數字基礎設施建設如何影響企業全要素生產率？
——基于“寬帶中國”戰略的準自然實驗

郭金花 郭檬楠 郭淑芬

(1.山西財經大學工商管理學院，山西 太原 030006；2.山西財經大學會計學院，山西 太原 030006；3.山西財經大學資源型經濟轉型協同創新中心，山西 太原 030006)

一、引言

加快推進數字化轉型是實現經濟高質量發展的重要抓手，數據作為關鍵生產要素，其疊加效應、倍增效應正在快速釋放。根據中國信通院數據，2002―2019年中國數字經濟總量從1.2萬億元增加到35.8萬億元，規模增長28.5倍，遠高于同期GDP增速。數字基礎設施是數據流動的“信息高速公路”，數字經濟的深層次發展離不開數字基礎設施的支撐(趙濤等，2020)[34]。2020年3月，習近平總書記明確指出“加快5G網絡、數據中心等新型基礎設施建設進度”，以充分發揮數字化驅動引領作用，大力打造經濟高質量發展新引擎。企業是引領經濟高質量發展的中堅力量，寬帶網絡、大數據中心等數字設施的涌現以及數字技術的快速普及，改變了企業產品服務的形態以及生產經營、合作競爭的模式(余江等，2017)[32]，壓縮了企業間互動合作的時空距離，有利于實現互補性資源的共享匹配，對優化要素配置效率、釋放要素潛力，進而促進企業全要素生產率提升產生了深刻影響。

2013年8月，國務院首次發布了“寬帶中國”戰略實施方案(《國務院關于印發“寬帶中國”戰略及實施方案的通知》)，寬帶網絡基礎設施建設正式上升為國家戰略。作為國家新型數字基礎設施建設的重要舉措，“寬帶中國”戰略旨在推進寬帶網絡基礎設施建設，著力提升寬帶用戶規模，推進寬帶網絡提速，增加數字化網絡覆蓋范圍，以服務地區經濟社會發展。截至2020年底，工業和信息化部、國家發展和改革委員會分別于2014年、2015年和2016年分三批共遴選出120個城市(群)作為“寬帶中國”示范點，為我國推進數字化轉型提供了廣闊的發展空間。“寬帶中國”戰略實施帶來了實體經濟高質量發展新機遇，在實現動力轉換、效率變革等方面有顯著的促進效應，也將會從各個層面影響和沖擊企業經營管理和運行效率。數字技術革命中，眾多企業的生產研發模式、組織結構和生態系統發生了改變，促使企業重新思考和創新其企業戰略與商業模式以獲取持續競爭優勢(Bouwman et al.，2019；陳巖等，2020)[4][16]。那么，以“寬帶中國”戰略試點為標志的數字基礎設施建設對企業全要素生產率生產了怎樣的影響，具體作用機制是什么？深入探究該問題對推進企業數字化轉型及優化企業資源配置效率具有重要的理論與實踐意義。

通過文獻梳理發現，一方面，現有研究關注了數字經濟、網絡基礎設施對經濟發展、技術創新等的影響。如部分學者指出，數字經濟發展能改善地區要素錯配水平(張永恒和王家庭，2020)[33]、提升創業活躍度從而賦能高質量發展(趙濤等2020)[34]；也有研究指出經濟增長速度受到電信等網絡基礎設施的影響(Koutroumpis，2009；鄭世林等，2014)[11][36]，互聯網快速發展成為了新時代推動區域創新效率提升的新動能(韓先鋒等，2019)[18]，“寬帶中國”試點通過技術創新、產業結構升級及緩解資源錯配等途徑促進了城市全要素生產率增長等(劉傳明和馬青山，2020)[21]。另一方面，目前也有學者認識到數字技術應用對企業發展及企業生產率的積極作用，但就數字基礎設施建設如何改變企業生產的投入、產出關系，進而影響企業生產率等還存在較大的研究空白。學者們指出企業生產率受公司內部因素(管理技能、信息通信技術、商業網絡和創新等)和外部因素(如競爭程度、技術發展、教育水平、集聚經濟和專業化程度等)的影響(Marchese et al.，2019)[13]，如研發投入(王薇和艾華，2018)[29]、政府研發補貼的增加(Carboni，2011)[5]、所得稅率的降低(鄭寶紅和張兆國，2018)[35]、信息化沖擊(石大千等，2020)[25]等均能有效提高企業全要素生產率；也有部分學者就數字技術對企業創新、技術合作等的影響進行了探究，指出互聯網等數字技術融合推動了企業產品和流程創新(Teece，2018)[14]；良好的網絡基礎設施不僅促進了上市公司向內部子公司的技術知識擴散，也促進了上市公司與外部其他公司的技術合作等(薛成等，2020)[31]。綜上可知，目前關于數字基礎設施建設宏微觀經濟效應的實證研究較為零散，鮮有研究從宏觀“寬帶中國”戰略試點切入，對數字基礎設施建設與企業全要素生產率間的因果關系進行系統探究，也鮮有研究進一步深入考察數字基礎設施建設通過何種路徑影響企業全要素生產率等科學問題。

