制造业智能化水平测度及其对企业投资效率影响的研究

曾玲玲 肖雅南

（武汉理工大学经济学院，武汉 430070）

引 言

“智能制造”是我国实现中国制造2025国家战略的重要前进方向，2021年12月，工信部、发改委、科技部等八部委联合发布的 《“十四五”智能制造发展规划》提出，70%的规模以上制造业企业基本实现数字化网络化，并实现智能制造装备和工业软件市场满足率分别超过70%和50%。

“智能制造”对应的英文解释有两个，“Smart Manufacture” 和 “Intelligent Manufacture”，虽然前者提出的更早，但目前更多使用后者［1］。关于制造业智能化测度方面的研究，目前的学者们主要先构造指标评价体系，然后进一步进行量化测度。如李廉水等 （2019）［2］通过软件应用层、智能基础层和市场实践层来共同衡量中国制造业智能化水平。在企业投资效率方面，Myers和 Msjluf （1977）［3］最早对企业非效率投资进行了界定，指出过度投资即投资项目呈现负净现值时，企业仍坚持执行对该项目进行投资的决策；投资不足即企业对投资项目为正净现值时却放弃对该项目的投资机会。有些学者从微观角度分析企业投资效率的影响因素，李昊楠和郭彦男 （2021）［4］研究发现，委托代理问题的存在会造成利润上交后，代理人作出更冒险的决策，进而造成国有企业过度投资问题加剧。闰珍丽等 （2021）［5］研究发现，高管兼任会引起企业投资效率的降低。沈菊琴 （2019）［6］指出，在信息不对称冲突下通常更容易导致道德风险问题。苑泽明等 （2018）［7］认为管理者的过度自信偏好会造成对潜在风险倾向的忽视，出现过度投资行为的发生。除此之外，也有一些学者从法制环境、宏观政策、市场水平等外部环境因素着手展开研究。万良勇 （2013）［8］通过研究发现法治有利于提高上市企业投资效率。Wurgler（2000）［9］指出提升金融发展水平对帮助治理企业内部的代理问题有帮助，同时也能缓解企业投资者与企业的信息不对称，进而提高资本配置效率。张前程 （2014）［10］发现，基准利率对企业投资具有显著的负向影响，而且对非国有企业尤其是民营企业和市场程度低的地区负面影响更大。

通过对国内外相关研究成果的梳理发现，关于智能化水平的相关研究，宏观层面（国家、省市级）研究比较多，对于微观层面相对较少。在智能化水平的测度方面，对研究样本的选择也有差别。与此相反，关于企业投资效率的研究起步较早，且研究内容丰富多样，对企业非效率投资行为影响因素的探讨，主要还是从微观角度进行，基于宏观角度对企业非效率投资行为影响进行的研究相对来说不多。目前我国正处于转型升级时期，在 “智能制造”、“工业4.0”等大背景下，将智能化水平引入企业投资效率影响因素的研究框架中，能进一步补充现有研究，不仅加深本人对于二者的认识，也能为政府和企业提供一些相关的决策依据。

1 理论分析与研究假设

1.1 智能化水平的理论分析

在经济大萧条之后，西方政府开始意识到单单靠市场来进行经济运行是不够的，自此之后凯恩斯主义学派开始盛行，他们提出了政府干预理论，认为在经济萧条的大背景下，适当的政府干预是十分有利的。权变理论是在经验主义学派的理论基础上发展而成，该理论从企业管理活动出发，认为企业的管理活动是动态变化的，企业的主要目标是获取市场利润和份额，因此会根据实际的内外部情况进行相应的管理与改革。企业资源理论认为公司在市场中的价值重点在于其所提供的产品与服务，并且在西方经济学理论市场分类中也可以显然看出，其如果要在激烈的市场竞争中占据一席之地，关键要素需要具有不可替代性。理性经济人假设对于企业而言也具有解释性，企业想要获得利润最大化，那么就需要合理地利用所得到的信息，对资源进行合理的配置与利用，创造出更大的收益与市场影响力。核心竞争力理论认为公司如果具有独特的核心产品或知识技能会使其具有长期的竞争优势，它也是企业更具有生命力的体现。

