Based on the existing literature, this article utilizes the panel data of China's industry from 2010 to 2019 and attempts to incorporate data elements, R&D decision and industrial total factor productivity into a unified analysis framework so as to estimate the impact of data elements and R&D decision on the industrial total factor productivity. The results show that the depth integration of data elements empowered by capital and labor elements has a significant improvement effect on industrial total factor productivity. Compared with labor-intensive industries, the effect of data elements on the total factor productivity of capital-intensive industries is more obvious. Incorporating R&D decision, we find that exploratory R&D decision plays a significant role in promoting the total factor productivity of capital-intensive industries, while utilization R&D decision limited by high risks has little effect on the improvement of industrial total factor productivity. Furthermore the research shows that exploratory R&D decision can promote data elements to empower traditional elements, and the effective integration of the two promotes the significant improvement of industrial total factor productivity. The coordination and integration of data elements and capital elements can effectively improve the resource allocation efficiency of capital-intensive industries and significantly increase the total factor productivity of capital-intensive industries. The uncoordinated integration of data elements and traditional elements leads to misallocation of resources, and there is not significant improvement of total factor productivity in capital-intensive industries with R&D decisions. The integration of data elements and labor elements can improve the efficiency of labor resource allocation, and focus on low-cost, low-risk utilization R&D decision significantly can enhance the role of data elements in promoting total factor productivity in labor-intensive industries.
Compared with the existing literature, the contribution of this paper is mainly reflected in two aspects. First, from the perspective of factor allocation of high-quality development, it introduces R&D decision into the model with a thorough examination of the internal mechanism of data elements influence on industrial total factor productivity. Second, considering the significant differences between data elements and R&D decision in the improvement of the total factor productivity in different factor-intensive industries, this paper examines the mechanism of data factors that significantly improve industrial total factor productivity in the context of exploratory and utilization R&D decision on the basis of distinguishing different factor-intensive industries. In addition, it will be one of the future research directions to incorporate data elements and R & D decisions into the production function and study the impact of data element empowerment on industrial total factor productivity within the framework of increasing returns to scale.
