数字经济水平对中国制造业资源配置效率的影响研究

于世海 许慧欣 孔令乾

(1.桂林理工大学，广西 桂林 541004；2.浙江农林大学，浙江 杭州 311300)

随着大数据、云计算、物联网、人工智能等新一代电子信息技术逐渐渗透到经济社会各领域，数字经济已经成为引领中国经济高质量发展的强大引擎，在经济转型、结构优化、动能转换方面发挥了重要作用。而现阶段，中国仍存在生产要素市场化体制机制障碍、资源配置效率低下等问题，基于此，本文将数字经济与资源配置联系起来，探讨其对资源配置效率的影响机制，以及资源配置效率提升带来的福利改善，以期能为中国深入推进供给侧改革与经济高质量发展提供一定的理论参考。

一、文献回顾

“数字经济”一词是由Tapscott(1996)提出，Negroponte(1996)予以发展。此后，相关研究纷纷展开，其中，数字经济的经济效应是研究的热点。王如玉等(2018)提出“虚拟聚集”概念，认为新一代信息技术与实体经济的深度融合是产业转型升级的一条新路径。马中东等(2020)认为，数字经济显著促进了制造业质量升级。杨文溥(2021)指出，相比落后地区，数字经济对发达地区经济增长的促进作用更显著。然而也有研究得出不同的结论。姜松等(2020)发现，数字经济对实体经济的影响表现为倒“U”形特征，对实体经济产生了挤出效应。随着数字经济快速发展，其测算方法引起了相关研究的关注。由于对数字经济概念界定不一，对数字经济发展水平的测度方法也存在较大差异，具体可以分为两大类，即直接核算法和指标体系核算法(张艳萍 等,2022)。直接核算法是把数字经济划分为数字产业化和产业数字化，分别对其进行计算后加总，从而得到数字经济总规模。指标体系法是建立多维指标体系，测算不同区域的数字经济发展水平。

西方经济学认为，在完全竞争市场条件下，信息是对称的，不存在市场扭曲，资源自由流动，企业产品价格等于边际成本，此时资源实现了最优配置。但现实中，完全竞争市场结构几乎不存在，因而存在市场扭曲，资源不能自由流动，企业产品价格与边际成本不相等，这就导致了资源误置。资源误置问题很大程度上可以解释发达国家和发展中国家经济发展差距(Prescott et al.，1998；Hall et al.,1999；Caselli，2005)。当前，学界对资源误置的测算主要分为直接法和间接法。直接法关注资源误置产生的潜在原因，对某种经济扭曲(资本、劳动等)进行测度，利用异质性企业模型评估其效应大小；间接法需要识别资源误置的具体原因，对实际全要素生产率与帕累托最优时全要素生产率的差异进行测度，以此衡量资源误置的程度(钱学锋 等,2014)。相关文献通常以全要素生产率价值离散度、加成率离散度、要素投入扭曲等指标衡量资源误置。聂辉华等(2011)以全要素生产率价值离散度来衡量资源误置，认为资源误置是导致中国制造业企业效率低下的原因，国有企业是造成资源误置的重要因素。宗慧隽等(2020)利用加成率离散度衡量资源配置效率，认为最低工资标准上涨显著改善资源配置，劳动力市场分割则会抑制改善作用。张天华等(2020)以要素投入扭曲测算资源配置效率以研究设立开发区对企业资源配置效率和宏观经济效率的影响。此外，关于资源误置存在的原因，现有文献多从融资约束、企业进入退出效应、政策扭曲和劳动力市场摩擦等角度进行考察(Banerjee et al.,2010；Barseghyan et al.,2011；韩剑 等,2014；Munshi et al.,2016)。在经济增长日益依赖效率提升的背景下，深入挖掘资源误置的成因，提升资源配置效率，对中国全要素生产率的提高和经济高质量发展具有重要意义。

截至目前，直接从数字经济视角来研究资源配置的文献相对缺乏。如丛屹等(2020)研究了数字经济对劳动力资源配置效率的影响，认为数字经济的发展有利于劳动力资源配置效率的提高，但存在地区差异。余文涛等(2020)认为发展互联网平台经济能够缓解金融市场扭曲和技术市场扭曲。马中东等(2020)发现数字经济通过优化劳动和资本要素配置影响制造业质量升级。而与此紧密相关的是数字经济与生产率关系的相关研究。如邱子迅等(2021)利用国家级大数据综合试验区为数字经济对全要素生产率的促进作用提供了经验证据。杨慧梅等(2021)的研究同样支持了数字经济显著提升全要素生产率的结论。

