數智化轉型對制造企業全要素生產率的影響及機制研究

摘 要：數智化轉型是實現數字經濟與實體經濟深度融合，推動制造企業高質量可持續發展的必然選擇，也是加快新質生產力發展的重要抓手。以2015—2022年中國A股制造業上市公司為研究樣本，實證分析數智化轉型對制造企業全要素生產率的影響及機制。結果表明，數智化轉型能夠促進制造企業全要素生產率提升；機制檢驗發現，數智化轉型通過提高資源配置效率和創新能力促進制造企業全要素生產率提升；融資約束負向調節數智化轉型與制造企業全要素生產率的關系，環境競爭性則正向調節兩者關系；異質性分析結果表明，數智化轉型對企業全要素生產率的促進作用在大型企業、國有企業以及中部和東部地區企業中更顯著。進一步研究發現，數智化轉型情境下全要素生產率提高能夠促進制造企業新質生產力提升。結論可為制造企業數智化轉型提供經驗證據，并為推動制造企業高質量發展，加快新質生產力發展提供政策啟示。

關鍵詞：數智化轉型；制造企業；全要素生產率；新質生產力；資源配置效率

DOI：10.6049/kjjbydc.2024080117 開放科學（資源服務）標識碼（OSID） 開放科學（資源服務）標識碼（OSID）：

中圖分類號：F273 文獻標識碼：A

文章編號：1001-7348（2025）07-0091-12

0 引言

制造業是立國之本、強國之基。作為實體經濟的核心組成部分，制造企業高質量發展對推動中國經濟快速增長至關重要。中國制造業在規模和增加值上連續多年處于世界領先地位，但在技術創新和發展質量方面存在結構性短板。因此，中國制造業迫切需要加快轉型升級，在日益激烈的經濟環境中保持競爭力。新質生產力以數字化、智能化新技術為支撐，以綠色低碳產業、高新技術產業等為載體，其核心標志是全要素生產率大幅提升。全要素生產率提升既體現科技進步，又反映整體生產水平提高與經濟高質量發展。提升制造企業全要素生產率是加快形成新質生產力的必由之路，也是新時代下推動中國經濟高質量發展的必然選擇^[1]。

《“十四五”數字經濟發展規劃》提出，“以數據為關鍵要素，以數字技術與實體經濟深度融合為主線，協同推進數字產業化和產業數字化，賦能傳統產業轉型升級，培育新產業新業態新模式”。發揮數據要素賦能作用，持續釋放數據要素價值，激活數據要素潛能，可促進制造企業全要素生產率提升^[2]。隨著人工智能、大數據等技術深度融合發展，以數字化、智能化為代表的數智化轉型升級為制造企業科技進步和創新發展提供新的動力源泉，成為助推企業全要素生產率提升的核心引擎^[3]。因此，如何抓住數智化時代契機并賦能制造企業全面重塑和轉型升級，進而推動制造企業全要素生產率提升，成為學術界和實務界關注熱點。

數智化轉型通過引入物聯網、人工智能等技術重塑生產過程。數智化轉型不僅是技術的應用，更是提升制造企業全要素生產率的關鍵。首先，資源配置效率直接影響企業生產要素優化使用，高效資源配置能夠最大化產出并減少浪費，進而推動生產力提升^[4]。創新不僅可以提高企業競爭力，還能夠促進全要素生產率提升^[5]。數智化轉型通過技術創新和智能化管理優化資源配置方式，進而提升全要素生產率。其次，數智化轉型通過引入先進技術和創新管理模式促進企業在產品、流程及服務上的創新，進而降低成本并提高生產效率。再次，作為不可忽視的外部因素，融資約束和環境競爭性會強化數智化轉型對制造企業全要素生產率的提升作用。在數智化轉型過程中，融資約束可能限制投資和技術革新，特別是在資本密集型行業，融資難題往往導致企業難以實現技術更新和數智化轉型，從而影響生產效率和全要素生產率提升^[6]。最后，高競爭性環境會迫使企業加大創新投入力度、提高生產效率，以保持市場競爭力。在競爭激烈的環境下，企業積極推動數智化轉型，以獲得成本優勢和差異化競爭力。因此，競爭性較強的環境可能強化數智化轉型對全要素生產率的正向影響^[7]。

基于此，本文從數字化與智能化結合視角探究數智化轉型對企業全要素生產率的影響，厘清資源配置效率、創新能力在數智化轉型提升制造企業全要素生產率過程中的中介作用，并分析外部融資約束和環境競爭性對兩者關系的調節作用，為豐富相關理論研究和實踐開展提供參考。

1 文獻綜述

1.1 數智化轉型

數智化的定義最初見于2015年北京大學“知本財團”的研究報告，即數字智慧化和智慧數字化的融合^[8]。數智化轉型是企業或組織在數字化的基礎上，進一步結合人工智能等智能技術，實現更深層次業務優化、管理升級和創新發展的過程。現有數智化轉型研究主要關注數智化轉型內涵、數智化轉型的作用以及數智化轉型實踐應用。在內涵研究方面，Xu^[9]提出數智化轉型是將人工智能技術融入原有數字化生產中，進而實現人機一體的企業發展模式；在作用研究方面，數智化轉型能夠通過賦能企業創新帶動中國經濟轉型、產業升級以及企業高質量發展，并且制造業數智化升級能夠促進中小企業成長；在實踐應用方面，Yong^[10]利用案例研究探析制造企業數智化轉型影響因素與路徑，發現資源、需求和環境均能不同程度地影響制造企業數智化轉型。

1.2 全要素生產率

全要素生產率是指除資本和勞動投入外，不能被這些要素增長所解釋的剩余產出。作為衡量企業高質量發展的重要指標，全要素生產率提升對推動制造企業實現高質量發展至關重要^[11]。

