Building Supply Chain Resilience: The Role of Intra- and Extra-Chain Social Capital under Digital Transformation
-
摘要: 在VUCA时代，供应链中断和断裂事件频发，维护供应链韧性已成为我国企业在高质量发展背景下亟待解决的关键问题。尽管学界已对供应链韧性的影响因素进行了广泛研究，但对不同类型社会资本的影响机制缺乏探究。本研究从供应链本体出发，将社会资本细分为链内和链外两种类型，并基于2012—2022年中国A股上市公司数据展开实证分析发现，两种社会资本对供应链韧性均有正向影响，但链内社会资本的作用更大。中介分析表明链外、链内社会资本分别通过提升企业融资能力、降低企业信用风险来发挥作用。进一步研究表明，企业数字化转型的调节作用主要体现在引导社会资本突破链内-链外边界，使得链外社会资本在降低信用风险方面发挥了更大作用，而链内社会资本在提升融资能力方面表现得更为出色。研究结论既丰富了社会资本理论，又能为我国企业供应链韧性管理提供理论启示。Abstract: In the VUCA era, supply chain disruptions have become increasingly frequent. Maintaining supply chain resilience has emerged as a critical imperative for Chinese enterprises pursuing high-quality development. Although the existing research has explored factors influencing supply chain resilience, limited attention has been paid to the distinct roles of heterogeneous social capital. This study categorizes social capital into extra-chain and intra-chain types, grounded in supply chain ontology. Through an empirical analysis of the data of A-share listed companies from 2012 to 2022, it is found that both types of social capital positively enhance supply chain resilience, with intra-chain social capital exhibiting a more pronounced effect. Mechanistically, extra-chain social capital strengthens resilience primarily by bolstering corporate financing capacity, whereas intra-chain social capital operates through mitigating credit risks. Further research indicates that the moderating role of corporate digital transformation mainly lies in guiding social capital to break through the intra-chain and extra-chain boundary, enabling extra-chain social capital to play a more significant role in reducing credit risks, while intra-chain social capital enhances financing capabilities. This study offers theoretical and practical insights for strengthening supply chain resilience management of Chinese enterprises.
-
Key words:
- social capital /
- digital transformation /
- supply chain resilience /
- dynamic capability
-
一、 引言
党的二十届三中全会强调，产业链和供应链作为现代经济的关键组成部分，其韧性和安全水平直接体现了一个国家经济抵御风险的能力，对现代化经济体系的稳定运行至关重要，也是实现高质量发展的必然要求。供应链的复杂性日益增加，它不仅跨越了众多企业和不同产业，而且在帮助企业提供优质产品和服务的同时，其维护成本也在不断攀升[1]。在当前形势下，我国企业面临着公共卫生危机、贸易争端、技术变革等一系列挑战，这些挑战导致供应链中断问题愈发频繁，严重影响了企业的正常生产和运营，进而削弱了企业的整体绩效[2]。增强供应链的韧性，不仅是我国企业在当前发展阶段必须解决的关键问题，也是构建现代化经济体系的重要基石。
学界将供应链韧性定义为企业在面临市场不确定性与潜在风险冲击时，能够迅速恢复至正常状态甚至增强的能力[3]。当前大多数研究集中在新兴技术视角，探索供应链韧性的形成机制。如研究发现人工智能可以逐步提升供应链的抗风险能力，使其从初步适应外部变化，到能够持续稳定运行，最终实现优化供应链韧性[4]；数字化转型则有助于优化供需匹配、稳定供需关系、提高供应商创新能力[5]；新质生产力则可提升供应链整体的价值共创和共享，构建供应链韧性的基础[6]。基于动态能力理论，供应链韧性作为一种高阶能力，其构建与维持依赖于多种与供应链健康相关的资源和基础能力。社会资本作为一种有价值的资源，已被一些研究证实恰好可以用于增强供应链韧性[7-8]。但社会资本有组织内部和组织外部两种不同类型的划分[9]，其影响作用存在差异，那么供应链链内、链外两种社会资本的作用机制如何，对此缺乏研究关注。只有充分了解不同类型的社会资本在构建供应链韧性过程中所产生的具体作用，才能更高效地利用好社会资本为组织赋能，本研究将对此展开探究。
社会资本被定义为具有一定程度制度化特征以及相互认可的长期关系网络相联系的、可实际获取与潜在可利用资源的集合[10]。学术界开展了大量对社会资本的内涵、类型、作用效果等问题的研究，例如研究发现社会资本对供应链敏捷性[7]、企业创新绩效[11-12]等具有积极影响作用。本研究基于供应链的视角，将社会资本分为链外社会资本和链内社会资本两种类型，链外社会资本取自供应链外部组织(如行业协会、政府部门、金融机构等)，链内社会资本则是整合供应链内部的上下游商业伙伴、同行资源。两种社会资本对应的资源内容有所差异，其所构建的组织能力也有不同[13]，链外社会资本有助于提升企业的融资能力，链内社会资本则更有助于信用风险控制[14-16]。本文将结合上我国2012—2022年上市公司数据，检验它们的影响作用效果。并结合企业数字化转型背景，探究影响效果的差异化路径，以期更好地服务于供应链韧性管理。
本研究的潜在理论贡献有三个方面。首先，丰富了企业社会资本的分类研究，从供应链的角度提出了链内和链外两种社会资本，帮助进一步探究社会网络对组织能力建构的影响，为企业用好社会资本发展自身提供更具体的建议。其次，开展了企业社会资本影响供应链韧性的融资和信用路径分析，既从风险角度丰富了供应链韧性的前因，也从时间角度考察了社会资本对于企业长期经营的影响，为企业在风险环境下的供应链管理提供科学依据。最后，引入数字化转型，既作为链内链外社会资本影响作用的边界条件，也对当代技术变迁作出回应。前沿技术的发展势必加剧供应链的复杂性，通过研究企业社会资本在数字化转型背景下的作用，我们可以更好地了解在数字化时代的竞争优势和挑战，为企业合理制定战略规划提供策略建议。
