1. 引言
20世纪以来，全球的经济态势正处于从工业经济时代快速迈进数字经济时代的关键点，数字化经济也迎来了蓬勃的发展，人工智能化，区块链技术应用，云计算、大数据分析，网络数字化技术运用，企业已经开始加快数字化转型的步伐。数字化转型使得越来越多的上市企业抓住机遇，通过数字技术开拓新市场，数字化转型已经成为在数字技术应用与生产高度融合的背景下企业的必然选择。已有文献对数字化转型所带来的微观效应进行了充分的探讨。企业能够合理利用数字化转型优势，完善企业内部治理结构[1]，增强企业管理水平，从而驱动企业绩效提升[2]。同时，数字化转型可以优化企业的信息优势，应对市场中存在的信息不对称问题，提高企业创新水平[3]。
而对于上市企业而言，企业是否能长足发展主要取决于其对于资源的合理配置，简而言之，企业是否能够持续性发展主要取决于高效率的投资行为[4]，投资效率的提高能够帮助企业提升企业价值，在市场竞争中处于优势地位，而投资效率较低的企业则会降低企业价值导致企业被淘汰。数字化转型作为将传统经济推向智能化与数字化的一种手段，能够帮助企业将数字化理念融入到企业的生产、投资与经营规划方面，进一步提高投资决策的科学性，提升企业的价值[5]；还能通过数字化转型来改良管理系统，降低企业内部的代理成本，提高企业内部决策的科学性，进而提高资源的配置效率[6]。
综上，已有学者关于数字化转型对投资效率的微观效应进行了初步分析，但是由于我国企业的数字化转型目前整体上处于初级阶段，其微观效应并未形成一致结论，需要进一步探讨企业数字化转型对企业投资效率的影响。因此，本文将2000~2022年A股非金融上市公司作为研究对象，研究数字化转型对企业投资效率的具体影响，并探讨数字化转型对企业投资效率的影响机制，为企业数字化转型和我国数字化建设提供理论依据。
2. 理论分析与研究假说
根据代理委托理论，在传统信息不对称的情况下，企业股东与经营者可能会因为自身的利益问题引发代理问题，经营者不会朝着利润最大化努力，反而会为了自身利益最大化作出过度投资、投资不足等损害企业价值的非效率投资问题。而在大数据背景下，新一代数字技术迅猛发展，企业传统的管理运作方式也进行改变。一方面，企业能够利用数字化技术简化企业的组织结构，工作流程，使得工作管理机制趋于扁平化，从而提高信息的透明度，增加对管理人员的管控力度和有效监督，避免其进行投机行为，较少非效率投资行为，进而提高投资效率。另一方面，数字化转型推进的智能化生产与管理方式不仅能够促进企业生产效率的提高，也能够作用于各部门的管理信息系统，使得企业各个部门信息充分流动，提高信息转化效率，促使管理者作出正确决策的科学性，减少因信息阻塞导致投资机会流失的可能性，进而提高投资效率。基于以上分析提出假设H1：
H1：数字化转型能够提高企业的投资效率。
根据市场不完全理论，市场具有摩擦性，各个金融主体具有信息不对称情况。银行作为信息劣势的一方，贷款给企业所承受的风险是巨大的。而数字化转型提高了企业数字技术信息透明度，降低企业信息不对称程度，拓宽企业融资渠道，减少金融机构融资成本，缓解了企业的融资约束问题，促进企业更加合理地改善投资决策行为，进而提高投资效率。从企业内部来看，数字化转型能够有效改善企业组织重构，简化企业内部组织。同时促进管理人员学习新技术，并利用信息平台创新业务形式，创新的生产管理模式促使管理者能够把握市场投资机会，从财务视角考虑投资业务的经济效益，更好地把握资金使用效率，降低公司杠杆和融资成本，有效配置资源，帮助企业作出科学决策，降低非效率投资的行为，从而提高投资效率。基于以上分析提出假设H2：
H2：数字化转型能够通过缓解企业融资约束来提高投资效率。
3. 数据选择和模型设计
3.1. 数据来源与数据处理
本文选择2000~2022年的A股年度上市公司数据作为研究样本，数据源于国泰安数据库，同时对初始数据进行以下处理使结果更加具有代表性：第一，剔除ST样本，删掉面临退市风险的公司样本数据。第二：剔除了行业中金融行业的企业样本。第二：剔除了财务异常或观测值缺失的上市企业样本；第三：为了避免异常值对实验结果的影响，对样本数据进行了1%的缩尾处理，总共得到38,286个样本数据。
3.2. 变量选择
(1) 被解释变量：投资效率
本文研究数字化转型对企业投资效率的影响，参考已有研究[7]，企业最优投资规模主要受到上一期投资规模、企业年龄、股票收益率和现金流等因素影响，而投资效率取决于最优投资规模与实际投资规模的差值，因此选取Richardson在2006年提出的投资支出模型来核算投资效率，如(1)式所示：
(1)