开放科学(资源服务)标识码(OSID)：
推动数据要素供给侧结构性改革，以创新驱动、高质量供给引领工业高质量发展已成为加快发展现代工业体系，实现工业基础高级化和工业链现代化的重要引擎。众所周知，工业全要素生产率是结构性减速条件下重构经济增长动力，实现工业高质量发展的必要条件。伴随中国经济转型，大量传统要素的持续投入极大促进中国工业资源配置效率提升，实现后发赶超。随着技术差距不断缩小和创新能力大幅提高，传统要素对工业全要素生产率产出份额的贡献逐渐缩小，导致传统要素边际贡献日渐式微。西方发达国家发展史表明，挖掘新的增长动力，利用数据要素提高全要素生产率已成为重构经济增长动力的重要途径。亟需知道的是，在结构性减速背景下，中国工业采用怎样的要素投入才能有效提升工业全要素生产率？延长传统要素投入机会窗口能否缓解经济结构性减速？若能在一个统一框架下深入研究数据要素对工业全要素生产率的影响，对于准确定位中国工业的关键创新路径，实现工业高质量发展具有积极借鉴意义。
研发决策是解释数据要素与传统要素相互融合，进而提升工业全要素生产率的重要渠道[1]。D'Aspremont&Jacquemin[2]在研发合作框架下分析决策类型对研发水平的影响，认为横向合作研发决策引致的后发收益递减会降低研发水平；更进一步地，陈宇科等[3]考察纵向合作研发决策的技术溢出效应发现，纵向合作研发决策能够促进技术的产业内溢出，从而显著提升创新水平。还有学者基于企业参与研发投资活动的广度与深度，将研发决策分解为广延式研发决策和集约式研发决策，探讨集约式研发投资决策对生产率的异质性影响[4-5]。循着这个思路，傅联英[6]利用内生转换回归模型检验广延式研发决策对研发绩效的效应，认为广延式研发决策通过产品多样化渠道能够显著提升研发绩效水平。考虑到中国工业要素禀赋优势驱动的积极创新与风险因素导致的研发动力不足，本文将研发决策限定为开发新资源、新知识的探索式研发决策及改进现有技术、利用现有资源进行创新的利用式研发决策。从结果的不确定性和核心竞争力角度看，探索式研发决策对全要素生产率具有“拐点效应”[7]。
值得注意的是，虽然有关数据要素与工业全要素生产率之间关系的研究较多，且已有文献大多基于数据要素的战略性和全局性视角，研究如何提升数据要素市场价值，而忽略数据要素配置因素对工业全要素生产率的影响[8]。也就是说，研究数据要素配置因素对工业全要素生产率的影响需要考虑工业高质量发展背景下数据要素配置的特殊性。特别是21世纪10年代以来，中国工业创新结构与研发深度步入再平衡状态，研发合作逐渐转向研发竞争与合作并存。尽管数据要素通过赋能传统要素促进工业创新，但是赋能门槛效应导致的利己性研发决策倾向会不同程度影响工业全要素生产率提升。可以认为，数据要素、研发决策是影响工业全要素生产率的决定性因素，能够反映数据要素引致的异质性研发决策对工业全要素生产率的提升程度。
本文在已有文献基础上，尝试将数据要素、研发决策与工业全要素生产率纳入一个统一分析框架，利用2010—2019年中国工业面板数据，估计数据要素与研发决策对工业全要素生产率的影响。与已有文献相比，本文贡献主要体现在两方面：一方面，从高质量发展的要素配置视角，将研发决策引入模型，深入分析数据要素对工业全要素生产率影响的内在机制；另一方面，考虑到数据要素与研发决策对不同要素密集型工业全要素生产率的提升存在显著性差异，本文在区分不同要素密集型工业的基础上，考察数据要素在探索型和利用型研发决策情形下显著提升工业全要素生产率的作用机理。
已有文献对数据要素的研究主要从3个视角展开。首先，从数据要素与传统要素相互融合视角出发，研究数据要素与劳动、资本和技术等要素的协同联动作用。如荆文君和孙宝文[9]认为，数据要素的公共品属性决定其必须与传统要素相融合，只有改变技术进步的创新路径，才能实现经济高质量发展；谢康等[10]提出，数据要素与其它要素结合并未完全释放数据资源价值，并通过构建一个包含数据资源的链式中介模型，考察数据要素从可能的生产要素向现实生产要素转变的路径，研究发现数据与劳动结合形成知识积累，进而与管理相结合才能充分释放大数据资源的潜在价值；进一步地，王建冬和童楠楠[11]通过构建数据要素与传统生产要素动态联动的“五链协同”路径模型，考察数据与产业、技术、资金和人才等多源异构的融合发展，研究发现数据要素通过数字产业化、产业数字化和全要素数据化实现对传统制造业的信息化支撑与改造，从而促进经济增长。
其次，从数据要素赋能视角探讨数字化赋能促进经济效率提升的内生机制，认为数据要素能够赋予主体在数字化环境下生产、竞争和创新的能力[12]。如马中东和宁朝山[13]通过构建要素错配指数，研究数据要素配置对制造业质量升级的促进效应，发现数据要素与劳动、资本要素的高效结合对要素配置效率具有显著提升作用，中介效应模型检验进一步发现，数据要素对产业升级具有区域异质性；陈剑等[14]认为，这种区域异质性随着数据要素属性的分化，对传统要素的内生影响机制逐渐从赋能向使能演进，并通过构建数字技术环境下企业运营管理理论框架，围绕运营管理核心环节探讨数据要素赋能提升企业生产效率的路径和方法，考察用户需求创造、资源整合、供应链重构、服务创新和生态圈建设等模式下数据要素的使能管理，认为企业在项目前期应注重积累经验和技能，阶段性、有步骤地实现数据要素使能化创新。
