大数据能促进中国制造业结构优化吗?

吕明元，苗效东

(天津商业大学 经济学院，天津 300134)

一、引言

信息通信技术与社会各界深度融合，数据成为重要的生产要素，社会面临着由IT到DT的时代变革。人们对于海量数据的应用将预示着新一波生产率增长和消费者盈余浪潮的到来[1]。无论是德国工业4.0、美国工业互联网，还是“中国制造2025”，大数据都是重要的战略资源和关键技术，为制造业转型升级和可持续发展提供新动能。

制造业是实体经济的核心部分，也是技术创新和设备应用的主战场。制造业的信息化和自动化积累了丰富多样的数据资源，成为推动大数据与制造业融合的基础。新时代高质量发展背景下，制造业传统发展方式的不可持续性日益显著，要实现经济可持续发展必须优化制造业结构[2]。普遍认为制造业结构优化包括高级化和合理化两个方面，但在实际的研究中，学者们多从产业产出比例来量化结构高级化，这种对高级化“量”的强调忽略了产业结构变迁过程中生产效率的变化，容易陷入“虚高度化”陷阱。基于此，本文将从劳动生产率视角重新测度制造业结构高级化和合理化，系统分析大数据影响制造业结构优化的机制和路径，利用省级面板数据，实证分析大数据对制造业结构优化的影响。本文的边际贡献可能在于：综合考虑大数据的资源属性和技术属性，以此界定大数据内涵并量化各省份大数据发展水平；从劳动生产率视角测算各省份制造业结构高级化和合理化水平；系统分析大数据影响制造业结构优化的理论机制和路径，并利用计量模型进行实证分析。

二、文献回顾

(一)大数据

李文莲和夏健明(2013)[3]认为大数据应包含三层含义：社会生活泛数据化、数据规模和生成速度“大”、技术“大”。数字经济背景下，多种数字技术一体化程度更高，大数据内涵不断丰富，具体可概括为资源属性、技术属性、应用价值与社会影响三个方面。Laney(2001)[4]最早从体量大(volume)、种类多(variety)、速度快(velocity)总结了大数据的“3V”特征。Dijcks(2012)[5]认为大数据的应用能帮助各部门从纷繁复杂的数据中提取重要信息，并转化为知识提高企业效率、支撑企业决策，故而在“3V”的基础上加入“价值(value)”。技术属性是大数据的另一个基本特征。大数据从本质上说仍然是具有通用目的的综合信息技术，根据数据的生命周期可分为数据采集、数据存储与管理、数据分析等技术。其中大数据分析技术是挖掘大数据价值的重要工具，深度学习和知识计算是数据分析的基础，可视化技术为数据分析结果的显现以及有效表达提供了机会[6]。最后是应用价值与社会影响。技术应用是其价值实现的前提和基础，大数据背景下，海量有效数据是重要的信息资产和新型生产要素，也是“第二经济”(1)“第二经济”是美国经济学家Arthur W B于2011年提出，他认为在处理器、传感器、执行器等运行基础上的经济组成了区别于物理经济(第一经济)的第二经济，而第二经济为第一经济附着一个“神经层”，从而使经济活动智能化。第二经济中，竞争的重点由劳动生产率转向知识生产率。的核心内涵和关键支撑。大数据与社会各界的融合，以及数据价值的深度挖掘和利用将对国家战略与安全、经济社会转型、社会科学研究、新兴跨学科研究、工业转型升级等具有不可忽视的战略意义。对数据资源的掌控、基于大数据技术的数据价值挖掘将成为综合竞争力的重要组成部分和新一轮国际博弈的重点。

综上，本文认为大数据既是多源异构的海量数据集合，也是围绕着数据生命周期形成的包括数据采集、存储、处理、分析与可视化的信息技术。资源和技术是大数据的两个基本属性，而在此基础上的数据价值挖掘和应用是大数据发现新知识、创造新价值的关键，也是大数据和实体经济融合、革新传统产业、发展新兴产业的重要力量。

(二)大数据与制造业转型升级

大数据与制造业的研究一方面集中在强调数据分析技术对企业决策和生产效率的影响，强调大数据分析能力是未来企业竞争力的核心要素。企业利用大数据提高了对用户需求的响应速度、创新商业模式、提高组织效率、有效降低成本、提高经济效益[7～8]。徐国虎和田萌(2017)[9]以66家上市企业为样本，研究了大数据对于企业绩效提升的作用。梅芳(2017)[10]结合大数据在制造业企业成本管理中的具体应用，认为数据的价值挖掘能帮助企业更好的实现提质增效的经营目标。Campos等(2017)[11]认为大数据可以更好的为产品生命周期管理(PLM)和整个CP(清洁生产)过程的协调和优化决策提供支持，实时多源的生命周期数据的收集，有利于实现对产品相关数据和知识的可用性和可访问性，从而整合大数据分析和服务驱动模式。张彩霞和吴胜辉(2018)[12]基于消费者效用理论，构建了电商平台实施产品推荐策略前后的竞合博弈模型，证明电商平台能够利用消费数据对用户精准推荐，扩大产品的市场需求。Zhang等(2018)[13]认为大数据对信息的整合能帮助企业进行新产品的创意输入,并利用可视化的决策路径支持新产品开发。

