周
璇
（重庆理工大学，重庆
404100）
[摘要]在数字经济背景下，探究数据要素配置对高技术产业创新产出的影响，
对增强高技术产业创新能力具有重要意义。研究结果表明：在固定效应模型下，数据要素配置的双重效应，使得其对高技术产业创新产出呈现“倒U 型”的非线性关系。在门槛效应模型下，数据要素配置与高技术产业创新产出呈现出不同的区间效应，其中对创新产出数量与质量都表现为单门槛效应。研究对于高技术产业管理人员及政府的相关部门把握数字经济发展机遇，利用数据要素提升高技术产业创新能力，实现经济高质量发展具有一定的借鉴意义。
[关键词]数据要素；高技术产业；创新产出[中图分类号]F276.44
[文献标识码]
A
[文章编号]1009-6043（2023）07-0047-05
[作者简介]周璇(1999—)，女，浙江丽水人，硕士研究生，研究方向：技术创新与知识产权管理。
[基金项目]重庆理工大学研究生创新基金资助项目：数据要素配置对高技术产业创新能力的影响研究(gzlcx20223334)。
第2023年第7期（总第563期）
商业经济No.7，2023Total No.563
一、
引言数字经济是继农业经济、工业经济之后产生的新的经济形态，被认为是新时代进行现代化建设的重要动力。数字经济的产生与不断发展，将新的生产要素———数据要素引入行业的生产环节之中。随着数据要素的重要性不断提升，2020年4月，中共中央、国务院在《关于构建更加完善的要素市场化配置体制机制的意见》
中明确指出：“数据要素是与土地、劳动力、资本与技术等四大传统生产要素并列、可以参与分配的基本生产要素。”数据作为协调供需双方的重要生产要素，在我国宏观经济发展中的巨大价值开始逐步显现，对促进新经济，培育新业态，催生新模式的未来发展道路有着不可替代的作用。
高技术产业具有高渗透性、高知识性的特点，在我国经济转向高质量发展的背景下，其具有的强大创新产出能力，对于提升我国整体创新能力有着重要作用。数字经济的发展，提升了高技术产业应用数据要素的频率。而数据要素进入生产、流通环境后，提供了新的资源配置方式，与其他生产要素相互协调，引发了高技术产业创新能力的增长，促使高技术产业的创新产出增多。但在现实情况中，数据要素对高技术产业创新产出的影响并非全然正面，“数据孤岛”与“数据垄断”现象频发，数据要素的无序性、庞杂性尤为突出，不合理的数据要素配置使得高技术产业在创新过程中面临着“数据泄密”的风险，加大了其创新的难度。
在这样的背景下，厘清数据要素配置程度对高技术
产业创新产出的影响，有助于回应数据要素配置与高技术产业创新产出的现实问题，并从理论上完善对于高技术产业创新产出影响因素的相关研究。
二、文献综述
近年来学术界围绕着数据要素展开了较为深入的研究，主要从数据要素自身特性出发，探究其价值创造机制。数据经过采集、整合、处理等步骤才能成为数据要素，其能够成为生产要素，是大数据时代发展下，互联网、云计算、人工智能等新技术发展的产物。不同学者基于不同研究视角，总结归纳了数据要素的特性。秦兴方等人[1]认为数据要素既具有自然属性或技术性，又具有社会属性或社会性。这些特性使得数据要素能够通过边际成本递减性，规模报酬递增等效应，提升产业全要素生产率，从而促进了经济高质量发展[2]。Thompsons [3]等学者研究发现，数据要素的投入能够激励企业进行自主研发投入，进而促进了企业创新水平的提升。但由于数据本身存在的无序性与庞杂性，数据要素对微观主体的创新能力可能存在不稳定影响，因此必须加强对数据的配置，充分发挥数据价值[4]。基于数字经济的发展，数据作为新生产要素实现价值创造的方式引起了注意。谢卫红等[5]梳理了数字化创新价值创造的效率、融合、生成三种方式。黄少安等[6]认为数据要素实现其价值需要通过汇集、流动和分析数据的高度流动与共享来实现，这需要将数据要素投入到生产环节中。
随着对数据要素研究的逐步深入，数据要素与创新
商业经济第2023年第7期SHANGYE JINGJI No.7，2023
产出之间的关系也引起了学者们的注意，现有研究从数据要素进入创新要素体系，及其对产业内企业获
