中国上市公司数字化水平测度与演化研究

doi:10.16381/j.cnki.issn1003-207x.2023.1961

摘要/Abstract

摘要：

系统而全面地测度企业的数字化水平是深入探讨数字化转型成效的关键。通过统计年报文本中数字化术语的词频来测算企业的数字化水平，已受到学界的广泛关注。然而，以往研究所采用的术语词典规模小、覆盖面窄、扩展性差，导致企业数字化水平的测度不够全面。为了解决这一问题，本文利用自然语言处理和深度学习技术，构建了BERT-GlobalPointer和BERT-GlobalPointer-Mask两个术语识别模型，以高效识别数字化术语。进一步地，利用术语识别模型构建的大规模术语词典，采用文本分析法对我国上市公司过去近20年的数字化水平进行了测度，并分析了其演化态势。研究结果表明，所构建的模型在识别数字化术语、新术语、长术语方面显著优于基准模型；基于构建的识别模型，本文构建了一个包含27.3万个术语的数字化术语词典，其涵盖范围比以往研究更全面、更丰富；利用该术语词典，能够对近20年我国上市公司的数字化进程进行更为长期和全面的测度。本研究对于推动企业数字化的测度与成效评估具有重要启示和借鉴意义。本研究为后续数字化转型的定量测度及绩效分析提供了基础性数据支持，具有非常重要的方法启示与应用价值。

关键词: 数字化转型, 术语抽取, 文本分析, 深度学习, 演化分析

Abstract:

Measuring the digitalization level of enterprises systematically and comprehensively is crucial for an in-depth exploration of the effectiveness of digital transformation. It has received wide attention from academic community by statistically analyzing the frequency of digitalization-related terms in annual reports of companies. However， previous studies have overlooked the importance of terminology dictionaries， and usually adopt small-scale， narrow coverage and poor scalability， which leads to improper measurement of enterprise digitalization levels. To address this issue， two term extraction models are proposed， namely BERT-GlobalPointer and BERT-GlobalPointer-Mask， for efficient identification of digital terms. Furthermore， utilizing the large-scale terminology dictionary built by the proposed BERT-GlobalPointer-Mask， a Digital Transformation Index （DTI） for Chinese listed companies is developed and their evolution patterns over the past two decades are analyzed. The results indicate that the proposed models significantly outperform the benchmark models in identifying digital terms， new terms and long terms. Based on BERT-GlobalPointer-Mask model， a digital terminology dictionary containing 273，634 terms is constructed， which covers more comprehensive and diverse digital terms than previous studies. With this terminology dictionary， a more long-term and comprehensive measurement of the digitalization of listed companies in China over the past two decades can be conducted. The fundamental data support is provided for quantitative measurement and effectiveness analysis of enterprise digital transformation， and there is significant methodological and practical values.

Key words: digital transformation, term extraction, text analysis, deep learning, evolution analysis

中图分类号:

TP242

胡忠义, 税典程, 吴江. 中国上市公司数字化水平测度与演化研究[J]. 中国管理科学, 2025, 33(4): 36-49.

Zhongyi Hu, Diancheng Shui, Jiang Wu. Measurement and Evolution of Digitization Level of Chinese Listed Companies: Empirical Evidence from Annual Report Text[J]. Chinese Journal of Management Science, 2025, 33(4): 36-49.

