开放科学(资源服务)标识码(OSID)：
The essence of improving resource misallocation is to improve factor allocation efficiency, alleviate factor distortion and reduce the degree of resource misallocation to make the actual production closer to the production frontier. Drawing on the resource allocation theory and the balanced panel data of 29 provinces in China from 2011 to 2019, this study constructs the digital economy development indices from multi-dimensional indicators. By calculating the capital and labor misallocation indices, it employs the static and dynamic models, and uses a variety of measurement methods to empirically test the impact of the development level of digital economy on China's factor resource misallocation. The discussion on the improvement effect of digital economy on resource misallocation has deepened the understanding of the technical dividend of digital economy, providing practical significance to improve the allocation of resources in various regions and promote economic development.
It is found that there is a certain path dependence in China's resource misallocation, that is, the past factor misallocation will significantly affect the current allocation efficiency. The development of digital economy can effectively improve the misallocation of capital and labor force in various regions of China and improve the efficiency of resource allocation. It has become a new driving force to promote economic growth. After substituting the variables and introducing the instrumental variables for robustness test, its improvement effect still exists significantly. The development of digital economy can indirectly affect the misallocation of capital and labor force in various regions by promoting market-oriented development and the level of financial development, as well as improving the degree of opening to the outside world, so as to improve the allocation efficiency of capital and labor force. The development of digital economy has a significant spatial impact which can effectively improve the resource misallocation in the region, but will aggravate the resource misallocation in some adjacent areas, mainly because of the "Matthew effect" and "digital technology gap" in the development of digital economy in various regions. Further analysis shows that there are obvious heterogeneity differences in the improvement effect of digital economy development on resource misallocation. The difference of overcapacity level and the direction of resource misallocation in different regions and regions have a significant impact on the improvement effect of digital economy; specifically, the digital economy has a greater effect on the improvement of resource misallocation in the eastern region, regions with high overcapacity level and excessive resource allocation, and less effect on the improvement of resource misallocation in the central and western regions, regions with low overcapacity level and insufficient resource allocation.
The marginal contribution of this paper lies in three aspects. First, this paper brings the development of digital economy and the misallocation of factor resources into a unified analysis framework, deeply analyzes the internal mechanism of the development of digital economy affecting resource allocation, and strengthens the theoretical research on the relationship between digital economy and resource allocation. Second, on the basis of the calculation of the resource distortion coefficient of each region, the static and dynamic panel models are used to empirically test the direct, indirect and spatial impact of the development level of digital economy on the misallocation of capital and labor force in each region, deepening the empirical research in the field of digital economy. Third, it focuses on whether regional differences, differences in the level of regional overcapacity and different directions of resource misallocation have an impact on the improvement effect of digital economy, deepens the understanding of the heterogeneity of dividend effect of digital economy, and provides a practical reference for the implementation of differentiated and dynamic digital economy development strategy. In addition, this paper uses a variety of methods to test the endogeneity and robustness, which better improves the robustness of the research conclusion.
开放科学(资源服务)标识码(OSID)：
当前,我国经济发展进入新常态,市场要素扭曲、资源错配、产能过剩等问题凸显,要素扭曲导致的资源错配是造成经济增长差异的主要原因。如果能优化资源配置,可使我国生产率提高1/3[1],并有效促进经济增长。在数字经济发展趋势下,传统经济优势逐渐消失,数字技术的运用可以解决经济转型过程中的某些结构性问题[2]。伴随着数字技术在经济领域的不断渗透,其已成为我国经济转型的主要方向。截至2020年,我国数字经济规模超过39万亿元,在疫情冲击和全球经济下行双重影响下,我国数字经济依然保持9.7%的增长速度,成为促进经济增长的新动力。而且,数字经济发展改变了市场要素供给结构,更加注重数字数据的重要性[3]。由此衍生出一个新问题,数字经济发展能否改善市场资源错配现状,从而释放过剩产能,促进经济增长?
