DOI：10.6049/kjjbydc.2021060730 开放科学(资源服务)标识码(OSID)：
From the perspective of China's manufacturing industry, this paper uses panel data of China's manufacturing industry to explore the impact of manufacturing digitization on the division of global value chain through theoretical and empirical analysis, and makes a detailed analysis of the division of manufacturing global value chain. It also analyzes the heterogeneity caused by different sources, types and industry types of digital input in order to further optimize the manufacturing global value chain division of labor based on the existing research results of the impact of manufacturing digitization on the division of labor in the global value chain.
Based on theoretical and empirical analysis, the main conclusions of this paper are as follows. (1) Manufacturing digitalization can promote GVC competitiveness through cost effect, allocation effect and synergistic effect. (2) In the sample period, the GVC competitiveness of China's manufacturing industry shows an overall trend of increasing, and is basically stable in the top ten, and the competitiveness of low and medium knowledge-intensive industries is the strongest. (3) Digital transformation of manufacturing industry is conducive to the improvement of GVC competitiveness. In terms of different industry types, digitization significantly promotes GVC competitiveness in low and high knowledge-intensive industries. In terms of different sources of digitalization input, the effect of international digitalization input is more obvious than domestic digitalization input. In terms of different types of digital input, software and information technology services have the most prominent promoting effect. (4) To enhance the international division of labor in manufacturing, we should focus on promoting new infrastructure construction, optimizing the distribution of digital industries, and implementing targeted digital empowerment. This study expands the definition of digital input in previous studies and measures the degree of digitalization in manufacturing industry from the perspective of industrial intermediate input. By exploring the heterogeneity of the impact of domestic, international and different types of digital input on GVC competitiveness of manufacturing, it provides reference for manufacturing enterprises to develop digital transformation and GVC competitiveness promotion strategies.
DOI：10.6049/kjjbydc.2021060730 开放科学(资源服务)标识码(OSID)：
当前，以全球价值链(Global Value Chain，GVC)网络为主要架构的国际分工模式已成为全球社会生产最重要的组织形态。在此进程中，中国通过劳动、土地等低廉要素形成比较优势积极融入GVC，制造业规模和GVC竞争力不断提升。然而，中国以提供劳动密集型工作、劳动者低收入、企业低利润换得的国际分工地位仍处在GVC中低端，低端锁定、路径依赖等问题不断凸显，亟需寻求破解制造业大而不强的路径。2007—2019年，中国经常项目顺差占GDP的比重由9.9%降至不足1%，以土地、劳动等低廉要素为优势的制造业扩张路径正面临外资技术壁垒和产业结构锁定风险。与此同时，中国数字经济增加值由2005年的2.6万亿元增至2019年的35.8万亿元，其占GDP的比重也由14.2%升至36.2%，年复合增长率达到20.6%，中国已成为全球第二大数字经济体。数字经济规模的高速增长已成为中国应对经济下行压力的关键抓手，数字经济与中国经济社会的深度融合已成为经济发展的新动力[1]。
