數字經濟對全要素生產率的影響研究
——來自國家級大數據綜合試驗區的證據

劉 軍,朱 可,錢 宇

(1. 南京信息工程大學 管理工程學院,江蘇 南京 210044;2. 無錫學院 數字經濟與管理學院,江蘇 無錫 214105;3. 東南大學 經濟管理學院,江蘇 南京 211189)

一、 引言

隨著新一輪的科技革命和產業變革,數字經濟已成為當今世界各國經濟發展的主要模式。作為一種新的經濟形態,數字經濟引發了經濟的整體性深刻變革[1]。當前,數字經濟依托計算技術進步、通信技術進步以及大數據技術進步逐漸興起和發展,成為影響世界經濟發展的關鍵變量[2]。因此,數字經濟已成為各國推動經濟增長最有力的新型發展要素。近年來,全球主要發達國家接連出臺數字經濟政策,以推動數字經濟發展。美國政府自2018年來共頒布《聯邦政府云戰略》等數字戰略三十余項,以保持美國在數字經濟領域的長期競爭力;歐盟發布《單一數字市場戰略》,旨在通過一系列舉措革除法律和監管限制,將28個成員國市場打造成一個統一的數字市場,以繁榮歐盟數字經濟;2021年12月,日本內閣決議通過了“數字社會建設重點計劃、信息系統維護計劃、公私數據活用推進基本計劃”,完善了社會數字化、規制改革、產業數字化、數字技術支持等方面的實施措施。此外,中國對數字經濟的發展已有了明確的戰略部署,黨的二十大報告指出要加快發展數字經濟,促進數字經濟和實體經濟深度融合,打造具有國際競爭力的數字產業集群。全要素生產率用來衡量除去所有有形生產要素以外的純技術進步的生產率的增長,反映了一個國家的經濟發展水平。數字經濟作為新一輪產業變革的關鍵力量,突破了傳統要素的束縛,依靠數字技術的創造和應用為全要素生產率的發展提供了新的動力和源泉。然而,2023年歐盟峰會上各國對中國微電子產業的打擊反映出目前中國數字經濟發展的窘境。雖然當前數字經濟規模龐大,但關鍵產業環節薄弱,缺乏核心技術,且數字經濟與實體經濟的融合程度不深,這與數字經濟成為驅動全要素生產率增長的新動能,推動經濟高質量發展的戰略目標出現了較大偏離。在數字經濟時代,數字經濟能否提升全要素生產率水平?其影響全要素生產率的機理是什么?這些影響是否存在異質性?為了回答上述問題,本文以國家級大數據綜合試驗區為準自然實驗,揭示數字經濟對全要素生產率的影響機制,采用多期 DID和中介效應法進行了實證研究,豐富了數字經濟對全要素生產率影響的相關研究。本文所提出的研究建議也為政策的實施修訂及提升全要素生產率提供了一定的參考方向。

二、 文獻綜述

關于數字經濟對全要素生產率影響的研究主要集中于以下兩個方面:一是數字經濟提升全要素生產率。張永恒與王家庭認為數字經濟能夠通過改善要素錯配水平進而提升全要素生產率[3];邱子迅與周亞虹基于國家級大數據綜合試驗區的準自然實驗,研究表明數字經濟可以促進技術進步提升城市全要素生產率[4];Pan等運用非線性回歸方法研究數字經濟對全要素生產率的影響,結果表明,數字經濟與全要素生產率具有正相關關系,且數字產業發展是全要素生產率增長最重要的創新驅動力[5];徐偉呈等基于產業結構升級的視角,分析出以信息通信技術為基礎的數字技術對三大產業的全要素生產率具有不同的促進作用,其中對第三產業的促進作用最顯著[6];Chang等實證檢驗了數字經濟對制造業全要素生產率的影響,結果表明,數字經濟對制造業全要素生產率具有顯著的正向效應,異質性分析表明,數字經濟對東部沿海地區和西南地區全要素生產率的促進作用顯著[7]。二是數字經濟會抑制全要素生產率。Michales等通過分析11個國家25年的宏觀數據集,認為數字經濟背景下快速發展的信息通信技術導致技能需求極化,從而對全要素生產率的增長產生負面影響[8];Shackleton認為數字經濟的發展及機器人技術的使用并未帶來生產率的提高,甚至降低了全要素生產率水平[9];Acemoglu和Restrepo指出數字經濟帶來的過度信息化導致勞動力錯配與資源浪費,抑制了全要素生產率增長[10];此外,數字經濟發展帶來了“數字鴻溝”問題,現實中積累的資本通過互聯網轉化為數字資本,而經濟落后地區的居民使用信息技術的水平較差,造成地區間和個體間的經濟發展嚴重失衡,阻礙了全要素生產率的增長[11];由于目前中國關鍵核心技術薄弱,數字產業化在部分地區帶來了人才和資金的虹吸效應,從而導致技術使用效率降低抑制了全要素生產率增長[12]。

