1. 引言
2005年，普惠金融概念在联合国上首次提出；2013年，党的十八届三中全会正式提出要发展普惠金融；而2016年，G20杭州峰会上数字普惠金融又被列为重要的议题之一，得到全球的广泛关注和认可。随着互联网、人工智能、云计算等技术的快速发展，数字普惠金融以便捷高效、成本低、影响广泛的优点成为了各产业转型升级的重要动力，其普惠效应在企业中积极展现，并且随着规模的减小逐渐增强[1]。同时，根据研究发现，数字普惠金融通过拓展融资渠道以及缓解融资约束显著推动企业数字化转型[2]，进而缩小了城乡收入差距[3]，有利于共同富裕的实现。可见，数字普惠金融提高了企业的竞争力，有利于制造业[4]、农业[5]、流通业[6]等各产业发展，但很少有文章将数字普惠金融与数据产业企业联系起来研究。
近年来，国家发布《“数据要素×”三年行动计划(2024~2026年)》，大力支持数据产业的发展[7]，数据作为重要的生产要素，有着巨大的经济价值。对于数据产业的情况可以从四个角度展开描述：1) 数据要素。在2019年，十一届三中全会提到“健全劳动、资本、土地、知识、技术、管理、数据等生产要素由市场评价贡献、按贡献决定报酬的机制”，这也是数据首次被列入生产要素。想要放大发挥数字要素的价值，要以数字技术为基础，充分利用数据的乘数效应，从而提升生产力[8]。2) 数据中心。数据中心涉及基础和增值两种服务业务，2021年发改委等部门提出，到2025年数据中心和5G基本形成绿色集约的一体化运行格局，有学者表示通过光伏和风力发电时间互补减少能耗实现绿色发展[9]。3) 数据安全。不管是数据搜集，还是存储使用，数据处理的每个流程都面临着各种风险，优化现有技术保障数据安全至关重要。4) 数据确权。即确定数据的权利内容与主体，它对于数据的开发利用具有重要意义。《“十四五”数字经济发展规划》提出2025年要初步建立数据要素市场体系，数据确权有序开展。总的来看，我国的数据产业链仍处于早期阶段，伴随数字技术不断创新，数字金融是否能有助于数据产业发展，仍有待研究。
数据产业的高速发展可以提升企业的盈利能力，增加企业的投资价值，而基本面的好坏在一定程度上会体现在股价上。因此，在此背景下，本文着重探讨数字普惠金融与数据产业股价之间的关系，为数据要素的高效利用，数据市场的改革，数据产业的发展提供参考，也有利于我国继续推进高质量发展。
2. 理论分析与研究假设
随着数据被列为新的生产要素，数据产业越来越受到重视。国家也在积极完善数据空间的建设，出现了企业级、行业级、城市级等多种空间形态[10]，再配合数据流通的推进，数据的利用程度会大幅提高。数据具有极重要的战略地位，有助于经济发展和社会进步[11]。盛明泉(2025)等认为数据资产可以提高新质生产力，促进数字经济与实体经济融合[12]。而且数据要素可以显著促进产业的创新发展，尤其是数字经济发展较好的城市企业[13]，在显著赋能现代化产业的同时推动产学研深度融合[14]。总之，在社会生产中数据不可或缺，加强数据产业建设，推动数据要素化价值化，能够为我国数字经济的发展增添新的活力[15]。
数字普惠金融可以通过提高数据产业企业的价值对股价产生积极影响。从利益关系看，利益相关者倾向于投资业绩良好的，能创造出更多利润的企业的股票；从内在价值理论看，股价会围绕企业基本价值波动，这说明企业的业绩越好，在股市上获得回报的可能性越大。基于融资约束角度，数字普惠金融利用大数据和人工智能技术，搜集客户的各种信息进行信用评估，减小信息不对称，提供了更多的融资渠道，企业的融资约束减少，融资成本降低，企业经营绩效提升[16] [17]，进而影响股价的变化。基于数据资产角度，据研究，数字普惠金融可以推动数字技术的普及以及创新[18]，而郑磊(2020)研究表明区块链技术等数字化应用技术能够对财富和资产确权，使得数据成为产权明晰的资产，并投入再生产，实现数据资产化[19]，在此作用下数据资源转化问题改善，企业数字化价值增加，有利于股价的提高。基于此，本文提出假设1。
H1：数字普惠金融能促进数据产业上市公司股价的提高。
数字普惠金融对数据产业股价的影响存在异质性。数据产业企业按照经营性质可以划分为国企央企企业和非国企央企企业，有研究表明数字普惠金融对大型企业、国有企业等普惠性小，而对中小企业、民营企业等普惠性大[1]。在数据产业中，国企央企企业往往能得到国家优惠以及各种福利政策，融资环境优越，因此数字普惠金融带来的作用有限；而非国企央企企业活力强但一般融资压力较大，难以得到足够的资金支持，数字普惠金融的推动可以使非国企央企企业融资更加方便，进一步激发创造力提升数据企业价值，股价提高效果更加明显。基于此，本文提出假设2。
