数字化转型的行业技术升级效果及溢出效应

程于思，宋 培，李 琳，艾 阳

（1.郑州大学 管理工程学院，郑州 450001；2.南开大学 经济学院，天津 300071）

0 引言

数字化转型是推动制造业技术升级的重要动力，数字化投入对不同要素密集型的制造业部门转型效应相异[1]。顺应并把握新一代信息技术变革趋势，借势数字技术赋能制造业高端发展正成为我国实现弯道超车的一大机遇[2]。2021年10月习近平总书记在十九届中央政治局第三十四次集体学习时明确指出，“利用互联网新技术对传统产业进行全方位、全链条的改造，提高全要素生产率”，肯定了数字化转型在推动行业技术升级中发挥的重要作用。数据显示，中国数字经济增加值增速持续超过GDP增速，其中产业数字化部分占比逐年上升，有望成为数字经济发展的主导力量，而产业数字化的本质正是数字化转型。因此，加快推进行业数字化转型，借助数字技术推动传统产业转型升级，促进数字经济与实体经济融合发展对我国产业迈向中高端、培育新动能具有十分重大的意义。

目前围绕数字化转型及其技术升级效果的研究较为丰富，研究视角涵盖宏观层面的国际比较[2]、中观层面的省域[3,4]或行业[5]间的比较以及微观层面的企业间的比较[6—11]。宏观层面，党琳等（2021）[2]基于2008—2015 年49 个国家15个制造业行业的数据研究了制造业行业数字化转型对其出口技术复杂度提升的效应。中观省级层面，周勇等（2022）[3]基于我国省级面板数据实证检验了数字经济对制造业转型升级的具体影响，研究发现数字经济能够显著推动我国制造业转型升级，而全要素生产率和技术创新水平在其中发挥了重要的中介作用，且前者的中介效应要强于后者。周鲟和胡国晖（2020）[4]发现OFDI 逆向技术溢出显著地促进了区域制造业技术升级，且空间效应强于直接效应，随着时间的延长，空间溢出效应更加显著。中观行业层面，白雪洁等（2021）[5]研究发现数字化转型能够推动行业技术升级，且推动效果在行业间存在显著差异。微观企业层面的研究成果最为丰富，研究结论普遍支持数字化转型有利于推动行业技术升级[6—9]。金昕等（2022）[10]研究发现数字化转型水平越高的企业，其全要素生产率提升效果越好。杜勇和娄靖（2022）[11]发现企业数字化转型能够有效促进企业升级，并且该影响存在行业溢出效应，而技术外溢在具有较高相似度的行业之间更有可能发生[12]。丁一兵和宋畅（2019）[13]以全球产业链中的技术溢出效应为切入点，研究发现高技术水平的中间品投入会产生显著的前向技术溢出效应和后向技术溢出效应，有利于推动中国制造业技术升级，且作用于产品形成环节的前向技术溢出对制造业技术升级的促进作用更强。

综上所述，现有关于数字化转型对企业技术升级的影响研究已较为丰富，但数字化转型的技术升级效果是多方位多层次的，聚焦于行业层面的研究相对匮乏；虽有学者较早关注到行业相似度在技术溢出中的重要性，但目前基于行业技术相似度视角探讨数字化转型的行业技术升级效果及溢出效应的研究较少。鉴于此，本文采用我国工业行业的面板数据，先构造行业技术相似度矩阵，剖析数字化转型和行业技术升级在生产技术相似行业之间的空间相关性特征，再重点考察数字化转型对工业技术升级的影响及其溢出效应，进一步讨论数字化转型推动工业技术升级的表现形式、行业异质性与影响机制，一方面推动数字化转型研究在行业层面的进展，另一方面拓展数字经济下的产业关联研究，提出行业技术相似度和要素密集型特征是数字化转型影响工业技术升级的关键。

1 研究设计

1.1 行业技术相似度矩阵

技术溢出更容易且更多地发生在生产技术和投入结构相似的行业间，而根据投入产出表计算的行业技术相似度是衡量溢出效应比例的合适指标[12]。本文参考潘文卿等（2011）[14]的做法，构造我国工业行业技术相似度矩阵，将两个行业间的技术相似度定义为直接消耗系数结构向量的角余弦。具体计算公式如下：