取与整合知识等能力的影响等角度，分析了数据要素与创新产出之间的关系。首先，数据要素与其他生产要素相协调，构建创新要素体系。如王建冬，董楠楠[7]构建了数据要素与其他生产要素协同联动的“五链协同”模型，提出了数据要素与其他生产要素联动的三层次模型。杨艳、王理、廖祖君[8]的研究发现，数据要素对其他要素生产率的提升存在“倍增效应”。这种综合配置的创新要素体系往往对产业创新产出有着“激励”作用，如陶长琪、徐茉[9]等人通过构建多维度创新要素指标体系，界定了创新要素的内涵，并探索了其时空演变规律。通过对制造业的研究发现创新要素的综合配置能够推动产业技术创新，加快产业结构调整[10]。其次，数据作为一种新兴的生产要素，其具有很强的外部性。数据要素的投入推动了生产方式的变革，能够显著地促进企业新知识发现率[11]，如Varian[12]指出企业能够通过大数据分析，更加精准地针对市场变化做出反应，如精准投放广告，将自身的价值附加在其它产品或服务上。李树文等人[13]通过对多家科创企业的实证研究，论述了大数据分析等数据要素应用能够显著提升企业知识获取能力、知识创造能力和知识整合能力，显著促进了产品的突破性创新。然而数据要素本身存在的负外部性也在逐渐增强，产业内企业在进行知识转化时往往会按照对其有利的方式进行，这种应用方式导致数据的过度收集和个人隐私保护力度不够，形成数据垄断，阻碍数据流动。如果企业不对数据加以限制，数据的非竞争性特征使特定的信息能够被多个实际持有人应用于不同的场景中[14]，不利于企业对其创新成果的保护。
综上所述，现有研究基于对数据要素自身特性的研究，探究其价值创造机制，在这个过程中，数据要素
的正负外部性对产业的创新产出有着重要的影响。然而，对于数据要素配置程度与产业创新产出之间的研究仍存在着不足之处。首先，现有研究直接涉及两者间关系的相对较少，从其他视角进行的研究并未有相对一致的研究结论，数据要素配置程度对产业创新产出之间的影响尚不明确。其次，现有研究多集中于理论研究，实证检验的研究方法较为单一。数据要素外部性特征的存在，使其配置程度可能对创新产出之间存在着非单一线性的影响，仅使用单一的研究方法难以解释研究问题。基于此，本文通过实证研究方法，进一步检验数据配置程度对高技术产业创新产出之间的关系。
三、理论假设
(一)数据要素配置与高技术产业创新产出
数据要素在一定程度激励了产业创新产出。首先，数据要素的易复制性促使技术信息在更大范围内的流动，使得高技术产业获得更多来自外部的知识，同时减轻产业内企业前期进行技术开发的成本。胡东兰与夏杰长[15]认为数据作为生产要素的使用，能够使大量初创企业利用数据进行创新，从而减轻创新成本，间接促进创新产出的增加。其次，尽管高技术产业创新能力较强，但其创新产出仍处于“周期长，投入大，回报不稳定”的状态。数据提供的实时收集与传播能力，能缩小市场存在的信息差，强化资源配置能力，降低企业运行的不确定性，从而促进创新产出的增加。但不能忽视的是，数据要素可能存在同其他要素一样，会遵循边际收益递减规律。随着数据要素配置程度的提升，数据积累的规模变大，效率提
升速度下降[16]，数据要素产生配置扭曲。此外，数据的无序性使得数据的可控性较差，高技术产业在应用数据要素进行创新时存在技术数据的保密等问题，这种“挤出效应”挤压了高技术企业的创新投入，从而影响了产业的创新产出。因此，数据要素与高技术产业创新产出之间的关系由“激励效应”与“挤出效应”共同决定。这之中值得注意的是，衡量创新产出能够从创新数量与创新质量两个维度来展开相关的研究[18]。创新数量往往代表着整个产业的创新规模，而创新质量可以表示产业的创新水平。在不同维度下，数据要素配置对高技术产业创新产出产生的影响也可能有所不同。因此，本文提出假设1：
H1：数据要素配置程度与高技术产业创新产出之间是非线性关系
H1a：数据要素配置程度与高技术产业创新产出数量之间是非线性关系
H1b：数据要素配置程度与高技术产业创新产出质量之间是非线性关系
(二)数据要素配置程度门槛效应
数据要素配置对高技术产业创新产出的抑制与促进作用，随着数据要素配置程度的不同而有所不同。当数据要素配置处于较低程度时，“激励作用”占主导。产业获取知识进行创新时，仅需要对数据进行初步收集与整理，借助其易复制性与实时性，通过信息差，能够快速地与市场建立联系，降低前期的创新投入成本。随着对数据的使用频率上升，配置程度处于不合理的状态时，数据本身无序性逐渐暴露出来，
