大數據如何影響企業全要素生產率

謝賢君 郁俊莉

［摘?要］數字經濟發展對企業技術進步展現出突出優勢。文章從政策評估視角探討大數據政策對企業全要素生產率的影響，且依托企業是否進行大數據利用活動進行實驗組和對照組劃分，并借助2007—2020年上市公司數據，實證檢驗大數據政策對企業全要素生產率的影響。研究表明，大數據政策的確顯著促進了企業全要素生產率。機制分析顯示，大數據政策不僅提高了企業研發投入，也增加了企業收益，最終促進企業全要素生產率。進一步來看，無論在不同國有企業還是非國有企業中，無論科技密集型企業還是非科技密集型企業，大數據政策均能夠顯著促進企業全要素生產率；但大數據政策影響企業全要素生產率強度上存在不同企業“所有制屬性”“技術密集程度屬性”的差異，在非國有企業中，大數據政策對企業全要素生產率的促進作用更強，在科技密集型企業中，大數據政策對企業全要素生產率促進效果更為明顯。

［關鍵詞］數字經濟；大數據；企業全要素生產率

［中圖分類號］?F2707［文獻標識碼］?A［文章編號］?1673-0461（2023）08-0022-11

一、引言

黨的二十大報告強調，高質量發展是全面建設社會主義現代化國家的首要任務，是關乎實現第二個百年奮斗目標的戰略保障，是以中國式現代化全面推進中華民族偉大復興的本質要求，這就要求我們要堅持以高質量發展推進和拓展中國式現代化。在新時代背景下，促進企業高質量發展則是推進和拓展中國式現代化的必然要求，而提高企業全要素生產率則是促進企業高質量發展的重要內容。在全球新一輪科技革命、產業變革加速演進的趨勢下，以人工智能、大數據、區塊鏈等為基礎的數字技術不斷涌現，數字經濟發展步伐顯著加快，不僅推進了市場化改革與市場化機制形成，也促進了數字經濟和實體經濟深度融合，還顯著增強了經濟發展動力。可見，數字經濟發展是數字時代推動高質量發展實現中國式現代化的重要引擎，在此背景下，著力推動數字經濟發展是全面提升數字中國建設的整體性、系統性、協同性的重要抓手。為此，如何更好地把握住數字中國建設這一重要機遇，探討數字經濟政策如何促進企業全要素生產率并實現企業高質量發展，是中國數字經濟現階段面臨的重大發展課題。也是從政策維度探討研究中國數字經濟發展問題并實現企業全要素生產率提升，這無疑是秉軸持鈞、動中肯綮。

首先，本文從政策評估視角基于上市公司微觀數據庫數據實證檢驗了“大數據政策-企業全要素生產率”之間關系，有助于更好地解決內生性問題。其次，基于研發創新投入、企業收益兩類渠道，更為全面、深入探討了大數據政策對企業全要素生產率的影響機制，有助于從微觀路徑方面理解大數據政策與企業全要素生產率之間關系。最后，基于不同企業所有制屬性、不同企業科技密集型屬性，探討了大數據政策對企業全要素生產率影響的異質性。本文的主要貢獻體現在以下三個方面：?第一，本文從微觀企業層面出發基于政策評估角度闡釋數字經濟政策對企業全要素生產率的驅動效應和機制，進一步豐富了有關技術效應的研究，不僅是對現有文獻的深入拓展，也有助于解決內生性問題。第二，重點驗證“大數據政策-企業全要素生產率”的關系，著重判斷大數據政策在不同企業“所有制屬性”“技術密集型屬性”異質性表現。第三，本文基于“研發投入”“企業收益”等渠道識別了大數據政策對企業全要素生產率作用機制，有利于廓清大數據政策與企業全要素生產率之間影響機理。

二、文獻綜述

數字經濟發展為企業全要素生產率提升提供了重要機遇。數字化轉型整體對企業全要素生產率具有顯著促進作用［1-3］。更多的是學者從數字技術創新［4］、人工智能、數字基礎設施建設以及數字化轉型等多個角度探討了數字經濟發展對全要素生產率的影響。羅佳等（2023）［5］研究表明，數字技術創新與企業全要素生產率具有顯著的正相關關系，數字技術創新水平越高，意味著企業創新效率和資源配置效率越高，全要素生產率也越高。黃曉鳳等（2023）［6］研究認為，人工智能發展顯著提高了企業創新鏈、供應鏈和產業鏈的匹配程度，從而有利于提高制造業企業全要素生產率。黃漫宇和王孝行（2022）［7］研究表明，數字基礎設施、數字產業化和數字經濟發展環境有利于降低資本錯配和勞動力錯配，從而提升企業全要素生產率。劉艷霞（2022）［8］研究認為，企業數字化轉型會促進效率變革和技術創新、提升決策效率和監督有效性，從而提升企業全要素生產率。邱子迅和周亞虹（2021）［9］研究發現，建立大數據試驗區可推動數字產業創新和制造業智能化促進全要素生產率，且在經濟欠發達、創新水平低和產業結構高度高的地區這種促進效應更強。涂心語和嚴曉玲（2022）［10］研究表明，數字化轉型加速企業間知識溢出進而促進企業全要素生產率。秦文晉和劉鑫鵬（2022）［11］研究發現，以“寬帶中國”試點為代表的網絡基礎設施建設能夠顯著提升創新水平進而促進全要素生產率。范合君和吳婷（2022）［12］研究指出，數字化能力的提升依賴于數字基礎設施，隨著數字基礎設施不斷完善，數字技術創新能力不斷增強，數字技術底層支撐作用不斷凸顯，數字應用場景不斷增加，這都有助于促進經濟高質量發展。張微微等（2023）［13］研究認為，我國數字經濟發展顯著促進了全要素生產率，并存在一定的空間溢出效應。