数字经济是以数字资源和数字技术创新为核心,以大数据、云计算、区块链等数字技术为驱动力的新型经济形态[4]。现有研究表明,数字经济对经济增长具有多维影响。在宏观层面,数字经济发展带动技术创新变革,信息技术通用性能够提升我国经济整体生产效率[5],数字技术驱动我国传统产业向中高端产业转型升级[6],并重新调整资源配置方式(张昕蔚,2019),缓解资源配置矛盾,促进社会生产模式变革和创新,从而促进经济高质量发展(任保平等,2021)。在中观层面,互联网通过扩大市场需求,为区域创新发展提供新的驱动力[7],伴随着数字经济与实体经济产业融合,信息技术应用为产业创新变革提供新动力[8],产业融合有助于提高城市创新能力(韩璐等,2021),增强区域经济发展韧性。现有研究表明,数字经济发展对经济增长和创新具有显著促进作用,但从资源配置视角分析数字经济技术红利的研究较少。
那么,数字经济作为一种新经济形态,能否有效提高市场资源配置效率?本文将数字经济与资源错配纳入统一分析框架,基于资源配置理论,使用2011—2019年中国省级面板数据,构建数字经济多维指标评价体系,并运用多种计量方法检验数字经济发展水平对资源错配的影响,有助于加深对数字经济技术红利的理解,对于提高各地区资源配置水平和促进经济发展具有重要现实意义。
本文边际贡献在于:第一,基于现有研究,将数字经济发展与要素资源错配纳入统一分析框架,深入分析数字经济发展影响资源配置的内在机理,有助于拓展数字经济与资源配置关系理论。第二,在测算各地区资源扭曲系数的基础上,采用静态和动态面板模型,实证检验数字经济发展水平对各地区资本和劳动力错配的直接影响效应、间接影响效应和空间影响效应,有助于深化数字经济领域实证研究。第三,通过分析区域差异、地区产能过剩水平差异、资源错配方向不同对数字经济改善的影响,能够加深对数字经济红利效应的理解,对实施差异化和动态化数字经济发展战略具有借鉴意义。
“资源错配”是相对于“资源有效配置”而言的一个概念。资源有效配置是指资源通过自由流动和配置,使要素边际产出等于边际生产成本,最终实现帕累托最优;而“资源错配”则偏离了这一最优状态,可以解释生产效率差异。由于市场存在劳动力摩擦和金融摩擦,致使要素资源无法自由流动,从而导致要素配置发生扭曲[9]。加之政府干预市场,使要素无法按照市场原则进行有效配置[10],导致资源错配现象严重(覃家琦等,2015),在无形中形成产业壁垒,使市场不能自由清退低效率企业,高效率企业亦无法获得更多要素资源,从而加重资源配置扭曲效应[11]。
改善资源错配的本质在于提高要素配置效率,缓解要素扭曲和降低资源错配程度,从而使实际生产更接近生产前沿面(韩剑等,2014)。数字经济发展通过加快产业转型升级、促进技术创新发展、加快市场竞争、产生空间溢出效应等途径影响资源配置,其内在机理如图1所示。
图1 数字经济影响资源配置的内在机理
Fig.1 Internal mechanism of digital economy affecting resource allocation
(1)数字经济发展通过推动产业结构转型升级提高资源配置效率。数字经济发展推动传统生产方式变革和重组,以数字数据为新要素投入并与传统产业相融合(刘淑春,2019),形成新产业发展模式(肖静华等,2018),改变市场原有要素结构,以数字技术促进产业结构转型升级[12],并促使市场资源进行重新配置。同时,数字技术应用为市场资源配置提供了新机制,数字经济弱化了实体产业边界,促进产业融合发展[20],更容易产生乘数效应[13],并降低市场内部生产成本、提高资源配置效率。
(2)数字经济发展存在显著创新效应,通过技术创新提高资源配置效率。在微观层面,数字技术可以赋能企业技术进步[14]。企业是我国的技术创新主体,数字经济发展有助于改善企业外部创新环境,降低企业科技活动的外部性。在中观层面,数字经济通过扩散效应带动产业链技术创新,在数字信息化发展的影响下,通过网络效应加速技术空间扩散,并在行业内部形成创新主体集聚效应,从而带动行业技术创新(张昕蔚,2019)。在宏观层面,数字经济通过规模效应带动区域创新,数字技术运用弱化了经济发展边界,通过产业融合推动区域创新发展[15],提高区域创新效率[16]。而数字技术创新可以改善市场资源配置机制,缓解资源错配矛盾(张鹏,2019),提高资源配置效率。
(3)数字经济发展通过加速市场竞争对资源进行重新配置。数字经济发展可以提升市场透明度、信息时效性、资源流动性,使市场发展环境更加均等化[17]。同时,数字经济发展还能够加快市场竞争,淘汰部分长期无效甚至负效的市场主体(陈云贤,2020),进而释放更多产能。另外,市场高效发展也会促使市场主体提高自身管理水平和生产能力,倒逼低效率企业提高资源配置效率。
数字经济发展不仅直接作用于要素资源流动和配置,还通过影响市场化水平、金融发展、对外开放度间接影响要素资源配置效率。第一,在数字经济发展大趋势下,数字网络能够提高市场信息化水平[17],保证市场主体信息来源和质量,为供需双方提供交流平台,形成规模经济、范围经济及长尾效应,从供需两端扩大市场生产规模和消费空间,促进市场化发展。第二,数字技术在金融市场的运用和发展有利于促进数字金融普惠性发展,促进金融资本在市场自由流动和配置,使市场主体获得更多资本支持(战明华等,2018);另外,数字金融发展有利于促进创业机会均等化(张勋等,2019),为市场发展提供资本基础和融资平台。第三,数字经济发展能够提高对外开放水平。数字全球化发展能够推动市场进出口贸易,使国内“边际产业”转移[18],通过对外投资提高国内资源配置效率。
高度互联互通的网络是数字经济最主要的特征,互联网有助于缩短时空距离[19],打破市场原有空间界限,加速要素资源空间流动[20],提高资源配置效率。互联网发展对经济增长具有显著空间影响效应[21],数字技术运用为实体经济发展提供了更大范围的生产空间和消费空间,能够丰富市场要素来源,重塑经济发展形态,对跨时空资源进行整合,并通过网络引导要素自由流动,使供需关系得以高效匹配,从而提高资源配置和使用效率。另外,在数字经济发展大趋势下,数字技术具有较强的网络扩散效应和网络外部效应(赵涛等,2020),高度互联互通的信息网络促进资源、技术在空间上共享和扩散(郭家堂等,2016),有助于提高地区资源配置效率。
