赵树宽，范雪媛，王 泷，邵 东，张铂晨

（1.吉林大学商学与管理学院，吉林长春 130022；2.东北师范大学经济与管理学院，吉林长春 130117）

1 研究背景

当前中国经济发展进入新常态，已由高速增长阶段转向高质量发展阶段。经济学家曾提出全要素生产率（total factor productivity，TFP）是经济发展过程中的一个关键因素［1］，党的十九大报告也明确提出提高全要素生产率这一紧迫要求，这都说明全要素生产率的提高是经济增长从高速度转向高质量的关键［2］。随着第四次工业革命（工业4.0）的到来以及人工智能（artificial intelligence）、区块链（blockchain）、云计算（cloud computing）、大数据（big data）等“ABCD”技术的不断涌现，数字化正逐步成为经济复苏和增长的新动能［3］。国家“十四五”规划将数字化提升到国家战略的高度，提出以数字化转型整体驱动生产方式、生活方式和治理方式变革，促进数字技术与实体经济深度融合，赋能传统产业转型升级，反映出以数字技术为核心驱动力的数字经济是加速重构生产要素体系、推动经济转型和高质量发展的新引擎［4］。因此，研究数字化对全要素生产率的影响具有重要的理论和现实意义。

基于上述背景，数字化与全要素生产率的关系受到国内外学者的广泛关注。现有文献从多个层面对上述关系进行了探讨。一是在宏观层面，如郭吉涛等［5］、Pan 等［6］认为数字经济的发展显著提升了全要素生产率水平。二是在中观层面，如刘平峰等［4］认为数字化转型通过资本赋能型技术和劳动赋能型技术两种途径提高制造业的全要素生产率；宋炜等［7］认为数据要素对工业全要素生产率具有显著改善作用。三是在微观层面，划分为企业外部因素和内部因素两个角度：在外部因素上，数字金融发展、智能制造政策能够有效提升全要素生产率［8-9］；在内部因素上，如赵宸宇等［10］探讨了制造企业数字化转型对全要素生产率的影响。虽然学者们从不同层面对数字化与全要素生产率的关系进行了探讨，总体来说仍有不足之处：（1）企业不仅是市场经济的主体，也是推动经济高质量发展的主体，全要素生产率是企业生产效率的重要指标和企业价值的关键决定因素，因此，如何利用数字经济的发展机遇提升企业的全要素生产率成为当务之急。以往研究更多从企业外部环境视角探讨数字化对全要素生产率的影响研究，鲜有研究从实证角度分析全行业微观层面的数字化转型对全要素生产率的影响。（2）数字化转型作为企业在数字经济下的变革趋势，与企业经营绩效息息相关。现有研究表明企业数字化转型在股票流动性、投入产出效率上均有积极作用［11-12］，但也有研究认为企业推进数字化会导致研发效率低下等问题［13］。除此之外，有学者发现数字化对企业的影响存在“过犹不及”效应，企业过度投入数字化可能收效甚微，甚至造成企业经营业绩下降［14］。由此可知，学术界对于企业数字化转型的影响结果褒贬不一，值得进一步讨论。

鉴于此，本文以2008—2020 年中国沪深A 股上市公司为研究样本，基于资源基础理论，探究企业数字化转型对全要素生产率的影响以及传导路径。本文可能的边际贡献包括：（1）在研究立意上，基于企业内部管理角度，揭示了企业自身数字化转型对全要素生产率的影响，对于进一步丰富微观层面的数字化研究具有重要理论意义和现实价值；（2）在研究范式上，引入创新绩效为中介变量，将其分为创新数量和创新质量两个维度，解析创新绩效在企业数字化转型与全要素生产率之间的中介作用，有助于打开企业数字化转型影响全要素生产率的机制“黑箱”；（3）在研究内容上，考虑所有权性质的特点，检验企业数字化转型驱动全要素生产率提升的异质性，对企业以数字经济推动高质量发展提供实践启示。