綜上所述,已有文獻從不同視角分析了數字經濟對全要素生產率的影響,但結論仍存在著一定爭議,并且少有文獻從資源配置效率和技術創新兩方面闡述數字經濟對全要素生產率的影響機制,而資源配置效率和技術創新既是數字經濟的兩個重要維度,也是重要的影響途徑。而且多數研究從省級面板數據展開分析,較少使用城市面板數據,而較大的樣本地理范圍不利于有效評估數字經濟的影響。因此,本文基于城市面板數據研究數字經濟對全要素生產率的影響機制。本文可能的邊際貢獻在于:一是從技術創新和資源配置效率兩方面闡述數字經濟對全要素生產率的影響機制并進行了中介效應檢驗;二是采用了隨機前沿生產函數法計算各地級市全要素生產率,拓展了全要素生產率的計算方法與使用范圍;三是在異質性分析中,基于城市智能化這一新視角開展異質性檢驗,探究數字經濟對智能化程度不同城市的全要素生產率的影響。

三、 理論分析與研究假設

數字經濟使得數據要素在資源配置流程中發揮出核心作用,能夠提高資源配置效率[13]。第一,數字經濟可以提升供應鏈管理水平,提高資源配置效率。一方面,數字經濟的興起使得數據要素逐漸成為當前經濟社會發展的關鍵要素,在提升供應鏈管水平上發揮了高效作用,如通過大數據分析與預測,企業在數據的驅動下對供應鏈的需求、庫存、供應情況進行分析,從而可以預測市場需求、制定合理的庫存管理計劃和采購計劃,有利于提升供應鏈的管理水平;另一方面,數字經濟的發展衍生出眾多新型供應鏈管理方式,如零部件的智能驗收、智能立體庫的高效存儲等,通過統一規劃和信息共享,對整個供應鏈的所有環節進行協調并整合所有活動以實現過程一體化,同時還能夠減少質量損失與供應鏈生產成本,最終實現供應鏈中每個環節占用最小資源并取得最大收益。第二,數字經濟通過降低要素搜尋成本,促進資源配置效率的提高。一方面,數字經濟能夠引導資源有序流動,緩解資源錯配[14],其高速發展使得數字技術逐漸融入各種生產要素中,實現對傳統要素的數字化轉型。數字經濟通過物聯網和自動化工具,加快了生產要素信息的流動速度并實現動態化,同時借助云計算技術進行整合分析并上傳至公共市場,不僅有助于傳統要素的數字化轉型,而且使得要素供求雙方突破了時空限制并獲得雙向反饋,打破了交易壁壘,提高了交易效率,進一步降低了要素搜尋成本。另一方面,數字技術加快了產業數字化,帶來了大規模的數字資源,企業通過大量數據,借助數據挖掘與智能分析技術挖掘出高質量信息,提升了數據資產的利用能力,如通過人工智能平臺下的搜尋匹配算法,根據需求和偏好快速找到合適的要素,同時,區塊鏈技術的運用也保證了生產要素的質量,不僅提升了企業的生產經營效率,同時也減少了信息搜尋摩擦,極大緩解了傳統市場要素流通不暢的狀況,降低了要素搜尋成本[15],提高了資源配置效率。由此本文提出如下假設:

