第 ３６ 卷第 １２ 期 ２０２４ 年 １２ 月 Ｖｏｌ． ３６， Ｎｏ． １２ Ｄｅｃ．， ２０２４ 管理评论 Ｍａｎａｇｅｍｅｎｔ Ｒｅｖｉｅｗ 数据要素赋能企业创新：基于内外部资源视角 陈丽莉１，２，３ 张若琪１ 戎 珂２ （１．北京工商大学经济学院，北京 １０００４８； ２．清华大学社会科学学院，北京 １０００８４； ３．北京工商大学数字商科与首都发展创新中心，北京 １０００４８） 摘要：充分发挥数据要素作用，赋能企业创新发展，是我国经济高质量发展的重要渠道。 本文基 于 ２００７—２０２２ 年 Ａ 股上市公司数据，分别从数据要素存量、数据开发能力、数据驱动商业应用、 数据价值变现四个维度衡量数据要素，探究数据要素对企业创新的影响。 研究发现，数据要素 有利于提高企业创新水平。 从内部资源视角看，数据要素显著降低了信息不对称程度，进而促 进了企业创新，拥有信息技术背景的董事能够更好地利用数据要素来降低企业的信息不对称水 平，从而更好地促进企业创新。 从外部资源视角看，数据要素通过降低企业供应链集中度，获取 更加多元化的外部资源，进而提升创新水平。 进一步研究发现，数据要素对处于成长期、衰退期 的企业，非重污染行业的企业以及数字经济发展较好城市企业的创新促进效果更加明显。 本文 研究为企业利用数据要素赋能自主创新，进而推动实体经济高质量发展提供了思路和证据。 关键词：数据要素；企业创新；信息不对称；供应链集中度；人力资本 DOI:10.14120/j.cnki.cn11-5057/f.2024.12.008 引 言 伴随着互联网、５Ｇ、大数据以及人工智能等数字技术的高速发展，数据已经成为最重要的战略资源之一， 改变了当下的生产方式和经济发展方式 ［１］ 。 改革开放以来，我国经济快速发展，但仍存在核心技术“ 卡脖子” 问题，尤其是芯片、数控机床等关键技术仍受制于国外，导致我国经济发展动力不足。 因而亟需通过增强自主 创新能力来克服这些技术瓶颈，推动我国经济高质量发展。 企业是创新活动的主体，是技术创新的主力军，然 而，企业内部有限的知识储备和资源条件，往往成为企业创新发展的桎梏。 ２０１９ 年，党的十九届四中全会首 次将“ 数据” 作为第七种生产要素参与收益分配。 ２０２２ 年，《 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》 提出，数据具有可复制、非消耗、边际成本接近于零等新特性，有利于赋能实体经济， 促成新旧动能加快转换。 以往关于数据要素与企业发展关系的研究文献主要有两种观点：一是数据要素能够降低企业边际投入、 改变传统商业模式 ［２］ 、改善企业绩效 ［３］ 等；二是数据要素具有规模报酬递增的特征，引发企业垄断 ［４］ ，对经济 产生负面影响。 需要注意的是，数据要素作为一种全新的生产要素，能够赋能企业获取来源广泛、形式多样且 实时更新的市场信息，降低由于信息不对称所致的研发风险 ［５］ 。 而且数据发挥的作用不仅取决于数据要素 存储量的多少，还需要考虑企业的数据开发能力、商业应用能力以及价值变现能力，数据要素需要与人力资本 相结合，才能把本身的价值转移到产品生产运营的每一个环节，从而激发企业创新。 在此背景下，亟待论证的 问题是：数据要素如何赋能企业创新？ 其背后的影响机制是什么？ 基于不同公司特征以及内外部环境下，影 响程度有无变化？ 本文对上述问题的回答，有助于深入理解数据要素与实体经济的关系，为企业制定创新战 略提供经验证据。 基于此，本文选取 ２００７—２０２２ 年 Ａ 股上市公司数据，尝试构建一个基于内外部资源视角下数据要素影响 企业创新的分析框架（ 图 １） ，并实证检验数据要素与企业创新之间的关系。 与以往研究相比，本文的边际贡 献主要体现在以下几个方面：第一，本文将内外部资源视角纳入同一个分析框架，从微观层面剖析数据要素对 企业创新的影响效应，进一步理解数据要素作用于企业创新的机制。 第二，本文进一步探讨了拥有信息技术 背景的董事在数据要素推动企业创新过程中的调节作用，加深数据要素影响企业创新内在规律的认识和理 收稿日期：２０２３－１０－０７ 基金项目：国家社会科学基金一般项目（２２ＢＧＬ０９３） ；２０２４ 年研究生科研能力提升计划项目（１９００８０２４０４２） 。 作者简介：陈丽莉，北京工商大学经济学院副教授，博士生导师，博士；张若琪，北京工商大学经济学院硕士研究生；戎珂，清华大 学社会科学学院教授，博士生导师，博士。 １６ 管理评论 第 ３６ 卷 解，也为通过数据要素推动企业创新提供了参考依据。 第三，本文考察了不同维度数据要素对企业创新的影 响，分析数据要素对不同成熟度、不同污染程度行业、不同数字经济发展水平城市企业的异质性影响，进一步 丰富数据要素与企业创新的研究内容，在政策层面更具明确的启示意义。 图１ 数据要素赋能企业创新研究框架 文献回顾及研究假设 １．文献回顾 数据是信息的载体，是计算机程序处理的对象，它本身通常不具有直接价值，但其内含的信息和知识可以 通过分析和处理转化为有用的信息资源。 数据资源是指组织或个人拥有的数据的集合，这些数据可以被用来 支持决策、创造价值或者提供服务。 数据资源可以包括各种类型的数据，比如客户信息、销售数据、市场调研 数据、生产数据等。 而数据要素是在更宽广的经济学视角下被提出的概念。 信通院发布的《 数据要素白皮 书》 中指出，数据要素是根据特定的生产需求汇聚、整理、加工而成的计算机数据及其衍生形态。 数据、数据 资源与数据要素这三者之间的关系可以类比为原材料、产品和最终服务的层次关系：数据如同原材料，数据资 源如同经过加工的原材料制成的产品，而数据要素则是将这些产品投入到生产过程中，发挥其经济效益的环 节。 本文重点关注数据要素对企业创新的影响。 数据要素具有非竞争性、规模报酬递增、高共享性、可复制性 ［６］ 等特征，会对经济产生一定影响。 一方 面，数据要素应用对经济发展产生一定影响。 杨俊等 ［７］ 认为数据要素在短期内会抑制经济产出，从长期看会 持续推动经济增长。 蔡跃洲和马文君 ［８］ 从数据要素的技术 －经济特征入手分析其作用机制，研究发现，数据要 素能够通过提升微观企业运行效率进而影响宏观经济发展，但同时数据垄断、信息泄露等问题也为经济发展带 来负面影响。 袁健和段巍通过构建内生增长模型，发现企业数据与人工智能相结合，能够提升数据的价值，进而 促进经济增长［９］ 。 刘征驰等通过研究发现，数据要素利用能够促进智能技术进步，进而推动经济持续增长，但存 在“制约效应”和“增长陷阱” ［１０］ 。 而 Ｆａｒｂｏｏｄｉ 和 Ｖｅｌｄｋａｍｐ ［１１］ 研究结果表明，数据要素不一定促进经济的长期增 长。 另一方面，已有研究基于不同视角重点关注数据要素对企业的影响。 如：谢康等［３］ 基于产品创新视角构建 链式中介模型，发现数据能够从可能的生产要素转变为企业现实生产要素。 徐翔等［１］ 基于研发竞争的视角，认 为应促进企业将更多精力和资源投入突破性创新项目，进而影响整个国民经济的发展潜力。 Ｌｉａｏ 等［１２］ 研究表 明，大数据能够提升银行的金融科技创新能力。 Ｂｅｒｇｅｍａｎｎ 和 Ａｌｅｓｓａｎｄｒｏ ［１３］ 认为垄断性平台能够利用数据将买 卖双方进行匹配，并为其带来福利。 唐要家等［１４］ 基于数据要素内生增长模型，探究数字经济发展对市场结构及 创新绩效的影响。 王超贤等［１５］ 对数据要素的报酬性质研究结果表明，其依赖于具体情境和不同状态。 在创新驱动经济高质量发展背景下，企业创新尤为重要。 已有研究主要从政府、社会、市场等视角展开。 在政府视角上，已有文献主要从政府补助 ［１６］ 、人才引进政策 ［１７］ 、产业政策、税收激励等角度进行分析。 在社 会视角上，已有文献从儒家传统文化、家族决策权配置 ［１８］ 等角度进行分析。 在市场视角上，已有文献从资本 市场发展 ［１９］ 、高管背景、股东融资等角度进行分析。 然而，仅有少数学者关注数据要素对企业创新的影响，以 及关于这一影响是否有利于经济增长的问题，但学者们的看法并不一致。 基于此，本文结合内部资源和外部 资源视角探究数据要素对企业创新的影响，为理解数据驱动企业创新机制提供理论依据和实证支持。 本文将 数据要素划分为数据要素存量、数据开发能力、数据驱动商业应用、数据价值变现四个维度，验证其对企业创 新的影响，为企业如何利用数据要素提供一个清晰的分析框架，为企业制定有效利用数据要素促进创新的决 策提供针对性的建议。 ２．研究假设 （１） 数据要素对企业创新的影响 ５Ｇ 网络、大数据、云计算等数字技术的广泛应用，标志着数字经济时代的到来。 