- 主办单位:
- ISSN:
- 期刊分类:
- 出版周期:
- 投稿量:
- 浏览量:
相关文章
暂无数据
公共数据开放对企业数字化变革的影响研究——基于地方政府数据开放平台的准自然实验
The Impact of Public Data Openness on Enterprise Digital Transformation: A Quasi-Natural Experiment Based on Local Government Data Openness Platforms
引言
人类正在经历数字经济时代，推动数字化变革是顺应时代潮流，实现可持续发展，建设现代化产业体系的必然要求，同时全领域的数字化建设对于打破原有世界经济格局，领跑全球发展具有重要意义，亦是推动企业缓解融资约束、激发创新潜能、实现高质量创新的关键策略。党的二十大报告提出，“坚持把发展经济的着力点放在实体经济上”，“加快发展数字经济，促进数字经济和实体经济深度融合，打造具有国际竞争力的数字产业集群”。 随着全范围、宽领域的数字化变革持续向纵深推进和对数字化变革发展不断提升的要求，数字化建设正面临着一系列的挑战。如何有效地将迎面的挑战转化为数字化变革的发展机遇是企业数字化变革的关键。
公共数据是由政府部门及具有公共管理和服务职能的组织在依法履职或提供公共服务过程中收集、产生的数据资源，是数据要素中占比最大的种类。2016年，时任中国国务院总理李克强在全国推进简政放权放管结合优化服务改革电视电话会议上提到，“目前我国信息数据资源80%以上掌握在各级政府部门手里，‘深藏闺中’是极大浪费。”如何通过市场这双无形之手盘活其手中持有的80%以上的信息数据资源的价值，正成为中国政府在从“数据大国”迈向“数据强国”的关键问题。中国政府在此需求下，相继出台了多项政策以支持其释放政府数据要素价值。2014年，中国政府将“大数据”首次写入政府工作报告。2015年，国务院发布的《促进大数据发展行动纲要》明确提出要推动政府数据的开放与共享，消除信息孤岛现象，并鼓励企业和公众积极开发利用这些开放的数据资源。此后，中国政府还通过了多项政策的实施来确保公共数据开放。数据要素的开放和流动为企业数字化变革带来源源不断的“燃料”，然而现有文献缺乏对这些“燃料”如何影响企业数字化变革，将把数字化变革的未来带往哪个方向的关注。
基于上述分析，本文为识别公共数据开放对企业数字化变革的因果关系，以2007-2024年上市A股企业作为研究样本，利用地方政府开通的官方数据开放平台的准自然实验，采用渐进式双重差分法系统考察政府数据共享对企业数字化变革的影响。具体而言，首先，根据各城市政府建立数据开放平台与否来检验政府数据共享对企业数字化变革的整体影响。其次，采用平行趋势检验、剔除部分样本、PSM-DID等多种方式进行稳健性分析。最后，从区位优势禀赋、基础设施建设、开放平台质量以及行业密集度类型这四个维度进行异质性分析。研究发现，政府释放数据要素价值显著提高了企业数字化变革水平。
一、理论分析与假设提出
数字化变革作为企业融入数字经济时代、转入数字生产体系的关键环节，逐步成为学界热议的问题。从宏观层面来看，政府数字补贴、数据生态构建、数字金融赋能、基础设施建设等关键因素都在企业数字化变革过程中起到了重要作用；从微观层面来看，耐心资本，数字技术人才，人工智能技术应用等都可能潜在影响企业数字化变革的发展进程。上述研究从宏微观两方面入手，剖析企业数字化变革的潜在影响因素，但并未抓住数字化变革中企业发展数字技术所要求的生产要素——数据要素。
数字化变革的本质是通过发展和创新数字技术使得数据要素更好地融入、作用和改变生产力与生产方式，使得企业降低不确定性，缓解融资约束，优化资源配置，提高市场竞争力，最终实现生产力与生产方式的数字化转型。而数据要素作为第五生产要素，在企业数字化变革的各个过程中都发挥着不可或缺的影响。因此，本文基于公共数据开放这项政策，研究在数据要素中占据最高比例的公共数据如何影响企业数字化变革。
具体而言，公共数据开放政策意味着政府面向公众释放公共数据要素的价值，这些公共数据在数字技术的训练、生产方式的转变以及信息不对称的缓解中赋能企业数字化变革。就数字技术训练而言，政府为公众提供包含经济建设、工业制造、信用服务、教育科技等诸多领域的，同时具有非排他性、低复制成本和重复可用性的公共数据。企业可以通过直接下载或数据接口获取这些数据，通过其训练数字技术并推动自身数字技术的创新和发展，提高数字治理能力。就生产方式的转变而言，公共数据作为国家基础性战略资源，正从信息载体转化为关键生产要素。同时，企业的生产方式正在从经验驱动转向数据驱动。企业可以借助开放平台获取低成本、高质量外部数据，直接提升研发决策效率，同时通过公共数据优化运营方式，带动供应链协同发展。就信息不对称的缓解而言，政府面向公众开放数据的行为本质上就是为打破信息孤岛，缩小数字鸿沟以及缓解政企信息不对称。政府释放数据要素价值实质上是给予公众数字资产投入，并降低公众对数据使用所需重复采集和清洗的沉没成本。因此，公共数据开放将推动企业数字化变革。
