谁承担数字化转型的成本？客户数字化转型、多重网络嵌入性与供应商运营韧性

《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》：Who Bears the cost of Digitalization? Customer digital transformation, multiplex network embeddedness, and supplier operational resilience

　　

•客户数字化转型降低了供应商的运营韧性。
•供应链网络结构嵌入性缓解了客户数字化转型的负面影响。
•高管互联网络结构嵌入性缓解了客户数字化转型的负面影响。
•客户数字化转型的影响因不同因素而异。
•本研究将企业层面数字化转型的研究扩展至供应链情境。

1. 引言
近年来，全球供应链面临着日益加剧的波动性，这是由公共卫生危机、极端天气事件和地缘政治不稳定等外生冲击驱动的，共同削弱了业务的连续性。特别是，级联供应链中断变得更加频繁，导致巨大的运营和财务损失（Jin 等，2025）。作为回应，韧性已成为战略重点，促使企业从效率驱动模式转向强调稳健性和适应性的模式。运营韧性是指企业在中断期间维持运营稳定并在之后迅速恢复正常运营的能力（Essuman 等，2020，Li 等，2023），越来越被视为增强公司核心业务能力的关键因素。根据商业连续性协会（2024）的一份报告，超过 80% 的公司已经制定或正在积极制定计划以加强运营韧性。在物流与供应链管理文献中，运营韧性已成为核心关注点，广泛的研究探讨了企业如何通过库存缓冲、运输冗余和网络设计来建立韧性（Goldbeck 等，2020）。然而，较少有研究关注供应链伙伴——特别是客户——的战略选择如何将韧性影响向上游传递给供应商。

基于动态能力理论，现有研究表明韧性源于资源的整合与重构（Qi 等，2023）。数字化转型作为关键的组织资源，被认为是增强韧性的重要杠杆（He 等，2023）。虽然这些研究提供了有价值的见解，但它们主要关注企业边界内数字化的直接效应，很大程度上忽视了供应链中数字化的垂直外部性或间接影响。在数字时代，供应链越来越表现为需求驱动和订单驱动的动态，其中客户行为在塑造供应商运营决策方面发挥着更突出的作用（Padgett 等，2020，Sun 等，2023）。关键在于，焦点企业自身的数字化代表了一种内部能力驱动机制，主要通过自主资源协调和内部控制来影响运营韧性（Chen 等，2025，Chi 等，2025）。相比之下，客户数字化转型引入了一种跨企业、权力驱动机制，该机制受资源依赖和结构约束塑造。根据资源依赖理论，客户数字化转型重塑了相互依赖和权力不对称（Zhu and Yu, 2024），作为一种外部力量推动供应商韧性的非自愿变化。因此，有必要调查客户数字化转型如何影响供应商运营韧性。

数字化转型代表了一种具有双重属性的战略性组织变革。其技术溢出效应可能增强供应商运营韧性，而其权力重构效应可能削弱供应商运营韧性。从技术溢出角度看，客户数字化转型通过综合数据共享平台和协作系统促进数字专业知识、管理经验以及实时市场信号的传递（Hennelly 等，2020，Zhang 等，2024a）。这种技术扩散使得供应链范围内更好的物流协调、改进的需求预测和更高效的运输调度成为可能。这使得供应商能够缓解“牛鞭效应”并实现更准确的生产调度和需求匹配（Huang 等，2025）。从这个意义上说，客户数字化转型有可能提高供应商的运营韧性。例如，阿里巴巴的“供应链阿里云”在东南亚的部署显著降低了当地供应商的数字化采用门槛（Business Chief Asia, 2023）。从供应链权力重构角度看，数字工具显著增强了客户的监控和信息获取能力，巩固了其在谈判和资源配置中的主导地位（Zhu and Yu, 2024）。这种权力不对称可能诱发机会主义的寻租行为，如积极的资源提取或掠夺性的供应链重组，这不可避免地损害供应商韧性（Kim and Fortado, 2021, Xin 等，2024）。在物流术语中，这表现为客户提取交货条款的让步、压缩提前期，并将库存持有成本和运输风险转移给供应商——这些做法直接损害了供应商的物流灵活性和运营稳定性。例如，伯兰特利用数字市场接入全球供应商的超过 2700 万种产品，迫使现有和新供应商在价格和交货条款上进行透明竞争，从而减少了对任何单一供应商的依赖，同时将价格和物流波动的负担转移给了供应商（Unite, 2026）。综上所述，客户数字化转型的双重属性使其对供应商运营韧性的影响在理论上变得模糊。然而，现有文献往往通过内部绩效的视角来评估数字化转型，对其对供应链伙伴的溢出效应关注有限。因此，从供应链关系视角考察客户数字化转型是否以及如何影响供应商运营韧性具有重要的理论和实践意义。

社会网络理论为可能调节客户数字化转型影响的因素提供了额外的见解。它指出企业在网络中的结构位置决定了其获取和控制关键资源的能力（Kim 等，2011）。京东作为连接超过 200,000 家供应商和数百万客户的桥梁，在与供应商谈判时拥有更大的议价能力（Shen and Sun, 2023）。当供应商在供应链网络中占据枢纽位置时，其不可替代性和议价能力可以在一定程度上制约由客户数字化转型驱动的权力扩张（Gulati 等，2000）。此外，企业间联系不仅限于交易关系，而是嵌入在由各种关系组成的复杂多重网络中（Novoselova, 2022）。在这些关系中，高管互联网络——通过董事、监事和高级管理人员在多家企业兼任职位形成——充当信息传递的关键渠道，并为供应链网络提供重要补充（Harrison 等，2023）。这是因为高管互联网络作为非正式的关系纽带，构成了企业社会资本的关键形式（Barroso-Castro 等，2016）。某些战略敏感信息和交易机会往往是通过高管的个人网络而非正式合同渠道获取的（Wang 等，2021）。因此，从整合正式交易关系与非正式社会联系的多重网络视角来看，本研究系统分析了焦点企业的网络结构嵌入性如何调节客户数字化转型与其运营韧性之间的关系。

基于这些观察，本研究旨在解决两个关键研究问题：（1）客户数字化转型如何影响供应商运营韧性？以及（2）供应商在供应链网络和高管互联网络中的位置如何调节这种关系？为了回答这些问题，我们构建了 2018 年至 2022 年中国上市公司及其供应链关系的综合数据集，并实证检验了客户数字化转型对供应商运营韧性的影响。在现有文献（Essuman 等，2020）的基础上，我们通过测量吸收能力和恢复能力获得了更详细的实证结果。我们进一步将分析扩展至多重网络框架，利用高管任命数据构建高管互联网络，从而调查企业多重网络结构嵌入性的调节作用。我们的发现表明，客户数字化转型显著降低了供应商运营韧性，且这一结果在一系列稳健性检验中保持稳健。调节分析进一步表明，焦点企业在供应链网络和高管互联网络中的结构嵌入性均具有正向调节效应，缓解了客户数字化转型的不利影响。

本研究在几个方面对现有文献做出了重要贡献。首先，虽然广泛的研究探讨了数字化转型的经济后果（Peng 等，2024，Zhou 等，2024）和驱动供应链韧性的因素（Bak 等，2020，Safari 等，2024，Su and Junge, 2023），但大多数研究仍局限于企业内部层面。本研究采用供应链关系视角扩展了这一文献，揭示了客户数字化转型如何对供应商运营韧性产生跨企业溢出效应。这一发现支持了资源依赖理论，表明客户数字化转型加剧了权力不对称，而供应商运营韧性的下降是这种不对称的后果之一。此外，本研究通过将韧性研究从传统的运营保障措施（如网络冗余、运输灵活性和库存定位）扩展至韧性的关系和信息决定因素，为物流与供应链管理文献做出了贡献（Goldbeck 等，2020，Pellegrino 等，2021）。此外，通过比较各种数字技术在增强韧性方面的差异化影响，本研究为企业有效预测和预防客户冲击提供了实践指导和理论基础。其次，通过将资源依赖理论与社会网络理论相结合，本研究揭示了企业的网络结构嵌入性如何塑造其抵御外部数字冲击的能力。更重要的是，与以往关注单一网络的研究不同（Chen 等，2025，Liu 等，2024a），本研究采用了多层网络视角。我们整合交易网络与高管互联网络，以捕捉正式和非正式的关系结构。这一框架使我们能够分析企业的双重网络结构嵌入性如何调节客户数字化转型对其运营韧性的影响程度。总体而言，本研究通过将注意力从数字技术如何提高物流效率转移至数字化转型如何在供应链伙伴之间重新分配运营风险和韧性责任，为运输与物流文献做出了贡献。

论文结构如下。第 2 节以相关文献综述开始。第 3 节提出研究假设。第 4 节概述方法论方法。第 5 节报告实证分析结果。第 6 节通过额外考察扩展分析。最后，第 7 节提供讨论、启示并承认研究的局限性。

2. 理论背景与文献综述
2.1. 资源依赖理论 (RDT)
RDT 将企业视为依赖外部环境资源以维持长期成功的开放系统（Pfeffer and Salancik, 2015）。在此框架内，相互依赖和权力失衡构成了资源依赖的两个核心维度（Casciaro and Piskorski, 2005）。这一观点激发了大量应用 RDT 解释组织间行为的研究。在供应链情境中，买方 - 供应商关系代表了 RDT 的一个重要设定。供应商本质上依赖客户获取订单、收入、市场信息和流动性（Padgett 等，2020）。这种依赖不一定是问题，因为稳定的客户关系可以提供可预测性并支持韧性（Jiang 等，2023）。然而，这种依赖也赋予了主导方权力，使依赖企业处于脆弱地位，并使其暴露于各种交换风险中。其中，不确定性和专用性投资在供应链关系中尤为常见（Williamson, 1996）。客户方的数字化转型加强了这些依赖动态。一方面，数字化转型通过供应链伙伴间知识、技术和实时信息的扩散加强了相互依赖（Dasgupta 等，2021，Pei 等，2025）。另一方面，数字工具赋予客户更好的信息获取、动态采购和供应链重构能力，这增加了他们的议价能力，同时提高了供应商面临的竞争压力和不确定性（Li 等，2024a）。

RDT 还表明，企业通过开发替代方案来减少对强大伙伴的依赖（Yang and Jiang, 2026）。获取多样的信息和资源是减少客户依赖的关键竞争优势来源。网络嵌入性为企业提供获取信息、资源和替代机会的关键渠道，从而影响其加强运营韧性的能力（Chen 等，2025）。因此，考察网络嵌入性如何调节客户数字化转型与供应商运营韧性之间的关系是 RDT 的重要扩展。