最后，考察数据要素投入与产业创新的关系，认为数据要素是推动数字经济高速发展的重要驱动力。如Thompson等[15]研究发现，作为智能基础设施的数据要素投入能够提升企业盈利水平，激励企业释放出更多闲置资源用于自主研发，进而促进创新水平提升；郭家堂和骆品亮[16]利用2002—2014年中国省际数据分析互联网发展对技术进步倍增作用的影响机制，开创性地解释“索洛悖论”中计算机对全要素生产率提高无效的传统观点，发现数据要素倍增效应引致的规模收益递增能够显著促进全要素生产率提升；陈维涛等[17]创新性地将企业研发作为中介变量纳入中介效应模型，分析互联网电子商务对提升企业创新产出水平的作用路径，发现互联网信息化应用比互联网信息化服务更能显著提高企业研发能力，进而推动企业创新水平提升。
通过文献梳理可以发现，国内外学者主要从数据要素与传统生产要素协同发展、数据要素赋能以及数据要素投入对产业创新的影响3个视角进行深入研究，取得了丰富的成果。事实上，数据要素的非排他性使得中国工业在利用数据要素方面呈现显著差异，研发决策在数据要素影响工业全要素生产率的过程中具有促进作用。也就是说，研发决策对工业全要素生产率具有重要影响[18]。现有从研发决策视角考察数据要素与创新效应之间关系的研究相对较少。从研究的系统性看，不同类型产业的研发决策对创新的影响分析还缺少更进一步研究。基于此，本文从研发决策视角探讨数据要素对工业全要素生产率的影响。
随着工业领域智能化水平提升，实体经济与资本基于多源数据异构融合，动态联动资金链上的不同主体和不同要素，借助大数据技术的平台效应及产业链分工优化促进工业全要素生产率提升[19]。资本密集度相对较高的部门利用资金完善产业设施配套，提高生产制造柔性，以灵活应对市场需求变化，通过资金介入推动数据要素在多领域内流动，进而形成并扩大乘数效应，使得资本密集型工业更易通过资本深化在多层次、多维度获得更大产出，向价值链高端移动，显著节约生产成本，进而有效促进数据与产业资源的梯度配置。这种梯度配置引致的数据要素信息差异会抑制资本密集型工业数据要素的共享性和延展性。资本密集型工业为降低数据搜寻成本，进一步扩展数据要素的生产和流通，倾向于在新知识、资源基础上密切关注具有确定产权属性的探索性研发决策，通过消除数据要素资本化配置过程中的信息不对称，大幅降低数据要素的资本化成本，有效提高数据要素的强互补性与强外部性效率。在这个意义上，致力于向生产链高附加值环节攀升的产业数字化已成为有效撬动基于打破传统规则并以新技术、新产品取而代之的探索型工业创新发展的杠杆。事实上，资本密集型工业数据要素与推动实体经济有效运行的数字化产业深度融合，利用大数据、云计算和物联网等数字技术改造现有生产流程、生产线、企业及机构等，以实现产业数字化发展，并结合数据中心、智能终端和数据库等基础设施配置，高效推动数据要素与资本要素在实体经济中融合，进而推动工业全要素生产率提升。也就是说，以数字资源为核心的轻资产模式与传统固定资产高投入模式结合有助于产业快速转型升级，提升工业全要素生产率。基于上述分析，本文提出以下假设：
H1：随着中国工业数字化水平大幅提高，以追求资源有效配置和消除信息不对称为目标的探索型研发决策能够显著提升资本密集型工业全要素生产率。
数据要素驱动技术创新的关键在于治理机制与规则体系设计，工业化早期的数字化、智能化、网络化资源整合力量薄弱，单纯依靠企业自发进行的数字化结构转型尝试效率低下，难以实现根本性的技术创新。随着工业研发基础能力不断提升，数据要素在工业领域与传统要素融合使得数据安全风险泛化，数据信息可共享和可重复使用使得部分资本密集型企业逐渐向知识密集型企业过渡，市场风险和研发活动的信息不对称导致研发创新过程充满不确定性、研发成果易成为公共品、试错容错风险高，不利于转型升级，因而企业更倾向于依赖现有资源与知识的利用型研发决策。同时，资本密集型行业利用资本优势，投资数字化基础设施，以提高数字资源整合能力，但利用式研发决策形成的规模效益与学习效应会使企业陷入“成功陷阱”[20]，阻碍企业进行颠覆式创新的路径突破，从而使企业长期徘徊于当前的低效状态，且现有资源与技术过于基础而难以与数据要素融合或融合效益低下，导致经济成效不显著。因此，企业决策者基于资源成本和风险承担能力，偏向于减少研发部门要素投入，以规避技术创新带来的高风险，而研发部门资本投入缩减又会制约工业全要素生产率提升。也就是说，能够规避数据安全风险的利用型研发决策对资本密集型工业全要素生产率的提升作用不明显。基于上述分析，本文提出以下假设：
H2：随着中国工业数字化水平大幅提高，能够规避数据安全风险的利用型研发决策对资本密集型工业全要素生产率的正向效应不显著。
随着经济发展进入新常态，劳动密集型工业出现劳动力配置过度状况，而劳动力资源配置不均衡会抑制生产率提升[21]。数字技术普及会增加高端劳动力需求，数字化发展需要大量人力资本投入，以完全释放规模扩张潜力，通过对人才的智能化改造扩大经济系统中高端生产要素的投入规模，从而有效提升人力资源管理水平，加快推进数据要素与传统劳动要素融合，驱动生产要素从低生产率部门向高收益部门转移，并且在要素转移过程中提升技术创新与人力资本水平，进而有效促进工业全要素生产率提高。数据要素赋能迫使社会从业者学习新的知识、技能，以适应生产方式变革，劳动者择业灵活性得以提高，促使我国劳动力更多参与国际分工中生产链高附加值的技术创新环节，进而促进经济增长。同时，高技能者的技术外溢还能提高低技术产业的生产率，加快劳动密集型行业新旧动能转换，有利于产业结构升级[22]。然而，探索型研发决策具有高风险，劳动密集型行业对新知识的整合能力较弱，不协调的劳动力结构难以满足技术快速变化的市场需求，导致应对技术环境变化的风险承受能力弱。因此，探索型研发决策对劳动密集型工业全要素生产率的促进作用较弱。基于上述分析，本文提出以下假设：
H3：随着数据要素在劳动密集型工业中的劳动资源配置效率不断提高，追求高技术、高效益的探索型研发决策会弱化数据要素对工业全要素生产率的正向效应。
