Digital Transformation, Innovation-driven Development and High-quality Development of the Manufacturing Value Chain
-
摘要: 创新驱动发展战略背景下，企业数字化转型对制造业价值链高质量发展具有重要意义。采用2007—2021年沪深A股制造业上市企业数据，从价值链上游度即“强链”和价值链长度即“延链”双重视角，探析企业数字化转型对制造业价值链高质量发展的影响效果、作用机制与异质性特征。研究结果表明：企业数字化转型从“强链”和“延链”两方面推动了制造业价值链高质量发展，且该结论通过了稳健性检验。作用机制检验表明，企业创新发展在此过程中具有显著的正向传导作用。异质性分析表明，在非国有制企业、技术密集型行业、劳动密集型行业和创新引领型城市，企业数字化转型通过“强链”和“延链”推动制造业价值链高质量发展的效果更为显著。为此，在城市层面应健全数字化转型治理体系，在行业层面应加快“新基建”建设进程，促进数字化均衡发展，在企业层面应鼓励以强带弱、协同发展，为企业数字化转型提速增质。
-
关键词:
- 数字化转型 /
- 制造业价值链 /
- 高质量发展 /
- 创新发展 /
- 价值链上游度(“强链”) /
- 价值链长度(“延链”)
Abstract: In the context of innovation-driven development strategy, the digital transformation of enterprises is of great significance to the high-quality development of the manufacturing value chain. Using the data of manufacturing listed companies in the Shanghai and Shenzhen A-share markets from 2007 to 2021, this paper conducts theoretical analysis and empirical testing to analyze the direct impact of digital transformation on the high-quality development of the manufacturing value chain, the indirect mechanism of innovation-driven development, and the multi-level heterogeneity from double perspectives of "strengthening chain" and "extending chain". The results indicate that digital transformation of enterprises can promote high-quality development of the manufacturing value chain in both "strengthening chain" and "extending chain". And this conclusion has not changed after a series of robustness tests. The mechanism test indicates that the innovation-driven development of enterprises has a significant positive transmission effect in promoting high-quality development of the manufacturing value chain. The heterogeneity analysis at the micro, medium and macro levels indicates that in non-state-owned enterprises, technology-intensive industries, labor-intensive industries and innovation-leading cities, the digital transformation of enterprises has a more remarkable effect in promoting the high-quality development of the manufacturing value chain by "strengthening chain" and "extending chain". Therefore, at the macro level of cities, efforts should be made to develop the urban governance system of digital transformation. At the meso level, "new infrastructure construction" in industries should be boosted so as to promote balanced digital development in industries. At the micro level, leading enterprises are encouraged to lead the laggards and to collaborate with them for coordinated development, improving quality and raising efficiency of corporate digital transformation. -
表 1 企业数字化转型程度指标的测度及分项指标权重
分项指标 指标测度 权重(%) 数字化转型关注度 log(数据管理、数据挖掘、数据网络等159个数字化关键词总数+1) 32.48 数字化转型投入 (数字化无形资产+数字化固定资产)/总资产 36.63 数字化转型产出 log(数字化发明专利授权总数+1) 30.89 
下载: 导出CSV
表 2 描述性统计结果
