数字化供应链变革与企业劳动力投资效率

祝丹枫 李宇坤

摘要：借助2018年开展的供应链创新与应用试点作为“准自然实验”构建双重差分模型，以2013-2020年A股上市公司为样本，探讨数字化供应链变革对企业劳动力投资效率的影响效应及渠道机制。研究结果发现：数字化供应链变革显著提升了企业劳动力投资效率，降低经营风险和提高创新强度是其主要路径。进一步分析发现，短期内数字化供应链变革对缓解高技能劳动者投资不足的影响较为明显，而对投资过度的作用力度有限。异质性分析表明，数字化供应链变革对劳动力投资效率的提升作用主要体现在市场化程度较高地区企业以及代理成本较低的企业中。

关键词：数字化供应链变革；劳动力投资效率；风险应对；创新强度；双重差分

中图分类号：F275文献标识码：A文章编号：1001-148X（2023）03-0049-09

收稿日期：2022-06-26

作者简介：祝丹枫（1989-），男，江苏江阴人，助理研究员，博士，研究方向：企业财务；李宇坤（1989-），本文通讯作者，男，陕西咸阳人，助理研究员，博士，研究方向：数字经济。

基金项目：国家社会科学基金青年项目，项目编号：22CJY006。

一、引言

数字化变革是指数字技术深度内嵌于企业的整体战略和各经营环节之中，激发企业决策逻辑、管理框架、商业生态等多方面的系统性变革［1］。随着新一代信息技术对传统商业模式的渗透重塑，数字化变革不仅在企业内部推动了信息化、智能化的流程改造，并促进组织结构向敏捷性和无边界性转变，更为重要的是数字化变革实现了企业与供应链伙伴间的信息共享和业务融合，帮助企业构建“供应端”到“客户端”的市场互联性决策机制［2］。企业数字化供应链变革通过在组织外部建立数字化生態圈，贯通合作伙伴之间的“信息孤岛”，不仅赋能生产、运营、销售等多个价值链环节的提质增效，还可以为提高企业资源配置决策质量提供支持［3］。尽管数字化供应链变革能够促进企业资源配置效率提升这一问题受到了学术界的高度关注，但是鲜有研究运用实证方法提供具有普遍意义的经验证据。

理论上，在完美市场假设下，企业不同部门要素边际产出应该相等，理性的决策者会将冗余资源投入到具有较好前景的部门或项目之中［4］。然而，现实中企业的要素配置效率往往偏离最优水平。从要素性质着眼，现有研究主要聚焦于资本要素配置效率（投资效率）和劳动力要素配置效率（劳动力投资效率）两个方面。其中，早期的研究集中于投资效率问题［5-6］，但是随着商业竞争模式由“资本竞争”向“产品附加值竞争”的转变，以及劳动力资源在企业竞争力中的作用不断增强，使得学者们开始关注劳动力投资效率问题。已有文献重点考察了内部控制、股价信息含量等与企业劳动力投资效率间的联系［7-8］，而对数字化供应链变革如何影响劳动力投资效率的关注有限。

从实践来看，中国企业在数字化转型过程中呈现出矛盾化的发展特征，部分先发企业已在数字化抢跑中尝到红利，然而其他企业或是继续持观望态度，或是在投入阵痛期中陷入“技术敏捷性陷阱”而对转型产生疑虑。可能的原因在于：第一，企业数字化转型必须适应从单一企业“点”的变革走向整体供应链条“线”的变化［9］，疏通供应链中的物流、信息流和资金流，创造具有互补功能的数字化供应链生态系统；其次，数字化转型从前期投入到最终输出价值需要经历一个漫长且复杂的过程，中期内化阶段的资源配置是保障价值输出的关键。因而，只有厘清企业数字化变革与资源配置效率提升之间的逻辑，才能更好地把握数字化变革促进企业长期竞争力培养的完整内涵。

