智慧供应链建设对企业新质生产力的影响研究

摘 要：加速形成企业新质生产力，对于突破关键技术“卡脖子”问题、助力传统产业转型升级、实现经济高质量发展等具有重要的现实意义。选取2011—2022年A股上市公司数据作为研究样本，利用双重差分法实证考察了智慧供应链建设对企业新质生产力的影响及其作用机制。研究发现：智慧供应链建设能够显著提升企业新质生产力，且对民营企业与重点行业企业的影响效应更为显著；机制检验结果表明，智慧供应链建设对企业新质生产力的提升效应主要通过推动企业数字化转型和提高企业ESG表现两条路径实现。上述研究结论为培育企业新质生产力提供了重要启示：其一，加快总结与推广供应链创新与应用试点工作的典型经验，提高供应链可视化和智能化水平；其二，以智慧供应链建设为抓手，引导企业开展数字化转型与ESG实践；其三，针对智慧供应链建设过程中的薄弱环节分类施策，增强政策的靶向性与动态性。

关键词：智慧供应链建设；企业新质生产力；数字化转型；ESG表现

中图分类号：F270" " 文献标志码：A" " 文章编号：1671-0037（2024）7-11-15

DOI：10.19345/j.cxkj.1671-0037.2024.7.2

0 引言

2023年9月7日，在新时代推动东北全面振兴座谈会上，习近平总书记首次提出了“新质生产力”这一重要概念，并明确指出，“积极培育新能源、新材料、先进制造、电子信息等战略性新兴产业，积极培育未来产业，加快形成新质生产力，增强发展新动能”。2023年9月8日，习近平总书记再次强调，“整合科技创新资源，引领发展战略性新兴产业和未来产业，加快形成新质生产力”。新质生产力是什么？与传统生产力有什么区别？目前学界尚未达成一致，但基本认同：新质生产力是一种有别于传统生产力、以科技创新为主导作用的生产力，其“新”在于新要素、新技术和新产业，其“质”在于高质量、多质性和双质效［1］。新质生产力要求整合社会创新资源，引领劳动者、劳动资料、劳动对象等要素的全面升级，通过科研成果的转化落地培育产业新动能［2］。加快形成新质生产力，对于突破关键技术“卡脖子”问题、抢占发展制高点，推动产业升级、培育竞争新优势，蓄积发展新动能、实现高质量发展等具有重大战略意义［3］。

与此同时，近年来人工智能、区块链、5G等数字技术迅猛发展，为供应链节点企业的价值创造提供了新思路，加速了传统供应链向高水平现代化智慧供应链的转型升级。智慧供应链，广义上也被称为数字供应链和供应链4.0［4-5］，是数字要素渗透重塑而形成的互联商业系统［6］。与传统供应链相比，智慧供应链在柔性管理、快速响应与智慧协同等方面具有更大优势，成为推动供给侧结构性改革、促进经济高质量发展的有力支撑，为新质生产力的技术革命性突破、生产要素创新性配置和产业深度转型提供了重要保障。国务院办公厅印发的《“十四五”现代物流发展规划》明确指出，要“加强数字化供应链前沿技术、基础软件、先进模式等研究与推广，探索扩大区块链技术应用，提高供应链数字化效率和安全可信水平”。早在2017年，国务院办公厅就已颁布了《关于积极推进供应链创新与应用的指导意见》；随后，商务部等八部门于2018年联合启动了供应链创新与应用试点，旨在加速我国智慧供应链体系的建设进程。

现有关于新质生产力的文献大多停留在定性研究上，大部分学者就新质生产力的概念、内涵与特征进行了详细解读，也有一部分学者从金融［7］、数字经济［8-9］等视角分析了新质生产力发展的理论逻辑与实现路径。而在新质生产力的经验研究中，从指标体系构建来看：一些学者从科技、绿色和数字生产力等视角构建了新质生产力的指标体系［10］；一些学者从劳动者、劳动对象和劳动资料等实体性要素角度对新质生产力进行了测算［11］；还有一些学者在实体性要素的基础上，加入了新技术、生产组织和数据等渗透性要素［12］。从影响因素来看，地区层面的金融集聚［13］和农业数字化转型［14］，以及企业层面的数字化转型［15-16］和ESG发展［17］都能促进新质生产力的提升。从经济后果来看，新质生产力能显著提高资源配置效率［18］、培育经济增长新动能［12］和推进共同富裕［19］。

综上，目前学术界已对企业新质生产力展开了初步探讨，但对于新质生产力提升路径的探索，大多数文献局限于企业自身的特征要素，缺乏供应链管理的研究视角。相关研究表明，智慧供应链建设能够提升企业的创新绩效［20］与环境绩效［21］。那么，智慧供应链建设能否提升企业新质生产力？其内在机理如何？对上述问题的解答，既能在理论上弥补对智慧供应链建设经验研究不足的缺陷［22］，填补企业新质生产力研究视角的缺失，又能在实践上为进一步释放我国智慧供应链的数字化动能、加速培育我国企业新质生产力提供重要参考。鉴于此，本文以供应链创新与应用试点为准自然实验，利用双重差分法实证检验智慧供应链建设对企业新质生产力的影响及其作用机制。

本文可能的边际贡献在于：①首次将智慧供应链建设与企业新质生产力纳入同一个研究框架，并考察了两者之间的因果关系，丰富了智慧供应链建设的经验研究，拓展了企业新质生产力的研究视角。②识别出智慧供应链建设提升企业新质生产力的机制路径，并考察了不同产权属性与不同行业的异质性，为政府部门的政策制定与完善提供了理论依据与实证经验。

