0 引言

早在20世纪50年代，一些大型企业就开始使用计算机来替代部分常规工作，甚至作为一些非常规工作的补充(Bresnahan，1999)。带有文字处理和电子表格功能的个人计算机在1980年代出现后，很多相关工作开始实现自动化(Berger and Frey，2016)，计算机技术也逐渐成为“通用技术”，改变了几乎所有职业和行业的工作性质(Levy and Murnane，2004)。此后，随着互联网的发展和1990年代电子商务的兴起，信息技术推动经济增长、重塑世界经济格局的能力也越来越强。近年来，经济发展更加依赖于计算机和信息技术① 由于科技发展迅速，对这一系列的技术在不同时期有着不同的称谓，比如最早的计算机技术、互联网技术，以及最近方兴未艾的移动互联网技术等。文献中经常统称为计算机信息技术(computer and information technology)或者信息通讯技术(information communication technology)等，本文则简称为信息技术。 ，美国和德国分别实行了“工业互联网计划”和“工业4.0计划”以推动信息技术在传统工业部门的运用，李克强总理在2015年十二届全国人大第三次会议的政府工作报告中也指出，“互联网+”将是未来中国经济发展的重要驱动力。

尽管信息技术被公认为第三次科技革命最有力的引擎之一，现有文献却很少从微观层面考察信息技术的“增长效应”，即信息技术如何促进企业增长。加总层面的研究也没有得到一致的结论。比如，虽然Jorgenson and Vu(2005)指出计算机技术使美国经济增长突破了原有的“速度极限”，后续实证研究却对此观点提出了质疑。Corrado et al. (2008)和Bosworth and Triplett(2007)利用行业层面数据的研究发现，使用计算机的行业全要素生产率增长更慢。不过他们的结论也存在争议，因为全要素生产率在不同行业间有很强的异质性。因此，要理解信息技术的增长效应，需要深入到企业层面来探究信息技术的影响，并进一步识别影响发生的机制。一些学者已经做了许多前期工作。Kaushik and Singh(2004)和Aker and Mbiti(2010)总结了信息技术提升发展中国家企业绩效的多种途径；Paunov and Rollo(2015)也识别了信息技术知识溢出带来的积极影响。这些研究都支持信息技术可能提升企业绩效这一较为乐观的结论，也为本文的研究奠定了基础。

Yang等在文献[13]中提出了一种抗合谋攻击的安全多方和积协议SPOS（Secure Product of Summations Protocol），该协议使用同态加密[12]实现安全多方和积的计算，并能够抵抗合谋攻击。该协议假设有m个参与方且第i个参与方Ni有数据（xi，r）i，m方合作计算并保证计算过程中任意参与方无法获得其他参与方的任何有效数据。该协议中参与方是平等的，在计算过程中每个参与方执行相同的操作，不存在中间节点。

（二）结合现代技术，培养科学素养。在课程改革逐步深化的背景下，现代技术也在课堂教学中得到了广泛性的应用，并成为教师教育教学中的得力助手之一。因此，在培养学生科学素养的过程中，教师也可以充分的结合现代技术，大大的增强课堂的感染力，以在落实教学目标的同时，为化学教学的开展提供保障。

本文利用中国工业企业数据库研究信息技术对企业增长的影响，分别从增长速度和增长质量两个维度度量企业增长，发现增长速度和增长质量都与信息技术正相关。从增长速度上看，使用更多计算机使得企业的资产、就业、增加值、销售额和利润都更快地增长；从增长质量上看，使用计算机的企业研发支出更多，生产率也更高。我们还用不同的方法进行了稳健性检验。首先，为了排除反向因果带来的估计偏误，我们将回归样本限制在仅包含新成立公司的子样本；其次，利用倾向得分匹配，我们得到一个在其他方面可比的企业子样本，并对此样本进行回归分析；最后，我们利用城市—行业层面的计算机使用比例作为工具变量进行两阶段最小二乘估计。这三种稳健性检验得到的结果都与基准回归的结果十分相似。此外，考虑到不同类型的企业对信息技术的依赖程度和使用效率存在差别，我们还进行了异质性分析。

本文相比以前的研究有以下两方面的贡献。首先，在理论上，通过使用企业层面数据和多种计量方法，我们识别了信息技术对企业增长的因果效应。相比前人使用加总层面的数据，使用企业层面数据有助于排除各种潜在的异质性问题。其次，在实践意义上，我们证实了信息技术对中国制造业的重要性，研究结果也为制定网络时代的发展战略提供了切实可行的建议。本文剩余部分结构如下：第1节描述数据并介绍在实证研究中使用的变量；第2节探讨使用信息技术对企业增长的影响；第3节进行稳健性检验，并考察信息技术的影响在不同类型的企业间存在怎样的差异；最后，第4节总结全文。

山洪灾害防治非工程措施主要由暴雨洪水监测系统、信息汇集及计算机通信网络系统、山洪灾害预警信息服务系统、乡村末端预警系统及群测群防体系等五部分组成。

1 数据与变量

1.1 数据

表6的右边部分检验了倾向得分匹配前后控制组(没有使用计算机的企业)和实验组(使用计算机的企业)的差异。总的来看，这两组在匹配后更加相似。以利润率为例，匹配前没有使用计算机的企业的平均利润率为8.31%，使用计算机的企业为9.97%，其差异在1%显著性水平上统计显著(t值为2.85)。而在匹配样本中，两组的平均利润率分别为8.15%和8.54%，此时t值仅为1.27，差异不显著。所以就利润率而言，控制组和实验组是可比的。其他变量同理，实验组和控制组在这些维度上在匹配后变得更加可比。

