數據要素市場化配置與區域經濟發展

楊艷 王理 廖祖君

〔摘要〕數據交易平臺建設是當前推進數據要素市場化配置的重要手段之一，數據交易平臺的有效性與可推廣性在一定程度上體現了數據要素市場化配置效率的高低。2015—2017年間，地方數據交易平臺的大量涌現，為探究數據要素市場化配置與區域經濟發展的因果關系提供了很好的研究素材。本文從地方數據要素交易平臺的視角出發，使用2009—2019年長江經濟帶107個地級（直轄）市的面板數據，將DMSP/OLS與NPP/VIIRS的一致校正燈光強度作為地方經濟發展水平的代理變量，運用多期DID實證評估了建立數據交易平臺對區域經濟發展的影響。研究發現，地方政府參與建立數據交易平臺能夠顯著推動區域經濟發展，企業主導型數據交易平臺整體上不能促進地方經濟發展;從業務模式上看，混合數據交易平臺要優于第三方數據交易平臺。此外，地方數據交易平臺可以通過降低企業決策成本、改善就業環境以及帶動產業結構升級等途徑促進區域經濟發展，而技術創新與全要素生產率不是地方數據交易平臺影響區域經濟發展的傳導機制。

〔關鍵詞〕數據要素;數據交易平臺;經濟發展;衛星燈光數據

〔中圖分類號〕F127〔文獻標識碼〕A〔文章編號〕1000-4769（2021）06-0038-15

一、問題的提出

2020年4月9日發布的《中共中央國務院關于構建更加完善的要素市場化配置體制機制的意見》（以下簡稱《意見》），首次將數據認定為可以與土地、勞動力、資本和技術等傳統生產要素并列的、并能參與分配的新型生產要素。隨著新一代信息技術逐漸進入大規模商業化應用階段，數據開始快速大量積累。國際數據公司IDC在其研究報告《數據時代2025》中指出，2010年以來全球新增數據資源規模以年均27%左右的速度增長，2018年全球新增數據總量約33ZB，其中中國新增數據占比23%，超過美國新增數據占比的21%，成為全球數據資源最大的“生產工廠”。①2017年中國大數據產業規模達到4700億元，同比增長30%;2018年中國大數據產業規模突破6000億元。②數據作為數字經濟的核心生產要素，在促進新經濟、培育新業態和催生新模式上的作用前所未有，已逐漸成為能夠類比土地和能源的基礎性戰略資源③，是助力中國實體經濟與數字經濟深度融合、加速“中國制造”向“中國智造”轉變的關鍵抓手。因此，積極探索數據要素市場化配置體制機制，對于推動中國經濟轉型升級、構建新發展格局和實現高質量發展具有重要意義。

建設數據交易平臺是近年來地方政府與數字經濟企業在思索“如何推進數據要素市場化配置”進程中做出的實踐性探索。數據交易平臺是以實現數據交易為核心，促進數據融通、交易、設計、服務協同發展的數據交易場所，通過平臺可以保障數據提供方的變現需求、豐富數據經紀人的產品開發平臺以及拓展數據需求方的數據獲取渠道。相較于歐美日韓等發達國家，中國數據交易平臺起步較晚，發展至今大致出現了三個階段：階段Ⅰ是中國剛剛跨入大數據元年（2013年）④、全球數據增長大爆發的重要節點⑤，并于2014年2月成立了首個地方參與性質的數據交易平臺——中關村數海大數據交易平臺，成為中國探索數據要素市場配置關鍵一環;階段Ⅱ出現在國務院印發《促進大數據發展行動綱要》前后（2015—2017年），即大數據開始逐步深入影響全球生產、流通、分配和消費活動，以及社會生活方式、經濟運行機制和國家治理能力的時期，這期間成立了以貴陽大數據交易所為代表的眾多地方政府參與型數據交易平臺;階段Ⅲ主要表現為數據交易平臺的多樣化，即以部分數字經濟企業為主導的數據交易平臺公司開始參與到數據交易市場競爭。這類企業主導型數據交易平臺，既有衍生于大型互聯網企業的，例如淘數據（2014年）、京東萬象（2015年）等，也有數據服務公司、信息科技公司自建的，例如萬維易源（2015年）、聚合數據（2018年）等。⑥

政府參與型數據交易平臺（以下簡稱“地方數據交易平臺”）曾是地方政府推動大數據發展與探索數據要素市場化配置的重點建設項目，但短短幾年，這種數據交易模式就處于停滯狀態。除2015—2017年集中建立的12個地方數據交易平臺外，2017年以后再沒有新增地方數據交易平臺，直到《意見》的發布，天津、廣西等地區又才開始宣布建立平臺。地方政府主導建立數據交易平臺這一模式是否有效并可推廣，是現階段中國關注的重點問題。數據交易平臺的重要作用是促進數據要素自主有序流動，從而更好發揮其倍增效應以推動經濟發展。因此，能否促進區域經濟發展就成為數據交易平臺有效性與可推廣性的關鍵體現。目前，關于認清建立數據交易平臺對區域經濟發展的影響還存在以下三個待解決的重要問題：一是地方政府參與建立數據交易平臺能否推動地方經濟發展。中國在數據要素市場化配置上的探索才剛剛起步，在沒有制定市場布局規劃、完善行業發展指導和缺乏有力研究論證的當下，一些地方政府基于政績導向，鼓勵并參與建設了一大批數據交易平臺，這類地方數據交易平臺能否真正帶動區域經濟發展是一個迫切需要得到回答的問題。二是企業主導型數據交易平臺進入市場能否推動地方經濟發展。隨著國家對大數據產業的重點支持，企業主導型數據交易平臺開始出現，這類為“搶抓”政策紅利而生的平臺，往往在資金、技術、人力等方面投入不足，數據交易服務缺乏專業化、精細化，難以為用戶提供長期有效的數據服務。在這種情況下，企業主導型數據交易平臺的作用就有待思考。三是政府參與型數據平臺與企業主導型數據交易平臺相比誰更有效。目前，企業主導型數據交易平臺與地方政府參與型數據交易平臺并存于數據要素交易市場，后者在政務數據的獲取上有著絕對優勢，在數據交易服務中的監管力度也較大，而前者的服務范圍更加寬泛多樣，在滿足客戶差異化需求方面具有一定優勢。因此，對這一問題的回答不僅可以知道現階段應該重點建設以誰為主體的數據交易平臺，也能為地方政府進一步探索數據要素市場化配置提供參考。

