数字化转型对电商公司绩效影响的实证研究

An Empirical Study on the Impact of Digital Transformation on the Performance of E-Commerce Companies

摘要: 在数字经济飞速发展的背景下，应用数字技术推动企业内部资源整合与能力重构，进而改善企业绩效，已成为企业实现高质量发展的关键路径。电商企业作为数字化转型的先导力量，其绩效表现深受数字化进程的影响。本文以2020~2024年A股上市电商企业为研究对象，实证检验数字化转型对企业绩效的作用效果。研究结果表明，数字化转型对企业绩效具有显著的促进作用。异质性分析进一步发现，数字化转型的绩效提升效应在不同技术维度上存在差异，其中数字技术应用对企业绩效的推动作用尤为突出。数字化转型对不同规模企业的绩效提升均具有显著正向影响，体现出普惠性特征，说明中小企业同样能够通过实施适宜的数字化战略实现绩效改善。此外，研究还通过门槛效应模型识别出企业盈利能力构成关键边界条件：当总资产收益率低于7.03%时，数字化转型显著提升企业绩效。而当超过该阈值时，其促进作用明显减弱。研究结果及结论为电商企业推进数字化转型实践及相关理论研究提供扎实的实证依据。

Abstract: Amidst the rapid development of the digital economy, leveraging digital technologies to promote internal resource integration and capability restructuring, thereby enhancing corporate performance, has become a critical pathway for enterprises to achieve high-quality development. As pioneers in digital transformation, e-commerce companies see their performance significantly influenced by the digitalization process. This paper empirically examines the impact of digital transformation on corporate performance using a sample of A-share listed e-commerce companies from 2020 to 2024. The findings indicate that digital transformation has a significant promoting effect on corporate performance. Heterogeneity analysis further reveals that the performance-enhancing effects of digital transformation vary across different technological dimensions, with the application of digital technology playing a particularly prominent role in driving corporate performance. Furthermore, digital transformation exerts a significantly positive impact on performance improvement for companies of all sizes, demonstrating its inclusive nature and suggesting that small and medium-sized enterprises can also achieve performance improvements by implementing suitable digital strategies. Additionally, the study identifies corporate profitability as a critical boundary condition through a threshold effect model: when the return on assets (ROA) is below 7.03%, digital transformation significantly enhances corporate performance, whereas beyond this threshold, its promoting effect diminishes noticeably. The results and conclusions provide solid empirical evidence for advancing digital transformation practices in e-commerce companies and related theoretical research.

1. 引言

在数字经济迅速发展的时代背景下，以人工智能、区块链、云计算和大数据为代表的数字化技术正对企业产生深刻影响。数字化转型是企业数字化创新与生产发展深度融合的过程，是经济高质量发展背景下企业的必然选择[1]。电商企业作为数字经济的先导力量，其数字化转型的进程与效果尤为引人关注。尽管实践中众多企业已积极布局数字化，期望通过技术赋能改善经营绩效，但数字化转型是否真正能够提升企业绩效，其影响机制如何，在不同技术路径与企业规模下是否存在差异，仍是需要深入探讨的重要问题。现有研究发现，数字化转型可以使企业进行资源以及信息的优化，降低企业信息不对称性，提升公司治理水平，推动企业成长进步。虽已有研究关注到数字化转型的积极影响，但在针对电商行业的实证检验、技术维度的细化分析以及影响机制的深入挖掘方面仍存在不足。基于此，本文以2020~2024年A股上市电商企业为研究样本，通过构建数字化转型指数，采用双向固定效应回归模型，系统考察数字化转型对企业绩效的影响，并进一步从技术类型与企业规模两个维度分析其异质性表现，以期为电商企业推进数字化转型提供坚实的实践支撑与决策参考。

