数字化转型、“脱虚强实”与企业全要素生产率*

王玉喜

(湖南财政经济学院 经济学院,湖南 长沙 410205)

一、引言

党的二十大报告指出,“高质量发展是全面建设社会主义现代化国家的首要任务”。实现经济高质量发展的重要可依赖路径,是提升全要素生产率。但长期以来,我国全要素生产率增长非常缓慢,且增长速度在逐步下降,虽然2016年后“由降转升”,但增幅较低。2021年10月,习近平总书记在十九届中央政治局第三十四次集体学习时强调,“要把握数字化、网络化、智能化方向,推动制造业、服务业、农业等产业数字化,利用互联网新技术对传统产业进行全方位、全链条的改造,提高全要素生产率,发挥数字技术对经济发展的放大、叠加、倍增作用”。[1]4-8因此,推动企业数字化转型是提高全要素生产率、促进高质量发展的必然选择。在此背景下,研究企业数字化转型对全要素生产率的影响,具有十分重要的理论意义和现实意义。

本文的边际贡献包括:在理论层面,从“全过程”效率改善视角,厘清数字化转型的作用机制,清晰阐明了数字化转型助推企业“脱虚”“入实”“提质”“升级”的基本逻辑,为理解企业数字化转型的效率提升作用提供了新的、系统性的视角与思路;在方法层面,运用Python 匹配筛选企业年报(1)本文所用“企业年报”均剔除了管理层讨论与分析部分。中有关“数字化转型”的词汇,以字数占比及均化调整后字数占比测度企业数字化转型程度,在克服现有文献“词频占比”指标低估数字化转型程度的同时,消除不同“词汇”因字数差异带来的度量误差,为科学精准测度企业数字化转型程度提供有益借鉴;在实践层面,以微观企业为研究起点,考察数字化转型的微观机理与影响效果,为优化产业数字化与数字经济发展的产业政策提供经验支撑。

二、文献回顾与研究假设

(一)文献回顾

数字化转型是依靠信息技术创新驱动,不断催生新产业、新业态、新模式,用新动能推动新发展。[2]83-92因此,研究数字化转型对全要素生产率的影响,就是对信息技术应用与全要素生产率关系研究的延伸。[3]66-73Jorgenson et al.认为信息技术与互联网发展会促进全要素生产率增长。[4]3-24这种“增长”主要源于ICT产品的技术溢出效应、信息技术应用的资源配置优化效应、互联网产业发展的交易效率提升效应等。[5]100-114,[6]130-149,[7]5-23有学者认为,数字经济跨越信息技术与互联网产业,具有更强的技术溢出效应、资源配置优化效应和交易效率提升效应。[3]66-73也有学者认为,数字经济虽然促进了交易效率的提升,但并未促进全要素生产率的提升,过度使用甚至会导致数字技术“空心化”,加剧资本与劳动要素错配。[8]1488-1542还有学者认为,数字化转型对全要素生产率的影响具有空间与产业异质性。[9]394-399

(二)理论分析与研究假设

1.核心假设

现有研究表明,数字经济是以数据要素投入为增值源泉,以人工智能、区块链、云计算、大数据为代表的ABCD数字技术为核心驱动力,通过全方位数据收集、整理、综合及提炼,高效整合企业内、企业间和市场供求双方的数据信息,将之与资本和劳动等传统要素投入紧密结合并优化重组,以促进企业内组织结构高效化、资源配置合理化,推动企业市场交易成本节约化、产品竞争差异化,进而促使生产与需求适配化。[10]13-27因此,企业数字化转型就是通过数字技术,将数据要素与劳动、资本等传统要素结合起来,使生产、管理、运营、交易和流通等各环节信息畅通无阻,从而降低对传统要素投入的依赖性,摆脱原有的粗放型生产方式和低质量业态模式局限性,从而促进企业集约化、高质量发展。基于此,本文提出:

