数字化应用与资源型企业全要素生产率——基于双元创新的互补效应

李萌萌，郭晓川

（1.内蒙古大学 经济管理学院，内蒙古 呼和浩特 010020；2.上海大学 管理学院，上海 200444）

一、引言

资源型企业在国家工业体系中具有重要的基础性和战略性地位，但随着资源性产品供给变化以及国际社会环保要求的严苛，产能过剩以及碳排放等问题日益严重，资源型企业要实现高质量发展必须提高其全要素生产率。随着互联网、人工智能、大数据等数字技术的快速发展，新一轮产业革命正在由导入期转向拓展期，催生出大量的新产业、新业态和新模式[1]。目前，企业数字化转型逐渐从消费端转向产业端[2]，“十四五”时期中国工业发展的战略任务之一是实施“智能+”战略，数字技术成为赋能工业的重要力量[3]。国家“十四五”规划纲要中指出，要推进产业数字化转型，深化研发设计、生产制造、经营管理、市场服务等环节的数字化应用。因此，随着互联网、人工智能、大数据等数字技术的发展，探究数字化应用与资源型企业全要素生产率的关系，对于其突破全要素生产率不高的困境具有重要意义。

数字化应用与全要素生产率的研究实际上是对“信息技术生产率悖论”（简称“生产率悖论”） 的延续。Brynjolfsson(1993)分析了造成生产率悖论的原因，主要是由于投资收益具有滞后性、技术投入管理不善以及在市场经济中重新分配利润等导致信息技术在企业层面具有正向作用，而在宏观层面没有显现出来[4]。已有研究认为1991 年以后企业层面的生产率悖论逐渐消失[5]，但随着人工智能等数字技术的发展，Brynjolfsson 等(2017)认为出现了新的生产率悖论，数字化与企业生产率呈“J-型”曲线[6]。Acemoglu&Restrepo(2018)认为人工智能等数字技术被过度采用会导致资本和劳动配置不当，从而抑制企业生产率[7]。然而，另一部分学者认为不存在生产率悖论，数字技术投资回报差异与企业是否在人力资本[8]、创新投入[9]、组织变革和管理实践[10]等进行互补性投入有关。Purdy&Daugherty(2017)认为人工智能通过智能自动化、提高劳动技能和物质资本及创新来提高企业生产率[11]。黄群慧等(2019)认为互联网通过提高交易效率、减少资源错配及促进创新来提高制造企业生产率[12]。同时，生产率悖论还具有一定的行业异质性，已有大多数研究认为制造业不存在生产率悖论，而在服务行业的结论并不统一[13]。孙早、刘李华(2018)基于中国1979—2014 年行业面板数据，实证发现与服务行业相比，信息技术资本对工业的全要素生产率促进作用更强，在文教科研事业、政府机关以及金融业，信息技术资本对全要素生产率均具有正向作用，但是对房地产业的促进作用相对较小[14]。

综上所述，目前关于数字化应用和企业全要素生产率的研究还存在一些不足：首先，数字化是否存在生产率悖论还没有得到统一结论，且存在行业异质性，现有研究大多基于制造业和服务业，缺乏资源型企业的相关证据。其次，多数研究仅从人工智能、互联网、大数据等单一数字技术进行研究，或者仅研究数字化在业务流程方面的应用，没有涉及战略规划及市场营销方面的应用。再次，现有研究仅关注数字技术与创新投入的互补效应，没有进一步探究双元创新在数字化应用过程中的作用。根据双元创新理论，创新分为探索式创新和开发式创新，二者进行技术融合的程度和方式不同，因而建立在不同创新方式上的数字化应用会对资源型企业全要素生产率产生不同的影响。鉴于此，文章以2014—2019 年资源型企业上市公司为样本，实证检验数字化应用对资源型企业全要素生产率的影响以及数字化应用与双元创新的互补效应。

