大数据发展对制造业企业全要素生产率的影响机理研究

史丹 孙光林

发表于《财贸经济》

定稿网络首发于CNKI(2022-9-6)

摘要

本文以2014-2018年中国制造业企业上市公司数据为样本，在构建大数据发展影响制造业企业全要素生产率理论框架的基础上，实证检验了大数据发展对制造业企业全要素生产率的影响机理。研究发现：（1）大数据发展对制造业企业全要素生产率具有显著正向影响，提高大数据发展水平有利于提升制造业企业全要素生产率。（2）内在机理表明，企业创新、要素配置与数据赋能的中介效应显著，大数据发展可以通过促进企业创新、优化资本与劳动要素配置效率，以及数据赋能来提升制造业企业全要素生产率。（3）异质效应表明，大数据发展对民营企业和小企业全要素生产率的作用效果要大于国有企业和大企业。

关键词

大数据发展；制造业企业；要素配置；数据赋能；全要素生产率

基金项目

国家社科基金重大项目“推进新型工业化与经济体系优化升级研究”（21ZDA021）。

0

1

问题提出

党的十九届四中全会将数据与传统的劳动力、资本、土地、技术等要素并列为一种新的生产要素，提出通过分配机制的不断健全和完善，数据可作为生产要素按贡献参与分配。事实上，大数据技术发展通过数据要素发挥作用使制造业的发展方式由生产者主导向消费者主导方向转变（史丹，2018），然而，数据要素如何在提升制造业企业全要素生产率的过程中发挥其作用，是值得探讨的理论问题。

2011年，全球知名咨询公司麦肯锡在报告《大数据：创新、竞争和生产力的下一个前沿领域》中首次提出“大数据”的概念，认为大数据是超出常规数据库获取、存储、管理与分析的数据集。国务院2015年在《促进大数据发展行动纲要》中指出“大数据是以容量大、类型多、存储速度快、应用价值高为主要特征的数据集合”。许宪春等（2019）认为大数据并不简单的是数据量大，还包括数据的价值高，大数据的核心是从海量数据中获取更准确、更深层次的价值，而不是简单的统计数据。Farboodi等（2019）认为大数据是经济活动的副产品，其本质是一种信息，利用大数据能提升企业的经营效率。张叶青等（2021）将“大数据应用”定义为“企业收集、处理与利用的海量、高速、多样化的数据要素或资产”。关于大数据的作用，有学者认为，大数据技术能够降低交易成本和扩大市场范围（Lyytinen等，2016），以及降低连接成本和提高资源配置效率。也有学者认为，数据资源要发挥作用必须与其他要素进行融合，才能实现数据价值增值（Chen等，2015；肖静华等，2018），企业基于大数据资源分析出商业机会，与消费者形成良好的互动，能够做出更明智的生产决策（谢康等，2020）等。事实上，上述对大数据的理解和定义主要描述大数据本身的特性和作用，而忽视了大数据发挥作用所需要的制度条件和市场条件。因此，本文将大数据发挥作用所需要的制度条件和市场条件定义为“大数据发展”，即大数据发挥作用依赖的制度条件和市场条件构成了大数据发展的基本要件。

有关大数据与制造业之间关系的研究主要集中于以下两个方面：一是关于大数据在制造业企业应用的相关研究，着重分析大数据在制造业企业产品设计、生产制造、行为决策和市场营销等方面的应用价值（Pietro，2018；孙新波等，2019）；二是关于大数据与制造业产业发展关系的相关研究。如Zhang等（2018）认为如果大数据在能源密集型制造业得到有效利用，能有效促进能源密集型制造业的绿色可持续发展；吕明元和麻林宵（2022）发现我国各省域大数据与制造业融合水平在不断上升。然而，对于大数据发展会对制造业企业全要素生产率造成怎样的影响？其内在作用机制是什么？已有研究尚未给出明确的解答。

本文创新点主要体现在以下两个方面：一是根据大数据发展相关定义，从制度条件与市场条件两个方面构建大数据发展测度体系。在此基础上，从理论与实证双重角度系统性探讨了大数据发展对制造业全要素生产率的直接效应与作用路径，有助于厘清大数据发展影响制造业企业全要素生产率的微观基础与作用机制；二是在我国正在加快建设创新型国家和实现数字发展战略的大背景下，全面刻画大数据发展对制造业企业全要素生产率的影响机理，研究结论对于解决我国具有丰富大数据资源的潜在价值和客观利用率偏低的现实矛盾，以及为更好地发挥大数据的作用服务于制造业提供了新的思路，具有重要的政策价值。

0

2

大数据发展指数构建与测度结果分析

（一）大数据发展指数构建

由于大数据发展是一个比较抽象的概念，很难找到一个单一指标来准确反映大数据的发展水平。已有衡量大数据指标的相关方法主要集中在以下三个方面：一是使用文本分析法。该方法是基于上市公司年报的文本信息，抓取与大数据相关的关键词汇，“大数据”相关关键词汇在公司年报中出现的频率越高，表示该公司大数据应用水平越高（Farboodi等,2019;张叶青等，2021；赵宸宇等，2021）；二是问卷调查法。如Chen等（2015）从产品需求、设计与测试等方面设计了5个题目进行主观调查；谢康等（2020）基于该方法从大数据资源和大数据分析两个方面各设计若干问题对374家企业大数据情况进行了测度；三是指数构建法。如赵云辉等（2019）和王欣亮等（2022）从商用指数（电子商务企业占总企业比重与每百家企业拥有网站数等）和民用指数（人均互联网接入量与各省百人计算机数等）两个方面选择合适指标对大数据发展进行测度。