考虑到我国数字技术运用和发展主要出现在2010年以后,故本文将研究期限设置为2011—2019年,并选取中国内地29个省市级261份平衡面板数据(因西藏和新疆相关数据不完整,故未纳入统计),数据来源于《中国统计年鉴》《中国信息产业发展统计年鉴》《中国信息年鉴》《中国高技术产业统计年鉴》《中国互联网发展报告》等,部分补充数据来源于各省市统计年鉴,以2010年为基期对相关数据进行调整,数字惠普金融指数来源于北京大学数字金融研究中心。
本文构建基本模型检验数字经济发展水平对资源错配的直接影响,如式(1)所示。
Poseit=α+βDieit+λXit+eit+εi+φt
(1)
其中,Poseit表示被解释变量各省市资本和劳动力要素错配指数;Die表示核心解释变量数字经济发展指数;X为控制变量;eit为随机扰动项,服从正态分布;εi、φt分别表示地区和时间固定效应。式(1)为静态模型,由于经济发展存在惯性,所以前期错配可能会影响当前及以后资源配置,即资源错配存在一定路径依赖性,故在式(1)中加入错配指数一阶滞后项,将其设为动态模型,如式(2)所示。
Poseit=α+βiDieit+βjPosei,t-1+λXit+eit+εi+φt
(2)
进一步讨论数字经济发展对资源错配的空间影响,引入空间矩阵,将其拓展为空间模型,如式(3)所示。
(3)
其中,P为空间交互项系数,Wit为空间权重矩阵。为检验空间影响的稳健性,采用邻接地理矩阵、经济距离矩阵、地理距离矩阵进行分析。当pi=0、pj≠0时,为空间滞后模型(SLM);当pi≠0、pj≠0时,为空间杜宾模型(SDM)。
(1)要素错配指数。借鉴陈永伟等[22]的研究,采用省级层面资本和劳动力错配指数τKit、τLit衡量。
τKit=1/γKit-1、τLit=1/γLit-1
(4)
其中,γ为要素绝对扭曲系数,在实际中通常使用相对扭曲系数
代替。
(5)
其中,sit为不同地区产出占总产出的比重,αi、βi分别表示产出权重加权资本和劳动力贡献率,
反映资本、劳动力实际使用量与有效配置的偏离程度,若大于1,表示该地区要素配置过度;反之则表示该地区要素配置不足。参考白俊红等(2018)的研究,采用C-D生产函数测算要素产出弹性。
LnYit=A+αLnKit+βLnLit+uit
(6)
其中,经济产出(Y)采用各省市实际经济产值测量,以2010年为基期对价格指数进行平减;劳动力投入(L)采用各省市上年末总就业人数与本年末总就业人数的均值衡量;资本投入(K)采用各省市固定资本存量测量,以2010年为基期对价格指数进行平减,并使用永续盘存法测算。
根据C-D生产函数测算资本和劳动力要素产出弹性,根据式(5)测算要素扭曲系数,根据式(4)计算要素错配指数τKit、τLit,由于错配指数存在配置过度(τ<0)和配置不足(τ>0)两种情况,故采用取绝对值的方法处理,即:
Pose-Kit=|τKit|,Pose-Lit=|τLit|
(7)
若解释变量回归系数为负,表示资源错配得以改善,反之则表示资源错配愈发严重。
(2)数字经济发展指数。借鉴黄群慧等(2019)、王军等[23]、郭峰等(2020)的研究,本文构建数字经济评价指标体系,共包含数字信息水平、产业数字化、数字产业化、数字金融水平4个二级指标以及16个三级指标,如表1所示。数字信息水平是发展数字经济的基础条件,产业数字化反映传统产业运用数字技术的现状,数字产业化反映数字产业发展现状,数字金融反映信息技术在金融行业中的应用。本文使用主成分分析法,对数字经济各项数据进行处理,得到数字经济发展指数,记为Die。
表1 数字经济评价指标体系
Tab.1 Digital economy evaluation indicator system
一级指标二级指标三级指标指标属性百人中智能手机拥有量+百人中使用互联网的用户量+数字信息水平 移动互联网接入流量增长率+信息制造业规模+信息传输规模+互联网及相关服务业收入+产业 数字化 电商企业数量+数字经济网上零售收入+发展指数网上移动支付水平+高技术产业研发人员折合全时当量+数字 产业化 高技术产业研发经费内部支出+高技术产业科技产出+信息通信产业业务收入+数字金融覆盖广度+数字 金融水平数字金融使用深度+普惠金融数字化程度+
(3)控制变量。为分析数字经济发展对资源错配的影响,本文设置以下控制变量:①市场化程度(Mark):采用各省市市场化指数的对数测量;②金融发展水平(Fina):采用各省市金融机构各项存款和贷款总额占生产总值的比重测量;③对外开放度(Open):采用各省市进出口总额占生产总值的比重测量;④政府干预(Gov):采用各省市公共财政收入占生产总值的比重测量;⑤经济发展水平(Econ):采用各省市人均产值的对数测量;⑥产业结构(Indu):采用各省市第三产业产值占总产值的比重测量。
(4)数据分析。各变量描述性统计分析结果如表2所示。从中可见,我国各省市劳动力和资本要素均存在一定程度扭曲,劳动力要素扭曲程度明显高于资本要素扭曲程度,说明各省市劳动力扭曲比生产资本扭曲更严重,通过改善资源错配促进经济发展的空间较大。数字经济发展指数表现出“均值较小、误差较大”的特点,表明我国各省市数字经济发展水平存在较大差异,即各地区资源禀赋与数字技术发展趋势明显不同。
表2 变量描述性统计分析结果
Tab.2 Variable descriptive statistical analysis
变量均值误差最小值最大值观测值Pose-K1.631.010.622.43261Pose-L1.361.330.334.03261Die1.882.240.423.80261Mark1.911.070.232.46261Fina0.270.180.000.58261Open0.080.130.020.17261Gov0.190.280.070.51261Econ3.072.451.876.29261Indu0.410.070.010.68261
