王莉娜

(西安工業(yè)大學(xué) 經(jīng)濟(jì)管理學(xué)院， 西安 710021； 西安交通大學(xué) 金禾經(jīng)濟(jì)研究中心， 西安 710049)

近年來(lái)，中國(guó)數(shù)字經(jīng)濟(jì)迅速發(fā)展?！吨袊?guó)數(shù)字經(jīng)濟(jì)發(fā)展白皮書(shū)(2021)》顯示，2020年中國(guó)數(shù)字經(jīng)濟(jì)規(guī)模達(dá)到39.2萬(wàn)億元，占GDP比重38.6%。企業(yè)作為宏觀經(jīng)濟(jì)的微觀基礎(chǔ)，在數(shù)字經(jīng)濟(jì)快速發(fā)展的背景下，進(jìn)行數(shù)智化轉(zhuǎn)型有利于促進(jìn)企業(yè)創(chuàng)新[1]、提高企業(yè)績(jī)效[2]，從而推動(dòng)經(jīng)濟(jì)的高質(zhì)量發(fā)展[3]。長(zhǎng)期以來(lái)，中國(guó)制造業(yè)企業(yè)的發(fā)展依賴于低成本勞動(dòng)力優(yōu)勢(shì)和本土市場(chǎng)優(yōu)勢(shì)，企業(yè)的短板在于缺乏核心技術(shù)。為了促進(jìn)企業(yè)技術(shù)創(chuàng)新、增進(jìn)企業(yè)核心競(jìng)爭(zhēng)力，進(jìn)行數(shù)智化轉(zhuǎn)型成為中國(guó)制造業(yè)企業(yè)的必然選擇。對(duì)影響中國(guó)制造業(yè)企業(yè)數(shù)智化轉(zhuǎn)型的因素進(jìn)行研究也就成為一個(gè)重要的議題。

現(xiàn)有研究中，陳玉嬌等[4]分析了產(chǎn)業(yè)數(shù)字化和地區(qū)數(shù)字化對(duì)制造業(yè)企業(yè)數(shù)字化轉(zhuǎn)型的影響。王宏鳴等[5]研究了數(shù)字金融對(duì)企業(yè)數(shù)字化轉(zhuǎn)型的影響機(jī)制。高會(huì)生和王成敏[6]探討了實(shí)體零售企業(yè)數(shù)字化轉(zhuǎn)型的影響因素。Iranmanesh等[7]使用技術(shù)-組織-環(huán)境(technology-organization-environment，TOE)理論研究了影響中小企業(yè)采納大數(shù)據(jù)技術(shù)的原因。Vu等[8]采用跨國(guó)數(shù)據(jù)，分析了決定云計(jì)算技術(shù)運(yùn)用的因素。韓雪亮和金瑞[9]則采用調(diào)查數(shù)據(jù)，對(duì)影響河南民營(yíng)企業(yè)數(shù)智化轉(zhuǎn)型的因素進(jìn)行了實(shí)證研究。

數(shù)智化是“數(shù)字化和智能化的融合與應(yīng)用”[3]。以上研究中，除了韓雪亮和金瑞[9]之外，其余的文獻(xiàn)僅涉及數(shù)字化或者智能化等單一方面的內(nèi)容。同時(shí)，現(xiàn)有研究也缺少對(duì)制造業(yè)企業(yè)數(shù)智化轉(zhuǎn)型的分析?；诂F(xiàn)有研究的不足，首先，采用多分格主成分分析方法構(gòu)建數(shù)智化轉(zhuǎn)型指數(shù)，對(duì)制造業(yè)企業(yè)的數(shù)智化轉(zhuǎn)型進(jìn)行量化測(cè)度；其次，基于TOE理論框架，對(duì)影響中國(guó)制造業(yè)企業(yè)數(shù)智化轉(zhuǎn)型的因素進(jìn)行實(shí)證研究。

1 中國(guó)制造業(yè)企業(yè)數(shù)智化轉(zhuǎn)型水平的測(cè)度

1.1 數(shù)據(jù)來(lái)源和評(píng)價(jià)指標(biāo)

