工业互联网对制造业企业全要素生产率的影响

伍先福 钟鹏

摘 要：本文利用中国制造业A股上市公司2016—2020年的面板数据实证检验工业互联网对制造业企业全要素生产率的影响。研究发现，工业互联网对制造业企业全要素生产率具有显著的提升效应；工业互联网主要通过提高劳动生产率、降低成本费用率、提高研发投入强度等路径来提升制造业企业全要素生产率；这种全要素生产率提升效应在东部与西部地区显著但在中部与东北地区不显著，对技术密集型企业显著但对劳动密集型与资本密集型企业不显著，对成熟期企业显著但对成长期企业不显著，对民营企业显著但对国有企业不显著。为此，有必要设法提高工业互联网在制造业企业中的渗透率，充分发挥工业互联网对制造业转型升级的赋能效应，工业互联网的推进策略应基于不同情境而有所差异。

关键词：工业互联网；制造业；全要素生产率；作用机制

中图分类号：F0629  文献标识码：A  文章编号：1001-148X（2024）03-0020-12

收稿日期：2023-06-08

作者简介：伍先福（1980—），男，湖南娄底人，教授，博士，研究方向：数字经济与产业升级、全球价值链攀升；钟鹏（1996—），本文通讯作者，女，湖南邵阳人，助教，研究方向：产业经济学。

基金项目：国家自然科学基金项目“工业互联网新动能积聚对传统制造业价值链增值的传导机制：产业网络集聚视角”，项目编号：71963003；珠江-西江经济带发展研究院科学研究基金项目“工业互联网对珠江-西江经济带制造业提质增效的影响研究”，项目编号：ZX2022001。

一、引 言

实体经济高质量发展与数字经济全方位推进是当前及今后很长一段时期中国经济社会发展的两大主旋律，前者以制造业高质量发展为支撑，后者以新型基础设施建设为动能。制造业高质量发展的核心和关键在于全要素生产率（Total Factor Productivity，TFP）的提升，但受中国人口红利消失、劳动力成本上升、资本边际报酬下降、民间投资意愿不强、对外开放带来的技术赶超空间收窄等影响，制造业TFP的提升难度日趋增加、提升瓶颈逐渐变大，据此寻求有效路径以降低其提升难度并突破其提升瓶颈的紧迫性因而变得越来越强。

当前，以工业互联网为核心的新型基础设施作为“新动能”被确定为国家政策，党的十九大报告提出需“推动互联网、大数据、人工智能和实体经济深度融合”；2017年11月，发布了《国务院关于深化“互联网+先进制造业”发展工业互联网的指导意见》；此后，工业互联网相关政策密集出台，如《工业互联网发展行动计划（2018—2020年）》《“5G+工业互联网”512工程推进方案》《工业互联网创新发展行动计划（2021—2023年）》等；党的二十大报告进一步提出应“推动制造业高端化、智能化、绿色化发展”“促进数字经济和实体经济深度融合”。梳理前后20余项国家层面的工业互联网相关政策，发现其共同意识很清晰，即通过“互联网+先进制造业”打造工业互联网平台，并使其为产业数字化转型升级赋能，而制造业转型升级的内核便是TFP的提升。

在实践层面，工业互联网对制造业转型升级的赋能效应已初步显现，据中国工业互联网研究院发布的《中国工业互联网产业经济发展白皮书（2022年）》测算，2021年，工业互联网带动中国制造业的增加值规模达到 175 万亿元，名义增速为 1778%；带动就业 142432 万人，新增就业 14291 万人。该白皮书指出，工业互联网对制造业的赋能效应主要体现在：在研发设计上，能显著降低研发成本、提高研发效率；在生产制造上，可最大限度地优化工艺参数、提高生产线效率；在品控管理上，可提升质检效率和水平，有效提升良品率。可见，在制造业TFP遭遇提升瓶颈之际，工业互联网被赋予“赋能”使命，且其赋能效应得以初显。

本文利用制造业微观企业数据样本，尝试对工业互联网影响制造业TFP议题进行理论推演与实证检验分析，以期为工业互联网或制造业TFP的纵深研究开启新视角。

二、理论分析与研究假说

工业互联网作为一种基于大数据而将人、机、料、法、环相互连接的新型数字基础设施，不但具有数据传输、分析、挖掘等强大功能，进而可通过智能控制来优化企业研发、制造、运输、销售等各个环节的设备运行和管理决策；而且具备极强的渗透性，可以实现产业链上下游和各产业间的全面互联，促进产业大范围、强精准、高效率地配置生产和服务资源。总体来看，工业互联网可与制造业企业的生产、管理和研发等环节深度融合，并主要通过提高劳动生产率、降低成本费用率、提高研发投入强度等作用路径，推动制造业企业TFP的全面提升（如图1所示）。

图1 工业互联网对制造业企业TFP的影响机制

（一）工业互联网与生产环节融合可提升企业TFP

工业互联网平台可通过其各层体系结构与制造业各环节紧密地连接在一起，促使企业生产方式发生变革，并带动资源要素通过替代效应和互补效应进行优化配置，最终推动制造业企业劳动生产率获得显著提高［1］。就替代效应而言，当投入要素之间因重复多余引起产出下降时，工业互联网和冗余的投入要素间将呈现替代效应，有助于工业互联网提高企业生产效率。制造业企业嵌入工业互联网平台后，工业互联网的数据采集层将利用传感器实时搜集产业数据，并进行大规模的存储，以此构建基础“数据集”，这有利于生产环节对现有资源进行随时调用。此时，工业互联网不仅替代了重复的工作内容，减少了企业的劳动力开支，还缩短了生产工序的工作时长，提高制造业企业劳动力的边际产出，优化劳动力与其他资源的配置效率，进而有效地提高企业劳动生产率［2］。就互补效应而言，技术进步和劳动力之间将形成一个互补的体系，协同影响企业的经营绩效［3］。工业互联网的管理服务层可通过联网设备对生产数据进行整合分析，在线上实时监测分析各生产设备的温度、压力等指标是否处在正常范围内，从而达到对企业生产流程的智能监控；如果设备不处于预定的范围内，则可以提前发出预警，及时干预潜在问题并有效控制。此时，工业互联网与劳动力有限的精力与能力之间产生互补效应，从而提高生产效率与质量，减少因劳动“中断”引起的成本增加。因此，工业互联网可以通过提高劳动生产率，进而有效提升了制造业企业的TFP。

