數據要素市場化對企業投資效率的影響研究

一、引言

在數字經濟快速增長的背景下，數據已正式成為生產要素之一，并參與到市場分配中。2019年，黨的十九屆四中全會正式認定數據為新興生產要素，并強調了完善市場對勞動、資本、土地、知識、技術、管理及數據等要素報酬決定機制的必要性，標志著數據作為一種新興生產要素的地位得到正式確認。2020年，《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》首次明確指出要培育和發展數據要素市場，這標志著數據要素市場化改革正式開啟。這不僅彰顯了數據在現代經濟體系中的核心地位，也為解決信息不對稱等制約企業投資效率的問題提供了新的方向和路徑。

企業投資是推動產業升級進而促進經濟發展的重要內容，也是提升國家競爭力的關鍵因素。然而在現代資本市場的復雜環境中，信息不對稱被廣泛認為是企業投資困境的主要成因之一（張超和劉星，2015）。它不僅導致企業難以準確把握市場動態和發現優質投資機會，還可能誤導管理層在評估投資項目時的決策，進而產生非效率投資現象（李延喜等，2018）。基于此，既有研究提倡通過提高信息披露的質量來緩解信息不對稱，進而提升企業投資效率（張純和呂偉，2009；朱永明和李玲玲，2018）。然而實踐中存在的信息披露不真實、更新滯后、覆蓋面窄以及缺乏統一標準等問題，都限制了這一方法的有效實施（管玉榮，2020）。鑒于上述挑戰，數據要素市場化對企業投資效率的影響逐漸受到重視。

數據要素的市場化進程依賴于市場機制，涉及數據要素的市場配置、定價機制、交易活動、競爭環境及市場制度建設等關鍵環節，進而推動數據資源的高效配置（何玉長和王偉，2021）。理論研究表明，數據要素市場化通過激活交易市場來充分發掘數據的內在價值與潛能（鄭國強等，2023）。此過程能夠為企業提供涵蓋市場、客戶、供應鏈及內部管理等方面的全面信息，緩解了信息不對稱，顯著降低了交易成本，為企業精準投資決策提供了堅實的信息基礎（蔡繼明等，2022；王謙和付曉東，2021），由此優化企業資源配置效率，進一步推動企業技術創新（王頌吉等，2020），對企業數字化轉型和綠色創新起到了積極作用（鄭國強等，2023；鄭國強等，2024）。《中國數據要素市場發展報告（2021—2022）》對726家上市公司進行調研，結果顯示數據要素對企業績效產生了顯著的正面影響。這種影響尤其體現在企業總資產凈利潤率的大幅提升上，超過近30年來上市公司的平均水平。與此同時，宏觀層面的實證研究揭示了數據要素市場化對城市數字經濟（劉滿風等，2022）、產業數字化（趙放等，2024）及城市經濟韌性（鄭威和陳輝，2023）的顯著賦能作用。已有研究對數據要素之于企業的微觀影響關注較多，但對于企業投資效率這一關鍵視角，其具體影響效應及作用機制仍待深入剖析。

本文的邊際貢獻主要表現在：一是本文將政府引領搭建的數據交易平臺視為一項準自然實驗，以此深入研究數據要素市場化進程對企業投資效率的微觀影響。通過提供新的視角，深入探究數據要素市場化改革的經濟效應，進一步深化了對企業投資效率影響因素的分析，并提供了來自中國的經驗證據。二是從技術創新的角度出發，深入剖析數據要素市場化如何通過激發創新活力進而影響企業的投資效率，同時考慮了企業特征的差異性對數據要素市場化效果的異質性影響，為政府制定大數據發展戰略和企業制定更精準的投資決策提供了堅實的實證依據。

二、制度背景與理論分析

（一）數據交易平臺的發展與演進

數據被正式納入生產要素范疇后，我國數據要素市場的培育與建設步伐顯著加快。作為推動數據流通和交易的核心基礎設施，數據交易平臺的運作有效性及模式推廣性成為衡量市場化配置效率的關鍵指標（黃麗華等，2022；楊艷等，2021；朱俊達，2024）。其中，政府主導的大數據交易所發揮了獨特的實踐價值，其“政府引導、市場運作”的模式，既保障了政策導向與權威性，又通過提升運營透明度、規則清晰度，以及深入探索數據確權與定價機制等，為市場注入活力（王進，2021）。這類平臺不僅為供需雙方提供了合法合規的交易環境，還通過標準化數據產品與服務降低交易成本、提高效率，成為驅動數據要素市場健康發展的核心力量。