在静态模型(1)的基础上,考虑到资源错配的路径依赖性,对动态模型(2)进行回归分析。在回归分析前首先对结果进行AR检验和Sargan检验,以确保残差序列不存在二阶及更高阶自相关性,基准模型回归分析结果如表3所示。由表3可知,AR(1)检验P值小于0.1,AR(2)检验P值大于0.1,说明残差序列不存在二阶相关,只存在一阶相关。而且,动态模型通过自相关检验,Sargan检验P值大于0.1,接受原假设,说明动态GMM模型合理,可在一定程度上解决内生性问题。
表3 基准模型回归分析结果
Tab.3 Benchmark model analysis results
变量FEPose-KPose-LFEPose-KPose-LGMMPose-KPose-LCon1.629 4***(0.401 1)1.348 5***(0.424 9)1.624 6***(0.452 3)1.329 6***(-0.331 2)1.646 2***(0.460 8)1.315 2***(0.415 5)Die-0.193 6*(0.119 2)-0.176 2*(0.096 4)-0.163 9*(0.090 8)-0.137 7*(0.076 2)-0.140 2**(0.062 3)-0.123 9**(0.061 1)Pose-10.431 2*(0.249 8)0.371 6*(0.206 3)Mark-0.041 3*(0.021 8)-0.042 8*(0.025 1)-0.052 6*(0.031 4)-0.053 3*(0.028 5)Fin-0.281 5*(0.154 0)-0.228 4(0.181 0)-0.308 8**(0.151 0)-0.346 2**(0.167 0)Open-0.159 7*(0.086 1)-0.128 0(0.110 5)-0.195 1**(0.081 4)-0.146 1*(0.087 2)Gov0.113 7*(0.060 2)0.130 3**(0.060 4)0.098 5*(0.054 1)0.100 6*(0.051 2)Econ-0.133 0(0.177 2)-0.157 0(0.168 7)-0.143 4(0.103 2)-0.210 0(0.162 1)Indu-0.075 9(0.057 0)-0.060 1(0.056 7)-0.051 3(0.032 1)-0.071 6(0.048 2)AR(1)0.0630.091AR(2)0.3120.436Sargan1.0001.000R20.2850.3140.4120.317
注:括号内为标准差,***、**、*分别表示1%、5%、10%显著水平,下同;AR和Sargan检验显示为P值
从静态模型估计结果看,数字经济发展对省级层面资本和劳动力错配存在显著负向影响,并通过10%显著性检验。由动态模型估计结果可知,数字经济发展对资本和劳动力错配存在显著负向影响,并通过5%显著性检验,表明数字经济发展有助于缓解资本和劳动力要素扭曲效应,且数字经济对资本要素扭曲的改善效应明显大于对劳动力要素扭曲的改善效应。数字经济发展促使市场主体的生产过程和管理形态发生改变,数字技术应用促进数字技术与实体经济深度融合,加快要素自由流动,提高市场资源配置效率,为经济发展提供内在动力。而且,GMM模型回归结果显示,资本和劳动力要素一阶滞后项系数显著为正,说明中国省级层面资源错配存在一定的路径依赖,即过去资源错配水平会显著影响当前及以后资源配置效率,也表明加入因变量滞后项的必要性。
进一步,采用动态模型对控制变量进行回归分析。由表3可知,市场化程度(Mark)对资本和劳动力错配具有显著负向影响。这表明,市场化发展能够提高要素流动性,缓解要素配置扭曲。金融发展水平(Fin)对资本和劳动力错配具有显著负向影响,说明金融市场发展对提高要素配置具有促进作用。对外开放度(Open)对资本和劳动力错配具有显著负向影响,说明进出口贸易额增加能够有效促进资本跨国流动,加快市场竞争,使资源重新得到配置。政府干预(Gov)对资本和劳动力错配具有显著正向影响,说明政府对市场干预程度越深,越会扭曲市场竞争机制。并且,政府干预还会形成产业壁垒,阻碍市场清退经营不善的主体,加剧资源错配。经济发展水平(Econ)对资本和劳动力错配具有负向影响,但不显著,表明在经济总量提升的同时,市场资源错配状况未得到有效缓解。产业结构(Indu)对资本和劳动力错配具有负向影响,但未通过显著性检验,说明随着第三产业比重提升,当前资源错配未得到有效改善,这可能与第三产业内部结构不合理有关。
根据上述理论分析,参考何婧等[24]的研究,加入数字经济与市场化程度、金融发展水平、对外开放度等变量的交互项,探究数字经济对资源配置的影响,结果如表4所示。由表4可知:第一,数字经济与市场化程度交互项对资本、劳动力错配的影响系数分别为-0.072 2和-0.061 7,均通过显著性检验。这表明,数字经济发展能够提高市场化程度、改善资本和劳动力错配,对资本错配的影响大于对劳动力错配的影响,市场化发展通过发挥市场价格调节机制的引导作用促进要素流动,从而提高资源配置效率。第二,数字经济与金融发展水平交互项对资本、劳动力错配的影响系数分别为-0.058 8和-0.063 7,均通过显著性检验,对资本错配的影响大于对劳动力错配的影响。这说明,数字经济发展对资本错配的改善效应大于对劳动力错配的改善效应,数字技术在金融市场的运用能够缓解资本要素扭曲,金融市场普惠性发展对于提高劳动力就业水平具有显著促进作用。第三,数字经济与对外开放度交互项对资本、劳动力错配的影响系数分别为-0.055 1和-0.060 5,均通过显著性检验,对劳动力错配的改善效应大于对资本错配的改善效应,表明数字经济发展通过提高对外开放度改善资本和劳动力资源错配。