基于此，本文以2007―2019年中國滬深A股上市公司數據為研究樣本，實證考察數字基礎設施建設對企業全要素生產率的影響機制。主要貢獻體現在：第一，以“寬帶中國”戰略為準自然試驗，從微觀企業角度考察數字基礎設施建設的經濟效果，豐富與拓展了試點政策微觀經濟效果評估的研究；第二，從數字基礎設施建設視角剖析影響企業全要素生產率的因素，能為豐富企業全要素生產率影響因素研究的文獻體系提供經驗證據與理論借鑒；第三，從企業人力資本投入、融資約束與經營成本方面分析數字基礎設施建設影響企業全要素生產率的作用路徑，有助于揭示數字基礎設施建設影響企業全要素生產率的內在機理。

二、理論機制分析

數字基礎設施是以數據、軟件、芯片、通信及分子涂層等“數字材料”為主體構建的軟硬件一體的基礎設施(陳維宣和吳緒亮，2020)[15]，涉及網絡通信、數據中心、云計算及工業互聯網等以及各類數字平臺載體(高升，2020；王開科等，2020)[17][28]。寬帶網絡、大數據中心及5G基站等數字設施的涌現，促進了企業間的互動合作與知識信息流動，有利于企業實現互補性資源的共享匹配、緩解資源錯配等(劉傳明和馬青山，2020)[21]，對優化要素配置效率、釋放要素潛力，進而促進企業全要素生產率提升產生了深刻影響?！皩拵е袊睉鹇宰鳛橥七M數字基礎設施建設的重要舉措，使得寬帶網絡覆蓋范圍不斷擴大，云計算、物聯網及數字金融等新興業態蓬勃發展。截至2021年，中國共批復了三批“寬帶中國”試點城市，實現了覆蓋擴面、傳輸提速、降低資費等目標，讓企業享受到了網絡改善帶來的紅利，并對試點地區企業全要素生產率改善發揮了重要作用。具體體現在以下方面：

第一，數字基礎設施建設通過替代人力資本投入促進企業全要素生產率增長。互聯網資源配置機制之于人力資本的替代性在于人工智能對低技能就業崗位和高技能就業崗位的沖擊(何大安和任曉，2018)[19]。從優化傳統要素來看，人工智能服務可以通過使用更便宜的資本，補充或替代勞動力，推動生產率提升(Graetz and Michaels，2018)[7]。當然，人工智能在很大程度上替代低技能就業崗位的同時，也會在一定程度和范圍內替代部分高技能就業崗位(Benzell et al.，2015)[3]，但總體而言人工智能在減少低技能就業崗位的同時會創造出一些高技能就業崗位(Acemoglu and Restrepo，2016)[1]。同時，數字技術的普及促進了企業知識重組與知識轉移能力等，進而影響企業的人力資本競爭優勢。如對于基于隱形知識提供專業技能的人力資本，企業能夠利用數字平臺的連接性，促進高級人力資本之間交流學習，增強企業以專業技能為基礎的人力資本的競爭優勢(Banalieva and Dhanaraj，2019；陳巖等，2020)[2][16]。因此，數字技術在促進自動化生產時替代了部分人力資本投入，且對于要求較高、難以實現自動化的崗位，能夠幫助提升和改進企業的生產效率。

