SCI论文（www.lunwensci.com）
【摘 要】 在数字经济背景下，数字技术怎样影响制造业全要素生产率提升? 基于 2000 年至 2019 年中国制造业面板数据以及国家知识产权公共服务网的专利数据，研究数字技术对制造业 全要素生产率的影响效应 。研究发现，数字技术与制造业全要素生产率呈现显著的倒“U ”型关 系，通过断点回归等稳健性检验后结论依然成立 。异质性检验发现，数字技术始终能促进高端技 术制造业的全要素生产率提升，在中端技术制造业存在明显的阈值水平，而对低端技术制造业表 现为抑制作用 。机制检验发现，数字技术通过自主创新和技术升级提升了制造业全要素生产率， 但过快地推进技术升级和设备升级降低了制造业全要素生产率 。研究结论对有效推进制造业数 字化转型，提升制造业全要素生产率具有启示意义 。
【关键词】 数字技术,制造业全要素生产率,倒“U ”型,中低技术陷阱
一、引言
数字技术引领的第四次工业革命已经来临，而中国制造业处于“大而不强 ”的发展现状，关键核 心技术与世界工业强国还有一定差距 。 自新冠肺炎疫情以来，逆全球化趋势不断上升，日本和欧美 等发达国家不断吸引制造业回流，中国制造业发展面临的不确定性增加，国际大循环受阻 。为充分 把握新一轮技术革命和产业革命的历史机遇，亟需利用数字技术创造新供给，推动制造业数字化转 型升级 ，提升制造业全要素生产率 ，从而加快构建以国内大循环为主体 ，国内国际双循环相互促进 的新发展格局，赢取国际竞争新优势 。
数字技术是多种与电子计算机相伴相生的通用目的技术，主要包括人工智能 、物联网 、云计算 、 大数据 、3D 打印 、数字支付系统 、数字平台 、社交系统 、电子商务 、自动化 、共享经济 、在线就业平 台 、区块链 、5G 、机器学习 、虚拟现实 、互联网等方面 [1] 。全要素生产率是决定经济增长的重要因素， 尽管学术界关于全要素生产率的影响因素的研究较丰富，但随着数字技术的广泛应用，其怎样影响 制造业全要素生产率提升，学术界并没有统一的观点，需要进一步研究 。
目前学术界对该问题的研究主要有两种观点 。一种观点认为信息技术能够显著促进全要素生 产率提升 。随着我国人口红利逐渐消失，劳动力等要素对制造业全要素生产率的贡献减弱，而数字 技术有助于个性化 、智能化生产体系的应用 ，提升制造业生产效率与自动控制能力 ，促进制造业全 要素生产率提升 [2] 。并且 ，数字技术加快了制造业服务化的进程 ，有利于技术和知识等创新要素的 积累 ，从而提升制造业全要素生产率 [3] 。Li[4] 认为制造业信息技术投资能够提升其全要素生产率 。
另一种观点继承了索洛关于信息技术的“生产率悖论”。如徐盈之 [5] 认为 ，数字技术的快速发展虽 然扩大了制造业的生产规模，但并不能显著提升全要素生产率 。这是因为在数字化转型过程中，制 造业新旧系统转换阶段要素投入的确切效果和最佳水平无法预测 ，因此存在要素投入冗余或不足 的问题 ，抑制了制造业全要素生产率提升 [6] 。 另外 ，当面临高昂的数字化升级成本时 ，如更新生产 设备或引进先进制造技术，企业存在数字化转型升级的惰性 [7] 。 由于数字技术与配套基础设施存在 互补性，局部的升级可能降低整体系统的性能 。Heshmati[8]发现技术的快速变化对制造业全要素生产 率具有抑制作用 。
