数字技术、创新要素结构优化与企业全要素生产率

谢 谦，郭 杨

1.中国社会科学院 经济研究所，北京 100836；2.北京工商大学 数学与统计学院，北京 100048

提高全要素生产率是促进中国经济增长的最大推动力，如何提升企业全要素生产率成为当前企业高质量发展的关键。数字技术的发展为企业全要素生产率的提升带来了战略机遇，大数据、云计算等数字技术的涌现为我国企业高质量发展提供了新的动力源泉。因此，在中国经济增长速度放缓和增长动力转换的背景下，积极探索数字技术提升企业全要素生产率的作用机制具有非常重要的理论意义和现实意义。

一、数字技术对全要素生产率的影响：文献综述

根据宏观经济学的经济增长理论，经济增长的源泉包括两方面，一是资本、劳动力、土地等生产要素的持续投入；二是提高生产要素的使用效率。提高生产率目前是实现我国企业高质量发展的关键(1)潘毛毛、赵玉林：《互联网融合、人力资本结构与制造业全要素生产率》，《科学学研究》，2020年第7期。。全要素生产率是用来度量要素使用效率的指标，即当所有生产要素的投入量没有变化时，经济进一步增长的能力。虽然我国国内生产总值水平已经处于国际前列，但是我国全要素生产率水平与发达国家相比仍然较低，尚有较大提升空间。目前我国正迎来以数字技术为核心的新一轮科技革命和产业变革，数字技术的蓬勃发展为全要素生产率提升提供了契机。已有研究表明，数字技术和数字经济的发展通过提高资源运行效率、加快各类要素的流动等途径，明显提升了全要素生产率(2)江红莉、蒋鹏程：《数字金融能提升企业全要素生产率吗？——来自中国上市公司的经验证据》，《上海财经大学学报》，2021年第3期。。

既有研究从不同角度探讨了数字技术对全要素生产率的影响。机器人、移动互联网、大数据、数字基础设施、ICT投资、信息化等数字技术均能够显著提高全要素生产率。部分学者从数字化转型的角度展开研究，发现企业数字化转型能够显著促进全要素生产率的提升(3)杨慧梅、江璐：《数字经济、空间效应与全要素生产率》，《统计研究》，2020年第7期；岳宇君、张磊雷：《信息化、企业研发与全要素生产率的实证分析》，《产经评论》，2020年第6期。。部分学者聚焦于数字技术对不同行业全要素生产率的影响。农业方面，信息化、互联网发展等数字技术能够促进农业全要素生产率；制造业方面，研究发现互联网、机器人、智能化、人工智能等数字技术显著提高了制造业全要素生产率；服务业方面，相关研究发现信息技术的应用对服务业全要素生产率的提高具有显著的正向作用。学术界就数字技术对全要素生产率的影响机制也展开了大量研究，但是目前尚未达成一致。有研究认为，数字技术通过促进技术效率显著提升全要素生产率，而对技术进步没有明显影响(4)谢丽娟、陈锦然、王诗栒：《ICT投资、互联网普及与全要素生产率》，《统计研究》，2020年第7期。。另有研究则指出，数字技术能够带来技术创新和纯技术进步，对全要素生产率的提升有显著的促进作用(5)邱子迅、周亚虹：《数字经济发展与地区全要素生产率——基于国家级大数据综合试验区的分析》，《财经研究》，2021年第7期。。同时，数字技术能够显著提高企业研发投入和创新能力。从作用机制来看，数字技术对全要素生产率的正向作用是通过降低企业经营成本，提高资本和劳动力配置效率实现的。

既有文献为本文研究工作的开展提供了较为坚实的基础和有益启发，但是在研究的系统性和研究数据方面仍有拓展空间。鉴于此，本文使用2015—2019年中关村海淀科技园企业数据集，实证研究数字技术对企业全要素生产率的影响及其作用机制。首先使用Olley-Pakes方法测算中关村海淀科技园企业全要素生产率。其次运用固定效应面板模型，实证研究数字技术对企业全要素生产率的影响，包括大数据、云计算、移动互联网、互联网金融、物联网五种数字技术中每一单项技术对企业全要素生产率的不同影响效应，并进一步运用交互项模型分析探究不同数字技术的融合应用对企业全要素生产率的乘数效应，同时为了避免内生性问题导致估计结果有偏，使用工具变量法进行稳健性检验。在此基础上从行业特征、企业规模两个方面探讨数字技术对企业全要素生产率的异质性影响效应。进一步，在理论分析的基础上，从研发人员结构、产学研投入和自主型创新投入三个层面考察数字技术促进企业全要素生产率的具体机制，并通过中介效应模型进行实证检验。最后，根据研究结论提出政策建议。