快速流动的数据导致泄密风险增加，高技术企业需要增加在数据收集、汇总与保密等方面的投入。与此同时，高技术产业内部对数据要素的应用水平并未随着使用频率的增加而提升，大量的数据要素未被充分利用而孤立存在，造成“数据孤岛”现象，导致“抑制作用”占主导，不利于高技术产业进行创新开发。随着对数据要素的认知逐渐深入，数据要素与其他生产要素在生产力领域相结合会产生扩张效应和利益刺激[1]，同时，高技术企业对数据要素的应用更加成熟。数据要素通过自身特性，优化产业技术创新的环境，促进了创新产出的增加。因此，本文在考虑创新产出数量与创新产出质量两个维度的基础上，对数据要素配置程度对高技术产业创新
具体测算指标权重
数据生成
互联网网页数0.2241互联网域名数0.1124互联网接入端口数0.0505
数据使用移动互联网用户数0.0488移动电话普及率0.0256光缆线路长度0.0548
数据共享电信业务总量0.1821邮政业务总量0.0907 Ipv4地址数0.1431
产出产生的不同区间效应作出如下假设：
H2：配置程度在数据要素配置和高技术产业创新产出的关系中存在门槛作用。
H2a：配置程度在数据要素配置和高技术产业创新产出数量的关系中存在门槛作用。
H2b：配置程度在数据要素配置和高技术产业创新产出质量的关系中存在门槛作用。
四、模型设计与变量选取
(一)模型构建
1.基准模型
结合上述理论与研究，构建以下模型检验数据要素
配置对高技术产业创新产出是否存在非线性关系：InY i,t=α0+α1data i,t+α2data i,t2+α3control i,t+μi+θi+εi,t
其中，I表示地区，t表示时间，Y表示高技术产业创新产出，进一步可以细分为高技术产业创新产出数量(Iny
1
)与产出质量(Iny2)，data表示数据要素配置程度，control表示控制变量，μi为地区固定效应，θi为时间固定效应，εi,t为随机干扰项。根据修正后的Hausman检验结构，在分析研究数据要素配置与高技术产业创新产出数量与质量关系时，根据chi2(7)=36.27、Prob>chi2=0.0000；chi2(7)=51.53、Prob>chi2=0.0000，确定使用固定效应模型。
2.门槛模型
为更好地检验数据要素配置程度是否存在门槛效应，借鉴Hansen的研究构建以下面板门槛模型，其中Y 表示高技术产业创新产出：
InY i,t=c it+β1data it I(data it≤γ1)+β2data it I(γ1＜data it≤γ2)
+…+βn+1data it I(data it＞γn)+λ1control i,t+μi
(二)变量选取与测度
1.被解释变量
高技术产业创新产出数量。衡量与评价创新产出数量大多从专利的角度出发。其中，发明专利的技术含量与审核要求远高于其他两种专利，可以比较明显地反映出创新主体的创新能力，因此本文使用高技术产业发明专利数量表示创新产出数量。
高技术产业创新产出质量。现有研究衡量专利质量的方式不尽相同，本文从高技术产业创新成果转化的角度衡量。创新质量越高的产品被市场接受的程度越高，这些产品的产出形式多为新产品等创新成果，因此通过新产品的销售收入来反映创新产出质量。
2.核心解释变量
数据要素配置程度。对数据要素配置程度的测算，目前尚没有一个公认的衡量体系。李博[14]等人在衡量信息化水平的指标选取了邮政业务总量与电信业务总量；左鹏飞[17]等人从应用与产出角度，构建互联网发展测评体系；李治国、王杰[16]从数据要素管理、数据开发应用、数据传播共享、数据应用环境等四个维度构建了数据要素配置的指标体系。陶长琪、徐茉[9]从人才、资本、技术、数据
和制度环境五大维度构建创新要素综合系统指标体系，彭影[10]在借鉴前人的研究基础上，从数据生成和数据应用两个层面来衡量数据创新要素。本文在借鉴学者们的观点，从数据生成、数据使用、数据共享三个维度构建指标体系，并通过熵权TOPSIS法测算各地区数据要素的配置程度。
3.控制变量
通过总结相关文献的相关研究，选定劳动力要素投入(RDL)、资本要素投入(RDK)、对外开放程度(OPEN)、产业盈利能力(PM)、技术市场活跃度(TEC)作为控制变量，具体测算方法如表2所示。
本文选取了2016—2020年31个省市相关数据，原始数据来源于《中国统计年鉴》《中国高技术统计年鉴》《中国信息统计年鉴》等，各地区的统计公报，部分缺失数据由预期得出。
五、实证分析及检验