数据要素作为数字经济 第 １２ 期 陈丽莉，等：数据要素赋能企业创新：基于内外部资源视角 １７ 最核心的资源，具有可共享、可复制、可无限供给等特点，加速了数字技术的扩散与应用。 创新过程与创新成 果的数字化大幅拓展了现有的创新理论 ［２０］ 。 首先，企业通过对数据的分析与应用，拥有了便捷的信息沟通平 台，对生产经营过程中的信息交流有着重要的推动作用，有助于其感知市场环境变化，打破传统商业模式的桎 梏 ［２］ ，明确客户需求，避免盲目决策，将潜在需求转化为新产品或新服务，提高创新的有效性和准确性，使企 业创新更具有针对性。 其次，企业能够通过数据中心资源共享平台，加速信息在企业间的转移 ［２１］ ，通过数据 的开放共享、数字技术与知识创新高度融合，同时利用大数据的快速流动性打破区域壁垒，促进企业间与企业 内管理措施的整合，实现信息与知识跨领域、跨层次的突破以及重组与交融，为企业创造价值提供更多创新空 间和可能。 最后，在数据要素化程度加深的基础上，企业能够与供应商和客户建立多元化的合作关系，通过数 据共享、协同分析和联合创新，打破传统合作模式的限制，促进新的业务模式和解决方案的产生，这种多元化 的合作交流不仅扩大了企业的合作网络，也为企业带来了更丰富的创意和观点，从而有力地推动企业创新进 程。 基于此，本文提出假设： Ｈ１：数据要素有利于提高企业创新水平。 （２） 数据要素、信息不对称与企业创新 企业创新活动具有高风险、资源高消耗等特征。 信息不对称理论表明，掌握信息资源越丰富、信息质量更 高的企业往往处于有利地位，从而实现自身利益最大化。 内部控制的核心要素之一是“ 信息与沟通” ，要求组 织内部形成信息的良性互动。 而现实情况往往是企业内部各部门存在差异，往往使得信息在传递过程中出现 偏差，不同部门之间的信息孤岛现象，使得关键信息难以在各部门之间共享，企业因缺乏规范的信息共享机 制，导致关键信息无法及时传递到决策者；或是员工之间信任度不足，更多考虑个人利益，导致信息隐藏或不 完全共享 ［２２］ 。 企业运用数据要素有利于实现信息的渗透 ［２３］ ，打破企业内部信息传播壁垒，为企业开展创新 研发活动提供信息化支撑。 首先，通信技术的发展革新会不断优化信息沟通渠道，有助于企业内部及时发现、 反馈和纠正问题，完善生产和交易流程，弱化研发风险，降低创新的不确定性，进而提升企业创新效率；其次， 数据驱动的决策制定能够提供客观、准确的信息支持，减少管理者与员工之间因信息差导致的不信任和误解， 当企业内部各个层级都能够获取到一致的数据分析结果时，决策过程更加透明，员工对决策的认同度和执行 力度提升，由于他们对决策背后的逻辑和目标有深入的理解，会从内心深处激发创新的动力。 基于此，本文提 出假设： Ｈ２：数据要素的应用能够削弱信息不对称，进而促进企业创新。 （３） 数据要素、人力资本与信息不对称 高阶梯队理论表明，公司高管的个人特质会影响其战略选择，进而影响企业行为 ［２４］ 。 不同于传统的经营 模式，企业数字管理是基于数字技术应用配置人员、流程和结构等要素，执行战略变革和创新，实现企业目标 和价值的实践活动，具有数字背景的管理者也能带动员工更好地运用数据要素 ［２５］ 。 首先，具备信息技术背景 的董事通常拥有电子信息类、计算机类、电子商务类等专业教育背景，或者与信息技术相关的工作经历 ［２６］ ，其 在数据治理、分析和应用方面具备专业知识和技能，能够对企业内部的信息进行整合和优化，推动信息系统的 升级和优化，实现数据在不同部门和层级之间的共享与传递，减少信息孤岛现象，缓解信息不对称问题。 其 次，具备信息技术背景的董事能够发挥其“ 专家效应” ，通过内部培训、会议等方式，将专业知识传递给其他团 队成员，促进不同部门之间的信息流通和理解，消除部门间的信息隔阂。 基于此，本文提出假设： Ｈ３：具有信息技术背景的董事能更好地利用数据要素缓解企业信息不对称。 （４） 数据要素、供应链集中度与企业创新 产业组织理论认为，当供应链中的关键资源或决策权被集中在少数几个企业或组织手中时，供应链集中 度高。 这会影响市场竞争，影响供应链中其他参与者的行为，并对整个产业的稳定性产生影响。 供应链集中 度很大程度上影响企业长期发展，供应链集中度对企业创新有重要影响。 供应链集中度高，意味着在供应链 中，销售或采购的绝大部分集中在少数供应商或客户。 若客户集中度过高，在经济下行时期，客户会单方面减 少采购量，导致企业的销售收入下降，库存积压，长此以往将影响企业的创新活动；若供应商集中度过高，当供 应商出现生产中断、质量问题或交货延误等问题时，企业将面临创新停滞。 而伴随数字技术的不断进步，企业 能够通过互联网平台了解更多供应商的信息，提高企业与外部交换信息的效率，实现信息共享 ［２７］ ，供需市场 更加开放有效，从而降低了企业对供应商依赖程度，激励企业寻求新的合作伙伴和替代方案，进而促进技术的 多样化和创新思维的激发。 基于此，本文提出假设： Ｈ４：数据要素的应用能够降低供应链集中度，进而促进企业创新。 １８ 第 ３６ 卷 管理评论 研究设计 １．样本选取与数据来源 考虑到 ２００６ 年对于很多企业而言，尚未进行数据积累和治理，故本文选取 ２００７—２０２２ 年沪深 Ａ 股上市 公司为研究样本。 借鉴已有研究，按照以下标准对样本数据进行处理：第一，剔除金融类企业；第二，剔除被归 为 ＳＴ 或 ＰＴ 的样本；第三，为减少异常值的影响，对连续变量的双侧极端值进行了 １％的缩尾处理；第四，剔除 数据缺失的样本。 最终获得样本 ３６１０５ 个。 企业层面的数据来源于国泰安（ ＣＳＭＡＲ） 数据库、Ｗｉｎｄ 数据库以 及中国研究数据服务平台（ ＣＮＲＤＳ） ，省份层面的数据来源于《 中国统计年鉴》 《 中国城市统计年鉴》 、Ｗｉｎｄ 数 据库、中经网数据库和国研网。 ２．变量定义 （１） 因变量 企业申请量（ Ｐａｔｅｎｔ） 。 借鉴徐翔等 ［１］ 的研究，本文以发明专利申请量加 １ 的自然对数来衡量企业创新 水平。 （２） 自变量 《 “十四五” 大数据产业发展规划》 中指出，以数据生成、采集、存储、加工、分析、服务为主的大数据产业， 是激活数据要素潜能的关键支撑，而原始数据在经过一系列生产过程形成有价值的信息之后，就涉及数据的 流通与应用等问题。 本文参考陶长琪和丁煜 ［５］ 的做法，基于德尔菲法，通过专家咨询的方式进行多方认证， 以数据要素的价值实现路径作为指标构建的依据，将数据要素划分为数据要素存量、数据开发能力、数据驱动 商业应用、数据价值变现四个维度，并确定了数据要素相关关键词，如表 １ 所示。 表１ 一级指标 数据要素存量 数据开发能力 二级指标 关键词 数据收集与整合 大数据、数据集成、数据融合 数据处理与管理 数据信息、数据管理 数据资产与转型 数据资产、数字化 技术研发能力 自动化、５Ｇ、智能、机器人、机器学习、３Ｄ 技术、３Ｄ 工具、ＡＩ、物联网 计算能力 边缘计算、云计算、云服务、云端 数字化能力 数字科技、数字技术、计算机技术、信息时代、信息化、信息技术、信息集成、信息通信 业务模式创新 数据驱动商业应用 技术平台支撑 数据价值变现 数据要素构建及关键词选取 Ｏ２Ｏ、Ｂ２Ｂ、Ｃ２Ｃ、Ｐ２Ｐ、Ｃ２Ｂ、Ｂ２Ｃ 电子技术、电子科技、线上、网络、线上线下、互联网、电子商务、跨境电商、电商平台、智 慧时代、智慧建设、智慧业务 数据运营体系 数字运营、数字终端、数字经济、数字体系、数字供应链、数字营销 变现媒介 数字货币 技术保障 区块链 市场空间 数字贸易 （３） 控制变量 本文参考徐翔等［１］ 、唐要家等［１４］ ，选取企业规模（Ｓｉｚｅ）、资产结构（Ｌｅｖ）、现金流水平（Ｃａｓｈｆｌｏｗ）、资本密集度 （ＦＩＸＥＤ）、账面市值比（ＢＭ）、行业集中度（Ｈｅｒｆｉｎｄａｈｌ）、融资约束（ＳＡ）、研发投入（ＲＤ）、产权性质（ＳＯＥ）、独立董 事比例（ Ｉｎｄｅｐ） 、两职合一 （ Ｄｕａｌ） 、董事会规模 （ Ｂｏａｒｄ） 、 管理费用率 （ Ｍｆｅｅ） 、 企业年龄 （ Ａｇｅ） 、 企业利润额 （ Ｐｒｏｆｉｔ） 、政府补贴（ Ｓｕｂｓｉｄｅｓ） 作为控制变量。 （４） 中介变量 信息不对称（ ＩＡＳ） 。 