數字化轉型與企業全要素生產率

王京濱 劉趙寧 劉新民

收稿日期：2022-10-08修回日期：2022-12-13

基金項目：天津市研究生科研創新項目（2021YJSB248）

作者簡介：王京濱（1969-），男，山東臨沂人，博士，天津理工大學管理學院教授，研究方向為數字經濟與產業經濟；劉趙寧（1998-），女，遼寧鐵嶺人，天津理工大學管理學院碩士研究生，研究方向為數字經濟與產業經濟；劉新民（1975-），男，天津寶坻人，博士，天津理工大學管理學院副研究員，研究方向為技術經濟與管理。本文通訊作者：劉新民。

摘 要：制造企業數字化轉型既是實現制造業數字化、網絡化、智能化的關鍵路徑，也是促進我國經濟高質量發展的必然選擇。以2011—2020年中國 A 股制造業上市公司為研究樣本，實證考察企業數字化轉型對其全要素生產率（TFP）的影響及機制。結果表明：數字化轉型能夠顯著提升企業全要素生產率；在作用機制方面，數字化轉型可以通過改善資源配置效率促進企業全要素生產率提升。具體而言，數字化轉型通過提高企業供應鏈運作效率與矯正過度投資提升投資效率，進而提升企業全要素生產率；進一步分析發現，在高新技術企業以及東部地區和南方地區，數字化轉型對企業全要素生產率的提升作用更加顯著。結論可為理解企業數字化轉型的經濟效應提供新的經驗證據，從而為夯實經濟高質量發展必備的微觀基礎提供重要政策啟示。

關鍵詞：數字化轉型；資源配置效率；供應鏈運作效率；投資效率；全要素生產率

DOI：10.6049/kjjbydc.2022100126

開放科學（資源服務）標識碼（OSID）開放科學（資源服務）標識碼（OSID）：

中圖分類號：F272.5

文獻標識碼：A

文章編號：1001-7348（2024）03-0023-11

0 引言

制造業是立國之本、強國之基，從根本上決定著一個國家的綜合實力和國際競爭力。隨著國際貿易保護主義不斷升溫、疫情重構國內外產業鏈、消費結構轉型升級及互聯網科技迅猛發展^[1-2]，我國制造業面臨的國內外約束日益嚴重。與此同時，我國經濟已由高速增長階段轉向高質量發展階段，推動質量變革、效率變革、動力變革，是高質量發展階段的必然要求。因此，如何提高制造業全要素生產率，進而為我國經濟行穩致遠注入新的活力成為亟需解決的問題。

近年來，我國大力發展新一代數字技術，加速推動產業數字化變革，積極打造數字化轉型能力。數字技術應用成功賦能我國制造企業全要素生產率提升（黃群慧等，2019；劉平峰，張旺，2021），有效助力我國全要素生產率提升^[3]。同時，數字技術通過對傳統行業的不斷滲透破除企業間、產業間、區域間的信息孤島，完成零散信息整合與互通，提高供需匹配效率，加快要素資源流動，以此優化資源配置^[3]，進而促進企業生產率內生化增長^[4]。從微觀層面看，企業數字化轉型是指將各類生產要素同數字技術有機結合的過程^[5]。由此，制造企業數字化轉型對企業全要素生產率（TFP）的經濟效應如何？制造企業數字化轉型能否通過提高資源配置效率，促進企業全要素生產率提升？上述問題亟待深入研究。

現有相關研究僅從企業創新能力、人力資本結構轉變、兩業融合、成本削減^[6]及知識溢出角度^[7]進行探討。總體來看，需要進一步研究數字化轉型對企業全要素生產率的影響，在探討二者關系時，同時考慮資源配置效應所發揮的作用。

鑒于此，本文以2011—2020年中國 A 股制造業上市公司為研究樣本，基于公司年報文本中數字化轉型相關關鍵詞的詞頻構建數字化轉型指數，實證檢驗數字化轉型對企業全要素生產率的影響。結果表明，數字化轉型能夠顯著提升企業全要素生產率，這一研究結論具有較強的穩健性。機制分析發現，數字化轉型能夠有效優化資源配置，進而提升企業全要素生產率。具體而言，數字化轉型通過加快企業供應鏈資源運轉速度并矯正過度投資促進企業全要素生產率提升。基于企業特征、地域特征的異質性分析表明，數字化轉型對企業全要素生產率的提升作用在高新技術企業以及東部和南方地區更顯著。據此，本文提出，政府應積極為企業數字化轉型營造良好的生態環境，企業應意識到數字化轉型的重要性并加強人才引進與培養。

本文可能的邊際貢獻如下：第一，已有文獻大多圍繞企業數字化轉型與全要素生產率^[6-7]、資源配置與全要素生產率等主題開展研究^[8-9]。本文創造性地將資源配置、數字化轉型與企業全要素生產率納入同一研究框架，采用供應鏈運作效率與投資效率刻畫企業資源配置效率，從優化資源配置視角系統論述并驗證數字化轉型對企業全要素生產率的作用機制，有助于深化對數字化轉型與企業全要素生產率關系的理解，同時拓展數字技術與實體經濟深度融合發展理論框架。第二，本文在確證數字化轉型對企業全要素生產率的積極影響并深挖二者作用機制的基礎上，充分考慮不同橫截面特征下數字化轉型對企業全要素生產率的差異化影響，有助于拓展數字化轉型與企業全要素生產率關系研究深度，以期為促進數字化轉型經濟效應的有效發揮提供科學的政策啟示。

