How Intelligent Manufacturing Promotes Digital Transformation of Manufacturing Firms:Evidence from a Quasi-Natural Experiment based on China's Intelligent Manufacturing Pilot Demonstration Program

Zheng Junwei1, Cao Weixi1, Wan Pengyu2, Xiao Huan1

(1.School of Public Policy and Administration, Nanchang University, Nanchang 330031, China;2.School of Economics and Management, Chongqing Normal University,Chongqing 401331, China)

Abstract：Promoting the deep integration of the digital economy with the real economy is a central pathway to high-quality economic development, and digital transformation has become a strategic priority for manufacturing firms. However, this transition is fraught with challenges. Manufacturers often grapple with limited transformation capabilities, high transformation costs, and prolonged adjustment periods before benefits materialize. Investment in intelligent equipment, industrial software, data infrastructure, and human capital exposes them to uncertainty and resource pressure. Understanding how public policy can ease these constraints is therefore both a theoretical and practical concern.

Existing research on policy-driven corporate transformation has concentrated mainly on selective industrial policies, such as tax incentives and innovation subsidies, while functional industrial policies oriented toward long-term capability building have received much less attention. Intelligent manufacturing policy offers a useful setting to fill this gap. As a core component of China's Manufacturing Power Strategy, the Intelligent Manufacturing Pilot Demonstration Program guides firms toward intelligent production, digital management, and integrated manufacturing systems, providing a quasi-natural experiment for examining whether and how intelligent manufacturing policy drives enterprise digital transformation.

Using Shanghai and Shenzhen A-share listed manufacturing firms from 2010 to 2023, this study treats the Intelligent Manufacturing Pilot Demonstration Program as a quasi-natural experiment and applies a staggered difference-in-differences (DID) design to identify its causal effect on enterprise digital transformation. Drawing upon the pilot lists released by the Ministry of Industry and Information Technology from 2015 to 2018, 119 pilot firms are identified as the treatment group and 1 277 non-pilot firms as the control group. The dependent variable is constructed through text mining of annual reports and measures firms' digital transformation level by aggregating word frequencies across five dimensions:artificial intelligence, big data, cloud computing, blockchain, and digital technology applications. Causal inference is strengthened through placebo tests, propensity score matching (PSM), and double machine learning (DML) estimation.

The empirical results show that intelligent manufacturing policy significantly promotes enterprise digital transformation, and this finding remains robust across alternative tests and estimation strategies. The estimated effect is unlikely to be driven by random shocks, sample selection, or model specification, indicating that intelligent manufacturing policy channels firms' investment into digital technologies, intelligent production systems, and digitally oriented organizational capabilities. Mechanism analysis grounded in the resource-based view identifies two key channels through which the policy resolves resource conflicts in digital transformation. First, the policy alleviates financial constraints. Digital transformation requires large-scale resource input, and policy recognition improves access to financial resources while reducing investment pressure. Second, the policy optimizes human capital structure. Intelligent manufacturing requires employees with digital skills, technical expertise, and cross-functional collaboration capabilities, and policy support helps firms adjust workforce composition and attract high-skilled talent. Heterogeneity analysis shows that the driving effect is more pronounced among non-state-owned enterprises, technology-intensive firms, and firms located in eastern and western regions, indicating that ownership structure, technological attributes, and regional conditions jointly shape policy effectiveness. The policy also exhibits significant spatial spillover effects. It promotes digital transformation not only among pilot firms but also among non-pilot firms within the same city.

This study makes several contributions. It provides new evidence for the theoretical framework linking industrial policy with micro-level enterprise transformation by examining a functional industrial policy oriented toward long-term capability building, rather than the selective instruments emphasized in prior work. Its main innovation lies in shifting the analytical focus from selective policy incentives to functional industrial policy, and in revealing both the internal resource mechanisms and external spatial spillovers through which intelligent manufacturing policy promotes digital transformation. The study also deepens theoretical understanding of policy empowerment by identifying financing constraint alleviation and human capital optimization as the underlying mechanisms within a resource-based framework. By documenting heterogeneous boundaries and spatial spillover effects, the study supports more targeted industrial policy and firms' optimization of transformation paths. For policymakers, intelligent manufacturing policy should emphasize regional demonstration, knowledge diffusion, and industrial coordination. For enterprises, participation in intelligent manufacturing initiatives should be viewed as an opportunity to build durable internal capabilities for digital transformation.

Key Words：Intelligent Manufacturing; Digital Transformation; Quasi-natural Experiment; Staggered DID; Resource-based View

收稿日期：2026-01-06

修回日期：2026-04-02

基金项目：国家自然科学基金项目(72161021);江西省社会科学“十四五”基金项目(24GL11);江西省自然科学基金资助项目(20242BAB20011);重庆市教委人文社会科学研究重点项目(25SKGH040)

作者简介：郑俊巍(1989—),男,江西上饶人,博士,南昌大学公共政策与管理学院副教授,研究方向为技术创新与管理;曹未希(2002—),女,江西九江人,南昌大学公共政策与管理学院硕士研究生,研究方向为创新管理;万鹏宇(1992—),男,重庆人,博士,重庆师范大学经济与管理学院副教授,研究方向为组织行为;肖欢(1994—),女,江西吉安人,博士,南昌大学公共政策与管理学院助理研究员,研究方向为人才管理。