2018年，商务部等8部门发布了《关于公布我国供应链创新与应用试点城市和试点企业名单的通知》（商建函［2018］654号），为探讨数字化供应链变革对企业劳动力投资效率的影响效应提供了一个“天然试验场”。其一，供应链创新与应用试点开展的核心任务是加快供应链数字化升级，建立资源整合和时效匹配能力较强的数字化供应链平台，构建企业间专业化分工协作的网络体系，助力企业形成长期竞争优势。因而，供应链创新与应用试点的开展可以作为数字化供应链变革问题研究的一项外生冲击。其二，供应链创新与应用试点开展过程中确立了55个试点城市，这意味着本文可以依据政策设计对照组和实验组，并通过构建双重差分模型较为干净地识别数字化供应链变革对企业劳动力投资决策的“净效应”。

本文的边际贡献：一是在研究内容上，深化了数字化供应链变革问题的研究维度，具体剖析“数字化供应链变革—劳动力投资效率”之间的联系，从要素配置视角拓展对于供应链数字化转型经济后果的认知，特别是基于“风险应对”“创新强度”的机制分析，打开了数字化供应链变革与劳动力要素配置间的“黑箱”。二是在研究方法上，以往研究多使用文本识别或问卷调查的方法测度企业数字化转型程度，不可避免地导致内生性问题，本文借助供应链创新与应用试点这一外生冲击，最大限度地缓解了内生性问题。三是在研究立意上，突出数字化转型战略大背景下政策干预传递至微观企业所需的条件及短期异质性表现。

二、制度背景与理论分析

（一）制度背景

从国际形势来看，以美国为首的西方国家率先将供应链竞争从企业提升至国家战略层面。从奥巴马时期签署的《全球供应链国家安全战略》，到特朗普任期内发布《美国联邦信息通讯技术中来自中国供应链的脆弱性分析》，无不体现出供应链革命的重要性和紧迫性。英国、德国等也都意识到供应链系统是推动经济可持续发展“至关重要的资产”，其中德国推出的《保障德国制造业的未来：德国工业40战略实施建议》中强调要抓住以“数字化”“智能化”为特征的第四次工业革命机遇，塑造业务流程动态配置、生命周期科学管理的供应链全球网络。

从国内经济形势来看，中国经济正处于“高成本、高增长”向“低成本、中高增长”过渡的关键时期。在优化结构、稳定增长的新形势下，区别于过往增加产能和扩大投资的经济拉动方式，高质量的供应链管理可以通过整合跨界资源，消除设计前端、生产中端和售后末端各个环节之间的信息不对称，降低交易成本和提高集群网络协同能力。党的十九大报告中明确提出“推动互联网、大数据和实体经济的深度融合，在现代供应链领域培育新的增长点、形成新动能”；2018年10月国务院办公厅印发了《关于积极推进供应链创新与应用的指导意见》（国办发［2017］84号），明确了“推动供应链管理创新新技术和新模式”以及“重点产业数字化供应链体系全覆盖”的发展目标，这标志着供应链创新与应用上升为国家层面的战略安排。为了探索可复制推广的制度和实践经验，2018年商务部等8部门联合发布了《关于公布全国供应链创新与应用试点城市和企业名单的通知》（商建函［2018］654号），确立了北京、西安等55个供应链创新与应用试点城市，其中最为重要的目标是探索打造大数据支撑、网络化共享、智能化协作的体制机制和市场环境相关资料来源于《关于复制推广供应链创新与应用试点的第一批典型经验做法的通知》（商建函［2020］110号）和各试点城市政府网站，并由作者摘录和整理。。