考虑到我国证券市场高频交易数据缺失，本文参考于蔚等 ［２８］ 的方法，基于日频交易 数据测算信息不对称程度，并利用中国上市公司股票交易的微观结构数据构建流动性比率指标（ ＬＲ ｉｔ ） 、非流 动性比率指标（ ＩＬＬ ｉｔ ） 和收益率反转指标（ ＧＡＭ ｉｔ ） ，测算方法分别为： ＬＲ ｉｔ ＝ － ＩＬＬ ｉｔ ＝ １ ｉｔ ∑ Ｄ ｉｔ ｋ ＝ １ Ｄ １ ｉｔ ∑ Ｄ ｉｔ ｋ ＝ １ Ｄ Ｖ ｉｔ（ ｋ） ｜ ｒ ｉｔ（ ｋ） ｜ ｜ ｒ ｉｔ（ ｋ） ｜ Ｖ ｉｔ（ ｋ） （１） （２） 第 １２ 期 陈丽莉，等：数据要素赋能企业创新：基于内外部资源视角 １９ ＧＡＭ ｉｔ ＝ ｜ γ ｉｔ ｜ （３） ｒ （ ｋ） ＝ θ ｉｔ ＋ φ ｉｔ ｒ ｉｔ（ ｋ － １） ＋ γ ｉｔ Ｖ ｉｔ（ ｋ － １） ｓｉｇｎ［ ｒ （ ｋ － １） ］ ＋ ε ｉｔ（ ｋ） ｅ ｉｔ ｒ （ ｋ） ＝ ｒ ｉｔ（ ｋ） － ｒ ｍｔ（ ｋ） ｅ ｉｔ ｅ ｉｔ （４） （５） 其中，ｒ ｉｔ（ ｋ） 代表 ｉ 企业 ｔ 年第 ｋ 个交易日的股票收益率；Ｖ ｉｔ （ ｋ） 代表日成交量；Ｄ ｉｔ 代表当年交易天数； ｒ ｍｔ（ ｋ） 代表按市值为权重加权的市场收益率。 本文对原始指标提取第一主成分，捕捉与非信息对称相关的成 分，以构建信息不对称指标（ ＩＡＳ） 。 供应链集中度（ ＳＣＣ） 。 国务院办公厅发布的《 关于积极推进供应链创新与应用的指导意见》 指出，“ 供应 链是以客户需求为导向，以提高质量和效率为目标，以整合资源为手段，实现产品设计、采购、生产、销售、服务 等全过程高效协同的组织形态” 。 依照国家政策文件界定，本文同时将上游供应商和下游客户纳入企业的供 应链范围，不仅从上游供应商角度，而且从下游客户角度来衡量供应链集中度。 参考巫强和姚雨秀 ［２９］ 的研 究，本文采用前 ５ 大供应商、客户采购与销售比例之和的均值来衡量供应链集中度。 （５） 调节变量 企业董事的信息技术背景（ ＩＴ） 。 参考袁蓉丽等 ［２６］ 的做法，本文对上市公司董事的教育背景及工作经历 进行手工整理，当董事具有信息技术背景及相关从业经历时，则认为其具有信息技术背景。 以上市公司当年 具有信息技术背景的董事数量与整个董事会总人数的比值作为衡量企业董事信息技术背景的指标。 信息技 术教育背景与从业经历分类如表 ２ 所示。 表２ 信息技术背景与从业经历分类 类型 关键词 信息技术背景 电子信息类、计算机类、电子商务类、信息与计算科学、信息管理与信息系统、信息资源管理 从业经历 信息技术（ ＩＴ） 、信息管理、信息系统、信息化建设、ＥＲＰ 建设、软件开发、互联网 ／ 网络开发、计算机 ／ 电 脑、电子工程、系统工程、系统构建、电子商务和电子政务、物联网、云计算 本文变量定义与描述性统计如附录表 １ 所示。 ３．模型构建 为检验数据要素与企业创新的关系，本文设定基准模型如下： Ｐａｔｅｎｔ ｋ，ｔ ＝ α０ ＋ α１ ｌｎＤＥＩ ｋ，ｔ ＋ α２ Ｃｏｎ ｋ，ｔ ＋ ｓｔｋｃｄ ｋ ＋ ｙｅａｒ ｔ ＋ ε ｋ，ｔ （６） 其中，下标 ｋ、ｔ 分别表示企业和年份，Ｐａｔｅｎｔ ｋ，ｔ 表示企业创新水平，ｌｎＤＥＩ ｋ，ｔ 表示企业数据要素存量水平，还 体现为数据开发能力（ ｌｎＤＤＣ ｋ，ｔ ） 、数据驱动商业应用（ ｌｎＤＢＡ ｋ，ｔ ） 、数据价值变现（ ｌｎＤＶＲ ｋ，ｔ ） ，Ｃｏｎ ｋ，ｔ 为控制变量 的集合，ε ｋ，ｔ 为服从正态分布的残差项。 此外，为控制企业层面不受时间变化的影响以及宏观经济冲击，本文 参考郭玥 ［１６］ 的做法，同时加入了企业（ ｓｔｋｃｄ ｋ ） 和年份（ ｙｅａｒ ｔ ） 固定效应。 α１ 是本文主要关注的参数，若 α１ 显 著为正，则说明数据要素能够显著促进企业创新。 实证结果分析 １．基准回归结果 基准回归结果如表 ３ 所示，在控制年份和企业固定效应的基础上，（２） 、（４） 、（６） 、（８） 列分别检验了在引 入控制变量后数据要素存量（ ｌｎＤＥＩ） 、数据开发能力（ ｌｎＤＤＣ） 、数据驱动商业应用（ ｌｎＤＢＡ） 、数据价值变现 （ ｌｎＤＶＲ） 对企业发明专利申请量（ Ｐａｔｅｎｔ） 的影响。 研究结果表明，数据要素存量与专利申请量的回归系数为 ０. ０７０，在 １％的水平上显著，即数据要素存量每增加 １％，企业发明专利申请量会增加 ７. ０％；数据开发能力每 增强 １％，企业发明专利申请量会增加 １２. ３％；数据价值变现能力每增加 １％，企业发明专利申请量会增加 １１. ８％；但是，数据驱动商业应用对于企业创新的影响并不显著，这是由于企业在数据驱动商业应用这一过程 中，如进行数字营销时，需要处理大量的用户数据，包括用户个人信息、浏览行为、购买历史、互动反馈等。 这 一过程中产生的数据安全和用户隐私问题是制约数据驱动商业应用促进企业创新的一个重要因素。 例如，亚 马逊因违反数据隐私被欧盟处以 ８. ８８ 亿美元罚款，受此影响，亚马逊股价跌幅超 ７. ５６％，市值一度蒸发近万 亿元人民币。 一方面，巨额罚款会严重影响企业的现金流和财务状况，企业需要通过减少投资、出售资产或增 加债务等方式筹集资金来支付罚款，这会导致用于研发创新的资金减少，从而影响其创新能力；另一方面，股 价的大幅下跌会导致投资者对企业的信心下降，减少投资，从而影响企业获取外部资金的能力，限制其开展研 发创新活动。 总体来看，结果验证了数据要素有利于提高企业创新水平，支持了假设 Ｈ１。 ２０ 第 ３６ 卷 管理评论 表３ 变量 ｌｎＤＥＩ ｌｎＤＤＣ 基准回归结果 （１） （２） （３） （４） （５） （６） （７） （８） Ｐａｔｅｎｔ Ｐａｔｅｎｔ Ｐａｔｅｎｔ Ｐａｔｅｎｔ Ｐａｔｅｎｔ Ｐａｔｅｎｔ Ｐａｔｅｎｔ Ｐａｔｅｎｔ ０. １７７ ∗∗∗ （０. ０１１） ０. １２３ ∗∗∗ （０. ０１１） ０. ０４８ ∗∗∗ （０. ０１３） （０. ０１１） ０. １７１ ∗∗∗ （０. ０３８） ０. １１８ ∗∗∗ （０. ０３５） 是 ０. １２６ ∗∗∗ （０. ０１３） ０. ０７０ ∗∗∗ （０. ０１１） ｌｎＤＢＡ ｌｎＤＶＲ ０. ０００ 控制变量 否 是 否 是 否 是 企业固定效应 是 是 是 是 是 是 是 年份固定效应 是 是 是 是 是 是 是 Ｃｏｎｓｔａｎｔ Ｏｂｓｅｒｖａｔｉｏｎｓ Ｒ⁃ｓｑｕａｒｅｄ １. ６６９ （０. ０１０） ∗∗∗ ３６１０５ ０. ７５１ －６. ２９７ （０. ６９９） １. ３２８ （０. ０２８） －６. １２０ ０. ７６９ ０. ７５４ ∗∗∗ ∗∗∗ ３６１０５ 注：括号内为聚类至企业层面的标准误； 、 、 ∗ ∗∗ ∗∗∗ ３６１０５ （０. ６９１） １. ６６４ （０. ０２７） －６. ５９０ ０. ７７０ ０. ７４９ ∗∗∗ ３６１０５ ∗∗∗ ３６１０５ 分别表示通过 １０％、５％、１％的显著性检验。 下同。 否 是 是 （０. ７００） １. ７５７ （０. ００２） －６. ４９１ ∗∗∗ ０. ７６８ ０. ７４９ ０. ７６８ ∗∗∗ ３６１０５ ∗∗∗ ３６１０５ （０. ６９９） ３６１０５ ２．稳健性检验与内生性处理 为了提高本文估计结果的可靠性，本文还采用了更换被解释变量、纳入多维交互固定效应、缩短样本年 限、２ＳＬＳ 工具变量法等方法，对回归结果进行稳健性检验和内生性处理。 （１） 替换被解释变量的稳健性检验。 ①参考权小锋和尹洪英 ［３０］ 的研究，本文采用发明专利、实用新型和 外观设计专利的加权总申请量加 １ 的自然对数，三种专利的权重按照 ３ ∶ ２ ∶ １ 进行取值（ Ｐａｔｅｎｔ２） ，重新进行 回归。 ②参考罗荣华等 ［３１］ 的做法，发明专利是企业技术含量最高的技术创新，能够代表创新质量。 因此，本 文选取发明专利授予量加 １ 的自然对数作为衡量企业创新质量的指标（ Ｐａｔｅｎｔ＿Ａｗａｒｄ） 。 研究结果如附录表 ２ 所示，与原结论保持一致。 （２） 加入联合固定效应。 尽管本文充分控制了个体、年份、行业及地区层面的固定效应，但仍会遗漏不同 年份发生在特定行业或特定地区的冲击，本文参考巫强和姚雨秀 ［２９］ 的研究，在上述基础上增加地区和年份的 联合固定效应、行业和年份的联合固定效应。 增加联合固定效应结果（ 附录表 ３） 显示，数据要素存量、数据开 发能力、数据价值变现的系数仍然显著为正。 因此，在控制一些不可观测的固定特征后，与原结论保持一致。 （３） 缩短样本年限。 受新冠疫情影响，企业获得创新资源和研发合作的机会受限、资金链紧张，这一系列 影响会降低企业的创新水平。 基于此，为了排除疫情影响，本文剔除 ２０２０ 年、２０２１ 年、２０２２ 年的样本企业进 行研究。 研究结果如附录表 ４ 所示，研究结论依然稳健。 （４） 内生性处理。 考虑到本身有较高创新的企业更有可能在年报中提到数据要素，从而导致内生性问 题。 