工業企業數字化轉型抑制了“去工業化”嗎？

摘"要：隨著數字經濟快速發展，企業數字化轉型為企業發展帶來了新的發展潛能，這能否成為應對“去工業化”的有效手段并對其導致的結構性減速形成補償效應，則有待考察。本文將企業數字化轉型和“去工業化”納入統一分析框架，基于2011—2019年中國滬深A股工業上市公司數據，實證檢驗工業企業數字化轉型對“去工業化”的影響及作用機制，并考察結構性減速補償效應。研究發現：企業數字化轉型顯著抑制了“去工業化”，并呈現一定的企業屬性和城市層級異質性特征，企業數字化轉型主要通過降低企業營業成本和促進企業技術創新，發揮對“去工業化”的抑制效果。進一步研究發現，“去工業化”對經濟增長呈現顯著的結構性減速影響，企業數字化轉型則在這一影響中發揮結構性減速補償效應。

關鍵詞：企業數字化轉型；“去工業化”；結構性減速；補償效應

中圖分類號：F06.5；F426文獻標識碼：A文章編號：1001-148X（2024）04-0001-12

收稿日期：2023-12-31

作者簡介：王志閣（1992—），男，山東聊城人，博士研究生，研究方向：數字經濟與高質量發展；梁樹廣（1982—），男，山東聊城人，教授，研究方向：產業升級；魏緒石（1992—），本文通訊作者，男，山東聊城人，博士研究生，研究方向：企業管理、數字經濟及創新。

基金項目：國家社會科學基金項目“新發展格局下制造業創新鏈產業鏈資金鏈耦合的機制與路徑研究”，項目編號：21BJY065。

①考慮到新冠疫情的影響，本文未將2020年及其之后年份的經濟增長情況納入分析。

一、引"言

從“十三五”規劃提出“加快推動服務業優質高效發展”“服務業比重進一步提高”的發展目標，到“十四五”規劃強調“保持制造業比重基本穩定”，再到黨的二十大報告明確指出“堅持把發展經濟的著力點放在實體經濟上”“加快發展數字經濟，促進數字經濟與實體經濟深度融合”，政策基調發生了明顯轉變。學界和理論界對此持有較大爭議，那么政策基調為何發生轉變，為何要轉向強調“保持制造業比重基本穩定”？其與“促進數字經濟與實體經濟深度融合”之間又存在何種關聯？

配第-克拉克定律、庫茲涅茨事實以及錢納里“標準結構”理論均表明，一國不可避免地會在工業化后期經歷工業份額下降、服務業份額上升的“去工業化”過程。從圖1來看，中國第二產業增加值占比和就業人員占比分別于2011年和2012年前后達到峰值，進而轉入工業份額下降、服務業份額上升階段。但與發達國家相對徹底工業化基礎上的“典型去工業化”相比，我國面臨“過早去工業化”的風險［1］。與此同時，“去工業化”的過程也伴隨GDP增速的下降，GDP增速由2010年的10.6%下降到2019年的6%①，因此有理由懷疑是否正是“去工業化”導致了我國經濟增長的結構性減速，從而促使我國面臨陷入像拉美國家所遭遇的“中等收入陷阱”風險？在此過程中，據中國信息通信研究院公布的《中國數字經濟發展白皮書》數據顯示，我國數字經濟規模占GDP的比重由2011年的20.3%上升到2019年的36.2%，并逐步實現與實體經濟的深度融合［2］。

因此，在政策基調轉變背景下，結合圖1所展現的“去工業化”、結構性減速及數字經濟規模的快速發展現狀，企業作為宏觀經濟的微觀構成和重要的市場主體，工業企業數字化轉型對“去工業化”會產生何種影響？會否呈現企業屬性和城市層級等方面的異質性？其產生作用的機制是怎樣的？“去工業化”是否導致了經濟增長的結構性減速以及企業數字化轉型能否會對此帶來補償效應？對這些問題展開研究，對保持制造業比重基本穩定、厘清工業企業數字化轉型與“去工業化”的關系進而推動數字經濟與實體經濟走向深度融合，從而避免陷入并跨越“中等收入陷阱”、助力實現2035年經濟增長遠景目標具有重要的理論意義和實踐價值。

圖1"中國“去工業化”經濟增長與數字經濟規模占比情況

Tapscott在其著作《數字經濟：智力互聯時代的希望與風險》首次提出了“數字經濟”概念。近年來，隨著新一輪科技革命的興起，數字經濟逐漸成為國家實施重大戰略、推動經濟高質量發展的關鍵支撐和重要動能，數字經濟也成為學界研究的熱點。從宏觀層面來看，現有研究對數字化水平測度往往采用國民經濟核算法［3］、構建數字化指標體系、騰訊數字研究院公布的數字經濟指數及“北京大學數字普惠金融指數”等方法，進而實證檢驗數字化對經濟增長［4］、區域創新等方面的影響。

