数字基础设施建设如何影响企业全要素生产率？——基于“宽带中国”战略的准自然实验

郭金花 郭檬楠 郭淑芬

(1.山西财经大学工商管理学院，山西 太原 030006；2.山西财经大学会计学院，山西 太原 030006；3.山西财经大学资源型经济转型协同创新中心，山西 太原 030006)

一、引言

加快推进数字化转型是实现经济高质量发展的重要抓手，数据作为关键生产要素，其叠加效应、倍增效应正在快速释放。根据中国信通院数据，2002―2019年中国数字经济总量从1.2万亿元增加到35.8万亿元，规模增长28.5倍，远高于同期GDP增速。数字基础设施是数据流动的“信息高速公路”，数字经济的深层次发展离不开数字基础设施的支撑(赵涛等，2020)[34]。2020年3月，习近平总书记明确指出“加快5G网络、数据中心等新型基础设施建设进度”，以充分发挥数字化驱动引领作用，大力打造经济高质量发展新引擎。企业是引领经济高质量发展的中坚力量，宽带网络、大数据中心等数字设施的涌现以及数字技术的快速普及，改变了企业产品服务的形态以及生产经营、合作竞争的模式(余江等，2017)[32]，压缩了企业间互动合作的时空距离，有利于实现互补性资源的共享匹配，对优化要素配置效率、释放要素潜力，进而促进企业全要素生产率提升产生了深刻影响。

2013年8月，国务院首次发布了“宽带中国”战略实施方案(《国务院关于印发“宽带中国”战略及实施方案的通知》)，宽带网络基础设施建设正式上升为国家战略。作为国家新型数字基础设施建设的重要举措，“宽带中国”战略旨在推进宽带网络基础设施建设，着力提升宽带用户规模，推进宽带网络提速，增加数字化网络覆盖范围，以服务地区经济社会发展。截至2020年底，工业和信息化部、国家发展和改革委员会分别于2014年、2015年和2016年分三批共遴选出120个城市(群)作为“宽带中国”示范点，为我国推进数字化转型提供了广阔的发展空间。“宽带中国”战略实施带来了实体经济高质量发展新机遇，在实现动力转换、效率变革等方面有显著的促进效应，也将会从各个层面影响和冲击企业经营管理和运行效率。数字技术革命中，众多企业的生产研发模式、组织结构和生态系统发生了改变，促使企业重新思考和创新其企业战略与商业模式以获取持续竞争优势(Bouwman et al.，2019；陈岩等，2020)[4][16]。那么，以“宽带中国”战略试点为标志的数字基础设施建设对企业全要素生产率生产了怎样的影响，具体作用机制是什么？深入探究该问题对推进企业数字化转型及优化企业资源配置效率具有重要的理论与实践意义。

通过文献梳理发现，一方面，现有研究关注了数字经济、网络基础设施对经济发展、技术创新等的影响。如部分学者指出，数字经济发展能改善地区要素错配水平(张永恒和王家庭，2020)[33]、提升创业活跃度从而赋能高质量发展(赵涛等2020)[34]；也有研究指出经济增长速度受到电信等网络基础设施的影响(Koutroumpis，2009；郑世林等，2014)[11][36]，互联网快速发展成为了新时代推动区域创新效率提升的新动能(韩先锋等，2019)[18]，“宽带中国”试点通过技术创新、产业结构升级及缓解资源错配等途径促进了城市全要素生产率增长等(刘传明和马青山，2020)[21]。另一方面，目前也有学者认识到数字技术应用对企业发展及企业生产率的积极作用，但就数字基础设施建设如何改变企业生产的投入、产出关系，进而影响企业生产率等还存在较大的研究空白。学者们指出企业生产率受公司内部因素(管理技能、信息通信技术、商业网络和创新等)和外部因素(如竞争程度、技术发展、教育水平、集聚经济和专业化程度等)的影响(Marchese et al.，2019)[13]，如研发投入(王薇和艾华，2018)[29]、政府研发补贴的增加(Carboni，2011)[5]、所得税率的降低(郑宝红和张兆国，2018)[35]、信息化冲击(石大千等，2020)[25]等均能有效提高企业全要素生产率；也有部分学者就数字技术对企业创新、技术合作等的影响进行了探究，指出互联网等数字技术融合推动了企业产品和流程创新(Teece，2018)[14]；良好的网络基础设施不仅促进了上市公司向内部子公司的技术知识扩散，也促进了上市公司与外部其他公司的技术合作等(薛成等，2020)[31]。综上可知，目前关于数字基础设施建设宏微观经济效应的实证研究较为零散，鲜有研究从宏观“宽带中国”战略试点切入，对数字基础设施建设与企业全要素生产率间的因果关系进行系统探究，也鲜有研究进一步深入考察数字基础设施建设通过何种路径影响企业全要素生产率等科学问题。

