数据资产对企业创新的影响——基于资源配置效率和高管背景视角

湖南工业大学经济与管理学院 钟雅冰

发布时间:2025-12-19

摘要：在信息技术快速发展的背景下，数据资产日益成为推动企业技术创新的重要战略资源。选取2010-2022年中国沪深上市公司为研究样本，探讨数据资产对企业创新的影响。实证结果显示，数据资产能够显著提升企业创新能力。机制分析进一步表明，数据资产主要通过提升资源配置效率促进企业创新。同时，在高管具备数字化背景的企业中，这一促进效应更为显著。研究结论不仅丰富了数据资产赋能企业创新的理论体系，也为企业优化数据资产管理与提升创新绩效提供了实践参考与政策建议。

关键词：数据资产，资源配置效率，数字化背景，企业创新

基金项目：湖南省哲学社会科学成果评审委员会课题（XSP20YBC210）

0　引言

创新是推动企业持续成长、增强核心竞争力的关键驱动力。在市场环境日益复杂、技术加速演进的背景下，企业唯有持续推进创新，才能在激烈的竞争中保持优势。尤其在数字经济蓬勃发展的当下，创新不仅关系到企业内部资源的有效配置与发展模式的转型升级，还深刻影响着整个行业的技术发展与市场结构的重塑^[1]。近年来，尽管我国企业在5G、人工智能等重要领域取得了一定成果，但仍有不少企业面临创新动力不足的困境^[2]。例如部分企业在核心技术研发方面对外部供给依赖较大，关键环节缺乏自主可控能力，进而制约其持续创新能力与市场竞争优势的形成。因此，如何有效激发企业的内生创新动能，构建以自主研发为基础的创新体系，已成为当前企业管理者亟须破解的重要问题。

2021年12月，《国务院关于印发“十四五”数字经济发展规划的通知》强调“数据对提高生产效率的乘数作用不断凸显，成为最具时代特征的生产要素”“数据的爆发增长、海量集聚蕴藏了巨大的价值，为智能化发展带来了新的机遇”“协同推进技术、模式、业态和制度创新，切实用好数据要素，将为经济社会数字化发展带来强劲动力”。《“数据要素×”三年行动计划（2024—2026年）》进一步强调“以推动数据要素高水平应用为主线，以推进数据要素协同优化、复用增效、融合创新作用发挥为重点，强化场景需求牵引，带动数据要素高质量供给、合规高效流通，培育新业态新模式，充分实现数据要素价值”，进而推动数据从资源向资产转化，为数据资产的发展提供了制度保障与战略支撑。在政策引导与技术进步的双重驱动下，我国数据资源规模持续扩大，截至2023年已达32.85ZB，数据资产正逐步成为企业提升创新能力和核心竞争力的重要资源。数据资产是指企业在经营过程中通过采集、整理和分析所形成的信息资源，不仅具有潜在的经济价值，也在企业技术创新中发挥着日益突出的作用^[3]。具体而言，一方面，基于数据资产管理构建的组织文化能够打破信息壁垒，促进跨部门协作，提升组织效能，加快高效创新团队的建设与创新成果的转化效率。另一方面，数据资产还能为企业提供更为精准的风险识别和评估支持，推动其构建以数据驱动为基础的科学决策体系，进而增强战略应变能力和业务稳定性^[4]。例如，部分企业将新产品或技术推向市场前，通过对历史数据的深度挖掘与分析，进行系统性风险评估，有效降低了失败概率，加快了创新成果的落地进程。

已有研究表明，数据资产化在推动企业高质量发展过程中展现出多维度的积极效应。数据资产的积累与高效管理不仅能够显著提升企业的创新投入，尤其对“专精特新”中小企业而言，更有助于实现突破性创新^[5]。同时还能通过优化资源配置、精细化预算管理与成本控制，提升运营效率与成本效益，促进跨部门协作与组织间的联合创新^[6]，增强企业的组织韧性^[7]。在此基础上，数据资产进一步推动了全要素生产率的提升^[4]，并通过改善信息流通效率与优化信贷资源配置，有效释放新质生产力潜能^[1]。此外，数据资产的深度开发与科学运用也有助于提升企业价值、增强核心竞争力，为企业在复杂多变的市场环境中实现可持续发展提供坚实支撑。然而，尽管数据资产的价值已在多个方面得到体现，但其如何具体作用于企业创新行为，尤其在影响企业创新路径选择方面的机制，仍缺乏系统研究。为此，本文以2010-2022年我国沪深A股上市公司为研究样本，系统分析数据资产对企业创新活动的作用机制，旨在为推动数据要素赋能企业创新发展提供理论依据与实证支持。

