公司數字化轉型、人力資本與全要素生產率

[摘要]新質生產力是實現中國式現代化和高質量發展的重要基礎，全要素生產率大幅提升是新質生產力發展水平的核心標志。為探討數字經濟發展對我國企業全要素生產率的影響，基于員工層和管理層人力資本雙重視角，研究公司數字化轉型影響全要素生產率的作用效果和微觀渠道。在理論分析基礎上，構建面板數據模型和中介效應模型，引入工具變量（組合），并利用我國A股主板上市公司2011—2022年的觀測樣本進行檢驗。研究表明，公司數字化轉型有助于促進全要素生產率提升，控制了反向因果和變量遺漏的內生性偏誤后實證結果依然如此。數字化轉型能夠通過提升員工技能和管理層能力改善公司全要素生產率。由此可知：一方面，在我國實體經濟和數字經濟深度融合發展背景下，公司數字化轉型對全要素生產率提升的確有著顯著改進作用；另一方面，人力資本是這種改善作用的重要中介作用渠道，其中包括普通員工層和公司管理層的人力資本提升。由此，不僅證實了公司數字化轉型對全要素生產率的改進作用，也揭示了人力資本視角下公司數字化轉型賦能的微觀作用機制，還對基于人力資本（勞動者）視角發展新質生產力提供了新的經驗證據。

[關鍵詞]數字化轉型；全要素生產率；人力資本；管理層能力

一、 引言

黨的二十大報告中指出，“高質量發展是全面建設社會主義現代化國家的首要任務”1。作為推動高質量發展的內在要求和重要著力點，新質生產力發展以全要素生產率大幅提升為核心標志[1]。因此，加快推動三次產業數字化轉型、提高數字化發展水平，對提高全要素生產率、加快發展新質生產力具有重要意義和戰略價值。2023年，全國數字經濟核心產業增加值達到12萬億元以上2，數據生產總量達32.85ZB、同比增長22.44%，為利用數字經濟全方位改造傳統產業、全鏈條賦能核心環節提供了技術支撐和數據保障。

圍繞數字化轉型對全要素生產率影響及其作用機制，已有文獻展開研究并形成了頗有價值的成果。隨著數字技術廣泛應用和大數據時代全面到來，數字經濟與實體經濟借助數字技術應用和數據要素賦能實現深度融合，促進產業結構優化、增長動能轉換和經濟高質量發展[2-4]。在宏觀層面，互聯網發展、數字經濟水平、人工智能等數字技術應用有助于改善地區全要素生產率[4-5]。在微觀層面，公司數字化轉型，（非數字經濟核心產業）數字技術創新水平，大數據、智能制造等促進全要素生產率提升[6-8]。無論是宏觀經濟還是微觀企業，數字化轉型促進全要素生產率改善已達成共識，其中內在的作用機理主要有交易成本、創新活動、資源錯配、營運質量、投資效率、人力資本、信息透明度等中介因素[9-11]。在此過程中，不少文獻都將勞動（人力資本）作為重要中介（機制）變量，但主要都是基于員工層（普通員工和技術研發人員，下同）角度用本科及以上學歷員工占比或科技人員占比來衡量。遺憾的是，該方法僅僅反映了員工層面的人力資本存量，難以刻畫承載公司重大決策和管理職能的高級管理人員人力資本水平。與員工（部門經理）能力要求的專業性相比，管理層需具備的管理能力是一種綜合性、以實踐為基礎的、復雜的、稀缺的人力資本，且這種能力已經得到更高薪酬和市場供不應求局面的旁證[12]。

有鑒于此，本文以2011—2022年滬深A股主板上市公司為觀測樣本，將公司管理層和員工同時作為人力資本中介變量，探討公司數字化轉型影響全要素生產率的作用效果和微觀渠道，以證實公司數字化轉型有助于促進全要素生產率提升，并基于人力資本視角揭示其中的微觀作用機制：公司數字化轉型能夠通過提升管理層能力和員工技能改善全要素生產率。綜合比較來看，本文可能在以下三個方面豐富既有研究文獻。一是引入新的工具變量組合緩解內生性偏誤，有效緩解公司數字化轉型影響全要素生產率的因果效應。二是同時著眼管理層和員工層面雙重視角，揭示公司數字化轉型影響全要素生產率的人力資本新機制。三是基于高素質勞動者（人力資本）視角，豐富提升全要素生產率、發展新質生產力的相關文獻。

