服务业信息技术应用与生产率提升——来自中国企业的经验研究

张龙鹏 周 笛

(1.电子科技大学，四川 成都 611731;2.西南财经大学，四川 成都 611130)

一、引言

1952—2018年，中国服务业增加值从195亿元提高到46.96万亿元，按照不变价计算，年均增速达8.4%，比国内生产总值年均增速高出0.3个百分点(1)数据来源于国家统计局发布的《服务业风雨砥砺七十载 新时代踏浪潮头领航行——新中国成立70周年经济社会发展成就系列报告之六》。。相应地，服务业增加值占国内生产总值的比重从1978年的24.6%提升到2018年52.2%(2)数据来源于2018年中国统计年鉴和2018年国民经济和社会发展统计公报。。由此可见，服务业已成为中国国民经济第一大产业，是确保中国经济稳定增长的重要组成部分。根据鲍莫尔-福克斯假说，由于服务业生产率较低，因此中国经济迈入服务业时代，经济增长潜力必将降低(Baumol，1967；Fuchs，1968)。如果这一假说在中国情境下依然成立，那么我们不得不重新审视中国服务业发展对经济增长的贡献。通过测算中国服务业生产率发现，中国服务业生产率与制造业生产率虽然存在差距，但差距在不断缩小，并且某些服务业细分产业生产率要高于制造业(庞瑞芝 等，2014；王燕武 等，2019；夏杰长 等，2019)。由此可以断定，一定程度上鲍莫尔-福克斯假说在中国并不成立。不仅在中国如此，在某些其它国家也是如此。Triplett et al.(2003)的研究指出，1995年后，美国服务业生产率增长率等于经济平均水平，也就是鲍莫尔病在美国已经“治愈”。Foster-Mcgregor et al.(2017)同样发现，在一些亚洲经济体中，服务业的生产率增速超过了制造业。Badri Narayan(2018)基于印度的研究也发现，服务业生产率要高于制造业。

既然有国家突破了鲍莫尔-福克斯假说限制，实现了服务业生产率的提升。那么，推动中国、美国、印度等国家服务业生产率提升的源头在哪里呢？在传统条件下，服务业的生产和消费要求同时、同地、面对面地进行，这就使得服务业不能使用机器设备，从而导致服务业生产率长期保持一个水平不变(江小涓，2017)。相比之下，由于规模经济和范围经济存在，制造业生产率实现了快速提升，这就使得服务业生产率相对下降。然而，随着信息技术的快速发展与广泛应用，服务业发展发生了巨大的变化(江小涓，2017；江小涓 等，2019)。大量研究也发现，创新与技术进步对服务业生产率有着重要的影响(Musolesi et al.，2010；Peters et al.，2018；许和连 等，2016)。因此，基于信息技术应用角度探索服务业生产率提升的动因就成为一个可行的研究视角。关于信息技术与生产率的研究并不少见，相关的研究结论也一直存在争论：有些研究认为信息技术促进了产业或企业生产率的提升；有些研究则持相反的观点，但聚焦于服务业的文献则较少。服务业与制造业生产率的决定因素有着显著的异质性(Badri Narayan，2018)，那就意味着我们有必要专门探讨服务业信息技术应用与生产率的关系。由于中国相关情况能够为我们认识服务业信息技术应用与生产率之间的关系提供很好的素材，因此本文利用中国企业的数据探讨服务业信息技术应用对生产率的影响，以从微观角度解读这一问题。

二、文献综述

生产率是经济学的重要研究对象，其决定着经济体的增长潜力，因而学者们使用多种多样的方法对生产率进行度量。对于服务业生产率的测算，国外学者基本采用的是劳动生产率(Triplett et al.，2003；Broadberry et al.，2005；Peters et al.，2018)，这主要是因为全要素生产率(TFP)是劳动生产率的决定因素之一(Triplett et al.，2003)，劳动生产率的高低已经反映了TFP的高低。不过也有学者从全要素生产率的角度考察服务业生产率(Foster-Mcgregor et al.，2017；Badri Narayan，2018)。相比之下，国内学者更倾向于从多个角度测算全要素生产率，以观测中国服务业生产率的发展现状。崔敏等(2015)、夏杰长等(2019)、王燕武等(2019)分别采用SFA、OP、LP方法测算了服务业的TFP。庞瑞芝等(2014)、王恕立等(2015)则引入环境因素，重新测算了服务业的全要素生产率。

