1. 引言
提高企业全要素生产率是经济发展的重要目标之一，因为它直接关系到经济的增长和国家的繁荣[1]。党的二十大报告指出要着力提高全要素生产率，并将其作为推动高质量发展这一重大主题内涵的任务之一，可见提高全要素生产率已逐步成为经济由高速增长向高质量发展的关键所在[2]。全要素生产率的提高，对企业而言具有极为关键的意义。在当今激烈的市场竞争环境下，企业若想脱颖而出，单纯依赖增加资本和劳动力等传统投入已难以实现持续突破。而全要素生产率的提升，则为企业开辟了全新路径。通过大力投入技术创新，企业能够研发出更先进的生产工艺与产品，大幅提高生产效率。在资源配置方面，企业可以优化内部流程，合理分配人力、物力等资源，减少浪费，使每一份资源都能发挥最大效能。这种在不增加传统投入情况下实现更高产出的能力，极大地增强了企业的竞争力。从长远来看，这有力推动了企业的可持续发展，使其在市场浪潮中屹立不倒。不仅如此，企业全要素生产率的提高还能带动整个经济的增长，促进资源利用效率的提升，在长期内为社会创造更为可观的价值，成为推动社会进步的重要力量。数字经济时代，企业依托大数据、云计算等数字技术降低信息收集和处理成本、缓解企业融资约束和管理效率，提高了企业全要素生产率。国家“十四五”规划也指出要以数字化转型整体驱动生产方式、生活方式和治理方式变革，进而促进企业全要素生产率的提升[3]。鉴于当下数字技术正以令人瞩目的速度蓬勃发展，并且在市场竞争压力下，企业对于高生产率的追求已成为一种广泛共识。在此情形下，深入剖析数字化转型与全要素生产率之间存在的关联，无疑有着极为重要的价值。这种探究有助于企业精准定位自身发展方向，借助数字技术这股强大动力，在不显著增加传统投入的基础上，巧妙提升全要素生产率，从而增强自身在市场中的竞争力，实现可持续发展。同时，也能为行业发展提供有益借鉴，助力整体经济增长，提升资源利用效率，在更广泛的社会层面创造出更为显著的价值。
数字化转型是企业结合信息、计算、通信和连接技术，引发实体属性的重大变化，从而改进实体的过程[4]。目前，在讨论企业全要素生产率的影响因素的过程中，多数学者的研究均认为数字化转型在其中起到良好的促进作用。一方面，有学者采用建立多期DID的方式来研究两者之间的关系，结果显示数字化转型对其产生促进作用。另一方面，已有研究发现，数字技术手段运用到企业的生产、管理和运营等各个方面能够提高企业全要素生产率。此外，数字化能够通过优化企业管理效率、促进绿色创新等方式使得全要素生产率得到提升。
综上所述，国内外学者已经对数字化和企业全要素生产率进行了大量研究，这为本文的写作提供了坚实的理论基础。本文采用2012年至2023年的数据，探讨数字化转型如何影响企业的全要素生产率，并分析其中的作用机制。
2. 文献综述与研究假设
2.1. 数字化转型与企业全要素生产率
在我国积极推进产业数字化转型的大背景下，数字化转型浪潮正以前所未有的速度席卷各行各业。大数据凭借强大的分析能力，助力企业精准洞察市场与消费者需求，为创新提供有力支撑。区块链则以其独特的信任机制，优化企业间协作，降低交易成本。二者深度渗透到企业运营的各个环节，从生产管理到市场营销，极大地激发了企业创新活力，有效提升运营效率，数字化正逐步成为推动企业高质量发展的核心动力。它通过技术赋能、流程优化和创新驱动等，推动企业在资源配置、市场响应和成本控制等方面实现显著提升，从而增强竞争力。此外，数字化转型还为企业提供了更多创新机会，使其能够快速适应市场变化并满足客户需求。通过数字化手段，企业能够在激烈的市场竞争中占据优势，并为未来的增长奠定坚实基础。
在企业管理方面，数字化转型会降低信息获取成本，有利于企业内部各层级及时进行交流，发挥协同作用，提高企业人员管理水平[5]。同时数字化转型通过整合大数据、人工智能、云计算和物联网等技术，重构企业运营管理模式，全面提升运营效率与决策科学性[6]。通过数字技术的深度运用，企业构建起基于数据要素的跨部门协同机制。依托数据生产要素的系统性连接，打通研发、生产、供应链等核心业务模块，形成业务流、数据流、决策流的三流合一，实现运营全过程的实时可视化与动态可追溯。