二、 研究假設

1. 數字化轉型及其測算研究文獻綜述

隨著數字技術的不斷滲透和存量數據的快速增長，數字經濟范疇呈現“ICT產業→新型融合業態→全社會數字化發展”的演進態勢。作為數字經濟的重要組成部分，產業數字化暨全要素數字化轉型在此過程中發揮了巨大作用[13]。一方面，宏觀經濟測算視角的產業數字化是我國數字經濟的重要組成部分，其指傳統產業通過引進數字技術、融入數據要素、提升人力資本等帶來增量價值。另一方面，產業數字化（轉型）過程是推動數字經濟對工業、農業和服務業進行全方位、全鏈條的改造，提高土地、勞動、技術、資本等其他要素的生產效率。其中，能夠對數字化轉型起到實質作用的主要有數字技術、數據要素、數字（素養）人才和數字新型基礎設施等[14-16]。

基于以上界定，本文基于微觀層面將企業數字化轉型界定為，綜合利用數字技術、數據要素、數字（素養）人才和數字新型基礎設施對研發、生產、經營、管理等進行全方位、全鏈條改造升級的活動[17-19]。與其他相關文獻側重數字技術應用（表述）相比，本文創新性地將數據要素、數字人才和數字新基建利用等納入數字化轉型范疇。圍繞企業數字化轉型發展測算，國內文獻主要分為文本分析法和財務指標法。文本分析法主要利用數據分析技術對上市公司年度報告及相關文件進行數字化相關詞頻進行綜合分析，借此形成公司數字化轉型水平的測算結果[20]。財務指標法主要對財務報表及附注中涉及軟件、硬件、項目等數字化投入科目進行綜合測算，借此評價公司數字化轉型發展程度[21-22]。基于本文上述定義，我國企業數字化轉型覆蓋面廣、涉及指標多、定量測算復雜，難以用定量化的方法予以準確地衡量。與此同時，文本分析法以詞頻為核心分析指標，難以直接刻畫或間接推斷企業數字化轉型水平。故而，本文選擇財務指標法作為企業數字化轉型代理變量，反映企業綜合利用數字技術、數據要素、數字（素養）人才等數字化轉型發展水平。

2. 數字化轉型影響公司全要素生產率作用機理

新質生產力具有高科技、高效能、高質量特征，其以全要素生產率大幅提升為核心標志1。其中，全要素生產率最早由美國經濟學家羅伯特·索羅提出，代表了除資本要素和勞動要素增長之外的其他所有因素對產出增長（經濟增長）的貢獻，反映在所有其他生產要素的投入量保持不變的條件下，來自技術進步、組織創新、管理改善、優化配置等增加的生產效率[23]。因此，企業綜合利用數字技術、數據要素、數字（素養）人才等，對研發、生產、經營、管理等改造升級，有助于促進公司全要素生產率提升。

數字技術與生產部門融合發展能夠推動產業結構優化調整，與金融部門深度融合能夠緩解高技術產業的融資約束且促進產業結構轉型升級[3]。隨著以物聯網、云計算、人工智能等為代表的數字技術的廣泛應用，數字化轉型不斷改造升級研發、生產、經營、管理等環節，通過技術進步、組織創新、管理改善等渠道提升全要素生產率水平。在此過程中，數字化轉型有助于提高創新能力、優化人力資本結構、緩解融資約束壓力等并促進全要素生產率改善，卻因企業個體特征和外部宏觀環境而存在異質性影響[20，24-25]。與此同時，數字化轉型能夠通過提升產品競爭力、擴大市場布局、改善運營效率等，提升實業投資水平、抑制“脫實向虛”[26]。面對日趨復雜的交易流程和不斷上升的交易成本，數字化轉型能夠借助數字技術改善核心業務流程、促進專業化分工，繼而推動企業優化資源配置效率、提升企業全要素生產率[27]。與此同時，數字技術與人力資本結構改善能夠促進企業全要素生產率提升，且主要通過技術創新渠道予以實現[28]。除了自身數字化轉型，來自政府部門智能制造政策干預也能夠通過提升信息化水平、優化人力資本結構、緩解融資約束等，促進企業全要素生產率改善[8，29-30]。據此，本文提出如下研究假設：

