数字化转型与服务业全要素生产率※

郭慧芳 王宏鸣

内容提要：随着中国进入服务经济时代，提升服务业生产率，缓解“成本病”已成为实现经济高质量发展的重要路径。基于2008-2019年沪深A股服务业上市公司数据，在借助Python爬虫技术和文本挖掘技术定量测度数字化转型程度的基础上，实证检验了数字化转型对服务业全要素生产率的影响及其内在机理。结果显示，数字化转型可以显著提升服务业全要素生产率，并且对非国有企业、生产性服务业全要素生产率的提升作用更大。从地区异质性来看，数字化转型对中西部地区企业全要素生产率的提升作用大于东部地区。机制检验表明，数字化转型能够通过增加研发投入和优化人力资本结构两个渠道促进服务业全要素生产率提升。这一研究结论为供给侧改革下推动服务业发展动能转换、实现经济高质量发展提供了有益借鉴。

一、 引 言

改革开放以来，服务业在国民经济中所占比重持续上升。2012年服务业增加值占GDP的比重首次超过制造业；2015年服务业增加值占GDP的比重超过50%，成为中国经济发展的第一大产业。随着经济增长的驱动力由制造业转向服务业，中国已经迈入服务经济时代(陈明和魏作磊，2018)。然而，服务业在效率尚未提升的同时，成本却不断增长，一些行业已经较为明显地出现了“成本病”特征，制约了总体经济的增长速度，给经济高质量发展带来了一定程度的负面效应。因此，如何有效提升服务业生产率，从而打破“服务经济时代是低增长时代”的“魔咒”，已经成为供给侧结构性改革视角下推动服务业高效优质发展以及实现经济高质量发展的突破点和落脚点。

近年来随着人工智能、大数据、区块链、云计算等新兴数字技术在社会各领域的全方位渗透，数字化转型已经成为实现经济高质量发展的重要抓手(许宪春等，2021)，同时也为提升服务业生产率、克服“成本病”难题提供了一个可行的研究视角。数字技术的广泛应用使服务业在消费、生产和流通等各个环节都产生了极为显著的规模经济，在很大程度上正改变着服务业生产效率低这个基本特征，特别是对于可复制的文化类、信息类服务业尤其如此。在此现实背景下，本文从理论和实证层面对数字化转型影响服务业全要素生产率的内在机制和路径进行的深入剖析，是回答数字化是否能够帮助走向服务经济时代的中国经济打破低增长“魔咒”的关键，对以数字化赋能服务业实现中国经济的高质量发展具有重要的理论及现实意义。

二、 文献综述与理论分析

1. 文献综述

关于服务业生产率的研究一直是国内外相关领域学者关注的重点，自 Baumol(1967)提出服务业劳动生产率相对较低，存在“成本病”问题后，国内外不少学者从不同角度对服务业劳动生产率进行测算，验证服务业是否真的存在“成本病”问题。Triplett和Bosworth(2003)从要素投入以及信息技术应用的角度对美国服务业劳动生产率进行了测算，认为服务业的“成本病”已被治愈。陈梦根和侯园园(2021)测算了中国国民经济中各行业的劳动生产率，认为虽然服务业部门的劳动投入持续增加，但是产出和劳动生产率却增长缓慢。还有部分学者研究了创新(Peters等，2018)、新基建(尚文思，2020)在提升服务业劳动生产率方面的积极作用。服务业全要素生产率也是学者关注的重点，现有文献研究了环境(庞瑞芝和邓忠奇，2014)、城市化水平(赵爽和李春艳，2017)、FDI技术溢出(周文博等，2013)等因素对服务业全要素生产率的影响，以及服务业全要素生产率存在的行业和区域异质性(夏杰长等，2019)，认为总体上服务业全要素生产率有上升趋势。

