数字化转型对企业资源配置效率的影响

韦庄禹

（广西大学 经济学院，广西 南宁 530004）

一、引言

第四次工业革命的背景下，数字科技正在逐渐重构全球经济格局，如何抓住数字经济的发展机遇，打造现代制造业产业体系成为各国关注的焦点。2018 年6 月日本经济产业省发布《日本制造业白皮书》，提出要利用数字化工具加强和提高日本制造“现场力”，实现自动化、提高生产率、创造新型附加价值。美国白宫于2018 年10 月颁布《美国先进制造业领导力战略》，点明了美国智能制造系统中的率先部署事项，包括智能与数字制造和人工智能基础设施。中国也颁布了一系列政策推动企业数字化转型。2021 年中国的政府工作报告中提到，要构建数字经济领先优势，协同落实数字产业化和产业数字化转型。二十大报告也明确提出，要加速建设制造强国、网络强国和数字中国，持续推进制造业的高端化和智能化发展，构造新一代信息技术的新增长引擎。要推进数字经济发展，推动数字经济与实体经济深度融合，构造具备国际竞争力的数字产业集群。为了巩固实体经济的根基，中国必须持续推进制造业高质量发展，而数字化转型作为产业数字化的重要一环，势必对中国制造业企业的转型升级产生深远影响。

二、文献综述

近年来，数字化转型的经济效应是学术界关注的一个研究热点。赵宸宇(2021)研究发现数字化发展能通过促进企业创新和调整人力资本结构显著提升企业的服务化水平和发展质量[1]。袁淳等(2021)研究发现数字化转型能通过降低企业外部成本来促进专业化分工[2]。赵宸宇等(2021)研究发现，数字化转型主要通过促进企业创新、改善人力资本结构、促进先进制造业与现代服务业融合发展和提高企业运营水平、降低成本等方式提高企业的全要素生产率[3]。吴非等(2021)研究发现，数字化转型能够提升企业股票的流动性，矫正信息的不对称性、提高市场的积极预期、促进企业创新、提升企业价值、改善财务稳定性，从而对企业股票的流动性产生积极影响[4]。

也有一部分学者研究了资源配置效率的相关问题。Hsieh&Klenow(2009)指出，如果能使中国和印度企业两类要素的边际产品与美国持平，那么两国的TFP 将会大幅增长[5]。Brandt 等(2013)指出资源错配使中国非农部门的全要素生产率平均降低了20%，20 世纪90 年代中期生产率损失增大的原因是各省份内国有和非国有部门间的资本错配程度加剧[6]。白俊红、刘宇英(2018)发现中国各省份的资本错配和劳动力错配存在明显差异，对外直接投资能够同时矫正中国的资本错配和劳动力错配[7]。张天华、邓宇铭(2020)发现，开发区的设立显著改善了企业的资本投入不足，但却进一步加剧了企业劳动力投入扭曲；总体上看，设立开发区每年能提高1.52%的总量生产率[8]。

现有文献多是从某个角度研究数字化转型的经济效应，资源配置效率的研究则主要围绕测度方法或特定影响因素展开。文章则拓展了Hsieh&Klenow(2009)[5]测算宏观经济效率损失的理论框架，从微观层面构造制造业企业资源配置效率的测度指标，并使用机器学习方法构建企业数字化转型的指标，借此考察数字化转型对企业资源配置效率的影响。

三、制造业企业资源配置效率的测算框架

文章借鉴Hsieh&Klenow(2009)定量分析宏观经济效率折损的方法[5]，测度消除资源配置扭曲后企业最优规模与实际规模之间的差距，以此建立微观层面制造业企业的资源配置效率指标。测度模型如下所示：

假定市场处于完全竞争状态，生产唯一的产品Y，有S个中间行业，对应的产出Ys占产量的比例为θs，最终产品的生产函数为：

最终产品部门追求成本最小化的目标，根据一阶条件可得PsYs=θsPY，Ps表示中间行业S的产品价格，文章将最终产品的价格标准化为1。假定中间行业的产出能够通过Ms个企业的产出Ysi加总获得，产出函数为常替代函数：