二、 理论分析与研究假设
（一） 社会资本与供应链韧性
供应链韧性概念经Rice等学者从物理学移植至管理学领域，现已发展为涵盖可预见性、敏捷性、灵活性与可恢复性的核心能力维度[17-18]。其形成依赖预测、响应、适应、恢复与学习五大基础能力的协同作用[19]，赋能企业在冲击中维持生产连续性，并转化为长期竞争优势[20]。这种高阶属性的建构面临双重挑战：企业既需强化内部流程稳健性，更须通过链内生产网络优化与链外制度资源整合形成动态平衡机制。这要求企业在运营刚性与环境柔性之间实现双元协同，既要构筑抵御上下游风险的基础架构，又要培育政企协作、银企互信等关系资本，最终达成供应链稳定性与可持续性的战略均衡。
企业构建高韧性供应链的内在需求使社会资本成为关键战略资源，其通过链内与链外双路径驱动韧性形成。高质量社会资本不仅通过获取政策支持与融资便利强化企业外部响应能力[11]，更依托组织交互特性分化为两类作用机制，现有研究未充分解析社会资本的分类效应及其差异化作用路径。链内社会资本聚焦供应链上下游协同网络，通过增强外部整合效率实现风险预警与动态调节，为系统稳定性提供基础支撑[21-23]；链外社会资本则依托政企关联、银企合作等非生产性关系，通过政策资源协调与危机应急机制建设，形成抗风险缓冲与恢复加速动能[24-26]。据此提出如下假设：
假设1：链外、链内社会资本有助于提高企业供应链韧性。
（二） 社会资本影响供应链韧性的路径
动态能力理论指出，组织能力具有层级结构，包含用于保证企业正常运营和生存所需的基础能力，以及帮助企业调整既有能力、适应环境变化与竞争态势的高阶能力[27]。企业可根据环境变化，通过感知环境、捕捉机会和动态重组等手段对自身的资源和基础能力进行动态调整，从而持续构建组织所需的高阶能力以维持竞争优势[13]。在此框架下，供应链韧性被定义为企业在冲击中维持供应链运作稳态的高阶能力，其实现依赖于链外与链内社会资本这两种资源的协同赋能，但二者作用路径存在本质差异。
链外社会资本指企业与政府、金融机构等非供应链主体构建的关系网络。该资本通过增强融资能力驱动韧性提升：一方面，政企关联有助于获取财政补贴与税收优惠，直接补充维护供应链所需的资金[28]；另一方面，银企长期信任关系可以减少信息不对称并降低信贷约束，通过拓宽融资渠道构建财务缓冲机制[29]。这种资金链的稳健性使企业能在危机期维持供应商支付与客户履约，防止供应链节点断裂[30]，据此提出如下假设：
假设2a：链外社会资本通过提升融资能力正向影响供应链韧性。
链内社会资本聚焦企业与上下游合作伙伴的信任网络，其核心价值在于降低信用风险——即合作方因财务或履约问题引发的供应链中断风险。根据巴塞尔协议，信用风险源于合作方无法履行约定义务的概率，而链内社会资本通过三方面机制控制该风险：(1)建立信息共享机制，减少因信息不对称导致的误判[31]；(2)构建关系约束机制，通过长期合作衍生的转化成本与社会规范提高退出壁垒，降低合作伙伴主动违约概率[32]；(3)为供应链的资本提供基本保障并缓解资金约束，弱化单方违约的传导效应[16]。这些机制有效提升供应链系统的适应性与恢复力，据此提出如下假设：
假设2b：链内社会资本通过降低信用风险正向影响供应链韧性。
（三） 数字化转型的调节作用
企业数字化转型是通过数字技术的深度应用重构组织架构、业务流程与价值创造模式的系统性变革过程[33-34]，其本质是通过数据要素的价值挖掘实现资源配置效率的跃升。在供应链管理领域，数字化转型通过提升信息透明度与协同效率，推动供应链从线性链式结构向数字化生态网络演进，为社会资本的跨链整合提供技术支撑。通过将复杂现实编码为数据，数字化转型帮助企业充分掌握当前的业务状况与经营态势，在产业链上占据有利位置，更好地适应环境的动态变化[35]。
在链外层面，数字化转型通过供应链金融平台的建设，将链外社会资本嵌入数字化信用评估体系。例如，区块链技术可确保数据的不可篡改[36]，从而增强金融机构对供应链节点企业的信用评估精度，扩大融资可得性；大数据分析技术则可以通过挖掘非结构化数据[37]，如政府补助、政策支持等数据帮助企业精准匹配政策资源；数字化技术的利用可以为企业争取更多外部补贴[38]。因此，数字化转型所带来的这些技术升级能有效缓解企业的融资约束[39]。这种技术赋能提升了企业的信息可得性和可见性[40]，使得链外社会资本突破传统关系网络的局限，通过数据驱动的信用增级机制提升融资能力。
在链内层面，数字化转型通过构建动态信用风险评估模型，将链内社会资本积累的信任关系转化为可量化的风险缓释工具。通过数字化转型，企业能利用现有数据挖掘风险信息[41]，从而提前干预信用风险。例如，物联网与数字孪生技术实时监控链内企业的运营数据[42]，结合机器学习算法预测违约风险[43]。同时，数字化平台的信息共享机制降低了供应链节点间的信息不对称，增强了长期合作形成的专用性资产价值，使得链内社会资本通过技术化信任机制更有效地抑制信用风险[44]。
综上，数字化转型通过技术赋能与组织变革双重路径，重构了社会资本的作用边界：一方面将链外社会资本的融资功能从关系型融资转向数据型融资，另一方面将链内社会资本的风险防控从经验判断转向数据驱动，从而形成跨链协同的新型作用机制，据此提出如下假设：
假设3a：数字化转型正向调节链外社会资本对融资能力的影响作用。
假设3b：数字化转型正向调节链内社会资本对信用风险控制的影响作用。
综上，构建本研究的理论模型，如图 1所示。
三、 研究方法
（一） 数据收集
本研究的企业数字化转型指标来源于巨潮资讯网中的企业年报，其余变量的数据均来源于CSMAR数据库。借鉴吴非等的做法[45]，通过挖掘上市企业年报计算企业数字化无形资产占企业无形资产总金额的比例，构建企业数字化转型指标。初始样本为2012—2022年的中国A股上市公司的面板数据，并做以下处理：剔除ST、*ST公司样本，以及进行手工查阅企业年报和官网补充后仍存在遗漏的观测值；对企业信用风险的数据进行上下1%的缩尾处理，减少异常值的影响。最终样本集为12 417条企业-年份观测数据。
（二） 变量测量
解释变量：企业社会资本(SC)。参考万建香和谢雪梅的测量方法[46-47]，链外社会资本(Extra)的衡量指标为政府补助占营业收入的比例。链内社会资本(Intra)的衡量指标包括应收账款周转率、应付账款周转率、长期股权投资占总资产比例以及银行短期借款在流动资产中的占比。通过熵值法对上述指标进行综合处理，获得企业链内社会资本的综合指标。
被解释变量：供应链韧性(SCR)。在王楠楠对供应链韧性衡量方法的基础上[48]，结合陶锋的产业角度衡量方法[5]，将供应链韧性分为准备能力、响应能力和恢复能力三个层次。准备能力指企业在面对潜在的风险或中断事件时，能够迅速做出反应并采取有效措施的能力；响应能力则更侧重于在突发事件发生后，供应链系统能够迅速做出调整的能力；恢复能力是指供应链能够恢复到原来的状态或从已发生的破坏性事件中恢复的能力。采用熵值法对这三个层次的指标进行综合处理，获取供应链韧性的综合指标。
机制变量：融资能力(FC)。借鉴宁宇新等研究[49]，将企业成长率作为衡量融资能力的指标。高成长率的企业通常伴随着盈利能力的提升，能够吸引投资者，从而提高融资机会。其具体衡量方法为当前年度净利润与前一年度净利润的差额占前一年度净利润的比例。
企业信用风险(RISK)。借鉴刘鹏飞等的研究方法[50]，采用巴萨利模型(Basali model)对企业信用风险进行测量。该模型通过综合评估企业的财务状况和市场表现，计算出一个信用风险评分。测量值越大，表明企业信用风险越低，即企业的信用状况越好，违约可能性越小。巴萨利模型的结构为：
