供给侧视角下数字化赋能效率研究

宋罡 赵洋洋

【摘  要】论文从数字化服务供给侧的角度出发，以A公司2013-2022年的面板数据为研究样本，运用随机前沿分析法对A公司的数字化赋能效率进行测算。研究表明，A公司2013-2022年的总体数字化赋能效率处于中等水平，对各行业的数字化赋能效率呈现比较平稳的发展趋势，其中对政府部门的数字化赋能效率最高，对云服务和汽车行业的数字化赋能效率较高，对通信行业、金融行业、医疗行业、外包服务、新闻出版行业的数字化赋能效率处于中游水平，对基础设施和网络安全行业的数字化赋能效率较低。

【关键词】供给侧；数字化；效率

【中图分类号】F270.7；F49                                             【文献标志码】A                                                 【文章编号】1673-1069（2023）07-0131-03

1 引言

在数字经济时代背景下，数字技术飞速发展，数字化赋能可以为企业构建数字生态系统、提升数字化能力、创造数字化资源，且数字化资源逐渐成为企业获取竞争优势的重要资源。在企业实践中，陕鼓、三一重工、徐工等工业企业，均通过数字化技术为客户提供了卓有成效的集成解决方

案[1]，而腾讯、阿里巴巴、京东等平台企业，也通过数字化赋能用户业务发展，为用户提供支持和服务[2]。在理论研究中，数字化赋能受到广泛关注，研究内容涉及医疗、教育、农业、工业、商业、金融、保险等多个领域。相关研究大多关注数字化赋能产生效应的作用机制，周文辉等[3]探讨了传统制造企业如何借助数字化赋能促进大规模定制技术创新。孙新波和苏钟海[4]构建了制造企业通过数据赋能实现敏捷制造的过程模型。孟凡生等[5]基于数字化赋能视角，探究了高端装备制造企业智能化转型的动态演进过程。池毛毛等[6]分析了数字化赋能对中小制造企业新产品开发的影响机制。Coreynen等[7]分析了数字化对制造企业服务化的影响机制。Scuotto等[8]关注数字化赋能对时尚产业中小企业的影响。张明超等[9]构建了数据赋能驱动精益生产创新内在机理的整合性理论模型。刘启雷等[10]基于数字化赋能的视角，分析了企业创新的过程逻辑和机制。蒋峦等[11]基于双元创新视角分析了数字化赋能企业韧性的机制。王墨林等[12]基于动态能力理论，通过文本挖掘方法测量了企业层面的数字化转型指数，揭示了数字化赋能企业国际化广度的作用机制。但鲜有研究关注数字化赋能的效率问题，而数字化赋能效率问题正是衡量数字化赋能效果的关键所在，以往关于数字化赋能效率的研究大多从区域、产业等宏观层面展开分析，很少关注微观层面的数字化赋能效率问题，少有几篇相关文献也是从数字化技术如何提升企业技术效率的角度出发分析数字化赋能所产生的效应。有鉴于此，本文聚焦于企业数字化赋能效率问题，从数字化服务供给侧的角度，精确测算其对各行业的数字化赋能效率，明确数字化技术与各行业的融合程度，以期為推动数字产业化和产业数字化提供经验证据和决策参考。

2 研究方法

常用的技术效率的测量方法主要有两种：一种是非参数方法的数据包络分析（DEA）；另一种是参数方法的随机前沿分析（SFA）。从方法层面看，两种方法各有优势，在测量技术效率的研究中均得到了广泛应用，而且测量结果并无显著性差异[13]。由于本研究使用的是2013-2022年企业层面的面板数据，不同时期不同生产单元的技术效率会有明显的差异，随机误差项产生的影响较大，因此，随机前沿分析（SFA）相对而言更能满足本研究需要。

随机前沿分析方法从计量经济学角度出发，具备坚实的理论基础。最早由Aigner、Lovell和Schmidt[14]，Meeusen和

Broeck[15]于1977年相继提出，后续由Battese和Coelli[16]对该分析方法进行了扩展，引入了对效率损失的影响因素的无偏有效估计，使随机前沿分析方法更为完善，目前已经成为广泛使用的技术效率测量方法。其理论模型的一般型如式（1）所示。

Yit=f（xit，β）exp（vit-uit）         （1）

式中，Yit表示第i生产单元在时期t的实际产出；f（·）表示前沿生产函数；xit表示第i生产单元在时期t的投入；β表示待估计参数；（vit-uit）表示复合误差项，其中vit为随机扰动项，uit为技术非效率项。

