以“数”赋能：数据要素共享与企业数实技术融合

冯海波; 王娇娇

以“数”赋能：数据要素共享与企业数实技术融合

暨南大学经济学院, 广东广州 510632

基金项目:

国家社会科学基金重点项目 25AJL018

河南省高校哲学社会科学研究重大项目 2026-YYZD-18

详细信息

作者简介:
冯海波(1971-)，男，吉林四平人，暨南大学经济学院教授，博士生导师

通讯作者:
王娇娇(1999-)(通讯作者)，女，河南驻马店人，暨南大学经济学院博士研究生

中图分类号: F279.2
计量
- 文章访问数: 142
- HTML全文浏览量: 142
- PDF下载量: 2
- 被引次数: 0
出版历程
- 收稿日期: 2025-09-02
- 网络出版日期: 2025-12-17
- 刊出日期: 2025-11-28

Data Empowerment: Data Element Sharing and the Integration of Digital and Real Economy Technologies in Enterprises

School of Economics, Jinan University, Guangzhou 510632, China

摘要

摘要: 数字经济与实体经济深度融合具有显著的数据驱动特征，公共数据开放作为数据要素供给的重要渠道，为企业实现数实技术融合奠定关键的数据基础。本研究以中国各地级市开放公共数据平台构建准自然实验，基于2008—2022年上市公司与地级市的匹配数据，采用多期双重差分方法检验公共数据开放对企业数实技术融合的影响。结果表明，公共数据开放能够推动企业数实技术融合，这一作用以降低交易成本、促进数字化转型与提升创新效率为主要机制；异质性分析显示，公共数据开放对于小规模企业、非高新技术企业以及位于数字基础设施建设低水平和高经济发展水平城市企业数实技术融合的促进效果更显著；基于开放质量维度的研究发现，公共数据开放整体质量、数据质量与平台建设质量对企业数实技术融合发挥主要作用，而政策保障力度的作用尚未凸显，且数字经济政策供给强度在其间发挥了逆向调节作用。研究结论为完善数据赋能政策、实现公共数据开放激励数实技术融合的红利效应提供了经验证据。
- 数据要素 /
- 公共数据开放 /
- 数实技术融合 /
- 数据质量
Abstract: The deep integration of the digital economy and the real economy is characterized by significant data-driven features. Public data opening, as an important channel for the supply of data elements, lays a crucial data foundation for enterprises to achieve the integration of digital and real economy technologies. This study constructs a quasi-natural experiment based on the public data opening platforms of various prefecture-level cities in China and uses a multi-period difference-in-differences method to examine the impact of public data opening on the integration of digital and real economy technologies in enterprises. The results show that public data opening can promote the integration of digital and real economy technologies in enterprises, mainly through the mechanisms such as reducing transaction costs, promoting digital transformation, and enhancing innovation efficiency. Heterogeneity analysis reveals that public data opening has a more significant promoting effect on the integration of digital and real economy technologies in small-scale enterprises, non-high-tech enterprises, and enterprises located in cities with low levels of digital infrastructure construction and high economic development levels. Based on the research on the quality dimensions of opening, it is found that the overall quality of public data opening, data quality, and platform construction quality play a major role in the integration of digital and real economy technologies in enterprises, while the role of policy guarantee strength has not yet been highlighted, and the intensity of policy supply in digital economy plays a reverse regulatory role in this process. The conclusions of this study provide empirical evidence for improving data empowerment policies and realizing the dividend effect of public data opening in promoting the integration of digital and real economy technologies.
- data elements /
- public data opening /
- integration of digital and real economy technologies /
- data quality

