数字经济对全要素生产率的影响:基于宏观视角与微观视角的印证

寇冬雪,张彩云

(1.中国社会科学院 工业经济研究所, 北京 100006;2.中国社会科学院 经济研究所, 北京 100836)

一、引言

随着数字化时代的到来,数字经济通过对资本和劳动要素赋能催生了新的经济增长形式,成为新时期经济增长的重要助推器。根据中国信息通信研究院2022年7月发布的《中国数字经济发展报告(2022)》,中国数字经济规模已达45.5万亿元,占GDP的39.8%。与此同时,国家对数字经济建设给予了重点关注,近期出台的相关文件和发表的重要讲话中关于数字经济的表述呈爆炸式增长。如党的二十大报告指出要“加快发展数字经济,促进数字经济和实体经济深度融合”;中共中央政治局第三十四次集体学习会议强调“把握数字经济发展趋势和规律,推动中国数字经济健康发展”;“十四五”规划中把“加快数字化发展,建设数字中国”作为单独的篇章进行阐述。数字经济作为国民经济的“稳定器”“加速器”,如何有效发挥数字经济的新动能,对于助力经济健康持续发展意义深远。

从经济学理论上讲,数字经济会以提升全要素生产率的方式进入经济增长方程,进而影响经济增长。Klenow[1]的研究测算出资源配置效率的改善对全要素生产率提升的贡献度高达50%。数字化能够缓解要素的错配问题,进而优化资源配置[2]。不仅如此,数字技术与实体经济的深度融合通过劳动赋能和资本赋能使劳动生产率和资本生产率发生改变,有助于加速重构生产要素体系,从而影响全要素生产率[3]。然而,数字经济的发展并非必然促进全要素生产率的提升,也可能出现“计算机无处不在,但却从来没有反映在生产率上”的“索洛悖论”现象[4]。由于存在信息技术的时滞性、投入产出测量误差、企业管理不善及资本存量不足等原因[5-8],数字经济带来的技术进步并不一定会带来生产率的增长。更甚者,数字经济还会产生价格歧视、竞价排名、数据信息限制和掠夺性定价等一系列典型垄断行为[9],严重扰乱经济活动的秩序[10],扭曲资源的合理流动,阻碍生产技术提升。那么,在数字经济迅速发展且在国民经济中占比不断提升的背景下,一个重要的议题是:数字经济发展对全要素生产率的影响到底如何?厘清该问题,从一个更加全面的视角理解数字经济对经济增长的影响,能为数字中国建设提供经验参考。

本文的边际贡献体现在:第一,在研究视角上,不同于以往的研究,本文不仅探讨了宏观城市层面的数字经济与全要素生产率之间的关系,更从微观企业数字化层面对二者之间的关系进行验证,以全面理解数字经济发挥作用的影响及其内在原因。第二,在研究思路上,本文首先从宏观层面检验数字经济对全要素生产率的整体影响,基于技术进步和效率提高的视角找到数字经济影响全要素生产率的原因,并从投入产出结构视角检验了数字经济不利于全要素生产率提升的根源,最后从微观企业层面对二者之间的关系进行检验。全面且深入地剖析了数字经济对全要素生产率的作用机制,为实现经济增长提供了一个可借鉴的逻辑框架。第三,在研究方法上,本文匹配了地级市以及上市公司的面板数据,通过构建数字经济主成分指标和企业数字化转型指标,验证了数字经济和全要素生产率之间的逻辑关系,弥补了既有研究仅从省级层面分析的不足,有助于从更全面、多维度的视角理解数字经济、全要素生产率、产业结构以及企业数字化之间的内在关系,丰富了既有研究结论,且数据量的扩大也使相关研究结论更具统计学意义上的一般性。

二、文献综述

全要素生产率是资本、劳动等要素投入不变时的经济增长速度[11],因其能更好地反映人力资本质量、企业技术和管理模式等因素对经济增长的影响,一直以来被当作衡量经济增长的重要指标。关于数字经济与全要素生产率的研究,可从数字经济的演进历程开始分析。数字经济一词最早出现于1996年Don Tapscott 的TheDigitalEconomy:PromiseandPerilintheAgeofNetworkedIntelligence一书[12],关于数字经济的研究经历了从信息经济、互联网经济到数字经济的探索阶段[13],学者们考察了信息化、互联网及人工智能等因素对全要素生产率的作用[14-16],并从技术进步和效率提高两个方面展开了详细探讨,其中涉及数字经济对就业的替代问题、对基础设施的拉动问题等内容的讨论。

