数字经济提升全要素生产率的实证研究——基于深圳对粤港澳大湾区辐射效应

严红梅，徐 灿，2

(1. 中共深圳市委党校，广东 深圳 518034；2. 深圳大学，广东 深圳 518057)

一、引言

近年来,飞速发展的现代信息技术融合人类生产生活新方式，应运而生数字经济新兴业态，正在成为继农业经济、工业经济之后，推动工业高质量发展、经济发展动能转型升级最有效发展模式。基于数字化的信息技术广泛应用(大数据、人工智能、5G等)，以实现优化资源配置的数字经济，已然成为拉动经济高质量发展的新引擎，亦是经济发展新格局下一国综合国力的有利体现。据2019年信通院统计，中国数字经济增加值规模达到35.8万亿元[1]，如果按欧美口径，我国数字经济占GDP的比重高达7.2%。[2]2020年席卷全球的新冠疫情，使本已增速放缓的全球经济进入下行通道，数字经济扮演着重塑全球经济体系、提高综合治理能力和拉动经济增长的关键角色。

大力发展数字经济、推动传统产业升级已上升为国家战略层面。自2017年政府工作报告首次提出“数字经济”以来，数字经济呈现出越来越重要的地位。2019年，政府工作报告提出促进新兴产业加快发展，壮大数字经济；2020年提出全面推进互联网+，打造数字经济新优势；2021年，则“数字经济”和“数字中国”同时出现，并且增加了“数字社会”“数字政府”“数字生态”等内容。[3]习近平主席在二十国集团领导人第十五次峰会上强调，加强数据安全合作，加强数字基础设施建设，为数字经济营造有利发展环境的必要性。

深圳，作为制造业和信息通信产业发展繁荣的“先行示范区”，近年来在数字经济发展上取得了举世瞩目的成效。据统计，深圳市2020年数字经济核心增加值占据GDP比重高达30%以上。在大力发展包括5G、工业互联网、人工智能、云计算、大数据等新基建产业的加持下，数字经济产业迅速壮大，新业态、新应用呈井喷状，为深圳经济稳定、高速增长和平稳转型发展提供了势能。另外，深圳数字经济的发展更是为粤港澳大湾区经济发展注入能量。

数字经济以通用数字技术为核心驱动力，极大程度提高了信息流动的效力，助力迈入新工业革命时代。数字经济的深入发展，能够有效提升遍布产业链每一环的生产要素投入分配效率，实现对市场优化分工协作。相比于传统市场的低效，数字经济高效的融合市场经济，极大程度地减轻了市场扭曲和资源错配，从而能够显著提高全要素生产率。不少学者从要素市场扭曲的角度实证检验了资源配置效率的提高有益于全要素生产率的改善。国家(地区)数字经济的深入发展必然也会提升其生产力(全要素生产率)，但目前尚缺乏此类相关严谨的学术研究成果。基于此，本文采用 2004—2017 年我国市级面板数据(粤港澳大湾区11个城市和北上广),力图给出数字经济发展与全要素生产率的关系的实证检验，不仅有助于科学准确地评估我国不同区域间数字经济发展水平的高低,更为实现我国由工业经济向数字经济发展转型过渡提供重大的理论和实践参考。本文在已有文献上的边际贡献有以下三点：1.扩展了评价数字经济的研究体系和方法，着力于数字产业化这个易于量化评价的角度，运用主成分分析法构建了数字经济发展指数；2.实证检验了数字经济提高生产力的作用机制，丰富了数字经济和全要素生产率的相关影响研究，并否定了中国国情的“索洛悖论”的存在性；3.针对粤港澳大湾区城市群中数字经济可能具有的空间溢出效应，做出了实证检验。