HTML全文

图 1 平行趋势图

下载: 全尺寸图片幻灯片

图 2 安慰剂检验

下载: 全尺寸图片幻灯片

表 1 中国国家层面公共数据开放的相关政策文件

发文时间	发文主体与文件名称	相关政策内容
2015年8月	中华人民共和国国务院《促进大数据发展行动纲要》	加强顶层设计和统筹协调，大力推动政府信息系统和公共数据互联开放共享
2020年3月	中国共产党中央委员会、中华人民共和国国务院《关于构建更加完善的要素市场化配置体制机制的意见》	首次明确数据要素的新型生产要素地位，提出建立公共数据开放和数据资源有效流动的制度
2022年12月	中国共产党中央委员会、中华人民共和国国务院《关于构建数据基础制度更好发挥数据要素作用的意见》	对公共数据加强汇聚共享和开放开发，强化统筹授权使用和管理，推进互联互通
2023年12月	国家数据局等部门《“数据要素X”三年行动计划(2024—2026年)》	培育拓展数据要素使用场景，充分实现数据要素价值
2024年9月	中国共产党中央委员会办公厅、中华人民共和国国务院办公厅《关于加快公共数据资源开发利用的意见》	深化数据要素配置改革，扩大公共数据资源供给
2025年5月	中华人民共和国国务院《政务数据共享条例》	提高政务数据安全防护能力，整合构建标准统一、布局合理、管理协同、安全可靠的全国一体化政务大数据体系
资料来源：北大法宝数据库。

下载: 导出CSV

表 2 主要变量描述性统计

变量	样本量	总体均值	处理组均值	控制组均值	标准差	最小值	最大值
DST	15 741	0.202	0.219	0.126	0.494	0.000	5.861
P_Data	15 741	0.453	0.556	0.000	0.498	0.000	1.000
Lev	15 741	0.392	0.390	0.400	0.191	0.051	0.859
cflow	15 741	0.051	0.050	0.055	0.063	-0.121	0.235
size	15 741	22.110	22.120	22.061	1.295	19.006	28.637
lnage	15 741	1.877	1.882	1.857	0.874	0.000	3.497
income	15 741	0.164	0.164	0.162	0.293	-0.419	1.521
fluidasset	15 741	1.135	1.115	1.223	0.771	0.239	4.888
stock	15 741	5.811	5.997	4.993	9.943	0.472	81.006
director	15 741	2.119	2.115	2.135	0.190	1.609	2.639
lnrgdp	15 741	11.456	11.484	11.335	0.527	9.078	13.056
sci	15 741	0.007	0.007	0.005	0.005	0.001	0.021
fi	15 741	1.622	1.569	1.854	0.642	0.453	3.296
market	15 741	0.393	0.386	0.423	0.080	0.221	0.639

下载: 导出CSV

表 3 基准回归结果

变量	(1)	(2)	(3)	(4)
变量	DST	DST	DST	DST
P_Data	0.031^***	0.021^***	0.121^***	0.123^***
	(3.820)	(2.642)	(9.111)	(9.026)
lev		-0.039		0.038
		(-1.382)		(0.956)
cflow		-0.250^***		-0.131^*
		(-4.108)		(-1.930)
size		0.089^***		0.012
		(12.379)		(1.090)
lnage		-0.070^***		0.016
		(-11.301)		(1.167)
income		-0.011		-0.010
		(-0.856)		(-0.868)
fluidasset		0.014^*		-0.006
		(1.851)		(-0.511)
stock		-0.002^***		0.001
		(-5.937)		(1.553)
director		0.168^***		0.091^**
		(7.604)		(2.490)
lnrgdp		-0.049^***		-0.063^**
		(-5.390)		(-2.384)
sci		9.412^***		-2.827
		(7.658)		(-1.389)
fi		-0.058^***		-0.002
		(-8.818)		(-0.071)
market		0.029		-0.068
		(0.562)		(-0.780)
Constant	0.188^***	-1.405^***	0.148^***	0.421
	(43.368)	(-7.585)	(22.181)	(1.050)
个体/时间固定	否	否	是	是
N	15 741	15 741	15 741	15 741
R²	0.001	0.056	0.471	0.472
注：、、**分别表示10%、5%、1%的显著性水平，括号内为基于城市层面的聚类标准误计算的t值。下表同。