其中，Invest表示企业最优投资规模，企业非效率投资等于实际投资规模与最优投资规模的差值。若差值为正，说明实际投资规模大于最优投资规模，现实中表现为过度投资；若差值为负，则说明实际投资规模小于最优投资规模，现实中表现为投资不足。因此用模型(1)中残差绝对值表示非效率投资水平Ineff，Ineff越大意味着投资效率越低，反之越高。
(2) 解释变量：数字化转型
关于核心解释变量企业数字化转型dig的衡量，祁怀锦等采用资产负债表中企业有关数字化资产与无形资产的比值衡量数字化转型水平[8]，这种方法对数字化资产选取时可能具有一定的主观性，无法综合衡量企业数字化转型水平；也有学者通过采用调查问卷中有关企业信息设备、IT人员等数据构建数字化转型指标，这种方式可能由于调查企业受限而遗漏关键的数字化转型信息[9]。为克服因人为选取造成的主观性问题，提高研究的科学性，本文借鉴吴非等[10]的研究，基于客观的企业年报数据，利用python从数字技术应用、互联网商业模式、智能制造和现代信息系统四个维度提取上市企业年报中与数字化转型相关的字频，将每个小分类词频加总得到数字化转型总词频，并进行对数化处理后用来衡量企业数字化转型。
(3) 控制变量
考虑到企业投资效率可能还受到其他因素的影响，本文选取以下控制变量：公司财务杠杆lev，公司成长机会growth，股权收益率ret，净现金流水平cfo，公司规模size，两职合一水平dua，独立董事占比ind，董事会规模bsize。
(4) 中介变量：融资约束
关于融资约束指数的衡量方式研究较丰富，企业对现金流敏感度常被作为衡量融资约束的指标[11]，但由于企业决策者并非完全理性，外部融资环境较好时，风险过度厌恶的决策者可能拒绝融资，所以使用现金流敏感度并不准确。而为了衡量企业融资约束程度，必须要考虑到企业整体资产情况、财务状况，才能够更加全面地分析企业融资约束问题。因此本文借鉴Kaplan and Zingales [12]和魏志华等[13]研究，以经营现金流、现金股利、现金持有量分别与年初总资产的比值、资产负债率和托宾q五个指标来构建KZ指数，其数值越大，融资约束越大，反之越小。
具体变量如下表1所示。
Table 1. Definition of variables
表1. 变量意义
| 变量类型 |
变量名称 |
变量具体定义 |
| 被解释变量 |
Ineff |
表示非效率投资，由模型(1)残差绝对值衡量 |
| 解释变量 |
dig |
年报中数字化转型关键词词频对数 |
| 中介变量 |
KZ |
融资约束指数由五个指标构成 |
| 控制变量 |
lev |
年末总负债/年末总资产 |
| cfo |
现金流净值/年末总资产 |
| size |
公司规模，公司年末总资产的对数 |
| ret |
股权收益率，所有者权益/年末总资产 |
| growth |
公司成长机会，营业收入增长率 |
| dua |
董事长与总经理是同一个人任职为1，不是为0 |
| bsize |
表示董事规模，董事人数取自然对数 |
| ind |
表示第一大股东持股比例，取值越大，第一股东占比越高。 |
| industry |
行业虚拟变量，当为该行业为1，否则为0 |
3.3. 模型构建
为了验证假设H1，本文设立的模型如下：
(2)
Ineff代表非效率投资水平，该指标越大，投资效率越低，反之越高。dig代表数字化转型程度，其余变量为控制变量，同时该模型控制了行业固定效应。
4. 实证分析
4.1. 描述性统计分析
由表2的描述性统计结果看出，样本总量为38,286。Ineff均值为0.0396，最大值为0.254，最小值为0.000475，说明不同企业之间的投资效率具有较大差异；dig中位数为14.54，平均值为26.45，说明企业总体的数字化水平不高，需要进一步提高对数字化转型的重视程度，提高对数字技术的运用。从控制变量的描述性结果来看，不同企业的企业杠杆，股权收益率，成长程度，净现金流水平都具有较大差异，说明不同企业的财务状况具有较大差异。两职分离程度平均值为0.223，说明经营权与所有者权利区分度不高。股权集中度中平均值大于中位数，说明大多数企业的股权集中在33%以上，股权过于集中，对企业的投资决策易达到统一意见，可能提高企业的非效率投资水平。
Table 2. Descriptive statistics
表2. 描述性统计
| VARIABLES |
N |
mean |
sd |
min |
max |
medium |
| Ineff |
38,286 |
0.0396 |
0.0440 |
0.000475 |
0.254 |
0.0263 |
| dig |
38,286 |
26.45 |