假设H1:数字化转型有利于提升企业全要素生产率。

2.“脱虚强实”的机制分析与研究假设

企业数字化转型是利用互联网、人工智能、大数据等数字技术重塑现代化生产网络,变革原有生产方式、组织管理方式和经营运行方式,转变原有投入-产出模式,逆转其对要素投入的依赖性,在一定程度上缓解了传统技术条件下,企业“投入成本高、循环周期长、利润空间挤压”的市场局限,是提高企业全要素生产率、推进高质量发展的重要手段。首先,企业数字化转型能够利用数字技术,对各类市场投资进行数据搜集、综合与分析,有效降低实体投资收益率的不确定性,缓解市场投资盲目性和滞后性问题,减少无效融资与超额负债,降低财务杠杆、经营杠杆和投资风险,进而减少金融风险对冲投资及金融投资利润占比,使虚实资本投资回报率回归市场正常状态、趋于相同,逆转企业空心化、虚拟化经营趋势,产生“脱虚效应”。基于此,本文提出:

假设H2a:数字化转型有利于降低经营与财务风险、无效与过度融资、金融虚拟化依赖程度,产生“脱虚效应”,提升企业全要素生产率。

数字化转型后,企业能够运用数字技术分析自身比较优势及市场竞争状态,顺应市场供求状态及竞争态势,加大要素禀赋优势领域的实体投资,使实体投资效率和效益得以提升,在长期利润最大化和短期收益最大化的抉择中,企业会逐渐由短期“锚定”长期,将有限的资源配置到与自身比较优势契合的、潜在收益率提升的实体项目,而非风险更大的金融项目。这就使得企业投资的资产成长性更强,维持性资产投资之外的增长性投资占比提高,企业经营业态韧性增强,盈利能力、发展能力都得以提升,产生“入实效应”。基于此,本文提出:

假设H2b:数字化转型有利于提高企业资产投资成长性、非维持性投资增长性及主营业务竞争力,产生“入实效应”,提升企业全要素生产率。

数字化转型中,企业需进行系列适应性资产、技术与人力资本投资,这会引发组织结构以及职能管理的适应化改造。因此,数字化转型是一个系统工程,既包括对ABCD技术、资产与人才的投资,也包括对科技研发人才的引进,以及对配套管理设备、系统设施及组织模式的变革。这会增强企业高质量发展的技术动力、组织能力和人力资本支撑,使企业在“适应”数字化的同时实现对“高端化”的追求,为企业“提质”到“升级”夯实“量变”到“质变”的基础,产生“提质效应”。基于此,本文提出:

假设H2c:数字化转型有利于增强企业高质量发展的技术动力、组织能力和人力资本支撑,产生“提质效应”,提升企业全要素生产率。

数字化转型在增强企业实体领域发展能力的同时,会积累大量专业化领域的资本、资产和知识,并通过数字技术对这些知识进行数字化积累、储存、流通、融合以及技术性转化与提升,助推企业通过科技研发实现动力转型,数字人才及科研人才的大量引入会强化劳动者“话语权”,使企业管理制度更加扁平化、分配制度更加共享化,进而推动企业经营战略层面实现政策性优化,促使企业在“高效化”基础上,实现包括研发驱动升级、管理制度升级以及经营战略升级的“高端化”经营,产生“升级效应”。基于此,本文提出:

假说H2d:数字化转型有利于促进企业驱动升级、制度升级及战略升级,产生“升级效应”,提升企业全要素生产率。

三、研究设计与变量设定

(一)样本选择与数据处理

本文初始样本为2011—2021年沪深A股上市公司,数据来源于国泰安数据库(CSMAR)。样本处理如下:(1)考虑到柯布-道格拉斯生产函数的适用性差异及全要素生产率测度方法的不同,只保留制造业企业样本;(2)剔除了会计年度内发生过或持续至统计截止日期依然ST或*ST或PT的企业样本、上市不满一年的企业样本等;(3)剔除相关变量存在缺失情况的企业样本;(4)对于连续变量上下1%的极值部分做缩尾处理。最终得到含有2 747家企业的17 106个观测值。

