企业数字化与全要素生产率提升

巫景飞 王泽昊 倪中新

摘 要：数字化已成为当下企业最重要的战略，但数字化能否提升企业全要素生产率尚存争议。基于上市公司及其一级控股子公司与数字化相关的无形资产投入、专利、软件著作权数量和年报词频等数据，构建包含投入、成果、关注度三维度的数字化水平指标体系，并运用熵值法测度2010～2020年沪深A股上市公司的数字化水平。然后，检验企业数字化对全要素生产率的影响效果与机制。研究发现：中国上市公司总体数字化水平波动上升，呈现国有企业快于非国有企业，东部地区快于中西部地区，信息技术行业快于其他行业；数字化通过提升企业内部沟通效率、增强规模经济效应、降低大客户依赖以及提高供应链管理效率等四项机制促进全要素生产率的提升；对于非国有性质、强竞争行业以及东部地区的企业，数字化对全要素生产率的促进作用更为显著。

关键词：全要素生产率；数字化；熵值法；高质量发展

文章编号：2095-5960（2023）05-0041-11；中图分类号：F061.1；文献标识码：A

一、引言

在新发展阶段，我国面临重大的要素条件和国际环境变化。现有经济增长模式迫切需要从政府主导型的投资驱动向依靠全要素生产率提升的创新驱动转变。［1］企业作为宏观经济的微观构成，其全要素生产率不仅反映自身的投入产出效率，还是未来经济发展的源泉。因此，如何提高企业全要素生产率进而推动经济高质量发展成为当前政学业三界共同关注的热点话题。中国信通院发布的《中国数字经济发展报告（2022）》显示：2021年我国数字经济规模达到455万亿元，同比名义增长162%，占GDP比重达到398%，数字经济作为国民经济“稳定器”和“加速器”的作用更加凸显。“十四五”发展规划中也明确指出：促进数字技术与实体经济深度融合，赋能传统产业转型升级，催生新产业新业态新模式，壮大经济发展新引擎。数字经济作用企业存续最直观的表现是数字化转型，即企业通过识别市场机遇和环境变化，采用新的数字技术，实现重大业务改进，催生全新的价值创造和分配途径，以期提升市场竞争力的一系列数据导向的活动集合。［2-4］在上述背景下，探究企业数字化能否提升全要素生产率及其背后的传导机制具有重要的现实意义，这有助于破解制约全要素生产率提升的困境，培育经济发展新动能。

然而，关于企业数字化能够促进全要素生产率提升这一命题目前仍存在争议，部分学者提出了质疑［5］ ，调研结果显示企业因数字化转型陷入困境似乎也支持了这种担忧［6］。唐未兵等［7］认为数字技术的引进能否转化为生产力的提升取决于企业消化吸收能力的好坏。Acemoglu & Restrepo［8］也认为要使数字技术发挥作用，需要与资本和劳动配合得当。以上研究结论一定程度上揭示了中国企业数字化转型正处于较早期的发展阶段。［9］但是，大数据应用水平不断提高预示着中国企业正不断推进数字化转型［10］，极力破解“信息技术生产率悖论”。学界也存在较多支持数字化推动全要素生产率提升的研究成果：制造业企业实施数字化转型可以通过提升创新水平、改善人力资源结构、促进两业融合或削减成本来改善生产效率［9］，同时业务模式的数字化转型和生产方式的优化也是改善制造业企业全要素生产率的路径 ［11，12］。

综合来看，关于数字化能否提升企业全要素生产率这一议题尚存争议可能是以下不足造成：（1）企业数字化水平测度仍没有统一标准。目前所使用的测度指标仅针对如制造业等特定行业抑或以企业某一类数字技术应用程度作为替代指标，均难以全面反映微观企业数字化水平，导致理解的偏差。（2）有关数字化对企业全要素生产率的作用机理的研究还存在缺憾。目前研究主要围绕企业内部特征展开，较少从产业链上下游合作的视角看待数字化的发展特征，忽视了从整体视角看待数字化的影响效应。

有鉴于此，本文尝试在以下几个方面作出边际贡献：第一，构建了测度企业数字化水平的综合指标。并利用该指标对当前中国企业数字化转型效果进行了评价。与以往的研究相比，本文对企业数字化水平的测度更为全面，且覆盖了沪深两市所有行业的公司样本，可为后续研究提供扎实的数据基础。第二，以更加多维的视角探讨数字化转型对企业全要素生产率的影响机制，丰富了数字化转型微观效应的理论。