已有文献主要通过建立指标体系测算数字技术水平 ，但测算结果不能很好地反映数字技术快 速发展的现状，而研究制造企业全要素生产率的样本选择多为上市公司，不能体现数字技术对制造 业的宏观影响，多数学者仅观察到了两者之间的线性关系 。对于作用机制，多数研究从技术进步和 要素配置效率进行探讨，但少有文献针对制造业技术进步和要素配置的具体路径展开探讨 。 因此 ， 本文的边际贡献可能在于：第一 ，聚焦数字技术快速发展的现实背景 ，提供了数字技术与制造业全 要素生产率之间倒“U ”型关系的理论解释 ，并从自主创新 、技术升级与设备升级等具体路径探讨了 二者倒“U ”型关系的机制 。 第二 ，对国家知识产权公共服务网中的数字技术专利进行了识别并以 此衡量数字技术发展水平 ，为相关研究提供了可行的方法 。 第三 ，运用断点回归方法对“倒 U 型 ” 关系进行检验，提供了数字技术与制造业全要素生产率非线性关系的经验证据 。
二、作用机制与研究假说
数字技术具有数据化 、网络化 、智能化的特征，与制造业的融合程度越来越高，实现了前所未有 的制造范式变革 。数字技术降低了信息传播的成本，提升了市场交易效率，加速了新知识和新技术 的扩散 ，帮助制造业研究人员拓宽了获取新知识的渠道 ，从而有助于提升自主创新水平 [9] 。信息传 播成本的降低和交易效率的提升能够帮助制造业引进前沿的生产技术和制造设备 ，满足对技术和 设备升级的需求 [10] 。数字技术通过数字基础设施发挥了网络效应和平台作用 ，降低了制造业生产 要素的流动壁垒，制造业可以及时调整生产过程中的要素投入，避免了要素投入冗余或要素投入不 足的问题 ，优化了其要素配置效率 [11] 。人工智能 、大数据等数字技术的应用提升了制造系统自我更 新与知识生产的能力，结合滚动任务能够优化制造车间生产流程，解决了生产要素调度分配的复杂 问题 ，从而满足了实际生产需求的动态变化 ，使得制造业生产过程具备自我提升的能力 [12] 。 因此 ， 数字技术能够提升自主创新水平，优化资源要素配置，进而提升制造业全要素生产率 。
然而 ，数字技术与制造全要素生产率之间可能不是简单的线性关系 ，而是倒“U ”型的非线性关 系，即当数字技术发展到一定阈值水平时，反而会降低制造业全要素生产率 。数字技术作为通用目 的技术需要配套的制造设备和人力资本，当数字技术处于低水平时，其对于配套的制造设备要求不 高 ，制造业人员对新技术的学习成本低 ，数字技术提升了生产自动化和管理信息化能力 ，因此在扩 大生产的过程中，投入产出比例进一步优化，显著提升了制造业全要素生产率 。但随着数字技术的 快速发展和市场需求的不断变化，生产前沿的数字技术复杂程度不断提高，同时新兴数字产品领域 不断涌现 ，制造业需要投入大量资金推动技术升级以及更新制造设备 [13] 。处于技术前沿的地区和 行业亟须探索先进数字技术的应用场景和商业模式 ，同时技术和设备在升级的过程中需要制造业 人员具备更强的学习能力吸收改造新技术 ，转变传统的生产理念并重新分配资源进行生产 。这对 制造业的组织结构 、资源识别以及整合能力提出了更高的要求 。 因此，数字技术的快速发展可能会 产生制造业数字化要素的“拥挤效应”，造成内部规模不经济，从而降低了制造业全要素生产率 [14] 。
假说 1：从制造业数字化转型的一般进程看，随着数字技术的快速发展，数字技术与制造业全要 素生产率呈现先提升后抑制的倒“U ”型关系 。
制造业全要素生产率增长取决于技术进步和要素配置效率提升 ，技术进步主要通过自主创新 与技术升级 ，同时技术升级以及购买更新制造设备影响制造业要素配置效率 [15] 。 因此 ，本文从自主 创新 、技术升级和设备升级三个方面探索数字技术影响制造业全要素生产率的机制 。数字技术改 善了制造业的学习效率，能够以更低的交易成本和验证成本满足自身的技术需求，加快了制造业对 新工艺和产品的模仿 ，推动制造业创新者投入资源进行创新活动 ，提升自主创新水平 [16] 。制造业通过自主创新使得知识资本在生产中的贡献程度越来越大，从而产生新的产品和服务，拓展新的产品 市场 ，提高了客户满意度和忠诚度 ，同时也能够改善生产中的工艺和流程 ，增强了制造业产品的市 场竞争力，最终提升了制造业全要素生产率 [17] 。
