Digital Transformation and Enterprise Total Factor Productivity: A Mechanism Test Based on Resource Allocation Efficiency

Wang Jingbin,Liu Zhaoning,Liu Xinmin

(School of Management, Tianjin University of Technology, Tianjin 300384, China)

Abstract：As international trade protectionism continues to rise, and the pandemic has been restructuring domestic and foreign industrial chains,the Chinese manufacturing industry is facing increasing domestic and foreign constraints,and China's economy is moving into a period of "structural deceleration" from a period of "structural growth". It is essential to promote the quality, efficiency and motivation transformation of China's economic development. In recent years, China has vigorously promoted the development of new-generation digital technologies such as Internet+, big data, quantum computing and artificial intelligence, as well as the construction of digital infrastructure, so as to accelerate the implementation of the strategy of strengthening network power and seize new opportunities for the development of the digital economy. The development of a new generation of digital technology and the construction of digital infrastructure do not only involve an all-round, all-angle, full-chain dynamic transformation of enterprise R&D and design, production and sales, warehousing and logistics, and management decision-making, but also open up the information flow, business flow and capital flow between the industrial chain and the upstream and downstream of the supply chain, promoting the integration and coordinated development of the industrial chain and supply chain, and further play the role of digital technology and digital infrastructure in speeding up China's economic development. It is beyond dispute that the development of digital technology and digital economy has greatly promoted China's economic development. However, there are few relevant empirical studies on whether the digital transformation of manufacturing enterprises can promote their total factor productivity at the micro level. Further, the mechanism of action is not fully explored.

In this context, from the analytical perspective of resource allocation efficiency, this paper takes supply chain operational efficiency and investment efficiency as proxy variables of resource allocation efficiency to conduct an empirical study on the relationship between enterprise digital transformation and enterprise total factor productivity. The study firstly sorts out the relevant literature and related theories to analyze the mechanism of enterprise digital transformation on the enterprise total factor productivity and constructs the analysis framework of digital transformation of enterprises—resource allocation—total factor productivity. Secondly, it takes China's A-share listed manufacturing companies from 2011 to 2020 as research samples and builds a digital transformation index based on the frequency of keywords related to digital transformation in the companies, annual reports. Thirdly, drawing on the panel fixed effect model, the study empirically tests the impact and mechanism of the digital transformation of enterprises on their total factor productivity. In addition, it conducts a heterogeneity analysis and associated economic consequences analysis based on firm characteristics and regional characteristics. Finally, relevant policy recommendations are put forward from the perspective of the government and enterprises.

The findings of this paper are as follows. First, the empirical research shows that the digital transformation of enterprises has significantly improved the total factor productivity of enterprises, and this empirical result is robust. Second, in terms of the mechanism, digital transformation of enterprises can promote the improvement of total factor productivity of enterprises by improving the efficiency of resource allocation. Specifically, digital transformation improves the total factor productivity of enterprises by improving the efficiency of enterprise supply chain operations and correcting excessive investment to improve investment efficiency. Third, for high-tech enterprises and the eastern and southern regions, the digital transformation of enterprises has a greater effect on improving the total factor productivity of enterprises.

The research conclusions of this paper advance the understanding of the relationship between digital transformation and total factor productivity of enterprises, and expand the theoretical analysis framework for the deep integration of digital technology and the real economy. Meanwhile, the research conclusions of this paper provide new empirical evidence for understanding the economic effects of enterprise digital transformation and provide important policy implications for consolidating the micro-foundation necessary for high-quality economic development.

Key Words：Digital Transformation;Resource Allocation Efficiency;Supply Chain Operation Efficiency;Investment Efficiency;Total Factor Productivity

收稿日期：2022-10-08

修回日期：2022-12-13

基金项目：天津市研究生科研创新项目(2021YJSB248)

作者简介：王京滨(1969-),男,山东临沂人,博士,天津理工大学管理学院教授,研究方向为数字经济与产业经济;刘赵宁(1998-),女,辽宁铁岭人,天津理工大学管理学院硕士研究生,研究方向为数字经济与产业经济;刘新民(1975-),男,天津宝坻人,博士,天津理工大学管理学院副研究员,研究方向为技术经济与管理。本文通讯作者:刘新民。

DOI：10.6049/kjjbydc.2022100126

开放科学(资源服务)标识码(OSID)：

中图分类号：F272.5

文献标识码：A

文章编号：1001-7348(2024)03-0023-11

0 引言

制造业是立国之本、强国之基,从根本上决定着一个国家的综合实力和国际竞争力。随着国际贸易保护主义不断升温、疫情重构国内外产业链、消费结构转型升级及互联网科技迅猛发展[1-2],我国制造业面临的国内外约束日益严重。与此同时,我国经济已由高速增长阶段转向高质量发展阶段,推动质量变革、效率变革、动力变革,是高质量发展阶段的必然要求。因此,如何提高制造业全要素生产率,进而为我国经济行稳致远注入新的活力成为亟需解决的问题。