在进行实证研究之前，我们先按照文献中常用的方法对数据进行清理。首先，考虑到采矿业依赖于自然资源的分布，公用事业(电力、热力、燃气及水生产和供应业)依赖于城市的人口特征，我们剔除了采矿业和公用事业部门，仅关注制造业部门。其次，我们删除了关键变量缺失的观测值。第三，由于工业企业数据库只在2004年报告了企业计算机使用情况的信息，我们不得不放弃使用面板数据分析而改用横截面分析。我们保留了2001、2004和2007年的数据，其中企业从2004年到2007年的变化作为因变量，用来捕捉信息技术的影响；而2001年到2004年的变化一方面用作不可观测因素的代理变量来缓解遗漏变量偏误问题，另一方面则在稳健性检验部分被用来实施倾向得分匹配以解决反向因果问题。第四，工业企业数据库中大部分指标都是名义值，我们使用Brandt et al.(2012)构建的二位数行业价格指数将其转换为实际价值[注]关于数据的详细信息参见J.V.Biesebroeck的网站: http://feb.kuleuven.be/public/N07057/CHINA。。最后，为了剔除极端值的影响，我们对所有变量在其经验分布的两端进行了1%的缩尾处理。

1.2 变量

我们用匹配样本再次对方程(3)进行估计，结果见表7和表8。表7检验了计算机/微机数量对匹配企业增长速度的影响，大部分系数仍在1%显著性水平上统计显著，再次证实了因果关系的稳健性。然而从数值上看，Panel A和Panel B的估计系数都比用全样本得到的估计系数小(除了第3列)。可能的原因有二： ①正如我们担心的那样，全样本的估计是有偏的；②匹配样本中的企业增长更慢。虽然系数绝对值变小了，但经济显著性变化不大。以就业的增长率为例，每百人拥有的计算机增加一台，增长率将增加1.2个百分点，为均值的5%(匹配样本的就业增长率均值为23.79)。这甚至比我们在表2第1列得到的结果(4.8%)具有更强的经济显著性。

 

表1 描述性统计

  

变量观测值均值标准差最小值最大值GR(就业) 18585127.3290.13-87.36538.90GR(资产) 18581193.20166.59-77.96986.28GR(增加值) 18548156.97277.15-260.9727.86GR(销售额) 185471126.76169.28-90.371039.25GR(利润) 18558045.78164.72-90.15611.64ΔRDI1859000.170.71-1.314.58ΔSNP1859000.5415.85-80.0187.07ΔTFP1644010.040.98-3.122.97ΔALP18574763.11165.38-316.61880.00计算机数量2540548.3712.700.0077.78微机数量2540547.7012.070.0074.19企业规模2543149.521.396.3713.72企业年龄2541658.289.770.0050.00所得税有效税率2509570.661.170.006.41资产负债率25380159.4029.120.67150.41人力资本25405412.4416.760.0088.00

核心解释变量为信息技术，本文使用企业拥有的计算机数量作为其代理变量。工业企业数据库报告了2004年每个企业拥有计算机和微机的情况。不同企业拥有的计算机/微机数量不同，并且这一数量和企业规模高度相关，所以我们将计算机/微机数量除以从业人数进行标准化处理，主要使用每百人拥有计算机/微机数量这一指标。从变量的描述性统计可以看到计算机使用的大体情况：在2004年，计算机还较为稀缺，平均每百人仅拥有约8台计算机。当因变量是加总层面的变量时(如SCI和ICI)，我们也采用相应水平上的每百人拥有计算机数量的均值作为整个城市/行业使用信息技术的代理变量。

我们还在回归中加入了一系列控制变量，以避免由于遗漏变量问题导致估计偏误。首先是企业规模和年龄，其中企业规模为固定资产的自然对数，企业年龄为2004年与企业成立年份的差值。税收负担是决定企业增长的重要因素，所以我们控制了所得税有效税率(所得税与销售额的比值)。融资是影响企业增长的另一大关键要素(2005)，因此，我们还将融资约束纳入了控制变量，用资产负债率(负债与资产比率)来衡量，因为更高的资产负债率通常意味着更高的融资便利性(1995)。人力资本在企业层面对企业增长速度和增长质量十分重要，在加总层面对现代经济增长也有重要影响(2004)，因此我们参照Goedhuys-Degelin and Sleuwaegen(2015)控制了具有大学及以上学历的劳动力的比例。当因变量为增长率时，一般应当控制前期增长率以反映趋同(或趋异)效应，所以本文实证分析还控制了企业2001—2004年间对应的增长率。实际上，控制前期增长率还部分地有助于缓解内生性问题，这是因为前期增长率也受到了一些不可观测因素的影响，因此前期增长率可以作为不可观测因素的代理变量。此外，不同地区、行业和所有制的企业间也存在异质性，所以我们控制了城市固定效应、行业固定效应和所有制固定效应。表1对本文所用的关键变量进行了描述。

2 信息技术对企业增长的影响

2.1 模型设定

我们首先分析信息技术对企业增长的影响，回归方程如下：

 

(1)

其中,GRf,2004-07是企业f从2004—2007年的增长率，GQf,2004-07是该企业在这段时间的增长质量。核心解释变量Computerf,2004是2004年每100个员工所持有的计算机/微机数量，Xf,2004是一系列控制变量。cityc、indi和owno分别代表城市固定效应、行业固定效应和所有制固定效应，用来解决不同地区、行业和所有制的异质性问题。系数β就是我们关心的信息技术对企业增长的影响。但此模型可能存在内生性问题：正的β值不一定代表使用计算机的企业增长速度更快或增长质量更高；相反，这可能是因为增长速度更快或增长质量更高的企业更倾向采用信息技术。为了解决这个问题，下一部分将使用三种不同的方法进行稳健性检验。

