产业链整合与新质生产力

Industrial Chain Integration and New Quality Productive Forces —The Mechanism of Trusted Data Governance Capability

摘要

在构建数据要素市场的背景下，产业链整合的重点由资产整合向数据整合转变，成为培育新质生产力、提升产业链整体竞争力的重要举措。采用倾向得分匹配—双重差分法研究产业链整合对新质生产力的影响，以及数据可信治理能力在其中的作用机制。研究发现，产业链整合能够促进新质生产力发展。机制分析表明，产业链整合通过提升企业在可信管控、资源交互和价值共创三方面的能力，系统培育其数据可信治理能力，进而推动新质生产力发展。异质性分析表明，从整合类型角度，下游并购对新质生产力的促进作用最强，同行业并购次之，上游并购相对最弱；从时间角度，2015年之后产业链整合的新质生产力提升效应明显增强；从行业角度，在竞争性行业中，产业链整合能够显著推动新质生产力发展，而在管制性行业中这一效应并不明显。因此，应制定和完善产业链整合支持政策，统筹推进数字基础设施建设，构建数据可信治理体系，推进可信数据空间建设，并实施差异化指导政策。

Abstract

Developing new quality productive forces is an important way for enterprises to achieve high-quality development. Currently， issues such as the inadequate integration of data elements with traditional production factors and inefficient industrial chain collaboration restrict the development of new quality productive forces. Against the backdrop of a new round of industrial transformation and the development of data element markets， the focus of industrial chain integration has shifted from asset integration to data integration. Industrial chain integration has become an important driver for clearing bottlenecks in data circulation， promoting industrial transformation and upgrading， and fostering the development of new quality productive forces. However， few studies have explored the impact of industrial chain integration on new quality productive forces. Moreover， no study has measured enterprises’ trusted data governance capability in the context of building trusted data spaces or examined its key mechanism in industrial chain integration and the development of new quality productive forces.

This study uses data from Shanghai and Chinese A-share companies listed on the Shanghai and Shenzhen stock exchanges from 2011 to 2023 to examine the impact of industrial chain integration on the development of new quality productive forces from a merger and acquisition （M&A） perspective. The study also tests the mechanism of trusted data governance capability. The findings indicate that industrial chain integration significantly promotes the development of enterprises’ new quality productive forces. This conclusion remains valid even after conducting a series of endogeneity tests and robustness checks. Mechanism analysis reveals that industrial chain integration systematically enhances enterprises’ trusted data governance capability by cultivating their trusted management and control， resource interaction， and value co-creation capabilities， thereby promoting the development of new quality productive forces. Further heterogeneity analysis suggests that， from the perspective of industrial chain integration types， downstream M&As exert the strongest positive effect on new quality productive forces， followed by intra-industry M&As， with upstream M&As showing the weakest effect； from a temporal perspective， the effect of industrial chain integration on enhancing new quality productive forces has increased significantly after 2015； from an industry perspective， industrial chain integration significantly promotes the development of new quality productive forces in competitive industries， whereas its effect is not statistically significant in regulated industries.

Compared with existing research， this study makes three marginal contributions： （1） Based on the practical context of building trusted data spaces， the study innovatively constructs an indicator system for trusted data governance capability from three dimensions， namely trusted management and control， resource interaction， and value co-creation. It provides ideas and methods for future empirical research. （2） The study examines the impact of industrial chain integration on new quality productive forces and conducts a heterogeneity analysis by distinguishing between different types of integration. On the one hand， this study enriches theoretical research and empirical evidence on the economic effects of industrial chain integration and the influencing factors of new quality productive forces， thereby providing a basis for the implementation of M&A support policies. On the other hand， the study reveals the differentiated impacts of various integration paths on enterprise development， offering a valuable reference for enterprises’ M&A restructuring decisions. （3） From the perspective of trusted data governance capability， the study reveals the internal mechanism by which industrial chain integration promotes the development of new quality productive forces， responding to practical pain points such as data silos and inefficient industrial chain collaboration.

Based on the research findings， this study proposes the following policy recommendations from enterprise and government perspectives： （1） Enterprises should actively advance industrial chain integration， strengthen digital infrastructure development， improve trusted data governance systems， and cultivate employees’ data governance awareness to drive the development of new quality productive forces. （2） Governments should formulate and refine industrial chain integration policies， deploy new digital infrastructure， and strengthen the development of trusted data spaces and data governance systems， thereby laying a solid foundation for the advancement of new quality productive forces.

Graphical abstract

关键词

产业链整合 / 新质生产力 / 数据治理 / 可信治理能力 / 可信管控 / 资源交互 / 价值共创 / 并购重组

Key words

industrial chain integration / new quality productive forces / data governance / trusted governance capability / trusted management and control / resource interaction / value co-creation / M&A and restructuring

一 问题提出

近年来，贸易保护主义与单边主义抬头，对中国产业链的稳定发展形成了一定冲击。在此背景下，加强产业链整合不仅成为应对外部风险、提升产业链安全性的重要举措，也成为培育新质生产力、提升长期竞争力的关键路径。2024年4月，国务院出台《关于加强监管防范风险推动资本市场高质量发展的若干意见》（国发〔2024〕10号）（以下简称“新‘国九条’”），提出“鼓励引导头部公司立足主业加大对产业链上市公司的整合力度”。同年9月，中国证券监督管理委员会（以下简称“证监会”）发布《关于深化上市公司并购重组市场改革的意见》（以下简称“并购六条”），进一步强调“鼓励上市公司加强产业整合”，并支持其“向新质生产力方向转型升级”。产业链整合不仅能够优化资源配置，更能够通过多方面协同为发展新质生产力提供支撑。那么，产业链整合影响新质生产力的理论机理如何？对于该问题的回答，不仅有助于在产业链整合领域形成研究新质生产力问题的新视角，也能够为应对外部冲击、推动国内产业转型升级、实现经济高质量发展提供理论指导与政策支持。