$$ \text { 企业信用风险 }=\frac{\text { 息税折旧前利润 }}{\text { 流动负债 }}+\frac{\text { 利润总额 }}{\text { 运营资本 }}+\frac{\text { 所有者权益 }}{\text { 流动负债 }}+\frac{\text { 有形资产净值 }}{\text { 负债总额 }}+\frac{\text { 运营资本 }}{\text { 总资产 }} $$ 调节变量：数字化转型(DCG)。借鉴陶锋的衡量方法[5]，使用企业数字化无形资产占无形资产总额的比例来度量企业数字化转型程度。为测量数字化无形资产，创建关键词词库，通过人工筛选企业无形资产明细项目，识别包含与数字化转型相关关键词(如数字化、智能、软件、网络、客户端、电子商务等)及相关专利的项目，并将其定义为数字化转型相关的无形资产，以期末余额作为企业数字化资产投资。随后，累加每个企业每个会计年度的数字化无形资产金额，取其占无形资产总额的比例作为衡量指标。
控制变量。本研究选取与企业决策、战略选择和供应链质量相关的企业特征作为控制变量，具体包括：直接关系企业资源获取与管理能力的企业规模(Size)与公司年限(Age)；体现企业治理结构的独立董事比例(Indep)、董事会人数(Board)和前五大股东持股比例(Top5)；反映企业财务状况的现金流比例(CashFlow)；体现企业资产配置倾向的研发投入强度(R & D)和托宾Q值(TobinQ)。上述变量的详细定义和数据来源汇总于表 1。
表 1 变量定义变量类型 变量名称 变量符号 变量测度 因变量 供应链韧性 SCR 从准备能力、响应能力和恢复能力三个维度采用熵值法获取综合指标 自变量 链外社会资本 Extra 政府补助占营业收入的比例 链内社会资本 Intra 采用熵值法获取综合指标 机制变量 融资能力 FC 当前年度净利润与前一年度净利润的差额占前一年度净利润的比例 企业信用风险 RISK 采用巴萨利模型计算获取指标 调节变量 数字化转型 DCG 企业的数字化无形资产金额在企业无形资产总额中所占比例 控制变量 公司规模 Size 公司总资产的自然对数 独立董事比例 Indep 独立董事人数/董事会人数 公司成立年限 Firmage 当前年份减去成立年份加一取自然对数 董事会人数 Board 董事会人数取自然对数 董事会持股比例 Board_ratio 年末董事会成员(不含独立董事)所持股份占公司总股份的比例 研发投入强度 RD_ratio 研发投入/营业收入取自然对数 托宾Q值 TobinQ 市值/总资产 （三） 模型构建
为检验社会资本对供应链韧性的影响，构建如下基准模型：
$$ { SCR }_{i, t}=\alpha_0+\alpha_1 { Extra }_{i, t}+\alpha_2 { Intra }_{i, t}+\sum \alpha_3 { Control }_{i, t}+\delta_i+\delta_t+\varepsilon_{i, t} $$ (1) 其中，被解释变量SCRi, t表示企业i在t年的供应链韧性，Extrai, t表示企业i在t年的链外社会资本，Intrai, t表示企业i在t年的链内社会资本，Control为控制变量，δi和δt控制个体和时间效应，ε为随机误差项。根据假设1，若社会资本能提高企业供应链韧性，则式(1)中的α1和α2应显著为正。
为研究社会资本对供应链韧性的影响机制，构建如下模型：
$$ F C_{i, t}=\beta_0+\beta_1 { Extra }_{i, t}+\sum \beta_2 { Control }_{i, t}+\delta_i+\delta_t+\varepsilon_{i, t} $$ (2) $$ { RISK }_{i, t}=\chi_0+\chi_1 { Intra }_{i, t}+\sum \chi_2 { Control }_{i, t}+\delta_i+\delta_t+\varepsilon_{i, t} $$ (3) $$ S C R_{i, t}=\varphi_0+\varphi_1 F C_{i, t}+\varphi_2 { RISK }_{i, t}+\varphi_3 { Extra }_{i, t}+\varphi_4 { Intra }_{i, t}+\sum \varphi_5 { Control }_{i, t}+\delta_i+\delta_t+\varepsilon_{i, t} $$ (4) 其中，被解释变量FCi, t示企业i在t年的融资能力，被解释变量RISKi, t表示企业i在t年的企业信用风险，其他变量定义同基准模型。根据假设2a，若链外社会资本通过增强融资能力来提高企业供应链韧性，则式(2)中β1和式(4)中φ1均应显著为正。根据假设2b，若链内社会资本通过降低企业信用风险来提高企业供应链韧性，则式(3)中χ1和式(4)中φ2均应显著为正。
为验证数字化转型的调节效应，构建如下模型：
$$ F C_{i, t}=\theta_0+\theta_1 E x t r a_{i, t}+\theta_2 D C G_{i, t}+\theta_3 E x t r a_{i, t} \times D C G_{i, t}+\sum \theta_4 { Control }_{i, t}+\delta_i+\delta_t+\varepsilon_{i, t} $$ (5) $$ { RISK }_{i, t}=\omega_0+\omega_1 { Intra }_{i, t}+\omega_2 D C G_{i, t}+\omega_3 { Intra }_{i, t} \times D C G_{i, t}+\sum \omega_4 { Control }_{i, t}+\delta_i+\delta_t+\varepsilon_{i, t} $$ (6) 其中，所有变量的说明同上。根据假设3a，若数字化转型正向调节链外社会资本对融资能力的积极影响，则式(5)中交互项Extrai，r×DCGi，t的系数θ3应显著为正。根据假设3b，若数字化转型正向调节链内社会资本对企业信用风险的积极影响，则式(6)中交互项Intrai，t×DCGi，t的系数ω3应显著为正。
对数据进行描述性统计和相关性分析，以检验数据的相关程度。在此基础上，建立基准回归模型以检验主效应，并对结果的稳健性进行检验。在基准回归结果稳健后，进一步展开间接效应与调节效应的分析。
四、 研究结果
（一） 描述性统计
表 2列示了主要变量的描述性统计结果。供应链韧性的均值为0.287，最大值为0.445，最小值为0.162。这一结果表明，中国A股上市公司的供应链韧性发展水平存在显著的不均衡性，不同企业之间的供应链韧性存在较大差异。链外社会资本的均值为0.013，而链内社会资本的均值为0.097，这表明样本企业的链内社会资本相对更为丰富。此外，链外社会资本的最小值为-0.004，最大值为16.470，这反映出不同企业获得政府支持的程度存在显著差异。在某些年份，企业可能因面临特殊困境，如遭遇重大自然灾害、行业性危机或自身经营不善等情况，而无法获得政府补助，甚至可能因政策调整需要退还以往年度的补助，从而导致政府补助为负数。融资能力的最小值为-0.707，最大值为0.306。在企业经营过程中，如果企业当前年度净利润大幅下降甚至出现亏损，而前一年度净利润为正数，就会导致融资能力为负数。上述数据特征与既有研究结果相符，为后续分析提供了可靠的实证基础。