另一类研究重点在于从中观层面分析大数据助力制造业整体转型升级。徐颖和李莉(2018)[14]从价值链角度分析了大数据与制造业各环节的融合，认为人们的个性化定制需求将成为制造业向知识密集型升级的必然因素。大数据与制造业的融合推动了制造业的服务化转型，且有效克服制造业面临的“服务悖论”(2)制造业服务悖论是Gebauer在2004年提出，主要是指企业为了服务化进行大量投资，增加服务化产品，却导致成本升高，或者服务收入的增长未达到预期目标的现象。[15]。Zhang等(2018,2017)[13][16]提出了基于大数据的产品生命周期分析架构，集成大数据分析和服务驱动，推动制造业实现清洁生产战略、可持续性生产和竞争优势。同时，物联网对能源密集型产业的制造过程进行感知和数据收集，利用能源大数据分析，将有效降低能源密集型制造业的能耗和污染排放。这为制造业的绿色发展以及生态型产业结构的形成提供了可行路径[17～18]。王铁山(2015)[19]较为系统地分析了大数据推动制造业转型升级的方式、机理和效果，并指出大数据发展的主旨是通过两化融合以及制造业和服务业的融合来加速制造业的智能转型，提升实体经济的生产能力和创新能力。

综合当前文献可知，大数据和制造业的研究在中观层面集中于制造业服务化转型和绿色发展；微观层面的研究集中在大数据对企业决策和经济效率的影响。针对大数据与制造业结构优化的系统研究相对较少，定量研究更为少见。鉴于此，本文首先系统分析大数据对制造业结构优化的影响机制和路径，进而利用计量模型进行实证检验。

三、理论分析与假设

(一)大数据对制造业结构优化的影响机制

大数据被誉为“新时代的石油”，是提高制造业生产效率的重要投入要素；从技术角度来看，大数据是具有通用目的的信息技术，是制造业提质增效的新动能；同时，围绕着大数据应用开展的相关投入，以及在此过程中形成的新业态将成为制造业转型升级和结构优化的重要力量。为此，本文将围绕着大数据的资源和技术两大基本属性，主要从内生机制、动力机制和环境机制三个方面分析大数据对制造业结构优化的影响机制。

1.从供给侧和生产函数来看，大数据是影响制造业发展的重要内生变量。社会各界泛数据化和物联网化，“量化一切”成为大数据时代的典型特征，数据和信息、知识等要素一样是市场重要的战略资源，也是产业创新的核心要素；新经济增长理论认为，经济增长由经济系统内部各变量共同决定，而技术创新是经济增长的内在动力和不竭源泉。首先，数据的产权具有非完全排他性、不可独占性和外溢性，数据的社会属性使得它可以无成本地由私人信息转变为共享信息，经济活动中的物质流转化为信息流，减少交易时间、克服不确定性、降低风险和交易成本、提高市场资源配置效率是其主要功能[20～21]。数据、信息等共有要素的无成本或低成本共享，改变了企业对内外部资源的利用方式、价值创造模式和商业生态，资源边界和市场边界呈现模糊化趋势，企业决策逐渐转向“人与数据对话”最终实现“数据与数据对话”[22]。其次，从技术角度看，大数据技术本身可以围绕数据生命周期和相关服务需求形成新兴技术产业，也可以与物联网、云计算等其他信息技术形成技术互联，带动整个信息技术架构的革命性重构[23]。资源配置的实质是供给和需求均衡的计算问题，大数据与云计算和人工智能等技术的互联以及融合为解决这种计算提供了可能性,在此基础上形成的互联网配置资源机制将成为资源配置的最优机制，打破原有的产业组织运行格局，形成新产业组织结构[22]。

2.大数据对制造业的动力机制主要体现在大数据对各经济部门的渗透效应。首先，围绕着数据资源本身、软硬件设施和相关信息技术服务形成的大数据产业，构成了经济高质量发展的新增长点。其次，大数据是具有通用目的的信息技术，具有较强的关联和带动效应。大数据能广泛地应用于各个经济部门，增大产业关联度，既能带动云计算、物联网等相关技术的发展，也能带动通信设备和信息技术服务等产业发展。最后，大数据与传统产业的融合将“软化”生产部门的要素结构，推动传统制造业向技术密集型和知识密集型方向转变。同时提高各部分要素之间的协同性，对其生产经营、组织结构等产生重要影响，传统部门信息化和自动化水平的提高，有利于提升其生产效率和经济效益。

