數據要素流動賦能企業綠色創新

摘要 數據作為數字經濟發展的關鍵生產要素，具有流動性強、信息量大、復制成本低、附加值高等特征，已成為推動綠色創新和高質量發展的新質生產力。數據的價值在流動和應用中得以實現，因此，促進數據要素高效流動是賦能企業綠色創新的前提條件。基于此，梳理數據要素流動影響企業綠色創新的內在作用機制具有重要現實意義。該研究從數據要素流動影響創新要素優化配置和研發信息高效共享出發，構建數據要素流動影響企業綠色創新的理論框架，并探究了生產效率、融資約束和市場外部關注的中介作用。基于2013—2022年中國A股上市公司數據，實證檢驗了數據要素流動對企業綠色創新的影響，并對中介作用機制進行了檢驗。研究發現：①數據要素流動顯著促進了企業綠色創新，并能同時提升企業綠色創新的數量和質量。通過替換回歸估計方法進行穩健性檢驗，以及采用多種估計方法進行內生性檢驗，均證實了上述結論的穩健性。②異質性分析發現，在政府環境規制強度方面，數據要素流動對低環境規制區域企業綠色創新數量和質量的促進作用強于高環境規制區域；在企業污染程度方面，數據要素流動對非重污染企業綠色創新數量和質量的促進作用強于重污染企業；在企業地區分布方面，數據要素流動對東部地區企業綠色創新數量促進作用高于中西部地區。③從影響機制來看，數據要素流動主要通過提高企業生產效率、緩解融資約束、增強外部市場關注機制促進企業綠色創新。因此，政府應不斷放寬對數據要素流動的規制要求，促進數據要素在市場上的高效安全流動，發揮數據要素流動在降低信息不對稱、緩解融資約束、提高綠色技術研發效率方面的作用，以此賦能企業綠色創新，助力制造業綠色轉型升級。

關鍵詞 數據要素流動；綠色創新；數字化轉型

中圖分類號 X322；F832. 51；F272. 3 文獻標志碼 A 文章編號 1002-2104（2024）11-0120-10 DOI：10. 12062/cpre. 20240734

綠色低碳轉型是推動高質量發展的必由之路。2022年中國生態環境統計年報顯示，工業源廢氣中二氧化硫排放量為183. 5萬t，占排放源統計調查范圍內廢氣中二氧化硫排放總量的75%。促進綠色創新成為推動工業企業節能減排和綠色低碳轉型的關鍵路徑。進入數字經濟時代，數據成為關鍵生產要素［1］。國家互聯網信息辦公室發布的《數字中國發展報告（2022年）》顯示，2022年中國數據產量占全球數據總量的10. 5%，規模高達8. 1 ZB，為數字經濟發展夯實了數據基礎［2］。數據要素具有的技術-經濟特征，能夠通過研發信息共享、數據驅動管理以及實時動態追蹤等方面優化綠色創新流程，成為激發企業綠色創新活力和促進綠色轉型升級的重要投入。數據要素價值發揮依賴數據自由流動，因此，促進數據要素流動將成為企業綠色創新發展的關鍵條件。現有文獻多是圍繞人工智能、數字化轉型等，強調數字技術應用對綠色轉型的影響，對數據要素流動在促進綠色轉型中的作用，尚缺乏深入的探討和研究。黨的二十屆三中全會指出，健全促進實體經濟和數字經濟深度融合制度，推動制造業高端化、智能化、綠色化發展。為此，本研究探討數據要素流動對企業綠色創新的作用機制和影響效應，為數字賦能綠色創新這一新命題提供理論闡釋和實證依據。研究結論對于理解數據作為新型生產要素的全新內涵和特征，以及在賦能中國式經濟現代化的綠色性具有重要意義。

1 文獻綜述

數字經濟是當前推動產業綠色低碳轉型的關鍵引擎。數據要素作為數字經濟發展的核心要素，以數字技術和通信網絡為流動載體，鏈接企業產品研發、生產、銷售等全過程，成為激發企業生產方式綠色變革的關鍵投入。然而，綠色技術創新所具有的高風險、長周期、不確定性和高度環境敏感性等特征，對企業數字化轉型提出了更高要求［3］。以數字化賦能綠色化、綠色化牽引數字化的雙化協同，成為推動數字經濟發展和綠色低碳轉型關鍵抓手。當前已有諸多文獻圍繞數字化與綠色化開展研究，與本研究主題接近的文獻主要關注數字化轉型如何促進綠色創新和數據要素的經濟影響兩個方面。

