The Linkage Path of High-Level Development of Data Element Marketization in China

Shang Yu, Kang Shikang

(School of Management, China University of Mining and Technology-Beijing, Beijing 100083, China)

Abstract：Data elements are strategic and fundamental resources for China's development and serve as a powerful driving force for the digital economy's growth. As a new type of production factor, the data element is unique because it represents an advanced productive force-new productive force. Data elements are of fundamental significance for realizing data value, digital industrialization, and digitalization of governance, and have the characteristics of high transformability, high innovativeness, and high integrability. The exploration of the linkage path to achieve the marketized high-level development of data elements significantly improves new-quality productive forces.

At present, China is in the initial exploration stage in promoting the marketization of data factors. At this stage, research predominantly begins with theoretical analysis, often focusing on a single factor. There is a need for more detailed, stage-by-stage identification of the complex causal relationships and the diverse concurrent paths involved in the marketization of data elements. Regarding research methods, few scholars use fuzzy qualitative comparison to analyze the configuration effect of market-oriented development of data elements, and few works of literature use artificial neural network models to analyze their relative importance. In addition, most existing studies construct an index system from a single stage or link of data element marketization and measure its development level, failing to consider the entire stage of data element marketization development and the identification of related variables. In different stages of data factor marketization allocation, are there core and necessary conditions for the realization of high-level development of data factor marketization? Which paths can be combined to improve the level of data factor marketization? What is the relative importance of each path? These questions still need to be further explored.

Utilizing the theoretical framework of the Technology-Organization-Environment (TOE) strategy typology, this study examines 30 provinces in China as case studies spanning from 2020 to 2022. It applies an fsQCA-NCA-ANN methodology to discover the multiple linkage paths of China's data element marketization and high-level development from the two phases of data element marketization construction and valorization-allocation, as well as the three levels of technological strategy, organizational resources, and external environment based on the grouping perspective.

The conclusions and practical implications are presented. First, more than the technical strategy, organizational resources, and external environment of the two stages must constitute the conditions for the high-level market-oriented development of data elements. Therefore, the high-level development of China's data element marketization results from the synergistic and supporting effects of various antecedents in the two stages. Second, the high-level development of data element marketization is formed by the joint action of multiple factors, and there are two realization paths in the stage of data element marketization construction, i.e., technology-organization-market diversified infrastructure-driven and technology-government-market diversified competition-driven.There are four realization paths in the data element valorization-allocation process, i.e., technology-policy binary endowment-driven, technology-industry binary openness-driven, technology-government-industry multiple openness driven, and technology-organization-environmental balance driven. These paths reflect the various ways in which the high-level development of the marketization of data elements can be achieved across different provinces and under varying development conditions. Configuration analysis reveals a variety of realization paths to achieve high-level development in the two stages of market-oriented construction and value-oriented allocation of data elements. The diversity of these paths reflects the complexity of the two stages. Each province should flexibly choose the appropriate implementation path according to the specific situation to achieve the high-level development of marketization of data elements. Finally, the relative importance of each antecedent condition in the two stages is ranked by ANN sensitivity analysis. In the stage of market-oriented construction, infrastructure maturity is the most influential antecedent condition. In areas with relatively complete information infrastructure construction, paths and combinations such as organizational soundness, government support, and significant data market demand can realize the high-level development of data element marketization. The information commercialization level is the most critical antecedent condition in the value allocation stage. Strengthening the construction of new information facilities and improving the level of information commercialization are still the top priorities at this stage. The balanced development of technology strategy, organizational resources, and external environment can achieve a higher level of marketization of data elements. Therefore, the antecedent conditions of the technological strategy dimension contribute more to the high-level marketization development of data elements.

Key Words：Data Element Market; Marketization Construction; Value-oriented Configuration; Data Infrastructure; Configuration Analysis

收稿日期：2024-03-27

修回日期：2024-07-15

基金项目：北京市自然科学基金项目(9212015)

作者简介：尚煜(1979—),女,内蒙古呼和浩特人,博士,中国矿业大学(北京)管理学院教授,研究方向为决策理论与管理;康诗康(1999—),男,河南郑州人,中国矿业大学(北京)管理学院博士研究生,研究方向为决策理论与管理、管理创新。本文通讯作者:康诗康。

DOI：10.6049/kjjbydc.2024030726

开放科学(资源服务)标识码(OSID)：

中图分类号：F49

文献标识码：A

文章编号：1001-7348(2025)10-0001-13

0 引言

数字经济时代背景下,数据逐渐成为一种关键资源,数据对于推动数字经济增长具有重要作用。数据要素作为一种新型生产要素,其独特之处在于它本身就代表一种先进生产力——新质生产力。数据要素对于实现数据价值化、数字产业化、治理数字化等具有基础性意义,具有高度转型、高度创新、高度融合等特征。国家数据局与多部门联合印发《“数据要素×”三年行动计划(2024—2026年)》,旨在推动数据要素高水平应用、协同优化、创新发展以及高效复用,数据要素市场化从理念形成深入到实践探索阶段[1]。该行动计划将培育数据要素市场和发展新质生产力作为重要目标之一。为充分挖掘数据的潜在价值,需通过市场化手段配置数据资源。数据要素市场化配置是指利用技术和政策等手段促进数据资源在市场中交易,以实现数据价值最大化[2]。由于中国不同省份发展数据要素市场的技术创新程度、社会经济条件、政策制定情况等存在显著差异,因此提高数据要素市场化发展水平联动路径需因地制宜。

