数字经济对制造业绿色全要素生产率的影响研究

摘 要：制造业作为高能耗、高污染的产业，在第二产业中占有相当重要的地位，探究制造业绿色转型发展问题具有重要的现实意义。选取我国2005—2020年30个省份的面板数据，首先运用SBM-GML模型对制造业绿色全要素生产率（GTFP）进行测算，随后将国家级大数据综合试验区的设立视为准自然实验，采用多期DID方法分阶段检验数字经济对制造业绿色全要素生产率的影响。结果表明：国家级大数据综合试验区建设能够显著提升制造业绿色全要素生产率，且具有稳健性；异质性检验表明，大数据综合试验区建设能够显著提升东中部地区的制造业绿色全要素生产率，且对中部地区的作用效果更为明显；机制检验发现，大数据综合试验区建设能够通过降低劳动力错配程度、提高研发强度、促进产业结构升级提升制造业绿色全要素生产率；进一步分析显示，随着数字化经济发展程度和绿色创新能力的提高，数字经济对制造业绿色全要素生产率的影响是非线性的，且均呈现出先抑制后促进的“U”型关系。关键词：数字经济；绿色全要素生产率；国家级大数据综合试验区

中图分类号：F 124001-11

Research on the Impact of Digital Economy on Green Total

Factor Productivity of Manufacturing Industry：

A Quasi Natural Experiment Based on National Big Data

Comprehensive Experimental Zone

ZHANG Youzhi，BIAN Rumeng，WANG Jingyi，LIU Yinke

（School of Economics and Management，Xi’an Shiyou University，Xi’an 710065，China）

Abstract：As a high energy consuming and highly polluting industry，manufacturing plays a significant role in the secondary industry.Exploring the green transformation and development of manufacturing is of great practical significance.Based on panel data from 30 provinces in China from 2005 to 2020，the SBM-GML model was first used to measure the green total factor productivity of the manufacturing industry.Subsequently，the establishment of a national level big data comprehensive experimental zone was regarded as a quasi natural experiment，and the impact of the digital economy on the green total factor productivity of the manufacturing industry was empirically tested in stages using a multi-period DID method.The results show that the construction of national level big data comprehensive experimental zones can significantly improve the green total factor productivity of the manufacturing industry，and has robustness.Heterogeneity testing shows that the construction of the big data comprehensive experimental zone can significantly improve the green total factor productivity of the manufacturing industry in the eastern and central regions，and the effect on the central region is more significant.Mechanism testing has found that the construction of big data comprehensive pilot zones can improve the green total factor productivity of the manufacturing industry by suppressing labor mismatch，increasing research and development intensity，and promoting industrial structure upgrading.Further analysis shows that with the development of the digital economy and the improvement of green innovation capabilities，the impact of the digital economy on the green total factor productivity of the manufacturing industry is non-linear，and both exhibit a U-shaped relationship of first inhibition and then promotion.

Key words：digital economy；GTFP；national level big data comprehensive experimental zone

0 引言

自人类社会进入信息时代以来，数字技术已经逐渐成为转变经济发展方式，实现经济绿色化、高质化的重要推动力。制造业是国民经济命脉所系，在第二产业中占有相当重要的地位，为实现“制造强国”和“美丽中国”的宏伟目标，探究自然资源日趋紧张条件下高能耗、高污染的制造业绿色转型发展问题具有重要理论及现实意义。为加速产业数字化、助力传统产业实现数字化转型，2015年8月，国家出台了《促进大数据发展行动纲要》，要求通过建设大数据试点推动区域间及区域内资源整合，提升政府治理能力，推动产业创新发展，而后于2016年相继设立了八大国家级大数据综合试验区^[1]。新时代以数字经济驱动我国实体经济全面绿色转型已成为必然趋势，而大数据综合试验区建设作为我国数字经济发展战略的关键举措，研究其对制造业的绿色转型升级至关重要。文章通过多期DID模型分析大数据综合试验区建设对制造业GTFP的影响，并探究影响制造业绿色发展的作用路径，进一步丰富数字经济促进制造业绿色发展的研究，助力制造业绿色转型升级，实现高质量发展。

1 文献综述

综观现有文献，与本文研究相关较为密切的主要涉及以下2个方面：一是数字经济，现有文献主要关注于数字经济政策的影响效果，或探究数字经济助推传统产业绿色转型升级的作用路径。二是GTFP，现有文献主要关注相关政策是否有助于提升GTFP及该政策通过何种途径促进GTFP的提升。