進一步，李治國和王杰（2021）［14］研究認為，數字經濟發展通過促進數據開發應用和數據傳播共享顯著優化數據要素配置，從而提升制造業生產率，且這種效應在企業所有制、企業規模、城市規模以及區域位置等方面具有異質特征。郭豐等（2022）［15］研究認為，融資約束改善、創新水平提升、企業數字化轉型是數字經濟提升了企業全要素生產率的重要路徑和機制。王軍等（2022）［16］研究認為，數字經濟發展有助于矯正勞動力、資本、技術等要素錯配問題，進而推升全要素生產率。但技術效率改善和技術進步的作用不可忽視，隨著數字經濟發展，企業全要素生產率不斷提升，主要原因在于數字經濟發展帶來了技術效率改善和技術進步［17］，同時也促進了人力資本積累和人力資本不斷升級，進而促進產業結構合理化和高級化發展，從而促進全要素生產率［18］。趙宸宇等（2021）［19］研究表明，數字化轉型對制造業企業全要素生產率具有顯著促進作用，且作用渠道主要通過創新能力提升、人力資本結構優化、先進制造業和現代服務業融合發展以及成本節約來實現。

關于大數據與企業全要素生產率關系方面，史丹和孫光林（2022）［20］研究表明，制造業企業全要素生產率與大數據發展具有顯著的正相關關系，且提高大數據發展水平可通過促進企業創新、提升要素配置效率、提升數據賦能能力促進制造業企業全要素生產率。同時，也有研究表明，大數據能力能夠促進企業轉型升級［21］，數據要素也能提升企業全要素生產率。另外，還有部分文獻從“寬帶中國”試點、國家級大數據綜合試驗區建設角度探討了大數據要素對于推動數字經濟發展的作用力。已有探討十分豐富，為本文進一步拓展分析提供了重要文獻支撐，但由于大數據政策也是推動大數據及其數字經濟發展的重要驅動力，因此從大數據政策角度來探索企業全要素生產率的這一驅動力也不能忽視。另外，在數字經濟實驗組和對照組區分上基于城市層面進行劃分，顯得較為宏觀，存在一定的劣勢，無法準確判斷何種企業處于實驗組與對照組，弱化了相應的解釋力，為此，通過文本分析法挖掘并提取企業年報中關于大數據關鍵詞條的研究方法，從而區分實驗組和對照組，進而從政策評估視角實證檢驗大數據政策對企業全要素生產率的影響，有助于更好地解決內生性問題。

三、理論分析

（一）融資約束緩解效應

大數據政策可帶來大數據技術水平的提升，也可拓展大數據技術應用范圍，還可增強大數據技術使用深度，提升信息、信號傳遞質量，進而有助于解決銀行與企業之間信息不對稱問題，使得銀行在為企業提供融資貸款過程中，有助于銀行評估、篩選具有生產率、競爭力、創新力的企業，進而讓銀行與企業之間更容易建立更加有效的溝通機制，增進雙方間的相互信任感，銀行也對企業債務與生產經營能力形成更加穩定的預期，從而提高企業商業信用水平，企業融通資金可獲得性也就越高。同時，大數據政策也將帶來企業數字化轉型，這種數字化轉型程度越高意味著更高質量的技術和人才優勢，是企業高質量發展能力的一種體現，也是“具備數字信息識別技術優勢和高質發展的能力”的發展前景，這類企業也就越優質。并且這種數字化優質企業信號傳遞作用，可幫助商業銀行降低逆向選擇風險，實現企業資金更高融通效率，降低資本轉化損耗，也可幫助銀行提升貸款服務效率，增加企業融資可獲得性。總之，大數據政策不僅可帶來大數據技術水平提升、覆蓋范圍拓展、使用深度加深，也可帶來便捷的溝通交流機會，增進融資供給方與資金需求方信任，拓寬企業創新資金獲取路徑。也能夠極大地節約企業處理海量信息的成本，擴大內外部的信息共享范圍與信息使用準確性，有效緩解外部信息不對稱程度，增加企業資金可獲得性。隨著融資約束的改善，增加企業創新研發投入水平和強度，從而促進企業全要素生產率。