随着数字经济发展的环境不断优化 ，这种外部环境会倒逼制造业进行数字化转型升级 ，主要体 现在技术和设备升级两方面 。技术升级是指引进 、消化 、吸收新技术以及购买 、改造技术 ;设备升 级是指对生产过程中基础设备进行更新换代 。一方面 ，新的技术和设备能够满足生产新产品和服 务的生产条件 ，从而满足消费者需求 ，提升制造业产品的市场规模 ;另一方面 ，技术和设备的升级 能够显著提升生产效率 ，优化生产过程中的投入产出比 ，进而加大研发创新力度 ，提升制造业产品 的核心竞争力 ，技术和设备升级的规模效应得以发挥 ，能够提升制造业全要素生产率 [18] 。 目前我国 工业整体的技术进步方向逐渐转向自主创新 [19] 。若制造业忽视自身要素禀赋结构过快推进技术升 级 ，将引致技术吸收消化不足或技术适用性较低 ，降低技术升级的转化效果 ，同时过快的技术升级 将会挤占其他经费支出 ，出现高投入而低回报的问题 ，从而降低要素配置效率 ，抑制制造业全要素 生产率提升 [20] 。而急于更新制造设备就无法确定相应的工艺流程 ，设备无法得到充分利用 ，挤占了 其他生产要素的投入 ，导致要素配置效率降低 [21] 。此外 ，过快进行设备升级或技术升级可能加剧数 字技术与配套基础设施之间的匹配差异，在生产过程中先进生产技术或设备无法充分运用，造成效 率的损失，抑制了制造业全要素生产率提升 。
假说 2：数字技术通过自主创新 、技术升级和设备升级的规模效应促进制造业全要素生产率增 长，而过快推进技术或设备升级将会降低制造业全要素生产率 。
三、模型设定与数据处理
(一)模型设定
模型主要采用地区和时间双固定效应模型 ，为检验数字技术与制造业全要素生产率之间的非 线性关系，我们构建计量模型如下：
TFPijt = α +β ln DIGit + δ(ln DIGit)2 + γ ln Xijt + ui +vt + εijt ( 1 )
其中 ，下标 i 表示省份 ，j 表示制造业行业 ，t 表示时间 ;TFPijt 表示制造业全要素生产率;DIGit 表 示数字技术 ，(ln DIGit)2 为数字技术的平方项 ;Xijt 为控制变量 ;α 为常数项 ;ui 为地区固定效应 ;vt 为时间固定效应;εijt 为随机误差项 。
(二)变量说明
1.解释变量 。数字技术( DIG )作为一种通用目的技术 ，已在各行各业广泛应用 ，同时制造业与 其他行业的联系更加密切 ，因此本文从地区层面考察数字技术对制造业全要素生产率的影响效 应 。参考郑江淮 [22] 的做法 ，对各地区专利中的数字技术关键词进行识别 ，同时考虑专利申请到授权 的滞后性 ，以各地区数字技术专利授权数来衡量该地区的数字技术水平 。具体做法如下：首先 ，通 过数字技术关键词 ① 、申请人所在国(省)、申请专利类型 、IPC 分类号 、公开(公告)日编辑索引式;其 次，对上述索引式在国家知识产权公共服务网—专利检索及分析数据库进行检索，得到各地区数字 技术专利授权数 。
2. 被解释变量 。全要素生产率( TFP )是指要素投入以外的原因导致的产出的增加 ，我们参考 余泳泽 [23] 的做法 ，以超越对数随机前沿( SFA )生产函数对制造业行业层面全要素生产率进行测算 ， 其测算方法更能够反映行业层面全要素生产率的真实性 。投入要素主要包括制造业的资本存量 、 劳动力存量 ，产出要素为制造业行业的主营业务收入 。劳动力数据为各省制造行业平均用工人数 (万人)，资本存量以永续盘存法对制造业固定资产合计数进行计算，折旧率设为 5% 。
