数据要素集聚与实体经济结构优化：“脱虚返实”的视角

摘"要：以数据要素集聚为核心的实体经济发展是推动实体经济结构优化的关键。本文基于国家级大数据综合试验区设立，探讨数据要素集聚对企业金融化程度的影响及其内在机理。研究发现：数据要素集聚显著降低实体企业金融化程度，即促进实体经济结构优化。机制识别发现：数据要素集聚可以减弱预防性储备动机并增强实体获利能力，进而抑制企业过度金融化。异质性检验发现：数据要素集聚对企业金融化的抑制作用在民营企业、低金融错配、高偿债能力、地区金融科技水平较高以及法律环境较好的样本中更为明显。进一步分析发现，数据要素集聚也能够提升企业全要素生产率。

关键词：数据要素集聚；企业金融化；预防性储备动机；实体获利能力

中图分类号：F2734；F832""文献标识码：A""文章编号：1001-148X（2024）06-0010-10

一、引"言

党的二十大报告明确指出，要“坚持把发展经济的着力点放在实体经济上”“促进数字经济和实体经济深度融合”。2020年以后，先后印发了《中共中央、国务院关于构建更加完善的要素市场化配置体制机制的意见》《“十四五”数字经济发展规划》以及《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》，明确将数据列为五个生产要素之一，指出数据要素是数字经济深化发展的核心引擎，强调数据对提高生产效率的乘数作用不断凸显，也从数据产权、流通交易、收益分配和安全治理等四个方面对中国数据制度体系和机制的进行了顶层设计和全盘细致谋划。为了发挥数据要素的集聚效应，国家发展改革委在2016年2月批复贵州省成为首个国家级大数据综合试验区，此后又陆续批准北京、天津、河北、内蒙古、辽宁、河南、上海、重庆、广东等9个省份为第二批试验区。大数据综合试验区的构建旨在促进数据要素的流通与共享，从而有效释放其潜在价值，成为试点地区集聚数据要素的关键平台。

2008年以来，大量非金融企业不断脱离实体经济而涉足金融活动，呈现显著的金融化趋势［1］。因此，本文欲从数据要素集聚出发，探讨破解实体经济金融化困境。现有研究对数据要素的经济效应作了丰富地探讨。比如，Müller等（2018）［2］使用包含公司拥有的数据要素解决方案详细信息的独特面板数据集，研究表明数据要素能够提高实体企业生产效率和盈利能力，创造巨大商业价值。而谢康等（2020）［3］则探讨大数据从可能的生产要素成为企业现实生产要素的实现机制，研究表明数据要素能够提升企业产品创新绩效。可见，数据作为生产要素已渗透到企业生产经营的各环节。对此，与本文相关的文献在于探讨大数据综合试验区带来的数据要素集聚的影响效应。在宏观层面，研究表明数据要素集聚主要体现在提高地区全要素生产率［4］、提高试点地区科技创新水平［5］等方面。而在微观层面，也有研究关注了数据要素集聚如何影响企业绿色技术创新［6］。

虽然也有研究从企业内部探讨利用数据要素能够通过资源挤出、治理变革和风险分散显著抑制企业金融化，但是该研究框架存在突出的内生性问题，且缺少关于数据要素的集聚效应如何提升企业从实体获利能力的探讨，即忽视了数据要素的外部集聚效应。对此，本文以国家级大数据综合试验区设立的准自然实验，从预防性储备动机和实体获利能力视角，探讨数据要素集聚对企业金融化的影响及其内在机制。

本文的边际贡献在于：第一，将大数据综合试验区的设立作为数据要素集聚的外生冲击，较好解决内生性问题，准确识别数据要素集聚与企业金融化间的因果关系。第二，基于预防性储备动机和实体获利能力视角，深入剖析数据要素集聚对企业金融化影响的内在机制。第三，研究表明数据要素集聚对特定企业金融化行为有显著抑制作用，可为“脱实向虚”的经济结构优化问题提供新的治理思路。

二、理论分析与研究假设

不少研究表明，金融投资收益逐渐成为非金融企业的重要收益来源，引致金融资产的风险收益错配，极大抑制了企业实业投资的意愿［7］。现有研究将企业金融化动机的根源归结为两个方面：一是由于严重的融资约束使得具有强劲增长机会和风险较高的现金流的公司持有相对较高的现金与非现金资产总额的比率［8］，更多持有金融资产以应不确定性冲击，即预防性动机。二是在外部需求持续低迷和国内经济经历结构转型的双重压力下，实体部门投资收益率和利润率呈现持续下降趋势，同时实体经营风险亦随之上升，即企业实体获利的能力较弱，因而将资源配置到金融投资领域进行短期投机逐利。随着大数据时代发展，数据要素逐渐成为企业经营决策和资产配置取向的微观基础与重要引擎。本文核心逻辑在于，大数据综合试验区设立为实体企业提供了丰富的信息资源，推动了数据要素集聚，可以从提高企业信贷融资便利性以抑制预防性动机，以及增强企业实体获利能力以抑制企业短期投机逐利动机两个途径，减少企业金融资产配置行为，缓解企业“脱实向虚”的倾向。

