企业非效率投资与高质量发展

丁锋

【摘 要】 非效率投资影响企业和地区经济高质量发展。以2007—2021年上市企业的财务数据为样本，探索国家级大数据综合试验区政策如何影响企业非效率投资。实证结果发现，国家级大数据综合试验区设立能显著降低企业的非效率投资水平，展现出了良好的投资优化治理效果。异质性检验发现，国家级大数据综合试验区设立能显著降低高科技企业、非国有企业的非效率投资水平，但对于非高科技企业而言则难以体现出显著效果，对国有企业也是如此。机制检验发现，这一政策能够有效提升企业信息处理能力、降低企业环境不确定性并提升内部控制水平，有助于企业非效率投资水平的降低。文章为理解政府在改善数字基础设施的努力及其成效提供了经验证据的支持，并提出了相应的政策优化建议。

【关键词】 国家级大数据综合试验区； 非效率投资； 内部治理

【中图分类号】 F275.1  【文献标识码】 A  【文章编号】 1004-5937（2024）13-0048-07

一、引言

近年来，数字经济发展势头迅猛，对经济发展展现了不容忽视的引擎力量[1]。特别是随着大数据在经济生活中的广泛推广和运用，有效推动了实体企业潜能的释放和经济的高质量发展[2]，因而得到了越来越广泛的关注。从政府层面来看，2020年3月，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》首次将数据列入生产要素，充分肯定了数据对于经济发展的重要作用。为了推动大数据的发展，2016年国家发改委和工信部等部门开始实施大数据为核心的试验区试点工作，以推动大数据产业发展、完善相关基础设施建设和促进大数据行业企业创新等方面为抓手，减少数字鸿沟和充分挖掘大数据的价值潜力，为我国从数据大国向数据强国迈进奠定坚实的基础性保障。

当前，主动利用国家级大数据综合试验区大数据所带来的数字化红利，运用大数据优化企业的运营和投资效率，正成为越来越多企业生存、发展的理性选择[3]。值得指出的是，如若能在日常经营中充分发挥大数据的优势，尽最大可能减少各种非效率投资，无疑将能够大幅度提升企业的投资效率[4]，进而对企业的高质量发展大有裨益。然而囿于大数据试验区政策实施时间较短，且大数据产业的发展历史也并不长，因此直接探讨试验区与企业非效率投资的文献并不多，相关课题仍亟待深入研究。从这个角度而言，对试验区与企业非效率投资进行研究，探讨如何充分发挥试验区的政策红利，将有助于发挥大数据之于企业发展的重要推动作用，为提升企业投资效率提供经验证据支持。

本文边际贡献主要体现在：一是研究试点政策对企业非效率投资的影响，从微观角度研究试验区政策对企业投资的影响。二是从科技属性和产权属性出发，研究试验区发展对企业非效率投资的异质性影响，为提升企业投资效率提供经验证据支持。三是基于信息不对称、环境不确定性和研发创新投入角度，研究试验区对企业非效率投资的影响路径，以有助于充分发挥大数据的赋能作用，提升企业投资效率。

二、假设提出

新时代，数据作为新型生产要素，推动生产力和经济高质量发展。我国从2015年开始启动国家级大数据综合试验区建设，从促进大数据相关制度创新、产业集聚、创新应用等方面出发，探索推动大数据发展的有效模式，大数据创新和应用由此迈入了快车道。而随着大数据在实体企业的广泛运用，其势必也会对企业的投资效率造成一定程度的影响。

（一）国家级大数据综合试验区建设能够改善信息不对称问题，进而有效降低非效率投资水平

试验区的设立将进一步完善辖域内的数字化基础设施建设，减少数字鸿沟并更好地完善各经济行为主体之间的数据交流[5]，企业能够借助大数据来提升对内外部信息的处理水平并充分挖掘各类数据资源的内在价值[6]。随着数据处理水平的提升和信息不对称状况的改善，企业能够向外界更有效地传递相关信息，吸引外部投资者和分析师对企业给予更高的关注。进一步的，外部经济行为主体对企业的高度关注，将对企业投资效率的优化起到一定的催化作用。这主要是因为外部市场主体对企业的关注，客观上能够更好地监督企业的各种投资行为[7]，促使企业在做出投资决策时考虑更多的合理性因素，从而倒逼企业降低非效率投资水平。

