大數據應用、創新要素配置與制造業企業勞動生產率

[關鍵詞]大數據應用 勞動生產率 創新要素配置 制造業企業 數字技術 數據基礎設施 面板雙向固定效應模型 生產率悖論

引言

改革開放以來，人口紅利為中國經濟高速增長發揮了重要推動作用，但是近年來中國人口發展呈現少子化、老齡化特征，人口數量紅利的作用逐漸消減，而且伴隨著外貿增長趨緩、內需拉動乏力、資源環境壓力增大等問題的出現，勞動生產率的提升成為新形勢下經濟增長的新動力，也是實現經濟高質量發展的新要求。自2014年大數據首次寫入政府工作報告以來，中國政府一直大力推動大數據產業發展，根據《中國大數據產業發展指數報告（2023年版）》的數據顯示，2022年我國大數據產業規模達1.57萬億元，同比增長18%。大數據產業的發展為大數據技術的成熟和應用創造了條件。大數據等數字技術的應用深刻變革了制造業企業的生產方式和管理模式，提高了企業資源利用效率和生產效率。那么大數據技術的應用會如何影響制造業企業勞動生產率？其內在作用機制是什么？對這些問題的回答有助于更好地發揮大數據應用對勞動生產率的促進效應，推動實現經濟高質量發展。

隨著大數據技術對實體經濟的滲透，現有研究從越來越多的角度考察了大數據應用的經濟效應，且研究方法也從理論分析向實證分析轉變。現有關于大數據應用的經濟效應的文獻主要集中在宏觀和微觀兩個方面。關于宏觀層面大數據應用的經濟效應的研究集中于大數據應用對經濟發展和產業結構優化的影響。關于微觀層面大數據應用的經濟效應的研究主要集中于大數據應用對企業績效的影響。Raguseo等、Y asmin等研究發現，大數據分析能力對企業績效具有顯著的促進作用。孫新波等從數據驅動視角出發，研究發現大數據的合理應用有助于提升企業供應鏈敏捷性。許芳等研究發現，大數據應用對供應鏈協同和企業創新績效均有顯著的正向影響。張葉青等研究發現，企業大數據應用可以顯著提高公司市場價值。史丹和孫光林則認為，大數據發展可以通過促進企業創新、優化資本與勞動要素配置效率，以及數據賦能來提升制造業企業全要素生產率。

關于大數據應用與勞動生產率關系的研究較為少見，但是有研究從數字技術應用角度切入，已有研究關于數字技術應用對勞動生產率的影響效果主要有兩種觀點。有學者認為數字技術的應用通過替代效應降低了中低端勞動力就業，也通過創造效應增加了高技能就業崗位數量，促進了勞動生產率提升。Varlamova和Larionova研究發現，業務流程的數字化和使用互聯網技術的增加能夠提高勞動生產率：也有研究認為計量錯誤、時滯、再分配和管理不善等問題的存在使數字技術的應用可能會抑制勞動生產率的提升，產生“生產率悖論”現象。而基于中國工業企業數據的經驗研究發現，數字經濟發展能夠顯著促進制造業企業勞動生產率提升，破解“生產率悖論”，而且企業性質、行業要素密集程度、行業競爭性、地區等因素的不同會使得這一影響效果產生差異。隨著研究的不斷深入，學者們從不同渠道分析了數字技術應用提升勞動生產率的作用機制，主要從經濟集聚水平提升、創新水平提升、人力資本水平提升等方面構建作用渠道，而大數據技術的應用在優化創新要素配置方面具有獨特的優勢，大數據技術通過數據搜集和計算匹配，能夠推動資金、人才、技術等創新要素進行精準配置，提高創新要素配置效率，從而推動制造業企業勞動生產率提升。因此，本文從優化創新要素配置渠道出發，闡述微觀層面大數據應用影響制造業企業勞動生產率的理論機理，而后選用面板雙向固定效應模型實證檢驗大數據應用對制造業企業勞動生產率的影響效應和作用機制。