随着数字经济的蓬勃发展，学者开始关注互联网、信息通信、自动化等数字技术对经济增长(Aghion等，2017)、生产率(Acemoglu和Restrepo，2018)以及工资差异(Acemoglu和Restrepo，2019)的影响及内在机理。虽然不少国内外文献已经关注到了数字技术的应用给生产率带来的影响，但是将研究对象聚焦于服务业的文献相对较少。徐鑫和刘兰娟(2014)的研究肯定了数字技术及数字化转型在推动传统服务业向现代服务业转型过程中的积极作用，进而帮助服务业克服“成本病”问题。此外，还有一些学者分析了数字化在优化服务供需、提升资源配置效率(Peters等，2018)，改变服务业特征以及赋予服务业规模经济、范围经济以及长尾效应的特征(江小涓和罗立彬，2019)等方面存在的优势。显然，这些学者已经认识到了数字化在提升服务业生产率，缓解“成本病”方面的积极作用，但是这些研究多停留在定性分析上。虽然也有部分学者从定量角度来分析数字技术对服务业生产率的影响，但是这些研究多集中于信息通信技术的应用在改变服务业特征、缩小服务业从业者的收入差距(张龙鹏和周笛，2020)，降低服务业的交易成本、推动服务业转型(伏开宝和陈宪，2021)以及提升服务业生产率方面的优势与作用；还有一些文献从信息通信技术带来的规模经济、范围经济以及技术创新(陈剑等，2020)等视角分析信息技术的应用在提升服务业全要素生产率方面发挥的积极作用。

通过梳理既有文献发现，关于数字化转型或数字经济对服务业生产率影响的文献多为定性分析，定量分析相对较少，并且主要集中于分析信息通信技术的应用对服务业生产率产生的影响，并未构建一个全面的综合性指标来表征企业的数字化转型程度。不仅如此，现有研究大多是基于行业或城市层面的数据进行分析，鲜有文献将研究视角下沉到微观企业。对此，本文可能的边际贡献在于：第一，将数字化相关指标引入企业的生产函数，通过建立理论模型来分析数字技术通过对资本和劳动的深化效应进而提升服务业生产率的内在机理。第二，利用上市公司年报中披露的相关经营战略和决策构建了衡量企业数字化转型程度的综合指标，为企业数字化转型这一行为变量的定量测度难题提供了一个解决方案。第三，通过厘清数字化转型对服务业企业生产率的影响机理，为数字化转型缓解服务业“成本病”以及“经济结构性减速”提供了微观证据。

2. 理论分析

本文以Acemoglu和Restrepo(2020)构建的模型为基础，从数字化转型对资本深化以及对劳动投入结构两方面的作用来分析数字化转型影响服务业全要素生产率的传导机制。在此基础上本文构建如下理论模型进行分析。

假设：最终产品市场是完全竞争的，最终产品价格标准化为1，且最终产品的生产是由M个环节x组成的，令T表示环节x的集合，即x∈T。将最终服务业产品的生产函数设为关于不同环节的CES型函数：

(1)

其中，λ>0，表示不同环节之间的替代弹性。

每一环节都需要投入劳动(l)和资本(k)，本文将劳动分为高技能劳动lh(x)和低技能劳动ll(x)。假设每一环节的产出y(x)可写为：

y(x)=ψl(x)ll(x)+ψh(x)lh(x)+ψk(x)k(x)

(2)

其中，ψj(x)≡Ajγj(x)表示环节x中每种投入(lh,ll,k)的生产率。

(3)

其中，

分别表示在产品的生产过程中高技能劳动和低技能劳动所占的比重。

将SBTC模型(1)在该模型中，技术变革表现为增加要素投入的形式，技术变革对高技能工人生产率的提升效用大于其对低技能工人生产率的提升效用。在最常见的版本中，技能需求的变化可以表示为：dln(wLl/wLh)=-(1/σ)dln(Lh/Ll)+((σ-1)/σ)dln(ALh/ALl)。的相关结论运用到本文模型中，可得：

(4)

利用市场出清条件，可以分别计算出资本在总产出中所占的比例sK=K/Y，以及劳动在总产出中所占的比例sL=L/Y，其中L=Ll+Lh。

(5)

(6)

同时，劳动在总产出中所占的比例(sL)可分解为高技能劳动在总产出中所占的比例(sh)和低技能劳动在总产出中所占的比例(sl)，即：sL=sl+sh

(7)

(8)

假设最终产品市场是完全竞争市场且规模报酬不变，则：

Y=wLl·Ll+wLh·Lh+K

(9)

对(9)式两边取对数并进行全微分可得：

(10)

由(10)式可知，数字化转型带来的劳动投入结构以及资本投入的变化最终都会影响到企业的全要素生产率，并且数字化对劳动以及资本的正向影响也会对企业全要素生产率的提升产生正向的冲击。本文还将进一步具体分析数字化转型带来的资本深化效应和劳动深化效应对企业全要素生产率的内在影响机制。

