1. 引言
1.1. 研究背景
在大数据时代，数据已成为重要的战略资源，政府数据开放作为全球趋势，正深刻影响着社会经济发展。2009年，美国率先建立政府数据开放平台，拉开了全球政府数据开放的序幕，随后，英国、加拿大等众多国家纷纷跟进，积极推动政府数据开放。我国政府数据开放工作也逐步展开，自2011年起，北京、上海等地区率先开启政府数据开放的探索，建立了各自的政府数据开放平台。2015年，国务院印发《促进大数据发展行动纲要》，从国家战略层面提出布局大数据发展，将政府数据的开放共享排在首位，旨在加快政府数据的开放共享，推动产业创新发展，助力经济转型。在政策推动下，我国政府数据开放取得一定进展，2023年，我国公共数据开放量同比增长16% [1]，省级政府开放数据量比2022年增长18.5%，北京、浙江、上海、重庆等15个地区的省级数据管理部门开始探索“公共数据授权运营机制”。企业作为市场经济的主体，在大数据时代背景下，其绩效提升面临着诸多挑战。一方面，市场竞争日益激烈，消费者需求愈发多样化和个性化，企业需要更精准地把握市场动态和消费者需求，以制定有效的市场策略。另一方面，随着信息技术的飞速发展，企业需要不断创新商业模式和运营管理方式，提高生产效率和产品质量，降低成本，以增强自身的竞争力[2]。政府数据开放为企业提供了丰富的数据资源，这些数据涵盖了社会经济的各个领域，如交通、金融、教育、医疗等，企业可以通过对这些数据的分析和挖掘，获取有价值的信息，从而为企业的决策提供支持，提升企业绩效。
1.2. 研究意义
本研究旨在深入探讨政府数据开放对企业绩效的影响，具有重要的理论与实践意义。在理论层面，有助于丰富和完善政府数据开放与企业绩效相关的理论体系。目前，虽然已有部分研究关注到政府数据开放对企业的影响，但尚未形成系统、全面的理论框架。通过本研究，能够进一步明确政府数据开放影响企业绩效的内在机制和路径，为后续研究提供理论基础和研究思路。同时，也有助于拓展政府数据开放在企业管理领域的应用研究，将政府数据开放与企业的战略管理、市场营销、运营管理等方面相结合，为企业管理理论的发展提供新的视角和方法。
在实践层面，本研究对政府和企业均具有重要的指导意义。对于政府而言，研究结果可以为政府制定更加科学合理的政府数据开放政策提供参考依据[3]。政府可以根据企业的实际需求和数据使用情况，优化数据开放的内容、方式和平台建设，提高政府数据开放的质量和效率，更好地发挥政府数据开放对企业发展的促进作用[4]。同时，也有助于政府加强对数据开放的监管，保障数据安全和隐私，营造良好的数据开放环境。对于企业来说，本研究能够帮助企业更好地认识政府数据开放的价值，提高企业对政府开放数据的重视程度和利用能力。企业可以根据自身的发展战略和业务需求，充分挖掘政府开放数据的潜在价值，优化企业的决策制定、市场拓展、产品创新等方面，提升企业的绩效和竞争力。
本文的边际贡献在于：第一，系统性地揭示了“信息效应”与“治理效应”这一双重作用路径，并实证识别出“缓解融资约束”是其中关键的中介渠道，打开了影响机制的黑箱；第二，突破了整体同质性的分析框架，发现了政策效果在东部显著、中西部不显著的区域异质性，为理解数据开放政策的实施边界与条件提供了新的重要洞见；第三，通过多期DID及一系列稳健性检验，为政府数据开放的微观经济效应提供了更为严谨的因果证据。
2. 理论分析与研究假设
2.1. 政府数据开放与企业绩效
政府数据开放并非简单的信息发布，而是一种深刻的制度供给和资源赋能，其对企业绩效的影响主要通过“信息效应”与“治理效应”两条核心路径实现。
首先，政府数据开放产生显著的“信息效应”。基于信息不对称理论，企业与外部投资者之间的信息鸿沟是导致企业面临融资约束的关键因素[5]。政府开放的宏观经济增长、产业政策、区域规划、市场监管以及行业运行等高质量数据，为企业外部投资者提供了原本难以获取或验证的“硬信息”。这极大地缓解了外部市场的信息不对称问题。具体而言，一方面，投资者可以利用这些公开数据更精准地评估行业前景与企业潜在价值，降低投资决策的不确定性，从而更愿意以较低成本为企业提供资金支持。另一方面，企业自身也能借此提升对市场环境的认知，优化投资决策，减少盲目投资，将有限的资源配置到回报更高的项目中。因此，信息效应主要通过降低企业的信息获取成本和外部融资成本，作用于企业的资源获取与配置环节。