3.大数据基于“摩尔定律”和自身技术进步对其他投入要素具有替代效应，对大数据技术的相关投资将扩大技术溢出对整个经济增长的边际贡献率，改善制造业生产经营环境，对产出效率和产业链协同产生广泛影响。首先，大数据作为新一代信息通信技术的代表，基于“摩尔定律”带来相关产品价格的相对下降以及全社会信息技术资本积累规模的壮大，这些将通过替代效应为经济增长提供直接支撑[24]。其次，信息化和数字化基础设施如数控机床、工业机器人和工业软件等投入提高了制造业的信息化和数字化水平，改善了制造业生产环境，为大数据和制造业的深度融合提供了重要载体，同时助力制造业实现精细制造和柔性生产，以满足用户的个性化定制需求，实现提质增效。最后，信息化和数字化等基础设施的完善以及数据的互联互通，将改变各行业的竞争方式和交易方式，在此基础上形成的平台经济有助于产业链协同和商业模式创新。

(二)大数据对制造业结构优化的影响路径分析

1.大数据与产品创新。数字经济时代，消费者更加注重用户体验，个性化定制需求是制造业转型的重要动能。互联网深度扩张带来“脱媒”功能，使得制造企业可以与消费者进行直接互动，及时把握市场动向，并利用大数据技术对多源异构数据处理、进行多维度市场分析，洞察消费者真实产品诉求，实时动态定位市场需求，对需求建模和用户画像，并及时反馈、量身定制满足消费者个性化、多样化需求的产品和服务。个性化的产品设计增强了企业与用户的互动性，用户进入到产品价值创造过程，有利于增强用户粘性，推动企业价值创造模式由产品向服务转型。

2.大数据与生产制造。大数据与生产线的融合在于将物理形态的数字转化为虚拟形态的数字，有利于实现数据的实时、高效流动与共享，打造智能生产线，推动内部供应链的网络化，提高生产效率。具体表现为基于物联网和智能算法制定科学合理的生产计划和要素配置，实时监控物料和资源流动；建立工艺仿真和产品质量控制模型，进行工艺和质量监测，优化工艺参数，保证产品质量；利用决策树和神经网络等大数据算法，建立生产车间异常报警模型，提高设备运行效率；利用大数据分析和预测功能进行智能设备维护，延长设备寿命，降低维修成本；建立多维能耗分析模型和大数据挖掘模型，提高能源利用效率。

3.大数据与产品营销。大数据在各行业的渗透使得协同创新的格局愈发明显，大数据是制造业和零售业深度融合发展的纽带。“新零售”的实质是实现“线上+线下+物流”的深度融合，利用数据技术驱动，为消费者提供全方面的服务，达到C2B完全无库存销售[25]。制造企业利用大数据通过全方位、实时的仓储跟踪、物流配送、渠道规划和营销推广等环节，使得整个销售链条更有效率，推动制造企业升级为效率更高、营销精准的供应商。

4.大数据与组织创新。一方面，大数据改变了企业内部信息传递和管理模式，企业更加重视系统管理和业务流程的柔性化管理，横向组织代替过往的纵向组织架构。组织结构的扁平化有效提高了信息传输效率和对市场动态的及时、有效反应。另一方面，大数据与各个行业的深度融合，模糊了企业边界，各企业延伸产业链，以网络虚拟集聚模式形成泛平台化的互动方式，促使产业组织从垂直架构向网络协同架构转变，形成新型竞争协同关系。建立起以用户价值为纽带，多方协作实现共同价值主张的数字化生态，实现资源有效结合和协同创新。

5.大数据与商业模式创新。大数据资源和技术的工具化带来了商业模式构成要素的创新；大数据资源和技术的商品化催生了企业在“大数据”产业链上不同定位和价值创造模式；基于大数据的行业扩张延伸产生了以连接、融合和跨界为特征的商业模式创新[3]。平台经济和跨界融合是大数据时代商业模式创新的两种典型模式。各市场主体互动的泛平台化有利于缓解交易中的摩擦力，促进经营单位间协同有序更新，降低交易成本，提高资源配置效率。同时，有利于将交易中的外部性内化，从而形成较强的知识溢出，提高经济运行效率[26]。当大数据成为企业的核心资源和技术时，这为企业的跨行业扩张提供了可能性，即跨界融合模式运行的基础在于数据的连接和聚合。具体表现为围绕着大数据资源和技术的商品化，相关企业进行的业务创新和价值创造；以大数据技术革新传统产业，进行创造性破坏，打造全新产业；基于大数据价值链和实体经济价值链的重组共生，实现全方位跨界融合，重新打造基于大数据的商业生态[3]。