本文從大數據應用視角思考制造業企業勞動生產率的影響因素，拓展了企業勞動生產率的影響因素研究。分析大數據應用對勞動生產率的影響具有重要的理論貢獻，因為現有文獻尚未系統分析大數據應用對制造業企業勞動生產率的具體影響。已有研究多集中在傳統的生產要素、管理方式和市場環境等方面，很少考慮到數據驅動的創新型因素，本文的研究填補了這一空白：從創新要素配置角度剖析了大數據應用對制造業企業勞動生產率的作用機制，有助于厘清大數據應用影響制造業企業勞動生產率的微觀作用機理，揭示大數據應用對勞動生產率促進效應，為制造業企業提供切實可行的建議。在進行數字化轉型時，企業應重視大數據利用，以便更有效地配置創新要素，提升勞動生產效率。該理論框架既為后續相關研究提供機制分析思路，也為企業推動大數據應用提供了指導意義。

1機制設計

大數據技術的應用變革了制造業企業的生產方式和管理模式，能夠發揮就業“替代效應”和“創造效應”，二者的共同作用影響了制造業企業勞動生產率。技術變革會導致勞動力被新技術或新工藝所替代。數據采集、數據挖掘、視覺識別、圖像分析等大數據技術的應用推動了制造業企業生產方式的智能化、數字化變革，智能化的生產模式不僅可以減輕工作人員的勞動強度，替代了低端、重復性工作的勞動力，還能提高產品的一致性和質量，提升了勞動生產率；同時，根據資本一技能互補理論，先進技術的使用會帶來企業對高技能勞動力需求的增加。大數據技術在制造業企業的廣泛應用能夠創造新的與大數據技術應用相關的就業崗位，增加了企業對具備大數據技術使用和維護等能力的高技能勞動力的需求，從而推動了勞動生產率的提升。另外，大數據技術的應用推動了制造業企業生產、管理、財務等業務流程的再造，有效提高了企業管理效率和財務透明度，降低了企業生產成本、管理成本，進一步提高了勞動生產率。

假設1：大數據應用有助于提升制造業企業勞動生產率。

大數據可以在既有的創新要素中發揮橋梁型要素的作用，驅動既有創新要素組合方式的變革，形成更有效率的要素配置方式，以驅動制造業企業轉型升級和提質增效，進而推動制造業企業勞動生產率提升。大數據應用的創新要素配置優化效應主要體現在量和質兩個方面。（1）大數據應用能夠拓展創新要素內外部獲取渠道，增加制造業企業創新要素投入，優化創新要素配置結構。大數據技術可以發揮信息傳播收集和處理的優勢，跨地區聯結勞動力供需雙方，緩解勞動力市場的信息不對稱問題，使企業能夠更有效率、更低成本地獲取外部高技能勞動力，提高企業高技能勞動力的數量。大數據技術的應用提高了企業內部財務、管理等信息的透明度，降低了投資者的信息不對稱程度，有助于企業獲取更多的外部融資，使企業有能力投入更多資金進行研發創新活動：（2）大數據應用能夠發揮數據要素特性推動創新要素的精準匹配，提升制造業企業創新要素配置效率。大數據技術可以分析出市場對產品的創新需求，提升企業決策的準確性，促進創新要素的優化配置。數據挖掘和數據分析等大數據技術的應用使企業可以根據研發人員的專業技能和工作經驗，進行精準的崗位調配，將高素質的人才分配到合適的創新項目中，激發團隊的創造力和生產力。大數據技術的應用還可以使企業對研發資金使用進行實時監控與調整，以保證研發資金的使用效率，提高研發資金配置效率。根據要素配置理論，產業升級的過程就是要素配置結構不斷優化的過程。創新要素配置優化既能促進傳統制造業企業轉型升級，又能夠催生出新業態、新商業模式，有助于企業深化技術應用，推動企業重塑業務流程，變革產業組織模式，降低生產成本和運營成本，提升生產效率，進而推動制造業企業勞動生產率提升。

假設2：大數據應用通過優化創新要素配置，從而提升制造業企業勞動生產率。

2研究設計

2.1模型設定

為了檢驗大數據應用對制造業企業勞動生產率的影響效應，構建如下基準回歸模型進行實證分析：

大數據應用通過優化創新要素配置渠道促進制造業企業勞動生產率。為了檢驗大數據應用影響制造業企業勞動生產率的作用機制，借鑒江艇的做法，采用面板雙向固定效應模型進行檢驗，具體模型如下：

