摘要：在发展中国家，非正规经济普遍存在，约占国内生产总值的三分之一，提供了约 70% 的就业岗位。庞大的非正规部门往往与低生产率相关，威胁着发展中国家的长期增长潜力。企业层面的调查证据表明，发展中国家非正规企业的平均生产率仅为正规部门企业的四分之一。

图片来源：豆包AI

01 引言

在发展中国家，非正规经济普遍存在，约占国内生产总值的三分之一，提供了约 70% 的就业岗位。庞大的非正规部门往往与低生产率相关，威胁着发展中国家的长期增长潜力。企业层面的调查证据表明，发展中国家非正规企业的平均生产率仅为正规部门企业的四分之一。

本文通过探究地理邻近性的差异，考察了数字技术使用从正规企业向非正规企业的溢出效应。使用2019年世界银行在赞比亚开展的企业调查中一组独特的地理编码数据，研究发现非正规企业与正规企业的地理邻近性越高，其采用数字技术的可能性就越大。这一发现适用于多种数字技术（包括计算机、平板电脑、手机和移动支付），适用于不同的地理邻近性度量方式。此外，地理邻近性与非正规企业数字技术采用之间的关系因企业经营者的教育水平和企业年龄而异。作用渠道上，数字技术采用的溢出效应可通过本地市场竞争和增强互动的学习机制来解释。

数据与变量

02

本分析采用了世界银行 2019 年在赞比亚开展的企业调查（WBES）、世界银行微型企业调查（WBMES）和世界银行非正规部门企业调查（WBISES）。需要注意的是，虽然这三项调查均收集了企业绩效及其运营所处商业环境的信息，但它们在 “正规性” 的假设和抽样方法上有所不同。

WBES 通过实体的注册状态来区分非正规企业与正规企业。非正规企业被定义为以下情形之一：（1）在赞比亚专利和公司注册局（PACRA）注册，但未持有市政许可，也未在赞比亚税务局（ZRA）注册；（2）未在 PACRA 注册，但持有市政许可；（3）未在 PACRA 注册，且无市政许可。WBISES 涵盖非正规企业，而 WBES 和 WBMES 调查的是正规企业。

WBES 是一项具有全国代表性的调查，对正式注册、拥有 5 名或以上员工、至少有 1% 的私人所有权且不具备合作社法律地位的企业，采用分层随机抽样方法。赞比亚的样本量为 601 家企业。正规微型企业（定义为员工不足 5 人的企业）构成了 WBMES，其遵循的抽样方法与 WBISES 类似。为应对非正规企业抽样带来的挑战并确保代表性，WBMES 和 WBISES 遵循适应性整群抽样方法—— 即在主要抽样单位内，对所有商业活动进行全面清点。在整个清点过程中，共发现 8438 家企业，其中 97 家符合标准并被随机选入 WBMES，914 家非正规企业被随机抽样进行访谈。所有三项调查均包含每家企业的地理定位数据，这些数据被用于本次分析。

而核心变量方面，ICT技术采用为二元变量，即是否使用计算机/平板/手机/移动支付/网站或社交媒体；而地理邻近程度通过到最近正规企业的欧几里得距离来衡量。

实证策略

03

3.1 模型设置

对正规企业向非正规企业的 ICT（信息通信技术）采纳溢出效应的估计采用 logit 模型。

其中，Adoption i 表示非正规企业 i 是否采纳了特定的 ICT 技术（1= 是，0= 否），比如计算机、平板电脑、手机、移动支付以及网站（和社交媒体）。Distancei 表示非正规企业 i 到最近的正规企业的距离，该距离由标准的 WBES 或 WBMES 获取。Xi 是控制变量向量，捕捉可能影响非正规企业 i 数字化采纳决策的特征。这些特征包括上个月的员工数量、经营年数、行业虚拟变量，以及企业主的年龄、教育程度和在同类业务中的先前经验。最后，还纳入了城市虚拟变量和集群，以控制调查中涉及的三个城市的特定城市效应。

