非工業(yè)企業(yè)數(shù)字化轉(zhuǎn)型的生產(chǎn)效率差異分析
——基于A股上市企業(yè)的準自然實驗

潘 藝，張金昌，黃 靜

（1.中國社會科學院大學 研究生院，北京 102488；2.中國社會科學院 工業(yè)經(jīng)濟研究所，北京 100006）

一、引 言

2015年初，李克強總理在政府工作報告中提出“大力調(diào)整產(chǎn)業(yè)結(jié)構(gòu)，支持發(fā)展移動互聯(lián)網(wǎng)新興產(chǎn)業(yè)”的目標。同年，《國務院關(guān)于促進云計算創(chuàng)新發(fā)展培育信息產(chǎn)業(yè)新業(yè)態(tài)的意見》（國發(fā)〔2015〕5號）《國務院關(guān)于積極推進“互聯(lián)網(wǎng)+”行動的指導意見》（國發(fā)〔2015〕40號）《國務院關(guān)于印發(fā)促進大數(shù)據(jù)發(fā)展行動綱要的通知》（國發(fā)〔2015〕50號）等一系列促進企業(yè)數(shù)字化轉(zhuǎn)型的政策文件先后出臺，標志著我國企業(yè)步入數(shù)字化轉(zhuǎn)型新階段。數(shù)字化轉(zhuǎn)型是將附帶數(shù)字化的無形生產(chǎn)要素通過互聯(lián)網(wǎng)+、云計算、人工智能、大數(shù)據(jù)等數(shù)字技術(shù)應用到企業(yè)的過程。數(shù)字化轉(zhuǎn)型使企業(yè)的生產(chǎn)、銷售、管理等活動實現(xiàn)了與互聯(lián)網(wǎng)、云計算、人工智能、大數(shù)據(jù)等技術(shù)的有機結(jié)合。自2015年后，我國數(shù)字化轉(zhuǎn)型發(fā)展迅速。據(jù)統(tǒng)計，2016—2019年我國數(shù)字化轉(zhuǎn)型平均增速高達17.3%，到2019年末數(shù)字化轉(zhuǎn)型規(guī)模占GDP比重為36.2%（1）。近幾年，我國數(shù)字化轉(zhuǎn)型的增速和規(guī)模都超過了美國［1］。

數(shù)字化轉(zhuǎn)型對經(jīng)濟發(fā)展的影響引起了學者們的廣泛關(guān)注。有學者從宏觀層面研究發(fā)現(xiàn)，數(shù)字化轉(zhuǎn)型能有效提升各省市的經(jīng)濟發(fā)展［2-5］；有學者從微觀角度研究發(fā)現(xiàn)，數(shù)字化轉(zhuǎn)型能提升上市企業(yè)的業(yè)績水平［6-7］；有學者研究發(fā)現(xiàn)，制造業(yè)企業(yè)的數(shù)字化轉(zhuǎn)型能有效提高企業(yè)生產(chǎn)效率，進而提升企業(yè)經(jīng)濟效益［8-12］；也有學者指出，數(shù)字化轉(zhuǎn)型帶來的更多改變發(fā)生在服務業(yè)，服務業(yè)的數(shù)字化轉(zhuǎn)型，使過去難以提供大規(guī)模服務的領(lǐng)域也可以實現(xiàn)規(guī)模經(jīng)濟，產(chǎn)生規(guī)模效益。總體來說，數(shù)字化轉(zhuǎn)型對微觀經(jīng)濟發(fā)展影響的研究大多集中在以制造業(yè)為主的工業(yè)行業(yè)，針對服務業(yè)等非工業(yè)行業(yè)的研究較少。而從國家統(tǒng)計局公布的行業(yè)發(fā)展數(shù)據(jù)來看，我國經(jīng)濟主要由19個行業(yè)組成，其中包括3個工業(yè)行業(yè)、16個非工業(yè)行業(yè)。工業(yè)行業(yè)共有364.80萬家企業(yè)，非工業(yè)行業(yè)共有2 163.22萬家企業(yè)，占比分別為14.43%和85.57%（2），工業(yè)企業(yè)增加值為313 071.1億元，非工業(yè)企業(yè)增加值為702 915.1億元，分別占30.81%和69.19%（3），可見，無論是從企業(yè)數(shù)量還是企業(yè)規(guī)模來看，非工業(yè)企業(yè)在我國經(jīng)濟中占有重要的地位。因此，研究我國非工業(yè)企業(yè)數(shù)字化轉(zhuǎn)型對其生產(chǎn)效率的影響具有重要的現(xiàn)實意義。

本文選取2010—2020年中國A股上市企業(yè)數(shù)據(jù)，并以2015年作為我國數(shù)字化轉(zhuǎn)型的起始年份，運用雙重差分法評估2010—2020年的數(shù)字化轉(zhuǎn)型對非工業(yè)企業(yè)生產(chǎn)效率的影響，并且對不同規(guī)模、不同所有制、不同區(qū)域、不同密集度、不同行業(yè)的非工業(yè)企業(yè)的影響情況進行綜合分析，以探究數(shù)字化轉(zhuǎn)型在這些方面對非工業(yè)企業(yè)生產(chǎn)效率的影響差異，并提出政策建議。本文的邊際貢獻在于：①首次考察了數(shù)字化轉(zhuǎn)型對非工業(yè)企業(yè)生產(chǎn)效率的影響，彌補了這一領(lǐng)域的研究不足。②從企業(yè)規(guī)模、所有制、密集度、地區(qū)、行業(yè)分類五個維度，分析了數(shù)字化轉(zhuǎn)型對非工業(yè)上市企業(yè)生產(chǎn)效率的影響，揭示了數(shù)字化轉(zhuǎn)型對不同類型非工業(yè)企業(yè)生產(chǎn)效率的影響差異。③首次從現(xiàn)金流視角估計了企業(yè)的全要素生產(chǎn)率，豐富了全要素生產(chǎn)率的估計方法。

二、文獻綜述和研究假設

（一）文獻綜述

企業(yè)數(shù)字化發(fā)展始于2000年以來互聯(lián)網(wǎng)的普及，近年來，隨著大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)、人工智能、5G、區(qū)塊鏈等新一代數(shù)字技術(shù)的快速發(fā)展，企業(yè)數(shù)字技術(shù)應用對其生產(chǎn)效率的影響已引起學者的廣泛重視。目前，整體性研究主要包括以下兩個方面的結(jié)論。

第一，數(shù)字化轉(zhuǎn)型對生產(chǎn)效率有積極作用。如Basu和Fernald［13］對比美國2000年前后的企業(yè)變化發(fā)現(xiàn)，數(shù)字化轉(zhuǎn)型所伴生的新商業(yè)模式與新業(yè)態(tài)不僅可以促進生產(chǎn)效率提升，還可以通過減少信息不對稱與優(yōu)化資源配置提高經(jīng)濟市場的運行效率；Jorgenson等［14］通過考察1960—2005年85個組成行業(yè)的投入、產(chǎn)出和生產(chǎn)率增長發(fā)現(xiàn)，數(shù)字科技通過滲透到不同的行業(yè)與環(huán)節(jié)，通過對企業(yè)載體的信息化、數(shù)字化、智能化改造升級，可以大幅提升現(xiàn)有供給市場的生產(chǎn)效率；Graetz和Michaels［15］基于工業(yè)機器人使用角度，發(fā)現(xiàn)人工智能技術(shù)能夠通過節(jié)約勞動成本、提高生產(chǎn)過程精準度、加劇行業(yè)競爭等途徑推動生產(chǎn)率提升；王開科等［16］研究指出，數(shù)字化轉(zhuǎn)型與傳統(tǒng)經(jīng)濟的融合發(fā)展，顯著促進了新產(chǎn)業(yè)、新模式和新業(yè)態(tài)的創(chuàng)新發(fā)展，加速了產(chǎn)業(yè)轉(zhuǎn)型升級節(jié)奏，有效改善了生產(chǎn)效率；楊慧梅和江璐［17］基于2004—2017年我國省際層面數(shù)據(jù)研究發(fā)現(xiàn)，數(shù)字化轉(zhuǎn)型能夠通過刺激人力資本投資和推動產(chǎn)業(yè)結(jié)構(gòu)升級兩種途徑促進生產(chǎn)效率的提升；邱子迅和周亞虹［18］將國家級大數(shù)據(jù)綜合試驗區(qū)的設立作為衡量數(shù)字化轉(zhuǎn)型發(fā)展的一項準自然實驗，采用雙重差分法研究發(fā)現(xiàn)，建立大數(shù)據(jù)試驗區(qū)能夠顯著促進地區(qū)技術(shù)進步，進而有效提高地區(qū)生產(chǎn)效率。