其中，aki和akj分别代表i行业与j行业直接消耗系数结构列向量的第k个位置的元素，ωij越接近于1，说明i行业与j行业之间技术相似度越高，即两行业之间技术溢出效应越大。本文使用中国2005 年、2007 年、2012 年、2015 年、2017 年、2018 年、2020 年投入产出表计算行业技术相似度，再取平均值得到行业技术相似度的权重矩阵。表1 展示了2005 年、2012 年和2020 年与25 个工业行业投入结构最相似的行业及其对应的技术相似度数值，“主要贡献者”列是对应年份计算得到的与“行业”列的具体行业技术相似度最高的行业，具体数值列在“溢出比例”列。从表1 中可以发现，2005 年25 个工业行业中与投入结构最为相似的行业技术溢出效应比例数值大于80%的有17个，2012年有11个，2020年有4个。如果将溢出比例达到80%以上视为行业间存在显著的技术溢出效应，那么由表1可知，2005—2020年我国25个工业行业间存在显著的技术溢出效应，且随着时间的推移，行业间技术溢出效应程度趋缓。

表1 2005—2020年行业技术溢出效应的主要贡献者与溢出比例①I1—I25分别代表煤炭开采和洗选业，石油和天然气开采业，金属矿采选业，非金属矿及其他矿采选业，食品制造及烟草加工业，纺织业，纺织服装鞋帽皮革羽绒及其制品业，木材加工及家具制造业，造纸印刷及文教体育用品制造业，石油加工、炼焦及核燃料加工业，化学产品，非金属矿物制品业，金属冶炼及压延加工业，金属制品业，通用设备制造业，专用设备制造业，交通运输设备制造业，电气机械及器材制造业，计算机、通信和其他电子设备制造业，仪器仪表及文化办公用机械制造业，工艺品及其他制造业，废品废料，电力、热力的生产和供应业，燃气生产和供应业，水的生产和供应业。

1.2 空间模型

某一行业的技术升级在受到本行业技术进步影响的同时，还可能受到生产技术相似的其他行业技术进步的影响，且行业间的生产技术相似度越高，行业间技术溢出效应往往越明显。为对这一观点进行验证，本文借鉴全局莫兰指数（Global Moran’s I）检验样本间空间相关性的原理，以行业技术相似度代替传统空间地理距离等权重，测算我国工业技术升级和数字化转型指标的全局莫兰指数，并将空间相关性检验结果作为本文使用空间计量模型展开实证检验和分析的依据。全局莫兰指数模型设定如下：

式（2）中，n是全部工业行业数，取值为1～25；ωij是行业i和j之间技术相似度的空间权重，具体算法见式（1）；ρi是行业i的技术升级水平。全局莫兰指数用于判断两个生产技术具备相似性的行业在技术升级水平方面的空间相关性。Moran's I取值介于-1～1，取值的绝对值越接近于1，代表两行业之间技术升级水平的空间相关性越强。Moran's I＞0时，代表两行业之间技术升级水平存在空间正相关；Moran's I＜0 时，代表两行业之间技术升级水平存在空间负相关；Moran's I=0 时，代表两行业之间技术升级水平呈现空间随机性。

本文在检验我国工业行业技术升级水平和数字化转型程度的空间依赖性基础上，设定并选择合适的空间计量模型评估数字化转型对工业行业技术升级的影响。常见的空间计量模型有三种，分别是空间误差模型（SEM）、空间自回归模型（SAR）和空间杜宾模型（SDM）。SEM 重点考察随机扰动项的空间依赖关系，探讨生产技术相似行业之间的不可观测误差冲击对某一工业行业技术升级水平的影响，具体模型是：

式（3）中，ρ代表被解释变量工业行业技术升级，β1是解释变量的系数，Dig是解释变量数字化转型，β2是控制变量的系数列向量，X是控制变量行向量，λ是空间误差自相关系数，W是空间权重矩阵，μ是随机扰动项，i和t分别表示行业与年份。

