数字技术对中国制造业增长速度及质量的影响

陈楠 蔡跃洲

摘 要：在新发展阶段，为了提高中国制造业国际竞争力、实现高质量发展，须加快推进数字技术与制造业深度融合，保持合理增长速度的同时提升发展质量。本文基于2001年至2017年我国27个制造业细分行业的面板数据，以数字技术专利统计量作为技术进步和渗透应用的代理变量，对轻纺制造业、资源加工业、机械设备制造业三大类别进行分组回归。结果表明，数字技术对制造业增长的促进作用具有显著的行业异质性特征，集中体现在机械设备制造业，而对轻纺制造业和资源加工业的渗透影响不足。以机械设备制造业为样本的机制检验结果表明，数字技术主要通过提高成本利润率、减少用工数量、降低用工成本等路径提高制造业的增长质量，而在提升产品质量、促进创新等方面的影响有限。

关键词：制造业增长；数字化转型；专利应用分类；行业异质性；影响机制

一、引 言

2021年是我国“十四五”规划的开局之年。经过“十三五”时期的不懈努力，我国已实现全面建成小康社会的第一个百年目标，正大步迈进实现全面建成社会主义现代化国家第二个百年目标的新阶段。新发展阶段，我国经济发展的特征和重心也发生了转变，从高速增长转向了以质量变革、效率变革和动力变革为驱动的高质量发展。制造业是经济社会发展的物质基础和实体经济的主体，制造业高质量发展是支撑我国宏观经济高质量发展的关键所在。然而，随着劳动力供给、碳减排等外部约束不断收紧，我国制造业快速增长所依赖的传统成本优势大大削弱，迫切需要寻找产业转型升级的新出路。2010年以来，以大数据、云计算、人工智能为代表的新一代信息技术/数字技术快速发展，在全球范围内驱动新一轮科技革命和产业变革加速演进，数字化转型成为制造业发展的重点方向。美国、德国、日本、韩国等发达经济体加速布局与数字技术深度融合的先进制造业，旨在重振实体经济，抢占新一轮科技革命和产业变革的制高点（陈楠和蔡跃洲，2020）。我国也高度重视制造业与数字技术的融合发展，自2015年起，先后出台了《中国制造2025》《国务院关于深化制造业与互联网融合发展的指导意见》《智能制造发展规划》《工业互联网发展行动计划》等一系列政策和规划。《国民经济和社会发展第十四个五年规划和2035年远景目标纲要草案》（以下简称“十四五”规划纲要）更是明确“坚持把发展经济着力点放在实体经济上，加快推进制造强国、质量强国建设……保持制造业比重基本稳定，增强制造业竞争优势，推动制造业高质量发展”。这表明“十四五”期间，我国制造业的高质量发展既要保持合理的增长速度，又要提升增长质量。

不少国内学者将数字化转型视为实现我国制造业高质量发展的重要途径和关键所在（吕铁，2019；赵剑波，2020；李英杰和韩平，2021），相关领域的學术研究也取得了丰富成果。在宏观层面，数字技术凭借其技术—经济特征，广泛应用于生产制造各领域，通过要素贡献、效率提升、知识创造等路径，实现对制造业高质量发展的支撑作用，当然，数字技术的增长促进作用依然存在“索洛悖论”带来的滞后效应（蔡跃洲和张钧南，2015；蔡跃洲和陈楠，2019）。在微观层面，数字技术的应用能够提高企业在产品研发、运营管理、市场营销、生产制造等各个环节的绩效表现（肖静华，2020；谢康等，2020；池毛毛等，2020）。然而，在行业层面，数字技术推动制造业高质量发展的影响机制以及制造业内部的行业异质性特征等问题，既有研究并未给予特别的关注。此外，相关领域实证研究多使用工业机器人和企业调研数据表征数字技术进步，与实际的技术发展和应用范畴之间还存在较大差别，降低了分析结果的有效性和稳健性。为此，本文在已有文献的基础上，选取数字技术专利数据表征技术进步和渗透应用，按照数字技术的应用领域，将专利数据与技术应用行业进行匹配，从行业异质性角度，考察数字技术对中国制造业增长速度及增长质量的影响，以期更加准确地刻画数字技术在我国制造业细分领域的应用和影响现状，深入理解数字技术推动我国制造业高质量发展的影响机制，为继续推进我国制造业的数字技术应用、数字化转型提供理论和实证支撑。

二、文献综述及研究思路

（一）制造业数字化转型及其行业异质性特征

2010年以来，新一代信息技术/数字技术加速商业化应用，已渗透至生产生活各个方面，其中，数字技术与传统产业，特别是数字技术与制造业的融合发展备受各界关注。与传统的信息通信技术相比，以新一代人工智能为代表的数字技术具有快速识别数据之间的复杂关系、稳定提升数据分析结果、敏捷适应外部变化等优势特征，特别适合应用于生产制造领域（Schuh等，2019）。因此，在技术发展的初期，数字技术就获得了较为广泛的关注和应用。早在2015年，《麻省理工斯隆管理评论》（MIT Sloan Management Review）与德勤（Deloitte）开展的一项全球企业数字化调研就发现，在超过4800位受访者中76%认为数字技术对其任职企业非常重要，92%相信数字化转型对企业未来三年的发展意义重大。企业数字化转型成熟度的自我评估结果也表明，26%的受访企业处于转型初期，45%处于发展期，而29%已经进入成熟期（Kane等，2015）。

为了对技术应用企业和行业提供指导和建议，也对既有数字化转型工作开展评估和考核，国内外学者尝试对数字化转型模式和路径进行归纳提炼，并构建转型成熟度评估模型和数字化指标体系。Oks等（2017）和Jeschke等（2017）在详细阐释工业互联网（IIoT）、信息物理系统（CPS）、网络制造系统（CMS）等相关概念的基础上，指出数字技术的应用需要企业具备相应的技术、组织和人力资源基础，并提出了包含智能工厂、智能产品、智能服务、智能数据等多个模块的数字化转型路线图。许多国外学者以传统的IT系统成熟度模型为理论基础，构建了适用于数字技术的成熟度评估模型，评估维度通常包含战略和组织、产品和服务、生产制造、业务运营、数据资产、人力资源等多个领域（Schumacher等，2016；Christian等，2016）。国内学者也尝试构建了数字化评估指标体系。万伦等（2020）从价值、要素和能力维度构建了制造业数字化转型参考框架，并基于框架给出了数字化转型评估体系，旨在帮助和指导技术应用企业的数字化转型实践。陈畴镛和许敬涵（2020）从技术变革、组织变革和管理变革三个方面构建了一套制造企业数字化转型能力评价指标体系，对浙江省新昌县的三家轴承制造企业进行了数字化转型能力评价，并基于评估结果提出了相关建议。作为制造业数字化转型的初期探索，上述研究内容和成果为数字化转型实践提供了理论支撑，也为后续研究奠定了基础。