数据要素与传统劳动要素融合会对劳动力市场产生冲击作用。一方面，产业数字化发展需要高技能人才投入，人工智能和机器人逐渐替代传统劳动力，机器人等自动化设备的普及导致程序化工作需求减少，数据要素对低人力成本、低技能要求职业的挤出效应在一定程度上倒逼其提高自身技能和个体竞争力，以适应日益复杂的市场环境[23]。另一方面，数字化发展在挤出部分具有重复性质的雇佣劳动的同时，也产生工作要求更高、更加复杂化的工作任务，创造新的工作岗位，数字经济对劳动力市场的替代效应有利于中、低技能劳动力自我提升和高素质人才引进，进而提高劳动力资源配置效率[24]。利用型研发决策形成的规模经济与范围经济通过改变劳动力市场的成本结构和劳动力素质，加快数据要素与传统要素相互渗透融合，促进企业对现有知识的进一步开发。数据要素的融入使得劳动密集型行业更容易通过产品改进与开发提升绩效，有利于企业专注于降低成本，并从现有资源中获得最大收益，而无需进行大量投资、承担高风险。也就是说，企业追求低成本、低风险的利用型研发决策会增强数据要素对工业全要素生产率的促进作用。基于上述分析，本文提出以下假设：
H4：随着数据要素与传统要素融合对劳动密集型工业比较优势形成冲击，以追求低成本、低风险为战略动机的利用型研发决策能够显著促进工业全要素生产率提升。
根据上述分析，本文研究假设的内在逻辑关系如图1所示。
为估计数据要素与研发决策对工业全要素生产率的影响，本文构造一个数据要素影响工业全要素生产率的计量模型，并将研发决策纳入其中。
TFPit=α0+α1OSit+∑kαkcontrolit+δi+ηt+εit
(1)
式(1)中，TFPit表示行业i第t年的工业全要素生产率，OSit为工业机器人使用量，controlit为一组影响工业全要素生产率的控制变量，δi、ηt分别代表个体和时间效应，εit为随机干扰项，α、β为待估参数。为保证数据的平稳性、降低模型可能存在的异方差问题，本文对解释变量和被解释变量进行对数处理。
为进一步考察研发决策在数据要素与其它要素融合过程中对工业全要素生产率的影响，本文在式(1)基础上增加工业机器人与研发决策的交互项，以考察研发决策在数据要素影响工业全要素生产率过程中的作用。模型设定如下：
lnTFPit=β0+β1lnOSit+β2RDit+β3OSit·RDit+∑kβkcontrolit+δi+ηt+εit
(2)
式(2)中，RD表示行业i第t年的研发决策。
图1 研究假设的逻辑关系
Fig.1 The logical relationship of research hypothesis
(1)被解释变量：工业全要素生产率(TFP)。工业全要素生产率是综合衡量工业投入要素增长率不变情形下，由纯技术进步导致的产出增长率，是技术进步对工业产出的综合反映。基于此，本文采用工业全要素生产率作为被解释变量。
(2)解释变量：数据要素(OS)。国际机器人联合会(IFR)将工业机器人定义为自动控制、可重新编程和多用途的机器。工业机器人、自动化技术和智能算法等数字化前沿技术作为一种新兴生产方式，能够长期促进工业全要素生产率提高[25]，反映数据要素对工业全要素生产率的影响程度。本文在已有文献基础上，选取IFR世界工业机器人数据库中工业机器人使用量作为数据要素的度量指标。
研发决策(RD)。研发决策采用工业行业人工智能发明专利授权数与有效发明专利授权数之比衡量。不同要素密集度行业的研发决策行为不同，研发决策程度越高，意味着企业在未知领域进行的探索越多，在新技术、知识、资源方面取得的突破越多，越倾向于探索式研发决策，也反映出以数据要素为主导的生产要素投入比例越大。相应地，研发决策程度越低则意味着企业倾向于利用已有资源的渐进式创新。在具体测算上，本文首先计算2010—2019年各行业研发决策度，即将行业不同年份的研发决策度中位数视为该行业研发决策情况，然后将所有行业研发决策度中位数作为划分行业研发决策的标准，当行业小于该标准时，为利用型研发决策，反之为探索型研发决策。
(3)控制变量(control)。借鉴邵兴军和田立新[26]等的做法，本文选取人均固定资产投入、人力资本存量、行业集中度、能源强度和贸易开放度作为控制变量。其中，人均固定资产投入(PCA)用于衡量资本密集度变化对工业全要素生产率的影响。资本密集度和发展水平越高的行业，对高技能人才的吸引力越强，有利于提高工业全要素生产率，本文以各行业固定资产原值与平均用工人数的比值表征人均固定资产投入。人力资本存量(SHC)能够反映工业行业劳动力结构与人员素质情况，直接影响工业全要素生产率，本文参照陈维涛等[17]的处理方法，以教育年限法衡量人力资本存量，即人均受教育年限与工业行业年平均从业人数的乘积。行业内企业聚集程度会影响行业借助规模经济与学习效应提高工业全要素生产率，本文利用各行业产值与行业企业数量之比衡量行业集中度(CR)。不同要素密集型工业的要素投入程度存在差异，而生产技术和设施配置水平越高的工业对能源的利用程度更高，因而不同程度的能源强度对工业全要素生产率的影响也具有差异性，本文以各行业能源总消耗量与工业总产值的比重表征能源强度(GEI)。贸易开放程度代表行业对它国先进技术、产品或服务、设施引进和产品外销情况。高贸易开放度有利于企业改进生产技术，倒逼企业不断学习，以适应新技术变革，进而促进工业全要素生产率提升，本文以各行业进出口贸易总额与工业总产值的比重表征贸易开放度(OPEN)。
本文数据来自《中国统计年鉴》《中国人口统计年鉴》《中国工业经济统计年鉴》《中国科技统计年鉴》及国际机器人联合会数据库。各主要变量的描述性统计结果见表1。
表1 变量描述性统计结果
Tab.1 Descriptive statistics of the variables
变量观测值均值标准差最小值最大值TFP2404.485 70.723 72.811 76.208 4OS2405.572 82.645 21.027 511.685 3RD2402.466 80.993 30.647 48.273 1PCA2402.896 40.997 91.725 94.570 4SHC2400.375 40.525 80.167 23.229 6CR24016.897 11.443 613.206 819.953 0GEI2401.696 41.930 80.0529.649 7OPEN2404.953 010.734 40.169 872.967 2