随着产业链整合的推进，数据要素的重要性日益凸显，其流动性、安全性和共享能力直接影响到产业链的协同效率与创新潜力。为推动数据要素的高效流通和利用，2024年11月，国家数据局印发《可信数据空间发展行动计划（2024—2028年）》（国数资源〔2024〕119号）（以下简称《行动计划》），首次在国家层面对可信数据空间进行了系统部署，并将其定义为“基于共识规则，联接多方主体，实现数据资源共享共用的一种数据流通利用基础设施”。随后，国家层面的技术架构文件和试点通知相继出台，标志着可信数据空间建设迈出了实质性步伐。在此背景下，数据可信治理的重要性日益凸显。数据可信治理在传统数据治理的基础上，进一步强调数据的可信性，即确保数据在全生命周期中的可信、可控、可用，旨在建立多方主体间的信任和协同机制，保障数据要素的安全流通和价值创造。提升数据可信治理能力已成为企业激发数据要素价值和新质生产力活力的有效方式。探究产业链整合如何通过提升数据可信治理能力推动新质生产力发展，对于促进产业链数据资源互通、构建现代化产业体系和发展新质生产力具有重要意义。

现有研究对产业链整合的经济效应进行了探讨。大部分学者认为产业链整合具有积极的经济效应，能够帮助企业获取数据等核心资源^［1］，促进企业创新^［2］。然而，也有学者指出，随着产业链整合的推进，企业内部结构趋于复杂，可能会带来不可小觑的内部管控和协调成本^［3］，并导致价格歧视和阻碍新企业进入等反竞争后果^［4］。因此，产业链整合的经济效应仍需进一步探讨，尤其是在现有文献中，关于产业链整合与新质生产力之间的关系及其作用机制的研究尚显不足，亟待进一步的理论与实证分析。

数据可信治理是与本文相关的另一支文献。现有文献主要集中于理论构建和技术探索方面，探讨区块链等技术在实现数据可信治理中的技术路径^［5］，研究可信治理在公共数据开放^［6］等场景中的应用，强调了数据可信治理对发挥数据要素价值的重要作用。然而，现有研究尚未将研究视角聚焦至微观企业层面，鲜有学者对企业的数据可信治理能力进行度量并开展实证研究，数据可信治理在产业链整合与新质生产力之间的机制作用仍有待研究。

基于以上分析，本文聚焦企业的产业链整合行为，探讨其对新质生产力发展的影响，并基于可信数据空间建设的现实背景，引入“数据可信治理能力”作为中介变量，探讨企业如何通过产业链整合，提升数据可信治理能力，进而实现新质生产力的跃升。本文可能的研究贡献有三点。第一，从可信管控、资源交互、价值共创三类核心能力出发，构建数据可信治理能力指标，为今后开展相关实证研究提供思路和方法。第二，从并购重组视角切入，探究产业链整合对新质生产力的影响，丰富产业链整合经济效应与新质生产力影响因素的理论研究和经验证据，为新“国九条”和“并购六条”等并购支持政策的实施提供现实依据。同时，本文将产业链整合区分为上游并购、同行业并购以及下游并购，展开异质性分析，有助于揭示不同整合路径对企业发展的差异化影响，为企业的并购重组决策提供参考。第三，从数据可信治理能力这一独特视角出发，揭示产业链整合促进新质生产力发展的内在机理，回应当前数据孤岛、产业链协同效率低下等现实痛点。

二 理论分析与研究假说

（一） 产业链整合与新质生产力

新质生产力以劳动者、劳动资料、劳动对象及其优化组合的跃升为基本内涵，具有高科技、高效能、高质量特征^［7］。在新一轮科技革命和产业变革加速演进的背景下，发展新质生产力已成为必然趋势^［8］，而产业链整合正是推动企业新质生产力发展的重要路径之一。产业链整合的本质在于企业突破边界，调整其与上下游企业之间的交易关系，实现资源的高效配置，从而降低交易成本、完成价值创造、增强竞争优势^［9］。产业链整合对新质生产力的促进作用可以基于新质生产力的三大特征展开。第一，产业链整合契合新质生产力的“高科技”特征。根据知识重组理论，创新往往来自多样化知识要素的重组与碰撞。通过产业链整合，企业能够快速获取上下游的异质性知识和技术，拓宽知识宽度和深度，更有可能产生突破式创新，提高高科技属性^［10］。第二，产业链整合契合新质生产力的“高效能”特征。从交易费用理论出发，产业链整合可以减少中间环节，降低采购和销售成本，节约交易费用，并提高交易的稳定性。从并购协同效应理论出发，产业链整合促进了人才、数据、技术等资源的整合与共享，可以实现规模经济和范围经济，实现管理、经营和资源三方面协同^［11］，提高企业的经营效率，推动企业高效能发展。第三，产业链整合契合新质生产力的“高质量”特征。根据产业组织理论，产业链整合能够提高行业的进入壁垒，增强企业对供应链和市场终端的掌控力，进而增强企业对风险的抵御能力，帮助企业应对外部不确定性^［12］。同时，产业链整合可以拉近企业与用户之间的距离，帮助企业更好地把握市场趋势，适时调整生产和研发策略，满足消费者的个性化需求^［12］，加强品牌形象建设，从而推动产品和服务价值的提升。在推动企业自身发展实现“质的提升”之外，产业链整合还能够形成溢出效应，带动上下游企业共同成长，实现产业链及链上企业的高质量发展^［13］。综上所述，产业链整合能够推动企业的高科技、高效能和高质量发展，培育和发展新质生产力。基于此，本文提出假说H1：产业链整合能够推动企业新质生产力发展。

（二） 产业链整合影响新质生产力的作用机制

产业链整合能够统一数据标准与管理流程、打破数据孤岛、实现跨主体协同创新，带动企业数据可信治理能力的提高，增强数字信任，实现多方资源的共享与共创，进而推动新质生产力发展。本文借鉴《行动计划》提出的可信数据空间核心能力框架，从可信管控、资源交互和价值共创三类能力出发衡量企业的数据可信治理能力，并探究产业链整合对企业新质生产力的作用机制。