2.2. 社会网络理论 (SNT)
SNT 同样强调企业并非孤立运作，而是嵌入在组织间关系网络中。该理论指出，企业在网络中的结构位置决定了其获取信息、资源和影响的能力（Kim 等，2011）。因此，网络嵌入性的差异导致了企业在风险缓解能力和环境适应性方面的显著差异。供应链网络和高管互联网络构成了企业社会网络的两个重要维度（Aalbers and Ma, 2023）。

它们既捕捉了企业之间正式的契约交换关系，也捕捉了非正式的社会联系，这两者都塑造了企业适应外部环境的能力。企业在这些网络中的结构嵌入性指的是其在网络内的位置优势（Kim, 2014）。在结构嵌入性的各个维度中，网络度中心性和结构洞最具代表性，并在先前的研究中被广泛采用（Kim and Kim, 2018）。占据中心网络位置或桥接结构洞的企业通常拥有更强的资源控制优势和更大的关系冗余。例如，具有高网络度中心性的供应商通常能够获得更多冗余信息和替代资源渠道，这有助于抵消在与特定客户交易中的议价劣势（Shi et al., 2022）。因此，从社会网络理论（SNT）的角度来看，企业在网络内的位置优势被视为增强其竞争优势的一种潜在策略。

2.3. 数字化转型及其溢出效应
数字化转型是指企业通过部署云计算、人工智能和物联网等数字技术和能力，对核心活动和商业模式进行战略重构（Jin et al., 2025）。在方法论上，数字化转型的量化已从早期的基于调查的量表和财务指标，演变为基于自然语言处理驱动的文本测量方法。通过分析年度报告中的关键词频率，该方法为大规模分析提供了可扩展性和一致性（Ding et al., 2024）。

现有研究大量记录了数字化转型对企业有益的影响，包括提高生产率、创新和运营效率（Fang and Liu, 2024, Lee et al., 2025）。现有的供应链文献调查了数字化在采购、仓储和运输等核心运营中的应用（Hallikas et al., 2021, Abdulrashid et al., 2024）。这一系列工作展示了数字化在重构物流网络中的变革性作用。越来越多的学者认识到，数字化转型的影响超出了组织边界，在相互关联的实体之间产生了显著的溢出效应（Ding et al., 2025, Geng et al., 2024, Gao et al., 2026）。在“需求先于供给”的需求驱动市场系统中，垂直溢出主要从下游（客户）企业流向上游（供应商）合作伙伴（Dai et al., 2024, Sun et al., 2023）。然而，文献界对这些溢出的性质仍存在分歧。

一派文献强调正向溢出，发现客户数字化可以增强供应商绩效（Zhang et al., 2024a），降低成本粘性（Li et al., 2024b），并促进技术创新（Liu et al., 2024b）。这些研究通常强调知识转移、改进信息共享和提高协调效率等机制。相反，一种基于资源依赖理论（RDT）的萌芽但关键的视角指出了潜在的负面影响。RDT 认为，虽然依赖关键客户可以获得重要资源，但同时也会通过侵蚀议价能力而造成脆弱性（Chi et al., 2025, Jiang et al., 2024）。数字化转型可能会加剧这种不对称性，通过强化客户对信息、流程和交换条款的控制（Sun et al., 2024, Xin et al., 2024），从而削弱供应商吸收冲击和管理不确定性的能力。尽管有这些见解，客户数字化转型的潜在负外部性，特别是关于供应商核心运营稳定性的方面，仍未得到充分探索。

2.4. 运营韧性
运营韧性被定义为企业在中断期间维持运营稳定并在之后迅速恢复正常运营的能力（Li et al., 2023）。现有的韧性研究主要集中在组织层面，未明确区分供应链韧性、组织韧性和运营韧性。虽然运营韧性构成了组织韧性的一个关键维度，但它明确优先考虑核心业务运营的灵活性和连续性，反映了独特的属性（Essuman et al., 2022, Xi et al., 2024）。如表 1 所示，不同类型韧性的定义和焦点存在显著差异，强调了专门研究运营韧性的必要性。

表 1. 运营、企业和供应链韧性的比较。

| 变量 | 定义 | 焦点 | 参考文献 |
| :--- | :--- | :--- | :--- |
| 运营韧性 | 运营韧性被定义为企业在中断期间维持结构稳定性和运营连续性，并在之后迅速恢复正常运营的能力。 | 核心业务的稳定性和可持续性 | (Chen et al., 2025, Li et al., 2023, Xi et al., 2024) |
| 企业韧性 | 企业韧性是预期、吸收和有效应对风险，并从危机中迅速恢复的能力。 | 整个组织，包括战略、文化、人力资本和治理 | (Ciasullo et al., 2024, Mithani et al., 2021) |
| 供应链韧性 | 供应链韧性是指供应链在意外挑战中适应和繁荣的整体能力，从而确保连续性和稳定性。 | 网络结构的抗风险能力和恢复能力 | (Azadegan and Dooley, 2021, Guntuka et al., 2023, Statsenko et al., 2023) |

最近的大规模中断，尤其是 COVID-19 疫情，已将运营韧性推至学术调查的前沿。动态能力理论是理解运营韧性的主要框架，认为企业通过利用资源来预期、适应和从中断中恢复来建立韧性（Brusset and Teller, 2017, Teece et al., 1997）。该框架内的研究确定了关键内部驱动因素，如数字化转型、资源冗余和即兴发挥（Chen et al., 2025, Essuman et al., 2023, Woo et al., 2024）。然而，为韧性有效协调资源不仅仅是内部事务。企业在供应链中运作，其特征是重复交易、资源相互依赖和不对称的权力关系。在这种环境下，客户构成了一个关键的外部利益相关者，其特征和战略选择可以塑造供应商的运营条件（Verghese et al., 2022, Zhu and Huang, 2023）。先前的研究表明，稳定的客户关系和强大的业务网络增强了企业抵御中断的能力（Padgett et al., 2020, Xie et al., 2022）。数字化转型过程从根本上改变了这些关系动态。它不仅仅是技术升级，而是供应链网络内权力和资源再分配的催化剂（Zhu and Yu 2024）。

虽然企业越来越被鼓励追求数字化转型以加强自身的韧性，但对于客户数字化转型如何影响供应商运营韧性的了解却少得多。这一差距至关重要，因为它处于数字化研究中正/负溢出争论与韧性研究中外资源依赖方面的交叉点。因此，本研究旨在调查客户数字化转型如何影响供应商运营韧性。通过将研究视角从以企业为中心的观点转移到供应链层面，我们的工作为识别运营韧性的决定因素提供了一种新方法。

3. 研究假设
3.1. 客户数字化转型与供应商运营韧性
客户数字化转型不仅仅是企业内部的战略变革，而是重塑供应链内部权力结构的关键力量。现有研究表明，客户数字化转型在供应链中表现出双重属性。首先，它表现为技术溢出属性，促进知识、技术和信息的扩散，从而增强供应链成员之间的协调（Dasgupta et al., 2021, Pei et al., 2025）。其次，其权力重构属性增强了企业获取信息和流程监控的能力，可能会加强其对上游供应商的垂直控制（Li et al., 2024a）。鉴于这种双重性，客户数字化转型可能通过两条不同的理论路径对供应商运营韧性产生冲突的影响。

首先，客户数字化转型可以有效打破供应链内部的“信息孤岛”，缓解牛鞭效应（Huang et al., 2025, Pan et al., 2021）。信息不对称长期以来一直是供应商稳定运营的核心约束（Kao et al., 2022）。通过数字平台，客户共享销售、库存和生产计划的实时信息，这大大提高了供应商对需求条件的可见性（Kr?mer and Shekhar 2025）。在 RDT 的逻辑下，这种双向透明度将刚性的交易关系转化为高度同步的关系共生。通过用相互的信息可预测性取代制度不确定性，这使得供应商能够从盲目生产转向需求驱动制造，实现生产调度与市场需求的动态对齐（Papadopoulos et al., 2017）。这降低了过度库存或缺货的风险，并加强了运营稳定性。其次，客户数字化转型产生了显著的知识溢出，加强了供应商的数字运营能力和风险缓冲基础。客户开发的数字管理实践、算法模型和流程创新通过协作网络扩散到供应商（Zhang et al., 2024a）。通过采用这些实践，供应商降低了寻找和实施数字技术的成本（Goldfarb and Tucker, 2019, Zhang and Xiaofeng, 2023）。这种技术赋能不仅优化了内部运营，还敏锐了供应商感知和应对不利外部冲击的能力。因此，基于 RDT 关于相互依赖可以产生互利效益的见解，我们提出：

H1a: 客户数字化转型增强了供应商运营韧性。

第二种逻辑视角，基于权力重构属性，认为客户数字化转型会产生负向溢出效应。资源依赖理论表明，当对外部关键资源的控制变得不均衡时，就会产生权力不对称，使主导方能够以牺牲合作伙伴为代价来管理自身的环境依赖。在供应链中，供应商通常依赖客户订单、现金流稳定性和市场信息，形成了固有的不对称关系（Padgett et al., 2020）。数字化转型加强了客户获取信息、监控运营和设定交易规则的能力，从而加剧了信息不对称，并按照有利于他们的方向重塑供应链权力结构。这种依赖决定了供应商维持稳定生产计划、协调物流活动和有效应对运营中断的能力。

首先，客户数字化转型可以促进财务压力和运营风险向上游转移，削弱供应商的营运资本效率。根据 RDT，主导组织通常利用其结构权力从依赖的交换伙伴那里提取关键资源和冗余，以缓冲自身的运营冲击。鉴于数字化转型投资的高成本、复杂性和不确定性，进行数字化的客户可能会经历短期的流动性压力。为了维持现金流并确保转型成功，客户可能会采取机会主义行为，如延迟付款或延长信用条款（Hertzel et al., 2008）。随着数字工具增强客户的议价杠杆（Li et al., 2024a, Zhu and Yu, 2024），供应商可能被迫接受不利的贸易条件。这种做法占用了供应商的资金，降低了营运资本周转效率。营运资本约束直接影响供应商维持库存缓冲、确保生产投入以及为运输和履约活动分配资源的能力。此外，供应商通常被要求投资系统集成和流程升级以满足数字合规标准（Geng et al., 2024, Polyviou et al., 2020）。这类投资通常是刚性的，难以重新部署，进一步限制了日常货运调度和库存管理中的财务灵活性和快速调整能力。

其次，数字化转型降低了客户重构供应链关系的成本，从而破坏了关系的稳定性。RDT 的一个基本原则是，企业积极寻求通过扩大替代资源供应商池来减少自身的依赖（Yang and Jiang, 2026）。数字技术提高了供应链透明度，降低了识别、评估和切换供应商的成本（Shen et al., 2025）。这种可替代性的增加，加剧了供应商之间的市场竞争。随着切换变得更容易，供应商对未来订单和现金流面临更大的不确定性。这种不稳定性削弱了他们有效规划生产和分配资源的能力，使他们更容易受到需求波动和外部中断的影响（Kumar et al., 2023）。因此，供应商被迫持有更大的安全库存缓冲，维持过剩产能，并吸收更高的协调成本。在这种逻辑下，客户数字化转型可能会增加供应商对运营风险的暴露，从而削弱运营韧性。因此，基于 RDT 逻辑，即权力不对称使主导合作伙伴能够从依赖者那里获取让步，我们提出：

H1b: 客户数字化转型削弱了供应商运营韧性。

3.2. 网络结构嵌入性的调节作用
社会网络理论（SNT）强调，企业的结构嵌入性——其在网络内连接的模式和强度——决定了其获取信息、资源和影响力的能力（Granovetter, 1985）。结构嵌入性水平较高的企业通常拥有更广泛的外部联系和更强的网络位置优势，使他们能够获取替代资源、多样化其依赖并缓冲外部不确定性（Burt and Soda, 2021）。在本研究中，我们将供应商的网络位置优势概念化为其在两个不同网络中的结构嵌入程度：供应链交易网络和高管互锁网络。

3.2.1.