本文的边际贡献可以概括为以下两点：(1)研究视角方面，分析大数据、云计算、移动互联网、互联网金融、物联网五种数字技术的应用对于企业全要素生产率的影响，探究不同数字技术的融合应用对企业全要素生产率的乘数效应，并进一步分析了行业特征和企业规模差异下的异质性效应。从创新要素结构优化的角度来探索数字技术对企业全要素生产率的影响，揭示数字技术赋能企业全要素生产率的微观机制，为企业和政府决策提供可靠的事实依据。(2)研究数据方面，现有关于数字技术与全要素生产率关系的实证研究绝大多数使用省级面板数据或调查数据，前者不能深入挖掘数字技术赋能企业全要素生产率的微观机理，后者在数据权威性和样本量等方面存在一定的不足，而现有使用上市公司文本数据的研究尚不能全面反映企业总体情况。本文使用中关村海淀科技园全样本企业数据集，该数据集权威性高、样本量大且指标丰富，以此为基础开展研究，具有较高的科学性、严谨性和代表性。

二、典型事实与理论基础

(一)典型事实

数字技术全方位重塑了企业的创新优势，不断推动创新要素结构的优化升级，已成为驱动企业高质量发展的重要引擎。中关村科技园作为北京国际创新中心和全球数字经济标杆城市建设的核心区，是数字经济发展的重要阵地，对全国数字经济发展有很好的推动和辐射作用。园区内有字节跳动、小米等六家千亿级别数字经济龙头企业，同时有一百多家数字经济领域的上市公司，50多家数字经济领域的初创公司，众多数字经济标杆企业推动了中关村数字经济产业的发展，为其注入了源源不断的动力，因此，中关村科技园能够较好地展示目前数字经济的发展趋势。

由图1可知，2015—2019年中关村海淀科技园内应用数字技术的企业占全部企业的比例大体上呈现逐年上升的趋势。2015年未应用数字技术的企业数量占比高达77.5%，但随着时间推移整体呈现下滑趋势；数字技术应用覆盖率从2015年的22.5%逐年攀升达到2019年的31%。本文所用的中关村海淀科技园企业数据集关于数字技术的指标包括五种数字技术类型，分别是大数据、云计算、移动互联网、互联网金融和物联网。图2显示，这五种数字技术在应用覆盖率上具有一定差异，能够反映出企业在选择应用数字技术时所具有的偏向性。其中，移动互联网、大数据、云计算三种数字技术的应用率最高。

图1 2015—2019年中关村海淀科技园数字技术应用状况

图2 五种数字技术应用类型差异

本文从微观层面剖析数字技术赋能企业全要素生产率的情况，主要从创新投入、创新产出和资源配置效率的角度出发，用研发经费、研发人员、发明专利申请数和新产品销售收入作为创新流程的刻画指标。图3展示了2015—2019年各项创新指标的总体趋势，研发人员、专利申请量、新产品销售收入、研发支出均呈现出逐年上升趋势，反映出中关村海淀科技园的创新投入逐年增多，同时创新产出也逐年上升。图4显示的是2015—2019年未应用数字技术和应用数字技术情况下企业的专利申请量、新产品销售收入的差异。可以看出，应用数字技术的企业的专利申请量、新产品销售收入显著高于未应用数字技术的企业。由此可以看出，数字技术应用对于专利申请量、新产品销售收入的提升具有促进作用，即数字技术的应用能够提高企业的创新产出。