二、理论分析与研究假设

1. 数字化应用与资源型企业全要素生产率

数字化应用对企业全要素生产率的影响主要分为直接和间接两方面：首先，基于资源基础观，能获取稀缺的、有价值的、不可模仿和不可替代的生产要素是企业取得可持续竞争优势的关键[15]。数据作为新的关键生产要素投入[16]，能为企业带来重要的战略信息资源，通过提高战略决策者的风险预测能力以及改进目标规划等[17]促进企业全要素生产率；数字技术使产品的生命周期大幅度缩短，降低企业交易费用，组织扁平化，从而直接提高其全要素生产率。其次，依据互补机制理论，数字技术与人力资本[18]、创新投入[19]、组织变革[10]等形成互补效应，间接提升企业全要素生产率。已有研究表明高技能劳动者能提升互联网对企业生产率的促进作用，企业需要与无形资本等互补性因素结合来促进数字化的生产率效应[20]。

企业数字化应用不仅指数据要素及数字技术的业务应用，还包含如何利用数字技术提升自身的市场竞争力，以及如何创造和保有顾客[21]。Kaplan&Haenlein(2019)认为数字化是指数字技术应用到社会的各个领域，以及由此所产生的一系列变化，即代表了数字技术用于解决传统问题的新用途，包括创造新的市场和价值网络[22]。马晔风等(2020)发现数字化的积极作用主要在于企业的软实力方面，在运营管理和销售方面的影响最显著[23]。可见，企业数字化应用不仅包含业务流程方面的应用，还包含战略规划及市场营销方面的应用。数字化应用对资源型企业全要素生产率的影响主要表现为：首先，实时的生产销售数据和分析，为资源型企业提供精准的数据支撑及决策依据[24]，以及大数据价值链带来的战略联盟，能实现企业供应链的知识共享和利益共赢。其次，资源型企业具有一定的劳动安全隐患，数字技术赋予企业新的生产决策模式，实现无人化智能化生产，提高运营管理效率[25]、生产的柔性[26]及安全性[27]。再次，资源型企业的产品物流及库存成本较高，电子商务和云平台整合物流、金融等资源，缓解信息不对称，降低企业物流及库存成本。此外，资源型企业长期以卖方市场思维为主导，数字技术带来的商业模式创新，能增强企业的服务意识，将价值链延伸至附加值高的服务环节，从而提高资源型企业全要素生产率。对此，提出以下研究假设：

H1：数字化应用正向影响资源型企业全要素生产率。

2. 双元创新与资源型企业全要素生产率

自March 于1991 年提出探索与开发两种不同的组织学习行为以来，学术界开始针对这两种学习行为的性质差异展开深入探讨[28]。双元创新理论认为，探索式创新发现和创造新知识、新技术，探索未知产品和领域，寻找新的客户和市场；开发式创新利用现有知识和技术，巩固和发展现有业务，挖掘并满足现有客户及市场需求[29]。

探索式创新投入周期长、具有不可测性，但长期来看，探索式创新具有显著的技术溢出效应[30]，已有研究表明探索式创新有利于提高企业的整体技术水平和核心竞争力，提升企业的盈利性绩效[31]。探索式创新对资源型企业全要素生产率的影响主要表现在新知识、新技术和新产品三个方面：一是，资源型企业存在严重的资源依赖、科技水平较低等问题，探索式创新所产生的学习效应有利于资源型企业内在科技能力的提升，包括科研人员的知识积累以及技术创新的成果积累等；二是，资源型企业需要不断引进新技术，探索式创新能促进新技术的引进吸收，实现技术融合；三是，资源型企业存在产品同质、附加值低等现象，探索式创新开发出的新产品能有效提升资源型企业的核心竞争力，从而促进资源型企业全要素生产率的提升。对此，提出以下研究假设：

H2a：探索式创新正向影响资源型企业全要素生产率。

根据路径依赖理论，开发式创新虽然周期短、投资风险小，能有效降低新产品研发投资风险，有利于企业的短期效率及收益，但是过度依赖于现有知识和技术，不利于企业形成持续的竞争力，容易落入“追赶—落后—追赶”的重复陷阱[32]，将企业锁定在低效率的状态，产生“锁定效应”，从而抑制企业全要素生产率的提升。资源型企业本身具有较强的资源依赖性，开发式创新利用现有知识和技术，会进一步加强企业对资源的依赖，缺乏对新技术、新产品和新市场的挖掘，从而形成路径依赖，最终将企业锁定在低效率状态下，不利于资源型企业全要素生产率的提升。对此，提出以下研究假设：