第二，數(shù)字化轉(zhuǎn)型對生產(chǎn)效率有消極作用。如Acemoglu和Restrepo［19］通過對人工智能技術(shù)的研究認為，人工智能技術(shù)如果過度使用會對中低端勞動力產(chǎn)生一定的替代效應，導致資本與勞動配置失當，從而損害生產(chǎn)效率；陳叢波和葉阿忠［20］基于長三角地區(qū)省級和城市層面數(shù)據(jù)分析表明，在省級層面，數(shù)字化轉(zhuǎn)型在短期內(nèi)可能對本地和鄰近省份的經(jīng)濟韌性產(chǎn)生不利影響；王玉和張占斌［21］以2010—2018年中國7大城市群作為研究對象，通過實證研究發(fā)現(xiàn)，哈長、中原、成渝一體化水平有所下降，數(shù)字化轉(zhuǎn)型會抑制城市群區(qū)域經(jīng)濟增長一體化水平；劉達禹等［22］研究發(fā)現(xiàn)，數(shù)字化轉(zhuǎn)型對生產(chǎn)效率的提升和經(jīng)濟增長的拉動作用存在顯著的規(guī)模瓶頸效應；郭家堂和駱品亮［23］、李曉鐘和李俊雨［24］、樊軼俠和徐昊［25］研究發(fā)現(xiàn)，企業(yè)數(shù)字化轉(zhuǎn)型和生產(chǎn)效率存在“倒U”型非線性關(guān)系。

除上述整體性研究之外，學者們還進行了其他分類研究：①分行業(yè)的研究。續(xù)繼和唐琦［8］、焦勇［9］、李春發(fā)等［10］、黨琳等［11］、蔡延澤等［12］、李捷等［26］主要針對制造業(yè)企業(yè)進行了研究，發(fā)現(xiàn)數(shù)字化轉(zhuǎn)型對提升制造業(yè)企業(yè)的績效有明顯促進作用；鄭季良和亢華聰［27］對金屬制品等6個裝備制造業(yè)的研究發(fā)現(xiàn)，數(shù)字化轉(zhuǎn)型明顯提升了裝備制造業(yè)的生產(chǎn)效率。②分地區(qū)的研究。李英杰和韓平［28］研究發(fā)現(xiàn)，數(shù)字化轉(zhuǎn)型對產(chǎn)業(yè)結(jié)構(gòu)的影響存在一定地域差異，東中部地區(qū)的產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化升級比西部地區(qū)的效果更為明顯；李政和楊思瑩［29］、韋莊禹等［30］、張焱［31］研究發(fā)現(xiàn)，東部地區(qū)數(shù)字化轉(zhuǎn)型對企業(yè)創(chuàng)新、生產(chǎn)效率改進的效果比其他地區(qū)更大。此外，趙宸宇等［32］對不同規(guī)模、不同所有制、不同勞動密集度企業(yè)的差異進行了研究，發(fā)現(xiàn)數(shù)字化轉(zhuǎn)型對大型企業(yè)的生產(chǎn)效率提升作用大于中小型企業(yè)，對國有企業(yè)的生產(chǎn)效率提升作用大于非國有企業(yè)，對勞動密集型企業(yè)的生產(chǎn)效率提升作用大于技術(shù)密集型企業(yè)。

從上述文獻來看，目前針對企業(yè)數(shù)字化轉(zhuǎn)型的研究存在的問題是：①數(shù)字化轉(zhuǎn)型對生產(chǎn)效率影響結(jié)論并不統(tǒng)一，正面影響和負面影響的結(jié)論并存。②分行業(yè)的研究主要集中于制造業(yè)，其他行業(yè)的研究相對匱乏。③針對分地區(qū)的企業(yè)異質(zhì)性研究較多，但針對規(guī)模差異、所有制差異、勞動密集度差異的異質(zhì)性研究文獻較少。本文將使用非工業(yè)企業(yè)數(shù)據(jù)開展進一步的研究，期望豐富現(xiàn)有研究成果。

（二）研究假設

我國企業(yè)的信息化發(fā)展起步于20世紀80年代，2010年我國信息化水平已經(jīng)超過了世界平均水平并達到了世界中等發(fā)達國家水平（4），2015年已進入全球領(lǐng)先位置，并在智能終端、云計算、大數(shù)據(jù)、衛(wèi)星導航等領(lǐng)域逐步實現(xiàn)從模仿到超越、從引進吸收到自主創(chuàng)新的轉(zhuǎn)化（5），這為我國企業(yè)數(shù)字化轉(zhuǎn)型的廣泛開展奠定了基礎(chǔ)。從相關(guān)學者的研究來看，企業(yè)數(shù)字化轉(zhuǎn)型的總體生產(chǎn)效率影響結(jié)論尚不確定，但大多數(shù)學者認為，工業(yè)制造業(yè)企業(yè)的數(shù)字化轉(zhuǎn)型有助于企業(yè)降低成本、提高生產(chǎn)效率。對于具有自然壟斷性質(zhì)的電力、水、燃氣等公共事業(yè)行業(yè)和大量采用機器人作業(yè)的采礦業(yè)來說，企業(yè)的數(shù)字化轉(zhuǎn)型也會帶來生產(chǎn)效率的提高。但對于非工業(yè)企業(yè)來說，其數(shù)字化轉(zhuǎn)型是否帶來生產(chǎn)效率的提升，目前還少有學者進行研究。

從近年來的實踐情況看，“互聯(lián)網(wǎng)+農(nóng)業(yè)”的新商業(yè)模式減少了不必要的中間環(huán)節(jié)，盤活了中西部地區(qū)農(nóng)村經(jīng)濟，應當提升了農(nóng)業(yè)企業(yè)的生產(chǎn)效率；商業(yè)零售企業(yè)通過建立云端銷售平臺較為普遍地發(fā)揮了云端平臺的“長尾效應”和“聚集效應”，完成了數(shù)字化轉(zhuǎn)型的商業(yè)企業(yè)也應當帶來了生產(chǎn)效率的提高；醫(yī)藥醫(yī)療行業(yè)的企業(yè)通過云端購銷平臺，提高了相關(guān)企業(yè)的信息共享和服務能力，只要是觸云上網(wǎng)的企業(yè)均會帶來效率的提高；教育領(lǐng)域的企業(yè)隨著授課模式的云端化發(fā)展，其服務對象、服務時間和服務內(nèi)容大幅度拓寬，也應當帶來了效率和效益的提升。有鑒于以上分析，可以認為數(shù)字化轉(zhuǎn)型有效降低了農(nóng)業(yè)、零售、醫(yī)療、教育等非工業(yè)領(lǐng)域企業(yè)的生產(chǎn)成本，提高了生產(chǎn)效率。由此，提出本文假設1。