随机前沿分析是一种参数分析方法，需要设定具体的生产函数，常用的生产函数形式有柯布-道格拉斯生产函数和超越对数生产函数。两种函数形式在测量技术效率时各有利弊，并且均被广泛地应用于具体研究中，出于对形式简单、易于估计和分解的考虑，本研究选择柯布-道格拉斯生产函数作为随机前沿分析的函数形式进行技术效率测量，具体形式如式（2）所示。

lnYit=β0+β1lnCit+β2lnLit+vit-uit       （2）

式中，Cit表示第i生产单元在时期t的财力投入；Lit表示第i生产单元在时期t的人力投入；其他变量含义同上。

3 数据与变量

本研究的样本数据来源于A公司各事业部2013-2022年的面板数据，A公司是行业领先的全球化信息技术、产品和解决方案公司，每个事业部专注于相应行业的数字化赋能业务，是产业创新变革的推动者和数字化转型的赋能者，赋能全球各行业大中型客户实现信息化、数字化、智能化发展。在技术效率测量时以A公司各事业部为生产单元，对应数字医疗、云服务、汽车行业、数字金融、基础设施、网络安全、政府部门、外包服务、通信行业、新闻出版行业等10个行业部门。关于各生产单元的投入变量，借鉴相关研究的做法，分别选用研发成本和工作量投入作为衡量物质资本和人力资本投入的指标；对于各生产单元的产出变量，通常采用销售收入类的指标来测量[17]，销售回款能够更加真实地

反映销售收入水平，因此，本文选用销售回款作为产出变量的测量指标。

4 结果分析

4.1 生产函数估计结果分析

本文运用Frontiers 4.1软件对上述模型和数据进行随机前沿分析，得到的参数估计结果和各生产单元技术效率值如表1和表2所示。

从表1可以看出，相关参数均通过了显著性检验，其中，LR检验值为89.054，通过显著性检验，表明误差项具有显著的复合结构，进一步说明本文使用随机前沿模型的合理性。γ=0.892，表明前沿生产函数的复合误差项中有89.2%的成分来自技术非效率的影响。β1＞0，资本产出弹性为正，表明A公司财力资源要素产出弹性处于不断上升的状态。β2＜0，人力产出弹性为负，表明A公司人力资源要素产出弹性处于不断下降的状态，由此说明A公司技术效率的提升越来越依赖于财力资源要素投入的增加。

4.2 技术效率测量结果分析

表2列示了2013-2022年A公司对各行业数字化赋能效率的测算结果，纵向数据主要反映各个行业近10年数字化赋能效率的变化情况；横向数据主要反映A公司对各行业数字化赋能效率在同一年份的对比情况。总体来看，A公司对各行业的数字化赋能效率处于中游水平，均值为0.504，尚有一定的提升空间。

从纵向上来看，各行业数字化赋能效率总体上比较平稳，但大多数行业出现小幅下降趋势，在一定程度上表明A公司近10年来各部门的经营状况处于比较平稳的状态，人力、财力的投入均能够保持比较平稳的产出水平。特别是近几年受疫情影响，在总体外部经营环境不乐观的情况下，各部门仍能保持比较平稳的投入产出效率，这可能与国家近年来大力发展数字化产业有关，但我们也应该看到，A公司各部门的数字化赋能效率均出现小幅下滑的趋势，这也提醒企业在发展过程中，在加大人力、物力投入的同时，更应关注效率问题，使企业在投入约束的条件下，能够获得更多的产出。特别是后疫情时代，在国家大力发展数字产业化、产业数字化的背景下，A公司更应该以此为契机，在加大人力、物力投入的同时，探寻更为合理的资源利用方式，优化资源配置，提升企业数字化赋能效率。

从横向上来看，A公司对各行业的数字化赋能效率可分为4个梯度：A公司对政府部门的数字化赋能效率最高，且一直比较平稳；对云服务和汽车行业的数字化赋能效率较高，均在0.7左右，这两个行业也是A公司近年来大力发展的行业，从投入产出效率角度来看，目前取得了较好的效果；对通信行业、金融行业、医疗行业、外包服务、新闻出版行业的数字化赋能效率处于中游水平，说明尚存在一定的提升空间，从投入产出角度来看，在加大人力、财力投入的同时，更应关注资源的合理配置，使各种资源能够得到更加充分的利用，从而提升投入产出效率；对基础设施和网络安全行业的数字化赋能效率较低，尚有很大的提升空间，相关部门亟需优化资源配置结构，提升资源利用效率。