本文可能的边际贡献体现在以下两个方面：第一，研究视角的创新。本研究深入分析了数据资产影响企业创新的内在机制，不仅引入资源配置效率作为中介变量，还考虑了高管是否具有数字化背景的调节作用。第二，研究内容的深化与扩展。本研究结合企业所有权结构、企业规模和地域特性3个维度，深入考察数据资产对企业创新的差异化影响。这种深入分析不仅为企业提供了更具操作性的数据资产管理指南，帮助企业提升数据利用效率与创新能力，还为企业制定数据驱动战略提供了实证依据，支持企业更精准地规划创新发展路径。

1　理论分析与研究假设

1.1　数据资产与企业创新能力

数据资产是企业在生产经营过程中积累、管理并加以应用的各类数据资源，具体包括用户行为数据、交易数据、供应链数据、研发数据和内部管理数据等。数据资产的价值不仅体现在数据本身，更体现于其对企业决策优化、运营效率提升和创新活动的推动作用。在数字经济背景下，有效的数据资产管理已成为企业实现创新的重要基础，主要通过优化资源配置、促进知识共享以及提升决策效率3个方面推动企业创新^[8]。具体而言，数据资产可帮助企业精准识别并合理配置创新资源，如通过市场反馈与历史交易数据调整研发方向，从而提升创新投入的精准性^[9]。此外，数据资产有助于打破信息壁垒，推动内部知识共享与跨部门协同，提升协同创新能力，并借助实时数据反馈动态调整创新策略，提高企业的响应速度和市场适应性^[10]。同时，数据资产基于数据支持的快速试验与迭代机制，显著提高了产品和服务的更新效率。更为重要的是，数据资产为企业提供了客观、量化的决策依据，有助于全面评估市场环境与运营状态^[11]，从而降低创新过程中的不确定性与试错成本，提升组织灵活性与前瞻性^[12]。综上所述，数据资产的高效利用能够显著提升企业的创新效率，增强企业在激烈市场竞争中的持续创新能力。基于此，提出以下假设：

H₁：数据资产能够促进企业创新。

1.2　数据资产作用于企业技术创新的机制分析

1.2.1　资源配置效率的中介作用

数据资产作为提升资源配置效率的重要工具，能够显著改善企业资源的使用效能，从而增强其创新能力^[13]。通过优化数据资产的管理与应用，企业能够更加全面了解自身业务状况与市场环境^[14]，实现创新资源的精准匹配和高效利用，从而显著提升资源配置效率。资源配置效率的提高，有助于企业优化研发方向与资金投入，进而提高创新活动的成功率^[15]；资源配置效率的改善推动了企业内部资源的动态调整，使企业能够依据实时数据对供应链管理、生产流程和人力资源进行优化，降低资源浪费，提高整体运营效率^[16]；此外，资源配置效率的提升为资金、人才及技术等创新要素的合理分配提供了制度保障，进一步激发了数据资产在技术创新中的潜力，推动创新产出质量和数量的同步提升。更为重要的是，优化资源配置效率能够有效促进跨部门协同与信息共享，打破组织内部壁垒，实现知识和技术的深度整合，构建持续创新的内生机制^[17]。综上所述，数据资产通过提升资源配置效率，为企业提供了从资源整合到战略执行的支持，成为推动企业创新的重要基础。基于此，提出以下假设：

H₂：数据资产能够通过提升企业资源配置效率促进企业创新。

1.2.2　高管数字化背景的调节作用

高管的数字化背景不仅有助于企业引入先进技术，还能推动企业文化、业务流程与经营模式的深层变革，对企业创新具有重要影响^[18]。具备数字化背景的高管通常拥有更高的数字素养、更强的技术接受能力以及更具前瞻性的战略视野，从而深刻塑造企业内部的创新氛围。首先，高管所具备的数字素养使其更加重视数据在企业运营中的作用，能够推动数据采集、分析与决策的闭环管理，强化数据资产的应用与治理，进而有效提升企业的创新能力。其次，具备信息技术专长的高管能够在企业数字化转型过程中发挥引领作用，显著提高数字技术与业务融合的效率，从而加快创新成果落地^[19]。此外，高管的技术接受能力与战略前瞻性使其更善于识别新兴技术带来的潜在价值，并能准确判断行业发展趋势。他们通常能够从企业战略高度评估数字技术对组织结构、运营效率及竞争优势的综合影响，进而制定切实可行的发展规划，推动企业在动态环境中实现持续创新^[20]。综上所述，高管的数字化背景不仅提升了企业对数据资产的认知与利用能力，也强化了企业在数字时代的战略适应性和技术敏感性，从而在推动企业创新方面发挥了重要的促进作用。基于此，提出以下假设：