（二）工业互联网与管理环节融合可提升企业TFP

在市场环境中，企业间信息通常存在不对称的情况，这一因素将影响企业的资源配置效率，致使企业的技术效率下降。工业互联网的“平台效应”则可以助力制造业企业打破信息不对称的屏障［4］，通过减少信息搜集费用、减少协调交易成本、降低产品管理费用、减少监督管理成本等成本费用，进而提升企业TFP。工业互联网平台将各个“边”的用户，如各企业、设备、生产要素等进行全面连接，通过构建一个“网络化”的、无边界的交易市场，让企业在线上进行传统的商业往来。首先，对于制造业企业而言，既可以在“家门口”获取大量的市场供给与需求信息，减少信息搜索费用，提升企业寻找合适的客户或供应商的效率，并且基于数据共享的市场让交易企业在价格谈判、售后服务等信息方面更加透明化，进而有效节省企业协调交易成本，提升企业的技术效率。其次，在动态变化的市场需求背景下，工业互联网平台将制造业企业间的供销模式由传统的“一对一”单链模式转变为实时的“多对多”网状模式，企业不再依赖于固定的进货渠道和销售渠道，可以在面对多个供应商和客户时灵活安排采购计划和生产体系［5］。企业不仅可以在满足市场需求的前提下，减少库存积压，降低产品管理费用，还可基于工业互联网的数据计算与预测能力，围绕核心业务，开发出多种可扩展的模块服务，实现多样化大规模定制，从而在新的市场上占据销售优势，获得更大的范围经济，提升规模效率，进而提升自身的TFP。此外，在工业互联网平台中，信息资料的公开透明化也可以作为一种监管手段，最大限度地防止企业的雇员为了谋取利润而进行投机活动，从而有效降低企业的监督管理成本，提升企业的技术效率。

（三）工业互联网与研发环节融合可提升企业TFP

工业互联网是基于人、机、料、法、环互联体系的通用技术，其集成应用具有知识、技术溢出效应和竞争效应［6］，有助于提高制造业企业的创新意识，从而推动企业加大研发投入强度［7］。首先，新的产品在未来市场上的需求程度存在很大的不确定因素是制造业企业开展研发投入的主要阻碍。通过工业互联网平台，制造业企业可以突破地域局限，实现制造业企业的空间集聚。同时，平台的无边界性可以打破传统资源流动的壁垒，扩大知识、技术溢出范围，有利于平台内部企业间创新资源要素得到充分创造与流动，即企业间可利用工业互联网平台分享核心知识技术或成功应用案例来提升自身技术水平和技术储备，有助于增强企业的创新信念，进而增大创新投入强度。其次，当产品属性相近的企业集聚于一个区域时，由于知识具有公共物品性，因此极易造成“挤压效应”［8］，这就意味着制造业企业在扩大其市场份额时将面临激烈的竞争，而工业互联网平台的开放性将加剧企业之间的竞争程度。如果集聚区内某一个制造业企业率先开发出一种新的产品，那么集聚区内的其他企业将会优先选择仿效新技术。面对激烈的市场竞争，各制造业企业必须持续增加研发投入强度，不断进行技术革新，以提高产品的差异性，才能维持其在市场上的竞争力。

此外，制造业企业要想与工业互联网深度融合，除了建立一个与之相匹配的、可以实现数据高效传输和分享的数字化生产环境外，还要具备一定的专业技术基础扎实的技能人员、数据敏感度强的研发人员和运营经验丰富的管理人员，这将迫使制造业企业在增加研发资金改进生产设备的同时加强员工的技能培训，增大研发投入强度，从而提升企业技术效率和创新效率。综上所述，工业互联网将加强企业研发投入意愿，推动企业加大研发投入强度，进而提升制造业企业TFP。

基于上述分析，本文从整体上提出如下假说：

H1：嵌入工业互联网对制造业企业TFP提升具有促进作用。

进一步，基于图1所示的作用路径及前述诠释，提出如下中介作用机制假说：

H2：工业互联网通过提高劳动生产率来提升制造业企业TFP。

H3：工业互联网通过降低成本费用率来提升制造业企业TFP。

H4：工业互联网通过加大研发投入强度来提升制造业企业TFP。

三、研究设计

（一）模型构建

为验证嵌入工业互联网对制造业企业TFP提升是否具有促进作用，本文以企业是否嵌入工业互联网作为核心解释变量，以制造业全要生产率作为被解释变量构建实证检验模型。在模型选取上，传统的双重差分法以企业嵌入工业互联网的时间作为政策虚拟变量，通过比较制造业企业TFP在嵌入工业互联网前后的差异，来判断嵌入工业互联网对制造业企业TFP的作用效果。由于本文样本中各企业嵌入工业互联网的时间并不一致，且同时期政府出台的相关政策也会对未嵌入工业互联网的制造业企业产生正向影响，进而影响检验结果，因此传统“单时期”的双重差分法并不适用于本文。本文借鉴刘瑞明等（2015）的做法［9］，采用“多时期”双重差分法进行实证检验。具体而言，本文将样本中截止到2020年已嵌入工业互联网的企业作为处理组，其他未嵌入工业互联网的企业则作为实验组，由此构造如下双向固定效应的多期双重差分（Differences-in-Differences，DID）模型：

