How do Data Elements Empower the New Quality Productive Forces of Enterprises? The Perspective of Effect Decomposition

Li Dan, Li Xupu

(Business School, Liaoning Technical University, Huludao 125100, China)

Abstract：The high-quality development of China's economy necessitates the unlocking of the potential of data elements, the advancement of productivity reforms and innovation, and the creation of new forms of high quality productive forces. However, current research fails to elucidate the mechanisms by which data elements influence the development of new high-quality productive forces within enterprises. It also falls short in addressing how traditional production factors interact with these data elements. As a result, enterprises struggle to understand how to leverage both data elements and traditional production factors to foster the development of their new high-quality productive forces in their day-to-day operations Therefore, this paper comprehensively constructs a theoretical analysis model of the data elements on the development of enterprises' new quality productive forces from three aspects: direct effect, indirect effect and multiplier effect.

Using the panel data of Chinese listed companies from 2011 to 2022, this study examines the impact of the data elements on the development of new quality productive forces from the perspective of effect decomposition. The results show that (1) data elements can effectively empower the development of new quality productive forces of enterprises, and the conclusion is robust;(2) enterprises' new quality innovation and labor skill structure have a mediating effect in the development of enterprises' new quality productive forces empowered by data elements; (3) data elements has a multiplier effect in the process of new quality innovation and labor skill structure promoting the development of enterprise new quality productive forces; (4) the enabling effect of data elements is only obvious in highly competitive, high-tech and non-heavy pollution industries, and is more effective in regions with complete digital infrastructure, high level of data talent agglomeration and open data.

According to the derived conclusions, data elements exert multiple influences on the development of new high-quality productive forces within enterprises. In terms of direct effects, firstly, data elements can improve the decision-making efficiency and quality of enterprises by driving their management decisions. Secondly, through data sharing and integration, on the one hand, enterprises can improve the communication efficiency among various departments;on the other hand, enterprises can improve the collaborative production efficiency within their respective supply chains. Thirdly, the application of enterprise data elements can promote the transparency of enterprise information to alleviate the information asymmetry between enterprises and investors, thus improving the financing efficiency of enterprises. Finally, the intricacy of a company's production processes can be significantly streamlined through the application of data elements. In terms of indirect effects, first of all, on the one hand, enterprises can realize the efficient connection between innovation supply and demand through the application of data elements, reducing the cost and risk of R&D innovation, and thus improving the efficiency of new quality innovation of enterprises. On the other hand, the application of data elements can optimize the technological process and product design of enterprises to ensure the improvement of the quality of new quality innovation. Secondly, through the application of data elements, enterprises will create jobs of high-skilled labor and have a substitution effect on low-skilled labor, which can improve the skill structure of enterprises' labor and thus promote the formation and development of enterprises' new quality productive forces. In terms of the multiplier effect of data factors, the core logic is that it can help enterprises re-understand the traditional factors of production, expand the allocation space of traditional factors, improve the efficiency of traditional resource allocation, and thus magnify the role of other factors in the development of new quality productive forces. This study specifically focuses on the multiplier effects of data elements on two key traditional factors: technology and labor. It finds that the multiplier effect of data elements on technology is reflected in the expansion of innovation boundary and the acceleration of technology iteration, and the multiplier effect on labor is reflected in the further improvement of the comprehensive quality of labor. To summarize, by constructing the analysis model of “direct effect—indirect effect—multiplier effect”, this paper provides empirical evidence and policy implications for clarifying the enabling effect of data elements on enterprises' new quality productive forces and releasing the potential of data elements' new quality productive forces.

Key Words：Data Elements; New Quality Productive Forces; New Quality Innovation; Skill Structure of the Workforce; Multiplier Effect

DOI：10.6049/kjjbydc.L2024XZ446

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)08-0001-12

收稿日期：2024-05-06

修回日期：2024-10-14

基金项目：辽宁省教育厅高校基本科研项目(JYIMS20230826)

作者简介：李丹(1984-),女,吉林长春人,博士,辽宁工程技术大学工商管理学院副教授、硕士生导师、博士生副导师,研究方向为数字经济学与产业转型升级;李旭浦(1998-),男,内蒙古包头人,辽宁工程技术大学工商管理学院硕士研究生,研究方向为数字经济学。

0 引言

我国经济总量已居世界第二,但在科技创新与产业核心竞争力等方面与发达国家存在差距,关键核心技术领域存在“卡脖子”问题,经济高质量发展存在卡点和瓶颈。当前世界经济发展低迷,发达国家经济增速进一步放缓,整体增速约为2%,低于过去50多年平均增速。2024年1月,习近平总书记在中共中央政治局第十一次集体学习时强调,“发展新质生产力是推动高质量发展的内在要求和重要着力点,必须继续做好创新这篇大文章,推动新质生产力加快发展”。发展新质生产力是我国在全球竞争中赢得主动权与实现经济高质量发展的战略选择。在全球新一轮科技革命与产业变革纵深推进下,深入探究如何推进企业新质生产力形成与发展,对于提升我国国际竞争力与实现经济高质量发展具有重要意义。

