數(shù)智化轉(zhuǎn)型對制造企業(yè)全要素生產(chǎn)率的影響及機制研究

摘 要：數(shù)智化轉(zhuǎn)型是實現(xiàn)數(shù)字經(jīng)濟與實體經(jīng)濟深度融合，推動制造企業(yè)高質(zhì)量可持續(xù)發(fā)展的必然選擇，也是加快新質(zhì)生產(chǎn)力發(fā)展的重要抓手。以2015—2022年中國A股制造業(yè)上市公司為研究樣本，實證分析數(shù)智化轉(zhuǎn)型對制造企業(yè)全要素生產(chǎn)率的影響及機制。結(jié)果表明，數(shù)智化轉(zhuǎn)型能夠促進制造企業(yè)全要素生產(chǎn)率提升；機制檢驗發(fā)現(xiàn)，數(shù)智化轉(zhuǎn)型通過提高資源配置效率和創(chuàng)新能力促進制造企業(yè)全要素生產(chǎn)率提升；融資約束負向調(diào)節(jié)數(shù)智化轉(zhuǎn)型與制造企業(yè)全要素生產(chǎn)率的關(guān)系，環(huán)境競爭性則正向調(diào)節(jié)兩者關(guān)系；異質(zhì)性分析結(jié)果表明，數(shù)智化轉(zhuǎn)型對企業(yè)全要素生產(chǎn)率的促進作用在大型企業(yè)、國有企業(yè)以及中部和東部地區(qū)企業(yè)中更顯著。進一步研究發(fā)現(xiàn)，數(shù)智化轉(zhuǎn)型情境下全要素生產(chǎn)率提高能夠促進制造企業(yè)新質(zhì)生產(chǎn)力提升。結(jié)論可為制造企業(yè)數(shù)智化轉(zhuǎn)型提供經(jīng)驗證據(jù)，并為推動制造企業(yè)高質(zhì)量發(fā)展，加快新質(zhì)生產(chǎn)力發(fā)展提供政策啟示。

關(guān)鍵詞：數(shù)智化轉(zhuǎn)型；制造企業(yè)；全要素生產(chǎn)率；新質(zhì)生產(chǎn)力；資源配置效率

DOI：10.6049/kjjbydc.2024080117 開放科學（資源服務）標識碼（OSID） 開放科學（資源服務）標識碼（OSID）：

中圖分類號：F273 文獻標識碼：A

文章編號：1001-7348（2025）07-0091-12

0 引言

制造業(yè)是立國之本、強國之基。作為實體經(jīng)濟的核心組成部分，制造企業(yè)高質(zhì)量發(fā)展對推動中國經(jīng)濟快速增長至關(guān)重要。中國制造業(yè)在規(guī)模和增加值上連續(xù)多年處于世界領先地位，但在技術(shù)創(chuàng)新和發(fā)展質(zhì)量方面存在結(jié)構(gòu)性短板。因此，中國制造業(yè)迫切需要加快轉(zhuǎn)型升級，在日益激烈的經(jīng)濟環(huán)境中保持競爭力。新質(zhì)生產(chǎn)力以數(shù)字化、智能化新技術(shù)為支撐，以綠色低碳產(chǎn)業(yè)、高新技術(shù)產(chǎn)業(yè)等為載體，其核心標志是全要素生產(chǎn)率大幅提升。全要素生產(chǎn)率提升既體現(xiàn)科技進步，又反映整體生產(chǎn)水平提高與經(jīng)濟高質(zhì)量發(fā)展。提升制造企業(yè)全要素生產(chǎn)率是加快形成新質(zhì)生產(chǎn)力的必由之路，也是新時代下推動中國經(jīng)濟高質(zhì)量發(fā)展的必然選擇^[1]。

《“十四五”數(shù)字經(jīng)濟發(fā)展規(guī)劃》提出，“以數(shù)據(jù)為關(guān)鍵要素，以數(shù)字技術(shù)與實體經(jīng)濟深度融合為主線，協(xié)同推進數(shù)字產(chǎn)業(yè)化和產(chǎn)業(yè)數(shù)字化，賦能傳統(tǒng)產(chǎn)業(yè)轉(zhuǎn)型升級，培育新產(chǎn)業(yè)新業(yè)態(tài)新模式”。發(fā)揮數(shù)據(jù)要素賦能作用，持續(xù)釋放數(shù)據(jù)要素價值，激活數(shù)據(jù)要素潛能，可促進制造企業(yè)全要素生產(chǎn)率提升^[2]。隨著人工智能、大數(shù)據(jù)等技術(shù)深度融合發(fā)展，以數(shù)字化、智能化為代表的數(shù)智化轉(zhuǎn)型升級為制造企業(yè)科技進步和創(chuàng)新發(fā)展提供新的動力源泉，成為助推企業(yè)全要素生產(chǎn)率提升的核心引擎^[3]。因此，如何抓住數(shù)智化時代契機并賦能制造企業(yè)全面重塑和轉(zhuǎn)型升級，進而推動制造企業(yè)全要素生產(chǎn)率提升，成為學術(shù)界和實務界關(guān)注熱點。

數(shù)智化轉(zhuǎn)型通過引入物聯(lián)網(wǎng)、人工智能等技術(shù)重塑生產(chǎn)過程。數(shù)智化轉(zhuǎn)型不僅是技術(shù)的應用，更是提升制造企業(yè)全要素生產(chǎn)率的關(guān)鍵。首先，資源配置效率直接影響企業(yè)生產(chǎn)要素優(yōu)化使用，高效資源配置能夠最大化產(chǎn)出并減少浪費，進而推動生產(chǎn)力提升^[4]。創(chuàng)新不僅可以提高企業(yè)競爭力，還能夠促進全要素生產(chǎn)率提升^[5]。數(shù)智化轉(zhuǎn)型通過技術(shù)創(chuàng)新和智能化管理優(yōu)化資源配置方式，進而提升全要素生產(chǎn)率。其次，數(shù)智化轉(zhuǎn)型通過引入先進技術(shù)和創(chuàng)新管理模式促進企業(yè)在產(chǎn)品、流程及服務上的創(chuàng)新，進而降低成本并提高生產(chǎn)效率。再次，作為不可忽視的外部因素，融資約束和環(huán)境競爭性會強化數(shù)智化轉(zhuǎn)型對制造企業(yè)全要素生產(chǎn)率的提升作用。在數(shù)智化轉(zhuǎn)型過程中，融資約束可能限制投資和技術(shù)革新，特別是在資本密集型行業(yè)，融資難題往往導致企業(yè)難以實現(xiàn)技術(shù)更新和數(shù)智化轉(zhuǎn)型，從而影響生產(chǎn)效率和全要素生產(chǎn)率提升^[6]。最后，高競爭性環(huán)境會迫使企業(yè)加大創(chuàng)新投入力度、提高生產(chǎn)效率，以保持市場競爭力。在競爭激烈的環(huán)境下，企業(yè)積極推動數(shù)智化轉(zhuǎn)型，以獲得成本優(yōu)勢和差異化競爭力。因此，競爭性較強的環(huán)境可能強化數(shù)智化轉(zhuǎn)型對全要素生產(chǎn)率的正向影響^[7]。

基于此，本文從數(shù)字化與智能化結(jié)合視角探究數(shù)智化轉(zhuǎn)型對企業(yè)全要素生產(chǎn)率的影響，厘清資源配置效率、創(chuàng)新能力在數(shù)智化轉(zhuǎn)型提升制造企業(yè)全要素生產(chǎn)率過程中的中介作用，并分析外部融資約束和環(huán)境競爭性對兩者關(guān)系的調(diào)節(jié)作用，為豐富相關(guān)理論研究和實踐開展提供參考。

