数字经济对工业劳动生产率的影响研究

黄建康 潘钰秋

（江南大学商学院，无锡 214122）

引 言

改革开放以来，中国传统工业产业依托廉价劳动力、资源禀赋等优势，极大地提高了劳动生产率水平。但随着人口老龄化加剧，生产要素成本显著提高，依靠人口红利和资本投入已难以保持高水平的劳动生产率，工业尤其是制造业逐渐丧失竞争优势，陷入低端锁定的发展困境。劳动生产率的提高是推动工业实现转型升级的重要动力，而工业产业作为支撑中国经济发展的基础性产业，其结构转换升级直接关乎着国民经济的内部结构优化和发展动能转换，对于中国经济社会的高质量发展意义重大。

进入新常态后，仅依靠资本投入已难以保持劳动生产率的快速增长，自主创新、技术进步将成为劳动生产率增长的新动力。近些年以大数据、云计算、人工智能等为代表的数字技术快速发展，与各行业和领域的融合程度日益加深，数字经济成为工业产业突破当前困境的可能途径。 “十四五”规划中指出，要推动实体经济和数字经济融合发展，以 “双融合”支撑 “双循环”，打造数字经济新优势，为构建新发展格局提供支撑。因此，能否借助数字经济提高工业劳动生产率，对于培育工业创新发展新模式具有重要的实践意义。

1 文献综述与研究假设

1.1 数字经济测度

国内外围绕数字经济的测度采用了多种方法，包括国民经济核算相关方法论、增加值测算、相关指数编制和构建卫星账户等[1]，尚未形成统一标准。国内比较常见的是相关指数编制，不少研究机构发布了相关指数，如中国信息通信研究院编制的数字经济指数、上海社科院构建的全球数字经济竞争力指数等。近些年来不少学者对构建数字经济指标体系有所研究。万晓榆等（2019）[2]在引入治理环境的基础上，形成了一个基于投入与产出角度的数字经济发展评估指标。王军等（2021）[3]着眼于数字经济的条件、应用与环境，选取数字经济发展载体、数字产业化、产业数字化和数字经济发展环境4个一级指标以衡量数字经济。

1.2 数字经济与劳动生产率

对于数字经济能否提高劳动生产率，学者们有不同的观点。 Labaye和 Remes（2015）[4]认为数字技术的快速发展及其对企业、政府和个人的日益广泛的应用，将为未来的生产率增长做出巨大贡献。 Bogoviz等（2018）[5]研究发现当前企业数字化进程对劳动效率增长的影响为零或负，并分析是由后工业经济向数字经济过渡时期的不完整造成的。 Metlyakhin等（2020）[6]使用两组数字指标构建了两个不同时间段（2011～2017年和2006～2017年）的模型，发现在短时间内数字化因素对区域劳动生产率影响不显著，而在长期内大多数数字化因素对劳动生产率有显著的正向影响。

国内对数字经济与劳动生产率关系的研究，近些年来主要集中于互联网对制造业劳动生产率的影响。王娟（2016）[7]在理论分析 “互联网+”能够降低交易成本、改造供应链、提高人力资本后，实证表明 “互联网+”可以显著提高中国制造业劳动生产率。卢福财和徐远彬（2019）[8]实证研究发现互联网能够促进制造业劳动生产率的提升，并通过机制分析论证了互联网会通过降低生产成本和促进创新来提高劳动生产率水平。

当前对数字经济的研究重点在定义的界定、测度指标的构建以及数字经济促进产业转型升级[9，10]、驱动经济高质量发展的机制分析[11，12]上。而关于数字经济对劳动生产率影响的研究，目前还比较匮乏。因此，本文参考了学术界常用的数字经济测度方法，在已有对互联网和劳动生产率关系研究的基础上，实证探究数字经济对工业劳动生产率的影响，将数字经济领域的研究延伸到产业层面，并为工业高质量发展提供理论支撑和实证依据。

