●论文复刻●
“同命相连”：供应链网络中企业数字化转型
的同群效应
通过本案例可以学习到什么
- 从基础数据整理到最后的结果输出的完整案例
- 包含数字化转型、供应链数据、风险承担、环境不确定、吸收能力、勒纳指数、赫芬达尔指数等指标
- 同群效应处理
- 常用控制变量数据
- 如何对缺失值和异常值处理（缩尾处理）
- 基础结果：描述性统计、相关系数矩阵、基础回归
- Tobit模型回归
- 工具变量法回归
- Heckman两阶段回归
- 异质性回归分析，组间系数检验
- 输出表格结果
- 学习到论文实证分析中常用的命令
内容丰富，绝对超值，建议先下载文献看看，有需要可以下载系统学习，其他相关主题的论文可速成
数据更新至2024年，优化代码
样本筛选
本文选取2007—2024年中国深沪A股上市公司为初始研究样本，并依照以下思路进行筛选：（1）剔除ST、* ST 和 PT等财务状况异常的公司样本；（2）剔除金融类上市公司样本；（3）剔除主要变量缺失的公司样本；（4）剔除净资产小于零的公司样本；（5）剔除信息传输、软件和信息技术服务业的上市公司。“天然数字化”企业属于信息技术类行业，与其他行业受到的影响存在较大差异，因此我们剔除软件、信息传输与信息技术服务业的数据进行后续分析，最终得到2211个公司-年份观测值。上市公司数字化转型数据来自2007—2024年深圳证券交易所、上海证券交易所官网公布的年报资料；供应链数据以及研究涉及的其他微观企业数据源于数据库。为避免极端值的干扰，本文对连续变量进行了上下1%的缩尾处理。
变量定义
1、被解释变量。企业数字化转型（Dcg）。参考吴非等（2021）、倪克金和刘修岩（2021）以及陈庆江等（2021）的研究，本文通过统计上市公司年报有关企业数字化转型的词频，来度量企业数字化转型程度。具体处理方法如下：（1）通过Python爬虫功能收集整理全部沪深A股上市企业的年度报告，提取所有文本内容，以此作为数据池为后续特征词匹配筛选奠定基础。（2）在参考既有数字化转型经典文献的基础上，确定数字化转型的特征词图谱。考虑到文本表述可能带来的偏差，根据吴非等（2021）的研究，我们进一步剔除非本公司的“数字化转型”关键词和关键词前存在“没” “无”“不”等否定词表述。（3）根据特征词图谱搜索、匹配与企业“数字化转型”相关的特征词，并统计出词汇出现的次数，作为度量企业数字化转型的指标。鉴于这类数据存在典型的“右偏性”特征，
我们采用企业数字化转型特征词出现次数的自然对数作为刻画企业数字化转型的整体指标。（数据来源于数据库已有数据）此外，为保证结果的稳健性，本文还借鉴张永珅等（2021）的研究，
采用企业财务报告附注中披露的年末无形资产中数字化转型相关部分所占比例（RDcg）作为企业数字化转型的代理变量进行稳健性检验。
2、解释变量。供应链同群企业数字化转型（Peer）。供应链同群企业为同一供应链网络中与企业有联结的上下游企业。根据现有关于同群效应的经典文献，供应链同群企业数字化转型需要计算同一供应链网络内与企业有联结的上下游企业的数字化转型平均水平。
[33]具体计算步骤如下：（1）本文从数据库获取中国上市企业供应商和客户的信息，构建企业—供应链同群企业—年度数据集。例如，企业（A）当年（2018年）可能通过供应链联结多个同群企业（X1、X2、X3），则构建 A—X1—2018、A— X2—2018、A—X3—2018的观测值。考虑到当供应链同群企业为非上市企业时，难以获取到完整的企业层面相关数据，因而保留供应链同群企业均为上市企业的观测样本。（2）基于上述构建的企业—供应链同群企业—年度数据集，分别匹配同群企业对应的数字化转型相关数据。然后，
分别采用等权重方法计算出的供应链同群企业数字化转型的等权均值（Peer1）和根据供应商采购额占比或客户的销售额占比计算的不等权重加权的数字化转型的加权均值（Peer2）两个指标度量供应链同群企业数字化转型的程度。