在完全竞争均衡中有∂lnY/∂lnK=sK，故(10)式可化简为：

dlnTFP=sl·dlnwLl+sh·dlnwLh

(11)

(1) 数字化转型对资本的深化作用。为了推进数字化转型，企业相应地需要增加资本投入，一方面是用于建设信息通信技术、人工智能、自动化等数字基础设施；另一方面是用于研发创新活动。基础设施建设是一个“资本广化”的过程，而研发创新则是一个“资本深化”的过程。换句话说，如果企业仅通过单一地引进数字化设备、智能管理系统、自动化流水线等数字基础设施，而不做相应的劳动、资本、管理等配套设施调整，那么由此带来的全要素生产率提升是有限的，而在数字基础设施建设的基础上加大研发创新活动可以更好地激发数字化在提升全要素生产率方面的潜能。企业通过研发创新活动可以不断提升自身的研发能力以及企业劳动、资本等生产要素与数字化协同耦合的能力，进而充分激发并释放数字化转型在提升企业全要素生产率方面的潜能。

假设企业的数字化转型对企业的资本投入产生一个正向的深化效应A(既可以体现为企业资本总投入的增加，也可以体现为研发投入的增加，在本文的实证部分主要以研发投入为主进行分析)，即ψk(x)>0。由此带来的企业全要素生产率的变化可表示为：

(12)

(12)式是将(3)式至(8)式代入(11)式化简求得。

此时，劳动份额sL会相应地减少，即：

(13)

(12)式和(13)式表明由企业的数字化转型带来的资本深化效应一方面对企业全要素生产率产生了一个正向冲击，提高了全要素生产率；另一方面还会影响到企业的劳动投入，减少了劳动投入份额，改变要素投入之间的关系。

(2) 数字化转型对劳动投入的影响。企业的数字化转型使那些从事常规性、易于自动化工作的低技能劳动力面临着被智能机器人、自动化流水线取代的风险，减少了企业对低技能劳动力的需求。但同时数字化转型也会创造出一系列高技术岗位，增加对具备一定科研能力的高技能劳动力的需求，如人工智能以及机器人的应用要求企业配备相应的管理和操作等高技能劳动力。一方面，高技能劳动力所具备的分析、协调能力可以充分挖掘并发挥数字化在提升全要素生产率方面的潜能；另一方面，数字化反过来又可以赋能劳动力，提升劳动力的工作效率，进而提升全要素生产率。

服务业作为一种劳动密集型行业，劳动要素质量与其生产率高低存在着密切联系，相较于低技能劳动力，高技能劳动力在提升企业全要素生产率方面发挥着更大作用。数字化转型通过增加企业对高技能劳动力投入进而影响企业全要素生产率这一机制路径可以通过如下公式表示。

假设企业在推行数字化转型过程中对高技能劳动力的需求增加了Ν,则企业全要素生产率会发生如下变化：

(14)

劳动份额sL会相应地增加：

(15)

(14)式和(15)式表明，随着企业在数字化转型过程中增加了对从事脑力劳动以及复杂工作的高技能劳动力的需求，企业的全要素生产率得到了提升。

综上，本文提出以下研究假设：

假设H1：数字化转型能够提升企业全要素生产率。

假设H1a：企业通过数字化转型对资本的深化效应提升全要素生产率。

假设H1b：企业通过数字化转型增加对高技能劳动力的投入进而提升全要素生产率。

三、 研究设计

1. 模型设定

为了进一步从实证角度探究数字化转型对服务业企业全要素生产率的影响，本文建立如下面板模型：

Tfpit=α0+α1Digtit+α2Xit+μi+δj+λt+εit

(16)

其中，i表示企业，t表示时间；Tfpit为被解释变量，即企业全要素生产率；Digtit为核心解释变量，即数字化转型程度；Xit为一系列其他控制变量；μi表示企业个体效应，δj表示行业效应，λt表示年份效应，εit为随机误差项。

2. 变量测度与说明

(1) 被解释变量：全要素生产率(Tfp)。参照鲁晓东和连玉君(2012)、杨汝岱(2015)的做法，在服务业全要素生产率的测算方面，本文主要选择Levinsohn和Petrin(2003)的方法(LP方法)来进行测度，并在稳健性检验部分使用OP方法和OLS方法测度。