5 结论

本文以2013-2022年A公司各事业部的运营数据为研究样本，运用基于柯布-道格拉斯生产函数的随机前沿分析方法，从供给侧角度对A公司各部门的数字化赋能效率进行测算。研究发现，A公司对各行业的数字化赋能效率处于中游水平，具有一定的提升空间。从时间维度来看，各行业数字化赋能效率总体上比较平稳，但大多数行业出现小幅下降趋势；从行业维度来看，A公司对政府部门的数字化赋能效率最高，对基础设施和网络安全行业的数字化赋能效率较低，对通信行业、金融行业、医疗行业、外包服务、新闻出版行业的数字化赋能效率处于中游水平，对云服务和汽车行业的数字化赋能效率较高。

本文对于明确数字化技术与各行业的融合程度有一定的参考价值，但仍存在些许不足，主要体现在A公司作为行业领先的全球化信息技术、产品和解决方案公司，是产业创新变革的推动者和数字化转型的赋能者，虽然以其为研究对象具有一定的代表性，但如果想要得出更加普适性的研究结论，还需要进行大样本的调查分析。

【参考文献】

【1】罗建强，蒋倩雯.数字化技术作用下产品与服务创新：综述及展望[J].科技进步与对策，2020，37（24）：152-160.

【2】周文辉，邓伟，陈凌子.基于滴滴出行的平台企业数据赋能促进价值共创过程研究[J].管理学报，2018，15（8）：1110-1119.

【3】周文辉，王鹏程，杨苗.数字化赋能促进大规模定制技术创新[J].科学学研究，2018，36（8）：1516-1523.

【4】孙新波，苏钟海.数据赋能驱动制造业企业实现敏捷制造案例研究[J].管理科学，2018，31（5）：117-130.

【5】孟凡生，徐野，趙刚.高端装备制造企业向智能制造转型过程研究——基于数字化赋能视角[J].科学决策，2019（11）：1-24.

【6】池毛毛，叶丁菱，王俊晶，等.我国中小制造企业如何提升新产品开发绩效——基于数字化赋能的视角[J].南开管理评论，2020，23（3）：63-75.

【7】Wim Coreynen，Paul Matthyssens，Johanna Vanderstraeten，et al.Unravelling the internal and external drivers of digital servitization： A dynamic capabilities and contingency perspective on firm strategy[J].Industrial Marketing Management，2020（89）：265-277.

【8】Veronica Scuotto，Elisa Arrigo，Elena Candelo，et al.Ambidextrous innovation orientation effected by the digital transformation： A quantitative research on fashion SMEs[J].Business Process Management Journal，2020，26（5）：1121-1140.

【9】张明超，孙新波，王永霞.数据赋能驱动精益生产创新内在机理的案例研究[J].南开管理评论，2021，24（3）：102-116.

【10】刘启雷，张媛，雷雨嫣，等.数字化赋能企业创新的过程、逻辑及机制研究[J].科学学研究，2022，40（1）：150-159.

【11】蒋峦，凌宇鹏，张吉昌，等.数字化转型如何影响企业韧性？——基于双元创新视角[J].技术经济，2022，41（1）：1-11.

【12】王墨林，宋渊洋，阎海峰，等.数字化转型对企业国际化广度的影响研究：动态能力的中介作用[J].外国经济与管理，2022，44（5）：33-47.

【13】徐勇，宋罡.基于DEA和SFA比较分析的中小企业技术效率区域差异研究[J].学术研究，2013（6）：87-90+160.

【14】Dennis Aigner，C.A.Knox Lovell，Peter Schmidt.Formulation and estimation of stochastic frontier production function models[J].Journal of Econometrics，1977，6（1）：21-37.

【15】Meeusen W，Van Den Broeck J.Efficiency estimation from cobb-douglas production functions with composed error[J].International Economic Review，1977，18（2）：435-444.

【16】George Battese，Timothy James Coelli.A model for technical inefficiency effects in a stochastic frontier production function for panel data[J].Empirical Economics，1995（20）：325-332.

【17】宋罡，徐勇.基于随机前沿分析的中小企业技术效率[J].系统工程，2013，31（2）：77-83.