1. 1 數字化轉型對綠色創新影響的研究

數字化轉型是將人工智能、云計算、大數據等相關數字技術與企業組織結構和業務流程深度融合的過程［4］。其中，以大數據和人工智能為代表的數字技術加速融入企業創新流程，正成為企業綠色創新的關鍵動力［5］。就數字技術的影響而言，相關研究表明大數據不僅通過強化地區環境規制，倒逼企業綠色創新，還可以緩解企業融資約束，加大綠色技術創新投入，并依托提升的人力資本水平，為企業綠色技術創新提供智力支持［6］。金祥義等［7］認為人工智能所提供的模擬實驗平臺應用，能夠開展多輪不同方案的綠色技術研發，并基于已有的歷史試錯數據更正和改善綠色技術創新路徑，提高企業綠色創新效率。呂越等［8］研究發現人工智能促進綠色技術創新的主要途徑是為企業從事研發創新提供數字算法、智能應用和網絡通信等技術。進一步上升到數字化轉型的影響來看，李金昌等［9］研究發現數字化轉型對綠色創新的影響主要通過作用于內部能力建設、市場外部關注、政府補貼3個渠道。李鑫等［3］證實了數字化轉型能夠有效推動企業綠色技術創新，主要通過優化人力資本結構、降低信息不對稱并強化市場正面預期、改善公司治理水平等機制發揮作用。史丹等［10］研究認為數字化轉型通過增大研發投入規模和技術市場交易規模促進綠色創新。王琳等［11］研究發現數字化轉型通過數字化管理技術賦能和數綠協同、業務深耕等方面促進綠色創新，其背后體現的是數字化轉型對資源配置和資源關系組合的作用。Fischer等［12］認為數字化轉型促進企業綠色創新，主要是通過嵌入企業經營環節發揮輔助作用。Mubarak等［13］研究發現數字化轉型促進企業綠色創新主要是通過加強信息共享，促進知識整合，并拓展資源配置空間發揮作用。Yang等［14］認為數字化轉型能夠助推企業拓展市場空間，擴大資源稟賦優勢或催生新的業態，實現企業降本增效和價值創造，促進綠色創新。由此可知，已有文獻主要聚焦企業應用數字技術引起的數字化轉型對其綠色創新影響，缺乏研究數據要素這種數字化轉型中的關鍵投入所產生的綠色創新影響，在數據要素成為數字經濟時代新質生產力的當下，對該問題的研究更為緊迫，尤其是數據要素價值是在流動過程中實現的，因此，探究數據要素流動對企業綠色創新的影響具有重要現實意義。

1. 2 數據要素流動對經濟影響的研究

數據是非競爭性的，是數字經濟“新石油”［15］，數據要素使用可以產生正的外部性和反饋，使企業在競爭中獲得優勢［16］。Farboodi等［17］強調數據就是信息，能夠幫助企業減少生產過程中面臨的不確定性，降低預測誤差。Jones等［18］研究發現數據要素的應用能夠充分提煉新產品、新服務開發的有效信息，在整合、處理、分析的基礎上為產品研發提供解決方案。Briel等［19］認為數據要素所涵蓋的信息還能夠提高企業生產效率和優化資源配置。Veldkamp等［20］研究發現數據要素投入到中間產品生產對創新、增長和宏觀經濟產出有長期影響。陳曉佳等［21］構建數據要素的生產、交易和投入模型，將數據要素納入生產函數，研究發現數據要素與產業融合能夠提高全要素生產率，推動經濟高質量發展。Agrawal等［22］發現在人工智能程序中使用數據可以帶來更大的規模經濟，特別是在更復雜的預測問題中。Goldfarb等［23］強調人工智能中使用數據產生的規模經濟來自網絡外部性，即更多客戶產生更多數據，從而提高產品質量。De Streel［24］發現數據要素在不同企業主體間重復多次使用過程中，不僅能夠保持數據原有的蘊含價值不被削弱，還能實現數據價值不斷增值。張葉青等［25］發現數據的應用能夠通過提高企業的生產效率和研發投入顯著提升企業市場價值。現有文獻已關注到數據要素在信息獲取、降低信息不對稱、產生規模經濟等方面的積極作用，但針對企業綠色創新方面的研究較為缺乏。更為重要的是，原始數據本身并不具有生產要素的屬性，它需要經過收集、整理、流通、交易、應用、分析等環節，才能從數據資源轉變為具有使用價值的數據資本。然而，當前的數據本地化、數據保留、數據隱私保護等規制要求影響了數據的流動，不利于數據要素價值的充分發揮。因此，研究數據要素流動對企業綠色創新的影響，對于打破數據要素流動壁壘，發揮數據要素流動在促進企業綠色創新方面作用，具有重要的理論意義和實踐價值。

