经济管理前沿
Frontiers in Economics and Management
- 主办单位:未來中國國際出版集團有限公司
- ISSN:3079-3696（P）
- ISSN:3079-9090（O）
- 期刊分类:经济管理
- 出版周期:月刊
- 投稿量:3
- 浏览量:715
数字化转型对农业上市公司可持续的影响
The Impact of Digital Transformation on the Sustainability of Agricultural Listed Companies
引言
随着信息技术迅猛发展，数字化转型已成为各行业重要趋势，农业作为国民经济基础产业，其数字化转型不仅关系产业自身升级变革，更对国家粮食安全与经济发展具有深远影响；数字化转型是企业通过引入数字技术变革业务运营模式以提升效率、降低成本、增强市场竞争力的过程，对农业上市公司而言，可优化生产流程、提升农产品产质，并通过精准市场分析满足消费需求以提升经济绩效，且其影响不止于经济层面——当前可持续发展已成全球共识，农业上市公司可持续发展需兼顾经济成功、环境保护与社会责任，数字化转型为此提供新路径，能助力其在提升经济绩效的同时降低环境影响。深入研究数字化转型对农业上市公司可持续绩效的影响，不仅具有重要的理论价值，更对指导农业上市公司的实践活动具有现实的指导意义，本研究旨在通过系统的理论分析和实证研究，为农业上市公司的数字化转型提供有益的参考和借鉴。
一、文献综述
党的二十大报告立足中国式现代化全局，明确以可持续发展为重要遵循，确立“节约优先、保护优先、自然恢复为主”方针，倡导践行“绿水青山就是金山银山”理念，强调以高水平生态保护支撑高质量发展、协同推进降碳减污扩绿增长，为美丽中国建设筑牢生态根基；基于此，面对我国生态治理紧迫需求，推进农业可持续发展刻不容缓，农业上市公司作为农业进步关键力量与农业可持续发展重要引擎，其可持续发展成效对我国农业长远繁荣意义深远，然而该类企业资源环境依赖度较高，当前正面临经济效益下降与环境资源限制的双重压力，故探索影响其可持续发展成效的关键因素至关重要；从资源基础观来看，企业绩效差异源于资源禀赋，持久绩效提升需掌握价值性、稀缺性、难以模仿性与不可替代性的资源，当前农业及相关上市公司受自然资源、信息资源、人力资源限制而制约可持续发展，数字化融合为打破该限制提供可能，可有效缓解资源困境，其优势之一是提供技术、知识、技能与经验等资源以增强企业自我持续发展能力；现有研究存在三方面不足：一是数字化转型对可持续绩效的影响研究多聚焦制造业，对农业领域关注较少，而农业可持续发展是当前研究热点，需进一步探索；二是数字化转型测度常采用Python抓取年报关键词频数法，准确性不足，难以全面反映企业数字化水平；三是渗透能力作为影响资源转化利用的关键因素（可助力企业快速将外部知识转化为新产品与技术，对可持续绩效有重要影响，但现有研究对其重视不足。
二、理论分析与研究假说
上市公司可持续发展需兼顾经济与环境，农业上市公司可持续绩效作为综合指标，既反映其经济—环境双重目标实现情况，亦是衡量可持续发展能力的核心标尺；资源基础观指出企业成长与竞争优势源于内部资源与能力，农业上市公司可借数字化转型获取并优化资源，提升可持续绩效。从环保经济视角，云计算与AI技术可搭建农业生产互联网系统，为绿色发展提供精准技术支撑；日常运营中，数字化改造能实时采集数据、远程监控设备、开展能源管理，降低能耗与碳排放，数字经济与实体经济融合亦有助于提升效率、优化配置、减碳，且数字化转型可推动绿色技术创新。现有研究证实数字化转型对农业上市公司经济效益的积极影响：优化资源配置、创新产品/服务、拓展数字商业模式，线上线下模式扩大农产品覆盖、优化产业效率，提升经济绩效；优化知识技术配置，借数据改进研发、重构生产，实现产品全流程闭环管理；整合运营信息、预测趋势，降低风险、提升透明度与绩效。依据信息提出以下假设：
H1：农业上市公司的数字化转型对于提升其可持续绩效水平具有显著作用。
H1a：农业上市公司的数字化转型对于提升其经济绩效水平具有显著作用。
H1b：农业上市公司数字化转型对于提升其环境绩效水平具有显著作用。
上市公司推进数字化转型，可以在某种程度上弥补其技术和信息资源获取方面的不足，进而为农业上市公司引入丰富的外部知识资源。然而，这些知识的多样性和异质性要求上市公司必须将其有效渗透并融入自身运营体系中，方能转化为实际的可持续绩效。所谓的渗透能力，指的是组织能够识别、获取外部知识，并对其进行整合与应用的能力。现有研究已经强调，充分利用外部知识资源对于提升上市公司的可持续绩效至关重要。组织的渗透能力则扮演着关键角色，它助力上市公司探索、评估、整合及应用新知识，进而优化上市公司的可持续绩效表现。