随后的扩展分析中，引入企业主的教育水平或经营年数变量Heterogeneity i ，并加入交互项以研究距离效应如何随非正规企业的可观测特征而变化。

基准结果如表 3 所示，包含使用非正规企业与两类正规企业（即微型企业（员工

第 (1)–(4) 列的结果显示，非正规企业到最近正规企业的距离与其数字化采纳之间存在统计上显著的负向影响。因此，距离越大，这些数字技术的采纳水平越低，这表明在计算机、平板电脑、手机和移动支付的使用方面，存在从正规企业向非正规企业的溢出效应。至于网站和社交媒体的采纳，数据无法区分这两种技术。此外，拥有网站会使企业被商业登记机构和税务机关追踪到，这使得公司网站或社交媒体的使用对大多数非正规企业而言可能并不相关。

3.2稳健性与内生性探讨

随后，我们将研讨文章的系列稳健性结果，其结论适用于各种地理邻近性的衡量标准，也适用于不同的实证模型， 这些设定排除了其他混杂因素的影响。

3.2.1与正规企业的邻近性 vs 与任意企业的邻近性

表 3 中的基准模型显示，与正规企业的距离会促进非正规企业的技术采纳。然而，这并不能排除网络效应驱动结果（即与任意企业的距离会提升技术采纳）的可能性。因此通过安慰剂检验来证明最近企业的正规性状态很重要。估计了非正规企业与最近的其他非正规企业的距离对非正规企业数字技术采纳的影响，结果如表 4 所示。距离对计算机、平板电脑、手机和移动支付采纳的影响在统计上不显著，这表明溢出效应是从正规企业流向非正规企业，而非在非正规企业之间产生。

此外还实施了蒙特卡洛模拟，以检验技术采纳是由与正规企业的邻近性还是与任意企业的邻近性驱动。在模拟中，使用所有记录的企业位置，并为每个位置随机分配正规或非正规企业，同时保持非正规企业的占比不变。然后，根据新的分配重新计算非正规企业到其最近正规企业的距离，并重新运行基准回归。重复 1000 次后结果与安慰剂检验一致，说明溢出效应具体是从正规企业流向非正规企业的。

3.2.2邻近性 vs 某一位置的企业密度

通过将企业密度作为控制变量加入模型。与基准模型相比，结果大体保持一致，只是之前对计算机采纳的弱显著影响现在变得不显著。因此，现有的结果并非仅由集聚效应驱动。尽管数据局限性使我们无法清晰区分溢出效应和集聚效应，但表 5 的结果表明，溢出效应源于与正规企业的近距离。

3.2.3 区位选择的内生性

另一个内生性担忧与非正规企业的区位选择有关。如果非正规企业战略性地决定与正规企业共处一地，以从潜在的技术溢出中获益，那么结果就会存在偏差。然而，研究表明，技术转移并非企业区位选择的唯一或主要原因。虽然将企业设在特定区域的决定可能受所有者技术采纳考量的驱动，但区位的实现无法仅由所有者决定，还取决于其他因素，如正规企业的决策、特定区位的可用性。

在文章的样本中，很大一部分非正规企业在自家开展经营，这表明它们的搬迁能力有限。约 40% 的非正规企业在家庭场所内经营，另有 27% 位于其他永久建筑中，约 30% 则没有固定场所或使用某种临时建筑。为检验结果的稳健性，仅对在固定场所经营的非正规企业估计基准模型。表 7 显示：当样本限制为“带有永久建筑的非正规企业”时，距离对数字技术采纳的影响仍为负且在统计上显著。

3.2.4 正规性 vs 企业规模

表进一步将最近正规企业的规模作为额外控制变量纳入模型，最近正规企业的规模是一个从 0 到 4 的分类变量：“0” 表示员工不足 10 人的企业，“4” 表示员工超过 100 人的正规企业。表8显示，无论最近正规企业的规模如何，距离指标与非正规企业对数字技术的采用仍呈负向且显著相关。这进一步证实了一个推测：除企业规模和生产率外，正规性本身驱动了溢出效应。

