制造业企业数字化转型能有效抑制产能过剩吗？——基于技术水平门槛效应的实证研究

夏梦瑶

(广西师范大学 经济管理学院，广西 桂林 541004)

进入21世纪后，我国制造业产能过剩现象愈加明显，制造业高质量发展受到严重制约。尽管近年来我国大力推进供给侧结构性改革以化解产能过剩难题，但制造业发展仍然依赖技术引进，且面临技术动力不足、创新效率低下等问题，长期以来造成生产资源的闲置与浪费，还可能诱发系统性经济风险。目前，我国正处在制造业转型升级的关键时期，解决制造业产能过剩问题已成为学术研究的重要课题。

2017年以来，“数字经济”已经连续多年被写入国务院政府工作报告。2021年，我国各省区市在“十四五”规划中纷纷提出关于数字经济发展的目标和对策。2021年9月，我国《数据安全法》实施。2021年10月18日，习近平总书记在中共中央政治局第三十四次集体学习时强调，要把握数字经济发展趋势和规律，推动我国数字经济健康发展。这些都预示着未来我国将重点发展数字经济，在微观层面，数字化转型也已成为各企业的重要发展战略。

在数字技术蓬勃发展及制造业产能过剩的背景下，推动制造业数字化转型是大势所趋。那么，企业数字化转型能否抑制制造业产能过剩？对于不同生产要素密集程度的行业，该影响会不会存在差异？基于技术水平的视角，数字化转型对产能过剩的影响是否存在非线性关系？厘清以上问题，有助于明晰数字化转型对抑制制造业产能过剩的方法。

一、文献综述

(一)企业数字化的相关研究

数字经济是以信息为基础要素的经济形态，具有高成长性、强扩散性、低成本性等主要特征[1]。数字时代下，企业可以通过数字技术重构产品、服务、组织结构及商业模式，因此企业数字化转型是一个十分复杂的过程[2]。埃森哲与国家工业信息安全发展研究中心合作推出的《2020中国企业数字转型指数研究》中指出，数字化转型项目具有成本高、周期长、难度大等特征，这导致企业在数字化转型时十分谨慎。但迈入数字时代，技术的竞争优势愈加明显。数字化变革能够通过降低成本费用、提高资产使用效率以及增强创新能力来提升实体企业的经济效益[3]。此外，已有学者在数字化对企业人工成本[4]、企业出口[5]、企业价值链重塑[6]、企业组织结构[7]等的影响方面展开相关研究。

(二)产能过剩的成因研究

产能过剩已成为当前中国最重要的宏观经济风险之一[8]。关于产能过剩的成因，现有研究主要从微观和宏观层面切入。微观层面上，有学者认为企业为预防竞争者进入市场并侵占市场份额，会选择自认为更为合理的生产规模[9]；当企业按现有生产能力提供的产品供给量超出市场需求时，会形成生产力过剩现象[10]。宏观层面上，经济周期与经济体制等多方面因素叠加[11]，且在信息不对称的情况下，市场对某一产业的发展前景容易形成共识，从而出现投资的“潮涌现象”[12]，导致产能过剩。另外，从政治体制方面看，地方保护主义和重复建设盛行[13]，地方官员为追求经济利益会向当地企业提供土地及融资优惠，导致企业扩张产能投资[14]，同时地方政府变更也会加剧区域内企业产能过剩程度[15]。

(三)技术水平的门槛效应研究

根据现有研究可以发现，技术水平的影响具有门槛效应，如技术发展对经济增长存在门槛效应[16];又如当技术创新水平跨越一定门槛值时，环境标准的提升能够带动就业增长[17]。关于技术水平对产能过剩的影响，有学者发现在技术进步率较高的行业，企业可将技术赋能至生产环节，形成差异化竞争，避免出现产能过剩现象[18]。

(四)企业数字化对产能过剩的影响研究

目前鲜有学者从企业数字化的视角出发，研究企业数字化对产能过剩的影响，而企业数字化能够反映企业的创新能力或技术水平，对防止产能过剩具有积极作用。有学者研究发现，提高企业创新能力能够有效化解产能过剩，且管理创新与营销创新的影响尤为显著[19]。研究发现，在宏观层面，数字经济能够显著提升区域全要素生产率[20]；在微观层面，企业数字化转型以提高企业创新水平、优化企业人力结构以及推进先进制造业和现代服务业两业融合的方式提升制造业全要素生产率[21]。

