非工业企业数字化转型的生产效率差异分析——基于A股上市企业的准自然实验

潘 艺，张金昌，黄 静

（1.中国社会科学院大学 研究生院，北京 102488；2.中国社会科学院 工业经济研究所，北京 100006）

一、引 言

2015年初，李克强总理在政府工作报告中提出“大力调整产业结构，支持发展移动互联网新兴产业”的目标。同年，《国务院关于促进云计算创新发展培育信息产业新业态的意见》（国发〔2015〕5号）《国务院关于积极推进“互联网+”行动的指导意见》（国发〔2015〕40号）《国务院关于印发促进大数据发展行动纲要的通知》（国发〔2015〕50号）等一系列促进企业数字化转型的政策文件先后出台，标志着我国企业步入数字化转型新阶段。数字化转型是将附带数字化的无形生产要素通过互联网+、云计算、人工智能、大数据等数字技术应用到企业的过程。数字化转型使企业的生产、销售、管理等活动实现了与互联网、云计算、人工智能、大数据等技术的有机结合。自2015年后，我国数字化转型发展迅速。据统计，2016—2019年我国数字化转型平均增速高达17.3%，到2019年末数字化转型规模占GDP比重为36.2%（1）。近几年，我国数字化转型的增速和规模都超过了美国［1］。

数字化转型对经济发展的影响引起了学者们的广泛关注。有学者从宏观层面研究发现，数字化转型能有效提升各省市的经济发展［2-5］；有学者从微观角度研究发现，数字化转型能提升上市企业的业绩水平［6-7］；有学者研究发现，制造业企业的数字化转型能有效提高企业生产效率，进而提升企业经济效益［8-12］；也有学者指出，数字化转型带来的更多改变发生在服务业，服务业的数字化转型，使过去难以提供大规模服务的领域也可以实现规模经济，产生规模效益。总体来说，数字化转型对微观经济发展影响的研究大多集中在以制造业为主的工业行业，针对服务业等非工业行业的研究较少。而从国家统计局公布的行业发展数据来看，我国经济主要由19个行业组成，其中包括3个工业行业、16个非工业行业。工业行业共有364.80万家企业，非工业行业共有2 163.22万家企业，占比分别为14.43%和85.57%（2），工业企业增加值为313 071.1亿元，非工业企业增加值为702 915.1亿元，分别占30.81%和69.19%（3），可见，无论是从企业数量还是企业规模来看，非工业企业在我国经济中占有重要的地位。因此，研究我国非工业企业数字化转型对其生产效率的影响具有重要的现实意义。

本文选取2010—2020年中国A股上市企业数据，并以2015年作为我国数字化转型的起始年份，运用双重差分法评估2010—2020年的数字化转型对非工业企业生产效率的影响，并且对不同规模、不同所有制、不同区域、不同密集度、不同行业的非工业企业的影响情况进行综合分析，以探究数字化转型在这些方面对非工业企业生产效率的影响差异，并提出政策建议。本文的边际贡献在于：①首次考察了数字化转型对非工业企业生产效率的影响，弥补了这一领域的研究不足。②从企业规模、所有制、密集度、地区、行业分类五个维度，分析了数字化转型对非工业上市企业生产效率的影响，揭示了数字化转型对不同类型非工业企业生产效率的影响差异。③首次从现金流视角估计了企业的全要素生产率，丰富了全要素生产率的估计方法。

二、文献综述和研究假设

（一）文献综述

企业数字化发展始于2000年以来互联网的普及，近年来，随着大数据、云计算、物联网、人工智能、5G、区块链等新一代数字技术的快速发展，企业数字技术应用对其生产效率的影响已引起学者的广泛重视。目前，整体性研究主要包括以下两个方面的结论。

第一，数字化转型对生产效率有积极作用。如Basu和Fernald［13］对比美国2000年前后的企业变化发现，数字化转型所伴生的新商业模式与新业态不仅可以促进生产效率提升，还可以通过减少信息不对称与优化资源配置提高经济市场的运行效率；Jorgenson等［14］通过考察1960—2005年85个组成行业的投入、产出和生产率增长发现，数字科技通过渗透到不同的行业与环节，通过对企业载体的信息化、数字化、智能化改造升级，可以大幅提升现有供给市场的生产效率；Graetz和Michaels［15］基于工业机器人使用角度，发现人工智能技术能够通过节约劳动成本、提高生产过程精准度、加剧行业竞争等途径推动生产率提升；王开科等［16］研究指出，数字化转型与传统经济的融合发展，显著促进了新产业、新模式和新业态的创新发展，加速了产业转型升级节奏，有效改善了生产效率；杨慧梅和江璐［17］基于2004—2017年我国省际层面数据研究发现，数字化转型能够通过刺激人力资本投资和推动产业结构升级两种途径促进生产效率的提升；邱子迅和周亚虹［18］将国家级大数据综合试验区的设立作为衡量数字化转型发展的一项准自然实验，采用双重差分法研究发现，建立大数据试验区能够显著促进地区技术进步，进而有效提高地区生产效率。

