【《数字化转型对零售企业全要素生产率影响的实证分析》8300字】

数字化转型对零售企业全要素生产率影响的实证分析目录TOC\o"1-3"\h\u26251数字化转型对零售企业全要素生产率影响的实证分析 179231.1全要素生产率测量方法的介绍 2193911.2数据来源说明 4266871.3变量和模型设定 5315581.4实证结果与分析 7217681.4.1变量的描述性统计分析 7271181.4.2相关性分析与均值检验 8298661.4.3假设检验结果 8103311.4.4对数字化转型直接效应的稳健性检验 10166491.5与已有相关研究的比较及说明 1134361.5.1与已有相关研究的比较 1140741.5.2对研究结论的进一步说明 12尽管我国于2010年已成为世界第二经济体，但是随着国内外环境的日益复杂和不确定性提高，国家又适时提出了高质量发展的要求。进入新的发展阶段，这就需要更好地采用合适的指标来评价其效果。由于GDP测算中存在的诸多问题，以及这本身是“规模”的反应，难以体现高质量发展阶段的本质性要求。在这样的背景下，学者们开始关注除GDP之外的变量和指标。这其中，TFP受到了学术界的广泛的关注。学们也普遍认为，TFP是反映一个国家、一个行业、一个组织高质量发展的关键性指标，突出的体现出了“质量”要求。在这样的背景下，TFP逐步成为学者们普遍关注的话题。对于TFP的测量，也呈现出了一定的差异性。比如早期阶段主要采用OLS来评价TFP，但是由于该方法存在着诸多问题（比如，同时性偏差等）而逐步被学者们所舍弃。为突破这些问题和局限，学者们开始关注GMM以及SFA等测量方式。但是，它们对于测量宏观层面（地区、行业甚至国家）的TFP是合适的，但是对微观企业层面的TFP测量并不适用。对此，一些学者另辟蹊径，提出了OP和LP两种测算方法。这两种方法对于测量微观企业的TFP有着极为明显的优势，为研究者所普遍采用。由此，本文将简要介绍OP和LP的方法与测量模型。在方法介绍的基础上，采用中国零售业上市公司的相关数据，测算零售企业的TFP以及对假设1设计的测量指标、模型设计以及假设进行检验和讨论。其中，以OP方法计算的TFP进行直接的实证检验，而以LP法测算的结果进行稳健性检验。1.1全要素生产率测量方法的介绍OP方法的前提是，企业会结合当前的生产状况作出下一步的投资决策。从这个角度看，投资额可以作为重要替代性要素纳入到模型当中，从而解决同时性偏差问题。而至于选择性误差来说，OP可将投资额以及企业的现有资本量之间以对数的形式衔接起来，从而得到相应的劳动产出弹性。在这个分析的基础上，建立企业的存续模型来判断下一步的决策。通过这样的方式，也就规避了可能的偏差问题。进一步对OP法进行系统的介绍如下：首先，对数化处理生产函数：QUOTEyit=a+αlit+βkit+在方程式1.1中，QUOTEyityit指的是，t时期的产出指标。QUOTElitlit刻画的是具体时期的劳动投入状况。QUOTEkitkit代表的是某个时间中的资本要素状况。但是，这个方程式的问题就在于残差项仅仅指的是当期水平，而另外一些关键因素的影响则不能被有效的体现出来。这会影响未来的规划决策。为此，要进一步解析1.1模型中的残差项。具体来说，假设：QUOTEuit=ωit+εit在方程式1.2之中，QUOTEωitωit和QUOTEεitεit分别有不同的影响因素来造成的。具体来说，前者通常是由于经济实体的相关的组织惯例、流程规则等的变革所导致的，通常是难以被有效识别的。而后者则指的是测量方面的相关问题所导致的，同样，也是难以被识别和测量出来的。进一步将方程式1.2与方程式1.1整合起来，可以得到新的方程式：QUOTEyit=a+αlit+βk在上述方程式中，由于QUOTE是满足马尔科夫过程的。由此，可以进一步得到方程式1.3：QUOTEωit=gωit-1+ξit将方程式1.3整合到方程式变形后的生产函数中，便得到如下的方程式：QUOTEyit=a+αlit+βkOP测算TFP时，资本是符合永续盘存是该方法的重要假设。基于此，可以进一步得到如下方程式：QUOTEkit=l-δkit-1+iit在1.4中，k、l表示资本存量和投资水平，t代表时期，i表示企业。依据永续盘存的假设和观点，当期的资本投入情况唯一的受到上一期投入水平的影响。