H2b：开发式创新负向影响资源型企业全要素生产率。

3. 数字化应用与双元创新的互补效应

互补机制理论认为，除了要素本身对生产率的贡献外，要素之间的相互赋能也会提高企业生产率[8]。要素之间的相互赋能即为互补效应，当发生互补效应时，提高其中任意一个要素的投入，都会提高另一个要素投入的回报[33]。Milgrom&Roberts 最早在1990 年基于互补理论系统地论证了信息技术与人力资本、组织变革之间存在互补性[8]。已有研究认为并不是所有企业的信息技术投资都能得到相同的生产率回报，除了信息技术的投资以外，企业自身的一些特性也影响着信息技术的生产率回报。何小钢等(2019)研究发现高技能和长期雇佣劳动者与信息技术具有互补效应，能显著提升信息技术的生产率效应[34]；Hempell(2006)指出信息技术与创新投入属于互补性要素，相互补充，二者之中任意一种要素的投入价格下降，都会导致信息技术与创新投入同时增加[9]。

从投资额和投资周期来看，相比于开发式创新，探索式创新与数字化应用的投入资金都较大、投资周期都较长，短期内都可能出现挤占企业经营资源的现象；从投资收益来看，探索式创新与数字化应用短期内都可能出现负的投资收益，但是长期来看，二者均有利于企业整体技术水平和核心竞争力的提升。资源型企业数字化应用与探索式创新的互补效应主要体现在两个方面：一方面，资源型企业数字化需要对设备、工艺流程及销售渠道进行数字技术改造，探索式创新活动积累的学习经验有助于数字技术的应用及吸收，缩短数字技术更新改造的时间成本[9]，促进数字化应用的直接生产率效应。另一方面，数字化应用能带来资源型企业的组织结构和管理实践变革，消除组织冗余层级，降低信息沟通成本，能够对新的技术研发与应用产生较快响应，促进研发效率，从而提升资源型企业的全要素生产率。因此，探索式创新与数字化应用二者具有互补效应，探索式创新能促进数字化应用的生产率效应，同样数字化应用也能促进探索式创新的生产率效应。对此，提出以下研究假设：

H3：相比于开发式创新，数字化应用与探索式创新的互补效应更显著。

具体的理论框架如图1 所示。

图1 理论框架图

三、研究设计

1. 数据来源与样本选取

中国企业大规模进行数字化应用是从2013 年以后开始的，文章采用2014—2019 年资源型A 股上市公司为研究样本。资源型企业的划分依据《国民经济行业分类》，划分为12 个行业①注：开采洗选业包括煤炭开采和洗选业(B06)，石油和天然气开采业(B07)，黑色金属矿采选业(B08)，有色金属矿采选业(B09)，非金属矿采选业(B10)；初级加工业包括石油、煤炭及其他燃料加工业(C25)，化学原料和化学制品制造业(C26)，非金属矿物制品业(C30)，黑色金属冶炼和压延加工业(C31)，有色金属冶炼和压延加工业(C32)，金属制品业(C33)，电力、热力生产和供应业(D44)。。企业相关数据均来自万得数据库，上市公司年报用Python 软件从巨潮资讯网批量获取，地区数据来自历年中国统计年鉴及各省份统计年鉴。剔除样本期间内的ST 和*ST、2014 年及以后上市和相关数据严重缺失的企业，最终得到218 家企业6 年的平衡面板数据，共计1308 个观测值，并对所有连续变量做1%和99%的双侧缩尾处理。

2. 变量测度

（1） 被解释变量：全要素生产率(TFP)

企业全要素生产率常用的测算方法有索洛余值法、FE 法、OP 法和LP 法等。其中，半参数OP 法和LP 法能够有效解决索洛余值法的内生性问题。但OP 法对数据要求较高，需要企业的真实投资大于0，而LP 法则使用企业的中间投入品作为不可观测的生产率冲击的代理变量，可以有效解决OP 法产生的遗漏样本问题，能更好地反映企业生产率的变化。文章采用LP法进行估算，选用FE 法进行稳健性检验。

（2） 解释变量：数字化应用(Digital)

部分学者从互联网[12]、人工智能[35]等单一数字技术角度进行测度，但大多采用单一指标或截面数据，只涵盖了业务流程方面，没有全面反映企业整体的数字化应用。文章借鉴施德俊(2019)[21]和马晔风等(2020)[23]的研究思路，从战略规划、运营管理和市场营销三个维度对数字化应用进行测度，分指标采用文本分析法来构建，最终用熵指数法合成数字化应用指标（见表1）。

