城市数字经济发展对实体企业技术创新的影响研究：来自上市公司的证据

冯 苑 聂长飞

（1. 江西师范大学城市建设学院 江西南昌 330022；2. 南昌大学经济管理学院 江西南昌 330031）

一、引言

实体经济发展水平高不高、质量优不优对中国推进经济高质量发展有重要影响。对此，党的十九届五中全会明确提出，“坚持把发展经济着力点放在实体经济上”。做实做强做优实体经济，从微观上讲，归根到底要靠一家家实体企业的高质量发展来支撑。然而，中国实体企业长期以来创新意愿不高、创新投入不足、创新能力总体偏低，制约了实体经济由要素驱动向创新驱动转变。

与此同时，在新一轮科技革命浪潮的推动下，中国数字经济蓬勃发展，逐步成为经济高质量发展的新引擎。《中国数字经济发展白皮书（2020年）》显示，2015—2019年，中国数字经济规模由18.6万亿元提升至35.8万亿元，数字经济规模占GDP比重由27.5%上涨至36.2%，年均增长率分别高达17.3%和6.8%。中国数字经济的快速发展与党和政府的高度重视密切相关。可以预期，在当前新型基础设施建设进程加快，网络强国战略、数字中国战略等深入实施的背景下，中国数字经济的发展将迈上一个崭新的台阶。

在此背景下，有必要厘清快速发展的数字经济对实体企业创新究竟产生了怎样的影响，这也是本文关注的重点。具体而言，本文尝试探讨以下几个重要但尚未得到很好回答的问题：数字经济的发展能否有效提升实体企业创新能力、助力培育实体企业内生发展新动能？其内在作用机制是什么？更进一步地，数字经济对不同数字化发展阶段、不同规模的实体企业创新的影响有何异质性？

然而，对上述问题的科学回答面临着诸多挑战。第一个挑战便是数字经济发展水平的衡量问题。从已有文献看，数字经济的衡量方式主要有两种：一是通过数字卫星账户等统计方法对数字经济规模进行核算，如许宪春和张美慧[1]运用该方法测度了中国数字经济增加值，并进行了国际比较；二是通过构建数字经济指数的方式对数字经济发展状况加以衡量。相比之下，前者需要以投入产出表为基础，而投入产出表每五年编制一次，在客观上限制了数字经济核算和比较，因而目前学术界普遍采用第二种衡量方式。

在运用综合指数方式衡量数字经济发展水平的研究中，一些文献将数字经济片面地等同于“数字金融”或“互联网+数字金融”，采用北京大学发布的数字普惠金融指数[2]或数字普惠金融指数与互联网发展相关指标合成的综合指数[3]作为地区数字经济发展水平的代理变量。但是，数字经济与数字金融是两个不同的概念，二者是包含与被包含的关系，“数字金融+互联网”显然不能与数字经济等同，这类衡量方式实质上是对数字经济概念的片面化、局限化，难以准确反映数字经济的真实发展状况。另一些文献基于对数字经济内涵的解读构建数字经济指标体系并测度数字经济指数，但受限于城市层面相关数据的缺失，这些研究大多将研究对象限定在省级层面。例如，柏亮和陈小辉[4]从数字经济基础、用户数字化、交易数字化、企业数字化、数字经济资本化及数字技术创新六个维度构建指标体系，并测度了中国2012—2018年31个省份的数字经济指数；刘军等[5]从信息化、互联网和数字交易三个维度构建指标体系，并据此评价中国2015—2018年30个省份数字经济发展状况。总的来说，虽然这类研究在很大程度上推动了数字经济的相关研究，但省级层面的数据无法体现不同城市之间数字经济发展差异，而中国同一省份的不同城市数字经济发展不平衡状况普遍存在，因而可能在一定程度上引起实证结果的偏误。还有文献采用相关研究机构发布的综合指数对数字经济加以刻画，其中有代表性的文献是姜松和孙玉鑫[6]的研究。该文献基于腾讯研究院发布的《中国“互联网+”数字经济指数（2017）》，运用中国290个城市的截面数据，考察了数字经济对宏观实体经济发展的影响。