(三)大数据对制造业结构优化的分类影响及相关假设

1.大数据与制造业结构高级化。产业结构高级化是一国经济发展取得实质性进展的重要体现，是供给结构转变的基本要素。其实质是在形成与经济发展相适应的主导产业群的同时，劳动生产率也要得到相应的提升。仅仅考虑到主导产业产出比例变化，也即结构高级化的“量”而忽略劳动生产率提升，那么很容易陷入“虚高度化”陷阱[27]。因而制造业结构高级化反映了制造业内部各行业的“结构效益”，其内涵在于只有当劳动生产率较高的行业在制造业中的占比较大时，产业结构才真正实现高级化。

大数据对制造业结构高级化的影响主要通过强化高端技术行业发展、革新传统行业实现。首先，高端技术行业本身具有科技创新的资源和技术优势，是大数据技术创新和成果应用的主要阵地。高端技术行业基于大数据资源和技术进行业务创新和商业模式创新，一方面有利于形成新的经济增长点，提升企业自身经济效益。另一方面基于产业间关联、竞争效应和模仿效应，技术密集型和知识密集型的产业呈现网络虚拟集聚模式，带动整个高端技术行业生产效率和经济效益的提高。其次，大数据与传统制造行业的融合，将成为传统制造行业转型升级的重要驱动力量。大数据技术通过产品设计、生产制造、产品营销等途径，为传统制造行业服务化转型以及生产效率提高提供技术支撑。从资源角度来看，大数据作为一种新型生产要素，使得企业的投入要素呈现“软化”趋势。数据、知识和信息等在企业投入要素结构中占比上升，有助于传统行业向知识密集型和技术密集型行业转变。

针对上述分析，本文提出第一个假设：

H1：大数据不仅能促进制造业内部行业变迁，同时也能有效提升行业劳动生产率，即大数据有利于实现制造业结构高级化的“质”。

2.大数据与制造业结构合理化。结构合理化主要强调产业的协调程度、结构聚合质量和资源配置效率[2]。首先，市场并非万能，产业发展面临着较大的外部性和不确定性，往往出现不合理的波动与资源配置，带来效率损失。大数据资源和技术促进了企业的组织结构创新和商业模式创新，企业间基于网络配置资源机制进行的泛平台化互动，有利于产业间资源有效匹配、减少交易摩擦和交易成本、提高资源配置效率。其次，大数据与低端技术行业的融合在提升此类产业劳动生产率的同时，也将有效缩小低端技术行业与高端技术行业在生产率上的差距，从而有利于制造业结构的合理化。最后，根据产业关联理论，产业之间存在着前后向关联，并通过竞争、模仿和人才流动等产生扩散效应，进而出现集聚效应。大数据时代，各行业基于互联网配置资源机制形成泛平台化互动，网络虚拟集聚成为当代产业集聚主要模式，数据资源和信息的低成本扩散与复制将有效提高产业集聚效率，提高产业协调度，从而促进制造业结构合理化。

本文提出第二个假设：

H2:大数据对制造业结构合理化存在正向促进作用。

四、模型设计和变量说明

(一)数据来源与变量说明

基于数据的可得性以及最大化利用数据的原则，本文以2005—2017年中国25个省份(3)25个省份包括北京、天津、河北、山西、内蒙古、辽宁、吉林、黑龙江、上海、江苏、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广东、广西、重庆、四川、贵州、云南、陕西。而其他6个省份，即海南、甘肃、青海、宁夏、新疆和西藏，由于大数据技术专利数据和制造业相关数据缺失较多，故并不包含在本文的样本范围。此外，不包括港澳台地区。制造业两位数面板数据为样本。数据来源于各样本省份2006—2018年统计年鉴、国家数据、历年《中国工业统计年鉴》和国家知识产权局。涉及价值的变量均根据相应价格指数折算为2005年价格水平。部分缺失值采用均值法补齐。此外，由于国民经济行业分类的2002年和2012年版本对制造业细分行业的分类有所不同，本文借鉴史丹和张成(2017)[28]的做法，对制造业行业进行了必要的拆分和合并，最终形成了28个制造业细分行业(4)(1)农副食品加工业;(2)食品制造业;(3)饮料制造业;(4)烟草制造业;(5)纺织业;(6)纺织服装、鞋、帽制造业;(7)皮革、皮毛、羽毛(绒)及其制品业;(8)木材加工及木、竹、藤、棕、草制品业;(9)家具制造业;(10)造纸及纸制品;(11)印刷业和记录媒介的复制;(12)文教、工美、体育、娱乐用品制造业及其他制造业;(13)石油加工、炼焦及核燃料加工业;(14)化学原料及化学制品制造业;(15)医药制造业;(16)化学纤维制造业;(17)橡胶和塑料制品业;(18)非金属矿物制品业;(19)黑色金属冶炼及压延加工业;(20)有色金属冶炼及压延加工业;(21)金属制品业;(22)通用设备制造业;(23)专用设备制造业;(24)交通运输设备制造业;(25)电气机械及器材制造业;(26)通信设备、计算机及其他电子设备制造业;(27)仪器仪表制造业;(28)废弃资源和废旧材料回收加工业。。

