数字化转型对企业全要素生产率的影响研究——基于A股上市公司的实证研究

The Impact of Digital Transformation on Firms’ Total Factor Productivity—Empirical Evidence from A-Share Listed Companies in China

摘要: 数字经济时代，数字化转型已经成为企业高质量发展的重要路径。本文基于中国A股上市公司数据，从理论层面梳理了数字化转型提升企业全要素生产率的内在机理，并构建微观层面的数字化转型指数，在此基础上从实证角度检验了数字化转型对企业全要素生产率的影响。考虑内生性等问题后，本文发现数字化转型显著提高了企业全要素生产率，已经成为数字经济时代提升制造业企业生产效率的强劲驱动力，这一结论在进行了一系列稳健性检验后仍然成立。在影响机制方面，数字化转型可以通过缓解代理成本的机制促进全要素生产率提升。基于异质性的研究发现，所有制性质、企业规模、治理结构等企业微观特征对数字化转型的效率提升作用产生差异性影响。本文的研究结论有助于准确评估数字化转型的生产率效应，为政策制定和调整提供经验证据。

Abstract: In the era of the digital economy, digital transformation has emerged as a critical pathway for enterprises to achieve high-quality development. Based on data from A-share listed companies in China, this paper theoretically elaborates the intrinsic mechanisms through which digital transformation enhances firms’ total factor productivity (TFP) and constructs a micro-level digital transformation index. On this basis, it empirically examines the impact of digital transformation on firms’ TFP. After addressing potential endogeneity issues, the results indicate that digital transformation significantly improves firms’ TFP and has become a powerful driver for enhancing production efficiency in manufacturing enterprises under the digital economy. This conclusion remains robust across a series of validation tests. Regarding the underlying mechanisms, the findings reveal that digital transformation promotes TFP by alleviating agency costs. Furthermore, heterogeneity analysis shows that firm-specific characteristics—including ownership type, firm size, and governance structure—lead to differential effects of digital transformation on productivity improvement. The findings of this study contribute to an accurate assessment of the productivity effects of digital transformation and provide empirical evidence to inform policy formulation and adjustment.

1. 引言

改革开放以来，中国制造业企业虽然发展迅速，但仍面临自主创新能力不足、生产效率偏低等问题。随着数字经济兴起，数字化转型被视为推动制造业高质量发展的重要途径。通过新一代信息技术与生产经营深度融合，数字化不仅有助于优化流程和降低成本，也可能改善企业治理、缓解代理问题、提升资源配置效率。然而，目前关于数字化转型对企业全要素生产率提升的实证研究仍较有限，特别是在微观层面作用机制尚不清晰。本文基于2007~2022年中国A股上市公司数据，构建数字化转型指数，系统考察其对全要素生产率的影响及作用路径，并从企业特征角度进行差异性分析，期望为理论研究和政策制定提供参考。

在此背景下，本文重点关注三个问题：第一，数字化转型是否能够显著提升企业的全要素生产率；第二，这一作用是否通过缓解代理成本等中介机制实现；第三，不同所有制、规模和治理结构的企业在数字化转型中是否存在异质性效果。通过深入分析这些问题，本文希望揭示数字化转型在制造业提质增效中的具体作用机制，并为企业实践和政府政策提供实证依据。

2. 文献综述

2.1. 关于企业数字化转型的动因研究

数字化技术的演进已广泛渗透至各领域，其影响力持续增长，不再仅限于核心领域，而是逐步延伸至制造业、金融业、服务业等多个行业。在互联网 + 的浪潮推动下，全球联网设备的深度融合预示着万物互联的时代即将来临，这激发了众多企业积极探索数字化转型(赵西三，2017) [1]。

传统行业价值链的破裂及产业供需失衡催促企业寻求变革。发达国家早已利用尖端的信息技术对传统产业进行革新，以提升产业的竞争力，并将其视为国家战略。在全球数字化竞争加剧的背景下，我国也开始意识到融合传统产业与先进的数字技术，重塑产业价值链是顺应全球产业变革的关键，也是提升综合国力的必然选择(李晓华，2016) [2]。企业利用“大数据”、“物联网”、“云计算”等先进的科技手段，将企业的价值链条分解、重构，建立能够迅速回应顾客要求并为顾客服务的服务平台，形成一个闭环的企业价值链，是缓解企业供求关系的一种行之有效的方法(安筱鹏，2019) [3]。