根据本文整理的资料可以知道，近年来腾讯研究院、中国信息通信研究院、财新智库、新华三集团等国内有影响力的机构都发布了数字经济指数。其中，中国信息通信研究院和财新智库所发布的数字经济指数均为省级层面数据；腾讯研究院发布的数字经济指数虽然为城市层面数据，但不同年份采用的指标存在较大的差异，不具备跨期可比性，如《中国“互联网+”数字经济指数（2017）》主要从基础、产业、创新创业、智慧民生四个维度构建指标体系，而《中国“互联网+”指数报告（2018）》则是从数字经济、数字政务、数字生活、数字文化四个维度构建指标体系。新华三集团2017—2020年连续4年发布《中国城市数字经济指数白皮书》，从数据及信息化基础设施、城市服务、城市治理、产业融合四个维度对中国2016—2019年城市数字经济发展状况进行评价。其基础指标并不仅局限于阶段性热点技术，而是与城市发展和政策紧密结合起来，不仅包含数字经济基础设施、数字产业化、产业数字化等与数字经济发展直接相关的方面，还刻画了数字技术在城市服务和治理中的融合应用情况，这为本文考察数字经济对实体企业创新的影响提供了宝贵的数据资源。

本文面临的另外一大挑战来自计量模型识别过程中可能存在的内生性问题，具体而言就是数字经济发展与实体企业创新之间可能存在反向因果关系，即随着实体企业创新水平的提高，企业所在城市的数字经济发展水平可能也会相应提高。此外，在实证分析过程中还可能因为遗漏变量等问题的存在，产生估计结果偏误问题。对此，本文在满足相关性的前提条件下，兼顾历史变量的外生性优势，创新性地选取“滞后30年的城市每百人固定电话数量”作为城市数字经济发展的工具变量，从而有效地解决了上述难题。

与本文直接相关的文献有一部分主要考察数字经济发展的社会经济效应。总体而言，这类研究可以分为三类：第一类，侧重于理论研究。例如，许恒等[7]探讨了数字经济对传统经济的技术溢出和冲击效应等。第二类，侧重于考察数字经济对宏观经济的影响。例如，赵涛等[3]、姜松和孙玉鑫[6]、周青等[8]、陈小辉等[9]、阎世平等[10]采用实证分析方法分别考察了数字经济发展对经济高质量发展、实体经济发展、区域创新绩效、产业结构、劳动力结构等的影响。第三类，从微观的企业层面出发，实证检验在数字经济发展浪潮下，企业数字化转型对企业整体经济效益[11]、公司治理水平[12]、组织授权[13]等的影响。与本文相关的另一部分文献主要考察企业创新影响因素，这部分文献分别从创新激励政策[14]、劳动保护[15]、知识产权保护[16]、营商环境[17]、非正式制度[18]、技术引进[19]、数字金融发展[20]等多个方面考察企业创新影响因素。

上述研究为本文探究数字经济发展对实体企业创新的影响奠定了重要的基础，但从本文搜集的文献看，目前尚未有研究专门考察数字经济发展对企业创新的影响。鉴于此，本文结合新华三集团发布的2016—2019年城市数字经济指数和沪深A股实体上市公司的数据，综合运用固定效应模型、工具变量估计以及中介效应模型等多种计量方法，考察城市数字经济发展对实体企业创新的影响效应、作用机制及其异质性。

本文可能的边际贡献在于：第一，在研究视角上，本文首次考察了数字经济发展对实体企业创新的影响，不仅从理论层面丰富了数字经济影响效应以及企业创新影响因素两个方面的研究，而且在很大程度上契合了我国“推动数字经济与实体经济深度融合”的战略目标，对中国进一步推动数字经济发展和实体经济升级具有一定的启示意义。第二，在识别策略上，本文采用新华三集团发布的城市数字经济指数衡量城市数字经济发展水平，弥补了现有实证研究在数字经济衡量方式上的不足；同时，本文通过选取“滞后30年的城市每百人固定电话数量”这一历史工具变量，较好地解决了计量模型的内生性问题，使得本文的估计结果更加稳健可靠。第三，在实践意义上，本文紧密结合政府当前密切关注的政策规划重点问题，从企业数字化转型、企业规模两个方面考察了数字经济发展对不同实体企业创新影响的异质性，研究成果能够为企业加快实施数字化转型战略、中小企业快速转型升级提供新的经验证据。