数字经济主要包括产业数字化与数字产业化两方面。产业数字化以数字技术为支撑，以信息数据为关键生产要素，以数据赋能为主线，实现产业数字化升级[2]。人工智能、大数据、云计算等数字技术不仅能够提升传统产业智能化、信息化和科技化水平，还有效推动传统产业动能转换和协同创新，孕育新业态，培育经济增长新引擎，从而促进传统产业转型升级。当前，受逆全球化与全球新冠疫情影响，GVC正经历调整和重塑，中国制造业迎来新的发展机遇。如何通过制造业数字化提升中国制造业GVC竞争力，获取更多价值分配，已成为值得深入探讨的重大课题。
随着数字经济迅猛发展，国内外机构和学者相继对数字化的重要作用展开研究。早期涉及数字化的相关研究更偏向于信息化，多以单一信息通信技术(ICT)投资为研究对象[3]，而数字化是突出人工智能、大数据、云计算、物联网等新一代信息技术的应用[4]。数字化与GVC的研究逐渐成为学者们探讨焦点，如杜传忠等[5]认为，以数字技术为特征的第四次工业革命推动传统制造业变革，促使GVC分解、融合和创新，使GVC各环节的附加值发生改变；马名杰等[6]发现，企业数字化转型有利于挖掘数据信息优势与网络市场潜力，从而使其深度嵌入全球生产和创新网络, 提升全球价值链中的地位；谷方杰等(2020)采用价值链分析法，构建数字化转型的价值链模型，发现数字化转型成功需要企业对经营模式、组织活动、人员管理和业务流程等诸多方面进行重塑；荆浩等[7]、曾可昕等[8]认为，数字化不仅推动商业转型，还促进新技术、新业态和新模式沿着产业链传导至产业集群，推动集群经济转型升级，向价值链中高端攀升；何文彬[9]通过考察数字化对中国制造业的升级重构效应，发现加大数字化投入能够显著促进制造业高端化；陈剑等[10]从产品生产、价值以及生产主体视角研究企业数字化带来的影响，认为数字技术能够提高企业需求预测的准确性，优化生产动态决策与产品供应链管理；池仁勇等(2021)认为，数字技术推动制造系统实现自动生产、流程同步和产品定制，重新定义生产链条，可为企业打开高质量制造的大门；刘启雷等[11]从供给和需求两方面研究发现，数字技术不仅能够快速满足用户个性化、差异化需求，而且能重塑生产运营与组织智能化决策从而实现要素赋能；易靖韬等[12]基于世界银行数据库研究发现，数字化转型助力企业实现差异化与创新并弥补制度缺失的劣势，进而对企业出口产生促进作用。
在GVC量化研究方面，随着全球化生产网络日益完善，中间加工贸易高速成长，采取总值统计口径难以反映基于全球“片段化”贸易的真实情况，当下主流研究采取增加值口径衡量国际贸易流动。为探求一国参与国际贸易分工中获得的真实增加值，Hummels等[13]提出垂直专业化分工(VS)的概念，并构建HIY模型测度一国或地区在全球价值链分工中的真实参与度。然而，该模型忽视了一国出口品有可能被进口国用于加工再生产(中间产品)而非直接最终使用的情况，在核算VS时，会对以中间加工贸易为主要产业的发展中国家形成有偏估计。Koopman等[14]在Hummels等[13]的基础上提出一国出口的分解方法(KWW法)，将各国在GVC的贸易总出口细分为四大类附加值项，且进一步提出全球价值链参与度指标，用以反映一国或地区(产业)出口的GVC参与程度；王直等[15]对KWW法进行扩展，提出WWZ法，将其应用在国家部门层面、双边贸易层面、双边贸易部门层面的总贸易流量分解中，并在后续研究中提出修正的显性比较优势指数、前向参与度指数和后向参与度指数，进一步完善了全球价值链量化分析体系。
综上所述，已有文献肯定了数字化对GVC分工的显著影响，并初步探索了数字化对GVC的影响效果，对本研究具有重要启发。学者们不断拓展GVC相关度量方法，为GVC量化研究提供了有益参考。但在数字化度量、数字化对全球价值链的影响机制与实证检验等方面仍有一定探索空间。首先，在数字化测度方面，多数文献采用固定电话普及率、移动电话普及率、电脑普及率、宽带普及率等衡量数字化，此类变量在宏观层面能较好地描绘数字化程度，但也存在两个明显弊端：一是统计口径较粗，无法映射到行业层面；二是时效性不强，难以反映数字化动态变化情况。少数文献虽然从投入角度度量数字化程度，但囿于数据可得性，对数字化投入的界定范畴过小，可能对数字化产生的影响估计偏小。鉴于此，本文运用国际间投入产出表数据，扩展以往研究对数字化投入的界定范畴，从行业中间投入角度度量制造业数字化程度。其次，在理论分析方面，从成本、资源配置效率、协同效应等方面分析制造业数字化对GVC竞争力的影响机制，进一步阐明数字化对GVC影响的内部“黑箱”。最后，在实证检验方面，通过划分国内、国际以及不同类型数字化投入，分析不同数字化投入对制造业GVC竞争力影响的异质性。
参照Hausmann等[16]关于“成本发现”模型的分析框架，采用邱斌等[17]建立的GVC一般理论模型，从微观视角探讨一国出口部门的生产效率，进而探讨影响制造业GVC的因素。假设技术进步为希克斯中性技术进步且规模报酬不变，一国出口部门的Cobb-Douglas生产函数为：
Y=AKaLbNc
(1)
式中，K、L、N分别表示资本、劳动和其它资源。参照全要素生产率公式，将技术水平设定为F=Y/(KaLbNc)=A，其中A表示组合这些要素的生产技术参数，0≤A≤k且A服从一致分布。k表示一国技术禀赋，k值越大表明一国企业潜在生产效率越高，意味着企业越能生产技术复杂度高的产品，有利于企业处在GVC高附加值环节。假设k取决于一国外部知识O(如贸易、FDI技术溢出等)和内部知识I(如资本深化、人力资本等)以及影响二者的其它因素D(如数字投入、市场化等)，即k=F(O,I,D)。按照“成本发现”原理，i企业在进行新产品生产时，既可以选择自主研发，也可以选择模仿已有同类产品。假设当前已有产品的最优生产效率为AM，i企业的模仿效率为t，0<t<1。Ai为i企业的生产效率水平，当i≥tAM时，i企业会选择自主研发，反之则会选择模仿其它企业的产品。假设当前共有M家企业，且E(AM)=kM/(M+1)，则i企业选择模仿的概率和技术参数期望值分别为：
prob(Ai≤tAM)=tE(AM)/k=tM/(M+1)
(2)
E(Ai|Ai≤tAM)=tE(AM)=ktM/(M+1)
(3)
同理，可以得到i企业进行自主研发的概率和技术参数期望值分别为：
prob(Ai≥tAM)=1-tE(AM)/k=1-tM/(M+1)
(4)
(5)
由此可以得到出口部门技术参数A的期望值为：
(6)