供应链网络结构嵌入性的调节作用
供应链交易网络由通过产品和服务交换形成的正式合同关系组成。供应商在此网络中的结构嵌入性塑造了其抵御客户数字化压力的能力。首先，占据较高结构嵌入性水平的供应商与众多替代交易伙伴保持着紧密联系 (Rindfleisch and Moorman 2001)。这一地位拓宽了他们的信息基础和资源获取渠道 (Shi et al., 2022)，使他们能够在更早阶段察觉到与客户数字化转型相关的中断。其次，这种结构优势通过扩大供应商的战略选择来改变权力平衡。根据资源依赖理论 (RDT)，抵消客户主导权力的最有效方法是培养替代资源管道，从而减少单方面的依赖。无论是通过直接联系的体量（度中心性）还是对断开伙伴的经纪杠杆（结构洞）来衡量，较高程度的结构嵌入性都反映了大量的客户多元化。这有效地将供应商的角色从脆弱的依赖者转变为具有韧性的网络枢纽。因此，客户在单方面收紧合规要求、延长付款期限或将运营风险向上游转移方面面临更大的约束。最后，与供应链网络核心位置相关的强关系有助于隐性知识和运营实践的转移 (Chen et al., 2025)。占据供应链中心位置的企业可以从多样化的客户实践中学习，并将这些见解转化为主动的数字适应和创新 (Song and Que 2025)。因此，我们提出：
H2a: 供应商在供应链网络中的结构嵌入性水平会减弱（加强）客户数字化转型对供应商运营韧性的负面（正面）影响。
3.2.2. 高管关联网络结构嵌入性的调节作用
高管关联网络源于管理者在各企业间的兼任，构成了一种重要的非正式治理结构。该网络超越了交易合同关系，是企业获取隐性知识、稀缺资源和建立社会资本的关键渠道 (Barroso-Castro et al., 2016, Moran, 2005)。首先，在关联网络中具有较高结构嵌入性的供应商可以更容易地观察同行企业如何应对客户数字化转型，从而以较低的不确定性和较少的协调成本调整策略 (Triebel et al., 2025)。从信号传递理论 (SNT) 的角度来看，这种信息优势是高结构嵌入性的直接结果。其次，这种嵌入性可以为供应商提供关系资源的获取渠道 (Collevecchio et al., 2025)。当客户数字化转型收紧供应商的流动性时，这些联系可能促进来自关联企业的临时融资、联合投资或其他形式的财务支持，确保韧性建设所需的资本投资 (Ramsawak et al., 2024)。最后，高管网络中较高程度的结构嵌入性施加了基于声誉和信任的约束，提高了客户机会主义地重构供应链关系的社会成本 (Hu and Li, 2025, Zona et al., 2018)。经济交易嵌入于社会网络之中。高管之间的社会联系和互动可以在一定程度上替代正式合同的刚性治理，为供应商提供关系缓冲。基于这些论点，我们提出：
H2b: 供应商在高管关联网络中的结构嵌入性水平会减弱（加强）客户数字化转型对供应商运营韧性的负面（正面）影响。
整体研究框架如图 1 所示。
图 1. 研究框架。
4. 方法
4.1. 样本选择与数据来源
本研究聚焦于 2018 年至 2022 年披露其前五大客户的中国 A 股上市公司，这一时期特征包括两次重大系统性冲击：中美贸易战（2018–2020）和 COVID-19 大流行（2020–2022）。将样本限制在冲击密集年份有助于缓解长期稳定带来的稀释效应，并增强韧性动态的识别。为缓解潜在的内生性并考虑决策滞后，客户数字化转型数据滞后一期，覆盖 2017–2021 年。在匹配供应商 - 客户对时，我们仅保留客户也是 A 股上市公司且披露具体客户名称的观察值。我们进一步剔除了 ST/PT 企业、金融部门实体以及关键变量缺失的观察值。客户数字化转型通过文本分析客户企业年度报告来量化。供应商运营韧性、前五大客户信息以及控制变量的数据来源于 CSMAR 数据库。为缓解异常值的影响，所有连续变量均在两端 1% 水平上进行缩尾处理。
4.2. 计量经济模型
为了评估客户数字化转型如何影响供应商运营韧性，我们构建了以下模型进行验证。
$$S\_OR_{j,t} = \alpha_0 + \alpha_1 C\_Dig_{j,t-1} + \alpha_2 Controls_{j,t} + \nu_t + \nu_j + \epsilon_{j,t}$$
其中 $S\_OR_{j,t}$ 是供应商 $j$ 在第 $t$ 年的运营韧性，$C\_Dig_{j,t}$ 代表供应商 $j$ 在第 $t-1$ 年的客户数字化转型，$Controls_{j,t}$ 是一组控制变量。此外，模型控制了时间固定效应 ($\nu_t$) 和个体固定效应 ($\nu_j$)。
为了检验假设 2a 和 2b 的调节效应，我们在方程 (2) 的回归模型中引入了交互项。
$$S\_OR_{j,t} = \beta_0 + \beta_1 C\_Dig_{j,t-1} + \beta_2 EM_{j,t-1} + \beta_3 C\_Dig_{j,t-1} \times EM_{j,t-1} + \beta_4 Controls_{j,t} + \nu_t + \nu_j + \epsilon_{j,t}$$
其中 $EM_{j,t}$ 表示调节变量，包括焦点企业的供应链网络结构嵌入性和高管关联网络结构嵌入性。其他因素与方程 (1) 中列出的相同。
4.3. 变量测量
4.3.1. 供应商运营韧性 (S_OR)
本研究将运营韧性定义为企业在干扰中保持稳定性并快速恢复的能力。基于此定义，我们从两个维度衡量运营韧性：吸收韧性和恢复韧性。为了量化吸收韧性 (S_ORA)，遵循 Li et al. (2023) 和 Xi et al. (2024) 建立的方法，我们利用单位生产成本的营业收入变化 (ORPPC)，该指标整合了需求侧销售和供给侧运营成本。具体而言，在评估 2022 年的韧性时，使用企业 2019–2021 年期间的平均 ORPPC 作为基准。对于恢复韧性 (S_ORR)，遵循 Ortiz-de-Mandojana 和 Bansal (2016) 的方法，我们基于干扰前后企业绩效的变化进行评估。在我们的样本期内，中国企业经历了一系列重大外部干扰，包括中美贸易紧张局势、COVID-19 大流行以及与俄乌冲突相关的地缘政治不确定性。因此，我们使用 2017 年（这些干扰前最后一个相对稳定的年份）作为干扰前基准，并计算随后干扰期间绩效恢复的程度。较高的 S_ORR 值表明较强的恢复能力。
为了构建运营韧性 (S_OR) 的复合指标，我们首先使用 min-max 标准化将 S_ORA 和 S_ORR 归一化到 0–1 尺度：$X_{norm} = (X - X_{min}) / (X_{max} - X_{min})$。然后我们计算 S_OR 为两个标准化组件的算术平均值：
$$S\_OR = (S\_ORA_{norm} + S\_ORR_{norm}) / 2$$
这种方法确保了吸收和恢复维度对复合指标的贡献相等，同时保留了 0–1 尺度的可解释性。此外，为了表明我们的发现不是由聚合过程驱动的，并捕捉运营韧性维度之间的细微差异，我们在实证分析中使用整体运营韧性、吸收韧性和恢复韧性分别运行回归。具体指标的建设公式如下：
$$S\_ORA_{j,t} = ORPPC_{j,t} / \sum_{t-1}^{t-3} ORPPC_{j,t} / 3$$
$$S\_ORR_{j,t} = (Operating Revenue_t - Operating Revenue_{2017}) / Operating Revenue_{2017}$$
4.3.2. 客户数字化转型 (C_Dig)
数字化转型代表了企业的一项关键战略举措，通常记录在年度报告中。特别是管理层讨论与分析 (MD&A) 部分，突出了企业优先事项，因此被视为评估数字化转型的可靠来源。遵循先前研究 (Chen et al., 2025, Zhuo and Chen, 2023)，本研究对上市公司年度报告进行文本分析和词频统计，以表征客户企业数字化转型的程度。具体而言，数字化转型相关关键词的频率作为企业将数字技术整合到运营中的程度的代理变量。该方法涉及四个步骤：
首先，从巨潮资讯网 (https://www.cninfo.com.cn) 检索年度报告，并提取 MD&A 或“业务运营分析”部分。其次，基于学术文献 (Wu et al., 2021, Yan et al., 2025) 和政策文件（详见附录 A），我们构建了一个包含 76 个关键词的数字化转型词典，涵盖人工智能、大数据、云计算、区块链和数字应用五个技术领域。第三，我们对年度报告的相关段落进行文本分析。我们将上述 76 个词汇的数字术语词典扩展到 Python 中的“结巴”中文分词包。然后对每份年度报告的 MD&A 部分执行自动化文本分析，以识别和统计所有数字化转型相关关键词的出现次数。每家企业的数字化转型得分计算为这些关键词的总频率除以 MD&A 部分的总字数，从而捕捉单个客户企业数字化转型的相对强度。最后，考虑到一家企业有多个主要客户，我们计算其前五大客户的加权平均数字强度 (Falcone and Ridge 2024)。加权由每个客户在供应商从这些主要伙伴获得的总销售额中的比例确定，确保该指标与每个客户关系战略意义相对应。
鉴于前瞻性信息可能无法准确反映企业当前的数字化转型活动，我们借鉴 Chen et al. (2025) 和 Chen et al. (2026) 的研究，进一步细化了文本清理过程。对于每个包含数字关键词的句子，我们首先使用一组前瞻性和推测性表达（如“计划”、“将”、“期望”、“打算”、“旨在”、“寻求”、“考虑”、“准备”）以及否定短语来标记反映未来计划、未确认举措或缺乏实际进展的句子。然后我们人工审查了标记的句子，并排除了那些仅描述战略愿景、意向行动或模糊愿望的句子。只有明确指代正在进行、已完成或明确实施的数字举措的句子才保留用于基于频率的测量。
$$Dig_{j,i,t} = \frac{\text{frequency of digital transformation words}}{\text{frequency of all MD\&A words}} \times 100$$
$$C\_Dig_{j,t} = \sum Weight_{j,i,t} \times Dig_{j,i,t}$$
其中 $Dig_{j,i,t}$ 表示供应商 $j$ 的第 $i$ 个客户在第 $t$ 年的数字化转型程度；$Weight_{j,i,t}$ 表示第 $i$ 个客户在供应商 $j$ 第 $t$ 年前五大客户总销售额中的比例；而 $C\_Dig_{j,t}$，即解释变量，是供应商前五大客户的加权平均数字化转型水平。
4.3.3. 调节变量
网络结构嵌入性反映了企业在网络中的结构重要性及其获取和控制网络资源的能力。遵循先前研究 (Chen et al., 2025)，我们使用度中心性和结构洞来衡量网络结构嵌入性。度中心性衡量企业与网络中其他企业的直接联系水平。较高的值表示与其他企业有更多直接联系和更丰富的信息获取。遵循先前研究 (Liu et al., 2025)，度中心性计算如下：
$$SCDC_{j,t} = SC\_D_{j,t} / N_s - 1$$
$$EIDC_{j,t} = EI\_D_{j,t} / N_m - 1$$
其中 $SCDC_{j,t}$ 和 $EIDC_{j,t}$ 分别表示焦点企业在供应链网络和高管关联网络中的度中心性。$SC\_D_{j,t}$ 和 $EI\_D_{j,t}$ 表示每个网络中直接链接到企业的节点数量，N 是网络中的节点总数。
结构洞捕捉企业间非冗余联系的程度。占据结构洞位置的企业获得了对异质资源、信息和知识更大的获取权，从而享受信息优势和控制优势。遵循先前研究 (Chen et al., 2025)，我们衡量结构洞如下：
$$SCSH_i = 1 - \sum_j (p_{i,j} + \sum_{q, (q \neq i,j)} p_{i,q} m_{j,q})^2$$
$$EISH_i = 1 - \sum_j (p_{i,j} + \sum_{q, (q \neq i,j)} p_{i,q} m_{j,q})^2$$
其中 $SCSH_i$ 和 $EISH_i$ 分别表示节点在供应链网络和连锁董事网络中的结构洞；$p_{i,q}$ 表示节点 i 和节点 q 之间的直接联系比例，而 $m_{j,q}$ 表示节点 j 和节点 q 之间的直接联系比例。SCDC 和 EIDC 乘以 100 以提高本文中数值的可读性。
4.3.4. 控制变量
为缓解因遗漏变量产生的潜在偏差，我们从多个方面选择了以下控制变量，包括企业特征、财务和运营绩效、内部治理和能力以及外部环境背景。
首先，企业的基本特征显著塑造其运营韧性。企业规模 (Size) 衡量为总资产的自然对数。较大的企业通常拥有更多资源，但在干扰期间也可能面临更大的刚性且适应较慢 (Li et al., 2023)。上市年龄 (ListAge) 计算为上市年数加一的自然对数。较老的企业往往积累了危机管理经验，但也可能遭受组织惯性 (DesJardine et al., 2019, Li et al., 2023)。