2 理论分析与研究假设

2.1 数字化转型与全要素生产率

Wernerfelt［15］提出的资源基础理论认为企业的异质性资源是企业高额利润的来源。在此基础上，Barney［16］提出具备价值性、稀缺性、不可模仿性和不可替代性的资源是企业获取竞争优势的关键，这类资源包括信息，知识，能力等。数字化转型是企业将数字技术引入其管理架构之中并实现全方位要素的深度融合［11］，构建以数据为核心驱动因素的价值创造体系，最终实现商业模式转型的过程［17］，其实质是企业从传统工业化管理模式向数字化管理模式的变革与转型［12］。根据资源基础理论，企业的数字技术能力属于难以模仿，无法替代的核心无形资源［18］。已有研究表明，企业的数字化转型可以带来价值水平的提升［11］。全要素生产率作为企业价值的重要指标［19］，因此会在一定程度上受到数字化转型的影响。

从企业内部运营管理来看，数字化转型可以提高管理效率、降低管理成本，从而提高企业的全要素生产率。首先，生产制造执行系统（MES）、集散控制系统（DCS）等数字管理系统在企业生产运营的各个环节中的嵌入可以管理、监控生产过程［20］，降低自动化生产商成本［21］，弥补人力劳动的不足［22］，实现生产过程的智能化、精细化、柔性化［23］，显著缩短产品生产周期，降低产品错误率，提高企业的运作效率［12］，从而提升全要素生产率。其次，数字化转型可以影响甚至改变企业整个管理流程，打破企业内部不同部门之间的边界，在组织管理和生产管理等方面做到管理全过程的实时化和透明化［3］,可以提升自身信息传递和处理效率［12］，降低企业管理成本、运输成本和传递成本等［11］，实现高效的生产管理［24］，从而提升全要素生产率，比如企业资源计划系统（ERP）可以实现从订单管理到交付的全过程集成，降低人工成本和物流能耗。除此之外，数字化转型还能通过促进企业内部的专业化分工来提升全要素生产率［25］。从企业外部交易来看，数字化转型可以使企业借助数字技术更快地处理内外部的海量数据并且从中挑选出对企业有价值的数据，提升数据利用度，使企业更快速地了解客户和市场的需求变化并及时做出响应，降低企业的交易费用和搜寻成本［26］，实现高效的生产管理和资源的最优配置［27］，带来全要素生产率的提升。基于此，本文提出以下假设：

H1：企业的数字化转型对全要素生产率具有正向影响。

2.2 数字化转型与创新绩效

创新是企业增强竞争优势、实现可持续发展的重要途径［28］。现有研究认为数字化转型作为前沿的转型模式，最先作用于企业的创新活动［29］，也是推动企业创新的核心力量［30］。Nwankpa 等［31］研究发现数字化转型对创新有积极的影响。首先，数字化转型可以大幅度提升资源整合、信息获取与分析等企业技术创新能力［32］，极大地提升企业的运作效率，从而在相同的创新资源边界下达到更多的创新绩效［11］。其次，企业为了更好地实现在数字经济时代高质量发展的战略目的，会在采用数字技术的同时加大研发投入［11］，从而提升创新绩效。除此之外，在数字经济时代，数据要素的开放与共享是竞争战略的核心。数字技术与实体经济的深度融合会催生出协同创新的新模式，即创新共同体，客户与供应商可以参与企业产品设计到生产的全过程中及时进行反馈，从而改变企业的传统的以自身为主的创新模式［10］，企业可以获取价值共创的机会。基于价值共创的角度，协同创新模式一方面能够增加企业对市场变化的了解［33］，并有效地协调和融合以获取各类资源［34］，加快了企业对市场需求的响应速度，从而提升产品和技术改进的速度，进而提升创新绩效。另一方面可以拉近企业与供应链上下游之间的距离，丰富了企业与利益相关者的互动方式、沟通模式和联系渠道，降低了企业的信息不对称程度［11］，从而能够识别出创新机会，甚至实现大规模、个性化定制［35］，实现创新绩效的提升。基于此，本文提出以下研究假设：