二、理论分析与研究假说

（一） 数字经济促进实体企业创新的机理

基于对现有相关文献的梳理，本文认为，数字经济可以通过提升企业吸收能力和缓解企业融资约束两条渠道来影响实体企业创新（见图1）。

图1 数字经济促进实体企业创新的机理

一方面，实体企业创新不能仅仅依靠内部资源，还需要借助外部的知识[21]，搜寻和内化知识是实体企业创新过程中的关键流程[22]。在这一流程中，实体企业的吸收能力极为重要。具体而言，吸收能力指的是“企业识别外部新信息的价值，吸收并将它应用于商业目的的能力”，表现在知识获取能力、知识吸收能力以及知识应用能力三个方面[23]。已有研究表明，吸收能力对提升企业创新绩效具有积极且显著的影响[24]。数字经济发展可以提升实体企业吸收能力，进而促进实体企业创新的主要原因在于：首先，在人工智能、大数据、云计算、区块链等新一代信息技术快速发展的数字经济时代，实体企业能利用的信息资源非常丰富[25]，许多产品和服务竞争出现跨界融合与平台化的趋势，实体企业有机会接触和获得来源于不同行业的信息，实体企业创新中的知识来源也不再仅仅局限于传统意义上的单一行业。与此同时，不同企业创新模式之间也能够通过知识共享平台等方式形成链接[26]，从而有利于实体企业实现跨界创新、开放式创新。其次，数字技术的发展有效地解决了信息发现和共享难题，使得知识和信息的传播速度大幅增加，交流和搜寻成本大幅降低[22]，实体企业能够借助数字技术有效整合外部知识，将内外部信息链接起来，进而提升对外部知识的吸收能力[27]。最后，在数字经济时代，数据已成为全新的、关键的生产要素，数据挖掘和分析、云计算等技术的发展有效地提升了企业的数据管理和应用能力。在此背景下，实体企业能够有效地记录并分析从外部获取的数据知识，从而实现对外部知识的高效智能化应用，加速创新进程[28]。

另一方面，除了需要借助外部知识外，实体企业创新活动还具有两个关键特征：其一，实体企业创新活动的调整成本较高[29]，这使得实体企业创新活动必须保持一定的连续性，需要大量持续且稳定的资金支持[30]。其二，实体企业与外部投资者的信息不对称是导致实体企业面临融资约束的重要原因[31]，而实体企业创新活动产出的高不确定性使得实体企业创新过程的信息不对称程度更为严重，导致实体企业创新面临严重的外部融资约束[32]。也就是说，实体企业创新活动离不开资金的支持，而创新活动中严重的信息不对称问题使得实体企业创新面临较强的融资约束，进而导致实体企业创新受到抑制。数字经济发展则有利于缓解信息不对称问题，增强市场参与主体之间的信用[33]。具体而言，在数字经济时代，可以通过依托互联网、大数据分析等信息技术，凭借其可以实时记录和查询、低成本等优势实现对不同企业数据信息的抓取，为实体企业构建数字信用的方式来缓解外部投资者和实体企业之间的信息不对称问题，使实体企业更方便快捷地获得金融借贷服务，获取创新活动所需资金[20]。不仅如此，现有研究表明，数字金融发展有利于打破传统金融服务的边界，拓宽金融服务的触达范围，改善信贷资源错配状况，缓解实体企业融资约束[34]。数字金融作为数字经济的重要组成部分，是数字经济与金融业融合发展的体现，可以为数字经济的发展提供重要的支撑力量[35]，所以，从这个角度看，数字经济能够通过数字金融的繁荣发展缓解实体企业融资约束，进而促进实体企业创新。基于以上分析，本文提出以下两个假设：