針對上述三個問題，本文將數據交易平臺的設立作為一項擬自然實驗，利用2009—2019年長江經濟帶107個地級（直轄）市的面板數據，使用夜間連續燈光數據作為地方經濟發展水平的代理變量，運用多期雙重差分法首次實證評估建立數據交易平臺對區域經濟發展的影響。

二、文獻回顧

數據要素的概念通常有廣義與狹義之分，對于廣義的數據要素，大多數國內外學者都傾向于將其界定為信息。數據通常包括未經處理的數字、詞語、聲音、圖像等，對數據按照某種有意義的方式進行排列組合就成為信息。蔡躍洲等指出，數據最初就是在測量或統計中產生，并可以被記錄下來用于計算、討論和決策的信息和事實。⑦對于狹義的數據要素，則專指在數字經濟時代下，通過二進制編碼轉化成比特形式并被計算機設備進行處理和存儲的字符串信息。⑧

目前，學術界關于數據要素市場化配置的研究仍處于起步階段，且大多集中在數據要素的確權、價值估算與定價、收益分配機制等方面。李剛等運用現代產權理論對數據要素確權進行了研究，認為平臺對數據的要素化起關鍵作用，理應獲得相應數據的產權，同時應當通過外部規制來避免數據要素產權歸屬出現扭曲。⑨Shen等基于數據用戶獲利最大化，提出了一種基于元組粒度的個人數據定價模型，通過對影響數據價值屬性的調查，最終實現對數據的定價。⑩方元欣和郭驍然在借鑒實物資產評估的方法基礎上，從市場法、收益法和成本法的角度對現有的數據要素價值評估方法進行了歸類。Acquisti等認為需要建立一種合理的數據分紅機制，才能保證數據所有者與使用者的社會福利最大化。蔡躍洲和馬文君認為數據處理和使用過程中的收益分配，應基于對數據要素價值或其創造價值能力的合理準確估算。

在數據要素與經濟發展的關系層面， Goldfarb和Trefler認為在效率提升與價值創造方面，數據要素所表現出來的邊際收益遞增會在某個特定階段開始顯現。Farboodi和Veldkamp則認為企業運行效率的提升存在“天花板”，新增或積累的數據要素同其他要素一樣，在提升效率上依然遵循邊際報酬遞減規律。Streel等指出在金融市場上，憑借大數據分析可以更好地預測企業價值，降低了金融機構因掌握企業信息不足所產生的信用投資風險和融資企業的資金成本，進而提高了資本要素配置效率。Jones和Tonetti認為數據要素與其他生產要素結合所表現出來的倍增效應，本質上是數據要素非競爭性特征實現的規模效應，并通過構建不變替代彈性的生產函數對該機制進行了解釋。于施洋等認為數據要素對國民經濟各部門都具有輻射和帶動效應，能夠促進全要素生產率的提升。蔡躍洲和馬文君指出，數據要素與人工智能技術結合可以提升企業研發效率，這種知識創造效率的提升成為全要素生產率提升的重要原因之一，同時，深度使用數據要素的新一代信息技術對產業結構也會帶來重要影響。

數據要素對經濟發展除了有促進作用，其負面影響也不容忽視。由于數據要素在市場中的價值體現愈發明顯，一些互聯網巨頭開始憑借自身優勢囤積數據并減少共享，以此實現數據壟斷而獲取超額利潤。Yan和Haksar認為數據壟斷將嚴重阻礙數據要素流動，影響經濟健康運行。另外，數據要素的非排他性與易復制性可能使得同一種數據同時泄露給多個個體，而數據要素的非（部分）競爭性又會造成數據被這些個體應用于不同場景，導致數據所有者福利受損的風險。Jia等通過實證研究了歐盟《通用數據保護條例》的頒布對經濟社會的影響，發現該條例的實施導致了歐盟境內企業融資金額下降約265%，并減少就業崗位約30000個。

可以看出，目前針對數據要素交易平臺的研究很少，從實證層面探討中國數據交易平臺有效性與可推廣性的研究更是寥寥無幾。基于此，本文以2015—2017年初長江經濟帶沿線地區建立的數據交易平臺為研究對象，探討其對區域經濟發展的影響。

三、研究設計

（一）夜間燈光數據的一致性校正

本文研究的重點是探討建立數據交易平臺對區域經濟發展的影響。相較于傳統的GDP指標，夜間燈光數據常被用來表征人類經濟活動的空間分布與城市空間擴張，用夜間燈光強度衡量地區經濟發展水平的優勢主要體現在其不受主觀統計誤差、市場價格波動等因素干擾，同時它也包括了市場與非市場提供的商品和服務的價值量，因此夜間燈光數據能較為真實地表征一個地區的經濟發展水平。目前，應用最多的夜間燈光數據主要包括兩類：一類是前美國軍事氣象衛星捕獲的數據（簡稱DMSP/OLS），另一類是美國國家極軌衛星捕獲的數據（簡稱NPP/VIIRS）。前者受限于自身OLS傳感器的逐漸失效與設計缺陷，現階段能獲取到的DMSP/OLS最終截止時間為2013年，自2013年起NPP/VIIRS開始替代DMSP/OLS并被廣泛應用。

