中圖分類號：F830 文獻標識碼：A 文章編號：1672-7312（2025）04-0429-12

Abstract： With the rapid development of information technology and the urgent need for industrial upgrading，digital transformation has become a crucial strategic choice for Chinese inteligent manufacturing enterprises to enhance their competitiveness.However，in this process，how to balance the investmentindigital transformationwith risk control，particularlytheprevention ofcredit risks，has emerged as a focal issue of common concern for both academia and practitioners.This paper uses a sample of listed intelligent manufacturing enterprises in China from 2015 to 2O21 to empirically examine the impact of digital transformation on corporate credit risk.The research findings indicate that there is a Ushaped relationship between digital transformationand credit risk.Credit risk declines during initial digital transformation.However， with excessive investment in digital transformation，credit risk increases.This conclusion remains valid after a series of robustness tests.Mechanism analysis indicates that management effects and innovation effects are the pathways through which digital transformation affects credit risk.Moderation effcts show that supply chain finance can help intelligent manufacturing enterprises alleviate the credit risk brought about by digital transformation. Heterogeneity analysis reveals that the U-shaped relationship between digital transformation and credit risk is more pronounced among intelligent manufacturing enterprises with higher production efficiency and lower governance quality.

Key words： inteligent manufacturing; digital transformation; credit risk； supply chain finance; Ushaped relationship

0 引言

智能制造是全球技術變革的核心方向[1]，是數(shù)字化轉(zhuǎn)型的先鋒代表，智能制造與數(shù)字化轉(zhuǎn)型相輔相成。智能制造中的數(shù)字化轉(zhuǎn)型是指將數(shù)字技術融入制造過程中，以提高效率、生產(chǎn)力、靈活性和適應性。放眼全球，智能制造的數(shù)字化轉(zhuǎn)型正在經(jīng)歷從工業(yè)4.0向工業(yè)5.0的全面邁進[2]然而，中國制造企業(yè)的數(shù)字化轉(zhuǎn)型程度與歐美等發(fā)達國家卻存在較大差距。在此背景下，選擇中國智能制造企業(yè)作為數(shù)字化轉(zhuǎn)型的研究對象具有極高的代表性。

在數(shù)字經(jīng)濟背景下，數(shù)字化轉(zhuǎn)型對企業(yè)風險的影響已成為當今研究的熱點話題。不同學者基于不同背景、樣本、數(shù)據(jù)和方法，得出了不同的結論。多數(shù)研究認為，數(shù)字化轉(zhuǎn)型能夠降低企業(yè)風險。如降低股價崩盤風險[3-6]和企業(yè)破產(chǎn)風險[7]緩解財務困境[8]、提升企業(yè)風險承擔水平[9-11]等。然而，數(shù)字化轉(zhuǎn)型是一個動態(tài)過程，逐漸有學者發(fā)現(xiàn)數(shù)字化轉(zhuǎn)型對企業(yè)風險的影響并不總是積極的。如AI等[12]的研究表明數(shù)字化轉(zhuǎn)型導致股價崩盤風險先增加后降低。HUANG等[13]的研究表明數(shù)字化轉(zhuǎn)型導致企業(yè)特質(zhì)風險先降低后增加。SUN等[4]的研究表明數(shù)字化轉(zhuǎn)型速度與財務困境之間存在U型關系。WANG等[15]的研究表明數(shù)字化轉(zhuǎn)型增加了企業(yè)違規(guī)行為的發(fā)生概率。由此可見，數(shù)字化轉(zhuǎn)型與企業(yè)風險之間的關系存在分歧，并且對企業(yè)信用風險的關注不足。此外，研究者們多數(shù)以全部制造業(yè)為研究樣本，少有學者將目標聚焦在智能制造領域。

供應鏈金融作為金融服務實體經(jīng)濟的創(chuàng)新型金融服務模式，能夠有效降低企業(yè)信用風險[6]供應鏈金融依托真實貿(mào)易背景，以核心企業(yè)資質(zhì)為融資基礎，為供應鏈上的企業(yè)提供融資、結算、現(xiàn)金管理等綜合金融服務，確保供應鏈整體利益最大化。通過盤活資金、優(yōu)化效率，供應鏈金融有效降低了供應鏈整體的交易成本和信用風險[17-19]。因此，智能制造企業(yè)的數(shù)字化轉(zhuǎn)型與信用風險的關系是否會因為供應鏈金融的賦能而發(fā)生改變？如果會發(fā)生改變，那將會如何變化？基于上述疑問，文中探究智能制造企業(yè)與信用風險之間的關系，并引入供應鏈金融作為調(diào)節(jié)變量，實證檢驗供應鏈金融對于智能制造企業(yè)緩釋信用風險的賦能效應。

1理論分析與研究假設

1.1 數(shù)字化轉(zhuǎn)型與信用風險

關于數(shù)字化轉(zhuǎn)型與企業(yè)風險之間的研究結論多數(shù)是積極的。然而，隨著數(shù)字化轉(zhuǎn)型進入“全面重塑”階段，全球企業(yè)正面臨著“窗口時間短、挑戰(zhàn)難度大”的“擠壓式轉(zhuǎn)型”困境，這種困境會激發(fā)出數(shù)字化轉(zhuǎn)型的陰暗面，如導致信用風險爆發(fā)。在管理效應方面，數(shù)字化轉(zhuǎn)型的過度投人會導致數(shù)字資產(chǎn)的運營和維護成本呈指數(shù)級增加[20]，還會加劇組織間的矛盾和對變革的抵制[21」，最終導致成本效益失衡[22]。在創(chuàng)新效應方面，數(shù)字化轉(zhuǎn)型的過度投入會增加企業(yè)創(chuàng)新活動對數(shù)字技術的路徑依賴[23」，抑制企業(yè)創(chuàng)新思維和創(chuàng)新活力。上述效應產(chǎn)生的結果都會對企業(yè)的盈利能力和現(xiàn)金流穩(wěn)定性造成負面影響，最終導致信用風險爆發(fā)。因此，文中認為，數(shù)字化轉(zhuǎn)型與信用風險之間存在“U型”關系，即數(shù)字化轉(zhuǎn)型初期會降低企業(yè)信用風險，隨著數(shù)字化轉(zhuǎn)型的過度投入，會增加信用風險。管理效應和創(chuàng)新效應是數(shù)字化轉(zhuǎn)型與信用風險之間“U型”關系的作用機制。