SAR重点考察被解释变量的空间依赖关系，探讨生产技术相似行业的技术升级水平对一个行业技术升级的影响，具体模型是：

式（4）中，δ是空间自相关系数。

SDM综合考察所有变量的空间依赖性，包括被解释变量、解释变量和随机扰动项，具体模型是：

式（5）中，θ1、θ2分别是解释变量Dig和控制变量X的空间滞后回归系数。

在进行空间计量分析前，需要依据数据的空间相关性特点确定是否需要构建空间计量模型以及选择哪一种空间计量模型，通常是借助于拉格朗日乘数检验（LM）。具体而言，为研究样本选择合适的空间计量模型需要依次比较LM-Error、Robust LM-Error、LM-Lag 和Robust LM-Lag四个检验统计量。当LM-Error 和LM-Lag 统计量都不显著时，分析对象不适合采用空间计量模型，只需选择普通计量模型估计；当两者都显著时，选择SDM；当LM-Error显著而LM-Lag 不显著时，选择SEM；当LM-Error 不显著而LM-Lag显著时，选择SAR。

1.3 变量选取与数据来源

被解释变量行业技术升级（TFP）。无论行业间是否存在技术升级路径差异，技术升级最终都会体现在行业全要素生产率提升上[14]，全要素生产率能够反映除生产要素投入数量之外的制度优化、管理水平、技术引进等其他要素对增长的贡献率[15]，因此本文采用全要素生产率作为行业技术升级的代理变量。参考前人的做法[4，11]，采用基于DEA 的Malmquist 指数对我国25 个工业行业的全要素生产率进行测度。具体以各行业规上企业平均用工人数衡量劳动力投入，以规上企业固定资产净值合计衡量资本投入，以行业增加值衡量产出，测算出各行业的Malmquist指数，进而计算得到各行业全要素生产率。进一步将行业全要素生产率分解为技术进步和效率改善两个部分[11]，以此展开关于行业技术升级形式的检验。

核心解释变量数字化转型（Dig）。现有研究中衡量数字化转型一般采用相对指标“直接依赖度”，即某一行业对数字经济的直接消耗占所有直接消耗的比重，公式是，其中，akj是j行业对k行业的直接消耗系数。也有学者结合绝对指标“完全消耗系数”[9]和相对指标，构建完全依赖度[16]，实现对数字化转型的全面估算，具体公式是：

式（6）中，bkj是j行业对k行业的完全消耗系数。由于完全消耗系数考虑到了各行业间的技术关联特征，因此，本文将完全依赖度作为基准回归模型的解释变量展开实证分析，同时为保证研究结论的稳健性与可靠性，本文在稳健性检验中将完全依赖度替换为直接依赖度对基准回归模型进行重新估计。

控制变量。将行业技术升级的相关影响因素作为控制变量纳入计量模型，具体包括：对外开放度（FDI），用外国直接投资占GDP 的比重衡量；国外需求（Export），用出口占GDP的比重衡量；研发强度（RDK），用研发支出占GDP的比重衡量；研发人力投入（RDL），用研发人员占比衡量。

考虑到数据可得性与准确性，本文选取2005—2020年我国25 个工业行业的面板数据展开计量分析，研究所涉及的数据均来自《中国统计年鉴》《中国工业统计年鉴》、国家统计局官网和中国研究数据服务平台（CNRDS）。本文以2005年为基期对所有以货币价值表示的数据进行价格调整。其中，资本使用固定资产投资价格指数平减，增加值数据使用行业生产总值指数平减。表2 为本文主要变量的描述性统计结果。

表2 描述性统计

2 空间相关性分析

2.1 全局莫兰指数

计算结果表明，2006—2020 年我国25 个工业行业的数字化转型指标与技术升级指标均存在显著的空间依赖性①本文采用基于DEA的Malmquist指数方法测算我国2005—2020年25个工业行业的全要素生产率，所以莫兰指数的计算需要从2006年开始。。下页表3展示了数字化转型指标和行业技术升级指标的全局莫兰指数，可以发现，两个变量的全局莫兰指数在各年均为正，且都通过了1%水平上的显著性检验，表明中国工业行业的数字化转型与技术升级水平各自呈现显著的正向空间关联性和集聚性。根据全局莫兰指数大小的变化趋势可以发现，数字化转型指标和行业技术升级指标各自的关联和集聚程度随时间推移呈现波动性特征。具体而言，数字化转型指标的全局莫兰指数在2006—2020 年呈现缓慢上升趋势，表明我国工业行业完全依赖度集聚水平在逐年微弱上升，即行业数字化转型的空间集聚状态一直以来保持稳定且呈逐年增强趋势。行业技术升级指标的全局莫兰指数在2006—2020 年呈现3 个阶段的特征：2006—2011 年总体上出现下滑，2012—2017年总体上处于持续高位态势，2018—2020 年开始下降但总体上高于2011年之前的水平。说明我国工业行业技术升级集聚状态总体上呈现增强趋势，尤其是在2012—2017年。