已有文獻主要從內外部視角研究企業全要素生產率影響因素：從生產經營與創新的內部視角出發，沈坤榮等^[12]指出，提升制造企業生產經營效率和創新能力可顯著促進全要素生產率增長；Zhang^[13]指出，加強綠色創新和知識產權保護能夠有效提升企業全要素生產率。從環境規制與融資的外部視角出發，任勝鋼等^[14]研究發現，加強環境規制與提高經濟發展質量并不沖突。增加外部融資能夠確保企業投資的連續性，緩解融資約束可以有效提升企業全要素生產率。

1.3 數智化轉型與企業全要素生產率的關系

對于數智化轉型與制造企業全要素生產率的關系，現有研究主要關注數字化與智能化兩個層面。從數字化角度出發，大部分研究認為，傳統產業數字化轉型能夠提升全要素生產率^[15]。李金城等^[16]從市場化角度解析數字化與全要素生產率的關系，發現數字化能夠有效發揮市場在資源配置中的決定性作用，從而帶動企業全要素生產率提升。也有研究認為，數字化發展對中小企業全要素生產率的提升作用不顯著。從智能化角度出發，Huang等^[17]研究發現，工業智能化能夠提升制造企業全要素生產率，且在經濟發達和資源稟賦優越地區的賦能效果更顯著；李逸飛等^[18]認為，智能化能夠提升制造企業創新能力，有助于企業智能制造提質增效。總體來說，現有研究存在以下不足：一是大多從單一數字化或智能化視角探究其與制造企業全要素生產率的關系，未將數字化與智能化相結合探討其對全要素生產率的影響；二是大多從單一路徑分析數智化轉型對制造企業全要素生產率的作用機制，鮮有從創新與資源配置視角剖析數智化轉型對制造企業全要素生產率的作用路徑；三是集中探討數智化轉型對制造企業內部機制的影響，缺乏基于企業外部影響因素視角的調節效應分析。

本文可能的邊際貢獻如下：第一，將原有城市層面的數智化轉型指標拓展至微觀層面，在企業層面綜合考慮數智化轉型的生產率效應，以期豐富數智化轉型相關后果研究。第二，通過理論分析和實證研究，厘清資源配置效率、創新能力在數智化轉型與制造企業全要素生產率間的中介作用，以期拓展數智化賦能全要素生產率提升的理論框架。第三，剖析外部融資約束、環境競爭性對兩者關系的調節作用，為理解數智化轉型情景下企業全要素生產率提升提供新視角。

2 理論基礎與研究假設

2.1 數智化轉型對制造企業全要素生產率的影響

基于內生增長理論，技術創新與進步能夠實現勞動、資本等傳統生產要素規模報酬遞增，并推動經濟增長^[19]。數智技術通過提升數據獲取、處理和分析能力實現智能化決策支持和自動化生產等，進而推動企業技術進步。現階段，數智化是指應用數字技術和數據驅動實現智能化、自動化和優化決策的能力。數據要素作為新的生產要素，具有非排他性和強滲透性等特點，能夠通過與勞動力、資本和技術等生產要素滲透結合，提高傳統生產要素利用效率，進而推動中國制造企業從以勞動和資本為主的傳統制造模式轉向以智能制造為核心的高質量發展模式^[20]，其影響主要體現在以下方面：

（1）數智化轉型通過數字信息賦智提升制造企業全要素生產率。制造企業基于大數據、云計算獲得海量數據，利用人工智能和深度學習技術可有效克服企業決策者對信息處理的局限性，降低企業經營風險，提升企業經營決策質量。數智化轉型有助于制造企業通過信息收集、分析、處理和決策全流程的自動化與智能化，實時獲取和處理大規模數據，提升全要素生產率，進而實現高質量發展^[18]。

（2）數智化轉型通過降本賦智提升制造企業全要素生產率。企業借助數智化轉型能夠進一步實現業務流程優化和產業鏈延伸。一方面，制造企業通過監測收集生產、研發和銷售各環節數據并利用云端智能算法分析反饋，形成“收集—分析—反饋—調整”的AI+數據智能化應用模式^[5]。另一方面，制造企業可以通過數智化轉型獲取海量數據要素，實現數據智能化應用并優化生產流程，推動產業鏈形態轉變，突破生產制造的經濟可行性制約，提升運行效率，從而促進全要素生產率提升。綜上，本研究提出以下假設：

H₁：數智化轉型對制造企業全要素生產率具有正向影響。

2.2 數智化轉型提高制造企業全要素生產率的作用機制

數字技術、人工智能深入融合發展會對傳統制造業資源配置模式與企業創新模式產生沖擊，促使制造企業通過數智化轉型優化全流程資源要素配置，并賦能技術創新全過程。

2.2.1 資源配置機制

核心能力理論認為，作為企業發展戰略中的重要組成部分，核心能力是企業在長期發展中培育的獨有能力。數智化轉型有助于企業通過優化資源配置培育核心能力，提高全要素生產率，從而在市場競爭中掌握主導權。

（1）數智化轉型企業能夠借助大數據分析技術收集和分析海量數據，精準預測市場需求、優化庫存管理并制定生產計劃，降低生產過剩風險以及決策失誤的可能性^[21]，進而在相同資源投入下獲得更高產出。

（2）在全生產領域，數智化轉型企業借助智能技術對各要素賦能、賦智，進而優化生產結構，降低資源損耗^[22]。高效資源配置能夠減少企業資源閑置與浪費，優化生產流程，增加生產邊際產出，進而提升企業全要素生產率。

此外，數字化與人工智能融合能夠提升制造企業自動化生產水平，降低企業勞動力成本并提升企業資源配置效率^[23]。合理的資源配置能激發員工工作熱情和創造力，提升員工工作效率，從而提升企業全要素生產率。