數據交易平臺的發展歷程經歷了從初步探索到迅速增長的顯著階段。2014年，中關村數海大數據交易平臺的正式運營，標志著我國數據交易時代的開啟。隨后，2015年數據交易平臺數量顯著增長，這一年共有包括貴陽大數據交易所、華東江蘇大數據交易中心、武漢東湖大數據交易中心、武漢長江大數據交易中心、華中大數據交易所、重慶大數據交易平臺、西咸新區大數據交易所、交通大數據交易平臺、河北大數據交易中心以及杭州錢塘大數據交易中心等在內的10家新的交易平臺成立。至2023年底，全國已累計成立近50家數據交易平臺，這些平臺廣泛分布于東部沿海發達地區及中西部主要城市。這不僅為學術研究提供了豐富的實踐案例，更通過區域協同與資源共享，推動了中國數據要素市場的繁榮。

（二）數據要素市場化對企業投資效率產生的直接效應

數據要素市場化首先通過增強數據的易獲取性、促進數據的高效流通，并建立即時更新的有效機制，為企業的投資決策提供了有力的信息支持。這些融合廣泛市場信息的數據要素，為企業提供了市場洞察途徑，有助于削弱信息不對稱所帶來的影響。憑借這些全面且深入的數據，企業不僅能夠緊跟行業動態，精確把握競爭態勢，還能預見未來市場趨勢，從而做出精準的投資決策，確保在激烈的市場競爭中維持并增強核心競爭力（McAfee等，2012；李海艦和趙麗，2021）。

進一步地，數據要素的動態反饋特性促使企業的投資決策過程形成了一個持續優化與提升的循環。在執行與反饋的不斷互動中，數據要素實現了自我完善，為決策提供了愈發精確的信息支撐。這一正向循環不僅顯著提升了企業投資決策的科學性與準確性，更推動了投資效率的飛躍（王謙和付曉東，2021）。

最終，企業通過數據交易共享，深度挖掘其蘊含的價值信息，進一步優化了勞動、資本等生產要素之間的協同作用和乘數效應（蔡躍洲和馬文君，2021）。尤其是當數據要素與資本要素實現深度融合時，數據驅動的投資決策能夠精確指引資本流向高回報領域，顯著提升資金配置效率，進而提升投資水平（李海艦和趙麗，2021）。基于此，本文提出如下假設：

H1：數據要素市場化可以改善企業投資效率。

（三）基于企業技術創新視角的影響機制分析

基于Teece等（1997）的動態能力理論框架，數據要素市場化通過“環境感知一機會抓取一資源重組”的三階段傳導路徑，有效驅動企業技術創新，進而實現投資效率的系統性提升。

其一，知識獲取與技術升級機制。數據要素市場化拓寬了企業獲取技術信息的渠道，降低了尋找新技術和新知識的成本（馬嫣然等，2023）。企業因此能夠更高效地吸收行業前沿技術成果（Jones和Tonetti，2020），推動內部技術知識庫的持續更新（陳國青等，2022）。對于注重創新的企業而言，這種技術積累有助于其快速適應市場變化，開拓新業務增長點，并保持競爭優勢（王同律，2004）。

其二，智能決策與風險管理機制。數據要素的應用促使企業投資決策方式發生轉變，傳統的主觀經驗決策逐漸被數據驅動的分析方法取代（Adner等，2019）。企業可以利用先進技術對投資項目進行多維度風險評估，并通過實時追蹤市場動態（陳國青等，2022），更快捕捉商業機會。智能化管理系統則有效識別并糾正不合理的投資行為（張永坤等，2021），引導資金流向更具價值的領域（張玉蘭等，2019），降低投資風險。