1.被解释变量为制造业结构高级化(indh)和合理化(indr)。本文借鉴刘伟等(2008)[27]将制造业结构高级化定义为行业产出比例和劳动生产率的乘积。具体公式为：

indh=∑vit×lpit

其中，i表示第i个行业，具体指制造业28个细分行业。vit是t时期i行业增加值在制造业增加值占比，也即行业产出份额。lpit为t期第i行业的劳动生产率。由于劳动生产率是一个有量纲的数值，本文利用均值法对劳动生产率进行标准化处理[29]。此外，由于2008年之后《中国工业统计年鉴》不再公布各省份制造业细分行业的增加值数据，作者从部分省份统计年鉴中获取部分数据，对于仍然缺失的数据，借鉴史丹和张成(2017)[28]根据相应年份各行业工业总产值与2003—2007年各行业平均工业增加值率相乘得到。

本文借鉴干春晖等(2009)[30]以泰尔指数衡量制造业结构合理化水平。计算公式如下：

其中，i表示行业，y表示工业增加值，l表示就业。泰尔指数越大，表明产业结构偏离均衡状态，产业结构越不合理。故泰尔指数为逆向属性指标，对此，本文将泰尔指数取倒数，以保持结构合理化与高级化作用方向的一致性。

2.解释变量为大数据发展水平(lnbdi)。目前关于大数据的量化研究和统计数据还比较少，本文在尽可能概括大数据内涵以及既有可得数据范围内，建立大数据的评价机制并进行量化。结合前文对大数据内涵的概括，我们认为大数据集资源属性和技术属性于一体，基于大数据的竞争力将主要体现为拥有数据的规模、活性以及解释和运用数据的能力[31]。因此，本文以互联网普及率和大数据技术发明专利申请量的乘积来表征大数据发展水平。首先，互联网领域是数据信息集散的主要阵地，互联网普及率反映了社会对互联网的利用程度以及信息化水平，这构成了大数据的资源基础。其次，大数据技术发明专利作为技术创新的载体，是发明创新过程中的产出，发明专利的申请量代表了各省份大数据技术发展水平，这为多源异构数据的处理和分析提供了重要工具。两者的乘积反映了各省份基于大数据技术对海量数据资源的利用能力和应用效益，这是大数据真正作用于经济发展和效率提升的关键和重点。其中，大数据技术发明专利数据来自国家知识产权局，具体借鉴了刘云(2015)[32]和程学旗等(2016)[31]根据大数据一级技术领域和关键技术主题，在摘要和关键词中，以‘大数据’or‘分布式文件系统’or‘批处理’or‘流式计算’or‘数据分析’or‘机器学习’or‘可视化’or‘任务并行化’为检索主题词，选取2005年至2017年12月31日前公开的专利申请数据。以专利申请人所在地划分大数据发明专利所属省份，并根据IPC分类号对发明专利进行筛选，主要选取了G06F大组和H部下涉及数据采集传输、数据存储与分析、数据管理与共享等大数据发明专利。检索结果表明大数据技术发明专利申请存在明显的区域差异和时间趋势。三大地区(5)三大地区遵循国家统计局的划分标准，对应于本文的样本范围，东部地区包括：北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东；中部地区包括：山西、黑龙江、吉林、安徽、江西、河南、湖北、湖南；西部地区包括：内蒙古、广西、重庆、四川、贵州、云南、陕西。中，东部地区是大数据专利申请的主力，且呈现持续高速增长态势，中部和西部的技术专利在2014年之前较为接近，中部地区稍微领先于西部，2015年之后中部地区专利数量明显高于西部地区；时间趋势方面，2013年之后，三大经济板块的专利申请量增速明显，这和国家大数据发展战略规划相一致。具体情况如图1所示。