变量 符号 测度方法 观测值 均值 标准差 最小值 中位数 最大值 企业全球价值链上游度 pos 加权平均 17 328 2.808 0.249 1.821 2.707 4.504 企业全球价值链长度 plv 加权平均 17 328 2.713 0.231 1.732 2.629 4.316 企业数字化转型程度 dig 文本分析法+熵值法 17 328 0.589 0.083 0.012 0.517 0.943 企业创新发展能力 inno ln(发明专利授权数) 17 328 2.201 0.165 0.000 2.398 4.010 企业年龄 age ln(当年年份-成立年份+1) 17 328 2.702 0.194 0.532 2.790 4.231 资产负债率 lev 总负责/总资产 17 328 0.394 0.267 0.003 0.401 2.138 资产收益率 roa 净利润/总资产 17 328 0.121 0.191 -1.212 0.102 1.325 托宾Q值 Tq 市值/总资产 17 328 2.435 2.413 0.551 2.817 121.762 有形资产占比 tar 有形资产/总资产 17 328 0.881 0.140 0.218 0.834 1.000 全要素生产率 tfp LP法 17 328 11.194 6.922 1.017 10.934 93.277
下载: 导出CSV
表 3 基准回归结果
变量 Pos plv pos plv pos plv (1) (2) (3) (4) (5) (6) dig 0.034***
(5.689)0.027***
(5.132)0.192***
(4.819)0.168***
(4.701)0.145***
(4.611)0.112***
(4.509)age 0.322***
(2.607)0.313**
(2.432)lev 0.288***
(4.221)0.992***
(5.165)roa 0.683***
(3.159)0.412***
(3.217)tq 0.332**
(2.467)0.211**
(2.229)tar -0.902*
(-1.710)-0.845**
(-2.183)tfp 0.057***
(6.128)0.072***
(5.123)常数项 3.340***
(169.183)2.138***
(152.310)2.355***
(142.276)2.833***
(131.383)-4.243
(-1.531)-3.126
(-1.129)控制变量 否 否 否 否 是 是 时间固定效应 否 否 是 是 是 是 企业固定效应 否 否 是 是 是 是 样本量 17 328 17 328 16 998 16 998 16 998 16 998 R2 0.538 0.426 0.821 0.840 0.816 0.841 注：*、* *和* * *分别代表在10%、5%和1%水平上显著；括号内为企业聚类稳健标准误对应的t值。下表同。
下载: 导出CSV
表 4 稳健性检验Ⅰ：调整研究样本范围
变量 非数字经济一线城市 非金融危机 非直辖市 非数字产业 pos plv pos plv pos plv pos plv (1) (2) (3) (4) (5) (6) (7) (8) dig 0.101***
(4.202)0.098***
(4.153)0.152***
(4.531)0.136***
(4.373)0.081***
(3.688)0.067***
(3.799)0.129***
(4.216)0.123***
(4.013)常数项 -4.324
(-1.513)-3.134
(-1.331)-3.109
(-0.822)-2.877
(-0.981)-4.311
(-1.522)-4.001
(-1.529)-2.232
(-0.731)-2.134
(-0.831)控制变量 是 是 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 是 是 企业固定效应 是 是 是 是 是 是 是 是 样本量 12 679 12 679 13 931 13 931 14 406 14 406 13 762 13 762 R2 0.813 0.802 0.822 0.881 0.804 0.819 0.879 0.833
下载: 导出CSV
表 5 稳健性检验Ⅱ：改变变量测度方法
变量 pos plv pos plv pos plv (1) (2) (3) (4) (5) (6) dig 0.182***
(4.432)0.173***
(4.217)0.203***
(5.756)0.248***
(6.506)0.147***
(4.212)0.134***
(3.848)常数项 -4.633
(-1.109)-3.661
(-1.114)-6.725
(-1.022)-5.807
(-0.850)-4.282
(-1.241)-3.158
(-1.146)控制变量 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 企业固定效应 是 是 是 是 是 是 样本量 16 998 16 998 16 998 16 998 16 998 16 998 R2 0.821 0.803 0.854 0.894 0.892 0.813
下载: 导出CSV
表 6 稳健性检验Ⅲ：内生性问题
变量 pos plv dig pos dig plv dig pos dig plv dig pos dig plv (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) (13) (14) l.dig 0.103***
(4.911)0.095***
(4.863)iv 0.126***
(3.446)0.101***
(3.258)0.397***
(4.554)0.348***
(4.289)0.175**
(2.431)0.159**
(2.332)dig 0.073***
(4.236)0.057***
(4.012)0.084***
(4.621)0.069***
(4.336)0.039**
(2.401)0.032**
(2.236)第一阶段F值 194.209 186.395 182.937 171.143 154.378 151.113 Kleibergen-Paaprk
LM检验142.974
[0.000]120.369
[0.000]189.445
[0.000]187.321
[0.000]88.329
[0.000]64.438
[0.000]Cragg-Donald
Wald F检验102.334
{16.830}98.227
{16.830}112.098
{16.830}126.332
{16.830}56.331
{16.830}44.587