H1：數(shù)字化轉(zhuǎn)型對我國非工業(yè)企業(yè)生產(chǎn)效率有顯著促進作用。

企業(yè)數(shù)字化轉(zhuǎn)型雖然能降低成本、提高效率，但是，企業(yè)需要投入一定的資金來進行系統(tǒng)建設和硬件設備的添置，在后期還需要持續(xù)進行系統(tǒng)維護。因此，數(shù)字化轉(zhuǎn)型會長期占用企業(yè)大量資金，而小微企業(yè)往往自身無力承擔這類費用［33］。由于經(jīng)營模式單一、收入不穩(wěn)定、抗風險能力弱等原因，小微企業(yè)常常難以獲得外部融資資金，這使小微企業(yè)在數(shù)字化轉(zhuǎn)型過程中處于不利的地位。因此，可以認為小微企業(yè)的數(shù)字化轉(zhuǎn)型難度大于大中型企業(yè)，轉(zhuǎn)型的生產(chǎn)效率提升的貢獻也遜于大中型企業(yè)。由此，本文提出假設2。

H2：大型企業(yè)數(shù)字化轉(zhuǎn)型提升企業(yè)生產(chǎn)效率的顯著性高于其他規(guī)模企業(yè)。

2015年，我國進入數(shù)字化轉(zhuǎn)型新階段之后，國務院、國資委和地方國資委在推動企業(yè)數(shù)字化轉(zhuǎn)型方面出臺了多項政策。例如，在非工業(yè)領(lǐng)域，2015年6月國務院常務會議明確“互聯(lián)網(wǎng)+”扶持現(xiàn)代農(nóng)業(yè)、智慧能源高效物流等11個領(lǐng)域，2016年10月重慶國資委指示商貿(mào)物流企業(yè)運用互聯(lián)網(wǎng)+、大數(shù)據(jù)、云計算等數(shù)字技術(shù)進行創(chuàng)新發(fā)展。國有企業(yè)對這些政策做出了快速響應，例如，2015年10月國家電網(wǎng)運用“云計算、大數(shù)據(jù)、物聯(lián)網(wǎng)、移動終端”數(shù)字技術(shù)建設信息化平臺，2017年10月中國鐵物與成都鐵路局打造“大數(shù)據(jù)+鐵路新技術(shù)+集成供應”合作新模式。國有企業(yè)能夠更好地響應國家政策，進行深度數(shù)字化轉(zhuǎn)型，進而帶來效率提升和業(yè)績改善［6］。相比之下，非國有企業(yè)響應速度相對滯后，并且會面臨較多的資源約束，其數(shù)字化轉(zhuǎn)型速度和效果均不如國有企業(yè)。由此，本文提出假設3。

H3：國有企業(yè)數(shù)字化轉(zhuǎn)型提升企業(yè)生產(chǎn)效率的顯著性高于其他所有制企業(yè)。

從數(shù)字化轉(zhuǎn)型的基礎(chǔ)條件來看，東部地區(qū)基礎(chǔ)設施完善，科技創(chuàng)新所需的資金和人才供給充足［29］，而中西部地區(qū)基礎(chǔ)設施、人才和資金缺口均較大［30］。比較來看，東部地區(qū)的企業(yè)更有利于實現(xiàn)數(shù)字化轉(zhuǎn)型。從工業(yè)和信息化部的調(diào)研情況也可以看出：從2015年下半年開始，工業(yè)機器人、3D打印機等數(shù)字化技術(shù)在以長三角、珠三角等為主的東部地區(qū)應用明顯加快，大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)等新的配套技術(shù)和生產(chǎn)方式在東部地區(qū)開始得到大規(guī)模應用，海爾集團、沈陽機床、青島紅領(lǐng)等東部地區(qū)企業(yè)在智能制造上的探索已初見成效。東部地區(qū)企業(yè)的數(shù)字化轉(zhuǎn)型進展明顯領(lǐng)先于其他地區(qū)，因此數(shù)字轉(zhuǎn)型對生產(chǎn)效率的提升會更加顯著。據(jù)此，本文提出假設4。

H4：東部地區(qū)企業(yè)數(shù)字化轉(zhuǎn)型提升企業(yè)生產(chǎn)效率的顯著性高于其他地區(qū)企業(yè)。

近年來，隨著勞動成本的不斷上升，勞動密集型非工業(yè)企業(yè)多面臨成本上漲的壓力，這些企業(yè)紛紛想辦法增加機器作業(yè)以減少工人數(shù)量，試圖降低成本和提高效率，而工業(yè)智能化和數(shù)字技術(shù)的應用將導致“機器換人”［34］。《2019年機器人產(chǎn)業(yè)園發(fā)展前景及投資研究報告》顯示，機器人的產(chǎn)量2015年為3.3萬臺，2017年為13萬臺，2019年接近20萬臺，說明近年來機器人在我國得到了大量使用。機器人的構(gòu)成主要以工業(yè)機器人為主，涉及家庭、醫(yī)用、警用等的服務機器人比例雖然在不斷增高，但大多僅僅是示范性或觀摩性使用，這種使用對勞動密集非工業(yè)企業(yè)生產(chǎn)效率的影響還不是很明顯。而對于資本密集型非工業(yè)企業(yè)來說，雖然有大量的生產(chǎn)設備，但受傳統(tǒng)機器設備物理性能的限制，往往很難實現(xiàn)與數(shù)字技術(shù)結(jié)合，因此資本密集型企業(yè)的數(shù)字化轉(zhuǎn)型相對也比較困難。只有技術(shù)密集型企業(yè)的數(shù)字化轉(zhuǎn)型相對比較容易，主要是技術(shù)密集型企業(yè)擁有較強的技術(shù)和人才優(yōu)勢，在數(shù)字化轉(zhuǎn)型過程中能夠發(fā)揮其適應能力強、轉(zhuǎn)型快的優(yōu)勢，能夠為其帶來生產(chǎn)效率提升［32］。因此，本文提出假設5。

H5：技術(shù)密集型企業(yè)數(shù)字化轉(zhuǎn)型提升企業(yè)生產(chǎn)效率的顯著性高于其他密集型企業(yè)。

三、變量定義、模型設定和數(shù)據(jù)說明

（一）變量說明

1.被解釋變量

企業(yè)生產(chǎn)效率通常使用全要素生產(chǎn)率（TFP）指標加以衡量，該指標能夠有效揭示扣除企業(yè)基本生產(chǎn)要素投入貢獻之后企業(yè)其他生產(chǎn)要素和企業(yè)生產(chǎn)要素配置的整體效率，可以作為本文的主要被解釋變量，其估計方法主要有OP、LP、OLS、FE、DEA、SFA等［35］。劉莉亞等［36］研究認為，對于企業(yè)微觀層面全要素生產(chǎn)率的估計，使用OLS回歸會使得估計結(jié)果產(chǎn)生同時性偏差和樣本選擇性偏差；魯曉東和連玉君［37］研究發(fā)現(xiàn)，OP方法可以較好地處理變量相互決定偏差所引起的內(nèi)生性問題和樣本選擇偏差所引起的問題，而LP方法可以較好地解決數(shù)據(jù)丟失的問題，適用于企業(yè)層面的全要素生產(chǎn)率估計；賈伊萌和張旭亮［38］研究認為，由于上市企業(yè)投資數(shù)據(jù)的大量缺失，OP方法造成樣本廢棄率較高，而以中間投入作為代理變量的LP法的樣本廢棄率較低，因此，LP法較好地解決了OP法存在的樣本損失較大的問題。有鑒于此，本文采用LP參數(shù)方法進行全要素生產(chǎn)率的計算。具體回歸方程為：

其中：i代表企業(yè)；t表示時期；Y代表產(chǎn)出，取值利潤表的“營業(yè)收入”科目；K代表資本投入，取值財務報表附注的“固定資產(chǎn)原值”和資產(chǎn)負債表的“在建工程”“工程物資”三個科目的合計數(shù)；L代表人力投入，取值上市企業(yè)基本資料的“員工人數(shù)”；M代表中間品投入，取值現(xiàn)金流量表的“購買商品、接受勞務支付的現(xiàn)金”科目。