综上，可以发现，已有研究取得了一定的进展，但也存在一些不足。本文可能的边际贡献在于：第一，在指标测度上，放松规模报酬不变的假定，更为精确地估算了中国制造业行业的资源误置程度；第二，在研究视角上，有别于现有文献单纯强调数字经济对经济增长的影响，本文从微观层面分析了数字经济水平对中国制造业资源配置的影响；第三，阐明了数字经济水平影响资源配置的内在作用机制，识别出数字经济影响资源配置的路径，丰富了对资源配置效率的相关研究。

二、理论分析与假说提出

在完全竞争市场中，生产要素会从低生产率企业向高生产率企业转移，低生产率企业就会被淘汰，最终市场上所有企业的生产率趋同，从而达到了资源最优配置。但现实中，由于市场扭曲的存在，生产要素更多地流向低生产率企业而非高生产率企业，导致资源误置。这种现象在经济运行中普遍存在，对中国生产率造成了重大损失(Brandt et al.,2013)。随着新一代信息技术的应用和发展，形成了一种新经济形态——数字经济，对人类社会的生产、消费和分配方式产生重要影响，提高了经济运行效率(许宪春 等,2020)，特别是其与实体经济深度融合，成为资源配置的新方式(王如玉 等,2018)。企业应用信息技术，可以消除信息不对称的风险，推动资源在地区之间、城乡之间、行业之间以及企业之间流动；借助信息技术，还能加快资源流通速度，降低搜寻成本，提高匹配效率，优化资源配置效率(施炳展 等,2020)。那么数字经济是通过何种渠道影响资源配置效率？为此，可以从成本节约效应和技术创新效应两方面分别阐述数字经济影响资源配置效率的内在作用机制。

交易费用是经济运行所需要消耗的成本，而信息成本是产生交易费用的根源(Arrow,1969)。信息平台的发展能够增加信息沟通方式，增加信息透明度，降低信息不对称风险(Hendriks,1999)。对生产者而言，通过信息平台，生产企业能够快速精准地搜寻符合标准的交易对象，并能及时与其进行沟通交流，打破地理空间限制，较好解决交易过程中遇到的各种问题，大大提高了交易效率，降低了治理成本；对消费者而言，亦是如此(Venables,2001)。显然，数字经济与实体经济的融合，改变了传统产业的生产方式，提高生产者间的协同效率。通过数字化网络供应平台，实现生产供应链上企业间匹配效率提升，促进分工协作，并建立多方共同监督的有效管理机制，从而提高供应链效率，降低供应链成本(杨文溥,2021)。此外，企业信息化生产不仅可以降低采购成本、管理成本、沟通成本、劳动成本等生产成本(Mukhopadhyay et al.,1995；Teo et al.,1997)，实现上下游企业协同效率提升，还能降低交易成本，扩大交易规模，提升资源配置效率(施炳展,2016)。总之，新一代信息技术的广泛应用可以降低企业的搜寻成本、生产成本和交易成本，实现资源配置效率提升，最终对企业生产效率、高质量发展产生重要影响。

根据上述分析，提出：

假说1：数字经济水平的提升降低了信息不对称风险，提高了信息匹配准确率，降低了企业搜寻成本、生产成本和交易成本，提高了交易效率，从而降低资源误置程度，提升资源配置效率。

作为一种“通用技术”，信息技术应用于企业生产、经营、管理决策等活动中，有助于产品、工艺和组织等方面的创新(Spiezia,2011；毕克新 等,2012)，进而全面促进企业技术进步和推动全要素生产率的提升(郭家堂 等,2016)。数字经济是新一代信息技术快速发展的产物，深刻影响着技术创新发展(陈梦根 等,2020)，通过大数据技术促进生产要素优化配置和提升要素间协作水平，最终实现资源优化配置，提高生产效率。数字技术为生产者和消费者的供需信息对接提供了一个很好的平台。对消费者而言，可以通过平台发布产品偏好、个性化定制需求。对生产者而言，则可以通过平台对需求信息进行识别、匹配、转换，利用有限资源生产个性化产品。同时，生产企业还能快速准确地应对市场需求信息的变化，对生产及时做出相应调整。此外，数据信息知识和技术具有外溢性、共享性等特点(杨文溥,2021)，能够让企业突破时空障碍在全球范围内学习新技术和新知识。例如，落后企业可以学习和模仿先进企业在技术创新、管理制度等方面的经验，提高自身技术创新水平和管理技能。技术进步的渗透性特征会逐渐改变生产投入要素的种类和比例，打破传统要素市场的束缚，重构资源配置方式(丛屹 等,2020)。