3、控制变量。参考已有研究，本文控制以下变量：公司规模（Asset）、公司年龄（Age）、资产负债率（Lev）、资产收益率（Roe）、营业收入增长率（Grow）、经营活动产生的现金流比例（Cash）。同时，还控制了同群企业特征变量，包括同群企业资产规模均值（Assetpeer）、同群企业年龄均值（Age⁃ peer）、同群企业资产负债率均值（Levpeer）、同群企业资产收益率均值（Roepeer）、同群企业营业收入增长率均值（Growpeer）和同群企业经营活动产生的现金流比例均值（Cashpeer）。另外，为了控制行业和年度对实证结果的影响，本文在回归分析中控制了行业固定效应（Industry）与时间固定效应（Year）。
回归模型
参考文献
"同命相连":供应链网络中企业数字化转型的同群效应
杜勇 黄丹华
西南大学经济管理学院
摘要：供应链数字化是提升产业链供应链韧性和安全水平,实现"双循环"新发展格局的关键所在.由于供应链网络中包含了上下游多家企业,供应链数字化依赖于供应链网络中各个企业的数字化转型,然而鲜有学者关注到供应链网络中企业数字化转型的同群效应.本文以A股上市公司为研究对象,探究供应链网络中企业数字化转型同群效应的存在性及其产生机理.研究发现,供应链网络中企业数字化转型存在显著的纵向同群效应,且相对于同竞争对手网络的横向同群效应,纵向同群效应更为显著.作用机制检验表明,供应链网络中企业间的信息传递效应和动态竞争效应有助于数字化转型纵向同群效应的形成.异质性检验结果表明,当企业为非国有企业、成长期企业、吸收能力强的企业,或者当同群企业类型为供应商、同群企业重要性更高时,企业数字化转型的纵向同群效应更为显著.经济后果检验发现,供应链网络中企业数字化转型的纵向同群效应显著提升了供应链的稳定性.本文为推动企业数字化转型、供应链数字化转型联动以及地方政府稳链固链提供启示.
关键词：数字化转型、供应链网络、纵向同群效应、稳链和固链
结果展示
- 描述性统计
- 相关性分析
- 供应链网络中企业数字化转型的纵向同群效应检验
- 稳健性检验
1. 更换数字化转型的度量方法。为保证研究结果不受指标度量偏差的影响，本文参考张永珅等（2021）的研究，采用企业财务报告附注中披露的年末无形资产中数字化转型相关部分所占比例（RDcg）作为企业数字化转型的代理变量，结果如表3第（1）列和第（4）列所示，无论是等权重计算还是不等权重计算的供应链同群企业数字化转型均值（RDcgPeer1/RDcgPeer2）的估计系数均在1%的水平上显著为正，表明企业数字化转型会参照供应链同群企业的数字化转型，即供应链网络中企业数字化转型存在纵向同群效应。
此外，考虑到企业数字化转型是一个谱系概念，涵盖不同结构特征的数字技术。为更进一步精细化供应链网络中企业数字化转型纵向同群效应的分析，参照吴非等（2021）的研究，我们将企业数字化转型指标降维分解至“底层技术”（Dcg1）和“实践应用”（Dcg2）两大层面。结果如表3所示第（2）列至第（3）列和第（5）列至第（6）列所示。第（2）列和第（5）列中Dcg1Peer1和Dcg1Peer2、第（3）列和第（6）列中Dcg2Peer1和Dcg2Peer2均在1%的水平上显著为正，进一步说明“底层技术”类数字化转型以及“实践应用”类数字化转型在供应链网络中均存在纵向同群效应。
- 排除其他竞争性解释。由于本研究基于是否属于同一供应链上下游企业来识别同群企业，但企业与其竞争对手面临相似的经营环境，可能导致企业根据竞争对手的数字化转型决策做出反应，进而促使竞争企业间在数字化转型决策方面也会趋于一致。因此，为了排除竞争对手网络中企业间的水平相互作用对供应链纵向同群效应的影响，本文在模型的基础上纳入企业竞争对手的数字化转型均值。
工具变量法。考虑到企业也可能对供应链同群企业的数字化转型产生影响，从而导致互为因果的内生性问题。因此，我们采用工具变量法来缓解上述内生性问题。借鉴李春顶（2011）与李秋梅和梁权熙（2020）的研究选用滞后一期的解释变量与股票特质收益率作为同群企业数字化转型的工具变量。其原因在于，滞后一期的解释变量与股票特质收益率仅与企业自身决策相关，在同群企业不相关，能够有效抑制前述内生性问题。