35.39 |
0 |
195.7 |
14.54 |
| ret |
38,286 |
0.156 |
0.615 |
−0.665 |
2.728 |
−0.0112 |
| cfo |
38,286 |
0.0564 |
0.0812 |
−0.189 |
0.310 |
0.0529 |
| size |
38,286 |
22.17 |
1.286 |
19.76 |
26.18 |
21.98 |
| dua |
38,286 |
0.223 |
0.417 |
0 |
1 |
0 |
| ind |
38,286 |
36.26 |
7.358 |
0 |
57.14 |
33.33 |
| bsize |
38,286 |
8.754 |
1.816 |
5 |
15 |
9 |
| growth |
38,286 |
1.948 |
1.231 |
0.850 |
8.027 |
1.540 |
| Lever |
38,286 |
0.451 |
0.198 |
0.0656 |
0.895 |
0.450 |
| KZ |
38,286 |
1.968 |
2.203 |
−4.071 |
7.583 |
2.025 |
4.2. 基准检验检验
表3为基准回归结果，由于模型中度量投资效率使用的指标是非效率投资水平，而企业的非投资效率分为投资不足和投资过度，因此将数字化转型分别对非效率投资、过度投资与投资不足进行回归分别得出以下(1)列、(2)列和(3)列结果，系数分别为−0.003、−0.01和−0.002，都在1%统计水平下显著，说明数字化转型显著抑制了企业过度投资，缓解了投资不足等非效率投资问题，从而提高了投资效率水平。说明上市企业能够通过数字化转型简化自身的管理组织，提高自身生产效率水平，从而提高投资决策的科学性。
4.3. 稳健性检验
(1) 替换被解释变量
为了解决研究数据的偏差性问题，提高研究的科学性和可信度，进行稳健性检验。本文通过替换被解释变量Ineff来进行稳健性检验，根据已有的测验方法，使用业务增长率来代替托宾q作为核算非效率投资Ineff2。为了进一步缓解由于模型设定和遗漏变量导致的内生性问题，通过系统GMM方法回归得到的Ineff3，使用数字化转型程度dig分别对Ineff2和Ineff3进行回归，实证结果表4发现都是在1%的统计水平下显著为负，发现与基准检验结果一致，说明实验结果的稳健性。
Table 3. Baseline fixed effect regression
表3. 基准固定效应回归
| VARIABLES |
(1)Ineff |
(2)up |
(3)under |
| dig |
−0.003*** |
−0.01*** |
−0.002** |
|
(−3.11) |
(−4.07) |
(−2.17) |
| ret |
0.001*** |
0.008*** |
−0.003*** |
|
(2.76) |
(5.20) |
(−7.78) |
| cfo |
0.035*** |
0.087*** |
−0.006* |
|
(8.42) |
(6.44) |
(−1.92) |
| size |
−0.004*** |
−0.003** |
−0.004*** |
|
(−7.65) |
(−2.10) |
(−10.19) |
| dua |
0.001 |
0.001 |
0.0004 |
|
(1.03) |
(0.47) |
(0.45) |
| ind |
−0.0002*** |
−0.001*** |
−0.0001 |
|
(−3.78) |
(−4.10) |
(−0.68) |
| bsize |
0.001** |
−0.0003 |
0.001*** |
|
(2.24) |
(−0.47) |
(4.01) |
| growth |
0.002*** |
−0.001 |
0.003*** |
|
(4.63) |
(−1.15) |
(11.26) |
| Lever |
0.003 |
0.016** |
−0.005** |
|
(0.97) |
(1.98) |
(−2.43) |
| Constant |
0.121*** |
0.125*** |
0.113*** |
|
(10.98) |
(4.71) |
(13.14) |
| 行业效应 |
控制 |
控制 |
控制 |
| N |
38,286 |
14,411 |
23,875 |
| p值 |
0 |
0 |
0 |
| Adj-r2 |
0.0147 |
0.0191 |
0.0262 |