H2a：企业数字化转型对创新数量具有正向影响；

H2b：企业数字化转型对创新质量具有正向影响。

2.3 数字化转型、创新绩效与全要素生产率

新增长理论认为内生的技术进步是经济实现持续增长的决定因素［36］。全要素生产率是除资本、劳动等要素投入之外的技术进步和能力实现等导致的产出增加，是剔除要素投入贡献后所得到的残差［37］。其中，技术进步包括技术创新和技术效率两个因素，而技术创新对技术进步的影响明显高于技术效率［38］。现有研究从创新投入的角度出发，认为创新投入的增加可以减少对资本和劳动的依赖［39］，从而直接或间接推动企业全要素生产率的增长［40］。有关研发活动创新产出的数据越来越多，越来越多的学者研究创新绩效与全要素生产率之间的关系［41］。

企业创新能力的提升可以提升企业生产效率［42］。一方面技术创新可以促进数字技术的外溢、减少企业对劳动、资本等生产要素的依赖而改善企业的全要素生产率［43］，另一方面创新专利的保护可以赋予企业特殊的优势，企业可以借此提升自身产品的价值与产值，从而扩大市场份额，实现规模经济以降低生产成本而改善技术效率［44］，更好地提升全要素生产率。综上可知，企业数字化转型可以通过提高创新绩效，进而提升全要素生产率。在数字经济时代的背景下，数字化转型通过影响企业战略最终影响企业的绩效［45］，依靠技术转型升级提升创新能力是转变经济增长方式的有效途径［46］。基于上述分析，本文提出以下假设：

H3a：企业数字化转型通过提高企业创新数量进而提升全要素生产率；

H3b：企业数字化转型通过提高企业创新质量进而提升全要素生产率。

本文的研究框架如图1 所示。

图1 研究框架

3 研究设计

3.1 样本选择与数据处理

本文选取2008—2020 年中国沪深A 股上市公司为研究样本。专利数据来自Wind 数据库，其他数据来自CSMAR 数据库，上市公司的行业类型根据中国证监会《上市公司行业分类指引（2012 年修订）》规定的行业代码和行业门类代码确定。在样本搜集与处理过程中，借鉴已有的研究做法，按照如下方式对样本进行筛选：（1）剔除被ST 或*ST 的样本；（2）剔除金融保险行业的样本；（3）剔除关键变量缺失的样本。根据上述标准，最终得到3 110 家上市公司共计14 050 个样本观测值的非平衡面板数据。为了避免极端值的影响，对所有连续变量进行1%水平的双边缩尾处理。

3.2 变量设定与计量

（1）被解释变量。全要素生产率（TFP）。估算企业全要素生产率常用的方法有OLS、OP 和LP方法。本文借鉴鲁晓东等［49］的计算方法，采用OP法（TFP-OP）计算企业全要素生产率，并将OLS 法（TFP-OLS）测算的全要素生产率结果用于稳健性检验。

（2）解释变量。企业数字化转型（DCG）。本文借鉴吴非等［11］的方法，以上市公司年报中涉及人工智能、区块链、云计算、大数据及数字技术应用共计五类76 个关键特征词作为企业数字化转型的关键词，并用每个关键词的频度形成最终加总词频作为企业数字化转型的代理指标，具体关键词如表1 所示。考虑到这类数据的右偏问题，本文将最终加总词频加1 之后取自然对数。DCG 越高，企业数字化转型程度越高。