2. 理论分析与研究假设

资源基础观与动态能力理论为理解数字化转型对企业绩效的影响提供了重要的理论支撑。经由Wernerfelt [2]、Barney [3]发展成形的资源基础观认为，企业拥有的稀缺、有价值、难以模仿和替代的资源和能力是维持竞争优势的关键。基于资源基础观视角，数字化转型会为传统生产要素赋予新途径，产生出新资源，为企业的发展和创新提供新动力[4]。具体到电商行业，数字化转型通过三大路径重构企业资源体系：其一，将用户行为数据、交易数据等转化为核心战略资源，形成传统零售企业难以企及的“数据资产”优势。其二，通过云计算、大数据等技术优化资源配置效率，实现库存、物流、营销等环节的精准管控。其三，构建数字平台生态，整合供应商、服务商等外部资源，形成协同竞争优势。

数字化转型通过引入和应用先进数字技术，能够有效优化企业数据资源储备，提升信息处理效率，增强业务流程的智能化水平，从而形成具有时代特征的数字化能力，为企业创造新的价值增长点。动态能力理论进一步强调，企业在快速变化的环境中整合、构建和重构内外部资源以应对市场变革的能力至关重要。动态能力为制造企业提供一个基本框架，帮助企业理解在多变的市场环境中如何通过创新和变革来长期性地对新质生产力产生影响[5]。在电商情境下，数字化转型从三个维度重塑企业动态能力：在感知能力层面，基于人工智能的用户画像和市场分析使企业能够敏锐捕捉消费趋势变化。在捕捉能力层面，通过数字化营销系统和智能推荐算法快速把握商机，实现精准触达。在重构能力层面，依托柔性供应链和云架构实现业务流程的快速迭代与优化。

数字化转型正是企业构建这种动态能力的重要途径，它使企业能够更敏捷地感知市场机会、更高效地配置资源、更灵活地调整战略，进而持续改善绩效表现。电商企业作为数字经济迅猛发展的主要受益行业，数字化转型能促使该行业进行企业内部资源整合，提升资源使用效率，促进企业整体绩效改善。基于上述理论，本文提出如下假设：

H1：数字化转型对电商企业绩效具有显著正向影响。

3. 研究设计

3.1. 数据来源与样本选择

本文选取2020~2024年A股上市电商企业为研究对象，为避免数据异常对结果产生影响，对样本数据做出以下筛选以及处理：首先，对于缺失值数量较少的变量，采用直接删除包含缺失值的观测样本，以保证数据的完整性和有效性。其次，为避免极端值对实证结果产生误差，对各变量进行异常值检测。对于检测出的异常值，采用缩尾处理方法，将变量99%分位数以上和1%分位数以下的值分别替换为99%分位数和1%分位数的值，以降低极端值对研究结果的影响，最终得到面板数据样本。

3.2. 变量定义与构建

3.2.1. 因变量：企业绩效

当前研究领域主要采用财务绩效资产回报率(ROA)和托宾Q值来衡量企业绩效，但考虑到资产回报率易受到企业经营杠杆率的影响，为避免结果存在误差，本文参考石大千等(2023)的研究设计[6]，采用托宾Q值度量企业绩效：该指标衡量企业市场价值与重置成本的比率，能够反映企业的市场价值绩效，其值越高，表明企业的市场价值越高，发展前景越好。

3.2.2. 自变量：数字化转型程度

对于数字化转型的测度，大多文献从虚拟政策变量、投资金额以及文本分析等方面进行测度[7] [8]，核心自变量为数字化转型程度，为全面衡量该变量，构建了以下指标：

数字化转型总指数(Digital_Total)：采用常用方法，将人工智能技术、云计算技术、大数据技术、区块链技术、数字技术应用五个技术维度的词频直接相加得到，即Digital_Total = 人工智能技术 + 区块链技术 + 云计算技术 + 大数据技术 + 数字技术应用，该指数越高，代表企业数字化转型程度越深。

分项技术指标：为分析不同数字技术对企业绩效影响的差异，将人工智能技术、区块链技术、云计算技术、大数据技术等加总得到数字化技术指数以及数字技术应用两个分项技术指标，作为备用及异质性分析的自变量。

3.2.3. 控制变量

为更准确地考察数字化转型对企业绩效的影响，保证结果的稳健性，控制其他可能影响企业绩效的因素，选取的控制变量如下：资产负债率(Lev)、第一大股东持股比率(Top1)、企业规模(Size)、营业收入增长率(Growth)、大股东占款等。另外本文采取双向固定效应模型，对年份和企业进行了控制。本文变量定义见表1。