從微觀層面來看，當前關于企業數字化轉型的研究主要圍繞企業數字化轉型的內涵界定、測度方法及經濟后果展開。針對企業數字化轉型的內涵界定，學者們普遍認同，企業數字化轉型不僅僅是憑借數字技術在收集信息、處理數據及情況反饋等方面的優勢，將其應用于企業運營管理、生產、銷售、經營及產品研發等各個階段，最終實現優化企業資源配置、價值增值和增強競爭力的過程［5］，更重要的是依托數字技術應用實現整個企業經營理念、運作模式及管理方式等的全面變革［6］。而對企業數字化轉型的測度方法則大體經歷了“0-1”虛擬變量法、單一指標法及文本分析法［7-9］。而在文本分析法成為主流方法的基礎上，諸多學者圍繞其經濟后果展開研究，認為企業數字化轉型通過將數字技術應用于企業生產、運營及管理等各個環節，實現企業向信息化、智能化方向轉型，促進企業信息共享、資源優化配置及知識積累，推動股票流動性［7，10］、企業專業化分工［8］及創新效率［11］等，從而顛覆價值創造過程，并最終實現企業全要素生產率提升［9］及企業成長［5］；但同時企業數字化轉型也面臨隱性成本高昂、人才儲備不足和監督與扶持力度乏力等問題，若忽視了與現有運營模式和管理組織結構的適配度，依然存在績效提升效果有限、抑制企業全要素生產率的風險［12］。

早期關于“去工業化”的研究也多集中于發達國家“去工業化”所造成的負面經濟效果，進而帶來失業率上升、創新能力降低和收入差距擴大等問題。Rodrik進一步指出以拉美國家為代表的部分發展中國家存在較低人均收入水平上的“過早去工業化”問題，從而陷入“中等收入陷阱”［13］。基于此，目前針對我國為代表的發展中國家“去工業化”的研究則主要集中于“去工業化”的原因、存在性爭議、影響因素及其經濟效應方面。原因方面，Rodrik指出開放發展中經濟體“過早去工業化”的根本原因在于制造業生產率惡化或其慢于全球水平；后繼學者則進一步從技術、需求、貿易和全球價值鏈等方面對其原因展開分析［14］；王希元和楊先明則認為“去工業化”的重要原因在于部門間生產率差距［15］。存在性爭議及經濟后果方面，相當一部分研究認為我國已出現了“去工業化”現象且呈現過早趨勢，進而對我國經濟的長期增長、收入不平等帶來嚴重的負面影響［16］；另有部分學者則否定了我國已經進入“去工業化”階段［17］。影響因素方面，現有研究主要從對外直接投資［18］、環境規制［19］等角度檢驗對“去工業化”的影響。

綜合來看，現有文獻關于企業數字化轉型和“去工業化”分別開展了較為充實的研究，但在研究視角、指標測度等方面仍存在一些不足。為此，本文在將工業企業數字化轉型和“去工業化”納入統一考察框架并分析其作用機制的基礎上，采用2011—2019年中國滬深A股工業上市公司數據，實證考察了工業企業數字化轉型對“去工業化”的影響，并檢驗了其作用機制，進一步考察了工業企業數字化轉型對“去工業化”的結構性減速補償效應。

本文的邊際貢獻體現在：第一，首次嘗試將“去工業化”問題納入當下極為重要的數字經濟背景，結合考察工業企業數字化轉型對“去工業化”的影響，不僅豐富了企業數字化轉型和“去工業化”的文獻，而且有利于為應對“去工業化”問題提供新的考量視角；第二，本文在對“去工業化”的考察中嘗試采用微觀企業個體的就業人數指標進行，并進一步采用現有文獻較常用的第二產業增加值占GDP的比重和第二產業從業人員比重進行穩健性檢驗和考察，不僅保證了實證結果的穩健性和科學性，而且豐富了現有關于“去工業化”的考察指標；第三，本文不僅詳細分析了工業企業數字化轉型對“去工業化”的作用機制，多角度檢驗了工業企業數字化轉型對“去工業化”的影響效果，而且補充考察了工業企業數字化轉型對“去工業化”的結構性減速補償效應，為從工業企業數字化轉型角度應對“去工業化”問題提供了有力支撐。

二、理論分析與研究假設

（一）工業企業數字化轉型對“去工業化”的直接影響

依托數字技術的企業數字化轉型正逐步實現與實體經濟的融合，將通過變革企業生產運營模式、提高資源配置效率及協同溢出效應對“去工業化”起到抑制作用。首先，數字技術憑借在信息收集、數據處理等方面的優勢，將滲透到企業生產、運營及管理的各個環節，實現與實體經濟的深度融合，推進企業經營理念和業務流程向信息化、數字化及數智化方向轉變［2］，提升企業經營績效。其次，工業企業數字化轉型不僅會推進數字技術與傳統生產要素相融合，提高傳統生產要素的資源邊界和產出效率，而且數據已作為新的生產要素滲透到企業生產經營管理的各個環節，數字技術的應用可以大幅降低在信息獲取、數據處理及交易活動中的成本，緩解信息不對稱風險，實現資源配置效率的大幅優化和提高［20］。最后，以數字技術為代表的新一輪科技革命，必然會產生強烈的數字化轉型協同效應，在全行業形成績效溢出，推動實體經濟產業升級和生產效率提升。根據上述分析，提出以下假設：

H1："工業企業數字化轉型能顯著抑制“去工業化”。

（二）工業企業數字化轉型對“去工業化”的作用機制

工業企業數字化轉型主要通過“降低企業營業成本”和“促進企業技術創新”兩大機制作用于“去工業化”。

第一，降低企業營業成本。工業企業數字化轉型能夠降低工業企業管理成本、搜尋成本、交易成本及融資成本等，從而降低總體營業成本。傳統企業組織架構往往是科層制、垂直化的“金字塔”式，往往會產生較高的信息溝通和管理成本，而數字技術的運用會催生企業組織結構向扁平化、網絡化方向發展，極大提升企業組織運轉效率、降低企業管理成本和委托代理成本；數字技術會促進企業信息搜尋和處理能力的提升，降低企業信息不對稱帶來的資源獲取成本，提升企業資源配置效率；工業企業數字化轉型不僅會幫助企業在精準獲取市場需求的基礎上制定生產規劃、優化生產流程，而且可以憑借線上平臺海量供求數據精準識別交易對象，極大提升交易效率和交易規模，降低交易成本［21］；融資難、融資貴往往是制約企業經營規模和績效的重要因素，數字技術的應用不僅可以降低信貸市場上的信息不對稱，更好地促進資本供需匹配，而且數字金融可以互補傳統金融市場，降低企業融資成本。企業營業成本的降低無疑更有利于制造業企業提升經營績效、擴大生產規模，從而抑制“去工業化”水平和進程。