近年来,我国大力发展新一代数字技术,加速推动产业数字化变革,积极打造数字化转型能力。数字技术应用成功赋能我国制造企业全要素生产率提升(黄群慧等,2019;刘平峰,张旺,2021),有效助力我国全要素生产率提升[3]。同时,数字技术通过对传统行业的不断渗透破除企业间、产业间、区域间的信息孤岛,完成零散信息整合与互通,提高供需匹配效率,加快要素资源流动,以此优化资源配置[3],进而促进企业生产率内生化增长[4]。从微观层面看,企业数字化转型是指将各类生产要素同数字技术有机结合的过程[5]。由此,制造企业数字化转型对企业全要素生产率(TFP)的经济效应如何?制造企业数字化转型能否通过提高资源配置效率,促进企业全要素生产率提升?上述问题亟待深入研究。

现有相关研究仅从企业创新能力、人力资本结构转变、两业融合、成本削减[6]及知识溢出角度[7]进行探讨。总体来看,需要进一步研究数字化转型对企业全要素生产率的影响,在探讨二者关系时,同时考虑资源配置效应所发挥的作用。

鉴于此,本文以2011—2020年中国 A 股制造业上市公司为研究样本,基于公司年报文本中数字化转型相关关键词的词频构建数字化转型指数,实证检验数字化转型对企业全要素生产率的影响。结果表明,数字化转型能够显著提升企业全要素生产率,这一研究结论具有较强的稳健性。机制分析发现,数字化转型能够有效优化资源配置,进而提升企业全要素生产率。具体而言,数字化转型通过加快企业供应链资源运转速度并矫正过度投资促进企业全要素生产率提升。基于企业特征、地域特征的异质性分析表明,数字化转型对企业全要素生产率的提升作用在高新技术企业以及东部和南方地区更显著。据此,本文提出,政府应积极为企业数字化转型营造良好的生态环境,企业应意识到数字化转型的重要性并加强人才引进与培养。

本文可能的边际贡献如下:第一,已有文献大多围绕企业数字化转型与全要素生产率[6-7]、资源配置与全要素生产率等主题开展研究[8-9]。本文创造性地将资源配置、数字化转型与企业全要素生产率纳入同一研究框架,采用供应链运作效率与投资效率刻画企业资源配置效率,从优化资源配置视角系统论述并验证数字化转型对企业全要素生产率的作用机制,有助于深化对数字化转型与企业全要素生产率关系的理解,同时拓展数字技术与实体经济深度融合发展理论框架。第二,本文在确证数字化转型对企业全要素生产率的积极影响并深挖二者作用机制的基础上,充分考虑不同横截面特征下数字化转型对企业全要素生产率的差异化影响,有助于拓展数字化转型与企业全要素生产率关系研究深度,以期为促进数字化转型经济效应的有效发挥提供科学的政策启示。

1 文献综述

1.1 企业全要素生产率影响因素

企业全要素生产率(TFP)是指在生产过程中各种投入要素转化为最终产出的总体效率。现有文献主要从内部因素、外部环境两个方面,识别企业全要素生产率影响因素。首先,从企业内部因素看,研发投入会对企业全要素生产率产生激励作用,但只有适度的研发投入强度才能对企业全要素生产率产生最显著的促进作用[10]。基于资源配置视角的研究发现,僵尸企业会抢占大量社会资源,扭曲资源配置,从而不利于企业生产效率提高[11]。因此,改善企业资源错配以提高要素资源配置效率能够有效促进企业全要素生产率提升[8-9]。此外,利用文本处理技术测算企业智能化发展水平的实证研究发现,智能化发展对我国制造企业全要素生产率具有显著促进作用[12]。其次,从外部环境看,产业集聚形成的专业化经济能够改善技术效率,促进通信设备、计算机与其它电子设备业企业全要素生产率提升[13]。以十大产业振兴规划出台为自然实验,结果发现,产业政策可以改变企业资本配置效率,从而使得企业全要素生产率发生变化(钱雪松等,2018)。在数字化相关发展方面,互联网技术的广泛应用能够通过溢出效应促进知识传播,从而对企业全要素生产率产生积极影响[14]。同时,数字经济对企业全要素生产率可持续增长具有创新驱动作用 [15-16]。

1.2 企业数字化转型的经济效应

围绕企业数字化转型的经济效应,现有文献主要基于宏观、微观两个层面展开研究。一方面,已有文献强调企业数字化转型对我国实体经济发展的显著影响。研究表明,企业数字化转型能够助力中国出口稳定增长[17],推动出口产品质量升级[18],抑制我国经济发展“脱实向虚”[19]。另一方面,大多数文献围绕企业数字化转型的微观经济效应展开研究,证实数字化转型对企业相关表现具有积极作用。已有研究发现,从信息赋能和治理赋能两条路径出发,数字化转型能够有效改善企业投资效率[5]。从价值提升角度看,企业数字化转型既能通过提升技术创新能力、优化要素配置直接促进企业价值水平提升[20],也可通过提升企业现金持有水平助力企业价值实现[21]。此外,数字化转型不仅通过降低企业外部交易成本促进专业化分工(袁淳等,2021),而且通过提升供应链集成程度促进企业绩效提升[22]。已有相关研究表明,数字化转型不仅通过创新能力改善、人力资本结构升级、两业深化融合及成本削减促进企业全要素生产率提升[6],而且通过加速知识溢出[7]促进企业全要素生产率提升。

综上所述,现有关于数字化转型对企业全要素生产率影响的研究较少,对二者作用机制的探究尚不充分。因此,本文聚焦制造企业数字化转型对企业全要素生产率的影响,从资源配置效率视角探究其内在机理,从而丰富相关领域研究。