3. 控制变量 。为避免遗漏变量对估计结果造成影响 ，我们从行业层面和地区层面对重要变量 进行控制 。行业层面：一是成本费用利润率(Rpce)，成本费用利润体现了行业的竞争力 ，对全要素 生产率具有正向效应 ;二是资本劳动比率( Clr)，由净资产总数除以劳动人数得出 ，资本劳动比率体 现了地区对制造业的投资偏向 ，资本劳动比率越大 ，制造业全要素生产率越高 ;三是主营业务收入 增 长 率( Irmbr)，该 变 量 与 全 要 素 生 产 率 正 相 关 ，以 控 制 其 他 对 全 要 素 生 产 率 产 生 作 用 的 行 业 因 素 。地区层面：一是贸易开放度( To )，以进出口总额与 GDP 的比重表示，对外开放能够获得技术溢出 ，从而提升全要素生产率 ;二是政府财政支出强度( Gfe )，以地方公共财政支出占地区生产总值 比重衡量，政府的公共基础设施和高效的建设对促进全要素生产率具有一定的影响作用;三是土地 城市化率( Ul )，以城市建成区面积占市辖区总面积的比重进行衡量 ，土地城市化程度越高 ，要素密 集度越高 ，对制造业全要素生产率产生影响作用 ;四是知识产权保护程度( Rds )，以技术市场成交 额占 GDP 比重进行衡量 ，知识产权保护能够保障数字技术转化 ，最终提升全要素生产率 ;五是交通 网密度( Rnd )，以单位面积的公路和铁路数进行衡量 ，交通基础设施可以降低运输成本 ，消除市场 分割以及弱化企业的市场势力，提升全要素生产率 。变量的描述性统计如表 1 所示 。
(三)数据来源
我们使用 2000 年至 2019 年中国 30个省级行政区的制造行业数据进行统计 ，因西藏地区数据缺 失较多 ，未进行数据统计 ，选取行业为 2017 版《国民经济行业分类》( GB/T 4754 — 2017 )的制造业两 位码行业 ，参考付强 [24] 的做法将 2012 年后汽车制造业以及铁路 、船舶 、航空航天和其他运输设备制 造业合并为交通运输设备制造业 ，共计 28个行业 。本文数据主要来源于：《国家知识产权公共服务 网—专利检索及分析数据库》《中国工业统计年鉴》《企研数据—数字经济产业专题数据库》《中国 科技统计年鉴》《中国城市和产业创新力报告 2017》及各省统计年鉴 。其中，《中国工业统计年鉴》 未发布 2005 年 、2018 年 、2019 年版本 ，我们参考各省统计年鉴补齐相应数据 ，个别省份缺失数据采 用线性插值法进行估计 ，且对个别省份细分制造行业数据缺失较多地做了剔除处理 ，最终得到了 12530 个有效观测样本，并以 2000年为基期对所有货币单位数据进行价格调整 。
四、实证结果与分析
(一)基准回归
表 2为数字技术对制造业全要素生产率影响的基准回归结果 。其中 ，第( 1 )列和第( 2 )列报告 了两者线性关系的参数估计结果 ，第( 1 )列不包含控制变量 ，第( 2 )列纳入了控制变量 ，结果表明数 字技术与制造业全要素生产率之间不存在显著的线性关系 。表 2第( 3 )列和第( 4 )列报告了模型 ( 1 )的参数估计结果 ，第( 3 )列不包含控制变量 ，第( 4 )列纳入了控制变量 。可以发现 ，数字技术 一 次项的系数显著为正 ，而二次项的系数显著为负 ，说明数字技术与制造业全要素生产率呈现倒“U ” 型的非线性关系，验证了本文的假说 1 。
(二)稳健性检验
为保证基准估计结果的可靠性 ，我们进行了一系列的稳健性检验：一是采用断点回归模型对数 字技术与制造业全要素生产率的倒“U ”型关系进行检验;二是以劳动生产率替代被解释变量;三是 以数字化企业数量替换解释变量;四是增加额外控制变量;五是使用工具变量法解决内生性问题 。
