- 主办单位:
- ISSN:
- 期刊分类:
- 出版周期:
- 投稿量:
- 浏览量:
相关文章
暂无数据
数字技术赋能循环供应链绩效机制的实证研究
An Empirical Analysis of the Performance Mechanism of Digital Technology Empowering Circular Supply Chains
引言
全球电动化加速与“双碳”战略推进下，退役动力电池规模持续扩张，粗放回收将引发资源损耗与环境污染，构建高效闭环回收供应链成为行业可持续发展的必然选择。当前行业普遍存在信息不对称、溯源困难、回收效率偏低等痛点，制约循环绩效提升。数字经济与实体经济深度融合背景下，物联网、区块链等数字技术为破解循环产业瓶颈提供新路径，数绿融合成为新能源产业转型主流方向。
现有研究多聚焦数字技术对制造业循环供应链的宏观效应，缺乏动力电池细分赛道的微观全链条机制分析；多数实证仅采用横截面相关性检验，缺少纵向因果识别，数字技术赋能循环绩效的内在逻辑仍待系统验证。本文采用“案例分析+灰色关联+时间断点回归”混合方法，以A公司为研究对象，同步完成关联强度测算与因果效应识别，拓展数绿融合与循环供应链理论边界，为企业实践与产业政策制定提供经验依据。
一、案例背景与数字技术应用模式
（一）A公司概况
A公司2011年成立，主营动力电池与储能系统研发制造，依托子公司广东邦普循环搭建“生产-使用-回收-再生”完整闭环产业链，动力电池装机量连续七年全球第一，2023年市占率37.4%，其数字化实践具备行业标杆价值与规模效应。
（二）数字技术应用模式
本节依据企业 2018-2024 年年报、社会责任报告及邦普循环公开资料整理，技术逻辑分别参考蔡子龙等、冯章伟等、谷城等。
1. 设计环节
采用数字孪生技术构建虚拟模型，仿真优化电池包结构，提升可拆解性与可回收性。
2. 生产与使用环节
安装IoT传感器实时采集电压、温度、健康状态等数据，上传云端，支持故障预测、智能运维及梯次利用决策。
3. 回收与再生环节
布局区块链溯源与“电池护照”，赋予每块电池唯一数字身份，记录全生命周期数据，实现来源可查、去向可追。
4. 大数据与人工智能
利用大数据预测区域退役电池量，优化回收网点与物流路径；AI机器视觉实现智能分拣与精准拆解。
二、理论分析与假设提出
总假设H1：数字技术应用对循环供应链绩效具有显著正向影响。
数字技术通过提升供应链透明度、优化运营效率、降低回收不确定性三条路径，分别作用于电池回收率、关键金属回收率、单位产品碳排放三项核心绩效指标，据此推导子假设。
（一）数字技术与电池回收率
传统回收模式下信息高度不对称，回收方难以精准判定电池价值，大量退役电池流入非正规渠道。区块链溯源与电池护照系统建立可信全生命周期档案，缓解信息不对称，支撑精准定价与合理溢价，吸引退役电池回流正规闭环体系；大数据区域报废预测优化回收网点布局，进一步扩大回收覆盖。尽管数字化前期投入较高，但行业龙头牵头搭建统一平台可显著摊薄边际成本。据此提出：
H1a：数字技术应用对电池回收率具有显著正向影响。
（二）数字技术与关键金属回收率
镍、钴、锰等关键金属回收率衡量循环系统资源再生精度。传统人工分拣识别精度不足，易造成高价值金属损耗；AI机器视觉自动识别电池型号与组分，指导机械臂精准拆解，减少有价金属损失；大数据优化湿法冶金工艺参数，提升金属浸出与纯化效率；区块链前置化学组分数据支撑定制化拆解；数字孪生仿真拆解路径减少实体试错损耗。自动化设备虽存在前期投入门槛，但长期规模效应将持续改善再生效率。据此提出：
H1b：数字技术应用对关键金属回收率具有显著正向影响。
（三）数字技术与单位产品碳排放
单位产品碳排放衡量循环供应链环境绩效。IoT健康监测精准筛选梯次利用电池，避免过早拆解产生额外能耗与碳排放；区块链碳足迹追踪定位高排放环节，支撑低碳工艺优化与绿电调度；AI 算法优化回收物流路径，降低运输空驶率与燃料消耗。区块链共识机制与数据中心运行虽产生额外能耗，但联盟链架构搭配绿色能源供电可有效对冲，数字化整体减排收益大于自身能耗。据此提出：
H1c：数字技术应用对单位产品碳排放具有显著负向影响。
三、研究设计