2 理论分析与研究假设

2.1 企业数字化转型对其全要素生产率的影响

基于技术—经济范式理论,数字化转型能够推动制造企业构建泛在感知、智能决策、敏捷响应、全局协同、动态优化的生产范式[23],即利用新一代信息技术与生产经营活动深度融合,重构企业生产力与生产关系,加速生产方式与企业形态变革,实现全要素、全产业链、全价值链高效连接,从而促进企业全要素生产率提升。企业数字化转型对其全要素生产率的作用主要体现在以下方面:

(1)数字化转型通过信息赋能促进企业全要素生产率提升。具体而言,数字化能力可以打破企业内部、企业上下游、企业与外界的信息传播壁垒,通过提高信息资源集成度与共享度,有效缓解因信息搜集与运用不充分导致的决策失误[24],以及企业经营者与投资者间信息不对称引发的逆向选择与道德风险等问题[25],改善要素资源错配,从而促进企业全要素生产率提升。

(2)数字化转型通过降本赋能促进企业全要素生产率提升。互联网、大数据、量子计算以及人工智能等数字技术具有广泛的连接能力、交互能力、理解能力及融合能力,可以简化数据信息搜集、传输、分析流程,实现企业管理可视化与经营决策智能化,有效降低企业信息搜寻成本、监管成本、交易成本等,从而促进企业全要素生产率提升。基于以上分析,本文提出如下假设:

H1: 企业数字化转型有助于其全要素生产率提升。

2.2 资源配置效率的中介作用

企业全要素生产率增长不仅来源于技术进步[26],而且受资源配置效率的影响[8-9,27]。对于我国制造企业而言,短期内技术进步的作用是有限的,改善资源配置效率才是真正可持续的生产率内生增长模式[4]。企业数字化转型可以有效发挥资源配置效应,不仅体现在加速供应链运转、提高供应链资源运作效率方面,而且体现在提高企业投资效率、优化资金资源配置方面。因此,数字化转型对企业全要素生产率的具体作用机制分析如下:

企业经济决策有赖于对信息的掌握与处理,与传统经验决策相比,企业能够通过数字化转型对内外部数据资源进行整合与分析,利用数据生成决策所需的关键信息,降低决策失误的可能性。在投资管理方面,数字化转型有利于加强企业相关信息披露,帮助企业所有者与经营者利用信息资源对投资项目进行风险识别,合理配置资金资源。另外,基于代理动机理论可知,由于委托人与代理人目标存在差异,代理人会为自身利益而作出有损委托人利益的行为[28]。例如,代理人可能为实现自身利益最大化,利用公司自由现金流对净现值为负的项目进行投资[29]。数字化转型可以提高企业信息透明度,依托企业数字信息平台的各利益主体高效获取管理层经营决策信息,有效缓解由于管理层短视和自利行为引致的投资风险,抑制企业非效率投资,从而促进企业全要素生产率提升。基于以上分析,本文提出如下假设:

H2: 企业数字化转型有助于投资效率改善,进而促进企业全要素生产率提升。

企业数字化转型利用数字技术赋能打通产品制造全生命周期的数据流,实现供应链上下游信息互联互通,以及供需双方精准对接、高效匹配[30],可以避免“牛鞭效应”造成的信息传递失真,进而大幅度提升企业市场需求响应速度,最终形成高效协同的供应链资源配置机制。同时,数字化转型能够重塑企业供应链库存管理模式,企业可以依靠高效的信息反馈机制对供应链供需情况进行科学预测,并及时开展生产控制与生产计划调整,以此降低企业呆滞库存,防止呆滞物料产生,优化供应链库存管理。此外,数字技术与供应链业务深度融合,不仅有利于企业发现供应商可能存在的生产能力不足与产品质量低下问题,而且可以对供应商违规行为进行监督管理与动态预警,由此促进供应链资源运作效率与企业全要素生产率提升。

H3: 企业数字化转型有助于供应链资源运作效率提高,进而促进企业全要素生产率提升。

综上所述,本文构建理论模型如图1所示。

3 研究设计

3.1 样本选择与数据来源

本文选取2011—2020年中国A股制造业上市公司作为初始研究样本,按照以下标准筛选:①剔除经营异常的ST&PT上市公司样本;②剔除不符合基本会计原则的上市公司样本(资产负债率不在0～1区间的上市公司);③剔除核心研究变量缺失的上市公司样本。此外,为避免极端值的影响,本文对连续变量在前后1%分位处进行双边缩尾处理(Winsorize)。最终,获得2 060家上市公司13 226个样本观测值。本文采用的企业数字化转型数据提取自制造业上市公司年报,其余上市公司数据来源于国泰安(CSMAR)数据库,工具变量相关数据来自于《中国城市统计年鉴》。本文采用统计软件Stata16.0对数据进行处理。

本文选取2011—2020年作为研究样本区间,是由于此区间具有较好的代表性。一方面,数字经济蓬勃发展标志着数字基础设施建设水平、数字技术创新水平以及数字产业发展水平显著提升,这恰好是助力企业数字化转型的有力支撑。根据中国信通院最新发布的《中国数字经济发展报告(2022年)》可知,以2011年为分界点,2011年以前我国数字经济增速一直低于同期GDP平均增速,2011年之后我国数字经济规模不断壮大,数字经济年均增速显著高于同期GDP平均增速,成为推动我国经济高质量发展的新动力,故本文选择2011年作为研究样本起始年份。另一方面,基于工具变量相关数据可得性,本文选择2020年作为研究样本终止年份。

