【www.zhangdahai.com--其他范文】
戴为民,李国栋
(安徽财经大学 经济学院，安徽 蚌埠 233030)
近些年，数字经济的迅猛发展催生了社会经济发展的新模式，网络数据平台、人工智能等新一代信息技术作为数字经济的核心内容逐渐成为人们生产生活的一部分，主导着社会经济发展的新格局。《世界互联网发展报告2021》显示，过去一年全球范围内的数字经济发展规模已达到30余万亿美元，占各国国内生产总值的比例已超四成；
我国数字经济发展规模超过5万亿美元，在国内生产总值中的贡献接近四成，位居世界第二位(1)资料来源：中国信息通信研究院于2021年8月发布的《全球数字经济白皮书——疫情冲击下的复苏新曙光》。。据此可见，数字经济对经济复苏、经济增长的关键驱动作用非常明显。
自2016年《长江三角洲城市群发展规划》落地之后，以上海为中心的长江三角洲城市群作为我国经济的佼佼者，发展情况在国际上备受瞩目。按照国家“十四五”总体规划中“加快数字化发展，建设数字中国”“打造数字经济新优势”等政策基调，我国必须在新发展阶段抓住机遇推动数字经济高质量发展，而全要素生产率是经济高质量发展的载体，在数字经济时代下研究区域全要素生产率的变化具有重要意义。鉴于此，本文尝试探究长三角城市群在数字经济发展影响下的全要素生产率变化，实证检验数字经济对长三角地区高质量发展的助力效果，以此为我国现代化城市群、都市圈的建设提供具体经验和切实建议。本文基于2010—2020年长三角城市群26个地级市的面板数据，探讨长三角地区数字经济发展对全要素生产率的影响，并剖析其作用机制。
自1996年Tapscott首次提出“数字经济”这一术语之后(2)1996年美国经济学家Don Tapscott在其撰写的《The Digital Economy：Promise and Peril in the Age of Networked Intelligence》一书中详细阐述了数字经济对社会的影响，在业内产生了巨大的影响，他也因此被称为“数字经济之父”。，学界对数字经济的研究主要是围绕其规模测算及社会影响两个方面。厘清数字经济的内涵和范围是后续测算其发展规模的前提和基础。通过梳理信息经济、互联网经济、数字经济概念发展历程可以发现，三者的核心部分均为信息通信技术(或数字技术)，它们是不同时期产生的经济新业态[1]，可以从狭义与广义两个角度去理解(3)狭义的数字经济也可以叫做数字化产业，它是指使用数字技术对信息进行加工处理得到数字化产品，流通于国民经济各个领域并且能够为国民经济其他行业带来显著利润的公共性产业；
广义的数字经济概念是根据2016年《二十国集团数字经济发展与合作倡议》提出的，即“数字经济是指以数字化信息与知识作为生产要素，以信息化网络为载体，以ICT的使用来促进效率提升和宏观经济结构优化的经济活动总和”。。有学者通过梳理数字经济的内涵特征，并综合数字技术促进社会生产方式变革之路径以及产权、技术和资源三重视角下数据这一要素的特征，深度探讨了数字经济学理论[2]。在数字经济规模统计方面，数字经济测度方法分为直接法和对比法两类[3]。直接法首先需要厘清数字经济的内涵特征，确定数字经济核算产品范围，使用生产法或者增长核算框架等方法估算一定区域内的数字经济发展规模，由于数据体系庞大，现有研究的估算对象主要以国家层面为主；
对比法也叫指数法，它是通过构建指标体系，对比不同经济体之间数字经济发展的相对情况，其估算对象多以省域层面为主。还有学者对数字经济供给使用表的编制进行了探索[4]。在数字经济的社会影响方面，当前研究主要关注数字经济对一国政策[5-6]、经济增长[7]及产业结构[8]等领域带来的影响。