3.2.5 额外控制变量

通过纳入额外控制变量来扩展基准模型，包括：正规和非正规劳动生产率、海拔、夜间灯光、融资可及性、监管壁垒以及基础设施质量。通过这种方式控制遗漏变量偏差并解决潜在的内生性问题。

首先，非正规劳动生产率代表非正规企业的生产率，旨在控制生产率更高的企业采用更多数字技术所产生的潜在内生性（见表 9 首行）。距离对不同类型数字技术的影响与基准结果一致，距离对采纳各类数字技术存在统计上显著的负向影响，这说明基准结果并非由生产率更高的企业更可能采用数字技术这一潜在共同因素驱动。

中间行显示的是纳入正规劳动生产率（即最近正规企业的生产率）后的结果。正规劳动生产率用于控制溢出效应可能由非正规企业靠近生产率极高的正规企业驱动这一情况，结果相对于基准模型仍具有稳健性。

此外，夜间灯光是指 VIIRS 传感器从卫星图像中捕捉到的、非正规企业所在的 1 平方公里区域内无云天空下的灯光量。而后加入了控制变量以代理融资可及性、监管壁垒和基础设施质量等因素。由于这些因素也与技术采纳这一自变量存在内生性，文章构建了“留一法”：计算 “企业所在区域内所有其他企业” 的平均值。最后还纳入3G 网络覆盖作为额外控制变量（它与基础设施质量直接相关，且可能是使用部分技术的必要条件）。结果如图 10 所示，表明：纳入这些额外控制变量后，计算机、平板电脑、手机和移动支付的负向影响仍具有稳健性。

3.3替代距离指标

替代距离指标可用于检验当正规企业呈现不同特征时，结果是否仍具有稳健性。第一种替代指标包含非正规企业与参与世界银行企业调查的较大型正规企业之间的距离。鉴于较大型企业往往技术更先进，使用这一替代距离能让我们了解，距离效应是否由样本中的较大型企业驱动。同时，第二种指标涵盖所有被清点的正规企业——无论它们是否接受过调查。因此，它捕捉到了这样一种情况：非正规企业可能比基准指标所显示的更靠近另一家正规企业。最后，给出了与拥有网站的正规企业（包括微型和大型企业）距离相关的结果，以确认研究发现是否由技术更先进的正规企业所驱动。如表 11 所示，替代距离指标产生的结果与基准结果一致。在模型的不同设定中，估计值的方向和幅度具有稳健性，但在使用所有被清点的正规企业的模型或拥有网站的正规企业的设定时，个人计算机采纳的统计显著性有所下降。

04 异质性影响

4.1 企业主的教育水平

图 3 展示了不同企业主教育水平下的距离效应。圆点代表“在企业主某一教育水平（横轴）下，距离对数字技术采纳的总效应（纵轴）”。对于计算机、平板电脑、手机和移动支付而言，若教育水平较高，距离对技术采纳的负向效应更强。不过，该效应仅在计算机、手机和移动支付方面具有统计显著性。就计算机采纳而言，企业主的教育水平影响最大：教育水平较低时，效应无统计显著性；教育水平较高时，效应显著为负。这意味着，教育水平对技术采纳具有放大效应—— 当企业主受教育程度也较高时，靠近正规企业会带来更高的技术采纳水平。

4.2 企业存续时长

本部分检验成立时间更久或更成熟的企业是否更可能采纳数字技术。基于样本特征，选择 2016 年作为年轻企业与老牌企业的分界年份。图 4 展示了结果，对于 2016 年之前成立的非正规企业，距离对计算机采纳具有统计上显著的负向效应。对于所有其他数字技术，距离对更老牌或更成熟企业的技术采纳无显著影响。相反，距离对新企业的平板电脑和手机采纳具有统计上的负向效应。对于任何存续时长的企业，距离对移动支付采纳都无效应。