(二)核心变量度量

对全要素生产率的度量,在基准回归中采用的是OP法,在稳健性回归中采用了LP法、GMM法和FE法测度指标。对数字化转型程度的度量,基准回归以企业年报中有关“数字化转型”词汇字数加总量与年报文本字数总量的比值表示数字化转型程度,以避免现有研究以“词汇频次”与“文本字数”量纲差异造成的数字化转型程度低估问题,并根据国内用语习惯进一步采用4字词语“均化”字数的方式对因不同数字技术词汇用语字数差异带来的度量误差予以纠偏,稳健性回归中则根据实际数字技术用语采用词汇较多的3字和5字作为“均化值”重新构建数字化转型程度指标,并按照吴非等和赵宸宇等从五维和四维筛选数字化相关词汇构建“词频占比”指标。[11]130-144,[12]114-129

(三)模型设计

为检验企业数字化转型对全要素生产率的影响,本文构建了如下固定效应模型进行实证分析:

TFPijrt=β0+β1Digijrt+θXijrt+Ii+Jj+Rr+Tt+εijpt

(1)

其中,TFP为全要素生产率,Dig为数字化转型程度,X表示系列控制变量,i、j、r、t分别表示企业、行业(两位数代码)、地区(省份)、时间(年份),I、J、R、T则分别表示企业、行业、地区和时间层面的固定效应,ε为随机扰动项。其中,控制变量主要包括反映企业规模、生命周期、股权结构、经营能力、盈利能力、偿债能力、相对价值潜力的资产总计、上市年限、独立董事占比与第一大股东持股比率、资本密集度、净资产收益率、资产负债率、托宾Q值。

(四)描述性统计

表1对主要变量进行了描述性统计。数据显示,全要素生产率标准差为0.591 2、均值大于中位数,这表明不同企业差异较大且效率较低的企业数量更多。数字化转型程度的25%、75%分位值差别较大、均值大于中位数,这表明不同企业数字化转型程度差别也比较大且有较多企业存在较大提升空间。此外,资产总计、上市年限等指标等都符合理论设定。

表1 主要变量的描述性统计结果

四、实证结果与分析

(一)基准回归

基准回归主要验证的是数字化转型程度对全要素生产率的影响。具体回归中,第(1)(4)列没有控制系列影响因素,第(2)(5)列控制了系列影响因素,第(3)(6)列进一步考虑了行业聚类效应,且各列回归均控制了个体、时间、行业和地区层面的固定效应(2)如无特别说明,后文实证分析均与此同,内生性检验、稳健性检验与机制检验在此基础上进一步控制了系列影响因素。。表1显示,各列数字化转型程度回归系数均在1%水平显著为正,这意味着数字化转型程度越高,企业全要素生产率水平会越高,这验证了本文假设H1的正确性。

表2 基准回归结果

(二)内生性检验

为缓解反向因果等内生性问题,本文采取工具变量法进行检验。为使工具变量满足相关性和排他性的要求,本文一是选取1984 年各地级市每万人固定电话数量作为当地企业数字化转型的工具变量,再以滞后一期的全国互联网上网人数与之相乘增加“时间动态效应”,以构建体现企业数字化转型依托当地电信设施的IVⅠ。二是根据动态回归模型原理,以数字化转型程度的滞后一期值作为IVⅡ。三是采用《中国上市公司数字化转型研究数据库》中根据企业战略、技术、组织、环境等评估得分加权合成的数字化转型指数,作为反映数字化转型对企业运营各方因素综合依赖的IVⅢ。表3显示,各列回归中,Anderson canon. corr. LM统计量均在1%水平显著,Cragg-Donald Wald F统计量均大于 Stock-Yogo F 检验在10%显著性水平上的临界值,Sargan统计量均在1%水平上显著,表明三个工具变量均不存在识别不足问题、弱工具变量问题以及过度识别问题。各回归中数字化转型程度系数均至少在5%水平显著为正,表明排除内生性问题干扰后,基准回归结果仍然可信。

