供給側視角下數字化賦能效率研究

宋罡 趙洋洋

【摘 ?要】論文從數字化服務供給側的角度出發，以A公司2013-2022年的面板數據為研究樣本，運用隨機前沿分析法對A公司的數字化賦能效率進行測算。研究表明，A公司2013-2022年的總體數字化賦能效率處于中等水平，對各行業的數字化賦能效率呈現比較平穩的發展趨勢，其中對政府部門的數字化賦能效率最高，對云服務和汽車行業的數字化賦能效率較高，對通信行業、金融行業、醫療行業、外包服務、新聞出版行業的數字化賦能效率處于中游水平，對基礎設施和網絡安全行業的數字化賦能效率較低。

【關鍵詞】供給側；數字化；效率

【中圖分類號】F270.7；F49 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文獻標志碼】A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文章編號】1673-1069（2023）07-0131-03

1 引言

在數字經濟時代背景下，數字技術飛速發展，數字化賦能可以為企業構建數字生態系統、提升數字化能力、創造數字化資源，且數字化資源逐漸成為企業獲取競爭優勢的重要資源。在企業實踐中，陜鼓、三一重工、徐工等工業企業，均通過數字化技術為客戶提供了卓有成效的集成解決方

案[1]，而騰訊、阿里巴巴、京東等平臺企業，也通過數字化賦能用戶業務發展，為用戶提供支持和服務[2]。在理論研究中，數字化賦能受到廣泛關注，研究內容涉及醫療、教育、農業、工業、商業、金融、保險等多個領域。相關研究大多關注數字化賦能產生效應的作用機制，周文輝等[3]探討了傳統制造企業如何借助數字化賦能促進大規模定制技術創新。孫新波和蘇鐘海[4]構建了制造企業通過數據賦能實現敏捷制造的過程模型。孟凡生等[5]基于數字化賦能視角，探究了高端裝備制造企業智能化轉型的動態演進過程。池毛毛等[6]分析了數字化賦能對中小制造企業新產品開發的影響機制。Coreynen等[7]分析了數字化對制造企業服務化的影響機制。Scuotto等[8]關注數字化賦能對時尚產業中小企業的影響。張明超等[9]構建了數據賦能驅動精益生產創新內在機理的整合性理論模型。劉啟雷等[10]基于數字化賦能的視角，分析了企業創新的過程邏輯和機制。蔣巒等[11]基于雙元創新視角分析了數字化賦能企業韌性的機制。王墨林等[12]基于動態能力理論，通過文本挖掘方法測量了企業層面的數字化轉型指數，揭示了數字化賦能企業國際化廣度的作用機制。但鮮有研究關注數字化賦能的效率問題，而數字化賦能效率問題正是衡量數字化賦能效果的關鍵所在，以往關于數字化賦能效率的研究大多從區域、產業等宏觀層面展開分析，很少關注微觀層面的數字化賦能效率問題，少有幾篇相關文獻也是從數字化技術如何提升企業技術效率的角度出發分析數字化賦能所產生的效應。有鑒于此，本文聚焦于企業數字化賦能效率問題，從數字化服務供給側的角度，精確測算其對各行業的數字化賦能效率，明確數字化技術與各行業的融合程度，以期為推動數字產業化和產業數字化提供經驗證據和決策參考。

2 研究方法

常用的技術效率的測量方法主要有兩種：一種是非參數方法的數據包絡分析（DEA）；另一種是參數方法的隨機前沿分析（SFA）。從方法層面看，兩種方法各有優勢，在測量技術效率的研究中均得到了廣泛應用，而且測量結果并無顯著性差異[13]。由于本研究使用的是2013-2022年企業層面的面板數據，不同時期不同生產單元的技術效率會有明顯的差異，隨機誤差項產生的影響較大，因此，隨機前沿分析（SFA）相對而言更能滿足本研究需要。

隨機前沿分析方法從計量經濟學角度出發，具備堅實的理論基礎。最早由Aigner、Lovell和Schmidt[14]，Meeusen和

Broeck[15]于1977年相繼提出，后續由Battese和Coelli[16]對該分析方法進行了擴展，引入了對效率損失的影響因素的無偏有效估計，使隨機前沿分析方法更為完善，目前已經成為廣泛使用的技術效率測量方法。其理論模型的一般型如式（1）所示。

Yit=f（xit，β）exp（vit-uit） ? ? ? ? （1）

式中，Yit表示第i生產單元在時期t的實際產出；f（·）表示前沿生產函數；xit表示第i生產單元在時期t的投入；β表示待估計參數；（vit-uit）表示復合誤差項，其中vit為隨機擾動項，uit為技術非效率項。