(五)文献述评

总结以上研究可以发现，学者们已针对产能过剩以及企业数字化转型产生的影响展开大量研究，但目前鲜有学者探析数字化转型对产能过剩的影响，且数字化转型对产能过剩影响的门槛效应研究几乎处于空白阶段。本文的创新点主要体现在以下两个方面：一是从数字技术应用、数字化运营以及数字化制造三个角度，通过词频统计分析，衡量制造业企业数字化转型的程度；二是将全要素生产率作为门槛变量，探究数字化转型对产能过剩的影响是否存在门槛效应。

二、理论分析与研究假设

(一)数字化转型对制造业产能过剩的影响

第一，数字技术能够明显提升产业链上下游的沟通效率。以人工智能、区块链、云计算、大数据及物联网为代表的数字技术凭借高效的信息计算及传递特性，提升产业链上资金、信息及货物等的流动性，模糊产业链各主体的分工界限，可以对研发、生产、供应、销售等产业链各环节的信息进行收集与分析，实现产业链资源的最优配置。第二，数字化运营能够精准捕捉市场需求，实现供需双方的有效交流。大数据技术对用户的消费行为数据进行更精确的分析，围绕消费者的需求实现更个性化、更及时、更有效的市场供给，可以避免生产消费者不喜爱或被市场所淘汰的产品而导致库存积压，引发产能过剩。数字平台连接供需双方，能够消除“信息孤岛”，及时传递消费者需求信号，实现信息共享，避免产品供给量超过市场需求而造成产能过剩。第三，数字化制造推动企业生产自动化，尽量消除生产过程浪费。工业互联网平台打通工业生产环节，以精益化为目标，合理调整生产环节的人员配置以及产品制造的节奏。设备传感器采集数据后反馈至后端大数据平台，采用特定的数据模型对工艺环节进行优化并将结果反馈至前端，以提升生产自动化水平。

假设H1：制造业企业可从数字技术应用、数字化运营、数字化制造三个维度进行数字化转型，进而抑制企业产能过剩。

(二)不同生产要素密集程度造成的差异

企业数字化转型对产能过剩的影响可能由于生产要素密集程度的不同而有所差异。对于劳动密集型和资本密集型行业的技术水平较低，数字化转型与传统产业生产之间难以形成良性互动，导致企业数字化嵌入难度加大；而技术密集型行业的企业技术资本雄厚，有利于数字技术渗透到产业链发展环节，从而降低产能过剩的发生概率。因此，企业数字化转型对产能过剩的影响可能在技术密集型行业中更为显著。

假设H2：制造业企业数字化转型对产能过剩的影响在不同生产要素密集程度的行业之间存在差异，其中对技术密集型行业的影响更为显著。

(三)数字化转型对产能过剩的影响存在技术水平的门槛效应

企业数字化转型高度依赖企业的技术水平。一方面，数字技术研发项目的成本高、周期长，因此当企业技术水平较低时，企业为节约研发成本，会减轻对数字化发展的重视程度，诱导企业将资金流向技术门槛较低而资金优势明显的资本密集型环节，引发重复建设问题，造成产能过剩。另一方面，技术落后会使企业依赖技术引进，一旦出现新的市场需求，企业为夺取先机会盲目引进某项技术，从而增加产能过剩的发生概率[22]。而当企业技术水平较高时，企业能够享受技术带来的规模经济效应，从而更有动力推动数字化转型。因此，企业技术水平的差异会对数字化转型的抑制效应产生影响，而该影响可能存在非线性关系。

假设H3：制造业企业数字化转型对产能过剩的影响可能存在以技术水平为门槛变量的门槛效应。

三、样本、变量与模型设定

(一)样本与数据来源

基于2010—2020年沪深A股制造业企业数据进行分析，剔除数据缺失样本后，共得到12518条数据，并对样本数据进行1%的缩尾处理以解决异常值问题。数字化转型数据通过对企业年报进行关键词词频统计得到，产能过剩、企业营运时间、企业规模、杠杆比例、成长能力、流动水平、盈利水平以及董事会规模的衡量指标数据均来源于Wind数据库。

