數字技術對中國制造業增長速度及質量的影響

陳楠 蔡躍洲

摘 要：在新發展階段，為了提高中國制造業國際競爭力、實現高質量發展，須加快推進數字技術與制造業深度融合，保持合理增長速度的同時提升發展質量。本文基于2001年至2017年我國27個制造業細分行業的面板數據，以數字技術專利統計量作為技術進步和滲透應用的代理變量，對輕紡制造業、資源加工業、機械設備制造業三大類別進行分組回歸。結果表明，數字技術對制造業增長的促進作用具有顯著的行業異質性特征，集中體現在機械設備制造業，而對輕紡制造業和資源加工業的滲透影響不足。以機械設備制造業為樣本的機制檢驗結果表明，數字技術主要通過提高成本利潤率、減少用工數量、降低用工成本等路徑提高制造業的增長質量，而在提升產品質量、促進創新等方面的影響有限。

關鍵詞：制造業增長；數字化轉型；專利應用分類；行業異質性；影響機制

一、引 言

2021年是我國“十四五”規劃的開局之年。經過“十三五”時期的不懈努力，我國已實現全面建成小康社會的第一個百年目標，正大步邁進實現全面建成社會主義現代化國家第二個百年目標的新階段。新發展階段，我國經濟發展的特征和重心也發生了轉變，從高速增長轉向了以質量變革、效率變革和動力變革為驅動的高質量發展。制造業是經濟社會發展的物質基礎和實體經濟的主體，制造業高質量發展是支撐我國宏觀經濟高質量發展的關鍵所在。然而，隨著勞動力供給、碳減排等外部約束不斷收緊，我國制造業快速增長所依賴的傳統成本優勢大大削弱，迫切需要尋找產業轉型升級的新出路。2010年以來，以大數據、云計算、人工智能為代表的新一代信息技術/數字技術快速發展，在全球范圍內驅動新一輪科技革命和產業變革加速演進，數字化轉型成為制造業發展的重點方向。美國、德國、日本、韓國等發達經濟體加速布局與數字技術深度融合的先進制造業，旨在重振實體經濟，搶占新一輪科技革命和產業變革的制高點（陳楠和蔡躍洲，2020）。我國也高度重視制造業與數字技術的融合發展，自2015年起，先后出臺了《中國制造2025》《國務院關于深化制造業與互聯網融合發展的指導意見》《智能制造發展規劃》《工業互聯網發展行動計劃》等一系列政策和規劃。《國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要草案》（以下簡稱“十四五”規劃綱要）更是明確“堅持把發展經濟著力點放在實體經濟上，加快推進制造強國、質量強國建設……保持制造業比重基本穩定，增強制造業競爭優勢，推動制造業高質量發展”。這表明“十四五”期間，我國制造業的高質量發展既要保持合理的增長速度，又要提升增長質量。

不少國內學者將數字化轉型視為實現我國制造業高質量發展的重要途徑和關鍵所在（呂鐵，2019；趙劍波，2020；李英杰和韓平，2021），相關領域的學術研究也取得了豐富成果。在宏觀層面，數字技術憑借其技術—經濟特征，廣泛應用于生產制造各領域，通過要素貢獻、效率提升、知識創造等路徑，實現對制造業高質量發展的支撐作用，當然，數字技術的增長促進作用依然存在“索洛悖論”帶來的滯后效應（蔡躍洲和張鈞南，2015；蔡躍洲和陳楠，2019）。在微觀層面，數字技術的應用能夠提高企業在產品研發、運營管理、市場營銷、生產制造等各個環節的績效表現（肖靜華，2020；謝康等，2020；池毛毛等，2020）。然而，在行業層面，數字技術推動制造業高質量發展的影響機制以及制造業內部的行業異質性特征等問題，既有研究并未給予特別的關注。此外，相關領域實證研究多使用工業機器人和企業調研數據表征數字技術進步，與實際的技術發展和應用范疇之間還存在較大差別，降低了分析結果的有效性和穩健性。為此，本文在已有文獻的基礎上，選取數字技術專利數據表征技術進步和滲透應用，按照數字技術的應用領域，將專利數據與技術應用行業進行匹配，從行業異質性角度，考察數字技術對中國制造業增長速度及增長質量的影響，以期更加準確地刻畫數字技術在我國制造業細分領域的應用和影響現狀，深入理解數字技術推動我國制造業高質量發展的影響機制，為繼續推進我國制造業的數字技術應用、數字化轉型提供理論和實證支撐。

二、文獻綜述及研究思路

（一）制造業數字化轉型及其行業異質性特征

2010年以來，新一代信息技術/數字技術加速商業化應用，已滲透至生產生活各個方面，其中，數字技術與傳統產業，特別是數字技術與制造業的融合發展備受各界關注。與傳統的信息通信技術相比，以新一代人工智能為代表的數字技術具有快速識別數據之間的復雜關系、穩定提升數據分析結果、敏捷適應外部變化等優勢特征，特別適合應用于生產制造領域（Schuh等，2019）。因此，在技術發展的初期，數字技術就獲得了較為廣泛的關注和應用。早在2015年，《麻省理工斯隆管理評論》（MIT Sloan Management Review）與德勤（Deloitte）開展的一項全球企業數字化調研就發現，在超過4800位受訪者中76%認為數字技術對其任職企業非常重要，92%相信數字化轉型對企業未來三年的發展意義重大。企業數字化轉型成熟度的自我評估結果也表明，26%的受訪企業處于轉型初期，45%處于發展期，而29%已經進入成熟期（Kane等，2015）。

為了對技術應用企業和行業提供指導和建議，也對既有數字化轉型工作開展評估和考核，國內外學者嘗試對數字化轉型模式和路徑進行歸納提煉，并構建轉型成熟度評估模型和數字化指標體系。Oks等（2017）和Jeschke等（2017）在詳細闡釋工業互聯網（IIoT）、信息物理系統（CPS）、網絡制造系統（CMS）等相關概念的基礎上，指出數字技術的應用需要企業具備相應的技術、組織和人力資源基礎，并提出了包含智能工廠、智能產品、智能服務、智能數據等多個模塊的數字化轉型路線圖。許多國外學者以傳統的IT系統成熟度模型為理論基礎，構建了適用于數字技術的成熟度評估模型，評估維度通常包含戰略和組織、產品和服務、生產制造、業務運營、數據資產、人力資源等多個領域（Schumacher等，2016；Christian等，2016）。國內學者也嘗試構建了數字化評估指標體系。萬倫等（2020）從價值、要素和能力維度構建了制造業數字化轉型參考框架，并基于框架給出了數字化轉型評估體系，旨在幫助和指導技術應用企業的數字化轉型實踐。陳疇鏞和許敬涵（2020）從技術變革、組織變革和管理變革三個方面構建了一套制造企業數字化轉型能力評價指標體系，對浙江省新昌縣的三家軸承制造企業進行了數字化轉型能力評價，并基于評估結果提出了相關建議。作為制造業數字化轉型的初期探索，上述研究內容和成果為數字化轉型實踐提供了理論支撐，也為后續研究奠定了基礎。

