大数据发展如何影响企业全要素生产率?——基于内外部双重视角的分析

戴艳娟,沈伟鹏

(广东外语外贸大学 经济贸易学院,广州 510006)

一、引言

随着互联网、大数据技术的蓬勃发展,数据要素的作用逐步得到重视。2014年,“大数据”一词首次被写入《政府工作报告》;2019年,党的十九届四中全会首次将数据与传统的资本、劳动、土地和技术一道被视作生产要素,提出要健全和完善分配机制,使数据要素融入社会生产并按照贡献参与分配;2021年12月出台的《“十四五”数字经济发展规划纲要》指出,数据要素是数字经济深化发展的核心引擎。2022年政府工作报告也强调要释放数据要素潜力,赋能经济发展。随着全社会数字化发展程度的提升,各行业各领域所产生的数据量呈几何级数增加。如何打通数据流通壁垒、盘活数据要素资产,是深化数字经济发展、推动数字经济与实体经济深度融合需要解决的问题。

为整合利用中国大数据资源优势、培育大数据产业,国家工信部在2016年批复设立八个国家级大数据综合试验区,推进数据资源管理与开放共享,提升数字技术发展水平。在着力建设大数据试验区的背景下,贵州省数字基础设施水平大幅提升,排名从全国第29位跃升至第15位,各试验区仅2016—2017年新申请的数据技术发明专利就多达8000余项,大数据创投项目融资额超千亿元。可见,大数据试验区建设能有效弥补数字化短板、整合数据资源、提升区域创新能力。那么,立足于中国深化数字经济发展、推动数字经济与实体经济深度融合的背景下,大数据发展对企业生产效率具有怎样的影响?企业如何更好利用大数据提升自身发展水平?厘清上述问题,将有助于为推进大数据与实体企业深度融合、赋能企业高质量发展提供政策启示。

梳理相关文献后可以发现,现有研究从多个视角探讨了数字经济或数字技术对企业全要素生产率的影响,主要可归纳如下:一类是关于区域数字化发展对企业全要素生产率的影响研究。数字金融是数字技术赋能下金融生态的深刻变革,突破了传统金融的边界约束。较多文献探讨了区域数字金融发展对企业绩效水平提升的影响及相关机制,对数字金融发展优化企业发展环境、促进企业效率提升的作用给予了充分肯定。Chen等(2022)[1]运用阿里巴巴商业贷款数据,发现金融科技贷款能有效降低小微企业的收入波动与破产概率。唐松等(2020)[2]利用北京大学发布的数字金融指数省级数据检验数字金融发展与企业技术创新的关系,发现数字金融发展具有创新驱动效应。王道平和刘琳琳(2021)[3]的研究表明,数字金融能有效缓解传统金融存在的“金融歧视”和“金融错配”问题。顾宁等(2021)[4]基于中国小微企业调查数据的研究,也发现数字普惠金融的发展能显著提升小微企业全要素生产率,且对较大型、中东部、经济发达地区的小微企业更有效,在缓解融资约束方面能起到“雪中送炭”的作用。在此层面上的研究还分析了区域数字经济发展提升企业生产率的潜在机制,部分文献基于“宽带中国”“智慧城市”等外生政策冲击衡量数字经济对企业高质量发展的政策效应,以缓解反向因果带来的内生性。如温湖炜和钟启明(2022)[5]研究发现,“智慧城市”建设通过激发创新动力、降低交易成本和提高管理效率提升了企业全要素生产率;郭金花等(2021)[6]以“宽带中国”政策为准自然实验发现数字基础设施完善有助于提升企业全要素生产率。另一类是关于数字化转型影响企业全要素生产率的研究。此类文献多采用年报中有关数字经济的文本词频构建企业数字化指标,聚焦微观层面,探讨企业数字化转型对生产经营等多方面的深刻影响。如赵宸宇等(2021)[7]研究发现,企业数字化转型通过提升创新能力、优化人力资本结构以及业务服务化转型对企业全要素生产率形成显著的促进作用;何帆和刘红霞(2019)[8]考察了企业数字化变革带来的业绩提升效应,发现数字化转型能够降低成本费用、提高资产利用效率和创新能力,从而正向影响企业经济效益。

