大數據發(fā)展對企業(yè)數字技術創(chuàng)新的影響研究

戴艷娟　沈偉鵬　譚偉杰

摘要：數字技術的發(fā)展和應用使數據成為數字經濟的核心生產要素，而大數據的發(fā)展又會推動數字技術的進一步發(fā)展。將國家大數據綜合試驗區(qū)的設立作為一項準自然實驗，用數字技術專利來衡量企業(yè)數字技術創(chuàng)新水平，采用多期雙重差分模型對2007—2020年滬深兩市A股上市公司的分析發(fā)現：設立國家大數據綜合試驗區(qū)顯著促進了試驗區(qū)內企業(yè)數字技術創(chuàng)新水平的提升，該結論在控制宏觀經濟因素及其他政策干擾、替換被解釋變量、安慰劑檢驗、PSM-DID檢驗、工具變量法等穩(wěn)健性檢驗中均成立；設立國家大數據綜合試驗區(qū)對試驗區(qū)內企業(yè)產生了顯著的信息改善效應、治理改進效應和資源獲取效應，從而有效促進了企業(yè)數字技術創(chuàng)新；設立國家大數據綜合試驗區(qū)對風險承擔能力較強企業(yè)、非衰退期企業(yè)、與ICT關聯度較高行業(yè)企業(yè)的數字技術創(chuàng)新促進作用較大。各地區(qū)應積極推動大數據發(fā)展，并充分發(fā)揮大數據綜合試驗區(qū)的示范引領作用與輻射帶動作用，形成以數字技術進步推動大數據發(fā)展、以大數據發(fā)展促進數字技術創(chuàng)新的良性循環(huán)。

關鍵詞：

數據要素；大數據綜合試驗區(qū)；數字技術創(chuàng)新；數字經濟；數字基礎設施；大數據產業(yè)

中圖分類號：F273.1；F127文獻標志碼：A文章編號：1674-8131（2023）02-0016-13

一、引言

在數字經濟時代，數據要素成為新的核心生產要素，數字技術創(chuàng)新則成為驅動經濟社會發(fā)展的新動能。企業(yè)是市場經濟的微觀主體，也是數字技術創(chuàng)新最重要的行為主體，因而促進企業(yè)數字技術創(chuàng)新能力和水平提升是推動數字經濟發(fā)展的根本路徑。然而，目前相關文獻大多側重于研究如何實現企業(yè)的數字化轉型，而對如何促進企業(yè)數字技術創(chuàng)新的探究相對不足。數字化轉型與數字技術創(chuàng)新具有不同的內涵和驅動因素，前者強調企業(yè)應用數字技術來創(chuàng)造新產品、改進生產過程、變革組織模式以及創(chuàng)新商業(yè)模式等（劉洋 等，2020）［1］，而后者是指數字技術本身的新突破和新變化?？梢哉J為，企業(yè)的數字技術創(chuàng)新是其數字化轉型的技術支撐，決定著數字化轉型的程度和效果。數字技術創(chuàng)新項目往往具有高投入、高風險、長周期等特點，導致企業(yè)開展數字技術創(chuàng)新的意愿和行為受到較多約束，同時，由于相關信息的龐雜籠統導致資本市場難以對企業(yè)不同的數字技術創(chuàng)新行為產生有針對性的激勵，從而需要制定相關政策措施來改善企業(yè)數字技術創(chuàng)新的環(huán)境，以更有效地激勵企業(yè)進行數字技術創(chuàng)新。因此，有必要深入研究影響企業(yè)數字技術創(chuàng)新的各種因素及其作用機制。

關于影響企業(yè)技術創(chuàng)新的因素已有大量研究。雖然數字技術創(chuàng)新是技術創(chuàng)新中的一種，影響技術創(chuàng)新的因素同樣也會影響數字技術創(chuàng)新，但數字技術創(chuàng)新的特殊性使其可能受到特殊因素的影響，探究這些特殊因素的影響將更有利于科學把握數字技術創(chuàng)新的特殊規(guī)律，進而更有效地促進企業(yè)數字技術創(chuàng)新。然而，已有文獻大多關注企業(yè)數字技術創(chuàng)新對企業(yè)高質量發(fā)展及全要素生產率等的影響（謝謙 等，2022；羅佳 等，2023；黃勃 等，2023）［2-4］，鮮有研究對影響企業(yè)數字技術創(chuàng)新的因素進行專門探討，更缺乏相關經驗證據。對此，本文基于數據要素本身在數字技術創(chuàng)新中的特殊作用，試圖分析地區(qū)大數據發(fā)展對企業(yè)數字技術創(chuàng)新的影響。2015年8月國務院印發(fā)的《促進大數據發(fā)展行動綱要》（國發(fā)〔2015〕50號，以下簡稱《綱要》）對“大數據”的定義是：以容量大、類型多、存取速度快、應用價值高為主要特征的數據集合，正快速發(fā)展為對數量巨大、來源分散、格式多樣的數據進行采集、存儲和關聯分析，從中發(fā)現新知識、創(chuàng)造新價值、提升新能力的新一代信息技術和服務業(yè)態(tài)。目前，關于大數據發(fā)展包括哪些具體內容以及如何評價大數據發(fā)展水平還未形成統一認識，但從《綱要》提出的三大主要任務和10個重點工程來看，大數據發(fā)展至少包括數據要素市場和大數據（數字）基礎設施的建設和完善以及大數據產業(yè)的集聚和發(fā)展等多方面的內容，而相關統計數據的缺乏也導致關于大數據發(fā)展的實證研究不足。

