大家好！本人是管理学在读博士生。一直想分享读博期间学习和生活的经历和感悟，希望能帮助到更多想要读博和正在读博以及科研工作的朋友们。
坚持每天读高水平的论文是博士生的基本要求，也是写好自己论文的基础。
今天分享一篇文章——《数据要素、动态能力与企业全要素生产率——破解“数据生产率悖论”之谜》，来自《经济管理》2024年7月。
作者：
赵丽，女，讲师，管理学博士，研究领域为数据价值化与公司战略；
胡植尧（通讯作者），男，博士研究生，研究领域为发展经济学
一、引言
数据要素的蓬勃发展为突破企业发展瓶颈提供新的发展机遇，尤其数据要素区别于传统要素的非竞争性、非排他性、边际报酬递增等特征对新发展方式产生了拉力。在“推拉”双重力量作用下，数据要素成为转变经济发展方式、深化供给侧改革、提高生产效率的重要支点（张叶青等，2021）。
早在1987年索洛便提出“我们到处可以看到计算机，但看不到生产率的增长”的经典论断，被称为“生产率悖论”。随着数字经济时代的到来，Brynjolfsson等（2017）认为产生“生产率悖论”的原因有错误预期、错误测度、集中分配和租金消散、滞后效应四种，并认为滞后效应的解释最为合理：一方面，技术累积和发挥技术的规模效应需要一定时间的积累；另一方面，与技术相匹配的人力资本、组织结构、供应链、客户端等互补系统越完备，技术对生产率的提升作用的滞后效应越强。数字经济时代，数据要素的重要性不断提高，“生产率悖论”是否存在数据要素之中，出现“数据生产率悖论”？数据要素对企业全要素生产率的影响是否会自然而然发生？会形成哪些互补效应？
数据要素成为数字经济时代的关键要素，蕴含重大的技术范式和要素范式变革。一方面，技术和要素的更新换代创造了巨大的技术机会，开辟了广泛的要素应用场景（张路娜等，2021；黄速建等，2018），有助于增强企业适应能力、吸收能力、创新能力，进而提高异质化生产效率（姜奇平，2023）。另一方面，技术和要素的更新换代带来了外部环境的不确定性（罗仲伟等，2014），企业的赛道、规则、打法均发生了变化（戚聿东，2022）。旧资源的路径依赖和核心刚性可能影响新资源的利用效率，导致企业适应能力、吸收能力、创新能力不足，难以实现需求识别与需求响应的一致性，阻碍企业全要素生产率的提升。企业包括适应能力、吸收能力、创新能力在内的动态能力的差异，带来数据要素对企业全要素生产率的影响差异。这亟需思考数据要素如何通过动态能力，提升企业全要素生产率。
通过梳理文献发现：一是已有文献从理论层面探究数据要素提升企业全要素生产率的机制，缺少实证层面的定量研究；二是现有实证研究主要从城市或省级层面出发，探讨大数据发展的市场条件和制度条件（史丹和孙光林，2022）对企业全要素生产率的影响，而基于数据要素自身特征视角实证研究数据要素对企业全要素生产率影响的文献比较匮乏；三是现有研究主要聚焦于企业创新的内部机制，缺少对外部技术范式和要素范式变革的讨论。
边际贡献：
第一，采用文本分析法抓取与数据要素相关关键词反映数据要素水平，实证分析了数据要素对企业全要素生产率的影响。与熵值法和问卷调查法相比，文本分析法通过构建企业层面数据要素衡量指标，能更细粒度、精准、大规模测度企业数据要素水平。
第二，考察了数据要素通过增强企业动态能力，进而提高全要素生产率的机制。不同于聚焦于企业内部的机制，动态能力更强调外部环境变化对企业内部战略的影响，即企业根据外部环境动态变化，持续调整企业内部战略，实现静态均衡向动态均衡、暂时竞争优势向持续竞争优势转变。这不仅丰富了数据要素提升企业全要素生产率的机制，还拓宽了动态能力的适用范围。
第三，本文将组织赋能、环境支撑、技术驱动、战略引领纳入数据要素的分析框架，以探究它们与数据要素之间的互补效应，进一步探讨了是否存在“数据生产率悖论”。
二、理论分析与假设提出
1.数据要素、动态能力与企业全要素生产率