(一)数据要素配置程度测算
通过数据要素配置程度指标体系，衡量得出2016—2020年31个省市和自治区的数据要素配置程度，如图1所示。
从图1中能够看出31个省份的数据要素配置程度都在逐年提升，表明在数字经济发展的背景下，我国对于表1数据要素配置程度衡量指标体系
表2变量指标说明
指标符号指标测度
高技术产业创新产出数量InY1高技术产业发明专利数取自然对数
高技术产业创新产出质量InY2高技术产业新产品销售收入取自然对数数据要素配置程度Data数据要素配置程度衡量指标体系
劳动力要素投入InRDL R&D人员全时当量取自然对数
资本要素投入InRDK R&D经费投入取自然对数
对外开放程度OPEN外商投资额与地区生产总值的比值
产业盈利能力PM产业利润率与营业收入的比值
技术市场活跃度InTEC技术市场成交额取自然对数
图1数据要素配置程度
周璇：数字经济背景下数据要素配置程度对高技术产业创新产出的影响研究
数据要素的应用程度在加深。但目前我国对于数据要素的应用尚处于一个起步阶段，增长相对缓慢，在数据生成、数据使用、数据共享等三个维度上仍提升空间。其中，
较为突出的省份为北京、广东，浙江与江苏四省，平均配置程度在0.2以上。这些省份经济发达，资金与高素质人才资源丰富，其产业受到数字经济的影响程度较深。同时形成了较为广泛的数据收集与共享平台，对于数据的使用与共享能力较强。而数据配置程度相对较低的省份主要有青海、宁夏、新疆与西藏，属于经济较不发达地区，对于数据的生成与使用、共享的基础设施建设尚不完善，数据的共享与交互能力较弱。
(二)基准回归
基准回归结果如3(1)与(2)列所示，当被解释变量为创新产出数量时，回归结果显示数据要素配置程度的一次项data的系数为1.84；数据要素配置程度的二次项data2的系数为-6.9，显著为负，表明数据要素配置程度与高技术产业创新产出数量呈现非线性关系，进一步进行Utest检验，结果显示极值点0.13在数据范围内，所以拒绝“‘倒U型’关系不存在”的原假设，此时假设H1a 得到了验证。当被解释变量为创新产出质量时，回归结果显示数据要素配置程度的一次项data的系数为1.799，显著为正；数据要素配置程度的二次项data2的系数为-3.28，显著为负，表明数据要素配置程度与高技术产业创新产出数量呈现非线性关系，进一步进行Utest检验，结果显示极值点0.27在数据范围内，所以拒绝“‘倒U 型’关系不存在”的原假设，此时假设H1b得到了验证。
(三)门槛回归
将数据要素配置程度作为门槛变量，检验门槛效应是否存在。表3(3)与(4)列表示了门槛回归结构。表4表示了对门槛变量抽样300次的门槛效应检验结果。
根据门槛模型参数估计结果，当因变量为高技术产业创新产出数量时，通过了门槛值为0.518的单门槛检验表明数据要素配置程度对高技术产业创新产出数量的影响，可以被分为两个区间。即当数据要素配置程度处于较低程度(data≤0.518)时，回归系数估计值为0.75当数据要素配置程度处于较高程度(data＞0.518)时，回归系数估计值为-2.605，显著为负，假设H2a得到了验证。实证结果表明，较低程度的数据要素配置起到较强的“创新激励效应”，促使高技术产业创新产出数量的增多。数据要素又通过规模经济或者范围经济等效应，提升知识创造的效率，对高技术产业创新产出数量起到促进作用。随着数据要素的生成、使用与共享程度提升，数据本身的不确定性引发的负外部性逐渐暴露出来，使得有价值的信息无法被合理传播，迫使高技术产业对数据要素的应用的投入增大，无形中压缩了创新的投入，数据要素配置的“挤出效应”占主导。
当因变量为高技术产业创新产出质量时，通过了单门槛检验，门槛值为0.022。在此门槛值下，数据要素配置程度可以被划分为两个区间。当数据要素配置程度低于0.022时，回归系数为-28.3，显著为负；数据要素配置程度高于0.022时，回归系数为0.404，假设H2b得到了验证。表明数据要素配置程度与高技术产业创新产出质量之间呈现非线性关系，数据在配置程度较低的情况下，由于其无序性与不确定性，很难对高技术产业创新产出质量产生正向影响。当跨越门槛值后，区间系数发生变化，数据要素的
特性能够被充分发挥，行业内企业能够通过应用数据要素分析与预测市场需要的技术前景，减轻产业的创新负担，更有意愿地进行创新投入，促进了高技术产业创新质量的提升。