3.控制变量：人力资本是产业结构优化的重要因素，其与产业结构的匹配程度将直接影响到产业结构优化的质量和效率。本文以各省份普通高等院校在校生占比来测度人力资本(stu)；金融支持系统为制造业企业发展提供了融资环境和渠道，本文以中资金融机构人民币贷款余额占GDP比重来衡量金融支持度(fin)；市场化是提高和改善资源在产业间配置效率的必要条件[2],本文以社会固定资产投资中非国有投资占比衡量各省份市场化发展水平(mar)；以规模以上工业企业出口交货值在总销售产值中的占比衡量制造业对外开放水平(out)。各变量的描述性统计如表1所示。

表1 各变量指标的描述性统计

(二)计量方法与模型设计

对面板数据进行估计的一个极端方式是将其看做截面数据进行混合回归，这种估计忽略了个体间的异质性，导致估计结果的可信度不高。F检验结果表明，个体效应优于混合效应。同时，时间效应的检验结果表明，模型中不包括时间效应。故而，本文首先采用个体效应模型进行静态面板分析，建立基本模型(1)和模型(2)。Hausman检验表明，固定效应优于随机效应，因而本文将主要对固定效应结果进行报告。其次，建立动态面板模型(3)和模型(4)，利用一阶差分GMM进行内生性检验。基本实证模型如下：

indhit=β1lnbdiit+β2stuit+β3outit+β4finit+β5marit+ui+εit

(1)

indrit=β1lnbdiit+β2stuit+β3outit+β4finit+β5marit+ui+εit

(2)

indhit=β1indhi,t-1+β2lnbdiit+β3stuit+β4outit+β5finit+β6marit+ui+εit

(3)

indrit=β1indri,t-1+β2lnbdiit+β3stuit+β4outit+β5finit+β6marit+ui+εit

(4)

上式中的i代表省份，t为年份，εit表示随机误差项，ui表示个体效应。indh表示制造业结构高级化,indr为制造业结构合理化，lnbdi表示各省份大数据发展水平，stu代表人力资本，out表示对外开放水平，fin表示金融支持度，mar表示市场化水平。

五、实证分析

(一)基本回归结果

表2中模型(1)和模型(2)分别以制造业结构高级化和合理化为被解释变量。整体估计结果表明，大数据能有效促进制造业结构高级化和合理化，也即大数据能促进制造业结构优化。

具体而言，表2中模型(1)结果显示，大数据对制造业结构高级化的影响系数为0.0666，在1%的水平下显著，即大数据能有效推动制造业结构升级。这说明，大数据的发展不仅能带动制造业内部行业升级，同时也能提升行业生产效率，实现制造业结构“质”的升级。因而假设1得证。

从表2中模型(2)可看出，大数据对制造业结构合理化的影响系数为0.4455，在5%的水平下显著，即大数据有助于制造业结构合理化。表明企业基于互联网配置资源机制形成网络空间集聚，建立企业间的数字化连接，加强信息和数据交流，能有效提高资源配置效率和产业协调度，从而推动制造业结构合理化。即假设2得证。

控制变量的结果中，人力资本(stu)对制造业结构高级化和合理化的作用显著为正，表明强化人力资本建设，加大教育投入将促进制造业结构优化；对外开放水平(out)和金融支持度(fin)的系数均显著为负，可能的原因在于中国制造业产品面临着价值低端锁定的困境，且从出口交货值的占比来看，近年来绝大部分样本省份的数据呈现下降态势，即对外开放的数量和质量并不具有明显的竞争优势，从而并不利于制造业结构优化；金融支持度的系数为负，其可能性解释为：近年来各样本省份金融机构人民币贷款余额占比虽有所上升，但企业的融资效率却并不高，融资渠道较为单一，尤其是中小型科技企业，仍然面临着融资难的困境。市场化水平(mar)对制造业结构高级化和合理化的影响系数为正，但对结构合理化的影响并不显著，可能的原因在于市场化水平的提升虽有助于提升制造业生产效率和资源配置效率，但是市场化的发展在促进中高端技术行业发展的同时，也可能会增大行业间的发展差距，从而弱化了市场化对制造业结构合理化的促进作用。

(二)内生性检验

制造业结构的演变具有连续性，因而制造业结构是内生变量。本文加入被解释变量的滞后一期作为控制变量，采用一阶差分GMM方法进行稳健性检验，以解决模型中变量的内生性。表2中的模型(3)和模型(4)分别是以制造业结构高级化和合理化为被解释变量的GMM估计结果。Arellano-Bond检验没有拒绝扰动项无二阶自相关的原假设。过度识别的Sargan检验也没有拒绝原假设，这些表明GMM估计的工具变量是有效的，模型设定合理。同时，GMM估计的结果与静态面板模型估计结果相一致，各变量的系数和显著性并无显著差别。即表2中模型(1)和模型(2)的估计结果是稳健的，也进一步佐证大数据有助于制造业结构优化。