H1：智能制造企業(yè)的數(shù)字化轉(zhuǎn)型與信用風險之間呈現(xiàn)U型關系，即數(shù)字化轉(zhuǎn)型初期會降低企業(yè)信用風險，隨著數(shù)字化轉(zhuǎn)型的過度投人，會增加信用風險。

1.2 管理效應

智能制造企業(yè)的數(shù)字化轉(zhuǎn)型本質(zhì)是“機器換人”[24-25]。然而，“機器換人”是一把“雙刃劍”。

一方面，大數(shù)據(jù)分析技術能夠輔助管理人員決策，減少因主觀判斷而導致的決策失誤，降低出錯率。無論是生產(chǎn)經(jīng)營還是戰(zhàn)略規(guī)劃，數(shù)字技術都能輔助傳統(tǒng)制造提高業(yè)務效率，增加業(yè)務收入，降低管理費用。較低的管理費用通常反映了企業(yè)在成本控制方面的高效管理，企業(yè)能夠?qū)⒏嗟馁Y源投入到核心業(yè)務和創(chuàng)新活動中，提升運營效率和市場競爭力[26]，從而有助于企業(yè)降低信用風險。另一方面，數(shù)字化轉(zhuǎn)型的過度投入會對企業(yè)的管理能力提出挑戰(zhàn)?！皺C器換人”意味著企業(yè)要持續(xù)性投入更新穎的固定資產(chǎn)和無形資產(chǎn)。生產(chǎn)設備和辦公軟件的使用及維護，需要后期資金的持續(xù)注入。當數(shù)字化累計投資相對較小時，收入增加符合預期。隨著累計投資的增加，企業(yè)越來越受到數(shù)字化悖論的影響，收入增長不如預期[27]。并且，技術人員的聘用、管理者和員工的培訓以及技術咨詢會造成管理費用增加。高管理費用表明企業(yè)在成本控制方面存在問題。如果管理費用持續(xù)增長，且未能帶來相應的收益增長，說明企業(yè)的經(jīng)營模式或管理決策存在問題。此外，成本控制能力不足的企業(yè)難以有效應對市場波動或經(jīng)營環(huán)境惡化帶來的沖擊。因此會加劇成本與收入之間的不對稱，增加企業(yè)經(jīng)營風險，進一步加劇信用風險[28]。

H2：智能制造企業(yè)的數(shù)字化轉(zhuǎn)型通過管理效應對企業(yè)信用風險產(chǎn)生U型影響。

1.3 創(chuàng)新效應

數(shù)字化轉(zhuǎn)型是企業(yè)在商業(yè)模式上的創(chuàng)新，是一種具有風險的戰(zhàn)略變革。不是每一項數(shù)字創(chuàng)新投資都是有利的[29-30]。一方面，智能制造企業(yè)的數(shù)字化轉(zhuǎn)型初期會促進創(chuàng)新效率的提升[31-32]。例如，工業(yè)互聯(lián)網(wǎng)平臺能夠讓顧客直接參與研發(fā)設計，實現(xiàn)了供給與需求的精準對接[33]，并縮短了企業(yè)研發(fā)與消費者的空間距離，使得企業(yè)可以更精準地把握消費者偏好和差異化需求，從源頭把控產(chǎn)品創(chuàng)新不被市場接受的風險[34]，提升創(chuàng)新效率。創(chuàng)新效率高的企業(yè)能夠更有效地開發(fā)新產(chǎn)品和新服務，使企業(yè)能夠更好地適應市場需求變化，保持市場競爭優(yōu)勢，從而提升企業(yè)聲譽[35]，增強業(yè)務穩(wěn)定性，進而降低了企業(yè)信用風險[36]。另一方面，智能制造企業(yè)對數(shù)字化轉(zhuǎn)型過度無序的投人會抑制創(chuàng)新效率。根據(jù)路徑理論，數(shù)字技術的過度投入導致企業(yè)形成創(chuàng)新路徑依賴，抑制創(chuàng)新思維和創(chuàng)新活動。企業(yè)在過度依賴現(xiàn)有數(shù)字技術時，往往會在技術應用和創(chuàng)新活動中表現(xiàn)出固有的慣性[37]。這種慣性使得企業(yè)傾向于沿用已經(jīng)取得成功的技術路線，而忽視了探索新的創(chuàng)新思路和技術，限制了企業(yè)對外部環(huán)境變化的敏感性，抑制了其創(chuàng)新思維的多樣性和靈活性。創(chuàng)新效率低下的企業(yè)更容易依賴于傳統(tǒng)業(yè)務模式，而忽視了新興市場和創(chuàng)新產(chǎn)品的開發(fā)。因此，它們會錯失潛在的增長機會，增加信用風險[38] 。

H3：智能制造企業(yè)的數(shù)字化轉(zhuǎn)型通過創(chuàng)新效應對企業(yè)信用風險產(chǎn)生U型影響。

1.4供應鏈金融的調(diào)節(jié)效應

數(shù)字化轉(zhuǎn)型與供應鏈金融屬于相輔相成的關系。供應鏈金融和數(shù)字化轉(zhuǎn)型的結合有助于提升銀行和企業(yè)之間的信任度，緩解信用風險。金融科技對供應鏈金融的賦能促進了銀行和企業(yè)之間的\"數(shù)字信任”[39]?；趨^(qū)塊鏈、物聯(lián)網(wǎng)、大數(shù)據(jù)分析和知識圖譜等數(shù)字技術，使得銀行的貸前審批和貸后追蹤都能做到業(yè)務流程線上化、信用評估數(shù)據(jù)化、風控決策自動化、運營管理可視化、數(shù)據(jù)交易可信化、風險監(jiān)測動態(tài)化、動產(chǎn)管理智能化，從而提升供應鏈融資績效[40]。此外，供應鏈金融平臺能夠減少金融機構和有融資需求的企業(yè)之間的信息搜尋和匹配成本。在銀行需要拓展長尾客戶增強業(yè)務競爭力時，供應鏈金融平臺能夠利用信息集聚優(yōu)勢為銀行推薦安全的潛在客戶[41]，提升金融資源匹配效率。因此，“數(shù)字信任”降低了銀行和企業(yè)之間的信息不對稱，提升了銀行的長期貸款意愿，降低了企業(yè)融資成本，緩解了信用風險[42]