表 2 主要变量的描述性统计变量 均值 标准差 最小值 最大值 供应链韧性 0.287 0.026 0.162 0.445 链外社会资本 0.013 0.149 -0.004 16.470 链内社会资本 0.097 0.055 0.000 0.306 融资能力 0.204 0.446 -0.707 23.817 企业信用风险 7.004 6.490 0.772 38.85 数字化转型 0.090 0.194 0 1 公司规模 22.397 1.298 19.156 28.607 独立董事比例 0.619 0.186 0.200 1.375 公司成立年限 17.632 5.928 2.000 64.000 董事会人数 1.640 0.290 0.000 2.639 董事会持股比例 15.926 19.911 0.000 68.150 研发投入强度 0.051 0.098 0.000 8.954 托宾Q值 1.688 1.530 0.027 28.933 （二） 假设检验
1. 主效应检验
采用个体-时间双向固定效应模型，并使用聚类稳健标准误进行回归分析，以检验假设1。表 3报告了相关检验结果。具体而言，模型1和模型3为基准模型，未添加控制变量，旨在初步探究企业社会资本对供应链韧性的影响；模型2和模型4在基准模型的基础上引入了控制变量；模型5则同时纳入链外社会资本和链内社会资本，以剖析两种社会资本对供应链韧性的差异化影响。
表 3 基准回归结果变量 供应链韧性 模型1 模型2 模型3 模型4 模型5 链外社会资本 0.001*** 0.002*** 0.001*** (0.001) (0.000) (0.000) 链内社会资本 0.152*** 0.159*** 0.160*** (0.006) (0.006) (0.006) 控制变量 不控制 控制 不控制 控制 控制 年份固定效应 控制 控制 控制 控制 控制 个体固定效应 控制 控制 控制 控制 控制 样本量 12 417 12 417 12 417 12 417 12 417 adj.R2 0.782 0.793 0.809 0.821 0.822 注：***、**、*分别表示1%、5%、10%的显著性水平，括号内为稳健标准误。下表同。 结果显示，在模型1和模型2中，链外社会资本的回归系数均为正值，且在1%的显著性水平上通过检验。在模型3和模型4中，链内社会资本的回归系数亦保持正值，表明链内社会资本与供应链韧性之间的关系受到企业自身环境的影响。在模型5中，链内社会资本(β=0.160，p < 0.001)和链外社会资本(β=0.001，p < 0.001)的回归系数均显著为正，这表明在控制企业层面变量和双向固定效应的条件下，链内社会资本和链外社会资本的提升均有利于供应链韧性的增强，假设1得到验证。
为进一步探究链外社会资本和链内社会资本对供应链韧性影响的差异，对模型5中的两个解释变量系数进行了相等性检验。检验结果显示，F(1, 70)=838.61，p值为0.000。因此，在5%的显著性水平下，链外社会资本和链内社会资本对供应链韧性的影响存在显著差异，且链内社会资本对供应链韧性的影响程度显著大于链外社会资本的影响程度。
2. 稳健性检验
1. 更换自变量测量方法
为进一步验证结果的稳健性，对链内社会资本的测量方法进行了替换。具体而言，在原有基础上追加了以下指标：应付账款周转率与前五大供应商占年度采购总额比例之和、应收账款周转率与前五大客户占年度销售总额比例之和、银行短期借款占流动资产比例、长期股权投资占总资产比例与关联方交易金额占主营业务收入比例之和。通过熵值法对这些新增指标进行综合处理，重新构建企业链内社会资本的综合指标，并以此进行替代测试。表 4的结果显示，更换企业链内社会资本的衡量方式后，企业链内社会资本对供应链韧性仍然呈现显著的正向促进作用，这表明回归结果具有一定的稳健性。
表 4 更换自变量衡量方法回归结果变量 供应链韧性 链外社会资本 0.001*** (0.000) 链内社会资本 0.158*** (0.007) 控制变量 控制 年份固定效应 控制 个体固定效应 控制 观测值 11 215 adj.R2 0.817 2. 延长观测窗口
企业社会资本是企业与环境中的其他主体形成的一种亲密联系，这种联系具有相对稳定性，其影响理应持续多个时点。同理，供应链韧性作为一种高阶能力也不能短期构建，其提升需要时间。因此，本研究分别取企业社会资本滞后一期和供应链韧性前置一期，检验企业社会资本对供应链韧性影响的跨时稳健性，同时也在一定程度上削弱内生性的影响。结果如表 5所示，结果表明，链外社会资本和链内社会资本对供应链韧性的影响并未随时间窗口的延长而呈现出显著衰减。这表明企业社会资本能够在较长的时间序列内对供应链韧性形成促进作用，从侧面再次验证了本文的核心研究假设。
表 5 延长观测窗口回归结果变量 供应链韧性 供应链韧性前置一期 链外社会资本 0.002*** (0.000) 链外社会资本滞后一期 0.001*** (0.000) 链内社会资本 0.056*** (0.008) 链内社会资本滞后一期 0.061*** (0.008) 控制变量 控制 控制 年份固定效应 控制 控制 个体固定效应 控制 控制 观测值 5 187 5 187 adj.R2 0.857 0.850 3. 整体缩尾
为了减少研究变量极端值的影响，对所有连续变量进行了1%和99%的缩尾处理。结果如表 6所示，链内社会资本对供应链韧性仍然呈现显著的正相关，表明其对供应链韧性的促进作用具有较强的稳健性；而企业链外社会资本的影响则进一步削弱，这进一步佐证了链内社会资本在供应链韧性建构中的基础性作用。
表 6 缩尾1%回归结果变量 供应链韧性 链外社会资本 0.0112 (0.012) 链内社会资本 0.158*** (0.004) 控制变量 控制 年份固定效应 控制 个体固定效应 控制 观测值 11 215 adj.R2 0.822 4 3. 中介效应检验
为进一步探究社会资本对供应链韧性的影响路径，采用结构方程模型从模型拟合和路径检验两方面对企业社会资本与供应链韧性的作用机制模型进行检验。为减少量纲差别对路径模型的干扰，各变量在进入模型前均经过标准化处理。
路径检验主要验证假设2a和假设2b的路径，作用机制模型的路径图如图 2所示。其中，设路径链外社会资本→融资能力为A1，链外社会资本→企业信用风险为A2，链内社会资本→融资能力为B1，链内社会资本→企业信用风险为B2，融资能力→供应链韧性为C1，企业信用风险→供应链韧性为C2。除了路径A2不显著外，其余路径均在显著性水平0.01下通过检验。因此，假设2a和假设2b成立，即链外社会资本通过构建融资能力来提高企业的供应链韧性，链内社会资本则通过降低企业信用风险来提高企业的供应链韧性，两者均对企业的供应链韧性产生了积极的影响，但其作用机制存在差异。因此，企业需要利用这两种不同的社会资本，分别构建出不同能力来提高企业的供应链韧性。具体检验结果如表 7所示。
表 7 作用机制检验路径序号 回归系数 标准差 P值 95%置信区间 A1 0.115 0.009 0.000 0.098 0.133 A2 0.005 0.008 0.543 -0.011 0.084 B1 0.050 0.009 0.000 0.033 0.068 B2 0.068 0.008 0.000 0.052 0.084 C1 0.094 0.008 0.000 0.079 0.110 C2 0.092 0.009 0.000 0.075 0.109 此外，根据实证结果还发现，链内社会资本除了通过降低企业信用风险来提高供应链韧性外，也可以通过提高融资能力来显著提高供应链韧性，即链内社会资本也能通过链外社会资本的作用机制对供应链韧性产生影响，但链外社会资本只能通过提高融资能力来提高供应链韧性，其作用机制较为单一。
4. 被调节中介模型