目前,我国在推进数据要素市场化方面处于初探时期,这就要求研究者有效识别影响数据要素市场化发展的多重条件,并根据区域优势资源选择合适的联动路径。当前研究主要从数据要素市场化相关理论出发,对数据要素市场化理论基础和内在逻辑进行探讨,未对驱动因素和发展路径进行讨论、追踪与分析。如刘子赫和申来津[3]通过整理数据、数据要素与数据要素市场化相关概念,探讨数据要素市场化发展的基本格局和培育机制;张会平等[4]选取8个数据要素市场化流通平台,从六大维度分析并构建数据要素市场化生态系统。然而,目前关于数据要素市场化发展驱动因素的讨论主要遵循“现状与特征—问题与困境—建议与措施”框架,聚焦定性分析和经验性梳理[5]。如孙建军等[6]剖析了数据要素统一大市场建设现状与面临的瓶颈,从市场化特征和运行模式解析驱动因素并探索实现路径。近年来,数据要素市场化实证研究主要集中于数据要素市场化测度、指标构建和影响效应分析等方面。一些学者从不同维度测算数据要素市场化配置效率[7]并构建我国数据要素市场化发展指数[8]。此外,虽然部分学者采用计量模型分析数据要素市场化对经济绿色复苏的影响[9]以及对城市创新能力的赋能效应[10],但囿于变量测度和分析框架限制,仅局限于数据要素市场化单一要素。相比于传统回归分析,组态分析更适合研究这种多因素并发问题和复杂关系问题。现有文献基于组态效应分析,从数据要素市场化建设视角探讨相关影响因素和提升路径[11]。值得注意的是,数据要素市场化建设主要反映数据基础设施水平及组织机构建设程度等,未表征数据要素价值释放过程,需从数据要素市场化发展的整个阶段识别不同条件下的复杂互动关系,研究具体驱动因素和联动路径。

综上所述,尽管这些研究对于理解数据要素市场发展概念和影响机制提供了基础,但存在如下不足:①在研究内容上,缺少对数据要素市场化复杂因果关系和多样并发路径的分阶段识别;②在研究方法上,较少有学者运用模糊定性比较法分析数据要素市场化发展组态效应,或采用人工神经网络模型分析其重要性;③现有研究多从数据要素市场化单一阶段或环节构建指标体系并测度其发展水平,未兼顾数据要素市场化发展整个阶段及相关变量识别。在数据要素市场化配置不同阶段,数据要素市场化高水平发展是否存在核心条件和必要条件?哪些联动路径组合可提高数据要素市场化水平?各路径的相对重要性如何?这些问题有待进一步探索。

在现有研究的基础上,本文融合TOE理论、“迈尔斯-斯诺”战略类型学理论,采用模糊集定性比较分析(fsQCA)、必要条件分析(NCA)、人工神经网络模型(ANN)整合方法,探究影响中国数据要素市场化高水平发展的具体路径和内在联动机制。本文贡献主要体现在以下几个方面:一是基于组态视角,从数据要素市场化建设和价值化配置两个阶段出发,遵循TOE-战略类型框架系统分析数据要素市场化高水平发展的联动路径。二是采用fsQCA、NCA、ANN整合方法,发挥QCA分析复杂驱动机制、NCA分析要素必要性以及ANN揭示前因条件相对重要性的优势,解析数据要素市场化高水平发展的复杂影响机理及各组态下的典型案例。三是通过ANN敏感性分析对两个阶段各前因条件的相对重要性进行排序,识别出贡献最大的驱动因素,对各地区进一步提升数据要素市场化水平具有重要参考价值。

1 理论分析与研究框架

1.1 TOE理论与战略类型理论

TOE框架是系统分析组织创新决策如何受到影响的工具[12],通过技术、组织和环境3个维度的相互作用探讨数据要素市场化高水平发展影响过程,具有坚实的理论基础[13]。该理论模型没有明确3个维度的详细变量,因此在理论和实践上显示出高度灵活性和实用性(王雪原等,2022)。由于数据要素市场具有复杂的经济结构特征,TOE理论在宏观经济结构中的应用旨在将宏观经济因素与TOE分析框架相结合,探究技术、组织和环境对复杂经济结构的作用。已有研究表明,该框架适用于中国企业数字化创新研究(唐孝文等,2023),3个维度的协同作用需根据具体场景进行深入分析,并充分考虑场景和领域差异。基于TOE理论分析框架,可揭示多个并发因素的匹配和联动对经济系统的作用,有助于解决复杂情景问题。

技术进步是推动经济发展的重要力量,技术更新迭代和知识门槛会提高技术进化的不确定性,从而促使市场更加多元化。其次,数字经济发展需要政府组织在经济社会管理中作出决策并提供支持[14]。最后,复杂市场中的经济活动与环境开放性密切相关,市场需求和产业环境差异会直接或间接影响市场发展。数据要素市场化高水平发展对于促进中国数字经济增长至关重要,利用TOE框架不但可使应用场景更加具体化,还能深入揭示数据要素市场在技术、组织和环境三者相互耦合下如何实现高水平发展。

迈尔斯和斯诺于1978年提出“战略—环境—组织结构”分析框架,该框架认为组织资源和能力是与结构相连的属性,其中组织资源和组织规模相关联,而组织能力则取决于决策集中化、程序正式化以及结构复杂化。随着数字技术的飞速发展,数据要素记录、存储、利用速度和范围达到前所未有的高度,成为推动经济发展的关键战略资源[15]。这一变化导致“迈尔斯—斯诺”的战略类型理论在组织结构方面相对次要,而组织资源和能力的作用则更加凸显[16]。这一转变不仅扩展了战略分型框架的边界条件,还强调在数据要素市场化背景下,组织资源作为关键驱动因素十分重要。数字技术发展使得数据要素市场化背景下的组织结构转型更加灵活,组织资源得以在更大程度上摆脱传统组织结构的束缚。此外,随着数字产品增多、数字政府管理平台建设的推进,组织资源对经济活动的影响更加显著,而不再是组织结构层面的间接影响(李振东等,2023)。因此,在数据要素市场化背景下,战略性分析理论应着重关注组织资源和能力作为组织要素对经济活动的直接影响。在全国统一数据要素大市场背景下,已有研究指出组织结构[11]和环境条件[17]对数据要素市场化发展起关键作用。基于此,本研究将数据要素市场化情境融入“迈尔斯—斯诺”的战略类型分析中,进一步将其与TOE理论框架相结合,考虑技术、组织及环境的综合性和实用性优势,以及“迈尔斯—斯诺战略类型学”突出战略与组织资源等维度的灵活性优势,形成一个包含技术战略、组织资源和外部环境的TOE—战略类型研究框架。