本文借鉴了Wang和Ahmed（2007）、杨林等（2020）以及焦豪等（2022）对动态能力的定义，将动态能力划分为适应能力、吸收能力、创新能力三个维度。基于上述分析，数据要素可以通过培育包括适应能力、吸收能力以及创新能力在内的动态能力，提高企业全要素生产率。
（1）数据要素、适应能力与企业全要素生产率。
数据要素帮助企业扫描市场中潜在的威胁和机会，增强企业对快速变化的外部环境的适应能力（刘江鹏，2015；Weerawardena等，2015）。一方面，企业利用数据要素扫描到潜在威胁，被动地改进现有产品、服务以及用户体验，增强企业适应能力，形成“被动型适应”。这种“被动型适应”在一定程度上提升了企业在研发、制造、营销和营运方面的效率，进而提高企业全要素生产率。另一方面，数据要素增强主动型适应，企业利用数据要素识别到巨大的发展潜力和机遇，使得企业主动以市场为导向和以用户为中心，适应、满足市场和用户的需求，形成“主动型适应”，能够大幅提升企业研发、制造、营销、营运效率，进而提高企业全要素生产率。
因此，本文提出如下假设：
H1a：数据要素能够有效增强企业适应能力，进而提高企业全要素生产率。
（2）数据要素、吸收能力与企业全要素生产率。
“数据+算力+算法”的技术支撑，强化了数据的处理能力、洞察能力、吸收能力，促进企业利用互补性数据资源生产新产品、提供新服务、实现新功能，实现数据价值共创共享，扩大企业生产边界，提高企业全要素生产率。因此，数据要素有利于增强吸收能力，进而提高企业全要素生产率。
因此，本文提出如下假设：
H1b：数据要素能够有效增强企业吸收能力，进而提高企业全要素生产率。
（3）数据要素、创新能力与企业全要素生产率。
数据要素驱动的创新形式有两种：一是渐进式创新，企业利用用户反馈数据和现已成熟的技术，按照原有创新轨迹，促进模式、技术、产品、性能、工艺微小的创新，即实现渐进式创新，以此满足用户当前需求，实现企业短期发展。二是颠覆式创新，企业利用用户数据提纯出的知识摆脱对原有技术的路径依赖，实现前沿技术的根本性突破，促进新模式、新技术、新产品、新性能、新工艺的开发，实现企业颠覆式创新，以此满足用户未来需求，助力企业获得长期竞争优势。数据要素推动两种创新模式发展，形成分布式创新体系，实现企业渐进式创新和颠覆式创新的二元耦合，增强企业创新能力。因此，本文提出如下假设：
H1c：数据要素能够有效增强企业创新能力，进而提升企业全要素生产率。
2.数据要素提高企业全要素生产率的互补效应
本文在考虑数据要素对企业全要素生产率影响的基础上，也考虑数据要素与组织、环境、技术、战略间的互补效应对企业全要素生产率的影响。
（1）组织赋能的影响。数据要素与组织赋能形成互补效应，促进企业全要素生产率提升。在企业生产过程中，需要加大数字技术和数字设备的投入，充分挖掘数据要素价值，培育高级数字资本和数字人才，增强深度分析数据价值的能力，实现人机协同。因此，数据要素与组织赋能形成互补效应，能缓解数据要素与企业内部数字技术、数字劳动、数字资本匹配的摩擦，强化数据要素对全要素生产率的提升作用。基于以上分析，本文提出如下假设：
H2a：数据要素对企业全要素生产率的促进作用，会受到组织赋能的影响。
（2）环境支撑的影响。数据要素与环境支撑形成互补效应，促进企业全要素生产率提升。构建数据要素系统，不仅需要发挥组织赋能的作用，也需要企业所在行业和城市数字技术、数字劳动、数字资本投入的支持，即上市公司所在行业的R&D投入、所在城市高光缆密度、高移动交换容量、大量的互联网宽带接入用户规模和移动互联网用户规模等环境的支撑。因此，本文提出如下研究假设：
H2b：数据要素对企业全要素生产率的促进作用，会受到环境支撑的影响。
（3）技术驱动的影响。数据要素与技术驱动形成互补效应，促进企业全要素生产率提升。“数据要素+数字技术”互补促进企业全要素生产率提升的原因是，数据收集、数据存储、数据挖掘、数据分析等大数据技术（谢康等，2023），使碎片化、价值密度低的数据资源转化为系统化、价值密度高的数据要素，发挥数据要素的即时经济价值，赋能企业的研发、制造、营销、营运环节，实现降本增效提质，进而提高企业全要素生产率（谢康等，2020）。因此，本文提出如下假设：
