The Marketization of Data Elements Drives the Improvement of Enterprise Labor Productivity
-
摘要: 在数字经济深度发展背景下，数据作为新型生产要素，其市场化配置已成为重塑企业生产范式、提升资源配置效率的核心动力。基于Melitz-Ottaviano异质性企业垄断竞争框架，构建纳入数据要素市场化政策的企业异质性与产品差异化模型，推导数据要素市场化影响企业劳动生产率的内在作用机理，并以2009—2023年沪深A股上市公司为研究样本，将各地级市数据交易平台陆续设立作为准自然实验，采用多期双重差分实证检验数据要素市场化对企业劳动生产率的因果效应。研究发现，数据要素市场化显著提升企业劳动生产率，结论在多重稳健性检验下依然成立。机制检验表明，数据要素市场化主要通过提升技术创新效率、改善产品供需匹配度、优化投资配置效率三条传导路径赋能企业劳动生产率提升。异质性分析显示，政策效应存在明显结构性分化。企业层面，政策对非国有企业与大规模企业的提升作用更为突出；行业层面，技术密集型与劳动密集型行业的政策效应显著强于资本密集型行业；区域层面，东部地区与胡焕庸线东南侧企业的政策效应更为明显；要素吸收层面，具备高数字化基础、高研发依赖度的企业政策受益程度更强。Abstract: Against the backdrop of the in-depth development of the digital economy, the market-oriented allocation of data, as a new production factor, has become the main driving force for changing the production mode of enterprises and improving the efficiency of resource allocation. Based on the Melitz-Ottaviano model of heterogeneous-firm monopolistic competition, this paper adds the influencing factors of data element marketization policies, establishes a heterogeneous and differentiated firm model that incorporates marketization policies for data elements, derives the internal mechanism by which the data element marketization affects corporate labor productivity, and selects Shanghai and Shenzhen A-share listed companies from 2009 to 2023 as the research objects. The establishment of data trading platforms in various prefecture-level cities is taken as a quasi-natural experiment, and a multi-period difference-in-differences empirical test is used to examine the causal effect of data element marketization on enterprise labor productivity. The research finds that data element marketization significantly improves enterprise labor productivity, and the conclusion remains valid after multiple robustness tests. The mechanism test shows that data element marketization mainly enables the improvement in enterprise labor productivity through three transmission paths: enhancing technological innovation efficiency, improving product supply-demand matching, and optimizing investment allocation efficiency. Heterogeneity analysis indicates that the policy effect exhibits significant structural differentiation. From the enterprise perspective, the policy has a more prominent enhancing effect on non-state-owned enterprises and large-scale enterprises. From the industry perspective, the policy effect is significantly stronger in technology-intensive and labor-intensive industries than in capital-intensive industries. From the regional perspective, the policy effect is more pronounced in the eastern region and enterprises on the southeast side of the Hu Huanyong Line. From the factor absorption perspective, enterprises with high digitalization foundation and high reliance on research and development experience greater policy benefits.
-
表 1 变量描述性统计