1.2 数据要素市场化的TOE—战略类型组态分析模型

数据要素市场化作为我国“数据要素X”行动的一项重点工程,旨在推动数据要素高水平应用、协同优化、创新发展和高效复用。为实现数据要素市场化配置,第一阶段需通过制度及技术变革推动数据要素业务贯通和供给交易,此阶段称为数据要素市场化建设阶段。在第二阶段,位于市场的数据要素协同其它生产要素实现价值释放及转化,从而推动数字经济高质量发展[2],此阶段称为数据要素价值化配置阶段。TOE—战略类型研究框架对于理解数据要素市场化发展动态过程提供了一个全面的视角。“T”与“战略”融合,致力于研究技术如何影响数据要素市场化发展,以把握技术驱动数据要素市场建设的进程。从组织角度看,优化资源配置和增大政府机构支持是“O”与“组织结构”所产生的效果。此外,外部环境包括政策环境、市场环境和社会环境,对数据要素市场化能够产生直接或间接影响,TOE—战略类型框架是研究外部环境因素的重要工具。

1.2.1 技术战略与数据要素市场化

数字基础设施建设是发展数据要素市场的先决条件,因此主要经济体都将数字基础设施建设视为产业升级和创新发展的关键[1]。在市场化建设阶段,数据基础设施是我国发展数字经济、推动数据要素全国统一大市场构建的根基,数据要素依托数据基础设施实现流通与转化。同时,以数据市场需求为导向,推动技术创新和成果转移转化是实现高水平市场化的必由之路。在价值化配置阶段,新型信息技术发展可为数据要素供给、交易、流通和价值释放提供便利,数据授权、交易平台建设、数据信息产品开发以及基础设施建设可为数据要素市场实现业务贯通提供支持。本文参考数据要素市场化两个阶段的特征,将技术战略划分为“基础设施成熟度、技术研发创新水平”和“新型信息化设施、信息商务化水平”两个阶段。

1.2.2 组织资源与数据要素市场化

数据要素市场发展的前提是有效整合资源,实现统筹发展。当前,我国正稳步推进数据交易所、大数据试验区和大数据管理局建设,但全国范围内的数据交易市场尚未完全建立。因此,2024年全国两会提案重点关注构建全国性数据交易市场,充分发挥数据要素的作用。同时,国家和地方不断出台有关数据要素市场建设、价值释放的政策性文件和数据相关条例,规范数据要素开放市场并促进数据要素高效、便捷和安全运转。此外,数字政府建设作为数字中国建设的基础和先导工程,对于加快政府职能转变、调控数据要素市场具有重大意义。因此,本文按两个阶段特征将组织资源对数据要素市场化的影响分解为“组织健全程度、政府支持力度”和“政策文件支持、数字政府配置”。

1.2.3 外部环境与数据要素市场化

演化经济学认为市场竞争是经济效率最强的驱动力量,对促进经济持续增长具有重要作用[18]。首先,大数据企业市场需求和发展活力反映地区科创水平,对数据资源的需求直接影响数据要素市场化建设实践。其次,数据要素市场竞争以数据为核心,毗邻省份从数据要素全生命周期运转各个环节发挥自身优势,通过竞争加快培育本地数据要素市场。协同集聚通过关联异质性产业之间的资源集聚与互动机制,促进资源化数据要素形成,推动产业数字化发展。数据跨境流动是数字贸易的主要内容,加强对数据跨境流动模式的探索和扩大对外开放水平是打造数字贸易发展新优势、拓展经济增长新空间的关键[19]。因此,本文按照两个阶段特征将外部环境对数据要素市场化的影响分解为“大数据企业需求、同行竞争压力”和“产业协同集聚、对外开放程度”。

综上所述,在数据要素市场化配置两个阶段,技术战略、组织资源和外部环境3个维度各前因变量是影响数据要素市场化高水平发展的重要因素,但这些驱动因素与数据要素市场化发展水平之间还存在复杂的非线性关系,且驱动因素间的联动、竞争可能会产生不同的路径组合。因此,各维度要素如何协同驱动数据要素市场化高水平发展是一个亟待解决的问题。本文以TOE—战略类型框架为理论分析工具,将数据要素市场化划分为市场化建设和价值化配置两个阶段,遵循组态思维,首先,利用TOE—战略类型框架确定研究范围,即技术战略、组织资源、外部环境3个层面,识别出对数据要素市场化高水平发展产生影响的关键前因条件。其次,从组态分析角度验证这些要素如何相互耦合联动,从而形成驱动数据要素市场化高水平发展的条件组态。在动态环境下,基于组态视角构建数据要素市场化发展组态模型,如图1所示。

2 研究设计

2.1 QCA、NCA、ANN混合方法

荷兰鹿特丹管理学院Dul教授[20]于2016年开发出基于布尔代数和集合理论的必要条件分析方法。该方法结合fsQCA和NCA两种方法,前者从定性角度判别必要条件,把研究对象视作条件组态,有助于分析多因并发、因果非对称性和等效性等因果复杂性问题[21],这与本文研究模型具有较高的贴合度;后者从定量角度分析前因条件的必要程度,以及前因条件为何是构成结果的必要条件,即前因条件在何种程度上是产生结果的必要条件,将两种方法结合起来能得出更科学的分析结果。此外,fsQCA方法难以识别组态中不同前因条件的相对重要性,无法有效权衡各因素的重要程度。ANN作为一种机器学习算法,有助于揭示多维变量和复杂数据集之间的非线性关系,以明确前因条件间的相对重要性[22]。因此,本文在fsQCA的基础上,结合NCA和ANN方法,系统研究数据要素市场化高水平发展的必要条件、关键因素和联动路径。

2.2 数据来源

考虑到指标数据的完备性和可获得性,本文选取中国内地30个省份(由于西藏地区数据不全,故未纳入统计)为研究样本。各省份区位、市场化程度及数字经济发展水平不同,数据要素发展仍以省级为主,因此案例具有代表性。两阶段三维度前因变量数据来源于《中国数字经济发展白皮书》《数据要素白皮书》《中国互联网络发展状况统计报告》等十余种与数据要素、数字经济相关的报告,以及《中国统计年鉴》、CSMAR数据库、北大法宝数据库等。中国数据要素市场化建设最早在2020年提出,为减少单年数据集产生误差的可能,本文选取2020—2022年数据,并对条件变量作均值处理,结果变量数据要素市场规模数据来源于《中国数据交易市场研究分析报告》。采用熵值法计算的指标数据进行了无量纲化处理,其余指标保留原始数据。