其中，Med表示中介變量，包括研發人員配置（Alloip）和研發資本配置（Alloie）。其余指標的設置以及符號表示均與基準回歸模型一致。

2.2指標選擇

被解釋變量：制造業企業勞動生產率（Lprodu）：借鑒牛志偉等的做法，采用制造業企業營業收入與員工總人數的比值作為制造業企業勞動生產率的衡量指標。

核心解釋變量：大數據應用（Data）：采用大數據關鍵詞詞頻和大數據無形資產構建制造業企業大數據評價指標體系。為了避免主觀因素的影響，采用熵值法對各指標進行賦權，加權計算得到制造業企業大數據應用綜合指標值對制造業企業大數據應用（Data）進行衡量。關于大數據應用關鍵詞詞頻的獲取，參考張葉青等的做法，采用文本分析法對上市公司年度報告文本進行關鍵詞提取得到大數據關鍵詞詞頻數。關于大數據無形資產指標的獲取，參考張永坤等的做法，手工整理上市公司財務報告附注披露的年末無形資產明細項中與大數據技術或大數據應用有關的條目，然后對篩選出的條目進行加總，得到大數據無形資產指標數據。

機制變量：參考呂承超和王志閣、史丹和孫光林的做法，采用樣本企業創新要素成本與同一行業、同一產權性質和同一年度的企業平均創新要素投入的偏離程度來度量企業的創新要素配置情況。創新要素配置指標的值越大，意味著企業創新投入超出所在組別平均創新投入越多，說明企業創新要素配置情況越優化。制造業企業創新要素投入包括研發人員投入和研發資本投入，分別以企業研發人員數量占比和研發支出占比衡量，計算得到研發人員配置（Alloip）和研發資本配置（Alloie）。

控制變量：參考張葉青等的做法，企業規模（Size）采用員工人數的對數衡量；企業年齡（Age）采用觀測年份減去上市年份加1的對數衡量：資產負債率（Lev）采用總負債與總資產之比衡量；資產收益率（Roa）采用稅后凈利潤與總資產之比衡量；股權集中度（Topl）采用第一大股東的持股比例衡量；兩職合一（Dual）采用董事長和總經理是否為同一人的虛擬變量測度，若董事長和總經理為一人取值為1，否則為0；董事會規模（Board）采用董事會人員總數的對數衡量。

根據表1，制造業企業勞動生產率的均值為13.8614，標準差為0.6942，最大值為15.8943，最小值為12.3998，說明樣本企業的勞動生產率水平存在差異。

2.3數據說明

本文以2013～2023年中國滬、深A股制造業上市公司為研究對象，對樣本企業進行了如下處理：（1）將核心數據缺失嚴重的樣本剔除；（2）將ST、*ST、PT以及上市期間退市的上市公司進行刪除；（3）為了控制變量異常值干擾實證結果，對所有連續變量進行1%縮尾處理。上市公司年度報告文本文件來源于巨潮資訊網，其余原始數據均來自CSMAR數據庫和中國研究數據服務平臺（CNRDS）。

3實證結果分析

3.1基準回歸

表2列（1）為不包括控制變量的回歸結果，大數據應用的估計系數在5%的顯著性水平上顯著，表2列（2）為包括控制變量的回歸結果，大數據應用的估計系數在5%的顯著性水平上顯著，說明大數據應用能夠顯著促進制造業企業勞動生產率。從控制變量來看，資產負債率、資產收益率和董事會規模對制造業企業勞動生產率具有顯著的促進作用，而企業規模、企業年齡、股權集中度和兩職合一對制造業企業勞動生產率具有顯著的抑制作用。

3.2穩健性檢驗與內生性討論

為了進一步驗證基準回歸結果的穩健性，本文采用多種方法進行穩健性檢驗，并采用工具變量法進行內生性討論。

（1）考慮到不同層面的固定效應控制可能會影響基準回歸結果的穩健性，因此采用不同的固定效應控制方式進行穩健性檢驗：①控制年份、行業固定效應；②控制年份、行業、城市固定效應進行回歸，回歸結果如表3列（1）、（2）所示。回歸結果顯示，大數據應用的估計系數均顯著為正。

（2）考慮到可能存在的反向因果關系，參考鐘輝勇和陸銘的處理方式，對制造業企業大數據應用指標進行滯后1期處理作為核心解釋變量進行回歸，結果如表3列（3）所示。回歸結果顯示，大數據應用的估計系數顯著為正。