随着研究的逐步深入，学者们发现在制造业内部，不同细分行业、生产类型的制造企业在数字技术应用场景、实施难度、预期收益等方面存在较大差异。例如，汽车制造和家电制造行业都具有生产规模大、对产品质量和生产效率要求高、市场需求向个性化多样化方向发展等特点（张清郁，2018；Wildgrube等，2018）。数字技术在汽车、家电制造行业的应用场景主要包括以数据共享为基础的大规模个性化定制、基于数据分析的产品优化和生产管理优化、供应链和产业生态构建等；数字化转型通常可以带来产品质量提升、成本降低、效率提升等较为直观的技术收益（Dremel等，2017；Rachinger等，2019；吕文晶等，2019；梁超和祝运海，2019；梁新怡等，2021）。与之类似的行业还包括大型飞机等航空航天设备制造行业，因其具有生产规模小、产品价值高、研制和生产周期长等特点，行业对协同程度有较高要求，数字化应用场景主要是基于机理模型的协同设计、仿真验证和生产工艺优化，同样可以带来效率提升、成本降低等直接收益（于勇等，2009）。然而，以钢铁、冶金等为代表的资源加工型制造业，以及纺织业等轻纺加工型制造业，在行业特征、数字化应用场景和预期收益方面与上述行业存在较大差异。例如，钢铁制造具有连续生产、资产价值高、工艺过程复杂等特点，对安全环保有较高要求（王龙等，2021）。以数字孪生为核心的智能工厂建设和数字化转型，更多关注提高安全生产水平、实现能耗管控、加强风控能力等领域（王春梅等，2018；刘玠，2020；姚林和王军生，2020）。纺织行业的数字技术应用案例以打通供产销的平台化经营案例为主（Jaw等，2016），且相关研究数量有限，也反映出轻纺加工型制造业的数字化渗透水平较低、应用场景不明确等问题。

（二）数字技术对制造业增长的影响

近年来，数字技术所带来的经济社会影响愈发显著，技术进步对制造业的影响也开始在相关行业统计数据和企业微观数据中有所体现，为该领域实证分析提供了数据基础。越来越多的经济学研究将其研究内容转向了数字技术对制造业转型升级、行业增长、效率提升等方面产生的影响，研究方法也从初期的案例学习、成熟度评估等，转向了数字化变量构建、计量回归等定量分析。许多国内外学者选择工业机器人数据作为数字技术的代理变量，验证其对于制造业生产效率（即增长质量）的影响。Kromann等（2011）将国际机器人联合会（International Federation of Robotics， IFR）公布的工业机器人数据和EU-KLEMS数据库进行匹配，以每百万工作小时的工业机器人使用数量作为数字技术的衡量指标，对制造业细分行业的生产率进行了面板回归分析。结果显示，无论从长期还是短期而言，数字技术对制造业生产率都具有显著的提升作用。李丫丫和潘安（2017）、李丫丫等（2018）以我国制造业统计数据和联合国贸发数据库（United Nations Conference on Trade and Development，UNCTAD）数据为样本，验证了工业机器人应用及工业机器人进口贸易对于我国制造业全要素生产率的促进作用。

基于企业公开信息或企业调查数据的数字化变量构建和计量分析也取得了显著进展。何帆和刘红霞（2019）基于46 978份企业公告数据，将企业是否实施数字化转型战略作为核心解释变量，考察了数字化变革对企业总资产收益率与净资产回报率的影响。戚聿东和蔡呈伟（2020）采用文本挖掘方法，构建了我国非高新技术制造业上市公司2011年至2018年数字化程度指标，并考察了数字化程度对企业绩效的多重影响及作用机理。刘飞（2020）使用我国制造业上市公司2007年至2019年年报数据，分析验证了制造业数字化转型对生产率的影响机制和效果。赵宸宇等（2021）基于上市公司微观数据，采用文本分析和专家打分相结合的方法构建企业数字化转型指数，从实证角度检验了数字化转型对制造业企业全要素生产率的影响。相关实证研究结果基本肯定了数字技术对于制造业企业投资收益、运营管理、市场销售、全要素生产率等多个方面的提升作用。

也有部分研究使用世界银行企业调查数据，考察互联网技术、数字化转型等对我国制造业企业的影响。王可和李连燕（2018）使用2012年世界银行对中国制造业企业的调查数据进行回归分析，结果表明互联网的应用促进了我国制造业创新活动的发展，提高了供应链上下游企业的信息分享意愿，且其本身也可以作为一种高效的商品销售和市场营销渠道，提升制造企业绩效表现。王莉娜（2020）基于世界银行中国企业调查数据，运用多分格主成分分析法构建了企业层面的数字化指数，并使用基于控制函数的分位数回归方法分析考察了数字化对中国企业的影响。研究发现，我国企业的数字化发展较好，但企业间发展水平不平衡；數字化对企业转型升级具有显著促进作用，但对不同类型的企业具有差异性影响。

（三）既有文献评述及后续研究思路

针对数字技术在制造业的应用以及技术对行业增长所产生的影响，既有研究在明确相关概念和内涵的基础上，归纳总结了制造业及其细分行业的数字化转型模式和路径，使用案例分析、指标构建、计量回归等定性和定量方法，梳理刻画了数字技术在生产制造领域的应用现状，分析验证了数字技术对制造业行业及企业的影响效果和机制。这些工作为理解数字技术与制造业发展的关系，从理论和实证上提供了有力支撑。当然，该领域研究还有以下问题亟待深入探讨。

一是实证研究的难点依然在于数字技术代理变量的选取，现有研究大多使用工业机器人数据和企业调查数据表征数字技术的发展和应用。其中，工业机器人仅能代表数字技术的一个分支，难以全面刻画数字技术的发展趋势和影响效果；而企业调查数据多来自走访调研、调查问卷或企业公开信息，受企业主观因素影响较大，影响实证结果的可靠性。

二是针对数字技术在制造业的应用，特别是细分行业之间异质性特征的研究，大多采用了案例学习的方法，归纳总结数字技术在典型企业、典型行业的应用模式，梳理技术进步对制造业的影响路径与机制。多数研究仅专注于某个细分领域，缺少行业之间的横向对比，且相关量化研究结果也十分有限。

三是有关数字技术影响的研究大多集中于数字技术在制造业整体或企业层面的效率促进作用（包括生产效率、投资收益、创新绩效等），而数字技术对制造业高质量发展的传导机制、影响程度等，还需要更加系统的研究和判断。另外，许多关于创新影响的量化研究使用企业自我评估结果作为被解释变量，难以获得客观的研究结论。