{16.830}控制变量 是 是 是 是 是 是 是 是 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 是 是 是 是 是 是 是 是 企业固定效应 是 是 是 是 是 是 是 是 是 是 是 是 是 是 样本量 14 648 14 648 14 648 14 648 14 648 14 648 16 998 16 998 16 998 16 998 16 998 16 998 16 998 16 998 R2 0.835 0.824 0.339 0.328 0.323 0.367 0.301 0.237 注：“[]”内为p值；“{}”内为Stock-Yogo弱识别检验10%水平对应的临界值16.830。
下载: 导出CSV
表 7 作用机制检验结果
变量 pos inno pos plv inno plv (1) (2) (3) (4) (5) (6) dig 0.145***
(4.611)0.591***
(2.816)0.089***
(3.724)0.112***
(4.509)0.614***
(2.916)0.071***
(3.932)inno 0.095***
(2.695)0.067***
(2.839)常数项 -4.243
(-1.531)19.143
(1.313)-3.143
(-1.234)-3.126
(-1.129)14.243
(1.445)-2.142
(-1.131)Sobel检验 Z=5.117>0.970 Z=4.251>0.970 控制变量 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 企业固定效应 是 是 是 是 是 是 样本量 16 998 16 998 16 998 16 998 16 998 16 998 R2 0.816 0.793 0.899 0.841 0.721 0.813
下载: 导出CSV
表 8 微观层面的企业产权特征异质性检验
变量 国有制企业 非国有制企业 国有制企业 非国有制企业 pos pos plv plv (1) (2) (3) (4) dig 0.101(1.454) 0.140***(4.403) 0.094(1.429) 0.108***(4.852) 常数项 -2.178(-0.862) -3.643(-1.487) -2.514(-0.787) -3.134(-1.312) 控制变量 是 是 是 是 时间固定效应 是 是 是 是 企业固定效应 是 是 是 是 样本量 1 870 15 128 1 870 15 128 R2 0.826 0.824 0.834 0.845
下载: 导出CSV
表 9 中观层面的行业要素密集度异质性检验
变量 劳动密集行业 技术密集行业 资本密集行业 劳动密集行业 技术密集行业 资本密集行业 pos pos pos plv plv plv (1) (2) (3) (4) (5) (6) dig 0.231**
(2.408)0.239***
(3.014)0.063
(1.369)0.217**
(2.329)0.239***
(2.852)0.058
(1.232)常数项 -3.180
(-0.912)-3.287
(-1.522)-4.023*
(-1.893)-3.504
(-0.871)-3.821
(-1.408)-3.228*
(-1.788)控制变量 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 企业固定效应 是 是 是 是 是 是 样本量 2 549 2 822 11 627 2 549 2 822 11 627 R2 0.816 0.827 0.837 0.823 0.824 0.801
下载: 导出CSV
表 10 宏观层面的城市创新能力特征异质性检验
变量 创新追赶型城市 创新引领型城市 创新追赶型城市 创新引领型城市 pos pos plv plv (1) (2) (3) (4) dig 0.041(1.453) 0.187***(4.149) 0.035(1.391) 0.153***(3.767) 常数项 -3.221(-1.321) -3.153(-1.211) -2.153(-1.237) -3.332(-1.022) 控制变量 是 是 是 是 时间固定效应 是 是 是 是 企业固定效应 是 是 是 是 样本量 11 332 5 666 11 332 5 666 R2 0.815 0.836 0.823 0.824
下载: 导出CSV
-
[1] 潘毛毛, 赵玉林. 互联网融合、人力资本结构与制造业全要素生产率[J]. 科学学研究, 2020(12): 2171-2182. [2] 陈启斐, 李伟军. 逆向金融服务外包战略能否提高制造业增长质量: 基于投入产出表的分析[J]. 南开经济研究, 2017(2): 96-111. [3] 李炎亭, 李柯. 数字金融与制造业高质量发展: 理论分析与实证检验[J]. 兰州大学学报: 社会科学版, 2023(5): 60-74. [4] 江小国, 何建波, 方蕾. 制造业高质量发展水平测度、区域差异与提升路径[J]. 上海经济研究, 2019(7): 70-78. [5] 吴非, 胡慧芷, 林慧妍, 等. 企业数字化转型与资本市场表现——来自股票流动性的经验证据[J]. 管理世界, 2021(7): 130-144. [6] 祁怀锦, 曹修琴, 刘艳霞. 数字经济对公司治理的影响——基于信息不对称和管理者非理性行为视角[J]. 改革, 2020(4): 50-64. [7] 张永珅, 李小波, 邢铭强. 企业数字化转型与审计定价[J]. 审计研究, 2021(3): 62-71. [8] 戚聿东, 刘欢欢. 数字经济下数据的生产要素属性及其市场化配置机制研究[J]. 经济纵横, 2020(11): 63-76. [9] 赵宸宇, 王文春, 李雪松. 数字化转型如何影响企业全要素生产率[J]. 财贸经济, 2021(7): 114-129. [10] 刘和东, 纪然. 数字经济促进产业结构升级的机制与效应研究[J]. 科技进步与对策, 2023(1): 61-70. [11] 刘鑫鑫, 惠宁. 数字经济对中国制造业高质量发展的影响研究[J]. 经济体制改革, 2021(5): 92-98. [12] MICHAELS G, NATRAJ A, REENEN J V. Has ICT polarized skill demand? evidence from eleven countries over twenty-five years[J]. Review of Economics and Statistics, 2014, 1: 60-77. [13] LEVY F S. Computers and populism: artificial intelligence, jobs and politics in the near term[J]. Oxford Review of Econoic Policy, 2018, 3: 393-417. [14] 郭威, 司孟慧. 