数字化转型对企业全要素生产率的影响研究

目录TOC\o"1-3"\h\u中文8900摘要： 数字化转型对企业全要素生产率的影响研究摘要：全要素生产率是经济实现高质量发展的关键动力源泉，数字化转型给企业超越效率困局带来新途径，文章选取2012年至2023年中国制造业上市公司作为研究对象，利用LP和OP法衡量企业的全要素生产率（TFP），经由文本挖掘形成数字化转型相关指标，并做实证分析探究数字化转型对TFP的影响及背后原理，研究显示：数字化转型明显助力企业全要素生产率得到加强，在其中介效果上，企业更新能力起到部分中介作用，数字化转型借助改善技术研发能力和专利成果产量间接促使TFP扩大；而在资源调配改良情形下，则体现为完全中介效果，数字化转型借由缩减信息不对称状况，加强要素调配效率来直接推动生产率得以改善。工具变量法以及替换被解释变量等稳健性考察之后，研究结论仍然成立，后续研究显示，制造业TFP的改善大多依靠智能制造技术所带动的生产流程改良，其数字化转型路径表现出突出的行业差异性。关键词：数字化转型;企业全要素生产率;制造企业

Research

on

the

impact

of

digital

transformation

on

the

total

factor

productivity

of

enterprisesAbstract:Totalfactorproductivity(TFP)servesasthecoredriverofhigh-qualityeconomicdevelopment,whiledigitaltransformationoffersanewpathwayforenterprisestobreakthroughefficiencybottlenecks.ThisstudyempiricallyexaminestheimpactofdigitaltransformationonTFPanditsmechanismsusingasampleofChinesemanufacturinglistedcompaniesfrom2012to2023.TheTFPismeasuredviaLPandOPmethods,anddigitaltransformationindicatorsareconstructedthroughtextmining.ThefindingsrevealthatdigitaltransformationsignificantlyenhancesenterpriseTFP.Intermsofmediatingmechanisms,innovationcapabilityexhibitsapartialmediatingeffect,asdigitaltransformationindirectlypromotesTFPgrowthbystrengtheningtechnologicalR&Dandpatentoutputcapabilities.Resourceallocationoptimizationdemonstratesacompletemediatingeffect,wheredigitaltransformationdirectlyimprovesproductivitybyreducinginformationasymmetryandenhancingfactorallocationefficiency.Theseconclusionsremainrobustafterrigoroustests,includinginstrumentalvariableapproachesandreplacementofexplainedvariables.FurtheranalysisindicatesthatTFPimprovementinmanufacturingprimarilyreliesonsmartmanufacturing-drivenproductionprocessoptimization.

Keywords:Digital

transformation;

total

factor

productivity

of

enterprises;