表4 机制分析结果
Tab.4 Mechanism analysis results
变量市场化发展Pose-KPose-L金融发展Pose-KPose-L对外开放Pose-KPose-LCon1.634 3***(0.366 1)1.347 7***(0.769 9)1.687 6***(0.419 4)1.403 3***(0.328 8)1.793 7**(0.721 5)1.386 1***(0.377 7)Die-0.123 2*(0.065 5)-0.138 5*(0.079 5)-0.115 5*(0.062 5)-0.127 4*(0.071 8)0.141 3*(0.081 8)0.112 8*(0.065 2)Die*Mark-0.072 2**(0.035 8)-0.061 7*(0.033 5)Die*Fina-0.063 7**(0.030 9)-0.058 8*(0.032 9)Die*Open-0.055 1*(0.032 4)-0.060 5*(0.032 5)控制变量YesYesYesYesYesYesR20.3740.4120.3620.3730.4410.312
总体而言,数字经济发展通过促进市场化发展及金融发展、提高对外开放度间接作用于资本和劳动力错配,缓解资源要素扭曲效应,提高资源配置效率。
本文采用莫兰指数(Moran′s I)测量数字经济发展指数和资源配置指数的空间效应,结果如表5所示。由表5可知,2011—2019年数字经济发展和资源配置Moran′s I指数大多通过10%显著性检验,表明我国省级层面数字经济发展和资源配置存在显著空间集聚效应。
表5 Moran′s I指数测算结果
Tab.5 Moran's I calculation results
变量201120122013201420152016201720182019DieM-s I0.3750.3610.5190.2900.3480.5340.4170.2480.302P值0.056*0.051*0.052*0.1220.071*0.048**0.1070.040**0.068*Pose-KM-s I0.3660.3760.4510.2580.2550.3860.3180.3350.426P值0.061*0.026**0.062*0.048**0.042**0.1030.027**0.048**0.086*Pose-LM-s I0.3460.5390.4640.2650.3070.3320.2730.3450.436P值0.057*0.046**0.048**0.1150.066*0.063*0.040**0.053*0.086*
对空间模型(3)进行回归分析,结果如表6所示。根据LM检验、空间模型检验结果可知,采用时空双重固定效应空间滞后模型(SLM)对变量进行检验最优。数字经济空间回归系数显著为负,对空间回归系数偏微分求导,探究数字经济发展对资源错配的直接影响效应、间接影响效应和总影响效应。由求导结果可知,在不同矩阵回归结果中,数字经济发展对资本错配的直接影响效应分别为-0.131 4(P<0.1)、-0.126 3(P>0.1)、-0.123 1(P<0.1),对劳动力错配的直接影响效应分别为-0.138 2(P<0.05)、-0.112 5(P<0.1)、-0.125 8(P<0.1),表明数字经济发展对本地区资本和劳动力错配具有显著改善作用。数字经济对资本错配的间接影响效应分别为0.045 8(P<0.1)、0.057 2(P<0.1)、0.057 4(P<0.05),对劳动力错配的间接影响效应分别为0.063 5(P<0.1)、0.047 1(P>0.1)、0.058 2(P<0.1),表明数字经济发展会加剧相邻地区资本和劳动力错配。数字经济发展对资本和劳动力错配的总影响效应为负且通过显著性检验,对资源错配的直接影响效应大于间接影响效应,表明数字经济发展整体上对资源错配具有显著改善作用,且存在空间溢出效应。根据不同矩阵回归结果可知,数字经济发展对资源错配的空间影响具有一定稳健性。
表6 空间溢出效应检验结果
Tab.6 Test results of spatial spillover effect
空间矩阵 Pose-K邻接矩阵经济距离地理距离Pose-L邻接矩阵经济距离地理距离Die-0.155 1**(0.075 2)-0.162 9***(-0.055 1)-0.149 7*(0.086 2)-0.150 3**(0.070 1)-0.138 0*(0.080 3)-0.155 3**(0.067 2)P0.024 3**(0.012 4)0.034 9**(0.017 2)0.040 7*(0.021 5)0.035 3*(0.018 5)0.034 7*(0.020 1)0.025 5(0.017 8)控制变量YesYesYesYesYesYes直接影响效应-0.131 4*(0.070 2)-0.126 3(0.087 2)-0.123 1*(0.063 0)-0.138 2**(0.071 1)-0.112 5*(0.060 1)-0.125 8*(0.074 2)间接影响效应0.045 8*(0.024 5)0.057 2*(0.034 4)0.057 4**(0.027 9)0.063 5*(0.033 2)0.047 1(0.035 9)0.058 2*(0.032 4)总影响效应-0.085 6*(-0.048 6)-0.069 1**(0.033 1)-0.065 7*(0.037 8)-0.074 7*(0.041 1)-0.065 4**(0.032 4)-0.067 6*(0.037 8)R20.3460.3720.3870.4230.3240.385
总体而言,数字经济发展能够有效改善本地区资源错配,但会加剧相邻地区资源错配,主要是因为数字经济发展存在“马太效应”和“数字技术鸿沟”,即当某一地区数字技术发展水平和数字经济发展程度较高时,会吸引其它地区资本和劳动力流入,从而造成其它地区资源浪费和错配。