在上述模型的基础上，本文进一步引入企业社会资本与数字化转型的交互项，以考察数字化转型在企业社会资本对供应链韧性作用机制中的调节作用。加入交互项后，模型的近似误差均方根(RMSEA)为0.025，标准化残差平方根(SRMR)为0.004，比较拟合指数(CFI)为0.996，非规范拟合指数(TLI)为0.952，均处于理想范围内，显示出良好的拟合效果。路径检验主要验证假设3a和假设3b。设路径链外社会资本×数字化转型→融资能力为D1，链内社会资本×数字化转型→企业信用风险为D2。检验结果见表 8。其中显示，数字化转型与链外社会资本的交互项系数为正，但数字化转型对链外社会资本与融资能力之间关系的调节效应不显著，结果不支持假设3a。其原因可能是数字化转型虽然提升了信息透明度，但未能有效减少链外主体与企业之间的信息不对称，从而削弱了数字化转型在其中的调节作用。当数字化转型对链内社会资本与企业信用风险之间的关系进行调节时，交互项为负，且调节效应不显著，结果不支持假设3b。其原因可能在于数字化转型使得企业信息披露更加全面和准确，当合作伙伴通过准确数据了解到企业真实的信用风险时，可能会反过来抑制企业间信任关系。
表 8 调节效应检验结果路径序号 回归系数 标准差 P值 95%置信区间 D1 0.077 0.049 0.110 -0.018 0.173 D2 -0.013 0.007 0.070 -0.028 0.001 E1 0.284 0.045 0.000 0.196 0.373 E2 0.021 0.008 0.008 0.005 0.036 基于动态能力理论，数字化转型并不一定只是简单调节社会资本与单一能力的关系，而是可能通过重构企业内外部资源整合方式，打破链内链外社会资本的固有边界，形成跨界的协同效应[13]。因此，进一步检验了数字化转型对链外社会资本与企业信用风险之间关系的调节效应，以及链内社会资本与融资能力之间关系的调节效应。设路径链外社会资本×数字化转型→企业信用风险为E1，链内社会资本×数字化转型→融资能力为E2，检验结果见表 8。从中看出，数字化转型对链外社会资本与企业信用风险之间关系的调节效应显著为正，以及数字化转型对链内社会资本与融资能力之间关系的调节效应也显著为正。
为了进一步分析调节作用的实质，进行简单斜率检验。其中，高数字化转型和低数字化转型分别为调节变量的取值增加和减少1个标准差。图 3显示了链外社会资本对企业信用风险的影响如何受到数字化转型的调节，在低数字化转型下，链外社会资本对企业信用风险的正向影响显著(simple slope=0.074，t=5.396，p < 0.001)；在高数字化转型下，链外社会资本对企业信用风险的正向影响明显增强(simple slope=0.184，t=6.219，p < 0.001)。图 4显示了链内社会资本对融资能力的影响如何受到数字化转型的调节：在低数字化转型下，链内社会资本对融资能力的正向影响显著(simple slope=0.045，t=4.875，p < 0.001)；在高数字化转型下，链内社会资本对融资能力的正向影响明显增强(simple slope=0.053，t=5.866，p < 0.001)。由此可以发现，数字化转型释放了社会资本的潜力，使社会资本对供应链韧性的作用机制起到了跨界的效果。具体而言，数字化技术提升了信息透明度与协作效率，使得链外社会资本可通过数据驱动的信用评估降低风险，而链内社会资本则能借助数字化平台拓展融资渠道。因此，在数字化转型下，链外社会资本也可以通过降低企业信用风险来提高供应链韧性，链内社会资本也可以通过提高融资能力来提高供应链韧性，并且这种影响都受到数字化转型程度的调节。
（三） 进一步讨论
考虑到不同企业可能在不同层面存在较大的异质性，进一步从区域差异以及是否高科技行业企业两个层面进行异质性检验分析。如表 9所示，从地理区域来看，中部地区的链外社会资本对供应链韧性呈显著正向影响，而东部地区和西部地区的影响不显著。原因可能是中部地区近年来在国家政策的支持下，经济发展迅速，尤其是在制造业和高科技产业方面取得了显著进展。政府通过一系列政策扶持，如税收优惠、财政补贴等，鼓励企业加强与政府、金融机构等外部机构的合作。这种政策支持使得中部地区的企业能够更好地利用链外社会资本，提升融资能力，进而增强供应链韧性。相比之下，东部地区经济发达，市场化程度高，企业之间的竞争激烈，链外社会资本的作用相对有限。西部地区则经济发展相对滞后，市场化程度较低，尽管政府支持力度较大，但由于基础设施和产业链不完善，企业难以有效利用链外社会资本。此外，链内社会资本对每个地区的企业都具有显著正向影响，且各地区之间的差异不大。
表 9 异质性检验：地理区域变量 供应链韧性 东部地区 中部地区 西部地区 链外社会资本 0.001 0.027** -0.014 (0.000) (0.011) (0.020) 链内社会资本 0.159*** 0.176*** 0.151*** (0.006) (0.012) (0.032) 控制变量 控制 控制 控制 年份固定效应 控制 控制 控制 企业固定效应 控制 控制 控制 观测值 8 194 1 924 932 adj.R2 0.821 0.842 0.816 根据表 10所示，链外社会资本和链内社会资本对非高科技行业和高科技行业的企业的供应链韧性都具有显著正向影响，但链外社会资本对高科技行业企业的影响明显更大。原因可能是高科技行业，如互联网、智能制造等，更依赖于与链外机构(特别是政府与金融机构)的健康关系来维持自身供应链的韧性。这也侧面反映，对高科技企业的直接支持能为其供应链维稳提供更大帮助。
表 10 异质性检验：高科技与非高科技行业变量 供应链韧性 非高科技行业 高科技行业 链外社会资本 0.001*** 0.019*** (0.000) (0.006) 链内社会资本 0.153*** 0.166*** (0.007) (0.008) 控制变量 控制 控制 年份固定效应 控制 控制 企业固定效应 控制 控制 观测值 5 766 5 403 adj.R2 0.825 0.821 五、 结论与启示
提高我国企业供应链韧性是国家发展战略中防范化解重大风险的重要一环，为研究提高供应链韧性的影响因素，本文基于动态能力理论分析了企业社会资本对供应链韧性的影响机制，研究发现，一是链外社会资本(β=0.001)和链内社会资本(β=0.160)都显著提高了供应链韧性，但链内社会资本影响作用更大。二是根据影响机制分析，链外社会资本和链内社会资本分别通过增强融资能力和降低企业信用风险两种不同的途径来提高供应链韧性。三是调节效应分析发现数字化转型释放了社会资本的潜力，使社会资本对供应链韧性的作用机制产生了跨链融汇效果。四是异质性检验发现不同地区和行业在利用社会资本提升供应链韧性方面存在差异，链外社会资本在中部地区企业、高科技行业企业对供应链韧性的正向影响更大，链内社会资本的地区、行业差异性不显著。
研究结论为企业发展丰富的社会资本提供了有力的证据支撑，为提升供应链韧性提供了参考依据。基于研究发现，提出以下建议，一是企业应加强社会资本积累，通过与政府、金融机构等外部主体建立良好关系，提升链外社会资本；同时，注重与供应链上下游合作伙伴的长期稳定合作，增强链内社会资本，以提升供应链韧性。二是企业需利用外部资源提升融资能力，通过参与公益活动提升声誉，加强与金融机构合作，拓展商业网络，优化融资流程，增强融资吸引力和效率。三是企业应推进数字化转型，借助大数据分析、物联网等技术提升信息透明度和协同效率，优化融资流程，降低信用风险，强化供应链韧性。四是中部地区企业应抓住政策机遇，深化与政府和金融机构合作，加大技术创新投入；高科技行业企业则需积极争取政策支持和资金扶持，强化供应链稳定性。这些建议有助于企业在复杂环境中提升供应链韧性，实现可持续发展。
本文研究存在一定局限性，主要体现在以下三个方面，一是社会资本测量维度有限，尽管本文将社会资本细分为链内和链外两种类型，但其涵盖的范围和维度可能更为广泛，未来研究可从更多维度进行测量。二是供应链韧性测量指标不够全面，目前学术界对供应链韧性的定义尚未统一，其测量指标存在差异，后续研究可从更多维度进行综合测量。三是作用机制探讨不够深入，仅探讨了链外社会资本通过增强融资能力和链内社会资本通过降低企业信用风险来影响供应链韧性的路径，可能存在其他影响机制尚未被充分挖掘。
-
表 1 变量定义