隨著研究的逐步深入，學者們發現在制造業內部，不同細分行業、生產類型的制造企業在數字技術應用場景、實施難度、預期收益等方面存在較大差異。例如，汽車制造和家電制造行業都具有生產規模大、對產品質量和生產效率要求高、市場需求向個性化多樣化方向發展等特點（張清郁，2018；Wildgrube等，2018）。數字技術在汽車、家電制造行業的應用場景主要包括以數據共享為基礎的大規模個性化定制、基于數據分析的產品優化和生產管理優化、供應鏈和產業生態構建等；數字化轉型通常可以帶來產品質量提升、成本降低、效率提升等較為直觀的技術收益（Dremel等，2017；Rachinger等，2019；呂文晶等，2019；梁超和祝運海，2019；梁新怡等，2021）。與之類似的行業還包括大型飛機等航空航天設備制造行業，因其具有生產規模小、產品價值高、研制和生產周期長等特點，行業對協同程度有較高要求，數字化應用場景主要是基于機理模型的協同設計、仿真驗證和生產工藝優化，同樣可以帶來效率提升、成本降低等直接收益（于勇等，2009）。然而，以鋼鐵、冶金等為代表的資源加工型制造業，以及紡織業等輕紡加工型制造業，在行業特征、數字化應用場景和預期收益方面與上述行業存在較大差異。例如，鋼鐵制造具有連續生產、資產價值高、工藝過程復雜等特點，對安全環保有較高要求（王龍等，2021）。以數字孿生為核心的智能工廠建設和數字化轉型，更多關注提高安全生產水平、實現能耗管控、加強風控能力等領域（王春梅等，2018；劉玠，2020；姚林和王軍生，2020）。紡織行業的數字技術應用案例以打通供產銷的平臺化經營案例為主（Jaw等，2016），且相關研究數量有限，也反映出輕紡加工型制造業的數字化滲透水平較低、應用場景不明確等問題。

（二）數字技術對制造業增長的影響

近年來，數字技術所帶來的經濟社會影響愈發顯著，技術進步對制造業的影響也開始在相關行業統計數據和企業微觀數據中有所體現，為該領域實證分析提供了數據基礎。越來越多的經濟學研究將其研究內容轉向了數字技術對制造業轉型升級、行業增長、效率提升等方面產生的影響，研究方法也從初期的案例學習、成熟度評估等，轉向了數字化變量構建、計量回歸等定量分析。許多國內外學者選擇工業機器人數據作為數字技術的代理變量，驗證其對于制造業生產效率（即增長質量）的影響。Kromann等（2011）將國際機器人聯合會（International Federation of Robotics， IFR）公布的工業機器人數據和EU-KLEMS數據庫進行匹配，以每百萬工作小時的工業機器人使用數量作為數字技術的衡量指標，對制造業細分行業的生產率進行了面板回歸分析。結果顯示，無論從長期還是短期而言，數字技術對制造業生產率都具有顯著的提升作用。李丫丫和潘安（2017）、李丫丫等（2018）以我國制造業統計數據和聯合國貿發數據庫（United Nations Conference on Trade and Development，UNCTAD）數據為樣本，驗證了工業機器人應用及工業機器人進口貿易對于我國制造業全要素生產率的促進作用。

基于企業公開信息或企業調查數據的數字化變量構建和計量分析也取得了顯著進展。何帆和劉紅霞（2019）基于46 978份企業公告數據，將企業是否實施數字化轉型戰略作為核心解釋變量，考察了數字化變革對企業總資產收益率與凈資產回報率的影響。戚聿東和蔡呈偉（2020）采用文本挖掘方法，構建了我國非高新技術制造業上市公司2011年至2018年數字化程度指標，并考察了數字化程度對企業績效的多重影響及作用機理。劉飛（2020）使用我國制造業上市公司2007年至2019年年報數據，分析驗證了制造業數字化轉型對生產率的影響機制和效果。趙宸宇等（2021）基于上市公司微觀數據，采用文本分析和專家打分相結合的方法構建企業數字化轉型指數，從實證角度檢驗了數字化轉型對制造業企業全要素生產率的影響。相關實證研究結果基本肯定了數字技術對于制造業企業投資收益、運營管理、市場銷售、全要素生產率等多個方面的提升作用。

也有部分研究使用世界銀行企業調查數據，考察互聯網技術、數字化轉型等對我國制造業企業的影響。王可和李連燕（2018）使用2012年世界銀行對中國制造業企業的調查數據進行回歸分析，結果表明互聯網的應用促進了我國制造業創新活動的發展，提高了供應鏈上下游企業的信息分享意愿，且其本身也可以作為一種高效的商品銷售和市場營銷渠道，提升制造企業績效表現。王莉娜（2020）基于世界銀行中國企業調查數據，運用多分格主成分分析法構建了企業層面的數字化指數，并使用基于控制函數的分位數回歸方法分析考察了數字化對中國企業的影響。研究發現，我國企業的數字化發展較好，但企業間發展水平不平衡；數字化對企業轉型升級具有顯著促進作用，但對不同類型的企業具有差異性影響。

（三）既有文獻評述及后續研究思路

針對數字技術在制造業的應用以及技術對行業增長所產生的影響，既有研究在明確相關概念和內涵的基礎上，歸納總結了制造業及其細分行業的數字化轉型模式和路徑，使用案例分析、指標構建、計量回歸等定性和定量方法，梳理刻畫了數字技術在生產制造領域的應用現狀，分析驗證了數字技術對制造業行業及企業的影響效果和機制。這些工作為理解數字技術與制造業發展的關系，從理論和實證上提供了有力支撐。當然，該領域研究還有以下問題亟待深入探討。

一是實證研究的難點依然在于數字技術代理變量的選取，現有研究大多使用工業機器人數據和企業調查數據表征數字技術的發展和應用。其中，工業機器人僅能代表數字技術的一個分支，難以全面刻畫數字技術的發展趨勢和影響效果；而企業調查數據多來自走訪調研、調查問卷或企業公開信息，受企業主觀因素影響較大，影響實證結果的可靠性。

二是針對數字技術在制造業的應用，特別是細分行業之間異質性特征的研究，大多采用了案例學習的方法，歸納總結數字技術在典型企業、典型行業的應用模式，梳理技術進步對制造業的影響路徑與機制。多數研究僅專注于某個細分領域，缺少行業之間的橫向對比，且相關量化研究結果也十分有限。

三是有關數字技術影響的研究大多集中于數字技術在制造業整體或企業層面的效率促進作用（包括生產效率、投資收益、創新績效等），而數字技術對制造業高質量發展的傳導機制、影響程度等，還需要更加系統的研究和判斷。另外，許多關于創新影響的量化研究使用企業自我評估結果作為被解釋變量，難以獲得客觀的研究結論。