其三，資源配置與創新促進機制。數據要素市場化增強了企業的競爭意識和學習激勵，促使企業不斷精進數據分析能力，以充分挖掘和利用數據資源的價值（謝康等，2020）。在這一驅動力下，企業變得更加積極主動，不僅探索技術創新的新領域，還敏銳捕捉市場機遇，力求在激烈的市場競爭中脫穎而出（李東紅等，2020）。這種創新活動的加強，使得企業產品技術含量顯著提升，生產效率不斷提高，成長潛力得以擴大，預期價值也隨之提升，進而有效改善了投資效率（吳西雅和劉劍民，2023；劉劍民等，2024）。基于此，本文提出如下假設：

H2：數據要素市場化可以通過企業技術創新從而促進投資效率的改善

三、研究設計

（一）研究模型

為了探究數據要素市場化對企業投資效率的直接影響，本文構建了以下漸進式雙重差分模型

式（1）中，下標 i 表示企業， 表示城市， t 表示年份。Inveff代表企業投資效率，Did代表數據要素市場化。 X 代表控制變量集。Stkcd和Year分別代表個體及時間固定效應， 則為誤差項。

（二）變量選取與定義說明

1.被解釋變量

本文依據Richardson（2006）的方法，以企業投資水平偏離最優值的程度作為衡量投資效率的指標，采用式（2）評估上市公司的投資效率。

其中，下標 i 表示企業， t 表示年份。Inv、 Lev、Cash、Age、Size、Ret分別代表企業的新增投資支出、托賓Q值、資產負債率、現金持有水平、上市年齡、企業規模、股票收益率。所有解釋變量均在計量模型中滯后一期引入，同時控制了行業固定效應（Ind）和年份固定效應（Year）。通過式（2）估算得到的殘差絕對值，被用來量化上市公司每年的非效率投資程度，該指標命名為投資效率（Inveff）。殘差絕對值越大，表示企業投資水平偏離最優值越遠，即投資效率越低；相反，其數值越小，代表企業的投資效率越高。

2.核心解釋變量

本文通過結合數據交易平臺成立的時間點和城市虛擬變量來實現數據要素市場化（Did）的量化。對于時間維度，平臺成立之前記為0，成立之后記為1。對于城市維度，未建立數據交易平臺的城市記為0，而建有平臺的城市則記為1。

3.控制變量

在企業層面，本文納入以下控制變量：（1）資產負債率（Lev），以期末總負債與總資產的比值來計算；（2）資產周轉率（Ato），采用營業收入與平均資產總額的比重來衡量；（3）現金流量（Cashflow），通過計算凈經營現金流與企業總資產的比值來評估；（4）固定資產比率（Fixed），采用固定資產凈額與總資產的比重來衡量；（5）公司規模（Size），以總資產的自然對數來表示；（6）股權集中度（Ld），依據公司最大股東所持有的流通股比例進行度量；（7）總資產凈利潤率（Roa），采用凈利潤與總資產的比率來衡量。此外，本文還控制了城市層面的變量，即地區生產總值的對數（lngdp）。

（三）數據來源和描述性統計

本文選取2011—2023年我國A股上市公司作為樣本，排除了金融類企業、特別處理（ST或

PT）公司以及數據不完整的樣本。對于所有連續型變量，本文執行了 1% 的縮尾處理以減少極端值的影響。研究中涉及的企業數據主要從CSMAR數據庫獲取，城市層面的數據則基于各年度的城市統計年鑒，而數據交易平臺的信息則來源于《大數據白皮書（2021年）》及各城市數據交易平臺的官方發布。表1為各變量的描述性統計結果。

四、實證結果與分析

（一）基準回歸分析

表2中的列（1）顯示，引入個體與時間固定效應后，核心解釋變量Did的回歸系數在 5% 的水平下顯著為負。列（2）進一步納人相關控制變量，Did的系數依然顯著為負，驗證了數據要素市場化對企業投資效率具有正向提升作用。如前文所述，數據要素市場化通過提升數據的可及性、加速數據流通以及實現動態更新，為企業提供深度市場洞察，進而優化投資決策。這一過程形成了一個持續改進的循環，不斷推動投資效率與資金配置水平的提升，進一步印證了數據要素市場化對企業投資效率的積極影響。由此，本文的假設H1得以驗證。

