区域创新、数字经济与企业全要素生产率※

胡德龙 巢文鸣

内容提要：区域创新提升企业全要素生产率,其关键条件在于市场化程度,数字经济能够通过提高市场化程度来促进区域创新对企业全要素生产率的提升作用,基于2011-2020年上市公司数据实证研究表明,区域创新无论是数量还是质量都能显著提升企业全要素生产率,且创新质量的作用更大。创新能力提升企业全要素生产率对非国有企业的作用大于对国有企业的作用,对高劳动密集度企业的作用大于对低劳动密集度企业的作用。因此,一方面要鼓励创新,支持民营企业发展;另一方面要以发展数字经济为契机推动高质量发展。

一、 引 言

中国经济在持续30多年高速增长后,增速逐渐回落。随着人口红利消失、劳动力价格上涨以及资本边际效率递减,以往依靠大量物质资源消耗的要素驱动模式难以为继,需要依靠创新来推动全要素生产率提高,以形成经济增长的新动能。中共二十大提出“高质量发展是全面建设社会主义现代化国家的首要任务”,要“着力提高全要素生产率”,必须坚持“科技是第一生产力,人才是第一资源,创新是第一动力”。依靠创新驱动中国经济高质量发展至关重要。

根据国家统计局发布的数据,从创新投入来看,中国R&D经费支出从2001年814.3亿元、占国内生产总值的1.07%,增长到2021年27956.3亿元、占国内生产总值的2.44%;从创新产出来看,专利申请量由2001年203573件,增长到2021年5243592件,另据世界知识产权组织发布的数据,中国国际专利申请量从2019年至2022年连续4年稳居世界第一。但是,创新投入与产出是否能有效地促进生产效率的提高需要进一步验证。一般认为创新能够提高效率,推动经济发展,但从实际情况来看,创新不仅是一项涉及知识和技术的创造性活动,也是一项高投入、高风险的经济活动,经济行为者不仅需要考虑创新活动带来的专利成果即创新产出的问题,也需要考虑专利成果实际带来的经济效益的问题,因此创新活动促进全要素生产率提高需要一定的时间、成本或其他经济条件。Solow(1987)提出“计算机处处可见,生产率的统计除外”这一“生产率悖论”,引起广泛的关注,争论持续至今。Aghion等(2018)将其解释为数字技术的作用具有时滞性,短期内无法引起全要素生产率的增长;Acemoglu和Restrepo(2018)提出自动化和人工智能技术带来过度信息化将导致资源浪费和劳动力错配,间接抑制全要素生产率增长。类似地,如果把“计算机”或“数字技术”换成其他创新成果,是否也能得到相似的悖论?从中国经济发展实践来看,有研究认为存在“高投入与低生产率”悖论,即迅速增长的创新投入和产出与全要素生产率增长率持续下降之间存在不匹配的现象(高帆,2017;戴小勇,2021)。本文所关心的正是创新能否有效促进全要素生产率的提高,以及主要受何种经济条件的影响。

现有关于创新与经济问题的研究主要包括以下几个方面:一是创新的动力来源。高铁开通引发创新要素流动效应,提高区域创新水平(卞元超等,2019);财政纵向失衡会通过公共支出结构偏向阻碍区域创新(管智超和付敏杰,2023)。二是创新与经济增长。傅晗彧等(2022)基于省际面板数据研究了不同类型的技术创新对经济增长效率的作用,发现高技术含量创新对经济增长效率产生显著的负向影响,低技术含量创新对经济增长效率不产生显著影响;张骞等(2022)基于省际面板数据实证考察了经济增长的产业结构的门槛效应,表明专利结构必须与产业结构相适应,才能推动经济增长和全要素生产率提高。三是创新与经济发展质量。杨小东等(2020)通过城市面板数据研究发现,创新能够显著抑制环境污染;陈超凡等(2021)基于城市面板数据研究发现创新通过结构优化效应、资源与环境效应、增长效应提高了生态效率。