根据上述分析，提出：

假说2：数字经济发展有利于推动企业技术创新，进而有利于改变投入要素的种类和比例，打破传统要素市场的束缚，促进生产要素优化配置和提升要素间协作水平，最终实现资源配置效率提升。

三、模型、变量与数据

(一)计量模型设定

为了识别数字经济水平对企业资源配置的影响，设定如下基准计量模型：

tfpr_opijpt=α+βdedpt+γXijpt+λj+λp+λt+εijpt

(1)

其中：i、j、p、t分别表示企业、四位码行业、地区、年份；tfpr_opijpt表示t年p地区j行业i企业的资源配置效率；dedpt为p地区在t年份的数字经济水平，是本研究的核心解释变量；Xijpt是控制变量向量，包括影响企业生产率的一系列经济变量；λj、λp、λt为虚拟变量，分别控制行业、地区和年份固定效应。β是本文重点关注的系数，它揭示了数字经济水平对资源配置效率的影响，若β<0,则验证了本文预期，即数字经济水平的提高降低了资源误置程度，提高了资源配置效率。

(二)变量测度

1.被解释变量

参考HK模型，利用全要素生产率(Revenue-based Total Factor Productivity，TFPR)离散度衡量资源配置效率。HK模型假设在垄断竞争条件下，如果资源能够自由流动，更多的劳动和资源要素就会分配给生产率更高的企业，随着低生产率企业被挤出市场，在均衡条件下，市场上所有企业的TFPR都相等，否则行业内企业间的TFPR差异越大，资源误置越严重。在计算TFPR离散度时，HK模型严格依赖于规模报酬不变等假设条件。Foster et al.(2016)在HK模型的基础上放宽规模报酬不变假设条件，发现TFPR离散度包含资源配置扭曲、异质性的企业生产技术和需求差异三部分，弥补了HK方法的不足，更全面地度量了资源配置效率。据此，估算TFPR离散度的简要表达式为：

(2)

其中：γ为规模报酬，ξ为需求冲击，ρ为需求弹性；kj为投入产出扭曲的复合效应；u和l表示分位数水平差异，一般采用第75～25或者90～10分位数差。

根据式(2)，当规模报酬不变时，即γ=1时，TFPR离散度只受扭曲因素影响，此时与HK模型一致;当规模报酬不变条件不成立时，TFPR离散度还受到需求冲击和企业实际生产率的影响。

在式(2)中，等号右边第一项包含需求冲击和企业生产率差异的离散度，可用由收益生产函数估计得出的残差项对其进行替换(范冬梅 等,2019)，进而得到：

(3)

利用式(3)，在控制异质性企业生产率和需求冲击因素后，根据TFPR理论值与估计值之间的区别和联系，可以估计出企业更加真实的资源误置程度。

全要素生产率的测算方法主要有OLS法、OP法、LP法、ACF法等，学术界普遍采用后三种方法。OP方法以投资作为生产率的代理变量，有效克服了估算生产率时存在的联立性问题和样本选择问题，因此，本文以式(3)为基础，利用OP法测算中国制造业TFPR。

2.核心解释变量

本文的核心解释变量为中国30个省份(西藏、港澳台除外)的数字经济水平综合指数。数字经济的本质在于信息化，为了更好地分析各省份数字经济的发展水平，遵循科学性、合理性、可获取性等原则，并借鉴马中东等(2020)、国家统计信息中心(2001)，采用数字基础设施、数字资源利用、数字技术使用、数字化人才和数字产业发展五个层次20个指标构成的数字经济水平综合评价指标体系，详见表1。

表1 数字经济水平综合评价指标体系

本文采用主成分分析法来计算30个省份的数字经济水平综合指数。该方法的特点是能够很好地处理降维，将多个互相关联的数值变量转化成少数几个互不相关的综合指标，其数学模型为：

(4)

其中：Z1，Z2，…，Zp是主成分的个数；c1i,c2i,…,cpi(i=1,2,…,p)为X的相关系数矩阵R的特征值对应的特征向量。

由于数字经济水平评价指标体系包含较多指标，为了使数据间具有可比性，在进行主成分分析之前，需对指标进行无量纲化处理。本文采用极差标准化方法对数据进行标准化，计算公式为：

(5)

