數字經濟對制造業綠色全要素生產率的影響研究

摘 要：制造業作為高能耗、高污染的產業，在第二產業中占有相當重要的地位，探究制造業綠色轉型發展問題具有重要的現實意義。選取我國2005—2020年30個省份的面板數據，首先運用SBM-GML模型對制造業綠色全要素生產率（GTFP）進行測算，隨后將國家級大數據綜合試驗區的設立視為準自然實驗，采用多期DID方法分階段檢驗數字經濟對制造業綠色全要素生產率的影響。結果表明：國家級大數據綜合試驗區建設能夠顯著提升制造業綠色全要素生產率，且具有穩健性；異質性檢驗表明，大數據綜合試驗區建設能夠顯著提升東中部地區的制造業綠色全要素生產率，且對中部地區的作用效果更為明顯；機制檢驗發現，大數據綜合試驗區建設能夠通過降低勞動力錯配程度、提高研發強度、促進產業結構升級提升制造業綠色全要素生產率；進一步分析顯示，隨著數字化經濟發展程度和綠色創新能力的提高，數字經濟對制造業綠色全要素生產率的影響是非線性的，且均呈現出先抑制后促進的“U”型關系。關鍵詞：數字經濟；綠色全要素生產率；國家級大數據綜合試驗區

中圖分類號：F 124001-11

Research on the Impact of Digital Economy on Green Total

Factor Productivity of Manufacturing Industry：

A Quasi Natural Experiment Based on National Big Data

Comprehensive Experimental Zone

ZHANG Youzhi，BIAN Rumeng，WANG Jingyi，LIU Yinke

（School of Economics and Management，Xi’an Shiyou University，Xi’an 710065，China）

Abstract：As a high energy consuming and highly polluting industry，manufacturing plays a significant role in the secondary industry.Exploring the green transformation and development of manufacturing is of great practical significance.Based on panel data from 30 provinces in China from 2005 to 2020，the SBM-GML model was first used to measure the green total factor productivity of the manufacturing industry.Subsequently，the establishment of a national level big data comprehensive experimental zone was regarded as a quasi natural experiment，and the impact of the digital economy on the green total factor productivity of the manufacturing industry was empirically tested in stages using a multi-period DID method.The results show that the construction of national level big data comprehensive experimental zones can significantly improve the green total factor productivity of the manufacturing industry，and has robustness.Heterogeneity testing shows that the construction of the big data comprehensive experimental zone can significantly improve the green total factor productivity of the manufacturing industry in the eastern and central regions，and the effect on the central region is more significant.Mechanism testing has found that the construction of big data comprehensive pilot zones can improve the green total factor productivity of the manufacturing industry by suppressing labor mismatch，increasing research and development intensity，and promoting industrial structure upgrading.Further analysis shows that with the development of the digital economy and the improvement of green innovation capabilities，the impact of the digital economy on the green total factor productivity of the manufacturing industry is non-linear，and both exhibit a U-shaped relationship of first inhibition and then promotion.

Key words：digital economy；GTFP；national level big data comprehensive experimental zone

0 引言

自人類社會進入信息時代以來，數字技術已經逐漸成為轉變經濟發展方式，實現經濟綠色化、高質化的重要推動力。制造業是國民經濟命脈所系，在第二產業中占有相當重要的地位，為實現“制造強國”和“美麗中國”的宏偉目標，探究自然資源日趨緊張條件下高能耗、高污染的制造業綠色轉型發展問題具有重要理論及現實意義。為加速產業數字化、助力傳統產業實現數字化轉型，2015年8月，國家出臺了《促進大數據發展行動綱要》，要求通過建設大數據試點推動區域間及區域內資源整合，提升政府治理能力，推動產業創新發展，而后于2016年相繼設立了八大國家級大數據綜合試驗區^[1]。新時代以數字經濟驅動我國實體經濟全面綠色轉型已成為必然趨勢，而大數據綜合試驗區建設作為我國數字經濟發展戰略的關鍵舉措，研究其對制造業的綠色轉型升級至關重要。文章通過多期DID模型分析大數據綜合試驗區建設對制造業GTFP的影響，并探究影響制造業綠色發展的作用路徑，進一步豐富數字經濟促進制造業綠色發展的研究，助力制造業綠色轉型升級，實現高質量發展。

1 文獻綜述

綜觀現有文獻，與本文研究相關較為密切的主要涉及以下2個方面：一是數字經濟，現有文獻主要關注于數字經濟政策的影響效果，或探究數字經濟助推傳統產業綠色轉型升級的作用路徑。二是GTFP，現有文獻主要關注相關政策是否有助于提升GTFP及該政策通過何種途徑促進GTFP的提升。