2.2 信息技术对企业增长的影响

总之,《红海行动》中佟莉、夏楠的出现,丰富了国产主流影片中女性英雄的性格,提升了其内在精神高度,是更具有现代意识的新时代女性以及新时代英雄。这些形象的出现也增加了中国形象特别是中国人形象的丰富性。

从控制变量来看，企业规模对企业增长的各个方面都有显著负面影响，这与文献中已证明的收敛性相一致(Beck et al.，2008；Cabral，1995)，即大企业相比于小企业增长更缓慢。企业年龄结果相似，年轻的企业相比于成立较早的企业增长更快。更高的税率则对应着更低的增长率，这与文献中税收负担对企业增长有负面影响的结论一致(申广军等，2016)。资产负债率与增长速度呈现正相关关系，因为更高的资产负债率意味着企业从外部获得资金支持的能力更强，因而有机会进行有利的投资和升级。企业中受过高等教育的员工比例越大，增长速度就更快，这与Lopez-Garcia and Puente(2012)和Arrighetti and Lasagni(2013)的结论一致。前期增长率与当期增长率之间呈负相关关系，这与企业规模给出的信息一致，即企业增长速度存在收敛趋势(Evans，1987；Hall，1987)。

表3估计了信息技术对企业增长质量的影响。同样，核心解释变量分别为每百人拥有的计算机或微机数量。计算机或微机数量的系数非常接近，都显示对增长质量有显著正向影响， 且大部分系数在1%显著性水平上统计显著。具体来看，每百人拥有计算机/微机每增加一台，研发强度将增加0.02，超过其均值的1/10；新产品份额增加0.01个百分点(约为均值的2%)；全要素生产率将增加0.002(约为均值的5%)；劳动生产率将增加1300元/人(约为均值的3%)。综上，信息技术不仅加快了企业增长速度，还提高了增长的质量。

控制变量也为我们提供了一致的信息。首先，企业规模对增长质量有显著正向影响。虽然大企业增长更慢，但它们可能更注重增长质量(如研发支出、效率和生产率)。年轻企业在研发活动上支出更少，新产品的销售也更少，不过他们通常生产效率更高。税率和资产负债率对增长质量的影响与对增长率的影响相似。融资便利性显著增加了研发活动并提高了劳动生产率，较轻的税收负担对增长质量的所有方面都有积极影响。人力资本的结果与表2 的结果相似，对下一阶段的增长质量表现出正面影响。虽然前期增长速度与当期增长速度负相关(表2)，但前期增长质量与当期增长质量正相关，说明更高的增长质量具有“惯性”，这反映了企业的增长路径和发展战略具有一致性。

万能粉碎机（上海比朗仪器有限公司）、大容量全温度振荡培养箱（太仓市华美生化仪器厂）、磁力搅拌器（常州市金坛晨阳电子仪器厂）、紫外分光光度计（北京普析通用仪器有限公司）、pH计（上海三信仪表厂）、真空抽滤泵（郑州长城科工贸有限公司）。

表2 信息技术对企业增长速度的影响

  

就业资产增加值销售额利润就业资产增加值销售额利润(1)(2)(3)(4)(5)(6)(7)(8)(9)(10)计算机数量1.063***0.589***1.040***0.678***0.672***(0.023)(0.040)(0.101)(0.058)(0.058)微机数量1.064***0.581***1.018***0.663***0.660***(0.024)(0.042)(0.106)(0.061)(0.060)企业规模-0.785***-12.688***-6.629***-4.381***-4.285***-0.652***-12.606***-6.470***-4.278***-4.184***(0.195)(0.344)(0.845)(0.489)(0.486)(0.195)(0.344)(0.844)(0.489)(0.485)企业年龄-0.027***-0.021***-0.008***-0.006***-0.010***-0.024***-0.018***-0.012***-0.006**-0.008***(0.006)(0.004)(0.003)(0.001)(0.004)(0.004)(0.002)(0.002)(0.003)(0.002)资产负债率0.138***0.021-0.1520.430***-0.4350.140 ***0.023-0.1520.432***-0.452(0.016)(0.043)(0.108)(0.040)(2.216)(0.015)(0.041)(0.108)(0.040)(6.217)实际税率-0.072***-0.011***-0.018***-0.024-0.064***-0.072***-0.011***-0.018***-0.024-0.065***(0.008)(0.014)(0.035)(0.020)(0.020)(0.008)(0.014)(0.035)(0.020)(0.019)人力资本0.423***0.554***0.565***0.657***0.505***0.423***0.595***0.630***0.523***0.718***(0.073)(0.016)(0.040)(0.019)(0.033)(0.054)(0.076)(0.018)(0.042)(0.020)前期增长率-0.055***0.042***-0.108***-0.038***-0.031***-0.056***0.042***-0.108***-0.038***-0.031***(0.003)(0.003)(0.004)(0.003)(0.003)(0.003)(0.003)(0.004)(0.003)(0.003)样本量74432744257428174312743207443274425742817431274320R20.0690.0830.0600.0840.0830.0670.0830.0590.0840.083

注： 所有回归包括城市、行业和所有制的固定效应。括号内的标准误群聚到城市—行业层面。***、**和*分别表示在1%、5%和10%的水平上显著。

表3 信息技术对企业增长质量的影响

  

