研究看,学者一般认为供应链上主体间的信息与知识存在溢出效应,且依赖于企业间的业务联系程度。此外,有研究发现数字化转型[5]、技术创新[6]、降碳减污[7]、ESG水平[8]等企业表现均具有供应链的溢出效应。上述文献虽研讨视角有所不同,但为本文研究提供了理论基础。

本文边际贡献如下:①丰富智能制造转型领域相关研究。现有文献多关注智能制造转型的驱动因素[1-2]与企业转型后带来的经济效益[3-5],较少探究企业转型差距以及应对策略。本文考察焦点企业智能制造转型如何通过供应链溢出效应带动上下游企业转型,为企业智能制造转型“协同提升”提供微观实现路径。②构建智能制造转型供应链溢出理论框架。从纵向引领、同群效应两个维度构建理论框架,提出在具有“链主”特征的焦点企业、共同股东持股的供应链网络的调节作用下,溢出效应更加强烈,为发挥龙头企业在智能制造转型中的牵引作用、推动供应链互联与协同厘清思路。③界定智能制造转型的溢出方向与学习行为特征。研究论证智能制造转型的供应链溢出效应存在客户向供应商端的倒逼机制,以及供应链企业更有可能采取被动模仿、相互跟随的保守型战略以提升自身智能制造水平,为中小企业智能制造转型进程缓慢成因探索拓展思路。

1 理论分析与研究假设

1.1 智能制造转型的供应链溢出效应

供应链是按照价值链分布的各企业主体之间形成的链式关系和时空分布形态[9],包含供应商、制造商与分销商等所有链条的企业主体。供应链管理理论指出,企业在供应链中的活动是相互关联、高度互动的。企业主体间为降低交易费用、交易风险,提高整体供应链效率,进而开展一系列协同活动,产生供应链联动效应[5]。从智能制造转型的本质看,其涵盖了诸多领域,包括数据驱动和智能化、机器人应用和自动化、物联网和云计算、数字化设计和制造以及个性化、定制化的生产模式。从上述特征看,智能制造是依托数据科学、人工智能、决策优化等为核心的多模态、多元化的生产技术创新,而这种技术创新在供应链上存在强烈的联动效应。当供应链中的焦点企业成功实施智能制造转型后,其成功转型经验和先进技术将通过示范效应、知识共享和技术转移,加速供应链上下游企业对智能制造转型的采纳与应用,形成广泛的技术联动效应,带动整体供应链企业智能制造技术进步。

智能制造转型具备明显的网络外部性特征。网络外部性理论认为,某一产品或服务的价值随用户数量增加而增加,这一理论广泛应用于信息技术和通信技术领域[10-11],在智能制造背景下同样具有解释力。依据智能制造转型的特征,其网络外部性主要表现在以下方面:①技术标准化与系统兼容性。在智能制造环境下,统一的技术标准和系统兼容性是实现高效生产与协同作业的关键。当焦点企业采用某种智能制造标准或平台时,供应链上的企业为保持与其的合作关系,也需要逐步采用相同或兼容的生产标准。这种标准化的推广有益于提升供应链整体技术水平,降低技术转型风险和成本,同时推动整体供应链智能制造转型进程。②系统集成与协同运作。智能制造强调各生产环节和系统间的高度集成,通过人工智能设备和系统的协同运作实现整体效益最大化。供应链企业为适应焦点企业的生产节奏和标准,有必要进行技术与管理上的改进,最终形成整个供应链协同效应。从上述分析看,智能制造作为一项多元化的技术创新要素,具有创新联动与网络外部性效应,进而不断向其供应链上下游企业溢出。基于此,本文提出如下研究假设:

H1:智能制造转型存在供应链溢出效应,即焦点企业智能制造转型对其供应链企业智能制造具有正向影响。

1.2 智能制造转型供应链溢出效应的调节作用:纵向引领、同群效应

(1)纵向引领的调节作用。企业主体在供应链上的活动具有联动性,实行智能制造转型的焦点企业能够通过示范效应、知识传递,影响供应链上下游企业智能制造。可以推论,这种示范效应的强弱取决于焦点企业在整体产业链、供应链上的影响能力。在制造业范畴内,存在数量少、规模大且处于产业链核心位置的链主企业,其具有更明显的产业纵向引领能力[12]。区别于普遍焦点企业与供应链上下游企业间的关系,链主焦点企业与其供应链企业之间存在非平等的合作关系[13]。具体表现为,作为产业链、供应链上的核心企业,链主企业拥有资金、技术以及信息等关键优势,是多样化创新技术资源的扩散中心,更有能力对其链上企业的生产方式加以干预。同时,在紧密的供需关系下处于供应链中心位置的链主企业会受到更多来自上下游的风险传染(包群和但佳丽,2021),更有动机或意愿发挥自身优势帮助其他企业转型或纾困。因此,尽管创新要素在供应链上联动,但链上企业更加响应链主企业的需求,最终形成“领导—追随”式合作关系,链主企业以更强有力的产业纵向引领发挥“头雁效应”,强化智能制造的供应链溢出效应。基于此,本文提出研究假设:

H2a:当焦点企业具有链主特征时,通过纵向引领增强智能制造转型的供应链溢出效应。

(2)同群效应的调节作用。社会学习理论认为,个体认知和行为决策会受到外部社会环境干扰,特别是相关联个体所产生的同群效应。企业作为微观主体,其行为决策也遵循着一般经济规律,管理层在面临重大战略决策时会参考同群企业的决策行为[14]。当同群企业通过智能制造转型显著提高生产效率与企业绩效时,该经验做法通过同群效应传递至其他企业,对其认知和信念产生冲击,影响其智能制造转型的决策选择。供应链内部存在具有同群属性的关系特征。已有研究表明,共同分析师网络特征存在同群效应,企业的创新要素具有向上的趋同特征[15]。基于股东共同持股的上下游企业所形成的同群效应,不仅能为供应链企业架起信息沟通的桥梁,促进供应链同群企业间的管理经验、重大决策借鉴与参考[16],而且有助于形成供应链企业联盟,实现优势互补、要素共享、风险共担的合作模式,这为企业间在供应链关系的基础上,建立具有同群属性的关系特征。因此,在具有共同股东持股特征的同群效应下,当观测到同群企业智能制造转型时,供应链企业更有可能调整自身决策,以期加速智能制造转型进度。基于此,本文提出研究假设:

H2b:当供应链企业间存在共同股东时,通过同群效应增强智能制造转型的供应链溢出效应。

综上,本文构建理论框架如图1所示。

2 研究设计

2.1 数据来源

本文以2009—2022年中国A股制造业上市公司为研究样本基于前五大供应商和客户关系数据,构建焦点企业—供应链企业—年份数据集,如A—X—2009形式的观测值。具体地,采用国泰安数据库(CSMAR)中的上市公司供应链关系数据,保留焦点企业与供应链企业均为上市公司的样本,剔除ST和*ST的公司以及其他关键变量缺失严重的样本,获得732家焦点企业、1 026家供应链企业,共计3 446个焦点企业—供应链企业—年份观测值。

2.2 模型设定

为检验研究假设,本文构建如下回归模型:

IM_chaini,t=a0+β1IM_focusi,t+β2∑Controlsi,t+δi+μt+εi,t

(1)

其中,i、t分别为企业和年份;被解释变量IM_chain代表供应链端企业智能制造水平;解释变量IM_focus代表焦点企业智能制造水平;Controls为针对供应链端企业的一系列控制变量;σ、μ分别表示企业和年份固定效应;ε代表回归残差项。为了减少残差序列相关性和异方差对估计结果的偏差干扰,本文采用在企业层面进行聚类的标准误。

2.3 变量选取

(1)智能制造水平。企业智能制造水平的衡量难度较大,目前未有统一的指标。现有文献中,部分学者参考《工业和信息化部关于公布智能制造试点示范项目名单的通告》中相关内容,构建智能制造试点的虚拟变量对政策效应进行检验[3],但无法形成连续型变量体现企业个体层面的智能制造转型程度。也有文献采用文本分析方法,在抓取智能制造关键词的基础上,根据智能制造词频衡量企业智能制造水平[2]。文本分析通过机器学习深度挖掘,能够有效衡量企业个体层面智能制造水平。因此,本文采用文本挖掘方法,具体步骤如下:基于2009年以来历年的政府工作报告、“十一五”以来关于智能制造的产业发展规划相关政策文件,通过人工阅读与关键词筛选,提取汇总智能制造相关的关键词库。利用jieba中文分词库,通过机器学习方法从上市公司年报中对文本信息进行词频统计分析,将相关智能制造转型关键词词频加总,然后加1取对数,得到焦点企业(IM_focus)和供应链企业智能制造水平(IM_chain)的代理变量。