第二，促進企業技術創新。工業企業數字化轉型會通過促進制造業為主的工業企業高效融資、重塑創新模式及新知識新技術的外溢共享促進企業技術創新，進而抑制“去工業化”。制造業企業數字技術的應用會增強績效預期，引發“投資者關注效應”，促使投資者將更多的資金投入數字技術創新和應用，數字金融也會為企業創新提供更加便捷的融資條件，為企業創新提供充裕資金［22］；工業企業數字化轉型對創新模式的重塑體現在研發與生產邊界的弱化、生產者與消費者的高效良性互動及企業之間日益高效的開放式協同創新等方面，這不僅大大增強數字技術方面的創新效率和產品研發效率，而且對非數字技術領域的傳統創新也會起到程序優化的作用，從而總體提升企業創新效率和創新能力；數字時代的新知識和新技術具有更強的外溢性和共享性，更易突破時空障礙進行傳播和共享，后發企業可以借此立足全球和全行業學習先進企業在創新和管理方面的先進經驗，提升自身創新和管理水平，從而對“去工業化”起到抑制作用。根據上述分析，提出以下假設：

H2a：工業企業數字化轉型能夠通過降低企業營業成本抑制“去工業化”。

H2b：工業企業數字化轉型能夠通過促進企業技術創新抑制“去工業化”。

三、研究設計

（一）樣本選擇和數據來源

本文初始樣本數據主要來自2011—2019年中國滬深A股工業上市公司，并進行了處理：（1）剔除了S、ST、*ST、S*ST、SST類企業；（2）剔除了金融類上市公司，最終得到1134家工業上市公司樣本。地級市層面的數據則主要基于2011—2019年中國地級市層面進行選取，并剔除數據缺失嚴重的樣本，最終得到2011—2019年289個地級市樣本數據。上市公司數據主要來自國泰安數據庫（CSMAR），企業專利數據來自中國研究數據服務平臺（CNRDS），上市公司年報數據來自深圳證券交易所和上海證券交易所官方網站；地級市層面數據來自EPS數據庫和《中國城市統計年鑒》。

（二）變量選取和定義

1.被解釋變量

“去工業化”（lndeinval）。現有文獻鮮有從微觀企業層面對“去工業化”程度進行衡量，本文主要借鑒劉和旺等的研究［19］，采用工業企業就業人數（lndeinlcemp）從微觀層面對“去工業化”予以衡量。在穩健性檢驗中則從地級市層面對“去工業化”進行衡量。

2.核心解釋變量

工業企業數字化轉型（lnDIG）。在數字經濟不斷向縱深發展的背景下，學界對數字經濟的研究也逐步從宏觀區域層面、中觀行業層面轉向微觀企業層面，即轉向對企業數字化轉型（lnDIG）的研究。本文在吳非等方法基礎上［7］，并參考袁淳等、韓曉晨等的做法［8-9］，從人工智能、大數據、云計算、區塊鏈及數字技術應用等五個維度整合并構建新的數字化轉型關鍵詞詞庫，進而借助Python開放源的“Jieba”分詞功能對年報中與數字化轉型相關的關鍵詞進行分析統計，并剔除非本公司數字化轉型詞匯。鑒于統計后的詞頻具有“右偏性”特征并由于存在未進行數字化轉型的0值樣本，因此對其加1后取對數處理來刻畫工業企業數字化轉型程度（lnDIG）。

3.控制變量

本文主要對以下企業層面因素進行控制：企業年齡（lnbusage）采用截至考察年份企業成立年限的自然對數表示；企業規模（lnensize）采用企業總資產的自然對數表示；第一大股東持股比例（larhrate）；資產負債率（Alr）采用總負債與總資產比值的自然對數表示；流動比率（Curatio）采用流動資產與流動負債的比值表示；資本密集度（capin）采用總資產與營業收入的比值表示；盈利能力（profitability）采用凈利潤與總資產的比值表示；行業市場集中度（HHI_A）采用赫芬達爾指數表示。主要變量的描述性統計如表1所示。

（三）計量模型設定

為檢驗工業企業數字化轉型對“去工業化”的影響，借鑒袁淳等的模型構建思路［8］并結合本文理論分析構建如下計量模型：

lndeinlcempit=α0+β1lnDIGit+∑control+δi+γf+θc+τt+εifct（1）、

其中，下標i、f、c、t分別表示企業、行業、城市和時間。lndeinlcempit為被解釋變量，表示i企業在t年的就業人數的自然對數，代指“去工業化”程度；lnDIGit為核心解釋變量，表示i企業在t年的數字化轉型程度；control表示一系列控制變量，具體的變量選取如前文所述。本文同時在模型中加入了企業固定效應δi、行業固定效應γf、城市固定效應θc及時間固定效應τt，εifct為隨機誤差項。