二、机制分析与假说提出

（一）数字化与企业全要素生产率

企业是基于契约的合作载体，各类生产要素因此聚集。资源基础理論认为企业拥有的资源和运用资源的能力是决定企业间竞争力的根本原因。一方面，鉴于数字技术具有促进显性和隐性知识或技术共享的能力［13］，企业可借此打破信息孤岛，扩展资源获取渠道。另一方面，数字化能够提升企业数据挖掘能力，企业通过持续扫描、捕捉、分析各类信息［14］，准确把握行业发展趋势，为效率提升找准方向。进一步地，数字化将助力企业实现资源、技能和知识的动态协调、提升处理海量信息资源的能力［15］，进而改善企业全要素生产率。因此提出如下假说。

假说1：数字化能够促进企业全要素生产率的提升。

（二）数字化影响企业生产率的间接作用机制

企业数字化转型的实质是企业各类生产要素同数字技术深度融合的过程。［16］在人工智能、云计算、区块链和物联网等数字化技术的支持下，企业生产制造、运营管理、外部合作等多个环节随着战略转型的深入不断改进，并且包括供应商、分销商和零售商在内的各产业链主体均可参与其中［17］，因而数字化对企业经营的影响是全方位、多层次的。基于此，本文将从内部管理效率、规模经济效应、弱化大客户依赖和供应链管理效率四个主要路径探讨数字化对企业全要素生产率的作用机制。

第一，数字化通过提高内部管理效率提升企业全要素生产率。企业微信、钉钉等数字化通信工具全面渗透企业组织，打破时间和空间限制，减少因信息不对称导致的错误。同时，数字技术应用便利了管理者对员工行为的操纵性引导，可有效改变员工的行为选择和观念［18］，提高企业内部的协同性。再者，信息结构也由原来的串联式、封闭式、机械式和科层式向网格化、平等化、扁平化和模块化转变，信息传播呈现及时、连续、细化和完整的特征［19］，帮助员工及时获取各类资源，减少培训和开会次数，进而提升管理水平和生产效率。因此提出如下假说。

假说2：数字化便利了企业内部沟通协作，通过提高企业管理效率来促进全要素生产率的提升。

第二，数字化通过增强规模经济效应来提升企业全要素生产率。人工智能与机器人等数字技术的大量应用使得数字智能逐步融入组织内部的互动关系中。［20］智能互联的机器设备根据指令便可实现生产过程自动化与标准化，使得资本与高级劳动要素实现协同互补。得益于大规模的机器使用和深度学习算法，企业可根据实时的市场信息对生产要素投入和库存管理进行规划调整，降低边际成本，实现最优配置。因此提出如下假说。

假说3：数字化提高了企业设备智能化水平，通过增强规模经济效应来促进企业全要素生产率的提升。

第三，数字化增强了新客户拓展能力，减少了单一客户依赖风险，从而提升企业全要素生产率。在过去，企业花费大量成本获取客源，极易形成大客户依赖，导致缺乏议价能力，承受供应链脆弱等经营风险。当前，企业拓展接触客户的方式伴随信息技术的普及特别是数字化营销的广泛使用，能够迅速扩大客户群体，减少客户集中度，大量个性化、零散的需求得以被快速满足。因此提出如下假说。

假说4：数字化扩大了企业客户范围，通过降低大客户依赖促进全要素生产率的提升。

第四，数字化通过提高供应链上下游协同效率提升企业全要素生产率。随着数字技术与供应链各环节深度融合，供应链内部群体间的相互协调性成为市场竞争成功的关键。［21］一方面，数字技术提高了供应链的信息共享度，有效扩大了前向和后向关联效应，降低传统供应链中的“牛鞭效应”，推进全链路供需精准匹配能力的提升。［22］另一方面，数字技术实现了企业对产品全生命周期的把控，各环节均能及时实现上下游联动。因此提出如下假说。