manufacturing

enterprises1引言研究背景及意义1.1.1研究背景近年来，党的二十大报告明确指出，要“加速培育数字经济新动能，深化数字技术与实体产业协同融”，同时强调“推进制造业向高端化、智慧化、低碳化方向升级”。按照国家“十四五”战略安排，“以全域数字化转型系统性重构生产范式，社会运行模式及治理体系”成了关键任务，当下，数字经济与实体经济协同发展既是经济结构改良的主要途径，也是推动高质量发展的重大战略抉择，在5G，物联网，区块链等新一代信息技术不断超越的环境下，数字要素渐渐化为国民经济提质增效的关键支撑力量，大数据，人工智能，云计算，物联网等数字技术正在深入改变企业的生产方式和经营形式，在此情形下，数字化转型（DigitalTransformation）关乎技术方面的升级，还牵涉企业业务流程的再造，经营形式的改善以及商业模式的更新，重点在于经由数字技术的全面应用，提升企业的运作效率和价值创造能力。全要素生产率（TotalFactorProductivity,TFP）是衡量企业综合效率的关键指标，除了资本和劳动投入以外的因素，对于企业产出所作的贡献，当下，中国经济正从高速增长阶段迈进高质量发展阶段，改进全要素生产率成了推动经济可持续发展的关键所在，传统企业存在资源错配，更新缺少，经营低效等状况，迫切必要借助数字化转型来打破效率上的瓶颈。1.1.2研究意义理论意义方面，当前已有文献大多侧重于宏观层面的数字化转型效应，对于诸如资源调配改良，技术更新能力加强之类的微观机制缺乏系统的剖析，经由创建“数字化转型-中介路径-企业全要素生产率”这一理论框架，研究表现了数字化转型怎样凭借技术更新来改善企业效率，给数字经济理论增添了新视野，而且，就所选企业样本而言，本文冲破了传统文献占据主导地位的限制，充实了数字化转型研究的多元性。实践意义在于，“十四五”规划重视高质量发展，在此大背景之下，本研究给企业以及政策制定者给予了科学依照。对于企业来说，实证结果显示，数字化转型经由改善生产流程，激发更新能力，突出提升了TFP，所以，企业应着眼于回报较高的数字化环节，推动供应链智能化，以数据带动研发，还要塑造开放式革新生态来加快技术流传，至于政府，则需知道，研究察觉数字化转型的效果在不同行业和规模下表现出差异性，于是，政策制定者可以依此制定不同的扶持举措，向传统制造业给予技术补助，给中小企业安排数字化人员培训，凭借减税优待促使企业加大研发投入，从社会角度看，该项研究显示出数字化转型在削减经营成本，缩减资源损耗方面颇具潜力，从而为绿色经济和可持续发展供应了操作途径，经由产学研协作缩小区域之间的数字差距，推进形成技术共享平台，进而推动经济走向高质量发展。1.2国内外文献综述1.2.1数字化转型的探究在探讨数字化转型的本质及其界定的研究范畴内，国内外学界的观点呈现出明显的多样性与分歧。数字化转型这一概念最早可追溯至二零零零年，由国外学者McCarthy及其团队首次提出，在当时并未建立起一套成熟的概念框架与理论解析体系。伴随此议题的关注度日益增长，Vial(2019)指出，通过集成信息技术、计算能力以及通信手段，企业能够实现其本质特征的根本转变，从而达到优化实体层面的目的，这正是数字化转型过程中的核心驱动因素。根据Verhoef等人（2021）的论述，企业借助数字技术的应用，通过实施组织重构、流程精炼以及商业模式革新，不仅促进了网络协作与个性化的服务提供，而且在此基础上实现了价值的显著提升，这一系列举措共同构成了数字化转型的核心动力机制。