H4：供應鏈金融與數(shù)字化轉(zhuǎn)型的結合能更好地緩解信用風險。

2 研究設計

2.1 樣本選擇與數(shù)據(jù)來源

智能制造企業(yè)名單來源于中華人民共和國工業(yè)和信息化部發(fā)布的2015—2021年智能制造示范項目名單。文中對名單進行如下處理： ① 由于樣本需要具有能夠計算違約距離的數(shù)據(jù)，因此將名單與中國A股上市公司進行匹配，剔除非上市以及2015年12月31日之后上市的企業(yè)； ② 樣本行業(yè)限定為制造業(yè)； ③ 為了消除異常值的干擾，對所有連續(xù)型變量進行了 1% 和 99% 的縮尾處理； ④ 為減少多重共線性，文中對交互項所涉及的變量做了均值中心化處理。最終得到260家智能制造上市公司。上市公司年報及財務數(shù)據(jù)均來自Wind和CSMAR。

2.2 變量選取

2.2.1 被解釋變量

因變量是企業(yè)信用風險，參考粟金霞等[43]的研究，我們利用KMV模型計算出的違約距離（DD）作為企業(yè)信用風險的代理變量。違約距離越大，信用風險越小。KMV模型的基本理念是，在負債一定的條件下，企業(yè)是否違約是由企業(yè)資產(chǎn)的市場價值決定的。在債務到期日，企業(yè)違約的臨界點是企業(yè)資產(chǎn)價值等于債務價值。如果企業(yè)債務超過資產(chǎn)價值，企業(yè)就會違約。KMV模型認為股權和期權的定價具有相同的基礎，因此借鑒了BS期權定價公式來確定企業(yè)股權價值和資產(chǎn)價值的關系。KMV模型中的無風險利率，采用財政部的中國國債收益率，按照1年期每日收益率的平均值計算所得，其他數(shù)據(jù)來自Wind。根據(jù)以下聯(lián)立方程組利用Matlab軟件計算企業(yè)資產(chǎn)市場價值 V_A 和波動率 σ_σA 。

V_E=V_AN（d₁）-De^-rTN（d₂）

在上述公式中， V_E 為公司的股權價值； D 為公司債務賬面價值； V_A 為公司資產(chǎn)的市場價值； T 為債務期限，設為一年； σ_A 為公司資產(chǎn)價值的波動率； r 為無風險利率； σ_E 為公司股權價值的年化波動率。在得到企業(yè)資產(chǎn)市場價值 V_A 和波動率 σ_A 后，計算企業(yè)的違約距離（DD）

式中， E（V_A） 為公司資產(chǎn)價值的期望;DP為違約點。DP的計算公式為

DP=SD+0.5LD

式中，SD為企業(yè)短期債務;LD為企業(yè)長期債務。

2.2.2 解釋變量

自變量是數(shù)字化轉(zhuǎn)型（lnDT）。綜合借鑒吳非[44]和肖土盛等[45]的測算方法及數(shù)字化轉(zhuǎn)型詞典，采用文本分析對上市公司的企業(yè)年報進行“數(shù)字化轉(zhuǎn)型”相關的詞頻統(tǒng)計。詞頻總數(shù)加一后取對數(shù)來衡量數(shù)字化轉(zhuǎn)型程度。首先，構建詞典。將相關研究的詞典進行匯總，剔除重復詞語后，形成文中的數(shù)字化轉(zhuǎn)型詞典。其次，將企業(yè)年報的格式從PDF轉(zhuǎn)換為TXT。最后，將詞典存入Py-thon軟件中的Jieba中文分詞庫中，利用Python軟件對企業(yè)年報文本中出現(xiàn)的數(shù)字化轉(zhuǎn)型詞匯進行詞頻數(shù)統(tǒng)計并加總，考慮右偏性，對詞頻總數(shù)加一后取對數(shù)。該指標越大，數(shù)字化轉(zhuǎn)型程度越高。

2.2.3 調(diào)節(jié)變量

調(diào)節(jié)變量是供應鏈金融（InSCF）。參考相關研究[46-48]構建供應鏈金融詞典，用文本分析對企業(yè)年報進行詞頻統(tǒng)計，衡量供應鏈金融程度。步驟與數(shù)字化轉(zhuǎn)型詞頻統(tǒng)計相同。

2.2.4 機制變量

選用管理費用率作為管理效應的代理變量，選用創(chuàng)新效率作為創(chuàng)新效應的代理變量。參考GUO等的研究，利用利潤表中管理費用總額與營業(yè)收入的比值來測度管理費用率。研究利用DEA模型測度創(chuàng)新效率。從投入端來看，人力、財力、物力是開展創(chuàng)新活動不可或缺的資源；從產(chǎn)出端來看，科研成果是最為直接的產(chǎn)出，經(jīng)濟績效是創(chuàng)新活動的商業(yè)化體現(xiàn)。參考CHEN等、LIN等和ZHANG 等[49-51]的研究，選取研發(fā)支出合計、研發(fā)人員數(shù)量和企業(yè)固定資產(chǎn)凈額作為投入端的指標。選取專利申請數(shù)量、營業(yè)收入則作為產(chǎn)出端指標。

2.2.5 控制變量

控制變量包括成長能力（Growth）、董事會規(guī)模（lnBoard）、董事會獨立性（Inr）、盈利能力（Roa）、流動性水平（Liq），同時還控制了行業(yè)效應（Indus-try）和年度效應（Year）。具體變量定義與度量方法，見表1。

2.3 模型構建

為了驗證主要假設，構建了以下回歸模型

Controls

Controls

Controls + （10）DD_i，t=β₀+β₁lnDT_i，t+β₂lnDT_i，t²+β₃lnSCF_i，t+ θ₄lnDT_i，t×lnSCF_i，t+β₅lnDT²_i，t×lnSCF_i，t+ （11）