2.2.2 創新能力機制

數智化驅動企業生產自動化，對全生產領域賦能、賦智。因此，數智化轉型可推動企業創新，從而提高全要素生產率。

（1）借助數智技術的賦能作用，企業創新模式從傳統封閉式創新轉向企業間開放式創新^[24]。借助新技術，企業往往能夠在相同資源投入下創造更高產出，提升全要素生產率。

（2）借助數字技術的云計算功能，數智化轉型有助于制造企業營造知識共享環境，強化創新團隊的組織學習能力，進一步提升技術創新能力，獲取市場競爭優勢，進而實現長期經濟增長和全要素生產率持續提升。創新能力提高往往伴隨著員工培訓與知識更新，由此員工專業技能和創新意識得以增強，工作效率得以提升，這有助于企業利用勞動力、資本和原材料提升生產效率。

此外，基于人工智能、大數據和機器學習深度融合，企業可以提升知識整合能力與應用能力，加快技術創新研發進程^[25]。通過技術創新、資源優化配置和人才培養，企業能夠在經濟轉型與市場競爭中取得更好表現，實現全要素生產率持續增長。綜上，本研究提出以下假設：

H_2a：數智化轉型通過提高制造企業資源配置效率提升企業全要素生產率；

H_2b：數智化轉型通過提高制造企業創新能力提升企業全要素生產率。

2.3 融資約束與環境競爭性的調節作用

本文以外部融資約束、環境競爭性作為調節變量，研究在不同融資約束、不同環境競爭性條件下，制造企業數智化轉型對全要素生產率的影響。

2.3.1 融資約束的調節作用

融資約束理論指出，企業融資行為受其財務狀況的約束。融資約束程度降低能夠強化數智化轉型對制造企業全要素生產率的提升效應。從企業視角出發，數智化轉型需要大量資金投入，涉及信息技術基礎設施更新、大數據平臺建設以及人工智能等先進技術引入^[26]。因此，良好的融資環境有助于企業獲取必要的資金，加強技術創新和基礎設施建設，加快技術升級與流程重組，實現資源優化配置，進而提升企業全要素生產率。相比其它行業企業，制造企業數智化轉型周期長、風險高、不確定性大。在數智化轉型過程中，企業融資約束程度較高，容易因資金不足而出現轉型停滯的情況^[27]。

2.3.2 環境競爭性的調節作用

基于資源依賴理論，企業會隨著外部環境改變而調整自身發展模式。在數智化時代，制造企業面臨較大的環境不確定性。一方面，新消費模式持續演化導致市場需求的不穩定性顯著提升，為制造企業帶來新的機遇與挑戰；另一方面，為適應外部環境變化，有的制造企業主動通過數智化轉型重塑自身發展模式，以期成為行業領軍者并獲得領先優勢^[28]。在較高環境競爭性條件下，企業具有較強意愿進行數智化轉型以提升要素生產率優勢，從而獲得更多市場份額和競爭優勢；在較低環境競爭性條件下，企業缺乏數智化轉型動力，傾向于維持發展現狀，較少將注意力放在企業創新以及全要素生產率提升上。因此，環境競爭性在制造企業數智化轉型與全要素生產率間發揮重要調節作用。綜上，本研究提出以下假設：

H_3a：融資約束在數智化轉型促進制造企業全要素生產率提升過程中發揮負向調節效應；

H_3b：環境競爭性在數智化轉型促進制造企業全要素生產率提升過程中發揮正向調節效應。

3 研究設計

3.1 樣本選擇與數據來源

本文采用2015—2022年中國A股制造業上市公司年度數據，并剔除ST、*ST、PT、核心變量缺失以及觀測年份不足5年的上市公司樣本。由此，獲得18 238個公司—年度樣本觀測值。本文上市公司數據來自國泰安（CSMAR）數據庫，相關上市公司年報數據來自巨潮官方網站，工具變量相關數據來自國家統計局。此外，本文對所有連續變量進行1%和99%的縮尾處理。

3.2 指標選取與變量說明

3.2.1 被解釋變量

企業全要素生產率（TFP）。本文使用Levinsohn-Petrin方法計算企業全要素生產率，該方法能夠很好地解決樣本損失導致的內生性問題，實現對投入要素的有效估計。

3.2.2 解釋變量

現有數智化發展研究較少，大部分學者關注數字化發展對經濟發展或企業生產的影響^[29]，鮮有將數字化、智能化作為一個相互支撐、相互融合的新經濟形態展開研究。因此，本文將企業數智化轉型分為數字技術和人工智能技術，前者是指利用數字數據和技術手段進行信息處理、存儲、傳輸的工具與方法，利用大數據、云計算和區塊鏈等數字技術賦能企業轉型升級；后者是指企業或組織在運營、管理、產品和服務等方面進行全面智能化升級，使用人工智能技術對生產運營流程賦能賦智。數字技術應用旨在提高效率、降低成本和優化業務流程，而智能化轉型旨在通過智能化手段增強競爭力并實現可持續發展。

數字技術賦能水平（DT）。借鑒吳非等（2021）的研究，從大數據技術、區塊鏈技術、云計算與數字技術運用4個維度構建特征詞詞庫，根據上市公司年報文本對數字技術賦能水平特征詞進行詞頻統計，將加總后的特征詞頻次加1并取自然對數，最終得到數字技術賦能水平（DT）。大數據技術層面的特征詞包括大數據、數據挖掘、文本挖掘等；區塊鏈技術層面的特征詞包括區塊鏈、數字貨幣等；云計算方面的特征詞包括云計算、流計算、圖計算等；數字技術運用層面的特征詞包括移動互聯網、工業互聯網、移動互聯、互聯網醫療、電子商務、移動支付、第三方支付、NFC支付等。