自“索洛悖论”(4)诺贝尔经济学奖获得者Robert Solow(1987)提出“索洛悖论”：除了生产率以外，计算机的作用无处不在。出现之后，国内外相关学者在信息技术、数字经济与全要素生产率方面展开了大量实证研究。根据本文研究主题，这里从经济体全要素生产率测度和数字经济对全要素生产率的影响两个向度梳理当前研究动态。近年来，相关学者主要围绕随机前沿分析法(stochastic frontier analysis)和DEA指数法(data envelopment analysis)对全要素生产率测度方法进行拓展，通过对全要素生产率的变化进行创新分解，并对这种新分解的各个技术细节进行探索[9]，国内学者多数是用省际、城市层面数据进行实证对比检验[10]。有学者指出，在内生增长理论分析框架下，信息技术与全要素生产率二者之间存在显著的正相关关系[11]，但是过度信息化会导致资源浪费与资源错配，进而抑制全要素生产率的增长[12]。如果将全要素生产率分解为技术进步和技术效率，互联网发展在显著促进技术进步的同时，会抑制技术效率的提升[13]。也有学者从机理分析与实证检验视角得出相反结论[14]，其原因是当前我国数字技术基础较为薄弱，数字经济的虹吸效应对技术进步表现出阻碍作用。还有学者通过构建基于一般均衡理论的互联网发展对全要素生产率影响机制模型，从微观、中观和宏观角度对我国城市数据进行实证检验，发现互联网发展可以显著促进城市整体生产效率[15]。
纵观既有研究成果，虽然在经济体数字经济与全要素生产率两方面已进行了深入的探索，但关于城市层面的二者之间关系的分析较少，基于城市群视角的研究成果更是罕见。此外，缺乏数字经济影响区域全要素生产率的机制研究。本文边际贡献有：第一，研究视角上，基于城市群范畴及地级市层面的数据，探讨数字经济对全要素生产率的作用路径；
第二，研究方法上，从互联网、数字金融发展两个层面评估城市数字经济发展水平，采用主成分分析方法和超越对数模型假定的SFA法分别测算城市数字经济发展水平和全要素生产率；
第三，研究内容上，探讨数字经济时代全要素生产率并结合理论分析和实证研究，符合当前我国经济正处于动能转换的阶段状态，为实现我国经济高质量发展提供理论支撑。
(一)数字经济与区域全要素生产率
信息网络技术的迅猛发展及数字技术应用范围的不断扩展，助推了数字经济的快速发展，同时数字经济对传统生产方式和居民生活产生了重大影响。一方面，数字技术被应用于社会各个领域推动社会企业集聚，促进企业间交流合作；
企业通过将数字技术应用于产品生产过程，显著提升了企业生产能力，促进了全要素生产率增长。另一方面，数字经济通过加强社会各方面信息交流，清除了各产业和地区间交流障碍，加速了资源要素流动，提高了资源整体优化配置；
从企业内部来看，数字信息通过加强企业内部各级交流，对企业管理效率提升发挥了重要作用，同时也相应缩减了企业管理成本，进而提升了生产效率。根据已有的相关研究，促进全要素生产率提升的因素主要包括资源配置的优化[16]、社会技术的进步以及研究投入的增加[17]等方面。由此可见，数字经济发展对全要素生产率的提升具有显著促进效果。
综上，本文作出如下假设：
假设1:数字经济发展能够显著提高区域全要素生产率。
(二)数字经济、技术创新与区域全要素生产率
内生增长理论表明，技术创新是经济增长和技术进步的核心驱动要素，而作为新型信息技术飞速发展的产物，数字经济对技术创新发展具有深刻的影响[18]。首先，数字经济依托网络数据平台、大数据等新型现代化数字技术带来的巨大效益促使数字资本投入不断加大、数字基础设施不断完善，ICT生产部门带来的技术创新效应表现得愈加明显。数字技术通过促进生产要素高效流动，优化要素间配置水平，实现生产效率的提高。其次，作为一种通用目的技术，数字技术还能通过其广泛使用的特点激发技术创新。换句话说，数字经济不仅可以促使ICT生产部门提高创新效率，还能够借助技术扩散和溢出效应促进其他部门的生产效率提高和全要素生产率提升[19]。
综上，本文作出以下假设：
假设2:数字经济发展可以通过技术创新效应间接激励区域全要素生产率提升。