假设H：给定其他条件不变，公共数据开放将显著提升企业数字化变革水平。
二、研究设计
（一）模型设计
为识别政府公共数据平台开放对企业数字化变革的影响，本文构建的固定效应模型如下：
其中，被解释变量为企业数字化变革水平DIGITAL，解释变量为公共数据平台开放OPENDATA，CONTROLS表示一系列控制变量，代表企业固定效应，代表时间固定效应，代表城市固定效应，代表行业固定效应，代表随机扰动项（下标中i代表不同企业，t代表不同时间）。
（二）变量选择
1. 被解释变量
本文选取的被解释变量为企业数字化变革（DIGITAL）。本文参考吴非等的做法，通过对企业年报中关于人工智能技术、大数据技术、云计算技术以及区块链技术的关键词进行词频收集，最终以词频数的自然对数来衡量企业数字化转型的水平。
2. 核心解释变量
本文采取的核心解释变量是公共数据平台开放（OPENDATA），该变量是参考复旦大学数字与移动治理实验室联合国家信息中心数字中国研究所发布的《中国地方公共数据开放利用报告》中提供的历年各城市公共数据开放平台上线时间，结合通过网络搜索引擎进行辅助查验的方法得到。若企业所在地区上线了政府数据开放平台，则当年及后续年份均赋值为1，否则为0。
3. 控制变量
本文采用的控制变量包括企业规模（SIZE）、上市年龄（AGE）、资产负债率（LEV）、盈利能力（ROA）、经营性现金流（CASH）、成长性（GROWTH）、两职合一（DUAL）、审计师声誉（AUDIT）。主要变量定义如表1所示。
| 变量类型 | 变量名称 | 变量定义 |
|---|---|---|
| 被解释变量 | DIGITAL | 企业数字化转型词汇占比 |
| 解释变量 | OPENDATA | 政府数据开放平台上线的虚拟变量 |
| 控制变量 | SIZE | 公司规模，以当年总资产的自然对数来衡量 |
| AGE | 上市年限，以上市年数加1后取自然对数来衡量 | |
| LEV | 资产负债率，以当年总负债除以总资产来衡量 | |
| ROA | 盈利能力，以当年总资产收益率来衡量 | |
| CASH | 经营性现金流，以经营现金流量回报率来衡量 | |
| GROWTH | 成长性，以当年营业收入率来衡量 | |
| DUAL | 两职合一，以董事长和总经理是否为同一人来衡量 | |
| AUDIT | 四大审计，以审计师是否来自国际四大会计师事务所来衡量 |
（三）数据来源与处理
本文以2007-2024年中国A股上市公司作为研究对象，并对样本数据进行以下处理：第一，剔除主要财务指标缺失的样本；第二，剔除原始数据中ST、*ST和PT类的样本；第三，为减少极端值对统计结果的影响，本文采用winsor缩尾法对所有连续变量进行上下1%的处理。本文企业层面的财务数据来源于国泰安数据库（CSMAR），各地政府公共数据平台的相关数据来自《中国开放数林指数》以及各省市政府官方网站发布的文件通知整理而来。
三、实证结果分析
（一）基准回归结果
表2报告了公共数据平台开放对企业数字化变革的基准回归结果。其中，第（1）列为加入控制变量但未加入固定效应的回归结果，核心解释变量（OPENDATA）的估计系数为1.025，在1%水平上显著为正，初步表明公共数据平台上线对企业数字化变革具有正向推动作用。第（2）列在此基础上进一步控制企业固定效应以吸收企业层面不随时间变化的不可观测特征，核心解释变量（OPENDATA）的估计系数调整为0.219，依然在1%水平上显著。第（3）至（5）列逐步引入年份固定效应、城市固定效应和行业固定效应，以全面控制宏观时间趋势和地区、行业层面的系统性差异。在最为严格的第（5）列完整模型中，核心解释变量的估计系数为0.097，在1%水平上显著为正。各列中核心解释变量（OPENDATA）的系数符号与显著性保持高度稳健，说明公共数据平台开放对企业数字化变革具有显著且稳健的促进效应。
| Dep Var = DIGITAL | |||||
|---|---|---|---|---|---|
| (1) | (2) | (3) | (4) | (5) | |
| OPENDATA | 1.025*** | 0.219*** | 0.101*** | 0.102*** | 0.097*** |
| (36.28) | (10.42) | (4.84) | (4.81) | (4.72) | |