基于此，本文擬就數字技術對制造業增長速度及質量的影響，從細分行業異質性特征出發，在實證層面開展相關的分析和檢驗。具體安排如下：第三部分，從行業異質性視角出發，分析檢驗數字技術對制造業增長產生的影響。選取數字技術專利統計量作為實證分析的核心解釋變量，按照數字技術的應用領域，將專利數據與技術應用行業進行匹配，從而獲得我國制造業各細分行業數字技術專利應用的面板數據，并對其進行分組回歸，據此分析驗證數字技術對不同制造業類別帶來的異質性影響。第四部分，主要關注數字技術對制造業增長質量的影響。在明確數字技術（應用）促進我國機械設備制造業增長的基礎上，使用統計數據構建行業績效指標，驗證數字技術對制造業增長質量的影響，進一步梳理數字技術推動制造業高質量發展的影響機制。第五部分，研究結論及政策建議。歸納總結本文實證分析的主要結果，為繼續推動數字技術在我國制造業的應用和行業數字化轉型提出建議。

三、數字技術對制造業增長的影響及其行業異質性

（一）數字技術專利數據特征

為進一步補充和完善數字技術的代理變量，本文使用數字技術的專利申請量和授權量作為核心解釋變量，用于表征數字技術在我國制造業領域的應用和發展。盡管專利數據本身存在無法涵蓋未申請專利保護的技術發明和應用、專利質量參差不齊等弊端（Griliches， 1998），但相較于既有文獻的變量選擇，專利數據能夠代表具有商業價值的技術進步，且更加直接地對應數字技術及其應用范圍，可以為本文實證研究提供良好數據支撐，也可以作為既有研究的有益補充。 在中汽知識產權運營中心的數據服務支持下1，本文按照世界知識產權組織（World Intellectual Property Organization，WIPO）公布的信息通信技術（ICT）國際專利分類號（International Patent Code， IPC），將我國國家知識產權局專利數據中屬于信息通信技術（即數字技術）范疇的相關專利進行提取。然后，基于專利文本分析，按照專利技術的應用領域，篩選出應用于制造業的數字技術專利，并與國民經濟行業分類中的制造業細分行業進行匹配，從而得到1985年至2018年應用于31個制造業細分行業的數字技術專利申請量和授權量1，用于表征各細分行業的數字技術滲透應用及其技術進步狀況。

1..數字技術專利的時間分布

圖1展示了我國制造業數字技術專利申請和授權的逐年統計量。1985年至2018年期間，我國制造業領域的數字技術專利申請共計2 310 639件，專利授權共計1 281 723件。根據圖1專利數量發展趨勢，可以將數字技術在制造業的應用和發展大致劃分為三個階段：（1）2000年以前，制造業領域的數字技術積累較少且發展速度緩慢，相關專利申請和授權數量都非常有限。（2）2000年至2010年期間，傳統信息通信技術在制造業的應用和發展進入穩步提升階段，相關專利申請和授權量逐步積累至可觀規模。（3）2010年以來，隨著大數據、云計算、人工智能等新一代信息通信技術的興起，我國制造業領域的數字技術專利進入快速成長階段；特別是2015年以后，《中國制造2025》《新一代人工智能發展規劃》等國家政策相繼出臺，以深度學習算法為核心的新一代人工智能技術也進入商業應用爆發期，再次促進了數字技術在制造業領域的應用和發展，相關專利統計量的年度增長速度顯著提升。基于上述時間趨勢特征，綜合考慮數據的可獲得性等因素，本文選擇2001年至2017年作為實證分析的時間窗口。該時間段涵蓋了制造業數字技術的穩步提升階段和快速發展階段，能夠較好反映數字技術在生產制造領域的發展應用，及其產生的經濟影響。

2..數字技術專利的行業分布

圖2展示了1985年至2018年期間，我國數字技術專利授權量在31個制造業細分行業的分布狀況，并按照專利數量進行了行業排序。根據圖中信息可知，數字技術專利在制造業內部的集中程度很高，技術發展的行業不平衡特征突出。其中，計算機、通信和其他電子設備制造業（以下簡稱ICT制造業）專利授權量排名第一，占全產業數字技術專利授權總量的60.07%；排名前5位的行業合計占比90.8%，排名前10位的行業合計占比97.75%，剩余細分行業各自占比不足0.5%，行業之間差距懸殊。需要特別指出的是，ICT制造業的專利代表了通用目的型數字技術的發展水平，屬于數字產業化范疇，為數字經濟整體發展和產業數字化提供了物質基礎；而制造業其他細分行業的數字技術專利，則可以看作是與其他行業技術相結合的專屬技術，其應用范圍更多局限于該細分行業內部，代表了傳統產業數字化技術的發展水平。

考慮到數字技術專利在制造業內部懸殊的行業分布，后續實證將在變量描述性統計特征分析的基礎上，對制造業面板數據進行分組回歸，以提高分析結果的合理性。同時，針對ICT制造業數字技術專利的特殊性，本文在穩健性檢驗中剔除了ICT制造業，以期驗證其他細分行業的數字技術還能否帶來制造業的增長促進作用。

3..數字技術專利應用分類的合理性

首先，本文使用的制造業細分行業數字技術專利，是基于專利文本分析，按照專利應用領域（而非專利申請企業所屬行業）作為細分行業劃分標準。這樣的數據處理方式，一定程度上保證了數字技術專利與其應用范疇的良好對應。盡管專利從創新產出到技術應用之間還存在不確定性，但相較于企業數字化指標、工業機器人等既有數字技術變量，能夠申請和獲批的數字技術專利可以更加客觀、全面地反映制造業細分行業具有商業價值的技術進步。因此，使用數字技術專利數據分析技術進步對制造業增長的影響具有其合理性，也能夠為既有實證分析提供有益補充。

其次，數字技術專利與其他專利的增長趨勢具有明顯差異。圖3展示了2012年至2018年制造業數字技術專利申請量的年增長率，及制造業規上企業全部專利申請量的年增長率。兩條曲線的變化方向和幅度都存在顯著差異，表明數字技術專利的增長趨勢顯著區別于專利總量趨勢。因此，本文使用專利數據進行實證分析，可以有效剝離出數字技術區別于其他技術進步的發展趨勢及經濟影響。同時，本文在后續的回歸分析中，使用細分行業研發投入作為控制變量，進一步控制了各行業研發強度等其他技術因素對行業增長的影響。

（二）數字技術對制造業增長的影響

1..制造業細分行業及分類

本文實證分析的主要方法是基于制造業細分行業的面板數據分析，因此需要對我國制造業細分行業及類別的劃分標準進行明確和統一。首先，我國制造業細分行業的統計口徑經歷了多次調整，涉及多個細分行業的合并和拆分。為保證數據延續性，將《國民經濟行業分類（2017）》制造業門類下屬31個細分行業歸并為27個行業（詳見表1），并據此整理2001年至2017年份行業面板變量。涉及調整的行業包括：將2001年至2011年“橡膠制品業”和“塑料制品業”合并為“橡膠和塑料制品業”；將2012年至2017年“汽車制造業”和“鐵路、船舶、航空航天和其他運輸設備制造業”合并為“交通運輸設備制造業”；另外，各年份“其他制造業”“廢棄資源綜合利用業”“金屬制品、機械和設備修理業”三個細分行業因數據缺失較多且行業占比低，不納入分析樣本。其次，基于文獻綜述內容可知，制造業不同細分行業或不同類別之間，在數字技術應用、數字化轉型領域存在較大差異。本文借鑒孫曉華和辛夢依（2013）的處理方法，將27個制造業細分行業劃分為三大類別，其中輕紡制造業包含農副食品加工等12個細分行業、資源加工業包含石油、煤炭及其他燃料加工業等8個行業，機械設備制造業包含金屬制品業等7個行業。全部行業分類信息參見表1。