以中國(guó)A股上市公司為研究對(duì)象，對(duì)制造業(yè)企業(yè)數(shù)智化轉(zhuǎn)型進(jìn)行測(cè)度，所用數(shù)據(jù)來(lái)源于CSMAR(國(guó)泰安數(shù)據(jù)庫(kù))。按照CSMAR提供的信息，設(shè)計(jì)相關(guān)評(píng)價(jià)指標(biāo)。數(shù)智化轉(zhuǎn)型的評(píng)價(jià)指標(biāo)及其描述性統(tǒng)計(jì)見(jiàn)表1。

表1 企業(yè)數(shù)智化轉(zhuǎn)型評(píng)價(jià)指標(biāo)的描述性統(tǒng)計(jì)

對(duì)于以上指標(biāo)，國(guó)泰安數(shù)據(jù)庫(kù)統(tǒng)計(jì)的是這些指標(biāo)在上市公司財(cái)務(wù)年報(bào)中出現(xiàn)的頻數(shù)。以頻數(shù)作為衡量企業(yè)數(shù)字化水平是現(xiàn)有文獻(xiàn)的通常做法[10]。這里參照該種方法刻畫(huà)企業(yè)的數(shù)智化轉(zhuǎn)型水平。這些指標(biāo)中，云計(jì)算、區(qū)塊鏈、大數(shù)據(jù)和人工智能技術(shù)與企業(yè)智能化聯(lián)系緊密。對(duì)于“數(shù)字技術(shù)應(yīng)用”，按照國(guó)泰安數(shù)據(jù)庫(kù)的說(shuō)明，既有數(shù)字化技術(shù)的內(nèi)容，也有“智能穿戴”“智能醫(yī)療”“智能營(yíng)銷”等智能化技術(shù)的相關(guān)詞語(yǔ)。因此，這里將以上5個(gè)指標(biāo)并列，作為相同級(jí)別的指標(biāo)進(jìn)行使用。

關(guān)于這些指標(biāo)的數(shù)據(jù)處理和下文影響因素的數(shù)據(jù)處理同時(shí)進(jìn)行。經(jīng)過(guò)數(shù)據(jù)處理后，得到2009—2020年1 972家上市企業(yè)的6 917個(gè)觀測(cè)值。具體數(shù)據(jù)處理過(guò)程參見(jiàn)第2節(jié)。

1.2 數(shù)智化轉(zhuǎn)型指數(shù)的構(gòu)建方法

采用多分格主成分分析方法對(duì)表1的指標(biāo)進(jìn)行降維處理，以此構(gòu)建制造業(yè)企業(yè)的數(shù)智化轉(zhuǎn)型指數(shù)。多分格主成分分析法是基于Pearson 主成分分析法的不足而產(chǎn)生的方法。作為對(duì)多個(gè)指標(biāo)降維處理的常用方法，Pearson主成分分析法包括以下步驟：①為了消除量綱的影響，對(duì)原有指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理；②對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)計(jì)算相關(guān)系數(shù)矩陣；③計(jì)算相關(guān)系數(shù)矩陣的特征根和單位特征向量；④確定主成分。由于在步驟②中，使用的是Pearson相關(guān)系數(shù)矩陣，因此，這一方法被稱為Pearson 主成分分析法。

Pearson主成分分析法適用的前提條件是：變量是連續(xù)型變量，且變量分布為正態(tài)分布或是漸進(jìn)正態(tài)分布。如果要降維處理的原始變量是離散型變量，使用Pearson相關(guān)系數(shù)進(jìn)行計(jì)算則會(huì)出現(xiàn)偏誤[11]，所得到的Pearson 主成分結(jié)果也相應(yīng)地會(huì)出現(xiàn)偏誤[12]。針對(duì)以上問(wèn)題，Kolenikov 和 Angeles[12]提出使用多分格主成分分析法加以解決。

與Pearson 主成分分析法相比較，多分格主成分分析法的主要差異在于使用的是多分格相關(guān)系數(shù)矩陣。多分格相關(guān)系數(shù)是指離散型變量之間的相關(guān)系數(shù)。對(duì)此，Olsson[11]提出用最大似然估計(jì)法對(duì)多分格相關(guān)系數(shù)進(jìn)行求解。得到多分格相關(guān)系數(shù)矩陣后，確定多分格主成分的步驟和Pearson 主成分分析法相同。

