The Impact of Intelligent Manufacturing Policies on the New Quality Productive Forces in Enterprises
-
摘要: 发挥智能制造支撑引领作用，加快形成新质生产力是推动高质量发展的内在要求和重要着力点。基于2011—2022年中国制造业A股上市公司数据，采用双重差分法探究中国智能制造试点示范项目对企业新质生产力的影响。研究发现，智能制造政策实施显著提升了企业新质生产力，采用机器学习方法等一系列稳健性检验后结论依旧成立。机制分析表明，智能制造政策主要通过促进企业基础研究、智能生产转型和劳动力结构优化催生新质生产力。异质性分析表明，智能制造政策对企业新质生产力的提升作用对高新技术企业、技术密集型和劳动密集型行业以及知识保护水平较高地区的企业更为有效。进一步分析发现，智能制造政策能够对下游企业新质生产力产生正向溢出效应。研究结论为国家工业智能化政策推广和企业新质生产力跃升提供了有益的理论支撑和实践启示。Abstract: Leveraging the supportive and leading role of intelligent manufacturing to accelerate the formation of new quality productive forces is an inherent requirement and a crucial focal point for promoting high-quality development. Using the panel data from A-share listed manufacturing companies from 2011 to 2022, this study employs the difference-in-differences (DID) method to examine the impact of China's intelligent manufacturing pilot demonstration projects on new quality productive forces of the enterprises. The findings indicate that the implementation of intelligent manufacturing policies significantly enhances enterprise new quality productive forces, and the conclusion remains robust after a series of tests, including machine learning-based checks. Mechanism analysis reveals that intelligent manufacturing policies primarily foster new quality productive forces by promoting enterprise basic research, facilitating intelligent production transformation, and optimizing the labor structure. Heterogeneity analysis shows that the effect of the policy on improving new quality productive forces of the enterprises is particularly significant in high-tech enterprises, technology-intensive and labor-intensive industries, and regions with higher levels of intellectual property protection. Further analysis reveals that intelligent manufacturing policies also generate positive spillover effects on new quality productive forces of the downstream enterprises. The study provides valuable theoretical support and practical insights for the promotion of national industrial intelligence policies and the leap forward in new quality productive forces of the enterprises.
-
表 1 企业新质生产力的测算指标体系
维度 构成要素 分项指标 方向 实体性要素 新质劳动者 研发人员占比 + 研发薪酬占比 + 新质劳动资料 数字技术投资 + 新质劳动对象 污染排放强度 - 渗透性要素 新技术研发 研发折旧摊销占比 + 研发租赁费占比 + 研发直接投入占比 + 创新产出 发明专利申请数量 + 实用新型申请数量 + 生产组织 生产数字化 + 组织数字化 + 生产组织绿色化 + 数实产业融合水平 + 数据要素 企业数据要素水平 + 