图3 2015—2019年中关村海淀科技园创新指标变化

图4 2015—2019年应用/未应用数字技术的企业的创新产出差异

(二)理论基础

1.数字技术对企业高质量发展的影响效应

直接影响。数字经济的发展依托于新一代数字技术的快速更新。以互联网技术为代表的数字技术改变了企业的管理和生产方式，并全方位完善了企业内部组织运营模式。首先，数字技术使得企业设备和数据处于关联状态，企业各个模块和各个部门深度融合，运营数据和信息在各个环节中更高效地流通，从而提升了企业管理效率和运营效率(6)戴小勇：《数字经济时代的生产率增长之谜》，《中国社会科学报》，2020年8月26日。；其次，数字技术以信息为生产要素，可以自动处理以往需要大量人力来解决的简单、批量数据，数字技术也能够辅助具有一定技术的工作，从而提升企业信息传输速度，降低企业管理成本、人力成本、数据处理成本和交易成本，进一步提升企业生产效率(7)I.M.Cockburn，R.M.Henderson and S.Stern，“The Impact of Artificial Intelligence of Innovation”，NBER Working Papers，No.24449.。

间接影响。一方面，数字技术的应用有助于整合各类资源，优化企业内部各部门之间的资源配置效率。数字技术驱动企业内部业务和管理创新，以大数据、云计算为代表的数字技术能够显著增加资本要素和劳动力要素在企业内部的流通速度，拓宽企业与外部、企业内部之间的信息交流渠道，提升劳动力和资本等资源的使用效率，从而进一步提高企业的资源配置效率。另一方面，数字技术有利于企业降低创新成本，从而使企业更愿意在研发活动方面投入大量资金，积极开展创新活动，产出更多专利和增加新产品销售收入，进而提高企业的创新能力和企业绩效，促进企业高质量发展(8)J.Marschak and W.H.Andrews，“Random Simultaneous Equations and the Theory of Production”，Econometrica，1944，12(3-4)，pp.143-205.。

2.创新要素结构优化的机制作用

本文将数字技术对企业全要素生产率的影响机制概括为创新要素结构优化，具体表现为研发人员结构优化、产学研投入和自主型创新投入的增加，接下来展开理论探讨。

研发人员结构优化。数字技术对研发人员结构的影响引起了学者们的广泛关注，在既有理论中，最为经典的两个理论是技能偏向型技术进步(SBTC)假说和程序偏向型技术进步(RBTC)假说。SBTC假说指出，应用数字技术水平的提高会增加对高技能劳动力的需求，减少对低技能劳动力的需求，即导致就业极化。Autor等首次提出了基于SBTC模型视角来分析就业两极化的ALM任务框架(9)D.H.Autor，F.Levy and R.J.Murnane，“The Skill Content of Recent Technological Change:An Empirical Exploration”，The Quarterly Journal of Economics，2003，118(4)，pp.1279-1333.，为后续相关问题的研究提供了基础。而RBTC假说则认为，企业数字技术水平的提高会对重复性、程序化工作岗位起到替代作用，对非重复性、非程序化的工作岗位则会起到互补作用(10)孙伟增、郭冬梅：《信息基础设施建设对企业劳动力需求的影响：需求规模、结构变化及影响路径》，《中国工业经济》，2021年第11期。。学者们研究数字技术与研发人员结构的关注点主要集中在研发人员的学历结构和技能结构方面。例如，李舒沁等基于SBTC理论识别了工业机器人使用对不同类型劳动力就业规模的影响，发现高技能劳动力就业规模呈现上升趋势，而低技能劳动力就业规模不断下降(11)李舒沁、王灏晨、汪寿阳：《人工智能背景下制造业劳动力结构影响研究——以工业机器人发展为例》，《管理评论》，2021年第3期。。王永钦和董雯使用中国行业机器人数据，实证发现机器人对不同劳动力需求的影响有显著差异，存在“就业极化”特征(12)王永钦、董雯：《机器人的兴起如何影响中国劳动力市场?——来自制造业上市公司的证据》，《经济研究》，2020年第10期。。