二、文献回顾

数字经济的快速发展引发了国内外学者们的广泛关注，国际上对数字经济的研究经历了从信息经济和互联网经济到数字经济的探索过程。张雪玲和焦月霞通过对数字经济内涵的界定，构建了数字经济发展评价指标体系，运用熵值法与指数法测算2007—2015年我国数字经济发展状况，并着重分析信息通讯基础设施、ICT初级和高级应用、企业数字化、信息和通信技术产业发展之间的关联性。[4]许宪春等系统梳理信息经济、互联网经济、数字经济演变历程，对 2007—2017 年中国数字经济增加值与总产出等指标进行测算，深化了数字经济规模核算框架研究，系统监测了中国数字经济的发展规模与结构，为进一步完善中国数字经济统计核算体系和提出促进数字经济高质量发展的战略措施提供参考依据。[5]刘传明等利用“腾讯互联网+”数字经济大数据平台公布的城市数字经济发展指数数据，采用Dagum基尼系数测度粤港澳大湾区、京津冀、长三角等城市群数字经济发展的地区差距，发现中国数字经济发展的地区差距呈逐渐下降趋势，京津冀城市群数字经济发展的差异远远高于其他城市群，城市群间差异是数字经济发展差异的主要来源。[6]杨慧梅等从数字产业化与产业数字化两个维度，采用主成分分析法构建了数字经济发展水平的指标体系，并利用2004—2017年我国省际面板数据，研究发现数字经济发展显著促进了全要素生产率的提升。但较之高生产率地区和东部地区，数字经济发展对低生产率地区和中西部地区全要素生产率的提升作用更大，研究强调人力资本投资与产业结构升级是数字经济影响全要素生产率的两个渠道。[7]邱子迅等基于国家级大数据综合试验区，采用广义 DID模型，对2013—2017年中国地级市面板数据进行研究，发现大数据试验区的建立显著提高了区域全要素生产率，这种促进是由纯技术进步主导的。同时试验区的建立有助于增加区域和数字产业有关的创新，提升区域内部制造业企业的智能化意识和研发水平。异质性研究发现，试验区对生产率的提高作用在经济欠发达地区、创新水平较低的地区和产业结构较高的地区表现更强。[8]

综上所述，关于数字经济相关研究尚处于起步阶段，很多点有待深挖，其中尤以数字经济与全要素生产率之间是促进还是抑制的相关研究尚得不到定论。机制方面，当前文献鲜有刻画数字经济促进技术进步的理论机理，影响机制不明朗。实证方面，部分文献倾向于构建宏观理论模型，完成数字经济相关的技术进步和投资拉动经济增长的机制刻画，并通过微观数值模拟进行二次验证，但缺乏对相关问题的中观层面研究。

三、机理分析

全要素生产率(Total Factor Productivity，TFP)向来是宏观经济发展领域的研究热点问题，无论是学界还是业界均予以高度关注。相比于诸如 GDP、GNP 这种经济增长数量的指标，全要素生产率则能更好地反映出人力资本质量、企业技术和管理模式、地方产业结构等象征经济增长质量的元素变化，逐渐发展成衡量宏观调控政策有效性的重要指标。究其本质，全要素生产率衡量的是国家(地区)在一定时间内发展经济所取得的综合成效，其反映技术发展对经济的拉动作用。另外，TFP的异质性则体现国家地域间经济发展水平。我国正经由经济高速增长转向高质量发展的关键时点，逐渐淡化以GDP、GNP等增长率作为唯一硬性的衡量指标。而党的十九大报告首次提出推动经济发展质量变革，提高全要素生产率的迫切要求。[9]标志着国民经济发展有了新的理念和思路，通过优化生产布局等手段全面提高全要素生产率。