Table 1. Variable definitions

表1. 变量定义

变量类型	变量名称	变量符号	变量定义
因变量	企业绩效	TobinQ	公司市值与总资产的比值
自变量	数字化转型总指数	Digital_Total	将人工智能技术、区块链技术、云计算技术、 大数据技术、数字技术应用五个技术维度的词频直接相加得到
控制变量	资产负债率	Lev	企业总负债与总资产的比值。
	企业规模	ln_Assets	对总资产取自然对数得到，即ln_Assets = ln (总资产)，用于衡量企业规模大小
	第一大股东持股比率	Top1	第一大股东持股数量与企业总股数的比值
	营业收入增长率	Growth	(当年营业收入 − 上年营业收入)与上年营业收入的比值
	大股东占款	Shareholde~y	反映企业的公司治理水平

3.3. 计量模型构建

基于前面的假设，本文采用面板双向固定效应模型进行实证分析，构建的计量模型如下：

$Y_{it}={\beta }_0+{\beta }_1{\text{Digital}}_{\text{Total}}{}_{it}+{\beta }_2{\text{Controls}}_{it}+{\mu }_i+{\lambda }_t+{\epsilon }_{it}$

其中，表示公司i在年份t的绩效，用托宾Q值衡量；表示公司i在年份t的数字化转型总指数；表示公司i在t年份的一系列控制变量，包含资产负债率(Lev)、企业规模(ln_Assets)、第一大股东持股比率(Top1)、营业收入增长率(Growth)、大股东占款(Shareholde~y)；表示时间固定效应；表示公司个体固定效应；表示随机误差项；β₀为截距项，β₁、β₂为各变量的回归系数。

4. 实证结果与分析

4.1. 描述性统计分析

通过观察各变量的描述性统计结果，能进一步确认数据预处理后是否仍存在异常情况，确保数据的合理性。表2对因变量、自变量、控制变量等进行描述性统计分析，统计各变量的观测值数量(Obs)、均值(Mean)、标准差(Std.Dev.)、最小值(Min)和最大值(Max)。通过描述性统计分析，能够展示各变量的数据分布特征。如标准差可以体现不同公司盈利水平的差异程度，而数字化转型总指(Digital_Total)的均值和取值范围可以反映样本公司数字化转型的整体水平及个体差异等。

4.2. 基准回归分析

本文的基准回归结果如表3所示。模型(2)的全模型估计结果显示，自变量数字化转型(Digital_Total)的估计系数为0.042，通过5%显著性水平的统计检验。这为“数字化转型能够提升电商企业进行数字化转型”的命题提供了有力的经验证据。并且，在模型(1)中不加入任何控制变量，数字化转型的系数(0.041)依然高度显著，证明了该基础回归结果的可靠性，验证本文的假说H1。

Table 2. Descriptive statistics

表2. 描述性统计结果

Variable	Obs	Mean	Std.dev.	Min	Max
TobinQ	1090	19.92282	10.52893	5.172108	75.27493
Digital_Total	1090	87.77615	65.10952	3	430
ln_Assets	1090	21.7438	20.93318	19.36291	25.25269
Lev	1090	2.689694	1.548296	0.244752	6.820976
Growth	1090	74.29153	95.48288	−66.5262	512.4179
Top1	1090	23.62606	11.22631	3.99	68.23
数字化技术指数	1090	70.02202	59.05106	3	346
数字技术应用	1090	17.75413	19.63066	0	108

Table 3. Baseline regression results

表3. 基准回归结果

	(1)	(2)
	TobinQ	TobinQ
Digital_Total	0.041^**	0.042^**
	(0.012)	(0.012)
ln_Assets		−10.408^**
		(1.748)
Lev		2.303^**
		(0.513)
		(0.004)
Top1		−0.094
		(0.097)
Shareholder_occupy		24.208^*
		(10.275)
常数项	15.629^**	237.756^**
	(1.103)	(38.489)
(观测数) N	1090	1090
R^2	0.071	0.166
调整后R^2	0.067	0.158
年份固定效应	是	是
企业固定效应	是	是

