企业数字化转型对投资效率的影响研究

Research on the Impact of Enterprise Digital Transformation on Investment Efficiency

摘要: 在移动互联网等新兴技术迅猛发展的背景下，企业数字化转型是否能够改善企业非效率投资问题这一话题愈发被关注，投资作为企业日常生产经营活动、企业利润增长、可持续发展能力提高等不可或缺的一环，能够反映一个企业的发展状况和未来的发展趋势，也在一定程度上助力国家经济的迅猛增长。除此以外，数字化转型、委托代理问题以及投资效率这三者之间存在的关系也是本文研究的重点，即企业数字化转型是否可以缓解委托代理问题、减少委托代理成本从而提高其投资效率。由于2013年数字技术开始逐步发展，因此，本文将沪深A股2013~2023十一年间的数据作为研究样本，以数字化转型为解释变量，投资效率为被解释变量，委托代理成本为中介变量，进行回归分析研究它们之间的关系，并得出了企业数字化转型对投资效率有促进作用以及企业数字化转型能够通过缓解委托代理问题从而提高其投资效率这两个结论，这样的结论能够有效地为企业以及政府等提供合理的建议。

Abstract: In the context of the rapid development of emerging technologies such as mobile Internet, the topic of whether enterprises’ digital transformation can improve enterprises’ inefficient investment has attracted increasing attention. Investment, as an indispensable part of enterprises’ daily production and operation activities, profit growth and sustainable development ability improvement, can reflect the development status and future development trend of an enterprise. To a certain extent, it also contributed to the rapid growth of the national economy. In addition, the relationship between digital transformation, principal-agent problem and investment efficiency is also the focus of this paper, that is, whether the digital transformation of enterprises can alleviate the principal-agent problem, reduce the principal-agent cost and improve the investment efficiency. Due to the gradual development of digital technology in 2013, this paper takes the data of Shanghai and Shenzhen A-shares from 2013 to 2023 as the research sample, with digital transformation as the explanatory variable, investment efficiency as the explained variable, and principal-agent cost as the intermediary variable. The relationship between them is studied by regression analysis and two conclusions are drawn: enterprise digital transformation can promote investment efficiency and enterprise digital transformation can improve investment efficiency by alleviating principal-agent problems. Such conclusions can effectively provide reasonable suggestions for enterprises and governments.

1. 引言

在党的二十大报告和“十四五”规划中指出，我国需要不断地加快发展数字经济并打造数字经济新优势，数字化转型不是一种见效快、周期短的过程，而是一种重新界定企业业务系统的过程，这一过程将企业自身发展与数字技术相结合，能够逐步改变企业的业务及生产经营模式[1]，从而形成自身的数字化转型，最终运用在企业生产资料、生产关系以及商业模式等方面[2]，这一转型是全球经济发展的新动力、新引擎，也在提高核心竞争力方面发挥了重要作用[3]。近年来，国内外数字技术的不断发展，其在我国国民生产总值的比重越来越多，以云计算、区块链、人工智能及大数据为代表的数字技术对我国的方方面面起着很强的促进作用，特别是企业的投资效率。投资在一个企业甚至一个国家中所扮演的角色不可忽视，然而，高投资量并不等于高投资效率，因此，本文认为无论在企业还是国家当中实现高效率投资是至关重要的，因为高效率投资不仅可以促进企业的盈利能力和高质量的长远发展，也对我国经济的高速运转起着不可或缺的作用，从此如何缓解非效率投资、提高投资效率这一话题愈发被关注[4]。本文认为，数字化转型与投资效率之间的有着密切的联系，研究并深刻理解这两者之间的联系是一个企业不断发展的必经之路。