1 文獻綜述

1.1 數(shù)智化轉(zhuǎn)型

數(shù)智化的定義最初見于2015年北京大學“知本財團”的研究報告，即數(shù)字智慧化和智慧數(shù)字化的融合^[8]。數(shù)智化轉(zhuǎn)型是企業(yè)或組織在數(shù)字化的基礎上，進一步結(jié)合人工智能等智能技術(shù)，實現(xiàn)更深層次業(yè)務優(yōu)化、管理升級和創(chuàng)新發(fā)展的過程?，F(xiàn)有數(shù)智化轉(zhuǎn)型研究主要關(guān)注數(shù)智化轉(zhuǎn)型內(nèi)涵、數(shù)智化轉(zhuǎn)型的作用以及數(shù)智化轉(zhuǎn)型實踐應用。在內(nèi)涵研究方面，Xu^[9]提出數(shù)智化轉(zhuǎn)型是將人工智能技術(shù)融入原有數(shù)字化生產(chǎn)中，進而實現(xiàn)人機一體的企業(yè)發(fā)展模式；在作用研究方面，數(shù)智化轉(zhuǎn)型能夠通過賦能企業(yè)創(chuàng)新帶動中國經(jīng)濟轉(zhuǎn)型、產(chǎn)業(yè)升級以及企業(yè)高質(zhì)量發(fā)展，并且制造業(yè)數(shù)智化升級能夠促進中小企業(yè)成長；在實踐應用方面，Yong^[10]利用案例研究探析制造企業(yè)數(shù)智化轉(zhuǎn)型影響因素與路徑，發(fā)現(xiàn)資源、需求和環(huán)境均能不同程度地影響制造企業(yè)數(shù)智化轉(zhuǎn)型。

1.2 全要素生產(chǎn)率

全要素生產(chǎn)率是指除資本和勞動投入外，不能被這些要素增長所解釋的剩余產(chǎn)出。作為衡量企業(yè)高質(zhì)量發(fā)展的重要指標，全要素生產(chǎn)率提升對推動制造企業(yè)實現(xiàn)高質(zhì)量發(fā)展至關(guān)重要^[11]。

已有文獻主要從內(nèi)外部視角研究企業(yè)全要素生產(chǎn)率影響因素：從生產(chǎn)經(jīng)營與創(chuàng)新的內(nèi)部視角出發(fā)，沈坤榮等^[12]指出，提升制造企業(yè)生產(chǎn)經(jīng)營效率和創(chuàng)新能力可顯著促進全要素生產(chǎn)率增長；Zhang^[13]指出，加強綠色創(chuàng)新和知識產(chǎn)權(quán)保護能夠有效提升企業(yè)全要素生產(chǎn)率。從環(huán)境規(guī)制與融資的外部視角出發(fā)，任勝鋼等^[14]研究發(fā)現(xiàn)，加強環(huán)境規(guī)制與提高經(jīng)濟發(fā)展質(zhì)量并不沖突。增加外部融資能夠確保企業(yè)投資的連續(xù)性，緩解融資約束可以有效提升企業(yè)全要素生產(chǎn)率。

1.3 數(shù)智化轉(zhuǎn)型與企業(yè)全要素生產(chǎn)率的關(guān)系

對于數(shù)智化轉(zhuǎn)型與制造企業(yè)全要素生產(chǎn)率的關(guān)系，現(xiàn)有研究主要關(guān)注數(shù)字化與智能化兩個層面。從數(shù)字化角度出發(fā)，大部分研究認為，傳統(tǒng)產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型能夠提升全要素生產(chǎn)率^[15]。李金城等^[16]從市場化角度解析數(shù)字化與全要素生產(chǎn)率的關(guān)系，發(fā)現(xiàn)數(shù)字化能夠有效發(fā)揮市場在資源配置中的決定性作用，從而帶動企業(yè)全要素生產(chǎn)率提升。也有研究認為，數(shù)字化發(fā)展對中小企業(yè)全要素生產(chǎn)率的提升作用不顯著。從智能化角度出發(fā)，Huang等^[17]研究發(fā)現(xiàn)，工業(yè)智能化能夠提升制造企業(yè)全要素生產(chǎn)率，且在經(jīng)濟發(fā)達和資源稟賦優(yōu)越地區(qū)的賦能效果更顯著；李逸飛等^[18]認為，智能化能夠提升制造企業(yè)創(chuàng)新能力，有助于企業(yè)智能制造提質(zhì)增效?？傮w來說，現(xiàn)有研究存在以下不足：一是大多從單一數(shù)字化或智能化視角探究其與制造企業(yè)全要素生產(chǎn)率的關(guān)系，未將數(shù)字化與智能化相結(jié)合探討其對全要素生產(chǎn)率的影響；二是大多從單一路徑分析數(shù)智化轉(zhuǎn)型對制造企業(yè)全要素生產(chǎn)率的作用機制，鮮有從創(chuàng)新與資源配置視角剖析數(shù)智化轉(zhuǎn)型對制造企業(yè)全要素生產(chǎn)率的作用路徑；三是集中探討數(shù)智化轉(zhuǎn)型對制造企業(yè)內(nèi)部機制的影響，缺乏基于企業(yè)外部影響因素視角的調(diào)節(jié)效應分析。

本文可能的邊際貢獻如下：第一，將原有城市層面的數(shù)智化轉(zhuǎn)型指標拓展至微觀層面，在企業(yè)層面綜合考慮數(shù)智化轉(zhuǎn)型的生產(chǎn)率效應，以期豐富數(shù)智化轉(zhuǎn)型相關(guān)后果研究。第二，通過理論分析和實證研究，厘清資源配置效率、創(chuàng)新能力在數(shù)智化轉(zhuǎn)型與制造企業(yè)全要素生產(chǎn)率間的中介作用，以期拓展數(shù)智化賦能全要素生產(chǎn)率提升的理論框架。第三，剖析外部融資約束、環(huán)境競爭性對兩者關(guān)系的調(diào)節(jié)作用，為理解數(shù)智化轉(zhuǎn)型情景下企業(yè)全要素生產(chǎn)率提升提供新視角。

2 理論基礎與研究假設

2.1 數(shù)智化轉(zhuǎn)型對制造企業(yè)全要素生產(chǎn)率的影響

基于內(nèi)生增長理論，技術(shù)創(chuàng)新與進步能夠?qū)崿F(xiàn)勞動、資本等傳統(tǒng)生產(chǎn)要素規(guī)模報酬遞增，并推動經(jīng)濟增長^[19]。數(shù)智技術(shù)通過提升數(shù)據(jù)獲取、處理和分析能力實現(xiàn)智能化決策支持和自動化生產(chǎn)等，進而推動企業(yè)技術(shù)進步?，F(xiàn)階段，數(shù)智化是指應用數(shù)字技術(shù)和數(shù)據(jù)驅(qū)動實現(xiàn)智能化、自動化和優(yōu)化決策的能力。數(shù)據(jù)要素作為新的生產(chǎn)要素，具有非排他性和強滲透性等特點，能夠通過與勞動力、資本和技術(shù)等生產(chǎn)要素滲透結(jié)合，提高傳統(tǒng)生產(chǎn)要素利用效率，進而推動中國制造企業(yè)從以勞動和資本為主的傳統(tǒng)制造模式轉(zhuǎn)向以智能制造為核心的高質(zhì)量發(fā)展模式^[20]，其影響主要體現(xiàn)在以下方面：

（1）數(shù)智化轉(zhuǎn)型通過數(shù)字信息賦智提升制造企業(yè)全要素生產(chǎn)率。制造企業(yè)基于大數(shù)據(jù)、云計算獲得海量數(shù)據(jù)，利用人工智能和深度學習技術(shù)可有效克服企業(yè)決策者對信息處理的局限性，降低企業(yè)經(jīng)營風險，提升企業(yè)經(jīng)營決策質(zhì)量。數(shù)智化轉(zhuǎn)型有助于制造企業(yè)通過信息收集、分析、處理和決策全流程的自動化與智能化，實時獲取和處理大規(guī)模數(shù)據(jù)，提升全要素生產(chǎn)率，進而實現(xiàn)高質(zhì)量發(fā)展^[18]。

（2）數(shù)智化轉(zhuǎn)型通過降本賦智提升制造企業(yè)全要素生產(chǎn)率。企業(yè)借助數(shù)智化轉(zhuǎn)型能夠進一步實現(xiàn)業(yè)務流程優(yōu)化和產(chǎn)業(yè)鏈延伸。一方面，制造企業(yè)通過監(jiān)測收集生產(chǎn)、研發(fā)和銷售各環(huán)節(jié)數(shù)據(jù)并利用云端智能算法分析反饋，形成“收集—分析—反饋—調(diào)整”的AI+數(shù)據(jù)智能化應用模式^[5]。另一方面，制造企業(yè)可以通過數(shù)智化轉(zhuǎn)型獲取海量數(shù)據(jù)要素，實現(xiàn)數(shù)據(jù)智能化應用并優(yōu)化生產(chǎn)流程，推動產(chǎn)業(yè)鏈形態(tài)轉(zhuǎn)變，突破生產(chǎn)制造的經(jīng)濟可行性制約，提升運行效率，從而促進全要素生產(chǎn)率提升。綜上，本研究提出以下假設：