注：“^*p < 0.1，^**p < 0.05，^***p < 0.01”。括号内为稳健标准误。

4.3. 异质性分析

为探究数字化转型对电商企业绩效影响的异质性，即不同条件下数字化转型影响效果的差异，从以下两个维度进行分组回归分析：

4.3.1. 按技术类型分组

分别以人工智能技术、区块链技术、云计算技术、大数据技术加总得到数字化技术指数和数字技术应用两个分项技术指标替换基准回归模型中的数字化转型总指数(Digital_Total)，进行两次回归分析。如表4回归结果显示，数字化技术指数和数字技术应用均对电商企业的绩效产生了显著的正向影响，系数分别为0.044和0.089且都在1%的统计水平上显著，充分证明了数字化转型的确能提升电商企业绩效。并且，数字技术应用的系数约数字化技术指数为的两倍，这在一定程度上暗示技术落地与应用环节可能比基础性的数据资源建设具有更高的价值回报弹性。

Table 4. Heterogeneity analysis by technology type

表4. 技术类型异质性分析

	(1)	(2)
	TobinQ	TobinQ
数字化技术指数_winsor	0.044^**
	(0.014)
数字技术应用_winsor		0.089^**
		(0.028)
ln_Assets	−10.342^**	−10.195^**
	(1.726)	(1.738)
Lev	2.348^**	2.340^**
	(0.513)	(0.528)
Growth	−0.001	−0.000
	(0.004)	(0.004)
Top1	−0.108	−0.079
	(0.097)	(0.094)
Shareholder_occupy	24.851^*	24.123^*
	(10.296)	(10.649)
常数项	237.241^**	234.531^**
	(38.109)	(38.372)
(观测数) N	1090	1090
R^2	0.161	0.157
调整后R^2	0.153	0.149
年份固定效应	是	是
企业固定效应	是	是

注：“^*p < 0.1，^**p < 0.05，^***p < 0.01”。括号内为稳健标准误。

4.3.2. 按公司规模分组

为探究数字化转型是否会对不同规模的电商企业产生异质性表现，本文根据企业规模的中位数将样本公司分为“大公司”组和“小公司”组，然后分别对两组样本进行基准回归分析。分组回归结果表5揭示了一个重要现象：数字化转型是普惠性的，其绩效效应在不同规模的电商企业中并无本质差异。无论是小规模公司还是大规模公司，数字化转型的系数均稳定在0.04左右且统计显著。这一发现有力地说明，数字化转型并非在大企业中存在，小规模企业同样能够通过实施数字化战略获得显著的价值提升。然而，大规模企业模型的整体解释力更强，反映了其绩效决定因素更为系统和复杂。对于小规模企业而言，聚焦核心业务、实施精湛独到的数字化转型策略，是提升其企业价值的关键路径。

Table 5. Heterogeneity analysis by firm size

表5. 公司规模异质性

	(1)	(2)
	TobinQ	TobinQ
Digital_Total	0.039^**	0.040^*
	(0.014)	(0.019)
ln_Assets	−6.005^*	−11.357^**
	(3.057)	(2.675)
Lev	2.440^**	2.447^**
	(0.933)	(0.603)
Growth	0.001	−0.001
	(0.007)	(0.004)
Top1	−0.211	0.053
	(0.166)	(0.110)
Shareholder_occupy	1.949	28.887^*
	(19.055)	(12.411)
常数项	147.309^*	247.947^**
	(68.350)	(56.376)
(观测数) N	545	545
R^2	0.107	0.270
调整后R^2	0.090	0.256
年份固定效应	是	是
企业固定效应	是	是

注：“^*p < 0.1，^**p < 0.05，^***p < 0.01”。括号内为稳健标准误。

4.3.3. 门槛效应检验

为检验企业盈利能力是否构成数字化转型效果的临界条件，本研究采用Hansen (1999)的面板门槛模型进行检验。为确保模型估计的一致性，构建2021~2023年的平衡面板子样本，包含192家公司，共768个观测值。据表6经验结果显示，单一门槛检验的F统计量为32.19，在1%的显著性水平上通过检验，p值为0.003，说明存在门槛效应，表明企业盈利能力在数字化与企业绩效关系中构成了显著的结构性变化点。因此，本研究采用单一门槛模型展开后续分析。估计得到的门槛值为ROA = 7.03%，基于此门槛，将企业分为高盈利和低盈利两组。从样本企业绩效的分布结构来看，该阈值约处于90%分位点，意味着仅有约10%的企业归属于高盈利能力组别。