（二）理论分析与研究假设

实物期权理论认为，投资产生的不可逆性使得企业必须通过预测投资的未来收益来选择最优的投资时机和规模。当劳动力投资被视为看涨期权以匹配扩张战略时，企业仍然需要考虑潜在风险并等待获得最大回报的时机［10-11］。反之，若劳动力边际成本大于边际收益时，劳动力投资则可以理解为看跌期权，企业可以用资本要素投入替代劳动力要素，使要素配置向合理水平收敛，因而外部风险应纳入资源配置的最优函数设计之中。数字化供应链变革缓解了传统模式下上下游企业信息不对称和交易摩擦成本的制约，帮助企业重塑数字化业务流程，有助于提高企业对未来风险的准确预判和有效应对，从而为劳动力配置决策提供动态支撑。其一，信息的实时性。供应链风险传导具有滞后性，当企业面临上游原材料供给不足和下游需求快速变化时，如果不能及时挖掘市场波动的有效信息，则会由于丧失最佳的修正时机而产生长鞭效应（Bullwhip Effect）［12］。以新一代信息技术嵌入供应链管理为特征的数字化变革打破了供应链合作伙伴之间的信息屏障，可以及时判断外部商业环境的机遇与潜在风险［9］。其二，信息的兼容性。与单一企业数字化转型不同，数字化供应链变革可以更好地借助数字技术将不同企业之间非标准化的数据进行编码和整合，从而提高信息使用效率，为有效应对风险提供支持。其三，信息的全面性。供应链管理过程中在“产品设计—配件采购—产品制造—分销管理—物流配送—售后服务”等供应链网络结构中积累了大量零散的数据信息，数字化供应链变革实现了数据信息在各流程活动中的流通互动和循環反馈［13］，这一方面有助于复杂情境下的智能化全景分析，提前预期外部威胁；另一方面可以建立适应性、响应性和快速修复的供应链网络，通过不同部门互动的智能化修正机制，精准应对不同风险。数字化供应链变革所带来的风险管理能力提升给予了企业管理者在劳动力配置方面更大的空间，优化了劳动力投资决策质量。已有研究从不同角度验证了风险降低和劳动力投资效率提升之间的逻辑联系。卜君和孙光国（2020）研究发现，当管理者缺少充足、可靠的风险预防和应对信息时，会削弱管理者的决策能力，导致劳动力决策偏离最优水平［14］。Habib和Hasan（2021）实证分析的结果显示，企业所面临的不确定性而非代理问题是导致企业低劳动力投资效率的主要因素［15］。

强化创新动能是数字化供应链变革促进企业劳动力投资效率提升的另一条路径。数字化供应链变革对企业创新行为的影响是由“赋能”转向“使能”［16］。在数字化供应链转型的“赋能”阶段，企业会加大人工智能、物联网等为代表的新一代信息技术方面的研发投入，赋能数字技术与传统生产模式互嵌，通过数据知识创新对生产资源进行优化重组和边界扩张，促进供应链内部企业之间的战略一致性，提升供应链运作效率。“使能”阶段则是指数字化技术的突飞猛进打破了原有封闭式创新研发的困境，倒逼企业必须利用数字化技术进行外部创新网络建设，通过产业链生态数据的实时收集、共享，以最小的成本对创新活动的方向进行把控和优化，实现数据作为知识载体和基础的创新转型［17］。顺延上述逻辑，数字化供应链变革在创新层面上的“投入—产出”革新会从“替代效应”和“激励效应”两方面影响企业的劳动力配置效率。“替代效应”是指数字化供应链变革所带来的技术创新会通过替代低技能劳动者实现规模收益递增，通过降低劳动力过度投资优化企业劳动力配置效率［18］。“激励效应”是指主营业务领域创新能力的提升会放宽生产函数中的技术制约，实现生产规模扩张，激励管理者增加高技能劳动力数量以满足最优要素配置比率。孙伟增和郭冬梅（2021）发现数字化变革有助于提升企业的创新水平，并通过生产规模效应、生产效率效应和经营范围效应提升企业高技能劳动力的需求［19］。综合以上分析，本文提出如下假设：

