数字经济与企业全要素生产率
——来自国家级大数据综合试验区的证据

孙 鹏， 柳力群， 周可憧

（海南大学 经济学院，海南 海口 570228）

一、问题的提出

企业的高质量发展是中国经济高质量发展的微观基础，企业作为推动经济高质量发展的主体，需要不断改善自身环境，找到新的制高点从而发挥出促进经济高质量发展基石的作用。2020年3月正式发布的《中共中央、国务院关于构建更加完善的要素市场化配置体制机制的意见》中，首次将数据与土地、劳动力、资本、技术等传统要素相并列。以大数据分析、移动互联网、云计算、5G等新一代信息技术为代表的数字经济加速融入经济社会的各个领域，拓展经济发展的新空间，如何利用新要素手段不断提高自身发展水平，发挥促进经济高质量发展基石的作用是摆在企业面前的现实问题。习近平同志在2017年强调，大数据中心是促进数据有效发挥作用的“新基建”。在中国高速发展的几十年里，大数据环境获得了很大的进步，但尚存在数据“多而不强”“多而不优”的问题。想要从数据大国转向数字强国、网络强国还面临着不小的挑战。在这一大背景下，国家发改委及工信部等部门2016年开始启动大数据发展综合试点，于2016年2月、2016年10月分两批共批复同意67个城市作为国家级大数据综合试验区示范城市。国家级大数据综合试验区政策是为了建设数据强国而提出的城市层面发展政策，具有很强的示范带头作用。其目的是通过一系列的探索实践，在大数据基础设施建设、大数据产业聚集、大数据创新发展等方面先试先行，打破数字资源壁垒，深挖数据资源价值，推进经济转型升级，促进区域协同发展，实现经济提质增效。

赶上数字经济的浪潮，应用大数据技术提升企业的生产率，成为企业面临的新机遇与新挑战。企业全要素生产率的提高是经济高质量发展的微观基础和前提，那么，以大数据综合试验区试点为标志的数字化变革是否有利于企业全要素生产率的提升？若有，其具体的作用路径是怎样的？进一步剖析这些问题对实现企业高质量发展以及推进企业转型有重要的意义。因此，这就需要对国家级大数据综合试验区试点政策进行效果评估，以期为推动数据强国、数字强国、网路强国建设提供制度保障。

现有研究大多从传统要素的配给角度探讨企业全要素生产率的影响因素。对于劳动力要素，有学者从宏观层面分析劳动力对企业全要素生产率有正向影响[1]，通过细分人力资本的类型，发现不同人力资本水平对全要素生产率的提升效果不尽相同，不同层次人力资本的管理水平也会有一定的差别，管理效率可以通过促进质量能力提升进一步提高企业全要素生产率[2]。知识资本和研发资本作为传统的资本生产要素，在促进创新、提高全要素生产率方面发挥着积极而重要的作用[3-4]。技术创新作为促进企业全要素生产率提升的重要因素，学者运用随机前沿生产函数分解发现全要素生产率增长的核心动力转变为前沿技术进步[5]。

数据已经成为新的要素影响经济活动，大数据发展对企业全要素生产率的效应是当下的重要议题。Tatarinov 研究了OECD 提出的数字经济卫星账户（DESA）作为衡量数字化进程的复杂工具的问题和结构，并讨论了宏观经济计算中数字经济统计评估的方法[6]。由于测算方法的复杂多样，数字经济尚未形成统一的数据，结合前人研究方法的优缺点，许宪春等通过重新界定数字经济的内涵与范围，对数字经济产品以及行业进行筛选，建立了数字经济规模核算框架[7]。数字经济的发展为企业提供了转型的动力，近些年来实体企业面临着巨大的挑战，何帆等人利用A股2012—2017年数据进行实证分析，发现数字化变革显著提升了实体企业经济效益[8]。赵宸宇等基于A 股上市公司制造业数据实证检验发现，数字化转型通过提高创新能力、优化人力资本结构、推动两业融合发展以及降低成本几个方面对全要素生产率起到促进作用[9]。郭金花等以宽带中国为准自然实验，研究发现数字基础设施建设可以提升企业全要素生产率[10]。石大千以智慧城市建设作为准自然实验，基于地级市与企业的匹配数据与双重差分模型进行实证分析，实证结果表明信息化冲击可以显著促进企业全要素生产率的提高[11]。