H1:數字經濟通過提高資源配置效率,提升全要素生產率。

數字經濟以數字技術為基礎,促進產業技術創新。第一,數字經濟可以通過數字技術融合和降低試錯成本促進技術創新。一方面,數字經濟加快了數字技術在各產業創新活動中的滲透速度,為技術創新提供了更高效的技術工具,如對數據聚合、數字孿生、人工智能等技術的使用,不但提高了創新效率,而且也突破了傳統行業的創新環境限制[16];另一方面,數字技術所衍生出的數字模擬實驗室及各類仿真技術,通過模擬極端實驗場景擴大研發試錯的潛在范圍,不僅有利于拓展研究創新方案,更是有效降低了創新試錯成本,促進了技術創新。第二,數字經濟促進了技術多元迭代。數字經濟的創新發展必須以技術創新為動力[17],開源協作則是數字技術創新的重要途徑,在數字技術快速升級和融合發展中發揮著重要作用。隨著數字經濟的發展,各企業大量開放應用程序接口(API)獲取源代碼,使得不同的軟件和系統可以相互連接并交互,開發者借助API開發新的應用和服務,促進了企業開發者之間的協同創新,使得技術創新多元化,如浪潮開放了UMBL低代碼,通過多方共建,拓展了多種工業軟件類型,豐富了工業應用的軟件生態。此外,開源協作在多元化的基礎上還加速了技術迭代,由于開源項目通常采用模塊化結構,因此各開發者可以在模塊間獨立開發和測試不同的功能,不斷復用已有模塊的功能并整合,最終在舊模塊上進行創新升級,實現技術迭代,如螞蟻集團開源的基礎軟件涵蓋數據庫、云原生、中間件等多個模塊,通過對各模塊的開發最終自研出隱語隱私計算技術棧、分布式數據庫OceanBase、密碼學技術“銅鎖”等技術,實現了技術的多元迭代,促進了技術創新。由此本文提出如下假設:

H2:數字經濟通過促進技術創新,提升全要素生產率。

四、 研究設計

(一) 模型設定

多時點DID (Time-varying DID),也被稱為多期DID,適用于處理組個體接受處理時間點不一致的情況,由于國家級大數據綜合試驗區在各個地區的建設存在時間批次上的差異,為探究數字經濟對全要素生產率的影響,本文參考Beck等提出的多期雙重差分法[18],并采用雙向固定效應模型探究數字經濟對全要素生產率影響的研究,實證模型如下式:

Yit=β0+β1Treatedit+β2Xit+αi+δt+εit

其中,i表示各地級市,t表示年份。被解釋變量Y表示各地級市的全要素生產率TFP。Treatedit表示設立試驗區的虛擬變量,將設立國家級大數據綜合試驗區的各地級市設置為實驗組,其他城市為控制組,實驗組的虛擬變Ttreated賦值為0或1。X為市級層面的控制變量。αi為城市固定效應,時間固定效應δt的引入剔除了時間趨勢的影響,εit為隨機擾動項。β1是本文關心的估計系數,若β1>0且顯著,則說明數字經濟能夠顯著促進全要素生產率的提升。

(二) 變量定義

1. 被解釋變量

參考郭慶旺等、王歡芳等、劉軍等的研究[19-21],本文采用隨機前沿生產函數法計算地級市全要素生產率,該方法通過對不同前沿面的利用,量化實際產出與要素投入來計算全要素生產率。生產函數如下:

(2)

其中,i代表地級市,t代表年份,Yit代表i市第t年的實際GDP產量,Kit代表i市第t年的資本存量,Lit代表i市第t年的勞動力數量,α為估計參數。各城市的生產指標用實際GDP產量衡量。