其中， DD_i，t 為違約距離，是企業(yè)信用風險的代理變量; 為企業(yè)數(shù)字化轉(zhuǎn)型程度； lnDT_i，t² 為 變量的平方，表示非線性效應； MCR_i，t 為管理費用率； IE_i，t 為創(chuàng)新效率； lnSCF_i，t 為供應鏈金融的開展程度； Σ Controls是控制變量; Σ Industry 和Σ Year分別為行業(yè)固定效應和年份固定效應；ε_i，t 為誤差項。每一次回歸的標準誤都聚類到公司層面。如果 γ₁ 不顯著，但 α₁ 顯著大于0且 α₂ 顯著小于O，則InDT和DD、MCR以及IE之間呈倒U型關系，假設1、假設2、假設3成立。如果 β₁ 和 β₄ 均顯著大于0，且 β₂ 和 β₅ 均顯著小于0，則 lnSCF 能夠正向調(diào)節(jié)InDT和DD之間的倒U型關系，假設4成立。同時，根據(jù)LIND等[52]的方法，文中采用U-test檢驗來進一步驗證這兩者之間的倒U型關系。

3 實證分析

3.1 描述性統(tǒng)計

表2為描述性統(tǒng)計結果，DD的均值為2.652，最大值為5.957，最小值為1.164，說明智能制造企業(yè)的信用風險差別較大。lnDT的均值為4.018，最大值為6.571，最小值為1.386，說明智能制造企業(yè)的數(shù)字化轉(zhuǎn)型程度差別較大，且大部分企業(yè)都實施了數(shù)字化轉(zhuǎn)型。lnSCF的均值為3.145，最大值為4.920，最小值為1.099，說明多數(shù)智能制造企業(yè)實施了SCF，但是SCF的實施程度還存在較大差異。

3.2 基準回歸

表3中的列（1）～列（4）為方程（7）和方程（8）的回歸結果。其中，列（1）和列（3）沒有加入控制變量，列（2）和列（4）加人了控制變量。列（1）＼～列（2）顯示， γ₁ 為-0.003和0.008，且不顯著。列（3）顯示， α₁ 為 0.227，α₂ 為-0.029，均在5% 水平上顯著。列（4）顯示， α₁ 為 0.243，α₂ 為-0.029，均在 5% 水平上顯著，假設1成立。列（5） ～ 列（6）為方程（11）的回歸結果。列（5）沒有加人控制變量，列（6）加人了控制變量。列（5）顯示， β₁ 為 0.334，β₂ 為 -0.040，β₄ 為 0.303，β₅ 為-0.035，均在 1% 水平上顯著。列（6）顯示 ?β₁ 為0.341，β₂ 為 -0.040，β₄ 為 0.307，β₅ 為-0.036，均在 1% 水平上顯著。假設4成立。

表4為方程（7）和方程（8）的U-test檢驗結果。列（1）為不加人調(diào)節(jié)變量lnSCF的U-test檢驗結果，列（2）為加入 lnSCF 之后的U-test檢驗結果。列（1）的 Ξ_t 值為2.09，在 5% 水平上顯著。列（2）的 χ_t 值為2.85，在 1% 水平上顯著。列（1）的ExtremePoint為4.147078，F(xiàn)iellertest區(qū)間為［2.7707611，6.5526498]，均位于lnDT的區(qū)間[0，7.524561]內(nèi)。列（2）的ExtremePoint為4.22785，F(xiàn)iellertest區(qū)間為 [3.2933107，5.2568573] ，均位于lnDT的區(qū)間[0，7.524561]內(nèi)。列（1）中最小值處斜率為 0.243 124 4 ，在 1% 水平上顯著為正，最大值處斜率為 -0.198 006 6 ，在 5% 水平上顯著為負。列（2）中最小值處斜率為 0.341 020 3 ，在 1% 水平上顯著為正，最大值處斜率為 -0.265 914 2 ，在 1% 水平上顯著為負。以上結果進一步驗證假設1和 假設4成立。

對比描述性統(tǒng)計中的數(shù)字化轉(zhuǎn)型均值（4.018）與U-test結果中的極值點（4.147078）的大小，可以發(fā)現(xiàn)中國智能制造企業(yè)的數(shù)字化轉(zhuǎn)型的總體水平仍舊處于極值點左側(cè)，加大數(shù)字化轉(zhuǎn)型投入仍舊可以降低企業(yè)信用風險。對比列（1）和列（2）的斜率和極值點，我們發(fā)現(xiàn)lnSCF使得lnDT和DD的倒U型曲線變得更陡峭，且曲線向右移動，說明lnSCF能夠正向調(diào)節(jié)lnDT對DD的影響，且推遲了數(shù)字化轉(zhuǎn)型拐點的到來。

3.3內(nèi)生性分析和穩(wěn)健性檢驗

3.3.1 內(nèi)生性分析

1）工具變量法。為了緩解因遺漏變量而導致的內(nèi)生性問題，文中將解釋變量滯后一期作為工具變量，進行兩階段最小二乘回歸。結果見表5中的列（1）和列（2），第一階段回歸結果顯示， lnDT和 的系數(shù)均在 1% 水平上顯著為正，表明工具變量滿足相關性要求。第二階段回歸結果顯示，lnDT的系數(shù)在 1% 的水平上顯著為負， lnDT² 的系數(shù)在 1% 水平上顯著為負，與基準回歸結果一致。

2）PSM檢驗。PSM方法能夠緩解樣本選擇偏誤問題。根據(jù)InDT的中位數(shù)將樣本分為2組，高于中位數(shù)的樣本為1，低于中位數(shù)的樣本為0，按照1：4的卡尺內(nèi)近鄰匹配樣本，對匹配后的樣本重新回歸，回歸結果見表5中的列（2），與基準回歸結果一致。