第一，数据要素集聚可以提高企业信贷融资的便利性，减弱企业资源观下的预防性储蓄动机。信贷融资约束是决定企业投融资政策的重要因素，融资约束限制了企业实体投资的意愿。由于银行信贷融资是外部融资渠道的主要来源，而银企间的信息不对称使得企业面临严重融资约束，进一步加剧了企业配置金融资产的动机。现有研究指出，数据要素能够使外部投资者识别企业利用数据要素创造价值的程度，降低信息搜集成本、决策成本以及信息不对称带来的风险，进而缓解信贷融资约束程度，最终提高企业价值［9］。具体来说，数据要素集聚缓解信贷融资约束的作用主要体现在两个方面：从供给端来看，数据要素的集聚为银行提供全面且准确的企业信息，帮助银行精准评估企业的偿债能力，降低银行对企业信用风险的担忧；从需求端来看，数据要素集聚可帮助企业获得更多的市场信息和机会，借此优化自身经营决策，并利用相关信息增强与银行金融机构的合作，进而获得有利的融资条件。因而，融资约束的缓解可以通过降低企业获取外部资金的成本和难度，减少企业对金融资产的依赖，同时释放的资金可以更有效地用于实体投资，从而抑制企业过度金融化。由此可见，数据要素集聚通过优化数据要素配置和应用，缓解企业信贷融资约束，释放实体投资的资金压力，引导企业资源配置回流实体，减弱企业的预防性储蓄动机。

第二，数据要素集聚可以从智能化转型和产能利用率两个方面提升企业的实体获利能力，进而减弱企业在金融市场的短期投机逐利动机。从企业智能化转型来看，理论模型已证明，以人工智能技术为代表的智能化转型不仅能够促进企业劳动力技能结构调整，提升企业生产效率和企业价值［10］，还能够增强实体经济资本对经济增长的拉动效果，吸引资金从房地产流向实体经济［11］。一般而言，推动智能化转型有助于企业有效应对企业间的竞争困境，增强实体投资信心和服务实体经济能力。具体而言，一方面，数据要素利用在推动智能技术进步过程中起到关键作用，提供人工智能发展所需的训练材料和应用场景。其根源在于，消费者生成的数据作为知识积累的关键因素，研发部门能够使用此类数据进行创新，并为最终产品生产作出贡献。刘征驰等（2023）［12］将数据要素利用与智能技术进步同时纳入内生增长模型框架，发现数据要素利用通过促进智能技术进步能够推动经济持续增长。另一方面，人工智能技术能够推动资本投入到实体经济，减少金融领域的资金流入。唐晓华等（2021）［13］在充分考虑“金融加速器”且引入共生演化机制的基础上，构建了包含人工智能要素的多层嵌套一般均衡模型，发现以人工智能技术为代表的关键技术突破是引导经济“脱虚向实”的有力手段。因此，数据要素集聚能够促进企业智能化转型，增强企业最终产品的生产效率，进而增强实体经济获利的能力，吸引企业资源向实体部门转移。

从产能利用率来看，数据要素集聚能够促进数据基础设施完善，"降低调整成本，提升企业产能利用率，增强企业利用数据要素的外部性。一方面，从企业柔性视角出发，数据要素集聚带来的信息化有助于企业更精确地获得需求信息，提高企业对信息化资源的利用效率，及时有效地对需求冲击作出反应，进而提高产能利用率［14］，帮助企业释放优质产能，降低实体部门非效率投资。另一方面，数据要素集聚能够通过优化生产流程和资源配置，发现生产过程中的瓶颈和低效环节，进而采取针对性措施进行改进，减少资源浪费。据此，数据要素集聚能够产生产能治理效应，抑制企业金融资产配置行为。理论逻辑在于，产能利用效率的提升通常伴随着成本的降低和产品质量的提高，极大增强实体经济的盈利能力［15］，进而抑制企业通过金融化手段追求快速利润的动机。由此可见，数据要素集聚通过降低调整成本，优化信息利用流程，发挥促进金融部门向实体部门的“拉力”作用。

综上所述，本文提出如下两个待检验的研究假说：

H1：大数据综合试验区设立带来的数据要素集聚，可以降低企业的金融化程度，帮助实体部门“脱虚返实”。

H2：大数据综合试验区设立带来的数据要素集聚，可以减弱预防性储备动机和投机逐利动机，进而降低企业的金融化程度。

三、样本选择与研究设计

（一）样本选择与数据来源

本文选取2007—2021年间，且在2016年前上市的我国A股公司，作为基准回归研究样本。特别地，本文初始数据区间为2007—2022年，一方面，选择"2007"年作为本文开始年份是因为2007年开始实施新的会计准则，企业金融资产持有的相关科目被重新界定并实现更为详细的披露，同时突出国际金融危机以来我国金融市场的特殊背景。并且在2007年之前我国企业金融化程度总体较低，而2007年之后开始迅速攀升。因此，将样本限定在2007年之后可以较好地排除一些混杂影响。另一方面，以2021年作为截止年份是因为本文使用未来一期的企业金融化程度作为被解释变量，以缓解时间上的反向因果问题。

