数据要素市场化能否改善地区金融资源配置

摘要：数据要素市场化促进数据高效流通，已成为改善地区金融资源配置、实现经济高质量发展的重要方式。本文选取我国284个地级市2010—2021年样本数据，基于数据要素交易场所或交易平台建立的外生冲击，采用多时点DID模型实证检验数据要素市场化对地区金融资源配置的影响效应和作用机制。研究发现，数据要素市场化显著提升了地区金融资源配置效率；机制检验发现，数据要素市场化通过改变地区金融科技水平、产业结构与金融开放环境影响金融资源配置。据此，应进一步完善数据要素市场化配置，加强金融资源供给侧改革，促进传统要素市场与数据要素市场融合发展。

关键词：数据要素市场化；数据要素交易平台；金融资源配置；多时点双重差分

中图分类号：F207；F208文献标识码：A文章编号：1001-148X（2024）05-0038-11

收稿日期：2024-05-20

作者简介：景杰（1964—），男，江苏海安人，教授，研究方向：数据要素与高质量发展；刘玲雁（2001—），女，四川成都人，硕士研究生，研究方向：数据要素与高质量发展。

基金项目：国家社科基金后期资助重点项目“数据资本及其对中国经济高质量发展的驱动效应研究”，项目编号：21FJYA003。

一、引言

改革开放以来，金融业成为发展速度最快的行业之一。金融业的本质可以看作是从数据到要素的流通与汇聚，一方面，金融产品有效、精确的定价能够通过多维数据挖掘实现；另一方面，数据要素在各金融创新领域的运用能够拓宽金融服务业边界并提升资源配置效率。理论上，数据要素市场化对城市金融资源配置具有多重积极影响。首先，数据要素市场化能够有效推动数据要素在市场上的自由流动，进而实现数据资源的高效利用。这种高效利用不仅催生了新兴产业、新业态和新模式，还极大地促进了金融结构的优化升级，为城市金融资源配置带来了显著的改善。其次，数据要素的市场化还有助于促进数据要素与资本、劳动力等传统要素的深度融合。通过精准对接供需、创新价值链流转方式等手段，充分释放城市金融需求，进一步提高城市金融资源的配置效率。由此可见，金融行业与数据要素存在天然的耦合性，借助“推进数据要素市场化建设”的契机，有机会解决地区间金融资源流动约束问题，对实现经济高质量发展具有一定现实意义。

为了深入讨论数据要素市场化对地区金融资源配置的影响，厘清其作用机制，本文拟通过理论分析与实证研究对以下问题进行系统分析：数据要素市场化是否会影响城市金融资源配置，这种影响是促进还是抑制？数据要素市场化通过何种机制对城市金融资源配置产生影响？在不同城市特征下数据要素市场化对城市金融资源配置的影响是否存在差异？

二、文献综述

（一）数据要素市场化过程

在数据要素被广泛提及之前，国内外现有研究已从多个角度对数据这一概念进行定义。从信息科学的视角来看，数据是描述事物的符号记录，通过数字化后存入计算机进行处理［1-2］。从经济活动的角度，数据的存在形式不局限于产品和服务，也可以被看成是生产知识的投入［3-4］。党的十九届四中全会正式将“数据”作为生产要素，大数据作为新型生产要素与国家基础型战略资源，已成为日益重要的生产资料［5］。从私人品和公共品的角度来看，数据要素参与经济活动与传统生产要素不同，相对而言，传统生产要素具有较强竞争性和排他性［6］，而数据要素产权界定导致数据要素的私人品和公共品的性质比较复杂［7］。数据要素市场化则是指参与各项生产环节的数据要素通过供需关系进行定价，并以等价交换原则完成数据交易的流程［8］。数据要素市场化过程需要完善相关运行机制以保证要素市场的健康运行，同时关注数据差异化所导致的市场竞争［9］。作为数据交易服务提供与安全保障的重要场所，数据交易所与数据交易平台的建立是数据要素市场化配置的重要方式之一。数据交易的建设主体主要有规模最大的政府参与型平台以及数据服务商和大型互联网企业［10］。数据交易场所稳定运营的前提是数据资产化［11］，即合理的数字确权、定价和收益分配机制，这也是数据参与生产、流通、分配和消费全过程的基础［12］，通过建立数据定价模型与分红机制，能够最大程度保障数据要素公平交易［13］。数据要素市场化主要体现在知识产权运营，具体表现为数据交易平台建设、相关金融数据产品供给和应用等方面，在此过程中，数据应用是创造价值的关键，大数据能够帮助各行业提高效率和实现创新服务［14］，基于大数据的管理决策也为政府治理提升提供思路，数据价值化过程也同时需要政府对数据资产管理进行优化，为了避免政府数据垄断的发生，应保障共享数据的公共开放［7］。于企业而言，数字技术发展与跃进、企业转型升级都需要借助数据要素市场化激励其开放和交易数据，进而提升整个社会的数据要素配置效率［13］。随着大数据的共享性愈发显现，消费者剩余和消费者效用提升［9］，但如何在消费者提供数据的同时保证他们的隐私安全也成为需要解决的问题［15］，由此生成了与数据要素交易相关的安全系统及用户隐私监管体系，并推动了相关法律与制度的不断完善。