研发强度新产品份额全要素生产率劳动生产率研发强度新产品份额全要素生产率劳动生产率(1)(2)(3)(4)(5)(6)(7)(8)计算机数量0.033***0.140***0.008***1.826**(0.003)(0.006)(0.000)(0.859)微机数量0.034***0.144***0.008***1.894**(0.003)(0.006)(0.000)(0.894)企业规模0.080***0.232***0.051***39.598***0.082***0.243***0.052***39.714***(0.027)(0.050)(0.003)(7.095)(0.027)(0.050)(0.003)(7.087)企业年龄0.011**0.045***-0.033**-0.732*0.011**0.047***-0.032**-0.700*(0.005)(0.009)(0.014)(0.417)(0.005)(0.010)(0.014)(0.411)资产负债率0.0160.512**0.028**5.0150.0160.510**0.028**5.068(0.011)(0.208)(0.014)(9.292)(0.014)(0.208)(0.014)(9.292)实际税率0.028-0.275***-0.021***-1.666***0.030-0.277***-0.022***-1.527***(0.029)(0.041)(0.003)(0.204)(0.026)(0.042)(0.002)(0.205)人力资本0.009***0.040**0.007***0.401***0.08***0.031***0.005***0.314***(0.002)(0.019)(0.001)(0.042)(0.002)(0.003)(0.001)(0.018)前期增长率0.282***0.044***0.395***0.692***0.282***0.044***0.395***0.693***(0.036)(0.002)(0.004)(0.062)(0.036)(0.002)(0.004)(0.062)样本量7407074070662427437974070740706624274379R20.0070.1500.5020.0110.0070.1490.5020.011

注： 所有回归包括城市、行业和所有制的固定效应。括号内的标准误群聚到城市—行业层面。***、**和*分别表示在1%、5%和10%的水平上显著。

上文分别讨论了使用信息技术对企业增长速度和增长质量的影响，实际上我们也可以换个角度来解释相关发现，即将增长质量看作增长速度的影响机制[注]对于影响机制的分析，我们感谢审稿人的建议。。一般而言，经济分析中可以将企业看作追求利润最大化的理性个体，它们的目标是提高自身的增长速度(尤其是利润)。与更快的发展相比，更高的质量(包括上文使用的创新与生产效率)都可以看作是一种引致的(derived)目标，或者说一种影响渠道。也就是说，企业通过提升自己的创新能力和生产效率来最终达到更快地发展这一目的。考虑到这一关系，后文仍同时以增长速度和增长质量为因变量进行分析，以帮助我们更好地理解信息技术的增长效应及其发挥作用的具体机制。

3 稳健性检验与异质性分析

3.1 稳健性检验

上文发现，计算机的使用与企业增长之间存在正的相关性，但是这并不代表信息技术对企业增长的因果效应，因为上述实证分析可能存在遗漏变量和反向因果带来的偏误问题。一方面，企业是否使用信息技术，可能是由企业自身的某些特征决定的，而这些特征也有助于企业增长。另一方面，企业使用信息技术，或许本身就反映了企业对未来增长的乐观预期。因此，为了缓解遗漏变量和反向因果带来的估计偏误，本节使用三种方法进行稳健性检验。

第一种方法是使用2004年新成立企业组成的子样本进行回归。中国工业企业数据库报告了每个企业的成立年份，借此我们构建了新成立企业的子样本。由于这个子样本中所有企业都是2004年才成立的，没有历史因素的干扰，所以不会存在反向因果问题。基于此样本的实证结果汇报在表4(因变量为增长速度)和表5(因变量为增长质量)中。

另一方面，为了识别因果效应，必须要考虑到企业的异质性。企业可能存在一些差异性的特征，这些特征既决定了企业对计算机的使用，又影响其未来的发展。一个可能的特征就是企业过去的增长速度和增长质量。通过仅使用新成立企业(见表4和表5)，我们消除了这个维度上的异质性，但仍有其他一些维度上的异质性问题没有解决。为此，我们采用了第二种稳健性检验方法，即，使用倾向得分匹配方法来解决其他维度上的异质性。这种方法的思路很简单：如果计算机的使用与增长速度和增长质量的关系可能来源于一些企业异质性特征，那么，为了排除异质性引起的影响，我们可以只比较具有相似特征的企业。由Rosenbaum and Rubin(1983)提出的倾向得分匹配法提供了一种标准程序来选择具有相似特征的企业，由于这些企业组成的子样本其他特征相似，因此是否使用计算机可能是随机的选择。对匹配后的样本进行回归分析，得到的结果能够表示一种因果关系。

 

表4 信息技术对企业增长速度的影响：新成立企业

  

就业资产增加值销售额利润(1)(2)(3)(4)(5)Panel A计算机数量1.940***1.186***1.054*1.521***1.618***(0.103)(0.195)(0.588)(0.364)(0.363)观测值96769674966596769671R20.1160.1550.1120.1490.150Panel B微机数量1.992***1.307***0.9691.576***1.716***(0.109)(0.206)(0.621)(0.385)(0.383)观测值96769674966596769671R20.1140.1550.1120.1490.150

注： 所有回归包括前期增长率以外的控制变量，城市、行业和所有制的固定效应。括号内的标准误群聚到城市—行业层面。限于篇幅，没有报告控制变量的回归结果。***、**和*分别表示在1%、5%和10%的水平上显著。

信息技术对企业增长质量的影响结果见表5，Panel A中解释变量为计算机数量，Panel B中解释变量为微机数量。此时，计算机/微机对研发支出和新产品份额的影响比全样本(表3)要低得多。一个可能的原因是，正如表3的结论所述，新成立企业的创新活动更少。实际上，由于新企业研发强度和新产品份额的增长分别只有0.15和0.36，表5的发现在经济意义上仍是显著的。从表5还可以看到，计算机/微机对生产率的影响变大了，说明新企业从计算机的使用中获益更多。总之，从表4和表5来看，即使我们仅用新成立企业的子样本进行回归，计算机/微机的使用仍然对增长速度和增长质量有显著正向影响，这部分地消除了我们对反向因果的顾虑。

