数据要素集聚对企业信用风险的影响研究——基于大数据综合试验区分析

Research on the Impact of Data Element Agglomeration on Corporate Credit Risk—Based on the Analysis of Big Data Comprehensive Pilot Area

摘要: 高效的数据要素集聚对于优化数据资源配置、减少企业信用风险具有显著价值。本研究聚焦于大数据综合试验区的建设，从企业成长角度深入分析了数据要素集聚对企业信用风险的具体影响机制，并通过实证分析进行了验证。研究结果表明，数据要素的集聚显著降低了试验区内企业的信用风险，尤其是在数字基础设施完善、市场化程度高、数据要素发展水平较高的东部地区，这种降低效应更为明显。进一步的路径分析揭示，数据要素集聚通过促进技术创新增强企业成长潜力来降低企业信用风险。因此，为了营造一个稳定的市场环境，应积极推进大数据综合试验区的扩展，促进数据要素的开放共享和大数据技术的融合应用，以充分挖掘数据要素集聚的经济效益。

Abstract: Efficient aggregation of data elements is of significant value for optimizing the allocation of data resources and reducing the credit risk of enterprises. This study focuses on the construction of big data comprehensive pilot zone, and deeply analyzes the specific impact mechanism of data element agglomeration on corporate credit risk from the perspective of enterprise growth, and verifies it through empirical analysis. The results show that the agglomeration of data elements significantly reduces the credit risk of enterprises in the pilot area, especially in the eastern region with complete digital infrastructure, high degree of marketization and high level of development of data elements. Further path analysis reveals that the agglomeration of data elements can reduce the credit risk of enterprises by promoting technological innovation and enhancing the growth potential of enterprises. Therefore, in order to create a stable market environment, it is necessary to actively promote the expansion of the big data comprehensive pilot zone, promote the open sharing of data elements and the integration and application of big data technology, so as to fully tap the economic benefits of data element agglomeration.

1. 引言

在当前我国经济转型的关键时期，确保经济的持续健康发展和有效防控重大风险，对于构建现代化经济体系具有至关重要的基础性作用。在“十四五”规划的战略指引下，我们坚决维护金融安全，始终坚守不发生系统性风险的底线。鉴于近年来企业信用风险因公共卫生事件余波而频繁出现，如何有效防范和化解这些风险，以及应对经济领域的其他风险挑战，已成为学术界、企业界及政府共同关注的焦点。同时，随着新一轮科技革命的深入发展，数据要素作为新兴的战略资源，为降低企业信用风险提供了崭新的视角和创新的解决方案。

《中共中央国务院关于构建数据基础制度以更好发挥数据要素作用的意见》近日正式发布，该意见明确指出，数据作为新型生产要素，已成为数字化、网络化、智能化发展的核心基石，其影响深远地渗透到生产、分配、流通、消费以及社会服务管理等各个领域，正以前所未有的方式重塑生产方式、生活方式及社会治理模式。为深入贯彻党的二十大精神和中央经济工作会议精神，我们应充分发挥我国海量数据和丰富应用场景的独特优势，全面挖掘数据要素的潜在价值，积极推动数据要素产业的繁荣发展。这不仅是一项紧迫的任务，更是推动数字经济高质量发展的重大战略部署。数据的独特之处在于其可复制性、非消耗性，以及边际成本接近零的特性，这些特点打破了自然资源供给的传统局限，为经济转型升级提供了源源不断的新动力。更为重要的是，数据对战略科技、创新资本和顶尖人才等高端生产要素具有显著的放大、叠加和倍增效应，极大地促进了全球高端要素的快捷流动，推动了创新主体的深度融合，并显著提升了创新效能。

数据要素对企业的影响极为显著且深远，其独特之处在于，它既可以作为独立的生产要素，又能为传统生产要素注入新的活力。通过优化企业供给结构、提高资源配置效率以及重塑生产方式和商业模式，数据在助力公共卫生事件后企业快速恢复中发挥了关键作用，并为企业降低信用风险、实现可持续发展的风险可控模式奠定了坚实基础。然而，利用数据要素推动实体企业数字化转型是一项既复杂又长期的任务，无法一蹴而就。我们需以坚守底线思维、防范信用风险为基本原则，稳扎稳打，逐步推进数字化转型进程。因此，对数据要素在降低企业风险方面的作用进行深入研究与探讨，已成为推动实体产业数字化转型的迫切需求与核心任务。