（二）平行趨勢檢驗

借鑒Beck等（2010）的做法，本文采用事件分析法進行平行趨勢檢驗，具體模型如下：

本文研究的時間跨度為2011一2023年。在此期間，首批政府主導的數據交易平臺于2014年成立，至2023年已是其成立的第9年，因此變量 k 的最大值設為9。而最近一批數據交易平臺則在2023年成立，回溯至2011年，為其成立前的第12年，故 k 的最小值設為 -12 。鑒于本文研究覆蓋的時間段較長，為便于分析，本文參考馬光榮和張玲（2023）的做法，對數據交易平臺成立前后的時間段進行了合并處理：具體而言，將成立前的第12年至第4年間的數據整合至成立前第四年的數據點，并設定 為基準時間點；同時，將成立后的第6年至第9年的數據歸并至第5年的數據點。圖1的檢驗結果顯示，在數據交易平臺成立前，實驗組與對照組企業在投資效率上的變化并無顯著差別。然而，數據交易平臺成立后，相關回歸系數顯著為負，表明數據交易平臺的建立促進了企業投資效率的提高，從而驗證了平行趨勢假設。

（三）穩健性檢驗

1.安慰劑檢驗

為減輕企業－年度層面不可觀測因素對結論的影響，本文參考Cai等（2016）和余明桂等（2022）的方法，隨機選取2155家企業作為實驗組，并隨機指定事件年，創建虛擬政策試點變量Policy。該過程重復500次，每次均按模型（1）回歸。由于隨機性，Policy的回歸系數理論上應不顯著。圖2展示了500次回歸的系數分布與p值分布，系數多集中于0附近，p值大多大于0.1。真實估計值[表2列（2）]在安慰劑檢驗中顯著偏離常態，表明結論未受企業－年度非隨機因素的干擾。

2.剔除特殊地位城市

為確保研究結論的客觀性和有效性，本文采取剔除部分樣本的方法進行穩健性檢驗，即排除具有特殊地位的城市（省會及直轄市）。這些城市因其較高的經濟發展水平和較為有利的商業環境，可能會對基準回歸分析造成一定的影響。表3列（1）的結果顯示，Did的回歸系數顯著為負，進一步證實了基本結論的穩健性，即使在排除特定地區數據后結論依然成立。

3.替換被解釋變量

為了驗證研究結果的穩健性，本文參照Biddle等（2009）、Chen等（2011）的研究，分別重新測算企業非效率投資程度的變量Inveff_Biddle和Inveff_Chen，對被解釋變量進行了替換，并重新進行了測量。如表3中的列（2）、（3）所示，使用新的被解釋變量進行的回歸分析結果與主回歸結果基本一致。

4.排除其他政策干擾

除數據交易平臺建設之外，國家層面的“寬帶中國”戰略和“大數據綜合試驗區”政策同樣被認為是影響企業投資效率的重要因素，可能對研究結果的可靠性構成挑戰。因此，本文引入了兩個虛擬變量—Band代表“寬帶中國”戰略，Data代表“大數據綜合試驗區”政策，以進行排他性檢驗。表3列（4）展示了回歸分析的結果。該結果表明，在控制其他政策變量的影響后，數據要素市場化對企業投資效率的正向效應依然顯著，從而再次確認了本文研究結論的穩健性。

5.PSM-DID估計

在評估試點政策的平均處理效應時，盡管雙重差分方法提供了一種有效的評估手段，但數據交易平臺作為一種非嚴格的自然實驗設置，可能引發研究數據的選擇性偏差問題。為應對這一挑戰，本文采納白俊紅等（2022）的研究策略，通過逐期匹配實施傾向得分匹配。具體而言，首先依據模型（1）的控制變量篩選匹配基礎，隨后采用1：2配對比例和0.05的卡尺值進行近鄰卡尺匹配，構建一套均衡的數據集。接著，對該數據集進行平衡性檢驗，確保其匹配質量。最終，利用原模型重新評估數據要素市場化對企業投資效率的影響。表3列（5）的結果顯示，在至少 5% 的顯著性水平下，政策促進了企業投資效率的提升，再次印證了前文實證結果的穩健性。