1 可信管控能力提升机制

可信管控能力贯穿数据资源的全生命周期，强调对主体身份、数据资源、产品服务等开展严格的可信认证，对数据流通利用的全过程进行动态管控、实时存证和结果追溯，从而实现数据资源的可验证、可信可控与可追溯¹。产业链整合为企业可信管控能力的形成提供了重要支撑。通过整合上下游资源，企业得以打通数据采集、处理、传输、应用等关键环节，构建覆盖数据全生命周期的统一治理机制，实现技术体系的协同统一。这不仅使企业能够在数据流通利用过程中嵌入更为精细化的动态权限控制、实时存证与审计机制，从源头上提升数据资源的可控性与可追溯性，也强化了数据使用环节的合规度和透明度。此外，产业链整合还加强了企业与产业链链上主体的合作^［9］，促使各主体在统一的治理框架下开展身份认证和数据交换，从而有效降低信息不对称程度，提升数据交互的信任基础与安全性。在此基础上，整合形成的多主体协作网络有利于进一步推动形成“共建共治共享”的数据治理模式，从制度层面厘清多方责任边界，增强对数据风险的识别与防控能力。随着可信管控能力的提高，企业能够在保证数据安全的前提下实现高效的数据共享，产生数据资源比较优势，有效降低系统性风险和运行不确定性，并推动企业间数字信任的建立^［14］，加强多主体协作，从而充分释放数据要素价值，推动生产、管理、技术等多方面的创新，带动新质生产力发展。综上所述，可信管控能力的提升为企业营造了高质量、低风险、强互信的数据治理环境，为新质生产力的发展提供支撑。基于此，本文提出假说H2：产业链整合能够提高企业的可信管控能力，进而推动新质生产力发展。

2 资源交互能力提升机制

资源交互能力聚焦数据资源的共享与互通环节，支持不同来源的数据资源、产品和服务的高效查询和跨主体互认，强调打破数据孤岛，实现数据资源在多主体和多空间之间的互认、互通、互用²。新质生产力的发展要求多方协同，仅依赖自身资源单打独斗，难以在快速发展的数字时代立足。因此，提高资源交互能力成为发展新质生产力的必然要求。随着数字经济的发展，资源交互的重点正在从传统的人力、物力、财力向新兴的数据、算力、算法等数字资源转变。产业链整合畅通了上下游主体间的资源交互渠道，促进了数据流动与共享^［13］。通过设立统一的数据对接系统和管理平台，企业能够更高效地完成数据资源的交互与整合，实现生产、市场、库存等数据的实时共享与更新，快速把握生产现状与市场动态，从而及时调整经营模式和研发策略，更加精准地配置资源，降低创新风险，提高创新产出，推动新质生产力发展。同时，数据资源的交互与整合推动生产和管理全流程的数字化改造，促进生产、营销和商业模式的创新，推动企业的数字化转型，催生出以“数据+算法+算力”为核心的数据生产力，激发了新质生产力潜力^［15］。综上所述，资源交互能力的提高为企业打通了连接外部资源的通道，实现了可用资源由点向面的扩张，为新质生产力的发展提供了充足的资源储备。基于此，本文提出假说H3：产业链整合能够提高企业的资源交互能力，进而推动新质生产力发展。

3 价值共创能力提升机制

价值共创能力聚焦数据资源的深度利用和价值实现环节，强调多主体共同参与数据资源的开发与利用，实现数据资源向数据产品或服务的转化³。产业链整合为企业价值共创创造了有利的条件。通过产业链整合，企业在产业链中的市场势力和话语权得以提升，能更有效地调度各方资源，集中开展技术研发和产品创新活动，使研发方向更精准地匹配产业链需求，减少创新资源的错配和浪费。根据王展祥等^［16］的研究，信息共享程度越高，上下游企业间协同创新的概率和规模越大。产业链整合促进了上下游数据、信息、技术等资源的共享^［13］，有助于缓解信息不对称，为多主体价值共创提供知识基础。同时，产业链整合强化了企业间的利益共同体关系，基于历史交易和合作数据以及共同的价值观念和市场环境，企业间能够建立更为紧密的互信关系^［12］，进而增强合作的稳定度和深入度，有效推动多方价值共创。价值共创能力的提高使企业得以联合各方应对激烈的市场竞争。企业与产业链上游企业合作，可以降低生产成本，提升生产效率；与同行业企业合作，可以实现资源共享和优势互补，增强整体竞争力；与产业链下游企业合作，能够更精准地把握市场需求，缩短产品研发周期，提高生产质量。综上所述，产业链整合有助于企业之间形成稳固的合作伙伴关系，整合优质资源，拓宽创新路径，为新质生产力的发展持续注入创新动力。基于此，本文提出假说H4：产业链整合能够提高企业的价值共创能力，进而推动新质生产力发展。

综上所述，产业链整合能够提高企业的可信管控能力、资源交互能力和价值共创能力，从数据治理环境、流通机制和价值实现三个维度提升数据可信治理能力，进而提高新质生产力水平。因此，本文提出假说H5：产业链整合能够提高企业的数据可信治理能力，进而推动新质生产力发展。

三 研究设计

（一） 样本选择与数据来源

本文以2011—2023年沪深A股上市公司的并购事件为研究对象，并购数据来源于中国经济金融研究（CSMAR）数据库中的并购重组子库。首先，采用如下标准筛选并购事件：剔除并购交易不成功的事件；保留重组类型为吸收合并、要约收购、资产收购和股权转让的样本；保留上市企业为主并方的并购交易样本；剔除交易金额小于100万元的样本；剔除非沪深A股上市公司以及股票交易状态异常（ST和^*ST类）的交易样本。其次，将筛选后的并购交易样本与CSMAR数据库中的企业财务数据进行匹配，剔除金融类企业、ST和^*ST类企业以及主要变量缺失的样本，并对主要变量进行上下1%水平的缩尾处理。最终，得到4 619家企业共计40 919个年份—企业样本，其中有1 578家企业发生过产业链整合。本文专利相关数据来自中国研究数据服务平台（CNRDS），工业机器人数据来自国际机器人联合会（IFR），其余数据均来自CSMAR数据库和Wind数据库。

（二） 变量定义

1 被解释变量

本文基于马克思生产力三要素理论，构建了包含新质劳动力、新质劳动资料和新质劳动对象三个维度的新质生产力指标体系。借鉴宋佳等^［17］的研究，采用熵值法进行测算，并将计算结果乘以100，得到新质生产力指标（NP）。指标体系如表1所示。其中，高科技业务水平通过固定资产占比、制造费用占比和工业机器人渗透度三项指标衡量。根据现有研究^［17］，高科技业务通常依赖高端设备生产，因这类设备购置、运行和维护成本较高，相关企业的固定费用占比和制造费用占比往往相对较高。因此，固定费用占比和制造费用占比可以在一定程度上反映企业在高科技业务发展中的资本投入强度。此外，工业机器人渗透度指标反映企业在自动化与智能制造方面的发展程度，能够综合体现其在高科技领域的技术投入和应用能力，可以较好地反映企业的高科技业务水平。该指标的衡量借鉴王永钦等^［18］的方法，通过将IFR提供的行业层面机器人渗透度数据分解至企业层面得到。

