政府数据治理能否促进企业技术追赶(Technological Catch-Up)?——来自中国大数据管理局(Big Data Administration, BDA)设立的准自然实验证据

《Sustainability》:Does Government Data Governance Promote Firms’ Technological Catch-Up? Evidence from the Establishment of Big Data Administrations in China

【字体: 大 中 小 】 时间:2026年06月28日 来源:Sustainability 4.1

编辑推荐:

  摘要:政府数据治理已成为降低信息摩擦、改善数据要素配置及支撑数字经济背景下企业创新的重要制度安排,然而政府数据治理能否促进企业技术追赶(Technological Catch-Up)尚缺乏充分认知。研究人员基于中国各地级市设立大数据管理局(Big Data A

  
摘要:政府数据治理已成为降低信息摩擦、改善数据要素配置及支撑数字经济背景下企业创新的重要制度安排,然而政府数据治理能否促进企业技术追赶(Technological Catch-Up)尚缺乏充分认知。研究人员基于中国各地级市设立大数据管理局(Big Data Administration, BDA)这一准自然实验(Quasi-Natural Experiment),构建多期双重差分模型(Multi-period Difference-in-Differences, DID)检验政府数据治理对企业技术追赶的影响。使用2011—2021年中国A股上市公司面板数据(Panel Data),DID估计结果表明设立大数据管理局显著提升了企业的技术追赶水平。该估计效应在安慰剂检验(Placebo Test)、控制预处理城市特征差异化趋势及双重/去偏机器学习(Double/Debiased Machine Learning, DDML)估计下均保持稳健。机制分析提供与三条传导渠道相吻合的证据:技术激励(Technology-Stimulation)效应、数字生态优化(Digital-Ecosystem Optimization)效应及竞争强化(Competition-Strengthening)效应。异质性分析进一步表明,该效应在非国有企业、信息不对称程度较高企业及大型企业中最为明显。附加空间分析提示邻近城市的数据治理能力未产生稳定的正向溢出效应,反而可能伴随负向空间外部性(Negative Spatial Externalities),潜在反映虹吸(Siphoning)或竞争性挤出(Competitive Crowding-Out)压力。上述发现凸显政府数据治理可作为企业技术进步的制度驱动因素,并为完善数字治理能力、优化数字生态及推动高质量发展提供政策启示。
论文解读:《政府数据治理能否促进企业技术追赶?——来自中国大数据管理局设立的准自然实验证据》
一、研究背景与问题提出
在数字经济时代,数据已上升为战略性生产要素,政府主导的数据治理体系通过打破信息孤岛、降低信息摩擦和改善数据要素配置,对企业技术创新与产业升级具有重要影响。已有文献分别关注企业内部数据治理、数据要素市场化及大数据综合试验区等政策对企业创新或绿色转型的影响,但鲜有研究从微观层面考察地方政府设立专门数据治理机构——大数据管理局(Big Data Administration, BDA)——对企业技术追赶(Technological Catch-Up)的因果效应。技术追赶在此被界定为企业相对于同行业—年度全要素生产率(Total Factor Productivity, TFP)前沿的生产率差距缩小程度,即TCit=TFPit/max(TFPjt∈行业j,年度t)。许多后发企业仍受困于关键技术对外依赖及数据壁垒导致的路径依赖,亟需系统性制度支持以突破追赶瓶颈。中国各地分批设立大数据管理局,为识别政府数据治理的微观经济后果提供了理想的准自然实验(Quasi-Natural Experiment)。因此,研究人员开展此项研究以回答:BDA设立是否及如何通过技术激励、数字生态优化和竞争强化等渠道促进企业技术追赶,其异质性和跨城市空间外部性如何。