H₁：數(shù)智化轉(zhuǎn)型對制造企業(yè)全要素生產(chǎn)率具有正向影響。

2.2 數(shù)智化轉(zhuǎn)型提高制造企業(yè)全要素生產(chǎn)率的作用機制

數(shù)字技術(shù)、人工智能深入融合發(fā)展會對傳統(tǒng)制造業(yè)資源配置模式與企業(yè)創(chuàng)新模式產(chǎn)生沖擊，促使制造企業(yè)通過數(shù)智化轉(zhuǎn)型優(yōu)化全流程資源要素配置，并賦能技術(shù)創(chuàng)新全過程。

2.2.1 資源配置機制

核心能力理論認為，作為企業(yè)發(fā)展戰(zhàn)略中的重要組成部分，核心能力是企業(yè)在長期發(fā)展中培育的獨有能力。數(shù)智化轉(zhuǎn)型有助于企業(yè)通過優(yōu)化資源配置培育核心能力，提高全要素生產(chǎn)率，從而在市場競爭中掌握主導權(quán)。

（1）數(shù)智化轉(zhuǎn)型企業(yè)能夠借助大數(shù)據(jù)分析技術(shù)收集和分析海量數(shù)據(jù)，精準預測市場需求、優(yōu)化庫存管理并制定生產(chǎn)計劃，降低生產(chǎn)過剩風險以及決策失誤的可能性^[21]，進而在相同資源投入下獲得更高產(chǎn)出。

（2）在全生產(chǎn)領域，數(shù)智化轉(zhuǎn)型企業(yè)借助智能技術(shù)對各要素賦能、賦智，進而優(yōu)化生產(chǎn)結(jié)構(gòu)，降低資源損耗^[22]。高效資源配置能夠減少企業(yè)資源閑置與浪費，優(yōu)化生產(chǎn)流程，增加生產(chǎn)邊際產(chǎn)出，進而提升企業(yè)全要素生產(chǎn)率。

此外，數(shù)字化與人工智能融合能夠提升制造企業(yè)自動化生產(chǎn)水平，降低企業(yè)勞動力成本并提升企業(yè)資源配置效率^[23]。合理的資源配置能激發(fā)員工工作熱情和創(chuàng)造力，提升員工工作效率，從而提升企業(yè)全要素生產(chǎn)率。

2.2.2 創(chuàng)新能力機制

數(shù)智化驅(qū)動企業(yè)生產(chǎn)自動化，對全生產(chǎn)領域賦能、賦智。因此，數(shù)智化轉(zhuǎn)型可推動企業(yè)創(chuàng)新，從而提高全要素生產(chǎn)率。

（1）借助數(shù)智技術(shù)的賦能作用，企業(yè)創(chuàng)新模式從傳統(tǒng)封閉式創(chuàng)新轉(zhuǎn)向企業(yè)間開放式創(chuàng)新^[24]。借助新技術(shù)，企業(yè)往往能夠在相同資源投入下創(chuàng)造更高產(chǎn)出，提升全要素生產(chǎn)率。

（2）借助數(shù)字技術(shù)的云計算功能，數(shù)智化轉(zhuǎn)型有助于制造企業(yè)營造知識共享環(huán)境，強化創(chuàng)新團隊的組織學習能力，進一步提升技術(shù)創(chuàng)新能力，獲取市場競爭優(yōu)勢，進而實現(xiàn)長期經(jīng)濟增長和全要素生產(chǎn)率持續(xù)提升。創(chuàng)新能力提高往往伴隨著員工培訓與知識更新，由此員工專業(yè)技能和創(chuàng)新意識得以增強，工作效率得以提升，這有助于企業(yè)利用勞動力、資本和原材料提升生產(chǎn)效率。

此外，基于人工智能、大數(shù)據(jù)和機器學習深度融合，企業(yè)可以提升知識整合能力與應用能力，加快技術(shù)創(chuàng)新研發(fā)進程^[25]。通過技術(shù)創(chuàng)新、資源優(yōu)化配置和人才培養(yǎng)，企業(yè)能夠在經(jīng)濟轉(zhuǎn)型與市場競爭中取得更好表現(xiàn)，實現(xiàn)全要素生產(chǎn)率持續(xù)增長。綜上，本研究提出以下假設：

H_2a：數(shù)智化轉(zhuǎn)型通過提高制造企業(yè)資源配置效率提升企業(yè)全要素生產(chǎn)率；

H_2b：數(shù)智化轉(zhuǎn)型通過提高制造企業(yè)創(chuàng)新能力提升企業(yè)全要素生產(chǎn)率。

2.3 融資約束與環(huán)境競爭性的調(diào)節(jié)作用

本文以外部融資約束、環(huán)境競爭性作為調(diào)節(jié)變量，研究在不同融資約束、不同環(huán)境競爭性條件下，制造企業(yè)數(shù)智化轉(zhuǎn)型對全要素生產(chǎn)率的影響。

2.3.1 融資約束的調(diào)節(jié)作用

融資約束理論指出，企業(yè)融資行為受其財務狀況的約束。融資約束程度降低能夠強化數(shù)智化轉(zhuǎn)型對制造企業(yè)全要素生產(chǎn)率的提升效應。從企業(yè)視角出發(fā)，數(shù)智化轉(zhuǎn)型需要大量資金投入，涉及信息技術(shù)基礎設施更新、大數(shù)據(jù)平臺建設以及人工智能等先進技術(shù)引入^[26]。因此，良好的融資環(huán)境有助于企業(yè)獲取必要的資金，加強技術(shù)創(chuàng)新和基礎設施建設，加快技術(shù)升級與流程重組，實現(xiàn)資源優(yōu)化配置，進而提升企業(yè)全要素生產(chǎn)率。相比其它行業(yè)企業(yè)，制造企業(yè)數(shù)智化轉(zhuǎn)型周期長、風險高、不確定性大。在數(shù)智化轉(zhuǎn)型過程中，企業(yè)融資約束程度較高，容易因資金不足而出現(xiàn)轉(zhuǎn)型停滯的情況^[27]。

2.3.2 環(huán)境競爭性的調(diào)節(jié)作用

基于資源依賴理論，企業(yè)會隨著外部環(huán)境改變而調(diào)整自身發(fā)展模式。在數(shù)智化時代，制造企業(yè)面臨較大的環(huán)境不確定性。一方面，新消費模式持續(xù)演化導致市場需求的不穩(wěn)定性顯著提升，為制造企業(yè)帶來新的機遇與挑戰(zhàn)；另一方面，為適應外部環(huán)境變化，有的制造企業(yè)主動通過數(shù)智化轉(zhuǎn)型重塑自身發(fā)展模式，以期成為行業(yè)領軍者并獲得領先優(yōu)勢^[28]。在較高環(huán)境競爭性條件下，企業(yè)具有較強意愿進行數(shù)智化轉(zhuǎn)型以提升要素生產(chǎn)率優(yōu)勢，從而獲得更多市場份額和競爭優(yōu)勢；在較低環(huán)境競爭性條件下，企業(yè)缺乏數(shù)智化轉(zhuǎn)型動力，傾向于維持發(fā)展現(xiàn)狀，較少將注意力放在企業(yè)創(chuàng)新以及全要素生產(chǎn)率提升上。因此，環(huán)境競爭性在制造企業(yè)數(shù)智化轉(zhuǎn)型與全要素生產(chǎn)率間發(fā)揮重要調(diào)節(jié)作用。綜上，本研究提出以下假設：

H_3a：融資約束在數(shù)智化轉(zhuǎn)型促進制造企業(yè)全要素生產(chǎn)率提升過程中發(fā)揮負向調(diào)節(jié)效應；

H_3b：環(huán)境競爭性在數(shù)智化轉(zhuǎn)型促進制造企業(yè)全要素生產(chǎn)率提升過程中發(fā)揮正向調(diào)節(jié)效應。