(一)数字经济对技术进步的影响

21世纪技术进步最为核心的表现就是大数据在数字经济、人工智能等领域的广泛应用,以人工智能、数字化革命为代表的大数据应用带来空前的技术进步,促使能够提升劳动生产率、资本效率和产品质量的技术进步获得空前的发展,并为绿色生产、生活等提供重要的技术手段和保障[17-19]。具体而言,一方面,数字技术能够促进知识的传播和积累,提升开放式创新实践水平,激励企业从事更多的创新活动[20]。数字化所产生的网络效应和规模经济效应及其与人力资源的整合,有助于加快知识在各创新主体之间的传播和共享[21-22]。邱子迅等[23]认为大数据试验区的建立显著提升了地区的全要素生产率,且这种提升作用是由技术进步主导的。Abdul-Nasser等[24]的研究也表明大数据的应用会影响企业的绿色创新活动。不仅如此,数字经济还能通过促进协同创新实现不同技术领域间各类知识的整合与重构[25],激励企业进行绿色技术创新[26]。另一方面,数字经济使人工智能服务可以通过更便宜的资本来补充或替代劳动力[27],那些被替代的劳动力一般为低技能、低效率的劳动力,大量低技能就业岗位会被淘汰,相应地,也会出现更多的高技能就业岗位[28],这会为全要素生产率的提升提供更多的优质人力资本。然而,也有部分研究从研发投入[29]、技术扩散[30]及互联网发展[16]等视角检验发现数字经济不但没有提升全要素生产率,反而使之出现降低的趋势。基于不同视角的研究得出的不同结论使二者之间的关系莫衷一是。

(二)数字经济对效率提升的影响

一种观点认为数字经济有助于缓解资源扭曲、提升资源配置,进而提升全要素生产率。数字经济改变了传统的生产模式,打破了传统要素市场的束缚,缓解了资源错配和市场扭曲问题[31]。Atrostic等[32]认为企业人员在工作中采用电信通信和网络办公等方式会给企业的劳动生产效率带来积极的影响。Acemoglu等[28]认为互联网和数字化技术的使用使劳动者突破时空限制,改善了劳动要素的配置效率。不仅如此,数字金融等新兴业态的蓬勃发展以及数字基础设施的迅速发展促进了互联网接入设施覆盖性的扩展及设施使用的便利化,迅速填平了中国互联网的“接入鸿沟”,推动了基于互联网平台的借贷市场破解融资约束问题[33-34]。另一种观点认为数字经济对生产效率存在负面影响。互联网的爆炸式增长是一种极不平衡的扩张,这种扩张不仅无法缓解要素扭曲,反而加剧了要素使用过程中的不平等。已有研究显示,富国和穷国之间的国际互联网用户数量分布差距比全球富国与穷国人均收入差距的悬殊程度还要严重。伴随着经济的发展,“数字鸿沟”正在迅速扩大[35]。不仅如此,数字经济会产生价格歧视、竞价排名、数据信息限制和掠夺性定价等一系列典型垄断行为,从而引发资源错配,扰乱市场秩序,降低生产效率[9]。

上述文献分析了数字经济对全要素生产率的影响及其机制,其结论对本研究极具启发性,但该领域仍然有可进一步挖掘的地方:第一,从宏观层面及微观层面来看,数字经济对全要素生产率的影响结果是否一致?第二,其影响结果一致或不一致的原因是什么?第三,助力数字经济提升全要素生产率的着力点在哪里?本文将回答这3个问题。

三、实证设计

(一)模型设置

为考察数字经济影响全要素生产率的作用机制,本文从宏观视角检验数字经济对全要素生产率的影响,并采用微观的企业数字化视角进行验证。首先,设置模型(1)和模型(2)如下:

宏观视角:TFPit=α0+α1DEit+αpXit+μi+γt+εit

(1)