H1：在其余變量不變的情況下，公司數字化轉型有助于推動全要素生產率改善。

推動企業數字化轉型有助于促進全要素生產率提升被不少文獻研究證實，其中涉及的作用渠道或傳導機制也從技術進步、融資便利、交易成本等向運營效率、組織創新、人力資本等拓展。人力資本（勞動者）在數字化轉型影響全要素生產率的作用機制中受到高度關注，但大多數文獻主要基于員工或研發人員視角進行研究，且主要用本科及以上學歷員工占比或技術研發人員比例衡量人力資本（高級化）水平[28-29]。遺憾的是，這種測算方法忽略了公司管理層人力資本的重要價值，難以準確刻畫數字化轉型通過全部人力資本影響全要素生產率的作用效果。與普通員工或技術研發人員相比，管理層能力（人力資本）通常需要長期管理實踐積累、工商管理通用性知識和崗位專業性知識相融合，是一種以實踐為基礎的、復雜的、稀缺的綜合性人力資本。因此，本文將管理層能力納入數字化轉型影響公司全要素生產率的人力資本作用機制過程。一方面，借助5G、物聯網、大數據等新一代信息技術，管理層能夠更加準確地掌握研發生產狀態和運營管理動態，及時高效地與各級管理人員和技術骨干高效溝通并提高決策效率。另一方面，依托大數據、云計算和人工智能等數字技術，管理層能夠充分假定多種情境、設想多種狀態對重大決策進行模擬、復盤，繼而全面提升重大決策質量[31-32]。綜合所述，本文提出如下研究假設：

H2：在其余變量不變的情況下，公司數字化轉型能夠賦能管理層人力資本，實現全要素生產率提升。

H3：在其余變量不變的情況下，公司數字化轉型能夠賦能員工層人力資本，促進全要素生產率改善。

三、 研究設計

1. 主要變量說明（表1）

（1）被解釋變量

企業全要素生產率是指剔除勞動、資本、土地等要素投入增長貢獻之后的“余值”，直接表現為“產出增長率超出要素投入增長率的余值部分”。既有文獻表明，企業全要素生產率測算主要有最小二乘法（OLS法）、固定效應法（FE法）、廣義矩估計法（GMM法）等。最小二乘法和固定效應法具有內生性問題[33]，廣義矩估計法具有較長樣本時間跨度難題[34]，而Olley-Pakes法（簡稱OP法）、Levinsohn-Petrin法（簡稱LP法）能夠借助半參數估計方法緩解以上難點[35-36]。故而，本文借鑒魯曉東等[34]的處理方法，選擇LP法測算公司全要素生產率水平。

（2）試驗變量

數字化轉型水平是衡量企業借助數字技術、數據要素及其人力資本等驅動，賦能研發設計、生產制造和經營管理等全流程的程度，其中，主要有文本分析詞頻法[10，27]和財務數據測算法[22]用于測量。考慮文本分析詞頻法的主觀性和不可驗證性，本文主要利用財務數據測算法衡量公司數字化轉型水平。

（3）中介機制變量

管理層能力。作為重要利益相關者之一，管理層能力高低直接決定公司全要素生產率水平。本文參考何威風等[37-38]的做法，利用數據包絡分析法（DEA）度量我國上市公司管理層能力。該方法本質上是從公司全效率影響因素中分離出管理層對公司效率影響的剩余部分，用以衡量管理層能力。

員工專業技能。作為人力資本的重要組成部分，員工勞動技能高低同樣直接影響公司全要素生產率水平。鑒于難以通過量化指標測算員工勞動技能，本文主要利用學歷層次分布和高技能崗位結構間接推斷員工技能水平[39]。其中，利用本科及以上學歷員工占比來測算學歷層次分布、科技人員占比來測算崗位結構。

（4）主要控制變量

借鑒同類研究文獻，本文主要控制了如下變量：①公司規模，取主營業務收入自然對數；②經營績效，用總資產收益率衡量；③財務杠桿，用總負債與總資產之比衡量；④成長性，用主營業務收入增長率衡量；⑤股權結構，取第一大股東持股比例；⑥治理結構，取董事會規模和獨立董事占比；⑦上市年限。此外，本文還控制了地區、年份和行業等因素影響。