Yit=α+βEndit+θXit+τi+γt+εit（1）

其中，Yit为被解释变量，即制造业企业i在时期t的TFP，在不同情境设定下分别代表全要素生产率（MI）、技术效率（EC）和技术进步（TC）；Endit为核心解释变量，表示工业互联网虚拟变量，即企业在嵌入工业互联网之前取值为0，否则为1；Xit为控制变量集，主要考虑资产负债率（ppt）、固定资产规模（fppt）、流动性比率（lqd）、企业年龄（age）等因素；τi为企业个体固定效应，γt为时间固定效应，εit为随机扰动项。β值是本文所重点关注的参数，它衡量了工业互联网对制造业企业TFP的净影响；若β显著为正，则嵌入工业互联网能有效促进制造业企业TFP提升，反之，工业互联网对制造业企业TFP有抑制作用。

（二）变量的选取及其测度

1 被解释变量

本文被解释变量为制造业企业TFP。由于DEA法不但可以测算出制造业企业TFP第t期至第t+1期的动态变化，而且可以对TFP进行分解，方便分析技术进步、技术效率的变动。因此，本文主要采用DEA-Malmquist指数法测算制造业企业TFP并对其进行分解。测算所需的投入-产出变量分别为：（1）产出变量，采用“营业收入”进行测度；（2）资本投入，采用上市公司资产负债表中的“固定资产净值”进行测度；（3）劳动投入，采用“员工人数”进行测度；（4）中间投入，采用上市公司现金流量表中“购买商品、接受劳务支付的现金”进行测度。测算所用的投入-产出变量及其含义如表1所示。

2 核心解释变量

本文核心解释变量为End，反映制造业企业是否嵌入工业互联网。参照杨德明和刘泳文（2018）的做法［10］，本文结合工业互联网实际对其加以调整，即采用“爬虫技术+人工确认”的方法对End进行赋值，具体过程分为四步：第一步，利用爬虫技术对上市公司年报进行关键词爬取，并根据词频大小初步判断企业是否已嵌入工业互联网：如果第t年的加总词频（totlet）小于3次，则基本认定该企业第t年未嵌入工业互联网平台；如果totlet≥3，则需进一步人工确认。其中，关键词选取参照工业互联网相关政策及对其内涵的研究，最终选择“工业互联网”“IIoT”“智能制造”“云平台”等作为关键词。第二步，针对totlet＜3的情形，如果第t-1、t+1年均小于3次，则确定为未嵌入工业互联网；如果totlet-1≥3或totlet+1≥3，则需进一步人工确认。第三步，对于需进一步人工确认的企业，主要根据关键词在年报中出现的位置和语句作为评判标准：如该企业在年报中的关键词相关描述为“致力于打造工业互联网”，或关键词仅出现在《xxxx通知》《xxxx政府工作报告》等政府文件、公司未来展望以及公司未来规划、公司财务报表的“递延收益”等部分时，则视为该企业并未嵌入工业互联网；反之，如为肯定判断语句，则视为已嵌入工业互联网。第四步，将清洗后工业互联网数据与CSMAR数据库中2012年证监会行业分类中制造业上市公司通过企业名称进行数据匹配，最终筛选出嵌入工业互联网的制造业上市公司清单。若制造业企业确定为已嵌入工业互联网则赋值为1，否则赋值为0。

3 控制变量

综合王金杰等（2018）［11］、陈玲和杨文辉（2016）［12］等的研究，本文选取资产负债率、固定资产规模、流动性比率、企业年龄作为控制变量。其中，资产负债率（ppt）采用“负债合计/资产总计”度量；固定资产规模（fppt）采用“固定资产净额/资产总计”度量；流动性比率（lqd）采用“流动资产合计/流动负债合计”度量；企业年龄（age）采用“年份-企业成立年份+1”度量。

综上，本文计量实证所涉及的变量内涵及其测度方法如表2所示。

（三）数据来源及处理

本文所用样本数据为中国制造业A股上市公司2016—2020年的面板数据。之所以将时间区间确定为2016—2020年，主要基于如下考虑：2017年发布的《国务院关于深化“互联网+先进制造业”发展工业互联网的指导意见》代表着中国工业互联网发展的里程碑事件，可视为中国工业互联网大规模有序发展的序曲；此前可视为市场力量自发引致的工业互联网市场，嵌入企业数量少，2016年才渐成气候。本文制造业分类标准参照中国证监会《上市公司行业分类指引》（2012年修订），变量的原始数据均来源于国泰安数据库（CSMAR）及新浪财经网等。其中，计算制造业企业TFP的投入-产出数据中的营业收入、固定资产净额以及购买商品、接受劳务支付的现金均来自“财务报表”；员工人数来自“治理综合信息文件”；公司成立日期来源于“公司基本情况文件”；企业性质来源于“上市公司控制人文件”。除企业性质以外，其他变量均采用对数处理，以排除量纲和异方差的影响。

四、实证结果分析

（一）基准回归

式（1）的基准回归结果如表3所示。模型（1）—（3）未包含其余控制变量，模型（4）—（6）则同时包含核心解释变量及控制变量。整体而言，在未控制其他因素时，工业互联网的系数为0169，在10%的显著性水平上显著，即嵌入工业互联网能使得制造业企业TFP提高约0169%；加入其他控制因素后，工业互联网的系数仍然显著为正。表明无论是否排除其他影响因素，嵌入工业互联网均能显著推动制造业企业提升TFP，主假说得到初步验证。具有显著促进作用的原因在于：一方面，多数上市制造业企业为资本与技术密集型企业，其建设成本高且受物理空间约束，使其TFP难以得到持续提升。而嵌入工业互联网后，可以利用大数据、物联网等新兴技术推动企业基础设施数字化转型，通过畅通数据的连接来增加数据在交互与处理方面的速度和准确度，现有基本生产要素的流通速度得以加快，进而有效提高产业链的资源配置效率，推动制造业企业的技术效率获得进一步提升。另一方面，工业互联网的“无界限”极大地提高了企业的数据普及率，从而提升了制造业企业创新发展能力。嵌入工业互联网可以突破传统地理限制，知识、技术等溢出效应在虚拟空间内得以增强，为相关制造业企业获得精确、多元化的信息提供便捷，从而增强制造业企业定制化、个性化等创新发展能力，实现以最低的成本获得收益最大化，加快企业TFP的提升。