从已有研究来看,较多文献研究创新动力来源问题,而创新能力促进效率提高的问题缺乏关注,即使涉及与之相关的研究主题,如创新能否带来经济高质量发展等,也只是从宏观层面探讨创新带来的影响,鲜有针对从创新产出到生产效率或经济效益环节的考察,更是缺乏从微观企业层面进行探讨。创新驱动全要素生产率提升要经过“持续投入—创新产出—生产效率”即技术成果和市场价值两个不同的传导环节,从创新投入金额、创新产出数量和全要素生产率增长的情况来看,创新产出能否提升全要素生产率才是创新能力转化为现实生产力的关键。中国数字经济高速发展,人工智能、大数据、云计算、区块链等技术正逐渐渗透到经济社会发展各领域中。根据中国信通院发布的《中国数字经济发展报告(2022)》,2021年中国数字经济规模达到45.5万亿元,同比增长16.2%,占国内生产总值的比重达39.8%。数字经济不断重塑着传统的经济形态,会对创新与效率之间的关系带来何种影响?这一研究主题目前也鲜有提及,对其的探讨同样具有重要意义。

基于此,本文选取2011年至2020年城市层面数据和上市公司数据,实证分析区域创新对企业全要素生产率的提升作用,并以数字经济作为调节变量,验证数字经济有利于促进区域创新对企业全要素生产率的作用,其作用机制在于提高市场化程度。本文的边际贡献可能包括:一是将数字经济与创新能力转化问题纳入同一分析框架,拓展了现有领域的研究成果,为数字经济驱动高质量发展提供了新的研究视角;二是从微观企业层面进行研究,并考察“创新产出—生产效率”这一创新能力转化的关键环节,同时从产权性质、劳动密集程度、规模大小3个层面进行异质性分析,弥补了现有文献的不足;三是研究发现创新质量的作用大于创新数量的作用,创新能力转化为生产效率的关键条件是市场化程度,而数字经济可以通过提高市场化程度促进区域创新对企业全要素生产率的作用,这为鼓励创新、发展数字经济、完善新时代中国特色社会主义市场经济体制助推经济高质量发展提供了理论基础。

二、 理论分析与研究假说

1. 区域创新与企业全要素生产率

古典经济学家并未预想到技术进步对经济社会带来的巨大影响,更多的是强调分工带来的效率提高,如亚当·斯密、大卫·李嘉图等。而随着工业革命的高潮到来,马克思的《资本论》已深刻体现了“技术创新推动生产力发展”这一思想,“资本有机构成的提高”、“劳动资料的革命”正是创新和技术进步的体现。熊彼特在《经济发展理论》中首次提出“创新理论”,认为创新是一个经济学的概念,不是单纯的技术发明,是在生产体系中引入关于生产要素和生产条件的“新组合”,是建立一种新的生产函数。

具体而言,创新能够从技术层面和资源配置层面提高企业全要素生产率。从技术层面看,创新活动和技术进步从根本上降低了企业的生产、服务和管理成本,提高了全要素生产率(武力超等,2021)。企业采用创新带来的新工艺或新技术能够有效提高设备效能,降低材料的物质损耗,降低人工成本,而流程创新也减轻了企业组织结构臃肿、无谓内耗的情况,降低了管理成本、提高了组织效能;此外,企业进行创新活动不仅带来了技术进步,还提高了企业的吸收能力。企业在自主研发的过程中,积累了经验和技术知识,而由于知识间的联系性,拥有更多经验和专业知识的企业能够更好地吸收来自其他企业或机构的管理经验和先进技术,从而提高企业效率和促进新一轮的创新(Cohen和Levinthal,1989)。从资源配置层面来看,创新活动可能使得生产要素由低生产效率企业流向使用了新技术的高生产效率企业,迫使生产效率更低的企业退出市场,从而提高了整体的企业全要素生产率(Acemoglu和Cao, 2015;戴小勇,2021)。基于此,提出以下研究假说:

假说1:区域创新能够显著提高企业全要素生产率。

2. 影响创新促进全要素生产率提升的关键因素

区域创新并不总能有效地促进全要素生产率的提升,或者说,创新的高投入或高产出并不总能带来相对应的全要素生产率的增长。除了技术因素以外,如技术的研发、吸收和应用的时间较长对效率的提高会产生一定的滞后性,更主要地是取决于经济因素。本文认为市场化程度是其中关键的经济因素。

