The Impact and Mechanism of Digital and Intellectual Transformation on Total Factor Productivity of Manufacturing Enterprises: The Empirical Evidence of Chinese Manufacturing Listed Enterprises

Song Donglin1,2,Zeng Zhaoyi2

(1.Center for China Public Sector Economy Research,Jilin University; 2.Economics School,Jilin University,Changchun 130012,China)

Abstract：The digital-intelligent transformation of manufacturing enterprises is an inevitable choice to realize the deep integration of the digital economy and the real economy,and to promote the high-quality and sustainable development of enterprises. It is also an important starting point to accelerate the development of new quality productive forces. With the deep integration and development of artificial intelligence,big data and other technologies,the digital and intellectual transformation and upgrading represented by digitalization and intelligence provides a new power source for the scientific and technological progress and innovative development of manufacturing enterprises,which has become the core engine to boost the total factor productivity of enterprises. Therefore,how to seize the opportunity of the era of digital intelligence,how to enable manufacturing enterprises to comprehensively reshape,transform and upgrade,and how to promote the improvement of total factor productivity of manufacturing enterprises have become a hot topic in academic and practical circles.

This paper takes China's A-share listed manufacturing companies from 2015 to 2022 as the research sample,and uses a two-way fixed effect model to empirically analyze the impact and mechanism of digital-intelligent transformation on the total factor productivity of manufacturing enterprises. From the perspective of combining digitalization and intellectual,this paper explores the role of digital-intelligent transformation in improving the total factor productivity of enterprises. At the same time,it clarifies the intermediary role of the transformation of resource allocation efficiency,the innovation capability into log-intelligence,and the improvement of total factor productivity of manufacturing enterprises. At last,it analyzes the moderating effect of external financing constraints and environmental competitiveness on the two,which provides a new perspective for understanding the improvement of total factor productivity under the digital-intelligent transformation.

The results show that digital-intelligent transformation has a significant impact on the improvement of total factor productivity of manufacturing enterprises. The mechanism test finds that digital-intelligent transformation helps to promote the total factor productivity of manufacturing enterprises by improving the efficiency of resource allocation and innovation ability. Financial constraints negatively regulate the relationship between the digital-intelligent transformation and the total factor productivity of manufacturing enterprises,while environmental competitiveness positively moderates the relationship between them. The results of heterogeneity analysis show that the improvement of TFP by digital-intelligent transformation is more significant in large enterprises,state-owned enterprises and enterprises in the central region. Further research finds that digital-intelligent transformation can significantly promote manufacturing enterprises to accelerate the development of new quality productivity by improving total factor productivity.

This paper provides empirical evidence and policy implications for the digital-intelligent transformation of manufacturing enterprises to boost the high-quality development of manufacturing enterprises and accelerate the development of new quality productive forces. The government should issue relevant policies and regulations to promote enterprises' digital-intelligent transformation,and reduce their transformation costs and risks by means of tax incentives,financial subsidies and financing support. According to the needs and characteristics of small and medium-sized enterprises,the customized digital-intelligence solutions should be provided for them,so that they can make better use of digital and intellectual technology to improve the responsiveness of supply chain and to cope with the rapid changes of the market and the fluctuation of customer demand. Manufacturing enterprises should give full play to the enabling role of data elements,actively use the digital and intellectual technologies to promote the transformation and the remodeling of manufacturing enterprises,and effectively play the positive role of resource allocation and innovation ability in improving total factor productivity. While it is essential to fully leverage the regulatory role of financing constraints and environmental competition,explore various financing methods such as equity financing,debt financing,government subsidies,and venture capital to reduce the impact of financing constraints on the intelligent transformation. The management should fully recognize the uncertainty of the external macro environment,and maintain the sensitivity and strategic insight to the external environment,so as to minimize the impact of the uncertainty of the external environment and ensure the stable development of the enterprises.

Key Words：Digital-intelligent Transformation; Manufacturing Enterprises;Total Factor Productivity; New Quality Productive Forces; Allocation Efficiency

DOI：10.6049/kjjbydc.2024080117

开放科学(资源服务)标识码(OSID)：

中图分类号：F273

文献标识码：A

文章编号：1001-7348(2025)07-0091-12

收稿日期：2024-08-06

修回日期：2024-11-27

基金项目：国家社会科学基金重点项目(20AZD043)

作者简介：宋冬林(1957-),男,辽宁庄河人,吉林大学中国国有经济研究中心主任,吉林大学经济学院教授、博士生导师,研究方向为社会主义市场经济理论;曾昭懿(1992-),女,吉林省吉林市人,吉林大学经济学院博士研究生,研究方向为社会主义市场经济理论。本文通讯作者:曾昭懿。

0 引言

制造业是立国之本、强国之基。作为实体经济的核心组成部分,制造企业高质量发展对推动中国经济快速增长至关重要。中国制造业在规模和增加值上连续多年处于世界领先地位,但在技术创新和发展质量方面存在结构性短板。因此,中国制造业迫切需要加快转型升级,在日益激烈的经济环境中保持竞争力。新质生产力以数字化、智能化新技术为支撑,以绿色低碳产业、高新技术产业等为载体,其核心标志是全要素生产率大幅提升。全要素生产率提升既体现科技进步,又反映整体生产水平提高与经济高质量发展。提升制造企业全要素生产率是加快形成新质生产力的必由之路,也是新时代下推动中国经济高质量发展的必然选择[1]。