第二，数字化转型对生产效率有消极作用。如Acemoglu和Restrepo［19］通过对人工智能技术的研究认为，人工智能技术如果过度使用会对中低端劳动力产生一定的替代效应，导致资本与劳动配置失当，从而损害生产效率；陈丛波和叶阿忠［20］基于长三角地区省级和城市层面数据分析表明，在省级层面，数字化转型在短期内可能对本地和邻近省份的经济韧性产生不利影响；王玉和张占斌［21］以2010—2018年中国7大城市群作为研究对象，通过实证研究发现，哈长、中原、成渝一体化水平有所下降，数字化转型会抑制城市群区域经济增长一体化水平；刘达禹等［22］研究发现，数字化转型对生产效率的提升和经济增长的拉动作用存在显著的规模瓶颈效应；郭家堂和骆品亮［23］、李晓钟和李俊雨［24］、樊轶侠和徐昊［25］研究发现，企业数字化转型和生产效率存在“倒U”型非线性关系。

除上述整体性研究之外，学者们还进行了其他分类研究：①分行业的研究。续继和唐琦［8］、焦勇［9］、李春发等［10］、党琳等［11］、蔡延泽等［12］、李捷等［26］主要针对制造业企业进行了研究，发现数字化转型对提升制造业企业的绩效有明显促进作用；郑季良和亢华聪［27］对金属制品等6个装备制造业的研究发现，数字化转型明显提升了装备制造业的生产效率。②分地区的研究。李英杰和韩平［28］研究发现，数字化转型对产业结构的影响存在一定地域差异，东中部地区的产业结构优化升级比西部地区的效果更为明显；李政和杨思莹［29］、韦庄禹等［30］、张焱［31］研究发现，东部地区数字化转型对企业创新、生产效率改进的效果比其他地区更大。此外，赵宸宇等［32］对不同规模、不同所有制、不同劳动密集度企业的差异进行了研究，发现数字化转型对大型企业的生产效率提升作用大于中小型企业，对国有企业的生产效率提升作用大于非国有企业，对劳动密集型企业的生产效率提升作用大于技术密集型企业。

从上述文献来看，目前针对企业数字化转型的研究存在的问题是：①数字化转型对生产效率影响结论并不统一，正面影响和负面影响的结论并存。②分行业的研究主要集中于制造业，其他行业的研究相对匮乏。③针对分地区的企业异质性研究较多，但针对规模差异、所有制差异、劳动密集度差异的异质性研究文献较少。本文将使用非工业企业数据开展进一步的研究，期望丰富现有研究成果。

（二）研究假设

我国企业的信息化发展起步于20世纪80年代，2010年我国信息化水平已经超过了世界平均水平并达到了世界中等发达国家水平（4），2015年已进入全球领先位置，并在智能终端、云计算、大数据、卫星导航等领域逐步实现从模仿到超越、从引进吸收到自主创新的转化（5），这为我国企业数字化转型的广泛开展奠定了基础。从相关学者的研究来看，企业数字化转型的总体生产效率影响结论尚不确定，但大多数学者认为，工业制造业企业的数字化转型有助于企业降低成本、提高生产效率。对于具有自然垄断性质的电力、水、燃气等公共事业行业和大量采用机器人作业的采矿业来说，企业的数字化转型也会带来生产效率的提高。但对于非工业企业来说，其数字化转型是否带来生产效率的提升，目前还少有学者进行研究。

从近年来的实践情况看，“互联网+农业”的新商业模式减少了不必要的中间环节，盘活了中西部地区农村经济，应当提升了农业企业的生产效率；商业零售企业通过建立云端销售平台较为普遍地发挥了云端平台的“长尾效应”和“聚集效应”，完成了数字化转型的商业企业也应当带来了生产效率的提高；医药医疗行业的企业通过云端购销平台，提高了相关企业的信息共享和服务能力，只要是触云上网的企业均会带来效率的提高；教育领域的企业随着授课模式的云端化发展，其服务对象、服务时间和服务内容大幅度拓宽，也应当带来了效率和效益的提升。有鉴于以上分析，可以认为数字化转型有效降低了农业、零售、医疗、教育等非工业领域企业的生产成本，提高了生产效率。由此，提出本文假设1。

H1：数字化转型对我国非工业企业生产效率有显著促进作用。

企业数字化转型虽然能降低成本、提高效率，但是，企业需要投入一定的资金来进行系统建设和硬件设备的添置，在后期还需要持续进行系统维护。因此，数字化转型会长期占用企业大量资金，而小微企业往往自身无力承担这类费用［33］。由于经营模式单一、收入不稳定、抗风险能力弱等原因，小微企业常常难以获得外部融资资金，这使小微企业在数字化转型过程中处于不利的地位。因此，可以认为小微企业的数字化转型难度大于大中型企业，转型的生产效率提升的贡献也逊于大中型企业。由此，本文提出假设2。