（二）成本節約效應

一方面，大數據政策帶來以大數據為核心的底層數字技術發展能夠有效降低企業所面臨的外部交易成本［22］，進而增加企業創新績效，提高企業創新收益水平，提高企業價值和改善企業財務狀況。比如，大數據政策促進大數據技術發展不僅能夠提高信息透明度和時效性，進而降低信息搜尋、協商、談判和監督等外部成本，從而形成企業內外部交易成本節約［23］，推動企業創新利潤提升，增加企業價值水平。另一方面，大數據政策帶來以大數據為核心的底層數字技術發展的企業數字化轉型，可實現高效的信息、數據處理效率，可顯著改善企業委托代理成本，促進企業內部治理，提高企業創新收益。例如，康俊（2023）［24］認為以大數據、人工智能、云計算等為核心的數字技術的迅速發展和廣泛應用，為企業成本管控提供了技術支撐，為此，大數據政策帶來大數據技術發展實現更為高效的股東管理模式、交流溝通方式以及控制決策方法，為企業創新管理決策提供更加有效的方案，增加創新收益，顯著改善企業價值，進一步促進企業全要素生產率。

（三）流動性效應

大數據政策帶來以大數據技術為核心數字技術應用場景實現，可顯著強化市場的正面預期，顯著提升股票流動性［25］，也增加投資者交換股票的頻率和效率，改變大小股東對企業所有權結構，提高企業數字治理效率。進一步，股票流動性的提升，就是促進大小股東不斷交換股票，轉換所有權，形成一個較為穩定、合理的所有權結構，使得股東投票權與所有權比例固定在一定范圍，有利于保證控制股東最大化企業價值。為此，流動性越高的證券意味著企業價值越高，企業全要素生產率也就越高。同時，企業價值最大化，將帶來管理者薪酬最大化，實現管理者創新有效激勵，從而實現企業價值和企業財務改善，促進企業全要素生產率提升。總之，無論是大數據政策帶來的成本節約效應還是流動性效應，均可顯著改善企業價值，促進企業全要素生產率提高。

四、計量模型與數據說明

（一）政策背景

一直以來，在推進我國經濟社會高質量發展進程中，大數據占據了重要地位和發揮了極大作用。我國大數據政策具有較為清晰的發展脈絡與演變進程，為推動以大數據為核心的新型技術能力提升、新型技術應用以及打造更高水平的數字經濟提供了基礎支撐。2014年中國政府工作報告首次將大數據列入政府報告中，使得大數據成為政府、學者等重要關注議題。2015年國務院發布了《促進大數據發展行動綱要》，這一大數據政策實施使得大數據正式上升為國家戰略層面，實施大數據發展政策是我國經濟社會發展的重要戰略，這是大數據發展的里程碑。2017年我國實施了《大數據產業發展規劃（2016—2020年）》，這標志著正式對大數據產業提出了專門規劃。特別是發布了一大批國家層面大數據行業相關政策，為大數據在不同行業的應用提供了助力。同年，黨的十九大報告提出，推動大數據與實體經濟深度融合，提升了大數據對經濟發展的貢獻度。2020年實施了《關于構建更加完善的要素市場化配置體制機制的意見》，將大數據列為新型生產要素，這無疑是夯實了大數據在生產要素之間的地位，也是《促進大數據發展行動綱要》這一政策的升華，對于提升技術進步具有重大價值。2021年《中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要》明確提出了推動大數據技術創新、培育數據全生命周期產業體系和完善大數據標準體系，這對規范大數據發展具有重要作用。實施大數據政策的首要目的就是發展以大數據為核心的新型技術，其次是提升大數據的應用能力，使得其成為一種生產要素，為了客觀反映大數據政策的根本目的和初始目標，落實發展大數據技術這一根本任務，并考慮政策實施具有滯后性，本文選取了《促進大數據發展行動綱要》這一大數據政策作為本文政策沖擊。

（二）計量模型

為了考察“大數據政策-企業全要素生產率”之間的關系，本文首先構建計量模型并實證檢驗“大數據政策-企業全要素生產率”之間的關系。并運用雙重差分法（DID）來實證檢驗大數據政策對企業全要素生產率影響的因果效應，將《促進大數據發展行動綱要》這一政策作為外生沖擊變量。具體計量模型如模型（1）：