在技术创新方面，数字化转型对企业技术创新具有深远的影响，它不仅改变了技术研发的方式，还为企业创造了更多的创新机会和可能性。通过实施数字化转型战略应用智能设备系统，企业实现了基础设施的智能化升级，这种技术迭代不仅有效整合了研发资源与创新人才，更构建起数字时代的创新生态系统，推动企业的技术研发实力实现跨越式发展[7]。同时，数字化转型还促进了跨领域融合和开放式创新，帮助企业构建全球化创新网络，提高企业全要素生产率。此外，数字化手段使企业能够快速验证市场需求，推动技术商业化，并增强技术竞争力。
在经营成本方面，数字化转型通过流程的重新设计以及资源的合理配置，有效减少了企业的生产开支。同时，数字化转型通过大数据、云计算等数字技术可以迅速准确地从庞大的数据中挑选出有价值的数据，降低信息收集和处理成本[8]，提高数据要素的利用率，进而提高全要素生产率。此外，通过部署数字化供应链管理系统，企业能够实现物流运输动态追踪、库存状态实时监控以及订单流程智能管理。这种技术应用不仅有效降低仓储冗余、运输环节的资源浪费和降低成本，还能打通部门间信息壁垒，通过自动化流程减少人工操作失误与冗余沟通环节，最终推动企业资源配置效率和整体运营效能的系统性提升。因此，本文提出以下假设：
H1：数字化转型能够提升企业全要素生产率。
2.2. 数字化转型、融资约束和企业全要素生产率
一方面，数字化转型使得企业的经营数据、财务信息等更加透明和可追溯[9]。通过数字化转型，企业能借此从海量数据源高效收集信息，利用线上平台精准发布自身资讯，信息获取与发布能力提升，进而强化信息整合与交互能力，与合作伙伴、客户交流更顺畅。企业与银行等信贷部门间长期存在的信息不对称问题也得到有效缓解。企业可全面向银行展示经营状况、财务信息及发展规划，银行也能通过数字化手段深入了解企业运营细节，降低信贷风险评估的不确定性，减轻企业融资约束，拓宽资金获取渠道。另一方面，企业数字化转型还能够在资本市场上发挥声誉机制的作用[1]。数字化转型优化升级企业运营模式，使其更规范、高效，提升内部管理水平与生产效率。这一转变增强了金融机构对企业的信任度，它们更愿意为数字化程度高、运营规范的企业提供融资支持，有效缓解企业发展中的资金短缺问题。当企业的融资约束得到缓解后，它们便获得了更充足的资金保障。这些资金可以用于技术研发、设备更新、人才引进等关键领域，进一步提升企业的核心竞争力。同时，充足的资金还能帮助企业更合理地配置资源，将人力、物力和财力等资源高效分配到各个生产环节，避免资源的闲置和浪费。这些投入共同作用，显著提高了企业的全要素生产率，推动企业实现更高质量的发展，进而在市场竞争中占据更有利的地位。据此，本文提出以下假设：
H2：企业数字化转型通过缓解融资约束提高企业全要素生产率。
3. 模型设计与变量定义
3.1. 样本选择和数据来源
本文以2012~2023年中国A股上市公司为研究对象，研究数字化转型和全要素生产率之间的关系及作用机制，为确保数据的准确性并减少特定行业和异常数据的偏差，经过一系列筛选，最终得到了36381个有效观测数据。本研究中使用的数据均来自Wind数据库和国泰安(CSMAR)数据库。
3.2. 变量定义
3.2.1. 被解释变量
全要素生产率(TFP_OP)既有文献表明，企业全要素生产率测算主要有最小二乘法(OLS法)、固定效应法(FE法)、广义矩估计法(GMM法) [10]等。本文借鉴鲁晓东等[10]的处理方法，选择OP法测算公司全要素生产率水平。
3.2.2. 解释变量
企业数字化转型(DIG)。文章借鉴张永坤等(2021)的做法来衡量数字化转型[11]。
3.2.3. 中介变量
融资约束(SA)。目前国内外学者所采用的主要有KZ指数、WW指数、FC指数以及SA指数[12]。本文参考刘梦凯等(2021) [13]的研究方法，使用SA指数模型来测度融资约束，可以不考虑内生性问题，能够准备测度企业面临的融资约束。
3.2.4. 控制变量
在控制变量方面，本文参考已有研究文献，控制变量见表1。
3.3. 模型设计
3.3.1. 基准回归模型
为了研究解释变量与被解释变量之间的内在联系，本文构建以下回归模型。
(1)
其中，i代表第i家企业，t表示第t年，TEP_OP表示第i家企业在第t年的全要素生产率；DIG表示第i家企业在第t年的数字化水平；Controls代表一系列控制变量，Firm和Year分别表示公司、年份固定效应。
3.3.2. 机制分析模型
为了研究数字化转型在企业内部是否通过缓解融资约束进而提升企业，根据温忠麟(2014) [14]对