农业上市公司渗透能力强，意味着知识获取、转化与产出成本较低，既能高效扩充现有知识库存、奠定可持续发展的知识资源基础，又能推动可持续绩效提升；渗透能力出众的企业可充分利用知识资源，最终将创新转化为实际可持续绩效。此类企业在识别外部机遇与威胁上更具优势，可灵活调整战略与决策以增强战略灵活性，进而快速适配并优化商业模式，实现更优可持续绩效。相反，渗透能力弱的企业因知识接收、转化与利用能力不足，难以将外部资源融入运营及新品开发，阻碍可持续绩效提升。因此，提出以下假设：
H2：渗透能力在数字化转型对农业上市公司可持续绩效的影响中，起到了积极的调节和促进作用。
H2a：渗透能力在数字化转型对农业上市公司经济绩效的影响中，起到正向调节作用。
H2b：渗透能力在数字化转型与农业上市公司环境绩效的影响中，起到了正向调节作用。
三、实证研究
为了控制数字化转型对农业上市公司可持续绩效可能产生的滞后影响，并消除逆向因果关系所带来的内生性问题，本文选择将被解释变量前置一期进行处理。
为验证假设H1，本文构建了如下模型（1）：
（1）
为验证假设H1a，本文构建了如下模型（2）：
（2）
为验证假设H1b，本文构建了如下模型（3）：
（3）
为验证假设H1aH2，本文构建了如下模型（4）：
（4）
为验证假设H2a，本文构建了如下模型（5）：
（5）
为验证假设H2b，本文构建了如下模型（6）：
（6）
在构建的模型中，代表第年时企业的数字化转型程度；而、以及则分别用于衡量企业在第年的可持续绩效、经济绩效以及环境绩效。此外，代表了一系列控制变量，用于更准确地评估数字化转型与绩效之间的关系。反映了企业在第年的技术渗透与融合能力，这是影响数字化转型效果的关键因素之一。模型中的为常数项，用于表示模型中不随变量变化的基础效应。最后，作为残差项，捕捉了模型中未考虑到的其他随机影响因素。通过这样的设定，我们能够更全面、更深入地探究数字化转型与企业绩效之间的复杂关系。
四、变量定义及描述性统计
（一）变量定义
本文所使用的数据来源于2010年至2022年的沪深A股农业上市公司为样本获取数据为研究对象，在选取时注意了以下几个方面：1.我们需排除所有金融类别的上市公司样本；2.应将那些被标记为ST或ST*、接受特殊处理的公司样本从研究范围中移除；3.对于数据不完整或存在缺失的公司样本，也应予以剔除；4.还需删除在样本研究期间内已经从市场退市的公司样本。最后，通过这些筛选步骤，可以确保研究数据的准确性和可靠性，获得了532个信息值。变量定义见表1。
| 变量类型 | 变量名称 | 变量符号 | 变量定义 |
|---|---|---|---|
| 被解释变量 | 可持续绩效 | sp | 根据标准化处理后的经济绩效和环境绩效计算得到 |
| 环境绩效 | fp | 市场价值 | |
| 经济绩效 | ep | 企业ESG评级体系中的环境得分 | |
| 解释变量 | 数字化转型 | dt | 企业年报中数字数额硬件与软件资产之和/总资产 |
| 调节变量 | 吸收能力 | ac | 科研投入/营收 |
| 控制变量 | 企业成立年限 | age | 企业成立年数 |
| 企业规模 | size | 企业总资产的自然对数 | |
| 营收增长率 | grow | 营业收入增长率 | |
| 资产负债率 | lev | 企业负债/总资产 | |
| 股权集中度 | sc | 十大股东持股比例 | |
| 现金流比率 | cash | 当前现金流量净额/当前总资产 | |
| 高管持股比例 | ms | 管理层持股比例 | |
| 董事会规模 | bs | 董事会总人数的自然对数 | |
| 独董比 | poid | 独立董事人数占董事会总人数的比重 |
本文参考曾伟平的研究，将农业上市公司可持续绩效划分为经济绩效与环境绩效；衡量经济绩效时，虽总资产报酬率（ROA）、净资产收益率（ROE）可反映短期运营效果，但本文参考胡洁等研究选用Tobin Q值作为指标——该指标能评估长期盈利潜力与未来市场价值，且随着我国股市及监管机制成熟，其精确度进一步提升；评估环境绩效采用ESG体系中的环境评分，因华证ESG指数自2009年起评价A股及发债主体ESG表现，科学性与有效性获学界及行业认可，且覆盖范围与更新频率优于其他体系，故选用其环境评分（第三方机构如华证、商道融绿、彭博提供相关评分）；此外，本文参考Zang & Li、王博、康琦的方法，对经济绩效（fp）与环境绩效（ep）数据进行标准化处理，构建可持续绩效（sp）综合指标，计算公式为sp = [(1-fp-ep)×fp×ep]/1，为量化评估企业可持续发展能力提供依据。