∑mk=1TFPk，i，t=α0+α1treati×postt

+∑nj=1ρjcontroli，j，k，t+Indi+Yeart+εi，j，k，t（1）

其中，被解釋變量TFP表示企業全要素生產率；treati為個體虛擬變量，postt為時間虛擬變量，treati×postt為個體虛擬變量與時間虛擬變量交叉項；controli，j，k，t為一組包括企業規模、企業年齡、企業流動性、企業股東集中度等企業層面的控制變量；Indi表示企業固定效應；Yeart表示年份固定效應；εi，j，k，t表示隨機誤差項。另外，α1體現了數字經濟政策實施前后企業全要素生產率的變化，是本文關鍵變量的待估參數。

（三）變量選取

1被解釋變量

被解釋變量為企業全要素生產率∑mk=1TFPk，i，t，其中，當k=1，2，3，4，5時，分別表示五種不同方法測度的企業全要素生產率，即分別基于普通最小二乘法（OLS）、固定效應法（FE）、半參數法（LP）、半參數法（OP）、最大似然法（GMM）所測度的企業全要素生產率，分別用TFP_OLS、TFP_FE、TFP_LP、TFP_OP、TFP_GMM表示。

2政策沖擊變量

treati表示個體i是否位于《促進大數據發展行動綱要》政策的實驗組，為此，為了體現《促進大數據發展行動綱要》實驗組和對照組，本文將treat=1表示樣本期間內進行大數據技術利用活動企業的組別，treat=0表示一直未進行大數據技術利用活動的組別。為研判企業是否進行大數據活動，將通過以下方法予以識別：利用文本分析法挖掘并提取企業年報中的關于大數據關鍵詞條，如果企業年報中出現大數據詞條頻次高于五次，則視為進行了大數據技術利用活動，否則，視為尚未進行大數據技術利用活動。其中，大數據活動主要包括了以下四個方面：一是大數據類型；二是大數據運用；三是大數據平臺；四是大數據內容。具體如圖1所示。

圖1?大數據活動內容

postt表示是否開始實施《促進大數據發展行動綱要》政策，如果是在政策發生當年和之后年份，則將post賦值為1，否則為0。即，2015年及其以后年份將post視為1，否則視為0。

3其他控制變量

企業規模（size）運用企業的總員工數來衡量，企業年齡（age）運用當年年份減去企業成立年份再加1來刻畫，企業流動性（ld）運用企業的流動資產總額與總資產比值來表征，企業股東權益集中度（gd）運用前五位大股東持股比例之和來表示。

（四）數據說明

1990—2002年，大數據發展正處于數據挖掘技術階段，屬于萌芽期；2003—2006年，大數據發展處于圍繞非結構化數據自由探索階段，屬于突破期；2006—2009年，大數據技術形成并運算，屬于成熟期，特別是2007年，數據密集型科學出現為大數據發展提供了科學基礎；2010年至今，大數據發展處于深化期。鑒于大數據發展成熟期以及數據密集型科學的出現，選取2007年作為樣本的起始年限。即，本文選取2007—2020年中國A股上市公司數據庫作為研究樣本的企業層面數據庫。該數據庫樣本期間涵蓋了全國31個省份（不含港澳臺地區）的各類企業，覆蓋了全部大類行業和絕大部分四位數行業，也詳細記錄了企業基本信息、財務數據和稅收繳納等情況，為研究微觀企業行為提供了豐富的數據資料。主要變量的描述性統計見表1，其中被解釋變量TFP_OLS、TFP_FE、TFP_LP、TFP_OP、TFP_GMM與核心解釋變量的均值、最大值、最小值和標準誤均處于合理范圍之內，可進行實證檢驗。

五、實證結果分析

（一）基本估計結果

表2基于模型（1）實證檢驗“大數據政策-企業全要素生產率”關系的核心估計結果。列（1）～（5）均控制了時間和行業固定效應，結果顯示，DID指標（treat×post）對TFP_OLS、DID指標（treat×post）對TFP_FE、DID指標（treat×post）對TFP_LP、DID指標（treat×post）對TFP_OP、DID指標（treat×post）對TFP_GMM的估計歸系數均為正，并且通過了1%的統計顯著性檢驗，這表明以《促進大數據發展行動綱要》為代表的大數據政策的確有利于促進企業全要素生產率，從而有助于中國的企業高質量發展。這一結論說明《促進大數據發展行動綱要》這一大數據政策的實施，企業全要素生產率平均提升了171%，效果十分顯著。大數據政策帶來大數據技術企業覆蓋面增加、使用深度加深、創新能力提升，進而提升數字技術底層支撐力度和拓展應用場景，有助于推動企業數字化轉型。而企業數字化轉型將形成資金成本優勢，在預期收益一定的條件下，大數據政策帶來企業數字化能夠以較低的成本獲得轉型投資所需的足額資金，就會具有以低成本獲取資金來源的比較優勢，改善融資約束，增加技術創新研發投入，提升企業全要素生產率。同時，大數據政策帶來企業數字化轉型，有利于加強數字化投資激勵，提升企業數字化投資經營活動的利潤，進而將促使企業尋求進一步提升資本回報率的動機，形成企業對數字化投資的“推力”，促進企業數字化，提升企業全要素生產率。進一步，控制變量的系數符號基本符合預期，企業規模、企業年齡、企業流動性、企業股權集中度則對企業全要素生產率水平具有正向影響。