（二）金融资源配置影响因素及测度

根据福利经济学与资源配置效率理论定义，金融资源作为稀缺资源，能否合理配置对经济发展至关重要，金融资源配置的不合理甚至可能导致金融危机的发生，进而阻碍经济发展。引入经济学领域的帕累托最优进行分析，金融资源配置有效能够使得全社会可利用金融资源均达到帕累托最优状态。在此基础上对金融资源配置的影响因素进行分析，结论一致认为其受到多种因素不同程度的影响。金融环境是造成地区金融资源配置差异化的直接原因，金融发展水平决定了地区金融资源禀赋，扩大地区金融规模和加速地区金融资源流动均能提高地区金融资源配置水平［16］；而金融结构则决定了地区融资渠道，合理的金融结构能够扩宽金融资源配置渠道，反之则会加大金融风险，进而抑制金融资源配置效率［17］。从金融开放视角来看，外来资本的引入会产生贸易结构与金融组织结构不匹配的问题，需要在金融开放的同时提升专业化管理，才能在一定程度上减弱其对金融资源配置效率产生的抑制作用［18］。经济发展水平是金融资源配置效率提升保障，一方面为营造良好金融环境提供充足资金，激发金融资源配置潜在能力，另一方面与政府竞争力产生协同作用，帮助金融资源合理优化配置［19］。产业结构也能对地区金融资源配置效率进行时空调配，随着产业结构高级化，进而吸引金融资源流入，但也会造成金融资源配置区域异质性。金融资源配置效率是反映地区金融资源配置情况的重要指标，已有研究主要通过非参数与参数两类方法测度金融资源配置效率。早期研究构建资本配置效率模型用来分析国家资本配置效率差异，将最优化思想和运筹学理论引入模型，模拟生产函数，并求解最优金融资源配置状态［20］。随着金融市场的不断发展，相关研究开始采用投资弹性系数、金融相关率和市场相关率、金融错配等单一指标来测度金融资源配置效率，但这些指标难以全面反映金融资源配置效率［21］。借助数学软件的使用，更多研究开始采用有效前沿最小距离、随机前沿（SFA）或其扩展方法PP-SFA等参数方法，来对金融资源配置效率进行测度，并检验其与其他经济指标的关系。也有较多研究提出使用投入-产出模型，以DEA法构建体系测度金融资源配置效率；或对该模型进行改进，使用超效率SBM-DEA模型测度省级金融高质量发展水平［22］；还有将资本总额、存款总量和不良贷款率相关指标作为银行投入指标，将各类收入作为产出要素，采用分阶段DEA的方法测算上市银行的发展水平［23］；此外，还有学者提出广义DEA、基于规模报酬可变的Bootstrap-DEA和DEA-Malmquist等模型，测算金融资源配置效率［24］。

综上所述，已有对金融资源配置的研究较为丰富，然而，较少研究以数据要素市场化视角对金融资源配置优化进行分析。鉴于此，本文研究数据要素市场化对地区金融资源配置的影响及作用机制，并采用多时点双重差分法进行实证检验。可能的边际贡献：一是以数据交易所或数据交易平台建立设定准自然实验时点，一定程度上解释了地区数据要素市场的发展动态与规律，从数据要素视角丰富了金融资源配置优化的有关研究。二是数据要素具有与金融行业天然的耦合性，对数据要素市场化影响金融资源配置的作用机制进行分析，能够发挥数据要素在金融行业改革过程中的重要作用。三是对地区金融发展定位、资源禀赋在数据要素市场影响金融资源配置过程中发挥的作用进行分析，为完善数据要素市场化配置、加强金融资供给侧结构性改革提供理论支持。

三、理论分析与研究假设

（一）影响效应分析

对人类社会而言，资源的稀缺性使得资源配置变得尤为重要。完全竞争市场下，资源按照需求主体的生产禀赋以均衡价格在各主体之间进行合理分配，使其接近帕累托状态，但当金融发展水平、市场摩擦、政府干预和信息不对称等因素导致企业面临要素和产品价格存在差异时，就会导致资源配置扭曲。随着数字技术在金融行业的应用不断深化，金融机构不仅能通过利用数字技术等先进手段简化传统投资、融资和支付等金融业务，还能开展其他新型金融业务，扩大金融服务范围。金融行业的本质可以看作是数据到要素的流通与汇聚，在数据要素市场参与的背景下，地区金融资源配置将发生变化。

第一，数据要素市场化能够降低信息成本，进而提升地区金融资源配置效率。一方面，数据要素市场通过建立数据平台管理大规模数据与信息流，利用平台保证交易数据的完整性与可靠性。另一方面，依托数据交易平台能够使资金供给双方实现准确对接，降低中小企业融资费用，并加快资源流动速度。此外，资本错配源于直接融资市场受到限制，通过数据交易平台建设企业信用体系，能够从源头解决资源流动问题，拓展融资渠道。