第二，數字基礎設施建設通過緩減融資約束對企業全要素生產率產生促進作用。企業能否獲得充足的資金維持生產經營及創新活動，取決于其自身融資能力以及外部金融環境的有效性(解維敏和方紅星，2011；Hottenrott and Peters，2012)[20][9]?！皩拵е袊睉鹇詫嵤┦沟脤拵ЬW絡覆蓋范圍不斷擴大，數字金融等新興業態蓬勃發展，對緩解企業融資約束，進而促進企業全要素生產率提升發揮了重要作用。企業被置于大數據、云計算等“互聯網+”環境中，有利于建立基于互聯網平臺的借貸市場來破解融資約束問題(劉滿鳳和趙瓏，2019)[22]：一方面，數字金融發展拓寬了融資渠道、增加了融資數量，企業能以相對較低的成本高效地吸納分散的投資者，并借助其多樣化服務模式多維度拓寬融資渠道以實現融資、支付、投資等金融服務(萬佳彧等，2020)[26]；另一方面，基于互聯網金融的企業融資平臺及融資機制有利于增強企業信息搜集能力，促進金融主體間的聯結，在一定程度上能有效降低借貸市場中相關環節的信息不對稱性，拓寬金融服務內容和邊界(萬佳彧等，2020)[26]，進而優化了金融資源配置效率，幫助企業緩解融資約束促進企業全要素生產率提升。

第三，數字基礎設施建設通過降低經營成本促進企業全要素生產率增長。從企業管理來看，智能服務、數字平臺等數字技術不斷嵌入，改變了企業傳統的生產經營、業務流程管理與組織結構架構等，能有效降低企業內外部管理及協調成本(石大千等，2020)[25]，進而對企業全要素生產率發揮重要影響。一是數字基礎設施的完善及數字技術應用優化了原有的生產經營流程，促使企業生產、銷售及服務等環節模塊化與集成化，重塑了企業的價值創造鏈條，使得企業以較少的資源要素投入實現更多的產出(Huang et al.，2017)[10]，有利于降低企業的生產經營成本，提高生產研發效率。二是數字基礎設施建設推進了企業數字化轉型，促使企業部門層級網絡化，強化了各部門之間的協同作業與無縫連接，如能夠降低企業研發人員間技術交流時間和團隊間的協作成本(Forman and Zeebroeck，2012)[6]，大大降低企業內部的管理成本，使人財物和信息等資源進行有效配合，提升了企業組織管理效率。此外，數字技術應用拓展了企業獲取信息的深度和廣度(祁懷錦等，2020)[24]，企業借助數字平臺進行資源和知識搜索，可以大幅降低企業對外部知識信息的搜集成本、減少中間消耗等，從改善企業整體全要素生產效率?；诖?，本文提出以下研究假設：

H1：數字基礎設施建設有利于促進企業全要素生產率提升；

H2：數字基礎設施建設可通過替代企業部分人力資本投入、緩減融資約束及降低經營成本等傳導路徑影響企業全要素生產率。

三、研究設計

(一)模型構建

為識別數字基礎設施建設對企業全要素生產率的平均影響效應，本文以“寬帶中國”戰略試點政策為準自然實驗，采用雙重差分模型進行檢驗。同時，考慮到“寬帶中國”戰略試點是于2014年、2015年與2016年分三批逐步推進的，而傳統雙重差分模型僅適用于評估單一時點的政策效應，因此，這里構建多期雙重差分模型進行檢驗，具體如下：

其中，tfp表示企業全要素生產率；digdid表示數字基礎設施，其系數α1反映數字基礎設施建設對企業全要素生產率的平均影響效應；α0表示截距項，controls表示控制變量，i表示企業個體，t表示年份；μi表示個體固定效應，vt表示年度固定效應，εit為隨機擾動項。

進一步地，為反映該影響效應是否存在時滯性和持續性等，本文將“寬帶中國”戰略試點的政策沖擊逐年打開，將平均影響效應進行分解替換為各年份虛擬變量digdidt(t=0,1,2,3,……)，具體地，digdid0表示試點政策實施當年取值1，否則取值0；digdid1表示試點政策實施后的第一年取值1，否則取值0；digdid2表示試點政策實施后的第二年取值1，否則取值0，其他以此類推。具體模型如下：