五、進一步分析

（一）機制檢驗

回歸結果已印證了數據要素市場化對企業投

資效率的積極影響，那么，數據要素市場化是如何促進企業投資效率提升的呢？本文參考已有學者的做法進行機制檢驗（江艇，2022），構建模型（4）：

其中， W 為機制變量，其余變量與式（1）保持一致。

本文將企業技術創新作為機制變量進行考察。當前，評估企業技術創新主要有兩種途徑：一是基于投入產出視角，全面評價企業創新投入與產出的相互關系及其效果；二是依據企業專利數量、研發投入等顯性指標來反映企業的創新表現。本文選用能夠充分反映高管創新意愿的研發投入作為衡量企業技術創新（Ramp;D）的指標。同時，為了優化樣本數據的分布形態，使其更加趨近于標準正態分布，本文對其進行了自然對數化處理。實證結果如表4所示，數據要素市場化對技術創新（Ramp;D）的估計系數在 5% 的顯著性水平下為正。這一結果揭示了數據要素市場化對增加研發投入的積極作用一—推動企業技術創新能力的提升。根據已有理論和研究，數據要素市場化通過促進企業高效獲取技術知識、實現智能決策與風險管理，以及推動資源優化配置與創新活動，進而驅動技術創新，并最終提升投資效率。因此，可以推斷出數據要素市場化可能通過推動技術創新，間接提升企業的投資效率。這一結論為假設H2提供了支持。

（二）異質性分析

本文從企業技術創新能力、企業體量、地理位置及所有權結構四個維度深入部剖析了數據要素市場化對企業投資效率的異質性影響。具體而言，根據技術創新能力，將企業分為高新技術企業和非高新技術企業（楊興哲和周翔翼，2020），依據企業體量區分為大規模與小規模企業，依據地理分布將企業劃分為東部和中西部地區企業，依據所有權結構將企業劃分為國有與非國有兩類，并分別針對這些分組實施回歸分析，以揭示各維度下的差異性特征。具體回歸結果如表5所示。

列（1）、（2）的結果表明，在數據要素市場化建設的背景下，高新技術企業相較于非高新技術企業，其投資效率展現出了更為顯著的提升。作為數字技術創新的先鋒，高科技產業能夠精準地捕捉到數據要素市場化的機遇，并通過有效整合和應用數據資源，為大數據、機器學習以及人工智能等關鍵技術領域的發展提供重要支撐，顯著提升了企業投資效率，成為數字經濟時代的重要驅動力。

為了區分企業規模的大小，本文采用企業總資產的自然對數作為衡量指標，并依據該指標的中位數值將樣本企業分為大規模與小規模兩類。根據列（3）與列（4）的對比可以發現，數據要素市場化建設對大規模企業投資效率的促進作用更為顯著。這主要歸因于大規模企業擁有更強大的資源配置能力、技術吸收與創新能力，以及廣泛的業務網絡，使其能更有效地利用數據交易平臺整合數據要素，進而提升投資效率。

列（5）和列（6）展示了基于企業地理區位的異質性檢驗結果。回歸結果顯示，東部地區企業數據要素市場化的估計系數顯著為負，表明其對投資效率有顯著的促進作用；而中西部地區企業的相應系數不顯著，說明數據要素市場化的投資效率提升效應在東部地區更為凸顯。這種地理區位上的差異可能歸因于東部地區在經濟發展水平、創新能力、產權保護和市場發展等方面的顯著優勢，東部地區的企業能夠更有效地利用數據交易平臺整合數據資源，從而顯著提升其投資效率。相反，中西部地區在基礎設施建設、技術吸收能力以及市場成熟度等方面相對滯后，導致數據要素市場化對其投資效率的促進作用尚不明顯（喬晗等，2023）。地理區位的不同，使得東部地區在這一進程中展現出更強的驅動力。