表1 企业数字化转型关键词［11］

（3）中介变量。借鉴现有文献，本文以创新数量和创新质量二个维度来衡量企业创新绩效。一是创新数量，本文参考黎文靖等［50］的研究，以发明专利、实用新型专利和外观设计专利3 类专利申请总量衡量创新数量。二是创新质量，相对于专利申请，专利授权更准确地反映企业创新产出的有效性，因此本文借鉴易靖韬等［51］的做法，以发明专利、实用新型专利和外观设计专利3 类专利授权数量衡量创新质量。有学者认为发明专利含有较高的创新成分［52］，是企业基础创新活动最重要的成果之一。因此，本文进一步用发明专利的申请量和授权量分别作为衡量创新数量及创新质量的代理变量。此外，考虑到专利数据的右偏问题，本文将所有专利相关数字加1 之后取自然对数。

（4）控制变量。为提高研究精度，参考以往对企业全要素生产率的相关研究，本文选取了一系列控制变量。包括企业年龄（Age）、资产负债率（Lev）、资产收益率（ROA）、总资产周转率（ATO）、营业收入增长率（Growth）、董事会规模（Board）、独立董事比例（Indep）、第一大股东持股比例（TOP1）和董事长与总经理两职合一（Dual）。变量的具体定义见表2 所示。

表2 样本变量说明

3.3 模型构建

本文为检验所有假设，借鉴Baron 等［47］和温忠麟等［48］提出的中介效应检验方法，分别构建了模型（1）～（3）分别如式（1）～（3）进行回归分析。其中，模型（1）主要是检验假设H1，即被解释变量为企业全要素生产率（TFP），解释变量为企业数字化转型（DCG）；模型（2）被解释变量为企业创新绩效（Patent），解释变量为企业数字化转型；模型（3）探究企业创新绩效的中介效应，被解释变量是企业全要素生产率，解释变量是企业数字化转型，中介变量是企业创新绩效；Control 为本文选取的控制变量；ε为模型随机误差项。检验程序如图2 所示。

图2 样本中介效应检验程序

式（1）～（3）中：Control 为控制变量；ε为随机误差项；α0,β0,γ0分别为截距项；αn,βn,γn分别为因素估计系数；i为企业；t为年份。

4 实证检验与结果分析

4.1 描述性统计

对研究样本的主要变量进行了描述性统计分析，具体结果如表3 所示。本文主要被解释变量TFP-OP的均值为6.705，标准差为0.870，最小值为5.016，最大值为9.119，表明不同企业的全要素生产率水平存在一定差距。核心解释变量DCG的平均值为1.813，标准差为1.350，表明数字化转型行为在样本个体间存在明显的差异。创新绩效的各个测量维度的最小值均为0，标准差均大于1，说明企业创新绩效存在显著差异，整体创新水平较低。

表3 样本变量的描述性统计结果

4.2 相关性分析

对主要变量进行Pearson 相关性检验的结果如表4 所示。数字化转型与创新绩效、全要素生产率均呈显著正相关关系，说明企业数字化转型可以促进企业创新绩效和全要素生产率水平的提升，初步验证本文的假设。除此之外，绝大部分变量的相关系数在0.7 以下，仅专利申请数量与专利授权数量的相关系数比较高，这是专利指标自身的特性所决定的，因为发明专利申请数量越多，3种专利申请总量越多，专利授权数量也会越多，因此表现出比较高的相关性，总体看来结果是可接受的。基于此，本文进一步采用方差膨胀因子VIF 分析来检验模型中所有变量的共线性，VIF 值均小于10，说明各变量之间不存在严重的多重共线性。

表4 样本变量的相关性分析

表4（续）

4.3 回归分析

本文运用Stata16.0 统计分析软件对模型进行回归分析。为了选择恰当的回归方法，对所有模型进行了F检验和Hausman 检验，检验结果表明固定效应模型更为合适。同时，在回归中进一步控制了行业（Industry）和时间（Year）效应以尽可能地吸收固定效应。