1.3 研究假设

1.3.1 数字经济对工业劳动生产率的直接影响

随着数字技术的不断创新与发展，其在产业各环节得到广泛应用，为传统产业转型升级和生产效率提升提供了重要动力。作为数字经济发展的核心，数字产业化和产业数字化推动生产力重塑。通过数字产业化，数字化的知识和信息被转化为生产要素，借助新一代信息通信技术，培育出新产业、新模式、新业态，并为资本、劳动等传统生产要素的发展提供更宽广的前景。通过产业数字化，数字经济对传统工业进行数字化改造，优化生产流程和组织形式，提升生产效率和经济效益。在生产流程方面，企业通过与人工智能和工业互联网的结合，实现智能制造、网络化生产，极大地优化了各生产环节，提高了生产自动化水平。在组织层面，企业通过互联网、大数据等数字技术提高了信息的流动性，形成更大范围、更深层次的市场分工，组织方式更加灵活，推动了生产的协同化。根据以上分析，提出假设：

假设1：数字经济能够提升工业劳动生产率。

1.3.2 数字经济对工业劳动生产率的非线性影响

数字经济的发展需要高水平劳动力的推动，人力资本可能会导致数字经济对工业劳动生产率产生非线性影响。由于大数据、人工智能等为代表的数字经济应用对劳动力素质的要求较高，因而在人力资本水平高的地区，劳动者的综合素质较高，能有效匹配数字技术应用，加速工业企业通过数字化转型提升劳动生产率。人力资本水平差异可能会导致数字经济对工业劳动生产率的影响存在 “门槛”效应，即当人力资本达到一定程度后，其会增强数字经济对工业劳动生产率的促进作用。基于此，本文提出假设：

假设2：数字经济对工业劳动生产率存在基于人力资本的非线性影响。

2 研究设计

2.1 模型设定与变量选取

2.1.1 计量模型

本文采用2013～2020年中国30个省（区、市）（考虑到数据的可获得性，不含西藏和港、澳、台地区）的面板数据，实证研究数字经济对工业劳动生产率的影响，计量模型设定如下：

其中，i表示地区（省（区、市）），t表示时间（年份），β为待估参数，CVit为控制变量，εit为随机扰动项。

为了进一步检验数字经济对工业劳动生产率的非线性影响，本文采用门槛模型进行非线性检验，构建如下模型：

其中，eduit为门槛变量人力资本，γ为门槛值，I（·）为示性函数，当括号中表达式为假时，取值为0，否则取值为1。

2.1.2 变量选取

（1）被解释变量：工业劳动生产率水平（ilp）。劳动生产率指劳动者生产产品的效率，用单位劳动投入的产出表示。基于数据可获得性，本文采用规模以上工业企业全员劳动生产率，即规模以上工业企业的增加值除以平均用工人数来衡量，并以2013年为基期，用生产者出厂价格指数对增加值进行平减。规模以上工业企业增加值数据由于不可获得，用总工业增加值代替。

（2）解释变量：数字经济，由本文构建的数字经济发展指数（dedi）衡量。按照现有研究中对数字经济的定义，数字经济涉及多个方面，并不是单个指标可以衡量的，学者们对数字经济的测度也都是构建由多维指标组成的综合指数。基于本文对数字经济的研究主要集中在应用层面，依据科学性、层次性及数据的可获得性等原则，本文构建了以数字产业化、产业数字化两个一级指标为基础的数字经济指标体系，共选取7个变量，具体如表1所示。

