数据要素对制造业高质量发展的影响
——来自制造业上市公司微观视角的经验证据

钞小静 ，王宸威

(1.西北大学 经济管理学院，陕西 西安 710127；2.西北大学 中国西部经济发展研究院，陕西 西安 710127)

一、 问题提出

推动制造业高质量发展是巩固壮大实体经济根基的重要抓手。《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》、2021中央经济工作会议等均强调要增强制造业竞争优势，推动制造业高质量发展。由于效率提升是制造业高质量发展的集中体现，已有文献大多选用全要素生产率、劳动生产率等效率指标刻画我国制造业高质量发展情况(钞小静等，2021；王博雅，2021)[1-2]。同时，也有一些研究从经济效益、技术创新、质量效益、资源环境等广义层面理解制造业高质量发展的理论内涵，通过建立综合指标体系对其发展水平进行测度分析(汪芳和石鑫，2022；曲立等，2021；高运胜和杨阳，2020)[3-5]。现有研究大部分以效率作为制造业高质量发展的内涵考察影响制造业高质量发展的因素，具体来看，要素市场扭曲会通过限制资本与劳动资源流动，降低要素资源配置效率，阻碍制造业高质量发展(刘汶荣，2021)[6]；工业智能化和互联网等信息技术可以通过优化企业内部资本要素配置、改善产品质量来促进制造业高质量发展(唐晓华和迟子茗，2022)[7]；新型数字基础设施能够帮助数字技术更好地实现在制造业研发设计、生产制造以及市场匹配环节的渗透与应用，对制造业高质量发展具有正向外部效应(钞小静等，2021)[1]。

随着物联网、云计算及人工智能等新一代信息技术的快速发展，数字化的信息与知识已经成为关键的生产要素。2017年习近平总书记在主持十九届中央政治局第二次集体学习时强调，“大数据是信息化发展的新阶段”，要“加快建设数字中国”，“构建以数据为关键要素的数字经济”，“推动实体经济和数字经济融合发展”。(1)资料来源：http://www.gov.cn/xinwen/2017-12/09/content_5245520.htm2020年4月，中共中央国务院印发的《关于构建更加完善的要素市场化配置体制机制的意见》中也明确将数据作为新生产要素。我国数据资源规模庞大，且拥有超大规模市场优势和完备产业体系优势，这使得数据要素可以深入渗透到生产、分配、交换和消费的各个环节，在推动制造业高质量发展过程中发挥着重要作用(李海舰和赵丽，2020)[8]。当前，我国规模以上工业企业关键工序数控化率和数字化研发设计工具普及率分别达到55.3%和74.7%，具备行业、区域影响力的工业互联网平台超过150家，(2)资料来源：https://news.cctv.com/2022/02/28/ARTI9dcktHNMKsmVlbZluFTC220228.shtml特别是在逆全球化叠加疫情冲击的双重影响下，数据要素正在加速向制造业融合渗透。2022年1月，习近平总书记在《求是》杂志发表的重要文章《不断做强做优做大我国数字经济》中强调指出，“数据作为新型生产要素，对传统生产方式变革具有重大影响”，“充分发挥海量数据和丰富应用场景优势”，“赋能传统产业转型升级”。

然而到目前为止，探索数据要素对制造业高质量发展影响的研究却相对较少。事实上，自“数据”被纳入生产要素范畴以来，已有研究主要从理论内涵、统计核算和数据管理三个方面进行了广泛讨论。在其理论内涵方面，部分学者在狭义层面将数据要素理解为以二进制字符串形式被计算机设备进行存储和处理的信息，是可以被描述出来的信息的载体(蔡跃洲等，2021)[9]；而大多数学者则从广义层面将数据要素理解为一种以数字化信息为核心内涵的非物质的经济资源(费方域，2018)[10]。在统计核算方面，一些学者对数据要素如何纳入国民经济核算、个人数据如何进行界定统计等现实问题进行了分析讨论(许宪春等，2022；李静萍，2020)[11-12]。在数据管理方面，已有研究进一步讨论了如何叠加“生产要素化”和“配置市场化”的双重内涵加快培育数据要素市场，在兼顾隐私保护与数据共享的前提下，赋予数据要素“商品”属性、发挥市场配置运行机制(续继和王于鹤，2022；李广乾，2022；孔艳芳等，2021)[13-15]。还有少量研究定性讨论了数据要素的经济效应，刻画了数据要素通过发挥规模效应、促进供需匹配、提升决策质量影响经济增长的实现路径(唐要家和唐春辉，2020)[16]，研究发现，一方面，数据要素通过发挥其承载的有效信息，提升资本、劳动等要素之间的协同性[17]，并借助网络外部性，通过规模经济与范围经济实现有效信息提取，进而提高经济主体的运行效率；另一方面，一些学者将数据作为新的生产要素在引入生产函数后发现，企业生产中更多的数据会带来更多的生产与交易，由此创造出更多的数据，形成“数据反馈循环”，由此带动经济增长[18]。同时，得益于数据要素的非竞争性、非排他性等特征，以数据分析挖掘为基础的新业态、新模式不断涌现，能够有效降低市场信息不对称，提高市场整体运行效率[19]。