2.2. 关于全要素生产率的研究

2.2.1. 全要素生产率的测度

聂辉华和贾瑞雪(2011)通过OP法探究中国制造业的全要素生产率，揭示了资源配置效率的问题[4]。随后为了克服OP法的局限性，一些学者转向了LP法，如鲁晓东与连玉君(2012)以1999~2000年中国制造业企业的面板数据为依据[5]。杨汝岱(2015)利用这两种方法探讨了中国工业企业的全要素生产率，发现企业内部增长是推动其生产率提升的关键因素[6]。至于影响企业生产效率的具体因素，由于企业的多元化特性，田巍等人(2012)指出对外投资丰富的公司全要素生产率增长显著[7]，而陈斌开等人(2015)则提出高昂的房价可能引发资源分配失衡，降低生产效率[8]。

2.2.2. 全要素生产率的影响因素

企业全要素生产率是衡量一个国家实体经济高质量发展的重要指标。蔡昉(2013)指出要从技术进步和体制改善中获得更高效率，以实现中国经济增长向全要素生产率支撑型模式的转变[9]。基于互联网技术的发展，沈悦和郭品(2015)分析互联网通过技术溢出效应提升了全要素生产率[10]。从宏观层面来看，目前的研究着重在探讨数据交易平台建设对全要素生产率的影响[11]，聚焦在国家级大数据综合试验区的政策下，检验数据要素对企业全要素生产率的影响机制[12] [13]以及对企业数字化转型升级的影响[14]。然而从微观层面直接研究数字化发展对于企业全要素生产率的影响研究相对稀缺，企业数字化发展是企业实现高质量发展的核心所在。鉴于此，本研究拟从数字化转型这一关键视角出发，深入探讨其对企业全要素生产率的作用机制、异质性影响及其经济效应，并通过实证分析对相关理论进行验证。

3. 研究假设

第一，数字化转型通过驱动企业创新显著提高全要素生产率。数字化转型不仅推动技术创新，也改变了企业的创新模式和体系，助力全要素生产率提升。同时，数字化还优化制造流程，并为营销创新注入动力。借助大数据、云计算和人工智能，企业能更精准地洞察客户需求、优化市场推广，从而提升销售效率。新一代信息技术的发展也加快了制造业与数字技术的深度融合，催生网络化协同制造，推动从单一创新向产业协同创新转变，进一步提升生产效率。基于以上分析，本文提出如下假设：

假设H1：数字化转型显著提高了企业的全要素生产率。

第二，在现代企业中，所有权与经营权的分离普遍导致代理问题，使企业资源配置效率下降、经营绩效受损。随着数字技术的快速发展，数字化转型不仅体现在流程优化和技术革新上，还深刻影响了企业内部治理和激励机制。通过提升信息透明度、强化监督和降低信息不对称，数字化手段能够有效缓解代理问题，降低代理成本，从而提升管理规范性和资源配置效率。代理成本的降低有助于提高生产效率和企业全要素生产率。因此，本文提出假设：

假设H2：数字化转型可以通过降低企业代理成本，间接提升企业的全要素生产率。

4. 研究设计

4.1. 数据来源

鉴于自2007年起，我国企业数字化转型进入快速发展阶段，为了控制数据的完整性，本研究选取了2007至2022年间中国A股上市公司的数据作为分析对象。在数据预处理阶段，我们首先剔除了ST公司，因其财务状况通常不稳定，可能引入误差，从而影响研究的准确性。其次，由于金融行业受独特监管，为防止其特殊性扭曲结果，金融类企业也被排除在外。另外，我们只保留正常上市的企业，对于关键指标数据严重不全的企业，我们也一并排除。为了消除极端值可能带来的影响，所有连续型变量都进行了1%和99%的缩尾处理。数据来源主要包括国泰安CSMAR数据库和锐思数据库，而企业的年度报告数据则直接从深圳证券交易所和上海证券交易所的官方平台获取。这些步骤旨在确保研究能精确评估企业数字化转型对全面生产率效应及其实现途径。

