陈俊

(安徽大学 商学院，安徽 合肥 230601)

随着数字技术不断发展并与制造业渗透融合，中国制造业发展进入新阶段。现有文献对数字经济研究主要集中于数字经济水平的测度及影响要素研究。一方面，现有研究对数字经济发展水平测度的主要有指标体系法、文本分析法以及投入产出法。其中，投入产出法多针对产业层面衡量，起初有学者借助完全消耗系数或依赖度衡量产业服务化程度[1]，有学者借助该方法对行业数字化程度进行衡量[2]。另一方面，目前有关制造业数字化影响因素研究主要集中在多个层面，从企业层面，其数字化水平的影响因素包括员工行为[3]、动态能力[4]、研发投入、金融支撑与高管重视程度[5]等。而从区域或行业层面，文献[6]基于数字经济指数，指出现阶段长江经济带数字经济发展水平的提升主要依赖于产业结构、城市等级、信息化水平三大影响因素发挥作用。文献[7]从全国各省制造业角度，实证发现人力资本、经济环境等因素对其数字化水平具有显著影响并指出其影响因素存在异质性。有关行业层面的数字化水平测度与影响因素研究较缺乏。基于此，本文通过插值法，借助投入产出表，在确定数字经济产业范围基础上从三个维度对2002—2018年制造业数细分行业字化水平进行测度并定量分析其影响因素，从环境、资本视角深入分析研发投入与制造业数字化水平关系，契合双碳背景下制造业高质量发展的需要。

1.1 中国制造业数字化水平的测度方法

利用投入产出法计算中国各产业数字化水平，必须厘清数字经济的范围，即确定投入产出表中的数字行业。结合数字经济内在特征，精准定位数字经济要素，同时以《中国数字经济行业分类2021》为依据，尝试划分出数字经济相关产业[8]，见表1，并引出调整系数，将部分部门的数字化分离出来。根据中国投入产出表第一象限相关数据，可以反馈各行业的直接消耗状况，据此进行进一步分析与计算。

表1中有的数字化行业仅有部分内容为数字化活动，如新闻和出版业，批发业与零售业。因此，限于数据的可行性。借鉴文献[9]的做法：采用数字部门批发收入占比、主营业或营业收入占比作为调整系数，分离数字化部分。在成功分离出数字化部门之后，参考文献[10]的方法，对分离出数字部门的投入产出表进行插值，从而得到2002—2018 年31个部门投入产出表，并构建直接和完全依赖度来衡量行业数字化水平。直接依赖度和完全依赖度分别表示为

表1 数字经济基本要素及其依托行业数字要素内容依托行业数字化基础设施电信设备及服务计算机软件计算机硬件计算机、通信和其他电子设备制造业;软件和信息技术服务业数字化媒体互联网发行、出版互联网广播数据流、下载服务新闻和出版业∗;广播电视、电影和影视录音制造业数字化交易B2B批发、B2C零售批发业、零售业∗ 注:带∗的行业需要进行拆分

1.2 数据说明和样本选择

本文数据来源于2002—2018年的投入产出表、延长表，《中国统计年鉴》《中国劳动统计年鉴》《中国经济普查年鉴》《中国科技统计年鉴》《中国工业统计年鉴》、国家统计局。限于数据可得性，对规模以上工业企业2018年固定资产合计、2012年和2017年全部从业人员平均人数缺失数据，2002年规模以上工业企业其他制造业固定资产合计、港澳台资本、外商资本、全部从业人员平均人数缺失数据，利用插值法补齐。所有价值型变量均以2002年为基期，借助价格指数进行平减。

由于各年部门划分存在差异，根据2017年行业分类标准，限于数据可得性，将2012年之前有限年份的工艺品及其他制造业、仪器仪表及文化办公机械制造业中，工艺品和文化办公机械制造业分离并将其归属现如今对应部门，同时将剩下部门进行重新组合，共筛选出16个制造业行业。

