1. 引言
在当今快速发展的数字经济时代，生产力的形态与内涵正在发生深刻变革。随着全球科技创新水平的爆炸式发展，新一代信息技术、生物科技、新能源、新材料等领域的革命性技术层出不穷，这些技术不仅推动了产业的深度转型升级，还催生了新的生产力形态——新质生产力。新质生产力概念的提出标志着我国经济发展进入了一个新阶段，以科技创新为主导，摆脱了传统增长路径，更加符合经济高质量发展的要求，为我国经济社会发展注入了新的动力，推动了经济持续健康发展。
与此同时，新一轮科技革命和产业变革正在加速推进，以人工智能、大数据、云计算等为代表的新技术正在深刻改变着人们的生活方式和生产方式。这些新技术的广泛应用不仅催生了新产业、新业态和新模式，也为新质生产力的形成和发展提供了有力支撑，我国在科技创新和新质生产力发展方面已经取得了一系列显著成果，例如，华为、阿里巴巴等企业在5G、人工智能等领域的创新成果不仅提升了企业自身的竞争力，也推动了相关产业的发展。其次，我国“十四五”规划明确提出，要坚持创新在我国现代化建设全局中的核心地位，把科技自立自强作为国家发展的战略支撑，然而我国在一些关键领域和核心技术方面仍面临“卡脖子”问题，因此，研究科技创新对企业新质生产力的影响，对于我国在关键领域实现技术突破，摆脱对外依赖，提高自主创新能力，解决“卡脖子”问题方面具有重要意义，同时为我国的长远发展奠定坚实基础。基于此，本文旨在通过上市企业2012~2022年财务报表数据的实证分析，深入探究科技创新对企业新质生产力的实际影响及其作用机制，并根据研究结论，进一步提出针对性的政策建议，从而有效促进企业新质生产力的形成，从而推动我国经济实现更高质量的发展。
2. 文献综述
2.1. 科技创新相关研究
随着科技的不断进步和全球化的深入发展，科技创新的研究也呈现出新的趋势和特点。在国内，科技创新的研究主要集中在政策分析和企业创新两方面。徐则荣等[1]深入对比了特朗普和奥巴马时期的科技创新政策，并细致分析了特朗普的创新政策对美国社会、经济乃至全球科技格局的影响，更为我国创新政策的制定和优化提供了宝贵的借鉴。陈秀秀[2]研究发现科技创新的成果直接促进了企业绩效的提升，但相比之下，科技创新投入对企业绩效的影响却并不那么显著。在国外，科技创新的研究更加注重理论创新和实证研究，例如Simba Amon [3]等通过引入新的理论解释和中程开放式创新理论，研究发现开放式创新与科技型中小企业国际化之间并不存在直接的联系。
2.2. 新质生产力相关研究
随着数字经济的迅猛发展，数字技术与传统生产要素的深度融合，为生产力的发展注入了新的活力，催生了生产力的新形态——新质生产力。这种新质生产力是以科技创新为主导，通过实现关键性、颠覆性的技术突破，为经济社会发展提供强大动力[4]。不同学者对新质生产力具有不同的理解，杜传忠等[5]认为新质生产力作为生产力发展的新阶段，其显著特征主要体现在创新性、渗透性、提质性、动态性和融合性；李晓华[6]认为新质生产力在当前时代背景下，不仅展现出颠覆性创新、产业链条新、发展质量高等一般特征，更凸显出数字化和绿色化的时代特征，潘建屯等[7]则认为新质生产力的内涵特征在于科技创新、新兴产业和未来产业的发展以及高质量的经济增长。
2.3. 科技创新与新质生产力相关研究
新质生产力的发展，其根本动力在于科技创新这一关键驱动要素。科技创新不仅推动了技术的革新，更促进了传统生产力质态的根本性转变，从而重塑了整个传统生产力系统[8]。杨丹辉[9]指出进一步加快和发展新质生产力就要坚持创新驱动；郭晓鹏[10]认为发展新质生产力的根本动力，源自于科技创新能力，尤其是关键核心技术的创新突破能力；杨为民[11]认为新质生产力的发展水平深受科技变革与技术进步的深刻影响。其内在核心在于科技创新，通过技术的引领和推动，实现产业的转型升级，进而对传统生产力进行全面而深刻的重塑。在推进科技创新的浪潮中，我们不仅成功地推动了新质生产力的发展，更在这一进程中催生了诸多新兴产业、创新模式和强劲动能[12]。这一系列的变革和进步，无疑进一步凸显了科技创新在推动新质生产力发展中的独特功能和核心地位。