2 核心解释变量

产业链整合包括横向整合和纵向整合^［13］。因此，本文围绕这两种整合类型构建产业链整合指标，具体方法如下：

首先，基于证监会发布的《上市公司行业分类指引（2012年修订）》，将主并方和标的方属于同一行业大类的并购事件识别为横向整合。

其次，借鉴已有研究判断行业上下游关系的经验^［19-20］，基于国家统计局发布的《中国投入产出表》，计算并购双方行业的上下游关联系数v_{ij}，据此识别纵向整合。第一，本文参考已有研究^［21］，在2011—2014年、2015—2019年、2020—2023年三个时间段，分别以2012、2017和2020年的全国投入产出表为基础进行计算。同时，在《中国投入产出表》的国民经济产品部门划分的基础上，参考刘贯春等^［22］的做法，对行业分类进行适当调整⁴，以更好地匹配证监会2012年版行业分类标准，并据此将投入产出表的第I象限矩阵，整理成行业调整后的投入产出矩阵（ CFL ）。 CFL 中的元素x_{ij}具备双重含义，纵向看表示行业j对行业i的消耗，横向看表示行业i的产品分配给行业j生产使用的情况。第二，针对 CFL 中行业i的行数据，先计算产出去向总和S_i，再计算其产出作为中间投入进入到行业j的比重s_{ij}，计算公式为s_{ij}=x_{ij}∕S_i，据此构建矩阵 SUP，若s_{ij}达到一定程度，代表行业i是行业j的上游。第三，针对 CFL 中行业j的列数据，先计算其使用中间投入的总和C_j，再计算其使用的中间投入来自行业i的比重c_{ij}，计算公式为c_{ij}=x_{ij}∕C_j，据此构建矩阵 CUS，若c_{ij}达到一定程度，代表行业j是行业i的下游。第四，计算 SUP 和 CUS 矩阵的均值，得到上下游关联系数矩阵 V，其中的元素为上下游关联系数v_{ij}，计算公式为v_{ij}=(s_{ij}+c_{ij})∕\mathrm{2}。该系数越大，行业i和行业j的上下游关系越强。第五，参考已有研究^［19］，以1%为临界值，如果v_{ij}>\mathrm{1}\mathrm{\%}，则说明行业i和行业j之间存在上下游关系。基于此判断标准，筛选出主并方和标的方行业间上下游关联系数大于1%且主并方和标的方不属于同一行业大类的并购事件，将其识别为纵向整合。

最后，将属于横向整合和纵向整合的并购事件统一识别为产业链整合，构建产业链整合虚拟变量（ICI），表示企业是否进行产业链整合。具体地，以企业首次完成产业链整合的年份作为处理时间⁵，进行产业链整合的企业（处理组）在产业链整合完成当年及之后年份取1，未进行产业链整合的企业（对照组）和进行产业链整合之前的企业（处理组）取0。

3 机制变量

《行动计划》指出，可信数据空间须具备可信管控、资源交互和价值共创三大核心能力，这与企业在数据可信治理中所面临的治理难点和能力诉求高度契合，为企业提升数据可信治理水平提供了方向指引。因此，本文从这三类能力切入，构建数据可信治理能力指标体系。指标构建过程如下：

其一，可信管控能力。可信管控能力衡量企业对数据要素进行可信认证、动态管控和结果追溯的能力。本文构建可信管控技术指标作为其代理变量，衡量企业对可信管控技术的应用程度，反映企业在保障数据安全性、完整性、透明性和可追溯性等方面的技术水平，也反映企业在数据流通过程中保证合规性、获取各方信任的程度。具体操作如下：首先，根据国家相关政策文件、行业报告与技术报告中与“可信管控技术”相关的表述，提取相关词源，构建可信管控技术关键词词库；其次，对上市企业年报进行文本分析，统计关键词词频；最后，将关键词词频加总得到总词频，并对总词频加1后取自然对数⁶。

其二，资源交互能力。资源交互能力衡量企业实现数据资源、产品与服务跨主体共享与互认的能力，本文从外部数据共享和内部技术支撑两方面对其进行衡量。外部数据共享反映企业在外部数据库接入、数据共享和跨平台整合等方面的能力，主要表现为企业构建或加入数据库，该指标通过构建与数据库、数据平台相关的词库，采用文本分析和词频统计的方法得到。内部技术支撑衡量企业对资源互通技术的应用程度，体现了企业在技术层面上能否有效支撑数据资源的共享与整合，该指标通过构建资源互通技术相关词库，采用文本分析和词频统计的方法得到。

其三，价值共创能力。价值共创能力衡量企业推动多主体共同开发利用数据，实现价值转化的能力，本文使用创新合作水平、数字创新能力、跨界协同能力三个指标对其进行衡量。创新合作水平反映企业与其他主体合作进行价值创造的程度，主要表现为企业自主搭建或加入创新类平台，该指标通过构建与创新类平台相关的词库，采用文本分析和词频统计的方法得到。数字创新能力反映企业在数字技术领域的创新成果，体现了企业实现数据资源价值创造的能力。本文采用企业当年申请的数字发明专利个数进行衡量。尽管数字专利的法律归属通常是企业自身，但其研发过程往往伴随着上下游企业、科研机构等多主体的知识交互与技术协同。因此，数字专利不仅是企业自身创新能力的体现，也在一定程度上反映了企业与其他主体的合作程度。数字专利的衡量参考陶锋等^［23］的研究，采用国际专利分类（IPC）匹配法，将企业当年申请发明专利的IPC分类号与《数字经济核心产业分类与国际专利分类参照关系表（2023）》中列示的数字技术领域专利IPC分类号相比对，识别出数字专利，对其数量进行加1后取自然对数的处理。跨界协同能力反映企业跨越组织和知识边界，整合多元主体知识资源以实现协同创新的能力，是衡量价值共创能力的重要维度。本文使用数字专利知识宽度作为其代理指标，反映企业数字专利所涵盖知识的复杂程度，从而刻画企业整合多领域知识并与多元主体协同创新的能力。尽管这类协同未必形成显性的合作专利，但通常以技术引进、外部吸收、联合研发等形式实现，其成果往往体现在专利布局的多样性中。因此，数字专利知识宽度可以有效捕捉企业在多主体价值共创中的跨界协同能力。该指标的测算参考张杰等^［24］的研究，先计算专利层面的知识宽度，基于企业当年申请的数字发明专利，测算IPC分类号在大组层面的赫芬达尔指数，\mathrm{即}\mathrm{1}-\sum {\alpha }^{\mathrm{2}}，其中，\alpha表示IPC分类号中各大组分类所占比重；再将专利层面的知识宽度汇总至企业层面，通过计算样本企业观测年份所有数字专利知识宽度的中位数，得到企业层面的数字专利知识宽度指标。该指标越大，代表企业知识整合的范围越广、跨界协同能力越强。