對(duì)于表1中的指標(biāo)，國(guó)泰安數(shù)據(jù)庫(kù)提供的是這些指標(biāo)在上市公司財(cái)務(wù)年報(bào)中出現(xiàn)的頻數(shù)，因此，這些指標(biāo)并非連續(xù)型變量，而是離散型變量，不符合Pearson 主成分分析法適用的前提條件。所以，這里采用多分格主成分分析法作為構(gòu)建數(shù)智化轉(zhuǎn)型指數(shù)的方法。

1.3 數(shù)智化轉(zhuǎn)型指數(shù)的構(gòu)建結(jié)果

采用多分格主成分分析法，使用Stata15 對(duì)表1中的評(píng)價(jià)指標(biāo)進(jìn)行處理，得到的分析結(jié)果見(jiàn)表2。

表2 數(shù)智化轉(zhuǎn)型評(píng)價(jià)指標(biāo)的多分格主成分分析結(jié)果

在表2的分析結(jié)果中，前4個(gè)主成分的累計(jì)方差率為90.2%，已超過(guò)85%。因此，選擇前4個(gè)主成分，分別以每個(gè)主成分方差貢獻(xiàn)率與前4個(gè)主成分累計(jì)方差貢獻(xiàn)率的比重作為權(quán)重構(gòu)建制造業(yè)企業(yè)的數(shù)智化轉(zhuǎn)型指數(shù)(DigIntelindex)，具體表示為

DigIntelindex=0.398/0.902F1+0.189/0.902F2+
0.163 4/0.902F3+0.151/0.902F4

(1)

1.4 數(shù)智化轉(zhuǎn)型指數(shù)的測(cè)算結(jié)果分析

1.4.1 全樣本分析

數(shù)智化轉(zhuǎn)型指數(shù)的描述性統(tǒng)計(jì)見(jiàn)表3。

表3 數(shù)智化轉(zhuǎn)型指數(shù)的描述性統(tǒng)計(jì)

從全樣本的測(cè)算結(jié)果看，制造業(yè)企業(yè)數(shù)智化轉(zhuǎn)型指數(shù)的平均值高于中位數(shù)，數(shù)據(jù)呈右偏分布，說(shuō)明部分制造業(yè)企業(yè)數(shù)智化水平較高，拉升了整體的數(shù)智化水平。數(shù)智化轉(zhuǎn)型指數(shù)的偏度系數(shù)為14，遠(yuǎn)高于1，屬于高度偏態(tài)分布；峰態(tài)系數(shù)大于0，為尖峰分布，數(shù)據(jù)分布高度集中，表明企業(yè)間的數(shù)智化水平較為接近。

從2009—2020年，數(shù)智化轉(zhuǎn)型指數(shù)均值的平均年增長(zhǎng)率為0.13%，中位數(shù)的年均增長(zhǎng)率為0.101%。這說(shuō)明，中國(guó)制造業(yè)企業(yè)數(shù)智化水平呈增長(zhǎng)趨勢(shì)，但是發(fā)展較為緩慢。

1.4.2 分組樣本分析

數(shù)智化轉(zhuǎn)型指數(shù)分組樣本的描述性統(tǒng)計(jì)見(jiàn)表4。

表4 數(shù)智化轉(zhuǎn)型指數(shù)分組樣本的描述性統(tǒng)計(jì)

從地區(qū)分組情況看，東部制造業(yè)企業(yè)數(shù)智化轉(zhuǎn)型指數(shù)的平均值和中位數(shù)均高于中西部企業(yè)，說(shuō)明東部企業(yè)的數(shù)智化水平高于中西部企業(yè)。