进一步对TFP（MI）进行分解后的回归结果显示（见表3模型2、模型3、模型5、模型6），技术进步（TC）的DID回归系数在5%的显著性水平上显著为正，而技术效率（EC）的系数虽然为正但并不显著，表明虽然工业互联网对制造业企业TFP的提升作用明显，但其提升作用主要体现在技术进步（TC）方面，技术效率在研究期间的改善效果并不明显。其原因可能在于：制造业企业在嵌入工业互联网提升研发创新能力的同时，对其设备应用及服务方面的要求也会相应提高，企业则需要加大研发创新投入、提升产品应用能力来满足市场需求。而当前企业可能因研发投入不足、管理模式有待完善等问题导致企业内部劳动人员对智能设备的使用能力受到一定的约束，使得当前资源配置效率未能达到最优状态，规模效率提升较困难，进而抑制了企业技术效率的总体提升。

就控制变量而言，资产负债率对制造业企业TFP与技术进步有显著的促进作用，对技术效率的作用不明显，表明资产负债率主要通过促进制造业企业技术进步提升其TFP，也意味着制造业企业若有意愿承受研发风险，则会加大研发投入，进而提升企业TFP。固定资产规模对制造业企业TFP具有显著的抑制作用，表明减少固定资产的投入能显著提升制造业企业TFP，也验证了研发创新与固定资产二者间具有竞争性，即制造业企业在减少对固定资产的投入的同时会加大其对研发创新的投入，从而有利于制造业企业TFP的提升。 流动性比率的估计系数在10%的水平上显著为正，表明短期内偿债能力越强的企业有能力增大对研发创新的投入，从而有利于推动制造业企业TFP的提升。企业年龄与TFP、技术效率及技术进步的估计系数均在1%的水平上显著为负，可能是因为当制造业企业成长至一定阶段时，生产和管理模式都已僵化，创新意愿不足，这在一定程度上制约了企业技术效率与技术进步的进一步提高，进而不利于制造业企业TFP整体的提升。

（二）稳健性检验

1 平行趋势假定检验

使用双重差分法（DID）进行实证检验前需满足平行趋势这一前提条件，即如果没有嵌入工业互联网这一战略行为，处理组（嵌入工业互联网的制造业企业）与控制组（未嵌入工业互联网的制造业企业）TFP的增长趋势应大致相同，不存在显著差异。此外，除了嵌入工业互联网这一行为，其他的政策因素也会导致制造业企业TFP发生变化，进而影响本文前述的结论分析的准确性。基于上述前提假设以及进一步的稳健性检验，参照谭静和张建华（2019）［13］，本文设定以下回归方程用以检验嵌入工业互联网前两组企业TFP的变化趋势是否一致：

Yit=∑3t=1β-tDi，-t+∑3t=1βtDi，t+θXit+τi+γt+εit（2）

其中，Di，t表示企业i嵌入工业互联网前后的第 t 年的哑变量，即Di，-3表明处理组企业处于嵌入工业互联网前3年，Di，-2表明处理组企业处于嵌入工业互联网前2年，以此类推……，Di，2表明处理组企业处于嵌入工业互联网后第2年，Di，3表明处理组企业处于嵌入工业互联网后第3年。当处理组制造业企业i处于嵌入工业互联网的第t年时取值为1，否则为0；Xit为控制变量；τi为个体固定效应；γt为时间固定效应。使用式（2）检验平行趋势的原理为：观察处理组企业在嵌入工业互联网的前几年是否比对照组的企业具有较高的TFP，如果Di，-3、Di，-2、Di，-1的系数β显著，说明在实验前处理组企业的TFP已显著高于或低于对照组企业，平行趋势假定未得到满足。同时也说明企业TFP的增长可能来源于其他政策性因素，并非嵌入工业互联网；反之，若Di，-3、Di，-2、Di，-1的系数β不显著，则说明满足平行趋势假定条件，同时也说明企业TFP的增长来源于嵌入工业互联网。检验结果如表4所示。

从表4可以看出，Di，-3、Di，-2、Di，-1的系数均不显著，说明处理组企业在嵌入工业互联网的前3年里与对照组企业TFP增长率无显著差异，平行趋势假定以及DID回归结果稳健性得到验证。

2 PSM-DID检验

在嵌入工业互联网前，虽然处理组与控制组制造业企业在TFP变化情况大致平行，但难以排除其可能存在因自选择偏差而造成的内生性问题［14］，即各制造业企业是否嵌入工业互联网并不是随机的，而可能是会根据自身要素禀赋的情况等因素作出选择，使得解释变量与干扰项相关。因此，本文采用倾向得分匹配双重差分法（PSM-DID）进一步作稳健性检验，以降低使用DID法估计时产生的偏差。其基本思路是：在评估嵌入工业互联网的作用效果时，选择企业特征因素（通常为控制变量）作为协变量，通过logit模型计算个体嵌入工业互联网的概率，以此找到与嵌入工业互联网的企业大致相同的对照组企业，进行后续的对比分析，这样就能够有效避免因部分可观测因素对企业TFP的影响而产生的估计偏误问题。