四、實證檢驗與結果分析

（一）基準回歸結果

基于基準模型式（1）并采用了遞進式回歸策略實證檢驗了工業企業數字化轉型對“去工業化”的影響，回歸結果如表2所示。列（1）僅對企業、行業、城市和時間效應進行了控制；列（2）進一步納入諸多控制變量，結果表明，工業企業數字化轉型的系數通過了1%的顯著性水平檢驗且為正，表明工業企業數字化轉型有利于工業企業就業人數的增加，即會抑制“去工業化”程度的抬升，這基本驗證了黃賾琳等針對數字經濟對制造業產生影響的結論［23］，工業企業數字化轉型通過將數據要素和數字技術應用于工業企業，并逐步實現與實體經濟的融合，進而變革企業生產運營模式、提高資源配置效率及發揮協同溢出效應對“去工業化”起到抑制作用，這驗證了假設H1。

（二）內生性問題處理

盡管在基準回歸模型中已將盡可能多的控制變量納入模型以避免遺漏變量對回歸結果產生偏差；但工業企業數字化轉型與“去工業化”之間仍可能存在反向因果關系，導致模型回歸結果產生偏誤，即出現內生性問題。本文將考慮分別采用工具變量法、取核心解釋變量的滯后一期重新檢驗以及外生沖擊檢驗等方法來處理模型可能存在的內生性問題。

1.工具變量法

參考張勛等的做法［4］，選取“各工業上市公司所在地級市與杭州市的球面距離（Dist）”作為第一類工具變量；參考杜勇等［24］的做法，選用“工業企業數字化轉型的年度行業均值（mean_lnDIG）”作為第二類工具變量，兩類工具變量均滿足相關性和排他性要求。采用兩階段最小二乘法（2SLS）工具變量的回歸結果如表3所示。第一階段回歸結果顯示，兩類工具變量均在1%的水平下分別顯著抑制和促進了工業企業數字化轉型，滿足了相關性要求；第二階段的回歸結果顯示，識別不足檢驗Anderson-Rubin"Wald（F統計量）和不可識別檢驗Kleibergen-Paap"rk（LM統計量）均在1%或5%的水平下通過了顯著性檢驗，弱識別檢驗Kleibergen-Paap"rk"Wald（F統計量）也均遠大于Stock-Yogo"弱識別檢驗統計量在10%水平下的臨界值，工具變量選取有效。結果顯示，工業企業數字化轉型均在5%水平下顯著促進了工業企業就業人數的提升，即對“去工業化”起到了抑制作用，表明基準結論仍成立。

2.取核心解釋變量滯后期再檢驗

針對反向因果關系可能造成的內生性問題，采用取核心解釋變量滯后一期的方式重新進行檢驗。結果如表4列（1）所示。具體地，核心解釋變量的滯后一期在1%的水平下顯著促進了工業企業就業人數的提升，抑制了“去工業化”水平，表明基準回歸結果具有較強的穩健性。

3.基于“寬帶中國”的外生沖擊檢驗

為實現對寬帶的進一步提速擴容，工業和信息化部、國家發改委分別于2014—2016年分批篩選出120個城市（群）作為“寬帶中國”試點，這一舉措為工業企業數字化轉型的“去工業化”效應提供了理想的準自然實驗。為此，借鑒趙濤等的做法［25］，以“寬帶中國”試點政策作為外生政策沖擊，構建多期雙重差分模型（DID）來檢驗工業企業數字化轉型是否抑制了“去工業化”，以進一步處理模型反向因果等原因帶來的內生性問題。

為此，構建多期雙重差分模型（2）：

lndeinlcempit=α0+β1BD_Chinact+∑control+δi+γf+θc+τt+εifct（2）

其中，BD_China表示c城市在t年是否被選入“寬帶中國”試點名單，若入選，則t年及其之后年份取值為1，其他年份及未入選名單則取值為0，其他變量含義同基準模型式（1）。

平行趨勢假設是雙重差分模型的重要前提假設和必要條件，因此本文首先采用事件研究法進行了平行趨勢檢驗。具體來說，本文選取政策實施的前一年為基期，將其他年份的虛擬變量納入模型進行估計，結果如圖2所示。可見，在政策實施前，實驗組和控制組的“去工業化”程度不存在明顯差異；而在政策實施后，實驗組城市工業企業就業人數明顯提升且與控制組差異越來越大，說明通過了平行趨勢檢驗。進而，采用多期雙重差分模型的估計結果如表4列（2）所示，BD_China系數在5%的水平下顯著為正，表明“寬帶中國”試點政策顯著促進了工業企業就業人數的提升，即抑制了“去工業化”，印證了基準回歸結果的穩健性。

（三）穩健性檢驗

1.替換核心解釋變量

借鑒袁淳等基于文本分析法對企業數字化轉型的測度方法［8］，將核心解釋變量進一步替換為數字化轉型詞頻總數除以年報總詞數×100（DIGw）重新進行實證檢驗，回歸結果如表5列（1）所示。替換核心解釋變量后，工業企業數字化轉型依然顯著抑制了“去工業化”，基準回歸結果是穩健的。

2.地級市層面的實證檢驗

本部分將工業企業數字化轉型水平歸集到其所在的地級市層面，并取其均值作為地級市層面的數字化轉型水平（mean_lnDIG），并分別采用各地級市第二產業增加值占GDP的比重（lndeinval）和第二產業從業人員比重（lndeinsemp）對“去工業化”進行衡量。城市層面控制變量主要參考薛軍和鄭毓銘的研究［18］進行選取限于篇幅，地級市層面控制變量未予列示。。地級市層面回歸結果如表5列（2）和列（3）所示。具體來看，企業數字化轉型分別在10%和1%的水平下顯著為正，表明工業企業數字化轉型對“去工業化”仍起到了顯著抑制作用，驗證了微觀層面基準回歸結果的穩健性。

