数字经济对企业全要素生产率的影响
——基于不同价值链的视角

任灿灿

（山西师范大学 经济与管理学院，太原 030031）

0 引言

数字技术为企业数字化、智能化发展和转型升级提供技术支撑，并逐渐渗透于企业各个环节，成为突破传统市场束缚、助力企业提质增效的重要生产要素。已有大量研究关注数字经济所带来的红利，指出数字技术不仅能延续互联网功能，扮演信息媒介的角色，缓解信息不对称和融资约束[1,2]，改善公司治理水平[3,4]，而且能产生乘数效应，对数据信息进行互联互通和综合集成，使企业有更高的生产柔性和协同能力[5]，带动企业研发和技术创新[6]，进而提升企业全要素生产率[7]，促进产业转型升级和经济高质量发展[8]。

对于数字经济指标的衡量，国内学者主要采用两种方法：一种是基于熵权法、主成分分析法等方法确定数字经济相关指标的权重并赋值，计算综合性指标[9,10]，另一种是以与数字经济相关的典型事件作为替代变量，如“宽带中国”等数字基础设施建设[11]、两化融合[12]等。虽然上述研究为本文提供了理论参考，但在指标衡量上存在一定的局限性：一方面，已有的衡量指标通常仅考虑基于大数据、信息化技术而形成的各类数字基础设施、数字化服务及相关产出，如互联网普及率、互联网从业人数、数字普惠金融指数等，忽略了数字技术在实体经济领域的应用，割裂了数字经济与实体经济的内在融合性；另一方面，在指标体系构建过程中忽略了数字经济在不同价值链领域的发展差异以及相应的经济效应差异。为弥补已有研究的不足，本文从业务链、管理链、服务链的价值链视角，构建数字经济指标体系，并据此探究不同价值链数字经济对实体企业的影响机理。

1 研究假设

随着大数据、人工智能、区块链等信息化和数字化技术与实体经济不断深入融合，数字技术在打破传统经济发展模式、促进信息互联互通等方面的作用愈发重要，并逐渐成为赋能企业高质量发展的高级要素。具体而言：从业务链视角来看，数字经济主要表现为实体经济业务活动中涉及和使用的数字化技术，包括数字化平台的使用、数字化技术或软件合同的交易等。基于这一视角，数字技术为企业提供了更便捷的交易渠道，拓宽了实体企业的需求市场，同时增加了因数字技术带来的新型业务，丰富企业业务类型，进而提高业务多元化程度。业务多元化使企业现有资源得到更充分的利用，并分散因单一业务发展模式导致的经营风险，进而提高市场竞争力和全要素生产率。从管理链视角来看，数字经济主要是指用于提升管理效率的数字技术和服务，如财务共享中心。企业财务共享中心的建设和使用有利于促进集团企业内部财务及非财务信息实现实时共享和集成，在降低财务成本的同时提高财务分析和决策效率，从而提高财务信息质量和决策有用性，助力企业转型和高质量发展。从服务链视角来看，数字经济主要表现为采用数字化、信息化技术和手段为实体经济提供基础设施建设、金融支持、政务服务等各类服务。服务链数字经济发展程度越高，越能为企业发展提供融资、决策等环境保障，进而降低融资成本，缓解企业内部资源配置不当问题，提高全要素生产率。综合以上分析，本文提出如下假设：