2.解釋變量

對企業(yè)數(shù)字化轉(zhuǎn)型的界定是當前研究的熱點和難點問題，目前常用的方法有兩種：第一種是定量分析法，主要根據(jù)上市企業(yè)財務報表數(shù)據(jù)來界定企業(yè)數(shù)字化轉(zhuǎn)型，如黃節(jié)根等［39］通過計算企業(yè)固定資產(chǎn)和無形資產(chǎn)中構(gòu)建數(shù)字化資源的比例、企業(yè)資產(chǎn)負債表中研發(fā)支出的增長速度、企業(yè)是否設立了數(shù)字資源信息來界定企業(yè)數(shù)字化轉(zhuǎn)型；第二種是定性分析法，主要通過上市企業(yè)財務報告中出現(xiàn)與數(shù)字化轉(zhuǎn)型有關(guān)的詞語來界定企業(yè)的數(shù)字化轉(zhuǎn)型，如趙宸宇等［32］采用文本分析法和專家打分法，在上市企業(yè)年報中篩選出與數(shù)字化轉(zhuǎn)型相關(guān)的高頻詞語來刻畫企業(yè)的數(shù)字化程度，易露霞等［6］采用文本識別手段，在上市企業(yè)年報中識別與數(shù)字化轉(zhuǎn)型相關(guān)的關(guān)鍵詞匯，確定企業(yè)的數(shù)字化程度。

從已有研究來看，根據(jù)上市企業(yè)財務報表數(shù)據(jù)、使用定量分析方法來界定企業(yè)數(shù)字化轉(zhuǎn)型這一做法，由于相關(guān)財務指標選擇的理論并不充分和計量方法并不統(tǒng)一等原因，因而并未被學者大量采用。大多數(shù)學者選擇使用定性研究方法，但這種方法因為詞語選擇而存在較多的人為判斷因素，同時也存在相關(guān)資料文獻查詢范圍的限制，因此，可能導致數(shù)據(jù)不完整。另外一種可以借鑒的方法就是通過證券公司對上市企業(yè)的“概念股”的分類來判斷企業(yè)數(shù)字化轉(zhuǎn)型的程度。證券公司根據(jù)企業(yè)的行業(yè)、概念、地區(qū)等特點對上市企業(yè)進行分類，其中的概念股分類就是根據(jù)企業(yè)的業(yè)務權(quán)重、轉(zhuǎn)型熱點、特色題材來劃分的，其對上市企業(yè)是否屬于數(shù)字化轉(zhuǎn)型企業(yè)的劃分相對較為準確。本文參考易露霞等［6］、趙宸宇等［32］對企業(yè)數(shù)字化轉(zhuǎn)型的劃分方法，結(jié)合證券公司對上市企業(yè)“數(shù)字化轉(zhuǎn)型概念”的劃分結(jié)果，對上市企業(yè)中涉及“數(shù)字化轉(zhuǎn)型概念”的企業(yè)進行重新歸集，其中，與企業(yè)數(shù)字化轉(zhuǎn)型相關(guān)的概念有：5G概念、物聯(lián)網(wǎng)、電子支付、云計算、邊緣計算、大數(shù)據(jù)、數(shù)據(jù)中心、互聯(lián)金融、電商概念、智能電網(wǎng)、智能穿戴、智能交通、智能機器、智能家居、智能電視、智能醫(yī)療、虛擬現(xiàn)實、數(shù)字孿生、新零售、跨境電商、量子科技、區(qū)塊鏈、數(shù)字貨幣、人工智能、工業(yè)互聯(lián)、遠程辦公等。本文使用這些“數(shù)字化轉(zhuǎn)型概念”的出現(xiàn)頻率作為上市企業(yè)數(shù)字化轉(zhuǎn)型程度的界定方法。

大多數(shù)文獻結(jié)合我國數(shù)字化轉(zhuǎn)型戰(zhàn)略執(zhí)行的實際進程，將2015年作為我國正式步入數(shù)字化轉(zhuǎn)型發(fā)展階段的起點［40］，本文也將2015年作為上市企業(yè)數(shù)字化轉(zhuǎn)型判斷的分界年份，運用雙重差分法評估數(shù)字化轉(zhuǎn)型對企業(yè)生產(chǎn)效率的影響，為此特設立實驗組和控制組虛擬變量treat，實驗組為實施數(shù)字化轉(zhuǎn)型的企業(yè)，定義為1；控制組為未實施數(shù)字化轉(zhuǎn)型的企業(yè)，定義為0；數(shù)字化轉(zhuǎn)型時間虛擬變量為period，2015年及以后年度的period定義為1，2015年以前年份的period定義為0。為了保證實施前后年度對比的一致性，選取2010—2014年作為政策前時間，2015—2020年作為政策后時間。交乘項treat×period是本文數(shù)字化轉(zhuǎn)型的效應（DID），作為本文的解釋變量。

3.控制變量

企業(yè)數(shù)字化轉(zhuǎn)型與企業(yè)規(guī)模、存續(xù)時間、治理結(jié)構(gòu)、決策效率、財務狀況等直接相關(guān)，為了研究數(shù)字化轉(zhuǎn)型與生產(chǎn)效率的關(guān)系，參考盛明泉等［35］、劉莉亞等［36］、王曉燕等［41］、易露霞等［6］、余長林等［42］的研究，本文設置相關(guān)控制變量，包括企業(yè)規(guī)模（Size）、企業(yè)年齡（Age）、企業(yè)資本密集度（Capital）、第一大股東持股比例（First）、兩職合一（Dual）、董事會規(guī)模（Board）、企業(yè)的年報審計狀況（Audit）、流 動 比 率（Liquid）、凈 資 產(chǎn) 利 潤 率（ROA）、行業(yè)競爭強度（HHI）。為了減少時間、行業(yè)、地區(qū)層面的不可觀測因素的影響，本文加入了對應的固定效應，即年份（Year）、行業(yè)（Ind）、省份（Pro）的虛擬變量。

本文主要變量說明見表1所列。

表1 主要變量說明

續(xù)表1

（二）模型設定

本文參考鄧峰和楊國歌［43］、易露霞等［6］、趙宸宇等［32］的研究方法，運用雙重差分法評估數(shù)字化轉(zhuǎn)型對非工業(yè)企業(yè)生產(chǎn)效率的影響。基準模型設定如下：

其中：i代表企業(yè)個體；t代表時間效應；TFP表示企業(yè)的生產(chǎn)效率，且為本文核心被解釋變量；DID表示構(gòu)建的雙重差分項，代表數(shù)字化轉(zhuǎn)型政策效應，若系數(shù)α1統(tǒng)計水平顯著且為正，表明數(shù)字化轉(zhuǎn)型對非工業(yè)企業(yè)的生產(chǎn)效率有積極促進效應；X為一組控制變量；Yeart、Indj、Proc分別為年份、行業(yè)、省份的固定效應；ε表示隨機效應。

考慮數(shù)字化轉(zhuǎn)型政策的時效性和滯后性對非工業(yè)企業(yè)生產(chǎn)效率的影響，本文進行時間政策對數(shù)字化轉(zhuǎn)型影響的檢驗。為此，基準模型變更如下：

其中：DIDt分別代表2012年的政策效應（DID2012=treat2012×period2012）、2013年的 政 策效應（DID2013=treat2013×period2013）、2014年的政策效應（DID2014=treat2014×period2014）；αt為當年的統(tǒng)計水平，若系數(shù)αt統(tǒng)計水平顯著且為正，表明數(shù)字化轉(zhuǎn)型對非工業(yè)企業(yè)生產(chǎn)效率有積極促進效應。

當一個行業(yè)在某一年份同時受到兩個或更多政策的影響時，雙重差分法（DID）對其中一項政策的效果評估可能受到另一個政策影響而產(chǎn)生擠出或疊加效應，從而導致評估結(jié)果有偏差。因此，本文對政策唯一性進行檢驗，在基準模型中加入另一個政策的虛擬變量（DID_XGt=treatt×periodt），具體如下：

其中：DID_XG表示另一個政策的虛擬變量，為政策年的treat×period；α1、α2為當年的統(tǒng)計水平，若系數(shù)α1統(tǒng)計水平顯著且為正，表明數(shù)字化轉(zhuǎn)型對非工業(yè)企業(yè)生產(chǎn)效率有積極促進效應。