2. 理论分析与研究假设

在企业经营管理过程中，利益相关者因其自身管理能力、知识水平的局限性而委托专业人士代替其管理企业，由于企业管理者与利益相关者之间存在的利益分歧，即企业经营权与所有权的分离导致了委托代理成本的产生。解决企业委托代理问题有以下几点策略。首先，通过数字化转型提高信息透明度，从而促进利益相关者对管理者进行有效监督；其次，企业数字化转型能够提高对企业生产经营活动数据整理、分析的能力，从而降低利益相关者对管理者监督的成本并提高监督效率；最后，企业数字化的提高能够吸引更多外部监管者的监督，这些策略能够有效地缓解委托代理问题，减轻委托代理成本，从而提高企业投资效率。

企业数字化转型不仅有助于减轻因信息不对称导致的融资成本高昂问题，即有效缓解融资约束，而且还显著提升了企业的信息处理能力和信息披露能力，这些能力的提升进一步推动了企业经营效率的提高，并在一定程度上缓解了融资约束，从而提升了企业的投资效率。为此，本文提出假设：

H1：企业数字化转型与投资效率呈正相关，即企业数字化转型程度越高，越能提高其投资效率。

企业数字化转型是将云计算、大数据、区块链等技术运用到企业的生产经营活动当中的过程，这一过程有利于企业的投资效率的提高。企业非投资效率具体表现过度投资和投资不足。一方面是企业数字化转型对过度投资方面的影响。当企业管理者热衷于实现个人利益或构建“商业帝国”时会倾向于过度投资，从而导致企业投资效率低下[5]；当企业风险承担能力较高时，企业则会较多的关注短期利益和市场地位，从而忽视了长远目标的重要性，这在一定程度上也会形成过度投资。企业数字化转型对过度投资有以下两方面的缓解作用：其一，数字技术所包括的云计算、区块链、人工智能及大数据等技术能够有效评估投资项目的风险、价值等方面，从而提高管理者投资决策的准确性并缓解了过度投资问题；其二，企业数字化转型不断完善其监督管理体系，企业监管体系的提高不仅能评估发现投资风险，也能监督并减少管理者过度投资的机会主义行为。

另一方面是企业数字化转型对投资不足方面的影响。当企业管理者为维护自身声誉而谨慎投资，则造成企业投资不足[6]；当企业风险承担能力较低时，企业则会对各项投资项目更加谨慎考虑，这些项目之中也包括收益较为理想的投资项目，进而影响企业的投资效率。企业数字化转型对投资不足有以下两方面的缓解作用：其一，数字技术的不断进步能够带动企业对市场、行业的预测及风险评估，能够高效识别有利于企业发展的投资项目，能够有效缓解管理者谨慎投资行为，从而缓解投资不足的现状；其二，企业数字化转型对管理者的行为起到了有效监督的作用，在一定的监管力度下，管理者则会减少保守投资的行为，继而缓解投资不足，最终有利于提高企业的投资效率。

委托代理问题是抑制企业投资效率提高的重要因素，而企业数字化转型可以有效缓解委托代理冲突，主要体现在信息透明度的提高为管理者提供更大的投资信心和承担风险的能力，以及监督机制的完善也益于利益相关者进行有效监督并抑制管理者的机会主义行为[7]。因此，本文提出假设：

H2：委托代理成本在企业数字化转型和投资效率之间充当中介变量，企业数字化转型能够通过降低委托代理成本从而带动其投资效率的提高。

3. 研究设计

3.1. 样本选取和数据来源

本文选取2013~2023沪深A股上市公司十一年间的数据为研究样本，并对数据进行如下处理：(1)剔除金融行业的样本数据；(2) 剔除ST、PT公司的样本数据；(3) 剔除主要数据缺失或异常的样本数据；(4) 剔除已退市的样本数据，最终共有26,344个观测值。本文所需财务数据来自国泰安数据库(CSMAR)，并使用STATA17软件对其进性统计分析，为避免异常值影响回归结果，本文对连续变量进性了1% (99%)的缩尾处理(Winsorize)。