2.1 时间演变规律

由完全依赖度衡量数字要素总体及各三类数字要素水平，从总体趋势来看，制造业数字化水平呈现W形波动趋势。从增速上分析，制造业数字化水平整体增长较慢，但相较于之前，2015年增长速度开始逐渐加快，表明随着中国数字经济的逐渐发展和制造业数字化战略的提出，制造业数字化相关政策已经初具成效，未来应当持续推进制造业数字化转型。立足于制造业各细分数字要素水平视角进行分析，首先制造业对数字化基础设施完全依赖度与制造业对整体数字化部门的完全依赖度变化趋势基本相同，呈出W形发展趋势，而数字化媒体与数字化交易的完全依赖度均低于0.0009，表明现阶段制造业数字转型仍以数字基础设施建设为主，对其余两种数字要素需求增长较慢。究其原因，数据作为数字经济核心要素，随着数字经济的发展，作为其载体的数字化基础设施必然在行业数字化过程中占据较大的比重，提升速度相对较快，而对于数字化媒体和数字化交易两类数字要素，现阶段对其需求较低，从而导致水平较低。

2.2 行业分布特征

先借鉴文献[11]做法，将制造业分为中低技术和高技术行业，以此探究行业技术度与数字化水平的关联，从波动趋势来看，除个别制造业以外，大多细分制造业数字化水平与制造业整体变化趋势相同。从各细分行业水平进行分析，存在行业异质性，这4年，数字化水平较高的细分行业往往隶属于高技术制造业，而中低技术行业往往数字化水平较低，甚至个别行业出现下降趋势。究其原因：高技术行业大多为技术密集型行业，对数字化转型较为敏感，这将产生较强的数字要素需求，数字化水平提升较显著，而对于大多属于劳动或资本密集型的中低技术行业而言，其对数字部门中间投入需求规模较小，缺乏资金、技术薄弱，转型动力不足，从而呈现增长速度慢，水平低的现象。与此同时，制造业各细分行业可以按照污染程度划分为清洁行业和非清洁行业，2012—2018年，数字化水平排名前三的行业均为清洁行业，而数字化水平较低的行业大多为非清洁行业。这主要是清洁型行业环境规制力度较强、能源效率较高，不仅能通过促进产业结构升级等多种渠道减少行业污染，还能提高绿色全要素生产率，进一步发挥促进研发投入对行业改造升级的提升作用，从而提高行业数字化水平。

3.1 相关变量选择

选取研发投入、行业规模、外商投资、人力资本、劳动力规模、市场化各变量作为制造业数字化水平的影响因素分析。

(1)核心解释变量与被解释变量。研发投入代表一个行业的技术水平，对行业数字化水平的提升至关重要[12]。采用规模以上工业企业R&D经费内部支出进行衡量，缺失年份数据利用大中型工业企业科研活动经费内部支出替代。被解释变量即制造业数字化水平，采用完全依赖度进行衡量。

(2)控制变量与调节变量。劳动力规模和人力资本：行业劳动力规模和人力资本是制造业数字化水平的重要影响因素[13]，分别用年末就业人数、城镇单位平均工资指标进行衡量，其中年末就业人数，参考文献[14]由全社会年末就业人数乘以各行业城镇单位就业人数占其总数之比计算得出。行业规模：用制造业分行业增加值占GDP比重进行衡量。市场化水平：市场经济发展水平将决定市场竞争程度，从而对行业数字化转型意愿产生影响，以城镇单位非国有就业人数占比进行表示。外商投资：数字技术及其丰富的应用经验将随着外商投资同样被引进，因而外商投资水平将成为影响数字化水平的一个重要影响因素，利用规模以上工业企业外商和港澳台资本之和进行表示。选择资本密集度与环境规制作为调节变量，资本密集度：规模以上工业企业固定资产合计与全部从业人员平均人数之比进行衡量。环境规制：由行业增加值和能源消耗之比进行表示。

3.2 实证检验

为了探究制造业数字化水平各影响因素，现构建如下双重固定效应模型进行验证：

DIGit=β0+β1RDit+Controlit+λi+λt+δit

式中：i、t分别为i行业、t年份；
DIGit为制造业数字化水平；
RDit为制造业研发投入；
Controlit为控制变量；
λi、λt分别为行业固定效应、时间固定效应；
δit为随机扰动项。