当前，我国尚且处于技术更新迭代的新工业转型初期，数字经济飞速发展引领经济结构实现“再工业化”转型升级。全要素生产率提升伴随着工业化结构调整，工业互联网倒逼产业的价值链重组，为产业进一步提升效率，驱动新的产业崛起。而数字经济对全要素生产率的提升直接表现为对纯技术进步的促进作用。纯技术进步代表了不同时期生产边界前沿的推移程度，表现为要素投入产出的最优配比。一项新技术的诞生，和因其衍生出的全新的应用情景、模式会共同促进纯技术进步发展。个人层面，数字信息资源的生产、加工、传导和迭代过程中，相关人力资源要素得以积累和提高。企业层面，以数字技术进步整合产业链，激活企业生产服务效能，全方位提升服务质量。推动企业数字化应用，更为企业开辟相关多元化的商业模式提供技术便利，诸如加速在线教育、智慧城市、无人驾驶、人工智能等新业态充分发展，充分释放数字红利。需求端层面，数字经济则植根于现代人类日常生活的方方面面，并通过不断地升级迭代形成和拓展海量的线上线下的服务需求。数字经济的飞速发展则迅速拉动产业上下游新型基础设施的建设需求，同时5G网络更能促进工业互联网、人工智能等产业发展共生共荣。效率层面，数字经济通过技术进步极大地提升了市场透明度，降低了双方交易成本，促进了国际资源供给和需求方的匹配效率。具体作用机制如图1所示。

图1 数字经济发展促进技术进步的机制分析

四、数字经济发展指数构建

目前测算数字经济有两种主流方法：(1)倾向运用传统的统计方法对某一范围内的数字相关的经济活动的总体规模进行测算；(2)通过多重指标测算法来对比分析出不同区域数字经济发展状况的相对位置。近年来，国内外不少研究机构(美国国家商务部、欧盟经济咨询委员会、中信通以及腾讯研究院等)，运用此类方法对不同国家和地区的数字经济产业规模和发展状况进行测算，出具了相关的数字经济发展成果。但值得注意的是，这些研究测度成果均存在较大差异。比如，针对数字经济规模占比GDP比重的测算，美国、欧洲等国2017年的比重为5.5%～8.9%，而信管院给出中国的数字为32.9%，相去甚远。腾讯研究院采用欧美近似的指标体系和测算方法，得出中国数字经济占比为7.2%，便于对比分析。测算结果不一致的主要原因在于指标的选取不一致以及选取数据来源不够稳定。

根据国家统计局最新公布的《数字经济及其核心产业统计分类(2021)》中关于数字经济范围的划分标准，数字经济最直观有效的两个指标特征为数字产业化和产业数字化。数字产业化具体包括数字产品相关的制造业、服务业、技术应用业、要素驱动业四大类。而产业数字化部分则表现为数字化效率提升产业，是指应用数字技术和数据资源为传统产业带来的产出增加和效率提升，是数字技术与实体经济的融合，体现了数字技术已经并将进一步与国民经济各行业产生深度渗透和广泛融合。值得注意的是，从统计学的角度出发很难对产业数字化进行精准衡量，其倾向于描述产业数字化后技术升级导致生产力提高的状态。所以在对产业数字化进行测算的过程中，关键在于甄别出数字技术对其所在行业带来的贡献是因果还是相关关系，估算方法的不同、数据的差异均是导致数字经济对经济发展贡献率测算结果相去甚远的客观原因。实际操作中只能采用模型估算的方法，极易受到人为因素影响。

基于此，本文从“数字产业化”这个易于进行统计分析的特征出发，运用改进后的距离综合评价法来构建数字经济发展指数，并以此衡量粤港澳大湾区城市群的数字经济发展状况。该方法作为一种多元统计分析方法，通过计算每个评价对象与参考点的距离，对备选方案的整体效果进行综合分析、比较和权衡，然后利用变异系数法确定各指标的权重，能够有效避免主观随机因素的干扰的同时降低研究变量在量纲上的差别影响。

(一)指标选取

本文参考《中国数字经济发展与就业白皮书(2021年)》中关于数字经济相关产业发展的分类标准，并综合考虑数据来源的可获得性，将数字经济进行分类为：(1)ICT相关制造业；(2)ICT相关服务通信水平；(3)ICT配套的软硬件发展规模。具体见表1。

表1 数字经济(数字产业化发展指标)