H2c：数据要素对企业全要素生产率的促进作用，会受到技术驱动的影响。
（4）战略引领的影响。数据要素与战略引领形成互补效应，促进企业全要素生产率提升。企业构建以数据要素为核心的战略引领思维，发挥管理层在战略引领中的作用，可以分为以下三个方面：首先，数字职务。该职务的设立有利于企业将数据要素与数字化战略深度融合，营造数据要素应用环境，缓解数据要素应用的摩擦，进而提高企业全要素生产率。其次，数字创新导向前瞻性。管理层在既有数字创新导向的基础上，加强数字创新导向的前瞻性，预测数字创新的趋势和方向，能有效挖掘数据要素价值，提高企业全要素生产率提供前瞻性的数字创新支撑。最后，数字创新导向持续性。管理层数字创新导向的持续性，促进数据要素从单点渗透向多点发展，再向全局覆盖转变，实现企业的精益生产。因此，本文提出如下假设：
H2d：数据要素对企业全要素生产率的促进作用，会受到战略引领的影响。
本文的理论分析框架如图1所示。
三、研究设计
1.数据来源
本文以2007—2021年中国A股上市公司作为研究样本，进行如下剔除处理：ST、*ST和PT公司；已退市的公司；净资产为负的观测值；主要变量数据异常和严重缺失的公司。对相关变量进行1%缩尾处理。企业数据要素变量来自对上市公司年报的文本分析，价格指数等数据来自中国统计年鉴，其他市场交易和财务数据主要来自国泰安数据库。
2.变量设计
（1）被解释变量：企业全要素生产率（TFP_LP）。
本文采用Levinsohn和Petrin（2003）的方法测算企业全要素生产率（TFP_LP），以LP法测算的企业全要素生产率进行实证检验。
（2）核心解释变量：数据要素（lndata）。
利用上市公司年报中与数据要素相关的关键词出现的频数构造数据要素指标。数据要素的爬取过程可以分为以下三个步骤：首先，参考Saunders和Tambe（2013）、张叶青等（2021）的做法，选取与数据要素相关的关键词。其次，本文使用Python软件爬取2007—2021年所有上市公司历年年报，并转换为文本文件。最后，利用文本分析法，得到与数据要素相关的关键词词频，加总得到总词频，以此更好地反映企业数据要素水平。本文选取数据要素、大数据、算力、信息、数据化、算法这六个关键词作为与数据要素相关的关键词。
（3）控制变量。主要包括两职兼任（Dual）、独董比例（Indep）、托宾Q值（Tobin’sQ）、公司上市年限（ListAge）、股权性质（SOE）、第一大股东持股比例（Top1）、资产负债率（Lev）、现金流比率（Cashflow）、营业收入增长率（Growth）、总资产净利润率（ROA）。
3.模型设计
四、实证分析
1.基准回归
表3第（1）—（3）列是以企业全要素生产率作为被解释变量，依次加入控制变量和固定效应的回归结果。结果显示，数据要素（lndata）对企业全要素生产率具有显著的正向影响，虽然逐步加入控制变量后系数绝对值变小，但依然在1%的置信水平上显著，说明数据要素提高了企业全要素生产率。第（3）列的估计系数为0.082，说明数据要素水平每增加1%，企业全要素生产率将提升8.2%。
2.内生性处理
构造Bartik工具变量，使用样本前一年（2006年）企业所在二位数行业（除企业本身）的数据要素均值作为分析单元的初始份额，使用全国（除企业所在省份）互联网接入端口增长率作为总体增长率，二者的乘积就是数据要素的工具变量。表4第（1）列中工具变量bartik的系数在1%置信水平上显著为正，且一阶段F值大于10。表4第（2）列中数据要素的系数在10%置信水平上显著为正。
此外，本文采用企业数据要素水平的滞后项（L.lndata）作为企业数据要素的工具变量。表4第（3）列中工具变量L.lndata的系数1%置信水平上显著为正，且一阶段F值大于10。表4第（4）列中数据要素的系数在1%置信水平上显著为正，说明在考虑了潜在的内生性问题后，数据要素能显著提高企业全要素生产率。