表3 工具变量法检验结果

(三)稳健性检验

1.调整被解释变量度量指标

如前文所述,本文将以LP法、GMM法和FE法测算的全要素生产率作为被解释变量,进行稳健性回归。表4显示,各列数字化转型程度回归系数均在1%水平显著为正,意味着以LP法、GMM法和FE法重新测算企业全要素生产率,“数字化转型程度越高,企业全要素生产率也就越高”的命题依然成立。

表4 调整被解释变量度量指标的检验结果

2.调整解释变量度量指标

如前文所述,本文进一步选用了词汇字数均化量为3和5的度量指标以及五维与四维“词频占比”指标,作为解释变量进行稳健性回归。表5显示,各列数字化转型程度系数均在1%水平显著为正,表明以不同指标度量的“数字化转型程度”越高,企业全要素生产率也越高。

表5 调整解释变量度量指标的检验结果

五、机制检验

(一)“脱虚效应”的实证检验

参照基准回归模型,分别选取衡量企业财务风险与经营风险、无效融资与超额负债、金融虚拟化依赖程度的综合杠杆、过度负债程度、金融活动利润占比作为被解释变量,以数字化转型程度为解释变量,验证“脱虚效应”。表6显示,各列数字化转型程度回归系数至少在5%水平显著为负,表明数字化转型程度越高,企业经营与财务风险、无效与过度融资、金融虚拟化依赖程度会越低,“脱虚效应”确实存在。

表6 “脱虚效应”检验结果

(二)“入实效应”的实证检验

参照基准回归模型,分别选取衡量企业资产投资成长性、新增投资成长趋势、经营业态韧性的总资产增长率、非维持性投资比重、前后两期营业收入之比作为被解释变量,以数字化转型程度为解释变量,检验“入实效应”。表7显示,各列数字化转型程度回归系数在1%水平显著为正,表明数字化转型程度越高,企业资产投资成长性、新增投资成长趋势、经营业态韧性都会越高,“入实效应”确实存在。

表7 “入实效应”检验结果

(三)“提质效应”的实证检验

参照基准回归模型,分别选取衡量企业数字技术引入及技术赋能、科技研发人才引进、数字资本投入及组织变革的技术驱动评分、研发人员数量占比、组织赋能评分作为被解释变量,以数字化转型程度为解释变量,验证“提质效应”。表8显示,各列数字化转型程度回归系数在1%水平显著为正,表明数字化转型程度越高,企业技术驱动、人才质量、组织赋能都会越强,“提质效应”确实存在。

表8 “提质效应”检验结果

(四)“升级效应”的实证检验

参照基准回归模型,分别选取衡量企业研发常态化核心投入、有效激励与合理分配制度、承担社会责任与贯彻高质量发展政策的资本化研发投入支出占研发投入的比例、董事监事及高管成员平均薪酬与其他员工平均薪酬之比、华证ESG评级作为被解释变量,以数字化转型程度为解释变量,验证“升级效应”。表9显示,各列数字化转型程度回归系数符号均符合预期且至少在5%水平显著,表明数字化转型程度越高,企业研发动力、管理制度、经营战略等的升级趋势就会越强,“升级效应”确实存在。

表9 “升级效应”检验结果

六、进一步分析:异质性检验

(一)企业层面异质性分析

1.企业规模异质性分析

数字化转型的行为选择会受到企业规模的影响,本文将通过分组回归对其验证。表10显示,大型企业与中小微型企业数字化转型程度回归系数分别在5%、1%水平显著为正,且后者数值更大。这表明数字化转型对企业全要素生产率的正向影响会随着规模扩大而下降。这可能是因为,规模较小的企业更容易运用数字技术分析各类项目投资效益,能够做到“常驻”实体“不虚”、聚焦经营“做精”、承接分工“做专”、开发挖掘“做优”;而规模较大的企业运用数字技术分析各类项目投资效益时,更愿意规避风险虚实“对冲”、多方发展且主营多业、全产业链布局、谋求垄断溢价和超额利润等。