1.2 企业投资效率的理论分析

信息不对称理论认为在企业之中内外信息存在着不对等，企业内部人员必然比外部人员了解的信息量更多，而且在现代企业的发展进程中，所有权和控制权的分离也加剧了信息不对称的情况，在企业管理中容易出现逆向选择和道德风险等问题。信号传递理论认为，具有信息优势的一方如果主动将信息传递给信息劣势方，那么将显著提升市场的信息效率，缓解之前双方信息不对称的问题。委托代理理论核心是研究两权分离之后的企业代理问题，产生的原因是由于代理的一方或者大股东可能会为了自身的利益去损害其他小股东的正当权益，并进一步影响企业投资效率。公司治理的目的是通过建立相关的机制，去调节各方的利益冲突，进而使企业价值最大化。

1.3 智能化水平影响企业投资效率的机理分析

（1）智能化水平对企业投资效率的直接影响。由前文的理论分析可知，智能化转型将显著提升制造业企业的核心竞争力和资源利用效率，提升企业的价值以及影响力。在前人的研究层面，将企业的智能化转型分为3个层次：基础层、应用层和市场层，并据此测算出智能化水平。在智能化发展的进程中，制造业企业避免不了会加大投入力度，或是资金层面或是人才方面，这些都是企业投资效率的重要影响因素。在此依据前文的陈述，提出如下假设：

H1：智能化水平对企业投资效率具有显著正向影响。

H1a：智能化水平对投资过度影响不显著。

H1b：智能化水平能有效缓解投资不足。

（2）时间效应下智能化水平对企业投资的影响。已有前人研究表明，技术进步、工业化、数字化、研发投入等对于微观企业而言，产生的影响不仅仅是短期的，在之后的一段时间内都会产生持续性的影响。提出假设如下：

H2：智能化水平对企业非效率投资影响具有滞后效应。

H2a：滞后效应能加强回归结果的显著性。

（3）融资约束、智能化水平与企业投资效率。智能化发展水平越高的企业，同时也能拥有更充足的资源，融资约束降低，缓解企业的非效率投资，由此提出假设如下：

H3：融资约束会在智能化水平对企业投资效率的影响中起到调节作用。

H3a：融资约束对企业投资过度产生负向影响。

（4）区域分布、智能化水平与企业投资效率。智能化水平在不同区域、不同市场化水平的地区，差距是非常明显的，据此提出如下假设：

H4：智能化水平对企业投资效率的影响在区域分布上具有显著异质性。

H4a：在东部地区，智能化水平对企业投资效率具有显著正向影响。

H4b：在中部地区，智能化水平对企业投资效率具有显著正向影响。

H4c：在西部地区和东北地区，智能化水平对企业投资效率的影响不显著。

（5）所有权性质、智能化水平与企业投资效率。在前人的分析中可以看出，企业投资效率的影响因素研究中，绝大部分的微观企业实证中都存在着产权异质性，由此提出如下假设：

H5：智能化水平对企业投资效率的影响在所有权性质方面有显著异质性。

H5a：智能化水平对企业投资效率的影响在国有企业更为显著正向。

H5b：智能化水平对企业投资效率的影响在非国有企业为正向但是结果不显著。

2 制造业企业智能化水平与企业投资效率的测度及统计分析

2.1 制造业企业智能化水平的测度与统计分析

2.1.1 样本选择与范围

本文通过智能制造试点示范项目企业4年共305个试点项目及企业名单，从多视角层面构建制造型企业智能化发展水平评价指标体系，以智能制造上市企业为研究对象，评价分析制造业上市企业智能化发展状况。工业和信息化部决定2015年开始实施 “智能制造试点示范专项行动”，所以研究年限定为2015～2020年，在数据收集过程中，有159家试点上市企业，但部分企业数据缺失或退市，因此剔除这类企业的样本数据，最后的样本企业共105家。数据主要来源于Wind数据库、国泰安数据库。需要说明的是，本文中2020年的样本数据未因新冠肺炎疫情的影响而出现极端值。