其次，政府数据开放引发积极的“治理效应”。根据委托代理理论，管理层与股东之间的利益冲突可能损害企业价值。政府数据开放，特别是涉及政府补贴、政府采购、环保执法、纳税信用等与企业经营密切相关的数据公开，极大地增强了企业行为的透明度，强化了外部监督。这种监督不仅来自监管机构，更来自媒体、分析师和广大社会公众。在“阳光”的照射下，企业管理层的寻租行为、过度投资等代理问题更易被察觉和约束，从而倒逼其改善内部治理、规范经营行为、提升运营效率，以维持良好的市场声誉。治理效应主要通过优化企业的内部决策过程和资源使用效率，作用于企业的资源利用环节。
综上，信息效应与治理效应共同构成了政府数据开放影响企业绩效的微观基础。信息效应从资源获取端发力，为企业“输血”；治理效应从资源利用端发力，提升企业“造血”能力。二者相辅相成，共同促进企业绩效的提升。基于此，本文提出主假说：
H1：政府数据开放对企业绩效具有显著的促进作用。
2.2. 政府数据开放、融资约束与企业绩效
前述理论分析指出，缓解融资约束是“信息效应”发挥作用的关键路径[6]。大量研究表明，融资约束是抑制企业投资与创新、制约绩效提升的重要瓶颈。政府数据开放通过前述双重机制，能够有效缓解这一问题。
在信息效应层面，开放数据为外部投资者提供了评估企业信用和项目风险的可靠依据，降低了因信息不完备而要求的风险溢价，从而直接改善了企业的外部融资环境[7]。在治理效应层面，数据开放带来的外部监督压力促使企业披露更高质量的信息、采用更稳健的经营策略，这向市场传递了积极的信号，增强了投资者信心，间接降低了融资成本。彭远怀的研究发现，政府数据开放通过缓解企业融资约束，显著提升了企业全要素生产率，为这一路径提供了初步证据[8]。
因此，融资约束在政府数据开放与企业绩效之间扮演了关键的中介角色。政府数据开放在宏观层面释放的数据红利，正是通过微观层面缓解企业融资约束这一“毛细血管”，最终转化为企业绩效的提升。基于此，本文提出中介假说：
H2：政府数据开放通过缓解企业融资约束，进而提升企业绩效。
3. 研究设计
3.1. 样本选择与数据来源
本研究以2010~2022年A股上市公司为初始研究样本，数据主要来源于CSMAR数据库和Wind金融终端。在样本筛选过程中，我们首先剔除了金融类上市公司(因其财务报表结构特殊)以及被ST、ST处理的特殊状态公司，以确保研究样本的健康性和可比性。经过严格筛选，最终获得25,789个有效观测值，构成非平衡面板数据集。样本的时间跨度覆盖了中国经济转型的关键时期，既包括了经济高速增长阶段(2010~2015)，也包含了经济新常态阶段(2016~2022)，这为考察不同经济周期下新质生产力的影响效应提供了理想的研究场景。
3.2. 变量说明
(1) 被解释变量
企业绩效。选用托宾Q值进行，采用企业市值与总资产的比率来衡量，反映企业的市场价值和成长潜力[9]。
(2) 解释变量
政府数据开放政策。本文解释变量为虚拟变量，采用双重差分虚拟变量衡量，若企业所在地区在当年实施了政府数据开放政策，则取值为1，否则为0。该变量是本文识别政策效应的关键。
Table 1. Description of variable definitions
表1. 变量定义说明
类型 |
名称 |
符号 |
定义 |
被解释变量 |
企业绩效 |
托宾Q值 |
企业市值与总资产的比率 |
解释变量 |
政府数据开放政策 |
DID |
政府数据开放平台上线年份及以后年份取1，否则取0 |
控制变量 |
企业规模 |
Size |
年总资产的自然对数 |
企业年龄 |
FirmAge |
ln(当年年份 − 公司成立年份 + 1) |
资产负债率 |
Lev |
年末总负债/年末总资产 |
董事人数 |
Board |
董事会人数取自然对数 |
两职合一 |
Dual |
董事长与总经理是同一个人为1，否则为0 |
独立董事比例 |
Indep |
独立董事除以董事人数 |
股权制衡度 |
Balance1 |
第二大股东持股比例/第一大股东持股比例 |
股东性质 |
SOE |
国有控股企业为1，其他为0 |
(3) 控制变量
考虑到其他因素的影响，本文参考陈树广等[10]、宋佳等[11]、李心茹等[12]、李鼎曌等[13]的研究，从企业层面选取如下控制变量：企业规模(Size)、企业年龄(FirmAge)、资产负债率(Lev)、董事人数(Board)、两职合一(Dual)、独立董事比例(Indep)、股权制衡度(Balance1)和股东性质(SOE)。同时，为控制行业差异和时间趋势对回归结果的影响，本文进行了企业和年份的双向固定。并对所有连续变量均进行了1%和99%分位的缩尾处理，以消除极端值的影响。主要定义变量如表1所示。
