留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

企业大数据分析能力对其商业信用供给的影响及作用机理

汪亚楠 万梦玥 徐枫

汪亚楠, 万梦玥, 徐枫. 企业大数据分析能力对其商业信用供给的影响及作用机理[J]. 广东财经大学学报, 2024, 39(5): 38-54.
引用本文: 汪亚楠, 万梦玥, 徐枫. 企业大数据分析能力对其商业信用供给的影响及作用机理[J]. 广东财经大学学报, 2024, 39(5): 38-54.
WANG Ya-nan, WAN Meng-yue, XU Feng. The Impact and Mechanism of Corporate Big Data Analytics Capability on Commercial Credit Provision[J]. Journal of Guangdong University of Finance & Economics, 2024, 39(5): 38-54.
Citation: WANG Ya-nan, WAN Meng-yue, XU Feng. The Impact and Mechanism of Corporate Big Data Analytics Capability on Commercial Credit Provision[J]. Journal of Guangdong University of Finance & Economics, 2024, 39(5): 38-54.

企业大数据分析能力对其商业信用供给的影响及作用机理

基金项目: 

教育部人文社会科学研究青年项目 21YJC790107

中央高校基本科研业务费面上项目 QNMS202302

详细信息
    作者简介:

    汪亚楠(1992-),女,江西上饶人,华南理工大学经济与金融学院副教授,博士生导师

    徐枫(1973-),男,河南南阳人,华南理工大学经济与金融学院教授,副院长,博士生导师

    通讯作者:

    万梦玥(1997-)(通讯作者),女,甘肃兰州人,华南理工大学经济与金融学院博士研究生

  • 中图分类号: F273.1; F275.1

The Impact and Mechanism of Corporate Big Data Analytics Capability on Commercial Credit Provision

  • 摘要: 数字经济时代,大数据技术颠覆了企业管理模式,深刻影响着商业信用决策。基于2009—2021年中国A股上市公司年报文本信息,通过文本分析识别方法构建企业大数据分析能力指标体系,研究企业大数据分析能力对其商业信用供给的影响及作用机制。结果表明,大数据分析能力显著提升了企业的商业信用供给水平,且这一作用在产权性质、生命周期、盈余管理水平、信息披露程度等方面表现出异质性,并通过激励企业研发创新、降低供应商集中度和缓解企业融资约束三个渠道进行效应传导。本研究从企业大数据分析能力视角拓展了上市公司如何合理配置供应链资金的经验证据,为数字经济时代供应链金融高质量协同发展提供了理论参考。
  • 表  1  企业大数据分析能力构建框架

    一级指标 二级指标 三级指标 关键词
    大数据分析能力 大数据技术普适化 数据挖掘(32) 人工智能、图像理解、智能数据分析、智能机器人、机器学习、深度学习、语义搜索、生物识别技术、人脸识别、语音识别、身份验证、自然语言处理、大数据、数据挖掘、文本挖掘、数据可视化、异构数据、征信、增强现实、混合现实、虚拟现实、数据管理、数据网络、数据平台、数据中心、数据科学、数字技术、数字化、虚拟化、互联网技术、数字网络、网络化
    算法开发(26) 云计算、流计算、图计算、内存计算、多方安全计算、类脑计算、绿色计算、认知计算、融合架构、亿级并发、EB级存储、物联网、信息物理系统、区块链、分布式计算、差分隐私技术、云IT、信息共享、信息管理、信息集成、信息软件、信息系统、信息网络、信息终端、信息中心、信息化
    大数据应用创新化 移动服务(49) 移动支付、第三方支付、NFC支付、数字货币、移动互联、互联网医疗、移动互联网、工业互联网、电子商务、B2B、B2C、C2B、C2C、O2O、数字营销、互联网金融、数字金融、Fintech、金融科技、量化金融、开放银行、网联、投资决策辅助系统、智能金融合约、数字终端、产业互联网、互联网解决方案、互联网思维、互联网行动、互联网业务、互联网移动、互联网应用、互联网营销、互联网战略、互联网平台、互联网模式、互联网商业模式、互联网生态、电商、Internet、“互联网+”、线上线下、线上到线下、线上和线下、云生态、云服务、云平台、移动智能、数字通信
    智能制造(52) 智能能源、智能穿戴、智慧农业、智能交通、智能医疗、智能客服、智能家居、智能投顾、智能文旅、智能环保、智能电网、商业智能、智能营销、无人零售、自动驾驶、智能系统、集成系统、数控、高端智能、工业智能、虚拟制造、一体化、集成化、工业信息、工业通信、智能控制、智能终端、智能移动、智能管理、智能工厂、智能物流、智能制造、智能仓储、智能技术、智能设备、智能生产、智能网联、智能化、数字智能、数字控制、自动控制、自动监测、自动监控、自动检测、自动生产、集成解决方案、集成控制、工业云、未来工厂、智能故障诊断、生命周期管理、生产制造执行系统
    下载: 导出CSV