2.1.2 制造业企业智能化水平的指标体系构建

制造业企业的智能化发展，一般首先需要有一定的智能化发展基础，在此基础上进一步的实现技术方面的智能化突破；智能化的应用也是制造业企业智能化进程中的重要方面；智能化对于企业和社会而言所创造的价值也是智能化水平评价体系的重要一环。根据上述逻辑，本节采用3个层次来建立智能化水平评价体系，制造业企业智能化水平评价指标体系如表1所示。

表1 制造业企业智能化水平测度指标体系

2.1.3 制造业企业智能化水平测度方法选择

对制造业企业智能化水平的测度是否科学合理，关键在于选取合适的统计方法计算指标权重。目前学者们选择计算指标权重的方法主要有熵值法、TOPSIS、因子分析法、层次分析法等，但在本节的指标评价中为了避免主观因素，使评价结果更加客观，本文选用熵值法计算各三级指标的权重，对制造业企业智能化水平进行评价。

2.1.4 制造业企业智能化水平测度结果分析

根据前文熵值法的计算步骤测得了105家上市企业2015～2020年的企业智能化水平综合评分，为了能够观察出105家智能制造示范上市企业的智能化水平总体、区域和行业分布特征，本文将上市企业按所属行业和经济区域进行划分。

（1）制造业企业智能化总体水平。如图1所示，智能制造试点企业智能化基础层水平波动幅度不大，由2015年的1.246上升为1.376；智能化应用层水平逐年提高，由2015年的2.812上升为2020年的3.842，并且有继续上升的趋势；智能化应用层水平发展不明显，这在一定程度上也影响了智能化总体指标水平；智能化总体水平波动上升。

图1 2015～2020年制造业企业智能化水平发展状况

（2）制造业企业智能化各指标权重。制造业企业智能化各指标权重分布不均，一级指标权重占比最大的是智能化基础层，智能化应用层和智能化市场层与其差距大，权重分别为65%、27%和8%。二级指标和三级指标体系中权重占比最大，影响最大的指标是制造业R＆D人员比重，权重为0.5889，所以制造业企业应继续加大人才投入力度。影响权重排第二的是无形资产应用，权重为0.1063，决定制造业企业智能化水平核心竞争力的因素已不仅取决于有形资产，无形资产的重要作用正逐步加大。

（3）制造业企业智能化总体水平区域发展评价。从图2可以看出，从2015～2020年整体水平来看东部区域以绝对优势处于区域发展前列，其次是中部地区和西部地区，东北地区发展最慢。东部地区智能化水平最高，并且与中、西部地区之间的差距不断加大；中部地区由于其地缘优势，因而承接了东部地区制造业部分产业的转移，取得了较快的发展。西部地区和东北地区智能化的各方面均落后于东、中部地区，发展缓慢。

图2 2015～2020年区域制造业企业智能化总体水平

（4）制造业企业智能化水平行业发展评价。从图3中可以明显看出7类制造业细分重点关注行业的智能化水平发展极不均衡。专用设备制造业、通用设备制造业和医药制造业发展处于第一级阶梯，通用制造业在2019年开始赶超专用设备制造业，总体智能化水平超过1.6，并且2020年也继续处于7类制造业行业首位。计算机、通信和其他电子设备制造业、电气机械和器材制造业以及汽车制造业处于第二级阶梯，并且智能化发展水平差距不大，计算机、通信和其他电子设备制造业在2020年赶超汽车制造业，电气机械和器材制造业从2018年开始智能化发展水平增速放缓并呈现出下降趋势，汽车制造业在2015～2020年智能化发展水平缓慢上升，但增速并不明显。化学原料和化学制品制造业智能化发展水平处于第三级阶梯，并且在2015～2020年区别不大。