数字经济时代背景下,数据已成为促进新质生产力形成与发展的关键生产要素。2022年以来,我国数据要素存量呈快速上升态势,数据量规模从2022年的23.88ZB预计增长到2027年的76.6ZB,年均增速达26.3%,位居全球第一。为充分发挥数据要素乘数效应,我国相继出台了一系列政策文件,如《中共中央 国务院关于构建更加完善的要素市场化配置体制机制的意见》《中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见》《“数据要素×”三年行动计划(2024-2026年)》,将数据列为与技术、劳动等并列的第七大生产要素,加快数据要素与传统生产要素协同融合以释放数据要素价值,赋能经济社会发展。目前,数据要素已成为学界关注热点。从概念内涵看,不同于数据资源和数据资产,数据要素是一个经济学概念,是指经济主体在生产经营过程中直接接触到的用于投入并创造经济社会价值的数据及其衍生形态,与土地、劳动、资本与技术等生产要素并列[1]。从经济效果看,数据要素一方面通过与人力资本要素相匹配[2],激励企业开展创新活动[3];另一方面通过激活冗余资源提高企业投资效率[4],促进企业发展[5]。因此,厘清数据要素与企业新质生产力之间的内在关系,对于进一步发挥数据要素赋能效应,帮助企业培育新质生产力,促进我国经济高质量发展具有重要意义。

新质生产力是目前国内学者关注重点。从现有研究看,相关学者对新质生产力内涵、测度与驱动因素进行探讨。新质生产力作为一种先进生产力,以科技创新为核心驱动力,具有数字化与绿色化特征[6],体现为劳动者、劳动资料与劳动对象及其优化组合的跃升过程。基于此,诸多学者从不同层面对新质生产力进行测度,包括省级层面[7]、市级层面[8]、行业层面[9]和企业层面。关于新质生产力驱动因素的研究主要以能力提升与环境优化为切入点,论证绿色生产方式[10]、科技创新(尹西明等,2024)、数据要素(张夏恒等,2024)、人才储备(孙锐,2024)和外部环境[11]等因素对新质生产力形成与发展的作用。有学者从乘数效应角度讨论数据要素对新质生产力发展的赋能作用。乘数效应这一概念源于经济学,是指经济活动中由某一变量增减所引起的经济总量变化的连锁反应程度,包括财政政策乘数、货币乘数等,随着研究的不断深化与概念延伸,其已广泛应用到其它领域,包括生态领域[12]和数字经济领域[13]。在数字经济领域,不同于传统乘数效应,数据要素乘数效应是指数据通过与传统生产要素融合,对传统要素产生放大、叠加与倍增作用,最终实现生产力的几何式增长[14]。张夏恒和冯晓宇[15]认为数据要素对新质生产力的乘数效应主要体现在科技创新牵引、生产制造改造、协同融合推动与数据共享上;赵腾等(2024)从数字产业化与产业数字化角度论述数据要素乘数效应如何赋能新质生产力。此外,有学者基于供给创新效应与需求牵引效应探讨数据要素赋能新质生产力的作用(焦勇和高月鹏,2024)。

综上所述,学界关于数据要素、新质生产力及两者关系的探讨为本文提供了理论基础,但现有研究存在以下不足:①主要基于宏观视角和理论层面研究数据要素对新质生产力的赋能作用,未基于微观视角进行实证检验;②未明确数据要素、传统要素与新质生产力之间的内在关联;③分析数据要素对新质生产力的作用机理存在多种效应混淆的问题,未进行效应分解研究。鉴于此,本文基于2011—2022年中国A股上市企业统计数据,检验数据要素对企业新质生产力的影响机制,以期为企业加快形成新质生产力提供参考。

本文贡献主要体现在以下几个方面:第一,从理论层面分析数据要素对企业新质生产力形成与发展的直接影响,将作用机制进一步分解为间接效应和乘数效应,论证新质创新与劳动力技能结构在其中发挥的作用,有助于丰富微观视角下的新质生产力研究。第二,从实证层面构建固定效应模型检验数据要素对企业新质生产力发展的直接效应,有助于丰富新质生产力定量研究与数据要素经济效应研究。同时,构建有调节的中介效应模型,检验新质创新、劳动力技能结构的间接效应以及数据要素的乘数效应,进一步揭示数据要素、传统要素与新质生产力三者间的复杂关系。第三,从实践层面肯定数据要素在企业新质生产力形成与发展过程中的重要性,可为企业加大数据投资提供理论依据,并为政府制定针对性政策推动数据要素赋能企业新质生产力发展提供参考。

1 理论分析与研究假设

1.1 数据要素与企业新质生产力

不同于传统生产力,新质生产力具有“新”和“质”的特点,前者主要体现在数字技术的使用上,后者主要体现为通过使用数字技术提高企业生产效率。基于马克思主义的生产力理论,以生产工具为代表的劳动资料更新是划分不同经济时代的主要依据。数据要素作为数字经济时代下的一种新型劳动资料,具有使用价值高和资源规模大等特点,企业加强利用数据要素有利于提高企业生产效率,从而为企业新质生产力的形成与发展提供动力。首先,数据要素的利用有利于企业决策效率与精准性同步提高。企业管理者通过对海量数据进行挖掘与分析,可发现隐藏在数据中的客观规律,提高企业决策效率和精准性[16],进而促进新质生产力发展。其次,数据要素的利用有利于提高企业内外部协同效率。与传统生产要素不同,数据要素具有共享性,能更好地满足新质生产力形成与发展所需的高水平协同条件。企业通过建立数据标准化体系统一数据格式和接口,促进数据在内部各部门与外部供应链上下游间共享和流通,打破各部门以及供应链各环节的数据孤岛[17],提高各部门沟通与运营效率,加强供应链上各企业协同[18],提高全流程生产效率,从而加快企业新质生产力形成与发展。再次,数据要素能提高企业融资效率。数据要素具有不可篡改性,如区块链技术可实现企业信息透明化,缓解外部投资者与企业之间的信息不对称[19],为企业获得外部融资提供便利,提高企业融资效率,为企业新质生产力的形成与发展提供助力。最后,数据要素能降低企业生产过程复杂度。由于企业生产过程包括诸多环节,具有工序复杂特征,企业利用数据要素可对生产过程进行可视化操作,动态监控各生产环节与流程,实施模块化管理[20],降低生产过程复杂度,提高生产效率,促进企业新质生产力发展。据此,本文提出如下假设:

H1:数据要素能促进企业新质生产力形成与发展。

1.2 新质创新的中介效应

新质创新作为新质生产力的着力点,体现了新质生产力在创新过程中重视数字化与绿色化发展的特点。基于内生增长理论,新质创新促进新质生产力形成与发展的逻辑在于其依托技术革命性突破,摆脱传统发展模式[21],从而催生出先进生产力。而数据要素赋予企业一种可以改变创新模式与优化创新体系以快速实现新质创新的动态能力,为企业带来更多创新机会和竞争优势,从而驱动企业新质创新。一方面,数据要素能推动技术创新供需高效对接。企业在技术创新过程中面临一些不确定性风险,如市场接受度不高与市场需求反应速度慢等问题。企业利用数据要素能够挖掘与分析企业创新需求[22],实现技术创新提供方与需求方的高效对接,大幅降低企业研发创新成本和风险,缩短企业新产品研发周期与创新成果转化周期[23],提升企业新质创新效率。另一方面,数据要素能优化产品设计与工艺流程。企业通过数据要素应用将数字技术嵌入到创新过程,对创新过程进行模块化管理,评估技术创新风险和收益,制定合理的创新策略,提高企业资源利用效率,减少企业创新资源冗余,降低企业能源消耗,促进企业产品设计与工艺流程优化[24],进而提高企业新质创新质量。据此,本文提出如下假设:

H2:新质创新在数据要素与企业新质生产力发展之间起中介作用。

1.3 劳动力技能结构的中介效应

劳动者是促进新质生产力发展的主体,人才是发展新质生产力的力量之源。新质生产力强调创新驱动、高效能、高质量,改善劳动力技能是这一目标实现的关键。基于人力资本理论,随着企业劳动力技能的改善,企业劳动生产效率得到提高,新质生产力持续发展也得到保障。数据要素能促进劳动力技能结构改善,具体表现为对高技能劳动力的“挤入”与对低技能劳动力的“挤出”。一方面,数据要素对高技能劳动力岗位具有创造作用。随着大数据等新兴技术的快速发展,数据要素在企业经济活动中的应用越来越广泛,由于人机交互与深度学习等数据要素应用门槛较高,企业为适应这一趋势会引进熟悉先进技术与具备新知识的高技能劳动者[25],提高企业利用数据进行决策、优化创新模式的能力。由此,数据要素对企业高技能劳动力具有“挤入效应”。另一方面,数据要素对低技能劳动力岗位具有“挤出效应”,企业利用数据要素会减少对简单重复性和低创造性劳动力的需求(宋建等,2024)。此外,虽然数据要素对高技能劳动力和低技能劳动力均具有技能改善作用,但高技能劳动力相较于低技能劳动力的边际产出成本更高,因此低技能劳动力在企业中会不断被“挤出”。据此,本文提出如下假设:

H3:劳动力技能结构在数据要素与企业新质生产力发展之间起中介作用。

1.4 数据要素的调节效应

在数据要素乘数效应的基础上,进一步从企业生产函数角度对其进行阐述。数据要素被纳入生产函数后,会与传统生产要素相结合,对传统生产要素产生放大、叠加与倍增作用,促进要素间协作与联动,改变生产函数属性,最终提高生产要素边际收益(许安明,2022)。数据要素乘数效应之所以能够赋能企业新质生产力发展,核心逻辑在于其可以拓展传统生产要素增值方式,提高传统资源配置效率和精准度,从而放大传统生产要素对新质生产力形成与发展的作用,表现为一种正向调节效应,包括协同优化、复合通用和融合创新3种作用。

(1)数据要素通过协同优化提高传统要素配置效率。基于协同理论,不同要素之间通过相互作用产生超越单独要素作用的整体效应,而数据要素具有依附倍增性特征,通过与技术要素、劳动要素产生协同效应提升传统要素配置效率。一方面,数据要素具有快速迭代性,其与技术要素之间的协同使得企业将自动化工具与迭代测试相结合,能节省时间和精力[26],加快研发创新工具迭代速度,进一步放大新质创新对新质生产力的变革作用;另一方面,数据要素与劳动要素协同能为企业员工提供交流学习的机会,提高劳动力要素配置效率,放大劳动力技能结构改善对企业新质生产力形成与发展的推动作用。这一乘数效应具体表现为数据要素会放大高技能劳动力对企业新质生产力形成与发展的推动作用,并削弱低技能劳动力对企业新质生产力形成与发展的阻碍作用[27-28]。

(2)数据要素通过复合通用提高传统要素投入产出效率。复合通用依托数据要素的非竞争性与易复制性,以数据使用价值深度复用与不受场景限制为内涵,以应用需求为导向[29],使数据要素可在多场景应用与多主体复用,从而提高技术要素和劳动要素的投入产出效率。一方面,数据要素可同时被多个主体低门槛使用,且不受应用场景限制,其在复用过程中会因创新主体和行业不同而丰富创新知识来源,推动异质性创新资源跨界融合(乔彬等,2024)。企业依托丰富的异质创新知识可突破现有生产模式与技术路径,增强新质创新积极性,提高新质创新投入产出比,实现最优产出,在新质创新助力新质生产力发展过程中产生乘数效应。另一方面,数据要素的重复利用使企业可实时收集与分析关于劳动力投入的各类数据,及时调整劳动要素投入比例,从而在劳动力助力新质生产力发展过程中产生乘数效应。