表10 企业规模异质性检验结果

2.企业产权性质的异质性分析

不同产权性质企业的数字化程度存在差异,对全要素生产率的影响也不尽相同,本文仍采用分组回归对其检验。表11显示,外资企业、国有企业、民营企业数字化转型程度回归系数均为正,但显著性水平及系数值均不断降低,表明数字化转型对全要素生产率的积极影响在三种企业中依次递减。这可能是因为,数字化转型中外资企业在技术与资金等方面更具比较优势,国有企业在政策与融资等方面具有一定优势,而民营企业在技术与融资等方面具有比较劣势。

表11 企业产权性质异质性检验结果

(二)行业层面异质性分析

1.行业要素密集度异质性分析

不同要素密集度的行业在接受、应用数字技术的选择上不同,对全要素生产率产生的作用效果也不同,本文将通过分组回归对此予以验证。表12显示,劳动与资本密集型行业企业的数字化转型程度回归系数分别在1%、10%水平显著为正,且前者大于后者,表明劳动密集型行业企业数字化转型对效率的提升作用较资本密集型行业更大、更显著。这可能与两类行业数字技术应用偏重不同有关,劳动要素密集型行业数字化转型更多的是应用大数据与智能化技术,投资智能化设备与设施,实现“机器对人的替代”,生产效率提升更多;资本要素密集型行业数字化转型更多的是应用物联网、区块链与大数据技术,投资人机互补设备,实现“人机匹配”,对生产效率的提升受人机协调互补程度的影响。

表12 行业要素密集度异质性检验结果

2.行业集中度异质性分析

市场势力不同,会影响企业对数字技术、数字技术设施的使用,进而影响全要素生产率,本文将通过分组回归检验这一影响。表13显示,低、高集中度行业企业的数字化转型程度回归系数分别在1%、10%水平显著为正,且前者大于后者,表明低集中度行业数字化转型对全要素生产率的影响更大、更显著。这可能是由于低集中度行业企业在推进数字化转型中更具“共享”意识,且能够更好利用数字经济与平台经济在竞争中实现合作,而高集中度行业企业更偏好“单打独斗”,需独立进行相应基础设施投资建设,从而影响其数字化进程。

表13 行业集中度的异质性检验结果

七、结论与启示

数字化转型使数字技术以新理念、新业态、新模式全面融入实体经济生产发展之中,对企业产生“脱虚效应”“入实效应”“提质效应”“升级效应”,助推企业脱虚强实,提高全要素生产率。本文以2011—2021年上市公司中制造业企业为样本,以面板固定效应模型对其进行实证检验,发现数字化转型确实有利于提升企业全要素生产率,在多重内生性检验、稳健性检验之后,该结论依然成立。不过对于不同规模、不同产权性质的企业,以及不同要素密集度和市场集中度的行业而言,这种影响存在差异,但总体都是正向影响。

基于此,本文得到如下政策启示。第一,数字化转型是推动企业脱虚强实,提高全要素生产率,实现高质量发展的重要手段,在大力发展数字经济的同时应鼓励企业进行数字化转型,但在具体制定产业政策时应设定精确的数字化转型程度测度指标,以精准实施激励与补贴措施,使产业政策有效发挥推动经济发展的重要作用。第二,产业政策制定过程中,应充分考虑数字化转型的作用机制,重点鼓励企业进行数字化资产、人力资本和技术设施改造,并提供相应的“环境”与“政策”支持,如配套开展地方性人才引进策略,有序推进数字基础设施建设,鼓励企业制定对青年人才等初始人力资本更有效的分配制度等。第三,产业政策实施过程中,需考虑不同行业、企业异质性影响,根据不同行业、企业特征制定分类推进数字化转型办法,并对数字化转型过程中企业投资方向转变和投资效率调整予以量化评估,以此设定不同税收优惠和财政补贴,从而使“好钢用在刀刃上”。