表2报告了式(2)的估计结果，其中，列(1)为全样本估计结果，列(2)、(3)分别为数据要素与资本密集型工业探索(利用)型研发决策对工业全要素生产率的估计结果，列(4)、(5)分别为数据要素与劳动密集型工业探索(利用)型研发决策对工业全要素生产率的估计结果。各模型的R2依次为0.714 6、0.645 2、0.668 4、0.676 5、0.624 6，表明计量模型具有较好的拟合优度，F统计量均在1%的统计水平上显著，且方差膨胀因子(VIF)均小于5，意味着模型不存在多重共线性。
表2结果显示，数据要素(OS)对工业全要素生产率(TFP)具有显著正向效应(OS系数显著为正)。表明数据要素通过与资本、劳动要素协同联动实现要素供求的精准匹配，数字化推广与渗透促进新增长动能的积累，通过数字化平台建设有力推动要素资源的灵活配置，助力产业数字化转型，从而提升工业全要素生产率。数据要素(OS)对资本密集型工业全要素生产率的影响显著大于劳动密集型工业，可能的原因是数据要素与资本融合更为协调。资本密集型工业通过资本深化数据要素对全要素生产率的提升效应，进一步促进企业扩大生产规模，提高劳动力就业水平，进而提高劳动力在资本密集型工业中的配置效率，对劳动密集型工业的高素质劳动力形成竞争效应，使得数据要素在资本密集型工业的表现优于劳动密集型工业。此外，数据要素(OS)与研发决策(RD)的交互作用能够协同推进工业全要素生产率提升(OS×RD的系数显著为正)。当数据要素(OS)与探索型研发决策的交互项(OS×RD)每提高1%，工业全要素生产率将提高13.35%(通过10%的显著性检验)。这意味着致力于前沿技术颠覆性创新的探索型研发决策为数据要素与实体经济融合创造基础环境，凭借其独创性技术进步形成企业核心竞争力，有效提升资本密集型工业全要素生产率，H1得到验证。
数据要素(OS)与利用型研发决策(RD)的交互项(OS×RD)每提高1%，资本密集型工业全要素生产率将提高19.31%(未能通过显著性检验)。可能的原因是，资本密集型工业资本要素过度投入造成内部资源冗余，导致低效率的资源配置。虽然丰裕的资本投入能提高资本密集型工业全要素生产率，但数据要素与传统要素之间的协调性较差，使利用型研发决策弱化企业对市场环境变化的适应能力，且形成的依赖型路径难以消化数据要素灵活的市场化配置需求，导致工业数字化创新侵占其它业务资源的同时，加重内部资源配置负担。此外，低风险、低成本的利用式研发决策有利于企业专注于投资当前资源，从而在低附加值领域取得最大利润。在这个意义上，数据要素与利用型研发决策对工业全要素生产率的影响并不明显，H2得到验证。
表2 数据要素、研发决策影响工业全要素生产率的基准估计结果
Tab.2 Basic estimation results of data elements and R&D decision affecting industrial total factor productivity
变量lnTFP(1)(2)(3)(4)(5)OS0.232 5***0.631 4**0.279 1*0.720 8***0.704 9***(4.16)(2.21)(1.90)(3.19)(2.67)RD-0.518 60.590 4**0.106 80.377 7*-0.654 3*(1.27)(2.37)(1.17)(1.67)(1.73)OS×RD0.153 30.133 5*0.193 1-0.155 1**0.187 9**(1.33)(1.74)(1.29)(-2.14)(2.47)PCA0.694 2***0.160 4***0.241 6**0.252 4***0.529 2(2.67)(2.97)(2.08)(3.32)(1.46)SHC0.259 3***0.301 10.225 9**0.207 5***0.449 4***(3.01)(1.02)(2.54)(3.44)(3.54)CR0.086 3***0.041 0**0.059 2*0.077 0***0.023 8***(2.20)(2.11)(1.87)(2.99)(2.83)GEI-0.250 1***-0.334 9***0.222 8-0.276 2-0.244 4***(3.66)(3.14)(1.53)(1.05)(3.21)OPEN0.058 5**0.031 4-0.074 8**0.084 9**-0.085 1(2.03)(1.39)(2.50)(2.00)(1.36)CONS0.256 40.434 60.749 00.276 50.467 1(1.60)(1.04)(1.26)(1.47)(1.07)个体因素YesYesYesYesYes时间因素YesYesYesYesYesF Statistics44.3144.4846.1944.6742.11Prob>F0.000 00.000 00.000 00.000 00.000 0Hausman test固定效应固定效应固定效应随机效应固定效应R20.714 60.645 20.668 40.676 50.624 6adj R20.702 20.630 10.657 90.662 50.617 0VIF1.372.544.623.982.61
注：括号内为t值；*、**、***分别代表参数估计值在10%、5%、1%的置信水平上显著；下同
劳动密集型工业数据要素投入每提高1%，工业全要素生产率将分别提高7.21%和7.05%(通过1%的显著性检验)。表明数字化工业对劳动密集型工业中、低技能劳动的挤出与替代使得劳动素质大幅提升，高技能人才占比提高有助于企业高效生产，直接提高工业劳动生产率。这意味着工业机器人的使用作为一种物化的技术进步，能够通过技术溢出显著促进工业全要素生产率提升。数据要素与探索型研发决策的交互项(OS×RD)每提高1%，工业全要素生产率会降低15.51%(通过5%的显著性检验)，表明劳动密集型行业探索型研发决策会削弱数据要素对工业全要素生产率的促进作用。可能的原因是，探索型研发决策对新投入的数据要素整合能力要求较高，具有高风险性，而劳动密集型行业人力资本结构不平衡，无法协调需求波动剧烈的市场环境和快速变化的技术环境，因而数据要素会抑制工业全要素生产率，H3得到验证。
劳动密集型工业数据要素与利用型研发决策的交互项(OS×RD)每提高1%，工业全要素生产率将提升18.79%(通过5%的显著性检验)。表明劳动密集型工业数据要素与劳动要素融合对工作技能要求提高，倒逼低技能劳动者通过技术培训提升竞争力，以满足不同细分市场的劳动力需求，从而提高企业单位时间内的产出水平，只需改进现有产品而无需进行高投入、承担高风险的利用型研发决策，能够通过产品竞争效应进一步增强数据要素对工业全要素生产率的促进作用，H4得到检验。