上市公司的财务数据来源于CSMAR数据库、Wind数据库以及CNRDS数据库，大数据综合试验区的设立地区和时间通过政府公开网站进行手工搜集与整理而得。样本具体筛选过程如下：（1）剔除金融保险业、ST类以及*ST类的企业；（2）剔除主要变量缺失的样本。此外，剔除2016年以后上市的企业，以满足政策实施前后样本企业均存在观测值的要求，增强处理组和控制组企业的可比性。经过以上处理，最终得到31497个公司-年度观测值。主要连续变量作上下1%分位数Winsorize截尾处理，已排除异常值的干扰。

（二）模型设定与变量定义

为检验大数据综合试验区设立所产生的微观政策效应，即数据要素集聚能否有效抑制企业金融化，本文构建如下双重差分模型：

Finaciali，t+1=γ0+γ1Treat*Posti，t+γ2Controlsi，t+∑Year+∑Firm+εi，t（1）

其中，Financial为企业金融化程度的代理变量，为缓解时间上的反向因果问题，在基准模型中使用t＋1期作为被解释变量。Treat*Post为大数据综合试验区对数据要素集聚的外生冲击变量。Controls表示一系列影响企业金融化的控制变量，分别从企业层面和宏观层面加以控制；Year为年份固定效应，用以控制随时间变化的因素；Firm为企业固定效应，用来控制企业层面不随时间变化的因素；εi，t为随机误差项。为消除异方差对实证结果的影响，本文将标准误在企业层面进行聚类调整。本文主要关注Treat*Post的回归系数γ1，其代表数据要素集聚对企业金融化程度的净影响，若本文理论分析无误，其应显著为负。主要变量的具体定义如下：

1企业金融化程度（Financial）。借鉴Demir（2009）［16］的研究，本文采用企业持有金融资产份额衡量企业金融化程度，即企业金融资产与总资产的比值。其中，对于金融资产的度量，借鉴司登奎等（2023）［17］的研究，本文采用“交易性金融资产、衍生金融资产、可供出售金融资产净额、持有到期的投资净额、投资性房地产净额、货币资金、应收股利净额、应收利息净额”之和表示。基于稳健性的考虑，本文也采取两种替代方案对其重新测度。

2数据要素集聚（Treat*Post）。本文采用大数据综合试验区作为数据要素集聚的外生冲击，设定处理效应变量Treat*Post。具体来说：首先，设定Treat代表受到大数据综合试验区影响的企业的虚拟变量，若企业注册地所在地区设立了大数据综合试验区，则Treat取值为1，否则为0。珠三角地区在建设国家级大数据试验区时，所建设和辐射的影响范围并不局限于珠江三角洲的核心城市，还涉及广东省内的其他城市。因此，本文将广东的所有城市均作为处理组城市［4］，并在后续实证分析中添加珠三角地区为处理组的稳健性检验。其次，设定Post代表大数据综合试验区设立的时间虚拟变量，当样本年度为2016年当年及以后年份时，取值为1，否则为0。贵州省于2015年9月开始建设大数据综合试验区，但直到2016年，国家发展和改革委员会、工业和信息化部、中央网络安全和信息化委员会办公室才正式批复同意，因此我们认为政策效果应于2016年才实际发挥。第二批大数据试验区同样于2016年陆续开始实施，因此本文选择2016年为整个样本期间的政策时点，并在后续实证分析中添加贵州省政策时点2015年的稳健性检验。

3.控制变量（Controls）。参考司登奎等（2023）［17］等已有文献研究，从企业个体特征和地区特征两个方面对可能影响企业金融化的影响因素加以控制，具体包括如下：公司规模（Size）、资产负债率（LEV）、总资产净利润率（ROA）、营业收入增长率（Growth）、经营性现金流量（CF）、股权集中度（TOP1）、股权制衡度（EB）、产权性质（SOE）、独立董事比例（IDIR）、两职合一（DUAL）、公司年龄（LA）以及地区经济发展水平（Econodev）等。变量具体定义如表1所示限于篇幅，各变量的描述性统计结果未作报告，留存备索。

四、实证结果分析

（一）基准回归

本文采用模型（1）进行实证检验，表2报告了数据要素集聚对企业金融化程度的检验结果。可以看出：列（1）为未加入控制变量的回归结果，代表试验区设立对企业金融化的直接影响效果，其中Treat*Post的回归系数为-00266，在1%的统计水平上显著为负。列（2）为加入控制变量的回归结果，Treat*Post的回归系数为-00213，在1%的水平上依然显著为负。综上可知，数据要素集聚有助于抑制企业金融化，假设H1得以验证。