分类 变量 样本量 均值 标准差 最小值 最大值 被解释变量 LP 35 640 13.838 0.844 9.439 19.557 解释变量 DID 35 640 0.272 0.445 0.000 1.000 控制变量 Size 35 640 22.143 1.327 14.942 28.636 Lev 35 640 0.417 0.211 0.007 1.957 Cashflow 35 640 0.047 0.076 -0.888 0.876 Indep 35 640 0.375 0.056 0.000 0.800 Top5 35 640 0.538 0.156 0.008 0.992 INST 35 640 0.440 0.249 0.000 1.011 Mshare 35 640 14.412 20.245 0.000 89.990 机制变量 TE 35 640 0.332 0.111 0.069 0.693 PDME 35 640 -0.107 0.185 -1.322 0.000 RAE 35 640 1.312 0.951 1.002 36.471 
下载: 导出CSV
表 2 基准回归结果
变量 (1) (2) (3) (4) DID 0.313*** 0.278*** 0.075** 0.061** (0.051) (0.044) (0.035) (0.031) Size 0.225*** 0.227*** (0.015) (0.020) Lev 0.514*** -0.026 (0.068) (0.054) Cashflow 0.031 0.750*** (0.106) (0.075) Indep -0.115 0.105 (0.182) (0.106) Top5 0.370*** -0.116 (0.093) (0.105) INST -0.191*** 0.240*** (0.078) (0.071) Mshare -0.003*** 0.001* (0.001) (0.001) 常数项 13.748*** 8.525*** 13.812*** 8.662*** (0.021) (0.331) (0.010) (0.432) 企业固定效应 否 否 是 是 时间固定效应 是 是 是 是 样本量 35 640 35 640 35 640 35 640 Adj.R2 0.063 0.254 0.772 0.790 注：括号内为城市层面聚类的稳健标准误，*、* *、* * *分别表示在10%、5%、1%水平上显著。下表同。
下载: 导出CSV
表 3 稳健性检验结果
变量 半径匹配 核匹配 第一阶段 第二阶段 “宽带中国”试点政策 政府公共数据开放政策 大数据试验区试点政策 (1) (2) (3) (4) (5) (6) (7) DID 0.004** 0.003*** 0.413*** 0.066** 0.075** 0.083*** (0.002) (0.001) (0.063) (0.031) (0.030) (0.024) IV 0.034*** (0.006) 控制变量 是 是 是 是 是 是 是 企业固定效应 是 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 是 Kleibergen-Paap rk LM统计量 453.735*** [0.00] Kleibergen-Paap rk Wald F统计量 26.755 [16.38] 样本量 35 620 35 624 35 640 35 640 35 640 35 640 35 640 Adj.R2 0.905 0.956 0.243 0.790 0.790 0.789
下载: 导出CSV
表 4 补充稳健性检验结果
变量 剔除特殊城市 加入省份-年份交互固定效应 替换被解释变量 替换解释变量 替换为企业软件资产投入 替换为企业数字无形资产 替换为数字专利 (1) (2) (3) (4) (5) (6) (7) DID 0.079** 0.062* 0.046** 0.048** 0.080*** 0.052*** 0.029** (0.033) (0.032) (0.020) (0.020) (0.011) (0.009) (0.011) DID×data 0.0005* 0.038*** 0.041*** 0.0006** (0.0003) (0.013) (0.015) (0.0003) 控制变量 是 是 是 是 是 是 是 企业固定效应 是 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 是 样本量 28 943 35 640 35 640 35 640 35 640 35 640 35 640 Adj.R2 0.788 0.792 0.786 0.790 0.789 0.790 0.833
下载: 导出CSV
表 5 机制分析结果
变量 TE LP PDME LP RAE LP (1) (2) (3) (4) (5) (6) DID 0.026*** 0.252* 0.006** (0.012) (0.145) (0.002) DID×TE 0.076** (0.042) DID×PDME 0.053*** (0.020) DID×RAE 0.068* (0.033) 控制变量 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 企业固定效应 是 是 是 是 是 是 样本量 35 640 35 640 35 640 35 640 35 640 35 640 Adj.R2 0.134 0.789 0.636 0.790 0.420 0.789
下载: 导出CSV
表 6 企业属性异质性分析
变量 产权属性 企业规模 国有 非国有 大规模 小规模 (1) (2) (3) (4) DID 0.007 0.098*** 0.094*** 0.031 (0.044) (0.026) (0.025) (0.039) 控制变量 是 是 是 是 时间固定效应 是 是 是 是 企业固定效应 是 是 是 是 样本量 12 796 22 844 17 412 18 288 Adj.R2 0.805 0.770 0.790 0.852 费歇尔检验P值 0.000*** 0.028**
下载: 导出CSV
表 7 行业特征异质性分析
变量 技术密集型行业 非技术密集型行业 劳动密集型行业 非劳动密集型行业 资本密集型行业 非资本密集型行业 (1) (2) (3) (4) (5) (6) DID 0.064** 0.051 0.078** 0.033 -0.031 0.086** (0.026) (0.044) (0.039) (0.020) (0.052) (0.034) 控制变量 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 企业固定效应 是 是 是 是 是 是 样本量 16 557 19 008 12 120 23 442 6 542 29 058 Adj.R2 0.781 0.801 0.819 0.796 0.804 0.797 费歇尔检验P值 0.000*** 0.000*** 0.000***
下载: 导出CSV
表 8 区域差异异质性分析