3. 理论分析与研究假设
3.1. 科技创新与新质生产力
科技创新是驱动新质生产力形成与发展的核心要素[13]，它对于加快这一进程起着至关重要的作用。通过持续不断的科技创新，企业和社会能够探索出更为先进的生产方式，提升生产效率，创造出全新的经济价值。这种持续创新不仅能够推动新质生产力的持续壮大与发展，还有助于塑造更加智能化、可持续化的发展路径，为未来的经济发展奠定坚实基础。因此，本文假设1。
H1：科技创新对企业提高新质生产力具有促进作用。
3.2. 科技创新、劳动生产率与新质生产力
提高劳动生产率是提高企业新质生产力重要途径之一，科技创新能显著提升生产效率，优化生产流程，减少资源消耗，从而增强企业的竞争力。新技术的应用使得生产工具更加先进，生产方式更为高效，资源配置更趋合理，推动企业从传统模式向智能化、网络化转变，从而提高企业的新质生产力。因此，本文假设2。
H2：科技创新通过提高生产劳动率从而提高企业新质生产力。
3.3. 科技创新、数字化转型与新质生产力
在企业的演进过程中，数字化转型已成为一项至关重要的策略，它不仅优化了生产要素的配置，更为企业带来了全要素生产率的显著提升[14]。这一转变不仅提升了企业内部运作的流畅和高效，同时也为企业新质生产力的发展注入了强大动力。这种动力推动着企业不断向更高层次、更广泛领域迈进，拓展其业务边界，探索新的市场机遇，实现持续增长和创新发展。因此，本文假设3。
H3：科技创新通过促进数字化转型从而提高企业新质生产力。
4. 研究设计
4.1. 数据来源
本文研究采集并分析了两个数据来源：第一，国泰安(CSMAR)数据库中关于上市企业基本信息的数据；第二，巨潮咨询网的上市公司年报的数据。本研究主要聚焦于2012至2022年间中国A股上市公司的相关数据，并利用股票代码和年份信息，成功实现了不同数据库之间数据的精准匹配，确保了数据的准确性和一致性。在数据筛选过程中，本研究遵循了一系列严格的准则：1) 确保是中国A股上市公司；2) 仅保留非ST公司，并剔除了金融业；3) 为了防止数据异常对研究结果产生影响，本文对数据进行了缺失值和缩尾处理，最终得到了2721个企业的7749个样本数据，为后续的实证分析提供了坚实的数据支撑。
4.2. 变量设计
1) 被解释变量
本文的被解释变量是企业新质生产力(Npro)。对于其定量评估采用了宋佳等[15]的衡量方式，采用熵值法计算出的权重作为衡量新质生产力的指标。
2) 解释变量
本文的解释变量是科技创新(Tfp)。拥有大量发明专利的实体在市场上通常更具竞争力，这些专利可以保护其技术创新，防止他人抄袭，从而在市场上获得更多的利益，同时它反映了一个国家、企业或个人在技术领域的创新水平和实力，发明专利总数对科技创新起着关键性作用[16]，通常被视为衡量科技创新能力的指标，因此本文将发明专利总数的自然对数作为衡量科技创新水平的指标。
3) 中介变量
本文的中介变量是劳动生产率(Mpl)和数字化转型(Dt)。首先，蔡庆丰等[17]和Stefan Bender [18]在设立与劳动生产相关变量时主要采用企业员工产出进行衡量，而叶永卫等[19]沿袭了这种衡量方式，设立了劳动生产率(Mpl)的衡量方式，因此本文采用营业收入与员工人数比值的自然对数作为衡量企业劳动生产率的指标。其次，数字化转型的衡量指标参考吴非等[20]的做法，对人工智能技术、大数据技术、云计算技术、区块链技术、数字技术运用五个维度76个数字化相关词频进行统计，从而建立企业数字化转型评价指标体系，并采用了加1取对数的方法对样本进行量化处理。