首先，目前关于数字经济的试点政策较多，主要包括大数据综合试验区建设、智慧城市、宽带中国等，多数学者对于数字经济政策的实施效果以及影响路径进行探究，为数字经济与各领域的充分融合提供思路。刘军等 ^[2]基于大数据综合试验区的设立发现该政策能够显著提升城市全要素生产率，且资源配置效率、企业创新是数字经济提升城市全要素生产率的主要途径；杨秀云等 ^[3]通过研究公共数据开放对全要素生产率的影响，发现城市公共数据开放水平每提高1%，当地企业全要素生产率平均提升约0.18%；秦晓丽等 ^[4]基于三批智慧城市试点政策，发现该政策可以提升企业全要素生产率，且对规模较大及非资源城市的提升作用更明显。数字经济与企业绿色转型升级密不可分，探究传统产业的数字化转型，是当前学术界较为关注的问题，目前学界对于数字经济助推传统产业绿色转型升级的作用机制主要从研发创新、产业结构等方面考察，袁培等 ^[5]通过检验数字技术赋能工业绿色转型的影响机制，发现创新水平提升和能源结构优化是数字技术赋能工业绿色转型的重要渠道；龚新蜀等 ^[6]实证考察了城市数字经济对重污染企业绿色全要素生产率的影响效应和内在机制，发现绿色创新是数字经济驱动重污染企业绿色生产的重要传导机制，且只有当绿色发明专利申请量作为中介变量时，对驱动重污染企业绿色生产有显著影响。

其次，现有文献对于绿色全要素生产率的研究主要集中于政策效应、影响路径及因素，且多数学者对于影响绿色全要素生产率的途径主要从技术创新、产业结构、产业集聚等方面探究^[7]。郑菊花等^[8]基于开发区升级的准自然实验发现政府效率高、市场化水平高的地区，开发区升级对绿色全要素生产率有显著的正向影响；陈丽娜等^[9]基于低碳城市和创新型城市双试点政策的准自然实验发现，双试点城市可以通过提升城市绿色技术创新水平与优化产业结构2条途径促进绿色全要素生产率的增长；张建等^[10]通过研究发现产业结构及对外直接投资对绿色全要素生产率具有显著正向作用；姚战琪^[11]认为科技服务业试点可以通过提高产业结构高级化水平及人均消费支出提升绿色全要素生产率。

基于现有文献的梳理及归纳，文章将不同时期设立的大数据综合试验区视为准自然实验，以拓展不同环境规制对制造业绿色发展的影响研究，同时从不同角度探究数字经济促进制造业绿色发展的作用路径，从而促进制造业实现绿色转型升级。选取2005—2020年30个省份的面板数据，采用多期DID方法分阶段检验识别数字经济发展对制造业GTFP的影响，通过PSM-DID、安慰剂检验等方法克服选择偏差，并从劳动力错配、产业结构、研发强度3个视角检验大数据综合试验区影响制造业GTFP的传导路径，同时探索数字经济对制造业GTFP的非线性特征。为数字经济驱动制造业GTFP提供可靠实证证据。

2 理论分析及研究假设

数字经济时代，大数据通过深入产业生产的各个环节逐渐成为驱动经济发展的内在动力，完善的数据市场环境通过引导数字产业良性循环，为当地经济发展注入活力。国家级大数据综合试验区的设立旨在提升对数据的挖掘与利用水平，通过探索产业数字化的有效路径促进传统生产方式发生变革。大数据的应用促进制造业多方面升级。在资源配置方面，数字技术发展通过加速劳动力市场和资本市场信息化，提高市场供求双方信息搜集和处理能力，扫除引导劳动力流动的信息障碍，提高市场参与者搜寻匹配效率，大数据技术通过抑制劳动力错配率、减少劳动力的过度投入、促进制造业高质量发展，进而驱动制造业GTFP提升。在研发强度方面，数字经济所带来的政策红利为企业研发创新提供了可能，线上交流平台、计算机处理系统的飞速发展为企业或机构的研发人员提供了更高效的研发环境，科研创新水平的提升为企业带来更高的生产效率及优势产品，企业成本优势增加的同时也提高了产品竞争优势，从而激励企业继续进行研发创新，同时企业研发水平的提升有助于其提高生产效率，提升资源利用程度，减少生产过程中多余废弃物的产生，进而提升制造业GTFP。在产业结构方面，数字化技术不断迭代升级，并在产业关联效应及竞争激励效应影响下，进一步促进数字化技术及数字产品的衍生，助推产业链由低端向中高端迈进，进而引发全产业链的持续革新^[12]，同时通过大数据综合试验区建设的政策引导，能够促使数据服务、数据信息等与传统产业生产经营各环节融合，赋能传统产业实现产业结构升级，产业结构升级能够促进部门分工细化，将资本、人力资源等合理分配到生产各过程，提升生产专业化程度，从而有效提升清洁生产水平，促进制造业GTFP的提升^[13-14]，作用机制如图1所示。