(2)调节变量。①纵向引领(Lead)。链主企业在产业链、供应链中占有优势地位,对链上企业资源配置和应用具有较强的纵向引领能力。借鉴现有研究的思路对链主企业进行定义[17],具体步骤如下:依据企业规模、市场占有率和创新能力优势的3个链主特征,整理出不同行业中总资产、主营业务收入以及专利授权数量分别排在前30%的企业,将同时满足以上3个条件的焦点企业定义为链主企业。此外,本文考察国有企业在供应链上承担的链长、链主功效。考虑到国有企业在中国经济中的重要地位,特别是在重要行业和战略性产业中拥有较强的资源调配能力和市场影响力,以及通过政府支持和资本优势在产业链、供应链中承担更为关键的协调和引领作用。因此,本文根据公司股权性质对具有国有属性的焦点企业进行分组,检验国有企业所发挥的纵向引领能力。②同群效应(Peer)。参考已有研究[18],本文对与供应链企业之间存在共同股东持股的焦点企业进行识别。具体而言,依据上市公司披露的十大股东名录信息,若焦点企业与其供应链上下游企业同时被至少同一个机构投资者持股,则该焦点企业(A)—供应链企业(X)被视为共同股东企业组。在此基础上,本文进一步构建连锁股东指数。首先,剔除季度层面持股比例低于5%的可能无法对公司治理与经营产生重大影响的股东。其次,测算焦点企业股东同时控股同行业其他企业的个数,采用年度均值加1取对数,将焦点企业连锁股东指数高于行业中位数的样本定义为连锁股东企业。

(3)控制变量。本文对可能影响供应链企业智能制造水平的因素进行控制,包括上市公司主要财务指标,以及所处地区的社会经济特征。其中,上市公司财务与治理特征变量指标包含资本回报率(ROA)、现金比率(CASH)、营收增长率(SGR)、研发经费投入(R&D)以及托宾Q值(TobinQ);地区社会经济特征变量包含地区生产总值(GDP)、产业结构(STR)、人口规模(POP)。

2.4 描述性统计分析

描述性统计分析结果如表1所示。焦点企业智能制造水平(IM_focus)均值为2.966 3,最大值为6.152 7;供应链企业智能制造水平(IM_chain)均值为2.676 2,最大值为5.983 9。焦点企业智能制造水平均值高于供应链企业0.290 1,且供应链智能制造水平相对离散,其标准差高于焦点企业。

3 实证分析

3.1 基准回归

由表2可知焦点企业智能制造对其供应链企业智能制造水平影响的检验结果。其中,列(1)(2)表明,控制了企业个体和年份固定效应,无论是否考虑控制变量,焦点企业智能制造水平(IM_focus)对其供应链企业智能制造水平(IM_chain)的影响系数均为0.058,在1%的水平上显著。当控制其他变量不变时,焦点企业智能制造水平每提升1个标准差,会带动供应链上企业的智能制造水平同步提升7个百分点。进一步地,参考吴延兵(2008)的方法,本文分别采用焦点企业、供应链企业智能制造得分与各自上一年度的差值更换模型中的解释变量与被解释变量,以检验两者智能制造转型的进度是否联动。列(5)(6)表明,无论是否考虑控制变量,焦点企业智能制造变动幅度(ΔIM_focus)对其供应链企业智能制造水平(ΔIM_chain)的影响系数均在1%的水平上显著为正。此外,为消除行业、地区间发展差异对估计产生的混杂效应,本文在全变量回归模型的基础上分别增加了行业趋势控制、地区趋势控制。控制行业趋势的回归结果如列(3)(7)所示,IM_focus和ΔIM_focus的回归系数分别为0.050和0.130,均在1%的水平上显著。控制地区趋势的回归结果如列(4)(8)所示,IM_focus和ΔIM_focus的回归系数分别为0.069和0.150,均在1%的水平上显著。上述结论说明,焦点企业智能制造转型对其供应链企业存在显著的正向溢出效应,假设H1得以验证。

3.2 内生性问题处理

(1)工具变量法。本文借鉴黄群慧等(2019)的研究方法,选取滞后一期的全国互联网上网人数与1984年区域每万人固定电话数量的交乘项作为当期焦点企业智能制造水平的工具变量(IV-Ⅰ)。同时,采用焦点企业智能制造与按行业代码和省份分类的智能制造水平均值差额的三次方作为另一项工具变量(IV-Ⅱ)。回归结果如表3列(1)(2)所示,第一阶段,各工具变量的估计系数均显著为正;第二阶段,IM_focus系数的符号、显著性均与基准回归结果一致。K-P F统计量大于Stock-Yogo检验的10%临界值19.93,Hansen J 统计量的p值大于0.1,即不存在过度识别,满足外生性要求。上述分析表明在处理内生性问题后,本文的结论仍具有稳健性。