具体地，首先，本文以1∶1的匹配比例使用最近邻匹配法进行PSM估计，分析结果如表5所示。可以看出，匹配前嵌入工业互联网的制造业企业与未嵌入工业互联网的制造业企业相比，TFP有所上升，ATT为1149，T值为1341，在1%的显著性水平上显著（t大于258）；匹配后嵌入工业互联网的制造业企业TFP均值为1219，未嵌入工业互联网的制造业企业TFP均值为0158，ATT缩小为1061，T值为883，在1%的显著性水平上显著，说明若未控制企业其他特征要素进行匹配，直接计算嵌入工业互联网与未嵌入工业互联网企业的TFP，则匹配前两组企业TFP之差为1149，略高于匹配后的ATT（1061），这将高估工业互联网对制造业企业TFP的作用［15］。而在控制了企业其他自身要素的影响后，与未嵌入工业互联网的企业相比，嵌入工业互联网能使制造业企业的TFP提升1061，意味着嵌入工业互联网对制造业企业TFP的确有显著促进作用。同时，也验证了采用PSM能够消除企业其他自身因素对TFP的影响，可有效解决企业选择性偏误带来的一定的内生性问题。

接下来，则需要进行平衡性检验，即判断匹配后协变量取值在处理组与控制组之间是否均有显著差异。若差异不显著（原假设），表明匹配效果较好。检验结果如表6所示。从t值结果来看，除了企业年龄外，其他3个协变量均接受了原假设，表明匹配后嵌入工业互联网的企业与未嵌入工业互联网的企业之间的特征较接近，尽可能地有效消除了制造业企业样本间的选择性偏差。此外，从偏差（bias）结果来看，匹配后除了企业年龄外，其他协变量标准化偏差均小于10%，相比较未匹配前大幅下降，进一步说明匹配后嵌入工业互联网的企业与未嵌入工业互联网的企业间特征相近，满足企业可比性条件。

3 替换被解释变量的度量方式

为了检验实证结果的稳健性，本文参考王永进和张国峰（2016）［16］，采用LP方法重新测算制造业企业TFP，并依据式（1）再次进行回归估计，分析结果如表7所示。可以看出，无论是DID还是PSM-DID方法，End系数均显著为正，说明嵌入工业互联网能够显著提升制造业企业TFP。

在进行平行趋势假定检验、PSM-DID检验、替换被解释变量的度量方式等三种方法稳健性检验后可以发现，其检验结果与基准模型的回归结果（见表3）在变量符号和显著性方面基本一致，证实了本文研究结果的稳健性，即工业互联网显著促进了制造业企业TFP的提升。

五、机制分析

上述实证检验从整体上验证了前文剔除的主假说，即嵌入工业互联网能够促进制造业企业TFP的提升。那么，工业互联网如何对制造业企业TFP产生促进作用？依据前述理论机制分析（见假说H2、H3、H4），工业互联网可通过提升劳动生产率、降低管理费用、提高研发投入强度等三种途径提升制造业企业TFP。对此，本文借鉴温忠麟和叶宝娟（2014）［17］，采用如下中介效应模型对三种作用机制逐一进行实证检验：

MIit=a0+a1Endit+θXit+τi+γt+εit（3）

Interit=b0+b1Endit+θXit+τi+γt+εit（4）

MIit=c0+c1Endit+c2Interit+θXit+τi+γt+εit（5）

其中，式（3）的系数a1表示嵌入工业互联网对制造业企业TFP的总效应；式（4）的系数b1代表企业嵌入工业互联网对中介变量Interit的效应，其中，Interit分别表示工业互联网影响制造业企业TFP的3个机制变量——劳动生产率、管理费用和研发创新投入；式（5）中系数c2代表中介变量对制造业企业TFP的影响，系数c1表示控制中介变量后工业互联网影响制造业企业TFP的直接效应。中介效应b1×c2是否存在以及其占总效应的比重是本部分所要重点关注的内容。

具体检验共分为五个步骤：（1）检验估计系数a1：若a1显著，表明中介效应成立。（2）依次检验估计系数b1与c2：若都显著，则表明间接效应显著，执行步骤（4）；若其中至少有一个不显著，则执行步骤（3）。（3）用Sobel方法进一步检验b1×c2：若显著，则间接效应显著，继续执行步骤（4）；若不显著，表明间接效应不显著，分析停止。（4）检验估计系数c1：若显著，表明直接效应成立，执行步骤（5）；若不显著，表明直接效应不显著，只存在中介效应。（5）检验b1×c2和c1的符号：若符号相同，表明存在部分中介效应，报告中介效应占总效应的比重，即（b1×c2）/a1；否则为遮掩效应，报告间接效应与直接效应的比例的绝对值，即 |（b1×c2）/c1|。

（一）工业互联网通过劳动生产率影响制造业企业TFP

参考何小钢等（2019）［18］，采用营业收入与员工人数之比衡量劳动生产率（LP），假说H2的检验结果如表8所示。表8中列（1）的End系数显著为正，表明嵌入工业互联网对制造业企业全要生产率的影响存在中介效应。列（2）的End系数为正，并在5%的水平上显著，表明嵌入工业互联网可以显著提高制造业企业劳动生产率。原因可能在于，制造业企业嵌入工业互联网后，可通过联网设备共享数据，不仅实现生产制造各个环节的实时管控，还能实现生产方与采购方双方互联互通，极大降低信息的不对称，进而提升企业的劳动生产率。列（3）的劳动生产率（LP）系数在1%的水平上显著为正，表明间接效应显著，假说H2得以验证；同时，企业嵌入工业互联网的估计系数也显著为正，表明劳动生产率的提高对提升企业TFP存在部分中介效应。这意味着制造业企业嵌入工业互联网，不仅提高了企业的劳动生产率，并使得企业资源配置得到不断优化，而且当资源配置改善至一定状态时，企业的TFP也得以提升。此外，通过计算，由嵌入工业互联网引致的劳动生产率提高的中介效应占总效应的比例为436%。