（二）平行趋势假定与无预期效应假定

理论上使用双重差分模型需要满足平行趋势假定，即在政策干预前实验组和对照组的因变量变化趋势一致，并且保证政策实施之前实验组和对照组不能形成明显的有效预期，即满足平行趋势假设和无预期效应假设，否则将会对政策的实施效果形成干扰。为证明政策实施的外生性，本文同时进行了平行趋势检验和预期效应检验。

首先，以大数据综合试验区设立前后五期作为解释变量，分别设定如下虚拟变量：Pre1，试验区设立之前的第一期取1，否则为0，Pre2至Pre5，依此类推；Current，试验区设立当期取1，否则为0；Post1，试验区设立之后第一期取1，否则为0，Post2至Post5，依此类推。本文以Pre1作为基期，回归结果如表3列（1）所示。从中可以看出：试验区设立之前，政策虚拟变量的回归系数均为正但不显著；而试验区设立之后，政策虚拟变量的回归系数均为负，且均至少在10%的统计水平上显著，因而数据要素集聚与企业金融化的关系通过了平行趋势假定。

其次，在模型（1）的基础上加入了大数据综合试验区设立年份前一年的虚拟变量Pre1，以考察大数据综合试验区设立的前一年其政策效果是否显现，即政策外生性需要保证该政策在实施之前并未显现出政策效果。回归结果如表3列（2）所示，Pre1的回归系数不显著，表明在政策实施之前对企业持有金融资产份额未形成预期效应，大数据综合试验区的设立具有外生性。

（三）其他稳健性测试限于篇幅，相关检验结果未作报告，留存备索。

为了提高研究结论的可靠性，我们还分别进行了双重机器学习法（DDML）、合成双重差分检验（SDID）、安慰剂检验、PSM-DID检验、熵平衡匹配（EBM）、遗漏变量的敏感性分析、替换被解释变量、替换解释变量、排除混杂效应等稳健性测试。除此之外，本文也引入行业与年度的交互固定效应（Industry*Year），或者采用行业、城市和省份等三个层面的聚类稳健标准误对模型进行重新估计。总体而言，以上稳健性检验在统计显著性和系数符号上与基准回归保持一致，进一步验证了研究假设。

五、进一步分析

（一）作用机制检验

根据前文的分析，大数据综合试验区设立推动了数据要素集聚，提供丰富的信息资源，一方面可以提高企业信贷融资便利性以抑制预防性动机；另一方面，可以增强企业实体获利能力以抑制企业短期投机逐利动机，进而促进资本向实体部门回流，抑制企业金融资产配置。对此，为进一步检验数据要素集聚影响企业金融化的内在机制，本文借鉴刘冲等（2023）［18］的方法，构建以下两阶段模型：

Mi，t=γ0+γ1Treat*Posti，t+γ2Controlsi，t+∑Year+∑Firm+εi，t（2）

Finaciali，t+1=γ0+γ1M^i，t+γ2Controlsi，t+∑Year+∑Firm+εi，t（3）

其中，M为本文关注的机制变量，分别表示为融资约束（Constraints）、人工智能程度（LnAI）以及产能利用率（CU），其余变量定义与模型（1）一致。本文将模型（2）定义为第一阶段模型，使用双重差分方法识别数据要素集聚对机制变量M的影响。本文将模型（3）定义为第二阶段模型，使用第一阶段模型中机制变量M的拟合值来预测企业金融化程度，反映在数据要素集聚的冲击下，机制变量M的变动如何传导至企业金融化程度。

1"预防性储备动机机制

在信贷融资受限的情况下，企业获取外部资金的成本可能较高，因此企业可能会通过增加金融资产配置来降低对外部融资的依赖，尤其是当这些金融资产能够带来相对较高的收益时，信贷融资约束极大激发了实体企业预防性储备动机。随着大数据综合试验区的设立，数据要素易形成集聚效应，增强金融机构对企业信用状况的了解，降低企业获取信贷融资的难度，为企业开展实体业务提供资金支持，进而较好地扭转整体资源过度“向虚”的倾向。因此，数据要素集聚能够通过缓解企业信贷融资约束机制，抑制企业金融化的预防性储备动机。

对此，本文借鉴Hadlock和Pierce（2010）［19］的研究，使用SA指数来测量企业的相对信贷融资约束程度（Constraints）。具体计算公式为：SA指数＝－0737×资产规模＋0043×资产规模×资产规模－0040×存续年限。可知，SA指数是关于资产规模的二次函数，其对称轴为857且开口朝上。由于本文的企业资产规模（Size）的量纲为元并取自然对数，其取值范围在194376与261532之间，远大于857的对称轴。因此，SA指数越大，企业信贷融资约束程度越小。回归结果见表4列（1）和列（2），第一阶段中Treat*Post的回归系数为00078，且在10%水平上显著；第二阶段中Constraints︿的系数为-27479，在1%统计水平上显著。这说明数据要素集聚能够显著缓解企业信贷融资约束，抑制企业预防性储备动机，进而降低企业金融化程度。