隨機前沿分析是一種參數分析方法，需要設定具體的生產函數，常用的生產函數形式有柯布-道格拉斯生產函數和超越對數生產函數。兩種函數形式在測量技術效率時各有利弊，并且均被廣泛地應用于具體研究中，出于對形式簡單、易于估計和分解的考慮，本研究選擇柯布-道格拉斯生產函數作為隨機前沿分析的函數形式進行技術效率測量，具體形式如式（2）所示。

lnYit=β0+β1lnCit+β2lnLit+vit-uit ? ? ? （2）

式中，Cit表示第i生產單元在時期t的財力投入；Lit表示第i生產單元在時期t的人力投入；其他變量含義同上。

3 數據與變量

本研究的樣本數據來源于A公司各事業部2013-2022年的面板數據，A公司是行業領先的全球化信息技術、產品和解決方案公司，每個事業部專注于相應行業的數字化賦能業務，是產業創新變革的推動者和數字化轉型的賦能者，賦能全球各行業大中型客戶實現信息化、數字化、智能化發展。在技術效率測量時以A公司各事業部為生產單元，對應數字醫療、云服務、汽車行業、數字金融、基礎設施、網絡安全、政府部門、外包服務、通信行業、新聞出版行業等10個行業部門。關于各生產單元的投入變量，借鑒相關研究的做法，分別選用研發成本和工作量投入作為衡量物質資本和人力資本投入的指標；對于各生產單元的產出變量，通常采用銷售收入類的指標來測量[17]，銷售回款能夠更加真實地

反映銷售收入水平，因此，本文選用銷售回款作為產出變量的測量指標。

4 結果分析

4.1 生產函數估計結果分析

本文運用Frontiers 4.1軟件對上述模型和數據進行隨機前沿分析，得到的參數估計結果和各生產單元技術效率值如表1和表2所示。

從表1可以看出，相關參數均通過了顯著性檢驗，其中，LR檢驗值為89.054，通過顯著性檢驗，表明誤差項具有顯著的復合結構，進一步說明本文使用隨機前沿模型的合理性。γ=0.892，表明前沿生產函數的復合誤差項中有89.2%的成分來自技術非效率的影響。β1＞0，資本產出彈性為正，表明A公司財力資源要素產出彈性處于不斷上升的狀態。β2＜0，人力產出彈性為負，表明A公司人力資源要素產出彈性處于不斷下降的狀態，由此說明A公司技術效率的提升越來越依賴于財力資源要素投入的增加。

4.2 技術效率測量結果分析

表2列示了2013-2022年A公司對各行業數字化賦能效率的測算結果，縱向數據主要反映各個行業近10年數字化賦能效率的變化情況；橫向數據主要反映A公司對各行業數字化賦能效率在同一年份的對比情況。總體來看，A公司對各行業的數字化賦能效率處于中游水平，均值為0.504，尚有一定的提升空間。

從縱向上來看，各行業數字化賦能效率總體上比較平穩，但大多數行業出現小幅下降趨勢，在一定程度上表明A公司近10年來各部門的經營狀況處于比較平穩的狀態，人力、財力的投入均能夠保持比較平穩的產出水平。特別是近幾年受疫情影響，在總體外部經營環境不樂觀的情況下，各部門仍能保持比較平穩的投入產出效率，這可能與國家近年來大力發展數字化產業有關，但我們也應該看到，A公司各部門的數字化賦能效率均出現小幅下滑的趨勢，這也提醒企業在發展過程中，在加大人力、物力投入的同時，更應關注效率問題，使企業在投入約束的條件下，能夠獲得更多的產出。特別是后疫情時代，在國家大力發展數字產業化、產業數字化的背景下，A公司更應該以此為契機，在加大人力、物力投入的同時，探尋更為合理的資源利用方式，優化資源配置，提升企業數字化賦能效率。

從橫向上來看，A公司對各行業的數字化賦能效率可分為4個梯度：A公司對政府部門的數字化賦能效率最高，且一直比較平穩；對云服務和汽車行業的數字化賦能效率較高，均在0.7左右，這兩個行業也是A公司近年來大力發展的行業，從投入產出效率角度來看，目前取得了較好的效果；對通信行業、金融行業、醫療行業、外包服務、新聞出版行業的數字化賦能效率處于中游水平，說明尚存在一定的提升空間，從投入產出角度來看，在加大人力、財力投入的同時，更應關注資源的合理配置，使各種資源能夠得到更加充分的利用，從而提升投入產出效率；對基礎設施和網絡安全行業的數字化賦能效率較低，尚有很大的提升空間，相關部門亟需優化資源配置結構，提升資源利用效率。

