开放科学(资源服务)标识码(OSID)：
To address this important question, this study follows the theories of potential difference and push-pull and aims to construct an analytical framework for the dynamic factors of enterprise data element supply from the perspectives of internal and external forces. Specifically, internal forces include data potential and economic benefits, while external forces encompass government support, data differentials, demand differentials, capability constraints, and risk constraints. Examining these forces is crucial for understanding the motivations and barriers that influence enterprise participation in data element supply activities. The study employs the NCA and fsQCA methods to analyze the configuration effects among a sample of 311 senior executives from data-driven enterprises. These methods enable a nuanced examination of the synergistic effects of various dynamic factors and provide a comprehensive understanding of the conditions that generate a high willingness to supply data elements.
The study yields several significant conclusions. Firstly, the key internal (data potential and economic benefits) and external (government support, data differentials, market demand, capacity constraints, and risk constraints, etc.) dynamic factors affecting the supply of data elements to enterprises are identified and the importance of dynamic factors such as data potential and data differentials is emphasized. Secondly, the formation of willingness to supply data factors is the result of multi-condition synergistic effects, without the presence of necessary conditions for the generation of high willingness. Thirdly, the study identifies five pathways that lead to high willingness to supply, and these five pathways are able to reflect the fact that different enterprises, in the light of their own actual situation, can achieve a high level of willingness to supply through a combination of internal and external dynamic factors. Fourthly, the study summarizes three dynamic models: "government support-market demand driven", "internal-external driving force synergistic driven" and "government support-data potential driven". A cross-sectional comparison of the three dynamic models shows that stronger government support and market demand play a universal role in high willingness to supply. Thus, to promote the generation of high willingness among enterprises, the two-wheel drive combining government support and market demand becomes the key. The government should actively explore the implementation of relevant incentives and support policies according to their characteristics, support the main body of enterprises' supplying data elements, and stimulate the entry of more market demand for data elements to create a stable policy environment and a good market order. Meanwhile, when selecting the appropriate dynamic model, enterprises need to consider the context and specific circumstances, tailoring their approach to participate in data element supply more effectively.
