《Frontiers in Sustainable Food Systems》：Same-industry digital peer effects among Chinese listed grain-related enterprises: evidence from the grain industrial chain context
编辑推荐：
粮食产业链数字化转型是保障国家粮食安全的关键支柱。当前，中国政府高度重视培育农业新质生产力（new quality productive forces），并为粮食产业链数字化转型提供了有力政策支持。然而，链条上各利益相关者（stakeholders）开展数字化
粮食产业链数字化转型是保障国家粮食安全的关键支柱。当前，中国政府高度重视培育农业新质生产力（new quality productive forces），并为粮食产业链数字化转型提供了有力政策支持。然而，链条上各利益相关者（stakeholders）开展数字化转型的意愿仍高度不均衡，致使建设粮食强国的国家目标与微观主体（micro-entities）面临的现实挑战之间的矛盾日益突出：不愿转、不敢转、不会转。本文从数字同群效应（digital peer effects）视角探讨该矛盾的缓解路径，旨在为推进粮食产业链数字化转型提供新见解。研究人员以2013—2023年中国上海证券交易所和深圳证券交易所（Shanghai and Shenzhen Stock Exchanges）上市的粮食相关企业为研究样本，实证检验粮食相关企业数字化转型中同群效应的存在性、异质性特征与经济后果。结果表明，粮食相关企业在数字化转型方面存在显著同群效应，不同规模企业表现出异质性响应。企业所在地区经济发展水平越高、金融体系越完善，数字同群效应越强。这些同群效应与运营成本降低和营业收入提高显著相关。进一步分析发现，上游企业存在显著数字同群效应，而中游和下游企业的数字同群效应未通过显著性检验。下游企业数字化转型对上游和中游企业产生显著正向影响，但反向影响在统计上不显著。基于这些结果，研究人员提出应加强粮食产业链跨环节协调、沟通与知识共享，以放大同群驱动的数字溢出（digital spillovers），提升全链整体数字化水平。
论文主体解读
研究背景方面，粮食安全是国家安全的基石，关乎国民经济、民生与社会稳定，也是国际社会共同关切的核心议题。当前，地缘政治冲突、极端气候灾害和贸易保护主义等多重因素叠加，显著增加全球粮食市场不确定性，凸显全球粮食供应链脆弱性。数字化转型被视为提高粮食生产效率、优化资源配置和增强粮食供应链韧性的关键手段，是重构全球粮食产业体系和强化粮食安全能力的重要路径。粮食产业链是由农业投入品、种植、加工、储运、流通和消费构成的复杂系统，其数字化转型不只是数字技术嵌入传统生产方式，还涉及多主体组织结构重构、协作机制创新和制度适应。已有国际经验显示，地方数字实践常引发邻近地区或相关主体模仿，呈现数字同群效应（digital peer effects，指企业通过观察、学习和模仿同群企业行为调整自身决策）。然而，现有研究尚未系统探讨粮食产业链数字化转型中的数字同群效应。中国农业生产仍以小农经营为主，规模化经营比例较低，粮食产业链上下游协调不足、信息不对称突出、数字平台支撑体系不完善，整体运营效率较低，亟需推动全链系统性数字化转型。因此，研究人员从同群效应视角，以2013—2023年沪深A股粮食相关企业为样本，检验数字化转型同群效应的存在性、异质特征和经济后果，以填补研究空白。
方法部分，样本为2013—2023年中国沪深证券交易所A股粮食相关企业，经筛选获得3,432个观测。数据来自东方财富Choice金融终端、CSMAR（China Stock Market & Accounting Research Database，中国证券市场与会计研究数据库）数据库、Wind数据库和上市公司年报。研究人员按粮食产业链将企业分为农业物资、农业生产、粮食加工、粮食流通四类，并手工划分上游、中游和下游，两名编码者独立完成，初始一致性95.2%。数字化转型测度构建数字基础设施建设、技术驱动力、数字应用三维指标体系，采用文本分析、词频标准化和熵权法。解释变量为同行业同年其他企业数字化转型均值（剔除焦点企业）。控制变量包括企业规模、流动比率、经营现金流、上市年限、高管薪酬、每股收益和总资产周转率。模型采用双向固定效应，并以Driscoll-Kraay标准误、省份×年份固定效应、系统GMM（system-GMM，系统广义矩估计）、工具变量、安慰剂检验、未来同群检验、分组回归和交互项回归进行检验。工具变量为1984年每百人固定电话和邮局数量与地区互联网普及率的交互项。
研究结果如下。
4.1 基准回归结果（Benchmark regression results）：基准回归中Dcg
peer系数0.3868、0.3679、0.3679、0.3671，均在1%水平显著为正，说明粮食相关企业数字化转型存在显著同群效应，验证假设H1。加入省份×年份固定效应后仍显著，排除省份层面共同冲击。
4.2 稳健性检验（Robustness tests）：剔除2015—2016年和2020—2021年样本、构建省份—产业维度同群指标、使用CSMAR企业数字化转型指数、词频对数、词频占比等重新测度、剔除同群企业少于三家、采用其他省份同行业同群均值、历史领导者同群、产业链环节同群和收入加权同群等，结果总体稳健。产业链环节同群系数为?0.7499，10%边际显著，反映环节内竞争和差异化策略；收入加权同群系数显著为正。
4.3 安慰剂检验（Placebo test）：随机打乱行业内企业配对并重复500次，虚假同群系数核密度集中在零左侧，峰值约?0.2；真实系数0.3679位于右尾并完全分离，表明基准结果非随机噪声或虚假相关。