在中国学术界，王华于2018年的研究强调，数字化转型并不仅仅局限于将数字技术融入企业的日常运营流程之中，它还深刻地涉及到业务模式与组织结构的双重转型，旨在实现两者之间的和谐联动与优化升级。吕铁及其团队（2019）提出了一个新颖的观点，即数字化转型不仅能够释放企业从传统运营模式的桎梏中，而是通过促进生产要素与组织结构的革新，展现出一种“破坏以求新生”的创新特性，这一过程显著加速了企业的现代化进程与竞争力的提升。在企业数字化转型路径研究中，国内外学者亦有探索。LibertB等(2016)提出企业数字化转型五步策略，包括明确起始点、梳理资产清单、构想数字网络未来、开展小规模网络业务试点及追踪进程。现有研究多聚焦于整体转型路径揭示，针对特定企业的转型路径分析相对匮乏。1.2.2关于全要素生产率的研究国内外学界针对企业全要素生产率（TFP）核心内涵的研究视角存在差异，1957年，国外学者Solow率先提出TFP概念，重点论述技术改进对于经济增长的重要意义。随着研究不断推进，相关理论逐步拓展到企业层面，从技术革新方面来讲，Acemoglu（2003）表明，数字技术和传统生产系统相融合，可以有效地超越要素效率的上限，从而加强TFP水平，就资源调配而言，Hsieh&Klenow（2009）经研究察觉，资源分配出现偏差会极大阻碍TFP的增长，推动市场化改革能够明显改善这种情况，有益于加强TFP，不过这个过程要与企业的战略规划相契合。国内学者围绕国内企业发展状况，关注TFP的影响因素与政策意义时提到行业异质性，吕铁（2019）表明，制造业TFP的优化大多依靠智能制造，服务业则更多凭借数据激发的客户运作。数字化转型的效果：戚聿东（2021）经由案例分析证实，国企实施数字化转型能够“重塑生产流程以发挥数据要素作用”，从而大幅改善TFP，政策干预成果：刘向东（2022）显示，政府补贴对于中小企业TFP的推动作用不大，应当配合以数字化人才培育措施。1.2.3关于数字化转型与企业全要素生产率的关系研究在探究数字化转型与企业全要素生产率关联时，国内外诸多学者展开了大量理论及实证考察，收获不少成果。Grossman等人于1991年研究显示，改良企业生产技术可助力改善全要素生产率，研发活动对于推动生产技术变革十分关键，Antonelli与Quatraro在2014年，Baumann和Kritikos在2016年也表明，具有较强更新能力的企业能更好地整合技术和知识资源，削减对劳动力和资本要素的依赖，并经由减小传统要素成本来加强全要素生产率。国内研究中，赖红波于2020年，张黎娜等在2022年的研究把金融行业当作研究对象，他们找到数字技术和金融业务深入融合会催生出新的金融模式，这种改进模式经由系统整合产业链各个节点企业的物流，现金流和信息流，改良了传统金融资源评价体系，有效地解决了行业资源错配的问题，使得企业全要素生产率大幅优化。1.2.4研究述评通过国内外研究综述，可以看出数字化转型作为提升企业全要素生产率的重要途径，正受到越来越多的关注，尽管已有的研究为我们提供了重要视角，但仍然存在一些不足之处，现有研究多集中在发达国家，缺乏对发展中国家和地区的深入探讨。因此，本研究进一步探索数字化转型的具体路径和实施策略，以帮助企业更好的应对转型过程中的挑战，提升全要素生产率。