第二，在数字化时代，数据要素交易平台整合信息流与现金流等核心数据，显著降低了信息不对称，从而有效提升了金融资源的配置效率。通过深度应用数字技术对企业数据进行处理与分析，能够精确地划分和归纳企业的信用状况和经营细节，高效协调各类生产要素，优化资源配置。这有助于金融机构对企业风险进行更为精确的评估。同时，借助数据要素平台，能够高效识别并满足“长尾”企业的特定需求，有效缓解其资金压力，进一步推动金融市场资源的精准配置。此外，数字金融凭借多样化的金融产品，灵活适应不同的金融需求与消费偏好，降低交易成本，优化金融资源的配置结构，最终提升金融服务的整体质量和资源配置的效率。

第三，数据要素市场化配置能够克服金融体制缺陷，增加民营企业贷款可得性，进而提升金融资源配置效率。在我国金融体系中，国有大型银行占据主导地位，其贷款发放往往倾向于风险较低的国有企业。然而，由于民营企业的财务信息透明度不足以及抵押物缺乏等因素，它们往往面临着严重的融资困境，这一状况显著影响了金融资源配置的效率。这一现状揭示了当前金融体系中资源配置的不均衡，需要进一步优化金融政策和服务，以促进民营企业融资环境的改善和整体金融资源配置效率的提升。数据要素市场的建立，则能够在一定程度上提高金融机构信息搜寻能力，帮助民营企业增加贷款所得。基于上述分析，提出以下研究假设：

H1：数据要素市场化有助于提升地区金融资源配置效率。

（二）影响机制分析

金融科技水平。传统经济学理论中，资源配置很大程度上依赖于地理空间进行，数字技术和金融科技的快速发展，资源配置的方式、形态发生了巨大的改变。信息技术与金融行业的深度融合，促使金融行业从传统金融阶段向金融科技阶段发展，依赖金融科技对金融市场的各类数据进行处理、获得、加工与应用，使金融市场的交易活动从最早的交易所，扩展到覆盖全球的网络空间，通过数据的处理实现资源的优化配置。除此之外，数据要素的市场化配置以数据资产流通为目的，能够帮助缓解信息不对称问题，在提供更大范围金融支持的基础上，改善金融资源配置现状。通过建立数据要素交易平台，减轻因信息不对称造成的道德风险和逆向选择，同时加强监管能力。金融科技的介入，使得过去被认为是随机过程的生产服务形态变成了确定的过程。数据处理技术通过提高算法、算力，很大程度上降低了搜索与交易成本，提高买卖双方交易效率，同时在其间建立更可靠的信任机制，进一步促进资源流动。

产业结构高级化。数据要素市场化通过建立数据要素交易所或数据要素交易平台实现，这些平台不仅有效打破了传统产业间的壁垒，为不同产业间的跨界协作与交流提供了便利，同时，它们还通过提升数据资源配置的精准性和产业间的融合效率，进一步推动了产业结构的优化升级。这种升级不仅体现在产业内部，更在于整体经济结构的调整与完善，而产业结构升级的本质则是生产要素和经济资源的优化再配置。数据要素市场的建立缩短了企业与金融机构之间的信息距离，一定程度上弥补了市场的外部性缺陷。从微观层面看来，产业结构升级表现为企业的优胜劣汰，通过市场引导资源流向具有发展潜力的产业，减少对衰退产业、低附加值产业的资本配置，进一步优化金融资源配置效率。

金融开放环境。随着数据要素市场化的不断推进，数据要素跨境流通可以为金融开放提供便利条件，进一步对金融资源配置产生影响。在开放的市场环境下，国内外数据资源得以更高效地整合与利用，不仅丰富了金融市场的信息基础，也提升了金融资源配置的国际化水平。通过跨境数据合作与共享，金融机构能够提高资源配置的精准度和效率。在全球金融开放的大背景下，金融资源的流动速度显著加快，内外资本投入也呈现增长态势。这种态势间接促进了金融环境的优化，进而引发了金融资源配置的变革。然而，值得特别关注的是，随着国内资本市场开放程度的不断提高，外来资本的涌入在带来新机遇的同时，也带来了贸易结构与金融组织结构之间潜在的失衡问题。这些问题在一定程度上对金融资源配置的效率产生了制约效应。基于上述分析，提出以下研究假设：

H2a：数据要素市场化通过提升金融科技水平优化地区金融资源配置。

H2b：数据要素市场化通过升级产业结构改善地区金融资源配置。

H2c：数据要素市场化通过优化金融开放环境抑制地区金融资源配置。

四、研究设计

（一）模型设定

当前，学术界尚未形成衡量数据要素市场化的统一标准，为了验证数据要素市场化对金融资源配置的影响，基于地区首次建立数据交易所或数据交易平台的外生冲击，构建如下多时点双重差分模型：

frait=λ0+λ1mdfit+γZit+ui+ηt+εit（1）

其中，被解释变量frait为地区i在第t年的金融资源配置效率；mdfit为核心解释变量，当地区i在第t年开始运营数据交易所或数据交易平台，则mdfit=1，否则mdfit=0；Zit为一系列控制变量；ui为个体固定效应；ηt为时间固定效应；εit为随机误差。为了进一步考察数据要素市场化的动态效果并进行平行趋势检验，参考黄炜等（2022）［25］和胡洁等（2023）等［26］的做法，构建如下的动态双重差分模型：

frait=α+βprecuts［Di×I（t-TD<-3）］+∑-2s=-3βpres［Di×I（t-TD=s）］+∑2s=0βposts［Di×I（t-TD=s）］+βpostcuts［Di×I（t-TD>2）］+γZit+ui+ηt+εit（2）