1 理论分析与研究假设

新质生产力的核心内涵在于创新。然而，科技创新并非孤立存在，而是与数字经济和生态保护紧密相连、相互促进。三者相互交织，共同构成了集科技、数字、绿色于一体的新质生产力体系［10］。因此，基于企业新质生产力的“数字”维度与“绿色”维度，从企业数字化转型与企业ESG表现的视角，分析智慧供应链建设对企业新质生产力的作用机理。

从“数字”维度来看，智慧供应链建设对企业数字化转型的推动作用主要源自智慧供应链的支持效应与倒逼效应。一方面，智慧供应链建设能极大提高企业的劳动力投资效率［23］和供应链运转效率［24-25］，提升企业抗风险水平与供应链韧性水平［26-27］，最终提高企业的财务绩效［21］和技术创新绩效［20］，对企业的数字化变革产生资金与技术的支持效应。另一方面，在智慧供应链建设过程中，原本数字化转型程度高的企业具有良好的先发优势，为了更好地适配上下游的需求，企业被倒逼进行数字化转型［28］。不仅如此，智慧供应链建设还能降低企业协作成本、加速知识流动［29］，为企业学习和借鉴供应链上下游数字技术与转型经验提供了资源渠道。而数字化转型对企业新质生产力的提升效应同样体现在两方面。第一，企业数字化转型不但能推动企业间的要素流动，促进创新主体间的技术溢出［30-31］，还能进一步增加企业的研发投入，提高研发效率，提升企业的科技创新水平，进而提升企业新质生产力。第二，数字化转型能增强企业透明度，减少对企业的风险识别成本和监督成本，从而提高外界对企业的正面预期，极大降低企业与银行等金融机构间的信息不对称程度，缓解企业的融资约束，为企业新质生产力提升提供资金保障。

从“绿色”维度来看，智慧供应链建设通过节流效应和开源效应提高企业的ESG表现。就节流效应而言，智慧供应链建设能优化资源配置和流程管理，实现能源的有效利用，减少浪费。其一，大数据、云计算等数字技术不仅能识别出供应网络中的局部短板，精准突破供应链环境治理的薄弱环节，还能发挥监管作用，减少链上节点企业以牺牲环境绩效为代价的自利行为［32］。其二，通过企业自身与企业所在地区的规模效应，数字要素大范围渗透，能有效提升能源的利用效率，降低能耗水平［33］。就开源效应而言，智慧供应链建设能通过绿色创新活动开辟新的环境绩效增长点。具体来说，智慧供应链建设将物联网和区块链等数字技术融入供应链运转中，实现供应链物流、商流、信息流和资金流的透明化与可视化［34］。基于此，企业通过与上下游充分交换信息、联合决策，有效破除“信息孤岛”困境，并根据链上各主体的绿色需求增强绿色创新活动的导向性［35］，提升企业的绿色创新水平，从而实现良好的环境治理。根据利益相关者理论和信号理论可知，企业新质生产力提升离不开其利益相关者的支持，而ESG发展对企业新质生产力的提升效应则表现在缓解融资约束与促进供应链协同两方面。从融资约束的角度看，ESG责任的履行要求企业从多维度披露高质量信息，而较高的企业运营透明度能向外界传递良好的信号，降低企业与银行等金融机构的信息不对称程度，缓解企业融资约束，从而为企业新质生产力的提升提供资金支持。从供应链协同的角度看，企业良好的ESG表现能向供应链伙伴企业传递积极的信号，使得供应链上下游愿意与企业开展更深度的长期合作，从而降低企业的非产成品成本［17］，形成相互信任、互利共赢的供应链生态，进而促进企业新质生产力的提升。

基于上述分析，提出如下假设：

假设1：智慧供应链建设能提升企业新质生产力。

假设1a：智慧供应链建设通过推动企业数字化转型提升企业新质生产力。

假设1b：智慧供应链建设通过提高企业ESG表现提升企业新质生产力。

综上所述，智慧供应链建设影响企业新质生产力的理论框架如图1所示。

2 研究设计

2.1 模型设定

参考张树山和谷城［26］的研究，以供应链创新与应用试点为准自然实验，构建双重差分模型（1），考察智慧供应链建设对企业新质生产力的影响效应。

[Newpit=α0+α1DIDit+α2Controls+ηt+γi+μit] （1）

其中：i和t分别代表时间与企业；DID代表智慧供应链建设的外生冲击变量；Newp代表被解释变量企业新质生产力；а1代表智慧供应链建设对企业新质生产力的影响效应，是本文重点关注的系数；Controls代表一系列控制变量；η和γ分别代表控制时间效应和个体效应；μ为随机扰动项。

2.2 变量选取

2.2.1 被解释变量：新质生产力（Newp）

参考宋佳等［17］的研究，首先，以创新为企业新质生产力的核心，根据生产力二要素理论，从劳动力和生产工具两个维度建立企业新质生产力综合指标；其次，选取研发人员薪资占比、研发人员占比、高学历人员占比、固定资产占比和制造费用占比等来衡量企业劳动力要素水平，选取研发折旧摊销占比、研发租赁费占比、研发直接投入占比、无形资产占比、总资产周转率和权益乘数倒数等来衡量企业生产工具要素水平；最后，按照指标属性，使用熵值法将上述各分项指标合成为企业新质生产力指标Newp。表1展示了企业新质生产力综合指标体系。