所有权类型（SOE）是一个虚拟变量，表明企业是否为国有企业。国有企业通常受益于优先获取制度资源和政策支持，这可能增强它们在危机期间的韧性。其次，企业的财务和运营状况对其韧性至关重要。杠杆比率（Lev）捕捉了企业的财务压力和债务负担，这可能会在动荡期间限制灵活性。净资产收益率（ROE）、现金流（CashFlow）和毛利率（GrossProfit）反映了企业的盈利能力和内部资源可用性，使企业能够更好地吸收冲击并保持运营连续性（Chen 等人，2025）。总资产周转率（ATO）衡量运营效率和资源利用能力，而资产增长（AssetGrowth）反映了企业的扩张和发展潜力。亏损发生（Loss）捕捉了财务困境和运营不稳定性，这可能会在外部冲击期间削弱企业的韧性。第三，内部治理和技术能力对于塑造韧性至关重要。我们控制了董事会规模（Board），因为有效的治理结构影响应急反应速度和决策效率。此外，控制了供应商自身的数字化转型（S_Dig），以将客户侧数字化转型的特定溢出效应与企业内部技术进步区分开来（Li 等人，2023）。与客户数字化转型的测量一致，S_Dig 基于供应商年报使用相同的文本方法构建。具体来说，识别与数字化转型相关的关键词以构建供应商级别的数字化转型指数。最后，我们考虑了外部和信息环境的影响。为了确保数字化转型的文本分析不受披露强度影响，我们控制了客户公司管理层讨论与分析（MD&A）部分的总字数（Word）。此外，包含区域经济发展水平（GDP）以控制可能同时影响供应链稳定性和组织恢复的宏观经济因素。表 2 展示了主要变量的定义。

表 2. 变量定义。

| 变量 | 衡量方法 |
| :--- | :--- |
| S_OR | 吸收韧性（S_ORA）和恢复韧性（S_ORR）的最小 - 最大归一化平均值 |
| S_ORA | 每单位生产成本的经营收入变化率 |
| S_ORR | 相对于冲击前基准的性能恢复程度 |
| C_Dig | 前五大客户数字化转型得分的销售加权平均，通过每个客户年报中的关键词频率衡量 |
| SCDC | 供应链网络中的度中心性 |
| SCSH | 供应链网络中 Burt 网络约束指数的 1 减去值 |
| EIDC | 高管互联网络中的度中心性 |
| EISH | 高管互联网络中 Burt 网络约束指数的 1 减去值 |
| Size | 总资产的自然对数 |
| ListAge | 企业上市年数的自然对数 |
| SOE | 国有企业为 1，否则为 0 |
| Lev | 总负债与总资产的比率 |
| ROE | 净利润与股东权益的比率 |
| CashFlow | 经营活动产生的净现金流/总资产 |
| GrossProfit | （营业收入 - 营业成本）/ 营业收入 |
| ATO | 销售收入与总资产的比率 |
| AssetGrowth | 当年总资产/上年总资产 - 1 |
| Loss | 上一年度亏损为 1，否则为 0 |
| Board | 董事会成员人数的自然对数 |
| S_Dig | 核心企业的数字化转型得分，通过其自身年报中的关键词频率衡量（与 C_Dig 使用相同的词典） |
| Word | 前五大客户的 MD&A 总词数之和的销售份额加权自然对数 |
| GDP | 供应商所在省份 GDP 的自然对数 |

4.4. 描述性统计

表 3 展示了核心变量的描述性统计结果。供应商运营韧性（S_OR）的均值为 0.377，中位数为 0.371。其偏度（0.528）和峰度（6.776）值表明分布呈轻微右偏和厚尾，反映了中国上市供应商中存在相当大的变异性和巨大的改进潜力。作为吸收能力组成部分的 S_ORA 均值为 0.997，存在较大的右偏（2.677）和显著的峰度（13.497），表明上尾部存在极值。相比之下，作为恢复能力组成部分的 S_ORR 呈现轻微的左偏分布（-0.411）和中等峰度（6.330）。由数字相关关键词占比捕捉的客户数字化转型（C_Dig），均值为 1.973，中位数为 1.946。偏度（0.152）和峰度（2.107）表明 C_Dig 近似于正态分布。其他变量的值位于合理区间内，并与先前的实证研究相符。然而，一些控制变量，如 ROE 和 AssetGrowth，表现出严重的偏度和峰度，表明存在极端观测值。为了减轻极端值的影响，所有连续变量均在 1% 和 99% 分位数上进行缩尾处理，并在所有模型设定中使用公司聚类稳健标准误。此外，我们还通过对所有连续变量在 10% 和 90% 分位数上进行缩尾处理来进行稳健性检验。

表 3. 描述性统计结果。

| 变量 | N | 均值 | 标准差 | 最小值 | 中位数 | 最大值 | 偏度 | 峰度 |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| S_OR | 1293 | 0.377 | 0.110 | 0 | 0.371 | 1 | 0.528 | 6.776 |
| S_ORA | 1293 | 0.997 | 0.115 | 0.568 | 1.002 | 1.359 | 2.677 | 13.497 |
| S_ORR | 1293 | 0.414 | 0.787 | -0.716 | 0.229 | 4.653 | -0.411 | 6.330 |
| C_Dig | 1293 | 1.973 | 1.331 | 0 | 1.946 | 4.860 | 0.152 | 2.107 |
| SCDC | 1293 | 0.257 | 0.142 | 0.0784 | 0.235 | 0.662 | 0.807 | 3.016 |
| SCSH | 1293 | 0.524 | 0.282 | 0 | 0.667 | 0.857 | -0.984 | 2.600 |
| EIDC | 1056 | 0.0208 | 0.0246 | 0.00289 | 0.0116 | 0.138 | 2.243 | 8.641 |
| EISH | 1056 | 0.553 | 0.367 | 0 | 0.667 | 0.967 | -0.605 | 1.735 |
| Size | 1293 | 22.36 | 1.310 | 19.66 | 22.21 | 25.89 | 0.376 | 2.673 |
| ListAge | 1293 | 2.596 | 0.577 | 1.099 | 2.639 | 3.401 | -0.378 | 1.966 |
| SOE | 1293 | 0.406 | 0.491 | 0 | 0 | 1 | 0.383 | 1.146 |
| Lev | 1293 | 0.458 | 0.204 | 0.0650 | 0.456 | 0.947 | 0.245 | 2.469 |
| ROE | 1293 | -0.0020 | 0.309 | -2.476 | 0.0510 | 0.405 | -6.013 | 45.266 |
| CashFlow | 1293 | 0.0441 | 0.0648 | -0.361 | 0.0438 | 0.350 | -0.360 | 6.867 |
| GrossProfit | 1293 | 0.268 | 0.189 | -0.352 | 0.238 | 0.932 | 0.921 | 4.415 |
| ATO | 1293 | 0.573 | 0.398 | 0.0642 | 0.471 | 2.269 | 1.794 | 7.290 |
| AssetGrowth | 1293 | 0.0980 | 0.372 | -0.383 | 0.0508 | 5.633 | 10.087 | 138.598 |
| Loss | 1293 | 0.136 | 0.343 | 0 | 0 | 1 | 2.122 | 5.504 |
| Board | 1293 | 2.132 | 0.189 | 1.609 | 2.197 | 2.639 | -0.595 | 4.378 |
| S_Dig | 1293 | 1.616 | 1.446 | 0 | 1.386 | 5.342 | 0.711 | 2.625 |
| Word | 1293 | 0.260 | 0.0733 | 0.133 | 0.248 | 0.499 | 0.903 | 3.712 |
| GDP | 1293 | 0.773 | 0.508 | 0.0552 | 0.751 | 1.701 | 0.311 | 1.768 |