表1 数字化应用的测度

其中，一是战略规划：针对企业年终总裁致辞及年报中关于公司发展战略部分，通过Python 统计数字化相关词汇数和企业官网发布的战略数字化新闻数进行测算。二是运营管理：针对年报中关于公司业务概况及经营状况分析部分，通过Python统计数字化相关词汇数和企业官网发布的运营管理数字化新闻数进行测算。三是市场营销：通过企业官网发布的营销数字化新闻数、当年发布的新闻总数、数字化营销种类进行测算，营销种类包括是否有网站、微信或微博公众号、自营或第三方平台，取值为0、1、2、3。

关键词的选取分为三个步骤：第一步，分别由两位研究人员从年报及相关文献中筛选出数字化相关词汇；第二步，合并两组关键词，剔除重复词；第三步，由另外三位数字化相关研究人员打分，“完全不符合”到“完全符合”设立10 分制，最终选取平均分大于4 的关键词共93 个。

（3） 调节变量：探索式创新(R)与开发式创新(D)

根据《企业会计准则第6 号——无形资产》相关规定，企业内部研发投资分为研究阶段与开发阶段投资，研究阶段投资更偏向探索式创新投入，开发阶段投资更偏向开发式创新投入。文章借鉴毕晓方等[30]的做法，以企业研究费用化支出/资产总额代表探索式创新投入(R)，以企业开发资本化支出/资产总额代表开发式创新投入(D)。

（4） 控制变量

参考已有关于企业全要素生产率的研究(Peng F 等，2021)，控制变量分为企业层面和地区层面[36]。企业层面包括企业规模(Size)、企业属性(Soe)、资产负债率(Fin)、出口状况(Export)。地区层面包括地区发展水平(Pergdp)、外商投资情况(FDI)、地区产业结构(Structure)。此外，还加入时间和行业虚拟变量，变量定义见表2。

表2 变量定义表

3. 模型与方法

为检验数字化应用对资源型企业全要素生产率的影响，构建计量模型如下：

为检验数字化应用与双元创新的互补效应，文章构建计量模型如下：

四、实证分析

1. 描述性统计分析

表3 给出了各变量的描述性统计。可以看出，资源型企业全要素生产率标准差为0.572，最大值为3.111，最小值为0.015，说明资源型企业全要素生产率存在一定差异；数字化应用均值为0.035，最大值为0.229，最小值为0.000，说明资源型企业数字化应用仍属于起步阶段，还未达到过度使用的阶段；探索式创新均值为0.825，标准差为0.703，最小值为0.000，说明探索式创新存在较大差异，部分企业没有探索式创新投入；开发式创新均值为0.046，标准差为0.159，最小值为0.000，说明开发式创新存在较大差异，部分企业没有开发式创新投入。

表3 描述性统计

2. 回归分析

在进行回归分析之前，首先对变量进行多重共线性检验，max{VIF}=1.82<10，说明不存在严重的多重共线性；考虑到异方差和自相关等问题，文章均采用经过异方差修正和公司层面聚类调整的稳健标准误。

（1） 数字化应用与资源型企业全要素生产率

表4 列(1)检验了数字化应用对资源型企业全要素生产率的影响。数字化应用的回归系数在5%的水平上显著为正，说明数字化应用对资源型企业全要素生产率的影响显著为正，即数字化应用越高，资源型企业全要素生产率就越高，假设H1 得到验证，与潘毛毛、赵玉林(2020)[18]的研究结论一致。Acemoglu &Restrepo(2018)指出数字技术被过度采用可能导致资本和劳动配置不当，从而阻碍企业生产率提升[7]。从描述性统计来看，资源型企业数字化应用的均值仅为0.035，属于数字化应用初级阶段，还没有达到过度采用，不足以导致资本和劳动配置不当，因而在当前阶段，数字化应用对资源型企业全要素生产率具有显著的促进作用。