4.2. 变量选取

4.2.1. 解释变量

企业的数字化转型源于人工智能、区块链、云计算、大数据等尖端技术的深度整合(戚聿东和肖旭，2020) [15]，这些构成了评估企业转型程度的重要参考。本研究在吴非等(2021)的工作基础上，通过统计制造业上市公司的年度报告中关于“企业数字化转型”的关键词出现次数，以量化其转型的程度[16]。该文献设计了一个全面的数字化转型特征词汇库，涵盖了人工智能、区块链、云计算、大数据和数字技术应用五大领域，结合了既有文献和专家见解。在构建企业数字化转型度量指标时，我们遵循以下步骤：首先，依照吴非等(2021)的研究，建立了一个全面体现企业数字化转型状态的指标框架(见图1) [16]。其次，我们收集了沪深交易所所有制造业上市公司自2007年至2022年的年度财务报告。最后，运用Python程序进行词根分析、匹配和计数，同时去除带有否定含义的词汇如“没”、“无”、“不”等，并对统计结果进行加1和对数转换，确保得出的企业数字化转型指标具有精确性。

Figure 1. Enterprise digital transformation feature thesaurus

图1. 企业数字化转型特征词库

4.2.2. 被解释变量

被解释变量是企业全要素生产率(TFP)，它揭示了总产出中超出单一投入要素解释的部分，是衡量各类投入转化为最终产出的转化效率的核心维度。本文主要参考Levinsohn和Petrin (2003) [17]以及鲁晓东等(2012) [5]和胡本伟(2014) [18]的研究方法，通过LP法计算估计企业全要素生产率，其中产出指标为营业收入，投入指标为固定资产投入、企业员工人数和中间产品投入。

传统估算TFP通常依赖于如下生产函数：

$Y_{it}=A_{it}\cdot f\left(K_{it},L_{it}\right)$

其中：

Y_it：企业i在t年的产出(如产值或增加值)；

K_it，L_it：分别为资本和劳动投入；

A_it：全要素生产率(TFP)。

4.2.3. 中介变量

代理成本(Turnover)：James等(2000)利用美国联邦储备委员会1997年发布的全国小企业财务调查数据库，提出表示代理成本的方法可以用效率损失作为替代变量[19]，它反映由于经理的错误决策如投资了净现值为负的项目，或经理的偷懒如没有尽力增加收入等而导致对资产的低效率使用等引起的代理成本。基于此，本文在参考李寿喜(2007) [20]研究设计，选取总资产周转率即企业效率比率作为企业代理成本的替代变量。理论上，代理成本较高的企业往往存在资源配置低效、管理松懈等问题，从而导致总资产周转率偏低。因此，该指标在实证研究中被广泛用作衡量代理冲突或内部治理效率的反向指标。总资产周转率越高，表明企业在经营活动中对资产的利用程度越高，代理问题可能越轻；反之，则说明企业存在较强的代理成本。

4.2.4. 控制变量

企业的全要素生产率受到市场环境、竞争态势以及地区政策差异等多维度因素的共同影响。为确保研究结果的精确性，参考赵宸宇等(2021) [21]的方法，本文引入了一系列企业层面的控制变量。具体而言，这些变量包括企业规模(Size)，用总资产的对数值来衡量；企业年龄(age)，资产负债率(Leverage)、流动比率(Liquid)等财务指标；同时，本文还考虑了企业内部治理因素即股权集中度(share)、独立董事占比(Indep)、两职合一(Dual)，即董事长和总经理是否为同一个人担任；最后，我们还考虑了企业的所有权性质(Nature)，即是否为国有企业。这些控制变量的引入，有助于更全面地揭示企业全要素生产率的影响因素，提高研究的科学性和可靠性。变量具体定义及描述性统计见表1。