回归前先用方差膨胀因子检查模型各变量是否存在多重共线性问题，结果显示各变量最大VIF值为5.4<10,即不存在多重共线性问题。表2为研发投入与制造业数字化的基准回归结果(样本数为272)，列1～6为依次将控制变量放入进行的回归结果。

表2 基准回归结果(1)(2)(3)(4)(5)(6)Rd0.3131∗∗∗0.2032∗∗∗0.1560∗∗0.2330∗∗∗0.2819∗∗∗0.2851∗∗∗(0.0799)(0.0592)(0.0622)(0.0697)(0.0852)(0.0846)Labor0.1478∗∗∗0.1496∗∗∗0.1478∗∗∗0.1381∗∗∗0.1515∗∗∗(0.0423)(0.0423)(0.0403)(0.0407)(0.0443)Hc0.0141∗∗∗0.0157∗∗∗0.0153∗∗∗0.0152∗∗∗(0.0032)(0.0031)(0.0031)(0.0031)Size-0.7832∗∗∗-0.7294∗∗∗-1.4682∗∗∗(0.1844)(0.1891)(0.4594)Mr-0.0143-0.0120(0.0120)(0.0128)Fdi-0.0160-0.0228(0.0161)(0.0173)Size28.6697∗∗(4.2749)常数项0.0353∗∗∗0.0143∗-0.01020.00180.01120.0205∗(0.0042)(0.0086)(0.0093)(0.0083)(0.0127)(0.0117)行业固定效应YesYesYesYesYesYes年份固定效应YesYesYesYesYesYes调整后的R20.98650.98800.98910.99020.99020.9903 注:∗表示p<0.1;∗∗表示p<0.05;∗∗∗表示p<0.01;括号内的值为稳健标准差

由表2可知，通过列1、列6可知，研发投入对制造业数字化水平有无控制变量在1%的水平下均显著为正。而其余变量：劳动力规模，人力资本与数字化的回归系数同样在1%的水平下显著为正；
而根据列5、6结果显示，行业规模一次项显著为负，加入二次项后，一次项系数仍显著为负，而二次项系数显著为正，表明制造业数字化与行业规模存在U形关系，而市场化水平和外商投资回归系数均不显著。

3.3 稳健性检验

(1)替换被解释变量。用直接依赖度替换完全依赖度进行回归，结果见表3第(1)列，研发投入显著仍然显著为正。

(2)双边缩尾处理。现对研发投入和制造业数字化进行1%水平上的双边缩尾处理后进行回归，结果见表3列(2)，研发投入系数显著性未发生改变。(3)内生性处理。数字化水平高的行业可能有更多资金用于研发投入，从而有助于研发投入的提升，同时行业数字化水平的影响因素存在于多方面，不能保证所有因素被控制，以防变量的遗漏和反向影响造成的内生性问题，参考文献[15]的做法，采用滞后一期的研发投入作为工具变量，通过两阶段最小二乘法进行回归。结果见表3列(3)。同时Kleibergen-PaaprkLMstatistic的p值为0，Kleibergen-Paap rk Wald F 检验统计量为1435.613，拒绝了工具变量存在识别不足和为弱工具变量的假设。

表3 稳健性检验结果

表3中，替换被解释变量、缩尾处理、内生性处理，变量显著性和方向均没有发生显著改变，进一步验证了结论的稳健性。

3.4 调节效应分析

为了验证环境规制、资本密集度在研发投入对制造业数字化水平中的调节作用，构建调节效应模型：

(1)行业环境规制力度。直接依赖度反映数字经济与制造业的直接融合度，相比之下，完全依赖度则体现了直接和间接融合度，将直接依赖度、完全依赖度作为被解释变量，分析环境规制的调节作用，结果见表4列(1)、列(2)。交互项Erd系数均显著为正，表明环境规制对研发投入与制造业数字化水平关系发挥正向调节作用，通过正向调节直接和间接数字要素的消耗来提高数字化水平。究其原因：随着行业环境规制强度的增加，所伴随的环保压力将迫使企业加强绿色创新力度，加大研发投入，增强数字化转型动力，应用更具清洁性的数字技术，引进数字化水平更高的产品。这从侧面说明双碳背景下为实现碳达峰、碳中和目标，提高能源效率，加大环境规制力度等具体措施同样有助于提高制造业与数字经济融合度，实现经济增长与生态保护的双重平衡。