3.限定回歸樣本

參考吳曉暉等的研究［26］，進一步將回歸樣本區分為“制造業企業樣本”和“工業非制造業企業樣本”重新回歸并進行對比分析，結果如表5列（4）和列（5）所示。相比于工業非制造業上市公司，制造業上市公司的數字化轉型在1%的水平下顯著促進了其就業人數的增加，從而更利于抑制“去工業化”。

4.工業企業數字化轉型分項指標回歸檢驗

借鑒吳非等的研究［7］，將工業企業數字化轉型進一步分解為“底層技術層面”（包括人工智能lnAI、區塊鏈lnBD、云計算lnCC和大數據lnDT）和“實踐應用層面”（lnADT），進而考察各分項指標對“去工業化”的結構差異，回歸結果如表6所示。具體來看，除云計算（lnCC）外，其他底層技術系數均在1%的水平上顯著為正，但均沒有“實踐應用層面”（lnADT）對“去工業化”的影響更大，這可能由于數字化轉型本身是多種數字技術綜合發展和逐步融合的結果，前期需要大量資本和人才投入，從而導致數字技術投入階段的“底層技術層面”對“去工業化”的抑制作用小于“實踐應用層面”，甚至出現反作用情形。

5.限定非零值樣本

為排除企業策略性行為的影響，借鑒袁淳等的做法［8］，剔除企業數字化轉型水平為0的樣本重新進行回歸，結果如表7列（1）所示。工業企業數字化轉型的系數仍在1%的水平下顯著為正，表明排除企業策略性行為后，工業企業數字化轉型仍顯著促進了企業就業人數的增加，對“去工業化”呈現顯著的抑制作用，基準回歸結果穩健可靠。

6.縮短樣本期間

主要從以下兩個方面對樣本進行處理：其一，考慮到2013年，《國務院關于推進物聯網有序健康發展的指導意見》的發布，推動了我國大規模企業數字化轉型進程。因此將樣本縮短為2013—2019年重新進行回歸；其二，為消除2015年中國股災的影響，將樣本縮短為2011—2015年重新進行檢驗，回歸結果如表7列（2）和列（3）所示。縮短樣本后，工業企業數字化轉型仍然顯著抑制了“去工業化”。

7."變量縮尾后檢驗

借鑒楊先明和王志閣的做法［27］，將所有變量進行了1%和99%分位的雙邊縮尾處理后重新進行回歸，結果如表7列（4）所示，去除異常值后回歸結果依然穩健。

（四）異質性檢驗

考慮到不同的企業屬性和企業所在地級市層級的不同可能使回歸結果產生異質性，主要借鑒吳非等和趙濤等（2019）的做法［7，25］，從企業所有制屬性、企業科技屬性參考經濟合作發展組織（OECD）對高新技術企業的劃分標準并主要依據《證監會2012版行業分類指引》，將“醫藥制造業”“計算機、通信和其他電子設備制造業”“鐵路、船舶、航空航天和其他運輸設備制造業”“儀器儀表制造業”企業劃歸為高新技術企業，將其他行業企業劃歸為非高新技術企業。及企業所在地級市層級屬性將直轄市、副省級城市和省會城市劃歸為中心城市，其他地級市劃歸為外圍城市。進行分樣本檢驗，回歸結果如表8所示。

從表8列（1）和列（2）企業所有制屬性分樣本結果來看，非國有工業企業數字化轉型對“去工業化”的影響系數在1%的水平下顯著促進了企業就業人數的增加，且系數大小和顯著性均大于國有工業企業，這表明非國有工業企業相較于國有工業企業，數字化轉型具有更強的“去工業化”效應。這可能源于非國有工業企業本身處于競爭激烈的市場環境中，為了謀求生存、開拓市場份額或獲取超額利益，非國有工業企業具有更強烈的進行創新和數字化轉型的主觀意愿；而國有工業企業往往憑借自身特殊地位而在資源獲取、市場份額獲得等方面具有天然優勢，從而缺乏進行主觀創新和數字化轉型的意愿。由此便導致相比于國有工業企業，非國有工業企業數字化轉型具有更強的“去工業化”效果。

從表8列（3）和列（4）企業科技屬性分樣本結果來看，高新技術工業企業數字化轉型對“去工業化”的影響系數大小和顯著性均大于非高新技術工業企業，這表明相比于非高新技術工業企業，高新技術工業企業數字化轉型具有更強的“去工業化”效應。這可能主要因為高新技術工業企業不僅以前沿科技創新為生產經營導向，還具有較強的前沿數字技術捕捉能力，并且可以憑借自身較強的創新基礎及時有效地將數字技術融合于自身的生產經營和管理中；而非高新技術工業企業自身不僅不以科技創新為導向，即使具有相應的創新敏銳力，也不具備及時開展并利用前沿數字技術的能力和基礎。因此，非高新技術工業企業的數字化轉型水平遠不及高新技術工業企業，其“去工業化”效應也相應偏低。

從表8列（5）和列（6）企業所在地級市層級屬性分樣本結果來看，中心城市和外圍城市工業企業數字化轉型對“去工業化”的影響系數均通過了1%的顯著性水平檢驗，但前者系數大于后者，這表明相比于外圍城市工業企業，中心城市工業企業數字化轉型的“去工業化”效應更大。這主要考慮到相比于外圍城市，中心城市無論從地理區位、交通通達性，還是從發展階段和資源稟賦方面，都具有天然的不可比擬的優勢，導致中心城市工業企業數字化轉型起步時間、發展水平等都必然強于外圍城市工業企業。因此，中心城市工業企業數字化轉型的“去工業化”效應強于外圍城市工業企業。