實際產出:利用2014—2019年中國280個地級市的GDP及其指數數據,計算中國各地級市的實際GDP來衡量各地級市的實際產出。

要素投入:根據生產函數理論,勞動投入本質上為單位時間內的勞動質量和工作時間的乘積,勞動質量為勞動力在單位時間內提供的技能水平。鑒于中國對勞動投入的相關統計并不完備,因此本文采用資本存量和勞動投入來計算投入變量,且以中國各城市就業人口總數來衡量勞動投入。當前,對資本存量仍缺乏直接的統計數據,因此借鑒相關研究,最終參考了單豪杰的估算方法[22],利用永續盤存法計算,即上期物質的資本存量減去當期的折舊量再加上當期的物質資本投資得到該期的資本存量,估算公式為:Kit=Ki(t-1)(1-δ)+Iit/Pit。其中,K為城市實際資本存量,I為固定資產的投資總額(當年價格),P為固定資產的投資價格指數;δ為折舊率,參考張軍等的研究[23],由于全社會固定資產投資的三類資產的壽命期差異較大,因此分別計算他們的折舊率并進行加權平均,同時計算三類資本品在固定資產中的比重,分別取加權平均和幾何平均值之后發現差異較小,在相對效率逐漸遞減的前提下,最終取值9.6%。利用該方法估算資本存量要嚴格選擇基期,因估算誤差會隨著年份與基期的距離變大而變小。本文的基期資本存量以2000年為基期的資本存量數據為參考,將其轉化為2014年的當年價格,并根據估算公式對2014—2019年的中國各城市資本存量進行計算[23]。

對實際產出和要素投入進行計算后,根據隨機前沿生產函數法和全要素生產率的定義,可以得到各地級市的全要素生產率大致估計值TFP=實際產出/要素投入。

2. 核心解釋變量

參考邱子迅和周亞虹、韋東明等的相關研究[4,24],本文的核心解釋變量為國家級大數據綜合試驗區虛擬變量,根據國家發展和改革委員會、工業和信息化部、中央網信辦批準的國家級大數據綜合試驗區建設名單,對各地級市進行統一賦值,由于試驗區的設立時間不同,本文將貴州省的政策時點設置為2015年,其余地區的政策時點為2016年,政策時點當年及之后年份變量Post賦值為1,否則為0。

3. 控制變量

考慮到全要素生產率還受到其他因素的影響并結合數字經濟的特征,選取經濟發展水平lnGDP(以各地級市實際GDP的自然對數衡量)、產業結構(以地級市第二產業GDP占比衡量)、互聯網普及程度inter(以各地級市互聯網接入人數占總人口的比重衡量)、研發投入sci_Out(以各地級市科技支出的自然對數衡量)為控制變量。

(三) 數據來源

本文選取2014—2019年中國280個地級市(剔除西藏及港澳臺地區)的面板數據為分析樣本,所有原始數據均來源于《中國城市統計年鑒》《中國統計年鑒》及國家統計局、中國研究數據服務平臺、國泰安數據庫,并利用插值法補齊缺失的部分數據。

變量的描述性統計如表1所示,全要素生產率(TFP)及第二產業GDP占比(second_GDP)的均值分別為1.63與0.446,說明目前地級市TFP總體水平較高,但以技術為核心的產業發展水平較低。研發投入的最小值和最大值分別為7.33與14.11,說明各地級市的科研投入水平差異較大。

表1 變量描述性統計

五、 實證結果分析

(一) 多重共線性檢驗

在進行回歸分析前,為判斷解釋變量之間是否存在高度相關性使回歸結果失真,可信度降低,本文首先進行多重共線性檢驗,結果如表2所示。各解釋變量的方差膨脹因子(VIF)最大值為5.260,均小于臨界值10,因此各變量之間不存在多重共線性。

表2 多重共線性檢驗

(二) 平行趨勢檢驗

使用雙重差分法的前提是滿足平行趨勢檢驗,即在國家級大數據綜合試驗區這一政策實施之前,實驗組和對照組的全要素生產率水平具有相同的變化趨勢。本文參考Beck等[18]的做法,采用動態雙重差分模型進行平行趨勢檢驗,驗證試驗區建立前實驗組和對照組的變化趨勢是否相同,具體模型如下。該模型中,DIDi,k為虛擬變量,表示地級市i獲批大數據綜合試驗區的第k年,本文選取了試驗區建立前兩年至建立后四年共六年的時間基期,且該模型剔除了試驗區建立前一年度的虛擬變量,即k≠-1,以避免出現變量共線性問題。