图/表 6

图1

表1

表2

图2

图3

图4

参考文献 36

1	Warner K S R， Wäger M. Building dynamic capabilities for digital transformation： An ongoing process of strategic renewal［J］. Long Range Planning， 2019， 52（3）： 326-349.
2	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， 37（7）： 130-144+10.
	Wu F， Hu H Z， Lin H Y， et al. Enterprise digital transformation and capital market performance： Empirical evidence from stock liquidity［J］ Journal of Management World， 2021， 37（7）： 130-144+10.
3	陈小辉，张红伟，陈文. 企业数字化如何影响企业杠杆率？［J］. 中国管理科学， 2024， 32（7）： 19-27.
	Chen X H， Zhang H W， Chen W. How does enterprise digitalization affect enterprise leverage？［J］. Chinese Journal of Management Science， 2024， 32（7）： 19-27.
4	贺梅，王燕梅. 制造业企业数字化转型如何影响员工工资［J］. 财贸经济， 2023， 44（4）： 123-139.
	He M， Wang Y M. How does the digital transformation of manufacturing firms affect employees’wage？［J］. Finance & Trade Economics， 2023， 44（4）： 123-139.
5	刘洋，董久钰，魏江. 数字创新管理：理论框架与未来研究［J］. 管理世界， 2020， 36（7）： 198-217+219.
	Liu Y， Dong J Y， Wei J. Digital innovation management：Theoretical framework and future research［J］. Journal of Management World， 2020， 36（7）： 198-217+219.
6	肖土盛，孙瑞琦，袁淳，等. 企业数字化转型、人力资本结构调整与劳动收入份额［J］. 管理世界， 2022， 38（12）： 220-237.
	Xiao T S， Sun R Q， Yuan C， et al. Digital transformation， human capital structure adjustment and labor income share［J］. Journal of Management World， 2022， 38（12）： 220-237.
7	武常岐，张昆贤，周欣雨，等. 数字化转型、竞争战略选择与企业高质量发展——基于机器学习与文本分析的证据［J］. 经济管理， 2022， 44（4）： 5-22.
	Wu C Q， Zhang K X， Zhou X Y， et al. Digital transformation，choice of competitive strategy， and high-quality development of firms： From evidence of machine learning and text analysis［J］. Business and Management Journal， 2022， 44（4）： 5-22.
8	韩峰，姜竹青.集聚网络视角下企业数字化的生产率提升效应研究［J］.管理世界，2023，39（11）：54-77.
	Han F， Jiang Z Q. Research on the productivity enhancement effect of enterprise digitization from the perspective of agglomeration network［J］. Journal of Management World， 2023，39（11）：54-77.
9	Tu W， He J. Can digital transformation facilitate firms’M&A： Empirical discovery based on machine learning［J］. Emerging Markets Finance and Trade， Routledge， 2023， 59（1）： 113-128.
10	Li R， Rao J， Wan L. The digital economy， enterprise digital transformation， and enterprise Innovation［J］. Managerial and Decision Economics， 2022， 43（7）： 2875-2886.
11	Zhu Z， Song T， Huang J， et al. Executive cognitive structure， digital policy， and firms’digital transformation［J］. IEEE Transactions on Engineering Management， 2022，71： 2579-2592.
12	Tian G， Li B， Cheng Y. Does digital transformation matter for corporate risk-taking？［J］. Finance Research Letters， 2022， 49： 103107.
13	陈庆江，王彦萌，万茂丰. 企业数字化转型的同群效应及其影响因素研究［J］. 管理学报， 2021， 18（5）： 653-663.
	Chen Q J， Wang Y M， Wan M F. Research on peer effect of enterprise digital transformation and ibfluencing factor［J］. Chinese Journal of Management， 2021， 18（5）： 653-663.
14	赵宸宇. 数字化发展与服务化转型——来自制造业上市公司的经验证据［J］. 南开管理评论， 2021， 24（2）： 149-163.
	Zhao C Y. Digital development and servitization： Empirical evidence from listed manufacturing companies［J］. Nankai Business Review， 2021， 24（2）： 149-163.
15	赵宸宇，王文春，李雪松. 数字化转型如何影响企业全要素生产率［J］. 财贸经济， 2021， 42（7）： 114-129.
	Zhao C Y， Wang W C， Li X S. How does digital transformation affect the total factor productivity of enterprises？［J］. Finance & Trade Economics， 2021， 42（7）： 114-129.
16	Devlin J， Chang M W， Lee K， et al. Bert： Pre-training of deep bidirectional transformers for language understanding［C］//Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， Minneapolis Minnesota， June 2-7 ， Association for Computational Linguistics， 2019： 4171-4186.
17	吕学强，杨雨婷，肖刚，等. 稀疏样本下长术语的抽取方法［J］. 数据分析与知识发现， 2024， 8（1）： 135-145.
	Lv X Q， Yang Y T， Xiao G， et al. Extraction method of long terms under sparse samples［J］. Data Analysis and Knowledge Discovery，2024， 8（1）： 135-145.
18	Lample G， Ballesteros M， Subramanian S， et al. Neural architectures for named entity recognition［C］//Proceedings of the 2016 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， San Diego， California， June 12-17 ， Association for Computational Linguistics， 2016： 260-270.
19	Ma X， Hovy E. End-to-end sequence labeling via Bi-directional LSTM-CNNs-CRF［C］//Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics，Berlin，Germany， August 7-12 ，Association for Computational Linguistics，2016： 1064-1074.
20	张卫，王昊，邓三鸿，等. 面向数字人文的古诗文本情感术语抽取与应用研究［J］. 中国图书馆学报， 2021， 47（4）： 113-131.
	Zhang W， Wang H， Deng S H， et al. Sentiment term extraction and application of Chinese ancient poetry text for digital humanities［J］. Journal of Library Science in China， 2021， 47（4）： 113-131.
21	Su J， Murtadha A， Pan S， et al. Global pointer： Novel efficient span-based approach for named entity recognition［EB/OL］.（2022-08-05）［2024-10-17］. .
22	中华人民共和国工业和信息化部. 信息化和工业化融合数字化转型价值效益参考模型：［S］. 北京：中国标准出版社， 2022.
	Ministry of Industry and Information Technology， China. Integration of informatization and industrialization—Digital transformation—Reference model for value and effectiveness：［S］. Beijing： Standards Press of China， 2022.
23	Schumacher A， Erol S， Sihn W. A maturity model for assessing industry 4.0 Readiness and Maturity of Manufacturing enterprises［J］. Procedia CIRP， 2016， 52： 161-166.
24	Nasiri M， Saunila M， Ukko J， et al. Shaping digital innovation via digital-related capabilities［J］. Information Systems Frontiers， 2023， 25（3）： 1063-1080.
25	刘政，姚雨秀，张国胜，等. 企业数字化、专用知识与组织授权［J］. 中国工业经济， 2020（9）： 156-174.
	Liu Z， Yao Y X， Zhang G S， et al. Firm’s digitalization， specific knowledge and organizational empowerment［J］.China Industrial Economics， 2020（9）： 156-174.
26	刘淑春，闫津臣，张思雪，等. 企业管理数字化变革能提升投入产出效率吗［J］. 管理世界， 2021， 37（5）： 170-190+13.
	Liu S C， Yan J C， Zhang S X， et al. Can corporate digital transformation promote input-output efficiency？［J］. Journal of Management World， 2021， 37（5）： 170-190+13.
27	吴文洋，蒋海，唐绅峰.数字化转型、网络关联性与银行系统性风险［J］.中国管理科学，2024，32（3）：9-19.
	Wu W Y， Jiang H， Tang S F. Digital transformation， network relevance and banking systemic risk［J］. Chinese Journal of Management Science， 2024， 32（3）：9-19.
28	张雪，孙宏宇，辛东兴，等. 自动术语抽取研究综述［J］. 软件学报， 2020， 31（7）： 2062-2094.
	Zhang X， Sun H Y， Xin D X， et al. Survey on automatic term extraction research［J］. Journal of Software， 2020， 31（7）： 2062-2094.
29	Lossio-Ventura J A， Jonquet C， Roche M， et al. Biomedical term extraction： Overview and a new methodology［J］. Information Retrieval Journal， 2016， 19（1）： 59-99.
30	Shaw P， Uszkoreit J， Vaswani A. Self-attention with relative position representations［C］//Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， New Orleans， Louisiana， Jun e1-6， Association for Computational Linguistics， 2018： 464-468.
31	Bharadwaj A， Sawy O A E， Pavlou P A， et al. Digital business strategy： Toward a next generation of insights［J］. MIS Quarterly， 2013， 37（2）：471-482.
32	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， 24（8）： 26-35.
	Huang L H， Zhu H L， Liu W H， et al. The firm’s digital transformation and management： Toward a research framework and future directions［J］.Journal of Management Sciences in China， 2021， 24（8）： 26-35.
33	林菁，仲继银. 数字化转型与企业风险承担行为研究［J］. 经济经纬， 2022， 39（6）： 108-117.
	Lin J， Zhong J Y. Digital transformation and firm risk-taking behaviors［J］. Economic Survey， 2022， 39（6）： 108-117.
34	黄大禹，谢获宝，邹梦婷，等. 数字化转型对企业风险承担水平的影响——作用机制与影响渠道［J］. 科技进步与对策， 2023， 40（11）： 1-10.
	Huang D Y， Xie H B， Zou M T， et al. The impact of enterprise digital transformation on risk taking： The mechanism and path［J］. Science & Technology Progress and Policy， 2023， 40（11）： 1-10.
35	穆绪涛，宋锡荣，邹薇. 我国信息产业发展研究综述［J］. 情报资料工作， 2006（1）： 34-37.
	Mu X T， Song X R， Zou W. Survey on development of China’s information industry［J］. Information and Documentation Services， 2006（1）： 34-37.
36	聂爱云，刘可，何小钢. 企业数字化、组织分权与定制化生产——来自世界银行企业调查数据的证据［J］. 管理学刊， 2022， 35（4）： 114-132.
	Nie A Y， Liu K， He X G. Digitalization of enterprises， decentralization of organization and customized Production： Evidence from world bank enterprise survey data［J］. Journal of Management， 2022， 35（4）： 114-132.