H₃：企业高管具有数字化背景能够强化数据资产对企业技术创新的正向作用。

2　研究设计

2.1　样本选择与数据来源

本研究以2010-2022年我国沪深A股上市公司作为研究样本，对数据进行以下预处理：①剔除ST、^*ST股样本；②剔除金融行业样本；③剔除相关财务数据严重缺失的样本；④对所有连续型变量进行1%和99%水平的缩尾处理。最终得到21 410个观测值。数据资产、企业技术创新和控制变量方面数据均来自CSMAR数据库。

2.2　变量定义

2.2.1　被解释变量

企业创新能力（Pat）。本文参照朱冰等^[21]的做法，依据当年申请专利总和加1取自然对数衡量企业创新能力。

2.2.2　解释变量

数据资产（Data 1）。本文参照路征等^[4]的做法，以市场价值减去固定资产、金融资产和无形资产的净值取自然对数衡量。其中，企业的市场价值为总负债的账面价值与股票市值之和，无形资产包括金融资产和会计上的狭义无形资产。

2.2.3　机制变量

为深入研究数据资产对企业创新的促进作用及其内在机制，本文将企业资源利用效率（Inveff）设为中介变量，高管数字化背景（Gaos）作为调节变量。在资源利用效率的衡量上，参考卜君和朱悦^[22]的研究方法，选取企业过度投资作为代理指标，并基于Richardson模型进行量化处理，通过取残差绝对值反映企业资源利用效率水平。高管数字化背景的构建则借鉴王超等^[23]的方法，利用上市公司董事、监事及高管的个人特征信息（教育背景、所学专业），将涉及“信息、智能、软件、电子、通信、系统、网络、自动、无线、计算机”等关键词的专业认定为具备数字化背景。若公司高管中任意一人具备上述背景，则虚拟变量取值为1，否则为0。

2.2.4　控制变量

参考以往研究文献^[6]，选取公司规模（Size）、董事会规模（Board）、独立董事占比（Indep）、两职合一（Dual）、第一大股东持股比例（TOP1）、审计意见（Opinion）作为控制变量来控制其他可能对企业创新产生影响的因素。

2.3　模型设定

为检验假设H₁，构建基准模型（1）如下：

Pat_i，t=β₀+β₁Data1_i，t+β_kControls_i，t+Year+Ind+ε_i，t　　（1）

其中，i和t分别代表企业与年份；Data 1_i，t表示第t年企业i的企业数据资产情况；Pat_i，t表示第t年企业i的企业创新效果；Controls_i，t表示控制变量；Year代表年份固定效应，Ind代表行业固定效应；ε_i，t代表残差项。

基于前文的理论分析，为进一步进行作用机制检验，构建以下模型（2）、（3）、（4）检验中介效应和调节效应：

Inveff_i，t=β₀+β₁Data1_i，t+β_kControls_i，t+Year+Ind+ε_i，t　　（2）

Pat_i，t=β₀+β₁Data1_i，t+β₂Inveff_i，t+β_kControls_i，t+Year+Ind+ε_i，t　　（3）

Pat_i，t=β₀+β₁Data1_i，t+β₂GaoS_i，t+β₃（Data_i，t×GaoS_i，t）+β_kControls_i，t+Year+Ind+ε_i，t　　（4）

3　实证结果与分析

描述性统计结果如表2所示，共涵盖21 410个样本观测值，时间跨度为2010-2022年，几乎囊括了大部分的A股上市公司。在企业技术创新指标上，数值范围则从0.000到5.753，平均值为1.548；在数据资产指标上，数值范围从20.471到26.303，平均值为22.599，说明数据资产各个企业之间的差距普遍存在。这一结果与过往文献较为接近，其余各项变量均落在合理区间内。