(3)

平行趨勢檢驗結果如圖1所示,若該年度的上下端點中包含0點,則說明交互項系數在95%的置信區間上不顯著;反之則顯著。可以看出,在試驗區建立前,交互項各期系數估計值不顯著;而試驗區建立后各年度端點遠離0點,交互項各期系數顯著,滿足平行趨勢檢驗假設。

圖1 平行趨勢檢驗

(三) 基準回歸結果

模型的基準回歸結果見表3,其中列(1)只控制了城市固定效應和時間固定效應,列(2)則進一步控制了其他變量。結果顯示:第一,無論是否加入控制變量,國家級大數據綜合試驗區的建立對核心解釋變量Treated估計系數的影響均為正向顯著,說明數字經濟對全要素生產率的提升具有較強的促進作用,與本文的預期結論相符合;第二,在加入經濟發展水平、產業結構、互聯網普及程度以及研發投入四個控制變量后,虛擬變量Treated的系數增大至0.119且顯著為正,說明試驗區的建立對全要素生產率的提升具有明顯促進作用。

表3 基準回歸結果

(四) 穩健性檢驗

1. 安慰劑檢驗

為進一步檢驗結果的穩健性,排除同一時期其他政策或隨機因素的影響,本文進行安慰劑檢驗。首先隨機抽取樣本期作為政策時間,并隨機抽取樣本城市作為實驗組,其次構建新的政策虛擬變量替代原有的交互項,最后基于回歸模型進行回歸,回歸過程重復1000次,并得到1000次的回歸結果。結果如圖2所示,經過隨機處理的估計系數值符合均值為0的正態分布,說明試驗區政策對隨機選取的實驗組并無顯著影響,也進一步驗證了數字經濟對全要素生產率的提升具有正向影響,而并非其他不可觀測的因素所致。

圖2 安慰劑檢驗

2. 傾向得分匹配-雙重差分法(PSM-DID)檢驗

為避免試驗區的選擇性偏差,本文采用PSM-DID解決這一問題,選取經濟發展水平、產業結構、互聯網普及程度以及研發投入作為協變量,對實驗組和控制組進行一對一最近鄰匹配,得到傾向得分并檢驗匹配后的實驗組和控制組是否存在顯著差異,最后對該樣本進行回歸,結果如表4列(1)所示。經過傾向得分匹配后Treated系數為0.122且在1%的水平上顯著為正,證明上文原有的回歸結果是穩健的,說明數字經濟可以促進全要素生產率的提升。

表4 穩健性檢驗

3. 解釋變量滯后一期檢驗

將解釋變量Treated滯后一期,其他相關變量保持不變,重新進行回歸分析,結果如表4列(2)所示。經過滯后一期后的政策效應回歸系數為0.117,在5%的水平上顯著為正,說明試驗區的建立能夠促進全要素生產率的提升,同時數字經濟對全要素生產率的影響效應與上文結論一致,證明了本文方法和結論的可靠性。

4. 剔除直轄市樣本

由于四個直轄市在經濟發展水平、技術創新和數字經濟發展水平與其他地級市之間存在較大差距,此外,試驗區的選址是否也考慮了這些因素從而造成政策效應評估上存在偏誤,因此有必要剔除直轄市樣本后重新進行回歸分析,結果如表4列(3)所示。剔除直轄市樣本后的回歸系數為0.129,在1%的水平上顯著,因此,對于大部分城市,數字經濟仍然有利于促進全要素生產率的提升,驗證了上文結論的穩健性。

(五) 中介效應檢驗

基于前文的理論分析與研究假設,為了驗證數字經濟提升全要素生產率的傳導機制,參考溫忠麟和葉寶娟的中介效應模型[25],本文分別檢驗資源配置效率(TKI)和技術創新(patent)是否在數字經濟促進全要素生產率的提升之間存在中介效應。基本模型如下。