按照企業(yè)所有制性質(zhì)，將制造業(yè)企業(yè)分為國(guó)有企業(yè)、外資企業(yè)和民營(yíng)企業(yè)。有關(guān)企業(yè)所有制信息的數(shù)據(jù)來(lái)自CCER(中國(guó)經(jīng)濟(jì)金融數(shù)據(jù)庫(kù))，按照該數(shù)據(jù)庫(kù)提供的上市公司實(shí)際控制人類別來(lái)確定企業(yè)性質(zhì)。這里的上市公司控制人類別中除了“國(guó)有控股”“民營(yíng)控股”“外資控股”“集體控股”，還有“社會(huì)團(tuán)體控股”“職工持股控股”“不能識(shí)別”等3種類別。由于此處的研究不涉及這3種類型，因此，該組企業(yè)的觀測(cè)值總和為6 714個(gè)，少于6 917。集體企業(yè)的觀測(cè)值僅為7個(gè)，將其與國(guó)有企業(yè)的觀測(cè)值合并在一起分析。

在表4的結(jié)果中，外資企業(yè)數(shù)智化轉(zhuǎn)型指數(shù)的均值遠(yuǎn)高于民營(yíng)企業(yè)，但二者的中位數(shù)較為接近。民營(yíng)企業(yè)數(shù)智化的均值和中位數(shù)均高于國(guó)有企業(yè)，這說(shuō)明外資企業(yè)的數(shù)智化水平在3類企業(yè)中最高，國(guó)有企業(yè)的數(shù)智化水平則低于其他兩類企業(yè)。

按照要素密集度，將制造業(yè)企業(yè)劃分為技術(shù)密集型企業(yè)、資本密集型企業(yè)和勞動(dòng)密集型企業(yè)[13]。表4中，技術(shù)密集型企業(yè)數(shù)智化轉(zhuǎn)型指數(shù)的均值和中位數(shù)均高于資本密集型企業(yè)和勞動(dòng)密集型企業(yè)，勞動(dòng)密集型企業(yè)數(shù)智化轉(zhuǎn)型指數(shù)的均值和中位數(shù)略高于資本密集型企業(yè)，這說(shuō)明在制造業(yè)企業(yè)中，技術(shù)密集型企業(yè)的數(shù)智化水平最高，資本密集型企業(yè)和勞動(dòng)密集型企業(yè)的數(shù)智化水平較為接近。

以上分組樣本的統(tǒng)計(jì)結(jié)果表明，中國(guó)制造業(yè)企業(yè)的數(shù)智化水平在不同地區(qū)、不同所有制和不同行業(yè)之間的發(fā)展具有差異性。

2 影響中國(guó)制造業(yè)企業(yè)數(shù)智化轉(zhuǎn)型因素的實(shí)證分析

2.1 計(jì)量模型的設(shè)定和變量的選取

Tornatzky和 Fleischer在1990年提出了TOE理論，該理論構(gòu)建了“技術(shù)(technology)—組織(organization)—環(huán)境(environment)”的分析框架，從企業(yè)的技術(shù)、組織和環(huán)境3個(gè)方面探討影響企業(yè)采納先進(jìn)技術(shù)的原因[14]。依據(jù)該理論設(shè)定以下計(jì)量模型：

ln DigIntelindexi,t=α0+α1RDpersonratioi,t+
α2ln ManagerMeanAgei,t+α3ln MeanEducationi,t+
α4Bachelratii,t+α5ln Agei,t+α6ln Sizei,t+
α7HHIi,t+α8ITProRatioi,t+γ1Province_FE+
γ2Industry_FE+γ3Year_FE+εi,t

(2)

模型中的下標(biāo)i表示樣本中的第i個(gè)企業(yè)，t表示年份。模型控制了地區(qū)效應(yīng)Province_FE、時(shí)間固定效應(yīng)Year_FE和行業(yè)固定效應(yīng)Industry_FE。

模型中的被解釋變量是取對(duì)數(shù)后的數(shù)智化轉(zhuǎn)型指數(shù)(ln DigIntelindex)。從第1節(jié)數(shù)智化轉(zhuǎn)型指數(shù)的測(cè)度結(jié)果可以看出，數(shù)智化轉(zhuǎn)型指數(shù)(DigIntelindex)的最小值是-0.298，因此，在構(gòu)建模型時(shí)，對(duì)DigIntelindex加1后，取自然對(duì)數(shù)來(lái)表示。