表1 数字经济发展水平指标体系

（3）控制变量：本文考虑了行业集中度、环境规制强度、政府参与程度和道路基础设施投入强度。行业集中度（ic）有利于实现规模经济，提高劳动生产率，用工业企业平均规模，即工业增加值与工业企业单位数之比衡量。环境规制的实施能够促进本地产业结构升级，优化劳动生产率，环境规制强度（eri）用工业污染治理投资额占增加值的比重度量[13]。政府财政自由度（gi）直接影响劳动生产率，采取地方财政一般预算内支出占GDP的比值衡量政府参与程度。道路基础设施的改善不仅可以降低交易成本，还可以促进创新要素和人力资本的流动，推动产业转型升级，从而提高劳动生产率。参考刘强和李泽锦（2021）[14]的研究，采用单位面积内的铁路和等级公路里程数表示道路基础设施投入强度（road）。

基于前文选取的变量，考虑到不同变量之间存在数量级差异，为保证数据的平稳性和消除模型中的异方差，对被解释变量和控制变量做对数处理，设定基准回归模型如下：

2.2 数字经济发展指数测度方法

确定数字经济发展指数不仅需要选取可获得的具体指标，还需要赋予相关指标权重。由于各指标值之间的量纲存在很大差异，无法直接进行横向比较和加权求和，需要进行标准化处理消除这些差异，才能保证最终测算指数的准确。

首先，对原始数据进行无量纲化处理：

其中，xθij表示第θ年省（区、市）i的第j个指标，maxxj和minxj分别为第j项指标下的最大值和最小值，yθij为无量纲化的结果。在对数据进行正规化处理后，参照张雪玲和焦月霞（2017）[15]、王娟娟和佘干军（2021）[16]的研究利用熵值法确定每个指标的权重。

确定第j项指标下yθij所占比重ωθij：（假设年份跨度为d，省（区、市）数量为n）

计算第j项指标的熵值ej：

计算第j项指标的差异性系数dj：

确定指标权重ψj：（假设指标数量为m）

最后，基于标准化指标yθij及确定的指标权重ψj，计算数字经济发展指数dedi：

具体指标内容及权重如表1所示。

2.3 数据说明

本文的研究样本是2013～2020年30个省级区域（考虑到数据的可获得性，不含西藏和港、澳、台地区），数据来源于各省（区、市）历年统计年鉴、国家统计局和国泰安数据库。受新冠肺炎疫情影响，2020年的数据略有波动但处于正常变动范围内，对研究结论影响不大。

3 实证检验

3.1 基准回归结果分析

本文采用固定效应估计数字经济发展指数对工业劳动生产率的影响。同时，为了考察数字经济分解指标对工业劳动生产率的影响，在原模型的基础上分别讨论数字产业化（indus）、产业数字化（dig）两个分解指标对工业劳动生产率的影响。回归结果如表3所示。

表2 变量描述性统计

表3 基准回归结果

续 表

从列（1）的回归结果可以看出，数字经济发展指数的系数是0.258，且在5%的水平上显著，说明数字经济发展水平对工业劳动生产率具有显著的促进作用，假设1得到验证。列（2）、（3）的回归结果显示，数字经济分解指标对工业劳动生产率都具有显著的促进作用，并且从系数可以看出，产业数字化对工业劳动生产率的促进作用大于数字产业化。产业数字化可以有效改造和赋能传统产业，充分发挥 “数字”作为新生产要素的巨大潜力，为传统工业数字化转型提供创新动力，极大提高生产效率。

对于控制变量，各个模型的回归结果基本一致，行业集中度对工业劳动生产率有显著的促进作用，政府参与程度对工业劳动生产率有较为显著的负向影响，环境规制强度和道路设施投入强度对工业劳动生产率的影响不显著。

3.2 稳健性检验

为保证实证结果的稳定性，参考李慧泉和简兆权（2022）[17]的做法，使用主成分分析对数字经济各项指标进行处理，重新得到一个新的评价指数，替换原解释变量进行回归分析。结果如表4的列（1）所示，数字经济的系数仍显著为正，从而进一步证明基准回归的结果具有稳健性。