1. 断点回归检验倒“U ”型关系 。对于数字技术与制造业全要素生产率的倒“U ”型关系 ，数字技 术参数水平较低的部分其斜率应显著为正，而数字技术参数水平较高的部分其斜率应显著为负，令 断点为 DIGc ，因此将回归模型设定为：
TFPijt = α + β ln l_DIGit + δ lnh_DIGit + ρHit + γ ln Xijt + ui + vt + εijt ( 2 )
其中 ，当 DIGit ≤ DIGc 时 ，l_DIGit = DIGit −DIGc ，其他为 0;当 DIGit ≥ DIGc 时 ，h_DIGit = DIGit −DIGc ， Hit =1.其他为 0 。对于断点的选取，首先将基准模型阈值水平设置为断点 DIGc ，其次参考 Simonsohn[25] 的研究采用 Robin Hood算法寻找断点 DIGc 。其方法主要是通过改变样本区间将模型从显著性水 平较高的回归转向水平较低的回归中 ，从而验证二者非线性关系的稳健性 。表 3第( 1 )列至第( 4 ) 列报告了将基准回归阈值作为断点的回归结果，第( 5 )列至第( 8 )列报告了以 Robin Hood 算法计算 断点的回归结果② 。结果显示在断点左侧制造业全要素生产率对数字技术的回归系数显著为正，而断点 右侧制造业全要素生产率对数字技术的回归系数显著为负，说明二者倒“U ”型关系稳健 。
2. 替换被解释变量 。我们参考谢谦 [26] 的研究 ，以劳动生产率替代被解释变量进行稳健性检验 。 表 4第( 1 )列报告了参数估计结果，结果发现二者倒“U ”型关系稳健 。
3. 更 换 解 释 变 量 。 我 们 选 取 地 区 数 字 企 业 存 量 数 代 替 数 字 技 术 水 平 进 行 稳 健 性 检 验 ，参 考 柏培文 [27] 的研究 ，通过年度全国数字企业存量数( Ncdt )和各省规模以上企业数( Npst )，近似计算出 各省数字企业存量数，表示为：
表 4第(2)列报告了数字技术一次项与二次项的参数估计结果，结果表明两者的倒“U ”型关系稳健。
4.增加额外控制变量 。为避免遗漏变量的影响作用 ，本文增加以下控制变量：一是地区社会保 障程度 ，以地区参保人数比例反映 ;二是地区市场竞争程度 ，以地区企业数量的对数进行衡量 ;三 是产业垄断程度 ，以从业人数的赫芬达尔指数衡量 。表 4第( 3 )列报告了参数估计结果 ，结果表明 与上文的结论一致 。
5. 内生性处理 。 我们参考柏培文的研究 ，通过省会城市到沿海港口距离的对数(ln Dispt )和年 度 数 字 经 济 企 业 存 量 对 数(ln Npdt )的 交 互 项 、地 形 起 伏 度( Slopt )和 年 度 数 字 经 济 企 业 存 量 对 数 (ln Npdt )的交互项作为工具变量解决内生性问题 。 同时为解决互为因果关系的内生性问题 ，采用 滞后一期和二次项滞后一期作为工具变量 。表 4第(4)列和第( 5)列报告了回归结果，结果表明，工具 变量识别不足和弱识别的检验结果均在 1%的水平拒绝了“工具变量识别不足 ”和“弱工具变量 ”的原 假设，说明本文选取的工具较为合适，数字技术与制造业全要素生产率的倒“U ”型关系仍显著。
(三)行业异质性分析
目前我国制造业总体 70%的产出都是中低技术的加工型制造 ，因此数字技术与制造业全要素 生产率之间的倒“U ”型关系在不同行业间可能存在异质性 。我们参考对低中高技术制造业以及对制造业要素投入密度的分类标准，进一步探讨二者倒“U ”型关系的行业异质性 。