实证模型的回归结果见表5 所示。首先，将控制变量和解释变量同时纳入回归模型中以验证企业数字化转型对全要素生产率的影响，如模型1 所示。结果表明，企业数字化转型对全要素生产率的影响系数显著为正（β=0.023，P＜0.01），假设H1得到了支持，即企业数字化转型对全要素生产率有明显的激励作用。其次，检验数字化转型对创新绩效的影响，如模型2～模型5 所示。模型2 和模型3 表明，企业数字化转型对发明专利、实用新型专利和外观设计专利申请量及发明专利申请量的影响均在1%水平下显著为正，表明企业数字化转型可以显著提升企业创新数量，假设H2a得到了验证。模型4 和模型5 表明，企业数字化转型对发明专利、实用新型专利和外观设计专利授权量、发明专利授权量的影响均在1%的水平下显著为正，表明企业数字化转型可以显著提升企业创新质量，假设H2b得到了验证。第三步将企业数字化转型和创新绩效纳入回归模型，如模型6-模型9 所示。模型6 和模型7 结果表明数字化转型和创新数量的系数均在1%的水平下显著为正，且数字化转型的回归系数均小于模型1 中数字化转型的系数，验证了假设H3a，表明创新数量在企业数字化转型对全要素生产率的作用机制中发挥中介作用。模型8 和模型9 结果表明数字化转型和创新质量的回归系数均在1%的水平下显著为正，且数字化转型的回归系数小于模型1 中数字化转型的系数，验证了假设H3b，表明创新质量在企业数字化转型对全要素生产率的作用机制中发挥中介作用。这说明企业数字化转型一方面能够直接提升全要素生产率，另一方面通过推动创新绩效的提升，进而提高全要素生产率。

表5 样本变量的中介效应检验结果

表5（续）

4.4 稳健性检验

为检验实证结果的可靠性，本文主要采用变量替换、模型检验方法替换和滞后回归共3 种方式进行稳健性检验，得到的结果仍与预期一致，说明本文具有良好的稳健性。

（1）变量替换。首先，本文采取了替换被解释变量衡量方法的方式，使用鲁晓东等［49］衡量全要素生产率的另一种方法——OLS 方法，代入原模型并重新进行了检验。具体的回归结果如表6 中模型1～模型5 所示，结果表明在改变全要素生产率的衡量方法后，本文的研究结果保持稳健。

（2）模型检验方法替换。为了增强结果的稳健性，本文还对中介效应进行了Sobel 检验。检验的结果如表6 中模型6～模型9 所示。结果显示，中介效应Sobel 检验的Z值均在1%的水平上显著为正，证明创新数量和创新质量在企业数字化转型影响全要素生产率过程中的中介效应存在。

表6 样本替换变量及计量模型的中介效应检验结果

表6（续）

（3）滞后回归。由于企业的数字化转型从投入到价值输出需要经历一定的时间，经过不断调试才能实现数字技术和实体经济的耦合乃至融合，因此数字化转型对企业效率的影响可能存在时滞性。同时，创新活动是长期的战略行为，其产出具有一定的滞后性。因此，本文将创新绩效与全要素生产率同时滞后一期进行回归，同时也能减轻反向因果的内生性干扰问题，样本滞后变量中介效应检验结果见表7 所示。根据表7 所示结果，研究结果基本保持稳健。

表7 样本滞后变量中介效应检验结果

4.5 内生性检验

Heckman 两阶段模型。虽然固定效应能够解决遗漏不随时间改变的固定因素问题，但是由样本选择偏差造成的内生性问题仍然有存在的可能性，因此本文进一步基于Heckman 两步法对内生性问题予以缓解。将第一阶段Probit 回归中估计出的逆米尔斯比率（inverse mills ratio，IMR）加入到第二阶段的回归中作为控制变量进行回归分析，表8 给出了第二阶段回归的结果。结果表明，虽然IMR 不显著或者显著为正，但数字化转型对全要素生产率和创新绩效在1%的水平下具有显著正向影响，且中介效应依然存在。因此，在控制内生性的影响后，本文的研究假设依然稳健。