3.稳健性检验
第一，替换被解释变量。本文在以TFP_LP作为被解释变量的基础上，以TFP_OP作为新被解释变量，回归结果如表6第（1）列，数据要素的系数仍然显著为正。
第二，替换核心解释变量。参考张叶青等（2021）的研究，选取大数据、海量数据、数据中心、信息资产、数据化、算力、数据要素等关键词构建数据要素词典，回归结果如表6第（2）列所示，数据要素的系数依旧显著为正。
第三，本文将样本分为2014年之后和2014年之前，以此检验不同样本区间数据要素的差异化影响，回归结果如表6第（3）和（4）列所示，在2014年之后和2014年之前的两组样本中，数据要素的系数均显著为正，且在2014年之后，数据要素的系数更大。
第四，剔除与数据要素直接相关的“软件和信息技术服务业”“计算机、通信和其他电子设备制造业”，回归结果如表6第（5）列所示，数据要素的系数显著为正，这表明研究结论依旧稳健。
第五，本文根据《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》（简称“数据二十条”），总结出与数据要素应用相关的关键词，以此替换核心解释变量，进行稳健性检验。回归结果如表 7 第（1）列所示。结果表明，在替换数据要素应用的关键词后，数据要素应用（data20）的系数仍然在 1% 的置信水平上显著为正。
进一步，本文将数据要素应用细分为数据确权（data_valid）、数据要素权益保护（data_prot)、数据合规与监管（data_regul）、数据安全合规跨境流通（data_compl）、数据要素收益分配（data_distr）、数据治理（data_gover），以此检验其对企业全要素生产率的影响，回归结果如表 7 第（2）—（7）列所示，均对企业全要素生产率具有显著正向影响，研究结论依然稳健。
4.动态能力的中介效应
将动态能力分为适应能力（ACV）、吸收能力（RD）、创新能力（IA）。参照江艇（2022）的方法对此进行检验。
（1）适应能力（ACV）。借鉴杨林等（2020）研究，本文采用研发支出强度、广告支出强度、资本支出强度这三个变量的调整变异系数衡量适应能力（ACV），具体公式为ACV=-σ/mean，其中，σ为三个变量的标准差，mean为三个变量的均值。需要注意的是，为确保变异系数符号与适应能力的一致性，本文取变异系数的负值表示企业适应能力。表5第（1）列显示，数据要素的系数在1%的置信水平上显著为正，即数据要素帮助企业增强适应能力，进而提升企业全要素生产率。因此，基本研究假设H1a得到验证。
（2）吸收能力（RD）。借鉴焦豪等（2022）研究，本文采用研发支出强度，即研发支出与营业收入的比重衡量企业吸收能力（RD）。表5第（2）列结果表明，数据要素的系数在1%的置信水平上显著为正，企业可以将其收集的外部数据进行整合，吸收、内化为自有数据，增强企业吸收能力，提高企业全要素生产率。因此，基本研究假设H1b得到验证。
（3）创新能力（IA）。借鉴杨林等（2020）研究，本文采用企业研发支出强度和技术人员比例的标准化之和衡量企业创新能力（IA）。表5（3）列结果表明，数据要素的系数在1%的置信水平上显著为正，说明数据要素有助于企业实现渐进式创新和颠覆式创新，增强企业创新能力，进而提高企业全要素生产率。因此，基本研究假设H1c得到验证。
5.异质性分析
（1）产权属性。将样本按照国有企业和非国有企业进行分组回归，回归结果如表 8 第（1）和（2）列所示，国有企业的数据要素对企业全要素生产率不具有显著影响，而非国有企业的数据要素系数在 1% 的置信水平上显著为正。
（2）企业规模。本文以企业规模的均值为标准，将大于均值的企业视为大规模企业，小于或等于均值的企业视为中小规模企业，并进行分组回归。回归结果如表 8 第（3）和（4）列所示，数据要素在大规模企业和中小规模企业的系数分别为 0.041 和 0.06，且均显著为正。结果表明，在中小规模企业中，数据要素对企业全要素生产率的促进作用更大。