3.2 指标选取与变量说明

3.2.1 被解释变量

企业全要素生产率(TFP)。参照鲁晓东等[31]、Olley等[32]的研究方法,本文采用当前微观领域实证研究最常用的LP方法和OP方法,借助柯布—道格拉斯生产函数对企业全要素生产率进行测算。本文将LP法用于主回归模型,将OP法用于稳健性检验。其中,采用营业收入代表总产出,采用固定资产净额代表资本投入,采用员工人数代表劳动力投入,采用企业营业成本+销售费用+管理费用+财务费用-当期计提的折旧与摊销-支付给职工以及为职工支付的现金代表中间投入,若企业当期计提的折旧与摊销为缺失值,则以0值替代。

3.2.2 解释变量

企业数字化转型(DT)。借鉴黄大禹等[20]的研究方法,本文采用文本分析法测算企业数字化转型水平,具体处理如下:第一,基于Python软件的爬虫功能,对2011—2020年制造业上市公司年度财务报告进行文本提取。第二,分别从数字化转型底层基础技术(人工智能技术、区块链技术、大数据技术、云计算技术)和上层技术应用两个维度选定文本筛选关键词。第三,利用Python软件的Jieba分词功能和计数功能,统计已提取年报文本中的关键词披露频次。第四,将每个维度关键词出现频次加总后加1,再作对数处理,由此得到变量DT。

3.2.3 控制变量

参照以往研究,本文选取公司规模(Size)、财务杠杆率(Lev)、总资产收益率(Roa),董事会规模(Board)、公司成长性(Growth)和研发费用(Rd)作为控制变量,具体变量定义见表1。

3.3 基准回归方程

基于上述理论分析,为进一步揭示企业数字化转型对其全要素生产率的影响,本文构建以下回归模型对假设进行验证。

TFPLPi,t+1=μ0+μ1DTi,t+μ∑Ci,t+∑Firmfe+∑Yearfe+εi,t

(1)

其中,i代表企业,t代表年份。被解释变量TFP代表以LP法测算的企业全要素生产率,核心解释变量DT代表企业数字化转型,∑C为控制变量合集,∑Firmfe为企业固定效应,∑Yearfe为年度固定效应,ε代表随机扰动项。为缓解潜在内生性问题对回归结果的干扰,同时考虑到数字化转型对企业全要素生产率的影响具有一定的时滞性,本文采用解释变量滞后一期值进行回归。在上述回归方程中,主要关注数字化转型(DT)的系数μ1,由上文假设可知,预期其系数μ1为正,即企业数字化转型(DT)水平提高可以促进企业全要素生产率提升。

4 实证结果

4.1 描述性统计分析

本文主要变量描述性统计结果如表2所示。由表2可知,企业全要素生产率(TFP)的中位数是8.970,平均值是9.065,标准差为0.999,说明企业全要素生产率不存在过度分散问题,且分布形态近似于正态分布。数字化转型(DT)在25%分位处的值为0,中位数为0.693,最大值为4.454。由此可知,部分制造企业尚未开始实施数字化转型,至少50%的样本企业已实施数字化转型,说明制造企业数字化转型水平亟待提高。同时,变量DT的离散系数(标准差/平均值)大于1,说明不同样本企业数字化转型程度具有较大差异。研发费用(Rd)在75%分位处的值为0,最大值为22.472,离散系数大于1,说明不同样本企业研发费投入两极分化严重,且分布形态呈典型右偏。参考以往研究文献可以发现,其余变量统计值分布均在合理范围内。

通过Pearson相关性系数检验可知,企业数字化转型(DT)与企业全要素生产(TFP)的相关性为0.115,且在10%水平上显著相关。其它绝大多数变量间的相关系数小于0.3,说明变量间不存在显著多重共线性问题。进一步通过多重共线性检验发现,所有解释变量的方差膨胀因子均值为1.28,最大值为1.69,进一步表明本文回归模型不存在严重多重共线性问题。

4.2 基准回归分析

表3为数字化转型与企业全要素生产率关系的基准回归结果。其中,列(1)为未添加控制变量的回归结果,数字化转型(DT)与全要素生产率(TFP)间的回归系数为0.048,且在1%水平上显著正相关。为提高回归结果精度,列(2)～(4)在添加控制变量的基础上,分别控制公司固定效应、年份固定效应和公司、年份双固定效应。由此可以发现,企业数字化转型(DT)的回归系数仍在1%水平上显著,但系数降低至0.021,可能是由于控制变量与固定效应在一定程度上缓解了部分干扰因素的影响。从经济意义上看,数字化转型水平每提升一个单位,企业全要素生产率提升2.1%。由此可见,无论从统计意义和经济意义看,企业数字化转型水平提高均有助于企业全要素生产率提升。由此,本文研究假设H1得到支持。

从控制变量看,公司规模(Size)、总资产收益率(Roa)和公司成长性(Growth)对企业全要素生产率具有显著正向作用。这是由于资产规模较大的企业通常具有较高的技术创新水平、较强的融资能力和较完善的管理机制,盈利能力较强和成长性较好的企业通常具有较高的风险承担水平、较强的市场竞争力,因而有利于企业全要素生产率提升,这与姚洋和章奇[33]、赵宸宇等[6]的研究结论一致。