（2） 双元创新与资源型企业全要素生产率

表4 列(2)和列(3)分别报告了探索式创新、开发式创新对资源型企业全要素生产率的影响。由列(2)可以看出探索式创新的系数在1%的水平上显著为正，说明探索式创新对资源型企业全要素生产率具有显著的促进作用，H2a 得到验证。列(3)显示开发式创新的系数在10%的水平上显著为负，说明开发式创新对资源型企业全要素生产率具有显著的抑制作用，H2b 得到验证。探索式创新所产生的学习效应有利于提升资源型企业的内在科技能力，开发新技术、新产品，实现技术融合，提升企业核心竞争力，从而促进资源型企业全要素生产率。开发式创新过度依赖于现有知识和技术，不利于企业形成持续的竞争力，将企业锁定在低效率状态，产生“锁定效应”，从而抑制资源型企业全要素生产率。

（3） 数字化应用与双元创新的互补效应

表4 列(4)和列(5)分别报告了数字化应用与探索式创新、开发式创新的交互作用。可以看出数字化应用与探索式创新的交互项系数在10%的水平上显著为正，而与开发式创新的交互项系数不显著。这说明相比于开发式创新，数字化应用与探索式创新的互补效应更显著，二者互为正向调节，相互促进，即探索式创新能够强化数字化应用对资源型企业全要素生产率的促进作用，同样数字化应用也能强化探索式创新对资源型企业全要素生产率的促进作用，H3 得到验证。资源型企业数字化主要是对设备及工艺流程进行数字技术更新改造，具有探索式创新的资源型企业在新知识、新技术和新产品等方面进行了较长时间的研发，有一定的学习经验，能缩短数字技术更新改造的成本及时间，从而能更快体现数字化应用的生产率效应。同时，数字化应用能改变企业的创新流程及组织形式，提升探索式创新效率，数字化应用与探索式创新二者相互补充，进而提高资源型企业的全要素生产率。

表4 基本模型回归结果

3. 行业异质性分析

为进一步研究行业异质性对数字化应用生产率效应的影响，文章将样本分为开采洗选业和初级加工业分别进行回归，结果见表5。列(1)和列(3)显示，数字化应用的系数分别在1%和10%的水平上显著为正，说明在开采洗选业和初级加工业，数字化应用对资源型企业全要素生产率的影响均显著为正。列(2)和列(4)显示，开采洗选业样本组数字化应用与探索式创新的交互项系数不显著，而初级加工业样本组交互项系数在10%的水平下显著为正，说明数字化应用与探索式创新的互补效应主要体现在初级加工业，而在开采洗选业仍不显著。这主要是因为开采洗选业对资源和地域依赖性较强，大多位于经济落后地区，探索式创新水平较低，没有足够的技术、知识和人员积累，而初级加工业较接近于制造业，探索式创新水平相对较高，积累了一定的学习经验，能在短时间内实现数字化应用的生产率效应，因而数字化应用与探索式创新的互补效应主要体现在初级加工业，在开采洗选业仍不显著。

表5 行业异质性分析结果

4. 稳健性检验

（1） 内生性检验

实际生产过程中样本可能存在自选择性，即数字化应用可以提高资源型企业全要素生产率，同样全要素生产率高的资源型企业也更倾向于采用数字化。为此，文章借鉴何小钢等(2019)[34]的做法，采用按省份和二位码行业分类的数字化应用均值作为工具变量(IV)。借鉴方颖、赵扬(2011)的研究思路对工具变量的外生性进行检验，结果见表6 列(1)～(3)。当资源型企业全要素生产率分别回归于数字化应用和工具变量时，两个变量的系数都显著为正；当资源型企业全要素生产率同时回归于数字化应用与工具变量时，工具变量的系数变得不显著，而数字化应用的系数仍显著为正。这说明工具变量仅通过数字化应用影响资源型企业全要素生产率，而不直接影响资源型企业全要素生产率，工具变量满足“外生性”条件。

表6 工具变量检验及回归结果

表6 列(4)和列(5)汇报了2SLS 回归结果。首先进行数字化应用对工具变量的第一阶段回归，列(4)显示工具变量的系数显著为正，说明工具变量与内生变量具有显著的正相关性。将第一阶段得到数字化应用的拟合值作为第二阶段数字化应用的代理指标，估计其对资源型企业全要素生产率的系数，从列(5)回归结果可知，数字化应用系数在1%的水平上仍显著为正。因此，在考虑工具变量的有效性条件下，数字化应用对资源型企业全要素生产率依然具有显著的促进作用。