本文基于2011—2020年我国制造业上市公司与283个地级市的匹配数据，从理论和实证层面研究了数据要素对制造业高质量发展的影响。与既有研究相比，本文的边际贡献主要体现在：第一，不同于已有研究从要素市场扭曲、工业智能化以及新型数字基础设施等视角考察影响制造业高质量发展的因素，本文立足数字经济时代数据的关键性生产要素属性，重点探讨了数据要素对制造业高质量发展的影响，为进一步推动制造业优化升级、增强制造业竞争优势提供了新思路。第二，已有文献主要从技术属性出发，刻画数字技术在制造业行业的渗透应用以及对制造业高质量发展的影响，本文则重点关注数据的生产要素属性，总结归纳数据要素的低成本复制、非竞争性和快速传播等典型特征，从研发创新、生产协同与市场匹配三个层面系统探寻数据要素影响制造业高质量发展的作用机理。第三，本文首次利用Python技术爬取我国A股制造业上市公司年报中数据要素关键词出现频次，据此构建数据要素应用水平度量指标，直观刻画我国制造业企业数据要素的应用程度及动态演进过程，并在此基础上验证数据要素影响制造业高质量发展的因果效应与具体机制，为数字经济时代下制造业高质量发展影响因素的研究补充了微观视角的经验证据。

二、 理论分析与研究假设

每一次经济形态的重大变化均催生出了新的生产要素并进一步以此为主要驱动力，农业经济时代主要以劳动力和土地为生产要素，工业经济时代更多地依赖于资本和技术，而步入数字经济时代，数据要素则成为新的关键生产要素。作为新一轮科技革命和产业革命进程中的基础性资源与战略性资源，数据要素具有易复制性、非排他性、非竞争性等典型特征[20]。具体而言，以比特形式存在的数据，在收集完成之后传播所需的成本极小，这使得数据要素收集与生产的边际成本基本为零，由此形成了数据要素低成本易复制的特点；由于数据要素在生成过程中涉及多个主体，如产品的供需双方、网络运营商、中间平台等，极大增加了数据要素的扩散与传播范围，形成了数据要素在使用中的非排他性；同时，数据要素不仅可以同时被不同的主体所使用，更可以在使用过程中保持其自身价值不被削减甚至升值，并在使用过程中产生新的数据，数据要素的这一特性使其具有明显的非竞争性。制造业高质量发展是其研发创新、生产制造、市场匹配三个环节整体联动实现更高效率发展的一种高级状态(钞小静等，2021)[1]。制造业的研发创新、生产制造、市场匹配各环节均能够为数据要素提供丰富的应用场景，而数据要素所具有的上述特征也有助于其全面渗透到制造业整个链条的全过程(焦勇，2020)[21]。因此，本文主要从研发创新、生产制造和市场匹配三个环节来梳理数据要素影响制造业高质量发展的理论逻辑。