Table 1. Variable explanation
表1. 变量说明
类型 |
名称 |
符号 |
定义及计算方法 |
被解释变量 |
全要素生产率 |
TFP_OP |
OP法 |
解释变量 |
数字化转型 |
DIG |
数字化技术相关部分占无形资产总额的比例 |
中介变量 |
融资约束 |
SA |
SA指数 |
控制变量 |
公司规模 |
Size |
公司主营业务收入的自然对数 |
财务杠杆 |
Lev |
资产负债率 = 总负债/总资产 |
成长性 |
Growth |
主营收入增长率 = 当年主营收入/上年主营收入 − 1 |
资产净收益率 |
ROA |
资产收益率 = 净利润/总资产 |
现金流比率 |
Cashflow |
经营活动产生的现金流量净额除以总资产 |
股权集中度 |
Top1 |
第一大股东持股比例 |
董事会独立性 |
Indep |
独立董事人数/董事会总人数 |
两职合一 |
Dual |
虚拟变量，董事长与总经理是同一个人为1，否则为0 |
企业年龄 |
FirmAge |
上市以来的年份数 |
传导机制研究的建议，采用中介效应分析法进行检验本文构建如下计量模型。
(2)
(3)
(4)
模型(3)中SA为融资约束，是中介变量，其他变量与模型(1)中含义相同。
3.4. 变量的描述性统计
依据各主要变量的描述性统计分析可知，企业全要素生产率均值为6.722，其取值范围在2.559至11.45之间，标准差是0.907。这一数据特征反映出企业全要素生产率的分布较为集中。企业数字化水平均值为0.102，取值区间从0到1，标准差为0.228，这意味着不同企业之间的数字化水平参差不齐，存在差异性。除此之外，模型里其余变量的相关数据也都处于合理区间，见表2。
Table 2. Descriptive statistics
表2. 描述性统计
变量 |
(1) N |
(2) 均值 |
(3) 中位数 |
(4) 最小值 |
(5) 最大值 |
TFP_OP |
36,381 |
6.722 |
0.907 |
2.559 |
11.45 |
DIG |
36381 |
0.102 |
0.228 |
0 |
1 |
SA |
36,381 |
3.868 |
0.278 |
2.085 |
5.931 |
Size |
36,381 |
22.26 |
1.293 |
19.88 |
26.30 |
Lev |
36,381 |
0.424 |
0.205 |
0.0574 |
0.912 |
ROA |
36,381 |
0.0314 |
0.0667 |
−0.284 |
0.194 |
Growth |
36,381 |
0.348 |
0.931 |
−0.753 |
6.470 |
CashFlow |
36,381 |
0.0468 |
0.0682 |
−0.157 |
0.244 |
FirmAge |
36,381 |
2.981 |
0.317 |
1.099 |
4.290 |
Dual |
36,381 |
0.301 |
0.459 |
0 |
1 |
Indep |
36,381 |
0.377 |
0.0533 |
0.333 |
0.571 |
Top1 |
36,381 |
0.333 |
0.147 |
0.0826 |
0.737 |
3.5. 相关性分析
表3为相关性分析，各主要变量的相关系数均在１%水平下显著，符合相关性分析的要求且变量之间不存在严重的多重共线性问题。可以得出结论：文章中的主要变量之间存在显著的相关性，但不存在多重共线性的干扰。
Table 3. Correlation analysis
表3. 相关性分析
|
TFP OP |
Dig |
Size |
Lev |
ROA |
Growth |
CashFlow |
TFP OP |
1 |
|
|
|
|
|
|
Dig |
0.041*** |
1 |
|
|
|
|
|
Size |
0.710*** |
−0.066*** |
1 |
|
|
|
|
Lev |
0.418*** |
0.00300 |
0.480*** |
1 |
|
|
|
ROA |
0.140*** |