(三)数字经济、人力资本投资与区域全要素生产率
人力资本，作为区域内一种包括劳动力具备的知识、技能等属性的公共物品，其投资能够通过乘数效应、溢出效应和主观能动效应引致区域全要素生产率提升[20]。当前，数字技术的发展和应用，有利于技术经验等相关信息的存储，为知识技能的学习和交流提供了便捷通道。一方面，随着数字化进程的推进，企业对人力资本的需求标准也在改变，复合型人才的需求日趋增多，而数字经济的发展更便于企业对技术人才的系统培训，同时为员工的自主学习提供优质的资源平台；
通过对员工信息的数据分析，进一步细化企业内部分工，使员工分工更加合理，提高员工工作效率进而提升全要素生产率。另一方面，数字经济推动企业集聚，为地区企业提供更好的创新环境，进一步提高对技术人才的吸引力，强化知识的溢出效应；
数字经济的发展可为当地提供更加优质的公共设施服务，整体生活环境的提升有助于提高人才吸引力。人才的引进和集聚以及原有人力资本素质的提高，对全要素生产率的提升发挥了积极推动作用。
综上，本文作出以下假设：
假设3:数字经济发展可以通过增加人力资本投资间接激励区域全要素生产率提升。
(一)模型构建
基于数字经济驱动全要素生产率的理论分析，设定如下面板数据模型：
TFPit=α0+α1DEit+α2CVit+μi+δt+εit
(1)
其中，t表示年份，i表示城市，DEit表示城市数字经济发展水平，TFPit表示城市全要素生产率。CVit为一系列控制变量，主要包括对外开放度(OPEN)、政府干预度(GC)、产业结构高度化(ISS)、人力资本质量(HCQ)、固定资产投资(RFI)等。α0、α1和α2为待估参数，其中，α1反映了城市数字经济发展对全要素生产率的影响程度。δt是时间固定效应，μi是城市固定效应，εit是随机干扰项。
(二)变量选取与数据说明
1.被解释变量。测算区域全要素生产率的方法分为参数法(Solow Residual、SFA方法)和非参数法(DEA-Malmquist指数法)，考虑到SFA方法能够对技术非效率误差进行解释等优点，本研究采用随机前沿分析方法(SFA)测算长三角城市群各地级市的全要素生产率。借鉴黄群慧等的研究[16]72-88，同样假设以生产函数为超越对数的形式(5)构建超越对数生产函数形式：lnyit=γ0+γ1 lnkit+γ2 lnlit+γ3 lnkit·lnkit+γ4 lnlit·lnlit+γ5 lnkit·lnlit+γ6 t+γ7t2+γ8 tlnkit+γ9 tlnlit+(vit-μit)，其中yit、kit、lit分别表示城市实际gdp、物质资本存量和就业人数，γi为待估计参数，vit为随机扰动项，μit为只可取正数的无效率项。，选取长三角地区26个城市2010—2020年11年间的经验数据为测算样本，估算出生产函数之后，进一步得到各地级市的整体TFP。考虑到设定生产函数的性质及数据可得性，对投入与产出变量作如下处理：
产出变量选择地级市实际GDP。本文设定2010年为基期，采用地级市GDP指数辅助测算2010—2020年间长三角城市群26个城市的实际GDP。具体公式为：
(2)
其中，RGDPt为第t年的实际地区生产总值，GDPINDEXt为第t年的地区生产总值指数。
投入变量选择地级市物质资本存量(K)和年末单位就业人数(L)。在测算地级市物质资本存量时，本文思路为：首先，以单豪杰研究[21]估算出的2006年省份固定资本存量为基础，沿用永续盘存法(式3)计算得到2010年江苏、浙江、安徽以及上海4个省市的物质资本存量作为基期数据；
其次，根据式(4)、式(5)将省级物质资本存量转换到各地级市[10]3-4，得到地级市基期数据；
最后，根据式(4)、式(6)得到地级市资本形成总额，根据式(3)估算出各地级市各年物质资本存量数值。
(3)
(4)
Ki,2010=Ri,2010×所在省市2010年物质资本存量
(5)