在控制变量的选择上，本文参考了刘淑春等人的相关研究成果。为了更精确地分析数据，我们进一步纳入了以下控制变量：企业存在年限（以“age”表示）、企业规模大小（标记为“size”）、营收的增长速度（用“grow”代表）、资产负债状况（以“lev”为指标）、股权的分布情况（通过“sc”来反映）、现金流的状况（使用“cash”表示）、公司管理层的持股占比（以“ms”为代号）、董事会的组成人数（通过“bs”来量化）以及独立董事在董事会中的比例（以“poid”为指标）。这些变量的引入有助于我们更全面地理解并控制可能影响研究结果的其他因素。
（二）描述性统计
根据表2所呈现的数据，可以观察到Dt的平均值为0.004，中位数为0.002，其数值范围在0.000至0.050之间。这一数据分布揭示了当前我国农业上市公司在数字化转型方面的显著差异。由此可见，我国农业上市公司在环境绩效方面也呈现出较大的差异，但与可持续绩效和经济绩效不同的是，大多数企业的环境绩效实际上处于行业平均水平。以下表格详细列出了主要变量之间的相关系数。根据皮尔逊相关系数和斯皮尔曼相关系数的分析结果，我们发现在1%的显著性水平下，农业上市公司的数字化转型程度与其可持续绩效以及经济绩效均呈现出显著的正相关关系。此结论为假设H1和H1a提供了初步验证，但与假设H1b的预期结果相悖。
| 变量 | 均值 | 标准差 | 最小值 | 中位数 | 最大值 |
|---|---|---|---|---|---|
| sp | 0.169 | 0.115 | 0.000 | 0.134 | 0.772 |
| fp | 2.051 | 1.041 | 0.779 | 1.719 | 8.126 |
| ep | 61.033 | 6.210 | 34.790 | 61.600 | 75.894 |
| dt | 0.005 | 0.006 | 0.001 | 0.0018 | 0.060 |
| ac | 0.015 | 0.019 | 0.000 | 0.008 | 0.132 |
| age | 18.063 | 5.897 | 2.452 | 18.140 | 37.567 |
| size | 22.07 | 1.032 | 19.441 | 21.935 | 26.057 |
| grow | 0.892 | 3.048 | 1.419 | 0.116 | 30.399 |
| lev | 0.411 | 0.173 | 0.039 | 0.401 | 1.030 |
| sc | 0.588 | 0.149 | 0.219 | 0.611 | 0.923 |
| cash | 0.056 | 0.094 | -0.315 | 0.422 | 0.866 |
| ms | 0.131 | 0.193 | 0.000 | 0.002 | 0.695 |
| bs | 2.101 | 0.211 | 1.609 | 2.197 | 2.773 |
| poid | 0.388 | 0.065 | 0.250 | 0.375 | 0.667 |
五、回归分析
（一）基准回归结果分析
1.直接效应
表3呈现数字化转型对农业上市公司可持续绩效的基准回归结果：第二列中，数字化转型程度（Dt）系数为2.586且在1%水平显著为正，实证支持假设H1，即数字化转型可有效提升农业上市公司可持续绩效；第四列Dt系数2.342（10%水平显著为正），进一步印证假设H1a，表明数字化转型能增强其经济效益、推动经济绩效增长；但第六列Dt系数为-4.57（1%水平显著为负），与假设H1b相悖，意味着数字化转型或对农业上市公司环境绩效产生不利影响。假设H1b未验证的原因主要有二：一是企业数字化转型常增加能源与资源消耗，可能加剧环境污染，农业领域数字技术广泛应用亦会增加资源利用，或对环境不利；二是农业上市公司更重视经济绩效，描述性统计显示其经济绩效较低而环境绩效较好，故更倾向引入提升经济绩效的数字化设备与技术，对环境考量较少。
| 变量 | 可持续绩效 | 经济绩效 | 环境绩效 | |||
|---|---|---|---|---|---|---|
| （1） | （2） | （3） | （4） | （5） | （6） | |
| Dt | 2.586***（2.82） | 2.342*（1.92） | -4.577***（-4.29） | |||
| age | -0.002**（-2.30） | -0.002**（-2.27） | -0.003***（-2.96） | -0.003***（-3.01） | -0.002*（-1.92） | -0.003**（-2.21） |
| size | -0.018***（-3.13） | -0.018***（-3.28） | -0.016**（-2.25） | -0.016**（-2.33） | 0.032***（4.13） | 0.033***（4.31） |