(一) 研发创新效应

数据要素所表现出的低成本复制性、非排他性、非竞争性等特点，有利于数据信息在制造业的不同主体与不同环节之间便捷传递，由此带来核心技术突破与知识创新。从数据要素促进企业核心技术突破的层面看，日益成熟丰富的数据分析技术与数据挖掘技术能从海量原始数据之中识别出不易发现的复杂关系，通过将非结构化数据与各个分析模型结合，根据数据之间的强关联、弱关联、潜在关联，从浅层反馈数据信息中挖掘可能蕴含的深层逻辑，帮助制造业企业对各类生产要素进行重新整合，这种数据驱动有利于促进企业核心技术突破，帮助企业在技术上实现颠覆性创新(Yang et al，2017)[22]；从数据要素推动知识创新与溢出的层面看，数据要素的开放、流动与共享推动了企业内部与企业之间大规模的协作与跨界融合，有利于制造业中各个企业扩展自身生产组织边界，推动企业开放性研发创新。数据与知识作为开放性创新的核心要素，在数字化时代呈现出指数型增长的态势。借助数据分析与挖掘，制造业企业可以产生更多知识与信息，极大程度上降低了知识的学习成本。通过利用人工智能、机器学习等技术迅速将新知识吸收并转化为企业生产力、促进生产效率提升，形成知识创新与生产效率之间的正向循环反馈路径。不仅如此，知识创新所形成的网络效应有利于加快知识流通速度，进一步推动数据在不同企业之间的传递共享(李涛和高良谋，2016)[23]，这一创新模式能有效促进位于产业链不同环节的企业协同使用半结构化、碎片化的数据进行创新，加速实现隐性知识与显性知识的串联串通，实现制造业产业链整体升级(郭凯明等，2020)[24]。核心技术突破与知识创新网络的形成有利于帮助制造业企业优化资源配置，提升自主创新能力与创新水平进而实现生产技术不断升级，由此带来全要素生产率的提升，实现制造业高质量发展。综上所述，数据要素应用有助于各类资源的重新整合、优化资源配置[25]，降低知识学习成本，形成新的创新网络模式，由此推动制造业技术创新与知识创新，推动制造业高质量发展。据此，本文提出：

假说1：数据要素应用有助于制造业企业核心技术的突破与知识创新，通过研发创新效应推动制造业高质量发展。

(二) 生产协同效应

数据要素应用能有效赋能智能化终端，在使各类生产设备变得更加智能且可控的同时作用于各个生产环节，实现协同化生产。首先，在数据赋能的现实背景下，通过挖掘数据、萃取知识与凝练智慧可以有效提高人工智能、工业互联网等终端的运算能力与效率，进一步在各类智能终端的协同运作中，降低数据在不同终端之间的传递时间，为制造业企业实现柔性制造与大规模智能化定制提供技术支撑；进一步地，数据要素通过作用于制造业不同生产环节，有利于实现数据在不同生产设备上实时、高效的流动与共享，推动制造业企业内部生产的网络化与智能化，提升各个生产环节之间的协同性。具体来看，制造业企业借助“云计算+算力+数据”的模式，将先进的计算机算法广泛应用于生产过程中，通过建立多维大数据分析模型与挖掘模型，在改善生产工艺的同时制定合理科学的生产计划，进而实现各个环节的智能化生产(Acemoglu & Restrepo，2018;许宪春和王洋，2021)[26-27]。同时，运用决策树、神经网络等大数据算法，充分发挥数据要素传播的实时性，可以实时控制设备运行与维护情况，不仅可以远程操控生产设备，监控生产过程，还可以灵活调整设备运行时间与位置，建立柔性生产车间，动态调整生产计划，提高设备运行与生产效率，实现对制造业生产线的智能化管理(王谦和付晓东，2021)[28]。在此基础上，生产环节的智能化实现了数据要素与其他传统要素的深入融合，两类要素整合实现的规模收益递增有利于促进全要素生产率的提升，以此推动制造业高质量发展。综上所述，数据要素应用有助于制造业企业制定合理生产规划、优化生产流程、改善生产模式、实现智能化和协同化生产，进而推动制造业高质量发展的实现。据此，本文提出：