（二）內生性分析

1遺漏變量處理

一是各省份出臺的大數據政策可能會對《促進大數據發展行動綱要》這一大數據政策形成疊加效應，例如，貴州省先后制定出臺了《貴州省大數據安全保障條例》《貴州省大數據發展應用促進條例》等法規，很可能對企業全要素生產率造成了疊加影響。為了真實反映大數據政策對企業全要素生產率的影響，刪除了貴州省樣本，如表3所示。結果研究發現，treat×post對TFP_OLS、TFP_FE、TFP_LP、TFP_OP、TFP_GMM的估計系數為正，且DID項的估計系數仍在通過1%的顯著性水平檢驗，表明了大數據政策顯著促進了企業全要素生產率。

二是進一步考慮到直轄市經濟資源稟賦和大數據發展意圖因素可能對《促進大數據發展行動綱要》政策具有一定的選擇性，本文進一步刪除上海市、北京市、重慶市、天津市樣本，如表4所示。結果研究發現，treat×post對TFP_OLS、TFP_FE、TFP_LP、TFP_OP、TFP_GMM的估計系數為正，且DID項的估計系數仍在通過1%的顯著性水平檢驗，表明了大數據政策顯著促進了企業全要素生產率。

三是2016年實施了《國務院關于深化制造業與互聯網融合發展的指導意見》，通過采取一系列措施促進制造業轉型升級，推動制造業數字化、網絡化、智能化，這些措施不僅與數字經濟密切相關，又可以推動制造業企業全要素生產率提高。為排除這一政策的影響，再次刪除了制造業樣本，如表5所示。結果研究發現，treat×post對TFP_OLS、TFP_FE、TFP_LP、TFP_OP、TFP_GMM的估計系數為正，且DID項的估計系數仍在通過1%的顯著性水平檢驗，表明了大數據政策顯著促進了企業全要素生產率。

2平行趨勢檢驗

為進一步獲得更加可靠的實證檢驗估計結果，同時為檢驗實驗組和控制組是否滿足平行趨勢假定，采用估計模型（2）進行實證檢驗。

∑mk=1TFPk，i，t=α0+∑-2j=-1αltreati，t×postj，i，t

+∑nj=1ρjcontroli，j，k，t+Indi+Yeart+εi，j，k，t（2）

如表6和表7所示，將核心解釋變量分別進行了前置1～2期處理，研究發現，在政策實施前1～2期的估計系數并未通過顯著性實證檢驗，說明是否進行大數據技術利用活動對企業全要素生產率并無差異性影響，而政策實施當期，相比較非大數據利用活動企業，利用大數據活動企業通過《促進大數據發展行動綱要》政策，顯著提升了企業全要素生產率，表明實驗組和控制組滿足平行趨勢假設，也再次證實了大數據政策對企業全要素生產率具有顯著促進效應的可靠性。

六、大數據政策影響企業全要素生產率機制路徑的識別

為了刻畫大數據政策影響企業全要素生產率的機制路徑，本文選取了“研發投入”“企業收益”兩類渠道進行驗證。為此，選取計量模型（3）～（6）開展實證檢驗。

R&Di，t=α0+α1treati，t×posti，t+∑nj=1ρjcontroli，j，k，t+Indi+Yeart+εi，j，k，t（3）

∑mk=1TFPk，i，t=α0+α1treati，t×posti，t+βR&Di，t

+∑nj=1ρjcontroli，j，k，t+Indi+Yeart+εi，j，k，t（4）

ROAi，t=α0+α1treati，t×posti，t

+∑nj=1ρjcontroli，j，k，t+Indi+Yeart+εi，j，k，t（5）

∑mk=1TFPk，i，t=α0+α1treati，t×posti，t+βROAi，t

+∑nj=1ρjcontroli，j，k，t+Indi+Yeart+εi，j，k，t（6）

模型（3）、（4）表示大數據政策通過“研發投入”渠道影響企業全要素生產率，模型（5）、（6）表示大數據政策通過“企業收益”渠道影響企業全要素生產率。為此，本文選取了兩組變量，第一組變量為研發投入（R&D，企業研發投入與營業收入的比值），刻畫大數據政策對企業研發投入的影響；第二組變量為企業收益（ROA，企業利潤總額與營業收入總額比值），刻畫大數據政策對企業收益的影響。