基于以上讨论，本文以国家级大数据综合试验区带来的大数据冲击为准自然实验，研究大数据对企业全要素生产率的影响机理，有效识别出国家级大数据综合试验区带来的大数据冲击如何影响企业全要素生产率。本文主要有以下两方面的边际贡献。第一，以国家级大数据综合试验区为准自然实验，实证检验了国家级大数据综合试验区对于企业全要素生产率的影响效果，丰富了数字经济发展对于微观层面实体影响的相关研究。第二，提出了数字经济发展对企业生产效率的作用机理，并从企业数字化转型、融资约束水平等方面实证分析了数字经济建设对企业全要素生产率的作用路径。

二、理论分析与研究假说

建立完整的数据生态试验区是数据资源配置效率最大化的基础，完善的数据市场环境可以激发数字产业发展良性循环，为当地的数字经济发展注入活力。完善的数据市场环境能够促进企业商业模式进行创新，企业若不适应市场的多元化需求以及技术进步，会直接影响该企业的发展水平和发展速度。大数据的应用促进了企业全面升级;在管理模式方面，信息不对称的问题基本解决，依靠少数人经验的决策可以转变为分析整体数据后的决策，建立完善的数据整合平台将是企业未来的核心竞争力；在经营模式方面，企业不断向智能化方向扩展，通过营业效率的提升以及大量信息的搜集，企业可以不局限于一个领域，拓宽企业营业面。大数据综合试验区试点有利于打破数字资源壁垒，推动大数据在产业链各流程中应用，加大数据资源整合力度，推动企业高质量发展。基于以上讨论，本文提出假设：

假设1：国家级大数据综合试验区有利于提升企业全要素生产率。

大数据综合试验区提升企业全要素生产率的作用机制是什么？第一，大数据综合试验区推动了试点城市企业数字化转型。作为大数据综合试验区，为企业提供优质的数据环境是基础。大数据技术的提升对企业数字化转型有显著的推动作用，企业将不断利用大数据技术改造传统产业。随着大数据技术的发展，企业的生产不可避免地产生数字足迹。数据大量产生，提升将数据转换为生产力的能力，体现了大数据在促进企业转型发展中的引领能力。企业之间信息不共享在一定程度上影响了企业共同发展，共建区域大数据产业发展生态，企业间“数据孤岛”的问题将得以解决。一方面大数据的发展可以让企业优化劳动力配置效率，通过提升劳动者水平、优化人力资源的配置进行劳动要素的融合。另一方面，大数据为企业转型积累了丰富的信息，提高了企业转型效率。企业转型不是一个短期的过程，很多企业为了规避转型风险从而减缓转型速度。由于大数据的出现，海量数据的分析和搜集能够提高预测能力，从而促进企业数字化转型效率。

第二，大数据综合试验区的建立有助于降低企业融资约束水平。首先，大数据的普及加大了信贷机构之间的竞争。未来金融机构之间竞争的本质是数据的竞争，各种线上信贷工具日渐繁盛，互联网公司以及各种网络贷款平台百花齐放，传统金融行业发展赛道迎来转变。不论是传统金融机构还是大数据时代产生的金融机构，在信贷过程中很容易产生同质化竞争。在激烈的竞争中，依靠大数据的发展各金融机构已经探索出了不少有价值的信贷模式。其次，大数据技术的应用降低了融资成本。传统的金融机构由于信息搜集与处理成本过高，对于偏远地区的企业提供的服务较少，但是大数据技术可以突破地域限制，极大提升交易的高效性，给这些企业提供便捷的金融服务。大数据降低了行业门槛，相比于传统金融机构为企业提供信贷的过程，依靠大数据技术可以根据各企业的不同特点快速筛选适合该企业的金融产品。经过大数据分析了解企业的发展前景，使投资不局限于看得见的现在，同时采集行业相关数据，对信贷风险进行全局管控，发挥金融科技缓解融资难、融资贵的作用。企业全要素生产率提高的关键途径是创新和研发投入，只有企业拥有足够的资金，企业才会考虑投入研发费用进行创新。企业融资情况的改善能够缓解企业研发过程中的资金筹集问题，进而促使企业研发投入和创新水平提高，从而提升企业全要素生产率。因此，本文提出研究假设：