在大数据综合试验区试点的政策推动下，以及公共卫生事件过后经济低迷、企业信用风险频发的市场环境下，本文经过系统分析，深入剖析了数字要素集聚对企业信用风险产生的具体影响及其内在作用机制。本文的边际贡献，主要集中于以下三个核心层面：

首先，从研究视角来看，当前关于数据要素集聚的实证研究多集中在生产力、生产要素及经济增长等宏观层面，而对企业信用风险这一微观层面的关注较为有限。本文基于大数据综合试验区试点的准自然实验研究数据要素集聚对企业信用风险的影响，成功地填补了相关领域的研究空白，进一步拓宽了数据要素集聚在微观层面的研究视角，为相关领域的研究提供了更为全面和深入的见解。同时也从宏观角度丰富了企业信用风险影响因素的研究内容，为相关领域的学术探讨提供了新的方向。其次，在研究内容上，本文从企业成长能力层面深入分析了数据要素对企业信用风险的具体影响路径。这一研究思路不仅有助于我们更全面地理解数据要素在微观经济中的作用机制，也为企业在实践中更好地利用数据要素、降低信用风险提供了理论支持。最后，在研究方法上，本文基于双重差分模型(Difference-in-Differences Model)，对大数据综合试验区试点政策对企业信用风险的影响进行了实证分析。通过这种方法，我们能够更准确地评估政策效果，揭示政策对企业信用风险的作用机制，为政策制定者提供科学的决策依据。

2. 文献综述

对于企业信用风险的成因，国内外学者均从外在和内在不确定性两个维度进行了详尽的探讨。在外部不确定性方面，主要涵盖了由外部市场环境及经济政策不确定性所引发的企业信用风险。具体而言，宏观经济环境的波动和经济政策的不确定性，无疑为企业经营带来了显著挑战，企业信用风险不可避免地受到外部宏观环境的复杂影响。诸多研究已明确揭示了企业信用风险的多维影响因素。例如，许遵武的研究指出，国际金融危机对全球经济的冲击，导致了全球市场需求疲软，从而加剧了企业信用风险的暴露[1]。同样地，Gopalakrishnan等学者也提出，经济政策的不确定性加剧了企业面临的信息不对称问题，对企业信用风险产生直接影响[2]。而在内部不确定性方面，学者们亦深入分析了企业自身状况对企业信用风险的影响。例如，马九杰等的研究强调了企业财务状况及企业规模等因素在评估企业信用风险时的重要性[3]。罗朝阳等进一步发现，全要素生产率高的企业，因资源配置效率、人力资本水平以及技术和设备的先进性，往往展现出更强的盈利能力，从而违约风险相对较低[4]。

此外，企业内外信息不对称亦被视为企业信用风险增加的关键因素。洪银兴指出，企业与债权人之间的信息不对称可能导致逆向选择和道德风险，从而加剧企业信用风险[5]。而周宏等的研究则显示，良好的公司治理结构能有效减轻企业与投资者之间的信息不对称，进而降低企业信用利差[6]。这些研究为我们全面理解企业信用风险提供了宝贵的视角和依据。

现经过深入分析，当前阶段，关于数据要素集聚的研究成果已相对丰富，但在探讨数据要素集聚对企业信用风险影响方面，相关研究尚显匮乏，鲜有学者对此进行深入探讨，相关文献多集中于数据要素集聚对市场风险、数字化转型以及新质生产力以及高质量发展等方面的影响。如欧阳伊玲等人通过研究得出政府推动形成数据开放共享的高效运行机制，对金融市场的风险管理存在积极作用[7]。在深入分析王庭东、伊丽丽等国家创新型城市试点政策后，我们得出结论，这些政策显著地推动了企业数字化转型的进程。这些政策通过一系列精心设计的措施，有效促进了企业在数字化领域的投资和发展，为企业的持续创新和增长提供了强有力的支持，且转型效应在实践应用层面与底层技术层面存在结构化差异，实践应用层面是数字要素在政策驱动下实现转型的关键[8]。刘达等人数据要素集聚通过推动企业数字化转型、加快劳动力要素流动、提升地区人力资本水平和创新创业活跃度[9]。刘传明等数据要素高效集聚对于改善数据要素的配置效率，提升科技创新水平具有重要意义[10]。赵鹏等数据要素作为数字时代战略性生产要素，是实现企业数字化、智能化的关键，国家级大数据综合试验区显著赋能新质生产力提升[11]。