Ii,t=Ri,t×所在省市t年固定资本形成总额
(6)
其中，Ii,t表示资本形成总额，Pi,t表示固定资产投资价格指数，Ki,t表示物质资本存量，δi,t为经济折旧率，取值为9.6%[22]，Ri,t为特定比例系数。
根据上述变量处理，借助SFA方法计算得到长三角城市生产函数形式，见表1：
表1 长三角城市生产函数
2.解释变量。从城市视角出发测算数字经济发展规模的研究尚处于空白，考虑到数据可得以及研究科学合理等原则，本文借鉴赵涛等的做法[7]69，综合互联网发展与数字金融发展两个方面选取5个指标来评估长三角城市群数字经济发展水平。具体指标选取如下：采用移动电话覆盖率(用百人移动电话拥有量代理)、数字经济相关产业就业(用计算机和软件业、信息传输业从业人员占比代理)、互联网普及率(用百人宽带接入数代理)和数字经济相关产业产出(用人均电信业务量代理)4个子指标评估互联网发展情况；
采用数字普惠金融发展指数评估数字金融发展情况(见表2)。主成分分析法(PCA)(6)因篇幅有限，这里不详细介绍本文使用主成分分析法的计算过程。测度思路为：第一，初始数据的无量纲化处理。这里根据极差法将所有原始数据进行归一化，使其数值处于区间0～1范围内。第二，确定权重。即对所选指标降维，提取主因子(Stata16.0软件处理)。第三，逐层计算得到最终目标指标，即数字经济发展指数。
表2 数字经济发展水平指标体系
3.控制变量。参考既有研究成果[14,23]，本文构建的模型中包含5个控制变量：(1)政府干预度(GC)，选用各城市财政支出和生产总值之比来衡量；
(2)对外开放度(OPEN)，选用各城市进出口总额和生产总值之比来衡量；
(3)人力资本质量(HCQ)，选用各城市高等学校在校学生数与常住人口数之比来反映；
(4)产业结构高度化(ISS)，选用各城市GDP中第三产业所占比例与第二产业所占比例之比来反映；
(5)固定资产投资(RFI)，选用各城市固定资产投资额与常住人口之比来衡量。
(三)内生性与工具变量
实证研究过程中对于模型变量间内生性问题的讨论是一个不可或缺的环节。就本文研究的主题而言：一方面，数字经济发展这一解释变量与区域全要素生产率之间表现出因果关系；
另一方面，尽管本文综合考虑了影响全要素生产率的因素，但某些难以反映或量化的因素仍可能未被考虑到模型中(如区域间的制度差异等)，即本文设定的模型所包含的控制变量仍然会存在遗漏问题。基于此，本文引入工具变量进行回归，以期更准确识别数字经济发展对区域全要素生产率的净效应影响。考虑到工具变量选取所遵循的的相关性原则和外生性原则：一是历史上本地电话用户率高的区域会导致后期互联网宽带接入率更高，即“有线”向“无线”的转变；
二是历史上本地电话用户率高的区域不大可能对当前区域生产率带来直接影响，因此本文选取的城市数字经济发展水平的工具变量为1984年各城市每百人本地电话用户数。考虑到研究样本数据为均衡面板数据以及固定效应模型难以处理未经时间化处理的工具变量等问题，本文借鉴Nunn和Qian的研究成果[24]，将上文提出的工具变量与前一年全国范围内的互联网投资额进行相乘得到一个交互项，然后进行两阶段最小二乘回归。实证部分将列出给定置信水平下Kleibergen-Paap rk Wald F和Kleibergen-Paap rk LM统计量数值对工具变量进行有效性检验。
(四)数据来源与描述性统计
本文选取2010—2020年苏、浙、皖、沪属于长三角范围26个城市的面板数据。其中，衡量城市数字金融发展的指标，即数字普惠金融发展指数(DFIIC)，出自于北京大学数字金融研究中心，其余数据均来自苏、浙、皖、沪各年统计年鉴。此外，数据分析软件使用的是Stata16.0。