基于此，本文以2007―2019年中国沪深A股上市公司数据为研究样本，实证考察数字基础设施建设对企业全要素生产率的影响机制。主要贡献体现在：第一，以“宽带中国”战略为准自然试验，从微观企业角度考察数字基础设施建设的经济效果，丰富与拓展了试点政策微观经济效果评估的研究；第二，从数字基础设施建设视角剖析影响企业全要素生产率的因素，能为丰富企业全要素生产率影响因素研究的文献体系提供经验证据与理论借鉴；第三，从企业人力资本投入、融资约束与经营成本方面分析数字基础设施建设影响企业全要素生产率的作用路径，有助于揭示数字基础设施建设影响企业全要素生产率的内在机理。

二、理论机制分析

数字基础设施是以数据、软件、芯片、通信及分子涂层等“数字材料”为主体构建的软硬件一体的基础设施(陈维宣和吴绪亮，2020)[15]，涉及网络通信、数据中心、云计算及工业互联网等以及各类数字平台载体(高升，2020；王开科等，2020)[17][28]。宽带网络、大数据中心及5G基站等数字设施的涌现，促进了企业间的互动合作与知识信息流动，有利于企业实现互补性资源的共享匹配、缓解资源错配等(刘传明和马青山，2020)[21]，对优化要素配置效率、释放要素潜力，进而促进企业全要素生产率提升产生了深刻影响。“宽带中国”战略作为推进数字基础设施建设的重要举措，使得宽带网络覆盖范围不断扩大，云计算、物联网及数字金融等新兴业态蓬勃发展。截至2021年，中国共批复了三批“宽带中国”试点城市，实现了覆盖扩面、传输提速、降低资费等目标，让企业享受到了网络改善带来的红利，并对试点地区企业全要素生产率改善发挥了重要作用。具体体现在以下方面：

第一，数字基础设施建设通过替代人力资本投入促进企业全要素生产率增长。互联网资源配置机制之于人力资本的替代性在于人工智能对低技能就业岗位和高技能就业岗位的冲击(何大安和任晓，2018)[19]。从优化传统要素来看，人工智能服务可以通过使用更便宜的资本，补充或替代劳动力，推动生产率提升(Graetz and Michaels，2018)[7]。当然，人工智能在很大程度上替代低技能就业岗位的同时，也会在一定程度和范围内替代部分高技能就业岗位(Benzell et al.，2015)[3]，但总体而言人工智能在减少低技能就业岗位的同时会创造出一些高技能就业岗位(Acemoglu and Restrepo，2016)[1]。同时，数字技术的普及促进了企业知识重组与知识转移能力等，进而影响企业的人力资本竞争优势。如对于基于隐形知识提供专业技能的人力资本，企业能够利用数字平台的连接性，促进高级人力资本之间交流学习，增强企业以专业技能为基础的人力资本的竞争优势(Banalieva and Dhanaraj，2019；陈岩等，2020)[2][16]。因此，数字技术在促进自动化生产时替代了部分人力资本投入，且对于要求较高、难以实现自动化的岗位，能够帮助提升和改进企业的生产效率。