最后，使用熵值法进行计算，并将计算结果乘以100，得到数据可信治理能力指标（TDG）。指标体系如表2所示。

4 控制变量

参考已有研究，本文从公司特征和公司治理两个层面选取控制变量。在公司特征层面控制企业年龄（Age）、企业规模（Siz）、资产负债率（Lev）、总资产收益率（Roa）、现金流比率（Cf）、流动比率（Liq）；在公司治理层面控制股权集中度（Shr）、两职合一（Dua）、董事会规模（Boa）。

（三） 模型设定

为缓解内生性问题，本文以产业链整合为冲击，构建如下倾向得分匹配—双重差分模型（PSM-DID）：

N{P}_{it}=\alpha +\beta IC{I}_{it}+\gamma X_{it}+{\mu }_i+{\theta }_t+{\epsilon }_{it}（1）

其中，i和t分别表示企业和年份；N{P}_{it}表示企业新质生产力；IC{I}_{it}表示企业是否进行产业链整合，其系数\beta衡量了产业链整合前后企业新质生产力的平均差异；X_{it}表示一系列控制变量；{\mu }_i为企业固定效应；{\theta }_t为年份固定效应；{\epsilon }_{it}为随机误差项。本文采用双向固定效应模型进行回归，且使用聚类到企业层面的稳健标准误。

主要变量的定义及描述性统计结果见表3。可以看出，中国企业的新质生产力水平和数据可信治理能力在不同企业之间存在较大差异，且整体水平仍需进一步提升。样本中，产业链整合后的实验组占比为27%，各控制变量的取值范围与现有研究保持基本一致。

四 实证结果分析

（一） 基于全样本的实证检验

匹配前的全样本回归结果见表4。结果显示，无论是否加入控制变量，产业链整合的估计系数均在1%的水平下显著为正，说明产业链整合对企业新质生产力的发展具有显著的促进作用，符合假说H1的理论预期。

（二） 基于匹配后样本的实证检验

为缓解内生性选择偏误，本文使用逐期倾向得分匹配法（PSM）对处理组企业进行匹配，并以1∶1匹配后样本的估计结果为基准回归，以1∶1匹配后的样本为后续回归分析的主要样本。本文采用卡尺近邻匹配法，结合倾向得分的标准差，设定卡尺范围为0.03。逐期平衡性检验结果与核密度函数图表明匹配效果较为理想⁷。表5第（1）（2）列分别列示了匹配后样本未加入和加入控制变量后的回归结果，产业链整合的系数均在1%的水平下显著为正，证明产业链整合能够显著提升企业的新质生产力，假说H1得以验证。

此外，本文还更换匹配方法对核心结论再次进行了检验。其一，更换匹配比例，在进行1∶3倾向得分最近邻匹配后重新进行回归。其二，采用熵平衡方法（EBM）重新进行样本匹配。参考Hainmueller^［25］对协变量的控制思路，纳入协变量的一次项、二次项、三次项以及合理的交叉项，剔除无意义交叉项和重复项，估算权重后进行精确匹配。以上两种方法的回归结果分别如表5第（3）（4）列所示，产业链整合的估计系数分别在1%和5%的水平下显著为正，证明了基准回归结果的稳健性。

（三） 平行趋势检验及敏感性检验⁸

应用双重差分法（DID）的重要前提是通过平行趋势检验。本文基于Li等^［26］提出的事件研究法，将产业链整合前后相对年份信息的虚拟变量纳入回归，得到如下动态DID模型：

N{P}_{it}=\alpha +{{\sum }^{\mathrm{5}}}_{\mathrm{k}\ge -\mathrm{5},\mathrm{k}\ne -\mathrm{1}}{\beta }_{k}I{C}_{ik}+\gamma X_{it}+{\mu }_i+{\theta }_t+{\epsilon }_{it}（2）

其中，下标k表示相对产业链整合完成的年份；I{C}_{ik}表示企业相对产业链整合完成年份的时间虚拟变量，在企业i完成产业链整合的相对第k年取值为1，否则取值为0。本文将企业进行产业链整合前一期，即k=-\mathrm{1}作为基期，排除于式（2）之外。

式（2）的回归结果显示，产业链整合完成前（），相对时间虚拟变量I{C}_{ik}的系数都不显著，处理组和对照组无明显差异，满足平行趋势假设。产业链整合完成当年及之后（k\ge \mathrm{0}），相对时间虚拟变量I{C}_{ik}的系数基本在5%的水平下显著为正，表明产业链整合对企业新质生产力具有长期持续的正向影响，通过了平行趋势检验。

特别地，各企业进行产业链整合的时间不尽相同且跨度较大，导致传统双向固定效应模型可能存在因异质性处理效应造成的估计偏误。因此，本文参照Sun等^［27］提出的包含异质性处理效应的稳健估计量再次进行检验。估计结果显示，平行趋势假设再次得到验证，即产业链整合前修正后的估计系数均不显著，产业链整合后估计系数大部分在5%的水平下显著为正。

然而，传统的平行趋势检验可能存在低功效的问题。因此，本文参考Rambachan等^［28］的方法进行敏感性检验，并借鉴Biasi等^［29］的做法，设置最大偏差度为基准回归一倍的标准误。平行趋势敏感性检验结果显示，在相对偏离程度限制和平滑限制两种情形下产业链整合对新质生产力的促进作用均保持稳健。这说明即使平行趋势存在一定偏离，产业链整合仍然能够显著推动企业新质生产力的发展。

（四） 安慰剂检验

为避免企业—年份层面不可观测因素的影响，本文进行有约束的混合安慰剂检验，即在保持处理组和对照组组内个体数量不变的条件下，随机匹配进行产业链整合的企业和整合时间，进行双向固定效应估计，并重复2 000次。结果表明⁹，基准回归中的结果位于安慰剂效应分布的最右侧，属于异常极端值。双边P值和右边P值均小于0.01，可以强烈拒绝“处理效应为0”的原假设。