| SIZE | 0.112*** | 0.298*** | 0.255*** | 0.260*** | 0.262*** |
| (7.97) | (15.80) | (13.81) | (13.70) | (14.20) | |
| AGE | -0.027 | 0.918*** | 0.366*** | 0.364*** | 0.342*** |
| (-0.63) | (18.74) | (3.15) | (3.10) | (2.99) | |
| LEV | -0.774*** | -0.157** | -0.103 | -0.122* | -0.112 |
| (-8.72) | (-2.06) | (-1.41) | (-1.68) | (-1.62) | |
| ROA | -1.634*** | -0.404*** | -0.148 | -0.125 | -0.045 |
| (-7.62) | (-3.36) | (-1.26) | (-1.07) | (-0.41) | |
| CASH | -1.025*** | 0.080 | -0.085 | -0.070 | -0.060 |
| (-7.26) | (1.01) | (-1.11) | (-0.91) | (-0.81) | |
| GROWTH | 0.117*** | 0.058*** | 0.028** | 0.029*** | 0.025** |
| (6.31) | (5.05) | (2.53) | (2.65) | (2.32) | |
| DUAL | 0.346*** | -0.006 | 0.003 | 0.009 | 0.005 |
| (10.87) | (-0.30) | (0.16) | (0.43) | (0.26) | |
| AUDIT | -0.093 | 0.002 | -0.015 | -0.020 | -0.031 |
| (-1.49) | (0.04) | (-0.27) | (-0.35) | (-0.56) | |
| CONSTANT | -0.636** | -7.294*** | -4.728*** | -4.822*** | -4.811*** |
| (-2.23) | (-20.89) | (-9.46) | (-9.44) | (-9.73) | |
| FIRM | No | YES | YES | YES | YES |
| YEAR | No | No | YES | YES | YES |
| CITY | No | No | No | YES | YES |
| INDUSTRY | No | No | No | No | YES |
| N | 48129 | 47951 | 47951 | 47951 | 47582 |
| R2 | 0.160 | 0.765 | 0.790 | 0.792 | 0.797 |
| Adj. R2 | 0.16 | 0.74 | 0.77 | 0.77 | 0.77 |
注：*、**、***分别表示10%、5%和1%的显著性水平，括号内数值为聚类到公司层面的标准误，下表同。
（二）稳健性检验
1. 平行趋势检验
平行趋势是本文实证模型的重要假设。为进一步验证基准回归结论的可靠性，本文采用事件研究法进行平行趋势检验。本文的动态双重差分模型设定如下：
其中，为公共数据平台上线前后第k年的虚拟变量。参考Miller（2023）的研究，本文对公共数据平台开放之前5期及以上的虚拟变量做归并处理，用虚拟变量表示；对公共数据平台开放之后5期及以上的虚拟变量也做归并处理，用虚拟变量表示。代表随机扰动项。
图1的检验结果显示，在公共数据平台上线之前，各期的时间虚拟变量系数均在零轴附近波动，且未能通过显著性检验，满足平行趋势假设。而在公共数据平台上线之后，时间虚拟变量的系数开始显著偏离零轴并呈持续上升态势，表明公共数据平台开放的数字化变革促进效应具有明显的动态强化特征。
2. 工具变量法
考虑到公共数据平台上线这一政策变量本身可能存在的内生性问题，本文参考借鉴柏培文和张云的做法，选取城市地形起伏度与互联网宽带接入端口的交互项作为公共数据平台上线的工具变量。地形起伏度越大的地区，通信基础设施建设的成本越高、推进速度越慢，与公共数据平台上线概率呈负相关关系，满足相关性条件；而地形起伏度属于地理因素，对企业数字化变革水平不存在直接的当期影响渠道，满足外生性条件。
表3报告了两阶段最小二乘法（2SLS）的估计结果。第（1）列第一阶段回归显示，工具变量对核心解释变量（OPENDATA）的估计系数为-0.058，在1%水平上显著，且第一阶段F统计量远高于10，排除了弱工具变量问题。第（2）列第二阶段回归结果显示，在通过工具变量控制了内生性问题后，核心解释变量（OPENDATA）的估计系数为1.057，在1%水平上显著为正。因此，工具变量法的结果进一步强化了基准回归的因果推断。