H2：大型企业数字化转型提升企业生产效率的显著性高于其他规模企业。

2015年，我国进入数字化转型新阶段之后，国务院、国资委和地方国资委在推动企业数字化转型方面出台了多项政策。例如，在非工业领域，2015年6月国务院常务会议明确“互联网+”扶持现代农业、智慧能源高效物流等11个领域，2016年10月重庆国资委指示商贸物流企业运用互联网+、大数据、云计算等数字技术进行创新发展。国有企业对这些政策做出了快速响应，例如，2015年10月国家电网运用“云计算、大数据、物联网、移动终端”数字技术建设信息化平台，2017年10月中国铁物与成都铁路局打造“大数据+铁路新技术+集成供应”合作新模式。国有企业能够更好地响应国家政策，进行深度数字化转型，进而带来效率提升和业绩改善［6］。相比之下，非国有企业响应速度相对滞后，并且会面临较多的资源约束，其数字化转型速度和效果均不如国有企业。由此，本文提出假设3。

H3：国有企业数字化转型提升企业生产效率的显著性高于其他所有制企业。

从数字化转型的基础条件来看，东部地区基础设施完善，科技创新所需的资金和人才供给充足［29］，而中西部地区基础设施、人才和资金缺口均较大［30］。比较来看，东部地区的企业更有利于实现数字化转型。从工业和信息化部的调研情况也可以看出：从2015年下半年开始，工业机器人、3D打印机等数字化技术在以长三角、珠三角等为主的东部地区应用明显加快，大数据、云计算、物联网等新的配套技术和生产方式在东部地区开始得到大规模应用，海尔集团、沈阳机床、青岛红领等东部地区企业在智能制造上的探索已初见成效。东部地区企业的数字化转型进展明显领先于其他地区，因此数字转型对生产效率的提升会更加显著。据此，本文提出假设4。

H4：东部地区企业数字化转型提升企业生产效率的显著性高于其他地区企业。

近年来，随着劳动成本的不断上升，劳动密集型非工业企业多面临成本上涨的压力，这些企业纷纷想办法增加机器作业以减少工人数量，试图降低成本和提高效率，而工业智能化和数字技术的应用将导致“机器换人”［34］。《2019年机器人产业园发展前景及投资研究报告》显示，机器人的产量2015年为3.3万台，2017年为13万台，2019年接近20万台，说明近年来机器人在我国得到了大量使用。机器人的构成主要以工业机器人为主，涉及家庭、医用、警用等的服务机器人比例虽然在不断增高，但大多仅仅是示范性或观摩性使用，这种使用对劳动密集非工业企业生产效率的影响还不是很明显。而对于资本密集型非工业企业来说，虽然有大量的生产设备，但受传统机器设备物理性能的限制，往往很难实现与数字技术结合，因此资本密集型企业的数字化转型相对也比较困难。只有技术密集型企业的数字化转型相对比较容易，主要是技术密集型企业拥有较强的技术和人才优势，在数字化转型过程中能够发挥其适应能力强、转型快的优势，能够为其带来生产效率提升［32］。因此，本文提出假设5。

H5：技术密集型企业数字化转型提升企业生产效率的显著性高于其他密集型企业。

三、变量定义、模型设定和数据说明

（一）变量说明

1.被解释变量

企业生产效率通常使用全要素生产率（TFP）指标加以衡量，该指标能够有效揭示扣除企业基本生产要素投入贡献之后企业其他生产要素和企业生产要素配置的整体效率，可以作为本文的主要被解释变量，其估计方法主要有OP、LP、OLS、FE、DEA、SFA等［35］。刘莉亚等［36］研究认为，对于企业微观层面全要素生产率的估计，使用OLS回归会使得估计结果产生同时性偏差和样本选择性偏差；鲁晓东和连玉君［37］研究发现，OP方法可以较好地处理变量相互决定偏差所引起的内生性问题和样本选择偏差所引起的问题，而LP方法可以较好地解决数据丢失的问题，适用于企业层面的全要素生产率估计；贾伊萌和张旭亮［38］研究认为，由于上市企业投资数据的大量缺失，OP方法造成样本废弃率较高，而以中间投入作为代理变量的LP法的样本废弃率较低，因此，LP法较好地解决了OP法存在的样本损失较大的问题。有鉴于此，本文采用LP参数方法进行全要素生产率的计算。具体回归方程为：

其中：i代表企业；t表示时期；Y代表产出，取值利润表的“营业收入”科目；K代表资本投入，取值财务报表附注的“固定资产原值”和资产负债表的“在建工程”“工程物资”三个科目的合计数；L代表人力投入，取值上市企业基本资料的“员工人数”；M代表中间品投入，取值现金流量表的“购买商品、接受劳务支付的现金”科目。

2.解释变量

对企业数字化转型的界定是当前研究的热点和难点问题，目前常用的方法有两种：第一种是定量分析法，主要根据上市企业财务报表数据来界定企业数字化转型，如黄节根等［39］通过计算企业固定资产和无形资产中构建数字化资源的比例、企业资产负债表中研发支出的增长速度、企业是否设立了数字资源信息来界定企业数字化转型；第二种是定性分析法，主要通过上市企业财务报告中出现与数字化转型有关的词语来界定企业的数字化转型，如赵宸宇等［32］采用文本分析法和专家打分法，在上市企业年报中筛选出与数字化转型相关的高频词语来刻画企业的数字化程度，易露霞等［6］采用文本识别手段，在上市企业年报中识别与数字化转型相关的关键词汇，确定企业的数字化程度。