Table 1. Main variable setting

表1. 主要变量设定

变量类型	变量名称	符号	变量描述
解释变量	数字化转型总指数	DIGI	企业数字化转型指数，用文本分析法得到的词频取对数
被解释变量	全要素生产率	TFP	根据LP法计算的全要素生产率
中介变量	代理成本	Turnover	总资产周转率
控制变量	企业规模	Size	总资产的对数值
	企业年龄	Age	当年年份 − 成立年份 + 1
	资产负债率	Leverage	总负债/总资产
	流动比率	Liquid	流动资产/总资产
	总资产收益率	ROA	净利润/资产总额
	托宾Q	TBQ	市场价值/资本重置成本
	独立董事占比	Indep	独立董事人数/董事会人数
	股权集中度	Share	前5位大股东持股比例之和
	两职合一	Dual	是为1，否为 0
	所有制性质	Nature	国有企业记为1，非国有企业记为0

4.2.5. 模型构建

根据以上理论分析，本文设定如下基准回归模型：

$\begin{array}{c}TF{P}_{it}=a_0+a_{1}DIG{I}_{it}+\beta Control{s}_{it}+{\mu }_P+{\delta }_I+{\lambda }_Y+{\epsilon }_{it}\end{array}$ (1)

$\begin{array}{c}Turnove{r}_{it}=b_0+b_{1}DIG{I}_{it}+\beta Control{s}_{it}+{\mu }_P+{\delta }_I+{\lambda }_Y+{\epsilon }_{it}\end{array}$ (2)

$\begin{array}{c}TF{P}_{it}=c_0+c_{1}DIG{I}_{it}+\lambda Turnove{r}_{it}+\beta Control{s}_{it}+{\mu }_P+{\delta }_I+{\lambda }_Y+{\epsilon }_{it}\end{array}$ (3)

其中，TFP_it指企业全要素生产率，DIGI_it是i企业t年度的数字化转型指数，Turnover_it是中介变量。Controls_it是控制变量项，ε_it为随机误差。此外，为了控制宏观因素和行业因素对全要素生产率的影响，我们还在方程中加入了省份固定效应μ_P、行业固定效应δ_I和年份固定效应λ_Y。为使统计推断结果更加稳健，本文采用聚类稳健标准误估计回归模型。

5. 实证分析

5.1. 描述性统计分析

在开展实证回归分析之前，本文依据从国泰安数据库整理的面板数据，对所涉及的主要变量进行了描述性统计，具体结果如表2所示。样本共计30,375个观测值，涵盖我国制造业上市公司在2007年至2022年期间的经营特征。

被解释变量TFP_LP表示企业的全要素生产率，采用LP方法进行测算后已标准化处理，最大值为4.463，最小值为−4.227，标准差为1，说明不同企业在生产效率水平上存在明显差异，且数据符合正态分布假设，适合后续回归分析使用。

核心解释变量DIGI反映企业的数字化转型程度，均值接近0，标准差为0.993，最小值为−0.923，最大值为2.694，表明样本企业在数字化投入和转型深度方面差异显著，说明我国企业当前整体数字化水平尚处于不断推进过程中，转型效果尚未完全均衡。

控制变量中，企业年龄(Age)均值为10.98，显示出样本整体经营年限较长；产权性质变量(Nature)为哑变量，其均值为0.151，说明国有企业在样本中占比较低；两职合一变量(Dual)均值为0.259，表明大多数公司实行董事长和总经理分设，有助于加强公司治理。总体来看，各项变量的统计特征符合预期，数据具备良好的分析基础。

Table 2. Main descriptive statistics

表2. 主要描述性统计

Variable	Obs	Mean	Std.Dev.	Min	Max
TFP_LP	30,375	0	1	−4.227	4.463
TFP_OP	30,375	6.713	0.907	2.377	11.418
DIGI	30,375	−0.002	0.993	−0.923	2.694
DIGI_1	30,375	−0.002	0.994	−2.245	2.379
Size	30,375	−0.002	0.974	−1.738	3.043
Age	30,375	10.981	7.036	2	28
Leverage	30,375	0.433	0.202	0.057	0.898
Liquid	30,375	0.56	0.201	0.096	0.943
Share	30,375	49.788	20.785	0.304	89.008
Nature	30,375	0.151	0.358	0	1
ROA	30,375	0.042	0.061	−0.237	0.211
TBQ	30,375	2.005	1.285	0	8.176
Indep	30,375	0.374	0.054	0.308	0.571
Dual	30,375	0.259	0.438	0	1
Turnover	30,375	0.642	0.428	0.088	2.536