H2：数字普惠金融对不同经营性质的数据产业上市公司的股价影响不同，非国企央企数据企业的股价受到的影响更明显。
3. 变量的选取与模型设定
3.1. 数据的来源与处理
选择2011~2023年的数据产业公司(包含数据要素、数据安全、数据中心、数据确权等板块)的股票收盘价作为样本，数据来源于国泰安数据库(CSMAR)。省级层面的数字普惠金融指数依据数据产业公司所处省份一一对应，数据来自于《北京大学数字普惠金融指数》。
在数据搜集和处理过程中，本文将数据做如下处理。第一，删除标有ST或PT的上市企业数据。第二，剔除金融业数据。第三，删除资产负债率大于100%的数据。第四，剔除因变量、自变量、控制变量的缺失数据。第五，剔除非平衡数据。第六，对所有微观变量进行1%和99%的缩尾处理(WINSOR)。
3.2. 变量描述
被解释变量：选取数据产业的年收盘价(Price)作为被解释变量。
解释变量：选取我国省级层面北京大学数字普惠金融指数的自然对数(Dig)作为解释变量。北京大学数字普惠金融指数可以衡量不同地区每年数字金融发展程度，具体的测量参考郭峰等(2020)的做法[20]。
控制变量：选取企业规模(Size)、企业年龄(Age)、企业资产负债率(Lev)、投资者情绪(Analyst)、托宾Q值(TobinQ)、国内生产总值增速(GDPg)、资本密集度(CAP)作为控制变量，其中投资者情绪指数的计算参考魏星集等(2014)的做法[21]，见表1。
Table 1. Variable description table
表1. 变量描述表
变量类别 |
变量符号 |
变量定义 |
被解释变量 |
Price |
股票年收盘价 |
解释变量 |
Dig |
数字普惠金融指数 = ln (北京大学省级数字普惠金融指数) |
控制变量 |
Size |
企业的规模 =ln (资产总值) |
Age |
企业年龄 = ln (观测年 − 成立年) |
Lev |
资产负债率 = 负债总额/资产总额 |
Analyst |
投资者情绪 = ln (投资者情绪指数ISI) |
TobinQ |
托宾Q值 = 市值/总资产 |
GDPg |
国内生产总值增速 = [本期GDP − 上期GDP]/上期GDP × 100% |
CAP |
资本密集度 = 总资产/营业收入 |
3.3. 模型构建
本文构建如下面板数据模型，来验证数字普惠金融对数据产业股票的影响：
其中，下标i表示企业，t表示年份，Price为因变量股票收盘价，Dig为自变量数字普惠金融指数，Controls为控制变量，Stock为个体固定效应，Year为时间固定效应，
为残差项。如果系数
显著为正，那就能说明数字普惠金融能显著提高数据产业股票股价。
4. 实证分析
4.1. 描述性统计
Table 2. Descriptive statistics for variables
表2. 描述性统计分析
变量 |
样本量 |
平均数 |
标准差 |
最小值 |
最大值 |
Price |
2210 |
13.62834 |
11.01326 |
2.43 |
67.7 |
Dig |
2210 |
5.536286 |
0.5590757 |
3.651956 |
6.139084 |
Size |
2210 |
22.16344 |
1.1902 |
19.30508 |
25.74567 |
Age |
2210 |
2.865258 |
0.3988075 |
1.609438 |
3.555348 |
Lev |
2210 |
0.4134173 |
0.2053574 |
0.0474294 |
0.9549983 |
Analyst |
2210 |
3.974263 |
0.2965087 |
3.456317 |
4.531093 |
TobinQ |
2210 |
2.304194 |
2.361278 |
0.1966794 |
15.48446 |
GDPg |
2210 |
0.0892466 |
0.0406314 |
0.0090152 |
0.2221274 |
CAP |
2210 |
2.438918 |
1.678821 |
0.4190182 |
9.651679 |
如表2所示，本节利用stata18.0对于文中的变量进行了描述性统计分析。结果表明股价(Price)均值为13.62834，且最小值2.43与最大值67.7差值较大，反映出不同数据产业公司的股价差异较大。数字普惠金融指数(Dig)最小值和最大值分别是3.651956和6.139084，说明数字普惠金融指数不同省份也有明显不同。资产负债率(Lev)均值为0.4134173，企业风险处于可控范围内。此分析有利于了解上市公司的情况，总的来看，所有变量的描述性分析结果较为合理，符合预期。