(3)数据要素通过融合创新提高传统要素业务拓展效率。数据要素与技术、劳动要素不断融合,能够实现数据来源多样化与数据要素规模效应(吴江等,2024),使企业挖掘新价值,加快产品与服务创新,塑造新商业模式,拓展业务范围,助力企业新质生产力发展。一方面,数据要素与技术要素融合赋予企业数字化与绿色化特征,推进企业产品和服务向数字化与绿色化转型,能降低企业运营成本,增强企业品牌形象,提高企业业务拓展能力,对企业新质生产力发展产生乘数效应。另一方面,数据要素与劳动力要素融合有助于缓解劳动力面临的信息不对称[30],促使企业准确把握市场动态与行业趋势,减少业务开拓的盲目性和不确定性,提高业务拓展效率,从而对新质生产力发展产生乘数效应。据此,本文提出如下假设:

H4a:数据要素在新质创新与新质生产力发展之间具有乘数效应;

H4b:数据要素在劳动力技能结构与新质生产力发展之间具有乘数效应。

综上所述,本文构建研究框架,如图1所示。

2 研究设计与变量说明

2.1 样本选取与数据来源

本文以2011—2022年中国沪深A股上市公司为研究对象,对初始样本作如下处理:①剔除ST、PT类企业样本;②剔除金融类、信息传输、软件与信息技术服务行业样本;③剔除企业年限为0的企业样本;④通过匹配企业注册地址与所在城市或省域,形成企业—年份—地区面板数据。经过以上处理,最终得到4 063家上市公司的30 449个年度观测值。企业层面数据主要来源于国泰安数据库与Wind金融终端数据库,相关企业年报数据来源于各证券交易所网站或公司官网,宏观层面数据主要来源于相关统计年鉴。

2.2 模型构建

为探究数据要素对企业新质生产力形成与发展的直接效应,本文构建基准模型如下:

NPROit=α0+α1DAUit+α2Xit+μi+ηi+λt+εit

(1)

其中,NPRO为被解释变量,代表企业新质生产力;DAU为解释变量,代表企业数据要素水平;X为多维度控制变量;μi、ηi、λt分别为行业、城市与年份固定效应;εit为随机扰动项。为使统计结果更加稳健,本文采用企业层面聚类稳健标准误进行回归分析。

进一步,采用Hayes[31]提出的模型,构建有调节的中介效应模型,检验新质创新、劳动力技能结构对新质生产力的影响作用以及数据要素在其中发挥的乘数效应。模型构建如下:

Mit=β0+β1DAUit+β2Xit+μi+ηi+λt+εit

(2)

NPROit=φ0+φ1DAUit+φ2Mit+φ3Mit×DAUit+φ4Xit+μi+ηi+λt+εit

(3)

其中,M为机制变量集合,包括新质创新与劳动力技能结构;DAUit×Mit表示数据要素与机制变量的交互项,其余变量含义与模型(1)相同。数据要素(DAU)乘数效应为:在β1θM→NPRO=β1(φ2+φ3DAU)=β1φ2+β1φ3DAU中,DAU所发挥的作用。如果该假设被拒绝则表明中介效应受到调节,即满足β1≠0且φ3≠0这一条件。

2.3 变量说明

2.3.1 被解释变量:企业新质生产力(NPRO)

现有研究对企业新质生产力的测度主要从劳动力、劳动资料和劳动对象3个维度展开。借鉴已有文献做法(宋佳等,2024),从上述3个维度对企业新质生产力进行衡量。其中,劳动力用研发人员薪资占比、研发人员占比与高学历人员占比3个指标衡量;劳动对象用固定资产占比与制造费用占比衡量;劳动资料主要指生产工具的先进程度,从硬科技和软科技两个方面测度,前者使用研发折旧摊销占比、研发租赁费占比、研发直接投入占比与无形资产占比衡量,后者采用总资产周转率与权益乘数的倒数衡量。采用熵值法赋权与多重线性函数加权对企业新质生产力进行综合测度,数值越大说明企业新质生产力水平越高。

2.3.2 解释变量:数据要素(DAU)

本文核心解释变量为数据要素,由于数据要素具有非竞争性与价值不确定性,难以具体量化,且目前我国上市公司未公开披露数据要素相关指标,因此参考多数学者的做法[3],本文采用文本分析法和机器学习算法,通过“种子词词典+Word2Vec相似词扩充+SnowNLP情感极性分析”构建企业数据要素评价指标体系,基于测度结果设定虚拟变量进行稳健性检验。

具体测度方法如下:首先,基于数据价值链选取种子词。借鉴相关研究(李正辉等,2024;李健等,2023),考虑到数据采集、数据存储、数据加工、数据流通、数据分析与数据应用6个阶段的数据价值释放过程,参考《2023年中国大数据发展白皮书》《中国数据要素市场发展报告(2021-2022)》,选出分别代表上述6个阶段的种子词。其次,扩展种子词以形成数据要素词典。为客观构建数据要素特征词谱,借鉴相关研究[32],进一步采用Word2Vec机器学习技术对种子词集进行相似词扩充,剔除重复词语、与数据要素不相关词语以及词频过低的词语,最终获得70个词语,构建数据要素词典,结果如表1所示。再次,确定文本分析对象以进行词频与情感极性分析。以上市公司年报中的MD&A部分为文本分析对象,使用Python技术进行各特征词词频计算,使用SnowNLP技术对各特征词进行情感极性分析,从而获得调整后的每个特征词词频。最后,测算企业数据要素水平并进行有效性检验。参考已有研究[33],用以下公式对企业数据要素水平进行测算:

(4)

其中,DAUi,t为i企业t年的数据要素水平,Zwordsi,t,n为词典中第n个特征词(正向与中立)在i企业t年MD&A中的词频,Twordi,t为i企业t年MD&A的总词频(排除英文和数字)。所测结果数值越大,说明企业数据要素水平越高。同时,采用实际对比法对所测数据要素水平进行有效性检验。数据要素具有虚拟性,需要依托其它介质才能发挥作用,企业数据中台构建体现数据要素管理与应用能力,一定程度上反映企业的数据要素水平。借鉴现有文献做法[32],以《2022数据中台TOP50》榜单为依据,将在榜企业与样本匹配,匹配到4家企业(用友软件、浪潮软件、恒生电子、普元信息)。将数据要素水平由高到低进行排序,依次为最高、较高、中低、较低和最低水平,发现以上4家企业均位于最高水平组,与实际情况相符,说明本文数据要素指标有效。

2.3.3 中介变量

(1)新质创新。企业新质生产力的特点是创新,且创新过程具有数字化与绿色化特征,代表企业新质创新的方向。因此,为契合新质生产力创新发展实际,本文借鉴已有研究方法[34],采用企业数字发明专利申请数与绿色发明专利申请数之和加1取对数表征企业新质创新质量(TIS1),采用企业数字发明专利申请数与绿色发明专利申请数之和除以企业研发投入(TIS2)表征企业新质创新效率,两者反映企业新质创新水平。其中,数字发明专利申请数与绿色发明专利申请数分别通过《数字经济核心产业分类与国际专利分类参照关系表(2023)》、WIPO绿色专利清单与国家知识产权局的专利数据匹配获得。

(2)劳动力技能结构。参考已有文献做法(姚加权等,2024),将企业劳动力按职能划分,用企业科技人员占员工人数的比重表征企业高技能劳动力水平(HSS),用企业生产人员、财务人员与销售人员占员工人数的比重表征企业低技能劳动力水平(LSS),两者反映企业劳动力技能结构。

2.3.4 控制变量

为检验数据要素对企业新质生产力发展的影响,参考相关研究(赵国庆等,2024;宋建等,2024),选取企业年龄(Age)、总资产净利润率(ROA)、审计意见(AO)、审计费用(AE)、董事会规模(BOA)、融资约束(SA)、两职合一(Dua)与股权集中度(TOP)作为控制变量。其中,用企业年龄的对数表征企业年龄;用净利润与总资产比值表征总资产净利润率;审计无保留意见则审计意见赋值为1,否则赋值为0;用审计费用的对数表征审计费用;用董事会人数的对数表征董事会规模;用SA指数表征融资约束;董事长兼总经理则两职合一赋值为1,否则为0;用前十大股东占股比例表征股权集中度。

2.4 描述性统计分析

变量描述性统计结果如表2所示,从中可见,企业新质生产力水平的最小值、最大值分别为0.039 6和32.474 8,企业数据要素水平的最小值、最大值分别为0.000 0和0.241 8,说明上市公司新质生产力水平与数据要素水平存在较大差异。此外,共线性检验结果显示,各变量的VIF值介于1.02～1.62之间,远小于10,说明本文变量不存在严重的共线性问题。

3 实证结果分析

3.1 基准回归结果

表3列示了数据要素对企业新质生产力发展的基准估计结果。其中,列(1)在全样本区间内进行回归,列(2)控制企业特征变量,列(3)加入行业、城市与年份固定效应。结果显示,数据要素对企业新质生产力的回归系数为正且具有统计显著性,表明数据要素能够促进企业新质生产力形成,H1得到验证。这一结果基于微观视角佐证了目前学者对于数据要素助力新质生产力发展的理论探讨(张夏恒等,2024),并从实证层面补充了数据要素与企业新质生产力关系研究。数据要素作为数字经济时代最具代表性的生产要素,对企业新质生产力形成与发展具有重要意义,企业运用数据要素可赋能新质生产力形成与发展。

3.2 稳健性检验与内生性处理

3.2.1 替换被解释变量

新质生产力以全要素生产率提升为核心标志,故本文采用企业全要素生产率作为新质生产力的代理变量进行稳健性检验。参考主流文献做法,考虑到测算方法会影响测度结果,分别采用GMM、OP和LP法对企业全要素生产率进行测度,并将其作为被解释变量重新进行回归,结果如表4列(1)～(3)所示,与基准回归结果一致。

3.2.2 替换核心解释变量

进一步,本文将数据要素指标替换为虚拟变量DAUU,即当所选文本中出现词典中的特征词且其为正向或中立情感时,则对该变量赋值为1,否则为0。将这一变量作为解释变量重新进行回归,结果如表4列(4)所示。可以看出,替换核心解释变量后估计系数依然在1%水平上显著为正,表明本文研究结论依然成立。

3.2.3 考虑交互固定效应

虽然本文在模型中已加入一系列控制变量,但有可能会遗漏一些随时间变化的行业变量和城市变量。因此,进一步控制行业—年份交互固定效应和城市—年份交互固定效应重新进行回归,结果如表4列(5)和列(6)所示,基准结果依然稳健。