将式(6)代入式(4)可得到一国出口部门的生产效率水平，进而构造部门GVC影响因素的函数。
(7)
式(7)表明，出口部门的生产效率(决定GVC竞争力)主要取决于外部知识、内部知识以及对二者产生影响的其它要素。由此推断，当数字化嵌入出口部门能够影响上述任一决定因素时，便会对出口部门的生产效率产生影响，即对出口部门GVC竞争力产生影响。同理，扩展到产业层面亦如此。
数字化对制造业GVC竞争力影响的存在性已得到佐证，但影响的内在逻辑有待进一步揭示。基于已有研究，本文认为数字化主要通过成本效应、配置效应和协同效应3种途径影响制造业GVC竞争力。
(1)数字化的成本效应。在国际贸易中，贸易双方往往受空间地理距离、语言文化等因素影响产生较高的搜寻、谈判等交易成本，高昂的交易成本会限制中间投入和高端人才等要素跨地区自由流动。数字化凭借架构在云端的基础设施，通过数字化技术及相关服务实现数据信息化、应用平台化、信息海量化，打破国际贸易各环节的时空约束，从而降低搜寻贸易伙伴的难度，推动双边市场扩展为多边市场，促进企业形成规模经济和范围经济，并降低中间交易成本。同时，企业通过大数据分析等形式高效掌握市场交易多方面信息，实现高效匹配从而服务于市场竞争和产品定价。此外，以互联网为载体的数字化技术同样遵循摩尔定律(计算机芯片的处理性能大约每隔18个月翻一倍，且价格降低一半)[18]，意味着数字化技术进步会愈发降低传统企业生产成本，进而提升企业竞争优势。
(2)数字化的配置效应。数字化技术具有高复制性、高通用性、包容性和普惠性等特征，能够极大提升企业生产要素流动性，使物质、信息等资源以更低成本、更高效率实现精准配置[2]。企业通过大数据、人工智能、区块链、物联网等自动化、信息化和平台化应用，实现部分替代原先非自动化、非信息化、非平台化等低端生产要素，提升企业智能制造能力和生产效率，增加本国生产要素在其它国家最终产品生产的使用量[19-20]。数字化技术不断嵌入传统产业，不仅有利于完善产业服务途径，实现生产、销售、服务等环节的平台化和自动化，满足消费者和市场偏好[21]，而且在低端生产环节能够替代低端劳动力，实现劳动力平均素质和高级生产要素占比提升，有利于提升产业全要素生产率和资本回报率，扩大产业竞争优势，实现GVC高端化[22]。
(3)数字化的协同效应。数字技术带来的5G、大数据、人工智能、万物互联等发展新动能，极大改变了传统商业模式。随着GVC分工越来越细化和深入，越来越多各国企业融入全球化生产网络，人工智能和互联互通平台等数字技术带来网络会议、远程协助和网络直播等“面对面”交流形式，消除空间距离带来的交流约束，实现不同国家、不同价值链环节企业的数据共享、协同研发、同步决策等，提升协同分工效率[23-24]。数字化具有的实时交互与自动化功能可以有效优化企业对产品最优生产组合的控制，自动实现生产分配、质量检测，提高分工效率的同时，降低协作经营成本。数字化带来的大数据分析能够极大丰富企业决策信息量，赋予企业灵活应对市场变动的能力，降低决策风险，扩大企业竞争优势，实现生产经营效率提升[25-26]。
2.1.1 GVC相关指标测算基础
目前，基于国际贸易增加值的分解方法能够充分考虑全球化产品生产的分割过程，反映一国产业出口的真实增加值。其中，WWZ法可依据国际贸易产品的吸收途径和最终使用地，将国际贸易流分解为国外增加值、增加值出口、返回的国内增加值及纯重复计算等组成部分，实现对国际贸易各环节增加值流向的细致剖析[27]。本文运用WWZ法，通过三国投入产出模型(见表1)揭示GVC的增加值流向，进而获得GVC相关指标的测算基础。
表1 三国投入产出模型
Tab.1 Input-output model of the three countries
投入中间使用S国R国T国最终使用S国R国T国总产出中间投入S国ZssZsrZstYssYsrYstCsR国ZrsZrrZrtYrsYrrYrtCrT国ZtsZtrZttYtsYtrYttCt增加值VAsVArVAt----总投入(Fs)’(Fr)’(Ft)’----
表1中，下标s、r、t分别表示S国、R国和T国，Z代表中间产品投入矩阵，Y代表最终产品使用矩阵，VA为增加值行向量，C代表总产出列向量，上标“’”表示矩阵转置，Zsr、Ysr、VAs、Cs分别表示S国出口产品中被R国用作中间产品、最终使用部分、S国的增加值和产出。从一国投入产出的使用方向看，存在以下平衡式：
(8)
基于投入产出模型，定义投入系数矩阵
则有：
(9)
利用投入系数矩阵对式(9)进行调整可得到经典的里昂惕夫公式，即：
(10)
其中，
即为里昂惕夫逆矩阵。根据式(10)可将S国向R国出口的中间产品按照最终吸收地及吸收渠道进行分解。
Zsr=AsrCr=AsrBrsYsr+AsrBrsYsr+AsrBrsYst+AsrBrrYrs+AsrBrrYrr+AsrBrrYrt+AsrBrtYts+AsrBrtYtr+AsrBrtYtt
(11)
同样，中间产品也可以按照增加值来源不同和最终使用地不同进行分解。首先定义增加值系数Vs≡VAs(Cs)-1，同理可得Vr、Vt，增加值系数矩阵为：
(12)
上式结果为1*3的矩阵，且每个元素均为1。对S国而言，则有：
VsBss+VrBrs+VtBts=u u=(1,1,...,1)
(13)
以Esr表示S国出口到R国的中间产品和最终出口，Esr=AsrCr+Ysr。同理可得Est，则S国的总出口可表示为：Es=Esr+Est=AsrCr+Ysr+AstCr+Yst。因此，可以将式(9)改写为：
(14)
调整式(14)后可得到一国模型的里昂惕夫经典公式和里昂惕夫逆矩阵，以Lss表示S国国内里昂惕夫逆矩阵，Lss=(I-Ass)-1，同理可得R国和T国的里昂惕夫逆矩阵。依据公式(14)可得S国向R国出口的中间产品。
Zss=AsrCr=AsrLrrYsr+AsrLrrEr
(15)
结合公式(11)、(13)、(15)可得S国向R国总出口的分解，如式(16)所示。
Esr=AsrCr+Ysr=(VsBss)'Ysr+(VsBrs)'Ysr+(VtBts)'Ysr+(VsBss)'(AsrCr)+(VrBrs)'(AsrCr)+(VtBts)'(AsrCr)=(VsBss)'Ysr+(VsLss)'(AsrBrrYrr)+(VsLss)'(AsrBrtYtt)+(VsLss)'(AsrBrrYrt)+(VsLss)'(AsrBrtYtr)+(VsLss)'(AsrBrrYrs)+(VsLss)'(AsrBrtYts)+(VsLss)'(AsrBrsYss)+(VsLss)'[AsrBrs(Yrr+Yst)]+(VsBss-VsLss)'(AsrXr)+(VsBrs)'Ysr+(VrBrs)'(AsrBrrYrr)+(VrLrs)'(AsrBrrEr)+(VtBts)'Ysr+(VtBts)'(AsrLrrYrr)+(VsBts)'(AsrLrrEr)