下载: 导出CSV
表 2 主要变量定义
变量类型 变量名称 变量符号 变量说明 被解释变量 新质生产力 NQPF 客观赋权熵值法测算 N_ML Word2Vec神经网络模型构建 N_TFP TFP在行业内的相对变化 NPRO 参考宋佳等的测算指标[11]构造 核心解释变量 智能制造 IM 企业当年及以后是否入选智能制造示范项目 控制变量 企业规模 Size Ln(企业资产总计) 资产负债率 Lev 企业负债总计/企业资产总计 总资产收益率 Roa 企业净利润/企业资产总计 现金流量 Cash 现金流净额/企业资产总计 上市年龄 Age Ln(当年年份－企业上市年份+1) 账面市值比 Mb 股东权益/企业市值A 股权集中度 Top1 第一大股东持股比例 两职合一 Dual 董事长和总经理是否为同一人
下载: 导出CSV
表 3 主要变量描述性统计
变量 观测值 均值 标准差 最小值 最大值 NQPF 15 511 0.339 0.329 0.010 1.558 N_ML 15 491 0.831 1.192 0.000 6.817 N_TFP 14 905 0.912 0.138 0.251 1.734 NPRO 14 844 4.921 2.349 0.088 43.169 IM 15 511 0.033 0.179 0.000 1.000 Size 15 511 21.934 1.138 19.551 25.281 Lev 15 511 0.414 0.251 0.000 0.886 Roa 15 511 0.033 0.075 -0.321 0.212 Cash 15 511 0.195 0.138 0.014 0.664 Age 15 511 2.132 0.760 0.693 3.332 Mb 15 511 0.578 0.241 0.098 1.133 Top1 15 511 0.330 0.140 0.088 0.715 Dual 15 511 0.301 0.459 0.000 1.000
下载: 导出CSV
表 4 基准回归结果
变量 NQPF NQPF N_ML N_ML N_TFP N_TFP NPRO NPRO (1) (2) (3) (4) (5) (6) (7) (8) IM 0.099*** 0.093*** 0.391*** 0.340*** 0.017** 0.018** 0.309** 0.393*** (0.020) (0.019) (0.135) (0.125) (0.008) (0.008) (0.153) (0.143) Size 0.055*** 0.671*** 0.003 -0.033 (0.007) (0.032) (0.003) (0.071) Lev 0.025** -0.112* -0.006 0.226* (0.013) (0.063) (0.006) (0.135) Roa 0.079*** 1.212*** -0.022* -1.326*** (0.026) (0.136) (0.013) (0.358) Cash -0.011 0.147 -0.008 -3.249*** (0.020) (0.096) (0.009) (0.219) Age -0.025** -0.452*** 0.005 0.453*** (0.011) (0.053) (0.005) (0.091) Mb -0.036** -1.854*** -0.012* -0.152 (0.015) (0.084) (0.007) (0.128) Top1 -0.014 0.051 -0.002 0.333 (0.041) (0.172) (0.017) (0.430) Dual 0.010* 0.057* 0.000 -0.116** (0.006) (0.030) (0.003) (0.056) 常数项 0.335*** -0.797*** 0.818*** -11.912*** 0.911*** 0.841*** 4.910*** 5.283*** (0.001) (0.139) (0.004) (0.629) (0.000) (0.060) (0.005) (1.529) 企业固定效应 是 是 是 是 是 是 是 是 年份固定效应 是 是 是 是 是 是 是 是 样本量 15 511 15 511 15 491 15 491 14 905 14 905 14 844 14 844 R2 0.816 0.820 0.588 0.641 0.800 0.801 0.778 0.799 注：*、* *、* * *分别表示在10%、5%、1%的水平上显著，括号内数值为聚类稳健标准误。下表同。
下载: 导出CSV
表 5 内生性检验(一)
变量 PSM 熵平衡 工具变量法 两阶段DID NQPF NQPF IM NQPF IM NQPF NQPF (1) (2) (3) (4) (5) (6) (7) IM 0.071*** 0.063*** 0.111*** 0.092** 0.382*** (0.021) (0.019) (0.023) (0.044) (0.080) Ⅳ1 0.199*** (0.016) Ⅳ2 0.663*** (0.080) 第一阶段F值 160.03 69.11 K-P rk LM 65.518 25.023 C-D Wald F 47 000 6 825.855 控制变量 是 是 是 是 是 是 否 企业固定效应 是 是 是 是 是 是 是 年份固定效应 是 是 是 是 是 是 是 样本量 3 478 15 511 15 511 15 511 13 508 13 508 15 511 R2 0.904 0.890 0.912 0.026 0.768 0.030