3.2.4 更换聚类方式

考虑到不同行业、不同城市内企业甚至各企业之间的经营存在关联,且企业间的生产力水平变化存在相关性,为使研究结论更加稳健,本文将企业层级变更为行业与城市层级进行稳健性分析,结果如表4列(7)和列(8)所示。可见,数据要素依然能够推动企业新质生产力发展,验证了基准回归结果的可靠性。

3.2.5 避免样本偏差

考虑到信息行业有可能存在高估企业数据要素水平的问题,故在基准回归中剔除信息行业企业样本,但此步骤有可能会带来样本偏差问题。鉴于此,本文将信息行业企业样本纳入重新进行回归分析,结果如表4列(9)所示。可以看出,数据要素回归系数在1%水平上显著为正,说明原结论依然成立。

3.2.6 工具变量

考虑到企业新质生产力的出现会使其更加重视数据要素,两者存在反向因果问题,且虽然前文已经控制不同层面的固定效应和控制变量,但仍存在遗漏变量的可能。因此,为克服上述内生性问题,进一步采用工具变量法对两者关系进行检验。一方面,选取数据要素的一阶滞后项作为工具变量(IV1),该工具变量两阶段估计法回归结果如表5列(1)和列(3)所示。另一方面,借鉴Lewbel[35]的方法,选用数据要素与按城市分类的企业数据要素均值差额的三次方作为工具变量(IV2),两阶段估计法回归结果如表5列(2)和列(4)所示。可以看出,本文工具变量均通过不可识别检验与弱工具变量检验,说明所选取的工具变量具有一定合理性。而且,在充分考虑内生性问题后,数据要素回归系数依然显著为正,说明前文所得结论稳健。

4 机制分析

4.1 新质创新机制检验

企业新质创新机制检验结果如表6所示。由表6列(1)和列(2)可知,数据要素对新质创新的估计系数在1%水平下显著为正,表明数据要素通过新质创新助力企业新质生产力形成,假设H2得到验证。由表6列(3)和列(4)可知,数据要素与企业新质创新质量、新质创新效率的交互项的系数在1%水平下显著为正,综合以上结果表明数据要素对企业新质创新质量与新质创新效率具有乘数效应,假设H4a得到验证。这说明,新质生产力发展下企业创新兼具数字化与绿色化特点,且数据要素恰好可以满足这一需求。因此,企业在推动新质生产力形成与发展过程中应注重数据要素的使用以实现数字化与绿色化协同发展。

4.2 劳动力技能结构机制检验

企业劳动力技能结构机制检验结果如表7所示。由表7列(1)和列(2)可知,数据要素对高技能劳动力水平的估计系数在1%水平下显著为正,对低技能劳动力水平的估计系数在1%水平下显著为负,表明数据要素通过改善企业劳动力技能结构促进企业新质生产力形成与发展,假设H3得到验证。表7列(3)和列(4)的系数结果显示,数据要素与企业高技能劳动力水平的交互项的系数显著为正,与低技能劳动力水平的交互项的系数显著为负,说明数据要素对企业劳动力技能结构具有乘数效应,假设H4b得到验证。本文从劳动力技能结构视角探讨数据要素与劳动要素结合产生的乘数效应对企业新质生产力形成与发展的影响,丰富了数据要素、劳动力要素与企业新质生产力关系研究。

5 异质性分析

5.1 企业所在行业异质性分析

5.1.1 企业竞争属性异质性分析

当企业处于竞争激烈的行业中时,往往伴随着不确定性市场需求,而数据要素可为企业带来洞察市场趋势并快速进行市场布局的能力,使企业能迅速适应市场需求,进而影响新质生产力发展。本文借鉴孔东民等[36]的研究方法,采用行业赫芬达尔指数对企业竞争属性进行衡量,当该值小于年度中位数时属于高竞争企业,对其赋值为1,否则为0。分组回归结果如表8列(1)和列(2)所示,列(1)数据要素回归系数在1%水平下显著为正,列(2)系数不显著。这表明,在竞争激烈的行业中,数据要素对企业新质生产力的赋能作用更有效。原因在于,企业高竞争属性体现在对市场占有率的争夺上,而数据要素可使企业具备快速分析市场需求以占领市场的能力,因此企业会更加重视数据要素的价值,不断提高数据要素水平,进而促进企业新质生产力发展。

5.1.2 企业科技属性异质性分析

技术创新是数据要素影响新质生产力形成与发展的重要途径,因此企业科技属性同样会产生数据要素赋能效应。参考相关研究做法(石琦等,2020),将样本划分为高新技术企业与非高新技术企业两组进行回归分析,结果如表8列(3)和列(4)所示。从中可见,高新技术企业数据要素回归系数在1%水平下显著,非高新技术企业不显著,说明相比非高新技术企业,高新技术企业更能有效利用数据要素实现新质生产力发展。由于数据要素对传统要素如技术和劳动力具有乘数效应,而高新技术企业相较于非高新技术企业具有技术创新水平高和劳动力素质高等优势,因此数据要素对高新技术企业新质生产力的促进作用更明显。

5.1.3 企业绿色属性异质性分析

新质生产力具有绿色化特征,因此数据要素对新质生产力的赋能作用可能会因企业绿色属性不同而产生差异。为检验这一差异,参考现有研究(潘爱玲等,2019),将上市公司按所处行业细分为重污染企业与非重污染企业进行分组回归分析,结果如表8列(5)和列(6)所示。结果显示,非重污染企业数据要素的回归系数在1%水平下显著,而重污染企业系数不显著,表明数据要素对非重污染企业新质生产力具有赋能作用。可能原因在于,非重污染企业相较于重污染企业更加关注可持续发展与环境保护问题,因此更需要利用数据要素进行绿色技术创新,而新质生产力也是绿色生产力。因此,在非重污染企业中,数据要素对新质生产力的赋能效应更有效。