假设1：数字经济发展能显著促进实体企业创新。

假设2：数字经济发展能通过提升吸收能力和缓解融资约束两条渠道来促进实体企业创新。

（二） 数字经济促进实体企业创新的异质性

数字经济发展对实体企业创新的影响可能因企业自身是否实现数字化转型而有所不同。企业数字化是推动数字经济与实体经济融合发展的关键要素。顺应数字经济时代发展浪潮，推进数字化变革成为实体企业的新使命和新机遇[11]。企业数字化的核心是利用互联网、人工智能、数据挖掘和分析、物联网、云计算等新兴数字技术辅助企业决策，提高数字经济占企业产出的比重，加速企业创新进程[12,28]。已有研究表明，企业数字化转型有利于提升企业创新绩效[36]。因此，相较于尚未实现数字化转型的实体企业，已实现数字化转型的实体企业能够更好地实现与数字经济的融合发展，加快创新进程，提升创新能力。基于以上分析，本文提出以下假设：

假设3：相较于尚未实现数字化转型的实体企业，数字经济发展对已实现数字化转型的实体企业创新的促进作用更为明显。

数字经济发展对实体企业创新的影响还可能因企业规模不同而存在差异。在数字经济时代，如何实现数字化转型，革新管理、生产以及销售模式，加速创新进程，成为中小企业面临的关键问题。然而，在实际发展过程中，大型实体企业往往能够利用自身优势发挥规模效益，提高数字化转型效率，而中小型实体企业在资金、人才、技术等多方面都相对落后，在数字化转型过程中面临的阻碍更多，转型难度更大，进展相对缓慢。企业数字化转型情况在一定程度上能够反映企业与数字经济融合发展情况，从这一层面来说，相较于大型实体企业，中小型实体企业与数字经济融合发展的难度更大，导致其创新过程受数字经济发展的正向促进作用较弱。基于以上分析，本文提出以下假设：

假设4：相较于规模较大的实体企业，数字经济发展对规模较小的实体企业创新的促进作用较小。

三、研究设计

（一） 计量模型构建

为探究数字经济发展对实体企业创新的影响，本文构建如下基准回归模型：

其中，因变量Innovationit表示企业i在 第t年的创新产出水平，分别采用企业专利申请总数、发明专利申请数量以及非发明专利申请数量进行衡量；解释变量Dig_ecoit表示企业i所 在城市第t年的数字经济发展水平，采用城市数字经济发展指数衡量；Controlit表 示一系列控制变量合集；Year、Ind、Area分别表示年份、行业、地区虚拟变量；εit为误差项。

为进一步考察数字经济发展影响实体企业创新的渠道，本文在模型（1）的基础上，构建如下中介效应模型：

其中，Mediation为中介变量，分别表示企业吸收能力（Absob_cap）和融资约束（Fin_con），其余变量含义同模型（1）。中介效应检验分为如下三个步骤：首先，估计模型（1）中的系数α1，检验城市数字经济对实体企业创新的总效应。若α1显著为正，则表明城市数字经济发展能显著提升实体企业创新水平。其次，分别估计模型（2）和（3）中的系数β1和 γ2， 若二者均显著，则表明存在中介效应。在此基础上，若γ1显 著为正且小于α1，则表明中介变量发挥了部分中介作用。最后，若系数β1和 γ2至少有一个不显著，则通过S obel检验判断是否存在中介效应。

（二） 数据来源与样本筛选

本文以2016—2019年沪深A股实体上市公司数据为研究样本，考察城市数字经济发展对实体企业创新的影响。其中，数字经济指数来源于新华三集团2017—2020年发布的《中国城市数字经济指数白皮书》。上市公司专利数据来源于中国研究数据服务平台（CNRDS）的创新专利研究数据库，其余指标的数据来源于CSMAR数据库。

在此基础上，本文对上市公司样本依次进行如下处理：（1）仅保留A股上市公司；（2）借鉴黄群慧[37]对实体经济的定义，剔除金融业和房地产业上市公司，将研究范围限定为实体上市公司；（3）剔除资产负债率大于1的公司；（4）剔除研究期间内已退市的公司；（5）剔除ST、*ST及PT企业。最终，本文得到2016—2019年12183个样本。为消除极端值对实证结果的影响，参考现有研究的普遍做法，本文对所有连续性变量进行了上下1%的缩尾处理。