《“十四五”数字经济发展规划》提出,“以数据为关键要素,以数字技术与实体经济深度融合为主线,协同推进数字产业化和产业数字化,赋能传统产业转型升级,培育新产业新业态新模式”。发挥数据要素赋能作用,持续释放数据要素价值,激活数据要素潜能,可促进制造企业全要素生产率提升[2]。随着人工智能、大数据等技术深度融合发展,以数字化、智能化为代表的数智化转型升级为制造企业科技进步和创新发展提供新的动力源泉,成为助推企业全要素生产率提升的核心引擎[3]。因此,如何抓住数智化时代契机并赋能制造企业全面重塑和转型升级,进而推动制造企业全要素生产率提升,成为学术界和实务界关注热点。

数智化转型通过引入物联网、人工智能等技术重塑生产过程。数智化转型不仅是技术的应用,更是提升制造企业全要素生产率的关键。首先,资源配置效率直接影响企业生产要素优化使用,高效资源配置能够最大化产出并减少浪费,进而推动生产力提升[4]。创新不仅可以提高企业竞争力,还能够促进全要素生产率提升[5]。数智化转型通过技术创新和智能化管理优化资源配置方式,进而提升全要素生产率。其次,数智化转型通过引入先进技术和创新管理模式促进企业在产品、流程及服务上的创新,进而降低成本并提高生产效率。再次,作为不可忽视的外部因素,融资约束和环境竞争性会强化数智化转型对制造企业全要素生产率的提升作用。在数智化转型过程中,融资约束可能限制投资和技术革新,特别是在资本密集型行业,融资难题往往导致企业难以实现技术更新和数智化转型,从而影响生产效率和全要素生产率提升[6]。最后,高竞争性环境会迫使企业加大创新投入力度、提高生产效率,以保持市场竞争力。在竞争激烈的环境下,企业积极推动数智化转型,以获得成本优势和差异化竞争力。因此,竞争性较强的环境可能强化数智化转型对全要素生产率的正向影响[7]。

基于此,本文从数字化与智能化结合视角探究数智化转型对企业全要素生产率的影响,厘清资源配置效率、创新能力在数智化转型提升制造企业全要素生产率过程中的中介作用,并分析外部融资约束和环境竞争性对两者关系的调节作用,为丰富相关理论研究和实践开展提供参考。

1 文献综述

1.1 数智化转型

数智化的定义最初见于2015年北京大学“知本财团”的研究报告,即数字智慧化和智慧数字化的融合[8]。数智化转型是企业或组织在数字化的基础上,进一步结合人工智能等智能技术,实现更深层次业务优化、管理升级和创新发展的过程。现有数智化转型研究主要关注数智化转型内涵、数智化转型的作用以及数智化转型实践应用。在内涵研究方面,Xu[9]提出数智化转型是将人工智能技术融入原有数字化生产中,进而实现人机一体的企业发展模式;在作用研究方面,数智化转型能够通过赋能企业创新带动中国经济转型、产业升级以及企业高质量发展,并且制造业数智化升级能够促进中小企业成长;在实践应用方面,Yong[10]利用案例研究探析制造企业数智化转型影响因素与路径,发现资源、需求和环境均能不同程度地影响制造企业数智化转型。

1.2 全要素生产率

全要素生产率是指除资本和劳动投入外,不能被这些要素增长所解释的剩余产出。作为衡量企业高质量发展的重要指标,全要素生产率提升对推动制造企业实现高质量发展至关重要[11]。

已有文献主要从内外部视角研究企业全要素生产率影响因素:从生产经营与创新的内部视角出发,沈坤荣等[12]指出,提升制造企业生产经营效率和创新能力可显著促进全要素生产率增长;Zhang[13]指出,加强绿色创新和知识产权保护能够有效提升企业全要素生产率。从环境规制与融资的外部视角出发,任胜钢等[14]研究发现,加强环境规制与提高经济发展质量并不冲突。增加外部融资能够确保企业投资的连续性,缓解融资约束可以有效提升企业全要素生产率。

1.3 数智化转型与企业全要素生产率的关系

对于数智化转型与制造企业全要素生产率的关系,现有研究主要关注数字化与智能化两个层面。从数字化角度出发,大部分研究认为,传统产业数字化转型能够提升全要素生产率[15]。李金城等[16]从市场化角度解析数字化与全要素生产率的关系,发现数字化能够有效发挥市场在资源配置中的决定性作用,从而带动企业全要素生产率提升。也有研究认为,数字化发展对中小企业全要素生产率的提升作用不显著。从智能化角度出发,Huang等[17]研究发现,工业智能化能够提升制造企业全要素生产率,且在经济发达和资源禀赋优越地区的赋能效果更显著;李逸飞等[18]认为,智能化能够提升制造企业创新能力,有助于企业智能制造提质增效。总体来说,现有研究存在以下不足:一是大多从单一数字化或智能化视角探究其与制造企业全要素生产率的关系,未将数字化与智能化相结合探讨其对全要素生产率的影响;二是大多从单一路径分析数智化转型对制造企业全要素生产率的作用机制,鲜有从创新与资源配置视角剖析数智化转型对制造企业全要素生产率的作用路径;三是集中探讨数智化转型对制造企业内部机制的影响,缺乏基于企业外部影响因素视角的调节效应分析。