五、機制檢驗與分析

為打開工業企業數字化轉型對“去工業化”產生影響的機制黑箱，本部分將針對假設H2a和H2b所提出的“降低企業營業成本”和“促進企業技術創新”兩大渠道進行驗證。為此，首先借鑒溫忠麟等的研究［28］，采用逐步法構建如下中介效應檢驗模型：

lndeinlcempit=α0+α1lnDIGit+∑control+δi+γf+θc+τt+εifct（3）

Mit=β0+β1lnDIGit+∑control+δi+γf+θc+τt+εifct（4）

lndeinlcempit=γ0+γ1lnDIGit+γ2Mit+∑control+δi+γf+θc+τt+εifct（5）

其中，中介機制變量M包括企業營業成本（opercosts）和企業技術創新（lnpataut），分別采用企業營業成本和管理費用之和與營業收入的比值、企業專利授權數的自然對數表示。其他變量含義同基準模型式（1）。根據經驗思路，若α1顯著，且β1和γ2均顯著，則中介效應顯著；若同時γ1不顯著，則為完全中介過程，否則為部分中介過程。

逐步法中介機制檢驗結果如表9所示。從列（1）和列（4）結果來看，工業企業數字化轉型系數在1%的水平上顯著為正，表明工業企業數字化轉型顯著促進了工業企業就業人數的增加，對“去工業化”起到了明顯抑制作用，驗證了基準回歸結果的穩健性。從列（2）結果來看，工業企業數字化轉型對企業營業成本的影響系數在5%的水平上顯著為負，表明工業企業數字化轉型可以顯著降低工業企業營業成本；從列（3）結果來看，工業企業數字化轉型仍在1%的水平上顯著促進了工業企業就業人數的增加，對“去工業化”起到抑制作用，而企業營業成本則在1%的水平上顯著降低了工業企業就業人數的增加。綜合列（2）和列（3）結果來看，工業企業數字化轉型的確通過降低工業企業營業成本，進而對“去工業化”起到部分中介作用，這與假設H2a的預期一致。從列（5）結果來看，工業企業數字化轉型對企業技術創新的影響系數在5%的水平上顯著為正，表明工業企業數字化轉型可以顯著提升工業企業的技術創新水平；從列（6）結果來看，工業企業數字化轉型仍在1%的水平上顯著促進了工業企業就業人數的增加，對“去工業化”起到抑制作用，而企業技術創新則在10%的水平上顯著增加了工業企業就業人數。綜合列（5）和列（6）結果來看，企業技術創新在工業企業數字化轉型抑制“去工業化”路徑中起到部分中介作用，這與假設H2b的預期一致。

鑒于逐步法的中介機制檢驗力較低，本部分進一步采用抽樣1000次的Bootstrap法直接檢驗系數乘積，結果如表10所示。具體來看，企業營業成本和企業技術創新兩大機制中，間接效應和直接效應的95%置信區間及偏差糾正95%置信區間均不包含0，且間接效應和直接效應的系數方向是一致的，這表明兩大機制均起到部分中介作用，從而說明了逐步法中介機制檢驗結果的穩健性。

六、進一步研究：工業企業數字化轉型對“去工業化”的結構性減速補償效應

現有研究針對我國是否進入了“結構性減速”階段尚未達成一致意見，一方面，部分學者認為“結構性減速”的經濟服務化條件并不具備［29］，經濟增長率下降的根本原因在于工業與服務業同時出現的效率下降；但另一方面，“去工業化”與結構性減速的關系逐漸成為學界關注的重要問題，逐漸形成如前文圖1所展現的“結構性減速”論，部分學者也從實證角度對此進行驗證。另有學者嘗試從人工智能、知識化過程等角度探索應對“去工業化”的結構性減速效應的路徑和手段。

鑒于此，并結合前文工業企業數字化轉型對“去工業化”的抑制作用，進一步驗證“去工業化”的結構性減速效應是否存在？若存在，進而從工業企業數字化轉型角度探索其對“去工業化”的結構性減速影響是否存在補償效應，從而深化本文的研究意義，并為當前如何應對“去工業化”和結構性減速問題提供新的實證證據。

為探索上述問題，本文構建如下模型：

lnYct=α0+α1lnddeinvalct+∑control+θc+τt+εct（6）

lnYct=α0+α1lnddeinvalct+α2lnddeinvalct×mean_lnDIGct+∑control+θc+τt+εct（7）

其中，c和t分別為城市和時間，lnYct表示c城市t年的經濟增長水平，分別采用各城市歷年GDP的自然對數（lngdp）、各城市歷年人均GDP的自然對數（lnpcgdp）及各城市歷年GDP增長率的自然對數（lngdprate）來表示；lnddeinvalct表示各城市歷年的“去工業化”水平，為便于測度各城市“去工業化”對經濟增長的影響，在此將采用1-第二產業增加值占GDP的比重表示實際的“去工業化”水平；lnddeinvalct×mean_lnDIGct表示各城市歷年“去工業化”與各城市歷年的企業數字化轉型水平的交乘項，其他變量含義同前文。