5.2. 多重共线性检验

本文采用方差扩张系数(VIF)对样本中可能出现的共线性问题进行验证。依据表3展示的基础估算数据，我们观察到所有的VIF数值都低于10 (即R²的数值超过0.9)，这明确地证明了我们选择的数据能够有效地避免多重共线性的问题。因此，本研究的数据展示了出色的结构性特点，为接下来的分析工作奠定了坚实的基础。

Table 3. Multicollinearity test

表3. 多重共线性检验

	VIF	1/VIF
Size	1.969	0.508
Age	1.734	0.577
Leverage	1.676	0.597
ROA	1.327	0.753
Share	1.304	0.767
TBQ	1.242	0.805
DIGI	1.136	0.88
Liquid	1.13	0.885
Dual	1.105	0.905
Nature	1.078	0.927
Indep	1.024	0.976
Mean_VIF	1.339	0.976

5.3. 基准回归

为了透彻理解企业数字化转型与全要素生产率之间的关联，本研究运用混合回归模型及固定效应模型策略，对全部数据执行递归验证，并对模型(1)实施回归分析。如表4的回归数据显示，在第(1)栏中，我们看到的是未包含控制变量的回归结果；随后在第(2)栏，揭示了纳入控制变量后的分析结果，括号内的数值代表t统计量的精确值(后续栏遵循相同标注规则)。分析发现，无论是在第(1)栏还是第(2)栏，系数均为正，这有力地证明了企业数字化转型对全要素生产率提升的显著促进效果。在考虑控制变量后，DIGI的系数虽有所下降，但这并不影响其显著性，依旧维持在1%的显著性水平，表明控制变量仅部分吸收了全要素生产率的影响，而转型的积极作用依旧稳固。因此，假设H1得到了有效的验证。为了缓解潜在的遗漏变量偏误，本文在除基准回归列(1)之外所有模型中纳入了一系列控制变量，包括企业规模、年龄、资本结构、流动性、治理特征等。出于篇幅考虑，控制变量的系数未在回归表中展示，但均已纳入回归方程。

Table 4. Return to baseline

表4. 基准回归

	(1)	(2)	(3)	(4)
	TFP_LP	TFP_LP	Turnover	TFP_LP
DIGI	0.205^***	0.066^***	0.026^***	0.038^***
	(0.016)	(0.008)	(0.005)	(0.005)
Turnover				1.054^**^*
				(0.017)
_cons	0.001	−1.274^***	−0.004	−1.269^***
	(0.013)	(0.056)	(0.044)	(0.035)
prov_code	Yes	Yes	Yes	Yes
industry_code	Yes	Yes	Yes	Yes
Year	Yes	Yes	Yes	Yes
N	30,355	30,355	30,355	30,355
Sobel检验Z值			3.834^***

Standard errors in parentheses ^* p < 0.1, ^** p < 0.05, ^*** p < 0.01.

通过基本回归，我们已经得到结论——企业数字化转型促进了全要素生产率的提高，但具体作用机理没有明确。

为进一步探究数字化转型通过缓解企业代理成本进而影响全要素生产率的中介机制，本文将代理成本(Turnover)作为中介变量，引入以检验其在数字化转型与TFP之间是否发挥中介作用，对模型(2)和(3)实施回归分析。通过对第(3)栏数据的分析发现，数字化转型的影响因子是0.026，并且在1%的水平上是显著的，说明企业数字化转型可以有效地提升企业的总资产周转率，从而一定程度上降低企业的代理成本。第(4)栏的数据揭示了同一模式下企业数字化转型、代理成本与全要素生产率之间的交互效应。企业的数字化转型对全要素生产率展现出显著的积极影响，并对企业的总资产周转率产生正面影响。具体来看，数字化转型对全要素生产率的正面影响相对于第(2)栏数据减弱，从0.66减至0.038，表明代理成本在这两个因素之间充当了媒介角色。据此分析，企业通过数字化转型可以有效地缓解代理成本，进而增强其全要素生产率，假设H2得到了验证。