人工智能技術賦能賦智水平（AI）。本文將人工智能維度單獨作為解釋變量的原因在于，數字技術側重數據存儲和處理，雖然人工智能以數字技術為基礎，但它代表更為復雜的數據處理能力。人工智能具有自主性和自適應能力，能夠通過學習、推理和決策模擬智能行為，表現出較傳統數字技術更復雜的智能化特征。本文借鑒溫素彬等^[30]的研究，參考政府等權威機構對智能制造的定義構建人工智能技術賦能賦智水平特征詞詞庫，并基于上市公司年報文本對人工智能技術賦能賦智水平特征詞進行詞頻統計，最終得到人工智能技術賦能賦智水平（AI）。其中，特征詞包括智能制造、智能機器、智能生產、機器人、全自動、全機器等。

3.2.3 中介變量

資源配置效率（ATO）。本文借鑒沈坤榮等^[12]的研究，將總資產周轉率作為公司資源配置效率度量指標，原因如下：該指標能夠綜合反映企業整體資產營運能力，總資產周轉率越高，企業資源配置效率越高。總資產周轉率能夠反映出公司管理層在資源配置方面的決策質量。

創新能力（PT）。本文借鑒趙宸宇等^[31]的研究方法，將對數化處理的發明專利授權數量作為企業創新能力度量指標，原因如下：發明授權專利具有較高的利用價值，并能為企業帶來一定的經濟利益，體現出企業較強的創新能力。

3.2.4 調節變量

企業融資約束（FC）。本文參考顧雷雷等^[32]的研究，將FC指數作為企業融資約束度量指標。FC指數能夠綜合分析企業信用狀況、財務透明度、盈利能力、現金流狀況和資產結構等多維度因素，全面反映企業融資難易程度。

環境競爭性（PCM）。借鑒Peress^[33]的研究，本文使用勒納指數衡量環境競爭性。勒納指數通過度量價格與邊際成本的偏離程度反映市場中的壟斷力量。勒納指數越大，代表公司定價能力越強，企業所面臨的環境競爭性越低。

3.2.5 控制變量

參考現有研究，本文選取以下企業特征變量作為控制變量：公司規模（Size）、第一大股東持股比例（Top1）、財務杠桿率（Lev）、公司年限（Age）和總資產收益率（Roa）。具體變量說明如表1所示。

3.3 模型設定

為探究數智化轉型對制造企業全要素生產率的影響，本文構建實證檢驗模型如式（1）。

TFP_LPi，t=α₀+α₁X_i，t+α₂Controls_i，t+Ind+Year+ε_i，t（1）

式（1）中，i、t分別為企業和年份，TFP_LP為企業i第t年全要素生產率，全要素生產率是基于LP方法計算所得，X為解釋變量，包括數字技術賦能水平（DT）與人工智能技術賦能賦智水平（AI），Controls是一系列控制變量。Ind、Year分別代表行業固定效應和年份固定效應，ε代表隨機擾動項。

為探究中介變量資源配置效率和創新能力的作用，本文構建如下模型：

Mediator_i，t=β₀+β₁X_i，t+β₂Controls_i，t+Ind+Year+ε_i，t（2）

TFP_LP_i，t=γ₀+γ₁X_i，t+γ₂Mediator_i，t+γ₃Controls_i，t+Ind+Year+ε_i，t（3）

在上述模型中，Mediator為中介變量，包括資源配置效率（ATO）與創新能力（PT）。

為考察融資約束、環境競爭性的調節作用，本文構建如下模型：

TFP_LP_i，t=ω₀+ω₁X_i，t+ω₂X_i，t·Moderator_i，t+ω₃Moderator_i，t+ω₄Controls_i，t+Ind+Year+ε_i，t（4）

在上述模型中，Moderator為調節變量，包括融資約束（FC）與環境競爭性（PCM）。本文對解釋變量與調節變量的交乘項（X·Moderator）作中心化處理。

4 實證分析

4.1 描述性統計分析

本文描述性統計結果如表2所示。制造企業全要素生產率（TFP_LP）的最小值為5.516，最大值為13.144，標準差為1.025，表明不同樣本企業全要素生產率水平存在顯著差異，與已有研究結論類似。制造企業數字技術賦能水平（DT）與人工智能技術賦能賦智水平（AI）的均值分別為1.575、1.762，兩者最小值均為0，最大值分別為6.254、6.306，說明不同制造企業數智化轉型程度存在顯著差異。

4.2 基準回歸結果

表3展示了數智化轉型對企業全要素生產率的影響。列（1）（3）顯示，數字技術賦能水平（DT）、人工智能技術賦能賦智水平（AI）與企業全要素生產率（TFP_LP）的回歸系數均在1%水平上顯著。列（2）（4）加入控制變量進行回歸，結果顯示，數字技術賦能水平（DT）、人工智能技術賦能賦智水平（AI）和企業全要素生產率（TFP_LP）的回歸系數仍在1%水平上顯著。上述結果有力地支持了假設H₁，即制造企業數智化轉型顯著提升企業全要素生產率。

4.3 穩健性檢驗

表4列（1）（2）報告了使用全要素生產率（TFP_OP）替換被解釋變量后的結果；列（3）（4）報告了剔除數字技術賦能水平（DT）為0的企業樣本、人工智能技術賦能賦智水平（AI）為0的企業樣本后的檢驗結果；列（5）（6）是剔除2015年后上市公司的估計結果；列（7）（8）報告了加入省份固定效應后的穩健性檢驗結果；列（9）（10）報告了未縮尾的穩健性檢驗結果。上述穩健性檢驗結果表明，數字技術賦能水平（DT）、人工智能技術賦能賦智水平（AI）的回歸系數均顯著為正，與主檢驗結果一致。