通过梳理相关文献，我们可以发现，尽管先前的研究较少涉及数据要素集聚与微观企业信用风险之间的直接联系，但关于数据要素集聚和企业信用风险各自领域的深入研究为本文提供了坚实的理论基础。从企业信用风险的形成原因来看，调整外部环境与优化内部环境相结合，被视作预防企业信用风险的关键策略。基于这些已有的研究成果，本文试图在现有文献的基础上进一步拓展，探讨数据要素集聚与企业信用风险之间的关系及其潜在的影响路径。通过这一研究，我们期望能够为理解数字经济背景下数据要素如何影响企业信用风险提供新的视角，在政策的制定过程中，我们将提供具有实际价值的参考和建议，以确保决策的科学性和合理性。

3. 理论分析与研究假设

3.1. 数据要素集聚影响企业信用风险的内在机理分析

大数据综合试验区致力于在多个维度进行探索，关于大数据领域的全面布局与发展，我们将致力于推进以下关键领域：一是深化大数据制度创新，以确保制度体系的健全与先进性；二是积极推动公共数据的开放共享，促进信息资源的合理利用；三是加大大数据的创新应用力度，探索新的业务模式和服务模式；四是促进大数据产业的集聚发展，构建完整的产业链条；五是优化大数据流通机制，提升数据资源的市场价值；六是加强数据中心的整合利用，提升数据处理能力和效率；七是积极开展大数据的国际交流合作，促进全球数据资源的共享与利用。这些举措将共同推动大数据领域的全面、健康发展。通过实施数字补贴政策和加强数字基础设施建设的法律法规，该试验区为试点区域内的企业创造了一个有利于数据要素发展的优越环境。这一策略不仅促进了数据要素和数字人才的快速集聚，而且增强了知识和数据要素的溢出效应，进而推动了数据生态系统的形成与发展。数据要素集聚不仅改善了企业的外部环境，还在企业内部起到了资源整合的作用。具体来说，大数据政策试点从多个层面对企业信用风险产生直接影响：首先，深化大数据制度创新与优化数据流通机制，可健全企业运营的制度规范，降低因制度不确定性引发的信用风险；其次，推动公共数据开放共享能缓解信息不对称问题，提升企业信息透明度与市场信任度，进而降低信用风险暴露概率；再者，加大创新应用力度与促进产业集聚，可助力企业探索新业务模式、提升资源配置效率，增强盈利能力与偿债能力，从根本上改善信用水平；此外，数字补贴政策与基础设施建设的强化，直接降低企业数据要素获取成本与运营压力，优化财务状况，而数据要素的集聚整合既通过外部环境改善减少企业经营风险，又通过内部资源协同提升抗风险能力，最终形成对企业信用风险的多维抑制效应。基于此，提出假设：

假设1：数据要素集聚会降低企业的信用风险。

3.2. 数据要素集聚影响企业信用风险的中介作用分析

从技术创新的角度出发，创新的溢出效应对于增强企业的科技知识储备具有举足轻重的意义。这种知识的累积不仅提升了企业的整体科技实力，而且显著加强了企业的成长能力。在这一过程中，数据要素扮演了不可或缺的角色。它不仅是推动企业创新、增强成长能力的关键动力，也是降低企业信用风险的重要途径。数据要素集聚依托先进的数据技术，实现了数据流、资金流和人才流的高效整合，打破了地域、行业和层级的壁垒，推动了创新要素在更广泛领域内的流通与共享。这一变革构建了一个网络化的创新生态系统，极大地优化了企业创新资源的配置效率，提高了创新效率，从而促进了企业的快速成长。技术创新作为企业的核心驱动力，不仅提升了产品的附加值和利润率，增强了企业的市场竞争力，而且为企业提供了稳定的资金来源，有助于企业偿还债务和应对潜在风险。因此，数据要素的集聚不仅推动了企业的技术创新，还通过强化企业的财务稳健性，显著降低了企业发生信用风险的可能性。另外，当企业存在过度研发投入时，反而会提升企业信用风险，所以企业的研发投入对信用风险的影响呈现倒U型影响。