此外，表5的列（7）和列（8）顯示，數據要素市場化建設對國有企業投資效率的促進作用更為顯著。相較于非國有企業，國有企業因受益于政府的政策傾斜，享有更為優越的政策環境與經營條件。這一優勢使得在推進數據要素市場化配置的過程中，國有企業能夠更有效地提升其投資效率。

六、結論與政策建議

在數字經濟時代，數據要素的市場化配置已成為推動企業投資效率提升的關鍵力量，并為企業充分釋放數據潛力開辟了新的路徑。本文以2011一2023年我國A股上市公司為樣本，將各地政府主導的數據交易平臺視為一項準自然實驗，并應用漸進式雙重差分模型，深入研究了數據要素市場化進程對企業投資效率的微觀影響。結果發現：（1）數據要素市場化直接促進了企業投資效率的提升。（2）數據要素市場化通過增強企業的技術創新能力，為企業投資效率的增長提供了有力支撐。（3）從企業異質性角度看，數據要素市場化對不同類型企業投資效率的影響存在顯著差異。對于高新技術企業、大規模企業、東部地區企業及國有企業而言，其在數據要素市場化進程中投資效率的提升更為顯著。

基于此，本文提出以下建議：

（一）提升交易平臺效能，推動數據跨域流通

數據市場改革的核心應聚焦于提升數據交易平臺效能，提高其供給高質量數據服務的能力，并推動數據要素實現跨區域的高效互聯互通。為此，首先，需加強數據交易平臺的技術創新與基礎設施升級。通過引入智能化工具提高數據處理效率，構建分層服務體系以滿足多元化需求，同時完善產學研協同機制，培育復合型人才，從而夯實平臺服務的技術與人力基礎。其次，應建立跨區域的數據合作機制。推動數據交易平臺間的資源共享與規則互認，打造數據流通示范區，并在此基礎上探索協同定價、收益分配等制度創新，為全域推廣積累寶貴經驗。最后，要重點關注中西部地區的數據市場發展。通過實施中西部數據資源扶持計劃，給予政策傾斜和支持，促進東西部平臺協作網絡的建設。同時，加強欠發達地區的數字基礎設施建設，優化本地化數據服務供給，努力縮小區域發展差距。

（二）完善基礎制度框架，強化數據政策支持

為了保障數據市場的健康發展，構建堅實的數據基礎制度框架至關重要。一是完善法律保護機制。加強政策間的協同與整合，完善數據要素產權的法律保護，明確界定數據的所有權、使用權及收益權，為數據交易活動提供一個公平、透明、規范的法制環境。二是優化數據交易規則。針對小規模企業和非高新技術企業，應提供更加簡明易懂的數據交易規則，以降低其參與數據市場的門檻和風險。三是優化人才發展策略。建立健全數字化人才的培養與引進機制，并設立專項基金，支持小規模企業和非高新技術企業培養和引進數字化人才。這將有助于這些企業快速建立專業的數據管理團隊，提高數據利用能力，從而在數據市場中占據有利地位。

（三）融合傳統數據資源，優化企業投資決策

在提升投資效率的過程中，企業應積極融合財務報告等傳統信息與數據要素市場信息，發揮信息披露的“互補效應”，為投資決策提供全面且精準的參考依據。為此，企業需要構建以數據為驅動的投資策略，加大數字化技術應用，提升信息處理能力，以減少信息不對稱所引發的非理性決策，并深入挖掘數據要素市場中的有效信息，以精準把握市場動態，做出科學決策。尤其對于非高新技術企業、小規模企業、中西部地區企業及非國有企業而言，數據要素市場化改革為它們帶來了發展良機。這些企業通過優化投資決策，可顯著增強市場競爭力，實現可持續發展。

參考文獻：

[1]張超，劉星，內部控制缺陷信息披露與企業投資效率—基于中國上市公司的經驗研究[J].南開管理評論，2015，18（05）：136-150.

[2]李延喜，蓋宇坤，薛光.管理者能力與企業投資效率——基于中國A股上市公司的實證研究[J].東北大學學報（社會科學版），2018，20（02）：131-139.

[3]張純，呂偉．信息披露、信息中介與企業過度投資[J].會計研究，2009（01）：60-65+97.