5.4. 稳健性检验

为了确保研究结果的可靠性，本文还进行了一系列稳健性检验，如表5所示。一是替换被解释变量，列(1)将被解释变量由基准模型中的TFP_LP替换为另一种常用的全要素生产率计算方法TFP_OP。回归结果显示，数字化水平(DIGI)的系数为0.034，且在1%显著性水平下为正，表明更换TFP测算方式后数字化对企业生产效率的提升效应依然显著。二是更换解释变量，列(2)将核心解释变量更换为基于文本分析构建的广义数字化词频指标，该指标借鉴王化成课题组的研究思路，其关键词范围更广，囊括AI、大数据、物联网、区块链等多个技术维度，强调“数字化相关要素的整体覆盖度”，具备一定的技术内涵维度。结果显示该变量的系数为0.053，同样在1%显著性水平下显著为正，进一步验证了数字化在多维度定义下对生产效率的正向影响具有一致性和稳健性。三是缩短数据区间，过去的十年里，数字化转型逐渐成为全球热议的话题，然而在我国，其实践与讨论的显著提升始于2016年之后。为了深入探究这一转变的影响，我们将研究聚焦于2017年至2022年的数据，列(3)通过缩短样本时间范围以控制时间异质性带来的干扰。在该设定下，DIGI的回归系数为0.068，显著性水平为1%，仍然保持较强的解释力，表明近年来在国家政策推动和技术环境改善下，数字化转型对企业效率提升的作用更加突出。最后是更改回归模型设定，列(4)采用企业层面固定效应模型(控制stockcode)，但不控制行业和地区效应(去除industry_code与prov_code)。结果显示，DIGI的系数为0.046，依旧显著为正，进一步印证主结论的稳健性。

Table 5. Robustness check

表5. 稳健性检验

	(1)	(2)	(3)	(4)
	TFP_OP	TFP_LP	TFP_LP	TFP_LP
DIGI	0.034^***		0.068^***	0.046^***
	(0.008)		(0.008)	(0.008)
DIGI_1		0.053^***
		(0.008)
_cons	5.556^***	−1.275^***	−1.266^***	−1.387^***
	(0.059)	(0.056)	(0.065)	(0.306)
prov_code	Yes	Yes	Yes	No
industry_code	Yes	Yes	Yes	No
Year	Yes	Yes	Yes	Yes
Stock_code	No	No	No	Yes
N	30,355	30,355	14,709	29,970

Standard errors in parentheses ^* p < 0.1, ^** p < 0.05, ^*** p < 0.01.

5.5. 异质性检验

为进一步检验数字化对企业全要素生产率影响的内在一致性，本文从企业所有制性质、规模大小及治理结构特征三个维度对样本进行分组回归，结果如表6所示。

从所有制角度看，列(1)和列(2)分别展示了国有企业与非国有企业子样本下的估计结果。结果显示，数字化水平(DIGI)在两类企业中均对TFP产生显著正向影响，但在国有企业中作用更为强烈，系数为0.098，显著性水平为1%；这一结果表明，尽管数字化在各类企业中普遍发挥促进作用，但由于国有企业在资源配置能力、政策响应能力或组织调整能力上的相对优势，其数字化转型所带来的效率提升效应更为明显。

在企业规模维度，列(3)和列(4)分别报告了大型企业与中小企业中的回归结果。数字化水平在两类企业中同样表现出显著的正向作用，大型企业与中小型企业相比，其在数字基础设施、数据资源整合和技术应用规模方面具备更为明显的优势，这不仅提升了生产组织效率，也优化了资源配置和协同机制。实证结果验证了数字化转型在推动大型企业技术进步与效率改进中的关键作用，进一步印证了数字化战略对高质量发展的重要意义。