使用夜間燈光數據研究地區經濟發展的前提是該數據具有長時間序列的一致性，即2009—2013年不同OLS傳感器之間的數據要連續穩定，DMSP/OLS與NPP/VIIRS也要連續一致。由于本文研究所用樣本數據跨越了兩類燈光數據的斷點期，且DMSP/OLS和NPP/VIIRS數據本身并不可比，因此本文借鑒李雪萍和貢璐、梁麗等的校正方法，同時對DMSP/OLS內部以及DMSP/OLS與NPP/VIIRS之間進行一致性校正。具體校正流程如圖1所示：

圖2給出了一致性校正后2009—2019年樣本地區的夜間平均燈光強度（平均DN值），可以看出，該數據的平滑性已經具備了其作為長時間序列研究分析的基礎。

圖3顯示了2009—2019年樣本地區的校正平均DN值與地區人均實際GDP（以2008年為不變價）之間的線性擬合關系。從擬合優度以及相關系數的顯著性來看，本文使用一致性校正后的夜間平均燈光數據作為樣本地區經濟發展水平的表征是合理的。

（二）綠色全要素生產率及其計算

新時代經濟發展的重要內涵在于提升全要素生產率，數據要素可以在宏觀層面放大微觀經濟運行效率的提高，進而通過提高全要素生產率促進經濟高質量發展。那么，探索建立數據交易平臺能否作用到地區全要素生產率進而影響區域經濟發展是本文研究的重要一環。區別于傳統全要素生產率，綠色全要素生產率考慮到期望產出中的污染排放、垃圾排放等問題，能夠更加客觀、全面地評價一個地區各種要素（通常是資本和勞動）的綜合生產率，其生產率的測算值也更加逼近于真實值。綠色發展理念是新時代經濟高質量發展的要求，也是高質量發展的評價準則之一，因此本文用綠色全要素生產率替代傳統全要素生產率，并運用到數據交易平臺影響區域經濟發展的機制檢驗中。

參考Tone的做法，本文計算綠色全要素生產率的步驟如下：假設經濟生產部門擁有n個決策單元（DMU），各個決策單元都有相應的投入向量、期望產出向量和非期望產出向量，分別用x∈Rm，yg∈Rs1，yb∈Rs2來表示，并定義矩陣：X=（xij）∈Rm×n，Yg=（ygij）∈Rs1×n，Yg=（ybij）∈Rs2×n。根據生產的實際情況，假設X>0，Yg>0，Yb>0，則本文將生產可能性集合P定義如下：

P={（x，yg，yb）|x≥Xλ，yg≥Ygλ，yb≥Ybλ，λ≥0}（31）

結合上文，SBMUndesirable模型的具體形式設定如下：

TFP=min1-1m∑mi=1S-iXi01+1S1+S2（∑S1r=1Sgrygr0+∑S2r=1Sbrybr0）

stx0=Xλ+S-;yg0=Ygλ+Sg;yb0=Ybλ+Sb

S-≥0，Sg≥0，Sb≥0，λ≥0（32）

其中，S-i、Sgr、Sbr分別表示第i0個決策單元的投入冗余量、正產出不足量和副產出超標量，S-，Sg，Sb為對應的向量;λ表示權重向量;TFP*為目標函數，且0≤TFP*≤1，當S1=Sb=Sg=0時，TFP*=1，決策單元有效率;當S-∪Sg∪Sb≠0時，TFP*<1，決策單元無效率;st為約束條件。最終，將所有指標的數值帶入式（32）即可計算得到綠色全要素生產率。

（三）其他數據及變量的描述性統計

在實證檢驗數據交易平臺建立影響區域經濟發展的過程中，本文使用經過一致性校正后的夜間平均燈光強度變量作為被解釋變量來表征地區經濟發展水平，用數據交易平臺是否建立的虛擬變量作為核心解釋變量。另外，為盡可能地緩解遺漏變量偏誤，本文結合現有研究并選取如下指標作為控制變量：第二產業增加值占比、第三產業增加值占比、移動電話年末用戶數、從業總人口、資本存量、工業企業數、公共財政收入、電信業務收入、互聯網寬帶接入用戶、科學技術支出、年末常住人口、普通高等學校教師數。以上所有指標數據均來源于《中國城市統計年鑒（2009—2019）》、各地級（直轄）市國民經濟和社會發展統計公報、互聯網，部分缺失數據通過插值法補齊。表1是相關數據說明以及變量描述性統計。

（四）基準模型設定

由于地方數據交易平臺建立的年份不盡相同，為探究建立數據交易平臺對區域經濟發展的影響，參考Beck等的方法，本文構建如下多期雙重差分基準模型：

pDNit=β0+β1Treati×Periodit+φ1Xit+αi+λt+εit（33）

其中，i代表地級（直轄）市，t代表年份，被解釋變量pDNit代表i市在t年的夜間平均燈光強度。Treati是處理組虛擬變量，如果城市i所在省份（或直轄市）建立了數據交易平臺Treati=1（該類城市以下簡稱“平臺市”），否則為0（該類城市以下簡稱“非平臺市”）;Periodit是實驗期虛擬變量，若i市所在省份在t年建立了數據交易平臺Periodit=1，否則為0。交乘項Treati×Periodit為核心解釋變量，其系數β1反映了數據交易平臺的建立對區域經濟發展影響的平均效應。Xit表征了一系列的城市特征，是其他影響經濟發展的控制變量。αi和λt分別為城市和年份的固定效應，εit為隨機擾動項。