| grow | 0.007***（3.36） | 0.007***（3.43） | 0.009***（3.34） | 0.009***（3.38） | 0.008***（5.41） | 0.008***（5.15） |
| lev | -0.086***（-3.00） | -0.089***（-3.13） | -0.118***（-3.28） | -0.121***（-3.36） | -0.074**（-2.09） | -0.068*（-1.95） |
| sc | 0.002（0.05） | -0.010（-0.31） | -0.064（-1.64） | -0.074*（-1.89） | -0.270***（-6.71） | -0.250***（-6.27） |
| cash | 0.161***（2.99） | 0.147***（2.84） | 0.239***（3.19） | 0.227***（3.10） | 0.045（0.63） | 0.069（0.98） |
| ms | -0.168***（-7.83） | -0.155***（-7.32） | -0.195***（-7.53） | -0.184***（-7.29） | 0.042（1.19） | 0.020（0.56） |
| bs | -0.030（-0.84） | -0.008（-0.22） | -0.059（-1.52） | -0.040（-0.99） | -0.088***（-2.61） | -0.126***（-3.76） |
| poid | 0.154*（1.73） | 0.139（1.59） | 0.183*（1.74） | 0.169（1.64） | -0.091（-0.72） | -0.065（-0.55） |
| R2 | 0.1850 | 0.2033 | 0.1928 | 0.2026 | 0.1086 | 0.1415 |
| 调整后的R2 | 0.1709 | 0.1880 | 0.1789 | 0.1873 | 0.0932 | 0.1250 |
| N | 531 | 531 | 531 | 531 | 531 | 531 |
| F值 | 12.108*** | 11.586*** | 9.739*** | 8.960*** | 12.395*** | 12.594*** |
2. 稳健性检验
为增强本研究的实证结果的稳健性，本文采取了四种不同的方法进行深入检验。我们调整了原有的模型设定，转而采用固定效应模型对研究结果进行再次评估。如第（1）列至第（3）列所示，这些列详细呈现了固定效应模型下的回归结果。为了检验不同变量对实证结果的影响，采取了变量替换的策略。具体而言，使用企业数字化投入的自然对数（lnDt）来替代原变量，并通过这种方式对实证模型进行检验。第（4）列至第（6）列详细展示了这一替换策略下的回归结果，这些结果为我们提供了更丰富的视角来审视研究结论的稳健性。企业数字化转型与宏观经济态势密切相关，忽略宏观因素易导致回归结果偏差。为增强研究稳健性，采用两种方法：一是参考朱志军研究范式，剔除2015年企业样本验证实证结果，结果列于表4第（1）-（3）列；二是基准回归变量进行1%缩尾处理，以稳定数据分布、精准反映变量关系，结果列于表4第（4）-（6）列。
| 变量 | 固定效应模型 | 替换变量 | ||||
|---|---|---|---|---|---|---|
| 可持续绩效 | 经济绩效 | 环境绩效 | 可持续绩效 | 经济绩效 | 环境绩效 | |
| （1） | （2） | （3） | （4） | （5） | （6） | |
| Dt | 2.576***（2.92） | 2.510**（2.12） | -2.119*（-1.87） | |||
| lnDt | 0.015***（4.22） | 0.014***（3.13） | -0.010**（-2.30） | |||
| 控制变量 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
| 年份固定效应 | 是 | 是 | 是 | 是 | 是 | 是 |
| 行业固定效应 | 是 | 是 | 是 | 是 | 是 | 是 |
| R2 | 0.2890 | 0.2984 | 0.2830 | 0.2940 | 0.3013 | 0.2822 |
| 调整后的R2 | 0.2494 | 0.2593 | 0.2430 | 0.2546 | 0.2623 | 0.2422 |
| N | 531 | 531 | 531 | 531 | 531 | 531 |