(四)稳健性检验
由于内生性的问题会导致回归结果发生偏误，通过工具变量法进行内生性检验。如表5所示，将数据配置程
表3基准回归及门槛回归结果
变量(1)(2)(3)(4) Iny1Iny2Iny1Iny2
data 1.844
(0.37)
1.799*
(0.10)
data2-6.958***
(0.02)
-3.282***
(0.04)
InRDK 0.661***
(0.00)
0.494***
(0.00)
0.646***
(0.00)
0.642***
(0.00)
InRDL
0.6***
(0.00)
0.341***
(0.00)
0.409***
(0.02)
0.120
(0.15)
InTEC -0.035
(0.63)
0.048
(0.22)
0.038
(0.55)
0.065*
(0.09)
PM 3.093***
(0.08)
3.539***
(0.00)
2.227
(0.17)
2.95***
(0.00)
OPEN -0.156
(0.12)
-0.024
(0.15)
0.002
(0.46)
-0.064
(0.14)
data≤0.5180.752 (0.49)
data＞0.518-2.605*** (0.01)
data≤0.022
-28.3***（0.00)
data＞0.022
0.404（0.42)
Constant -0.166
(0.94)
-0.802
(0.40)
1.989
(0.39)
3.806***
(0.01)
N155155155155 adj.R20.87200.91320.45980.5492
表4门槛效应检验结果
因变量模型F值P值门槛值95%置信区间创新产出数量单门槛40.20***0.00670.5180
创新产出质量单门槛15.55*0.07330.02200.01300.1530
表5变量的稳健性检验结果
变量模型（5）模型（6）
Data
2.12***
(0.00)
1.708***
(0.00)
控制变量控制控制Wu-Hausman F统计量 3.2617.358
P值0.0750.008 Kleibergen-Paap Waldrk F统计量465.231475.231 10%临界值16.3816.38
常数项
-2.793***
(0.03)
1.87*
(0.09)
观测值9393
R20.84680.8468
p-values in parentheses*p<0.1，**p<0.05，***p<0.01
商业经济第2023年第7期SHANGYE JINGJI No.7，2023
度滞后2阶项作为工具变量，以Wu-Hausman F检验为工具变量识别不足检验，以Kleibergen-PaapWaldrk F统计为弱工具变量检验。结果表明，在考虑内生性的情况下，数据配置程度对高技术产业创新产出数量为正相关，对高技术产业创新产出质量为正相关，检验结果与基准回归结果相一致；同时两种检验结果均表明本研究选取的工具变量合理，不存在工具变量识别不足或工具变量弱识别的问题。
六、结论与启示
本文通过对2016—2020年各省市自治区的面板数据样本的理论分析与实践检验，得出主要研究结论有：第一，本文采用固定效应模型验证了数据要素配置程度对高技术产业创新产出数量与质量呈现出非线性的影响，表明数据要素配置对其存在着挤出效应与激励效应的双重效应。第二，通过面板门槛模型检验数据要素配置与高技术产业创新产出数量与质量因配置程度不同而产生的差异。当因变量为创新产出数量时，数据要素程度对其产生的影响存在阶段性突变。低程度能够促进高技术产业创新产出数量，而高
程度则相反。因变量为创新产出质量时，存在以数据要素程度为门槛的单门槛效应，较低程度的数据要素配置对其影响显著为负，表明数据未经过合理配置的情况下，其无序性会使得挤出效应占主导位置。当数据要素跨越门槛值后，数据要素配置的激励作用占主导，合理的数据要素配置会促进高技术产业创新产出质量的提升。根据上述研究结论，本文提出如下建议：第一，高技术产业在应用数据要素时需要考虑数据的特性与生产要素的配置效率。高技术产业尽管拥有较强的创新能力，但在面对复杂的市场竞争时，仍需要借助数据要素进行数字化创新与转型升级。高技术产业管理者在应用数据要素时，首先要认识到数字经济发展下数据要素的重要性，抓住数据要素发展机遇，构建数据处理平台，推动数据要素在生产流通环节的合理应用。其次，要合理使用数据，充分发挥数据要素配置对高技术产业创新产出的促进作用。并且，在合理配置数据要素的基础上，加快提升自身的数据收集、分析能力，使得数据要素配置程度能够不断提升，降低数据要素发生配置扭曲的可能性。