1 文獻綜述

1.1 企業全要素生產率影響因素

企業全要素生產率（TFP）是指在生產過程中各種投入要素轉化為最終產出的總體效率。現有文獻主要從內部因素、外部環境兩個方面，識別企業全要素生產率影響因素。首先，從企業內部因素看，研發投入會對企業全要素生產率產生激勵作用，但只有適度的研發投入強度才能對企業全要素生產率產生最顯著的促進作用^[10]。基于資源配置視角的研究發現，僵尸企業會搶占大量社會資源，扭曲資源配置，從而不利于企業生產效率提高^[11]。因此，改善企業資源錯配以提高要素資源配置效率能夠有效促進企業全要素生產率提升^[8-9]。此外，利用文本處理技術測算企業智能化發展水平的實證研究發現，智能化發展對我國制造企業全要素生產率具有顯著促進作用^[12]。其次，從外部環境看，產業集聚形成的專業化經濟能夠改善技術效率，促進通信設備、計算機與其它電子設備業企業全要素生產率提升^[13]。以十大產業振興規劃出臺為自然實驗，結果發現，產業政策可以改變企業資本配置效率，從而使得企業全要素生產率發生變化（錢雪松等，2018）。在數字化相關發展方面，互聯網技術的廣泛應用能夠通過溢出效應促進知識傳播，從而對企業全要素生產率產生積極影響^[14]。同時，數字經濟對企業全要素生產率可持續增長具有創新驅動作用 ^[15-16]。

1.2 企業數字化轉型的經濟效應

圍繞企業數字化轉型的經濟效應，現有文獻主要基于宏觀、微觀兩個層面展開研究。一方面，已有文獻強調企業數字化轉型對我國實體經濟發展的顯著影響。研究表明，企業數字化轉型能夠助力中國出口穩定增長^[17]，推動出口產品質量升級^[18]，抑制我國經濟發展“脫實向虛”^[19]。另一方面，大多數文獻圍繞企業數字化轉型的微觀經濟效應展開研究，證實數字化轉型對企業相關表現具有積極作用。已有研究發現，從信息賦能和治理賦能兩條路徑出發，數字化轉型能夠有效改善企業投資效率^[5]。從價值提升角度看，企業數字化轉型既能通過提升技術創新能力、優化要素配置直接促進企業價值水平提升^[20]，也可通過提升企業現金持有水平助力企業價值實現^[21]。此外，數字化轉型不僅通過降低企業外部交易成本促進專業化分工（袁淳等，2021），而且通過提升供應鏈集成程度促進企業績效提升^[22]。已有相關研究表明，數字化轉型不僅通過創新能力改善、人力資本結構升級、兩業深化融合及成本削減促進企業全要素生產率提升^[6]，而且通過加速知識溢出^[7]促進企業全要素生產率提升。

綜上所述，現有關于數字化轉型對企業全要素生產率影響的研究較少，對二者作用機制的探究尚不充分。因此，本文聚焦制造企業數字化轉型對企業全要素生產率的影響，從資源配置效率視角探究其內在機理，從而豐富相關領域研究。

2 理論分析與研究假設

2.1 企業數字化轉型對其全要素生產率的影響

基于技術—經濟范式理論，數字化轉型能夠推動制造企業構建泛在感知、智能決策、敏捷響應、全局協同、動態優化的生產范式^[23]，即利用新一代信息技術與生產經營活動深度融合，重構企業生產力與生產關系，加速生產方式與企業形態變革，實現全要素、全產業鏈、全價值鏈高效連接，從而促進企業全要素生產率提升。企業數字化轉型對其全要素生產率的作用主要體現在以下方面：

（1）數字化轉型通過信息賦能促進企業全要素生產率提升。具體而言，數字化能力可以打破企業內部、企業上下游、企業與外界的信息傳播壁壘，通過提高信息資源集成度與共享度，有效緩解因信息搜集與運用不充分導致的決策失誤^[24]，以及企業經營者與投資者間信息不對稱引發的逆向選擇與道德風險等問題^[25]，改善要素資源錯配，從而促進企業全要素生產率提升。

（2）數字化轉型通過降本賦能促進企業全要素生產率提升。互聯網、大數據、量子計算以及人工智能等數字技術具有廣泛的連接能力、交互能力、理解能力及融合能力，可以簡化數據信息搜集、傳輸、分析流程，實現企業管理可視化與經營決策智能化，有效降低企業信息搜尋成本、監管成本、交易成本等，從而促進企業全要素生產率提升。基于以上分析，本文提出如下假設：

H₁： 企業數字化轉型有助于其全要素生產率提升。

2.2 資源配置效率的中介作用

企業全要素生產率增長不僅來源于技術進步^[26]，而且受資源配置效率的影響^[8-9，27]。對于我國制造企業而言，短期內技術進步的作用是有限的，改善資源配置效率才是真正可持續的生產率內生增長模式^[4]。企業數字化轉型可以有效發揮資源配置效應，不僅體現在加速供應鏈運轉、提高供應鏈資源運作效率方面，而且體現在提高企業投資效率、優化資金資源配置方面。因此，數字化轉型對企業全要素生產率的具體作用機制分析如下：

企業經濟決策有賴于對信息的掌握與處理，與傳統經驗決策相比，企業能夠通過數字化轉型對內外部數據資源進行整合與分析，利用數據生成決策所需的關鍵信息，降低決策失誤的可能性。在投資管理方面，數字化轉型有利于加強企業相關信息披露，幫助企業所有者與經營者利用信息資源對投資項目進行風險識別，合理配置資金資源。另外，基于代理動機理論可知，由于委托人與代理人目標存在差異，代理人會為自身利益而作出有損委托人利益的行為^[28]。例如，代理人可能為實現自身利益最大化，利用公司自由現金流對凈現值為負的項目進行投資^[29]。數字化轉型可以提高企業信息透明度，依托企業數字信息平臺的各利益主體高效獲取管理層經營決策信息，有效緩解由于管理層短視和自利行為引致的投資風險，抑制企業非效率投資，從而促進企業全要素生產率提升。基于以上分析，本文提出如下假設：