（二）国家级大数据综合试验区建设能够有效降低企业环境不确定性，进而有效降低非效率投资水平

试验区的设立明确地传达了政府锐意推动大数据发展的政策意图，辖域内企业能够据此有效地领悟政府未来的政策方向，客观上减低了企业面临的各种不确定性因素。进一步的，随着企业环境不确定性的降低，一方面，企业能够更好借助试验区所带来的发展机遇，采用大数据来优化自身的产品和服务质量[8]，更好地预测投资项目未来的风险和收益状况[9]，为科学决策提供更有益的参考；另一方面，不确定性降低使得企业能够拥有更宽松的发展和融资环境[10]，企业能够基于客观的发展规律和自身的实际情况做出恰当的投资决策，并不需要囿于资源约束而放弃合适的发展机遇[11]，这也将有助于提升企业投资效率。

（三）国家级大数据综合试验区建设能够强化企业的内部控制，进而降低非效率投资水平

试验区的设立使得数据在不同市场主体之间能够更好地开放共享，加速释放数据资源之于实体经济的红利。具体而言，试验区的设立使得数字新基建得到重大突破，为大数据与实体企业的深度融合奠定良好的基础，加快数据赋能企业各生产、创新和服务流程的步伐[12-13]。企业能够运用大数据增强不同部门和不同业务之间的信息互联互通[14]，为管理层监督和管理企业内部提供具有深度和广度的数据支持，将有助于显著提升企业内部控制水平。进一步的，企业内部控制的优化将有助于提升企业的决策能力[15]，企业能够基于利润最大化原则选择最优的投资组合方案，减少投资过度和投资不足等问题，从而有助于显著降低非效率投资水平。

据此，本文提出待检验的核心假设1。

H1：国家级大数据综合试验区建设能够有效降低企业非效率投资。

三、研究设计

（一）数据来源

本文以探索大数据试点政策对企业的非效率投资水平的影响关系为研究核心，以上市企业为样本集进行研究，并将时间区间设定为2007—2021年。其指标数据主要有两个方面的来源。其中宏观指标数据取自各层级统计部门公布的年鉴，而用于描述企业特征的微观指标数据则取自万得（Wind）数据库。在进行实证研究之前，本文还进行了相关的数据清洗工作，具体包括剔除非实体企业、剔除异常特征企业的样本和惯常采用的缩尾工作（1%）。

（二）变量设定

1.被解释变量

企业非效率投资（LnPati）。参考Richardson[16]的方法，计算步骤如下：

首先，根据如下模型计算企业标准化资本投资规模（Invest），作为企业最佳投资规模。

模型1中，Size、Lev、Growth、Age、Ret、CFO分别为企业当年度总资产规模、资产负债率、收入增长率、企业成立时长、股权收益、净现金流。模型还使用了双固定效应。

其次，采用模型1中的残差（εi，t）绝对值，指代非效率投资水平；显然，其与非效率投资的严重程度呈正向关系。若进一步考虑这一差值的符号，则可更为精确地测度企业非效率投资的具体状态。具体的，如若企业实际投资大于最优投资则i，t大于0；反之，若企业实际投资小于最优投资则i，t小于0。特别的，参考江轩宇等[17]的计算方法，通过对上述各年测算结果进行三期移动平均，形成了本文的被解释变量集（Uninvest、Uninvest_O、Uninvest_U）。其中后两者分别代表过度投资和投资不足。

2.核心解释变量

大数据试点政策变量（dudt）。依循政策效应识别的通常实证方法，本文利用国务院分别于2015年、2016年设立大数据试点政策实施省份（城市）的典型事实，构建本文的准自然实验政策变量。样本特征虚拟变量设定为Treat，其值为1代表该省（市）归属于试点样本集，其值为0代表其不属于试点样本集；而时间虚拟变量则设置为Post，其值为1代表该省（市）处于试点年度区间，Post取其值为0则刚好相反。此后，计算两者的交乘项得到dudt=Treat×Post，其值为1即表示省份i在第t年纳入了试点范围，在实证研究中，这一交乘项的系数是重点关注的内容。