在《綱要》中提到，要“推進貴州等大數據綜合試驗區(qū)建設”。2016年2月，國家發(fā)展改革委、工業(yè)和信息化部、中央網信辦發(fā)函批復，同意建設國家大數據（貴州）綜合試驗區(qū)，貴州省成為首個國家大數據綜合試驗區(qū)；同年10月，第二批國家大數據綜合試驗區(qū)獲批建設（包括京津冀、珠江三角洲、上海、河南、重慶、沈陽和內蒙古）。國家大數據綜合試驗區(qū)將在大數據制度創(chuàng)新、公共數據開放共享、大數據創(chuàng)新應用、大數據產業(yè)聚集、大數據要素流通、數據中心整合利用、大數據國際交流合作等方面進行試驗探索，并通過示范效應帶動全國的大數據發(fā)展。因此，在相關統計數據還不完善的情況下，國家大數據綜合試驗區(qū)的設立使我們可以通過分析其政策效應來探究大數據發(fā)展的各種經濟社會效應。現有文獻也對此進行了一些探討，其中，在企業(yè)發(fā)展層面主要分析了國家大數據綜合試驗區(qū)設立對企業(yè)“脫虛向實”、創(chuàng)新及數字化轉型等的影響（孫哲遠，2022；陳文 等，2022；王曉紅 等，2022；侯林岐 等，2022）［5-8］，而對企業(yè)數字技術創(chuàng)新的影響還未論及。鑒于此，本文在已有研究的基礎上，以國家大數據綜合試驗區(qū)的設立為準自然實驗，基于其政策效應探究地區(qū)大數據發(fā)展對企業(yè)數字技術創(chuàng)新的影響及其機制。

與已有文獻相比，本文的邊際貢獻主要在于：一是將支持大數據發(fā)展的宏觀經濟政策與微觀企業(yè)數字技術創(chuàng)新活動置于同一分析框架內，探究地區(qū)大數據發(fā)展對企業(yè)數字技術創(chuàng)新的影響，豐富了大數據發(fā)展的政策效應研究和企業(yè)數字技術創(chuàng)新的影響因素研究；二是探討了地區(qū)大數據發(fā)展賦能企業(yè)數字技術創(chuàng)新的信息改善、治理改進、資源獲取效應以及企業(yè)和行業(yè)異質性，有利于深入認識大數據發(fā)展的積極作用進而充分利用其紅利；三是基于數字技術專利測度企業(yè)數字技術創(chuàng)新水平，為國家大數據綜合試驗區(qū)的數字技術創(chuàng)新促進效應提供了經驗證據，也為數字技術創(chuàng)新相關研究提供了方法借鑒。

二、理論分析與研究假說

從各個大數據試驗區(qū)的建設方案和政策實踐來看，主要是著力于以下三個方面：一是持續(xù)加快數據要素市場建設以有效破除數據要素流通壁壘、提高數據資源交易和配置效率，二是積極完善和升級大數據基礎設施以促進各經濟主體的數字化轉型和地區(qū)數字經濟發(fā)展，三是大力激勵和支持大數據產業(yè)發(fā)展以為經濟社會高質量發(fā)展提供新動能和新增長點。無論是數據要素市場的建設和完善，還是大數據基礎設施的改善和升級，抑或是大數據產業(yè)的集聚和發(fā)展，都需要先進的數字技術的支持，因而在政府主導和推進的大數據試驗區(qū)建設中，地方政府必然會通過一定的調控措施支持本地區(qū)的數字技術創(chuàng)新，其中對企業(yè)數字技術創(chuàng)新的政策激勵和資源配置等是支持的重點。與此同時，地區(qū)大數據發(fā)展也為企業(yè)的數字技術創(chuàng)新提供了更好的市場環(huán)境和資源條件，從而可以更有效地促進企業(yè)的數字技術創(chuàng)新。比如：作為新型生產要素，大數據的增量提質能夠打破信息壁壘和數據孤島，為企業(yè)的數字技術創(chuàng)新帶來更多路徑和收益，同時，大數據的易復制、零邊際成本和非損耗等特性顛覆了傳統生產函數的定義，降低了數字技術創(chuàng)新成本，使企業(yè)數字技術創(chuàng)新的效益和全要素生產率得以提升（邱子迅 等，2021）［9］，從而激發(fā)企業(yè)通過數字技術創(chuàng)新來增強競爭優(yōu)勢的意愿和活力；數據資源開放共享、數據中心整合等將推進大數據產業(yè)的發(fā)展和跨行業(yè)融合（陳文 等，2022）［6］，形成數字產業(yè)集聚，這為企業(yè)的數字技術創(chuàng)新合作提供了便利，同時，大數據簡化了知識轉移的流程，重塑數據要素整合、數字技術共創(chuàng)方式，弱化數字技術創(chuàng)新合作的時空約束，而不同企業(yè)間的合作能夠大幅減少數字技術創(chuàng)新的成本和周期；大數據軟硬件設施的建設和完善通過制度激勵、服務優(yōu)化、數據交易通暢等為數字技術創(chuàng)新提供了優(yōu)越環(huán)境，有利于數字技術創(chuàng)新要素的高效整合，從而顯著降低企業(yè)進行數字技術創(chuàng)新的成本和阻礙。