2"实体获利能力机制

为了检验企业的实体获利能力机制，本文从智能化转型和产能利用率两个方面具体考察。首先，新时期人工智能赋能背景下，实体经济关键技术突破能否成为吸引资本回流实体，引导经济“脱虚向实”是关乎供给侧结构性改革成效的关键问题。一方面，数据要素为人工智能技术提供丰富的训练材料和应用场景，推动企业在生产决策过程中采用更为先进的人工智能技术，提升企业生产效率［10］，进而提升企业服务实体经济能力。另一方面，数据要素集聚有助于企业更有效地配置资源，有助于推动企业将资源更多地投入到以人工智能技术为代表的科技创新中，进而减少企业向金融领域的资金流入。基于此，本文借鉴姚加权等（2024）［10］的研究，采用机器学习的方法生成人工智能词典人工智能词典的具体构建方法请参考姚加权等（2024）的研究。，通过对我国"A"股上市公司年报和专利进行文本分析，统计上市公司年报中人工智能词语的数量，然后对其加1取自然对数（LnAI）作为企业人工智能技术的代理变量。该变量越大，说明企业的智能化转型程度越高。回归结果见表4列（3）和列（4），第一阶段中Treat*Post的回归系数为00832，在1%统计水平上显著；第二阶段中LnAI︿的回归系数为-02562，在1%统计水平上显著。这说明数据要素集聚能够显著促进企业人工智能技术发展，推动企业智能化转型，进而抑制企业配置金融资产的行为。

其次，数据要素集聚的作用还在于其对产能利用率的影响。具体来说，一方面，数据要素的集聚能够使企业通过对大量数据的分析和挖掘，准确地识别市场需求，优化产品设计，提升生产效率。另一方面，数据驱动的决策支持系统能够帮助企业更有效地配置资源，优化生产模式，实现供需精准对接，有助于减少资源浪费和过剩产能，减少产能浪费，进而通过提高生产效率和满足市场需求来增加利润，能够增强企业从实体获利的能力，抑制企业追求金融化扩张的动机。因此，数据要素集聚能够形成产能治理效应，提高产能利用率，且抑制企业金融化程度。基于此，本文借鉴李雪松等（2017）［20］的研究，使用随机前沿生产函数法，使用实际产出与前沿产出的比值作为企业产能利用率的代理变量。该变量值越大，意味着企业产能利用率越高。回归结果见表4列（5）和列（6），第一阶段中Treat*Post的回归系数为00040，且在5%水平上显著；第二阶段中CU︿的回归系数为-53263，在1%统计水平上显著。这说明数据要素集聚能够显著提高企业产能利用率，进而减少企业金融化程度，即实体获利能力机制得证。综上所述，研究假设H2得以验证。

（二）数据要素集聚影响企业金融化的期限结构差异

数据要素集聚对企业金融化的影响是一个复杂过程，涉及更深层次的市场结构调整和金融产品创新，因而对不同期限结构的金融资产会产生异质性差异。借鉴现有研究的做法，将交易性金融资产划分为短期金融资产，其余划分为长期金融资产，进而计算出短期金融化（Short_Financial）和长期金融化（Long_Financial）。基于此，检验数据要素集聚对不同期限类型企业金融化的影响。回归结果如表5所示，从中可以发现：在列（1）企业持有短期金融资产的样本中，Treat*Post的回归系数没有通过显著性检验；而在列（2）企业持有长期金融资产的样本中，Treat*Post的回归系数为-00180，在1%的统计水平上显著为负。以上结果说明数据要素集聚主要抑制了企业持有更多的长期金融资产，而不是短期金融资产。

（三）异质性分析

第一，基于产权性质的异质性分析。由于民营企业通常资源有限，可能缺乏足够的资金和技术支持来有效利用数据要素，同时可能面临更严格的市场准入门槛和融资难度，其具有更强的金融化动机。对此，本文将样本分为民营企业和国有企业，分组检验数据要素集聚对企业金融化的影响，回归结果如表6列（1）和列（2）所示。结果显示：在民营企业（SOE=0）中，Treat*Post的系数为-00224，在1%的统计水平上显著为负；而在国有企业（SOE=1）中，Treat*Post的系数为-00158，在1%的统计水平上显著为负。由组间系数差异检验（Chow"Test）可知，数据要素集聚在民营企业和国有企业组之间存在显著差异，这表明数据要素集聚对民营企业金融化动机的抑制作用更大。