(二)变量说明

1.被解释变量

被解释变量为产能过剩。微观企业层面多采用固定资产与营业收入的比值衡量企业产能过剩的程度，该比值越高表明企业产能的利用效率越低，产能过剩程度越深[23-24]。

2.核心解释变量

核心解释变量为数字化转型程度。随着文本挖掘技术的发展，词频统计可以反映某词汇在某文档中的重要程度[25]。因此，本文借鉴李大伟等[26]的做法，对企业年报进行关键词词频统计来量化企业数字化转型程度。首先，根据数字技术应用、数字化运营、数字化制造三个维度确定25个关键词，这些关键词如表1所示；其次，使用Python技术对文本格式的企业年报进行关键词词频统计。

3.门槛变量

门槛变量为技术水平。采用全要素生产率衡量企业的技术水平，全要素生产率为生产过程中投入转化为最终产出的总体效率，可以反映企业的技术进步、制度环境等因素[27]。采用LP方法计算全要素生产率，公式如下：

yaddi,t=γ0+γ1li,t+γ2ki,t+γ3mi,t+εi,t

(1)

式(1)中，yaddi,t、li,t、ki,t、mi,t分别表示产出增加值、劳动力投入、资本投入及中间投入的对数。产出增加值为营业收入，劳动力投入为支付给职工或为职工支付的现金，资本投入为固定资产净额，中间投入为营业成本、销售费用、管理费用、财务费用、折旧摊销以及支付给职工或为职工支付的现金代数和，εi,t为随机扰动项。

4.控制变量

采用企业营运时间、企业规模、杠杆比例、成长能力、流动水平、盈利水平以及董事会规模作为控制变量[28]。具体的衡量方法如表2所示。

表2 变量定义

(三)模型设定

1.基准线性回归模型

为检验企业数字化转型程度对产能过剩的影响，建立如下面板模型：

(2)

式(2)中，overpro代表企业产能过剩的程度；dig表示企业数字化转型程度；Controls表示一系列控制变量，包括age、people、lev、growth、liquid、roa、board；i表示样本企业；t表示时间；μt控制了不随个体变化的时间因素；θi控制了不随时间变化的个体因素；εi,t为随机扰动项。

2.门限面板回归模型

我国制造业企业技术发展不平衡，各企业之间技术水平差异较大。在不同的技术水平下，企业数字化转型程度对产能过剩的影响可能存在显著差异。为了更好地考察技术水平的门槛效应，构建以下单一门槛模型：

(3)

若单一门槛模型未通过显著性检验，则建立如下多重门槛模型：

(4)

式(3)和式(4)中，tfp为门槛变量，代表企业技术水平；I表示指标函数；δ为具体的门限值。

四、实证分析

(一)描述性统计分析

主要变量的描述性统计结果如表3所示。可以发现，产能过剩程度的标准差相对较大，说明产能过剩程度在企业间表现出明显的差异。某些企业数字化转型程度为0，说明这些企业在某个阶段对于数字化转型的认知还处于空白阶段，而有些企业数字化转型程度较高，最大值为4.663。

表3 描述性统计结果

(二)基准回归分析

全样本基准回归结果如表4所示。在不加入控制变量的情况下，回归结果如列(1)所示，企业数字化转型对产能过剩的影响在1%的统计水平上显著为负；列(2)显示在加入控制变量后，该影响仍然在1%的统计水平上显著为负。以上结果说明，企业数字化转型的推进能够显著提升企业产能利用率，抑制企业产能过剩，验证了假设H1。具体来看，列(3)至列(5)分别显示了数字技术应用、数字化运营及数字化制造的影响结果，除数字化制造外，其余二者的影响均在1%的统计水平上显著为负，其中数字技术应用对产能过剩的抑制效应最为明显。