市场化程度对创新促进全要素生产率提升的影响主要体现在以下三个方面:一是供需匹配。企业从事生产的目的,是为了迎合消费者的需求,从而获得经济回报,创新的投入和新技术的应用,也是出于同样的目的,消费者对某种商品的需求引致了生产这种商品的技术和生产资料(或资本品)的需求,进而又引致了生产这种生产资料的技术和生产资料的需求,由此形成一个与供给相反的需求链条,只有创新带来的技术与消费者需求和对应的生产结构相匹配,创新才能得到广泛的应用并发挥其作用。而处理供需匹配问题的关键在于经济信号,在市场经济体制下,每个微观主体都只拥有一小部分信息或知识,不能从社会整体上进行计划和决策,而经济社会却自发有序地运行着,正是价格体系作为一种低成本、便捷的经济信号协调着人们的活动,价格越僵化,价格的作用也就越有限。二是竞争机制。一方面,竞争是一个识别与发现的机制,消费者的偏好、产品和技术的优劣是事先不能完全知道的,通过自由竞争,更能服务于消费者的采用新技术的产品和对应的新技术脱颖而出;另一方面,正是竞争,使得要素从边际收益低的企业流入采用了新技术的边际收益高的企业,还迫使要素边际收益更低的企业退出市场,由此产生了激励效应,使得企业不得不关注新技术和增加研发投入以增加新技术的使用,有利于技术的溢出;此外,公平竞争的市场环境能够给企业带来稳定的预期,使得管理层关注企业的长期发展,减少寻租行为,能够节省企业制度性交易成本(夏后学等,2019),促进企业与企业之间、企业与社会机构之间、企业与政府之间形成创新分工体系,推动创新成果转化和创新市场拓展(高帆,2017)。三是产品和要素的流动性。生产要素的自由流动有助于改善要素需求和供给对最优配置的偏离,使用新技术生产出的低成本和高质量的产品越能快速占领市场,生产要素越能快速流向使用新技术的高生产率的企业,创新成果也就越能提高全要素生产率。产品和要素的流动性一方面取决于通讯和交通等客观物质条件,如互联网发展、公路修建、高铁开通等能够促进城市贸易和劳动力及资本的流动,带来经济增长的溢出效应,促进产业升级;另一方面取决于政策因素,如户籍制度改革能够促进农村劳动力流动,提高劳动者收入份额(孙文凯等,2011),地方政府采取保护主义政策会导致市场分割,造成资源错配和福利损失(宋马林和金培振,2016)。市场化程度越高,产品和要素的流动性越强,创新对企业全要素生产率的促进作用也就越大。基于此,提出以下研究假说:

假说2:市场化程度提高促进了区域创新对企业全要素生产率的提升作用。

3. 数字经济与全要素生产率

数字经济是以数据(数字化的知识和信息)作为关键生产要素,以信息通信技术为驱动,以现代信息网络为载体,通过数字技术与实体经济深度融合,不断重塑传统经济结构的新型经济形态,对区域创新提升全要素生产率具有强化效应。一方面,数字经济加速了创新成果的传播,企业借助数字技术和数字平台可以更快速、更广泛地宣传和推广新产品和新技术,进一步提高市场对新产品和新技术的认知度和接受度,同时,也驱使其他企业竞相学习和模仿,促进了新技术的应用和溢出;另一方面,数字经济节约了管理成本,企业借助数字技术可以更好地管理生产过程和运营活动,提高效率和质量,从而节约了管理成本,可以将更多的经费用于技术更新,使得新技术更能发挥其作用。基于此,提出以下研究假说:

假说3:数字经济发展促进了区域创新对企业全要素生产率的提升作用。

此外,市场化程度也是数字经济促进创新提升全要素生产率的关键机制。一是数字经济促进了供需匹配。随着大数据的广泛应用,企业和消费者的信息搜寻成本降低,信息获取能力大大加强,便于消费者选择所需要的产品,也便于企业获取需求信息和所需的技术,进而提高了创新与消费者需求和产业结构的匹配程度。二是数字经济促进了公平竞争。一方面,数字政务促进了行政审批程序的优化和革新,减少了证照事项的办理时间和办理成本,也在一定程度上减少了行政人员对工商管理的人为干扰(廖福崇,2022),有助于充分发挥政府职能,营造公平、公正、法治、透明的营商环境;另一方面,数字治理加强了对企业在融资和生产、销售过程中的监督和管理,抑制了道德风险和逆向选择问题,这都为企业在竞争中采用新技术和迫使低效率企业退出市场提供了基础。三是数字经济促进了要素流动。一方面,数字金融促进了资本的流动,缓解了企业采用新技术或新产品面临的融资约束问题,进而促进了创新成果的应用;另一方面,数字平台打破区域疆界,将不同区域的生产者和消费者连接起来,促进了劳动、资本、技术、数据等生产要素在不同区域和不同产业间的流动,进而促进了创新对企业全要素生产率的提高效应。基于此,提出以下研究假说:

假说4:数字经济通过提高市场化促进了区域创新对企业全要素生产率的提升作用。

三、 研究设计

1. 数据来源

数字经济快速发展始于2011年前后,故本文选择2011年至2020年沪深A股上市企业为研究样本。对原始数据进行以下处理:剔除金融行业企业数据;剔除被标记退市的企业;剔除数据缺失或异常的企业;剔除被标记为“PT”和“ST”企业;对连续变量进行1%和99%缩尾处理。将得到的数据与计算得到的市场化指数、数字经济发展水平等数据相匹配,再次剔除缺失值和异常值并进行缩尾处理,得到包含244个城市和3193家企业的24309个样本。

区域创新数据源于国家知识产权局数据库,上市企业数据源于国泰安数据库,其他数据源于《中国城市统计年鉴》和北京大学数字金融研究中心发布的《北京大学数字普惠金融指数》。少量宏观数据缺失值采用插值法补齐。

2. 变量定义

(1) 被解释变量全要素生产率(TFP)。参考鲁晓东和连玉君(2012)的研究,本文在基准回归中采用LP法测算企业全要素生产率(TFP_LP),而在稳健性检验中采用OP法计算企业全要素生产率(TFP_OP)。这是因为,LP法和OP法都能有效解决由企业同时调整资本存量与产量带来的偏差问题,且LP法能避免OP法要求投资必须大于0而剔除样本的缺陷。对两种计算结果均取对数。

(2) 主要解释变量区域创新(inno_quantity和inno_quality)。本文更为关注的是狭义上的创新即技术创新能力与全要素生产率之间的关系,而且从区域层面来说,技术创新能力与广义的创新能力密切相关。当前研究中,衡量区域创新的指标包括新产品销售收入、研发投入和专利数量等,专利数量可以直接表示出一个地区的科技创新知识成果,因此参考卞元超等(2019)的研究,采用专利数量来衡量区域创新。本文在基准回归中采用专利申请数量来表示区域创新,而在稳健性检验中以专利授权数量来表示区域创新。具体而言,用专利申请数量与人口比值来表示,并用各类专利申请数量之和衡量区域创新数量(inno_quantity),用发明专利申请数量衡量区域创新质量(inno_quality)。

(3) 调节变量。市场化程度(market)。对市场化指数进行研究的重要代表性成果是《中国分省份市场化指数报告(2021)》(王晓鲁等,2021)。该研究从政府与市场关系、非国有经济发展、产品市场发育程度、要素市场发育程度、市场中介组织的发育和法律制度环境等5个维度构建了市场化指数评价体系,并分省份进行了综合评价。本文参考这一方法,结合张志栋和张凯(2023)的研究,构建市级层面的市场化指数,由于各个维度重要性相当而具体指标波动差异较大,故在离差标准化后进行线性加权,具体如表1所示。

表1 市场化指数

数字经济发展水平(DE)。本文借鉴赵涛等(2020)的研究,从数字基础设施、数字产业化、产业数字化等3个维度构建数字经济发展水平指标,采用熵权法处理,具体如表2所示。