总体上看,当前关于数字技术如何影响企业全要素生产率的研究已经在多个维度展开,成果较为丰富。然而,鲜有文献对大数据发展的经济后果进行专门的探讨,也缺乏相关的经验证据。鉴于大数据发展具有丰富的内涵,目前关于大数据发展具体包含哪些内容、如何科学评估地区大数据发展水平尚未形成统一认识。2015年国务院印发的《促进大数据发展行动纲要》(国发(2015)50号,以下简称《纲要》)指出,“大数据”是以大容量、多类型、快存取、高应用价值为主要特征的数据集合,通过对数量庞大、来源分散、形式多样的数据的采集、存储和分析催生了新一代信息技术和服务业态。从《纲要》提出的三大主要任务与十项重点工程来看,数据要素市场建设、大数据(数字)基础设施完善以及大数据产业集聚与发展是大数据发展的重要内容,大数据试验区将在数据中心整合利用、大数据要素流通、大数据制度创新、大数据产业发展等方面展开丰富的探索和试验,通过试点示范形成可复制可推广的发展经验,引领带动全国的大数据发展。同时,史丹和孙光林(2022)[9]认为,大数据发展包含了大数据技术发展以及相应的市场条件、制度环境的改善。因此,在相关统计数据尚不完善的情况下,分析国家级大数据综合试验区设立的政策效应能使我们对大数据发展的经济后果和社会影响具有更直观和清晰的认识。少量研究通过构建宏观层面(史丹和孙光林,2022)[9]或微观层面(孙洁和李杰,2022)[10]的大数据发展指标检验了大数据发展对微观企业的影响,基于国家级大数据综合试验区的文献则主要聚焦企业创新、城市发展与企业数字化转型(陈文和常琦,2022; 侯林岐等,2022;孙哲远,2022)[11～13],对企业全要素生产率的研究尚待填补。大数据发展是否影响企业全要素生产率,其内在机制如何,鲜有实证研究给出系统解答。为此,本文利用2007—2020年中国沪深A股上市公司数据,以国家工信部批复设立国家级大数据综合试验区为准自然实验,分析和讨论大数据发展对企业全要素生产率的影响及作用机制,并探讨背后的发展效应异质性。

相较于既有文献,本文可能的边际贡献主要有:首先,本文基于上市公司微观数据,将国家级大数据综合试验区设立作为大数据发展的准自然实验,识别了大数据发展对企业全要素生产率的影响和潜在机制,研究结论更具可靠性和代表性;其次,本文聚焦微观层面的机制分析,基于内外部双重视角提出并验证了大数据发展可能通过在企业内部优化人力资本结构、提高内部控制水平,从企业外部降低环境不确定性和金融错配程度,进而提升企业全要素生产率,深化并拓展了数字技术发展影响微观企业的相关研究,有助于进一步厘清数字技术赋能企业高质量发展的作用机理;最后,在研究实践上,本文为进一步推进数字中国、网络强国建设补充了经验证据,同时为推动企业进行更加广泛深入的数字变革、运用数字技术赋能高质量发展提供了新的思路。

二、 理论分析与研究假设

(一)大数据发展与企业全要素生产率

全要素生产率是企业技术创新、组织结构优化和管理水平提升等一系列综合作用的结果。大数据发展通过数字化赋能构建了有利于促进企业创新、提升组织效能和完善公司治理的优良环境,为企业全要素生产率提升营造了良好生态。总体来看,大数据技术能够降低交易成本并扩大市场范围(Lyytinen et al.,2016)[14]、降低连接成本和提升资源配置效率(史丹和孙光林,2022)[9]。在企业外部,大数据试验区设立在充分利用和整合现有数字技术和平台资源的基础上,以大数据技术为各市场主体和创新主体搭建信息交换共享的桥梁,增强了产业链上下游的协同度,提高了信息透明度和市场运行效率,既赋能企业更加准确洞察市场走向、发现市场痛点、捕捉用户需求,又能让具有个性化定制需求的市场买方与研发主体高效对接,进而扩大市场范围,提升企业创新积极性和成功概率;在企业内部,大数据发展能够优化组织结构和运营模式、完善公司治理,提高内部控制质量,通过制度创新与流程创新塑造竞争新优势,提升企业内部上级与下级、总部与分支机构间的协作效率。此外,大数据浪潮下企业的数字化转型还能够降低企业融资壁垒、提高融资效率、优化财务状况。总之,大数据发展通过改善企业内外部发展环境、提升企业竞争力,能够有力提高企业全要素生产率。据此,提出以下假设:

假设1:大数据发展有助于提升企业全要素生产率。

(二)内部视角:人力资本与内部控制

从内部视角看,本文认为,大数据综合试验区设立可以通过优化企业人力资本结构和提升内部控制质量,进而促进企业全要素生产率提高。

在人力资本结构方面,数字化浪潮下,企业外部环境和内部管理模式及流程逐步实现数字化,这在深刻改变企业竞争力的同时也对劳动力需求和结构产生了重大影响。已有研究发现,企业数字化降低了生产环节低技能劳动力的需求,不可避免地导致低技能劳动力岗位的消失,但新业态、新模式下企业需要能够胜任数字化生产、销售、管理等过程的高技能人才。总体而言,数字技术发展在减少低技能劳动力岗位的同时也创造出高技能岗位需求(Acemoglu and Restrepo,2018)[15]。高质量劳动力和知识资本融入生产经营过程后,产生的扩散效应将有效提升企业创新能力,推动全要素生产率攀升。与此同时,在价值链高端化的过程中,企业劳动要素专业化程度不断提高也有助于整合价值链各环节,降低业务流程损耗和交易成本,从而提升企业生产效率(赵宸宇等,2021)[7]。另外,大数据发展下,部分提供隐形知识服务的高技能人才基于数字平台的连接性能够通过畅通的学习交流不断提升人力资本,巩固增强企业人力资本竞争优势(陈岩等,2020)[16],同样有利于赋能企业全要素生产率提升。

在内部控制质量方面,企业内部控制是一套包括风险识别、风险分析和风险应对的系统成熟的风险管理机制(刘少波等,2023)[17],为企业进行创新活动等提供了重要支撑。大数据发展可以赋能公司内部治理,进而提升全要素生产率,原因在于:首先,大数据、人工智能、云计算等数字技术的发展和应用能够强化管理层对生产经营各流程的监管与把握,提升企业风险预警和管理水平,降低决策失误,有利于防范化解各类经营风险。其次,数字化办公等模式的推行能打破部门间信息壁垒,提升企业内部沟通效率,推动企业朝着治理和管理智能化的方向迈进。最后,大数据发展能提高企业透明度,降低信息不对称,外部投资者和监管机构对企业日常状况的了解和掌握比以往更加全面和及时,这可以明显降低代理成本、缓解企业风险(权小锋和吴世农,2010)[18]并抑制大股东“掏空”行为,降低企业经营业绩恶化或出现极端值的概率(卢闯等,2011;Cheng et al.,2020)[19～20]。综合以上推论,提出以下研究假设:

假设2:大数据发展可以通过优化人力资本结构和内部控制质量提升企业全要素生产率。

(三)外部视角:金融错配与环境不确定性

从外部视角看,本文认为,大数据综合试验区设立可以通过降低金融错配程度和环境不确定性,从而提升企业全要素生产率。

金融错配是指金融资源配置的低效状态。金融资源的错配至少会造成以下几个方面的负面影响而降低企业全要素生产率:(1)抑制创新能力。创新需要投入大量资源,金融资源是企业创新能力提升的重要保障(Kerr et al.,2014)[21]。由于金融错配的存在,一方面融资约束度高的企业往往需承担更高昂的融资利率,这无疑将增加企业创新成本,制约创新效率;另一方面金融资源的“超配”使得部分国有企业从事贷款转手业务,无风险利差套利削弱了企业创新的动力,挤占了创新活动空间。(2)降低投资效率。金融资源的偏向性供给使市场上同时出现融资成本低的企业过度投资、融资成本高的企业因创新能力和资金受限而投资不足。金融错配的存在会降低市场对创新项目的敏感性,造成创新资源的误置(冉茂盛和同小歌,2020)[22]。(3)滋生寻租活动。要素价格的扭曲容易形成寻租空间,寻租行为若能为企业带来利润,将对创新活动形成“挤出效应”,降低企业全要素生产率。相对应地,大数据技术将重塑金融生态,降低金融服务获取门槛,企业存量数据被盘活,企业多维度的信息能够通过大数据技术被潜在的资金提供方所感知,传统金融体系中的信贷歧视现象有所减少,原本在传统金融体系中未能得到金融资源的企业也能受益于数字普惠金融等数字技术赋能产品的“长尾效应”,金融错配现象得到缓解。