同時，為驗證數字基礎設施建設可通過替代人力資本投入、緩減融資約束和降低經營成本等對企業全要素生產率產生影響，本文結合中介效應模型的構建步驟，在模型(1)基礎上，依次構建了模型(3)與模型(4)進行檢驗。

其中，模型(3)與模型(4)中inmedia表示中介變量，包括人力資本投入(labor)、融資約束(abssa)、經營成本(rpc)。模型(3)中digdid的系數γ1表示數字基礎設施建設對中介變量的影響效應，若該模型中digdid的系數γ1與模型(4)中inmedia的系數η2均顯著，則表明inmedia變量是數字基礎設施建設影響企業全要素生產率提升的傳導路徑。

(二)相關變量與數據說明

1.被解釋變量

借鑒Levinsohn and Petrin(2003)[12]的研究，本文通過采用LP方法估算企業全要素生產率(tfp)，估計模型為：

lnYit=δ0+δ1lnKit+δ2lnLit+δ3lnMit+μi+vt+εit(5)

其中，產出(Y)采用企業主營業務收入的自然對數衡量，資本(K)采用企業固定資產凈額的自然對數衡量，勞動(L)采用企業員工人數的自然對數衡量，中間投入(M)采用公司購買商品、接受勞務實際支付現金的自然對數衡量。

2.解釋變量

對于數字基礎設施變量(digdid)的衡量，本文根據“寬帶中國”戰略試點實施與否進行衡量。首先，根據“寬帶中國”戰略試點實施與否，將“寬帶中國”試點城市內的企業視為實驗組，將非試點城市內的企業視為控制組；其次，生成政策虛擬變量(digdid)，根據不同城市進行“寬帶中國”戰略試點時間，將“寬帶中國”戰略試點當年及之后年度的實驗組樣本賦值為1，試點之前的實驗組樣本賦值為0，其余控制組樣本賦值為0。

3.機制變量

人力資本投入(labor)采用ln(支付給職工以及為職工支付的現金/員工人數)進行衡量；融資約束(abssa)采用由Hadlock and Pierce(2010)[8]提出和構建的SA指數進行衡量，即SA=-0.737×lnasset+0.043×lnasset2-0.04×ssage，其中，asset表示企業資產規模，ssage表示企業上市時間；經營成本(rpc)，借鑒王璽和劉萌(2020)[30]的研究，采用企業的成本費用利潤率衡量，即利潤總額/(營業成本+期間費用)×100%。

4.控制變量

借鑒相關研究，選取企業層面的控制變量包括：企業規模(lnasset)，總資產的自然對數；資產負債率(lev)，總負債與總資產的比值；企業成長性(growth)，營業務收入增長率；存貨周轉率(lnchzz)，以營業成本與存貨期末余額比值的自然對數衡量；研發投入(rd_input)，研發投入與企業總資產比值；獨立董事比例(indep)，獨立董事人數與董事會人數之比；資本性支出(money)，公司資本性支出與總資產的比值；企業年齡(lnclage)，公司成立時間的自然對數；股權集中度(first)，第一大股東持股比例；總資產收益率(roa)，企業稅后利潤與總資產的比值；產權性質(soe)，國企取值為1，否則為0。同時，控制的城市特征變量包括：經濟發展水平(lngdp)，用各地區生產總值的對數衡量；產業結構水平(indu)，用第三產業增加值與第二產業的比值衡量；政府干預水平(gov)，用各地區政府財政支出占GDP的比值衡量；金融發展水平(depo)，用各地區金融機構貸款總額與GDP的比值衡量；外商投資(fdi)，用各地區外商投資額與GDP的比值衡量。

本文選取2007―2019年中國滬深A股上市公司為研究樣本，數據主要來源于CSMAR數據庫；“寬帶中國”戰略試點城市數據來源于2014年、2015年和2016年的《工業和信息化部辦公廳發展改革委辦公廳關于開展創建“寬帶中國”示范城市(城市群)工作的通知》。1本文依據上市企業注冊地相關的文本信息與“寬帶中國”戰略試點所涉及的地級市信息識別試點地區企業樣本并進行數據匹配。同時，本文剔除了ST、SST、*ST和S*ST的上市公司、金融業上市公司等存在異?；蛘呷笔У臉颖緮祿?，最終得到27337個觀測值。此外，為控制極端值干擾，本文對變量進行了上下1%的縮尾(winsorize)處理。各變量的描述性統計結果見表1。