表4探究了信息技术和各种增长率之间的关系。计算机数量(Panel A)和微机数量(Panel B)的所有系数都显著为正，说明信息技术对企业增长的因果效应是稳健的。这一组回归与全样本回归的差异在于信息技术影响大小不同。除第4列外，使用新成立企业的子样本得到的系数更大。具体来看，每百人拥有的计算机每增加一台，就业和增加值的增长率将增加约2个百分点，资产和利润的增长率将增加约0.7个百分点。这可能有两个原因： ①使用全样本的回归的确有偏；②正如我们在表3中看到的，新成立企业比老企业增长更快。

从表8可以看出，匹配样本的系数比全样本(表3)略大。由于匹配样本增长质量的均值更低，匹配样本回归结果的经济显著性也高于全样本。在全样本中，每百人拥有的计算机每增加一台，新产品份额将增加0.01个百分点，少于其均值的2%；而在匹配样本中，相同数量计算机的增加将使新产品份额提高其均值(0.41%)的3%。所以，即使全样本估计有偏，也是低估了信息技术对企业增长质量的影响。

 

表5 信息技术对企业增长质量的影响：新成立企业

  

研发强度新产品份额全要素生产率劳动生产率(1)(2)(3)(4)Panel A计算机数量0.013***0.069***0.011***4.388(0.001)(0.015)(0.001)(2.740)观测值9644964488799675R20.1310.1240.3270.020Panel B微机数量0.015***0.062***0.011***4.846*(0.001)(0.016)(0.001)(2.896)观测值9644964488799675R20.1340.1230.3260.020

注： 所有回归包括前期增长率以外的控制变量，城市、行业和所有制的固定效应。括号内的标准误群聚到城市—行业层面。限于篇幅，没有报告控制变量的回归结果。***、**和*分别表示在1%、5%和10%的水平上显著。

表6展示了倾向得分匹配的结果。左边部分结果来自probit回归，其因变量为表示企业是否拥有计算机的虚拟变量。对计算机使用情况影响较大的因素包括从2001年到2004年的利润率及其增长率、滞后一期的企业规模、企业年龄、税率、资产负债率，以及高技能工人(大学及以上学历)及女性员工的比例。我们还控制了所有制、城市和二位数行业的固定效应来排除不可观测的异质性的影响。大部分系数都统计显著：利润率及其增长率较高，税率较低，资产负债率较高的企业更倾向采用信息技术。大型企业和年轻企业也更倾向于采用新技术，尤其是信息技术，正如表6中所示。此外，计算机的使用还与人力资本和女性员工比例高度相关，这与资本技能互补假说(Goldin and Katz，1998；申广军，2016)和技能偏向技术进步假说(Acemoglu，2003；Autor et al.，1998)相符。

基准回归结果见表2和表3。表2中因变量为企业增长速度，前五列的核心解释变量为每百人拥有的计算机数量，后五列为每百人所拥有的微机数量。不管使用计算机数量还是微机数量衡量信息技术的使用情况，其系数都在1%显著性水平上统计显著，说明信息技术的使用的确对企业增长有积极影响。具体来看，每百人拥有的计算机每增加一台，就业和增加值的增长率将增加超过1个百分点，资产、销售额和利润的增长率将增加约0.6个百分点。可见，这一结果不仅在统计意义上显著，从经济意义上看也十分显著。在后五列中，核心变量的系数和显著性水平与前面非常相似，进一步说明信息技术对企业增长的影响是十分稳健的。每百人拥有的微机每增加一台，就业和增加值的增长率将增加超过1个百分点，其他指标增长率将增加约0.5个百分点。可见，不管从哪个方面度量企业的增长速度，计算机数量对企业增长都有积极影响。

本文实证研究使用中国工业企业数据库。工业企业数据库是国家统计局对工业企业年度调查的汇总，收录了所有国有企业和年销售收入超过500万人民币的私营企业的信息。数据库中包含的企业数量从1998年约165000家增加到2007年336000家，构成了一个庞大的非平衡面板数据。样本企业贡献了工业部门90%的总产出和增加值，保证了基于此数据库的研究具有外部有效性(Brandt et al.，2012)。工业企业数据库包含丰富的变量，如企业的基本状况(企业代码、行业和地区、所有制、人员构成等)和生产运营信息(资产负债表、现金流量表和损益表的所有项目)，因此在涉及中国工业经济各方面的研究中都得到了广泛应用(聂辉华等，2012；贾珅和申广军，2016)。

 

表6 倾向得分匹配与平衡检验

  

Probit回归结果平衡检验变量系数(标准误)样本均值控制组处理组差分(绝对值)利润率0.007***BM1.051.182.16**(0.002)AM0.991.020.97利润增长率-0.000BM78.992.87.16***(0.000)AM83.483.50.02企业规模0.266***BM8.029.6211.0***(0.006)AM8.669.211.66*企业年龄-0.002***BM10.38.143.27***(0.001)AM12.511.71.09实际税率-0.011***BM0.770.472.74***(0.004)AM0.870.730.50资产负债率0.004**BM0.500.662.11**(0.002)AM0.560.620.99人力资本0.535***BM0.120.183.44***(0.042)AM0.140.151.73*女性比重0.059**BM0.300.445.21***(0.030)AM0.330.381.42观测值74484伪R20.235

注： 所有回归控制了城市、行业和所有制虚拟变量。左边部分的因变量是一个衡量企业是否拥有计算机的虚拟变量。后边部分我们检验了两组间的差异，BM代表“匹配前样本”，AM代表“匹配后样本”。最后一列的p值的原假设为两组间没有差异。为了节省篇幅，虚拟变量的系数和标准误不再汇报。***，**和*分别代表在1%，5%和10%显著性水平上统计显著。