4.2. 共线性检验
利用stata18.0进行多重共线性检验，见表3。各变量的方差膨胀因子VIF值全部在5以内，且平均方差因子Mean VIF为1.46也小于5，可见模型各个变量之间无严重的多重共线性。
Table 3. Collinearity test
表3. 共线性检验
变量 |
VIF |
1/VIF |
Dig |
2.16 |
0.463299 |
Size |
1.64 |
0.609598 |
GDPg |
1.56 |
0.640221 |
TobinQ |
1.38 |
0.726692 |
Age |
1.37 |
0.731689 |
Lev |
1.26 |
0.793240 |
Analyst |
1.26 |
0.796362 |
CAP |
1.08 |
0.924926 |
Mean VIF |
1.46 |
4.3. 回归分析
在经过F检验和豪斯曼检验后，选择固定效应模型进行回归分析。如表4所示，表的第(1)列是不加控制变量后得到的回归结果，核心解释变量的系数为9.909，而第(2)列是加入控制变量得到的回归结果，系数变为8.572，都通过了1%显著性检验且为正数，说明数字普惠金融显著促进数据产业股价升高，假设H1成立。另外，在加入控制变量后，决定系数显著提高，模型的效果更好。
Table 4. Regression results
表4. 回归结果
|
(1) |
(2) |
变量 |
Price |
Price |
Dig |
9.909*** |
8.572*** |
(3.914) |
(3.770) |
Size |
|
5.671*** |
(16.786) |
Age |
|
−5.010*** |
(−2.867) |
Lev |
|
−6.075*** |
(−5.178) |
Analyst |
|
−112.646*** |
(−4.449) |
TobinQ |
|
3.106*** |
(30.242) |
GDPg |
|
1.313 |
(0.150) |
CAP |
|
0.196 |
(1.463) |
_cons |
−27.362*** |
282.358*** |
(−2.624) |
(3.402) |
Observations |
2210 |
2210 |
R-sq |
0.277 |
0.522 |
注：***、**、*分别表示1%、5%、10%的显著性水平；括号内数值为t值。
4.4. 稳健性检验
Table 5. Robustness test
表5. 稳健性检验
|
(1) |
(2) |
(3) |
变量 |
Price |
Price |
Price |
Dig |
|
8.453*** |
|
(3.720) |
Size |
5.577*** |
4.136*** |
5.670*** |
(15.962) |
(5.220) |
(16.782) |
Age |
−2.870 |
−5.193*** |
−4.905*** |
(−1.529) |
(−2.971) |
(−2.798) |
Lev |
−5.049*** |
−6.240*** |
−6.049*** |
(−4.175) |
(−5.311) |
(−5.153) |
Analyst |
−35.323*** |
−110.904*** |
−76.057*** |
(−3.104) |
(−4.382) |
(−4.523) |
TobinQ |
3.284*** |
3.110*** |
3.109*** |
(31.327) |
(30.304) |
(30.266) |
GDPg |
2.550 |
0.244 |
−0.608 |
(0.287) |
(0.028) |
(−0.071) |
CAP |
0.199 |
0.626*** |
0.203 |
(1.481) |
(2.594) |
(1.513) |
Sale |
|
1.601** |
|
(2.141) |
lDig |
5.691*** |
|
|
(2.668) |
Coverage |
|
|
4.995*** |
(3.750) |
Constant |
−6.874 |
275.600*** |
161.208*** |
(−0.233) |
(3.321) |
(2.924) |
Observations |
2040 |
2210 |
2210 |
R-sq |