2.3 变量测量与校准

2.3.1 结果变量

本文用各省份数据要素交易市场规模作为结果变量,数据交易是数据要素市场发展的重点,数据要素交易市场规模反映数据要素市场化发展目标和结果。由于《中国数据交易市场研究分析报告》仅给出我国数据要素交易市场规模总量和各地区数据交易市场规模的百分比,因此用全国数据要素交易市场规模总额乘以百分比计算各省份数据要素市场规模。

2.3.2 前因条件

本文分别从数据要素市场化建设和数据要素价值化配置两个阶段,通过设置二级指标对技术战略、组织资源、外部环境中各前因条件变量进行测度,部分指标采用无量纲化处理并通过熵值法计算该前因条件变量的综合指数[23]。

(1)数据要素市场化建设阶段。技术战略包括基础设施成熟度(IM)、技术研发创新(TI)。①IM由互联网域名数、互联网接入用户数、移动电话普及率、期末使用计算机数等指标通过熵值法测度;②TI由新产品开发项目数、有效发明专利两者数量之和衡量;组织资源包括组织健全程度(OS)、政府支持力度(GS);③OS由各省份数据交易所、大数据试验区、大数据管理局、国家级数据中心典型案例数量之和测度;④GS由各省份出台的有关数据要素市场建设的政策性文件数量、数据相关条例数量、政府财政支出等指标量纲标准化后通过熵值法测度;外部环境包括大数据企业需求(DED)、同行竞争压力(PCP);⑤DED由各省份信息化企业数、大数据企业数之和测量,数据来源于《互联网和相关服务业年度统计数据报告》;⑥PCP由各省份毗邻省数据要素市场化建设指数均值测度,数据来源于《长三角数字经济发展报告》。

(2)数据要素价值化配置阶段。技术战略包括新型信息化设施(NIF)、信息商务化水平(LIC)。①NIF由RD项目数、RD经费内部支出、5G基站数、IPV4占全国百分比、IPv6技术创新融合试点城市数、IPv6技术创新融合试点项目数等指标量纲标准化后通过熵值法测度,数据来源于《互联网络发展状况统计报告》;②LIC由信息传输与科学研究就业人数、软件信息技术业务收入、电子商务销售额等指标进行上述相同处理;组织资源包括政策文件支持(PS)、数字政府配置(DGC);③PS由各省份出台的有关数据要素价值释放及数字经济的政策性文件数量测度;④DGC由各省份数字政府网站数量测量,数据来源于中国互联网络信息中心;外部环境包括产业协同集聚(ICA)、对外开放程度(EO);⑤ICA参考薛奕曦等[13]的研究,构建高技术产业和生产线服务业集聚指数综合测度产业协同集聚指数;⑥EO用进出口总额与GDP的比值衡量,上述相关数据来源于CSMAR数据库。

2.3.3 变量校准

为将原始数据转换为集合隶属度,本文首先进行变量校准,以便后续集合运算。参考Pappas &Woodside的研究[24],本文采用直接法将变量校准为模糊集。由于选取的各项指标缺乏相关理论依据,因此遵循Ragin &Fiss[21]的做法,将完全不隶属点设为0.05、交叉点设为0.5、完全隶属点设为0.95。对于集合隶属度恰好为0.5的案例,Mattke等[25]建议将其隶属度设置为0.501。结果变量与前因条件校准锚点见表1。

3 实证结果分析

3.1 必要条件分析

根据模糊集定性比较分析法,一致性和覆盖性是重要的前序步骤。同时,该程序对于构建真值表必不可少。本文首先采用fsQCA方法对必要条件进行分析,结果如表2所示。根据单一必要条件认定标准[26-27],一致性水平大于0.9才具有足够的覆盖度。由表2结果可知,无论是数据要素市场化建设阶段还是数据要素价值化配置阶段,所有前因条件均不是构成高数据要素市场化发展的必要条件。其次,利用NCA方法,通过分析前因条件的必要性效应量及显著性识别必要条件,并通过瓶颈水平评估前因条件的必要水平值。效应量取值范围为[0,1],接近1表示效应值更大。确定必要条件需同时满足3个条件:效应量(d)不小于0.1,且蒙特卡洛仿真置换检验结果(P值)显示效应量显著[28]。此外,根据Dul[23]提出的相关标准,精确度应大于95%。为进行离散、连续数据及多变量分析,本文采用CR方法。

根据表3结果,在数据要素市场化建设阶段,各前因条件效应量均满足条件且大部分前因条件的检验结果显著,但精确度小于95%,因此不能认定为必要条件;在数据要素价值化配置阶段,虽然数字政府配置精确度大于95%,但其效应量小于0.1且检验结果不显著,因此不能认定为必要条件。综上所述,两个阶段各前因条件均不是实现数据要素市场化发展的必要条件,该结果与fsQCA方法分析结果一致。

此外,通过瓶颈分析可解释达到目标水平所需的各前因条件的必要水平,因此进一步采用CR方法进行瓶颈水平分析。由表4结果可知,要达到100%水平的数据要素市场化发展,在市场化建设阶段需要92.3%的基础设施建设水平、89%的技术研发创新水平、100%的组织健全程度水平、96.5%的政府支持力度水平、89.5%的大数据企业需求水平、41.2%的同行竞争压力水平;在价值化配置阶段,需要85.2%的新型信息化设施建设水平、79.1%的信息商务化水平、91.5%的政策文件支持水平、59%的数字政府配置水平、51.8%的产业协同集聚水平、80.1%的对外开放程度水平。