2.2.2 核心解释变量：智慧供应链建设（DID）

表征智慧供应链建设的DID外生冲击变量由Treat与Post交乘得到。具体来说，若企业位于供应链创新与应用试点城市，则令Treat为1，视为实验组；否则令Treat为0，视为对照组；若年份为2018年及以后，则令Post为1，否则为0。

2.2.3 控制变量

为尽可能避免遗漏重要解释变量，参考张树山和谷城［26］的研究，选取了一系列可能影响企业新质生产力的因素作为控制变量：企业规模（Size）、资产负债率（Lev）、董事会规模（Board）、独立董事比例（Indep）、第一大股东持股比例（Top1）、企业价值（TobinQ）、企业年龄（FirmAge）、总资产净利润率（ROA）等。

各主要变量及其度量方法如表2所示。

2.3 数据来源与数据处理

选取2011—2022年A股上市公司数据作为研究样本，对原始数据进行如下处理：①剔除行业代码为J66、J67、J68、J69的金融类上市公司样本；②剔除出现ST和PT异常经营情况的上市公司样本；③剔除模型中主要变量缺失值过多的上市公司样本；④为避免异常值对回归结果产生影响，利用Stata软件中的Winsor2命令对所有连续型变量进行上下1%的缩尾处理。最终得到4 577家上市公司的共计34 418个有效观测值。智慧供应链建设（DID）试点冲击变量的构建参照了《关于公布全国供应链创新与应用试点城市和试点企业名单的通知》，ESG数据来自华证ESG指数，其他数据均来源于CSMAR数据库。

3 实证分析

3.1 基准回归

对基准模型（1）进行回归分析，表3展示了模型的基准回归结果。表3中列（1）—（3）分别是模型逐步加入固定效应和控制变量的回归结果。其中，核心解释变量智慧供应链建设的回归系数始终在1%的水平上显著为正，表明智慧供应链建设显著提升了企业新质生产力，假设1得到验证。

3.2 三重差分法

双重差分模型的基本假设是实验组与对照组应当随机选取且在外生冲击前必须保持平行的时间趋势。然而在本研究中，主动申报并获取供应链创新与应用试点资格的城市可能本身就拥有良好的创新生态，这种情况使得试点之前实验组与对照组间很难呈现完美的平行趋势。因此，参考王桂军和卢潇潇［36］的研究，构建如式（2）所示的三重差分模型，以缓解非平行趋势问题。

[Newpit=α0+α1DDDit+α2Treatit×Groupit+α3Treatit×Postit+α4Groupit×Postit+α5Groupit+α6Controls+ηt+γi+μit] （2）

其中：DDD代表三重差分变量；а1是三重差分变量系数；Group代表试点对象Treat和试点时间Post以外的第三重差分的分组变量。参考尹美群等［37］的研究，将样本划分为技术密集型企业与非技术密集型企业两类，技术密集型企业Group赋值为1，非技术密集型企业Group赋值为0；为增强三重差分模型的稳健性，进一步参考杨兴哲和周翔翼［38］的研究，将样本划分为高科技企业与非高科技企业两类，高科技企业Group赋值为1，非高科技企业Group赋值为0。其余未做特殊说明的变量与基准模型（1）保持一致。

对模型（2）进行回归分析，表4展示了三重差分模型的回归结果。表4中列（1）是以技术密集型企业为Group分组变量的模型回归结果，列（2）是以高科技企业为Group分组变量的模型回归结果。其中，本文重点关注的三重差分变量DDD的回归系数至少在5%的水平上显著为正。据此可知，三重差分模型成功捕捉到了不同科技水平情境下企业间新质生产力的时间趋势差异，本研究中双重差分模型的非平行趋势问题得以缓解。

3.3 内生性处理

尽管本文所选择的因果关系识别策略是内生性较弱的双重差分法，但其仍然可能存在内生性问题。一方面，若企业新质生产力的提升并不是此次城市试点的结果，而是源自使城市更易于获得此次试点资格的其他混杂因素，那么本研究就可能存在遗漏变量偏误所导致的内生性问题；另一方面，本研究还可能存在互为因果关系所导致的内生性问题，即新质生产力水平更高的企业拥有较好的资金基础与较高的技术水平，更有动机与能力开展智慧供应链建设。为了避免上述严重的内生性问题，使用工具变量法对模型做进一步处理。

参照Giannetti等［39］的做法，选择其他相关外生政策冲击构建工具变量。对此，在陶锋等［40］的研究中，工具变量的构造方法是令相关外生政策冲击与内生解释变量的基准状态交互。本文认为，内生解释变量的基准状态与内生解释变量间的关系仍不够“干净”，因而参考黄群慧等［41］的研究，进一步通过历史数据构造工具变量。具体来说，使用智慧城市试点与1984年各城市人均邮局数的交互项IV1以及智慧城市试点与1984年各城市人均固定电话数的交互项IV2作为智慧供应链建设的工具变量。这种做法的合理性在于以下两方面。一方面，邮局与固定电话作为数字化变革的前身，为城市未来的数字经济发展奠定了重要基础；而智慧城市建设也为城市发展提供了完备的数字基础设施。因此，智慧供应链试点可能更倾向于选择数字条件更为完善的城市，工具变量的相关性得到满足。另一方面，外生政策冲击与历史数据的交乘项很难对企业新质生产力产生显著影响，工具变量的排他性也得到满足。