(二)测算结果

为了直观比较分析国内不同城市的数字经济发展水平，采用选择距离综合评价法来得出发展指数，并对结果进行标准化处理，结果介于 0～1 之间。具体过程如下：为了优化各项指标最终的比较效果，选择对评价矩阵X=(xij)n*m进行统一方向及无量纲归一化处理，使其结果能够介于0～1之间：

对于每个i(i=1,2,…,n) ，取：Mi=max{xij|j=1,2,…,p}i (i=1,2,…,n)；mi=min{xij|j=1,2,…,p}i (i=1,2,…,n)。

如果第i个指标是正向指标(越大越优)，则取：

(1)

如果第i个指标是逆向指标(越小越优)，则取：

(2)

如果第i个指标是最佳区间指标(越接近区间 [a，b]越优)，则取：

(3)

于是转换后的矩阵Y=(yij)n*p已满足优劣方向统一(越大越优)及归一化。篇幅所限，权重的选取计算过程在正文省略，另外为了方便比较对分析结果进行标准化处理，结果如图2所示。

图2 2017年四大一线城市及粤港澳大湾区城市数字经济发展指数

如图2所示，广东的数字经济发展水平处于国内的第一梯队。深圳位列四大一线城市之首，北京、上海、广州位列其后，排名契合了上文提到的深圳的数字经济产值排名国内第一的客观现实。一线城市的数字经济发展水平是远超其他城市，凸显我国数字经济发展的失衡问题，应引起相关重视。

另外，深圳引领粤港澳大湾区数字经济发展，湾区不同城市间数字经济发展水平参差不齐，广州和香港暂列发展的第二、三名，与深圳的差距较大，呈现出与GDP不同的差距水平。值得注意的是，2017年深圳的GDP才刚刚和香港的持平，数字经济发展却已经远远超过香港，也侧面反映出深圳经济的产业结构优于香港。那么，基于以上客观事实，提出两点假设：(1)粤港澳大湾区的数字经济发展对全要素生产率有显著的提升；(2)深圳市的数字经济发展会辐射和带动其他周边城市的生产力水平，对其有正向的影响。下文将实证验证以上假设。

五、实证模型、变量和数据说明

(一)模型设定

基准回归选择OLS模型，以此分析粤港澳大湾区数字经济发展对全要素生产率的影响，公式表示如下：tfpit=α+βdigilizeit+λXit+βit+εit

(4)

其中，i代表大湾区各地级市，t表示年份，被解释变量tfpit表示各市的全要素生产率，digilizeit表示各市数字经济发展水平(数字化程度)，Xit设置为影响数字经济发展的控制变量。对实验过程中数据进行对数化处理，降低异方差导致的统计误差。同时也应该考虑到区域地理位置、要素禀赋以及经济结构的差异等，本文选择加入区分不同城市的固定效应βit予以解决。εit则反映随机干扰。

(二) 数据说明

受限于数据的可得性和时效性，本文所用数据为 2004—2017 年中国市级面板数据(包括北京、上海和粤港澳大湾区11个城市群)。数据主要来自于中国城市统计年鉴、各市级统计年鉴、中国人口和就业统计年鉴、中国信息年鉴、中国信息产业年鉴、CNNIC 年度统计报告、WIND 数据库、EPS 数据库。

(三)变量测量

1.全要素生产率。采用malmquist指数法进行测算全要素生产率，其作为一种比较合适的计算宏观中观单位(国家、省、地级市)全要素生产率并将其分解为纯技术进步和技术使用效率的方法。[10]经济产出为地级市名义GDP，设定2003年为基期，并通过GDP平减指数进行处理得到实际GDP值。投入变量包括地级市的固定资本存量和城镇就业总人口。资本存量Kt采用戈德斯密斯开创的永续盘存法计算，具体参考公式(2)。其中，It是固定资产投资完成额，Pt反映资产的价格，δ是折旧率。采用剔除通胀后的实际GDP，并且所有数据均通过季节调整。

Kt=It/Pt+(1-δ)Kt-1

(5)