从已有研究来看，根据上市企业财务报表数据、使用定量分析方法来界定企业数字化转型这一做法，由于相关财务指标选择的理论并不充分和计量方法并不统一等原因，因而并未被学者大量采用。大多数学者选择使用定性研究方法，但这种方法因为词语选择而存在较多的人为判断因素，同时也存在相关资料文献查询范围的限制，因此，可能导致数据不完整。另外一种可以借鉴的方法就是通过证券公司对上市企业的“概念股”的分类来判断企业数字化转型的程度。证券公司根据企业的行业、概念、地区等特点对上市企业进行分类，其中的概念股分类就是根据企业的业务权重、转型热点、特色题材来划分的，其对上市企业是否属于数字化转型企业的划分相对较为准确。本文参考易露霞等［6］、赵宸宇等［32］对企业数字化转型的划分方法，结合证券公司对上市企业“数字化转型概念”的划分结果，对上市企业中涉及“数字化转型概念”的企业进行重新归集，其中，与企业数字化转型相关的概念有：5G概念、物联网、电子支付、云计算、边缘计算、大数据、数据中心、互联金融、电商概念、智能电网、智能穿戴、智能交通、智能机器、智能家居、智能电视、智能医疗、虚拟现实、数字孪生、新零售、跨境电商、量子科技、区块链、数字货币、人工智能、工业互联、远程办公等。本文使用这些“数字化转型概念”的出现频率作为上市企业数字化转型程度的界定方法。

大多数文献结合我国数字化转型战略执行的实际进程，将2015年作为我国正式步入数字化转型发展阶段的起点［40］，本文也将2015年作为上市企业数字化转型判断的分界年份，运用双重差分法评估数字化转型对企业生产效率的影响，为此特设立实验组和控制组虚拟变量treat，实验组为实施数字化转型的企业，定义为1；控制组为未实施数字化转型的企业，定义为0；数字化转型时间虚拟变量为period，2015年及以后年度的period定义为1，2015年以前年份的period定义为0。为了保证实施前后年度对比的一致性，选取2010—2014年作为政策前时间，2015—2020年作为政策后时间。交乘项treat×period是本文数字化转型的效应（DID），作为本文的解释变量。

3.控制变量

企业数字化转型与企业规模、存续时间、治理结构、决策效率、财务状况等直接相关，为了研究数字化转型与生产效率的关系，参考盛明泉等［35］、刘莉亚等［36］、王晓燕等［41］、易露霞等［6］、余长林等［42］的研究，本文设置相关控制变量，包括企业规模（Size）、企业年龄（Age）、企业资本密集度（Capital）、第一大股东持股比例（First）、两职合一（Dual）、董事会规模（Board）、企业的年报审计状况（Audit）、流 动 比 率（Liquid）、净 资 产 利 润 率（ROA）、行业竞争强度（HHI）。为了减少时间、行业、地区层面的不可观测因素的影响，本文加入了对应的固定效应，即年份（Year）、行业（Ind）、省份（Pro）的虚拟变量。

本文主要变量说明见表1所列。

表1 主要变量说明

续表1

（二）模型设定

本文参考邓峰和杨国歌［43］、易露霞等［6］、赵宸宇等［32］的研究方法，运用双重差分法评估数字化转型对非工业企业生产效率的影响。基准模型设定如下：

其中：i代表企业个体；t代表时间效应；TFP表示企业的生产效率，且为本文核心被解释变量；DID表示构建的双重差分项，代表数字化转型政策效应，若系数α1统计水平显著且为正，表明数字化转型对非工业企业的生产效率有积极促进效应；X为一组控制变量；Yeart、Indj、Proc分别为年份、行业、省份的固定效应；ε表示随机效应。

考虑数字化转型政策的时效性和滞后性对非工业企业生产效率的影响，本文进行时间政策对数字化转型影响的检验。为此，基准模型变更如下：

其中：DIDt分别代表2012年的政策效应（DID2012=treat2012×period2012）、2013年的 政 策效应（DID2013=treat2013×period2013）、2014年的政策效应（DID2014=treat2014×period2014）；αt为当年的统计水平，若系数αt统计水平显著且为正，表明数字化转型对非工业企业生产效率有积极促进效应。

当一个行业在某一年份同时受到两个或更多政策的影响时，双重差分法（DID）对其中一项政策的效果评估可能受到另一个政策影响而产生挤出或叠加效应，从而导致评估结果有偏差。因此，本文对政策唯一性进行检验，在基准模型中加入另一个政策的虚拟变量（DID_XGt=treatt×periodt），具体如下：

其中：DID_XG表示另一个政策的虚拟变量，为政策年的treat×period；α1、α2为当年的统计水平，若系数α1统计水平显著且为正，表明数字化转型对非工业企业生产效率有积极促进效应。

（三）数据来源

本文的样本数据为2010—2020年中国A股上市企业数据，其中，计算全要素生产率和相关控制变量数据均来自Wind数据库，上市企业的“概念”分类来自申万宏源金融系统。本文删除了金融类、ST类、营业收入样本缺失的数据，最终得到8 910个样本观测值。为了消除极端值的影响，本文对所有连续变量进行1%和99%的Winsorize处理，并且使用Stata15软件进行分析研究。