與已有研究相比，本研究的創新之處主要體現在3個方面：首先，研究視角的新穎性。突破已有數字技術應用視角下的數字化轉型研究，轉而探討數據要素作為數字化轉型的核心投入對企業綠色創新的影響。其次，對核心問題進行多維度、異質性分析。不僅考察了數據要素流動對企業綠色創新行為的影響，將企業綠色創新區分綠色創新數量和綠色創新質量兩個不同維度，還進一步考察在不同環境規制強度、不同污染程度及不同地區背景下，數據要素流動對企業綠色創新的影響差異。最后，從信息獲取、降低信息不對稱、增加信息披露等視角出發，探討數據要素流動通過提高企業生產效率、緩解融資約束和增強市場關注影響企業綠色創新的可能渠道，挖掘數據要素在促進企業綠色創新過程中的潛在價值。

2 理論分析和研究假設

數據要素流動能夠促進創新要素的優化配置和研發信息的高效共享，從而提高企業決策效率及綠色技術創新能力，推動企業綠色創新。具體影響機制方面，數據要素流動主要通過提高企業生產效率、緩解融資約束和增強市場外部關注度影響企業綠色創新。

2. 1 數據要素流動的綠色創新效應

為降低企業綠色研發成本和綠色創新風險，需要從外部獲取大量綠色創新的信息和資源［26］。在互聯網時代，數據已成為創新要素的重要載體，創新要素隨著數據要素流動而流動［27］。數據流動通過幫助企業擴展現有知識和信息的搜索空間，使得企業能夠有效獲取和利用海量的研發數據信息［10］，并能從以往研發失敗所形成的數據和信息中積累創新經驗，提高企業綠色技術創新能力［28-29］，并減少技術創新所需的試錯成本，推動技術的突破性創新［30］。然而現實中數據要素流動受到諸多規制障礙，放松數字規制政策能夠降低企業內外部研發信息傳播、共享、交流成本，提升研發技術信息傳播效率和擴大信息傳播范圍，由此引起更廣泛的技術溢出效應［31］，幫助企業共享綠色技術創新成果。企業利用大量數據要素投入，開展實時追蹤分析，洞察關于顧客、市場、競爭對手和新產品的最新信息，提高對市場需求狀況分析的精準度，提升企業管理決策效率和水平［32］，減少與對應環境績效間的模糊因果關系，形成綠色技術創新能力基礎［33］。基于上述分析，提出以下研究假設。

H1：數據要素流動能夠促進制造業企業綠色創新。

2. 2 數據要素流動影響企業綠色創新的中介效應

一是提高生產效率的中介作用。數據要素流動能夠助推企業開始從管理者主導的“經驗型決策”轉向高度依賴數據分析結果的“數據驅動型決策”［34］。相對于傳統經驗型決策，數據驅動型決策在科學性和準確性方面更具優勢［35］，尤其是對各種宏觀經濟變量、產品市場供求情況和生產條件等方面的精準預測，確保企業在生產過程中“有的放矢”，從而提升生產效率［36］。數據要素流動利用其承載的有價值信息，緩解企業對勞動、資本、技術等要素配置過程中存在的信息不對稱［1］，并在不同要素之間扮演“黏合劑”的角色，增強各種要素之間的耦合程度，提升企業在不同生產工序的運轉效率。另外，數據要素在投入企業生產過程中，不僅能夠減少資源使用損耗還會提升資源配置效率，有助于提高企業全要素生產效率［21］，使企業投入更少資源獲得更多產出，節約成本，從而有更多的資金進行綠色技術研發，促進企業綠色創新。基于上述分析，提出以下研究假設。

H2：數據要素流動通過提高生產效率渠道促進企業綠色創新。

二是緩解融資約束的中介作用。企業綠色創新的高成本和高風險特征［37］，增加了企業融資難度，導致融資約束成為企業綠色創新過程中面臨的主要障礙［6］，這就要求企業有足夠的資金儲備［9］。在信貸市場上，信息不對稱是導致企業面臨融資約束的主要原因之一。信息不對稱引起融資市場逆向選擇和道德風險問題，增加了金融機構的風險，從而抑制了企業融資［38］。數據要素流動能夠降低借貸雙方的信息不對稱，從而降低融資成本［39］，并能提高信息市場環境透明度，金融機構可以更全面地評估企業的風險和價值［40］，倒逼企業提高披露信息的質量，提高企業信譽度［41］，從而提升企業的信用評級，緩解企業融資約束［42］。數據要素流動通過幫助金融機構更好的預測投資回報來規避風險［15］，在控制信貸風險的前提下，為企業提供融資支持。另外，數據要素流動還可以為企業融資增加更多融資渠道［43］，幫助企業與金融機構建立密切的溝通渠道，增強金融機構對企業綠色創新的信任，為企業綠色創新提供資金支持［44］。基于上述分析，提出以下研究假設。