基于以上讨论，提出假设H1、H2。

H1：大数据综合试验区建设能够显著提高制造业GTFP。

H2：大数据综合试验区建设通过降低劳动力错配率、促进研发强度以及产业结构升级间接驱动制造业GTFP提升。

大数据综合试验区建设将大数据与实体经济相融合，对企业进行以信息化、数字化为重点的技术改造。在数字经济发展初期，由于制造业在生产过程中需要复杂、具有针对性的生产标准，导致我国数字技术未能在制造业领域充分融合^[15]，多数企业在应用数字技术时首先考虑降低成本，从而忽视生产技术提高过程中造成的环境问题，同时数字技术在制造业领域投入成本高、见效慢导致企业缺乏进行绿色技术创新的动力，从而不利于发挥数字经济对制造业GTFP的提升作用；相反，当数字经济发展到一定程度时，政府对于数字产业的优惠政策基本得到落实，企业有更多的资源以及更好的创新环境发展绿色技术，同时数字技术通过破除企业间的信息壁垒促进不同资源要素充分流动，使市场闲散资源得到有效利用，企业更加容易获得绿色创新资源，从而促进绿色创新^[16-17]，降低生产过程中污染物的排放量，提升制造业GTFP。

数字技术与制造业相结合能够促进产业链、人才链、创新链的深度有机融合，促进制造业高质量发展，从而有助于提升制造业GTFP。数字经济发展初期，产业数字化转型面临诸多困难，总体呈现结构“偏软”的特征，各企业应用数字技术的程度由于企业自身实力等原因呈现出多样性，尤其对于中小企业，在生产过程中对数字技术的利用率远低于大型企业，同时数字经济发展初期，企业资金投入大、资金回收周期长，加之政策红利的不确定性较高，导致企业的数字投入积极性不高，因此，当数字经济发展程度较低时，会妨碍制造业GTFP的提升。相反，当数字经济发展到一定程度时，数字技术及相关基础设施已经趋于完善，数字技术人才培育充足，加之相关优惠政策的扶持，使企业更加注重科技创新、绿色创新，从而将更多资本投入新产品研发和技术升级，减少对能源资源的依赖，提升资源利用效率。因此，较高的数字经济发展水平会促进制造业GTFP的提升。基于以上讨论，提出假设H3。

H3：数字经济对制造业GTFP存在基于绿色创新能力及数字经济发展水平的门槛效应。

3 研究设计

3.1 模型设定

多时点DID适用于处理组个体受到政策冲击时点不一致的情形，由于国家级大数据综合试验区在各地区的建设存在时间的差异，为探讨数字经济对制造业GTFP的影响，文章运用多期DID模型并固定个体、时点效应探究数字经济对制造业绿色全要素生产率的影响 ^[18]。基准回归模型设定见式（1）。

MGTFPit=ɑ+βTreatit×Periodit+γ∑Xit+λt+ηi+εit

（1）

式中，MGTFP为制造业绿色全要素生产率；Treat为试验区虚拟变量；β为大数据综合试验区政策的处理效应，是文章重点关注的系数估计值；Period为试验期虚拟变量；两者的交乘项构成核心解释变量（下文以Did表示）；∑X为所有控制变量；λ为个体固定效应；η为时点固定效应；ε为随机扰动项。

根据前文分析，国家级大数据综合试验区建设能够通过3种途径影响制造业GTFP：劳动力错配、产业结构高级化和研发强度。为进一步探究大数据综合试验区建设对制造业GTFP的影响机理，本文采用3步法构建中介效应检验模型^[19]，上式（1）为3步法中的第一步，β代表大数据综合试验区政策对制造业GTFP的总体效应，在式（1）的基础上构建式（2），考察大数据试验区政策对产业结构高级化、研发强度以及劳动力错配的影响；进一步构建式（3），将劳动力错配、产业结构高级化及研发强度分别纳入模型进行检验。模型设定如下

M=λ0+θDidit+γ∑Xit +λt+ηi+εit

（2）

MGTFPit=0+τDidit+ζM+γ∑Xit +λt+ηi+εit

（3）

式中，M为中介变量，表示大数据综合试验区建设影响制造业GTFP的作用机理，其中τ为大数据试验区建设对制造业GTFP影响的直接效应；θ为大数据综合试验区建设对中介变量的影响效应；其余变量与前文表述同。