表5展示了工具变量的回归结果。表5中列（1）和列（3）是工具变量第一阶段回归结果。其中，工具变量IV1和IV2与智慧供应链建设的回归系数均在1%的水平上显著为正，且弱工具变量检验结果分别为151.152和870.344，均拒绝了“工具变量是弱工具变量”的原假设，印证了工具变量与智慧供应链试点具有相关性的分析结果。表5中列（2）和列（4）是工具变量第二阶段回归结果。其中，智慧供应链建设的回归系数均在1%的水平上显著为正，且不可识别检验结果分别为145.019和551.113，均拒绝了“工具变量不可识别”的原假设。工具变量回归结果与基准回归结果保持一致，表明模型不存在严重的内生性问题。

3.4 稳健性检验

3.4.1 替换核心解释变量

基准模型（1）中，核心解释变量DID是根据供应链创新与应用试点城市名单构建的双重差分变量，但除城市层面外，企业层面也同步开展了试点工作。如果一个企业既在试点城市又是试点企业，那么其智慧供应链建设势必会得到更多的资源支持。因此，为更准确地捕捉此次试点对不同实验组企业影响程度的差异，将试点企业也加入研究中，构建强度双重差分模型。具体来说，强度双重差分模型仍与基准模型（1）类似。不同的是，若企业既在试点城市又是试点企业，则Treat赋值为2，并将其纳入试点效应更强的实验组；若企业仅在试点城市或仅是试点企业，则Treat赋值为1，并将其纳入试点效应较弱的实验组；若企业既不在试点城市也不是试点企业，则Treat赋值为0，并将其纳入对照组。对替换核心解释变量的基准模型（1）进行回归分析，结果如表6中列（1）所示。可见，智慧供应链建设的回归系数在5%的水平上显著为正，表明智慧供应链建设仍显著提升了区域内企业新质生产力，基准回归结果具有稳健性。

3.4.2 安慰剂检验

为排除偶然因素的影响、增强基准双重差分模型的可靠性，进一步引入虚构实验组的安慰剂检验策略。具体实施步骤如下：首先，从所有企业中随机抽取与基准模型（1）中实验组企业数量相等的企业作为虚构的“实验组”，其余企业则构成“对照组”；其次，假定试点实施年份依旧是2018年，在此基础上构建一个虚构的“试点DID交乘项”；最后，对模型进行回归分析，并记录下该虚构“试点DID交乘项”的回归系数。虚构双重差分模型实验组的原理在于，从理论上来说，如果利用双重差分模型估计得到的试点效应是真实存在而非偶然所得的，那么这个虚构的“试点DID交乘项”的回归系数应不会显著异于0。同时，为确保安慰剂检验的严谨性、规避单次随机抽样可能存在的偶然性，利用Stata软件中的Didplacebo命令，重复上述过程500次，并绘制出500次虚构“试点DID交乘项”回归系数的概率密度图。安慰剂检验结果如图2所示。由图2可知，所有通过随机抽样构造的虚假“试点DID交乘项”的回归系数均紧密围绕在0值附近且呈正态分布，这些回归系数显著异于基准回归结果中智慧供应链建设的真实回归系数。据此可知，智慧供应链建设对企业新质生产力的提升效应是真实存在的，安慰剂检验结果进一步证明了基准回归结果的稳健性。

3.4.3 样本匹配+双重差分法

考虑到实验组与对照组很难呈现完美的平行趋势，且供应链创新与应用试点的准自然实验可能存在“自选择偏差”，进一步对样本进行匹配，以减少实验组与对照组间各特征变量的差异，缓解潜在的样本选择偏差问题。参考Pan等［42］的研究，使用逐年熵平衡的办法进行样本匹配。熵平衡的原理是基于最大化熵赋予样本相应的权重，进而在不删减样本的情况下，实现实验组与对照组的协变量多维平衡。回归结果如表6中列（2）所示，其中核心解释变量DID的回归系数依旧正向显著。同时，为了避免不同匹配方法对回归结果的潜在影响，参考Heyman等［43］的研究，使用逐年倾向得分匹配的方法再次对样本进行匹配。回归结果如表6中列（3）所示，其中核心解释变量DID的回归系数在1%的水平上显著为正，仍与基准回归结果保持一致。

3.4.4 排除竞争性假设

2017年8月，商务部与财政部颁布的《关于开展供应链体系建设工作的通知》明确提出，将在天津、上海、重庆等17个城市开展供应链体系建设。2018年5月，财政部与商务部又联合发布了《关于开展2018年流通领域现代供应链体系建设的通知》，共选定了18个试点城市。这两次申请到试点资格的城市将获得专项财政资金的扶持，试点目标是构建一个标准化、信息化、协同化的供应链体系。那么，区域内企业新质生产力的提升到底是智慧供应链建设的结果还是供应链体系建设的结果？智慧供应链建设对企业新质生产力提升效应的回归分析是否为伪回归？为排除供应链体系建设的干扰，剔除了供应链体系建设试点共35个城市的所有企业样本，并重新对基准模型（1）进行回归分析。表6中列（4）展示了排除竞争性假设后的回归结果。其中，智慧供应链建设的回归系数在10%的水平上显著为正。由回归结果可知，在排除供应链体系建设试点的潜在影响后，智慧供应链建设仍显著提升了企业新质生产力，结果依旧稳健。