(2) 核心解释变量：数字化转型程度(Digt)。企业对某一特定战略导向的重视程度往往可以通过该战略涉及的关键词在年报中出现的频率来反映(吴建祖和肖书锋，2016)。对此，本文采用Python爬虫技术爬取和整理沪深A股上市公司的年报文本，并通过Jieba功能提取数字化转型的关键词。在关键词的选择上，本文借鉴吴非等(2021)的研究(2)吴非等(2021)在借鉴经典学术文献、重要政策文件和研究报告的基础上，进一步扩充了数字化转型的特征词库。，将企业数字化转型细分为底层技术与实践应用两个维度(详见表1)。在此基础上，本文进一步提取出相应关键词前后30个字，剔除关键词前存在“没”“无”“不”等否定词语的表述，最后将两类词频加总得到总词频，从而构建刻画企业数字化转型程度的指标体系。考虑到这类数据“右偏性”特征明显，本文将其进行对数化处理。

表1 企业数字化转型关键词提取

(3) 控制变量。借鉴已有相关研究，本文主要选取以下变量来克服遗漏变量对估计结果产生的干扰：企业规模(Size)，企业人均资产的自然对数值；资本密集度(SD)，企业总资产与营业收入之比；企业年龄及其平方项(Age、Age2)，样本年份与企业成立年份差值的自然对数；总资产收益率(Roa)，净利润占总资产的比重；净资产收益率(Roe)，净利润占净资产的比重；财务杠杆(Lev)，资产负债率，即总负债与总资产之比；流动比率(Liq)，流动资产占总资产比重；两职合一(Merge)，董事长和总经理两职合一为1，否则为0；股权集中度(Stock)，第一大股东持股比例。

3. 数据来源与样本处理

本文选取2008-2019年沪深A股服务业上市公司作为研究样本，原始数据均来自国泰安(CSMAR)和Wind数据库，上市公司年度财务报告文件来自于巨潮资讯网。为准确分析数字化转型对企业全要素生产率的影响，本文对该数据进行了如下处理：第一，剔除金融类企业；第二，剔除ST类和期间退市的样本；第三，剔除相关财务数据严重缺失的样本；第四，为降低异常值干扰，对所有企业层面的连续变量进行双边1%的缩尾(Winsorize)处理。表2汇报了各变量的描述性统计结果。

表2 变量的描述性统计

四、 实证检验

1. 基准回归结果

表3汇报了数字化转型影响企业全要素生产率的总体检验结果。其中，列(1)、(2)为混合OLS估计结果，列(3)、(4)为面板固定效应估计结果。可以发现，无论是否纳入控制变量集，核心解释变量数字化

表3 数字化转型影响企业全要素生产率的实证结果

转型程度的系数均在1%水平上显著为正，说明数字化转型可以显著提升企业全要素生产率，即本文的假设H1成立。企业在数字化转型过程中，通过数字技术应用一方面优化了现有生产流程、提升了资源配置效率，提高了产出；另一方面增加了对具备操作、管理能力的高技能劳动力的需求，同时减少了对那些从事简单性、重复性工作的低技能劳动力的需求，进而提升了企业劳动生产率和全要素生产率。由此可见，企业数字化转型在提升服务业全要素生产率、缓解“成本病”方面发挥了积极作用。

从控制变量看，规模较大、成立时间较长、总资产收益率较高、净资产收益率较高、财务杠杆以及股权集中度较高的企业，其全要素生产率相对较高，这与现有研究认为的企业数字化转型需要相匹配的人力、物力及管理能力的结论相吻合。董事长和总经理两职合一的企业其全要素生产率相对较低；而流动资产占比对企业全要素生产率的提升效应没有通过显著性检验。

2. 异质性分析

(1) 企业异质性。为了考察企业自身的微观特征，如所有制属性、行业属性是否会对全要素生产率产生影响，本文将根据所有制属性和行业属性对样本企业进行分组回归。首先，根据所有制属性将样本分为国有企业和非国有企业；其次，根据服务业的行业特性将样本分为生产性服务业和生活性服务业。

