數據要素參與對企業資本配置效率的影響研究

摘 要：數據要素在產業間的深度融合將深刻改變要素市場的運行機制與邏輯。文章實證考察數據要素參與對企業資本配置效率的影響及其作用機制。研究發現：數據要素參與對制造企業資本配置效率呈現出顯著的“U”型非線性影響，即當數據要素參與上升到適度階段，其對企業資本配置效率的影響才轉變為促進效應。進一步，僅從生產要素屬性看，無論是國內數據要素參與還是國外數據要素參與，兩者對企業資本配置效率的影響并無二致。機制檢驗表明，信息效應和資源效應是導致數據要素參與對企業資本配置效率產生“U”型影響的機制。其中，信息效應會同時影響“U”型關系的頂點和曲率，隨著信息不對稱程度增加，“U”型關系變強，并且頂點右移；而資源效應則影響“U”型關系的曲率，當企業融資約束程度較強時，“U”型關系變強。異質性分析發現，隨著企業所有制類型、企業生命周期、行業要素密集度和地區市場化程度的不同，數據要素參與對資本配置效率“U”型關系拐點呈現出顯著差異，民營企業、初創期企業、技術密集型行業、高市場化程度區域企業進入數據要素參與“適度區間”的閾值相對更低。

關鍵詞：數據要素參與 資本配置效率 信息效應 資源效應

DOI：10.19592/j.cnki.scje.412268

JEL分類號：D22， D24， O33" "中圖分類號：F272.3

文獻標識碼：A" "文章編號：1000 - 6249（2024）09 - 001 - 24

一、引 言

企業資本要素投入產出與配置效率是經濟增長方式轉變的關鍵所在（尹恒和張子堯，2021）。在不存在市場摩擦、政府干預等直接或間接扭曲的情形下，資本要素在不同生產效率企業間進行配置時，按照要素邊際產出價值等于邊際成本的原則才是最有效的。但是現實環境中，由于我國生產要素市場化改革進程滯后和資本市場競爭不充分的客觀存在（Brandt et al.，2013），資本要素的配置往往無法按照效率原則進行，特定企業依舊存在投資過度或者投資不足的現象，從而導致當前資本要素在異質性企業間的配置效率偏離最優資本配置效率狀態。有鑒于此，在現有環境中，如何緩解資本要素市場扭曲并提升企業資本配置效率，進而創造資本最大化價值也成為學界關注的焦點之一。

值得注意的是，隨著顛覆性數字技術的快速涌現和實踐應用，要素資源的邊界范疇得到進一步拓展，數據成為新的生產要素。2020年發布的《關于構建更加完善的要素市場化配置體制機制的意見》更是首次將數據列為五大核心生產要素，明確了數據成為新的戰略資源1。作為主導數字經濟發展的關鍵生產要素，數據要素參與如何影響企業資本配置效率？二者之間可能影響方向和內部機制是什么？數據要素參與是基于數字技術作為底層架構，鑒于數字技術明顯的企業間異質性（Autor et al.，2020），這種異質性是否也體現在數據要素參與對企業資本配置效率的影響中？回答這些問題，不僅有助于認識大規模數據要素的經濟效應，而且可以為理解數據要素參與如何影響宏觀經濟提供微觀解釋。

本文的邊際貢獻在于：第一，將數據要素參與納入制造業企業資本配置效率的分析框架，從非線性角度探討數據要素參與影響企業資本配置效率的傳導路徑，為深化認識數據要素參與和企業資本配置之間的關系提供支撐。第二，現有文獻大多考察了以數字技術作為底層架構的數字化應用對企業資本配置效率的影響效應，忽視了“他國”數據要素這一重要角色在微觀領域的資源配置貢獻，且無法有效展現出異質性制造企業中數據要素參與的“強度”差異。本文在微觀企業層面測度了各國數據要素的參與程度，定量分析了數據要素參與和制造業企業資本配置效率之間的非線性關系，并探求數據要素參與的“促進區間”及其變化趨勢，從而對全球化數據要素參與的微觀經濟效果研究形成有益補充。第三，從信息效應和資源效應的角度深入挖掘數據要素參與影響制造業企業資本配置效率的渠道，為理解數據要素參與和企業資本配置效率的關系提供了來自微觀層面更全面、更深入機制探討的參考；并進一步基于企業所有制性質、企業生命周期、行業要素密集度和地區市場化程度等異質性視角，分析數據要素參與對企業資本配置效率影響的差異化，為進一步推動我國制造業更好地利用數據要素參與助力企業提升資源配置效率提供參考依據。

二、文獻綜述

本文聚焦數據要素參與的企業資本配置效應，重點關注數據要素參與對企業資本配置效率的影響及其主要作用機制，相關文獻大致分為兩類：第一類文獻聚焦數據要素的經濟效應研究，為本文研究提供了理論依據；第二類文獻關注企業資本配置效率的影響因素研究，為本文研究提供了路徑思考。

（一）數據要素的經濟效應研究

數據要素已然成為當前深化發展的新型生產要素和核心引擎，盤活數據要素是發展數字經濟的關鍵核心。現有研究重點關注數據要素自身的“特性”和經濟效應。主要包括：一是在數據要素的特性方面，現有文獻大多認同當前數據要素和傳統生產要素在多維度上存在異質特性，包括非排他性、融合協同性等特質。非排他性是指市場中數據要素可以無限產生和供給、復制和使用、無限組合以及無限迭代（李海艦和趙麗，2023），這使得相同的數據要素能同時被兩個或多個市場主體“擁有”，打破了要素資源稀缺性制約，降低了數據相關產品的邊際成本；融合協同性是指數據要素嵌入實體經濟中的各類應用場景，通過“數據+算法”形式加速與勞動、資本等要素的協同耦合，形成精準、即時的網絡經濟效應（McAfee et al.，2012）。二是針對數據要素的經濟效應，在理論層面，現有文獻指出數據要素作為獨立生產要素進入生產函數后，通過賦能效應形成以“新化”的生產要素為基礎的新生產函數（Brynjolfsson and McElheran，2016），進而實現“舊化”生產要素重組升級、再配置與效率變革（Acemoglu and Restrepo，2019），通過乘數效應和網絡效應實現微觀產出的非線性增長（楊俊等，2022），進而在宏觀層面推進產業智能化和產業價值鏈的縱橫聚變（柏培文和張云，2021）。此外，對于技術使用強度高的企業，其更易形成“數據反饋循環”（Farboodi et al.，2018），有利于改善產品質量（Farboodi et al.，2019）。在定量研究層面，大多文獻基于數據要素與其他要素相結合視角，探討數據要素通過提高投入產出效率、協同創新能力等多種渠道發揮增值效應。例如，史丹和孫光林（2022）從制度條件與市場條件兩個方面構建大數據發展測度體系，實證發現大數據發展對制造業企業全要素生產率具有促進作用；張益豪和郭曉輝（2023）利用國家級大數據綜合試驗區作為大數據發展的政策變量也得出相同結論；張葉青等（2021）以中國上市公司數據為研究樣本，通過年報文本分析法揭示了大數據應用對企業市場價值的積極效應；王曉丹等（2024）利用數據交易平臺設立作為準自然實驗，實證檢驗了數據要素市場化配置對數字經濟與實體經濟融合的促進作用。雖然學者們對數據要素經濟效應的研究視角與研究樣本各不相同，但均得出大數據（數據要素）能夠對微觀主體產生正向效應的結論。

（二）企業資本配置效率的影響因素研究

近年來，國內外學者從數字金融（張宗新和張帥，2022）、數字化轉型（郭吉濤和王子晉，2023）、金融科技（Xu et al.，2021）、制造業產融結合（杜傳忠和金華旺，2021）和數字新基建（譚皓方和張守夫，2023）等視角分析了企業資本配置效率的影響因素，為推動企業要素資源配置變革提供了新思路。可見，隨著數字化進程從消費端延伸到產業端，學界對于企業資本配置效率的驅動因素研究也逐漸轉向關注“數字紅利”的賦能效應，主要討論了“數字紅利”對于拓寬傳統信貸融資途徑（高楊等，2022）、以信息生產減少資本流動摩擦（Lee et al.，2023）、優化人力資本結構（師博和胡西娟，2022）和緩解信息不對稱的融資約束（He et al.，2024）等積極影響。數字經濟時代，數據要素不同于一般化的數字信息，其本質是數字化信息中有效的數字信息，而有效信息的最關鍵作用是減少經濟活動中的不確定性，這有效突破了傳統經濟背景下資源配置中不完全信息和有限理性約束（武宵旭和任保平，2022），使得要素資源配置逐漸趨于“算法化”與“精準化”，將資本要素需求與供給通過大數據實現精準匹配，從而提高資本配置效率。然而，既有研究集中考察了人工智能、區塊鏈、云計算、大數據等數字技術應用對企業資本配置效率的影響效應，鮮有研究聚焦于企業層面數據要素參與程度、參與結構的影響，忽略了“他國”數據要素這一重要角色在微觀領域的資源配置貢獻。數字生產的“全球化”特征要求數據作為關鍵生產要素參與國際分工不只內含了國內數據要素，還包括國外來源的數據要素參與（張晴和于津平，2021）。本文從數據要素參與程度、國內外數據要素參與結構視角探尋企業資本配置效率的影響路徑，對現有企業資本配置效率的前因研究進行有益補充。