四、實證結果分析

（一）基準模型回歸結果

表2報告了式（33）的估計結果，其中模型（1）僅控制了城市與年份固定效應，而模型（2）則報告了在控制一系列城市特征以及城市與年份固定效應后的結果。可以看到，變量Treati×Periodit的系數在1%的顯著性水平上為正，表明地方數據交易平臺的建立顯著提高了平臺市的夜間平均燈光亮度。根據表1模型（2），相對于非平臺市，數據交易平臺的建立使得平臺市夜間平均燈光亮度增加了約202，2009—2019年平臺市的夜間平均燈光亮度均值為2415，這意味著相對于非平臺市，建立數據交易平臺對平臺市經濟增長的貢獻約為83%。

（二）平行趨勢檢驗

運用多期雙重差分法的重要前提是實驗組與控制組要滿足“平行趨勢假設”。圖4比對了平臺市與非平臺市夜間平均燈光強度的變化趨勢，其中虛線左邊是未建立數據交易平臺的夜間平均燈光強度變化。可以看出，2009—2013年平臺市與非平臺市夜間平均燈光變化趨勢基本平行，但2014—2015年卻出現了差距擴大的趨勢，因此需進行更為嚴謹的動態效應分析加以判斷。

結合事件研究法，參考Beck等構建如下動態效應模型：

pDNit=β0+∑4k≥-6，k≠0θkDkit+φ1∑Xit+αi+λt+νit（35）

其中，Dkit代表設立地方數據交易平臺這一事件的虛擬變量，當k>0時，若i市處于成為平臺市后的k年時Dkit=1，否則Dkit=0;當k<0時，若i市是平臺市且在建立平臺前的-k年時Dkit=1，否則Dkit=0。在具體的分析中，本文以平臺市建立數據交易平臺的當年作為基準年，即k≠0。此時式（35）中Dkit系數θk的顯著性就反映了實驗組和控制組的夜間平均燈光強度是否存在顯著性差異。圖5報告了θk隨時間變化的情況，其中橫軸表示距離成為平臺市前后的相對年份，縱軸表示θk估計值的大小，上下虛線為95%的置信區間。可以看出，在建立數據交易平臺基準年之前的年份里，θk的估計值不顯著異于0，因此實驗組與控制組滿足平行趨勢的假設不能被拒絕。

（三）穩健性檢驗

1.使用PSMDID緩解選擇性偏差

由于平臺市（41個）與非平臺市（66個）在城市數量上存在一定差距，為緩解可能存在的選擇性偏差，本文利用傾向得分匹配方法（PSM），對控制組重新進行高斯核匹配。表3揭示了PSM前后相關變量在控制組與實驗組中均值的差異情況，可以看出，匹配后控制組中的個體在各種變量上的特征都更加接近于實驗組，這一點通過變量標準化偏差（圖6）和傾向得分共同取值范圍（圖7）均可以得到印證。

為了在有效匹配的前提下使用多期DID，本文只采用匹配上的樣本進行估計以保證條件重疊假定的滿足，估計結果如表4所示，其中模型（1）和（2）的設定與基準回歸中一致。從回歸結果可以看出，雖然核心解釋變量系數的估計結果有所變化，但地方數據交易平臺的建立對平臺市夜間平均燈光強度依然有顯著的正向影響。

2.改變因變量衡量指標

（1）選用人均實際GDP。前文已經表明夜間平均燈光強度與人均實際產出具有高度的相關性，另外，文獻也常常將人均實際產出作為表征經濟發展水平的代理變量，因此本文將人均實際GDP作為被解釋變量來考察建立數據交易平臺對區域經濟發展的影響。回歸結果如表5模型（1）和（2）所示，平臺市數據交易平臺的建立顯著促進了該區域人均實際產出增加。

（2）選用地區全年人均用電量。考慮到夜間平均燈光亮度與用電量之間的天然聯系，本文進一步考慮選取全年人均用電量作為夜間平均燈光亮度的替代指標。從表5模型（3）和（4）可以看出，核心解釋變量的回歸系數為正，表明無論模型中是否控制城市特征，建立數據交易平臺對平臺市全年人均用電量都有顯著的正向影響。

3.剔除多平臺地區。長江經濟帶上建立地方數據交易平臺的直轄市或省份包括上海、重慶、貴州、湖北、浙江、江蘇，截止到2018年，除湖北與浙江建立了多處地方數據交易平臺外（其中湖北三處，分別是東湖大數據交易中心、長江大數據交易中心、華中大數據交易平臺;浙江兩處，分別是浙江大數據交易中心、錢塘江大數據交易中心），其余地區均只建立了一處地方平臺，這種差別可能會對研究結果帶來潛在干擾。因此，本文將湖北與浙江從樣本中剔除并重新進行回歸，結果如表5模型（5）和（6）所示，平臺市建立數據交易平臺對區域經濟發展的影響仍然顯著為正。

4.安慰劑檢驗

（1）來自提前實驗期的檢驗。為檢驗估計結果是否會受到平臺建立時點的影響，假定將地方數據交易平臺建立的時間依次提前至2010—2013年中的每一年，并同時構造相應的交乘項Treati×Periodit進行回歸。若交乘項的系數不受平臺建立時間設定的影響，則表明平臺市夜間平均燈光亮度的變化是由建立數據交易平臺引起的。表6的回歸結果顯示，在將地方數據交易平臺建立的時間提前2—5年時，交乘項Treati×Periodit的系數均不顯著。