与以上逻辑相似,从环境不确定性视角看,企业环境不确定性提升也会负向影响企业全要素生产率,这主要归因于其对创新活动的抑制。实物期权理论认为,环境不确定性提高将增加企业边际投资成本,进而促使企业暂缓投资,以等待环境的明朗。并且企业管理层的委托代理冲突将因环境不明朗而更容易发生,管理层隐瞒坏消息的动机和能力有所提高,外部监管难度增加,投资效率降低(周晓苏等,2016)[23],内部控制能力削弱,这无疑会损害企业创新能力。而大数据技术的发展能在相当程度上为企业提供“确定性”,从而有利于提升全要素生产率:大数据发展一方面可以赋能企业提高感知外部市场供需偏好的准确性,有针对性进行投资和研发;另一方面能够更加科学地研判市场需求的更新迭代规律,降低技术市场投资的不确定性风险。综合上述推断,提出以下研究假设:

假设3:大数据发展可以通过降低环境不确定性和缓解金融错配提升企业全要素生产率。

三、 研究设计

(一)模型设计

观测期内,中国共有10个省份(城市)获批建设国家级大数据综合试验区,事件均发生在2016年。其中,贵州在2015年9月就已启动建设,其余区域(京津冀地区、珠三角城市群、上海、河南、重庆、沈阳和内蒙古)在2016年下半年获批后才正式启动。参考已有文献的做法,本文将2015年作为贵州省政策试点起始时间,2016年作为其余试点区域的政策时间节点,并将上述区域内的上市公司作为实验组,其余区域上市公司作为控制组。鉴于控制组样本的政策施行时间并非统一,本文通过构建广义双重差分模型评估大数据综合试验区影响企业全要素生产率的政策效应。

TFPit=β0+β1Bigdatait+∑Controls+ ∑Industry+ ∑Year+ξit

(1)

其中,TFPit表示企业全要素生产率,Bigdata为本文核心解释变量,即大数据综合试验区设立的政策虚拟变量,若β1系数显著为正,则表明大数据发展能显著提升企业全要素生产率。∑Controls代表一系列控制变量,∑Year和∑Industry分别表示时间固定效应和行业固定效应,ξit为随机干扰项。

(二)变量说明

1．被解释变量

本文被解释变量为企业全要素生产率,目前测算微观企业全要素生产率的方法主要有OLS,GMM,FE,OP和LP法等(鲁晓东和连玉君,2012)[24]。其中,Olley 和 Pakes(1992)[25](以下简称“OP法”)与Levinsohn 和 Petrin(2003)[26](以下简称“LP法”)提出的半参数方法应用最为广泛。OP法需要以投资作为代理变量,要求企业真实投资始终大于零,因此,通常损失较多企业样本。而LP法将资本支出即投资替换为购买劳务和商品所支付的现金,同时保持其他要素不变,有效解决了这一问题;此外,Blundell和Bond(1998)[27]提出的一种广义矩方法利用工具变量思想解决了回归中的内生性问题,也得到学界广泛认同和采纳。因此,为缓解测度方法单一引起的测量偏误问题,本文将LP法(TFP_LP)估计的企业全要素生产率用于基准回归,以OP法(TFP_OP)和GMM法(TFP_GMM)的测算结果进行稳健型检验。

2．核心解释变量

本文核心解释变量DIDit为国家级大数据综合试验区试点虚拟变量。若i企业注册地位于试点区域内且在t年该项政策已开始试点则赋值为1,否则赋值为0。

3．控制变量

参考王鹏飞等(2023)[28]和李姝等(2023)[29]的做法,选取以下变量作为控制变量:(1)财务杠杆:以资产负债率表示,即总资产与总负债之比;(2)独董比例:独立董事占董事会总人数的比例;(3)两职合一:若董事长兼任总经理则取值为1,否则取0;(4)股权集中度:以第一大股东持股占总股本比重表示;(5)托宾Q值;(6)企业规模:总资产取自然对数;(7)企业年龄:以企业成立年限取自然对数表示;(8)资产报酬率:以净利润与总资产之比表示;(9)产权性质:若为国有企业则取值为1,否则取0;(10)资产结构:固定资产占总资产的比重。