| OPENDATA | DIGITAL | |
|---|---|---|
| Fist-step | Second-step | |
| (1) | (2) | |
| IV | -0.058*** | |
| (-9.76) | ||
| OPENDATA | 1.057*** | |
| (3.76) | ||
| CONSTANT | 0.827*** | |
| (5.69) | ||
| CONTROLS | YES | YES |
| N | 47524 | |
| Cragg-Donald Wald F | 138.807 | |
| Kleibergen-Paap rk Wald F | 95.297 | |
3. 其他稳健性检验
为验证基准结论的可靠性和普适性，本文从多个维度实施了系列稳健性检验，具体结果详见表4。
本文分别实施了剔除直辖市样本、将处理变量替换为省级公共数据平台上线以及倾向得分匹配-双重差分（PSM-DID）三类检验。在剔除北京、上海、天津和重庆四个直辖市后，核心解释变量（OPENDATA）的估计系数为0.087，在1%水平上显著为正，表明基准结论并非由直辖市这种行政级别特殊、资源禀赋优越的城市所驱动。将核心解释变量调整为省级公共数据平台上线后，估计系数为0.105，在1%水平上显著，进一步验证了结论对变量度量方式的稳健性。PSM-DID的估计结果显示，经过倾向得分匹配后，核心解释变量（OPENDATA）的估计系数为0.096，在1%水平上显著。
| Dep Var = DIGITAL | |||
|---|---|---|---|
| NON-MUNICIPALITY | PROVINCIAL | PSM-DID(1:3) | |
| (1) | (2) | (3) | |
| OPENDATA | 0.087*** | 0.105*** | 0.096*** |
| (3.78) | (4.79) | (4.68) | |
| CONSTANT | -5.125*** | -4.754*** | -4.690*** |
| (-9.34) | (-9.74) | (-9.55) | |
| CONTROLS | YES | YES | YES |
| FIRM | YES | YES | YES |
| YEAR | YES | YES | YES |
| CITY | YES | YES | YES |
| INDUSTRY | YES | YES | YES |
| N | 37328 | 47582 | 47508 |
| R2 | 0.789 | 0.795 | 0.797 |
| Adj. R2 | 0.76 | 0.77 | 0.77 |
四、异质性分析
接下来，本文将从区位资源禀赋、数字基础设施、公共数据平台质量以及行业要素密集度四个维度展开异质性分析。
（一）区位资源禀赋
地理区位在很大程度上塑造了企业面临的制度环境、市场条件和技术生态。京津冀、长三角和珠三角三大城市群是中国经济最活跃、数字基础设施最完备、政策试点最密集的区域，其内部企业所处的营商环境与城市群外企业存在系统性差异。
本文根据企业是否位于京津冀、长三角或珠三角三大城市群，将样本划分为“NON-URBAN GROPU”和“URBAN GROUP”，分组回归结果见表5。回归结果显示，核心解释变量（OPENDATA）的估计系数在非城市群组（NON-URBAN GROUP）中为0.041且未能通过显著性检验；在城市群组（URBAN GROUP）中为0.062，在5%水平上显著。上述结果表明，公共数据开放平台的数字化变革促进效应在城市群地区表现得更为稳健和显著。
（二）数字基础设施
数字基础设施是公共数据开放发挥效用的“硬支撑”。国家超算中心不仅是高端算力的象征，更是区域大数据处理能力、科研创新生态和数字人才集聚的标志性载体。上述城市群异质性的发现已经暗示了数字基础设施的重要门槛作用，本节从代表高端算力基础设施的区域布局和扩散作用的所在城市及其紧邻城市是否建有国家超级计算中心对样本进行异质性分析。
本文根据企业所在城市及其紧邻城市是否建有国家超级计算中心，将样本划分为“NON-SUP CENTER”和“SUP CENTER”，分组回归结果见表5。回归结果显示，在拥有国家超算中心的城市及其紧邻城市，核心解释变量（OPENDATA）的估计系数为0.083，在1%水平上显著；而在未建有国家超算中心的城市及其紧邻城市，估计系数分别为0.063，仅在5%水平上显著。组间系数差异表明，国家超算中心的存在显著强化了公共数据开放的数字化变革效应。