其中，Di=1表示处理组地区i，Di=0表示控制组地区i；I（·）为指示函数，TD为数据交易所建立当期，以相对数据交易所建立时点的时间为参照系（t-TD=s），其中s=-1为基期，其余变量与基准模型相同。式（2）中估计系数β的变化反映了数据交易所建立对地区金融资源配置的动态变化，若估计系数βprecuts与βpres不显著异于零，且估计系数βpostcuts与βposts显著不为零，则上述多时点双重差分模型的构建满足平行趋势检验［25-26］。

（二）变量设定

1核心解释变量

数据要素市场化（mdf）。数据要素市场化虚拟变量，当城市i在第t年首次开始运营数据交易市场或数据交易平台，那么该城市在第t年及之后的数据要素市场化mdfit=1，其他年份为0。

2被解释变量

金融资源配置（fra）。金融资源配置是指金融资源通过何种方式从资金供给者配置给资金需求者，其关键是在一定的技术条件下，通过有限的金融资源支持使经济效果达到最佳。金融作为一种特殊的资源，既是资源配置的对象，也是其他资源配置的方式。目前，学术界多数研究以测算金融资源配置效率来衡量地区金融资源配置情况，通过梳理相关文献发现，金融资源投入指标主要包括金融从业人员、金融机构网点数、固定资产投资，而金融业增加值、金融机构存款及社会消费品零售总额则作为金融资源产出指标。鉴于此，设定金融资源配置效率投入产出指标如表1所示。

在进行地区金融资源配置效率的量化评估时，往往选择数据包络分析（DEA）法，该方法核心在于通过识别在给定的投入产出条件下所能达到的最大产出或最小投入的生产前沿边界，进而计算出资源配置效率。DEA法作为一种非参数估计技术，其优势在于能够有效应对包含多个投入产出指标的复杂场景，但经典DEA模型测算的效率取值在［0，1］之间，且在规划过程中难以对决策单元（DMU）效率值进行比较，由此在经典DEA模型的基础上进行演化，借鉴Andersen和Petersen（1993）的做法，删除决策单元产出投入比小于1的约束，选取数据包络分析-超效率（SE-DEA）模型对地区金融资源配置效率进行计算［27］。具体模型公式如下：

maxθ

st∑λixiθx0，i=1，2，3，…，n

∑λiyiy0，i=1，2，3，…，n

∑λi=1λi0，θ0（3）

其中，xi和yi表示第i个决策单元的输入和输出变量，λi是权重系数，θ为超效率分数，x0和y0分别表示最优实际生产前沿的输入和输出变量。根据上述方式测算出我国2010—2021年284个地级市的金融资源配置效率，作为金融资源配置的衡量指标。

3控制变量

为提高模型估计的准确性，梳理相关文献，加入可能影响城市金融资源配置的控制变量，具体包括：经济发展水平（pgdp），以地区人均生产总值进行衡量；基础设施水平（infra），以地区人均道路面积进行衡量；信息基础设施（infor），采用每百人互联网用户数进行衡量；财政自主度分权（dfa），用地方政府一般公共预算收入与支出比值进行衡量；人力资源水平（hr），选取普通本专科在校学生比例。所有变量定义如表2所示。

（三）数据来源与描述性统计分析

涉及变量研究数据主要来源于各地级市统计年鉴、各数据交易所与数据开放平台、Wind数据库、《中国统计年鉴》《中国金融年鉴》，由于部分城市存在严重对缺失数据较多的地区进行剔除，个别数据缺失值采用线性插值法和回归插补法进行补齐。模型主要变量的描述性统计结果如表3所示。

五、实证结果分析

（一）基准回归

使用双重差分模型评估数据要素市场化对地区金融资源配置的影响，根据式（1）建立模型进行回归估计，表4汇报了数据要素市场化对地区金融资源配置效率的回归结果，模型（1）—模型（6）为依次加入控制变量的回归结果，所有模型均固定时间变量并控制地区的个体变量进行基准回归。

表4模型（1）—模型（6）回归结果显示，数据要素市场化（mdf）的回归系数均显著为正，表明数据要素市场化能够提高地区金融资源配置效率。模型（6）进一步表明，在加入一系列控制变量后，数据要素市场化的回归系数为0461，且在99%水平上显著，即数据交易所或数据交易平台的首次建立使得地区下一年金融资源配置效率提升461%。由此验证了研究假设H1，数据要素市场化有助于提升地区金融资源配置效率。

在控制变量中，地区经济发展水平（pgdp）和基础设施建设（infra）回归系数均在99%的水平下显著为正，说明地区经济发展水平和基础设施建设对提升金融资源配置具有积极作用，这是由于金融发展以地区经济实力为基础，同时依靠各类基础设施发挥金融市场作用。此外，信息基础建设（infor）的回归系数在95%的水平下显著为负，说明较高的信息发展水平反而会对地区金融资源配置起到抑制作用，原因在于信息化可能加深城市信息鸿沟与数字鸿沟等问题，由于金融资本的逐利性，导致金融资源配置愈发不平衡，进而降低了地区金融资源配置的效率。