05 溢出渠道

技术采纳和企业升级的驱动因素涵盖需求侧（如通过市场竞争）、供给侧（如通过知识转移和其他投入），以及企业内部的专业知识（如管理能力）。地理上邻近的正规企业向非正规企业的 ICT 使用溢出，也可通过需求侧或供给侧渠道来解释。在需求侧， 竞争会提高技术采纳的回报，进而增强创新动力；在供给侧，分析向正规企业学习的作用。

5.1 竞争

由于非正规企业在规模和收入上都以小为主，它们主要服务本地市场。因此，它们面临的竞争程度很可能取决于其经营所在地的竞争企业的存在情况。因此，每个清点区域内运营的非正规企业总数可作为这些企业面临的竞争水平的代理变量。清点区域内其他非正规企业的数量越多，某家非正规企业面临的竞争就越大；而且，竞争越激烈，企业就越有可能采纳促进市场交易的技术。如表 12 所示，一个方块区域内非正规企业数量越多，对技术采纳的影响在统计上显著为正。因此，非正规企业周边的竞争越激烈，技术采纳水平就越高 ——这表明竞争与数字溢出相关。

5.2 向其他企业学习

市场力量推动企业适应和创新，对于规模更小、生产率更低的企业而言，效仿生产率更高、更成熟企业的做法往往是容易实现的举措。当同时考察非正规部门和正规部门时，这种学习过程尤为重要，因为两者之间的差异十分显著。学习通过直接互动发生，邻近性降低了这些直接互动的成本，从而使学习和技术扩散的程度更高。为捕捉地理邻近性在促进这些互动方面的重要性，分析引入了通过调查获取的两个直接指标：第一个指标询问非正规企业是否访问过竞争对手，以了解它们有哪些可供销售的产品；第二个指标询问非正规企业的主要投入来源是否来自另一家企业，而非个人或自产。如果非正规企业访问竞争对手，且从另一家企业获取投入，它们就更可能学习并采纳数字技术。后者可能表明，学习可通过价值链联系发生。例如，如果一家正规企业对其产品或服务要求数字支付或移动支付，那么非正规企业可能会采纳该技术。

图 5 的结果表明，访问竞争对手，能够缓解非正规企业因远离正规企业而承受的地理劣势。样本中约 44% 的非正规企业访问过竞争对手，当开展此类访问时，距离对所有类型技术采纳的影响在统计上变得不显著。

类似地，与其他企业互动以获取物质投入的非正规企业，在数字溢出方面，也更有能力克服因距离带来的学习劣势。 结果汇总于图 6，对于不从其他企业获取投入的非正规企业，距离的效应为负且统计显著；而对于从其他企业获取主要投入的非正规企业，该效应变得不显著。这表明，即使是非正规企业，也能通过与更先进的正规企业建立价值链联系，克服远离这些企业的劣势，并向同行学习。

06 结论启示

基于赞比亚正规企业向非正规企业的 ICT 技术溢出效应研究，政策制定需聚焦地理邻近性与包容性数字化转型的深度融合。文章证实，非正规企业与正规企业的地理邻近性越高，其采用数字技术的可能性就越大，且教育水平较高的企业主和年轻企业更易受益，本地竞争与供应链学习是关键渠道。这启示政府应依托多设施经济区政策，规划“正规—非正规企业协同集群”，通过税收激励引导正规企业向非正规密集区集聚；强化 ICT 基础设施建设，优先保障集群区域的网络与能源接入。同时，应结合企业主教育差异设计数字技能课程，重点提升高教育群体的价值链对接能力，并通过供应链整合政策，推动正规企业将非正规供应商纳入数字化采购体系，打造“交易即学习”的场景。这种“空间集聚 + 能力适配 + 生态联动”的三维策略，既能激活非正规经济的数字化潜力，又能通过技术溢出缩小正规与非正规部门的生产率差距，实现包容性增长。

来源：点滴财学