图3 2015～2020年7类制造业细分重点行业智能化水平发展比较

2.2 制造业企业投资效率的测度与统计分析

2.2.1 制造业企业投资效率测度方法的选择

国内外很多学者根据影响企业投资行为的不同因素去考虑，建立了很多企业投资效率的计量模型。本文在Richardson模型基础上根据具体情况进行修正，修正后的制造业企业投资效率模型如模型 （1）所示。

2.2.2 制造业企业投资效率指标体系构建

本文计算制造业企业投资效率的变量来自CSMAR数据库，具体变量明细如表2所示。

表2 制造业企业投资效率测度体系

在本文中，参考前人的研究做法，将企业非预期支出（INV）分成两部分：投资过度（o＿INV）和投资不足（u＿INV）。企业非预期支出用模型中回归得到的残差值的绝对值来进行衡量，其中残差值中小于0的部分为投资过度；残差值中大于0的部分为投资不足。投资过度和投资不足在后期的模型中同样用绝对值来进行衡量。

2.2.3 制造业企业投资效率测度结果分析

（1）模型共线性诊断。从表3中可以明显看出，本模型中的变量VIF值都小于10，且大部分的VIF值都处于2以下，VIF均值为1.97，VIF最大值为3.11，最小值为1.17。由共线性诊断结果可得出本模型不存在多重共线性问题，模型构建比较好。

表3 制造业企业投资效率主要变量的共线性诊断结果

（2）模型回归。根据表4可以看出，模型的拟合优度为0.328，可以接受，说明模型用来估计AIE的可信度较高。

表4 制造业企业投资效率回归结果

（3）模型结果。根据式 （1）得出的回归残差结果，描述性统计如表5所示，投资过度与投资不足的样本数量比较平均，投资不足的样本数量偏高少许，同时二者之间的均值也相差不大，智能制造样本企业非预期支出方面的均值和中位数比较相同，它们之间的差距不大。

表5 制造业企业投资效率模型回归描述性统计结果

由表6可以看出，绝大部分的智能制造试点样本企业处于东部地区，且从数量上来说较多为投资过度。在另外3个地区总体样本均值较为平均，中部和西部地区更多为投资不足，细分样本占比分别为66.67%和62.22%，东北地区样本全部为投资过度。表6中大多数智能制造试点样本企业为国有企业，国有与非国有企业之间企业投资效率情况都比较类似和平均。

表6 制造业企业投资效率在不同区域和所有权性质的分布情况

3 实证研究设计与结果分析

3.1 模型构建

3.1.1 面板模型

依据第二部分所提及的理论和机理分析，并借鉴前期相关专家和学者的模型构造思路，依据实际的变量间影响关系，来构建以企业非预期支出为被解释变量，以制造业企业智能化水平为核心解释变量，同时包括其他重要控制变量的综合计量模型 （2） 和模型 （3）：

其中：企业非预期支出为被解释变量，智能化水平为核心解释变量，Controlsi，t代表模型中所有的控制变量，区域（Area）、行业（Ind）、年份（Year）、所有权性质（OP）等皆为虚拟变量。在模型 （2）中，主要关注的相关系数是b1，通过它的符号、大小以及显著性来判断智能化水平对企业非预期支出的正负向关系、影响程度以及显著性。若b1显著为负数，那么前文中的假设1成立，说明智能化水平对企业非预期支出确实有影响，并且智能化水平的提高确实会减少企业非效率投资；若b1显著为正数，那么H1不成立，说明智能化水平会降低企业投资效率水平。

在模型 （3）中，进一步将企业非预期支出分为投资过度和投资不足两个部分，深入地研究智能化水平对两个变量的影响程度以及区别。当被解释变量为投资过度时，若c1系数显著为负数，说明智能化水平与企业投资过度之间存在负相关关系，并且智能化水平越高对投资过度有抑制作用，那么H1－1成立；当被解释变量为投资不足时，若c1系数显著为负数，说明智能化水平与企业投资不足之间存在负相关关系，并且智能化水平越高对投资不足的抑制作用越大，那么H1－2成立；若两种情况下c1系数为正数，说明智能化水平对企业投资过度和企业投资不足之间不存在缓解作用，那么前文中的H1－1和H1－2均不成立。