表3 2006—2020年数字化转型与行业技术升级的全局莫兰指数

2.2 局部莫兰指数

全局莫兰指数只能基于整体样本分析得出相关变量在空间上是否具有显著的相关性特征，而莫兰散点图可以局部分析样本间的空间相关性。莫兰散点图是一个二维坐标图，其横轴代表的是待考察变量的不同样本值，纵轴代表的是该观测值邻近区域的加权平均值。根据二维坐标可将莫兰散点图分为四个区域，分别对应于二维坐标系中的四个象限，其中，处于第一象限和第三象限的样本之间存在正向的空间相关性，即该样本值越高或越低，分布在其周围的样本值也越高或越低，分别记为HH（High-High）型和LL（Low-Low）型；处于第二象限和第四象限的样本之间存在负向的空间相关性，即该样本值越高或越低，分布在其周围的样本值反而越低或越高，分别记为LH（Low-High）型和HL（High-Low）型。

图1是2006年和2020年数字化转型的局部莫兰散点图，显示了生产技术相似的工业行业间数字化转型的空间依赖性，可以看出，绝大部分行业样本都落在第一象限和第三象限，呈现HH型集聚和LL型集聚，且LL型集聚尤其明显，表明高值与低值的样本各自产生集聚效应。其中，计算机、通信和其他电子设备制造业（I19）与仪器仪表及文化办公用机械制造业（I20）呈现显著的HH型集聚特征，说明这两个行业在数字化转型方面明显领先于其他工业行业，且这两个行业之间的技术溢出效应相互正向促进对方行业的数字化转型。

图1 2006年和2020年数字化转型的局部莫兰散点图

图2是2006年和2020年工业行业技术升级的局部莫兰散点图，显示了我国25 个工业行业全要素生产率的空间依赖性，可以看出，绝大部分行业样本处于第一象限和第三象限，说明我国工业行业全要素生产率之间呈现显著的HH型集聚和LL型集聚，因此，行业技术升级存在空间扩散与空间联动效应。即对于全要素生产率高的行业，与其投入结构相似行业的全要素生产率一般也较高；对于全要素生产率低的行业，在技术相似度方面与其高度接近的行业全要素生产率同样处于较低水平。

图2 2006年和2020年行业技术升级的局部莫兰散点图

对比图1 和图2 两个变量的局部莫兰散点图分布差异，发现2006—2020年，25个工业行业的数字化转型散点图分布区域未发生明显改变，体现了强弱集聚并存的空间特征具备分层固化性，具体而言，绝大多数行业位于第三象限，表明多数工业行业的数字化转型水平呈现“低-低”集聚的特点，因此本文认为我国工业行业的数字化转型水平存在空间异质性现象且相对稳定。而25个工业行业技术升级的局部莫兰散点图分布情况在2006年和2020年变化较大，比如通用设备制造业（I15）2006年落在第一象限，但2020年落在第三象限；石油加工、炼焦及核燃料加工业（I10）2006 年落在第二象限，但2020 年落在第一象限；食品制造及烟草加工业（I5）2006 年落在第三象限，但2020年落在第二象限；造纸印刷及文教体育用品制造业（I9）2006年落在第四象限，但2020年落在第一象限。因此，行业技术升级的强弱集聚并存空间特征在2006—2020年尚未具备分层固化性。

3 实证分析

3.1 模型选择

通过空间自相关分析可知，数字化转型和行业技术升级均存在空间依赖性，即本文可以采用空间计量模型实证检验数字化转型对行业技术升级的影响。接下来，需要判断选择哪一种空间计量模型展开回归估计。基于行业技术相似度矩阵，本文进行了拉格朗日乘数检验和稳健拉格朗日乘数检验，下页表4 报告了检验结果，可以发现，LM-Error 和LM-Lag 检验均在1%的水平上显著，Robust LM-Error检验在5%的水平上显著，但由于Robust LM-Lag检验不显著，说明空间误差效应比空间滞后效应更显著，因此，本文数据样本更适合采用SEM 模型进行实证分析。由于本文采用的是面板数据，需要在确定空间计量模型之后，选择合适的计量估计方法。根据Hausman检验结果，本文选择固定效应的SEM模型展开实证研究。最后，根据空间计量的常规做法，本文通过似然比检验（LR）对模型进行了稳健性检验，结果表明本文的SEM 模型并不会退化为SDM 模型或SAR 模型。此外，个体固定效应与时间固定效应的LR检验结果显示需要选择双向固定效应模型。综上，本文选择个体和时间双向固定效应的SEM模型进行回归分析。