3.5 机制检验

为进一步验证智慧供应链建设提升企业新质生产力的作用机制，建立机制检验模型，具体如下：

[Mechanismit=α0+α1DIDit+α2Controls+ηt+γi+μit]" （3）

其中：Mechanism代表机制变量，包括企业数字化转型水平（Dig）和企业ESG表现（Esg）。其余未做特殊说明的变量均与基准模型（1）保持一致。

3.5.1 企业数字化转型水平

使用CSMAR数据库中的数字化转型指标来衡量企业数字化转型水平。该指标的测算方法采用的是目前主流的文本分析法，即提取上市公司年报中涉及人工智能技术、区块链技术、云计算技术、大数据技术和数字技术应用的关键词，并统计词频，用关键词词频加1取自然对数的方式度量企业数字化转型水平。表7中列（1）展示了数字化转型机制检验的回归结果。其中，核心解释变量DID的回归系数在1%的水平上显著为正，可知智慧供应链建设显著推动了企业数字化转型，假设1a得到验证。智慧供应链建设通过支持效应与倒逼效应推动企业数字化转型，而数字化转型则通过提高科技创新水平与缓解融资约束促进企业新质生产力提升。

3.5.2 企业ESG表现

参考已有文献，使用华证ESG指数来衡量企业ESG表现。表7中列（2）展示了ESG机制检验的回归结果。其中，核心解释变量DID的回归系数在1%的水平上显著为正。回归结果表明，智慧供应链建设对企业ESG表现有显著的提高效应，假设1b得到验证。智慧供应链建设通过节流效应与开源效应赋能企业ESG发展，企业良好的ESG表现则向利益相关者传递积极的信号，在缓解企业融资约束的同时促进供应链协同，助力企业新质生产力的提升。

3.6 异质性分析

为考察不同情境下智慧供应链建设对企业新质生产力影响效应的差异性，从企业产权性质与所属行业的角度进一步开展异质性分析。

3.6.1 企业产权性质

国有企业与民营企业在管理结构、资源获取能力和抗风险水平等方面存在很大差别，因此智慧供应链建设及其经济后果在不同产权性质的企业中必然存在差异。据此，将样本企业划分为国有企业与民营企业两组，对基准模型（1）进行分组回归，结果如表8中列（1）—（2）所示。在国有企业样本中，核心解释变量DID的回归系数为正但不显著；而在民营企业样本中，核心解释变量DID的回归系数在1%的水平上显著为正。由回归结果可知，智慧供应链建设对民营企业新质生产力的提升效应更显著。出现这种情况的原因可能是：一方面，与竞争更激烈的民营企业相比，国有企业资源获取渠道更多、容错率更高，因此求新求变的主动性与有效性较低；另一方面，与灵活度更高的民营企业相比，国有企业往往拥有庞大的组织架构与复杂的工作流程，进行智慧供应链建设的过程更加烦琐。据此，民营企业智慧供应链建设的效果往往会更加“立竿见影”。

3.6.2 所属行业

《关于开展供应链创新与应用试点的通知》中明确指出，试点城市的重点任务包括建立健全农业供应链、积极发展工业供应链、创新发展流通供应链。因此，此次试点活动对重点行业新质生产力的影响可能更大。据此，将样本企业划分为重点行业企业与非重点行业企业两组。具体来说，参照中国证券监督管理委员会发布的《上市公司行业分类指引》（2012年修订），若企业属于农业、制造业、批发和零售业，则将其认定为试点重点行业企业，否则将其认定为试点非重点行业企业。随后根据划分结果对基准模型（1）进行分组回归，表8中列（3）—（4）展示了分组回归结果。在重点行业企业样本中，核心解释变量DID的回归系数在1%的水平上显著为正；而在非重点行业企业样本中，核心解释变量DID的回归系数为正但不显著。出现这种现象的原因可能是：一方面，试点对农业、工业与流通业供应链体系建设进行了资源倾斜；另一方面，相比其他行业企业，试点重点行业企业基本处于供应链的生产和销售位，开展智慧供应链建设往往能靶向性地解决链上短板问题，故该类企业新质生产力得到了更显著的提升。

4 结论与建议

本文选取2011—2022年A股上市公司数据作为研究样本，基于供应链创新与应用试点的准自然实验，构建双重差分模型，考察了智慧供应链建设对企业新质生产力的影响及其作用机制。研究发现：第一，智慧供应链建设能够显著提升企业新质生产力；第二，智慧供应链建设通过推动企业数字化转型、提高企业ESG表现赋能企业新质生产力的提升；第三，相对于国有企业与非重点行业企业，智慧供应链建设对民营企业和重点行业企业新质生产力的提升效应更为显著。