（3）由于2020年初的新冠肺炎疫情對經濟產生了很大沖擊，因此本文以2020年為時間節點，選取2013～2019年時間段的樣本進行回歸，結果如表3列（4）所示。回歸結果顯示，大數據應用的估計系數在5%的顯著性水平上顯著為正。

（4）考慮到直轄市在經濟發展、地理區位以及資源等方面具有顯著優勢，更容易發揮大數據應用對企業勞動生產率提升的促進作用，可能會影響基準回歸結果，因此將直轄市樣本剔除后進行回歸，結果見表3列（5）。回歸結果顯示大數據能顯著促進制造業企業勞動生產率提升。

（5）為了進一步克服可能存在的內生性問題，采用工具變量法進行內生性討論。借鑒劉善堂和白曉明的做法，選取了制造業企業所在地到杭州的距離（Data_city）作為大數據應用的工具變量，采用兩階段最小二乘法（2SLS）進行回歸，結果如表3中列（6）所示，采用工具變量后，大數據應用依然能顯著促進制造業企業勞動生產率。

3.3作用機制分析

表4呈現了創新要素配置機制檢驗的回歸結果，列（1）、（2）為以研發人員配置為被解釋變量時的回歸結果，結果顯示大數據應用可以顯著優化制造業企業研發人員配置。列（3）、（4）為以研發資本配置為被解釋變量時的回歸結果，結果顯示大數據應用可以顯著優化制造業企業研發資本配置。結合機制分析可知，大數據應用可以通過優化企業創新要素配置，進而促進制造業企業勞動生產率提升。

3.4異質性分析

為了深入探討大數據應用對制造業企業勞動生產率影響效應的異質性特征，按照企業所有權性質、企業規模、行業要素密集度以及企業注冊地所在地區等角度展開異質性分析。

（1）按照企業所有權性質的不同，將樣本企業劃分為國有企業和非國有企業兩組，并分別進行回歸，結果如表5所示。根據回歸結果，國有企業和非國有企業大數據應用的估計系數均為正，但只有在非國有企業情形才是顯著的，說明非國有企業大數據應用顯著促進了企業勞動生產率提升。與國有企業相比，非國有企業擁有更加靈活的組織結構，更愿意采用新技術，且更新技術的成本也相對較低，因此，大數據應用對非國有企業勞動生產率具有顯著的推動作用。

（2）參考史丹和孫光林的做法，以企業資產規模均值為區分標準，將樣本企業劃分為大規模企業和小規模企業兩組，并分別進行回歸，結果如表6所示。根據回歸結果，大規模企業和小規模企業大數據應用的估計系數均為正，但只有在大規模企業情形才是顯著的，說明大規模企業大數據應用顯著促進了企業勞動生產率提升。相對于小規模企業，大規模企業具有規模經濟和范圍經濟優勢，具有更完善的組織結構和管理模式，能夠更有效地配置資源，有能力投入更多的資金、人力和技術力量來引進大數據技術對企業生產數據和設備狀態進行實時監測，使企業可以及時發現并解決生產過程中的問題，提高勞動生產率和產品質量。

（3）參考唐紅濤等的做法，按照行業要素密集程度的不同，將樣本劃分為勞動密集型、資本密集型和技術密集型企業，并分別進行回歸，結果如表7所示。根據回歸結果，勞動密集型企業大數據應用的估計系數顯著為負，而資本密集型和技術密集型企業大數據應用的估計系數均為正，但只有在資本密集型企業情形是顯著的，說明勞動密集型企業大數據應用對勞動生產率具有顯著的負向影響，而資本密集型企業大數據應用對勞動生產率具有顯著的正向影響。與勞動密集型和技術密集型企業相比，資本密集型企業擁有更雄厚的資金，能夠在大數據應用方面投入大量資源，提升大數據應用水平，而大數據應用使企業更精準地了解市場需求和供應情況，推動資源配置效率提升，避免資源浪費和產能過剩等問題，從而推動企業勞動生產率提升。隨著大數據技術的引入，勞動密集型企業可能會依賴于新工具，導致對低技能勞動力需求的減少，從而使得低技能員工無法適應新技術的工作環境，產生技能鴻溝，反而降低整體勞動生產率。