3.1　基准回归分析

基准回归分析结果如表3所示，列（1）为最基本模型，仅包含核心解释变量数据资产和被解释变量企业创新，未控制其他变量，也未引入行业和年份固定效应；列（2）在此基础上加入了行业和年份固定效应，以控制行业异质性和时间对企业创新的影响；列（3）进一步引入控制变量（如企业规模、董事会结构、审计意见等）；列（4）在加入控制变量的同时考虑行业与年份固定效应，以增强模型的解释力与估计结果的稳健性。整体来看，4组模型中数据资产变量的回归系数始终在1%水平上显著为正，表明数据资产与企业创新之间存在稳定且显著的正向关系。即企业在有效管理和利用数据资产的基础上，能够显著提升其创新能力。这一结果初步验证了假设H₁。

3.2　稳健性检验

3.2.1　替换解释变量

参照路征等^[4]的研究方法，本研究进一步扩大了金融资产的涵盖范围。在Data 1变量所采用的6类金融资产基础上，新增货币资金、买入返售金融资产、应收股利、应收利息、短期投资、长期股权投资以及长期应收款，构建新的数据资产变量Data 2。同时，为避免Data 1变量因企业市场价值增加而产生的度量偏差，进一步采用数据资产与企业股票总市值的比值，记为Data 3作为替代变量。实证回归结果如表4列（1）和列（2）所示，数据资产变量的回归系数在1%的显著性水平下依然为正，表明前述研究结论依然稳健。

3.2.2　替换被解释变量

参照以往文献^[21]，以当年获得专利总和加1取自然对数Pat 1来衡量企业创新水平，企业创新水平的回归结果如表4列（3）所示，数据资产变量的回归系数在1%水平下显著为正，结论依旧成立。

3.3　内生性分析

3.3.1　PSM检验

为缓解模型中可能存在的样本自选择问题，本研究采用倾向匹配得分（PSM）法来进行内生性控制。具体地，以数据资产变量的中位数为界，将高于中位数的样本组设为1，低于中位数的样本组设为0；并以相关控制变量和年份还有行业虚拟变量进行Logit回归，并计算倾向得分值，然后按照1:2最近邻匹配法进行匹配。如表5列（1）所示，数据资产变量回归系数在1%水平上显著为正，表明在控制样本自选择偏差后，本文的研究假设依然成立。

3.3.2　缩减样本区间

考虑到新冠肺炎疫情的影响，本文剔除了2019年之后的样本，结果如表5列（2）所示。数据资产的回归系数在1%水平上显著为正，本文的研究假设依然成立。

3.3.3　工具变量法

为应对测量误差、遗漏变量以及因果关系的双向性等问题，本文采用工具变量法开展回归分析。以滞后一期数据资产变量L.Data 1作为数据资产的工具变量，如表5列（3）和列（4）所示，数据资产变量回归系数均在1%水平上显著为正，本文的研究结论依然成立。

3.4　机制分析

3.4.1　资源配置效率的中介作用

参照卜君和朱悦^[22]的研究方法，采用企业非效率投资（Inveff）作为替代指标，并利用Richardson模型对其进行量化分析。表6列（1）和列（2）展示了资源配置效率作为中介变量的检验结果。其中，列（1）中资源配置效率（Inveff）变量的回归系数在1%水平上为显著为负，且列（2）中数据资产（Data 1）和资源配置效率（Inveff）变量的回归系数分别在1%水平上显著为正和10%水平上显著为负，表明资源配置效率的中介作用成立。上述实证结果表明，数据资产不仅能够直接提升企业的创新水平，还能够通过改善资源配置效率，间接增强企业的创新能力。一方面，高效的数据资产管理有助于企业精准识别市场需求，整合内外部信息资源，从而实现研发资源的科学配置。这种以数据驱动的投入匹配机制，不仅提高了研发效率，还增强了创新活动的方向性和针对性，进而提升了创新产出的质量。另一方面，资源配置效率的提升亦有助于优化企业内部的组织结构和跨部门协作机制。通过打破信息壁垒、减少资源浪费并推动知识共享，企业能够在更大范围内整合创新要素，构建高效、灵活的协同体系。此外，资源配置能力的增强还提升了企业整合外部创新资源的能力，为开放式创新与联合研发提供了有力保障，进一步推动企业创新的发展。综上，假设H₂得以验证。