3.2. 变量的选择和度量

1) 被解释变量

投资效率(Ie)。本文借鉴Richardson (2006) [2]提出的残差模型来测量投资效率，首先需要将投资机会(Growth)、资产负债率(Lev)、现金持有情况(Cash)等变量滞后一期并控制年份及行业，其次对投资(Invest)进行回归处理，最后取回归残差的绝对值来衡量投资效率(Ie)，绝对值越接近零代表非投资效率程度越低，企业投资效率越高。其中，第t年的增长投资(${\text{Invest}}_t$ )的计算方法为资本支出 + 并购支出 − 出售长期资产收入 − 折旧/总资产；投资机会(${\text{Growth}}_{t-1}$ )等于营业收入增长率；资产负债率(${\text{Lev}}_{t-1}$ )为负债除以总资产；现金持有情况(${\text{Cash}}_{t-1}$ )为现金/总资产；上市年龄(${\text{Age}}_{t-1}$ )为当年与上市年份的差额加一并取对数；规模(${\text{Size}}_{t-1}$ )为总资产取对数；股票回报(${\text{Return}}_{t-1}$ )用年个股回报率衡量。公式如下：

${\text{Invest}}_t={\beta }_0+{\beta }_1{\text{Growth}}_{t-1}+{\beta }_2{\text{Lev}}_{t-1}+{\beta }_3{\text{Cash}}_{t-1}+{\beta }_4{\text{Age}}_{t-1}+{\beta }_5{\text{Size}}_{t-1}+{\beta }_6{\text{Return}}_{t-1}+{\beta }_7{\text{Invest}}_{t-1}+\epsilon$

2) 解释变量

企业数字化转型(DCG)。本文参照吴非等人[8]的方法，即Python文本挖掘法构建数字化转型指数，具体方法是先筛选特征词，再对其词频数加总求和，然后取自然对数，最终得到各企业数字化转型的指数，它的值越大代表企业数字化转型程度越高。

3) 中介变量

委托代理成本(ATO)。本文参考王明琳(2014) [9]的研究方法，即利用总资产周转率来衡量代理问题，当总资产周转率较低时，一定程度上反映了管理者对资产的使用效率越低，也就是管理效率较低，从而得出企业的代理成本较高，代理问题较为严重。其中，总资产周转率的计算方法为企业主营业务收入除以资产总额。

4) 控制变量

参考相关文献资料，本文对企业规模(Size)、资产负债率(Lev)、成长性(Growth)、董事会规模(Board)、两职合一(Dual)、股权集中度(Top1)、股权制衡度(EBD)、股权性质(SOE)这些变量进行了控制，除此之外，还对年份(Year)以及行业(IND)进行了控制，其中，股权性质(SOE)中，国有企业用1表示，非国有企业用0表示，用于本文的进一步分析，即对股权性质进行分组回归。具体变量定义见表1。

Table 1. Variable names and meanings

表1. 变量名称及含义

变量类型	变量名称	变量符号	变量含义
被解释变量	投资效率	Ie	Richardson模型残差的绝对值，代表企业的非效率投资水平
解释变量	企业数字化转型	DCG	文本挖掘法构建数字化转型指数
中介变量	委托代理成本	ATO	总资产周转率衡量委托代理成本，主营业务收入/企业资产总额
控制变量	企业规模	Size	Ln (公司年末总资产 + 1)
	资产负债率	Lev	年末总负债/年末总资产
	成长性	Growth	营业收入增长率
	董事会规模	Board	董事会人数/总人数*100
	两职合一	Dual	是否兼任董事与监事，兼任则取1，否则为0
	股权集中度	Top1	第一大股东持股数/全体股东持股数
	股权制衡度	EBD	第2~5位大股东持股数/第一位大股东持股数
	股权性质	SOE	国有企业取1，否则为0
	年份	Year	年份虚拟变量
	行业	IND	行业虚拟变量