H：在其他条件不变的前提下，以数字化变革为核心的供应链创新与应用城市试点开展会促进当地企业劳动力投资效率的提升。

三、模型设定、数据来源与变量定义

（一）基准模型

本文借助供应链创新与应用城市试点构建双重差分模型，用试点城市虚拟变量和政策前后时间虚拟变量的交互项作为核心解释变量，具体模型设定如下：

Liei，t=α0+α1Treati，j×Posti，t+α2Controlsi，t-1+δi+φt+εi，t （1）

（1）式中的i代表企业，t代表时间，j代表城市，Lie为企业劳动力投资效率，即本文的核心被解释变量。Treat为实验组虚拟变量，若企业所在城市属于供应链创新与应用试点则取值为1，否则为0；Post为外生冲击的时间虚拟变量，若年份大于等于2018则取值为1，否则为0，两者乘积的回归系数α1是本文关注的重点。Controls代表企业和城市层面的控制变量。δ、、ε分别代表个体固定效应、年份固定效应和误差项。

（二）样本选择与数据来源

本文以2013-2020年中国A股上市非金融类企业作为研究对象，分析供应链创新与企业劳动力投资效率间的关系，参照以往研究做法对样本进行如下处理：第一，删除在时间窗口内被ST或PT处理的企业样本；第二，删除时间窗口内观测值个数少于3的企业样本；第三，删除主要研究变量缺失的样本，并对所有连续变量进行左右1%水平缩尾处理，最终得到2738个企业共16988个观测值。企业层面的相关数据来源于CSMAR和Wind数据库，城市层面的变量源自各类统计年鉴。

（三）变量定义

1因变量

借鉴李小荣等（2021）的做法［7］，通过劳动力投资预测模型测算企业的非效率劳动力投资，具体模型如（2）式所示：

Hire=β0+β1Growtht－1+β2Growtht+β3ΔRoat+β4ΔRoat－1+β5Roat+β6Return+β7Sizet－1+β8Quickt－1+β9ΔQuickt+β10ΔQuickt－1+β11Levt－1+β12Loss1t－1+β13Loss2t－1+β14Loss3t－1+β15Loss4t－1+β16Loss5t－1+∑Year+∑Ind+εt（2）

模型（2）中，等式左侧Hire表示企业员工雇佣数的增长率，用于度量企业对劳动力的投资水平。等式右侧的Growth、Roa、Return、Size、Lev、Quick分别表示营业收入增长率、净资产收益率、个股年度回报率、公司规模、资产负债率以及速动比率。Loss1—Loss5是将企业年度Roa从0至-0025平均划分为五等份所设定的虚拟变量，若企业Roa数值属于某一区间则为1，反之则为0。表示对应指标本年度与上一年度的差分值，t表示时间。本文对模型（2）进行OLS回归，并控制年份和行业固定效应，以所得残差项的绝对值衡量企业非劳动力投资效率，该值越小，则企业劳动力投资更接近于最优水平，劳动力投资效率越高，反之，则偏离最优水平，劳动力投资效率越低。

2控制变量

参照以往有关劳动力投资效率文献研究的做法［7］，本文选取企业层面和城市层面两类控制变量。企业层面的控制变量包括：市值账面比、企业规模、速动比率、资产负债率、现金流量波动率、固定资产占比、公司亏损情况、第一大股东持股、公司净雇佣变异系数、劳动密集度、非效率投资以及财务报告质量；城市层面的控制变量包括人均GDP、产业结构以及货运总量。有关变量的度量方式如表1所示。

（四）描述性统计特征

表2报告了主要变量的描述性统计结果。可以发现Lie1和Lie2两个度量企业非效率劳动力投资的指标在25%分位数、中位数以及75%分位数位置均匀分布，且最大值和最小值之间跨度较大，表明不同企业的非效率劳动力投资具有明显差异。Treat均值为0514，即有514%企业被划分为实验组，其余486%的企业为对照组。