通讯作者：肖欢。

DOI：10.6049/kjjbydc.D42026010371

开放科学(资源服务)标识码(OSID)：

中图分类号：F425;F273.1

文献标识码：A

文章编号：1001-7348(2026)18-0111-12

0 引言

党的二十大报告强调,“高质量发展是全面建设社会主义现代化国家的首要任务”,“加快发展数字经济,促进数字经济和实体经济深度融合”。制造业企业数字化转型与发展水平,是支撑国家数字经济核心竞争力的关键基础,影响数字经济的长期可持续发展[1]。《2025年企业数字化转型指数报告》显示,“2025年已有25.1%的企业完成核心业务板块数字化场景的搭建、运行与迭代优化;全国已有15.08%的企业步入实质性转型阶段”。转型能力欠缺、成本较高、阵痛期较长的问题仍旧困扰着传统企业。数字化转型是一项复杂系统工程,面临战略认知、能力导向与制度结构等多方面的挑战与机遇,具有高综合性与复杂度[2]。从国家战略层面进行政策引导与赋能,对加速制造业数字化进程、稳固实体经济根基、塑造国际竞争新优势具有现实必要性与紧迫性。

智能革命为中国制造业转型升级提供了历史性机遇。智能制造作为全球制造业技术变革的主攻方向,也是我国制造强国战略的重要抓手与企业高质量发展的关键路径。我国在制度性改革中愈发重视推行“市场主导、政府引导”的功能型产业政策,通过完善市场机制、优化营商环境、支持技术创新与成果转化,推动创新驱动发展与产业升级。与通过优惠手段干预特定产业发展的选择性产业政策[3]或更广泛意义上的区域创新发展政策[4]不同,功能型产业政策更注重赋能而非干预,聚焦长期系统性发展目标。

现有关于企业数字化转型驱动因素的研究主要从内部治理和外部环境两个维度展开。从内部治理看,CEO知性特质对企业数字化转型具有复杂影响[5];具有信息技术背景的连锁董事能够通过增强进取式冒险意愿促进企业数字化转型[6]。从外部环境看,财政支出效率与税收优惠可显著提升企业数字化转型水平[7];政府创新补贴有助于增强企业管理层对数字化的关注、缓解技术资源约束,从而推动制造业企业转型[8]。单纯依靠企业自身力量难以突破各类瓶颈[9],需借助政策驱动,更加集约、高效地推进企业数字化进程[1]。文献梳理发现,关于制度驱动因素,多数研究聚焦于税收政策或创新发展政策的影响[4,10],较少从智能制造这一长期战略视角进行系统分析,对产业政策驱动企业数字化转型内在机制的探讨不足。此外,已有研究虽开始关注智能制造的政策效果,但多集中于降本增效、创新绩效等显性经济结果,相对忽略了数字化转型这一更深层、更具长期性的战略过程。智能制造政策如何影响企业数字化转型,其微观作用机制为何,仍需深入的经验证据与理论探索。

智能制造是一项系统性变革,而制造企业通常具有重资产属性,数字技术可能带来颠覆性改变,深刻影响企业原有制造能力、生产流程以及运营实践,企业资产和能力难以直接匹配数字化需求[9]。资源基础观强调企业可持续发展的关键在于获取特定资源与能力[11],能够解释企业如何通过关键资源获取,实现数字化转型的动态过程。本文聚焦于智能制造政策如何促进企业数字化转型,以智能制造试点示范行动为准自然实验,选取2010—2023年沪深A股制造业上市公司为研究样本,采用交叠双重差分法系统评估政策效果,检验智能制造能否通过缓解融资约束与优化人力资本结构破解企业转型困境。

本文可能的边际贡献在于:第一,拓展产业政策驱动企业数字化转型研究边界。现有研究聚焦于税收减免、创新补贴等选择性产业政策,本文从以长期系统性发展为目标的功能型产业政策切入,实证检验其对制造业企业数字化转型的制度驱动作用。第二,深化资源基础观在解释外部制度环境与企业战略变革关系中的应用。从微观机制上解构智能制造如何助力企业化解数字化转型过程中的关键资源冲突,发现其通过缓解企业融资约束和优化人力资本结构,推动数字化转型进程。第三,揭示智能制造的数字化转型驱动效应并不仅限于试点企业,还对同城市内其他企业存在溢出效应,并从企业所有制、要素密集类型和所在地区视角进行异质性分析,为政府制定精准扶持政策和企业优化转型路径提供决策依据。

1 理论分析与研究假设

1.1 智能制造对企业数字化转型的直接影响

数字化转型研究已逐渐从单向技术决定论视角,转向强调技术与组织共生演化的复杂系统视角。例如,在Vial[12]的过程性框架下,数字化转型是指从数字技术破坏到组织战略响应,不只是技术应用,更是涵盖生产流程革新、组织架构调整与价值创造新途径产生的系统性战略转型[13]。因此,要系统评估智能制造政策对企业数字化转型的影响,需考察政策如何在这三个核心维度上触发变革。

(1)智能制造政策驱动制造企业生产流程的数字化改造。在政策支持下,企业应用智能化生产方式,使生产过程更稳定高效,显著提升了资源配置效率。政策赋能制造企业开展柔性化生产,通过传感器、控制装置与工业软件的集成,将复杂流程解构为若干功能模块,并灵活组合以满足个性化生产需求[14]。智能制造还提升了制造企业数据采集与分析能力,增强实时感知与精准响应,推动其迈向以数据驱动为核心的数字化运营。

