按实证论文的章节顺序组织，每组标注命中的 patterns.md 规则号。
毋庸置疑，数字化转型已成为当今企业管理领域的核心议题。本研究基于全面的实证数据，深入探讨了数字化转型对企业绩效的深远影响。研究结果充分证明了数字化转型能够显著提升企业绩效，这一结论为企业管理实践提供了重要的理论指导。
数字化转型对企业绩效的影响，在既有实证文献中仍有争议。我们使用 2014-2022 年中国 A 股上市公司的面板数据，利用一项数字化改革试点作为准自然实验，发现进入试点的企业三年内全要素生产率平均提升 6.8%。这一结果与 Acemoglu (2022) 的预期一致，但机制检验显示效应主要来自管理流程重构而非技术采纳本身。
修复点：
- 删除"毋庸置疑"（P01 四字套话）
- "深远影响"→ 具体数字 6.8%（P03 AI 形容词）
- "充分证明了"→ "发现"+具体证据（P12 绝对化）
- 加入具体文献回应（P13 观点-证据分离）
此外，近年来，人工智能技术的快速发展引起了学术界的广泛关注。相关研究表明，人工智能在多个领域都产生了深远影响。
2017 年 AlphaGo 的突破之后，经济学者开始系统研究 AI 对劳动力市场的冲击。Acemoglu and Restrepo（2020, 2022）连续两篇 QJE 文章给出了相反的结论——前者强调替代效应，后者强调互补效应。
修复点：
- 删除段首"此外"（P04 显性连接词）
- "相关研究表明"→ 具体作者+年份+期刊（P07 主语模糊）
- 保留正反两个文献视角，体现真实学术张力
关于数字普惠金融的影响，现有文献主要从三个方面进行了研究。首先，部分学者从宏观层面探讨了其对经济增长的作用。其次，另一些研究从微观层面分析了其对家庭消费的影响。再次，还有研究从中观层面关注了其对企业融资的效应。最后，也有少量研究关注了其可能带来的负面效应。
数字普惠金融的既有研究大致沿着三条脉络展开。宏观层面，Beck et al. (2018) 用跨国数据发现数字金融每增加一个标准差，GDP 增速提升约 0.4 个百分点；但 Chen and Zhang (2021) 在中国省级数据上的估计仅为 0.15 个百分点，差异可能源于样本期和金融深化起点的不同。微观层面的分歧更大——Liu (2020) 报告消费增加 8%，Xu (2022) 则发现高负债家庭反而出现消费下降。至于企业融资，文献的共识相对明确：数字金融对小微企业融资约束的缓解作用稳健。负面效应的研究刚刚起步，主要集中在过度借贷和数字鸿沟两个方向（Wang 2023）。
修复点：
- 去掉"首先/其次/再次/最后"（P11 序数词）
- 每条脉络加具体数字和作者（P13 证据锚点）
- 承认分歧而非粉饰共识，体现学者的审慎
基于上述分析，本文认为企业数字化转型能够通过降低信息不对称、优化资源配置、提升创新能力等多种机制显著促进企业绩效。因此，本文提出如下假设。
综合上述理论和实证证据，数字化转型影响企业绩效的路径可能有两条：一是通过降低内部信息摩擦提升资源配置效率，二是通过数据资产积累增强创新能力。这两条路径未必同时激活。我们先提出一个基准假设。
修复点：
- 加入短句"这两条路径未必同时激活"（P06 句长方差 / P14 学术谦逊）
- "能够...显著促进" → "可能有两条路径...未必同时激活"（P12 绝对化 → P14 hedge）
- 引入"先提出基准假设"的表达，体现研究推进的真实节奏
本文的数据来源主要包括：CSMAR 数据库、Wind 数据库、国家统计局数据、以及企业年报、社会责任报告等。经过整理、筛选、匹配、清洗等一系列处理，最终得到了 2014-2022 年的面板数据。
财务数据取自 CSMAR，宏观变量取自国家统计局年度公报，企业 ESG 评级则手工整理自年报和社会责任报告。数据窗口为 2014-2022 年，与国务院《关于积极推进"互联网+"行动的指导意见》发布时间（2015）匹配。清洗步骤遵循 Acemoglu and Autor (2011) 的惯例：剔除金融类和 ST 类样本、缩尾处理极端值、按证监会行业代码聚类。
修复点：
- "主要包括" 后过多并列变成单独说明每个数据源（P05）
- 被动式"经过...处理"→ 主动说明具体步骤（P08）
- 加入数据窗口的政策背景锚点（P13）
对于本文的实证研究而言，由于因变量是连续变量，故而采用 OLS 回归模型是合适的。在此基础上，以企业绩效作为被解释变量，将数字化转型程度作为核心解释变量，并加入了一系列控制变量。
基准回归采用 OLS。因变量为企业全要素生产率，关键解释变量为数字化转型指数（0-100 标准化得分），控制变量包含企业规模、资产负债率、股权集中度、行业固定效应和年份固定效应。稳健性部分会讨论使用 OP/LP 法估计 TFP 的结果。
修复点：
- 去掉"对于...而言"、"由于...故而"、"在此基础上"（P02 虚词堆叠）
- 改为直接、简洁的学术陈述
- 末句预告稳健性部分，体现真实论文的推进逻辑
表 3 报告了基准回归结果。可以看出，数字化转型的系数非常显著为正，这充分证明了数字化转型对企业绩效具有极其显著的促进作用。