    表  2  企业大数据分析能力与商业信用供给:基准效应

    变量 (1) (2) (3) (4) (5) (6) (7) (8)
    TC_cost TC_income
    大数据分析能力 0.063***
    (20.503)
    0.058***
    (18.326)
    0.054***
    (16.113)
    0.045***
    (12.978)
    0.034***
    (21.952)
    0.034***
    (21.245)
    0.030***
    (17.778)
    0.027***
    (15.821)
    资产回报率 0.002**
    (2.423)
    0.002**
    (2.435)
    -0.005***
    (-13.125)
    -0.004***
    (-11.785)
    资产负债率 -0.460***
    (-18.985)
    -0.415***
    (-17.009)
    -0.079***
    (-6.575)
    -0.051***
    (-4.247)
    企业规模 -0.045***
    (-11.872)
    -0.062***
    (-16.192)
    -0.026***
    (-13.601)
    -0.033***
    (-17.459)
    成长能力 -0.000**
    (-2.368)
    -0.000***
    (-2.598)
    -0.000***
    (-3.882)
    -0.000***
    (-4.875)
    企业年龄 -0.062***
    (-12.263)
    -0.077***
    (-14.562)
    -0.045***
    (-17.760)
    -0.050***
    (-19.280)
    独立董事比例 0.003***
    (3.785)
    0.002**
    (2.379)
    0.001***
    (2.801)
    0.001
    (1.550)
    现金流量比 -0.014***
    (-21.539)
    -0.012***
    (-19.900)
    -0.010***
    (-32.575)
    -0.010***
    (-31.522)
    常数项 0.864***
    (57.257)
    2.123***
    (25.416)
    0.824***
    (49.985)
    2.498***
    (29.436)
    0.523***
    (68.774)
    1.254***
    (30.069)
    0.504***
    (61.325)
    1.404***
    (33.516)
    地级市固定效应
    年份固定效应
    N 24 841 21 977 24 837 21 970 24 841 21 977 24 837 21 970
    Adj.R2 0.017 0.111 0.111 0.203 0.019 0.145 0.131 0.250
    注:***、**、*分别表示在1%、5%和10%水平上显著,括号内为t统计量。下表同。
    下载: 导出CSV

    表  3  稳健性检验一

    变量 (1)
    TC_cost
    (2)
    TC_income
    (3)
    TC_cost
    (4)
    TC_income
    (5)
    TC_cost
    (6)
    TC_income
    (7)
    TC_cost
    (8)
    TC_income
    大数据分析能力
    滞后一期
    0.052***
    (16.551)
    0.040***
    (11.747)
    0.031***
    (19.229)
    0.025***
    (14.708)
    大数据分析能力
    滞后两期
    0.049***
    (15.244)
    0.041***
    (11.994)
    0.029***
    (17.627)
    0.026***
    (14.906)
    常数项 2.077***
    (24.737)
    2.480***
    (29.037)
    2.048***
    (24.507)
    2.516***
    (29.458)
    1.234***
    (29.208)
    1.408***
    (33.098)
    1.221***
    (28.469)
    1.434***
    (33.064)
    控制变量
    地级市固定效应
    年份固定效应
    N 21 325 21 317 19 927 19 919 21 325 2 1317 19 927 19 919
    Adj. R2 0.112 0.206 0.113 0.211 0.145 0.251 0.144 0.255
    下载: 导出CSV