四、实证分析

（一）描述性统计

主要变量的基本描述性统计见表2所列。统计结果显示，全样本观测量为8 910个，实验组观测量为4 719个，占比52.96%，控制组观测量为4 191个，占比47.04%。全样本解释变量TFP的中位数为19.960，标准差为1.576，表明研究样本企业TFP大致满足正态分布，其中最小值为8.295，最大值为25.870，说明企业全要素生产率在样本期内存在明显的差异，本文的样本具有广泛性。对比实验组和控制组的TFP可以发现，实验组TFP的中位数（19.860）小于控制组TFP的中位数（20.060），实验组TFP的最小值高于控制组TFP的最小值，实验组TFP的最大值略低于控制组TFP的最大值，说明实验组和控制组的TFP变化有明显差异，因此本文的研究具有一定的现实意义。另外，本文选取的控制变量分布值域比较广，能够对本文的研究起到一定的控制作用。

表2 主要变量描述性统计

续表2

（二）基准回归

根据公式（2）使用固定效应模型进行DID估计，回归结果见表3所列。其中，列（1）为未加入控制变量和年度、行业、省份虚拟变量的回归结果，列（2）为加入虚拟变量的回归结果，列（3）为加入控制变量的回归结果，列（4）为加入控制变量和虚拟变量后的回归结果。列（1）—（3）列显示系数DID都在1%水平上显著为正，列（4）显示系数DID在10%水平上显著为正。上述回归结果表明，在其他条件不变的情况下，数字化转型有助于非工业企业生产效率提升。由此，本文H1得到验证。

表3 基准回归结果

从列（4）来看，系数Size、First、Audit、ROA都在1%水平上显著为正，说明数字化转型对非工业企业生产效率有规模效应。大规模企业的资金相对充裕，有助于企业创新，从而提升企业生产效率，同时也说明非工业企业生产效率的提升需要大量的资金支持；第一股东股权的集中度对企业生产效率有正向影响，大股东股权集中度越集中，股东与高管之间相互制衡和约束越小，对企业生产效率提升的冲击越小；审计报告的性质反映了企业的经营情况，经营情况越好的企业越有利于生产效率的提升；企业净资产利润率越大对企业生产效率提升越有帮助，也再次说明企业以创新提升生产效率需要大量资金的支持。系数Age、Capital、Board、liquid、HHI在1%水平上显著为负，说明非工业企业的年龄与生产效率存在负相关性，企业年龄越大，生产效率会更低；企业资本密集度对生产效率有抑制效应；董事会人数越多，决策意见可能越不容易达成一致，不利于企业生产效率的提升；企业流动比率和行业竞争强度越大也越不利于企业创新和生产效率提升。系数Dual在10%水平上显著为正，说明董事长未兼任总经理时，企业内部的相互制衡和约束更有利于企业创新发展和生产效率的提升。

（三）稳健性检验

1.共同趋势检验

共同趋势假设是进行双重差分法（DID）的前提。本文先分别计算得出各年度实验组和控制组全要素生产率的均值，然后绘制时间趋势图，从时间趋势图来判断实验组与控制组是否具有共同趋势，结果如图1所示。从图1来看，2010—2014年实验组和控制组的TFP变化趋势基本一致，2015—2018年实验组TFP的上升趋势明显快于控制组TFP的上升趋势，2019—2020年实验组和控制组TFP增长趋势都呈现放缓并下降的趋势。总体来看，实验组与控制组TFP的变化趋势相同，表明本文使用双重差分法进行政策评估较为合理。

图1 实验组与控制组全要素生产率变化趋势

2.倾向得分匹配-双重差分法检验

通过全要素生产率变化趋势检验，本文实验组和控制组的分类满足双重差分前提条件。为了消除实验组与控制组之间变动趋势的系统性差异，本文采用倾向得分匹配-双重差分法（PSM-DID）进行稳健性检验，估计结果见表4所列。

表4 PSM-DID估计结果

表4估计结果显示：列（1）和列（2）在没有控制变量时，系数DID在1%水平上显著为正；列（3）在加入控制变量但未加入年度、行业、省份固定效应时，系数DID仍在1%水平上显著为正；列（4）在加入控制变量和年度、行业、省份固定效应时，系数DID仍在10%水平上显著为正。4个模型稳健地证明了非工业企业数字化转型对提升生产效率有显著影响。

3.政策时间随机性检验

为了验证数字化转型对生产效率影响的稳健性，本文分别假设数字化转型随机提前1年、2年和3年，并生成新的时间虚拟变量，然后将新的时间虚拟变量与实验组虚拟变量进行分别相乘，再对新生成的三个交乘项（DID2014、DID2013、DID2012）分别进行估计，结果见表5所列。从列（1）—（3）结果来看，2012—2014年交互项系数DID2012、DID2013、DID2014均不显著，而列（4）系数DID在10%统计水平上显著为正，表明基本估计结果得出的2015年及以后年度非工业企业进行数字化转型对生产效率存在显著促进效应的结论较稳健。