3.3 内生性问题

前文已经通过双固定效应回归消除了部分内生性问题，针对仍然可能存在的由于双向因果和遗漏变量造成的内生性问题，本文采用工具变量法试图缓解。

借鉴 Bartik（2009）[18]的做法，构建工具变量bartik（滞后1阶的数字经济发展指数dedii（t-1）与数字经济指数在时间上的一阶差分Δdedit的乘积），然后进行工具变量估计。bartik反映的是各地区数字经济按照全国数字经济增长率进行增长得到的预测值。由于全国层面的数字经济发展基本不会受到某个地区发展的影响，因而全国层面数字经济的变化相对于各地区而言是外生的，bartik工具变量可以减弱反向因果造成的内生性问题[19]。对于可能存在的遗漏变量，只要外生冲击对某个地区数字经济发展的影响与全国层面的数字经济不存在显著相关，bartik工具变量就是有效的[20]。

表4的列（2）为工具变量的回归结果。其中，K-P LM统计量的P值为0.074，拒绝 “工具变量识别不足”的原假设，K-P Wald F统计量为39.948，大于10%水平的临界值16.38，拒绝“工具变量弱识别”的原假设，通过了弱工具变量检验。这表明构建bartik作为工具变量是合理的，能够缓解一定的内生性问题。回归结果中数字经济发展指数的系数与基准模型结果一致，都显著为正，进一步证实了数字经济对工业劳动生产率的正向促进作用。

3.4 非线性检验

为了考察数字经济对工业劳动生产率的非线性影响，本文运用面板门槛模型进行检验，人力资本为门槛变量。首先对门槛变量进行检验，结果如表5所示，单门槛效应结果较为显著，双门槛和三门槛结果均不显著。因此，本文基于单门槛模型进行分析，门槛值为8.2826。为了更加清晰地判断门槛值是否为真实值以及置信区间的分布情况，本文做出以数字经济发展指数为门槛变量的似然比（LR）趋势图，如图1所示。

表5 门槛效应检验结果

图1 数字经济发展指数的门槛值估计图

对模型（2）采用单门槛模型进行估计，结果如表4列（3）所示。当数字经济发展指数低于门槛值8.2826时，系数为1.57，高于门槛值时，系数为0.28，这表示当人力资本超过门槛值时，数字经济对工业劳动生产率的促进作用有所减弱。这与假设不相符，原因可能在于，人力资本水平较低的地区，其经济发展水平也比较低，劳动生产率有较大的提升空间，数字经济对工业劳动生产率的促进作用比较明显。这也进一步表明，数字经济与工业产业的融合还不够深入，在人力资本水平较高、发展已经达到一定水平的地区，数字经济对工业劳动生产率的提升作用尚不显著，数字经济在我国工业领域的应用还有很广阔的发展前景。

4 结论与启示

目前中国的数字经济正处于快速发展阶段，这对工业提质增效、实现高质量发展有着深远的影响。本文在对各省（区、市）数字经济发展水平进行测度的基础上，运用固定效应模型和门槛回归模型，实证研究数字经济对工业劳动生产率的影响。结果表明：（1）数字经济对提升工业劳动生产率具有显著的促进作用，并且其分解指标数字产业化、产业数字化不同程度地促进工业劳动生产率的提升，产业数字化的促进水平高于数字产业化；（2）数字经济对工业劳动生产率存在基于人力资本的非线性影响，并且有显著的单门槛效应，当人力资本达到一定水平时，数字经济对工业劳动生产率的提升作用有所减弱。

基于以上结论，提供一些政策启示：（1）大力发展数字经济，壮大电子信息制造业、软件业、电信业等数字化产业；（2）深入推进产业数字化转型，推动生产运营智能化、灵活化，有效提高传统生产要素的利用效率，促进工业化和信息化更深层次融合，为工业企业提质增效赋能； （3）依托国家重点研发计划，加强产学研协同攻关，加快突破关键技术，提升数字化转型与智能化升级的关键核心技术和产品研发能力。