Table 6. Threshold effect test results

表6. 门槛效应检验结果

门槛类型	F统计量	p值	Bootstrap次数	门槛值
单一门槛	32.19	0.003	500	7.03%
双重门槛	12.94	0.160	500	−6.92%

基于门槛值的分组回归结果(表7)显示，数字化转型对企业绩效的影响呈现出显著的非对称特征。在占样本90%的低盈利能力企业中，数字化转型显著提升了企业绩效，系数为0.027，在10%水平上显著，这一发现与基准回归结果相互印证，表明对于绝大多数企业而言，数字化转型确实是提升企业价值的有效路径。但在仅占样本10%的高盈利能力企业中，数字化转型的系数转为负值且未通过显著性检验。这一现象可能是由于以下原因：首先，依据边际收益递减规律，高盈利企业通常已处于效率前沿，其运营模式相对成熟，额外的数字化投入难以带来显著的边际改进。并且，基于资源配置理论，高盈利企业可能因过度投资数字化领域而导致资源错配，挤占了其他更具价值的投资机会。这些机制共同作用，使得数字化转型在高盈利企业中的效果大打折扣。

Table 7. Grouped regression results by threshold

表7. 门槛分组回归结果

	TobinQ	TobinQ
Digital_Total	0.027^*	−0.089
	(0.015)	(0.088)
Lev	2.126^***	12.754
	(0.553)	(8.241)
ln_Assets	−12.784^***	−37.255^*
	(1.942)	(18.609)
Shareholder_occupy	23.416^**	−378.983
	(11.059)	(292.110)
Top1	−0.079	1.079
	(0.102)	(1.724)
Growth	−0.002	0.100^*
	(0.004)	(0.053)
常数项	290.277^***	780.183^*
	(42.686)	(406.932)
(观测值) N	691	77
调整后R^2	0.202	0.378

注：“^*p < 0.1，^**p < 0.05，^***p < 0.01”。

4.4. 稳健性检验

为确保研究结论的可靠性和稳定性，避免因变量选择、变量滞后效应、样本区间等因素导致研究结果出现偶然性，从以下三个方面进行稳健性检验：

4.4.1. 更换自变量

在模型(1)中将基准回归模型中的自变量由数字化转型总指数更换为公司年报中出现大数据词频，重新进行双向固定效应回归分析。如表8的回归结果表明，自变量的回归系数仍显著为正，说明无论从词频角度还是数字化技术转型角度衡量，数字化转型对电商企业绩效的积极影响均成立，研究结论具有稳健性。

4.4.2. 滞后解释变量

基于数字化转型对企业绩效影响可能存在时滞性的理论预期，即当年的数字化转型投入可能不会立即在当年的企业绩效中体现出来，而是在后续年份产生影响，同时为缓解可能存在的某些企业绩效较好的公司可能更有能力进行数字化转型而产生的反向因果问题。因此，本研究将模型(2)核心自变量数字化转型总指数滞后一期，用以上一年的数字化转型总指数作为自变量，对当年的企业绩效进行回归分析。回归结果显示出滞后一期的数字化转型总指数回归系数仍显著为正，说明数字化转型对企业绩效的积极影响具有持续性。

4.4.3. 缩短样本期

Table 8. Robustness tests

表8. 稳健性检验

	(1)	(2)	(3)
	TobinQ	TobinQ	TobinQ
词频	0.037^**
	(0.011)
L1_Digital_Total		0.041^*
		(0.016)
Digital_Total			0.056^**
			(0.018)
ln_Assets	−10.452^**	−12.154^**	−11.751^**
	(1.753)	(2.048)	(1.970)
Lev	2.329^**	1.997^**	1.894^**
	(0.514)	(0.624)	(0.684)
Growth	−0.001	−0.001	−0.001
	(0.004)	(0.005)	(0.004)
Top1	−0.096	−0.082	−0.070
	(0.097)	(0.114)	(0.111)
Shareholder_occupy	24.097^*	26.714^*	10.275
	(10.321)	(11.432)	(11.420)
常数项	239.081^**	278.284^**	267.632^**
	(38.608)	(44.974)	(42.644)
(观测值) N	1090	833	664
R^2	0.163	0.179	0.229
调整后R^2	0.155	0.170	0.220
年份固定效应	是	是	是
企业固定效应	是	是	是