上述研究為數據要素參與對企業資本配置效率的影響效應提供了較為豐富的借鑒和啟發，但仍存在較大的拓展空間。一方面，目前關于數據要素的研究大多聚焦于在理論層面對經濟賦能的探究，相關實證分析大多聚焦于大數據、區塊鏈等具體數字技術單一應用層面對投入產出效率、協同創新能力等的影響，鮮有文獻在微觀層面將數據要素參與和企業資本配置效率納入統一分析框架，對于數據要素參與會對制造業企業資本配置效率產生怎樣的作用效果，其內在影響機制是什么，現有研究尚未給出明確的解答。另一方面，數字經濟及其相關數字化活動對企業資本配置效率影響效應鮮有從企業數據要素參與程度、國內外數據要素參與結構視角考察。鑒于此，本文探討了企業數據要素參與程度差異、參與結構差異對微觀企業資本配置效率可能存在的影響效應，并從企業特征差異、行業屬性差異和區域市場化差異進行異質性分析。

三、理論機制與研究假說

（一）數據要素參與對制造業資本資源配置效率的直接效應

制造業企業不斷增加數據要素在產品制造過程中的投入和產出比重，形成制造業和數據要素深度融合發展，通過優化生產組織形式、運營管理方式和商業模式，將有效提高制造業要素配置效率。數據要素對資本配置機制的重塑，既體現在新的資本要素供給領域，也體現在新的資本要素需求領域，將市場出清意義上的資本要素總供給和總需求及數量結構視為一種“算法”（武宵旭和任保平，2022），有助于改善企業資本配置效率。但在數據要素參與的初期階段，受數字化變革需長期系統性的資本要素擠占、數據要素參與風險而導致融資渠道較少、“脫實向虛”對實體經濟企業生存空間擠壓等因素，反而會有損于企業資本配置效率。因此，隨著數據要素參與程度上升到適度階段，對企業資本配置效率可能從消極影響轉變為積極影響。

一方面，在數據要素與制造企業的早期融合階段，囿于數據要素供給質量低、成本高，對數據要素的演變邏輯認知還不夠充足，容易陷入“數字化困境”，對企業資本配置效率產生負面影響。第一，數據要素參與降低了企業市場進入門檻，新企業的進入效應和在位企業的選擇效應可能加劇實體企業面臨的市場競爭，甚至擠出部分實體企業的生存空間（劉亦文等，2022）。例如，數字支付、物流運輸、電子商務、直播營銷等配套行業蓬勃發展改變了傳統的銷售模式，由線下模式逐漸轉變為轉售模式、平臺模式和混合模式，打破了傳統銷售模式中存在的產品地域限制和信息不對稱的壁壘，降低了市場交易摩擦，這也導致了實體企業發展速度緩慢，甚至門可羅雀，入不敷出。“脫實向虛”對實體經濟企業生存空間擠壓將直接影響金融市場中資本配置結構，大規模的資本要素由收益率低、周期長的制造企業流向高收益高風險的虛擬經濟，實體企業資本供給大幅度降低加劇了實體企業投資不足現象，進而降低企業資本配置效率。第二，數據要素的流通和匯集是以企業群和產業部門之間形成的網絡系統為基礎，依托節點之間數據交換和信息交流發揮作用，即數據要素在市場化條件下價值變現也遵循梅特卡夫法則，隨著網絡系統主體的數量增加而呈指數增長（杜傳忠和管海鋒，2021）。換言之，在大數據背景下，數據要素要積累到一定規模才能發揮更大的經濟效應，且隨著數據信息規模的不斷擴大形成規模的“數據池”，企業才能更好地實現生產邊際成本降低進而提高利潤。不難發現，基于數據要素的規模經濟、范圍經濟以及長尾經濟的特征，其發揮作用條件首先需要企業積累起一定規模的數據信息，但在制造企業數字化建設的初期階段，首先需要投資大量資金推動數字基礎設施以及數字管理系統建設，用以收集、篩選與分析企業在各生產經營環節中產生的數據要素，而數字基礎設施一大特點就是初期成本高昂，這將直接影響企業可用資金規模從而導致企業效率與投資規模下降，且數字基礎設施建設具有一定周期性，存在維護和更新資本需求，因此，企業可能出現非效率投資風險。第三，現階段，政府對數據安全和隱私保護高度重視，為避免數據流動過程中的安全風險，80%左右的數據資源目前主要集中在政府部門（閆桂勛等，2019），基礎性數據開放程度較小（梁正和李佳鈺，2021），大規模數據資源未能得到充分利用，這導致數據要素的供給能力受到制約，市場中企業主體也缺乏數據共享的動力與意愿，其最終結果是數據要素與資本要素投入呈非均衡發展態勢，此時，盲目追求提升制造業數據要素參與水平，可能對企業資本配置效率產生消極影響。

另一方面，隨著制造企業數字化變革發展逐漸成熟，數據要素參與對企業資本配置效率的負面作用逐步弱化，從“增量補充”和“存量優化”兩方面對制造業資本資源配置效率產生積極影響。第一，數據要素參與塑造了新的資本要素需求。一是憑借網絡平臺強大的數據要素整合能力，數字金融突破了傳統金融服務經濟發展的地理限制，數字金融平臺能吸納大量被排斥于正規金融體系之外規模較小且零散分布的“長尾投資者群體”，拓展金融機構的資金來源范圍，從而增加新的資本要素需求；二是依托數字金融+實體網點、“互聯網+金融”等新模式，為那些傳統金融產品難以覆蓋的人群提供了多樣化的金融產品和服務，“普惠性”和“草根性”金融產品和服務的需求者仍可匯集較大規模的資本要素市場份額。第二，數據要素參與塑造了新的資本要素供給。數字金融+實體網點、數字金融等新模式以其共享和低門檻的特征顯著改變了“臂彎”型金融供給曲線位置（王馨，2015），打破了傳統金融環境下長期存在的金融服務“二八定律”（萬佳彧等，2020），通過多樣化的金融產品和服務整合社會各類小額閑散資金，為經濟活動提供了金融支持“增量補充”，長期受到資金歧視的小微企業與創業主體，也能夠通過智能投顧、供應鏈金融等應用獲得所需資本要素供給。由此，數據要素參與引致資本要素供給克服了傳統金融的時空約束和“存量化”限制，使得資本要素的流動加快，很大程度提升了資本要素的供給質量。第三，數據要素參與通過補位傳統金融、深化虛擬經濟與實體經濟的融合重塑了資本要素配置路徑（武宵旭和任保平，2022）。首先，數據要素參與最大限度地拓展制造企業的外源融資渠道，降低融資費用，拓寬了小微企業或新進入企業的資本配置范圍，使得資本要素配置向普惠化轉變；其次，數據要素價值倍增效應促進了企業向“數智化”轉型，借助數字技術實現規模經濟和范圍經濟，進而提高資本彈性積累效率；與此同時，數據要素內嵌于資本配置機制中，降低企業融資過程中的信息不對稱，有效規避金融市場中逆向選擇和道德風險問題，提高資本配置效率。

基于以上分析，數據要素與制造業資本資源配置效率之間可能不是簡單的正向線性關系，而是存在非線性關系。企業中數據要素參與可以說存在一個量變的過程，只有達到一定規模才會產生質變的影響。隨著企業數據要素參與程度由量變階段上升到質變階段，數據要素參與對企業資本配置效率也從消極影響轉變為積極影響，最終呈現“U型”非線性關系。據此，本文提出待驗證的假說1：

假說1：數據要素參與和企業資本配置效率之間可能存在著“U”型非線性關系。

（二）實現機制：信息效應與資源效應

1.信息效應

企業與利益相關者之間關于企業未來經營狀態的信息不對稱，導致的道德風險和逆向選擇問題可能會影響市場的有效性，進而導致企業資本配置效率偏離最優水平。而數據要素的出現與使用，能最大程度地降低資金供求雙方以及企業內部各部門之間的信息不對稱程度，減少企業資本對市場摩擦調整成本，規避逆向選擇與道德風險問題（卜寒等，2023），這就是數據要素參與的信息效應。

信息不對稱能夠對數據要素參與和企業資本配置效率之間的非線性影響產生一定的調節作用。現實中，不同類型企業面臨的內外部信息不對稱程度是不同的，差異化的市場摩擦調整成本也影響了企業資本配置效率。當數據要素參與程度較低時，企業難以獲取到準確的市場信息，不完全信息容易使企業做出錯誤決策，導致資本要素配置效率下降。出現該結果的原因可能是：一是基于資本要素獲取視角，當前，我國金融市場的成熟度、金融機構基礎設施以及金融監管完善度不健全，尚未建立完善的信息系統和信用評估體系，市場上缺乏具有公信力和專業化的第三方認證機構，難以保證企業信用評級數據真實性和精準性（葉亞飛，2023），這限制了資本要素供給方的金融機構和外部投資者對于企業信息來源渠道的多樣性拓展，導致資本要素供求雙方存在嚴重的信息不對稱。在融資過程中時，經營前景差的低效率企業可能會偽裝成投資前景較好的企業，在企業數據參與程度較低時，資金供給方難以做出準確的預期和判斷，無法確保投資收益。二是基于企業資本要素配置視角，當企業數據要素參與程度較低時，企業獲得市場信息的成本極高，而且對信息的處理停留在原有使用紙質文件的低效模式中（肖靜華等，2015），企業很難對海量的信息進行匯總清洗并提取挖掘其中的有效信息，對于資本要素的配置是基于不完全信息和有限理性做出的，具有明顯的市場主體主觀判斷色彩，不確定風險和盲從性跟風使得企業資本配置存在效率降低的風險。