假说2：数据要素应用有助于制造业企业在提升工业物联网等终端运算能力与效率的基础上实现协同化生产，通过生产协同效应推动制造业高质量发展。

(三) 市场匹配效应

数据要素应用可以帮助制造业企业降低市场信息搜寻成本与匹配成本，在构建新型企业与消费者之间无障碍沟通平台的同时，推动形成联通产业链上下游的企业间的“激励联盟”，提升整体产业链的市场匹配效率。一方面，制造业企业使用新一代数据管理技术与系统设施来跨地区、跨部门的管理分析海量非结构化数据，使数据的获取、分析与使用与企业自身运营结合，帮助企业丰富决策信息来源以降低决策不确定性，有利于企业更深入了解各类消费者的需求，在生产满足大众化需求的头部产品的同时兼顾部分消费者的个性化需求，以满足长尾市场、长尾用户的小众化需求，利用通用型数据与模块化数据之间的拼接实现大众化的“红海区域”与小众化“蓝海区域”共同发展，实现更精准的供需匹配(杨学成和涂科，2017)[29]。同时，数据要素的应用能扩大市场匹配的范围，通过数据要素在不同设备终端的高速、海量传递，可以实现对不同市场、不同需求端的有机整合分析，在降低供需双方信息不对称的同时，形成应对机会主义的数字化市场甄别机制与声誉机制，推动市场需求的倍增与市场匹配范围的扩大(唐要家和唐春晖，2020)[30]。另一方面，数据要素应用有利于促进制造业产业链上下游企业间的信息共享，实时传递终端客户最新需求，加深产业链上不同企业对终端市场的理解，提高对终端需求的响应速度，帮助同一产业链上的制造业企业实现联合库存与共同决策，提升产业链与市场之间的匹配效率(王举颖和赵全超，2014)[31]。制造业企业与产业链市场匹配效率的提升意味着信息匹配成本的降低和产业链内企业间群策能力的增强，有利于制造业企业理性制定生产决策，提高企业生产与管理效率，进而推动制造业高质量发展。综上所述，数据要素应用既可以提升制造业市场匹配精度、扩大市场匹配范围，又可以促进制造业整体产业链之间的信息共享提升市场匹配效率。据此，本文提出：

假说3：数据要素应用有助于在构建企业与消费者之间新型沟通平台的同时形成企业间的“激励联盟”，通过市场匹配效应推动制造业高质量发展。

三、 计量模型、变量与数据

(一) 计量模型设定

为验证数据要素对制造业高质量发展的影响，基于上述分析，本文构建基本计量模型如下：

hdmiwjt=α0+α1Bdijt+λXiwjt+Vw+Vj+Vt+εiwjt

(1)

在式(1)中，被解释变量hdmiwjt表示制造业细分行业w中上市公司i在t时期的高质量发展水平，核心解释变量Bdijt表示t时期j地区的数据要素应用水平；λXiwjt表示影响制造业高质量发展的企业以及地区层面的控制变量集合；Vw、Vj、Vt分别表示行业、地区与时间虚拟变量，用于反映行业固定效应、地区固定效应与时间固定效应；εiwjt表示随机扰动项。

需要指出的是，基于最小二乘法的传统面板固定效应模型采用的是条件均值回归，容易受到极端值的影响。而固定效应面板分位数回归模型则可以在减少极端值影响的同时，准确刻画条件分布的全面统计特征。因此，本文进一步构建如下分位数回归模型：

hdmiwjt(τ)=β0(τ)+β1(τ)Bdijt+δ(τ)Xiwjt+Vt+εiwjt

(2)

本文所使用的分位数回归模型考察了在被解释变量的不同分位数点下，解释变量对被解释变量的影响。其中，τ(0<τ<1)代表不同分位点，本文选择0.1、0.25、0.5、0.75、0.9为本文分位数回归的分位点；β1表示数据要素应用对制造业高质量发展在不同分位数点的边际影响。

(二) 变量说明

1.被解释变量。制造业高质量发展是经济高质量发展在制造业层面的集中体现(钞小静等，2021)。已有文献主要采用综合评价法和单指标替代法度量制造业高质量发展，考虑到前者具有明显的主观色彩，因此本文选择单采用指标替代法进行刻画。进一步借鉴已有文献的通用做法，使用制造业全要素生产率这一效率指标测度制造业高质量发展情况。在具体方法选择方面，对比OP、LP等方法在计算微观企业全要素生产率过程中，因为中间投入与劳动、资本以及生产率密不可分导致的不可识别与内生性问题，本文选用ACF法通过放宽OP法与LP法的假设条件提高估计方法的准确性。