借助SPSS 26.0计算出各主成分的特征值、方差贡献率和累计贡献率，提取出特征值大于1的成分作为主成分，然后根据成分矩阵确定每个主成分中起主要作用的指标变量。利用初始因子载荷矩阵计算特征值对应的特征向量得到因子得分系数，确定主成分表达式(因篇幅有限，未予展示)。最后用主成分的贡献率作为权重进行加权汇总，得到中国各省份的数字经济水平综合得分，其模型表达式为：

(6)

其中：bi为第i个主成分的方差贡献率。

表2为中国30个省份的数字经济水平综合得分。

表2 1999—2007年中国30个省份数字经济水平综合得分

可以看出，中国数字经济水平总体上呈现出相对水平较低、各地区间发展水平差异较大的特点。省份层面上，9年间，数字经济水平较高的地区是北京、上海和天津，其值都达到了1.00以上，水平相对较低的则是贵州和青海，数值相对较小，处于0.20以下，但总体上的差异呈现出逐年缩小趋势。区域层面上，东部地区数字经济水平远高于中西部地区，中、西部地区间的差距则相对较小。

3.控制变量

Xijpt为一组包含企业、行业、城市三个层面的控制变量，具体信息如表3所示。

表3 控制变量对照表

4.变量描述性统计

表4是变量描述性统计。可以看到，以OP方法测算的TFPR离散度(tfpr_op )的标准差为0.3237，小于其均值(0.8804)，说明数据变异程度小，不同企业间的资源配置效率差异较小。核心解释变量数字经济水平(ded)的均值为0.8813，标准差为0.4207，不同地区数字经济水平存在显著差异，但随着数字经济发展水平的提升，区域间差距逐渐缩小。其他变量的描述性统计结果较为稳定，在此不作赘述。

表4 变量描述性统计

(三)数据来源

为了考察数字经济水平对资源配置的影响，本文数据来自《中国工业企业数据库》、《中国统计年鉴》、《中国信息年鉴》以及各省份统计年鉴，时间区间为1999—2007年。为了结果的可靠性，本文将研究对象限定在制造业企业，剔除非制造业企业。参考聂辉华等(2011)、Brandt et al.(2012)，对样本数据进行如下处理：剔除非营业状态的企业；剔除关键财务指标(如企业总资产、工业总产值、固定资产净值、销售额)缺失或为零的观测值；剔除不符合一般会计准则的观测值，包括利润率低于0.001或高于0.99的企业、流动资产或固定资产净值高于总资产的企业、累计折旧小于当期折旧的企业；剔除职工人数少于10的企业；剔除主要变量前后1%的异常值。考虑到中国工业企业数据库缺失2004年“工业增加值”数据，本文根据以下会计准则进行估算：工业增加值=工业总产值-工业中间投入+应缴增值税。此外，为了得到经济学而非会计意义上的全要素生产率，对所有变量都使用基期为1998年的各类价格指数进行平减。其中，采用各省份工业品出厂价格指数对工业总产值、销售额和中间投入进行价格平减，采用各省份固定资产投资价格指数对资本进行平减。经过以上处理，最终得到包括中国30个省份近173万个观测值。

四、实证分析

(一)基准回归结果

表5报告了基于面板固定效应模型的估计结果。

表5 基准回归结果

表5列(1)在控制行业固定效应、地区固定效应和年份固定效应的基础上，仅纳入核心解释变量，以此作为比较。结果显示，核心解释变量的系数在1%的显著性水平下为负，这表明数字经济水平降低了TFPR离散度，进而提高了资源配置效率。列(2)在列(1)基础上加入了包括企业规模、资产负债率、沉没成本、资产收益率等在内的控制变量，核心解释变量系数依然显著为负，再次表明数字经济水平显著提升了资源配置效率。为了控制地区层面随时间变化的因素对估计结果的影响以及企业层面遗漏变量对估计结果的影响，列(3)控制了企业固定效应和地区-年份固定效应，数字经济水平回归系数的绝对值得到进一步提升，数字经济水平的回归系数在5%的水平上显著，表明数字经济的发展有利于改善资源配置效率。鉴于企业所有权性质会影响TFPR的大小，列(4)加入了外资企业虚拟变量(fdi)和国有企业虚拟变量(soe)，估计结果仍然表明：数字经济水平降低了TFPR离散度，促进了资源配置效率改善。假说1得以验证。