2. 計量模型構建

（1）基準回歸模型

為檢驗公司數字化轉型對全要素生產率的影響，本文構建如下模型用于基準回歸檢驗。

[TFPi，t]=[α0]+[α1][Digitali，t]+[βn][Cvrsi，t]+[ηn][Year]+[εi，t] （1）

上式中，[TFPi，t]表示公司[i]第[t]年的全要素生產率，[Digitali，t]表示公司[i]第[t]年的數字化轉型發展水平；[Cvrsi，t]表示公司[i]第[t]年的連續型控制變量指標，比如[First]、[Roa]、[Growt?]、[Lev]等；[Dvrsi，t]表示公司[i]第[t]年的離散型控制變量指標，比如[Stat]、[Area]、[Industry]等；[Year]為年份固定效應控制變量；[εi，t]是回歸方程誤差項，下同。

（2）因果關系識別

本文基于面板數據構建基準回歸模型，能夠緩解僅隨個體或時間變化的遺漏變量帶來的內生性偏誤，但難以克服來自反向因果所導致的內生性問題。即公司數字化轉型在影響全要素生產率的同時，可能會同樣會受到全要素生產率變化引致的反向作用。為此，本文參考已有文獻[9]，分別引入公司所在地郵電設施發展水平和管理層信息技術背景設計工具變量，用以緩解來自反向因果引致的內生性干擾。

利用公司所在地的郵電設施發展水平構造工具變量。一方面，公司所在地以固定電話為代表的郵電通信公共設施越完善，公司數字化轉型的邊際收益越大，越有助于促進公司數字化轉型水平提升，這正好滿足工具變量的相關性要求[27]。另一方面，隨著固定電話使用率日益降低，難以直接對公司全要素生產率產生影響，這較好地滿足了工具變量排他性要求[9]。故而，本文借鑒黃勃等[11]處理方法，將公司所在省份上年互聯網接入端口數量與公司所在城市1984年每萬人固定電話數量的自然對數交乘（項）作為工具變量（[Telep?one]）。

借助公司管理層信息技術（IT）背景設計工具變量。管理層信息技術背景能夠通過減少“短視”行為和增加數字技術專利，引導公司數字化轉型加快[40]。這表明，管理層信息技術背景對公司數字化轉型具有直接作用[41]，滿足工具變量的相關性要求。與此同時，全要生產率提升主要來源于技術進步、組織優化和生產創新等方面，難以直接透過“管理層信息技術背景”發揮作用。由此可知，管理層信息技術背景難以直接影響公司全要素生產率，較為滿足工具變量的排他性要求。因此，本文選擇公司具有信息技術背景管理層占比（[ITbackgd]）作為工具變量。

（3）中介效應模型

基于前文理論分析可知，公司數字化轉型不僅能夠通過數字技術驅動，也可以利用數據要素賦能，還可能借助人力資本提升影響全要素生產率。為此，本文借鑒江艇[42]的方法構建中介效應模型，即式（2）和式（3）組成聯立方程組，用以檢驗數字化轉型借助人力資本提升渠道影響全要素生產率的作用機制和微觀機理。式（2）用于檢驗公司數字化轉型對中介變量的影響，式（3）用于檢驗中介變量在公司數字化轉型影響全要素生產率過程中的中介效應或作用機制。

[Medvari，t]=[α0]+[α1][Digitali，t]+[βn][Cvrsi，t]+[φn][Dvrsi，t]+[ηn][Year]+[εi，t] （2）

[TFPi，t]=[α0]+[α1][Digitali，t]+[α2][Medvari，t]+[βn][Cvrsi，t]+[φn][Dvrsi，t]+[ηn][Year]+[εi，t] （3）

上式中，[Medvari，t]表示公司[i]第[t]年的人力資本（管理層能力或員工勞動技能）水平，是中介變量；其中，管理層能力、員工勞動技能對應變量定義參見表1。其余變量定義如上所述。

3. 觀測樣本篩選

本文以滬深A股主板2011—2022年的上市公司為初始樣本，參照以下流程剔除歸屬金融行業、多地交易所上市、當年被ST和*ST，以及涉及關鍵財務指標顯著異常的觀測樣本。經過以上篩選流程，本文共獲得橫跨12年，累計12022個的觀測樣本。其中，涉及上市公司數據均來自國泰安（CSMAR）數據庫和萬得（Wind）金融資訊數據庫；上證主板不包括科創板，深證主板不包括中小企業板和創業板。與此同時，本文還對模型中的連續變量在1%和99%的水平上進行兩端縮尾處理，以便減少變量異常值對實證研究結果的干擾。