3.3. 模型的构建

${\text{Ie}}_{i,t}={\alpha }_0+{\alpha }_1{\text{DCG}}_{i,t-1}+{\alpha }_2{\text{Control}}_{i,t}+{{\displaystyle \sum }}^{\text{}}\text{Year}+{{\displaystyle \sum }}^{\text{}}\text{IND}+{\epsilon }_{i,t}$ (1)

${\text{ATO}}_{i,t}={\alpha }_0+{\alpha }_1{\text{DCG}}_{i,t-1}+{\alpha }_2{\text{Control}}_{i,t}+{{\displaystyle \sum }}^{\text{}}\text{Year}+{{\displaystyle \sum }}^{\text{}}\text{IND}+{\epsilon }_{i,t}$ (2)

${\text{Ie}}_{i,t}={\alpha }_0+{\alpha }_1{\text{DCG}}_{i,t-1}+{\alpha }_2{\text{ATO}}_{i,t}+{\alpha }_3{\text{Control}}_{i,t}+{{\displaystyle \sum }}^{\text{}}\text{Year}+{{\displaystyle \sum }}^{\text{}}\text{IND}+{\epsilon }_{i,t}$ (3)

4. 实证结果

4.1. 描述性统计

表2详细列出了主要变量的描述性统计结果。企业数字化转型(DCG)的均值为1.5394，标准差为1.3990，最小值为0.0000，最大值则为5.1299，这表明本文所研究的样本公司中，数字化转型的程度存在显著的差异，反映了不同公司在数字化转型战略和实施上的多样性。投资效率(Ie)的均值为0.0661，标准差为0.0731，最小值为0.0008，最大值为0.4432，这表明本文研究的样本公司的投资效率差异也较为显著，这种差异不仅体现了不同公司在投资决策和执行上的不同能力，也可能反映了市场环境、公司内部治理等多种因素的影响，同时，投资效率的值越大，越能反映企业的投资规模偏离最优投资水平，即投资效率越低。

Table 2. Descriptive statistics

表2. 描述性统计

变量	样本量	均值	标准差	最小值	最大值
DCG	26,344	1.5394	1.3990	0.0000	5.1299
Ie	26,344	0.0661	0.0731	0.0008	0.4432
ATO	26,344	0.5943	0.4014	0.0693	2.4230
Size	26,344	22.3900	1.2813	20.0391	26.1117
Lev	26,344	0.4346	0.2011	0.0645	0.8896
Growth	26,344	0.1435	0.3498	−0.5121	1.8241
Board	26,344	2.1167	0.1959	1.6094	2.6391
Dual	26,344	0.2785	0.4483	0.0000	1.0000
Top1	26,344	0.3331	0.1461	0.0877	0.7220
EBD	26,344	0.7415	0.6069	0.0374	2.7692
SOE	26,344	0.3471	0.4761	0.0000	1.0000

4.2. 相关性分析

表3为主要变量的相关性分析结果。企业数字化转型(DCG)与投资效率(Ie)之间存在负相关关系，且在1%的水平下显著，这意味着随着数字化转型程度的提高，企业的非效率投资降低，即投资效率提高。然而，由于这些变量之间存在较强相关性，本文需要通过多重共线性检验排除回归模型中可能存在的多重共线性问题。为了验证这一点，本文进行了方差膨胀因子(VIF)检验，具体结果如表4所示。从表中可以看出，股权集中度(Top1)的方差膨胀因子最大，为2.06，但远远低于10的阈值，同时，其他变量的方差膨胀因子均小于股权集中度的方差膨胀因子，这充分说明了各变量之间不存在多重共线性问题，从而验证了本文变量选取的合理性。