第二，基于金融错配程度的异质性分析。低金融错配程度的企业通常拥有稳定和有效的金融资源配置机制，其进行金融资产配置动机和便利性更高，然而数据要素集聚可能引入额外的复杂性和不确定性，冲击其已有的资源配置效率。相反地，高金融错配程度的企业获得金融资源的能力较差。基于此，本文借鉴邵挺（2010）［21］的研究，以企业的资金使用成本对所在行业平均资金使用成本的偏离程度来构建企业金融错配程度的指标，并根据其年度中位数设置分组变量Mismatch，当其在样本年中位数以上时取1，反之取0，分组检验数据要素集聚对企业金融化的影响，回归结果如表6列（3）和列（4）所示。从中可以发现：在低金融错配程度（Mismatch=0）的样本中，Treat*Post的回归系数为-00289，在1%的水平上显著为负；而在高金融错配程度较（Mismatch=1）的样本中，Treat*Post的回归系数为-00086，仅在10%的水平上显著为负。根据组间系数差异检验（Chow"Test），数据要素集聚在低金融错配程度组和高金融错配程度组之间存在显著差异，这表明数据要素集聚对低金融错配程度企业的金融化动机的抑制作用更大。

第三，基于企业偿债能力的异质性分析。一般而言，高偿债能力的企业具有更强的财务稳定性和较低的财务风险，其可能将金融资产作为资金储备以应对未来投资机会或风险。相比之下，低偿债能力的企业可能更倾向于保守的财务管理策略，而不是追求通过金融化活动带来的潜在收益。基于此，本文以企业流动比率的年中位数设置分组变量Flow，当其在样本年中位数以上时取1，反之取0。进而将样本分为低偿债能力企业和高偿债能力企业，分组检验数据要素集聚对企业金融化的影响，回归结果如表6列（5）和列（6）所示。结果显示：在低偿债能力（Flow=0）的样本中，Treat*Post的回归系数不具有显著性；而在高偿债能力（Flow=1）的样本中，Treat*Post的回归系数为-00331，在1%的统计水平上显著为负。由组间系数差异检验（Chow"Test）可知，数据要素集聚在低偿债能力组和高偿债能力组之间存在显著差异，这表明数据要素集聚对高偿债能力企业的金融化的抑制作用更大。

第四，基于地区金融科技水平的异质性分析。金融科技的发展能够提高金融服务的效率和可达性，同时更有效地识别和管理金融投资中的风险，使得企业更容易获得金融资源，进而可能导致企业增加对金融资产的持有和金融投资的活动。而低金融科技水平地区的企业缺乏足够的金融科技创新和应用，导致企业对金融产品和服务的接触有限，因而该地区企业的金融化投资动机较弱。基于此，本文借鉴李春涛等（2020）［22］的研究，以“金融科技”等48个关键词百度新闻高级检索具体指标计算和数据处理过程请参见李春涛等（2020）。，来构建地级市金融科技发展水平，并根据其年中位数设置分组变量Fintech，当其在样本年中位数以上时取1，反之取0，分组检验数据要素集聚对企业金融化的影响，回归结果如表7列（1）和列（2）所示。结果显示：在低金融科技水平地区（Fintech=0）的样本中，Treat*Post的回归系数没有通过显著性检验；而在高金融科技水平地区（Fintech=1）的样本中，Treat*Post的回归系数为-00289，在1%的统计水平上显著为负。由组间系数差异检验（Chow"Test）可知，数据要素集聚在低金融科技水平地区组和高金融科技水平地区组之间存在显著差异，这表明数据要素集聚对高金融科技水平地区的企业金融化抑制作用更大。

第五，基于制度环境的异质性分析。由于法律、监管和市场基础设施更加完善，降低了地区制度环境较好的企业的金融交易不确定性和风险，从而激发企业进行金融投资和资本运作。相比之下，制度环境较差的企业面临更高的交易成本和风险，使其金融化动机较弱。基于此，本文以樊纲市场化指数中的“市场中介组织的发育和法律制度环境”得分的年度中位数设置分组变量Law，当得分在样本年中位数以上时取1，反之取0，分组检验数据要素集聚对企业金融化的影响，回归结果如表7列（3）和列（4）所示。结果显示：在法律环境相对较差（Law=0）的样本中，Treat*Post的回归系数没有通过显著性检验；而在法律环境相对较好（Law=1）的样本中，Treat*Post的回归系数为-00300，在1%的统计水平上显著为负。由组间系数差异检验（Chow"Test）可知，数据要素集聚在制度环境相对较差组和制度环境相对较好组之间存在显著差异，这表明数据要素集聚对地区法律环境相对较好的企业的金融化抑制作用更大。

（四）数据要素集聚下脱虚向实的经济效应

数据要素集聚通过抑制企业金融化是否产生了经济后果，对实体企业全要素生产率发挥了积极作用？基于此，本文借鉴胡珺等（2023）［23］的研究，分别采用OP法、LP法以及OLS法来测算企业全要素生产率（TFP），构建如下模型对企业全要素生产率的经济效应进行检验：