假说5：数字化加强了企业与上下游伙伴的沟通协同，通过提升供应链管理效率促进全要素生产率的提升。

三、企业数字化水平测度与特征事实

（一）数字化水平测度

1.现有测度方法评述

企业数字化转型是一项长期的系统性工程，如何全面而准确地度量转型效果颇具挑战性。受限于数据可得性和数字化形式的多样性，过往文献多采用替代性指标表征企业数字化水平。例如，部分研究通过调查、访谈等方法对企业数字化水平进行测度［23］，但因受限于研究样本和被调查者主观因素等问题，难以大规模使用。另一部分文献使用IT投资、电子信息以及网络等方面支出占总销售收入的比重来表示［24］，该构建方法较为可靠，但可能会受到企业炫耀性投资的影响［25］。部分学者使用管理软件投资作为企业数字化水平的测度依据［6］，但该类指标仅关注企业中某一种特定信息技术的应用，无法反映企业数字化转型全景。此外，还有部分学者通过上市公司公布的年度报告中与数字化相关关键词词频刻画企业数字化转型程度［16］，但年報中相当一部分信息折射的是企业未来的战略规划，无法体现当前实际投入。

为弥补上述单一替代指标存在的缺陷，本文通过构建综合指标体系刻画中国上市公司数字化水平，并为已有指标［26］提供更为严谨的理论分析与机制验证。

2.企业数字化水平（D_Score）指标构建

在数字化水平的指标体系中，企业数字化水平是目标层，根据企业自身的投入、成果及关注度，基于科学性、层次性以及数据可获得性等原则，构建如下指标体系。

（1）数字化投入。借鉴祁怀锦等［27］的构造思路，数字化投入以上市公司财务报告附注披露的年末无形资产明细项中与数字化相关的投入总额及其占无形资产的比例两大指标进行表征。

（2）数字化成果。鉴于集团型企业有多个独立法人主体，且在应对技术变革过程中创设大量数字科技子公司，本文以上市公司母公司与母公司参股不低于51%且公司名称中包含“数字”“信息”“智能”“软件”词语的一级子公司数字化专利和软件著作权当年拥有总量表征该集团型企业的数字化成果数量。本文基于天眼查官网知识产权栏的数据，手工整理收集了所有符合条件的样本企业的软件著作权和专利信息。数字化专利的识别则是基于专利信息筛选出发明与实用新型专利中处于实质审查、授权或者公开授权状态，且专利内容摘要中包含人工智能技术、大数据技术、网络安全技术、云计算技术、数字技术应用等词汇的专利，截至2020年12月31日，在初始1293140个专利中共筛选出10820个符合规则的数字化专利。软件著作权的总数为188462个。

（3）数字化关注度。以学界目前较为流行的上市公司年报中数字技术关键词当年频次进行表征。

为避免人为因素造成权重设置的过度主观性，采用隶属客观赋权法的熵值法对所采取的指标进行赋权。借鉴王军等[28]的思路，在进行无量纲化处理后计算每一指标的权重。最后，使用多重线性函数的加权方法求出企业i第t年数字化水平，用D_Scoreit表示：

其中，pj表示第j项指标的权重，x′itj表示企业i第t年第j项二级指标经无量纲处理后的数值。D_Scoreit越大，表示该企业在当年度数字化水平越高，数字化转型效果越好，反之，则数字化水平越低。

3.数字化指数（D_Index）构建

为分析全体A股上市公司数字化转型现状以及不同类型的企业数字化转型在不同时序和空间上的发展特征，本文采用市值加权法，以每年年末各企业的市值占同年背景样本内所有企业市值的份额为权重，再将各家企业的数字化水平加权求和，得到数字化指数（D_Index），具体计算公式如下：

其中，D_Indext表示第t年背景样本的数字化指数，wit表示第t年企业i年末市值占背景样本内所有企业总市值的比重。

（二）上市公司数字化的基本特征事实

特征事实1：中国上市公司数字化指数波动上升，数字化转型在曲折中前进。

图1展示了全体A股上市公司数字化指数的时序变化情况，为使数据展示效果更佳，本文将2010年设置为基期，该年数字化指数设定为1，其余年份据此进行调整。在样本期内，全体上市公司数字化指数呈现波动上升的态势，10年复合增长率高达1583%，说明中国上市公司数字化程度在不断加深，但数字化转型过程并非一帆风顺。与此同时，全体上市公司数字化指数于2019年达到峰值，该年同比增速也为历年最快。

特征事实2：不同所有制企业数字化发展存在差异，国有上市公司数字化转型快于非国有上市公司。

图2比较了国有与非国有两类上市公司的数字化指数，相应地，以2010年国有上市公司数字化指数为基准，赋值为1。可以发现，无论是国有还是非国有上市公司，数字化指数均呈波动上升的趋势。除2010年外，国有上市公司数字化指数在其余样本时间内均高于非国有上市公司。这说明，非国有上市公司对数字化的感知更为敏锐，但国有上市公司有实力针对投入数字化转型，完成后发先至。