H₂： 企業數字化轉型有助于投資效率改善，進而促進企業全要素生產率提升。

企業數字化轉型利用數字技術賦能打通產品制造全生命周期的數據流，實現供應鏈上下游信息互聯互通，以及供需雙方精準對接、高效匹配^[30]，可以避免“牛鞭效應”造成的信息傳遞失真，進而大幅度提升企業市場需求響應速度，最終形成高效協同的供應鏈資源配置機制。同時，數字化轉型能夠重塑企業供應鏈庫存管理模式，企業可以依靠高效的信息反饋機制對供應鏈供需情況進行科學預測，并及時開展生產控制與生產計劃調整，以此降低企業呆滯庫存，防止呆滯物料產生，優化供應鏈庫存管理。此外，數字技術與供應鏈業務深度融合，不僅有利于企業發現供應商可能存在的生產能力不足與產品質量低下問題，而且可以對供應商違規行為進行監督管理與動態預警，由此促進供應鏈資源運作效率與企業全要素生產率提升。

H₃： 企業數字化轉型有助于供應鏈資源運作效率提高，進而促進企業全要素生產率提升。

綜上所述，本文構建理論模型如圖1所示。

3 研究設計

3.1 樣本選擇與數據來源

本文選取2011—2020年中國A股制造業上市公司作為初始研究樣本，按照以下標準篩選：①剔除經營異常的ST&PT上市公司樣本；②剔除不符合基本會計原則的上市公司樣本（資產負債率不在0～1區間的上市公司）；③剔除核心研究變量缺失的上市公司樣本。此外，為避免極端值的影響，本文對連續變量在前后1%分位處進行雙邊縮尾處理（Winsorize）。最終，獲得2 060家上市公司13 226個樣本觀測值。本文采用的企業數字化轉型數據提取自制造業上市公司年報，其余上市公司數據來源于國泰安（CSMAR）數據庫，工具變量相關數據來自于《中國城市統計年鑒》。本文采用統計軟件Stata16.0對數據進行處理。

本文選取2011—2020年作為研究樣本區間，是由于此區間具有較好的代表性。一方面，數字經濟蓬勃發展標志著數字基礎設施建設水平、數字技術創新水平以及數字產業發展水平顯著提升，這恰好是助力企業數字化轉型的有力支撐。根據中國信通院最新發布的《中國數字經濟發展報告（2022年）》可知，以2011年為分界點，2011年以前我國數字經濟增速一直低于同期GDP平均增速，2011年之后我國數字經濟規模不斷壯大，數字經濟年均增速顯著高于同期GDP平均增速，成為推動我國經濟高質量發展的新動力，故本文選擇2011年作為研究樣本起始年份。另一方面，基于工具變量相關數據可得性，本文選擇2020年作為研究樣本終止年份。

3.2 指標選取與變量說明

3.2.1 被解釋變量

企業全要素生產率（TFP）。參照魯曉東等^[31]、Olley等^[32]的研究方法，本文采用當前微觀領域實證研究最常用的LP方法和OP方法，借助柯布—道格拉斯生產函數對企業全要素生產率進行測算。本文將LP法用于主回歸模型，將OP法用于穩健性檢驗。其中，采用營業收入代表總產出，采用固定資產凈額代表資本投入，采用員工人數代表勞動力投入，采用企業營業成本+銷售費用+管理費用+財務費用-當期計提的折舊與攤銷-支付給職工以及為職工支付的現金代表中間投入，若企業當期計提的折舊與攤銷為缺失值，則以0值替代。

3.2.2 解釋變量

企業數字化轉型（DT）。借鑒黃大禹等^[20]的研究方法，本文采用文本分析法測算企業數字化轉型水平，具體處理如下：第一，基于Python軟件的爬蟲功能，對2011—2020年制造業上市公司年度財務報告進行文本提取。第二，分別從數字化轉型底層基礎技術（人工智能技術、區塊鏈技術、大數據技術、云計算技術）和上層技術應用兩個維度選定文本篩選關鍵詞。第三，利用Python軟件的Jieba分詞功能和計數功能，統計已提取年報文本中的關鍵詞披露頻次。第四，將每個維度關鍵詞出現頻次加總后加1，再作對數處理，由此得到變量DT。

3.2.3 控制變量

參照以往研究，本文選取公司規模（Size）、財務杠桿率（Lev）、總資產收益率（Roa），董事會規模（Board）、公司成長性（Growth）和研發費用（Rd）作為控制變量，具體變量定義見表1。

3.3 基準回歸方程

基于上述理論分析，為進一步揭示企業數字化轉型對其全要素生產率的影響，本文構建以下回歸模型對假設進行驗證。

TFP_LPi，t+1=μ₀+μ₁DT_i，t+μ∑C_i，t+∑Firmfe+∑Yearfe+ε_i，t（1）

其中，i代表企業，t代表年份。被解釋變量TFP代表以LP法測算的企業全要素生產率，核心解釋變量DT代表企業數字化轉型，∑C為控制變量合集，∑Firmfe為企業固定效應，∑Yearfe為年度固定效應，ε代表隨機擾動項。為緩解潛在內生性問題對回歸結果的干擾，同時考慮到數字化轉型對企業全要素生產率的影響具有一定的時滯性，本文采用解釋變量滯后一期值進行回歸。在上述回歸方程中，主要關注數字化轉型（DT）的系數μ₁，由上文假設可知，預期其系數μ₁為正，即企業數字化轉型（DT）水平提高可以促進企業全要素生產率提升。