表1 變量描述性統計結果

四、實證結果與分析

(一)基準回歸分析

1.共同趨勢檢驗

盡管使用雙重差分模型不要求實驗組和控制組是完全一致的，但兩組之間在政策實施之前具有共同發展趨勢是該模型重要的前提。本文根據研究基礎數據繪制了2007―2019年企業全要素生產率年度變化的趨勢圖，由圖1可知，2013年及之前年份實驗組與控制組樣本企業全要素生產率變化基本一致，而2013年之后，實驗組與控制組樣本間企業全要素生產率的差距逐步凸顯，初步判斷“寬帶中國”戰略試點前兩組研究樣本滿足共同趨勢。同時，結合構建的模型(2)檢驗“寬帶中國”戰略實施前后對企業全要素生產率影響的共同趨勢及動態變化。具體結果見圖2與表2中列(4)。圖2中圓點表示政策效應系數大小，短豎線表示置信區間。由圖2可知，“寬帶中國”戰略試點前四個年度的估計系數值均接近于0，且統計上不顯著，表明“寬帶中國”戰略實施之前，企業全要素生產率變化沒有顯著差異，即滿足共同趨勢假設；而“寬帶中國”戰略實施之后，其對企業全要素生產率的影響系數隨著時間呈現波動式增大趨勢。

表2 基準回歸結果

圖1 企業全要素生產率年度變化趨勢

2.平均效應與動態效應

圖2 共同趨勢檢驗

結合前文理論分析，本文采用雙重差分模型進行實證檢驗，由表2基準模型回歸結果的列(1)～(3)可知，數字基礎設施變量(digdid)的系數均顯著為正，其中，列(1)為僅控制年度固定效應的回歸結果，數字基礎設施變量(digdid)的回歸系數為0.018，且在10%水平下顯著為正；列(2)為控制年度和公司固定效應的估計結果，數字基礎設施變量(digdid)的回歸系數為0.023，且在1%水平下顯著為正；列(3)為同時控制了年度、公司和地區固定效應的估計結果，數字基礎設施變量(digdid)的回歸系數為0.023，且在1%水平下顯著，這表明以“寬帶中國”為試點的數字基礎設施建設有利于促進企業全要素生產率提升，驗證了假設H1。

進一步地，本文將“寬帶中國”戰略試點政策沖擊效應逐年打開，結合表2列(4)可知，“寬帶中國”戰略試點當年digdid0的回歸系數不顯著，但從試點政策后一年開始數字基礎設施建設的政策效果開始逐步顯現，digdid1、digdid3、digdid4與digdid5對應的回歸系數依次為0.060、0.114、0.075和0.095，且依次在10%、1%、5%與5%水平下顯著。這說明以“寬帶中國”為試點的數字基礎設施建設對企業全要素生產率增長的影響效應存在一定的時滯性和持續性，政策影響效果在試點政策后的第一年開始顯現且呈現出波動增強趨勢。

(二)穩健性檢驗

1.安慰劑檢驗

盡管本文的實驗組和控制組在政策試點之前滿足平行趨勢假設，但仍要考慮企業全要素生產率的變化是否由于同一時期其他政策或隨機因素引起的，為排除這種可能，這里進行了安慰劑檢驗。具體地，本文通過模擬，在3416家企業中隨機選擇企業樣本進行100次抽樣，每次抽樣隨機選出2487家企業作為虛擬實驗組，剩余929家企業作為對照組按模型(1)進行回歸，隨機抽樣100次得到估計系數的核密度分布如圖3所示。結果顯示，絕大多數抽樣估計系數t值的絕對值都在2以內，且p值都在0.1以上，這說明在這100次抽樣中政策試點變量的估計系統大部分未通過顯著性檢驗，即未被觀測到的隨機因素并不會影響模型的估計結果，通過了安慰劑檢驗。