TFPit=α0+α1Treatedit+∑αkcontrolit+μit

(4)

Wit=β0+β1Treatedit+∑βkcontrolit+εit

(5)

TFPit=γ0+γ1Treatedit+γ2Wit+∑γkcontrolit+ξit

(6)

該檢驗分四個步驟:第一,檢驗系數α1的顯著性,如果α1顯著,則進入(5)式檢驗。第二,對系數β1和系數γ2進行檢驗,若兩個系數均顯著,則存在中介效應,可進入(6)式檢驗;若其中一個系數不顯著,則需對兩系數進行Sobel檢驗。第三,對系數γ1進行檢驗,若γ1顯著, 則說明為部分中介過程;若γ1不顯著,則說明該過程是完全中介過程。第四,在第二步中存在部分系數不顯著的情況需進行Sobel檢驗,若通過檢驗,則存在中介效應。W為本文所涉及的中介變量資源配置效率和技術創新。檢驗結果如表5所示,列(1)至列(3)是檢驗資源配置效率的中介效應結果,列(4)至列(6)是檢驗技術創新的中介效應結果。

表5 中介效應檢驗

第一,檢驗資源配置效率(TKI)的中介效應,本文采用要素錯配指數來衡量資源配置效率,且要素錯配指數絕對值取相反數,因為該指數越大,說明資源錯配嚴重,資源配置效率低下,取了相反數之后,該數越大則資源配置效率越高。表5中列(1)符合前文基準回歸結果,即數字經濟促進了全要素生產率的提升。列(2)檢驗了數字經濟和資源配置效率的關系,要素錯配指數的估計系數為0.040,通過1%的顯著性水平檢驗,表明數字經濟與資源配置效率顯著正相關,即數字經濟可以促進資源配置效率的提升。列(3)檢驗了數字經濟、資源配置效率和全要素生產率的關系,全要素生產率的估計系數為0.111,通過1%的顯著性水平檢驗,同時資源配置效率的估計系數為0.029,通過10%的顯著性水平檢驗,即數字經濟和資源配置效率都提升了全要素生產率。因此可以得出結論:數字經濟可以通過促進資源配置效率提升從而提升全要素生產率,且資源配置效率起到正向促進的中介作用,驗證了假設1。

第二,檢驗技術創新(patent)的中介效應,為貼合數字經濟的研究背景以及國家級大數據綜合試驗區建立的政策背景,本文采用各地級市數字經濟專利數加1的自然對數衡量技術創新,原始數據來源于國家知識產權局。結果如表5所示,列(4)結果與基準回歸結果一致,即數字經濟提升了全要素生產率。列(5)檢驗了數字經濟和技術創新的關系,技術創新的估計系數為0.102,通過5%的顯著性水平檢驗,表明數字經濟與技術創新顯著正相關,即數字經濟可以提高技術創新水平。列(6)檢驗了數字經濟、技術創新和全要素生產率的關系,全要素生產率的估計系數為0.113,通過5%的顯著性水平檢驗,同時技術創新的估計系數為0.067,通過5%的顯著性水平檢驗,這表明數字經濟和技術創新均促進全要素生產率的提升。綜合三步結果來看,可以得出結論:數字經濟可以通過促進技術創新進而提升全要素生產率,技術創新起到正向促進的中介作用,假設2得到了驗證。

(六) 異質性分析

針對中國目前區域間發展不平衡的問題,且大數據綜合試驗區政策對不同類型城市全要素生產率影響程度不同的現狀,本文從資源稟賦、數字經濟發展水平及城市智能化三個角度研究數字經濟在大數據綜合試驗區政策下對全要素生產率影響的異質性。