基于上述分析提出假设：

假设2：数据要素集聚通过提高企业的成长能力进而降低企业的信用风险。

4. 研究设计

4.1. 模型设定

为深入探究数字经济对企业信用风险的具体影响及其作用机理，本文经过严谨的考量，构建了相应的固定效应回归模型以进行详尽分析：

${\text{DDkmv}}_{i,t}=\alpha +{\alpha }_1{\text{Policy}}_{it}\times {\text{Post}}_{it}+{\alpha }_2\text{Control}+{\mu }_t+V_i+{\epsilon }_{i,t}$ (1)

其中，${\text{DDkmv}}_{i,t}$ 代表企业信用风险水平，i与t分别表示地区及年份；Policy代表数据要素集聚；Post为政策实施时间；${\alpha }_1$ 为大数据综合试验区对企业信用风险的净影响；在本文中，Control被指定为控制变量，同时，我们引入了两个固定效应：$\mu$ 和V，其中$\mu$ 代表年份固定效应，用于捕捉由于年份变化可能带来的系统性影响；V则代表企业固定效应，旨在反映企业个体差异可能导致的效应变化。此外，$\epsilon$ 作为残差值，用于衡量模型预测值与实际观测值之间的差异，从而评估模型的拟合程度。

4.1.1. 变量定义

企业信用风险。基于MertonDD模型提出的KMV模型作为一种动态模型充分利用资本市场信息进行预测，将市场信息纳入违约概率计算，更能反映企业的信用风险状况。利用KMV模型计算违约距离，违约距离越远，企业违约概率越小，信用风险越低，因此本文用违约距离(DDkmv)刻画企业信用风险，作为被解释变量。

4.1.2. 核心解释变量

数据要素集聚(Policy)，对已获批建立大数据综合试验区的地区取值为1，否则为0。Post为政策实施时间的虚拟变量，政策时间在试点年份及之后时取值为1，在试点年份之前取值为0。

4.1.3. 中介变量

成长能力。R & D_i,t，采用研发投入与营业收入的比值来衡量。

4.1.4. 控制变量

本文选取的控制变量主要包括实际控制人拥有上市公司所有权比例(Shr1)；两职合一(Duality)即若董事长与总经理兼任则取1，否则为0；固定资产占比(PFA)，取上市年份对数值；产权性质(SOE)；企业规模(Size)，取其对数值；行业竞争度(HHI)用赫芬达尔指数衡量；通货膨胀(Inflation)；金融发展水平(FDL)。

4.2. 数据来源与描述性统计

考虑到公共卫生事件的影响，本文的研究基于2010年至2019年间524家A股上市企业的数据样本，为确保研究的严谨性和有效性，对样本进行了以下处理措施：首先，排除了金融行业以及2010年后上市的企业，以减少行业特性和上市时间对研究结果的潜在影响；其次，对于存在较高风险的ST、*ST类企业进行了剔除，以确保样本的稳健性；再次，对于核心指标数据存在缺失的样本进行了删除，以保证数据的完整性和准确性；最后，对所有连续型变量进行了1%的缩尾处理，以控制极端值对研究结果的影响。经过上述一系列处理后，最终形成了包含5240个观察值的有效样本，并采用了stata17进行实证分析。本文中涉及的企业变量数据均来源于国泰安(CSMAR)数据库，以确保数据的权威性和可靠性。描述性统计如表1：

Table 1. Descriptive statistics

表1. 描述性统计

VarName	Obs	Mean	SD	Min	Median	Max
DDkmv	5240	0.71	2.914	−46.141119	1.369998	11.842671
did	5240	0.28	0.448	0	0	1
Duality	5240	0.17	0.380	0	0	1
SOE	5240	0.66	0.475	0	1	1
Shr1	5240	0.34	0.176	0	0.3411	0.7564
PFA	5240	0.24	0.180	0.0011	0.19735	0.7389
Size	5240	22.64	1.503	19.477737	22.503259	26.953105
HHI	5220	0.16	0.167	−0.149598	0.10121	1.690562
Inflation (%)	5240	0.26	5.798	−265.29423	0.0334175	105.03192
FDL (%)	5240	11.72	6.448	−84.257986	12.926943	54.060997