基于上述研究结论，提出如下政策启示。

第一，加快总结与推广供应链创新与应用试点工作的典型经验，提高供应链可视化和智能化水平。对于试点城市来说，应加大对以数字技术为核心的新型基础设施的投资力度，积极运用大数据、区块链等现代供应链管理的先进技术与方法；加速构建数字化供应链公共服务平台，推动政府治理体系向现代化迈进；加强对智慧物流园区、智能仓库、智能货柜及供应链技术创新平台的科学规划和合理布局，弥补供应链在硬件设施方面的缺口。对于试点企业来说，切实将人工智能、5G、边缘计算等前沿技术融入供应链管理系统，强化数据标准整合并实现与线上资源无缝对接；积极推广在线采购、车货匹配、云仓储等新业态、新模式和新场景，使供应链具备实时性、可视化和可感知性等特征，从而提升其整体的适应性和协同性；同时，龙头企业应积极构建技术先进、集成能力强、应用广泛的数字化平台，开放共享智能化供应链技术和应用，推动云制造、云服务平台的发展，为中小企业提供赋能支持。对于政府部门来说，首先，营造良好的供应链创新与应用政策环境。鼓励构建以企业为主导、产学研用合作的供应链创新网络；鼓励社会资本统筹结合现有资金、基金渠道，为企业开展供应链创新与应用提供融资支持；依托国务院相关部门建设供应链创新与应用的政府监管、公共服务和信息共享平台，构建行业指数、经济运行状况、社会预警等指标体系。其次，推进供应链标准体系建设。加快制定供应链产品信息、数据采集、指标口径、交换接口、数据交易等关键共性标准，强化行业间数据信息标准的兼容性，促进供应链数据高效传输和交互。最后，培养多层次供应链人才。支持高等院校和职业学校开设供应链相关专业及课程，鼓励企业和专业机构加强供应链人才培训，创新供应链人才激励机制，吸引和集聚优秀供应链人才。

第二，以智慧供应链建设为抓手，增强企业新质生产力提升的内生动力。智慧供应链建设能引导链上节点企业开展数字化转型和提升企业可持续性绩效，从而促进企业新质生产力的提升。其一，建设与完善现代化智慧供应链的政策支持体系，引导节点企业将数字要素投入生产实践，鼓励搭建相互信任、资源共享、联合决策的供应链管理信息平台，增强供应链数字化与企业数字化的叠加效应，赋能企业新质生产力提升。其二，中国质量协会、国务院国资委和中国社科院等应牵头构建权威的企业ESG评价标准体系，有针对性地防控企业“漂绿”风险，畅通媒体、公众等外部主体的监督渠道，降低企业与利益相关者间的信息不对称程度，切实提升企业新质生产力。

第三，针对智慧供应链建设过程中的薄弱环节分类施策，增强政策的靶向性与动态性。一方面，要充分利用国有企业天然的资源优势，进一步加强国有企业供应链智能化建设，充分发挥国有企业在培育新质生产力和推动高质量发展中的排头兵作用；同时，须进一步加大对民营企业的扶持力度，引导民营企业把握智慧供应链建设与数字化转型的发展契机，助力经济下行期弱势群体的逆袭。另一方面，考虑到智慧供应链建设效果在不同行业间的差异性，加大对农业、工业与流通业之外非重点行业企业的资金与技术支持力度，协助此类企业更精准地识别供应链中存在的短板；并在智慧供应链建设的不同阶段，应用区块链和大数据等数字技术突破相关供应链堵点，进而提升企业新质生产力。

参考文献：

［1］ 蒋永穆，乔张媛.新质生产力：逻辑、内涵及路径［J］.社会科学研究，2024（1）：10-18，211.

［2］ 魏崇辉.新质生产力的基本意涵、历史演进与实践路径［J］.理论与改革，2023（6）：25-38.

［3］ 周文，许凌云.论新质生产力：内涵特征与重要着力点［J］.改革，2023（10）：1-13.

［4］ MEINDL B，AYALA N F，MENDONÇA J，et al.The four smarts of Industry 4.0：evolution of ten years of research and future perspectives［J］.Technological Forecasting and Social Change，2021，168：120784.

［5］ LERMAN L V，BENITEZ G B，MÜLLER J M，et al.Smart green supply chain management：a configurational approach to enhance green performance through digital transformation［J］.Supply Chain Management：An International Journal，2022，27（7）：147-176.

［6］ ISHFAQ R，DAVIS-SRAMEK B，GIBSON B.Digital supply chains in omnichannel retail：a conceptual framework［J］.Journal of Business Logistics，2022，43（2）：169-188.

［7］ 陆岷峰.金融强国与金融新质生产力：构建以数智化驱动的金融高质量发展新生态［J］.中国流通经济，2024，38（5）：18-27.

［8］ 翟绪权，夏鑫雨.数字经济加快形成新质生产力的机制构成与实践路径［J］.福建师范大学学报（哲学社会科学版），2024（1）：44-55，168-169.

［9］ 郭栋，尤帅，刘云.数字化改革赋能新质生产力：理论内涵、动力机制、关键主体及提升路径［J］.社会科学家，2024（2）：45-51.

［10］ 卢江，郭子昂，王煜萍.新质生产力发展水平、区域差异与提升路径［J］.重庆大学学报（社会科学版），2024，30（3）：1-17.

［11］ 王珂，郭晓曦.中国新质生产力水平、区域差异与时空演进特征［J］.统计与决策，2024，40（9）：30-36.

［12］ 韩文龙，张瑞生，赵峰.新质生产力水平测算与中国经济增长新动能［J］.数量经济技术经济研究，2024，41（6）：5-25.

［13］ 任宇新，吴艳，伍喆.金融集聚、产学研合作与新质生产力［J］.财经理论与实践，2024，45（3）：27-34.