为进一步缓解潜在的内生性问题，本文选取 Ａ 股上市公司网络搜索指数作为工具变量，纳入模型进行检 验。 参考宋双杰等 ［３２］ 的做法，本文使用爬虫整理百度搜索中每只股票的搜索量指数，如万科公司的股票，股 票代码“０００００２” 或公司名称“ 万科 Ａ” 关键词的百度搜索量，将每只股票的百度搜索指数进行加总后取对数， 从而获得各年度企业的百度搜索指数值（ ＳＶＩ） 。 首先，网络搜索指数的变化会提前反映出投资者对企业未来 表现的期待，企业为了吸引投资，会根据投资者的预期来引入数据要素，以展示其长期的成长潜力，即满足相 关性要求。 其次，上市公司网络搜索指数主要受到市场、媒体和公众等因素的影响，而非企业自身可以控制。 这意味着企业在创新过程中无法直接操纵或影响其网络搜索指数，从而满足外生性要求。 附录表 ５ 的检验结 果进一步支持了本文研究结论。 影响机制分析 基于前文的理论分析，一方面，数据要素能够直接促进企业创新；另一方面，基于内外部资源视角，数据要 素还会通过降低信息不对称程度和供应链集中度两个途径间接影响企业创新。 本文进一步进行如下检验： １．数据要素、信息不对称与企业创新 本文参考戴魁早等 ［３３］ 的做法，设定如下计量模型进行检验： 第 １２ 期 陈丽莉，等：数据要素赋能企业创新：基于内外部资源视角 ２１ ＩＡＳ ｋ，ｔ ＝ β ０ ＋ β １ ｌｎＤＥＩ ｋ，ｔ ＋ β ２ Ｃｏｎ ｋ，ｔ ＋ ｓｔｋｃｄ ｋ ＋ ｙｅａｒ ｔ ＋ ε ｋ，ｔ ＩＡＳ ｋ，ｔ ＝ γ ０ ＋ γ １ ｌｎＤＥＩ ｋ，ｔ ＋ γ ２ ｌｎＤＥＩ ｋ，ｔ × ＩＴ ｋ，ｔ ＋ γ ３ ＩＴ ｋ，ｔ ＋ γ ４ Ｃｏｎ ｋ，ｔ ＋ ｓｔｋｃｄ ｋ ＋ ｙｅａｒ ｔ ＋ ε ｋ，ｔ （７） 参考于蔚等 ［２８］ （８） Ｐａｔｅｎｔ ｋ，ｔ ＝ λ ０ ＋ λ １ ｌｎＤＥＩ ｋ，ｔ ＋ λ ２ ＩＡＳ ｋ，ｔ ＋ λ ３ Ｃｏｎ ｋ，ｔ ＋ ｓｔｋｃｄ ｋ ＋ ｙｅａｒ ｔ ＋ ε ｋ，ｔ （９） ，本文用 ＩＡＳ 来衡量信息不对称水平。 重点关注式（７） 中的 β １ ，若 β １ 通过显著性检验，则 说明数据要素会对信息不对称产生影响。 式（８） 为第二个层面的检验，即检验具备信息技术背景的董事是否 能在数据要素与信息不对称的关系中产生影响，其中，重点关注式（８） 中 γ ２ ，若 γ ２ 通过显著性检验，则说明董 事所拥有的信息技术背景可以对数据要素与信息不对称的关系产生部分影响。 由表 ４ 结果可以看出，数据要素存量（ ｌｎＤＥＩ） 和数据价值变现（ ｌｎＤＶＲ） 的系数显著为负，说明这二者显著 缓解了企业信息不对称程度。 董事（ ＩＴ） 与数据要素的交乘项均显著为负，说明拥有信息技术背景的董事能 够更好地运用数据资源来降低企业的信息不对称水平。 企业数据要素化程度加深，能够缓解信息不对称，进 而对企业创新产生显著正向影响。 综上，假设 Ｈ２ 成立。 变量 ｌｎＤＥＩ ＩＴ 表４ 信息不对称机制检验结果 （１） （２） （３） （４） ＩＡＳ －０. ００９ ∗∗ （０. ００４） ＩＡＳ ＩＡＳ ＩＡＳ ＩＴ×ｌｎＤＥＩ ｌｎＤＤＣ ０. ００５ （０. ００４） ＩＴ×ｌｎＤＤＣ ０. ０１１ ∗∗ （０. ００５） ０. １３７ ∗∗∗ （０. ０３４） －０. １０７ ∗∗∗ （０. ０１７） ＩＡＳ 控制变量 企业固定效应 年份固定效应 Ｃｏｎｓｔａｎｔ Ｏｂｓｅｒｖａｔｉｏｎｓ Ｒ⁃ｓｑｕａｒｅｄ 变量 ｌｎＤＢＡ ＩＴ 是 是 是 ４. ３６０ ∗∗∗ （０. ２４３） ３４９２７ ０. ７９１ （７） 是 是 是 ４. ４１９ ∗∗∗ （０. ２４４） ３４９２７ ０. ７９１ （８） ＩＡＳ －０. ００５ ＩＡＳ （０. ００４） 是 是 是 ４. ２０５ ∗∗∗ （０. ２４１） ３４９２７ ０. ７９２ （１０） ＩＡＳ ＩＡＳ ０. ００５ ０. ３００ （０. ０５８） ∗∗∗ －０. ０９７ ∗∗∗ －０. ０２４ ∗ ｌｎＤＶＲ （０. ０１８） （０. ０１３） ＩＴ×ｌｎＤＶＲ ０. ０１８ ∗∗∗ （０. ００４） －０. １３１ ∗∗∗ （０. ０１８） 是 是 是 ４. ２１０ ∗∗∗ （０. ２４３） ３４９２７ ０. ７９２ （９） （０. ００４） ＩＴ×ｌｎＤＢＡ ０. ４４５ ∗∗∗ （０. ０６７） ０. ０４２ （５） （６） Ｐａｔｅｎｔ Ｐａｔｅｎｔ ０. ０６８ ∗∗∗ （０. ０１１） ０. １１５ ∗∗∗ （０. ０１１） －０. ０８２ ∗∗∗ （０. ０２５） 是 是 是 －６. ３４６ ∗∗∗ （０. ７４９） ３４９２７ ０. ７７２ （１１） －０. ０８８ ∗∗∗ （０. ０２５） 是 是 是 －６. １４１ ∗∗∗ （０. ７４５） ３４９２７ ０. ７７４ （１２） Ｐａｔｅｎｔ －０. ００２ Ｐａｔｅｎｔ （０. ０１１） （０. ０３０） ０. ０３２ ∗ （０. ０１９） ０. １１４ ∗∗∗ （０. ０３４） －０. １９１ ∗∗∗ （０. ０４４） ＩＡＳ －０. ０８５ ∗∗∗ －０. ０８３ ∗∗∗ 是 是 （０. ０２５） 控制变量 是 是 是 是 企业固定效应 是 是 是 是 是 年份固定效应 是 是 是 是 是 Ｃｏｎｓｔａｎｔ Ｏｂｓｅｒｖａｔｉｏｎｓ Ｒ⁃ｓｑｕａｒｅｄ 是 是 ４. ３７３ （０. ２４４） ４. ３７７ （０. ２４２） ４. ２４２ （０. ２４４） ４. ３３４ （０. ２４２） －６. ６２５ ０. ７９１ ０. ７９１ ０. ７９１ ０. ７９１ ０. ７７２ ∗∗∗ ３４９２７ ∗∗∗ ３４９２７ ∗∗∗ ３４９２７ ∗∗∗ ３４９２７ （０. ０２５） ∗∗∗ （０. ７５０） ３４９２７ －６. ５２２ ∗∗∗ （０. ７５０） ３４９２７ ０. ７７２ ２２ 第 ３６ 卷 管理评论 ２．数据要素、供应链集中度与企业创新 本文参考唐松等 ［３４］ 的研究方法，设置计量模型如下： ＳＣＣ ｋ，ｔ ＝ ϕ ０ ＋ ϕ １ ｌｎＤＥＩ ｋ，ｔ ＋ ϕ２Ｃｏｎ ｋ，ｔ ＋ ｓｔｋｃｄ ｋ ＋ ｙｅａｒ ｔ ＋ ε ｋ，ｔ （１０） Ｐａｔｅｎｔ ｋ，ｔ ＝ δ ０ ＋ δ １ ＳＣＣ ｋ，ｔ ＋ δ ２ ｌｎＤＥＩ ｋ，ｔ ＋ δ ３ Ｃｏｎ ｋ，ｔ ＋ ｓｔｋｃｄ ｋ ＋ ｙｅａｒ ｔ ＋ ε ｋ，ｔ （１１） 表 ５ 结果表明，企业数据要素化程度的加深会显著降低企业供应链集中度。 数字信息的应用为企业提供 了丰富的信息资源，这些资源超越了传统的数据范畴，包括了来自互联网、社交媒体、物联网传感器等多种渠 道的海量数据。 信息资源的增加极大地丰富了企业对市场、客户和供应链的认知，为企业间的信息交互提供 了新的平台和工具。 高水平的数据要素使得企业能够利用先进的数据分析工具和算法对这些数字信息进行 高效处理和分析。 通过数据挖掘、机器学习和人工智能等技术，企业能够从复杂的数据中提取有价值的信息， 更精确地分析市场趋势、消费者需求以及供应商能力。 精确的市场和消费者分析，加上对供应链各环节的深 入了解，使得企业能够实现供应链的分散化和多元化。 而多元化的供应链有助于企业获取更广泛的资源、技 术和知识，促进不同领域和行业的融合，激发新的创新思路。 基于此，假设 Ｈ３ 成立。 表５ 变量 ｌｎＤＥＩ ｌｎＤＤＣ 供应链集中度机制检验结果 （１） （２） （３） （４） （５） （６） （７） （８） ＳＣＣ ＳＣＣ ＳＣＣ ＳＣＣ Ｐａｔｅｎｔ Ｐａｔｅｎｔ Ｐａｔｅｎｔ Ｐａｔｅｎｔ －０. ６８６ ∗∗∗ （０. １４６） －０. ６４８ ∗∗∗ （０. １５７） ｌｎＤＢＡ ０. ０７２ ∗∗∗ （０. ０１２） －０. ６９３ ∗∗∗ （０. １６２） ｌｎＤＶＲ ０. ００３ （０. ０１２） －０. ４８２ （０. ３９６） ＳＣＣ ０. １１９ ∗∗∗ （０. ０１１） －０. ００２ ∗∗∗ －０. ００２ ∗∗∗ －０. ００２ ∗∗∗ －０. ００２ ∗∗∗ 是 是 是 是 （０. ００１） （０. ００１） （０. ００１） 控制变量 是 是 是 是 企业固定效应 是 是 是 是 是 是 是 年份固定效应 是 是 是 是 是 是 是 Ｃｏｎｓｔａｎｔ Ｏｂｓｅｒｖａｔｉｏｎｓ Ｒ⁃ｓｑｕａｒｅｄ １２０. ３４５ （１１. ４９２） １２０. ４４２ （１１. ５１９） １１９. ８２７ （１１. ５３２） １２２. ５２３ （１１. ５５３） －６. ４５９ ０. ７４９ ０. ７４９ ０. ７４９ ０. ７４８ ０. ７７１ ∗∗∗ ３３５９３ ∗∗∗ ３３５９３ ∗∗∗ ３３５９３ ∗∗∗ ３３５９３ ０. １１６ ∗∗∗ （０. ０３４） ∗∗∗ （０. ８１０） ３３５９３ －６. ２８７ ∗∗∗ （０. ８０６） ３３５９３ ０. ７７２ －６. ６９４ （０. ００１） 是 是 ∗∗∗ （０. ８１０） ３３５９３ ０. ７７０ －６. ６０６ ∗∗∗ （０. ８１０） ３３５９３ ０. ７７０ 拓展性分析 鉴于中国企业间的发展水平、各行业的污染状况以及不同城市的数字经济发展程度存在显著差异，数据 要素对企业创新的影响呈现差异化的特征。 