3.4.2　高管数字化背景的调节作用

参照王超等^[23]的做法，以企业数字化背景高管所占比例构建高管数字化背景变量（GaoS），表6列（3）为高管数字化背景的调节作用检验结果，数据资产（Data 1）和其与高管数字化背景的交互项（Data 1_G）的回归系数均在1%水平上显著为正，验证了高管数字化背景的调节作用。这一结果表明，具备数字化背景的高管能够有效提升数据资产的管理能力与应用效率，从多个维度促进企业创新绩效的提升。一方面，此类高管通常具备较强的技术理解力和数据敏感性，能够准确挖掘数据资产中蕴含的创新潜力，并据此制定清晰的研发方向与产品策略。另一方面，他们更倾向于主动推进企业的数字化转型，优化数据流通机制和信息系统建设，从技术基础上增强企业的创新支持能力。此外，高管的专业背景还有助于其作出更具前瞻性的战略判断，带动企业积极应对数字化变革，拓展技术边界，提高企业在新兴领域的探索能力。更为重要的是，具有数字化素养的高管能够打破组织内部的信息壁垒，提升跨部门协作效率，构建高效、灵活的创新组织体系，进而推动资源整合与协同创新的开展。综上所述，高管的数字化背景不仅强化了数据资产对企业创新的促进效应，也为企业构建“数据驱动型创新体系”提供了重要的人才支持，假设H₃得以验证。

3.5　异质性分析

3.5.1　企业所有权的异质性

对数据资产作用于不同所有权企业时的异质性进行分组回归。其回归结果如表7列（1）和列（2）所示，其中列（1）为国有企业，列（2）为非国有企业。非国有企业的回归系数在1%水平上显著为正，但国有企业的回归系数仅在10%水平下显著。可以看出相较于国有企业，非国有企业对企业创新的促进作用更为显著，可能是因为非国有企业在市场化程度、治理效率和激励机制等方面优于国有企业，因此在数据资产的管理与应用中更具主动性与灵活性。非国有企业更注重经济效益，能够更高效地将数据资源转化为创新动能，而国有企业则可能因决策层级较多、激励机制相对滞后，在数据资产驱动创新方面表现相对较弱。

3.5.2　企业规模异质性

对数据资产作用于不同规模企业时的异质性进行分组回归，其回归结果如表7列（3）和列（4）所示。其中列（3）为大规模企业，其回归系数在1%水平上显著为正，列（4）为小规模企业，其回归系数并不显著，可能的原因是小规模企业普遍面临信息不对称严重、数据基础薄弱、技术资源有限等问题，难以有效整合和利用数据资产，进而制约其创新能力的释放。相比之下，大规模企业具备更完善的信息系统、专业化的数据管理团队以及更强的技术承载力，因此更有能力将数据资产转化为创新成果。

3.5.3　企业所处地区异质性

对数据资产作用于不同地区企业时的异质性进行分组回归，其回归结果如表7列（5）和列（6）所示。其中列（5）为东部地区企业，其回归系数在1%水平上显著为正，列（6）为非东部地区企业，其回归系数仅在5%水平上显著为正。可能是因为企业积累和应用数据资产受到地区数字经济基础设施完善的影响。东部地区经济发达，数字基础设施和数据交易平台较为成熟，促进了数据的流通与共享，帮助企业更好地利用数据资产进行创新。相比之下，非东部地区基础设施相对薄弱，数据资源获取和应用受限，因此数据资产对企业创新的促进作用较弱。

4　结论与启示

4.1　研究结论

本研究以2010-2022年我国A股上市公司为研究样本，探讨了数据资产对企业创新的影响。实证结果表明，数据资产的运用显著促进了企业创新。机制分析进一步揭示，数据资产主要通过提高企业资源配置效率推动企业创新；此外，高管的数字化背景对数据资产促进企业创新具有显著的正向调节作用。经过考虑内生性问题与多种稳健性检验，本文的研究结论依然稳健。进一步的异质性分析发现，上述正向影响在非国有企业、大规模企业以及东部地区企业中更为显著。