Table 3. Correlation analysis

表3. 相关性分析

	DCG	Ie	ATO	Size	Lev	Growth	Board	Dual	Top1	EBD	SOE
DCG	1.000
Ie	−0.063^***	1.000
ATO	0.054^***	−0.062^***	1.000
Size	0.022^***	0.005	0.044^***	1.000
Lev	−0.061^***	0.003	0.124^***	0.491^***	1.000
Growth	0.009	0.239^***	0.097^***	0.047^***	0.020^***	1.000
Board	−0.076^***	0.012^*	0.009	0.268^***	0.139^***	−0.013^**	1.000
Dual	0.110^***	0.000	−0.036^***	−0.156^***	−0.103^***	0.031^***	−0.184^***	1.000
Top1	−0.122^***	0.008	0.068^***	0.209^***	0.056^***	−0.005	0.036^***	−0.070^***	1.000
EBD	0.119^***	0.042^***	−0.055^***	−0.078^***	−0.084^***	0.052^***	0.012^**	0.057^***	−0.691^***	1.000
SOE	−0.152^***	−0.004	0.032^***	0.335^***	0.246^***	−0.075^***	0.257^***	−0.291^***	0.266^***	−0.259^***	1.000

注：^***p < 0.01，^**p < 0.05，^*p < 0.1。

Table 4. Colinearity test

表4. 多重共线性检验

变量	VIF	1/VIF
DCG	1.06	0.947278
Size	1.56	0.639444
Lev	1.36	0.733769
Growth	1.01	0.985441
Board	1.14	0.877119
Dual	1.12	0.895772
Top1	2.06	0.484626
EBD	2.01	0.497561
SOE	1.36	0.736275
Mean VIF	1.41

4.3. 回归分析

表5为回归分析结果。其中，分析结果的第(1)列只对解释变量(L.DCG)与被解释变量(Ie)进行回归；第(2)列在第(1)列的基础上控制了年份、行业；第(3)列则加入了控制变量并且对年份及行业进行控制。由回归分析结果的3列可以看出：滞后一期的数字化转型(L.DCG)的回归系数分别是−0.004、−0.002以及−0.002，对应t值分别为−12.13、−4.40、−4.31且都在1%水平下显著，因此可以得出滞后一期的企业数字化转型(L.DCG)对非效率投资起着抑制作用，对投资效率(Ie)有一定的促进作用这一结论，有效地验证了本文的假设1。

Table 5. The effect of enterprise digital transformation on investment efficiency

表5. 企业数字化转型对投资效率的影响

变量	(1) Ie	(2) Ie	(3) Ie
L.DCG	−0.004^***	−0.002^***	−0.002^***
	(−12.13)	(−4.40)	(−4.31)
Size			−0.001
			(−1.39)
Lev			0.011^***
			(3.91)
Growth			0.050^***
			(36.33)
Board			−0.006^**
			(−2.44)
Dual			0.001
			(0.72)
Top1			0.022^***
			(4.59)
EBD			0.010^***
			(8.67)
SOE			−0.004^***
			(−3.66)
Year	NO	YES	YES
IND	NO	YES	YES
Constant	0.071^***	0.072^***	0.082^***
	(98.52)	(10.75)	(6.76)
Observations	21,108	21,108	21,108
R-squared	0.007	0.065	0.129
r2_a	0.00688	0.0615	0.125
F	147.2	17.27	33.42

t-statistics in parentheses. ^***p < 0.01, ^**p < 0.05, ^*p < 0.1.

4.4. 中介机制检验

为验证假设2，本文进行了中介机制检验。由表6第(2)列可知：滞后一期的企业数字化转型(L.DCG)对委托代理成本(ATO)的影响回归系数为0.025 (t值11.39)且在1%水平下显著，这表明企业数字化转型能够促进总资产周转率，降低委托代理成本，即缓解委托代理问题。与此同时，在表6第(3)列中，也就是滞后一期的企业数字化转型(L.DCG)和委托代理成本(ATO)共同对投资效率(Ie)的影响中，L.DCG的回归系数为−0.001 (t值−2.79)且较为显著，因此本文认为委托代理成本在企业数字化转型和投资效率中发挥中介效应，这样的检验结果能够有效地验证本文的假设2。