4.4 變量滯后處理

考慮到數字技術賦能水平（DT）、人工智能技術賦能賦智水平（AI）對企業全要素生產率的影響可能存在時滯效應，本文對核心解釋變量作滯后一期和滯后兩期處理。表5列（1）（2）分別是將數字技術賦能水平（DT）進行滯后一期和滯后兩期的回歸結果，結果顯示，L.DT、L2.DT的系數均顯著為正，與主檢驗結果一致。列（3）（4）分別是將人工智能技術賦能賦智水平（AI）滯后一期和滯后兩期的回歸結果，結果顯示，L.AI、L2.AI的系數均顯著為正，與主檢驗結果一致。

4.5 工具變量法

為了有效降低內生性問題對研究結果的潛在干擾，提升整體研究的可信度，本文引入工具變量。借鑒黃群慧（2019）的研究，本文選擇1984年每百萬人郵局數量作為工具變量，原因如下：我國最早統計郵電業務量和電話機數的時間為1984年，從工具變量相關性角度看，信息技術發展依賴于互聯網技術，而早期互聯網電話線接入依賴于郵局執行。因此，郵局布局會通過影響數字信息技術發展水平進而影響企業數智化轉型，選取郵局數量作為企業數字化轉型的工具變量滿足相關性要求。而相對于數字技術的發展變革，歷史上的郵局數量并不會對當前制造企業全要素生產率產生影響，因而滿足工具變量的外生性假設^[34]。工具變量不隨年份變化，因而本文將滯后一期全國互聯網上網人數與各地級市1984年每百萬人郵局數量的交互項作為工具變量進行內生性檢驗。表5列（5）（6）為工具變量回歸結果，結果顯示，Anderson canon. corr. LM統計量均在1%水平上顯著，拒絕了工具變量識別不足的原假設。進一步地，Cragg-Donald Wald F統計量均顯著超過Stock-Yogo的臨界值，拒絕了弱工具變量的假設。同時，Sargan檢驗的P值大于0.05，說明工具變量滿足外生性假設。上述回歸結果說明本文結果可靠，即制造企業數智化轉型顯著提升企業全要素生產率。

4.6 異質性分析

4.6.1 企業規模

本文將年營收大于4億元的企業劃分為大型企業，將其余企業劃分為中小型企業。表6報告了企業規模異質性檢驗回歸結果，結果顯示，數字技術賦能水平（DT）與人工智能技術賦能賦智水平（AI）對大型企業全要素生產率影響的估計系數分別為0.082、0.078，對中小型企業全要素生產率影響的估計系數分別為0.041和0.038，均在1%水平上顯著。由此說明，數智化轉型能夠顯著提升大型制造企業和中小型制造企業全要素生產率，且上述促進作用在大型企業中更為顯著。這可能因為大型企業往往具備更雄厚的資本、更先進的技術和更符合數智化轉型需求的人力資源，能夠更為高效地通過數智化轉型提升資源配置效率和創新能力，因而其全要素生產率的提升效果更為顯著。本文參考連玉君等^[35]的研究，采用似不相關回歸分析方法檢驗核心解釋變量的估計系數在不同分組間的潛在差異。SUEST檢驗結果表明，數字技術賦能水平（DT）與人工智能技術賦能賦智水平（AI）的組間回歸系數均存在顯著差異。

4.6.2 產權性質

根據不同產權性質，本文將樣本劃分為國有企業與非國有企業。表7報告了產權性質異質性檢驗回歸結果，結果顯示，數字技術賦能水平（DT）與人工智能技術賦能賦智水平（AI）對國有企業全要素生產率影響的估計系數分別為0.075、0.067，對非國有企業全要素生產率影響的估計系數分別為0.060、0.056，均在1%水平上顯著。由此說明，數智化轉型對國有制造企業與非國有制造企業全要素生產率均具有顯著促進作用，且上述作用在國有企業中更顯著。這可能是因為在融資與政策待遇方面，相較于非國有企業，國有企業更具優勢，后者能夠通過數智化轉型高效提升其全要素生產率。SUEST檢驗結果表明，數字技術賦能水平（DT）與人工智能技術賦能賦智水平（AI）的組間回歸系數均存在顯著差異。

4.6.3 區域差異

借鑒王宏鳴等^[36]的研究，本文將研究樣本劃分為東部、中部、西部地區企業。表8報告了區域異質性檢驗回歸結果，結果顯示，數字技術賦能水平（DT）與人工智能技術賦能賦智水平（AI）對東部企業全要素生產率影響的估計系數分別為0.064、0.059，對中部企業全要素生產率影響的估計系數分別為0.098、0.091，對西部企業全要素生產率影響的估計系數分別為0.033、0.028，均在1%水平上顯著。由此可見，無論是東部地區企業、中部地區企業還是西部地區企業，數智化轉型均能顯著提高企業全要素生產率，且對中、東部地區企業全要素生產率的提升效果更好。原因如下：東部、中部地區數字基礎設施完備，具有優越的資源稟賦，而西部地區數字基礎建設相對滯后、經濟欠發達，數智化轉型的促進作用相對弱一些。SUEST檢驗結果表明，數字技術賦能水平（DT）與人工智能技術賦能賦智水平（AI）的組間回歸系數均存在顯著差異。

4.7 中介機制檢驗

4.7.1 資源配置效率

表9列（1）（3）顯示，數字技術賦能水平（DT）與人工智能技術賦能賦智水平（AI）對資源配置效率（ATO）影響的估計系數分別為0.022、0.020，均在1%水平上顯著，表明數智化轉型可提升制造企業資源配置效率。列（2）（4）反映了在加入資源配置效率這一中介變量后，數智化轉型能夠通過提高資源配置效率提升企業全要素生產率。進一步地，采用乘積系數法進行中介效應檢驗，Sobel檢驗的P值為0.000，資源配置效率的中介效應占總效用的比值均為42.6%，說明中介效應存在。數智技術有助于企業優化資源配置，通過精準分析與預測高效配置資本、勞動力和材料等生產要素，減少浪費、提升產出。高效資源配置有助于企業優化生產流程、降低成本，提高整體生產率，從而提升全要素生產率。上述結果支持假設H_2a。