本文可能的边际贡献如下:第一,将原有城市层面的数智化转型指标拓展至微观层面,在企业层面综合考虑数智化转型的生产率效应,以期丰富数智化转型相关后果研究。第二,通过理论分析和实证研究,厘清资源配置效率、创新能力在数智化转型与制造企业全要素生产率间的中介作用,以期拓展数智化赋能全要素生产率提升的理论框架。第三,剖析外部融资约束、环境竞争性对两者关系的调节作用,为理解数智化转型情景下企业全要素生产率提升提供新视角。

2 理论基础与研究假设

2.1 数智化转型对制造企业全要素生产率的影响

基于内生增长理论,技术创新与进步能够实现劳动、资本等传统生产要素规模报酬递增,并推动经济增长[19]。数智技术通过提升数据获取、处理和分析能力实现智能化决策支持和自动化生产等,进而推动企业技术进步。现阶段,数智化是指应用数字技术和数据驱动实现智能化、自动化和优化决策的能力。数据要素作为新的生产要素,具有非排他性和强渗透性等特点,能够通过与劳动力、资本和技术等生产要素渗透结合,提高传统生产要素利用效率,进而推动中国制造企业从以劳动和资本为主的传统制造模式转向以智能制造为核心的高质量发展模式[20],其影响主要体现在以下方面:

(1)数智化转型通过数字信息赋智提升制造企业全要素生产率。制造企业基于大数据、云计算获得海量数据,利用人工智能和深度学习技术可有效克服企业决策者对信息处理的局限性,降低企业经营风险,提升企业经营决策质量。数智化转型有助于制造企业通过信息收集、分析、处理和决策全流程的自动化与智能化,实时获取和处理大规模数据,提升全要素生产率,进而实现高质量发展[18]。

(2)数智化转型通过降本赋智提升制造企业全要素生产率。企业借助数智化转型能够进一步实现业务流程优化和产业链延伸。一方面,制造企业通过监测收集生产、研发和销售各环节数据并利用云端智能算法分析反馈,形成“收集—分析—反馈—调整”的AI+数据智能化应用模式[5]。另一方面,制造企业可以通过数智化转型获取海量数据要素,实现数据智能化应用并优化生产流程,推动产业链形态转变,突破生产制造的经济可行性制约,提升运行效率,从而促进全要素生产率提升。综上,本研究提出以下假设:

H1:数智化转型对制造企业全要素生产率具有正向影响。

2.2 数智化转型提高制造企业全要素生产率的作用机制

数字技术、人工智能深入融合发展会对传统制造业资源配置模式与企业创新模式产生冲击,促使制造企业通过数智化转型优化全流程资源要素配置,并赋能技术创新全过程。

2.2.1 资源配置机制

核心能力理论认为,作为企业发展战略中的重要组成部分,核心能力是企业在长期发展中培育的独有能力。数智化转型有助于企业通过优化资源配置培育核心能力,提高全要素生产率,从而在市场竞争中掌握主导权。

(1)数智化转型企业能够借助大数据分析技术收集和分析海量数据,精准预测市场需求、优化库存管理并制定生产计划,降低生产过剩风险以及决策失误的可能性[21],进而在相同资源投入下获得更高产出。

(2)在全生产领域,数智化转型企业借助智能技术对各要素赋能、赋智,进而优化生产结构,降低资源损耗[22]。高效资源配置能够减少企业资源闲置与浪费,优化生产流程,增加生产边际产出,进而提升企业全要素生产率。

此外,数字化与人工智能融合能够提升制造企业自动化生产水平,降低企业劳动力成本并提升企业资源配置效率[23]。合理的资源配置能激发员工工作热情和创造力,提升员工工作效率,从而提升企业全要素生产率。

2.2.2 创新能力机制

数智化驱动企业生产自动化,对全生产领域赋能、赋智。因此,数智化转型可推动企业创新,从而提高全要素生产率。

(1)借助数智技术的赋能作用,企业创新模式从传统封闭式创新转向企业间开放式创新[24]。借助新技术,企业往往能够在相同资源投入下创造更高产出,提升全要素生产率。

(2)借助数字技术的云计算功能,数智化转型有助于制造企业营造知识共享环境,强化创新团队的组织学习能力,进一步提升技术创新能力,获取市场竞争优势,进而实现长期经济增长和全要素生产率持续提升。创新能力提高往往伴随着员工培训与知识更新,由此员工专业技能和创新意识得以增强,工作效率得以提升,这有助于企业利用劳动力、资本和原材料提升生产效率。

此外,基于人工智能、大数据和机器学习深度融合,企业可以提升知识整合能力与应用能力,加快技术创新研发进程[25]。通过技术创新、资源优化配置和人才培养,企业能够在经济转型与市场竞争中取得更好表现,实现全要素生产率持续增长。综上,本研究提出以下假设:

H2a:数智化转型通过提高制造企业资源配置效率提升企业全要素生产率;

H2b:数智化转型通过提高制造企业创新能力提升企业全要素生产率。

2.3 融资约束与环境竞争性的调节作用

本文以外部融资约束、环境竞争性作为调节变量,研究在不同融资约束、不同环境竞争性条件下,制造企业数智化转型对全要素生产率的影响。

2.3.1 融资约束的调节作用

融资约束理论指出,企业融资行为受其财务状况的约束。融资约束程度降低能够强化数智化转型对制造企业全要素生产率的提升效应。从企业视角出发,数智化转型需要大量资金投入,涉及信息技术基础设施更新、大数据平台建设以及人工智能等先进技术引入[26]。因此,良好的融资环境有助于企业获取必要的资金,加强技术创新和基础设施建设,加快技术升级与流程重组,实现资源优化配置,进而提升企业全要素生产率。相比其它行业企业,制造企业数智化转型周期长、风险高、不确定性大。在数智化转型过程中,企业融资约束程度较高,容易因资金不足而出现转型停滞的情况[27]。