H3：數據要素流動通過緩解融資約束渠道促進企業綠色創新。

三是增強外部市場關注的中介作用。數據要素流動能夠披露大量企業創新信息［45］，從而幫助投資者和分析師掌握更多評估企業綠色創新水平，進而影響他們的投資決策和輿論引導［46］。考慮到政府對綠色轉型的要求，投資者更偏好投資綠色創新型企業，這會倒逼企業自主開展綠色創新。另外，數據要素流動能夠幫助分析師以更低成本獲取企業更多信息，全面了解企業綠色創新活動，發揮資本市場信息媒介的作用，向外界傳遞企業綠色創新信息，激發企業綠色創新動力。更為關鍵的是數據流動還能引起媒體報道對綠色創新的關注度，從而引導更多的資源流向綠色創新領域［47］。媒體報道在向外部市場廣泛傳播企業綠色創新信息的過程中，能夠有效緩解企業申請綠色信貸時面臨的信息不對稱，使得企業有機會獲得更大規模的綠色貸款［48］。另外，企業被報道的概率提高，向社會公眾傳遞更多企業相關信息，幫助企業樹立良好形象，增加社會公眾對其的認可度，從而激勵企業加快綠色創新［49］。企業根據投資者、分析師和媒體的反饋和關注，及時調整綠色創新策略，提高綠色創新的成功率［50］。基于上述分析，提出以下研究假設。

H4：數據要素流動通過增強外部市場關注渠道促進企業綠色創新。

3 模型設計、變量與數據說明

3. 1 模型設計

3. 2 數據要素流動指標

數據要素權屬關系、權益分配、價值評估、隱私保護、國家安全等方面的復雜性是制約數據要素流動的重要因素［1］。然而目前缺乏準確測度這些因素的量化指標，退而求其次，借鑒蔣為等［51］研究，基于歐洲國際政治經濟研究中心（ECIPE）構建的數字貿易估算項目數據庫（DTE），采用數據規制政策量化數據要素流動程度。該數據庫統計了中國數據本地化、數據保留、資料隱私主體權利、數據隱私管理要求、對違規行為的制裁以及其他限制性措施。這些數據規制政策會束縛數據要素和數字技術效能、范圍和活力，提高數據流動成本，降低數據要素使用效率。參考Ferracane等［52］的研究方法，根據每項數據規制政策所涉及的規制范圍和流動性要求，對每一項數據規制政策0～1賦值，在加權賦值后得到該數據規制政策限制指數（DTRI）。根據量化原則可知，數據規制政策限制指數介于0到1之間，越接近于1，表明數據規制政策限制程度越高，采用1減DTRI的數值代表數據要素流動程度，該數值越接近于1，意味著數據要素流動程度越高。

進一步測算數據要素流動對企業的影響指標。鑒于數據要素是數字化轉型的關鍵驅動因素，進行數字化轉型的企業往往容易受到數據要素流動的影響，為刻畫數據要素流動影響的企業異質性，參照吳非等［53］的研究，采用文本分析法從企業年報中獲取關于企業數字化轉型關鍵詞的詞頻進行加總，并對其進行對數化處理，得到企業數字化轉型程度變量（Digitalit）。進一步以企業i 在t 年的數字化轉型程度（Digitalit）作為權重，加權數據要素流動指標（Dfit），構造企業層面的數據要素流動影響指標（Datait），具體公式見式（2）。

3. 3 變量與數據說明

選取2013—2022年中國A股上市公司數據。其中，上市公司數據主要源自國泰安（CSMAR）；上市公司綠色發明專利和綠色實用新型專利數據從中國研究數據服務平臺（CNRDS）獲得。相關變量的描述性統計見表1。

4 實證結果分析

4. 1 基準回歸

首先，實證檢驗數據要素流動對制造業企業綠色創新的影響效應（表2）。基準回歸結果顯示，依次加入控制變量和控制年份、行業固定效應后，數據要素流動的估計系數均在1%水平上顯著為正，表明數據要素流動能夠顯著促進企業綠色創新，從而驗證了研究假設H1。

4. 2 穩健性檢驗

4. 2. 1 區分企業綠色創新數量和質量

進一步將企業綠色創新活動區分為綠色創新數量和綠色創新質量兩個方面進行穩健性檢驗（表3）。結果表明，無論是否加入控制變量，在控制年份、行業固定效應后，數據要素流動均顯著促進了企業綠色創新數量和綠色創新質量。

4. 2. 2 高維固定效應面板泊松模型

進一步借鑒王分棉等［26］的方法，采用高維固定效應面板泊松模型進行穩健性檢驗，回歸結果見表4，數據要素流動對企業綠色創新、綠色創新數量和綠色創新質量仍存在顯著的正向影響，進一步證實了基準回歸結果的穩健性。