(三)数据来源与处理

本文选取2007—2020年中国沪深A股上市公司为研究对象,将注册地点位于国家级大数据综合试验区试点区域内的样本企业作为实验组,其余企业作为控制组,并对企业级数据进行如下处理:(1)剔除金融类企业样本;(2)剔除带有ST或ST*标记的非正常交易企业样本;(3)剔除关键变量存在缺失值或异常值的样本;(4)剔除资产负债率小于0或大于1的企业样本;(5)对连续变量进行上下1%的缩尾处理。进行上述操作后共获得29337条企业-年份观测值。本文企业层面原始数据来自国泰安数据库(CSMAR)和Wind数据库,区域层面数据来源于历年《中国统计年鉴》。国家级大数据综合试验区试点名单来自工信部网站。相关变量的描述性统计详见表1。其中,被解释变量企业全要素生产率在使用LP法测算下样本企业的全要素生产率最大值达13.53,最小值仅为5.66,说明不同企业间的生产效率差异较大。同样,使用OP法和GMM法测算的最大值和最小值也存在较大差距。其余变量如企业规模、盈利能力等控制变量也在较大范围内波动,统计值分布均在合理范围内,与现有研究相近。

表1 描述性统计

表1(续)

四、 实证结果分析

(一)基准回归

为验证研究假设1,首先进行基准模型检验,结果如表2所示。其中,表2的(1)～(2)列未加入任何固定效应,表2的(3)～(4)控制了行业和年份固定效应。表2的(1)列和(3)列单独以政策变量进行回归,表2的(2)列和(4)列则进一步控制了资产负债率、独立董事比例、一大股东持股占比等企业层面特征。可见,无论是否加入控制变量、是否控制行业和时间固定效应,国家级大数据综合试验区设立均至少在1%显著性水平下提升了企业全要素生产率,初步证明大数据发展对企业全要素生产率具有提升作用。

表2 基准回归结果

表2(续)

(二)平行趋势检验

双重差分模型的适用前提是实验组和控制组样本在政策发生前被解释变量具有变化趋势的相似性,即不会随着时间推移存在系统性差异。为此,参考Jacobson等(1993)[30]提出的事件研究法,检验试点政策施行前后的平行趋势,构建如下模型:

(2)

其中,DID是一系列政策虚拟变量,表示政策实施前第5年到实施后第3年间的政策虚拟变量,其余变量意义与式(1)一致。由图1可以看出,以政策发生前一年为基期,国家级大数据综合试验区获批前的1～5年内实验组和控制组企业样本的全要素生产率并不存在显著差异,因此,本文被解释变量的变化满足平行趋势假定。

图1 平行趋势检验

(三)稳健性检验

1．安慰剂检验

基于双重差分模型的处理效应估计可能受到其他未被观测到的随机因素干扰,导致将其他遗漏变量引起的冲击归因于大数据试验区带来的影响。为排除此类干扰对估计结果的影响,本文分别通过虚构实验组企业和虚构政策实施时间的方式进行安慰剂检验。

第一,参考Chetty等(2009)[31]的做法,通过不断从所有区域中随机抽取与原本实验组企业样本数相同数量的企业重新组成伪实验组、其余企业作为控制组,并为虚拟实验组企业分别赋予政策实施时间进行回归估计,再将此流程重复500次。理论上看,若不存在其他随机因素或遗漏变量的影响,安慰剂检验的估计系数应不显著偏离零值,也就是说,随机设立的大数据试验区并不会对企业全要素生产率有显著影响。图2展示了安慰剂检验的估计系数核密度和p值分布情况。结果显示,估计系数均值在0附近,且p值绝大部分大于0.1,而真实的政策变量估计系数约为0.054,明显远离图2中估计结果。因此,可以基本排除大数据试验区内企业全要素生产率的提升是其他未观测到的因素所导致。

图2 “虚构实验组”安慰剂检验

第二,通过反事实估计的方式,统一给实验组企业提前赋予政策实施时间,若提前后的政策变量不足以解释企业全要素生产率的变化,则可以排除该变化是由其他事件冲击导致。本文以大数据试验区设立提前2年和3年为例进行检验,表3报告了估计结果。回归结果显示,政策变量无论是提前3年还是2年对企业全要素生产率都没有显著影响,所以政策效应不太可能由实验组地区其他事件冲击所引起,即大数据发展对企业全要素生产率的影响是显著存在的。