产学研投入。数字技术的普及与应用改善了创新主体间的协同关系，促进了产学研合作投入的增加。一方面，企业通过数字化转型降低了外部交易成本，从而促进企业的专业化分工(13)袁淳、肖土盛、耿春晓、盛誉：《数字化转型与企业分工：专业化还是纵向一体化》，《中国工业经济》，2021年第9期。；另一方面，数字技术应用使得企业能够更容易获得融资，在一定程度上缓解了企业融资约束困境(14)黄大禹、谢获宝、孟祥瑜、张秋艳：《数字化转型与企业价值——基于文本分析方法的经验证据》，《经济学家》，2021年第12期。，从而有助于企业加强产学研合作。数字技术将产学研协同创新系统中的各主体联系起来，实现了创新成果的高质量产出。在这种协同系统中，创新主体通过彼此间的互动，实现知识与创新资源的共享，从而实现彼此间资源的优势互补，提高了创新主体的创新效率，激发了创新主体协同研发的积极性。特别是以专业化为特征的缝隙型企业，通过数字化转型可以更充分有效地利用其他主体提供的互补性资源，加强自身专业能力，进行协同创新。因此，数字技术通过促进产学研协同中各创新主体间的资源共享，激发企业参与产学研合作的积极性。产学研合作有助于科学基础领域与技术基础领域的贯通，为企业获取先进技术信息建立更畅通的渠道，从而加强技术供给端创新，提高企业科研成果转换效率，促进企业全要素生产率提升。

自主型创新投入。企业应用数字技术有利于企业主动进行研发投入和开展创新活动，产生更多的创新专利和新产品。这就意味着，企业通过数字技术的应用获得创新驱动，从而带来资源的重新配置，进一步提高全要素生产率。有研究发现，数字经济发展能够显著影响中国不同地区和不同行业的全要素生产率(15)肖国安、张琳：《数字经济发展对中国区域全要素生产率的影响研究》，《合肥工业大学学报(社会科学版)》，2019年第5期。，数字经济能够通过带动创新需求和创新供给，最大程度地开发企业创新能力和创新潜力，大幅度提高企业的生产效率和降低企业的信息成本，最终带动全要素生产率的提升(16)邱子迅、周亚虹：《数字经济发展与地区全要素生产率——基于国家级大数据综合试验区的分析》，《财经研究》，2021年第7期。。同时，信息基础设施能够通过提高技术创新能力的途径促进全要素生产率(17)王康、李逸飞、李静、赵彦云：《孵化器何以促进企业创新？——来自中关村海淀科技园的微观证据》，《管理世界》，2019年第11期。。根据新一代技术革命背景下企业技术创新的特点，数字技术驱动的技术创新有助于降低创新风险，从而引导企业将更多的创新资源投入到技术供给端，尤其是技术领域的基础研究之中，从而提升企业自主创新能力。总之，数字技术应用能够显著增加企业自主型创新投入，提高自主创新能力，进而提升企业全要素生产率。

三、数字技术对全要素生产率的影响：实证研究设计

(一)模型设定与变量定义

本文使用固定效应模型来检验企业应用数字技术对全要素生产率的影响：

lnTFPit=β0+β1*DTit+β2*controlsit+θt+λi+εit

(1)

controlsit=f(Sizeit,Ageit,Laborit,Levit)

(2)

其中，TFPit代表中关村海淀科技园企业的全要素生产率；本文使用Yasar和Raciborski提供的OP估计模型(18)M.Yasar，R.Raciborski and B.Poi，“Production Function Estimation in Stata Using the Olley and Pakes Method”，The Stata Journal，2008，8(2)，pp.221-231.计算企业全要素生产率，这是一种由Olley和Pakes提出的一致半参数估计方法(19)G.Olley and A.Pakes，“The Dynamics of Productivity in the Telecommunications Equipment Industry”，Econometrica，1996，64(6)，pp.1263-1297.，能够避免内生性和样本选择性偏差问题，能够一致地估计生产函数的参数，进而得到全要素生产率的可靠估计。OP方法使用企业投资作为TFP的代理变量，从而在一定程度上解决了内生性问题；使用企业价值最大化的Bellman方程和生存概率来确定企业的退出准则，进而解决样本偏差问题(20)刘方、赵彦云：《微观企业全要素生产率及其增长率测算方法综述》，《工业技术经济》，2020年第7期。。

DTit为虚拟变量，表示企业是否应用数字技术，当企业在样本期间内应用了大数据(BD)、云计算(CC)、移动互联网(MI)、互联网金融(IF)、物联网(IOT)五种数字技术中的一种或多种时，赋值为1，否则为0；β1反映数字技术对企业全要素生产率的影响效应，也是本文最关心的参数，β1>0表示数字技术提高了企业全要素生产率，β1<0表示数字技术对企业全要素生产率产生反向作用。此外，本文进一步考察了不同数字技术对全要素生产率的差异化影响效应，以及通过设置交互项模型考察了多项数字技术融合应用对全要素生产率的影响效应。