(16)
上式将增加值系数代入国际中间产品分解中，根据出口增加值和最终使用地分为16个增加值和重复计算部分，总贸易核算法结构见图1。
2.1.2 中国制造业GVC竞争力核算方法
在基于投入产出模型的贸易增加值核算中，很自然地会涉及一国显性比较优势(Revealed Comparative Advantage，RCA)指数的核算。RCA指数反映一国某产业比较优势与竞争优势形成的实际结果，是衡量产业GVC竞争力(优势)的重要指标之一。RCA指数等于一国某产业产品出口值占该国全部出口产品总值的比例除以全球该产业产品出口值占全球产品出口总值的比例。王直等[15]基于WWZ法，综合考虑出口的国内和国际生产分工，排除总出口中的纯重复计算和国外增加值部分，对传统RCA指数进行修正。
图1 总贸易核算法概念框架
Fig.1 Conceptual framework of the total trade accounting method
(17)
其中，DVsi表示S国i产业的国内出口增加值，
表示S国全部产业的国内出口增加值之和，
表示全球i产业的国内出口增加值，
表示全球所有产业的国内出口增加值之和。一般而言，RCA>1表示一国某产业贸易出口具有显性比较优势，国际竞争力处于全球上游水平；RCA<1则表示一国某产业贸易出口具有显性比较劣势，不具有国际竞争力。
本文数字化投入与制造业GVC相关指标原始数据主要来源于《中国统计年鉴》《中国工业统计年鉴》以及世界投入产出数据库(WIOD)及其社会经济账户，WIOD包含了以双边贸易数据为基础构建的全球产业数据，其最新的2016版本涵盖了2000—2014年全球43个经济体56个行业数据，且统计口径一致。由于《国民经济行业分类标准》与WIOD中的行业划分标准(ISIC Rev.4)存在差异，本文沿用已有研究的分类方法，以ISIC Rev.4为基准，借鉴刘慧岭等(2019)的对接方法，将相关统计年鉴中的行业分类进行合并调整，最终得到18个制造业行业，具体行业分类详见表2。
表2 制造业行业分类
Tab.2 Industrial classification of manufacturing industry
国民经济制造业分类NACE分类编号农副食品加工业食品、饮料制造及烟草C05食品制造业酒、饮料和精制茶制造业烟草制造业纺织业纺织、服装及皮革制品制造业C06纺织服装、服饰业皮革、毛皮、羽毛及木材加工和木、竹、藤、草、麻布制品业木头及木制品加工业,家具除外;竹、藤、草、麻布制品业C07造纸及纸制品业造纸及纸制品业C08印刷和记录媒介复制业印刷业及记录媒介的复制业C09文教、工美、体育和娱乐石油加工、炼焦及核燃料炼焦及石油加工业C10化学原料及化学制品制造业化学原料及化学制品制造业C11化学纤维制造业医药制造业基础制药业及药物制剂业C12橡胶和塑料制品业橡胶及塑料制品业C13非金属矿物制品业非金属矿物制品业C14金属制品业基础金属制品业C15黑色金属冶炼和压延加工焊接金属制品业C16有色金属冶炼和压延加工计算机、通信和其它电子电脑、电子产品及光学产品制造业C17专用设备制造业电子设备制造业C18电气机械和器材制造业机械及设备制造业C19通用设备制造业汽车制造业汽车、拖车及半拖车制造业C20铁路、船舶、航空航天和其它运输设备制造业其它交通运输设备制造业C21仪器仪表制造业家具及其它制造业C22其它制造业家具制造业
图2为中国与世界其它主要经济体(美国、日本、德国、英国、俄罗斯、韩国、印度尼西亚)制造业RCA指数的横向比较情况。由图2可知，中国制造业RCA指数排名位居前列，其中2002—2007年RCA排名稳步增长，表明中国制造业国际竞争力稳健提升；2008—2014年中国RCA排名出现波动性下降，该阶段，印度尼西亚、日本、德国和韩国的RCA指数排名显著提高，说明在后金融危机时代，发达国家引资回流、产业转移以及其它发展中国家工业化兴起弱化了中国制造业的GVC竞争优势。此外，从RCA指数排名可以发现，美国、俄罗斯、英国的制造业空心化严重，中国、日本、德国、韩国的制造业竞争优势明显。
图2 世界主要经济体RCA全球排名
Fig.2 RCA global ranking of the world's major economies
除上述整体RCA指数排名分析外，有必要对中国制造业RCA指数进行更细致的剖析，了解中国制造业GVC竞争力的微观状况。因此，本文从制造业细分行业层面对RCA指数进行横向和纵向比较分析，形成对制造业GVC竞争优势更细致和立体的认知。
表3展示了中国制造业细分行业(按行业知识密集度分类)在全球43个经济体同类型行业中的RCA排名。结果显示，低知识密集度行业出现两极分化现象，其中以纺织、服装及皮革制品制造业(C06)的RCA排名最为突出，2004年后，纺织、服装及皮革制品制造业的RCA排名稳居世界第二。印刷业及记录媒介的复制业(C09)排名在2002年后骤降，一度跌至2007年的26位，2008年后开始回升，但排名依旧靠后。木制品加工业(C07)和纸制品业(C08)RCA排名稳中有进，食品、饮料制造及烟草业(C05)排名在2008年后出现下降情况。中低知识密集度行业的RCA排名稳定性较高，其中，化学原料及化学制品制造业(C11)、基础金属制品业(C15)、家具及其它制造业(C22)、炼焦及石油业(C10)、橡胶及塑料业(C13)、非金属矿物制品业(C14)的RCA排名稳定在中上游，基础制药业(C12)和焊接金属制品(C16)排名靠后。中高知识密集型行业中，电脑、电子产品制造业(C17)排名稳定在前5，表现出较强的竞争力，其它行业的RCA排名具有较大波动性，总体表现为先升后降，汽车制造业(C20)排名经历稳定上升阶段后表现仍较差。
表3 不同知识密集度制造行业RCA全球排名
Tab.3 Global RCA rankings of manufacturing industries with different knowledge intensity