(4) 控制变量。本文从宏观和微观上对其他影响企业生产率的因素进行控制。经济发展水平(gdp),一般而言,当地经济发展水平越高,企业生产效率也越高,以实际人均国内生产总值衡量,考虑到其非线性影响,加入该变量的平方项;财政支出比(GE),财政支出较大,往往能够为企业提供较好的基础设施和减税及补贴支持,有利于企业全要素生产率的提高,但财政支出过大又可能导致资源浪费和市场扭曲,影响企业效率;第二产业占比(secondary),第二产业具有技术含量高、生产资本密集的特点,容易形成技术外溢和产业集群效应,对企业全要素生产率具有正向影响;教育投入(education),能够增加劳动者的知识储备和劳动技能,为当地企业提供较好的人力资本,有利于全要素生产率提高;总资产周转率(ATO),体现了企业利用资产的效率,对企业全要素生产率有一定正向作用;总资产净利润率(ROA),体现了企业的盈利状况,与企业全要素生产率呈正向关系;企业年龄(FirmAge),一般而言,企业年龄越长,其市场地位和品牌知名度越高,在经营经验和技术水平积累及融资方面越有优势,越有利于提高全要素生产率。具体测度见表3。

3. 模型设计

为检验创新能力是否促进企业全要素生产率提高,本文构建基准回归模型:

TFPijst=α+βinnoit+γCijst+ρi+μj+λs+εt+θijst

(1)

其中,i、j、s、t分别为城市、行业、企业、年份,TFP为企业全要素生产率,inno为区域创新(包括创新数量和创新质量),C为城市及企业层面的控制变量,ρi、μj、λs、εt分别为城市、行业、企业、年份固定效应,θijst表示随机误差项。

为验证市场化和数字经济能否促进城市创新能力对企业全要素生产率(TFP)的提升作用,进一步构建调节效应模型:

TFPijst=α+βinnoit+ηmarketit+χinno_marketit+γCijst+ρi+μj+λs+εt+θijst

(2)

TFPijst=α+βinnoit+ηDEit+χinno_DEit+γCijst+ρi+μj+λs+εt+θijst

(3)

为了验证数字经济与市场化的关系,将市场化指数对数字经济发展水平进行回归:

marketit=α+βDEit+γCit+ρi+εt+θit

(4)

其中,market为市场化指数,DE为数字经济发展水平,inno_market为区域创新与市场化指数的交互项,inno_DE为区域创新与数字经济发展水平的交互项,其余变量及下标含义同上。

四、 实证结果及分析

1. 描述性统计

表4为主要变量的描述性统计,TFP_LP最小值为5.5406,最大值为13.3676,标准差为1.1116,说明不同企业之间的全要素生产率差异较大;inno_quantity最小值为0.0012,最大值为4.8822,标准差为0.9452,inno_quality最小值为0.0001,最大值为1.7358,标准差为0.3740,说明不同城市之间的创新能力差异较大。

2. 基准回归分析

如表5列(1)列(2)所示,在不控制固定效应且不加入控制变量时,变量inno_quantity的系数为0.0492,且在1%的统计水平上显著,在固定年份、城市、行业及企业的条件下且加入控制变量后,系数为0.0358,且在1%的统计水平上显著;列(3)列(4)中,在不控制固定效应且不加入控制变量时,变量inno_quality的回归系数为0.1735,且在1%的统计水平上显著,加入控制变量后,系数为0.0882,且在1%的统计水平上显著。这说明城市创新能力能够有效提高企业全要素生产率,且创新质量的作用大于创新数量的作用,假说1得到验证。

表5 基准回归

3. 稳健性检验

(1) 替换解释变量。采用专利授权总量衡量创新数量(inno_quantity2),发明专利授权数量衡量创新质量(inno_quality2),对原主要解释变量进行替换,回归结果如表6所示,列(1)中,变量inno_quantity2的系数为0.0563,且在1%的统计水平上显著,列(2)中,变量inno_quality2的系数为0.2572,且在1%的统计水平上显著,结果与前文基本一致,说明本文结论具有较好的稳健性。另外,使用专利授权数量作为主要解释变量,其回归系数要大于使用专利申请数量的回归系数,这是因为,能够得到授权的专利都是经过审核和筛选后被认定为具有一定价值的专利,这也进一步说明了回归结果的稳健性。