對(duì)于解釋變量的選取，從企業(yè)技術(shù)水平、組織特征和企業(yè)環(huán)境3個(gè)方面選取影響企業(yè)數(shù)智化轉(zhuǎn)型水平的變量。

1)技術(shù)方面的變量。企業(yè)是否會(huì)采納數(shù)智化技術(shù)很大程度上取決于這一技術(shù)是否會(huì)給企業(yè)帶來(lái)比較優(yōu)勢(shì)，而企業(yè)現(xiàn)有的技術(shù)水平則會(huì)影響數(shù)智化技術(shù)的引進(jìn)。企業(yè)已有技術(shù)水平越強(qiáng)，引進(jìn)數(shù)智化技術(shù)的可能性越大。這里用研發(fā)人員占企業(yè)員工總?cè)藬?shù)的比重(RDpersonratio)表示企業(yè)的技術(shù)水平。

2)企業(yè)組織方面的變量。企業(yè)組織方面的因素是指能夠體現(xiàn)企業(yè)特征的因素。這里選取的變量包括高管受教育程度(ln MeanEducatio)、高管年齡(ln ManagerMeanAge)、企業(yè)規(guī)模(ln Size)、企業(yè)年齡(ln Age)和員工人力資本(Bachelratio)。高管受教育程度(ln Mean Educatio)用企業(yè)高級(jí)管理人員平均受教育年限的自然對(duì)數(shù)來(lái)度量。高管年齡(ln ManagerMeanAge)用高級(jí)管理人員平均年齡的自然對(duì)數(shù)來(lái)測(cè)度；企業(yè)規(guī)模(ln Size)用企業(yè)總資產(chǎn)的自然對(duì)數(shù)來(lái)計(jì)算；企業(yè)年齡(ln Age)用統(tǒng)計(jì)年度減去企業(yè)成立年份的自然對(duì)數(shù)來(lái)衡量；員工人力資本(Bachelratio)用本科以上員工數(shù)量占企業(yè)員工總?cè)藬?shù)的比重表示。

3)環(huán)境方面的變量。環(huán)境方面的因素可以分為市場(chǎng)環(huán)境方面的因素和宏觀環(huán)境方面的因素。市場(chǎng)環(huán)境方面的變量，用企業(yè)所處的行業(yè)競(jìng)爭(zhēng)程度表示，采用赫芬達(dá)爾指數(shù)(HHI)來(lái)測(cè)算。宏觀環(huán)境方面的因素，使用政府對(duì)數(shù)智化的支持力度表示。對(duì)此，采用各地區(qū)信息行業(yè)固定資產(chǎn)投資占所在地區(qū)固定資產(chǎn)投資的比重(ITProRatio)來(lái)進(jìn)行衡量。

2.2 數(shù)據(jù)來(lái)源和樣本選擇

研究樣本為2009—2020年中國(guó)A股上市企業(yè)，行業(yè)限定在制造業(yè)。本部分的數(shù)據(jù)中，高管受教育程度(ln MeanEducatio)、高管年齡(ln ManagerMeanAge) 以及本科以上員工人數(shù)來(lái)自CCER數(shù)據(jù)庫(kù)，其余數(shù)據(jù)來(lái)自CSMAR(國(guó)泰安數(shù)據(jù)庫(kù))。數(shù)據(jù)處理包括以下步驟：①刪掉ST和*ST企業(yè)；②刪除金融類企業(yè)；③刪除缺失值；④為了消除異常值的影響，對(duì)連續(xù)變量在1%和99%的分位上進(jìn)行縮尾處理。經(jīng)過(guò)上述步驟處理后，得到包含6 917個(gè)觀測(cè)值的非平衡面板數(shù)據(jù)。變量描述性統(tǒng)計(jì)結(jié)果見(jiàn)表5。

表5 變量描述性統(tǒng)計(jì)