下载: 导出CSV
表 6 内生性检验(二)
变量 Heckman两阶段 随机森林 Lasso回归 岭回归 支持向量机 IM_dm NQPF NQPF NQPF NQPF NQPF (1) (2) (3) (4) (5) (6) IM 0.094*** 0.181*** 0.779*** 0.597*** 0.163*** (0.019) (0.030) (0.040) (0.057) (0.049) Imr -0.200*** (0.052) AI_mean 0.168*** (0.020) 控制变量 是 是 是 是 是 是 控制变量二次项 否 否 是 是 是 是 企业固定效应 否 是 是 是 是 是 年份固定效应 否 是 是 是 是 是 样本量 15 511 15 511 15 511 15 511 15 511 15 511 R2 0.820
下载: 导出CSV
表 7 稳健性检验：排除竞争性政策
变量 人工智能创新应用先导区 智慧城市试点 宽带中国 数字政府建设 国家大数据综试区 NQPF NQPF NQPF NQPF NQPF (1) (2) (3) (4) (5) IM 0.093*** 0.093*** 0.093*** 0.092*** 0.093*** (0.019) (0.019) (0.019) (0.019) (0.019) AIP 0.021** (0.010) SCP -0.010 (0.009) BC 0.014* (0.008) CDG -0.010 (0.008) NBD -0.005 (0.010) 控制变量 是 是 是 是 是 企业固定效应 是 是 是 是 是 年份固定效应 是 是 是 是 是 样本量 15 511 15 511 15 511 15 511 15 511 R2 0.820 0.820 0.820 0.820 0.820
下载: 导出CSV
表 8 机制检验
变量 企业基础研究 智能生产转型 Sub Tax Fc Per Basic Inn Taii (1) (2) (3) (4) (5) (6) (7) IM 1.382** 0.011 -0.024** 0.233*** 0.613*** 0.251*** 0.285*** (0.667) (0.012) (0.011) (0.059) (0.123) (0.096) (0.109) 控制变量 是 是 是 是 是 是 是 企业固定效应 是 是 是 是 是 是 是 年份固定效应 是 是 是 是 是 是 是 样本量 15 507 15 447 14 894 15 511 10 246 12 226 13 215 R2 0.427 0.784 0.873 0.726 0.738 0.490 0.815 变量 智能生产转型 劳动力结构优化 Aiil Rp Ic Cur Aijob Inventor Ls (8) (9) (10) (11) (12) (13) (14) IM 0.001** 0.960*** 0.193* 0.001** 0.339*** 0.127** 0.016** (0.001) (0.301) (0.114) (0.000) (0.082) (0.061) (0.008) 控制变量 是 是 是 是 是 是 是 企业固定效应 是 是 是 是 是 是 是 年份固定效应 是 是 是 是 是 是 是 样本量 13 215 15 391 15 404 14 136 15 511 13 911 13 313 R2 0.538 0.205 0.524 0.998 0.394 0.851 0.725 注：囿于数据，列(5)样本期为2011—2018年。
下载: 导出CSV
表 9 异质性分析和产业链溢出效应分析
变量 高新技术企业 要素密集度 知识保护水平 产业链 是 否 技术 资本 劳动 高 低 上游 下游 (1) (2) (3) (4) (5) (6) (7) (8) (9) IM 0.098*** 0.048 0.109*** 0.054 0.074** 0.096*** 0.073*** -0.115 0.136*** (0.022) (0.032) (0.026) (0.062) (0.029) (0.028) (0.024) (0.108) (0.034) 组间差异 0.050*** 0.023* 控制变量 是 是 是 是 是 是 是 是 是 企业固定效应 是 是 是 是 是 是 是 是 是 年份固定效应 是 是 是 是 是 是 是 是 是 样本量 11 290 4 221 8 471 3 520 3 520 9 291 6 220 1 631 2 946 R2 0.819 0.845 0.839 0.759 0.763 0.844 0.835 0.518 0.553
下载: 导出CSV
-