下载: 导出CSV

表 4 稳健性检验

变量	(1)	(2)	(3)	(4)
变量	DST	DST	DST	DST
P_Data	1.254^***	0.100^***	0.098^***	0.124^***
	(6.146)	(4.046)	(5.116)	(9.029)
lev	0.245	0.105	0.186^***	0.030
	(0.872)	(1.378)	(3.217)	(0.749)
cflow	0.313	-0.076	-0.053	-0.123^*
	(0.464)	(-0.632)	(-0.583)	(-1.798)
size	0.070	0.001	-0.011	0.012
	(0.606)	(0.021)	(-0.679)	(1.072)
lnage	0.382^***	0.016	0.001	0.016
	(2.850)	(0.550)	(0.063)	(1.191)
income	-0.186	-0.007	0.009	-0.009
	(-1.331)	(-0.328)	(0.544)	(-0.770)
fluidasset	-0.032	-0.049^*	-0.036^*	-0.005
	(-0.284)	(-1.939)	(-1.838)	(-0.419)
stock	0.004	0.002^**	0.000	0.001
	(1.079)	(2.247)	(0.231)	(1.417)
director	1.106^**	0.073	-0.004	0.093^**
	(2.447)	(1.135)	(-0.071)	(2.535)
lnrgdp	-0.109	-0.065	-0.009	-0.063^**
	(-0.458)	(-1.496)	(-0.233)	(-2.386)
sci	-61.779^**	-0.904	-3.868	-3.062
	(-2.172)	(-0.208)	(-1.135)	(-1.491)
fi	0.959^***	-0.019	0.012	-0.004
	(3.463)	(-0.467)	(0.353)	(-0.151)
market	1.671^**	-0.225	-0.061	-0.094
	(2.159)	(-1.482)	(-0.479)	(-1.071)
Constant	-5.122	0.809	0.479	0.438
	(-1.458)	(1.147)	(0.840)	(1.078)
个体/时间固定	是	是	是	是
行业固定效应	否	否	否	是
N	15 741	5 812	8 416	15 741
R²	0.495	0.603	0.533	0.475

下载: 导出CSV

表 5 Heckman两步法检验

变量	(1)	(2)
变量	DST	DST
P_data	0.331 ^***	1.723^***
	(9.474)	(12.072)
imr		6.119^***
		(11.655)
lev	0.293^***	1.402^***
	(3.748)	(11.087)
cflow	-0.019	-0.183^***
	(-0.088)	(-2.739)
size	0.160^***	0.800^***
	(12.982)	(11.603)
lnage	-0.108^***	-0.533^***
	(-6.364)	(-11.223)
income	-0.018	-0.101^***
	(-0.439)	(-7.000)
fluidasset	-0.005	-0.026^**
	(-0.259)	(-2.197)
stock	-0.005^***	-0.025^***
	(-3.657)	(-10.764)
director	0.208^***	1.079^***
	(3.057)	(11.453)
lnrgdp	0.040	0.148^***
	(1.178)	(4.839)
sci	-9.184^**	-52.657^***
	(-2.271)	(-10.882)
fi	-0.045^*	-0.269^***
	(-1.698)	(-9.130)
market	-0.355^*	-1.793^***
	(-1.878)	(-11.172)
Constant	-5.821^***	-29.416^***
	(-11.410)	(-11.282)
个体/时间固定	是	是
N	15 741	15 741
R²	-	0.497

下载: 导出CSV

表 6 排除其他干扰政策与内生性处理

变量	(1)	(2)	(3)	(4)	(5)
	排除其他干扰政策		第一阶段	第二阶段
	DST	DST	P_data	DST	DST
P_data	0.123^***	0.123^***		0.216^***	0.123^***
	(9.020)	(9.023)		(4.728)	(8.925)
D_test	0.009
	(0.208)
broad		0.011
		(0.247)
Edu			0.223^***		0.002
			(22.513)		(0.194)
lev	0.038	0.038	-0.063^***	-0.004	0.038
	(0.958)	(0.97)	(-3.433)	(-0.131)	(0.967)
cflow	-0.1310^*	-0.131^*	-0.071	-0.043	-0.131^*
	(-1.931)	(-1.938)	(-1.451)	(-0.704)	(-1.939)
size	0.012	0.011	0.029^***	0.090^***	0.011
	(1.091)	(1.038)	(10.130)	(12.537)	(1.038)
lnage	0.016	0.016	-0.000	-0.045^***	0.016
	(1.167)	(1.193)	(-0.036)	(-7.525)	(1.195)
income	-0.010	-0.010	0.001	-0.025^**	-0.010
	(-0.868)	(-0.865)	(0.075)	(-1.987)	(-0.862)
fluidasset	-0.006	-0.006	-0.022^***	0.012	-0.006
	(-0.510)	(-0.520)	(-4.909)	(1.593)	(-0.524)
stock	0.001	0.001	0.001^***	-0.002^***	0.001
	(1.553)	(1.556)	(3.922)	(-6.504)	(1.556)
director	0.091^**	0.107^***	-0.063^***	0.124^***	0.107^***
	(2.492)	(2.913)	(-3.913)	(5.811)	(2.915)
lnrgdp	-0.063^**	-0.063^**	0.014^*	-0.003	-0.063^**
	(-2.360)	(-2.358)	(1.768)	(-0.339)	(-2.386)
sci	-2.837	-2.835	47.603^***	-3.617	-2.798
	(-1.390)	(-1.389)	(46.798)	(-1.438)	(-1.370)
fi	-0.002	-0.002	-0.103^***	0.006	-0.002
	(-0.081)	(-0.097)	(-14.154)	(0.715)	(-0.090)
market	-0.068	-0.069	0.316^***	-0.124^**	-0.070
	(-0.775)	(-0.794)	(6.669)	(-2.128)	(-0.799)
Constant	0.421	0.399
	(1.050)	(0.996)
Kleibergen-Paap rk LM			411.903
			[0.000]
Kleibergen-Paap rk Wald F				506.832
				(16.380)
个体/时间固定	是	是	是	是	是
N	15 741	15 741	15 741	15 741	15 741
R²	0.472	0.472	0.265	0.070	0.472
注：方括号中为P值。