从治理结构的角度来看，列(5)和列(6)分别分析了两职合一企业与未合一企业的样本表现。结果显示，在两职合一企业中，DIGI的系数为0.062，显著性水平为1%；而在未合一企业中，系数为0.039，在5%显著水平下显著。这一结果表明，其高层治理结构的集中化增强了战略执行的效率和一致性。当董事长与总经理由同一人担任时，企业在推动数字化改革时决策链条更短，执行力度更强，有利于推动资源快速向数字化项目配置，减少内部博弈和信息损耗，从而更有效释放数字化转型对生产效率的提升效应。此外，权责统一也有助于强化对转型成效的责任承担，激励管理者更主动推动企业创新与技术升级。

Table 6. Heterogeneity test

表6. 异质性检验

	(1)	(2)	(3)	(4)	(5)	(6)
	国有企业	非国有企业	大型企业	中小型企业	两职合一	非两职合一
DIGI	0.098^***	0.061^***	0.066^***	0.060^***	0.062^***	0.039^***
	(0.019)	(0.008)	(0.008)	(0.015)	(0.011)	(0.010)
_cons	−1.408^***	−1.237^***	−1.223^***	−1.418^***	−1.276^***	−1.264^***
	(0.114)	(0.058)	(0.060)	(0.109)	(0.090)	(0.065)
prov_code	Yes	Yes	Yes	Yes	Yes	Yes
industry_code	Yes	Yes	Yes	Yes	Yes	Yes
Year	Yes	Yes	Yes	Yes	Yes	Yes
N	4553	25,776	22,943	7373	7815	22,503

Standard errors in parentheses ^* p < 0.1, ^** p < 0.05, ^*** p < 0.01.

5.6. 内生性检验

本文的实证研究中可能存在反向因果关系导致的内生性问题，即生产率高的企业更倾向于进行数字化转型，全要素生产率提高可能是企业数字化转型的原因而不是结果。我们采用两种方法处理这一问题。首先，考虑到企业数字化转型的影响可能存在时间滞后性(池毛毛等，2020) [22]，我们将核心解释变量滞后一期和两期后重新回归，结果反映在表7列(1)和列(2)中，可以发现数字化转型的系数估计值仍然在1%的置信水平下显著为正。其次，参考Arellano和Bond (1991) [23]、赵璨等(2020) [24]构建工具变量的思路，我们使用核心解释变量的一阶滞后项、城市移动电话数量、城市互联网宽带接入用户数作为工具变量进行内生性检验。表7列(3)的工具变量检验结果显示，Kleibergen-Paap rk LM统计量为607.182，表明工具变量与内生解释变量高度相关；Kleibergen-Paap rk Wald F统计量为3672.537，显著超过常用临界值，有效排除弱工具问题。Hansen J检验P值为0.2035，无法拒绝工具变量外生性的原假设，支持其有效性和排他性假设。整体结果表明本研究的工具变量选取合理，IV估计稳健可靠。

Table 7. Endogeneity test

表7. 内生性检验

	(1)	(2)	(3)
	TFP_LP	TFP_LP	TFP_LP
L1.DIGI	0.0614^***
	(0.00887)
L2.DIGI		0.0635^***
		(0.00962)
DIGI			0.0819^***
			(0.0132)
_cons	−1.299^***	−1.280^***
	(0.0615)	(0.0656)
prov_code	Yes	Yes	Yes
industry_code	Yes	Yes	Yes
Year	Yes	Yes	Yes
观测值	19,434	16,229	12,879
R^2	0.828	0.825	0.745
调整R^2	0.825	0.823	0.740
Kleibergen-Paap rk LM统计量			607.182^***
Kleibergen-Paap rk Wald F统计量			3672.537
Hansen J检验P值			0.2035

Standard errors in parentheses ^* p < 0.1, ^** p < 0.05, ^*** p < 0.01.