假设2：大数据综合试验区可以促进企业数字化转型进而提升企业全要素生产率。

假设3：大数据综合试验区可以降低企业融资约束进而提升企业全要素生产率。

三、研究设计

（一）模型构建

为了检验数字经济发展能否改善企业全要素生产率，本文选取“国家级大数据综合试验区”为准自然实验，基于我国283 个地级市及以上城市的微观企业数据，采用双重差分模型进行检验。根据国家发展改革委、工业和信息化部、中央网信办发函批复建设国家大数据综合试验区名单，将处于67 个政策试点地区的企业作为控制组，处于其余216个非试点城市的企业为控制组。分别选取2015年及2016年为政策时点，原因在于贵州省试验区在2016年2月得到发函批复同意建设，10月才同意第二批试验区的建设，两批试点地区批复时间相差较大，且在2015年9月，贵州已经提前启动全国首个大数据综合试验区建设工作。为了减少偏误，将贵州省的政策时点设为2015年，其他试点地区设为2016年，构建以下多期双重差分实证模型进行检验：

式（1）中，i、c、t分别表示公司、公司所属地级市以及时间年份，tfp表示企业全要素生产率，did为设立试验区的虚拟变量（位于试点地区城市的公司为1, 位于非试点地区城市的公司为0)，系数β1为试点政策对企业全要素生产率的边际效应，X、W分别表示企业层面与城市层面的控制变量，αi表示个体固定效应，δt表示年度固定效应，εict为随机扰动项。

（二）相关变量与数据说明

1.被解释变量

企业全要素生产率（tfp）的测算。企业全要素生产率的众多计算方法中， Olley and Pakes 与 Levinsohn and Petrin 创建的半参数法应用最为广泛，本文选用LP方法计算企业的全要素生产率，选择OP方法作为稳健性检验。

2.解释变量

对于数字化建设变量（did）的衡量，本文根据“国家级大数据综合试验区”是否设立进行衡量。该变量为虚拟变量,即该城市或该城市所属省份如若设立国家级大数据综合试验区，则该城市或该城市所属省份当年及以后的年份取值1,否则取值0。

3.控制变量

本文参考现有相关研究选取企业层面的控制因素主要包括公司成本费用率（cpr）、公司股权集中度（first）、公司独立董事占比（ind）、公司成长性（growth）、公司资产收益率（roa）以及公司年龄（lnage），主要控制城市层面的因素包括地区经济发展水平（lngdp）、地区产业结构（indu）、地区金融发展水平（fin）、地区政府干预程度（gov）以及地区外商直接投资水平（fdi），变量具体计算方法见表1。

表1 变量定义及说明

表2 主要变量描述性统计

4.机制变量

数字化转型程度（dig）：参考吴非等[12]研究的变量设定，采用上市公司年报中所涉及“企业数字化转型”的词频来衡量。融资约束水平（sa）采用 Hadlock 和 Pierce[13]构建的SA指数衡量。

（三）样本选取与数据来源

本文选取我国2010—2019年沪深A股上市公司作为研究样本，数据主要来源于万德数据库、国泰安数据库、中国城市统计年鉴等。本文根据上市公司注册地信息与“国家级大数据综合试验区”试点的地级市企业样本数据进行匹配，同时剔除了金融类企业以及ST 和期间退市的企业样本。

四、实证结果与分析

（一）基准回归

表3显示了基准回归结果。第（1）列结果中，did的回归系数在10%水平上显著为正，表明设立大数据综合试验区可以显著提升企业全要素生产率水平，支持了假说1。第（2）列进一步引入企业层面和城市层面的控制因素进行回归，其中控制变量结果基本符合预期。第（2）列显示，大数据综合试验区政策实施后会导致所在城市的企业的全要素生产率提高约5.6个百分点。

表3 基准回归结果

（二）稳健性检验

1.平行趋势检验

文章采取事件分析法进行检验，选取政策前一年为基准年份，从图1 中可以看出政策实施前系数不显著异于零，这不仅反应了在政策实施前平行趋势假定成立，而且也表明了国家级大数据综合试验区政策实施后对企业全要素生产率产生了正向影响。