(1)稳健性检验。本文采用资本和劳动力扭曲系数DisKi、DisLi替换错配指数τKit、τLit,由于要素在市场中存在价格扭曲,导致要素成本发生偏离,资源配置无法达到最优。
(7)
其中,MPK、MPL表示资本和劳动力的边际产出;PiY为总产出,用各地区总产值表示;PK为资本价格,即利率水平,借鉴Hsieh等[1]使用的10%标准测量。PL为劳动力价格,即工资水平,采用各地区平均工资测量。根据古典经济理论,在无摩擦条件下资本要素实现自由配置,边际收益和边际成本相等,实现帕累托最优,不存在要素错配,即DisKi、DisLi均为0。要素扭曲系数存在两种情况,即DisKi>0、DisLi>0或者DisKi<0、DisLi<0,同样取绝对值处理,稳健性检验结果如表7所示。
表7 稳健性检验结果:替换解释变量
Tab.7 Robustness test results: substitution of explanatory variables
变量FEDis-KDis-LGMMDis-KDis-LCon1.883 2***(0.463 4)1.654 9***(0.369 6)1.972 5***(0.380 7)1.679 7***(0.321 7)Die-0.244 9*(0.143 8)-0.234 3*(-0.125 8)-0.319 2**(0.153 5)-0.280 7*(0.152 6)Pose-10.421 5*(0.257 1)0.389 3*(0.206 8)控制变量YesYesYesYesAR(1)0.0620.041AR(2)0.3730.362Sargan1.0001.000R20.3740.412
注:AR和Sargan检验显示为P值,下同
由表7结果可知,数字经济发展对资本要素扭曲的影响系数分别为-0.244 9和-0.319 1,均通过10%显著性检验;数字经济发展对劳动力要素扭曲的影响系数分别为-0.234 3和-0.280 7,均通过显著性检验,且数字经济发展对资本要素扭曲的改善效应明显大于对劳动力要素扭曲的改善效应。动态模型通过AR序列相关检验和Sargan检验,表明替换被解释变量后,数字经济发展对资本和劳动力要素扭曲的改善效应稳健,即数字经济发展能够有效改善要素错配。
(2)内生性检验。为降低内生性问题,本文参考黄群慧等(2019)和赵涛等(2020)的研究,采用各地区每万人电话数量与上一年全国互联网用户数的交互项作为数字经济发展的工具变量(IV),使用两阶段最小二乘法(2SLS)进行内生性分析,结果如表8所示。由表8可知,Wald F统计量大于弱识别检验的临界值,说明不存在弱工具变量问题。数字经济发展对资本、劳动力错配的影响系数分别为-0.162 2和-0.134 7,均通过显著性检验,且对资本要素的改善效应更大。这表明,在考虑内生性问题后,上述研究结果依然稳健。
表8 内生性检验结果:两阶段最小二乘法
Tab.8 Endogeneity test: two-stage least squares method
变量Pose-KPose-LCons1.617 7***(0.563 7)1.425 4***(0.383 1)Die-0.162 2**(0.071 6)-0.134 7*(0.072 8)控制变量YesYes 第一阶段回归结果IV0.016 7*(0.009 4)0.013 3*(0.007 5)Wald F-S34.27[0.000]27.32[0.000]控制变量YesYesObs261261
注:[]表示P值
各地区资源禀赋和经济发展水平不同,数字经济发展水平和资源错配可能也不同。本文将研究样本划分为东部地区、中部地区、西部地区3个子样本,探究数字经济发展对资源错配改善的区域差异,检验结果如表9所示。由表9可知,数字经济发展对资源错配的改善效应存在显著区域异质性。其中,数字经济发展对三大地区资源错配存在显著改善效应,对东部地区资源错配的改善效应明显大于中部地区,对中部地区资源错配的改善效应明显大于西部地区。东部和中部地区因地理位置优越,数字经济发展水平明显高于西部地区,数字产业化和产业数字化发展水平较高,加之中东部地区要素市场机制比较完善,对外开放水平较高,能够有效释放数字经济发展对要素扭曲的改善效应。西部地区由于数字经济产业发展较为缓慢,数字基础设施薄弱,再加上要素市场机制不完善,金融发展水平较低,导致要素自由流动存在阻碍,尚未完全释放数字经济对资源错配的技术红利。
表9 区域差异化影响检验结果
Tab.9 Test results of regional differences
变量东部地区Pose-KPose-L中部地区Pose-KPose-L西部地区Pose-KPose-LDie-0.158 3*(0.084 3) -0.149 4**(0.067 7)-0.137 3(0.097 6)-0.132 8*(0.073 6)-0.127 7*(0.069 7)-0.120 1(0.102 8)Pose-10.462 2* -0.288 30.370 7*(0.201 6)0.352 6*(0.196 7)0.467 2*(0.254 3)0.409 5*(0.238 0)0.452 7*(0.251 7)控制变量YesYesYesYesYesYesAR(1)0.0320.0830.0470.0540.0660.072AR(2)0.4520.3980.3240.3680.4160.243Sargan1.0001.0001.0001.0001.0001.000