（一）数据来源与变量测量
选取A公司2018-2024年纵向数据（N=7），取自企业年报、ESG报告与公开业务披露。
1. 因变量：循环供应链绩效（Y）
循环供应链绩效要兼顾经济回收效率和环境减排效果，根据年报中循环业务的披露内容，选择三个主要的可测指标，见表1。
| 变量符号 | 变量名称 | 测量方式 |
|---|---|---|
| Y1 | 电池回收率 | 当年退役动力电池回收量（吨）/当年动力电池系统销量（GWh）×100% |
| Y2 | 关键金属回收率 | 当年镍、钴、锰金属回收量占退役电池中对应金属总含量的比例（%） |
| Y3 | 单位产品碳排放 | 当年动力电池生产环节单位GWh碳排放量（吨/GWh） |
注：Y1需要进行标准化处理以消除量纲差异；Y2是反向指标，数值越低绩效越好。
2. 自变量：数字技术应用强度（X）
使用文本分析和替代变量两种方式来测量，避免单一指标的偏差，数据来自于年报原文以及财务报表，见表2。
| 变量符号 | 变量名称 | 测量方式 |
|---|---|---|
| X1 | 数字化强度 |
|
| X2 | 研发投入 | 当年研发费用金额（亿元） |
注：X1需要通过标准化为“千分比”来消除年报篇幅差异。
3. 控制变量（Z）
选择影响循环绩效的公司层面变量，排除遗漏变量的影响，数据来源于年报财务报表，见表3。
| 变量符号 | 变量名称 | 测量方式 |
|---|---|---|
| Z1 | 企业规模 | 当年总资产（亿元） |
| Z2 | 资产负债率 | 当年总负债/总资产×100% |
| Z3 | 营收增长率 | （当年营业收入-上年营业收入）/上年营业收入×100% |
4. 描述性统计
为了对各个变量的分布特征及变化趋势有一个整体的认识，本文对2018-2024年样本数据进行了描述性统计分析，得到的结果如下表4所示。
| 变量 | 单位 | 观测值 | 均值 | 中位数 | 标准差 | 最小值 | 最大值 |
|---|---|---|---|---|---|---|---|
| Y1 | % | 7 | 5.05 | 4.80 | 2.17 | 2.48 | 8.05 |
| Y2 | % | 7 | 99.34 | 99.50 | 0.52 | 98.50 | 99.90 |
| Y3 | 吨/GWh | 7 | 91.00 | 88.00 | 20.37 | 65.00 | 120.00 |
| X1 | ‰ | 7 | 60.50 | 62.45 | 9.02 | 45.78 | 70.93 |
| X2 | 亿元 | 7 | 98.16 | 76.91 | 74.59 | 19.91 | 186.00 |
| Z1 | 亿元 | 7 | 3920.43 | 3076.67 | 3036.83 | 738.84 | 7866.58 |
| Z2 | % | 7 | 61.57 | 62.34 | 5.59 | 52.36 | 68.02 |
| Z3 | % | 7 | 7.03 | 5.46 | 9.82 | -9.77 | 22.01 |
四、实证分析
（一）灰色关联度分析
1. 模型设定与分析步骤
灰色相关分析是检验变量之间相关性的一种方法，即使样本量小、信息少也能使用。该方法用不同时间序列曲线的几何相似性来度量变量之间的相关程度。本文采用该方法来考察数字技术投资和循环经济绩效之间协同的趋势。
分析步骤如下：
第一步：确定分析序列。将循环绩效指标（Y1、Y2、Y3）作为参考序列，数字技术指标（X1、X2）作为比较序列。
第二步：无量纲化处理。采用初值化方法消除量纲影响：
其中 为2018年基期数值。
第三步：计算绝对差序列：
第四步：计算关联系数。采用邓氏灰色关联度模型，分辨系数取 =0.5：
第五步：计算灰色关联度：
2. 灰色关联度结果
从表5可以看出，X1与三项绩效指标的关联度均 > 0.87，表明数字技术投入与循环绩效之间存在紧密的协同增长关系。
| 比较序列 | 参考序列 | 灰色关联度 | 关联强度 |
|---|---|---|---|
| 数字化强度（X1） | 电池回收率（Y1） | 0.8735 | 极强关联 |