图1 平行趋势检验

2.变换因变量估计方法

本文利用OP 法计算企业全要素生产率进行变量替换，回归结果如表4。在更换企业全要素生产率算法后，回归结果依旧稳健。

表4 变换因变量后的回归结果

3.安慰剂检验

对于本文结论的可靠性还存在另一种质疑，大数据综合试验区的选址或者实施时间是否有选择性偏误，因此得出了统计显著的结论。由于大数据综合试验区实施年份不同，所以选取虚拟处理组来做安慰剂检验，本文借鉴现有学者的相关处理方法来进行安慰剂检验。随机选取283 个城市中的67 个城市的企业作为处理组并重复进行了500次回归，将500次回归的p值统计，以此来检验企业全要素生产率是否显著受到除了国家级大数据综合试验区之外的因素干扰。从图2中可以看出大部分估计系数集中在0点附近，可以说明最终的估计结果不是偶然所得，不太可能受到其他政策随机性因素的影响，再次证明大数据综合试验区政策对企业全要素生产率作用的稳健性。

图2 安慰剂检验

4.倾向匹配得分双重差分法

本文利用PSM-DID方法修正样本选择性偏误，同时采用PSM和DID法评价政策效果，既能解决样本偏差问题，又能避免由于因变量遗漏而产生的内生性问题。本文利用样本期内设立过大数据综合试验区城市的企业作为处理组，利用PSM 方法，按照1∶1近邻匹配有放回抽样的方法，对处理组进行逐年匹配，基于PSM 方法匹配后新样本的回归结果如表5 所示，大数据综合试验区对企业全要素生产率提升的系数为0.043，且在10%的水平上仍然是统计显著的，进一步验证了结论的稳健性。

表5 PSM-DID检验

（三）企业异质性分析

由于不同企业之间存在产权性质、规模大小以及成长性的差异，本文进一步讨论国家级大数据综合试验区对不同类型企业全要素生产率影响的异质性。

大数据综合试验区的设立对于国有与非国有企业的影响可能存在差异，因此以企业的产权性质作为划分依据。由表6 可以看出，设立大数据综合试验区对提升非国有企业的全要素生产率作用更为显著，对国有企业全要素生产率提升效果并不明显。非国有企业相比于国有企业所面临的市场竞争环境更激烈，对大数据综合试验区试点政策的反应比国有企业更加敏感和迅速，但是国有企业更容易获得国家财政支持，对于发掘大数据经济价值驱动力较低。同时在经营目标方面也有一定的差异，国有企业承担着更大的社会责任，非国有企业则更多以盈利水平作为目标，而大数据环境的改善对于企业全要素生产率的提升起到显著作用，因此非国有企业会更注重于大数据的使用。

企业规模方面，相比于大规模企业，大数据综合试验区对提升中小规模企业的全要素生产率效果较为显著。思考其可能原因，中小微型企业一直面临着融资难的问题，大数据综合试验区的设立有效地缓解了企业融资约束，这对企业的研发投入至关重要，而研发投入和创新又是提升企业全要素生产率的核心。同时，大企业由于本身拥有大量的数据流量以及较强的数据处理能力，对政策的实施可能没有中小规模的企业敏感。而且中小企业的信息不透明程度更为严重，所以大数据综合试验区的设立对于中小企业可以获得更多的数据进而提高企业全要素生产率的意义更大。

由表6 第（5）-（7）列可知，企业成长异质性方面，不论是高中低成长性的企业，大数据综合试验区设立都对其全要素生产率有显著的促进作用，同时随着企业成长性的增加，对企业全要素生产率的提升效果越来越明显。思考其可能原因，成长性好的企业愿意接受市场环境的改变，企业想要保持持久竞争力，对市场变化更加敏感。而成长性越弱的企业大多处于成熟期，企业内部长期稳定，想要做出改变需要一定的时效，因而其企业全要素生产率的促进作用相较于高成长性的企业更低。

企业治理水平异质性方面，大数据综合试验区对企业全要素生产率都产生了正向的影响，但第（9）列显示：对高治理水平企业的回归系数为0.131且在1%的水平上显著。思考其可能原因，高治理水平企业拥有更完善的组织架构，企业的管理层更愿意将经营目标放在长期利益上，更能适应数字经济发展的新方向。而低治理水平的企业管理层面相对薄弱，数字经济发展对其企业是机遇也是挑战，因此大数据综合试验区对其全要素生产率有促进作用但不显著。

企业要素密集度异质性方面，大数据综合试验区的设立对不同要素密集度的企业全要素生产率均有正向效果，其中第（11）、（12）列显示：对于资本密集型企业以及技术密集型企业的边际效果为0.099、0.058，并且分别在5%和10%的水平上显著。思考其可能原因，资本密集型和技术密集型企业相较于劳动密集型企业，其标准化程度和效率水平更高，因此能够有效地降低成本，同时能够及时地跟上市场的脚步，接纳数字经济的发展，而技术和资本又是提升企业全要素生产率不可或缺的要素。