特征事实3：不同地区数字化发展存在差异，东部地区上市公司数字化转型快于其他地区。

图3比较了东中西三个地区的上市公司历年数字化指数，以2010年西部地区上市公司数字化指数为基准，赋值为1。不难看出，东部与中部地区上市公司数字化指数均呈现波动上升的增长态势，西部地区则维持在较低水准。相较于中部和西部地区，东部地区上市公司数字化指数一骑绝尘，说明东部地区数字化成效高。值得关注的是，2018年以后，东部地区与中西部地区上市公司数字化差距进一步扩大。

特征事实4：不同行业数字化发展存在差异，信息技术行业快于其他行业。

以证监会公告［2012］31号《上市公司行业分类指引》为分类依据，测绘出不同行业数字化指数的变化趋势，以2010年教育行业数字化指数为基准，赋值为1，具体结果见图4。从均值看，信息传输、软件和信息技术服务业、金融业、采矿业及文化、体育和娱乐业等大多数现代服务业及制造业中的上市公司数字化转型成效较高，而住宿和餐饮业、农、林、牧、渔业以及综合等一些传统行业的数字化转型成效相对较低。另外，房地产业以及水利、环境和公共设施管理业是仅有的两个数字化指数呈现波动下降的行业。

四、研究设计

（一）样本选择与数据来源

为反映数字化发展全貌以及减少金融危机对数据质量造成的潜在影响，本文以2010～2020年沪深两市A股上市公司作为初始研究样本，并按照如下原则对样本进行处理：（1）剔除* ST、ST以及PT 的样本；（2）剔除上年年末与本年年初资产数据不相符的样本；（3）剔除银行及非银金融行业样本；（4）剔除主要變量缺失的样本。最终，本文共获得包含3330家上市公司在内的22608个混合面板样本。其中，上市公司专利数据与软件著作权来源于天眼查，其余企业层面的微观数据来自Wind数据库和国泰安数据库。此外，本文对所有连续变量进行1%的双边缩尾处理。

（二）变量定义与说明

1.被解释变量：全要素生产率（TFP_LP）。本文采用当前主流的LP法测算企业的全要素生产率。［29］根据销售收入、员工数目、固定资产和中间投入等指标，按照证监会（2012）二级行业划分标准对上市公司分行业测算TFP。

2.核心解释变量：企业数字化水平（D_Score）。测算方法见前文。

3.控制变量：为尽可能缓解遗漏变量引起的内生性问题，本文引入如下控制变量：企业规模（lnAssets）、企业年龄（lnAge）、股权集中度（First）、流动比率（Liquid）、资产收益率（Roa）、资本结构（Lev）、成长能力（Growth）。具体定义及其说明如表1所示。

（三）核心变量描述性统计

表2报告了主要变量的描述性统计结果。上市公司全要素生产率的均值与标准差分别为8930和1059，说明不同上市公司之间的全要素生产率存在较大差异。数字化水平的均值为0011，标准差为0020，且最小值和最大值分别为 0 和0103，表明样本中各上市公司的数字化转型行为差异较大。其余控制变量的分布特征与以往研究文献基本相似。

（四）实证模型设定

基于上述理论分析，本文设定如下基准回归模型：

TFP_LPit=α0+α1 D_Scoreit+βControlsit+μi+δt+εit（3）

其中，下标i，t分别表示企业和年份；TEP_LP表示企业全要素生产率；D_Score表示企业数字化水平；参数α1用以评估数字化对其全要素生产率的影响效应；Controls表示企业其他微观层面的控制变量组；μi表示企业固定效应；δt表示年份固定效应；εit为随机扰动项。最后，本文使用行业聚类稳健型标准误。

五、实证分析

（一）基准回归

本文依照模型（3）采用递进式的回归策略。表3列示了数字化对企业全要素生产率影响的总体检验结果。其中，列（1）列示了仅加入核心解释变量和双向固定效应的回归结果，可以发现数字化水平在1%的水平下显著提升了企业全要素生产率。在列（1）的基础上，列（2）进一步加入控制变量组，可以发现数字化水平系数数值虽有所缩小但依旧在1%的水平下显著为正。从控制变量的回归系数来看，规模较大、流动性较好、营业收入增长较快、资产收益率较高的企业，其全要素生产率的表现相对较好。同时，企业全要素生产率增长过程中可能会使其受到区域经济发展和产业结构升级等外部因素的影响，故列（3）控制了时间、行业以及省份固定效应，列（4）则控制了企业和时间与省份交互固定效应。两列回归结果均表明数字化水平在1%的水平下显著提升了企业全要素生产率，由此，假说1得到了经验支持。