第二，数字基础设施建设通过缓减融资约束对企业全要素生产率产生促进作用。企业能否获得充足的资金维持生产经营及创新活动，取决于其自身融资能力以及外部金融环境的有效性(解维敏和方红星，2011；Hottenrott and Peters，2012)[20][9]。“宽带中国”战略实施使得宽带网络覆盖范围不断扩大，数字金融等新兴业态蓬勃发展，对缓解企业融资约束，进而促进企业全要素生产率提升发挥了重要作用。企业被置于大数据、云计算等“互联网+”环境中，有利于建立基于互联网平台的借贷市场来破解融资约束问题(刘满凤和赵珑，2019)[22]：一方面，数字金融发展拓宽了融资渠道、增加了融资数量，企业能以相对较低的成本高效地吸纳分散的投资者，并借助其多样化服务模式多维度拓宽融资渠道以实现融资、支付、投资等金融服务(万佳彧等，2020)[26]；另一方面，基于互联网金融的企业融资平台及融资机制有利于增强企业信息搜集能力，促进金融主体间的联结，在一定程度上能有效降低借贷市场中相关环节的信息不对称性，拓宽金融服务内容和边界(万佳彧等，2020)[26]，进而优化了金融资源配置效率，帮助企业缓解融资约束促进企业全要素生产率提升。

第三，数字基础设施建设通过降低经营成本促进企业全要素生产率增长。从企业管理来看，智能服务、数字平台等数字技术不断嵌入，改变了企业传统的生产经营、业务流程管理与组织结构架构等，能有效降低企业内外部管理及协调成本(石大千等，2020)[25]，进而对企业全要素生产率发挥重要影响。一是数字基础设施的完善及数字技术应用优化了原有的生产经营流程，促使企业生产、销售及服务等环节模块化与集成化，重塑了企业的价值创造链条，使得企业以较少的资源要素投入实现更多的产出(Huang et al.，2017)[10]，有利于降低企业的生产经营成本，提高生产研发效率。二是数字基础设施建设推进了企业数字化转型，促使企业部门层级网络化，强化了各部门之间的协同作业与无缝连接，如能够降低企业研发人员间技术交流时间和团队间的协作成本(Forman and Zeebroeck，2012)[6]，大大降低企业内部的管理成本，使人财物和信息等资源进行有效配合，提升了企业组织管理效率。此外，数字技术应用拓展了企业获取信息的深度和广度(祁怀锦等，2020)[24]，企业借助数字平台进行资源和知识搜索，可以大幅降低企业对外部知识信息的搜集成本、减少中间消耗等，从改善企业整体全要素生产效率。基于此，本文提出以下研究假设：

H1：数字基础设施建设有利于促进企业全要素生产率提升；

H2：数字基础设施建设可通过替代企业部分人力资本投入、缓减融资约束及降低经营成本等传导路径影响企业全要素生产率。

三、研究设计

(一)模型构建

为识别数字基础设施建设对企业全要素生产率的平均影响效应，本文以“宽带中国”战略试点政策为准自然实验，采用双重差分模型进行检验。同时，考虑到“宽带中国”战略试点是于2014年、2015年与2016年分三批逐步推进的，而传统双重差分模型仅适用于评估单一时点的政策效应，因此，这里构建多期双重差分模型进行检验，具体如下：

其中，tfp表示企业全要素生产率；digdid表示数字基础设施，其系数α1反映数字基础设施建设对企业全要素生产率的平均影响效应；α0表示截距项，controls表示控制变量，i表示企业个体，t表示年份；μi表示个体固定效应，vt表示年度固定效应，εit为随机扰动项。

进一步地，为反映该影响效应是否存在时滞性和持续性等，本文将“宽带中国”战略试点的政策冲击逐年打开，将平均影响效应进行分解替换为各年份虚拟变量digdidt(t=0,1,2,3,……)，具体地，digdid0表示试点政策实施当年取值1，否则取值0；digdid1表示试点政策实施后的第一年取值1，否则取值0；digdid2表示试点政策实施后的第二年取值1，否则取值0，其他以此类推。具体模型如下：