从表4列(1)、(2)可以看出，数字化转型对企业全要素生产率的提升作用并未因为企业的所有制属性而发生根本性转变。分组回归的结果表明，数字化转型对企业全要素生产率的影响均显著为正，但是数字化转型对非国有企业全要素生产率的提升作用更甚。究其原因，可能是相对于国有企业，非国有企业的组织形式、管理模式更加灵活，更有利于激发数字化在提升服务业生产率方面的潜能。列(3)、(4)考察了生产性服务业和生活性服务业全要素生产率受数字化影响程度的差异。研究发现，数字化对生产性服务业和生活性服务业的全要素生产率都具有显著的提升作用，但是相对于生活性服务业来说，生产性服务业全要素生产率对数字化转型更敏感。造成这一结果的原因可能是，相对于生活性服务业，生产性服务业的生产过程更加规模化和标准化，如交通运输、仓储等行业更易于实现规模化和标准化生产，而这些特征对数字技术的应用更有利，对激发数字技术在提升全要素生产率方面的潜能更有效。

(2) 地区异质性。基于不同地区在地理位置以及资源禀赋方面的差异而导致的各地区在经济发展水平、数字化程度等方面的差距，进而导致同一行业不同地区的企业对数字化转型产生不同反应，本文将总体样本划分为东部和中西部(3)东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南等11个省市，其余省市为中西部地区。两个子样本，用以考察数字化在提升企业全要素生产率方面存在的地区差异性，具体结果见表4列(5)和(6)。可以看出，虽然企业的区位因素并不会从根本上改变企业的数字化转型对其全要素生产率有显著的促进作用这一事实，但是却会影响到数字化对企业全要素生产率提升作用的大小。相较于东部地区，中西部地区更能激发数字化在提升企业全要素生产率方面的潜能。原因可能在于，东部地区无论是在经济发展水平、基础设施建设还是在技术投入方面都具有相对优势，并且东部地区的数字化进程要远远快于中西部地区，使得数字化技术的广泛应用在东部地区带来的边际效用相对较小；而中西部地区经济发展水平相对落后，数字化进程相对较慢，基础设施以及资源配置效率都相对较低，故对于企业来说由于外部条件的限制，其生产潜能无法完全释放，而随着数字化推进，数字技术得到广泛应用和普及，为企业发展提供了充足的信息资源，缓解了企业发展过程中存在的信息不对称问题，降低了企业的交易成本，提升了劳动者的技能，这些都对企业全要素生产率的提升起到了极大的促进作用，使得数字化在提升中西部企业全要素生产率方面处于边际效用递增阶段。

表4 异质性分析

3. 稳健性检验

(1) 内生性问题。企业全要素生产率与数字化转型可能存在反向因果关系，即全要素生产率提升是数字化转型的原因而非结果，从而导致模型中出现内生性问题。对此，本文主要从以下两方面入手来解决这一问题。第一，考虑到企业数字化转型的影响可能存在时间滞后性(吴非等，2021)，本文将核心解释变量分别滞后1期和滞后2期后重新进行回归，结果见表5列(1)和(2)，数字化转型的系数均至少在10%水平上显著为正。第二，选取适当的工具变量，这是处理内生性问题的常用策略，本文参考Benkmasr等(2015)的做法，选取同一年度、同一行业内其他企业的数字化转型程度的均值作为工具变量。根据Stock和Yogo(2002)关于弱工具变量的检验，列(3)显示的第一阶段回归结果中的F值大于10%水平上的临界值，且工具变量对数字化转型的回归系数均在1%的水平上显著，较好地证明了不存在弱工具变量问题。另外，识别不足检验统计量Kleibergen-Paap rk LM的p值为0，拒绝原假设，即通过了工具变量识别不足的检验。列(4)是第二阶段的回归结果。结果显示，考虑内生性问题后，数字化转型对企业全要素生产率的回归系数仍显著为正，这一结果更好地印证了表3