−0.074*** |
0.048*** |
−0.354*** |
1 |
|
|
Growth |
0.00900 |
0.116*** |
0.00600 |
0.075*** |
−0.00600 |
1 |
|
CashFlow |
0.080*** |
−0.061*** |
0.077*** |
−0.169*** |
0.412*** |
−0.106*** |
1 |
FirmAge |
0.168*** |
0.024*** |
0.175*** |
0.161*** |
−0.079*** |
0.026*** |
0.00200 |
Dual |
−0.122*** |
0.032*** |
−0.171*** |
−0.123*** |
0.015*** |
−0.028*** |
−0.00800 |
Indep |
−0.00400 |
0.036*** |
−0.012** |
−0.015*** |
−0.022*** |
0.00600 |
−0.00700 |
Top1 |
0.153*** |
−0.059*** |
0.186*** |
0.033*** |
0.163*** |
0.011** |
0.109*** |
注：***、***、*分别表示在1%、5%、10%水平上显著，下同。
4. 实证结果与分析
4.1. 基准回归
从表4呈现的基准回归结果来看，第(1)列开展的是单一变量测试，其中TEP_OP与DIG的回归系数呈现为0.217，并且明显呈正向相关。第(2)列的结果表明，当对企业和年份固定效应进行控制后，企业数字化与全要素生产率之间的回归系数同样显著为正。第(3)列在此基础上进一步纳入控制变量(不过未固定企业和年份效应)，这种显著的正向关系依旧存在。而在第(4)列中，同时加入控制变量并固定企业和年份效应后，回归系数为0.139，且在1%的显著性水平下通过检验。这充分表明，数字化转型能够对企业全要素生产率起到显著的促进作用，进而验证了假设H1。
4.2. 稳健性检验
4.2.1. 替换解释变量
为了进一步验证前文结果的稳健性，本文借鉴吴非(2021) [15]和赵宸宇(2021) [16]测算的结果来替代
Table 4. Benchmark regression
表4. 基准回归
|
(1) TFP_OP |
(2) TFP_OP |
(3) TFP_OP |
(4) TFP_OP |
DIG |
0.217*** |
0.086*** |
0.184*** |
0.139*** |
|
(0.017) |
(0.016) |
(0.013) |
(0.014) |
Size |
|
|
0.438*** |
0.415*** |
|
|
|
(0.004) |
(0.005) |
Lev |
|
|
0.387*** |
0.314*** |
|
|
|
(0.018) |
(0.020) |
ROA |
|
|
1.909*** |
1.878*** |
|
|
|
(0.038) |
(0.038) |
Growth |
|
|
−0.006*** |
−0.001 |
|
|
|
(0.002) |
(0.002) |
CashFlow |
|
|
0.469*** |
0.536*** |
|
|
|
(0.033) |
(0.034) |
FirmAge |
|
|
0.320*** |
0.165*** |
|
|
|
(0.012) |
(0.039) |
Dual |
|
|
−0.012** |
−0.017*** |
|
|
|
(0.006) |
(0.006) |
Indep |
|
|
0.151*** |
0.134** |
|
|
|
(0.053) |
(0.056) |
Top1 |
|
|
−0.025 |
−0.016 |
|
|
|
(0.028) |
(0.032) |
_cons |
6.608*** |
6.320*** |
−4.272*** |
−3.326*** |
|
(0.011) |
(0.009) |
(0.076) |
(0.144) |
firm |
No |
Yes |
No |
Yes |
year |
No |
Yes |
No |
Yes |
N |
36,381.000 |