(2)智能制造政策引导企业组织结构与管理模式的数字化重塑。政策鼓励开发面向产品全生命周期和制造全过程的核心软件,引导制造企业引入人力资源管理系统(HRM)、资产绩效管理系统(APM)等先进管理工具,并在管理架构中部署大数据、云计算、物联网等数字技术,实现管理多场景智能化升级[15]。这些技术嵌入推动制造企业形成数据驱动的管理体系,促使信息在各组织部门间高速流通,打破原有部门“分离化”状态,而跨职能协作正是数字化转型的重要组成部分[16]。政策鼓励应用数字技术提炼、分析信息,帮助管理者综合各部门状况制定决策,从而建立扁平化管理架构,减少高层主观判断导致的决策偏差[14]。

(3)智能制造政策影响企业价值创造模式,深化数字化转型的战略内涵。政策明确鼓励从生产型制造向服务型制造转变,支持制造企业延伸服务链条。在政策引导下,企业借助数字技术将服务纳入核心价值主张[12],并高效采集客户行为数据与产品反馈。借助人工智能与数据挖掘,企业实时解析用户需求,提供更加个性化、动态化的解决方案,从而有效提升客户黏性与满意度。智能制造引导的数字技术升级还帮助企业突破传统渠道的中介结构,构建直达客户的交互机制,重塑价值网络中的角色与收益结构[17]。智能平台进一步激发客户参与产品定制与协同设计,推动企业从被动响应市场转向主动引导需求[14],拓展价值创造边界,标志着数字化转型在战略层面的深化。

数字化转型是企业战略转型,也是一场由技术推动,在生产流程、组织管理与价值创造三个维度上同步发生的系统性变革。智能制造通过传播与普及智能化、信息化等关键技术,从三个根本层面上提供持续变革动力。本文提出如下假设:

H1:智能制造对制造业企业数字化转型具有显著正向影响。

1.2 智能制造对企业数字化转型的影响机制

资源基础观(RBV)可为分析特定制度环境中组织所需资源提供基本思路。该理论认为,企业可持续发展的关键在于获取提升自身竞争力的特定资源与能力[18]。数字化转型作为涉及技术、流程与战略的系统性变革,其成功实施高度依赖于企业拥有相匹配的资源基础。然而,传统制造企业往往面临资源错配困境,单纯依赖内部积累难以在短期内突破瓶颈。智能制造政策的核心作用在于创造赋能型制度环境,通过缓解核心资源约束激发企业转型动力。

1.2.1 缓解融资约束

充裕稳定的现金流既是企业维持日常经营的重要保障,也是企业进行高风险、长周期战略性投资所需的关键财务冗余资源。智能制造拓展了制造企业融资可得性边界,为其获取数字化转型所需外部资金提供了重要条件。参与试点项目的制造企业需接受定期审查,通过政府背书向市场和金融机构传递出自身具备技术升级潜力与持续经营能力的正向信号,有助于提升股权和债务融资可得性[19]。在传统金融市场中,金融机构往往难以及时、准确地识别企业真实经营状况。信息不对称是导致金融供给与融资需求错配的重要原因之一。智能制造试点示范行动所伴随的项目申报、过程评估与绩效披露要求,有助于提升企业经营信息的透明度与可验证性,降低金融机构在识别企业高质量发展与项目风险时的信息壁垒,从而缓解企业面临的融资约束[20]。

数字化转型是高投入、长周期且具有不确定性的系统性变革,需要企业持续投入资金,用于数字基础设施建设、软件与平台部署、组织流程重构及相关能力培育等。当前,多数企业仍处于数字化转型起步阶段,较高的转型成本是导致企业“不想转”的重要现实障碍[1]。融资可得性的提升能够为企业提供资金保障,改善转型所需的资源条件,降低因资金不足导致的失败风险。本文提出如下假设:

H2:智能制造通过缓解融资约束促进制造业企业数字化转型。

1.2.2 优化人力资本结构

人力资本作为重要无形战略资源,其结构与水平直接影响企业创新能力及资源配置效率。《智能制造发展规划(2016—2020年)》提出,“鼓励有条件的高校、院所、企业建设智能制造实训基地,培养满足智能制造发展需求的高素质技术技能人才”。通过加强数字化技能培训,可缓解在数字化转型中面临的高技能人才供给不足问题,为优化人力资本结构提供支撑。智能制造还促进企业内部学习与技能重组。一方面,智能化设备与系统的引入,对企业现有员工技能结构提出了强制性升级要求,会提高技能劳动力占比。另一方面,为管理复杂的智能系统与跨部门数据流,企业需要打破部门壁垒,促进隐性知识交流与共享,进而培养员工系统思维与协同能力[21]。

数字化转型通常伴随着人才结构挑战,既有人才难以适应新系统和流程,新的高技能人才又难以引进和培育[13]。企业通过智能制造促使员工在与新技术、新流程持续互动中掌握具体技能,形成快速吸收和应用新数字技术的认知框架与行为模式,从而能够适应与应用大量自动化设备和数字基础设施。企业管理岗位也可由更多高素质管理人才胜任,当公司高层重视数字化转型并具备推动转型所需的相关技能与专业知识时,企业数字化转型也会更容易取得成功[22]。本文提出如下假设:

H3:智能制造通过优化人力资本结构促进制造业企业数字化转型。

2 研究设计

2.1 样本与数据

本文以2010—2023年沪深A股制造业上市公司作为研究样本,企业财务数据来源于国泰安CSMAR、同花顺iFinD数据库,员工结构数据来自万得WIND数据库,并对研究样本进行如下处理:剔除被标记为*ST和ST的企业;删除主要变量数据缺失的样本;在1%和99%水平对连续型变量进行缩尾处理;首次试点项目于2015年实施,故剔除2015年后上市的企业。根据2015—2018年工业和信息化部公布的智能制造试点示范项目名单,整理出研究样本中参与试点项目的企业作为处理组,有119家,其他企业则为对照组,有1 277家,共16 476个观测值。