表5 政策时间随机性检验结果

4.政策唯一性检验

从图1实验组全要素生产率变化趋势来看，2020年存在明显变化，考虑2019年末发生的新冠疫情及为此推出的一系列疫情相关政策，为剥离疫情政策对实证结果产生的干扰，本文引入疫情相关政策的虚拟变量和实施时间虚拟变量的交乘项，以控制疫情政策对企业全要素生产率的影响。具体而言，上市企业概念如果是疫情相关行业，则企业取值为1，反之为0；与此相对应，period取值为1，反之为0；交乘项为DID_XG。表6列（1）检验结果表明，与基准回归相比，系数DID依然在10%水平上显著为正，显著性没有发生改变，这表明非工业企业数字化转型对生产效率的影响并未因疫情相关政策的推出而发生显著改变，本文H1实证结果仍比较稳健。

5.替换被解释变量检验

在前文TFP计算过程中，营业收入（Y）、资本投入（K）、中间品投入（M）分别取值利润表、资产负债表、现金流量表，尽管都来自企业的财务报表，但这三张报表的统计口径并不一致。另外，上述三个变量数据的计量单位都是“元”，而人力投入（L）表示的是公司员工总数，计量单位是“人”，可见同一公式中指标计量的单位也不一致。为了解决统计口径不一致和指标计量单位不一致对计算结果带来的负面影响，本文将上述变量的取值进行调整。其中，Y取值现金流量表的“销售商品、提供劳务收到的现金”科目；K取值现金流量表的“固定资产折旧、油气资产折耗、生产性生物资产折旧”“无形资产摊销”“使用权资产折旧”“长期待摊费用摊销”四个科目的合计值；L取值现金流量表的“支付给职工以及为职工支付的现金”科目；M取值现金流量表的“购买商品、接受劳务支付的现金”科目。通过变量取值调整，不仅保证了计算TFP时各变量统计口径的一致性，而且也保证了各变量计量单位的一致性。根据公式（1）将被解释变量TFP改成现金流口径的计算结果进行稳健性检验，检验结果见表6列（2）所列。估计结果显示，在加入所有控制变量和年度、行业、省份效应后，系数DID在10%水平上显著为正，说明非工业企业数字化转型对生产效率有显著正向影响。上述结论与基本估计结论一致，因而通过了替换被解释变量的稳健性检验。

6.安慰剂检验

安慰剂检验有两种实现方式；即虚构实验组和变换控制组，本文通过变换控制组的方法，进行安慰剂检验。具体方法是将有数字技术概念的企业，包括大数据、云计算、物联网、人工智能、5G、区块链等都归入实验组，其他企业为控制组。表6列（3）估计结果显示，在加入所有控制变量和年度、行业、省份效应后，系数DID在1%水平上显著为正，表明在更换控制组情况下，本文基准估计结果稳健。

表6 政策唯一性、替换被解释变量和安慰剂检验结果

由表6可见，通过多项稳健性检验后，本文H1依然成立，即数字化转型对我国非工业企业生产效率有显著促进作用。

（四）影响机制分析

通过前文回归结果可见，非工业企业数字化转型能有效提升生产效率，那么，该影响过程通过什么途径实现呢？黄群慧等［44］研究认为，企业数字化转型降低了交易成本、促进创新，进而提升企业生产效率。因此，企业交易成本和技术创新是数字化转型提升企业全要素生产率的传导机制。基于此，本文在模型（2）的基础上构建如下中介效应模型：

其中：MV表示中介变量（Mediating variable，MV），其他变量与之前定义一致。参考黄群慧等［44］的研究方法，本文中介变量包括交易成本和技术创新，交易成本采用销售费用率（Sales Expense Rate，SER）和管理费用率（Management Expense Rate，MER）作为代理变量，技术创新采用人均研发投入（Per capita R&D expenses，R&D）作为代理变量。

影响机制回归结果见表7所列。由列（2）可见，系数DID显著为正，而列（3）中系数SER显著为负，说明数字化转型未对销售费用率产生影响，即样本范围内销售费用率这一中介效应不存在。表7列（4）系数DID不显著，说明数字化转型未对管理费率用产生显著影响，样本范围内管理费用率这一中介效应不存在。可能原因在于：虽然理论上数字化转型能降低企业交易成本，使销售费用率和管理费用率下降，但实际情况是，企业交易成本不仅受到企业信息化建设的影响，还会受到产业政策、市场环境、地理位置等外部宏观环境的影响，以及企业文化、团队协作、内部资源等企业内部环境的影响。因此，非工业企业数字化转型对交易成本的影响效果不显著。

表7列（6）中系数DID显著为正，说明数字化转型有效促进了企业技术创新，列（7）中系数R&D同样显著为正，并且系数相比基准回归结果有所减小，说明技术创新这一中介效应存在，且系数DID不显著，技术创新是完全中介效应。因此，数字化转型能够通过促进技术创新进而推动企业生产效率提高。该研究结论与黄群慧等［44］、李宗显和杨千帆［45］的研究结论一致，说明非工业企业数字化转型可以通过企业技术创新的途径有效提升企业生产效率。