学者们不仅关注服务业生产率的测算，也关注影响服务业生产率的关键因素，以探讨服务业生产率提升的具体路径。现有文献重点研究了创新与技术进步对服务业生产率的影响。Musolesi et al.(2010)、Peters et al.(2018)基于美国、德国、爱尔兰等国家的微观数据研究发现，服务业的创新活动对生产率有显著的正向作用，但不同国家、不同类型创新对生产率的影响程度存在明显差异性。许和连等(2016)基于中国的情况研究也发现，服务业创新具有生产率促进效应，并且完善制度环境能增强这一促进效应。不过Broadberry et al.(2005)指出，如果技术进步不适合一个社会的社会能力，那么技术进步会导致技术使用部门的调整困难，对生产率造成负面影响，这在服务业中表现得尤为显著。除了对创新与技术进步的研究之外，已有文献还探讨了进入管制、劳动力异质性、员工性别结构、资本密集度等宏微观因素对服务业生产率的影响(刘丹鹭，2013；王燕武 等，2019；王伟同 等，2017；Badri Narayan，2018)。

特别的，信息技术对服务业生产率的影响也得到了学者们的关注。不过就已有文献而言，虽然大量文献研究了信息技术与生产率之间的关系，但聚焦于服务业的文献仍较少。Triplett et al.(2003)测算了信息技术资本在服务业生产率中的贡献，基本肯定了信息技术投资对服务业生产率的正向影响作用。Casolaro et al.(2007)基于意大利银行业的研究也发现，信息技术资本对全要素生产率增长的贡献较为可观。Quinn et al.(1994)认为，使用信息技术的服务业虽然能够取得较好的生产率绩效，但信息技术需要数年乃至数十年才能显示出正效应。Hempell(2005)基于德国数据的研究显示，信息技术在服务业中具有显著的生产率效应，同时创新经验能够增强信息技术的正向作用。具体到中国的研究，国内学者则重点讨论了互联网及其在制造业的应用对制造业生产率的影响(黄群慧 等，2019；卢福财 等，2019)，尚未有文献利用中国数据检验服务业信息技术应用与生产率之间的关系。虽然江小涓(2017)、江小涓等(2019)等已经意识到信息技术对服务业生产率具有影响，但并未进行相应的实证检验。

服务业生产率与制造业生产率的决定因素存在显著的异质性(Badri Narayan，2018)，我们不能基于整体或制造业层面的研究来推断信息技术应用对服务业生产率的影响，因而有必要专门研究服务业信息技术应用与生产率的关系。已有服务业研究缺乏从理论和实证层面探讨服务业信息技术应用对生产率的影响。本文则利用中国企业这一微观数据进行相关研究，不仅补充了已有文献的研究样本，还有助于进一步揭示服务业信息技术应用影响生产率的机理。

三、理论分析与研究假设

从一般意义而言，信息技术应用将通过降低交易成本、减少资源错配、促进创新等方式提升服务业生产率(黄群慧 等，2019)，但这些影响机制尚未揭示服务业信息技术应用对生产率的关键作用机理。鉴于此，本文在分析导致服务业生产率低下的原因基础上，讨论服务业信息技术应用如何才能突破这些制约因素影响，进而从理论上揭示服务业信息技术应用对生产率的影响。根据已有研究，服务业生产率低下的原因在于传统条件下的服务业特征和劳动投入的异质性(江小涓，2017；江小涓 等，2019；王燕武 等，2019)，因此本文理论分析将围绕这两个方面展开。