产能过剩是近年来政府宏观调控的主要问题,由于某些地区过度配置资源,导致产能过剩比较严重,而数字经济发展可通过改善资源错配释放过剩产能。参考程俊杰(2015)的研究,将研究样本划分为“产能过剩较高地区”和“产能过剩较低地区”两个子样本(见表10),探究区域间产能过剩水平差异对数字经济改善效应的影响,结果如表11所示。由表11可知,地区间产能过剩水平差异对数字经济改善效应具有显著影响。数字经济发展对产能过剩较高地区资源错配的改善效应明显大于产能过剩较低地区,数字经济发展为释放过剩产能提供了可行路径。产能过剩较高地区通过数字技术应用推动产业转型升级,释放数字经济技术红利,通过改善资源错配释放过剩产能,进而提高生产效率、促进经济发展。而产能过剩较低地区由于产能使用比较充分,资源错配程度较低,故数字经济发展对资源错配的改善效应较低。
表10 产能过剩较高地区与较低地区划分
Tab.10 Division of regions with overcapacity and low overcapacity
产能过剩较高地区产能过剩较低地区地区江苏、辽宁、北京、河北、山西、山东、广东、浙江、福建、云南、贵州、海南天津、上海、吉林、黑龙江、河南、湖北、湖南、江西、安徽、内蒙古、广西、四川、重庆、陕西、甘肃、青海、宁夏
表11 产能过剩水平差异化影响检验结果
Tab.11 Test results of differential impacts of overcapacity level
变量 产能过剩较高地区FEPose-KPose-LGMMPose-KPose-L产能过剩较低地区FEPose-KPose-LGMMPose-KPose-LDie-0.162 4*-0.154 7*-0.128 6*-0.112 5*-0.147 1-0.159 1-0.085 1*-0.071 9*(0.097 1)(0.092 7)(0.076 2)(0.061 5)(0.103 1)(0.095 5)(0.048 9)(0.037 4)Pose-10.443 4**0.395 3*0.469 2*0.402 2*(0.225 5)(0.219 7)(0.281 4)(0.240 8)控制变量YesYesYesYesYesYesYesYesAR(1)0.0190.0420.0310.035AR(2)0.3620.3490.4120.317Sargan1.0001.0001.0001.000R20.4110.3240.3780.407
由于资源配置存在配置过度(即τ<0)和配置不足(即τ>0)两种情况,因此错配方向不同可能会对数字经济改善效应产生不同影响。本文将总样本划分为“配置过度地区”和“配置不足地区”两个子样本,探究资源错配方向差异对数字经济改善效应的影响,结果如表12所示。由表12可知,资源错配方向不同对数字经济改善效应存在显著影响,数字经济发展对资源配置过度地区资源错配的改善效应明显大于资源配置不足地区。对于资源配置过度地区而言,数字经济快速发展有助于缓解信息不对称,促进生产要素通过高度互通的网络进行自由转移,从而改善本地区资源错配。而对于资源配置不足地区而言,数字经济发展通过缩短时空距离和弱化经济发展边界加快要素自由流动和配置,从而改善本地区资本扭曲效应,但由于本身资源配置不足,导致数字经济发展对该地区劳动力要素扭曲的改善效应不明显。
表12 配置不足与配置过度的差异化影响检验结果
Tab.12 Test results of differential impacts of insufficient and excessive configuration
变量 资源配置过度地区FEPose-KPose-LGMMPose-KPose-L资源配置不足地区FEPose-KPose-LGMMPose-KPose-LDie-0.162 9*-0.148 8**-0.138 6*-0.126 3*-0.123 1-0.145 5-0.129 6*-0.123 1(0.085 2)(0.071 3)(0.076 3)(0.073 7)(0.081 7)(0.094 1)(0.076 2)(0.114 7)Pose-10.625 8**0.472 7*0.675 9*0.566 9**(0.269 0)(0.255 8)(0.386 6)(0.213 2)控制变量YesYesYesYesYesYesYesYesAR(1)0.0150.0340.0780.033AR(2)0.4630.4520.4100.354Sargan1.0001.0001.0001.000R20.4250.4130.3770.381
本文将数字经济和资源错配纳入统一研究框架,基于2011—2019年中国省级面板数据构建静态和动态面板模型,实证检验数字经济对资源错配的影响,得出如下结论:
(1)数字经济发展能够有效改善中国各地区资本和劳动力错配,提高资源配置效率,已成为推动经济增长的新动力。在替换变量和引入工具变量进行稳健性检验后,其改善效应依然显著。
(2)数字经济发展通过推动市场发展、促进金融发展、提高对外开放度间接作用于各地区资本和劳动力错配,进而提高资本和劳动力配置效率。
(3)数字经济对区域资源错配存在显著空间影响。数字经济发展能够有效改善本地区资本和劳动力错配,但也会加剧邻近地区资源错配,主要是因为各地区数字经济发展本身存在“马太效应”和“数字技术鸿沟”。
(4)数字经济发展对资源错配的改善效应存在异质性差异,地区不同、区域产能过剩差异、资源错配方向不同对数字经济的改善效应具有不同影响。具体而言,数字经济对东部地区资源错配的改善效应最大、中部地区次之、西部地区最小,对产能过剩水平较高地区资源错配的改善效应明显大于产能过剩水平较低地区,对资源配置过度地区的改善效应明显大于配置不足地区。
根据上述研究结论,本文提出如下政策启示:
(1)在数字经济成为推动经济增长新动力的基础上,加大数字信息技术投资力度。加快数字领域核心技术攻关,加强数字技术推广和应用,促进数字技术与实体产业深度融合,延伸数字技术在传统经济中的使用,推进数字中国建设,扩大数字经济规模,释放数字经济对资源错配的改善效应。
(2)在数字经济红利效应存在异质性情况下,因地制宜地制定数字经济发展政策。不同地区应实施差异化和动态化数字技术发展战略,依托各地区资源禀赋大力发展本地化数字经济产业,依靠数字技术红利提高区域资源利用效率,为区域经济发展提供新助力。产能过剩水平较高和资源配置过度地区应推动数字经济发展,加快传统产业数字化转型升级,改善资源错配,释放过剩产能。