Controlsit为一系列控制变量，包括企业规模、企业年龄、研发费用、资产负债比、资本劳动比、营收规模；λi表示个体固定效应；θt表示时间固定效应；εit表示随机扰动项。变量定义见表1。

表1 主要变量定义

(二)样本来源及描述性统计

本文使用的数据来自于北京市海淀区统计局发布的中关村海淀科技园内全部企业的统计数据，时间跨度为2015年至2019年，形成了48455家企业的非平衡面板观测数据。

该数据集优势明显，权威性较高，包含四万多家企业，样本量较大，时间跨度从2015年到2019年，并含有企业不同方面较为全面的指标信息。为了保证数据的有效性，消除异常数据对实证检验的影响，本文对中关村海淀科技园企业数据进行了如下处理：(1)删除非营业状态的公司；(2)删除企业总收入、从业人员数等数据缺失严重的公司。最后得到2015—2019年共48455个企业数据。

本文主要变量的描述性统计分析表明，2015—2019年中关村海淀科技园全部企业中共有13778家企业应用了数字技术，占中关村海淀科技园全部企业的28.5%，而尚未应用数字技术的企业有34677家，占71.5%。不同企业之间全要素生产率差异较大。通过初步分析数字技术对企业全要素生产率的影响，我们发现应用数字技术的企业的全要素生产率的均值大于未应用数字技术的企业的均值，同时专利申请量、研发投入、研发产出、资源配置效率等变量也是如此，这说明实施数字技术的企业可能具有更高的创新能力。

四、实证结果与分析

(一)全要素生产率测算结果及分析

本文采用Olley-Pakes方法测算中关村海淀科技园全部企业全要素生产率。OP方法估计系数均在1%的显著性水平上显著，说明测算结果是可靠的。为了进一步分析2015—2019年企业全要素生产率变化情况，图5展示了2015—2019年中关村海淀科技园企业全要素生产率均值的变动情况，图6展示了2015—2019年中关村海淀科技园内应用/未应用数字技术情况下企业全要素生产率均值的对比。

由图5可以发现，中关村海淀科技园企业整体的全要素生产率在2015—2016年呈现上升趋势，由2015年的4.76上升至2016年的4.79，年平均增长率为5.2%，2016—2017年呈现下降趋势，由2016年的5.01逐渐下降至2017年的4.79，2017—2018年基本持平，2018—2019年出现小幅度下降。其中2017—2019年基本保持不变，整体呈现倒U型曲线，出现这种趋势的原因可能是随着数字经济的发展，中关村海淀科技园企业初期应用数字技术后显著提高了全要素生产率，但是随着企业数字技术的飞速发展以及聚集式应用，企业间的竞争加剧，因此效率增长极差逐渐消失，全要素生产率逐渐呈现下降趋势。图6显示的是2015—2019年应用和未应用数字技术的企业的全要素生产率均值。可以看出，应用数字技术的企业全要素生产率显著高于未应用数字技术的企业全要素生产率，表明数字技术有助于全要素生产率提升。

图5 应用/未应用数字技术TFP均值变化

图6 应用/未应用数字技术下全要素生产率差异

(二)基准回归结果

根据模型(1)，基准回归的估计结果如表2所示，数字技术(DT)系数在1%的水平上显著为正，说明在控制其他影响因素的情况下，企业运用数字技术有助于提升全要素生产率，中关村海淀科技园企业整体上利用数字技术的效率较高。本文进一步关注大数据、云计算、移动互联网、互联网金融、物联网五项单项数字技术和多项数字技术融合应用对企业全要素生产率影响的估计结果。第(2)-(6)列分别显示了应用五种不同数字技术对企业全要素生产率的影响情况。结果显示，单项数字技术中大数据、云计算、移动互联网、互联网金融、物联网的回归系数均在1%的水平上显著为正，其中应用大数据、云计算、互联网金融三项数字技术对企业全要素生产率的提升效果更明显，应用物联网对于企业的全要素生产率的提升，相比其他数字技术而言相对较低，说明在控制其他影响因素的情况下，企业运用不同数字技术对于全要素生产率的影响不同；第(7)-(8)列显示了多项数字技术融合应用对企业全要素生产率的影响，可以看出，大数据和云计算交互项的估计系数是0.416，大数据和互联网金融交互项的估计系数是0.471，云计算和互联网金融交互项的估计系数是0.432，且回归系数均在1%的水平上显著为正。多项数字技术融合应用高于单项数字技术应用的平均水平，说明数字技术具有乘数效应。多项数字技术融合应用中，大数据与互联网金融的交互项以及云计算与互联网金融的交互项具有更明显的全要素生产率提升效应，且说明企业的大数据分析以及云计算平台与互联网金融的融合作用具有显著提升效果。将大数据与云计算两项技术有效结合互联网金融应用到企业中，对企业的全要素生产率促进效应更强。