（2）來自隨機實驗組的檢驗。從樣本107個地級（直轄市）中隨機抽取41個城市作為新的實驗組，同時假設這41個城市建立了數據交易平臺，而其他城市進入控制組，隨后在新樣本的基礎上采用表2模型（2）進行估計。將上述隨機抽樣與估計的過程重復500次，由此得到500個Treati×Periodit系數的估計值，圖8揭示了這些系數估計值的分布及其P值。圖中，水平虛線表示10%的顯著性水平，豎直虛線與橫軸的交點是表2模型（2）中Treati×Periodit系數的真實估計值（20158）。從圖8可以看出，500個抽樣交乘項系數估計值都分布在真實估計值的左邊，且絕大多數的P值大于01，由此可以認為，地方數據交易平臺的建立對平臺市經濟發展的正向影響是顯著且穩健的。

5.工具變量回歸

基準回歸結果表明建立地方數據交易平臺能夠顯著促進區域經濟發展，但這種基于OLS回歸的方法不能解決可能存在的內生性問題。本文的內生性主要有兩個來源：一是雙向因果影響，某個地區的經濟尤其是數字經濟的快速發展勢必加速數據的產生，數據交易會隨之增加，在數據要素市場體系不成熟的階段，個人或企業出于對數據交易安全的憂慮，往往希望通過地方數據交易平臺這類具有合規性保障性的渠道進行交易，因而日益增多的數據交易需求就成為各個地方建立數據交易平臺潛在的內生動力;二是遺漏變量偏誤，盡管面板數據固定效應和雙重差分法能在一定程度上緩解那些不可觀測的隨時間或不隨時間變換的因素影響，但仍不能完全排除目前難以刻畫和度量的因素，例如各地區數據要素總量的變化等。

為緩解內生性問題，本文嘗試采用工具變量法來進一步討論估計結果的穩健性。借鑒Nunn and Qian的相關研究，本文用1969—1979年各省份固定電話總量與各市行政面積的比值構造了“年地均固話量”來作為地方數據交易平臺建立的工具變量。其原因如下：第一，數據要素的爆炸式增長依托于互聯網的全面普及，而中國互聯網接入方式大致經歷了通過電話線撥號的窄帶接入（如PSTN、ISDN等）、寬帶接入（如ADSL）再到現在的光纖寬帶接入，可以看到歷史上互聯網的發展與固話業務的發展密切相關，固定電話普及率高的地區其互聯網普及率也可能較高。第二，1969—1979年各地開通固定電話的原因往往并不是以服務地方經濟發展為主，隨著移動互聯網的高速發展，這些改革開放前的固話數量對當前經濟發展的影響已微乎其微。第三，本文計量模型中包含了城市與年份雙固定效應，由于行政面積一般是外生且很難隨時間變化，因此，本文用省級固話總量與下屬地級市的行政面積之比構造工具變量，避免了省級數據直接運用到市級層面而出現的冗余問題。

表7報告了工具變量法的回歸結果，模型設定與表2一致。具體而言，在內生性是否存在以及工具變量的有效性等問題上，Hausman、DWH、DavidsonMacKinnon的檢驗結果均表明上述內生性問題是存在的，同時模型（1）和（2）一階段的F統計量遠大于10，排除了弱工具變量問題。第二階段的回歸結果顯示，無論是否控制城市特征，建立地方數據交易平臺對區域經濟發展的影響均與表2的基準回歸結果相似。

五、進一步探討

（一）不同類型數據交易平臺的異質性分析

政府主導的政府參與型數據交易平臺與企業主導的企業主導型數據交易平臺，是中國數據交易平臺的主要類型。盡管政府參與型平臺與企業主導型平臺之間的差別很明確，但兩者在現實中依然均可開展以下兩種業務模式：一是第三方數據交易平臺，在平臺注冊會員中進行數據買賣雙方的匹配，平臺本身不參與交易，數據的定價、購買期限、使用方式和轉讓條件完全由提供方和需求方協商;二是混合數據交易平臺，該類平臺不僅是數據買賣雙方進行交易的場所，其自身常常也會以數據提供方和服務商的身份參與數據交易。因此，現階段數據交易平臺可以進一步細分為如下四類，即政府參與型混合數據交易平臺、政府參與型第三方數據交易平臺、企業主導型混合數據交易平臺和企業主導型第三方數據交易平臺（如表8示例）。

地方數據交易平臺的合理性與可推廣性，即數據交易平臺模式能否真正發揮社會經濟效益，是現階段中國探索數據要素市場化配置所關注的重點問題。前文已經論證了政府參與型數據交易平臺對區域經濟發展存在正向影響，但在更加細分的層面，數據交易平臺對區域經濟發展的影響是否也是如此。對于這個問題的探究將有助于理解當前的政府參與型平臺與企業主導型平臺誰更有效。因此，本文將分別從政府參與型第三方數據交易平臺（以下簡稱“政府第三方平臺”）、政府參與型混合數據交易平臺（以下簡稱“政府混合平臺”）、企業主導型第三方數據交易平臺（以下簡稱“企業第三方平臺”）以及企業主導型混合數據交易平臺（以下簡稱“企業混合平臺”）等四個層面，討論不同類型數據交易平臺對區域經濟發展影響的異質性。

表9報告了異質性的情況，模型（1）和（2）的回歸結果顯示，政府第三方平臺和政府混合平臺對夜間平均燈光亮度的影響均是正向顯著的，而且后者的影響要比前者高出約6698%。模型（3）的回歸結果表明，在政府參與型數據交易平臺存在的前提下，企業主導型數據交易平臺進入市場后會對夜間平均燈光亮度產生負向影響，但不顯著。模型（4）和（5）分別匯報了企業第三方平臺和企業混合平臺對夜間平均燈光亮度的影響結果，其中，企業第三方平臺與企業混合平臺的影響效應在1%的統計水平上分別顯著為負和為正，并且也存在混合數據交易平臺對區域經濟發展的影響要大于第三方數據交易平臺的情況。同時，無論平臺類型是否細分，政府參與型數據交易平臺都要比對應的企業主導型數據交易平臺更加有效。