表3 虚拟政策时间

2．倾向得分匹配

为降低试验区和控制组企业间的系统性差异,减少估计偏误,参考石大千等(2018)[32]的做法,采用核匹配法的logit模型估计倾向得分,倾向得分值最接近的企业样本即与控制组企业相匹配。核匹配法相比其他匹配方式能最大限度利用原始样本,保留更加完整的信息。具体地,首先从企业层面控制变量中筛选出合适的协变量,然后根据倾向得分值逐期进行核匹配,最后对比匹配前后协变量的标准化偏差,评估匹配效果。从图3可以看到,协变量的标准化偏差均有较大幅度的缩小,位于0线附近,这表明倾向得分匹配后两组样本间的特征更加接近。从图4也可以发现,匹配前后实验组和控制组的倾向得分值的概率密度分布差异明显缩小。综合来看,本文匹配方法选择合理,效果较优。

图3 平衡性检验

(a)匹配前 (b)匹配后图4 倾向得分值核密度

进一步,本文将倾向得分匹配后的样本重新回归,结果如表4的(1)列所示。可见,基于倾向得分匹配的双重差分检验结果中大数据试验区设立的政策效应估计系数显著性并未发生实质性改变,依旧表明大数据发展能有效提升企业全要素生产率。

3．其他稳健性检验

为了保证大数据发展影响企业全要素生产率的政策因果推断结果的稳健可靠,本文进一步从以下方面检验基准回归结果的稳健性:(1)替换被解释变量测量方式。分别以OP法和GMM法重新测算企业全要素生产率,再次估计。(2)加入联合固定效应。在基准模型中分别添加行业×年份固定效应和省份×年份固定效应,以更好吸收行业或省份层面可能随时间变化的不可观测因素的影响。(3)采用单期DID。鉴于2015年受政策影响的样本较少,借鉴邱子迅和周亚虹(2021)[33]的做法,本文剔除了2015年第一批次试验组,再次回归。(4)控制样本偏差。剔除注册地位于四个直辖市的企业样本。(5)熵平衡匹配。参照Hainmueller(2012)[34]的研究思路,以控制变量为协变量,采用熵平衡匹配法缓解样本选择偏差带来的影响。(6)排除其他政策干扰。与大数据试验区政策实施时间相近的部分其他政策也可能对企业全要素生产率造成影响,因此,还控制了“宽带中国”和“智慧城市”政策变量。(7)控制区域特征。参考肖土盛等(2022)[35]的做法,在回归中加入若干可能影响企业全要素生产率的区域特征变量,包括第二产业占比和人均GDP。

基于上述方法的稳健性检验结果详见表4和表5。不难发现,核心解释变量的符号和显著性水平依然支持原有结论,这表明本文研究结论具有较高的稳健性。

表4 稳健性检验(一)

表5 稳健性检验(二)

表5(续)

(四)机制分析

上文的基准回归和稳健性检验结果为大数据试验区政策能有效提升企业全要素生产率这一论断提供了证据支撑,但这背后遵循怎样的机制呢?鉴于近年来学术界对中介效应模型中“三步法”存在的内生性隐患提出了较多质疑,因此,借鉴江艇(2022)[36]关于渠道分析的思路进行机制检验,探究大数据发展与企业全要素生产率提高间的逻辑路径,验证假设2的合理性。模型如下:

Mit=α0+α1Bigdatait+ ∑Controlsit+ ∑Year+ ∑Industry+ξit

(3)

TFPit=γ0+γ1Mit+ ∑Controlsit+ ∑Year+ ∑Industry+ξit

(4)

其中,Mit为机制变量,其余变量含义与基准模型相同。式(3)和式(4)分别考察了政策变量对机制变量的影响以及机制变量对企业全要素生产率的影响。本文重点关注α1和γ1的符号与显著性情况,如果二者同时满足显著性要求,那么机制分析的逻辑链条成立。

关于机制变量指标,参考Autor等(2003)[37]划分企业职工类型的标准,本文根据企业披露的员工数据将技术人员、销售人员和财务人员作为非常规高技能职工,以非常规高技能职工占总职工数的比重(HR)表示人力资本结构;借鉴韩国高等(2022)[38]的做法,采用深圳迪博公司发布的“内部控制信息披露指数”代理内部控制水平(IC);参考申慧慧等(2012)[39]的计算方法,以经行业调整的过去5年非正常收入的变异系数衡量企业环境不确定性(Uncertainty);借鉴宁薛平和张庆君(2020)[40]的研究,采用企业平均资金成本相对于本行业平均值的偏离程度表示金融错配程度(FM)。上述机制检验结果如表6和表7所示。