行业分类行业2000年2002年2004年2006年2008年2010年2012年2014年低知识密集度C051320211719232123C0645322222C072018171716161314C081815151616192021C09107122224191414C2236112413710中低知识密集度C10151817161681616C11787667910C122726262725303131C13446812121516C1412171816161266C1596341467C162828292628232227中高知识密集度C1798555344C1899101010777C19181613138101012C202929282626242424C212422212115111116
为对制造业细分行业GVC竞争优势有更直观的纵向认知，图3比较了中国制造业细分行业RCA指数均值。由图3可知，在低知识密集度行业中，纺织、服装及皮革制品制造业(C06)和木制品加工业(C07)具有较强的GVC分工竞争力，RCA指数分别为3.154、1.806；造纸及纸制品业(C08)的RCA指数小于1，表明其GVC竞争力低于全球平均水平；其余行业的RCA指数普遍刚达到1，不具有显著竞争优势。在中低知识密集度行业中，除基础制药业(C12)和焊接金属制品(C16)的RCA指数小于1外，其余行业均大于1，其中以橡胶及塑料业(C13)、非金属矿物制品业(C14)、基础金属制品业(C15)、家具及其它制造业(C22)的表现最为突出，分别达到1.465、1.640、1.694、1.776，这些行业的GVC竞争力处在全球上游水平，竞争优势显著。在中高知识密集度行业中，电脑、电子产品制造业(C17)和电子设备制造业(C18)的RCA指数表现最为突出，分别为1.694、1.618，说明其行业GVC竞争力优势显著；其它交通运输设备制造业(C21)和汽车制造业(C20)的RCA指数分别为0.409、0.646，意味着这两个行业的GVC竞争力不仅低于全球平均水平，而且存在较大差距。
图3 中国制造业细分行业RCA指数均值
Fig.3 Average value of RCA index of China's manufacturing subsectors
从RCA指数分析结果可以看出，中国制造业GVC竞争力排名靠前且正稳步上升。分行业看，中国制造业细分行业的GVC竞争力参差不齐，中低知识密集度行业的GVC竞争力更强且竞争优势稳定，低知识密集度行业和中高知识密集度行业的GVC竞争力较弱且存在短板行业。
4.1.1 模型设定
为实证检验数字化对中国制造业GVC竞争力的影响以及不同数字化影响的异质性。本文在何文彬[28]的模型设定基础上，构建实证模型。
GVCRCAi,t=β0+β1DIGIi,t+βXi,t+νt+θi+εi,t
(18)
其中，i、t分别代表行业和年份，β0表示截距项，νt为时间固定效应，θi为个体固定效应，εi,t表示残差项，Xi,t表示控制变量。
被解释变量为RCA指数，该指数能够准确反映一国产业在GVC分工中的竞争优势，是衡量产业GVC竞争力的重要指标。核心解释变量为数字化，本文在以往研究界定制造业数字化的基础上[20,28]，拓展数字化涵盖范畴，将制造业数字化界定为制造业中的电子通讯及相关信息服务投入。考虑数据可得性，采用软件和信息技术服务业、电子通讯及光学制造业、电信业的中间投入衡量。式(18)中，核心解释变量DIGIi,t表示t年i行业的全球数字化投入。此外，后续替换的核心解释变量中，CHNi,t表示t年i行业的国内数字化投入， INTi,t表示t年i行业的国际数字化投入，TELEi,t表示t年i行业的电信业投入，SOFTi,t表示t年i行业的软件和信息技术服务业投入，POSTi,t表示t年i行业的电子通讯及光学制造业投入。本文控制变量包括海外需求(ABO)、产出规模(SCA)、资本存量(K)和要素回报(L)，分别用行业出口规模、行业产出规模、行业资本存量和行业劳动回报衡量。
4.1.2 数据处理与说明
本文GVC相关数据的运用和测算均需运用国际投入产出数据，从样本的完整性、数据的连续性与时效性考虑，WIOD网站2016年发布的世界投入产出表，包含2000—2014年全球44个主要经济体、56个行业(其中含19个制造行业)的时序数据，更能满足本文研究需要。变量描述性统计见表4，观察可知，核心解释变量和控制变量的标准差数值较大。为降低数据波动对估计结果的干扰，本文对数据进行标准化处理。
表4 变量描述性统计结果
Tab.4 Descriptive statistical results of variables
变量均值最小值最大值标准差GVCRCA1.320.253.460.65DIGI21 711.67137.77652 580.7086 111.21CHN19 744.48125.50605 929.8079 542.84INT1 967.1912.2746 650.867 131.48TELE909.2039.428 815.901 192.81SOFT349.019.386 046.86801.83POST26 168.90102.92774 747.60106 453.20ABO27 186.86921.84174 262.9030 973.35SCA380 907.8021 042.151 811 694.00408 743.60K320 807.7019 784.801 700 000.00298 295.50L221 299.3024 469.60934 716.00209 984.20
4.2.1 基准模型检验
表5是在控制行业和年份固定效应后，使用面板数据固定效应模型对式(18)进行估计的结果。列(1)～(5)依次加入控制变量进行回归，结果显示，DIGIi,t的估计系数始终显著为正，说明加大制造业数字化投入对行业显性比较优势具有正向促进作用，意味着制造业数字化规模扩大有利于制造业GVC竞争力提升。K i,t、Li,t的估计系数显著为正，表明资本存量和要素回报对制造业显性比较优势具有正向促进作用，即二者同样有利于制造业GVC竞争力提升。SCAi,t的估计系数始终显著为负，表明出口规模扩大对制造业GVC竞争力不具有显著影响，也从侧面反映中国是制造业大国而非制造业强国，仅靠扩大出口规模不能提升中国制造业全球价值链竞争优势。
表5 基准回归估计结果
Tab.5 Results of baseline regression estimation
变量(1)(2)(3)(4)(5)DIGIi,t0.173***0.101**0.133**0.229***0.269***[4.10][2.10][2.45][3.99][4.05]Li,t0.112***0.0590.144**0.166***[3.04][1.04][2.48][2.72]Ki,t0.0790.415***0.384***[1.26][4.13][3.69]SCAi,t-0.357***-0.313***[-4.19][-3.37]ABOi,t-0.098[-1.19]CONS0.314***0.309***0.307***0.298***0.299***[26.46][26.16][25.93][25.46][25.43]行业控制控制控制控制控制年份控制控制控制控制控制R20.1390.1710.1770.2340.239F-test234.18***210.57***205.76***221.06***135.32**