首先，目前關于數字經濟的試點政策較多，主要包括大數據綜合試驗區建設、智慧城市、寬帶中國等，多數學者對于數字經濟政策的實施效果以及影響路徑進行探究，為數字經濟與各領域的充分融合提供思路。劉軍等 ^[2]基于大數據綜合試驗區的設立發現該政策能夠顯著提升城市全要素生產率，且資源配置效率、企業創新是數字經濟提升城市全要素生產率的主要途徑；楊秀云等 ^[3]通過研究公共數據開放對全要素生產率的影響，發現城市公共數據開放水平每提高1%，當地企業全要素生產率平均提升約0.18%；秦曉麗等 ^[4]基于三批智慧城市試點政策，發現該政策可以提升企業全要素生產率，且對規模較大及非資源城市的提升作用更明顯。數字經濟與企業綠色轉型升級密不可分，探究傳統產業的數字化轉型，是當前學術界較為關注的問題，目前學界對于數字經濟助推傳統產業綠色轉型升級的作用機制主要從研發創新、產業結構等方面考察，袁培等 ^[5]通過檢驗數字技術賦能工業綠色轉型的影響機制，發現創新水平提升和能源結構優化是數字技術賦能工業綠色轉型的重要渠道；龔新蜀等 ^[6]實證考察了城市數字經濟對重污染企業綠色全要素生產率的影響效應和內在機制，發現綠色創新是數字經濟驅動重污染企業綠色生產的重要傳導機制，且只有當綠色發明專利申請量作為中介變量時，對驅動重污染企業綠色生產有顯著影響。

其次，現有文獻對于綠色全要素生產率的研究主要集中于政策效應、影響路徑及因素，且多數學者對于影響綠色全要素生產率的途徑主要從技術創新、產業結構、產業集聚等方面探究^[7]。鄭菊花等^[8]基于開發區升級的準自然實驗發現政府效率高、市場化水平高的地區，開發區升級對綠色全要素生產率有顯著的正向影響；陳麗娜等^[9]基于低碳城市和創新型城市雙試點政策的準自然實驗發現，雙試點城市可以通過提升城市綠色技術創新水平與優化產業結構2條途徑促進綠色全要素生產率的增長；張建等^[10]通過研究發現產業結構及對外直接投資對綠色全要素生產率具有顯著正向作用；姚戰琪^[11]認為科技服務業試點可以通過提高產業結構高級化水平及人均消費支出提升綠色全要素生產率。

基于現有文獻的梳理及歸納，文章將不同時期設立的大數據綜合試驗區視為準自然實驗，以拓展不同環境規制對制造業綠色發展的影響研究，同時從不同角度探究數字經濟促進制造業綠色發展的作用路徑，從而促進制造業實現綠色轉型升級。選取2005—2020年30個省份的面板數據，采用多期DID方法分階段檢驗識別數字經濟發展對制造業GTFP的影響，通過PSM-DID、安慰劑檢驗等方法克服選擇偏差，并從勞動力錯配、產業結構、研發強度3個視角檢驗大數據綜合試驗區影響制造業GTFP的傳導路徑，同時探索數字經濟對制造業GTFP的非線性特征。為數字經濟驅動制造業GTFP提供可靠實證證據。

2 理論分析及研究假設

數字經濟時代，大數據通過深入產業生產的各個環節逐漸成為驅動經濟發展的內在動力，完善的數據市場環境通過引導數字產業良性循環，為當地經濟發展注入活力。國家級大數據綜合試驗區的設立旨在提升對數據的挖掘與利用水平，通過探索產業數字化的有效路徑促進傳統生產方式發生變革。大數據的應用促進制造業多方面升級。在資源配置方面，數字技術發展通過加速勞動力市場和資本市場信息化，提高市場供求雙方信息搜集和處理能力，掃除引導勞動力流動的信息障礙，提高市場參與者搜尋匹配效率，大數據技術通過抑制勞動力錯配率、減少勞動力的過度投入、促進制造業高質量發展，進而驅動制造業GTFP提升。在研發強度方面，數字經濟所帶來的政策紅利為企業研發創新提供了可能，線上交流平臺、計算機處理系統的飛速發展為企業或機構的研發人員提供了更高效的研發環境，科研創新水平的提升為企業帶來更高的生產效率及優勢產品，企業成本優勢增加的同時也提高了產品競爭優勢，從而激勵企業繼續進行研發創新，同時企業研發水平的提升有助于其提高生產效率，提升資源利用程度，減少生產過程中多余廢棄物的產生，進而提升制造業GTFP。在產業結構方面，數字化技術不斷迭代升級，并在產業關聯效應及競爭激勵效應影響下，進一步促進數字化技術及數字產品的衍生，助推產業鏈由低端向中高端邁進，進而引發全產業鏈的持續革新^[12]，同時通過大數據綜合試驗區建設的政策引導，能夠促使數據服務、數據信息等與傳統產業生產經營各環節融合，賦能傳統產業實現產業結構升級，產業結構升級能夠促進部門分工細化，將資本、人力資源等合理分配到生產各過程，提升生產專業化程度，從而有效提升清潔生產水平，促進制造業GTFP的提升^[13-14]，作用機制如圖1所示。