3）斷點回歸。采用斷點回歸法檢驗倒U型關系?；貧w結果見表5中的列（3），驗證了基準回歸結果的穩(wěn)健。

3.3.2 穩(wěn)健性檢驗

1）對U型關系做進一步檢驗。參考HAANS等[53]的研究成果，通過加人解釋變量的三次方來進一步驗證數(shù)字化轉(zhuǎn)型和違約距離之間倒U型關系的存在。如果解釋變量的三次方顯著，則模型可能是S型或N型?；貧w結果見表6中的列（1）， 的系數(shù)不顯著。因此，數(shù)字化轉(zhuǎn)型與違約距離之間是倒U型關系，而非S型或N型，支持假設1。

2）替換調(diào)節(jié)變量。參考BAI等[54]的研究，將供應鏈金融的衡量方式替換成應付票據(jù)和短期貸款的和與總資產(chǎn)的比值，重新進行回歸。回歸結果見表6的列（2），回歸結果與基本回歸一致，支持假設4。

3）高維固定效應。文中將行業(yè)和年份固定效應替換為行業(yè)乘以年份以及省份乘以年度的高維固定效應，結果表6中的列（3），回歸結果與基本回歸一致，支持假設1。

4）重新聚類。將聚類層級從公司層面調(diào)整到更高層級的行業(yè)乘以時間維度。結果見表6中的列（4），回歸結果與基本回歸一致，支持假設1。

3.4 機制分析

3.4.1 管理效應

回歸結果見表7中的列（1），lnDT的系數(shù)為-2.290，lnDT² 的系數(shù)為0.348，均在 5% 的水平上顯著。以上結果表明數(shù)字化轉(zhuǎn)型對管理費用率的影響為顯著U型關系，即隨著數(shù)字化轉(zhuǎn)型程度的提升，管理費用率會先降低后上升，支持假設2。

3.4.2 創(chuàng)新效應

回歸結果見表7中的列（2），lnDT的系數(shù)為0.107，在 1% 水平上顯著， 的系數(shù)為-0.011，在 5% 的水平上顯著。以上結果表明數(shù)字化轉(zhuǎn)型對創(chuàng)新效率的影響為倒U型關系。隨著數(shù)字化轉(zhuǎn)型程度的提升，創(chuàng)新效率會先上升后下，支持假設3。

3.5 異質(zhì)性分析

3.5.1 治理水平

已有研究表明公司治理水平會加強數(shù)字化轉(zhuǎn)型與企業(yè)特質(zhì)風險之間的非線性關系。還有研究表明有效的公司治理有助于減少因數(shù)字化轉(zhuǎn)型而導致的公司違規(guī)行為的發(fā)生。因此，我們推斷智能制造企業(yè)數(shù)字化轉(zhuǎn)型對信用風險的影響因公司治理水平的不同而產(chǎn)生差異。文中參考周茜等[55]的研究，通過主成分分析法從監(jiān)督、激勵、決策多方面構造綜合性指標作為治理能力的代理變量。其中，高管薪酬、高管持股比例表示激勵機制，獨立董事占比和董事會規(guī)模表示董事會的監(jiān)督作用，機構持股比例和股權制衡度表示股權結構的監(jiān)督作用，用董事長與總經(jīng)理是否兩職合一來表示總經(jīng)理的決策權力。對主成分分析中的第一主成分指數(shù)乘以-1后得到的數(shù)字來測度治理水平，該數(shù)字越大，治理水平越差。根據(jù)行業(yè)中位數(shù)，對樣本進行分組，高于中位數(shù)的組為Low，低于中位數(shù)的組為High?；貧w結果見表8中的列（1）和列（2），治理水平低的企業(yè)， 的系數(shù)為0.403，在1% 水平上顯著， 的系數(shù)為-0.045，在 5% 水平上顯著。治理水平高的企業(yè)，lnDT和 lnDT² 的系數(shù)均不顯著。這些結果表明，相比治理水平高的企業(yè)，治理水平較低的企業(yè)實施數(shù)字化轉(zhuǎn)型對信用風險的影響更強。

治理水平較低的企業(yè)往往內(nèi)部控制制度缺乏、決策效率低下，因而面臨較大信用風險，而實施數(shù)字化轉(zhuǎn)型能夠優(yōu)化業(yè)務流程、降低內(nèi)外部信息不對稱程度，幫助企業(yè)建立有效的數(shù)字治理機制，改善治理水平，降低信用風險[56]。但是治理水平較高的企業(yè)，其治理制度本身比較完善，信用風險較低，實施數(shù)字化轉(zhuǎn)型對信用風險的邊際影響較低。因此，相比治理水平高的企業(yè)，治理水平較低的企業(yè)更有意愿實施數(shù)字化轉(zhuǎn)型，且對信用風險的影響更顯著。

3.5.2 生產(chǎn)效率

已有研究表明數(shù)字化轉(zhuǎn)型能夠提升企業(yè)的生產(chǎn)效率[57-59]。同時，生產(chǎn)效率的不確定性導致企業(yè)資產(chǎn)價值波動，從而影響企業(yè)信用風險[60-61]因此，我們推斷智能制造企業(yè)數(shù)字化轉(zhuǎn)型對信用風險的影響因企業(yè)生產(chǎn)效率的不同而產(chǎn)生差異。文中利用DEA模型測度生產(chǎn)效率。參考李揚子[2]的研究，投入端的變量為固定資產(chǎn)凈額、商譽、無形資產(chǎn)、營業(yè)成本和銷售費用，產(chǎn)出端的變量為營業(yè)收入。根據(jù)行業(yè)中位數(shù)，對樣本進行分組，高于中位數(shù)的組為High，低于中位數(shù)的組為Low?；貧w結果見表8中的列（3）和列（4），生產(chǎn)效率高的企業(yè)，lnDT的系數(shù)為0.324，在 1% 水平上顯著， lnDT² 的系數(shù)為-0.036，在 1% 水平上顯著。生產(chǎn)效率低的企業(yè)，lnDT和 lnDT² 的系數(shù)均不顯著。這些結果表明，相比生產(chǎn)效率較低的企業(yè)，生產(chǎn)效率較高的企業(yè)實施數(shù)字化轉(zhuǎn)型對信用風險的影響更強。