    表  4  稳健性检验二

    变量 (1) (2) (3) (4)
    构造行业层面Ⅳ 构造地级市层面Ⅳ
    TC_cost TC_income TC_cost TC_income
    大数据分析能力 0.111***(16.627) 0.072***(21.490) 0.092***(4.526) 0.080***(7.865)
    控制变量
    地级市固定效应
    年份固定效应
    N 21 938 21 938 20 805 20 805
    Adj.R2 0.086 0.104 0.100 0.101
    下载: 导出CSV

    表  5  大数据分析能力与商业信用供给:二级维度分解效应

    变量 (1) (2) (3) (4) (5) (6) (7) (8)
    TC_cost TC_income
    大数据技术 0.018***
    (10.256)
    0.018***
    (9.050)
    0.009***
    (10.307)
    0.010***
    (10.442)
    大数据应用 0.021***
    (9.541)
    0.017***
    (7.725)
    0.015***
    (13.505)
    0.013***
    (12.042)
    常数项 0.659***
    (66.391)
    2.354***
    (28.156)
    0.670***
    (57.648)
    2.333***
    (27.885)
    0.409***
    (82.472)
    1.313***
    (31.766)
    0.435***
    (75.243)
    1.326***
    (32.110)
    控制变量
    地级市固定效应
    年份固定效应
    N 24 837 21 970 24 837 21 970 24 837 21 970 24 837 21 970
    Adj.R2 0.105 0.200 0.105 0.199 0.124 0.245 0.127 0.246
    下载: 导出CSV

    表  6  大数据分析能力与商业信用供给:三级维度分解效应

    变量 (1) (2) (3) (4) (5) (6) (7) (8)
    TC_cost TC_income
    数据挖掘 0.002***
    (12.865)
    0.001***
    (11.458)
    算法开发 0.002***
    (9.499)
    0.001***
    (9.750)
    移动服务 0.000***
    (3.383)
    0.000**
    (2.185)
    智能制造 0.001***
    (8.201)
    0.001***
    (13.208)
    常数项 2.221***
    (27.141)
    2.188***
    (26.683)
    2.211***
    (26.921)
    2.178***
    (26.526)
    1.235***
    (30.488)
    1.219***
    (30.065)
    1.227***
    (30.190)
    1.206***
    (29.770)
    控制变量
    地级市固定效应
    年份固定效应
    N 21 970 21 970 21 970 21 970 21 970 21 970 21 970 21 970
    Adj. R2 0.203 0.200 0.197 0.199 0.246 0.244 0.241 0.247
    下载: 导出CSV

    表  7  异质性回归:企业产权性质

    变量 (1) (2) (3) (4)
    TC_cost TC_income
    国有企业 非国有企业 国有企业 非国有企业
    大数据分析能力 0.040***(10.675) 0.033***(6.686) 0.030***(11.912) 0.020***(8.634)
    常数项 2.132***(26.240) 1.946***(13.326) 1.397***(25.709) 1.092***(16.193)
    控制变量
    地级市固定效应
    年份固定效应
    N 7 827 14 132 7 827 14 132
    Adj.R2 0.273 0.193 0.297 0.245
    下载: 导出CSV