基于以上討論，提出假設H1、H2。

H1：大數據綜合試驗區建設能夠顯著提高制造業GTFP。

H2：大數據綜合試驗區建設通過降低勞動力錯配率、促進研發強度以及產業結構升級間接驅動制造業GTFP提升。

大數據綜合試驗區建設將大數據與實體經濟相融合，對企業進行以信息化、數字化為重點的技術改造。在數字經濟發展初期，由于制造業在生產過程中需要復雜、具有針對性的生產標準，導致我國數字技術未能在制造業領域充分融合^[15]，多數企業在應用數字技術時首先考慮降低成本，從而忽視生產技術提高過程中造成的環境問題，同時數字技術在制造業領域投入成本高、見效慢導致企業缺乏進行綠色技術創新的動力，從而不利于發揮數字經濟對制造業GTFP的提升作用；相反，當數字經濟發展到一定程度時，政府對于數字產業的優惠政策基本得到落實，企業有更多的資源以及更好的創新環境發展綠色技術，同時數字技術通過破除企業間的信息壁壘促進不同資源要素充分流動，使市場閑散資源得到有效利用，企業更加容易獲得綠色創新資源，從而促進綠色創新^[16-17]，降低生產過程中污染物的排放量，提升制造業GTFP。

數字技術與制造業相結合能夠促進產業鏈、人才鏈、創新鏈的深度有機融合，促進制造業高質量發展，從而有助于提升制造業GTFP。數字經濟發展初期，產業數字化轉型面臨諸多困難，總體呈現結構“偏軟”的特征，各企業應用數字技術的程度由于企業自身實力等原因呈現出多樣性，尤其對于中小企業，在生產過程中對數字技術的利用率遠低于大型企業，同時數字經濟發展初期，企業資金投入大、資金回收周期長，加之政策紅利的不確定性較高，導致企業的數字投入積極性不高，因此，當數字經濟發展程度較低時，會妨礙制造業GTFP的提升。相反，當數字經濟發展到一定程度時，數字技術及相關基礎設施已經趨于完善，數字技術人才培育充足，加之相關優惠政策的扶持，使企業更加注重科技創新、綠色創新，從而將更多資本投入新產品研發和技術升級，減少對能源資源的依賴，提升資源利用效率。因此，較高的數字經濟發展水平會促進制造業GTFP的提升。基于以上討論，提出假設H3。

H3：數字經濟對制造業GTFP存在基于綠色創新能力及數字經濟發展水平的門檻效應。

3 研究設計

3.1 模型設定

多時點DID適用于處理組個體受到政策沖擊時點不一致的情形，由于國家級大數據綜合試驗區在各地區的建設存在時間的差異，為探討數字經濟對制造業GTFP的影響，文章運用多期DID模型并固定個體、時點效應探究數字經濟對制造業綠色全要素生產率的影響 ^[18]。基準回歸模型設定見式（1）。

MGTFPit=ɑ+βTreatit×Periodit+γ∑Xit+λt+ηi+εit

（1）

式中，MGTFP為制造業綠色全要素生產率；Treat為試驗區虛擬變量；β為大數據綜合試驗區政策的處理效應，是文章重點關注的系數估計值；Period為試驗期虛擬變量；兩者的交乘項構成核心解釋變量（下文以Did表示）；∑X為所有控制變量；λ為個體固定效應；η為時點固定效應；ε為隨機擾動項。

根據前文分析，國家級大數據綜合試驗區建設能夠通過3種途徑影響制造業GTFP：勞動力錯配、產業結構高級化和研發強度。為進一步探究大數據綜合試驗區建設對制造業GTFP的影響機理，本文采用3步法構建中介效應檢驗模型^[19]，上式（1）為3步法中的第一步，β代表大數據綜合試驗區政策對制造業GTFP的總體效應，在式（1）的基礎上構建式（2），考察大數據試驗區政策對產業結構高級化、研發強度以及勞動力錯配的影響；進一步構建式（3），將勞動力錯配、產業結構高級化及研發強度分別納入模型進行檢驗。模型設定如下

M=λ0+θDidit+γ∑Xit +λt+ηi+εit

（2）

MGTFPit=0+τDidit+ζM+γ∑Xit +λt+ηi+εit

（3）

式中，M為中介變量，表示大數據綜合試驗區建設影響制造業GTFP的作用機理，其中τ為大數據試驗區建設對制造業GTFP影響的直接效應；θ為大數據綜合試驗區建設對中介變量的影響效應；其余變量與前文表述同。