4.3 稳健性检验

4.3.1 替换关键变量

(1)替换核心解释变量。借鉴张勇珅等[34]的研究成果,本文采用公司年度财务报告披露的无形资产和固定资产中数字化部分占无形资产和固定资产总额的比值(DT_rate)作为数字化转型(DT)的代理变量,回归结果如表4列(1)所示。

(2)替换被解释变量。本文使用OP法测算全要素生产率,回归结果如表4列(2)所示。由表4列(1)(2)可知,在替换关键变量之后,企业数字化转型(DT)与全要素生产率(TFP_OP)仍在1%水平上显著正相关,即数字化转型能够显著提升企业全要素生产率。同时,余下变量的系数方向与显著性未发生实质性改变。因此,基准回归结果具有稳健性。

4.3.2 延长窗口观测期

数字技术与企业生产活动、管理活动及销售活动融合存在一定的时滞性[21]。因此,本文对企业数字化转型(DT)分别作滞后两期(L2.DT)和3期(L3.DT)处理,回归结果如表4列(3)(4)所示。由结果可知,企业数字化转型的回归系数仍显著为正,表明数字化转型对企业全要素生产率的提升作用具有显著动态可叠加效果与长期效果。由此,进一步证明了回归结果的稳健性。

4.3.3 剔除特异样本

将未实施数字化转型活动的企业样本剔除后再次进行回归,结果如表4列(5)所示。由结果可知,数字化转型能够显著提升企业全要素生产率,说明基准回归结果稳健可靠。

4.3.4 控制行业固定效应

基准回归模型仅控制企业固定效应和年份固定效应,为避免年份和行业交叉因素导致估计有偏,在此基础上加入“行业—年份”高阶联合固定效应,回归结果如表4列(6)所示。由结果可知,企业数字化转型对其全要素生产率具有显著促进作用。

4.3.5 工具变量与Heckman两阶段最小二乘法

考虑到全要素生产率较高的企业往往是融资能力与盈利能力较强的企业,其数字化转型活动一般能够顺利开展,即全要素生产率提升与企业数字化转型可能形成相互促进或协同的局面。为了避免内生性的影响,参考李琦等[22]的研究成果,本文使用地方一般公共财政科学支出占全市公共财政支出的比值作为工具变量(IV),采用Heckman两阶段法对假设H1再次进行检验。由表5列(1)可以看出,工具变量(IV)与企业数字化转型(DT)在1%水平上正相关。然后,以逆米尔斯比率(IMR)作为控制变量代入主回归方程,结果表明,企业数字化转型的回归系数仍在1%水平上显著为正。上述结果说明,在解决一系列内生性问题后,企业数字化转型能够显著提升企业全要素生产率,与本文基准回归结果一致。

4.4 机制检验

4.4.1 分样本机制检验

由上文分析可知,企业数字化转型通过提高资源配置效率促进企业全要素生产率提升。如果这一机制成立,当企业资源配置效率较低时,数字化转型对企业全要素生产率的正向促进作用会更加显著。本文从企业供应链运作效率与投资效率两个方面衡量企业资源配置效率,为揭示数字化转型对企业全要素生产率的作用机制提供佐证。

(1)基于供应链运作效率的分析。企业供应链运作效率越高,企业要素资源配置越高效,反之则企业资源配置效率低下。由此可见,当企业供应链运转效率处于较低水平时,企业资源配置效率较低,数字化转型对企业全要素生产率的促进作用更加显著。

参考赵玲和黄昊[35]的研究成果,本文选取企业库存周转率(ITR)衡量供应链运作效率。首先,利用营业成本/[(期初存货余额+期末存货余额)]/2计算得到企业库存周转率(ITR)。其次,将库存周转率(ITR)高于行业均值的样本定义为高供应链运作效率企业样本,并对分组样本间差异进行费舍尔检验,回归结果见表6列(1)(2)。由结果可知,当供应链运作效率较高时,数字化转型(DT)的系数仅为0.001,且不显著;当供应链运作效率较低时,数字化转型(DT)与全要素生产率(TFP)的回归系数为0.026,且在1%水平上显著正相关。此外,两组样本间差异通过了费舍尔检验。因此,上述回归结果表明,企业数字化转型通过提高供应链运转效率,促进企业全要素生产率提升。

(2) 基于投资效率的分析。企业投资效率越高,其资金资源配置效率越高,反之亦然。因此,企业投资效率能够反映企业资源配置效率[36]。由此可知,当投资效率较低时,企业资源配置效率较低,数字化转型对企业全要素生产率的促进作用会更加显著。

本文借鉴Richardson[37]的研究模型测度企业投资效率,具体如式(2)所示。

Investi,t=δ0+δ1Sizei,t-1+δ2Agei,t-1+δ3Levi,t-1+δ4Cashi,t-1+δ5Returni,t-1+δ6Growthi,t-1+δ7Investi,t-1+∑Yearfe+∑Industryfe+εi,t

(2)