回歸結果如表11所示。列（1）、列（3）和列（5）分別為“去工業化”對三類指標測度的各城市經濟增長水平的影響結果，發現“去工業化”水平對經濟增長的影響系數均在1%的水平上顯著為負，表明“去工業化”對經濟增長呈現顯著的結構性減速影響，這印證了學界的“結構性減速”論。進而從對應的列（2）、列（4）和列（6）的結果來看，除了列（6）不顯著外，列（2）和列（4）中各城市歷年“去工業化”與各城市歷年的企業數字化轉型水平的交乘項分別在1%和10%的水平上顯著為正，這表明工業企業數字化轉型在“去工業化”的結構性減速影響中呈現顯著的補償效應。企業數字化轉型不僅會作為新的生產要素進入工業企業生產過程，也會通過數字技術與實體企業的融合加速工業企業經營理念和業務流程向信息化、數字化及數智化方向發展［2］，促進生產效率大幅提升；企業數字化轉型還會通過新型數字技術的應用并憑借數字信號的可存儲、可復制性等特征逐步增強傳統服務的可貿易化水平，提升服務業的規模效率和貿易效率［30］，從而呈現對“去工業化”的結構性減速影響的補償效應。

七、研究結論與政策啟示

在國家大力倡導加快發展數字經濟和經濟面臨結構性減速的背景下，“實體企業+數字化”的企業數字化轉型成為“保持制造業比重基本穩定”和實現“把發展經濟的著力點放在實體經濟上”，進而避免陷入和跨越“中等收入陷阱”、助力實現2035年經濟增長遠景目標的重要手段。基于此，本文將工業企業數字化轉型和“去工業化”納入統一考察框架并針對其作用機制展開分析，采用2011—2019年中國滬深A股工業上市公司數據，實證考察了工業企業數字化轉型對“去工業化”的影響，并對其內生性問題、穩健性和異質性進行了處理和檢驗，進而驗證了其作用機制，進一步考察了工業企業數字化轉型對“去工業化”的結構性減速補償效應。主要結論如下：（1）工業企業數字化轉型顯著抑制了“去工業化”水平。在對內生性問題處理并進行穩健性檢驗后，該結論仍然成立；不同的企業屬性和企業所在地級市層級的不同會使回歸結果呈現顯著的異質性：非國有工業企業、高新技術工業企業及中心城市工業企業數字化轉型對“去工業化”的抑制作用更強。（2）工業企業數字化轉型主要通過降低企業營業成本和促進企業技術創新兩條渠道，發揮對“去工業化”的抑制效果。（3）當前，我國“去工業化”對經濟增長呈現顯著的結構性減速影響；工業企業的數字化轉型則在這一影響中表現出明顯的正向調節作用，即結構性減速補償效應。

本文所得結論具有重要的政策啟示。第一，正視當前“去工業化”現狀和數字經濟發展背景，將促進數字經濟和“中國制造2025”等發展戰略有機結合，鼓勵并引導實體企業把握數字化轉型機遇，促進其經營理念、業務流程及組織結構與數字技術深度融合，以充分發揮制造業增長引擎作用，助力實現2035年經濟增長遠景目標和中國經濟高質量發展。根據企業不同屬性特征引導企業制定數字化差異化發展策略，以充分發揮不同屬性企業的特定功能，尤其要著力引導非國有工業企業、高新技術工業企業和中心城市工業企業數字化轉型優勢，以充分發揮其“去工業化”抑制效應。第二，不僅要充分挖掘企業數字化轉型過程中“數據”這一新要素的經濟增長潛能，還要特別注重數字技術應用過程中與傳統要素的結合，借助企業數字化轉型進一步降低企業營業成本、增強企業技術創新水平，以更有效地抑制“去工業化”水平。第三，雖然我國當前的“去工業化”和增長減速一定程度上符合各國普遍存在的工業化后期的減速特征，但尤其要正視我國當前階段“去工業化”的“非典型性”及其所帶來的結構性減速后果，尤其是要防范其可能存在的“過早”和“過快”屬性，避免陷入像拉美國家式的“中等收入陷阱”；在當前數字經濟迅猛發展背景下，企業數字化轉型無疑是補償“去工業化”結構性減速效應的有效手段，也是助力實現2035年經濟增長遠景目標的有力抓手。要進一步通過大國市場優勢，創新數字化轉型多元生態場景，促進工業企業與數字技術更深度融合的同時，挖掘尤其對生產性服務業企業的轉型潛力，在助力提升制造業為主的工業企業發展效率的同時增強服務業的可貿易化水平，也是助力經濟增長的另一有力視角。

參考文獻：

［1］"袁富華.長期增長過程的“結構性加速”與“結構性減速”：一種解釋［J］.經濟研究，2012，47（3）：127-140.

［2］"劉慧，王曰影.“數實融合”驅動實體經濟創新發展：分析框架與推進策略［J］.經濟縱橫，2023（5）：59-67.

［3］"許憲春，張美慧，張鐘文.數字化轉型與經濟社會統計的挑戰和創新［J］.統計研究，2021（1）：15-26.

［4］"張勛，萬廣華，張佳佳，等.數字經濟、普惠金融與包容性增長［J］.經濟研究，2019，54（8）：71-86.

［5］"倪克金，劉修巖.數字化轉型與企業成長：理論邏輯與中國實踐［J］.經濟管理，2021，43（12）：79-97.

［6］"Verhoef"P"C，"Broekhuizen"T，"Bart"Y，"et"al."Digital"Transformation："A"Multidisciplinary"Reflection"and"Research"Agenda"［J］."Journal"of"Business"Research，"2021，122："889-901.

［7］"吳非，"胡慧芷，"林慧妍，"等."企業數字化轉型與資本市場表現——來自股票流動性的經驗證據［J］."管理世界，"2021（7）：10，"130-144.

［8］"袁淳，"肖土盛，"耿春曉，"等."數字化轉型與企業分工："專業化還是縱向一體化［J］."中國工業經濟，"2021（9）："137-155.