为初步检验假设1，这里根据前文测算得到的长三角地区各城市各年数字经济发展水平(DE)和全要素生产率(TFP)的具体数据绘制了二者间的散点图，并勾勒出线性拟合直线，如图1所示。显然，在数字经济发展水平相对低的地区，其整体全要素生产率也较低，这表明数字经济发展对全要素生产率具有正向相关关系。这一结论是否可靠？为进一步验证两者之间的关系，下文将运用计量模型作出严格的实证探讨和检验。
图1 数字经济和全要素生产率二者间的相关性
(一)基准回归分析
本部分对前文设定的计量模型分别进行普通最小二乘(ols)和工具变量(iv)回归，回归结果见表3。从Kleibergen-Paap rk LM检验值和Kleibergen-Paap rk Wald F检验值可以发现，模型拒绝工具变量识别不足的原假设，也严格拒绝弱工具变量的原假设。
表3 基准回归分析结果
具体来看，第a列只考虑了数字经济发展(DE)这一影响因素，普通最小二乘和工具变量回归系数分别为0.238和0.261，并且均在1%置信水平上显著，这表明数字经济发展对全要素生产率具有正向影响关系，佐证了假设1，也验证了图1反映的相关关系；
第b列考虑到整体经济环境影响，引入时间固定效应，结果仍然显著为正；
第c列引入控制变量以及时间、地区固定效应，结果显示数字经济发展仍然对区域全要素生产率存在显著正影响关系。数值上来看，城市数字经济发展水平1个百分点的增加，平均会带来全要素生产率0.740个百分点的提升。此外，可以发现对外开放度、人力资本质量对区域全要素生产率表现出显著的正影响关系，而政府干预、产业结构高度化对全要素生产率具有抑制作用，人均固定资产投资的影响系数不显著。
(二)稳健性检验
为验证上述基本回归分析得出的结果是否准确，本文通过更换解释变量和工具变量对研究结论进行稳健性检验。首先，上述回归分析中的解释变量(数字经济发展水平)是通过构建指标测度体系得到的，而这里采用“互联网普及率”作为数字经济发展水平的替代指标，其合理之处在于，数字经济作为一种融合性经济，是经由信息经济、互联网经济发展之后产生的一种新模式经济，互联网发展水平也反映着数字经济发展水平；
其次，围绕前文选择工具变量——各城市1984年百人本地电话用户数——的思路，这里采用“人均邮电业务量”替换“本地电话用户数”。因为邮电业务发展一定程度上影响着互联网的普及和发展，比如以往邮政电信基础设施水平高的城市后期会拥有较高的互联网技术水平，同时越来越少的人会使用过去的邮电工具，它在逐渐被淘汰。因此，人均邮电业务量满足工具变量选取的相关要求。
从稳健性检验回归结果(表4)可以发现，在引入控制变量前后，解释变量DE的系数与表3相比较，只存在大小的差别，符号是一致的，且均在1%水平下显著。这充分表明模型通过稳健性检验，即实证结论是可靠的。
表4 稳健性检验结果
(三)作用机制分析
以上基准回归分析揭示了数字经济发展能够显著提升城市全要素生产率，即对假设1完成了检验。为检验理论机制分析部分提出的假设2和假设3，本文构建以下计量模型：
TECHIit=β10+β11DEit+β12CVit+μi+δt+εit
(7)
TFPit=γ10+γ11DEit+γ12TECHIit+γ13CVit+μi+δt+εit
(8)
HUMANCit=β20+β21DEit+β22CVit+μi+δt+εit
(9)
TFPit=γ20+γ21DEit+γ22HUMANCit+γ23CVit+μi+δt+εit
(10)
其中，方程(7)和方程(8)用来检验数字经济是否能够通过技术创新来提升全要素生产率，方程(9)和方程(10)用来检验人力资本投资是否为数字经济发展提升全要素生产率的中介变量。技术创新(TECHI)指标选取各城市的人均专利授权量数据，人力资本投资(HUMANC)用各城市教育方面经费在GDP中所占的比重衡量，数据来自江苏、安徽、浙江以及上海市各年统计年鉴。其余变量均与前文式(1)保持一致。