变量类型 变量名称 变量符号 变量测度 因变量 供应链韧性 SCR 从准备能力、响应能力和恢复能力三个维度采用熵值法获取综合指标 自变量 链外社会资本 Extra 政府补助占营业收入的比例 链内社会资本 Intra 采用熵值法获取综合指标 机制变量 融资能力 FC 当前年度净利润与前一年度净利润的差额占前一年度净利润的比例 企业信用风险 RISK 采用巴萨利模型计算获取指标 调节变量 数字化转型 DCG 企业的数字化无形资产金额在企业无形资产总额中所占比例 控制变量 公司规模 Size 公司总资产的自然对数 独立董事比例 Indep 独立董事人数/董事会人数 公司成立年限 Firmage 当前年份减去成立年份加一取自然对数 董事会人数 Board 董事会人数取自然对数 董事会持股比例 Board_ratio 年末董事会成员(不含独立董事)所持股份占公司总股份的比例 研发投入强度 RD_ratio 研发投入/营业收入取自然对数 托宾Q值 TobinQ 市值/总资产 
下载: 导出CSV
表 2 主要变量的描述性统计
变量 均值 标准差 最小值 最大值 供应链韧性 0.287 0.026 0.162 0.445 链外社会资本 0.013 0.149 -0.004 16.470 链内社会资本 0.097 0.055 0.000 0.306 融资能力 0.204 0.446 -0.707 23.817 企业信用风险 7.004 6.490 0.772 38.85 数字化转型 0.090 0.194 0 1 公司规模 22.397 1.298 19.156 28.607 独立董事比例 0.619 0.186 0.200 1.375 公司成立年限 17.632 5.928 2.000 64.000 董事会人数 1.640 0.290 0.000 2.639 董事会持股比例 15.926 19.911 0.000 68.150 研发投入强度 0.051 0.098 0.000 8.954 托宾Q值 1.688 1.530 0.027 28.933
下载: 导出CSV
表 3 基准回归结果
变量 供应链韧性 模型1 模型2 模型3 模型4 模型5 链外社会资本 0.001*** 0.002*** 0.001*** (0.001) (0.000) (0.000) 链内社会资本 0.152*** 0.159*** 0.160*** (0.006) (0.006) (0.006) 控制变量 不控制 控制 不控制 控制 控制 年份固定效应 控制 控制 控制 控制 控制 个体固定效应 控制 控制 控制 控制 控制 样本量 12 417 12 417 12 417 12 417 12 417 adj.R2 0.782 0.793 0.809 0.821 0.822 注：***、**、*分别表示1%、5%、10%的显著性水平，括号内为稳健标准误。下表同。
下载: 导出CSV
表 4 更换自变量衡量方法回归结果
变量 供应链韧性 链外社会资本 0.001*** (0.000) 链内社会资本 0.158*** (0.007) 控制变量 控制 年份固定效应 控制 个体固定效应 控制 观测值 11 215 adj.R2 0.817
下载: 导出CSV
表 5 延长观测窗口回归结果
变量 供应链韧性 供应链韧性前置一期 链外社会资本 0.002*** (0.000) 链外社会资本滞后一期 0.001*** (0.000) 链内社会资本 0.056*** (0.008) 链内社会资本滞后一期 0.061*** (0.008) 控制变量 控制 控制 年份固定效应 控制 控制 个体固定效应 控制 控制 观测值 5 187 5 187 adj.R2 0.857 0.850
下载: 导出CSV
表 6 缩尾1%回归结果
变量 供应链韧性 链外社会资本 0.0112 (0.012) 链内社会资本 0.158*** (0.004) 控制变量 控制 年份固定效应 控制 个体固定效应 控制 观测值 11 215 adj.R2 0.822 4
下载: 导出CSV
表 7 作用机制检验
路径序号 回归系数 标准差 P值 95%置信区间 A1 0.115 0.009 0.000 0.098 0.133 A2 0.005 0.008 0.543 -0.011 0.084 B1 0.050 0.009 0.000 0.033 0.068 B2 0.068 0.008 0.000 0.052 0.084 C1 0.094 0.008 0.000 0.079 0.110 C2 0.092 0.009 0.000 0.075 0.109
下载: 导出CSV
表 8 调节效应检验结果
路径序号 回归系数 标准差 P值 95%置信区间 D1 0.077 0.049 0.110 -0.018 0.173 D2 -0.013 0.007 0.070 -0.028 0.001 E1 0.284 0.045 0.000 0.196 0.373 E2 0.021 0.008 0.008 0.005 0.036
下载: 导出CSV
表 9 异质性检验：地理区域
变量 供应链韧性 东部地区 中部地区 西部地区 链外社会资本 0.001 0.027** -0.014 (0.000) (0.011) (0.020) 链内社会资本 0.159*** 0.176*** 0.151*** (0.006) (0.012) (0.032) 控制变量 控制 控制 控制 年份固定效应 控制 控制 控制 企业固定效应 控制 控制 控制 观测值 8 194 1 924 932 adj.R2 0.821 0.842 0.816
下载: 导出CSV
表 10 异质性检验：高科技与非高科技行业
变量 供应链韧性 非高科技行业 高科技行业 链外社会资本 0.001*** 0.019*** (0.000) (0.006) 链内社会资本 0.153*** 0.166*** (0.007) (0.008) 控制变量 控制 控制 年份固定效应 控制 控制 企业固定效应 控制 控制 观测值 5 766 5 403 adj.R2 0.825 0.821
下载: 导出CSV
-
[1] 黄娅娜. 中国特色制造业供应链的特征、动能与趋势[J]. 中国发展观察, 2023(2): 101-105. doi: 10.3969/j.issn.1673-033X.2023.02.026 [2] 丁浩员, 董文娟, 余心玎. 贸易政策冲击下的跨国供应链断裂与重构研究[J]. 经济研究, 2024(8): 1-103. doi: 10.3969/j.issn.1673-291X.2024.08.001 [3] MARTIN CHRISTOPHER, HELEN PECK. Building the resilient supply chain[J]. International Journal of Logistics Management, 2004, 2(15): 1-13. [4] 宋华, 韩梦玮, 沈凌云. 人工智能在供应链韧性塑造中的作用——基于迈创全球售后供应链管理实践的案例研究[J]. 中国工业经济, 2024(5): 174-192. doi: 10.3969/j.issn.1006-480X.2024.05.011 [5] 陶锋, 王欣然, 徐扬, 等. 数字化转型、产业链供应链韧性与企业生产率[J]. 中国工业经济, 2023(5): 118-136. doi: 10.3969/j.issn.1006-480X.2023.05.007 [6] 洪银兴, 王坤沂. 新质生产力视角下产业链供应链韧性和安全性研究[J]. 