3 研究設計

3.1 樣本選擇與數(shù)據(jù)來源

本文采用2015—2022年中國A股制造業(yè)上市公司年度數(shù)據(jù)，并剔除ST、*ST、PT、核心變量缺失以及觀測年份不足5年的上市公司樣本。由此，獲得18 238個公司—年度樣本觀測值。本文上市公司數(shù)據(jù)來自國泰安（CSMAR）數(shù)據(jù)庫，相關(guān)上市公司年報數(shù)據(jù)來自巨潮官方網(wǎng)站，工具變量相關(guān)數(shù)據(jù)來自國家統(tǒng)計局。此外，本文對所有連續(xù)變量進行1%和99%的縮尾處理。

3.2 指標選取與變量說明

3.2.1 被解釋變量

企業(yè)全要素生產(chǎn)率（TFP）。本文使用Levinsohn-Petrin方法計算企業(yè)全要素生產(chǎn)率，該方法能夠很好地解決樣本損失導致的內(nèi)生性問題，實現(xiàn)對投入要素的有效估計。

3.2.2 解釋變量

現(xiàn)有數(shù)智化發(fā)展研究較少，大部分學者關(guān)注數(shù)字化發(fā)展對經(jīng)濟發(fā)展或企業(yè)生產(chǎn)的影響^[29]，鮮有將數(shù)字化、智能化作為一個相互支撐、相互融合的新經(jīng)濟形態(tài)展開研究。因此，本文將企業(yè)數(shù)智化轉(zhuǎn)型分為數(shù)字技術(shù)和人工智能技術(shù)，前者是指利用數(shù)字數(shù)據(jù)和技術(shù)手段進行信息處理、存儲、傳輸?shù)墓ぞ吲c方法，利用大數(shù)據(jù)、云計算和區(qū)塊鏈等數(shù)字技術(shù)賦能企業(yè)轉(zhuǎn)型升級；后者是指企業(yè)或組織在運營、管理、產(chǎn)品和服務等方面進行全面智能化升級，使用人工智能技術(shù)對生產(chǎn)運營流程賦能賦智。數(shù)字技術(shù)應用旨在提高效率、降低成本和優(yōu)化業(yè)務流程，而智能化轉(zhuǎn)型旨在通過智能化手段增強競爭力并實現(xiàn)可持續(xù)發(fā)展。

數(shù)字技術(shù)賦能水平（DT）。借鑒吳非等（2021）的研究，從大數(shù)據(jù)技術(shù)、區(qū)塊鏈技術(shù)、云計算與數(shù)字技術(shù)運用4個維度構(gòu)建特征詞詞庫，根據(jù)上市公司年報文本對數(shù)字技術(shù)賦能水平特征詞進行詞頻統(tǒng)計，將加總后的特征詞頻次加1并取自然對數(shù)，最終得到數(shù)字技術(shù)賦能水平（DT）。大數(shù)據(jù)技術(shù)層面的特征詞包括大數(shù)據(jù)、數(shù)據(jù)挖掘、文本挖掘等；區(qū)塊鏈技術(shù)層面的特征詞包括區(qū)塊鏈、數(shù)字貨幣等；云計算方面的特征詞包括云計算、流計算、圖計算等；數(shù)字技術(shù)運用層面的特征詞包括移動互聯(lián)網(wǎng)、工業(yè)互聯(lián)網(wǎng)、移動互聯(lián)、互聯(lián)網(wǎng)醫(yī)療、電子商務、移動支付、第三方支付、NFC支付等。

人工智能技術(shù)賦能賦智水平（AI）。本文將人工智能維度單獨作為解釋變量的原因在于，數(shù)字技術(shù)側(cè)重數(shù)據(jù)存儲和處理，雖然人工智能以數(shù)字技術(shù)為基礎，但它代表更為復雜的數(shù)據(jù)處理能力。人工智能具有自主性和自適應能力，能夠通過學習、推理和決策模擬智能行為，表現(xiàn)出較傳統(tǒng)數(shù)字技術(shù)更復雜的智能化特征。本文借鑒溫素彬等^[30]的研究，參考政府等權(quán)威機構(gòu)對智能制造的定義構(gòu)建人工智能技術(shù)賦能賦智水平特征詞詞庫，并基于上市公司年報文本對人工智能技術(shù)賦能賦智水平特征詞進行詞頻統(tǒng)計，最終得到人工智能技術(shù)賦能賦智水平（AI）。其中，特征詞包括智能制造、智能機器、智能生產(chǎn)、機器人、全自動、全機器等。

3.2.3 中介變量

資源配置效率（ATO）。本文借鑒沈坤榮等^[12]的研究，將總資產(chǎn)周轉(zhuǎn)率作為公司資源配置效率度量指標，原因如下：該指標能夠綜合反映企業(yè)整體資產(chǎn)營運能力，總資產(chǎn)周轉(zhuǎn)率越高，企業(yè)資源配置效率越高。總資產(chǎn)周轉(zhuǎn)率能夠反映出公司管理層在資源配置方面的決策質(zhì)量。

創(chuàng)新能力（PT）。本文借鑒趙宸宇等^[31]的研究方法，將對數(shù)化處理的發(fā)明專利授權(quán)數(shù)量作為企業(yè)創(chuàng)新能力度量指標，原因如下：發(fā)明授權(quán)專利具有較高的利用價值，并能為企業(yè)帶來一定的經(jīng)濟利益，體現(xiàn)出企業(yè)較強的創(chuàng)新能力。

3.2.4 調(diào)節(jié)變量

企業(yè)融資約束（FC）。本文參考顧雷雷等^[32]的研究，將FC指數(shù)作為企業(yè)融資約束度量指標。FC指數(shù)能夠綜合分析企業(yè)信用狀況、財務透明度、盈利能力、現(xiàn)金流狀況和資產(chǎn)結(jié)構(gòu)等多維度因素，全面反映企業(yè)融資難易程度。

環(huán)境競爭性（PCM）。借鑒Peress^[33]的研究，本文使用勒納指數(shù)衡量環(huán)境競爭性。勒納指數(shù)通過度量價格與邊際成本的偏離程度反映市場中的壟斷力量。勒納指數(shù)越大，代表公司定價能力越強，企業(yè)所面臨的環(huán)境競爭性越低。

3.2.5 控制變量

參考現(xiàn)有研究，本文選取以下企業(yè)特征變量作為控制變量：公司規(guī)模（Size）、第一大股東持股比例（Top1）、財務杠桿率（Lev）、公司年限（Age）和總資產(chǎn)收益率（Roa）。具體變量說明如表1所示。

3.3 模型設定

為探究數(shù)智化轉(zhuǎn)型對制造企業(yè)全要素生產(chǎn)率的影響，本文構(gòu)建實證檢驗模型如式（1）。

TFP_LPi，t=α₀+α₁X_i，t+α₂Controls_i，t+Ind+Year+ε_i，t（1）

式（1）中，i、t分別為企業(yè)和年份，TFP_LP為企業(yè)i第t年全要素生產(chǎn)率，全要素生產(chǎn)率是基于LP方法計算所得，X為解釋變量，包括數(shù)字技術(shù)賦能水平（DT）與人工智能技術(shù)賦能賦智水平（AI），Controls是一系列控制變量。Ind、Year分別代表行業(yè)固定效應和年份固定效應，ε代表隨機擾動項。

為探究中介變量資源配置效率和創(chuàng)新能力的作用，本文構(gòu)建如下模型：

Mediator_i，t=β₀+β₁X_i，t+β₂Controls_i，t+Ind+Year+ε_i，t（2）

TFP_LP_i，t=γ₀+γ₁X_i，t+γ₂Mediator_i，t+γ₃Controls_i，t+Ind+Year+ε_i，t（3）

在上述模型中，Mediator為中介變量，包括資源配置效率（ATO）與創(chuàng)新能力（PT）。

為考察融資約束、環(huán)境競爭性的調(diào)節(jié)作用，本文構(gòu)建如下模型：

TFP_LP_i，t=ω₀+ω₁X_i，t+ω₂X_i，t·Moderator_i，t+ω₃Moderator_i，t+ω₄Controls_i，t+Ind+Year+ε_i，t（4）

在上述模型中，Moderator為調(diào)節(jié)變量，包括融資約束（FC）與環(huán)境競爭性（PCM）。本文對解釋變量與調(diào)節(jié)變量的交乘項（X·Moderator）作中心化處理。