控制变量中，人均固定资产投入(PCA)每增加1个单位，资本密集型工业全要素生产率将提高16.04%(通过1%的显著性检验)和24.16%(通过5%的显著性检验)，劳动密集型工业全要素生产率同步提升25.24%(通过1%的显著性检验)，表明人均固定资产投入对工业全要素生产率具有显著正向效应。人力资本存量(SHC)每增加1个单位，资本密集型工业全要素生产率将提高22.59%(通过5%的显著性检验)，劳动密集型工业全要素生产率将提升20.75%(通过1%的显著性检验)，表明人力资本存量对工业全要素生产率具有显著正向效应。行业集中度(CR)每增加1个单位，工业全要素生产率将提高8.63%(通过1%的显著性检验)。能源强度(GEI)每增加1个单位，工业全要素生产率会下降25.01%(通过1%的显著性检验)，表明能源强度对工业全要素生产率提升具有负向效应，对资本密集型工业全要素生产率的负向影响远超劳动密集型工业。该结论与现实相符，且与已有研究结果一致[26]。贸易开放度(OPEN)每增加1个单位，工业全要素生产率将提高5.85%(通过5%的显著性检验)，表明引进国外先进生产技术对推进中国工业数据要素与传统要素融合具有显著正向作用。可能的原因是，中国工业数据要素赋能的边际贡献与国际水平的差距正在逐渐缩小。
为检验基本估计结果的可靠性，本文以工业劳动生产率(LLP)作为被解释变量检验式(2)的稳健性，估计结果如表3所示。
表3结果显示，所有模型中数据要素(OS)的估计系数均在10%的统计水平上显著为正，且回归系数相差较小，表明数据要素对工业劳动生产率的正向促进作用成立。列(1)结果显示，研发决策对工业劳动生产率具有显著负向影响(在10%的水平上显著)，且与基准检验结果相比，经济显著性和统计显著性有所增强。不同要素密集型工业数据要素与探索(利用)型研发决策交互项的估计结果显示，除列(3)外，均在5%的统计水平上显著，表明劳动密集型工业探索型研发决策对工业劳动生产率具有显著抑制作用。这意味着劳动密集型工业对新知识的整合能力和风险抵御能力阻碍其进行探索型创新，与前文结论保持一致。控制变量中，人均固定资产、人力资本存量和贸易开放度的回归系数符号一致。值得注意的是，列(5)中行业集中度的系数在5%的统计水平上显著为负，与前文结论相反，主要是因为工业劳动生产率测算的是工业总产值与劳动力的比值，行业集中度的系数符号对本文稳健性检验不构成影响。因此，计量模型的检验结果具有稳健性。
表3 数据要素、研发决策影响工业全要素生产率的稳健性检验结果
Tab.3 Robustness test results of data elements and R&D decision affecting industrial total
变量lnLLP(1)(2)(3)(4)(5)OS0.181 6***0.581 1*0.134 0*0.617 5***0.661 7***(2.77)(1.79)(1.89)(3.29)(2.92)RD-0.937 5*0.241 7**0.095 20.312 9*-0.778 2**(1.69)(2.46)(1.02)(1.72)(2.01)OS×RD0.126 50.102 3**0.163 7-0.137 1**0.165 5**(1.54)(2.35)(1.34)(2.23)(2.27)PCA0.658 2**0.118 1*0.218 4*0.176 3**0.496 3(2.27)(1.67)(1.91)(2.49)(1.22)SHC0.176 3*0.237 60.215 7*0.196 4**0.401 7**(1.86)(1.26)(1.85)(2.16)(1.74)CR0.057 4**0.025 1*0.020 7*0.059 3*-0.021 6**(1.99)(1.69)(1.53)(1.91)(2.36)GEI-0.461 3***-0.264 1**0.197 50.232 50.205 4***(3.82)(2.07)(1.40)(1.34)(2.98)OPEN0.031 40.030 2-0.062 7*0.078 1*-0.064 9(1.46)(1.42)(3.16)(1.95)(1.17)CONS0.134 70.743 80.571 60.758 10.682 9(1.60)(1.33)(1.57)(1.31)(1.49)个体因素YesYesYesYesYes时间因素YesYesYesYesYesF Statistics43.4940.9448.4841.4342.33Prob>F0.000 00.000 00.000 00.000 00.000 0R20.672 70.610 70.65810.642 20.625 7adj R20.662 10.605 00.644 40.634 40.618 5
考虑到数据要素规模收益递增引致的倍增效应能够大幅提升工业全要素生产率，而工业全要素生产率又可以通过前沿面移动影响数据要素配置，因而估计结果可能存在一定程度的内生性影响。为缓解这一问题，本文借鉴李成友等[27]的做法，采用滞后一期的工业机器人使用量(OS_lag)作为工具变量，对式(2)进行内生性分析。该工具变量只与当期工业机器人使用量高度相关，而与当期其它干扰项不相关，符合工具变量选取的前提假设条件，估计结果如表4所示。
表4结果显示，F检验在1%的水平上显著，说明本文选取工业机器人使用量的滞后期作为工具变量是合理的。考虑内生性问题后，数据要素对工业全要素生产率的系数普遍下降，显著性有所增强。资本密集型工业探索型研发决策对工业全要素生产率具有显著正向作用，利用型研发决策的正向作用依然不显著；劳动密集型行业探索型研发决策会抑制数据要素对工业全要素生产率的提升作用，利用型研发决策显著提升数据要素对工业全要素生产率的效应。内生性分析结果与基准结果保持一致，表明数据要素对工业全要素生产率影响的估计结果在不同要素密集型工业之间具有较高的一致性。
表4 数据要素、研发决策影响工业全要素生产率的内生性估计结果