隨著數據要素參與程度的提升，可能在兩個方面降低企業的信息不對稱：一方面，在金融市場資本要素獲取中，數據要素參與改變了原本各個金融領域的資本市場分割狀態，有效降低了資本市場摩擦。例如：數據要素參與降低了金融機構識別客戶信用風險的信息成本，幫助金融市場更好地識別優質企業，促進資本要素流向高效率企業；數據要素參與改善了資本供求雙方的信貸資源錯配，緩解了信貸約束，創業企業和更多小微企業能夠更加公平公正地獲得資本要素，進而改善資本配置效率。另一方面，在資本要素配置過程中，數據要素參與能夠有效提取企業在“產品設計、質量監測、市場推廣、訂單銷售”等全流程中積累的全部數據信息，并將其清洗整合成結構化和標準化有效信息（吳非等，2021），企業可以充分利用這些有效信息達到資本要素配置的“算法化”與“精準化”，促進了資本配置效率的提高。相應地，在信息不對稱程度較低的企業中，數據要素參與可能會更早地引致資本配置效率提升，U型曲線臨界值更早出現；信息不對稱程度較高的企業則需要更高的數據要素參與程度，會推遲U型曲線拐點的出現。此外，對于信息不對稱程度較高的企業，數據要素參與引致的企業資本配置效率的邊際效應會更強，在圖形上會使得曲線更加陡峭。

2.資源效應

在資本資源有限且稀缺的情形下，在體制性主從次序的信貸分配和銀行軟預算約束的共同影響下，“非市場化”的資本配置方式導致非國有企業面臨嚴重的融資歧視。而數據要素則打破了投融資雙方之間的“信息壁壘”，投資方可以從多種渠道獲取融資企業其他“軟”信息，部分消除融資歧視，為企業提供豐富的融資渠道與方式，增強企業資本資源獲取能力。資源效應可分為直接效應和間接效應，直接效應就是企業通過數據要素參與更加容易進入資本市場獲取資本資源；而間接效應就是企業通過數據要素對企業資本投入和其他生產要素投入更好地組合、匹配與使用，降低資本要素與其他投入的偏離度，提高資本配置效率。

近些年來，大國博弈、逆全球化思潮抬頭以及全球性新冠肺炎疫情等因素加大企業外部環境不確定性。與此同時，國內經濟也面臨著需求收縮、供給沖擊、預期轉弱三重壓力，增加了市場主體受困的風險，進一步加劇了企業面臨的融資約束問題。當數據要素參與程度較低時，囿于數據要素的成本效應與收益時滯性特征，難以向市場傳遞關于企業的積極信號。當前我國還未形成完全以市場為主導的資源配置體系，大量稀缺資源和行政審批權依舊由政府掌控（于蔚等，2012），這勢必導致資源分配難以向數據要素參與程度低的企業傾斜，不利于企業資源獲取。與此同時，數據要素參與程度較低也不利于企業及時了解和把握政府相關政策，在漸進式變革過程中容易遭遇政策性不確定風險，難以形成資本有效配置的環境，不利于企業資本配置效率的提升。

隨著數據要素參與程度的提升，數據要素參與改變了傳統微觀主體與金融機構之間的信貸方式，有效緩解企業面臨的資本供給問題。一是數據要素參與降低資金需求雙方的交易成本和時間成本，例如，手機銀行、移動支付、網絡借貸等金融產品出現，促進資本要素供求主體不斷向縱深處發展，突破傳統融資中物理網點的地域約束（Ozili，2018），大幅度降低雙方信息搜尋和契約簽訂等外部交易成本，進而有效緩解融資約束。二是數據要素參與有效拓寬了資本流通渠道，進一步弱化初創期和成長期企業的外部融資渠道欠缺的影響（Dickinson，2011），提高了資本獲取的可得性，更大程度地滿足了企業融資需求。相應地，對于資本獲取能力較弱的企業，數據要素參與引致的企業資本配置效率的邊際效應會更強，在圖形上會使得曲線更加陡峭；對于資本獲取能力較強的企業，數據要素參與帶來的資本配置效率的邊際效應也相對較低。

鑒于此，本文提出假說2：

假說2：信息效應和資源效應是導致數據要素參與對企業資本配置效率“U”型非線性效應的影響機制。

四、計量模型設定與數據說明

（一）基準回歸模型

為從實證上驗證制造企業數據要素參與對企業資本配置效率非線性關系的影響，基于研究假說，計量模型構建如下：

[Investit=β0+β1Dparit?1+β2Dpar2it?1+αXit+θt+μi+εit] （1）

其中，被解釋變量[Investit]為企業i的資本配置效率，數值越大，表示企業資本配置效率越高。核心解釋變量[Dparit?1]為t-1年企業i的數據要素參與，[Dpar2it?1]為核心解釋變量的平方項。Invest和Dpar的測算方法見下文。[Xit]為控制變量合集，[θt]為時間固定效應，[μi]為企業固定效應，[εit]為殘差項。鑒于數據要素參與對企業資本配置效率可能存在一定的傳導時滯，本文進一步將核心解釋變量滯后1期，也在一定程度上削弱可能存在的內生性問題。

為了從統計上檢驗制造企業的數據要素參與和企業資本配置效率的“U”型關系的存在性，本文借鑒Fernhaber and Patel（2012）提出的檢驗“U”型關系的三個步驟：①計量模型中企業數據要素參與的二次項系數[β2]顯著不為0，并且[β2]為正。②核心解釋變量數據要素參與的左右端點處的斜率顯著不為0（端點處是陡峭的），且同時滿足左端點（[DparL]）的斜率顯著為負（[β1+2β2×DparLlt;0]且顯著）、右端點（[DparH]）的斜率顯著為正（[β1+2β2×DparHgt;0]且顯著）。③頂點的橫坐標需要位于Dpar的可取數值范圍內，如果左右端點均處于頂點的置信區間外，并且頂點的95%置信區間均在企業數據要素參與的可取數值范圍內，則認為存在“U”型關系存在。同時滿足上述三個步驟才能更好地驗證制造企業的數據要素參與和企業資本配置效率之間“U”型關系的存在。

為檢驗制造企業的數據要素參與和企業資本配置效率之間“U”型關系的背后潛在機制，我們參考何祚宇等（2023）的處理思路，從曲線頂點移動和曲率兩種不同的調節類型，識別出機制變量（M）如何影響企業的數據要素參與和企業資本配置效率之間的非線性關系，驗證“U”型關系的影響機制模型如下：

[Investit=β0+β1Dparit?1+β2Dpar2it?1+β3Dparit?1×M+β4Dpar2it?1×M+β5×M+αXit+θt+μi+εit] （2）

其中M為影響企業的數據要素參與和企業資本配置效率之間的非線性關系的調節變量。現有文獻指出，可以從機制變量M是否會對曲線的頂點移動、曲率變化存在影響，或者同時存在兩種影響，據此判斷機制變量是否對“U”型關系產生影響。對于M是否會影響曲線的頂點移動的檢驗：曲線頂點的橫坐標為[Dpar?=?β1?β3M2β2+2β4M]，判斷標準是將[?Dpar??M=β1β4?β2β32（β2+β4M）2]作為整體，如果顯著不為0，說明機制變量（M）對頂點產生了顯著影響。此外，如果[β1β4?β2β3gt;0]，那么頂點橫坐標的值[Dpar?]會隨著機制變量（M）的增大而提高，表現為曲線頂點（拐點）向右移動，即M的提升抑制了企業數據要素參與對資本配置效率的正向影響；如果[β1β4?β2β3lt;0]，那么頂點橫坐標的值[Dpar?]會隨著M的增大而降低，頂點向左移動，即企業的數據要素參與降低了M對企業資本配置效率的負向影響。對于機制變量M是否會影響曲線的曲率變動的判斷標準：檢驗二次項與調節變量（M）的交互項系數[β4]是否顯著為0，如果顯著不為0，那么曲率將發生變化。此外，如果[β4gt;0]，那么隨著M的增大，企業數據要素參與對企業資本配置效率之間的非線性關系變得更強，曲率變得更加陡峭；如果[β4lt;0]，那么隨著M的增大，企業數據要素參與對企業資本配置效率之間的非線性關系變得更弱，曲率變得更加平坦。