3.3. 模型构建
为检验政府数据开放政策对企业绩效的影响，本文参考彭远怀等[14]研究，构建以下双重差分模型：
(1)
其中，TobinQ代表企业绩效，DID代表政府数据开放；企业规模(Size)、企业年龄(FirmAge)、资产负债率(Lev)、董事人数(Board)、两职合一(Dual)、独立董事比例(Indep)、股权制衡度(Balance1)和股东性质(SOE)的一系列控制变量；ε为残差项；YearFE代表年份固定效应，idFE代表企业固定效应。如果模型(1)中的DID的回归系数为正，则说明政府数据开放政策对企业绩效有促进作用。
4. 实证分析
4.1. 描述性分析
表2中列示了主要变量的描述性统计结果。研究样本涵盖了25,789个观测值，核心变量数据完整。政府数据开放虚拟变量均值为0.511，表明处理组与对照组分布较为均衡，满足双重差分模型的基本要求。企业绩效的代理变量托宾Q均值为1.991，且标准差较大，反映出样本企业间绩效存在显著差异。其他控制变量如企业规模、资产负债率、产权性质等均呈现合理分布，显示出样本涵盖了不同特征的企业，为后续实证分析提供了良好的变异基础。
Table 2. Descriptive statistical analysis
表2. 描述性统计分析
VARIABLES |
N |
mean |
sd |
min |
max |
DID |
25,789 |
0.511 |
0.500 |
0 |
1 |
TobinQ |
25,789 |
1.991 |
1.197 |
0.853 |
7.460 |
Size |
25,789 |
22.35 |
1.257 |
19.98 |
26.00 |
Lev |
25,789 |
0.446 |
0.198 |
0.0554 |
0.868 |
Board |
25,789 |
2.131 |
0.194 |
1.609 |
2.639 |
Indep |
25,789 |
37.53 |
5.323 |
33.33 |
57.14 |
Dual |
25,789 |
0.270 |
0.444 |
0 |
1 |
Balance1 |
25,789 |
0.352 |
0.282 |
0.0132 |
0.995 |
FirmAge |
25,789 |
2.903 |
0.340 |
1.792 |
3.526 |
SOE |
25,789 |
0.377 |
0.485 |
0 |
1 |
4.2. 基准回归
基准回归结果，如表3所示。表中为我们清晰地呈现了政府数据开放与企业绩效之间的关系。在未加入任何控制变量时，核心解释变量DID的系数为0.0767，并且在1%的水平上显著。这表明，仅仅考虑政府数据开放政策这一因素时，该政策对企业绩效已经产生了显著的正向影响，即政府数据开放能够促进企业绩效的提升。
当纳入企业规模、财务杠杆、公司治理等一系列控制变量后，DID的系数增至0.0929，显著性水平依然保持在1%。这一变化说明，在控制了其他可能影响企业绩效的因素后，政府数据开放政策的实施对处理组企业托宾Q值的提升作用更加明显，平均提升了约9.29%。这充分验证了政府数据开放对企业绩效的积极影响具有稳健性，即无论是否考虑其他影响因素，政府数据开放都能够显著提升企业绩效。
从模型拟合优度来看，在未加入控制变量时，R-squared为0.657，而加入控制变量后提高至0.679。这表明加入控制变量后，模型对样本数据的解释能力得到了增强，模型能够更好地拟合数据，进一步说明我们的模型设定是合理的，回归结果具有较高的可靠性。
Table 3. Baseline regression results
表3. 基准回归结果
VARIABLES |
TobinQ |
TobinQ |
DID |
0.0767*** |
0.0929*** |
|
(3.2879) |
(4.0793) |
Constant |
1.9518*** |
9.8726*** |
|
(163.6929) |
(13.2475) |
Observations |
25,789 |
25,789 |
R-squared |
0.657 |
0.679 |
Year |
NO |
YES |