σ 表示企业产品之间的替代弹性，各行业部门追求成本最小化的目标，进而获得企业产品的需求函数：

研究定义了两类影响企业资源配置效率的扭曲：产出扭曲τYsi和资本投入扭曲τKsi。产出扭曲会同时影响企业的资本投入和劳动投入，正向的产出扭曲能够降低企业的产品价格，资本投入扭曲则会加剧企业的资本投入和劳动投入之间的相对偏离，正向的资本投入扭曲会提高企业融资的相对成本。企业生产函数为：

Asi表示企业的生产技术水平，Ksi表示企业的资本要素投入，Lsi表示企业劳动要素投入，αs表示中间行业S的资本产出弹性，企业的利润函数如下：

πsi表示利润，ω 表示劳动力价格，R表示资本的借贷价格。当存在资源配置扭曲时，根据企业最大化利润的一阶条件，可得产出扭曲：

资本投入扭曲：

企业的实际产出规模：

令τYsi=τKsi=0，可以获得不存在资源配置扭曲的情况下企业最优产出规模PsiYosi。最后，使用企业实际规模与最优规模的变异程度来刻画企业资源配置效率：

MisAllsi的数值越大，代表企业面临越严重的资源配置扭曲，资源配置效率越低；反之，资源配置效率越高。

四、研究设计

1. 计量模型设定

为检验数字化转型对企业资源配置效率的影响，文章构建如下的基准回归模型：

在模型(10)中，i代表企业，t代表时间，j代表企业所在城市，c表示企业所在省份。Misit作为被解释变量，能够分别用于代表产出扭曲MisYsi、资本投入扭曲MisKsi和企业的资源配置效率MisAllsi，Digitalit代表企业的数字化转型水平。βXit代表企业控制变量，φYjt代表城市控制变量，θZct表示省份控制变量，μi代表企业固定效应，γt代表时间固定效应，λp代表行业固定效应，εit代表随机误差项。

2. 变量设计

（1） 被解释变量

企业的产出扭曲(MisY)、资本投入扭曲(MisK)和资源配置效率(MisAll)。在产出和投入指标的选择方面，文章沿袭了王文、牛泽东(2019)的做法[9]，采用企业增加值衡量制造业企业的实际产出，由于上市公司没有提供企业增加值的指标，因此文章采用王文、牛泽东(2019)的方法[9]测算企业增加值，计算公式为：企业增加值=营业收入-中间投入+应缴增值税，中间投入=营业成本+销售费用+管理费用+财务费用-支付给职工以及为职工支付的现金-固定资产折旧、油气资产折耗、生产性生物资产折旧。其中的应缴增值税指标参照余新创(2020)的方法进行测算[10]，计算公式为：应缴增值税=（销售商品、提供劳务收到的现金-购买商品、接受劳务支付的现金）/（1+增值税税率）×增值税税率；将企业资本存量定义为固定资产净值与固定资产折旧、油气资产折耗、生产性生物资产折旧之和；将劳动投入ωLsi用支付给职工以及为职工支付的现金表示。

在参数设定方面，产品异质性可以用产品替代弹性σ 来表示，产品替代弹性越大，则说明产品异质性越弱(Hendel&Nevo，2006)[11]。文章借鉴Hsieh & Klenow(2009)较为保守的做法[5]，将企业间的产品替代弹性σ 设为3，将资本的借贷价格R定为0.1，其中5%代表真实利率，5%代表折旧率。此外，文章借鉴李欣泽(2019)的做法[12]，利用面板固定效应法测算在规模报酬不变的假设下2007—2020 年制造业上市公司的资本要素弹性系数。