（二）指標測算

1.核心解釋變量：企業數據要素參與（Dpar）

數據要素的概念和范圍界定是本文測度企業數據要素參與程度的基礎。數據要素是指以電子方式記錄且參與到企業生產經營，并為使用者和所有者帶來收益的數據資源。楊艷等（2023）指出數據要素是源自數字化的現實信息，本質為直接服務經濟的一般數字化信息。可以發現，數據要素的定位最終落腳于投入經濟活動生產的數字化要素資源的價值釋放。本文沿用上述數據要素概念，參照許和連等（2017）、Goldsmith-Pinkham et al.（2020）在投入—產出框架下對企業數字化要素資源投入的測算方法，利用OECD投入產出數據，運用完全消耗系數和直接消耗系數來刻畫企業數字化要素資源投入水平。具體地，借鑒陳斌和何思思（2023）對數字化部門的劃分（見表1），通過份額移動法計算各國數字要素對中國制造企業的滲透狀況，并將其作為企業數據要素參與的衡量指標，具體地，計算各個國家數字化部門對中國各制造業部門的直接消耗系數。其中，互聯網批發與零售是指批發貿易（G-46）和零售貿易（G-47）中僅有部分內容為數字化活動，借鑒張晴和于津平（2021）的方法，引入全球電子商務產業規模占零售批發業產業規模的比重作為拆分系數，從中拆分出數字化活動。其次，將OECD使用的國際標準行業分類與國民經濟分類標準進行匹配，得到行業層面對數字要素的直接消耗系數。對于企業層面的數據要素消耗測算，本文借鑒張晴和于津平（2021）的處理思路，用企業人均資本存量的特征變量來體現企業異質性，估算企業層面的數據要素消耗，公式為：[Dparit=（pcait/pcajt）Dparjt]，其中[pcait]為企業的人均資本存量水平，[pcajt]為各行業人均資本存量的平均值，[Dparjt]為行業層面的數據要素直接消耗系數。同時，本文后續在穩健性檢驗中引入通過完全消耗系數計算的企業數據要素參與（Dpar2）。

2.被解釋變量：企業資本配置效率（Invest）

現有文獻基于微觀層面測算資本配置效率的方法主要有三種：一是參考Richardson（2006）的方法，通過測算企業當前的資本配置水平與最優狀態的資本配置之間的偏差，以企業投資效率表征（倪婷婷和王躍堂，2022；曹杰和劉娟，2021）；二是參考Petrin and Sivadasan（2013）、徐舒等（2020）的做法，通過分解總體生產率增長測度企業層面資本或勞動單個生產要素配置效率（趙燦和劉啟仁，2022）；三是從要素錯配視角反向衡量要素配置效率，主流測度方法是基于Hsieh and Klenow（2009）構造的壟斷競爭模型，通過構造資本和勞動要素的“價格扭曲稅”以衡量要素錯配，強調要素市場扭曲是資源無法實現最優配置的重要因素，從而以要素市場扭曲表征要素實際配置與最優配置之間的差距。本文計量檢驗中主要采用第一種方法計算的企業層面資本配置效率，第二、三種方法測算的資本配置效率主要用作穩健性檢驗。

以Richardson（2006）的方法，參考倪婷婷和王躍堂（2022）計算企業投資效率公式如下：

[Investit=α0+α1Growt?it?1+α2Levit?1+α3Roait?1+α4Ageit?1+α5Sizeit?1+" " " " " " " " " α6Investit?1+?j+θt+εit] （3）

其中，[Investit]為企業i在t年的固定資產投資，采用固定資產原價占期初資產總額的比重衡量；[Growthit?1]為企業i在t-1年的主營業務收入增長率；[Levit?1]為企業i在t-1年的資產負債率；[Roait?1]為企業i在t-1年的總資產收益率；[Ageit?1]為企業i在t-1年的年齡；[Sizeit?1]為企業i在t-1年的總資產規模，[Investit?1]為企業i在t-1年的固定資產投資。[?j]和[θt]分別為行業固定與時間固定。式（3）計算的殘差大于0，表明企業過度投資，[Invest]的取值等于殘差；當殘差小于0，表明企業存在投資不足，此時[Invest]取值為0，數值越大，表明企業非效率投資越高，資本配置效率越低。為更加符合資本配置效率邏輯關系描述，規避負向回歸系數可能會在描述數據要素參與和企業資本配置效率關系時造成不必要的混亂，本文進一步取負數。

3.控制變量

參考現有文獻做法（曹杰和劉娟，2021），本文控制變量設定如下：企業年齡（Ln_Age），續存年份取對數表示；企業規模（Ln_Size），采用企業總資產的對數值；企業人均資本量（KpL），采用固定資產凈值年平均余額與企業全部從業人員年平均人數的比值表示；資產負債率（Lev），為總負債占總資產的比重；總資產收益率（ROA），為本年度的凈利潤與上年總資產比值。表2為主要變量統計性描述。

（三）數據說明

本文選取2000—2013年中國工業企業數據為研究樣本。第一組數據為2016年WIOD數據庫。將OECD使用的國際標準行業分類（ISIC Rev4. 0）與國民經濟分類標準（GB/T4754—2002）進行匹配，計算各個國家數字化部門對中國各制造業部門的數據要素直接消耗系數。其中，對批發貿易（G-46）、零售貿易（G-47）中數據要素參與的拆分系數數據來自聯合國貿發會議的《電子商務發展報告》。第二組數據為中國工業企業數據庫，參考聶輝華等（2012）的處理辦法：（1）剔除數據庫中負債、總資產、固定資產、應收賬款、存貨以及折舊不符合一般會計準則的觀測值以及員工人數少于８人的觀測值。（2）剔除重要變量缺失樣本。（3）為了減緩樣本異常值與極端值，對連續型變量進行1%和99%的縮尾處理。

五、實證分析

（一）基準回歸

根據式（1）基準回歸模型的設定，本文檢驗中國制造業數據要素參與對企業資本配置效率的影響效應，估計結果見表3。其中，第（1）列僅控制了企業數據要素參與、企業數據要素參與的平方項以及企業固定效應；第（2）列控制了時間固定效應；第（3）列進一步加入控制變量合集。由表3可知，數據要素參與對主體企業資本配置效率存在顯著的“U”型影響。進一步檢驗這種“U”型非線性關系是否存在，我們借鑒Lind and Mehlum（2010）的處理思路，通過下述三個步驟進行論證：①第（1）—（3）列中數據要素參與的二次項系數[β2]均顯著不為0，并且均大于0。②將第（1）—（3）列中的估計系數分別代入核心解釋變量左右端點處的斜率，可以發現，左端點（[DparL]）的斜率均顯著為負（[β1+2β2×DparLlt;0]），右端點（[DparH]）的斜率均顯著為正（[β1+2β2×DparHgt;0]且顯著），即左右端點處的斜率值均明顯不為0，符合“U”型特征。③第（1）—（3）列中[β1]系數均顯著不為0，而且頂點（拐點）的橫坐標值分別為0.0435、0.0639和0.0523，均處于企業數據要素參與（[Dparit?1]）區間范圍（0.000045，0.1207）之間。進一步地，可以發現每一列中的頂點95%的置信區間也均位于企業數據要素參與上下界區間范圍內，并且企業數據要素參與的左右端點即上下界均在頂點的置信區間之外。綜上來說，我們的模型驗證通過三個步驟，嚴謹地證實了企業的數據要素參與和企業資本配置效率之間“U”型關系的存在。

上述結果初步說明，企業的數據要素參與總體上對企業資本配置效率具有顯著的“U”型影響，這也正如理論分析所指出的，企業的數據要素參與存在一個量變的過程，只有達到一定規模才會產生質變的影響。在變化過程中，對資本配置效率的影響也存在差異。當企業的數據要素參與很低時，企業的資本往往用以建設數據收集、篩選與分析的軟硬件設施，這將導致企業可用資金減少從而效率投資規模下降，而且數字基礎設施建設具有一定周期性與風險性，企業可能因此出現非效率投資風險，不利于企業資本配置效率提升。隨著企業的數據要素參與的提高，當數據要素參與逐漸向頂點靠近時，企業數字化設施逐漸趨于完善，制造業和數據要素深度融合發展，從“增量補充”和“存量優化”兩方面提高制造業資本資源配置效率。

此外，考慮到數據要素不僅具有“全球化”特征，還具有國家屬性特征。本文進一步將核心解釋變量數據要素參與拆分為本國數據要素參與（[Dparit?1]_D）和他國數據要素參與（[Dparit?1]_F），并分別對被解釋變量進行效應檢驗，具體結果見表4。其中，第（1）、（2）列可以看出，本國數據要素參與對企業資本配置效率存在顯著的“U”型非線性影響，采用上文三個步驟來進行論證后這種“U”型關系依舊存在。第（3）、（4）列可以看出，他國數據要素參與對企業資本配置效率也存在顯著的“U”型非線性影響，論證后這種非線性關系依舊存在。換句話說，僅僅從生產要素屬性看，無論是國內還是國外數據要素的參與，兩者對企業資本配置效率的影響并無二致。

（二）穩健性檢驗

1.延長觀測窗口

考慮到數據要素參與對企業資本配置效率可能存在滯后性的影響效應，本文在基礎回歸模型核心解釋變量一階滯后的基礎上，進一步延長了數據要素參與影響企業資本配置效率的時間考察窗口，在表5第（1）、（2）列中，將核心解釋變量數據要素參與進行滯后2、3期處理。可以看出，第（1）列中數據要素參與滯后2階、數據要素參與滯后2階平方項的回歸系數均通過了1%的統計顯著性檢驗。第（2）列數據要素參與滯后3階、數據要素參與滯后3階平方項的估計系數顯著。兩條U型曲線的拐點分別為0.0256和0.0275，均落在本文樣本核心解釋變量區間之內。上述分析表明，在進一步延長觀測窗口后，數據要素參與和企業資本配置效率之間“U”型關系的結論仍然成立。