（二）内生性检验

上文研究了数字化对企业全要素生产率的总效应，但利用上述回归模型来识别因果关系可能存在反向因果关系导致的内生性问题，即全要素生产率高的企业，经营绩效好，更有能力去尝试使用数字化技术。本文通过构建工具变量缓解内生性问题。首先，鉴于数字化见效具有滞后性，本文参考赵宸宇等［9］的研究，将数字化水平的一阶、二阶滞后值作为工具变量（IV）进行两阶段最小二乘法（2SLS）估计，结果反映在表4第（1）列，可以发现数字化水平的系数估计量仍在1%的置信水平下显著为正。其次，本文参考Ben-Nasr等［30］的研究，选取同一年度、同一行业内除本企业外的其他企业数字化水平的均值作为工具变量进行内生性检验，表4第（2）列结果显示，结论没有产生较大变化。最后，表4第（3）列以上市公司所在行业的数字技术词频的均值表征行业数字化技术强度作为企业数字化水平的工具变量进行检验，结论仍未发生较大变化。考虑内生性问题后，数字化水平对企业全要素生产率的回归系数仍显著为正，更好地印证了表3基准回归结果的稳健性。

（三）稳健性检验

为进一步验证估计结果的可靠性，本文采用如下多种方式进行稳健性检验。

1.更换企业全要素生产率的度量方式。采用当前另一种主流的OP方法［31］重新测算全要素生产率（TFP_OP），估计结果见表5第（1）列，数字化水平的显著性和符号与预期保持一致，实证结果保持稳健。2.更换企业数字化水平的衡量指标。参考袁淳等［32］的研究方法，采用企业数字化相关词汇频数总和除以年报MD&A语段长度作为数字化水平的代理指标（Digital），估计结果见表5第（2）列，新指标显著性及符号与基准回归保持一致。3.更换研究样本。相较于其他行业，处于信息传输、软件和信息技术服务业内的上市公司有明显的先发优势，全要素生产率的提升更为明显，因此剔除该类公司样本。表5第（3）列的结果显示，对于其他行业的公司样本，数字化水平对企业全要素生产率的影响结果依然稳健。

六、进一步分析

（一）机制识别检验

在进行机制识别检验的过程中，被广泛应用的中介效应检验可能存在内生性偏误和部分渠道识别不清等问题。［33］因此，在前文机制分析部分对“内部管理效率”“规模经济效应”“大客户依赖”“供应链管理效率”四类渠道进行充分说明的基础上，借鉴刘斌和甄洋的思路［34］，将机制变量作为被解释变量，执行模型（3）的回归，通过观测核心解释变量对机制变量的影响进行机制检验，其余控制变量与前文保持一致。

为了检验内部沟通效率提升的渠道是否有效，本文采用管理费用与营业收入的比率（AER）度量内部沟通效率。表6第（1）列的结果表明：D_Score的估计系数显著为负，说明数字化能够提升企业内部沟通效率。为了检验扩大规模经济效应渠道是否有效，本文采用成本费用利润率（CPM）作为规模经济效应的代理变量，通过如下公式计算得到，即成本费用利润率=利润总额/（营业成本+销售费用+管理费用+财务费用）。表6第（2）列的结果表明，企业实现规模经济效应的扩大是企业数字化提升全要素生产率的重要渠道。为了检验大客户依赖渠道是否有效，以前五大客户销售额占年度总销售额比率（CC）表征大客户依赖程度。表6第（3）列报告了增进客户感知渠道的检验结果，也验证了该渠道的有效性。最后，为了检验供应链沟通效率提升的有效性，采用固定资产周转率的对数值（lnFATR）作为机制变量，通过如下公式计算得到，即固定资产周转率=营业收入/固定资产平均净额。表6第（4）列结果显示，数字化水平在1%水平下显著为正，表明供应链上下游沟通效率的提升是企业数字化提升全要素生产率的重要途径。上述结果表明企业数字化促进全要素生产率提升的四条机制畅通，假说2～5分别得到了经验支持。