此外，为了评估模型中潜在的多重共线性问题，本研究进行了各变量的相关性分析。如附录 B 所示，客户数字化转型（C_Dig）与三种韧性衡量指标之间的相关系数分别为 -0.071（S_OR）、-0.065（S_ORA）和 -0.040（S_ORR），与我们的假设一致。重要的是，这些系数的绝对值均小于 0.1，表明多重共线性不太可能成为问题。为了进一步检验多重共线性，我们计算了各变量的方差膨胀因子（VIF），结果见表 4。按照传统的 10 的阈值，所有 VIF 值均低于此水平，表明多重共线性在我们的估计模型中不是主要关注点。

表 4. VIF 检验。

| 变量 | VIF | VIF(SCDC) | VIF(SCSH) | VIF(EIDC) | VIF(EISH) |
| :--- | :--- | :--- | :--- | :--- | :--- |
| C_Dig | 1.220 | 1.220 | 1.220 | 1.220 | 1.220 |
| SCDC | 1.090 | | | | |
| SCSH | 1.070 | | | | |
| EIDC | 1.140 | | | | |
| EISH | 1.220 | | | | |
| Size | 1.750 | 1.790 | 1.790 | 1.840 | 1.860 |
| ListAge | 1.410 | 1.450 | 1.430 | 1.510 | 1.530 |
| SOE | 1.330 | 1.330 | 1.330 | 1.350 | 1.380 |
| Lev | 1.610 | 1.610 | 1.610 | 1.680 | 1.700 |
| ROE | 1.280 | 1.280 | 1.280 | 1.330 | 1.330 |
| CashFlow | 1.230 | 1.230 | 1.240 | 1.350 | 1.350 |
| GrossProfit | 1.630 | 1.630 | 1.630 | 1.750 | 1.720 |
| ATO | 1.290 | 1.300 | 1.300 | 1.320 | 1.330 |
| AssetGrowth | 1.080 | 1.080 | 1.080 | 1.090 | 1.090 |
| Loss | 1.140 | 1.140 | 1.140 | 1.170 | 1.170 |
| Board | 1.130 | 1.130 | 1.130 | 1.150 | 1.150 |
| S_Dig | 1.330 | 1.340 | 1.330 | 1.300 | 1.310 |
| Word | 1.120 | 1.120 | 1.120 | 1.130 | 1.130 |
| GDP | 1.250 | 1.260 | 1.250 | 1.250 | 1.250 |
| 平均 VIF | 1.320 | 1.310 | 1.310 | 1.350 | 1.360 |

5. 实证分析

5.1. 基准回归分析

表 5 展示了客户数字化转型（C_Dig）与供应商运营韧性（S_OR）之间关系的回归结果。第（1）列显示了未包含控制变量的结果，而第（2）列包含了所有控制变量。第（3）列和（4）列分别报告了 C_Dig 对供应商运营吸收韧性（S_ORA）和恢复韧性（S_ORR）的回归结果。在所有四个模型中，C_Dig 的系数显著为负，表明客户数字化转型显著降低了供应商从冲击中吸收和恢复的能力。换句话说，客户数字化转型显著降低了供应商运营韧性，证实了假设 H1b。这些发现表明，客户数字化转型通过在供应链中产生负面涟漪效应，对供应商产生不利影响。

表 5. 基准回归结果。

| 变量 | (1) S_OR | (2) S_OR | (3) S_ORA | (4) S_ORR |
| :--- | :--- | :--- | :--- | :--- |
| C_Dig | -0.007*** | -0.007*** | -0.008*** | -0.018*** |
| | (0.003) | (0.002) | (0.002) | (0.006) |
| Size | 0.073*** | -0.044 | 1.079*** | |
| | (0.025) | (0.032) | (0.138) | |
| ListAge | 0.127*** | 0.147** | 0.372* | |
| | (0.044) | (0.060) | (0.219) | |
| SOE | 0.007 | 0.020 | -0.062 | |
| | (0.016) | (0.023) | (0.052) | |
| Lev | 0.102** | 0.182*** | -0.137 | |
| | (0.051) | (0.068) | (0.240) | |
| ROE | 0.064*** | 0.076** | 0.172** | |
| | (0.022) | (0.037) | (0.085) | |
| CashFlow | 0.074 | 0.160** | -0.290 | |
| | (0.054) | (0.073) | (0.190) | |
| GrossProfit | 0.517*** | 0.795*** | 0.152 | |
| | (0.076) | (0.120) | (0.289) | |
| ATO | 0.262*** | 0.151*** | 1.793*** | |
| | (0.035) | (0.042) | (0.161) | |
| AssetGrowth | 0.070*** | -0.009 | 0.819*** | |
| | (0.008) | (0.009) | (0.041) | |
| Loss | -0.005 | 0.001 | -0.067** | |
| | (0.010) | (0.014) | (0.033) | |
| Board | 0.022 | 0.007 | 0.191 | |
| | (0.034) | (0.042) | (0.186) | |
| S_Dig | 0.000 | 0.000 | 0.003 | |
| | (0.004) | (0.005) | (0.024) | |
| Word | 0.046* | 0.032 | 0.279* | |
| | (0.024) | (0.029) | (0.143) | |
| GDP | -0.051 | -0.062 | -0.128 | |
| | (0.035) | (0.067) | (0.162) | |
| 常数项 | 0.391*** | -1.940*** | 1.235* | -26.077*** |
| | (0.005) | (0.542) | (0.677) | (3.271) |
| 年份固定效应 | Yes | Yes | Yes | Yes |
| 公司固定效应 | Yes | Yes | Yes | Yes |
| N | 1293 | 1293 | 1293 | 1293 |
| R-squared | 0.010 | 0.533 | 0.418 | 0.698 |

注：括号内为聚类到公司层面的标准误；*、** 和 *** 分别代表 p < 0.1、p < 0.05 和 p < 0.01。以下相同。

5.2. 稳健性检验

5.2.1. 内生性检验

(1) 工具变量

为了进一步解决潜在的内生性问题，我们使用两阶段最小二乘法（2SLS）估计的工具变量（IV）方法。借鉴 Zhang 等人（2024a）的方法，我们使用互联网国家光缆长度滞后项与企业所在地 1984 年每百万人邮局数量组合的交互项作为工具变量（IV1）。具体来说，这种互联网基础设施的历史衡量不太可能直接影响企业当前的运营决策，满足排他性。此外，它捕捉了当地通信基础设施的早期发展，促进了企业的数字化转型，确保了工具的相关性。相应结果报告在表 6 的第（1）列和（2）列中。其次，借鉴先前研究（Fang 和 Liu，2024；Lewbel，1997），我们构建了一个替代工具变量（IV2），即客户数字化转型相对于行业平均值的三次偏差。估计结果展示在第（3）列和（4）列中。第三，遵循 Geng 等人（2024），我们使用区域 - 行业 - 年份平均水平的客户数字化转型作为附加工具变量（IV3）。结果报告在第（5）列和（6）列中。

表 6. 内生性检验结果。

| 变量 | (1) C_Dig | (2) S_OR | (3) C_Dig | (4) S_OR | (5) S_OR | (6) S_OR | (7) S_OR |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| IV1 | 0.014*** | | | | | | |
| | (0.003) | | | | | | |
| IV2 | | | 0.182*** | | | | |
| | | | (0.019) | | | | |
| IV3 | | | | | 0.960*** | | |
| | | | | | (0.022) | | |
| C_Dig | | -0.031*** | | -0.004*** | | -0.018*** | -0.007*** |
| | | (0.011) | | (0.001) | | (0.005) | (0.002) |
| 控制变量 | Yes | Yes | Yes | Yes | Yes | Yes | Yes |
| 年份固定效应 | Yes | Yes | Yes | Yes | Yes | Yes | Yes |
| 公司固定效应 | Yes | Yes | Yes | Yes | Yes | Yes | Yes |
| Kleibergen-Paap rk LM | 15.078*** | | 43.638*** | | 71.319*** | | |
| Cragg-Donald Wald F | <20.469> | | <96.792> | | <1851.303> | | |
| N | 1293 | 1293 | 1293 | 1293 | 1293 | 1293 | 959 |
| R-squared | 0.548 | 0.408 | 0.772 | 0.524 | 0.678 | 0.502 | 0.532 |

表 6 中的诊断统计量表明，所有三个工具变量均通过了弱识别检验（Kleibergen-Paap RK LM 统计量）和弱工具变量检验（Cragg-Donald Wald F 统计量），证实了它们的有效性。第二阶段回归结果进一步表明，客户数字化转型对企业运营韧性的影响仍然显著为负，与基准发现一致。S_ORA 和 S_ORR 的检验结果也与基准回归一致（见附录 C 中的表 C.1）。

(2) 倾向得分匹配（PSM）检验

我们使用 PSM 技术来减少由样本选择偏差和控制变量差异引起的内生性问题的可能性。具体来说，遵循 Wei 等人（2024），我们基于同一行业和年份内客户数字化转型的中位数水平划分样本，形成处理组（高 C_Dig，编码为 1）和对照组（低 C_Dig，编码为 0）。使用控制变量作为协变量应用 1:2 最近邻匹配程序。图 2 展示了匹配前后倾向得分的核密度分布。匹配前，处理组和对照组表现出显著的分布差异；匹配后，它们的分布紧密一致，表明匹配质量令人满意。随后的回归分析，报告在表 6 的第（7）列中，显示 PSM 后 C_Dig 系数仍然显著为负，从而强化了我们的结论的稳健性。S_ORA 和 S_ORR 的检验结果也与基准回归一致（见附录 C 中的表 C.2、图 C.1 和图 C.2）。