2. 替換被解釋變量

本文采用以下兩種方式更換被解釋變量對基準回歸進行重新估計。（1）參考Petrin and Sivadasan（2013）、徐舒等（2020），利用現實中生產要素邊際產出價值與邊際成本的差距的絕對值表示要素配置效率，數值越大表示企業的邊際資本產出價值和邊際資本投入匹配程度越低，企業資本配置效率越低。為降低數值離散度以及符合資本配置效率邏輯關系描述，進一步取對數并取負數，具體計算公式為：[Invest1it=?ln |VMPKit?MCKit|]，其中，[VMPKit]表示企業邊際資本產出價值，[MCKit]表示企業資本邊際成本。對于企業資本邊際成本測算，參考趙燦和劉啟仁（2022），用財務費用與負債的比值衡量。對于企業邊際資本產出價值的測算，參考徐舒等（2020）的處理方式，假定企業生產函數為柯布道格拉斯形式，利用企業產出值、勞動要素、資本要素和中間投入等進行生產函數估計。（2）參考Hsieh and Klenow（2009），通過資本要素扭曲稅以衡量資本要素市場扭曲的程度，具體計算公式為：[ distkij=1+τkij=aj1?aj×ωijLijRijkij]，下標i、j分別為企業和行業，[τkij]表示j行業內企業i的資本要素的扭曲狀況；[aj]表示j行業的資本產出份額；[ωij]、[Rij]分別為企業勞動、資本的市場價格；[Lij]、[kij]分別為企業所投入的勞動、資本數量。對于上述變量測算，參考陳經偉和姜能鵬（2020），[aj]采用行業的勞動報酬與該行業工業增加值減去主營業務及稅收差值的比值來衡量，[ωij]采用企業當年應付工資總額與應付福利費的和來衡量，[Rij]采用企業利息支出占負債合計的比值來衡量。上述計算的資本要素市場扭曲稅數值越小，則表明資本要素配置越優，為符合邏輯關系描述，進一步取負數，具體計算公式為：[Invest2=?distkij]。兩種方法估計的企業資本配置效率如表5第（3）、（4）列所示。可以發現，不論采取何種方式測算的資本配置效率，數據要素參與和企業資本配置效率之間“U”型關系的結論依然成立，進一步表明基準回歸結論的穩健性。

3.替換核心解釋變量

企業的數據要素參與不僅有外顯的參與，還包括通過其他產業間的相互作用而產生的隱匿的參與，考慮到制造業各中間投入結構特征，故本文采用完全消耗的數據要素對核心解釋變量替換，來衡量制造企業中數據要素的參與程度相對指標，以揭示本國各個制造部門中來自各國數字化部門直接和間接的數據要素參與的影響。表5中第（5）列的替換核心解釋變量結果表明，替換后數據要素參與的一次項和平方項估計系數的符號與顯著性未發生根本性變化，簡而言之，替換核心解釋變量后，數據要素參與和企業資本配置效率之間“U”型關系的結論仍然得到支持，不改變本文的基本結論。

（三）內生性檢驗

上述通過基準回歸和穩健性檢驗基本證明了數據要素參與和企業資本配置效率之間“U”型關系，但該結論可能存在由遺漏變量、樣本選擇偏誤、互為因果而導致的潛在的內生性挑戰。本文采用以下三種方法處理可能存在內生性問題：（1）采用多維聯合固定以解決可能存在遺漏變量而導致的內生性問題。（2）采用傾向得分匹配（PSM）法以解決可能存在的樣本選擇問題而產生的內生性問題。（3）采用工具變量法以解決因反向因果所致的內生性問題。

1.多維聯合固定模型

在現實生活中，企業常常面臨來自地區、行業等多維度隨時變和不隨時變的沖擊，為盡可能削弱潛在遺漏變量導致模型估計結果的偏誤。本文控制了行業、省份、省份×時間以及省份×行業的多維聯合固定效應。表6第（1）列顯示，企業數據要素參與的一次項系數顯著為負，平方項系數顯著為正，企業的數據要素參與和企業資本配置效率之間“U”型關系的結論仍然成立，進一步表明基準回歸結論的穩健性。

2.傾向得分匹配（PSM）法

數據要素參與和企業資本配置效率之間“U”型關系可能受到拐點左右兩側樣本選擇非隨機性的影響，為解決非隨機選擇導致的偏差，本文采用PSM法，參考胡海峰等（2020），以數據要素參與是否超過“U”型關系拐點作為匹配標準，拐點右側的企業設為實驗組，并與位于“U”型關系拐點左側的企業進行匹配。具有相同財務特征和經營狀況，且在當年數據要素參與程度位于拐點左側的樣本作為對照組，PSM 的估計結果如表6第（2）列所示。結果表明，在考慮潛在的選擇性偏誤影響后，數據要素參與和企業資本配置效率之間“U”型關系的結論仍然顯著成立。

3.工具變量法

考慮到其他控制變量與企業數據要素參與之間可能存在的反向因果關系，本文參考張晴和于津平（2021）的方法，選擇印度制造業對各個國家的數據要素直接消耗系數作為中國制造業數據要素參與的工具變量。原因在于：中國與印度作為世界上最大的兩個發展中國家與相鄰的亞洲國家，兩國在數字化進程與改革政策呈現互相借鑒、互相影響態勢，市場總體規模和服務保護特征等方面近似，這也就使得工具變量滿足相關性要求；同時，各國對印度的數據要素投入對中國制造企業的影響微乎其微，符合工具變量的外生性要求。兩階段最小二乘法估計結果展示于表6的第（3）—（5）列，第（3）列和第（4）列為工具變量一階段回歸結果，顯示工具變量的一次項和平方項系數均在1%水平上通過了顯著性檢驗，第（5）列為工具變量第二階段回歸結果，結果表明企業數據要素參與的一次項系數顯著為負，平方項系數顯著為正，即克服可能存在的內生性問題后，企業的數據要素參與和企業非效率投資之間“U”型關系依然穩健。此外，弱工具變量檢驗Kleibergen-Paap rk Wald F統計量為33.120，Kleibergen-Paap rk LM檢驗LM值為64.484，P值為0，通過了弱工具變量檢驗和工具變量識別不足檢驗，說明工具變量合理有效。

六、機制檢驗與異質性分析

（一）機制檢驗

根據上文基準回歸結果，可以發現企業的數據要素參與和企業資本配置效率之間呈現顯著的“U”型非線性影響。依據理論機制分析，我們認為導致這種“U”型非線性影響的機制可能是數據要素參與帶來的信息效應和資源效應。為從統計上識別和驗證信息效應和資源效應這兩種機制，將根據式（2）來檢驗并理清影響機制的作用效果。

1.信息效應

為了驗證信息效應機制，我們參照Hutton et al.（2009）的做法，采用累積操縱應計來衡量企業的信息不對稱程度，具體公式為：

[TAitAit?1=α0+α11Ait?1+α2ΔREVitAit?1+α3PPEitAit?1+εit" " ] （4）

其中，[TAit]企業i在t年的期末總應計盈余，采用當年期末營業利潤減去主營業務成本衡量；[Ait?1]代表企業i在t年的期末總資產；[ΔREVit]代表企業i在t年和t-1年期末主營業務收入變動；[PPEit]代表企業i在t年期末固定資產；[εit]為殘差項。對模型（4）進行回歸，可以得出企業的可操縱應計（殘差項估計值的絕對值），該指標值越大，說明該企業信息不對稱程度越高。進一步地，采用式（2）對信息效應機制進行檢驗，其中，M為t年i企業的信息不對稱程度。由回歸結果可知（表7第（1）列）：①頂點檢驗的P值為0.000，拒絕原假設，表明頂點位置發生了顯著變化。進一步地，由于[β1β4?β2β3]的值顯著大于0，說明隨著信息不對稱程度的提高，曲線的頂點（拐點）向右移動，這表明信息不對稱程度增加會提升數據要素參與對企業資本配置效率的負向效應，降低數據要素參與對企業資本配置效率的正向效應。在信息不對稱程度更高的企業，需要較高程度的數據要素參與才會跨過“U”型曲線拐點，對企業的資本配置效率產生正向影響。②[β4]回歸系數顯著并且[β4]gt;0，表明信息不對稱程度的提高會強化數據要素參與對企業資本配置效率的非線性效應，導致“U”型曲線的曲率變得更為陡峭。由此可見，信息不對稱程度能夠顯著改變“U”型曲線的頂點和曲率，是影響數據要素參與對企業資本配置效率的“U”型非線性關系的重要機制。