经济研究, 2024(6): 4-14. [7] ZHANG L, PU X, CAI Z, et al. Uniting partners to cope with environmental uncertainty: disentangling the role of social capital in developing supply chain agility[J]. Journal of Purchasing and Supply Management, 2023, 29(2): 100822. doi: 10.1016/j.pursup.2023.100822 [8] GÖLGECI I, KUIVALAINEN O. Does social capital matter for supply chain resilience? the role of absorptive capacity and marketing-supply chain management alignment[J]. Industrial Marketing Management, 2020, 84: 63-74. doi: 10.1016/j.indmarman.2019.05.006 [9] KANWAL F, TANG C, UR REHMAN A, et al. Knowledge absorptive capacity and project innovativeness: the moderating role of internal and external social capital[J]. Knowledge Management Research & Practice, 2020, 20(5): 686-703. [10] PIERRE B. Le capital social: notes provisoires[J]. Actes De La Recherche En Sciences Sociales, 1980, 31(1): 2-3. [11] 林志帆, 龙小宁. 社会资本能否支撑中国民营企业高质量发展?[J]. 管理世界, 2021(10): 56-73. [12] LYU C, PENG C, YANG H, et al. Social capital and innovation performance of digital firms: serial mediation effect of cross-border knowledge search and absorptive capacity[J]. Journal of Innovation & Knowledge, 2022, 7(2): 100187. [13] TEECE D J, PISANO G, SHUEN A. Dynamic capabilities and strategic management[J]. Strategic Management Journal, 1997, 18(7): 509-533. [14] 郭春, 罗劲博. 大客户"兼任"供应商与企业供应链韧性[J]. 当代财经, 2024(3): 139-152. [15] PRAJOGO D, OLHAGER J. Supply chain integration and performance: the effects of long-term relationships, information technology and sharing, and logistics integration[J]. International Journal of Production Economics, 2012, 135(1): 514-522. [16] XIE X, SHI X, GU J, et al. Examining the contagion effect of credit risk in a supply chain under trade credit and bank loan offering[J]. Omega, 2023, 115: 102751. doi: 10.1016/j.omega.2022.102751 [17] WONG C W Y, LIRN T C, YANG C C, et al. Supply chain and external conditions under which supply chain resilience pays: an organizational information processing theorization[J]. International Journal of Production Economics, 2020, 226: 107610. [18] RICE J B, CANIATO F. Building a secure and resilient supply network[J]. Supply Chain Management Review, 2003, 7(5): 22-30. [19] 樊雪梅, 卢梦媛. 新冠疫情下汽车企业供应链韧性影响因素及评价[J]. 工业技术经济, 2020(10): 21-28. [20] FARUQUEE M, PAULRAJ A, IRAWAN C A. Strategic supplier relationships and supply chain resilience: is digital transformation that precludes trust beneficial?[J]. International Journal of Operations & Production Management, 2021, 41(7): 1192-1219. [21] ASAMOAH D, AGYEI-OWUSU B, ASHUN E. Social network relationship, supply chain resilience and customer-oriented performance of small and medium enterprises in a developing economy[J]. Benchmarking: An International Journal, 2020, 27(5): 1793-1813. [22] ZHAO R, MASHRUWALA R, PANDIT S, et al. Supply chain relational capital and the bullwhip effect: an empirical analysis using financial disclosures[J]. International Journal of Operations & Production Management, 2019, 39(5): 658-689. [23] 闵惜琳, 杨帆捷, 蔡煌, 等. 基于企业社会资本视角的供应链整合决策选择机理仿真[J]. 系统工程, 2019(5): 87-98. [24] LUO Y, TUNG R L. International expansion of emerging market enterprises: a springboard perspective[J]. Journal of International Business Studies, 2007, 38(4): 481-498. [25] 杨德明, 赵璨, 曹伟. 寻租与企业绩效: "绊脚石"还是"润滑剂"[J]. 财贸经济, 2017(1): 130-145. [26] CAO M, ZHANG Q. Supply chain collaboration: impact on collaborative advantage and firm performance[J]. Journal of Operations Management, 2011, 29(3): 163-180. [27] COLLIS D J. Research note: how valuable are organizational capabilities?