36,381.000 |
36,381.000 |
36,381.000 |
原解释变量进行稳健性检验，结果见表5。结果显示：吴非和赵宸宇两种不同数字化转型测算方式的显著性与前文保持一致，说明通过稳健性检验。
4.2.2. 替换被解释变量
本文将原被解释变量(TFP_OP)替换为采用不同模型测算的全要素生产率，包括GMM、LP等模型。表6的结果显示，所有核心解释变量的回归系数都在1%的水平下显著为正，说明了企业数字化转型能对全要素生产率产生显著正向影响。
4.2.3. 解释变量滞后
在一些情形下，数字化转型作用于企业全要素生产率时，其效果并非立竿见影，而是会呈现出
Table 5. Replacing the explanatory variable
表5. 替换解释变量
|
(1) TFP_OP |
(2) TFP_OP |
DIG1 |
1.367*** |
|
|
(0.178) |
|
DIG2 |
|
0.001*** |
|
|
(0.000) |
_cons |
−3.150*** |
−3.163*** |
|
(0.145) |
(0.145) |
control |
Yes |
Yes |
firm |
Yes |
Yes |
year |
Yes |
Yes |
N |
36380.000 |
36380.000 |
Table 6. Replacing the explained variable
表6. 替换被解释变量
|
(1) TFP_LP |
(2) TFP_OLS |
(3) TFP_FE |
(4) TFP_GMM |
DIG |
0.155*** |
0.054*** |
0.035*** |
0.198*** |
|
(0.014) |
(0.013) |
(0.013) |
(0.015) |
_cons |
−5.013*** |
−6.886*** |
−7.475*** |
−2.603*** |
|
(0.145) |
(0.138) |
(0.139) |
(0.154) |
control |
Yes |
Yes |
Yes |
Yes |
firm |
Yes |
Yes |
Yes |
Yes |
year |
Yes |
Yes |
Yes |
Yes |
N |
36,381.000 |
36,381.000 |
36,381.000 |
36,381.000 |
延迟性，不会马上展现出影响。同理，融资约束对企业产生作用，也往往需要经过一段时间的积累与沉淀，才能够逐步体现出来，并非即刻就能在企业运营发展中看到明显变化。因此，当前的数字化转型更可能对企业未来的长期发展产生深远影响，从而间接影响全要素生产率。为了进一步验证前文结果的稳健性，对数字化转型进行滞后处理，再将滞后的变量进行回归；表7的结果显示，滞后1期和滞后2期的系数分别为0.118和0.085，且均在1%的水平显著为正，再一次验证了H1假设。
5. 进一步分析
5.1. 中介机制
表8的结果表明，融资约束在数字化转型提升企业全要素生产率的过程中起到了正向推动作用。列(1)显示，数字化转型对企业全要素生产率的回归系数显著为正，说明数字化转型能够直接促进生产率的提升。列(2)揭示了融资约束(SA)的传导机制，其中DIG的回归系数为−0.016，且在1%的水平上显著为负，表明企业数字化转型程度越高，其面临的融资约束越低。列(3)进一步显示，SA的系数为−0.145，
Table 7. Lagged explanatory variables
表7. 解释变量滞后
|
(3) TFP_OP |
(4) TFP_OP |
LDIG |
0.077*** |
|
|
(0.016) |
|
L2DIG |
|
0.071*** |
|
|
(0.016) |
_cons |
−3.640*** |
−3.642*** |
|
(0.176) |
(0.215) |
control |
Yes |
Yes |
firm |
Yes |
Yes |
year |
Yes |
Yes |
N |
30,297.000 |
25,777.000 |
Table 8. Mechanism analysis
表8. 作用机制分析
|
(1) TFP_OP |
(2) SA |