具體來說，一方面，隨著企業信息不對稱程度的不斷增加，數據要素參與需達到更高的水平才會提高企業資本配置效率，表明信息不對稱程度會推遲數據要素參與對企業資本配置效率影響的“U”型曲線拐點的出現。這是因為由于企業與投資者或者企業內部部門之間的信息不對稱，容易產生逆向選擇問題而增加了資本市場的信息摩擦與流動成本，金融中介難以有效地向資本市場主體傳遞投資機會的質量（李萬福等，2011）。企業即使有良好的投資機會，也會因為市場摩擦過大、市場信號扭曲的系統性風險導致無法以合理的融資成本籌集到足夠的資本要素，這需要企業提高數據要素參與程度以克服主體之間的“信息不對稱”問題。另一方面，回歸結果表明，隨著企業信息不對稱程度的提高，數據要素參與對中國制造企業資本配置效率的非線性影響更大，導致“U”型曲線的曲率變得更為陡峭。這說明當企業信息不對稱程度較低時，企業與投資者或者企業內部部門之間的交流溝通有效地促進信息流動，降低了信息搜尋成本、資金融通成本以及資本供需雙方的不確定性，數據要素參與的信息傳遞效應能夠發揮的作用相對有限，此時企業可能沒有足夠的激勵提高數據要素作為中間投入的比例，此時，數據要素參與對中國制造企業資本配置效率的非線性影響相對較小，曲率也較為平坦。然而當企業信息不對稱程度較高時，數據要素參與有效降低資本要素供需之間信息不對稱，提高了企業與投資者或者企業內部部門之間的關系互動程度，拓寬信息獲取的途徑，能夠更好地促進產業鏈上信息流與資金流的聯動。與此同時，數據要素參與減少信息傳遞失真，有效提高企業資本要素配置效率。

2.資源效應

為了驗證資源效應機制，我們參照余明桂等（2019）的做法，采用利息支出占負債的比例來衡量企業的融資約束。進一步地，采用式（2）對資源效應機制進行檢驗，其中，M為t年i企業的融資約束程度。由回歸結果可知（表7第（2）列）：①頂點檢驗的P值為0.2481，沒有拒絕原假設，表明頂點沒有發生變化。②[β4]回歸系數顯著并且[β4]gt;0，表明融資約束程度的提高會強化數據要素參與對企業資本配置效率的非線性效應，導致“U”型曲線的曲率變得更為陡峭，是影響數據要素參與和企業資本配置“U”型關系的重要機制。具體來說，當融資約束程度較低時，數據要素參與對企業資本配置效率“U”型非線性效應較小，曲率也相對更為平坦；當融資約束程度較高時，數據要素參與對企業資本配置效率的“U”型效應較大，曲率也相對更為陡峭，即受融資約束更強企業的資本要素配置行為對企業活動中數據要素參與更敏感。

具體來說，當企業融資約束程度較低時，數據要素參與對企業資本配置效率的“U”型非線性影響會變小，曲率也會變得更為平坦。當企業面臨不穩定的融資來源或融資約束程度較高時，由于資本要素籌集難度，企業資本獲取主要依賴于內源性融資，這勢必使得企業面臨更嚴重的金融資產侵占與擠壓問題，造成企業可流動資本捉襟見肘，在此情況下，企業在資本運用方面會受到更為嚴格的控制，不會輕易將有限的資本用于投資活動，難以獲得投資回報（劉井建等，2022）。此時企業更有意愿采取差異化的數字化策略，提高數據要素投入以減輕企業面臨的資本配置摩擦及內外信息不對稱，通過緩解融資約束提高資本供需的匹配度，能夠提升預期回報。

（二）異質性分析

在中國體制背景下，所有制類型差異對企業資源配置行為具有重要的影響（Liu and Qiu，2016）。與此同時，企業處于不同的生命周期階段、不同的行業要素密集度，以及企業處于市場化程度不同的區域，不僅會影響企業數據要素參與，而且也會影響企業對資本要素的配置效率。那么，在不同所有制類型、不同的生命周期階段、不同的行業要素密集度和不同市場化程度下，企業數據要素參與又將如何影響制造企業的資本配置效率呢？本部分旨在回應這些問題。

1.企業所有制異質性

在不同所有制類型情形下，本文根據數據庫中企業的注冊登記類型，將企業分為國有企業、外資企業和民營企業三種類型，回歸結果見表8第（1）—（3）列所示。結果表明：企業數據要素參與的回歸系數均顯著為負，平方項回歸系數均顯著為正，即國有企業、外資企業和民營企業均明顯受到企業數據要素參與的影響，而且企業數據要素參與對所有企業資本配置效率均具有顯著的先下降后上升的“U”型非線性效應。進一步根據二次方程的特征簡單計算了頂點值，國有企業拐點的橫坐標為0.0548；民營企業拐點的橫坐標為0.0523；外資企業拐點的橫坐標為0.0589，對比可知，民營企業拐點出現最早，國有企業次之，外資企業拐點出現晚于國有企業和民營企業，該結果表明，數據要素參與不斷提高時，民營企業會更早到達拐點值，數據要素參與會更早地提高民營企業資本配置效率，而國有企業和外資企業在更高的數據要素參與下才能達到拐點值。

具體而言，民營企業對外部環境的變化更為敏感，具有較強活力和創造力，更容易把握機遇實施數字化活動，當數據要素參與提升時，有效緩解企業的信息不對稱，降低企業的投資不足或非效率投資，而且，數據要素參與提升有利于民營企業向外界釋放出積極信號，增強了投資者信心，緩解融資約束，提高資本配置效率；國有企業擁有來自政府的隱性保護，基于政策優勢和資源優勢，具有穩定的市場和融資環境，內部改善企業資源配置效率的動力不足；外資企業自身雄厚的資金實力所形成的資本成本優勢，在一定程度上弱化了數據要素參與對資本配置的影響。

2.企業生命周期異質性

由于處于不同生命周期階段的企業在戰略選擇、數字化變革等方面存在差異，因此對數字要素的需求也不同。本文參考張雙龍等（2022）的做法，根據企業年齡將企業生命周期劃分為初創期（1—6年）、成長期（7—11年）和成熟期（12年及以上）三個階段分別進行回歸，結果見表8第（4）—（6）列所示。結果表明：企業數據要素參與的回歸系數均顯著為負，平方項回歸系數均顯著為正，即不論企業處于何種生命周期階段，均明顯受到企業數據要素參與的影響，而且企業數據要素參與對企業所有周期內資本配置效率均具有顯著的先下降后上升的“U”型非線性效應。進一步根據二次方程的特征簡單計算頂點值，初創期企業拐點的橫坐標為0.0495；成長期企業拐點的橫坐標為0.0770；成熟期企業拐點的橫坐標為0.0621，對比可知，初創期企業拐點出現最早，成熟期企業次之，成長期企業拐點出現晚于初創期企業和成熟期企業，該結果表明，數據要素參與不斷提高時，初創期企業會更早到達拐點值，數據要素參與會更早地對初創期企業資本配置效率產生積極的影響，而成長期企業和成熟期企業在更高的數據要素參與下才能達到拐點值。

初創期企業由于規模普遍較小，其獲取外部融資的能力有限，企業數據要素參與可以有效緩解初創期企業的信息不對稱問題與資源約束，引導市場中資本要素與企業資本需求實現有效匹配，為其“存活”并實現可持續發展提供金融支持，提高初創期企業與社會資本的配置效率；當企業處于成長期或成熟期時，企業的經營模式逐漸成熟并日漸多樣化，已經形成初具規模自有資金積累和穩定的融資增信渠道，有足夠的資本來源來支持正常經營活動運轉，相對于初創期企業來說，成長期或成熟期企業的資本配置效率對數據要素參與的敏感度相對較低。由此，只有當數據要素參與達到一定程度后，企業資本配置效率才會隨著數據要素參與的提高而顯著提高。

3.行業要素密集度異質性

要素密集度反映了企業對于勞動要素、資本要素和技術要素等生產要素的選擇狀況，為考察數據要素參與對企業資本配置效率的影響效應是否因行業要素密集度不同而存在差異，借鑒魯桐和黨印（2014）的行業分類思路，將企業劃分為勞動密集型行業、資本密集型行業和技術密集型行業3類，回歸結果如表9第（1）—（3）列所示。結果表明：企業數據要素參與的回歸系數均顯著為負，平方項回歸系數均顯著為正，即不論企業處于何種行業要素密集度，均明顯受到企業數據要素參與的影響，而且企業數據要素參與對所有企業資本配置效率均具有顯著的先下降后上升的“U”型非線性效應。進一步根據二次方程的特征簡單計算頂點值，勞動密集型企業拐點的橫坐標為0.0633；資本密集型企業拐點的橫坐標為0.0475；技術密集型企業拐點的橫坐標為0.0339，對比可知，技術密集型企業拐點出現最早，資本密集型企業次之，勞動密集型企業拐點出現晚于技術密集型企業和資本密集型企業，該結果表明，數據要素參與不斷提高時，技術密集型企業會更早到達拐點值，數據要素參與會更早地對技術密集型業的資本配置效率產生促進作用，從而提高技術密集型企業資本配置效率，而勞動密集型企業和資本密集型企業在更高的數據要素參與下才能達到拐點值。

可能的原因是：電子設備等技術密集型制造業數字要素運用范圍更廣，其產業鏈較長、生產環節較為復雜，對產業輻射面較廣且對信息和技術服務的需求較多。一方面，數據要素更能在復雜且環環相扣的生產環節之間發揮“潤滑劑”效應，這在很大程度上提高各環節之間的互動效率和銜接匹配質量，降低了企業內部各部門之間的信息不對稱程度。另一方面，數據要素參與有利于促進數據要素與傳統生產要素的融合，改善生產過程中要素投入的組合方式，促進資源配置；而皮革紡織服裝業、食品制造業、造紙印刷業等勞動密集型企業多專注于初級零部件制造或組裝，對數字要素的依賴程度低，因而在更高的數據要素參與下才能達到拐點值。