通過(guò)計(jì)算VIF值判斷以上變量之間的相關(guān)性，發(fā)現(xiàn)所有變量的VIF均小于10。因此，以上變量之間不存在多重共線性。

2.3 實(shí)證結(jié)果分析

2.3.1 全樣本回歸結(jié)果分析

由于模型使用的是面板數(shù)據(jù)，需要確定使用固定效應(yīng)還是隨機(jī)效應(yīng)模型。經(jīng)過(guò)Hausman檢驗(yàn)，應(yīng)采用固定效應(yīng)模型。全樣本回歸結(jié)果見(jiàn)表6。

表6 制造業(yè)企業(yè)數(shù)智化轉(zhuǎn)型影響因素的全樣本回歸結(jié)果

表6第(1)列報(bào)告的是企業(yè)技術(shù)水平對(duì)制造業(yè)企業(yè)數(shù)智化轉(zhuǎn)型的影響結(jié)果?；貧w結(jié)果表明，研發(fā)人員所占比重(RDpersonratio)的系數(shù)在1%的水平上顯著為正。這說(shuō)明制造業(yè)企業(yè)的技術(shù)水平越高，越有利于企業(yè)數(shù)智化水平的提升，技術(shù)水平是影響制造業(yè)企業(yè)數(shù)智化轉(zhuǎn)型的重要因素。

第(2)列中，除了技術(shù)因素外，加入企業(yè)組織方面的變量進(jìn)行回歸?；貧w結(jié)果中，高管年齡(ln ManagerMeanAge)對(duì)企業(yè)數(shù)智化轉(zhuǎn)型的影響為負(fù)，并在1%的水平上顯著。而高管受教育程度(ln MeanEducation)的系數(shù)則不具有顯著性。這表明，高管年齡而非受教育水平是影響制造業(yè)企業(yè)數(shù)智化轉(zhuǎn)型的因素。高管層年齡較低，反而有助于企業(yè)數(shù)智化水平的提高?？赡茉蛟谟?，高管人員年輕化，有利于新事物的接受，從而有利于數(shù)智化技術(shù)的引入。

在其他企業(yè)組織因素中，員工人力資本(Bachelrati)和企業(yè)規(guī)模(ln Size)對(duì)制造業(yè)企業(yè)的數(shù)智化轉(zhuǎn)型均有顯著的正向影響。企業(yè)員工人力資本越高，數(shù)智化技術(shù)的實(shí)施越易于進(jìn)行，企業(yè)也越傾向于引進(jìn)數(shù)智化技術(shù)。企業(yè)規(guī)模的估計(jì)系數(shù)在1%的水平上顯著為正。數(shù)智化技術(shù)有利于降低企業(yè)內(nèi)部各層級(jí)之間信息溝通的成本和提升企業(yè)的生產(chǎn)效率。規(guī)模越大的企業(yè)從數(shù)智化技術(shù)中的受益也越大。這一結(jié)果和現(xiàn)有文獻(xiàn)的研究結(jié)果[15]是一致的。

企業(yè)年齡(ln Age)對(duì)數(shù)智化轉(zhuǎn)型的影響顯著為負(fù)，這說(shuō)明成立時(shí)間越短的企業(yè)更傾向于數(shù)智化水平的提高。其中的原因可能在于，成立時(shí)間較短的企業(yè)，要和市場(chǎng)中存續(xù)時(shí)間長(zhǎng)的企業(yè)進(jìn)行競(jìng)爭(zhēng)，引進(jìn)先進(jìn)的數(shù)智化技術(shù)，從而快速提高企業(yè)競(jìng)爭(zhēng)優(yōu)勢(shì)是一個(gè)較好的選擇。