变量 东部 中西部 “胡焕庸线”东南侧 “胡焕庸线”西北侧 (1) (2) (3) (4) DID 0.077* 0.026 0.068** 0.039 (0.039) (0.032) (0.034) (0.034) 控制变量 是 是 是 是 时间固定效应 是 是 是 是 企业固定效应 是 是 是 是 样本量 25 048 10 088 31 050 4 590 Adj.R2 0.794 0.777 0.795 0.753 费歇尔检验P值 0.000*** 0.019**
下载: 导出CSV
表 9 要素吸收能力异质性分析
变量 高数字化基础企业 低数字化基础企业 高研发依赖度 低研发依赖度 (1) (2) (3) (4) DID 0.060*** 0.044 0.100*** 0.031 (0.020) (0.032) (0.035) (0.029) 控制变量 是 是 是 是 时间固定效应 是 是 是 是 企业固定效应 是 是 是 是 样本量 5 706 29 896 15 560 19 410 Adj.R2 0.799 0.794 0.788 0.845 费歇尔检验P值 0.000*** 0.037**
下载: 导出CSV
-
[1] 李晓龙, 魏启帆. 数据要素市场建设提升新质生产力研究——基于城市数据交易平台设立的准自然实验[J]. 重庆大学学报(社会科学版), 2024, 30(6): 72-87. [2] 郭凯明, 王钰冰, 杭静. 数据要素规模效应、产业结构转型与生产率提升[J]. 中国工业经济, 2024(8): 5-23. [3] 戴魁早, 王思曼, 黄姿. 数据要素市场发展与生产率提升[J]. 经济管理, 2023, 45(6): 22-43. [4] Berlingieri G, Calligaris S, Criscuolo C. The productivity-wage premium: does size still matter in a service economy?[J]. InAEA Papers and Proceedings, 2018, 108: 328-333. doi: 10.1257/pandp.20181068 [5] Jones C I, Christopher T. Nonrivalry and the economics of data[J]. American Economic Review, 2020, 110(9): 2819-2858. doi: 10.1257/aer.20191330 [6] Acemoglu D, Pascual R. Automation and new tasks: how technology displaces and reinstates Labor[J]. Journal of Economic Perspectives, 2019, 33(2): 3-30. doi: 10.1257/jep.33.2.3 [7] 徐晔, 王志超. 数据要素市场化建设对企业资源配置效率的影响研究[J]. 科研管理, 2025, 46(9): 25-34. [8] 梁锦凯, 陈关聚, 娄小亭. 数据要素市场化配置促进了企业创新"增量提质"吗[J]. 江西财经大学学报, 2024(6): 36-49. [9] 柯蕴颖, 张青睿, 王光辉. 数据要素市场化配置如何促进城市创业活力——基于要素协同视角的解释[J]. 经济问题探索, 2024(8): 73-86. [10] Marc J M, Gianmarco I P O. Market size, trade, and productivity[J]. The Review of Economic Studies, 2008, 75: 295-316. doi: 10.1111/j.1467-937X.2007.00463.x [11] Aghion P, Akcigit U, Howitt P. Lessons from schumpeterian growth theory[J]. American Economic Review, 2015, 105(5): 94-99. doi: 10.1257/aer.p20151067 [12] 徐晔, 王志超. 数据要素市场化建设与企业数字化转型——基于数据交易平台的准自然实验[J]. 软科学, 2024, 38(9): 24-39. [13] 牛志伟, 许晨曦, 武瑛. 营商环境优化、人力资本效应与企业劳动生产率[J]. 管理世界, 2023, 39(2): 83-100. [14] 胡元木, 纪端. 董事技术专长、创新效率与企业绩效[J]. 南开管理评论, 2017, 20(3): 40-52. [15] 巫强, 姚雨秀. 企业数字化转型与供应链配置: 集中化还是多元化[J]. 中国工业经济, 2023(8): 99-117. [16] 倪婷婷, 王跃堂. 区域行政整合、要素市场化与企业资源配置效率[J]. 数量经济技术经济研究, 2022, 39(11): 136-156. [17] 黄群慧, 余泳泽, 张松林. 互联网发展与制造业生产率提升: 内在机制与中国经验[J]. 中国工业经济, 2019(8): 5-23. [18] Nuum N, Qian N. US food aid and civil conflict[J]. American Economic Review, 2014, 104(6): 1630-1666. doi: 10.1257/aer.104.6.1630 [19] Sun L, Abraham S. Estimating dynamic treatment effects in event studies with heterogeneous treatment effects[J]. Journal of Econometrics, 2021, 225(2): 175-199. doi: 10.1016/j.jeconom.2020.09.006 [20] 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(11): 105-115. [21] 王宇, 王铁男, 易希薇. R&D投入对IT投资的协同效应研究——基于一个内部组织特征的情境视角[J]. 管理世界, 2020, 36(7): 77-89. [22] 李雪琴, 郑酌基, 韩先锋. 乘"数"而上: 政府数据治理赋能企业数字创新[J]. 数量经济技术经济研究, 2024, 41(12): 68-88. [23] 江艇. 因果推断经验研究中的中介效应与调节效应[J]. 中国工业经济, 2022(5): 100-120. [24] 申志轩, 祝树金, 文茜, 等. 政府数字采购与企业数字化转型[J]. 数量经济技术经济研究, 2024, 41(5): 71-91. [25] 尹美群, 盛磊, 李文博. 高管激励、创新投入与公司绩效——基于内生性视角的分行业实证研究[J]. 南开管理评论, 2018, 21(1): 109-117. [26] 陶锋, 翟少轩, 王峤. 数字经济政策与传统企业跨界数字创新[J]. 中国工业经济, 2025(2): 118-136. -
点击查看大图
图(3) / 表(9)
计量
- 文章访问数: 11
- HTML全文浏览量: 6
- PDF下载量: 2
- 被引次数: 0