图 2. 倾向得分的核密度分布。

(3) Heckman 两阶段模型

中国证监会鼓励上市公司披露其前五大客户和供应商的信息，但这种披露仍然是可选的，可能会引入样本选择偏差（Guo 等人，2023）。为了解决这个问题，我们应用了 Heckman 两阶段方法（Falcone 和 Ridge，2024）。我们在 Heckman 技术的第一步估计一个 Probit 模型，因变量是一个虚拟变量，表示公司是否披露其主要客户的名称（披露为 1，否则为 0）。第二阶段回归包含了从该计算中获得的逆米尔斯比率，以控制潜在的选择偏差。结果显示，客户数字化转型继续对供应商运营韧性产生显著的负面影响。（见附录 C 中的表 C.2）

5.2.2. 其他稳健性检验

(1) 客户数字化转型的替代衡量

作为稳健性检验，我们用基于资产的指标替换客户数字化转型的基于文本的衡量。具体来说，遵循先前的研究，我们使用数字相关无形资产占总无形资产的比例来衡量客户数字化转型（Chen 等人，2022）。该指标更好地捕捉了企业实际的数字资源投资和技术部署，从而减轻了年度报表披露可能仅反映战略愿望或象征性修辞而非实质性数字化转型的担忧。结果报告在表 7 的第（1）列中，与基准发现保持一致，支持了我们结论的稳健性。S_ORA 和 S_ORR 的检验结果也与基准回归一致（见附录 C 中的表 C.3）。

表 7. 稳健性检验结果。

| 变量 | (1) S_OR | (2) S_OR | (3) S_OR | (4) S_OR | (5) S_OR |
| :--- | :--- | :--- | :--- | :--- | :--- |
| C_Dig | -0.004** | -0.006*** | -0.007*** | -0.007*** | -0.007*** |
| | (0.002) | (0.001) | (0.002) | (0.002) | (0.002) |
| 常数项 | -2.060*** | -1.629*** | -1.940** | -1.940*** | -1.940*** |
| | (0.554) | (0.476) | (0.754) | (0.657) | (0.496) |
| 控制变量 | Yes | Yes | Yes | Yes | Yes |
| 年份固定效应 | Yes | Yes | Yes | Yes | Yes |
| 公司固定效应 | Yes | Yes | Yes | Yes | Yes |
| N | 1293 | 1293 | 1293 | 1293 | 1293 |
| R-squared | 0.531 | 0.533 | 0.533 | 0.533 | 0.533 |

注：第（3）-（5）列分别代表在行业、城市以及客户和供应商合并层面的聚类。

(2) 供应商运营韧性的替代衡量

为了消除行业特定冲击和固有部门差异对韧性表现的潜在影响，我们使用行业调整方法重新衡量供应商运营韧性。结果报告在表 7 的第（2）列中，与基准发现保持一致，进一步支持了我们结论的稳健性。S_ORA 和 S_ORR 的检验结果也与基准回归结果一致（见附录 C 中的表 C.3）。

(3) 替代聚类方法

我们还通过应用替代聚类方法来验证结果的稳健性，以处理标准误。具体来说，我们按行业和按城市聚类标准误。此外，我们还在客户和供应商层面聚类标准误。结果显示在表 7 的第（3）-（5）列中，与原始结论一致。S_ORA 和 S_ORR 的检验结果也与基准回归一致（见附录 C 中的表 C.4）。

此外，我们通过将变量在 10% 和 90% 分位数上进行缩尾处理、将客户数字化转型滞后两个时期以及缩短样本窗口来进行进一步的稳健性检验。所有设定中的核心发现都与基准结果保持一致，进一步证实了我们结论的稳健性（见附录 C.5 中的表 C5、表 C6）。

调节效应检验

鉴于我们的供应链网络是基于公开披露的客户和供应商关系构建的，结果可能会受到企业规模和披露实践的影响。为了缓解这一担忧，我们在基准模型之外，额外控制了披露强度和供应链透明度。披露强度（DII）通过企业年报的长度来衡量。供应链透明度（SCT）通过企业具体披露的客户和供应商数量来衡量。表 8 展示了网络结构嵌入性调节效应的测试结果。第 (1)-(6) 列报告了供应链网络结构嵌入性的调节效应，相应的调节效应图如图 3 所示。对应 S_ORA 和 S_ORR 的调节效应图见附录 A。各类数字化转型关键词见附录 B。皮尔逊相关系数矩阵见附录 D。结果表明，客户数字化转型与供应商供应链网络度中心性以及结构洞之间的交互项系数均显著为正。这一发现支持了假设 H2a，表明供应商在交易网络中的优势位置显著缓解了客户数字化对其运营韧性的抑制作用。

表 8. 供应链网络结构嵌入性的调节效应。

| 空白 | (1) | (2) | (3) | (4) | (5) | (6) | 空白 |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| | S_OR | S_ORA | S_ORR | S_OR | S_ORA | S_ORR | |
| C_Dig | -0.008*** | -0.009*** | -0.020*** | -0.009*** | -0.011*** | -0.022*** | |
| | (0.002) | (0.002) | (0.006) | (0.002) | (0.003) | (0.007) | |
| SCDC | -0.024 | -0.025 | -0.087 | | | | |
| | (0.023) | (0.030) | (0.114) | | | | |
| C_Dig × SCDC | 0.033*** | 0.039*** | 0.096* | | | | |
| | (0.011) | (0.015) | (0.052) | | | | |
| SCSH | -0.008 | 0.006 | -0.130** | | | | |
| | (0.014) | (0.019) | (0.052) | | | | |
| C_Dig × SCSH | 0.025** | 0.031** | 0.055** | | | | |
| | (0.010) | (0.014) | (0.026) | | | | |
| DII | -0.053 | -0.065 | -0.125 | -0.021 | -0.011 | -0.155 | |
| | (0.038) | (0.069) | (0.157) | (0.039) | (0.053) | (0.145) | |
| SCT | -0.001 | 0.001 | -0.014 | -0.001 | 0.000 | -0.013 | |
| | (0.005) | (0.006) | (0.031) | (0.005) | (0.006) | (0.031) | |
| 常数项 | -1.729*** | 1.315 | -24.357*** | -1.710*** | 1.358 | -24.442*** | |
| | (0.653) | (0.849) | (3.806) | (0.659) | (0.852) | (3.797) | |
| 控制变量 | 是 | 是 | 是 | 是 | 是 | 是 | |
| 年份固定效应 | 是 | 是 | 是 | 是 | 是 | 是 | |
| 企业固定效应 | 是 | 是 | 是 | 是 | 是 | 是 | |
| N | 1293 | 1293 | 1293 | 1293 | 1293 | 1293 | |
| R-squared | 0.540 | 0.424 | 0.701 | 0.543 | 0.427 | 0.705 | |

下载：下载高分辨率图像 (105KB)
下载：下载全尺寸图像
图 3. 供应链网络结构嵌入性对客户数字化转型与供应商运营韧性关系的调节效应。

表 9 的第 (1)-(6) 列进一步检验了高管网络结构嵌入性的调节作用，相应的交互效应如图 4 所示。对应 S_ORA 和 S_ORR 的调节效应图见附录 C。稳健性检验见附录 D。附录 D 中 S_ORA 和 S_ORR 的调节效应图。客户数字化转型与供应商高管网络度中心性和结构洞的交互项系数也为正且显著。这表明更强的高管网络结构嵌入性缓解了客户数字化转型对供应商运营韧性的负面影响，为假设 H2b 提供了支持。总之，无论是在正式的供应链交易网络还是在非正式的高管网络中，优越的网络位置都能有效缓冲客户数字化转型引发的权力冲击。

表 9. 高管网络结构嵌入性的调节效应。

| 空白 | (1) | (2) | (3) | (4) | (5) | (6) | 空白 |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| | S_OR | S_ORA | S_ORR | S_OR | S_ORA | S_ORR | |
| C_Dig | -0.004*** | -0.005** | -0.015** | -0.005*** | -0.005** | -0.015** | |
| | (0.002) | (0.002) | (0.006) | (0.002) | (0.002) | (0.006) | |
| EIDC | 0.120 | 0.246 | -0.376 | | | | |
| | (0.240) | (0.317) | (0.699) | | | | |
| C_Dig × EIDC | 0.287*** | 0.363*** | 0.614** | | | | |
| | (0.089) | (0.119) | (0.255) | | | | |
| EISH | 0.007 | 0.022 | -0.074 | | | | |
| | (0.016) | (0.021) | (0.056) | | | | |
| C_Dig × EISH | 0.013** | 0.016** | 0.037** | | | | |
| | (0.005) | (0.007) | (0.019) | | | | |
| 常数项 | -1.992*** | 1.054 | -25.402*** | -2.020*** | 1.029 | -25.537*** | |
| | (0.603) | (0.723) | (4.015) | (0.601) | (0.720) | (4.000) | |
| 控制变量 | 是 | 是 | 是 | 是 | 是 | 是 | |
| 年份固定效应 | 是 | 是 | 是 | 是 | 是 | 是 | |
| 企业固定效应 | 是 | 是 | 是 | 是 | 是 | 是 | |
| N | 1056 | 1056 | 1056 | 1056 | 1056 | 1056 | |
| R-squared | 0.544 | 0.417 | 0.725 | 0.540 | 0.412 | 0.727 | |

下载：下载高分辨率图像 (104KB)
下载：下载全尺寸图像
图 4. 高管网络结构嵌入性对客户数字化转型与供应商运营韧性关系的调节效应。

6. 进一步分析

6.1. 客户数字化转型的子维度分析

我们将与企业数字化相关的关键词分为五个维度：人工智能（AI）、大数据（BD）、云计算（Cloud）、区块链（Blockchain）和数字技术应用（Dtapply）（见附录 A 中的表 A.1）。为了探究客户采用的哪些具体数字技术主要导致了对供应商运营韧性的负面溢出效应，我们重构了客户数字化转型的子指标，并相应地重新估计了模型 1。结果报告在表 10 中。我们发现不同的数字技术之间存在显著的异质性。具体来说，大数据、区块链和数字技术应用在 1% 的水平上对供应商运营韧性表现出显著的负面影响，而人工智能和云计算的影响较弱且仅在边缘显著。吸收韧性（S_ORA）和恢复韧性（S_ORR）的结果与上述发现基本一致（见附录 E 中的表 E1、表 E2）。