（二）工业互联网通过成本费用率影响制造业企业TFP

参照赵宸宇等（2021）［19］，本文采用营业成本与管理费用之和占营业收入的比重衡量成本费用率（CER），假说H3的检验结果如表9所示。表9中列（1）的End系数显著为正，表明嵌入工业互联网对制造业企业全要生产率的影响存在中介效应。在步骤（2）的依次检验过程中，发现列（2）的End系数为负但不显著，列（3）的成本费用率（CER）系数在10%的水平上显著为负；因此，本文继而使用Sobel方法检验间接效应是否显著。从Sobel检验结果来看，Z值为9655，P值为0000（<005），拒绝b1×c2=0的原假设，表明间接效应成立，说明制造业企业可通过嵌入工业互联网打通生产、运营等整条产业链上的数据，并基于智能设备对现有数据进行分析预测，优化企业运营管理效率，实现成本费用下降，假说H3得以验证；同时，列（3）的End系数显著为正，表明管理费用的降低对提升企业TFP存在部分中介效应。这意味着制造业企业嵌入工业互联网，不仅降低了企业的成本费用，实现企业资源获得优化配置，还会使企业将更多的资金分配至研发创新，这些均可使企业的TFP得到提升。此外，通过计算，由嵌入工业互联网引致的管理费用降低的中介效应占总效应的比例为2060%。

（三）工业互联网通过研发投入强度影响制造业企业TFP

借鉴李香菊和杨欢（2019）［20］，本文采用研发投入金额占企业资产总额的比重衡量研发投入强度（RDI），假说H4的检验结果如表10所示。表10中列（1）表明嵌入工业互联网对制造业企业全要生产率的影响存在中介效应。在步骤（2）的依次检验过程中，发现列（2）的End系数为正但不显著，列（3）的研发投入强度（RDI）系数在1%的水平上显著为正，因此，本文继而使用Sobel方法检验间接效应是否显著；从Sobel检验结果来看，Z值为3189，P值为00014（<005），拒绝b1×c2=0的原假设，表明间接效应成立，说明制造业企业嵌入工业互联网可以通过促使研发创新投入增加进而提升TFP，假说H4得以验证。同时，列（2）—（3）系数b1与c2相乘后的符号与c1的符号相同且c1显著，这意味着研发投入强度在工业互联网与企业TFP之间具有部分中介作用。通过计算，由嵌入工业互联网引致的研发投入强度提高的中介效应占总效应的比例为123%。

六、基于异质性的进一步分析

虽然嵌入工业互联网对制造业企业TFP具有积极提升效果，但这种作用效果可能存在明显的异质性，即制造业企业嵌入工业互联网后对自身TFP的提升效果会因地区发展水平的不同、制造业企业类型的不同、制造业企业性质的不同、制造业企业年龄的不同等出现差异。

（一）基于不同所处区域的异质性分析

受地理位置、人文历史等多种因素相互作用的影响，中国各地区在基础设施建设、资源要素禀赋、产业政策支持度等方面呈现差异化发展，工业互联网的发展阶段、发展效果等均会有所不同，制造业企业发展也会相应地出现量与质的差异，致使工业互联网对不同地区制造业企业的TFP提升效果也存在较大差异。为此，本文根据企业注册所在地将样本分为东部地区、中部地区、西部地区、东北地区等四大区域区域划分标准同《2021年国民经济和社会发展统计公报》。，其回归结果如表11所示。从结果来看，工业互联网对不同地区制造业企业TFP的提升效果确实存在异质性，嵌入工业互联网对东部地区与西部地区的制造业企业TFP有显著的提升效果，而对中部地区以及东北地区的制造业企业TFP并无显著影响。

（二）基于不同企业类型的异质性分析

虽然工业互联网对制造业企业整体的TFP具有显著提升作用，但不同类型的制造业企业在发展特征、产业支撑体系等方面发展的侧重点不同，致使不同类型制造业企业在对工业互联网的“吸收能力”上存在明显异质性，即嵌入同一工业互联网对不同类型制造业企业TFP的影响不同。具体地，技术密集型制造业对技术的依赖度高，不但能适应嵌入工业互联网引致的制造流程智能化转型要求，加速制造业企业技术效率提升进程；而且由于其对研发、管理人员的能力要求相对严格，更易吸收消化专业知识与技术并进一步创新，为企业的创新研发提供驱动力，因而工业互联网对其TFP的提升效果相对最好。相比之下，劳动密集型制造业企业的设备占比不高且主要依赖低技能人力资本，而工业互联网前期设备成本较高，且企业低水平的劳动力无法在短期内快速适应工业互联网的高技术含量的生产流程，导致资源综合利用率较低，使得工业互联网对劳动密集型制造业企业TFP提升的效果可能相对有限。资本密集型制造业虽有较高的资本和固定设备占比，易于通过嵌入工业互联网提升生产效率，但其主要依赖于规模效应获取效益，对高级资源要素需求不高， 使得其研发创新动力不足，难以通过工业互联网增强技术创新能力，从而影响其TFP的提升效果。

为验证基于不同企业类型的异质性，本文借鉴阳立高等（2018）［21］，将样本制造业企业分为劳动密集型企业、资本密集型企业以及技术密集型企业等三大类型，其回归结果如表12所示。表12说明，嵌入工业互联网对技术密集型制造业企业的TFP有显著提升效果，而对劳动密集型以及资本密集型制造业企业的TFP并无显著影响。

（三）基于不同企业性质的异质性分析

企业性质的不同往往决定了企业在应用工业互联网时受政府约束程度、经营管理理念、对市场的创新敏感度等方面存在差异，因而其TFP的提升效果也会相应受到影响。制造业企业在应用工业互联网的过程中受到的最大约束是资金与创新资源要素，国有制造业企业在政府的“保护支持”下，更易获得嵌入工业互联网所需的资金补助与高级资源要素，有助于其快速实现生产流程与管理方式智能化转型，可较好地利用工业互联网改善自身技术效率。但受管理者任免机制的影响，国有制造业企业更多地关注于可短期内获取收益的项目，导致其创新动力不足。同时，国有企业的工业互联网接入机制主要受政府的行政手段控制，对于工业互联网等新技术的采用需要经过政府部门长时间的层层审批，不但容易降低技术效率，导致资源错配，而且不利于国有企业快速把握市场机遇，降低企业创新效率和经营业绩。 在以上两种因素的共同影响下，国有制造业企业在应用工业互联网提升自身TFP时将受到一定限制。相反，民营制造业企业主要基于市场手段配置工业互联网资源要素，不但可以提升资源的流动程度，增加资源利用率，而且民营制造业企业在面临激烈的市场竞争时，为保有市场竞争力会更有创新发展的动力提高生产效率与研发效率，嵌入工业互联网能够打破其获取市场信息的“壁垒”，增加企业吸收研发经验的途径，进而有利于提升企业研发效率。因此，工业互联网对国有制造业企业与民营制造业企业TFP促进效果存在异质性。