在传统经济学分析中，服务业具有同步性、不可储存性、不可远距离贸易等重要特征(江小涓 等，2019)。上述三个重要特征就使得服务的生产与消费必须同时、面对面进行，若不能突破时间与空间的限制，则难以实现生产率的显著提升。与制造业要素投入模式不同的是，服务业更多地依赖非物质要素投入，即信息、知识、创意、人力资本等要素投入，这就使得服务业不能使用机器设备提高效率，这导致服务业缺乏规模经济，生产率长期保持在一个水平不变(江小涓，2017；江小涓 等，2019)。信息技术的应用，改变了服务的不可分割、不可储存等传统特性，使得服务生产与消费分离成为现实，这就使得服务产品的生产成本不断下降和远距离贸易成为现实(沈俊杰，2015)。教育、医疗、金融等行业借助信息技术实现行业的转型升级，使得这些行业能够使用相同的劳动力服务更多的客户或者实现劳动力替代，从而不断降低服务成本和提升服务生产率。例如，在传统课堂上，教师最多教授数百名学生，而一些网络慕课一年就可吸引20多万人参与学习(江小涓 等，2019)。此外，信息技术还可实现教育资源的存储，以在不同时间服务更多的学生，这就突破了时间的限制。借助互联网为核心的信息技术，数字教育行业以较少的教师资源为更多的学生提供教育服务，大大提升了服务生产率。在2020年的新冠肺炎疫情期间，百度、商汤科技、海康威视等企业利用人工智能深度学习、图像识别等技术赋能红外热像仪，实现在公共场所的智能体温检测，提高了体温检测服务的效率和准确性。进一步地，服务业的信息技术应用还可以以较低的成本实现服务产品的远距离贸易，不断扩大服务业的市场规模。江小涓等(2019)以音乐行业为例研究指出，数字音乐产业的市场规模要远远大于音乐图书、音乐演出、音乐版权经纪等传统音乐产业。市场规模的扩大将有助于实现生产要素投入的规模经济，还可通过促进市场竞争、深化劳动分工等途径提升产业或企业的生产率(Badinger，2007；Chaney et al.，2013)。上述分析表明，服务业信息技术应用将通过改变服务业传统特征来实现生产率的提升。

随着服务业的发展，其吸纳的劳动力会逐渐增加。例如，1979—2018年中国服务业就业人员年均增速达5.1%，高出第二产业2.3个百分点，到2018年服务业就业比重达46.3%，是吸纳就业人数最多的产业。对于就业比重上升的行业，平均劳动效率会随着劳动力异质性的扩大而下降(Young，2014；Cubas et al.，2015；王燕武 等，2019)(3)主要原因有两方面：一是劳动力从制造业转向服务业过程中，劳动力会由熟练劳动力转变为非熟练劳动力，进而制约了服务业生产率的提升；二是劳动力需求的增加会使得大量受教育程度较低的劳动力进入服务业市场，提高了服务业的劳动异质性，降低了平均劳动效率。。服务业信息技术的应用能够提高劳动力的受教育程度和技能水平，降低服务业的劳动异质性，进而实现服务业生产率的提升。首先，服务业信息技术应用对从业者的技能水平和解决问题的能力提出了更高的要求(Bartel et al.，2007)。为了应对新技术所带来的挑战，企业会加强对员工的技术培训(张龙鹏 等，2016)，如2019年亚马逊公司宣布投入7亿美元对员工进行人工智能技能培训。作为一种职业技能教育，员工技术培训将进一步提高从业者技能水平，实现企业人力资本的积累，从而以创新方式驱动服务业生产率的提升。其次，服务业信息技术应用将为从业者获取、处理、创新和传递信息和知识提供更为便捷的渠道和工具，这不仅有助于提升服务业从业者的素质和人力资本价值，为生产率的提升奠定人才基础，还有助于塑造高效的开放式创新网络，降低创新过程中的交易、契约、代理与治理成本，缩小创新认知差异，实现以创新驱动服务业生产率的提升(王金杰 等，2018；Peters et al.，2018；许和连 等，2016)。最后，生产力是劳动技能和生产工具共同作用的结果。在劳动力技能水平提升的条件下，生产工具的进步将进一步促进生产率的提升。人类科技发展的历史表明，每一次生产工具的革新，将带来社会生产效率的提升。服务业信息技术的应用将为劳动力提供新的服务工具，提高劳动效率和生产率。例如，物流业使用人工智能、无线通讯技术、射频标签技术、工业级掌上电脑、自动化立体仓库等信息技术与产品，能够帮助员工在单位时间内处理更多的运输产品，使得劳动生产率得到极大的提高。上述分析表明，从劳动力异质性角度看，信息技术应用对服务业生产率具有促进作用。