（三）數(shù)據(jù)來源

本文的樣本數(shù)據(jù)為2010—2020年中國A股上市企業(yè)數(shù)據(jù)，其中，計算全要素生產(chǎn)率和相關(guān)控制變量數(shù)據(jù)均來自Wind數(shù)據(jù)庫，上市企業(yè)的“概念”分類來自申萬宏源金融系統(tǒng)。本文刪除了金融類、ST類、營業(yè)收入樣本缺失的數(shù)據(jù)，最終得到8 910個樣本觀測值。為了消除極端值的影響，本文對所有連續(xù)變量進行1%和99%的Winsorize處理，并且使用Stata15軟件進行分析研究。

四、實證分析

（一）描述性統(tǒng)計

主要變量的基本描述性統(tǒng)計見表2所列。統(tǒng)計結(jié)果顯示，全樣本觀測量為8 910個，實驗組觀測量為4 719個，占比52.96%，控制組觀測量為4 191個，占比47.04%。全樣本解釋變量TFP的中位數(shù)為19.960，標準差為1.576，表明研究樣本企業(yè)TFP大致滿足正態(tài)分布，其中最小值為8.295，最大值為25.870，說明企業(yè)全要素生產(chǎn)率在樣本期內(nèi)存在明顯的差異，本文的樣本具有廣泛性。對比實驗組和控制組的TFP可以發(fā)現(xiàn)，實驗組TFP的中位數(shù)（19.860）小于控制組TFP的中位數(shù)（20.060），實驗組TFP的最小值高于控制組TFP的最小值，實驗組TFP的最大值略低于控制組TFP的最大值，說明實驗組和控制組的TFP變化有明顯差異，因此本文的研究具有一定的現(xiàn)實意義。另外，本文選取的控制變量分布值域比較廣，能夠?qū)Ρ疚牡难芯科鸬揭欢ǖ目刂谱饔谩?/p>

表2 主要變量描述性統(tǒng)計

續(xù)表2

（二）基準回歸

根據(jù)公式（2）使用固定效應模型進行DID估計，回歸結(jié)果見表3所列。其中，列（1）為未加入控制變量和年度、行業(yè)、省份虛擬變量的回歸結(jié)果，列（2）為加入虛擬變量的回歸結(jié)果，列（3）為加入控制變量的回歸結(jié)果，列（4）為加入控制變量和虛擬變量后的回歸結(jié)果。列（1）—（3）列顯示系數(shù)DID都在1%水平上顯著為正，列（4）顯示系數(shù)DID在10%水平上顯著為正。上述回歸結(jié)果表明，在其他條件不變的情況下，數(shù)字化轉(zhuǎn)型有助于非工業(yè)企業(yè)生產(chǎn)效率提升。由此，本文H1得到驗證。

表3 基準回歸結(jié)果

從列（4）來看，系數(shù)Size、First、Audit、ROA都在1%水平上顯著為正，說明數(shù)字化轉(zhuǎn)型對非工業(yè)企業(yè)生產(chǎn)效率有規(guī)模效應。大規(guī)模企業(yè)的資金相對充裕，有助于企業(yè)創(chuàng)新，從而提升企業(yè)生產(chǎn)效率，同時也說明非工業(yè)企業(yè)生產(chǎn)效率的提升需要大量的資金支持；第一股東股權(quán)的集中度對企業(yè)生產(chǎn)效率有正向影響，大股東股權(quán)集中度越集中，股東與高管之間相互制衡和約束越小，對企業(yè)生產(chǎn)效率提升的沖擊越小；審計報告的性質(zhì)反映了企業(yè)的經(jīng)營情況，經(jīng)營情況越好的企業(yè)越有利于生產(chǎn)效率的提升；企業(yè)凈資產(chǎn)利潤率越大對企業(yè)生產(chǎn)效率提升越有幫助，也再次說明企業(yè)以創(chuàng)新提升生產(chǎn)效率需要大量資金的支持。系數(shù)Age、Capital、Board、liquid、HHI在1%水平上顯著為負，說明非工業(yè)企業(yè)的年齡與生產(chǎn)效率存在負相關(guān)性，企業(yè)年齡越大，生產(chǎn)效率會更低；企業(yè)資本密集度對生產(chǎn)效率有抑制效應；董事會人數(shù)越多，決策意見可能越不容易達成一致，不利于企業(yè)生產(chǎn)效率的提升；企業(yè)流動比率和行業(yè)競爭強度越大也越不利于企業(yè)創(chuàng)新和生產(chǎn)效率提升。系數(shù)Dual在10%水平上顯著為正，說明董事長未兼任總經(jīng)理時，企業(yè)內(nèi)部的相互制衡和約束更有利于企業(yè)創(chuàng)新發(fā)展和生產(chǎn)效率的提升。

（三）穩(wěn)健性檢驗

1.共同趨勢檢驗

共同趨勢假設是進行雙重差分法（DID）的前提。本文先分別計算得出各年度實驗組和控制組全要素生產(chǎn)率的均值，然后繪制時間趨勢圖，從時間趨勢圖來判斷實驗組與控制組是否具有共同趨勢，結(jié)果如圖1所示。從圖1來看，2010—2014年實驗組和控制組的TFP變化趨勢基本一致，2015—2018年實驗組TFP的上升趨勢明顯快于控制組TFP的上升趨勢，2019—2020年實驗組和控制組TFP增長趨勢都呈現(xiàn)放緩并下降的趨勢。總體來看，實驗組與控制組TFP的變化趨勢相同，表明本文使用雙重差分法進行政策評估較為合理。

圖1 實驗組與控制組全要素生產(chǎn)率變化趨勢

2.傾向得分匹配-雙重差分法檢驗

通過全要素生產(chǎn)率變化趨勢檢驗，本文實驗組和控制組的分類滿足雙重差分前提條件。為了消除實驗組與控制組之間變動趨勢的系統(tǒng)性差異，本文采用傾向得分匹配-雙重差分法（PSM-DID）進行穩(wěn)健性檢驗，估計結(jié)果見表4所列。

表4 PSM-DID估計結(jié)果

表4估計結(jié)果顯示：列（1）和列（2）在沒有控制變量時，系數(shù)DID在1%水平上顯著為正；列（3）在加入控制變量但未加入年度、行業(yè)、省份固定效應時，系數(shù)DID仍在1%水平上顯著為正；列（4）在加入控制變量和年度、行業(yè)、省份固定效應時，系數(shù)DID仍在10%水平上顯著為正。4個模型穩(wěn)健地證明了非工業(yè)企業(yè)數(shù)字化轉(zhuǎn)型對提升生產(chǎn)效率有顯著影響。

3.政策時間隨機性檢驗

為了驗證數(shù)字化轉(zhuǎn)型對生產(chǎn)效率影響的穩(wěn)健性，本文分別假設數(shù)字化轉(zhuǎn)型隨機提前1年、2年和3年，并生成新的時間虛擬變量，然后將新的時間虛擬變量與實驗組虛擬變量進行分別相乘，再對新生成的三個交乘項（DID2014、DID2013、DID2012）分別進行估計，結(jié)果見表5所列。從列（1）—（3）結(jié)果來看，2012—2014年交互項系數(shù)DID2012、DID2013、DID2014均不顯著，而列（4）系數(shù)DID在10%統(tǒng)計水平上顯著為正，表明基本估計結(jié)果得出的2015年及以后年度非工業(yè)企業(yè)進行數(shù)字化轉(zhuǎn)型對生產(chǎn)效率存在顯著促進效應的結(jié)論較穩(wěn)健。