4 實證結果

4.1 描述性統計分析

本文主要變量描述性統計結果如表2所示。由表2可知，企業全要素生產率（TFP）的中位數是8.970，平均值是9.065，標準差為0.999，說明企業全要素生產率不存在過度分散問題，且分布形態近似于正態分布。數字化轉型（DT）在25%分位處的值為0，中位數為0.693，最大值為4.454。由此可知，部分制造企業尚未開始實施數字化轉型，至少50%的樣本企業已實施數字化轉型，說明制造企業數字化轉型水平亟待提高。同時，變量DT的離散系數（標準差/平均值）大于1，說明不同樣本企業數字化轉型程度具有較大差異。研發費用（Rd）在75%分位處的值為0，最大值為22.472，離散系數大于1，說明不同樣本企業研發費投入兩極分化嚴重，且分布形態呈典型右偏。參考以往研究文獻可以發現，其余變量統計值分布均在合理范圍內。

通過Pearson相關性系數檢驗可知，企業數字化轉型（DT）與企業全要素生產（TFP）的相關性為0.115，且在10%水平上顯著相關。其它絕大多數變量間的相關系數小于0.3，說明變量間不存在顯著多重共線性問題。進一步通過多重共線性檢驗發現，所有解釋變量的方差膨脹因子均值為1.28，最大值為1.69，進一步表明本文回歸模型不存在嚴重多重共線性問題。

4.2 基準回歸分析

表3為數字化轉型與企業全要素生產率關系的基準回歸結果。其中，列（1）為未添加控制變量的回歸結果，數字化轉型（DT）與全要素生產率（TFP）間的回歸系數為0.048，且在1%水平上顯著正相關。為提高回歸結果精度，列（2）～（4）在添加控制變量的基礎上，分別控制公司固定效應、年份固定效應和公司、年份雙固定效應。由此可以發現，企業數字化轉型（DT）的回歸系數仍在1%水平上顯著，但系數降低至0.021，可能是由于控制變量與固定效應在一定程度上緩解了部分干擾因素的影響。從經濟意義上看，數字化轉型水平每提升一個單位，企業全要素生產率提升2.1%。由此可見，無論從統計意義和經濟意義看，企業數字化轉型水平提高均有助于企業全要素生產率提升。由此，本文研究假設H₁得到支持。

從控制變量看，公司規模（Size）、總資產收益率（Roa）和公司成長性（Growth）對企業全要素生產率具有顯著正向作用。這是由于資產規模較大的企業通常具有較高的技術創新水平、較強的融資能力和較完善的管理機制，盈利能力較強和成長性較好的企業通常具有較高的風險承擔水平、較強的市場競爭力，因而有利于企業全要素生產率提升，這與姚洋和章奇^[33]、趙宸宇等^[6]的研究結論一致。

4.3 穩健性檢驗

4.3.1 替換關鍵變量

（1）替換核心解釋變量。借鑒張勇珅等^[34]的研究成果，本文采用公司年度財務報告披露的無形資產和固定資產中數字化部分占無形資產和固定資產總額的比值（DT_rate）作為數字化轉型（DT）的代理變量，回歸結果如表4列（1）所示。

（2）替換被解釋變量。本文使用OP法測算全要素生產率，回歸結果如表4列（2）所示。由表4列（1）（2）可知，在替換關鍵變量之后，企業數字化轉型（DT）與全要素生產率（TFP_OP）仍在1%水平上顯著正相關，即數字化轉型能夠顯著提升企業全要素生產率。同時，余下變量的系數方向與顯著性未發生實質性改變。因此，基準回歸結果具有穩健性。

4.3.2 延長窗口觀測期

數字技術與企業生產活動、管理活動及銷售活動融合存在一定的時滯性^[21]。因此，本文對企業數字化轉型（DT）分別作滯后兩期（L2.DT）和3期（L3.DT）處理，回歸結果如表4列（3）（4）所示。由結果可知，企業數字化轉型的回歸系數仍顯著為正，表明數字化轉型對企業全要素生產率的提升作用具有顯著動態可疊加效果與長期效果。由此，進一步證明了回歸結果的穩健性。

4.3.3 剔除特異樣本

將未實施數字化轉型活動的企業樣本剔除后再次進行回歸，結果如表4列（5）所示。由結果可知，數字化轉型能夠顯著提升企業全要素生產率，說明基準回歸結果穩健可靠。

4.3.4 控制行業固定效應

基準回歸模型僅控制企業固定效應和年份固定效應，為避免年份和行業交叉因素導致估計有偏，在此基礎上加入“行業—年份”高階聯合固定效應，回歸結果如表4列（6）所示。由結果可知，企業數字化轉型對其全要素生產率具有顯著促進作用。

4.3.5 工具變量與Heckman兩階段最小二乘法

考慮到全要素生產率較高的企業往往是融資能力與盈利能力較強的企業，其數字化轉型活動一般能夠順利開展，即全要素生產率提升與企業數字化轉型可能形成相互促進或協同的局面。為了避免內生性的影響，參考李琦等^[22]的研究成果，本文使用地方一般公共財政科學支出占全市公共財政支出的比值作為工具變量（IV），采用Heckman兩階段法對假設H₁再次進行檢驗。由表5列（1）可以看出，工具變量（IV）與企業數字化轉型（DT）在1%水平上正相關。然后，以逆米爾斯比率（IMR）作為控制變量代入主回歸方程，結果表明，企業數字化轉型的回歸系數仍在1%水平上顯著為正。上述結果說明，在解決一系列內生性問題后，企業數字化轉型能夠顯著提升企業全要素生產率，與本文基準回歸結果一致。