同时，为验证数字基础设施建设可通过替代人力资本投入、缓减融资约束和降低经营成本等对企业全要素生产率产生影响，本文结合中介效应模型的构建步骤，在模型(1)基础上，依次构建了模型(3)与模型(4)进行检验。

其中，模型(3)与模型(4)中inmedia表示中介变量，包括人力资本投入(labor)、融资约束(abssa)、经营成本(rpc)。模型(3)中digdid的系数γ1表示数字基础设施建设对中介变量的影响效应，若该模型中digdid的系数γ1与模型(4)中inmedia的系数η2均显著，则表明inmedia变量是数字基础设施建设影响企业全要素生产率提升的传导路径。

(二)相关变量与数据说明

1.被解释变量

借鉴Levinsohn and Petrin(2003)[12]的研究，本文通过采用LP方法估算企业全要素生产率(tfp)，估计模型为：

lnYit=δ0+δ1lnKit+δ2lnLit+δ3lnMit+µi+vt+εit(5)

其中，产出(Y)采用企业主营业务收入的自然对数衡量，资本(K)采用企业固定资产净额的自然对数衡量，劳动(L)采用企业员工人数的自然对数衡量，中间投入(M)采用公司购买商品、接受劳务实际支付现金的自然对数衡量。

2.解释变量

对于数字基础设施变量(digdid)的衡量，本文根据“宽带中国”战略试点实施与否进行衡量。首先，根据“宽带中国”战略试点实施与否，将“宽带中国”试点城市内的企业视为实验组，将非试点城市内的企业视为控制组；其次，生成政策虚拟变量(digdid)，根据不同城市进行“宽带中国”战略试点时间，将“宽带中国”战略试点当年及之后年度的实验组样本赋值为1，试点之前的实验组样本赋值为0，其余控制组样本赋值为0。

3.机制变量

人力资本投入(labor)采用ln(支付给职工以及为职工支付的现金/员工人数)进行衡量；融资约束(abssa)采用由Hadlock and Pierce(2010)[8]提出和构建的SA指数进行衡量，即SA=-0.737×lnasset+0.043×lnasset2-0.04×ssage，其中，asset表示企业资产规模，ssage表示企业上市时间；经营成本(rpc)，借鉴王玺和刘萌(2020)[30]的研究，采用企业的成本费用利润率衡量，即利润总额/(营业成本+期间费用)×100%。

4.控制变量

借鉴相关研究，选取企业层面的控制变量包括：企业规模(lnasset)，总资产的自然对数；资产负债率(lev)，总负债与总资产的比值；企业成长性(growth)，营业务收入增长率；存货周转率(lnchzz)，以营业成本与存货期末余额比值的自然对数衡量；研发投入(rd_input)，研发投入与企业总资产比值；独立董事比例(indep)，独立董事人数与董事会人数之比；资本性支出(money)，公司资本性支出与总资产的比值；企业年龄(lnclage)，公司成立时间的自然对数；股权集中度(first)，第一大股东持股比例；总资产收益率(roa)，企业税后利润与总资产的比值；产权性质(soe)，国企取值为1，否则为0。同时，控制的城市特征变量包括：经济发展水平(lngdp)，用各地区生产总值的对数衡量；产业结构水平(indu)，用第三产业增加值与第二产业的比值衡量；政府干预水平(gov)，用各地区政府财政支出占GDP的比值衡量；金融发展水平(depo)，用各地区金融机构贷款总额与GDP的比值衡量；外商投资(fdi)，用各地区外商投资额与GDP的比值衡量。

本文选取2007―2019年中国沪深A股上市公司为研究样本，数据主要来源于CSMAR数据库；“宽带中国”战略试点城市数据来源于2014年、2015年和2016年的《工业和信息化部办公厅发展改革委办公厅关于开展创建“宽带中国”示范城市(城市群)工作的通知》。1本文依据上市企业注册地相关的文本信息与“宽带中国”战略试点所涉及的地级市信息识别试点地区企业样本并进行数据匹配。同时，本文剔除了ST、SST、*ST和S*ST的上市公司、金融业上市公司等存在异常或者缺失的样本数据，最终得到27337个观测值。此外，为控制极端值干扰，本文对变量进行了上下1%的缩尾(winsorize)处理。各变量的描述性统计结果见表1。