表 5第( 1 )列至第( 3 )列报告了以技术水平分类的回归结果 。结果表明 ，在低端 、中端和高端技 术制造业中 ，数字技术与制造业全要素生产率均呈现倒“U ”型关系 ，阈值水平分别为 0.500 、3.154 和 8.222.在不同技术密集度的制造业之间具有显著的差异 。表 5第( 4 )列至第( 6 )列报告了以要素投 入密集度分类的回归结果 。结果表明 ，在劳动密集型 、资本密集型和技术密集型制造业中 ，数字技 术与制造业全要素生产率的倒“U ”型关系依然显著 ，阈值水平分别为 0.436 、3.167 和 7.409.在不同 要素投入密集度的制造业之间同样存在差异 。 目前 ，我国数字技术水平的均值为 7.131.高于资本 密集型和中端技术制造业阈值水平，低于技术密集型和高端技术制造业阈值水平，这说明数字技术 对技术密集型和高端技术制造业全要素生产率仍处于促进阶段，而对资本密集型 、劳动密集型以及 中低技术制造业处于抑制阶段 。 因此，中低技术制造业存在“ 中低技术陷阱”。
五、中间机制检验
从制造业自主创新 、技术升级和设备升级解释数字技术与制造业全要素生产率的非线性关系 ， 首先 ，对于制造业自主创新程度( Mti )的测算 ，以寇宗来公布的中国城市层面行业创新指数加权到 省级层面 ，进而得到省级层面细分制造行业的自主创新指数 。 由于该指数通过发明型专利的法律 状态更新信息及其年费结构，运用专利更新模型计算，因而能够较好地反映产业的自主创新价值和 自主创新水平 。 同时参考韩峰的做法，采用二次指数平滑法近似补齐缺失数据，平滑系数值仍设为 0.6 。其次 ，以制造业的技术引进经费 、消化吸收经费 、购买国内技术经费和技术改造经费之和衡量 技术升级的规模值( Eus )，并以此测算制造业技术升级的增长率( Eugr )。最后 ，以制造业的仪器 设备支出衡量制造业设备升级的规模值( Tus )，并以此测算设备升级的增长率( Tugr )，数据来源 于 1999 年至 2020 年《中国科技统计年鉴》。
对于影响机制的识别 ，首先检验数字技术对制造业自主创新 、技术升级以及设备升级的影响效 应 ;其次将机制变量分别加入基准模型探究机制变量的影响效应 。表 6 汇报了数字技术对自主创 新 、技术升级以及设备升级的影响效应 。可以发现 ，在考察期内数字技术与制造业自主创新水平 、 技术升级和设备升级呈现正向关系，同时数字技术进步不断加快制造业技术升级和设备升级的进程 。
表 7第( 1 )列至第( 5 )列报告了计量模型( 2 )中分别加入机制变量的估计结果 。其中 ，第( 1 )列 中制造业自主创新的系数显著为正 ，说明自主创新能够显著地提升制造业全要素生产率 ;第( 2 )列 中设备升级的系数不显著 ，说明扩大制造业设备升级规模对于提升制造业全要素生产率的作用不 显著 ;第( 3 )列中设备升级增长率的参数估计结果显著为负 ，说明制造业过快进行设备更新升级对 制造业全要素生产率具有抑制作用 ;第( 4 )列中技术升级规模的系数显著为正 ，说明扩大技术升级 规模能够显著提升制造业全要素生产率 ;第( 5 )列为技术升级增长率的系数显著为负 ，说明过快进行制造技术升级可能导致技术吸收不足，抑制了制造业全要素生产率提升 。
六、主要结论与政策含义
(一)主要结论
我们主要研究了数字技术的快速发展对制造业全要素生产率的影响效应 。研究发现 ，数字技 术与制造业全要素生产率影响呈现显著的倒“U ”型关系 ，即数字技术对制造业全要素生产率具有先增长后减弱的作用效果 。 中低技术 、资本密集型以及劳动密集型制造业的数字技术阈值水平较 低 ，而高技术制造业的阈值水平较高 。机制研究发现 ，数字技术提升了制造业自主创新水平 ，进而 促进制造业全要素提升 ;随着数字技术水平不断提升 ，数字技术不断推动制造业设备升级 ，但设备 升级的规模效应不显著 ，过快进行设备更新升级会导致制造业全要素生产率降低 。 随着制造业技 术升级的规模不断扩大，同时技术升级的进程不断加快，技术升级促进制造业全要素生产率增长的 规模效应显著，但同样过快的技术升级可能降低制造业全要素生产率 。