    表  8  异质性回归:企业生命周期

    变量 (1) (2) (3) (4) (5) (6)
    TC_cost TC_income
    成长期 成熟期 衰退期 成长期 成熟期 衰退期
    大数据分析能力 0.045***
    (8.763)
    0.029***
    (4.952)
    0.055***
    (6.854)
    0.026***
    (10.676)
    0.023***
    (7.657)
    0.026***
    (7.024)
    常数项 2.540***
    (20.085)
    2.624***
    (18.422)
    2.371***
    (11.485)
    1.480***
    (24.220)
    1.530***
    (20.924)
    1.200***
    (12.392)
    控制变量
    地级市固定效应
    年份固定效应
    N 9 846 6 732 5 275 9 846 6 732 5 275
    Adj.R2 0.208 0.231 0.172 0.245 0.302 0.251
    下载: 导出CSV

    表  9  异质性回归:企业盈余管理

    变量 (1) (2) (3) (4)
    TC_cost TC_income
    高盈余管理 低盈余管理 高盈余管理 低盈余管理
    大数据分析能力 0.049***(7.656) 0.039***(9.515) 0.027***(8.571) 0.026***(12.578)
    常数项 1.799***(10.741) 2.587***(25.629) 1.050***(12.697) 1.484***(29.778)
    控制变量
    地级市固定效应
    年份固定效应
    N 7 866 14 069 7 866 14 069
    Adj.R2 0.200 0.214 0.227 0.274
    下载: 导出CSV

    表  10  异质性回归:年报信息披露程度

    变量 (1) (2) (3) (4)
    TC_cost TC_income
    信息披露程度高 信息披露程度低 信息披露程度高 信息披露程度低
    大数据分析能力 0.034***(6.230) 0.054***(11.903) 0.023***(10.047) 0.030***(11.898)
    常数项 2.677***(20.516) 2.357***(20.452) 1.460***(25.961) 1.364***(21.470)
    控制变量
    地级市固定效应
    年份固定效应
    N 10 252 11 689 10 252 11 689
    Adj.R2 0.194 0.215 0.257 0.252
    下载: 导出CSV

    表  11  影响机制检验:研发创新

    变量 (1) (2) (3) (4) (5) (6)
    TC_cost 研发经费支出 TC_cost TC_income 研发经费支出 TC_income
    大数据分析能力 0.045***
    (12.978)
    0.213***
    (29.449)
    0.033***
    (8.156)
    0.027***
    (15.821)
    0.213***
    (29.449)
    0.022***
    (12.111)
    研发经费支出 0.045***
    (11.246)
    0.021***
    (11.563)
    常数项 2.498***
    (29.436)
    -5.716***
    (-30.761)
    2.920***
    (27.620)
    1.404***
    (33.516)
    -5.716***
    (-30.761)
    1.618***
    (33.854)
    控制变量
    地级市固定效应
    年份固定效应
    N 21 970 20 492 17 417 21 970 20 492 17 417
    Adj.R2 0.203 0.466 0.204 0.250 0.466 0.266
    下载: 导出CSV

    表  12  影响机制检验:供应商集中度

    变量 (1) (2) (3) (4) (5) (6)
    TC_cost 供应商集中度 TC_cost TC_income 供应商集中度 TC_income
    大数据分析能力 0.045***
    (12.978)
    -2.188***
    (-16.757)
    0.041***
    (9.390)
    0.027***
    (15.821)
    -2.188***
    (-16.757)
    0.024***
    (11.551)
    供应商集中度 -0.001***
    (-4.986)
    -0.001***
    (-10.560)
    常数项 2.498***
    (29.436)
    93.406***
    (27.290)
    2.535***
    (21.392)
    1.404***
    (33.516)
    93.406***
    (27.290)
    1.487***
    (27.086)
    控制变量
    地级市固定效应
    年份固定效应
    N 21 970 16 815 14 161 21 970 16 815 14 161
    Adj.R2 0.203 0.162 0.202 0.250 0.162 0.261
    下载: 导出CSV