表6中的第(3)列是引入環(huán)境方面的變量得到的回歸結(jié)果。從實(shí)證結(jié)果看，行業(yè)競(jìng)爭(zhēng)程度(HHI)以及政府支持力度(ITProRatio)均未對(duì)企業(yè)的數(shù)智化轉(zhuǎn)型產(chǎn)生影響。這一結(jié)果和TOE理論的預(yù)期分析并不一致。行業(yè)競(jìng)爭(zhēng)沒(méi)有產(chǎn)生影響的原因可能在于，中國(guó)制造業(yè)企業(yè)的優(yōu)勢(shì)在于勞動(dòng)力成本較低，而非技術(shù)上的優(yōu)勢(shì)。數(shù)字技術(shù)和智能技術(shù)的引入需要相應(yīng)的要素進(jìn)行匹配，制造業(yè)企業(yè)由于自身?xiàng)l件的限制，雖然面臨行業(yè)競(jìng)爭(zhēng)壓力，但可能采用其他措施而非數(shù)智化技術(shù)增進(jìn)企業(yè)競(jìng)爭(zhēng)優(yōu)勢(shì)。政府支持力度(ITProRatio)對(duì)企業(yè)數(shù)智化轉(zhuǎn)型也沒(méi)有產(chǎn)生影響，其中的原因可能在于政府支持力度不夠?qū)е?。從?的描述性統(tǒng)計(jì)結(jié)果可以看出，政府支持力度(ITProRatio)的最大值為15.4%，未超過(guò)20%。

2.3.2 分組樣本回歸結(jié)果分析

表7報(bào)告了數(shù)智化影響因素的分組回歸結(jié)果。從分地區(qū)回歸結(jié)果看，除了企業(yè)年齡之外，各影響因素的顯著性和全樣本回歸結(jié)果的顯著性基本一致。高管受教育程度、行業(yè)競(jìng)爭(zhēng)程度以及政府支持力度的估計(jì)系數(shù)均不具有顯著性。從估計(jì)系數(shù)的數(shù)值看，技術(shù)水平、高管年齡、員工人力資本、企業(yè)規(guī)模對(duì)東部企業(yè)數(shù)智化轉(zhuǎn)型的影響力要高于中西部企業(yè)。企業(yè)年齡對(duì)東部企業(yè)和中西部企業(yè)均沒(méi)有影響，

表7 制造業(yè)企業(yè)數(shù)智化轉(zhuǎn)型影響因素的分組回歸結(jié)果

從所有制分組回歸結(jié)果看，行業(yè)競(jìng)爭(zhēng)程度和政府支持力度對(duì)這3類企業(yè)的數(shù)智化水平均無(wú)影響，這一結(jié)果和全樣本回歸結(jié)果是一致的。企業(yè)技術(shù)水平和企業(yè)規(guī)模對(duì)民營(yíng)企業(yè)、外資企業(yè)和國(guó)有企業(yè)的數(shù)智化水平產(chǎn)生了顯著的正向影響。從影響大小看，技術(shù)水平和企業(yè)規(guī)模對(duì)外資企業(yè)的促進(jìn)作用最強(qiáng)，對(duì)民營(yíng)企業(yè)的影響力最弱，國(guó)有企業(yè)居中。企業(yè)年齡僅對(duì)外資企業(yè)有負(fù)向影響，高管年齡的影響僅限于民營(yíng)企業(yè)。員工人力資本對(duì)國(guó)有企業(yè)數(shù)智化轉(zhuǎn)型的影響最為顯著，民營(yíng)企業(yè)次之，對(duì)外資企業(yè)則沒(méi)有影響。與全樣本回歸結(jié)果具有明顯差異的是高管受教育程度的估計(jì)結(jié)果，高管受教育程度對(duì)這3類企業(yè)都呈現(xiàn)出顯著影響。

從行業(yè)分組結(jié)果看，企業(yè)技術(shù)水平只對(duì)技術(shù)密集型企業(yè)的數(shù)智化轉(zhuǎn)型具有促進(jìn)作用，對(duì)勞動(dòng)密集型和資本密集型企業(yè)沒(méi)有影響。技術(shù)密集型企業(yè)的主要特點(diǎn)在于企業(yè)設(shè)備、工藝和人員在技術(shù)上的優(yōu)勢(shì)，這一類企業(yè)對(duì)于影響數(shù)智化轉(zhuǎn)型因素的反應(yīng)度更為敏銳。相比較資本密集型企業(yè)和勞動(dòng)密集型企業(yè)，技術(shù)水平、員工人力資本和企業(yè)規(guī)模對(duì)技術(shù)密集型企業(yè)的影響力均高于其他兩類企業(yè)。這一實(shí)證結(jié)果與這3類企業(yè)的特點(diǎn)是一致的。此外，在環(huán)境因素中，政府支持力度的估計(jì)系數(shù)均不具有顯著性。行業(yè)競(jìng)爭(zhēng)程度(HHI)促進(jìn)了勞動(dòng)密集型企業(yè)的數(shù)智化轉(zhuǎn)型，對(duì)技術(shù)密集型企業(yè)和資本密集型企業(yè)卻沒(méi)有影響。