6. 结论与建议

在当下数字化高速发展的背景下，许多企业纷纷走上了数字化转型的道路，通过运用区块链、大数据和互联网等科技手段，来改善生产方式方法，走出传统发展路径的桎梏转向高质量发展。本文基于2007~2022年间A股制造业上市公司的数据，深入剖析了企业数字化转型与全要素生产率之间的内在联系，并进一步探索了数字化转型过程中影响全要素生产率的关键因素与路径。研究发现：

第一，企业数字化转型推动了全要素生产率的提高。另外，在对模型进行了一系列的稳健性分析之后，上述结论仍然是成立的。

第二，在深入探讨企业数字化转型如何影响全要素生产率的过程中，我们揭示出这一影响是通过缓解企业的代理成本难题作为中介机制。

第三，通过异质性分析发现，相比之下，国有企业在数字化转型方面的付出对全要素生产率的提升作用更为显著，且相关系数明显高于非国有企业，这表明国有企业在数字化转型中的效应更倾向于转化为实质性的生产效率增长。同时，尽管数字化转型对大规模企业的全要素生产率提升有所贡献，但其效应相比中小规模企业较弱，系数相对较小；最后，相较于非两职合一的企业，两职合一的企业在数字化转型对全要素生产率的促进作用上更为有效，这意味着在两职合一企业中，由于权力集中、指令统一，数字化转型推进更顺畅、实施效率更高。

针对以上结论，本文提出以下几点建议：

第一，顺应数字经济发展大势，加快企业数字化转型进程。随着数字经济的迅速发展，企业要主动迈出数字化转型的第一步，并采取多种方式并行的举措紧跟数字化转型的节奏，同时，企业也要重视对于数字化基础设施的投入，在生产、管理和销售等多个环节中保持全局观念，尽量在经营的各环节均实现数字化革新。此外，还要建立跨部门的协同机制，加强内部沟通与协作，确保数字化转型在企业各个层面得到有效实施。通过推进数字化转型，企业能够提升生产效率和管理效能，进而增强市场竞争力。这种前瞻性的数字化转型举措不仅有助于企业顺应数字经济发展的时代潮流，还能为企业在激烈的市场竞争中保持领先地位奠定坚实基础。

第二，企业应进一步完善公司治理结构，强化内部监督机制。通过提升董事会独立性、加强外部审计和信息披露制度，能够有效减少“内部人控制”，增强管理层对股东负责的激励约束机制，降低由于信息不对称导致的代理成本，为数字化转型提供更具纪律性与透明度的制度保障。其次，应积极推动高管激励与企业长期战略相结合。将数字化目标纳入业绩评价体系，通过股权激励、项目负责制等手段，促进管理层在技术变革中保持长期主义视角，从根本上缓解短期行为带来的资源错配问题。再次，对于国有企业等代理问题较为突出的群体，应因地制宜推进混合所有制改革，优化股权结构，提升企业经营的市场化水平和转型决策的灵活性，进一步压缩代理空间，释放改革红利。最后，政策层面应加强对企业数字化转型的指导与服务，特别是在中小企业中，提供治理咨询、信息系统支持与试点示范，帮助企业在降低代理成本的同时稳步推进数字化建设，实现效率与制度的双重优化。

第三，构建和完善促进企业数字化转型的政策支持体系。企业数字化转型成效显现具有一定滞后性，且在转型过程中普遍面临较大的资金压力与制度障碍。为此，政府应从国家战略高度出发，加快数字基础设施建设，构建系统性政策支持体系，可通过财政补贴、税收优惠、专项融资等方式缓解企业的转型成本压力，提升其转型意愿和能力。此外，鉴于不同行业和不同所有制企业在数字化转型对全要素生产率的影响上存在显著差异，政府应实行精细化支持政策，对转型效果相对薄弱的非国有企业给予适度倾斜，并优先支持重点行业、关键地区的龙头企业，发挥其示范带动效应。通过多维度、多层次的政策引导，可有效激发企业转型动力，提升数字经济整体活力，进而推动我国经济高质量发展。

基金项目

本研究得到2024年度贵州大学人文社会科学研究课题“经济高质量发展背景下贵州省涉农企业融资效率提升的策略研究”(GDYB2024015)的资助。

NOTES

^*通讯作者。