企業(yè)生產(chǎn)效率是影響數(shù)字化轉(zhuǎn)型的成功因素之一。生產(chǎn)效率越高，現(xiàn)金流轉(zhuǎn)換能力越強，越能夠為數(shù)字化轉(zhuǎn)型提供資金支持，進一步保障了企業(yè)的債務履行能力，降低了信用風險發(fā)生概率[63]而生產(chǎn)效率較低的企業(yè)，由于缺乏資金周轉(zhuǎn)能力，對數(shù)字化轉(zhuǎn)型的投入更為謹慎，投入力度也更低，導致其對信用風險的影響不顯著。因此，相比生產(chǎn)效率較低的企業(yè)，生產(chǎn)效率較高的企業(yè)實施數(shù)字化轉(zhuǎn)型對信用風險的影響更顯著。

4結語

以2015—2021年中國智能制造上市企業(yè)為樣本，實證檢驗了數(shù)字化轉(zhuǎn)型對企業(yè)信用風險的影響。

1）智能制造企業(yè)的數(shù)字化轉(zhuǎn)型與信用風險之間存在U型關系。數(shù)字化轉(zhuǎn)型初期，信用風險降低。隨著數(shù)字化轉(zhuǎn)型的過度投入，信用風險加劇。該結論經(jīng)過內(nèi)生性檢驗以及穩(wěn)健性檢驗后依然成立。

2）供應鏈金融的賦能能夠幫助智能制造企業(yè)緩解數(shù)字化轉(zhuǎn)型所帶來的信用風險。此外，U-test檢驗表明現(xiàn)階段中國智能制造企業(yè)的數(shù)字化轉(zhuǎn)型程度仍處于拐點左側(cè)，加大數(shù)字化轉(zhuǎn)型投人仍舊會降低信用風險。供應鏈金融的賦能推遲了數(shù)字化轉(zhuǎn)型拐點的到來。

3）機制分析表明，數(shù)字化轉(zhuǎn)型通過管理效應和創(chuàng)新效應對企業(yè)信用風險產(chǎn)生U型影響。管理效應方面，“機器換人”雖能提升效率、優(yōu)化資源配置，但過度投人會引發(fā)“數(shù)字化悖論”，導致成本上升、收益受限，反而增加風險；創(chuàng)新效應方面，適度轉(zhuǎn)型能提升創(chuàng)新效率和市場適應能力，但無序投入會導致路徑依賴和創(chuàng)新惰性，抑制創(chuàng)新并加劇風險。異質(zhì)性分析顯示，U型效應在治理水平差和生產(chǎn)效率高的企業(yè)中更顯著。治理差的企業(yè)通過轉(zhuǎn)型顯著改善治理能力，而治理好的企業(yè)邊際效果較弱;效率高的企業(yè)資金充裕，能加大轉(zhuǎn)型投入降低風險，而效率低的企業(yè)因資源受限，風險緩解作用較弱。

4）對于政府來說，要站在宏觀調(diào)控的角度做好頂層設計，通過政策制定來合理引導微觀企業(yè)實施數(shù)字化轉(zhuǎn)型程度和速度，避免“數(shù)字化悖論”所帶來的負面經(jīng)濟后果。例如：政府要主導建立完善的數(shù)字化人才培養(yǎng)和培訓體系，保障數(shù)字化人才的供給，降低企業(yè)對員工的數(shù)字化培訓成本；建立專項補貼基金和提供稅收優(yōu)惠，減少企業(yè)財務和稅務負擔；政府牽頭建立產(chǎn)業(yè)聯(lián)盟，促進創(chuàng)新協(xié)同和資源共享，避免數(shù)字化轉(zhuǎn)型中的低效重復投資;加大對治理水平較低、生產(chǎn)效率較高的企業(yè)的引導和支持力度，避免制定“一刀切”政策；加大對供應鏈金融的政策支持力度，構建全鏈條金融服務支撐體系。

5）對企業(yè)來說，應該意識到在數(shù)字化轉(zhuǎn)型方面投人太少或太多都不利于信用風險的降低。這提示企業(yè)應該結合自身實際情況，如公司治理水平、生產(chǎn)效率等，合理把控數(shù)字化轉(zhuǎn)型投入力度。根據(jù)U-test結果顯示，中國智能制造企業(yè)整體的數(shù)字化轉(zhuǎn)型程度仍處于拐點左側(cè)，適度加大數(shù)字技術投資力度仍可以緩解信用風險，因此智能制造企業(yè)的數(shù)字化轉(zhuǎn)型可以“放心轉(zhuǎn)”。例如，定期培訓企業(yè)員工和管理者如何利用數(shù)字技術提高工作效率，輔助管理決策；完善數(shù)字化監(jiān)管機制，緩解因數(shù)字化的“野蠻生長”而導致的監(jiān)管滯后效應，合理管控數(shù)據(jù)濫用和泄露風險；減少創(chuàng)新活動對數(shù)字技術的路徑依賴，要意識到“機器換人”的本質(zhì)是利用數(shù)字技術替代簡單、重復的勞動力，只有持續(xù)提升創(chuàng)新思維和創(chuàng)新能力才能防止“機器換人”帶來威脅的潛在威脅，避免掉人“數(shù)字化陷阱”。同時，智能制造企業(yè)應積極擁抱供應鏈金融和金融科技，建立良好的供應鏈合作伙伴關系以及銀行和企業(yè)關系，善用金融手段為數(shù)字化轉(zhuǎn)型保駕護航。

文中的邊際貢獻有以下幾個方面： ① 為數(shù)字化轉(zhuǎn)型與企業(yè)風險，特別是信用風險的關系分歧提供了新證據(jù)。數(shù)字化轉(zhuǎn)型對企業(yè)風險的影響是正向還是負向，尚未達成一致。研究既分析了積極影響，也探討了負面效應，不僅豐富了數(shù)字化轉(zhuǎn)型的經(jīng)濟后果，還為數(shù)字化悖論提供了新證據(jù)。② 為數(shù)字化轉(zhuǎn)型與信用風險的關系研究提供了新視角，強調(diào)了供應鏈金融對實體經(jīng)濟轉(zhuǎn)型升級的賦能效應。 ③ 建立了“數(shù)字化轉(zhuǎn)型-管理效應/創(chuàng)新效應-信用風險”的理論框架，豐富了“數(shù)字化轉(zhuǎn)型-信用風險”的研究思路。

參考文獻：

[1] JIN M，CHEN Y.Has green innovation been improved byintelligent manufacturing？ Evidence from listed Chinesemanufacturing enterprises[J].Technological Forecastingamp; Social Change，2024，205：123487.