4.4 機制檢驗

4.4.1 分樣本機制檢驗

由上文分析可知，企業數字化轉型通過提高資源配置效率促進企業全要素生產率提升。如果這一機制成立，當企業資源配置效率較低時，數字化轉型對企業全要素生產率的正向促進作用會更加顯著。本文從企業供應鏈運作效率與投資效率兩個方面衡量企業資源配置效率，為揭示數字化轉型對企業全要素生產率的作用機制提供佐證。

（1）基于供應鏈運作效率的分析。企業供應鏈運作效率越高，企業要素資源配置越高效，反之則企業資源配置效率低下。由此可見，當企業供應鏈運轉效率處于較低水平時，企業資源配置效率較低，數字化轉型對企業全要素生產率的促進作用更加顯著。

參考趙玲和黃昊^[35]的研究成果，本文選取企業庫存周轉率（ITR）衡量供應鏈運作效率。首先，利用營業成本/[（期初存貨余額+期末存貨余額）]/2計算得到企業庫存周轉率（ITR）。其次，將庫存周轉率（ITR）高于行業均值的樣本定義為高供應鏈運作效率企業樣本，并對分組樣本間差異進行費舍爾檢驗，回歸結果見表6列（1）（2）。由結果可知，當供應鏈運作效率較高時，數字化轉型（DT）的系數僅為0.001，且不顯著；當供應鏈運作效率較低時，數字化轉型（DT）與全要素生產率（TFP）的回歸系數為0.026，且在1%水平上顯著正相關。此外，兩組樣本間差異通過了費舍爾檢驗。因此，上述回歸結果表明，企業數字化轉型通過提高供應鏈運轉效率，促進企業全要素生產率提升。

（2）基于投資效率的分析。企業投資效率越高，其資金資源配置效率越高，反之亦然。因此，企業投資效率能夠反映企業資源配置效率^[36]。由此可知，當投資效率較低時，企業資源配置效率較低，數字化轉型對企業全要素生產率的促進作用會更加顯著。

本文借鑒Richardson^[37]的研究模型測度企業投資效率，具體如式（2）所示。

Invest_i，t=δ₀+δ₁Size_i，t－1+δ₂Age_i，t－1+δ₃Lev_i，t－1+δ₄Cash_i，t－1+δ₅Return_i，t－1+δ₆Growth_i，t－1+δ₇Invest_i，t－1+∑Yearfe+∑Industryfe+ε_i，t（2）

其中，Invest代表該公司i第t期期末總投資水平，Invest=（購建固定資產、無形資產及其它長期資產的現金支出-處置固定資產、無形資產和其它長期資產的現金收入）/公司i第t-1期期末總資產。Size代表公司規模，采用公司i第t-1期期末總資產的自然對數表示。Age代表公司年齡，采用公司i第t-1期期末與上市年份差值的自然對數表示。Lev代表財務杠桿率，采用公司i第t-1期期末總負債/總資產的比值表示。Cash代表現金持有水平，采用公司i第t-1期期末貨幣資金/總資產的比值表示。Return代表股票年回報率，考慮到現金紅利再投資的年個股回報率，采用公司i第t-1期5月至第t期4月（共12個月）買入并持有收益率進行計算。Growth代表公司成長性，采用公司i第t-1期期末營業收入較上一期營業收入的增長率表示。Inv代表公司i第t-1期期末投資水平，∑Industryfe、∑Year分別為行業和年度固定效應。對模型（2）進行回歸，將所得殘差進行絕對值運算，得到公司非效率投資水平。該殘差的絕對值越大，則公司當年非效率投資水平越高，投資效率越低。

本文按照投資效率中位數對研究樣本進行分組，并對分組樣本間差異進行費舍爾檢驗，回歸結果見表7列（1）（2）。由結果可知，當企業投資效率較高時，數字化轉型（DT）的系數為0.009，且不顯著；當企業投資效率較低時，數字化轉型（DT）與全要素生產率（TFP）的回歸系數為0.034，且在1%水平上顯著正相關。此外，兩組樣本間差異通過了費舍爾檢驗。因此，上述回歸結果表明，投資效率（Invest）較低的企業，其數字化轉型能夠顯著提升企業全要素生產率，也證實企業數字化轉型能夠通過提高投資效率促進企業全要素生產率提升。

此外，本文進一步探究企業數字化轉型究竟是通過抑制過度投資，還是通過緩解投資不足促進全要素生產率提升這一問題。再次對模型（2）進行回歸，若所得殘差項大于0，則定義為過度投資（Over_INV）。Over_INV值越大，說明該公司過度投資程度越高。若所得殘差項小于0，則定義為投資不足（Under_INV）。將Under_INV作絕對值處理，得到的Under_INV值越大，說明該公司投資不足程度越高。

回歸結果見表7列（3）、列（4）。由結果可知，當企業過度投資程度較高時，企業數字化轉型（DT）與全要素生產率（TFP）顯著正相關，兩者間相關系數為0.059，且在1%水平上顯著。另外，兩組樣本間差異同樣通過了費舍爾檢驗。由表7列（5）（6）可知，無論企業投資不足程度如何，數字化轉型（DT）與企業全要素生產率（TFP）均不相關。因此，上述回歸結果表明，在過度投資程度較高的企業中，數字化轉型能夠顯著提升企業全要素生產率，進一步證實企業數字化轉型可通過抑制企業過度投資提高投資效率，進而促進企業全要素生產率提升。

4.4.2 總樣本機制檢驗

本文借鑒溫忠麟等^[38]的研究模型進行驗證，具體如式（3）～（5）所示。

TFP_LPi，t=μ₀+μ₁DT_i，t－1+μ₂∑C_i，t+∑Firmfe+∑Yearfe+ε_i，t（3）

Mediator_i，t=α₀+α₁DT_i，t－1+α₂∑C_i，t+∑Firmfe+∑Yearfe+ε_i，t（4）

TFP_LPi，t=δ₀+δ₁DT_i，t－1+δ₂Mediator_i，t+δ₃∑C_i，t+∑Firmfe+∑Yearfe+ε_i，t（5）

在上述模型中，Mediators為機制變量，包括供應鏈運作效率（ITR）與投資效率（Invest）。其中，投資效率又分為過度投資（Over_INV）與投資不足（Under_INV）。