表4 空间计量检验结果

3.2 实证结果分析

本文在行业技术相似度矩阵下选取双向固定效应的SEM 模型对数字化转型影响行业全要素生产率的情况进行了回归估计，详见表5，由结果可知：第一，数字化转型有利于推动我国工业行业技术升级。表5 中列（1）和列（2）的基准回归结果显示，在考虑控制变量的影响后，数字化转型对工业行业全要素生产率的回归系数为正，并且通过了5%水平上的显著性检验，这表明数字化转型有利于推动工业行业技术升级。第二，数字化转型的行业技术升级效果存在明显的行业溢出效应。表5 列（1）至列（6）中的空间误差系数λ均在1%的水平上显著为正，说明无论是仅考虑工业行业技术升级的结果，即全要素生产率，还是考虑行业技术升级的两种形式，即技术进步和效率改善，数字化转型的行业技术升级效果均呈现显著的空间误差溢出效应，这表明一个行业的技术升级不仅受到本行业数字化转型、对外开放度、研发强度和研发人力投入的影响，还受到生产技术相似的其他行业的不可观测因素影响。即数字化转型对工业行业技术升级的推动作用具有显著的行业溢出效应，其效果受行业技术相似度的影响。第三，数字化转型对工业行业技术升级的推动作用主要通过效率改善实现，而不是促进技术进步。表征行业技术升级水平的Malmquist生产率指数可以分解为综合技术效率指数和技术进步指数，而综合技术效率指数又由纯技术效率变化指数和规模效率变化指数共同构成，表5 列（3）至列（6）展示了数字化转型对技术进步和效率改善的影响，回归结果显示，不论是否考虑控制变量的影响，数字化转型都会显著正向影响效率改善，对技术进步的影响则不显著。可见行业数字化转型提升全要素生产率更多地以推动效率改善的形式实现，而非以技术进步的形式。

表5 数字化转型行业溢出效应的SEM模型估计结果

为了检验回归结果的稳健性，本文更换被解释变量和解释变量指标，再对上述模型展开回归分析，具体回归结果见表6 列（1）、列（2）。其中，列（1）为替换被解释变量，重新使用SBM-DEA 方法测算行业效率作为行业技术升级指标；列（2）为替换解释变量，使用直接依赖度衡量行业数字化转型。回归结果显示，分别替换了被解释变量和解释变量指标后，数字化转型对行业全要素生产率的影响依旧显著为正，且空间误差系数λ也都显著为正，表明本文的回归结论是稳健的，数字化转型的确促进了工业行业技术升级，且存在明显的行业溢出效应。

表6 稳健性检验、异质性检验与机制检验

此外，本文还进行了异质性检验，将我国工业行业分为劳动密集型行业和资本密集型行业两个子样本，表6列（3）、列（4）分别是劳动密集型行业和资本密集型行业的回归结果。虽然数字化转型的系数均显著为正，但资本密集型行业样本回归系数（1.175）大于劳动密集型行业样本（0.815），说明数字化转型的行业技术升级效果在资本密集型行业的表现优于劳动密集型行业。这是因为，数字化转型的本质是借助数字技术如人工智能等实现生产设备即资本间的高效链接，从而提升生产效率和产品质量，因此，资本密集型行业在数字化转型中具备更大优势，其技术升级效果自然表现更好。通过观察两个子样本回归结果中的空间误差系数λ，发现λ均显著为正，表明不论是劳动密集型行业还是资本密集型行业，数字化转型的技术升级效果均存在显著的行业溢出效应。这体现了数字技术或者说新一代信息技术作为通用目的技术的本质特征，能通过溢出效应在各类工业行业间得到应用与普及。