5 結論

本文以2013-2022年A公司各事業部的運營數據為研究樣本，運用基于柯布-道格拉斯生產函數的隨機前沿分析方法，從供給側角度對A公司各部門的數字化賦能效率進行測算。研究發現，A公司對各行業的數字化賦能效率處于中游水平，具有一定的提升空間。從時間維度來看，各行業數字化賦能效率總體上比較平穩，但大多數行業出現小幅下降趨勢；從行業維度來看，A公司對政府部門的數字化賦能效率最高，對基礎設施和網絡安全行業的數字化賦能效率較低，對通信行業、金融行業、醫療行業、外包服務、新聞出版行業的數字化賦能效率處于中游水平，對云服務和汽車行業的數字化賦能效率較高。

本文對于明確數字化技術與各行業的融合程度有一定的參考價值，但仍存在些許不足，主要體現在A公司作為行業領先的全球化信息技術、產品和解決方案公司，是產業創新變革的推動者和數字化轉型的賦能者，雖然以其為研究對象具有一定的代表性，但如果想要得出更加普適性的研究結論，還需要進行大樣本的調查分析。

【參考文獻】

【1】羅建強，蔣倩雯.數字化技術作用下產品與服務創新：綜述及展望[J].科技進步與對策，2020，37（24）：152-160.

【2】周文輝，鄧偉，陳凌子.基于滴滴出行的平臺企業數據賦能促進價值共創過程研究[J].管理學報，2018，15（8）：1110-1119.

【3】周文輝，王鵬程，楊苗.數字化賦能促進大規模定制技術創新[J].科學學研究，2018，36（8）：1516-1523.

【4】孫新波，蘇鐘海.數據賦能驅動制造業企業實現敏捷制造案例研究[J].管理科學，2018，31（5）：117-130.

【5】孟凡生，徐野，趙剛.高端裝備制造企業向智能制造轉型過程研究——基于數字化賦能視角[J].科學決策，2019（11）：1-24.

【6】池毛毛，葉丁菱，王俊晶，等.我國中小制造企業如何提升新產品開發績效——基于數字化賦能的視角[J].南開管理評論，2020，23（3）：63-75.

【7】Wim Coreynen，Paul Matthyssens，Johanna Vanderstraeten，et al.Unravelling the internal and external drivers of digital servitization： A dynamic capabilities and contingency perspective on firm strategy[J].Industrial Marketing Management，2020（89）：265-277.

【8】Veronica Scuotto，Elisa Arrigo，Elena Candelo，et al.Ambidextrous innovation orientation effected by the digital transformation： A quantitative research on fashion SMEs[J].Business Process Management Journal，2020，26（5）：1121-1140.

【9】張明超，孫新波，王永霞.數據賦能驅動精益生產創新內在機理的案例研究[J].南開管理評論，2021，24（3）：102-116.

【10】劉啟雷，張媛，雷雨嫣，等.數字化賦能企業創新的過程、邏輯及機制研究[J].科學學研究，2022，40（1）：150-159.

【11】蔣巒，凌宇鵬，張吉昌，等.數字化轉型如何影響企業韌性？——基于雙元創新視角[J].技術經濟，2022，41（1）：1-11.

【12】王墨林，宋淵洋，閻海峰，等.數字化轉型對企業國際化廣度的影響研究：動態能力的中介作用[J].外國經濟與管理，2022，44（5）：33-47.

【13】徐勇，宋罡.基于DEA和SFA比較分析的中小企業技術效率區域差異研究[J].學術研究，2013（6）：87-90+160.

【14】Dennis Aigner，C.A.Knox Lovell，Peter Schmidt.Formulation and estimation of stochastic frontier production function models[J].Journal of Econometrics，1977，6（1）：21-37.

【15】Meeusen W，Van Den Broeck J.Efficiency estimation from cobb-douglas production functions with composed error[J].International Economic Review，1977，18（2）：435-444.

【16】George Battese，Timothy James Coelli.A model for technical inefficiency effects in a stochastic frontier production function for panel data[J].Empirical Economics，1995（20）：325-332.

【17】宋罡，徐勇.基于隨機前沿分析的中小企業技術效率[J].系統工程，2013，31（2）：77-83.