（二）稳健性检验

1平行趋势检验

在使用多时点双重差分方法时，需要确保数据要素在市场化之前具有平行趋势，并且要考虑数据要素市场化后的影响［28］，结果如图1所示。可以发现，数据要素市场化前，金融资源配置效率在随时间推移并未出现明显变化，这一事实验证了平行趋势假设的有效性。在数据要素交易所或交易平台建立后，发现回归系数逐渐增加，这表明数据要素市场化对地区金融资源配置效率有积极作用。

进一步考察数据要素市场化的动态特征，利用公式（2）动态双重差分模型再次验证数据要素市场化对地区金融资源配置效率的动态影响，如图2所示，表明在建立数据要素交易所或数据要素交易平台前，回归系数不显著为零，即地区金融资源配置在两个组别中的差异不显著，符合平行趋势假设。但在数据要素市场化之后，回归系数呈显著正向趋势，且存在上升趋势，即处理组区域金融资源配置相较控制组有明显提高，表明数据要素市场化对金融资源配正向影响。

2安慰剂检验

为了消除偶然因素的影响，使用安慰剂试验来识别数据要素市场化的随机性。进行了500次基于基准回归中数据要素分布情况的随机抽样，以构建“伪虚拟变量”，然后利用模型（1）重新进行回归估计，估计系数和P值的分布如图3所示。以上研究结果显示，金融资源配置效率与“伪虚拟变量”的回归系数均值趋近于零，并且明显低于0461这一回归系数数值，基本排除数据要素市场化对地区金融资源配置影响的其他随机性因素，上述结论稳健。

3PSM-DID

考虑到数据要素交易市场的建立可能倾向选择数据资源较为丰富的城市，上述模型可能存在样本选择偏差，因此我们决定采用倾向匹配得分法（PSM）来重新匹配控制组，以解决这一问题。用核匹配方法，以城市经济发展水平、基础设施水平、信息基础设施等作为协变量，来控制处理组和对照组之间的系统性差异；然后使用Logit模型来生成倾向匹配得分，再剔除少量未被匹配的样本；最后进行多时点双重差分回归。图4绘制的控制变量标准化偏差图显示，在进行匹配处理后，各变量的标准化偏差明显减小，并且均稳定在10%的范围内，这表明匹配效果非常良好。根据表5模型（1）进行倾向匹配后得到的检验结果显示，数据要素市场化（mdf）的回归系数呈显著正向，与基准回归结果一致，进一步验证了数据要素市场化对地区金融资源配置的积极影响。同时，这也证实了上述结论的稳健性。

4改变样本区间

考虑到直辖市和省会城市不仅有经济基础、金融资源禀赋等优势，而且更容易受到政策支持，为了进一步验证上述结论的稳健性，在27个剔除直辖市和省会城市的基础上，利用多时点双重差分模型重新进行估计。表5模型（2）结果显示，数据要素市场化估计系数显著为正，与上述结论一致。

与此同时，2015年国务院印发了《促进大数据发展行动纲要》，该纲要旨在全面推动我国大数据的发展与应用。自此之后，我国开始了“三位一体”系统部署大数据发展工作，该纲要被视为我国发展大数据产业的战略性指导文件，也是指导大数据发展的国家顶层设计和总体部署。由此，为排除时间窗口对数据要素场所政策效果的影响，改变样本时间为2015—2021年，并利用多时点双重差分模型重新进行估计。表5模型（3）的回归结果显示，数据要素市场化对地区金融资源配置效率仍然具有显著正面影响，证明上述结论稳健。

5替换变量

除了直接考虑金融资源配置效率，金融资源配置结构是否科学合理也是金融资源能否实现高效配置的重要影响因素。无论是为了防范系统性金融风险，还是推动经济高质量发展，都需要通过优化金融资源配置结构来实现。由此，对被解释变量进行替换，采用金融资源配置结构代替金融资源配置效率，选取金融相关比率（fir）衡量金融资源配置结构并进行回归。表5模型（4）回归结果表明，数据要素市场化对金融相关比率影响显著为正，说明数据要素市场化不仅提升金融资源配置效率，还能优化资源配置结构，上述结论稳健。

6异质性处理效应检验

Chaisemartin和Haultfoeuille（2020）［29］的研究指出，当对多个时间点进行双重差分处理以估计个体处理效应时，异质性处理效应可能导致一些处理效应的权重为负数，如果这种情况占比较大，就会使估计结果变得不够稳健。要测试双向固定效应回归结果在异质性处理效应下的稳健性，需用Stata软件里的Twowayfeweights命令来验证。根据数据呈现的结果，在所涉及的10006个权重中，有8312个为正权重，而1694个为负权重。这些负权重的总和为-000075147，非常接近于零。这一结果表明，异质性处理效应对回归结果的影响可以被忽略，上述基准回归双向固定效应的回归结果稳健。