4 實證分析

4.1 描述性統(tǒng)計分析

本文描述性統(tǒng)計結(jié)果如表2所示。制造企業(yè)全要素生產(chǎn)率（TFP_LP）的最小值為5.516，最大值為13.144，標準差為1.025，表明不同樣本企業(yè)全要素生產(chǎn)率水平存在顯著差異，與已有研究結(jié)論類似。制造企業(yè)數(shù)字技術(shù)賦能水平（DT）與人工智能技術(shù)賦能賦智水平（AI）的均值分別為1.575、1.762，兩者最小值均為0，最大值分別為6.254、6.306，說明不同制造企業(yè)數(shù)智化轉(zhuǎn)型程度存在顯著差異。

4.2 基準回歸結(jié)果

表3展示了數(shù)智化轉(zhuǎn)型對企業(yè)全要素生產(chǎn)率的影響。列（1）（3）顯示，數(shù)字技術(shù)賦能水平（DT）、人工智能技術(shù)賦能賦智水平（AI）與企業(yè)全要素生產(chǎn)率（TFP_LP）的回歸系數(shù)均在1%水平上顯著。列（2）（4）加入控制變量進行回歸，結(jié)果顯示，數(shù)字技術(shù)賦能水平（DT）、人工智能技術(shù)賦能賦智水平（AI）和企業(yè)全要素生產(chǎn)率（TFP_LP）的回歸系數(shù)仍在1%水平上顯著。上述結(jié)果有力地支持了假設H₁，即制造企業(yè)數(shù)智化轉(zhuǎn)型顯著提升企業(yè)全要素生產(chǎn)率。

4.3 穩(wěn)健性檢驗

表4列（1）（2）報告了使用全要素生產(chǎn)率（TFP_OP）替換被解釋變量后的結(jié)果；列（3）（4）報告了剔除數(shù)字技術(shù)賦能水平（DT）為0的企業(yè)樣本、人工智能技術(shù)賦能賦智水平（AI）為0的企業(yè)樣本后的檢驗結(jié)果；列（5）（6）是剔除2015年后上市公司的估計結(jié)果；列（7）（8）報告了加入省份固定效應后的穩(wěn)健性檢驗結(jié)果；列（9）（10）報告了未縮尾的穩(wěn)健性檢驗結(jié)果。上述穩(wěn)健性檢驗結(jié)果表明，數(shù)字技術(shù)賦能水平（DT）、人工智能技術(shù)賦能賦智水平（AI）的回歸系數(shù)均顯著為正，與主檢驗結(jié)果一致。

4.4 變量滯后處理

考慮到數(shù)字技術(shù)賦能水平（DT）、人工智能技術(shù)賦能賦智水平（AI）對企業(yè)全要素生產(chǎn)率的影響可能存在時滯效應，本文對核心解釋變量作滯后一期和滯后兩期處理。表5列（1）（2）分別是將數(shù)字技術(shù)賦能水平（DT）進行滯后一期和滯后兩期的回歸結(jié)果，結(jié)果顯示，L.DT、L2.DT的系數(shù)均顯著為正，與主檢驗結(jié)果一致。列（3）（4）分別是將人工智能技術(shù)賦能賦智水平（AI）滯后一期和滯后兩期的回歸結(jié)果，結(jié)果顯示，L.AI、L2.AI的系數(shù)均顯著為正，與主檢驗結(jié)果一致。

4.5 工具變量法

為了有效降低內(nèi)生性問題對研究結(jié)果的潛在干擾，提升整體研究的可信度，本文引入工具變量。借鑒黃群慧（2019）的研究，本文選擇1984年每百萬人郵局數(shù)量作為工具變量，原因如下：我國最早統(tǒng)計郵電業(yè)務量和電話機數(shù)的時間為1984年，從工具變量相關(guān)性角度看，信息技術(shù)發(fā)展依賴于互聯(lián)網(wǎng)技術(shù)，而早期互聯(lián)網(wǎng)電話線接入依賴于郵局執(zhí)行。因此，郵局布局會通過影響數(shù)字信息技術(shù)發(fā)展水平進而影響企業(yè)數(shù)智化轉(zhuǎn)型，選取郵局數(shù)量作為企業(yè)數(shù)字化轉(zhuǎn)型的工具變量滿足相關(guān)性要求。而相對于數(shù)字技術(shù)的發(fā)展變革，歷史上的郵局數(shù)量并不會對當前制造企業(yè)全要素生產(chǎn)率產(chǎn)生影響，因而滿足工具變量的外生性假設^[34]。工具變量不隨年份變化，因而本文將滯后一期全國互聯(lián)網(wǎng)上網(wǎng)人數(shù)與各地級市1984年每百萬人郵局數(shù)量的交互項作為工具變量進行內(nèi)生性檢驗。表5列（5）（6）為工具變量回歸結(jié)果，結(jié)果顯示，Anderson canon. corr. LM統(tǒng)計量均在1%水平上顯著，拒絕了工具變量識別不足的原假設。進一步地，Cragg-Donald Wald F統(tǒng)計量均顯著超過Stock-Yogo的臨界值，拒絕了弱工具變量的假設。同時，Sargan檢驗的P值大于0.05，說明工具變量滿足外生性假設。上述回歸結(jié)果說明本文結(jié)果可靠，即制造企業(yè)數(shù)智化轉(zhuǎn)型顯著提升企業(yè)全要素生產(chǎn)率。

4.6 異質(zhì)性分析

4.6.1 企業(yè)規(guī)模

本文將年營收大于4億元的企業(yè)劃分為大型企業(yè)，將其余企業(yè)劃分為中小型企業(yè)。表6報告了企業(yè)規(guī)模異質(zhì)性檢驗回歸結(jié)果，結(jié)果顯示，數(shù)字技術(shù)賦能水平（DT）與人工智能技術(shù)賦能賦智水平（AI）對大型企業(yè)全要素生產(chǎn)率影響的估計系數(shù)分別為0.082、0.078，對中小型企業(yè)全要素生產(chǎn)率影響的估計系數(shù)分別為0.041和0.038，均在1%水平上顯著。由此說明，數(shù)智化轉(zhuǎn)型能夠顯著提升大型制造企業(yè)和中小型制造企業(yè)全要素生產(chǎn)率，且上述促進作用在大型企業(yè)中更為顯著。這可能因為大型企業(yè)往往具備更雄厚的資本、更先進的技術(shù)和更符合數(shù)智化轉(zhuǎn)型需求的人力資源，能夠更為高效地通過數(shù)智化轉(zhuǎn)型提升資源配置效率和創(chuàng)新能力，因而其全要素生產(chǎn)率的提升效果更為顯著。本文參考連玉君等^[35]的研究，采用似不相關(guān)回歸分析方法檢驗核心解釋變量的估計系數(shù)在不同分組間的潛在差異。SUEST檢驗結(jié)果表明，數(shù)字技術(shù)賦能水平（DT）與人工智能技術(shù)賦能賦智水平（AI）的組間回歸系數(shù)均存在顯著差異。

4.6.2 產(chǎn)權(quán)性質(zhì)

根據(jù)不同產(chǎn)權(quán)性質(zhì)，本文將樣本劃分為國有企業(yè)與非國有企業(yè)。表7報告了產(chǎn)權(quán)性質(zhì)異質(zhì)性檢驗回歸結(jié)果，結(jié)果顯示，數(shù)字技術(shù)賦能水平（DT）與人工智能技術(shù)賦能賦智水平（AI）對國有企業(yè)全要素生產(chǎn)率影響的估計系數(shù)分別為0.075、0.067，對非國有企業(yè)全要素生產(chǎn)率影響的估計系數(shù)分別為0.060、0.056，均在1%水平上顯著。由此說明，數(shù)智化轉(zhuǎn)型對國有制造企業(yè)與非國有制造企業(yè)全要素生產(chǎn)率均具有顯著促進作用，且上述作用在國有企業(yè)中更顯著。這可能是因為在融資與政策待遇方面，相較于非國有企業(yè)，國有企業(yè)更具優(yōu)勢，后者能夠通過數(shù)智化轉(zhuǎn)型高效提升其全要素生產(chǎn)率。SUEST檢驗結(jié)果表明，數(shù)字技術(shù)賦能水平（DT）與人工智能技術(shù)賦能賦智水平（AI）的組間回歸系數(shù)均存在顯著差異。