2.核心解释变量。本文的核心解释变量是制造业企业数据要素的应用程度(ade)。由于有关制造业中数据使用总量的相关数据难以获得，且数据要素应用程度这一概念本身难以量化，无法通过某个具体指标进行度量。因此，为尽可能准确衡量制造业中数据要素的应用程度，本文在借鉴桑德斯和坦贝(Saunders & Tambe，2013)[33]以及胡必亮(2018)[34]做法的基础上，使用新的方法对数据要素应用程度进行度量，即：基于制造业企业上市公司的披露的年报，通过Python程序抓取年报中与数据要素有关的关键词，根据这些关键词在年报中出现的总次数，构建数据要素应用的变量，即当数据要素有关关键词出现次数大于等于100时赋值6，出现次数介于80-100之间时(包含80)赋值5，出现次数介于60-80之间(包含60)赋值4，出现次数介于40-60之间(包含40)赋值3，出现次数介于20-40之间(包含20)赋值2，出现次数低于20赋值1，若没有出现则赋值0。

本文参考《2021中国大数据发展白皮书》以及相关文献(McAfee & Brynjolfsson，2012；Farboodi et al.，2019)[35-36]，将“大数据”“海量数据”“算力”“分布式文件”“数据预处理”“数据分析”“数据挖掘”“数据化”“机器学习”“可视化”“流式计算”“集中元式数据”“加密设备”作为数据要素的关键词进行检索。

3.控制变量。本文分别控制了企业层面与地区层面影响制造业高质量发展的因素。其中企业层面包括：企业市值(q)，使用托宾Q衡量；资产负债率(zi),使用公司期末负债总额占资产总额的比重衡量；企业盈利能力(profit),使用公司资产收益率衡量；企业股权集中度(share)，使用公司前三大股东股权占比衡量；地区层面包括：地区经济发展水平(gdp)，使用地级市人均gdp衡量；地区金融发展水平(fin)，使用地区金融机构存贷款余额占gdp的比重衡量；地区对外开放水平(open)，使用地区进出口贸易额占gdp的比重衡量；地区产业结构水平(stru)，使用地区第二产业增加值与第三产业增加值的比值衡量。

(三) 数据说明

本文使用的数据为2011—2020年我国制造业上市公司的相关数据，并将上市公司数据与我国283个地级市根据公司注册所在地进行了匹配。上述数据来自《中国城市统计年鉴》、《中国统计年鉴》与国泰安数据服务中心。本文删除了注册地为西藏自治区的上市公司数据，并剔除了*ST类公司数据，对所有连续变量进行1%的双边缩尾处理。其中数据要素应用程度均值为2.416，表明目前我国制造业上市公司的数据要素应用程度不高；制造业高质量发展水平均值为14.287，标准差为1.106，表明我国制造业上市公司之间生产效率差距较大。其他变量的描述性统计如表1所示。

表1 主要变量描述性统计

四、 实证结果与分析

(一) 基准回归结果

表2显示了数据要素发展对我国制造业高质量发展的基准回归结果，在回归过程中，为避免由于可能存在的异方差对回归结果产生的误差，本文在回归结果中均使用稳健标准误进行回归。其中，第(1)列是混合效应模型的回归结果，第(2)列是固定效应模型的回归结果。从表2可以看出，在控制了地区效应、行业效应的基础上，数据要素应用的参数拟合值为0.0871，通过了1%的统计显著性检验，表明数据要素应用对制造业高质量发展具有显著的推动作用。而将回归方法更换为固定效应模型之后可以看出数据要素应用的拟合系数依然显著为正，表明数据要素应用可以显著推动制造业高质量发展。