| 数字化强度（X1） | 关键金属回收率（Y2） | 0.9349 | 极强关联 |
| 数字化强度（X1） | 单位碳排放（Y3） | 0.8908 | 极强关联 |
| 研发投入（X2） | 电池回收率（Y1） | 0.6922 | 较强关联 |
| 研发投入（X2） | 关键金属回收率（Y2） | 0.6345 | 较强关联 |
| 研发投入（X2） | 单位碳排放（Y3） | 0.6205 | 较强关联 |
注：分辨系数 =0.5，数据已初值化处理。相关强度评价标准：0.8～1.0为极强，0.6～0.8为较强，0.4～0.6为中等。
（二）时间断点回归分析
1. 模型设定
以2021年区块链溯源平台上线的外生冲击为断点，设定模型：
其中： 为循环绩效指标； 为处理变量（2021年后为1）； 为相对时间。
2. 连续性检验
将三项控制变量分别作为被解释变量回归，如表6所示，企业规模（p=0.227）、资产负债率（p=0.681）、营收增长率（p=0.528）断点系数均不显著，满足断点回归连续性假设。
| 控制变量 | β系数 | 标准误 | t值 | p值 | 是否连续 |
|---|---|---|---|---|---|
| Z1 企业规模 | 1767.81 | 1363.52 | 1.297 | 0.227 | 连续 |
| Z2 资产负债率 | 1.99 | 4.67 | 0.426 | 0.681 | 连续 |
| Z3 营收增长率 | 14.33 | 21.52 | 0.666 | 0.528 | 连续 |
3. 断点效应检验
回归结果见表7。电池回收率Y1断点系数β=0.845（p=0.080），区块链平台上线使回收率显著提升；单位碳排放Y3断点系数β=-4.867（p=0.016），显著下降。关键金属回收率Y2不显著，主因其已逼近技术天花板。
| 因变量 | β系数 | p值 | R² | 断点前趋势(γ) | 趋势变化(δ) | 断点后趋势 |
|---|---|---|---|---|---|---|
| 电池回收率 (Y1) | 0.845 | 0.080 | 0.996 | 0.515*** | 0.605** | 1.120 |
| 关键金属回收率 (Y2) | 0.097 | 0.400 | 0.994 | 0.300*** | -0.200** | 0.100 |
| 单位碳排放 (Y3) | -4.867 | 0.016 | 1.000 | -9.000*** | 3.400** | -5.600 |
（三）稳健性检验
1. 敏感性检验
将分辨系数ρ分别设为0.3、0.7重新测算，数字化强度与绩效关联度均高于0.8，结果稳健。
| 比较序列 | ρ | 参考序列 | 灰色关联度 | 关联强度 |
|---|---|---|---|---|
| 数字化强度（X1） | 0.3 | 电池回收率（Y1） | 0.8151 | 极强关联 |
| 关键金属回收率（Y2） | 0.8973 | 极强关联 | ||
| 单位碳排放（Y3） | 0.8339 | 极强关联 | ||
| 数字化强度（X1） | 0.7 | 电池回收率（Y1） | 0.9037 | 极强关联 |
| 关键金属回收率（Y2） | 0.9524 | 极强关联 | ||
| 单位碳排放（Y3） | 0.9186 | 极强关联 |
2. 安慰剂检验
设置虚拟断点回归，仅2021年真实断点呈现预期效应，排除随机因素干扰。
| 假设断点 | 电池回收率（Y1） | 单位碳排放（Y3） | ||
|---|---|---|---|---|
| β系数 | p值 | β系数 | p值 | |
| 2019年（假想） | 0.589 | 0.056 | 24.236 | 0.000 |
| 2020年（假想） | -0.094 | 0.861 | -0.600 | 0.922 |
| 2021年（真实） | 0.845 | 0.080 | -4.867 | 0.016 |
（四）假设检验结果汇总
| 假设 | 内容 | 检验方法 | 关键结果 | 结论 |
|---|---|---|---|---|