4.6.3 區(qū)域差異

借鑒王宏鳴等^[36]的研究，本文將研究樣本劃分為東部、中部、西部地區(qū)企業(yè)。表8報告了區(qū)域異質(zhì)性檢驗回歸結(jié)果，結(jié)果顯示，數(shù)字技術(shù)賦能水平（DT）與人工智能技術(shù)賦能賦智水平（AI）對東部企業(yè)全要素生產(chǎn)率影響的估計系數(shù)分別為0.064、0.059，對中部企業(yè)全要素生產(chǎn)率影響的估計系數(shù)分別為0.098、0.091，對西部企業(yè)全要素生產(chǎn)率影響的估計系數(shù)分別為0.033、0.028，均在1%水平上顯著。由此可見，無論是東部地區(qū)企業(yè)、中部地區(qū)企業(yè)還是西部地區(qū)企業(yè)，數(shù)智化轉(zhuǎn)型均能顯著提高企業(yè)全要素生產(chǎn)率，且對中、東部地區(qū)企業(yè)全要素生產(chǎn)率的提升效果更好。原因如下：東部、中部地區(qū)數(shù)字基礎設施完備，具有優(yōu)越的資源稟賦，而西部地區(qū)數(shù)字基礎建設相對滯后、經(jīng)濟欠發(fā)達，數(shù)智化轉(zhuǎn)型的促進作用相對弱一些。SUEST檢驗結(jié)果表明，數(shù)字技術(shù)賦能水平（DT）與人工智能技術(shù)賦能賦智水平（AI）的組間回歸系數(shù)均存在顯著差異。

4.7 中介機制檢驗

4.7.1 資源配置效率

表9列（1）（3）顯示，數(shù)字技術(shù)賦能水平（DT）與人工智能技術(shù)賦能賦智水平（AI）對資源配置效率（ATO）影響的估計系數(shù)分別為0.022、0.020，均在1%水平上顯著，表明數(shù)智化轉(zhuǎn)型可提升制造企業(yè)資源配置效率。列（2）（4）反映了在加入資源配置效率這一中介變量后，數(shù)智化轉(zhuǎn)型能夠通過提高資源配置效率提升企業(yè)全要素生產(chǎn)率。進一步地，采用乘積系數(shù)法進行中介效應檢驗，Sobel檢驗的P值為0.000，資源配置效率的中介效應占總效用的比值均為42.6%，說明中介效應存在。數(shù)智技術(shù)有助于企業(yè)優(yōu)化資源配置，通過精準分析與預測高效配置資本、勞動力和材料等生產(chǎn)要素，減少浪費、提升產(chǎn)出。高效資源配置有助于企業(yè)優(yōu)化生產(chǎn)流程、降低成本，提高整體生產(chǎn)率，從而提升全要素生產(chǎn)率。上述結(jié)果支持假設H_2a。

4.7.2 創(chuàng)新能力

表10列（1）（3）顯示，數(shù)字技術(shù)賦能水平（DT）與人工智能技術(shù)賦能賦智水平（AI）對制造企業(yè)創(chuàng)新能力（PT）影響的估計系數(shù)分別為0.119、0.128，在1%水平上顯著，表明數(shù)智化轉(zhuǎn)型可以提升制造企業(yè)創(chuàng)新能力。表10列（2）（4）顯示，數(shù)智化轉(zhuǎn)型通過增強制造企業(yè)創(chuàng)新能力提升其全要素生產(chǎn)率。進一步地，采用乘積系數(shù)法進行中介效應檢驗，Sobel檢驗的P值分別為0.001，創(chuàng)新能力的中介效應占總效用的比值為1.7%和1.9%，說明中介效應存在。數(shù)智化轉(zhuǎn)型通過引入新技術(shù)和優(yōu)化管理流程提升企業(yè)創(chuàng)新能力。企業(yè)創(chuàng)新能力提升能夠推動技術(shù)進步、管理優(yōu)化和業(yè)務模式創(chuàng)新，提高企業(yè)生產(chǎn)效率，進而提升其全要素生產(chǎn)率。上述結(jié)果支持假設H_2b。

4.8 調(diào)節(jié)效應檢驗

4.8.1 企業(yè)融資約束

表11列（1）（2）顯示，數(shù)字技術(shù)賦能水平（DT）、人工智能技術(shù)賦能賦智水平（AI）與融資約束（FC）的交互項系數(shù)均在1%水平上顯著為負，而融資約束（FC）的回歸系數(shù)在1%水平上顯著為正，表明企業(yè)融資約束抑制數(shù)智化轉(zhuǎn)型對全要素生產(chǎn)率的提升作用。企業(yè)數(shù)智化轉(zhuǎn)型需要大量資金支持，而融資約束會限制企業(yè)資金獲取。當融資約束較弱時，企業(yè)能夠順利開展數(shù)智化轉(zhuǎn)型，提升企業(yè)全要素生產(chǎn)率；當融資約束較強時，企業(yè)數(shù)智化轉(zhuǎn)型受限，抑制其全要素生產(chǎn)率提升。上述結(jié)果支持假設H_3a。

4.8.2 環(huán)境競爭性

表11列（3）（4）顯示，數(shù)字技術(shù)賦能水平（DT）、人工智能技術(shù)賦能賦智水平（AI）與環(huán)境競爭性（PCM）的交互項系數(shù)均在1%水平上顯著為負，表明環(huán)境競爭性在數(shù)智化轉(zhuǎn)型與制造企業(yè)全要素生產(chǎn)率間發(fā)揮正向調(diào)節(jié)作用。較高的環(huán)境競爭性促使制造企業(yè)更加注重效率和創(chuàng)新，以維持競爭優(yōu)勢。在激烈的市場競爭中，企業(yè)傾向于加速數(shù)智化轉(zhuǎn)型，應用人工智能等技術(shù)優(yōu)化生產(chǎn)流程、提升資源利用效率。上述結(jié)果支持假設H_3b。

5 進一步分析

數(shù)字經(jīng)濟與實體經(jīng)濟融合發(fā)展背景下，加快轉(zhuǎn)型升級并發(fā)展新質(zhì)生產(chǎn)力成為制造業(yè)實現(xiàn)高質(zhì)量發(fā)展的必然路徑^[37]。新質(zhì)生產(chǎn)力以全要素生產(chǎn)率大幅提升為核心標志，在企業(yè)層面，全要素生產(chǎn)率能夠反映科技成果應用程度，提高全要素生產(chǎn)率契合新質(zhì)生產(chǎn)力發(fā)展的“高科技”特征。鑒于此，本文構(gòu)建模型（5）分析數(shù)智化轉(zhuǎn)型情景下提升全要素生產(chǎn)率能否提高制造企業(yè)新質(zhì)生產(chǎn)力。

Npro_i，t=ω₀+ω₁X_i，t+ω₂X_i，t·TFP_LP_i，t+ω₃TFP_LP_i，t+ω₄Controls_i，t+Ind+Year+ε_i，t（5）

在上述模型中， Npro代表被解釋變量新質(zhì)生產(chǎn)力，TFP_LP為企業(yè)全要素生產(chǎn)率，X為解釋變量，包括數(shù)字技術(shù)賦能水平（DT）與人工智能技術(shù)賦能賦智水平（AI），TFP_LP_i，t代表調(diào)節(jié)變量，即數(shù)字技術(shù)賦能水平（DT）、人工智能技術(shù)賦能賦智水平（AI）和企業(yè)全要素生產(chǎn)率的交互項，若交互項系數(shù)ω₂為正，則代表數(shù)智化轉(zhuǎn)型對新質(zhì)生產(chǎn)力的正向影響隨著全要素生產(chǎn)率提升而增強。本文借鑒宋佳等^[38]的研究，基于生產(chǎn)力二要素理論，采用熵值法構(gòu)建制造企業(yè)新質(zhì)生產(chǎn)力指標體系。

表12報告了數(shù)智化轉(zhuǎn)型情境下企業(yè)全要素生產(chǎn)率提升對制造企業(yè)新質(zhì)生產(chǎn)力的影響，結(jié)果顯示，數(shù)字技術(shù)賦能水平（DT）、人工智能技術(shù)賦能賦智水平（AI）與企業(yè)全要素生產(chǎn)率（TFP_LP）交互項的估計系數(shù)分別為0.112、0.099，均在1%水平上顯著。由此表明，數(shù)智化轉(zhuǎn)型對新質(zhì)生產(chǎn)力發(fā)展的積極影響會隨著全要素生產(chǎn)率提高而增強。換言之，數(shù)智化轉(zhuǎn)型情境下，全要素生產(chǎn)率提升能夠促進制造企業(yè)新質(zhì)生產(chǎn)力提升。