基于此，提出假說H1：設立國家大數據綜合試驗區(qū)可以產生促進試驗區(qū)內企業(yè)數字技術創(chuàng)新水平提升的政策效應。

進一步從阻礙企業(yè)數字技術創(chuàng)新的企業(yè)自身因素來看，地區(qū)大數據發(fā)展還可以通過影響這些阻礙因素來促進企業(yè)數字技術創(chuàng)新，主要體現在以下方面：一是信息改善效應。信息不對稱是阻礙企業(yè)數字技術創(chuàng)新的重要因素之一，而地區(qū)大數據發(fā)展能夠有效緩解企業(yè)內外部的信息不對稱。大數據發(fā)展改善了企業(yè)的信息披露渠道與方式（Liu et al，2011）［10］，有利于外部投資者了解和掌握企業(yè)的經營狀況與數字技術創(chuàng)新活動信息，從而改善企業(yè)的信息環(huán)境與市場預期（吳非 等，2021）［11］，為企業(yè)帶來更多創(chuàng)新資源，還可以促使企業(yè)將更多資源投入數字技術研發(fā)。同時，大數據、云計算等能夠增強企業(yè)的信息處理能力（Dalenogare et al，2018）［12］，一方面可以更敏銳地識別和捕獲市場信息，另一方面內部不同部門間的信息傳遞與資源整合也得以優(yōu)化，進而通過提高資源利用效率、降低生產管理成本等提高經濟效益（申明浩 等，2023）［13］，為數字技術創(chuàng)新提供更多資金保障。二是治理改進效應。內部治理不善也會阻礙企業(yè)的數字技術創(chuàng)新，而大數據發(fā)展可以提高企業(yè)財務管理與內部控制的透明度，緩解逆向選擇和委托代理問題（Goldfarb ?et al，2019）［14］，提高內部控制質量與資源配置效率（Cohen et al，2013）［15］。此外，大數據發(fā)展還有利于外部利益相關者參與公司治理和監(jiān)督企業(yè)經營，并通過完善市場機制降低價格扭曲和外部交易成本，有利于企業(yè)治理能力的提升（Clemons et al，1993）［16］。三是資源獲取效應。創(chuàng)新資源短缺，尤其是融資約束會對企業(yè)數字技術創(chuàng)新形成較大抑制，大數據發(fā)展則可以提高企業(yè)的資源獲取能力，降低融資成本，進而賦能企業(yè)數字技術創(chuàng)新。企業(yè)能否獲得充足的資金來進行數字技術創(chuàng)新取決于其自身的融資能力和外部金融市場有效性（解維敏 等，2011）［17］，而大數據發(fā)展降低了企業(yè)獲得金融服務的門檻（Fuster et al，2019）［18］，并通過實時信息交換降低金融服務風險（黃靜如 等，2020）［19］，從而有效緩解企業(yè)的融資約束。此外，大數據試驗區(qū)內的企業(yè)進行數字技術創(chuàng)新不僅響應了政策號召，還回應了市場期待，這也將有利于降低企業(yè)的融資成本。

基于此，提出假說H2：設立國家大數據綜合試驗區(qū)會對試驗區(qū)內企業(yè)產生信息改善效應、治理改進效應和資源獲取效應，進而有利于企業(yè)數字技術創(chuàng)新水平的提升。

由于企業(yè)自身特征、行業(yè)特性的不同，地區(qū)大數據發(fā)展對不同類型企業(yè)數字技術創(chuàng)新的影響也可能不同。首先，從企業(yè)特征來看：一方面，由于企業(yè)數字技術創(chuàng)新具有高風險、高投入和長周期等特點，不僅需要企業(yè)具備統籌調配各方資源的能力和經驗，也需要企業(yè)擁有較強的抗風險能力，因此在數字技術創(chuàng)新方面，風險承擔能力較高的企業(yè)將更容易獲取和利用地區(qū)大數據發(fā)展帶來的紅利；另一方面，相比成長期和成熟期的企業(yè)，處于衰退期的企業(yè)往往財務狀況欠佳、內部治理水平較低且制度僵化（李云鶴 等，2011）［20］，導致其在技術創(chuàng)新方面較為保守，盡管有大數據試驗區(qū)政策的外部激勵，也較難處于數字技術創(chuàng)新的最前沿（童錦治 等，2018）［21］。其次，從行業(yè)特征來看：不同行業(yè)的技術進步與數據要素和數字技術的關聯性不同。不同行業(yè)使用信息與通信技術（Information and Communications Technology，ICT）的強度是不同的，與ICT關聯度較高行業(yè)的企業(yè)往往數字化程度較高，數字技術應用較多，數字技術創(chuàng)新的能力和意愿較強，因而受地區(qū)大數據發(fā)展的影響也較大。

基于此，提出假說H3：設立國家大數據綜合試驗區(qū)對試驗區(qū)內企業(yè)數字技術創(chuàng)新的影響存在異質性，表現為對風險承擔能力較強企業(yè)、非衰退期企業(yè)、與ICT關聯度較高行業(yè)企業(yè)的數字技術創(chuàng)新促進效應較大。

三、研究設計與數據說明

1.模型構建與變量測度

為檢驗國家大數據綜合試驗區(qū)設立對試驗區(qū)內企業(yè)數字技術創(chuàng)新水平的影響，構建如下多期DID模型：

Dinnov_i，t=α+βBigdata_i，t+γX_it+Year+Firm+City+Industry×year+u_i，t

其中，i代表企業(yè)，t代表年度，Year、Firm、City和Industry×year分別表示年度、企業(yè)、城市和行業(yè)×年度固定效應，u_i，t為隨機擾動項。