四、基准回归及稳健性检验

（一）基准回归分析

表3为供应链创新与应用试点的开展对企业非劳动力投资效率的基准回归结果。首先，第（1）和（4）列的回归模型中仅加入年份和个体固定效应，结果显示，核心解释变量Treat×Post的回归系数在1%置信水平显著为负；其次，第（2）和（5）列的回归模型中加入了企业层面的控制变量，此时Treat×Post的回归系数均至少在5%的置信水平下显著；最后，第（3）、（6）列加入了城市层面的控制变量，结果未出现明显变化。上述结果表明，以数字化转型为核心的供应链创新与应用试点政策显著提升了试点城市上市企业的劳动力投资效率，本文假设H得到验证。

（二）稳健性检验

本文不仅进行了平行趋势检验、安慰剂检验，还考虑地区和行业特性、同期其他政策干扰，以保证双重差分模型设计的科学、准确。此外，为了增强研究结果的可信度，本文还进行了调整劳动力投资效率的度量方式、调整样本区间和加入年份-地区联合固定效应等稳健性检验限于篇幅，稳健性检验结果未做报告，留存备索。。

1平行趋势检验

参照Ferrara等（2012）的做法［20］，生成所选样本区间内年份虚拟变量与实验组虚拟变量的交互项，并带入基准回归模型中重新進行回归，结果如表4所示。可以发现，政策实施前，年度虚拟变量与实验组虚拟变量交互项的回归系数均不显著，这说明试点城市企业和其他城市企业的劳动力投资效率在外生冲击之前没有明显差异，平行趋势假设成立。与之对比，从政策当年起交互项系数出现明显变化，说明实验组和对照组企业劳动力投资效率的变化是由供应链创新与应用试点的开展所引起的。

2安慰剂检验

为了进一步证实企业劳动力投资效率的提升是由供应链创新与应用试点政策推行所导致，而并非是由城市层面其他不可观测因素所引起，参照以往研究的做法，我们进行如下安慰剂检验。对有上市企业的城市进行1000次随机抽样生成实验组（令被抽到城市的企业为实验组），再利用基准回归模型重新进行验证。下图为1000次随机化测试后核心解释变量t值和回归系数的核密度图。观察发现，对于Lie1和Lie2两个指标，核心解释变量的t值和回归系数大致以0为均值呈正态分布，证明安慰剂检验符合随机化的测试要求。并且，图中竖线所在的位置（对应于表3中第（3）、（6）列的结果），显著异于随机抽样测试的结果，可以部分排除实证结果是由其他未控制特征所引起的。

五、进一步分析

（一）机制检验

前文理论部分提到，降低经营风险和提升创新强度是数字化供应链变革影响企业劳动力投资效率的两条机制。基于此，本文采用中介效应模型进行验证，模型设定如下：

Medi，t=ρ0+ρ1Treati，j×Posti，t+ρ2Controlsi，t-1+δi+φt+εi，t （3）

Liei，t=λ0+λ1Treati，j×Posti，t+λ2Medi，t+λ3Controlsi，t-1+δi+φt+εi，t（4）

模型（3）和（4）中，Med表示中介变量，其余变量和回归方程的设定与基准回归模型保持一致。

1降低经营风险机制

参考John等（2008）的做法［21］，利用滚动的企业3年营业利润率的标准差衡量企业经营风险（Risk），Risk越大代表企业经营风险越高。表5报告了经营风险机制的回归结果，可以看出，Risk作为被解释变量时，Treat×Post的系数显著为负，证明供应链创新与应用城市试点政策有效降低了当地企业的经营风险。第（2）、（3）列中，Risk的系数值显著为正，且Treat×Post回归系数在通过显著性检验的同时小于表3中（3）、（6）列对应的系数值（-0018和-0024），经营风险的部分中介效应得到验证。