2..數據來源、變量選擇及模型構建

本文使用《中國工業經濟統計年鑒》《中國科技統計年鑒》《中國勞動統計年鑒》《中國統計年鑒》中制造業相關統計數據，與制造業數字技術專利數據進行匹配，最終獲得2001年至2017年制造業27個細分行業的面板數據作為實證分析的總樣本。變量構建過程和描述性統計特征具體介紹如下。

被解釋變量：以細分行業的主營業務收入作為被解釋變量，用于表征制造業的行業增長。選取《中國工業經濟統計年鑒》2001年至2017年分行業規模以上工業企業主營業務收入數據，作為我國制造業27個細分行業主營業務收入的代理變量，再對其取自然對數，生成被解釋變量lnrevenue。

核心解釋變量：選取并構建2001年至2017年制造業27個細分行業的數字技術專利申請量和授權量作為核心解釋變量，用于表征數字技術在制造業的滲透應用和技術進步。對專利統計量取自然對數后，生成專利申請變量lnictapply和專利授權變量lnictgrant。后續檢驗中將分別使用專利申請量和專利授權量進行交叉驗證，以提高回歸結果穩健性。

控制變量：為了控制數字技術進步以外的制造業增長影響因素，基于既有文獻從制造業細分行業的資本投入、勞動力投入、研發投入、外資依存度和出口依存度等多個角度選取了控制變量。具體包括：（1）使用《中國工業經濟統計年鑒》2001年至2017年制造業分行業規模以上工業企業固定資產合計數據，取自然取數后生成固定資產變量lncap。（2）使用《中國勞動統計年鑒》2001年至2017年制造業分行業年末就業人員數據，取自然取數后生成就業人員變量 lnlabor。（3）使用《中國科技統計年鑒》2001年至2017年制造業分行業規模以上工業企業內部研發投入數據，取自然取數后生成研發投入變量 lnrd。（4）使用《中國工業經濟統計年鑒》2001年至2017年制造業分行業規模以上工業企業外商資本金數據，取自然取數后生成外商資本變量lnfdi。（5）使用《中國工業經濟統計年鑒》2001年至2017年分行業規模以上工業企業出口交貨值和工業銷售產值數據，得到前者在后者的比值，生成出口交貨值占比變量 exporate。變量構建過程中遇到的缺失值使用《中國統計年鑒》數據進行補充。實證分析使用的全部變量定義和描述性統計特征匯總于表2。

圖4展示了數字技術專利授權量與制造業細分行業主營業務收入之間的散點圖，數字標簽代表其所屬細分行業，可與表1信息進行比對。根據圖表信息初步判斷，數字技術與行業增長之間的關系存在較大的行業異質性特征。部分行業的主營業務收入與數字技術專利之間呈現出明顯的正相關關系，較為典型的包括：印刷和記錄媒介復制業（11），文教、工美、體育和娛樂用品制造業（12），金屬制品業（21），通用設備制造業（22），計算機、通信和其他電子設備制造業（26），儀器儀表制造業（27）等，其中多數屬于機械設備制造業。同時，也有部分行業主營業務收入與數字技術專利之間沒有展現出正相關關系，甚至可能存在負向關系，較為典型的包括：農副食品加工業（1）、家具制造業（9）、化學纖維制造業（16）、有色金屬冶煉和壓延加工業（20）等，以輕紡工業和資源加工業為主。

基于圖4判斷，數字技術專利與行業主營業務增長的關系存在較大的行業異質性，基于總樣本的整體回歸結果無法準確反映數字技術對制造業增長的影響；同時，輕紡制造業、資源加工業、機械設備制造業所包含的細分行業也展示出了較為明顯的類別共性。為此，不妨按照表1列出的制造業類別劃分進行分組回歸。

3..回歸結果分析

按照公式（1），分別對2001年至2017年輕紡制造業、資源加工業、機械設備制造業三類行業面板數據進行混合回歸、固定效應回歸和隨機效應回歸，Hausman檢驗結果均支持固定效應模型。因此，對三類行業面板分別進行個體和時間雙向固定效應回歸，加入與行業增長相關的控制變量，并使用聚類穩健標準誤。表3匯總了三類行業面板的主要回歸結果。其中，模型1-3使用數字技術專利申請量作為核心解釋變量，模型2和3分別使用專利申請量的滯后一期和二期變量，以判斷數字技術對行業增長的滯后性影響。模型4-6使用數字技術專利授權量作為核心解釋變量，模型5和6分別使用專利授權量的滯后一期和二期變量。

根據回歸結果可知，數字技術應用對制造業增長的影響存在較強的行業異質性，技術的增長促進作用主要集中在機械設備制造業。基于12個輕紡制造行業和8個資源加工行業17年面板數據的分析結果顯示，數字技術專利申請量和授權量，無論是在同期還是滯后期，都沒有展現出穩健的增長促進作用；僅有資源加工業滯后二期的數字技術專利授權量，獲得了顯著的正向影響系數（0.048 1）。與之對比，在基于7個機械設備制造行業17年面板數據分析的結果中，數字技術專利申請量和授權量對行業主營業務收入的影響系數分別為0.112和0.134，在5%水平下顯著，表明數字技術應用對機械設備制造業的增長產生了正向影響。在其他條件保持不變的前提下，數字技術專利申請量的自然對數每增長1%，可帶來主營業務收入的自然對數增長11.2%；專利授權量的自然對數每增長1%，可帶來主營業務收入的自然對數增長13.4%。同時，滯后一期和二期的專利統計量自然對數也都得到了正向回歸系數，且全部4個系數都在1%水平下顯著，表明數字技術應用對機械設備制造業增長的促進作用相對穩健，且具有顯著的滯后效應。

4..穩健性檢驗

表3結果初步肯定了數字技術應用對機械設備制造業增長的促進作用及其滯后效應，然而，技術進步與經濟增長之間存在因果聯立偏誤造成的內生性問題。具體而言，數字技術的應用和發展有助于推動制造業細分行業的增長，而行業增長反過來也會為技術研發提供資金、制度、環境等積極因素，從而推動數字技術的進一步發展，由此造成了技術進步與行業增長之間的雙向因果關系。為此，我們采用子樣本回歸和動態面板回歸系統GMM兩個方法進行穩健性檢驗，以期進一步驗證數字技術應用對機械設備制造業增長的促進作用。