Table 4. Robustness tests
表4. 稳健性检验
| VARIABLES |
(1)Ineff |
(2)Ineff2 |
(3)Ineff3 |
| dig |
−0.003*** |
−0.004*** |
−0.005*** |
|
(−3.11) |
(−4.13) |
(−4.89) |
| ret |
0.001*** |
0.003*** |
0.004*** |
|
(2.76) |
(5.12) |
(6.10) |
| cfo |
0.035*** |
0.045*** |
0.044*** |
|
(8.42) |
(7.61) |
(7.72) |
| size |
−0.004*** |
−0.002*** |
−0.0004 |
|
(−7.65) |
(−3.61) |
(−0.69) |
| dua |
0.001 |
0.002 |
0.002 |
|
(1.03) |
(1.30) |
(1.48) |
| ind |
−0.0001*** |
−0.0002*** |
−0.0003*** |
|
(−3.78) |
(−4.22) |
(−5.50) |
| bsize |
0.001** |
0.0004 |
0.0002 |
|
(2.24) |
(1.20) |
(0.50) |
| growth |
0.002*** |
0.0004 |
−0.001** |
|
(4.63) |
(1.09) |
(−2.10) |
| Lever |
0.003 |
0.001 |
−0.0002 |
|
(0.97) |
(0.38) |
(−0.06) |
| Constant |
0.121*** |
0.094*** |
0.065*** |
|
(10.98) |
(6.82) |
(4.89) |
| 行业效应 |
控制 |
控制 |
控制 |
| N |
38,286 |
38,270 |
38,286 |
| p值 |
0 |
0 |
0 |
| Adj-r2 |
0.0147 |
0.00992 |
0.00811 |
(2) 剔除宏观因素影响
本文研究的时间跨度为2000~2022年，由于企业投资效率会受到宏观环境的影响，因此需要对研究年份进行分割，以减弱宏观冲击对企业投资效率的影响。首先由于2008年出现全球性金融危机，经济环境发生震荡，且在2014年末到2015年初出现了股市大震荡，因此将研究年份设置在2016~2022年以避免其影响，实证结果如表5 (1)列显示。而2020~2022年又因为疫情的冲击也会导致企业投资更加谨慎，减弱企业投资水平，因此剔除了2020~2022年的研究样本以提高实证结果的稳健性，实证结果如(2)列显示，发现其系数较基准检验得到了显著提高，进一步说明数字化转型会提高企业投资效率。
Table 5. Robustness tests
表5. 稳健性检验
| VARIABLES |
(1)Ineff (2016~2022) |
(2)Ineff (2000~2020) |
| dig |
0.006*** |
−0.02*** |
|
(5.26) |
(−9.52) |
| ret |
−0.004*** |
0.002*** |
|
(−5.03) |
(3.73) |
| cfo |
0.019*** |
0.038*** |
|
(3.09) |
(7.98) |
| size |
0.004** |
−0.001 |
|
(2.43) |
(−1.01) |
| dua |
−0.0001 |
0.002** |
|
(−0.12) |
(2.02) |
| ind |
−0.0001 |
−0.0001*** |
|
(−1.33) |
(−3.98) |
| bsize |
0.0001 |
0.0003 |
|
(0.27) |
(0.97) |
| Lever |
−0.006 |
0.001 |
|
(−1.03) |
(0.38) |
| growth |
0.001*** |
0.0001 |
|
(3.01) |
(0.73) |
| Constant |
−0.054 |
0.062*** |
|
(−1.43) |
(4.34) |
| 行业效应 |
控制 |
控制 |
| N |
20,051 |
31,235 |
| P值 |
2.37e−09 |
0 |
| Adj-r2 |
0.00557 |
0.0160 |
4.4. 中介效应