| Dep Var = DIGITAL | ||||
|---|---|---|---|---|
| NON-URBAN GROPU | URBAN GROUP | NON-SUP CENTER | SUP CENTER | |
| OPENDATA | 0.041 | 0.062** | 0.063** | 0.083*** |
| (1.33) | (2.20) | (2.17) | (2.60) | |
| CONSTANT | -4.964*** | -4.661*** | -5.271*** | -4.495*** |
| (-6.80) | (-6.85) | (-7.52) | (-6.41) | |
| CONTROLS | YES | YES | YES | YES |
| FIRM | YES | YES | YES | YES |
| YEAR | YES | YES | YES | YES |
| CITY | YES | YES | YES | YES |
| INDUSTRY | YES | YES | YES | YES |
| N | 19700 | 27867 | 22369 | 25197 |
| R2 | 0.766 | 0.810 | 0.777 | 0.810 |
| Adj. R2 | 0.74 | 0.79 | 0.75 | 0.79 |
（三）公共数据平台质量
公共数据开放的政策效应不仅取决于“是否开放”，更取决于“开放的质量”。不同城市的公共数据平台在数据覆盖范围、更新频率、可获取性和用户友好度等方面存在显著差异，这些质量维度的差异可能直接影响企业对公共数据的实际使用效率和从中获益的程度。
本文参照沈坤荣和林剑威，依据来自复旦大学数字与移动治理实验室《中国地方公共数据开放利用报告》构建的市级公共数据开放平台质量指数，按照样本期内中国开放数林指数的平均得分，将排名前50的处理组划分为公共数据开放高质量组（HIGH QUALITY），其余处理组为低质量组（LOW QUALITY），分别与对照组进行回归。表6的回归结果显示，核心解释变量（OPENDATA）的估计系数在低质量组（LOW QUALITY）为0.059，在5%水平上显著；在高质量组（HIGH QUALITY）为0.081，在1%水平上显著。结果表明，公共数据开放平台的数字化变革效应随平台质量的提升而增强。
（四）行业要素密集度
行业要素密集度是企业数字化转型进程的重要结构性约束。不同要素密集型行业在技术基础、资本深度和人力结构上的系统性差异，决定了其对公共数据开放冲击的响应模式和敏感程度可能存在本质区别。
本文参照尹美群等，通过聚类分析中的离差平方和对不同行业之间的固定资产比例和研发支出薪酬比进行计算，将样本中的84个行业归并为技术密集型（TECHNOLOGY）和非技术密集型（NON-TECHNOLOGY）两类，分别进行分组回归。表6的回归结果显示，核心解释变量（OPENDATA）的估计系数在技术密集型行业中为0.097，在1%水平上显著；在非技术密集型行业中为0.085，在1%水平上显著。结果表明，公共数据开放平台的数字化变革的推动效应对技术密集型行业更有效。
| Dep Var = DIGITAL | ||||
|---|---|---|---|---|
| LOW QUALITY | HIGH QUALITY | TECHNOLOGY | NON-TECHNOLOGY | |
| OPENDATA | 0.059** | 0.081*** | 0.097*** | 0.085*** |
| (2.00) | (2.78) | (3.45) | (2.86) | |
| CONSTANT | -4.486*** | -5.298*** | -3.976*** | -5.276*** |
| (-6.50) | (-7.91) | (-6.04) | (-6.89) | |
| CONTROLS | YES | YES | YES | YES |
| FIRM | YES | YES | YES | YES |
| YEAR | YES | YES | YES | YES |
| CITY | YES | YES | YES | YES |
| INDUSTRY | YES | YES | YES | YES |
| N | 19651 | 29506 | 26225 | 21318 |
| R2 | 0.769 | 0.808 | 0.836 | 0.684 |
| Adj. R2 | 0.74 | 0.78 | 0.81 | 0.64 |
五、结论与启示
（一）主要结论