也就是说，l和QUOTEωitωit以及QUOTEεitεit等是不相关的。因此，企业家/管理者会依据当期的生产预期来做出相应的决策。如果有着显著积极的判断，他们就会提高该时期的投入力度。相反，如果他们的预期是悲观的，或者不看好发展前景时，就会放弃追加投入。进而，可以进一步提出关于生产率预期和投资决策的关系方程式。QUOTEiit=ikit,ωitOP法来计算TFP时，另外的前提是：预测模型中只有生产率是不可观察的。在这个假设条件下，就可以对方程式1.5进行反函数的分析，由此可以得到方程1.6：QUOTEωit=hiit,kit将1.6纳入到原方程中，得到：QUOTEyit=a+αlit+βk令QUOTEϕit=βkit+hiQUOTEyit=a+αlit+ϕiit,对方程式1.7进行解析便能求出α。进一步地，也可以求解得到QUOTEϕiit,kit在此基础上，将方程式1.3以及上述测算出的值整合到方程式1.7中，就能推导出方程式1.8：QUOTEy-αlit=a+βkit+QUOTEy-αlit=a+βkit+gQUOTEy-αlit=a+βkit+gϕit-1如果上述模型中的k、偏误ξ和ε是不相关的。那么，就能通过测算得到β。此时，所有的系数都能够测算出来，也就能得到TFP了。但是需要进一步说明的是，如果具体的企业产出值为0，通过上述的分析程序是难以得到全要素生产率结果的。针对OP法测量全要素生产率存在的上述局限性，有学者进一步提出了LP法，即通过中间品投入量来取代上述所提出的最终产出量。这一改进的典型优势就在于，对数据的要求不再那么严格，为实证检验时扩大样本量提供了解决方案。为处理这个潜在的问题，Levinsohn等又进一步指出，可以采用“中间投入点”来取代原来最终的产出水平，即所谓的LP方法。简要介绍如下：对基本的生产函数进行对数化处理之后得到方程式1.9：QUOTEyit=αlit+βkit+γ方程式1.9中，m指的是中间投入额。进一步依据该方法的前提条件假设，在资本存量一定时，中间投入额是生产率的单调递增函数。两者的关系可以通过方程式1.10表示出来。QUOTEmit=mkit,ωit那么，进一步对方程式1.9进行反导数推导，能得到方程式1.11：QUOTEωit=hkit,mit将上1.10和1.11带入1.9中：QUOTEyit=αlit+ϕk具体的测算过程与上述OP法基本的程序与步骤是一致的，最终可以得到模型1.12：QUOTEQUOTEyit-αlit=βkQUOTEyit-αlit=βkit+γ按照与OP法同样的方式就最终可以得到TFP：QUOTETFPitLP=expyit-αlit本文将采用上述两种方式来测算TFP。1.2数据来源说明本文选择沪深股市89家零售上市企业作为样本进行考察。鉴于数字化转型具有阶段性特征，本文选择了2014年至2018年间的完整数据进行检验。为了避免一些非正常因素的影响，与以往的研究类似，本文删除了ST上市企业。此外，为保持研究数据的可比较性，剔除辉隆股份、徐家汇、庞大集团、红旗连锁等共23家上市企业。在样本企业中国有及其国有控股的样本数量为41，其他还包括23家民营上市企业。同时，还需要说的是，本文之所以选择2014-2018年的数据是处于如下考虑：首先，数字化转型在这个时期内得到了快速的发展。正如前文所说，数字化转型是一个动态的、长期的过程，在2014年之前更多的是信息、互联网等技术的引进期，还没有涉及到对组织结构等的深刻变革。其次，以零售企业TFP为研究对象的很多研究，主要是在世纪之初进行的，近年来尽管有一定的增加，但是还是在数字化转型的早期。正如下文将讨论的，数字化转型的优势很可能在短期内难以有效地被全部激发出来。因此，在这段时期内，数字化转型如何影响TFP还是需要考察的。1.3变量和模型设定为了检验假设1，构建如下预测模型：QUOTETFPit=α+β0Digitali,t-1在上述模型中，因变量是企业TFP。通过OP和LP两种方法分别对其进行计算。核心自变量是数字化转型。采用两种方式来进行测量评价：一是观察“是否实施了数字化转型战略”，具体的赋值方式是，对这些样本的公告、报告等进行系统分析，如果该企业开始将数字技术与业务进行融合，或者倒逼了组织惯例、业务流程等的变革，则赋值为1，否则将其视为0。另外一种测度方式，采用“技术投资额”来判定。这两种不同的刻画方式，分别以Digital_YN和Digital_rt来予以表示。