微观视角:tfpit=α0+α1deit+αpXit+μi+γt+εit

(2)

其中,TFPit表示i城市第t年的全要素生产率,tfpit表示i企业第t年的全要素生产率;DEit表示i城市第t年的数字经济发展水平,deit表示i企业第t年的数字化水平;Xit表示控制变量,包括交通便利度(road)、人口密度(den)、外商直接投资(fdi)、财政自主权(gov)和第二产业占GDP比重(manu);μi和γt分别表示控制了个体和年份的固定效应,εit表示随机误差项。

其次,将全要素生产率划分为技术变化和效率变化两部分,检验数字经济对不同类型技术变化和效率变化的影响作用。构建模型(3)和模型(4)如下:

Techit=α0+α1DEit+αpXit+μi+γt+εit

(3)

Efficit=α0+α1DEit+αpXit+μi+γt+εit

(4)

其中,Techit和Efficit分别表示i城市第t年的技术变化(tc)和效率变化(ec);其余指标解释同上。

最后,基于要素的投入产出结构视角,考察宏观视角下数字经济对不同要素结构发挥的作用,同时采用微观的企业数字化视角进行验证。设置模型(5)～(8)如下:

宏观视角:Inputit=α0+α1DEit+αpXit+μi+γt+εit

(5)

Outputit=α0+α1DEit+αpXit+μi+γt+εit

(6)

微观视角:inputit=α0+α1deit+αpXit+μi+γt+εit

(7)

outputit=α0+α1deit+αpXit+μi+γt+εit

(8)

其中,Inputit和Outputit分别表示i城市第t年的投入和产出;inputit和outputit分别表示i企业第t年的投入和产出;其余指标解释同上。

(二)变量的选取和说明

1.数字经济指标测度

学术界对数字经济的统计数据和测评指标体系尚未有统一定论,本文基于宏观和微观视角分别测算数字经济的发展情况。宏观层面,根据徐清源等[36]的研究,目前国内外学界和政府部门对数字经济的测度一般分为两类:一是在界定范围内,统计或估算出一定区域内数字经济规模体量的直接法;二是基于多个维度指标,对不同地区间数字经济发展情况进行对比,得到数字经济发展相对情况的对比法。与国际指标相比,国内指标存在时间新、差异性强、数据来源多样的特点。本文通过梳理,认为目前数字经济测度指标的构建存在以下特点:一是由于时间跨度短、数据获取受限等原因,指标主要集中于省级层面;二是指标选取的维度不同,指标差别较大。如杨慧梅等[37]从产业数字化和数字产业化2个维度,采用主成分分析法构建指标体系,刘军等[38]则从信息化发展、互联网发展和数字交易3个维度构建指标体系。为了弥补上述指标构建方面的不足,从更全面、丰富的视角检验数字经济的影响,本文借鉴赵涛等[39]、刘军等[38]及黄群慧等[40]的方法,从互联网发展和数字普惠金融两方面对数字经济综合发展水平进行测度,并将互联网发展作为测度核心,加入数字交易的指标体系。采用互联网普及率、相关从业人员情况、相关产出情况和移动电话普及率4个指标作为互联网发展的测评维度,并且分别采用百人中互联网宽带接入用户数、计算机服务和软件业从业人员占城镇单位从业人员比重、人均电信业务总量和百人中移动电话用户数进行衡量,采用中国数字普惠金融指数来衡量数字金融发展[41]。最后,通过主成分分析方法,将以上5个指标的数据标准化后进行降维处理,得到数字经济主成分指标。微观层面,与多数研究所选指标一样,采用上市公司公布的年度报告中关于数字化的关键词词频来衡量数字经济的发展情况[42-43]。