一方面，大數據政策帶來企業處理信息數據能力顯著提升，有助于信息不對稱問題、融資約束問題明顯緩解，進而增加企業研發投入；另一方面，大數據政策帶來融資約束改善，提高企業技術研發能力，提高企業技術創新產出和績效，增加企業收益水平，有助于企業全要素生產率提升。表8呈現了“研發投入”的機制識別實證檢驗結果。在列（1）中，DID的估計系數為正且高度顯著，大數據政策在很大程度上促進研發投入，即以《促進大數據發展行動綱要》政策所代表的大數據政策促進了企業研發投入。這說明，大數據政策可幫助企業實現更加豐富的信息搜集、解讀、分析，幫助企業緩解融資約束，增加企業創新投入，促進企業技術進步，提高技術創新的成功率。列（2）～（6）表明，R&D對TFP_OLS、TFP_FE、TFP_LP、TFP_OP、TFP_GMM的估計系數為正，且估計系數至少在通過5%的顯著性水平檢驗，表明了企業研發投入顯著促進了企業全要素生產率。也進一步說明大數據政策顯著促進了企業研發投入進而促進企業全要素生產率。大數據政策帶來大數據覆蓋范圍、使用深度以及創新能力的改善，將推動更高水平的市場有效性，而有效市場將產生具有導向性的信息，且以價格為主要形式，即“所有價格反映所有相關信息”。以證券市場和股票市場為例，大數據政策將帶來數字底層技術和場景應用，進而促進數字經濟發展，從而可使得弱式有效市場和半強式有效市場發揮重要功能，不僅可保證證券市場現行的價格反映所有過去價格和收益的一切信息，還保證股票價格反映過去和現在公開可獲得的信息，這必然形成均衡價格，促進資本等資源實現最優配置。即證券和股票市場的價格信號，還使得資本流向經濟體中各個產業的邊際收益趨同，達到總量均衡與結構均衡的最優配置狀態，進而將資本導向生產率較高的企業。因此，大數據政策促進數字經濟發展帶來市場有效性，使得市場價格反映所有相關信息，指導資本流動達到均衡的最優配置狀態，提高信息處理效率，進而促進資源配置效率，顯著提升企業全要素生產率。

本文進一步就大數據政策影響企業全要素生產率的企業收益機制進行了檢驗，具體檢驗結果如表9所示。實證結果發現，在列（1）中，DID的估計系數為正且高度顯著，大數據政策在很大程度上提高企業收益水平。融資約束緩解激勵了企業加大創新投入，可為企業創造更高水平的創新技術以及引致更高效的生態場景，使得研發投入的產出績效水平得以提升。列（2）～（6）表明，ROA對TFP_OLS、TFP_FE、TFP_LP、TFP_OP、TFP_GMM的估計系數為正，且估計系數至少通過1%的顯著性水平檢驗，表明了企業收益水平顯著促進了企業全要素生產率。大數據政策帶來企業數字化轉型，能夠在很大程度上降低信息不對稱程度，節約企業內部成本，增加企業創新投入和促進企業技術進步，提高企業全要素生產率，同時，大數據政策帶來數字化技術深度開拓和挖掘數據，助力企業進行跨行業的拓展，提高企業利潤率和企業價值。借力數字經濟發展，資源、客戶、技術等內容的銜接度顯著提升，企業生產借助“乘數效應”驅動進而實現企業價值提升。這種企業利潤的改善，必然會提升企業研發創新的活躍程度、積極程度，推動企業全要素生產率提升。此外，大數據政策帶來企業數字化轉型，在提升了信息處理能力、融資能力以及成本節約能力后，必然會在一定程度上提升企業經營的創新性和盈利性，也會對自身財務建制的完善提供基礎支撐，從而有助于提升財務穩定性，提高企業收益水平。投資者投資之后，部分投資者受到某種沖擊，這部分投資者希望在非流動性項目獲利之前獲得資金，這種風險也容易導致對低回報率流動項目的投資動機。但是，隨著大數據政策實施帶來數字經濟發展，將促進更加完備的股票市場，這部分投資者可以將其對非流動性項目生產技術利潤有求償權的股票通過股票市場轉售給他人，即通過股票市場轉售股票，而企業則可以永久地使用最初股東投資的資本，進而形成有效的長期資本投資，實現股票市場提供流動性風險分散機制。當越低的股票市場交易成本時，提供流動性風險分散能力越強，非流動性的高收益項目將得到越來越多的投資，增加企業收益，顯著改善企業全要素生產率。

七、不同屬性企業異質性檢驗

表10和表11顯示了不同企業所有制屬性下實證檢驗結果。在不同所有制企業中，無論是國有企業還是非國有企業，大數據政策都能夠顯著促進企業全要素生產率，但進一步對比DID系數（treat×post），發現非國有企業中treat×post估計系數明顯高于國有企業中treat×post估計系數，說明相比國有企業，數字經濟對非國有企業全要素生產率促進效應更強，特別是大數據政策帶來非國有企業數字化轉型更加明顯，由于非國有企業面臨更高更大的成本和競爭壓力，轉型動力較強，從而促進技術創新效果顯著，企業全要素生產率促進作用更強。