This paper contributes significantly in three aspects. Firstly, this paper enriches the relevant research from a configurational perspective. Taking into account the characteristics of data elements that distinguish them from other production elements, a systematic analytical framework is proposed, which remedies the inadequacy of previous results that have mostly studied single-dimensional conditions of incentives or disincentives. Secondly,it extends the research scope of potential difference theory and push-pull theory and extends their application to data elements supply research, which is a useful supplement to the existing research based on potential difference theory and push-pull theory. Finally, the current research on data element supply is still at the stage of theoretical exploration, with a predominance of qualitative analysis in the literature and relatively few empirical studies. This paper pioneers the integration of NCA and fsQCA methods into the research on data element supply, enriching the methodological approaches in this field.
开放科学(资源服务)标识码(OSID)：
数字时代,传统生产要素对经济拉动的边际效应减弱。数据要素既能直接参与生产过程以创造需求,也可赋能其它生产要素[1],已成为驱动经济社会发展的新动能[2]。2020年,中共十九届四中全会通过的《中共中央关于坚持和完善中国特色社会主义制度、推进国家治理体系和治理能力现代化若干重大问题的决定》提出,“健全劳动、资本、土地、知识、技术、管理、数据等生产要素由市场评价贡献、按贡献决定报酬的机制”。随后,国家相继出台多项相关政策,以期激发数据要素潜能,积极推动数据要素市场化。从数据大国迈向数据强国,数据要素市场主体培育是关键一环。因此,供给主体参与度较低这一问题亟待解决[3-4]。2023年8月《企业数据资源相关会计处理暂行规定》出台,标志着企业数据资产入表事宜正式被提上日程,企业数据作为重要供给来源(郑丁灏,2023),对促进数据要素充分流通和价值实现发挥积极作用。因此,有必要探讨如何激励企业释放数据并参与数据要素市场化流通这一问题。
现有相关研究主要从激励因素和阻碍因素视角考察影响企业数据要素供给的动力因素。在激励因素方面,政府支持、市场环境、政企关系、资源互补和利益共享等是影响企业数据要素供给的重要动力因素(孙逍等,2024;王张华等,2024)。在阻碍因素方面,感知风险和变革阻力等是影响企业数据要素供给的主要因素(吕小峰等,2023)。但现有文献尚未构建分析框架对企业数据要素供给动力因素进行系统探讨。相较于其它生产要素,数据要素具有诸多新特性,仅从单一维度研究数据要素供给较为局限,无法有效解释各种动力因素的协同效应。定性比较分析方法关注多因并发的非对称因果关系[5],可以揭示多重动力因素联合匹配的组态效应,能够全面解释不同动力因素组合对企业数据要素供给的作用机理。本文基于势差理论和推拉理论,采用NCA和fsQCA方法进行组态效应分析,以识别企业数据要素供给动力因素,构建系统性分析框架,旨在提升数据要素市场供给主体的积极性,盘活数据资产并促进数据要素流通,进而为我国强化数据要素供给能力提供理论参考。
1.1.1 数据要素
区别于其它传统生产要素,作为新型生产要素,数据具有外部性[6]、非均质性、部分排他性[7]、非消耗性[8]等特征属性,是实现经济发展和价值创造的重要源泉。数据具有正外部性,通过数据利用,企业可进一步实现数据积累,形成正反馈效应,从而提升决策效率(蔡继明等,2022)。相同数据对不同使用者、不同场景下的价值不同,存在“1+1>2”的规模经济特性。此外,数据要素流通能够进一步释放生产要素价值。
基于以往研究成果[9],本文从数据和生产要素角度定义数据要素:是指参与社会生产经营活动,并能够为使用者或所有者带来经济效益的、以电子方式记录的数据资源。目前,数据要素可分为公共数据、企业数据以及个人数据3类。本文主要基于企业数据视角,探讨如何激励企业主体释放数据参与数据要素市场化流通这一问题。
1.1.2 企业数据要素供给
本文企业数据要素供给是指企业将持有的数据要素提供给内部或外部利益相关者的过程。基于数据价值链,企业是数据要素市场供给主体中的重要组成部分(周毅,2023)。目前,学者们对企业数据要素供给进行了探索性研究,成果可分为两大类:第一,企业数据要素供给激励研究。段巍等(2024)从数据安全视角出发,探究企业数据交易激励机制;黄卓等(2023)从企业参与数据要素市场行为动力机制出发,运用“感知利益—准备状态—外部关系”分析框架剖析现阶段培育难题的深层次成因。第二,对企业数据要素供给路径的探讨。现有相关研究主要关注数据要素对企业价值创造的驱动作用,结果发现,数据资产共享和流通能够加快价值创造及增值(盛志云等,2023)。部分研究关注企业数据开放共享的现实需求及发展路径(李若兰,2023;孙逍等,2023);部分研究采用内容分析法、文献分析法等定性方法对企业数据共享体系进行梳理,探讨具体举措及实践过程(宋魏巍等,2022;张会平等,2023)。
综上,现有企业数据要素供给研究尚处于起步阶段,缺乏基于实证分析的理论研究,从企业层面探讨数据要素供给的研究有限,且鲜有探究企业数据要素供给的动力因素,探讨多重动力因素并发对企业数据要素供给意愿作用机理的研究更为匮乏。因此,有必要基于数据要素特性识别企业数据要素供给动力因素,进一步探讨多重动力因素并发对企业数据要素供给意愿的作用机理。
1.2.1 势差理论