    表  13  影响机制检验:融资约束

    变量 (1) (2) (3) (4) (5) (6)
    TC_cost 融资约束 TC_cost TC_income 融资约束 TC_income
    大数据分析能力 0.045***
    (12.978)
    -0.007***
    (-12.026)
    0.043***
    (12.319)
    0.027***
    (15.821)
    -0.007***
    (-12.026)
    0.026***
    (14.936)
    融资约束 -0.324***
    (-8.009)
    -0.220***
    (-11.044)
    常数项 2.498***
    (29.436)
    -3.599***
    (-276.486)
    1.262***
    (7.163)
    1.404***
    (33.516)
    -3.599***
    (-276.486)
    0.564***
    (6.490)
    控制变量
    地级市固定效应
    年份固定效应
    N 21 970 27 382 21 970 21 970 27 382 21 970
    Adj.R2 0.203 0.236 0.206 0.250 0.236 0.254
    下载: 导出CSV
  • [1] AKTER S, WAMBA S F, GUNASEKARAN A, et al. How to improve firm performance using big data analytics capability and business strategy alignment?[J]. International Journal of Production Economics, 2016, 182: 113-131. doi: 10.1016/j.ijpe.2016.08.018
    [2] ZHANG A, LV N. Research on the impact of big data capabilities on government's smart service performance: empirical evidence from China[J]. IEEE Access, 2021, 9: 50523-50537. doi: 10.1109/ACCESS.2021.3056486
    [3] LIN C, KUNNATHUR A. Strategic orientations, developmental culture, and big data capability[J]. Journal of Business Research, 2019, 105: 49-60. doi: 10.1016/j.jbusres.2019.07.016
    [4] GUPTA M, GEORGE J F. Toward the development of a big data analytics capability[J]. Information & Management, 2016, 53(8): 1049-1064.
    [5] MVLLER O, FAY M, VOM BROCKE J. The effect of big data and analytics on firm performance: an econometric analysis considering industry characteristics[J]. Journal of Management Information Systems, 2018, 35(2): 488-509. doi: 10.1080/07421222.2018.1451955
    [6] 张叶青, 陆瑶, 李乐芸. 大数据应用对中国企业市场价值的影响——来自中国上市公司年报文本分析的证据[J]. 经济研究, 2021(12): 42-59. doi: 10.3969/j.issn.1007-6964.2021.12.sjjjyj202112005
    [7] 陶锋, 朱盼, 邱楚芝, 等. 数字技术创新对企业市场价值的影响研究[J]. 数量经济技术经济研究, 2023(5): 68-91.
    [8] 吴非, 胡慧芷, 林慧妍, 等. 企业数字化转型与资本市场表现——来自股票流动性的经验证据[J]. 管理世界, 2021(7): 130-144. doi: 10.3969/j.issn.1002-5502.2021.07.010
    [9] 李青原, 李昱, 章尹赛楠, 等. 企业数字化转型的信息溢出效应——基于供应链视角的经验证据[J]. 中国工业经济, 2023(7): 142-159. doi: 10.3969/j.issn.1006-480X.2023.07.012
    [10] 陈胜蓝, 刘晓玲. 中国城际高铁与商业信用供给——基于准自然实验的研究[J]. 金融研究, 2019(10): 117-134.
    [11] CUNAT V. Trade credit: suppliers as debt collectors and insurance providers[J]. Review of Financial Studies, 2007, 20(2): 491-527. doi: 10.1093/rfs/hhl015