3.控制变量

为提高回归模型的估计效率，本文借鉴了向海凌等[18]的方法，纳入了一系列控制变量：分别是企业总资产（Ln Asset）、QFII机构持股占比（QFII）、总收入（Ln Income）、两职合一（Dual）、负债比（Lev）、企业成立时长（Age）、账面市值比（BM）、第一大股东股权集中度（First）、净资产收益率（ROE）、审计意见（Opin）以及该地区的国内生产总值（Ln GDP）的对数值。

（三）模型设定

本文实证检验模型如下：

式2中各变量意义与变量描述中相同，此外需要说明的是，本文采用“企业—时间”双固定效应进行参数估计（Firm&Year），并实施了稳健标准误的调整。

接下来，进一步探索大数据试验政策的影响路径。具体则借鉴了温忠麟等[19]的方法，设置如下中介回归模型完成这一目标：

方程中，主要变量如式2所示；上述模型增加的是中介变量组Mediator。在中介变量的选择中，结合前文理论分析的逻辑脉络，本文分别选择了分析师关注度（Analyst，表征企业信息不对称程度）；环境不确定性（EU）、企业内部控制水平（IC）分别作为机制变量。其中分析师关注度的度量借鉴了余明桂等[20]的测度方法，使用对企业作出分析的分析师数量作为代理变量；环境不确定性则采用申慧慧等[21]的测量方法，通过计算5年内企业业绩的标准差系数来指代其环境不确定性；内部控制水平则借鉴李志斌等[22]的研究，直接使用“中国上市公司内部控制指数”表征企业的内部控制水平。

四、实证结果与经济解释

（一）基准回归

表1结果表明，无论哪个回归模型，dudt的系数均显著为负（均至少通过了5%的显著性检验）。这说明大数据综合试验区政策确实能带来企业非效率投资水平的有效降低，也以实证结果支撑了本文的假设。

（二）稳健性检验

在前述的实证分析框架中，仅针对变量之间的基础关系进行了初步检验，但这种关系的因果关联稳健性仍需要进一步确认。基于此，本部分着重从平行趋势检验、样本剔除、指标分解以及倾向性得分匹配四个部分展开检验识别。囿于篇幅，主要检验结果留存待索。

表2着重解决准自然实验中的样本配对有效性问题。想要有效识别政策的有效性，就必须将被政策影响的组别以及不被政策影响的组别进行有效分离和比较，样本中不同组别间须满足具有共同特征趋势的条件（即平行趋势）方能在研究政策冲击的影响中具有合理的实证基础。因此本部分中分别设置了前置时间虚拟变量（Before1、Before2、Before3）、当期虚拟变量（Current）和后置虚拟变量（After1、After2、After3）。在上述变量基础上，本文在更长的时间口径考察国家级大数据综合试验区的政策影响力变化。实证结果发现，在回归模型2中，在国家级大数据综合试验区设立之前的年份，交互项（du×Before1、du×Before2、du×Before3）的回归系数分别为0.006、0.001和-0.001，且均未通过任何惯常水平下的统计显著性检验，表明在政策冲击之前，共同趋势在不同组别间显著存在，本文的准自然实验分析结果具有有效前提。在国家级大数据综合试验区设立当年，交互项（du×Current）的回归系数为0.003且t值为0.91，并未通过检验，表明试验区设立当年，国家级大数据综合试验区对企业非效率投资的影响还未得以充分释放。与之形成鲜明对比的是，在政策冲击之后的年份，交互项（du×After1、du×After2、du×After3）的回归系数分别为-0.012、-0.004和-0.003，上述回归系数均至少通过了5%的统计显著性检验。这表明，在企业受到政策冲击后，国家级大数据综合试验区能够显著降低企业的非效率投资水平，且这种抑制作用能够在较长的一个时间序列内成立，能够起到叠加的影响效果。这也在侧面上为本文核心结论“国家级大数据综合试验区能够降低企业非效率投资水平”提供更为丰富的证据支持。