假设1：数字经济与企业全要素生产率呈正相关关系。

假设2：业务链数字经济有利于实现业务多元化，进而提升企业全要素生产率。

假设3：管理链数字经济通过改善企业财务信息质量来提升企业全要素生产率。

假设4：服务链数字经济能缓解企业融资约束，进而提升企业全要素生产率。

2 研究设计

2.1 模型设定

构建模型（1）检验数字经济对企业全要素生产率的影响：

其中，TFP代表企业全要素生产率；Dig代表数字经济水平；Controls代表其他控制变量。

数字经济对企业全要素生产率的影响可能因企业异质性而存在差异。为此，构建模型（2）检验产权、地区、数字化转型程度和行业异质性的调节效应：

2.2 变量选取

（1）被解释变量：企业全要素生产率（TFP）。企业全要素生产率是指所有能带来产出增加的因素中，剔除资本和劳动投入的贡献后，其他因素所产生的贡献总和，通常被用于解释规模效应、技术进步、管理效率等的提升，是当前衡量企业高质量发展的关键变量。常用的衡量方法包括普通最小二乘法（OLS法）、固定效应法（FE法）、半参数LP法和OP法、最大似然估计GMM法。考虑到企业层面的全要素生产率估计可能存在同时性偏差和样本选择偏误，直接采用OLS法计算获得的全要素生产率存在偏差，而采用半参数LP法时，投资额为0的企业样本不能被估计，导致样本损失。因此，本文采用半参数LP法估计被解释变量，并以OLS法、OP法和GMM法重新测算后进行稳健性检验。

（2）解释变量：数字经济指数（Dig）。为弥补已有数字经济指标对不同价值链考虑不全的问题，本文基于价值链视角，从业务链、管理链、服务链三个层面构建数字经济指标体系，最终形成数字经济总指数（Dig）和业务链数字经济（Dig_S1）、管理链数字经济（Dig_S2）和服务链数字经济（Dig_S3）三个一级指标。其中，业务链数字经济指标包括数字平台、数字交易、数字业务三个二级指标；管理链数字经济细化为数字财务这个二级指标；服务链数字经济指标包括数字设施和数字服务两个二级指标。具体指标见表1。为便于比较，先对数据进行标准化处理，由此计算后获得的各指标数据具有一致量纲，数值越大则表示指标的水平越高。在权重处理上，采用熵值法为指标赋权，计算数字经济指数。

表1 数字经济指标体系构建

（3）中介变量：风险承担水平（Risk）。用企业在样本期内的ROA 波动程度来度量企业风险承担水平，盈余波动性越高，企业风险承担水平越高[13]。财务信息质量（DA）。用应计盈余管理程度衡量财务信息质量。应计盈余管理越严重，即DA 的绝对值越大，企业财务信息质量越差[14]。融资约束（KZ）。构建KZ指数衡量企业融资约束水平。KZ指数为正向指标，该值越大，表明企业面临的融资约束越严重[15]。

（4）控制变量：企业规模（Size），以企业期末总资产取对数衡量；资产负债率（Lev），以期末负债总额/期末总资产衡量；资产收益率（ROA），以当期净利润/期末总资产来衡量；企业价值（TQ），用托宾Q 值来表示；董事会规模（Board），以期末董事会人数的对数形式衡量；独立董事占比（Indep），用期末独立董事人数/董事会总人数来表证；产权属性（SOE），若为国有企业，则SOE 取值为1，否则取值为0；企业年龄（Age），即ln（当年年份-公司成立年份+1）；股权集中度（Top1），第一大股东持股比例；股权制衡量（Balance），第二到第五大股东持股比例之和/第一大股东持股比例；审计质量（Big4），若企业年报的审计单位为四大审计事务所，则取值为1，否则为0；以及年度（Year）和行业（IND）虚拟变量。

2.3 样本选取和数据处理

本文构建的数字经济指标体系中，数字政府指标所涉及的数据评估工作最早从2015 年开始，截至目前共发布2015—2021 年的评估报告。其中2015—2020 年的报告中，公布了各省级政府网上政务服务能力总指数及具体指数的详细数据，2021 年发布的评估报告中，仅以“好”“中”“差”进行满意度评价，未体现具体指标大小。考虑到数据的一致性，选取2015—2020 年沪深A 股非金融行业上市公司的年度-企业面板数据为研究样本。具体数据来源说明如下：（1）数字财务指标中财务共享中心建设情况通过对上市公司年报进行文本分析和手工整理获得。从上市公司年报中提取关键字段“共享服务”“财务共享”进行筛选，剔除非本公司的关键词，以及关键词前存在“没”“无”“不”等否定词语的表述，最终确定上市公司是否建立财务共享服务中心。（2）数字金融指标相关数据来源于北京大学发布的数字普惠金融指数，数字政府指标相关数据来源于《省级政府和重点城市网上政务服务能力调查评估报告》。其他数字经济指标体系中涉及的数据主要来源于《中国统计年鉴》。

