大数据技术应用对新能源上市公司绩效的影响研究

李超 袁声莉

摘 要：本文选取我国2012-2021年66家新能源上市企业有关数据，研究了大数据技术应用对于企业绩效的影响关系以及高管团队异质性对于二者关系的调节作用。得出以下结论：新能源企业的大数据技术应用显著促进了企业绩效的提升；性别异质性削弱了大数据技术应用与企业绩效的正向影响；年龄异质性、受教育水平对于大数据技术应用与企业绩效调节作用不显著。

关键词：大数据技术应用；公司绩效；高管团队异质性；调节作用

基金项目：湖北经济学院2022年研究生科研项目“大数据技术应用对新能源上市公司绩效的影响研究——基于高管团队异质性的调节作用”

作者简介：李超（1999- ），男，安徽枞阳人，湖北经济学院硕士研究生，研究方向为中小企业财务主管；袁声莉（1964- ），女，湖北潜江人，湖北经济学院工商管理学院教授，博士，研究方向为商贸流通，人力资源开发。

一、引言

随着区块链技术、人工智能等大数据技术的不断发展，其让人们生活变得丰富的同时，也引导着加快新兴产业发展和促进数字经济和实体经济的深度融合。党的二十大报告中也进一步强调“积极稳妥推进碳达峰碳中和”，这也意味着新能源行业作为低碳经济和绿色发展的主力军将迎来巨大的政策机遇。但需要认识到的是数字化转型帮助企业加快流通、管理、生产效率以及降低成本[1]，同时，也意味着巨大的资金投入，这也引发了是否进行数字化转型的争议。因此，将研究目光聚焦于新能源企业的大数据技术应用效果，对于研究我国的数字化转型具有较强的现实意义。另外，根据高层梯队理论认为，高管团队作为企业的“指南针”，人力资本特征一定程度上决定着企业的战略方针和经营状况，企业决策的执行效果也有赖于高管团队科学安排和审慎执行。

综上所述，提出本文的两个研究问题：大数据技术在中国新能源企业的应用是否有效地提升了企业绩效？高管团队作为企业战略决策的领导，其在大数据技术的应用过程中能否扮演好“调剂”角色，促进大数据技术应用与企业绩效的关系？这两个问题的回答，就短期而言，可以帮助政府和新能源企业了解大数据技术的影响过程，从而助力企业进行数字化转型，帮助企业搭建适合企业数字化转型的高管团队；就长期而言，有利于为新工业革命发展大环境下，我国新能源企业抓住数字红利、实现高质量发展提供研究支撑。

研究现有的成果不难发现，目前的研究主要聚焦于大数据技术应用与企业绩效，或者高管团队异质性与企业绩效的两两关系，但是将三者纳入一个框架体系之中展开研究的文章很少。实际上，新能源企业是否进行大数据技术应用影响着企业绩效，选择进行大数据技术应用的投资力度也与企业的高管团队特征有着密切的联系，高管团队特征的异质性可能决定着企业的风险偏好与战略方向，也在一定程度上影响大数据技术应用与企业绩效间的强度。本文以资源基础理论和高层梯队理论为理论基础，实证检验大数据技术应用与企业绩效的关系，并以高管团队异质性为调节变量，探讨在中国经济市场环境下新能源企业大数据技术应用实际作用以及人力资本因素的内部调节机制。

二、理论分析与研究假设

（一）大数据技术应用对于企业绩效的影响

WERNERFELT提出的资源基础论认为不同的企业之间有着不同的有形或无形的资源，这些资源上的差异会使得企业具有竞争优势。在这些资源的应用之下，会对于企业绩效的提升产生积极作用[2]。在此理论支持下，学者就大数据技术应用与企业绩效之间的关系进行了相关研究。徐国虎等以66家采用了大数据系统的上市企业作为研究对象，通过t检验和Wilcoxon秩和检验研究发现大数据系统的应用对于企业绩效提升产生了积极作用[3]。张彩凤等选取广东254家企业为对象基于双元组织学习视角进行实证分析，其发现大数据能力对企业绩效有着显著的正向影响[4]。李向阳以60家开始启用大数据技术的时间点建立窗口期，运用秩和检验进行研究发现大数据技术应用在一定短时期内可以提升公司绩效[5]。对于企业而言，大数据技术作为企业重要的战略资源应用于企业的内部管理和生产活动会使得企业拥有先发优势，从而促进企业的发展。基于以上理论分析，提出如下假设：