表5 政策時間隨機性檢驗結(jié)果

4.政策唯一性檢驗

從圖1實驗組全要素生產(chǎn)率變化趨勢來看，2020年存在明顯變化，考慮2019年末發(fā)生的新冠疫情及為此推出的一系列疫情相關(guān)政策，為剝離疫情政策對實證結(jié)果產(chǎn)生的干擾，本文引入疫情相關(guān)政策的虛擬變量和實施時間虛擬變量的交乘項，以控制疫情政策對企業(yè)全要素生產(chǎn)率的影響。具體而言，上市企業(yè)概念如果是疫情相關(guān)行業(yè)，則企業(yè)取值為1，反之為0；與此相對應，period取值為1，反之為0；交乘項為DID_XG。表6列（1）檢驗結(jié)果表明，與基準回歸相比，系數(shù)DID依然在10%水平上顯著為正，顯著性沒有發(fā)生改變，這表明非工業(yè)企業(yè)數(shù)字化轉(zhuǎn)型對生產(chǎn)效率的影響并未因疫情相關(guān)政策的推出而發(fā)生顯著改變，本文H1實證結(jié)果仍比較穩(wěn)健。

5.替換被解釋變量檢驗

在前文TFP計算過程中，營業(yè)收入（Y）、資本投入（K）、中間品投入（M）分別取值利潤表、資產(chǎn)負債表、現(xiàn)金流量表，盡管都來自企業(yè)的財務報表，但這三張報表的統(tǒng)計口徑并不一致。另外，上述三個變量數(shù)據(jù)的計量單位都是“元”，而人力投入（L）表示的是公司員工總數(shù)，計量單位是“人”，可見同一公式中指標計量的單位也不一致。為了解決統(tǒng)計口徑不一致和指標計量單位不一致對計算結(jié)果帶來的負面影響，本文將上述變量的取值進行調(diào)整。其中，Y取值現(xiàn)金流量表的“銷售商品、提供勞務收到的現(xiàn)金”科目；K取值現(xiàn)金流量表的“固定資產(chǎn)折舊、油氣資產(chǎn)折耗、生產(chǎn)性生物資產(chǎn)折舊”“無形資產(chǎn)攤銷”“使用權(quán)資產(chǎn)折舊”“長期待攤費用攤銷”四個科目的合計值；L取值現(xiàn)金流量表的“支付給職工以及為職工支付的現(xiàn)金”科目；M取值現(xiàn)金流量表的“購買商品、接受勞務支付的現(xiàn)金”科目。通過變量取值調(diào)整，不僅保證了計算TFP時各變量統(tǒng)計口徑的一致性，而且也保證了各變量計量單位的一致性。根據(jù)公式（1）將被解釋變量TFP改成現(xiàn)金流口徑的計算結(jié)果進行穩(wěn)健性檢驗，檢驗結(jié)果見表6列（2）所列。估計結(jié)果顯示，在加入所有控制變量和年度、行業(yè)、省份效應后，系數(shù)DID在10%水平上顯著為正，說明非工業(yè)企業(yè)數(shù)字化轉(zhuǎn)型對生產(chǎn)效率有顯著正向影響。上述結(jié)論與基本估計結(jié)論一致，因而通過了替換被解釋變量的穩(wěn)健性檢驗。

6.安慰劑檢驗

安慰劑檢驗有兩種實現(xiàn)方式；即虛構(gòu)實驗組和變換控制組，本文通過變換控制組的方法，進行安慰劑檢驗。具體方法是將有數(shù)字技術(shù)概念的企業(yè)，包括大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)、人工智能、5G、區(qū)塊鏈等都歸入實驗組，其他企業(yè)為控制組。表6列（3）估計結(jié)果顯示，在加入所有控制變量和年度、行業(yè)、省份效應后，系數(shù)DID在1%水平上顯著為正，表明在更換控制組情況下，本文基準估計結(jié)果穩(wěn)健。

表6 政策唯一性、替換被解釋變量和安慰劑檢驗結(jié)果

由表6可見，通過多項穩(wěn)健性檢驗后，本文H1依然成立，即數(shù)字化轉(zhuǎn)型對我國非工業(yè)企業(yè)生產(chǎn)效率有顯著促進作用。

（四）影響機制分析

通過前文回歸結(jié)果可見，非工業(yè)企業(yè)數(shù)字化轉(zhuǎn)型能有效提升生產(chǎn)效率，那么，該影響過程通過什么途徑實現(xiàn)呢？黃群慧等［44］研究認為，企業(yè)數(shù)字化轉(zhuǎn)型降低了交易成本、促進創(chuàng)新，進而提升企業(yè)生產(chǎn)效率。因此，企業(yè)交易成本和技術(shù)創(chuàng)新是數(shù)字化轉(zhuǎn)型提升企業(yè)全要素生產(chǎn)率的傳導機制。基于此，本文在模型（2）的基礎(chǔ)上構(gòu)建如下中介效應模型：

其中：MV表示中介變量（Mediating variable，MV），其他變量與之前定義一致。參考黃群慧等［44］的研究方法，本文中介變量包括交易成本和技術(shù)創(chuàng)新，交易成本采用銷售費用率（Sales Expense Rate，SER）和管理費用率（Management Expense Rate，MER）作為代理變量，技術(shù)創(chuàng)新采用人均研發(fā)投入（Per capita R&D expenses，R&D）作為代理變量。

影響機制回歸結(jié)果見表7所列。由列（2）可見，系數(shù)DID顯著為正，而列（3）中系數(shù)SER顯著為負，說明數(shù)字化轉(zhuǎn)型未對銷售費用率產(chǎn)生影響，即樣本范圍內(nèi)銷售費用率這一中介效應不存在。表7列（4）系數(shù)DID不顯著，說明數(shù)字化轉(zhuǎn)型未對管理費率用產(chǎn)生顯著影響，樣本范圍內(nèi)管理費用率這一中介效應不存在。可能原因在于：雖然理論上數(shù)字化轉(zhuǎn)型能降低企業(yè)交易成本，使銷售費用率和管理費用率下降，但實際情況是，企業(yè)交易成本不僅受到企業(yè)信息化建設的影響，還會受到產(chǎn)業(yè)政策、市場環(huán)境、地理位置等外部宏觀環(huán)境的影響，以及企業(yè)文化、團隊協(xié)作、內(nèi)部資源等企業(yè)內(nèi)部環(huán)境的影響。因此，非工業(yè)企業(yè)數(shù)字化轉(zhuǎn)型對交易成本的影響效果不顯著。

表7列（6）中系數(shù)DID顯著為正，說明數(shù)字化轉(zhuǎn)型有效促進了企業(yè)技術(shù)創(chuàng)新，列（7）中系數(shù)R&D同樣顯著為正，并且系數(shù)相比基準回歸結(jié)果有所減小，說明技術(shù)創(chuàng)新這一中介效應存在，且系數(shù)DID不顯著，技術(shù)創(chuàng)新是完全中介效應。因此，數(shù)字化轉(zhuǎn)型能夠通過促進技術(shù)創(chuàng)新進而推動企業(yè)生產(chǎn)效率提高。該研究結(jié)論與黃群慧等［44］、李宗顯和楊千帆［45］的研究結(jié)論一致，說明非工業(yè)企業(yè)數(shù)字化轉(zhuǎn)型可以通過企業(yè)技術(shù)創(chuàng)新的途徑有效提升企業(yè)生產(chǎn)效率。

表7 傳導機制檢驗結(jié)果

（五）異質(zhì)性分析

1.企業(yè)規(guī)模分組分析

已有研究發(fā)現(xiàn)，企業(yè)規(guī)模是影響企業(yè)發(fā)展的重要因素之一。本文根據(jù)證券公司對上市企業(yè)規(guī)模的劃分標準，將研究樣本分為大型、中型、小型企業(yè)，然后分別進行分組估計，結(jié)果見表8所列。可見，數(shù)字化轉(zhuǎn)型對提升大型企業(yè)和小型企業(yè)生產(chǎn)效率的影響并不顯著，而對中型企業(yè)生產(chǎn)效率有顯著的促進作用，本文H2部分得以驗證。該結(jié)果與鄧峰和楊國歌［43］、趙宸宇等［32］的研究結(jié)果存在一定差異，可能原因在于：企業(yè)數(shù)字化轉(zhuǎn)型需要大量資金支持，小型企業(yè)資金相對比較短缺，常會遇到融資約束，制約數(shù)字化轉(zhuǎn)型的開展；大型企業(yè)雖然資金比較充沛，但機構(gòu)臃腫、工作效率較低，數(shù)字化轉(zhuǎn)型過程比較緩慢；中型企業(yè)資金有一定的保障，且內(nèi)部工作效率較高，因此更有利于企業(yè)開展數(shù)字化轉(zhuǎn)型。