（1）剔除特殊行業的子樣本回歸

根據圖2信息可知，ICT制造業的數字技術專利數量和占比遠高于制造業平均水平，即使在機械設備制造業類別內部，其數字技術專利水平也遠高于其他細分行業。為避免極端行業對回歸結果的影響，將ICT制造業數據樣本從機械設備制造業面板中剔除，構成非ICT機械設備制造業2001年至2017年行業面板數據，再按照公式（1）及相關模型設定進行回歸，相關結果匯總于表4。結果表明，子樣本回歸結果依然支持數字技術應用對行業增長的促進作用及滯后效應。以專利申請量作為核心解釋變量時，盡管同期變量回歸系數不顯著，但滯后一期和二期的專利申請量得到正向回歸系數0.167和0.201，分別在10%和5%水平下顯著。以專利授權量作為核心解釋變量時，同期、滯后一期和二期變量系數分別為0.122、0.140和0.111，在5%水平下顯著。上述回歸結果無論是系數數值，還是顯著性水平，都與表3機械設備制造業回歸結果非常相似。這說明，即使不考慮專利水平最高的ICT制造業，數字技術的發展和應用依然可以對其他機械設備制造行業帶來顯著、穩健的增長促進作用。

（2）動態面板回歸

為了進一步驗證數字技術應用與行業增長之間的關系，本文又使用了動態面板回歸進行穩健性檢驗，將被解釋變量（即行業主營業務收入）的滯后項和存在內生性問題的解釋變量（即數字技術專利統計量）的滯后項，作為解釋變量加入回歸模型，并使用系統廣義矩估計（system general moment method，即系統GMM）進行參數估計。這一方法的優勢在于能夠在部分存在遺漏變量和測量誤差等內生性問題的前提下，獲得相關參數的一致估計（Blundel和Bond，1998；Roodman， 2009；邵小快和胡懷國，2013）。

在模型設定方面，以行業主營業務收入作為被解釋變量，數字技術專利授權量作為核心解釋變量，加入行業增長相關的控制變量，同時引入被解釋變量和專利變量的滯后項，從而構成動態面板；對GMM工具變量使用collapse選項，以控制工具變量個數。通過核心解釋變量滯后項設定，構建模型1和模型2，具體模型設定參見表5注釋。系統GMM估計結果匯總于表5。在模型1中，數字技術專利授權量同期的增長影響系數為0.236，在5%水平下顯著；在模型2中，專利授權量滯后一期的系數為0.075 5，在5%水平下顯著。上述模型的AR（2）和Hansen檢驗的P值均大于0.1，表明殘差項不再存在自相關，系統GMM估計結果較好。動態面板回歸結果表明，在有效控制遺漏變量、雙向因果等內生性問題的前提下，數字技術專利與行業主營業務收入之間的回歸結果依然滿足因果統計推斷的要求，進一步驗證了數字技術應用對機械設備制造業產生的增長促進作用，影響效果穩健且具有一定的滯后性。

（三）數字技術應用對制造業增長影響的進一步分析

通過對制造業細分行業面板數據的分組回歸，驗證了數字技術應用對我國機械設備制造行業增長的促進作用，影響效果穩健且具有至少兩年的滯后效應。但是，數字技術專利統計量與輕紡制造業、資源加工制造業的主營業務收入之間并沒有展現出穩健的正相關關系。數字技術應用對制造業增長的影響存在較大的行業異質性特征，其原因可能包括以下幾個方面。

第一，數字技術對制造業細分行業的滲透應用程度不同。根據圖2信息可知，數字技術專利授權量排在第一位的是與數字技術直接相關的計算機、通信和其他電子設備制造業，專利授權量在制造業內部占比60.07%。排名前5位的細分行業都屬于機械設備制造業，而輕紡制造業和資源加工業所包含的細分行業大多排名靠后。這一行業差異與蔡躍洲和牛新星（2018）的數字經濟測算結果基本一致，即包含ICT制造業的數字產業化是我國數字經濟的重要產業構成，而基于數字技術滲透應用的產業數字化更多集中在非ICT機械設備制造業；輕紡制造和資源加工類細分行業中數字技術的滲透應用仍不夠充分，未來存在較大的提升發展空間。

第二，數字技術的應用場景、實施難度等存在較大的行業差異。以ICT制造、汽車制造為代表的機械設備制造業，具有零部件模塊化、生產流程標準化水平高等特征，數字化轉型場景以生產線機器替代、產品質量檢測等為主，應用場景明確且實施難度較低。與之相比，輕紡制造業和資源加工業以長流程制造為主，具有原材料來源多樣、成分復雜等特點，且生產過程一般由多個重大裝備組合而成，行業機理復雜，加入難以建模，數字化實施難度較高。據此可以解釋輕紡制造和資源加工類制造業的數字技術應用、數字化轉型意愿不強烈，數字技術專利規模較小，增長影響不顯著等問題。

第三，數字技術在不同行業產生的技術收益也存在較大差異。由于機械設備制造業的數字技術應用和數字化轉型場景以機器替代、質量檢測、成本管控等為主，因而能夠獲得較為直觀的財務收益，直接反映在行業主營業務收入的增長。輕紡制造和資源加工行業本身的信息化、自動化基礎較好，工藝參數也相對成熟，數字技術主要被用于解決生產安全、節能環保等問題，或用于打造產業生態，因而很難帶來直接的中短期主營業務收入增長或行業規模擴張。

四、數字技術對制造業增長質量的影響及機制分析

在明確了數字技術應用對我國機械設備制造業增長的促進作用后，本部分將以2001年至2017年機械設備制造業行業面板數據作為分析樣本，使用相關統計數據構建行業績效指標，考察數字技術應用對制造業增長質量的影響？并進一步總結數字技術對制造業增長速度和增長質量的影響路徑，以分析和判斷數字技術對制造業高質量發展的影響機制。

（一）數字技術對制造業增長質量的影響

既有研究指出，大數據、云計算、人工智能等數字技術對制造業增長質量的影響路徑主要包括提升產品質量、改善生產流程、提高生產運營效率、降低生產運營成本、降低經營風險、重塑業務流程、增強創新能力等等（Schuh等，2019；Parviainen等，2017；何帆和劉紅霞，2019；戚聿東和蔡呈偉，2020），即通過“降本”“增效”“提質”和“創新”等路徑，實現對制造業增長質量的促進作用。目前，相關研究主要通過案例分析、指標構建、微觀計量等方法，對上述路徑進行了梳理和驗證，但行業層面的實證研究還十分有限。為此，本節以2001年至2017年機械設備制造業行業面板數據作為樣本，構建表征制造業增長質量的績效指標，即成本利潤率、新產品收入、用工數量和用工成本，使用固定效應回歸等計量方法，分析檢驗數字技術對制造業增長質量的影響效果。

1. 變量選擇和模型構建

基于行業數據的可獲得性，本文共構建了4個行業績效指標，用于分析數字技術（應用）對制造業增長質量的影響：（1）使用《中國工業經濟統計年鑒》2001年至2017年機械設備制造業分行業規模以上工業企業利潤總額數據和主營業務成本數據，計算前者與后者的比值，得到成本利潤率變量p2crate，用于檢驗數字技術對行業盈利能力和生產成本的影響；（2）使用《中國科技統計年鑒》2008年至2017年機械設備制造業分行業規模以上工業企業新產品收入和主營業務收入數據1，計算前者對后者的比值，得到，用于檢驗數字技術對行業創新和產品質量的影響。（3）使用《中國勞動統計年鑒》2001年至2017年機械設備制造業分行業年末就業人員數據，取自然對數后，得到用工數量變量lnlabor，用于檢驗數字技術對行業用工數量的影響；（4）使用《中國勞動統計年鑒》2001年至2017年機械設備制造業分行業人均年工資數據，取自然對數后，得到用工成本變量lnwagepc，用于檢驗數字技術對行業用工成本的影響。