表5 内生性检验

基准回归分析的结果，表明本文结论具有稳健性。

(2) 更换关键变量。第一，更换被解释变量。本文进一步采用OP和OLS两种方法对企业全要素生产率进行重新测度，结果见表6列(1)和(2)。可以发现不论是用OP法还是OLS法计算得到的企业全要素生产率进行估计，得到的结果均显示，数字化转型对企业全要素生产率的提升作用依然显著，并且这两种方法的实证结果差别不大。这表明，数字化对服务业全要素生产率的提升作用并不会因为全要素生产率测算方法的改变而发生根本性变化。第二，更换核心解释变量。本文进一步替换核心解释变量来验证数字化在提升企业全要素生产率方面的作用。为了进一步验证数字化影响企业全要素生产率的内在机理，本文用企业数字化转型的5个子维度人工智能、区块链、云计算、大数据、数字技术应用分别对企业全要素生产率进行回归，结果见表6列(3)至列(7)。可以发现数字化各子维度依然对企业全要素生产率提升有显著的促进作用，结果并未发生根本性变化。

就表6的回归结果来看，不论是更换被解释变量还是更换核心解释变量，结果都未发生根本性变化，进一步佐证了本文的基本假设：数字化转型对企业全要素生产率提升有显著的促进作用。

(3) 面板分位数回归。上述模型估计结果均为数字化转型影响企业全要素生产率的条件均值，容易受到异常值影响。对此，本文建立面板分位数回归模型对企业全要素生产率的不同分位点(0.1-0.9)进行估计，结果见表7。数字化转型的系数在各个分位点上均显著为正，估计结果与前文基本一致，表明本文结论较为可靠。此外，通过对比各分位点的回归系数发现，数字化转型对全要素生产率越高的企业提升作用越强。全要素生产率高的企业通常具有良好的劳动力和资本基础，企业数字化转型需要一定的经济基础和相应的劳动力基础做支撑，高技能劳动力和良好的经济基础可以充分激发数字化在提升全要素生产率方面的潜能。相较于全要素生产率低的企业，全要素生产率高的企业具有更好的数字操作和协调能力，企业的劳动力和资本可以更好地适应数字化转型，使得数字化在提升企业全要素生产率方面发挥出更大的潜力。

表6 更换关键变量计算口径

表7 面板分位数估计结果

4. 机制路径检验

进一步，为打开数字化转型影响企业全要素生产率的“黑箱”，分别从研发资本和人力资本两方面进行中介效应检验。对研发资本的机制检验，借鉴张兆国等(2014)和虞义华等(2018)的研究，采用研发资本即企业当年研发支出与营业收入之比作为中介变量。对人力资本的机制检验，参考赵宸宇等(2021)的做法，采用企业本科及以上学历人员占比作为中介变量。本文所构建的中介效应模型如下：

Mit=β0+β1Digtit+β2Xit+μi+λt+εit

(17)

Tfpit=γ0+γ1Digtit+γ2Mit+γ3Xit+μi+λt+εit

(18)

其中，Mit为中介机制变量。依据温忠麟等(2004)的检验步骤，进行中介效应检验的前提是式(16)中的系数α1显著，即数字化转型会对企业全要素生产率产生影响。在系数α1显著的前提下，如果系数β1和γ2显著，说明本文阐述的中介机制成立；但是如果β1和γ2至少有一个不显著，则需针对中介效应的估计值β1γ2进行Sobel检验，若拒绝原假设，说明中介效应存在，反之不存在。

(1) 研发资本(R&D)。对于企业来说，为了获得数字化转型所带来的生产流程优化、提升资源配置效率以及生产成本降低等“数字红利”，企业必须进行相应的资本投资，除了基本的大数据、数字平台等基础设施建设，企业需要加大研发投入，强化研发创新能力。数字化转型是一个相对缓慢的过程，在数字化转型过程中，企业需要通过不断的研发活动充分激发与释放数字化转型对企业生产要素的赋能作用，实现数字技术与企业原有生产要素、生产流程的协同耦合，通过数字技术与传统生产要素之间的相互联动作用实现全要素生产率的进一步提升。此外，随着数字技术的应用和普及，以及数字经济的不断深化，企业也将置于更加激烈的竞争环境中，为了在竞争中获胜，企业需提升研发能力、掌握核心技术并提高生产率，这就要求企业有充足的研发投入作为保障，故本文以研发资本作为中介变量来验证数字化通过影响企业研发投入进而推动企业全要素生产率提升的机制，结果见表8列(1)和(2)。可知，随着企业数字化程度提高，企业研发资本也显著提升，而研发资本增加又可以显著提升企业全要素生产率，本文的假设H1a得到验证。