3.1.2 变量定义

根据相关专家和学者的研究结果可以看出，企业的投资效率受到多个因素的影响。在本文中为了控制这些因素对所研究问题的影响，在参考前文所提到的研究的基础上，将企业自由现金流、两权分离率、独立董事占比、第一大股东持股比率、总资产净利润率和企业成立年龄作为控制变量，用来剔除其他因素对投资效率的影响。本文的实证分析变量主要说明情况见表7。

表7 实证研究主要变量的主要变量说明

3.2 多元回归分析

3.2.1 共线性检验

本文采用方差膨胀因子方法（VIF）来检验实证研究的变量之间是否存在多重共线性问题（结果表略），可以发现各变量VIF值均小于10，且得出的数据全部在1附近，这明显可以看出变量之间的多重共线性影响较小，能够进一步进行模型的下一步回归。

3.2.2 OLS回归分析

表8中报告了对模型 （2）和 （3）的回归结果。列 （2）回归结果表明智能化水平与企业非效率投资的回归系数在10%的水平上显著为负，这表明智能化水平能抑制企业非效率投资的情况，有助于提升企业投资效率，H1成立。列 （3）表明智能化水平与投资过度之间存在负相关关系，H1a成立。列 （4）表明智能化水平与投资不足之间的相关系数在10%的水平上显著为负，说明智能化水平的提升能有效缓解投资不足的情况，H1b成立。

表8 实证研究OLS回归分析结果

3.2.3 滞后效应

由滞后效应回归分析结果（表略）可知，滞后1期和2期的回归结果。两次回归的结果分别在10%和5%的水平上显著为负，且显著性进一步加强，H2和H2a成立。

3.2.4 调节效应分析

本文选取指标SA指数来刻画融资约束大小，由SA调节效应回归分析结果（表略）可知，回归结果系数的显著性都得到了加强，H3成立。投资过度的回归系数在1%的水平上显著为负数且绝对值增大，证明融资约束的调节效应显著，H3a成立。

3.3 异质性分析

3.3.1 区域分布

由于地理因素制约、政策落实程度、政府监管水平、当地的法律法规完善程度等的差别，国内各个地区市场之间存在显著的差异性。表9中，在东部地区回归结果都为负值，且分别在1%、10%和5%的水平上显著，H4a成立。并且在东部地区，智能化水平对投资不足的抑制作用更大。在中部地区，智能化水平对企业非效率投资和投资不足的回归结果都在1%的水平上显著，证明H4b成立，在投资过度方面，回归系数为负但不显著。在西部地区和东北地区，智能化水平对企业非效率投资和投资不足的回归结果都为正值，H4c成立。

表9 不同区域位置下OLS回归分析结果

3.3.2 所有权性质

由表10的回归结果可以明显看出产权性质确实会对本文探讨的重点对象产生明显的区别，H5成立。当样本企业为国有企业时，智能化水平对企业非效率投资和投资过度的回归结果显著为负，H5a成立。非国有企业回归结果的相关系数全部为负但并不显著，H5b成立。

表10 不同所有权性质下OLS回归分析结果

3.4 稳健性检验

为了保证实证结果的稳健性和可参考性，本文进行了一系列稳健性检验（结果表略）。本文将主要的解释变量智能化水平进行替换，具体操作为当智能化水平大于其中位数时，将其赋值为1；当小于其中位数时，赋值为0。

3.4.1 回归结果的稳健性检验

结果显示，回归系数的显著性得到了明显提高，显著性水平上升到1%，支持前文的回归结果。制造业企业提高自身的智能化水平能有效促进企业投资效率，同时也验证了智能化水平能提高企业投资效率，研究结论仍然成立。