[2] SARKARBD，SHARDEOV，DWIVEDI A，et al.Digitaltransition fromindustry 4.0 toindustry 5，0 in smart manufacturing：A framework forsustainablefuture[J]. Technology in Society，2024，78：102649.

[3] JIANG K，DUX，CHEN Z.Firms’digitalization and stockprice crash risk[J].International Review ofFinancial Analysis，2022，82：102196.

[4] LIANG Z， ZHAO Y. Enterprise digital transformation andstock price crash risk[J].Finance ResearchLetters，2024，59：104802.

[5] WUK，F(xiàn)UY，KONGD.Doesthedigitaltransformation ofenterprises affect stock price crash risk？[J].FinanceResearch Letters，2022，48：102888.

[6] ZHU S，GAO J，CHEN K.Digital transformation and risk of share price crash：Evidence from a new digital transformation index[J].Finance Research Letters，2023， 58：104403.

[7]LIU J，WANG S，XU Y，et al. Digital economy development and corporate bankruptcy risk ： Based on the perspective of institutional isomorphism[J]. Emerging markets finance amp; trade，2024，60（04） ：793-807.

[8]CUI L， WANG Y. Can corporate digital transformation alleviate financial distress？[J].Finance Research Letters，2023，55;103983.

[9]LUO W，YU Y，DENG M.The impact of enterprise digital transformation on risk-taking：Evidence from China [J]. Research in International Business and Finance， 2024，69：102285.

[10]TIAN G，LI B，CHENG Y. Does digital transformation matter for corporate risk-taking[J]. Finance Research Letters，2022，49：103107.

[11]ZHAO Z. Digital transformation and enterprise risk-taking[J].Finance Research Letters，2024，62：105139.

[12]AI Y，CHI Z，SUN G，et al. The research on non-linear relationship between enterprise digital transformation and stock price crash risk[J]. The North American Journal of Economics and Finance，2023，68：101984.

[13]HUANG H，WANG C，WANG L，et al. Corporate digital transformation and idiosyncratic risk： Based on corporate governance perspective[J]. Emerging Markets Review， 2023，56：101045.

[14]SUNB，ZHANGY，ZHU K，et al.Is faster really better？ The impact of digital transformation speed on firm financial distress ：Based on the cost-benefit perspective[J]. Journal of business research，2024，179：114703.

[15] WANG W，ZHU G，MO S. Does digital transformation increase corporate violations？[J].Managerial and Decision Economics，2024，45（08） ：5714-5739

[16]WANG Z，WANG Q，LAI Y，et al. Drivers and outcomes of supply chain finance adoption：An empirical investigation in China[J]. International Journal of Production Economics，2020，220：107453.

[17] PAN A，XU L，LI B，et al. The impact of supply chain finance on firm cash holdings： Evidence from China [J].Pacific-Basin Finance Journal，202O，63：101402.

[18]GU H，YANG S，XU Z，et al. Supply chain finance， green innovation，and productivity ： Evidence from China [J].Pacific-Basin Finance Journal，2023，78：101981.

[19］鹿徐，雪孟.供應鏈融資對營運資金管理效率的影響 [J].技術與創(chuàng)新管理，2024，45（04）：400-414.

[20]GUO X，LI M，WANG Y，et al. Does digital transformation improve the firm’s performance？ From the perspective of digitalization paradox and managerial myopia [J].Journal of Business Research，2023，163：113868.

[21]GOLGECI I，LACKA E，KUIVALAINEN O，et al. Intra andinter-organizational paradoxes in product-service systems： Current insights and future research directions [J]. Industrial Marketing Management，2022，107： A25 -A31.

[22] XIN B，LIU Y，XIE L. Data capital investment strategy in competing supply chains[J]. Annals of Operations Research，2024，336;1707-1740.

[23] WARNER K S R，WAGER M. Building dynamic capabilities for digital transformation： An ongoing process of strategic renewal[J]. Long Range Planning，2019，52 （03） ：326-349.

[24] CHEN A，ZHAO D，HE C. Firm digital investments and capacity utilisation ： A perspective of factor inputs[J]. Technological Forecasting amp; Social Change，2O24，200： 123182.

[25] ZHOU J，ZHOU Y，WANG B，et al. Human-Cyber-Physical Systems（HCPSs）in the context of new-generation intelligent manufacturing[J].Engineering，2019，5 （04） ：624-636.

[26]DE BLICK T，PAELEMAN I，LAVEREN E. Financing constraints and SME growth： the suppression ffect of cost-saving management innovations[J].Small Business Economics，2024，62（03） ：961-986.

[27]GEBAUER H，F(xiàn)LEISCH E，LAMPRECHT C，et al. Growth paths for overcoming the digitalization paradox [J].Business Horizons，2020，63（03）：313-323.

[28] ZHANG Y. Cost stickiness ，corporate risk and management shareholding[J].E3S Web of Conferences，2021， 253：3050.

[29] GROVER V，KOHLI R. Revealing your hand： Caveats in implementing digital business strategy[J].Mis Quarterly，2013，37（02） ：655-662.

[30]KOHLI R，MELVILLE N P.Digital innovation：A review and synthesis[J]. Information Systems Journal，2019，29 （01） ：200-223.

[31］康妍妍，圓馮.數(shù)字化轉(zhuǎn)型對制造業(yè)上市公司創(chuàng)新績 效的影響研究[J].技術與創(chuàng)新管理，2024，45（02）： 172-180+196 ：

[32］龔怡丹，宋良榮.智能制造企業(yè)公司治理效率研究 [J].技術與創(chuàng)新管理，2023，44（05）：601-606.

[33]LI Z，XIE W，WANG Z，et al. Antecedent configurations and performance of business models of intelligent manufacturing enterprises[J]. Technological Forecasting and Social Change，2023，193：122550.