[4]朱永明，李玲玲．信息披露質量、融資約束與企業投資效率[J].會計之友，2018（22）：11-17.

[5]管玉榮，上市公司會計信息披露的問題分析及對策研究[J].現代商業，2020（27）：139-140.

[6]何玉長，王偉.數據要素市場化的理論闡釋[J].當代經濟研究，2021（04）：33-44.

[7]鄭國強，張馨元，趙新宇．數據要素市場化如何驅動企業數字化轉型？[J].產業經濟研究，2023（02）：56-68.

[8]蔡繼明，劉媛，高宏，等．數據要素參與價值創造的途徑—基于廣義價值論的一般均衡分析[J].管理世界，2022，38（07）：108-121.

[9]王謙，付曉東.數據要素賦能經濟增長機制探究[J].上海經濟研究，2021（04）：55-66.

[10]王頌吉，李怡璇，高伊凡.數據要素的產權界定與收入分配機制[J].福建論壇（人文社會科學版），2020（12）：138-145.

[11]鄭國強，張馨元，趙新宇．數據要素市場化能否促進企業綠色創新？—基于城市數據交易平臺設立的準自然實驗[J].上海財經大學學報，2024，26（03）：33-48.

[12]劉滿鳳，楊杰，陳梁.數據要素市場建設與城市數字經濟發展[J].當代財經，2022（01）：102-112.

[13]趙放，李文婷，馬婉瑩．數據要素市場化能否促進數字產業集聚—來自準自然實驗的證據[J].浙江學刊，2024（03）：143-152.

[14]鄭威，陳輝.數據要素市場化配置對城市經濟韌性的影響：促進還是抑制？—基于數據交易平臺設立的準自然實驗[J].現代財經（天津財經大學學報），2023，43（12）：78-92.

[15]黃麗華，竇一凡，郭夢珂，等.數據流通市場中數據產品的特性及其交易模式[J].大數據，2022，8（03）：3-14.

[16]楊艷，王理，廖祖君．數據要素市場化配置與區域經濟發展—基于數據交易平臺的視角[J].社會科學研究，2021（06）：38-52.

[17]朱俊達.數據要素市場化配置下數據交易平臺監管的雙重要求及完善路徑[J].價格理論與實踐，2024（05）：55-61.

[18]王.數據交易場所的機制構建與法律保障-以數據要素市場化配置為中心[J].江漢論壇，2021（09）：129-137.

[19] MCAFEE A，BRYNJOLFSSON E， DAVENPORT TH， et al. Big data：The management revolution[J]. Har-vard Business Review， 2012， 90（10）：60-68.

[20]李海艦，趙麗．數據成為生產要素：特征、機制與價值形態演進[J].上海經濟研究，2021（08）：48-59

[21]王謙，付曉東.數據要素賦能經濟增長機制探究[J].上海經濟研究，2021（04）：55-66.

[22]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[J].數量經濟技術經濟研究，2021，38（03）：64-83.

[23] TEECE D J， PISANO G， SHUEN A. Dynamic capa-bilities and strategic management [J]. Strategic Man-agement Journal ， 1997， 18（07）：509-533.

[24]馬嫣然，呂寒，蔡建峰．數字經濟、技術創新與區域經濟增長[J].統計與決策，2023，39（06）：98-103.

[25] JONES C I， TONETTI C. Nonrivalry and the eco-nomics of data[J]. American Economic Review， 2020，110（09）：2819-2858.

[26]陳國青，任明，衛強，等.數智賦能：信息系統研究的新躍遷[J].管理世界，2022，38（01）：180-196.

[27]王同律.技術創新與企業價值增長[J].中南財經政法大學學報，2004（02）：126-131.

[28] ADNER R， PURANAM P， ZHU F. What is differentabout digital strategy？ From quantitative to qualitativechange[J]. Strategy Science， 2019， 4（04）：253-261.

[29]張永坤，李小波，邢銘強．企業數字化轉型與審計定價[J].審計研究，2021（03）：62-71.

[30]張玉蘭，翟慧君，景思婷，等.Ramp;D投入、融資約束與企業投資效率—基于中國制造業上市公司的經驗數據[J].會計之友，2019（16）：78-84.