(3)完善各地区数字信息基础设施建设。加强各地区数字基础设施建设协调力度,提高数字信息基础设施建设水平,充分释放数字经济对本地区资源配置的技术红利。
本文存在如下不足:第一,参考其它研究,选取4个二级指标16个三级指标评价各地区数字经济发展水平,由于数字经济测算研究处于探索阶段,在一定程度上可能存在误差,未来将提升评价指标选取的科学性。第二,从推动市场化发展、促进金融发展、提高对外开放度3个方面分析数字经济发展对资源配置的影响机制,为考虑其它变量的作用,未来将进一步探究数字经济发展对资源配置影响的其它路径。
[1] HSIEH,PETER. Misallocation and manufacturing TFP in China and India[J]. Quarterly Journal of Economics, 2009(4):1403-1448.
[2] 许恒, 张一林, 曹雨佳. 数字经济、技术溢出与动态竞合政策[J].管理世界,2020,36(11):63-84.
[3] 姜松, 孙玉鑫. 数字经济对实体经济影响效应的实证研究[J]. 科研管理, 2020,41(5):34-41.
[4] BUKHT R HEEKS. Defining, conceptualizing and measuring the digital economy[J]. SSRN Electronic Journal, 2017,13(2): 143-172.
[5] 王开科, 吴国兵, 章贵军. 数字经济发展改善了生产效率吗[J].经济学家,2020,32(10):24-34.
[6] 张于喆. 数字经济驱动产业结构向中高端迈进的发展思路与主要任务[J].经济纵横,2018,34(9):85-91.
[7] 韩先锋, 宋文飞, 李勃昕. 互联网能成为中国区域创新效率提升的新动能吗[J]. 中国工业经济, 2019,35(7): 119-136.
[8] 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,2019,37(11):12-20,66.
[9] RESTUCCIA D, ROGERSON R. Policy distortions and aggregate productivity with heterogeneous plants[J]. Social Science Electronic Publishing, 2008, 11(4):707-720.
[10] 罗德明, 李晔, 史晋川. 要素市场扭曲、资源错置与生产率[J].经济研究,2012,47(3):4-14,39.
[11] RESTUCCIA D, ROGERSON R. Misallocation and productivity[J]. Review of Economic Dynamics, 2013,16(1):1-10.
[12] 刘钒, 余明月. 数字科技驱动长江经济带城市转型升级研究——基于长江经济带44个城市面板数据的分析[J].科技进步与对策,2021,38(24):48-57.
[13] BANALIEVA E R, DHANARAJ C. Internalization theory for the digital economy[J]. Journal of International Business Studies, 2019, 50(4):1372-1387.
[14] LABAYE E, REMES J. Digital technologies and the global economy's productivity imperative[J]. Communications Strategies, 2015(1):47-65.
[15] 赵滨元. 数字经济对区域创新绩效及其空间溢出效应的影响[J].科技进步与对策,2021,38(14):37-44.
[16] 徐向龙, 侯经川. 促进、加速与溢出:数字经济发展对区域创新绩效的影响[J].科技进步与对策,2022, 39(1):50-59.
[17] GOLDFARB A, TUCKER C. Digital economics[J]. Journal of Economic Literature, 2019, 57(1):3-43.
[18] 石良平, 王素云. 互联网促进我国对外贸易发展的机理分析:基于31个省市的面板数据实证[J].世界经济研究, 2018(12):48-59,132-133.
[19] LIN J, YU Z, WEI Y D, et al. Internet access, spillover and regional development in China[J]. Sustainability, 2017, 9(6):946.
[20] PEE L G. Customer co-creation in B2C e-commerce: does it lead to better new products[J]. Electronic Commerce Research, 2016, 16(2):1-27.
[21] 李天籽, 王伟. 网络基础设施的空间溢出效应比较研究[J].华东经济管理,2018,32(12):5-12.
[22] 陈永伟, 胡伟民. 价格扭曲、要素错配和效率损失:理论和应用[J].经济学(季刊),2011,10(4):1401-1422.
[23] 王军, 朱杰, 罗茜. 中国数字经济发展水平及演变测度[J]. 数量经济技术经济研究,2021,38(7):26-42.
[24] 何婧, 李庆海. 数字金融使用与农户创业行为[J].中国农村经济, 2019,35(1): 112-126.