2.全要素生产率测度

(1)测度方法和指标选择

宏观层面,TFP的测度业已成熟,且大致分为代数指数法、增长核算法(索洛余值法)、随机前沿生产函数法(SFA)和数据包络分析(DEA)4类[44]。由于指数法和增长核算法要求市场完全竞争、规模报酬不变、技术进步为希克斯中性,且不能将全要素生产率增长分解为技术进步和效率变化,因此不考虑采用这两种方法来研究城市的全要素生产率。同时,中国经济在2010—2020年这十年间处于转型期,时间跨度大,涉及城市多,各城市之间发展不均衡,很难用统一的生产函数描述,因此也不考虑采用随机前沿分析法,最终选择非参数DEA Malmquist生产率指数法来测度全要素生产率。该方法是基于数学规划的方法,对指标构建的限制较少,无须进行生产函数、无效率项分布及市场竞争状况的假设,也没有规模报酬不变、资本和劳动产出弹性的约束,且无需考虑参数的估计和投入产出价格,即使在价格扭曲的情况下也同样适用。不仅如此,Färe等[45-46]借鉴了Caves等[47]的核算方法,运用基于松弛的方向性距离函数及Malmquist生产率指数将生产率分解为效率变化和技术变化。此方法中的生产率指数具有可分解性,并允许技术非效率的存在,不必考虑随机冲击的影响,在分析结果时比较稳定。当发生数据调整时,除了相关年份会变化,其他部分都保持不变,有利于深入挖掘生产率的构成来源。因此,本文借鉴张自然等[48]的方法,采用非参数DEA Malmquist生产率指数法测算中国地级市层面的全要素生产率。微观层面的全要素生产率采用Olley等[49]的方法测得。

(2)投入产出变量

①产出变量。宏观层面,本文采用既有文献中常用的国内生产总值指标(gdp)来表征增加值概念,并将各城市的名义地区生产总值以2006年为基期除以地区生产总值的平减指数,得出各城市的实际地区生产总值(sgdp)。微观层面,分别用营业总收入(tincome)、营业收入(income)和主营业务收入(mincome)表示产出。②投入变量。宏观层面,投入包含劳动力(L)和资本存量(K)两类。劳动力投入(peop)用就业人数来衡量。资本存量(fix)采用永续盘存法计算,即上一期资本存量扣除折旧之后与当期新增固定资产投资之和。城市层面的基期资本存量由各省级2006年固定资本存量按当年各地级市占各省级全社会固定资产投资的比例来确定,各省2006年资本存量采用单豪杰[50]计算的结果。与大多数文献一样,本文采用5%的折旧率。关于地级市新增固定资产投资的计算,按照地级市的全社会固定资产投资总额占省级全社会新增固定资产投资的比重确定各地级市的全社会新增固定资产投资。以2006年为基期的地级市固定资产价格指数通过各年各省固定资产价格指数的计算得到。通过这些工作,得到以2006年为基期的各地级市资本存量。微观层面,分别用就业人数(labor)、资产总额(cap)、固定资产净额(fcap)表示投入。

3.控制变量

(1)宏观层面,选取交通便利度(单位人口数量的市辖区城市道路面积,用road表示)、人口密度(行政区域土地面积上的年末人口数,用den表示)、外商直接投资(经过汇率调整后的FDI的实际价格,用fdi表示)、财政自主权(财政收入/财政支出,用gov表示)、第二产业占GDP比重(第二产业/GDP,用manu表示)5项指标作为控制变量。

(2)微观层面,选取总负债率(负债合计/总资产,用tl表示)、现金持有量(即(货币资金+交易性金融资产)/总资产,用cash表示)、公司规模(企业当年资产总额的对数,用size表示)、企业年龄(当年年份减去成立年份后加1,用lnage表示)、固定资产增长率(固定资产当年价值占去年价值的比重减1,用fixedasset表示)、托宾Q(公司市场价值/账面价值,用TobinQ表示)、企业性质(数值为1表示国有企业,反之为非国有企业,用own表示)7项指标作为控制变量。