本文从企业不同生命周期、行业污染程度的严重性以及城市数字 经济发展状况进一步探讨数据要素对企业创新的异质性影响。 １．企业成熟度异质性 处于生命周期不同阶段的企业所具备的特征不同，这将影响企业数据要素投入和企业创新。 本文参考李 云鹤等 ［３５］ 的做法，按照销售收入增长率、留存收益率、资本支出率及企业年龄分别进行排序，其中销售收入增 长率和资本支出率是按从高到低排序，留存收益率和企业年龄按从低到高排序，并进行赋值。 最后，把总样本 分行业进行由大到小排序，得分最高的 １ ／ ３ 企业为成长期企业，成熟期、衰退期次之。 回归结果如附录表 ６ 所 示。 从数据要素存量看，与成熟期和衰退期的企业相比，处于成长期的企业更倾向于投入大量数据要素，通过 利用数据信息和数据管理功能，深入挖掘市场需求，优化运营流程，推动协同创新，精准预测风险，从而高效开 展创新活动，持续增强核心竞争力。 从数据开发能力看，相比于处于成长期的企业，处于成熟期和衰退期的企 业更容易在大数据背景下进行创新活动。 当企业进入成熟阶段后，其盈利能力的增强、品牌价值的提升以及 市场份额的扩大，有助于缓解内部资金压力。 同时，良好的金融资源配置能吸引更多投资者，从而减轻外部融 资的困难。 在这种内外部资金压力得到缓解，加之数据开发能力不断提高的背景下，企业往往会表现出强烈 的创新欲望，从而增加研发投入。 而当企业进入衰退阶段时，为了规避倒闭风险，通常会培育新的产品和品 第 １２ 期 陈丽莉，等：数据要素赋能企业创新：基于内外部资源视角 ２３ 牌，以此为企业寻找新的生存空间和发展机会。 从数据驱动商业应用和数据价值变现的角度来看，数据要素 对于企业创新的影响并不显著，这是因为数据驱动商业应用及价值变现是一个长期、缓慢的过程。 ２．行业异质性 企业数据要素投入能促进协同创新，进而实现不同技术领域间各类知识的整合与重构，由于重污染行业 和非重污染行业要求的工艺、技术标准不同，将导致企业创新水平存在差异。 本文参考李强等 ［３６］ 的做法，根 据环境保护部发布的《 上市公司环保核查行业分类管理名录》 ，将样本分为重污染行业和非重污染行业。 附 录表 ７ 结果表明，数据要素存量、数据开发能力、数据价值变现的系数在非重污染行业企业中显著为正。 研究 结果表明，相比于重污染行业的企业，数据要素更有利于非重污染行业的企业创新。 数据要素有利于提升企 业创新水平，通过市场化促进绿色创新，发挥正向溢出效应，增强产业协同效应，推动产业业态创新，并促进个 性化创新和跨界融合。 在这些因素共同作用下，非重污染行业企业能够更有效地利用数据流来引领技术流、 资金流、人才流和物资流，突破传统资源要素的约束，提高全要素生产率，满足消费者日益多样化的需求，并快 速适应市场变化，从而促进企业创新。 ３．城市异质性 由于中国各城市的数字经济发展状况不同，在资源禀赋、数据要素投入方面存在较大的差异，导致企业创 新存在异质性影响。 参考戴魁早等 ［３７］ 的方法，依据中国信通院发布的《 中国城市数字经济指数蓝皮书》 中对 数字经济城市等级的划分标准，构建数字经济一线城市虚拟变量。 对《２０２２ 中国数字经济发展研究报告》 中 的数字经济一线城市和新一线城市取 １，其他城市取 ０。 附录表 ８ 结果表明，相比于非数字经济一线城市，数 字经济一线城市中数据要素对企业创新的影响更大。 相比较而言，在数字经济领域处于领先地位的城市，基 础设施相对更加先进和完备，将会得到更多来自政府的政策支持和倾斜，一线城市能够更好地发挥数据要素 的优势，进而更有效地促进企业创新。 结论与政策建议 本文以数据要素内涵为基础，从数据要素含量、数据开发能力、数据驱动商业应用、数据价值变现四个维 度，运用文本挖掘测度了不同企业的数据要素发展水平，并结合 Ａ 股上市公司数据，从企业内外部资源两个 维度出发，实证检验了数据要素能否赋能企业创新及其影响机制。 研究结果表明：（１） 数据要素能否赋能企 业创新，具体表现在数据要素存量、数据开发能力以及数据价值变现三个维度能够促进企业创新。 （２） 在作 用机制方面，一方面，企业能够通过运用数据要素降低信息不对称程度影响企业内部资源；另一方面，企业能 够运用数字要素降低供应链集中度影响企业外部资源，从而驱动企业创新水平的提升。 （３） 异质性分析的结 果显示，对于成长期和衰退期企业、非重污染行业企业以及数字经济一线城市的企业，数据要素对企业创新能 力的提升作用更大。 本研究对数据要素的发展以及实体经济创新发展具有一定参考价值。 基于研究结论，可 得到以下政策建议： 加快培育数据要素市场，充分发挥数据价值。 当前，我国数字经济在政策、发展规模以及融合应用方面已 取得一些成果，但仍存在“数据割据”和“信息孤岛”等问题，数据经济红利与数据创新活力亟待释放。 与此同时， 充分发挥数据要素在提升企业创新水平中的驱动作用。 一方面，充分发挥数据要素在企业决策中的作用，可以 有效缓解信息不对称问题，并充分发挥具有信息技术背景董事的优势，通过其专业知识和技能，提高企业对数 据的分析和应用能力，从而优化决策过程，提升企业对市场变化的响应速度和适应能力；另一方面，企业要充 分发挥数据要素对供应链管理的作用，以降低供应链集中度，通过数据分析和预测来优化库存管理、提高物流 效率、降低成本，并增强供应链的灵活性和抗风险能力，从而在激烈的市场竞争中保持企业的竞争力。 充分释放数据要素价值，激活数据要素潜能。 针对不同企业、行业和地区的特点，应制定差异化的策略。 对处于成长期和衰退期的企业，要发挥数据要素的促进作用；对重污染行业企业，要实施环境规制，以促进其 向非重污染行业转型升级，从而更好地发挥数据要素对于企业创新的促进作用；对处于非数字经济一线城市 的企业，应统筹推动智慧城市建设，培育数据要素市场，让更多企业共享数字红利。 参考文献： ［１］ ［２］ 徐翔，赵墨非，李涛，等． 数据要素与企业创新： 基于研发竞争的视角［ Ｊ］ ． 经济研究， ２０２３，５８（２） ：３９⁃５６ Ｘｕ Ｘ．， Ｚｈａｏ Ｍ． Ｆ．， Ｌｉ Ｔ， ｅｔ ａｌ． Ｄａｔａ Ｆａｃｔｏｒ ａｎｄ Ｅｎｔｅｒｐｒｉｓｅ Ｉｎｎｏｖａｔｉｏｎ： Ｔｈｅ Ｐｅｒｓｐｅｃｔｉｖｅ ｏｆ Ｒ＆Ｄ Ｃｏｍｐｅｔｉｔｉｏｎ［ Ｊ］ ． Ｅｃｏｎｏｍｉｃ Ｒｅ⁃ ｓｅａｒｃｈ Ｊｏｕｒｎａｌ， ２０２３，５８（２） ：３９⁃５６ Ｍｉｃｈｅｌａ Ｍ．， Ｌａｒａ Ｐ．， Ｇｉｏｒｇｉａ Ｐ．， ｅｔ ａｌ． Ｄｉｇｉｔａｌ Ｔｒａｎｓｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｕｓｔｏｍｅｒ Ｖａｌｕｅ Ｃｒｅａｔｉｏｎ ｉｎ Ｍａｄｅ ｉｎ Ｉｔａｌｙ ＳＭＥｓ： Ａ Ｄｙｎａｍｉｃ ２４ 管理评论 第 ３６ 卷 Ｃａｐａｂｉｌｉｔｉｅｓ Ｐｅｒｓｐｅｃｔｉｖｅ［ Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｂｕｓｉｎｅｓｓ Ｒｅｓｅａｒｃｈ， ２０２１，１２３（２） ：６４２⁃６５６ 谢康，夏正豪，肖静华． 大数据成为现实生产要素的企业实现机制：产品创新视角［ Ｊ］ ． 中国工业经济， ２０２０，（５） ：４２⁃６０ Ｘｉｅ Ｋ．， Ｘｉａ Ｚ． Ｈ．， Ｘｉａｏ Ｊ． Ｈ． Ｔｈｅ Ｅｎｔｅｒｐｒｉｓｅ Ｒｅａｌｉｚａｔｉｏｎ Ｍｅｃｈａｎｉｓｍ ｏｆ Ｂｉｇ Ｄａｔａ Ｂｅｃｏｍｉｎｇ ａ Ｒｅａｌ Ｐｒｏｄｕｃｔｉｏｎ Ｆａｃｔｏｒ： Ｆｒｏｍ ｔｈｅ Ｐｒｏｄｕｃｔ Ｉｎｎｏｖａｔｉｏｎ Ｐｅｒｓｐｅｃｔｉｖｅ［ Ｊ］ ． Ｃｈｉｎａ Ｉｎｄｕｓｔｒｉａｌ Ｅｃｏｎｏｍｉｃｓ， ２０２０，（５） ：４２⁃６０ ［４］ Ｅｅｃｋｈｏｕｔ Ｊ．， Ｖｅｌｄｋａｍｐ Ｌ． Ｄａｔａ ａｎｄ Ｍａｒｋｅｔ Ｐｏｗｅｒ［ Ｒ］ ． Ｗｏｒｋｉｎｇ Ｐａｐｅｒ Ｓｅｒｉｅｓ： Ｍｏｎｅｔａｒｙ Ｅｃｏｎｏｍｉｃｓ， ２０２２ ［５］ 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，（５） ：４５⁃５６ Ｔａｏ Ｃ． Ｑ．