表2 数字技术影响企业全要素生产率的基准回归结果

(三)稳健性检验

本文使用工具变量法进行稳健性检验，以避免由于内生性问题而导致的估计结果有偏。选取企业特征指标的均值作为数字技术变量的工具变量。由于指标均值与中关村海淀科技园企业具有相似的发展环境，数字技术的应用模式与水平对于各样本企业来说具有代表意义。工具变量一使用企业年龄-企业规模-行业属性层面企业应用数字技术的均值；工具变量二使用企业年龄-企业规模-产权性质层面企业应用数字技术的均值；工具变量三使用企业年龄-企业规模-从业人员期末人数层面企业应用数字技术的均值。第一阶段和第二阶段的回归结果表明，得到的估计结果依然是稳健的，说明本研究的基准回归结果比较稳健。

(四)异质性分析

本文将中关村海淀科技园企业数据集在行业层面分为制造业和服务业，其中，中关村科技园的服务业大部分为软件和信息技术服务业。由表3可知，数字技术对制造业全要素生产率的影响系数为0.2397，而服务业的相应系数为0.3687，说明相对于制造业而言，服务业在数字化转型进程中受益更多。数字化技术对制造业和服务业的全要素生产率具有不同影响的原因可能是：数字技术带动了一些互联网产业的诞生，比如字节跳动、京东、美团、滴滴等公司，这些数字产业的产生本身依托于数字技术的发展，中关村海淀科技园区的服务业大部分是软件和信息技术服务业，而制造业作为传统行业对于数字技术的应用与信息通信行业相比相对滞后，且存在数字化转型思维不够、转型周期长投资大、面临技术难题等问题，所以相较于制造业而言，服务业对于数字技术的应用较为广泛。

表3 异质性效应：行业特征

本文将中关村海淀科技园企业数据集在企业规模层面分为大中型企业和小微型企业。由表4可知，数字技术对大中型企业的影响系数为0.3085，而小微型企业的相应系数为0.2704，数字技术与不同规模企业全要素生产率之间在1%的显著性水平上呈正相关，数字技术对大中型企业影响系数大于小微型企业，说明相对于小微型而言，大中型企业在数字化转型进程中受益更多。原因可能在于：数字技术的应用对于不同规模企业全要素生产率的影响具有规模效应，随着企业规模越来越大，企业拥有的资金也会越来越雄厚，竞争力往往更强，当新的数字技术出现后，规模越大的公司对数字化投入资金越多，对技术的使用效率也越高，那么企业的生产效率也相应越高，所以数字技术对于大中型企业全要素生产率的提升效应相比于小微型企业来说更大。

表4 异质性效应：企业规模

五、影响机制分析

进一步考察数字技术影响全要素生产率的中间机制。我们以TFP为被解释变量，企业是否应用数字技术为主要解释变量，研发人员结构、产学研投入和自主型创新投入为中介变量，对中介效应进行检验。

研发人员结构。本文从研发人员总数、留学归国人员、硕博人员占比三个方面来实证研究研发人员结构的机制作用。实证结果如表5所示。表中的中介效应是指研发人员结构对企业全要素生产率的中介效应，即数字技术通过中介变量的中间传导对企业全要素生产率的影响程度。研发人员总数、留学归国人员、硕博人员占比的中介效应均在1%的显著性水平上显著为正，通过了Sobel检验，表明研发人员结构优化具有显著的机制作用。数字技术应用会优化研发人员结构，提高高技能劳动力比重，从而促进企业全要素生产率提升。