2.3.2 环境竞争性的调节作用

基于资源依赖理论,企业会随着外部环境改变而调整自身发展模式。在数智化时代,制造企业面临较大的环境不确定性。一方面,新消费模式持续演化导致市场需求的不稳定性显著提升,为制造企业带来新的机遇与挑战;另一方面,为适应外部环境变化,有的制造企业主动通过数智化转型重塑自身发展模式,以期成为行业领军者并获得领先优势[28]。在较高环境竞争性条件下,企业具有较强意愿进行数智化转型以提升要素生产率优势,从而获得更多市场份额和竞争优势;在较低环境竞争性条件下,企业缺乏数智化转型动力,倾向于维持发展现状,较少将注意力放在企业创新以及全要素生产率提升上。因此,环境竞争性在制造企业数智化转型与全要素生产率间发挥重要调节作用。综上,本研究提出以下假设:

H3a:融资约束在数智化转型促进制造企业全要素生产率提升过程中发挥负向调节效应;

H3b:环境竞争性在数智化转型促进制造企业全要素生产率提升过程中发挥正向调节效应。

3 研究设计

3.1 样本选择与数据来源

本文采用2015—2022年中国A股制造业上市公司年度数据,并剔除ST、*ST、PT、核心变量缺失以及观测年份不足5年的上市公司样本。由此,获得18 238个公司—年度样本观测值。本文上市公司数据来自国泰安(CSMAR)数据库,相关上市公司年报数据来自巨潮官方网站,工具变量相关数据来自国家统计局。此外,本文对所有连续变量进行1%和99%的缩尾处理。

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)。本文使用Levinsohn-Petrin方法计算企业全要素生产率,该方法能够很好地解决样本损失导致的内生性问题,实现对投入要素的有效估计。

3.2.2 解释变量

现有数智化发展研究较少,大部分学者关注数字化发展对经济发展或企业生产的影响[29],鲜有将数字化、智能化作为一个相互支撑、相互融合的新经济形态展开研究。因此,本文将企业数智化转型分为数字技术和人工智能技术,前者是指利用数字数据和技术手段进行信息处理、存储、传输的工具与方法,利用大数据、云计算和区块链等数字技术赋能企业转型升级;后者是指企业或组织在运营、管理、产品和服务等方面进行全面智能化升级,使用人工智能技术对生产运营流程赋能赋智。数字技术应用旨在提高效率、降低成本和优化业务流程,而智能化转型旨在通过智能化手段增强竞争力并实现可持续发展。

数字技术赋能水平(DT)。借鉴吴非等(2021)的研究,从大数据技术、区块链技术、云计算与数字技术运用4个维度构建特征词词库,根据上市公司年报文本对数字技术赋能水平特征词进行词频统计,将加总后的特征词频次加1并取自然对数,最终得到数字技术赋能水平(DT)。大数据技术层面的特征词包括大数据、数据挖掘、文本挖掘等;区块链技术层面的特征词包括区块链、数字货币等;云计算方面的特征词包括云计算、流计算、图计算等;数字技术运用层面的特征词包括移动互联网、工业互联网、移动互联、互联网医疗、电子商务、移动支付、第三方支付、NFC支付等。

人工智能技术赋能赋智水平(AI)。本文将人工智能维度单独作为解释变量的原因在于,数字技术侧重数据存储和处理,虽然人工智能以数字技术为基础,但它代表更为复杂的数据处理能力。人工智能具有自主性和自适应能力,能够通过学习、推理和决策模拟智能行为,表现出较传统数字技术更复杂的智能化特征。本文借鉴温素彬等[30]的研究,参考政府等权威机构对智能制造的定义构建人工智能技术赋能赋智水平特征词词库,并基于上市公司年报文本对人工智能技术赋能赋智水平特征词进行词频统计,最终得到人工智能技术赋能赋智水平(AI)。其中,特征词包括智能制造、智能机器、智能生产、机器人、全自动、全机器等。

3.2.3 中介变量

资源配置效率(ATO)。本文借鉴沈坤荣等[12]的研究,将总资产周转率作为公司资源配置效率度量指标,原因如下:该指标能够综合反映企业整体资产营运能力,总资产周转率越高,企业资源配置效率越高。总资产周转率能够反映出公司管理层在资源配置方面的决策质量。

创新能力(PT)。本文借鉴赵宸宇等[31]的研究方法,将对数化处理的发明专利授权数量作为企业创新能力度量指标,原因如下:发明授权专利具有较高的利用价值,并能为企业带来一定的经济利益,体现出企业较强的创新能力。

3.2.4 调节变量

企业融资约束(FC)。本文参考顾雷雷等[32]的研究,将FC指数作为企业融资约束度量指标。FC指数能够综合分析企业信用状况、财务透明度、盈利能力、现金流状况和资产结构等多维度因素,全面反映企业融资难易程度。

环境竞争性(PCM)。借鉴Peress[33]的研究,本文使用勒纳指数衡量环境竞争性。勒纳指数通过度量价格与边际成本的偏离程度反映市场中的垄断力量。勒纳指数越大,代表公司定价能力越强,企业所面临的环境竞争性越低。