（3）行业特征。本文根据彭红星和毛新述（2017）的研究，将行业分为高科技行业和非高科技行业进行分组回归，以考察数据要素对企业全要素生产率的行业异质性。回归结果如表 9 第（1）和（2）列所示，数据要素对企业全要素生产率的促进作用在高科技行业中更大。
（4）地区差异。本文根据上市公司注册地（肖土盛等，2022），将企业分为东部地区企业和中西部地区企业，以考察数据要素对企业全要素生产率的地区异质性。回归结果如表 9 第（3）和（4）列所示，中西部地区数据要素对企业全要素生产率的正向影响更大。
（5）企业生命周期。借鉴 Dickinson（2011）的研究方法，将企业生命周期划分为成长期、成熟期、衰退期，并对其进行分组回归。如表 10 第（1）—（3）列所示，数据要素在成长期、成熟期、衰退期的系数分别为0.069、0.074、0.063，并且成长期和成熟期的样本在 1% 置信水平上显著为正，但在衰退期，数据要素对企业全要素生产率的影响并不显著。
五、进一步分析：数据要素提高企业全要素生产率的互补效应
1.组织赋能的互补效应
本文借鉴国泰安数据库（CSMAR）对组织赋能的构造，利用熵值法，选取数字资本投入计划、数字人力投入计划、数字基础设施建设、科技创新基地建设等指标，计算组织赋能的得分。表 11 第（1）列是数据要素与组织赋能之间的互补效应的回归结果，数据要素与组织赋能的交乘项（lndata× orgen）的系数在 10% 置信水平上显著为正。因此，研究假设 H2a得以验证。
2.环境支撑的互补效应
本文借鉴国泰安数据库（CSMAR）对环境支撑的构造，选取行业数字化技术强度、行业数字资本投入强度、行业人力资本投入强度、行业发明专利数量、行业 R&D 活动情况、行业新产品开发及销售情况、城市光缆密度、城市移动交换机容量、城市互联网宽带接入用户规模、城市移动互联网用户规模等二级指标，通过熵值法，计算环境支撑的得分。表 11 第（2）列是数据要素与环境支撑之间的互补效应的回归结果，数据要素与环境支撑交乘项（lndata×envsp）的系数为 0.002，且在 1% 置信水平上显著为正，表明环境支撑与数据要素形成互补效应，促进企业全要素生产率的提升。因此，研究假设 H2b得以验证。
3.技术驱动的互补效应
本文借鉴国泰安数据库（CSMAR）对技术驱动的构造，主要考虑大数据技术对数据要素的关键支撑。表 11 第（3）列数据要素与技术驱动的交乘项（lndata×tecdr）的系数在 1% 置信水平上显著为正。结果表明，数据要素与数字技术形成互补效应，提升企业全要素生产率。 因此，研究假设 H2c得以验证。
4.战略引领的互补效应
本文借鉴国泰安数据库（CSMAR）对战略引领的构造，选取管理层数字职务、管理层数字创新导向前瞻性、导向持续性等二级指标，通过熵值法，计算战略引领的得分。表 11 第（4）列数据要素与战略引领的交乘项（lndata×strgu）的系数为 0.003，且在 1% 置信水平上显著为正，研究假设 H2d得以验证。
六、研究结论与启示
1.研究结论
数据要素对企业全要素生产率具有显著正向影响，即数据要素能够提升企业全要素生产率；企业动态能力在数据要素与企业全要素生产率间发挥中介效应，数据要素通过增强企业适应能力、吸收能力、创新能力，进而提高企业全要素生产率；在经过一系列稳健性检验后，数据要素与企业全要素生产率之间依旧显著为正，说明数据要素对企业全要素生产率的提升作用具有稳健性；数据要素更有利于提升非国有企业、中小规模企业、高科技行业、中西部地区企业、成熟期企业的全要素生产率；数据要素与组织赋能、环境支撑、技术驱动、战略引领具有互补效应，提高企业全要素生产率。
2.政策启示
一是建立和完善数据要素基础制度。
二是充分培育企业动态能力是发挥数据要素对企业全要素生产率作用的关键。
三是加强数据要素的互补效应。
四是加强数据要素的使用广度和使用深度。