圖3 核密度分布

2.變換因變量估計方法—Wooldridge估計

為驗證估計結果的穩健性，本文在LP估計的基礎上，采用Wooldridge(2009)提出的基于GMM估計法對企業全要素生產率再次進行估計。相比LP估計法，該方法克服了ACF提出的在第一步估計中潛在的識別問題，同時該方法在考慮序列相關和異方差的情況下能夠得到穩健標準誤。具體結合表3列(1)中Wooldridge估計的回歸結果可知，以“寬帶中國”為試點的數字基礎設施建設對企業全要素生產率影響的回歸系數為0.028，且在1%水平下顯著為正，與基準回歸結果保持一致。

3.PSM-DID檢驗

為緩解樣本選擇偏差引起的內生性，本文進一步采用PSM-DID方法進行穩健性檢驗。首先，結合實驗組與控制組特征，選取企業規模、資產負債率、企業成長性、存貨周轉率、獨立董事比例及企業年齡等作為匹配特征變量x，通過Logit回歸得到傾向值得分，具體模型為：Logit(yi)=βixit+εit，其中，xit為匹配特征變量集，yi為分組變量。其次，對政策試點地區樣本與非試點地區樣本進行1:1鄰近匹配，得到配對成功后的實驗組樣本并再采用雙重差分模型進行回歸。由表3列(2)知，數字基礎設施建設對企業全要素生產率提升的回歸系數為0.078，在5%水平下顯著為正，驗證了研究結論的穩健性。

4.Heckman兩階段檢驗

為緩解樣本自選擇偏誤引起的內生性，采用Heckman兩階段方法檢驗。首先，構建“寬帶中國”戰略政策試點決定因素模型，采用Probit回歸估計，計算出逆米爾斯比率(imr)2；其次，將逆米爾斯比率(imr)作為控制變量加入到模型中進行回歸。由表3列(3)可知，數字基礎設施建設對企業全要素生產率提升的回歸系數在1%水平下顯著為正，表明排除樣本自選擇偏誤引起的內生性問題之后基準回歸結論依然穩健。

表3 穩健性檢驗

五、作用機制分析與異質性檢驗

(一)作用機制分析

上文實證結果表明，數字基礎設施建設有利于促進企業全要素生產率提升，那么其影響機制是什么？本文在模型(1)的基礎上，依據模型(2)與(3)，依次檢驗數字基礎設施建設是否通過替代人力資本投入、緩減融資約束與經營成本等作用機制對企業全要素生產率提升產生積極影響，回歸結果見表4。

表4 作用機制分析

結合表4，列(1)～列(2)為數字基礎設施、人力資本對企業全要素生產率影響的回歸結果。列(1)中數字基礎設施變量(digdid)的回歸系數為-0.023，且在5%水平下顯著，表明數字基礎設施建設有利于企業降低人力資本投入；列(2)中同時加入數字基礎設施變量(digdid)、人力資本變量(labor)后，digdid的回歸系數為0.028，labor的回歸系數為0.218，且均在1%水平下顯著，驗證了人力資本是數字基礎設施建設影響企業全要素生產率提升的重要傳導路徑；進一步，Sobel檢驗3也證實了人力資本變量中介效應的存在性，并通過計算可知，人力資本傳導路徑的間接效應約占總效應的18.31%。這表明數字基礎設施建設可以通過替代企業人力資本投入促進全要素生產率提升，究其原因，數字基礎設施建設推動了企業數字化轉型，企業內簡單的、標準化的重復勞動逐步被自動化的數字技術替代，如人工智能機器人能替代低技能人力資本從事這些勞動，簡單操作崗位大大減少，從而促進了企業全要素生產率提升。

表4中列(3)～列(4)為數字基礎設施、融資約束對企業全要素生產率影響的回歸結果。列(3)中數字基礎設施變量(digdid)的回歸系數為-0.003，且在5%水平下顯著，表明數字基礎設施建設有利于緩減企業融資約束；列(4)中同時加入數字基礎設施變量(digdid)、融資約束變量(abssa)后，digdid的回歸系數為0.023，abssa的回歸系數為0.137，且依次在1%與5%水平下顯著，驗證了緩減融資約束是數字基礎設施建設影響企業全要素生產率提升的傳導路徑；進一步地，結合Sobel檢驗可知融資約束傳導路徑的間接效應約占總效應的2.36%。這表明數字基礎設施建設可以通過緩減融資約束促進企業全要素生產率提升，但整體而言間接效應較小。