id |
NO |
YES |
注：Robust t-statistics in parentheses p < 0.01，p < 0.05，p < 0.1。
4.3. 稳健性分析
为了确保研究结论的可靠性和稳定性，本研究采用多种方法进行稳健性检验，以验证政府数据开放与企业绩效之间正相关关系的稳健性，共分为以下三种方式进行检验，其检验结果如表4所示。
Table 4. Robustness test results
表4. 稳健性检验结果
|
(1) |
(2) |
(3) |
VARIABLES |
ROE |
TobinQ |
L.TobinQ |
DID |
0.0084*** |
0.0956*** |
0.1004*** |
(2.8174) |
(4.1505) |
(3.8134) |
Constant |
−1.0499*** |
10.4164*** |
0.8662 |
(−11.4009) |
(14.2975) |
(1.0254) |
Observations |
25,789 |
23,779 |
19,294 |
R-squared |
0.443 |
0.682 |
0.656 |
Year |
Yes |
Yes |
Yes |
id |
YES |
YES |
YES |
注：Robust t-statistics in parentheses p < 0.01，p < 0.05，p < 0.1。
(1) 变更解释变量测算方法
采用替换因变量的方法进行稳健性检验。将因变量托宾Q值(TobinQ)替换为净资产收益率(ROE)，ROE是衡量企业盈利能力的重要指标，能够反映企业运用自有资本的效率。回归结果如列(1)所示，当被解释变量替换为ROE时，核心解释变量DID的系数为0.0084，且在1%的水平上显著。这表明在替换被解释变量后，政府数据开放对企业绩效依然具有显著的正向影响。与基准回归中使用托宾Q值的结果相比，虽然系数大小有所变化，但显著性水平保持一致，说明我们的研究结论不受被解释变量选择的影响，具有一定的稳健性。同时，常数项为−1.0499，且在1%的水平上显著，模型拟合优度R-squared为0.443，表明模型对样本数据具有一定的解释能力。
(2) 剔除2020年公共卫生事件的影响
2020年全球爆发公共卫生事件，这一特殊事件可能对企业的经营环境和绩效产生重大影响，从而干扰我们对政府数据开放政策效果的评估。因此，为了排除公共卫生事件的干扰，我们剔除2020年的数据，重新进行回归分析。
回归结果显示，当剔除2020年数据后，以托宾Q值为被解释变量时，DID的系数为0.0956，在1%的水平上显著。与基准回归结果相比，系数有所变化，但依然保持显著的正向关系。这表明在排除公共卫生事件这一特殊外部冲击后，政府数据开放对企业绩效的促进作用依然存在，进一步验证了研究结论的稳健性。常数项为10.4164，在1%的水平上显著，模型拟合优度R-squared为0.682，说明模型在剔除特殊时期数据后，对数据的拟合效果较好，能够较好地解释企业绩效的变化。
(3) 滞后一期处理
为检验政府数据开放对企业绩效影响的持续性，并进一步缓解可能存在的反向因果关系，本研究将被解释变量替换为一期滞后的托宾Q值进行回归。如表第(3)列所示，核心解释变量DID的系数为0.1004，且在1%的水平上高度显著。这一结果不仅再次确认了基准结论的稳健性，更具有两层重要含义：首先，这表明政府数据开放的积极效应并非短期冲击，而是具有持续的促进作用，能够在政策实施后至少延续至下一期；其次，由于当期的政策难以被过去的企业绩效所影响，该结果有力地削弱了“企业绩效更好从而更可能受益于数据开放”这类反向因果问题对实证结论的干扰，进一步增强了研究结论的可靠性。
5. 进一步研究
5.1. 异质性研究
(1) 地区异质性
为了深入探究新质生产力对企业绩效影响的区域异质性，本研究将样本企业按照所在地区划分为东部、中部和西部三个区域，分别进行回归分析，以考察不同区域新质生产力与企业绩效之间关系的差异，分析结果如表5所示。