此外，根據前文分析，數字經濟對制造業GTFP的影響可能存在非線性特征，因此根據Hansen提出的固定效應面板門檻模型^[20]，設定式（4）實證檢驗數字經濟對制造業GTFP影響的非線性特征

MGTFPit=ai +β1×Digitit×1（pit≤δ）+β2×Digitit×1（pitgt;δ）+γ∑Xit+λt+ηi+εit

（4）

式中，β1 、β2為待估參數；Digitit 為數字經濟發展水平；pit為門限變量；δ為待估門限值；1（）為示性函數，其余變量與前文表述同。

3.2 變量選取

基于變量選取的科學性，文章選取2005—2020年間中國30個省市（因為數據缺失，不包括西藏、港澳臺地區）的面板數據進行研究。

3.2.1 被解釋變量

數據包絡分析法是一種常用的效率測算方法，但傳統的DEA方法僅考慮了最開始的投入和最后的產出，未能考慮到投入與產出之間的松弛性問題，為解決這一問題，不少研究者在傳統的DEA方法上提出了SBM模型，該模型考慮到傳統DEA所忽視的松弛性問題，是一種比較理想的生產效率測算方法，同時GML指數能夠有效減少指數線性規劃的無解性問題。因此文章采用SBM-GML模型測算制造業綠色全要素生產率，其中GML指數計算過程見式（5）。

GMLtt-1=1+G0（x^t-1，y^t-1，b^t-1，y^t-1，-bt^t-1）1+G0（xt，yt，bt，yt，-bt）

（5）

其中，GML指數大于1或小于1分別說明制造業綠色全要素生產率上升或下降，參照相關研究，制造業綠色全要素生產率的指標選取見表1。

3.2.2 核心解釋變量

核心解釋變量為大數據綜合試驗區虛擬變量（Did）。2016年3月貴州獲批成為我國首個大數據建設試驗區，2016年10月第二批試驗區名單發布，由于兩批試點開展試驗的時間不同，為保證結果的準確性，將兩批試驗區的設立時間分別視為2016及2017年，然后按照國家級大數據綜合試驗區的試點名單及獲批時間進行賦值，得到核心解釋變量。

3.2.3 中介變量

參考干春暉等的研究，選取研發強度、產業結構高級化以及勞動力錯配程度作為中介變量。其中產業結構高級化為第三產業產值與第二產業產值之比 ^[21]。研發強度采用Ramp;D經費支出占國民生產總值的比重來衡量。勞動力錯配程度參考白俊紅等的做法^[22]，具體計算過程如下。

基于規模報酬不變的C-D生產函數Y=AF（K，L）對時間t求導得

=FK+FL+FA

（6）

上式兩邊同除以Y可得

Y=FKKYK+FLLYL+FAAY

A

（7）

其中βL=FLLY表示勞動的產出彈性。

Li=11+τLi

（8）

其中，τLi為勞動力錯配程度，Li為要素價格相對扭曲函數，測算公式如下

Li=LiLsiβLiβL

（9）

其中，si=piyiY表示地區i的產出yi占整個經濟體產出Y的份額，聯立式（8）（9）即可得到勞動力錯配程度。

3.2.4 門檻變量

根據前文分析，數字經濟對制造業GTFP可能存在非線性作用機制，文章選取數字經濟發展水平以及綠色創新能力作為門檻變量進行實證研究，數字經濟發展水平參考黃宇寧等的做法構建指標體系，并根據指標方向利用熵值法進行測度^[23]，具體指標選取見表2。

3.2.5 控制變量

參考已有研究，對于控制變量的選取如下^[24]：①經濟發展水平，以人均國內生產總值取對數衡量；②環境規制力度，以污染治理投資額占國內生產總值的比重衡量;③技術市場發展水平，以技術市場成交額的對數來衡量；④工業化水平，以工業增加值占國內生產總值的比重衡量；⑤社會消費水平，以社會消費品零售總額占國內生產總值的比重衡量；⑥能源結構，以電力消費量占全國電力消費量的比重表示。

3.3 數據來源及說明

文章所使用的數據主要來自各省統計年鑒、國家統計年鑒、國家知識產權專利數據庫及經濟統計數據庫。各變量的描述性統計見表3。

4 實證結果及分析

4.1 基準回歸

大數據綜合試驗區對制造業GTFP的影響效果見表4。列（1）為未加入控制變量的結果，列（2）—（4）是在基準回歸模型的基礎上依次添加控制變量得到的結果，Did的系數在加入控制變量后均顯著為正，意味著大數據試驗區的設立能夠顯著提升制造業GTFP，假設H1得以驗證。