2.4 穩(wěn)健性檢驗(yàn)

采取替換數(shù)智化轉(zhuǎn)型指數(shù)的方法進(jìn)行穩(wěn)健性檢驗(yàn)。上文在構(gòu)建數(shù)智化轉(zhuǎn)型指數(shù)的過(guò)程中，選取了表2中的前4個(gè)主成分，原因在于前4個(gè)主成分的累計(jì)方差貢獻(xiàn)率超過(guò)了85%。除了考慮累計(jì)方差貢獻(xiàn)率這一方法外，選取特征根大于或等于1的主成分也是確定主成分個(gè)數(shù)的方法[16]。這里采用該種方法重新構(gòu)建數(shù)智化轉(zhuǎn)型指數(shù)。表2中，特征根的值超過(guò)1的主成分僅有第1主成分。以第1主成分作為數(shù)智化轉(zhuǎn)型指數(shù)，重新對(duì)模型(2)進(jìn)行回歸，得到的結(jié)果是類似的。所以，上文的實(shí)證結(jié)果是穩(wěn)健的。

3 結(jié)論和政策建議

以中國(guó)A股上市企業(yè)為樣本，采用多分格主成分分析法構(gòu)建數(shù)智化轉(zhuǎn)型指數(shù)，對(duì)2009—2020年制造業(yè)企業(yè)數(shù)智化轉(zhuǎn)型水平進(jìn)行量化測(cè)度，并基于TOE理論對(duì)影響數(shù)智化轉(zhuǎn)型水平的因素進(jìn)行了實(shí)證研究，得到以下結(jié)論：①中國(guó)制造業(yè)企業(yè)數(shù)智化轉(zhuǎn)型水平呈增長(zhǎng)趨勢(shì)，企業(yè)間的數(shù)智化水平較為接近；②制造業(yè)企業(yè)的數(shù)智化水平在不同地區(qū)、不同所有制和不同行業(yè)間的發(fā)展具有差異性；③在影響制造業(yè)企業(yè)數(shù)智化轉(zhuǎn)型的因素中，從整體上看，企業(yè)技術(shù)水平、員工人力資本和企業(yè)規(guī)模有效促進(jìn)了企業(yè)的數(shù)智化轉(zhuǎn)型，行業(yè)競(jìng)爭(zhēng)程度和政府支持力度卻沒(méi)有產(chǎn)生應(yīng)有的影響。從分組情況看，東部企業(yè)、外資企業(yè)以及技術(shù)密集型企業(yè)對(duì)影響數(shù)智化轉(zhuǎn)型的因素更為敏銳，企業(yè)技術(shù)水平和企業(yè)規(guī)模的影響作用更為顯著。

基于以上結(jié)論，提出以下對(duì)策建議：對(duì)于企業(yè)而言，首先，企業(yè)應(yīng)提高技術(shù)水平，增加技術(shù)投入，加大數(shù)智化技術(shù)人員在企業(yè)員工中的比重；其次，提高企業(yè)員工的人力資本，引進(jìn)與企業(yè)數(shù)智化技術(shù)相關(guān)的人才，提升現(xiàn)有企業(yè)員工的數(shù)智化技能；最后，改變企業(yè)原有的創(chuàng)新模式，加強(qiáng)自主創(chuàng)新意識(shí)，轉(zhuǎn)換以低成本勞動(dòng)力作為競(jìng)爭(zhēng)優(yōu)勢(shì)的模式。對(duì)政府而言，政府應(yīng)增加對(duì)數(shù)智化相關(guān)設(shè)施的資金投入和加強(qiáng)相關(guān)人才培育，為促進(jìn)企業(yè)數(shù)智化轉(zhuǎn)型水平的提升提供良好的外部環(huán)境支持。