表7 传导机制检验结果

（五）异质性分析

1.企业规模分组分析

已有研究发现，企业规模是影响企业发展的重要因素之一。本文根据证券公司对上市企业规模的划分标准，将研究样本分为大型、中型、小型企业，然后分别进行分组估计，结果见表8所列。可见，数字化转型对提升大型企业和小型企业生产效率的影响并不显著，而对中型企业生产效率有显著的促进作用，本文H2部分得以验证。该结果与邓峰和杨国歌［43］、赵宸宇等［32］的研究结果存在一定差异，可能原因在于：企业数字化转型需要大量资金支持，小型企业资金相对比较短缺，常会遇到融资约束，制约数字化转型的开展；大型企业虽然资金比较充沛，但机构臃肿、工作效率较低，数字化转型过程比较缓慢；中型企业资金有一定的保障，且内部工作效率较高，因此更有利于企业开展数字化转型。

2.企业所有制分组分析

本文根据证券公司对上市企业按所有制的划分标准，将研究样本分为国有、民营、外资和其他企业，然后分别进行分组估计，结果见表8所列。结果显示，数字化转型对国有企业提升全要素生产率有明显促进作用，而对民营、外资和其他企业的影响并不显著，本文H3得到验证。该结果与易露霞等［6］的结论相似，可能原因在于：数字化转型是国家战略目标，国有企业能够得到中央国资委和地方国资委的政策支持，同时国有企业的人才和技术储备也比较扎实，在金融市场和其他领域具有明显的优势地位，在金融市场的有效支持下，能够抓住时机率先通过数字化转型改善企业生产环境，有效提升企业生产效率；相比之下，民营企业常常会面临资金不足的问题，无法将资金有效地投入到数字化转型上，而外资企业虽然资金相对充沛，但数字化转型需要外资总部、董事会等机构审批通过，手续相对复杂、周期相对较长。因此，国有企业数字化转型对生产效率的影响更显著。

表8 企业规模分组和所有制分组检验结果

3.密集度分组分析

参考肖曙光和杨洁［46］的方法，先根据要素密集度将样本企业划分为劳动、技术和资本密集型企业，再分别进行分组估计，结果见表9所列。结果显示，数字化转型能促进技术密集型企业的生产效率，对劳动密集型企业没有显著影响，对资本密集型企业有抑制作用，本文H4得到验证。该结论和赵宸宇等［32］的研究存在差异，可能的原因在于：企业数字化转型需要投入大量的资金，我国劳动密集型企业以手工作业为主，主要靠较低的人工成本赚取产品的差价，企业盈利能力较弱，资金有限且现金流不稳定，很难展开数字化转型工作。所以数字化转型对我国劳动密集型企业的影响并不显著；资本密集型企业虽然固定资产占比非常大，而数字化转型需要投入更多的技术、软件、专利等无形资产，因此，原有的固定资产并没有起到明显作用，反而造成原有大量固定资产闲置或者报废，对生产效率可能产生负向影响；反观技术密集型企业在数字化转型过程中，充分发挥其技术和人才优势，有效地提升了企业生产效率。

4.区域分组分析

我国地域广泛，各企业所处地区不同，经济基础、历史文化、人才结构也存在很大差异。根据我国对省份按区域的划分，可以分为东部、中部、西部和东北部四个经济区域。本文根据上市企业所在省份对应的区域进行分组估计，结果见表9所列。结果显示，数字化转型对提升东部地区企业的生产效率有显著促进作用，对中部、西部、东北部地区企业的生产效率没有显著影响，本文H5得到验证。该研究结论与李政和杨思莹［29］、韦庄禹等［30］、张焱［31］的研究结论相似，可能的原因在于：相比其他地区，东部地区的经济比较发达，企业具有资金、人才、技术等优势，因此，更有利于企业开展数字化转型，促进生产效率的提升。

表9 密集度分组和区域分组检验结果

5.行业分组分析

根据我国对非工业行业的分类，非工业行业有16个，本文样本涉及其中14个非工业行业。根据上市企业所对应的行业进行分组估计，结果见表10所列。结果显示，数字化转型对“交通运输、仓储和邮政业”“信息传输、软件和信息技术服务业”“卫生和社会工作”“综合”“科学研究和技术服务业”5个行业上市企业的生产效率有显著促进作用。可能的原因在于：物流行业数字化转型后信息传输更加快速和准确，提升了企业的工作效率，并且近些年国家投入大量资金发展了交通网络，使得交通运输业发展有了良好基础，电商的快速发展促进了仓储行业快速发展，各方面的因素促使数字化转型后“交通运输、仓储和邮政业”的生产效率得到了快速提高；另外，信息和技术服务行业主要是技术密集型企业，具有明显的技术和人才优势，所以数字化转型能有效提升其生产效率；大数据和云计算技术推进了云医疗的实现，所以数字化转型使卫生医疗行业的生产效率得以提升。数字化转型对“教育”“文化、体育和娱乐业”“建筑业”“房地产业”“农、林、牧、渔业”“租赁和商务服务业”“水利、环境和公共设施管理业”7个行业上市企业的生产效率没有显著影响。可能的原因在于：教育、文化、体育等行业更偏重于人为管理，虽然进行数字化转型，只是起到辅助作用，并没有实质性提升生产效率；房地产、建筑业、公共设施等行业主要依靠土地资源，对数字技术的依赖程度不高；农林牧渔业主要是劳动密集型产业，同样对数据技术依赖程度不高。数字化转型对“批发和零售业”“住宿和餐饮业”2个行业上市企业的生产效率有显著的抑制作用。可能的原因在于：批发零售企业和餐饮企业并不需要复杂的数字化系统，这些企业只需要简单的信息化系统就可以正常经营，当投入大量的资金进行数字化转型时，可能影响了企业的现金流和企业利润，反而会造成企业生产效益的下降。