列（2）—（7）中經濟發展水平的系數均顯著為負，說明伴隨著經濟的發展，污染物的排放未能得到有效遏制，導致經濟發展水平與制造業GTFP呈反向變動關系。環境規制強度與制造業綠色全要素生產率呈負相關關系，可能的原因是政府劃撥的環境治理資金沒有完全落到實處，且相關部門在治理環境污染問題工作中效率較低 ^[25]。技術市場發展水平與制造業綠色全要素生產率呈正相關關系，說明伴隨著生產技術的進步，制造業生產過程中產生的污染物排放量得到有效遏制。

4.2 穩健性檢驗

4.2.1 平行趨勢檢驗

平行趨勢檢驗是多期DID分析的重要前提。這一檢驗能夠確保在政策實施之前，實驗組與控制組的制造業GTFP不存在明顯的時間趨勢差異。平行趨勢是DID分析有效的基礎，保證了政策實施是引起差異的主要因素，而非其他潛在的時間趨勢差異。平行趨勢檢驗的結果如圖2所示，橫坐標中“0”為政策執行的時間，在“0”值左側即為政策沖擊發生前，估計系數均過0軸且無明顯事前趨勢，說明在試點政策實施前，實驗組與控制組在制造業的GTFP發展上并未展現出明顯的差異或顯著的發展趨勢區別。在政策實施后，估計系數顯著大于0，說明在政策實施后實驗組制造業GTFP得到顯著提升，平行趨勢檢驗通過。

4.2.2 安慰劑檢驗

安慰劑檢驗作為一種反事實檢驗，能夠排除其它偶然的潛在因素導致的結果。采用隨機設定虛擬實驗組的方法排除偶然因素的影響，首先，在30個省市中，隨機選擇10個省市為偽處理組，其余省市為對照組，基于這一分組情況產生政策虛擬變量，重復500次。得到檢驗結果如圖3所示。

圖3（a）為安慰劑檢驗系數圖，其中紅圈構成的曲線為隨機抽樣的系數分布，該圖中，大部分的隨機系數集中于零附近，說明虛擬政策時間節點對經濟目標設置的影響較小。圖3（b）為隨機抽樣的P值分布圖，圖中垂直于縱軸的橫線為P=0.1，若大部分散點位于該線以下，說明系數至少在10%的水平上顯著，也就是說隨機選取的偽處理組在政策沖擊前后也出現了差異，反之則表明隨機選取的偽處理組沒有出現顯著差異，由P值分布圖可知，大部分估計系數并不顯著，說明隨機選取的實驗組在政策實施前后未出現顯著性差異，排除了大數據綜合試驗區政策受到其它偶然潛在因素影響的可能，證明前述結果較為可靠。

4.2.3 PSM-DID模型估計

PSM-DID是一種結合了傾向得分匹配法（PSM）和差分處理效應（DID）的方法。它能夠有效地解決因果推斷中的選擇偏誤問題。在PSM-DID模型中，通過運用傾向得分匹配方法，可以確保實驗組和對照組在特征上具有相似性，進而降低選擇偏誤的風險。文章采用近鄰匹配、核匹配以及半徑匹配等多種匹配方式，在控制組和實驗組之間進行精確的匹配。在匹配過程中，嚴格篩選并剔除了匹配結果較差的數據。隨后，利用基準模型對篩選后的數據進行了重新估計，確保研究結果的可靠性和有效性。平衡性檢驗結果如圖4～6所示。

在滿足平衡性檢驗基礎上，PSM-DID檢驗結果見表5，匹配后Did的系數均顯著為正，說明在考慮了樣本選擇偏差的情況下，大數據綜合試驗區建設仍能夠提升制造業GTFP，上文回歸結果仍然穩健。

4.2.3 內生性問題

由于大數據綜合試驗區建設在選擇政策試點時，會優先考慮發展較好的地區，使得政策樣本的選擇出現非隨機性，影響大數據綜合實驗區建設對制造業GTFP的試驗效果，存在內生性問題。基于此，參考屈天佑等、萬永坤等的做法^[26-27]，將大數據綜合試驗區政策虛擬變量滯后一階作為工具變量進行分析，并采用2SLS方法對前文設定計量模型進行回歸估計，結果見表5。

表5中，（1）列為大數據綜合試驗區政策虛擬變量滯后一期的回歸結果，核心解釋變量的系數為0.050 1且在5%的水平下顯著，表示加入工具變量后，大數據綜合試驗區建設依舊能夠顯著提高制造業GTFP。

4.2.4 其它穩健性檢驗

其他穩健性檢驗見表7。由于數據統計的準確性及其它不可觀測的因素可能導致數據存在極端樣本值，經過縮尾處理，可以顯著降低極端值對估計和推斷的影響。因此對被解釋變量進行1%的雙側縮尾處理，結果見表7（1）列。由于被解釋變量可能存在序列相關以及自相關等問題，將滯后一期的制造業GTFP作為被解釋變量納入到模型中進行回歸，結果見表7（2）列。其結果均顯著為正，表明前述結果依然具有穩健性。