Tab.4 Endogenous estimation results of data elements and R&D decision affecting industrial total factor productivity
变量lnTFP(1)(2)(3)(4)(5)OS_lag0.224 6***0.579 4***0.254 9**0.643 0***0.681 4***(3.13)(3.01)(2.51)(3.27)(2.73)RD-0.565 70.513 7***0.091 70.420 1**-0.623 7*(1.52)(2.89)(1.06)(2.17)(1.87)OS_lag×RD0.132 60.097 4**0.165 2-0.174 7**0.151 1**(1.27)(1.86)(1.12)(2.04)(2.51)PCA0.587 6***0.140 8***0.210 2**0.227 8***0.476 1(3.21)(3.42)(2.23)(3.16)(1.46)SHC0.229 1***0.264 40.207 7**0.186 3***0.412 6***(2.64)(1.20)(1.89)(3.42)(2.69)CR0.067 9***0.037 6**0.468 1**0.063 8***0.021 3***(3.06)(1.91)(3.22)(2.98)(3.42)GEI-0.267 1***-0.541 4***0.176 3-0.364 9-0. 293 7***(2.98)(3.81)(1.57)(1.49)(2.90)OPEN0.046 3**0.029 1-0.109 4***0.057 2**-0.101 6(2.37)(1.28)(2.96)(2.26)(1.55)CONS0.223 90.427 50.586 80.237 10.402 8(1.22)(1.03)(1.41)(1.39)(1.17)个体因素YesYesYesYesYes时间因素YesYesYesYesYesF Statistics49.2344.2845.8448.5645.03Prob>F0.000 00.000 00.000 00.000 00.000 0R20.654 00.670 60.661 90.694 30.627 9adj R20.643 70.664 20.650 90.685 20.611 0
本文构建一个数据要素影响工业全要素生产率模型，并将研发决策纳入其中，利用2010—2019年中国工业面板数据检验数据要素与研发决策对工业全要素生产率的影响。在控制人均固定资产投入等变量后发现：首先，数据要素与资本、劳动的动态联动能够显著提升工业全要素生产率，并且数据要素对资本密集型工业全要素生产率的作用显著优于劳动密集型工业。其次，研发决策对不同要素密集型工业全要素生产率的影响呈现出显著差异性。资本密集型工业利用充裕的资本进行投资研发与整合的探索型研发决策对工业全要素生产率具有显著提升作用，而囿于高风险的利用型研发决策对工业全要素生产率的促进作用不明显。劳动密集型工业充足的劳动力资源与新知识整合的高风险导致行业缺乏突破式创新动力，不利于工业全要素生产率提升，而追求低风险的利用型研发则显著促进劳动密集型工业全要素生产率提升。最后，研发决策对数据要素与工业全要素生产率之间的关系具有显著影响。数据要素与资本要素的协调融合能够有效提升资本密集型工业资源配置效率，显著提升资本密集型工业全要素生产率。数据要素与传统要素融合不协调导致资源错配以及为规避数据安全风险的利用型研发决策对资本密集型工业全要素生产率的提升作用不显著；劳动密集型工业应对剧烈变化技术和市场的能力以及对新知识的整合能力导致探索型研发决策弱化数据要素对工业全要素生产率的促进作用。此外，数据要素与劳动要素融合能够提高劳动力资源配置效率，聚焦低成本、低风险的利用型研发决策显著增强数据要素对劳动密集型工业全要素生产率的促进作用。
上述结论具有深刻的政策含义：
首先，积极发展数字技术，提高中国工业数字化水平，充分发挥各要素的协同联动作用。强化传统要素与新技术的整合，增强知识的交互作用，充分利用数据要素带来的技术溢出效应塑造竞争力优势。保障产业配套设施建设质量，通过大数据技术的平台效应及产业链分工优化，降低资源错配，利用数据中心、网络、数据库等软件基础平台，为数据要素与传统要素的高效融合营造基础环境，为数字化与现有资源的协同发展提供有力支持。
其次，建立健全数据市场制度，充分实现资本、劳动、知识、技术及数据等要素的价值。市场风险、研发创新过程的不确定性以及研发成果易成为公共品等会阻碍数据要素与其它要素的有效融合，必须完善要素市场规则与秩序，建立健全数据权属、公开、共享和交易规则以及数据与其它生产要素的交易规则。此外，需提高企业与政府部门的双向沟通和反馈效率，提升相互协调配合能力，共同致力于网络安全建设，形成较为成熟的网络风险预警与溯源、数据安全事件紧急预案与反攻击系统以及数据资源安全保障等风险应对机制，积极面对潜在数据安全风险。
最后，完善工业人才培养与评价体系，充分发挥高技能人才的专业技术能力，提高中、低技能劳动要素的技能素质。数据要素与劳动要素融合意味着越来越多低技能劳动者将被取代，在对劳动结构产生负面冲击的同时，也对人力资本素质提出了新要求。因此，应高度重视低技能劳动者的素质培养，加大对人才培养的投入力度，优化教育和培训体系，使劳动者快速适应数字化发展，提高人机协作水平，在提升生产效率的同时，提高劳动力核心竞争力，促进劳动要素与数字化建设的有机融合。
与已有文献相比，本文刻画了数据要素如何与劳动、资本等传统要素融合，以发挥更大创新潜力的作用路径，强调数据要素成为一种新生产要素并非单独发挥作用，而是增强了现有生产要素之间的交互关系，进而形成提升创新水平的动力。同时，从研发决策视角研究数据要素的赋能能力，在考虑资本和劳动密集型工业异质性研发决策基础上，考察了探索型与利用型研发决策在数据要素与资本、劳动要素融合过程中发挥的作用。需要注意的是，如何将数据要素与研发决策纳入生产函数，在规模报酬递增框架下考察数据要素赋能对工业全要素生产率的影响，将是未来研究方向之一。
[1] 庄子银. 创新、企业家活动配置与长期经济增长[J]. 经济研究,2007,42(8):82-94.