在機制檢驗部分，增加了控制變量：（1）在分析數字技術對新產品收入的影響時，增加行業利潤水平變量lnprofit，使用《中國工業經濟統計年鑒》2001年至2017年機械設備制造業分行業規模以上工業企業利潤總額數據，并對其取自然對數，用于控制行業利潤水平對新產品收入的影響；（2）在分析數字技術對制造業用工數量的影響時，增加行業用工成本變量lnwagepc，用于控制行業工資水平對用工數量的影響；（3）在分析數字技術對用工成本的影響時，增加行業主營業務收入變量lnrevenue，用于控制行業整體收入水平對工資水平的影響。新增變量的定義及描述性統計特征已匯報于表2。

2. 數字技術對成本利潤率的影響

針對數字技術對盈利水平和成本效率的影響分析，以細分行業的成本利潤率作為被解釋變量，使用數字技術專利申請量和授權量進行個體時間雙向固定效應回歸，控制了資本投入、勞動投入、研發投入和外商資本變量。根據表6回歸結果可知，數字技術專利申請的同期、滯后一期和二期變量，都對成本利潤率產生了顯著的正向影響。其中同期變量的影響系數為0.0162，在5%水平下顯著。滯后一期和二期變量的回歸系數分別為0.0237和0.0256，在1%水平下顯著，滯后期變量系數和顯著性都有所提升。專利授權量對成本利潤率的正向影響也十分穩健。同期和滯后一期的專利授權量回歸系數分別為0.0160和0.0183，均在1%水平下顯著。回歸結果表明數字技術的應用可以顯著提高制造業的成本利潤率，影響效果穩健且具有滯后效應。進一步分解來看，數字技術的應用可以提高行業的利潤水平（利潤總額），同時降低生產成本（主營業務成本），即通過“增效”“降本”提高制造業的增長質量。

3. 數字技術對新產品收入的影響

在分析數字技術對新產品收入的影響時，以新產品銷售收入在主營業務收入中的占比作為被解釋變量，使用數字技術的專利申請量和授權量對其進行個體時間雙向固定效應回歸，并控制行業利潤水平、研發投入和外商資本變量對新產品收入的影響。表7回歸結果表明，數字技術專利對新產品收入沒有促進作用，即數字技術在提升產品質量、促進創新等方面的影響沒有得到統計上的支持。

4. 數字技術對用工數量和成本的影響

針對數字技術帶來的用工影響，分別以從業人數和人均年工資作為被解釋變量，使用數字技術專利統計量對其進行個體、時間雙向固定效應回歸，控制了行業資本投入、人均工資水平、研發投入、外商資本對用工數量的影響，以及行業資本投入、人力投入、研發投入、外商資本、利潤總額對用工成本的影響。

表8報告的回歸結果表明，數字技術應用對制造業用工數量具有負向影響，但滯后期較長。專利授權量在滯后四期才開始呈現對從業人數的負向影響，滯后五期和六期的回歸系數持續顯著為負，分別為？0.319、？0.391和？0.395，均在10%水平下顯著。專利申請量對用工數量的影響滯后效應更長，回歸系數在滯后六期才開始顯著為負。表明數字技術的應用能夠降低機械設備制造業的用工需求，但技術應用所帶來的生產自動化、機器替代等效果，需要較長時間的調整和適應。

表9報告了數字技術專利對用工成本的回歸結果，數字技術應用對機械設備制造業的人均工資水平具有負向影響，相關影響的滯后期較長。數字技術的專利授權量滯后五期至七期，對行業人均工資產生了顯著的負向影響，回歸系數分別為-0.137、-0.194和-0.380，均在1%水平下顯著。專利申請量對用工成本的影響滯后期更長，在滯后七期以后才呈現顯著的負向回歸結果。

在分析數字技術專利申請量與機械設備制造業人均工資之間的關系時，我們發現數字技術應用與行業用工成本之間的關系存在先正向后負向的趨勢轉變。圖5展示了數字技術專利申請量同期（lag0）至滯后九期（lag9）的回歸系數變化趨勢。其中，僅滯后五期（0.167）和滯后六期（？0.004 55）兩個系數的統計顯著性較低，其余系數均在5%水平下顯著。根據圖表信息和相關回歸結果可知，數字技術與機械設備制造業人均工資之間存在較強的相關關系，數字技術在應用前期可以顯著提升行業平均工資水平，而后期則會降低工資水平。這可能是因為數字技術作為一種技能偏向型技術進步（skill-biased technological change），在應用前期與勞動技能之間的互補效應占主導，提高了技術應用行業和企業對高技能水平、高學歷勞動力的用工需求，帶來了勞動技能的溢價，行業工資水平隨之提高；隨著技術應用逐漸成熟，企業完成了生產和業務流程、崗位設置和組織架構等一系列配套機制的調整和適應，此時，技術進步的替代效應開始發揮主導作用，傳統制造行業的生產類崗位將被大規模替代，用工需求下降，行業整體用工成本隨之下降（Acemoglu & Restrepo，2020；Autor，2014；蔡躍洲和陳楠，2019）。

（二）數字技術對制造業增長的影響機制分析

基于實證檢驗結果，可以就數字技術對制造業增長質量的影響效果得到如下結論。首先，數字技術的應用可以有效提高成本利潤率，一方面有助于提高行業利潤水平，另一方面有助于降低生產成本，從而帶來“降本”“增效”的數字化收益。其次，數字技術沒有展現出對新產品收入的正向影響，技術進步在提高產品質量、增強創新能力等方面的影響沒有得到行業統計數據的支持。最后，在用工影響方面，數字技術對機械設備制造業的用工數量和用工成本都具有負向影響，表明數字技術作為新一代自動化技術，可以通過“機器替代”實現對勞動力的替代效應，減少制造業用工需求，降低勞動收入占比，但技術進步的用工影響滯后期較長。

圖6進一步梳理了數字技術對制造業高質量發展的影響路徑。基于本文統計分析和計量回歸結果可知，現階段數字技術在我國制造業的應用可以有效促進機械設備制造業的行業增長速度，并且通過提高成本利潤率、減少用工數量、降低用工成本等路徑，實現“降本”“增效”等數字化轉型成效，實現增長質量的提升，進而推動制造業高質量發展。然而，數字技術通過提高新產品收入等路徑實現高質量增長的影響機制，沒有得到行業統計數據的支持，技術進步在“提質”“創新”等方面的影響潛力還有較大發展空間。