企业数字化转型是数字经济和全球经济化的时代要求，推进企业数字化转型不仅能够优化资源配置，缓解融资约束，减少信息不对称，提高市场竞争力，还是实现高质量发展和全面推进中国式现代化进程的关键一环。本文基于2007-2024年A股上市公司的数据，深入剖析公共数据开放对企业数字化变革的影响。主要得到以下研究结论：
第一，公共数据开放显著推动了企业数字化变革进程。数据具有非排他性、可重复性、可组合性，同时公共数据蕴含价值极其巨大，政府以公共数据开放的政策，充分释放数据要素价值，海量数据的涌入正好为企业数字化变革带来数据基础，一方面，企业需要依托海量高质量数据对数字化技术进行训练和完善，并通过数字化技术创造新价值、打造新动能；另一方面，数字化变革的核心是推动企业从经验驱动转向数据驱动，以提升资源配置效率和决策科学性，政府数据开放是驱动转向的重要一环。
第二，区位资源禀赋高、数字基础设施高、平台质量高和技术密集型行业的企业数字化变革水平越高。这是基于企业数字化变革的特点决定的。经济发展水平活跃、数字基础设施完备的地区，对于企业开展数字化变革至关重要，这既是发展数字化的外部条件，又是推进数字化的内部需求。同时，公共数据开放平台质量的高低与否以及企业所处行业也是数字化变革的影响因素。相较于非技术密集型行业，技术密集型行业对于企业数字化变革的需求更旺盛，这源于数字时代下技术密集型行业为适配经济转型的需求。
（二）政策启示
结合理论分析和实证结果，本文提出一下三个方面建议：
第一，加快数字开放范围扩大，构建数据开放制度体系。当前我国公共数据开放仍处于深水区，部分地区尚未建立起完善的数据开放平台。对此，未上线平台的地区应积极借鉴成功运营地区的经验，设立专项资金加大技术与人员投入，尽早推动平台落地。对于已建立平台的地区，应广泛征集社会公众与企业的数据需求，优先开放需求量大、商业价值高的公共数据，不断扩大医疗、教育、环保、交通等关键领域的开放范围。
第二，加快数据交易平台建设，构建数据流通基础设施。政府部门应立足战略全局，加快推进数字基础设施体系化布局，为企业访问和利用数据提供技术保障。企业也应充分重视公共数据的资源属性，不断提升自身的数据分析与处理能力，积极将高价值公共数据应用于模型训练和软件开发，深度挖掘数据潜藏的商业价值，持续开发面向公众的新产品与新服务，从而将资源型数据真正转化为驱动数字化变革的数据生产力。
第三，加快数据安全治理体系，筑牢公共数据安全堤坝。在扩大公共数据开放与流通的同时，必须统筹好发展与安全的关系，防范数据泄露与滥用风险。对企业而言，要不断提升数据理解能力，主动适应政策变化，尽可能降低政策不确定性感知对数字化创新决策的负面影响，牢牢守住数据安全底线。
参考文献：
- [1] 孙伟增,毛宁,兰峰,等.政策赋能、数字生态与企业数字化转型——基于国家大数据综合试验区的准自然实验[J].中国工业经济,2023(09):117-135.
- [2] 王宏鸣,孙鹏博,郭慧芳.数字金融如何赋能企业数字化转型?——来自中国上市公司的经验证据[J].财经论丛,2022(10):3-13.
- [3] 毛宁,孙伟增,杨运杰,等.交通基础设施建设与企业数字化转型——以中国高速铁路为例的实证研究[J].数量经济技术经济研究,2022,39(10):47-67.
- [4] 李心武,卢闯,牛煜皓,等.企业数字化转型中耐心资本的价值发现功能研究[J].数量经济技术经济研究,2025,42(11):178-198.
- [5] 谭莹,刘颖杰,张勋.企业数字化转型程度的统计测度：以数字技术人才需求为视角[J].经济研究,2025,60(04):122-138.
- [6] 王镝,章扬.企业数字化转型、策略性绿色创新与企业环境表现[J].经济研究,2024,59(10):113-131.
- [7] 吴非,胡慧芷,林慧妍,等.企业数字化转型与资本市场表现——来自股票流动性的经验证据[J].管理世界,2021,37(07):130-144+10.
- [8] Miller D L. An introductory guide to event study models[J].Journal of economic perspectives, 2023,37(02):203-230.
- [9] 柏培文,张云.数字经济､人口红利下降与中低技能劳动者权益[J].经济研究,2021,56(05):91-108.
- [10] 沈坤荣,林剑威.链“岛”成“陆”:公共数据开放的技术创新效应研究[J].管理世界,2025,41(02):83-104.
- [11] 尹美群,盛磊,李文博.高管激励､创新投入与公司绩效——基于内生性视角的分行业实证研究[J].南开管理评论,2018,21(01):109-117.