(三)数据来源及处理

本文的原始数据分别来源于国家统计局公布的《中国统计年鉴》《中国城市统计年鉴》、EPS等微观数据库以及2010—2019年上市公司的面板数据。在宏观层面,通过将数字经济主成分指标和城市层面的数据指标进行匹配,计算得出2011—2016年的数据(1)因省级层面全社会固定资产投资、新增固定资产、地级市全社会固定资产投资在2017年及其之后有大量缺失值,因而核算全要素生产率所需要的资本数据只能到2016年,本文所需指标的样本也只能到2016年。但是,因本文考察的是现象背后的机制,所以其研究结论不受数据时间段的影响,其研究结论也具有相当的学术价值。;在微观层面,整理并使用2010—2019年23 614家上市公司数据。关于城市层面的数据,本文剔除吐鲁番市、哈密市、三沙市、儋州市等数据缺失较严重的地区(且不包含港澳台地区),选取2011—2016年中国197个地级及以上城市的面板数据。产业结构数据、分行业就业数据采用2003年之后经过调整的19个行业(2)分别为农、林、牧、渔业;采矿业;制造业;电力,燃气及水的生产和供应业;建筑业;批发和零售业;交通运输,仓储和邮政业;住宿和餐饮业;信息传输,计算机服务和软件业;金融业;房地产业;租赁和商业服务业;科学研究,技术服务和地质勘查业;水利,环境和公共设施管理业;居民服务,修理和其他服务业;教育业;卫生,社会保障和社会福利业;文化,体育,娱乐用房屋;公共管理和社会组织。的就业人员的处理数据。对于个别缺失的数据已进行插值法补缺,同时为了消除异方差,对部分控制变量进行取对数处理,对需要调整的数据已进行指数调整。为了剔除价格波动的影响,提高数据的准确性及可信性,本文利用国内生产总值指数,以2006年为基期对所有货币量进行平减,调整为可比价格。涉及固定资产的数据,都按照固定资产价格指数进行调整。表1展示了全部指标的描述性统计结果。

表1 主要变量的描述性统计

四、实证检验

基于上述分析,本文对数字经济与全要素生产率之间的关系进行检验,并进一步将全要素生产率分解为技术变化和效率变化,基于投入产出结构视角,全面剖析数字经济对全要素生产率的影响及其原因。

(一)基本事实分析

在对数字经济与全要素生产率的关系进行检验之前,本部分首先通过拟合曲线对数字经济和全要素生产率的增长趋势进行简单描绘,直观展示二者的发展状况。根据图1拟合曲线结果,样本期间数字经济随时间的推移呈现显著的逐年上升趋势,数字经济的发展势头迅猛。2013年之后虽然增长趋势略微放缓,但是整体趋势依然呈现稳步提升,数字时代正加速到来。

图1 数字经济增长趋势

图2展示了全要素生产率的增长趋势。由图2可知,样本期间,全要素生产率随时间的推移整体呈现上升趋势,但个别年份出现下滑。这与经济发展现状基本相符,2012年以来,中国进入经济增长换挡期,经济增速放缓,产业结构性矛盾开始凸显。在生产端,高能耗、高污染的粗放型发展方式已经显露出弊病,环境问题频繁出现;在消费端,经济发展水平的提高产生的消费多样化需求无法满足,高级化产品短缺。经济结构处于不断的动态调整过程中,这必然表现为全要素生产率经过一个快速涨幅之后增速逐渐放缓并随产业结构的调整逐步回升的过程。直至2015年供给侧结构性改革的正式提出,“三去一降一补”的政策开始推行,经济结构调整力度和速度进一步加大加快,全要素生产率的增长趋势也开始由逐渐增长转为下降趋势。

图2 全要素生产率增长趋势

(二)数字经济与全要素生产率

1.基准回归

表2显示了数字经济对全要素生产率的影响结果。根据回归结果,无论是否加入控制变量,数字经济对全要素生产率的影响均在1%的水平上显著为负,表明在样本期间数字经济并未对全要素生产率起到拉动作用,数字经济的积极效应并未得到充分发挥,验证了样本期间“索洛悖论”的存在。控制变量中,交通便利度对全要素生产率的影响作用为正,说明便利的交通确实对要素之间的流动产生了积极影响,提高了不同地区间资源的配置效率,促进了全要素生产率的提升;同时,第二产业占比的增加对全要素生产率起到了微弱的削减作用。