表5 研发人员结构的机制作用

产学研投入。本文从委托研发经费总支出、委托境内研究机构支出、委托境内高校经费支出三个方面，实证研究产学研合作的机制作用。实证结果如表6所示。委托研发经费总支出、委托境内研究机构支出、委托境内高校经费支出的中介效应均在1%的显著性水平上显著为正，通过了Sobel检验，表明产学研投入具有显著的机制作用。这说明数字技术应用会提升企业的产学研合作投入，从而加强技术供给端创新，优化企业科研成果转换路径，提高企业科研成果转换效率，进而促进企业全要素生产率提升。

表6 产学研投入的机制作用

自主型创新投入。本文从研发设备经费支出、技术改造经费支出、购买境内技术经费支出三个方面来实证研究自主型创新投入的机制作用。实证结果如表7所示。研发设备经费支出、技术改造经费支出、购买境内技术经费支出的中介效应均在1%的显著性水平上显著为正，通过了Sobel检验。该实证结果表明，数字技术应用会提升自主型创新投入，从而促进企业全要素生产率提升。进一步通过比较分析发现，研发设备经费支出和技术改造经费支出的中介效应要强于购买境内技术经费支出，更说明数字技术可以促进企业自主创新，进而提升企业全要素生产率。

表7 自主型创新投入的机制作用

六、结论与政策启示

随着数字技术的兴起和数字经济的蓬勃发展，可以预见，大数据和移动互联网将会深刻且持续地影响企业的成本、生产率以及绩效水平。在企业面临以数字技术为核心的技术变革这一新机遇背景下，本文深入分析了数字技术在提升企业全要素生产率方面的具体机制，并基于行业特征和企业规模探讨企业异质性对数字技术发挥作用的影响，给予后续企业一定的借鉴作用，为政府有关部门进一步完善数字经济政策提供经验证据。总体来讲，本文主要得出了以下结论：

第一，应用数字技术有助于提升企业的全要素生产率。本文使用统计局官方统计的中关村海淀科技园企业数据，其能较好地减小由于数据条件、变量选取等方面对分析的影响。我们检验了数字技术对企业全要素生产率的影响，并利用工具变量法进行稳健性检验。研究发现，数字技术应用显著提升了企业全要素生产率，并且多项数字技术的融合应用具有乘数效应。

第二，创新要素结构优化是数字技术提升企业全要素生产率的关键机制，具体表现为研发人员结构优化、产学研投入和自主型创新投入的增加。研究发现：数字技术应用能够优化劳动力学历结构和技能结构，增加高学历和高技能人才比重；数字技术应用能够促进企业增加产学研合作投入，从而为企业获取先进技术建立更畅通的渠道，提高企业科研成果转换效率；数字技术应用能够显著增加企业自主型创新投入，尤其是技术供给端创新投入，从而提高自主创新能力，提升企业全要素生产率。

第三，企业异质性特征使得数字技术应用对企业全要素生产率的促进具有异质性效应。本文深入考察了企业规模、行业特征所引致的数字技术的异质性效应。研究发现：大中型企业的数字技术应用明显优于小型企业；服务业的数字技术应用显著优于制造业。

为了更好地发展我国数字经济、提高企业全要素生产率，结合具体的分析结果，本文提出如下政策启示：

第一，充分发挥数字技术的乘数效应，推动数字技术融合应用，促进企业实现高质量发展。由上文研究可知，大数据、云计算、移动互联网、互联网金融、物联网等数字技术的融合对企业效益的影响具有乘数效应。因此，数字化转型要建立以各项数字技术交互的新型应用模式，将数据与技术的乘数效应相叠加，以期达到1+1>2的效果。

第二，借助数字技术，增加供给端创新投入，优化创新要素结构。本文研究发现，创新要素结构优化是数字技术提升企业全要素生产率的重要机制。因此，政府应通过专利、研发奖励等政策，鼓励并引导企业增加研发经费，进行创新研究和数字化转型，同时，鼓励地方政府、企业、科研院所、高校等加强合作，形成协同发展、融通创新的新局面。

第三，根据企业特征合理制定企业数字化转型策略，探索符合企业高质量发展的数字化转型路径。本文研究发现，数字技术对企业全要素生产率的影响效应具有异质性。因此，应依照企业自身特征及行业发展现状，合理应用各项技术提升企业发展质量，选择适合企业本身的新兴技术，实现数字资源的优化配置。此外，尤其要鼓励中小微型企业、传统企业以及低技术企业推进数字化转型。