Table 6. Intermediary test of agency costs

表6. 委托代理成本的中介机制检验

变量	(1) Ie	(2) ATO	(3) Ie
L.DCG	−0.002^***	0.025^***	−0.001^***
	(−4.31)	(11.39)	(−2.79)
ATO			−0.027^***
			(−19.62)
Size	−0.001	−0.007^*^**	−0.001^*
	(−1.39)	(−2.84)	(−1.79)
Lev	0.011^***	0.294^***	0.019^***
	(3.91)	(20.57)	(6.66)
Growth	0.050^***	0.123^***	0.053^***
	(36.33)	(18.30)	(38.83)
Board	−0.006^**	−0.002	−0.006^**
	(−2.44)	(−0.17)	(−2.48)
Dual	0.001	−0.041^***	−0.000
	(0.72)	(−7.48)	(−0.29)
Top1	0.022^***	0.261^***	0.029^***
	(4.59)	(11.11)	(6.12)
EBD	0.010^***	0.019^***	0.010^***
	(8.67)	(3.54)	(9.22)
SOE	−0.004^***	0.034^***	−0.003^***
	(−3.66)	(5.88)	(−2.90)
Year	YES	YES	YES
IND	YES	YES	YES
Constant	0.082^***	0.355^***	0.092^***
	(6.76)	(5.97)	(7.63)
Observations	21,108	21,108	21,108
R-squared	0.129	0.320	0.145
r2_a	0.125	0.316	0.141
F	33.42	106.1	37.77

t-statistics in parentheses. ^***p < 0.01, ^**p < 0.05, ^*p < 0.1.

4.5. 稳健性检验

1) 改变样本期

本文将原样本区间变更为2013年至2019年，再次进行多元线性回归分析来完成稳健性检验。由表7可知：从第(1)列到第(3)列回归系数分别为−0.004、−0.002和−0.003，这一结果强烈支持了并再次验证了本文的假设1。如表7第(5)列所示，在滞后一期的数字化转型(L.DCG)和委托代理成本(ATO)共同对投资效率(Ie)影响的模型中，L.DCG的系数为−0.002 (t值−3.45)且在1%水平下显著，即企业数字化转型能缓解委托代理问题从而够矫正非效率投资，促进企业投资效率，此检验结果能够再次验证本文的假设2。

Table 7. Regression results of sample period change

表7. 改变样本期的回归结果

变量	(1) Ie	(2) Ie	(3) Ie	(4) ATO	(5) Ie
L.DCG	−0.004^***	−0.002^***	−0.003^***	0.024^***	−0.002^***
	(−6.87)	(−3.41)	(−4.53)	(7.91)	(−3.45)
ATO					−0.031^***
					(−15.38)
Size			0.000	−0.008^**	−0.000
			(0.03)	(−2.33)	(−0.30)
Lev			0.012^***	0.263^***	0.020^***
			(2.86)	(13.65)	(4.76)
Growth			0.058^***	0.115^***	0.061^***
			(29.81)	(13.15)	(31.71)
Board			−0.010^***	0.009	−0.010^***
			(−2.78)	(0.53)	(−2.74)
Dual			0.001	−0.038^***	−0.000
			(0.54)	(−5.19)	(−0.18)
Top1			0.031^***	0.276^***	0.040^***
			(4.54)	(8.86)	(5.81)
EBD			0.013^***	0.019^**	0.013^***
			(7.92)	(2.54)	(8.35)
SOE			−0.006^***	0.056^***	−0.004^**
			(−3.29)	(7.25)	(−2.30)
Year	NO	YES	YES	YES	YES
IND	NO	YES	YES	YES	YES
Constant	0.074^***	0.074^***	0.075^***	0.343^***	0.085^***
	(75.52)	(8.13)	(4.27)	(4.33)	(4.91)
Observations	12,110	12,110	12,110	12,110	12,110
R-squared	0.004	0.063	0.140	0.332	0.157
r2_a	0.00380	0.0569	0.134	0.327	0.151
F	47.22	10.24	22.58	68.59	25.45

t-statistics in parentheses. ^***p < 0.01, ^**p < 0.05, ^*p < 0.1.