[1] 黄卓, 陶云清, 刘兆达, 等. 智能制造如何提升企业产能利用率——基于产消合一的视角[J]. 管理世界, 2024(5): 40-59. doi: 10.3969/j.issn.1002-5502.2024.05.003 [2] 权小锋, 李闯. 智能制造与成本粘性——来自中国智能制造示范项目的准自然实验[J]. 经济研究, 2022(4): 68-84. [3] LIU C, JI H, WEI J. Smart supply chain risk assessment in intelligent manufacturing[J]. Journal of Computer Information Systems, 2021, 62(3): 609-621. [4] ZHANG W, LI H, QIAN L, et al. How intelligent manufacturing improves corporate ESG performance: a three-dimensional analysis based on 'Environment', 'Society', and 'Governance'[J]. Journal of Environmental Management, 2025, 380: 125171. doi: 10.1016/j.jenvman.2025.125171 [5] 辛大楞, 季存睿, 辛立国. 智能转型对企业出口规模的影响研究: 基于"智能制造试点示范专项行动"的准自然实验[J]. 世界经济研究, 2024(6): 45-59, 136. [6] 尹洪英, 李闯. 智能制造赋能企业创新了吗?——基于中国智能制造试点项目的准自然试验[J]. 金融研究, 2022(10): 98-116. [7] 曹玉平, 侯迎信. 智能制造计划可以跨越"生产率悖论"吗: 来自智能制造试点示范项目的准自然实验[J]. 中国软科学, 2024(6): 23-32. doi: 10.3969/j.issn.1002-9753.2024.06.003 [8] 沈坤荣, 乔刚, 林剑威. 智能制造政策与中国企业高质量发展[J]. 数量经济技术经济研究, 2023(2): 5-25. [9] 韩喜平, 马丽娟. 发展新质生产力与推动高质量发展[J]. 思想理论教育, 2024(4): 4-11. [10] 温科, 李常洪. 数实技术融合对企业新质生产力的影响研究[J/OL]. 科研管理. http://kns.cnki.net/kcms/detail/11.1567.G3.20250122.1420.009.html .[11] 宋佳, 张金昌, 潘艺. ESG发展对企业新质生产力影响的研究——来自中国A股上市企业的经验证据[J]. 当代经济管理, 2024(6): 1-11. [12] 刁海璨. 企业基础研究与新质生产力培育[J]. 数量经济技术经济研究, 2025(3): 91-110. [13] 周文, 何雨晴. 新质生产力: 中国式现代化的新动能与新路径[J]. 社会科学文摘, 2024(4): 3-15. [14] 韩文龙, 张瑞生, 赵峰. 新质生产力水平测算与中国经济增长新动能[J]. 数量经济技术经济研究, 2024(6): 5-25. [15] 印剑, 夏惟怡, 曹向. 新质生产力赋能全球价值链跃升的理论逻辑与推进路径[J]. 广东财经大学学报, 2025(2): 83-89. doi: 10.20209/j.gcxb.441711.20250319.001 [16] 张建伟, 王越, 张洪昌. 新质生产力赋能数字化审计发展: 逻辑、挑战与路径[J]. 财会月刊, 2024(23): 25-29. [17] 肖有智, 张晓兰, 刘欣. 新质生产力与企业内部薪酬差距——基于共享发展视角[J]. 经济评论, 2024(3): 75-91. [18] 刘洪, 仲黍林, 彭乔依. 智能制造何以驱动企业新质生产力发展——来自智能制造试点示范项目推广的证据[J]. 现代财经(天津财经大学学报), 2025(3): 3-24. [19] 万长松, 徐志源, 柴亚杰. 新质生产力论[J]. 河南师范大学学报(哲学社会科学版), 2024(2): 1-6. [20] LI L. China's manufacturing locus in 2025: with a comparison of 'made-in-China 2025' and 'industry 4.0'[J]. Technological Forecasting and Social Change, 2018, 135: 66-74. [21] BARARI A, DE SALES GUERRA TSUZUKI M, COHEN Y, et al. Editorial: intelligent manufacturing systems towards industry 4.0 era[J]. Journal of Intelligent Manufacturing, 2021, 32(7): 1793-1796. [22] HANG L, LU W, GE X, et al. R&D innovation, industrial evolution and the labor skill structure in China manufacturing[J]. Technological Forecasting and Social Change, 2024, 204: 123434. [23] MOEUF A, PELLERIN R, LAMOURI S, et al. The industrial management of smes in the era of industry 4.0[J]. International Journal of Production Research, 2017, 56(3): 1118-1136. [24] VELDKAMP L, CHUNG C. Data and the aggregate economy[J]. Journal of Economic Literature, 2024, 62(2): 458-484. [25] 刘伟, 卢泓方, 于龙振, 等. 