表2 计量模型估计结果

(三)区域异质性分析

现有研究结果表明，中国产业结构优化升级具有显著的空间不均衡性，地区间的差距是造成区域差异的第一来源[33]。同时，前文图1表明中国不同地区间的大数据技术发展水平存在较大差异，那么大数据对制造业结构优化的影响是否也存在区域差异呢？为此，本文以三大区域(东部、中部、西部)为划分标准，扩展基本模型(1)和模型(2)，利用固定效应模型就大数据对制造业结构优化的区域异质性进行实证分析。其中，模型(1a)均以制造业结构高级化为被解释变量，模型(2a)均以制造业结构合理化为被解释变量。具体结果如表3。

表3 大数据对制造业结构优化影响的区域异质性分析

表3中模型(1a)的结果表明，大数据对制造业结构高级化的影响具有区域差异，具体而言大数据对中部制造业结构高级化的影响最大，东部次之，西部最小。其可能性原因在于：大数据对制造业结构高级化的影响主要在于产出效率，而大数据从信息技术转换为实际的生产率必然受到成果转换率的影响，同时不同技术层次的制造行业与大数据的匹配度有所不同，进而也会对产出效率产生影响。一般而言，中端(6)根据傅元海等(2014)[2]将制造业划分为高端、中端和低端三类。高端技术行业包括：通用设备制造业，专用设备制造业，交通运输设备制造业，电气机械及器材制造业，通信设备、计算机及其他电子设备制造业，仪器仪表制造业，化学原料及化学制品，医药制造业，化学纤维制造业；中端技术行业包括：石油加工、炼焦及核燃料加工业，橡胶和塑料制品业，非金属矿物制品业，黑色金属冶炼及压延加工业，有色金属冶炼及压延加工业，金属制品业；低端技术行业包括：农副食品加工业，食品制造业，饮料制造业，烟草制造业，纺织业，纺织服装、鞋、帽制造业，皮革、皮毛、羽毛(绒)及其制品业，木材加工及木、竹、藤、棕、草制品业，家具制造业，造纸及纸制品，印刷业和记录媒介的复制，文教、工美、体育、娱乐用品制造业及其他制造业，废弃资源和废旧材料回收加工业。和低端技术行业相较于高端技术行业而言，其发展模式较为成熟，市场需求稳定，大数据成果转化时面临的机会成本较小，成果转化率较高；加之，限于当前的大数据技术成熟度及其在制造业中的典型应用等因素，目前我国大数据在中低端技术行业中的应用较为广泛和成熟，如青岛红领集团和海尔智能工厂，大数据对其边际贡献较大。而中部地区仍以中低端制造业为主，以2017年为例，我国东部、中部和西部地区中低端技术行业占比的平均值依次为0.44、0.56、0.41，大数据对中低端技术行业的边际贡献使得其对中部地区影响最大，东部次之，西部最小。

表3中模型(2a)的结果表明，大数据对制造业结构合理化的影响同样具有区域差异。三大区域中，东部地区的影响系数最大，西部次之，中部最小。其可能的原因在于：数字经济下，企业互动的泛平台化对网络平台提出了更高的发展要求，互联网产品的特点在于固定成本很高，而边际成本低，这意味着网络平台和数字化生态的构建非一家企业可独立完成。东部地区凭借其科技和资金实力将成为网络平台和数字化生态建设的主力；同时，东部地区本身产业数字化水平和业务程序化水平较高，这为大数据和制造业的融合以及产业跨界融合奠定了基础，企业间通过网络空间集聚和互联网资源配置机制能放大资源配置效率、技术扩散效应和产业关联效应，进而提高产业发展协调度，实现产业结构合理化。中部相对于西部而言，虽有较好的产业基础和科技实力，但是大数据与中端技术行业融合对劳动生产率的边际贡献有可能会超过低端技术行业，进而增大行业发展差距，从而弱化大数据对中部地区制造业结构合理化的影响。因而大数据对制造业结构合理化的影响将呈现东部最大，西部次之和中部最小的格局。

控制变量中，人力资本对三大地区制造业结构高级化和合理化的影响系数均显著为正；市场化水平在三大地区中的作用虽是正向，但中西部地区的系数则并未通过显著性检验；金融支持度在东部和西部的影响系数显著为负，中部并不显著；对外开放水平对东、中、西部高级化和中西部合理化水平的影响系数显著为负，而对东部合理化的负向影响并不显著。这些结果表明，根据市场化需求深化金融体制改革、提高金融对制造业结构优化的支持力度和效率、增加产品附加值、提高产品竞争力以及对外开放的数量与质量是三大地区亟待解决的共性问题。同时，三大地区也要进一步加强人力资本建设，培养技能型人才尤其是大数据和制造业方面的复合型人才，深化市场体制机制改革，提高市场运作效率，进而强化人力资本和市场化水平对制造业结构优化的促进作用。