本研究使用2011—2021年中国A股非金融非ST/PT上市公司面板数据(来源:CSMAR和WIND数据库;区域数据来自地方统计年鉴),经双边1%缩尾后最终样本为14,043个观测值。研究人员采用多期双重差分模型(Multi-period DID)、事件研究法动态检验、倾向得分匹配(Propensity Score Matching, PSM)与熵平衡(Entropy Balancing)、控制预处理城市特征×时间趋势、堆叠双重差分(Stacked DID)及双重/去偏机器学习(Double/Debiased Machine Learning, DDML)等方法进行估计与稳健性验证;机制检验采用中介思路考察数字技术专利、数字化转型、超额成本离散度、ROA不确定性与营收增长不确定性、同城同行数字化水平、产学研合作及数字研发联盟、行业赫芬达尔指数(Herfindahl Index);空间外部性采用逆距离空间权重矩阵及引力加权距离带(Gravity-Weighted Distance-Band)构造邻市BDA暴露变量(WDID)。
主要结论为:BDA设立显著促进企业技术追赶,该效应通过技术激励、数字生态优化及竞争强化三条渠道实现;异质性显示对非国有企业、高信息不对称企业和大企业更显著;本地效应为正但邻市BDA暴露系数显著为负,提示可能存在虹吸或竞争性挤出而非稳定正向溢出。研究发表于《Sustainability》。
二、主要技术方法概述
研究人员以各地级市设立大数据管理局(BDA)为外生政策冲击,构建处理变量DIDit=Treatc×Postct(城市c在年份t及之后设BDA取1)。因变量为企业技术追赶TCit,TFP采用Levinsohn-Petrin(LP)法测算,并用Olley-Pakes(OP)法与GMM法做稳健性检验。基准模型纳入行业与年度固定效应及企业、区域层面控制变量(企业年龄、ROA、杠杆率、营收增长率、流动比率、董事会规模、独董比例、第一大股东持股比、两职合一;城市人均GDP对数、一般预算支出对数)。平行趋势通过事件研究法检验;内生性通过1:4最近邻匹配、核匹配及熵平衡缓解;加入2011—2014年城市人均GDP、三升级(三产/二产比值)、R&D内部支出、科技支出×线性时间趋势控制差异化预处理趋势;稳健性检验包括剔除小组样本、替换TFP算法、剔除2020—2021年、剔除一线城市、控制同期数据开放平台/数据交易平台/大数据综合试验区/信息惠民试点城市、Stacked DID及DDML(随机森林/Lasso/梯度提升)。机制变量含企业数字发明专利数(ln(数字专利+1))、年报数字化转型词频(整体及底层技术/实践应用两个维度)、超额成本离散度与低成本优势、ROA三年滚动标准差与营收增长三年滚动标准差、同城同行平均数字化水平、产学研合作虚拟变量、数字研发联盟虚拟变量、行业数字发明专利赫芬达尔指数;空间外部性通过行标准化逆距离权重WDID及引力加权距离带估计邻市BDA暴露系数。
三、研究结果
3.1 基线回归结果(Baseline Regression Results)  )**
多期DID回归显示,无论是否加入控制变量,DID项系数均在1%水平上显著为正(0.0066~0.0094),约为TC样本均值(0.7934)的0.83%~1.18%,说明BDA设立显著促进企业技术追赶。
3.2 平行趋势检验(Parallel-Trend Test)
以政策前一年为基期,事件研究法显示政策前各期系数不显著异于零,政策后各期系数显著为正,满足平行趋势假设,支持DID有效性。
3.3 安慰剂检验(Placebo Test)
随机抽取1000次伪政策时点构造伪处理组进行虚假DID回归,伪系数集中分布于零附近且远小于真实估计值,p值多大于0.10,排除偶然因素驱动基准结果的可能。
3.4 空间外部性与边界效应(Spatial Externalities and Boundary Effects)
在原模型中加入邻市BDA暴露变量(逆距离权重300 km/200 km/最近五市),本地DID系数仍显著为正(0.0075~0.0083);而邻市暴露变量WDID_300、WDID_200、WDID_5系数均显著为负,表明邻市BDA设立未产生稳定正向溢出,反而关联负向空间外部性,可能与数字资源虹吸或竞争性挤出有关。重力加权距离带分析显示0—250 km内若干区间邻市暴露系数为负且显著,非单调衰减,提示空间效应嵌于区域调整过程。
3.5 内生性检验(Endogeneity Test)
PSM(1:4最近邻与核匹配)及熵平衡后重新回归,BDA系数仍显著为正;进一步控制城市2011—2014年平均人均GDP、产业结构升级比、R&D内部支出、科技支出分别与年份交乘的趋势项,单独及联合加入后DID系数仍正且显著(联合加入时p<0.05),排除由预处理城市异质趋势导致估计偏误的可能。