数据来源：国泰安数据库。

5. 实证分析

实证验证大数据综合试验区试点政策对企业信用风险的影响效应。进行基准回归之前，方差膨胀因子检验(VIF)统计量均值为1.20，小于5，证明变量选取不存在严重多重共线性。随后Hausman检验结果统计量127.81，通过1%显著性水平检验，证明采用固定效应模型能较好修正模型偏误。基准回归结果汇报见表2，列(1)为未加入任何控制变量的回归结果，可以发现回归结果系数值0.212，通过5%显著性检验。列(2)为加入控制变量后的回归结果，回归系数值相对增大，具体为0.377，在1%显著性水平下显著；两个回归均加入个体和时间固定效应，回归结果表明数据要素集聚能有效降低企业信用风险，假设1得到验证。

Table 2. Baseline regression results

表2. 基准回归结果

	(1)	(2)
did	0.212^*	0.377^***
	(1.69)	(3.15)
Duality		−0.053
		(−0.48)
SOE		−0.377
		(−1.50)
Shr1		−2.254^***
		(−6.37)
PFA		−0.621
		(−1.62)
Size		−1.456^***
		(−22.09)
HHI		−0.143
		(−0.51)
Inflation		−0.001
		(−0.28)
FDL		0.003
		(0.40)
_cons	1.108^***	34.428^***
	(12.24)	(23.55)
控制变量	否	是
时间固定效应	控制	控制
个体固定效应	控制	控制
N	5240	5240
R^2	0.039	0.146
Adj. R^2	−0.07	0.05

^*p < 0.1, ^**p < 0.05, ^***p < 0.01.

6. 稳健性检验

6.1. 平行趋势检验

平行趋势检验是双重差分法(Difference-in-Differences, DID)应用的前提，它要求处理组(即受到政策影响的地区或企业)与控制组(未受政策影响的地区或企业)在政策实施前具有相似的变化趋势。在评估大数据综合试验区政策效果时，我们采用了双重差分法，并首先进行了平行趋势检验。图1详细展示了政策实施前估计系数的大小及其对应的99%置信区间。从图中可以清晰观察到，在大数据综合试验区政策正式实施前的2010年至2015年观察期内，估计系数的波动情况呈现为相对平稳的态势，并且这些估计值在严格的99%置信区间内，未能达到显著性水平检验的阈值，据此，我们不能对回归系数为0的假设予以否定。这一结果有力表明，在政策实施前的阶段，处理组与控制组地区的企业在信用风险水平方面并未显现出显著的差异，这一发现符合双重差分法应用中的共同趋势假设。进一步深入探究，当大数据综合试验区政策得以实施并持续发挥影响时，数据要素的集聚效应对企业信用风险的估计系数呈现出显著的上升趋势。这一变化表明，在大数据综合试验区的建设过程中，处理组企业的信用风险水平得到了显著的降低。这一成效的取得，体现了大数据技术在企业信用风险管理领域的有效应用，同时也为试验区内的企业提供了更为稳健的经营环境，从而证实了该政策在促进数据要素集聚、优化企业信用环境方面的积极作用。

Figure 1. Parallel trend test

图1. 平行趋势检验

6.2. 安慰剂检验

准自然实验前提假设其他因素对分组变量影响为随机分配，为验证政策冲击对实验组企业影响具备随机性，进行安慰剂检验。具体原理为：在总体样本中依据试点政策地区企业数量，随机逐年抽取相同数量企业500次作为“伪实验组”，检验回归结果系数是否显著。将安慰剂检验回归结果所得到500个估计系数与对应p值汇报在图2。从图中可以发现，回归系数值落在0值附近且符合正态分布，基准回归结果系数值在0.377附近远远偏离于正态分布中心位置，即基准回归结果不是随机产生，证明试点政策有效性。