(2)双重差分法。本文参考温素彬等[19]的做法,采用智能制造企业试点这一准自然实验进一步克服内生性问题。具体地,2015年工业和信息化部公布了首批智能制造项目试点,旨在加快制造业智能制造转型进程,2016、2017、2018年试点规模持续扩大,试点项目包含305个上市公司与非上市公司。本文借助企查查、天眼查网站对试点名单当中的上市公司进行筛选,获得55家试点焦点企业,并将这些焦点企业的供应链作为处理组,其他没有被列入试点的焦点企业的供应链作为对照组。采用多期DID方法对核心解释变量进行重新定义,若处理组企业当年实施智能制造,则当年和之后年份取值为1,反之取值为0。需要说明的是,本文剔除了供应链企业也被列入智能制造项目试点的样本,以便更好地观测智能制造的供应链溢出效应。本文的处理组与对照组通过了平行趋势检验,表3中列(3)(4)表明,无论是否考虑控制变量,焦点企业智能制造的试点效应均能沿供应链溢出,对上下游企业产生显著溢出效应,进一步验证了本文结论的稳健性。

3.3 稳健性检验

(1)反向因果检验。考虑到反向因果问题,即供应链企业智能制造水平提高可能是由于本身的智能制造水平高,本文采用动态面板模型(GMM)进行检验,在回归模型中添加供应链企业前一年智能制造水平(L.IM_chain)作为控制变量。回归结果如表4列(1)所示,核心解释变量的回归系数仍显著为正,研究结论依然成立。

(2)更换变量测度方式。在前文企业智能制造文本分析的基础上,进一步使用上市公司年报中“管理层讨论与分析”(MD&A)中智能制造关键词的词频占比(IM_MD&A)更换企业智能制造水平指标,检验基准回归结果的稳健性。如列(2)所示,更换本文主要变量的测算方式后,结果与前文研究结论一致。

(3)更换样本选择区间。自2015年以来,因受到智能制造产业政策的影响,企业智能制造转型速度加快,参考范合君等[5]的方法,将样本区间缩小至2015—2022年进行基准回归。列(3)结果表明,IM_focus的影响系数为0.039,在1%的水平上显著,说明本文结论稳健。

(4)排除竞争性假说。当焦点企业未进行智能制造转型时,供应链企业自身也有智能制造转型的动机。为了排除这一竞争性假说,本文剔除了未进行智能制造转型的焦点企业样本,即智能制造得分为零的企业样本,重新进行基准回归。列(4)结果表明,IM_focus的影响系数为0.041,在5%的水平上显著,说明本文结论稳健。

3.4 调节效应检验

为考察纵向引领、同群效应对智能制造转型供应链溢出的机制作用,本文进一步对其调节效应进行检验,回归结果如表5和表6所示。

表5列(1)(2)报告了基于链主特征的分组回归结果。具有链主特征的焦点企业对供应链智能制造转型的回归系数为0.075,在1%的水平上显著,而不具有链主特征的焦点企业的回归系数则未通过显著性检验。列(3)(4)汇报了焦点企业是否为国有企业的分组回归结果。具有国有性质的焦点企业对其供应链智能制造的溢出效应显著为正,回归系数为0.134,而非国有性质焦点企业的影响系数未通过显著性检验。上述结果表明,当焦点企业在供应链中具有核心地位(如链主企业或国有企业)时,其智能制造转型对上下游企业智能制造水平的溢出效应更加显著。这说明具有核心地位的焦点企业能更好发挥示范效应和纵向引领的“头雁效应”,在推动供应链整体智能化进程中起到关键作用,假设H2a得以验证。

表6列(1)(2)汇报了供应链企业间是否存在共同股东的分组回归结果。两种情况下的回归系数分别为0.081和0.055,分别在1%和10%的水平上显著。当焦点企业与供应链企业不存在共同持股机构时,智能制造供应链的溢出效应有所降低。进一步地,列(3)(4)汇报了连锁股东指标是否高于行业中位数的分组回归结果。当供应链企业在同行业间连锁股东指数较高时,其回归系数在10%的水平上显著为正,当连锁指数低于中位数时,其回归系数不显著。上述结果表明,当焦点企业与供应链企业存在共同控股股东或连锁股东时,通过同群效应促使供应链企业更好地吸收与应用焦点企业智能制造经验,显著提升智能制造的溢出效应,假设H2b得以验证。