基于此，本文拟就数字技术对制造业增长速度及质量的影响，从细分行业异质性特征出发，在实证层面开展相关的分析和检验。具体安排如下：第三部分，从行业异质性视角出发，分析检验数字技术对制造业增长产生的影响。选取数字技术专利统计量作为实证分析的核心解释变量，按照数字技术的应用领域，将专利数据与技术应用行业进行匹配，从而获得我国制造业各细分行业数字技术专利应用的面板数据，并对其进行分组回归，据此分析验证数字技术对不同制造业类别带来的异质性影响。第四部分，主要关注数字技术对制造业增长质量的影响。在明确数字技术（应用）促进我国机械设备制造业增长的基础上，使用统计数据构建行业绩效指标，验证数字技术对制造业增长质量的影响，进一步梳理数字技术推动制造业高质量发展的影响机制。第五部分，研究结论及政策建议。归纳总结本文实证分析的主要结果，为继续推动数字技术在我国制造业的应用和行业数字化转型提出建议。

三、数字技术对制造业增长的影响及其行业异质性

（一）数字技术专利数据特征

为进一步补充和完善数字技术的代理变量，本文使用数字技术的专利申请量和授权量作为核心解释变量，用于表征数字技术在我国制造业领域的应用和发展。尽管专利数据本身存在无法涵盖未申请专利保护的技术发明和应用、专利质量参差不齐等弊端（Griliches， 1998），但相较于既有文献的变量选择，专利数据能够代表具有商业价值的技术进步，且更加直接地对应数字技术及其应用范围，可以为本文实证研究提供良好数据支撑，也可以作为既有研究的有益补充。 在中汽知识产权运营中心的数据服务支持下1，本文按照世界知识产权组织（World Intellectual Property Organization，WIPO）公布的信息通信技术（ICT）国际专利分类号（International Patent Code， IPC），将我国国家知识产权局专利数据中属于信息通信技术（即数字技术）范畴的相关专利进行提取。然后，基于专利文本分析，按照专利技术的应用领域，筛选出应用于制造业的数字技术专利，并与国民经济行业分类中的制造业细分行业进行匹配，从而得到1985年至2018年应用于31个制造业细分行业的数字技术专利申请量和授权量1，用于表征各细分行业的数字技术渗透应用及其技术进步状况。

1..数字技术专利的时间分布

图1展示了我国制造业数字技术专利申请和授权的逐年统计量。1985年至2018年期间，我国制造业领域的数字技术专利申请共计2 310 639件，专利授权共计1 281 723件。根据图1专利数量发展趋势，可以将数字技术在制造业的应用和发展大致划分为三个阶段：（1）2000年以前，制造业领域的数字技術积累较少且发展速度缓慢，相关专利申请和授权数量都非常有限。（2）2000年至2010年期间，传统信息通信技术在制造业的应用和发展进入稳步提升阶段，相关专利申请和授权量逐步积累至可观规模。（3）2010年以来，随着大数据、云计算、人工智能等新一代信息通信技术的兴起，我国制造业领域的数字技术专利进入快速成长阶段；特别是2015年以后，《中国制造2025》《新一代人工智能发展规划》等国家政策相继出台，以深度学习算法为核心的新一代人工智能技术也进入商业应用爆发期，再次促进了数字技术在制造业领域的应用和发展，相关专利统计量的年度增长速度显著提升。基于上述时间趋势特征，综合考虑数据的可获得性等因素，本文选择2001年至2017年作为实证分析的时间窗口。该时间段涵盖了制造业数字技术的稳步提升阶段和快速发展阶段，能够较好反映数字技术在生产制造领域的发展应用，及其产生的经济影响。

2..数字技术专利的行业分布

图2展示了1985年至2018年期间，我国数字技术专利授权量在31个制造业细分行业的分布状况，并按照专利数量进行了行业排序。根据图中信息可知，数字技术专利在制造业内部的集中程度很高，技术发展的行业不平衡特征突出。其中，计算机、通信和其他电子设备制造业（以下简称ICT制造业）专利授权量排名第一，占全产业数字技术专利授权总量的60.07%；排名前5位的行业合计占比90.8%，排名前10位的行业合计占比97.75%，剩余细分行业各自占比不足0.5%，行业之间差距悬殊。需要特别指出的是，ICT制造业的专利代表了通用目的型数字技术的发展水平，属于数字产业化范畴，为数字经济整体发展和产业数字化提供了物质基础；而制造业其他细分行业的数字技术专利，则可以看作是与其他行业技术相结合的专属技术，其应用范围更多局限于该细分行业内部，代表了传统产业数字化技术的发展水平。

考虑到数字技术专利在制造业内部悬殊的行业分布，后续实证将在变量描述性统计特征分析的基础上，对制造业面板数据进行分组回归，以提高分析结果的合理性。同时，针对ICT制造业数字技术专利的特殊性，本文在稳健性检验中剔除了ICT制造业，以期验证其他细分行业的数字技术还能否带来制造业的增长促进作用。

3..数字技术专利应用分类的合理性

首先，本文使用的制造业细分行业数字技术专利，是基于专利文本分析，按照专利应用领域（而非专利申请企业所属行业）作为细分行业划分标准。这样的数据处理方式，一定程度上保证了数字技术专利与其应用范畴的良好对应。尽管专利从创新产出到技术应用之间还存在不确定性，但相较于企业数字化指标、工业机器人等既有数字技术变量，能够申请和获批的数字技术专利可以更加客观、全面地反映制造业细分行业具有商业价值的技术进步。因此，使用数字技术专利数据分析技术进步对制造业增长的影响具有其合理性，也能够为既有实证分析提供有益补充。

其次，数字技术专利与其他专利的增长趋势具有明显差异。图3展示了2012年至2018年制造业数字技术专利申请量的年增长率，及制造业规上企业全部专利申请量的年增长率。两条曲线的变化方向和幅度都存在显著差异，表明数字技术专利的增长趋势显著区别于专利总量趋势。因此，本文使用专利数据进行实证分析，可以有效剥离出数字技术区别于其他技术进步的发展趋势及经济影响。同时，本文在后续的回归分析中，使用细分行业研发投入作为控制变量，进一步控制了各行业研发强度等其他技术因素对行业增长的影响。

（二）数字技术对制造业增长的影响

1..制造业细分行业及分类

本文实证分析的主要方法是基于制造业细分行业的面板数据分析，因此需要对我国制造业细分行业及类别的划分标准进行明确和统一。首先，我国制造业细分行业的统计口径经历了多次调整，涉及多个细分行业的合并和拆分。为保证数据延续性，将《国民经济行业分类（2017）》制造业门类下属31个细分行业归并为27个行业（详见表1），并据此整理2001年至2017年份行业面板变量。涉及调整的行业包括：将2001年至2011年“橡胶制品业”和“塑料制品业”合并为“橡胶和塑料制品业”；将2012年至2017年“汽车制造业”和“铁路、船舶、航空航天和其他运输设备制造业”合并为“交通运输设备制造业”；另外，各年份“其他制造业”“废弃资源综合利用业”“金属制品、机械和设备修理业”三个细分行业因数据缺失较多且行业占比低，不纳入分析样本。其次，基于文献综述内容可知，制造业不同细分行业或不同类别之间，在数字技术应用、数字化转型领域存在较大差异。本文借鉴孙晓华和辛梦依（2013）的处理方法，将27个制造业细分行业划分为三大类别，其中轻纺制造业包含农副食品加工等12个细分行业、资源加工业包含石油、煤炭及其他燃料加工业等8个行业，机械设备制造业包含金属制品业等7个行业。全部行业分类信息参见表1。