此外，根据前文分析，数字经济对制造业GTFP的影响可能存在非线性特征，因此根据Hansen提出的固定效应面板门槛模型^[20]，设定式（4）实证检验数字经济对制造业GTFP影响的非线性特征

MGTFPit=ai +β1×Digitit×1（pit≤δ）+β2×Digitit×1（pitgt;δ）+γ∑Xit+λt+ηi+εit

（4）

式中，β1 、β2为待估参数；Digitit 为数字经济发展水平；pit为门限变量；δ为待估门限值；1（）为示性函数，其余变量与前文表述同。

3.2 变量选取

基于变量选取的科学性，文章选取2005—2020年间中国30个省市（因为数据缺失，不包括西藏、港澳台地区）的面板数据进行研究。

3.2.1 被解释变量

数据包络分析法是一种常用的效率测算方法，但传统的DEA方法仅考虑了最开始的投入和最后的产出，未能考虑到投入与产出之间的松弛性问题，为解决这一问题，不少研究者在传统的DEA方法上提出了SBM模型，该模型考虑到传统DEA所忽视的松弛性问题，是一种比较理想的生产效率测算方法，同时GML指数能够有效减少指数线性规划的无解性问题。因此文章采用SBM-GML模型测算制造业绿色全要素生产率，其中GML指数计算过程见式（5）。

GMLtt-1=1+G0（x^t-1，y^t-1，b^t-1，y^t-1，-bt^t-1）1+G0（xt，yt，bt，yt，-bt）

（5）

其中，GML指数大于1或小于1分别说明制造业绿色全要素生产率上升或下降，参照相关研究，制造业绿色全要素生产率的指标选取见表1。

3.2.2 核心解释变量

核心解释变量为大数据综合试验区虚拟变量（Did）。2016年3月贵州获批成为我国首个大数据建设试验区，2016年10月第二批试验区名单发布，由于两批试点开展试验的时间不同，为保证结果的准确性，将两批试验区的设立时间分别视为2016及2017年，然后按照国家级大数据综合试验区的试点名单及获批时间进行赋值，得到核心解释变量。

3.2.3 中介变量

参考干春晖等的研究，选取研发强度、产业结构高级化以及劳动力错配程度作为中介变量。其中产业结构高级化为第三产业产值与第二产业产值之比 ^[21]。研发强度采用Ramp;D经费支出占国民生产总值的比重来衡量。劳动力错配程度参考白俊红等的做法^[22]，具体计算过程如下。

基于规模报酬不变的C-D生产函数Y=AF（K，L）对时间t求导得

=FK+FL+FA

（6）

上式两边同除以Y可得

Y=FKKYK+FLLYL+FAAY

A

（7）

其中βL=FLLY表示劳动的产出弹性。

Li=11+τLi

（8）

其中，τLi为劳动力错配程度，Li为要素价格相对扭曲函数，测算公式如下

Li=LiLsiβLiβL

（9）

其中，si=piyiY表示地区i的产出yi占整个经济体产出Y的份额，联立式（8）（9）即可得到劳动力错配程度。

3.2.4 门槛变量

根据前文分析，数字经济对制造业GTFP可能存在非线性作用机制，文章选取数字经济发展水平以及绿色创新能力作为门槛变量进行实证研究，数字经济发展水平参考黄宇宁等的做法构建指标体系，并根据指标方向利用熵值法进行测度^[23]，具体指标选取见表2。

3.2.5 控制变量

参考已有研究，对于控制变量的选取如下^[24]：①经济发展水平，以人均国内生产总值取对数衡量；②环境规制力度，以污染治理投资额占国内生产总值的比重衡量;③技术市场发展水平，以技术市场成交额的对数来衡量；④工业化水平，以工业增加值占国内生产总值的比重衡量；⑤社会消费水平，以社会消费品零售总额占国内生产总值的比重衡量；⑥能源结构，以电力消费量占全国电力消费量的比重表示。

3.3 数据来源及说明

文章所使用的数据主要来自各省统计年鉴、国家统计年鉴、国家知识产权专利数据库及经济统计数据库。各变量的描述性统计见表3。

4 实证结果及分析

4.1 基准回归

大数据综合试验区对制造业GTFP的影响效果见表4。列（1）为未加入控制变量的结果，列（2）—（4）是在基准回归模型的基础上依次添加控制变量得到的结果，Did的系数在加入控制变量后均显著为正，意味着大数据试验区的设立能够显著提升制造业GTFP，假设H1得以验证。