（三） 变量选取

第一，因变量：企业创新（Innovation）。专利是衡量企业创新时使用最广泛的指标，包括专利申请数和专利授权数两种。本文采用专利申请数作为企业创新的代理变量，主要是因为专利授权与专利申请之间存在较长的时滞，因而专利授权数难以及时全面地反映企业的创新水平。具体而言，本文分别采用企业专利申请总数（Inno_total）、反映企业实质性创新的发明专利申请数量（Inno_inv）以及代表企业策略性创新的非发明专利申请数量（Inno_stra）作为因变量[38]。同时，由于专利申请数存在较多零值，分布存在明显的厚尾现象，因此，对以上三类专利申请数量均进行“加1取自然对数”处理。

第二，核心解释变量：数字经济（Dig_eco）。如前所述，本文采用新华三集团发布的城市数字经济指数衡量数字经济发展状况。表1列出了2016—2019年数字经济发展排名前10位的城市。可以发现，数字经济发展靠前的城市主要是一线城市或长三角城市。在实证研究中，为避免异方差对估计结果的干扰，本文对数字经济指数统一进行对数化处理。

表1 2016—2019年数字经济发展排名前10位的城市

第三，中介变量（Mediation）。本文的中介变量有2个：①吸收能力（Absob_cap）。企业吸收能力与研发投入密切相关[23]，研发投入强度是最常用的企业吸收能力衡量指标，因此，本文参考Schildt等[39]的研究，采用“研发投入占营业收入的比重”衡量企业吸收能力，比重越大，表明企业吸收能力越强。②融资约束（Fin_con）。有代表性的企业融资约束衡量指标包括KZ指数、WW指数以及SA指数等。其中，KZ指数和WW指数的计算过程包含了许多具有内生性的融资变量，如企业现金流、股利等[32]，而SA指数的计算仅需使用企业规模和年龄两个变量，外生性更强[40]，因此，本文采用SA指数计算融资约束，具体公式为(−0.737×S ize)+(0.043×S ize2)−(0.04×Age) ， 其中，Size和Age分别表示企业规模和企业年龄。根据公式计算获得的SA指数为负值，其绝对值越大，表明企业受到的融资约束越严重。为便于后文实证结果解释，本文对SA指数取绝对值，得到企业融资约束变量Fin_con。Fin_con取值越大，表明企业面临的融资约束越严重。

第四，控制变量。借鉴已有研究[18，20]，本文选取如下控制变量：①企业规模（Size），用公司总资产对数予以衡量；②资产负债率（Lev），通过“总负债/总资产”计算获得；③企业年龄（Age），根据“获得观测值的年份减去企业成立年份”计算得出；④流动比率（Liquidity），依据“流动资产/流动负债”计算获得；⑤总资产净利润率（Roa） ，以“净利润/总资产”衡量；⑥股权集中度（Shrcr），用“公司第一大股东持股比例”衡量。变量的描述性统计见表2。

表 2 (续)

表2 变量的描述性统计

四、实证结果及分析

（一） 基准回归结果分析

表3报告了基准回归结果。可以看出，无论是以企业专利申请总数、发明专利申请数量还是非发明专利申请数量作为因变量，核心解释变量Dig_eco的系数均在1%显著性水平下显著为正，表明城市数字经济发展对实体企业创新具有显著的促进作用，初步支持了假设1。更进一步地，数字经济指数对企业发明专利申请数量的估计系数为0.662，显著高于非发明专利申请数量的估计系数0.433，说明数字经济发展对企业实质性创新的促进作用更大。之所以如此，可能是因为数字经济的快速发展加剧了企业之间的竞争，单纯依靠低质量的创新难以让企业在竞争越发激烈的数字经济时代树立核心竞争优势，企业不得不开展更高质量的创新活动。这一结果意味着加快推动数字经济发展能够在很大程度上缓解中国目前存在的创新资源错配问题，改善创新资源配置效率，提高创新质量。

表3 基准回归结果

（二） 作用机制检验

按照中介效应模型的估计方法，本文分别对吸收能力和融资约束机制进行检验。表4（1）列的数据显示，Dig_eco的估计系数为0.035，且在1%显著性水平下显著，说明数字经济发展能够显著提升实体企业的吸收能力。表4（2）、（3）、（4）列的数据显示，吸收能力的提高能够在1%显著性水平下促进实体企业专利申请总数、发明专利申请数量以及非发明专利申请数量增加。同时，表4（2）、（3）、（4）列Dig_eco的系数分别小于基准回归中对应的Dig_eco的系数，说明吸收能力在数字经济促进实体企业创新过程中发挥了部分中介作用，即数字经济发展可以通过提升实体企业吸收能力来促进企业创新绩效提高。