2.企業(yè)所有制分組分析

本文根據(jù)證券公司對上市企業(yè)按所有制的劃分標準，將研究樣本分為國有、民營、外資和其他企業(yè)，然后分別進行分組估計，結(jié)果見表8所列。結(jié)果顯示，數(shù)字化轉(zhuǎn)型對國有企業(yè)提升全要素生產(chǎn)率有明顯促進作用，而對民營、外資和其他企業(yè)的影響并不顯著，本文H3得到驗證。該結(jié)果與易露霞等［6］的結(jié)論相似，可能原因在于：數(shù)字化轉(zhuǎn)型是國家戰(zhàn)略目標，國有企業(yè)能夠得到中央國資委和地方國資委的政策支持，同時國有企業(yè)的人才和技術(shù)儲備也比較扎實，在金融市場和其他領(lǐng)域具有明顯的優(yōu)勢地位，在金融市場的有效支持下，能夠抓住時機率先通過數(shù)字化轉(zhuǎn)型改善企業(yè)生產(chǎn)環(huán)境，有效提升企業(yè)生產(chǎn)效率；相比之下，民營企業(yè)常常會面臨資金不足的問題，無法將資金有效地投入到數(shù)字化轉(zhuǎn)型上，而外資企業(yè)雖然資金相對充沛，但數(shù)字化轉(zhuǎn)型需要外資總部、董事會等機構(gòu)審批通過，手續(xù)相對復雜、周期相對較長。因此，國有企業(yè)數(shù)字化轉(zhuǎn)型對生產(chǎn)效率的影響更顯著。

表8 企業(yè)規(guī)模分組和所有制分組檢驗結(jié)果

3.密集度分組分析

參考肖曙光和楊潔［46］的方法，先根據(jù)要素密集度將樣本企業(yè)劃分為勞動、技術(shù)和資本密集型企業(yè)，再分別進行分組估計，結(jié)果見表9所列。結(jié)果顯示，數(shù)字化轉(zhuǎn)型能促進技術(shù)密集型企業(yè)的生產(chǎn)效率，對勞動密集型企業(yè)沒有顯著影響，對資本密集型企業(yè)有抑制作用，本文H4得到驗證。該結(jié)論和趙宸宇等［32］的研究存在差異，可能的原因在于：企業(yè)數(shù)字化轉(zhuǎn)型需要投入大量的資金，我國勞動密集型企業(yè)以手工作業(yè)為主，主要靠較低的人工成本賺取產(chǎn)品的差價，企業(yè)盈利能力較弱，資金有限且現(xiàn)金流不穩(wěn)定，很難展開數(shù)字化轉(zhuǎn)型工作。所以數(shù)字化轉(zhuǎn)型對我國勞動密集型企業(yè)的影響并不顯著；資本密集型企業(yè)雖然固定資產(chǎn)占比非常大，而數(shù)字化轉(zhuǎn)型需要投入更多的技術(shù)、軟件、專利等無形資產(chǎn)，因此，原有的固定資產(chǎn)并沒有起到明顯作用，反而造成原有大量固定資產(chǎn)閑置或者報廢，對生產(chǎn)效率可能產(chǎn)生負向影響；反觀技術(shù)密集型企業(yè)在數(shù)字化轉(zhuǎn)型過程中，充分發(fā)揮其技術(shù)和人才優(yōu)勢，有效地提升了企業(yè)生產(chǎn)效率。

4.區(qū)域分組分析

我國地域廣泛，各企業(yè)所處地區(qū)不同，經(jīng)濟基礎(chǔ)、歷史文化、人才結(jié)構(gòu)也存在很大差異。根據(jù)我國對省份按區(qū)域的劃分，可以分為東部、中部、西部和東北部四個經(jīng)濟區(qū)域。本文根據(jù)上市企業(yè)所在省份對應的區(qū)域進行分組估計，結(jié)果見表9所列。結(jié)果顯示，數(shù)字化轉(zhuǎn)型對提升東部地區(qū)企業(yè)的生產(chǎn)效率有顯著促進作用，對中部、西部、東北部地區(qū)企業(yè)的生產(chǎn)效率沒有顯著影響，本文H5得到驗證。該研究結(jié)論與李政和楊思瑩［29］、韋莊禹等［30］、張焱［31］的研究結(jié)論相似，可能的原因在于：相比其他地區(qū)，東部地區(qū)的經(jīng)濟比較發(fā)達，企業(yè)具有資金、人才、技術(shù)等優(yōu)勢，因此，更有利于企業(yè)開展數(shù)字化轉(zhuǎn)型，促進生產(chǎn)效率的提升。

表9 密集度分組和區(qū)域分組檢驗結(jié)果

5.行業(yè)分組分析

根據(jù)我國對非工業(yè)行業(yè)的分類，非工業(yè)行業(yè)有16個，本文樣本涉及其中14個非工業(yè)行業(yè)。根據(jù)上市企業(yè)所對應的行業(yè)進行分組估計，結(jié)果見表10所列。結(jié)果顯示，數(shù)字化轉(zhuǎn)型對“交通運輸、倉儲和郵政業(yè)”“信息傳輸、軟件和信息技術(shù)服務業(yè)”“衛(wèi)生和社會工作”“綜合”“科學研究和技術(shù)服務業(yè)”5個行業(yè)上市企業(yè)的生產(chǎn)效率有顯著促進作用。可能的原因在于：物流行業(yè)數(shù)字化轉(zhuǎn)型后信息傳輸更加快速和準確，提升了企業(yè)的工作效率，并且近些年國家投入大量資金發(fā)展了交通網(wǎng)絡，使得交通運輸業(yè)發(fā)展有了良好基礎(chǔ)，電商的快速發(fā)展促進了倉儲行業(yè)快速發(fā)展，各方面的因素促使數(shù)字化轉(zhuǎn)型后“交通運輸、倉儲和郵政業(yè)”的生產(chǎn)效率得到了快速提高；另外，信息和技術(shù)服務行業(yè)主要是技術(shù)密集型企業(yè)，具有明顯的技術(shù)和人才優(yōu)勢，所以數(shù)字化轉(zhuǎn)型能有效提升其生產(chǎn)效率；大數(shù)據(jù)和云計算技術(shù)推進了云醫(yī)療的實現(xiàn)，所以數(shù)字化轉(zhuǎn)型使衛(wèi)生醫(yī)療行業(yè)的生產(chǎn)效率得以提升。數(shù)字化轉(zhuǎn)型對“教育”“文化、體育和娛樂業(yè)”“建筑業(yè)”“房地產(chǎn)業(yè)”“農(nóng)、林、牧、漁業(yè)”“租賃和商務服務業(yè)”“水利、環(huán)境和公共設施管理業(yè)”7個行業(yè)上市企業(yè)的生產(chǎn)效率沒有顯著影響。可能的原因在于：教育、文化、體育等行業(yè)更偏重于人為管理，雖然進行數(shù)字化轉(zhuǎn)型，只是起到輔助作用，并沒有實質(zhì)性提升生產(chǎn)效率；房地產(chǎn)、建筑業(yè)、公共設施等行業(yè)主要依靠土地資源，對數(shù)字技術(shù)的依賴程度不高；農(nóng)林牧漁業(yè)主要是勞動密集型產(chǎn)業(yè)，同樣對數(shù)據(jù)技術(shù)依賴程度不高。數(shù)字化轉(zhuǎn)型對“批發(fā)和零售業(yè)”“住宿和餐飲業(yè)”2個行業(yè)上市企業(yè)的生產(chǎn)效率有顯著的抑制作用。可能的原因在于：批發(fā)零售企業(yè)和餐飲企業(yè)并不需要復雜的數(shù)字化系統(tǒng)，這些企業(yè)只需要簡單的信息化系統(tǒng)就可以正常經(jīng)營，當投入大量的資金進行數(shù)字化轉(zhuǎn)型時，可能影響了企業(yè)的現(xiàn)金流和企業(yè)利潤，反而會造成企業(yè)生產(chǎn)效益的下降。