为验证基于不同企业性质的异质性，本文将样本分为国有制造业企业和民营制造业企业两大企业类型，其回归结果如表13所示。回归结果表明，嵌入工业互联网对民营制造业企业的TFP有显著提升效果，而对国有制造业企业的TFP并无显著影响。

（四）基于不同企业年龄的异质性分析

一般情况下，制造业企业从无到有大致会经历初创期、成长期、成熟期和衰退期等四个阶段，而不同年龄阶段的制造业企业具有不同的企业规模、生产成本、技术特点等企业特征，因此受工业互联网的推动效果会呈现异质性。处于初创期和成长期阶段的制造业企业缺乏生产、管理等运营经验积累，所以没有足够的能力吸收和应用创新资源要素，加上企业尚未形成稳定的资本基础，面临较大的融资约束问题，因此研发风险较大，致使初创期和成长期的制造业企业的创新意愿不强。随着企业不断发展，迈入成熟期阶段，前期创新要素投入的产出与成效逐渐显现，企业开始具有一定的市场占有率，如何巩固市场地位将成为其新的经营目标，因而企业对研发投入的敏感性逐渐增强。加上企业已积累了充足的资金和丰富的技术经验，具有承担研发资金链断裂和研发风险的能力，因此成熟期企业创新意愿会相应提高。当制造业企业进入衰退期阶段时，市场份额开始减少，经营绩效逐渐下滑，致使企业没有充足的盈余资金用以支撑新的研发投入。 对于工业互联网而言，在资金方面，前期的平台建设和设备更新均需要大量的资金投入；在平台应用方面，需要技术、管理经验丰富的人力资源。而成熟期阶段的制造业企业不仅更有意愿应用工业互联网，还有能力满足工业互联网的发展条件，提供充足的资金和人力支持。因此，工业互联网在制造业企业成熟期阶段更容易呈现高效率运转状态。

经过计算，本文样本制造业企业成立年限平均值为19755。为验证基于不同企业年龄的异质性，借鉴张三峰和魏下海（2019）［22］，本文以成立年限是否大于20年为标准，将样本企业划分为成长期企业（企业成立年限<20）和成熟期企业（企业成立年限>20）两种企业类型，其回归结果如表14所示。从回归结果来看，嵌入工业互联网对成熟期制造业企业的TFP有显著提升效果，而对成长期制造业企业的TFP并无显著影响。

七、结论与建议

本文基于2016—2020年中国制造业A股上市公司面板数据，构建多期双重差分模型实证检验工业互联网对制造业企业TFP提升的影响效果，并进一步对其影响效果的作用机制与异质性进行检验，主要结论如下：（1）工业互联网对制造业企业TFP具有明显的提升作用，这个结论在经历平行趋势检验、PSM-DID检验、替换被解释变量等稳健性检验后依然成立。（2）机制分析发现，工业互联网主要通过提高劳动生产率、降低成本费用率、提高研发投入强度等三条路径来提升制造业企业TFP。（3）分析表明，相对于中部地区与东北地区，工业互联网主要对东部与西部地区制造业企业TFP有明显的提升作用；相对于劳动密集型与资本密集型制造业企业，工业互联网主要对技术密集型制造业企业TFP提升具有显著促进作用；相对于成长期的制造业企业，工业互联网主要促进成熟期制造业企业TFP的提升；相对于国有制造业企业，工业互联网主要对民营制造业企业TFP的提升有显著促进效果。基于上述研究结论，本文提出如下政策建议：

第一，积极提高工业互联网在制造业企业中的渗透率。应建立健全工业互联网多方联合发展推进机制，充分发挥政府、企业、研究机构、行业协会、社会媒体等的各自优势，为制造业企业高效嵌入工业互联网扫清障碍。例如，政府可建立工业互联网资助专项资金，用于改善当地5G网络、大数据中心、工业互联网平台等新型基础设施建设；研究机构和行业协会可持续完善工业互联网发展评价体系，对企业嵌入工业互联网的投入与产出进行科学评估，让制造业企业做到心中有本账；社会媒体可对工业互联网嵌入企业的成功经验和典型做法进行总结提炼，并营造工业互联网大有可为的良好氛围。

第二，充分发挥工业互联网对制造业转型升级的赋能效应。首先，尽量将研发、生产、销售等各个价值链条全面深度融入工业互联网中，推动企业间数据在工业互联网平台内对接共享，使企业可充分利用工业互联网的智能化流程优化功能来提高其劳动生产率。其次，应加强对企业员工的工业互联网相关技能培训，充分利用高技术人才在数据分析、问题思考等领域的长处，使其借助工业互联网不断优化企业在劳动力、资本、知识、技术、数据等方面的投入配置比例，实现制造业企业生产成本的有效降低。最后，制造业嵌入企业应持续加大对工业互联网的研发投入，尽快突破工业互联网应用关键技术，不断扫清影响工业互联网赋能效应发挥的各种阻碍，最终实现通过工业互联网驱动企业TFP提升的目的。