表6 稳健性检验Ⅰ

(2) 替换被解释变量。采用OP法计算企业全要素生产率(TFP_OP)替换原解释变量,计算TFP_OP过程中剔除了投资为0的样本,回归结果如表6所示。列(3)中,变量inno_quantity的系数为0.0208且在1%的统计水平上显著,列(4)中,变量inno_quality的系数为0.0440且在1%的统计水平上显著,结果均与前文基本一致,说明本文结论具有较好的稳健性。

(3) 剔除直辖市数据。由于直辖市在行政地位、经济发展水平、人口规模等方面与其他城市具有较大差异,可能会影响研究结论的准确性,因此剔除4个直辖市数据,回归结果如表7列(1)列(2)所示,均与前文基本一致,说明本文结论具有较好的稳健性。

表7 稳健性检验Ⅱ

(4) 剔除2020年数据。由于《中国城市统计年鉴》中2020年统计的指标相对之前年份的指标较少,本文采用了插值法处理,且2020年受到疫情冲击,出于疫情防控需要,劳动者无法投入工作但没有被解雇,机器停止运转,这都会导致企业全要素生产率偏低,可能影响结论的准确性,但出于尽可能多地保留样本的目的,在基准回归中未剔除,而在稳健性检验中予以剔除。回归结果如表7列(3)列(4)所示,均与前文基本一致,说明本文结论具有较好的稳健性。

4. 内生性分析

本文采用的主要解释变量创新数量和创新质量均为城市层面数据,而被解释变量全要素生产率为企业层面数据,很大程度上弱化了双向因果的影响,另外,在固定了年份、城市、行业和企业的基础上进行回归,一定程度上弱化了遗漏变量带来的影响。为了进一步保证本文结论的可靠性,使用工具变量并通过两阶段最小二乘法来分析。参考王建康和韩倩(2022)的研究,采用地形起伏度作为工具变量。地形起伏度会影响人口聚集程度,进而影响城市创新发展,且地形起伏度不随时间变化,满足了相关性和排他性。由于其为截面数据,借鉴黄群慧等(2019)的方法,将其与人均外观专利申请量滞后1期相乘,得到工具变量IV。结果如表8所示,列(1)为IV作为inno_quantity的二阶段最小二乘法回归结果,列(2)为IV作为inno_quality的二阶段最小二乘法回归结果,由Kleibergen-Paap rk LM统计量可知,排除了工具变量识别不足的假设,由Kleibergen-Paap rk Wald F统计量可知,排除了弱工具变量问题,说明了工具变量的合理性,而从第二阶段回归结果来看,创新质量和创新数量的回归系数为正且显著,说明基本估计结果是可靠的。

表8 内生性分析

五、 进一步分析

1. 调节效应分析

(1) 市场化程度的调节作用。为检验假说2,本文加入市场化指数、创新能力指标与市场化指数交互项进行回归。如表9列(1)列(2)所示,交互项系数均为正且在5%的统计水平上显著,说明市场化程度有正向调节作用,即能够增强创新对企业全要素生产率的作用效果,是创新能力转化为生产效率的关键条件,验证了假说2。

表9 调节效应回归

(2) 数字经济发展水平的调节作用。为检验假说3,本文加入数字经济发展水平、创新能力指标与数字经济发展水平交互项进行回归。如表9列(3)列(4)所示,交互项系数均为正且显著,说明数字经济发展有正向调节作用,即能够增强创新对企业全要素生产率的作用效果,验证了假说3。

(3) 数字经济与市场化。为了验证数字经济是否促进了市场化,将二者进行回归分析,结果如表9列(5)所示,变量DE的系数为正且显著,说明数字经济发展能够提高市场化程度,进而强化区域创新对企业全要素生产率的作用,验证了假说4。

2. 异质性分析

(1) 产权异质性。本文根据产权性质将样本分为国有企业和非国有企业两组,分别进行回归分析,如表10所示,列(1)列(2)表明,国有企业样本中,变量inno_quantity的系数为0.0254且显著,非国有企业样本中,变量inno_quantity的系数为0.0350且显著;列(3)列(4)表明,国有企业样本中,变量inno_quality的系数为0.0777且显著,非国有企业样本中,变量inno_quality的系数为0.0899且显著。这说明无论从创新数量还是从创新质量来看,创新能力对非国有企业全要素生产率的提升作用更强。这可能是因为,国有企业管理者的任命往往具有行政性质,“准官员”的身份使得他们更在乎任期内的绩效,对企业长远发展缺乏关注,而更换新设备或采用新技术的活动都具有较高的风险和成本,即短期内不一定能得到经济回报且存在风险,因此国有企业相对缺乏采用新技术的动力,而非国有企业出于竞争的压力和对利润的追求更有动力去关注市场上的最新创新成果和尝试采用新技术提高全要素生产率。