2提升创新强度机制

本文使用每千人人均研发投入作为创新强度的代理变量：每千人人均研发投入（Rd）=企业研发费用/（企业员工雇佣数×1000）前人研究中部分学者使用研发费用占营业收入的比重刻画企业创新强度，但是就本研究而言，本文的被解释变量为劳动力投资效率，因而使用人均的方式对研发投入进行标准化处理与理论和实证设计更近。，该值越大则企业创新强度越大。表6报告了创新强度机制的回归结果，观察可以发现，第（1）列中，Treat×Post的系数显著为正，说明供应链创新与应用城市试点政策有效提升了当地企业的创新强度。在（2）、（3）列中，Treat×Post的系数依然显著为负，且相较于基准回归模型对应系数值有所减小，同时Rd的回归系数至少在5%水平下显著。上述结果说明供应链创新与应用试点的开展有助于通过提高企业创新强度的部分中介效应提升劳动力投资效率。

（二）劳动力投资不足与投资过度分析

前文的回归模型检验了数字化供应链变革对企业劳动力投资效率的正向影响，那么这种影响是缓解了企业劳动力投资不足还是抑制了劳动力投资过度？抑或是两者皆有？为了探究这一问题，参照已有研究［8］，依据式（2）估计所得残差项的正负号，将样本划分为劳动力投资不足和投资过度（残差项为负表示投资不足，反之为投资过度）。表7的结果显示，在劳动力投资不足组别中，Treat×Post的回归系数在1%水平下显著为负，这说明供应链创新与应用试点的实施显著缓解了企业劳动力投资不足问题。与之相反的是，在劳动力投资不足组别中，Treat×Post的系数并未通过显著性检验。对于二者之间差异可能的原因是：其一，短期内数字化供应链变革带来的正向效应会部分被劳动力成本粘性所抵消，我国不断加强的员工保护政策可能会影响企业的雇佣行为。其二，数字化供应链变革在短期内可能面临“信息悖论”，即新一代信息技术应用成功率较低且难以与传统信息系统实现有效兼容，导致短期内对人力资本的替代效应有限。

（三）异质性分析

1地区市场化水平

较高的地区市场化水平意味着该地区生产要素流动更趋近于完全竞争市场。从数字化变革角度而言，相比于市场化程度较低的地区，高市场化水平地区更容易实现企业间的自由竞争和匹配，更有益于企业适应新技术环境，加速企业数字化变革的要素集聚效应。从劳动力视角看，高市场化水平地区的企业员工具有更高的流动性。张文武和余永泽（2021）发现地区市场化程度可以促进劳动力市场的自由流动；相反，低市场化水平地区企业人事制度则具有更强的传统关系型社会属性，员工的雇佣往往偏离最优决策［22］。本文使用王小鲁等（2017）构建的市场化指数中位数进行分组［23］，对高市场化地区组和低市场化地区组分别进行回归。表8的结果显示，高市场化水平组别中数字化供应链变革对企业劳动力投资效率的影响在1%水平上显著，而低市场化水平组别中核心解释变量的回归系数不具有显著性意义，该结果与理论上的预期相同。

2代理成本

虽然数字化供应链变革促进了企业与上下游之间的信息共享，进而能够修正以往零散信息形态产生的战略偏误，但是企业在数字化转型过程中依然面临代理问题的阻碍［14］。一方面，短期内数字化供应链变革会增加企业的财务压力，因而企业管理层出于自身收益和声誉的考虑，有可能抵制数字化供应链变革的进程。另一方面，在數字化供应链变革的初期阶段，风险管理、财务审核等制度尚不完善，给予了管理层更高的自由裁量权，管理者可以通过隐蔽的业务流程攫取私人利益，造成资源误置。基于上述分析，本文推测，供应链创新与应用试点的改革对企业劳动力投资效率的促进作用主要体现在代理成本较低的企业之中。为此，本文使用管理费用率（管理费用/营业收入）度量企业的代理成本，该指标越大表明代理成本越高，同时依照管理费用率中位数将样本划分为高代理成本组和低代理成本组分别进行回归，结果如表9所示。观察发现，在低代理成本组别中，Treat×Post的系数在1%水平下显著为负，相比而言，高代理成本组别中，核心解释变量并未通过显著性检验。对比两组的回归结果可以证实，数字化供应链变革对企业劳动力投资效率的影响存在不同代理成本条件下的异质性。