對于上述異質性的出現，本文認為主要有兩方面原因：一是在不同平臺的主體層面，政府參與型數據交易平臺依托政府資源，不僅可以獲取政務數據，還可以為政府部門提供數據清洗、定制、建模、分析、解決方案等服務。企業主導型數據交易平臺的產生和發展，基本依靠市場的內在驅動，以盈利為主要目的，并采取市場化運行，政府不參與平臺管理。因而，在數據要素市場化配置剛剛起步以及數據要素市場體系還很不成熟的階段，政府參與型數據交易平臺無論是在數據采集、政策紅利、職責履行還是運行機制上都要優于企業主導型數據交易平臺，其對區域經濟發展的影響也更加積極。二是在不同平臺的細分層面，第三方數據交易平臺的職能本應是平臺運營，僅承擔平臺安全維護和交易監督的責任工作，但部分平臺卻在為數據供應商提供數據清洗、分析和定制的服務，有違第三方管理身份的定位職責，平臺運行制度疏于形式。混合數據交易平臺既具有第三方管理身份又能自主運營，既是參與平臺管理又是數據服務商，因此，混合數據交易平臺出于自身利益考量，時常嚴格遵守平臺的既定制度與規則，較第三方數據交易平臺而言往往能夠發揮更強的社會經濟效益。

（二）數據交易平臺影響區域經濟發展的機制檢驗

上述研究結果表明，地方數據交易平臺對區域經濟發展具有促進作用，那么，影響發展的傳導機制是什么？目前，關于數據要素影響經濟發展機制的實證文獻幾乎沒有，從已有的理論研究中可以看到，數據要素可能會通過促進技術創新、提升全要素生產率、降低決策成本、改善就業環境、影響產業結構升級等途徑來推動區域經濟發展。建立數據交易平臺的目的是促進數據要素自主有序流動，因此，本文選取了一組變量作為機制檢驗的中介變量，它們包括：專利授權總量（千件），用來衡量技術創新程度;綠色全要素生產率，用來替代傳統全要素生產率;城鎮失業率（%），用來描述就業環境;限額以上內資企業工業總產值（十億元），用來衡量因信息不足引致不確定性而帶來的決策成本;第二三產業產出占GDP比重（%），用來表示產業結構升級。

構建如下數據交易平臺影響區域經濟發展的機制檢驗模型：

Zit=β0+aTreati×Periodit+φ0Xit+αi+λt+δit（51）

pDNit=β1+cTreati×Periodit+bZit+φ1Xit+αi+λt+εit（52）

其中，中介效應變量Zit包括專利授權總量、綠色全要素生產率、城鎮失業率、限額以上內資企業工業總產值、第二三產業產出占比。Xit是一系列控制變量，由資本存量、工業企業數、公共財政收入、電信業務收入、從業總人口以及互聯網寬帶接入用戶等指標組成。pDNit為夜間燈光平均亮度，αi和λt分別為城市和年份固定效應。

表10第（1）和（2）列分別報告了以專利授權總量和綠色全要素生產率為中介變量的機制檢驗情況，通過式（51）中交Treati×Periodit估計系數的顯著性來看，數據交易平臺對專利授權總量和綠色全要素生產率均沒有顯著影響，結合Sobel檢驗可以發現，數據交易平臺通過促進技術創新以及提升全要素生產率來推動區域經濟發展的這兩種理論上的傳導機制并不存在。第（3）列匯報了數據交易平臺對夜間平均燈光亮度增長率的回歸結果，交乘項Treati×Periodit的估計系數并不顯著，這也從側面印證了第（2）列的估計結果。以上結果表明，目前數據交易平臺對區域經濟增長的影響仍屬于規模驅動而非效率驅動。

表11第（1）—（3）列分別匯報了以城鎮失業率、限額以上內資企業工業總產值以及第二三產業產出占比為中介變量的機制檢驗情況。第（1）列的回歸結果顯示Treati×Periodit對城鎮失業率的估計系數顯著為正，并且Soble檢驗在10%的顯著性水平上拒絕了中介效應不存在的原假設，說明數據交易平臺可以通過降低當地城鎮失業率來促進區域經濟發展。第（2）列中交乘項Treati×Periodit對限額以上內資企業工業總產值的估計系數顯著為正以及Soble檢驗在10%的顯著性水平上拒絕原假設均表明，數據交易平臺可以提高限額以上內資企業的工業總產值即降低企業決策成本，從而推動平臺市的經濟發展。第（3）列中交乘項Treati×Periodit對第二三產業產出占比的回歸系數以及Soble檢驗的結果揭示了，數據交易平臺通過促進產業結構升級進而推動區域經濟發展這一機制是成立的。

六、結論與政策啟示

市場經濟的本質要求是生產要素的市場化配置，隨著數據在數字經濟乃至國民經濟發展中的作用日益關鍵，數據要素市場化配置滯后于數字經濟發展已成為中國社會主義市場經濟面臨的新問題。當前，中央還沒有在地方開展數據要素市場化配置的正式試點，政府參與型數據交易平臺就成為地方政府探索數據要素市場化配置的重要實踐。因此，系統探究數據交易平臺與經濟發展的內在關系，對于認清地方數據交易平臺這一模式的有效性與可推廣性至關重要。本文將數據交易平臺的設立作為一項擬自然實驗，基于2009—2019年長江經濟帶107個地級（直轄）市的面板數據，并使用DMSP/OLS與NPP/VIIRS兩種衛星燈光數據相互校正后的連續一致數據作為地方經濟發展水平的代理變量，運用多期雙重差分法實證分析了地方數據交易平臺對區域經濟發展的影響。