从内部视角看,表6的(1)～(2)列和(3)～(4)列分别汇报了企业人力资本结构优化和内部控制水平提升影响全要素生产率的检验结果。表6的(1)、(3)列的回归结果显示,大数据试验区设立分别在1%和5%的显著性水平下优化企业人力资本结构和提升内部控制水平,基于内部视角的机制分析研究假设2的前半部分逻辑成立。表6的(2)、(4)列的回归结果显示,企业人力资本结构优化与内部控制水平提高能够显著提升全要素生产率,研究假设2的后半部分逻辑亦成立。综上所述,对于大数据发展如何影响企业全要素生产率的问题,可以证实存在“大数据发展-企业人力资本优化-企业全要素生产率提升”和“大数据发展-内部控制水平提高-企业全要素生产率提升”两条机制。可见,大数据发展一方面为企业发展聚合了大量高端人才,另一方面能疏通、整合企业内各部门间的信息流,加强管理层对企业各环节的掌控和外部股东对职业经理人的监督,助力企业发展提质增效,提升全要素生产率。因此,研究假设2成立。

表6 内部机制分析

从外部视角看,表7的(1)～(2)列和(3)～(4)列分别报告了企业环境不确定性和金融错配影响全要素生产率的回归结果。由表7的(1)、(3)列的回归结果可知,大数据发展能降低企业环境不确定性、降低金融错配程度。由表7的(2)、(4)列的回归结果可知,降低环境不确定性和金融错配程度能有效提升企业全要素生产率。基于前文的分析逻辑,可以证实存在“大数据发展-环境不确定性降低-企业全要素生产率提高”和“大数据发展-降低金融错配程度-企业全要素生产率提高”的影响路径。大数据发展通过盘活数据资产、增强数据流动性,一方面降低了信息不对称,能够稳定市场预期,降低企业投资盲目性和经营业绩的波动性,另一方面优化金融资源配置,缓解“融资难”“融资贵”等中小企业的“急难愁盼”问题。由此可见,研究假设3成立。

表7 外部机制分析

表7(续)

(五)异质性分析

尽管前文已经验证了大数据综合试验区设立对企业全要素生产率具有提升效应,但这种作用对具备何种特征的企业效应更加显著依然值得探讨。为此,本文在企业层面从以下若干角度考察大数据发展影响企业全要素生产率的异质性特征。

第一,将研究样本按照融资约束程度划分为高融资约束型企业和低融资约束型企业。其中,融资约束以内生性较弱的SA指数作为代理变量。为了协调分组间样本数量的平衡性,本文按照SA指数的行业—年度中位数构建“是否属于高融资约束型企业”的哑变量(若是,取1;若否,取0)进行分组回归检验,结果如表8的(1)～(2)列所示。结果表明,大数据发展对高、低融资约束型企业的全要素生产率都具有提升作用,综合核心解释变量的显著性和系数差异性可知,大数据试验区设立对融资约束程度高的企业全要素生产率提升作用更大。这也从侧面印证了大数据发展能够缓解企业“融资难”的问题,提升金融资源配置效率。

第二,基于类似的方法,本文检验了国有企业和非国有企业的政策效应差异,根据实际控制人属性将企业以“是否为国有企业”分组。从表8的(3)～(4)列可以看到,国有企业政策效应在显著性和回归系数上均远低于非国有企业,大数据试验区设立仅对非国有企业的作用显著。这可能是因为民营企业相比于国有企业在融资渠道、市场资源等方面具有天然的劣势,更需要借助数字化技术与大数据环境整合现有资源、扩展盈利能力,实现生产效率的提升。

表8 异质性分析(一)

表8(续)

第三,以管理层持股比例的中位数为分组依据,检验管理层持股比例高低的政策效应异质性,如表9的(1)～(2)所示。可以发现,管理层持股比重相对更高的企业大数据发展政策效应更加显著。这或许是由于较高的管理层持股比能使管理者与股东产生利益趋同效应(胡山和余泳泽,2022)[41],管理层因此具备更强烈的责任意识和工作热情,这有利于整合内外部资源,抓住数字化浪潮的机遇,赋能企业高质量发展。