其中,Invest代表该公司i第t期期末总投资水平,Invest=(购建固定资产、无形资产及其它长期资产的现金支出-处置固定资产、无形资产和其它长期资产的现金收入)/公司i第t-1期期末总资产。Size代表公司规模,采用公司i第t-1期期末总资产的自然对数表示。Age代表公司年龄,采用公司i第t-1期期末与上市年份差值的自然对数表示。Lev代表财务杠杆率,采用公司i第t-1期期末总负债/总资产的比值表示。Cash代表现金持有水平,采用公司i第t-1期期末货币资金/总资产的比值表示。Return代表股票年回报率,考虑到现金红利再投资的年个股回报率,采用公司i第t-1期5月至第t期4月(共12个月)买入并持有收益率进行计算。Growth代表公司成长性,采用公司i第t-1期期末营业收入较上一期营业收入的增长率表示。Inv代表公司i第t-1期期末投资水平,∑Industryfe、∑Year分别为行业和年度固定效应。对模型(2)进行回归,将所得残差进行绝对值运算,得到公司非效率投资水平。该残差的绝对值越大,则公司当年非效率投资水平越高,投资效率越低。

本文按照投资效率中位数对研究样本进行分组,并对分组样本间差异进行费舍尔检验,回归结果见表7列(1)(2)。由结果可知,当企业投资效率较高时,数字化转型(DT)的系数为0.009,且不显著;当企业投资效率较低时,数字化转型(DT)与全要素生产率(TFP)的回归系数为0.034,且在1%水平上显著正相关。此外,两组样本间差异通过了费舍尔检验。因此,上述回归结果表明,投资效率(Invest)较低的企业,其数字化转型能够显著提升企业全要素生产率,也证实企业数字化转型能够通过提高投资效率促进企业全要素生产率提升。

此外,本文进一步探究企业数字化转型究竟是通过抑制过度投资,还是通过缓解投资不足促进全要素生产率提升这一问题。再次对模型(2)进行回归,若所得残差项大于0,则定义为过度投资(Over_INV)。Over_INV值越大,说明该公司过度投资程度越高。若所得残差项小于0,则定义为投资不足(Under_INV)。将Under_INV作绝对值处理,得到的Under_INV值越大,说明该公司投资不足程度越高。

回归结果见表7列(3)、列(4)。由结果可知,当企业过度投资程度较高时,企业数字化转型(DT)与全要素生产率(TFP)显著正相关,两者间相关系数为0.059,且在1%水平上显著。另外,两组样本间差异同样通过了费舍尔检验。由表7列(5)(6)可知,无论企业投资不足程度如何,数字化转型(DT)与企业全要素生产率(TFP)均不相关。因此,上述回归结果表明,在过度投资程度较高的企业中,数字化转型能够显著提升企业全要素生产率,进一步证实企业数字化转型可通过抑制企业过度投资提高投资效率,进而促进企业全要素生产率提升。

4.4.2 总样本机制检验

本文借鉴温忠麟等[38]的研究模型进行验证,具体如式(3)～(5)所示。

TFPLPi,t=μ0+μ1DTi,t-1+μ2∑Ci,t+∑Firmfe+∑Yearfe+εi,t

(3)

Mediatori,t=α0+α1DTi,t-1+α2∑Ci,t+∑Firmfe+∑Yearfe+εi,t

(4)

TFPLPi,t=δ0+δ1DTi,t-1+δ2Mediatori,t+δ3∑Ci,t+∑Firmfe+∑Yearfe+εi,t

(5)

在上述模型中,Mediators为机制变量,包括供应链运作效率(ITR)与投资效率(Invest)。其中,投资效率又分为过度投资(Over_INV)与投资不足(Under_INV)。

回归结果见表8,列(1)为本文基准回归结果。由列(2)可知,DT与ITR的回归系数在5%水平上显著为正,由列(4)可知,DT与Invest的回归系数在1%水平上显著为负。列(2)(4)表明,数字化转型能够提升企业供应链运作效率,并降低非效率投资水平,从而提升企业投资效率。列(3)(5)分别为引入变量ITR与变量Invest的回归结果,由结果可知,与基准回归相比,DT估计系数的绝对值变小但依然在1%水平上显著为正。同时,ITR的回归系数显著为正,Invest的回归系数显著为负。上述回归结果表明,数字化转型通过提高企业供应链运作效率与投资效率,进而促进企业全要素生产率提升。

由列(6)可知,DT与Over_INV的回归系数在5%水平上显著为负,表明数字化转型可以矫正企业过度投资。由列(7)可知,与基准回归相比,DT的估计系数绝对值变小但依然在1%水平上显著为正。由列(8)(9)可知,DT与Under_INV的回归系数并不显著。因此,上述回归结果表明,数字化转型通过矫正过度投资提升企业投资效率,进而促进企业全要素生产率提升。

综上,总样本机制检验证实数字化转型通过提高企业供应链运作效率与矫正过度投资提升投资效率,进而促进企业全要素生产率提升。“数字化转型—资源配置效率—企业全要素生产率”的机制路径得到再次印证。

5 进一步分析

5.1 基于企业技术创新依赖的异质性检验

参照中国证监会颁布的《上市公司行业分类指引》(2012年修订版),根据企业对技术创新的依赖程度,本文将研究样本划分成高新技术企业与非高新技术企业。其中,将属于医药制造业、仪器仪表制造业、铁路、船舶、航空航天和其它运输设备制造业、化学原料及化学制品制造业、化学纤维制造业、计算机、通信和其它电子设备制造业的企业界定为高新技术企业,其余则界定为非高新技术企业。