(二)政策含义
我国经济发展正面临需求收缩 、供给冲击 、预期转弱的“三重压力”，要求更多依托创新驱动，以 高质量发展为主题 ，以深化供给侧结构性改革为主线 ，以改革创新为根本动力 ，提高供给质量和水 平 ，加快构建新发展格局 ，实现经济循环流转和产业关联畅通 。综合我们主要研究结论 ，就如何提 升制造业全要素生产率 、促进制造业数字化转型升级 ，积极推动构建新发展格局 ，避免可能存在的 制造业全要素生产率下降以及“ 中低技术陷阱”，提出以下政策含义 。
1. 加强数字技术研发 ，推动制造业数字化转型升级 。数字技术作为创新驱动 、引领企业提升高 质量供给水平的支撑 ，对提升制造要求全要素生产率具有重要的作用和意义 。 国家应加大对数字 技术发展的政策扶持力度，鼓励人力资本在各区域间自由流动，通过人才自由流动缓解各区域间各 行业高端科技人才的相对匮乏 ，从而带动区域制造业全要素生产率的提升 。加快推动制造业数字 化转型升级 ，促进行业竞争优势由劳动密集和资本密集向技术密集转变 、中低技术向高技术转变 ， 提升倒“U ”型曲线最大值的阈值水平，为中国在后工业化时代注入新活力 。
2. 坚持发展高技术制造业 ，防范制造业“ 中低技术陷阱”。依托数字技术进行数字化转型升级 到一定阶段对全要素生产率可能产生负向效应，因此要推动制造业向高技术方向发展，追求数字技 术适应性，而非盲目追求规模上升 。 中低技术制造行业应该建立完备的高端科技人才的培养机制， 加大对行业内高科技人才的再教育和培训力度，提高知识储备和专业技能，充分发挥现有技术中的 “ 干中学 ”效应 。随着中低技术制造行业人力资本的不断积累 ，既可以降低行业引进新技术的门槛 和加快行业吸收新技术的速度，还可以进一步形成稳定的“干中学 ”动态效应，形成良性循环 。
3. 提升制造业自主创新能力 ，改善要素配置效率 。注重原始创新 ，强化企业创新主体地位 ，集 中力量打好关键核心技术攻坚战，锻造产业链供应链长板，补齐产业链供应链短板 。加大对高端芯 片 、操作系统等核心技术的研发投入 ，支持领军企业和高等研究所攻克关键技术 ，促进中国制造业 全要素生产率的提升，推动数字技术创新在畅通循环中发挥关键作用 。 同时，还要注意制造业数字 化转型过程中过快进行技术升级和设备升级引致的技术吸收不足 、规模效益下降从而降低制造业 全要素生产率的问题 。制造业在数字化转型过程中一定要注重要素配置效率，提升数字技术 、制造 技术以及技术基础设施的匹配程度 。
【注释】
① 数字技术的关键词主要包括：机器人、人工智能、物联网、云计算、大数据、3D 打印、数字支付系统、数字平台、 社交系统、电子商务、自动化、共享经济、区块链、5G 通信技术、机器学习、虚拟现实、互联网、信息技术等 .
② 感兴趣的读者可向作者索取 Robin Hood 算法的 Do 文件 .
【参考文献】
[1] 许宪春，张美慧 . 中国数字经济规模测算研究——基于国际比较的视角[J].中国工业经济，2020(5)：23-41.
[2] 郭凯明 .人工智能发展、产业结构转型升级与劳动收入份额变动[J].管理世界，2019(7)：60-77+202-203.
[3] Goldfarb A，Tucker C.Digital economics[J].Journal of Economic Literature，2019.57(1)：3-43.