（二）异质性分析

前文基于全样本视角考察了数字化对企业全要素生产率的影响，并通过了多重稳健性检验的验证。但由于不同类型公司实施数字化的方式、动机以及外部环境等不尽相同，可能对全要素生产率产生非对称影响。本文根据企业注册类型将样本划分为国有上市公司和非国有上市公司两类，分别进行回归分析，表7第（1）列和第（2）列报告了实证结果。在国有上市公司组别中，数字化水平对企业全要素生产率的回归系数尽管为正值，但数值偏小且无法通过显著性检验；在非国有上市公司组别中，回归系数则通过了1%的显著性检验。采用SUEST方法检验核心解释变量的估计系数在不同分组间的差异，发现两组样本的系数差异在1%水平上显著。这些结果均表明，较之于国有上市公司，数字化对企业全要素生产率的提升效果主要体现在非国有上市公司中。

数字化可能对垄断性行业①①垄断性行业的分类标准参考丁启军［35］的划分标准，行业代码为B06、B07、B08、B09、B10、B11、C16、C25、D44、D45、D46、G56、G53、G60、I63、J66的行业定义为垄断性行业。其余行业代码的行业定义为竞争性行业。企业的全要素生产率提升效果优于竞争性行业，原因在于不同行业竞争程度下，企业在转型动机和外部交易成本等方面存在差异：一方面，高额垄断利润降低了垄断性行业企业依靠数字化提高生产力的动机，竞争性行业企业在激烈的竞争中力求更多地利用信息技术类资产提高生产力，降低被逐出市场的风险。另一方面，相比于垄断性行业，竞争性行业中 “敲竹杠”或恶意违约行为发生的概率更高，从而企业面临较高的外部交易成本［32］，数字技术应用可有效降低外部交易成本，实现全要素生产率的增长。

为验证上述推测，本文根据企业所在行业的代码将样本划分为垄断性行业与竞争性行业两类。表7第（3）列和第（4）列报告了实证结果。在竞争行业中，D_Score的系数为1244，且在1%的显著水平显著。相反，在垄断性行业中，D_Score的系数虽为正但并不显著。采用SUEST方法检验核心解释变量的估计系数在两组样本间的差异，发现系数差异在1%水平上显著。上述結果均表明，数字化对竞争性行业上市公司的全要素生产率的提升效果优于垄断性行业。

东部地区的企业可能更能从数字化转型中实现全要素生产率的提升。当前东部地区在经济发展水平、基础设施建设和人才引进等方面都具有相对优势，数字化进程快于其他地区。相比之下，中西部地区缺乏发展数字经济的先决条件，红利难以充分释放。

为验证上述推论，本文根据企业注册所在地区将总样本划分为东部、中部和西部②②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、海南11个省（市）; 中部地区包括山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南8个省; 西部地区包括四川、重庆、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆、广西、内蒙古12个省（市、自治区）。三个子样本，表7列（5）～（7）报告了实证结果。东部地区组别中的核心解释变量系数大小与显著性均超过其余组别，系数的组间差异也通过了SUEST方法检验③③第3组SUEST检验展示的是东部企业和西部企业两组样本之间的系数差异结果。，上述结果均表明，东部地区上市公司实施数字化转型对全要素生产率的积极效应更强。

七、结论与建议

数字化是当前企业提升竞争优势的重要战略之一，但如何测度企业数字化水平以及能否提升全要素生产率仍存在争议。基于上市公司及其一级控股子公司与数字化相关的无形资产投入、专利、软件著作权数量和年报词频等数据，构建了包含投入、成果、关注度三维度的数字化水平指标体系，利用熵值法对中国上市公司数字化水平进行了测度，并检验了企业数字化对全要素生产率的影响效果与机制。

研究表明：第一，现阶段中国上市公司总体数字化水平呈波动上升态势，在时序上呈现国有上市公司高于非国有上市公司，东部地区高于中西部地区，信息技术行业高于其他行业之特征。第二，数字化显著提升了全要素生产率，已成为企业高质量发展的重要推力。第三，提升企业内部沟通效率、增强规模经济效应、降低大客户依赖以及提高供应链管理效率是数字化提升全要素生产率的作用机制，数字化能有效改善企业内部管理与外部合作。第四，异质性结果表明，数字化对企业全要素生产率的提升效果在非国有上市公司、竞争性行业以及东部地区中更为显著，机制传导在不同环境下存在差异。本文结论对推进数字化转型有如下建议。