回归结果如表9列(1)和列(2)所示。由结果可以发现,无论是在高新技术企业还是在非高新技术企业,数字化转型(DT)均能够显著提升企业全要素生产率(TFP)。高新技术企业数字化转型与企业全要素生产率间的相关系数为0.026,且在1%水平上显著正相关。非高新技术企业数字化转型与企业全要素生产率间的相关系数较小,且在10%水平上显著正相关。

造成这一结果的原因可能在于:与非高新技术企业相比,高新技术企业拥有更好的创新资源基础与更多的技术创新研发需求,后者能够帮助高新技术企业充分发挥自身优势以实现数字化转型,加速生产方式、企业形态、业务模式全方位变革,从而带动企业全要素生产率提升。

5.2 基于地理区域的异质性检验

参照王宏鸣等[39]的研究成果,本文将研究样本划分为东部地区企业、中部地区企业和西部地区企业,回归结果如表10列(1)～(3)所示。由结果可知,企业数字化转型(DT)在1%水平上显著提高东部地区企业全要素生产率,而对中部地区和西部地区企业全要素生产率的提升作用不显著。产生这一结果的原因可能在于:与中西部地区相比,东部地区数字基础设施水平、金融发展水平及人力资本存量水平较高,可为企业数字化转型提供支撑。此外,企业数字化转型需要大量创新型人才,由于互联网普及率不断提升,东部地区加快对中西部地区人才吸引,其人力资本结构趋向高级化,由于马太效应的存在,导致中西部地区高级人力资本匮乏(刘和东,2013),进而阻碍中西部地区企业全要素生产率提升。

本文进一步将研究样本划分为南方地区和北方地区,回归结果如表9列(4)～(5)所示。无论是在南方地区还是北方地区,企业数字化转型(DT)均能显著促进其全要素生产率(TFP)提升,但从回归系数与显著性看,在南方地区,企业数字化转型的促进作用更加显著。一方面,可能是因为南方地区科技投入强度和转化水平持续提升,而北方地区面临科技创新停滞问题;另一方面,南方地区教育资源优势进一步促使人力资本南移[40]。因此,由于地区科技创新与人力资本水平存在差异,导致企业数字化转型对企业全要素生产率具有非均衡性影响。

6 结语

6.1 结论

在数字化浪潮下,促进企业全要素生产率提升,加快我国制造业发展模式由“铺摊子”向“上台阶”转变,是推动经济高质量发展的微观基础。本文考察企业数字化转型对全要素生产率的影响及机制,结果表明,企业数字化转型能够显著促进企业全要素生产率提升。在机制检验方面,本文选取企业投资效率与供应链运作效率作为资源配置效率衡量指标,通过机制检验证实当资源配置效率较低时,数字化转型对企业全要素生产率的促进作用更加显著。由此可见,资源配置效率是企业全要素生产率提升的内生动力。加快数字技术与企业各类要素资源融合无疑是提升企业资源配置效率与企业全要素生产率的重要路径。进一步研究发现,企业数字化转型对企业全要素生产率的促进作用在高新技术企业以及东部地区和南方地区更加显著。

6.2 建议

(1)政府应紧抓数字经济发展机遇,加快推进数字化发展战略部署,为企业数字化转型营造良好的生态环境。首先,应统筹规划大数据平台建设,根据市场需求对数据进行价值化、资源化。同时,营造有利于数据要素流通的市场环境,促进数据价值提升,进而为企业数字化转型提供数据和算力支撑。其次,应鼓励龙头企业实现数字信息技术与要素资源深度融合,提升企业数智化水平,驱动更多企业实现数字化转型。最后,应加强我国新型数字基础设施建设,重视区域数字基础设施建设过程中存在的问题,加快落后地区数字基础设施建设,以此降低区域间企业数字化转型不平衡程度。

(2)企业应意识到数字化转型是提升其全要素生产率的新引擎。应加快数字技术在研发创新、生产销售、仓储物流、营销服务、管理决策等环节的广泛应用,促使技术创新和应用创新相互促进,形成良性循环。此外,传统人才无法满足企业数字化转型需求,企业应根据数字化转型需求进行人才引进,加强企业人才队伍建设与优化,从而加速数字化转型。

6.3 不足与展望

需要说明的是,本文采用企业投资效率与供应链运作效率作为资源配置效率的代理变量存在不足,继续寻找合理的指标衡量企业资源配置效率,进一步深化作用机制分析,将是未来研究的方向。

参考文献：

[1] 郭克莎.中国产业结构调整升级趋势与“十四五”时期政策思路[J].中国工业经济, 2019, 36(7):24-41.

[2] 江小涓,孟丽君.内循环为主、外循环赋能与更高水平双循环——国际经验与中国实践[J].管理世界,2021,37(1):1-19.

[3] 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.

[4] 杨汝岱.中国制造企业全要素生产率研究[J].经济研究,2015,50(2):61-74.

[5] 李雷,杨水利,陈娜.数字化转型对企业投资效率的影响研究[J].软科学,2019,36 (11):23-29.

[6] 赵宸宇,王文春,李雪松.数字化转型如何影响企业全要素生产率[J].财贸经济,2021, 42(7):114-129.