[4] Li D，Chen Y，Miao J.Does ICT create a new driving force for manufacturing? Evidence from Chinese manufacturing firms[J].Telecommunications Policy，2022.46(1)：102229.
[5] 徐盈之，赵豫. 中国信息制造业全要素生产率变动、区域差异与影响因素研究[J].中国工业经济，2007(10)：45-52. [6] Gordon，R.J.Perspectives on the rise and fall of American growth.American Economic Review 2016.106 (5)：72-76.
[7] 胡彬，万道侠 .产业集聚如何影响制造业企业的技术创新模式——兼论企业“创新惰性 ”的形成原因[J].财经研究，2017.43(11)：30-43.
[8] Heshmati A，Rashidghalam M.Estimation of technical change and TFP growth based on observable tech- no logy shifters[J].Journal of Productivity Analysis，2020.53(1)：21-36.
[9] Brynjolfsson E，Collis A，Eggers F.Using massive online choice experiments to measure changes in well-being[J].Proceedings of the National Academy of Sciences，2019.116(15)：7250-7255.
[10] 韩先锋，惠宁，宋文飞 .信息化能提高中国工业部门技术创新效率吗[J].中国工业经济，2014(12)：70-82.
[11] 梁琦，肖素萍，李梦欣 .数字经济发展、空间外溢与区域创新质量提升——兼论市场化的门槛效应[J].上海经 济研究，2021(9)：44-56.
[12] Nordhaus W D.Are we approaching an economic singularity? information technology and the future of economic growth[R].National Bureau of Economic Research，2015.
[13] 李金华.德国“工业4.0”与“ 中国制造2025”的比较及启示[J].中国地质大学学报(社会科学版)，2015(5)：71-79. [14] 祝树金，罗彦，段文静 .服务型制造、加成率分布与资源配置效率[J].中国工业经济，2021(4)：62-80.
[15] Comin D A，Gonzalez J Q，Schmitz T G，et al.Measuring TFP：The role of profits，adjustment costs，and capacity utilization[R].National Bureau of Economic Research，2020.
[16] Kehrig M，Vincent N.Growing productivity without growing wages：The micro-level anatomy of the ag- gregate labor share decline[J].Economic Research Initiatives at Duke(ERID)Working Paper，2017(244).
[17] Iandolo S，Ferragina A M.Does persistence in internationalization and innovation influence firms ’ performance?[J].Journal of Economic Studies，2019.46(7)：1345-1364.
[18] Savvides A，Zachariadis M. International technology diffusion and the growth of TFP in the manufac- turing sector of developing economies[J].Review of development economics，2005.9(4)：482-501.
[19] 郑江淮，荆晶 .技术差距与中国工业技术进步方向的变迁[J].经济研究，2021.56(7)：24-40.
[20] Lall S.Technology and industrial development in an era of globalization[J].Rethinking development economics，2003.
[21] Applegate L M，Austin R D，McFarlan F W.Corporate information strategy and management[M].McGraw Hill：Irwin Custom Publishing，2006.
[22] 郑江淮，冉征 .智能制造技术创新的产业结构与经济增长效应——基于两部门模型的实证分析[J].中国人民 大学学报，2021.35(6)：86-101.
[23] 余泳泽，张先轸 .要素禀赋、适宜性创新模式选择与全要素生产率提升[J].管理世界，2015(9)：13-31+187. [24] 付强 . 市场分割促进区域经济增长的实现机制与经验辨识[J].经济研究，2017.52(3)：47-60.
[25] Simonsohn U.Two lines：A valid alternative to the invalid testing of U-shaped relationships with quadratic regressions[J].Advances in Methods and Practices in Psychological Science，2018.1(4)：538-555.
[26] 谢谦，刘维刚，张鹏杨 .进口中间品内嵌技术与企业生产率[J].管理世界，2021.37(2)：66-80+6+22-23. [27] 柏培文，张云 .数字经济、人口红利下降与中低技能劳动者权益[J].经济研究，2021(5)：91-108.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jingjilunwen/72507.html