4) 控制变量
选取企业规模(Size)、企业盈利能力(Roa)、研发投入(R&D)以及托宾Q (Tbq)为控制变量。其中，企业总资产的自然对数用来衡量企业规模，用营业利润率(营业利润/营业收入)衡量企业盈利能力，研发投入与营业收入的比值用来衡量研发投入。
4.3. 模型设计
为了检验科技创新对企业新质生产力的影响，构建如下计量模型(1)：
(1)
其中，i表示上市企业，t表示上市企业年份，Npro表示新质生产力，Control标记控制变量集合，εit表示随机干扰项。此外，模型中加入了Industry和Year两个变量，目的在于防止行业差异和年度变化对研究结果产生影响，通过双向固定效应模型控制了由此产生的系统性误差。
4.4. 描述性统计
描述性统计结果如表1所示，从表中可以看出，Npro的最大值为0.0173，最小值为0.00166，表明企业之间的科技创新水平有所差距，究其原因可能是部分企业缺乏技术创新管理、科研人才的能力水平以及资源；Tfp的最大值为7.281，最小值为0.693，由此看出企业的新质生产力水平差异较明显。
Table 1. Descriptive statistics
表1. 描述性统计
变量 |
观测值 |
平均值 |
标准差 |
最小值 |
最大值 |
Npro |
7749 |
0.00578 |
0.00276 |
0.00166 |
0.0173 |
Tfp |
7749 |
3.157 |
1.430 |
0.693 |
7.281 |
Size |
7749 |
22.10 |
1.165 |
20.11 |
25.84 |
R&D |
7749 |
1.534 |
0.881 |
−1.561 |
3.486 |
Tbq |
7749 |
2.138 |
1.271 |
0.875 |
8.110 |
Roa |
7749 |
0.0821 |
0.168 |
−0.789 |
0.483 |
5. 实证检验与结果分析
5.1. 基准回归检验
表2显示了基准回归结果，列(1)表示解释变量和被解释变量之间的直接回归结果；列(2)表示控制固定效应后解释变量和被解释变量之间的回归结果；列(3)表示在列(2)的基础上加入企业规模(Size)控制变量后的回归结果；列(4)表示在列(3)的基础上加入研发投入(R&D)控制变量后的回归结果；列(5)表示在列(4)的基础上加入托宾Q (Tbq)控制变量后的回归结果；列(6)表示在列(5)的基础上加入企业盈利能力(Roa)控制变量后的回归结果。从结果可以看出，在加入控制变量和控制固定效应前后，科技创新(Tfq)系数在1%的水平上显著为正，表明科技创新对企业新质生产力有显著的正向影响，因此本文假设H1成立。主要原因是科技创新有助于推动产业升级和新兴产业的发展。在新技术的驱动下，传统产业得以优化和升级，生产效率得到显著提高。同时，新兴产业如新能源、数字产业等也得以蓬勃发展，为企业提供了更多的发展机会和增长空间。这些新兴产业的发展不仅创造了巨大的经济价值，还为社会提供了更多的就业机会，促进了经济的繁荣和社会的稳定。
Table 2. Baseline regression result
表2. 基准回归结果
|
(1) |
(2) |
(3) |
(4) |
(5) |
(6) |
|
Npro |
Npro |
Npro |
Npro |
Npro |
Npro |
Tfp |
0.000*** |
0.000*** |
0.000*** |
0.000*** |
0.000*** |
0.000*** |
|
[16.91] |
[5.55] |
[5.97] |
[5.42] |
[5.42] |
[5.26] |
Size |
|
|
−0.000*** |
−0.000 |
0.000 |