四、 實證檢驗

1. 統計分析

（1）樣本分布

在12022個觀測樣本中，國有控股上市公司樣本有7333個、占比達到61%，非國有控股上市公司樣本有4689個，占比接近39%。從地區分布看，歸屬東部地區上市公司樣本達到7454個，占比超過62%，歸屬中西部地區的則為4568個，占比接近38%。從國民經濟行業門類分布看，來自制造業的上市公司樣本有6853個，占比超過57%，余下依次是批發零售業、房地產業、電熱氣水供應業、采礦業、交通運輸業等。

（2）統計描述

本文對篩選后得到的觀測樣本主要連續型變量進行統計分析，如表2所示。其中，企業全要素生產率均值為8.638、中位數為8.588、最大值為12.92，與同類文獻測算結果較為一致。公司數字化轉型均值為0.081、中位數為0.01、最大值為1，同樣與既有相關文獻較為接近。與此同時，其余變量經過縮尾處理后，均處于合理分布區間，未出現較為明顯的異常值。

2. 因果效應

為檢驗公司數字化轉型對全要素生產率的影響，本文構建面板數據模型并引入工具變量，利用2011—2022年觀察樣本進行回歸估計，主要結果如表3所示。該表第1列為主要解釋變量和工具變量，第2列至第9列為主要變量回歸系數估計。其中，Ⅰ、Ⅱ對應混合截面數據最小二乘法（OLS）回歸結果，Ⅲ—Ⅴ對應面板數據模型回歸結果，Ⅵ、Ⅶ對應面板數據模型工具變量法回歸結果。

回歸結果Ⅰ顯示，公司數字化轉型（Digital）回歸系數估計為0.375，且在1%的水平上顯著。這表明，在控制其余變量不變的情況下，公司數字化轉型每提高1個單位，能促進全要素生產率上升0.375個單位。即公司數字化轉型能夠有效促進全要素生產率提升，從而證明了假設H1。即便是控制了行業效應和年度效應，該結論基本保持不變，具體參見回歸結果Ⅱ。

除了控制可觀測影響因素，本文通過構建面板數據模型（雙向）緩解因變量遺漏而引致的內生性偏誤問題，利用觀測樣本進行回歸估計并得到相應的結果Ⅲ、Ⅳ。一方面，固定效應模型F-test檢驗和隨機效應模型BP檢驗顯示，面板數據模型固定效應和隨機效應均優于截面數據模型。另一方面，Hausman檢驗（463.46）顯示，面板數據模型固定效應優于隨機效應。故而，本文主要選擇面板數據雙向固定效應模型，利用觀測樣本進行估計并得到回歸結果Ⅴ。該結果顯示，公司數字化轉型回歸系數估計為0.1179，且在1%的水平上顯著。由此可知，即便是控制僅隨個體或僅隨時間變化的不可觀測因素，公司數字化轉型仍然能夠促進全要素生產率提升，再次證明了研究假設H1。

本文借助面板數據模型緩解了因變量遺漏引致的內生性問題，卻難以克服來自反向因果導致的內生性偏誤。為此，本文引入公司所在地郵電基礎設施發展水平和管理層信息技術背景作為公司數字轉型水平的工具變量，以緩解來自反向因果導致的內生性偏誤，所得結果參見Ⅵ、Ⅶ。用于檢驗內生性的Hausman結果（50.493）顯示，引入工具變量與不引入工具變量的回歸結果在1%的水平上存在顯著差異，繼而證實回歸方程存在內生性問題。弱工具變量檢驗（Weak test）結果顯示，特征統計量為62.408、超過10%的臨界值19.93，證實了工具變量的相關性。其中，具體相關性程度可參見回歸結果Ⅵ。外生性檢驗（Sargan test）結果為1.439，對應P值超過0.1，即沒有證據表明存在過度識別問題。回歸結果Ⅶ顯示，公司數字化轉型回歸系數估計為0.6714，且在5%的水平上顯著。由此推斷，即便是控制了由于反向因果關系所引致的潛在內生性問題，公司數字化轉型依然促進全要素生產率改善，再次證明了假設H1。