| H1 | 数字技术应用对循环绩效具有显著正向影响 | 灰色关联+RDD | 三项关联度>0.87，RDD显著 | 支持 |
| H1a | 对电池回收率具有显著正向影响 | RDD | β=0.845, p=0.080 | 支持 |
| H1b | 对关键金属回收率具有显著正向影响 | RDD | β=0.097, p=0.400 | 部分支持 |
| H1c | 对单位产品碳排放具有显著负向影响 | RDD | β=-4.867, p=0.016 | 支持 |
五、结论与启示
（一）研究结论
本文基于A公司2018-2024年纵向数据得出结论：第一，数字化强度与循环绩效存在极强协同关联；第二，2021年区块链溯源平台落地显著提升了回收率并降低了碳排放；第三，A公司通过全生命周期数字化闭环体系微观验证了数绿融合的协同价值。
（二）管理启示
企业应打破数绿割裂的传统思维，统筹布局数字化工具以解决回收溯源、物流调度等痛点。政府应搭建统一的溯源基础设施，打通数据孤岛，并设立专项补贴激励研发。
参考文献：
- [1] Zhao X, Peng B H, Zheng C Y, et al. Closed-loop supply chain pricing strategy for electric vehicle batteries recycling in China [J]. Environment, development and sustainability,2022,24(06):7725-7752.
- [2] 聂长飞，袁永雯，冯苑.中国数绿融合的综合评价、空间关联网络及驱动机制[J].创新科技,2026,26(01):76-92.
- [3] 冯章伟,杜碧升,于志勇,等.区块链驱动的新能源汽车动力电池回收与溯源技术投入策略研究[J].中国管理科学,2025,33(04):313-324.
- [4] 蔡子龙,束洪春.基于物联网技术的动力电池全寿命周期管理[J].电源技术,2015,39(03):627-630+643.
- [5] 谷城,张树山,刘赵宁.物流业智慧化对企业绩效的影响与机制——基于供应链韧性视角[J].中国流通经济,2024,38(07):87-100.
- [6] 邓聚龙.灰色系统基本方法[M].武汉：华中科技大学出版社,2002.
- [7] 房欣桐.双循环背景下供应链数字化转型对商贸流通企业竞争优势的影响机制[J].商业经济研究,2024(18):140-143.
- [8] 何娜,王宝庆,闫壮壮.基于熵值法与灰色关联度分析法的羽毛球技战术综合评价分析[J].体育科技文献通报,2022,30(04):72-74+167.
- [9] 胡保玲,吴佳楠.供应链数字化对制造企业经营绩效的影响研究[J].商业会计，2026(01):57-62.
- [10] 简冠群，殷罗超.数字平台生态系统下制造业数实深度融合的多元路径识别[J].学术交流,2025(11):131-147.
- [11] 李洁.绿色供应链绩效评价模型研究——基于TOC和灰色关联分析法视角[J].中国商贸,2011(34):232-233.
- [12] 梁秋龙,明新国,徐志涛,等.基于灰色关联分析的供应商绩效评价[J].机械设计与研究,2012,28(06):96-98+102.
- [13] 刘杰.扩内需背景下供应链数字化转型对商贸零售业运营绩效的影响——基于我国省域面板数据的经验分析[J].商业经济研究,2022(17):17-20.
- [14] 刘光宗.绿色供应链视角下企业数字化转型的创新绩效研究[J].商场现代化,2026(02):62-64.
- [15] 鲁玄烨,吴丽娟.物流行业数字化转型与运营绩效的关系研究[J].中国商论,2026,35(03):95-100.
- [16] 王恬.循环经济驱动建筑业可持续绩效提升的协同机制——基于中国铁建的案例分析[J].管理现代化,2026,46(01):126-137.
- [17] 谢宜章，唐辛宜，吴菁琳.环境信息披露对企业财务绩效的影响——基于沪深A股化工行业上市公司的经验分析[J].湖南农业大学学报(社会科学版),2022,23(04):115-124.