上述模型刻画了数据要素在均值区间对制造业高质量发展的影响作用，而忽略了其在极值区域的尾部特征。事实上，数据要素对制造业高质量发展的影响作用可能存在非线性的特征。因此，为了准确刻画数据要素对制造业高质量发展的非对称性影响，有效捕捉数据要素与制造业高质量发展的尾部特征，深入挖掘数据要素对制造业高质量发展影响更为丰富的信息，本文进一步使用分位数回归，分别在0.1、0.25、0.5、0.75与0.9五个分位点上进行检验。回归结果如表2的第(3)-(7)列所示，在不同分位数点上数据要素对制造业高质量发展的参数拟合值均显著为正，表明数据要素对制造业高质量发展的各分位数点都具有显著的正向影响，且随着分位数点增大，数据要素的参数拟合值呈现上升趋势，表明推动数据要素应用对制造业发展程度更高地区制造业实现高质量发展具有更强的促进作用，这也说明数据要素一定程度上会产生“累积循环效应”(Aghion et al，2019)[37]，即制造业发展水平较高的地区往往会优先进行技术、设备更新，在生产中率先对数据要素进行应用，而数据要素应用又可以进一步推动当地制造业高质量发展水平的提升。

表2 数据要素对制造业高质量发展的影响：基准回归结果

(二) 内生性讨论

根据基准回归结果显示，数据要素应用显著推动了制造业高质量发展，为了解决内生性问题，本文主要采用两阶段最小二乘法来缓解数据要素应用与制造业高质量发展之间可能存在的内生性。参考黄群慧(2019)[38]等与钞小静等(2020)[39]的构建依据并结合被解释变量的特征，本文选用1990年每百万人微型电子计算机生产数量(di)与1984年每百万人固定电话数量(ft)作为数据要素应用的工具变量。一方面，由于数据要素的载体为电子计算机或信息通讯设备，选取1990年微型电子计算机数量与1984年每百万人固定电话数量符合工具变量相关性要求；另一方面，历史上微电子计算机与固定电话的数量并不会对现阶段制造业高质量发展产生直接影响，符合工具变量的外生性要求。进一步，本文通过乘以ICT行业固定资产投资额为截面数据赋予时间趋势。从表3的回归结果显示，Kleibergen-Paap rk LM 统计量在1%的水平上显著，拒绝了工具变量识别不足的假设，而Cragg-Donald Wald F统计量大于Stock-Yogo弱工具变量识别F检验在1%显著性水平上的临界值，表明拒绝弱工具变量的假设，这也就意味着本文选取的工具变量均通过弱工具变量检验和过度识别检验，即本文选取的上述工具变量有效。而其二阶段回归结果显示数据要素应用的系数均在1%的置信度下显著为正，即数据要素应用对制造业高质量发展具有正向促进作用，与基准回归得到的结果基本一致，证实了本文的核心结论仍然成立。

表3 数据要素对制造业高质量发展的影响(工具变量回归)

(三) 稳健性检验

为了保证文章结论的可靠性，本文进行了一系列稳健性检验，具体如下：一是替换被解释变量。本文在基本回归中使用ACF法测算出的制造业企业全要素生产率来表征制造业高质量发展水平，而在此将ACF法替换换为OP法与LP法后对制造业企业全要素生产率进行重新测算，并分别对数据要素应用水平做回归；二是考虑到东部地区制造业发展水平较高，且数据要素应用程度较高，可能会存在反向因果的问题，由此，本文在剔除了东部地区的样本后对数据要素影响制造业高质量发展的效应进行重新检验；三是将本文所使用的2011—2020年的非平衡面板删减为平衡面板后重新进行检验。

表4为本文的稳健性检验结果。通过表4可以看出，在进行了被解释变量替换、样本剔除等操作后，数据要素应用程度的参数拟合值均显著为正，表明在进行了稳健性处理后数据要素对制造业高质量发展依然存在显著的促进作用。由此可以看出，本文的核心结论是稳健的。

表4 数据要素对制造业高质量发展的影响(稳健性检验)