下载: 导出CSV

表 7 培根分解结果

控制组类型	权重	估计值
处理组vs从未受政策处理组	0.711	0.543
较早受政策处理组vs较晚受政策处理组	0.059	0.562
较晚受政策处理组vs较早受政策处理个体	0.049	0.467
P_data加权估计结果	0.604

下载: 导出CSV

表 8 机制检验结果

变量	(1)	(2)	(3)
变量	Cost	Digital	Inno
P_data	-0.003^***	0.032^**	0.004^***
	(-2.647)	(2.255)	(3.391)
lev	-0.016^***	-0.060	-0.006
	(-4.312)	(-1.288)	(-1.553)
cflow	-0.018^***	0.030	0.003
	(-3.338)	(0.382)	(0.467)
size	0.021^***	0.024^**	0.001
	(23.623)	(2.054)	(1.191)
lnage	-0.003^***	-0.003	-0.007^***
	(-3.494)	(-0.280)	(-4.685)
income	0.002	0.038^**	0.000
	(1.466)	(2.355)	(0.207)
fluidasset	-0.022^***	0.002	-0.003^**
	(-19.836)	(0.198)	(-2.217)
stock	-0.000	0.002^***	-0.000
	(-0.073)	(2.835)	(-0.907)
director	-0.005^*	0.053	0.006
	(-1.851)	(1.268)	(0.207)
lnrgdp	0.005^***	-0.001	0.004
	(2.841)	(-0.047)	(1.191)
sci	0.191	-0.700	-0.400^**
	(1.326)	(-0.319)	(-2.307)
fi	0.005^***	-0.018	0.004
	(3.103)	(-0.757)	(1.398)
market	0.015^**	-0.134	0.001
	(2.117)	(-1.389)	(0.062)
Constant	0.415^***	-0.525	-0.042
	(14.110)	(-1.163)	(-0.955)
个体/时间固定	是	是	是
N	15 741	15 741	15 741
R²	0.874	0.134	0.549