列（2）—（7）中经济发展水平的系数均显著为负，说明伴随着经济的发展，污染物的排放未能得到有效遏制，导致经济发展水平与制造业GTFP呈反向变动关系。环境规制强度与制造业绿色全要素生产率呈负相关关系，可能的原因是政府划拨的环境治理资金没有完全落到实处，且相关部门在治理环境污染问题工作中效率较低 ^[25]。技术市场发展水平与制造业绿色全要素生产率呈正相关关系，说明伴随着生产技术的进步，制造业生产过程中产生的污染物排放量得到有效遏制。

4.2 稳健性检验

4.2.1 平行趋势检验

平行趋势检验是多期DID分析的重要前提。这一检验能够确保在政策实施之前，实验组与控制组的制造业GTFP不存在明显的时间趋势差异。平行趋势是DID分析有效的基础，保证了政策实施是引起差异的主要因素，而非其他潜在的时间趋势差异。平行趋势检验的结果如图2所示，横坐标中“0”为政策执行的时间，在“0”值左侧即为政策冲击发生前，估计系数均过0轴且无明显事前趋势，说明在试点政策实施前，实验组与控制组在制造业的GTFP发展上并未展现出明显的差异或显著的发展趋势区别。在政策实施后，估计系数显著大于0，说明在政策实施后实验组制造业GTFP得到显著提升，平行趋势检验通过。

4.2.2 安慰剂检验

安慰剂检验作为一种反事实检验，能够排除其它偶然的潜在因素导致的结果。采用随机设定虚拟实验组的方法排除偶然因素的影响，首先，在30个省市中，随机选择10个省市为伪处理组，其余省市为对照组，基于这一分组情况产生政策虚拟变量，重复500次。得到检验结果如图3所示。

图3（a）为安慰剂检验系数图，其中红圈构成的曲线为随机抽样的系数分布，该图中，大部分的随机系数集中于零附近，说明虚拟政策时间节点对经济目标设置的影响较小。图3（b）为随机抽样的P值分布图，图中垂直于纵轴的横线为P=0.1，若大部分散点位于该线以下，说明系数至少在10%的水平上显著，也就是说随机选取的伪处理组在政策冲击前后也出现了差异，反之则表明随机选取的伪处理组没有出现显著差异，由P值分布图可知，大部分估计系数并不显著，说明随机选取的实验组在政策实施前后未出现显著性差异，排除了大数据综合试验区政策受到其它偶然潜在因素影响的可能，证明前述结果较为可靠。

4.2.3 PSM-DID模型估计

PSM-DID是一种结合了倾向得分匹配法（PSM）和差分处理效应（DID）的方法。它能够有效地解决因果推断中的选择偏误问题。在PSM-DID模型中，通过运用倾向得分匹配方法，可以确保实验组和对照组在特征上具有相似性，进而降低选择偏误的风险。文章采用近邻匹配、核匹配以及半径匹配等多种匹配方式，在控制组和实验组之间进行精确的匹配。在匹配过程中，严格筛选并剔除了匹配结果较差的数据。随后，利用基准模型对筛选后的数据进行了重新估计，确保研究结果的可靠性和有效性。平衡性检验结果如图4～6所示。

在满足平衡性检验基础上，PSM-DID检验结果见表5，匹配后Did的系数均显著为正，说明在考虑了样本选择偏差的情况下，大数据综合试验区建设仍能够提升制造业GTFP，上文回归结果仍然稳健。

4.2.3 内生性问题

由于大数据综合试验区建设在选择政策试点时，会优先考虑发展较好的地区，使得政策样本的选择出现非随机性，影响大数据综合实验区建设对制造业GTFP的试验效果，存在内生性问题。基于此，参考屈天佑等、万永坤等的做法^[26-27]，将大数据综合试验区政策虚拟变量滞后一阶作为工具变量进行分析，并采用2SLS方法对前文设定计量模型进行回归估计，结果见表5。

表5中，（1）列为大数据综合试验区政策虚拟变量滞后一期的回归结果，核心解释变量的系数为0.050 1且在5%的水平下显著，表示加入工具变量后，大数据综合试验区建设依旧能够显著提高制造业GTFP。

4.2.4 其它稳健性检验

其他稳健性检验见表7。由于数据统计的准确性及其它不可观测的因素可能导致数据存在极端样本值，经过缩尾处理，可以显著降低极端值对估计和推断的影响。因此对被解释变量进行1%的双侧缩尾处理，结果见表7（1）列。由于被解释变量可能存在序列相关以及自相关等问题，将滞后一期的制造业GTFP作为被解释变量纳入到模型中进行回归，结果见表7（2）列。其结果均显著为正，表明前述结果依然具有稳健性。