2..数据来源、变量选择及模型构建

本文使用《中国工业经济统计年鉴》《中国科技统计年鉴》《中国劳动统计年鉴》《中国统计年鉴》中制造业相关统计数据，与制造业数字技术专利数据进行匹配，最终获得2001年至2017年制造业27个细分行业的面板数据作为实证分析的总样本。变量构建过程和描述性统计特征具体介绍如下。

被解释变量：以细分行业的主营业务收入作为被解释变量，用于表征制造业的行业增长。选取《中国工业经济统计年鉴》2001年至2017年分行业规模以上工业企业主营业务收入数据，作为我国制造业27个细分行业主营业务收入的代理变量，再对其取自然对数，生成被解释变量lnrevenue。

核心解释变量：选取并构建2001年至2017年制造业27个细分行业的数字技术专利申请量和授权量作为核心解释变量，用于表征数字技术在制造业的渗透应用和技术进步。对专利统计量取自然对数后，生成专利申请变量lnictapply和专利授权变量lnictgrant。后续检验中将分别使用专利申请量和专利授权量进行交叉验证，以提高回归结果稳健性。

控制变量：为了控制数字技术进步以外的制造业增长影响因素，基于既有文献从制造业细分行业的资本投入、劳动力投入、研发投入、外资依存度和出口依存度等多个角度选取了控制变量。具体包括：（1）使用《中国工业经济统计年鉴》2001年至2017年制造业分行业规模以上工业企业固定资产合计数据，取自然取数后生成固定资产变量lncap。（2）使用《中国劳动统计年鉴》2001年至2017年制造业分行业年末就业人员数据，取自然取数后生成就业人员变量 lnlabor。（3）使用《中国科技统计年鉴》2001年至2017年制造业分行业规模以上工业企业内部研发投入数据，取自然取数后生成研发投入变量 lnrd。（4）使用《中国工业经济统计年鉴》2001年至2017年制造业分行业规模以上工业企业外商资本金数据，取自然取数后生成外商资本变量lnfdi。（5）使用《中国工业经济统计年鉴》2001年至2017年分行业规模以上工业企业出口交货值和工业销售产值数据，得到前者在后者的比值，生成出口交货值占比变量 exporate。变量构建过程中遇到的缺失值使用《中国统计年鉴》数据进行补充。实证分析使用的全部变量定义和描述性统计特征汇总于表2。

图4展示了数字技术专利授权量与制造业细分行业主营业务收入之间的散点图，数字標签代表其所属细分行业，可与表1信息进行比对。根据图表信息初步判断，数字技术与行业增长之间的关系存在较大的行业异质性特征。部分行业的主营业务收入与数字技术专利之间呈现出明显的正相关关系，较为典型的包括：印刷和记录媒介复制业（11），文教、工美、体育和娱乐用品制造业（12），金属制品业（21），通用设备制造业（22），计算机、通信和其他电子设备制造业（26），仪器仪表制造业（27）等，其中多数属于机械设备制造业。同时，也有部分行业主营业务收入与数字技术专利之间没有展现出正相关关系，甚至可能存在负向关系，较为典型的包括：农副食品加工业（1）、家具制造业（9）、化学纤维制造业（16）、有色金属冶炼和压延加工业（20）等，以轻纺工业和资源加工业为主。

基于图4判断，数字技术专利与行业主营业务增长的关系存在较大的行业异质性，基于总样本的整体回归结果无法准确反映数字技术对制造业增长的影响；同时，轻纺制造业、资源加工業、机械设备制造业所包含的细分行业也展示出了较为明显的类别共性。为此，不妨按照表1列出的制造业类别划分进行分组回归。

3..回归结果分析

按照公式（1），分别对2001年至2017年轻纺制造业、资源加工业、机械设备制造业三类行业面板数据进行混合回归、固定效应回归和随机效应回归，Hausman检验结果均支持固定效应模型。因此，对三类行业面板分别进行个体和时间双向固定效应回归，加入与行业增长相关的控制变量，并使用聚类稳健标准误。表3汇总了三类行业面板的主要回归结果。其中，模型1-3使用数字技术专利申请量作为核心解释变量，模型2和3分别使用专利申请量的滞后一期和二期变量，以判断数字技术对行业增长的滞后性影响。模型4-6使用数字技术专利授权量作为核心解释变量，模型5和6分别使用专利授权量的滞后一期和二期变量。

根据回归结果可知，数字技术应用对制造业增长的影响存在较强的行业异质性，技术的增长促进作用主要集中在机械设备制造业。基于12个轻纺制造行业和8个资源加工行业17年面板数据的分析结果显示，数字技术专利申请量和授权量，无论是在同期还是滞后期，都没有展现出稳健的增长促进作用；仅有资源加工业滞后二期的数字技术专利授权量，获得了显著的正向影响系数（0.048 1）。与之对比，在基于7个机械设备制造行业17年面板数据分析的结果中，数字技术专利申请量和授权量对行业主营业务收入的影响系数分别为0.112和0.134，在5%水平下显著，表明数字技术应用对机械设备制造业的增长产生了正向影响。在其他条件保持不变的前提下，数字技术专利申请量的自然对数每增长1%，可带来主营业务收入的自然对数增长11.2%；专利授权量的自然对数每增长1%，可带来主营业务收入的自然对数增长13.4%。同时，滞后一期和二期的专利统计量自然对数也都得到了正向回归系数，且全部4个系数都在1%水平下显著，表明数字技术应用对机械设备制造业增长的促进作用相对稳健，且具有显著的滞后效应。

4..稳健性检验

表3结果初步肯定了数字技术应用对机械设备制造业增长的促进作用及其滞后效应，然而，技术进步与经济增长之间存在因果联立偏误造成的内生性问题。具体而言，数字技术的应用和发展有助于推动制造业细分行业的增长，而行业增长反过来也会为技术研发提供资金、制度、环境等积极因素，从而推动数字技术的进一步发展，由此造成了技术进步与行业增长之间的双向因果关系。为此，我们采用子样本回归和动态面板回归系统GMM两个方法进行稳健性检验，以期进一步验证数字技术应用对机械设备制造业增长的促进作用。