表2 数字经济对全要素生产率的影响

为检验数字经济未能发挥积极作用的原因,本部分进一步将全要素生产率分解为技术变化和效率变化两个方面。表3显示了数字经济对技术变化和效率变化的影响。根据结果,数字经济对全要素生产率的影响中,对技术变化的影响在1%的水平上显著为负,对效率变化的影响在1%的水平上显著为正。这表明数字经济不利于技术进步,却对效率提升起到了积极作用。结合表2可知,数字经济对全要素生产率的降低作用是源于其对技术进步的负面作用,数字经济并未推动技术进步,反而阻碍了技术进步。可能的原因是:数字经济在改善资源配置效率的同时,也存在“破坏性”的一面,数字经济存在的技术属性使其具有先行者优势,对后发者设置了较高的进入壁垒[9],不仅扰乱了市场秩序,还隔断了新技术的产生。更甚者,数字经济的虚拟属性带来的数字泡沫、数字幻觉等一系列不健康表现[51],不仅会冲击实体经济的发展,还会将技术引向不规范、不健康的发展方向。具体原因将在下文做进一步探讨。

表3 数字经济对技术变化和效率变化的影响

2.内生性检验

数字经济与全要素生产率之间的关系可能存在内生性,且内生性可能来自两方面:一是数字经济与全要素生产率之间存在互为因果的关系。在数字经济发展的过程中,城市的生产率对数字化基础设施的建设及数字经济的迅速发展等具有重要影响,如互联网、信息技术等往往首先出现在北京、上海、杭州等一线城市;二是某些未观测到的遗漏变量可能同时影响数字经济和全要素生产率的提升。对此,本文采取工具变量方法加以解决。工具变量的选取需同时满足与因变量没有直接影响,但与内生解释变量间存在显著的相关性两个条件。本文选取基于城市层面连续校正的DMSP-OLS夜光遥感数据作为工具变量,该数据来源于美国国家海洋大气局国家地球物理数据中心。由于OLS传感器在夜间工作,可获取来自城市、乡镇及其他在夜间有持久光源的区域影像,并且去除了因云、火光、汽车和等偶然“噪声”影响的稳定夜间灯光影像。因此,夜间灯光影像可作为人类活动的表征,逐步成为研究人类活动的重要数据源[52]。

该数据作为工具变量的合理性在于:一方面,灯光强度越高的地区,说明人类活动越频繁,数字经济发展程度就越高,其与数字经济的发展有着显著的直接相关性;另一方面,夜间灯光强度高的地区,未必全要素生产率就高,其对全要素生产率无直接影响。为保证工具变量的合理性,需要进行3项检验:第一,工具变量的外生性检验,表4和表5中Hausman检验的结果意味着工具变量是外生的;第二,不可识别检验,即工具变量个数少于内生变量个数,Anderson LM统计量的结果说明在1%水平上显著拒绝了“工具变量识别不足”的原假设;第三,弱工具变量检验,从结果看,Cragg-Donald Wald F统计量的数值为101.22,大于16.38的临界值,拒绝了原假设,说明工具变量与内生解释变量之间存在显著相关性。回归结果见表4和表5。

表4 数字经济影响全要素生产率的内生性检验

表5 数字经济影响技术变化和效率变化的内生性检验

根据表4,2SLS-IV第一阶段结果显示工具变量对内生解释变量数字经济在1%水平上存在显著相关性,检验结果也证实了这一结论,表明工具变量具备有效性。第二阶段的结果显示:数字经济对全要素生产率的影响在1%的水平上显著为负,与表5的结果一致,佐证了样本期间数字经济无法提升全要素生产率。同样,根据表5结果,2SLS-IV第一阶段结果显示了工具变量与内生解释变量之间的相关性,第二阶段的结果显示数字经济对全要素生产率中技术进步的影响显著为负,对效率提升的影响显著为正,这与表3结果一致,表明数字经济对全要素生产率的降低作用主要体现在数字经济对技术进步速度的影响上,佐证了样本期间“索洛悖论”的存在。整体上,工具变量的检验结果表明数字经济对全要素生产率的负向影响是稳健的,样本期间数字经济并不能显著提升全要素生产率。

(三)数字经济与全要素生产率:投入产出结构视角

上述分析从全要素生产率分解视角得出数字经济对全要素生产率的影响关系,本部分将回溯到全要素生产率的指标体系本身,基于投入产出结构视角考察数字经济的影响,具体结果见表6。