2.2 模型构建

使用交叠双重差分法分析试点项目实施效果,将参与试点项目的制造业企业作为处理组,其他制造业企业作为对照组,具体模型设定如下:

digitalit=β0+β1treati×postit+controlit+δi+δt+εit

(1)

其中i、t分别表示企业和年份。digitalit为被解释变量,表示企业i在t年的数字化水平。估计系数β1反映试点项目对企业数字化转型的影响。controlit表示企业层面的控制变量。回归中加入企业、年份固定效应,分别用δi、δt表示,以进一步控制企业层面和时间层面的不可观测因素。εit为随机扰动项,考虑到智能制造试点示范行动在企业层面实施,故将标准误聚类至企业层面。

2.3 变量说明

(1)被解释变量。CSMAR数据库中“中国数字经济研究数据库”下的“上市公司数字化”模块从五个维度刻画上市公司数字化转型水平,挖掘年报中相应词汇的出现频率。这五个维度包括人工智能技术、大数据技术、云计算技术、区块链技术和数字技术应用,本文将这五个维度的词频汇总,使用总频次描述企业数字化转型水平(digital)。

(2)核心解释变量。采用交叠双重差分法设定模型中的核心解释变量treati×postit,treati为分组虚拟变量,若企业参与试点项目,则取值为1,否则为0。postit是时间虚拟变量,样本企业入选智能制造试点示范项目的当年及后续年度取值为1,入选前年度取值为0。该行动的实施涉及四个批次,分别于2015年、2016年、2017年和2018年开展。

(3)机制变量。参考现有研究,以SA指数的绝对值(SA)衡量企业融资约束,以企业技术员工占总员工的比值(Tech)、硕士研究生及以上学历人数占比(Master)衡量企业人力资本结构[23]。

(4)控制变量。参照相关研究,本文选取以下控制变量:企业上市年限(ListAge,企业上市年限的自然对数)、净资产收益率(ROE,净利润与股东权益平均余额之比)、现金流水平(cash,经营活动产生的现金流量净额与资产总计之比)、资本密集度(density,固定资产总额与员工总数比值的自然对数)、股权集中度(shrholder1,第一大股东持股比例)、成长性(growth,企业总资产增长率)、企业相对价值(tbq,托宾Q值)。

上述变量描述性统计结果见表1。

3 实证结果与分析

3.1 基准回归

回归结果如表2所示。列(1)只加入核心解释变量,treati×postit的系数为9.825,在1%水平上显著。列(2)加入控制变量,treati×postit的系数为9.949,在1%水平上显著。列(3)(4)分别加入年份、企业固定效应,treati×postit的系数分别为8.128和6.720,均在1%水平上显著。上述基准回归结果表明,智能制造试点示范行动实施后,相较于其他制造业企业,参与其中的制造业企业数字化水平显著提升,由此验证了H1,智能制造对制造业企业数字化转型具有显著正向影响。

3.2 平行趋势检验

(2)

其中,didi,j为虚拟变量,如果企业i在j期参与智能制造试点示范行动,则取值为1,否则为0。λj为重点关注系数,如果政策处理前的λj不显著,则平行趋势假设成立。考虑样本时间跨度与多重共线性,以政策发生前一期作为基准期,先计算政策实施前各期估计系数的均值,再从全时期估计系数及置信区间中扣除该均值[24],以缓解潜在事前趋势的影响。图1展示了政策实施前后,制造企业数字化水平变动趋势。政策实施前,处理组相较于对照组在数字化水平上无显著差异,满足平行趋势假设。政策实施后,处理组数字化水平较对照组明显提升,且关键系数显著大于0,表明智能制造显著促进了制造业企业数字化转型。

3.3 异质性处理效应检验

在交叠DID模型中,双向固定效应估计系数可分解为不同处理时点样本之间多组2×2 DID估计量的加权平均。其中,当较早受处理的样本被作为较晚处理样本的对照组时,若政策效应随时间或处理组别存在异质性,可能导致部分估计系数偏误甚至符号反转[25],进而影响总体估计结果。运用Bacon分解法对三类对照组进行检验,结果如表3所示,整体DID估计的主要来源是“从未受政策处理样本”作为对照组的估计结果,权重达98.9%,而可能带来偏误的组别权重占比极小。尽管处理效应的加权平均和总权重为1,但部分权重为负,当负权重占比较大时,模型估计结果可能不稳健。因此,采用Stata软件的twowayfeweights命令进行检验,结果显示,所有742个权重均为正,基准回归结果具有稳健性。

此外,本文还参照Callaway等[26]提出的CSDID方法,对交叠DID估计量的稳健性进行检验。该方法的核心思想是分别估计各组的处理效应,再加总计算样本期内的平均处理效应。结果如表 4所示,四种不同类型的平均处理效应均说明,智能制造政策可以显著提升制造业企业数字化转型水平。

3.4 稳健性检验

(1)安慰剂检验。为排除其他随机因素的干扰,借鉴现有做法[27],通过对样本随机抽样进行安慰剂检验。本文样本中受政策影响企业有119家,因而随机抽取119家企业作为伪处理组,并随机设定伪处理组受政策冲击时点,构建伪政策虚拟变量交互项进行安慰剂检验,基于模型(1)回归1 000次。结果如图2所示,数字化转型对伪政策虚拟变量的回归系数均值趋近于0,远小于基准回归系数6.720,且p值大多超过0.10,支持基准回归结果,进一步支持了智能制造政策显著促进企业数字化转型的研究结论。