对地区异质性结果分析发现，政府数据开放的政策效果呈现出由东向西逐级递减的明显梯度特征。这种空间分异格局可能与区域间的多重结构性差异密切相关：首先，东部地区凭借更完善的数字基础设施，如5G网络覆盖率、数据中心密度和更高的企业数字化水平，具备了高效获取和利用政府开放数据的先决条件；其次，东部地区活跃的金融市场和多元化的融资渠道，能够更快地将数据资源转化为实际的融资便利；再者，东部地区市场化程度更高，制度环境更完善，有助于数据要素在市场竞争中充分发挥价值增值作用。反观中西部地区，虽然政策系数为正显示潜在积极影响，但受限于数字鸿沟、金融深化不足及制度环境滞后等结构性约束，企业将数据资源转化为绩效提升的能力受到制约。这一发现不仅揭示了数据开放政策效果的实现需要配套条件和生态系统支持，更对推动区域协调发展提出了政策启示：在推进政府数据开放的过程中，需要实施区域差异化策略，对中西部地区应同步加强数字基础设施建设、提升企业数字素养并优化融资环境，从而实现数据红利的普惠共享。
Table 5. Heterogeneity analysis results
表5. 异质性分析结果
|
(1) |
(2) |
(3) |
VARIABLES |
ROA (Eest) |
ROA (Mid) |
ROA (West) |
DID |
0.0847*** |
0.0529 |
0.0666 |
(2.9795) |
(0.8308) |
(1.2225) |
Constant |
10.0518*** |
10.4923*** |
9.3010*** |
(11.4993) |
(5.2582) |
(4.7791) |
Year |
Yes |
Yes |
Yes |
id |
YES |
YES |
YES |
CS |
YES |
YES |
YES |
Observations |
17,858 |
3,626 |
4,290 |
R-squared |
0.678 |
0.667 |
0.713 |
注：Robust t-statistics in parentheses p < 0.01，p < 0.05，p < 0.1。
5.2. 机制检验–融资约束
为深入探究政府数据开放影响企业绩效的作用路径，本文构建中介效应模型，从融资约束视角进行机制检验。表6的检验结果揭示了重要的传导机制：第(1)列显示政府数据开放(DID)对企业绩效(TobinQ)具有显著正向影响(系数0.0929，在1%水平上显著)；第(2)列则发现DID对融资约束(SA指数)产生显著负向影响(系数−0.0050，在1%水平上显著)。由于SA指数是融资约束的负向指标，该结果说明政府数据开放有效缓解了企业的融资约束。
Table 6. Results of mechanism tests
表6. 机制检验结果
|
(1) |
(2) |
VARIABLES |
TobinQ |
SA |
DID |
0.0929*** |
−0.0050*** |
(4.0793) |
(−2.7285) |
Constant |
9.8726*** |
−3.6282*** |
(13.2475) |
(−41.8982) |
Observations |
25,789 |
25,789 |
R-squared |
0.679 |
0.964 |
Year |
Yes |
Yes |
id |
YES |
YES |
CS |
YES |
YES |
注：Robust t-statistics in parentheses p < 0.01，p < 0.05，p < 0.1。
这一机制可通过“信息效应”与“治理效应”共同解释：一方面，政府开放数据提供了更全面、及时的宏观经济与行业信息，缓解了投资者与企业之间的信息不对称，降低了企业的融资成本；另一方面，数据开放增强了政府监管效率和社会监督，促使企业改善治理结构，提升经营透明度，从而增强了外部投资者的信心。这两方面共同作用，通过缓解融资约束这一关键路径，最终促进了企业绩效的提升。
此发现具有重要的理论价值，不仅证实了政府数据开放对企业绩效的促进作用，更揭示了“数据–融资–绩效”这一具体传导机制，为理解数字时代政府信息公开的微观经济效应提供了新的证据和视角。
6. 结论与建议
6.1. 研究结论
本文基于2010~2022年A股上市公司数据，通过理论分析与实证检验，系统考察了政府数据开放对企业绩效的影响、作用机制及区域差异，得出以下主要研究结论：
第一，政府数据开放对企业绩效具有显著的促进作用。基准回归结果表明，在控制了企业规模、财务杠杆、公司治理等一系列因素以及年份和个体固定效应后，政府数据开放政策的实施使处理组企业的托宾Q值平均显著提升了约9.29%。这一核心结论在经过替换被解释变量(如ROE)、剔除公共卫生事件特殊时期样本，以及考虑滞后效应等一系列稳健性检验后依然成立，证实了政府数据开放作为一项重要的公共政策，能够有效转化为企业发展的动力，提升其市场价值与成长潜力。