[7] 涂心语,严晓玲.数字化转型、知识溢出与企业全要素生产率——来自制造业上市公司的经验证据[J].产业经济研究,2022,21 (2):43-56.

[8] 聂辉华,贾瑞雪.中国制造企业生产率与资源误置[J].世界经济,2011,34(7):27-42.

[9] BRANDT L, BIESEBROECK J, ZHANG Y. Creative accounting or creative destruction? firm-level productivity growth in Chinese manufacturing[J].Journal of Development Economics, 2012, 97(2): 339-351.

[10] 毛德凤,李静,彭飞,等.研发投入与企业全要素生产率——基于PSM和GPS的检验[J].财经研究,2013,39(4):134-144.

[11] 张璇,王凯丽,司海涛.僵尸企业、资源错配与企业全要素生产率——来自中国工业企业的经验证据[J].财经问题研究,2019, 41 (7):57-66.

[12] 温湖炜,钟启明.智能化发展对企业全要素生产率的影响——来自制造业上市公司的证据[J].中国科技论坛,2021,37(1):84-94.

[13] 范剑勇,冯猛,李方文.产业集聚与企业全要素生产率[J].世界经济,2014,37(5):51-73.

[14] PAUNOV C, ROLLO V. Has the internet fostered inclusive innovation in the developing world[J].World Development, 2016, 78: 587-609.

[15] STURGEON T J. Upgrading strategies for the digital economy [J]. Global Strategy Journal, 2021, 11(1): 34-57.

[16] PAN W R, XIE T, WANG Z W, et al. Digital economy: an innovation driver for total factor productivity[J].Journal of Business Research, 2021, 139: 303-311.

[17] 杜明威,耿景珠,崔岩.企业数字化转型与出口:来自中国上市公司的微观证据[J].世界经济研究,2022,41(9):119-134,137.

[18] 杜明威,耿景珠,刘文革.企业数字化转型与中国出口产品质量升级:来自上市公司的微观证据[J].国际贸易问题,2022,41(6):55-72.

[19] 李万利,潘文东,袁凯彬.企业数字化转型与中国实体经济发展[J].数量经济技术经济研究,2022,39(9):5-25.

[20] 黄大禹,谢获宝,孟祥瑜,等.数字化转型与企业价值——基于文本分析方法的经验证据[J].经济学家,2021,33(12):41-51.

[21] 谭志东,赵洵,潘俊,等.数字化转型的价值:基于企业现金持有的视角[J].财经研究,2022, 48(3):64-78.

[22] 李琦,刘力钢,邵剑兵.数字化转型、供应链集成与企业绩效——企业家精神的调节效应[J].经济管理,2021,43(10):5-23.

[23] 何伟,张伟东,王超贤.面向数字化转型的“互联网+”战略升级研究[J].中国工程科学, 2020,22(4):10-17.

[24] NARAYANAN M P. Debt versus equity under asymmetric information[J].Journal of Financial &Quantitative Analysis, 1988, 23(1): 104-105.

[25] MYERS S C, MAJLUF N S. Corporate financing and investment decisions when firms have information that investors do not have[J]. Journal of Financial Economics,1984,13(2): 187-221.

[26] COMIN D, HOBIJN B. An exploration of technology diffusion[J]. American Economic Review, 2010, 100 (5): 2031-2059.

[27] HSIEH C T, KLENOW P J. Misallocation and manufacturing TFP in China and India[J]. Quarterly Journal of Economics, 2009, 124(4): 1403-1448.

[28] HARFORD J, MANSI S A, MAXWELL W F. Corporate governance and firm cash holdings in the US[J]. Journal of Financial Economics, 2008, 87(3):535-555.

[29] JENSEN M C. Agency costs of free cash flow, corporate finance, and takeovers[J]. American Economic Review,1986,76(2): 323-329.

[30] 张任之.数字技术与供应链效率:理论机制与经验证据[J].经济与管理研究, 2022, 43(5):60-76.

[31] 鲁晓东,连玉君.中国工业企业全要素生产率估计:1999—2007[J].经济学(季刊), 2012,11(2): 541-558.

[32] OLLEY G S,PAKES A.The dynamics of productivity in the telecommunications equipment industry[J].Eonometrica,1996,64(6):1263-1297.

[33] 姚洋,章奇.中国工业企业技术效率分析[J].经济研究,2001,47(10):13-19.

[34] 张永珅,李小波,邢铭强.企业数字化转型与审计定价[J].审计研究,2021,37(3):62-71.

[35] 赵玲,黄昊.企业数字化转型、供应链协同与成本粘性[J].当代财经,2022,43(5):124-136.

[36] STEIN J C. Agency, information and corporate investment[J].Handbook of the Economics of Finance,2003(1):111-165.

[37] RICHARDSON S. Over-invest of free cash flow[J]. Review of Accounting Studies, 2006, 11(2): 159-189.

[38] 温忠麟,张雷,侯杰泰,等.中介效应检验程序及其应用[J].心理学报,2004,49(5):614-620.

[39] 王宏鸣,孙鹏博,郭慧芳.数字金融如何赋能企业数字化转型——来自中国上市公司的经验证据[J].财经论丛,2022,39(10):3-13.

[40] 杨明洪,巨栋,涂开均.“南北差距”:中国区域发展格局演化的事实、成因与政策响应[J].经济理论与经济管理,2021,41(4):97-112.

(责任编辑：张 悦)