（五） 其他稳健性检验¹⁰

本文还进行了一系列其他类型的稳健性检验。一是剔除发生过多次产业链整合的样本。为避免不同事件之间的影响，剔除发生过多次产业链整合的样本，仅将发生过一次产业链整合的企业作为处理组再次进行检验。二是改变控制组。为避免已发生并购的企业和从未发生并购的企业在并购倾向上存在的差异，仅以发生过并购且未发生过产业链整合的企业作为控制组，重新匹配后进行回归。三是控制行业时间趋势。为避免行业层面某些非观测特定因素的影响，在基准回归的基础上进一步控制行业和年份交乘项，再次进行回归。四是替换核心解释变量。基准回归中，本文将横向并购和纵向并购统一识别为产业链整合，分别基于并购双方行业一致性和行业间上下游关联系数进行识别。为验证结果的稳健性，更换产业链整合的判别标准，采用CSMAR数据库披露的并购类型信息，将标注为“横向并购”和“纵向并购”的样本归类为产业链整合，作为核心解释变量的替代变量进行检验。五是替换被解释变量。参考宋佳等^{［17，30］}对新质生产力的度量方法，重新构建新质生产力指标，并将其作为被解释变量的替代变量分别进行回归。以上稳健性检验结果显示，产业链整合的回归系数均至少在5%的水平下显著为正，与基准回归结果一致。

五 作用机制检验

基于前文理论分析，本文以可信管控能力、资源交互能力、价值共创能力和数据可信治理能力作为机制变量，进行作用机制检验。借鉴江艇^［31］的做法，本文构建如下中介效应模型：

M_{it}=\alpha +\beta IC{I}_{it}+\gamma X_{it}+{\mu }_i+{\theta }_t+{\epsilon }_{it}（3）

其中，M代表机制变量。

作用机制检验结果如表6所示。第一，可信管控能力的回归结果见第（1）列。产业链整合显著提升了企业的可信管控能力。可信管控能力确保了数据在合规与安全框架下流通，提升了企业对数据要素的利用水平，为新质生产力的发展提供了保障，符合假说H2的理论预期。第二，资源交互能力的回归结果见第（2）（3）列。产业链整合显著提升了企业的外部数据共享和内部技术支撑水平，提高了企业的资源交互能力。资源交互能力推动跨主体的数据流通，拓展了企业的数据要素储备，助力企业构建资源共享体系，为新质生产力的发展奠定了资源基础，符合假说H3的理论预期。第三，价值共创能力的回归结果见第（4）~（6）列。产业链整合能够显著提高企业的创新合作水平、数字创新能力和跨界协同能力，带动企业价值共创能力的提升。价值共创能力推动了企业与多元主体合作进行数据价值创造，有利于实现关键技术的颠覆式创新，培育企业核心竞争力，为新质生产力的发展注入了持续动力，符合假说H4的理论预期。第四，数据可信治理能力的回归结果见第（7）列。产业链整合有助于提升企业的数据可信治理能力，助力企业在安全可信的环境下，实现数据资源的共享和应用，发挥数据要素价值，从而推动新质生产力发展，符合假说H5的理论预期。

六 进一步分析¹¹

（一） 整合类型异质性

基准回归中，本文将横向并购和纵向并购统一视为产业链整合，未对整合类型进行具体区分。为探讨不同整合路径的差异性影响，本文将产业链整合细分为上游并购、同行业并购和下游并购，开展进一步分析。首先，若并购双方所处行业相同，则识别为同行业并购。其次，若矩阵 SUP 中的元素s_{ij}>\mathrm{1}\mathrm{\%}，则说明行业i是行业j的上游；若矩阵 CUS 中的元素c_{ij}>\mathrm{1}\mathrm{\%}，则说明行业j是行业i的下游，据此识别出行业上下游关系，与并购双方的行业进行匹配，识别出上游并购和下游并购¹²。鉴于上游并购、同行业并购和下游并购的战略目标和样本特征存在差异，且对应样本的协变量分布和选择偏差可能不同，本文对这三类并购分别构建DID变量，对每一类并购样本进行单独的1∶1 PSM匹配，以有效控制协变量的系统性差异，提升估计的稳健性。匹配完成后，基于各自的匹配后样本分别采用DID模型进行回归分析。回归结果显示，不同类型的产业链整合对新质生产力发展均有显著的促进作用，但作用大小存在一定差异，呈现出下游并购促进作用最大、同行业并购次之、上游并购最小的结果。

上游环节通常集中于原材料、基础零部件等初级投入品的生产，技术附加值低、创新潜力较弱，因而并购上游企业在短期内对企业的核心技术能力、产品差异化水平和市场响应速度的提升作用相对有限。相比之下，并购同行业企业有助于实现规模经济，促进技术共享、人才聚集与管理优化，从而增强企业的创新能力和竞争力。并购下游企业，尤其是面向终端市场的销售与服务环节的企业，则有助于并购方企业更精准地把握用户需求，实现研发与市场的高效协同，推动产品功能与用户体验的快速迭代，直接驱动新质生产力发展。因此，从价值链升级与创新转化效率的视角出发，并购下游企业更具战略协同效应，是实现新质生产力跃升的重要路径。

（二） 时间异质性

为识别产业链整合对新质生产力影响的阶段性特征，本文进行时间异质性分析。近年来，国家高度重视产业链现代化建设与生产力结构转型升级，相关政策呈现出阶段性演进特征。2015年，国务院发布《关于积极推进“互联网+”行动的指导意见》，提出推动传统产业链与数字技术深度融合。同年出台的《中国制造2025》也明确要求完善产业链条、提升产业链协同能力，促进制造业创新发展。这些政策共同构成了中国产业链整合的重要时点，意味着产业链整合与新质生产力发展进入政策驱动的新阶段。

因此，本文将样本期划分为2011—2014年、2015—2023年两个阶段。通过分组回归分析¹³，检验不同时间阶段产业链整合对新质生产力的影响是否存在差异，从而更全面地揭示政策实施背景下的异质性特征。回归结果显示，2015年前后产业链整合均能推动新质生产力发展，但2015年之后促进作用更大。费舍尔组合检验结果显示¹⁴，组间差异性检验P值为0.039，说明2015年前后产业链整合对新质生产力的促进作用存在显著差异，2015年之后促进作用更强。这一结果说明政策引导有助于强化产业链整合对新质生产力的提升效应。