（1）被解釋變量（Dinnov）：“數字技術創(chuàng)新”。參考Chen等（2019）和Yang（2022）的研究方法［22-23］，采用與數字技術相關的專利申請數量來衡量企業(yè)的數字技術創(chuàng)新水平。具體而言，首先利用Python軟件基于《數字經濟及其核心產業(yè)統計分類（2021）》、《浙江省數字經濟核心產業(yè)統計分類目錄》以及近年政府工作報告等文件提取出數字技術關鍵詞，然后與中國專利文本信息進行匹配得到與數字技術創(chuàng)新相關的IPC（International Patent Classification，國際專利分類）分類號，剔除異常數據后將其與中國研究數據服務平臺（CNRDS）數據庫中上市公司發(fā)明專利和實用新型專利的IPC分類號進行匹配，最終得到樣本企業(yè)的數字技術專利申請數目，并進行加1后取自然對數處理，以盡可能克服專利數據的右偏分布問題。

（2）核心解釋變量（Bigdata）：“大數據試驗區(qū)”。雙重差分項為企業(yè)是否位于國家大數據綜合試驗區(qū)的虛擬變量（政策虛擬變量與時間虛擬變量的交乘項）。其中，貴州省雖于2016年獲批，但在2015年9月就已開始布局，故設定2015年為貴州省的政策時間節(jié)點，其余試驗區(qū)的政策時間節(jié)點設定為2016年。

（3）控制變量（X）。參考向海凌等（2022）的研究［24］，選取以下控制變量：一是“企業(yè)規(guī)?！?，采用總資產的自然對數來衡量；二是“現金流水平”，采用經營活動現金流量凈額與負債總額的比值來衡量；三是“兩職合一”，若董事長與總經理兩職合一賦值為1，否則賦值為0；四是“員工規(guī)?！?，采用員工人數的自然對數來衡量；五是“企業(yè)成長性”，采用固定資產增長率來衡量；六是“財務杠桿”，采用資產負債率來衡量；（7）七是“盈利能力”，采用總資產回報率來衡量；八是“董事會規(guī)?！保捎枚聲藬导?取自然對數來衡量；九是“委員會個數”；十是“企業(yè)價值”，采用托賓Q值來衡量。

2.數據來源與描述性統計

本文的研究樣本為2007—2020年滬深兩市A股的上市公司，選擇2007年作為研究起點是因為從當年開始數字經濟規(guī)模開始加速擴張，數字技術的應用也快速增長（吳非 等，2021）［11］。剔除金融保險等行業(yè)以及主要數據缺失嚴重、上市時間不足三年、經營異常的企業(yè)樣本，最終得到包含2 485個企業(yè)的25 111個觀測值，其中來自試驗區(qū)的有10 678個，來自非試驗區(qū)的有14 433個。為了克服極端值對回歸結果的影響，對所有連續(xù)型變量進行雙側1%水平的縮尾處理。本文所用企業(yè)財務數據均來自國泰安（CSMAR）數據庫和Wind數據庫，城市層面數據來自相應年度的《中國城市統計年鑒》，專利數據來自中國研究數據服務平臺（CNRDS）數據庫。主要變量的描述性統計見表1，可以發(fā)現不同企業(yè)之間的數字技術專利產出水平具有較大的差距。此外，試驗區(qū)樣本和非試驗區(qū)樣本的“數字技術創(chuàng)新”變量的均值分別為1.028 4和0.718 4，表明試驗區(qū)樣本企業(yè)的數字技術創(chuàng)新水平總體上明顯高于非試驗區(qū)的樣本企業(yè)。

四、實證結果與分析

1.基準模型回歸分析

應用雙重差分法的前提條件是實驗組和控制組在政策沖擊前具有相同的發(fā)展趨勢，就本文而言，需要滿足試驗區(qū)設立前實驗組與控制組企業(yè)數字技術創(chuàng)新水平變化趨勢基本相同的條件。本文采用事件研究法進行平行趨勢檢驗，并考察政策實施后的動態(tài)效應。平行趨勢檢驗結果如圖1所示（置信區(qū)間為95%）。在試驗區(qū)設立之前，實驗組與控制組的數字技術創(chuàng)新水平變化趨勢并無顯著差異，滿足平行趨勢假設；從動態(tài)效應看，試驗區(qū)設立以后，實驗組與控制組出現明顯差異，政策效應較為穩(wěn)定且持續(xù)性較強。表2報告了基準模型回歸結果，核心解釋變量“大數據試驗區(qū)”的估計系數在1%的水平上顯著為正，表明國家大數據綜合試驗區(qū)的設立顯著促進了試驗區(qū)內企業(yè)數字技術創(chuàng)新水平的提高，假說H1得到驗證。

2.穩(wěn)健性檢驗

為了確保前文分析結果穩(wěn)健，進行以下穩(wěn)健性檢驗：

（1）控制宏觀經濟因素和其他政策的影響。在宏觀經濟因素方面，選取6個變量：企業(yè)所在城市的“人均GDP（取自然對數）”“第二產業(yè)占比”“實際利用外資額（取自然對數）”“1985年郵政所數與互聯網普及率的交乘項”、企業(yè)所在省份的“市場化指數”和企業(yè)所在行業(yè)的“赫芬達爾指數”。在其他政策的影響方面，選取同時期對企業(yè)數字技術創(chuàng)新影響較大的3個國家政策，即國家創(chuàng)新型城市試點政策、“寬帶中國”示范城市政策、國家知識產權試點和示范城市政策，并分別構建雙重差分項。在基準模型基礎上加入上述變量的估計結果見表3，“大數據試驗區(qū)”的估計系數依然在1%的水平上顯著為正。