5.2 企业所在地区异质性分析

5.2.1 数据基础设施异质性分析

企业利用数据要素赋能新质生产力发展离不开外部硬件设施支持。选取各城市互联网宽带接入用户规模作为数据要素基础设施代理变量,根据中位数大小将全样本划分为数据基础设施完备与不完备地区进行分组检验,结果如表9列(1)和列(2)所示。从中可见,在数据基础设施完备地区,企业运用数据要素对新质生产力发展的促进作用更有效。原因在于,数据基础设施完备一方面能拓宽企业数据要素应用场景,另一方面也为数据要素的高效利用提供了技术支撑,两者叠加进一步放大了数据要素赋能新质生产力的作用。

5.2.2 数据人才集聚异质性分析

企业利用数据要素赋能新质生产力发展离不开数据人才供给。首先,选取各城市信息传输计算机服务和软件业从业人数的对数作为数据人才集聚的代理变量,将各城市划分为高水平数据人才集聚地区与低水平数据人才集聚地区进行分组回归,结果如表9列(3)和列(4)所示。从中可见,在高水平数据人才集聚地区,数据要素对企业新质生产力发展的促进作用更强。数据人才高水平集聚为区域企业数据要素能力提高提供了人才保障,使得企业可以不断提升自身数据要素水平,进而推动新质生产力形成与发展。

5.2.3 数据开放水平异质性分析

选取各省份政府是否建立数据开放平台作为数据开放的代理变量,将各省份划分为数据开放与不开放地区进行分组回归,结果如表9列(5)和列(6)所示。从中可见,在数据开放地区,数据要素对企业新质生产力发展的促进作用更强。数据开放共享有利于区域数据要素价值充分释放,在这样的环境中企业往往更有意愿充分利用数据要素实现自身革新,进而推动新质生产力形成与发展。可见,完善的数据外部环境对企业新质生产力形成与发展具有不容忽视的作用。

6 结论与建议

6.1 研究结论

本文运用2011—2022年中国A股上市公司数据,构建固定效应模型与有调节的中介效应模型,探究数据要素对企业新质生产力的赋能效应及影响机制,得出如下结论:第一,企业数据要素对新质生产力形成与发展具有赋能效应,这一结论在进行一系列稳健性检验后依然成立,说明数据要素对新质生产力具有赋能作用。第二,数据要素通过新质创新与劳动力技能结构两条途径赋能新质生产力发展。而且,企业通过数据要素应用可进一步放大新质创新与劳动力技能结构改善对新质生产力的激励作用,具有乘数效应。第三,数据要素对企业新质生产力的赋能作用在竞争激烈、高新技术与非重污染行业更明显,而且这一赋能效应会因数据基础设施完备、数据人才高水平集聚与数据开放进一步放大。

6.2 政策建议

(1)引导企业选择数据要素应用战略方向。目前,我国上市公司数据要素水平与新质生产力发展水平尚不匹配,政府应出台激励机制,扩大企业数据要素规模,根据企业数字系统建设情况对其进行资金补助和税收减免;鼓励数据要素丰富的企业率先搭建平台;引导投资者增加对企业数据要素应用的偏好,激励企业实现数据要素应用,助力企业新质生产力形成与发展。

(2)鼓励新质创新与劳动力技能结构调整。研究发现,新质创新与劳动力技能结构是企业形成与发展新质生产力的关键条件。因此,企业应强化以数据要素应用为导向的新质创新活动开展,重点围绕创新供需高效对接、产品设计与工艺流程优化、协同创新与技术迭代等环节,提高创新资源利用效率,避免创新资源的盲目投入与损失。政府应完善符合企业新质生产力发展的创新活动评估政策体系,重点围绕企业数字化创新与绿色化创新两个方面,发挥新质创新的传导效应。同时,企业在员工技能培训与提升过程中应利用数据要素建立针对性培养方案,使员工适应数据要素应用环境;另外,积极打造内部学习交流平台,拓宽员工学习边界,提升员工综合实力。

(3)加强数据要素软硬环境协同建设。研究发现,数据要素赋能企业新质生产力需满足一定条件,因此在数据要素、新质生产力等制度设计中应考虑企业所处环境。政府需完善数据要素基础设施与公共数据开放平台建设,保障数据要素高质量供给与交易流通高效,健全数据要素硬环境,保障高质量数据要素持续赋能企业新质生产力发展。同时,注重数据人才引进与培养,鼓励高校设置数据要素应用专业,加大数据人才引进力度,优化数据要素软环境,助力数据要素赋能企业新质生产力形成与发展。

参考文献：

[1] 陈刚,颜斌斌,汤珂.数据的要素化与资产化:理论辨析与实践探索[J].国际经济评论,2024,32(5):153-176,8.

[2] 陶长琪,丁煜.数据要素何以成为创新红利——源于人力资本匹配的证据[J].中国软科学,2022,37(5):45-56.

[3] 马淑琴,徐苗,张陈宇.数据要素应用与企业创新效应——来自中国A股上市公司的经验证据[J].商业经济与管理,2024,44(2):50-67.

[4] 史青春,牛悦,徐慧.企业数据要素利用水平影响投资效率机理研究——利用数据要素激活冗余资源的中介作用[J].中央财经大学学报,2023,43(11):105-115.

[5] 王宏伟,董康.数据要素对企业发展的影响——基于云计算行业197家上市公司实证分析[J].东岳论丛,2022,43(3):161-173,192.