其他稳健性检验见表6。PSM-DID是一种结合了倾向得分匹配法（PSM）和差分处理效应（DID）的方法。它能够有效地解决因果推断中的选择偏误问题。在PSM-DID模型中，通过运用倾向得分匹配方法，可以确保实验组和对照组在特征上具有相似性，进而降低选择偏误的风险。文章采用核匹配的匹配方式，在控制组和实验组之间进行精确的匹配。在匹配过程中，严格筛选并剔除了匹配结果较差的数据。随后，利用基准模型对筛选后的数据进行了重新估计，确保研究结果的可靠性和有效性，其中平衡性检验结果如图4所示。

在满足平衡性检验基础上，PSM-DID检验结果见表6（1）列，匹配后Did的系数显著为正，说明在考虑了样本选择偏差的情况下，大数据综合试验区建设仍能够提升制造业GTFP，上文回归结果仍然稳健。由于数据统计的准确性及其它不可观测的因素可能导致数据存在极端样本值，经过缩尾处理，可以显著降低极端值对估计和推断的影响。因此对被解释变量进行1%的双侧缩尾处理，结果见表6（2）列。由于被解释变量可能存在序列相关以及自相关等问题，将滞后一期的制造业GTFP作为被解释变量纳入到模型中进行回归，结果见表6（3）列。其结果均显著为正，表明前述结果依然具有稳健性。

4.3 异质性分析

不同试点地区由于地理位置的差异导致其在经济环境、产业结构等方面存在较大差异，故为了探究数字经济对制造业GTFP影响的区域差异，将30个省份按照传统地域划分方式分为东、中、西3个区域，进一步探究国家级大数据综合试验区的设立对制造业极端样本值的区域异质性，区域异质性分析结果见表7。表7（3）列为西部地区的大数据综合试验区建设对制造业GTFP的估计结果，其估计系数为0.000 9且不显著，说明数字经济对西部制造业GTFP产生的正向效应未得到明显体现，西部地区应当加强数字经济与传统产业的融合，并挖掘其对制造业GTFP的潜在支撑力^[28]。表7（1）、（2）列分别为东部及中部地区的大数据综合试验区建设对制造业GTFP的估计结果，其估计系数均在10%水平上显著为正。原因可能在于东部地区地理位置优越，国外技术引入较为前沿，政策倾斜程度相对较高，电子商务发展较快，各产业与数字经济融合程度高，所以也产生了较好的政策效果^[29]。而中部地区实体经济较为发达，“十四五”规划之后，汽车、电子信息、装备制造业等产业集群快速发展，涌现出众多产业集群，先进制造业不断从东部向中部转移，所以，在中部地区实行大数据试验区建设，能有效促进中部地区制造业转型升级，提升制造业GTFP。

5 进一步分析

5.1 中介效应分析

根据前述的研究结果可知，数字经济对制造业GTFP提高存在显著的促进作用。为进一步研究数字经济对制造业GTFP影响的作用机制，运用3步法对影响制造业GTFP的因素进行检验，结果见表8。表8（1）列是大数据综合试验区建设对劳动力错配程度的影响效应，回归系数在1%的水平上显著且为负，说明大数据综合实验区的建设能够有效降低劳动力错配程度。表8（2）列是将大数据综合试验区建设及劳动力错配程度同时纳入模型中得到的回归结果，两者的估计系数均在5%的水平上显著为负，说明大数据综合试验区建设通过抑制劳动力错配程度进而提高制造业GTFP。表8（3）列是政策实施对研发强度的影响效应，系数在5%的水平上显著且为正，说明政策实施能够提升企业研发强度。表8（4）列是将大数据综合试验区建设及研发强度同时纳入模型中得到的回归结果，二者的估计系数均显著为正，说明大数据综合试验区建设通过提升企业研发强度进而提高制造业GTFP。表8（5）列是政策实施对产业结构高级化的影响效应，系数在10%的水平上显著且为正，说明政策实施能够显著提升产业结构高级化水平。表8（6）列是将大数据综合试验区建设及产业结构高级化水平同时纳入模型中得到的回归结果，结果表明：大数据综合试验区建设通过提升产业结构高级化水平进而提高制造业GTFP。对比将3个中介变量分别纳入中介模型的结果，其中政策实施对研发强度的促进效果最高，说明该政策的实施能够有效激励企业创新，提升自身竞争力。假设H2得到证明。