3.2.5 控制变量

参考现有研究,本文选取以下企业特征变量作为控制变量:公司规模(Size)、第一大股东持股比例(Top1)、财务杠杆率(Lev)、公司年限(Age)和总资产收益率(Roa)。具体变量说明如表1所示。

3.3 模型设定

为探究数智化转型对制造企业全要素生产率的影响,本文构建实证检验模型如式(1)。

TFPLPi,t=α0+α1Xi,t+α2Controlsi,t+Ind+Year+εi,t

(1)

式(1)中,i、t分别为企业和年份,TFP_LP为企业i第t年全要素生产率,全要素生产率是基于LP方法计算所得,X为解释变量,包括数字技术赋能水平(DT)与人工智能技术赋能赋智水平(AI),Controls是一系列控制变量。Ind、Year分别代表行业固定效应和年份固定效应,ε代表随机扰动项。

为探究中介变量资源配置效率和创新能力的作用,本文构建如下模型:

Mediatori,t=β0+β1Xi,t+β2Controlsi,t+Ind+Year+εi,t

(2)

TFP_LPi,t=γ0+γ1Xi,t+γ2Mediatori,t+γ3Controlsi,t+Ind+Year+εi,t

(3)

在上述模型中,Mediator为中介变量,包括资源配置效率(ATO)与创新能力(PT)。

为考察融资约束、环境竞争性的调节作用,本文构建如下模型:

TFP_LPi,t=ω0+ω1Xi,t+ω2Xi,t·Moderatori,t+ω3Moderatori,t+ω4Controlsi,t+Ind+Year+εi,t

(4)

在上述模型中,Moderator为调节变量,包括融资约束(FC)与环境竞争性(PCM)。本文对解释变量与调节变量的交乘项(X·Moderator)作中心化处理。

4 实证分析

4.1 描述性统计分析

本文描述性统计结果如表2所示。制造企业全要素生产率(TFP_LP)的最小值为5.516,最大值为13.144,标准差为1.025,表明不同样本企业全要素生产率水平存在显著差异,与已有研究结论类似。制造企业数字技术赋能水平(DT)与人工智能技术赋能赋智水平(AI)的均值分别为1.575、1.762,两者最小值均为0,最大值分别为6.254、6.306,说明不同制造企业数智化转型程度存在显著差异。

4.2 基准回归结果

表3展示了数智化转型对企业全要素生产率的影响。列(1)(3)显示,数字技术赋能水平(DT)、人工智能技术赋能赋智水平(AI)与企业全要素生产率(TFP_LP)的回归系数均在1%水平上显著。列(2)(4)加入控制变量进行回归,结果显示,数字技术赋能水平(DT)、人工智能技术赋能赋智水平(AI)和企业全要素生产率(TFP_LP)的回归系数仍在1%水平上显著。上述结果有力地支持了假设H1,即制造企业数智化转型显著提升企业全要素生产率。

4.3 稳健性检验

表4列(1)(2)报告了使用全要素生产率(TFP_OP)替换被解释变量后的结果;列(3)(4)报告了剔除数字技术赋能水平(DT)为0的企业样本、人工智能技术赋能赋智水平(AI)为0的企业样本后的检验结果;列(5)(6)是剔除2015年后上市公司的估计结果;列(7)(8)报告了加入省份固定效应后的稳健性检验结果;列(9)(10)报告了未缩尾的稳健性检验结果。上述稳健性检验结果表明,数字技术赋能水平(DT)、人工智能技术赋能赋智水平(AI)的回归系数均显著为正,与主检验结果一致。

4.4 变量滞后处理

考虑到数字技术赋能水平(DT)、人工智能技术赋能赋智水平(AI)对企业全要素生产率的影响可能存在时滞效应,本文对核心解释变量作滞后一期和滞后两期处理。表5列(1)(2)分别是将数字技术赋能水平(DT)进行滞后一期和滞后两期的回归结果,结果显示,L.DT、L2.DT的系数均显著为正,与主检验结果一致。列(3)(4)分别是将人工智能技术赋能赋智水平(AI)滞后一期和滞后两期的回归结果,结果显示,L.AI、L2.AI的系数均显著为正,与主检验结果一致。

4.5 工具变量法

为了有效降低内生性问题对研究结果的潜在干扰,提升整体研究的可信度,本文引入工具变量。借鉴黄群慧(2019)的研究,本文选择1984年每百万人邮局数量作为工具变量,原因如下:我国最早统计邮电业务量和电话机数的时间为1984年,从工具变量相关性角度看,信息技术发展依赖于互联网技术,而早期互联网电话线接入依赖于邮局执行。因此,邮局布局会通过影响数字信息技术发展水平进而影响企业数智化转型,选取邮局数量作为企业数字化转型的工具变量满足相关性要求。而相对于数字技术的发展变革,历史上的邮局数量并不会对当前制造企业全要素生产率产生影响,因而满足工具变量的外生性假设[34]。工具变量不随年份变化,因而本文将滞后一期全国互联网上网人数与各地级市1984年每百万人邮局数量的交互项作为工具变量进行内生性检验。表5列(5)(6)为工具变量回归结果,结果显示,Anderson canon. corr. LM统计量均在1%水平上显著,拒绝了工具变量识别不足的原假设。进一步地,Cragg-Donald Wald F统计量均显著超过Stock-Yogo的临界值,拒绝了弱工具变量的假设。同时,Sargan检验的P值大于0.05,说明工具变量满足外生性假设。上述回归结果说明本文结果可靠,即制造企业数智化转型显著提升企业全要素生产率。