（2） 核心解释变量

企业数字化转型水平(lnDigitalit)。文章参照吴非等(2021)的方法[5]，使用Python 文本挖掘技术分析2007—2020 年上市公司企业年报中数字化转型相关词汇出现的频次，以此构造衡量企业数字化转型的指标，包括人工智能技术、大数据技术、云计算技术、区块链技术和数字技术运用五个方面的关键词，详见表1。数字化转型关键词出现的总频次越多，企业数字化转型水平越高。考虑该指标数据的波动性较大，故而对其作自然对数化处理。

表1 企业数字化转型关键词

（3） 企业、城市和省份层面的控制变量集

企业层面的控制变量包括企业资本密集度lnFixed，用人均固定资产净值的自然对数衡量；企业规模lnSize，用企业营业收入的自然对数衡量；资产负债比lnRatio，用企业负债率衡量；企业年龄lnAge，用年份与企业开工时间差值的自然对数衡量；现金流量Cash，用企业营业活动产生的现金流量净额与营业收入的比值衡量。对于宏观层面的控制变量，文章借鉴步晓宁(2019)的研究[13]，控制以城市人口的自然对数衡量的城市人口规模lnPeople，用企业所在的城市人均GDP 的自然对数衡量城市经济规模lnPgdp以及用企业所在省份的市场化指数衡量市场化水平Market。

3. 数据来源与处理

文章选取2007—2020 年中国制造业A 股上市公司数据来源于Wind 数据库和国泰安CSMER 数据库；城市数据来自对应年份的《中国城市统计年鉴》 《中国区域统计年鉴》、国泰安CSMER 数据库以及中经网统计数据库；省份数据来自由樊纲和王小鲁编制的对应年份《中国分省份市场化指数报告》。

文章对原始数据进行了一系列处理。第一，将指标缺失严重的地级市剔除。第二，根据利用企业所在地、城市代码、城市名称等信息将企业、城市、省份的数据进行合并整理，得到包含企业—城市—省份三个维度信息的面板数据。第三，根据《国民经济行业分类标准》筛选出制造业行业。第四，对企业样本中的异常值予以剔除，包括关键变量缺失、重复出现和不符合会计准则的样本。第五，对连续型变量进行两侧1%的缩尾处理。

五、实证结果分析

1. 变量描述性统计

表2 报告了各变量的描述性统计特征，企业的产出扭曲MisY、资本投入扭曲MisK和数字化转型水平lnDigital在考察期均存在一定波动，而资源配置效率Misall的波动幅度更大。

表2 变量描述性统计

2. 基准回归

为了验证数字化转型如何影响企业资源配置效率及其内在机制，文章在表3 中汇报了数字化转型对企业产出扭曲、资本扭曲和资源配置效率影响的回归结果。(1)~(2)列的被解释变量是企业产出扭曲，(3)~(4)列的被解释变量是资本投入扭曲，(5)~(6)列的被解释变量是资源配置效率。为提升模型的稳健性，文章使用了逐步添加企业控制变量，城市、省份等宏观层面控制变量的方法，同时控制了企业固定效应和时间固定效应，用以排除无法观测到的企业特征和时间特征带来的影响，此外，为了排除由于行业变动对估计结果造成的影响，文章还在各模型中控制了行业固定效应，然后观察核心解释变量lnDigital的变化。

表3 的结果表明，数字化转型lnDigital在5%水平下显著影响了企业的产出扭曲MisY，结合描述性统计中的企业产出扭曲均值可知，企业数字化转型水平每提升1%，就会矫正企业面临的产出扭曲0.0111~0.0116 个单位；数字化转型也矫正了企业的资本投入扭曲，每当企业数字化转型水平提升1%，企业资本投入扭曲MisK的平均矫正幅度为0.00975~0.0111，回归结果均在5%水平下显著；数字化转型在整体上显著提升了企业资源配置效率，随着宏观控制变量的添加，回归系数虽然有所减小，但始终在5%水平下显著。通过上述分析，可以判断，数字化转型不仅能矫正企业面临的产出扭曲，也能调整企业资本投入和劳动投入之间的相对偏离，促进资源配置效率提升。