4. 3 內生性處理

4. 3. 1 傾向得分匹配法

采用傾向得分匹配法進行內生性檢驗，緩解樣本選擇問題所導致的內生性偏誤。鑒于數據要素流動發揮作用的前提是企業進行數字化轉型，根據企業數字化轉型程度將樣本劃分為實驗組和對照組，選數字化轉型程度最高1/4的樣本設置為實驗組，其余樣本對照組。采用最鄰近匹配方法進行匹配，基于匹配后的新樣本進行回歸，結果見表5。數據要素流動對綠色創新數量和綠色創新質量仍然存在顯著的正向關系，意味著使用傾向得分匹配方法緩解可能存在的內生性問題后，數據要素流動促進企業綠色創新的結論仍然成立。

4. 3. 2 Heckman兩階段

考慮到樣本可能存在自選擇偏誤的內生性問題，采取Heckman兩階段模型處理內生性問題。由表5結果可知，逆米爾斯比率（IMR）的回歸系數通過了顯著性檢驗，并且數據要素流動回歸系數顯著為正，表明在考慮樣本選擇性偏誤導致的內生性問題后，數據要素流動對企業綠色創新的促進作用依然成立。

4. 4 異質性分析

4. 4. 1 基于政府環境規制強度的異質性檢驗

“波特假設”認為，適宜的環境規制有助于“倒逼”企業綠色技術革新，形成超過環境規制成本的“補償性收益”［54］，企業將綠色創新成果運用于生產過程，能夠減少對原有污染性生產方式的依賴，有效規避環境監管成本。當前環境規制用以約束企業污染行為，引導企業實施環境治理具有重要的作用［55］。不同區域的環境規制水平存在較大差異，這種差異是否會導致數據要素流動對企業綠色創新產生異質性影響值得關注和思考。依據陳詩一等［56］的做法，將企業樣本分為高環境規制組和低環境規制組，以此考察數據要素流動對企業綠色創新驅動作用的異質性，并進行組間系數差異檢驗，結果見表6。比較發現，數據要素流動對企業綠色創新數量和質量的影響具有顯著的組間差異。數據要素流動對低環境規制區域企業綠色創新數量和質量的促進作用強于高環境規制區域。其原因可能在于：低環境規制區域的企業在利用數據要素流動進行綠色創新時可能更加靈活和高效，而高環境規制區域的企業可能因為面臨較高合規成本和監管壓力的限制而受到影響。

4. 4. 2 基于企業污染程度的異質性檢驗

考慮不同企業污染程度存在差異，進一步將企業劃分為重污染企業和非重污染企業，通過分組回歸進行異質性檢驗，并采用費舍爾組合檢驗進行組間差異檢驗，回歸結果見表7。比較發現，數據要素流動對非重污染企業綠色創新數量和質量的促進作用強于重污染企業，其可能原因在于，重污染企業面臨的環境治理壓力更多，融資較非重污染企業更加困難，缺乏開展綠色創新的資金支持，在一定程度上削弱了數據要素流動的促進作用。

4. 4. 3 基于企業地區分布的異質性檢驗

不同地區對數字經濟發展重視程度存在差異，勢必會影響企業綠色創新水平。根據國家統計局2022年公布的中國經濟地帶劃分標準，進一步區分東部地區和中西部地區對數據要素流動的綠色創新效應進行異質性檢驗，同時采用費舍爾組合檢驗進行組間差異檢驗，回歸結果見表8。數據要素流動對東部地區企業綠色創新數量促進作用高于中西部地區，原因可能在于：相比中西部地區，東部地區聚集更多創新型企業，開展綠色創新具備更豐富的資本、技術、人才等要素，數據要素流動能夠更大程度的釋放創新研發要素的活力和價值，促進東部地區綠色創新數量。另外，數據要素流動對東部地區企業綠色創新質量具有顯著促進作用，但對中西部地區企業綠色創新質量促進作用不顯著，其可能原因是，對企業綠色發明專利申請數量為代表的綠色創新質量而言，要求企業所具備的資本、技術、人員等要素條件更為苛刻，東部地區企業更容易獲得相關要素，而中西部地區相對較難，所以數據要素流動對促進東部地區企業綠色創新質量作用顯著。

4. 5 影響機制檢驗

根據上文理論分析，數據要素流動能夠通過提高企業生產率、緩解企業融資約束和增強外部市場關注3個渠道促進企業綠色創新，接下來對上述3個作用渠道進行中介效應檢驗。根據江艇［57］的研究，現有研究過度使用中介效應逐步法檢驗，然而鑒于中介變量對被解釋變量的影響是直接而顯然的。因此，只需要檢驗核心解釋變量與中介變量的因果關系即可。在此基礎上，參考劉斌等［27］的研究思路，通過觀測核心解釋變量對中介變量的影響進行機制檢驗。