（三）异质性检验

在前文的分析中，本文针对研究的核心基准关系展开了实证检验，并进行了一系列稳健性检验提升研究结论的确当性和有效性。但必须注意的是，同样的政策冲击影响对于不同禀赋的企业而言，可能有着不同的影响冲击。本部分据此展开异质性检验，能够强化政策的精准性和靶向性，从而提高国家级大数据综合试验区的政策驱动力。有鉴于此，本文从科技属性、产权属性两个类别界分其中的影响效果差异。

表3的回归模型1和模型2展示了“高科技企业—非高科技企业”的回归分析结果。对比来看，大数据试验区政策对高科技企业的回归系数显著为负（通过5%水平检验）；而其对非高科技企业的回归系数则并未通过显著性检验。这说明，国家级大数据综合试验区设立能够显著降低高科技企业的非效率投资水平，但无法有效矫正其余企业的非效率投资行为。本文认为，高科技企业本身就具有较好的内部技术基础和应用前沿技术的主观意愿，因此在外部的新型数字基础设施建设条件下，这类企业能够更好地利用外部的技术进步条件来为自身的投资决策行为提供支撑，相比之下，非高科技企业本身就不具有较强的创新意愿和技术基础条件，即便有外部数字基础设施建设的支持，这类企业也很难对其进行充分利用，更不用说将其嵌入到企业内部的投资决策体制机制中来，因此这类政策利好的支持也无法帮助企业提高投资效率。

观察表3的列（3）和列4可以发现企业产权属性的差异性表现。对比来看，国家级大数据综合试验区对国有企业非效率投资的回归系数为0.002但t值偏小（仅为1.48）；而国家级大数据综合试验区对非国有企业反而显示出显著效果（系数为-0.012且通过了5%的检验）。上述实证结果表明，国家级大数据综合试验区设立能够显著降低非国有企业的非效率投资水平，但对于国有企业的非效率投资活动而言并未产生显著的治理优化效果。本文认为，从技术创新应用的主观能动性角度来看，国有企业能够凭借自身国家信誉嵌入在市场上获得更加有利的市场地位，自身的创新意愿相对较弱，因此在外部的政策技术基础设施改善下，国有企业可利用的空间也并不明显。更为重要的是，对于国有企业而言，承担社会责任是国有企业在经营实践中必须面对的问题，在这种情况下，国有企业的投资不会严苛地强调投资效率的提升（换言之，国有企业的非效率投资存在不少非市场因素），因此，国家级大数据综合试验区的设立对国有企业非效率投资的治理优化效果并不明显。与之不同的是，非国有企业往往面对着不进则退的市场竞争环境，这类企业往往有着较强的意愿利用新技术新方法来提升企业的发展效能，如何提升自身核心竞争力，是非国有企业发展的重点内容。因此，在企业外部具有较好的政策支撑时，企业能够充分利用外部的数字技术创新来服务自身的发展需求。

五、国家级大数据综合试验区影响企业非效率投资的渠道机制

前述实证检验了本文的核心关系和异质性特征，重点解决了前沿数字基础设施建设服务企业投资活动的特征刻画问题，在本部分的研究中，将着重针对变量之间的影响机制展开检验分析。延续本文理论分析的核心逻辑，具体选定的路径机制为信息不对称优化、环境不确定性降低以及内部控制。

（一）信息不对称机制

在表4中，本文针对“国家级大数据综合试验区→信息不对称→非效率投资”的路径展开检验。实证结果发现，国家级大数据综合试验区设立有助于分析师关注水平的提升。这表明，大数据试验区政策能够帮助企业提升数字化技术应用和创新水平，因而企业能够借助这类信息技术改善来有效提升对结构化、非结构化信息的处理能力，从而向外界传递更多易辨识且有价值的信息流，由此，外部市场主体对企业的关注度会明显提升。进一步研究发现，这种分析师关注度的提升有助于企业提升自身的决策投资效率。不难理解，当针对特定企业关注的分析师数量增加时，一方面，企业向外传递的信息将能够得到更加充分的解读；另一方面，市场中有着更多的经济主体能够对企业形成更加有效的监督和制约，从而倒逼企业做出更加充分合理的投资决策。从这个角度来看，国家级大数据综合试验区设立对企业分析师关注度的提升，有助于企业降低非效率投资水平。

