智能制造试点政策能否抑制企业象征性数字化转型?——来自中国双重机器学习的证据

《Sustainability》:Can Smart Manufacturing Pilot Policy Curb Firms’ Symbolic Digital Transformation? Evidence from China Using Double Machine Learning

【字体: 大 中 小 】 时间:2026年08月07日 来源:Sustainability 4.1

编辑推荐:

  象征性数字化转型(SDT),即企业通过数字叙事夸大数字举措而未进行实质性升级,可能会削弱工业数字化的发展价值。本研究考察了中国智能制造试点政策(SMPP)是否抑制了此类行为。利用2011至2024年中国A股制造业上市公司的面板数据,研究人员将SMPP的分阶段实

  
象征性数字化转型(SDT),即企业通过数字叙事夸大数字举措而未进行实质性升级,可能会削弱工业数字化的发展价值。本研究考察了中国智能制造试点政策(SMPP)是否抑制了此类行为。利用2011至2024年中国A股制造业上市公司的面板数据,研究人员将SMPP的分阶段实施视为准自然实验,并在双重机器学习(DML)框架内估计政策效应。基线结果表明,SMPP显著降低了企业的象征性数字化转型(SDT),且该发现在替代性设定和内生性检验中保持稳健。动态效应分析表明,该政策产生了持续的抑制效应,但其边际效应随时间推移、随着治理趋于常态化而逐渐减弱。机制分析表明,该政策主要通过缓解融资约束和降低信息不对称发挥作用,而媒体关注的增加则会产生抵消性的声誉激励,可能促使SDT。阈值分析进一步揭示,在管理层短视程度较高的企业中,政策效应更强;在企业不透明度处于中等水平时,政策效应最为显著,但一旦不透明度超过临界水平,政策效应变得不显著。总体而言,SMPP促进了从象征性向实质性数字化转型的转变,并可能为可持续制造业发展提供间接启示。
**论文解读文章**

**一、研究背景、问题与意义**

可持续制造业被广泛视为协调工业增长与资源节约、环境保护及长期竞争力的路径。制造业企业面临提升能效、减排和增强供应链韧性的压力,数字技术成为产业升级的重要驱动力。然而,数字化转型并不必然意味着实质性升级:部分企业可能通过数字叙事夸大数字化举措,而缺乏相称的实质性改进。本研究将这种模式定义为“象征性数字化转型”(Symbolic Digital Transformation, SDT),即企业数字叙事与实质性数字实践之间的脱节。SDT作为一种数字“粉饰”行为,会扭曲外部对企业能力的评估,削弱旨在实现可持续制造的政策效果。在中国,智能制造试点政策(Smart Manufacturing Pilot Policy, SMPP)作为《中国制造2025》的核心支撑举措,旨在通过识别试点企业、推广可复制的智能制造实践,加速技术采纳并提升企业层面数字化转型的实质内容。然而,SMPP既可能通过改善资源获取和明确升级预期来鼓励实质性转型,也可能因利益相关者更关注数字叙事而非实际成果而增强企业管理外部印象的动机。因此,SMPP究竟抑制还是诱导SDT,是一个具有重要治理含义的实证问题。现有研究多关注数字化转型的生产率、创新和环境效应,较少关注象征性反应;对智能制造政策的研究主要考察技术升级和运营绩效,鲜有探讨其是否抑制SDT。此外,融资约束、信息不对称、媒体关注、管理层短视和企业不透明度等因素尚未被纳入统一框架。本研究基于此背景,考察SMPP是否以及通过何种渠道影响中国制造业企业的SDT,论文发表在《Sustainability》。

**二、主要研究方法**

研究人员利用2011至2024年中国A股制造业上市公司的面板数据,将SMPP的分阶段实施作为准自然实验。样本来源包括:手动收集中国工业和信息化部(MIIT)发布的四批智能制造试点示范项目名单,并与上市公司匹配,最终获得85家试点上市公司;企业财务和公司治理数据主要来自中国股票市场与会计研究数据库(CSMAR),并辅以年报披露信息;地区层面变量来自《中国城市统计年鉴》。在实证方法上,采用部分线性双重机器学习(DML)框架估计政策效应,以处理高维协变量和潜在非线性,并降低模型设定偏误带来的偏差。进一步采用基于DML的因果中介分析、面板阈值模型等方法进行机制和异质性分析。

**三、研究结果**

**3.1 基线回归结果(Baseline Regression Results)**
采用部分线性DML模型,在控制企业固定效应和年份固定效应后,SMPP系数在1%水平上显著为负。逐步加入控制变量线性项和二次项后,系数绝对值略有下降,但始终在1%水平上显著为负。在最严格的设定下,处理效应估计值为-0.164,表明SMPP显著抑制了企业的SDT,支持假设H1。