（2）安慰劑檢驗。首先，通過改變政策實施時間進行反事實檢驗，即將設立試驗區(qū)的時間提前2年重新構建雙重差分項來進行模型檢驗?；貧w結果見表4的（1）列，反事實的政策變量估計系數并不顯著，表明真實的政策效應是顯著存在的。然后，通過隨機生成實驗組的方法進行1 000次回歸，1 000次回歸結果的t統計量分布見圖2。t統計量均在0值附近，與基準模型回歸結果相差較大，且近似于正態(tài)分布，說明基準模型的回歸結果幾乎沒有受到隨機因素的干擾，本文的結論是穩(wěn)健的。

（3）刪除特殊樣本和替換被解釋變量。一是考慮到直轄市擁有較高的經濟管理權限和較多的政治經濟資源，因而剔除注冊地位于直轄市的樣本企業(yè)重新進行模型檢驗，估計結果見表4的（2）列；二是考慮到創(chuàng)業(yè)板上市公司多為高新技術企業(yè)，因而剔除創(chuàng)業(yè)板的樣本企業(yè)重新進行模型檢驗，估計結果見表4的（3）列；三是考慮到專利從申請到授權需要經過一定的審查程序，因而采企業(yè)數字技術專利的獲批數量（加1取自然對數）來替換原被解釋變量，重新估計的結果見表4的（4）列。上述檢驗的核心解釋變量估計系數仍然顯著為正，表明本文分析結果較為穩(wěn)健。

（4）PSM-DID檢驗。本文采用傾向得分匹配方法（PSM）來克服樣本自選擇可能導致的“篩選效應”內生性問題，即采用1∶1的最近鄰匹配法進行PSM-DID檢驗。PSM模型采用前文所有控制變量作為預測變量，平衡性檢驗結果顯示，預測變量的配對偏差均小于5%，且實驗組與控制組至少在10%的水平上無顯著差異，表明匹配效果較好。經過1∶1最近鄰匹配后，獲得12 251個觀測值，重新進行回歸檢驗，結果見表4的（5）列，政策效應仍然在1%水平上顯著。進一步按照1∶2和1∶3的比例進行匹配，估計結果依然穩(wěn)健（分析結果略，備索）。

（5）工具變量法。盡管本文核心解釋變量屬于外生性較強的政策變量，但為排除可能的內生性問題，進一步采用工具變量法進行穩(wěn)健性檢驗。參照趙曉陽和衣長軍（2022）的方法［25］，結合國家統計局發(fā)布的《數字經濟及其核心產業(yè)統計分類（2021）》，以企業(yè)所在城市到沿海港口的距離（取自然對數）與每年全國數字企業(yè)存量（取自然對數）的交互項構造工具變量，進行工具變量法（2SLS）檢驗。第一階段的檢驗結果顯示（具體結果略），F統計量遠大于經驗法則的臨界值，工具變量與核心解釋變量滿足相關性要求。K-Paaprk Wald F統計量和K-Paaprk LM統計量通過了弱工具變量檢驗和可識別性檢驗。第二階段的估計結果見表4的（6）列，“大數據試驗區(qū)”的估計系數還是顯著為正。上述檢驗表明本文的分析結果具有較好的穩(wěn)健性。

3.影響機制分析

（1）信息改善效應。本文采用兩種方法來衡量企業(yè)的信息不對稱程度：一是“信息不對稱1”，借鑒Dechow等（1995）的方法［26］，利用修正的Jones模型計算可操控應計利潤，用其絕對值來衡量外界與企業(yè)間的信息不對稱程度，該指標值越小則企業(yè)的信息不對稱程度越低。二是“信息不對稱2”，借鑒李莉等（2014）的研究［27］，以非流動比率來測度企業(yè)的信息不對稱程度，非流動比率越大，意味著企業(yè)股票的流動性越低，則企業(yè)信息不對稱程度越高。分別以上述兩個變量為被解釋變量的檢驗結果見表5的Panel A，“大數據試驗區(qū)”的估計系數均顯著為負，表明國家大數據綜合試驗區(qū)的設立顯著降低了企業(yè)內外部之間的信息不對稱程度，產生了顯著的信息改善效應。

（2）治理改進效應。本文從外部交易成本和內部控制質量兩個方面來刻畫企業(yè)的治理狀況：一是借鑒趙璨等（2020）的做法［28］，采用固定資產投資、在建工程、無形資產及長期待攤費用合計占總資產之比來度量企業(yè)的資產專用性，并以此作為“外部交易成本”的代理變量，資產專用性越強，變現時價格損失越大，外部交易成本就越高。二是采用迪博企業(yè)內部控制指數來衡量企業(yè)的“內部控制質量”，指數越大內部控制質量越高。分別以上述兩個變量為被解釋變量的檢驗結果見表5的Panel B，“大數據試驗區(qū)”對“外部交易成本”和“內部控制質量”的估計系數分別顯著為負和顯著為正，表明國家大數據綜合試驗區(qū)的設立能顯著降低企業(yè)的外部交易成本并提高企業(yè)的內部控制質量，產生了顯著的治理改進效應。