主要結論包括：（1）地方政府參與建立數據交易平臺能夠顯著推動區域經濟發展。在經濟發展對地方數據交易平臺的一系列回歸估計中，核心交乘項的估計系數均顯著為正，表明數據交易平臺促進了區域經濟發展，并且政府參與型混合數據交易平臺的促進作用要比政府參與型第三方數據交易平臺高出約6698%。（2）企業主導型數據交易平臺進入市場后，其整體上并不能促進地方經濟發展，但在平臺的細分領域，企業主導型第三方數據交易平臺顯著抑制了區域經濟發展，而企業主導型混合數據交易平臺卻能夠推動區域經濟發展。（3）從目前對區域經濟發展的影響效果來看，地方政府參與建立數據交易平臺要比企業主導型數據交易平臺更加有效，在平臺的細分領域也是如此。（4）現階段，地方數據交易平臺可以通過降低企業決策成本、改善就業環境以及帶動產業結構升級等途徑來促進區域經濟發展，但技術創新與全要素生產率并不是地方數據交易平臺影響區域經濟發展的傳導機制，這也印證了Farboodi和Veldkamp的部分觀點。

本文的相關研究為充分認清數據交易平臺這一現行數據要素市場化配置模式的有效性，提供了新的經驗證據與政策啟示。自2015年貴陽大數據交易所成立以來，受國家大力支持大數據產業發展的影響，地方政府基于政績導向鼓勵并主導了一大批數據交易平臺的建設。由于缺乏合理的市場布局規劃和行業發展指導，部分平臺存在重復建設、服務領域同質化等現象;同時，受限于數據權屬的界定困難，數據成交量也難以形成預期規模。然而，政府主導的無論是混合數據交易平臺還是第三方數據交易平臺，均可以通過降低企業決策成本、改善就業環境以及帶動產業結構升級等途徑對區域經濟發展產生正面影響。因而，這種早期探索模式的有效性與可推廣性應該是值得肯定的。此外，目前企業主導建立的數據交易平臺對地方經濟發展的作用不大。按照國外先進地區企業主導型數據交易平臺的發展趨勢，這種產生和發展來源于市場需求，且完全采取市場化運作機制同時政府不參與管理的模式，理應更能適應于市場競爭與發展，但在中國數據要素市場建設剛剛起步以及體量最大的政務數據尚未開放的階段，地方政府主導建立的數據交易平臺往往更加有效，而企業主導型數據交易平臺有待在發展模式上做進一步探索。同時可以看到，數據要素市場化配置體制機制不健全、監管體系不完善以及相關法律法規缺失等問題是阻礙數據要素市場化配置順利推進的“攔路虎”。盡管這些問題的解決依然有較長的路要走，但唯有破解上述問題，中國的數據要素市場建設才有可能推進下去且不會與數字經濟發展脫鉤，國內企業數字化轉型方能行穩致遠。

① 《美媒：中國將在數據競爭中超過美國》，2019年2月15日，https：//baijiahaobaiducom/s？id=1625493670611894982&wfr=spider&for=pc，2021年9月8日。

② 中商產業研究院：《〈2019年中國大數據產業市場前景研究報告〉發布》，2019年8月8日，https：//wwwaskcicom/news/chanye/20190808/1703001151070_2shtml，2021年9月8日。

③? 于施洋、王建冬、郭巧敏：《我國構建數據新型要素市場體系面臨的挑戰與對策》，《電子政務》2020年第3期。

④ 吳楊：《大數據政策文本與現實的偏差及完善路徑研究》，《公共管理學報》2020年第1期。

⑤ 2014年全球數據儲量為66ZB（相當于7251億個1TB容量的移動硬盤），同比增長5349%。數據來源：前瞻產業研究院https：//xqianzhancom/xcharts/？k=全球數據儲量，2021年10月13日。

⑥? ?吳潔、張云：《要素市場化配置視域下數據要素交易平臺發展研究》，《征信》2021年第1期。

⑦? ? 蔡躍洲、馬文君：《數據要素對高質量發展影響與數據流動制約》，《數量經濟技術經濟研究》2021年第3期。

⑧ 裴長洪、倪江飛、李越：《數字經濟的政治經濟學分析》，《財貿經濟》2018年第9期;Maryam Farboodi and Laura Veldkamp，“A Growth Model of the Data Economy，”NBER Working Papers，2020.

⑨ 李剛、張欽坤、朱開鑫：《數據要素確權交易的現代產權理論思路》，《山東大學學報》（哲學社會科學版）2021年第1期。

⑩ Yuncheng Shen，Bing Guo，Yan Shen，Xuliang Duan，Xiangqian Dong and Hong Zhang，“A Pricing Model for Big Personal Data，”Tsinghua Science and Technology，vol.21，no.5（October，2016），pp.482-490.

方元欣、郭驍然：《數據要素價值評估方法研究》，《信息通信技術與政策》2020年第12期。

Alessandro Acquisti，Curtis Taylor and laid Wagman，“The Economics of Privacy，”Social Science Electronic Publishing，vol.54，no.13（2016），pp.442-492.

Avi Goldfarb and Daniel Trefler，“AI and International Trade，”NBER Working Papers，2018.

Maryam Farboodi and Laura Veldkamp，“A Growth Model of the Data Economy，”NBER Working Papers，2020.