[34]LIU M，LI C，WANG S，et al. Digital transformation， risk-taking，and innovation：Evidence from data on listed enterprises in China[J].Journal of Innovation amp; Knowledge，2023，8（01） ：100332.

[35]FARIDA I，SETIAWAN D. Business strategies and competitive advantage： the role of performance and innovation[J]. Journal of Open Innovation： Technology，Market，and Complexity，2022，8（03） ：163.

[36]LI S T，CHEN X F. The role of supplier collaboration andrisk management capabilities in managing product complexity[J].OperationsManagement Research， 2019，12（03）：146-158.

[37]LI L，YE F，ZHAN Y，et al. Unraveling the performance puzzle of digitalization： Evidence from manufacturing firms[J]. Journal of BusinessResearch，2O22，149：54- 64.

[38]WIDIANINGSIH Y，SETIAWAN D，ARYANI Y A，et al.The relationship between innovation and risk taking ： The role of firm performance[J]. Risks，2023，11（08）： 144.

[39]HAN S，ULHOI JP，SONG H. Digital trust in supply chain finance：The role of innovative fintech service provision[J]. Journal of Enterprise Information Management，2024，37（06） ：1737-1762.

[40]LU Q，JIANG Y， WANG Y. How can digital technology deployment empower supply chain financing？ Aresource orchestration perspective[J]. Supply Chain Management，2024，29（04） ：804-819.

[41]LING R，LI B，PAN A，et al. Supply chain finance and the corporate debt maturity selection[J]. Economic Research Journal，2023，58（10）：93-113.

[42]NIE Z，LING X，CHEN M. The power of technology ： FinTech and corporate debt default risk in China[J]. Pacific-Basin FinanceJournal3，78969.

[43］粟金霞，周利國.供應鏈視角下企業(yè)ESG表現(xiàn)對客 戶違約風險的影響研究［J].管理學報，2024，21 （09）：1392-1400.

[44］吳非，胡慧芷，林慧妍，等.企業(yè)數(shù)字化轉(zhuǎn)型與資本市 場表現(xiàn)：來自股票流動性的經(jīng)驗證據(jù)[J].管理世界， 2021，37（07） ：130-144 + 10.

[45］肖土盛，孫瑞琦，淳袁，等.企業(yè)數(shù)字化轉(zhuǎn)型、人力資 本結構調(diào)整與勞動收入份額[J].管理世界，2022，38 （12） ：220-237.

[46]李健，王亞靜，馮耕中，等.供應鏈金融述評：現(xiàn)狀與 未來［J].系統(tǒng)工程理論與實踐，2020，40（08）：1977 -1995.

[47］張黎娜，蘇雪莎，袁磊.供應鏈金融與企業(yè)數(shù)字化轉(zhuǎn) 型：異質(zhì)性特征、渠道機制與非信任環(huán)境下的效應差 異[J].金融經(jīng)濟學研究，2021，36（06）：51-67.

[48］祝由，賈冉，王綱金，等.供應鏈金融風險評估研究綜 述：基于知識圖譜技術[J].系統(tǒng)工程理論與實踐， 2023，43（03） ：795-812.

[49] CHEN Y，ZHANG S，MIAO J. What limits the innovation efficiency in China’s ICT industry？ A two-stage dynamic network slacks-based measure approach[J]. Technology Analysisamp; Strategic Management，2024，36 （11） ：3936-3954.

[50]LIN T，WU Z，YANG J. The evaluation of innovation efficiency of China’shigh-tech manufacturing industry based on the analysis of the three-stage network DEAMalmquist model[J].Production Planningamp; Control， 2023;1-13.

[51]ZHANG T，LI S，LI Y，et al. Evaluation of technology innovation efficiency for the listed NEV enterprises in China[J].Economic Analysis and Policy，2023，80： 1445-1458.

[52]LIND JT，MEHLUM H. With or without U the appropriate test for a U-shaped relationship[J]. Oxford Bulletin of Economics and Statistics，2010，72（01） ：109-118.

[53]HAANSRFJ，PIETERSC，HEZL.ThinkingaboutU： Theorizing and testing U and inverted U-shaped relationships in strategy research[J]. Strategic Management Joumal，2016，37（07） ：1177-1195.

[54]BAI H，HUANG L，WANG Z.Supply chain financing， digital financial inclusion and enterprise innovation：Evidence from China[J].International Review of Financial Analysis，2024，91：103044.

[55]周茜，許曉芳，陸正飛.去杠桿，究竟誰更積極與穩(wěn)妥 [J].管理世界，2020，36（08）：127-148.

[56]FERNANDO J，LI L，HOU Y. Corporate governance and correlation in corporate defaults[J]. Corporate Governance：An International Review，2020，28（03）：188- 206.

[57] TIAN M，CHEN Y，TIAN G，et al. The role of digital transformation practices in the operations improvement in manufacturing firms：A practice-based view[J].In ternational Journal of Production Economics，2O23，262 ： 108929.

[58] ZHANG T，SHI Z，SHI Y，et al. Enterprise digital transformation and production efficiency ：mechanism analysis and empirical research[J].Economic Research-Ekonomska Istrazivanja，2022，35（01） ：2781-2792.

[59]WANG D，SHAO X. Research on the impact of digital transformation on the production eficiency of manufacturing enterprises：Institution-based analysisofthe threshold effect[J].International Review of Economics amp;Finance，2024，91：883-897. [60]CHEN T，LIAO H，CHEN W.Production efficiency uncertaintyand corporate creditrisk：Structural formcredit model perspectives[J]. Journal of empirical finance，

2014，29：266-280. [61]CHENT，TSENGY，HUNGY，et al.Management efficiency uncertaintyand its implicationsfor bondholders [J].International Review of Economics amp; Finance，

2023，85：73-92.

[62]李揚子.管理層能力、高管激勵與企業(yè)創(chuàng)新戰(zhàn)略選擇 [J].中南財經(jīng)政法大學學報，2022（02）：41-51.

[63]LIYA，LIAO W，ZHAOCC.Creditconstraints and firmproductivity：Microeconomic evidence from China [J].Research in International Business and Finance， 2018，45：134-149.

（責任編輯：王強）