表4 全样本基准回归结果

(三)异质性检验

依据生产要素的密集程度，可将细分行业分为技术密集型、资本密集型及劳动密集型。文中样本企业所属的细分行业代码依据证监会2012年修订的《2012证监会上市公司行业分类指引》确定，通过聚类分析确定各细分行业的生产要素密集程度[29]，匹配样本企业进而确定其具体分类。在不同的生产要素密集程度下，数字化转型对产能过剩的影响如表5所示。很明显，无论在何种生产要素密集程度的行业中，推动企业数字化转型均能够显著抑制企业产能过剩。但值得注意的是，对于技术密集型行业，该影响在1%的统计水平上显著且影响程度最大，而资本密集型和劳动密集型行业仅在10%的统计水平上显著，且资本密集型行业的影响程度略大于劳动密集型行业，该结果验证了假设H2。产生以上结论的具体原因至少有以下两点：第一，注重数字化转型的企业多属于技术密集型行业，具有明显的技术优势，通过技术研发及应用畅通产业链发展，可避免重复投资及重复建设问题；第二，资本密集型行业能够依托资金优势，加速企业数字化转型，进而抑制行业产能过剩。并且，目前我国产能过剩行业多为钢铁、电解铝等资本密集型行业，而劳动密集型行业的产业链多呈现低端化，因此资本密集型行业抑制效应的边际效果可能会大于劳动密集型行业。

表5 不同生产要素密集程度的行业分样本回归结果

五、门槛效应分析

(一)门槛效应自抽样检验及门槛值确定

为验证假设H3，本文构建了以技术水平为门槛变量的门限面板模型。门槛效应自抽样检验结果如表6所示。由表6可知，企业技术水平的三重门槛效应没有通过显著性检验，单一门槛效应和双重门槛效应均在1%的统计水平上显著，因此采用双重门槛模型进行门槛效应分析。门槛估计值及置信区间如表7所示，对应的两个门槛值分别为5.367和6.106。

表6 门槛效应自抽样检验结果

表7 门槛估计值及置信区间

(二)门槛效应回归结果

门槛模型回归结果如表8所示。根据表8可知，当企业技术水平低于门槛值5.367时，企业数字化转型无法抑制产能过剩，反而在1%的显著性水平上加剧产能过剩。具体来看，企业数字化转型程度每提高1%，产能过剩程度加深24.449个单位。这说明当企业技术水平较为落后时，企业对数字化转型的认知可能仅停留在理论或战略规划阶段，企业会经历大量的试错及技术引进过程，导致资源浪费或重复引进等问题，无法发挥数字技术的赋能效应，进而削弱对产能过剩的抑制效应，甚至产生反作用。当企业技术水平超越门槛值5.367而未超过6.106时，企业数字化转型依然在1%的显著性水平上加剧企业产能过剩，但程度有所减弱，其系数仅为3.717。此阶段，企业的技术水平相对较高，已拥有一定的技术基础，但技术成果转化可能较为缓慢，对产能过剩的抑制效应还未显现。当企业技术水平超过6.106时，企业技术水平及成果转化能力显著提升，此时企业数字化转型对产能过剩的影响在1%的统计水平上显著为负，其系数为-4.758。由此可以说明，在较高的技术水平下，企业数字化转型对产能过剩的影响才会表现出抑制效应。因此，在不同的技术水平下，企业数字化转型对产能过剩的影响存在差异，该结果支持了假设H3。

表8 门槛模型回归结果

六、稳健性分析

(一)分时段回归

2015年是一个重要的时间节点。2015年11月，中央财经领导小组第十一次会议首次提出供给侧结构性改革的概念。2015年后，供给侧结构性改革从政策层面推进供给结构对需求变化的适应性和灵活性提高，通过提高供给质量避免产能过剩程度加深。因此，2015年后产能过剩程度的减弱可能受政策等外生因素影响，也可以认为2015年前因未实施供给侧结构性改革，数字化转型对产能过剩的抑制作用可能并不显著。以2015年为节点，将样本数据分为2010—2015年及2016—2020年，其回归结果如表9中的列(1)和列(2)所示。在2015年当年及之前，企业数字化转型程度提高对产能过剩的影响仍然在1%的统计水平上显著为负；2015年后，影响程度虽有所下降，但依然显著。这说明即使无政策因素的冲击，推进企业数字化转型依然可以有效抑制企业产能过剩。