（3）資源獲取效應，本文主要從緩解融資約束的角度來考察企業(yè)的資源獲取情況，選用了權益融資成本和債務融資成本兩個指標：一是借鑒王翌秋和謝萌（2022）的做法［29］，采用PEG模型估計企業(yè)的“權益融資成本”；二是用利息支出與短期債務加長期債務之和的比值來衡量企業(yè)的“債務融資成本”，其中，短期負債為資產負債表中的短期借款，長期負債包括1年內到期的長期借款、應付債券、長期應付款、其他長期負債項。分別以上述兩個變量為被解釋變量的檢驗結果見表5的Panel C，“大數據試驗區(qū)”對“權益融資成本”和“債務融資成本”的估計系數均顯著為負，表明國家大數據綜合試驗區(qū)的設立能顯著降低企業(yè)的融資成本，產生了顯著的融資約束緩解效應。由此，假說H2得到驗證。

4.異質性分析

（1）企業(yè)異質性。本文分別對處于不同生命周期的企業(yè)和風險承擔能力不同的企業(yè)進行分組檢驗。采用現金流組合法將樣本企業(yè)劃分為“成長期企業(yè)”“成熟期企業(yè)”“衰退期企業(yè)”3個子樣本，分別進行模型檢驗，回歸結果見表6的Panel A?！按髷祿囼瀰^(qū)”對“數字技術創(chuàng)新”的估計系數在“成長期企業(yè)”和“成熟期企業(yè)”子樣本中均顯著為正，而在“衰退期企業(yè)”子樣本中不顯著，表明國家大數據綜合試驗區(qū)的設立能顯著促進處于成長期和成熟期的企業(yè)數字技術創(chuàng)新，但對衰退期企業(yè)的影響不顯著。借鑒李小榮和張瑞君（2014）的做法［30］，選取企業(yè)近三年滾動的ROA波動程度（近三年經行業(yè)調整的ROA標準差）來度量企業(yè)的風險承擔能力，并將樣本企業(yè)劃分為“低風險承擔企業(yè)”和“高風險承擔企業(yè)”2個子樣本，分別進行模型檢驗，回歸結果見表6的Panel B。在“高風險承擔企業(yè)”子樣本中，“大數據試驗區(qū)”對“數字技術創(chuàng)新”的估計系數顯著為正，而在“低風險承擔企業(yè)”子樣本中，“大數據試驗區(qū)”對“數字技術創(chuàng)新”的估計系數不顯著，表明國家大數據綜合試驗區(qū)的設立能顯著促進風險承擔能力較強企業(yè)的數字技術創(chuàng)新，但對風險承擔能力較低企業(yè)的影響不顯著。

（2）行業(yè)異質性。根據2018年中國投入產出表中數字經濟核心產業(yè)對各行業(yè)的直接消耗系數計算行業(yè)的ICT強度（與ICT的關聯程度），并以均值進行高ICT行業(yè)與低ICT行業(yè)的劃分，進而將屬于高ICT行業(yè)的樣本企業(yè)歸為“高ICT行業(yè)”子樣本，將屬于低ICT行業(yè)的樣本企業(yè)歸為“低ICT行業(yè)”子樣本，分別進行模型檢驗，回歸結果見表6的Panel C。在“高ICT行業(yè)”子樣本中，“大數據試驗區(qū)”對“數字技術創(chuàng)新”的估計系數顯著為正，而在“低ICT行業(yè)”子樣本中，“大數據試驗區(qū)”對“數字技術創(chuàng)新”的估計系數不顯著，表明國家大數據綜合試驗區(qū)的設立能顯著促進與ICT關聯度較高行業(yè)的企業(yè)數字技術創(chuàng)新，但對與ICT關聯度較低行業(yè)的企業(yè)影響不顯著。由此，假說H3得到驗證。

五、結論與啟示

在數字經濟時代，企業(yè)的數字技術創(chuàng)新逐漸成為創(chuàng)新驅動發(fā)展的重要支撐。作為一種新型生產要素，數據要素不僅是基礎性和戰(zhàn)略性資源，而且也是推動數字技術創(chuàng)新的重要因素，因此，地區(qū)大數據發(fā)展應該具有促進企業(yè)數字技術創(chuàng)新的基本功能?？茖W評估設立國家大數據綜合試驗區(qū)對企業(yè)數字技術創(chuàng)新產生的政策效應，有助于正確認識數字經濟背景下大數據發(fā)展對企業(yè)高質量發(fā)展的深刻影響。本文將國家大數據綜合試驗區(qū)的設立作為一項準自然實驗，以2007—2020年滬深兩市A股上市公司為研究樣本，運用Python軟件對企業(yè)數字技術專利進行識別，進而采用多期雙重差分模型實證考察該政策對企業(yè)數字技術創(chuàng)新的影響及其作用機制，主要結論如下：（1）設立國家大數據綜合試驗區(qū)顯著促進了試驗區(qū)內企業(yè)數字技術創(chuàng)新水平的提升，該結論在經過控制宏觀經濟因素及其他政策干擾、替換被解釋變量、

安慰劑檢驗、PSM-DID檢驗、工具變量法等一系列穩(wěn)健性檢驗后依然成立；（2）設立國家大數據綜合試驗區(qū)對試驗區(qū)內企業(yè)產生了顯著的信息改善效應、治理改進效應和資源獲取效應，從而有效促進了企業(yè)數字技術創(chuàng)新；（3）設立國家大數據綜合試驗區(qū)，對于處于成長期和成熟期的企業(yè)、風險承擔能力強的企業(yè)、與ICT關聯度高行業(yè)的企業(yè)產生了顯著的數字技術創(chuàng)新促進效應，而對于處于衰退期的企業(yè)、風險承擔能力弱的企業(yè)、與ICT關聯度低行業(yè)的企業(yè)的技術創(chuàng)新水平沒有顯著影響。