表1 变量描述性统计结果

四、实证结果与分析

(一)基准回归分析

1.共同趋势检验

尽管使用双重差分模型不要求实验组和控制组是完全一致的，但两组之间在政策实施之前具有共同发展趋势是该模型重要的前提。本文根据研究基础数据绘制了2007―2019年企业全要素生产率年度变化的趋势图，由图1可知，2013年及之前年份实验组与控制组样本企业全要素生产率变化基本一致，而2013年之后，实验组与控制组样本间企业全要素生产率的差距逐步凸显，初步判断“宽带中国”战略试点前两组研究样本满足共同趋势。同时，结合构建的模型(2)检验“宽带中国”战略实施前后对企业全要素生产率影响的共同趋势及动态变化。具体结果见图2与表2中列(4)。图2中圆点表示政策效应系数大小，短竖线表示置信区间。由图2可知，“宽带中国”战略试点前四个年度的估计系数值均接近于0，且统计上不显著，表明“宽带中国”战略实施之前，企业全要素生产率变化没有显著差异，即满足共同趋势假设；而“宽带中国”战略实施之后，其对企业全要素生产率的影响系数随着时间呈现波动式增大趋势。

表2 基准回归结果

图1 企业全要素生产率年度变化趋势

2.平均效应与动态效应

图2 共同趋势检验

结合前文理论分析，本文采用双重差分模型进行实证检验，由表2基准模型回归结果的列(1)～(3)可知，数字基础设施变量(digdid)的系数均显著为正，其中，列(1)为仅控制年度固定效应的回归结果，数字基础设施变量(digdid)的回归系数为0.018，且在10%水平下显著为正；列(2)为控制年度和公司固定效应的估计结果，数字基础设施变量(digdid)的回归系数为0.023，且在1%水平下显著为正；列(3)为同时控制了年度、公司和地区固定效应的估计结果，数字基础设施变量(digdid)的回归系数为0.023，且在1%水平下显著，这表明以“宽带中国”为试点的数字基础设施建设有利于促进企业全要素生产率提升，验证了假设H1。

进一步地，本文将“宽带中国”战略试点政策冲击效应逐年打开，结合表2列(4)可知，“宽带中国”战略试点当年digdid0的回归系数不显著，但从试点政策后一年开始数字基础设施建设的政策效果开始逐步显现，digdid1、digdid3、digdid4与digdid5对应的回归系数依次为0.060、0.114、0.075和0.095，且依次在10%、1%、5%与5%水平下显著。这说明以“宽带中国”为试点的数字基础设施建设对企业全要素生产率增长的影响效应存在一定的时滞性和持续性，政策影响效果在试点政策后的第一年开始显现且呈现出波动增强趋势。

(二)稳健性检验

1.安慰剂检验

尽管本文的实验组和控制组在政策试点之前满足平行趋势假设，但仍要考虑企业全要素生产率的变化是否由于同一时期其他政策或随机因素引起的，为排除这种可能，这里进行了安慰剂检验。具体地，本文通过模拟，在3416家企业中随机选择企业样本进行100次抽样，每次抽样随机选出2487家企业作为虚拟实验组，剩余929家企业作为对照组按模型(1)进行回归，随机抽样100次得到估计系数的核密度分布如图3所示。结果显示，绝大多数抽样估计系数t值的绝对值都在2以内，且p值都在0.1以上，这说明在这100次抽样中政策试点变量的估计系统大部分未通过显著性检验，即未被观测到的随机因素并不会影响模型的估计结果，通过了安慰剂检验。