（1）剔除特殊行业的子样本回归

根据图2信息可知，ICT制造业的数字技术专利数量和占比远高于制造业平均水平，即使在机械设备制造业类别内部，其数字技术专利水平也远高于其他细分行业。为避免极端行业对回归结果的影响，将ICT制造业数据样本从机械设备制造业面板中剔除，构成非ICT机械设备制造业2001年至2017年行业面板数据，再按照公式（1）及相关模型设定进行回归，相关结果汇总于表4。结果表明，子样本回归结果依然支持数字技术应用对行业增长的促进作用及滞后效应。以专利申请量作为核心解释变量时，尽管同期变量回归系数不显著，但滞后一期和二期的专利申请量得到正向回归系数0.167和0.201，分别在10%和5%水平下显著。以专利授权量作为核心解释变量时，同期、滞后一期和二期变量系数分别为0.122、0.140和0.111，在5%水平下显著。上述回归结果无论是系数数值，还是显著性水平，都与表3机械设备制造业回归结果非常相似。这说明，即使不考虑专利水平最高的ICT制造业，数字技术的发展和应用依然可以对其他机械设备制造行业带来显著、稳健的增长促进作用。

（2）动态面板回归

为了进一步验证数字技术应用与行业增长之间的关系，本文又使用了动态面板回归进行稳健性检验，将被解释变量（即行业主营业务收入）的滞后项和存在内生性问题的解释变量（即数字技术专利统计量）的滞后项，作为解释变量加入回归模型，并使用系统广义矩估计（system general moment method，即系统GMM）进行参数估计。这一方法的优势在于能够在部分存在遗漏变量和测量误差等内生性问题的前提下，获得相关参数的一致估计（Blundel和Bond，1998；Roodman， 2009；邵小快和胡怀国，2013）。

在模型设定方面，以行业主营业务收入作为被解释变量，数字技术专利授权量作为核心解释变量，加入行业增长相关的控制变量，同时引入被解释变量和专利变量的滞后项，从而构成动态面板；对GMM工具变量使用collapse选项，以控制工具变量个数。通过核心解释变量滞后项设定，构建模型1和模型2，具体模型设定参见表5注释。系统GMM估计结果汇总于表5。在模型1中，数字技术专利授权量同期的增长影响系数为0.236，在5%水平下显著；在模型2中，专利授权量滞后一期的系数为0.075 5，在5%水平下显著。上述模型的AR（2）和Hansen检验的P值均大于0.1，表明残差项不再存在自相关，系统GMM估计结果较好。动态面板回归结果表明，在有效控制遗漏变量、双向因果等内生性问题的前提下，数字技术专利与行业主营业务收入之间的回归结果依然满足因果统计推断的要求，进一步验证了数字技术应用对机械设备制造业产生的增长促进作用，影响效果稳健且具有一定的滞后性。

（三）数字技术应用对制造业增长影响的进一步分析

通过对制造业细分行业面板数据的分组回归，验证了数字技术应用对我国机械设备制造行业增长的促进作用，影响效果稳健且具有至少两年的滞后效应。但是，数字技术专利统计量与轻纺制造业、资源加工制造业的主营业务收入之间并没有展现出稳健的正相关关系。数字技术应用对制造业增长的影响存在较大的行业异质性特征，其原因可能包括以下几个方面。

第一，数字技术对制造业细分行业的渗透应用程度不同。根据图2信息可知，数字技术专利授权量排在第一位的是与数字技术直接相关的计算机、通信和其他电子设备制造业，专利授权量在制造业内部占比60.07%。排名前5位的细分行业都属于机械设备制造业，而轻纺制造业和资源加工业所包含的细分行业大多排名靠后。这一行业差异与蔡跃洲和牛新星（2018）的数字经济测算结果基本一致，即包含ICT制造业的数字产业化是我国数字经济的重要产业构成，而基于数字技术渗透应用的产业数字化更多集中在非ICT机械设备制造业；轻纺制造和资源加工类细分行业中数字技术的渗透应用仍不够充分，未来存在较大的提升发展空间。

第二，数字技术的应用场景、实施难度等存在较大的行业差异。以ICT制造、汽车制造为代表的机械设备制造业，具有零部件模块化、生产流程标准化水平高等特征，数字化转型场景以生产线机器替代、产品质量检测等为主，应用场景明确且实施难度较低。与之相比，轻纺制造业和资源加工业以长流程制造为主，具有原材料来源多样、成分复杂等特点，且生产过程一般由多个重大装备组合而成，行业机理复杂，加入难以建模，数字化实施难度较高。据此可以解释轻纺制造和资源加工类制造业的数字技术应用、数字化转型意愿不强烈，数字技术专利规模较小，增长影响不显著等问题。

第三，数字技术在不同行业产生的技术收益也存在较大差异。由于机械设备制造业的数字技术应用和数字化转型场景以机器替代、质量检测、成本管控等为主，因而能够获得较为直观的财务收益，直接反映在行业主营业务收入的增长。轻纺制造和资源加工行业本身的信息化、自动化基础较好，工艺参数也相对成熟，数字技术主要被用于解决生产安全、节能环保等问题，或用于打造产业生态，因而很难带来直接的中短期主营业务收入增长或行业规模扩张。

四、数字技术对制造业增长质量的影响及机制分析

在明确了数字技术应用对我国机械设备制造业增长的促进作用后，本部分将以2001年至2017年机械设备制造业行业面板数据作为分析样本，使用相关统计数据构建行业绩效指标，考察数字技术应用对制造业增长质量的影响？并进一步总结数字技术对制造业增长速度和增长质量的影响路径，以分析和判断数字技术对制造业高质量发展的影响机制。

（一）数字技术对制造业增长质量的影响

既有研究指出，大数据、云计算、人工智能等数字技术对制造业增长质量的影响路径主要包括提升产品质量、改善生产流程、提高生产运营效率、降低生产运营成本、降低经营风险、重塑业务流程、增强创新能力等等（Schuh等，2019；Parviainen等，2017；何帆和刘红霞，2019；戚聿东和蔡呈伟，2020），即通过“降本”“增效”“提质”和“创新”等路径，实现对制造业增长质量的促进作用。目前，相关研究主要通过案例分析、指标构建、微观计量等方法，对上述路径进行了梳理和验证，但行业层面的实证研究还十分有限。为此，本节以2001年至2017年机械设备制造业行业面板数据作为样本，构建表征制造业增长质量的绩效指标，即成本利润率、新产品收入、用工数量和用工成本，使用固定效应回归等计量方法，分析检验数字技术对制造业增长质量的影响效果。

1. 变量选择和模型构建

基于行业数据的可获得性，本文共构建了4个行业绩效指标，用于分析数字技术（应用）对制造业增长质量的影响：（1）使用《中国工业经济统计年鉴》2001年至2017年机械设备制造业分行业规模以上工业企业利润总额数据和主营业务成本数据，计算前者与后者的比值，得到成本利润率变量p2crate，用于检验数字技术对行业盈利能力和生产成本的影响；（2）使用《中国科技统计年鉴》2008年至2017年机械设备制造业分行业规模以上工业企业新产品收入和主营业务收入数据1，计算前者对后者的比值，得到，用于检验数字技术对行业创新和产品质量的影响。（3）使用《中国劳动统计年鉴》2001年至2017年机械设备制造业分行业年末就业人员数据，取自然对数后，得到用工数量变量lnlabor，用于检验数字技术对行业用工数量的影响；（4）使用《中国劳动统计年鉴》2001年至2017年机械设备制造业分行业人均年工资数据，取自然对数后，得到用工成本变量lnwagepc，用于檢验数字技术对行业用工成本的影响。