本文為地區(qū)大數據發(fā)展賦能企業(yè)數字技術創(chuàng)新提供了經驗證據，同時，基于以上結論，可得出以下啟示：第一，各地區(qū)應積極推動大數據發(fā)展，并充分發(fā)揮大數據在促進技術進步和企業(yè)發(fā)展等方面的積極作用。目前我國在大數據發(fā)展和應用方面已具備一定基礎，擁有市場優(yōu)勢和發(fā)展?jié)摿?，但也存在政府數據開放共享不足、產業(yè)基礎薄弱、缺乏頂層設計和統籌規(guī)劃、法律法規(guī)建設滯后、創(chuàng)新應用領域不廣等問題。因此，要通過數據要素市場和大數據基礎設施建設促進大數據和大數據產業(yè)的發(fā)展；在完善數據要素市場和數字基礎設施、推動大數據產業(yè)發(fā)展的同時，要堅持創(chuàng)新驅動發(fā)展，在微觀層面幫助企業(yè)精準破解在數字技術創(chuàng)新過程中的掣肘痛點與難點。第二，要充分發(fā)揮大數據綜合試驗區(qū)的示范引領作用與輻射帶動作用，形成以數字技術進步推動大數據發(fā)展、以大數據發(fā)展促進數字技術創(chuàng)新的良性循環(huán)。第三，要科學認識地區(qū)大數據發(fā)展賦能企業(yè)數字技術創(chuàng)新的微觀機制和異質性特征，更好發(fā)揮政府引導資源配置的作用。地方政府應當建立健全數據要素市場和數字基礎設施建設的監(jiān)督和反饋機制，并針對不同類型企業(yè)制定差異化和個性化的數字技術創(chuàng)新幫扶政策。

參考文獻：

［1］劉洋，董久鈺，魏江.數字創(chuàng)新管理：理論框架與未來研究［J］.管理世界，2020，36（7）：198-217+219.

［2］謝謙，郭楊.數字技術、創(chuàng)新要素結構優(yōu)化與企業(yè)全要素生產率［J］.北京師范大學學報（社會科學版），2022（6）：134-144.

［3］羅佳，張蛟蛟，李科.數字技術創(chuàng)新如何驅動制造業(yè)企業(yè)全要素生產率？——來自上市公司專利數據的證據［J］.財經研究，2023，49（2）：95-109+124.

［4］黃勃，李海彤，劉俊岐，等.數字技術創(chuàng)新與中國企業(yè)高質量發(fā)展——來自企業(yè)數字專利的證據［J］.經濟研究，2023，58（3）97-115.

［5］孫哲遠.數字經濟發(fā)展如何影響制造業(yè)企業(yè)“脫虛向實”？——來自國家級大數據綜合試驗區(qū)的證據［J］.現代經濟探討，2022（7）：90-100.

［6］陳文，常琦.大數據賦能了企業(yè)綠色創(chuàng)新嗎——基于國家級大數據綜合試驗區(qū)的準自然實驗［J］.財經科學，2022（8）：76-92.

［7］王曉紅，李娜.數字技術發(fā)展、產學研合作與企業(yè)創(chuàng)新能力——基于國家級大數據綜合試驗區(qū)的分析［J］.科技管理研究，2022，42（17）：1-8.

［8］侯林岐，程廣斌，王雅莉.國家級大數據綜合試驗區(qū)如何賦能企業(yè)數字化轉型［J/OL］.科技進步與對策：1-11（2022-09-28）.http：//kns.cnki.net/kcms/detail/42.1224.G3.20220926.1210.002.html.

［9］邱子迅，周亞虹.數字經濟發(fā)展與地區(qū)全要素生產率——基于國家級大數據綜合試驗區(qū)的分析［J］. 財經研究， 2021， 47（7）： 4-17.

［10］LIU D，CHEN S，CHOU T. Resource fit in digital transformation lessons learned from the CBC Bank global e-banking project［J］. Management Decision，2011，49（910）：1728-1742.

［11］吳非，胡慧芷，林慧妍，等.企業(yè)數字化轉型與資本市場表現——來自股票流動性的經驗證據［J］.管理世界，2021，37（7）：130-144+10.

［12］DALENOGARE L S，BENITEA G B，AYALA N F，et al. The expected contribution of Industry 4.0 technologies for industrial performance［J］. International Journal of Production Economics，2018，204：383-394.

［13］申明浩，譚偉杰.數字化與企業(yè)綠色創(chuàng)新表現——基于增量與提質的雙重效應識別［J］.南方經濟，2022（9）：118-138.

［14］GOLDFARB A，TUCKER C. Digital Economics［J］. Journal of Economic Literature，2019，57（1）：3-43.

［15］COHEN L，DIETHER K，MALLOY C. Misvaluing innovation［J］. The Review of Financial Studies，2013，26（3）：635-666.

［16］CLEMONS E K，REDDI S P，ROW M C. The impact of information technology on the organization of economic activity： The “Move to the Middle” hypothesis［J］. Journal of Management Information Systems， 1993，10（2）：9-35.

［17］解維敏，方紅星.金融發(fā)展、融資約束與企業(yè)研發(fā)投入［J］.金融研究，2011（5）：171-183.

［18］FUSTER A，PLOSSER M，SCHNABL P，et al. The role of technology in mortgage lending［J］. The Review of Financial Studies，2019，32（5）：1854-1899.

［19］黃靜如，劉永模.媒體關注對企業(yè)債務融資成本的影響研究——基于會計穩(wěn)健性的中介效應檢驗［J］.投資研究，2020，39（2）：113-133.