注：**、***分别表示5%和 1%水平上显著，方括号内数字为t值
4.2.2 按数字化投入来源分类检验
以上讨论是基于全球数字化投入视角，需要注意的是，不同数字化投入带来的规模经济和范围经济是不同的，从而可能以不同方式影响制造业GVC竞争力。因此，为区分不同数字化投入对制造业GVC竞争力的影响，本文对全球数字化投入进行分类，数字化投入按来源地划分为国内数字化投入、国际数字化投入，按行业类型划分为电信业数字化投入、软件和信息技术服务业数字化投入、电子通讯及光学制造业数字化投入。实证结果如表6所示。
表6 按投入来源分类的估计结果
Tab.6 Estimated results by source of input
变量(6)(7)(8)(9)(10)CHNi,t0.247***[3.83]INTi,t0.305***[4.98]TELEi,t0.139***[3.08]SOFTi,t0.283***[4.27]POSTi,t0.152***[5.35]Li,t0.166***0.223***0.197***0.191***0.147**[2.70][3.79][3.24][3.19][2.47]Ki,t0.379***0.281***0.0780.301***0.190**[3.62][2.93][0.71][3.07][2.00]SCAi,t-0.313***-0.256***-0.120-0.260***-0.269***[-3.36][-2.83][-1.14][-2.83][-2.99]ABOi,t-0.083-0.145*-0.028-0.134-0.021[-1.01][-1.75][-0.36][-1.56][-0.29]CONS0.299***0.300***0.301***0.298***0.299***[25.34][25.92][25.18][25.37][25.96]行业控制控制控制控制控制年份控制控制控制控制控制R20.2330.2640.2170.2440.274F-test134.96***143.89***158.58***141.39***156.78***
注： *、**、***分别表示在10%、5%和 1%的水平上显著，下同
列(6)、(7)结果显示，CHNi,t、INTi,t的估计系数均为正且通过1%的显著性检验，表明国内数字化投入与国际数字化投入对制造业显性比较优势均具有显著正向作用，加大国内和国际数字化投入均有利于行业GVC竞争力提升。INTi,t的估计系数大于CHNi,t，表明制造业利用国际数字化投入产生的正效应大于国内数字化投入，国际数字化投入更有利于制造业GVC竞争力提升。原因在于，GVC分工体系是涉及全球各个地区的贸易活动，国际数字化投入更容易搭建国际间贸易活动的桥梁，提供更高效的服务。列(8)～(10)为按数字化投入行业类型划分的估计结果，结果显示，TELEi,t、SOFTi,t、POSTi,t的估计系数均为正且通过1%的显著性检验，表明电信业数字化投入、软件和信息技术服务业数字化投入、电子通讯及光学制造业数字化投入均对制造业显性比较优势具有显著正向作用，均有利于扩大中国制造业GVC竞争优势。SOFTi,t的估计系数大于TELEi,t、POSTi,t，表明软件和信息技术服务业数字化投入对制造业GVC竞争力的提升作用最大。原因在于，软件和信息技术服务业是国际分工体系中更为关键的生产要素，其应用领域广、渗透能力强、资源消耗低，更能实现人力资源的充分利用。
4.2.3 按行业类型分类检验
本文进一步将制造业划分为低知识密集度行业、中低知识密集度行业和中高知识密集度行业，检验数字化对不同类型行业GVC竞争力的影响，结果如表7所示。
表7 按行业类型分类的估计结果
Tab.7 Estimated results by industry type
变量(11)(12)(13)DIGIi,t-45.9298.232***0.242**[-1.44][3.05][2.06]Li,t-0.1880.430***-0.320***[-0.35][4.68][-3.61]Ki,t2.023***0.426**0.972***[4.08][2.47][3.29]SCAi,t-1.877-0.227**-0.448**[-3.08][-2.31][-2.37]ABOi,t0.958**-0.436***0.157*[2.37][-3.07][1.72]CONS0.384***0.298***0.146***[12.42][22.40][12.11]行业控制控制控制年份控制控制控制R20.3730.5650.877F-test99.29***146.89***230.76***
列(11)～(13)分别对应低知识密集度行业、中低知识密集度行业和中高知识密集度行业的估计结果。结果显示，DIGIi,t对不同类型行业GVC竞争力的影响具有显著差异。在低知识密集度行业中，DIGIi,t的估计系数不显著，表明数字化投入对该类行业的GVC竞争力不具有显著影响。可能的原因在于，低知识密集度行业多为劳动力密集且劳动比较优势大的行业，嵌入数字技术较为困难，数字化带来的红利不足以弥补其替代人工减少的劳动力竞争优势。在中低和中高知识密集度行业中，DIGIi,t的估计系数均显著为正，表明数字化投入对这两类行业的GVC竞争力具有显著促进作用，意味着中低和中高知识密集度行业可以通过加大数字化投入提升GVC竞争力。与低知识密集度行业相比，中低、中高知识密集度行业的资本和技术密集度更高，更容易实现行业数字化，并通过数字化实现产业分工协同效率提升和生产成本大幅降低，使得数字化带来的正效应大于负效应。
4.2.4 稳健性检验
为检验上述实证结果是否稳健，即数字化对制造业GVC竞争力的影响是否表现为正向促进作用，本文采取两种方法进行稳健性检验。
(1)替换被解释变量。GVC位置指数用于衡量一国某产业的GVC分工地位，该指数越大，意味着其所处的国际分工地位越高，竞争力越强。本文用Wang等[29]提出的GVC位置指数(GVCPOS)替代GVCRCA，回归结果见表8中列(14)。结果显示，DIGIi,t的估计系数显著为正，表明数字化投入有利于制造业GVC分工地位提升，从而验证结论的稳健性。