第二，政府相关部门在进行数据收集工作，打造数据共享平台时，要因地制宜地制定政策，促进数据要素的跨省流动。数据要素的配置因为其本身的特性与传统生产要素有所不同，对区域内产业创新产出的影响也存在着阶段性突变。政府作为“有形的手”，应当认识到数据要素对经济高质量发展的重要性。在立足于本省份的数据要素配置的基础上，结合自身发展实际，打造数据共享平台，打破省际数据流动的障碍的同时，考虑数据要素的特性，把握数据要素发展的机遇期，合理化对数据要素进行配置，使得数据要素能够更好地融入高科技产业的创新活动之中。与此同时，政府应当多措并举引导高技术产业进行
合理的数据要素应用行为，避免其因不合理的数据要素应用导致产业创新能力下降，从而影响经济的高质量增长。
[参考文献]
[1]管星淼，秦兴方.数据要素的双重属性及其交互效应[J].教学与研究,2021(8):68-76.
[2]张锐.加快培育数据要素市场的政策主航道[J].新理财(政府理财),2020(5):47-48.
[3]Thompsomn P,Williams R,Thomas B.Are UK SMEs with active web sites more likely to achieve both innovation and growth[J].Journal of Small Business and Enterprise De原velopment,2013,20(4):934-965.
[4]苏萌.加快数据要素市场培育有效激活数据潜在价值[N].中国电子报,2020-04-17(004).
[5]谢卫红，林培望，李忠顺，郭海珍.数字化创新：内涵特征、价值创造与展望[J].外国经济与管理,2020,42(9): 19-31.
[6]黄少安，张华庆，刘阳荷.数据要素的价值实现与市场化配置[J].东岳论丛,2022,43(2):115-121.
[7]王建冬，童楠楠.数字经济背景下数据与其他生产要素的协同联动机制研究[J].电子政务,2020(3):22-31.
[8]杨艳，王理，廖祖君.数据要素：倍增效应与人均产出影响——
—基于数据要素流动环境的视角[J].经济问题探索,2021(12):118-135.
[9]陶长琪，徐茉.经济高质量发展视阈下中国创新要素配置水平的测度[J].数量经济技术经济研究,2021,38(3).
[10]彭影.数字经济下创新要素综合配置与产业结构调整[J/OL].当代经济管理:1-11.
[11]韩长根，张力.互联网是否改善了中国的资源错配——
—基于动态空间杜宾模型与门槛模型的检验[J].经济问题探索,2019(12):43-55.
[12]Varian H.R,2018,Artificial Intelligence,Economics,and Industrial Organization[R].NBER Working Paper No,24839.
[13]李树文，罗瑾琏，唐慧洁，胡文安，柳乐.使命驱动科创企业产品突破性创新实现的路径[J].科研管理,2023,44 (1):164-172.
DOI:10.19571/jki.1000-2995.2023.01.017.
[14]李博，张文忠，余建辉.服务业发展、信息化水平与全要素碳生产率增长——
—基于门限效应的实证研究[J].地理研究,2016,35(5).
[15]胡东兰，夏杰长.数据作为核心要素的理论逻辑和政策框架[J/OL].西安交通大学学报(社会科学版):1-17.
[16]李治国，王杰.数字经济发展、数据要素配置与制造业生产率提升[J].经济学家,2021(10).
[17]左鹏飞，姜奇平，陈静.互联网发展、城镇化与我国产业结构转型升级[J].数量经济技术经济研究,2020,37(7).
[责任编辑：王凤娟]
周璇：数字经济背景下数据要素配置程度对高技术产业创新产出的影响研究
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议