综上所述，我们可以得到本文的研究假设：服务业信息技术应用可通过改变服务业特征和降低劳动力异质性等途径对生产率产生促进作用。

四、研究设计

(一)数据来源

由于本文需要准确、全面衡量服务业企业的信息技术应用情况，而世界银行2012年对中国企业所做的营商环境调查包含企业信息技术应用信息，因此本文将使用该次调查数据作为研究数据来源。世界银行调查了2700家民营企业，被调查企业分布在北京、深圳、东莞、合肥、武汉、南通、成都等25个城市，基本覆盖了东部、中部、西部地区的大中小城市，样本具有较好的代表性。样本中包含了1008家服务业企业2009—2011年的相关数据，涉及批发、零售、运输、信息技术服务等七个行业。调查问卷询问了企业基本信息、基础设施、销售与供应、产能利用、创新与科技、融资、政企关系和劳动力等方面的问题。大部分问题包含了企业2011年的信息，部分问题涉及2009年的信息。因而，本文使用2011年的数据实证检验服务业信息技术应用对生产率的影响。

(二)计量模型

本文参考许和连等(2016)、张龙鹏等(2016)的研究，构建如式(1)所示的计量模型，以从微观层面实证检验服务业的信息技术应用对其生产率的影响：

Productivityfic=α0+α1IT_Usagefic+βCtrfic+δi+λc+μfic

(1)

其中:f、i、c分别表示企业、行业、城市；Productivity代表服务业企业的生产率，为被解释变量；IT_Usage是本文关注的核心解释变量，代表企业的信息技术应用程度；Ctr代表一系列企业层面的控制变量，用来解决遗漏重要解释变量产生的内生性问题；δ、λ、μ分别表示行业固定效应、城市固定效应、随机误差项。

(三)变量测度

1.企业生产率

对服务业企业生产率的测算，现有文献主要使用劳动生产率或全要素生产率。虽然全要素生产率是较好的度量指标，但全要素生产率的测算对数据质量要求较高。由于世界银行的调查问卷缺少测算全要素生产率所需的关键数据，因此本文主要使用劳动生产率表征服务业企业的生产率。王伟同等(2017)、Haltiwanger(1999)、Hellerstein et al.(1999)认为，如果估计方程中控制了人均资本、受教育水平等要素投入，劳动生产率可近似为全要素生产率。调查问卷的D.2、L.1问题分别询问了企业2011年的销售收入、员工人数，本文利用平均每位员工销售收入的自然对数作为企业生产率的代理变量。

2.企业信息技术应用

信息技术应用涉及企业生产经营活动的各个方面，需要对其进行全面准确的衡量。根据张龙鹏等(2018)、Hempell et al.(2008)的研究，本文采用使用计算机的员工比例(IT_Usage1)作为服务业企业信息技术应用程度的一个度量指标，因为该指标不仅能直接体现企业信息技术的使用效率，还能间接反映企业信息技术的存量(宁光杰 等，2014)。调查问卷中的CNO.8问题询问了企业2011年使用计算机的员工比重。进一步地，企业活动通过价值链衔接而成，信息技术可渗透到企业价值链的不同环节(张龙鹏 等，2016)，因此本文还可从价值链的角度衡量企业的信息技术应用程度。问卷的CNO.11问题调查了企业供应商关系、产品设计、生产运营、市场营销、客户关系等环节的信息技术使用情况，以此可以将每个环节的信息技术使用划分为从未使用、极少使用、有时使用、频繁使用和一直使用五个等级，并依次赋值为1～5。本文将各个环节的信息技术应用得分加总，从而得到价值链视角下企业信息技术应用程度的度量指标(IT_Usage2)。为了综合衡量企业的信息技术应用程度，本文参考王聪等(2015)的做法，利用上述两个指标并借助主成分分析法构造一个综合指标。本文将IT_Usage1、IT_Usage2进行标准化处理，构造样本标准矩阵Mfj：

(2)

我们依据标准化矩阵(Mfj)求相关系数矩阵(R)，然后解样本相关系数矩阵(R)的特征方程|R-λI2|=0，以求特征根，根据方差确定若干主成分，并对各主成分加权求和，权重为各主成分的方差贡献率，即得到衡量企业信息技术应用的综合指标(IT_Usage)。