2.控制变量。控制变量的选取，考虑到通过数字经济相关产业来影响企业和地区全要素生产率的影响因素，例如本地互联网化程度必然会影响其全要素生产率发展水平。本文选择将工业化程度、互联网化程度、信息化水平以及服务产业化水平作为工具变量纳入到回归模型中。具体变量的计算范式和描述性统计结果如表2所示。

表2 变量描述性统计

六、结果分析

(一)基准回归

回归结果如表3所示，对比列(1)、(2)呈现出加入控制变量前后的回归系数差异。首先来看初步通过普通OLS法对公式(4)进行回归，实证分析数字经济发展对全要素生产率的影响。如表3中第(1)列所示，数字经济有利于全要素生产率的提高，表现为系数为0.241，但未能通过10%的显著性检验。实证结果表明，数字经济对全要素生产率的提升效应并不明显，虽然系数为正，但不显著。那么引入时间固定效应βit来控制整体经济环境的影响，具体结果如(2)所示，系数仍然为正，但满足5%的显著性，说明控制了固定时间效应后，数字经济对全要素生产率的影响显著为正，两者间存在显著的正相关关系。直观而言，市域的数字经济发展水平提高1%，其整体的全要素生产率提高0.415%。

表3 基准回归

(二)工具变量回归

普通OLS回归可能因为存在遗漏变量、测量误差等原因导致内生性问题，选择引入工具变量法提高模型回归结果解释力。工具变量，力图识别出一个跟误差项不相关，但是跟内生变量高度相关的变量，从而得到一致估计。针对不同地域城市间存在的制度差异和企业规模导致异质性和可能存在的双向因果关系，以及广泛存在的难以刻画的遗漏变量等纰漏问题，本文选择引入工具变量集Xit(工业化程度、互联网化程度、信息化水平和服务产业化水平)予以解决。选取工业化程度和服务产业化水平的原因在于这两者是区别发达和发展中国家的两个重要指标，工业化程度和服务产业化水平越高，国家越繁荣。加速人类发展历程的关键因素是工业化发展，成功的工业化是衡量一个国家繁荣富强的重要指标。当前全球经济发展仍处在工业化不断发展的加速时代。而新中国开启的社会主义工业化进程发展近年来在深刻拉动自身经济发展的同时，也为后发展中国家提供了新的工业化经验，通过“一带一路”建设促进沿线国家产业升级。数字经济发展对服务产业化的提升也是显而易见，当前全球服务贸易如火如荼的发展，但占比仍未超过货物贸易，数字经济能够改变传统贸易形态，从而丰富全球服务贸易内容。选择互联网化程度、信息化水平主要是出于数字经济的底层载体是信息网络的考虑。中国互联网飞速发展的奇点是从电话拨号上网开始的，中间途经几次重大宽带提速到最新的4G网络全面铺开。互联网的普及水平跟数字经济的发展是高度相关的，两者同根同源。

表4显示了加入工具变量后，相较于基准OLS回归的结果。结果显示，即便是考虑到内生性问题，数字经济对全要素生产力的影响依旧表现出显著的正向冲击，即数字经济能够显著地提高全要素生产率。另外值得注意的是，加入了工具变量后，模型回归结果的显著性进一步提高，其中互联网化程度、信息化水平以及服务产业化水平均对全要素生产率产生了显著的正向影响，这也从侧面证实了数字经济提升生产力的作用机制。

表4 工具变量回归

(三)稳健性检验

为了确保本文的实证结果的准确性，对上述回归分析的稳健性进行检验十分必要。考虑到2016年以来国内供给侧改革对国内产业链的一系列重塑的影响，数字经济产业也进行调整和升级。供给侧数字化改革指明了数字经济发展的关键方向，即数字经济发展需贯穿全球产业链的每一个环节，完成产业链的全面数字化升级。那么，基于供给侧改革前后数字经济的发展状态必然呈现出不同的差异的客观事实，引入虚拟变量policy，policy=1表示为“供给侧改革政策颁布后”，policy=0的表示为“供给侧改革政策颁布前”。最后回归结果显示，policy的系数不显著，没有拒绝10%的原假设，则平行假设成立，从侧面印证了前文的实证结果的稳健性。