首先，企业应积极开展数字化转型提升全要素生产率。研究表明，数字化会促进企业全要素生产率提升，是增强企业竞争力的重要手段。但需指出，数字化转型是一项系统工程，企业应根据自身实际情况分场景、分步骤加以开展。研究表明，数字化通过提升企业内部沟通效率、增强规模经济效应、降低大客户依赖以及提高供应链管理效率等四大机制来促进全要素生产率的提升。企业可以此为切入点，对内部管理工作、生产过程、市场营销、供应链管理等环节进行数字化改造。其次，政府可构建公平营商环境助力企业数字化转型。研究表明，数字化的促进作用在市场化程度更高的东部地区和竞争程度更高的行业更为显著。在公平而充分的竞争环境下，企业自我驱动数字化转型，对全要素生产率的提高效果最明显。因此政府需要打破行业不必要的垄断，引入公平竞争机制，扩大市场主体平等进入范围，鼓励良性竞争。同时畅通市场主体退出机制，淘汰落后过剩产能。充分发挥市场经济主体的建设作用，促进企业数字化转型，释放数字化红利。最后，充分发挥不同所有制企业优势，共同助力经济高质量发展。研究表明，国有上市公司数字化指数较高，但在全要素生产率提升作用上不如非国有上市公司。当前中国企业数字化变革尚处于初探阶段，国有企业应肩负践行国家数字化战略的使命，发挥示范引领作用，通过大额数字化的投入，着重解决变革过程中的痛点与难点。占中国总企业数99%以上的非国有企业在改革初期面临高门槛、高成本、高人力资源等困境，可发挥数字经济后发优势，吸纳国有企业先进经验，以更低的边际成本实现更高质量的转型，最大限度地发挥数字投入的效益，助力经济高质量发展。

参考文献：

［1］蔡昉.中国经济增长如何转向全要素生产率驱动型［J］.中国社会科学，2013（1）：56～71.

［2］Nambisan S， Lyytinen K， Majchrzak A， et al. Digital Innovation Management： Reinventing Innovation Management Research in a Digital World. ［J］. MIS Quarterly， 2017（1）：223～238.

［3］Vial G . Understanding Digital Transformation： A Review and a Research Agenda［J］. The Journal of Strategic Information Systems， 2019（2）：118～144.

［4］Warner K， M Wger. Building Dynamic Capabilities for Digital Transformation： An Ongoing Process of Strategic Renewal［J］. Long Range Planning， 2019（3）：53～82.

［5］Nwankpa J K， Datta P. Balancing Exploration and Exploitation of IT Resources： The Influence of Digital Business Intensity on Perceived Organizational Performance［J］. European Journal of Information Systems， 2017（5）： 469～488.

［6］刘淑春，闫津臣，张思雪，等.企业管理数字化变革能提升投入产出效率吗［J］.管理世界，2021（5）：170～190.

［7］唐未兵，傅元海，王展祥. 技术创新、技术引进与经济增长方式转变［J］. 经济研究，2014（7）：31～43.

［8］Acemoglu D，Restrepo P. The Race between Man and Machine：Implications of Technology for Growth，Factor Shares，and Employment ［J］.American Economic Review，2018（6）：1488～1542.

［9］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（7）：114～129.

［10］张叶青，陆瑶，李乐芸.大数据应用对中国企业市场价值的影响——来自中国上市公司年报文本分析的证据［J］.经济研究，2021（12）：42～59.

［11］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］.財经科学，2020（10）：93～107.

［12］陈庆江，王彦萌，万茂丰.企业数字化转型的同群效应及其影响因素研究［J］.管理学报，2021（5）：653～663.

［13］Grant， G.， Seager， T.， Massard， G.， & Nies， L. Information and Communication Technology for Industrial Symbiosis. Journal of Industrial Ecology， 2010（5）：740～753.

［14］Autio， E.， Nambisan， S.， Thomas， L.， & Wright， M. Digital Affordances， Spatial Affordances， and the Genesis of Entrepreneurial Ecosystems. Strategic Entrepreneurship Journal， 2018（1）：72～95.

［15］李琦，劉力钢，邵剑兵.数字化转型、供应链集成与企业绩效——企业家精神的调节效应［J］.经济管理，2021（10）：5～23.

［16］吴非，胡慧芷，林慧妍，等.企业数字化转型与资本市场表现——来自股票流动性的经验证据［J］.管理世界，2021（7）：130～144.