（三）机制检验

前文验证了数据要素市场化能够提升地区金融资源配置效率的研究假设，本节将从金融科技、产业结构和金融环境三个方面描述其作用机制，对研究假设H2进行验证。根据江艇（2022）提出的机制检验方法［30］，制定了以下模型：

Mit=θ0+θ1mdfit+γZit+ui+ηt+εit（4）

其中，Mit代表着三个机制变量，分别用于评估金融科技、产业结构和金融环境的影响。与基准模型相比，其他变量保持不变。

1数据要素市场化与金融科技水平

数据要素市场化依赖于数据交易场所的建立，在此过程中借助科技影响金融资源配置，使金融服务覆盖范围大大增加。因此，参考李春涛等（2020）［31］采用关键词百度搜索指数构建的金融科技指数（fintech）来衡量城市金融科技水平，并进行回归分析。根据表6模型（1）的结果显示，当引入金融科技变量后，可以明显观察到数据要素市场化对地区金融资源配置效率产生了显著正面影响，可以认为金融科技水平在其间起正向中介效应，即数据要素市场化下，更高的金融科技水平会提高金融资源配置效率。

2数据要素市场化与产业结构

产业结构通过时空异质性对金融资源配置进行外在调控，随着经济进入高质量发展阶段，调整产业结构不仅会创造新的资源需求，还会使金融资源的流动发生改变。在以制造业为主的发展时期，金融体系的不断进步促进了社会经济的发展，随着产业结构向着合理化高级化转变，高新产业和第三产业占比的提升带来了更多金融资源需求，最终使得产业结构化高级化带来的“结构正效应”或“结构负效应”对金融资源配置产生影响。因此，参考于斌斌（2015）的做法，计算第三产业与第二产业的产值之比（ES）来反映产业结构高级化水平［32］，并进行中介效应分析。结果如表6模型（2）所示，可以发现产业结构高级化回归系数显著为正，认为产业结构高级化在数据要素市场化影响地区金融资源配置效率的过程中起到正向中介效应。

3数据要素市场化与金融开放环境

除了金融科技与产业结构两个影响机制，金融开放环境也能影响金融资源配置情况。全球金融系统的合作和金融开放需要通过建立全球数据跨境流动的制度体系，开放的金融环境能够提升金融资源的流动速度，通过改变金融环境影响资源配置效率。因此，采用外商直接投资占地区生产总值比重（open）来衡量地区金融环境的开放程度，并进行中介效应分析。结果如表6模型（3）所示，可以发现回归系数显著为负。经济发展的不同阶段需要与实体经济需求相匹配的最佳金融结构，以有效地履行金融体系的基本职能，推动实体经济的发展，数据要素市场化使得金融开放环境发生变化，但外资过多进入也会导致金融结构失去平衡，进而抑制了地区金融资源配置效率。

（四）拓展分析

前文验证了数据要素市场化能够通过金融科技、产业结构与金融环境三个机制提升地区金融资源配置效率。然而，城市资源禀赋、发展定位、政府干预等，与城市特征相关的外部因素也可能对数据要素市场化提升地区金融资源配置效率产生影响，为了对这一问题展开分析，建立以下模型进行研究：

frait=α0+α1mdfit+α2mdfit×Rit+α3Rit+γZit+ui+ηt+εit（5）

其中，Rit为调节变量，其余变量与基准模型相同。

1区域金融中心

区域金融中心的存在可以更方便地聚集大量的金融资源和其他生产要素，从而有效地推动该城市以及周边地区的金融经济发展。截至2022年12月，共有33个城市明确提出建设区域金融中心，包括4个直辖市、21个省会城市、7个核心城市以及1个省内强市，因此建立区域金融中心虚拟变量（fc），将建设区域金融中心的城市设定为1，其余城市设定为0，进行回归分析。表7模型（1）结果显示，数据要素市场化（mdf）和区域金融中心（fc）的交乘项：mdf*fc回归系数显著为负，区域金融中心的建设在数据要素市场化促进地区金融资源配置的过程中起到负向调节作用。

2人力资源禀赋

新古典经济增长理论认为，人力资本在经济增长的过程中发挥了重要的作用，不仅如此，人力资源还关系着其他生产要素与资源的分配。为了区分不同城市人口分布的差异，选择以胡焕庸线作为划分地区人力资源禀赋差异的依据，设定胡焕庸线以东城市的人力资源禀赋为1，其余城市为0。结果如表7模型（2）所示，数据要素市场化（mdf）和人力资源禀赋（hre）的交乘项：mdf*hre回归系数显著为正，说明人力资源禀赋在数据要素市场化提升地区金融资源配置效率的过程中发挥正向作用。