， Ｄｉｎｇ Ｙ． Ｈｏｗ Ｄａｔａ Ｅｌｅｍｅｎｔｓ Ｂｅｃｏｍｅ Ｉｎｎｏｖａｔｉｏｎ Ｄｉｖｉｄｅｎｄｓ？ —Ｅｖｉｄｅｎｃｅ ｆｒｏｍ Ｈｕｍａｎ Ｃａｐｉｔａｌ Ｍａｔｃｈｉｎｇ［ Ｊ］ ． Ｃｈｉｎａ Ｓｏｆｔ Ｓｃｉｅｎｃｅ， ２０２２，（５） ：４５⁃５６ ［６］ 陈晓红，李杨扬，宋丽洁，等． 数字经济理论体系与研究展望［ Ｊ］ ． 管理世界， ２０２２，３８（２） ：２０８⁃２２４ Ｃｈｅｎ Ｘ． Ｈ．， Ｌｉ Ｙ． Ｙ．， Ｓｏｎｇ Ｌ． Ｊ．， ｅｔ ａｌ． Ｔｈｅｏｒｅｔｉｃａｌ Ｆｒａｍｅｗｏｒｋ ａｎｄ Ｒｅｓｅａｒｃｈ Ｐｒｏｓｐｅｃｔ ｏｆ Ｄｉｇｉｔａｌ Ｅｃｏｎｏｍｙ［ Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｍａｎ⁃ ａｇｅｍｅｎｔ Ｗｏｒｌｄ， ２０２２，３８（２） ：２０８⁃２２４ ［７］ 杨俊，李小明，黄守军． 大数据、技术进步与经济增长———大数据作为生产要素的一个内生增长理论［ Ｊ］ ． 经济研究， ２０２２， ５７（４） ：１０３⁃１１９ Ｙａｎｇ Ｊ．， Ｌｉ Ｘ． Ｍ．， Ｈｕａｎｇ Ｓ． Ｊ． Ｂｉｇ Ｄａｔａ， Ｔｅｃｈｎｉｃａｌ Ｐｒｏｇｒｅｓｓ ａｎｄ Ｅｃｏｎｏｍｉｃ Ｇｒｏｗｔｈ： Ａｎ Ｅｎｄｏｇｅｎｏｕｓ Ｇｒｏｗｔｈ Ｔｈｅｏｒｙ Ｉｎｔｒｏｄｕｃｉｎｇ Ｄａｔａ ａｓ Ｐｒｏｄｕｃｔｉｏｎ Ｆａｃｔｏｒｓ［ Ｊ］ ． Ｅｃｏｎｏｍｉｃ Ｒｅｓｅａｒｃｈ Ｊｏｕｒｎａｌ， ２０２２，５７（４） ：１０３⁃１１９ ［８］ 蔡跃洲，马文君． 数据要素对高质量发展影响与数据流动制约［ Ｊ］ ． 数量经济技术经济研究， ２０２１，３８（３） ：６４⁃８３ Ｃａｉ Ｙ． Ｚ．， Ｍａ Ｗ． Ｊ． Ｈｏｗ Ｄａｔａ Ｉｎｆｌｕｅｎｃｅ Ｈｉｇｈ⁃ｑｕａｌｉｔｙ Ｄｅｖｅｌｏｐｍｅｎｔ ａｓ ａ Ｆａｃｔｏｒ ａｎｄ ｔｈｅ Ｒｅｓｔｒｉｃｔｉｏｎ ｏｆ Ｄａｔａ Ｆｌｏｗ［ Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｑｕａｎｔｉｔａｔｉｖｅ ＆ Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｅｃｏｎｏｍｉｃｓ， ２０２１，３８（３） ：６４⁃８３ ［９］ 袁健，段巍． 数据交易、专业化人工智能与经济增长［ Ｊ］ ． 管理评论， ２０２４，３６（６） ：３⁃１８ Ｙｕａｎ Ｊ．， Ｄｕａｎ Ｗ． Ｄａｔａ Ｔｒａｄｉｎｇ， Ｖｅｒｔｉｃａｌ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ Ｅｃｏｎｏｍｉｃ Ｇｒｏｗｔｈ［ Ｊ］ ． Ｍａｎａｇｅｍｅｎｔ Ｒｅｖｉｅｗ， ２０２４，３６（ ６） ： ３⁃１８ ［１０］ 刘征驰，陈文武，魏思超． 数据要素利用、智能技术进步与内生增长［ Ｊ］ ． 管理评论， ２０２３，３５（１０） ：１０⁃２１ Ｌｉｕ Ｚ． Ｃ．， Ｃｈｅｎ Ｗ． Ｗ．， Ｗｅｉ Ｓ． Ｃ． Ｄａｔａ Ｆａｃｔｏｒ Ｕｔｉｌｉｚａｔｉｏｎ， Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ Ｐｒｏｇｒｅｓｓ ａｎｄ Ｅｎｄｏｇｅｎｏｕｓ Ｇｒｏｗｔｈ［ Ｊ］ ． Ｍａｎ⁃ ａｇｅｍｅｎｔ Ｒｅｖｉｅｗ， ２０２３，３５（１０） ：１０⁃２１ ［１１］ Ｆａｒｂｏｏｄｉ Ｍ．， Ｖｅｌｄｋａｍｐ Ｌ． Ａ Ｇｒｏｗｔｈ Ｍｏｄｅｌ ｏｆ ｔｈｅ Ｄａｔａ Ｅｃｏｎｏｍｙ［ Ｒ］ ． ＮＢＥＲ Ｗｏｒｋｉｎｇ Ｐａｐｅｒｓ， ２０２１ ［１２］ Ｌｉａｏ Ｋ．， Ｍａ Ｃ．， Ｚｈａｎｇ Ｊ．， ｅｔ ａｌ． Ｄｏｅｓ Ｂｉｇ Ｄａｔａ Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ Ｄｅｖｅｌｏｐｍｅｎｔ Ｆａｃｉｌｉｔａｔｅ Ｂａｎｋ Ｆｉｎｔｅｃｈ Ｉｎｎｏｖａｔｉｏｎ？ Ｅｖｉｄｅｎｃｅ ｆｒｏｍ Ｃｈｉｎａ［ Ｊ］ ． Ｆｉｎａｎｃｅ Ｒｅｓｅａｒｃｈ Ｌｅｔｔｅｒｓ， ２０２４，６５：１０５５４０ ［１３］ Ｂｅｒｇｅｍａｎｎ Ｄ．， Ａｌｅｓｓａｎｄｒｏ Ｂ． Ｄａｔａ， Ｃｏｍｐｅｔｉｔｉｏｎ， ａｎｄ Ｄｉｇｉｔａｌ Ｐｌａｔｆｏｒｍｓ［Ｊ］． Ａｍｅｒｉｃａｎ Ｅｃｏｎｏｍｉｃ Ｒｅｖｉｅｗ， ２０２４，１１４（８）：２５５３⁃２５９５ ［１４］ 唐要家，王钰，唐春晖． 数字经济、市场结构与创新绩效［ Ｊ］ ． 中国工业经济， ２０２２，（１０） ：６２⁃８０ Ｔａｎｇ Ｙ． Ｊ．， Ｗａｎｇ Ｙ．， Ｔａｎｇ Ｃ． Ｈ． Ｄｉｇｉｔａｌ Ｅｃｏｎｏｍｙ， Ｍａｒｋｅｔ Ｓｔｒｕｃｔｕｒｅ ａｎｄ Ｉｎｎｏｖａｔｉｏｎ Ｐｅｒｆｏｒｍａｎｃｅ［ Ｊ］ ． Ｃｈｉｎａ Ｉｎｄｕｓｔｒｉａｌ Ｅｃｏｎｏｍ⁃ ｉｃｓ， ２０２２，（１０） ：６２⁃８０ ［１５］ 王超贤，张伟东，颜蒙． 数据越多越好吗———对数据要素报酬性质的跨学科分析［ Ｊ］ ． 中国工业经济， ２０２２，（７） ：４４⁃６４ Ｗａｎｇ Ｃ． Ｘ．， Ｚｈａｎｇ Ｗ． Ｄ．， Ｙａｎ Ｍ． Ｉｓ Ｍｏｒｅ Ｄａｔａ ａｌｗａｙｓ Ｂｅｔｔｅｒ—Ａｎ Ｉｎｔｅｒｄｉｓｃｉｐｌｉｎａｒｙ Ａｎａｌｙｓｉｓ ｏｆ ｔｈｅ Ｎａｔｕｒｅ ｏｆ Ｒｅｔｕｒｎｓ ｔｏ Ｄａｔａ ［ Ｊ］ ． Ｃｈｉｎａ Ｉｎｄｕｓｔｒｉａｌ Ｅｃｏｎｏｍｉｃｓ， ２０２２，（７） ：４４⁃６４ ［１６］ 郭玥． 政府创新补助的信号传递机制与企业创新［ Ｊ］ ． 中国工业经济， ２０１８，（９） ：９８⁃１１６ Ｇｕｏ Ｙ． Ｓｉｇｎａｌ Ｔｒａｎｓｍｉｓｓｉｏｎ Ｍｅｃｈａｎｉｓｍ ｏｆ Ｇｏｖｅｒｎｍｅｎｔ Ｉｎｎｏｖａｔｉｏｎ Ｓｕｂｓｉｄｙ ａｎｄ Ｅｎｔｅｒｐｒｉｓｅ Ｉｎｎｏｖａｔｉｏｎ［ Ｊ］ ． Ｃｈｉｎａ Ｉｎｄｕｓｔｒｉａｌ Ｅｃｏ⁃ ｎｏｍｉｃｓ， ２０１８，（９） ：９８⁃１１６ ［１７］ 胡珺，任洋虬． 人才激励、企业创新绩效与创新结构扭曲———基于城市人才引进的准自然实验［ Ｊ］ ． 管理评论， ２０２４，３６ （４） ：１００⁃１１４ Ｈｕ Ｊ．， Ｒｅｎ Ｙ． Ｑ． Ｔａｌｅｎｔ Ｉｎｃｅｎｔｉｖｅ， Ｅｎｔｅｒｐｒｉｓｅ Ｉｎｎｏｖａｔｉｏｎ Ｐｅｒｆｏｒｍａｎｃｅ ａｎｄ Ｄｉｓｔｏｒｔｉｏｎ ｏｆ Ｉｎｎｏｖａｔｉｏｎ Ｓｔｒｕｃｔｕｒｅ—Ｅｖｉｄｅｎｃｅ ｆｒｏｍ Ｃｈｉｎａ’ Ｔａｌｅｎｔ Ｉｎｔｒｏｄｕｃｔｉｏｎ Ｐｏｌｉｃｙ［ Ｊ］ ． Ｍａｎａｇｅｍｅｎｔ Ｒｅｖｉｅｗ， ２０２４，３６（４） ：１００⁃１１４ ［１８］ 杜善重． 家族决策权配置与企业创新———基于冗余资源与社会情感财富的调节效应［ Ｊ］ ． 管理评论， ２０２２，３４（６） ：６２⁃７５ Ｄｕ Ｓ． Ｚ． Ｆａｍｉｌｙ Ｄｅｃｉｓｉｏｎ Ｒｉｇｈｔｓ Ａｌｌｏｃａｔｉｏｎ ａｎｄ Ｃｏｒｐｏｒａｔｅ Ｉｎｎｏｖａｔｉｏｎ—Ｔｈｅ Ｍｏｄｅｒａｔｉｎｇ Ｅｆｆｅｃｔｓ ｏｆ Ｓｌａｃｋ Ｒｅｓｏｕｒｃｅｓ ａｎｄ Ｓｏｃｉｏ⁃ｅｍｏ⁃ ｔｉｏｎａｌ Ｗｅａｌｔｈ［ Ｊ］ ． Ｍａｎａｇｅｍｅｎｔ Ｒｅｖｉｅｗ， ２０２２，３４（６） ：６２⁃７５ ［１９］ 闫红蕾，张自力，赵胜民． 资本市场发展对企业创新的影响———基于上市公司股票流动性视角［ Ｊ］ ． 管理评论， ２０２０，３２ （３） ：２１⁃３６ Ｙａｎ Ｈ． Ｌ．， Ｚｈａｎｇ Ｚ． Ｌ．， Ｚｈａｏ Ｓ． Ｍ． Ｃａｐｉｔａｌ Ｍａｒｋｅｔ Ｄｅｖｅｌｏｐｍｅｎｔ’ ｓ Ｉｍｐａｃｔ ｏｎ Ｆｉｒｍ Ｉｎｎｏｖａｔｉｏｎ： Ｐｅｒｓｐｅｃｔｉｖｅ ｆｒｏｍ Ｓｔｏｃｋ Ｌｉｑｕｉｄｉｔｙ ［ Ｊ］ ． Ｍａｎａｇｅｍｅｎｔ Ｒｅｖｉｅｗ， ２０２０，３２（３） ：２１⁃３６ ［２０］ Ｎａｍｂｉｓａｎ Ｓ．， Ｌｙｙｔｉｎｅｎ Ｋ．， Ｍａｊｃｈｒｚａｋ Ａ．， ｅｒ ａｌ． Ｄｉｇｉｔａｌ Ｉｎｎｏｖａｔｉｏｎ Ｍａｎａｇｅｍｅｎｔ： Ｒｅｉｎｖｅｎｔｉｎｇ Ｉｎｎｏｖａｔｉｏｎ Ｍａｎａｇｅｍｅｎｔ Ｒｅｓｅａｒｃｈ ｉｎ ａ Ｄｉｇｉｔａｌ Ｗｏｒｌｄ［ Ｊ］ ． ＭＩＳ Ｑｕａｒｔｅｒｌｙ， ２０１７，４１：２２３⁃２３８ ［２１］ 沈国兵，袁征宇． 