根据前文的假设H2理论分析，数字化转型能够通过减弱信息不对称问题、优化生产管理组织形式、有效配置资源等方式降低融资成本，缓解融资约束进而减少非效率投资，提高投资效率。为了验证该理论机制，使用温忠麟(2014) [14]提出的中介效应检验模型来进行验证，因此根据本文研究内容设定模型(3)和(4)，并得出实证分析结果表6。
(3)
(4)
Table 6. Mediator effect test
表6. 中介效应检验
| VARIABLES |
(1)Ineff |
(2)KZ |
(3)Ineff |
| dig |
−0.003*** |
−0.006*** |
−0.004*** |
|
(−3.11) |
(−17.99) |
(−4.53) |
| KZ |
|
|
−0.002*** |
|
|
|
(−8.61) |
| ret |
0.001*** |
−0.255*** |
0.001 |
|
(2.76) |
(−22.26) |
(1.46) |
| cfo |
0.035*** |
−11.004*** |
0.009* |
|
(8.42) |
(−95.72) |
(1.82) |
| size |
−0.004*** |
−0.723*** |
−0.006*** |
|
(−7.65) |
(−46.17) |
(−10.51) |
| dua |
0.001 |
−0.138*** |
0.001 |
|
(1.03) |
(−4.75) |
(0.70) |
| ind |
−0.0002*** |
−0.017*** |
−0.0002*** |
|
(−3.78) |
(−12.46) |
(−4.64) |
| bsize |
0.001** |
0.038*** |
0.001** |
|
(2.24) |
(4.35) |
(2.55) |
| growth |
0.002*** |
0.157*** |
0.002*** |
|
(4.63) |
(13.05) |
(5.68) |
| Lever |
0.003 |
7.188*** |
0.020*** |
|
(0.97) |
(78.01) |
(5.85) |
| Constant |
0.121*** |
15.556*** |
0.157*** |
|
(10.98) |
(44.75) |
(13.68) |
| 行业效应 |
控制 |
控制 |
控制 |
| N |
38,286 |
38,286 |
38,286 |
| P值 |
0 |
0 |
0 |
| Adj-r2 |
0.0147 |
0.575 |
0.0183 |
表6第(2)列回归结果显示，dig系数显著为负说明数字化转型能够显著降低KZ指数，而KZ指数越小代表融资约束程度越小，表明数字化程度缓解了融资约束程度。而第(3)列KZ和dig的回归系数依旧显著为负，说明此时中介机制能够成立，表明数字化转型能够通过缓解融资约束从而降低企业的非效率投资水平，提高企业投资效率。
5. 研究结论与政策建议
本文通过选取2000~2022年我国沪深A股上市公司数据，对企业数字化转型与企业投资效率的关系进行了研究，研究发现数字化转型能够通过抑制过度投资，缓解投资不足进而提高企业投资效率，中介机制结果表明企业数字化转型主要是通过减少融资成本，缓解融资约束水平来提高投资效率。针对已经得出的结论，提出以下建议：
(1) 就企业而言，企业要抓住数字化转型机遇，优化资源配置，精简管理生产组织结构。认清自身的优劣，将企业自身优势与数字化转型技术相结合，利用数字化转型提高企业管理与生产的运作方式，进而提高信息的流通速度，减少因信息不对称造成的资源错配与融资约束问题。合理利用数字化技术帮助管理人员做出科学性决策，减少因错误决策造成的高融资成本问题，从而达到缓解融资约束，提高投资效率目标。
(2) 政府应制定相关政策推动数字化转型进程。政府作为数字化转型重要的驱动力，首先需要加强对数字化企业的扶持力度，通过财政补贴、减免税收等方式支持各种中小型企业促进数字化转型。其次，政府必须加强企业在数字化转型时的合法监督和管理，以免企业在数字化转型中误入歧途，造成无谓损失。因此这就需要政府建立数字化监督体系，从而推动数字化转型稳步发展。
(3) 社会应该加强对数字化人才的培养。数字化转型需要高水平教育的支持，人作为社会生产的第一劳动力，在数字技术推动和实施方面都起到了举足轻重的作用。因此需要将数字化技术和知识融入到课堂，加强数字化技术高水平人才的培养。同时企业和学校可以进行合作，将企业的专业人才引入学校，利用学校的优质教育资源提高员工素质，建立反馈机制，解决在学习中所发现的问题，不断进行培训，循环往复，建立专业型数字化高水平人才队伍。