数据要素不均衡分布可能导致不同主体根据自身持有的数据资源存量获得不同势能[4],由此形成数据势差,而数据势差使数据转移和流通成为必然(陈伟等,2013)。根据能量守恒定律,数据势能可转化为其它形式的能量,这种能量就是数据价值。当数据存量达到阈值时,具有较高的数据势能,基于对经济利益的追求,企业可以通过市场机制向外供给数据。由于数据要素具有非消耗性,企业数据存量并不会减少,但会不断耗散数据能量,即发挥数据价值。
本文采用势差理论分析企业数据要素供给动力因素,探讨作为数据供给方的企业与其他参与主体间的数据势能,以及与外界其他主体之间的数据势差。
1.2.2 推拉理论
19世纪80年代,英国经济学家和社会学家Ravenstein提出“人口迁移规律”—“迁移法则”。在此基础上,Lee(1966)提出了较为系统的推拉理论。推拉理论可用于分析某现象背后的行为或决策驱动因素,是借助“推力”“拉力”和“阻力”解释其变化过程的动态分析框架。作为新的发展业态和模式,数据要素市场流通是市场化配置的前提,意味着数据主体实现边界跨越,其中存在“推力”“拉力”和“阻力”。该理论可以解释企业内外部因素如何相互作用,以及如何推动或阻碍企业数据要素供给等问题。因此,本文将推拉理论引入动力因素分析过程,在此基础上构建企业数据要素供给动力因素分析框架,为实现数据要素优质供给提供参考。
基于势差理论和推拉理论,本文构建企业数据要素供给动力因素分析框架,如图1所示。企业数据要素供给动力因素可分为内部动力和外部动力两类。其中,内部动力是指存在于企业内部,促使其参与数据要素供给的内驱力;外部动力是指存在于企业外部,能够对其参与数据要素供给发挥推动或阻碍作用的因素,具有唤起、激发企业主体内部动力的功能。只有内外动力协同作用才能为企业数据供给提供动力(丁堃,2000)。
图1 动力因素分析框架
Fig.1 Analytical framework for dynamic factors
2.1.1 原动力
大数据时代,企业所持有的数据存量较大,具有较高的数据势能,成为重要数据供给方[10]。高数据势能和低数据势能是相对的,结合本文,数据势能是指企业在某个业务项目或领域具备的数据存量和积累程度。企业通过生产、汇集、加工和流通等活动不断积累数据资源,从而具备较高的数据势能。根据耗散结构理论,当企业持有的数据资源达到一定阈值时,能够通过与外界能量和物质交换产生熵的流动,从而形成新的有序结构(王展昭等,2021)。可见,企业能够积极利用数据资源实现数据要素价值化,并将其转化为实际收益。因此,数据势能可成为原动力,促使企业参与数据要素供给。
2.1.2 引导力
数据要素化正经历从“业务数据化”的数据内循环到“数据业务化”的数据外循环转变。信息时代,企业将重点放在业务过程数据化方面,以此实现降本增效[11]。大数据时代,企业逐渐认识到数据要素本身的价值,开始关注数据外循环。作为追求经济利益最大化的营利性组织,企业将所持有的数据资源转化为数据产品或服务,通过参与数据要素流通和交易实现数据价值变现,最终将其转化为自身经济利润(马费成等,2023)。经济利益是促使企业参与数据要素供给的引导力,参与数据要素供给是企业顺应时代发展趋势,重塑运作方式与商业模式的必经之路。
2.2.1 推力
政府不仅可以通过监管措施规范市场运行,而且能够制定激励政策或规则[12],以此为数据要素市场培育提供方向指引、政策供给、要素调配,成为推动企业进入数据要素市场并参与供给活动的重要力量。在地方层面,各地方政府已出台相关条例和激励政策,以推动数据要素供给能力提升(刘吉超,2021)。
在数据要素产业生态中,数据资源不均衡分布会导致各参与主体数据势能差异,形成各主体间数据势差(吕鹏等,2022)。企业数据势能越高,向外供给数据的可能性越大,越可能成为数据供给方;数据势能较低的主体受需求引导,获取数据的可能性越大,越可能成为数据需求方,这是促使数据要素流通的根本原因(陈伟等,2013)。
2.2.2 拉力
市场需求既是数据要素流通活动的起点,也是数据要素供给的外部拉动力量(高富平等,2022)。随着新一代信息技术(如大数据技术)不断涌现,各组织对数据要素的需求水平不断提升(王泽宇等,2023)。根据国家工信安全中心测算,“十四五”期间,我国数据要素市场规模将突破1 749亿元,进入高速发展阶段。结合数据要素特征,作为数据供给方的企业在数据要素流通过程中不会减损其持有的数据价值,反而可能将数据要素潜在价值转化为经济利润,成为新的业务增长点。因此,数据要素流通不仅能够满足市场需求,而且可以为企业带来商机和盈利。从本质上看,市场需求是企业追求经济利益最大化目标的主要外部拉力。在数据要素市场中,只有存在数据需求且能够获得经济利益时,企业才会参与数据要素供给。
2.2.3 阻力
企业数据要素供给阻力主要包括能力约束和风险约束。一方面,能力约束是指企业主体梳理所持有的数据资源,并将其转化为数据产品或服务的能力有限,因而限制数据要素供给(王泽宇等,2023)。另一方面,在进入数据要素市场时,企业会受到门槛限制,这也是能力约束的表现。总之,能力约束不仅涉及企业内部,而且涉及外部市场对企业的限制。
风险约束来源于外部环境的不确定性。数据要素具有部分排他性,在数据要素市场中存在数据权属争议问题(刘涛雄等,2023)。这意味着一旦企业将数据要素投放到市场中,就会面临数据要素流通范围及使用途径难以控制的风险[13]。上述情况下,企业风险增大,同时企业参与数据要素供给的积极性受到抑制[14]。
能力约束和风险约束会增加企业数据要素供给成本。因此,在数据供给成本远高于收益的情景下,企业不倾向于数据供给 [15]。由于能力约束,部分中小企业缺乏数据要素供给能力(熊巧琴等,2021),而部分持有大量数据的企业出于对风险的考量,倾向于采取数据自留行为,不愿意参与数据要素供给活动[16]。鉴于能力约束和风险约束对企业数据要素供给的影响,本文将阻力作为外部动力因素,进一步探讨企业数据要素供给的复杂性。
本文采用NCA和fsQCA方法探究企业数据要素供给动力因素组态效应,主要原因如下:第一,企业数据要素供给是多种因素组合协同的复杂问题,各动力因素在企业数据要素供给过程中并不能独立发挥作用。fsQCA方法能够厘清企业数据要素供给的关键动力因素组合。第二,本文将NCA方法作为fsQCA方法的补充,确定必要条件及该条件在何种程度上是必要条件(杜运周等,2020)。
综上,企业数据要素供给是一个有机复杂系统,各内外动力因素协同作用。本文选取7个内外动力因素作为条件变量,以供给意愿作为结果变量,采用NCA和fsQCA方法探究上述动力因素组合模式对企业数据要素供给意愿的影响机制,具体影响机制模型如图2所示。
图2 影响机制模型
Fig.2 Configuration model
3.2.1 数据收集
本文以数据要素型企业为研究对象,通过发放问卷获取样本数据。数据要素型企业是直接参与数据资源要素化的企业[4],本文中,是指自身持有大量数据且能够将数据提供给第三方数据服务商的企业,如金融、互联网、交通运输、医药健康、能源行业、工业制造和通信运营7大数据密集型行业企业。上述企业作为数据要素市场的供给侧,适合本文研究情境。本文主要以数据要素型企业中的高管为调研对象,2023年8～9月通过多种途径发放问卷358份,剔除不符合标准或存在严重数据缺失的问卷后,最终得到311份有效问卷,样本企业基本情况如表1所示。