- Heckman两阶段模型回归。由于上市公司数字化转型信息披露行为是自愿的，这将导致研究结论可能受样本选择偏误问题的影响。本文使用 Heckman两阶段方法对这一问题进行检验。第一阶段，本文将“是否披露数字化转型具体信息”（若披露，则哑变量if_Dcg取1，否则取0）作为因变量，并选取Asset、 Age、 Lev、 Roe、 Grow、 Cash、 Assetpeer、 Agepeer、 Levpeer、 Roepeer、 Growpeer、 Cashpeer等作为自变量，并使用Probit模型回归，得到逆米尔斯比率（IMR）。第二阶段，将第一阶段计算得到的IMR作为控制变量纳入第二阶段进行回归。两阶段的回归结果显示，企业数字化转型的供应链网络同群效应依然存在。
- 其他稳健性检验。除上述稳健性检验外，本文还做了如下敏感性测试：（1）考虑到其他不可观测的共同因素对研究结论的影响，本文通过安慰剂检验来进行稳健性测试，结果如表6第（1）（2）列所示；（2）考虑到数字化转型数据显著“右偏”，本文采用Tobit模型进行重新检验，结果如第（3）（4）列所示；（3）考虑到2008年、2009年以及2015年由于金融危机造成的股市波动对企业行为的影响，本文进一步缩小了样本区间，剔除2008年、2009年以及2015年等股灾年份的样本，重新进行回归，结果如第（5）列和第（6）列所示；（4）为了排除外部环境因素的影响，本文在模型（1）中控制环境不确定性（EU）以及市场化程度（Area），结果如第（7）列和第（8）列所示。结果表明，经一系列稳健性测试后，Peer1和Peer2的系数仍在置信区间内显著，说明研究结论稳健。
- 作用机制——信息传递机制
企业与供应链同群企业的距离邻近度，参考吴娜等（2022）的做法，使用注册地与企业位于相同城市的同群企业的数量，并按照中位数将样本划分为地理临近和地理偏远两组。供应链企业的关系是否良性，借鉴彭旋和王雄元（2018）的做法，采用企业t期、t-1期和t-2期总资产报酬率的三年滚动方差，即企业的盈利波动性，来衡量企业与供应链上下游同群企业关系是否趋于良性，并按照均值将样本划分为供应链关系良性组和供应链关系非良性组。
- 作用机制——动态竞争机制
为了保持供应链中的相对竞争地位或防止竞争对手的侵略性行为，持续维护与供应链上下游企业稳定的经济关系，企业会密切关注供应链上下游同群企业的数字化转型并采取与其一致的数字化转型决策，由此促使供应链企业数字化转型的同群效应。为了验证动态竞争机制，借鉴已有研究，本文分别使用勒纳指数[37]、赫芬达指数[36]来衡量竞争程度。其中，勒纳指数（LI）采用（营业收入-营业成本-销售费用-管理费用）/营业收入来衡量；赫芬达指数（HHI）采用行业内各公司营业收入占行业总营业收入比重的平方和来衡量。进一步地，根据勒纳指数和赫芬达指数的均值将样本划分为高竞争强度组与低竞争强度组。
- 考虑企业的产权性质
- 考虑企业的生命周期
- 考虑企业的吸收能力
- 考虑同群企业类型的异质性
- 考虑同群企业的相对重要性
- 同群效应对供应链稳定性影响的讨论
其中，解释变量Speer表示供应链网络中数字化转型同群效应的大小，分别用Dcg与Pee1/Peer2之差的绝对值衡量。差值越小，代表企业的数字化转型越接近同一供应链同群企业数字化转型的平均值，则同群效应越大。为了便于解释，将 Dcg 与 Pee1/Peer2 之差的绝对值乘以-1 来衡量 Speer 的大小，随着Speer数值越大，同群效应越明显。模型中，被解释变量Stability表示供应链安全稳定，借鉴王雄元、彭旋（2016）的研究思路，供应链稳定性采用当年供应商/客户中同样是上一年供应商/客户的个数（SCR1）与比例（SCR2）两个变量进行衡量。该指标越大，表示该企业所在供应链越稳定。CVs为影响供应链安全稳定的控制变量集。
代码包含注释
附件下载
包含基础数据
经管之家：momingiqmiao7
欢迎关注，分享更多实用的数据，独家发布，严禁转载获利，转载必究，有任何问题在可以帖子下方回复，及时回复
批量购买可享优惠
【关注】【帖子索引2023年】【帖子索引2022年】【帖子索引2021年】【使用常见问题】【点击查看更多帖子】【Stata软件下载】【Stata免费学习资料】
扫码加好友，拉您进群
全部版块
我的主页
收藏