(四)空间效应回归分析

当前全球经济发展的趋势是不同地区、城市间的要素流动愈发频繁，经济活动联系愈发紧密。在关于全要素生产率的研究中，鲜有讨论城市群中不同区域间生产力的溢出影响。一个显著的经济学直觉是，随着不同区域间的交互作用日渐显现，生产力高的城市可能会对生产率低的城市产生一定的拉动作用，即产生空间自相关效应。另外，数字经济依托于现代化信息技术网络，具有天然的快速融合、渗透等特征，相较于传统生产资料，数字经济更易于突破地理空间和距离的局限，助力不同生产要素的跨区域流动和合作。针对这一特有的不同区域间生产力空间纬度的溢出效应，本文运用空间计量方法进行实证检验，能够有效避免传统一般面板回归中的测量精度失准问题。

进行空间效应回归分析的难点在于构建空间权重矩阵。粤港澳大湾区城市群互联互通，经济活动联系紧密，因此采用城市级别的人均GDP差额来构建空间权重矩阵，以反映地区间的空间距离。回归前需要进行的Moran′sI指数检验，结果为0.621***(受篇幅所限，计算过程请联系作者索取)，并通过了1%的显著性检验。检验结果表明严格拒绝原假设，即粤港澳大湾区数字经济发展和全要素生产率之间存在空间自相关关系。

基于LeSage和Pace[11]设定的无偏性的空间杜宾模型估计，构建如下空间计量分析：

tfpit=α+ηWtfpit+βdigitalit+κWdigitalit+∂Xit+εit

(6)

其中，W表示为空间权重矩阵，Wdigitalit和Wtfpit分别为数字经济和全要素生产率的滞后项。基于上述逻辑，将数字经济对全要素生产率的总影响拆解成直接和间接效应影响。值得注意的是，这里间接效应衡量的是空间溢出效应，特指深圳地区的全要素生产率对粤港澳大湾区其他城市的辐射影响。结果如表5所示，数字经济对全要素生产率的直接和间接影响都为正，而且间接影响比直接影响的系数还要大，换句话说，深圳市的数字经济对粤港澳其他城市具有十分显著的辐射效应，存在显著且巨大的溢出效应。

表5 空间计量结果

七、结论与启示

本文基于2003—2017 年以来粤港澳大湾区的市级面板数据，构建数字经济发展指数，横向对比了不同城市数字经济发展水平，并剖析数字经济促进地区生产力发展的作用机制。由此，本文得出以下结论：

1.数字经济有利于全要素生产率的提高，数字经济发展能够显著地提升当地的生产力水平。

2.不同城市的数字经济发展水平具有异质性。以国内主要城市为例，广东的发展水平领跑其他省份，其中深圳的数字经济发展水平位列四大一线城市之首。

基于此，提出以下政策启示：

首先，全力建立健全数据要素市场以提升全要素生产率。数字经济将技术创新和产业发展进行融合，突破了传统生产要素的桎梏，更新了物联网、云计算等新业态的落地，提高了经济发展的韧性。数字经济已然成为未来全面提升全要素生产率的有利手段和重要动力。应加快数字经济基础设施(5G基站、人工智能、区块链等)的建设，进一步加速数字技术在实体经济发展的应用和落地，扩大数字技术与传统产业的融合发展。精准定位现行数字技术中存在的行业症结，进行集中攻克，尤其是集中攻坚工业芯片、量子通信等中的算法核心技术，尽早实现自主研发，孵化一批在技术上占据全球上游甚至顶端的龙头数字经济企业，起到全行业的示范作用。

其次，大力发挥数字经济的辐射带动作用,构建区域间协同发展网络体系。面对我国不同区域和城市间数字经济发展失衡的客观事实，需加大相关落后地区的ICT基础设施建设力度，积极引导数字经济发达地区向欠发达地区进行数字资源的倾斜和扶持，着力解决数字经济区域发展失衡问题。