表1 样本企业信息
Table 1 Information on sample enterprises
特征 分类 样本数 占比(%) 所属行业 工业制造 141 45.3 互联网 87 28.0 交通运输、仓储和邮政业 11 3.5 金融业 40 12.9 能源行业 15 4.8 通信运营 10 3.2 医疗健康 7 2.3 企业类型 私有企业 137 44.1 股份制企业 35 11.3 合资企业 34 10.9 国有企业 95 30.5 其它 10 3.2 企业规模 100人以下 17 5.5 101～300人 49 15.8 301～500人 78 25.1 501～1000人 63 20.3 1000人以上 104 33.4 成立年限 小于5年 17 5.5 5～8年 37 11.9 8年以上 257 82.6
3.2.2 变量测量
为确保条件变量和结果变量测量结果的有效性与可靠性,本文测量量表均为以往研究的成熟量表,并基于专家意见和预调研结果进行相应调整。采用Likert 7级量表(1～7表示“非常不同意”到“非常同意”)对正式问卷题项进行测量,测量题项和来源如表2所示。
表2 测量题项与来源
Table 2 Measurement items and sources
变量 测量题项 来源文献 数据势能 (DP) 本企业所持有的数据资源能够应用于多个领域 王斌等[17] 本企业能够积极开发利用所持有的数据资源 本企业能够主动搜寻企业外部数据资源 本企业数据资源增长速度较快 经济利益 (EB ) 本企业参与数据要素供给期望获得政策补贴 李少惠等(2022) 本企业参与数据要素供给期望获得合作资助 本企业参与数据要素供给期望增加经营收入 政府支持 (GS ) 政府需要对数据要素供给进行培育和扶植工作 韩 晨 等 (2018)、Li 等[18] 政府需要发布有关促进数据要素供给流通的政策文件 政府需要提供必要的财政政策和合规保障 政府需要鼓励对企业进行数据产权保护 数据势差 (DPD ) 本企业相较其他企业在本行业数据资源熟悉程度方面存在差距(或高或低) 戴勇等(2018) 本企业相较其他企业在本行业已积累的数据资源存量上存在差距(或高或低) 本企业相较其他企业在对数据资源分析及洞察能力方面存在差距(或高或低) 市场需求 (MN ) 数据产品(服务)具有广阔的、潜在受众基础和需求群体 刘婧等(2018) 数据产品(服务)有着很好的市场认可度和正面评价 数据产品(服务)预期利润率较高 能力约束 (CaC ) 本企业具备保障数据资源质量的治理能力 詹湘 东 等(2019)、方 炜 等(2019) 本企业具备汇聚和开发所持有数据资源的能力 本企业有可能达到进入数据要素市场准入门槛的能力 风险约束 (RC ) 本企业参与数据要素供给可能会面临数据合法合规的风险 李少惠等(2022) 本企业参与数据要素供给可能会面临后期政策不确定的风险 本企业参与数据要素供给可能会面临数据安全的风险(如数据滥用、数据隐私泄露等) 本企业参与数据要素供给可能会面临数据产品(服务)应用场景不确定的风险 供给意愿 (SW ) 本企业愿意配合数据要素市场的推广活动 马歆等(2022) 本企业愿意参与数据要素市场的相关活动 本企业愿意有偿供给所持有的数据资源以参与数据要素市场
3.2.3 信效度检验
本文借助SPSS25和AMOS 25进行信效度分析,结果如表3和表4所示。表3显示,各变量的Cronbach's α和CR值均在0.7以上,具备较高信度。表4显示,各变量的AVE值均大于0.5,具有较高收敛效度,且每个变量的AVE平方根均大于该变量与其它变量间的皮尔森相关性系数,表明变量间区分效度较高。此外,本文采用Harman单因子检验法验证是否存在共同方法偏差问题。结果表明,最大因子解释的方差为32.796%,小于40%的阈值[19]。因此,本文不存在显著共同方法偏差问题。
表3 载荷量与信度分析结果
Table 3 Factor loadings and reliability analysis results
变 量 题 项 标 准 化 因 子 载 荷 C r o n b a c h' s α C R 数 据 势 能 D P 1 0 . 7 1 7 0 . 8 1 4 0 . 8 1 6 D P 2 0 . 7 3 9 D P 3 0 . 7 0 3 D P 4 0 . 7 3 9 经 济 利 益 E B 1 0 . 7 9 2 0 . 8 1 5 0 . 8 1 6 E B 2 0 . 7 6 4 E B 3 0 . 7 6 1 政 府 支 持 GS 1 0 . 7 8 1 0 . 8 3 6 0 . 8 3 6 GS 2 0 . 7 3 7 GS 3 0 . 7 5 9 GS 4 0 . 7 1 8 数 据 势 差 D P D 1 0 . 9 2 4 0 . 9 4 1 0 . 9 4 3 D P D 2 0 . 9 1 1 D P D 3 0 . 9 2 4 市 场 需 求 MN 1 0 . 7 4 2 0 . 7 5 1 0 . 7 5 2 MN 2 0 . 7 2 1 MN 3 0 . 6 6 2 能 力 约 束 Ca C 1 0 . 7 7 3 0 . 8 2 4 0 . 8 2 5 Ca C 2 0 . 7 7 8 Ca C 3 0 . 7 9 5 风 险 约 束 RC 1 0 . 8 7 1 0 . 9 4 7 0 . 9 4 7 RC 2 0 . 9 2 8 RC 3 0 . 8 8 6 RC 4 0 . 9 3 2 供 给 意 愿 SW 1 0 . 7 8 5 0 . 8 3 0 0 . 8 3 1 SW 2 0 . 8 0 0 SW 3 0 . 7 7 9
表4 描述性统计及效度分析结果
Table 4 Results of descriptive statistics and validity analysis
变量 描述性统计 Mean S.D. 收敛效度 AVE 区分效度 DP EB GS DPD MN CaC RC SW DP 5.799 0.881 0.525 0.725 EB 5.761 0.940 0.597 0.468 0.773 GS 5.973 0.772 0.561 0.438 0.703 0.749 DPD 4.916 1.554 0.846 0.148 0.256 0.241 0.920 MN 5.862 0.740 0.503 0.525 0.602 0.605 0.196 0.709 CaC 5.845 0.942 0.612 0.683 0.355 0.330 0.045 0.479 0.782 RC 3.326 1.750 0.818 -0.226 -0.097 -0.086 0.155 -0.115 -0.232 0.904 SW 5.883 0.934 0.597 0.561 0.555 0.513 0.152 0.619 0.454 -0.251 0.788