五、 进一步分析

基于上述分析，本文进一步对数据要素影响制造业高质量发展的作用机制与异质性展开讨论。

(一) 作用机制检验

根据前文分析，本文参考李斌和黄少卿(2021)的机制检验策略[40]，进一步对数据要素影响制造业高质量发展的研发创新效应、生产协同效应与市场匹配效应进行检验。

首先，数据要素可以帮助企业对生产要素进行重新整合，在为企业提供关键性数据支持的同时，创造新知识与新洞见，形成“资源整合-知识创造-生产力提升”的创新路径，推动制造业高质量发展的实现。本文使用制造业上市公司专利申请量(npa)来表征研发创新效应，一般而言，公司专利申请量越大，表明该公司往往会投入更多资源进行研发创新；其次，数据要素通过借助在不同智能终端之间的实时高速流动，有利于实现协同化生产，帮助制造业企业改善生产流程，优化生产模式，实现制造业高质量发展。考虑到数据要素的应用需要以新型电子计算机等终端为载体，而制造业企业的固定资产收益率可以有效刻画企业新型电子计算机等固定资产的收益率，因此本文使用上市公司固定资产收益率(rfa)来表征生产协同效应；最后，借助数据要素，制造业企业可以形成与消费者以及上下游企业之间高效信息沟通平台，提升企业自身与整体产业链的市场匹配效率，进而推动制造业高质量发展。考虑到数据要素发挥的市场匹配效应可以优化企业与市场之间的供需关系，降低企业库存周转率，因此，本文使用制造业上市公司库存周转率(itr)来表征市场匹配效应。本文的作用机制检验结果如表5所示：

表5 数据要素对制造业高质量发展的影响(作用机制检验)

表5的列(1)为研发创新效应的作用机制检验结果。在列(1)中，数据要素应用对企业专利申请量的参数拟合值显著为正，表明数据要素应用有利于促进制造业企业研发创新，推动制造业企业技术进步与知识外溢，由此，假说1得以验证；表5的列(2)为生产协同效应的作用机制检验结果。在列(2)中，数据要素对制造业企业固定资产收益率的拟合系数显著为正，表明数据要素应用有利于帮助制造业企业改善生产工艺，优化生产流程，实现生产制造各个流程的协同化，由此，假说2得以验证；表5的列(3)为市场匹配效应的作用机制检验结果。从列(3)可以看出，数据要素对制造业企业库存周转率的参数拟合值并不显著，表明数据要素应用对制造业企业加速产品流转、实现更精准的供需匹配效果尚未完全体现出来。这可能是因为，一方面当前市场信息不对称程度仍然较高，部分企业对数据要素应用程度有待加强，尚未建立完善的数字化市场甄别机制；另一方面，同一产业链上下游企业之间仍存在交流壁垒，尚未形成有效的“激励联盟”。

(二) 异质性检验

不同类型的企业由于数据要素应用程度不同、数据要素成本存在差异等原因，导致对制造业的推动作用会存在差异。本文从企业所有制异质性、行业异质性以及地区异质性三个角度对数据要素应用对制造业高质量发展的异质性影响进行分析，异质性分析结果如表6所示。

表6 数据要素对制造业高质量发展影响作用(异质性检验)

1.所有制异质性。当企业所有制不同时，数据要素应用对制造业高质量发展的影响作用可能会出现差异。一方面，相较于非国有企业，国有企业经营目标上更注重政治与社会性目标，其追求技术创新，利用数据要素不断挖掘信息、提升生产效率、推动制造业升级的动力相比非国有企业更弱；另一方面，国有企业往往具有更优越的经营环境，获得政府补贴与银行贷款的能力相较于非国有企业更强，缺少主动利用数据要素进行创新的动力。因此，本文推测相较于非国有企业，国有企业利用数据要素发挥其对制造业高质量发展的影响作用更低。由表6的第(1)、(2)列可以看出非国有企业数据要素应用对制造业高质量发展的影响作用显著而国有企业并不显著，表明数据要素的应用在一定程度上会加大国有企业与非国有企业之间生产效率与制造业升级之间的差距。

2.行业异质性。制造业不同细分行业之间，对数据要素的应用程度不同，其对制造业高质量发展所造成的影响也可能会有差别。相较于高技术制造业行业，低技术制造业行业多为劳动密集型行业，对先进技术与设备的需求更低，而数据要素的使用需要以电子计算机、互联网等平台作为载体，因此对于低技术制造业行业而言利用数据要素进行创新、实现生产效率提升的动力较弱，可能会导致数据要素对制造业高质量发展的促进作用被弱化。因此，本文推测，相较于低技术制造业行业，数据要素对高技术制造业的高质量发展推动作用更明显。为验证这一猜想，本文参考朱金生等(2019)的做法[41]，将制造业大类中的29个细分行业划分为高技术制造业行业与低技术制造业行业，并进行分组检验。由表6第(3)、(4)列可以看出在高技术制造业行业组，数据要素应用对制造业高质量发展的影响作用显著为正，而在低技术制造业行业组则不显著。