表 10. 客户数字化转型的子维度分析。

| 空白 | (1) | (2) | (3) | (4) | (5) | 空白 |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| | S_OR | S_OR | S_OR | S_OR | S_OR | |
| AI | -0.004** | | | | | |
| | (0.002) | | | | | |
| BD | | -0.005*** | | | | |
| | | (0.002) | | | | |
| Cloud | | | -0.004** | | | |
| | | | (0.002) | | | |
| Blockchain | | | | -0.009*** | | |
| | | | | (0.003) | | |
| Dtapply | | | | | -0.007*** | |
| | | | | | (0.002) | |
| 常数项 | -2.009*** | -1.977*** | -2.005*** | -1.978*** | -1.992*** | |
| | (0.557) | (0.550) | (0.553) | (0.553) | (0.544) | |
| 控制变量 | 是 | 是 | 是 | 是 | 是 | |
| 年份固定效应 | 是 | 是 | 是 | 是 | 是 | |
| 企业固定效应 | 是 | 是 | 是 | 是 | 是 | |
| N | 1293 | 1293 | 1293 | 1293 | 1293 | |
| R-squared | 0.525 | 0.527 | 0.526 | 0.527 | 0.531 | |

这些发现表明，并非所有数字技术都会产生同等程度的供应链溢出效应。一种可能的解释是，区块链和更广泛的数字应用技术更直接地嵌入在交易治理、供应链协调和跨组织监控中。此类技术增强了客户对供应商运营的实时可见性，并加强了其协调、评估和重组供应链关系的能力，从而加剧了供应商的运营依赖性和风险暴露。从资源依赖理论的角度来看，这些技术可能会强化权力不对称，并促进运营压力从客户向供应商转移，最终削弱供应商的运营韧性。相比之下，主要服务于客户内部运营的技术（人工智能和云计算）产生的影响较弱，因为它们并没有根本性地改变企业间的权力动态。

6.2. 机制分析

根据理论分析，客户数字化转型主要通过两种方式削弱焦点企业的运营韧性：破坏供应链关系的稳定性和降低营运资本管理效率。本文基于先前的研究构建了以下模型来测试这一点：

$$
\begin{aligned}
Mech_{j,t} &= \beta_0 + \beta_1 C\_Dig_{j,t} + \beta_2 Controls_{j,t} + v_t + v_j + \varepsilon_{j,t} \\
S\_OR_{j,t} &= \beta_0 + \beta_1 C\_Dig_{j,t} + \beta_2 Mech_{j,t} + \beta_3 Controls_{j,t} + v_t + v_j + \varepsilon_{j,t}
\end{aligned}
$$

其中 Mech 代表中介变量，表示营运资本管理效率和客户不稳定性。对于营运资本管理效率，我们遵循 Deloof (2003) 的方法，使用以下公式：1 - (应收账款平均余额 + 应收票据平均余额 - 预收账款平均余额) + (预付账款平均余额 - 应付票据平均余额 - 应付账款平均余额 + 存货平均余额) / 营业收入。遵循先前的研究 (Yang et al., 2023, Zhang et al., 2024b)，我们通过计算过去三年滚动窗口中前五大客户销售比例的标准差来衡量客户不稳定性。具体来说，当计算一家企业 2022 年的客户不稳定性时，我们使用 2021 年至 2023 年客户集中度的标准差。标准差越大，表明客户基础越不稳定。

表 11 的第 (1)-(2) 列报告了营运资本管理效率的测试结果。具体来说，两列中客户数字化转型的系数均显著为负，而第 (2) 列中营运资本管理效率的系数显著为正。这些发现表明，客户数字化转型通过损害营运资本管理效率来削弱企业运营韧性。第 (3)-(4) 列展示了客户不稳定性的结果。结果表明，第 (3) 列中客户数字化转型的系数显著为正，而第 (4) 列中客户数字化转型和客户不稳定性的系数均显著为负。这表明客户数字化转型通过加剧客户不稳定性来降低企业运营韧性。吸收韧性（S_ORA）和恢复韧性（S_ORR）的结果与上述发现一致（见附录 F 中的表 F.1）。

表 11. 机制检验。

| 空白 | (1) | (2) | (3) | (4) | 空白 |
| :--- | :--- | :--- | :--- | :--- | :--- |
| | WCME | S_OR | Instability | S_OR | |
| C_Dig | -0.014** | -0.006*** | 0.022** | -0.006*** | |
| | (0.007) | (0.001) | (0.011) | (0.002) | |
| WCME | | 0.080*** | | | |
| | | (0.020) | | | |
| Instability | | | | -0.035*** | |
| | | | | (0.011) | |
| 常数项 | 0.487 | -1.979*** | 0.193 | -2.939*** | |
| | (1.551) | (0.521) | (4.954) | (0.618) | |
| 控制变量 | 是 | 是 | 是 | 是 | |
| 年份固定效应 | 是 | 是 | 是 | 是 | |
| 企业固定效应 | 是 | 是 | 是 | 是 | |
| N | 1293 | 1293 | 960 | 960 | |
| R-squared | 0.102 | 0.578 | 0.098 | 0.566 | |

6.3. 异质性分析

客户数字化转型的涟漪效应可能因供应商特征而异。本研究从三个角度进行了异质性分析：企业所有制类型、产品可替代性和供应商自身的数字化转型。

6.3.1. 所有制类型异质性

企业所有制的性质反映了其与政府的关系。国有企业（SOEs）通常与政府保持密切联系，受益于更大的政策支持和优先资源配置 (Jin et al., 2025)。这种优势使得它们更容易缓冲由客户引发的扰动。相反，缺乏类似资源和政策支持的非国有企业（非 SOEs）更容易受到客户数字化的影响。为了测试这一点，我们的样本被分为两组：国有企业（SOE = 1）和非国有企业（SOE = 0）。表 12 第 (1) 和 (2) 列显示的结果表明，客户数字化转型对运营韧性的负面影响在两种类型中均显著，但与国有企业相比，非国有企业的负面影响略强。

表 12. 所有制类型异质性分析。

| 空白 | (1) | (2) | 空白 |
| :--- | :--- | :--- | :--- |
| | S_OR | S_OR | |
| 空白 | SOE = 0 | SOE = 1 | |
| C_Dig | -0.0064*** | -0.0058** | |
| | (0.002) | (0.003) | |
| 常数项 | -2.015*** | -2.497*** | |
| | (0.601) | (0.919) | |
| 控制变量 | 是 | 是 | |
| 年份固定效应 | 是 | 是 | |
| 企业固定效应 | 是 | 是 | |
| N | 768 | 525 | |
| R-squared | 0.546 | 0.604 | |

对韧性子维度的进一步分析（见附录 G 中的表 G.1）揭示了吸收韧性和恢复韧性之间的重要差异。对于吸收韧性（S_ORA），负面影响仅对非国有企业显著，而对国有企业的效应不显著。然而，对于恢复韧性（S_ORR），两组均受到负面影响，且对国有企业的影响要强烈得多。这表明，虽然国有企业可能最初能更有效地吸收扰动，但由于组织调整较慢和适应性灵活性较低，它们在扰动发生后恢复运营效率方面面临更大的困难。

6.3.2. 产品可替代性异质性

产品可替代性反映了企业的竞争力。提供容易被替代产品的企业往往面临更激烈的市场竞争和更高的客户流失风险，使其更容易受到外部冲击的影响。因此，客户数字化转型更有可能影响此类企业。在本研究中，产品可替代性（Subs）通过企业营业收入与其行业总收入之比来衡量 (Ma and Xie 2025)。比率越高，表明市场份额越大且产品差异化程度越高，意味着可替代性越低。

鉴于产品可替代性是一个连续变量，我们通过考察客户数字化转型与供应商自身产品可替代性之间的交互作用进行了额外的异质性分析。在表 13 中，估计参数显示在第 (1) 列。交互项 C_Dig × Subs 的系数显著为正，表明产品可替代性高的供应商更容易受到客户数字化转型的负面影响。吸收韧性（S_ORA）和恢复韧性（S_ORR）的结果与上述发现一致（见附录 G 中的表 G.2）。

6.3.3. 供应商数字化转型异质性

企业数字成熟度反映了企业应对外部压力的能力。因此，客户数字化转型对运营韧性的影响可能因供应商自身的数字化水平（S_Dig）而异。为了测试这一点，我们通过将客户数字化转型与供应商自身的数字化转型进行交互，进行了额外的异质性分析。表 13 第 (2) 列报告的结果显示，交互项 C_Dig × S_Dig 的系数显著为正。这一发现表明，供应商自身的数字成熟度起到了保护缓冲作用，以抵御客户数字化的负面溢出效应。吸收韧性（S_ORA）和恢复韧性（S_ORR）的结果与上述发现基本一致（见附录 G 中的表 G.2）。

为了进一步验证交互模型的结果，我们还使用分组回归测试了异质性。结果在定性上保持一致（见附录 G 中的表 G3、表 G4）。

表 13. 供应商产品可替代性和数字化转型的异质性分析。

| 空白 | (1) | (2) | 空白 |
| :--- | :--- | :--- | :--- |
| | S_OR | S_OR | |
| C_Dig | -0.007*** | -0.013*** | |
| | (0.002) | (0.003) | |
| Subs | -0.229** | | |
| | (0.097) | | |
| C_Dig × Subs | -0.059*** | | |
| | (0.017) | | |
| S_Dig | | 0.003 | |
| | | (0.008) | |
| C_Dig × S_Dig | | 0.011*** | |
| | | (0.003) | |
| 常数项 | -1.943*** | -1.943*** | |
| | (0.543) | (0.534) | |
| 控制变量 | 是 | 是 | |
| 年份固定效应 | 是 | 是 | |
| 企业固定效应 | 是 | 是 | |
| N | 1293 | 1293 | |
| R-squared | 0.538 | 0.540 | |

7. 结论与启示

7.1. 主要发现

随着中国市场环境日益向买方驱动结构演变，客户数字化转型已成为重塑供应链内企业间协调、治理机制和资源分配的关键力量。将我们的分析置于供应链风险传播和物流运营的更广泛文献中，我们注意到，虽然先前的研究主要强调企业自身数字化的韧性增强作用，但很少有人关注源自供应链伙伴的数字化如何影响组织边界内的韧性结果。基于资源依赖理论和社会网络理论，本研究探讨了客户数字化的供应链溢出效应，以及多个网络中结构嵌入性的调节作用。