[31]謝康，夏正豪，肖靜華．大數據成為現實生產要素的企業實現機制：產品創新視角[J].中國工業經濟，2020（05）：42-60.

[32]李東紅，烏日汗，陳東．“競合”如何影響創新績效：中國制造業企業選擇本土競合與境外競合的追蹤研究[J].管理世界，2020，36（02）：161-181+225.

[33]吳西雅，劉劍民．企業技術進步、地方財政支出波動與企業投資水平[J].財會月刊，2023，44（24）：47-53.

[34]劉劍民，侯曉晨，徐玉德．產業技術復雜性能夠改善企業投資效率嗎？[J].經濟管理，2024，46（09）：188-208.

[35] RICHARDSON S. Over-investment of free cashflow[J]. Review of Accounting Studies， 2006， 11：159-189.

[36] BECK T， LEVINE R， LEVKOV A. Big bad banks？The winners and losers from bank deregulation inthe United States[J]. The Journal of Finance， 2010，65（05）：1637-1667.

[37]馬光榮，張玲．“鄉財縣管”改革、基層政府治理與經濟發展[J].金融研究，2023（01）：39-56.

[38] CAI X Q， LU Y Q， WU M Q， et al. Does environmentalregulation drive away inbound foreign directinvestment？ Evidence from a quasi-natural experimentin China[J]. Journal of Development Economics， 2016，123：73-85.

[39]余明桂，王俐璇，趙文婷，等．專利質押、融資約束與企業勞動雇傭[J].數量經濟技術經濟研究，2022，39（09）：70-93.

[40] BIDDLE G C， HILARY G， VERDI R S. How doesfinancial reporting quality relate to investment efficien-cy？[J]. Journal of Accounting and Economics， 2009，48（2-3）：112-131.

[41] CHEN F， HOPE O K， LI Q， et al. Financial reportingquality and investment efficiency of private firms inemerging markets[J]. The Accounting Review， 2011，86（04）：1255-1288.

[42]白俊紅，張藝璇，卞元超，創新驅動政策是否提升城市創業活躍度—來自國家創新型城市試點政策的經驗證據[J].中國工業經濟，2022（06）：61-78.

[43]江艇．因果推斷經驗研究中的中介效應與調節效應[J].中國工業經濟，2022（05）：100-120.

[44]楊興哲，周翔翼.治理效應抑或融資效應？股票流動性對上市公司避稅行為的影響[J]會計研究，2020（09）：120-133.

[45]喬晗，李卓倫，黃朝椿．數據要素市場化建設的影響因素與提升路徑—基于復雜經濟系統管理視角的組態效應分析[J].外國經濟與管理，2023，45（01）：38-54.

（責任編輯：張艷妮）

Research on the Impact of Data Factor Marketization on Corporate Investment Efficiency： An Empirical Analysis Based on Technological Innovation Mechanisms

XIE Leil22， SHU Qiaofeng'

（1.Guilin University of Technology； 2.School of Foreign Languages and International Business， Guilin University of Aerospace Technology ）

Abstract：In theera of the digitaleconomy，data factors have become acore driver of high-qualitycorporate investment.This study takes therise of data trading platforms inChinaasa natural experimental setting and uses data from A-sharelisted companies in China from 20llto 2023to evaluatethe impact of data factor marketization on corporate investment efficiency and its mechanisms using a progressve difference-in-differences approach. The findings reveal that data factor marketization significantly enhances corporate investment efficiency， demonstrating the efficacy of investment optimization and governance.Further mechanism tests indicate that data factor marketization indirectly promotes investment effciency by incentivizing enterprises to increase technologicalinnovation investments.Heterogeneity tests show thathigh-tech enterprises，large-scale enterprises， enterprises inthe eastern region， and state-owned enterprises benefit more significantly from the processof data factor marketization.This study not only deepens the exploration of factors influencing corporate investment efficiency but also provides valuable insights for governments promoting data factor marketization reforms.

Keywords： Digital economy； Data factor marketization； Data trading platforms； Technological innovation； Corporate investment efficiency