TFPi，t+1=γ0+γ1Treat*Posti，t+γ2Controlsi，t+∑Year+∑Firm+εi，t（4）

其中，TFP为全要素生产率，包括TFP_OP、TFP_LP以及TFP_OLS等三个指标，其余变量与模型（1）一致。同样考虑时滞效应，本文研究的是数据要素集聚对t+1期全要素生产率的影响。Treat*Post的系数γ1表示数据要素集聚对企业全要素生产率的影响。如果数据要素集聚产生了经济效应，促进了企业全要素生产率的提升，则系数γ1显著为正。由表8列（1）—列（3）的结果显示：Treat*Post的回归系数均为正，且均至少在10%以内的统计水平上显著，说明数据要素集聚能够促进企业的生产效率转化，表现为提高企业全要素生产率。可能的原因在于数据要素集聚通过缓解企业信贷融资约束，促进智能化转型，同时更有效地处理产能过剩的问题，使企业能够更有效地利用和管理各类资源，从而在不增加传统生产要素投入的前提下实现产出的增长和生产效率的提升。

六、研究结论与政策启示

随着国家级大数据综合试验区的建立，数据要素开始在试点地区集聚，这不仅促进了数据资源的有效利用，也使得在数据要素驱动下如何治理企业金融化逐渐受到学术界的高度重视。为了深入理解这一现象，本文以国家级大数据综合试验区为研究对象，探讨了数据要素集聚对企业金融化程度的影响及其作用机制。研究发现，数据要素的集聚显著降低了实体企业的金融化水平，尤其是减少了长期金融资产的持有，这一结论在经过多重严格检验后依然稳健。作用机制检验发现，数据要素集聚既可以降低融资约束程度以抑制预防性动机，也可以推动智能化转型、提升产能利用率来增强企业实体获利能力，以抑制企业短期投机逐利动机，进而抑制企业金融资产配置。此外，异质性检验表明，数据要素集聚对不同类型企业的影响存在差异，特别是在民营企业、低金融错配、高偿债能力、地区金融科技水平较高以及法律环境较好的企业中，其抑制作用更为显著。最后，本文还发现数据要素集聚还能提升企业的全要素生产率，促进实体经济的健康发展。

根据以上结论，可以得到如下政策启示：第一，加强数据要素集聚区的建设与管理。政策制定者应重视国家级大数据综合试验区的建设和发展，通过提供政策支持和财政激励，促进数据要素的集聚和流通。同时，加强对数据要素集聚区的管理，确保数据安全和隐私保护，为企业提供一个稳定可靠的数据环境。第二，促进企业智能化转型和技术创新，改善信贷融资环境。鉴于数据要素集聚能够通过智能化转型和技术创新增强企业实体获利能力，政府可以推出相关政策，鼓励企业采用先进的信息技术，进行数字化升级。此外，提供研发资助、税收减免等激励措施，支持企业在智能化和技术创新方面的投入。数据要素集聚有助于缓解企业的信贷融资约束。因此，政府和金融机构应共同努力，改善信贷融资环境，为企业提供更加宽松和多样化的融资渠道。例如，可以通过建立风险补偿机制、提供信贷担保服务以及发展多层次资本市场，来降低企业的融资成本和风险。第三，差异化支持不同类型企业的健康发展，抑制不利的金融化动机。比如，对民营企业提供有针对性的支持政策，提供更多的数据资源访问权限、降低数据使用成本，以及提供定制化的金融和技术咨询。而对于具有较强偿债能力的企业，可以提供更为灵活的信贷政策和更优惠的利率条件，鼓励这些企业进行长期投资。

参考文献：

［1］"彭俞超，黄志刚.经济“脱实向虚”的成因与治理：理解十九大金融体制改革［J］.世界经济，2018，41（9）：3-25.

［2］"Müller，"O.，"Fay，"M.，Vom"Brocke，"J."The"Effect"of"Big"Data"and"Analytics"on"Firm"Performance："An"Econometric"Analysis"Considering"Industry"Characteristics［J］."Journal"of"Management"Information"Systems，nbsp;2018，35（2）："488-509.

［3］"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.

［4］"邱子迅，周亚虹.数字经济发展与地区全要素生产率——基于国家级大数据综合试验区的分析［J］.财经研究，2021，47（7）：4-17.

［5］"刘传明，陈梁，魏晓敏.数据要素集聚对科技创新的影响研究——基于大数据综合试验区的准自然实验［J］.上海财经大学学报，2023，25（5）：107-121.

［6］"陈文，常琦.大数据赋能了企业绿色创新吗——基于国家级大数据综合试验区的准自然实验［J］.财经科学，2022（8）：76-92.