2理论基础与研究假设2.1理论基础2.1.1经典经济理论根据Solow（1957）的新古典增长模型，全要素生产率被定义为产出增长中无法被资本和劳动解释的“索洛剩余”，主要反映技术进步的作用。数字化转型通过引入大数据、人工智能等技术，直接提升生产函数中的技术水平，从而扩大全要素生产率的贡献。例如，智能制造系统通过自动化优化生产流程，减少人工干预误差，显著提高单位要素投入的产出效率。Romer（1990）的内生增长理论强调，医药行业通过AI加速药物筛选，或者开放式创新生态，即数字化平台促进跨企业协作，推动技术扩散，工业互联网平台可以整合上下游技术资源。2.1.2现代管理理论资源基础观觉得，企业的竞争优势来自自身独有的资源及能力，数字化转型给企业带来两种重要资源，一种是数字资产，数据资源已成为新的生产要素，利用挖掘用户行为数据来改进产品的定制化程度，Netflix就依靠观看数据改善内容推荐，另一种是数字能力，云计算，物联网等技术会重新塑造组织流程，从而产生不易被模仿的动态竞争优势，特斯拉就是经由OTA升级不断改良车辆性能，Teece（1997）提出的动态能力理论重点表明，企业要经由“感知-捕捉-重构”去顺应环境改变，数字化转型可从如下方面加强动态能力：及时感知市场，社交媒体和传感器数据能助力企业立即察觉需求变动情况，Zara就凭借RFID技术监测店铺销售状况；柔性生产体系，模块化设计和3D打印技术可支持小规模定制，缩减产能损失。2.1.3技术创新理论据Perez（2002）所述，每次技术革命都会促使生产范式发生重构，数字化转型属于信息革命的深入阶段，其核心特点包含网络化生产，工业互联网可达成设备互联并执行远程观察，从而改进设备利用率，西门子的MindSphere平台就体现了这一点。服务化拓展也是其重要特性，制造业企业经由数字化服务，设备预测性守护等来创造新的价值，按照Christensen（1997）的颠覆性更新理论，新技术也许会颠覆当前的市场格局，平台经济模式就是如此，阿里巴巴凭借数字化平台整合中小商户以削减交易成本，并重新塑造零售业的效率；AI辅助决策方面，金融业用机器学习改善风险考量，缩减不良贷款比例。2.2研究假设2.2.1数字化转型与企业全要素生产率按照资源基础理论，企业的竞争优势来自于自身异质性资源整合的能力。其一，数字技术可缩减信息不对称现象，改良供应链协作效果，削减生产阶段的资源损耗；其二，运用数字技术以后，可以由智能设备代替传统人力执行任务，进而加强生产效率并减小单位成本，而且，数字化转型凭借以数据为引领的决策体系，助力企业准确把握市场需求变动情况，并及时调节生产安排，以此来改善生产体系的灵活性及其适应能力，所以，数字化转型既会直接改良技术效率，又会经由加强管理效率间接促使全要素生产率得以增长。在上述分析的基础上，该研究提出以下假定：H1：数字化转型对企业全要素生产率具有显著正向影响2.2.2数字化转型对企业全要素生产率的中介路径基于组织变革理论与动态能力理论，数字化转型通过加速知识流动、促进技术协同创新以及优化研发流程智能化三条路径驱动企业创新能力的提升：数字化平台打破部门间信息壁垒，推动技术、市场与管理知识的跨部门共享；云计算与物联网技术整合内外部创新资源，构建协同创新网络；人工智能和大数据分析则辅助企业筛选技术方案，提高创新效率。创新能力的提升、专利申请增加进一步通过技术升级效应来改进生产工艺与高附加值产品、通过成本节约效应来降低能耗与原材料损耗以及竞争壁垒构建来形成技术垄断优势，其作用于全要素生产率，最终形成“数字化投入—创新驱动—效率跃升”的良性循环。因此，数字化转型不仅直接提升生产效率，还通过激发创新能力的“杠杆效应”间接强化全要素生产率的增长。根据以上的讨论，这篇文章提出了如下假定2：H2：数字化转型通过提高企业创新能力提高企业全要素生产率3实证研究设计3.1变量定义3.1.1被解释变量全要素生产率：要衡量企业生产率，有两种不同的方法，这样做的目的是保证结果比较稳定，第一种方法是Levinsohn和Petrin（2003）提出的LP方法，把中间投入当作代理变量，可以解决传统OLS估计也许会产生的同步偏差问题。第二种方法就是OP方法，本研究用它来验证结果是否稳健，这个方法把投资当成生产率的代理变量，有益于应对样本选择偏差和内生性问题。3.1.2解释变量数字化转型：本研究参照吴非等（2021）提出的框架，在数据处理流程中，我们首先进一步整合特征词库于Python编写的中文分词系统之中，随后借助文本挖掘方法对上市公司的年度报告实施细致的分词解析，以此深入揭示文本中的关键信息与模式。通过对年度报告文本中与数字化转型相关的关键词出现次数进行统计分析，并运用对数转换对其频率进行标准化处理，成功构建了衡量企业数字化转型进程的量化指标——企业数字化转型指数。3.1.3中介变量企业创新（Inno）的量化指标通过计算企业年度专利申请总量加一后的自然对数值来实现，这一方法旨在有效规避零值问题并增强数据的正态分布特性。即Inno=ln(1+专利申请数量)。该指标能够有效捕捉企业的创新产出，同时缓解因零值问题可能带来的估计偏误。