表10 行業(yè)分組檢驗結(jié)果

綜上所述，雖然整體上數(shù)字化轉(zhuǎn)型能促進非工業(yè)企業(yè)生產(chǎn)效率的提升，但企業(yè)所屬行業(yè)不同，數(shù)字化轉(zhuǎn)型對企業(yè)生產(chǎn)效率的影響存在明顯的差異性。對業(yè)務涉及區(qū)域跨度大的行業(yè)和技術(shù)、人才有優(yōu)勢的行業(yè)，數(shù)字化轉(zhuǎn)型能有效提升生產(chǎn)效率；對數(shù)字技術(shù)依賴度低、主要依靠人力開展業(yè)務的企業(yè)，數(shù)字化轉(zhuǎn)型對生產(chǎn)效率影響不顯著。

五、結(jié)論與建議

（一）結(jié)論

本文以2010—2020年中國A股上市企業(yè)為研究樣本，通過雙重差分法檢驗了數(shù)字化轉(zhuǎn)型對我國非工業(yè)企業(yè)生產(chǎn)效率的影響，研究發(fā)現(xiàn)：①非工業(yè)企業(yè)數(shù)字化轉(zhuǎn)型能顯著提升生產(chǎn)效率，通過穩(wěn)健性檢驗后該結(jié)論依然成立。②機制研究表明，非工業(yè)企業(yè)數(shù)字化轉(zhuǎn)型可以通過技術(shù)創(chuàng)新途徑來提升生產(chǎn)效率。③從異質(zhì)性分析來看，數(shù)字化轉(zhuǎn)型能提升中型企業(yè)的生產(chǎn)效率，但對大型和小型企業(yè)沒有顯著影響；數(shù)字化轉(zhuǎn)型能有效提升國有企業(yè)的生產(chǎn)效率，但對民營、外資等非國有企業(yè)沒有顯著影響；數(shù)字化轉(zhuǎn)型對技術(shù)密集型企業(yè)的生產(chǎn)效率有顯著促進作用，對資本密集型企業(yè)的生產(chǎn)效率有顯著的抑制作用，并且對勞動密集型企業(yè)沒有顯著影響；數(shù)字化轉(zhuǎn)型能有效提升東部地區(qū)企業(yè)的生產(chǎn)效率，但對中西部和東北部地區(qū)企業(yè)沒有顯著影響。④進一步研究發(fā)現(xiàn)，數(shù)字化轉(zhuǎn)型對不同行業(yè)非工業(yè)企業(yè)生產(chǎn)效率的影響有明顯差異性，對“交通運輸、倉儲和郵政業(yè)”等5個行業(yè)上市企業(yè)的生產(chǎn)效率有顯著促進作用，對“教育”等7個行業(yè)上市企業(yè)的生產(chǎn)效率沒有顯著影響，對“批發(fā)和零售業(yè)”“住宿和餐飲業(yè)”2個行業(yè)上市企業(yè)的生產(chǎn)效率有顯著的抑制作用。

（二）建議

根據(jù)上述研究結(jié)果，本文提出以下建議：

第一，政府主導，進一步推進數(shù)字化轉(zhuǎn)型。從本文研究結(jié)果來看，數(shù)字化轉(zhuǎn)型明顯提高了非工業(yè)企業(yè)的生產(chǎn)效率，說明我國實施一系列數(shù)字化轉(zhuǎn)型的產(chǎn)業(yè)政策對提高企業(yè)生產(chǎn)效率有明顯促進作用，但部分行業(yè)仍存在生產(chǎn)效率提升不明顯的情況。因此，建議政府相關(guān)部門持續(xù)推進數(shù)字化轉(zhuǎn)型，并針對不同行業(yè)采取有針對性的推進政策。

第二，完善政策，促進數(shù)字化轉(zhuǎn)型全面發(fā)展。從目前數(shù)字化轉(zhuǎn)型的規(guī)模差異、所有制差異、地區(qū)差異、勞動密集度差異來看，我國數(shù)字化轉(zhuǎn)型的發(fā)展情況、發(fā)展速度存在較為明顯的不均衡現(xiàn)象，應當對民營企業(yè)、中西部地區(qū)企業(yè)等發(fā)展較為落后的領(lǐng)域給予更大的政策支持，探索在數(shù)字化轉(zhuǎn)型方面以國有企業(yè)帶動非國有企業(yè)、以東部地區(qū)帶動中西部地區(qū)、以先進企業(yè)或地區(qū)帶動后進企業(yè)或地區(qū)的政策，促進數(shù)字化轉(zhuǎn)型全面發(fā)展。

第三，堅持中國制造，發(fā)展中國智造。從企業(yè)勞動密集度角度來看，目前發(fā)展數(shù)字化轉(zhuǎn)型對勞動密集型企業(yè)生產(chǎn)效率并沒有明顯促進作用，對資本密集型企業(yè)還存在抑制作用。有鑒于此，建議我國利用數(shù)字化轉(zhuǎn)型這個契機，大力推進勞動密集型企業(yè)向技術(shù)密集型企業(yè)轉(zhuǎn)變，推動重資本（資產(chǎn)）企業(yè)向輕資本（資產(chǎn)）企業(yè)轉(zhuǎn)變，走出一條中國特色的產(chǎn)業(yè)轉(zhuǎn)型之路。

（三）不足之處

本文的研究尚存在以下不足之處：①考慮研究樣本數(shù)據(jù)的連續(xù)性，剔除了部分樣本數(shù)據(jù)不連續(xù)的企業(yè)，剔除的企業(yè)中包括了微型企業(yè)，加之A股上市企業(yè)中本就存在小微企業(yè)偏少的問題，未來研究可以增加新三板掛牌的非工業(yè)企業(yè)樣本數(shù)據(jù)做進一步的研究。②在研究異質(zhì)性時，未考慮行業(yè)中可能存在的龍頭企業(yè)對該行業(yè)的影響，因此可能對研究結(jié)論有一定的影響。③從實驗組和控制組對照情況來看，數(shù)字化轉(zhuǎn)型政策對企業(yè)生產(chǎn)效率的提升有明顯促進作用，但數(shù)字化轉(zhuǎn)型的范圍和含義比較廣泛，目前仍沒有一個統(tǒng)一的界定，因此，需要做進一步的研究，以期最終形成一個標準，為今后的研究奠定理論基礎(chǔ)。

注 釋：

（1）資料來源于中國信通院發(fā)布的《中國數(shù)字化轉(zhuǎn)型發(fā)展白皮書（2020）》（https：//www.thepaper.cn/newsDetail_forward_8151951）。

（2）國家統(tǒng)計局數(shù)據(jù)顯示，截至2019年，全國法人單位共25 280 211個。其中：工業(yè)企業(yè)法人單位共3 647 978個，占比14.43%，包括采礦業(yè)法人單位70 983個，制造業(yè)法人單位3 463 346個，電力、燃氣及水的生產(chǎn)和供應業(yè)法人單位113 649個；非工業(yè)企業(yè)法人單位21 632 233個，占比85.57%。

（3）國家統(tǒng)計局數(shù)據(jù)顯示，截至2020年，國內(nèi)生產(chǎn)總值1 015 986.2億元。其中：工業(yè)增加值313 071.1億元，占比30.81%；非工業(yè)企業(yè)增加值702 915.1億元，占比69.19%。

（4）資料來源于2010年發(fā)布的《信息化藍皮書》（http：//www.doc88.com/p-573429598808.html）。

（5）資料來源于《國家信息化發(fā)展評價報告（2016）》（http：//www.ocn.com.cn/chanjing/201611/yipoo18162845.shtml）。