计算省份数字经济指数后，将样本企业所在省份与数字经济指数相匹配，作为解释变量的取值。上市公司财务数据主要来源于CSMAR 和Wind 数据库。为剔除极端值的影响，本文对所有连续变量进行上下1%缩尾处理，最终获得11648个有效样本。

3 实证分析

3.1 描述性统计

表2展示了核心变量的描述性统计。其中，TFP均值为8.53，最小值和最大值分别为5.34 和13，可见样本企业间全要素生产率存在显著差距。解释变量Dig 均值为0.41，最小值为0.05，最大值为0.78，标准差为0.22，表明我国上市公司所在省份的数字经济水平差距较大。具体到一级指标，业务链数字经济Dig_S1 均值为0.31，各省份间发展差距较大，而管理链数字经济Dig_S2 和服务链数字经济Dig_S3 均值为0.02，标准差较小，表明各省份发展水平整体偏低，且省份间差异较小。其他变量均在预期范围内，限于篇幅，本文未列出，不再赘述。

表2 主要变量描述性统计结果

3.2 基准回归结果

表3 为基准回归结果。其中，列（1）以数字经济总指数作为解释变量，列（2）至列（4）以一级指标业务链数字经济、管理链数字经济和服务链数字经济作为解释变量。由列（1）可知，解释变量Dig 的回归系数为0.306，在1%的水平上显著为正，表明从整体来看，数字经济指数越高，企业全要素生产率也越高，数字经济对于促进企业高质量发展具有显著赋能效应，初步验证了假设1。由列（2）至列（4）可知，业务链数字经济Dig_S1和服务链数字经济Dig_S3与企业全要素生产率TFP的回归系数在1%的水平上显著为正，业务链和服务链数字经济的发展能有效赋能实体企业高质量发展，而管理链数字经济Dig_S2的回归系数不显著，财务共享中心建设尚未对企业全要素生产率的提升产生积极效应。这表明假设2和假设4基本成立，而假设3不成立。

表3 基准回归结果

3.3 分位数回归结果

表3采用均值回归方法，侧重关注数字经济与企业全要素生产率关系的集中趋势，忽略了不同分位数的差异化影响。为此，对原模型分别进行25%、50%和75%分位数回归，检验数字经济赋能的整体表现，结果见表4。其中，数字经济总指数Dig的回归系数在三个分位数检验中均显著，且不存在显著性差异，说明从总指数来看，数字经济对不同分位点企业全要素生产率的影响基本一致，数字经济已成为助力企业发展的关键生产要素。业务链数字经济Dig_S1和服务链数字经济Dig_S3的回归系数虽然均显著为正，但三个分位的回归系数在10%的水平上存在显著差异。对比回归系数发现，25%分位点均大于50%分位点，75%分位点的回归系数最小，表明业务链数字经济和服务链数字经济对全要素生产率较低的企业影响更大，企业发展质量越高，数字经济的边际贡献越小。受要素禀赋、市场化水平、议价能力等因素的影响，部分企业全要素生产率低于平均水平，有较大的提升潜力。数字经济发展为企业提供了更公平透明的竞争市场，有利于改善企业融资能力，提高市场竞争力，为低全要素生产率企业突破发展瓶颈提供良好的环境，进而对发展质量较低的企业产生更大的边际贡献。此外，管理链数字经济Dig_S2 在三个分位点处的回归系数均不显著，表明管理链数字经济的赋能效应尚未得到充分体现，进一步验证了假设1至假设4。