表6 数字经济对投入产出结构的影响

由表6可知,数字经济对投入和产出的影响均显著为正,数字经济不仅增加了就业人数,扩大了资本存量,还提升了产出。数字经济的发展显著增加了劳动力投入和资本投入,但是资本投入增加的幅度大于产出增加的幅度,因而全要素生产率无法得到提升。总体上,该结果符合预期,结合图2,样本期间数字经济处于发展初期,增长速度快,需要大量的投资支撑前期的配套建设,不可避免会出现投入、产出增加,导致技术获得进步而全要素生产率无法得到提升的情况。

五、进一步分析:基于微观企业视角的检验

相对于宏观层面要素投入结构调整的复杂性,微观企业要素投入结构的调整相对容易,因此,本部分基于微观企业视角检验企业数字化对全要素生产率的影响,为宏观层面的结论提供微观的印证和解释。

(一)企业数字化与全要素生产率

1.基准回归

本部分首先从微观视角对企业数字化与全要素生产率之间的关系进行检验,具体结果见表7。表7第(1)列展示了固定时间效应的回归结果:企业数字化对全要素生产率的影响在1%的水平上显著为正。为了防止个体的时间趋势干扰回归结果,第(2)列固定了省份的时间趋势效应,回归结果并未改变,显著性也没有变化。第(3)列又加入固定了行业的回归结果,回归结果和显著性同样没有变化。最后,在固定了时间、行业及省份的时间趋势效应的基础上,第(4)列加入控制变量,回归结果依然在1%的水平上显著为正,说明企业数字化确实显著提升了全要素生产率。

表7 基准回归

2.稳健性检验

在基准回归结果的基础上,本部分进行了稳健性检验,表8为解释变量滞后一期的稳健性检验结果。其中,第(2)～(3)列表示采用数字经济关键词词频表征的数字化滞后一期的结果,为保证宏观与微观结果具有可比性,第(4)～(5)列展示了将年份区间缩短至2011—2016年的回归结果。由表8可知,无论是否加入控制变量,无论年份区间是否缩短,企业数字化转型对全要素生产率的影响均在1%的水平上显著为正,说明微观视角的企业数字化转型有助于提升全要素生产率,与基准回归结果一致,验证了回归结果的稳健性。

表8 稳健性检验:滞后一期处理

表9进一步对所有解释变量进行缩尾处理,以剔除异常值,其中,第(2)～(3)列为对所有解释变量进行1%缩尾处理后的结果,第(2)列的年份区间为2010—2019年,第(3)列的年份区间为2011—2016年。结果显示企业数字化均在1%的水平上显著提升了全要素生产率,同样证实了基准回归结果的稳健性。

表9 稳健性检验:解释变量缩尾

(二)企业数字化与全要素生产率:投入产出结构视角

在对微观企业数字化与全要素生产率之间的关系进行验证之后,本部分基于要素的投入产出结构视角做进一步检验,具体结果见表10。其中,第(2)～(4)列表示投入视角,第(5)～(7)列表示产出视角。由表10可知,企业数字化改变了要素的投入结构,对资产总额和固定资产净额投入的影响在1%的水平上显著为负,但对就业人数和产出的作用不显著,即在劳动和产出不变的情况下,资本的投入显著下降,从而使全要素生产率得到提升。

表10 企业数字化对全要素生产率的影响:投入产出结构视角

对比宏观和微观层面的结果可知,数字经济抑制了技术进步从而降低了全要素生产率,但是企业数字化又能提升全要素生产率的原因是:企业数字化节约了资本投入,即相对于宏观层面的大量固定资产投入,企业数字化成本偏低;同时,宏观层面数字经济初期的固定投资又是必不可少的。因此,欲使宏观层面的数字经济对全要素生产率发挥积极的促进作用,从投入端降低固定资产投资的方法不可取,本文尝试从产出端的产业结构调整视角对该问题做出回答。

六、一个解决方案:产业结构的调节作用

在上述分析的基础上,本部分将深入到经济结构内部,通过考察产业结构发挥的调节作用,为宏观层面数字经济促进全要素生产率提供一个解决方案,并将产业结构(indu)纳入数字经济影响全要素生产率的作用机制中,选用调节效应模型考察产业结构调整对数字经济影响全要素生产率的调节作用。模型设置如下:

TFPit=α0+α1DEit+α2DE×induit+α3induit+αpXit+μi+γt+εit

(9)

其中,induit表示i城市第t年的产业结构,用按照行业划分的19个行业结构中除去信息传输业、计算机服务业和软件业从业人员以及金融业从业人员之后的第三产业和第二产业的就业人数总和与被除去的这几个产业的比重来衡量。实证回归结果见表11。

表11 产业结构调整对数字经济影响全要素生产率的调节作用

表11检验了产业结构调整对数字经济影响全要素生产率的调节作用,结果显示:加入控制变量和不加控制变量的数字经济和产业结构交乘项的结果均表明数字经济对全要素生产率的影响在1%的水平上显著为正,说明在产业结构的调节作用下,数字经济对全要素生产率的影响显著提升。产业结构优化意味着与数字经济发展相适应的产业结构的调整过程伴随着新的技术进步和资源的配置效率的提高,带来了更高层阶上的产业结构调整,数字经济效应的发挥需要相应的产业结构与之匹配。

为了更清晰地看到产业结构发挥作用的路径,在上述基础上,将全要素生产率进一步分解得到表12。从数字经济与产业结构交乘项的结果可知,产业结构优化对全要素生产率的提升主要反映在技术层面,与表3中的数字经济对技术进步速度影响的结果完全相反,由此可见,产业结构优化正好可以弥补数字经济在全要素生产率中技术提升方面的不足,有利于打通数字经济影响全要素生产率提升的关键环节,助力经济效率的提升。因此,在宏观层面,需要通过调整产业结构来弱化数字经济对全要素生产率的负向影响;而在微观层面,企业可以从投入端引入数字技术,发挥企业数字化对全要素生产率的积极作用。

表12 产业结构调整对技术变化和效率变化的影响

七、研究结论与政策建议

本文采用地级市层面及上市公司面板数据,从宏观和微观两个层面详细探讨了数字经济对全要素生产率的影响及其原因,得出以下主要研究结论:第一,基于宏观视角,样本期间数字经济对全要素生产率具有显著的负向影响,基于夜光遥感数据的内生性检验支持这一结论。结合将全要素生产率分解为技术变化和效率变化后的检验结果可得,数字经济对全要素生产率产生降低作用的主要原因在于技术进步速度的下降。进一步基于投入产出结构的结果可知,数字经济降低全要素生产率的原因是劳动力和资本投入增加,且其增加的幅度大于产出增加的幅度。第二,基于微观视角,企业数字化提升了全要素生产率,其原因是在投入产出不变的情况下,资本得到了节约。第三,对比宏观微观层面的结果可知,宏观层面需要从产出端的产业结构调整的视角弱化数字经济对全要素生产率的消极作用,微观层面需要从投入端的企业数字化视角强化数字经济对全要素生产率的积极作用。

基于上述结论,本文提出如下政策建议:

第一,宏观层面。在数字经济发展过程中逐步优化产业结构,使其与数字经济发展相适配。数字经济的发展要想实现社会效率的全面提升,必须伴随产业结构的优化调整,使其能够顺应数字经济的发展规律。因此,在推动数字产业化和产业数字化的过程中,既要注重构建与之相配套的数字生态环境,又要对相应的数字应用环境进行规范,防范数字垄断、赢家通吃等扭曲的资源配置降低经济效率的情况。尤其是在数字经济发展的前期,不规范的发展方式导致新知识沟通交流和新技术产生途径被阻碍或被切断,将会直接影响全社会生产率的提升,诱发“索洛悖论”的出现。

第二,微观层面。应提升企业数字化程度,加快数字化转型步伐。由于企业的数字化转型不是单一环节的数字化,而是整套系统的改造升级,因此需要首先在战略层面进行数字化战略规划,建立严格且相对完善的战略规划,对转型过程有一个自上而下的、全面的、清晰的认知及指导;同时,要积极引入数字化专业人才,为企业数字化转型组建相应的数字人才团队,进而为支撑企业数字化转型提供智力保障,持续激发企业数字化的创新效应,最终带动全要素生产率的提升。