注：“^*p < 0.1，^**p < 0.05，^***p < 0.01”。

模型(3)将研究样本的时间区间缩短至2021年至2024年，以排除可能出现的2020年新冠疫情的极端冲击对结果的过度影响。表8结果显示，在缩短样本期后，数字化转型的系数大小为0.056，且在1%的水平上高度显著。这表明本研究核心结论并非由某一特殊时期的数据特征所驱动，即使在不同的时间区间内，数字化转型对电商企业的绩效影响依然稳健存在。

5. 研究结论与展望

5.1. 研究结论

本研究基于2020~2024年A股上市部分电商企业的面板数据，采用双向固定效应回归模型整体考察了数字化转型对企业绩效的影响及其内在机制。根据实证结果表明，数字化转型总体指数对托宾Q值衡量的企业绩效具有显著的正向促进作用，且在控制企业规模、资产负债率、公司治理结构等一系列变量后，该结论依然稳健。异质性分析揭示，数字化转型的绩效提升效应在不同技术维度上存在异质性：数字化技术指数与数字技术应用均对企业绩效产生积极影响，但后者系数更高，反映出技术落地与应用环节可能具有更强的价值创造潜力。此外，异质性分析还表明，数字化转型的积极效应在不同规模企业中均显著存在，说明数字化转型并非大企业专属，中小企业同样可以通过实施适宜的数字化策略实现绩效提升。门槛效应也说明数字化转型对企业绩效的影响呈现出显著的非对称特征，低盈利能力企业的数字化转型能显著提升企业绩效。而在稳健性检验方面，通过更换自变量度量方式、引入滞后变量以及调整样本区间等多种方法，均验证了核心结论的可靠性与持续性，表明数字化转型对电商企业绩效的促进作用具有普遍性和持续性。

在肯定数字化转型对电商企业绩效具有积极影响的同时，本研究也需审慎指出其潜在挑战与适用边界。数字化转型并非无成本投入，其过程伴随着显著的沉没成本、组织变革阻力与数据安全风险，这在一定程度上解释了为何其绩效提升效应存在门槛。尤其需要关注的是，本研究的时间窗口(2020~2024年)覆盖了新冠疫情的爆发与复苏期，线上消费需求在特殊时期获得的爆发性增长，可能使得数字化转型的短期收益被高估。随着宏观经济进入常态化发展阶段，其长期回报仍需持续观察。此外，本研究的结论主要适用于具备一定规模的上市电商企业，对于大量中小型非上市企业，其数字化转型的路径与效果可能因资源与能力约束而有所不同。因此，本研究的结论存在显著的边界条件，在理解和应用时，必须充分考虑数字化转型的内在复杂性、实施成本与时代背景，其适用性并非不受限制。

5.2. 研究展望

展望未来，本研究仍存在一定的拓展空间。首先，未来可进一步扩大样本范围，涵盖更多非上市企业或跨行业样本，以增强研究结论的普适性。其次，在数字化转型的度量方面，可引入更细粒度的技术应用指标或采用文本分析与机器学习方法，以更精准地捕捉企业数字化进程的深度与广度。并且，本研究虽初步探讨了数字化转型影响企业绩效的异质性，但尚未深入剖析其内在机制路径，未来可引入中介效应或调节效应模型，进一步揭示数字化转型通过提升运营效率、促进创新或优化资源配置等渠道影响企业绩效的具体路径。最后，随着数字技术的快速迭代与企业实践不断深化，后续研究还可关注数字化转型的长期动态效应，以及在不同宏观经济周期或政策环境下的表现差异，为企业在复杂环境中制定科学有效的数字化转型战略提供更全面的理论支撑与实践指导。