3.控制变量

根据已有研究(许和连 等，2016；王伟同 等，2017)，本文控制了企业的高管性别(Female)、高管工作经验(Experience)、年龄(Age)、出口(Export)、人力资本(HC)和法治环境(Law)等变量。企业高管如果是女性，Female赋值为1，否则为0，具体数据来自问卷的B.7a问题；高管工作经验利用高管在该企业的工作年限度量，数据来自问卷的B.7问题；企业年龄使用观测年度与企业注册年度的差表示，企业注册年份来自问卷的B.5问题；企业出口情况利用企业销售收入中直接出口商品的收入占比度量，数据来自问卷的D.3问题；企业人力资本水平利用具有中学及以上学历的员工比重度量，数据来自问卷的L.9b问题；问卷的J.1问题要求企业对当地的司法系统做出评价，从坏到好分为四个等级，并依次赋值为1～4，本文利用该问题度量企业面临的法治环境。

五、实证检验

(一)描述性分析

根据前文的变量测度说明，表1汇报了重要研究变量的统计特征。从服务业企业信息技术应用情况来看，2011年平均每个企业中使用计算机的员工比重为55.77%，基于价值链的信息技术应用指标的均值为17.23，占满分(25)的68.92%，表明信息技术应用对于当时的服务业企业并不是一个普遍现象，这为本文的研究提供了理想的样本。就服务业企业生产率而言，平均每个企业每位员工销售收入的自然对数为12.61，也即是120.96万元。此外，在样本中，15%的高管为女性；高管的平均工作经验约为15年；企业平均年龄为11岁；企业中直接出口商品销售收入占总销售收入的比重为3.29%；平均每家企业76.45%的员工具有中学及以上学历；企业面临法治环境的均值为2.62，占满分(4)的65.5%。

表1 研究变量的描述性统计

为直观反映服务业信息技术应用与生产率之间的关系，本文利用信息技术应用综合指标(IT_Usage)绘制了企业信息技术应用与生产率关系的散点图，具体如图1所示。由图1可知，拟合曲线向右上方倾斜，信息技术应用程度高的企业生产率也较高，说明服务业的信息技术应用与生产率存在明显的正相关关系，初步检验了服务业信息技术应用能促进生产率提升的研究结论。

图1 服务业企业信息技术应用与生产率的散点图

(二)基本回归结果

根据式(1)计量模型，本文采用普通最小二乘法估计服务业企业信息技术应用对生产率的影响，估计结果如表2所示。表2列(1)—(2)为使用计算机员工比重与生产率的估计结果。列(1)未加入任何控制变量，IT_Usage1的估计系数为0.0109，并通过了1%的显著性检验，说明使用计算机员工比重增加1个百分点，企业生产率将上升1.09%。列(2)在列(1)的基础上，加入了企业层面的控制变量以及行业与城市固定效应。加入控制变量后，IT_Usage1的估计系数依然通过了显著性检验，但信息技术应用的生产率提升效应有所下降。使用计算机员工比重增加1个百分点，则企业生产率提升0.64%。由此表明，遗漏重要解释变量将高估服务业信息技术应用对生产率的促进作用。相应地，列(3)—(4)为基于价值链的信息技术应用与生产率的估计结果，列(5)—(6)为信息技术应用综合指标与生产率的估计结果。在所有回归结果中，IT_Usage2、IT_Usage的估计系数均显著为正。其中，列(4)的估计结果显示，基于价值链的信息技术应用程度上升1个单位，将使得服务业企业生产率增加1.67%；列(6)的估计结果表明，信息技术应用综合指标上升1个单位，企业生产率增加29.05%。就表2的回归结果而言，不论我们从何种角度衡量服务业企业的信息技术应用程度，服务业的信息技术应用具有显著的生产率提升效应。这验证了本文的研究假设。

表2 基本回归结果

进一步，根据列(2)、列(4)、列(6)的回归结果，简要分析服务业企业控制变量对生产率的影响。高管工作经验(Experience)的估计系数均在5%显著性水平上为正，说明高管工作经验越丰富，企业的生产率越高，该结论与许和连等(2016)的研究结论一致。高管丰富的工作经验能够帮助企业提升管理质量与效率，从而提高企业生产率。企业出口(Export)的估计系数均显著为正，说明服务业企业的出口商品销售收入占比越高，其生产率也越高。Temouri et al.(2013)的研究也支持服务业企业出口有助于生产率提升的结论。企业人力资本(HC)的估计系数均显著为正，说明人力资本具有显著的生产率提升效应。较高的人力资本水平有助于提升服务业企业的创新能力以及实现良好的企业管理，进而提高企业生产率。在列(2)与列(6)中，企业法治环境(Law)的估计系数在5%或10%的显著性水平上为正，说明良好的制度环境能够显著提升服务业企业的生产率。这主要是因为服务业是制度密集型产业，对制度环境有着较高的要求(许和连 等，2016)。