Figure 2. Placebo test

图2. 安慰剂检验

6.3. 内生性检验

在探讨数据要素集聚与企业信用风险之间的关系时，我们意识到两者间可能存在的双向因果关系会削弱研究结论的可信度。这种双向互动不仅意味着大数据综合试验区政策试点可以降低企业信用风险，同时企业之间信用风险降低也可能反过来促进政策实施。为有效应对这一内生性问题，本文参考了一般文献的研究方法，选择大数据综合试验区政策试点滞后一期作为工具变量进行回归分析。

表3结果显示，在1%的显著性水平下拒绝了原假设。在采用工具变量法处理内生性问题后，我们发现数据要素集聚降低企业信用风险的回归系数仍然显著为正，具体数值为0.402，大于没有滞后时的系数，这可能是因为政策试点的效果具有滞后性。这一结果表明，在排除内生性干扰之后，数据要素集聚对企业信用风险的负面影响依然稳定且显著。

Table 3. Instrumental variable method test results

表3. 工具变量法检验结果

	(1)
	滞后一期
Did-1	0.402^***
	(3.00)
	(0.75)
_cons	37.968^***
	(22.60)
控制变量	Yes
N	4642
R2	0.153
Adj. R2	0.04

^*p < 0.1, ^**p < 0.05, ^***p < 0.01.

7. 影响机制分析

7.1. 中介模型构建

经过对前文所述理论机制进行审慎分析，我们认识到大数据综合试验区建设可能通过企业成长能力对企业信用风险水平产生显著影响。为了深入探究这些潜在机制的实际影响，本文采用中介模型进行实证检验，并据此构建了以下方程来量化分析这些作用机制：

$M_{i,t}=c+c_1{\text{Policy}}_{it}\times {\text{Post}}_{it}+c_3\text{Control}+{\mu }_t+V_i+{\epsilon }_{i,t}$ (2)

${\text{DDkmv}}_{i,t}=\alpha +{\alpha }_1{\text{Policy}}_{it}\times {\text{Post}}_{it}+{\alpha }_2{M}_{i,t}+{\alpha }_3\text{Control}+{\mu }_t+V_i+{\epsilon }_{i,t}$ (3)

在本文的研究框架中，公式(2)用于分析数据要素集聚对企业信用风险的潜在影响，进一步地，公式(3)在公式(1)的基础上引入了中介变量，旨在深入探究数据要素对企业信用风险影响的具体作用机制。具体而言，本文所考虑的中介变量成长能力，由于中介变量可能对自变量影响程度较小，数据要素集聚通过提升企业成长能力进而降低企业信用风险的间接作用机制并未通过检验，本文进一步采用Bootstrap检验对中介效果进行检验。从表4中可知，企业成长能力的直接效应和间接效应在95%的置信区间分别为(3.7322，3.9452)和(0.0056，0.0297)，说明存在部分中介效应，并且其间接效应观测值的系数为0.0176，说明数据要素集聚通过提升企业成长能力进而降低企业信用风险，验证了假设2。

Table 4. Analysis of mediating effects

表4. 中介效应分析

变量	机制效应	观测值系数	Bootstrap标准误	z值	p值	95%置信区间
研发投入	间接效应(bs1)	0.0176	0.0062	2.86	0.004	(0.0056，0.0297)
	直接效应(bs2)	3.8387	0.0543	70.64	0.000	(3.7322，3.9452)

^*p < 0.1, ^**p < 0.05, ^***p < 0.01.

7.2. 区域异质性分析

为了能够更加全面、充分地分析数据要素对企业信用风险的影响，本文按照国家统计局的分类标准，将样本公司所在地区分为东部、中部和西部，分区域对样本进行回归估计和统计分析。根据表5的回归结果，数字经济对数字基础设施完善、市场化程度高、数据要素发展水平较高的东部地区企业违约距离的影响系数为0.557，在99%水平下显著，而对于较弱的中西部地区数据要素的影响并不显著。这说明相较于中西部地区，数据要素集聚对东部地区企业信用风险的影响更为明显。