本文关注的核心变量首先是企业增长，我们从增长速度和增长质量两个维度进行度量。就增长速度而言，我们计算了企业从2004年到2007年间就业、资产、增加值、销售额和利润的增长率(Growth Rate，GR)，这五个增长率指标从不同方面衡量了企业的增长速度，可以消除潜在测量误差导致的偏误。表1显示，从2004年到2007年，企业的销售额增长超过1倍，增加值和利润增长超过50%，但就业增长却相对缓慢，这意味着劳动生产率在不断提高。在增长质量方面，我们使用了四个指标从2004年到2007年的变化：研发强度(RDI)、新产品份额(SNP)、全要素生产率(TFP)和劳动生产率(ALP)。研发强度，即研发支出与销售额的比值，度量了企业投资于未来发展的意愿[注]中国工业企业数据库没有报告企业2004年的研发支出和新产品产值，所以我们用2005年的对应指标代替。；新产品份额是指新产品在销售额中的份额，可以看作是研发活动的结果，它在一定程度上度量了研发活动的效率。表1显示，从2004年到2007年，企业研发强度提高了0.17个百分点，新产品份额平均增加0.54个百分点。本文使用Olley and Pakes(1996)的方法计算全要素生产率，对企业层面数据的研究普遍采用此方法；劳动生产率则由人均增加值表示，从表1可以看到，样本期间人均增加值提高了6.3万元(2004年人民币不变价)。

 

表7 信息技术对企业增长速度的影响：匹配样本

  

就业资产增加值销售额利润(1)(2)(3)(4)(5)Panel A计算机数量0.629***0.241***0.529***0.220***0.146***(0.020)(0.033)(0.086)(0.050)(0.050)观测值4290042897428074290742871R20.1070.0930.0880.1180.127Panel B微机数量0.648***0.241***0.538***0.213***0.136**(0.021)(0.035)(0.091)(0.053)(0.053)观测值4290042897428074290742871R20.1060.0930.0880.1180.127

注： 所有回归包括控制变量，城市、行业和所有制固定效应。括号内的标准误群聚到城市—行业层面。限于篇幅，没有报告控制变量的回归结果。***、**和*分别表示在1%、5%和10%的水平上显著。

 

表8 信息技术对企业增长质量的影响：匹配样本

  

研发强度新产品份额TFP劳动生产率(1)(2)(3)(4)Panel A计算机数量0.032***0.100***0.007***1.632**(0.002)(0.005)(0.000)(0.669)观测值42524425244292242782R20.0080.1970.4320.026Panel B微机数量0.034***0.107***0.007***1.719**(0.002)(0.005)(0.000)(0.707)观测值42524425244292242782R20.0080.1970.4320.026

注： 所有回归包括控制变量，城市、行业和所有制固定效应。括号内的标准误群聚到城市—行业层面。限于篇幅，没有报告控制变量的回归结果。***、**和*分别表示在1%、5%和10%的水平上显著。

建设内部控制体系是一个庞大的工程，需要慢工出细活。公立医院需要设计建设框架，明确建设流程，保证内部控制体系建设的顺利进行。

《西窗》的主人公是一位年轻女性。关于她的名字，不那么简单，恐怕得多费点口舌。文本中，她甫一登场的名字是伊一。一个小资女性的名字。这不是她本名，是笔名。这个名字当然是她自己的赠予。她是一位才华初露的女作家，以至于作者将“人间四月天”喻她，以民国丽人兼才女林徽茵喻其才貌质地。她本名江山娇。这是乡村干部父亲为她起的。这大而化之的名字颇能凸现她出生时代的风尚。在网上情人子墨心目中，她是“纯是一片灵犀”的伊一；而在丈夫李木的口中，她是“永远的江山娇”。

使用新成立企业或倾向得分匹配方法，可以部分地缓解内生性估计偏误，但是这两种方法也存在一定的问题。比如，即使是新成立的企业，也可以预期其增长率，增长率越高越使用计算机；而倾向得分匹配方法是基于可观测变量的匹配，对于不可观测因素仍无能为力。因此，我们也尝试使用工具变量方法来进一步处理内生性问题。给定数据限制，常用的工具变量是城市—行业层面企业使用计算机的均值[注] 在计算均值时，我们剔除了企业自身的影响。也就是说，我们使用的是相同城市—行业内其他企业的均值作为工具变量。我们感谢一名审稿人提供这一思路。。一方面，企业是否使用计算机，在很大程度上受到本地同行业企业的影响，因此工具变量与内生变量存在相关性；另一方面，条件于控制变量，别的企业是否使用计算机，不会直接影响本企业的增长绩效，因此工具变量也满足外生性条件。

当年，莒沂县群众推着400辆小车运送5.5万公斤白面上前线，他们从沂蒙家乡出发，路径江苏、安徽，长途跋涉千余公里，吃完了随身携带的干粮和咸菜，也绝不吃车上的白面。郯城县民工李荣祥，在运粮途中自己带的地瓜叶窝头吃光了，就吃咸菜喝白水充饥，他推着几百斤重的木轮车行至苏北草桥镇时，竟饿昏了过去，醒来后喝点白水继续赶路，也舍不得吃满车干粮。

以TD-LTE信号为例,TD-LTE射频信号经天线耦合进射频板之后经过一系列处理得到模拟中频信号,由ADC以122.88 Msample/s采样率采样之后得到数字中频信号,再经HSMC高速数字接口传输到中频处理端,完成后续中频到基带的下变频处理。