模型	指标	数字化技术	数字化模式	数字化产业	数字化系统	数字化基础设施	宏平均值
BERT-FC	P	0.29005	0.21598	0.26433	0.08324	0.17090	0.20490
	R	0.53802	0.34528	0.43373	0.15400	0.28888	0.35198
	F	0.37603	0.26548	0.32831	0.10740	0.21471	0.25839
BERT-BiLSTM	P	0.63683	0.50563	0.58572	0.44078	0.51196	0.53618
	R	0.71744	0.66379	0.73577	0.60976	0.61281	0.66791
	F	0.67473	0.57392	0.65192	0.51165	0.55781	0.59400
BERT-BiLSTM-CRF	P	0.63234	0.52299	0.58367	0.45080	0.52105	0.54217
	R	0.71101	0.67556	0.74471	0.58955	0.60106	0.66438
	F	0.66934	0.58948	0.65441	0.51088	0.55809	0.59644
BERT-GlobalPointer	P	0.85991	0.82914	0.85001	0.84824	0.83803	0.84506
	R	0.83364	0.77499	0.86834	0.77677	0.74383	0.79951
	F	0.84648	0.80115	0.85907	0.81093	0.78809	0.82114
BERT-GlobalPointer-Mask	P	0.87273	0.87422	0.85231	0.85809	0.85540	0.86255
	R	0.84654	0.79834	0.86548	0.80482	0.78714	0.82046
	F	0.85941	0.83451	0.85870	0.83057	0.81983	0.84060