表4 分位数回归结果

3.4 稳健性检验

为确保实证结果稳健，本文开展以下稳健性检验：（1）改变关键变量衡量方法。对于解释变量，参考已有文献，分别采用文献[8,9]的方法重新衡量，作为本文解释变量重新进行回归；对于被解释变量，分别采用OLS 法、OP 法和GMM法测量企业全要素生产率后重新参与回归。（2）多时点双重差分检验。虽然数字经济指数为宏观层面变量，数字经济水平受到单个企业的影响较小，但仍可能由于测量误差、遗漏变量等原因导致内生性问题。为此，借助“宽带中国”这一外生政策冲击进行双重差分检验。（3）以数字经济一级指标Dig_S1、Dig_S2、Dig_S3 分别设定模型可能影响实证结果的可靠性。为此，将三个一级指标同时作为解释变量，对比其回归系数和显著性。结果显示，三个一级指标中，业务链数字经济Dig_S1 和服务链数字经济Dig_S3 在1%的水平上显著为正，管理链数字经济Dig_S2的回归系数不显著。对比回归系数发现，服务链数字经济Dig_S3 的回归系数远大于业务链数字经济Dig_S1，表明从不同价值链视角，服务链数字经济的赋能效应最佳，业务链数字经济次之，而管理链数字经济的作用不显著，与正文结论一致。检验结果均与正文保持一致，限于篇幅，结果未列出。

4 进一步分析

4.1 中介效应检验

由于管理链数字经济的正向效应未得到验证，因此本文不再检验其影响机制，侧重关注业务链数字经济和服务链数字经济的作用机理。表5 为中介效应检验结果。由列（1）可知，Dig_S1 与HHI 在5%的水平上显著为负，表明业务链数字经济能降低业务集中度，提高业务多元化水平；对比表5 列（2）与表4 列（1）的结果发现，原模型中加入业务多元化变量后，HHI的回归系数显著为负，业务多元化显著提升了企业全要素生产率，而此时Dig_S1的回归系数相较之前变小，表明业务多元化在其中发挥部分中介效应。由列（3）可知，Dig_S2 与KZ 在10%的水平上显著为负，服务链数字经济的发展能有效缓解企业融资约束；将表5列（4）与表4列（3）的结果对比发现，原模型中加入融资约束变量后，KZ的回归系数显著为负，表明融资约束是制约企业全要素生产率提升的关键因素，而此时Dig_S3的回归系数相较之前变小，表明融资约束在其中发挥部分中介效应。

表5 中介效应检验结果

4.2 异质性检验

4.2.1 产权异质性

受政府扶持力度、金融资金倾斜等影响，相比国有企业，非国有企业面临更严重的要素约束。数字经济一方面为非国有企业提供新的数据要素，形成新的经济发展驱动力，另一方面促进市场互联互通，提高市场公平性和竞争性，实现传统要素优化配置。因此，数字经济对非国有企业的赋能效应更为显著。构建产权性质SOE和数字经济Dig的交乘项后，对模型（2）进行检验。结果见下页表6列（1）。可见，交乘项SOE×Dig的回归系数在1%的水平上显著为负，验证了这一猜想。