3.2 组态分析

本文通过模糊集定性比较分析法分别识别两个阶段产生高数据要素市场化发展的适配组态。首先,构建真值表,设定原始一致性阈值为0.8(杜运周等,2017)、PRI一致性阈值为0.7[29]。由于案例数量小于50属于小样本,故将案例数量阈值设定为1[30]。通过比较中间解和简化解的嵌套关系确定每个解的核心条件:中间解和简约解同时出现为解的核心条件,只出现在中间解的条件为边缘条件。如表5所示,两个阶段各组态一致性和总体一致性水平均高于推荐值0.8。在市场化建设阶段,产生高数据要素市场化发展水平的组态有3个(M1、M2a、M2b),其中M2a、M2b构成二阶等价组态,即它们的核心条件相同;在价值化配置阶段,产生高数据要素市场化发展水平的组态有6个(V1、V2、V3、V4a、V4b、V4c),其中V4a、V4b、V4c中的各前因条件均涉及技术战略、组织资源、外部环境3个维度,且没有核心条件或边缘条件缺失,因此在组态分析时将其归为一类。本文详细分析影响数据要素市场化发展的每种组态。

3.2.1 数据要素市场化建设阶段组态

在数据要素市场化建设阶段,fsQCA共返回3种组态,总体解的一致性为0.93,可见这3种组态案例中有93%的省份呈现较高的数据要素市场化发展水平。根据各组态核心条件和边缘条件不同,可将3种组态划分为两种类型,分别为技术—组织—市场多元基础设施驱动型、技术—政府—市场多元竞争驱动型。

(1)技术—组织—市场多元基础设施驱动型。即以高技术研发创新、高组织健全程度和高大数据企业市场需求为核心条件,以高基础设施成熟度为边缘条件的组态方案可充分实现高数据要素市场化发展水平。组态M1表明,在中国数据要素市场发展前期阶段,达到高水平市场化离不开数据技术基础设施建设以及数据要素交易组织。2020年5月,《中共中央国务院关于新时代加快完善社会主义市场经济体制的意见》提出要进一步加快培育数据要素市场。在此阶段,各省份加大数字技术研发创新力度,先后成立数据交易所、大数据试验区和大数据管理局。组态M1所覆盖的典型案例包括广东、江苏、浙江、上海和北京,多集中在中国东部沿海地区,在经济、科技、文化等社会活动中处于重要地位并具有主导作用和辐射带动能力,且经济发展和政策引导具有先行性特点。以北京为例,《北京市数字经济全产业链开放发展行动方案》提出“利用2～3年时间开放一批数据创新应用的特色示范场景,在全国率先建成活跃有序的数据要素市场体系,推动数据培训基地、国家区块链枢纽节点、算力中心建设。加快‘万兆光网’、车联网等新型网络基础设施部署,推动全市传感设备设施共建共享”。可见,这些省份主要通过利用既有技术实现数据市场基础设施高效率开发,完善数据要素组织体系,推动数据要素市场化发展。

(2)技术—政府—市场多元竞争驱动型。组态M2a以高技术研发创新、高政府支持力度和高大数据企业市场需求为核心条件,以高同行竞争压力为边缘条件;组态M2b以高技术研发创新、高政府支持力度、高大数据企业市场需求和非高同行竞争压力为核心条件,以非高基础设施成熟度、非高组织健全程度为边缘条件。比较M2a和M2b可知,两者主要差异在于同行竞争压力。该组态类型表明,在数据要素市场化建设阶段,除数据要素基础设施建设外,省际间的合理竞争、政府对市场的把控和支持力度对数据要素市场化高水平发展发挥重要作用。组态M2所覆盖的典型案例包括山东、福建、河南和辽宁。以山东、河南为例,山东和河南作为毗邻省份,在高新技术和数据要素政策方面相互借鉴学习,起到良性竞争的作用。2021年7月,山东省提出完善全省一体化大数据资源体系;同时,2022年2月《河南省“十四五”数字经济和信息化发展规划》提出“探索建立数据价值体系,引导数据要素交易生态加速汇集,形成协同高效数据交易生态圈”。这表明,政府政策高度关注和政府主导组织合理设置的重要性,毗邻省份在良性竞争压力驱动下能够紧跟数据要素市场化发展的步伐。

3.2.2 数据要素价值化配置阶段组态

在数据要素价值化配置阶段,fsQCA共返回6种组态,总体解的一致性为0.92,表明这6种组态案例中有92%的省份呈现较高的数据要素市场化发展水平。根据各组态核心条件和边缘条件不同,将其划分为以下4种类型:技术—政策双元禀赋驱动型、技术—产业双元开放驱动型、技术—政府—产业多元开放驱动型、技术—组织—环境均衡驱动型。

(1)技术—政策双元禀赋驱动型。即以高新型信息化设施、高信息商务化水平、高政策文件支持和高数字政府配置为核心条件,以非高对外开放程度为边缘条件。组态V1表明,前期数据要素市场建设已经奠定良好基础,在数据要素价值化配置阶段,技术战略和组织资源得到进一步更新,信息化设施建设更为完善,数据开放、公共数据授权运营、数据交易执行进一步推进,政策结构更具有协同性。组态V1所覆盖的典型案例包括湖北、湖南、河南。以湖北为例,《湖北省数字经济发展“十四五”规划》提出逐步完善数据开放流通机制,形成市场化运营、数据资产管理、一体化应用的运营生态系统。支持地方政府与企业、行业协会、研究机构合作,开展面向场景的数据融合应用。通过打造全方位均衡发展的数据流通环境,实现三次价值释放的业务贯通及数智决策,加速数据要素市场化发展,符合技术—政策双元驱动型的典型特征。

(2)技术—产业双元开放驱动型。即以高新型信息化设施、高信息商务化水平、高产业协同集聚为核心条件,以高对外开放程度、非高数字政府配置为边缘条件。组态V2表明,在数据技术战略的基础上,各省份形成的高技术和数字技术协同集聚效应能够激活科创企业发展潜力,增加重点数字产业营收规模。面对国际数据治理新格局,数据要素市场需实施“走出去”战略,进一步探索数据跨境落地实施方案。组态V2所覆盖的典型案例包括上海、重庆、天津。以上海为例,作为国际金融中心,近年来,上海紧抓国家数据要素发展政策,通过技术战略促进各产业数字化转型,推进智能算力集群、浦江数链城市区块链等产业发展,全市数字经济核心产业规模已超5 500亿元,数字化效应显著。此外,“上海数产云”项目进一步发挥“数据要素×”的乘数效应,提升数字化产业发展能级。这类组态地区在产业协同集聚和对外开放层面表现出强大动能,为实现高数据要素市场化发展提供了有力保障。