表12和表13顯示了不同企業科技屬性下實證檢驗結果。在不同科技密集型企業中，無論是科技密集型企業還是非科技密集型企業，大數據政策都能夠顯著促進企業全要素生產率，但進一步對比DID系數（treat×post），發現科技密集型企業中treat×post估計系數明顯高于非科技密集型企業中treat×post估計系數，說明相比非科技密集型企業，大數據政策對科技密集型企業企業全要素生產率促進效應更強，從而展現出了一定的差異化效果。

八、研究結論與政策啟示

為探究“大數據政策-企業全要素生產率”之間關系，從政策評估視角探討大數據政策對企業全要素生產率的影響，且依托企業是否進行大數據利用活動進行實驗組和對照組，并借助2007—2020年上市公司數據，實證檢驗大數據政策對企業全要素生產率的影響效應、機制和異質性問題，研究表明：大數據政策實施的確對企業全要素生產率具有顯著的促進作用。以上結果在進行了一系列遺漏變量處理和平行趨勢檢驗后保持穩健。機制分析顯示，大數據政策不僅提高了企業研發投入，也增加了企業收益，最終促進企業全要素生產率。進一步來看，無論國有企業還是非國有企業，無論科技密集型企業還是非科技密集型企業，大數據政策均能夠顯著促進企業全要素生產率；但大數據政策影響企業全要素生產率強度上存在不同企業“所有制屬性”“技術密集程度屬性”的差異。非國有企業與國有企業相比，在非國有企業中，大數據政策對企業全要素生產率的促進作用更強；科技密集型企業與非科技密集型企業相比，在科技密集型企業中，大數據政策對企業全要素生產率促進效果更為明顯。

本文具有以下重要的政策啟示：一是健全新型技術政策體系，夯實數字技術發展支撐基礎。在順應數字經濟發展浪潮下，要在牢牢把握數字經濟發展機遇的同時，應加快建立健全新一代信息通信技術政策體系，積極推動人工智能、區塊鏈、云計算和大數據等數字技術發展，并推動以大數據為核心的數字技術在企業生產、管理、檢驗、反饋等多個環節的應用，增加以大數據為核心的數字技術在各區域、各行業、各企業的覆蓋面積、提升以大數據為核心的數字技術創新能力，加快企業數字化轉型，著實推動企業高質量發展。二是要借力以大數據為核心的新型技術政策優勢，著力推動企業數字化轉型發展。一方面著力推動商業銀行數字化轉型，提升信息整合、歸類、甄別、評估、利用效率，增加企業資金可獲得性，提高信貸資金配置效率，增加企業研發投入。另一方面全面發揮財政、稅收、金融、基金等優勢，節約企業數字化投資交易成本，提高企業收益，增強其數字化轉型積極性，以此助力企業全要素生產率的提升。此外，著力建立健全大數據服務平臺機制，提高大數據服務行業、企業的效率，也要積極布局全域、局部大數據服務平臺和機構，增加服務數量和規模，提升大數據服務平臺和機構競爭力，扎扎實實服務企業數字化轉型，推動企業全要素生產率提升。三是考慮在不同所有制屬性企業和不同科技密集型程度企業中，大數據政策對企業全要素生產率的影響強度差異，預示著企業應該在遵循差異化、個性化發展原則的同時，也要增強企業內外部信息共享平臺的建設，提升信息共享水平，依托數字化技術實現企業內外部知識信息共享，促使知識、信息和經驗在不同所有制屬性企業和不同科技密集型程度企業傳遞和溢出，實現以大數據為核心的新型技術創新協同，以此助力企業全要素生產率的提升。

［參考文獻］

［1］武常岐，張昆賢，周欣雨，等.數字化轉型、競爭戰略選擇與企業高質量發展——基于機器學習與文本分析的證據［J］.經濟管理，2022（4）：5-22.

［2］張焱.數字經濟、溢出效應與全要素生產率提升［J］.貴州社會科學，2021（3）：139-145.

［3］徐芳芳.大數據驅動下的政府績效管理體系建設研究——基于“結構-過程-價值”理論模型［J］.當代經濟管理，2022（9）：64-71.

［4］謝謙，郭楊.數字技術、創新要素結構優化與企業全要素生產率［J］.北京師范大學學報（社會科學版），2022（6）：134-144.

［5］羅佳，張蛟蛟，李科.數字技術創新如何驅動制造業企業全要素生產率？——來自上市公司專利數據的證據［J］.財經研究，2023（2）：95-109.

［6］黃曉鳳，朱瀟玉，王金紅.人工智能提升了中國制造業企業的全要素生產率嗎［J］.財經科學，2023（1）：138-148.

［7］黃漫宇，王孝行.數字經濟、資源錯配與企業全要素生產率［J］.宏觀經濟研究，2022（12）：43-53.