4.7.2 創新能力

表10列（1）（3）顯示，數字技術賦能水平（DT）與人工智能技術賦能賦智水平（AI）對制造企業創新能力（PT）影響的估計系數分別為0.119、0.128，在1%水平上顯著，表明數智化轉型可以提升制造企業創新能力。表10列（2）（4）顯示，數智化轉型通過增強制造企業創新能力提升其全要素生產率。進一步地，采用乘積系數法進行中介效應檢驗，Sobel檢驗的P值分別為0.001，創新能力的中介效應占總效用的比值為1.7%和1.9%，說明中介效應存在。數智化轉型通過引入新技術和優化管理流程提升企業創新能力。企業創新能力提升能夠推動技術進步、管理優化和業務模式創新，提高企業生產效率，進而提升其全要素生產率。上述結果支持假設H_2b。

4.8 調節效應檢驗

4.8.1 企業融資約束

表11列（1）（2）顯示，數字技術賦能水平（DT）、人工智能技術賦能賦智水平（AI）與融資約束（FC）的交互項系數均在1%水平上顯著為負，而融資約束（FC）的回歸系數在1%水平上顯著為正，表明企業融資約束抑制數智化轉型對全要素生產率的提升作用。企業數智化轉型需要大量資金支持，而融資約束會限制企業資金獲取。當融資約束較弱時，企業能夠順利開展數智化轉型，提升企業全要素生產率；當融資約束較強時，企業數智化轉型受限，抑制其全要素生產率提升。上述結果支持假設H_3a。

4.8.2 環境競爭性

表11列（3）（4）顯示，數字技術賦能水平（DT）、人工智能技術賦能賦智水平（AI）與環境競爭性（PCM）的交互項系數均在1%水平上顯著為負，表明環境競爭性在數智化轉型與制造企業全要素生產率間發揮正向調節作用。較高的環境競爭性促使制造企業更加注重效率和創新，以維持競爭優勢。在激烈的市場競爭中，企業傾向于加速數智化轉型，應用人工智能等技術優化生產流程、提升資源利用效率。上述結果支持假設H_3b。

5 進一步分析

數字經濟與實體經濟融合發展背景下，加快轉型升級并發展新質生產力成為制造業實現高質量發展的必然路徑^[37]。新質生產力以全要素生產率大幅提升為核心標志，在企業層面，全要素生產率能夠反映科技成果應用程度，提高全要素生產率契合新質生產力發展的“高科技”特征。鑒于此，本文構建模型（5）分析數智化轉型情景下提升全要素生產率能否提高制造企業新質生產力。

Npro_i，t=ω₀+ω₁X_i，t+ω₂X_i，t·TFP_LP_i，t+ω₃TFP_LP_i，t+ω₄Controls_i，t+Ind+Year+ε_i，t（5）

在上述模型中， Npro代表被解釋變量新質生產力，TFP_LP為企業全要素生產率，X為解釋變量，包括數字技術賦能水平（DT）與人工智能技術賦能賦智水平（AI），TFP_LP_i，t代表調節變量，即數字技術賦能水平（DT）、人工智能技術賦能賦智水平（AI）和企業全要素生產率的交互項，若交互項系數ω₂為正，則代表數智化轉型對新質生產力的正向影響隨著全要素生產率提升而增強。本文借鑒宋佳等^[38]的研究，基于生產力二要素理論，采用熵值法構建制造企業新質生產力指標體系。

表12報告了數智化轉型情境下企業全要素生產率提升對制造企業新質生產力的影響，結果顯示，數字技術賦能水平（DT）、人工智能技術賦能賦智水平（AI）與企業全要素生產率（TFP_LP）交互項的估計系數分別為0.112、0.099，均在1%水平上顯著。由此表明，數智化轉型對新質生產力發展的積極影響會隨著全要素生產率提高而增強。換言之，數智化轉型情境下，全要素生產率提升能夠促進制造企業新質生產力提升。

6 結語

6.1 研究結論

數智化轉型不僅是企業技術升級過程，更是制造企業提升全要素生產率與實現可持續發展的重要路徑。本文利用2015—2022年中國A股制造業上市公司數據，實證檢驗了數智化轉型對制造企業全要素生產率的影響，得出以下主要結論：

（1）數智化轉型對制造企業全要素生產率具有正向影響，上述影響在大型企業、國有企業、中部和東部地區企業中更為顯著。

（2）數智化轉型有助于制造企業提升資源配置效率和創新能力，進而提升其全要素生產率。

（3）在數智化轉型促進制造企業全要素生產率提升過程中，融資約束發揮負向調節效應，而環境競爭性則發揮正向調節效應。

（4）數智化轉型情境下全要素生產率提升能夠促進制造企業新質生產力提升。

6.2 實踐啟示

（1）企業層面。制造企業應充分發揮數據要素的賦能作用，積極利用數字技術和智能技術推動自身轉型升級，充分發揮資源配置能力與創新能力對全要素生產率的提升作用。在發展過程中，企業需要高度重視數智化轉型對資源配置效率和創新能力的促進作用。

（2）政府層面。政府應制定企業數智化轉型相關政策，通過稅收優惠、財政補貼、融資支持降低企業數智化轉型成本與風險。借鑒國外數據開放經驗，加快數據資源和公共服務平臺與制造企業對接，促進數據共享和開放創新。針對中小企業需求和特點，政府可以提供定制化的數智化解決方案，幫助企業更好地利用數智技術提升供應鏈響應度，以應對市場快速變化和滿足客戶需求。