4.6 异质性分析

4.6.1 企业规模

本文将年营收大于4亿元的企业划分为大型企业,将其余企业划分为中小型企业。表6报告了企业规模异质性检验回归结果,结果显示,数字技术赋能水平(DT)与人工智能技术赋能赋智水平(AI)对大型企业全要素生产率影响的估计系数分别为0.082、0.078,对中小型企业全要素生产率影响的估计系数分别为0.041和0.038,均在1%水平上显著。由此说明,数智化转型能够显著提升大型制造企业和中小型制造企业全要素生产率,且上述促进作用在大型企业中更为显著。这可能因为大型企业往往具备更雄厚的资本、更先进的技术和更符合数智化转型需求的人力资源,能够更为高效地通过数智化转型提升资源配置效率和创新能力,因而其全要素生产率的提升效果更为显著。本文参考连玉君等[35]的研究,采用似不相关回归分析方法检验核心解释变量的估计系数在不同分组间的潜在差异。SUEST检验结果表明,数字技术赋能水平(DT)与人工智能技术赋能赋智水平(AI)的组间回归系数均存在显著差异。

4.6.2 产权性质

根据不同产权性质,本文将样本划分为国有企业与非国有企业。表7报告了产权性质异质性检验回归结果,结果显示,数字技术赋能水平(DT)与人工智能技术赋能赋智水平(AI)对国有企业全要素生产率影响的估计系数分别为0.075、0.067,对非国有企业全要素生产率影响的估计系数分别为0.060、0.056,均在1%水平上显著。由此说明,数智化转型对国有制造企业与非国有制造企业全要素生产率均具有显著促进作用,且上述作用在国有企业中更显著。这可能是因为在融资与政策待遇方面,相较于非国有企业,国有企业更具优势,后者能够通过数智化转型高效提升其全要素生产率。SUEST检验结果表明,数字技术赋能水平(DT)与人工智能技术赋能赋智水平(AI)的组间回归系数均存在显著差异。

4.6.3 区域差异

借鉴王宏鸣等[36]的研究,本文将研究样本划分为东部、中部、西部地区企业。表8报告了区域异质性检验回归结果,结果显示,数字技术赋能水平(DT)与人工智能技术赋能赋智水平(AI)对东部企业全要素生产率影响的估计系数分别为0.064、0.059,对中部企业全要素生产率影响的估计系数分别为0.098、0.091,对西部企业全要素生产率影响的估计系数分别为0.033、0.028,均在1%水平上显著。由此可见,无论是东部地区企业、中部地区企业还是西部地区企业,数智化转型均能显著提高企业全要素生产率,且对中、东部地区企业全要素生产率的提升效果更好。原因如下:东部、中部地区数字基础设施完备,具有优越的资源禀赋,而西部地区数字基础建设相对滞后、经济欠发达,数智化转型的促进作用相对弱一些。SUEST检验结果表明,数字技术赋能水平(DT)与人工智能技术赋能赋智水平(AI)的组间回归系数均存在显著差异。

4.7 中介机制检验

4.7.1 资源配置效率

表9列(1)(3)显示,数字技术赋能水平(DT)与人工智能技术赋能赋智水平(AI)对资源配置效率(ATO)影响的估计系数分别为0.022、0.020,均在1%水平上显著,表明数智化转型可提升制造企业资源配置效率。列(2)(4)反映了在加入资源配置效率这一中介变量后,数智化转型能够通过提高资源配置效率提升企业全要素生产率。进一步地,采用乘积系数法进行中介效应检验,Sobel检验的P值为0.000,资源配置效率的中介效应占总效用的比值均为42.6%,说明中介效应存在。数智技术有助于企业优化资源配置,通过精准分析与预测高效配置资本、劳动力和材料等生产要素,减少浪费、提升产出。高效资源配置有助于企业优化生产流程、降低成本,提高整体生产率,从而提升全要素生产率。上述结果支持假设H2a。

4.7.2 创新能力

表10列(1)(3)显示,数字技术赋能水平(DT)与人工智能技术赋能赋智水平(AI)对制造企业创新能力(PT)影响的估计系数分别为0.119、0.128,在1%水平上显著,表明数智化转型可以提升制造企业创新能力。表10列(2)(4)显示,数智化转型通过增强制造企业创新能力提升其全要素生产率。进一步地,采用乘积系数法进行中介效应检验,Sobel检验的P值分别为0.001,创新能力的中介效应占总效用的比值为1.7%和1.9%,说明中介效应存在。数智化转型通过引入新技术和优化管理流程提升企业创新能力。企业创新能力提升能够推动技术进步、管理优化和业务模式创新,提高企业生产效率,进而提升其全要素生产率。上述结果支持假设H2b。

4.8 调节效应检验

4.8.1 企业融资约束

表11列(1)(2)显示,数字技术赋能水平(DT)、人工智能技术赋能赋智水平(AI)与融资约束(FC)的交互项系数均在1%水平上显著为负,而融资约束(FC)的回归系数在1%水平上显著为正,表明企业融资约束抑制数智化转型对全要素生产率的提升作用。企业数智化转型需要大量资金支持,而融资约束会限制企业资金获取。当融资约束较弱时,企业能够顺利开展数智化转型,提升企业全要素生产率;当融资约束较强时,企业数智化转型受限,抑制其全要素生产率提升。上述结果支持假设H3a。