3.1.4控制变量为控制可能影响研究结果的其他因素，优化模型估计的准确性并增强结论的可靠性，本研究选取了大量控制变量，其一，利用企业总资产的自然对数度量企业规模（Size），以此控制规模效应给研究结果带来的影响；其二，把资产负债率（Lev）当作企业财务杠杆的代理变量，从而控制资本结构产生的影响；其三，凭借总资产收益率（ROA）和经营活动现金流量比（Cashflow）来衡量企业的盈利水平及其现金流情况；鉴于企业存在成长性这一事实，本研究选定营业收入增长率（Growth）作为企业成长能力的代理变量；其四，把第一大股东持股比例（Top1）纳入其中，用以控制公司治理结构造成的影响，还要把企业成立年限（FirmAge）加进去，以此来控制企业生命时段的影响，经由运用这些控制变量，研究试图削减被忽略变量所带来的偏差，保证实证结果既可靠又稳健。表3.1变量名称及定义变量类型变量名称变量符号变量定义及计算方法被解释变量企业生产率TFP_LPLP法计算解释变量企业数字化转型DCGln(1+词频数)中介变量企业创新Innoln(1+企业当年申请专利)控制变量企业杠杆率Lev总负债/总资产总资产利润率ROA期末净利润/总资产现金流量比Cashflow经营活动产生的现金流量净额除以总资产企业规模SizeLn(企业总资产)成长能力Growth本年营业收入/上一年营业收入-1股权集中度Top1第一大股东持股数量与总股数之比企业年龄FirmAgeln(当年年份-公司成立年份+1)3.2样本选择与数据来源本研究把2012-2023年沪深两市A股制造业上市公司当作最初的探究样本，数据大多来自CSMAR数据库，为了保证样本质量并使研究结论可靠，采用诸多筛选标准来处理这些样本：（1）因为财务报表结构差别很大，所以去掉金融类上市公司；（2）ST类上市公司财务状况有异常之处，若将其纳入，也许会妨碍到研究结论的普遍适用性，因而也从样本范畴中删去；（3）想要保证数据齐全，那些关键变量含有缺失值的上市公司不能被列为研究对象；（4）为规避极端值给研究成果带来的潜在影响，把所有连续变量处于1%和99%分位数之上的部分执行Winsorize缩尾操作，经过前面述及的系统筛选步骤，最终选定满足研究需求的有效样本。3.3相关性分析及多重共线性检验3.3.1相关性分析相关性分析在统计研究中有重要意义，虽然不能证明因果关系，但可以显示变量之间的关联程度，此分析有益于认识变量关系，预测趋势，还给回归分析给予基础，经由计算相关系数，能够判定变量之间是否具有相关关系，绝对值靠近1表明高度相关，接近0则相关性较弱，正负号体现关系的方向：正值为正相关，负值为负相关，不过，高相关性也许会造成回归模型出现多重共线性问题，影响模型的准确度，所以，在做回归分析之前要先大致查看变量的相关性，本研究利用Stata17和Pearson相关系数法来做分析，结果表明变量之间的相关系数都小于0.6，这就说明变量的选择是合理的，解释变量和被解释变量呈正相关，大致显示出数字化转型推动了企业的生产率。表3.2相关性分析表TFP_LPDIGInnoSizeLevROACashflowGrowthTop1FirmAgeTFP_LPDIG0.1265***Inno0.0805***0.1375***Size0.7960***0.0357***0.0621***Lev0.4554***-0.0505***-0.0606***0.4862***ROA0.1447***-0.0281***0.1383***0.0384***-0.3588***Cashflow0.1123***-0.0319***0.0762***0.0768***-0.1685***0.4294***Growth0.1259***0.0088*0.0193***0.0453***0.0265***0.2715***0.0392***Top10.1710***-0.1225***0.0115**0.1876***0.0364***0.1552***0.1077***0.0034FirmAge0.1410***0.0266***-0.1231***0.1686***0.1589***-0.0922***0.0036-0.0713***-0.0922******p<0.01,**p<0.05,*p<0.13.3.2多重共线性检验变量间存在高度相关性可能造成模型估计不稳定，还会影响对回归系数的阐释。为保证没有多重共线性问题，本文会用方差膨胀因子VIF诊断法来检查解释变量和全部控制变量是否有多重共线性，VIF是个用来检测多重共线性的统计指标，其衡量了每个自变量的方差在该模型里扩大的程度，通常情况下，若变异inflationfactor(VIF)值超过10，则被视为存在显著的多重共线性现象。依据表3.3所示的多重共线性检验结果，各变量及其综合的VIF值均显著低于10的阈值，这明确指示不存在多重共线性的严重问题，同时，所选择的变量及其设定亦是恰当且有效的。表3.3多重共线性检验结果VariableVIFVIFLev1.67ROA1.61Size1.49Cashflow1.25Growth1.12Top11.1FirmAge1.06DIG1.03MeanVIF1.293.4模型构建3.4.1基准回归模型为检验数字化转型对企业全要素生产率的影响，本文构建以下模型：TFP_LPi,t其中，GIi,t表示企业i在t年企业生产率，∗DIGi,t表示t年企业数字化转型水平，Controli,t表示控制变量，i.ind表示行业固定效应，i.year表示3.4.2中介效应模型为进一步探讨数字化转型促进企业社会责任的经济机制，本文参考温忠麟(2004)的思路，构建如下模型对“企业数字化转型→企业创新→企业全要素生产率”这条经济机制进行实证检验。Innoi,t=βTFP_LPi,t=γ其中Innoi,t为机制变量，表示内控指数和信息不对称指数。β1为数字化转型对企业创新的效应，γ1为机制变量对企业全要素生产率的间接效应，γ