在假设检验是，本文还纳入了一些控制变量，也对时间效应进行了控制。在检验过程中，如果β0是正值，并且是显著的，那么，我们就可以认为数字化转型有助于TFP提升。对具体变量的测算方式介绍如下：（1）TFP的测算依据上述的方法介绍结果，可得到TFP的测算方程：QUOTETFPitLP=expyit-αTFP测算中相关变量的选择汇总见表5-1。具体指标的含义不再一一进行介绍。但是需要重点说明是对具体测度要素的选择考虑。考虑到零售企业的特殊性：即典型的中间商。该类企业的“销售额”或者“主营业务收入”，很难真实的刻画其真实的盈利状况。从这个角度来说，采用这两个值来刻画零售企业的实际产出似乎并不太合理。对此，这就涉及到了另外一个测量“产出”的指标：经济增加值。该指标能够更有效地来刻画与说明零售企业的“产出”情况。而对经济增加值的测算也有方法上的差异。考虑到现有国家或者地区对零售业运行情况的测算方式，以及数据本身的可获取性等问题，收入法可能是一种有效的测量零售企业的经济增加值的有效方式。本文也选用这一方法。表5-SEQ表5-\*ARABIC1TFP测算指标说明具体计算方式说明如下：对于实际产出值的确定，通常采用两种指标，一是上市公司的主营业务收入或者销售额，另一个是企业经济增加值。由于零售企业主要是通过购进商品然后加价销售后才能实现经济价值，而销售额的大小与商品购买额密切相关；销售额大的零售企业其盈利水平并不一定大，因此，经常采用的销售额或者主营业务收入来作为零售企业的产出指标可能并不太适合。而经济增加值很可能能够弥补这些缺陷。在具体的测算方式上，考虑到数据可获得性以及通行做法，采用收入法来进行评价。具体测算方式如下：这一计算方法来刻画经济增加值也不是完全正确的，但是基本上能够体现出零售企业的“经济增加值”的内涵及其计算要求，通常也是可被接受的。按照已有研究的处理方式，本文在得到上述的基本数值后，再进一步结合零售商品价值指数进行处理，从而能够得到年度经济增加值（李子文，2017）。（2）数字化转型。按照以往研究的刻画方式，数字化转型主要存在两种刻画方式：一种是将数字化转型视为虚拟变量，将当年发生了数字化转型的年份设定为1，否则为0；具体赋值依据上市企业的临时和定期公告手动收集而成。二是运用“技术投资额”来测量数字化转型。需要说明的是，尽管以往学者采用该指标来刻画信息化水平，但是正如本文上述所阐述的那样，同样是这个指标，实际功能可能会由于企业处于的生命周期不同而有所差异（刘飞，2020）。比如在初期阶段，主要是引进相应的技术，但是在后续的跟进中，这方面的投资很可能是对已有技术的利用以及与业务的深刻融合。对这一指标的选择是年报中“固定资产”中具体所列的二级条目“电子设备”额度；再加上，“无形资产”所列二级条目“软件”的额度。由两者汇总得到实际刻画指标。（3）控制变量。与以往的相关实证文献类似（李子文，2017；周琪琦，2018），本文对控制了如下要素，见表5-2。表5-SEQ表5-\*ARABIC2变量测度方式汇总注：本文自制。1.4实证结果与分析1.4.1变量的描述性统计分析表5-3对相关的变量的基本情况进行了展示。可以看出，平均TFP_OP为1.207。数字化转型（Digital_yn）的值为.902，表明截止到2018年底，已经有90%的企业开始实施数字化转型；Digital_rt的最大值为14.03，最小值为0.359，说明数字化转型差异相对比较大。表5-SEQ表5-\*ARABIC3变量描述性结果1.4.2相关性分析与均值检验从表4看出，TFP_OP与Digital_yn的相关系数为0.033，不显著；但是Digital_cr与TFP_OP的相关性系数为0.101，是显著的。这初步说明以信息数字化技术投资表征的数字化转型与TFP有着微弱的正相关关系。此外，各变量见的相关系数均不大，这从侧面说明了各个要素间的共线性问题并不是特别严重（李子文，2017）。初步对假设1提供了支持。表5-SEQ表5-\*ARABIC4变量的相关系数矩阵变量12345671TFP_OP2Digital_yn0.0333Digital_rt0.101+0.0274Size0.213**0.0320.0665Lev0.0340.0410.0760.0636Roe0.123*0.0280.0430.0710.0237Edu0.102*0.0170.081-0.0380.0310.0108Age-0.0900.0420.0120.121*0.0440.0620.039注：**p＜0.01；*p＜0.05；+p＜0.10.1.4.3假设检验结果通常采用随机效应和固定效应两种方式来分析面板数据。