(三)稳健性检验

基本回归结果已经表明，服务业的信息技术应用可以提升其生产率，但这一结论还会受到遗漏时间变量、内生性等因素的影响。为了确保本文研究结论的稳健性，我们接下来进行稳健性检验。

1.考虑时间因素

服务业企业的信息技术应用与生产率都会随着时间的变迁而发生改变，如果在估计方程中没有考虑时间因素，将会因遗漏重要解释变量而产生内生性问题。由于基本回归使用的是截面数据，忽视了时间因素。为了检验研究结论的稳健性，本文用两种方式将时间因素纳入实证检验之中。

(1)世界银行2012年的调查问卷询问了企业2009年、2011年的销售收入、员工人数以及使用计算机的员工比重等信息，因此利用这两年数据构造了一个两期混合截面数据，从而能够在式(1)所示的估计方程中加入年份固定效应，以重新估计服务业企业信息技术应用对生产率的影响。表3的列(1)汇报了相应的估计结果。由于大多数企业层面的控制变量缺乏2009年的数据，因此我们在估计中没有加入企业控制变量。如列(1)的回归结果所示，在控制了行业、城市、年份固定效应后，使用计算机员工比重的估计系数依然显著为正，使用计算机员工比重增加1个百分点，服务业企业生产率提升0.69%。由此可见，当考虑了时间因素后，服务业的信息技术应用依然促进了生产率的提升，研究结论是稳健的。

(2)世界银行2003年的调查问卷也涉及服务业企业信息技术应用与生产率的信息，因此我们也将2003年与2012年的调查结合起来，以进一步检验研究结论的稳健性。2003年的调查包含784家服务业企业2002年的相关信息，主要涉及信息技术、会计与非银行金融服务、广告与市场、商业服务四类产业等相关方面信息。2003年调查的服务业与2012年存在明显差异，但互为补充，将两份调查结合起来能更全面地研究服务业信息技术应用对生产率的影响。表3的列(2)汇报了2002年服务业企业使用计算机员工比重与生产率的估计结果，但未加入任何控制变量。列(3)为加入控制变量的估计结果，但为保证企业层面控制变量度量与基本回归一致，我们仅加入了高管工作经验和企业年龄两个变量。列(2)与列(3)的回归结果显示，使用计算机员工比重的估计系数均在1%的显著性水平上为正，说明即使更换了研究样本，研究结论依然成立。进一步地，我们将2002年、2009年与2011年的数据结合起来，以估计使用计算机员工比重对企业生产率的影响，具体结果如列(4)所示。使用计算机员工比重的估计系数在1%的显著性水平上为正。这再次说明：在考虑时间因素的情况下，服务业信息技术应用仍具有显著的生产率提升效应。

表3 考虑时间因素的回归结果

2.内生性处理

为了更好地处理内生性问题，本文将寻找工具变量，利用2SLS重新估计服务业信息技术应用对生产率的影响。基于本文所使用的数据，我们选取了两个工具变量。

(1)我们利用使用计算机员工比重的滞后项作为一个工具变量，即将2009年使用计算机员工比重作为2011年使用计算机员工比重的工具变量。将滞后项作为工具变量是已有文献的常用方法，虽然这一工具变量较为粗糙，但也能排除部分内生性影响。表4的列(1)汇报了滞后项作为工具变量的回归结果。使用计算机员工比重的估计系数显著为正，且系数大小与基本回归结果相近，同时未识别检验与弱识别检验也通过了显著性检验，说明本文的研究结论是可信的。