H1：大数据技术的应用与新能源企业绩效正向相关。

（二）高管异质性的调节作用

高层梯队理论认为，高管团队处于企业战略管理体系的顶层，在参与企业的管理活动中，其价值观、经验和能力影响着组织决策的制定与执行[6]。因此，将高管团队异质性作为调节变量研究大数据技术应用与新能源企业绩效之间的关系具有较强的理论依据。

1. 高管团队年龄异质性的调节作用

从高管团队年龄而言，年龄偏大的高管具有更多的工作经验以及人际关系，并且侧重于稳妥的决策，其决策往往偏向保守；而年轻化高管虽然在经验上欠缺，但更偏向于激进和开放，相较于年龄偏大高管更加敢于进行企业变革和转型[7]。因此，年龄异质性较大的高管团队可能在价值观上存在较大差异，使得团队面临较大的不确定性和摩擦。基于此，提出本文第二个假设：

H2：年龄异质性削弱了大数据技术应用与新能源企业绩效的正向关系。

2. 高管团队性别异质性的调节作用

根据陈宝杰总结的“抑制假说”，女性参与高管团队不利于提升企业绩效[8]。Alowaihan以科威特中小企业为样本实证研究发现女性企业家的参与不利于显著提升企业绩效[9]。李可心基于A股上市公司数据研究发现性别异质性与企业绩效无相关关系[10]。男女高管生理上的差异可能会造成价值观、责任观以及世界观的差异，这会使管理层内部出现冲突，进而影响企业绩效，这种影响就企业短期绩效而言尤为明显。基于此，提出本文第三个假设：

H3：性别异质性削弱了大数据技术应用与新能源企业绩效的正向关系。

3. 高管团队受教育水平异质性的调节作用

从高管受教育水平来看，具有不同教育水平的高管在思维方式、管理决策逻辑等方面存在着不同，这种差异会使得处于复杂经济环境下的企业管理层在决策时具有多维度视角，进而使得管理决策有更高的质量，从而提升企业绩效[11]。张瑞纲等根据主板上市公司相关数据研究发现学历异质性与企业绩效呈现显著正向作用[12]。基于此，提出本文第四个假设：

H4：受教育水平异质性增强了大数据技术应用与新能源企业绩效的正向关系。

三、样本选取与研究设计

（一）样本选取与数据来源

本文的研究对象为我国的新能源上市公司，研究样本和数据主要来自Wind和CSMAR数据库。数据整理和处理依靠Excel和Stata17完成。为了避免异常值的影响，对于数据进行了前后1%的缩尾处理。为了避免企业情况特殊丧失结论的真实性与可靠性，剔除ST、*ST等企业。最终选取了2012至2021年间66家新能源上市企业，共660个样本。

（二）变量定义

1. 被解释变量——企业绩效

现有学术研究认为资产收益率（ROA）比托宾Q值等指标更合适用于衡量企业的短期绩效，故本用ROA来衡量企业绩效。

2. 自变量——大数据技术应用水平

借鉴吴非[13]、胡蓉[14]的研究方法，使用年报中涉及人工智能技术、大数据技术、云计算技术、数字技术应用和区块链技术这五个方面的特征词进行词频统计，从而刻画企业的大数据技术应用水平。加总得到总词频，然后对总词频加1做取对数处理，得到衡量大数据技术应用水平指标（At）。At越大代表企业大数据技术应用水平越高。

3. 调节变量——高管团队异质性

高管团队异质性通常变异系数和赫芬德尔系数来进行衡量。由于年龄异质性是连续变量，因此以变异系数来测量。而性别、受教育水平和职能背景异质性是分类变量，因此采用赫芬德尔系数来进行测量。

高管团队年龄异质性：[Hage=δi/μi]；

高管团队性别、受教育水平、职能背景异质性：[Hm=1?i=1nP2i]；

[δi]表示公司高管团队年龄的标准差系数，[μi]表示公司高管团队平均年龄，[Hage]越大表示异质性程度越大。[Pi]表示公司高管团队中第i类成员占总成员的比例；[Hm]值在0-1范围内，[Hm]越大表示高管团队性别（受教育水平、职能背景）异质性程度越高。

4. 控制变量

本文参考以往研究并结合本文实际，选取了企业规模、资产负债率、企业成长性、企业年龄和股权集中度这五个指标考虑公司治理结构方面对于企业绩效的影响，选取了高管团队规模、性别均值和年龄均值来控制公司高管团队层面对于企业绩效影响。此外，还控制了年度和行业。具体变量的定义如表1所示。

（三）模型构建

借鉴黄越[15]等研究方法，本文采用多元线性回归与层次回归相结合的方法进行实证研究。首先，对于控制变量回归分析；其次，引入大数据技术应用水平建立主效应模型，观察大数据技术水平与企业绩效的关系；然后，在主效应模型中加入调节变量进行回归，其回归结果作为交互项结果参照；最后，在第三步基础上引入交互项进行回归，观察交互项回归结果。相关回归模型如下：

（1）检验大数据技术应用与企业绩效关系回归模型

[ROA=β0+αiCntrol+Σind+Σyear+?]