（四）机制检验

为了进一步研究大数据综合试验区试点的影响机制，参考聂长飞等[14]的研究方法，在模型（1）的基础上构建中介效应模型：

其中，media为机制变量，其他变量含义与前文一致，模型(2)为大数据综合试验区虚拟变量对机制变量的回归方程，模型(3)为大数据综合试验区虚拟变量与机制变量共同对企业全要素生产率的回归方程。可以预见的是,基础回归中,在β1显著的情况下,若α1、γ1与γ2均显著,则说明media在大数据综合试验区试点的企业全要素生产率效应中承担部分中介作用。

表7第（1）列回归结果显示did的回归系数为2.646，在1%的水平下显著，说明设立大数据综合试验区有利于企业数字化转型；第（2）列同时加入did、企业数字化转型变量后，did与企业数字化的回归系数分别为0.033和0.002，均至少在10%水平下显著，说明设立大数据试验区可以通过促进企业数字化转型进而提升企业全要素生产率。这可能是由于大数据综合试验区的建立可以促进企业内部经营、管理模式以及生产过程向数字化发展，进而达到增质提量的效果，从而促进企业全要素生产率的提升。

表7 作用机制分析

第（3）列中did的回归系数为-0.044，在5%的水平下显著，说明设立大数据综合试验区可以缓解企业融资约束情况；第（4）列中同时加did、融资约束变量后，did与融资约束变量的回归系数为0.024 与-0.441，均至少在5%水平下显著，表明缓解企业融资约束也是大数据综合试验区提升企业全要素生产率的中介路径之一。这可能是，大数据综合试验区的建立让整体信息化得到良好提升，对于金融机构来说能够通过大数据分析降低信贷风险，而企业融资约束水平降低能够加大企业的研发和创新支出，研发和创新是全要素生产率提升的核心指标，进而推动了企业全要素生产率的提升。

五、结论与建议

（一）主要结论

本文采用国家级大数据综合试验区为准自然实验，以2010—2019年沪深A股上市公司为研究对象，用双重差分实证模型检验了大数据综合试验区试点城市企业高质量发展的效果及其作用机制。研究结果表明，首先，与非试点地区的企业相比，设立大数据试点政策地区中的企业全要素生产率明显提升。其次，通过变量替换、安慰剂检验以及PSM-DID等方法进行稳健性检验后，本文的结论依旧可靠。但政策效果在企业产权性质、企业规模以及企业不同成长性阶段存在显著差异。具体表现为非国有企业、中小规模企业、成长性越高、高治理水平以及资本密集型和技术密集型的企业在政策实施时更显著的提升其全要素生产率。最后，从作用机制来看，本文通过构建中介效应模型，发现产业数字化转型、缓解融资约束是大数据综合试验区政策促进企业全要素生产率提升的两大重要途径。

（二）政策建议

基于以上结论，本文提出以下政策建议:第一，中国政府应持续推进大数据综合试验区的建设。大数据综合试验区的设立对于企业全要素生产率水平的提升发挥了十分显著的作用，应当总结大数据综合试验区的建设经验，充分发挥试验区的示范作用，进一步深化大数据发展战略，以大数据推动国家经济转型升级势在必行，为国家数字强国战略提供支撑。第二，充分发挥企业数字化转型与缓解融资约束是企业立足于大数据综合试验区高效发展的重要途径。如何推进企业数字化转型以及帮助企业缓解融资约束问题是政策要关心的重点问题。数字化转型以及缓解融资约束需要企业内部管理模式的转变以及基础设施的升级，现有数字人才较为缺乏，因此政府应当注重数字经济人才的培养与引进，在技术研发、人才培养、市场竞争、环境营造等方面给予企业一定的政策支持，加快大数据相关人才培养以及数字基础设施建设。第三，大数据综合试验区的建设应该根据不同的企业制定发展战略，结合不同类型企业自身资源禀赋，属性特征，分类精准实施政策,有计划、有次序地引导和支持各类企业开展数字化转型,鼓励企业探索具有特色的数字化转型路径，以期让更多的企业赶上并融入大数据的浪潮。