4. 5. 1 提高企業生產率的機制檢驗

綜合運用Levinsohn-Petrin方法（簡稱LP法）、Olley-Pakes法（簡稱OP法）、OLS法、FE法測算全要素生產率。表9回歸結果表明，數據要素流動對4種方法測度的全要素生產率均具有顯著的提高作用，證實了研究假設H2成立。

4. 5. 2 緩解融資約束的機制檢驗

根據上文理論分析可知，企業綠色創新面臨較高的風險和不確定性，并且研發周期較長，需要大量資金支持。因此，如果存在融資約束，可能導致企業停止綠色創新活動。借鑒李慧云等［58］衡量企業當前獲得信貸資金（Loan）方法，采用企業期末長期借款和短期借款之和。企業獲得的綠色信貸越多，越能緩解綠色創新的融資約束。表10回歸結果表明，數據要素流動促進企業獲得更多的信貸資金，緩解企業在綠色創新過程中所面臨的融資約束，從而保證企業綠色創新活動的持續開展，該結果驗證了研究假設H3成立。

4. 5. 3 增強外部市場關注的機制檢驗

根據理論分析，數據要素流動通過增強投資者、分析師和媒體等外部市場的關注，對于企業綠色創新具有積極促進作用。投資者和分析師通過數據分析了解企業綠色創新能力和潛力，媒體通過報道傳遞企業綠色創新的成果，共同激勵企業綠色創新。借鑒李金昌等［9］的研究，投資者關注度（Investorf）采用百度搜索指數年度中位數的對數來衡量，該指數主要通過百度搜索關鍵詞中與上市公司相關的搜索量統計得出；分析師關注度（Analystf）采用對企業進行跟蹤并發布報告的分析師人數來衡量；媒體關注度（MA）采用當年企業被全年網絡媒體新聞報道的總數來衡量。表11回歸結果顯示，數據要素流動的回歸系數為正，且在1%水平通過顯著性檢驗，表明數據要素流動能夠顯著增強投資者關注度、分析師關注度和媒體關注度，支持了數據要素流動可以通過增強外部市場關注來促進企業綠色創新的研究假設H4。

5 結論及政策建議

基于2013—2022年中國A股上市公司數據，對數據要素流動與制造業企業綠色創新展開研究。研究發現，數據要素流動能夠顯著促進企業綠色創新，其主要通過提高企業生產效率、緩解企業融資約束、增強外部市場關注3個渠道促進企業綠色創新。穩健性檢驗發現，數據要素流動對企業綠色創新的數量和質量均存在顯著的促進作用。異質性檢驗發現，數據要素流動對低環境規制區域企業、非重污染企業以及東部地區企業的綠色創新數量和質量促進作用更強。

根據研究結論，為更大程度發揮數據要素流動在促進制造業企業綠色創新，助力產業綠色轉型升級方面的潛能，提出以下幾方面的政策建議。第一，政府需要不斷削減數據在要素市場流動的政策壁壘，促進數據要素的高效流通，建立數據共享平臺，鼓勵企業將生產過程中的數據進行共享，促進各企業之間的綠色技術研發合作。第二，政府需要加大對企業綠色創新活動的資金支持力度，擴大綠色金融的覆蓋范圍，同時促進金融機構提供綠色信貸產品。為此，政府可以設立專門的綠色產業基金，向綠色創新企業提供風險投資資金。同時，鼓勵金融機構拓寬融資渠道，為綠色創新企業降低融資成本，提供可持續的資金支持。第三，政府可以建立綠色創新產品和技術的評價體系，為綠色創新企業提供認證和標準化服務，推動其綠色產品在市場上的認可度。同時，政府可以加大對綠色產品的宣傳力度，提高消費者的環境意識和識別度，促進綠色產品的市場需求。此外，政府還可以鼓勵企業開展環境責任報告，及時披露綠色創新成果，提高企業透明度，增強市場關注度。總之，政府可以制定相關政策，通過資金支持、建立數據共享平臺、緩解融資約束、加大宣傳力度等方式來推動企業綠色創新的發展。通過數據要素流動，有助于提高企業的綠色創新能力，實現可持續發展目標。

參考文獻

［1］ 蔡躍洲，馬文君. 數據要素對高質量發展影響與數據流動制約

［J］. 數量經濟技術經濟研究，2021，38（3）：64-83.

［2］ 國家互聯網信息辦公室. 數字中國發展報告（2022）［R］. 2023.

［3］ 李鑫，徐瓊，王核成. 企業數字化轉型與綠色技術創新［J］. 統計

研究，2023，40（9）：107-119.

［4］ 劉淑春，閆津臣，張思雪，等. 企業管理數字化變革能提升投入

產出效率嗎［J］. 管理世界，2021，37（5）：170?190.