3金融资源禀赋

当地区金融资源禀赋较低时，政府往往会通过拨款等财政措施进行金融资源配置，但这一举措通常只能满足金融市场小部分资金需求，无法达到金融资源配置的最佳状态。而随着金融市场的不断完善，地区金融资源禀赋呈现上升趋势，金融资源配置渠道得以拓宽，但过度的金融资源禀赋可能造成“脱实向虚”的问题。因此，选择城市资本存量来衡量地区金融资源禀赋（fre），并进行分析。表7模型（3）结果显示，数据要素市场化（mdf）和金融资源禀赋（fre）的交乘项：mdf*fre回归系数显著为负，说明金融资源禀赋在数据要素市场化提升地区金融资源配置效率的过程中发挥负向影响。根据金融禀赋结构理论，高效的金融结构必然反映实体经济的需求，过高的金融资源禀赋并不一定能使金融资源配置达到最优，反而可能会降低金融资源配置效率。

4政府干预

政府介入可以有效地解决一些市场失灵问题，但如果干预过多，就会影响资源的合理配置和市场的发展。所以，可以用私营部门就业人数占总就业人数的比例，也就是市场化程度（gov），来评估政府对经济的干预程度，市场化程度越高说明政府干预程度越低，同时进行回归分析。表7模型（4）表明，数据要素市场化（mdf）和政府干预程度（gov）的交乘项：mdf*gov回归系数显著为正，说明市场化程度越高，即政府干预越小，有助于增强数据要素市场化对金融资源配置效率的积极影响。

六、结论与启示

本文基于2010—2021年我国284个地级市面板数据，利用多时点DID模型就数据要素市场化对地区金融资源配置的影响效果及作用机制进行分析。主要结论如下：（1）数据要素市场化显著提升了地区金融资源配置效率，经过一系列稳健性检验，该结论依然可靠。（2）机制研究结果表明，数据要素市场有助于提升地区金融科技水平与促进地区产业高级化，进而对金融资源配置效率产生正向影响，但数据要素市场改变金融开放环境，可能导致地区金融结构失调，进而对地区金融资源配置产生抑制作用。（3）拓展研究结论表明，区域金融中心建设和人力资源禀赋能够强化数据要素市场对金融资源配置的积极作用；而过高的金融资源禀赋与过多的政府干预则会减弱数据要素市场化的积极作用。

基于以上研究结论，得到以下启示：

第一，完善数据要素市场化配置。数据交易平台应建立明确的数据交易标准以保证数据交易的顺利进行，通过数据交易平台与地方金融服务平台的对接，实现数据要素在不同地区的流通，以达到数据优化金融资源合理配置的效果。在这一过程中，需要根据城市发展差异，构建层次分明的城市金融资源配置网络，发挥城市群金融中心城市的带动作用，为周边城市金融服务提升带来积极影响。同时，政府应在保证经济持续稳健运行的前提下，谨慎实施干预政策，防范由于资源配置不合理或市场效率低下可能引发的经济风险。第二，加强金融资源供给侧改革。优化金融资源配置效率要重点加强金融数字化进程，进一步推动区域间金融信息的联通，逐步形成层次鲜明、功能互补的现代金融体系，充分利用市场机制，为促进实体经济发展提升金融服务深度。积极完善金融体系，培育多样化融资渠道，引导金融资源合理配置，通过提升金融普惠程度改善金融资源配置。第三，促进传统要素市场与数据要素市场融合发展，需要政府发挥主导作用，推动制造业与服务业融合发展，同时加强数字技术在各行业应用不断深化，实现传统要素与数据要素市场协同联动。进一步利用数据要素市场不断拓展传统金融与数字金融业务边界，优化金融服务结构，以此改善地区金融资源配置，最终实现金融高质量发展。

参考文献：

［1］DeepaN，PhamQV，NguyenDC，etal.ASurveyonBlockchainforBigData：Approaches，Opportunities，andFutureDirections［J］．FutureGenerationsComputerSystems：FGCS，2022，38（3）：131-141.

［2］WilsonB，CongC.BeyondtheSupplySide：UseandImpactofMunicipalOpenDataintheUS［J］．TelematicsandInformatics，2021，5（8）：15-26.

［3］CappaF，OrianiR，PeruffoE，etal.BigDataforCreatingandCapturingValueintheDigitalizedEnvironment：UnpackingtheEffectsofVolume，Variety，andVeracityonFirmPerformance［J］．JournalofProductInnovationManagement，2021，38（1）：49-67.

［4］GoldfarbA，TuckerC.DigitalEconomics［J］．JournalofEconomicLiterature，2019，57（1）：3-43.

［5］徐翔，厉克奥博，田晓轩.数据生产要素研究进展［J］．经济学动态，2021，722（4）：142-158.

［6］柏培文，喻理.数字经济发展与企业价格加成：理论机制与经验事实［J］．中国工业经济，2021，11（11）：59-77.

［7］陈国青，张瑾，王聪，等.“大数据-小数据”问题：以小见大的洞察［J］．管理世界，2021，37（2）：203-213+14.

［8］何玉长，王伟.数据要素市场化的理论阐释［J］．当代经济研究，2021，32（4）：33-44.

［9］王晓丹，石玉堂，刘达.数据要素市场化配置对数实融合的影响研究——基于数据交易平台设立的准自然实验［J］．广东财经大学学报，2024，39（2）：44-58.

［10］刘满凤，杨杰，陈梁.数据要素市场建设与城市数字经济发展［J］．当代财经，2022，43（1）：102-112.

［11］YangJ，ZhaoC，XingC.BigDataMarketOptimizationPricingModelBasedonDataQuality［J］．Complexity，2019.