企业互联网化对中国企业创新及出口的影响［ Ｊ］ ． 经济研究， ２０２０，５５（１） ：３３⁃４８ Ｓｈｅｎ Ｇ． Ｂ．， Ｙｕａｎ Ｚ． Ｙ． Ｔｈｅ Ｅｆｆｅｃｔ ｏｆ Ｅｎｔｅｒｐｒｉｓｅ Ｉｎｔｅｒｎｅｔｉｚａｔｉｏｎ ｏｎ ｔｈｅ Ｉｎｎｏｖａｔｉｏｎ ａｎｄ Ｅｘｐｏｒｔ ｏｆ Ｃｈｉｎｅｓｅ Ｅｎｔｅｒｐｒｉｓｅｓ［Ｊ］． Ｅｃｏｎｏｍｉｃ Ｒｅｓｅａｒｃｈ Ｊｏｕｒｎａｌ， ２０２０，５５（１） ：３３⁃４８ ［２２］ 廖明情，孙继欣，邓路． 社会关系在分析师调研过程中的作用———基于利益冲突和信息优势的视角［ Ｊ］ ． 南开管理评论， ２０２１，２４（１） ：１４８⁃１５８ Ｌｉａｏ Ｍ． Ｑ．， Ｓｕｎ Ｊ． Ｘ．， Ｄｅｎｇ Ｌ． Ｔｈｅ Ｒｏｌｅ ｏｆ Ｓｏｃｉａｌ Ｒｅｌａｔｉｏｎｓ ｉｎ Ａｎａｌｙｓｔｓ’ Ｃｏｒｐｏｒａｔｅ Ｓｉｔｅ Ｖｉｓｉｔ： Ｂａｓｅｄ ｏｎ ｔｈｅ Ｐｅｒｓｐｅｃｔｉｖｅｓ ｏｆ Ｃｏｎ⁃ ｆｌｉｃｔ ｏｆ Ｉｎｔｅｒｅｓｔ Ｔｈｅｏｒｙ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ａｄｖａｎｔａｇｅ Ｔｈｅｏｒｙ［ Ｊ］ ． Ｎａｎｋａｉ Ｂｕｓｉｎｅｓｓ Ｒｅｖｉｅｗ， ２０２１，２４（１） ：１４８⁃１５８ ［２３］ 祁怀锦，曹修琴，刘艳霞． 数字经济对公司治理的影响———基于信息不对称和管理者非理性行为视角［ Ｊ］ ． 改革， ２０２０， （４） ：５０⁃６４ Ｑｉ Ｈ． Ｊ．， Ｃａｏ Ｘ． Ｑ．， Ｌｉｕ Ｙ． Ｘ． Ｔｈｅ Ｉｎｆｌｕｅｎｃｅ ｏｆ Ｄｉｇｉｔａｌ Ｅｃｏｎｏｍｙ ｏｎ Ｃｏｒｐｏｒａｔｅ Ｇｏｖｅｒｎａｎｃｅ： Ａｎａｌｙｚｅｄ ｆｒｏｍ Ｉｎｆｏｒｍａｔｉｏｎ Ａｓｙｍｍｅ⁃ ｔｒｙ ａｎｄ Ｉｒｒａｔｉｏｎａｌ Ｂｅｈａｖｉｏｒ Ｐｅｒｓｐｅｃｔｉｖｅ［ Ｊ］ ． Ｒｅｆｏｒｍ， ２０２０，（４） ：５０⁃６４ ［２４］ Ｈａｍｂｒｉｃｋ Ｄ． Ｃ．， Ｍａｓｏｎ Ｐ． Ａ． Ｕｐｐｅｒ Ｅｃｈｅｌｏｎｓ： Ｔｈｅ Ｏｒｇａｎｉｚａｔｉｏｎ ａｓ ａ Ｒｅｆｌｅｃｔｉｏｎ ｏｆ Ｉｔｓ Ｔｏｐ Ｍａｎａｇｅｒｓ［ Ｊ］ ． Ａｃａｄｅｍｙ ｏｆ Ｍａｎａｇｅ⁃ ｍｅｎｔ Ｒｅｖｉｅｗ， １９８４，９（２） ：１９３⁃２０６ ［２５］ Ｂａｓｓｅｌｌｉｅｒ Ｇ．， Ｉｚａｋ Ｂ．， Ｂｌａｉｚｅ Ｈ． Ｒ． Ｔｈｅ Ｉｎｆｌｕｅｎｃｅ ｏｆ Ｂｕｓｉｎｅｓｓ Ｍａｎａｇｅｒｓ’ Ｉｔ Ｃｏｍｐｅｔｅｎｃｅ ｏｎ Ｃｈａｍｐｉｏｎｉｎｇ ＩＴ［ Ｊ］ ． Ｉｎｆｏｒｍａｔｉｏｎ ［３］ 第 １２ 期 ［２６］ ［２７］ ［２８］ ［２９］ ［３０］ ［３１］ ［３２］ ［３３］ ［３４］ ［３５］ ［３６］ ［３７］ 陈丽莉，等：数据要素赋能企业创新：基于内外部资源视角 ２５ Ｓｙｓｔｅｍｓ Ｒｅｓｅａｒｃｈ， ２００３，１４（４） ：３１７⁃３３６ 袁蓉丽，李瑞敬，孙健． 董事的信息技术背景能抑制盈余管理吗［ Ｊ］ ． 南开管理评论， ２０２１，２４（３） ：１３９⁃１５１ Ｙｕａｎ Ｒ． Ｌ．， Ｌｉ Ｒ． Ｊ．， Ｓｕｎ Ｊ． Ｃａｎ ＩＴ Ｄｉｒｅｃｔｏｒｓ Ｒｅｓｔｒａｉｎ Ｅａｒｎｉｎｇｓ Ｍａｎａｇｅｍｅｎｔ［ Ｊ］ ． Ｎａｎｋａｉ Ｂｕｓｉｎｅｓｓ Ｒｅｖｉｅｗ， ２０２１，２４ （ ３） ： １３９⁃１５１ 龚强，班铭媛，张一林． 区块链、企业数字化与供应链金融创新［ Ｊ］ ． 管理世界，２０２１，３７（２） ：２２⁃３４ Ｇｏｎｇ Ｑ．， Ｂａｎ Ｍ． Ｙ．， Ｚｈａｎｇ Ｙ． Ｌ． Ｂｌｏｃｋｃｈａｉｎ， Ｅｎｔｅｒｐｒｉｓｅ Ｄｉｇｉｔａｌｉｚａｔｉｏｎ ａｎｄ Ｓｕｐｐｌｙ Ｃｈａｉｎ Ｆｉｎａｎｃｅ Ｉｎｎｏｖａｔｉｏｎ［ Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｍａｎａｇｅｍｅｎｔ Ｗｏｒｌｄ， ２０２１，３７（２） ：２２⁃３４ 于蔚，汪淼军，金祥荣． 政治关联和融资约束：信息效应与资源效应［ Ｊ］ ． 经济研究， ２０１２，４７（９） ：１２５⁃１３９ Ｙｕ Ｗ．， Ｗａｎｇ Ｍ． Ｊ．， Ｊｉｎ Ｘ． Ｒ． Ｐｏｌｉｔｉｃａｌ Ｃｏｎｎｅｃｔｉｏｎ ａｎｄ Ｆｉｎａｎｃｉｎｇ Ｃｏｎｓｔｒａｉｎｔｓ： Ｉｎｆｏｒｍａｔｉｏｎ Ｅｆｆｅｃｔ ａｎｄ Ｒｅｓｏｕｒｃｅ Ｅｆｆｅｃｔ［ Ｊ］ ． Ｅｃｏ⁃ ｎｏｍｉｃ Ｒｅｓｅａｒｃｈ Ｊｏｕｒｎａｌ， ２０１２，４７（９） ：１２５⁃１３９ 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 Ｗｕ Ｑ．， Ｙａｏ Ｙ． Ｘ． Ｆｉｒｍ Ｄｉｇｉｔａｌ Ｔｒａｎｓｆｏｒｍａｔｉｏｎ ａｎｄ Ｓｕｐｐｌｙ Ｃｈａｉｎ Ｃｏｎｆｉｇｕｒａｔｉｏｎ： Ｃｅｎｔｒａｌｉｚａｔｉｏｎ ｏｒ Ｄｉｖｅｒｓｉｆｉｃａｔｉｏｎ［ Ｊ］ ． Ｃｈｉｎａ Ｉｎ⁃ ｄｕｓｔｒｉａｌ Ｅｃｏｎｏｍｉｃｓ， ２０２３，（８） ：９９⁃１１７ 权小锋，尹洪英． 中国式卖空机制与公司创新———基于融资融券分步扩容的自然实验［ Ｊ］ ． 管理世界， ２０１７，（１） ：１２８⁃１４４ Ｑｕａｎ Ｘ． Ｆ．， Ｙｉｎ Ｈ． Ｙ． Ｃｈｉｎｅｓｅ Ｓｈｏｒｔ Ｓｅｌｌｉｎｇ Ｍｅｃｈａｎｉｓｍ ａｎｄ Ｃｏｒｐｏｒａｔｅ Ｉｎｎｏｖａｔｉｏｎ： Ａ Ｎａｔｕｒａｌ Ｅｘｐｅｒｉｍｅｎｔ ｆｒｏｍ Ｃｈｉｎｅｓｅ Ｍａｒｇｉｎ Ｔｒａｄｉｎｇ Ｐｒｏｇｒａｍ［ Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｍａｎａｇｅｍｅｎｔ Ｗｏｒｌｄ， ２０１７，（１） ：１２８⁃１４４ 罗荣华，王良，赵鹭． 机构投资者网络结构与公司创新：“ 潜在购买” 的治理效应研究［ Ｊ］ ． 管理世界， ２０２３，３９（６） ：１２０⁃１４４ Ｌｕｏ Ｒ． Ｈ．， Ｗａｎｇ Ｌ．， Ｚｈａｏ Ｌ． Ｉｎｓｔｉｔｕｔｉｏｎａｌ Ｉｎｖｅｓｔｏｒ Ｎｅｔｗｏｒｋ ａｎｄ Ｃｏｒｐｏｒａｔｅ Ｉｎｎｏｖａｔｉｏｎ： Ｔｈｅ Ｇｏｖｅｒｎａｎｃｅ Ｅｆｆｅｃｔ ｏｆ Ｎｏｎ⁃ｓｈａｒｅｈｏｌｄｅｒｓ ａｓ “ Ｐｏｔｅｎｔｉａｌ Ｐｕｒｃｈａｓｅｒ” ［ Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｍａｎａｇｅｍｅｎｔ Ｗｏｒｌｄ， ２０２３，３９（６） ：１２０⁃１４４ 宋双杰，曹晖，杨坤． 投资者关注与 ＩＰＯ 异象———来自网络搜索量的经验证据［ Ｊ］ ． 经济研究， ２０１１，４６（ Ｓ１） ：１４５⁃１５５ Ｓｏｎｇ Ｓ． Ｊ．， Ｃａｏ Ｈ．， Ｙａｎｇ Ｋ． Ｉｎｖｅｓｔｏｒ Ａｔｔｅｎｔｉｏｎ ａｎｄ ＩＰＯ Ａｎｏｍａｌｉｅｓ—Ｅｖｉｄｅｎｃｅ ｆｒｏｍ Ｇｏｏｇｌｅ Ｔｒｅｎｄ Ｖｏｌｕｍｅ［ Ｊ］ ． Ｅｃｏｎｏｍｉｃ Ｒｅ⁃ ｓｅａｒｃｈ Ｊｏｕｒｎａｌ， ２０１１，４６（ Ｓ１） ：１４５⁃１５５ 戴魁早，李晓莉，骆莙函． 人力资本结构高级化、要素市场发展与服务业结构升级［ Ｊ］ ． 财贸经济， ２０２０，４１（１０） ：１２９⁃１４６ Ｄａｉ Ｋ． Ｚ．， Ｌｉ Ｘ． Ｌ．， Ｌｕｏ Ｊ． Ｈ． Ｈｕｍａｎ Ｃａｐｉｔａｌ Ｓｔｒｕｃｔｕｒｅ Ｕｐｇｒａｄｉｎｇ， Ｆａｃｔｏｒ Ｍａｒｋｅｔ Ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ Ｓｅｒｖｉｃｅ Ｉｎｄｕｓｔｒｙ Ｓｔｒｕｃｔｕｒｅ Ｕｐｇｒａｄｉｎｇ［ Ｊ］ ． Ｆｉｎａｎｃｅ ａｎｄ Ｔｒａｄｅ Ｅｃｏｎｏｍｉｃｓ， ２０２０，４１（１０） ：１２９⁃１４６ 唐松，伍旭川，祝佳． 数字金融与企业技术创新———结构特征、机制识别与金融监管下的效应差异［ Ｊ］ ． 管理世界， ２０２０， ３６（５） ：５２⁃６６ Ｔａｎｇ Ｓ．， Ｗｕ Ｘ． Ｃ．， Ｚｈｕ Ｊ． Ｄｉｇｉｔａｌ Ｆｉｎａｎｃｅ ａｎｄ Ｅｎｔｅｒｐｒｉｓｅ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｎｏｖａｔｉｏｎ： Ｓｔｒｕｃｔｕｒａｌ Ｆｅａｔｕｒｅ， Ｍｅｃｈａｎｉｓｍ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ Ｅｆｆｅｃｔ Ｄｉｆｆｅｒｅｎｃｅ ｕｎｄｅｒ Ｆｉｎａｎｃｉａｌ［ Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｍａｎａｇｅｍｅｎｔ Ｗｏｒｌｄ， ２０２０，３６（５） ：５２⁃６６ 李云鹤，李湛，唐松莲． 