1. 資源稟賦異質性

資源型城市以開發礦產、森林等自然資源為主導產業,在發展過程中導致資源約束不斷加劇,因此亟須進行轉型升級。參考《全國資源型城市可持續發展規劃(2013—2020年)》與常皓亮等的相關研究[26],在落實試驗區政策時,為研究數字經濟對不同資源稟賦城市全要素生產率的影響,本文將文件中所列出的以地級行政區為代表的資源型城市選擇為高資源稟賦型城市,其余城市選擇為低資源稟賦型城市。結果如表6列(1)、列(2)所示,低資源稟賦型城市的估計系數為0.12,在5%的水平上顯著,說明在試驗區政策的落實下,數字經濟提升了低資源稟賦城市的全要素生產率,而對高資源稟賦城市的影響則不明顯。這主要是因為低資源稟賦型城市對傳統資源的依賴程度較小,經濟發展多依靠其他新興產業,試驗區政策的實施幫助其掌握運用大數據技術的能力并快速融入其他行業中,加快了發展速度,而高資源稟賦型城市與試驗區政策并無太多聯系,甚至部分政策會妨礙到原有的資源開發進程從而抑制城市發展。

表6 異質性分析

2. 數字經濟發展水平異質性

本文研究數字經濟對全要素生產率的影響,不同城市的數字經濟發展水平存在差異。參考趙濤等的研究[27],采用主成分分析法測度各地級市的數字經濟發展水平,并用中位數將其劃分為高發展水平和低發展水平。結果如表6列(3)、列(4)所示,低數字經濟發展水平城市的估計系數為0.145,通過了5%的顯著性水平檢驗,即數字經濟顯著提升低數字經濟水平城市的全要素生產率,同時對高數字經濟水平城市的提升并無顯著效果。這是因為數字經濟發展水平低的城市無論從硬件設施、創新程度還是政策支持均處于薄弱狀態,缺乏發展所需的物質條件和發展方向。大數據綜合試驗區政策的實施不僅能夠確定發展方向,更提高了政府重視程度,給予發展所需的基礎設施和資金投入。此外,數字經濟發展水平較高的城市由于本身的經濟基礎較好,擁有充足的發展資金和較為先進的硬件設施,試驗區政策所提供的條件相對落后,不適用于上述城市發展,如果強行落實更會使城市的發展停滯。

3. 城市智能化異質性

本文基于國家級大數據綜合試驗區的準自然實驗進行研究,而智慧城市通過運用人工智能、云計算等技術使得城市的規劃、運營、管理更高效智能,與大數據綜合試驗區的發展導向較為類似,此外,城市智能化水平的提高有助于構建以中國為主導的數字產業創新生態[28]。因此,參考《國家智慧城市試點暫行管理辦法》與最新公布的三批智慧城市名單,本文研究數字經濟對智慧城市與非智慧城市全要素生產率的異質性。結果如表6列(5)、列(6)所示,處于智慧城市試點名單上的城市的估計系數為0.1,在10%的水平上顯著為正,表明在大數據綜合試驗區政策下,數字經濟能夠提升智慧城市的全要素生產率水平,而對非智慧城市的影響則不顯著。這主要是由于智慧城市的早期發展規劃與大數據綜合試驗區政策有類似,即都以大數據、人工智能等數字技術為工具推動城市和區域發展。此外,部分城市由于較早開始規劃智慧城市建設,已具備一定的發展條件和發展經驗,因此在試驗區政策落實的過程中,該類城市適應速度較快,從而加快了發展進程;非智慧城市可能本身不滿足發展條件,如城市面積較小、地理位置偏僻、經濟基礎較差等,對這些城市實施政策類似的大數據綜合試驗區政策不僅不利于經濟增長,還會與現有的經濟發展模式產生沖突從而抑制城市發展。

六、 結論性評述

本文利用2014—2019年280個地級市的面板數據,基于國家級大數據綜合試驗區的準自然實驗,運用多期DID法和中介效應模型實證檢驗了數字經濟對全要素生產率的影響,所得結論如下:第一,根據回歸結果分析,數字經濟顯著提升了全要素生產率,并且經過安慰劑檢驗、PSM-DID檢驗、滯后一期檢驗以及剔除直轄市樣本四種穩健性檢驗后,該結論仍然成立;第二,從傳導機制來看,資源配置效率和技術創新滿足中介效應條件,即數字經濟提升了資源配置效率、促進技術創新從而提升了全要素生產率;第三,從異質性分析來看,試驗區政策的實施能夠顯著促進數字經濟提升低資源稟賦型城市、低數字經濟發展水平城市以及智慧城市的全要素生產率。