金融集聚提升制造业绿色全要素生产率了吗[J]. 现代经济探讨, 2021(6): 38-48. [15] WANG S, LIANG Y C, LI W D, et al. Big data enabled intelligent immune system for energy efficient manufacturing management[J]. Journal of Cleaner Production, 2018, 10: 507-520. [16] 马中东, 宁朝山. 数字经济、要素配置与制造业质量升级[J]. 经济体制改革, 2020(3): 24-30. [17] 赵涛, 张智, 梁上坤. 数字经济、创业活跃度与高质量发展——来自中国城市的经验证据[J]. 管理世界, 2020(10): 65-76. [18] 续继, 唐琦. 数字经济与国民经济核算文献评述[J]. 经济学动态, 2019(10): 117-131. [19] 秦建群, 赵晶晶, 刘超. 数字经济与制造业高质量发展——基于政府创新偏好调节效应的研究[J]. 西南民族大学学报: 人文社会科学版, 2022(10): 104-115. [20] 矫萍, 田仁秀. 数字技术创新赋能现代服务业与先进制造业深度融合的机制研究[J]. 广东财经大学学报, 2023(1): 31-44. http://xb.gdufe.edu.cn/article/id/a219ba6c-9464-4e71-9b2e-11c83882726f [21] YOO Y J, HENFRIDSSON O, LYYTINEN K. The new organizing logic of digital innovation: an agenda for information systems research[J]. Information Systems Research, 2010, 4: 724-735. [22] 余东华, 王梅娟. 数字经济、企业家精神与制造业高质量发展[J]. 改革, 2022(7): 61-81. [23] 吴代龙, 刘利平. 数字化转型升级促进了全球价值链地位攀升吗?——来自中国上市企业的微观证据[J]. 产业经济研究, 2022(5): 56-71. [24] PAGANI M. Digital business strategy and value creation: framing the dynamic cycle of control points[J]. Society for Information Management and the Management Information Systems Research Center, 2013, 2: 617-632. [25] 丁志帆. 数字经济驱动经济高质量发展的机制研究: 一个理论分析框架[J]. 现代经济探讨, 2020(1): 85-92. [26] 郭美晨, 杜传忠. ICT提升中国经济增长质量的机理与效应分析[J]. 统计研究, 2019(3): 3-16. [27] 李史恒, 屈小娥. 数字经济赋能制造业高质量发展: 理论机制与实证检验[J]. 经济问题探索, 2022(10): 105-117. [28] 温忠麟, 叶宝娟. 中介效应分析: 方法和模型发展[J]. 心理科学进展, 2014(5): 731-745. [29] TOFIGHI D, MACKINNON D P. RMediation: an R package for mediation analysis confidence intervals[J]. Behavior Research Methods, 2011, 43(3): 692-700. doi: 10.3758/s13428-011-0076-x [30] 方杰, 张敏强. 中介效应的点估计和区间估计: 乘积分布法、非参数Bootstrap和MCMC法[J]. 心理学报, 2012(10): 1408-1420. [31] WANG Z, WEI S J, YU X D, et al. Characterizing global value chains: production length and up-streamness[R]. NBER Working Paper, 2017: 23261. [32] CHOR D, MANOVA K, YU Z. Growing like China: firm performance and global production line position[J]. Journal of International Economics, 2021, 130: 103445. doi: 10.1016/j.jinteco.2021.103445 [33] 唐宜红, 张鹏杨. 中国企业嵌入全球生产链的位置及变动机制研究[J]. 管理世界, 2018(5): 28-46. [34] 陈剑, 黄朔, 刘运辉. 从赋能到使能——数字化环境下的企业运营管理[J]. 管理世界, 2020(2): 117-128. [35] 李春涛, 闫续文, 宋敏, 等. 金融科技与企业创新——新三板上市公司的证据[J]. 中国工业经济, 2020(1): 81-98. [36] 凌润泽, 潘爱玲, 李彬. 供应链金融能否提升企业创新水平?[J]. 财经研究, 2021(2): 64-78. [37] 池毛毛, 叶丁菱, 王俊晶, 等. 我国中小制造企业如何提升新产品开发绩效——基于数字化赋能的视角[J]. 南开管理评论, 2020(3): 63-75. [38] 黄群慧, 余泳泽, 张松林. 互联网发展与制造业生产率提升: 内在机制与中国经验[J]. 中国工业经济, 2019(8): 5-23. [39] NUNN N, QIAN N. US food aid and civil conflict[J]. American Economic Review, 2014, 104(6): 1630-1666. doi: 10.1257/aer.104.6.1630 [40] 李怡, 李平. FDI对中国工业价值链升级影响的异质性考察[J]. 世界经济研究, 2018(5): 37-50. -