4.8.2 环境竞争性

表11列(3)(4)显示,数字技术赋能水平(DT)、人工智能技术赋能赋智水平(AI)与环境竞争性(PCM)的交互项系数均在1%水平上显著为负,表明环境竞争性在数智化转型与制造企业全要素生产率间发挥正向调节作用。较高的环境竞争性促使制造企业更加注重效率和创新,以维持竞争优势。在激烈的市场竞争中,企业倾向于加速数智化转型,应用人工智能等技术优化生产流程、提升资源利用效率。上述结果支持假设H3b。

5 进一步分析

数字经济与实体经济融合发展背景下,加快转型升级并发展新质生产力成为制造业实现高质量发展的必然路径[37]。新质生产力以全要素生产率大幅提升为核心标志,在企业层面,全要素生产率能够反映科技成果应用程度,提高全要素生产率契合新质生产力发展的“高科技”特征。鉴于此,本文构建模型(5)分析数智化转型情景下提升全要素生产率能否提高制造企业新质生产力。

Nproi,t=ω0+ω1Xi,t+ω2Xi,t·TFP_LPi,t+ω3TFP_LPi,t+ω4Controlsi,t+Ind+Year+εi,t

(5)

在上述模型中, Npro代表被解释变量新质生产力,TFP_LP为企业全要素生产率,X为解释变量,包括数字技术赋能水平(DT)与人工智能技术赋能赋智水平(AI),TFP_LPi,t代表调节变量,即数字技术赋能水平(DT)、人工智能技术赋能赋智水平(AI)和企业全要素生产率的交互项,若交互项系数ω2为正,则代表数智化转型对新质生产力的正向影响随着全要素生产率提升而增强。本文借鉴宋佳等[38]的研究,基于生产力二要素理论,采用熵值法构建制造企业新质生产力指标体系。

表12报告了数智化转型情境下企业全要素生产率提升对制造企业新质生产力的影响,结果显示,数字技术赋能水平(DT)、人工智能技术赋能赋智水平(AI)与企业全要素生产率(TFP_LP)交互项的估计系数分别为0.112、0.099,均在1%水平上显著。由此表明,数智化转型对新质生产力发展的积极影响会随着全要素生产率提高而增强。换言之,数智化转型情境下,全要素生产率提升能够促进制造企业新质生产力提升。

6 结语

6.1 研究结论

数智化转型不仅是企业技术升级过程,更是制造企业提升全要素生产率与实现可持续发展的重要路径。本文利用2015—2022年中国A股制造业上市公司数据,实证检验了数智化转型对制造企业全要素生产率的影响,得出以下主要结论:

(1)数智化转型对制造企业全要素生产率具有正向影响,上述影响在大型企业、国有企业、中部和东部地区企业中更为显著。

(2)数智化转型有助于制造企业提升资源配置效率和创新能力,进而提升其全要素生产率。

(3)在数智化转型促进制造企业全要素生产率提升过程中,融资约束发挥负向调节效应,而环境竞争性则发挥正向调节效应。

(4)数智化转型情境下全要素生产率提升能够促进制造企业新质生产力提升。

6.2 实践启示

(1)企业层面。制造企业应充分发挥数据要素的赋能作用,积极利用数字技术和智能技术推动自身转型升级,充分发挥资源配置能力与创新能力对全要素生产率的提升作用。在发展过程中,企业需要高度重视数智化转型对资源配置效率和创新能力的促进作用。

(2)政府层面。政府应制定企业数智化转型相关政策,通过税收优惠、财政补贴、融资支持降低企业数智化转型成本与风险。借鉴国外数据开放经验,加快数据资源和公共服务平台与制造企业对接,促进数据共享和开放创新。针对中小企业需求和特点,政府可以提供定制化的数智化解决方案,帮助企业更好地利用数智技术提升供应链响应度,以应对市场快速变化和满足客户需求。

(3)融资环境层面。企业应充分发挥融资约束与环境竞争性的调节作用,探索多种融资方式,如股权融资、债务融资等,以降低融资约束对数智化转型的影响。多元化融资结构能够为企业提供更灵活的资金来源,支持企业技术研发和设备更新,助力企业数智化转型升级。同时,企业管理层需要充分认识到外部环境的不确定性,保持对外部环境的敏感性和洞察力,最大程度地降低环境不确定性带来的影响,确保企业稳定发展。

6.3 不足与展望

本文存在以下不足:第一,本研究主要从资源配置效率和创新能力两个方面探讨作用机制,未对资源配置效率和创新能力来源作进一步细分,未来可作细分或从其他视角进一步深入探讨数智化转型对制造企业全要素生产率的作用机制。第二,本研究使用Python软件收集2015—2022年中国A股制造业上市公司年报并建立文本数据,以衡量企业数字技术赋能水平和人工智能技术赋能赋智水平,对数智化相关特征词词库的选取可能存在偏差。未来可以扩充数据来源,更全面深入地评估制造企业数智化转型水平。第三,受限于数据可得性,结论普适性有限。未来可以基于非上市企业角度,探究数智化转型对非上市企业全要素生产率的影响效应。

参考文献：

[1] 欧阳日辉.数字经济的理论演进、内涵特征和发展规律[J].广东社会科学,2023,40(1):25-35.

[2] 刘伟.科学认识与切实发展新质生产力[J].经济研究,2024,59(3):4-11.

[3] 张志学,华中生,谢小云.数智时代人机协同的研究现状与未来方向[J].管理工程学报,2024,38(1):1-13.