(3)技术—政府—产业多元开放驱动型。即以高信息商务化水平、高数字政府配置、高产业协同集聚为核心条件,以高对外开放程度、非高新型信息化设施为边缘条件的组态方案。组态V3表明,当前中国数据要素政策进入体系化构建阶段,在数据系列政策的布局推动下,数智决策及数据要素流通赋能取得长足发展。随着数字技术和数字产业化推进,中国正在利用大模型技术推进数字政府建设。组态V3所覆盖的典型案例包括四川、陕西。以四川为例,2022年四川省数字政府网站数量达到804个,2023年四川省政府网站绩效评估位列第二。为响应“数据要素×”三年行动计划,四川省推动多场景数据应用,打造新产业和新模式,不断加大数字政府建设力度,扩大数字政府感召力。同时,聚焦产业链创新与开发环节,形成生产要素集聚的强大磁场效应。这类组态地区在数字政府配置和产业协同集聚维度具备本省发展特色,为实现高数据要素市场化发展提供了新思路。

(4)技术—组织—环境均衡驱动型。在组态V4类型下的3个组态中,各前因条件均涉及技术战略、组织资源、外部环境3个维度,因此该组态为技术—组织—环境均衡驱动型。该组态表明,推动数据要素市场化需做好“三化”,即数据“资源化、资产化和资本化”。这需要各地区在技术层面业务贯通,在组织层面完善政府数智决策和组织结构,在环境层面保障数据要素流通。组态V4所覆盖的典型案例包括广东、浙江、江苏等东部发达地区,这些地区的GDP位于全国前列,经济发展迅速为数据要素市场提供了良好条件。以广东为例,根据中国人民大学评估,2023年广东数据要素市场化推进力指数位居全国首位,代表了中国数据要素市场化建设的最高水平。根据上海数据交易所发布的《数据要素市场发展指数(2023)》,深圳、广州、珠海3座城市位于第一梯队,在数据要素市场化运作方面属于综合引领型。广东省明确了“1+2+3+X”的市场化发展模式,坚持“全省一盘棋”,构建两级数据要素市场结构,保障数据要素生产、分配、流通、消费各环节循环畅通。广东借助技术战略、组织资源、外部环境优势,形成技术促进、政府支持、市场环境驱动合力,共同推动数据要素市场化发展,符合技术—组织—环境均衡驱动型的典型特征。

3.3 稳健性检验

本文借鉴杜运周等(2020)和唐孝文等(2023)的观点,将一致性阈值从0.8调整到0.85,将PRI一致性从0.7调整到0.75,检验表5组态的稳健性。结果显示,在调整一致性阈值后,两阶段稳健性检验结果与表5相同。调整PRI一致性后,结果如表6所示。其中,数据要素市场化建设阶段的组态特征与先前一致,数据要素价值化配置阶段的组态有所变动,除组态H2因为提高阈值而变化外,H1、H3、H4a、H4b分别为V1、V3、V4a、V4c构型的子集,说明结果具有较好的稳健性。此外,本文将结果变量数据要素市场规模替换为技术市场成交额,已有学者用技术市场成交额测算全国技术市场化指数,技术市场在一定程度上反映数据要素市场发展情况[31]。结果如表7所示,虽然组态路径减少,但核心条件、组态构成与原组态结果较为相似且差异不大,单项一致性和总体一致性均高于0.9,说明上述结果稳健。

3.4 人工神经网络分析(ANN)

本文应用fsQCA方法检验高数据要素市场化发展水平预测因子之间的相互作用,采用人工神经网络分析确定它们的相对重要性。ANN是一种机器学习算法,它可以对决策机制和事物形成机制进行建模,在不受共线性影响下研究变量与数据集之间的非线性关系,进而揭示前因条件的相对重要性[33]。遵循Leong等[38]的研究,设计具有不同隐藏层的ANN体系结构,将两个阶段的各前因条件作为输入神经元,将数据要素市场化规模作为输出神经元。在执行人工神经网络分析时,本研究采用前馈—反馈传播(FFBP)多层感知器(MLP)技术训练数据并评估预测因子的相对重要性。基于十折交叉验证方法,将非线性激活函数设置为sigmoid函数,而隐藏层内的隐藏神经元通过ANN分析自动计算。同时,选取均方根误差(RMSE)作为模型性能的基准度量,该数值越小说明预测精度越高。此外,本研究遵循Leong等[38]的拟合优度指数(R2),进一步评估预测是否准确。通过敏感性分析,根据输入神经元相对于输出神经元的相对重要性对输入神经元进行排序。如图2所示,鉴于有两个阶段前因条件因子,本文构建两个深度学习ANN模型。

如表8所示,无论是在数据要素市场化建设阶段还是数据要素价值化配置阶段,所有ANN模型在训练集和测试集中的RMSE值都很小,因此可以得出结论,上述模型具有较高的预测精度。此外,两个模型的R2值表明,模型A预测准确率达到79%,模型B预测准确率达到82%,表明ANN模型预测准确性水平较高。

通过计算平均相对重要性(ARI)和归一化相对重要性(NRI)指数衡量各前因条件对于高数据要素市场化发展的相对重要性,结果如表9所示。在市场化建设阶段,基础设施成熟度的贡献较大,对当前实现高数据要素市场化发展的总体影响在46%左右,随后为大数据企业需求、技术研发创新、政府支持力度、组织健全程度以及同行竞争压力;在价值化配置阶段,信息商务化水平最为重要,对当前实现高数据要素市场化发展的总体影响在45%左右,随后为对外开放程度、政策文件支持、产业协同集聚、数字政府配置以及新型信息化设施。