（三） 行业异质性

为避免行业差异对产业链整合效果的影响，本文参考Ke等^［32］的做法，将样本划分为管制性行业和竞争性行业¹⁵，开展异质性分析。回归结果显示，竞争性行业企业进行产业链整合能显著提高新质生产力水平，管制性行业企业产业链整合的新质生产力提升效应则不明显。费舍尔组合检验结果显示，组间差异性检验P值为0.093，进一步支持两组样本存在显著差异。竞争性行业内可替代的合作企业众多，容易导致“敲竹杠”和恶意违约现象，外部交易成本更大^［3］，产业链整合可以大幅降低外部交易成本，提升供应链稳定性，增强企业抵御风险的能力。同时，竞争性行业市场化运作机制更灵活，资源配置效率更高，创新动力更强，具备更大的自主权来应对市场竞争，可以根据市场需求迅速调整战略，整合上下游资源，提升协同效应与技术创新水平，推动生产要素的高效组合与升级。相较之下，管制性行业关乎国计民生，外部交易成本变动较小，且由于受到政策限制和行政干预较多，其产业链整合常受到外部掣肘，难以充分释放市场潜能与创新活力，因此在推动新质生产力发展方面的成效相对有限。

七 结论与启示

本文基于微观企业视角，识别产业链整合行为，探讨了产业链整合对并购方企业新质生产力的影响，并基于可信数据空间建设背景，从数据可信治理能力出发检验了相关作用机理。研究发现，产业链整合显著提升了企业的新质生产力水平。机制检验发现，产业链整合通过提升可信管控能力、资源交互能力、价值共创能力三个渠道，增强企业的数据可信治理能力，进而推动新质生产力发展。异质性研究发现，不同类型产业链整合对新质生产力的促进作用存在显著差异，其中下游并购的促进效果最强，同行业并购次之，上游并购相对最弱；2015年之后产业链整合对新质生产力的提升作用显著强于2015年之前；在竞争性行业中，产业链整合能够显著推动新质生产力发展，而在管制性行业中这一效应并不明显。本文研究结论具有如下政策启示：

在企业层面，企业应积极响应新“国九条”和“并购六条”等政策的号召，以产业链整合为契机，提升数据可信治理能力，推进数据要素的高效流通利用，培育新质生产力。其一，企业应积极推行产业链整合战略，将数据要素作为整合决策的重要因素，优先选择具备数据兼容性、数字化程度高的同产业链企业作为整合对象，实现物理资产与数据资产的双重整合。同时，本文的研究结论指出下游并购更有助于发展新质生产力，企业在并购决策中可以更多考虑此类整合路径，以缩短与终端市场的距离，有针对性地开展创新，提高核心竞争力。其二，企业应加强数字基础设施建设，推动可信管控技术、资源互通技术等核心数字技术的应用，健全数据可信治理体系，完善数据采集、存储、共享和使用的全流程可信治理机制。同时，龙头企业、国有企业应响应国家号召，率先打造可信数据空间示范场景，通过打通研发、生产、物流等环节的数据接口，实现跨部门、跨主体的数据互信互通和协同治理，推动数据要素在产业链内的高效流动和利用，释放数据要素价值。其三，企业还需强化员工与管理层的数字素养与数据治理意识，持续引进和培养数字人才，从而提高数据要素的利用率和价值创造能力，提升研发效率与创新能力，为新质生产力的发展提供内生动力。

在国家层面，政府应制定和完善相关政策，支持企业开展产业链整合，加强可信数据空间建设，为新质生产力发展夯实基础。其一，大力支持产业链整合与数据可信治理，强化政策引导和技术支持，推动产业链数据协同与可信共享，助力产业升级与新质生产力发展，提高产业竞争力。其二，着力加强数据治理体系建设，从制度、标准、技术等维度构建并完善覆盖数据要素全生命周期的可信治理机制，筑牢数据流通的安全底座。同时，政府应重点支持产业链链主企业、行业龙头企业建设企业级和行业级可信数据空间，构建多方参与、共享共赢的数据生态，推动新质生产力实现从企业单点突破向产业链整体跃迁的质变。其三，统筹推进数字基础设施建设，布局骨干网络、算力中心和关键技术平台，加强新型信息基础设施建设，构建集安全可信和高效流通于一体的数据要素流通环境。其四，实施差异化的产业链整合与数据治理策略。对能源等管制性行业，应更加注重在数据安全前提下的稳健发展，优先建立数据安全沙盒监管机制，在封闭、受控的环境中，限定性地测试客户画像数据与生产运营数据的融合应用，探索在保障数据主权与安全的基础上实现价值释放的路径。对消费品等竞争性行业，可以加大政策支持力度，设立专项基金开展可信数据空间建设试点，围绕资金、人才和关键技术等方面提供全方位保障，鼓励企业围绕数据要素开展产业链上下游协同创新，推动新质生产力发展。

参考文献

[1] 张倩肖，段义学.数字赋能、产业链整合与全要素生产率［J］.经济管理，2023，45（4）：5-21.

[2] Zhang Q X， Duan Y X. Digital empowerment， industrial chain integration， and total factor productivity［J］. Business and Management Journal，2023，45（4）：5-21.

[3] 乔彬，刘振涛，许悦.数字赋能企业创新的双重中介机制：理论模型与经验证据［J］.南开经济研究，2025，41（6）：62-80.

[4] Qiao B， Liu Z T， Xu Y. The dual mediating mechanism of digital empowerment on enterprise innovation： theoretical model and empirical evidence［J］. Nankai Economic Studies，2025，41（6）：62-80.

[5] 袁淳，肖土盛，耿春晓，等.数字化转型与企业分工：专业化还是纵向一体化［J］.中国工业经济，2021，38（9）：137-155.

[6] Yuan C， Xiao T S， Geng C X， et al. Digital transformation and division of labor between enterprises： vertical specialization or vertical integration［J］. China Industrial Economics，2021，38（9）：137-155.

[7] Williamson O E. The vertical integration of production： market failure considerations［J］. The American Economic Review，1971，61（2）：112-123.

[8] Ma Z F， Wang X C， Jain D K， et al. A blockchain-based trusted data management scheme in edge computing［J］. IEEE Transactions on Industrial Informatics，2020，16（3）：2013-2021.

[9] 徐珉川.论公共数据开放的可信治理［J］.比较法研究，2021，35（6）：143-156.

[10] Xu M C. Trusted governance for open public data［J］. Journal of Comparative Law，2021，35（6）：143-156.