表8 样本中介效应Heckman 两阶段模型检验结果

4.6 异质性分析

2020 年8 月，国务院国资委正式印发《关于加快推进国有企业数字化转型工作的通知》以积极引导国有企业数字化转型、培养发展新动能。在政策的推动下，数字化转型的实践效果会因所有权性质的不同而有所差异。因此，本文进一步探讨不同所有权性质下企业数字化转型对创新绩效和全要素生产率的影响效果的差异，按照所有权性质分组进行回归。回归得到的估计结果如表9 和表10 所示，在国有企业和非国有企业中，本文所有假设均成立，但数字化转型对非国有企业全要素生产率的激励作用要优于国有企业。这种异质性结果表明政策的颁布不是企业数字化转型的根本动力，而是企业的内生需求。与国有企业相比，非国有企业以利益最大化为主要目标，从而更有动力进行利于企业可持续发展的战略性变革。

表9 国有企业样本中介效应检验结果

表10（续）

5 研究结果与讨论

5.1 研究结论

本文基于资源基础理论，利用中国沪深A 股2008—2020 年上市公司的非平衡面板数据，实证检验了企业数字化转型对全要素生产率的影响，并剖析了创新绩效在其中的中介传导机制。研究得出以下结论：（1）企业数字化转型有助于提升全要素生产率。数字化转型是在数字经济时代企业面对较高的市场竞争和环境不确定性时战略转型的核心。当数字化转型程度较高时，企业能够更好地提高管理效率，降低管理成本，实现资源的最优配置，从而有效提升企业全要素生产率水平。（2）企业数字化转型对企业创新绩效有显著的正向影响。数字化转型不仅可以提升创新能力，还能改变创新模式，从而提高创新绩效。（3）创新绩效在企业数字化转型对全要素生产率的作用机制中发挥中介作用。根据新经济增长理论，数字化转型推动创新实现的技术进步是提升全要素生产率的重要途径。（4）企业数字化转型与全要素生产率的关系在不同所有权性质的企业中存在差异。相对于国有企业，非国有企业数字化转型对全要素生产率的提升效果更明显。

5.2 管理启示

（1）随着数字经济逐渐成为改变全球竞争格局的关键力量，企业的高质量发展也离不开数字化的贡献。企业应充分把握数字经济时代的新机遇，积极推进自身的数字化转型并加强数字技术与企业实体经济的深度融合，实现全要素生产率的提升。

（2）根据新发展理念，创新是引领发展的第一动力。企业应重视创新能力的重要性，借数字化转型对创新能力的积极作用来激发企业的创新动能，加快推动新旧动能转换，达到提质增效的目标，用创新驱动高质量发展的过程。

（3）政府应进一步完善对企业数字化转型的政策支持体系。一方面不断加快数字基础设施建设，引导企业强化数字化思维，推进产业数字化转型；另一方面，在鼓励国有企业数字化转型之余，加大对非国有企业转型的支持力度，并根据企业规模等性质实施差异化的支持政策。

5.3 研究不足

本文尚存在以下研究局限与不足之处：（1）本文虽然分析了创新数量和创新质量在企业数字化转型与全要素生产率之间的中介作用，但没有考虑其他变量在企业数字化转型和全要素生产率之间可能发挥的中介作用，比如创新效率也是实施创新驱动发展战略的关键，因此企业数字化转型对全要素生产率的影响路径需要进一步研究。（2）本文在企业数字化转型对全要素生产率影响的异质性方面的研究比较片面，仅考虑了所有权的异质性，忽略了企业其他性质的异质性影响，尤其是行业特质方面，制造业是我国国民经济的主要产业与技术创新的重要主体，提高制造业的发展质量，实现“智能制造”是实现高质量发展的支撑，未来可以充分探讨企业数字化转型对全要素生产率的影响的异质性，以增加结论的普适性。（3）本文没有分析在何种情境下数字化转型对全要素生产率的影响作用会被强化或者削弱，未来可继续关注公司治理机制等变量对数字化转型和全要素生产率关系的调节作用。