(3) TFP_OP |
DIG |
0.139*** |
−0.016*** |
0.137*** |
|
(0.014) |
(0.002) |
(0.014) |
SA |
|
|
−0.145*** |
|
|
|
(0.034) |
_cons |
−3.326*** |
−3.404*** |
−3.820*** |
|
(0.144) |
(0.024) |
(0.186) |
control |
Yes |
Yes |
Yes |
firm |
Yes |
Yes |
Yes |
year |
Yes |
Yes |
Yes |
N |
36,381.000 |
36,381.000 |
36,381.000 |
且在1%的水平上显著为负，说明融资约束的降低有助于提高企业全要素生产率。综上所述，融资约束在数字化转型推动全要素生产率提升的过程中发挥了积极作用，验证了本文的假设H2。
5.2. 异质性分析
5.2.1. 企业所属行业异质性
从表9的数据分析中可以清晰地发现，在DIG回归结果方面，资本密集型行业相较于劳动密集型行业呈现出更为显著的特征。究其原因，主要体现在以下两个关键方面。
一方面，资本密集型行业的资产构成中，大型设备、厂房等固定资产占据主导地位。这类资产前期投入规模巨大，且在后续面临调整时，所需的调整成本极为高昂，企业在做决策过程中，需要极为谨慎地权衡利弊。一旦决定实施变革，例如投身数字化转型浪潮，大量资金将被投入到购置新的数字化生产设备、引入先进的生产管理技术等方面，这必然会对企业的生产效率和成本结构产生深远影响，进而在DIG回归结果上表现得十分显著。与之形成鲜明对比的是，劳动密集型行业的生产模式以人力投入为主，资产结构相对灵活，对厂房、设备等固定资产的依赖程度较低。在面对政策变动或技术革新时，企业能够较为轻松地通过调整人力安排来应对，资产调整的灵活性使得其对外部变化的敏感度相对较低，在DIG回归结果中的变化也就不那么明显。
另一方面，资本密集型行业由于其自身特性，产品往往技术含量高，市场竞争激烈，产品更新换代速度极快。为了在市场中保持竞争力，企业必须持续投入大量资源用于技术研发和设备更新，以满足不断变化的市场需求。这就使得资本密集型行业对新技术有着强烈的需求，并且具备较强的应用新技术的能力。例如在半导体制造这一资本密集型行业中，企业需要不断投入巨额资金研发新的芯片制造工艺，更新生产设备，以提高芯片的性能和生产效率。在进行数字化转型时，能够快速将新技术融入生产流程，推动企业生产经营模式的变革，显著影响DIG回归结果。而劳动密集型行业，其生产过程对技术的依赖程度较低，多采用成熟且相对稳定的技术。这类行业主要依靠大量劳动力进行生产，对技术创新的投入较少，受技术相关因素的影响自然也就较小。例如服装加工行业，主要依赖人工进行裁剪、缝制等操作，生产技术长期以来变化不大，即使面临技术革新或政策变动，其在DIG回归结果中的变化也难以显现出明显差异。
Table 9. Heterogeneity analysis by industry type
表9. 行业类型异质性分析
|
(1) 劳动密集型 TFP_OP |
(2) 资本密集型 TFP_OP |
DIG |
0.092** |
0.138*** |
|
(0.037) |
(0.015) |
_cons |
−4.320*** |
−2.657*** |
|
(0.436) |
(0.171) |
control |
Yes |
Yes |
firm |
Yes |
Yes |
year |
Yes |
Yes |
N |
6463.000 |
27,165.000 |
5.2.2. 企业规模异质性