五、研究結論及政策建議

基于2001年至2017年我國制造業27個細分行業的面板數據，本文首先以數字技術的專利申請量和授權量作為核心解釋變量，對輕紡制造業、資源加工業和機械設備制造業進行了分組回歸，從行業異質性的角度分析驗證了數字技術應用對制造業增長的影響。再以機械設備制造業面板為樣本，選取成本利潤率、新產品收入、用工數量和用工成本等行業績效指標，分析驗證了數字技術應用對制造業增長質量的影響，并進一步厘清了數字技術通過影響增長速度和增長質量，推動制造業高質量發展的路徑機制。本文的主要研究結論包括：第一，數字技術應用發展對我國制造業增長的影響存在較為顯著的行業異質性，對行業增長的促進作用主要體現在機械設備制造業，而對輕紡制造業和資源加工業的滲透應用不足。第二，數字技術主要通過提高成本利潤率、減少用工數量、降低用工成本等路徑促進制造業質量的提升。第三，數字技術對制造業用工數量和用工成本具有顯著的負向影響，但相關影響的滯后期較長。

基于以上實證分析結果，本文就繼續推動數字技術在我國制造業的應用和制造業數字化轉型提出如下建議：

第一，加強數字技術與傳統制造行業的融合發展，特別關注數字技術在輕紡制造業和資源加工業的應用。受行業特征、技術應用場景、實施難度和預期收益等多方面的影響，數字技術的應用和影響主要集中在包含ICT制造業的機械設備制造領域，而對輕紡制造業和資源加工業的技術滲透較低。未來，應繼續推動數字技術在制造業的應用和產業數字化轉型，針對技術應用難度較高的行業和企業，可以通過行業協會、工業互聯網平臺等渠道降低數字化轉型門檻，幫助企業挖掘數字化場景、識別轉型配套機制，實現數字技術在制造業領域更加廣泛的應用和收益。

第二，加強數字技術在新產品研發、生產流程和業務模式創新等方面的發展和應用，充分挖掘數字技術的創新潛力。目前，企業數字技術應用大多集中在辦公自動化、生產制造自動化、市場營銷數字化等領域（馬曄風等，2020），因而數字化成效也主要體現在“降本” “增效”等方面。數字技術在創新領域的應用和收益還非常有限。然而，以新一代人工智能為代表的數字技術，在顛覆創新流程、實現突破性技術變革和產品創新方面具有獨特優勢，是數字技術支撐長期經濟增長的重要途徑之一（Aghion等，2017；Agrawal等，2018；蔡躍洲和陳楠，2019）。為此，應加強引導數字技術在制造業產品、技術和模式創新領域的理論和實踐探索，持續追蹤人工智能在新藥研發、新材料研發、基因組學等領域的國際學術和產業前沿，挖掘數字技術的潛在長期收益。

第三，充分利用數字技術對用工影響的滯后期，更好應對“機器替代”所帶來的就業和收入沖擊。數字技術作為新一代自動化技術，對制造業的從業人員數量和人均工資具有顯著的負向影響，可能帶來較為嚴重的勞動就業和收入分配風險。但是，根據本文的實證分析結果，數字技術對制造業就業崗位和收入水平的負向沖擊，即“機器替代”效應存在4至7年的滯后期。因此，相關行業和企業應充分利用技術影響的滯后期，有計劃地做好被替代員工的培訓和安置工作，通過員工數字化技能培訓、內部轉崗等方式，在企業內部吸收技術進步帶來的勞動技能溢價，最大限度降低“機器替代”的負面影響。

參考文獻

[1] 蔡躍洲、張鈞南：《信息通信技術對中國經濟增長的替代效應與滲透效應》[J]，《經濟研究》 2015年第12期。

[2] 李英杰、韓平：《數字經濟下制造業高質量發展的機理和路徑》[J]，《宏觀經濟管理》2021年第5期。

[3] 梁超、祝運海：《美的智造：傳統制造業的數字化轉型》[J]，《清華管理評論》2019年第9期。

[4] 梁新怡、鐘俊鵬、羅鋒：《家電制造企業數字化轉型的現狀和策略研究——以美的集團為例》[J]，《當代經濟》2021年第6期。

[5] 劉飛：《數字化轉型如何提升制造業生產率——基于數字化轉型的三重影響機制》[J]，《財經科學》2020年第10期。

[6] 劉玠：《人工智能推動冶金工業變革》[J]，《鋼鐵》2020年第6期。

[7] 呂鐵：《傳統產業數字化轉型的趨向與路徑》[J]，《人民論壇·學術前沿》2019年第18期。

[8] 呂文晶、陳勁、劉進：《工業互聯網的智能制造模式與企業平臺建設——基于海爾集團的案例研究》[J]，《中國軟科學》2019年第7期。

[9] 馬曄風、蔡躍洲、陳楠：《企業數字化建設對新冠肺炎疫情應對的影響與作用》[J]，《產業經濟評論》2020年第5期。

[10] 戚聿東、蔡呈偉：《數字化對制造業企業績效的多重影響及其機理研究》[J]，《學習與探索》2020年第7期。

[11] 邵小快、胡懷國：《經濟增長實證研究中的內生性》[J]，《經濟學動態》2013年第3期。

[12] 蔡躍洲、牛新星：《數字產業化與產業數字化視角的中國數字經濟測算——基于ICT特征和增長核算的理論方法及實證分析》[J]，中國社會科學院數量經濟與技術經濟研究所工作論文，2018年。