    [12] 杜勇, 娄靖, 胡红燕. 供应链共同股权网络下企业数字化转型同群效应研究[J]. 中国工业经济, 2023(4): 136-155. doi: 10.3969/j.issn.1006-480X.2023.04.008
    [13] 孙新波, 钱雨, 张明超, 等. 大数据驱动企业供应链敏捷性的实现机理研究[J]. 管理世界, 2019(9): 133-151, 200. doi: 10.3969/j.issn.1002-5502.2019.09.011
    [14] CULL R, XU L C, ZHU T. Formal finance and trade credit during China's transition[J]. Journal of Financial Intermediation, 2009, 18(2): 173-192. doi: 10.1016/j.jfi.2008.08.004
    [15] 胡悦, 吴文锋. 商业信用融资和我国企业债务的结构性问题[J]. 经济学(季刊), 2022(1): 257-280.
    [16] 陈剑, 刘运辉. 数智化使能运营管理变革: 从供应链到供应链生态系统[J]. 管理世界, 2021(11): 227-240.
    [17] PENG Y, TAO C. Can digital transformation promote enterprise performance? from the perspective of public policy and innovation[J]. Journal of Innovation & Knowledge, 2022, 7(3): 100198.
    [18] 张会丽, 王开颜. 行业竞争影响企业商业信用提供吗?——来自中国A股资本市场的经验证据[J]. 中央财经大学学报, 2019(2): 64-73.
    [19] ASTVANSH V, JINDAL N. Differential effects of received trade credit and provided trade credit on firm value[J]. Production and Operations Management, 2022, 31(2): 781-798. doi: 10.1111/poms.13578
    [20] 李琦, 刘力钢, 邵剑兵. 数字化转型、供应链集成与企业绩效——企业家精神的调节效应[J]. 经济管理, 2021(10): 5-23. doi: 10.3969/j.issn.1002-2635.2021.10.002
    [21] 陈世来, 李青原. IPO、商业信用供给与企业绩效[J]. 南开管理评论, 2023(4): 66-76.
    [22] 吴武清, 田雅婧. 企业数字化转型可以降低费用粘性吗——基于费用调整能力视角[J]. 会计研究, 2022(4): 89-112. doi: 10.3969/j.issn.1003-2886.2022.04.006
    [23] ZHANG Q, YANG L T, CHEN Z, et al. A survey on deep learning for big data[J]. Information Fusion, 2018, 42: 146-157. doi: 10.1016/j.inffus.2017.10.006
    [24] 冀云阳, 周鑫, 张谦. 数字化转型与企业创新——基于研发投入和研发效率视角的分析[J]. 金融研究, 2023(4): 111-129.
    [25] SCHAEFER A, SCHIESS D, WEHRLI R. Long-term growth driven by a sequence of general purpose technologies[J]. Economic Modelling, 2014, 37: 23-31. doi: 10.1016/j.econmod.2013.10.014
    [26] GHASEMAGHAEI M, CALIC G. Assessing the impact of big data on firm innovation performance: big data is not always better data[J]. Journal of Business Research, 2020, 108: 147-162. doi: 10.1016/j.jbusres.2019.09.062
    [27] 杨娜, 黄凌云, 王珏. 混合所有制企业的跨国投资等待时间研究——基于资源依赖理论视角[J]. 外国经济与管理, 2020(3): 92-103.
    [28] 李闻一, 潘珺. 财务共享服务中心与公司商业信用融资——基于异时DID模型研究[J]. 华中师范大学学报(人文社会科学版), 2021(4): 59-72.
    [29] 底璐璐, 刘诚达, 江伟. 供应商集中度与商业信用——来自中国制造业上市公司的经验证据[J]. 珞珈管理评论, 2022(3): 1-21.
    [30] 胡泽, 夏新平, 曹立竑. 金融危机时期商业信用的产品市场竞争动机[J]. 金融研究, 2014(2): 84-97.
    [31] DUARTE J, SIEGEL S, YOUNG L. Trust and credit: the role of appearance in peer-to-peer lending[J]. Review of Financial Studies, 2012, 25(8): 2455-2484. doi: 10.1093/rfs/hhs071