企业规模会对数字化转型的赋能效应产生重要影响，因此本文以企业规模的中位数为分界线，将其划分为大规模企业和小规模企业以验证其差异，结果如表10 [17]，与小规模企业相比，赋能效应在大规模企业中体现得更明显。可能的原因在于：一是大规模企业通常拥有更雄厚的资金实力和丰富的人力储备。在数字化转型过程中，充足的资金可用于采购先进的数字化技术设备、软件系统以及聘请专业的数字化人才团队。相比之下，小规模企业可能因资金紧张，难以大规模投入数字化建设，导致转型步伐受限。二是大规模企业组织架构更为完善，部门间协作流程相对成熟，有利于对数字化技术进行系统性整合与深度应用。它们具备更强的消化吸收新技术的能力，能将数字化技术快速融入到研发、生产、销售等各个业务流程中，形成协同效应，全面提升企业效率。反观小规模企业，由于组织架构相对简单，缺乏专业的技术对接与整合部门，在面对复杂的数字化技术时，往往难以有效整合运用，致使数字化转型赋能效果大打折扣。三是大规模企业在市场上拥有较高的知名度和广泛的客户群体。数字化转型所带来的产品创新、服务升级等优势，能够借助其强大的市场影响力和品牌效应，迅速在市场中传播并得到消费者认可。而小规模企业即便通过数字化转型实现了类似的服务升级，但由于品牌影响力有限，可能无法及时获得市场关注，导致数字化转型的赋能效应无法及时转化为实际效益。
Table 10. Heterogeneity analysis by firm size
表10. 企业规模异质性分析
|
(1) 大型企业 TFP_OP |
(2) 中小型企业 TFP_OP |
DIG |
0.187*** |
0.083*** |
|
(0.021) |
(0.018) |
_cons |
−3.140*** |
−2.605*** |
|
(0.236) |
(0.254) |
control |
Yes |
Yes |
firm |
Yes |
Yes |
year |
Yes |
Yes |
N |
18,190.000 |
18,191.000 |
p statistic |
0.023** |
6. 结论与对策建议
本文首先从理论角度分析了企业数字化转型对全要素生产率的影响机制，通过实证研究探讨了二者之间的关系。结果显示，企业数字化转型与全要素生产率呈显著正相关，且经多轮诸如样本替换、模型调整等稳健性检验后，该结论依旧稳固。进一步研究发现，所属行业类型与企业规模对这种关系影响显著。资本密集型企业因资产结构特性，数字化转型冲击大，回归结果更突出；劳动密集型企业以人力为主，敏感度低，结果相对不明显。大规模企业凭借资源、组织优势，转型效果优于中小规模企业。机制检验表明，数字化转型通过提升企业信息透明度，增强金融机构信任，缓解融资约束，为企业注入资金用于创新等活动，从而提升全要素生产率。
综合上述结论，本文提出以下对策建议：
首先，强化政策引导与资源支持，是推进企业数字化转型的关键之举。为切实推动这一进程，政府应出台税收优惠、政府补贴、人才引进等一系列扶持政策，为企业数字化转型提供有力支持，帮助企业冲破资金瓶颈，减轻转型成本压力，从而极大地激发企业参与数字化转型的主动性，全面加速整体转型步伐。尤其对于中小企业以及劳动密集型企业，更要重点关注，助其攻克资金短缺、技术薄弱的难题。与此同时，政府应积极搭建功能完备的数字化公共服务平台，提供全方位支持。在技术培训方面，定期组织专业讲座与实操课程；在数据共享上，整合行业数据供企业参考；还应大力促进产学研协作，助力企业培育数字化能力，提升核心竞争力。
其次，优化融资环境，完善数字化信用评估体系对企业数字化转型至关重要。鼓励金融机构充分借助大数据、人工智能等数字技术手段，深度挖掘企业经营数据，以此更精准地识别风险。将企业数字化转型程度全方位纳入信用评估体系，详细考量企业数字化设备投入、业务流程数字化改造进度等指标，有效减少银行与企业间长期存在的信息不对称情况。对于在数字化转型方面成果显著的企业，金融机构可提供差异化信贷支持，如发放低息贷款，降低企业融资成本，或延长还款期限，缓解资金周转压力，减轻融资限制对企业技术投入的阻碍，助力企业加速数字化转型进程。
最后，施行有差别的行业及企业规模扶持策略意义重大。针对资本密集型行业，建议相关部门制定详尽的行业层面数字化转型标准，明确设备数字化程度、生产流程智能化指标等，以此推动产业链上下游企业协同开展升级行动。通过共享技术成果、联合创新，增强技术溢出效果，提升整个行业数字化水平。对于劳动密集型行业，着重扶持生产流程自动化改造，引入先进自动化设备，减少人力依赖，同时推进供应链数字化，精准把控供需信息，提高管理效率。另外，构建“按规模分类”的扶持机制：大型企业具备资源优势，应将重点置于前沿技术如人工智能、量子计算等研发以及数字化生态搭建上，充分发挥其技术引领功能；中小企业受资源限制，需为其量身定制数字化解决方案，提供低成本、易操作的转型工具，降低转型门槛，助力其顺利实现数字化转型。