(2)内生性检验。为解决模型中可能存在的内生性和双向因果关系问题，本文采用核心解释变量滞后一期的方式，分别采用滞后一期的DIGIi,t和两阶段最小二乘法(2SLS)重新进行回归，结果见表8中列(15)、(16)。结果显示，核心解释变量的估计系数符号及显著性未发生实质性变化，说明结论是稳健的。
表8 稳健性检验结果
Tab.8 Robustness test results
变量(14)(15)(16)DIGIi,t0.153**0.195***[2.18][3.16]L.DIGIi,t0.203***[2.94]Li,t-0.263***0.189***0.165***[-4.10][3.21][3.14]Ki,t0.364***0.363***0.439***[3.32][3.61][5.27]SCAi,t0.151-0.328***-0.386***[1.54][-3.71][-5.37]ABOi,t-0.083-0.065-0.022[-0.95][-0.81][-0.32]CONS0.363***0.284***[29.26][14.86]行业控制控制控制年份控制控制控制R20.2700.2330.228F-test143.20***139.99***2 262.68***Anderson-Rubin Wald test9.86***Cragg-Donald Wald F statistic2 258.87
4.2.5 中介效应检验
根据理论模型的机制分析可知，数字化能够通过配置效应和协同效应提升劳动力在生产分工中的效率，从而扩大产业竞争优势。为此，本文采用温忠麟等[30]提出的Bootstrap中介效应检验方法进行检验。考虑数据可得性，本文将产业劳动生产率作为中介变量，检验结果见表9。结果显示，Bootstrap的直接效应和间接效应估计系数均为正，且分别通过1%和5%的显著性检验，表明劳动生产率的中介效应显著，意味着数字化能够通过提升产业劳动生产率实现GVC竞争力提高。同时证明了数字化对制造业GVC竞争力的正效应结果是稳健的。
表9 Bootstrap中介效应检验结果
Tab.9 Results of Bootstrap mediation effect test
中介效应Observed Coef.Bootstrap Std. Err.zP>|z|Normal-based [95% Conf. Interval]间接效应0.0260.00214.980.0000.0230.030直接效应0.2450.1152.130.0330.0190.470
新经济时代，制造业数字化有望成为中国制造业GVC竞争力提升的突破口，探讨数字经济对制造业GVC竞争力的影响效果具有较强的理论与现实意义。本文在已有研究成果基础上，提出制造业数字化促进制造业GVC竞争力提升的理论机制，并采用中国制造业行业面板数据进行实证检验，得出以下主要结论：首先，中国制造业GVC竞争力整体呈现出先升后降的两阶段趋势，且连续多年位居样本国家前10行列。其中，中低知识密集度行业GVC竞争力最强，低知识密集度行业次之，中高知识密集度行业最弱，且部分行业严重缺乏竞争力。其次，数字化投入对制造业GVC竞争力具有显著正向作用。分数字化投入来源看，数字化的正效应依然显著，并且国际数字化投入的正效应大于国内数字化投入，软件和信息技术服务业的正效应大于电信业、电子通讯及光学制造业。第三，从不同知识密集度行业看，数字化的效应差异性较大，在低知识密集度行业中，数字化的正效应不显著，在中低和中高知识密集度行业中，数字化能够显著提升行业GVC竞争力。最后，中介效应检验结果表明，提高劳动生产率是数字化促进中国制造业GVC竞争力提升的有效途径。
本文研究结论从价值链竞争力视角为中国制造业数字化发展提供了一定经验参考。本文核心观点是，在大力发展新基建、加快推进制造业数字化过程中，不仅要区分不同知识密集度行业的差异性，而且要推动数字产业健康蓬勃发展。
首先，大力发展新基建，提供完善的数字公共产品。本文实证结果表明，加快推进制造业数字化转型能够有效提升行业GVC竞争力。加大制造业数字化投入的外部条件是一国具有先进且大规模的数字化基础设施。然而，新基建前期投入大、回报周期长，这就需要以政府为主导，加大财政支出力度，大力发展新基建，重点加强数据采集、5G通信、人工智能、工业互联网以及信息融通平台相关配套设施建设，完善数字化公共产品供给，降低行业数字化投入成本，加快中国制造业数字化应用普及，从而更好地发挥数字化投入激发中国制造业向GVC中高端攀升的动能与潜力。
其次，甄别制造业行业差异，推进数字化转型。本文实证结果表明，不同知识密集度行业数字化转型对行业GVC竞争力提升存在差异。其中，中低和中高知识密集度行业数字化转型能够有效提升行业GVC竞争力。这就要求不同行业在数字化转型中需要根据行业嵌入GVC的新模式、新业态，依托行业发展动态及核心业务，针对不同类型行业选择性地嵌入数字技术。例如，在中低和中高知识密集度行业中更多嵌入数字技术，减少低知识密集度行业的数字化投入，以最大限度发挥数字化投入的正效用。
最后，完善数字产业政策体系，积极引导产业健康发展。本文实证结果表明，无论从数字化投入来源地还是行业类型视角，均揭示出数字化投入正向影响制造业GVC竞争优势。因此，需要政府制定数字化产业政策，引导数字产业健康发展。例如，制定数字产业运营规范，营造有序竞争的市场环境；构建新型数字监管体系，避免信息鸿沟导致市场扭曲；推动数字产业共建共享，充分发挥数字产业的赋能与价值创造功能。
本文从要素投入角度衡量数字技术赋能制造业数字化转型对制造业全球价值链的影响，是一种比较前沿的探索。由于研究视角与层面的特殊性，当前相关数据库的数据连续性与时效性受限，难以及时、全面揭示数字技术及GVC竞争格局的新近变化情况，待今后数据库更新数据以及数字经济核心产业统计分类正式公布后，可以根据更精准的数字产业分类进行更多样本和视角的实证检验。同时，GVC竞争力具有丰富的现实内涵，本文从显性比较优势角度对制造业GVC竞争力进行了初步探索，后续研究还可以从全球价值链分工地位、上下游度、生产长度和出口技术复杂度等角度衡量，进而丰富制造业数字化对全球价值链影响的考察视角。此外，制造业数字化转型是一个动态发展过程，可以针对不同行业参与全球价值链的上下游度或生产长度分类考察制造业数字化转型的影响。
[1] 中国信通院.中国数字经济发展白皮书(2020)[R/OL]. http://www.caict.ac.cn/kxyj/qwfb/bps/202007/P020200703318256637020.pdf. 2020.