表3 基准回归

3. 稳健性检验：对潜在内生性处理

（1） 内生性检验：滞后项回归

前文检验了数字化转型对企业产出扭曲、资本投入扭曲和资源配置效率的影响，但其中也许存在反向因果关系，即产出扭曲程度越低、资本投入扭曲程度越严重、资源配置效率更高的企业更注重数字化转型，企业的数字化转型水平也就更高。为了确认基准回归的可信度，文章分别将领先一期和领先两期的企业数字化转型变量纳入回归模型中，替换当期的企业数字化转型变量，即分别用L.lnDigital和L2.lnDigital替换lnDigital，这是因为企业当期的资源配置扭曲和资源配置效率可能会影响当期的数字化转型水平，但不可能对前一期和前两期的企业数字化转型水平产生影响，故而纳入滞后期企业数字化转型变量的回归模型能够有效克服反向因果关系造成的识别困难。通过表4 的检验结果不难看出，在将核心解释变量替换为领先一期或领先两期的企业数字化转型变量后，核心解释变量回归系数的方向始终与前述结果保持相同，显著性还有所提升，初步说明基准结果具备稳健性。

表4 内生性检验：滞后项回归

（2） 内生性检验：工具变量回归

为了进一步缓解内生性问题，文章借鉴陈庆江等(2021)[14]的方法，选择企业所处行业内其余企业数字化转型水平的均值作为工具变量，其中的逻辑在于其余企业数字化转型水平的均值作为更高维度的变量，一方面不会被特定企业的资源配置产生影响，另一方面出于行业的共同特性，行业内其余企业数字化转型水平的均值通常会与该行业内某个企业的数字化转型具有较强的相关性，至此，工具变量满足了相关性和外生性要求。

为了适应低磷环境，植物自身在逆境中会形成一套适应机制[5]。本研究结果表明，耐低磷苦荞较不耐低磷苦荞有明显优势，表现为磷高效苦荞根系的SOD、POD、酸性磷酸酶等活性物质和可溶性糖及游离脯氨酸含量等渗透调节物质的增幅大于低磷敏感性苦荞，而MDA的增量小于不耐低磷苦荞。与不耐低磷苦荞相比，耐低磷苦荞能较好地减少膜脂过氧化造成的伤害，分泌酸性磷酸酶以保证磷素的吸收，提高自身的渗透调节能力，延缓衰老，有利植株生长。

从表5 的工具变量回归结果来看，尽管企业产出扭曲不显著，但企业资本投入扭曲和资源配置效率的系数与显著性均没有表现出较大差异，整体上说明前文的研究结论具备稳健性。

表5 内生性检验：工具变量回归

4. 异质性分析

前文从总体上分析了数字化转型对企业资源配置效率的影响，但是在研究资源配置效率的过程中，不可忽视的是要素投入情况的差异性，这是因为在企业实际规模与最优规模产生偏离时有两种情况：一是整体的要素投入量不足，导致企业的实际规模小于预期规模；二是整体的要素投入量过度，导致企业的实际规模大于最优规模。基于此，文章将样本分为要素投入过度和要素投入不足的组别，用以区分在不同要素投入情况下数字化转型对企业资源配置效率的差异性影响，估计结果见表6。

由表6 的(1)、(3)、(5)列可知，在整体的要素投入不足时，数字化转型无法对企业的产出扭曲、资本投入扭曲和资源配置效率产生显著的影响；通过(2)、(4)、(6)列可知，在整体的投入要素过度时，数字化转型不仅能显著矫正企业的产出扭曲，也能显著提升企业资源配置效率，这充分说明了数字化转型主要是通过疏解过于拥挤的投入要素来提高企业的资源配置效率，这一结果也从侧面证实了数字经济有助于改善企业间的要素分配，促进中国制造业企业的均衡发展。