在控制变量方面，企业规模对资源配置效率具有显著影响，即企业规模越大，资源配置越富有效率；企业资产负债率显著促进资源配置效率提升，但影响程度较小；沉没成本、资产收益率、劳动生产率和企业所有制结构均不利于资源配置的改善；政府补贴对资源配置的影响不显著；产业结构的影响系数显著为正，说明第二产业比重高会加重资源误置，其原因可能是第二产业内结构不合理，技术密集型、资本密集型等高附加值产业占比较低导致资源未能实现有效配置；以赫芬达尔指数表示市场环境的系数显著为负，表明市场越趋于垄断，资源配置效率越高；城镇化水平越高，资源配置效率越低，可能是因为当下部分地区城镇化过程中未能实现人口城镇化、经济城镇化、土地城镇化的协同发展，存在简单的人口城镇化现象，即农村人口集聚城市导致城镇化水平提升，而城市自身容纳能力及承载力没有同步扩大，未能有效配置大量劳动力资源，导致资源配置效率低下。

(二)稳健性检验

1.内生性分析

遗漏变量、互为因果、度量误差是导致内生性问题的主要原因。前文已经对遗漏变量和度量误差所引起的内生性问题做了一定处理：第一，针对遗漏变量导致的内生性问题，本文在基准模型中加入了企业规模、资产负债率、沉没成本、资产收益率、市场环境等控制变量，同时采用固定效应模型，在一定程度上能够弱化内生性问题。第二，针对度量误差导致的内生性问题，本文分别对利用OP方法和LP方法估算出的资源误置程度进行回归，结果基本一致，弱化了度量误差对估计结果的影响，且本文数据来源于国家统计局权威数据库。

为了避免数字经济水平和资源误置双向影响而存在内生性问题，本文采用工具变量法(IV)来解决内生性问题。借鉴刘冲等(2014)的做法，本文使用坡度(slope)作为数字经济水平的工具变量，坡度即地表单元陡缓的程度，根据《2019年中国县级行政区划和境界》数据计算得到。一方面，坡度与数字经济水平密切相关，因为地势较高的地区会不利于信息基础设施的架设与安装，影响数字经济的发展；地势低的地区有助于信息基础设施建设，数字经济水平相对较高。另一方面，坡度作为自然变量，与残差项不相关。坡度与内生解释变量相关，且与扰动项不相关，满足了工具变量的两个条件，即相关性和外生性。为了检验基准模型回归结果的稳健性，采用坡度作为工具变量进行2SLS估计，并对工具变量进行不可识别检验和弱工具变量检验，估计结果见表6列(1)、(2)。第一阶段回归结果显示，工具变量的回归系数在1%的水平上显著为负。工具变量法中，采用Kleibergen-Paap rk LM方法进行不可识别检验，采用Cragg-Donald Wald F统计量方法进行弱工具变量检验。检验结果表明，所选工具变量具有良好的性质，不存在不可识别和弱工具变量问题。由此可见，在模型中考虑了内生性问题后，数字经济水平显著提升了资源配置效率，这与基准回归所得结论一致，表明了基准回归结果的稳健性。

此外，为了使结果更有信服力，本文还构建了工具变量每百人固定电话数量。早期，人类信息传递主要依赖于邮局、固定电话等最初的信息通讯技术。因此，可以认为信息化的发展是从固定电话普及开始的。一方面，固定电话的普及不仅会影响城市信息基础设施建设和社会网络联通，还会改变人类的生活方式、观念，从而推动信息化的发展。历史上固定电话普及率较高的地区也有可能是信息化水平较高的地区。所以，固定电话数量作为数字经济水平的工具变量满足了相关性要求。另一方面，相对于信息化的快速发展和信息通讯技术的变革，历史上固定电话数量与制造业企业资源配置效率没有直接的关联性，固定电话的数量也很难对企业资源配置效率产生影响，在一定程度上满足了排他性要求。因此，本文选取1984年各省份每百人固定电话数量作为数字经济水平的工具变量。为了反映工具变量在省份层面随时间的变化，借鉴Nunn et al.,(2014)、黄群慧等(2019)，本文构建各省份1984年每百人固定电话数量(与个体变化有关)与上一年全国信息化投资额(与时间有关)的交互项(telephone×invest)，作为省份数字经济水平的工具变量。回归结果见表6列(3)、(4)。Kleibergen-Paap rk LM检验和Cragg-Donald Wald F检验表明，所选工具变量不存在不可识别和弱工具变量问题。数字经济水平对TFPR价值离散度的影响显著为负，表明数字经济水平改善了资源配置效率。这与基准回归所得结论一致，表明了基准回归结果的稳健性。