6 結(jié)語

6.1 研究結(jié)論

數(shù)智化轉(zhuǎn)型不僅是企業(yè)技術(shù)升級過程，更是制造企業(yè)提升全要素生產(chǎn)率與實現(xiàn)可持續(xù)發(fā)展的重要路徑。本文利用2015—2022年中國A股制造業(yè)上市公司數(shù)據(jù)，實證檢驗了數(shù)智化轉(zhuǎn)型對制造企業(yè)全要素生產(chǎn)率的影響，得出以下主要結(jié)論：

（1）數(shù)智化轉(zhuǎn)型對制造企業(yè)全要素生產(chǎn)率具有正向影響，上述影響在大型企業(yè)、國有企業(yè)、中部和東部地區(qū)企業(yè)中更為顯著。

（2）數(shù)智化轉(zhuǎn)型有助于制造企業(yè)提升資源配置效率和創(chuàng)新能力，進而提升其全要素生產(chǎn)率。

（3）在數(shù)智化轉(zhuǎn)型促進制造企業(yè)全要素生產(chǎn)率提升過程中，融資約束發(fā)揮負向調(diào)節(jié)效應，而環(huán)境競爭性則發(fā)揮正向調(diào)節(jié)效應。

（4）數(shù)智化轉(zhuǎn)型情境下全要素生產(chǎn)率提升能夠促進制造企業(yè)新質(zhì)生產(chǎn)力提升。

6.2 實踐啟示

（1）企業(yè)層面。制造企業(yè)應充分發(fā)揮數(shù)據(jù)要素的賦能作用，積極利用數(shù)字技術(shù)和智能技術(shù)推動自身轉(zhuǎn)型升級，充分發(fā)揮資源配置能力與創(chuàng)新能力對全要素生產(chǎn)率的提升作用。在發(fā)展過程中，企業(yè)需要高度重視數(shù)智化轉(zhuǎn)型對資源配置效率和創(chuàng)新能力的促進作用。

（2）政府層面。政府應制定企業(yè)數(shù)智化轉(zhuǎn)型相關(guān)政策，通過稅收優(yōu)惠、財政補貼、融資支持降低企業(yè)數(shù)智化轉(zhuǎn)型成本與風險。借鑒國外數(shù)據(jù)開放經(jīng)驗，加快數(shù)據(jù)資源和公共服務平臺與制造企業(yè)對接，促進數(shù)據(jù)共享和開放創(chuàng)新。針對中小企業(yè)需求和特點，政府可以提供定制化的數(shù)智化解決方案，幫助企業(yè)更好地利用數(shù)智技術(shù)提升供應鏈響應度，以應對市場快速變化和滿足客戶需求。

（3）融資環(huán)境層面。企業(yè)應充分發(fā)揮融資約束與環(huán)境競爭性的調(diào)節(jié)作用，探索多種融資方式，如股權(quán)融資、債務融資等，以降低融資約束對數(shù)智化轉(zhuǎn)型的影響。多元化融資結(jié)構(gòu)能夠為企業(yè)提供更靈活的資金來源，支持企業(yè)技術(shù)研發(fā)和設備更新，助力企業(yè)數(shù)智化轉(zhuǎn)型升級。同時，企業(yè)管理層需要充分認識到外部環(huán)境的不確定性，保持對外部環(huán)境的敏感性和洞察力，最大程度地降低環(huán)境不確定性帶來的影響，確保企業(yè)穩(wěn)定發(fā)展。

6.3 不足與展望

本文存在以下不足：第一，本研究主要從資源配置效率和創(chuàng)新能力兩個方面探討作用機制，未對資源配置效率和創(chuàng)新能力來源作進一步細分，未來可作細分或從其他視角進一步深入探討數(shù)智化轉(zhuǎn)型對制造企業(yè)全要素生產(chǎn)率的作用機制。第二，本研究使用Python軟件收集2015—2022年中國A股制造業(yè)上市公司年報并建立文本數(shù)據(jù)，以衡量企業(yè)數(shù)字技術(shù)賦能水平和人工智能技術(shù)賦能賦智水平，對數(shù)智化相關(guān)特征詞詞庫的選取可能存在偏差。未來可以擴充數(shù)據(jù)來源，更全面深入地評估制造企業(yè)數(shù)智化轉(zhuǎn)型水平。第三，受限于數(shù)據(jù)可得性，結(jié)論普適性有限。未來可以基于非上市企業(yè)角度，探究數(shù)智化轉(zhuǎn)型對非上市企業(yè)全要素生產(chǎn)率的影響效應。

參考文獻：

[1] 歐陽日輝.數(shù)字經(jīng)濟的理論演進、內(nèi)涵特征和發(fā)展規(guī)律[J].廣東社會科學，2023，40（1）：25-35.

[2] 劉偉.科學認識與切實發(fā)展新質(zhì)生產(chǎn)力[J].經(jīng)濟研究，2024，59（3）：4-11.

[3] 張志學，華中生，謝小云.數(shù)智時代人機協(xié)同的研究現(xiàn)狀與未來方向[J].管理工程學報，2024，38（1）：1-13.

[4] 陳曉東，楊曉霞.數(shù)字經(jīng)濟發(fā)展對產(chǎn)業(yè)結(jié)構(gòu)升級的影響——基于灰關(guān)聯(lián)熵與耗散結(jié)構(gòu)理論的研究[J].改革，2021，34（3）：26-39.

[5] 郭凱明.人工智能發(fā)展、產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型升級與勞動收入份額變動[J].管理世界，2019，35（7）：60-77.

[6] 李歡，李丹，王丹.客戶效應與上市公司債務融資能力——來自我國供應鏈客戶關(guān)系的證據(jù)[J].金融研究，2018，61（6）：138-154.

[7] 簡澤，張濤，伏玉林.進口自由化、競爭與本土企業(yè)的全要素生產(chǎn)率——基于中國加入WTO的一個自然實驗[J].經(jīng)濟研究，2014，49（8）：120-132.

[8] 張傳洋，郭宇，龐宇飛，等.數(shù)智化醫(yī)療信息利用與服務模式框架構(gòu)建[J].圖書情報工作，2023，67（13）：49-58.

[9] XU J. The connotation characteristics，realistic challenges and implementation path of digital intelligent transformation in manufacturing industry[J]. Industrial Engineering and Innovation Management，2024，7（1）： 166-175.

[10] YONG S. A case study of intelligent manufacturing transformation framework for manufacturing enterprises[J]. Financial Engineering and Risk Management，2023，6（1）： 15-19.

[11] 胡德龍，石滿珍.數(shù)字經(jīng)濟對企業(yè)全要素生產(chǎn)率的影響研究[J].當代財經(jīng)，2023，44（12）：17-29.

[12] 沈坤榮，喬剛，林劍威.智能制造政策與中國企業(yè)高質(zhì)量發(fā)展[J].數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2024，41（2）：5-25.

[13] ZHANG G，SHI Y，HUANG N. Government subsidies，green innovation，and firm total factor productivity of listed artificial intelligence firms in China[J]. Sustainability，2024，16（8）： 2740-2760.

[14] 任勝鋼，鄭晶晶，劉東華，等.排污權(quán)交易機制是否提高了企業(yè)全要素生產(chǎn)率——來自中國上市公司的證據(jù)[J].中國工業(yè)經(jīng)濟，2019，37（5）：5-23.

[15] CHENG Y，ZHOU X，LI Y. The effect of digital transformation on real economy enterprises' total factor productivity[J]. International Review of Economics amp; Finance，2023，85（3）：488-501.

[16] 李金城，王林輝.工業(yè)智能化會引發(fā)新索洛悖論嗎——來自城市層面的經(jīng)驗證據(jù)[J].東南大學學報（哲學社會科學版），2023，25（6）：66-76.

[17] HUANG R，SHEN Z，YAO X. How does industrial intelligence affect total-factor energy productivity？ evidence from China's manufacturing industry[J]. Computers amp; Industrial Engineering，2024，188（2）： 821-830.