| F值 | 6.629*** | 5.578*** | 10.798*** | 6.462*** | 5.505*** | 10.942*** |
3. 内生性检验
为精准分析二者关系，本文采用两阶段最小二乘法（2SLS）修正初始模型，参照现有研究选取前一期及前一期行业均值（剔除自身数据）作为工具变量（Dtt-1），重新评估关系，回归结果列于表5，此举旨在精准捕捉变量因果关系，增强研究结论的稳健性与可靠性。数字化转型对大型农业上市公司可持续绩效呈显著正向影响，具体可提升其经济绩效，但对环境绩效的负面影响亦更显著。通过验证可得：大型农业上市公司依托资源优势，可投入更多资源并高效整合数字技术至生产经营，进而增强可持续绩效；但其高产能伴随高资源消耗，数字化转型提升生产效率的同时，易导致污染物排放增加。大型农业上市公司应把握数字化转型机遇，通过优化资源配置、提升生产效率增强可持续绩效，同时制定严格环保策略，规避环境破坏风险；非大型农业上市公司需结合自身实际，量力投入资源推进数字化转型，避免盲目跟风或过度投入。
| 变量 | 数字化转型 | 可持续绩效 | 经济绩效 | 环境绩效 |
|---|---|---|---|---|
| Dt | 3.288***（2.61） | 3.356*（1.85） | -4.362***（-3.13） | |
| Dtt-1 | 0.992***（22.46） | |||
| 控制变量 | 控制 | 控制 | 控制 | 控制 |
| R2 | 0.9042 | 0.2520 | 0.2484 | 0.1491 |
| N | 364 | 364 | 364 | 364 |
| F值 | 93.449*** | 9.576*** | 7.457*** | 8.553*** |
六、结论与启示
本研究基于2008年至2021年间沪深两市A股上市农业上市公司的相关数据，从资源基础视角出发，深入探讨了数字化转型对农业上市公司可持续绩效的实际影响。通过实证分析，得出以下结论：第一，数字化转型对农业上市公司的可持续绩效产生了显著的正向影响，特别是在提升经济绩效方面表现突出。值得注意的是，数字化转型在一定程度上对农业上市公司的环境绩效产生了负面影响。但在经过一系列稳健性检验后，这一结论依然保持稳健。第二，从企业性质的角度来看，无论是国有农业上市公司还是非国有农业上市公司，数字化转型均能带来可持续绩效的提升。国有农业上市公司在实施数字化转型后，其可持续绩效的提升更为显著。第三，从企业规模和发展阶段来看，大型农业上市公司通过数字化转型能够更有效地提升可持续绩效。而对于处于成长期的农业上市公司而言，数字化转型不仅有助于其提升可持续绩效，更能为其未来的发展奠定坚实基础。
随着数字化浪潮的推进，我国积极倡导企业实施数字化转型，以实现农业的可持续发展。基于深入的研究分析，本文认为在数字化与绿色发展的背景下，对于农业上市公司实现可持续发展具有重大的现实意义，并提供了以下政策启示：首先，数字化转型对于农业上市公司提升可持续绩效具有积极作用，应充分考虑自身的特性和条件，避免盲目跟风。各大企业应合理调配资源，积极探索适合自身的数字化新模式，科学投入数字化建设，使数字化与企业运营深度融合，从而实现数字化转型带来的可持续增长。其次，农业上市公司应注重加强渗透能力建设。在企业上要大力地提升渗透与应用能力，特别是对知识与资源的整合能力，促进可持续发展。最后，各级政府在制定和实施数字化政策时，应充分考虑农业上市公司的实际情况和发展阶段，提供有针对性的政策支持和指导。
参考文献：
- [1] 王明昊.绿色创新、股权结构与企业绩效[D].北京化工大学,2024.
- [2] 朱志君.数字化转型如何助力企业提升ESG表现——以Y公司为例[J].现代商业,2025(11):76-79..
- [3] 刘伊菲.数字化转型对上市公司ESG表现的影响研究——基于内部控制的中介效应研究[J].中国科技投资,2025(16):11-13.
- [4] 倪受彬.数字化背景下企业ESG转型的法治保障[J].新文科教育研究,2024(03):77-94+143.
- [5] 白福萍,刘东慧,燕爱国,等.可持续发展目标下数字化转型对企业ESG责任履行的影响研究[J].科技管理研究,2023,43(17):198-208.
- [6] 张艺馨,曹敬博.数字化转型与企业可持续发展能力——基于中国上市公司数据的研究[J].管理现代化,2023,43(04):135-142.
- [7] 张懿文,余向群,王海艳.数字化转型对企业可持续发展的影响——基于中国A股上市公司数据的实证分析[J].福建农林大学学报(哲学社会科学版),2023,26(02):89-97.