［14］ 李盛竹，薛枫，姜金贵.农业数字化对中国粮食新质生产力的影响效应研究［J/OL］.农林经济管理学报，2024：1-12［2024-05-02］.https：//kns.cnki.net/kcms2/article/abstract？v=pVWNQl4Rae8Q6K6-IuSRMl0_ILOLr0Hl6LXVR9WoNNX7_6LPFn_83w2tsU3O7jf3BAuQfdUTwtmlb5KJ_Q

zs-wwTVnLSKhL9MMq_OF8VFaCUXD16rxPICjnjk7F5-Z-D-t-c6fTuhH-H_oIQqbZva-ohIiC0FAgQ_ogVfXpcILYKTTJXXVOL8rqndTxljU9iamp;uniplatform=NZKPTamp;language=CHS.

［15］ 赵国庆，李俊廷.企业数字化转型是否赋能企业新质生产力发展？——基于中国上市企业的微观证据［J/OL］.产业经济评论，2024：1-13［2024-05-02］.https：//kns.cnki.net/kcms2/article/abstract？v=pVWNQl4Rae9-SQAIS7EsEt

SzwWU4ahtCdn3NqOv41IUvy-PtpJkRDeYEOZul2AIzK_C

QTnUuG3EmexgD081nLSDxIcfryOCYBrwrwBmUf2jIGOV601wlLaEDPtJ6hi5X1934Luy4zAwnUfvMham-p2bau6Xpwo50_CAG-bsOhD3o3RfRSIKnLwADXsXcmfwiamp;uniplatform=NZKPTamp;language=CHS.

［16］ 杨芳，张和平，孙晴晴，等.企业数字化转型对新质生产力的影响［J］.金融与经济，2024（5）：35-48.

［17］ 宋佳，张金昌，潘艺.ESG发展对企业新质生产力影响的研究：来自中国A股上市企业的经验证据［J］.当代经济管理，2024，46（6）：1-11.

［18］ 徐波，王兆萍，余乐山，等.新质生产力对资源配置效率的影响效应研究［J/OL］.产业经济评论，2024：1-15［2024-05-02］.https：//kns.cnki.net/kcms2/article/abstract？v=pVWNQl4Rae_kgk02PkeB-iALGTywnFdQAte1YjTgrORDMDqpV4DGV3nJV4zGOqxesQNTgQynTDCxFRelxB-VF6o

sAVTb9nIndKMqMMpUUvVnoQ0yJe5OUhPHX_Noi5x_xDZ

YlDF8Prsq5Qr_mxU7dMXSKH8qGG4XNNw-RVworQGu1xIIA6CA7UMQPf384Vqcamp;uniplatform=NZKPTamp;language=CHS.

［19］ 张彰.数字新质生产力、农业产业链延伸与共同富裕［J］.统计与决策，2024，40（9）：37-42.

［20］ 沈丽琼，黄光于，叶飞.供应链政策与企业技术创新：来自政府认定供应链创新试点企业的经验证据［J］.科技管理研究，2022，42（19）：97-110.

［21］ 刘海建，胡化广，张树山，等.供应链数字化与企业绩效：机制与经验证据［J］.经济管理，2023，45（5）：78-98.

［22］ SRAI J S，LORENTZ H.Developing design principles for the digitalisation of purchasing and supply management［J］.Journal of Purchasing and Supply Management，2019，25（1）：78-98.

［23］ 祝丹枫，李宇坤.数字化供应链变革与企业劳动力投资效率：基于供应链创新与应用试点的经验证据［J］.商业研究，2023（3）：49-57.

［24］ 谷城，徐杰.供应链政策与供应链效率：基于供应链创新与应用的准自然实验［J］.哈尔滨商业大学学报（社会科学版），2024（1）：33-48.

［25］ CHANG S E，CHEN Y C，LU M F.Supply chain re-engineering using blockchain technology：a case of smart contract based tracking process［J］.Technological Forecasting and Social Change，2019，144：1-11.

［26］ 张树山，谷城.供应链数字化与供应链韧性［J/OL］.财经研究，2023：1-15［2024-05-02］.https：//kns.cnki.net/kcms2/article/abstract？v=pVWNQl4Rae8zaL4Qd9bfYKlRd

tT8XoGdljWdJMumu3FsKkTneFWWjzB5Sq9e3F8ob9zP0E3bLgfjq7SnjdWpO1d40QgBsDmU7ieWuyDFijRW3frK2QWv-gARAGuSpuxLNvx36K30Tr2uZ6CxWna0M5YNLP5d9OSsvb0VGUchhVa1R_ptMuQVpzrFLf3ntqEIamp;uniplatform=NZKP

Tamp;language=CHS.

［27］ ZOUARI D，RUEL S，VIALE L.Does digitalising the supply chain contribute to its resilience？［J］.International Journal of Physical Distribution amp; Logistics Management，2021，51（2）：149-180.

［28］ 杨金玉，彭秋萍，葛震霆.数字化转型的客户传染效应：供应商创新视角［J］.中国工业经济，2022（8）：156-174.

［29］ 黄宏斌，张玥杨，许晨辉.供应链数字化能促进链上企业间的融通创新吗：基于智慧供应链政策的准自然实验［J］.当代财经，2023（8）：134-145.

［30］ 宋佳宁，宋在科.数字化转型、技术溢出与制造业企业创新绩效［J］.经济体制改革，2023（4）：114-122.

［31］ CHAVEZ R，YU W，JACOBS M A，et al.Data-driven supply chains，manufacturing capability and customer satisfaction［J］.Production Planning amp; Control，2017，28（11/12）：906-918.