采取何种模式更为合适的标准在于：如果个体特性要素与解释要素是相关的，采用固定效应模式；否则，即如果没有相关性，则采用随机效应模式。本文发现（表5-5）采用固定效应模式是合理的。表5-SEQ表5-\*ARABIC5Hausman检验结果检验方法Hausman检验值P值检验结果Hausman，sigmamore1.860.0038<0.05接受固定效应Hausman，sigmaless9.300.0267<0.05接受固定效应首先对假设1进行实证分析。从表5-6看出，以“是否实施数字化转型”的Digital_yn与TFP_OP之间无显著的相关关系。相反，以信息数字化软硬件投资额表征的数字化转型Digital_cr与TFP_OP的相关系数达到了0.072，且在10%的水平下是显著的。这两个结果表明，相较于暂未实施数字化转型的零售企业，实施数字化转型的零售企业的生产率并没有立即发生显著变化。这意味着，数字化转型微弱地提升了TFP_OP。在本文研究中，大多数企业都已开始实施了数字化转型，Digital_yn的值为1的样本观测值占90%以上。造成这种不相关的原因可能有：第一，本身数据刻画上的。前文一直在强调，数字化转型的实施力度是有很大的差异的，但是这种仅仅0-1的刻画方式，并不能体现出这种差异。而且大多数企业均实施了数字化转型，因此，得出的结论可能也没有太大的实质性意义。第二，本文前文的分析还指出，数字化转型的效果实现还可能存在一定的滞后效应，当期的实施并不立即出现预期的效果。在接下来的分析中，本文将舍弃这种测度的方式的实证检验，重点分析以信息数字化软硬件投资额表征的数字化转型对TFP的影响效应和过程。尽管出现了结论上的差异，但是也可以大致的认为假设1得到了数据的支持。表5-SEQ表5-\*ARABIC6数字化转型对TFP-OP的直接效应变量TFP_OP（1）（2）Digital_yn0.030（0.028）Digital_cr0.072+（0.016）Size0.122**（0.003）0.117**（0.004）Lev-0.031（0.035）-0.007（0.027）Roe1.172**（0.092）1.152**（0.091）Edu0.104**（0.002）0.101**（0.002）Age-0.032**（0.012）-0.030**（0.011）YearYesYesR20.3010.327注：**、*、+分别表示p＜0.01、0.05、0.10。1.4.4对数字化转型直接效应的稳健性检验（1）剔除未进行数字化转型的样本删除未进行数字化转型的样本，对Digital_cr和TFP_OP的关系进行进一步检验。检验结果见表5-7。从中可以看出的是，Digital_cr与TFP_OP的关系是显著的正相关。这表明，数字化转型的力度越大，TFP的提升效果也就越明显。表5-SEQ表5-\*ARABIC7删除样本后的检验结果TFP_OPDigital_cr0.082+（0.014）Cons2.322**（0.167）ControlsYesYearYesR20.337注：**、*、+分别表示p＜0.01、0.05、0.10。（2）以TFP_LP为结果变量的稳健性检验稳健性检验的第二种方式是用TFP_LP来替代TFP_OP。这种方式得到了广泛采纳（罗能生等，2018；盛明泉等，2018）。采用类似当方式的检验结果见表5-8。Digital_cr与TFP_LP有显著的正相关关系。而Digital_yn与TFP_LP则不显著相关。与上述的研究结果并没有本质上的差异。表5-SEQ表5-\*ARABIC8以TFP_LP为结果变量的稳健性检验变量TFP_LP（1）（2）Digital_yn0.030（0.040）Digital_cr0.090+（0.040）Size0.273**（0.004）0.267**（0.004）Lev0.301**（0.031）0.292**（0.031）Roe1.526**（0.101）0.1523**（0.102）Edu0.020**（0.004）0.020**（0.004）Age0.021（0.032）0.021（0.032）YearYesYesR20.3020.311注：**、*、+分别表示p＜0.01、0.05、0.10。