在机制检验部分，增加了控制变量：（1）在分析数字技术对新产品收入的影响时，增加行业利润水平变量lnprofit，使用《中国工业经济统计年鉴》2001年至2017年机械设备制造业分行业规模以上工业企业利润总额数据，并对其取自然对数，用于控制行业利润水平对新产品收入的影响；（2）在分析数字技术对制造业用工数量的影响时，增加行业用工成本变量lnwagepc，用于控制行业工资水平对用工数量的影响；（3）在分析数字技术对用工成本的影响时，增加行业主营业务收入变量lnrevenue，用于控制行业整体收入水平对工资水平的影响。新增变量的定义及描述性统计特征已汇报于表2。

2. 数字技术对成本利润率的影响

针对数字技术对盈利水平和成本效率的影响分析，以细分行业的成本利润率作为被解释变量，使用数字技术专利申请量和授权量进行个体时间双向固定效应回归，控制了资本投入、劳动投入、研发投入和外商资本变量。根据表6回归结果可知，数字技术专利申请的同期、滞后一期和二期变量，都对成本利润率产生了显著的正向影响。其中同期变量的影响系数为0.0162，在5%水平下显著。滞后一期和二期变量的回归系数分别为0.0237和0.0256，在1%水平下显著，滞后期变量系数和显著性都有所提升。专利授权量对成本利润率的正向影响也十分稳健。同期和滞后一期的专利授权量回归系数分别为0.0160和0.0183，均在1%水平下显著。回归结果表明数字技术的应用可以显著提高制造业的成本利润率，影响效果稳健且具有滞后效应。进一步分解来看，数字技术的应用可以提高行业的利润水平（利润总额），同时降低生产成本（主营业务成本），即通过“增效”“降本”提高制造业的增长质量。

3. 数字技术对新产品收入的影响

在分析数字技术对新产品收入的影响时，以新产品销售收入在主营业务收入中的占比作为被解释变量，使用数字技术的专利申请量和授权量对其进行个体时间双向固定效应回归，并控制行业利润水平、研发投入和外商资本变量对新产品收入的影响。表7回归结果表明，数字技术专利对新产品收入没有促进作用，即数字技术在提升产品质量、促进创新等方面的影响没有得到统计上的支持。

4. 数字技术对用工数量和成本的影响

针对数字技术带来的用工影响，分别以从业人数和人均年工资作为被解释变量，使用数字技术专利统计量对其进行个体、时间双向固定效应回归，控制了行业资本投入、人均工资水平、研发投入、外商资本对用工数量的影响，以及行业资本投入、人力投入、研发投入、外商资本、利润总额对用工成本的影响。

表8报告的回归结果表明，数字技术应用对制造业用工数量具有负向影响，但滞后期较长。专利授权量在滞后四期才开始呈现对从业人数的负向影响，滞后五期和六期的回归系数持续显著为负，分别为？0.319、？0.391和？0.395，均在10%水平下显著。专利申请量对用工数量的影响滞后效应更长，回归系数在滞后六期才开始显著为负。表明数字技术的应用能够降低机械设备制造业的用工需求，但技术应用所带来的生产自动化、机器替代等效果，需要较长时间的调整和适应。

表9报告了数字技术专利对用工成本的回归结果，数字技术应用对机械设备制造业的人均工资水平具有负向影响，相关影响的滞后期较长。数字技术的专利授权量滞后五期至七期，对行业人均工资产生了显著的负向影响，回归系数分别为-0.137、-0.194和-0.380，均在1%水平下显著。专利申请量对用工成本的影响滞后期更长，在滞后七期以后才呈现显著的负向回归结果。

在分析数字技术专利申请量与机械设备制造业人均工资之间的关系时，我们发现数字技术应用与行业用工成本之间的关系存在先正向后负向的趋势转变。图5展示了數字技术专利申请量同期（lag0）至滞后九期（lag9）的回归系数变化趋势。其中，仅滞后五期（0.167）和滞后六期（？0.004 55）两个系数的统计显著性较低，其余系数均在5%水平下显著。根据图表信息和相关回归结果可知，数字技术与机械设备制造业人均工资之间存在较强的相关关系，数字技术在应用前期可以显著提升行业平均工资水平，而后期则会降低工资水平。这可能是因为数字技术作为一种技能偏向型技术进步（skill-biased technological change），在应用前期与劳动技能之间的互补效应占主导，提高了技术应用行业和企业对高技能水平、高学历劳动力的用工需求，带来了劳动技能的溢价，行业工资水平随之提高；随着技术应用逐渐成熟，企业完成了生产和业务流程、岗位设置和组织架构等一系列配套机制的调整和适应，此时，技术进步的替代效应开始发挥主导作用，传统制造行业的生产类岗位将被大规模替代，用工需求下降，行业整体用工成本随之下降（Acemoglu & Restrepo，2020；Autor，2014；蔡跃洲和陈楠，2019）。

（二）数字技术对制造业增长的影响机制分析

基于实证检验结果，可以就数字技术对制造业增长质量的影响效果得到如下结论。首先，数字技术的应用可以有效提高成本利润率，一方面有助于提高行业利润水平，另一方面有助于降低生产成本，从而带来“降本”“增效”的数字化收益。其次，数字技术没有展现出对新产品收入的正向影响，技术进步在提高产品质量、增强创新能力等方面的影响没有得到行业统计数据的支持。最后，在用工影响方面，数字技术对机械设备制造业的用工数量和用工成本都具有负向影响，表明数字技术作为新一代自动化技术，可以通过“机器替代”实现对劳动力的替代效应，减少制造业用工需求，降低劳动收入占比，但技术进步的用工影响滞后期较长。

圖6进一步梳理了数字技术对制造业高质量发展的影响路径。基于本文统计分析和计量回归结果可知，现阶段数字技术在我国制造业的应用可以有效促进机械设备制造业的行业增长速度，并且通过提高成本利润率、减少用工数量、降低用工成本等路径，实现“降本”“增效”等数字化转型成效，实现增长质量的提升，进而推动制造业高质量发展。然而，数字技术通过提高新产品收入等路径实现高质量增长的影响机制，没有得到行业统计数据的支持，技术进步在“提质”“创新”等方面的影响潜力还有较大发展空间。