    [32] ELLIOTT W B, GRANT S M, HOBSON J L, et al. Trader participation in disclosure: implications of interactions with management[J]. Contemporary Accounting Research, 2020, 37(1): 68-100.
    [33] 孙洁, 李杰. 大数据应用、融资约束和企业创新效率[J]. 证券市场导报, 2022(11): 13-23.
    [34] NIEBEL T, RASEL F, VIETE S. Big data-big gains? understanding the link between big data analytics and innovation[J]. Economics of Innovation and New Technology, 2019, 28(3): 296-316.
    [35] WU X, LIANG L, CHEN S. How big data alters value creation: through the lens of big data competency[J]. Management Decision, 2022, 60(3): 707-734.
    [36] KHAN N, YAQOOB I, HASHEM I A T, et al. Big data: survey, technologies, opportunities, and challenges[J]. The Scientific World Journal, 2014, 2(1): 712826.
    [37] FARBOODI M, MIHET R, PHILIPPON T, et al. Big data and firm dynamics[J]. AEA Papers and Proceedings, 2019, 109: 38-42.
    [38] BOUGHEAS S, MATCUT S, MIZEN P. Corporate trade credit and inventories: new evidence of a trade-off from accounts payable and receivable[J]. Journal of Banking & Finance, 2009, 33(2): 300-307.
    [39] 钟凯, 梁鹏, 董晓丹, 等. 数字普惠金融与商业信用二次配置[J]. 中国工业经济, 2022(1): 170-188.
    [40] 何晴, 刘净然, 范庆泉. 企业研发风险与补贴政策优化研究[J]. 经济研究, 2022(5): 192-208.
    [41] 徐翔, 赵墨非, 李涛, 等. 数据要素与企业创新: 基于研发竞争的视角[J]. 经济研究, 2023(2): 39-56.
    [42] 蔡贵龙, 张亚楠, 徐悦, 等. 投资者-上市公司互动与资本市场资源配置效率——基于权益资本成本的经验证据[J]. 管理世界, 2022(8): 199-217.
    [43] HADLOCK C J, PIERCE J R. New evidence on measuring financial constraints: moving beyond the KZ index[J]. Review of Financial Studies, 2010, 23(5): 1909-1940.
    [44] 刘莉亚, 何彦林, 王照飞, 等. 融资约束会影响中国企业对外直接投资吗?——基于微观视角的理论和实证分析[J]. 金融研究, 2015(8): 124-140.
    [45] 綦好东, 郭骏超, 朱炜. 国有企业混合所有制改革: 动力、阻力与实现路径[J]. 管理世界, 2017(10): 8-19.
    [46] DICKINSON V. Cash flow patterns as a proxy for firm life cycle[J]. Accounting Review, 2011, 86(6): 1969-1994.
    [47] 刘诗源, 林志帆, 冷志鹏. 税收激励提高企业创新水平了吗?——基于企业生命周期理论的检验[J]. 经济研究, 2020(6): 105-121.
    [48] 李心愉, 赵景涛, 段志明. 盈余管理行为与股票定价——基于中国A股市场的检验[J]. 金融论坛, 2018(3): 66-80.
    [49] 马永强, 赖黎, 曾建光. 盈余管理方式与信贷资源配置[J]. 会计研究, 2014(12): 39-45, 95.
    [50] 孙晓华, 车天琪, 马雪娇. 企业碳信息披露的迎合行为: 识别、溢价损失与作用机制[J]. 中国工业经济, 2023(1): 132-150.
    [51] 苏玲, 王梦霞. 利率市场化、会计信息披露质量与债务融资成本[J]. 金融监管研究, 2023(3): 58-72.
    [52] 王海芳, 姜道平. 数字化转型会提升企业商业信用融资吗?[J]. 技术经济, 2023(1): 104-116.
  • 加载中
表(13)
计量
  • 文章访问数:  49
  • HTML全文浏览量:  27
  • PDF下载量:  8
  • 被引次数: 0
出版历程
  • 收稿日期:  2024-06-01
  • 网络出版日期:  2024-11-08
  • 刊出日期:  2024-09-28

目录

    /

    返回文章
    返回