表4 工具变量的回归结果

(2)参考Fisman et al.(2007)、张龙鹏等(2016)、王永进等(2017)等对企业层面自变量工具变量的选取方法，使用同行业内剔除本企业外其它企业信息技术应用程度的均值作为本企业信息技术应用程度的工具变量。使用该工具变量的原因在于：一是同行业内企业的信息技术应用具有较高的相关性，满足工具变量的相关性条件；二是剔除了本企业的信息技术应用，不会直接影响到本企业的生产率，避免了其与扰动项相关，满足工具变量的外生性条件(王伟同 等，2017)。本文有三个度量企业信息技术应用程度的指标，因此我们分别计算了这三个指标的工具变量，相应的估计结果如表4的列(2)—(4)所示。使用工具变量回归后，IT_Usage1、IT_Usage2、IT_Usage的估计系数显著为正，服务业信息技术应用的生产率提升效应依然存在。

六、进一步的分析

(一)异质性分析

1.产业异质性

不同产业对信息技术的需求和应用程度存在显著的差异性，而不同的产业特征也会影响信息技术应用绩效的发挥，因此本文将考察服务业信息技术应用对生产率影响的产业异质性。在本文的研究中，服务业包括建筑服务业、汽车服务业、批发业、零售业、住宿业、运输服务业、信息技术服务业等七个子行业。其中，批发业、零售业、住宿业属于生活性服务业；建筑服务业、汽车服务业、运输服务业、信息技术服务业属于生产性服务业(Zhang et al.，2019)。相比之下，生产性服务业的信息技术应用程度高于生活性服务业。从使用计算机的员工比重来看，生活性服务业与生产性服务业的平均比重分别为53.17%、57.66%；从基于价值链的信息技术应用程度来看，生活性服务业的均值为16.72，生产性服务业则为17.61。鉴于生活性服务业与生产性服务业信息技术应用的差异性，本文分别探讨两类服务业信息技术应用对生产率影响的异质性。表5使用2SLS方法分样本估计了服务业信息技术应用对生产率的影响，工具变量为同行业内剔除本企业外其它企业信息技术应用程度的均值(4)本文后续的研究均考虑了内生性问题，并且使用同行业内剔除本企业外其它企业信息技术应用程度的均值作为工具变量。。在生活性服务业组，IT_Usage1、IT_Usage2、IT_Usage的估计系数分别为0.0043、0.0117、0.1943，除IT_Usage2的估计系数未通过显著性检验外，其余两个变量的估计系数均通过了5%的显著性检验。在生产性服务业组，IT_Usage1、IT_Usage2、IT_Usage的估计系数分别为0.0091、0.0249、0.4311，且均通过了1%或10%的显著性检验。为使回归系数具有可比性，本文计算了标准回归系数。在生活性服务业组，三个变量的标准回归系数分别为0.1160、0.0578、0.1122；在生产性服务业组，三个变量的标准回归系数分别为0.2230、0.1075、0.2266。比较估计系数大小可知，生产性服务业的企业信息技术应用具有更高的生产率提升作用。

表5 生活性服务业与生产性服务业的分组回归结果

2.城市异质性

城市信息基础设施是服务业信息技术应用的基础与保障，一切有效的信息技术应用都需建立在高质量、现代化的信息基础设施之上。对于信息基础设施水平不同的城市，服务业信息技术应用对生产率将会产生怎样的影响呢？关于城市信息基础设施的度量，现有大部分文献使用的是固定电话、移动电话、互联网的普及率，但这些度量指标尚未反映出物联网、云平台、大数据中心等新型信息基础设施的建设情况，未能全面地体现城市的信息基础设施水平。因而，我们利用国脉互联智慧城市研究中心和中国社会科学院信息化研究中心共同颁布的《第二届(2012)中国智慧城市发展水平评估报告》中的指标衡量城市信息基础设施发展水平。该报告利用光纤与宽带覆盖率、电脑终端普及率、云平台建设三个指标测度城市信息基础设施发展情况。这三个指标不仅反映了传统信息基础设施的发展情况，还体现了新型信息基础设施的建设状况。