同理，由列(5)～列(6)知，列(5)中數字基礎設施變量(digdid)的回歸系數在5%水平下顯著為負，表明數字基礎設施建設有利于降低企業經營成本；列(6)中數字基礎設施變量(digdid)與經營成本變量(rpc)的回歸系數依次為0.019與-0.118，且依次在5%與1%水平下顯著，驗證了降低經營成本是數字基礎設施建設影響企業全要素生產率提升的重要傳導路徑；同時，結合Sobel檢驗可知經營成本傳導路徑的間接效應約占總效應的24.49%。這表明數字基礎設施建設可以通過降低企業經營成本促進企業全要素生產率提升。

(二)異質性檢驗

考慮到企業產權性質、規模大小和要素密集度等差異，本文進一步考察數字基礎設施建設對不同類型企業全要素生產率影響的異質性。

依據企業產權性質將樣本劃分為國有企業和非國有企業子樣本，以檢驗數字基礎設施建設對不同產權性質企業全要素生產率的影響差異。結合表5列(1)～列(2)可知，數字基礎設施建設對國有企業全要素生產率的回歸系數為0.045，且在1%水平下顯著為正，而對非國有企業全要素生產率的影響未通過顯著性檢驗，這表明數字基礎設施建設促進了國有企業全要素生產率提升，而對非國有企業全要素生產率的影響不明顯。可能原因在于，國有企業是推進新基建主力軍之一，目前不少國有企業在大數據中心、工業互聯網、人工智能、云計算等先進數字領域不斷取得重大突破，如多家中央企業建成集團級數據中心，搭建了以“航天云網”“中電互聯”為代表的多個工業互聯網平臺；而許多非國有企業則在數字化轉型過程中存在著比國有企業更多的進入壁壘，如資本障礙、技術障礙和政策阻礙等方面。

表5 異質性檢驗

依據企業規模大小的中位數將樣本劃分為中小型企業和大型企業子樣本，以檢驗數字基礎設施建設對不同規模企業全要素生產率的影響差異。結合表5列(3)～列(4)可知，數字基礎設施建設對中小型企業全要素生產率影響的回歸系數未通過顯著性檢驗，而對大型企業全要素生產率的回歸系數為0.024，且在5%水平下顯著為正，這表明數字基礎設施建設促進了大型企業全要素生產率提升，而對中小型企業全要素生產率的影響不明顯。究其原因，限于資源約束，多數中小型企業受人才、資金等約束只能進行簡單的信息化應用(汪淼軍等，2006)[27]，很難在短期內通過技術改造、業務云化等推進生產、研發等關鍵環節的數字化轉型；而大中型企業具有雄厚的資金和技術優勢，更容易在數字化轉型的浪潮中獲取競爭優勢。

參考魯桐和黨印(2014)[23]的研究，本文結合上市公司所屬行業類型，將樣本劃分為勞動密集型、資本密集型與技術密集型企業子樣本，以檢驗數字基礎設施建設對不同要素密集型企業全要素生產率的影響差異。結合表5列(5)～列(7)可知，數字基礎設施建設對技術密集型與資本密集型企業全要素生產率的影響均未通過顯著性檢驗，而對勞動密集型企業全要素生產率影響的回歸系數為0.063，且在1%水平下顯著，這表明數字基礎設施建設在一定程度上促進了勞動密集型企業全要素生產率提升，而對技術密集型與資本密集型企業全要素生產率的影響不明顯。究其原因，相比于技術密集型與資本密集型企業而言，勞動密集型企業生產和經營過程中主要依靠大量勞動力，數字基礎設施建設推進了勞動密集型企業智能化改造，將傳統的靠密集勞動力重復輸出為代價進行產品加工、組裝等工作，交給了自動化、智能化的機器人來完成，使得企業生產制造實現標準化、模塊化和系列化等，進而對該類企業全要素生產率提升的促進效應明顯。