1.5与已有相关研究的比较及说明1.5.1与已有相关研究的比较“生产率”已成为衡量企业发展状况的有效指标。但是研究零售企业的TFP相对比较少。尽管近些年有所增加，但是数量还是十分有限。接下来，本文将结合上述的研究结论，与现有的以零售企业为对象的、考察其效率的相关研究进行比较，从而进一步阐释本文的研究结论与已有文献的区别与联系。杨波（2012）重点考察了我国零售企业的效率变化情况，是识别出了导致效率变化的一些重要变量。陈港等（2020）则主要考察了零售企业的综合效率，发现，近年来，零售企业效率呈现出下滑的趋势，继而明确了相关的原因。方虹等（2009）的实证研究表明，零售企业TFP在世纪初呈现出明显的提升趋势，造成这种现象的原因在于技术进步得到了快速发展。杨海丽等（2020）的研究结果表明，那些实施转型（到线上）的零售企业的运行效率并没有出现显著的下滑。赵红等（2020）的研究指出，多数零售企业并没有实现效率上的提升。从这些研究看出，当前文献还存在如下问题：第一，研究的取样来讲，样本数量很有限；第二，时间区间相对比较早，仅有一篇文章考察了2009-2018年的营运效率，但是企业营运效率与TFP还有着显著的差异；第三，往往仅将零售企业转型变革主要方向的数字化转型作为外生背景，没有系统考察数字化转型对零售企业TFP的影响。对此，本文系统考察了数字化转型对TFP的影响，并采用89家企业的样本数据，对两者的关系进行了检验。结果表明，以虚拟变量表征的数字化转型对零售企业TFP并无直接影响，这说明数字化转型是一个复杂动态不确定性的过程，很难在较短的期限内直接发挥显著的积极作用；但是以数字化技术投资水平测度的数字化转型则与零售企业TFP呈现出边际上的正相关关系；稳健性检验的相关实证结果也支持了这一结论。相较于以往研究，本文直接将数字化转型作为内生要素，考察了其对TFP的影响效应，这是对以往研究的有效补充；也为数字化转型提供了坚实的经验支撑与依据。1.5.2对研究结论的进一步说明以技术投资额度表征的数字化转型与TFP之间仅存在着微弱的正相关关系，这表明数字化转型仅仅关注技术投资可能并不足以促进TFP的显著提升。这一研究结论，与当前实践界所提出的企业数字化转型失败率比较高的说法可能有一定的差异。有报告指出，数字化转型的失败率接近80%；但需要指出的是，该报告中所指出的所谓的转型成功，仅仅界定为“完全意义上的以数字化思维、数字化运营的方式来实现效益的持续增长”。如果达不到这一目标，则被定性为数字化转型是失败的。问题在于，这一标准定义过为严格，而且数字化转型并不是一转就有效的，是一个长期的过程，因此，要最终实现该报告中的所谓的完全成功转型，可能还需要较长的时间。与现有大部分结论相似，数字化转型是有助于提升TFP的；但是，与这些研究结论不同的地方在于，本文的结果表明，数字化转型只与TFP有着微弱的正相关关系，即仅在10%意义上是显著的。造成差异的原因可能包括如下几个重要的方面：第一，数字化转型是一个复杂的不确定性过程，对于数字化转型方面的投资很可能不会立即给企业带来“质”的飞跃，这在很大程度上存在着时间滞后效应。从本文选择的样本企业来看，它们都是上市企业，应该属于零售企业的“佼佼者”；同时，从这些企业的公告、新闻等内容来看，大部分企业在数字化转型方面已经进行了多年的探索，本文所发现的这种“微弱”的正相关效应在很大程度上也是真实合理的。第二，数字化转型并不是简单意义上的数字技术方面的投资，还需要配套性的革新与其他的创新性投入的配套。这种配套不仅包括组织结构方面的革新，还包括其他配套技术、人员方面的投入，甚至还包括对原有商业模式方面的革新等。从这个角度来说，单纯的数字化转型（指的是数字化技术的投资）如果不能有效地带动这些方面的创新性投入，仅仅为数字化而数字化，数字化转型可能并不足以带来TFP的显著提升。第三，零售企业数字化转型需要额外的资源、资金等方面的大量投入才能获取较高的预期效益。这从侧面说明了不同类型的企业可能在数字化转型方面的效果也存在一定的差异。本文所发现的这种“微弱”的正相关关系可能是由于没有考虑样本企业的“性质”所导致的。比如，相较于民营企业，国有企业通常拥有强劲的资源支持和资金实力，随着近些年来的现代企业管理体制改革，已经具