该结果表明,在数据要素发展前期市场化建设阶段,技术战略的重要性远高于组织资源和外部环境。数据要素基础设施建设是数据要素流通交易、应用赋能的重要前提。近年来,中国大力建设5G基站,创新IPv6融合试点项目,而基础设施建设支撑数据事务处理,以文件系统和数据库等技术为代表。在价值化配置阶段,数据要素市场基本定型,此时技术战略侧重于智慧化、智能化决策,应利用信息技术手段释放数据要素价值。如电子商务平台和可信数据空间等综合性信息技术框架可解决数据共享流通、安全交易及数据内容保护等问题,促进各主体间协作,进而发展数字经济。

4 结论与启示

4.1 研究结论

如何优化数据要素市场环境、促进市场化建设和价值化配置是实现数据要素市场化高水平发展的关键。本研究基于TOE—战略类型学理论框架,以中国内地30个省份为案例,运用fsQCA-NCA-ANN方法,从数据要素市场化建设、价值化配置两个阶段以及技术战略、组织资源、外部环境3个层面探讨中国数据要素市场化高水平发展多元联动路径,得出如下结论:

(1)两个阶段的技术战略、组织资源、外部环境均不是单独构成高数据要素市场化发展的必要条件,中国数据要素市场化高水平发展是两阶段各前因条件协同复杂作用的结果。这种复杂性源于中国不同省域经济的差异性和动态性,每个省份有自己的发展轨迹和优势领域。例如,某些地区可以丰富的自然资源为基础,而另一些地区则可以先进的技术创新为驱动力。在这种背景下,通过单一技术、资源或政策促进数据要素市场高水平发展较难。因此,数据技术基础设施、组织资源和外部环境发展之间的多重条件良性耦合是提高数据要素市场化发展水平的关键。

(2)组态分析表明,在数据要素市场化建设阶段存在两条路径,即技术—组织—市场多元基础设施驱动型、技术—政府—市场多元竞争驱动型;在数据要素价值化配置阶段存在4条路径,即技术—政策双元禀赋驱动型、技术—产业双元开放驱动型、技术—政府—产业多元开放驱动型、技术—组织—环境均衡驱动型。组态分析揭示在数据要素市场化建设和价值化配置两个阶段实现高水平发展的多种实现路径,这些路径的多样性反映两阶段的复杂性。因此,各省份应根据具体情况灵活选择合适的实现路径,以促进数据要素市场化高水平发展。同时,在数据要素市场化建设和价值化配置过程中,应发挥技术、组织、政府、行业、环境等多重要素的协同作用。

(3)通过ANN敏感性分析对两个阶段各前因条件的相对重要性进行排序。结果表明:在市场化建设阶段,基础设施成熟度是最有影响力的前因条件,在信息基础设施建设较为完善地区,组织健全程度、政府支持力度和大数据市场需求等要素均可促进数据要素市场化高水平发展;在价值化配置阶段,信息商务化水平是最重要的前因条件,加强新型信息化建设和提高信息商务化水平仍是现阶段重中之重,技术战略、组织资源、外部环境均衡发展有助于促进高水平数据要素市场化发展。因此,技术战略维度前因条件对数据要素市场化高水平发展更具有贡献力,加强数据技术基础建设和提高信息化水平对促进高数据要素市场化发展具有普适作用。

4.2 理论意义

(1)本研究以市场化建设和价值化配置两个阶段为出发点,将TOE分析框架和迈尔斯—斯诺战略类型学框架结合起来构建TOE—战略类型分析框架,并将其划分为技术战略、组织资源、外部环境3个维度。从两阶段三维度探索各前因条件对数据要素市场化发展的影响,并从组态视角研究数据要素市场化高水平发展的具体路径和内在联动机制,通过系统整合中国区域数据要素市场化高水平发展影响因素,为数据要素市场化发展多要素耦合研究提供了新思路。

(2)鉴于过去有关数据要素市场化的研究很少采用与ANN相结合的混合方法,本研究引入神经网络模型,首次采用fsQCA-NCA-ANN方法分析数据要素市场化高水平发展的联动路径,丰富了该领域研究方法。当前,数据要素市场化处于探索时期,且多数以市场化建设理论视角开展定性研究,采用组态分析方法进行实证研究的文献较少。本文将混合方法应用于数据要素市场化发展联动路径研究,为数据要素市场化高水平发展提供了新的方法论。

(3)本文聚焦于数据要素市场化发展的两个阶段,发现两阶段三维度单一因素均不会造成实质性影响。组态分析结果表明无论在哪个阶段,技术战略对于省域数据要素市场化高水平发展都至关重要,尤其是数字技术基础设施。此外,本文单独分析各组态案例省份,揭示不同经济发展条件和资源禀赋下的措施及路径,为各地区提升数据要素市场化水平提供了发展方向,也为各级政府构建数据要素大市场提供了战略管理启示。

4.3 实践意义

本文基于中国省域数据要素市场化发展与组态分析联动路径,指出不同地区可根据当地数字经济发展现状、数据要素基础设施条件调整相关政策和市场逻辑,重点把握数据要素市场化发展水平联动路径,聚焦影响因素组合优化,提出如下实践启示:

(1)在中国省域经济发展多元背景下,单个条件均无法有效促进数据要素市场化高水平发展。因此,数据技术基础设施建设与组织资源、外部环境之间多重条件的良性耦合是提高数据要素市场化发展水平的有效联动路径。

(2)建设数据技术基础设施、完善数据要素流通通用技术、促进数据安全技术融合是实现数据要素市场化高水平发展的重要措施,组态M1、M2、V1、V2、V3、V4分析结果显示数据要素技术战略不可或缺。

(3)分地区、分条件、因地制宜地稳步推进数据要素市场化高水平发展。不同地区发展情况不同,各省域在数据技术战略的基础上,应结合地区特点及技术战略、组织资源、外部环境等因素设计有效实施方案。此外,发挥政府对数据要素市场化配置的作用,提高数字政策支持力度,培育和壮大数据交易所、大数据试验区、大数据管理局。

4.4 不足与展望

本文存在以下不足:首先,受限于数据可得性,本文聚焦于分析省域案例数据要素市场化发展各前因条件数据,随着数据要素指标的不断完善,未来可进一步从城市、行业层面展开大样本数据研究,丰富时间线并展开动态研究。其次,鉴于中国数据要素市场化研究尚处于探索阶段,且本研究旨在阐明两阶段三维度的前因条件影响,没有全面整合其它影响因素,未来可从数据要素全生命周期维度挖掘影响数据要素市场化发展的可能路径。最后,本文重点研究如何通过各条件联动组合推进数据要素市场化高水平发展,未来可进一步响应国家数据政策,考虑数据要素市场化与新质生产力培育之间的关系,以推动经济高质量发展。

参考文献：

[1] 周文, 叶蕾. 新质生产力与数字经济[J]. 浙江工商大学学报, 2024,38(2): 17-28.