4实证分析4.1描述性统计表4.1描述性统计分析VarNameObsMeanSDMinMedianMaxTFP_LP361398.37501.05346.19928.270811.2250DIG361391.58341.42320.00001.38635.2040Inno361391.63941.65220.00001.38639.3582Size3613922.28421.299019.942622.087226.3592Lev361390.42440.20480.05740.41520.9077ROA361390.03550.0661-0.23870.03580.2145Cashflow361390.04770.0675-0.15100.04620.2438Growth361390.14160.3760-0.56980.08622.1956Top1361390.33400.14710.08260.30980.7367FirmAge361392.97120.30962.07942.99573.5553表4.1详述了关键指标的描述性统计分析，揭示了其基本特征与分布概况。被解释变量企业生产率(TFP_LP)的平均值达到8.3747，伴随的标准差为1.0535，这一数据揭示了样本企业间生产效率存在显著差异，同时表明其分布呈现出一定的紧凑性和一致性。最小值与最大值分别为6.1992及11.2250，而中位数值为8.2707，这一数值接近于算术平均值，这表明生产率的分布呈现出高度的对称性，不存在显著的偏斜现象。核心变量—企业数字化转型(DIG)的平均值为1.5832，标准差为1.4231，这揭示了样本企业之间在数字化转型进程上的显著差异。最低值设定为零，这表明某些企业尚未启动数字化转型过程；最高值达到5.2040，则揭示了部分企业在数字化进程中的显著进展。中位数1.3863略低于均值，这一现象指示了数字化转型程度的分布呈现出右偏特性，意味着大多数企业所实现的数字化水平位于中等乃至较低范畴，反映了转型进程的不平衡状态。在探讨企业规模（Size）的统计特性时，我们发现其平均值为22.2837，标准差仅为1.2993，这表明所选样本企业间的规模差异相对较小，整体分布呈现出较高的集中度。针对资产负债率（Lev）这一关键财务指标，其均值为0.4244，标准差为0.2048，这表明样本企业群体的资本结构整体上处于较为平衡的状态，且内部差异并不显著。进一步地，对于衡量盈利能力的指标—净资产收益率（ReturnonAssets,ROA），以及反映现金流状况的指标—现金流量（Cashflow），它们的均值分别为0.0355和0.0477，而标准差则分别为0.0661和0.0675，这些数据揭示了样本企业在盈利能力和现金流管理方面的表现相对稳健，尽管存在一定程度的波动。企业成长性（Growth）的均值为0.1417，标准差为0.3765，这表明样本企业在增长潜力方面表现出显著的异质性，其中一部分企业展现出较高的增长速度，而另一些企业则相对缓慢，这反映了市场环境对企业长期发展影响的复杂性。描述性统计分析显示，样本企业在公司治理结构（Top1）方面呈现出均值为0.3340、标准差为0.1472的特征，这表明其股权集中度处于适度范围且变异程度较低。同时，企业年龄（FirmAge）的均值为2.9713，标准差为0.3096，揭示了样本企业成立时间的集中趋势及其较小的波动幅度。综合而言，基于上述统计指标，可以观察到样本企业在生产效率、数字化转型进程、企业规模、资本结构、盈利水平、现金流健康度、成长潜力以及公司治理体系和企业创立年份等多个维度上存在一定的差异性，然而这些差异的分布较为均衡，为后续的实证研究提供了适宜的数据基础。4.2基准回归分析表4.2展示了企业数字化转型对企业生产率影响的基准回归结果。在未引入控制变量的分析中，参照表4.2中的列1数据，通过后续控制年份的固定效应及行业的特定效应，观察到企业数字化转型的系数呈现出明显的正向显著性，这一发现初步确证了数字化转型对提升企业生产率的正面效应。进一步而言，当我们将控制变量纳入分析框架时，依据表4.2列2的数据揭示，企业数字化转型的回归系数呈现为0.0598，并在1%的显著性水平下表现出统计意义，这一结果强有力地支持了企业数字化转型对提升企业生产率存在显著正向效应的论断。鉴于此，假设H1获得验证，表明企业数字化转型确实能显著增强企业的生产效率。表4.2基准回归结果(1)(2)TFP_LPTFP_LPDIG0.1762***0.0598***(37.5669)(21.8106)Size0.5742***(193.7211)Lev0.8175***(38.3080)ROA2.4274***(35.5775)Cashflow0.5911***(10.4690)Growth0.1367***(13.3521)Top10.1886***(9.4495)FirmAge0.0337***(3.1404)_cons7.5608***-5.3225***(112.5833)(-69.8144)年份固定效应YesYes行业固定效应YesYesN3613936139Adj.R20.24000.7535注：括号内为t值，*、**和***分别表示10%、5%和1%的显著性水平。4.3稳健性检验4.3.1工具变量法在面板回归模型中，我们必须正视可能存在的内生性问题，这往往源于未考虑的变量或反向因果等因素。