表6 异质性检验结果

4.2.2 区域异质性

受地区资源禀赋、技术水平差异影响，东部地区市场化水平和资源配置效率普遍较高，资本、劳动等传统要素对经济增长的贡献率也较高，因而数字经济为东部地区企业高质量发展带来的提升效应较小。反之，中西部地区的市场化水平远低于东部地区，信息传递效率低下，其中中部地区次之，西部地区最差。数字经济发展有利于建立信息沟通桥梁、缓解信息不对称和优化市场环境，能显著改善和破除中西部地区经济发展障碍，为市场化程度较低的中西部地区企业带来更大的发展潜力和空间。设置区域变量Area，若企业所在省份属于东部地区，则Area 赋值为1；若属于中部地区，则赋值为2；若属于西部地区，则赋值为3。构建区域变量Area 和数字经济Dig 的交乘项后，对模型（2）进行检验。结果见表6列（2）。可见，Area的回归系数在1%的水平上显著为负，市场化程度越高，企业全要素生产率水平也越高，而交乘项Area×Dig 的回归系数在1%的水平上显著为正，表明数字经济的赋能效应在中西部地区显著高于东部地区。

4.2.3 企业数字化转型异质性

企业数字化转型是数字经济与实体企业深度融合在微观层面的体现。企业数字化转型程度越高，一方面越可能利用数字技术对海量信息进行挖掘、处理，并结合地区数字基础设施建设进行数据综合集成，提高企业决策科学性和智能性，改善资源配置效率，另一方面越可能构建以数据驱动为关键特征的新经济形态，创新商业模式，以提升全要素生产率。此时，数字经济对企业高质量发展的赋能效应越强。设置企业数字化转型变量Dcg，以上市公司公布的年度报告中与人工智能技术、大数据技术、云计算技术和区块链技术相关的关键词词频的自然对数来衡量[16]，并构建数字化转型变量Dcg 和数字经济Dig 的交乘项，对模型（2）进行检验。结果见表6列（3）。可见，Dcg在1%的水平上显著为正，企业数字化转型能显著提升企业全要素生产率，交乘项Dcg×Dig 的回归系数在5%的水平上显著为正，表明企业数字化转型和省份数字经济的同步发展能产生联动效应，数字化转型程度越高，越能提升数字经济的积极效应。

4.2.4 行业异质性

不同行业对研发、技术创新的需求存在差异。数字经济能有效改善企业融资约束和技术竞争环境，促进企业创新和全要素生产率提升，这一效果在更加重视研发创新的高新技术行业中更明显。因此，数字经济对高新技术行业企业的全要素生产率影响更显著。设置高新技术行业变量HighTech，若其所在行业为化学药品制造业、电子设备制造业、信息技术服务业、科学研究和技术服务业等高新技术行业，则HighTech 赋值为1，否则为0[17]。构建高新技术行业变量HighTech和数字经济Dig的交乘项，对模型（2）进行检验。结果见表6列（4）。可见，HighTech×Dig的回归系数在10%的水平上显著为正，表明相比非高新技术行业，数字经济对高新行业企业的全要素生产率影响更显著。

5 结论及建议

本文基于不同价值链视角构建数字经济指标体系，以2015—2020 年上市公司为研究样本探究了数字经济对企业全要素生产率的赋能效应。研究发现，数字经济与企业全要素生产率显著正相关，数字经济发展能促进企业全要素生产率提升。不同价值链视角下的数字经济产生的积极效应存在差异，业务链数字经济和服务链数字经济对企业全要素生产率的影响显著为正，通过促进企业业务多元化、缓解融资约束提高企业全要素生产率水平。而管理链数字经济的作用效果不显著。此外，数字经济对发展质量较低企业的边际贡献更大。上述积极效应在非国有企业、市场化程度较低的地区、数字化转型程度较高的企业和高新技术行业更显著。

为此，本文提出如下建议：（1）应进一步完善数字经济发展的顶层设计和网络、数据安全的制度保障；（2）更加注重区域协调发展，大力扶持中西部地区数字基础设施建设，发挥数字经济对落后地区的赋能效应，缩小数字鸿沟；（3）加快建设数字政府，提高电子政务服务能力；（4）灵活引进数智化人才，并建立健全人才考核机制，积极推进数字化科研成果投向业务领域；（5）应积极推进财务共享在集团企业的运用，并促进财务系统从传统财务会计信息系统向现代管理会计决策支持系统的转变。