［32］ CHEN D Q，PRESTON D S，SWINK M.How the use of big data analytics affects value creation in supply chain management［J］.Journal of Management Information Systems，2015，32（4）：4-39.

［33］ 戴翔，杨双至.数字赋能、数字投入来源与制造业绿色化转型［J］.中国工业经济，2022（9）：83-101.

［34］ STANK T，ESPER T，GOLDSBY T J，et al.Toward a digitally dominant paradigm for twenty-first century supply chain scholarship［J］.International Journal of Physical Distribution amp; Logistics Management，2019，49（10）：956-971.

［35］ WU G C.The influence of green supply chain integration and environmental uncertainty on green innovation in Taiwan’s IT industry［J］.Supply Chain Management：An International Journal，2013，18（5）：539-552.

［36］ 王桂军，卢潇潇.“一带一路”倡议与中国企业升级［J］.中国工业经济，2019（3）：43-61.

［37］ 尹美群，盛磊，李文博.高管激励、创新投入与公司绩效：基于内生性视角的分行业实证研究［J］.南开管理评论，2018，21（1）：109-117.

［38］ 杨兴哲，周翔翼.治理效应抑或融资效应？股票流动性对上市公司避税行为的影响［J］.会计研究，2020（9）：120-133.

［39］ GIANNETTI M，LIAO G，YU X.The brain gain of corporate boards：evidence from China［J］.The Journal of Finance，2015，70（4）：1629-1682.

［40］ 陶锋，王欣然，徐扬，等.数字化转型、产业链供应链韧性与企业生产率［J］.中国工业经济，2023（5）：118-136.

［41］ 黄群慧，余泳泽，张松林.互联网发展与制造业生产率提升：内在机制与中国经验［J］.中国工业经济，2019（8）：5-23.

［42］ PAN A，ZHANG W，SHI X，et al.Climate policy and low-carbon innovation：evidence from low-carbon city pilots in China［J］.Energy Economics，2022，112：106129.

［43］ HEYMAN F，SJÖHOLM F，TINGVALL P G.Is there really a foreign ownership wage premium？Evidence from matched employer-employee data［J］.Journal of International Economics，2007，73（2）：355-376.

The Impact of Intelligent Supply Chain Construction on New Quality Productivity of Enterprises

— A Quasi-natural Experiment Based on Supply Chain Innovation and Application Pilots

Chen Yanling， Li Qiang

（School of Internet Economics and Business， Fujian University of Technology， Fuzhou 350014， China）

Abstract： New quality productivity is a kind of productivity oriented by science and technology innovation. \"New\" implies new elements， new technologies， and new industries， and \"quality\" indicates high-quality， multi-quality， and double-quality effects. Accelerating the development of new quality productivity of enterprises is of great practical significance， as it targets overcoming the \"bottleneck\" of crucial technologies， facilitates the transformation and upgrading of traditional industries， and ultimately drives towards high-quality economic development.

This study selects the data of A-share listed companies from 2011 to 2022 as the research sample to measure the level of new quality productivity of enterprises based on the two-factor theory of production. It uses a quasi-natural experiment of supply chain innovation and application pilot to construct a difference-in-differences model to empirically investigate the impact of intelligent supply chain construction on the new productivity of enterprises and its mechanism. The results show that intelligent supply chain construction significantly improves the new quality productivity of enterprises. The above conclusion has passed the parallel trend test， endogeneity test， and a series of robustness tests. Mechanism test results indicate that the enhancement effect of intelligent supply chain construction on the new quality productivity of enterprises is mainly realized through two paths： promoting firms' digital transformation and improving firms' ESG performance. Further research finds that there are significant differences in the effects of intelligent supply chain construction on the new productivity of enterprises in different contexts， and the effects of intelligent supply chain construction on the new productivity of enterprises in the samples of private enterprises and key industries are more significant than those of state-owned enterprises and non-pilot key industries.

The above findings have the following theoretical and practical significance. In terms of theoretical contributions， this study places intelligent supply chain construction and new quality productivity of enterprises in the same research framework for the first time and identifies the causal relationship between the two and their intrinsic mechanism， which enriches the empirical research on intelligent supply chain and expands the research perspective on the new quality productivity of enterprises. From the perspective of guiding practice， this study provides important insights for cultivating the new quality productivity of enterprises： firstly， accelerate the replication and promotion of the typical experience of supply chain innovation and application pilot work， while enhancing the supply chain visualization and intelligence; secondly， leverage the construction of intelligent supply chains to guide enterprises in advancing digital transformation and ESG performance， while accelerating the cultivation and sustainable enhancement of new quality productivity; thirdly， implement targeted policies for the weaker links in the construction of intelligent supply chains， thereby enhancing the precision and effectiveness of these policies to help enterprises boost new quality productivity.

Key words： intelligent supply chain construction; new quality productivity of enterprises; digital transformation; ESG performance

（栏目编辑：邵冰欣）

收稿日期：2024-05-10

基金项目：福建省社会科学规划项目“数字经济引领福建省农业高质量发展的机制、路径和政策供给”（FJ2021B026）；福建省社会科学基金重大项目“数字经济全方位推动福建高质量发展超越对策研究”（FJ2021Z006）。

作者简介：陈燕翎（1982—），女，福建仙游人，博士，副教授，研究方向：数字贸易、跨境供应链；李强（2001—），男，湖南岳阳人，硕士研究生，研究方向：供应链管理。本文通信作者为李强。