(二)内生性处理

产能过剩的产生原因主要有两种：第一，企业受外界需求影响，会形成被动过剩;第二，企业出于占领市场份额的目的，会扩大生产形成主动过剩。而这两方面原因造成的产能过剩可能存在滞后效应。为了解决内生性问题，使用两步系统GMM估计方法对研究结果进行稳健性检验。选择两步系统GMM估计的主要原因有两点:一是差分GMM估计存在弱工具变量的问题，且差分时消除了非观测截面个体效应及不随时间变化的其他变量；二是通常情况下，两步系统GMM估计优于一步系统GMM估计。

两步系统GMM估计结果如表9中的列(3)所示。AR(1)的p值小于1%，而AR(2)的p值为0.153，说明随机误差项存在一阶序列相关而不存在二阶序列相关。同时，Hansen检验的p值为0.112，不拒绝“工具变量不存在过度识别”的原假设，说明选用的工具变量是有效的。以上结果符合两步系统GMM估计的适用条件。基于两步系统GMM回归结果，推进企业数字化转型对产能过剩的影响仍然在1%的统计水平上显著为负，证实了前文结果的稳健性。

(三)全样本交互项检验

为了保证门槛回归结果的可靠性，引入数字化转型与技术水平的交互项进行检验，回归结果如表9中的列(4)所示。dig×tfp的系数为0.819，在1%的统计水平上显著为正，这说明在技术水平较低的情况下，企业提升数字化转型程度无法减弱甚至会显著加深产能过剩程度，但随着技术水平的逐步提升，加深程度会逐渐减弱。在技术水平较高的情况下，企业提升数字化转型程度能够显著减弱产能过剩程度，这与前文门槛回归结果相同。

表9 稳健性检验结果

七、结论与建议

(一)结论

根据前文研究结果，本文可得出以下结论：(1)推动企业数字化转型可以显著提升产能利用率，抑制企业产能过剩，其中数字技术应用所带来的抑制效应最为显著。(2)根据行业生产要素密集程度的不同，企业数字化转型对产能过剩的抑制效应存在异质性。企业数字化转型对产能过剩的影响在技术密集型行业中最为显著，资本密集型行业次之，劳动密集型行业影响最小。(3)在不同的技术水平下，企业数字化转型对产能过剩的影响存在门槛效应，只有在技术水平较高的企业中，推动企业数字化转型才能显著抑制产能过剩。

(二)建议

第一，各类企业要加强数字技术应用。新冠疫情防控常态化背景下，数字经济等新业态蓬勃发展，数字信息产业与制造业、现代服务业加速融合。通过数字技术赋能产业链各环节，可快速实现供需匹配。数字技术可加速产品升级迭代以满足大众需求；数字化运营可精准捕捉市场需求；数字化制造可加快实现企业精益化生产，避免生产过程浪费。因此，在数字化时代，企业要在投入、运营及产出各环节加强对数字化转型的重视，加快智能工厂建设，强化智能硬件研发，突破关键技术瓶颈，充分发挥数字化优势来降低企业产能过剩的发生概率。

第二，技术密集型行业尤其要重视数字化转型，同时政府也要加大对劳动密集型行业的扶持。技术密集型行业凭借自身的技术优势加速数字化转型，可以有效缓解企业产能过剩问题。同时，政府可加大对劳动密集型行业的扶持，提供研发资金支持，推动行业技术水平提升以脱离产业链“低端封锁”状态，进而发挥数字化转型对产能过剩的抑制作用。

第三，企业要不断提升技术水平，营造良好的创新环境。创新是经济高质量发展的重要驱动力，各企业要加大创新投入，培养科技人才，推动技术进步。当企业技术水平较高时，其技术及人才体系相对成熟，能快速把握数字化浪潮带来的机遇。企业要利用技术优势，重视数字化技术对传统业务的转型升级，加速数字化技术成果的转化及落地，提升企业产能利用率。