（二）环境不确定性机制

在表5的机制识别中，本文针对“国家级大数据综合试验区→环境不确定性→非效率投资”的路径展开检验。模型2结果表明，模型中大数据试验区政策的系数显著为负（-0.012）。这表明，国家级大数据综合试验区设立有助于降低辖域内企业面临的波动性和不确定性因素，企业能够借助新技术新应用来服务自身的高质量发展，提升企业的盈利能力和稳定性，由此，企业的环境不确定性会显著降低。进一步研究发现，当环境不确定性降低时，企业的投资效率则会相应提升（模型3中EU的回归系数为0.131）。这是因为，当企业的环境不确定性问题得以显著改善时，企业的投融资决策将会有着更为宽松的环境，此时企业不会因为短期的资源可持续性问题而投资短期具有现金流而长期现金流为负的项目，企业能够在更合理的环境下做出有效的投资决策。由此可见，大数据试验区政策降低了企业环境不确定性，从而优化了企业非效率投资活动。

（三）内部控制机制

表6中，本文针对“大数据试验区政策→内部控制→非效率投资”的路径展开检验。结果可见，大数据综合试验区政策对企业内部控制水平的系数显著为正。这表明，国家级大数据综合试验区设立有助于提升企业内部控制水平。不难理解，当企业外部的信息基础设施建设得以完善后，企业能够借助这类前沿信息技术应用更好地服务于自身的生产发展活动，如将前沿数字技术用于科学决策和资源配置，提升决策效率，增强对企业不同部门之间的信息穿透力和解读能力，这显然会显著提升企业的内部控制水平。进一步研究发现，这一情况的变化将能够显著降低企业的非效率投资。这是因为，当企业的内部控制水平上升时，企业内部的资源配置和决策能力都得到了显著的提升，企业能够更好地判别投资项目的优劣，并从中选择经济效益最大化的投资项目，减少不必要的投资活动（如未来现金流较低抑或为负的投资项目），从而改善企业的投资行为。从这个角度来看，国家级大数据设立对企业内部控制的优化效果，能够降低企业的非效率投资水平。

六、研究结论与政策建议

数字经济时代下，以前沿数字技术设施建设推动企业高质量发展是当前的重要工作任务。本文从理论和实证两个方面分析和检验了大数据试验政策对企业非效率投资的政策效应和机制问题，具体结论如下：

首先，核心研究结论，即大数据试验区政策降低企业非效率投资水平得到理论和经验数据两个方面的支持，其经由多重稳健性检验后依旧成立。其次，研究发现这一影响具有显著异质性，政策能显著降低高科技企业、非国有企业的非效率投资活动，但无法有效影响非高科技企业和国有企业。最后，机制检验发现，政策能够有效帮助企业提升信息处理能力、降低企业环境不确定性并提升内部控制水平，这些改善都有助于企业非效率投资水平的降低。

本文政策启示如下：第一，持续支持大数据的快速发展。有鉴于数据的要素属性进一步提高，应大力推动社会经济活动的大数据化，提升全社会各部门的采集、存储和分析能力，将对优化国家的经济运行机制、改善社会整体的生产生活方式具有非常深远的影响。当前要紧紧抓住国家级大数据综合试验区的政策机遇，全面推动大数据发展和运用，加快数据强国建设，使其尽快转换为下阶段增长的巨大动能支撑。第二，尽可能降低企业非效率投资水平。提升企业投资效率对于优化企业整体运营绩效而言至关重要。因此应当充分发挥市场和政府对企业投资效率的正向驱动作用。一方面，要注重发挥政府各类政策（不仅限于试验区）对企业投资效率的优化作用，使得各种政策能够形成政策合力；另一方面，也需要充分认识到市场对于企业资源配置的决定性影响，全面发挥市场的资源优化配置功能，降低企业决策中的低效和无效投资。第三，因地制宜提升大数据应用水平以减少企业非效率投资行为。有鉴于本文研究结论中体现出的异质性，适度提升对于高科技企业和非国有企业大数据应用的支持力度，推动大数据深度赋能企业的各种实体业务，更好发挥大数据对于企业投资效率的促进作用。第四，疏通试验区影响企业非效率投资的传导机制。本文实证研究确证，试验区的设立能够通过提升企业信息处理能力、降低企业环境不确定性、优化内部控制水平的路径，有效降低企业非效率投资水平。因此，一方面，鼓励企业深刻领会各种政策精神，抓住政策赋予的各类发展机会，更好地应对外部环境变迁；另一方面，应该鼓励企业加大数字化技术运用力度，提升企业对于内外部信息的收集和处理水平，并进一步完善企业的公司治理水平，使其内部控制能力得以显著提升，从而有效减少企业非效率投资带来的不良影响。