3. 中介效應

在識別公司數字化轉型對全要素生產率因果效應的基礎上，本文構建中介效應模型以檢驗其中存在的作用機制，并利用2011—2022年觀察樣本進行回歸估計，主要結果如表4所示。該表第1列為主要解釋變量和工具變量，第2列至第9列為主要變量回歸系數估計。其中，Ⅰ—Ⅳ對應管理層能力作用機制的估計結果，Ⅴ—Ⅷ對應員工勞動技能作用機制的估計結果。

既有研究表明，公司數字化轉型促進全要素生產率提升可能有數字技術驅動、數據要素賦能和人力資本提升等三條路徑。在基準回歸模型（式（1））基礎上，本文構建中介效用模型（式（2）和式（3）），并利用觀測樣本進行實證分析，檢驗公司數字化轉型促進全要素生產率改善過程中管理層能力和員工勞動技能的作用機制。其中，人力資本可分為管理層能力和員工勞動技能，具體定義參見表1。

回歸結果Ⅰ顯示，公司數字化轉型回歸系數（Digital）估計為0.1051且在1%的水平上顯著為正，即在其余變量不變的情況下，公司數字化轉型每提高1個單位，管理層能力提升0.1051個單位。據此推斷，公司數字化轉型有助于增強管理層能力（Ability）。回歸結果Ⅱ顯示，公司數字化轉型和管理層能力的回歸系數估計分別為0.1658和0.5651，且均在1%的水平上顯著。由此可知，公司數字化轉型和管理層能力均有助于促進全要素生產率的提升。綜合上述分析推斷，公司數字化轉型通過增強管理層能力（人力資本）促進全要素生產率改善，繼而證明了假設H2。與此同時，本文通過將管理層能力四等分構造新的衡量標準（Ability4）進行估計并得到回歸結果Ⅲ和Ⅳ。該結果同樣可推斷，公司數字化轉型通過增強管理層能力提升全要素生產率，再一次證明了假設H2。

公司數字化轉型除了優化管理層能力，還可能改善員工勞動技能，繼而實現全要素生產率提升。回歸結果Ⅴ顯示，公司數字化轉型回歸系數估計為11.67且在1%的水平上顯著為正。因而，公司數字化轉型有助于改善員工勞動技能（Skilledu）。回歸結果Ⅵ顯示，公司數字化轉型和員工勞動技能的回歸系數估計分別為0.1922和0.0042，且均在1%的水平上顯著。故而，公司數字化轉型和管理層能力均有助于促進全要素生產率提升。這組結果表明，公司數字化轉型通過提高員工勞動技能（人力資本）促進全要素生產率改善，從而證明了假設H3。為檢驗該結果的穩健性，本文利用研發人員占比（Stafframp;d）進行估計并得到回歸結果Ⅶ和Ⅷ。這組結果也表明，公司數字化轉型通過改善員工勞動技能促進全要素生產率提升，再一次證明了假設H3。

4. 穩健性檢驗

為驗證上述結論可靠性和穩健性，本文從三個維度對文中計量模型進行回歸估計和實證檢驗。其一，替換全要素生產率衡量指標。借鑒既有文獻，本文選擇OP法測算公司全要素生產率，更換被解釋變量進行回歸估計。其二，替換數字化轉型發展測算方法。參考同類研究，本文選擇文本詞頻法衡量數字化轉型發展水平，變更解釋變量進行回歸估計。其三，利用制造業觀測樣本進行回歸估計。考慮到制造業占比超過60%，本文選擇全部制造業上市公司觀測樣本進行回歸估計。這三種方法回歸的結果顯示，除回歸系數的估值略有改變外，其余變量主要回歸結果基本不變。因篇幅所限，本文未報告詳細結果。

五、 政策建議

本文以2011—2022年滬深A股主板上市公司為觀測樣本，研究了公司數字化轉型對全要素生產率的影響及其人力資本視角的作用機制。研究表明，公司數字化轉型有助于促進全要素生產率提升，即使控制了反向因果和變量遺漏的內生性問題依然如此。研究也表明，基于人力資本視角，公司數字化轉型能夠通過提升管理層能力和員工技能，實現全要素生產率的改善。這些結論不僅證實了公司數字化轉型對全要素生產率的改進作用，也揭示了人力資本視角下公司數字化轉型賦能的微觀作用機制，還對我國下一步利用數字化轉型改善公司全要素生產率提供如下政策啟示：