[13] 沈運紅、黃桁：《數字經濟水平對制造業產業結構優化升級的影響研究——基于浙江省2008-2017年面板數據》[J]，《科技管理研究》2020年第3期。

[14] 孫曉華、辛夢依：《R&D投資越多越好嗎？——基于中國工業部門面板數據的門限回歸分析》[J]，《科學學研究》2013年第3期。

[15] 王春梅、周東東、徐科等：《綜述鋼鐵行業智能制造的相關技術》[J]，《中國冶金》2018年第7期。

[16] 王可、李連燕：《“互聯網+”對中國制造業發展影響的實證研究》[J]，《數量經濟技術經濟研究》2018年第6期。

[17] 王莉娜：《數字化對企業轉型升級的影響——基于世界銀行中國企業調查數據的實證分析》[J]，《企業經濟》2020年第5期。

[18] 王龍、冀秀梅、劉玠：《人工智能在鋼鐵工業智能制造中的應用》[J]，《鋼鐵》2021年第4期。

[19] 肖靜華：《企業跨體系數字化轉型與管理適應性變革》[J]，《改革》2020年第4期。

[20] 謝康、夏正豪、肖靜華：《大數據成為現實生產要素的企業實現機制：產品創新視角》[J]，《中國工業經濟》2020年第5期。

[21] 姚林、王軍生：《鋼鐵流程工業智能制造的目標與實現》[J]，《中國冶金》2020年第7期。

[22] 蔡躍洲、陳楠：《新技術革命下人工智能與高質量增長、高質量就業》[J]，《數量經濟技術經濟研究》2019年第5期。

[23] 于勇、陶劍、范玉青：《大型飛機數字化設計制造技術應用綜述》[J]，《航空制造技術》2009年第11期。

[24] 張清郁：《基于人工智能平臺的汽車制造技術發展探析》[J]，《中國設備工程》2018年第17期。

[25] 趙宸宇、王文春、李雪松：《數字化轉型如何影響企業全要素生產率》[J]，《財貿經濟》2021年第7期。

[26] 趙劍波：《推動新一代信息技術與實體經濟融合發展：基于智能制造視角》[J]，《科學學與科學技術管理》2020年第3期。

[27] 陳疇鏞、許敬涵：《制造企業數字化轉型能力評價體系及應用》[J]，《科技管理研究》2020年第11期。

[28] 池毛毛、葉丁菱、王俊晶、翟姍姍：《我國中小制造企業如何提升新產品開發績效——基于數字化賦能的視角》[J]，《南開管理評論》2020年第3期。

[29] 李唐、李青、陳楚霞：《數據管理能力對企業生產率的影響效應——來自中國企業—勞動力匹配調查的新發現》[J]，《中國工業經濟》2020年第6期。

[30] 李丫丫、潘安：《工業機器人進口對中國制造業生產率提升的機理及實證研究》[J]，《世界經濟研究》2017年第3期。

[30] 李丫丫、潘安、彭永濤、楊文斌：《工業機器人對省域制造業生產率的異質性影響》[J]，《中國科技論壇》2018年第6期。

[31] Acemoglu D & Restrepo P. Unpacking Skill Bias： Automation and New Tasks. Boston University - Department of Economics - The Institute for Economic Development Working Papers Series， 110， 2020.

[32] Agrawal A， Mchale J & Oettl A. Finding Needles in Haystacks： Artificial Intelligence and Recombinant Growth. NBER Working Paper， No.24541， 2018.

[33] Autor D H. Skills， Education， and the Rise of Earnings Inequality among the "Other 99 Percent". Science， Vol.344， No.6186， 2014， pp.843-851.

[34] Blundell R & Bond S. Initial Conditions and Moment Restrictions in Dynamic Panel Data Models. Journal of Econometrics， Vol. 87， No.1， November 1998， pp.115-143.

[35] Christian L， Thomas S， Katja B， et al. SIMMI 4.0 – A Maturity Model for Classifying the Enterprise-wide IT and Software Landscape Focusing on Industry 4.0. Annals of Computer Science & Information Systems， Vol.37， No.4， 2016， pp.621.

[36] Dremel C H M W J. How AUDI AG Established Big Data Analytics in its Digital Transformation. MIS Quarterly Executive， Vol.2， No.16， 2017， pp.81-100.

[37] Graetz G & Michaels G. Robots at Work. CEBR Discussion Papers， 2015.

[38] Griliches Z. Patent Statistics as Economic Indicators： A Survey. NBER Chapters， 1998.

[39] Jaw， Yi-Long， Chen， et al. Effect of Digital Transformation on Organizational Performance of SMEs Evidence from the Taiwanese Textile Industrys Web Portal. Internet Research： Electronic Networking Applications and Policy， Vol.26， No.1， 2016， pp.186-212.

[40] Jeschke S， Brecher C， Song H， et al. Industrial Internet of Things： Cyber-manufacturing Systems. Springer International Publishing， 2017.

[41] Kane G C， Palmer D， Nguyen A P， et al. Strategy， Not Technology， Drives Digital Transformation. MIT Sloan Management Review， 2015.

[42] Kromann L， Skaksen J R & Sorensen A. Automation， Labor Productivity and Employment —— A Cross Country Comparison. Copenhagen Business School Working Paper， 2011.

[43] Oks S J， Fritzsche A & Mslein K M. An Application Map for Industrial Cyber-Physical Systems. Springer International Publishing， 2017.

[44] Philippe A， Jones B F & Jones C I. Artificial Intelligence and Economic Growth. NBER Working Paper， No. 14015， 2017.

[45] Rachinger M， Rauter R M C， Vorraber W， et al. Digitalization and its Influence on Business Model Innovation. Journal of Manufacturing Technology Management， Vol.30， No.8， 2019， pp.1143-1160.

[46] Roodman D. How to Do xtabond2： An Introduction to "Difference" and "System" GMM in Stata. Working Paper， 2006.

[47] Schuh G & Scholz P. Development of a Framework for the Systematic Identification of AI Application Patterns in the Manufacturing Industry： 2019 Portland International Conference on Management of Engineering and Technology （PICMET）， 2019.

[48] Wildgrube M.， Schaupensteiner N. & Wehinger J. Volkswagen Education Lab： Accelerating the Digital Transformation of Corporate Learning. In Urbach N. & R？glinger M. （eds） Digitalization Cases. Management for Professionals. Springer， Cham. 2019. https：//doi.org/10.1007/978-3-319-95273-4_20.

The Impact of Digital Technology on the Growth Rate and Quality of Chinas Manufacturing Industry： An Empirical Analysis Based on Patent Application Classification and Industry Heterogeneity

NAN CHEN

（Chinese Academy of Social Sciences， 100732）

YUEZHOU CAI

（Chinese Academy of Social Sciences， 100732）

Abstract： To improve the international competitiveness of Chinas manufacturing industry and achieve high-quality development in the new development stage， it is necessary to accelerate the in-depth integration of digital technology and manufacturing industry， not only to maintain a reasonable growth rate， but also to improve the quality of development. Based on the panel data of 27 manufacturing sub-industries in China from 2001 to 2017， this paper uses digital technology patent as a proxy variable for technology progress and application. Light & textile manufacturing industry， resource processing industry， and machinery & equipment manufacturing industry are categorized and regressed separately. Results show that digital technology plays very different roles in promoting growth as for different manufacturing categories. Growth benefits are mainly concentrated in the machinery & equipment manufacturing industry， whereas the penetration into and impact on light & textile manufacturing industry and resource processing industry are insufficient. By focusing on the machinery & equipment manufacturing industry panel， we further our findings in digital technologys influencing mechanism. Digital technology contributes to the growth quality of the manufacturing industry mainly by increasing profitto-cost ratio， downsizing workforce scale， and reducing labor cost. Technologys impact on product quality and innovation are still quite limited.

Keywords： Manufacturing Growth， Digital Transformation， Patent Application Classification， Industry Heterogeneity Influencing Mechanism.

JEL： O14， O33

執行編輯〔應珊珊〕

陳楠，中國社會科學院數量經濟與技術經濟研究所助理研究員。蔡躍洲，中國社會科學院數量經濟與技術經濟研究所數字經濟研究室主任、研究員、博士生導師。蔡躍洲（通信作者），E-mail： caiyuezhou@cass.org.cn；caiyuezhou88@sina.com。

基金項目：國家自然科學基金重大項目“宏觀大數據建模和預測研究”（71991475）；國家自然科學基金面上項目“新一代信息技術影響增長動力及產業結構的理論與經驗研究”（71873144）；國家社會科學基金重點項目“數字經濟對中國經濟發展的影響研究”（18AZD006）。

1 中汽知識產權運營中心是一家從事專利數據分析的專業機構，筆者所在課題組向其購買了數據服務。

1 中汽知識產權專利數據庫僅保留了最新的專利有效量，沒有留存相關歷史數據。由于不同行業、不同時期的專利有效量變化趨勢和特征存在較大差異，很難進行統一推算。因此，為保證核心解釋變量的真實可靠，本文選擇專利申請量和授權量作為數字技術的代理變量，以期更加準確地反映數字技術在制造業細分行業的應用和發展。