表9的Panel A和Panel B分别报告了以增长速度(以增加值增长速度为例)和增长质量(以新产品份额为例)为因变量的回归结果[注]我们也使用其他表示增长速度和增长质量的因变量进行了实证分析，但为了节省篇幅就仅报告了这两种，其他结果如有需要请向作者索取。。首先，从第(2)列的一阶段回归结果来看，城市—行业内企业计算机数量的均值与单个企业是否使用计算机高度正相关，一阶段F统计量均远高于经验法则的临界值10，因此不存在弱工具变量问题。第(3)列的简约式回归结果也指出，城市—行业内更高的计算机使用密度会导致企业更快地增长，并且新产品份额也更高。我们重点比较第(1)列的两阶段回归结果和表2、表3中OLS回归结果。与OLS结果相比，2SLS结果显示信息技术对企业增长速度的影响更小，但对企业增长质量的影响更强。这一对比表明，OLS回归结果高估了信息技术对增长速度的影响，而低估了对增长质量的影响，因此可以合理地推测如果遗漏变量导致企业更多地使用计算机，那么它肯定与增长速度正相关，而与增长质量负相关。一个可能的例子是企业特定的发展阶段，如果企业处于粗放型的扩张期，它倾向于提高各类要素的使用，包括使用信息技术。这一时期的企业发展速度很快，但并不追求增长质量。

3.2 异质性分析

上文分析了信息技术对企业增长速度和增长质量的影响，并从不同的角度进行稳健性检验，以缓解由于遗漏变量和反向因果导致的内生性偏误。以上研究考察的都是信息技术的平均影响，但不同类型的企业对信息技术的依赖程度不同，使用信息技术的效率也不一样，因此有必要考察信息技术的影响在不同类型的企业间存在怎样的异质性。我们主要从所有制和地区两个维度来分析异质性问题，表10报告了以增长速度和增长质量为因变量的回归结果，其中Panel A以增长速度为因变量(以增加值增长速度为例)，而Panel B以增长质量为因变量(以新产品份额为例)。

 

表9 工具变量回归结果

  

(1)(2)(3)2SLS 回归结果一阶段回归结果简约式回归结果Panel A: 以增加值增长速度为因变量计算机数量0.896***0.832***0.413***(0.041)(0.154)(0.048)一阶段F统计量/28.99/观测值740227402274022R2/0.4600.053Panel B: 以新产品份额为因变量计算机数量3.462***0.761***0.082***(0.147)(0.128)(0.016)/35.35/观测值633716337163371R2/0.5040.300

 

表10 异质性分析

  

(1)(2)(3)(4)(5)(6)国有企业私营企业外资企业东部地区中部地区西部地区Panel A: 以增加值增长速度为因变量计算机数量1.016***1.191***1.123***1.266***1.080***1.035***(0.021)(0.045)(0.024)(0.040)(0.061)(0.029)观测值3078515321644356335113566362R20.1040.0670.0290.0440.0620.070Panel B: 以新产品份额为因变量计算机数量0.062***0.139***0.166***0.169***0.147***0.042***(0.012)(0.003)(0.004)(0.003)(0.006)(0.009)观测值3078515321644356335113566362R20.4610.3220.2690.3020.3300.373

注： 所有回归包括控制变量，城市和行业固定效应。括号内的标准误群聚到城市—行业层面。限于篇幅，没有报告控制变量的回归结果。***、**和*分别表示在1%、5%和10%的水平上显著。

首先分析所有制差异。工业企业数据库报告了企业的注册类型，也报告了企业实收资本的各类来源，二者都可以用于识别企业的所有制。但是聂辉华等(2012)注意到，两种识别企业所有制的方法存在相当大的差别：至少15%的企业虽然注册类型是国有企业，但是已经不是国有资本控股了。可见，控股比例比登记注册类型更能及时反映企业的所有制类型。因此，按照聂辉华等(2012)的建议，本文使用实收资本比例来定义企业所有制，将企业分为国有企业、私营企业和外资企业等三种类型。第(1)～(3)列的结果显示，信息技术对增长速度的影响在三类企业之间差别不大，对国有企业的影响在绝对值上略低，但是考虑到国有企业增长率均值较低，因此相对影响并不小；信息技术对私营企业和外资企业增长速度的影响在统计上没有显著差异。信息技术对新产品份额的影响在三类企业间存在更为显著的差别，以国有企业最弱，私营企业次之，而外资企业最强。这一差别反映了三类企业的发展战略存在差异。国有企业占有大量资源，在某些行业还具有垄断地位，因此无需过多地考虑创新活动和生产效率的影响；私营企业往往受到融资约束和未来预期的影响，创新活动也低于最优水平；与它们相比，外资企业享有资金和信息方面的优势，因此借助信息技术，能够更大幅度地提升新产品份额(Wei et al.，2017)。

其次分析地区差异。按照国家统计局的标准，我们将所有省份分为东、中、西三大地区，其中东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南等11个省(直辖市)；中部地区包括山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南等8个省；其余为西部地区。信息技术对增长速度和增长质量的影响，都呈现出东部高于中西部的特点，并且这一差距十分显著，说明在样本期内，东部在经济增长方面发挥了主导作用，并且充分利用信息技术扩大了这一优势。信息技术对增长速度的影响在中西部内部没有显著不同，但对新产品份额的影响存在较大差别。这一差别部分地反映了所有制的影响：西部地区大量规模以上企业都是国有企业，所以信息技术对其影响与国企一样较弱。这也暗示我们，在考虑网络基础设施建设时，既要考虑到对信息技术的需求，也要注意信息技术的使用效率，在成本有效性和均衡发展之间做好权衡。