表6 内生性检验

2.改变被解释变量的测算方法

为了避免测量误差，本文采用LP方法测算TFPR，进行稳健性检验，结果见表7。列(1)显示，核心解释变量在数值大小上有微小变化，但符号和显著性并未发生变化，核心解释变量的估计系数依然显著为负，表明信息化有效提升了资源配置效率。列(2)加入了控制变量，回归结果依然显著为负。这与前文基准回归所得结论是一致的。

表7 稳健性检验一：更换被解释变量的测算方法

3.改变核心解释变量测度方法

数字经济水平综合指数能够全面地评价信息化水平的发展，但测量方法差异也可能会影响实证结果的可靠性。作为信息通用技术的典型代表，互联网与数字技术高度相关。互联网的发展能够加快跨区域资源整合效力，促进资金、劳动力、技术等经济要素的流动，改善地区资源配置，成为配置资源的重要手段(余文涛 等,2020)，互联网与实体经济的融合深刻地影响着中国经济发展。因此，以各省份互联网普及率作为数字经济水平的代理指标，进行稳健性检验，结果见表8。改变核心解释变量测度方法后，核心解释变量的符号和显著性未发生改变，表明数字经济水平的提升有助于改善资源配置效率。这与前文基准回归所得结论是一致的。

表8 稳健性检验二：改变核心解释变量测度方法

4.企业的进入退出

根据异质性企业理论，较高生产率的企业在市场上得以生存，较低生产率的企业将会退出市场。作为市场经济的主要特征之一，企业的进入退出行为对全要素生产率产生显著影响(毛其淋 等,2013)。为此，本文构造了平衡面板数据，回归结果见表9。不论加入控制变量与否，数字经济水平至少在10%的显著性水平下降低了全要素生产率离散度。可见，在样本期间内，数字经济水平的提升显著改善了资源配置效率。

表9 稳健性检验三：企业进入退出行为

(三)异质性分析

1.地区异质性

数字经济水平在中国各地区呈现出发展不平衡、差异化特征，为了分析数字经济水平对资源配置效率的差异化影响，本文将样本企业按照所处地理区位划分为东、中、西部，以便更精准地考察数字经济水平差异对不同地区资源误置的影响。回归结果见表10。

表10 分地区回归结果

可以看到，各地区数字经济水平均显著提升了企业资源配置效率，但表现出明显的空间异质性。具体来看，数字经济水平估计系数的绝对值在西部地区最大，中部地区次之，东部地区最小，表明数字经济水平的提高对西部地区资源配置的提升作用更大，显著提升西部地区的资源配置效率。东部地区数字经济水平的作用力比较弱，可能的原因是东部地区经济发展起步早、较发达，信息化基础设施建设也较完备，企业信息技术水平相对较成熟，数字经济对资源配置的提升空间有限，经济效应较小，因此信息化对资源配置产生的改善作用较小。中西部地区经济发展水平低，信息化基础设施建设有待加强，但数字经济的快速发展，对区域经济发展和企业资源配置具有较强的促进作用。

2.企业所有制异质性

不同的企业类型具有不同的生产特性，数字经济水平对其产生的影响也会具有差异性。相对其他性质企业，国有企业在资源和政策扶持方面具有先天的优势，因此有必要从所有制类型角度进一步分析数字经济水平对资源误置的影响。将所有企业分为国有企业、外资企业和私营企业三种类型， 回归结果见表11，可以看到，信息化的作用效果在不同所有制企业类型中均存在显著的促进效应，即数字经济水平提升了国有企业、外资企业、私营企业的资源配置效率。在不同所有制企业中，数字经济水平在私营企业中的作用效果最为显著，可能是因为私营企业所面临的生存压力较大，随着市场竞争的加剧，不得不通过提升信息技术水平，节约企业成本，强化创新效应，提升资源的配置效率，以此来提升自身的核心竞争力，进而才能确保在市场上存活。

表11 分企业所有制的回归结果

3.企业生产率高低的差异

为了更深入地研究数字经济水平与资源配置的关系，根据企业生产率高低将样本分为高生产率企业和低生产率企业两个组别。具体是以企业全要素生产率的中位数为基础，将生产率大于等于中位数的企业定义为高生产率企业，生产率小于中位数的企业为低生产率企业。回归结果见表12。

表12 分生产率差异的回归结果

可以看到，数字经济水平对资源配置效率的影响在高、低生产率企业均显著为正，但系数大小存在差异，表现为数字经济水平对高生产率企业的资源配置效率提升作用更大。这是因为，与低生产率企业相比，高生产率企业具有相对成熟的经营管理方式，在技术、人力资本等方面更胜一筹，因此企业数字化发展能够发挥出更大的效率提升效应。