注:斜对角线数字为该变量AVE的根号值
在处理数据时需要对数据进行反向处理,以得到能力约束的测量结果。fsQCA的隶属值范围为0～1,因而需要对7级李克特量表测量的样本数据进行校准,取值介于0～1之间。参考已有研究成果[20],本文采用各变量题项均值作为其初始数值,根据标准95%(完全隶属)、50%(交叉点)和5%(完全不隶属)对变量进行校准,得到各变量模糊隶属度分数,并将校准后等于0.50的数据修正为0.501以防止后续产生组态归属问题。校准锚点如表5所示。
表5 样本校准锚点
Table 5 Sample calibration anchors
变 量 完 全 不 隶 属 交 叉 点 完 全 隶 属 D P 4 . 0 0 6 . 0 0 7 . 0 0 E B 4 . 0 0 6 . 0 0 7 . 0 0 GS 4 . 5 0 6 . 0 0 7 . 0 0 D P D 2 . 0 0 5 . 3 3 6 . 6 7 MN 4 . 6 7 6 . 0 0 7 . 0 0 Ca C 1 . 0 0 2 . 0 0 4 . 0 0 RC 1 . 5 0 2 . 5 0 6 . 2 5 SW 4 . 0 0 6 . 0 0 7 . 0 0
3.4.1 NCA必要条件分析
NCA方法可以识别单一条件是否为构成组态的必要条件,并进一步分析其效应量[21]。本文使用R语言中的“NCA”包进行必要条件分析,并采用上限回归(Ceiling Regression, CR)和上限包络(Ceiling Envelopment, CE)两种估计方法。根据效应量(d)大于或等于0.1的判别标准,采用蒙特卡洛仿真置换检验方法验证显著性[22],NCA结果见表6。本文采用李克特7级量表数据,因此主要参考CR的结果,并将CE作为参照(杜运周等,2020)。
表6 NCA方法必要条件分析结果
Table 6 Results of the analysis of the necessary conditions for the NCA method
条 件 变 量 方 法 精 确 度 ( % ) 上 限 区 域 ( c e i l i n g z o n e ) 范 围 效 应 量 ( d ) P 值 D P C R 1 0 0 0 . 0 0 7 0 . 9 0 0 . 0 0 7 0 . 1 7 1 C E 1 0 0 0 . 0 1 3 0 . 9 0 0 . 0 1 5 0 . 0 6 7 E B C R 9 9 . 7 0 . 0 0 8 0 . 9 0 0 . 0 0 9 0 . 0 9 9 C E 1 0 0 0 . 0 1 1 0 . 9 0 0 . 0 1 2 0 . 0 8 7 GS C R 1 0 0 0 . 0 0 4 0 . 9 0 0 . 0 0 5 0 . 2 4 5 C E 1 0 0 0 . 0 0 9 0 . 9 0 0 . 0 1 0 0 . 1 9 7 D P D C R 1 0 0 0 . 0 0 0 0 . 9 1 0 . 0 0 0 1 . 0 0 0 C E 1 0 0 0 . 0 0 0 0 . 9 1 0 . 0 0 0 1 . 0 0 0 MN C R 9 8 . 7 0 . 0 5 1 0 . 9 0 0 . 0 5 6 0 . 0 0 0 C E 1 0 0 0 . 0 6 1 0 . 9 0 0 . 0 6 7 0 . 0 0 0 Ca C C R 1 0 0 0 . 0 0 0 0 . 9 0 0 . 0 0 0 1 . 0 0 0 C E 1 0 0 0 . 0 0 0 0 . 9 0 0 . 0 0 0 1 . 0 0 0 RC C R 1 0 0 0 . 0 0 0 0 . 9 1 0 . 0 0 0 1 . 0 0 0 C E 1 0 0 0 . 0 0 0 0 . 9 1 0 . 0 0 0 1 . 0 0 0
研究结果表明,在企业数据要素供给动力因素中,数据势能、经济利益、政府支持、数据势差、能力约束和风险约束的必要性效应均不显著(P>0.05),上述条件变量均不能单独构成供给意愿产生的必要条件。在CR方法下,市场需求的必要性效应显著,但效应量较小(d<0.1),也不能构成供给意愿产生的必要条件。
本文进一步采用CR方法进行瓶颈水平分析。由表7可知,达到60%的供给意愿水平,需要0.5%水平的数据势能,0.3%水平的能力约束,而其它5个条件变量不存在瓶颈水平。
表7 NCA方法瓶颈水平(%)分析结果
Table 7 Results of NCA method bottleneck level (%) analysis
供 给 意 愿 数 据 势 能 经 济 利 益 政 府 支 持 数 据 势 差 市 场 需 求 能 力 约 束 风 险 约 束 0 N N N N N N N N N N N N N N 1 0 N N N N N N N N N N N N N N 2 0 N N N N N N N N N N N N N N 3 0 N N N N N N N N N N N N N N 4 0 N N N N N N N N N N N N N N 5 0 N N N N N N N N N N N N N N 6 0 0 . 5 N N N N N N N N 0 . 3 N N 7 0 1 . 2 N N N N N N 1 . 1 0 . 8 6 . 1 8 0 1 . 8 N N N N N N 2 . 2 1 . 2 1 4 . 0 9 0 2 . 5 N N N N N N 3 . 4 1 . 7 2 1 . 9 1 0 0 3 . 2 N N N N N N 4 . 6 2 . 1 2 9 . 8
3.4.2 QCA必要性检验结果
本文进一步采用fsQCA方法检验单一条件变量的必要性,结果如表8所示。是否为必要条件取决于条件变量对结果的一致性评估,若一致性水平高于0.9,则认为该条件变量为结果的必要条件(杜运周等,2017)。由表8可知,单个条件变量必要性的一致性水平均低于0.9,因而不存在引致高供给意愿的必要条件。上述结果与NCA结果一致。
表8 高供给意愿fsQCA必要条件分析结果
Table 8 Results of fsQCA necessary condition analysis for high supply willingness
条 件 变 量 一 致 性 覆 盖 率 条 件 变 量 一 致 性 覆 盖 率 数 据 势 能 0 . 8 0 0 0 . 8 6 6 市 场 需 求 0 . 7 8 3 0 . 8 8 4 ～ 数 据 势 能 0 . 5 7 5 0 . 6 4 7 ～ 市 场 需 求 0 . 5 7 0 0 . 6 1 5 经 济 利 益 0 . 7 8 6 0 . 8 5 7 能 力 约 束 0 . 5 4 9 0 . 6 5 6 ～ 经 济 利 益 0 . 5 8 2 0 . 6 5 1 ～ 能 力 约 束 0 . 8 4 4 0 . 8 6 4 政 府 支 持 0 . 8 3 5 0 . 8 3 7 风 险 约 束 0 . 5 4 2 0 . 5 9 8 ～ 政 府 支 持 0 . 5 4 2 0 . 6 6 5 ～ 风 险 约 束 0 . 7 0 2 0 . 7 7 5 数 据 势 差 0 . 7 2 4 0 . 7 5 6 ～ 数 据 势 差 0 . 5 5 9 0 . 6 5 4