［8］劉艷霞.數字經濟賦能企業高質量發展——基于企業全要素生產率的經驗證據［J］.改革，2022（9）：35-53.

［9］邱子迅，周亞虹.數字經濟發展與地區全要素生產率——基于國家級大數據綜合試驗區的分析［J］.財經研究，2021（7）：4-17.

［10］涂心語，嚴曉玲.數字化轉型、知識溢出與企業全要素生產率——來自制造業上市公司的經驗證據［J］.產業經濟研究，2022（2）：43-56.

［11］秦文晉，劉鑫鵬.網絡基礎設施建設對數字經濟發展的影響研究——基于“寬帶中國”試點政策的準自然實驗［J］.經濟問題探索，2022（3）：15-30.

［12］范合君，吳婷.新型數字基礎設施、數字化能力與全要素生產率［J］.經濟與管理研究，2022（1）：3-22.

［13］張微微，王曼青，王媛，等.區域數字經濟發展如何影響全要素生產率？——基于創新效率的中介檢驗分析［J］.中國軟科學，2023（1）：195-205.

［14］李治國，王杰.數字經濟發展、數據要素配置與制造業生產率提升［J］.經濟學家，2021（10）：41-50.

［15］郭豐，楊上廣，金環.數字經濟對企業全要素生產率的影響及其作用機制［J］.現代財經（天津財經大學學報），2022（9）：20-36.

［16］王軍，張毅，馬驍.數字經濟、資源錯配與全要素生產率［J］.財貿研究，2022（11）：10-26.

［17］郭吉濤，梁爽.數字經濟對中國全要素生產率的影響機理：提升效應還是抑制效果？［J］.南方經濟，2021（10）：9-27.

［18］楊慧梅，江璐.數字經濟、空間效應與全要素生產率［J］.統計研究，2021（4）：3-15.

［19］趙宸宇，王文春，李雪松.數字化轉型如何影響企業全要素生產率［J］.財貿經濟，2021（7）：114-129.

［20］史丹，孫光林.大數據發展對制造業企業全要素生產率的影響機理研究［J］.財貿經濟，2022（9）：85-100.

［21］王鑫，劉克春，曾經緯.大數據能力如何促進企業轉型升級——技術創新與商業模式創新的多重中介模型［J］.當代財經，2022（7）：76-86.

［22］何帆，劉紅霞.數字經濟視角下實體企業數字化變革的業績提升效應評估［J］.改革，2019（4）：137-148.

［23］杜傳忠，管海鋒.數字經濟與我國制造業出口技術復雜度——基于中介效應與門檻效應的檢驗［J］.南方經濟，2021（12）：1-20.

［24］康俊.數字經濟賦能企業成本管控的影響機制與實現路徑研究［J］.當代經濟管理，2023（2）：39-45.

［25］吳非，胡慧芷，林慧妍，等.企業數字化轉型與資本市場表現——來自股票流動性的經驗證據［J］.管理世界，2021（7）：130-144.

How?Big?Data?Policies?Affect?Enterprise?Total?Factor?Productivity

—Quasi?Natural?Experiments?from?the?Implementation?Outline

to?Promote?the?Development?of?Big?Data

Xie?Xianjun，?Yu?Junli

（School?of?Government?Management，?Peking?University，?Beijing?100871，?China）

Abstract：???The?development?of?the?digital?economy?has?greatly?promoted?the?technological?progress?of?enterprises.?This?article?explores?the?impact?of?big?data?policies?on?enterprise?total?factor?productivity?from?the?perspective?of?policy?evaluation，?and?divides?the?experimental?group?and?control?group?based?on?whether?the?enterprise?conducts?big?data?utilization?activities.?This?paper?also?empirically?tests?the?impact?of?big?data?policies?on?enterprise?total?factor?productivity?using?data?from?Ashare?listed?companies?in?Shanghai?and?Shenzhen?stock?markets?from?2007?to?2020.?Research?shows?that：?big?data?policies?have?indeed?significantly?promoted?enterprise?total?factor?productivity;??mechanism?analysis?shows?that?the?big?data?policy?not?only?increases?enterprise?R&D?investment，?but?also?increases?enterprise?revenue，?ultimately?promoting?enterprise?total?factor?productivity;?further，?big?data?policies?can?significantly?promote?total?factor?productivity?in?different?stateowned?and?nonstate?enterprises，?whether?they?are?technology?intensive?or?nontechnologyintensive;?however，?there?are?differences?in?the?intensity?of?the?impact?of?big?data?policies?on?total?factor?productivity?of?enterprises?among?enterprises?with?different?“ownership”?and?“technology?intensive?degree”.?Big?data?policies?have?a?stronger?promoting?effect?on?the?total?factor?productivity?of?nonstate?owned?enterprises?and?technology?intensive?enterprises.

Key?words：digital?economy;?big?data;?enterprise?total?factor?productivity

（責任編輯：李?萌）