0.563 |
0.523 |
0.522 |
注：***、**、*分别表示1%、5%、10%的显著性水平；括号内数值为t值。
表5的(1)列是选择用滞后一期的数字普惠金融指数进行回归得到的结果，系数为5.691且通过了显著性检验，二者呈现正相关。表(2)列是延用数字普惠金融作为解释变量，但新增了控制变量营业状况(Sale)，即营业收入的对数，再进行回归，数字普惠金融指数(Dig)系数8.453，显著性未发生明显改变。表(3)列是用数字普惠金融指数的子维度覆盖广度(Coverage)对数化处理后替换解释变量回归得到的结果，解释变量的回归系数符号和显著性未发生变化，可见不管是变量滞后、替换核心变量还是新增控制变量都没有影响结论，该模型较为稳定准确，通过了显著性检验。
4.5. 异质性检验
Table 6. Heterogeneity test
表6. 异质性检验
|
(1) |
(2) |
变量 |
Price |
Price |
Dig |
3.787 |
10.358*** |
(1.275) |
(3.205) |
Size |
3.794*** |
6.596*** |
(7.628) |
(14.262) |
Age |
0.661 |
−4.693** |
(0.228) |
(−2.120) |
Lev |
−3.638** |
−6.131*** |
(−2.074) |
(−3.892) |
Analyst |
−57.528* |
−147.266*** |
(−1.656) |
(−4.238) |
TobinQ |
2.237*** |
3.474*** |
(14.318) |
(25.909) |
GDPg |
4.991 |
−4.126 |
(0.459) |
(−0.320) |
CAP |
−0.017 |
0.327* |
(−0.094) |
(1.781) |
Constant |
107.645 |
384.173*** |
(0.842) |
(3.368) |
Observations |
806 |
1404 |
Adjusted R-squared |
0.354 |
0.527 |
注：***、**、*分别表示1%、5%、10%的显著性水平；括号内数值为t值。
为了探究数字普惠金融对数据产业企业性质不同影响的差异性，将数据产业分类分别进行回归，结果见表6。表(1)是属于国企央企的数据产业的回归结果，表(2)是属于非国企央企企业的数据产业的回归结果。结果表明，非国企央企企业的数据产业股票价格受到数字普惠金融的影响更加显著，假设H2成立。
国企企业通常更加稳定，享有更多的福利待遇，并且信用较好有保障因而受到广大投资者的青睐，自身独有的优势使得数字普惠金融的影响并不明显，从长远来看才可以体现出数字化的作用；而非国企央企企业的融资问题相较于国企更明显，成本更高，在数字普惠金融的推动下匹配其需求的更多产品服务涌现，使之可以获得更多的资金支持，影响更大。
5. 研究结论与启示
本文选取数据产业上市公司2011~2023年的股票收盘价和数字普惠金融指数研究，得到结论：1) 数字普惠金融可以显著提高数据产业的股票价格。数字普惠金融促进数据的流通共享，打破壁垒，提高数据利用效率；减少融资成本，拓宽融资渠道，提供充足的资金支持；实现资源跨地区配置，增强地区合作，推动数据产业建设。2) 数字普惠金融对属于非国企央企的数据产业推动更加明显。非国企央企企业一般规模较小，难以得到稳定的资金来源，数字普惠金融降低了融资门槛，这对其发展有着更加明显的促进作用。
我国数据产业建设仍处于起步阶段，要配合数字普惠金融的应用发展完善，提出建议如下：
1) 加大数字普惠金融建设，提升数字普惠金融的覆盖范围，减小各地区间数据产业发展不平衡不充分问题，促进公平均衡，促进数据的流通。通过数字普惠金融优化资源配置，实现技术，知识等资源跨区域流动，让数据产业发展程度高的地区与发展程度低的地区加强合作，充分发挥不同地区的优势，带动数据产业区域协调发展，促进各地区数据建设。同时将数字普惠金融政策与数据要素市场化改革相结合，充分发挥二者的协同效应。数字金融项目可以加快数据要素的流通，提高数据的使用效率，从而减少数据的应用成本，优化产业链，加快构建数据空间。
2) 数据产业企业加大研发投入。借助数字普惠金融带来的融资便利，招募高科技人才，推动技术创新，研发低成本实用性强的数据产品提高产业竞争力。应用数字技术实现数据加密，保障数据安全，减少数据泄露问题。国家也要加大对数据产业的扶持力度，提供研发补贴，加强政策导向，提升数据产业的关注度，充分发挥数据要素的价值。
NOTES
*通讯作者。