[J]. Strategic Management Journal, 1994, 15(S1): 143-152. [28] LIN C, MA Y, XUAN Y. Ownership structure and financial constraints: evidence from a structural estimation[J]. Journal of Financial Economics, 2011, 102(2): 416-431. [29] ANGORI G, ARISTEI D, GALLO M. Lending technologies, banking relationships, and firms' access to credit in Italy: the role of firm size[J]. Applied Economics, 2019, 51(58): 6139-6170. [30] 张海燕, 李萍. 政府紧急贷款对民营企业供应链风险管理的影响——以"5.12"汶川地震灾后重建为例[J]. 管理学报, 2011(6): 824-832. [31] DIAS G P, SILVA M E, VIANA F L E. Contributions of social capital to supply chain sustainability practices: conceptual framework and propositions[J]. Cleaner Logistics and Supply Chain, 2024: 100151. [32] HAMPL N. Drivers of and barriers to partner switch in interfirm alliances: a conceptual model[J]. Journal of Business Economics, 2020, 90(4): 563-589. [33] VIAL G. Understanding digital transformation: a review and a research agenda[J]. The Journal of Strategic Information Systems, 2019, 28(2): 118-144. [34] 黄丽华, 朱海林, 刘伟华, 等. 企业数字化转型和管理: 研究框架与展望[J]. 管理科学学报, 2021(8): 26-35. [35] MARRUCCI A, RIALTI R. Successful digital transformation initiatives in SMEs[M]. Cham: Palgrave Macmillan, 2023. [36] YANG J, WEN J, JIANG B, et al. Blockchain-based sharing and tamper-proof framework of big data networking[J]. IEEE Network, 2020, 34(4): 62-67. [37] HOU R, KONG Y Q, CAI B, et al. Unstructured big data analysis algorithm and simulation of Internet of things based on machine learning[J]. Neural Computing and Applications, 2020, 32(10): 5399-5407. [38] FAN X, ZHAO S, SHAO D, et al. Talking and walking: corporate digital transformation and government subsidies[J]. Finance Research Letters, 2024, 64: 105444. [39] 钟娟, 陈昕, 苏会, 等. 数字化转型对劳动投资效率的影响及其作用机制[J]. 广东财经大学学报, 2023(5): 22-36. http://xb.gdufe.edu.cn/article/id/a6499251-e4e4-43e8-b509-b6ff13031f3f [40] DEEPU T S, RAVI V. A review of literature on implementation and operational dimensions of supply chain digitalization: framework development and future research directions[J]. International Journal of Information Management Data Insights, 2023, 3(1): 100156. [41] YAO Q, FAN R, CHEN R, et al. A model of the enterprise supply chain risk propagation based on partially mapping two-layer complex networks[J]. Physica A: Statistical Mechanics and Its Applications, 2023, 613: 128506. [42] NIE Q, TANG D, ZHU H, et al. A multi-agent and internet of things framework of digital twin for optimized manufacturing control[J]. International Journal of Computer Integrated Manufacturing, 2022, 35(10-11): 1205-1226. [43] MOSCATO V, PICARIELLO A, SPERLÍ G. A benchmark of machine learning approaches for credit score prediction[J]. Expert Systems with Applications, 2021, 165: 113986. [44] JIANG C, YIN C, TANG Q, et al. The value of official website information in the credit risk evaluation of SMEs[J]. Journal of Business Research, 2023, 169: 114290. [45] 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, 10. [46] 谢雪梅, 童钰辉. 社会资本对制造企业数字化转型的影响研究[J]. 科技与管理, 2022(5): 36-46. [47] 万建香, 钟以婷. 社会资本对企业绩效的影响——基于中国经济转型阶段的研究[J]. 管理评论, 2022(1): 60-66. [48] 王楠楠, 崔登峰. 疾风知劲草: 企业韧性评价指标体系与量化分析[J]. 工业技术经济, 2023(2): 86-95. [49] 宁宇新, 柯大钢. 转轨背景、公司成长性与债务融资——来自于上市公司的经验证据[J]. 中大管理研究, 2008(2): 107-124. [50] 刘鹏飞, 晏艳阳. 社会资本与企业信用风险[J]. 经济经纬, 2016(2): 102-106. -
下载:
点击查看大图
计量
- 文章访问数: 263
- HTML全文浏览量: 184
- PDF下载量: 8
- 被引次数: 0