表 3 的第 (1) 列是不加控制变量的基准回归，数字化转型指数每提升一个标准差，TFP 上升 4.3%（t = 3.81，1% 显著性水平）。第 (2)-(4) 列逐步加入企业层面和宏观层面控制变量，系数保持在 3.8%-4.5% 区间内。这与 H1 的预期方向一致。
修复点：
- "非常显著" → 具体 t 值和系数（P15 主观强调）
- "充分证明" → 描述数字和区间（P12 绝对化）
- 加"这与 H1 的预期方向一致"——学者习惯的表达，比"充分证明"更克制
机制分析表明，数字化转型通过降低信息不对称来提升企业绩效。首先，信息不对称降低有助于改善决策质量。其次，决策质量改善进一步推动企业绩效提升。因此，数字化转型通过降低信息不对称促进了企业绩效。
如何解释基准结果？我们考察了信息不对称这条路径。表 5 的中介效应检验显示，数字化转型指数每提高一个标准差，公司分析师预测分歧度（Dispersion）下降 0.21 个标准差；而分析师分歧度每下降一个标准差，TFP 上升约 2.1 个百分点。Sobel 检验在 1% 水平显著。这条路径解释了基准系数的 37%。
修复点：
- 消除"首先/其次/因此...因此"的机械式总分总（P10）
- 以"如何解释基准结果"发问开始，制造阅读张力
- 给出具体统计值，替代重复性陈述
为了检验数字化转型效应的异质性，本文分别按企业规模、所有制、行业特征进行了分组回归。结果显示不同分组之间存在显著差异，具体表现为大企业效应更强、国有企业效应更弱、高技术行业效应更显著。
效应在谁身上最强？我们按规模、所有制、行业三个维度做了分组回归。大企业的系数约为小企业的 1.8 倍——这与数字化基础设施的规模经济一致。国有企业的效应是民营的 0.6 倍，原因可能是国企本身数字化基线较高，边际改进空间小。高技术行业的效应显著，但服务业并不弱——后者常被忽略。
修复点：
- 短句"效应在谁身上最强？"+ 长句"这与...规模经济一致"形成节奏跳跃（P6）
- 短句"后者常被忽略"制造强调
- 不只报告方向，还解释背后机制
此外，为了进一步验证结果的稳健性，本文进行了一系列稳健性检验。具体而言，包括更换核心变量的度量方式、更换回归模型、排除特殊样本、安慰剂检验等。综上所述，本文的核心结论具有较强的稳健性。
稳健性检验围绕四个担忧展开。第一个担忧是核心变量的测度误差——我们用文本分析法重新构建了数字化指数，结果与基准一致（附录 A1）。第二个担忧是模型设定——改用 PSM-DID 和 Heckman 两步法，系数区间保持稳定（0.03-0.05）。第三个是选择性偏差——剔除 2020 年疫情样本后，效应仍在 10% 水平显著。第四个是偶然性——安慰剂检验中随机分配处理组 1000 次，真实系数落在经验分布的 99.2% 分位点。
修复点：
- 删除"此外...综上所述"（P04, P01）
- 每个检验对应一个具体担忧，给出具体结果
- 用"四个担忧"替代空洞的"一系列"
本文的发现具有重要的理论意义和实践价值。在理论层面，本文填补了数字化转型与企业绩效关系研究中的空白。在实践层面，本文为企业推进数字化转型提供了重要的决策参考。
这一结果的理论含义需要谨慎解读。它与"数字化即增长"的简单叙事不同——效应在小企业和非国有样本中更强，说明数字化的边际回报可能递减。这一点与 Brynjolfsson (2021) 的"生产力悖论再解读"一致。对政策的启示也应保守：单纯的数字化投入补贴可能并非最优，因为不同规模和所有制的企业存在异质性吸收能力。本文无法识别长期效应——样本期仅 8 年，对数字化转型这样的长周期变革而言远远不够。
修复点：
- 删除"重要的理论意义和实践价值"（P03）
- 加入 hedge："需要谨慎解读"/"可能递减"/"可能并非最优"（P14）
- 主动承认局限："无法识别长期效应"、"仅 8 年，远远不够"——这是人类学者独有的写作特征
综上所述，本研究通过实证分析发现，数字化转型能够显著提升企业绩效。本文的结论为企业管理实践提供了重要的理论指导，同时也为政府制定相关政策提供了有益的参考。未来研究可以进一步探讨数字化转型的作用机制。
把视角从"数字化转型是否有用"转到"对谁有用"，是本文相对已有文献的主要边际贡献。我们没有回答的几个问题值得后续研究跟进：第一，长期效应是否会消退？现有样本期无法识别。第二，数字化转型的地域溢出——我们的结果按企业层面聚类，但数字基础设施本身是公共品，可能存在空间外部性。第三，员工层面的冲击——现有文献普遍关注企业层面的利好，但数字化对中低技能员工的替代效应是否被低估？这是我们下一步打算用企业-员工匹配数据探索的方向。
修复点：
- 不重复摘要内容（P17）
- 引入新信息：未解决的问题、下一步研究方向
- "我们没有回答的几个问题"这种坦诚表达极难被 AI 复现
- 对照每一组案例，识别自己论文里的同类问题
- 不要直接套用改写模板——每篇论文的研究情境不同，需要注入真实的数据、文献、研究背景
- 改写后用
references/scoring.md的五维量表自评