3.4.2 异质性分析的稳健性检验

（1）分区域稳健性检验。相较于前文的回归结果，本次的稳健性检验回归系数的显著性保持在原有水平，但是回归系数的影响程度降低了。这说明，对整体样本而言，在东部地区，智能化水平仍然与企业非效率投资之间存在显著的负相关关系，支持前文的回归结果。在中部区域，智能化水平仍然与企业非效率投资之间存在显著的正相关关系。西部和东北地区的相关系数为正，数值不大，但都支持前文的回归结果。

（2）所有权稳健性检验。与前文的回归结果相比，本次的稳健性检验回归系数的显著性得到了提高，且回归系数的影响程度与上述两次的稳健性同样降低了。这说明，对整体样本而言，国有企业智能化水平仍然与企业非效率投资之间存在显著的负相关关系，支持前文的回归结果。对于非国有企业，智能化水平仍然与企业非效率投资之间存在负相关关系，所以支持前文的回归结果。

4 结论及启示

4.1 主要结论

本文以2015～2020年105家智能制造试点示范项目上市公司为研究对象，从企业角度构建智能化水平测度指标体系，并运用熵值法进行具体测算；接着采用残差测算企业投资效率；最后通过混合OLS模型、滞后效应模型以及调节效应模型对智能化水平与企业投资效率的关系进行分析，得出以下结论：（1）2015～2020年我国智能制造试点样本企业的智能化水平总体呈现出不断上升态势，人才队伍建设对制造业企业智能化水平的影响非常显著。从区域制造业智能化总体水平来看，东部地区以绝对优势处于区域发展前列，其次是中部地区，西部地区和东北地区发展最慢；（2）从年份来看，我国智能制造试点样本企业的非预期支出不断提高，投资过度处于增长态势，相反，投资不足基本在逐年下降。从区域位置来看，绝大部分的智能制造试点样本企业处于东部地区，从数量上来说东部地区和东北地区更多为投资过度；中部企业非预期支出比西部地区更高，且二者皆存在投资不足的情况；从所有权性质来看，国有企业和非国有企业在这一层面上区别并不是非常明显；（3）智能化水平有助于提升企业投资效率；智能化水平在一定情况下能有效防止投资过度的问题；智能化水平的提升能有效缓解投资不足的情况。在东部地区，智能化水平对企业非效率投资有明显的负相关关系；在中部地区，智能化水平对投资不足的影响程度更大；在西部地区和东北地区，制造业企业的非效率投资情况会随着智能化水平的提高而加剧。当企业为国有企业时，智能化水平确实对企业非效率投资和投资过度有抑制作用；非国有制造业试点企业的智能化水平能提高企业的投资效率。

4.2 政策建议

对于政府而言：（1）促进制造业企业智能化转型。政府应该做好智能化改造的舆论导向，使制造业企业认识到智能化对其的深远意义； （2）提高企业自主创新能力发展。政府部门也应对这类制造业企业给予一定的补贴以及技术上的支持，促进企业在智能化转型的进程中不掉队；（3）加强人才队伍建设。人才队伍建设对制造业企业智能化水平的影响至关重要，作为政府部门，要加强自身创新型人才队伍建设，根据国家相关重大项目、重大计划、重点领域，针对性地培养相关的专业性人才，为制造业企业智能化发展持续输血；也可以加强海外高层次人才引进。

对于企业而言：（1）紧跟国家发展步伐。了解行业前沿科技与最新动态，积极地学习交流；还要努力提高自身智能化水平，主动完善公司治理，促进企业效率的提升，并为市场提供更优质的产品以及服务；（2）加大智能化投入。智能化水平的提高能显著加强企业投资效率，减少非效率投资。智能化发展对企业的影响也是深远和持续性的，智能化转型能显著缓解企业的融资约束，让企业有更好的资本去进行下一轮的投资； （3）优化企业治理结构。企业应根据自身的具体情况，建立定制化的公司治理架构，形成高效的决策机制与应变机制，在智能化发展过程中，积极走向前列。