模型	指标	数字化技术	数字化模式	数字化产业	数字化系统	数字化基础设施	宏平均值
BERT-FC	P	0.43289	0.42402	0.54202	0.70650	0.03160	0.42741
	R	0.02884	0.09014	0.08671	0.10433	0.06130	0.07426
	F	0.05360	0.14655	0.14933	0.18173	0.03064	0.11237
BERT-BiLSTM	P	0.21295	0.59044	0.58405	0.86236	0.05386	0.46073
	R	0.04919	0.21669	0.19456	0.41422	0.27953	0.23084
	F	0.07990	0.31680	0.28959	0.55955	0.09023	0.26722
BERT-BiLSTM-CRF	P	0.19770	0.05176	0.68470	0.87019	0.51584	0.46404
	R	0.04653	0.22082	0.23192	0.40237	0.23428	0.22718
	F	0.07515	0.08371	0.34645	0.55007	0.32213	0.27550
BERT-GlobalPointer	P	0.87417	0.79934	0.58178	0.72309	0.89982	0.77564
	R	0.12871	0.46423	0.29038	0.44283	0.50830	0.36689
	F	0.22389	0.58733	0.37822	0.54826	0.64944	0.47743
BERT-GlobalPointer-Mask	P	0.92763	0.80273	0.90703	0.95454	0.90508	0.89940
	R	0.51753	0.48493	0.80841	0.75414	0.53785	0.62057
	F	0.66438	0.60454	0.85485	0.84251	0.67472	0.72820

[1]	郑迪文, 谢卫红, 李淑荧, 李忠顺, 王永健. 基于微分博弈的消费者参与下政企合作的数字化转型策略研究[J]. 中国管理科学, 2025, 33(4): 224-234.
[2]	许帅, 邵帅, 何贤杰. 业绩说明会前瞻性信息对分析师盈余预测准确性的影响[J]. 中国管理科学, 2025, 33(3): 34-44.
[3]	李新, 张旭, 余乐安, 汪寿阳. 基于改进Transformer模型的景区短时客流预测研究[J]. 中国管理科学, 2025, 33(2): 105-117.
[4]	张华,顾新. 供应链竞争下制造商数字化转型的博弈均衡研究[J]. 中国管理科学, 2024, 32(6): 163-172.
[5]	吴文洋,蒋海,唐绅峰. 数字化转型、网络关联性与银行系统性风险[J]. 中国管理科学, 2024, 32(3): 9-19.
[6]	陈艺云, 陈曼莲. 定性文本信息与信用评级：基于年报文本分析的研究[J]. 中国管理科学, 2023, 31(9): 94-104.
[7]	杜江泽,陈希卓,余乐安. IT背景高管能促进金融科技创新吗？[J]. 中国管理科学, 2023, 31(12): 69-78.
[8]	杨伟, 吉梨霞, 周青. 企业数字化转型对创新生态系统的影响：基于市场规模动态的多agent模型[J]. 中国管理科学, 2022, 30(6): 223-232.
[9]	欧阳红兵, 黄亢, 闫洪举. 基于LSTM神经网络的金融时间序列预测[J]. 中国管理科学, 2020, 28(4): 27-35.
[10]	陈艺云. 基于信息披露文本的上市公司财务困境预测:以中文年报管理层讨论与分析为样本的研究[J]. 中国管理科学, 2019, 27(7): 23-34.
[11]	李玲, 丁帅, 李霄剑, 杨善林. 上消化道疾病人工智能辅助决策方法研究[J]. 中国管理科学, 2019, 27(11): 211-216.
[12]	孔繁辉, 李健. 供应中断风险下OEM供应链弹性运作与提升策略[J]. 中国管理科学, 2018, 26(2): 152-159.