第二，政府数据开放的政策效果存在明显的区域异质性。异质性分析显示，政策红利在东部地区最为显著，而在中部和西部地区的影响则相对较弱，未通过显著性检验。这表明，政府数据开放的经济效应并非“一刀切”，其发挥程度高度依赖于区域的配套条件。东部地区凭借其更完善的数字基础设施、更发达的金融市场和更优化的制度环境，能够更充分、高效地将数据资源转化为企业绩效；而中西部地区则受限于“数字鸿沟”、融资环境等结构性因素，限制了数据要素价值的实现。
第三，融资约束是政府数据开放影响企业绩效的一个关键中介渠道[15]。机制检验发现，政府数据开放显著降低了企业的融资约束(以SA指数衡量)。这揭示了“数据–融资–绩效”的内在传导路径：政府开放数据通过“信息效应”缓解了外部投资者与企业之间的信息不对称，同时通过“治理效应”提升了企业的经营透明度和规范性，二者共同作用降低了企业的外部融资成本与难度，从而为企业的投资与创新活动提供了资金支持，最终推动企业绩效的提升。
6.2. 政策建议
基于上述研究结论，本文分别对政府部门和企业提出如下政策建议：
对政府部门的建议：
第一，坚持并优化数据开放战略，提升数据质量与可用性。中央政府应继续从国家战略层面推动政府数据开放，鼓励各地政府不断完善数据开放平台的功能。重点在于提升开放数据的质量、时效性、机器可读性和标准化程度，并优先开放与企业经营决策密切相关的宏观经济、产业运行、市场监管等高价值数据集，真正让企业“能用”、“好用”。第二，实施区域差异化扶持政策，促进数据红利普惠共享。鉴于政策的区域异质性，在推动全国性数据开放的同时，应加强对中西部地区的针对性扶持。一方面，要加大对中西部地区数字基础设施(如5G网络、算力中心)的投入，夯实其“数字底座”；另一方面，可通过专项培训、试点示范等方式，提升当地企业的数据获取和分析能力，并改善区域融资环境，帮助其跨越“数字鸿沟”，共享数据开放带来的发展机遇。第三，健全数据治理与安全保障体系，营造可信赖的数据开放生态。在推进数据开放的同时，必须同步完善数据分类分级、隐私保护、安全审查等相关法律法规与标准体系，明确数据权属和使用边界，在促进数据流动利用与保障国家安全、商业秘密、个人隐私之间取得平衡，增强全社会对数据开放的安全感和信任度。
对企业的建议：
第一，增强数据意识，主动挖掘和利用政府开放数据价值。企业应从根本上重视政府数据开放这一宝贵资源，设立专门岗位或团队，主动关注并系统性地获取与自身发展战略相关的政府开放数据。通过引入数据分析工具和人才，将外部数据与内部数据融合，赋能企业的市场洞察、精准营销、研发创新和风险管理，将数据资源转化为竞争优势。第二，善用数据资源改善融资能力与公司治理水平。企业应积极利用政府开放数据所营造的透明环境，主动向投资者披露更多基于数据的、可信的经营信息，展示良好的发展前景与治理水平，从而降低信息不对称，赢得资本市场信任，有效缓解融资约束[16]。同时，利用数据优化内部决策流程，提升运营效率。第三，结合自身区位与行业特点，制定差异化数据应用策略。企业，尤其是位于中西部地区的企业，应清醒认识到自身在利用数据资源方面的优势与短板。在积极利用数据的同时，应着力补足自身在数字化人才、技术等方面的不足，并善于利用地方政府提供的扶持政策，探索符合自身特点的数据驱动型发展路径。
6.3. 研究不足与展望
本文的研究仍存在以下局限性，有待未来进一步深化：首先，在结果分析方面，本文虽确认了政府数据开放对企业绩效的促进效应及其中介路径，但对核心系数，如托宾Q提升9.29%的经济学含义探讨不够深入，未能通过与其它公共政策或企业典型投资回报率进行充分的比较分析，从而难以直观评估该政策效应的实际经济重要性。其次，在异质性分析上，本文采用了分组回归的方法来识别区域差异，该方法虽直观但未能通过引入地区特征与政策变量的交互项进行直接的调节效应检验，导致对“为何东部效应更强”的内在机制论证力度稍显薄弱。最后，在识别策略上，尽管进行了一系列稳健性检验，但仍未采用如安慰剂检验或PSM-DID等更为前沿的方法，以更彻底地排除样本选择偏误和不可观测遗漏变量的干扰，这使得因果推断的纯净度仍有提升空间。
基金项目
河北地质大学第二十一届学生科研项目：政府数据开放政策对企业绩效的影响机制研究(项目编号：KAZ202514)。