回歸結果見表8，列（1）為本文基準回歸結果。由列（2）可知，DT與ITR的回歸系數在5%水平上顯著為正，由列（4）可知，DT與Invest的回歸系數在1%水平上顯著為負。列（2）（4）表明，數字化轉型能夠提升企業供應鏈運作效率，并降低非效率投資水平，從而提升企業投資效率。列（3）（5）分別為引入變量ITR與變量Invest的回歸結果，由結果可知，與基準回歸相比，DT估計系數的絕對值變小但依然在1%水平上顯著為正。同時，ITR的回歸系數顯著為正，Invest的回歸系數顯著為負。上述回歸結果表明，數字化轉型通過提高企業供應鏈運作效率與投資效率，進而促進企業全要素生產率提升。

由列（6）可知，DT與Over_INV的回歸系數在5%水平上顯著為負，表明數字化轉型可以矯正企業過度投資。由列（7）可知，與基準回歸相比，DT的估計系數絕對值變小但依然在1%水平上顯著為正。由列（8）（9）可知，DT與Under_INV的回歸系數并不顯著。因此，上述回歸結果表明，數字化轉型通過矯正過度投資提升企業投資效率，進而促進企業全要素生產率提升。

綜上，總樣本機制檢驗證實數字化轉型通過提高企業供應鏈運作效率與矯正過度投資提升投資效率，進而促進企業全要素生產率提升。“數字化轉型—資源配置效率—企業全要素生產率”的機制路徑得到再次印證。

5 進一步分析

5.1 基于企業技術創新依賴的異質性檢驗

參照中國證監會頒布的《上市公司行業分類指引》（2012年修訂版），根據企業對技術創新的依賴程度，本文將研究樣本劃分成高新技術企業與非高新技術企業。其中，將屬于醫藥制造業、儀器儀表制造業、鐵路、船舶、航空航天和其它運輸設備制造業、化學原料及化學制品制造業、化學纖維制造業、計算機、通信和其它電子設備制造業的企業界定為高新技術企業，其余則界定為非高新技術企業。

回歸結果如表9列（1）和列（2）所示。由結果可以發現，無論是在高新技術企業還是在非高新技術企業，數字化轉型（DT）均能夠顯著提升企業全要素生產率（TFP）。高新技術企業數字化轉型與企業全要素生產率間的相關系數為0.026，且在1%水平上顯著正相關。非高新技術企業數字化轉型與企業全要素生產率間的相關系數較小，且在10%水平上顯著正相關。

造成這一結果的原因可能在于：與非高新技術企業相比，高新技術企業擁有更好的創新資源基礎與更多的技術創新研發需求，后者能夠幫助高新技術企業充分發揮自身優勢以實現數字化轉型，加速生產方式、企業形態、業務模式全方位變革，從而帶動企業全要素生產率提升。

5.2 基于地理區域的異質性檢驗

參照王宏鳴等^[39]的研究成果，本文將研究樣本劃分為東部地區企業、中部地區企業和西部地區企業，回歸結果如表10列（1）～（3）所示。由結果可知，企業數字化轉型（DT）在1%水平上顯著提高東部地區企業全要素生產率，而對中部地區和西部地區企業全要素生產率的提升作用不顯著。產生這一結果的原因可能在于：與中西部地區相比，東部地區數字基礎設施水平、金融發展水平及人力資本存量水平較高，可為企業數字化轉型提供支撐。此外，企業數字化轉型需要大量創新型人才，由于互聯網普及率不斷提升，東部地區加快對中西部地區人才吸引，其人力資本結構趨向高級化，由于馬太效應的存在，導致中西部地區高級人力資本匱乏（劉和東，2013），進而阻礙中西部地區企業全要素生產率提升。

本文進一步將研究樣本劃分為南方地區和北方地區，回歸結果如表9列（4）～（5）所示。無論是在南方地區還是北方地區，企業數字化轉型（DT）均能顯著促進其全要素生產率（TFP）提升，但從回歸系數與顯著性看，在南方地區，企業數字化轉型的促進作用更加顯著。一方面，可能是因為南方地區科技投入強度和轉化水平持續提升，而北方地區面臨科技創新停滯問題；另一方面，南方地區教育資源優勢進一步促使人力資本南移^[40]。因此，由于地區科技創新與人力資本水平存在差異，導致企業數字化轉型對企業全要素生產率具有非均衡性影響。

6 結語

6.1 結論

在數字化浪潮下，促進企業全要素生產率提升，加快我國制造業發展模式由“鋪攤子”向“上臺階”轉變，是推動經濟高質量發展的微觀基礎。本文考察企業數字化轉型對全要素生產率的影響及機制，結果表明，企業數字化轉型能夠顯著促進企業全要素生產率提升。在機制檢驗方面，本文選取企業投資效率與供應鏈運作效率作為資源配置效率衡量指標，通過機制檢驗證實當資源配置效率較低時，數字化轉型對企業全要素生產率的促進作用更加顯著。由此可見，資源配置效率是企業全要素生產率提升的內生動力。加快數字技術與企業各類要素資源融合無疑是提升企業資源配置效率與企業全要素生產率的重要路徑。進一步研究發現，企業數字化轉型對企業全要素生產率的促進作用在高新技術企業以及東部地區和南方地區更加顯著。