基于城市信息基础设施的度量情况，我们将研究样本中的城市划分为两组：一组是低信息基础设施城市，其信息基础设施评估得分小于或等于样本城市中位数；另一组是高信息基础设施城市，其信息基础设施评估得分大于样本城市中位数。表6汇报了考虑内生性后分组城市信息基础设施的回归结果。在低信息基础设施城市组，IT_Usage1、IT_Usage2、IT_Usage的估计系数均为正，分别为0.0038、0.0159、0.2083，但都未通过显著性检验。在高信息基础设施城市组，IT_Usage1、IT_Usage2、IT_Usage的估计系数分别为0.0075、0.0161、0.3286，且均通过了10%或1%的显著性检验。为使回归结果具有可比性，本文计算了标准回归系数。在低信息基础设施城市组，标准回归系数分别为0.0939、0.0704、0.1132；在高信息基础设施城市组，标准回归系数分别为0.2007、0.0779、0.185。相比较而言，高信息基础设施城市组在IT_Usage1、IT_Usage2、IT_Usage三个服务业信息技术应用指标的估计系数分别比低信息基础设施城市组高113.7%、10.7%、63.4%。由此我们可以确信，完善的信息基础设施有助于提升服务业信息技术应用对生产率的促进作用。

表6 按城市信息基础设施分组的回归结果

(二)信息技术在服务业价值链的应用对生产率的影响

企业活动可以根据价值链拆分成一系列的基本活动，信息技术在不同价值链环节的应用场景与应用程度存在一定的差异性(张龙鹏 等，2016)，因此本文进一步研究信息技术在服务业价值链的应用对生产率的影响。2012年世界银行对中国企业的调查询问了信息技术在供应商关系管理、服务提升、生产运营、市场营销、客户关系管理等五个服务业价值链环节的应用程度，我们可以据此对本部分的研究主题进行探讨。表7汇报了信息技术在不同价值链环节的应用对服务业企业生产率的影响，并同时考虑了内生性问题。估计结果显示，供应商关系管理信息技术应用(IT_PS)、服务提升信息技术应用(IT_SE)、生产运营信息技术应用(IT_PO)、市场营销信息技术应用(IT_MS)、客户关系管理信息技术应用(IT_CS)的估计系数均为正，但仅IT_PS、IT_MS的估计系数通过了显著性检验。由此说明，整体上，服务业信息技术应用对生产率产生了显著的正向作用，但具体到企业价值链环节，仅供应商关系管理、市场营销环节的信息技术应用对生产率具有显著的积极影响。服务业企业应进一步加强全价值链的信息技术应用，以充分释放信息技术的生产率提升效应，推动服务业整体能级的提升。

表7 企业价值链视角下服务业信息技术应用对生产率影响的回归结果

七、研究结论与政策启示

根据鲍莫尔-福克斯假说可知，服务业生产率低于制造业生产率。然而，中国、美国、印度等国家服务业发展的实践表明，服务业的生产率表现并不必然差于制造业。那么，是什么因素使得这些国家的服务业生产率得以快速提升呢？为回答该问题，本文从信息技术应用的角度探讨促进服务业生产率提升的原因，即主要采用了世界银行2012年对中国企业的调查数据，从企业层面实证研究了服务业信息技术应用对生产率的影响。研究结果表明，服务业的信息技术应用对生产率具有显著的正向作用；行业异质性分析表明，生产性服务业信息技术应用对生产率的促进作用要大于生活性服务业；城市异质性的回归结果显示，随着城市信息基础设施发展水平的不断提高，服务业信息技术应用对生产率的提升作用将逐渐增强；最后，本文还探讨了不同企业价值链环节的信息技术应用对服务业企业生产率的影响，即供应商关系管理与市场营销环节的信息技术应用显著提升了服务业生产率，服务提升、生产运营、客户关系管理环节的信息技术应用对服务业生产率的提升作用并未显现。

中共十九大报告明确提出，要“推动互联网、大数据、人工智能和实体经济深度融合”，这一思想从战略层面明确了中国未来经济发展方式转型的方向。本文的研究结论为这一重大战略部署提供了实证研究方面的证据。基于本文的研究结论，我们可以得到如下政策启示：一方面，政府需要加强信息基础设施建设，特别是要加强以云平台、大数据中心、物联网等为核心的新型信息基础设施建设，以充分释放服务业信息技术应用对生产率的提升效应；另一方面，政府应为服务业企业的信息技术应用提供必要的应用平台、人才培训、咨询建议等方面公共服务，帮助企业实现全价值链信息技术应用水平的显著提升，使得服务提升、生产运营、客户关系管理等环节的信息技术应用也能发挥对生产率的促进作用。