表4 调节效应检验结果(1)(2)(3)(4)Rd0.1994∗∗∗0.2330∗∗∗0.4367∗∗∗0.4212∗∗∗(0.0540)(0.0744)(0.0744)(0.0940)E-0.00000.0018(0.0020)(0.0015)Erd0.0535∗∗0.0386∗(0.0225)(0.0200)Kir-0.0002-0.0004∗∗(0.0002)(0.0002)Rir-0.0134∗∗∗-0.0122∗∗∗(0.0024)(0.0031)常数项0.00820.0198-0.00130.0120(0.0170)(0.0132)(0.0152)(0.0139)控制变量YesYesYesYes行业固定效应YesYesYesYes年份固定效应YesYesYesYes调整后的R20.99560.99080.99580.9913

(2)行业资本密集度。如表4中列(3)、列(4)所示，交互项Rir，对于直接和完全依赖度的回归系数均显著为负，表明资本密集度抑制研发投入对制造业数字化的促进作用，且对于行业直接和间接数字要消耗该调节效应均发挥作用，其原因可能是：资本密集度一定程度上反映了行业前景，行业前景的提高一定程度上抑制了数字化转型的意愿，此外，高资本密度度意味着资产流动性差，进一步抑制企业的创新需求，同时资本密集行业会出现资源诅咒现象，排斥数字等高级要素进入，阻碍其数字化转型。因此，资本密集度提高将削弱研发投入对数字化的促进作用，即负向调节研发投入对数字化转型的影响。

本文基于投入产出视角，构建相对指标对制造业数字化水平进行测度，并实证检验数字化水平的影响因素。结论如下：(1)从制造业整体数字化水平的发展趋势来看，2002—2018年，制造业平均数字化水平基本呈现出W形发展趋势，制造业数字化基础设施水平与其变化趋势相同并占制造业数字化投入水平的90%以上，但数字化交易和媒体水平波动较小，处于一个较低的水平。(2)从细分行业进行分析，数字化水平存在行业异质性，高技术和清洁行业具备较高的数字化水平，进一步研究结果表明研发投入对行业数字化水平有显著促进作用，其中环境规制发挥正向调节作用，而资本密集度则发挥负向调节作用。

为了更好地推动制造业数字化水平的提升，提出以下建议：首先，优先提高数字化基础设施投入水平，各行业加快对5G、云计算、大数据等数字化基础设施建设，充分发挥数字化基础设施的数字要素载体作用；
其次，根据行业数字化水平异质性特点，优先发展制造业重点行业，并根据不同企业特点给予不同的优惠政策，从而带动制造业数字化水平的整体提高；
最后，引导制造业企业与科研机构、高校展开合作、针对物联网、大数据等新兴发展方向，进一步加大行业研发投入，打造创新联合体。

猜你喜欢依赖度制造业变量冰雪制造业的鲁企担当走向世界(2022年3期)2022-04-19抓住不变量解题小学生学习指导(高年级)(2021年4期)2021-04-29也谈分离变量河北理科教学研究(2020年2期)2020-09-11喜看新中国七十年突飞猛进的制造业华人时刊(2019年15期)2019-11-26虚拟现实技术在装备培训中的应用研究价值工程(2018年20期)2018-08-30基于要素报酬的农户自然资源依赖度评价研究中国人口·资源与环境(2017年12期)2018-01-05基于模糊软集合的区域信息生产力效能关键因素分析软科学(2014年12期)2015-02-032014上海民营制造业50强上海企业(2014年9期)2014-09-222014上海制造业50强上海企业(2014年9期)2014-09-22分离变量法：常见的通性通法新高考·高二数学(2014年7期)2014-09-18