［12］梁继，苑春荟.数据生产要素市场化配置研究［J］．情报杂志，2022，41（4）：173-180.

［13］GrossmanR.TheIndustriesThatAreBeingDisruptedtheMostbyDigital［J］．HarvardBusinessReview，2016，94（3）：2-5.

［14］赵云辉，张哲，冯泰文，等.大数据发展、制度环境与政府治理效率［J］．管理世界，2019，35（11）：119-132.

［15］李三希，武玙璠，鲍仁杰.大数据、个人信息保护和价格歧视——基于垂直差异化双寡头模型的分析［J］．经济研究，2021，56（1）：43-57.

［16］崔泽园，杨有振，胡中立.城乡居民家庭金融行为对收入差距的影响机制研究：基于CHFS的估计［J］．经济问题，2021（7）：62-69.

［17］王昱，夏君诺，刘思钰.产融结合对企业研发投入的影响研究［J］．管理评论，2022，34（5）：56-68.

［18］马斌，张琦.资本账户开放对外汇储备的非线性效应：基于金融发展视角［J］．国际金融研究，2022（6）：21-31.

［19］郭庆宾，骆康，黎珏铭，等.武汉城市圈资源集聚能力的空间关联研究［J］．长江流域资源与环境，2019，28（2）：306-312.

［20］WurglerJ.FinancialMarketsandtheAllocationofCapital［J］．JournalofFinancialEconomics，2000（1）：187-214.

［21］LiaoGK，YaoDQ，HuZH.TheSpatialEffectoftheEfficiencyofRegionalFinancialResourceAllocationfromthePerspectiveofInternetFinance：EvidencefromChineseProvinces［J］．EmergingMarketsFinanceandTrade，2020，56（10）：1211-1223.

［22］高一铭，徐映梅，季传凤，等.我国金融业高质量发展水平测度及时空分布特征研究［J］．数量经济技术经济研究，2020，37（10）：63-82.

［23］隋顺天，孔艳杰，隋舵.中国上市银行高质量发展：效率测度与影响因素［J］．国际金融研究，2020（10）：66-74.

［24］李俊霞，温小霓.中国科技金融资源配置效率与影响因素关系研究［J］．中国软科学，2019（1）：164-174.

［25］黄炜，张子尧，刘安然.从双重差分法到事件研究法［J］．产业经济评论，2022（2）：17-36.

［26］胡洁，于宪荣，韩一鸣.ESG评级能否促进企业绿色转型？——基于多时点双重差分法的验证［J］．数量经济技术经济研究，2023，40（7）：90-111.

［27］AndersenP，PetersenNC.AProcedureforRankingEfficientUnitsinDataEnvelopmentAnalysis.ManagementScience，1993，39（10）：1261-1264.

［28］LuoY，TangZ，FanP.CouldGovernmentDataOpenedEnhanceUrbanInnovationCapability？AnEvaluationBasedonMultistageDidMethod［J］．Sustainability，2021，13（23）：13495.

［29］ChaisemartinDC，D’HaultfoeuilleX.Two-WayFixedEffectsEstimatorswithHeterogeneousTreatmentEffects［J］．AmericanEconomicReview，2020，110（9）：2964-2996.

［30］江艇.因果推断经验研究中的中介效应与调节效应［J］．中国工业经济，2022（5）：100-120.

［31］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.

［32］于斌斌.产业结构调整与生产率提升的经济增长效应——基于中国城市动态空间面板模型的分析［J］．中国工业经济，2015（12）：83-98.

CanDataFactorMarketizationImproveRegionalFinancialResourceAllocation

——ValidationBasedonMulti-periodDifference-in-Difference

JINGJie，LIULingyan

（SchoolofEconomics，NanjingUniversityofPostsandTelecommunications，Nanjing210023，China）

Abstract：Themarketizationofdatafactorstopromotetheefficientcirculationofdatahasbecomeanimportantwaytoimprovetheallocationofregionalfinancialresourcesandachievehigh-qualityeconomicdevelopment.Thispaperselectsthesampledataof284prefecture-levelcitiesinChinafrom2010to2021，andempiricallyexaminestheeffectandmechanismofdatafactormarketizationontheallocationofregionalfinancialresourcesbasedontheexogenousshocksoftheestablishmentofdatafactortradingvenuesortradingplatformsbyusingamulti-temporalDIDmodel.Itisfoundthatdatafactormarketizationsignificantlyimprovestheefficiencyofregionalfinancialresourceallocation;themechanismtestconfirmsthatdatafactormarketizationaffectstheallocationoffinancialresourcesbychangingthelevelofregionalfinancialscienceandtechnology，industrialstructureandfinancialopenenvironment.Theaboveconclusionsindicatethatthemarketizedallocationofdatafactorsshouldbefurtherimproved，thesupply-sidereformoffinancialresourcesshouldbestrengthened，andtheintegrationoftraditionalfactormarketanddatafactormarketshouldbepromoted.

Keywords：datafactormarketization;datafactortradingplatform;financialresourceallocation;multi-periodDifference-in-Difference

（责任编辑：周正）