4 进一步分析

4.1 焦点企业智能制造转型溢出方向讨论:向上溢出还是向下溢出

如前文,焦点企业能够沿供应链带动链上企业智能制造转型,并通过焦点企业自身的纵向引领能力扩大溢出效应。供应链溢出效应存在传播方向,本文进一步探讨焦点企业对上游(供应商)与下游(客户)企业智能制造转型的差异化影响。供应商组的回归结果如表7列(1)(2)所示,在控制年份和企业固定效应后,无论是否考虑控制变量,系数均在5%的水平上显著为正,说明焦点企业对其供应商智能制造转型存在显著的溢出效应。客户组的回归结果如列(3)(4)所示,无论是否考虑控制变量,系数均不显著。以上结论说明,焦点企业智能制造转型主要向其上游供应商端企业溢出,即焦点企业对供应商形成明显的“倒逼机制”。供应商战略决策以其下游(焦点企业)的需求为导向,需增强与焦点企业的互动并保持市场敏感度(郭润萍等,2023)。当焦点企业实行智能制造转型时,供应商同步进行智能制造转型有助于提升服务意识,提高焦点企业对其满意度,从而双方建立、保持更为长久的供应关系。

4.2 供应链企业智能制造转型学习行为特征讨论:主动学习还是被动模仿

前文发现,具有同群效应的供应链企业更能学习焦点企业智能制造的成功经验,加快自身智能制造转型进度,这种学习能力可能来自供应链企业的主动学习,也有可能是被动模仿的跟随行为。当供应链企业智能制造在行业间已具有领先优势时,为进一步提高核心竞争力扩大市场规模,其或有动机主动学习加大智能制造转型力度,进而在行业间形成“马太效应”。智能制造转型也存在一定的市场风险,当企业以往智能制造水平较低或采取保守策略时,其倾向于模仿同行业竞争者或上下游企业的智能制造转型战略,以被动模仿和跟随学习的方式降低不确定性。因此,本文参考马骏等[20]的方法,对供应链企业组织学习的行为特征(是主动学习还是被动模仿)进行检验。具体地,计算上一年度供应链企业智能制造水平与当期同行业、同省份智能制造水平均值的差额,若该项差额大于0,则表明供应链智能制造在同行业、省份间具有规模优势,存在智能制造行业、地区的顺差,即供应链企业采取主动学习的策略。若差额小于0,则表明存在逆差,企业更有可能被动模仿跟随焦点企业以提升自己的智能制造水平。表8列(1)(2)汇报了供应链企业智能制造存在行业、地区顺差情况下的回归结果,IM_focus的系数均未通过显著性检验,即在顺差的情况下,供应链企业的主动学习行为不明显。而在列(3)(4)的回归结果中,IM_focus的系数显著为正,说明在行业与地区逆差下,供应链企业有更大的模仿动机。上述结论表明,在面对具有全新的、高市场风险特征的智能制造转型趋势时,供应链企业主要采取保守的被动模仿、相互跟随的学习战略提升智能制造水平,以期达到行业或同类企业的平均水平。

5 结论与建议

5.1 研究结论

本文采用2009—2022年中国A股制造业上市公司的供应链关系数据,实证检验智能制造的供应链溢出效应,并基于纵向引领与同群效应两个视角对影响机理进行考察,同时进行了一系列拓展性分析。结果表明:①焦点企业实行智能制造转型会对其供应链企业产生正向影响,存在智能制造转型的供应链溢出效应,且结论在工具变量法、双重差分法及一系列稳健性检验下均成立。②具有核心地位的链主龙头企业、存在共同股东控股的供应链企业,能够通过纵向引领和同群效应显著提升智能制造的供应链溢出效应。③智能制造供应链溢出效应存在“倒逼机制”,主要向焦点企业的上游供应商进行溢出。同时,供应链企业主要采取保守型的被动模仿策略提升自身的智能制造水平。

5.2 政策建议

(1)持续巩固智能制造转型的扩散溢出功效,“以少带多”推动智能制造协同提升。一是出台多层次、系统化的智能制造发展政策,建立科学有效的政策保障体系。智能制造转型是一个复杂且缓慢的过程,应充分发挥政府的牵引作用,从金融支持、数字基础建设、技术配套和人才培养等多方面提供多层次的激励保障配套。二是深入推进试点企业与示范项目工程,充分发挥典型示范与辐射带动作用。发挥智能制造试点的示范效应,以重大项目为标杆,定期遴选新一批智能制造优秀案例,建设智能制造示范工厂和智慧供应链,在各行业、各领域进一步形成可复制、可推广的智能制造新模式,推动链上企业积极转型。