4.地區市場化程度異質性

本文借鑒吳安兵等（2023）的處理思路，依據中國市場化指數中位數，將樣本劃分為市場化程度較高的區域和市場化程度較低的區域，分組回歸的結果如表9第（4）、（5）列所示。結果表明：企業數據要素參與的回歸系數均顯著為負，平方項回歸系數均顯著為正，即不論企業處于市場化程度較高還是較低的區域，均明顯受到數據要素參與的影響，而且企業數據要素參與對所有企業資本配置效率均具有顯著“U”型影響。進一步根據二次方程的特征簡單計算了頂點值，高市場化程度地區企業拐點的橫坐標為0.0465；低市場化程度地區企業拐點的橫坐標為0.0630，對比可知，高市場化程度地區企業拐點出現早于低市場化程度地區企業，該結果表明，數據要素參與不斷提高時，高市場化程度地區企業會更早到達拐點值，數據要素參與會更早地對高市場化程度地區企業的資本配置效率產生促進作用，而低市場化程度地區企業在更高的數據要素參與下才能達到拐點值。可能的原因：市場化程度越高的地區，市場競爭越激烈，區域的資源配置以市場機制為主，政府的行政干預相對較弱。市場化機制使得地區的金融發展水平相對也越高，這也要求資本等生產要素具有較高的使用效率，與此同時，企業面臨的資本融資渠道也更為豐富，這在一定程度上弱化了數據要素參與對資本配置的影響；而市場化程度較低的地區，金融服務主體較少、融資渠道有限，資源配置效率較低，導致該區域企業受到數據要素參與影響更大。

七、主要結論與政策建議

當前，數據要素已成為最活躍的關鍵生產要素，與傳統生產要素的耦合共振也引致了資源配置機制的重構。本文重點探究了制造企業數據要素參與和企業資本配置效率之間的關系，主要結論包括：第一，數據要素參與是影響中國制造企業資本配置效率的重要因素，但并非所有程度的數據要素參與都會提高企業資本配置效率，數據要素參與對制造企業資本配置效率呈現出顯著的“U”型非線性影響，只有當數據要素參與上升到一定階段才轉變為促進效應。而且，僅從生產要素屬性看，無論是國內還是國外數據要素的參與，兩者對企業資本配置效率的影響并無二致。第二，影響機制方面，信息效應和資源效應是導致數據要素參與對企業資本配置效率呈現“U”型影響的機制。其中，信息效應會同時影響“U”型關系的頂點和曲率，隨著信息不對稱程度增加，“U”型關系變強，并且頂點右移；而資源效應則影響“U”型關系的曲率，當企業融資約束程度較強時，“U”型關系變強。第三，異質性分析方面，數據要素參與對制造企業資本配置效率的影響在不同所有制類型、企業生命周期、行業要素密集度以及地區市場化程度等方面表現出顯著的差異。具體來看，民營企業、初創期企業、技術密集型企業以及高市場化程度區域企業對數據要素參與企業資本配置效率的影響更為敏感，“U”型關系拐點出現較早；外資企業、成長期企業、勞動密集型企業和低市場化程度區域企業“U”型關系拐點出現較晚，對數據要素參與的敏感度相對較小。

本文的研究對于緩解要素市場扭曲，消除資源錯配、結構失衡之困，以及推動經濟高質量發展具有重要的啟示意義。目前我國數據要素的發展形態以及基于數據要素參與而引致的資源配置機制變革尚處于初級階段，對其基本結構和協調發展機制的認知也處于初期。隨著數據要素規模的不斷擴大，對其他基本生產要素系統的配置和協調過程也會逐漸復雜。就目前環境看，政府應當積極創造數據基礎設施供給以拓寬數據要素發揮資源配置機制的先決條件，優化數字化產業政策以創造資源優化配置的寬松包容、有效競爭的市場環境，健全相關法律法規以破除資源配置機制作用發揮的制度障礙，保障數據安全，促進數據要素在制造企業中的融合應用，切實發揮數據要素參與對資本配置的作用，協助企業越過數據要素與資本配置效率非線性關系的拐點。但也要考慮到不同所有制類型、不同企業生命周期、不同行業要素密集度以及不同地區市場化程度的企業間差異，遵循差異化原則，精準施策。同時，鼓勵和引導企業抓住數據要素帶來價值倍增的機遇，積極引入新一代數字技術，盡可能將數據要素深度應用在企業產品設計、質量監測、市場推廣和訂單銷售的各個環節，提高企業信息透明度，以充分激發數據要素對傳統要素市場配置的矯正作用。

參考文獻

柏培文、張云，2021，“數字經濟、人口紅利下降與中低技能勞動者權益”，《經濟研究》，第5期，第91-108頁。

卜寒、高遠東、尋舟，2023，“大數據如何影響勞動收入份額？——來自國家級大數據綜合試驗區的證據”，《南方經濟》，第11期，第62-82頁。

曹杰、劉娟，2021，“OFDI如何影響企業資本配置效率：投資雙元性視角下的經驗分析”，《世界經濟研究》，第1期，第117-133+136頁。

陳斌、何思思，2023，“數字經濟時代的虛擬集聚與制造業技術創新——來自我國城市群的經驗證據”，《南方經濟》，第8期，第72-92頁。

陳經偉、姜能鵬，2020，“資本要素市場扭曲對企業技術創新的影響：機制、異質性與持續性”，《經濟學動態》，第12期，第106-124頁。

杜傳忠、管海鋒，2021，“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”，《南方經濟》，第12期，第1-20頁。

杜傳忠、金華旺，2021，“制造業產融結合、資本配置效率與企業全要素生產率”，《經濟與管理研究》，第2期，第28-40頁。

高楊、姚雪、白永秀、吳振磊，2022，“有為‘鏈長’賦能綠色低碳農業產業鏈：內在機理與實現路徑”，《經濟學家》，第12期，第116-124頁。

郭吉濤、王子晉，2023，“數字化轉型對企業資本配置效率的影響——基于制造業上市企業的經驗證據”，《南京財經大學學報》，第3期，第67-76頁。

何祚宇、李敬子、陳強遠，2023，“目的市場異質性消費者偏好與中國出口企業創新”，《數量經濟技術經濟研究》，第8期，第131-153頁。

胡海峰、竇斌、王愛萍，2020，“企業金融化與生產效率”，《世界經濟》，第1期，第70-96頁。

李海艦、趙麗，2023，“數據價值理論研究”，《財貿經濟》，第6期，第5-20頁。

李萬福、林斌、宋璐，2011，“內部控制在公司投資中的角色：效率促進還是抑制？”，《管理世界》，第2期，第81-99+188頁。

梁正、李佳鈺，2021，“商業價值導向還是公共價值導向？——對數字創新生態系統的思考”，《科學學研究》，第6期，第985-988頁。

劉井建、張冬妮、李惠竹，2022，“中國上市公司金融化與實業投資研究——對金融化動機及監管效應的再檢驗”，《管理評論》，第1期，第37-50頁。

劉亦文、譚慧中、陳熙鈞、陽超，2022，“數字經濟發展對實體經濟投資效率提升的影響研究”，《中國軟科學》，第10期，第20-29頁。

魯桐、黨印，2014，“公司治理與技術創新：分行業比較”，《經濟研究》，第6期，第115-128頁。

倪婷婷、王躍堂，2022，“區域行政整合、要素市場化與企業資源配置效率”，《數量經濟技術經濟研究》，第11期，第136-156頁。

聶輝華、江艇、楊汝岱，2012，“中國工業企業數據庫的使用現狀和潛在問題”，《世界經濟》，第5期，第142-158頁。

師博、胡西娟，2022，“高質量發展視域下數字經濟推進共同富裕的機制與路徑”，《改革》，第8期，第76-86頁。

史丹、孫光林，2022，“大數據發展對制造業企業全要素生產率的影響機理研究”，《財貿經濟》，第9期，第85-100頁。

譚皓方、張守夫，2023，“數字新基建、金融資源配置與經濟高質量發展”，《云南民族大學學報（哲學社會科學版） 》，第1期，第134-142頁。

萬佳彧、周勤、肖義，2020，“數字金融、融資約束與企業創新”，《經濟評論》，第1期，第71-83頁。

王曉丹、石玉堂、劉達，2024，“數據要素市場化配置對數實融合的影響研究——基于數據交易平臺設立的準自然實驗”，《廣東財經大學學報》，第2期，第44-58頁。

王馨，2015，“互聯網金融助解‘長尾’小微企業融資難問題研究”，《金融研究》，第9期，第128-139頁。

吳安兵、龔星宇、陳創練、黃寰，2023，“非金融企業影子銀行化的風險承擔效應：內在機制與經驗證據”，《中國工業經濟》，第4期，第174-192頁。

吳非、胡慧芷、林慧妍、任曉怡，2021，“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”，《管理世界》，第7期，第130-144+10頁。