六、结论和建议

(一)主要结论

本文以2005—2017年中国25个省份为样本，在系统分析大数据对制造业结构优化影响机制和路径的基础上，从劳动生产率视角重新测算制造业结构高级化和合理化，利用静态面板数据模型实证研究大数据对制造业结构优化的影响。研究发现：(1)大数据对制造业结构高级化和合理化的作用显著为正，即大数据能有效推动我国制造业结构优化。(2)大数据对制造业结构高级化和合理化的影响具有区域差异。结构高级化方面，大数据对中部地区促进作用最大，东部次之，西部最小；结构合理化方面，东部的影响系数最大，西部次之，中部最小。

(二)政策建议

本文研究发现大数据对制造业结构优化的影响比较复杂，概括而言，大数据主要是通过劳动生产率和资源配置效率对制造业结构优化产生影响。新一代工业革命中，如何推动大数据和制造业的深度融合、推进制造业内部各行业协同发展以及统筹区域发展、发挥大数据对制造业的“乘法”效应而非简单“加总”，是中国制造业结构优化和高质量发展面临的重要挑战。对此，本文提出以下政策建议：

1.加大对大数据高端技术人才和复合型人才的培养和引进力度。一是加快教育体制机制改革，以高校、研究院和企业为载体，推进产学研用协同创新，培养技能型人才；利用市场培训机制加快计算机技术人员向大数据技术领域的转型，培养一批既掌握大数据关键技术也熟悉制造业运营管理的复合型人才。二是建立与各区域大数据和制造业融合相适应的人才等级评价机制，完善利益分配、产权保护和人才引进机制，促进人才顺畅有序流动。

2.完善制造业信息化和数字化基础设施建设和大数据法治体系。一是从硬件方面加大机器设备、工业云等数字化工业装备的投资，提升制造业生产活动的自动化、信息化和数字化。二是在工业软件方面，既要强化基础研究和技术研发，在关键设备和核心技术方面取得突破，也要推进工业软件与制造业的融合，尤其是涉及制造全过程的综合集成应用。三是尽快将软硬件接口和数据标准化，推动工业云平台等基础设施的建立和应用；构建多层次的大数据法治体系，明确数据权属和使用规范，打破数据壁垒，推动数据资源的开放共享，提高数据流通效率和大数据应用创新。

3.深化体制机制改革，提高研发创新质量和成果转化率。一是深化市场化改革，完善现代化市场监管体系，优化良好的公平竞争和创新环境，培育壮大民营企业尤其是科技性中小企业以提升创新能力和创新效率。二是按市场化需求深化金融体制改革，拓宽企业融资渠道，多样化融资产品，发展多层次资本市场，完善金融监管体系，加快金融回归服务实体经济的本源。三是继续扩大对外开放，统筹内外需求，通过学习、模仿和消化吸收促进外资技术溢出，以市场需求提升创新质量，推动大数据创新成果的规模化和产业化。四是完善现代技术市场体系建设，探索并丰富科技创新成果与市场需求对接的有效途径，根据大数据与制造业融合的不同需求培育一批专业服务能力强、资源整合能力强、孵化效率高的孵化中心，以实现智能技术供给与智能制造需求的有效对接，加快科技成果的规模化和产业化。

4.各区域要因地制宜，协调发展。一是各省份要在国家发展战略的顶层设计下，根据自身技术、经济和区位优势，有选择、有重点地制定地方大数据发展规划。对于技术和经济实力较强的东部而言，其重点应在于大数据关键装备和核心技术的研发、构建大数据产业生态，以及大数据高端技术人才和复合型人才的培养方面。中西部地区可以通过区域合作的形式进行研发创新，也可以通过完善自身营商环境和优惠政策，引进相关技术和企业享受“数据红利”。二是各省份要立足于自身的产业基础，推进大数据与制造业融合的广度、深度和效率。东部地区高端技术行业在制造业中的占比相对较高，因而对东部地区而言，应着力完善数字化基础设施建设，重构信息网络平台，以网络虚拟集聚模式形成外部供应链协同，重新打造制造业产业生态，深化大数据与高端技术行业的融合，提高高端技术行业的产出效率。中西部地区应首先提高制造业的信息化和自动化水平，加快自身制造业全面数字化转型，夯实大数据应用基础；其次优化市场竞争和创新环境，围绕着制造业价值链形成专业分工集聚效应，并通过产业关联和技术溢出提升高端技术行业的产出比例和劳动生产效率，同时推动传统制造业转型升级。