（3）融資環境層面。企業應充分發揮融資約束與環境競爭性的調節作用，探索多種融資方式，如股權融資、債務融資等，以降低融資約束對數智化轉型的影響。多元化融資結構能夠為企業提供更靈活的資金來源，支持企業技術研發和設備更新，助力企業數智化轉型升級。同時，企業管理層需要充分認識到外部環境的不確定性，保持對外部環境的敏感性和洞察力，最大程度地降低環境不確定性帶來的影響，確保企業穩定發展。

6.3 不足與展望

本文存在以下不足：第一，本研究主要從資源配置效率和創新能力兩個方面探討作用機制，未對資源配置效率和創新能力來源作進一步細分，未來可作細分或從其他視角進一步深入探討數智化轉型對制造企業全要素生產率的作用機制。第二，本研究使用Python軟件收集2015—2022年中國A股制造業上市公司年報并建立文本數據，以衡量企業數字技術賦能水平和人工智能技術賦能賦智水平，對數智化相關特征詞詞庫的選取可能存在偏差。未來可以擴充數據來源，更全面深入地評估制造企業數智化轉型水平。第三，受限于數據可得性，結論普適性有限。未來可以基于非上市企業角度，探究數智化轉型對非上市企業全要素生產率的影響效應。

參考文獻：

[1] 歐陽日輝.數字經濟的理論演進、內涵特征和發展規律[J].廣東社會科學，2023，40（1）：25-35.

[2] 劉偉.科學認識與切實發展新質生產力[J].經濟研究，2024，59（3）：4-11.

[3] 張志學，華中生，謝小云.數智時代人機協同的研究現狀與未來方向[J].管理工程學報，2024，38（1）：1-13.

[4] 陳曉東，楊曉霞.數字經濟發展對產業結構升級的影響——基于灰關聯熵與耗散結構理論的研究[J].改革，2021，34（3）：26-39.

[5] 郭凱明.人工智能發展、產業結構轉型升級與勞動收入份額變動[J].管理世界，2019，35（7）：60-77.

[6] 李歡，李丹，王丹.客戶效應與上市公司債務融資能力——來自我國供應鏈客戶關系的證據[J].金融研究，2018，61（6）：138-154.

[7] 簡澤，張濤，伏玉林.進口自由化、競爭與本土企業的全要素生產率——基于中國加入WTO的一個自然實驗[J].經濟研究，2014，49（8）：120-132.

[8] 張傳洋，郭宇，龐宇飛，等.數智化醫療信息利用與服務模式框架構建[J].圖書情報工作，2023，67（13）：49-58.

[9] XU J. The connotation characteristics，realistic challenges and implementation path of digital intelligent transformation in manufacturing industry[J]. Industrial Engineering and Innovation Management，2024，7（1）： 166-175.

[10] YONG S. A case study of intelligent manufacturing transformation framework for manufacturing enterprises[J]. Financial Engineering and Risk Management，2023，6（1）： 15-19.

[11] 胡德龍，石滿珍.數字經濟對企業全要素生產率的影響研究[J].當代財經，2023，44（12）：17-29.

[12] 沈坤榮，喬剛，林劍威.智能制造政策與中國企業高質量發展[J].數量經濟技術經濟研究，2024，41（2）：5-25.

[13] ZHANG G，SHI Y，HUANG N. Government subsidies，green innovation，and firm total factor productivity of listed artificial intelligence firms in China[J]. Sustainability，2024，16（8）： 2740-2760.

[14] 任勝鋼，鄭晶晶，劉東華，等.排污權交易機制是否提高了企業全要素生產率——來自中國上市公司的證據[J].中國工業經濟，2019，37（5）：5-23.

[15] CHENG Y，ZHOU X，LI Y. The effect of digital transformation on real economy enterprises' total factor productivity[J]. International Review of Economics amp; Finance，2023，85（3）：488-501.

[16] 李金城，王林輝.工業智能化會引發新索洛悖論嗎——來自城市層面的經驗證據[J].東南大學學報（哲學社會科學版），2023，25（6）：66-76.

[17] HUANG R，SHEN Z，YAO X. How does industrial intelligence affect total-factor energy productivity？ evidence from China's manufacturing industry[J]. Computers amp; Industrial Engineering，2024，188（2）： 821-830.

[18] 李逸飛，蘇蓋美，牛芮，等.智能化與制造企業創新[J].經濟與管理研究，2023，44（8）：3-16.

[19] PACK H. Endogenous growth theory： intellectual appeal and empirical shortcomings[J]. Journal of Economic Perspectives，1994，8（1）： 55-72.

[20] 戴雙興.數據要素：主要特征、推動效應及發展路徑[J].馬克思主義與現實，2020，31（6）：171-177.

[21] 杜傳忠，疏爽.人工智能與經濟高質量發展：機制、成效與政策取向[J].社會科學戰線，2023，46（12）：78-87.

[22] ISAKSSON A. Determinants of total factor productivity： a literature review[R].Vienna：United Nations Industrial Development Organisation， 2007.

[23] 沈坤榮，閆佳敏.數字技術與企業全要素生產率：影響效應與作用機制[J].財經論叢，2024，40（12）：3-15.

[24] 張任之.數字技術與供應鏈效率：理論機制與經驗證據[J].經濟與管理研究，2022，43（5）：60-76.

[25] 胡潔，韓一鳴，鐘詠.企業數字化轉型如何影響企業ESG表現——來自中國上市公司的證據[J].產業經濟評論，2023，11（1）：105-123.

[26] 李鳳羽，楊墨竹.經濟政策不確定性會抑制企業投資嗎——基于中國經濟政策不確定指數的實證研究[J].金融研究，2015，58（4）：115-129.

[27] 肖曙光，彭文浩，黃曉鳳.當前制造企業的融資約束是過度抑或不足——基于高質量發展要求的審視與評判[J].南開管理評論，2020，23（2）：85-97.