[2] 乔晗, 李卓伦. 数据要素市场化配置效率评价研究[J]. 中国科学院院刊, 2022,37(10): 1444-1456.

[3] 刘子赫, 申来津. 数据赋能:数据要素市场化的基本格局与培育机制[J]. 科技与法律(中英文), 2023, 35(3): 47-56.

[4] 张会平, 赵溱, 马太平, 等. 我国数据要素市场化流通的两种模式与生态系统构建[J]. 信息资源管理学报, 2023, 13(6): 29-42.

[5] 陈兵. 数据要素市场化配置的法治推进——兼论《数据二十条》相关条款设计[J]. 上海大学学报(社会科学版), 2024, 41(1): 1-13.

[6] 孙建军, 巴志超, 夏义堃. 数据要素市场体系建构与价值实现路径探索[J]. 情报学报, 2024, 43(1): 1-9.

[7] 王家明, 冯连勇, 李波, 等. 数据要素市场化配置效率的区域差异、动态演进与收敛性[J]. 统计与决策, 2023, 39(10): 143-148.

[8] 颜蒙, 王超贤, 张伟东. 中国分省份数据要素市场化发展指数构建与分析[J]. 新经济导刊, 2021, 20(4): 72-76.

[9] WANG D, LIAO H, LIU A, et al. Natural resource saving effects of data factor marketization: implications for green recovery[J]. Resources Policy, 2023, 85: 104019.

[10] 陈婷, 段尧清, 吴瑾. 数据要素市场化能否提升城市创新能力——一个准自然实验[J]. 科技进步与对策, 2024, 41(3): 74-83.

[11] 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.

[12] 万骁乐, 毕力文, 邱鲁连. 供应链压力、战略柔性与制造企业开放式绿色创新——基于TOE框架的组态分析[J]. 中国软科学, 2022, 37(10): 99-113.

[13] 薛奕曦,张佳陈,张译,等.中国制造业企业高质量发展的联动路径研究[J].科研管理,2024,45(7):29-39.

[14] 盛昭瀚, 于景元. 复杂系统管理:一个具有中国特色的管理学新领域[J]. 管理世界, 2021, 37(6): 36-50 .

[15] 李海舰, 李真真. 数字经济促进共同富裕:理论机理与策略选择[J]. 改革, 2023, 36(12): 12-27.

[16] DOMINGUEZ GONZALEZ R V. Innovative performance of project teams: the role of organizational structure and knowledge-based dynamic capability[J]. Journal of Knowledge Management, 2022, 26(5): 1164-1186.

[17] 郭晓剑, 林涵莎. 数字经济视角下我国共同富裕水平及提升路径——基于NCA和fsQCA的组态分析[J]. 工业技术经济, 2023, 42(12): 146-155.

[18] 江飞涛, 沈梓鑫. 全球产业政策实践与研究的新进展——一个基于演化经济学视角的评述[J]. 财经问题研究, 2019,41(10): 3-10.

[19] 欧阳日辉. 数据要素促进数字经济和实体经济深度融合的理论逻辑与分析框架[J]. 经济纵横, 2024, 40(2): 67-78.

[20] DUL J. Necessary condition analysis (NCA): logic and methodology of "necessary but not sufficient" causality[J]. Organizational Research Methods, 2016, 19(1): 10-52.

[21] RAGIN C C, FISS P. Net effects analysis versus configurational analysis: an empirical demonstration[J]. Redesigning Social Inquiry: Fuzzy Sets and beyond, 2008, 11(1): 190-212.

[22] NG F Z X, YAP H Y, TAN G W H, et al. Fashion shopping on the go: a dual-stage predictive-analytics SEM-ANN analysis on usage behaviour, experience response and cross-category usage[J]. Journal of Retailing and Consumer Services, 2022, 65(1): 102851.

[23] WANG T C, LEE H D. Developing a fuzzy TOPSIS approach based on subjective weights and objective weights[J]. Expert Systems with Applications: An International Journal, 2009, 36(5): 8980-8985.

[24] 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: 102310.

[25] MATTKE J, MAIER C, WEITZEL T, et al. Qualitative Comparative Analysis (QCA) in information systems research: status quo, guidelines, and future directions[J]. Communications of the Association for Information Systems, 2022, 50(1): 208-240.

[26] FISS P C. A set-theoretic approach to organizational configurations[J]. Academy of Management Review, 2007, 32(4): 1180-1198.

[27] 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.

[28] DUL J, VAN DER LAAN E, KUIK R. A statistical significance test for necessary condition analysis[J]. Organizational Research Methods, 2018, 23(2): 385-395.

[29] GRECKHAMER T, FURNARI S, FISS P C, et al. Studying configurations with qualitative comparative analysis: best practices in strategy and organization research[J]. Strategic Organization, 2018, 16(4): 482-495.

[30] CAPATINA A, MICU A, MICU A E, et al. Country-based comparison of accommodation brands in social media:an fsQCA approach[J]. Journal of Business Research, 2018, 89(1): 235-242.

[31] 戴魁早, 刘友金, 潘爱民. 技术要素市场发展促进了制造业生产率增长吗[J]. 统计研究, 2023, 40(12): 119-131.

[32] HEW J J, BADARUDDIN M N B A, MOORTHY M K. Crafting a smartphone repurchase decision making process: do brand attachment and gender matter[J]. Telematics and Informatics, 2017, 34(4): 34-56.

[33] LEONG L Y, HEW T S, OOI K B, et al. A hybrid SEM-neural network analysis of social media addiction[J]. Expert Systems with Applications, 2019, 133(1): 296-316.

(责任编辑：王敬敏)