表6 要素投入差异性分析

考虑到中国制造业企业的发展在各地区存在较大的差异，数字化转型的资源配置效应也可能有所不同，故而文章进一步进行地区异质性分析。表7 的(1)~(4)列结果显示，数字化转型对企业产出扭曲和资本投入扭曲的影响仅在东部地区显著，说明数字化转型能缓解东部地区的要素扭曲，矫正资本投入要素和劳动投入要素对最优配置状态的偏离，提高两类生产要素投入的边际收益；(5)~(6)列结果显示，数字化转型对企业资源配置效率的影响仅在中西部地区显著，说明数字经济的发展趋势对中西部地区企业产生了更强的助推作用，企业实际规模对最优规模的偏离程度不断下降。

表7 地区差异性分析

Hsieh&Klenow(2009)[5]认为产权歧视是导致制造业资源误置的关键因素，那么，数字化转型对不同产权的制造业企业又会表现出怎样的差异化影响呢？表8 的(1)、(2)列结果显示，数字化转型显著矫正了民营企业的产出扭曲，但对国有企业的影响不显著；(3)、(4)列结果表明，数字化转型对这两类企业的资本投入扭曲的影响不明显；结合(5)、(6)列结果可以判断，在不同产权性质之下，数字化转型能够更有效地提升民营企业的资源配置效率，为民营企业的高质量发展提供更多机会。

表8 企业产权差异性分析

六、研究结论与政策建议

1. 研究结论

文章在构建企业资源配置效率测算框架的基础上，选取2007—2020 年中国A 股上市公司数据测度制造业企业的产出扭曲和资本投入扭曲，以及由两类扭曲导致的企业规模变异，据此研究数字化转型对企业资源配置效率的影响，研究发现：数字化转型显著矫正了企业的产出扭曲和资本投入扭曲，提升了企业资源配置效率，稳健性检验支持该结论；要素投入不足时，数字化转型对资源配置效率的影响并不明显；投入要素过度时，数字化转型不仅能显著矫正企业的产出扭曲，也能显著提升企业资源配置效率；数字化转型对企业产出扭曲和资本投入扭曲的影响在东部地区更显著，对资源配置效率的影响在中西部地区更显著；数字化转型能够更有效地提升民营企业的资源配置效率。

2. 政策建议

（1） 突破关键数字技术，促进数字科技与制造业互动发展

通过多部门合作，突破关键数字技术，增强中国数字驱动力。在人工智能、5G 通信、云计算等先进数字技术领域集聚多方顶级科研团队，打通产学研深度协作的创新渠道。要继续推动数字科技与制造业的互动融合，完善数字基础设施体系，提高数据链的完整性与兼容性，加强数字经济产业的标准与保障体系建设，提升中国数字经济的供给力与承载力。要充分依托数据科学，挖掘数据资源生产力，建立世界一流的数据平台，构建知识图谱，突破数字治理瓶颈，提振中国制造业的核心竞争力。

（2） 推动要素市场化改革，加强疏导要素资源

要进一步发挥市场在配置资源方面的作用，疏导结构上相对冗余的要素资源。加大力度破解国有企业的预算软约束问题，提升民营企业、中小微企业的融资便利度，扩张融资覆盖面，减少资本配置扭曲。同时，完善数字制造、智能制造领域人才的知识和技能培育体系，加强中、低技能劳动力在职培训和再就业培训，引导劳动力资源科学分流，破解数字经济时代下劳动力资源供需不足的结构性矛盾。

（3） 实施多元化的数字经济发展战略，释放数字化转型的积极效应

各级部门要避免实施一元化、同质化的数字经济发展战略，依据地方特色的资源禀赋制定具有差异化的数字产业发展政策，鼓励和引导不同产权、具备不同技术特质和比较优势的企业实施具有竞争性的数字化转型方案。要进一步破除市场壁垒，强化区域合作，积极地将东部地区的头部数字经济企业和数字制造企业引入西部地区，传播数字领军企业的成长经验，更好地促进各区域的均衡发展。