5.2 门槛模型分析

为检验数字经济对制造业GTFP的非线性影响，将数字经济发展指数及绿色创新能力作为门槛变量进行门槛效应检验 ^[30]。然后利用Bootstrap自助法抽样500次估计出门槛值及门槛范围。其中将数字经济发展水平作为门槛变量得到的结果见表9。

从表10的结果看，1%的显著性水平下，数字经济对制造业GTFP存在显著的非线性影响，表现为基于数字经济发展水平的单一门槛效应，其中门槛值为0.274 4，置信区间为[0.267 5，0.277 5]。

数字经济发展水平门槛存在性检验通过后，将其纳入面板门槛模型中进行检验，结果见表11（1）列。当数字经济发展水平低于0.274 4时，其对制造业GTFP的提升具有显著抑制作用。当数字经济发展水平越过门槛值0.274 4时，其对制造业GTFP的影响系数由显著为负转变为显著为正。由此可知，随着区域数字经济发展水平的不断提升，数字经济对制造业GTFP表现出先抑制后促进的非线性影响。

为探究绿色创新能力对制造业GTFP的非线性影响，参照相关研究，分别选取绿色发明专利申请数（取对数）、绿色专利申请数（取对数）、绿色实用新型专利授权数（取对数）、绿色专利授权数（取对数），均通过了单门槛效应，门槛值分别为9.211 0、9.668 6、8.569 8、8.696 3。由表11（2）（3）（4）（5）列可以看出，当绿色创新能力越过门槛值之后，回归系数均由负向转变为显著为正，说明当绿色创新水平达到一定程度后，能够有效提升制造业绿色全要素生产率，验证了假设H3。

6 结论与建议

6.1 结论

选取我国30个省份2005—2020年的制造业数据，以各省制造业绿色全要素生产率为被解释变量，以国家级大数据综合试验区政策的实施作为核心解释变量，对数字经济驱动制造业绿色发展的作用机制及效果进行评价。结果表明：

①国家级大数据综合试验区能够显著提升制造业GTFP；

②试验区建设能够显著提升东中部地区的制造业GTFP，且对中部地区的提升效果更明显；

③大数据综合试验区建设能够通过抑制劳动力错配程度、提升企业研发强度、促进产业结构升级提升制造业GTFP；

④数字经济对制造业GTFP存在基

于数字经济发展水平以及绿色创新能力的门槛效应。

6.2 建议

1）各省份应积极探索大数据技术与制造业的融合方式，提高政策的持续效应，并加强与其他支持数字经济发展政策的协同，以实现政策的倍增效果，助力制造业的绿色发展。

2）由于大数据建设在东、中部地区的政策效果更为显著，在建设大数据综合实验区，在推动经济绿色发展的过程中，我们应当优先考虑发展东部和中部地区，这些地区通常拥有更为发达的基础设施和更为集中的经济资源。同时也不能忽视西部地区，尽管其经济发展相对滞后，但同样蕴含着巨大的潜力和机遇。因此，应当在确保东、中部地区经济发展的同时，积极引导西部地区的经济发展，加快数字要素融入生产过程，引导实业企业开发西部资源，推动其实现跨越式发展，从而实现全国经济的均衡和可持续发展。

3）大数据建设能够通过降低劳动力错配程度、提升研发强度及促进产业结构升级提升制造业绿色全要素生产率，因此应继续加快数字产业化进程，促进劳动力的合理配置，使劳动力资源得到高效配置，同时鼓励、支持、引导企业自主研发，深度调整产业结构，强化大数据在三次产业中的融合应用，推动能源消耗和污染严重的生产企业向节能、环保、环保的新企业转型，提升产业结构高级化程度。

4）在发挥数字经济对制造业GTFP的增长效应时，还要注重约束数字经济发展的外部条件，不断提升数产融合水平，通过政策引导、生产激励等方式营造良好的数字经济发展环境，促进数字经济持续、高效发展。同时还要提升制造业的绿色创新水平，通过政策引导、财政支持等方式提升企业进行绿色创新的动力，从而不断推动制造业绿色发展。

参考文献：

[1] 张修凡，范德成.数字经济发展赋能我国低碳经济转型研究——基于国家级大数据综合试验区的分析[J].科技进步与对策，2023，40（19）：118-128.

[2]刘军，朱可，钱宇.数字经济对全要素生产率的影响研究——来自国家级大数据综合试验区的证据[J].南京审计大学学报，2024，21（01）：101-111.

[3]杨秀云，韩奇.公共数据开放能提升企业全要素生产率吗？[J].证券市场导报，2023（12）：18-30.