表4 作用机制检验

与之类似的是，表4（5）列的数据显示，Dig_eco的估计系数在5%显著性水平下显著为负，意味着数字经济发展能够有效缓解实体企业面临的融资约束。表4（6）、（7）、（8）列的数据显示，融资约束对实体企业专利申请总数、发明专利申请数量以及非发明专利申请数量均具有显著的抑制作用。同时，表4（6）、（7）、（8）列Dig_eco的 系数分别小于基准回归中对应的Dig_eco的系数，说明融资约束在数字经济促进实体企业创新过程中发挥了部分中介作用，即数字经济发展可以通过缓解实体企业面临的融资约束来促进企业创新绩效提高。至此，假设2得到验证。

（三） 异质性分析

1. 企业数字化转型异质性

本文借鉴祁怀锦等[12]对企业数字经济化的定义来界定企业是否实现数字化转型。具体而言，本文利用来自CSMAR的上市公司财务报表附注数据库，借助正则表达式，对企业的数字化转型进行考察。如果企业年末无形资产项目包含“软件”“网络”“客户端”“管理系统”“智能平台”等与数字技术有关的词语，则认定企业在当年已经实现数字化转型，否则认定企业尚未实现数字化转型。表5为企业数字化转型异质性的估计结果。可以看出，对尚未实现数字化转型的企业而言，数字经济发展对实体企业专利申请总数和非发明专利申请数量的影响均不显著，仅对实体企业发明专利申请数量在5%显著性水平下有显著影响；对已经实现数字化转型的企业而言，数字经济发展对不同因变量的影响均在1%显著性水平下显著为正，且各模型Dig_eco的估计系数的大小均明显大于尚未实现数字化转型的企业。由此可见，相较于尚未实现数字化转型的企业，数字经济发展对实体企业创新的促进作用在已实现数字化转型的企业中更大。这一研究结果支持了假设3。

表 5 (续)

表5 企业数字化转型异质性估计结果

2. 企业规模异质性

按照样本企业规模的中位数，将样本划分为规模较小的企业和规模较大的企业两组，进行企业规模异质性分析，估计结果见表6。表6显示，对两组企业而言，所有模型的Dig_eco的估计系数均为正，且至少通过了10%显著性水平的显著性检验，说明数字经济对不同规模实体企业的创新绩效均具有显著的促进作用。更进一步地，比较两组企业估计系数可以发现，无论是以专利申请总数、发明专利申请数量还是以非发明专利申请数量作为因变量，规模较大的企业Dig_eco估计系数均大于规模较小的企业，表明相较于规模较小的企业，数字经济发展对实体企业创新的促进作用在规模较大的企业中更大，假设4成立。

表6 企业规模异质性估计结果

（四） 稳健性检验与内生性讨论

1. 稳健性检验

为保证前文估计结果的稳健性，本文从四个方面对基准回归进行稳健性检验：第一，变换估计模型。考虑到本文中衡量企业创新的专利申请对数值包含较多为0的观测值（其他为正值），故采用Tobit模型进行稳健性检验。第二，所有解释变量滞后一期。考虑到数字经济发展对企业创新的影响可能存在时滞，同时为缓解数字经济与企业创新之间可能存在的反向因果问题，本文将所有解释变量滞后一期重新进行估计。第三，所有变量取平均值。为避免因外界冲击导致的变量“短期伪相关”问题，本文对所有变量在研究期内取平均值后重新进行估计。第四，剔除直辖市样本。考虑到直辖市与其他城市在经济等方面的差异，本文将直辖市样本剔除后重新进行估计。稳健性检验结果见表7。从表7可以看出，在不同情形下，Dig_eco的估计系数均在1%显著性水平下显著为正，且数字经济指数对发明专利申请数量的估计系数均高于对非发明专利申请数量的估计系数，估计结果与基准回归一致，表明本文的估计结果是稳健的。