6.2 建議

（1）政府應緊抓數字經濟發展機遇，加快推進數字化發展戰略部署，為企業數字化轉型營造良好的生態環境。首先，應統籌規劃大數據平臺建設，根據市場需求對數據進行價值化、資源化。同時，營造有利于數據要素流通的市場環境，促進數據價值提升，進而為企業數字化轉型提供數據和算力支撐。其次，應鼓勵龍頭企業實現數字信息技術與要素資源深度融合，提升企業數智化水平，驅動更多企業實現數字化轉型。最后，應加強我國新型數字基礎設施建設，重視區域數字基礎設施建設過程中存在的問題，加快落后地區數字基礎設施建設，以此降低區域間企業數字化轉型不平衡程度。

（2）企業應意識到數字化轉型是提升其全要素生產率的新引擎。應加快數字技術在研發創新、生產銷售、倉儲物流、營銷服務、管理決策等環節的廣泛應用，促使技術創新和應用創新相互促進，形成良性循環。此外，傳統人才無法滿足企業數字化轉型需求，企業應根據數字化轉型需求進行人才引進，加強企業人才隊伍建設與優化，從而加速數字化轉型。

6.3 不足與展望

需要說明的是，本文采用企業投資效率與供應鏈運作效率作為資源配置效率的代理變量存在不足，繼續尋找合理的指標衡量企業資源配置效率，進一步深化作用機制分析，將是未來研究的方向。

參考文獻：

[1] 郭克莎.中國產業結構調整升級趨勢與“十四五”時期政策思路［J］.中國工業經濟， 2019， 36（7）：24-41.

[2] 江小涓，孟麗君.內循環為主、外循環賦能與更高水平雙循環——國際經驗與中國實踐［J］.管理世界，2021，37（1）：1-19.

[3] 荊文君，孫寶文.數字經濟促進經濟高質量發展：一個理論分析框架［J］.經濟學家，2019， 31（2）：66-73.

[4] 楊汝岱.中國制造企業全要素生產率研究［J］.經濟研究，2015，50（2）：61-74.

[5] 李雷，楊水利，陳娜.數字化轉型對企業投資效率的影響研究［J］.軟科學，2019，36 （11）：23-29.

[6] 趙宸宇，王文春，李雪松.數字化轉型如何影響企業全要素生產率［J］.財貿經濟，2021， 42（7）：114-129.

[7] 涂心語，嚴曉玲.數字化轉型、知識溢出與企業全要素生產率——來自制造業上市公司的經驗證據［J］.產業經濟研究，2022，21 （2）：43-56.

[8] 聶輝華，賈瑞雪.中國制造企業生產率與資源誤置［J］.世界經濟，2011，34（7）：27-42.

[9] BRANDT L， BIESEBROECK J， ZHANG Y. Creative accounting or creative destruction？ firm-level productivity growth in Chinese manufacturing[J].Journal of Development Economics， 2012， 97（2）： 339-351.

[10] 毛德鳳，李靜，彭飛，等.研發投入與企業全要素生產率——基于PSM和GPS的檢驗［J］.財經研究，2013，39（4）：134-144.

[11] 張璇，王凱麗，司海濤.僵尸企業、資源錯配與企業全要素生產率——來自中國工業企業的經驗證據［J］.財經問題研究，2019， 41 （7）：57-66.

[12] 溫湖煒，鐘啟明.智能化發展對企業全要素生產率的影響——來自制造業上市公司的證據［J］.中國科技論壇，2021，37（1）：84-94.

[13] 范劍勇，馮猛，李方文.產業集聚與企業全要素生產率［J］.世界經濟，2014，37（5）：51-73.

[14] PAUNOV C， ROLLO V. Has the internet fostered inclusive innovation in the developing world[J].World Development， 2016， 78： 587-609.

[15] STURGEON T J. Upgrading strategies for the digital economy ［J］. Global Strategy Journal， 2021， 11（1）： 34-57.

[16] PAN W R， XIE T， WANG Z W， et al. Digital economy： an innovation driver for total factor productivity[J].Journal of Business Research， 2021， 139： 303-311.

[17] 杜明威，耿景珠，崔巖.企業數字化轉型與出口：來自中國上市公司的微觀證據［J］.世界經濟研究，2022，41（9）：119-134，137.

[18] 杜明威，耿景珠，劉文革.企業數字化轉型與中國出口產品質量升級：來自上市公司的微觀證據［J］.國際貿易問題，2022，41（6）：55-72.

[19] 李萬利，潘文東，袁凱彬.企業數字化轉型與中國實體經濟發展［J］.數量經濟技術經濟研究，2022，39（9）：5-25.

[20] 黃大禹，謝獲寶，孟祥瑜，等.數字化轉型與企業價值——基于文本分析方法的經驗證據［J］.經濟學家，2021，33（12）：41-51.

[21] 譚志東，趙洵，潘俊，等.數字化轉型的價值：基于企業現金持有的視角［J］.財經研究，2022， 48（3）：64-78.

[22] 李琦，劉力鋼，邵劍兵.數字化轉型、供應鏈集成與企業績效——企業家精神的調節效應［J］.經濟管理，2021，43（10）：5-23.

[23] 何偉，張偉東，王超賢.面向數字化轉型的“互聯網+”戰略升級研究［J］.中國工程科學， 2020，22（4）：10-17.

[24] NARAYANAN M P. Debt versus equity under asymmetric information［J］.Journal of? Financial & Quantitative Analysis， 1988， 23（1）： 104-105.

[25] MYERS S C， MAJLUF N S. Corporate financing and investment decisions when firms have information that investors do not have［J］. Journal of Financial Economics，1984，13（2）： 187-221.

[26] COMIN D， HOBIJN B. An exploration of technology diffusion［J］. American Economic Review， 2010， 100 （5）： 2031-2059.