0.000 |
|
|
|
[−3.11] |
[−1.18] |
[−0.60] |
[0.08] |
R&D |
|
|
|
0.001*** |
0.001*** |
0.001*** |
|
|
|
|
[12.24] |
[12.39] |
[11.21] |
Tbq |
|
|
|
|
0.000*** |
0.000*** |
|
|
|
|
|
[3.64] |
[4.19] |
Roa |
|
|
|
|
|
−0.001*** |
|
|
|
|
|
|
[−5.71] |
个体 |
no |
yes |
yes |
yes |
yes |
yes |
年份 |
no |
yes |
yes |
yes |
yes |
yes |
_cons |
0.005*** |
0.004*** |
0.007*** |
0.004*** |
0.003*** |
0.003*** |
|
[62.08] |
[37.76] |
[6.69] |
[3.95] |
[3.23] |
[2.69] |
N |
7749 |
7749 |
7749 |
7749 |
7749 |
7749 |
R2 |
0.036 |
0.247 |
0.249 |
0.27 |
0.272 |
0.276 |
f |
285.85 |
20.36 |
20.24 |
16.96 |
16.46 |
16.54 |
注：***、**、*分别表示在1%、5%、10%的显著性水平下显著；括号中为标准误，下表同。
5.2. 稳健性检验
1) 替换解释变量
本文首先采用调整解释变量衡量指标的方式进行稳健性检验，将解释变量更改为研发人员数量占比，研发人员数量占比直接反映了企业对科技创新的重视程度和投入力度。一个拥有较高研发人员占比的企业，通常意味着它在科技创新方面有着更为明确的战略规划和更为充足的资源投入。这种投入不仅体现在资金上，更体现在人才的集聚和培育上，为企业的科技创新提供了坚实的人力保障。因此，用此指标可以更直观地观察到科技创新对企业新质生产力的影响。回归结果如表3列(1)所示，科技创新与企业新质生产力之间存在着正相关关系。此结果不仅加强了最初基准回归结论的可信度，还进一步证实了这些结论的稳健性。
2) 更换样本周期
其次本文采用更换样本周期的方式进行稳健性检验。2015年，我国提出“十三五”规划，这个规划是2016~2020年中国经济社会发展的宏伟蓝图。在“十三五”期间，我国经济社会发展取得了显著成就，例如，人民生活水平和质量普遍提高、公共服务体系更加健全以及科学文化素质、健康素质明显提高等；2020年，我国提出“十四五”规划，规划期限为2021~2025年，同时展望到2035年。“十四五”以来，国内外发展环境发生了重大而深刻变化[21]，因此本文将样本周期更换为2015~2022年。回归结果如表3列(2)所示，科技创新与企业新质生产力之间仍存在着正相关关系，进一步证实了结论的稳健性。
Table 3. Robustness test results
表3. 稳健性检验结果
变量 |
(1) 替换解释变量 |
(2) 更换样本周期 |
Tfp |
0.000*** |
0.000*** |
|
[15.27] |
[5.26] |
Control |
yes |
yes |
个体 |
yes |
yes |
年份 |
yes |
yes |
_cons |
0.006*** |
0.008*** |
|
[3.72] |
[7.40] |
N |
2264 |
7065 |
R2 |
0.326 |
0.157 |
5.3. 作用机制检验