［17］陈剑，黄朔，刘运辉. 从赋能到使能——数字化环境下的企业运营管理［J］. 管理世界，2020（2）：117～128.

［18］Gal， U.， Jensen， T.B. and Stein， M.K.， Breaking the Vicious Cycle of Algorithmic Management： A Virtue Ethics Approach to People Analytics， Information and Organization， 2020（2）： 1～15.

［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（4）：37～49.

［20］Beane， M. 2019， Shadow Learning： Building Robotic Surgical Skill When Approved Means Fail［J］. Administrative Science Quarterly， 2019（1）： 87～123.

［21］曲永义.数字创新的组织基础与中国异质性［J］.管理世界，2022（10）：158～174.

［22］中国社会科学院工业经济研究所课题组，张其仔. 提升产业链供应链现代化水平路径研究［J］.中国工业经济，2021（2）：80～97.

［23］王永进，匡霞，邵文波.信息化、企业柔性与产能利用率［J］.世界经济，2017（1）：67～90.

［24］李坤望，邵文波，王永进.信息化密度、信息基础设施与企业出口绩效——基于企业异质性的理论与实证分析［J］.管理世界，2015（4）：52～65.

［25］ Triplett， J. E. The Solow Productivity Paradox： What Do Computers Do to Productivity. The Canadian Journal of Economics，1999（2）：309～334.

［26］巫景飞，王泽昊.数字化助力中国上市公司高质量发展［J］.上海国资，2023（3）：80～84.

［27］祁怀锦，曹修琴，刘艳霞.数字经济对公司治理的影响——基于信息不对称和管理者非理性行为视角［J］.改革，2020（4）：50～64.

［28］王军，邹广平，石先进.制度变迁对中国经济增长的影响——基于VAR模型的实证研究［J］.中国工业经济，2013（6）：70～82.

［29］Levinsohn， P.， Petrin A. Estimating Production Functions Using Inputs to Control for Unobservables. The Review of Economic Studies， 2003（2）：317～341.

［30］Ben-Nasr， H.， Boubaker， S.， Rouatbi， W. Ownership Structure， Control Contestability， and Corporate Debt Maturity. Journal of Corporate Finance， 2015：265～285.

［31］Olley， G. S.， Pakes， A. The Dynamics of Productivity in the Telecommunications Equipment Industry. Econometrica， 1996（6）：1263～1297.

［32］袁淳，肖土盛，耿春晓，等.数字化转型与企业分工：专业化还是纵向一体化［J］.中国工业经济，2021（9）：137～155.

［33］江艇.因果推断经验研究中的中介效应与调节效应［J］.中国工业经济，2022（5）：100～120.

［34］刘斌，甄洋.数字贸易规则与研发要素跨境流动［J］.中国工业经济，2022（7）：65～83.

［35］丁启军.行政垄断行业的判定及改革［J］.财贸研究，2010（5）：77～83.

Corporate Digitalization and Total Factor Productivity Improvement- Evidence from Listed Companies in China

WU Jingfei，WANG Zehao，NI Zhongxin

（Shanghai University， Shanghai 200444， China）

Abstract：Digitalization has emerged as a paramount strategy for modern enterprises， however， a debatable aspect lingers over whether digitalization truly enhances the total factor productivity of enterprises. Based on the input of digitisation-related intangible assets， the number of patents and software copyrights， and the word frequency data of annual reports of listed companies and their first-tier holding subsidiaries， we constructed a digitisation level indicator system with three dimensions of input， achievement and attention， and measured the digitisation level of A-share listed companies in Shanghai and Shenzhen from 2010 to 2020 by using the entropy method. Then， the effect and mechanism of enterprise digitisation on total factor productivity were tested. The study finds that： the overall digitisation level of Chinese listed companies fluctuates and rises， showing that state-owned enterprises are faster than non-state-owned enterprises， the eastern part is faster than the central and western regions， and the information technology industry is faster than other industries; Digital transformation is conducive to improving total factor productivity and is achieved through four mechanisms： improving internal communication efficiency， enhancing economies of scale， reducing dependence on large customers and improving supply chain management efficiency; The impact of digital transformation on total factor productivity is particularly pronounced in non-state-listed companies， industries characterized by high levels of competition， and in the market-oriented eastern region.

Key words：total factor productivity;digitalization;entropy method;high-quality development