本文采用fsQCA3.0软件进行分析,识别促使高供给意愿产生的条件组态。为满足保留总样本数75%的要求,本文将案例频数阈值设置为3,将一致性阈值设置为0.8,将PRI一致性设置为0.85(张明等,2019)。参考以往研究成果(张明等,2019),汇报中间解,辅以简约解,将同时出现在中间解和简约解的条件作为核心条件,将仅出现在中间解的条件作为辅助条件(杜运周等,2017)。组态结果呈现方式遵循现有文献标准[23],结果如表9所示。
表9 高供给意愿组态分析结果
Table 9 Configuration analysis of high supply willingness
条 件 变 量 H 1 a H 1 b H 1 c H 2 H 3 数 据 势 能 ● ● ● 经 济 利 益 ● ● ● ● 政 府 支 持 ● ● ● ● ● 数 据 势 差 ● ● ● 市 场 需 求 ● ● ● ● ● 能 力 约 束 ● 风 险 约 束 ● 一 致 性 0 . 9 7 7 0 . 9 8 2 0 . 9 8 4 0 . 9 7 8 0 . 9 8 1 原 始 覆 盖 率 0 . 4 6 4 0 . 3 1 0 0 . 2 6 1 0 . 5 0 0 0 . 3 2 0 唯 一 覆 盖 率 0 . 0 0 9 0 . 0 2 2 0 . 0 1 0 0 . 0 0 4 0 . 0 1 1 总 体 一 致 性 0 . 9 7 0 总 体 覆 盖 率 0 . 6 3 8
注:●核心条件存在, ⊗核心条件缺席, ● 辅助条件存在,⊗辅助条件缺席,“空白”表示该条件可存在亦可缺席,下同
通过组态分析发现,促使高供给意愿产生的路径有5种,总体一致性为0.970,具有较高解释力度,总体覆盖率为0.638,能够解释大部分案例。其中,组态H1a、H1b和H1c具有相同的核心条件,即政府支持和市场需求均存在,风险约束缺席,但辅助条件存在差异。具体来说,组态H1a中,数据势能存在和经济利益存在作为辅助条件,数据势差和能力约束为无关紧要的条件。组态H1b中,数据势能存在、数据势差缺席和能力约束缺席作为辅助条件,经济利益为无关紧要的条件。组态H1c中,经济利益存在、数据势差存在和能力约束存在作为辅助条件,数据势能为无关紧要的条件。此外,组态H2中,数据势能、经济利益、政府支持、数据势差以及市场需求为核心条件,能力约束和风险约束为无关紧要的条件。组态H3中,政府支持存在、数据势差存在和能力约束缺席作为核心条件,经济利益存在、市场需求存在和风险约束存在作为辅助条件,数据势能为无关紧要的条件。通过横向对比发现,政府支持和市场需求存在于所有组态路径中。组态H2特别强调内部动力(数据势能、经济利益)作为核心条件与外部动力(政府支持、数据势差和市场需求)的协同作用。
参考Fiss[23]的研究成果,具有相同核心条件的组态可合并为二阶等价组态。因此,本文将H1a、H1b和H1c合并作为二阶等价组态。基于5种路径的核心条件及其背后逻辑,本文得出3种促使企业数据要素供给意愿产生的动力模式,即“政府支持—市场需求驱动型”“内部—外部动力协同驱动型”和“政府支持—数据势差驱动型”。
3.5.1 政府支持—市场需求驱动型
组态H1a、H1b和H1c构成“政府支持—市场需求驱动型”的动力模式。该模式表明,企业高供给意愿主要受高政府支持、高市场需求和非高风险约束驱动。在推动企业参与数据要素供给活动方面,政府可以提供积极支持,包括政策支持、法规优惠、合规保障等,从而为企业营造良好的参与环境。此外,由于数据驱动的商业模式兴起,市场对数据要素的需求较大,高市场需求能够为企业数据要素供给提供较强的商业动机。上述模式下,政府发挥支持和监管作用,市场发挥推动和引领作用。然而,即使在政府支持和高市场需求情景下,作为阻力的风险约束仍可能削弱企业数据要素供给意愿。如果企业担心数据供给可能带来的风险,那么其会谨慎参与数据要素供给,甚至出现“数据自留”或“数据自用”的情况。因此,非高风险约束表明企业数据要素供给动力来源于缺少对潜在风险的担忧,解决企业所面临的风险约束能够强化其数据供给意愿,实现数据利用。
3个子模式组态中,H1a表明,无论数据势差和能力约束存在与否,高数据势能企业往往掌握着丰富且有价值的数据要素,在政府支持和市场需求双重加持下,具备经济利益获取条件,因而会表现出高供给意愿。H1b表明,无论经济利益存在与否,当企业具有较高数据势能时,若能将其转化为有价值的数据产品或服务,即便缺乏数据势差,也可提升自身在市场中的竞争优势,因而会表现出高供给意愿。H1c表明,无论数据势能存在与否,企业都能够基于数据势差并利用数据资源获得数据位势,通过满足市场需求获取经济利益。尽管存在能力约束,但政府支持和市场需求能够强化企业供给意愿。
3.5.2 内部—外部动力协同驱动型
组态H2属于“内部—外部动力协同驱动型”。该模式表明,无论能力约束和风险约束存在与否,当企业拥有高数据势能和高经济利益,并处于高政府支持、高数据势差和高市场需求环境时,更易表现出高供给意愿。与组态H1a、H1b、H1c相比,组态H2中企业需要具备高水平政府支持、市场需求和数据势差,以及较高的数据势能和经济利益,借助内外部动力协同驱动企业高供给意愿产生。高数据势能意味着企业持有丰富的数据资源,能够将其转化为数据要素产品或服务,从而获取经济利益。企业意识到数据资源的重要性,通过加大对数据要素供给的投入满足市场需求,促进外部动力形成和强化。同时,外部动力发挥重要作用,政府支持能够发挥保障和引导作用,市场需求表明对数据产品或服务的需求高涨。根据势差理论,不同数据势能主体进行数据要素流通,高数据势能企业通过供给数据要素获取经济利益,从而进一步激发其内部动力。
当数据势能、经济利益、政府支持、市场需求和数据势差等核心条件同时存在,内部动力和外部动力相互作用,共同促使高供给意愿产生。企业数据势能和经济利益激发外部动力,而政府支持、市场需求和数据势差进一步强化内部动力。上述协同作用下,企业更加愿意参与数据要素供给,提高数据要素供给水平,从而推动数据经济发展。
3.5.3 政府支持—数据势差驱动型