模型1

[ROA=β0+α1At+αiCntrol+Σind+Σyear+?] 模型2

（2）检验高管团队异质性调节作用的回归模型

[ROA=β0+α1At+α2Hage+αiCntrol+Σind+Σyear+?] 模型3

[ROA=β0+α1At+α2Hage+α3At?Hage+αiCntrol+Σind+Σyear+?] 模型4

[ROA=β0+α1At+α2Hgender+αiCntrol+Σind+Σyear+?] 模型5

[ROA=β0+α1At+α2Hgender+α3At?Hgender+αiCntrol+Σind+Σyear+?] 模型6

[ROA=β0+α1At+α2Hedu+αiCntrol+Σind+Σyear+?] 模型7

[ROA=β0+α1At+α2Hedu+α3At?Hedu+αiCntrol+Σind+Σyear+?] 模型8

四、实证分析

（一）描述性统计

对于变量进行了相关处理后，各变量描述性统计如表2所示。企业绩效情况：样本企业的绩效均值为0.035，最小值为-0.146，最大值为0.154，方差为0.044，说明在2012-2021年内样本企业的价值存在着较大的差异，且样本企业的企业绩效处于较低的水平。大数据技术应用情况：大数据技术应用水平均值为1.21，最小值为0，最大为4.419，方差为1.185，说明新能源企业在大数据技术应用上存在较大差异。高管异质性情况：年龄异质性均值为0.129，最小值为0.034，最大值为0.25；性别异质性均值为0.208，最小值为0，最大值为0.5；受教育水平异质性均值为0.386，最小值为0，最大值0.72；这说明新能源企业的高管团队异质性存在着差异。

（二）回归分析

1. 大数据技术应用与企业绩效关系回归结果与分析

表4对于模型1-2的分层回归结果进行了列示。在模型2中，大数据技术应用对于企业绩效的关系得到了验证。At与ROA的系数值为0.004，且在1%水平上显著。因此，大数据技术应用与企业绩效在1%水平上显著正相关，验证了假设1。

2. 高管团队异质性的调节作用回归结果与分析

本文还对于模型3-8进行分层回归（限于篇幅，相关回归结果不予展示）。在模型4中，大数据技术应用和年龄异质性交互项与企业绩效的系数值为0.044，回归结果不显著。这表明年龄异质性并没有显著影响大数据技术应用与企业绩效的正向关系，假设2未得到验证。在模型6中，大数据技术应用和性别异质性交互项与企业绩效的系数值为-0.017，且在5%的水平上显著，回归结果说明性别异质性削弱了大数据技术应用与企业绩效的正向关系，假设3获得了验证。模型8经过回归分析，其结果显示大数据技术应用和受教育水平异质性交互项与企业绩效的系数值为0.003，且没有通过显著性检验。这说明受教育水平异质性对于大数据技术应用与企业绩效的正向关系并没有调节作用，假设4未得到检验。

（三）采用滞后一期克服内生性问题

为了避免企业绩效可能会反向影响企业进行大数据技术应用，本文借鉴王晓亮[16]等学者的研究方法，将自变量替换为滞后一期大数据技术应用水平（LAt）作进一步分析。从回归结果中（限于篇幅，相关回归结果不予展示）可以发现，模型2中大数据技术应用与企业绩效回归系数值为0.004，在5%水平上显著正相关，假设1成立得到检验。年龄异质性、受教育水平异质性与大数据技术应用水平交互项的系数值分别为0.049和0.003，回归结果并不显著，假设2、4均未得到检验；模型6当中高管团队性别异质性与大数据技术应用水平交互项的系数为-0.015，并且在10%水平上显著，假设3得到检验。综上所述，滞后一期回归结果与此前回归结果基本一致。