企业生命周期、公司治理与公司资本配置效率［ Ｊ］ ． 南开管理评论， ２０１１，１４（３） ：１１０⁃１２１ Ｌｉ Ｙ． Ｈ．， Ｌｉ Ｚ．， Ｔａｎｇ Ｓ． Ｌ． Ｃｏｒｐｏｒａｔｅ Ｌｉｆｅ⁃ｃｙｃｌｅ， Ｃｏｒｐｏｒａｔｅ Ｇｏｖｅｒｎａｎｃｅ ａｎｄ Ｃｏｒｐｏｒａｔｅ Ｃａｐｉｔａｌ Ａｌｌｏｃａｔｉｏｎ Ｅｆｆｉｃｉｅｎｃｙ［ Ｊ］ ． Ｎａｎｋａｉ Ｂｕｓｉｎｅｓｓ Ｒｅｖｉｅｗ， ２０１１，１４（３） ：１１０⁃１２１ 李强，李东晓，何子纯． 机构投资者退出威胁与企业绿色创新［ Ｊ］ ． 北京理工大学学报（ 社会科学版） ， ２０２４，２６（１） ：７４⁃８８ Ｌｉ Ｑ．， Ｌｉ Ｄ． Ｘ．， Ｈｅ Ｚ． Ｃ． Ｉｎｓｔｉｔｕｔｉｏｎａｌ Ｉｎｖｅｓｔｏｒ’ ｓ Ｅｘｉｔ Ｔｈｒｅａｔ ａｎｄ Ｃｏｒｐｏｒａｔｅ Ｇｒｅｅｎ Ｉｎｎｏｖａｔｉｏｎ—Ｏｎ ｔｈｅ Ｔｈｒｅｓｈｏｌｄ Ｅｆｆｅｃｔ ｏｆ Ｉｎｓｔｉ⁃ ｔｕｔｉｏｎａｌ Ｉｎｖｅｓｔｏｒ’ ｓ Ｓｈａｒｅｈｏｌｄｉｎｇ Ｒａｔｉｏ［ Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｂｅｉｊｉｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ （ Ｓｏｃｉａｌ Ｓｃｉｅｎｃｅｓ Ｅｄｉｔｉｏｎ） ， ２０２４，２６（ １） ： ７４⁃８８ 戴魁早，黄姿，王思曼． 数字经济促进了中国服务业结构升级吗？ ［ Ｊ］ ． 数量经济技术经济研究， ２０２３，４０（２） ：９０⁃１１２ Ｄａｉ Ｋ． Ｚ．， Ｈｕａｎｇ Ｚ．， Ｗａｎｇ Ｓ． Ｍ． Ｄｏｅｓ ｔｈｅ Ｄｉｇｉｔａｌ Ｅｃｏｎｏｍｙ Ｐｒｏｍｏｔｅ ｔｈｅ Ｓｔｒｕｃｔｕｒａｌ Ｕｐｇｒａｄｉｎｇ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｅｒｖｉｃｅ Ｉｎｄｕｓｔｒｙ？ ［ Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｑｕａｎｔｉｔａｔｉｖｅ ＆ Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｅｃｏｎｏｍｉｃｓ， ２０２３，４０（２） ：９０⁃１１２ Ｄａｔａ Ｅｌｅｍｅｎｔｓ Ｅｍｐｏｗｅｒ Ｅｎｔｅｒｐｒｉｓｅ Ｉｎｎｏｖａｔｉｏｎ： Ｆｒｏｍ ｔｈｅ Ｐｅｒｓｐｅｃｔｉｖｅ ｏｆ Ｉｎｔｅｒｎａｌ ａｎｄ Ｅｘｔｅｒｎａｌ Ｒｅｓｏｕｒｃｅｓ Ｃｈｅｎ Ｌｉｌｉ １，２，３ ， Ｚｈａｎｇ Ｒｕｏｑｉ １ ａｎｄ Ｒｏｎｇ Ｋｅ２ （１．Ｓｃｈｏｏｌ ｏｆ Ｅｃｏｎｏｍｉｃｓ， Ｂｅｉｊｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｂｕｓｉｎｅｓｓ Ｕｎｉｖｅｒｓｉｔｙ， Ｂｅｉｊｉｎｇ １０００４８； ２．Ｓｃｈｏｏｌ ｏｆ Ｓｏｃｉａｌ Ｓｃｉｅｎｃｅｓ， Ｔｓｉｎｇｈｕａ Ｕｎｉｖｅｒｓｉｔｙ， Ｂｅｉｊｉｎｇ １０００８４； ３．Ｄｉｇｉｔａｌ Ｂｕｓｉｎｅｓｓ ａｎｄ Ｃａｐｉｔａｌ Ｄｅｖｅｌｏｐｍｅｎｔ Ｉｎｎｏｖａｔｉｏｎ Ｃｅｎｔｅｒ， Ｂｅｉｊｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｂｕｓｉｎｅｓｓ Ｕｎｉｖｅｒｓｉｔｙ， Ｂｅｉｊｉｎｇ １０００４８） Ａｂｓｔｒａｃｔ： Ｇｉｖｉｎｇ ｆｕｌｌ ｐｌａｙ ｔｏ ｔｈｅ ｒｏｌｅ ｏｆ ｄａｔａ ｅｌｅｍｅｎｔｓ ｔｏ ｅｍｐｏｗｅｒ ｅｎｔｅｒｐｒｉｓｅ ｉｎｎｏｖａｔｉｏｎ ａｎｄ ｄｅｖｅｌｏｐｍｅｎｔ ｉｓ ａｎ ｉｍｐｏｒｔａｎｔ ｃｈａｎｎｅｌ ｆｏｒ ｔｈｅ ｈｉｇｈ⁃ｑｕａｌｉｔｙ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ Ｃｈｉｎａ’ ｓ ｅｃｏｎｏｍｙ． Ｂａｓｅｄ ｏｎ ｔｈｅ ｄａｔａ ｏｆ Ａ⁃ｓｈａｒｅ ｌｉｓｔｅｄ ｃｏｍｐａｎｉｅｓ ｆｒｏｍ ２００７ ｔｏ ２０２２， ｔｈｉｓ ｐａｐｅｒ ｍｅａｓｕｒｅｓ ｄａｔａ ｅｌｅｍｅｎｔｓ ｆｒｏｍ ｆｏｕｒ ｄｉｍｅｎｓｉｏｎｓ， ｎａｍｅｌｙ， ｄａｔａ ｅｌｅｍｅｎｔ ｓｔｏｃｋ， ｄａｔａ ｄｅｖｅｌｏｐｍｅｎｔ ｃａｐａｂｉｌｉｔｙ， ｄａｔａ⁃ｄｒｉｖｅｎ ｂｕｓｉｎｅｓｓ ａｐｐｌｉｃａｔｉｏｎ， ａｎｄ ｄａｔａ ｖａｌｕｅ ｒｅａｌｉｚａｔｉｏｎ， ｒｅｓｐｅｃｔｉｖｅｌｙ， ｔｏ ｅｘｐｌｏｒｅ ｔｈｅ ｉｍｐａｃｔ ｏｆ ｄａｔａ ｅｌｅｍｅｎｔｓ ｏｎ ｅｎｔｅｒｐｒｉｓｅ ｉｎｎｏｖａｔｉｏｎ． Ｉｔ ｉｓ ｆｏｕｎｄ ｔｈａｔ ｄａｔａ ｅｌｅｍｅｎｔｓ ａｒｅ ｃｏｎｄｕｃｉｖｅ ｔｏ ｉｍｐｒｏｖｉｎｇ ｃｏｒｐｏｒａｔｅ ｉｎｎｏｖａｔｉｏｎ． Ｆｒｏｍ ｔｈｅ ｐｅｒｓｐｅｃｔｉｖｅ ｏｆ ｉｎｔｅｒｎａｌ ｒｅｓｏｕｒｃｅｓ， ｄａｔａ ｅｌｅｍｅｎｔｓ ｓｉｇｎｉｆｉｃａｎｔｌｙ ｒｅｄｕｃｅ ｔｈｅ ｌｅｖｅｌ ｏｆ ｉｎ⁃ ｆｏｒｍａｔｉｏｎ ａｓｙｍｍｅｔｒｙ， ｗｈｉｃｈ ｉｎ ｔｕｒｎ ｐｒｏｍｏｔｅｓ ｅｎｔｅｒｐｒｉｓｅ ｉｎｎｏｖａｔｉｏｎ， ａｎｄ ｅｘｅｃｕｔｉｖｅｓ ｗｉｔｈ ｉｎｆｏｒｍａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｂａｃｋｇｒｏｕｎｄｓ ａｒｅ ｂｅｔｔｅｒ ａｂｌｅ ｔｏ ｕｔｉｌｉｚｅ ｄａｔａ ｅｌｅｍｅｎｔｓ ｔｏ ｒｅｄｕｃｅ ｔｈｅ ｌｅｖｅｌ ｏｆ ｉｎｆｏｒｍａｔｉｏｎ ａｓｙｍｍｅｔｒｙ ｉｎ ｅｎｔｅｒｐｒｉｓｅｓ， ｗｈｉｃｈ ｉｎ ｔｕｒｎ ｂｅｔｔｅｒ ｐｒｏｍｏｔｅｓ ｅｎｔｅｒｐｒｉｓｅ ｉｎｎｏｖａ⁃ ｔｉｏｎ． Ｆｒｏｍ ｔｈｅ ｐｅｒｓｐｅｃｔｉｖｅ ｏｆ ｅｘｔｅｒｎａｌ ｒｅｓｏｕｒｃｅｓ， ｄａｔａ ｅｌｅｍｅｎｔｓ ｅｎｈａｎｃｅ ｉｎｎｏｖａｔｉｏｎ ｂｙ ｒｅｄｕｃｉｎｇ ｔｈｅ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｏｆ ｔｈｅ ｅｎｔｅｒｐｒｉｓｅ ｓｕｐｐｌｙ ｃｈａｉｎ ａｎｄ ｏｂｔａｉｎｉｎｇ ｍｏｒｅ ｄｉｖｅｒｓｉｆｉｅｄ ｅｘｔｅｒｎａｌ ｒｅｓｏｕｒｃｅｓ． Ｆｕｒｔｈｅｒ ｒｅｓｅａｒｃｈ ｆｉｎｄｓ ｔｈａｔ ｄａｔａ ｅｌｅｍｅｎｔｓ ａｒｅ ｍｏｒｅ ｅｆｆｅｃｔｉｖｅ ｉｎ ｐｒｏｍｏｔｉｎｇ ｉｎｎｏｖａ⁃ ｔｉｏｎ ｆｏｒ ｆｉｒｍｓ ｉｎ ｇｒｏｗｔｈ ａｎｄ ｄｅｃｌｉｎｅ ｐｅｒｉｏｄｓ， ｆｉｒｍｓ ｉｎ ｎｏｎ⁃ｐｏｌｌｕｔｉｎｇ ｉｎｄｕｓｔｒｉｅｓ， ａｎｄ ｆｉｒｍｓ ｉｎ ｃｉｔｉｅｓ ｗｉｔｈ ｂｅｔｔｅｒ ｄｉｇｉｔａｌ ｅｃｏｎｏｍｙ ｄｅｖｅｌｏｐ⁃ ｍｅｎｔ． Ｔｈｅ ｒｅｓｅａｒｃｈ ｐｒｏｖｉｄｅｓ ｅｖｉｄｅｎｃｅ ｏｎ ｈｏｗ ｅｎｔｅｒｐｒｉｓｅｓ ｃａｎ ｒｅａｌｉｓｅ ｉｎｄｅｐｅｎｄｅｎｔ ｉｎｎｏｖａｔｉｏｎ ａｎｄ ｈｏｗ ｄａｔａ ｅｌｅｍｅｎｔｓ ｃａｎ ｅｍｐｏｗｅｒ ｔｈｅ ｒｅａｌ ｅｃｏｎｏｍｙ ｔｏ ｄｅｖｅｌｏｐ ａｔ ａ ｈｉｇｈ ｑｕａｌｉｔｙ． Ｋｅｙ ｗｏｒｄｓ： ｄａｔａ ｅｌｅｍｅｎｔ， ｅｎｔｅｒｐｒｉｓｅ ｉｎｎｏｖａｔｉｏｎ， ｉｎｆｏｒｍａｔｉｏｎ ａｓｙｍｍｅｔｒｙ， ｓｕｐｐｌｙ ｃｈａｉｎ ｃｏｎｃｅｎｔｒａｔｉｏｎ， ｈｕｍａｎ ｃａｐｉｔａｌ
0
advertisement
Download
advertisement
Add this document to collection(s)
You can add this document to your study collection(s)
Sign in Available only to authorized usersAdd this document to saved
You can add this document to your saved list
Sign in Available only to authorized users