图3 核密度分布

2.变换因变量估计方法—Wooldridge估计

为验证估计结果的稳健性，本文在LP估计的基础上，采用Wooldridge(2009)提出的基于GMM估计法对企业全要素生产率再次进行估计。相比LP估计法，该方法克服了ACF提出的在第一步估计中潜在的识别问题，同时该方法在考虑序列相关和异方差的情况下能够得到稳健标准误。具体结合表3列(1)中Wooldridge估计的回归结果可知，以“宽带中国”为试点的数字基础设施建设对企业全要素生产率影响的回归系数为0.028，且在1%水平下显著为正，与基准回归结果保持一致。

3.PSM-DID检验

为缓解样本选择偏差引起的内生性，本文进一步采用PSM-DID方法进行稳健性检验。首先，结合实验组与控制组特征，选取企业规模、资产负债率、企业成长性、存货周转率、独立董事比例及企业年龄等作为匹配特征变量x，通过Logit回归得到倾向值得分，具体模型为：Logit(yi)=βixit+εit，其中，xit为匹配特征变量集，yi为分组变量。其次，对政策试点地区样本与非试点地区样本进行1:1邻近匹配，得到配对成功后的实验组样本并再采用双重差分模型进行回归。由表3列(2)知，数字基础设施建设对企业全要素生产率提升的回归系数为0.078，在5%水平下显著为正，验证了研究结论的稳健性。

4.Heckman两阶段检验

为缓解样本自选择偏误引起的内生性，采用Heckman两阶段方法检验。首先，构建“宽带中国”战略政策试点决定因素模型，采用Probit回归估计，计算出逆米尔斯比率(imr)2；其次，将逆米尔斯比率(imr)作为控制变量加入到模型中进行回归。由表3列(3)可知，数字基础设施建设对企业全要素生产率提升的回归系数在1%水平下显著为正，表明排除样本自选择偏误引起的内生性问题之后基准回归结论依然稳健。

表3 稳健性检验

五、作用机制分析与异质性检验

(一)作用机制分析

上文实证结果表明，数字基础设施建设有利于促进企业全要素生产率提升，那么其影响机制是什么？本文在模型(1)的基础上，依据模型(2)与(3)，依次检验数字基础设施建设是否通过替代人力资本投入、缓减融资约束与经营成本等作用机制对企业全要素生产率提升产生积极影响，回归结果见表4。

表4 作用机制分析

结合表4，列(1)～列(2)为数字基础设施、人力资本对企业全要素生产率影响的回归结果。列(1)中数字基础设施变量(digdid)的回归系数为-0.023，且在5%水平下显著，表明数字基础设施建设有利于企业降低人力资本投入；列(2)中同时加入数字基础设施变量(digdid)、人力资本变量(labor)后，digdid的回归系数为0.028，labor的回归系数为0.218，且均在1%水平下显著，验证了人力资本是数字基础设施建设影响企业全要素生产率提升的重要传导路径；进一步，Sobel检验3也证实了人力资本变量中介效应的存在性，并通过计算可知，人力资本传导路径的间接效应约占总效应的18.31%。这表明数字基础设施建设可以通过替代企业人力资本投入促进全要素生产率提升，究其原因，数字基础设施建设推动了企业数字化转型，企业内简单的、标准化的重复劳动逐步被自动化的数字技术替代，如人工智能机器人能替代低技能人力资本从事这些劳动，简单操作岗位大大减少，从而促进了企业全要素生产率提升。

表4中列(3)～列(4)为数字基础设施、融资约束对企业全要素生产率影响的回归结果。列(3)中数字基础设施变量(digdid)的回归系数为-0.003，且在5%水平下显著，表明数字基础设施建设有利于缓减企业融资约束；列(4)中同时加入数字基础设施变量(digdid)、融资约束变量(abssa)后，digdid的回归系数为0.023，abssa的回归系数为0.137，且依次在1%与5%水平下显著，验证了缓减融资约束是数字基础设施建设影响企业全要素生产率提升的传导路径；进一步地，结合Sobel检验可知融资约束传导路径的间接效应约占总效应的2.36%。这表明数字基础设施建设可以通过缓减融资约束促进企业全要素生产率提升，但整体而言间接效应较小。