五、研究结论及政策建议

基于2001年至2017年我国制造业27个细分行业的面板数据，本文首先以数字技术的专利申请量和授权量作为核心解释变量，对轻纺制造业、资源加工业和机械设备制造业进行了分组回归，从行业异质性的角度分析验证了数字技术应用对制造业增长的影响。再以机械设备制造业面板为样本，选取成本利润率、新产品收入、用工数量和用工成本等行业绩效指标，分析验证了数字技术应用对制造业增长质量的影响，并进一步厘清了数字技术通过影响增长速度和增长质量，推动制造业高质量发展的路径机制。本文的主要研究结论包括：第一，数字技术应用发展对我国制造业增长的影响存在较为显著的行业异质性，对行业增长的促进作用主要体现在机械设备制造业，而对轻纺制造业和资源加工业的渗透应用不足。第二，数字技术主要通过提高成本利润率、减少用工数量、降低用工成本等路径促进制造业质量的提升。第三，数字技术对制造业用工数量和用工成本具有显著的负向影响，但相关影响的滞后期较长。

基于以上实证分析结果，本文就继续推动数字技术在我国制造业的应用和制造业数字化转型提出如下建议：

第一，加强数字技术与传统制造行业的融合发展，特别关注数字技术在轻纺制造业和资源加工业的应用。受行业特征、技术应用场景、实施难度和预期收益等多方面的影响，数字技术的应用和影响主要集中在包含ICT制造业的机械设备制造领域，而对轻纺制造业和资源加工业的技术渗透较低。未来，应继续推动数字技术在制造业的应用和产业数字化转型，针对技术应用难度较高的行业和企业，可以通过行业协会、工业互联网平台等渠道降低数字化转型门槛，帮助企业挖掘数字化场景、识别转型配套机制，实现数字技术在制造业领域更加广泛的应用和收益。

第二，加强数字技术在新产品研发、生产流程和业务模式创新等方面的发展和应用，充分挖掘数字技术的创新潜力。目前，企业数字技术应用大多集中在办公自动化、生产制造自动化、市场营销数字化等领域（马晔风等，2020），因而数字化成效也主要体现在“降本” “增效”等方面。数字技术在创新领域的应用和收益还非常有限。然而，以新一代人工智能为代表的数字技术，在颠覆创新流程、实现突破性技术变革和产品创新方面具有独特优势，是数字技术支撑长期经济增长的重要途径之一（Aghion等，2017；Agrawal等，2018；蔡跃洲和陈楠，2019）。为此，应加强引导数字技术在制造业产品、技术和模式创新领域的理论和实践探索，持续追踪人工智能在新药研发、新材料研发、基因组学等领域的国际学术和产业前沿，挖掘数字技术的潜在长期收益。

第三，充分利用数字技术对用工影响的滞后期，更好应对“机器替代”所带来的就业和收入冲击。数字技术作为新一代自动化技术，对制造业的从业人员数量和人均工资具有显著的负向影响，可能带来较为严重的劳动就业和收入分配风险。但是，根据本文的实证分析结果，数字技术对制造业就业岗位和收入水平的负向冲击，即“机器替代”效应存在4至7年的滞后期。因此，相关行业和企业应充分利用技术影响的滞后期，有计划地做好被替代员工的培训和安置工作，通过员工数字化技能培训、内部转岗等方式，在企业内部吸收技术进步带来的劳动技能溢价，最大限度降低“机器替代”的负面影响。

参考文献

[1] 蔡跃洲、张钧南：《信息通信技术对中国经济增长的替代效应与渗透效应》[J]，《经济研究》 2015年第12期。

[2] 李英杰、韩平：《数字经济下制造业高质量发展的机理和路径》[J]，《宏观经济管理》2021年第5期。

[3] 梁超、祝运海：《美的智造：传统制造业的数字化转型》[J]，《清华管理评论》2019年第9期。

[4] 梁新怡、钟俊鹏、罗锋：《家电制造企业数字化转型的现状和策略研究——以美的集团为例》[J]，《当代经济》2021年第6期。

[5] 刘飞：《数字化转型如何提升制造业生产率——基于数字化转型的三重影响机制》[J]，《财经科学》2020年第10期。

[6] 刘玠：《人工智能推动冶金工业变革》[J]，《钢铁》2020年第6期。

[7] 吕铁：《传統产业数字化转型的趋向与路径》[J]，《人民论坛·学术前沿》2019年第18期。

[8] 吕文晶、陈劲、刘进：《工业互联网的智能制造模式与企业平台建设——基于海尔集团的案例研究》[J]，《中国软科学》2019年第7期。

[9] 马晔风、蔡跃洲、陈楠：《企业数字化建设对新冠肺炎疫情应对的影响与作用》[J]，《产业经济评论》2020年第5期。

[10] 戚聿东、蔡呈伟：《数字化对制造业企业绩效的多重影响及其机理研究》[J]，《学习与探索》2020年第7期。

[11] 邵小快、胡怀国：《经济增长实证研究中的内生性》[J]，《经济学动态》2013年第3期。

[12] 蔡跃洲、牛新星：《数字产业化与产业数字化视角的中国数字经济测算——基于ICT特征和增长核算的理论方法及实证分析》[J]，中国社会科学院数量经济与技术经济研究所工作论文，2018年。

[13] 沈运红、黄桁：《数字经济水平对制造业产业结构优化升级的影响研究——基于浙江省2008-2017年面板数据》[J]，《科技管理研究》2020年第3期。

[14] 孙晓华、辛梦依：《R&D投资越多越好吗？——基于中国工业部门面板数据的门限回归分析》[J]，《科学学研究》2013年第3期。

[15] 王春梅、周东东、徐科等：《综述钢铁行业智能制造的相关技术》[J]，《中国冶金》2018年第7期。

[16] 王可、李连燕：《“互联网+”对中国制造业发展影响的实证研究》[J]，《数量经济技术经济研究》2018年第6期。

[17] 王莉娜：《数字化对企业转型升级的影响——基于世界银行中国企业调查数据的实证分析》[J]，《企业经济》2020年第5期。

[18] 王龙、冀秀梅、刘玠：《人工智能在钢铁工业智能制造中的应用》[J]，《钢铁》2021年第4期。

[19] 肖静华：《企业跨体系数字化转型与管理适应性变革》[J]，《改革》2020年第4期。

[20] 谢康、夏正豪、肖静华：《大数据成为现实生产要素的企业实现机制：产品创新视角》[J]，《中国工业经济》2020年第5期。

[21] 姚林、王军生：《钢铁流程工业智能制造的目标与实现》[J]，《中国冶金》2020年第7期。

[22] 蔡跃洲、陈楠：《新技术革命下人工智能与高质量增长、高质量就业》[J]，《数量经济技术经济研究》2019年第5期。

[23] 于勇、陶剑、范玉青：《大型飞机数字化设计制造技术应用综述》[J]，《航空制造技术》2009年第11期。

[24] 张清郁：《基于人工智能平台的汽车制造技术发展探析》[J]，《中国设备工程》2018年第17期。

[25] 赵宸宇、王文春、李雪松：《数字化转型如何影响企业全要素生产率》[J]，《财贸经济》2021年第7期。

[26] 赵剑波：《推动新一代信息技术与实体经济融合发展：基于智能制造视角》[J]，《科学学与科学技术管理》2020年第3期。

[27] 陈畴镛、许敬涵：《制造企业数字化转型能力评价体系及应用》[J]，《科技管理研究》2020年第11期。

[28] 池毛毛、叶丁菱、王俊晶、翟姗姗：《我国中小制造企业如何提升新产品开发绩效——基于数字化赋能的视角》[J]，《南开管理评论》2020年第3期。

[29] 李唐、李青、陈楚霞：《数据管理能力对企业生产率的影响效应——来自中国企业—劳动力匹配调查的新发现》[J]，《中国工业经济》2020年第6期。

[30] 李丫丫、潘安：《工业机器人进口对中国制造业生产率提升的机理及实证研究》[J]，《世界经济研究》2017年第3期。

[30] 李丫丫、潘安、彭永涛、杨文斌：《工业机器人对省域制造业生产率的异质性影响》[J]，《中国科技论坛》2018年第6期。

[31] Acemoglu D & Restrepo P. Unpacking Skill Bias： Automation and New Tasks. Boston University - Department of Economics - The Institute for Economic Development Working Papers Series， 110， 2020.