尽管固定效应模型对于解决遗漏变量的内生性问题具有一定效果，但它却无法从根本上解决由反向因果引起的内生性问题。为了更精确地估计企业数字化转型对企业生产率的影响，本文参考了常用的研究方法，选择同省份同行业同年份企业数字化转型的均值作为工具变量(IV)。经过分析，可以清晰地看到，IV与企业数字化转型之间存在正相关关系，并且F值远大于经验值10，这满足了工具变量相关性和外生性的两个基本条件，说明本文选择工具变量是合理的。正如表4.3所明确展示的那样，在进一步进行二阶段回归后，我们依然能够观察到企业数字化转型对企业生产率的显著正向影响。表4.3内生性检验(1)(2)DIGTFP_LPIV0.9756***(149.2903)Size0.1295***0.5717***(27.7244)(185.5139)Lev-0.0993***0.8199***(-3.1581)(38.4260)ROA-0.1827*2.4283***(-1.8904)(35.6611)Cashflow-0.3057***0.5969***(-3.7538)(10.5738)Growth0.02160.1361***(1.5580)(13.3199)Top1-0.1895***0.1928***(-5.6961)(9.6522)FirmAge-0.0925***0.0356***(-5.0002)(3.3149)DIG0.0737***(13.0568)_cons-2.3997***-5.2795***(-21.4650)(-68.1105)年份固定效应YesYes行业固定效应YesYesN3613936139Adj.R20.61240.75334.3.2替换被解释变量要验证研究结论是否稳健，本文用OP方法再次测度生产率，把其当作替代变量做回归分析，表4.4的回归结果表明，数字化转型变量的系数在1%的显著性水平上为正，这个结果同依靠LP方法的基准回归结果非常接近，这显示研究结论具备不错的稳健性，详细来讲，不管是用LP法还是OP法测度企业生产率，数字化转型对于企业生产率的推动作用始终具有统计显著性和经济意义，这样的察觉另外证明了基准回归结果是可靠的，而且进一步提升了本文研究结论的可信度。表4.4稳健性检验——替换解释变量回归(1)(2)TFP_OPTFP_OPDIG0.1183***0.0337***(30.0806)(12.2077)Size0.4106***(137.6418)Lev0.6265***(29.4198)ROA2.1058***(31.4204)Cashflow0.2523***(4.2779)Growth0.1635***(15.6791)Top10.1208***(5.9681)FirmAge0.0134(1.2610)_cons6.0074***-3.1978***(114.6475)(-40.2503)年份固定效应YesYes行业固定效应YesYesN3613936139Adj.R20.28800.66224.4机制检验表4.5展示了内部控制（IC）在数字化转型影响企业社会责任过程中的中介作用检验结果。首先列1揭示了数字化转型对全要素生产率产生直接影响的幅度为0.0598，这一效应值在统计上极为显著，对应的t检验结果为21.81；进一步分析显示，数字化转型对企业创新活动具有显著促进作用，其影响系数达到0.1351，且t检验值为18.97；在综合考虑数字化转型与企业创新两者共同作用的情况下，数字化转型的系数调整至0.0578，t检验值为20.93，同时，内部控制机制的作用系数则稳定在0.0146，并通过了t检验，其值为7.83。这一结果证实了企业创新的部分中介效应，即数字化转型不仅直接促进全要素生产率，还通过提升企业创新间接强化了这一作用。表4.5中介回归结果(1)(2)(3)TFP_LPInnoTFP_LPDIG0.0598***0.1351***0.0578***(21.8106)(18.9774)(20.9343)Size0.5742***0.2239***0.5709***(193.7211)(26.0602)(189.9986)Lev0.8175***-0.0794*0.8186***(38.3080)(-1.7325)(38.4085)ROA2.4274***2.3390***2.3932***(35.5775)(17.1718)(35.0145)Cashflow0.5911***0.7822***0.5797***(10.4690)(6.5147)(10.2750)Growth0.1367***-0.1263***0.1385***(13.3521)(-6.5423)(13.5383)Top10.1886***0.2086***0.1856***(9.4495)(3.8077)(9.2934)FirmAge0.0337***-0.4186***0.0398***(3.1404)(-15.1629)(3.7068)Inno0.0146***(7.8344)_cons-5.3225***-3.4993***-5.2714***(-69.8144)(-17.7502)(-68.6963)年份固定效应YesYesYes行业固定效应YesYesYesN361393613936139Adj.R20.75350.31530.7539

5研究结论与不足展望5.1研究结论本研究经由实证