（2） 其他稳健性检验

为验证模型的稳健性，文章还采用以下几种方法，结果见表7：一是为了规避遗漏变量导致的内生性问题，加入了企业和地区层面控制变量，同时还加入了时间和行业固定效应；二是关于测度误差导致的内生性问题，文章采取国家统计局公布的权威数据以及上市公司企业年报，采用文本分析法尽量避免人为误差，同时采用FE 法代替LP 法，替换因变量重新进行估计；三是除了采用工具变量法，文章还借鉴Brynjolfsson &McElheran(2016)的做法，将数字化应用滞后一期，回归系数仍显著为正；四是替换估计方法，采用Tobit 模型进行回归，所有结论均与前文保持一致[37]。

表7 其他稳健性检验

五、结论与启示

1. 研究结论

文章基于互补机制理论和双元创新理论，选用2014—2019年资源型上市公司数据，从战略规划、运营管理及市场营销三个维度测度资源型企业数字化应用，考察了数字化应用对资源型企业全要素生产率的影响，以及数字化应用与双元创新的互补效应。

研究发现：第一，数字化应用对资源型企业全要素生产率具有显著促进作用，即数字化应用越高，资源型企业全要素生产率就越高，说明在样本期间内，资源型企业数字化应用不存在生产率悖论。第二，探索式创新对资源型企业全要素生产率具有显著促进作用，而开发式创新对资源型企业全要素生产率具有显著抑制作用。第三，数字化应用与探索式创新具有显著的互补效应，二者互为正向调节关系、相互补充，即增加数字化应用或者探索式创新中的任意一种要素投入，均能强化另一种要素投入的生产率效应。此外，数字化应用与探索式创新的互补效应主要体现在初级加工业，在开采洗选业仍不显著。

文章的主要贡献在于：第一，采用文本分析方法从战略规划、运营管理和市场营销三个维度测度数字化应用，并验证数字化应用与资源型企业全要素生产率的关系，更全面地反映了企业的数字化应用，丰富了数字化与企业全要素生产率的相关研究。第二，将互补机制理论与双元创新理论联系起来，深入探讨了不同创新方式对数字化应用与资源型企业全要素生产率关系的作用差异，拓展了互补机制以及双元创新理论。第三，将数字化应用、双元创新与资源型企业全要素生产率纳入同一研究框架，并分析了开采洗选业和初级加工业的数字化应用及其生产率效应，为资源型企业如何通过互补性投入来强化数字化应用的生产率效应提供相应的理论指导。

2. 管理启示

（1） 资源型企业应通过加强数字化应用来提高企业全要素生产率

研究结论显示数字化应用越高，资源型企业全要素生产率就越高，步入数字经济时代，资源型企业不能单纯依靠精细化管理进行低成本战略，而是要改变管理模式，通过数字化应用来提高企业全要素生产率。资源型企业应加大数字化应用的投入，尤其是业务流程再造和商业模式创新方面，引进数字化设备、智能生产线及信息管理系统，增加数字化营销渠道，利用大数据、云计算等数字化技术进行精准营销服务。

（2） 在创新投入过程中，要加大对探索式创新的投入

研究结论显示相对于开发式创新，具有探索式创新投入的资源型企业，其企业全要素生产率较高。但探索式创新投资周期长、且投资风险大，因而面临较大的融资约束，依据委托代理理论，企业管理层为了自身利益更倾向于进行开发式创新，而避开探索式创新。因此，除了要增加探索式创新的研发资金和研发人员投入，还要有良好的内部控制机制，优化企业的内部治理结构，减少管理层的道德风险，减少资源错配，提高研发效率。

（3） 注重数字化应用与探索式创新的互补性投入，增强企业数字创新能力

加大数字化应用的研发资金投入，如数字技术更新改造相关的研发经费等，搭建数字创新平台，尤其是开采洗选业的资源型企业，更要加大探索式创新投入，根据自身的行业特性制定有针对性的数字化应用方案；重视资源型企业专业技术研发人员和数字技术研发人员的引进和培养，制定高端人才激励政策、优化晋升通道等，吸引资源管理和数字技术等方面的专业人才及跨学科的复合型高端人才，打造专业的数字技术研发团队。