表7 稳健性检验结果

2. 内生性讨论

虽然基准回归和一系列稳健性检验得到了一致的研究结论，但内生性问题依然可能对本文的研究结果产生威胁。前文采用滞后一期的解释变量进行稳健性检验，在一定程度上缓解了模型可能存在的反向因果关系问题，但依然难以从根本上消除反向因果关系的影响。不仅如此，在实证分析中还可能因为遗漏变量等问题导致估计结果偏误。为此，本文试图寻找城市数字经济发展的工具变量来解决可能存在的内生性问题。

从历史角度选取工具变量是经济学研究采用的一个普遍做法，因为历史变量与现在相距甚远，所以其通常难以影响因变量，满足工具变量的外生性条件。例如，Li等[41]采用滞后30年的国有企业就业比率和人均播种面积作为创业的工具变量，识别了创业与中国经济增长之间的因果关系。按照这个思路，本文最终选取“滞后30年（即1986—1989年）的城市每百人固定电话数量”（Per_fixpho）作为城市数字经济发展的工具变量进行估计。这是因为互联网是最重要的数字基础设施之一，互联网发展是推进城市数字经济发展的核心基础，其完善程度在一定程度上决定了物联网、大数据挖掘、5G等信息技术的发展进程，同时，互联网的发展始于固定电话普及，历史上固定电话普及率较高的城市的互联网普及率可能也较高[42]，将滞后30年的城市每百人固定电话数量作为工具变量满足工具变量的相关性条件。在实际估计中，本文对每百人固定电话数量进行对数化处理，工具变量的估计结果见表8。

表8 工具变量估计结果

表8（1）列的数据显示，Per_fixpho的估计系数为0.108，且在1%显著性水平下显著，满足工具变量的相关性条件。同时，一阶段F值为186.441，说明不存在弱工具变量问题。（2）、（3）、（4）列的数据显示，Dig_eco的估计系数均在1%显著性水平下显著为正，且对企业实质性创新的估计系数（0.849）大于对策略性创新的估计系数（0.641），表明在考虑内生性问题后，基准回归的研究结论依然不变。

五、结论与对策建议

数字经济能否为实体企业有效“赋能”，促进实体企业转型升级，进而推动中国实体经济发展质量和水平的提升，是一个亟待检验、具有现实意义的重大问题。为此，本文结合新华三集团发布的2016—2019年城市数字经济指数和沪深A股实体上市公司数据，综合运用多种计量方法，考察城市数字经济发展对实体企业创新的影响效应、作用机制及其异质性。本文的主要研究结论有三点：第一，数字经济发展有利于促进实体企业创新，且对企业实质性创新的促进作用大于对策略性创新的促进作用，稳健性检验结果和采用“滞后30年的城市每百人固定电话数量”作为工具变量的估计结果均支持这一结论。第二，中介效应估计结果表明，提升企业吸收能力和缓解企业融资约束是数字经济发展促进实体企业创新的两条渠道。第三，数字经济发展对不同类型实体企业的创新绩效存在差异化影响。总体而言，数字经济发展对已经实现数字化转型的实体企业和规模较大的实体企业的创新驱动效应更大。

本文的研究结论具有重要的启示意义。首先，要在确保各类风险可控的前提下，打好数字经济高质量发展“组合拳”，通过增加新型基础设施建设投资、推进数字产业化和产业数字化、培养和引进数字化人才等政策措施不断提升城市数字经济发展水平，充分激发数据要素的价值。其次，要营造良好的政策环境和利于数字经济与实体企业深度融合发展的营商环境，稳步推进金融数字化转型，着力提升实体企业吸收能力，缓解实体企业“融资难融资贵”的问题，充分释放数智化时代数字经济发展对实体企业创新的正外部性。最后，顺应数字经济发展浪潮，加快实体企业数字化转型。一方面，对缺乏资金和人才优势或者尚未实现数字化转型的实体企业而言，应聚焦长远发展目标，结合自身发展特点提前合理布局，找到适合自身数字化转型的路径，努力抓住数字化红利和机遇。另一方面，地方政府应充分重视尚未实现数字化转型的实体企业在数字化转型方面面临的困难和阻碍，提供相应的扶持政策，降低这类企业数字化转型过程中的盲目性、过度性、不匹配性，力争实现数字经济普惠式发展。