从工具变量回归结果(表5)中可以看出，数字经济发展对技术创新、人力资本投资均表现出显著的正向影响关系，这说明数字经济发展能够促进技术创新、拉动人力资本投资。可以发现，将技术创新与人力资本投资分别放入模型之后，数字经济发展对全要素生产率的影响系数由0.294减小到0.193和0.215，这说明技术创新与人力资本投资是数字经济影响区域全要素生产率的部分中介效应，进而佐证了前文所述的作用机制假说。
表5 作用机制检验结果
(四)异质性分析
1.区位异质性分析。由于苏、浙、皖、沪四个省市的经济发展多项指标(诸如资源禀赋、技术水平等)存在明显差距，从前文测算出来的数字经济发展水平和全要素生产率大小的数据也可以看出，长三角城市群内隶属不同省域的城市表现出明显差异。因此，将样本按省域分开再进行回归具有必要性。下面探讨数字经济发展对全要素生产率的区域异质性(剔除上海市数据)。
从表6可以发现，苏、浙、皖省域城市的数字经济发展均显著提升了该城市的全要素生产率，但存在区位异质性。江苏、浙江和安徽省域下属地市的数字经济发展对全要素生产率的影响系数分别为0.422、0.389和0.138，原因是相较于安徽省，江苏省和浙江省数字经济基础设施建设相对完善，人均产值、人力资本质量、固定资产投资、政府参与度等均存在规模优势，这使得该区域内数字经济的外部性和灵活性具有更高水平。此外，江苏地区表现出来的高对外开放度、松弛有度的宏观调控政策以及高质量的人力资本等带来高生产率水平，数字经济对全要素生产率的促进效果也就表现出显著优势。
2.分时间段的异质性分析。前文基准回归检验的是2010—2020年长三角城市群数字经济影响全要素生产率的平均效应，而数字经济的强劲发展势头是近几年出现的，尤其是在2016年杭州G20峰会之后。结合数字经济指数的测算结果，本部分将样本期间分为2010—2014年(数字经济低水平)和2015—2020年(数字经济高水平)两个时间段，对模型(1)重新检验。
从表6后两列可以发现，无论是2010—2014年样本期还是2015—2020年样本期，数字经济对区域全要素生产率均有正影响系数，但后者系数更显著，数值也更大。这是因为，相较于2014年之前，长三角地区新基建、新技术的不断涌现，数字基础设施不断完善、金融扶持政策不断有效落实等推动了数字经济的迅猛发展。结合前文分析，长三角城市群一体化高效发展，高水平的数字经济缓解了各产业和地区间交流障碍，提高资源配置效率，有效促进了全要素生产率提升。
表6 数字经济对全要素生产率的区位异质性分析
本文结合固定效应模型与中介效应模型围绕数字经济发展与区域全要素生产率展开了理论分析与实证检验。研究结论如下：第一，整体来看，数字经济发展显著提升了长三角城市全要素生产率。采用变量替换等稳健性检验后，这一结论仍然成立。第二，从作用机制来看，技术创新和人力资本投资可以起到通过数字经济提升区域全要素生产率的桥梁作用，即数字经济能够通过激发城市技术创新活力、激励人力资本投资的增加进一步提升全要素生产率。第三，分区域来看，苏、浙两省省域城市的数字经济发展对全要素生产率的促进作用更为明显。分时间段来看，2015—2020年样本期的数据表现出显著促进效果。
根据以上实证结论，本文提出3点建议：
首先，基于数字经济的现实表现，政府应持续推进互联网普及、完善数字技术基础设施建设、发展新基建，推动互联网发展；
切实帮助地方中小企业实现数字化转型、出台扶持性政策推动数字金融发展。
其次，抓住“技术溢出”效应，增加城市公共项目投资，吸引大众增加人力资本投资；
适度开放数据资源，激发公众借助数字产业平台进行创业创新的活力。
最后，从各地区发展的实际出发，因地制宜，制定针对性、差异化的数字经济发展规划。针对欠发达地区，落脚点主要是加强数字经济基础设施建设，落实人才引进政策，激发大众创新，充分抓住数字技术对要素资源配置效率的促进机制，大幅拓展数字经济提升全要素生产率的空间；
针对较发达地区，政府应当充分发挥数字经济的外部性，推动区域之间互联互通，充分释放数字经济对区域协调发展的带动作用。