4.组间系数差异性检验

通过地区、企业所有制与企业生产率高低的分组回归可知，数字经济水平对资源配置效率的影响具有显著的异质性。为了更精确地识别数字经济水平对资源配置效率的影响的差异，本文采用自抽样方法(Bootstrap)来检验地区、企业所有制与企业生产率高低组间差异的显著性，检验结果如表13所示。当以地区进行分组回归时，东部地区和中西部地区的数字经济水平对生产率离散度均具有显著影响，数字经济水平的提高能够改善企业的资源配置效率。但相比东部地区，中西部地区数字经济水平对资源配置效率的改善作用更大。当以企业所有制作为分组依据时，其他企业(私营企业和外资企业)数字经济水平的提升对资源配置效率的影响更大。当以企业生产率高低进行分组回归时，高生产率企业和低生产率企业的影响系数绝对值分别为0.0315和0.0036，高生产率企业的数字经济水平对资源配置效率的改善作用更大。以上三种分组对应的经验p值分别为-0.0930、-0.0150、-0.0030，进一步证实了数字经济水平对资源配置效率的异质性影响在统计上的显著性。

表13 组间系数差异性检验

五、作用机制检验

基准回归结果表明，数字经济的发展显著提升了资源配置效率，此结果在经过一系列的稳健性检验之后仍然成立。那么数字经济是通过何种渠道作用于资源配置？为了验证数字经济水平影响资源配置的传导机制，参照温忠麟等(2004)的中介效应模型来检验成本节约和技术创新在数字经济水平影响资源配置的中介效应。中介效应的存在需满足四个条件：一是，未纳入中介变量前，核心解释变量对被解释变量影响显著；二是，核心解释变量对中介变量影响显著；三是，纳入中介变量后，中介变量对被解释变量影响显著；四是，纳入中介变量后，核心解释变量对被解释变量影响程度变低。基于此，本文设立如下计量模型：

wijpt=α+β1dedpt+γXijpt+λj+λp+λt+εijpt

(7)

tfpr_opijpt=α+β2dedpt+β3wijpt+γXijpt+λj+λp+λt+εijpt

(8)

式(7)、(8)分别为中介变量模型和中介效应模型。其中：wi,j,p,t为中介变量，即成本节约、技术创新。其他未提及变量含义与式(1)一致。

对于企业个体来说，追求低成本、高利润是其经营目标，企业单纯地降低成本就能提高部分利润，依据这一思想，本文以企业净利润(prof)衡量企业在生产经营活动中所能节省的成本(廖信林 等,2021)。同时，为了控制企业是在成本不变的条件下收益增加带来利润增加，进而影响资源配置效率，本文利用主营业务成本(cost)代替净利润作为成本效应的代理变量进行中介效应检验。根据中介效应原理，在与基准模型和相关控制变量保持一致的前提下，采用固定效应模型进行回归，结果如表14所示。

表14 成本节约中介效应检验

由表14可知，数字经济水平对企业成本节约具有显著的正向影响，表明数字经济水平提升可以降低生产成本，优化企业发展环境，转变生产方式，改善资源配置。在列(1)中，把prof变量加入中介变量模型后，prof对企业资源误置的影响显著为负，且数字经济水平对资源误置也具有显著负向影响，但影响程度降低，满足中介效应存在条件，说明成本节约起着中介效应作用，是数字经济发展影响资源配置的一个渠道。因此，假说1成立。列(2)的回归结果表明，在排除了企业成本不变的问题后，仍证实了数字经济通过降低企业成本来改善资源配置效率的结论。

技术创新作为企业转变生产方式、优化资源配置的重要路径，对企业发展和产业结构的优化与升级产生重大的影响。参考刘万丽(2020)、权锡鉴等(2022)，以研发投入(R&D)作为企业技术创新水平(innov)的代理变量，按照中介效应检验程序，输出结果见表15。

表15 技术创新中介效应检验

根据表15，数字经济水平对技术创新水平存在显著的正向影响，即数字经济水平的提高可以促进企业技术创新水平提升。当把变量加入中介变量模型后，技术创新对资源误置具有显著负向影响，表明企业技术创新水平的提高，在市场机制作用下促进资源向高技术水平、高生产效率企业流动。同时，数字经济水平对资源误置的影响也显著为负，但影响系数大小有所降低，满足中介效应存在条件。故假说2成立，即数字经济水平对技术创新具有显著的积极影响，数字经济水平的提升能够促进企业进行技术创新，有利于改变投入要素的种类和比例，打破传统要素市场的束缚，促进生产要素优化配置和提升要素间协作水平，最终优化资源配置效率。