(2)更换被解释变量度量方法。采用企业数字化转型词频替换被解释变量,数据来源于中国研究数据服务平台(CNRDS)中的年报关键词研究数据库(AKRD)。结果如表5列(1)所示,交乘项估计系数仍显著为正。

(3)更换聚类标准误。基准回归结果将标准误聚类到企业层面,考虑到各行业间的序列相关性,进一步在行业—年份层面对标准误进行稳健聚类。结果如表5列(2)所示,交乘项估计系数显著为正。

(4)内生性问题。智能制造试点企业本身可能是数字化转型基础较好、管理层更有远见或正在寻求转型的企业,因而可能存在互为因果的内生性问题。采用工具变量法进行再估计,借鉴现有研究思路[20,28],将企业所在地区2003年电信及其他信息传输服务业就业人员数量,与该企业上一年度是否被纳入智能制造试点示范项目的虚拟变量相乘形成交互项,以此作为智能制造的工具变量(IV),结果如表6所示。第一阶段回归中,工具变量的系数在1%水平上显著为正,表明地区电信及其他信息传输服务业就业历史条件与试点状态显著相关。Cragg-Donald Wald F统计量与Kleibergen-Paap rk Wald F统计量均远大于Stock-Yogo检验在10%水平上的临界值,拒绝弱工具变量的原假设。第二阶段估计结果显示,在控制内生性后,智能制造政策对企业数字化转型的促进效应依然显著为正,表明基准回归结果稳健。

采用PSM-DID方法进一步对潜在的样本选择问题进行缓解,使用1∶4最近邻匹配,以控制变量为协变量筛选最相似的对照组企业。匹配结果如表7所示,所有协变量的标准化偏差控制在10%以内,且t检验未拒绝处理组与对照组无显著差异的零假设。基于匹配样本的回归结果如表5列(3)所示,研究结果稳健。

(5)双重机器学习。采用双重机器学习模型(DML)进行再评估,其核心优势在于放宽了变量间的线性假设条件,允许非线性和交互影响存在,从而降低模型误设风险。此外,企业数字化转型还受诸多因素影响,但过多控制变量可能引发“维数诅咒”。DML的正则化算法能够高效识别高维控制变量中预测效能显著的关键特征,实现变量自动筛选,缓解因控制变量有限导致的估计有偏问题。构建部分线性的双重机器学习模型(3)以及辅助回归模型(4)[29]:

digitalit= θ0treati×postit+g0(Xit)+Uit

(3)

E(Uit|treati×postit,Xit)=0

(4)

treati×postit= m0(Xit)+Vit,E(Vit|Xit)=0

(5)

Xit为高维控制变量集合,是通过g0(Xit)影响digitalit的协变量,采用机器学习算法估计g0(Xit)的具体形式。Uit为误差项,条件均值为0。m0(Xit)为处理变量对高维控制变量的回归函数,同样采用机器学习估计其具体形式。Vit为误差项,条件均值为0。

采用随机森林算法,按照1∶4的样本分割比例进行回归,结果如表5所示,列(4)加入年份、企业固定效应,以及控制变量一次项;列(5)继续加入控制变量二次项。结果显示,交乘项回归系数均在1%水平上显著为正,表明基准回归结论稳健可信。

4 进一步研究

4.1 机制检验

为检验智能制造影响制造业企业数字化转型的具体传导机制,借鉴现有研究构建如下模型[30]:

Mediatorit=ρ0+ρ1treati×postit+controlit+δi+δt+εit

(6)

digitalit=θ0+θ1Mediatorit+θ2treati×postit+controlit+δi+δt+εit

(7)

Mediator表示机制变量。模型(6)(7)中其他设定与基准回归模型(1)一致。

(1)缓解融资约束。采用SA指数绝对值(SA)度量企业融资约束[23],绝对值越大,表明企业面临的融资约束越严重。表8列(1)中,treati×postit对SA的回归系数在1%水平上显著为负,智能制造政策能够有效缓解企业面临的融资约束,而列(2)中,SA的回归系数为负且不显著,故进行Bootstrap检验,结果显示,间接效应置信区间不包含0,表明缓解融资约束的间接效应显著。表8列(2)中,treati×postit的系数显著为正,Bootstrap置信区间也不包含0,直接效应显著,即智能制造通过缓解融资约束显著促进企业数字化转型。

(2)优化人力资本结构。企业人力资本结构常从技能与学历水平角度衡量,本文使用企业技术员工占总员工的比值(Tech)、硕士研究生及以上学历人数占比(Master)衡量人力资本结构。表 8列(3)～(6)分别报告了对两个人力资本结构变量影响的回归结果。列(3)中treati×postit的系数为正但不显著,而列(4)treati×postit与Tech的系数均显著为正,故进行Bootstrap检验,结果表明,间接效应与直接效应均显著;列(5)中treati×postit的系数显著为正,列(6)中Master的系数为正但不显著,故进行Bootstrap检验,结果表明,间接效应显著。同时,列(6)treati×postit对digital的回归系数显著为正,直接效应显著。综上,优化人力资本结构同样在智能制造与制造业企业数字化转型间起部分中介作用。