[18] 李逸飛，蘇蓋美，牛芮，等.智能化與制造企業(yè)創(chuàng)新[J].經(jīng)濟與管理研究，2023，44（8）：3-16.

[19] PACK H. Endogenous growth theory： intellectual appeal and empirical shortcomings[J]. Journal of Economic Perspectives，1994，8（1）： 55-72.

[20] 戴雙興.數(shù)據(jù)要素：主要特征、推動效應及發(fā)展路徑[J].馬克思主義與現(xiàn)實，2020，31（6）：171-177.

[21] 杜傳忠，疏爽.人工智能與經(jīng)濟高質(zhì)量發(fā)展：機制、成效與政策取向[J].社會科學戰(zhàn)線，2023，46（12）：78-87.

[22] ISAKSSON A. Determinants of total factor productivity： a literature review[R].Vienna：United Nations Industrial Development Organisation， 2007.

[23] 沈坤榮，閆佳敏.數(shù)字技術(shù)與企業(yè)全要素生產(chǎn)率：影響效應與作用機制[J].財經(jīng)論叢，2024，40（12）：3-15.

[24] 張任之.數(shù)字技術(shù)與供應鏈效率：理論機制與經(jīng)驗證據(jù)[J].經(jīng)濟與管理研究，2022，43（5）：60-76.

[25] 胡潔，韓一鳴，鐘詠.企業(yè)數(shù)字化轉(zhuǎn)型如何影響企業(yè)ESG表現(xiàn)——來自中國上市公司的證據(jù)[J].產(chǎn)業(yè)經(jīng)濟評論，2023，11（1）：105-123.

[26] 李鳳羽，楊墨竹.經(jīng)濟政策不確定性會抑制企業(yè)投資嗎——基于中國經(jīng)濟政策不確定指數(shù)的實證研究[J].金融研究，2015，58（4）：115-129.

[27] 肖曙光，彭文浩，黃曉鳳.當前制造企業(yè)的融資約束是過度抑或不足——基于高質(zhì)量發(fā)展要求的審視與評判[J].南開管理評論，2020，23（2）：85-97.

[28] 王超，余典范，龍睿.經(jīng)濟政策不確定性與企業(yè)數(shù)字化——墊腳石還是絆腳石[J].經(jīng)濟管理，2023，45（6）：79-100.

[29] 趙樹寬，范雪媛，王瀧，等.企業(yè)數(shù)字化轉(zhuǎn)型與全要素生產(chǎn)率——基于創(chuàng)新績效的中介效應[J].科技管理研究，2022，42（17）：130-141.

[30] 溫素彬，張金泉，焦然.智能制造、市場化程度與企業(yè)運營效率——基于A股制造業(yè)上市公司年報的文本分析[J].會計研究，2022，43（11）：102-117.

[31] 趙宸宇，王文春，李雪松.數(shù)字化轉(zhuǎn)型如何影響企業(yè)全要素生產(chǎn)率[J].財貿(mào)經(jīng)濟，2021，42（7）：114-129.

[32] 顧雷雷，郭建鸞，王鴻宇.企業(yè)社會責任、融資約束與企業(yè)金融化[J].金融研究，2020，63（2）：109-127.

[33] PERESS J. Product market competition，insider trading，and stock market efficiency[J]. The Journal of Finance，2010，65（1）：1-43.

[34] 趙文，張芳汀.數(shù)字經(jīng)濟的城鄉(xiāng)收入分配效應研究[J].山東財經(jīng)大學學報，2024，36（5）：88-103.

[35] 連玉君，廖俊平.如何檢驗分組回歸后的組間系數(shù)差異[J].鄭州航空工業(yè)管理學院學報，2017，35（6）：97-109.

[36] 王宏鳴，孫鵬博，郭慧芳.數(shù)字金融如何賦能企業(yè)數(shù)字化轉(zhuǎn)型——來自中國上市公司的經(jīng)驗證據(jù)[J].財經(jīng)論叢，2022，38（10）：3-13.

[37] 宋冬林，丁文龍.以新質(zhì)生產(chǎn)力為抓手實現(xiàn)東北振興新突破[J].學術(shù)交流，2023，39（12）：105-122.

[38] 宋佳，張金昌，潘藝.ESG發(fā)展對企業(yè)新質(zhì)生產(chǎn)力影響的研究——來自中國A股上市企業(yè)的經(jīng)驗證據(jù)[J].當代經(jīng)濟管理，2024，46（6）：1-11.

（責任編輯：張 悅）

The Impact and Mechanism of Digital and Intellectual Transformation on Total Factor Productivity of Manufacturing Enterprises： The Empirical Evidence of Chinese Manufacturing Listed Enterprises

Song Donglin^1，2，Zeng Zhaoyi²

（1.Center for China Public Sector Economy Research，Jilin University; 2.Economics School，Jilin University，Changchun 130012，China）

Abstract：The digital-intelligent transformation of manufacturing enterprises is an inevitable choice to realize the deep integration of the digital economy and the real economy，and to promote the high-quality and sustainable development of enterprises. It is also an important starting point to accelerate the development of new quality productive forces. With the deep integration and development of artificial intelligence，big data and other technologies，the digital and intellectual transformation and upgrading represented by digitalization and intelligence provides a new power source for the scientific and technological progress and innovative development of manufacturing enterprises，which has become the core engine to boost the total factor productivity of enterprises. Therefore，how to seize the opportunity of the era of digital intelligence，how to enable manufacturing enterprises to comprehensively reshape，transform and upgrade，and how to promote the improvement of total factor productivity of manufacturing enterprises have become a hot topic in academic and practical circles.

This paper takes China's A-share listed manufacturing companies from 2015 to 2022 as the research sample，and uses a two-way fixed effect model to empirically analyze the impact and mechanism of digital-intelligent transformation on the total factor productivity of manufacturing enterprises. From the perspective of combining digitalization and intellectual，this paper explores the role of digital-intelligent transformation in improving the total factor productivity of enterprises. At the same time，it clarifies the intermediary role of the transformation of resource allocation efficiency，the innovation capability into log-intelligence，and the improvement of total factor productivity of manufacturing enterprises. At last，it analyzes the moderating effect of external financing constraints and environmental competitiveness on the two，which provides a new perspective for understanding the improvement of total factor productivity under the digital-intelligent transformation.

The results show that digital-intelligent transformation has a significant impact on the improvement of total factor productivity of manufacturing enterprises. The mechanism test finds that digital-intelligent transformation helps to promote the total factor productivity of manufacturing enterprises by improving the efficiency of resource allocation and innovation ability. Financial constraints negatively regulate the relationship between the digital-intelligent transformation and the total factor productivity of manufacturing enterprises，while environmental competitiveness positively moderates the relationship between them. The results of heterogeneity analysis show that the improvement of TFP by digital-intelligent transformation is more significant in large enterprises，state-owned enterprises and enterprises in the central region. Further research finds that digital-intelligent transformation can significantly promote manufacturing enterprises to accelerate the development of new quality productivity by improving total factor productivity.

This paper provides empirical evidence and policy implications for the digital-intelligent transformation of manufacturing enterprises to boost the high-quality development of manufacturing enterprises and accelerate the development of new quality productive forces. The government should issue relevant policies and regulations to promote enterprises' digital-intelligent transformation，and reduce their transformation costs and risks by means of tax incentives，financial subsidies and financing support. According to the needs and characteristics of small and medium-sized enterprises，the customized digital-intelligence solutions should be provided for them，so that they can make better use of digital and intellectual technology to improve the responsiveness of supply chain and to cope with the rapid changes of the market and the fluctuation of customer demand. Manufacturing enterprises should give full play to the enabling role of data elements，actively use the digital and intellectual technologies to promote the transformation and the remodeling of manufacturing enterprises，and effectively play the positive role of resource allocation and innovation ability in improving total factor productivity. While it is essential to fully leverage the regulatory role of financing constraints and environmental competition，explore various financing methods such as equity financing，debt financing，government subsidies，and venture capital to reduce the impact of financing constraints on the intelligent transformation. The management should fully recognize the uncertainty of the external macro environment，and maintain the sensitivity and strategic insight to the external environment，so as to minimize the impact of the uncertainty of the external environment and ensure the stable development of the enterprises.

Key Words：Digital-intelligent Transformation; Manufacturing Enterprises;Total Factor Productivity; New Quality Productive Forces; Allocation Efficiency