2) 对解释变量进行滞后处理

为了对回归结果进行进一步验证，本文采用了对解释变量企业数字化转型滞后了一期(L.DCG)的基础上继续滞后两期、滞后三期的方法，滞后的结果如表8所示。在第(1)列和第(4)列中，滞后了两期、三期的解释变量(L2.DCG, L3.DCG)的回归系数分别为−0.003、−0.002，对应的t值为−5.17和−3.97，且在1%水平下显著，能进一步说明本文的假设1具有一定的稳健性。与此同时，从结果表第(2)列和第(5)列可知，滞后两期、三期的企业数字化转型对委托代理成本(ATO)的影响中，滞后完的企业数字化转型的回归系数分别为0.025 (t值10.04)和0.024 (t值8.53)，并且在1%水平下显著，这更加充分说明企业数字化转型能够促进总资产周转率，从而缓解委托代理问题。如第(3)列和第(6)列所示，在滞后的数字化转型和委托代理成本共同对投资效率的影响中，数字化转型的回归系数分别为−0.026和−0.025且在1%水平下显著，对应t值为−3.87和−2.89，因此可以进一步验证本文的假设2的稳健性。

Table 8. Regression results of lagged explanatory variable

表8. 对解释变量滞后两期的回归结果

变量	(1) Ie	(2) ATO	(3) Ie	(4) Ie	(5) ATO	(6) Ie
L2.DCG	−0.003^***	0.025^***	−0.002^***
	(−5.17)	(10.04)	(−3.87)
L3.DCG				−0.002^***	0.024^***	−0.002^***
				(−3.97)	(8.53)	(−2.89)
ATO			−0.026^***			−0.025^***
			(−17.52)			(−15.47)
Size	−0.000	−0.008^***	−0.001	−0.001	−0.007^**	−0.001
	(−0.91)	(−2.88)	(−1.30)	(−1.28)	(−2.54)	(−1.62)
Lev	0.013^***	0.303^***	0.021^***	0.011^***	0.312^***	0.019^***
	(4.10)	(19.29)	(6.63)	(3.19)	(17.82)	(5.48)
Growth	0.045^***	0.136^***	0.048^***	0.044^***	0.141^***	0.047^***
	(29.93)	(18.37)	(32.32)	(26.59)	(16.80)	(28.71)
Board	−0.006^**	−0.009	−0.007^**	−0.005^*	−0.006	−0.005^*
	(−2.26)	(−0.68)	(−2.37)	(−1.70)	(−0.39)	(−1.76)
Dual	0.000	−0.043^***	−0.001	0.001	−0.045^***	−0.000
	(0.26)	(−7.06)	(−0.68)	(0.49)	(−6.61)	(−0.37)
Top1	0.028^***	0.272^***	0.036^***	0.028^***	0.285^***	0.036^***
	(5.38)	(10.35)	(6.79)	(4.92)	(9.63)	(6.19)
EBD	0.010^***	0.022^***	0.011^***	0.010^***	0.025^***	0.011^***
	(8.50)	(3.72)	(9.06)	(7.63)	(3.67)	(8.17)
SOE	−0.006^***	0.030^***	−0.005^***	−0.004^***	0.026^***	−0.003^**
	(−4.43)	(4.79)	(−3.83)	(−2.64)	(3.74)	(−2.18)
Year	YES	YES	YES	YES	YES	YES
IND	YES	YES	YES	YES	YES	YES
Constant	0.081^***	0.349^***	0.090^***	0.081^***	0.305^***	0.089^***
	(6.28)	(5.43)	(7.05)	(5.91)	(4.32)	(6.51)
Observations	17,408	17,408	17,408	14,258	14,258	14,258
R-squared	0.127	0.325	0.142	0.127	0.329	0.141
r2_a	0.122	0.321	0.138	0.121	0.325	0.136
F	27.69	91.59	31.21	22.81	77.21	25.57

t-statistics in parentheses. ^***p < 0.01, ^**p < 0.05, ^*p < 0.1.