组态H3属于“政府支持—数据势差驱动型”。该模式表明,无论数据势能存在与否,企业高供给意愿主要受高政府支持、高数据势差和非高能力约束驱动。高政府支持意味着政府通过资金支持、技术支持、市场准入政策等方式为企业提供必要条件和环境,鼓励企业供给数据要素,实现数据资源积累与利用,从而促使数据势差形成。高数据势差代表企业数据要素供给动力来源于其在数据要素市场中的数据位势,数据势差越大,数据要素供给推力越强,这是企业参与数据供给的核心条件。能力约束缺席意味着企业在汇聚、处理和加工数据资源方面不存在明显限制,即具备充足的技术、资源和人才,能够最大限度地发挥数据势差优势。此外,经济利益、市场需求和风险约束等辅助因素可能会强化上述核心条件的影响,进一步增强企业数据要素供给意愿。当存在经济利益时,企业更有动力积极参与数据要素供给,并借助政府支持和数据势差获取竞争优势。当存在市场需求时,企业更加重视数据资源价值,并将其作为参与数字经济的重要资产。因此,市场需求可强化政府支持和数据势差这两个核心条件的影响。当存在风险约束时,企业需要关注风险管理并采取相应措施降低风险。政府支持和数据势差可为企业提供相应支持,减轻风险约束,从而增强其数据要素供给参与意愿。
参考以往研究成果[24],本文通过调整原始一致性阈值、案例频数阈值和PRI一致性阈值等3种方法进行稳健性检验。
(1)将原始一致性阈值由0.8提高到0.85,由此产生的组态与原组态一致。
(2)将案例频数从3提升至4,由此产生的组态为原组态子集,部分条件有所调整(核心/辅助),但不影响整体结论(任相伟等,2024)。
(3)将PRI一致性阈值由0.85提高到0.87,由此产生的组态为原组态子集(张明等,2020) ,如表10所示。
表10 稳健性检验结果
Table 10 Results of robustness tests
条 件 变 量 原 始 一 致 性 提 升 至 0 . 8 5 S 1 S 2 S 3 S 4 S 5 案 例 频 数 阈 值 提 升 至 4 N 1 N 2 N 3 N 4 数 据 势 能 ● ● ● ● ● 经 济 利 益 ● ● ● ● ● ● ● ● 政 府 支 持 ● ● ● ● ● ● ● ● ● 数 据 势 差 ● ● ● ● ● ● 市 场 需 求 ● ● ● ● ● ● ● ● ● 能 力 约 束 ● ● 风 险 约 束 ● ● 一 致 性 0 . 9 7 7 0 . 9 8 2 0 . 9 8 4 0 . 9 7 8 0 . 9 8 1 0 . 9 7 7 0 . 9 8 4 0 . 9 7 8 0 . 9 8 1 原 始 覆 盖 率 0 . 4 6 4 0 . 3 1 0 0 . 2 6 1 0 . 5 0 0 0 . 3 2 0 0 . 4 6 4 0 . 2 6 1 0 . 5 0 0 0 . 3 2 0 唯 一 覆 盖 率 0 . 0 0 9 0 . 0 2 2 0 . 0 1 0 0 . 0 0 4 0 . 0 1 1 0 . 0 9 0 0 . 0 1 0 0 . 0 0 4 0 . 0 1 1 总 体 一 致 性 0 . 9 7 0 0 . 9 7 0 总 体 覆 盖 率 0 . 6 3 8 0 . 6 1 6
注:限于篇幅,表10只展示提高原始一致性阈值与提高案例频数阈值后的结果,提高PRI一致性阈值后的结果留存备索
综上所述,本文研究结果较为稳健。
本文基于势差理论和推拉理论,采用NCA与fsQCA方法从内部动力和外部动力出发,探讨导致企业数据要素供给意愿差异的多重并发作用机制,得出以下主要研究结论:
(1)识别影响企业数据要素供给的内部动力因素(数据势能、经济利益)和外部动力因素(政府支持、数据势差、市场需求、能力约束和风险约束等)。其中,数据势能和数据势差等动力因素对企业数据要素供给发挥关键作用。在数据势差、政府支持和市场需求相结合的情景下,企业参与数据要素供给的积极性显著提升。
(2)由必要条件检验结果可知,单一动力因素均不是引致企业高供给意愿的必要条件。数据势能、经济利益、政府支持、数据势差、市场需求、能力约束和风险约束只有发挥协同作用才能影响企业数据要素供给。由此表明,促使企业数据要素供给意愿产生是多条件协同作用的复杂过程。
(3)引致企业高供给意愿的组态路径有5种,这5种组态路径能够体现不同企业结合实际情况,通过内外部动力因素组合产生高供给意愿。换言之,企业高供给意愿产生的组态路径存在多重并发性且组态间具有等效性。
(4)本文归纳出“政府支持—市场需求驱动型”“内部—外部动力协同驱动型”和“政府支持—数据势差驱动型”3种动力模式。对比3种动力模式可知,政府支持和市场需求对高供给意愿发挥普适作用。由此表明,数据资源化利用正经历由政府推动向政府与市场双轮驱动的根本性变革。
(1)本文基于组态视角,结合数据要素特征,构建系统性分析框架,以数据势能和数据势差作为关键动力条件,旨在探究企业数据要素供给内外部动力因素的组态效应,为解答数据要素供给问题提供了新视角,弥补了以往研究的不足,丰富了数据要素供给相关研究。
(2)本文拓展了势差理论和推拉理论研究范畴,是对现有相关研究的有益补充。将数据势能和数据势差作为关键条件,拓宽了势差理论研究边界,为数据资源化利用研究提供了新视角。同时,本文基于推拉理论分析内外部动力因素的协同联动效应,为探讨企业数据要素供给的复杂决策过程提供理论洞察。
(3)本文采用NCA和fsQCA两种方法探讨企业数据要素供给问题,丰富了该领域研究方法。现有企业数据要素供给研究处于理论探索阶段,多数以定性分析为主,实证研究较少[25]。本文利用NCA和fsQCA方法探讨企业数据要素供给的内外部动力因素组态效应,为进一步揭示企业数据要素供给的复杂动力因素提供了依据。
(1)数字经济背景下,数据成为关键生产要素。本文发现,政府支持与市场需求是推动企业参与数据要素供给的关键动力因素。为了激发企业高供给意愿,政府部门应采取灵活的策略,出台相关激励及扶持政策,制定完善的市场基础制度。具体而言,政策制定者可以通过提供财政补贴、税收优惠、设立数据中心等方式培育数据要素供给主体。同时,相关部门可以通过统一监管和标准化管理应对市场变化,从而促进数据要素市场需求增长。此外,可以探索多元化数据要素收益分配模式,提高企业参与数据要素供给的积极性。总之,需要结合地方需求实际,拓展数据产品及服务应用场景,挖掘潜在市场需求,从而加快数据要素市场化配置。
(2)企业数据要素供给意愿受多种动力因素的协同影响。因此,企业应考虑具体情境,因地制宜、合理参与数据要素供给。“政府支持—市场需求驱动型”模式下,企业应积极响应政策,确保自身具备合规性资质,灵活适应市场需求变化。“内部—外部动力协同驱动型”模式下,企业需要提升内部员工的数据意识,同时合理利用外部资源,借助内外动力协同增效。“政府支持—数据势差驱动型”模式下,企业应主动参与政府支持的数据项目,借助政府资源和平台,利用数据势差实现数据要素有效供给。上述3种动力模式并非孤立存在,而是相互影响。因此,企业需要结合自身优势和外部条件,对上述动力模式进行灵活选择,实现数据要素最优供给。
本研究存在以下不足:一方面,本文从内外两方面探讨企业数据要素供给动力因素,但仍可能遗漏其它因素,未来可进一步丰富动力因素,并将其纳入新的分析框架,全面解释企业数据要素供给现象。另一方面,本文仅基于静态数据进行分析,未来可基于时间序列数据对企业数据要素供给意愿进行探索,进一步反映新兴业态变化的影响。
[1] 谢康, 夏正豪, 肖静华. 大数据成为现实生产要素的企业实现机制:产品创新视角[J].中国工业经济, 2020,37(5): 42-60.