［20］李云鶴，李湛，唐松蓮.企業(yè)生命周期、公司治理與公司資本配置效率［J］.南開管理評論，2011，14（3）：110-121.

［21］童錦治，劉詩源，林志帆.財政補貼、生命周期和企業(yè)研發(fā)創(chuàng)新［J］.財政研究，2018（4）：33-47.

［22］CHEN M A，WU Q，YANG B. How valuable is fintech innovation？［J］. The Review of Financial Studies， 2019，32（5）：2062-2106.

［23］YANG C H. How artificial intelligence technology affects productivity and employment：Firm-level evidence from Taiwan［J］. Research Policy，2022，51（6）：104536.

［24］向海凌，陳玉茹，吳非.QFII持股促進企業(yè)數字化轉型的機制研究——影響路徑、企業(yè)異質性與提質補短效應［J］.西部論壇，2022，32（6）：1-19.

［25］趙曉陽，衣長軍.數字經濟發(fā)展提高了城市創(chuàng)業(yè)活躍度嗎？［J］.現代財經（天津財經大學學報），2022，42（11）：19-31.

［26］DECHOW P M，SLOAN R G，SWEENEY A P. Detecting earnings management［J］. The Accounting Review， 1995，70（2）：193-225.

［27］李莉，閆斌，顧春霞.知識產權保護、信息不對稱與高科技企業(yè)資本結構［J］.管理世界，2014（11）：1-9.

［28］趙璨，曹偉，姚振曄，等.“互聯網+”有利于降低企業(yè)成本粘性嗎？［J］. 財經研究，2020，46（4）： 33-47.

［29］王翌秋，謝萌.ESG信息披露對企業(yè)融資成本的影響——基于中國A股上市公司的經驗證據［J］.南開經濟研究，2022，233（11）：75-94.

［30］李小榮，張瑞君.股權激勵影響風險承擔：代理成本還是風險規(guī)避？［J］.會計研究，2014（1）：57-63+95.

Research on the Impact of Big-data Development on

Enterprise Digital Technology Innovation：

Quasi-natural Experiment Based on the

National Big Data Comprehensive Pilot Zone

DAI Yan-juan， SHEN Wei-peng， TAN Wei-jie

（School of Economics and Trade， Guangdong University of Foreign Studies， Guangzhou 510006， Guangdong， China）

Abstract：

As a new factor of production in the era of the digital economy， the data factor is different from the traditional factors of production such as labor， capital， and technology. It is not only the basic strategic resources but also the driving force of factors occupying new advantages in the international digital competition in the new era. In the context of the development of the digital economy， formulating relevant policies and measures， effectively promoting industrial innovation changes， and enterprises increasing their investment in digital technology innovation projects have important theoretical and practical significance. How to effectively promote enterprise digital technology innovation？ The construction and improvement of the data factor market may be a breakthrough. However， the empirical analysis of the effect of big data development on the innovation of digital technology of enterprises is relatively scarce．

In this paper， Python software is used to identify enterprise digital innovation patents， and based on the quasi-natural experiment of the national big data comprehensive pilot zone， the A-share listed companies in Shanghai and Shenzhen from 2007 to 2020 are taken as research samples， and the multi-period differential method is used to investigate the impact of big data on enterprise digital innovation and its mechanism. The analysis results show that the construction of the big data pilot area significantly improves the digital innovation performance of enterprises， and this conclusion is still valid on the basis of parallel trends， PSM-DID， placebo tests， and a series of robustness tests. In the big data pilot areas， the information effect， governance effect， resource effect， and other mechanisms have contributed significantly to the digital innovation of enterprises. In addition， the construction of a data factor market reduces the degree of information constraints， internal and external governance costs， and financing costs of enterprises， and helps improve enterprises digital innovation ability. Last but not least， heterogeneity analysis shows that the digital technology innovation effect of building enabling enterprises in big data pilot zones is not obvious in declining enterprises， enterprises with low risk-bearing capacity， and industries with low ICT intensity.

Compared with the existing literature， from the perspective of research， this paper puts the macro-economic policies supporting the development of big data and micro-enterprise digital innovation activities in the same analytical framework， explores the dividend effect of big data development on enterprise digital innovation， and enriches the research literature of big data development policy evaluation. In terms of the research content， taking the establishment of the national big data comprehensive pilot zone as the exogenous impact， the paper discusses that the digital innovation of enterprises empowered by the development strategy of big data mainly depends on the “information effect”， “governance effect” and “resource effect”， and identifies the regional， industrial and enterprise heterogeneity influencing characteristics in the process of digital innovation of enterprises empowered by big data， deepening the existing research. In terms of research data， Python software is used to identify the text content of digital economy-related policies， and the obtained keyword frequency information is matched with the patent classification number to obtain the IPC classification number of digital innovation patents， so as to identify the enterprise digital innovation evaluation index more accurately. On this basis， the digital innovation effect of the big data pilot zone policy is further investigated to provide micro evidence for the policy evaluation of the big data comprehensive pilot zone. This study not only reveals the micro policy dividends of big data pilot zone construction， but also has important experience and enlightenment for formulating relevant policies of data factor market construction and promoting high-quality development of the real economy.

Key words：

data factor; big data comprehensive pilot zone; digital technology innovation; digital economy; digital infrastructure; big data industries

CLC number：F273.1；F127Document code：AArticle ID：1674-8131（2023）02-0016-13

（編輯：劉仁芳）