其他穩健性檢驗見表6。PSM-DID是一種結合了傾向得分匹配法（PSM）和差分處理效應（DID）的方法。它能夠有效地解決因果推斷中的選擇偏誤問題。在PSM-DID模型中，通過運用傾向得分匹配方法，可以確保實驗組和對照組在特征上具有相似性，進而降低選擇偏誤的風險。文章采用核匹配的匹配方式，在控制組和實驗組之間進行精確的匹配。在匹配過程中，嚴格篩選并剔除了匹配結果較差的數據。隨后，利用基準模型對篩選后的數據進行了重新估計，確保研究結果的可靠性和有效性，其中平衡性檢驗結果如圖4所示。

在滿足平衡性檢驗基礎上，PSM-DID檢驗結果見表6（1）列，匹配后Did的系數顯著為正，說明在考慮了樣本選擇偏差的情況下，大數據綜合試驗區建設仍能夠提升制造業GTFP，上文回歸結果仍然穩健。由于數據統計的準確性及其它不可觀測的因素可能導致數據存在極端樣本值，經過縮尾處理，可以顯著降低極端值對估計和推斷的影響。因此對被解釋變量進行1%的雙側縮尾處理，結果見表6（2）列。由于被解釋變量可能存在序列相關以及自相關等問題，將滯后一期的制造業GTFP作為被解釋變量納入到模型中進行回歸，結果見表6（3）列。其結果均顯著為正，表明前述結果依然具有穩健性。

4.3 異質性分析

不同試點地區由于地理位置的差異導致其在經濟環境、產業結構等方面存在較大差異，故為了探究數字經濟對制造業GTFP影響的區域差異，將30個省份按照傳統地域劃分方式分為東、中、西3個區域，進一步探究國家級大數據綜合試驗區的設立對制造業極端樣本值的區域異質性，區域異質性分析結果見表7。表7（3）列為西部地區的大數據綜合試驗區建設對制造業GTFP的估計結果，其估計系數為0.000 9且不顯著，說明數字經濟對西部制造業GTFP產生的正向效應未得到明顯體現，西部地區應當加強數字經濟與傳統產業的融合，并挖掘其對制造業GTFP的潛在支撐力^[28]。表7（1）、（2）列分別為東部及中部地區的大數據綜合試驗區建設對制造業GTFP的估計結果，其估計系數均在10%水平上顯著為正。原因可能在于東部地區地理位置優越，國外技術引入較為前沿，政策傾斜程度相對較高，電子商務發展較快，各產業與數字經濟融合程度高，所以也產生了較好的政策效果^[29]。而中部地區實體經濟較為發達，“十四五”規劃之后，汽車、電子信息、裝備制造業等產業集群快速發展，涌現出眾多產業集群，先進制造業不斷從東部向中部轉移，所以，在中部地區實行大數據試驗區建設，能有效促進中部地區制造業轉型升級，提升制造業GTFP。

5 進一步分析

5.1 中介效應分析

根據前述的研究結果可知，數字經濟對制造業GTFP提高存在顯著的促進作用。為進一步研究數字經濟對制造業GTFP影響的作用機制，運用3步法對影響制造業GTFP的因素進行檢驗，結果見表8。表8（1）列是大數據綜合試驗區建設對勞動力錯配程度的影響效應，回歸系數在1%的水平上顯著且為負，說明大數據綜合實驗區的建設能夠有效降低勞動力錯配程度。表8（2）列是將大數據綜合試驗區建設及勞動力錯配程度同時納入模型中得到的回歸結果，兩者的估計系數均在5%的水平上顯著為負，說明大數據綜合試驗區建設通過抑制勞動力錯配程度進而提高制造業GTFP。表8（3）列是政策實施對研發強度的影響效應，系數在5%的水平上顯著且為正，說明政策實施能夠提升企業研發強度。表8（4）列是將大數據綜合試驗區建設及研發強度同時納入模型中得到的回歸結果，二者的估計系數均顯著為正，說明大數據綜合試驗區建設通過提升企業研發強度進而提高制造業GTFP。表8（5）列是政策實施對產業結構高級化的影響效應，系數在10%的水平上顯著且為正，說明政策實施能夠顯著提升產業結構高級化水平。表8（6）列是將大數據綜合試驗區建設及產業結構高級化水平同時納入模型中得到的回歸結果，結果表明：大數據綜合試驗區建設通過提升產業結構高級化水平進而提高制造業GTFP。對比將3個中介變量分別納入中介模型的結果，其中政策實施對研發強度的促進效果最高，說明該政策的實施能夠有效激勵企業創新，提升自身競爭力。假設H2得到證明。