［5］ EL?KASSAR A N，SINGH S K. Green innovation and organizational

performance：the influence of big data and the moderating role of

management commitment and HR practices［J］. Technological forecasting

and social change，2019，144：483-498.

［6］ 任英華，劉宇釗，胡宗義等. 大數據發展、知識產權保護對企業

綠色技術創新的影響［J］. 中國人口·資源與環境，2023，33（7）：

157-167.

［7］ 金祥義，張文菲. 人工智能與企業污染減排：智能治理的環境效

應［J］. 中國人口·資源與環境，2023，33（8）：138-145.

［8］ 呂越，馬明會，陳泳昌等. 人工智能賦能綠色發展［J］. 中國人

口·資源與環境，2023，33（10）：100-111.

［9］ 李金昌，連港慧，徐藹婷.“ 雙碳”愿景下企業綠色轉型的破局之

道：數字化驅動綠色化的實證研究［J］. 數量經濟技術經濟研

究，2023，40（9）：27-49.

［10］ 史丹，孫光林. 大數據發展對制造業企業全要素生產率的影響

機理研究［J］. 財貿經濟，2022，43（9）：85-100.

［11］ 王琳，周昕怡，陳夢媛. 從“培育者”到“影響者”：數字化轉型如

何推動綠色創新發展［J］. 中國軟科學，2023（10）：146-163.

［12］ FISCHER M，IMGRUND F，JANIESCH C，et al. Strategy archetypes

for digital transformation：defining meta objectives using

business process management［J］. Information amp; management，

2020，57（5）：103262.

［13］ MUBARAK M F，TIWARI S，PETRAITE M，et al. How industry

4. 0 technologies and open innovation can improve green innovation

performance？［J］. Management of environmental quality：an

international journal，2021，32（5）：1007-1022.

［14］ YANG G G，WANG F Y，DENG F，et al. Impact of digital transformation

on enterprise carbon intensity：the moderating role of digital

information resources［J］. International journal of environmental

research and public health，2023，20（3）：2178.

［15］ National Bureau of Economic Research. Artificial intelligence，

economics， and industrial organization［R］. Cambridge，MA，

USA：National Bureau of Economic Research，2018.

［16］ National Bureau of Economic Research. Data union and regulation

in a data economy［R］. Cambridge，MA，USA：National Bureau of

Economic Research，2023.

［17］ FARBOODI M，VELDKAMP L. Long?run growth of financial data

technology［J］. American economic review，2020，110（8）：2485-

2523.

［18］ JONES C I，TONETTI C. Nonrivalry and the economics of data

［J］. American economic review，2020，110（9）：2819-2858.

［19］ VON BRIEL F，DAVIDSSON P，RECKER J. Digital technologies

as external enablers of new venture creation in the IT hardware sector

［J］. Entrepreneurship theory and practice，2018，42（1）：

47-69.

［20］ VELDKAMP L，CHUNG C. Data and the aggregate economy［J］.

Journal of economic literature，2024，62（2）：458-484.

［21］ 陳曉佳，徐瑋. 數據要素、交通基礎設施與產業結構升級：基于

量化空間一般均衡模型分析［J］. 管理世界，2024，40（4）：

78-98.

［22］ AGRAWAL A，GANS J S，GOLDFARB A. Prediction， judgment，

and complexity：a theory of decision?making and artificial intelligence

［M］. Chicago：University of Chicago Press，2018：89-110.

［23］ GOLDFARB A，TUCKER C，WANG Y W. Conducting research in

marketing with quasi-experiments［J］. Journal of marketing，

2022，86（3）：1-20.

［24］ DE STREEL A. Big data and market power［M］. Bruylant，2018：

97-112.

［25］ 張葉青， 陸瑤， 李樂蕓. 大數據應用對中國企業市場價值的影

響：來自中國上市公司年報文本分析的證據［J］. 經濟研究，

2021，56（12）：42-59.

［26］ 王分棉，賀佳，陳麗莉. 連鎖董事綠色經歷會促進企業綠色創

新“增量提質”嗎［J］. 中國工業經濟，2023（10）：155-173.

［27］ 劉斌，甄洋. 數字貿易規則與研發要素跨境流動［J］. 中國工業

經濟，2022（7）：65-83.

［28］ AKCIGIT U，LIU Q M. The role of information in innovation and

competition［J］. Journal of the European Economic Association，

2016，14（4）：828-870.

［29］ 陶長琪，丁煜. 數據要素何以成為創新紅利：源于人力資本匹

配的證據［J］. 中國軟科學，2022（5）：45-56.

［30］ 謝康，夏正豪，肖靜華. 大數據成為現實生產要素的企業實現

機制：產品創新視角［J］. 中國工業經濟，2020（5）：42-60.