Table 5. Results of heterogeneity analysis

表5. 异质性分析结果

	(1)	(2)	(3)
	东部地区	中部地区	西部地区
did	0.557^***	0.207	−0.019
	(0.168)	(0.252)	(0.227)
Duality	−0.104	0.359	−0.040
	(0.165)	(0.224)	(0.181)
SOE	−0.503	−0.089	−0.534
	(0.364)	(0.411)	(0.613)
Shr1	−3.645^***	−1.180	1.084^*
	(0.517)	(0.762)	(0.642)
PFA	−0.947^*	1.185	−1.155
	(0.549)	(0.743)	(0.789)
Size	−1.817^***	−0.730^***	−0.913^***
	(0.098)	(0.141)	(0.112)
HHI	−0.340	−0.783	0.352
	(0.389)	(0.598)	(0.589)
Inflation	0.000	−0.012	−0.042
	(0.007)	(0.029)	(0.040)
FDL	−0.001	0.010	−0.005
	(0.013)	(0.017)	(0.011)
_cons	42.594^***	18.542^***	22.825^***
	(2.218)	(3.514)	(2.568)
控制变量	是	是	是
时间固定效应	控制	控制	控制
个体固定效应	控制	控制	控制
N	3159	848	801
r2	0.595	0.661	0.613

^*p < 0.1, ^**p < 0.05, ^***p < 0.01.

8. 结论与启示

8.1. 研究结论

在“十四五”规划阶段，为了维护国家经济安全，预防系统性金融风险被赋予了核心地位。通过推动数据资源的整合与集中利用，我们旨在增强企业的核心竞争力，并构建与时俱进的信用体系，这已成为防范企业信用风险、保障经济稳步前行的关键举措。本研究聚焦于2010年至2023年间A股上市公司的样本数据，通过实证方法深入剖析了数据资源整合对企业信用风险的实际影响及其背后的作用机制。研究成果表明，数据资源的有效整合与集中利用显著降低了企业的信用风险。进一步的分析还揭示了，在数据要素环境中，企业的成长潜力在降低信用风险的过程中发挥了中介作用，即数据资源的整合通过提升这些关键能力间接降低了企业的信用风险。此外，研究还发现，在数据资源丰富且集中的地区，数据资源整合对降低企业信用风险的效果更为显著；而在数据资源相对稀缺的地区，其效果则相对有限。

8.2. 研究启示

首先，为推动数字经济的繁荣，政府应加速布局5G网络、数据中心等新型基础设施，并通过优化税收政策、科技服务、财政补贴等手段，为企业营造有利的发展环境。在外部环境日趋复杂的背景下，政府应激励企业充分利用互联网、大数据等数字技术，以迅速捕捉决策信息，提高决策速度与风险应对能力。企业可通过精准应用数字技术，优化资源配置，从而提升盈利能力与经济效益。同时，政府应发挥数据要素的引领作用，为供给侧结构性改革提供财税支持和资金援助，推动产能过剩行业的数字化转型，确保改革效果最大化，推动经济高质量发展。

其次，优化外部信用环境对于加强数据要素在抑制企业信用风险中的作用至关重要。在不良信用环境下，数据要素的信息传导作用将受到抑制。因此，地方政府需着力改善地区信用环境，构建企业信誉与声誉机制的良性循环，营造“守信激励、失信惩戒”的市场氛围，并建立健全的市场竞争机制。此外，政府应重视诚信文化在信用环境建设中的核心作用，通过新媒体和互联网宣传诚信企业典范，强化诚信文化的传播与引导。创建信用示范城市，以点带面，有助于诚信文化的广泛传播。

最后，政府应积极推动数据要素在全国范围内的集聚，提升数字化治理能力。政府应广泛推广大数据等技术在信用监管中的应用，促进传统信用监管体系与数据技术的深度融合。加强信用数据的归集与共享，确保信用数据的合法收集，并借助数字技术实现跨区域、跨部门的监管信息共享。在此基础上，构建新型的平台信用监管体系，充分发挥数据平台的监督功能，解决信用数据碎片化问题，实现公共信用信息与平台信用信息的有效互通。同时，完善信用联合奖惩清单管理，规范联合奖惩对象的认定程序，并制定相应的惩戒措施。此外，政府还应加强网络环境中信用数据的保护，建立健全的信息数据安全管理机制，严厉打击利用信用数据进行违法犯罪的行为。