(2)强化龙头企业智能制造转型的引领作用,“以大带小”实现智能制造融合发展。一是发挥链主企业的引擎作用,推动供应链深度互联。持续推进链主企业与供应链上企业合作,建立多形式的产学研合作联盟,实现对隐性知识和技术等无形资源的传递、交换、组织、优化配置和积累,推动供应链上企业聚焦智能制造关键核心技术联合攻关,实现大中小企业融通发展。二是推动国有企业发挥主导作用,推动各类主体跨域协同。国有企业应加强与地方政府、高新技术企业、民营企业的跨领域协同,形成共建共享的智能制造生态圈。通过技术共享、标准统一、平台搭建等方式,促进不同主体间的资源、技术和信息流通,推动智能制造转型在供应链上下游、区域间融合发展。

参考文献：

[1] 孟凡生, 赵刚. 传统制造向智能制造发展影响因素研究[J]. 科技进步与对策, 2018, 35(1): 66-72.

[2] 沈坤荣, 乔刚, 林剑威. 智能制造政策与中国企业高质量发展[J]. 数量经济技术经济研究, 2024, 41(2): 5-25.

[3] 黄卓, 陶云清, 刘兆达, 等. 智能制造如何提升企业产能利用率——基于产消合一的视角[J]. 管理世界, 2024, 40(5): 40-59.

[4] 权小锋, 李闯. 智能制造与成本粘性——来自中国智能制造示范项目的准自然实验[J]. 经济研究, 2022, 57(4): 68-84.

[5] 范合君, 吴婷, 何思锦. 企业数字化的产业链联动效应研究[J]. 中国工业经济, 2023,41 (3): 115-132.

[6] 焦小静. 供应链关系嵌入的创新溢出效应——基于主要客户的视角[J]. 企业经济, 2021, 40(7): 83-93.

[7] 孙慧, 夏学超, 祝树森, 等. 企业降碳减污协同推进的产业链联动效应[J]. 中国人口·资源与环境, 2024, 34(3): 16-29.

[8] 史梦昱, 闫佳敏. 企业ESG表现与供应商绿色创新——基于供应链视角的研究[J]. 审计与经济研究, 2024, 39(3): 97-106.

[9] 黄群慧,倪红福.基于价值链理论的产业基础能力与产业链水平提升研究[J].经济体制改革,2020, 38(5):11-21.

[10] 党琳, 李雪松, 申烁. 制造业行业数字化转型与其出口技术复杂度提升[J]. 国际贸易问题, 2021,47(6): 32-47.

[11] 霍春辉, 吕梦晓, 许晓娜. 数字化转型 “同群效应” 与企业高质量发展——基于制造业上市公司的经验证据[J]. 科技进步与对策, 2023, 40(4): 77-87.

[12] 齐平, 宋威辉. 链主企业对中国制造业产业链高质量发展的影响[J]. 南方经济, 2023,41 (5): 84-106.

[13] 马忠,芦雅琳.“链主”企业如何带动链上企业全要素生产率提升[J].广东财经大学学报,2024,39(3):52-65.

[14] LEARY M T, ROBERTS M R. Do peer firms affect corporate financial policy[J]. The Journal of Finance, 2014, 69(1): 139-178.

[15] 陈庆江, 王彦萌, 万茂丰. 企业数字化转型的同群效应及其影响因素研究[J]. 管理学报, 2021, 18(5): 653-663.

[16] FREEMAN K M. Overlapping ownership along the supply chain[J]. Journal of Financial and Quantitative Analysis, 2025, 60(1): 105-134.

[17] 陈凯旋, 张树山. 产业链链主何以赋能本地企业全要素生产率[J]. 南京财经大学学报, 2023,41(6): 1-11.

[18] DAI R, LIANG H, NG L. Socially responsible corporate customers[J]. Journal of Financial Economics, 2021, 142(2): 598-626.

[19] 温素彬, 张金泉, 焦然. 智能制造、市场化程度与企业运营效率——基于A股制造业上市公司年报的文本分析[J]. 会计研究, 2022, 43(11): 102-117.

[20] 马骏, 李书娴, 李江雁. 被动模仿还是主动变革 ——上市公司互联网涉入的同群效应研究[J]. 经济评论, 2021, 42(5): 86-101.

(责任编辑：梅岚峤)