[28] 王超，余典范，龍睿.經濟政策不確定性與企業數字化——墊腳石還是絆腳石[J].經濟管理，2023，45（6）：79-100.

[29] 趙樹寬，范雪媛，王瀧，等.企業數字化轉型與全要素生產率——基于創新績效的中介效應[J].科技管理研究，2022，42（17）：130-141.

[30] 溫素彬，張金泉，焦然.智能制造、市場化程度與企業運營效率——基于A股制造業上市公司年報的文本分析[J].會計研究，2022，43（11）：102-117.

[31] 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，2021，42（7）：114-129.

[32] 顧雷雷，郭建鸞，王鴻宇.企業社會責任、融資約束與企業金融化[J].金融研究，2020，63（2）：109-127.

[33] PERESS J. Product market competition，insider trading，and stock market efficiency[J]. The Journal of Finance，2010，65（1）：1-43.

[34] 趙文，張芳汀.數字經濟的城鄉收入分配效應研究[J].山東財經大學學報，2024，36（5）：88-103.

[35] 連玉君，廖俊平.如何檢驗分組回歸后的組間系數差異[J].鄭州航空工業管理學院學報，2017，35（6）：97-109.

[36] 王宏鳴，孫鵬博，郭慧芳.數字金融如何賦能企業數字化轉型——來自中國上市公司的經驗證據[J].財經論叢，2022，38（10）：3-13.

[37] 宋冬林，丁文龍.以新質生產力為抓手實現東北振興新突破[J].學術交流，2023，39（12）：105-122.

[38] 宋佳，張金昌，潘藝.ESG發展對企業新質生產力影響的研究——來自中國A股上市企業的經驗證據[J].當代經濟管理，2024，46（6）：1-11.

（責任編輯：張 悅）

The Impact and Mechanism of Digital and Intellectual Transformation on Total Factor Productivity of Manufacturing Enterprises： The Empirical Evidence of Chinese Manufacturing Listed Enterprises

Song Donglin^1，2，Zeng Zhaoyi²

（1.Center for China Public Sector Economy Research，Jilin University; 2.Economics School，Jilin University，Changchun 130012，China）

Abstract：The digital-intelligent transformation of manufacturing enterprises is an inevitable choice to realize the deep integration of the digital economy and the real economy，and to promote the high-quality and sustainable development of enterprises. It is also an important starting point to accelerate the development of new quality productive forces. With the deep integration and development of artificial intelligence，big data and other technologies，the digital and intellectual transformation and upgrading represented by digitalization and intelligence provides a new power source for the scientific and technological progress and innovative development of manufacturing enterprises，which has become the core engine to boost the total factor productivity of enterprises. Therefore，how to seize the opportunity of the era of digital intelligence，how to enable manufacturing enterprises to comprehensively reshape，transform and upgrade，and how to promote the improvement of total factor productivity of manufacturing enterprises have become a hot topic in academic and practical circles.

This paper takes China's A-share listed manufacturing companies from 2015 to 2022 as the research sample，and uses a two-way fixed effect model to empirically analyze the impact and mechanism of digital-intelligent transformation on the total factor productivity of manufacturing enterprises. From the perspective of combining digitalization and intellectual，this paper explores the role of digital-intelligent transformation in improving the total factor productivity of enterprises. At the same time，it clarifies the intermediary role of the transformation of resource allocation efficiency，the innovation capability into log-intelligence，and the improvement of total factor productivity of manufacturing enterprises. At last，it analyzes the moderating effect of external financing constraints and environmental competitiveness on the two，which provides a new perspective for understanding the improvement of total factor productivity under the digital-intelligent transformation.

The results show that digital-intelligent transformation has a significant impact on the improvement of total factor productivity of manufacturing enterprises. The mechanism test finds that digital-intelligent transformation helps to promote the total factor productivity of manufacturing enterprises by improving the efficiency of resource allocation and innovation ability. Financial constraints negatively regulate the relationship between the digital-intelligent transformation and the total factor productivity of manufacturing enterprises，while environmental competitiveness positively moderates the relationship between them. The results of heterogeneity analysis show that the improvement of TFP by digital-intelligent transformation is more significant in large enterprises，state-owned enterprises and enterprises in the central region. Further research finds that digital-intelligent transformation can significantly promote manufacturing enterprises to accelerate the development of new quality productivity by improving total factor productivity.

This paper provides empirical evidence and policy implications for the digital-intelligent transformation of manufacturing enterprises to boost the high-quality development of manufacturing enterprises and accelerate the development of new quality productive forces. The government should issue relevant policies and regulations to promote enterprises' digital-intelligent transformation，and reduce their transformation costs and risks by means of tax incentives，financial subsidies and financing support. According to the needs and characteristics of small and medium-sized enterprises，the customized digital-intelligence solutions should be provided for them，so that they can make better use of digital and intellectual technology to improve the responsiveness of supply chain and to cope with the rapid changes of the market and the fluctuation of customer demand. Manufacturing enterprises should give full play to the enabling role of data elements，actively use the digital and intellectual technologies to promote the transformation and the remodeling of manufacturing enterprises，and effectively play the positive role of resource allocation and innovation ability in improving total factor productivity. While it is essential to fully leverage the regulatory role of financing constraints and environmental competition，explore various financing methods such as equity financing，debt financing，government subsidies，and venture capital to reduce the impact of financing constraints on the intelligent transformation. The management should fully recognize the uncertainty of the external macro environment，and maintain the sensitivity and strategic insight to the external environment，so as to minimize the impact of the uncertainty of the external environment and ensure the stable development of the enterprises.

Key Words：Digital-intelligent Transformation; Manufacturing Enterprises;Total Factor Productivity; New Quality Productive Forces; Allocation Efficiency