表10 行业分组检验结果

综上所述，虽然整体上数字化转型能促进非工业企业生产效率的提升，但企业所属行业不同，数字化转型对企业生产效率的影响存在明显的差异性。对业务涉及区域跨度大的行业和技术、人才有优势的行业，数字化转型能有效提升生产效率；对数字技术依赖度低、主要依靠人力开展业务的企业，数字化转型对生产效率影响不显著。

五、结论与建议

（一）结论

本文以2010—2020年中国A股上市企业为研究样本，通过双重差分法检验了数字化转型对我国非工业企业生产效率的影响，研究发现：①非工业企业数字化转型能显著提升生产效率，通过稳健性检验后该结论依然成立。②机制研究表明，非工业企业数字化转型可以通过技术创新途径来提升生产效率。③从异质性分析来看，数字化转型能提升中型企业的生产效率，但对大型和小型企业没有显著影响；数字化转型能有效提升国有企业的生产效率，但对民营、外资等非国有企业没有显著影响；数字化转型对技术密集型企业的生产效率有显著促进作用，对资本密集型企业的生产效率有显著的抑制作用，并且对劳动密集型企业没有显著影响；数字化转型能有效提升东部地区企业的生产效率，但对中西部和东北部地区企业没有显著影响。④进一步研究发现，数字化转型对不同行业非工业企业生产效率的影响有明显差异性，对“交通运输、仓储和邮政业”等5个行业上市企业的生产效率有显著促进作用，对“教育”等7个行业上市企业的生产效率没有显著影响，对“批发和零售业”“住宿和餐饮业”2个行业上市企业的生产效率有显著的抑制作用。

（二）建议

根据上述研究结果，本文提出以下建议：

第一，政府主导，进一步推进数字化转型。从本文研究结果来看，数字化转型明显提高了非工业企业的生产效率，说明我国实施一系列数字化转型的产业政策对提高企业生产效率有明显促进作用，但部分行业仍存在生产效率提升不明显的情况。因此，建议政府相关部门持续推进数字化转型，并针对不同行业采取有针对性的推进政策。

第二，完善政策，促进数字化转型全面发展。从目前数字化转型的规模差异、所有制差异、地区差异、劳动密集度差异来看，我国数字化转型的发展情况、发展速度存在较为明显的不均衡现象，应当对民营企业、中西部地区企业等发展较为落后的领域给予更大的政策支持，探索在数字化转型方面以国有企业带动非国有企业、以东部地区带动中西部地区、以先进企业或地区带动后进企业或地区的政策，促进数字化转型全面发展。

第三，坚持中国制造，发展中国智造。从企业劳动密集度角度来看，目前发展数字化转型对劳动密集型企业生产效率并没有明显促进作用，对资本密集型企业还存在抑制作用。有鉴于此，建议我国利用数字化转型这个契机，大力推进劳动密集型企业向技术密集型企业转变，推动重资本（资产）企业向轻资本（资产）企业转变，走出一条中国特色的产业转型之路。

（三）不足之处

本文的研究尚存在以下不足之处：①考虑研究样本数据的连续性，剔除了部分样本数据不连续的企业，剔除的企业中包括了微型企业，加之A股上市企业中本就存在小微企业偏少的问题，未来研究可以增加新三板挂牌的非工业企业样本数据做进一步的研究。②在研究异质性时，未考虑行业中可能存在的龙头企业对该行业的影响，因此可能对研究结论有一定的影响。③从实验组和控制组对照情况来看，数字化转型政策对企业生产效率的提升有明显促进作用，但数字化转型的范围和含义比较广泛，目前仍没有一个统一的界定，因此，需要做进一步的研究，以期最终形成一个标准，为今后的研究奠定理论基础。

注 释：

（1）资料来源于中国信通院发布的《中国数字化转型发展白皮书（2020）》（https：//www.thepaper.cn/newsDetail_forward_8151951）。

（2）国家统计局数据显示，截至2019年，全国法人单位共25 280 211个。其中：工业企业法人单位共3 647 978个，占比14.43%，包括采矿业法人单位70 983个，制造业法人单位3 463 346个，电力、燃气及水的生产和供应业法人单位113 649个；非工业企业法人单位21 632 233个，占比85.57%。

（3）国家统计局数据显示，截至2020年，国内生产总值1 015 986.2亿元。其中：工业增加值313 071.1亿元，占比30.81%；非工业企业增加值702 915.1亿元，占比69.19%。

（4）资料来源于2010年发布的《信息化蓝皮书》（http：//www.doc88.com/p-573429598808.html）。

（5）资料来源于《国家信息化发展评价报告（2016）》（http：//www.ocn.com.cn/chanjing/201611/yipoo18162845.shtml）。