【参考文献】

［1］ 李桥兴，杜可.国家级大数据综合试验区设立对区域数字经济发展影响效应评估［J］.科技管理研究，2021，41（16）：81-89.

［2］ 李辉.大数据推动我国经济高质量发展的理论机理、实践基础与政策选择［J］.经济学家，2019（3）：52-59.

［3］ 孙哲远.数字经济发展如何影响制造业企业“脱虚向实”？——来自国家级大数据综合试验区的证据［J］.现代经济探讨，2022（7）：90-100.

［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］ 张益豪，郭晓辉.大数据发展与企业全要素生产率——基于国家级大数据综合试验区的实证分析［J］.产业经济研究，2023（2）：69-82.

［6］ 杨俊，李小明，黄守军.大数据、技术进步与经济增长——大数据作为生产要素的一个内生增长理论［J］.经济研究，2022（4）：103-119.

［7］ 赵胜民，张博超.分析师关注如何影响公司投资行为——基于不同投资类型的分析［J］.中央财经大学学报，2021（5）：51-64.

［8］ WAMBA S F，AKTER S，EDWARDS A，et al.How BigData can make big impact：findings from a systematic review and a longitudinal case study［J］.International Journal of Production Economics，2015，165（7）：234-246.

［9］ DALENOGARE L S，BENITEZ G B，AYALA N F，et al.Theexpected contribution of industry 4.0 technologies for industrialperformance［J］.International Journal of Production Economics，2018，204（10）：383-394.

［10］ GULEN H，ION M.Policy Uncertainty and Corporate Investment［J］.Review of Financial Studies，2016，

29（3）：523-564.

［11］ 孙洁，李杰.大数据应用、融资约束和企业创新效率［J］.证券市场导报，2022（11）：13-23.

［12］ URBINATI A，CHIARONI D，CHIESA V，et al.The role of digitaltechnologies in open innovation processes：an exploratory multiple case study analysis［J］.R&D Management，2020，50（1）：136-160.

［13］ OBASHI A，KIMURAL F.New developments in international production networks：impact of digital technologies［J］.Asian Economic Journal，2021，30（8）：1326-1345.

［14］ GUNASEKARAN A，PAPADOPOULOS T，DUBEY R，et al.BigData and predictive analytics for supply chain and organizational performance［J］.Journal of Business Research，2017，70：308-317.

［15］ 陈丽蓉，韩彬.强制内控审计能带来更高的投资效率吗？——基于A股主板国有上市公司经验数据的验证［J］.商业研究，2015（9）：83-91.

［16］ RICHARDSONS.Over - investment of Free Cash Flow［J］.Review of Accounting Studies，2006，11（2-3）：159-189.

［17］ 江轩宇，许年行.企业过度投资与股价崩盘风险［J］.金融研究，2015（8）：141-158.

［18］ 向海凌，林钰璇，王浩楠.利率市场化改革与企业绿色转型——基于上市企业年报文本大数据识别的经验证据［J］.金融经济学研究，2023（4）：55-73.

［19］ 温忠麟，张雷，侯杰泰，等.中介效应检验程序及其应用［J］.心理学报，2004（5）：614－620

［20］ 余明桂，钟慧洁，范蕊.分析师关注与企业创新——来自中国资本市场的经验证据［J］.经济管理，2017，39（3）：175-192.

［21］ 申慧慧，于鹏，吴联生.国有股权、环境不确定性与投资效率［J］.经济研究，2012，47（7）：113-126.

［22］ 李志斌，章铁生.内部控制、产权性质与社会责任信息披露——来自中国上市公司的经验证据［J］.会计研究，2017（10）：86-92，97.