下载: 导出CSV

表 9 异质性分析

变量	(1)	(2)	(3)	(4)
变量	DST	DST	DST	DST
P_data	0.123^***	0.184^***	0.145^***	0.112^***
	(8.126)	(9.804)	(8.024)	(7.700)
P_data×csize	-0.032^**
	(-1.986)
P_data×ind		-0.082^***
		(-4.255)
P_data×difi			-0.044^**
			(-2.441)
P_data×City				0.027^*
				(1.772)
lev	0.025	0.034	0.041	0.038
	(0.656)	(0.874)	(1.041)	(0.973)
cflow	-0.123^*	-0.127^*	-0.134^**	-0.128^*
	(-1.863)	(-1.877)	(-1.978)	(-1.888)
size	0.019^*	0.013	0.013	0.012
	(1.770)	(1.145)	(1.141)	(1.060)
lnage	0.015	0.017	0.017	0.016
	(1.118)	(1.238)	(1.253)	(1.184)
income	-0.008	-0.009	-0.012	-0.011
	(-0.652)	(-0.786)	(-0.983)	(-0.876)
fluidasset	-0.009	-0.005	-0.006	-0.006
	(-0.788)	(-0.451)	(-0.489)	(-0.533)
stock	0.001^*	0.001	0.001	0.001
	(1.656)	(1.202)	(1.612)	(1.585)
director	0.095^***	0.095^***	0.089^**	0.106^***
	(2.647)	(2.607)	(2.458)	(2.898)
lnrgdp	-0.065^**	-0.066^**	-0.066^**	-0.066^**
	(-2.494)	(-2.504)	(-2.497)	(-2.504)
sci	-3.096	-2.502	-2.121	-3.568^*
	(-1.560)	(-1.229)	(-1.035)	(-1.741)
fi	0.003	-0.001	-0.006	0.005
	(0.120)	(-0.047)	(-0.269)	(0.202)
market	-0.079	-0.076	-0.100	-0.070
	(-0.920)	(-0.874)	(-1.150)	(-0.803)
Constant	0.293	0.436	0.463	0.428
	(0.728)	(1.088)	(1.153)	(1.065)
个体/时间固定	是	是	是	是
N	15 701	15 741	15 730	15 741
R²	0.470	0.473	0.473	0.473

下载: 导出CSV

表 10 公共数据开放整体质量及分维度检验

变量	数据开放整体质量	数据开放质量	平台建设质量	政策保障力度
变量	DST	DST	DST	DST
Quality	0.061^*
	(1.663)
Mass		0.088^**
		(2.328)
Plat			0.077^***
			(3.034)
Policy				0.004
				(0.220)
lev	0.180^*	0.193^*	0.183	0.199^*
	(1.704)	(1.708)	(1.615)	(1.757)
cflow	0.067	0.087	0.079	0.081
	(0.549)	(0.643)	(0.585)	(0.603)
size	-0.092^**	-0.087^*	-0.088^**	-0.088^**
	(-2.149)	(-1.947)	(-1.968)	(-1.978)
lnage	0.253^***	0.276^***	0.272^***	0.277^***
	(3.952)	(3.977)	(3.954)	(3.972)
income	0.0160	0.016	0.016	0.015
	(0.760)	(0.731)	(0.721)	(0.663)
fluidasset	-0.001	-0.001	0.003	0.002
	(-0.019)	(-0.017)	(0.051)	(0.038)
stock	0.002^**	0.002^*	0.002^*	0.002
	(1.997)	(1.650)	(1.742)	(1.634)
director	-0.011	0.017	0.016	0.018
	(-0.140)	(0.202)	(0.199)	(0.217)
lnrgdp	-0.193	-0.323^*	-0.380^*	-0.254
	(-1.459)	(-1.658)	(-1.876)	(-1.312)
sci	-2.960	-4.356	-3.970	-5.323
	(-0.721)	(-0.886)	(-0.814)	(-1.051)
fi	-0.101	-0.165	-0.174	-0.165
	(-1.163)	(-1.509)	(-1.597)	(-1.518)
market	-0.156	-0.161	-0.228	-0.176
	(-0.770)	(-0.748)	(-1.078)	(-0.830)
Constant	3.885^**	5.324^**	6.138^**	4.788^*
	(2.069)	(2.035)	(2.289)	(1.854)
个体/时间固定	是	是	是	是
N	4 120	3 848	3 842	3 864
R²	0.662	0.663	0.663	0.662
注：开放树林指数的数据自2017年起可供使用，准备度指数从2018年可用，故样本区间为2018—2022年，导致样本量与基本回归模型不同。