Marc Bourreau，Alexandre de Streel and Inge Graef，“Big Data and Competition Policy： Market Power，Personalised Pricing and Advertising，”Centre on Regulation in Europe，2017.

Charles I.Jones and Christopher Tonetti，“Nonrivalry and the Economics of Data，”NBER Working Papers，2019.https：//www.nber.org/system/files/working_papers/w26260/w26260.pdf，September 8，2021.

Yan CarriereSwallow and Vikram Haksar，“The Economics and Implications of Data： An Integrated Perspective，”IMF Departmental Papers / Policy Papers，2019.

Hal Varian，“Artificial Intelligence，Economics，and Industrial Organization，”Ajay Agrawal，Joshua Gans and Avi Goldfarb，eds.，The Economics of Artificial Intelligence： An Agenda，Chicago：University of Chicago Press，2019，pp.399-419.

Jian Jia，Ginger Zhe Jin and Liad Wagman，“The ShortRun Effects of GDPR on Technology Venture Investment，”NBER Working Papers，2018.https：//www.nber.org/system/files/working_papers/w25248/w25248.pdf，September 8，2021.

這些地方數據交易平臺包括：貴陽大數據交易所、上海數據交易中心、西咸新區大數據交易所、武漢東湖大數據交易中心、華東江蘇大數據交易中心、長江大數據交易中心、浙江大數據交易中心、哈爾濱大數據交易中心、華中大數據交易中心、錢塘大數據交易中心、中原大數據交易中心、重慶大數據交易市場。可以看出，這些數據交易平臺80%以上均分布在長江經濟帶沿線地區，故本文將研究對象界定在長江經濟帶上的數據交易平臺。

Elvidge C.，Pettit D.，Imhoff M.，Nemani，R.，Pack，D.and Cinzano，P.，“Observational Considerations for Moderate Resolution Nighttime Lights，”Proc.SPIE 7081，Earth Observing Systems XIII，70810V（August 20，2008）;廖祖君、王理：《城市蔓延與區域經濟高質量發展——基于DMSP/OLS夜間燈光數據的研究》，《財經科學》2019年第6期。

Paul C.Sutton and Robert Costanza，“Global Estimates of Market and Nonmarket Values Derived from Nighttime Satellite Imagery，Land Cover，and Ecosystem Service Valuation，”Ecological Economics，vol.41，no.3（2002），pp.509-527;張俊：《高鐵建設與縣域經濟發展——基于衛星燈光數據的研究》，《經濟學（季刊）》2017年第4期。

DMSP/OLS與NPP/VIIRS的衛星燈光影像下載官網：https：//wwwngdcnoaagov/ngdchtml。

OLS傳感器的設計局限常導致DMSP/OLS影像之間不連續、像元DN值過飽和等問題，與DMSP/OLS相比，NPP/VIIRS的星下空間分辨率更高，對夜間燈光的探測能力更強。

采集數據的OLS傳感器共6個，其工作年限存在差異，具體為：F10（ 1992—2014年）、F12（ 1994—1999年）、F14 （ 1997—2003年） 、F15 （ 2000—2007年） 、F16 （ 2004—2009年） 、F18 （ 2010-2013年） 。

李雪萍、貢璐：《DMSP/OLS和VIIRS/DNB夜間燈光影像的校正及擬合》，《測繪通報》2019年第7期;梁麗、邊金虎、李愛農、馮文蘭、雷光斌、張正健、左家旗：《中巴經濟走廊DMSP/OLS與NPP/VIIRS夜光數據輻射一致性校正》，《遙感學報》2020年第2期。

金碚：《關于“高質量發展”的經濟學研究》，《中國工業經濟》2018年第4期。

Kaoru Tone，“A Slacksbased Measure of Efficiency in Data Envelopment Analysis，”European Journal of Operational Research，vol.130，no.3（2001），pp.498-509.

Thorsten Beck，Ross Levine and Alexey Levkov，“Big Bad Banks？ The Winners and Losers from Bank Deregulation in the United States，”The Journal of Finance，vol.65，no.5（October 2010），pp.1637-1667.

現階段建立的地方數據交易平臺服務的特征都具有明顯的區域性。以貴陽大數據交易中心為例，貴州省貴陽市以外的其他城市也均可通過該平臺進行數據交易活動。因此，盡管某個城市并未直接建立地方數據交易平臺，但只要其所在省份在2015—2017年間建立了平臺，則可近似認為該城市建立了數據交易平臺。

陳詩一、陳登科：《霧霾污染、政府治理與經濟高質量發展》，《經濟研究》2018年第2期。

本文樣本中最早出現的地方數據交易平臺是貴陽大數據交易所，建立時間是2015年4月。

Nathan Nunn and Nancy Qian，“US Food Aid and Civil Conflict，”American Economic Review，vol.104，no.6（2014），pp.1630-1666.

1969—1979年各省份固定電話總量數據參見國家統計局國民經濟綜合統計司編：《新中國六十年統計資料匯編》，北京：中國統計出版社，2010年。

變量來源：《中國城市統計年鑒（2009-2019）》、各地級（直轄）市國民經濟和社會發展統計公報、互聯網。部分缺失數據通過插值法補齊。

（責任編輯：冉利軍）

〔基金項目〕國家社會科學基金重大項目“長江上游生態大保護政策可持續性與機制構建研究”（20&ZD095）;四川省社會科學研究“十四五”規劃2021年度課題重大項目“資源要素市場化配置下城鄉融合發展的‘成渝方案研究”（SC21ZDCY007）

〔作者簡介〕楊艷，四川大學經濟學院教授、博士生導師;

王理，四川大學經濟學院博士研究生，四川成都610064;

廖祖君，四川省社會科學院區域經濟與城市發展研究所研究員、博士生導師，四川成都610071。