六、结论与政策建议

本文基于改进的HK方法，放松规模报酬不变的假定，更为精确地估算了中国制造业行业的资源误置程度，并结合中国各省份数字经济水平指数，考察数字经济水平对中国制造业资源配置效率的影响。结果表明：数字经济水平提升降低了资源误置程度，提升了资源配置效率。异质性检验表明，数字经济发展对西部地区资源配置的改善作用最大，中部地区次之，东部地区最小；数字经济水平提高对各种所有制企业的资源配置效率都有显著正向影响；相比低生产率企业，数字经济水平在高生产率企业中产生的影响更大，但对两类企业的资源配置效率都具有显著促进作用。机制分析表明，数字经济主要是通过降低企业成本和提升企业技术创新水平来改善资源配置效率。

以上研究结果具有明显的政策含义：

第一，加快数字经济发展，促进数字经济与实体经济深度融合。数字经济是以数字化的知识和信息为关键生产要素，以数字技术为核心驱动力量，以现代信息网络为重要载体，通过数字技术与实体经济融合，推动企业数字化发展和经济结构优化而创造高价值经济活动。随着新一代电子信息技术逐渐渗透到社会生产活动中，特别是数字中国建设的稳步推进使得数字经济蓬勃发展，打破生产要素市场化体制机制障碍，促进生产要素公平自由流动与使用，减少资源误置和市场扭曲。数字经济与实体经济的深度融合，催生了工业互联网、智能制造等新产业、新模式、新业态。产业数字化的发展，促进了传统产业产出增加和效率提升，带动传统产业信息化转型升级，实现资源利用最大化。企业通过数字化促进转型升级，畅通生产要素流动，大幅提升生产制造、经营管理、商贸流通等环节效率，优化资源配置效率。

第二，掌控数字经济关键技术，推动企业创新能力提升。数字经济的发展对企业技术创新起到了重要推动作用，信息技术应用于企业生产、经营、管理决策等活动中，有助于产品、工艺和组织等方面的创新，促进企业技术创新能力的提高。在打造国内国际双循环新发展格局的背景下，企业应顺应时代潮流，积极进行数字化改造，更加深入地融入全球价值链、产业链和供求链，在全球范围内有效利用、整合各项资源，通过信息技术推动新技术、新知识的市场化能力，逐渐形成新产品与服务优势，带动企业技术创新快速涌现，推动中国比较优势由劳动密集型向知识密集型、技术密集型等价值链高端转变；通过数字赋能，改善要素禀赋结构失衡状况，形成新的竞争优势，纠正各种经济扭曲，优化资源配置。

第三，引导企业进行数字化改造，降低企业成本。囿于成本约束，大多企业主动进行技术改造、提升自主创新能力的意愿不足，导致产业转型升级的基础不牢、微观活力欠缺。而数字经济依托数字技术能够显著降低企业的资源搜寻与匹配成本，并减少中间交易环节、扩大不确定条件下的交易机会和效率。同时，也能够减少资金、资源、产品等流动障碍，提高企业面对外部冲击时的协同性和快速反应能力。因此，企业要积极应用工业互联网、大数据、云网端、人工智能等数字技术，优化产出结构，降低生产成本。采用平台化、终端化营销，自动化、智能化、一体化生产，树立先进数字化经营理念，以低成本、高价值产品获得市场竞争能力，优化资源配置。

第四，推进区域数字经济协调共进，实现中国经济高质量发展。在中国各地区数字经济发展不平衡的背景下，各地政府应重视数字经济发展的异质性作用。东部地区数字经济发展较早，信息基础设施也较完备，应更加注重“质”的提高。对中西部地区而言，数字经济发展为企业实现资源配置效率的改善提供了机遇，因而应继续加大数字化投资力度，加强信息基础设施建设，提升数字技术在企业发展的应用水平，充分发挥数字经济对资源配置的改善作用；企业主体要善于利用信息技术获取知识，主动与先进地区沟通交流、开展合作，努力缩小与先进地区之间的数字经济水平差距。数字技术打破了传统经济发展障碍，加速重构经济发展与治理模式的新兴经济形态，促进各地区数字经济协调共进，已经成为中国经济高质量发展的新动能。