六、結論與啟示

本文以“寬帶中國”戰略試點為準自然實驗，考察了數字基礎設施建設對企業全要素生產率的影響，主要得到以下結論：第一，數字基礎設施建設有利于促進企業全要素生產率提升，共同趨勢檢驗、安慰劑檢驗及PSM-DID檢驗等均表明研究結論具有穩健性；第二，數字基礎設施建設可通過替代部分人力資本投入、緩減融資約束和降低經營成本等促進企業全要素生產率提升；第三，數字基礎設施建設促進了國有企業全要素生產率提升，而對非國有企業全要素生產率影響不顯著；分企業規模檢驗表明，數字基礎設施建設對大型企業全要素生產率提升的促進作用明顯，而對中小型企業全要素生產率的影響不顯著；分要素密集度檢驗表明，數字基礎設施建設對勞動密集型企業全要素生產率的促進作用明顯，而對資本密集型和技術密集型企業全要素生產率的影響不顯著。

基于研究結論，本文得到如下政策啟示：

第一，深入推進“寬帶中國”戰略試點，擴大寬帶網絡等數字基礎設施的覆蓋范圍，完善各地區網絡寬帶軟硬件基礎設施建設，以期為企業數字化轉型提供良好的基礎環境。同時，應以普惠為導向提升薄弱地區寬帶網絡等數字基礎設施的覆蓋范圍，促進數字網絡資源配置的均等化，循序漸進推動“寬帶中國”紅利為更多地區的企業公平享受。

第二，引導與鼓勵企業更好地利用數字基礎設施的賦能效應進行智能化建設，以推動企業智能升級與數字化轉型，優化資源配置效率，促進企業全要素生產率提升。一方面，依托寬帶網絡、大數據中心等數字設施，企業應全面提高適應數字化轉型的企業管理能力，構建移動化、網絡化的管理體系，推動管理變革，以提升企業組織管理效率；另一方面，引導企業開展數字化建設，提高企業生產、研發及服務等關鍵環節的智能化水平，重塑價值創造鏈條，促進企業進行智慧生產和融合創新，提高生產研發效率。

第三，借助數字基礎設施等智能平臺構建多元化融資渠道及融合創新平臺等，鼓勵各類企業進行信息交流與技術分享，既可降低企業的內外部經營成本、有效解決企業開展創新活動的融資需求，又可強化各類資源的開放和共享。

第四，針對產權性質各異、規模大小不一等的企業，在推進數字化基礎設施建設過程中，應通過制定多層次支持模式加強政府的有效監管，將有限的政府資金用于支持專業智能平臺等新型數字基礎設施建設，降低中小企業數字化建設的門檻，以提升這類企業的創新活力與資源配置效率。 ■

注釋

1. “寬帶中國”戰略試點城市主要包括：(1)2014年試點城市：北京、天津、上海、長株潭城市群、石家莊、大連、本溪、延邊朝鮮族自治州、哈爾濱、大慶、南京、蘇州、鎮江、昆山、金華、蕪湖、安慶、福州(平潭)、廈門、泉州、南昌、上饒、青島、淄博、威海、臨沂、鄭州、洛陽、武漢、廣州、深圳、中山、成都、攀枝花、阿壩藏族羌族自治州、貴陽、銀川、吳忠、阿里爾。(2)2015年試點城市：太原、呼和浩特、鄂爾多斯、鞍山、盤錦、白山、揚州、嘉興、合肥、銅陵、莆田、新余、贛州、東營、濟寧、德州、新鄉、永城、黃石、襄陽、宜昌、十堰、隨州、岳陽、汕頭、梅州、東莞、重慶市江津區、重慶市榮昌區、綿陽、內江、宜賓、達州、玉溪、蘭州、張掖、固原、中衛、克拉瑪依。(3)2016年試點城市：陽泉、晉中、烏海、包頭、通遼、沈陽、牡丹江、無錫、泰州、南通、杭州、宿州、黃山、馬鞍山、吉安、煙臺、棗莊、商丘、焦作、南陽、鄂州、衡陽、益陽、玉林、海口、九龍坡、北碚、雅安、瀘州、南充、遵義、文山壯族自治州、拉薩、林芝、渭南、武威、酒泉、天水、南寧。

2. 逆米爾斯比率的作用是為每一個樣本計算出一個用于修正樣本選擇偏差的值，如果逆米爾斯比率大于0，表明樣本存在選擇性偏差，此時，采用Heckman兩步法選擇模型估計是恰當的修正。