5. 进一步分析

本文区分企业产权性质进一步分析数字化转型对企业投资效率的影响，将国有企业赋值为1，非国有企业赋值为0，根据产权性质的不同进行分组回归，从而探讨是否企业类型的不同会使数字化转型对投资效率产生不同的影响。据表9可知，无论是国有企业还是非国有企业，滞后一期的企业数字化转型对投资效率的作用均为负，回归系数分别为−0.0011和−0.0026，但对国有企业的作用不显著，这是由于国有企业的投资决策具有政策性，即国有企业的投资主要根据是否能符合国家政策和是否促进社会利益最大化这一原则，然而数字化转型并不能改变这一原则，因此本文认为国有企业进行数字化转型并不能显著提高其投资效率。即企业数字化转型程度越高，非国有企业的投资效率也越高的结论。

Table 9. Heterogeneity analysis of property rights

表9. 产权性质异质性分析

变量	(1) 国有企业 Ie	(2) 非国有企业 Ie
L.DCG	−0.0011	−0.0026^***
	(−1.34)	(−4.77)
Size	−0.0027^*^**	0.0001
	(−3.32)	(0.12)
Lev	0.0192^***	0.0091^*
	(3.67)	(2.17)
Growth	0.0495^***	0.0487^***
	(10.58)	(16.39)
Board	−0.0041	−0.0074^*
	(−0.87)	(−2.28)
Dual	0.0010	0.0012
	(0.41)	(0.99)
Top1	0.0505^***	0.0169^**
	(5.94)	(2.81)
EBD	0.0209^***	0.0065^***
	(8.62)	(5.01)
Year	YES	YES
IND	YES	YES
Constant	0.1000^**^*	0.0694^*^**
	(5.19)	(4.35)
N	7650	13,458

t-statistics in parentheses. ^***p < 0.01, ^**p < 0.05, ^*p < 0.1.

6. 研究结论与政策启示

本文以沪深A股2013~2023十一年的数据为样本，进行了一系列的实证分析，其中包括描述性统计、相关性分析、回归分析等，本文还进行了中介机制检验，其中将委托代理成本作为关键中介变量，深入探讨了数字化转型与投资效率之间的内在关联，最终进行了稳健性检验和异质性检验。分析结果如下：首先，企业数字化转型对投资效率具有显著的促进作用；其次，数字化转型能够通过缓解委托代理问题进一步促进其对投资效率的提高；最后，数字化转型对国有企业的投资效率作用并不显著，相反，对非国有企业则显著提升了其投资效率。

基于此，本文对企业和政府提出以下建议。从企业层面看，首先，企业应积极拥抱数字技术，加速自身的数字化转型，通过利用大数据等技术优化组织结构，增强对管理者的监督，以缓解委托代理问题。其次，企业应注重数字人才的培养，提升员工的数字化素养，以支持数字化转型的顺利进行。最后，在数字化转型过程中，企业应当与自身的企业规模和产权性质相结合，找到最适合自身发展的转型方案，避免盲目地数字化转型而提高转型失败的风险。从政府层面看，政府应当制定一些优惠政策和激励政策，如减税和补贴来减轻企业在数字化转型过程中的压力，并提高其数字化转型的动力；政府还需要完善管理系统和制度保障，严厉打击一些不利于企业数据安全的行为，为企业数字化转型提供良好的法制环境。

NOTES

^*通讯作者。