結合上述結論,本文提出如下建議:第一,推動大數據平臺建設,大力發展數字經濟。實證結果表明,國家級大數據綜合試驗區的建立使數字經濟顯著提升了全要素生產率。因此,應把推動大數據平臺建設作為推動數字經濟發展的重要抓手。一方面,要加大技術研發投入,對云計算、物聯網等大數據技術的發展不僅要提供硬件基礎設施的支持,更要廣泛集聚大數據研發人才,進行研發思路和研發經驗共享,達到軟硬件結合的目的,從而加速大數據技術開發,促進數字經濟發展;另一方面,要利用國內的數據規模優勢,對各個領域的數據進行收集和整合,并制定一定的數據標準,增強數據要素的可操作性和共享性,為數字經濟發展提供基礎的數據保障。第二,引導生產要素有序流動,提高資源配置效率。機制檢驗結果表明,數字經濟能夠促進資源配置效率的提升從而提升全要素生產率,因此,要引導生產要素有序流動,實現資源高效配置。一方面,政府應制定相關政策制度,如實施開放的市場準入政策,在確保合規的前提下盡可能實現生產要素跨地區、跨行業流動,以實現更廣泛的資源配置;另一方面,建立生產要素信息共享平臺,提供包括人才需求、市場需求、投資機會等多方面的生產要素信息,減少信息不對稱的問題,推動中國良好信息環境的形成,從而促進數字經濟制度紅利的發揮[29],使生產要素更好地匹配市場需求,提高資源配置效率。第三,根據各地區的實際發展狀況,采取差異化發展戰略。首先,對資源稟賦較高的城市,應提供新型數字化硬件設施用以發展傳統行業,提高生產效率,逐步進行產業變革。資源稟賦較低的城市應主動落實數字經濟發展政策,如調整企業內部生產方式,運用人工智能技術,以精細自動化生產逐步替代傳統工業化生產。其次,對數字經濟發展水平較高的城市,應利用自身優勢,既要投入充足的研發資金促進數字技術的發展,從而加快硬件設施的迭代,又要構建核心數據平臺,在收集龐大數據的前提下進行篩查檢索,發揮數據要素的核心引擎作用。同時,鼓勵高新技術企業開源合作,建設高質量的基礎設施,從而增強國內和國外的溝通協作水平[30]。對數字經濟發展水平較低的城市,國家應首先提供海量基礎數據用以發展數字技術,激發數字技術對傳統市場的積極作用,同時建立跨區域或跨界數字合作系統如創新園區、科技孵化器等促進企業、政府和研發部門間的合作,加速數據要素的流動。政府也需加大對該類城市的扶持力度,如給予研發補貼、優惠稅率等措施引導其良性發展。最后,智慧城市可優先爭取國家部委支持,圍繞本地龍頭產業招商引資,保證足夠的經濟發展基礎,從而健全核心技術的攻堅發展體系。而非智慧城市則要集中于對智能計算技術的研發,通過建立研發產業園、新興技術實驗室等措施首先發展云計算、大數據等技術。

數字經濟作為一種新的經濟業態,對全要素生產率的發展具有重要影響,也對實現數實融合的戰略目標具有重大意義。本文基于國家級大數據綜合試驗區的準自然實驗,研究得出數字經濟可通過提高資源配置效率和技術創新水平促進全要素生產率的提高。未來可從以下角度進行拓展:一是對不同地區的數字經濟發展水平進行定量分析,而不是僅局限于國家級大數據綜合試驗區這一準自然實驗;二是從多視角探究數字經濟對全要素生產率影響的中介效應,拓展數字經濟間接影響全要素生產率的途徑。