六、结论及启示

数字化供应链变革不仅赋予企业营运效率提升新的动能，同时也可以为优化企业资源配置决策质量提供支持。本文借助供应链创新与应用试点这一“准自然实验”构建双重差分模型，实证检验数字化供应链变革对企业劳动力投资效率的影响效应及渠道机制，得到如下结论：（1）以数字化变革为核心的供应链创新通过降低经营风险和提高创新强度两条机制显著提升了企业的劳动力投资效率。（2）从投资不足和投资过度视角看，短期内数字化供应链变革对缓解高技能劳动者投资不足的影响较为明显，而对投资过度的作用力度有限。（3）数字化供应链变革对高市场化地区和低代理成本企业劳动力投资效率的提升作用更大。基于以上结论，本文得到如下启示：

宏观制度层面。各级政府应洞察供应链创新与应用试点改革中的经验做法，大力推动数字化供应链变革的制度体系建设。首先，应借助“产学研用”协作、人才引进等手段突破数字化供应链变革中的共性及个性技术难题，帮助企业尽快渡过“阵痛期”。其次，着力建设数字化供应链平台，实现供应商和客户之间的精准对接，释放数字化转型的市场活力。最后，政府在数字化供应链变革中的政策制定应该根据不同地区要素禀赋等因素，实施差异化、针对性的扶持措施，推进区域间、产业间协调、均衡发展。

企业战略层面。企业应转变传统单打独斗和上下游企业之间溢价博弈竞争的战略思维，在夯实数字化技术底座的基础之上，形成数据化驱动、网络化共享、智能化决策和敏捷化协作的数字化供应链体系，提高资源配置效率。第一，结合自身实际，加大数字化变革的创新投入，搭建立体化、协同化的供应链网络，驱动数字化技术创新带动产品、服务和管理模式的全面创新。第二，积极探索外部数字资源与内部要素配置能力提升间的有效衔接机制，建立复杂商业模式下的数字化情景模拟和风险应对系统，最终实现战略决策的自我修复、自我适应和自我重新配置功能。第三，构建适应数字化技术和业务模式变革的公司治理机制，消除管理层和股东之间由于数字化变革引发的信息不对称问题，抑制管理层的机会主义行为。

参考文献：

［1］Wu L，Hitt L， Lou B. Data analytics， Innovation， and Firm Productivity［J］. Management Science， 2019，66（5）：2017-2039.

［2］陈剑，刘云辉.数智化使能运营管理变革：从供应链到供应链生态系统［J］.管理世界，2021（11）：227-240.

［3］Verhoef P C.，Broekhuizen T， Bart Y. Digital Transformation： a Multidisciplinary Reflection and Research Agenda［J］. Journal of Business Research， 2021，122：889-901.

［4］Biddle G C， Hilary G， Verdi R S. How does Financial Reporting Quality Relate to Investment Efficiency？［J］. Journal of Accounting and Economics， 2009，48（2）：112-131.

［5］Lu T，Sapra H. Auditor Conservatism and Investment Efficiency［J］. The Accounting Review，2009，84（6）：1933-1958.

［6］申慧慧，于鵬，吴联生.国有股权、环境不确定性与投资效率［J］.经济研究，2021（7）：113-126.

［7］李小荣，韩琳，马海涛.内部控制与劳动力投资效率［J］.财贸经济，2021（1）：26-43.

［8］Ben-Nasr H，Alshwer A A. Does Stock Price Informativeness Affect Labor Investment Efficiency？［J］. Journal of Corporate Finance，2016，38：249-271.