五、稳健性检验

本文利用ROE替换ROA的方法进行本文的稳定性检验，从回归结果中（限于篇幅，相关回归结果不予展示）可以发现，模型2中大数据技术应用与企业绩效系数值为0.007，在5%水平上显著正相关，假设1成立得到检验；模型4中高管团队年龄异质性与大数据技术应用水平交互项的系数为0.09，结果并不显著，假设2未得到检验；模型6当中高管团队性别异质性与大数据技术应用水平交互项的系数值为-0.036，结果在10%水平上显著，假设3得到检验；模型8当中高管团队受教育水平异质性与大数据技术应用水平交互项系数值为0.002，结果并不显著，假设4未得到验证。综上所述，稳健性回归结果与分层回归结果基本一致。

六、研究结论与建议

本文以我国2012-2021年66家新能源上市企业为样本研究了大数据技术应用对于企业绩效的影响关系，以及高管团队年龄、性别、受教育水平对于二者关系的调节作用，并替换自变量进行稳健性检验，得出以下结论：新能源企业的大数据技术应用显著促进了企业绩效的提升。性别异质性削弱了大数据技术应用与企业绩效的正向影响，年龄异质性、受教育水平对于大数据技术应用与企业绩效的正向影响没有调节作用。此外，虽然受教育水平异质性的调节效应并不显著，但受教育水平异质性对于企业绩效具有显著正向影响。

基于以上研究结论，笔者提出以下建议：第一，新能源企业应当加大对于大数据技术的投入，并深挖技术内核，使数字融合于企业，让数字赋能于企业。大数据技术应用是企业数字化转型的管理决策路上的必经之路，大数据技术的应用可以帮助企业内部资源整合和战略纵深前移的需求，但是其应用还需要结合企业组织架构调整和管理模式变革，才能使大数据技术的功能内化到企业内部，发挥其最大作用。第二，在架构高管团队方面，新能源企业应当适当加大年龄结构性差异和适当减弱性别结构性差异，在架构高管团队时，要提供相互合作、沟通、学习的平台，使高管团队成员能够更好地交流管理经验、市场认知和专业知识，减少性别异质带来的团队冲突，增强年龄异质性对于大数据技术应用对于企业绩效的正向影响。

参考文献：

[1] 刘东慧，白福萍，董凯云.数字化转型对企业绩效的影响机理研究[J].财会通讯，2022（16）：120-124.

[2] BIRGER WERNERFELT. A Resource-Based View of the Firm[J].Strategic Management Journal，1984：5.

[3] 徐国虎，田萌.大数据系统实施对企业绩效影响的实证研究[J].科技进步与对策，2017，34（16）：98-105.

[4] 张彩凤，谢卫红，王永健.大数据能力对企业绩效的作用机理研究——基于双元组织学习的过程视角[J].企业经济，2019（07）：113-120.

[5] 李向阳.大数据技术应用对上市公司绩效影响的实证分析[J].东岳论丛，2021，42（1）：117-124.

[6] HAMBRICK，D C and MASON，P A， Upper Echelons：The Organization as a Reflection of Its Top Managers.The Academy of Management Review，1984，9（2）：193-206.

[7] 时楠，骆正清，孙超平.成本粘性、高管团队异质性与企业绩效[J].财会研究，2022（11）：40-47+57.

[8] 陈宝杰.女性参与高管团队对企业创新绩效的影响——来自中国中小板上市公司的实证分析[J].科技进步与对策，2015，32（5）：146-150.

[9] ALOWAIHAN A K.Gender and Business Performance of Kuwaiti Small Firms： A Comparative Approach [J].International Journal of Commerce & Management，2004，14（3/4）：69-82.

[10] 李可心.高管异质性对企业绩效的影响[D].浙江大学，2022.

[11] 王希胜.集中股权结构上市公司高层管理团队异质性对企业财务战略的影响研究[J].管理学报，2016，13（7）：989-995.

[12] 张瑞纲，陈丽羽.高管团队异质性与公司业绩关系的实证研究[J].金融理论与实践，2020（6）：86-93.

[13] 吴非，胡慧芷，林慧妍等.企业数字化转型与资本市场表现——来自股票流动性的经验证据[J].管理世界，2021，37（7）：130-144+10.

[14] 胡蓉.企业数字化对投资效率的影响研究[J].财会通讯，2022（22）：92-96.

[15] 黄越，杨乃定，张宸璐.高层管理团队异质性对企业绩效的影响研究——以股权集中度为调节变量[J].管理评论，2011，23（11）：120-125+168.

[16] 王晓亮，王荻，蒋勇.高管团队学历异质性、真实盈余管理与审计收费研究[J].中国软科学，2019（9）：175-184.