下载: 导出CSV

表 11 数字经济政策供给强度调节效应

变量	总效应	高供给强度	低供给强度
变量	DST	DST	DST
P_data	0.131^***	0.099^***	0.156^***
	(9.343)	(4.768)	(5.448)
P_data×digital	-0.098^***
	(-4.874)
lev	0.039	0.105	0.027
	(1.003)	(1.521)	(0.415)
cflow	-0.135^**	-0.141	-0.176
	(-1.987)	(-1.467)	(-1.571)
size	0.013	-0.040^*	0.053^**
	(1.149)	(-1.929)	(2.495)
lnage	0.016	0.008	-0.023
	(1.169)	(0.2819)	(-1.0939)
income	-0.013	-0.010	-0.012
	(-1.042)	(-0.530)	(-0.585)
fluidasset	-0.006	0.033^*	0.004
	(-0.513)	(1.778)	(0.203)
stock	0.010	0.002^**	-0.000
	(1.616)	(2.340)	(-0.095)
director	0.086^**	0.088	0.059
	(2.372)	(1.504)	(0.929)
lnrgdp	-0.057^**	0.019	-0.077^**
	(-2.178)	(0.304)	(-2.099)
sci	-2.516	-0.950	-4.853
	(-1.235)	(-0.280)	(-0.942)
fi	-0.008	-0.007	-0.007
	(-0.364)	(-0.186)	(-0.178)
market	-0.042	-0.127	-0.038
	(-0.483)	(-1.010)	(-0.227)
Constant	0.355	0.550	-0.135
	(0.886)	(0.640)	(-0.206)
个体/时间固定	是	是	是
N	15 741	7 874	7 867
R²	0.473	0.540	0.598
组间差异检验	-	[0.000^***]

下载: 导出CSV

参考文献(40)