**3.2 稳健性检验(Robustness Checks)**
通过事件研究法的平行趋势检验发现,政策实施前处理组与对照组无显著差异,实施后系数持续为负,且早期效应较强,后期逐渐减弱。安慰剂检验(500次随机分配处理状态)显示,随机分配的伪处理效应集中于零附近,真实系数位于左尾远端,排除随机干扰。更换交叉验证折数(K=3、K=8)、替换DML算法(Lasso、GradBoost、SVM)、采用交互式DML设定等,SMPP系数均显著为负。此外,替换因变量衡量方式、排除同期其他政策干扰、控制省份-年份交互效应等,结果一致。

**3.3 内生性处理(Addressing Endogeneity)**
采用双重机器学习部分线性工具变量模型(DML-PLIV),以1984年每百人固定电话数量与时间趋势的交互项作为工具变量,SMPP系数仍显著为负(Cragg-Donald Wald F统计量93.284,排除弱工具变量)。Heckman两阶段校正后,逆米尔斯比率(IMR)显著,SMPP系数仍显著为负。倾向得分匹配(PSM)结合DML(1:1近邻匹配、核匹配)后,结果稳健。

**3.4 机制分析(Mediation Mechanism Test)**
基于DML的因果中介分析显示:SMPP通过缓解融资约束(FC)显著降低SDT(平均因果中介效应ACME为负,1%显著),支持H2;通过降低信息不对称(IA)显著降低SDT(ACME为负,1%显著),支持H3;通过提高媒体关注(MA)部分抵消抑制效应(ACME为正,5%显著),支持H4。传统逐步中介检验(Sobel Z检验和Bootstrap 95%置信区间)交叉验证了三个渠道的方向和显著性。各渠道解释份额:FC渠道约占总抑制效应的4.8%,IA渠道占0.5%,MA反向抵消约0.96%。

**3.5 阈值效应分析(Threshold Effect Analysis)**
面板阈值模型结果显示:管理层短视(MM)通过单阈值检验(阈值0.0174),当MM低于阈值时SMPP系数不显著,超过阈值后系数显著为负(-0.5781),表明政策在管理层短视较强的企业中抑制效应更强。企业不透明度(CO)通过双阈值检验(阈值0.0551和0.0686),当CO低于0.0551时,SMPP显著抑制SDT(-0.1903);当CO介于0.0551和0.0686之间时,抑制效应最强(-0.8574);当CO超过0.0686时,系数不显著,表明政策效应在中等不透明度下最强,过高不透明度则削弱治理效果。

**3.6 批次异质性与时间模式分析(Batch Heterogeneity and Temporal Pattern Analysis)**
逐步纳入各批次试点企业的DML估计显示,第一批次系数为-0.226(p<0.05),第二、三批次纳入后系数分别调整为-0.203和-0.186,全批次纳入后为-0.164(1%显著),表明政策效应存在批次间异质性,初期效应较强,后续批次效应递减。

**四、讨论与结论**

**研究结论翻译:** 本研究考察了SMPP能否抑制企业的SDT。以中国A股制造业上市公司为研究样本,利用SMPP的分阶段实施作为准自然实验,研究发现该政策显著抑制了SDT。该结论在一系列附加检验中保持稳健,包括事件研究、平行趋势检验、安慰剂检验、替代机器学习设定、不同样本分割比例、替代模型设定以及多种内生性处理,表明SMPP对企业数字化转型的象征性反应产生了实质性治理效应。机制分析进一步表明,该政策主要通过缓解融资约束和降低信息不对称来抑制SDT,而媒体关注在一定程度上削弱了这一效应。阈值回归结果进一步表明,SMPP对SDT的治理效应取决于管理层短视和企业不透明度。在管理层短视方面,当管理层短视超过估计阈值时,政策的抑制效应更为显著,说明短视倾向更强的企业更可能从事SDT,因而外部政策干预有更大空间纠正此类行为。在企业不透明度方面,结果呈现非线性模式:政策效应在中等不透明度下最强,在低不透明度下显著但较弱,在高不透明度下不显著,表明适度信息摩擦为政策监督和外部治理提供矫正空间,而过度不透明度可能阻碍政策信号传递并削弱外部监督。批次异质性和时间演化分析表明,SMPP在初始实施阶段抑制效应最为突出,随后边际效应逐年递减,表明政策冲击产生较强外部约束和合规激励,但随着企业适应常态化监管环境,边际治理效应下降。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号