表10 产权异质性分析

(2) 劳动密集程度异质性。采用员工人数与固定资产净额之比表示劳动密集程度,以劳动密集程度中位数为基准,将样本分为低劳动密集度组和高劳动密集度组分别进行回归。如表11所示,列(1)列(2)表明,低劳动密集度企业样本中,变量inno_quantity的系数为0.0214且显著,高劳动密集度企业样本中,变量inno_quantity的系数为0.0289且显著;列(3)列(4)表明,低劳动密集度企业样本中,变量inno_quality的系数为0.0647且显著,高劳动密集度企业样本中,变量inno_quality的系数为0.0713且显著。这说明无论从创新数量还是从创新质量来看,创新能力对高劳动密集度企业全要素生产率的促进作用更大。究其原因,可能是高劳动密集度企业的员工相对较多,随着劳动力价格上涨,企业在劳动成本方面的负担增加,这会激励企业更加积极地采用新技术替代劳动力,以提高效率和降低成本。

表11 劳动密集程度异质性分析

(3) 企业规模异质性。以企业年总资产中位数为标准,将样本分为大规模企业和小规模企业,分别进行回归分析,如表12所示。列(1)列(2)为关于创新数量的回归结果,小规模企业组与大规模企业组的回归系数均为正且显著。列(3)列(4)为关于创新质量的回归结果,对小规模企业而言,变量inno_quality的系数为正但不显著,对大规模企业而言,变量inno_quality的系数为正且1%显著,说明创新质量对全要素生产率的提升效应在大规模企业中更大。其原因可能是,企业使用新技术或新发明的设备需要高昂的成本,大规模企业具有雄厚的财力,且可以通过规模效应降低平均成本,从而更有动力采用新技术或新设备来提高企业效率。

六、 研究结论与建议

本文选取2011-2020年沪深A股上市企业为样本,研究了区域创新对企业全要素生产率的作用,研究发现区域创新无论是数量还是质量都能显著提升企业全要素生产率,且创新质量的作用更大。在替换解释变量和被解释变量、剔除2020年数据和直辖市数据后,结论依然成立。这充分说明创新是高质量发展的第一动力。调节效应分析和机制分析进一步表明,市场化程度是区域创新促进企业全要素生产率提升的关键外部经济条件,数字经济能够通过提高市场化程度强化创新促进企业全要素生产率提升的作用。异质性分析表明,无论是从创新数量还是创新质量来看,创新能力提升企业全要素生产率对非国有企业的作用都大于对国有企业的作用,对高劳动密集度企业的作用均大于对低劳动密集度企业的作用;创新数量提升全要素生产率的作用对大规模企业和小规模企业而言差异不大,但创新质量对大规模企业全要素生产率提升作用更强。

基于以上研究,本文提出以下政策建议:一方面,鼓励创新和非公经济发展。一是加强创新基础设施建设,加大政府在高新技术研发、技术转移中心等方面的投资力度,为企业创新提供支撑;二是为创新提供融资支持,政府可以通过完善金融政策,扶持企业在研发和创新方面的投资,加大贷款担保和优惠利率等方面的扶持力度;三是加强知识产权保护,提高技术创新的保护力度,鼓励企业进行更多的研发和创新活动。此外,民营企业更有采用新技术的动力,要坚持毫不动摇鼓励支持引导非公经济发展。另一方面,以发展数字经济为契机推动高质量发展。数字经济不仅重塑传统的生产形态,还是完善市场经济的重要力量,能够增强区域创新对企业全要素生产率的提高效应。推动数字经济发展,一是要加强数据要素价值化研究与实践,探索数据要素参与收入分配的机制;二是要加强技术设施建设,为数字经济发展提供基础;三是要鼓励企业进行数字化转型,促进数字技术不断与实体产业融合。