4.2　管理启示

基于上述结论，本文提出以下管理启示：

第一，企业应高度重视数据资产的战略性管理，将其视为提升创新能力的重要资源，而非仅仅作为信息处理工具。应建立系统化的数据资产管理机制，涵盖数据采集、治理与价值转化等环节，以充分释放数据在技术创新中的驱动潜力。第二，鉴于资源配置效率在数据资产促进企业创新中的中介作用，企业需以数据为基础优化资源配置体系，提升人力、资本与技术等创新要素的动态匹配效率，从而增强研发投入的方向性与产出效益。第三，高管的数字化背景在强化数据资产创新效应方面具有显著调节作用，因此企业应在高层管理者选聘、培养与激励中注重数字素养与战略眼光的提升。第四，考虑到本研究发现数据资产在非国有、大规模及东部地区企业中作用更显著，政府应加强区域间数字基础设施的统筹规划，推动数据要素的均衡流动与公平获取，尤其应加大对非东部地区的投入力度；同时，应为国有企业和中小企业提供差异化的能力建设与政策支持，弥补其在数据管理与技术应用方面的短板，进一步释放数据资产对创新绩效的带动效应，缩小不同类型企业间的数据赋能效果差距，帮助企业实现更高质量的创新发展。

参考文献：

[1]孟昊，吕晴，李政.数据资产化与企业新质生产力发展[J].南开学报（哲学社会科学版），2025（3）：22-34.

[2]李健，张金林，董小凡.数字经济如何影响企业创新能力：内在机制与经验证据[J].经济管理，2022，44（8）：5-22.

[3]任宗强，陈淑娴，梅亮.动态能力视角的中小型制造企业数字化转型组态研究——基于模糊集定性比较分析[J].创新与创业管理，2022（2）：101-133.

[4]路征，周婷，王理，等.数据资产与企业发展——来自中国上市公司的经验证据[J].产业经济研究，2023（4）：128-142.

[5]李晖，叶一军.数据资产化与“专精特新”中小企业突破式创新[J].技术经济与管理研究，2025（6）：106-112.

[6]孙颖，赵萱.数据资产管理与企业协同创新——基于创新资源集聚视角[J].工业技术经济，2025，44（2）：78-87.

[7]冯丽丽，辛赫，胡海川.数据资产、组织韧性与企业全要素生产率关系研究[J].价格理论与实践，2024（8）：151-156.

[8]金旭君，沈叶红，陆思怡.商业银行数据资产管理能力评价研究——基于DCAM的数据管理框架展开[J].浙江金融，2022（6）：15-28.

[9]肖雪娇，杨峰.互联网企业数据资产价值评估[J].财会月刊，2022（18）：126-135.

[10]叶雅珍，刘国华，朱扬勇.数据资产化框架初探[J].大数据，2020，6（3）：3-12.

[11]牛彪，于翔，苑泽明.企业数据资产化与资本市场稳定[J].现代金融研究，2025，30（4）：53-63，77.

[12]刘龙均，龙静，柳汝泓.数字平台能力一定会助力企业战略创业吗？[J].科学学与科学技术管理，2024，45（9）：15-34.

[13]李健，董小凡，张金林，等.数据资产对企业创新投入的影响研究[J].外国经济与管理，2023，45（12）：18-33.

[14]刘光强.数据资产赋能企业高质量发展的价值创造逻辑与路径[J].财会通讯，2024（4）：3-12，160.

[15]苑泽明，尹琪，于翔.数据资产如何赋能企业高质量发展——对传统生产要素的优化机制[J].西部论坛，2024，34（3）：54-73.

[16]肖昂，邬瑜骏.数据资产与企业全要素生产率[J].金融与经济，2024（8）：37-47，72.

[17]宋加山，涂瀚匀，赵锐锃.数字化转型如何促进企业创新效率提升——来自金融资产配置视角的再审视[J].科技进步与对策，2024，41（14）：62-71.

[18]高鑫.数据资产在市场竞争中的战略价值与竞争优势[J].中国资产评估，2024（4）：11-16.

[19]赵玲，黄昊.企业数字化转型、高管信息技术特长与创新效率[J].云南财经大学学报，2023，39（7）：86-110.

[20]于翔，牛彪，苑泽明.数据资产、人力资本升级与企业价值[J].中南财经政法大学学报，2024（2）：109-122.

[21]朱冰，张晓亮，郑晓佳.多个大股东与企业创新[J].管理世界，2018，34（7）：151-165.

[22]卜君，朱悦.供应链金融能够提高企业全要素生产率吗？[J].财经问题研究，2024（5）：89-104.

[23]王超，余典范.企业数字化的供应链融资效应——基于商业信用视角[J].经济与管理研究，2023，44（10）：109-128.

作者简介：钟雅冰（2001-），女，湖南工业大学经济与管理学院硕士研究生，研究方向：企业会计与财务管理。

本文通讯作者：钟雅冰。

《科技创业月刊》2025年第9期