4 结论

信息技术对人们日常生活质量的积极影响有目共睹，但其对经济发展的影响却未得到充分的研究。为了理解信息技术的增长效应，本文首次研究了信息技术对中国制造业的企业增长速度和增长质量的影响。利用中国工业企业数据库，我们首先检验了计算机的使用与企业增长的关系，发现信息技术的确对企业增长有促进作用(包括增长速度和增长质量)。当我们使用其他估计方法或将回归限制在新成立企业或匹配企业子样本上以排除事先异质性的干扰时，结论仍是稳健的。

本文的研究结果既有理论意义也有政策含义。从理论上看，本文分析了信息技术影响经济发展的两条渠道。在微观层面，信息技术提高了企业增长速度和增长质量。在宏观层面，信息技术加速了产业结构调整并促使生产资源从低生产率的企业和行业流向高生产率的企业和行业，从而提高了平均生产率和长期增长潜力。从政策含义上看，本文的结论与中国“新四化”发展战略，尤其是工业化和信息化的融合紧密相关。信息技术的发展正在不断影响并改变着包括制造业在内的几乎所有行业，本文证明了信息化对工业化的积极影响，也进一步为政府推动工业化和信息化的融合提供了理论支撑。

参考文献

贾珅，申广军. 2016. 企业风险与劳动收入份额：来自中国工业部门的证据[J]. 经济研究，(5)： 116-129.

聂辉华，江艇，杨汝岱. 2012. 中国工业企业数据库的使用现状和潜在问题[J]. 世界经济，(5)： 142-158.

申广军. 2016.“资本—技能互补”假说：理论、验证及其应用[J]. 经济学(季刊)，15(4)： 1653-1682.

申广军，陈斌开，杨汝岱. 2016. 减税能否提振中国经济?——基于中国增值税改革的实证研究[J]. 经济研究，(11)： 70-82.

聂辉华，江艇，杨汝岱. 2012. 中国工业企业数据库的使用现状和潜在问题[J]. 世界经济,(5)： 142-158.

Acemoglu D. 2003. Patterns of skill premia[J]. Review of Economic Studies, 70(2): 199-230.

Aker J C, Mbiti I M. 2010. Mobile phones and economic development in Africa[J]. Journal of Economic Perspectives, 24(3): 207-232.

Allen F, Qian J, Qian M. 2005. Law, finance, and economic growth in China[J]. Journal of Financial Economics, 77(1): 57-116.

Arrighetti A, Lasagni A. 2013. Assessing the determinants of high-growth manufacturing firms in Italy[J]. International Journal of the Economics of Business, 20(2): 245-67.

Autor D H, Katz L F, Krueger A B. 1998. Computing inequality: have computers changed the labor market?[J]. The Quarterly Journal of Economics, 13(4): 1169-213.

Beck T, Demirguc-Kunt A, Laeven L, et al. 2008. Finance, firm size, and growth[J]. Journal of Money Credit & Banking, 40(7): 1379-1405.

Berger T, Frey C B. 2016. Did the computer revolution shift the fortunes of U.S. cities? technology shocks and the geography of new jobs[J]. Regional Science and Urban Economics, 57: 38-45.

Bosworth B P, Triplett J E. 2007. Is the 21st century productivity expansion still in services? and what should be done about it?[EB/OL]. http://www.brookings.edu/research/papers/2007/01/productivity-bosworth

Brandt L, Biesebroeck J, Zhang Y F. 2012. Creative accounting or creative destruction? firm-level productivity growth in Chinese manufacturing[J]. Journal of Development Economics, 97(2): 339-351.

Bresnahan T F. 1999. Computerisation and wage dispersion: an analytical reinterpretation[J]. The Economic Journal, 109(456): 390-415.

Cabral L. 1995. Sunk costs, firm size and firm growth[J]. The Journal of Industrial Economics, 43(2): 161-72.

Corrado C, Lengermann P, Bartelsman E, et al. 2008. Sectoral productivity in the United States: recent developments and the role of IT[J]. German Economic Review, 8(2): 188-210.

Evans D S. 1987. The relationship between firm growth, size, and age: estimates for 100 manufacturing industries[J]. Journal of Industrial Economics, 35(4): 567-581.

Goedhuys-Degelin M, Sleuwaegen L. 2015. Human capital, innovation and the distribution of firm growth rates[R]. Merit Working Papers, No. 2015-013.

Goldin C, Katz L F. 1998. The origins of technology-skill complementarity[J]. Quarterly Journal of Economics, 113(3): 693-732.

Hall B H. 1987. The relationship between firm size and firm growth in the US manufacturing sector[J]. Journal of Industrial Economics, 35(4), 583-606.

Jorgenson D W, Vu K. 2005. Information technology and the world economy[J]. Scandinavian Journal of Economics, 107(4): 631-650.

Kaushik P D, Singh N. 2004. Information technology and broad-based development: preliminary lessons from north India[J]. World Development, 32(4): 591-607.

Levy F, Murnane R J. 2004. The new division of labor: how computers are creating the next job market[M]. Princeton: Princeton University Press.

Lopez-Garcia P, Puente S. 2012. What makes a high-growth firm? a dynamic probit analysis using Spanish firm-level data[J]. Small Business Economics, 39(4): 1029-41.

Olley G S, Pakes A. 1996. The dynamics of productivity in the telecommunications equipment industry[J]. Econometrica, 64(6): 1263-1297.

Paunov C, Rollo V. 2015. Overcoming obstacles: the internet’s contribution to firm development[J]. The World Bank Economic Review, 29(S1): S192-S204.

Rosenbaum P R, Rubin D B. 1983. The central role of the propensity score in observational studies for causal effects[J]. Biometrika, 70(1): 41-55.

Wei S J, Xie Z, Zhang X B. 2017. China’s transition to a more innovative economy: progress and challenges[M]//China’s New Sources of Economic Growth: Vol.2. Canberra: ANU Press: 173-211.