5.2 門檻模型分析

為檢驗數字經濟對制造業GTFP的非線性影響，將數字經濟發展指數及綠色創新能力作為門檻變量進行門檻效應檢驗 ^[30]。然后利用Bootstrap自助法抽樣500次估計出門檻值及門檻范圍。其中將數字經濟發展水平作為門檻變量得到的結果見表9。

從表10的結果看，1%的顯著性水平下，數字經濟對制造業GTFP存在顯著的非線性影響，表現為基于數字經濟發展水平的單一門檻效應，其中門檻值為0.274 4，置信區間為[0.267 5，0.277 5]。

數字經濟發展水平門檻存在性檢驗通過后，將其納入面板門檻模型中進行檢驗，結果見表11（1）列。當數字經濟發展水平低于0.274 4時，其對制造業GTFP的提升具有顯著抑制作用。當數字經濟發展水平越過門檻值0.274 4時，其對制造業GTFP的影響系數由顯著為負轉變為顯著為正。由此可知，隨著區域數字經濟發展水平的不斷提升，數字經濟對制造業GTFP表現出先抑制后促進的非線性影響。

為探究綠色創新能力對制造業GTFP的非線性影響，參照相關研究，分別選取綠色發明專利申請數（取對數）、綠色專利申請數（取對數）、綠色實用新型專利授權數（取對數）、綠色專利授權數（取對數），均通過了單門檻效應，門檻值分別為9.211 0、9.668 6、8.569 8、8.696 3。由表11（2）（3）（4）（5）列可以看出，當綠色創新能力越過門檻值之后，回歸系數均由負向轉變為顯著為正，說明當綠色創新水平達到一定程度后，能夠有效提升制造業綠色全要素生產率，驗證了假設H3。

6 結論與建議

6.1 結論

選取我國30個省份2005—2020年的制造業數據，以各省制造業綠色全要素生產率為被解釋變量，以國家級大數據綜合試驗區政策的實施作為核心解釋變量，對數字經濟驅動制造業綠色發展的作用機制及效果進行評價。結果表明：

①國家級大數據綜合試驗區能夠顯著提升制造業GTFP；

②試驗區建設能夠顯著提升東中部地區的制造業GTFP，且對中部地區的提升效果更明顯；

③大數據綜合試驗區建設能夠通過抑制勞動力錯配程度、提升企業研發強度、促進產業結構升級提升制造業GTFP；

④數字經濟對制造業GTFP存在基

于數字經濟發展水平以及綠色創新能力的門檻效應。

6.2 建議

1）各省份應積極探索大數據技術與制造業的融合方式，提高政策的持續效應，并加強與其他支持數字經濟發展政策的協同，以實現政策的倍增效果，助力制造業的綠色發展。

2）由于大數據建設在東、中部地區的政策效果更為顯著，在建設大數據綜合實驗區，在推動經濟綠色發展的過程中，我們應當優先考慮發展東部和中部地區，這些地區通常擁有更為發達的基礎設施和更為集中的經濟資源。同時也不能忽視西部地區，盡管其經濟發展相對滯后，但同樣蘊含著巨大的潛力和機遇。因此，應當在確保東、中部地區經濟發展的同時，積極引導西部地區的經濟發展，加快數字要素融入生產過程，引導實業企業開發西部資源，推動其實現跨越式發展，從而實現全國經濟的均衡和可持續發展。

3）大數據建設能夠通過降低勞動力錯配程度、提升研發強度及促進產業結構升級提升制造業綠色全要素生產率，因此應繼續加快數字產業化進程，促進勞動力的合理配置，使勞動力資源得到高效配置，同時鼓勵、支持、引導企業自主研發，深度調整產業結構，強化大數據在三次產業中的融合應用，推動能源消耗和污染嚴重的生產企業向節能、環保、環保的新企業轉型，提升產業結構高級化程度。

4）在發揮數字經濟對制造業GTFP的增長效應時，還要注重約束數字經濟發展的外部條件，不斷提升數產融合水平，通過政策引導、生產激勵等方式營造良好的數字經濟發展環境，促進數字經濟持續、高效發展。同時還要提升制造業的綠色創新水平，通過政策引導、財政支持等方式提升企業進行綠色創新的動力，從而不斷推動制造業綠色發展。

參考文獻：

[1] 張修凡，范德成.數字經濟發展賦能我國低碳經濟轉型研究——基于國家級大數據綜合試驗區的分析[J].科技進步與對策，2023，40（19）：118-128.

[2]劉軍，朱可，錢宇.數字經濟對全要素生產率的影響研究——來自國家級大數據綜合試驗區的證據[J].南京審計大學學報，2024，21（01）：101-111.