[4] 陈晓东,杨晓霞.数字经济发展对产业结构升级的影响——基于灰关联熵与耗散结构理论的研究[J].改革,2021,34(3):26-39.

[5] 郭凯明.人工智能发展、产业结构转型升级与劳动收入份额变动[J].管理世界,2019,35(7):60-77.

[6] 李欢,李丹,王丹.客户效应与上市公司债务融资能力——来自我国供应链客户关系的证据[J].金融研究,2018,61(6):138-154.

[7] 简泽,张涛,伏玉林.进口自由化、竞争与本土企业的全要素生产率——基于中国加入WTO的一个自然实验[J].经济研究,2014,49(8):120-132.

[8] 张传洋,郭宇,庞宇飞,等.数智化医疗信息利用与服务模式框架构建[J].图书情报工作,2023,67(13):49-58.

[9] XU J. The connotation characteristics,realistic challenges and implementation path of digital intelligent transformation in manufacturing industry[J]. Industrial Engineering and Innovation Management,2024,7(1): 166-175.

[10] YONG S. A case study of intelligent manufacturing transformation framework for manufacturing enterprises[J]. Financial Engineering and Risk Management,2023,6(1): 15-19.

[11] 胡德龙,石满珍.数字经济对企业全要素生产率的影响研究[J].当代财经,2023,44(12):17-29.

[12] 沈坤荣,乔刚,林剑威.智能制造政策与中国企业高质量发展[J].数量经济技术经济研究,2024,41(2):5-25.

[13] ZHANG G,SHI Y,HUANG N. Government subsidies,green innovation,and firm total factor productivity of listed artificial intelligence firms in China[J]. Sustainability,2024,16(8): 2740-2760.

[14] 任胜钢,郑晶晶,刘东华,等.排污权交易机制是否提高了企业全要素生产率——来自中国上市公司的证据[J].中国工业经济,2019,37(5):5-23.

[15] CHENG Y,ZHOU X,LI Y. The effect of digital transformation on real economy enterprises' total factor productivity[J]. International Review of Economics &Finance,2023,85(3):488-501.

[16] 李金城,王林辉.工业智能化会引发新索洛悖论吗——来自城市层面的经验证据[J].东南大学学报(哲学社会科学版),2023,25(6):66-76.

[17] HUANG R,SHEN Z,YAO X. How does industrial intelligence affect total-factor energy productivity? evidence from China's manufacturing industry[J]. Computers &Industrial Engineering,2024,188(2): 821-830.

[18] 李逸飞,苏盖美,牛芮,等.智能化与制造企业创新[J].经济与管理研究,2023,44(8):3-16.

[19] PACK H. Endogenous growth theory: intellectual appeal and empirical shortcomings[J]. Journal of Economic Perspectives,1994,8(1): 55-72.

[20] 戴双兴.数据要素:主要特征、推动效应及发展路径[J].马克思主义与现实,2020,31(6):171-177.

[21] 杜传忠,疏爽.人工智能与经济高质量发展:机制、成效与政策取向[J].社会科学战线,2023,46(12):78-87.

[22] ISAKSSON A. Determinants of total factor productivity: a literature review[R].Vienna:United Nations Industrial Development Organisation, 2007.

[23] 沈坤荣,闫佳敏.数字技术与企业全要素生产率:影响效应与作用机制[J].财经论丛,2024,40(12):3-15.

[24] 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.

[25] 胡洁,韩一鸣,钟咏.企业数字化转型如何影响企业ESG表现——来自中国上市公司的证据[J].产业经济评论,2023,11(1):105-123.

[26] 李凤羽,杨墨竹.经济政策不确定性会抑制企业投资吗——基于中国经济政策不确定指数的实证研究[J].金融研究,2015,58(4):115-129.

[27] 肖曙光,彭文浩,黄晓凤.当前制造企业的融资约束是过度抑或不足——基于高质量发展要求的审视与评判[J].南开管理评论,2020,23(2):85-97.

[28] 王超,余典范,龙睿.经济政策不确定性与企业数字化——垫脚石还是绊脚石[J].经济管理,2023,45(6):79-100.

[29] 赵树宽,范雪媛,王泷,等.企业数字化转型与全要素生产率——基于创新绩效的中介效应[J].科技管理研究,2022,42(17):130-141.

[30] 温素彬,张金泉,焦然.智能制造、市场化程度与企业运营效率——基于A股制造业上市公司年报的文本分析[J].会计研究,2022,43(11):102-117.

[31] 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.

[32] 顾雷雷,郭建鸾,王鸿宇.企业社会责任、融资约束与企业金融化[J].金融研究,2020,63(2):109-127.

[33] PERESS J. Product market competition,insider trading,and stock market efficiency[J]. The Journal of Finance,2010,65(1):1-43.

[34] 赵文,张芳汀.数字经济的城乡收入分配效应研究[J].山东财经大学学报,2024,36(5):88-103.

[35] 连玉君,廖俊平.如何检验分组回归后的组间系数差异[J].郑州航空工业管理学院学报,2017,35(6):97-109.

[36] 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,2022,38(10):3-13.

[37] 宋冬林,丁文龙.以新质生产力为抓手实现东北振兴新突破[J].学术交流,2023,39(12):105-122.

[38] 宋佳,张金昌,潘艺.ESG发展对企业新质生产力影响的研究——来自中国A股上市企业的经验证据[J].当代经济管理,2024,46(6):1-11.

(责任编辑：张 悦)