本文进一步讨论了数字化转型影响行业技术升级的机制，表6 列（5）将行业资本深化作为中介变量进行机制检验，结果表明，数字化转型对行业资本深化的影响在1%的水平上显著为正，说明数字化转型确实通过加深行业资本深化的程度来促进技术升级。由于工业行业大多具备资本密集型特征，因此数字化转型主要通过资本替代劳动的方式即“智能化”助推工业技术升级。工业作为资本和劳动间替代弹性较高的部门，即“灵活部门”，其内部资本要素在数字化转型后生产率得以大幅提升，工业部门在利润最大化目标指引下将使用生产率更高的资本要素替代生产率相对较低的传统劳动力，最终带来工业部门资本的不断深化，劳动要素不断向服务业部门转移。未来智能制造下的工业部门必然将资本作为主要生产要素投入，以高效率的生产运作方式推动物质生产极大化，从而为劳动力向以人的情感与精神投入为主的服务消费领域转移提供物质保障与基础动力，有利于实现物质文明与精神文明相协调的现代化发展。

4 结论与启示

本文基于2005—2020年我国25个工业行业的面板数据，首先运用投入产出表构建行业技术相似度矩阵，其次引入空间误差模型，然后在加入对外开放程度、国外需求、研发强度等控制变量的基础上，实证检验数字化转型对工业技术升级的具体影响及其溢出效应，最后进一步讨论了数字化转型推动工业技术升级的表现形式、行业异质性与影响机制。主要研究结论如下：中国工业行业间存在显著的技术溢出效应，其水平随着时间推移逐渐趋缓；数字化转型与行业技术升级均存在显著的空间依赖性，主要表现出HH型和LL型的正空间相关性；数字化转型有利于推动我国工业技术升级，数字化转型对工业技术升级的推动作用具有显著的行业溢出效应，其效果受行业技术相似度的影响；由于工业行业大多具有资本密集型特征，数字化转型主要通过资本替代劳动的方式即“智能化”助推工业技术升级。

本文研究结论对政府细化数字经济建设政策、工业行业实施数字化转型具有如下启示：（1）以市场化的数字化转型需求为根本动力，引导数字经济核心产业高质量发展。在当前利用数字技术为工业行业转型升级助力的前提下，须发挥市场在资源配置中的决定性作用，制定适当的鼓励性政策引导工业行业加大自主研发投入，突破数字核心产业的关键“卡脖子”技术，引导工业行业向全球价值链的中高端攀升，实现经济高质量发展。（2）以行业技术相似度为依托，发挥工业行业在数字化转型中的协同联动机制。为了把握数字经济发展红利，政府应制定相应政策引导和帮助各地工业企业更顺畅地实施数字化转型，同时鼓励不同行业企业间加大交流力度，突破数字化转型中存在的共性难题，优先在技术相似度较高的行业间推广和普及数字化转型的成功经验，避免盲目地开展“交钥匙”工程，对长远技术升级潜力可期但当前处于劣势地位的行业给予倾斜性政策扶持，如特殊优惠或补贴，充分利用生产技术相似行业数字化转型的正向溢出效应，加强产业链上下游行业的联动与协同发展。从工业行业自身的角度出发，要具备数字化转型的超前意识，密切关注行业技术相似度接近的行业数字化转型进展，通过行业协作与知识交流积极引入先进技术经验。（3）依据数字化转型推动技术升级的行业异质性，因地制宜地推动产业升级。首先，数字技术作为通用目的技术，对所有行业都将产生颠覆性的影响，处于不同行业的企业都需要紧盯技术与市场环境变化，并结合自身发展优势展开数字化改造，在降低交易成本、提升全要素生产率的同时实现当前一轮的产业升级。但更要注意到，数字化转型的技术升级效果在不同行业之间存在显著的差异性，本文发现数字化转型推动行业技术升级的关键渠道是资本替代劳动即资本深化，因此资本密集型行业数字化转型的技术升级效果优于劳动密集型行业，基于此，从社会福利最大化的角度来看，政府有必要将数字资源优先配置到技术提升效果更好的行业，如电气机械及器材制造业，专用设备制造业，计算机、通信和其他电子设备制造业等。各工业行业数字化转型并不是追求齐头并进，而是需要适当调整数字资源在不同细分行业中的分配比例，为国家产业升级发展目标服务。