3.6 稳健性检验(Robustness Checks)
(1)剔除同行业—年度少于3观察值的分组后结果不变;(2)换用OP法与GMM法测TFP重算TC,结果不变;(3)剔除2020—2021年新冠扰动年份,结果不变;(4)剔除北上广深一线城市,结果不变;(5)分别控制政府数据开放平台、数据交易平台、国家大数据综合试验区(National Big Data Comprehensive Pilot Zone,, BDCPZ)及信息惠民试点城市变量,BDA系数仍显著为正;(6)Stacked DID估计系数为0.0059(p<0.01)与基准接近;(7)DDML估计(随机森林/Lasso/梯度提升)DID系数分别为0.0068/0.0066/0.0078且显著。以上共同佐证基准结论稳健。
3.7 机制分析(Mechanism Analysis)
—技术激励(Technology-Stimulation)效应:BDA设立显著提升企业TFP(LP)、数字发明专利申请量、年报披露的数字化转型词频(含底层技术与实践应用两个子维度),支持政府数据治理通过改善数据获取与数字知识吸收提升技术参数τ,激励技术追赶。
—数字生态优化(Digital-Ecosystem Optimization)效应:BDA设立显著降低企业超额成本离散度、相对超额成本、均值超额成本及ROA不确定性和营收增长不确定性,同时提升低成本优势;亦显著提升同城同行数字化均值、产学研合作虚拟变量及数字研发联盟虚拟变量,表明BDA通过降低运营成本与不确定性、促进协同创新优化数字生态。
—竞争强化(Competition-Strengthening)效应:BDA设立显著降低行业数字发明专利赫芬达尔指数(负值显著),即降低市场集中度、强化产品与数字创新市场竞争压力,符合竞争强化渠道假设。
3.8 异质性分析(Heterogeneity Analysis)
按产权性质分样本:非国有企业(Non-SOEs)BDA系数显著为正,国有企业(SOEs)不显著,说明效应在更市场化、竞争导向的非国企中更突出。按股票非流动性(信息不对称的代理变量)中位数分组:高信息不对称组BDA系数显著为正,低信息不对称组效应弱且仅边缘显著,说明数据开放对信息受限企业边际收益更大。按总资产中位数分组:大企业组BDA系数显著为正,小企业组不显著,说明资源吸收能力更强的大企业更易将治理红利转化为追赶成果。
四、讨论与结论翻译
研究人员指出,设立大数据管理局作为政府数据治理的制度载体,可通过技术激励、数字生态优化与竞争强化三条渠道促进企业技术追赶,该效应对非国有企业、高信息不对称企业及大型企业更为明显;政策主效应为本地治理能力提升所致,邻市BDA暴露呈负向空间外部性,暗示区域数字资源再分配中存在虹吸或竞争性挤出,需加强跨区域数据治理协调。局限在于样本限于A股上市公司,结论推广至中小企业需视其数字吸收能力及配套政策而定;制度情境为中国地方政府主导数据协调模式。
结论部分原文翻译:
本研究考察政府数据治理是否及如何影响企业技术追赶。以设立大数据管理局为城市层面制度冲击,基于2011—2021年中国A股上市公司面板数据构建多期双重差分框架,并结合关联政府数据治理与技术激励、数字生态优化及竞争强化的理论框架,得出如下结论。第一,大数据管理局设立对企业技术追赶具有正向且统计显著的促进作用,该发现在安慰剂检验、匹配估计、控制预处理城市特征差异化趋势、替代样本与变量设定、控制同期政策、堆叠DID及双重/去偏机器学习估计下均保持稳健,表明专门数据治理机构的建立与企业技术追赶的可测改善相关联。第二,机制分析与技术激励效应、数字生态优化效应及竞争强化效应相吻合——大数据管理局设立关联企业技术进步、数字创新、数字化转型、成本效率改善、不确定性降低、协同创新增强及竞争压力加大。第三,异质性分析显示大数据管理局设立的效果在非国有企业、信息不对称性较高企业及大型企业中更为明显。第四,空间分析显示政府数据治理效应主要为本地效应并伴随复杂跨城外部性;纳入不同空间权重矩阵后本地BDA效应仍显著为正,但邻市BDA设立未产生稳定正向溢出,其空间加权暴露变量系数显著为负,提示邻市BDA暴露可能关联负向空间外部性,距离带分析进一步显示该空间外部性具区间特异性而非随距离线性衰减,与数字和创新资源再分配中的虹吸或竞争性挤出相一致。综上,本研究为企业技术追赶的制度驱动因素——政府数据治理——提供了微观证据,并为更具针对性与区域协调性的数字治理政策设计提供了依据。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号