[2] 祝合良,王春娟. 数字经济引领产业高质量发展:理论、机理与路径[J]. 财经理论与实践,2020,41(5):2-10.
[3] BRYNJOLFSSON E,HITT L M. Beyond computation:information technology,organizational transformation and business performance[J]. Journal of Economic Perspectives,2000,14(4):23-48.
[4] LI L,SU F,ZHANG W,et al. Digital transformation by SME entrepreneurs:a capability perspective[J]. Information Systems Journal,2018,28(6):1129-1157.
[5] 杜传忠,杜新建. 第四次工业革命背景下全球价值链重构对我国的影响及对策[J]. 经济纵横,2017,33(4):110-115.
[6] 马名杰,戴建军,熊鸿儒. 数字化转型对生产方式和国际经济格局的影响与应对[J]. 中国科技论坛,2019,35(1):12-16.
[7] 荆浩,刘垭,徐娴英. 数字化使能的商业模式转型:一个制造企业的案例研究[J]. 科技进步与对策,2017,34(3):93-97.
[8] 曾可昕,张小蒂. 数字商务与产业集群外部经济协同演化：产业数字化转型的一种路径[J]. 科技进步与对策,2021,38(16):53-62.
[9] 何文彬. 全球价值链视域下数字经济对我国制造业升级重构效应分析[J]. 亚太经济,2020,37(3):115-130,152.
[10] 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.
[11] 刘启雷,张媛,雷雨嫣,等.数字化赋能企业创新的过程、逻辑及机制研究[J/OL].科学学研究(2021-07-12)[2021-08-03].https://doi.org/10.16192/j.cnki.1003-2053.20210712.001.
[12] 易靖韬,王悦昊. 数字化转型对企业出口的影响研究[J]. 中国软科学,2021，36(3):94-104.
[13] HUMMELS D,ISHII J,YI K M. The nature and growth of vertical specialization in world trade[J]. Journal of International Economics,2001,54(1):75-96.
[14] KOOPMAN R,WANG Z,WEI S J. Estimating domestic content in exports when processing trade is pervasive[J]. Journal of Development Economics,2012,99(1):178-189.
[15] 王直,魏尚进,祝坤福. 总贸易核算法:官方贸易统计与全球价值链的度量[J]. 中国社会科学,2015，36(9):108-127,205.
[16] HAUSMANN R,HWANG J,RODRIK D. What You export matters[J]. Journal of Economic Growth,2007,12(1):1-25.
[17] 邱斌,叶龙凤,孙少勤. 参与全球生产网络对我国制造业价值链提升影响的实证研究:基于出口复杂度的分析[J]. 中国工业经济,2012，29(1):57-67.
[18] 沈玉良,金晓梅. 数字产品、全球价值链与国际贸易规则[J]. 上海师范大学学报(哲学社会科学版),2017,46(1):90-99.
[19] FREY C B,OSBORNE M A. The future of employment:how susceptible are jobs to computerisation[J]. Technological Forecasting and Social Change,2017,114:254-280.
[20] 高敬峰,王彬. 数字技术提升了中国全球价值链地位吗[J]. 国际经贸探索,2020,36(11):35-51.
[21] 陈彦斌,林晨,陈小亮. 人工智能、老龄化与经济增长[J]. 经济研究,2019,54(7):47-63.
[22] 吕越,谷玮,包群. 人工智能与中国企业参与全球价值链分工[J]. 中国工业经济,2020，37(5):80-98.
[23] 裘莹,郭周明. 数字经济推进我国中小企业价值链攀升的机制与政策研究[J]. 国际贸易,2019(11):12-20,66.
[24] GOLDFARB A,TUCKER C. Digital economics[J]. Journal of Economic Literature,2019,57(1):3-43.
[25] 沈国兵,袁征宇. 互联网化对中国企业出口国内增加值提升的影响[J]. 财贸经济,2020,41(7):130-146.
[26] 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.
[27] WANG Z,WEI S J,ZHU K F. Quantifying international production sharing at the bilateral and sector levels[R]. National Bureau of Economic Research,2013.
[28] 何文彬. 数字化推动中国制造业价值链高端化效应解析:基于全球价值链视角[J]. 华东经济管理,2020,34(12):29-38.
[29] WANG Z,WEI S J,YU X D,et al. Measures of participation in global value chains and global business cycles[R]. National Bureau of Economic Research,2017.
[30] 温忠麟,叶宝娟. 中介效应分析:方法和模型发展[J]. 心理科学进展,2014,22(5):731-745.