4.2 异质性分析

(1)所有制异质性。将样本企业按所有制类型划分为国有企业和非国有企业进行回归,结果见表9列(1)(2)。智能制造显著促进非国有企业数字化转型,而对国有企业数字化转型的影响不显著,原因可能在于:非国有企业以市场化经营为导向,管理层激励与经营绩效联系更为紧密,对政策信号的响应更为敏锐。同时,其决策及用人机制更为灵活,能够较快将政策引导下的人力资本投入转化为生产力。此外,非国有企业往往面临的融资约束更强,智能制造政策通过政府背书等方式改善融资条件,对其融资可得性的边际作用更为明显。相比之下,国有企业通常承担经济绩效、社会稳定和战略安全等多重目标,数字化转型需要与经营稳定、就业保障等目标统筹协调。同时,数字化转型具有投入规模大、回报周期长和收益不确定等特征,经营者承担的转型风险与可获得的长期收益难以完全匹配[31]。在中长期激励不足情况下,国企经营者任期考核与数字化转型长期收益之间可能存在期限错配,从而降低其数字化投入意愿。组织层面,国有企业科层化程度相对较高,数字化转型所要求的灵活响应和既有组织流程之间存在一定适配成本,也在一定程度上削弱了智能制造政策的促进作用。

(2)技术密集型异质性。根据中国证监会发布的《上市公司行业分类指引》(2012年修订),将样本分为技术密集型企业和非技术密集型企业,结果见表9列(3)(4)。技术密集型企业交乘项系数显著为正,而非技术密集型企业交乘项系数为正但不显著,原因可能在于,技术密集型企业内部通常具备成熟的创新生态,研发团队对新技术的吸收能力更强,产品升级、服务创新也与这类企业的核心竞争力提升需求高度契合;同时,这类企业对高技能人才的吸纳能力与组织适配性较强,智能制造政策所推动的产学研合作与人才培训,能够有效转化为人力资本结构的实质性升级,从而支撑数字化转型。相比之下,非技术密集型企业技术基础薄弱,核心业务对创新的依赖度较低,推进转型需投入大量资金改造设备、重构业务流程,前期成本压力较大。转型收益感知不明确,企业缺乏主动转型的内在动力,因而政策效应未显现。

(3)地区异质性。根据企业注册地所在地区将样本划分为东部地区、中部地区和西部地区,考虑到东北地区样本量有限,本文将辽宁省纳入东部地区,将吉林省和黑龙江省纳入中部地区进行回归,结果如表9列(5)～(7)所示。智能制造政策对东部地区企业和西部地区企业数字化转型均具有显著促进作用,而对中部地区企业数字化转型影响不显著。这一异质性格局可能源于区域发展阶段差异。东部沿海地区作为创新前沿和现代化经济体系的引领者,已基本实现从要素驱动向创新驱动、从同质化竞争向差异化分工转向[32]。其发达的先进制造业集群为智能制造政策提供了成熟的产业生态,政策红利得以高效释放。西部地区发展水平相对滞后,在国家区域协调发展战略指引下以追赶式发展为主要方向。现有研究也表明,在区域异质性框架下,政府支持政策对企业创新投入的促进效应在西部地区最为显著[33],政策在资源约束强、诉求高的地区能产生更强的边际驱动效应。中部地区效应不显著的原因可能在于:相较于东部地区,中部地区制造业转型基础相对薄弱,企业对智能制造政策所带来的人力资本改善和融资支持的吸收能力相对有限。同时,传统制造企业数字化改造投入较大、调整周期较长,政策激励难以在短期内充分转化为数字化转型成效,因而未表现出显著促进作用。

4.3 城市内溢出效应分析

智能制造试点示范行动的重要目标之一,是发挥试点企业的示范带头作用,通过以点带面促进非试点企业的智能化转型[15]。获评企业不仅在政策扶持等方面具备优势,还能缓解本地企业面临的转型不确定性,从而带动同城市内其他企业数字化转型。为研究试点项目对同城市内非试点企业的潜在影响,参考现有研究[34],剔除样本内直接参与试点的企业,以非试点企业为研究样本,构建如下模型进行估计:

digitalict=γ0+γ1spilloverict+controlict+δi+δp+δt+εit

(8)

下标i、c、t分别代表企业、城市与年份。核心解释变量spilloverict为城市层面的溢出虚拟变量,若样本企业所在城市首次出现智能制造试点示范企业,当年及之后取1,否则为0。controlict在企业层面控制变量的基础上进一步加入城市层面控制变量,包括人均GDP、互联网用户数、地方财政一般预算内支出以及当年实际使用外资金额[34],数据来源于《中国城市统计年鉴》。同时,控制省份固定效应δp。表10列(1)～(3)逐步加入控制变量与省份固定效应,结果显示,spillover的系数均显著为正,表明政策对同城市非试点企业存在正向溢出效应。

为增强识别策略的严谨性,进一步控制可能影响估计结果的潜在因素。首先,考虑产业集聚因素,既有研究指出,制造业集聚能够通过知识溢出、要素流动影响企业技术创新与升级[35],忽略该因素或导致误估。借鉴已有研究,采用制造业区位熵衡量产业集聚水平(Aggre)[36]:

(9)

其中,Aggre表示产业集聚水平,表示城市c制造业从业人数,ec为城市c总从业人数,Em表示全国制造业从业人数,E为全国从业人数。回归结果如表10列(4)所示,在控制产业集聚水平后,spillover的系数仍显著为正,表明政策溢出效应独立于产业集聚环境。