[3]楊秀云，韓奇.公共數據開放能提升企業全要素生產率嗎？[J].證券市場導報，2023（12）：18-30.

[4]秦曉麗，侯躍.智慧城市建設、產業集聚與企業全要素生產率——基于上市公司的分析[J].南京財經大學學報，2023（06）：99-110.

[5]袁培，路詣曉.數字技術賦能工業綠色轉型：內在機制與空間溢出[J].財會月刊，2024，45（05）：31-36.

[6]龔新蜀，杜江.數字經濟、綠色創新與企業綠色全要素生產率[J].統計與決策，2024，40（02）：35-40.

[7]周文，葉蕾.新質生產力與數字經濟[J].浙江工商大學學報，2024（02）：17-28.

[8]鄭菊花，申偉寧，柴澤陽.區位導向型政策與綠色全要素生產率增長——基于開發區升級的準自然實驗[J].技術經濟與管理研究，2023（12）：123-128.

[9]陳麗娜，柏楊.雙試點政策對綠色全要素生產率的影響——基于低碳城市和創新型城市雙試點政策的準自然實驗[J].科技管理研究，2023，43（17）：49-58.

[10]張建，王博.對外直接投資、產業結構升級與綠色全要素生產率[J].運籌與管理，2023，32（10）：165-170.

[11]姚戰琪.科技服務業試點對城市綠色全要素生產率的影響研究[J].哈爾濱工業大學學報（社會科學版），2024，26（01）：143-152.

[12]閆嘉雯，郭麗芳.產業集聚對企業綠色創新的影響——基于ESG表現的調節作用[J].技術與創新管理，2023，44（06）：672-678.

[13]操小娟，張詩嘉.政府數字治理與綠色全要素生產率提升——來自“互聯網+政務服務”試點政策的證據[J].上海經濟研究，2024（12）：42-56.

[14]鄒惺辰，賴紅波.數字交通對產業輻射強度的影響：是賦能還是負能——基于30個省級行政區空間杜賓模型的分析[J].技術與創新管理，2024，45（01）：94-108.

[15]樊軼俠，徐昊.中國數字經濟發展能帶來經濟綠色化嗎？——來自我國省際面板數據的經驗證據[J].經濟問題探索，2021（09）：15-29.

[16]毛豐付，邵芳琴，邵慰.數字產業化對綠色全要素生產率的影響研究[J].工業技術經濟，2023，42（06）：19-25.

[17]周雪峰，韓露，肖翔.“雙碳”目標下數字經濟對企業持續綠色創新的影響——基于數字化轉型的中介視角[J].證券市場導報，2022（11）：2-12.

[18]BECK T，LEVINE R，LEVKOV A.Big bad banks？The winners and losers from bank deregulation in the United States[J].The Journal of Finance，2010，65（05）：1637-1667.

[19]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，2004，36（05）：614-620.

[20]HANSEN B E.Threshold effects in non-dynamic panels：Estimation，testing，and inference[J].Journal of Econometrics，1999，93（02）：345-368.

[21]干春暉，鄭若谷，余典范.中國產業結構變遷對經濟增長和波動的影響[J].經濟研究，2011，46（05）：4-16+31.

[22]白俊紅，劉宇英.對外直接投資能否改善中國的資源錯配[J].中國工業經濟，2018（01）：60-78.

[23]黃宇寧.數字經濟、低碳技術創新與全要素碳生產率[J].技術經濟與管理研究，2023（08）：26-32.

[24]廖凱誠，張玉臣，彭耿.數字普惠金融對城市金融業全要素生產率的影響機制研究[J].當代財經，2021（12）：65-76.

[25]張優智，劉寅可，趙璟.環境規制對碳減排的影響效應研究——基于碳排放權交易試點政策的準自然實驗[J].生態經濟，2023，39（07）：29-35+44.

[26]屈天佑，李娜.數字經濟發展對企業創新能力的影響——基于我國A股上市公司的經驗證據[J].技術經濟與管理研究，2024（02）：49-55.

[27]萬永坤，王晨晨.數字經濟賦能高質量發展的實證檢驗[J].統計與決策，2022，38（04）：21-26.

[28]尹龍，陳強.數字經濟、創新效率與全要素生產率——基于動態空間杜賓模型和中介效應的實證分析[J].商業經濟研究，2023（23）：120-126.

[29]張東玲，焦宇新，劉敏.數字經濟推動了城市綠色全要素生產率提升嗎？——基于“寬帶中國”試點的證據[J].現代財經（天津財經大學學報），2023，43（07）：38-56.

[30]李占風，粟文元.數字經濟對綠色全要素生產率的影響研究[J].西安財經大學學報，2023，36（06）：58-69.

（責任編輯：嚴焱）