（4）基于企業注冊地所在地區為區分標準，將樣本企業分為東部地區、中部地區和西部地區企業3組，并分別進行回歸，結果如表8所示。根據回歸結果，東部地區企業大數據應用的估計系數顯著為正，而中部地區和西部地區企業大數據應用的估計系數均為正，但都不顯著，說明東部地區企業大數據應用都對勞動生產率提升發揮了顯著的促進作用。與中部地區和西部地區相比，東部地區擁有更為豐富的數據基礎設施和數據要素資源，企業大數據應用水平相對較高，更容易發揮大數據應用的勞動生產率增加效應。

4結論與政策建議

4.1結論

本文從理論和實證雙重視角探討了大數據應用對制造業企業勞動生產率的影響效應和作用機制。研究得到的主要結論如下：

（1）基準回歸結果表明，大數據應用能夠顯著促進制造業企業勞動生產率提升，經過更換固定效應設定、替換核心變量、更換樣本時間、剔除直轄市樣本等一系列穩健性檢驗以及內生性檢驗之后回歸結果依然穩健。這一結論說明大數據應用可以對勞動生產率發揮促進作用，破解“生產率悖論”，與金環和楊靜的研究結論基本一致。

（2）大數據應用能夠通過優化創新要素配置渠道促進制造業企業勞動生產率。機制分析結果表明，大數據應用能夠優化創新要素配置，進而對制造業企業勞動生產率發揮顯著的促進效應。以上機制分析結果采用逐步回歸法檢驗后依然穩健。現有文獻關于數字技術應用影響勞動生產率的研究少有從創新要素配置渠道進行機制分析，本文的結論顯示創新要素配置優化是破解“生產率悖論”的可行性路徑，拓展了大數據應用影響勞動生產率領域的機制研究，為后續政府相關部門制定政策破解“生產率悖論”提供相應的現實依據。

（3）大數據應用對制造業企業勞動生產率的影響存在所有權性質、企業規模、行業要素密集度和區域異質性。非國有企業、大規模企業、資本密集型企業和東部地區企業大數據應用對勞動生產率具有顯著的促進作用。該結論顯示大數據應用對不同類型制造業企業勞動生產率的影響存在差異，有助于更深入理解大數據應用對制造業企業勞動生產率的影響機理。

4.2政策建議

根據研究結論，為了充分發揮大數據應用對制造業企業勞動生產率的促進效應提出如下政策建議：

（1）加強數據基礎設施建設，深化大數據技術應用。本文的研究發現大數據應用能夠顯著促進制造業企業勞動生產率，因此，政府要制定相應的支持和引導政策推動數據基礎設施建設，在具體實踐中可以聚焦推動網絡基礎設施、算力基礎設施、數據流通基礎設施和數據與網絡安全設施建設，提升網絡速度和穩定性，推動數據中心和算力中心落地，建立健全數據流通機制，加強網絡安全和數據安全防護體系建設以及相關法律法規制定，為企業應用大數據技術提供必要的軟、硬件支撐和良好的安全環境。

（2）發揮好大數據應用的創新要素配置優化效應。政府可以制定政策鼓勵企業、高校和科研機構等共享數據，推動數據互聯互通，促進創新要素優化配置。還可以通過推動產學研合作，培養更多的大數據技術應用型人才，推動企業大數據應用進程，進一步發揮其對創新要素配置的優化效應。從推動創新要素優化配置方面來說，政府要完善創新要素市場體系，建立公平開放的要素市場，加強創新人才的培養和引進，推動科技創新平臺建設，為創新要素的流動和合理配置提供條件。

（3）多策并舉，增強大數據應用對勞動生產率促進效應。要發揮制造業企業大數據應用對勞動生產率的促進作用需要多種政策共同發力，不僅要從鼓勵大數據人才培育、完善數據交易市場．構建數據資源共享體系等方面制定政策推動大數據技術應用，還需要結合產業結構政策、要素市場化建設以及要素跨區域流動政策等共同發揮作用。本文的研究發現，國有企業、小規模企業、勞動密集型、技術密集型、中部地區和西部地區企業大數據應用對勞動生產率的促進效應有待加強，因此在制定相應的扶持政策時，需要對這些企業有所傾斜，通過加強地區數據中心落地、提供稅收優惠等政策推動企業大數據應用進程，以更好發揮大數據應用對勞動生產率的促進效應。