其次,控制同期实施的其他类似政策。如表10列(5)(6)所示,分别引入“国家大数据综合试验区”和“国家智慧城市试点”政策虚拟变量。结果显示,spillover的系数均显著为正。列(7)的全模型同时纳入产业集聚变量和上述两个政策变量,核心解释变量的系数为1.753且在1%水平上显著。综上,在控制产业集聚和竞争性政策后,核心结论依然稳健,表明智能制造试点示范行动能够显著拉动同城市非试点企业数字化转型,体现正向政策溢出效应。

5 结语

5.1 结论

本文基于资源基础观,以2010—2023年沪深A股制造业上市公司为样本,以智能制造试点示范行动作为准自然实验,采用交叠双重差分法研究智能制造对企业数字化转型的影响及作用机制,得出以下结论:

(1)智能制造政策显著促进了制造业企业数字化转型。以往研究聚焦于税收减免、专项补贴等选择性产业政策[3,10],强调通过资源配置降低企业创新成本、改善创新条件,进而促进企业创新。本文从长期系统性发展的功能型产业政策切入,将分析维度拓展至“数字化转型”这一深层战略过程,证实了“市场主导、政府引导”的功能型产业政策能够有效驱动企业数字化变革。该结论经过安慰剂检验、倾向得分匹配、双重机器学习等一系列稳健性检验后依然成立。

(2)智能制造政策通过缓解融资约束和优化人力资本结构两条路径,帮助企业突破数字化转型中的关键资源瓶颈。机制分析表明,政策赋能带来融资可得性提升,为企业提供长期数字化投入所需的财务冗余,这与尹洪英等[20]的研究结论较为一致;政策引导下的人力资本结构优化,则为数字化转型注入高技能人才这一核心战略资源。从资源重构视角揭示了政策赋能向企业转型传导的中间逻辑,也深化了资源基础观在解释外部制度环境如何影响企业战略变革中的应用。

(3)本文系统识别了智能制造政策效果的空间外溢性与异质性边界。一方面,区别于以往聚焦政策直接受惠者的研究[19],本文揭示了智能制造政策的城市内溢出效应,试点企业作为本地化示范锚点,其转型实践带动了区域内非试点企业转型进程,凸显了产业政策在培育区域创新生态中的系统价值,深化了对政策溢出效应的理论认知。另一方面,异质性分析表明,在非国有企业、技术密集型企业和东西部地区企业,智能制造对企业数字化转型的促进作用更为显著,说明政策效果因企业禀赋和区域环境不同而存在差异。上述发现进一步表明,产业政策对数字化转型的影响具有明显的情境依赖性,为制定更具针对性的政策提供了经验依据。

5.2 政策建议

(1)强化智能制造试点的示范引领与生态构建功能。政府在持续推进并优化政策行动的同时,可构建以试点企业为核心的数字化转型产业集群生态。鼓励试点企业向产业链上下游开放数字化解决方案,并将带动本地产业链转型的成效纳入试点企业考核与激励体系。同时,由政府或行业协会牵头,联合试点企业、技术服务商及高校,搭建区域性的数字化转型公共服务平台,强化由点及面的辐射效应。

(2)进一步强化政策对缓解融资约束与优化人力资本结构的赋能效应。在融资支持方面,引导金融机构开发智能制造专项信贷产品,并将试点企业数字化改造成效纳入授信评估体系;对转型投入较大的技术密集型企业,可通过风险补偿、贴息支持等方式降低信贷风险。在人才保障方面,将数字化人才培养作为试点项目配套内容和验收指标,推动“政—企—校”协同培养复合型数字人才。

(3)在政策实施中遵循差异化原则,因地制宜、因企施策。对非国有企业与技术密集型企业,政策重点转向赋能升级,支持其开展更深层次的工业互联网、人工智能融合应用,鼓励其参与标准制定,打造行业数字化“灯塔”。对转型意愿不足的非技术密集型企业与部分传统国有企业,可设计分步普及路径,先支持自动化改造与基础信息化部署,再引导其向数据驱动和系统集成迈进。对中部地区企业,引导企业结合自身优势,将部分特色产业作为数字化转型的主攻方向,避免同质化竞争,实现差异化崛起。

5.3 不足与展望

本文存在以下不足:本研究采用准自然实验设计,并运用交叠双重差分法、PSM-DID等方法缓解内生性,但试点企业的遴选仍可能受自身不可观测特征(如转型意愿、管理层战略远见等)影响,导致自选择偏误。未来可进一步控制这类不可观测特征,或采用更严格的识别策略。在变量测量方面,机制变量的代理指标存在一定局限性,本文融资约束与人力资本结构衡量指标,受限于上市公司公开数据的披露范围,可能未完全契合智能制造政策影响路径的内涵,后续可通过地方政策配套统计台账或行业协会专项报告等,获取更贴近变量本质的微观数据,例如数字化岗位人员的技能认证情况等,以提升变量测度精度。在作用机制层面,智能制造对制造业企业数字化转型的影响路径具有多元化特征,除企业内部资源能力因素外,组织层面的变革意愿与管理认知等因素也可能发挥重要作用,未来可进一步深化智能制造影响企业数字化转型的理论机制研究。

参考文献:

[1] 孙伟增, 毛宁, 兰峰, 等. 政策赋能、数字生态与企业数字化转型——基于国家大数据综合试验区的准自然实验[J].中国工业经济, 2023, 41(9):117-135.

[2] 余菲菲, 蒋庆. 大数据分析能力对企业数字化转型的影响:地方政策感知的调节效应[J].科技进步与对策, 2024, 41(3):12-22.