第三，工业互联网的推进策略应基于不同情境而有所差异。从所处地区情境看，中部地区和东北地区应着力发展相对滞后的工业互联网配套设施，东部地区和西部地区可重点打造工业互联网示范基地，强化工业互联网对区域制造业企业的赋能效果。从企业类型情境看，劳动密集型制造业企业应注重劳动力的选拔、使用和培养，使其匹配工业互联网技术特征；资本密集型企业应借助市场的竞争性激发企业的研发创新意识，增强企业研发效率；技术密集型企业可通过加强员工技能培训等方式提升企业自主学习能力，放大工业互联网的赋能效果。从企业性质情境看，国有制造业企业要尽快通过市场和政府的双重手段构建适用工业互联网发展的商业模式；民营企业应充分发挥市场调节作用不断迭代工业互联网的平台功能，持续优化其对工业互联网赋能效应的驾驭能力。从企业年龄情境看，成长期制造业企业应快速提升其研发、生产、品控、流通等环节的联网上云速度，并科学构建适合企业发展的数字化转型升级模式；成熟期企业应重点通过“产学研”等途径加强自身研发能力，拓展工业互联网平台的应用功能并加以推广，做好工业互联网应用的排头兵。

参考文献：

［1］ Piva M， Vivarelli M.Technological Change and Employment： is Europe Ready for the Challenge？［J］.Eurasian Business Review， 2018，8（1）： 13-32.

［2］ 曾湘泉.工作时长和效率的互动逻辑［J］.人民论坛， 2018（14）： 36-37.

［3］ 姜伟，李萍.人工智能与全要素生产率：“技术红利”还是“技术鸿沟”［J］.统计与信息论坛，2022（5）：26-35.

［4］ 谢新水.共享经济的负面表征及行政监管的有效性［J］.理论与改革， 2018（1）： 162-172.

［5］ 张小宁.平台战略研究评述及展望［J］.经济管理， 2014，36（3）： 190-199.

［6］ 刘斌， 潘彤.人工智能对制造业价值链分工的影响效应研究［J］.数量经济技术经济研究， 2020，37（10）： 24-44.

［7］ 何郁冰.国内外开放式创新研究动态与展望［J］.科学学与科学技术管理， 2015，36（3）： 3-12.

［8］ 余泳泽，刘大勇.我国区域创新效率的空间外溢效应与价值链外溢效应——创新价值链视角下的多维空间面板模型研究［J］.管理世界， 2013（7）： 6-20.

［9］ 刘瑞明，赵仁杰.国家高新区推动了地区经济发展吗？——基于双重差分方法的验证［J］.管理世界， 2015（8）： 30-38.

［10］杨德明，刘泳文.“互联网+”为什么加出了业绩［J］.中国工业经济， 2018（5）： 80-98.

［11］王金杰，郭树龙， 张龙鹏.互联网对企业创新绩效的影响及其机制研究——基于开放式创新的解释［J］.南开经济研究， 2018（6）： 170-190.

［12］陈玲，杨文辉.政府研发补贴会促进企业创新吗？——来自中国上市公司的实证研究［J］.科学学研究， 2016，34（3）： 433-442.

［13］谭静，张建华. 开发区政策与企业生产率——基于中国上市企业数据的研究［J］．经济学动态， 2019（1）： 43-59.

［14］郭晨， 张卫东.产业结构升级背景下新型城镇化建设对区域经济发展质量的影响——基于PSM-DID经验证据［J］.产业经济研究， 2018（5）： 78-88.

［15］孙晓华，王昀.R&D投资与企业生产率——基于中国工业企业微观数据的PSM分析［J］.科研管理， 2014，35（11）： 92-99.

［16］王永进，张国峰.开发区生产率优势的来源：集聚效应还是选择效应？［J］.经济研究， 2016（7）： 58-71.

［17］温忠麟，叶宝娟.中介效应分析：方法和模型发展［J］.心理科学进展， 2014，22（5）： 731-745.

［18］何小钢， 梁权熙，王善骝.信息技术、劳动力结构与企业生产率——破解“信息技术生产率悖论”之谜［J］.管理世界， 2019，35（9）： 65-80.

［19］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， 2021，42（7）： 114-129.

［20］李香菊， 杨欢. 财税激励政策、外部环境与企业研发投入——基于中国战略性新兴产业A股上市公司的实证研究［J］．当代财经， 2019（3）： 25-36.

［21］阳立高， 龚世豪， 王铂，等. 人力资本、技术进步与制造业升级［J］．中国软科学，2018（1）： 138-148.

［22］张三峰， 魏下海. 信息与通信技术是否降低了企业能源消耗——来自中国制造业企业调查数据的证据［J］．中国工业经济， 2019（2）： 155-173.

The Impact of Industrial Internet on the Total Factor Productivity of

Manufacturing Enterprises

WU Xianfu1，2， ZHONG Peng3

（1. School of Economics and Management， Guangxi Normal University，Guilin 541004，China;

2. Key Laboratory of Digital Empowerment Economic Development （Guangxi Normal University），

Education Department of Guangxi Zhuang Autonomous Region，Guilin 541004，China;

3. School of Law and Business， Shaoyang University，Shaoyang 422099，China）

Abstract： This paper uses panel data of Chinas manufacturing A-share listed companies from 2016 to 2020 to empirically test the impact of the industrial Internet on the total factor productivity of manufacturing companies. Research finds that the industrial Internet has a significant effect on improving the total factor productivity of manufacturing companies. In terms of mechanism， the industrial Internet mainly improves the total factor productivity of manufacturing enterprises by improving labor productivity， reducing cost and expense ratios， and increasing R&D investment intensity; in terms of impact heterogeneity， this total factor productivity improvement effect is significant in the eastern and western regions but not significant in the central and northeastern regions， significant for technology-intensive enterprises but not significant for labor-intensive and capital-intensive enterprises， significant for mature enterprises but not significant for growth-stage enterprises， significant for private enterprises but not significant for state-owned enterprises. To this end， it is necessary to try to increase the penetration rate of the industrial Internet in manufacturing enterprises， and give full play to the enabling effect of the industrial Internet on the transformation and upgrading of the manufacturing industry. The promotion strategies of the industrial Internet should vary based on different scenarios.

Key words：industrial internet;manufacturing industry;total factor productivity;mechanism of action

（责任编辑：周正）