[1]	方锦程, 刘颖, 高昊宇, 等. 公共数据开放能否促进区域协调发展?——来自政府数据平台上线的准自然实验[J]. 管理世界, 2023(9): 124-142.
[2]	欧阳伊玲, 王愉靖, 李平, 等. 数据要素与城投债定价: 基于公共数据开放的准自然实验[J]. 世界经济, 2024(2): 174-203.
[3]	蔡运坤, 周京奎, 袁旺平. 数据要素共享与城市创业活力——来自公共数据开放的经验证据[J]. 数量经济技术经济研究, 2024(8): 5-25.
[4]	蓝发钦, 胡晓敏, 徐卓琳. 公共数据开放能否拓展资本跨区域流动距离——基于异地并购视角[J]. 中国工业经济, 2024(9): 156-174.
[5]	彭远怀. 政府数据开放的价值创造作用: 企业全要素生产率视角[J]. 数量经济技术经济研究, 2023(9): 50-70.
[6]	王海, 叶帅, 尹俊雅. 公共数据开放如何提振企业有效投资——基于产能利用视角[J]. 中国工业经济, 2024(8): 137-153.
[7]	沈坤荣, 林剑威. 链"岛"成"陆": 公共数据开放的技术创新效应研究[J]. 管理世界, 2025(2): 83-104.
[8]	李长英, 王曼, 张帅. 公共数据开放对民营企业创新的影响[J]. 广东财经大学学报, 2025(2): 4-21. doi: 10.20209/j.gcxb.441711.20250321.002
[9]	郭晗, 全勤慧. 数字经济与实体经济融合发展: 测度评价与实现路径[J]. 经济纵横, 2022(11): 72-82.
[10]	洪银兴, 任保平. 数字经济与实体经济深度融合的内涵和途径[J]. 中国工业经济, 2023(2): 5-16.
[11]	任保平, 苗新宇. 数字经济与实体经济深度融合的微观内涵、发展机理和政策取向[J]. 中南大学学报(社会科学版), 2024(3): 88-98.
[12]	陈雨露. 数字经济与实体经济融合发展的理论探索[J]. 经济研究, 2023(9): 22-30.
[13]	王晓丹, 石玉堂, 刘达. 数据要素市场化配置对数实融合的影响研究——基于数据交易平台设立的准自然实验[J]. 广东财经大学学报, 2024(2): 44-58. doi: 10.20209/j.gcxb.441711.2024.02.004
[14]	周密, 王雷, 郭佳宏. 新质生产力背景下数实融合的测算与时空比较——基于专利共分类方法的研究[J]. 数量经济技术经济研究, 2024(7): 5-27.
[15]	张晖, 李靖, 权天舒. 数字基础设施建设促进了数字经济与实体经济融合吗?——基于"宽带中国"战略的准自然实验[J]. 经济问题探索, 2023(10): 1-15.
[16]	吕越, 陈泳昌, 张昊天, 等. 电商平台与制造业企业创新——兼论数字经济和实体经济深度融合的创新驱动路径[J]. 经济研究, 2023(8): 174-190.
[17]	依绍华, 吴顺利, 梁威. 数实融合发展如何驱动全国统一大市场建设[J]. 广东财经大学学报, 2025(4): 4-20. doi: 10.20209/j.gcxb.441711.20250728.002
[18]	王晓丹, 石玉堂, 刘达. 公共数据开放能促进数字经济与实体经济融合吗?——来自政府数据平台上线的准自然实验[J]. 南方经济, 2024(9): 25-44.
[19]	KIM T S, SOHN Y. Machine-learning-based deep semantic analysis approach for forecasting new technology convergence[J]. Technological Forecasting and Social Change, 2020, 157: 120095. doi: 10.1016/j.techfore.2020.120095
[20]	李泽宇, 王雪方, 陈新芳. 政府数据开放对企业创新的影响效应及机制研究[J]. 科研管理, 2024(7): 11-20.
[21]	NAGARAJ A. The private impact of public data: landsat satellite maps increased gold discoveries and encouraged entry[J]. Management Science, 2022, 68(1): 564-582. doi: 10.1287/mnsc.2020.3878
[22]	戚聿东, 肖旭. 数字经济时代的企业管理变革[J]. 管理世界, 2020(6): 135-152.
[23]	李荣华, 王娇娇, 张磊. 公共数据开放的新质生产力效应——基于企业数字创新视角[J]. 财经研究, 2025(10): 1-15.
[24]	张宏, 刘小迪. 制造业企业数字化对出口国内附加值率的影响研究[J]. 山东师范大学学报(社会科学版), 2024(5): 75-88.
[25]	韩奇, 杨秀云. 公共数据开放能否促进企业数字化转型?[J]. 现代经济探讨, 2024(4): 44-59.
[26]	ZHANG Y, GUO X M. Digital transformation of enterprises and the governance of executive corruption: empirical evidence based on text analysis[J]. Journal of Global Information Management, 2022, 30(11): 1-18.
[27]	张苏缘, 许珩哲. 数字经济对文化产业创新的影响效应[J]. 山东师范大学学报(社会科学版), 2025(5): 109-122.
[28]	李宏兵, 孙丽棠, 万海远. 公共数据开放与企业数字劳动需求[J]. 管理世界, 2025(9): 148-170.
[29]	石绍宾, 李兆辉, 陈卓. 信息公开的力量: 公共数据开放提高政府支出效率了吗[J]. 财经问题研究, 2025(10): 64-77.
[30]	陈艳利, 蒋琪. 数据生产要素视角下开放公共数据与企业创新——基于建立公共数据开放平台的准自然实验[J]. 经济管理, 2024(1): 25-46.
[31]	EINAV L, LEVIN J. Economics in the age of big data[J]. Science, 2014, 346(6210): 1243089. doi: 10.1126/science.1243089
[32]	CIAMPI F, DEMI S, MAGRINI A, et al. Exploring the impact of big data analytics capabilities on business model innovation: the mediating role of entrepreneurial orientation[J]. Journal of Business Research, 2021, 123: 1-13. doi: 10.1016/j.jbusres.2020.09.023
[33]	CIRIELLO R F, ALEXANDER R, GERHARD S. Digital innovation[J]. Business & Information Systems Engineering, 2018, 60(6): 563-569.
[34]	CAI J, LI N. Growth through inter-sectoral knowledge linkages[J]. The Review of Economic Studies, 2019, 86(5): 1827-1866. doi: 10.1093/restud/rdy062
[35]	ACEMOGLU D, AKCIGIT U, CELIK M A. Radical and incremental innovation: the roles of firms, managers, and innovators[J]. American Economic Journal: Macroeconomics, 2022, 14(3): 199-249. doi: 10.1257/mac.20170410
[36]	黄先海, 高亚兴. 数实技术融合与企业全要素生产率——基于中国企业专利信息的研究[J]. 中国工业经济, 2023(11): 118-136.
[37]	杨义武, 林万龙, 张莉琴. 地方公共品供给与人口迁移——来自地级及以上城市的经验证据[J]. 中国人口科学, 2017(2): 93-103.
[38]	白俊, 袁勋, 乔君. 放松市场准入管制与企业跨地区投资——基于负面清单制度试点的准自然实验[J]. 财经研究, 2024(4): 64-78.
[39]	高远东, 陆子顺, 项后军. 企业数字化与技术采用: 中国整体技术升级路径的探讨[J]. 经济研究, 2025(1): 143-159.
[40]	徐妍, 毕梦潇, 柴映. 数实融合提升关键核心技术领域企业创新效率的研究——基于中国A股上市公司的数据检验[J]. 科研管理, 2025(4): 1-18.