［9］焦豪，杨季枫，王培暖，等.数据驱动的企业动态能力作用机制研究——基于数据全生命周期管理的数字化转型过程分析［J］.中国工业经济，2021（11）：176-194.

［10］Gulen H， Ion M. Policy Uncertainty and Corporate Investment［J］. Review of Financial Studies， 2016，29（3）：523-564.

［11］谭小芬，张文婧.经济政策不确定性影响企业投资的渠道分析［J］.世界经济，2017（12）：3-26.

［12］杨志强，唐松，李增泉.资本市场信息披露、关系型合约与供需长鞭效应——基于供应链信息外溢的经验证据［J］.管理世界，2020（7）：89-105.

［13］Ivanov D，Dolgui A. A Digital Supply Chain Twin for Managing The Disruption Risks and Resilience in the Era of Industry 4.0［J］. Production Planning & Control，2021，32（9）：775-788.

［14］卜君，孙光国.环境不确定性会影响企业劳动投资效率吗？［J］.经济管理，2020（10）：23-38.

［15］Habib A， Hasan MM. Business Strategy and Labor Investment Efficiency［J］. International Review of Finance， 2021，21（1）：58-96.

［16］杨震宁，侯一凡，李德辉，等.中国企业“双循环”中开放式创新网络的平衡效应——基于数字赋能与组织柔性的考察［J］.管理世界，2021（11）：184-205.

［17］Nambisan S， Lyytinen K， Song M. Digital Innovation Management： Reinventing Innovation Management Research in a Digital World［J］. MIS Quarterly， 2017，41（1）：223-238.

［18］Alesina A， Battisti M， Zeira J. Technology and Labor Regulations： Theory and Evidence［J］. Journal of Economic Growth， 2018， 23： 41-78.

［19］孙伟增，郭冬梅.信息基础设施建设对企业劳动力需求的影响：需求规模、结构变化及影响路径［J］.中国工业经济，2021（11）：78-96.

［20］Ferrara E L， Chong A， Duryea S. Soap Operas and Fertility： Evidence from Brazil［J］. American Economic Journal： Applied Economics， 2012，4（4）： 1-31.

［21］John K，Litov L， Yeung B. Corporate Governance and Risk-Taking［J］. Journal of Finance，2008，63（4）： 1679-1728.

［22］张文武，余泳泽.城市服务多样性与劳动力流动——基于“美团网”大数据和流动人口微观调查的分析［J］.金融研究，2021（9）：91-110.

［23］王小鲁，胡李鹏，樊纲.中国分省份市场化指数报告（2021）［M］.北京：社会科学文献出版社，2021.

Digital Supply Chain Reform and Firm Labor Investment Efficiency： Empirical

Evidence from Supply Chain Innovation and Application Pilot

ZHU Dan-feng，LI Yu-kun

（International Business School，Shaanxi Normal University， Xian 710119，China）

Abstract： Based on the supply chain innovation and application pilot carried out in 2018 as a “quasi-natural experiment”， this paper constructs a difference-in-difference model and selects listed companies from 2013 to 2020 as samples to explore the impact of digital supply chain reform on firm labor investment efficiency and its channel mechanism. The results show that the digital supply chain reform has significantly improved the firm labor investment efficiency， and the main paths are to reduce business risks and improve innovation intensity. Further analysis shows that in the short term， the impact of digital supply chain reform on alleviating the underinvestment of highly skilled workers is more obvious， while the effect on overinvestment is limited. Heterogeneity analysis show that the role of digital supply chain reform in improving labor investment efficiency is mainly reflected of firms in areas with high degree of marketization and firms with low agency cost. The research not only enriches the theoretical cognition of digital supply chain reform and resource allocation efficiency， but also provides valuable implications for the comprehensive promotion of pilot policies in the next step.

Key words：digital supply chain reform; labor investment efficiency; risk response; innovation intensity; difference-in-difference

（責任编辑：赵春江）