(2) 人力资本(Human)。根据Baumol(1967)的研究，服务业存在的“成本病”问题不仅意味其劳动生产率较低，而且伴随着低劳动生产率其劳动投入还在不断增加。相对于制造业，服务业通常被视为劳动密集型产业，且服务业部门从业者多为低技能劳动力，这些劳动力通常文化基础薄弱，劳动生产率相对较低，同时适应、学习并接受数字化的过程较慢。对于低技能劳动力来说，企业数字化转型意味着他们有可能被智能机器人或者自动化流水线所取代，使得企业对低技能劳动力需求减少。同时，数字化转型又会增加企业对具备操作和管理能力的高技能劳动力的需求，提升企业高技能劳动力占比。对于企业来说，低技能劳动力减少带来劳动投入的下降或高技能劳动力增加带来产出的增加都会提升劳动生产率，而劳动生产率提升又会进一步推动全要素生产率上升。因此，本文以高技能劳动力占比为中介变量，来分析数字化通过人力资本来影响企业全要素生产率的内在机制，结果见表8列(3)和(4)。列(3)的结果表明随着企业数字化转型程度不断加深，高技能劳动力在企业整体劳动投入中占比不断上升，也就是说，企业在数字化转型过程中会不断增加对高技能劳动力需求。列(4)的结果表明，高技能劳动力占比上升会显著提升企业全要素生产率，即高技能劳动力在企业全要素生产率提升中发挥了重要作用。假设H1b得到验证。

表8 机制路径：研发资本与人力资本

五、 结论与政策建议

本文首先将数字化转型影响服务业全要素生产率的机制分为两类，一是数字化对资本的深化效应，主要体现在企业研发资本的增加上；二是数字化对劳动投入的影响，主要表现为数字化转型过程中增加了企业对高技能劳动力的需求。在此基础上本文将数字化变量引入经济增长模型中，并进一步构建出数字化影响服务业全要素生产率的理论模型。其次，在理论模型的基础上，本文采用服务业上市公司的数据进行实证检验。结果表明：第一，随着企业数字化转型不断推进，其全要素生产率也得到了很大提升。第二，数字化转型对企业全要素生产率提升作用存在异质性，从企业所有制属性来看，非国有企业更能激发数字化转型对企业全要素生产率的提升作用；数字化转型对企业全要素生产率的提升作用更加偏向于生产性服务业；从区域上来看，数字化转型对企业全要素生产率的提升作用在中西部地区更有成效。第三，数字化转型在提升企业全要素生产率方面的潜力在拥有高研发投入和更多高技能劳动力的企业中更容易得到释放。除了为数字化转型在提升服务业全要素生产率、缓解“成本病”方面提供了一系列经验证据之外，本文的结论还具有以下政策启示。

第一，在数字经济时代，企业数字化转型推动了数字技术的应用和普及，而数字技术与企业现有生产要素、生产流程的相互融合，可以帮助企业实现全要素生产率提升，在这一现实基础上，应该加大对数字基础设施的投资建设，推动企业数字化进程。一是提“存量”，对现有生产设备、流程进行数字化改进，提升现有生产要素的产出率；二是增“流量”，加快引入新技术、新模式、新流程，如：在现有生产要素的基础上引进智能机器人，取代一部分从事简单化、重复性工作的低技能劳动力，实现生产过程的自动化以及规模化。

第二，基于数字化在提升企业全要素生产率方面所存在的异质性，在实施数字化时应当采取差异化、动态化策略，做到因地制宜。一方面，鉴于企业所有制属性在数字化转型提升企业全要素生产率方面发挥的作用，要鼓励企业采取灵活多样的组织形式，为企业进行数字化转型提供组织基础；另一方面，基于数字化转型存在的地区差异性，在制定数字化策略时要统筹谋划、精准施策，加大对中西部地区数字基础设施和必要的人力资本投入，提升资本、劳动力等传统生产要素与数字技术的协调融合能力，进而推动企业全要素生产率提升，但是也要警惕在推动数字化转型提升服务业全要素生产率的同时扩大区域间的“数字鸿沟”。

第三，数字化影响企业全要素生产率的内在机制表明，一方面企业在推进数字化进程中要重视对员工的技能培训，提高员工学习、适应以及应用数字技术的能力；另一方面企业要重视研发活动，增加研发投入、提升研发能力。通过劳动技能和研发能力两方面的提升来充分激发数字化在提升企业全要素生产率方面的潜力。