武宵旭、任保平，2022，“數字經濟背景下要素資源配置機制重塑的路徑與政策調整”，《經濟體制改革》，第2期，第5-10頁。

肖靜華、謝康、吳瑤、廖雪華，2015，“從面向合作伙伴到面向消費者的供應鏈轉型——電商企業供應鏈雙案例研究”，《管理世界》，第4期，第137-154+188頁。

徐舒、杜鵬程、吳明琴，2020，“最低工資與勞動資源配置效率——來自斷點回歸設計的證據”，《經濟學（季刊） 》，第1期，第143-164頁。

許和連、成麗紅、孫天陽，2017，“制造業投入服務化對企業出口國內增加值的提升效應——基于中國制造業微觀企業的經驗研究”，《中國工業經濟》，第10期，第62-80頁。

閆桂勛、劉蓓、程浩、許濤、王嘯天、文博，2019，“數據共享安全框架研究”，《信息安全研究》，第4期，第309-317頁。

楊俊、李小明、黃守軍，2022，“大數據、技術進步與經濟增長——大數據作為生產要素的一個內生增長理論”，《經濟研究》，第4期，第103-119頁。

楊艷、王理、李雨佳、廖祖君，2023，“中國經濟增長：數據要素的‘雙維驅動’”，《統計研究》，第4期，第3-18頁。

葉亞飛，2023，“跨境資金流動與中國宏觀金融風險——基于資本項目分階段開放背景”，《南方金融》，第6期，第46-60頁。

尹恒、張子堯，2021，“產品市場扭曲與資源配置效率：異質性企業加成率視角”，《經濟研究》，第11期，第119-137頁。

余明桂、鐘慧潔、范蕊，2019，“民營化、融資約束與企業創新——來自中國工業企業的證據”，《金融研究》，第4期，第75-91頁。

于蔚、金祥榮、錢彥敏，2012，“宏觀沖擊、融資約束與公司資本結構動態調整”，《世界經濟》，第3期，第24-47頁。

張晴、于津平，2021，“制造業投入數字化與全球價值鏈中高端躍升——基于投入來源差異的再檢驗”，《財經研究》，第9期，第93-107頁。

張雙龍、金榮學、劉奧，2022，“技術引進稅收優惠能否促進企業自主創新？”，《財經研究》，第8期，第124-138頁。

張葉青、陸瑤、李樂蕓，2021，“大數據應用對中國企業市場價值的影響——來自中國上市公司年報文本分析的證據”，《經濟研究》，第12期，第42-59頁。

張益豪、郭曉輝，2023，“大數據發展與企業全要素生產率——基于國家級大數據綜合試驗區的實證分析”，《產業經濟研究》，第2期，第69-82頁。

張宗新、張帥，2022，“數字金融提升我國資本要素配置效率研究”，《社會科學》，第11期，第129-139頁。

趙燦、劉啟仁，2022，“資本偏向型稅收激勵是否有助于改善資本要素的錯配？——基于固定資產加速折舊政策的微觀經驗證據”，《財經研究》，第8期，第109-123頁。

Acemoglu， D. and Restrepo， P.， 2019， “Automation and New Tasks： How Technology Displaces and Reinstates Labor”， Journal of Economic Perspectives， 33（2）： 3-30.

Autor， D.， Dorn， D.， Katz， L.F.， Patterson， C. and Van Reenen， J.， 2020， “The Fall of the Labor Share and the Rise of Superstar Firms”， The Quarterly Journal of Economics， 135（2）： 645-709.

Brandt， L.， Tombe， T. and Zhu， X.， 2013， “Factor Market Distortions Across Time， Space and Sectors in China”， Review of Economic Dynamics， 16（1）： 39-58.

Brynjolfsson， E. and McElheran， K.， 2016， “The Rapid Adoption of Data-Driven Decision-Making”， American Economic Review， 106（5）： 133-139.

Dickinson， V.， 2011， “Cash Flow Patterns as a Proxy For Firm Life Cycle”， The Accounting Review， 86（6）： 1969-1994.

Farboodi， M.， Matray， A. and Veldkamp， L.， 2018， “Where has All the Big Data Gone？”， Available at SSRN 3164360.

Farboodi， M.， Mihet， R.， Philippon， T. and Veldkamp， L.， 2019， “Big Data and Firm Dynamics”， AEA Papers and Proceedings， 109： 38-42.

Fernhaber， S.A. and Patel， P.C.， 2012， “How do Young Firms Manage Product Portfolio Complexity？ The Role of Absorptive Capacity and Ambidexterity”， Strategic Management Journal， 33（13）： 1516-1539.

Goldsmith-Pinkham， P.， Sorkin， I. and Swift， H.， 2020， “Bartik Instruments： What， When， Why， and How”， American Economic Review， 110（8）： 2586-2624.

He， J.， Du， X. and Tu， W.， 2024，“Can Corporate Digital Transformation Alleviate Financing Constraints？”， Applied Economics， 56（20）： 2434-2450.

Hsieh， C.T. and Klenow， P.J.， 2009， “Misallocation and Manufacturing TFP in China and India”， The Quarterly journal of economics， 124（4）： 1403-1448.

Hutton， A.P.， Marcus， A.J. and Tehranian， H.， 2009， “Opaque Financial Reports， R2， and Crash Risk”， Journal of financial Economics， 94（1）： 67-86.

Lee， H.， Tang， C.， Yang， S.A. and Zhang， Y.， 2023， “Dynamic Trade Finance in the Presence of Information Frictions and Fintech”， Manufacturing amp; Service Operations Management， 25（6）： 2038-2055.

Lind， J.T. and Mehlum， H.， 2010， “With or Without U？ The Appropriate Test for a U‐Shaped Relationship”， Oxford Bulletin of Economics and Statistics， 72（1）： 109-118.

Liu， Q. and Qiu， L.D.， 2016， “Intermediate Input Imports and Innovations： Evidence from Chinese Firms' Patent Filings”， Journal of International Economics， 103： 166-183.

McAfee， A.， Brynjolfsson， E.， Davenport， T.H.， Patil， D.J. and Barton， D.， 2012， “Big Data： The Management Revolution”， Harvard Business Review， 90（10）： 60-68.

Ozili， P.K.， 2018， “Impact of Digital Finance on Financial Inclusion and Stability”， Borsa Istanbul Review， 18（4）： 329-340.

Petrin， A. and Sivadasan， J.， 2013， “ Estimating Lost Output from Allocative Inefficiency， with an Application to Chile and Firing Costs”， Review of Economics and Statistics， 95（1）： 286-301.

Richardson， S.， 2006， “Over-Investment of Free Cash Flow”， Review of Accounting Studies， 11： 159-189.

Xu， Y.， Zhao， X.， Zhou， X. and Yuan， L.， 2021， “Financial Structure and Capital Allocation Efficiency： An Empirical Analysis of China from 2005-2018”， Applied Economics， 53（29）： 3347-3358.

Research on the Influence of Data Factor Participation on Enterprises′

Capital Allocation Efficiency

Wang Tingdong" Yin Lili

Abstracts： The deep integration of data factor among industries will profoundly change the operation mechanism and logic of factor markets. This paper empirically examines the impact of data factor participation on enterprises' capital allocation efficiency and its mechanism. It is found that： data factor participation has a significant ‘U’-shaped non-linear effect on the capital allocation efficiency of manufacturing enterprises. This indicates that only when data factor participation rises to a moderate stage does its impact on the efficiency of firms' capital allocation turn into a facilitating effect. Further， only from the perspective of production factor attributes， whether it is domestic data factor participation or foreign data factor participation， there is no difference in the impact of both on the efficiency of enterprises' capital allocation. The mechanism test shows that the information effect and the resource effect are the mechanisms that lead to the ‘U’ shaped impact of data factor participation on the capital allocation efficiency of enterprises. Among them， the information effect affects both the apex and curvature of the ‘U’-shaped relationship， and as the degree of information asymmetry increases， the ‘U’-shaped relationship becomes stronger and the apex shifts to the right; while the resource effect affects the curvature of the ‘U’ relationship， and the resource effect affects the ‘U’-shaped relationship， and the resource effect affects the ‘U’-shaped relationship. The resource effect affects the curvature of the ‘U’-shaped relationship， and the ‘U’-shaped relationship becomes stronger when the degree of corporate financing constraints is stronger. Heterogeneity analysis reveals that the inflection point of the ‘U’ shape of data factor participation on capital allocation efficiency varies significantly with the type of enterprise ownership， enterprise life cycle， industry factor intensity， and degree of regional marketisation， with private enterprises， start-ups， technology-intensive industries， and highly marketised enterprises having relatively lower thresholds for entering the ‘moderate zone’ of data factor participation to improve capital allocation efficiency.

Keywords： Data Factor Participation; Capital Allocation Efficiency; Information Effect; Resource Effect

（責任編輯：張瑞志）

* 王庭東，山東財經大學國際經貿學院，Email：tingdongw @126.com；尹麗麗（通訊作者），山東財經大學國際經貿學院，Email：liliyin202212 @163.com，通訊地址：山東省濟南市市中區舜耕路40號山東財經大學舜耕校區行政樓，郵編：250002。感謝審稿專家的寶貴意見，作者文責自負。

1 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，中國政府網，https：//www.gov.cn/zhengce/2020-04/09/content_5500622.htm。