[27] HSIEH C T， KLENOW P J. Misallocation and manufacturing TFP in China and India［J］. Quarterly Journal of Economics， 2009， 124（4）： 1403-1448.

[28] HARFORD J， MANSI S A， MAXWELL W F. Corporate governance and firm cash holdings in the US［J］. Journal of Financial Economics， 2008， 87（3）：535-555.

[29] JENSEN M C. Agency costs of free cash flow， corporate finance， and takeovers［J］. American Economic Review，1986，76（2）： 323-329.

[30] 張任之.數字技術與供應鏈效率：理論機制與經驗證據［J］.經濟與管理研究， 2022， 43（5）：60-76.

[31] 魯曉東，連玉君.中國工業企業全要素生產率估計：1999—2007［J］.經濟學（季刊）， 2012，11（2）： 541-558.

[32] OLLEY G S，PAKES A.The dynamics of productivity in the telecommunications equipment industry[J].Eonometrica，1996，64（6）：1263-1297.

[33] 姚洋，章奇.中國工業企業技術效率分析［J］.經濟研究，2001，47（10）：13-19.

[34] 張永珅，李小波，邢銘強.企業數字化轉型與審計定價［J］.審計研究，2021，37（3）：62-71.

[35] 趙玲，黃昊.企業數字化轉型、供應鏈協同與成本粘性［J］.當代財經，2022，43（5）：124-136.

[36] STEIN J C. Agency， information and corporate investment[J].Handbook of the Economics of Finance，2003（1）：111-165.

[37] RICHARDSON S. Over-invest of free cash flow［J］. Review of Accounting Studies， 2006， 11（2）： 159-189.

[38] 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，2004，49（5）：614-620.

[39] 王宏鳴，孫鵬博，郭慧芳.數字金融如何賦能企業數字化轉型——來自中國上市公司的經驗證據［J］.財經論叢，2022，39（10）：3-13.

[40] 楊明洪，巨棟，涂開均.“南北差距”：中國區域發展格局演化的事實、成因與政策響應[J].經濟理論與經濟管理，2021，41（4）：97-112.

（責任編輯：張 悅）

Digital Transformation and Enterprise Total Factor Productivity：

A Mechanism Test Based on Resource Allocation Efficiency

Wang Jingbin，Liu Zhaoning，Liu Xinmin

（School of Management， Tianjin University of Technology， Tianjin 300384， China）

Abstract：As international trade protectionism continues to rise， and the pandemic has been restructuring domestic and foreign industrial chains，the Chinese manufacturing industry is facing increasing domestic and foreign constraints，and China's economy is moving into a period of "structural deceleration" from a period of "structural growth". It is essential to promote the quality， efficiency and motivation transformation of China's economic development. In recent years， China has vigorously promoted the development of new-generation digital technologies such as Internet+， big data， quantum computing and artificial intelligence， as well as the construction of digital infrastructure， so as to accelerate the implementation of the strategy of strengthening network power and seize new opportunities for the development of the digital economy. The development of a new generation of digital technology and the construction of digital infrastructure do not only involve an all-round， all-angle， full-chain dynamic transformation of enterprise R&D and design， production and sales， warehousing and logistics， and management decision-making， but also open up the information flow， business flow and capital flow between the industrial chain and the upstream and downstream of the supply chain， promoting the integration and coordinated development of the industrial chain and supply chain， and further play the role of digital technology and digital infrastructure in speeding up China's economic development. It is beyond dispute that the development of digital technology and digital economy has greatly promoted China's economic development. However， there are few relevant empirical studies on whether the digital transformation of manufacturing enterprises can promote their total factor productivity at the micro level. Further， the mechanism of action is not fully explored.

In this context， from the analytical perspective of resource allocation efficiency， this paper takes supply chain operational efficiency and investment efficiency as proxy variables of resource allocation efficiency to conduct an empirical study on the relationship between enterprise digital transformation and enterprise total factor productivity. The study firstly sorts out the relevant literature and related theories to analyze the mechanism of enterprise digital transformation on the enterprise total factor productivity and constructs the analysis framework of digital transformation of enterprises—resource allocation—total factor productivity. Secondly， it takes China's A-share listed manufacturing companies from 2011 to 2020 as? research samples and builds a digital transformation index based on the frequency of keywords related to digital transformation in the companies， annual reports. Thirdly， drawing on the panel fixed effect model， the study empirically tests the impact and mechanism of the digital transformation of enterprises on their total factor productivity. In addition， it conducts a heterogeneity analysis and associated economic consequences analysis based on firm characteristics and regional characteristics. Finally， relevant policy recommendations are put forward from the perspective of the government and enterprises.

The findings of this paper are as follows. First， the empirical research shows that the digital transformation of enterprises has significantly improved the total factor productivity of enterprises， and this empirical result is robust. Second， in terms of the mechanism， digital transformation of enterprises can promote the improvement of total factor productivity of enterprises by improving the efficiency of resource allocation. Specifically， digital transformation improves the total factor productivity of enterprises by improving the efficiency of enterprise supply chain operations and correcting excessive investment to improve investment efficiency. Third， for high-tech enterprises and the eastern and southern regions， the digital transformation of enterprises has a greater effect on improving the total factor productivity of enterprises.

The research conclusions of this paper advance the understanding of the relationship between digital transformation and total factor productivity of enterprises， and expand the theoretical analysis framework for the deep integration of digital technology and the real economy. Meanwhile， the research conclusions of this paper provide new empirical evidence for understanding the economic effects of enterprise digital transformation and provide important policy implications for consolidating the micro-foundation necessary for high-quality economic development.

Key Words：Digital Transformation；Resource Allocation Efficiency；Supply Chain Operation Efficiency；Investment Efficiency；Total Factor Productivity