一是推動數字化轉型，提升公司全要素生產率。圍繞培育發展新質生產力重大部署，貫徹落實《制造業數字化轉型行動方案》1，加快公司數字化轉型發展、進一步提升全要素生產率。一方面，支持行業龍頭進一步提升數字化智能化網絡化水平，重點帶動產業鏈/產業集群中小企業數字化轉型。另一方面，引導中小企業主動順應數實融合發展趨勢，以業務為紐帶主動對接行業龍頭，善用“上云用數賦智”政策、提升公司數字化發展水平。

二是強化管理能力培訓，放大數字化轉型正效應。一方面，推動管理層能力納入數字化轉型水平目標評價體系，引導董事、監事和高級管理人員等管理層重視數字化轉型、加大數字化轉型投入。另一方面，推動公司定期組織管理層開展能力提升培訓和再教育，重點引導中小企業管理層學習和跟進同行業、同地區數字化轉型發展較為成功的典型業務、商業模式和示范案例，不斷提升數字化轉型意識、動力和決心。

三是加強數字素養教育，激活數字化發展新動能。推動企業圍繞研發、生產、人事、財務和營銷等核心流程，實施數字素養教育范圍立體化、人員全覆蓋。引導企業結合所處行業特征和自身發展需要，分層次、分階段將員工數字素養教育納入員工績效考核體系。支持企業主動對接行業龍頭和第三方專業機構，編制與自身業務發展相匹配的數字素養教育體系和績效考核評價標準，提升員工數字素養教育科學性和有效性。

參考文獻：

[1] 習近平.發展新質生產力是推動高質量發展的內在要求和重要著力點[J].中國新聞發布（實務版），2024（6）：3-5.

[2] 李忠海，劉永彪，后雨萌.我國數字經濟與實體經濟融合發展的理論邏輯和關鍵路徑——基于內生增長理論視角[J].金陵科技學院學報（社會科學版），2022，36（1）：1-8.

[3] 田秀娟，李睿.數字技術賦能實體經濟轉型發展——基于熊彼特內生增長理論的分析框架[J].管理世界，2022，38（5）：56-73.

[4] 楊慧梅，江璐.數字經濟、空間效應與全要素生產率[J].統計研究，2021，38（4）：3-15.

[5] 程文.人工智能、索洛悖論與高質量發展：通用目的技術擴散的視角[J].經濟研究，2021，56（10）：22-38.

[6] 李萬利，劉虎春，龍志能，等.企業數字化轉型與供應鏈地理分布[J].數量經濟技術經濟研究，2023，40（8）：90-110.

[7] 張葉青，陸瑤，李樂蕓.大數據應用對中國企業市場價值的影響——來自中國上市公司年報文本分析的證據[J].經濟研究，2021，56（12）：42-59.

[8] 尹洪英，李闖.智能制造賦能企業創新了嗎？——基于中國智能制造試點項目的準自然試驗[J].金融研究，2022（10）：98-116.

[9] 黃群慧，余泳澤，張松林.互聯網發展與制造業生產率提升：內在機制與中國經驗[J].中國工業經濟，2019（8）：5-23.

[10] 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，2021，37（7）：130-144.

[11] 黃勃，李海彤，劉俊岐，等.數字技術創新與中國企業高質量發展——來自企業數字專利的證據[J].經濟研究，2023，58（3）：97-115.

[12] Frydman H.Estimation in the Mixture of Markov Chains Moving with Different Speeds[J].Journal of the American Statistical Association，2005，100（471）：1046-1053.

[13] 國家發展和改革委員會.《“十四五”數字經濟發展規劃》學習問答[M].北京：人民出版社，2022.

[14] 郭美晨，杜傳忠.ICT提升中國經濟增長質量的機理與效應分析[J].統計研究，2019，36（3）：3-16.

[15] 國家工業信息安全發展研究中心，北京大學光華管理學院，蘇州工業園區管理委員會.中國數據要素市場發展報告（2021—2022）[R].北京：國家工業信息安全發展研究中心，2022.

[16] 王冬梅，黃乾，方守林.數字經濟對人力資本技能結構影響與作用機制的實證檢驗[J].統計與決策，2023，39（9）：23-28.

[17] 戚聿東，肖旭.數字經濟時代的企業管理變革[J].管理世界，2020，36（6）：135-152.

[18] 鄭國強，萬孟澤.數字經濟的生產率增長效應：紅利還是鴻溝[J].當代財經，2023（12）：3-16.