第四,本文还检验了处于不同生命周期企业的政策效应异质性。从表9的(3)～(5)列可以看到,在三个分组中,成熟期和衰退期企业的全要素生产率分别在5%和1%显著性水平下得到有效提升,而成长期企业政策效应并不显著。这可能是因为大数据发展为衰退型企业寻找业绩增长点提供了新的可能路径(余典范等,2022)[42],成熟期企业经营业绩稳定,有天然的条件对流程、模式和业态等进行改造升级,而处在成长期的企业一方面需要聚焦于主业业绩,现金流尚不稳定,另一方面成长阶段的企业往往经营效率较高,数字技术的生产率提升效应较不明显。

表9 异质性分析(二)

五、结论与启示

在深入推进数字中国、网络强国建设的背景下,如何运用大数据技术赋能企业高质量发展是一个值得探讨的问题。本文以2007—2020年沪深A股上市公司为研究样本,以国家级大数据综合试验区设立为准自然实验,实证分析了大数据发展对企业全要素生产率的影响及潜在机制,并对政策效应的异质性进行检验。结果发现:(1)大数据发展能有效提升企业全要素生产率,并且该结论在经过安慰剂检验、倾向得分匹配、替换被解释变量测量方式等一系列稳健性检验后依然成立;(2)大数据发展对企业全要素生产率的影响机制具有内外部并存的特点,其中,内部机制体现为优化人力资本结构和提升内部控制水平,外部机制体现在降低企业金融错配程度和环境不确定性;(3)异质性分析表明,大数据发展对高融资约束度、高管理层持股比例的企业以及非国有企业全要素生产率提升效应更加明显,与此同时,大数据发展仅提升了成熟期和衰退期企业的全要素生产率而对成长期企业影响不显著。

根据以上结论,得出如下政策启示:

第一,加快基础设施数字化改造和更新,为充分运用大数据赋能企业发展提质增效创造良好环境。本文发现,区域大数据发展能显著提升企业全要素生产率,赋能企业高质量发展。因此,需要政府通过综合施策为大数据发展创造条件,一方面通过运用大数据、云计算、人工智能等新兴技术对传统基础设施进行智慧化改造,让“老基建”焕发新活力;另一方面加强大数据平台建设和管理,有序建设公平开放、安全共享的行业级数据平台,建立健全保障数据安全、合理分配数据使用权责的管理规则,优化数据要素使用方式。同时,逐步打破政府部门间和政企间的流通壁垒,构建数据流通共享机制,加快数据要素市场化改革,提升政府服务效能和企业办事效率,释放数据要素价值,优化企业营商环境。此外,还要加强监管部门运用数字技术进行高效执法和监督的能力,做到全流程覆盖。

第二,加强劳动力数字技能培训,助力提升企业人力资本水平。本文发现,人力资本结构优化是大数据发展提升企业生产效率的重要途经。提升人力资本水平有助于企业顺应大数据时代的全方位变革,更好把握数字机遇,从而提高企业全要素生产率。当前,数字中国建设仍处在快速发展时期,包括企业在内的各种组织、单位对具备大数据技能的人才依然求贤若渴。政府一方面要引导各类高校根据行业需求和教学基础建立与大数据相关的人才培养方案和相关专业,另一方面鼓励校企合作,分行业根据市场实际需要编制大数据技能人才培养方案,建立企业与高校间的交流机制与人才档案库,持续为各行业输送数字化人才;此外,还需要鼓励和支持企业对员工进行数字化技能培训,提升数字化软实力。

第三,优化企业数字化转型的激励政策,因企施策引导企业融入数字化环境。本文分析发现,大数据试验区设立对融资约束程度、管理层持股比例、产权性质和生命周期特征不同的企业具有明显的政策效应异质性,因此,需要梳理各类企业的经营发展在大数据发展中受到怎样的影响,探索大数据发展提升企业全要素生产率的多维路径,采取针对性措施打通政策红利发挥的“最后一公里”。企业要重视流程和业务模式的数字化转型,加强数据管理和应用能力。政府要增强服务意识,针对中小民营企业、融资约束程度高的企业提供创新保障政策包,并对处于不同生命周期阶段的企业分类施策,增强企业数字化创新和运用数字工具提升生产效率的能力,培育壮大市场主体和增长新动能。