［9］"韓曉晨，陳風帆.數字化轉型與全要素生產率——基于綠色創新的中介效應分析［J］."哈爾濱商業大學學報（社會科學版），2023（4）：71-87.

［10］葛永波，徐巳萍，孔曉冉.數字化轉型對股價特質性波動的影響研究［J］.珞珈管理評論"，2022（6）：87-108.

［11］賀正楚，潘為華，潘紅玉，等.制造企業數字化轉型與創新效率：制造過程與商業模式的異質性分析［J］.中國軟科學，2023（3）：162-177.

［12］武常岐，張昆賢，周欣雨，等."數字化轉型、競爭戰略選擇與企業高質量發展——基于機器學習與文本分析的證據［J］.經濟管理，2022，44（4）：5-22.

［13］Rodrik"D."Premature"Deindustrialization［J］."Journal"of"Economic"Growth，2016，21（1）：1-33.

［14］江飛濤，雷澤坤，張鐘文.制造業增長中的結構變遷與效率演變——對“去工業化”問題的再探討［J］.中國工業經濟，2022（12）：71-88.

［15］王希元，楊先明.部門間生產率差距、勞動力去工業化與結構性減速［J］.經濟理論與經濟管理，2022，42（10）：17-32.

［16］魏后凱，王頌吉.中國“過度去工業化”現象剖析與理論反思［J］.中國工業經濟，2019（1）：5-22.

［17］聶飛，李磊.制造業企業對外直接投資、去工業化及其對全球價值鏈分工地位的影響［J］.國際貿易問題，2022（3）：160-174.

［18］薛軍，鄭毓銘.中國制造業對外直接投資的去工業化效應研究［J］.云南財經大學學報，2023，39（3）：24-39.

［19］劉和旺，張雙，鄭世林.環境規制加速了中國老工業城市“去工業化”嗎？［J］.中國軟科學，2023（2）：115-124.

［20］施炳展，李建桐.互聯網是否促進了分工：來自中國制造業企業的證據［J］.管理世界，2020，36（4）：130-149.

［21］于世海，許慧欣，孔令乾.數字經濟水平對中國制造業資源配置效率的影響研究［J］.財貿研究，2022，33（12）：19-34.

［22］羅佳，張蛟蛟，李科.數字技術創新如何驅動制造業企業全要素生產率？——來自上市公司專利數據的證據［J］.財經研究，2023，49（2）：95-109+124.

［23］黃賾琳，秦淑悅，張雨朦.數字經濟如何驅動制造業升級［J］.經濟管理，2022，44（4）：80-97.

［24］杜勇，謝瑾，陳建英.CEO金融背景與實體企業金融化［J］.中國工業經濟，2019（5）：136-154.

［25］趙濤，張智，梁上坤.數字經濟、創業活躍度與高質量發展——來自中國城市的經驗證據［J］.管理世界，2020，36（10）：65-76.

［26］吳曉暉，秦利賓，薄文.企業數字化轉型與現金持有——基于經營不確定性視角［J］.經濟管理，2023，45（2）：151-169.

［27］楊先明，王志閣."人工智能、財政職能與中國經濟發展質量［J］.宏觀質量研究，"2023，11（4）："49-66.

［28］溫忠麟.張雷，侯杰泰，等.中介效應檢驗程序及其應用［J］.心理學報，2004（5）：614-620.

［29］張月友，董啟昌，倪敏.中國經濟進入“結構性減速”階段了嗎［J］.經濟學家，2017（5）：44-49.

［30］江小涓，靳景.數字技術提升經濟效率：服務分工、產業協同和數實孿生［J］.管理世界，2022，38（12）：9-26.

Does"the"Digital"Transformation"of"Industrial"Enterprises"Suppress"

“Deindustrialization”？

——Also"on"its"Structural"Deceleration"Compensation"Effect

WANG"Zhige"1，"LIANG"Shuguang"2，"WEI"Xushi"3

（1.School"of"Economics，"Yunnan"University，"Kunming"650500，"China;"2."Business"School"of"Liaocheng

University，"Liaocheng"252000，"China;"3."School"of"Business"Administration"and"Accounting，"

University"of"Lhasa"Das"Marinas"Campus，"Philippines"4115）

Abstract："With"the"rapid"development"of"the"digital"economy，"the"digital"transformation"of"enterprises"has"brought"new"development"potential"to"their"development."Whether"this"can"become"an"effective"means"to"cope"with"deindustrialization"and"form"a"compensatory"effect"on"the"structural"slowdown"caused"by"it"remains"to"be"examined."This"article"integrates"the"digital"transformation"and"deindustrialization"of"enterprises"into"a"unified"analytical"framework."Based"on"the"data"of"industrial"listed"companies"in"the"Shanghai"and"Shenzhen"A-shares"of"China"from"2011"to"2019，"it"empirically"tests"the"impact"and"mechanism"of"digital"transformation"of"industrial"enterprises"on"deindustrialization，"and"examines"the"structural"deceleration"compensation"effect."Research"has"found"that"digital"transformation"of"enterprises"significantly"suppresses"deindustrialization"and"presents"certain"characteristics"of"enterprise"attributes"and"urban"heterogeneity."Digital"transformation"of"enterprises"mainly"exerts"its"inhibitory"effect"on"deindustrialization"by"reducing"operating"costs"and"promoting"technological"innovation."Further"research"has"found"that"deindustrialization"has"a"significant"structural"deceleration"effect"on"economic"growth，"and"digital"transformation"of"enterprises"plays"a"structural"deceleration"compensation"effect"in"this"impact.

Key"words：enterprise"digital"transformation;"deindustrialization;"structural"deceleration;"compensation"effect

（責任編輯：周正）