[2] D'ASPREMONT C,JACQUEMIN A. Cooperative and noncooperative R & D in duopoly with spillovers[J]. The American Economic Review,1988,78(5):1133-1137.
[3] 陈宇科,孟卫东,邹艳. 竞争条件下纵向合作创新企业的联盟策略[J]. 系统工程理论与实践,2010,30(5):857-864.
[4] COMIN D,HOBIJN B,ROVITO E. A new approach to measuring technology with an application to the shape of the diffusion curves[J]. The Journal of Technology Transfer,2008,33(2):187-207.
[5] HALL B H,LOTTI F,MAIRESSE J. Evidence on the impact of R&D and ICT investments on innovation and productivity in Italian firms[J]. Economics of Innovation and New Technology,2013,22(3):300-328.
[6] 傅联英. 广延研发决策对企业利润的影响:基于中国食品企业数据的分析[J]. 研究与发展管理,2018,30(5):59-69.
[7] 盛明泉,吴少敏,张娅楠. 探索式创新与企业全要素生产率[J]. 产业经济研究,2020，19(1):28-41.
[8] 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.
[9] 荆文君,孙宝文. 数字经济促进经济高质量发展:一个理论分析框架[J]. 经济学家,2019，31(2):66-73.
[10] 谢康,夏正豪,肖静华. 大数据成为现实生产要素的企业实现机制：产品创新视角[J]. 中国工业经济,2020,37(5):42-60.
[11] 王建冬,童楠楠. 数字经济背景下数据与其他生产要素的协同联动机制研究[J]. 电子政务,2020，207(3):22-31.
[12] GAZZOLA P,COLOMBO G,PEZZETTI R,et al. Consumer empowerment in the digital economy:availing sustainable purchasing decisions[J]. Sustainability,2017,9(5):693.
[13] 马中东,宁朝山. 数字经济、要素配置与制造业质量升级[J]. 经济体制改革,2020，38(3):24-30.
[14] 陈剑,黄朔,刘运辉. 从赋能到使能:数字化环境下的企业运营管理[J]. 管理世界,2020,36(2):117-128,222.
[15] THOMPSON P,WILLIAMS R,THOMAS B. Are UK SMEs with active web sites more likely to achieve both innovation and growth[J]. Journal of Small Business and Enterprise Development,2013,20(4):934-965.
[16] 郭家堂,骆品亮. 互联网对中国全要素生产率有促进作用吗[J]. 管理世界,2016,32(10):34-49.
[17] 陈维涛,韩峰,张国峰. 互联网电子商务、企业研发与全要素生产率[J]. 南开经济研究,2019，35(5):41-59.
[18] AKTER S,WAMBA S F. Big data analytics in E-commerce:a systematic review and agenda for future research[J]. Electronic Markets,2016,26(2):173-194.
[19] 施炳展,李建桐. 互联网是否促进了分工：来自中国制造业企业的证据[J]. 管理世界,2020,36(4):130-149.
[20] MIHALACHE O R,JANSEN J J P,VAN DEN BOSCH F A J,et al. Top management team shared leadership and organizational ambidexterity:a moderated mediation framework[J]. Strategic Entrepreneurship Journal,2014,8(2):128-148.
[21] 季书涵,朱英明,张鑫. 产业集聚对资源错配的改善效果研究[J]. 中国工业经济,2016,33(6):73-90.
[22] 刘志彪,凌永辉. 结构转换、全要素生产率与高质量发展[J]. 管理世界,2020,36(7):15-29.
[23] ACEMOGLU D,RESTREPO P. The race between man and machine:implications of technology for growth,factor shares,and employment[J]. American Economic Review,2018,108(6):1488-1542.
[24] 张万里,宣旸. 产业智能化对产业结构升级的空间溢出效应:劳动力结构和收入分配不平等的调节作用[J]. 经济管理,2020,42(10):77-101.
[25] KROMANN L, SKAKSEN J R, SØRENSEN A. Automation, labor productivity and employment: a cross country comparison[J]. CEBR, Copenhagen Business School, 2011, 6: 1-16.
[26] 邵兴军,田立新. 能源强度直接效应、间接效应与影响路径的实证分析[J]. 系统工程,2011,29(7):59-63.
[27] 李成友,孙涛,焦勇. 要素禀赋、工资差距与人力资本形成[J]. 经济研究,2018,53(10):113-126.