［31］ 徐翔，厲克奧博，田曉軒. 數據生產要素研究進展［J］. 經濟學

動態，2021（4）：142-158.

［32］ 陳國青，張瑾，王聰等.“ 大數據—小數據”問題：以小見大的洞

察［J］. 管理世界，2021，37（2）：203-213.

［33］ GHASEMAGHAEI M，CALIC G. Assessing the impact of big data

on firm innovation performance：big data is not always better data

［J］. Journal of business research，2020，108：147-162.

［34］ PROVOST F，FAWCETT T. Data science and its relationship to

big data and data-driven decision making［J］. Big data，2013，1

（1）：51-59.

［35］ AMCAFEE A，BRYNJOLFSSON E. Big data：the management revolution

［J］. Harvard business Review，2012，90（10）：60-66.

［36］ BRYNJOLFSSON E，MCELHERAN K. The rapid adoption of

data?driven decision?making［J］. American economic review，

2016，106（5）：133-139.

［37］ 徐佳，崔靜波. 低碳城市和企業綠色技術創新［J］. 中國工業經

濟，2020（12）：178-196.

［38］ STIGLITZ J E，WEISS A. Credit rationing in markets with imperfect

information［J］. American economic review，1981，71（3）：

393-410.

［39］ BEGENAU J，FARBOODI M，VELDKAMP L. Big data in finance

and the growth of large firms［J］. Journal of monetary economics，

2018，97：71-87.

［40］ ADUDA J，OBONDY S. Credit risk management and efficiency of

savings and credit cooperative societies：a review of literature［J］.

Journal of applied finance amp; banking，2021，11（1）：99-120.

［41］ 鄭國強，張馨元，趙新宇. 數據要素市場化如何驅動企業數字

化轉型？［J］. 產業經濟研究，2023（2）：56-68.

［42］ ABE M， TROILO M，BATSAIKHAN O. Financing small and medium

enterprises in Asia and the Pacific［J］. Journal of entrepreneurship

and public policy，2015，4（1）：2-32.

［43］ LIBERTI J M，PETERSEN M A. Information：hard and soft［J］.

Review of corporate finance studies，2019，8（1）：1-41.

［44］ LEE I，SHIN Y J. Fintech：ecosystem，business models，investment

decisions，and challenges［J］. Business horizons，2018，61

（1）：35-46.

［45］ BRESCIANI S，CIAMPI F，MELI F，et al. Using big data for co?innovation

processes：mapping the field of data?driven innovation，

proposing theoretical developments and providing a research agenda

［J］. International journal of information management，2021，60：

102347.

［46］ HASSEL L，NILSSON H，NYQUIST S. The value relevance of environmental

performance［J］. European accounting review，2005，

14（1）：41-61.

［47］ KRAUS S，REHMAN S U，GARCíA F J S. Corporate social responsibility

and environmental performance：the mediating role of

environmental strategy and green innovation［J］. Technological

forecasting and social change，2020，160：120262.

［48］ 王營，曹廷求. 董事網絡增進企業債務融資的作用機理研究

［J］. 金融研究，2014（7）：189-206.

［49］ AHERN K R，SOSYURA D. Rumor has it：sensationalism in financial

media［J］. Review of financial studies，2015，28（7）：2050-

2093.

［50］ TRABUCCHI D，BUGANZA T. Data?driven innovation：switching

the perspective on big data［J］. European journal of innovation

management，2019，22（1）：23-40.

［51］ 蔣為，陳星達，彭淼等. 數字規制政策、外部性治理與技術創

新：基于數字投入與契約不完全的雙重視角［J］. 中國工業經

濟，2023（7）：66-83.

［52］ FERRACANE F，LEE?MAKIYAMA H，VANDER M. Digital

trade restrictiveness index［R］. Brussels：European Center for International

Political Economy，2018．

［53］ 吳非，胡慧芷，林慧妍等. 企業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.

［54］ PORTER M E，VAN DER LINDE C. Toward a new conception of

the environment?competitiveness relationship［J］. Journal of economic

perspectives，1995，9（4）：97-118.

［55］ 王永貴，李霞. 促進還是抑制：政府研發補助對企業綠色創新

績效的影響［J］. 中國工業經濟，2023（2）：131-149.

［56］ 陳詩一，張建鵬，劉朝良. 環境規制、融資約束與企業污染減

排：來自排污費標準調整的證據［J］. 金融研究，2021（9）：

51-71.

［57］ 江艇. 因果推斷經驗研究中的中介效應與調節效應［J］. 中國

工業經濟，2022（5）：100-120.

［58］ 李慧云，符少燕，方怡然. 民營企業政治關聯的信息披露效應：

基于碳信息披露的經驗證據［J］. 中國軟科學，2021（7）：

184-192.

（責任編輯：閆慧珺）