智能化转型、经济政策不确定性与制造业创新——基于创新动机视角[J]. 广东财经大学学报, 2024(3): 4-19. https://song.cbpt.cnki.net/WKG/WebPublication/paperDigest.aspx?paperID=a8babc0b-1559-4af9-a8b2-4d3816b17609 [26] MOHD ARIPIN N, NAWANIR G, HUSSAIN S. Save it for a rainy day! lean strategies for cost saving: the role of lean maturity[J]. Journal of Industrial Engineering and Management, 2023, 16(1): 115. [27] ACEMOGLU D. Technical change, inequality, and the labor market[J]. Journal of Economic Literature, 2002, 40(1): 7-72. [28] ACEMOGLU D, RESTREPO P. Robots and jobs: evidence from US labor markets[J]. Journal of Political Economy, 2020, 128(6): 2188-2244. [29] FRANK A G, DALENOGARE L S, AYALA N F. Industry 4.0 technologies: implementation patterns in manufacturing companies[J]. International Journal of Production Economics, 2019, 210: 15-26. [30] 郑世林, 张果果. 制造业发展战略提升企业创新的路径分析——来自十大重点领域的证据[J]. 经济研究, 2022(9): 155-173. [31] 张雪兰, 王剑, 徐子尧, 等. 惟精惟勤, 玉汝于成: 信贷专业化与企业新质生产力发展[J]. 金融经济学研究, 2024(5): 3-21. [32] 郭冬梅, 王继彬, 胡瀚清, 等. 基于文本的创新测度及对企业绩效的影响研究[J]. 系统工程理论与实践, 2024(6): 1896-1912. [33] RAMBACHAN A, ROTH J. A more credible approach to parallel trends[J]. Review of Economic Studies, 2023, 90(5): 2555-2591. [34] 谷城, 张树山. 智能制造何以实现企业绿色创新"增量提质"[J]. 产业经济研究, 2023(1): 129-142. [35] 姚加权, 张锟澎, 郭李鹏, 等. 人工智能如何提升企业生产效率?——基于劳动力技能结构调整的视角[J]. 管理世界, 2024(2): 101-116. [36] GOODMAN-BACON A. Difference-in-differences with variation in treatment timing[J]. Journal of Econometrics, 2021, 225(2): 254-277. [37] DE CHAISEMARTIN C, D'HAULTFOEUILLE X. Two-way fixed effects estimators with heterogeneous treatment effects[J]. American Economic Review, 2020, 110(9): 2964-2996. [38] 江艇. 因果推断经验研究中的中介效应与调节效应[J]. 中国工业经济, 2022(5): 100-120. [39] FEE C E, HADLOCK C J, PIERCE J R. Investment, financing constraints, and internal capital markets: evidence from the advertising expenditures of multinational firms[J]. Review of Financial Studies, 2008, 22(6): 2361-2392. [40] 郑世林, 汉馨语, 郭锡栋, 等. 国家战略科技力量与企业关键核心技术突破——来自国家和省级重点实验室的证据[J]. 中国工业经济, 2024(9): 62-80. [41] 尹美群, 盛磊, 李文博. 高管激励、创新投入与公司绩效——基于内生性视角的分行业实证研究[J]. 南开管理评论, 2018(1): 109-117. [42] 沈国兵, 黄铄珺. 城市层面知识产权保护对中国企业引进外资的影响[J]. 财贸经济, 2019(12): 143-157. -
点击查看大图
图(2) / 表(9)
计量
- 文章访问数: 29
- HTML全文浏览量: 12
- PDF下载量: 17
- 被引次数: 0