[19] 江三良，李寧寧.數字經濟發展何以提高企業全要素生產率？[J].南京審計大學學報，2023，20（2）：43-52.

[20] 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.

[21] 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（3）：62-71.

[22] 龐瑞芝，劉東閣.數字化與創新之悖論：數字化是否促進了企業創新——基于開放式創新理論的解釋[J].南方經濟，2022（9）：97-117.

[23] 樊綱，王小魯，馬光榮.中國市場化進程對經濟增長的貢獻[J].經濟研究，2011，46（4）：4-16.

[24] 孫雪嬌，范潤.數字經濟對大中小企業全要素生產率影響的鴻溝效應[J].經濟管理，2023，45（8）：45-64.

[25] 馬文聰，陳字理，許澤浩.企業數字化對全要素生產率的非對稱性影響——基于分位數回歸的實證檢驗[J/OL].軟科學，1-18[2024-06-29].http：//kns.cnki.net/kcms/detail/51.1268.G3.20240319.1502.

021.html.

[26] 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.

[27] 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.

[28] 郭偉，郭童，耿曄強.數字經濟、人力資本結構高級化與企業全要素生產率[J].經濟問題，2023（11）：73-79.

[29] 沈坤榮，喬剛，林劍威.智能制造政策與中國企業高質量發展[J].數量經濟技術經濟研究，2024，41（2）：5-25.

[30] 蔡曉陳，陳靜宇.數字經濟產業政策提高了企業全要素生產率嗎？——基于研發投入與融資約束視角[J].產業經濟研究，2023（3）：16-30.

[31] 錦囊專家，數字產業創新研究中心，首席數字官.中國數字化轉型與創新評選2018—2020三年對標洞察報告[R].北京：數字產業創新研究中心，2021.

[32] Jia N，Luo X M，Fang Z，et al.When and How Artificial Intelligence Augments Employee Creativity[J].Academy of Management Journal，2024，67（1）：5-31.

[33] 王桂軍，盧瀟瀟.“一帶一路”倡議與中國企業升級[J].中國工業經濟，2019（3）：43-61.

[34] 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.

[35] Olley G S，Pakes S. The Dynamics of Productivity in the Telecommunications Equipment Industry[J].Econometrica，1996，64（6）：1263-1297.

[36] Levinsohn J A，Petrin A.Estimating Production Functions Using Inputs to Control for Unobservables[J].Review of Economic Studies，2003，70（2）：317-341.

[37] 何威風，劉巍，黃凱莉.管理者能力與企業風險承擔[J].中國軟科學，2016（5）：107-118.

[38] Demerjian P R， Lev B. Mevay S.Quantifying Managerial Ability：A New Measure and Validity Tests[J].Management Science，2012，58（7）：1229-1248.

[39] 肖土盛，孫瑞琦，袁淳，等.企業數字化轉型、人力資本結構調整與勞動收入份額[J].管理世界，2022，38（12）：220-237.

[40] 吳育輝，張騰，秦利賓，等.高管信息技術背景與企業數字化轉型[J].經濟管理，2022，44（12）：138-157.

[41] 趙玲，黃昊.不確定性沖擊、數字技術創新與供應鏈韌性[J].中南財經政法大學學報，2024（4）：148-160.

[42] 江艇.因果推斷經驗研究中的中介效應與調節效應[J].中國工業經濟，2022（5）：100-120.

基金項目：國家社科基金重大項目“創新鏈與產業鏈耦合的關鍵核心技術實現機理與突破路徑研究”（項目編號：22amp;ZD093）、金陵科技學院高層次人才科研啟動項目（項目編號：jit-b-202022）、江蘇高校哲學社會科學研究一般項目“十四五時期江蘇制造業數字化轉型發展思路和對策研究”（項目編號：2021SJA0136）。

作者簡介：李忠海，男，博士，金陵科技學院商學院副教授，江蘇省數字技術與產業經濟應用工程研究中心秘書長，江蘇數字化轉型發展研究基地秘書長，研究方向為數字經濟、公司治理、實證公司金融；梅潔，女，南京大學博士后，南京林業大學經濟管理學院講師，研究方向為公司治理；李澤洲，通訊作者，男，南京大學數字經濟與管理學院數字經濟專業學生，研究方向為數字經濟。

（收稿日期：2024-07-30" 責任編輯：殷 俊）