3.地区异质性。由于我国东中西部地区的资源禀赋与工业水平具有较大差异，在制造业中对于数据要素的使用程度也会存在区别。与中部、西部省市相比，我国东部地区经济发展的数字化、智能化程度较高，技术水平较为先进，在资源配置与制度改革中具有更大优势，这无疑更有利于数据要素在促进制造业高质量发展中发挥作用。因此，本文推测，数据要素对制造业高质量发展的影响作用在我国不同区域存在异质性。由表6第(5)、(6)、(7)列可以看出，在西部地区，数据要素应用对制造业高质量发展具有负向作用，而在中部地区与东部地区，数据要素应用会显著促进制造业高质量发展，东部地区相比中部地区促进作用更加明显。

六、 结论与政策建议

本文立足于数据要素的典型特征，从研发创新效应、生产协同效应与市场匹配效应三个层面阐释数据要素影响我国制造业高质量发展的理论逻辑，并利用2011—2020年我国283个地级市数据与A股制造业上市公司爬虫数据进行了实证检验，得到以下结论：一是数据要素应用对制造业高质量发展具有显著的促进作用，这一结果在进行了稳健性检验与内生性讨论后依旧成立，为加快推动数字要素应用、促进数字经济与实体经济融合提供实证依据。二是当前数据要素应用主要通过研发创新效应与生产协同效应两个效应影响制造业高质量发展，而市场匹配效应对制造业高质量发展的影响尚未完全体现出来，这可能是由于市场信息不对称与上下游企业间存在交流壁垒。三是数据要素应用对制造业高质量发展的促进作用具有显著的异质性特征。具体来看，在企业所有制层面，数据要素对非国有制制造业企业高质量发展的促进作用更强；在行业特征层面，数据要素对高技术制造业高质量发展的促进作用更强；在地区特征层面，数据要素对东部地区制造业高质量发展的促进作用更强。

基于上述结论，本文提出如下政策建议：

第一，大力推动数据要素在制造业中的融合应用。进入数字经济时代，数据成为驱动制造业高质量发展的新的生产要素。现有大数据管理与处理技术、大数据分析方法等均是建立在通用信息技术体系上，为此需要面向制造业高质量发展的大数据需求，开展大数据核心关键技术的研发与应用，由“计算为中心”转向“数据为中心”来重构制造业高质量发展的技术支撑。与此同时，政府应有序推进数据开放共享，在保证数据安全的前提下，对不同类型企业需要应用的数据进行分类、分级管理，打造数据共享交换平台，以此为纽带连接政府与企业之间的数据共享，从而更好地推动数据要素在制造业中的融合应用。

第二，加快构建数据要素使用的底层支撑，充分激活制造业各环节中的数据要素潜能。数据要素应用所依托的集成化信息技术具有非常高的技术壁垒与成本壁垒，新型数字基础设施的建设是数据要素实现采集、传播与分析的底层支撑，有利于帮助数据要素更加快速融入制造业的研发创新、生产制造以及市场匹配各环节。为此，需要结合数据要素从采集到应用对新型数字基础设施的实际需求，加快推进全国一体化大数据中心体系、国家产业互联网等建设，为数据要素在制造业各环节中的高效流通使用提供充足的底层支撑，更好发挥其研发创新效应、生产协同效应与市场匹配效应。

第三，统筹构建多元化、层次化的数据基础制度体系，系统推进制造业高质量发展。不同地区、不同行业、不同企业与数据要素的融合深度与价值转换效率存在明显差异，这就需要分地区、分行业、有针对性地推动数据要素在制造业中的流通使用，在数据产权、流通交易、收益分配、安全治理等方面统筹构建起数据基础制度体系，建立健全数据要素的产权制度、权益保护制度、要素流通和交易制度，系统完善数据要素的市场化配置机制和收益分配机制，在构建政府、企业、社会多方协同治理模式的同时，充分关注分地区、分行业的监管治理问题，以多元化、层次化的数据基础制度体系为数据要素赋能制造业高质量发展提供基础支撑。