[3] 李海艳, 周泳宏, 殷培焱. 税收政策如何促进企业数字化转型——基于多资源视角的机制分析[J].产经评论, 2025, 16(2):81-99.

[4] 王杰, 王军. 创新驱动政策对企业数字化转型的影响研究[J].数理统计与管理, 2025, 44(5):899-915.

[5] 喻登科, 祝可, 肖欢. CEO知性特质与企业数字化转型关系研究[J].科技进步与对策, 2025, 42(10):127-137.

[6] 李京, 林春培, 杨春羽, 等. 连锁董事信息技术背景能否促进企业数字化转型[J].科技进步与对策, 2025, 42(22):66-77.

[7] 陈蕾, 毛宇凯, 钟笑雪. 财政支出效率如何提升企业数字化转型水平?[J].首都经济贸易大学学报, 2025, 27(5):20-35.

[8] 杜传忠, 王纯, 郭树龙. 政府创新补贴对制造业企业数字化转型的影响研究[J].财政研究, 2023, 44(12):69-82.

[9] 王稳华, 陆岷峰, 朱震. “数字中国”背景下战略联盟与企业数字化转型——影响效应及驱动机制[J].科技进步与对策, 2024, 41(9):13-23.

[10] 卢小祁, 俞毛毛. 减税政策对企业数字化转型的影响路径研究——基于增值税税率降低的视角[J].当代财经, 2023, 44(10):30-43.

[11] BARNEY J. Firm resources and sustained competitive advantage[J].Journal of Management, 1991, 17(1):99-120.

[12] VIAL G. Understanding digital transformation:a review and a research agenda[J].The Journal of Strategic Information Systems, 2019, 28(2):118-144.

[13] MATT C, HESS T, BENLIAN A. Digital transformation strategies[J].Business &Information Systems Engineering, 2015, 57(5):339-343.

[14] 黄卓, 陶云清, 刘兆达, 等. 智能制造如何提升企业产能利用率——基于产消合一的视角[J].管理世界, 2024, 40(5):40-57.

[15] 辛大楞, 季存睿, 辛立国. 智能转型对企业出口规模的影响研究:基于“智能制造试点示范专项行动”的准自然实验[J].世界经济研究, 2024, 40(6):45-59, 136.

[16] MAEDCHE A. Interview with Michael nilles on "what makes leaders successful in the age of the digital transformation?"[J].Business &Information Systems Engineering, 2016, 58(4):287-289.

[17] HANSEN R N, KIEN S S. Hummel's digital transformation toward omnichannel retailing:key lessons learned[J].MIS Quarterly Executive, 2015, 14(2):51-66.

[18] WERNERFELT B. A resource-based view of the firm[J].Strategic Management Journal, 1984, 5(2):171-180.

[19] 苏毓敏, 刘镇玮, 王玮. 智能制造产业政策对企业数字技术创新的影响研究[J].金融与经济, 2024,45(6):74-83.

[20] 尹洪英, 李闯. 智能制造赋能企业创新了吗?——基于中国智能制造试点项目的准自然试验[J].金融研究, 2022, 65(10):98-116.

[21] HAN H, TRIMI S. Towards a data science platform for improving SME collaboration through Industry 4.0 technologies[J].Technological Forecasting and Social Change, 2022, 174:121242.

[22] 童雨. 中国制造业数字化转型的影响因素研究[J].技术经济与管理研究, 2022,43(3):124-128.

[23] 王梓琪, 周国富. 数字化转型与制造业供应链韧性[J].统计研究, 2025, 42(9):17-30.

[24] 刘胜, 温锡峰, 陈秀英. 循环经济政策与中国企业环境绩效:助推器抑或绊脚石?[J].经济学报, 2023, 10(2):175-210.

[25] GOODMAN-BACON A.Difference-in-differences with variation in treatment timing[J].Journal of Econometrics, 2021,225(2):254-277.

[26] CALLAWAY B, SANT'ANNA P H C. Difference-in-differences with multiple time periods[J].Journal of Econometrics, 2021, 225(2):200-230.

[27] 赵春明, 杨宏举. 数字基础设施建设提升产业链供应链韧性了吗[J].当代财经, 2025, 46(9):112-125.

[28] 钟肖英, 陈鹏. 贸易新业态与城市财政收入——来自跨境电子商务综合试验区的证据[J].国际商务(对外经济贸易大学学报), 2025, 39(4):22-42.

[29] CHERNOZHUKOV V, CHETVERIKOV D, DEMIRER M, et al. Double/debiased machine learning for treatment and structural parameters[J].The Econometrics Journal, 2018, 21(1):1-68.

[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.

[31] 吴延兵. 国有企业双重效率损失研究[J].经济研究, 2012, 47(3):15-27.

[32] 孙久文. 高质量发展:区域发展转向与沿海地区的路径选择[J].广东社会科学, 2025, 42(6):5-17.

[33] 姚金海, 钟国辉. 政府支持、金融环境对企业创新投入影响的实证分析[J].深圳大学学报(人文社会科学版), 2022, 39(4):64-73.

[34] 皮建才, 罗禹涵. 智能制造试点示范溢出与关键技术创新[J].经济理论与经济管理, 2025, 45(1):55-72.

[35] 纪玉俊, 宋皓. 制造业集聚如何赋能企业绿色创新?[J].南京审计大学学报, 2025, 22(5):100-111.

[36] 张治栋, 吴迪. 产业空间集聚、要素流动与区域平衡发展——基于长江经济带城市经济发展差距的视角[J].经济体制改革, 2019, 37(4):42-48.

(责任编辑：张 悦)