［7］"潘红波，杨海霞，徐雅璐.房产限购与企业创新投资——基于信贷资源重配视角的研究［J］.珞珈管理评论，2022（2）"：48-66.

［8］"Opler，"T.，"Pinkowitz，"L.，"Stulz，"R.，et"al."The"Determinants"and"Implications"of"Corporate"Cash"Holdings［J］."Journal"of"Financial"Economics，"1999，52（1）："3-46.

［9］"苑泽明，于翔，李萌.数据资产信息披露、机构投资者异质性与企业价值［J］.现代财经（天津财经大学学报），2022，42（11）：32-47.

［10］姚加权，张锟澎，郭李鹏，等.人工智能如何提升企业生产效率？——基于劳动力技能结构调整的视角［J］.管理世界，2024，40（2）：101-116+133+117-122.

［11］林晨，陈小亮，陈伟泽，等.人工智能、经济增长与居民消费改善：资本结构优化的视角［J］.中国工业经济，2020（2）：61-83.

［12］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.

［13］唐晓华，景文治，张英慧.人工智能赋能下关键技术突破、产业链技术共生与经济“脱虚向实”［J］.当代经济科学，2021，43（5）：44-58.

［14］王永进，匡霞，邵文波.信息化、企业柔性与产能利用率［J］.世界经济，2017，40（1）：67-90.

［15］Feng，"Q.，"Hu，"X.，"Deng，"X.，et"al."Anti-corruption"Campaign"and"Capacity"Utilization"of"State-owned"Enterprises："Evidence"from"China’s"Central"Committee"Inspection［J］."Economic"Analysis"and"Policy，"2023，80："319-346.

［16］Demir"F."Financial"Liberalization，"Private"Investment"and"Portfolio"Choice："Financialization"of"Real"Sectors"in"Emerging"Markets［J］."Journal"of"Development"Economics，"2009，88（2）："314-324.

［17］司登奎，李小林，孔东民，等.利率市场化能降低企业营运风险吗？——基于融资约束和企业金融化的双重视角［J］.金融研究，2023（1）：113-130.

［18］刘冲，曾琪，刘莉亚.金融强监管、存贷长期化与企业短债长用［J］.经济研究，2023，58（10）：75-92.

［19］Hadlock，"C."J.，Pierce，"J."R."New"Evidence"on"Measuring"Financial"Constraints："Moving"beyond"the"KZ"Index."The"Review"of"Financial"Studies，"2010，23（5）："1909-1940.

［20］李雪松，赵宸宇，聂菁.对外投资与企业异质性产能利用率［J］.世界经济，2017，40（5）：73-97.

［21］邵挺.金融错配、所有制结构与资本回报率：来自1999—2007年我国工业企业的研究［J］.金融研究，2010（9）：51-68.

［22］李春涛，闫续文，宋敏，等.金融科技与企业创新——新三板上市公司的证据［J］.中国工业经济，2020（1）：81-98.

［23］胡珺，方祺，龙文滨.碳排放规制、企业减排激励与全要素生产率——基于中国碳排放权交易机制的自然实验［J］.经济研究，2023，58（4）：77-94.

Data"Elements"Agglomeration"and"Real"Economic"Structure"Optimization：

From"the"Perspective"of"“Returning"to"the"Real”

WEN"Jie1，"ZAHNG"Zhenkun2，"WU"Dinwen3

（1."School"of"Finance，"Jiangxi"University"of"Finance"and"Economics，Nanchang"330013，China；

2."School"of"Management，"Jinan"University，Guangzhou"510632，China；

3."Institute"for"Financial"and"Accounting"Studies，"Xiamen"University，Xiamen"361000，China）

Abstract：Gather"data"elements"as"the"core"of"the"real"economy"development"is"the"key"to"promote"the"real"economy"structure"optimization.Based"on"the"establishment"of"national"big"data"comprehensive"pilot"zone，"this"paper"discusses"the"impact"of"data"factor"agglomeration"on"the"degree"of"enterprise"financialization"and"its"internal"mechanism.The"results"show"that"data"factor"agglomeration"significantly"reduces"the"financialization"degree"of"real"enterprises，"that"is，"it"promotes"the"structural"optimization"of"real"economy.Mechanism"identification"finds"that"data"factor"agglomeration"can"weaken"the"motivation"of"precautionary"reserve"and"enhance"the"profitability"of"entities，"thus"inhibiting"the"excessive"financialization"of"enterprises.The"heterogeneity"test"finds"that"the"inhibitory"effect"of"data"factor"agglomeration"on"corporate"financialization"is"more"obvious"in"the"samples"with"private"enterprises，"low"financial"mismatch，"high"solvency，"high"regional"fintech"level"and"better"legal"environment.Further，"data"element"agglomeration"can"improve"enterprise’s"total"factor"productivity.

Key"words：data"element"agglomeration;"enterprise"financialization;"precautionary"reserve"motive;"physical"profitability"

（责任编辑：周正）