4.4 内生性分析（Endogeneity analysis）：系统GMM中滞后一期数字化转型系数0.9132，同群效应0.0964，均1%显著；AR(1) p=0.000，AR(2) p=0.177，Hansen p=0.215，差分Hansen p=0.237。滞后一期、两期同群均显著为正。工具变量估计中同群系数1.2904，1%显著；Kleibergen-Paap rk LM统计量42.6400，Cragg-Donald Wald F统计量21.5240，超过Stock-Yogo 10%临界值16.38。
4.5 传导渠道异质性分析（Heterogeneity analysis of transmission channels）
4.5.1 领导者与追随者不对称响应（Asymmetric responses of leaders and followers）：按企业规模和营业收入划分领导者与追随者，回归系数均显著为正；跨组系数差异检验显示，追随者对领导者的影响强于领导者对追随者的影响，5%或1%水平显著，存在显著不对称。
4.5.2 市场竞争（Market competition）：以HHI（Herfindahl–Hirschman Index，赫芬达尔—赫希曼指数）分组，低竞争组同群效应不显著，高竞争组系数0.5396，1%显著；交互项差异5%显著，说明竞争加剧放大同群效应。
4.6 调节效应（Moderating effects）：人均GDP与同群效应交互项系数0.1653，5%显著；数字普惠金融指数（Dif）与同群效应交互项系数0.2613，1%显著，数字金融调节幅度更大。区域经济发展和数字金融共同强化同群效应。
5 拓展分析（Extended analysis）
5.1 异质性分析（Heterogeneity analysis）
5.1.1 粮食功能区（Grain functional zones）：主产区和产销平衡区同群效应显著为正，主销区不显著；交互项跨组差异不显著，说明同群效应在粮食功能区总体普遍。
5.1.2 企业所有权性质（Enterprise ownership nature）：国有和非国有粮食相关企业当前期和滞后一期均显著为正；非国有同群系数0.6726，国有0.2507；跨组差异0.4181，1%显著，非国有强度约为国有2.8倍。
5.1.3 宏观经济政策（Macroeconomic policies）：以EPU（Economic Policy Uncertainty，经济政策不确定性）指数分组，高、低不确定性组同群效应均显著为正；交互项不显著，EPU未产生显著异质性调节。
5.1.4 企业生命周期（Enterprise life cycle）：成长期和成熟期同群效应显著为正，衰退期不显著；衰退期与成长期差异?0.2162，5%显著，成熟期与衰退期差异10%显著。
5.2 经济后果分析（Economic consequence analysis）：以焦点企业与同群企业数字化转型水平差的绝对值乘以?1衡量同群效应。同群效应增强与成本收入比（ICR）、总成本比率（TCR）负相关，与营业收入（OR）和ROA（return on assets，资产收益率）正相关；t+1时ICR 10%显著负、OR 5%显著正，TCR和ROA不显著。
5.3 上游、中游和下游企业同群效应分析—产业链（Peer effects analysis of upstream, midstream and downstream enterprises—industrial chain）
5.3.1 上游、中游和下游企业同群效应分析（Peer effects analysis of upstream, midstream and downstream enterprises）：上游同群效应0.5372，1%显著；中游?0.1662、下游?0.0129均不显著。中游因技术差异和竞争采取差异化策略，下游受需求拉动。
5.3.2 下游企业对上游—中游企业同群效应分析（Peer effects analysis between downstream enterprises and upstream-midstream enterprises）：下游对中游当前期影响0.0976，1%显著，滞后不显著；下游对上游当前期0.5817、滞后0.5178，均1%显著；上游—中游对下游当前期和滞后均不显著。下游企业在产业链数字联动中起引领作用，对上游驱动更具持续性。
6 研究结论与讨论
6.1 结论（Conclusion）：第一，粮食相关企业数字化转型存在显著同群效应，经替代变量、标准误调整、系统GMM、工具变量和安慰剂检验后仍成立。第二，同群效应传导具有明显异质性边界：上游显著，中游和下游不显著；成长期强于成熟期和衰退期；领导者与追随者存在不对称响应；区域位置和所有权性质也产生差异。第三，外部环境正向调节同群效应：地区经济发展和数字普惠金融发展显著强化传导；同群效应与运营成本下降和营业收入上升显著相关。第四，下游企业在产业链数字联动中发挥引领作用，显著驱动中游和上游数字化转型；中游和上游对下游溢出有限。总体上，研究验证同群效应理论在粮食相关企业数字化转型情境的适用性，揭示传导条件、异质性边界和产业链联动特征。
6.2 讨论（Discussion）：政策上，第一，建立产业链数字化转型联盟，发挥领先企业先发优势，构建上下游转型共同体，促进数字资源共享，降低转型门槛，实现全链降本增效。第二，推动关键基础设施共建共享，鼓励数字粮库、智能物流系统等资本密集型设施联合建设与协同运营，提高粮食流通效率和数字化水平。第三，加强跨环节协同联动，利用中游企业桥梁作用，制定统一数字标准，降低协调成本，促进环节衔接和相互强化。局限上，因果识别尚不完整；文本测度可能混淆实质转型与象征披露；手工产业链分类含主观判断；样本限于沪深A股上市公司，推广至中小企业需谨慎；同群效应潜在分布后果未充分探讨；无法完全区分学习驱动模仿、收益导向竞争效应和考虑集同群溢出；缺乏细粒度企业网络代理变量直接检验信息流机制；异质性处理效应下双向固定效应估计可能存在隐含加权问题，双重稳健估计或交互固定效应模型是未来扩展。