[4]秦晓丽，侯跃.智慧城市建设、产业集聚与企业全要素生产率——基于上市公司的分析[J].南京财经大学学报，2023（06）：99-110.

[5]袁培，路诣晓.数字技术赋能工业绿色转型：内在机制与空间溢出[J].财会月刊，2024，45（05）：31-36.

[6]龚新蜀，杜江.数字经济、绿色创新与企业绿色全要素生产率[J].统计与决策，2024，40（02）：35-40.

[7]周文，叶蕾.新质生产力与数字经济[J].浙江工商大学学报，2024（02）：17-28.

[8]郑菊花，申伟宁，柴泽阳.区位导向型政策与绿色全要素生产率增长——基于开发区升级的准自然实验[J].技术经济与管理研究，2023（12）：123-128.

[9]陈丽娜，柏杨.双试点政策对绿色全要素生产率的影响——基于低碳城市和创新型城市双试点政策的准自然实验[J].科技管理研究，2023，43（17）：49-58.

[10]张建，王博.对外直接投资、产业结构升级与绿色全要素生产率[J].运筹与管理，2023，32（10）：165-170.

[11]姚战琪.科技服务业试点对城市绿色全要素生产率的影响研究[J].哈尔滨工业大学学报（社会科学版），2024，26（01）：143-152.

[12]闫嘉雯，郭丽芳.产业集聚对企业绿色创新的影响——基于ESG表现的调节作用[J].技术与创新管理，2023，44（06）：672-678.

[13]操小娟，张诗嘉.政府数字治理与绿色全要素生产率提升——来自“互联网+政务服务”试点政策的证据[J].上海经济研究，2024（12）：42-56.

[14]邹惺辰，赖红波.数字交通对产业辐射强度的影响：是赋能还是负能——基于30个省级行政区空间杜宾模型的分析[J].技术与创新管理，2024，45（01）：94-108.

[15]樊轶侠，徐昊.中国数字经济发展能带来经济绿色化吗？——来自我国省际面板数据的经验证据[J].经济问题探索，2021（09）：15-29.

[16]毛丰付，邵芳琴，邵慰.数字产业化对绿色全要素生产率的影响研究[J].工业技术经济，2023，42（06）：19-25.

[17]周雪峰，韩露，肖翔.“双碳”目标下数字经济对企业持续绿色创新的影响——基于数字化转型的中介视角[J].证券市场导报，2022（11）：2-12.

[18]BECK T，LEVINE R，LEVKOV A.Big bad banks？The winners and losers from bank deregulation in the United States[J].The Journal of Finance，2010，65（05）：1637-1667.

[19]温忠麟，张雷，侯杰泰，等.中介效应检验程序及其应用[J].心理学报，2004，36（05）：614-620.

[20]HANSEN B E.Threshold effects in non-dynamic panels：Estimation，testing，and inference[J].Journal of Econometrics，1999，93（02）：345-368.

[21]干春晖，郑若谷，余典范.中国产业结构变迁对经济增长和波动的影响[J].经济研究，2011，46（05）：4-16+31.

[22]白俊红，刘宇英.对外直接投资能否改善中国的资源错配[J].中国工业经济，2018（01）：60-78.

[23]黄宇宁.数字经济、低碳技术创新与全要素碳生产率[J].技术经济与管理研究，2023（08）：26-32.

[24]廖凯诚，张玉臣，彭耿.数字普惠金融对城市金融业全要素生产率的影响机制研究[J].当代财经，2021（12）：65-76.

[25]张优智，刘寅可，赵璟.环境规制对碳减排的影响效应研究——基于碳排放权交易试点政策的准自然实验[J].生态经济，2023，39（07）：29-35+44.

[26]屈天佑，李娜.数字经济发展对企业创新能力的影响——基于我国A股上市公司的经验证据[J].技术经济与管理研究，2024（02）：49-55.

[27]万永坤，王晨晨.数字经济赋能高质量发展的实证检验[J].统计与决策，2022，38（04）：21-26.

[28]尹龙，陈强.数字经济、创新效率与全要素生产率——基于动态空间杜宾模型和中介效应的实证分析[J].商业经济研究，2023（23）：120-126.

[29]张东玲，焦宇新，刘敏.数字经济推动了城市绿色全要素生产率提升吗？——基于“宽带中国”试点的证据[J].现代财经（天津财经大学学报），2023，43（07）：38-56.

[30]李占风，粟文元.数字经济对绿色全要素生产率的影响研究[J].西安财经大学学报，2023，36（06）：58-69.

（责任编辑：严焱）