[32] Agrawal A， Mchale J & Oettl A. Finding Needles in Haystacks： Artificial Intelligence and Recombinant Growth. NBER Working Paper， No.24541， 2018.

[33] Autor D H. Skills， Education， and the Rise of Earnings Inequality among the "Other 99 Percent". Science， Vol.344， No.6186， 2014， pp.843-851.

[34] Blundell R & Bond S. Initial Conditions and Moment Restrictions in Dynamic Panel Data Models. Journal of Econometrics， Vol. 87， No.1， November 1998， pp.115-143.

[35] Christian L， Thomas S， Katja B， et al. SIMMI 4.0 – A Maturity Model for Classifying the Enterprise-wide IT and Software Landscape Focusing on Industry 4.0. Annals of Computer Science & Information Systems， Vol.37， No.4， 2016， pp.621.

[36] Dremel C H M W J. How AUDI AG Established Big Data Analytics in its Digital Transformation. MIS Quarterly Executive， Vol.2， No.16， 2017， pp.81-100.

[37] Graetz G & Michaels G. Robots at Work. CEBR Discussion Papers， 2015.

[38] Griliches Z. Patent Statistics as Economic Indicators： A Survey. NBER Chapters， 1998.

[39] Jaw， Yi-Long， Chen， et al. Effect of Digital Transformation on Organizational Performance of SMEs Evidence from the Taiwanese Textile Industrys Web Portal. Internet Research： Electronic Networking Applications and Policy， Vol.26， No.1， 2016， pp.186-212.

[40] Jeschke S， Brecher C， Song H， et al. Industrial Internet of Things： Cyber-manufacturing Systems. Springer International Publishing， 2017.

[41] Kane G C， Palmer D， Nguyen A P， et al. Strategy， Not Technology， Drives Digital Transformation. MIT Sloan Management Review， 2015.

[42] Kromann L， Skaksen J R & Sorensen A. Automation， Labor Productivity and Employment —— A Cross Country Comparison. Copenhagen Business School Working Paper， 2011.

[43] Oks S J， Fritzsche A & Mslein K M. An Application Map for Industrial Cyber-Physical Systems. Springer International Publishing， 2017.

[44] Philippe A， Jones B F & Jones C I. Artificial Intelligence and Economic Growth. NBER Working Paper， No. 14015， 2017.

[45] Rachinger M， Rauter R M C， Vorraber W， et al. Digitalization and its Influence on Business Model Innovation. Journal of Manufacturing Technology Management， Vol.30， No.8， 2019， pp.1143-1160.

[46] Roodman D. How to Do xtabond2： An Introduction to "Difference" and "System" GMM in Stata. Working Paper， 2006.

[47] Schuh G & Scholz P. Development of a Framework for the Systematic Identification of AI Application Patterns in the Manufacturing Industry： 2019 Portland International Conference on Management of Engineering and Technology （PICMET）， 2019.

[48] Wildgrube M.， Schaupensteiner N. & Wehinger J. Volkswagen Education Lab： Accelerating the Digital Transformation of Corporate Learning. In Urbach N. & R？glinger M. （eds） Digitalization Cases. Management for Professionals. Springer， Cham. 2019. https：//doi.org/10.1007/978-3-319-95273-4_20.

The Impact of Digital Technology on the Growth Rate and Quality of Chinas Manufacturing Industry： An Empirical Analysis Based on Patent Application Classification and Industry Heterogeneity

NAN CHEN

（Chinese Academy of Social Sciences， 100732）

YUEZHOU CAI

（Chinese Academy of Social Sciences， 100732）

Abstract： To improve the international competitiveness of Chinas manufacturing industry and achieve high-quality development in the new development stage， it is necessary to accelerate the in-depth integration of digital technology and manufacturing industry， not only to maintain a reasonable growth rate， but also to improve the quality of development. Based on the panel data of 27 manufacturing sub-industries in China from 2001 to 2017， this paper uses digital technology patent as a proxy variable for technology progress and application. Light & textile manufacturing industry， resource processing industry， and machinery & equipment manufacturing industry are categorized and regressed separately. Results show that digital technology plays very different roles in promoting growth as for different manufacturing categories. Growth benefits are mainly concentrated in the machinery & equipment manufacturing industry， whereas the penetration into and impact on light & textile manufacturing industry and resource processing industry are insufficient. By focusing on the machinery & equipment manufacturing industry panel， we further our findings in digital technologys influencing mechanism. Digital technology contributes to the growth quality of the manufacturing industry mainly by increasing profitto-cost ratio， downsizing workforce scale， and reducing labor cost. Technologys impact on product quality and innovation are still quite limited.

Keywords： Manufacturing Growth， Digital Transformation， Patent Application Classification， Industry Heterogeneity Influencing Mechanism.

JEL： O14， O33

執行编辑〔应珊珊〕

陈楠，中国社会科学院数量经济与技术经济研究所助理研究员。蔡跃洲，中国社会科学院数量经济与技术经济研究所数字经济研究室主任、研究员、博士生导师。蔡跃洲（通信作者），E-mail： caiyuezhou@cass.org.cn；caiyuezhou88@sina.com。

基金项目：国家自然科学基金重大项目“宏观大数据建模和预测研究”（71991475）；国家自然科学基金面上项目“新一代信息技术影响增长动力及产业结构的理论与经验研究”（71873144）；国家社会科学基金重点项目“数字经济对中国经济发展的影响研究”（18AZD006）。

1 中汽知识产权运营中心是一家从事专利数据分析的专业机构，笔者所在课题组向其购买了数据服务。

1 中汽知识产权专利数据库仅保留了最新的专利有效量，没有留存相关历史数据。由于不同行业、不同时期的专利有效量变化趋势和特征存在较大差异，很难进行统一推算。因此，为保证核心解释变量的真实可靠，本文选择专利申请量和授权量作为数字技术的代理变量，以期更加准确地反映数字技术在制造业细分行业的应用和发展。