同理，由列(5)～列(6)知，列(5)中数字基础设施变量(digdid)的回归系数在5%水平下显著为负，表明数字基础设施建设有利于降低企业经营成本；列(6)中数字基础设施变量(digdid)与经营成本变量(rpc)的回归系数依次为0.019与-0.118，且依次在5%与1%水平下显著，验证了降低经营成本是数字基础设施建设影响企业全要素生产率提升的重要传导路径；同时，结合Sobel检验可知经营成本传导路径的间接效应约占总效应的24.49%。这表明数字基础设施建设可以通过降低企业经营成本促进企业全要素生产率提升。

(二)异质性检验

考虑到企业产权性质、规模大小和要素密集度等差异，本文进一步考察数字基础设施建设对不同类型企业全要素生产率影响的异质性。

依据企业产权性质将样本划分为国有企业和非国有企业子样本，以检验数字基础设施建设对不同产权性质企业全要素生产率的影响差异。结合表5列(1)～列(2)可知，数字基础设施建设对国有企业全要素生产率的回归系数为0.045，且在1%水平下显著为正，而对非国有企业全要素生产率的影响未通过显著性检验，这表明数字基础设施建设促进了国有企业全要素生产率提升，而对非国有企业全要素生产率的影响不明显。可能原因在于，国有企业是推进新基建主力军之一，目前不少国有企业在大数据中心、工业互联网、人工智能、云计算等先进数字领域不断取得重大突破，如多家中央企业建成集团级数据中心，搭建了以“航天云网”“中电互联”为代表的多个工业互联网平台；而许多非国有企业则在数字化转型过程中存在着比国有企业更多的进入壁垒，如资本障碍、技术障碍和政策阻碍等方面。

表5 异质性检验

依据企业规模大小的中位数将样本划分为中小型企业和大型企业子样本，以检验数字基础设施建设对不同规模企业全要素生产率的影响差异。结合表5列(3)～列(4)可知，数字基础设施建设对中小型企业全要素生产率影响的回归系数未通过显著性检验，而对大型企业全要素生产率的回归系数为0.024，且在5%水平下显著为正，这表明数字基础设施建设促进了大型企业全要素生产率提升，而对中小型企业全要素生产率的影响不明显。究其原因，限于资源约束，多数中小型企业受人才、资金等约束只能进行简单的信息化应用(汪淼军等，2006)[27]，很难在短期内通过技术改造、业务云化等推进生产、研发等关键环节的数字化转型；而大中型企业具有雄厚的资金和技术优势，更容易在数字化转型的浪潮中获取竞争优势。

参考鲁桐和党印(2014)[23]的研究，本文结合上市公司所属行业类型，将样本划分为劳动密集型、资本密集型与技术密集型企业子样本，以检验数字基础设施建设对不同要素密集型企业全要素生产率的影响差异。结合表5列(5)～列(7)可知，数字基础设施建设对技术密集型与资本密集型企业全要素生产率的影响均未通过显著性检验，而对劳动密集型企业全要素生产率影响的回归系数为0.063，且在1%水平下显著，这表明数字基础设施建设在一定程度上促进了劳动密集型企业全要素生产率提升，而对技术密集型与资本密集型企业全要素生产率的影响不明显。究其原因，相比于技术密集型与资本密集型企业而言，劳动密集型企业生产和经营过程中主要依靠大量劳动力，数字基础设施建设推进了劳动密集型企业智能化改造，将传统的靠密集劳动力重复输出为代价进行产品加工、组装等工作，交给了自动化、智能化的机器人来完成，使得企业生产制造实现标准化、模块化和系列化等，进而对该类企业全要素生产率提升的促进效应明显。