[6] 黄群慧,盛方富.新质生产力系统:要素特质、结构承载与功能取向[J].改革,2024,37(2):15-24.

[7] 韩文龙,张瑞生,赵峰.新质生产力水平测算与中国经济增长新动能[J].数量经济技术经济研究,2024,41(6):5-25.

[8] 傅联英,蔡煜.中国市域新质生产力:时序演变、组群特征与发展策略[J].产业经济评论,2024(4):5-22.

[9] 朱迪,叶林祥.中国农业新质生产力:水平测度与动态演变[J].统计与决策,2024,40(9):24-30.

[10] 杜黎明.汇聚新质生产力发展的绿色动力[J].人民论坛,2024,33(6):23-25.

[11] 陆岷峰.数据市场化赋能新质生产力:理论逻辑、实施模式与发展趋势[J/OL].新疆社会科学,1-15[2025-01-21].http://kns.cnki.net/kcms/detail/65.1211.F.20240219.1452.002.html.

[12] MCNAMARA J M, DALL S R X. The evolution of unconditional strategies via the 'multiplier effect'[J]. Ecology letters, 2011, 14(3): 237-243.

[13] 郑荣,高志豪,吴沁珂,等.“数据要素×”效应下产业协同应急智慧情报服务架构与机制研究[J].情报理论与实践,2024,47(11):13-24.

[14] 张夏恒.新质生产力赋能数字经济高质量发展:内在逻辑与实现路径[J].贵州师范大学学报(社会科学版),2024,65(4):22-31.

[15] 张夏恒,冯晓宇.论新质生产力发展:数据要素赋能的整体架构及推进举措[J].河海大学学报(哲学社会科学版),2024,26(3):120-130.

[16] NUDURUPATI S S, TEBBOUNE S, GARENGO P, et al. Performance measurement in data intensive organisations: resources and capabilities for decision-making process[J]. Production Planning &Control, 2024, 35(4): 373-393.

[17] LI D, MALERBA F. Technological change and the evolution of the links across sectoral systems: the case of mobile communications[J]. Technovation, 2024, 130: 102936.

[18] TSENG M L, WU K J, LIM M K, et al. Data-driven sustainable supply chain management performance: a hierarchical structure assessment under uncertainties[J]. Journal of Cleaner Production, 2019, 227: 760-771.

[19] AHLUWALIA S,MAHTO R V,GUERRERO M.Blockchain technology and startup financing: a transaction cost economics perspective[J]. Technological Forecasting and Social Change, 2020, 151: 119854.

[20] ZHUANG C, LIU J, XIONG H. Digital twin-based smart production management and control framework for the complex product assembly shop-floor[J]. The International Journal of Advanced Manufacturing Technology, 2018, 96: 1149-1163.

[21] WANG J, WANG L, QIAN X. Revisiting firm innovation and environmental performance: new evidence from Japanese firm-level data[J]. Journal of Cleaner Production, 2021, 281: 124446.

[22] GHASEMAGHAEI M, CALIC G. Does big data enhance firm innovation competency? the mediating role of data-driven insights[J]. Journal of Business Research, 2019, 104: 69-84.

[23] ZARERAVASAN A.Boosting innovation performance through big data analytics: an empirical investigation on the role of firm agility[J]. Journal of Information Science, 2023, 49(5): 1293-1308.

[24] WU L, HITT L, LOU B. Data analytics, innovation, and firm productivity[J]. Management Science, 2020, 66(5): 2017-2039.

[25] BRYNJOLFSSON E, MCELHERAN K. Data in action: data-driven decision making in US manufacturing[M]. University of Toronto-Rotman School of Management, 2016.

[26] 张斌,李亮.“数据要素×”驱动新质生产力:内在逻辑与实现路径[J].当代经济管理,2024,46(8):1-10.

[27] CHEN Y, LUO H, CHEN J, et al. Building data-driven dynamic capabilities to arrest knowledge hiding: a knowledge management perspective[J]. Journal of Business Research, 2022, 139: 1138-1154.

[28] HUANG T, SU Q, YU C, et al. Strategic team design for sustainable effectiveness: a data-driven analytical perspective and its implications[J]. Decision Support Systems, 2024, 181: 114227.

[29] 李弦.数据要素赋能新质生产力的理论逻辑与实践进路——基于马克思劳动过程理论的分析[J].上海经济研究,2024,43(5):25-36.

[30] 焦方义,杜瑄.数据要素加快新质生产力发展的政治经济学分析[J].现代经济探讨,2024,43(8):1-13,43.

[31] HAYES A F. Introduction to mediation, moderation, and conditional process analysis: a regression-based approach[M]. New York: Guilford Publications, 2017.

[32] 胡楠,薛付婧,王昊楠.管理者短视主义影响企业长期投资吗——基于文本分析和机器学习[J].管理世界,2021,37(5):139-156,11,19-21.

[33] 苑泽明,尹琪,于翔.数据资产如何赋能企业高质量发展——对传统生产要素的优化机制[J].西部论坛,2024,34(3):54-73.

[34] 田红云,李永友,李忠正.研发费用加计扣除政策对中小企业高质量创新的影响[J].科研管理,2024,45(3):53-63.

[35] LEWBEL A. Constructing instruments for regressions with measurement error when no additional data are available, with an application to patents and R&D[J]. Econometrica: Journal of the Econometric Society, 1997,65(5): 1201-1213.

[36] 孔东民,刘莎莎,王亚男.市场竞争、产权与政府补贴[J].经济研究,2013,48(2):55-67.

(责任编辑：王敬敏)