[2] 范德成, 肖文雪. 数据要素配置与区域创新:赋能效果及作用路径[J].科技进步与对策, 2023, 40(20): 30-41.
[3] 李春发, 姜辉辉, 李冬冬. 数据共享、公平关切与零供合作演化博弈[J].软科学, 2021, 35(10): 130-137.
[4] 李金璞, 汤珂. 论数据要素市场参与者的培育[J].西安交通大学学报(社会科学版), 2023, 43(4): 78-89.
[5] 杜运周, 李佳馨, 刘秋辰, 等. 复杂动态视角下的组态理论与QCA方法:研究进展与未来方向[J].管理世界, 2021, 37(3): 180-197.
[6] JONES C I, TONETTI C. Nonrivalry and the economics of data[J].American Economic Review, 2020, 110(9): 2819-2858.
[7] GAESSLER F, WAGNER S. Patents, data exclusivity, and the development of new drugs[J].The Review of Economics and Statistics, 2022, 104(3): 571-586.
[8] 张斌, 马海群, 商容轩. 跨境数据流通特征对政府内外数据互联互通的启示[J].现代情报, 2022, 42(10): 99-109.
[9] 马费成, 吴逸姝, 卢慧质. 数据要素价值实现路径研究[J].信息资源管理学报, 2023, 13(2): 4-11.
[10] 赵需要, 郭义钊, 姬祥飞, 等. 政府开放数据生态链上数据要素价值分析及评估模型构建——基于“数据势能”的方法[J].情报理论与实践, 2022, 45(12): 50-59.
[11] 王永贵, 汪淋淋. 传统企业数字化转型战略的类型识别与转型模式选择研究[J].管理评论, 2021, 33(11): 84-93.
[12] 孙国强, 谢雨菲. 区块链技术、供应链网络与数据共享:基于演化博弈视角[J].中国管理科学, 2023, 31(12): 149-162.
[13] 蔡跃洲, 马文君. 数据要素对高质量发展影响与数据流动制约[J].数量经济技术经济研究, 2021, 38(3): 64-83.
[14] 龚强, 班铭媛, 刘冲. 数据交易之悖论与突破:不完全契约视角[J].经济研究, 2022, 57(7): 172-188.
[15] 姜宇. 数据要素市场化的一种方案:基于数据信托的数据交易所机制重构[J].电子政务, 2023, 20(7): 12-26.
[16] 吴双, 王勇. 数据生产要素的基础理论构建:新结构经济学视角[J].北京交通大学学报(社会科学版), 2024, 23(2): 59-68.
[17] 王斌, 郭清琳. 焦点企业知识存量对联盟组合分裂断层的影响:知识转移效率的中介作用[J].科技进步与对策, 2020, 37(5): 151-160.
[18] LI H, ATUAHENE-GIMA K. Product innovation strategy and the performance of new technology ventures in China[J].Academy of Management Journal, 2001, 44(6): 1123-1134.
[19] PODSAKOFF P M, MACKENZIE S B, LEE J Y, et al. Common method biases in behavioral research: a critical review of the literature and recommended remedies[J].J Appl Psychol, 2003,88(5): 879-903.
[20] PAPPAS I O, WOODSIDE A G. Fuzzy-set qualitative comparative analysis (fsQCA): guidelines for research practice in information systems and marketing[J].International Journal of Information Management, 2021, 58(3): 102310.
[21] DUL J. Necessary condition analysis (NCA): logic and methodology of "necessary but not sufficient" causality[J].Organizational Research Methods, 2016, 19(1): 10-52.
[22] DUL J, VAN DER LAAN E, KUIK R. A statistical significance test for necessary condition analysis[J].Organizational Research Methods, 2020, 23(2): 385-395.
[23] FISS P C. Building better causal theories: a fuzzy set approach to typologies in organization research[J].Academy of Management Journal, 2011, 54(2): 393-420.
[24] 张明, 杜运周. 组织与管理研究中QCA方法的应用:定位、策略和方向[J].管理学报, 2019, 16(9): 1312-1323.
[25] 乔晗, 李卓伦, 黄朝椿. 数据要素市场化建设的影响因素与提升路径——基于复杂经济系统管理视角的组态效应分析[J].外国经济与管理, 2023, 45(1): 38-54.