六、结论与启示

本文以“宽带中国”战略试点为准自然实验，考察了数字基础设施建设对企业全要素生产率的影响，主要得到以下结论：第一，数字基础设施建设有利于促进企业全要素生产率提升，共同趋势检验、安慰剂检验及PSM-DID检验等均表明研究结论具有稳健性；第二，数字基础设施建设可通过替代部分人力资本投入、缓减融资约束和降低经营成本等促进企业全要素生产率提升；第三，数字基础设施建设促进了国有企业全要素生产率提升，而对非国有企业全要素生产率影响不显著；分企业规模检验表明，数字基础设施建设对大型企业全要素生产率提升的促进作用明显，而对中小型企业全要素生产率的影响不显著；分要素密集度检验表明，数字基础设施建设对劳动密集型企业全要素生产率的促进作用明显，而对资本密集型和技术密集型企业全要素生产率的影响不显著。

基于研究结论，本文得到如下政策启示：

第一，深入推进“宽带中国”战略试点，扩大宽带网络等数字基础设施的覆盖范围，完善各地区网络宽带软硬件基础设施建设，以期为企业数字化转型提供良好的基础环境。同时，应以普惠为导向提升薄弱地区宽带网络等数字基础设施的覆盖范围，促进数字网络资源配置的均等化，循序渐进推动“宽带中国”红利为更多地区的企业公平享受。

第二，引导与鼓励企业更好地利用数字基础设施的赋能效应进行智能化建设，以推动企业智能升级与数字化转型，优化资源配置效率，促进企业全要素生产率提升。一方面，依托宽带网络、大数据中心等数字设施，企业应全面提高适应数字化转型的企业管理能力，构建移动化、网络化的管理体系，推动管理变革，以提升企业组织管理效率；另一方面，引导企业开展数字化建设，提高企业生产、研发及服务等关键环节的智能化水平，重塑价值创造链条，促进企业进行智慧生产和融合创新，提高生产研发效率。

第三，借助数字基础设施等智能平台构建多元化融资渠道及融合创新平台等，鼓励各类企业进行信息交流与技术分享，既可降低企业的内外部经营成本、有效解决企业开展创新活动的融资需求，又可强化各类资源的开放和共享。

第四，针对产权性质各异、规模大小不一等的企业，在推进数字化基础设施建设过程中，应通过制定多层次支持模式加强政府的有效监管，将有限的政府资金用于支持专业智能平台等新型数字基础设施建设，降低中小企业数字化建设的门槛，以提升这类企业的创新活力与资源配置效率。 ■

注释

1. “宽带中国”战略试点城市主要包括：(1)2014年试点城市：北京、天津、上海、长株潭城市群、石家庄、大连、本溪、延边朝鲜族自治州、哈尔滨、大庆、南京、苏州、镇江、昆山、金华、芜湖、安庆、福州(平潭)、厦门、泉州、南昌、上饶、青岛、淄博、威海、临沂、郑州、洛阳、武汉、广州、深圳、中山、成都、攀枝花、阿坝藏族羌族自治州、贵阳、银川、吴忠、阿里尔。(2)2015年试点城市：太原、呼和浩特、鄂尔多斯、鞍山、盘锦、白山、扬州、嘉兴、合肥、铜陵、莆田、新余、赣州、东营、济宁、德州、新乡、永城、黄石、襄阳、宜昌、十堰、随州、岳阳、汕头、梅州、东莞、重庆市江津区、重庆市荣昌区、绵阳、内江、宜宾、达州、玉溪、兰州、张掖、固原、中卫、克拉玛依。(3)2016年试点城市：阳泉、晋中、乌海、包头、通辽、沈阳、牡丹江、无锡、泰州、南通、杭州、宿州、黄山、马鞍山、吉安、烟台、枣庄、商丘、焦作、南阳、鄂州、衡阳、益阳、玉林、海口、九龙坡、北碚、雅安、泸州、南充、遵义、文山壮族自治州、拉萨、林芝、渭南、武威、酒泉、天水、南宁。

2. 逆米尔斯比率的作用是为每一个样本计算出一个用于修正样本选择偏差的值，如果逆米尔斯比率大于0，表明样本存在选择性偏差，此时，采用Heckman两步法选择模型估计是恰当的修正。