首先，我们使用 2018-2022 年中国 A 股上市企业的供应商 - 客户匹配数据，研究了客户数字化对供应商运营韧性的影响。与先前对数字化的乐观观点不同 (Zhang et al., 2024a, Yan et al., 2025)，本研究证明，主导客户的技术转变可以触发垂直风险转移效应。通过将运营韧性分解为吸收能力和恢复能力，我们提供了关于这种负面效应的更详细证据。借鉴资源依赖理论，我们进一步阐明了客户数字化转型影响焦点企业运营韧性的潜在机制。具体来说，客户数字化转型降低了供应商的营运资本管理效率并破坏了供应链稳定性，从而削弱了企业适应和从扰动中恢复的能力。此外，我们考察了不同数字技术对焦点企业运营韧性的异质性影响。我们的结果显示，人工智能、区块链和数字技术应用产生了显著的负面影响，而大数据和云计算的影响较弱。这些发现暗示，数字化转型的负面溢出效应并非由数字化本身驱动，而是由特定技术重塑跨组织治理和供应链权力结构的程度驱动。

其次，本研究证明，供应商的多维结构嵌入性充当了一种积极的反依赖机制，能有效中和下游的数字杠杆作用。

与刘等 (2025) 仅关注单一网络不同，我们同时考虑了企业在正式供应链网络和非正式高管连锁网络中的位置优势。资源依赖理论表明，企业寻求替代机制以减轻对客户的依赖，而网络中的位置优势代表了此类机制的重要来源 (杨和江，2026)。研究结果表明，当供应商在这些网络中占据高网络位置（可通过网络度中心性和结构洞来衡量）时，客户数字化的负面溢出效应会得到缓解。这一发现验证了陈等 (2025) 的观点，即从动态能力视角来看，网络结构嵌入性增强了韧性。重要的是，我们的研究强调了结构嵌入性在帮助企业应对外部冲击方面的作用。网络结构嵌入性使供应商能够通过促进信息获取和整合，以及提供更广泛的资源渠道和跨行业合作机会，以较低成本调整其运营策略。这些因素增强了企业在危机期间的吸收能力和恢复能力。此外，异质性分析表明，客户数字化转型对核心企业运营韧性的影响因企业特征的不同而存在差异。总体而言，客户数字化转型的负面影响在非国有企业、产品替代性高的企业以及数字化转型水平较低的企业中更为明显。然而，其对吸收韧性的负面影响在国有企业中更强。这些发现表明，数字时代的韧性越来越取决于企业平衡内部能力建设与外部依赖管理的能力。

7.2. 理论启示
我们的研究对文献提供了两个主要的理论贡献。首先，本研究通过资源依赖理论的视角，实证检验了客户数字化转型对供应商运营韧性的影响，从而为数字化和运营韧性文献做出了贡献。现有文献主要关注企业自身的数字化及其对绩效的影响 (彭等，2024；周等，2024)，largely 忽略了对供应链合作伙伴的溢出效应。同时，现有关于运营韧性的研究强调内部资源和能力 (Nakandala 等，2023；Woo 等，2024；习等，2024)，忽视了买方驱动市场中关键的需求端技术变革。我们的贡献在于识别客户数字化转型作为影响供应商运营韧性的重要外部因素，从而为供应链网络中的韧性治理提供了新的视角。我们进一步利用资源依赖理论解释客户数字化转型如何负面影响企业的运营韧性。这一贡献开辟了重要的新理论领域。更具体地说，本研究将物流和供应链管理文献从实体物流设计 (例如，网络冗余、运输灵活性和库存定位) 扩展到纳入关系和信息决定因素 (Goldbeck 等，2020)。因此，我们通过识别客户侧数字化转型作为以前被忽视的供应链风险传播来源 (Sodhi 和 Tang，2021)，为物流风险管理理论提供了信息。此外，与以前关注特定技术对韧性影响的研究 (Dubey 等，2020；Nakandala 等，2023) 不同，我们的研究调查了客户采用的各种不同数字技术对核心企业运营韧性的异质性影响。我们的实证发现证实了以前从资源依赖理论 (RDT) 视角检查供应链韧性的学术研究 (江等，2023；李等，2023)，从而扩展了该框架的理论边界。此外，通过将数字化转型嵌入供应链框架，本研究通过解决一个关键但 largely 被忽视的问题：谁承担转型成本，谁吸收相关风险，丰富了数字化转型文献。我们呼吁研究“数字溢出效应”，探索供应商可以部署的策略 (例如，模块化系统架构、预期治理)，以在保持客户关系的同时与负面溢出效应脱钩。

其次，通过整合资源依赖理论和社会网络理论，本研究揭示了多重网络结构特征在供应链冲突中的协调作用，丰富了关于网络嵌入性和企业韧性的理论研究。虽然先前研究已认识到外部环境因素在帮助企业抵御外部风险方面的重要性 (郭等，2025；胡和李，2025)，但关于网络结构特征如何调节客户数字化转型与企业运营韧性之间关系的研究仍然不足。此外，大多数现有研究关注单一网络 (陈等，2025；刘等，2025)，限制了它们捕捉企业在实践中面临的复杂关系结构的能力。我们弥合了这一理论分歧。通过同时构建供应链网络和高管连锁网络，本研究揭示了在数字破坏下正式合同关系和非正式社会关系的调节作用。更重要的是，我们将网络嵌入性概念化为一种结构优势，为企业在数字破坏下提供信息获取、替代资源渠道和谈判杠杆。这一见解直接指向资源依赖理论中的“网络能力”视角，表明企业不仅可以通过内部能力建设，还可以通过战略网络定位来减少依赖 (陈等，2025；Burt 和 Soda，2021)。这一发现为易变环境中的韧性建设建立了一个新框架，并响应了近期关于多重网络嵌入性如何共同塑造企业行为的学术研究呼吁。我们扩展了社会网络理论的理论范围，并证明了其在资源依赖理论框架内的价值。这种整合为未来的实证研究指明了清晰的途径。学者们应超越测试单一网络的直接效应，转而开发和测试关于多重网络组态效应的命题。

7.3. 管理启示
我们的发现产生了几项重要的管理启示。首先，企业应更加警惕客户数字化转型带来的潜在风险。我们的研究揭示了一种负面溢出效应，即客户的数字化努力大大削弱了供应商的运营韧性。这表明高度数字化的客户可能会引入更大的运营不稳定性。因此，管理者应将客户数字成熟度纳入其常规风险评估框架。具体而言，供应商可以监控客户的数字投资公告，跟踪客户数字升级后支付周期和订单模式的变化，并维持应计销售天数和订单波动指数等早期预警指标。从物流运营的角度来看，供应商还应监控交付计划灵活性、订单频率和运输模式要求的变化，因为这些是客户数字化将波动向上游传递的运营渠道。当关键客户宣布重大数字举措 (例如，区块链平台部署或供应商门户集成) 时，供应商应主动审查其营运资金缓冲和客户集中风险。基于我们的子维度分析显示边界跨越技术 (区块链和数字技术应用) 产生最强的负面效应，供应商应优先根据客户采用的数字技术类型进行风险评估。当客户采用基于区块链的平台或集成数字应用系统 (例如，供应商门户、ERP 集成) 时，供应商应最警惕，因为这些技术直接使客户能够以较低成本监控、控制和切换供应商。这种特定技术的方法使企业能够更高效地分配稀缺的韧性建设资源。此外，企业的韧性规划应采用全供应链视角，将关键客户纳入业务连续性策略，并考虑客户的数字轨迹可能如何影响物流需求稳定性、库存要求和运输调度。

其次，网络位置建设代表了一种管理者可以积极培养的战略杠杆，而不仅仅是接受给定的结构条件。我们的结果表明，企业在多重网络中的结构嵌入性有效缓解了客户数字化对运营韧性的负面影响。公司运营的多重网络影响其获取资源和信息的能力。供应商应积极管理其结构嵌入性以建立制度性反依赖。在供应链网络方面，企业可以通过避免过度依赖单一核心客户以及与多个上下游伙伴扩大交易联系来减少脆弱性。在非正式社会方面，企业应有意识地招募具有广泛跨企业连锁经验的高管，或鼓励董事会成员参与有影响力的行业协会。这些非合同社会渠道提供了替代资源走廊和关键的外交杠杆，以便在危机期间协商放松条款。此外，我们的结果证实，供应商自身的数字成熟度起到关键的内部均衡器作用。管理者应优先考虑发展和利用这些能力，作为企业抵抗外部依赖的重要替代方式。通过结合内部数字化和外部网络，公司可以在危机期间最大限度地提高运营韧性。

第三，物流和供应链从业者应超越将数字化转型视为提高效率工具的观点，考虑其对供应链治理和韧性的影响。供应链管理者不应仅使用数字工具来增强监控、成本优化和交易效率，而应建立面向韧性的数字治理机制。具体而言，企业可以利用数字平台改善需求预测、促进信息共享，并与供应商协调中断响应，同时避免过度的信息不对称和单方面风险转移。这种协作式数字治理有助于维持稳定的供应链关系，并增强供应网络吸收和从中断中恢复的集体能力。更广泛地说，在设计数字供应链时，物流和供应链管理者应超越传统的效率导向目标。他们还应考虑与韧性相关的因素，包括合作伙伴的适应性、数字依赖风险和供应网络的恢复能力。面向韧性的方法使数字化转型能够提高运营效率并加强物流网络的鲁棒性和适应性。

7.4. 局限性与未来研究
尽管本研究得出了重要见解，但它存在几个局限性。首先，我们的供应链网络测量是基于公开披露的前五大客户和供应商关系构建的。虽然这种方法遵循文献中的标准做法，但它不可避免地产生一个稀疏且披露截断的网络，可能无法捕捉企业供应链连接的全部集合。未来研究可以利用细粒度的专有交易级数据 (例如，增值税发票数据库或海关清关记录) 来构建更完整的供应链网络。其次，不同的数字技术可能在组织间兼容性和协调效应方面存在差异，这可能产生不同的韧性结果。未来研究可以进一步探索数字兼容性、技术不对称或供应链合作伙伴之间的数字成熟度差距如何塑造运营韧性。最后，企业间交易本质上是由管理互动塑造的。然而，本研究未考虑高管层特征，如认知偏差、管理经验或风险偏好。在未来的研究中纳入此类行为维度，可以加深我们理解管理决策如何影响韧性结果，特别是在数字化转型的压力下。

CRediT 作者贡献声明
王晓龙：写作 – 审查与编辑，写作 – 初稿，可视化，方法论，数据管理，概念化。王迪：写作 – 审查与编辑，写作 – 初稿，监督，方法论，资金获取，概念化。赵焰民：写作 – 审查与编辑，写作 – 初稿，软件，方法论。龚艳华：写作 – 初稿，方法论。
王晓龙 | 王迪 | 赵焰民 | 龚艳华