企业通过提高科技创新水平可以提高劳动生产率、促进数字化转型，从而对企业提高新质生产力水平具有正向影响。本文采用Sobel检验的中介效应检验方法，得出实证结果，如表4所示。列(1)表示劳动生产率(Mpl)的中介效应；列(2)表示数字化转型(Dt)的中介效应，从表4中可以看出两者对企业新质生产力均具有非常显著的正向影响，因此验证了本文的假设H2和H3。
Table 4. Test of action mechanism
表4. 作用机制检验
变量 |
Mpl |
Dt |
Sobel检验 |
0.000*** (Z = 4.125) |
0.000*** (Z = 3.297) |
Goodman检验1 |
0.000*** (Z = 4.123) |
0.000*** (Z = 3.280) |
Goodman检验2 |
0.000*** (Z = 4.128) |
0.000*** (Z = 3.314) |
中介效应系数 |
0.000*** (Z = 4.125) |
0.000*** (Z = 3.297) |
直接效应系数 |
0.000*** (Z = 3.603) |
0.000*** (Z = 4.388) |
总效应系数 |
0.000*** (Z = 4.736) |
0.000*** (Z = 4.736) |
中介效应比例 |
0.277 |
0.078 |
Control |
yes |
yes |
6. 结论与建议
6.1. 结论
由于新技术不断涌现，与传统的生产力提升方式相比，新质生产力更加注重技术创新和知识创新，强调通过引入新技术、新工艺和新方法来推动生产力的提升。本研究深入探讨了科技创新对企业新质生产力的影响，利用中国上市公司2012~2022年间实证数据进行分析。研究发现科技创新、数字化转型与劳动生产率之间相互作用形成的协同创新链条。在此链条中，科技创新以其强大的驱动力为核心，推动整个创新过程的发展；数字化转型则作为关键桥梁，有效连接了科技创新与劳动生产率的提升，促进了创新成果的转化与应用。而劳动生产率的显著提升，不仅直观展现了这一协同创新链条的成效，也为企业带来了实际的经济效益。
这一协同创新链条的协同作用，显著推动了新质生产力的提升，为企业的持续发展和竞争优势的获取提供了强有力的支撑。此结论不仅揭示了创新链的协同作用机制，更从理论层面为企业制定创新战略提供了坚实的依据，对于理解企业创新过程、优化创新资源配置以及实现可持续发展具有重要意义。
6.2. 建议
(一) 建立科技驱动的数字转型实验室
企业应设立一个专门的科技驱动的数字转型实验室，旨在探索科技创新与数字化转型的前沿技术，并将其快速转化为实际生产力。这个实验室可以集合企业内部的研发团队、外部专家和创新合作伙伴，共同研发新技术、新产品，并测试其在实际生产中的应用效果。通过这样的实验室，企业可以加速科技创新和数字化转型的协同作用，持续推动新质生产力的提升。
(二) 打造劳动生产率数字化监控与优化平台
企业可以开发一个劳动生产率数字化监控与优化平台，通过实时收集和分析生产数据，监测劳动生产率的变化情况，并识别潜在的改进机会。这个平台可以利用人工智能和机器学习算法，对生产数据进行深度挖掘和分析，为企业提供准确的决策支持。同时，平台还可以提供劳动生产率优化的建议和方案，帮助企业优化生产流程、降低生产成本、提高生产效率。
(三) 建立创新生态合作伙伴网络
企业应积极构建一个创新生态合作伙伴网络，与产业链上下游企业、高校、科研机构等形成紧密的合作关系。通过合作伙伴网络，企业可以获取更多的创新资源和支持，共同研发新技术、新产品，推动科技创新和数字化转型的协同发展。同时，合作伙伴网络还可以为企业提供一个开放、包容的创新环境，鼓励创新思维和跨界合作，促进创新成果的快速转化和应用。这将有助于企业更好地应对市场变化，提升竞争优势，实现可持续发展。
基金项目
基于持续创新能力的上海战略新兴产业并购协同机理及路径研究(项目批准号：2022ZGL013)。