通过对比可以发现：文本分析法的基本假设是上市公司年报披露的信息是基于公司客观情况的陈述。然而，由于不少企业在大数据应用方面只是空喊口号，外界无法真实观察到公司的真实情况，不可避免会存在较大偏差。问卷调查法虽然能够通过设计问题与企业管理者直接对接，再利用实地调查的方式揭示企业有关大数据的实际情况，但是调研样本数量相对较少，不易展开较大规模的调查以保证数据结果的可信度。根据本文大数据发展相关定义，本文研究更注重大数据发展的制度条件和商业条件等外部环境的好坏，因此，本文借鉴已有文献的做法，选择指标构建法对我国各省市区大数据发展水平进行测度（赵云辉等，2019）。

近年来，国家信息中心、中国电子信息产业发展研究院以及一些高校科研机构等都曾发布过有关省域层面的大数据发展指数，但是，上述机构发布的大数据发展指数均未每年连续编制，且不同机构间发布的大数据发展指数因指标体系与评价方法等存在显著差异，因此本文不能直接借鉴现有的指数进行研究。同时，在我国大数据发展过程中，贵州省大数据产业发展起步较早、行动快、影响较大，而2014年是贵州省发展大数据的起始之年，且构建大数据发展指数的一些指标只更新到2018年，必须考虑到数据的可得性。因此，本文选择构建我国2014~2018年省域大数据发展指数。根据本文大数据发展的相关定义，分别从制度条件与市场条件两个维度出发，本着代表性、系统性、独立性、动态性以及可操作性的原则进行指标选择。其中，制度条件指标包括：大数据政策力度、大数据试点创新、数据开放平台与大数据服务通达度；市场条件指标包括：电子商务发展指数、科技投入、大数据支持产业规模、消费能力、智能终端普及率和互联网普及率。

上述指标的度量方式及含义见表1。鉴于熵值法可以客观地确定各个指标所占权重，因而，本文利用该方法对上述10个代表性指标进行加权平均以获得大数据发展指数bigdata。另外，本文还通过计算这些指标的算数平均值（bigdata2）来度量大数据发展指数，以进行稳健性检验。

表1　大数据发展指标评价体系

（二）测度结果分析

2014-2018年各省市区大数据发展水平综合得分测度结果如表2所示，可以发现，我国大数据发展得分值在0.0042-0.1298之间，表明我国各省域大数据发展水平较低，还有较大提升空间。由表2可知，大数据发展水平最高的省市是贵州省，大数据发展得分为0.1298，北京市、上海市、广东省与浙江省分别位于第2-5名，山西省、吉林省、海南省与青海省等9个省市大数据发展水平不足0.01，且集中分布在中西部地区，表明我国大数据发展水平具有较强的区域不均衡性。

表2　2014-2018年我国各省市

大数据发展得分均值

我国30个省市区大数据发展水平的均值（M）为0.05，标准差（SD）为0.042，本文借鉴魏敏和李书昊（2018）的做法，将各省域大数据发展水平按照明星型（得分等于或高于M+0.5SD）、平庸型（得分介于M-0.5SD至M+0.5SD之间）与落后型（得分低于或等于M-0.5SD）三个不同的等级。明星型大数据发展省市区应该高于0.07，分别是贵州、北京、上海、广东和浙江5个省市，大数据发展得分值依次为0.1298、0.1142、0.0735和0.0706，占全部省市的比例为16.67%，上述省市中贵州得益于得天独厚的地理条件、而其他四个省市都是我国经济发展最好的省市之一，数字技术发展起步较早。平庸型省市区大数据发展得分值介于0.029至0.070之间，包括山东、天津、河南、湖北和重庆5个省市，占全部省市的比例为16.67%，这些省市虽然重视大数据发展，但是，关注程度仍然不足。落后型省市大数据发展得分值低于0.029，包括辽宁、河北、江西、宁夏、四川和广西等20个省市区，占全部省市的比重为66.67%，可能这些省市区对大数据发展的关注程度仍然不足，大数据发展得分较为落后，仍有较大的提升空间。进一步地，通过对比分析不同省市区的区域差异，可以发现，明显型省市除了贵州由于地理优势较早发展大数据产业以外，其他省市均位于东部经济发达地区。大数据发展较为平庸的省市分布较为均衡、东部和中部各有2个省市，西部地区有1个省市。对于落后型省市区而言，西部地区占据一半，东部和中部省市区分别有5个和6个，这个结果进一步地表明我国大数据发展虽然具有明显的空间差异分布，整体东部却要好于中西部地区，但目前差距仍然较小。

表3　三类型大数据发展水平

省市区的区域分布

点击◣阅读原文◣继续查看PDF全文

史　丹

中国社会科学院工业经济研究所所长、研究员，博士生导师。 公众号内回复史丹查看详细信息

孙光林

通讯作者，中国社会科学院工业经济研究所博士后、南京财经大学金融学院讲师、博士、硕士生导师。

史丹,孙光林.大数据发展对制造业企业全要素生产率的影响机理研究[J/OL].财贸经济:1-16[2022-09-26].DOI:10.19795/j.cnki.cn11-1166/f.20220906.006.

点击◣阅读原文◣查看PDF全文