[11] 习近平.发展新质生产力是推动高质量发展的内在要求和重要着力点［J］.求是，2024，67（11）：4-8.

[12] 王树斌，侯博文，李彦昭.新质生产力要素机制、创新逻辑与路径突破：基于系统论视角［J］.当代经济科学，2025，47（1）：120-133.

[13] Wang S B， Hou B W， Li Y Z. New quality productivity forces element mechanism， innovation logic， and path breakthrough： through the lens of system theory［J］. Modern Economic Science，2025，47（1）：120-133.

[14] 程宏伟，冯茜颖，张永海.资本与知识驱动的产业链整合研究：以攀钢钒钛产业链为例［J］.中国工业经济，2008，25（3）：143-151.

[15] Cheng H W， Feng Q Y， Zhang Y H. Study on integration of industry chain driven by capital and knowledge： take PanGang vanadium and titanium industry chain as example［J］. China Industrial Economics，2008，25（3）：143-151.

[16] Cai J， Li N. Growth through inter-sectoral knowledge linkages［J］. The Review of Economic Studies，2019，86（5）：1827-1866.

[17] 蒋冠宏.并购如何提升企业市场势力：来自中国企业的证据［J］.中国工业经济，2021，38（5）：170-188.

[18] Jiang G H. How did merger and acquisitions boost the market power： evidence from Chinese firms［J］. China Industrial Economics，2021，38（5）：170-188.

[19] 王如玉，梁琦，李广乾.虚拟集聚：新一代信息技术与实体经济深度融合的空间组织新形态［J］.管理世界，2018，34（2）：13-21.

[20] Wang R Y， Liang Q， Li G Q. A new form of the spatial agglomeration under the deep integration of a new generation of information technology and the real economy［J］. Journal of Management World，2018，34（2）：13-21.

[21] 凌永辉，查婷俊.我国地方创新集群形成与演化研究：基于产业链整合视角［J］.经济学家，2022，34（5）：69-77.

[22] Ling Y H， Zha T J. Research on the formation and evolution of local innovation clusters in China： based on the perspective of industrial chain integration［J］. Economist，2022，34（5）：69-77.

[23] 宋华，韩思齐，刘文诣.数字技术如何构建供应链金融网络信任关系？［J］.管理世界，2022，38（3）：182-200.

[24] Song H， Han S Q， Liu W Y. How does digital technology construct the trust relationship of supply chain finance network？［J］. Journal of Management World，2022，38（3）：182-200.

[25] 钱贵明，阳镇，陈劲.数字平台视角下新质生产力的形成机制与推进策略［J］.西安交通大学学报（社会科学版），2024，44（5）：15-26.

[26] Qian G M， Yang Z， Chen J. The formation mechanism and promotion strategy of new quality productive forces from the perspective of digital platforms［J］. Journal of Xi’an Jiaotong University（Social Sciences），2024，44（5）：15-26.

[27] 王展祥，魏琳.信息共享有利于制造业企业的协同创新吗：基于中国企业营商环境调查数据的实证分析［J］.当代财经，2019，40（10）：95-106.

[28] Wang Z X， Wei L. Is information sharing conducive to collaborative innovation in manufacturing companies？ An empirical analysis based on the survey data of business environment of Chinese enterprises［J］. Contemporary Finance & Economics，2019，40（10）：95-106.

[29] 宋佳，张金昌，潘艺.ESG发展对企业新质生产力影响的研究：来自中国A股上市企业的经验证据［J］.当代经济管理，2024，46（6）：1-11.

[30] Song J， Zhang J C， Pan Y. Research on the impact of ESG development on new quality productive forces of enterprises： empirical evidence from Chinese A-share listed companies［J］. Contemporary Economic Management，2024，46（6）：1-11.

[31] 王永钦，董雯.机器人的兴起如何影响中国劳动力市场：来自制造业上市公司的证据［J］.经济研究，2020，55（10）：159-175.

[32] Wang Y Q， Dong W. How the rise of robots has affected China’s labor market： evidence from China’s listed manufacturing firms［J］. Economic Research Journal，2020，55（10）：159-175.

[33] Frésard L， Hoberg G， Phillips G M. Innovation activities and integration through vertical acquisitions［J］. The Review of Financial Studies，2020，33（7）：2937-2976.

[34] 陆明，杨德明.全产业链布局会提高企业创新产出吗？［J］.经济管理，2024，46（3）：128-147.

[35] Lu M， Yang D M. Does layout of whole industrial chain increase the innovation output of firms？［J］. Business and Management Journal，2024，46（3）：128-147.

[36] 叶振宇，庄宗武.产业链龙头企业与本地制造业企业成长：动力还是阻力［J］.中国工业经济，2022，39（7）：141-158.

[37] Ye Z Y， Zhuang Z W. Industrial chain leading firms and local manufacturing firms’ growth： driving force or resistance［J］. China Industrial Economics，2022，39（7）：141-158.

[38] 刘贯春，段玉柱，刘媛媛.经济政策不确定性、资产可逆性与固定资产投资［J］.经济研究，2019，54（8）：53-70.

[39] Liu G C， Duan Y Z， Liu Y Y. Economic policy uncertainty， asset reversibility， and real investment： evidence from China［J］. Economic Research Journal，2019，54（8）：53-70.

[40] 陶锋，翟少轩，王峤.数字经济政策与传统企业跨界数字创新［J］.中国工业经济，2025，42（2）：118-136.

[41] Tao F， Zhai S X， Wang Q. Digital economy policies and cross-boundary digital innovation of traditional enterprises［J］. China Industrial Economics，2025，42（2）：118-136.

[42] 张杰，郑文平.创新追赶战略抑制了中国专利质量么？［J］.经济研究，2018，53（5）：28-41.

[43] Zhang J， Zheng W P. Has catch-up strategy of innovation inhibited the quality of China’s patents？［J］. Economic Research Journal，2018，53（5）：28-41.

[44] Hainmueller J. Entropy balancing for causal effects： a multivariate reweighting method to produce balanced samples in observational studies［J］. Political Analysis，2012，20（1）：25-46.

[45] Li P， Lu Y， Wang J. Does flattening government improve economic performance？ Evidence from China［J］. Journal of Development Economics，2016，123：18-37.

[46] Sun L Y， Abraham S. Estimating dynamic treatment effects in event studies with heterogeneous treatment effects［J］. Journal of Econometrics，2021，225：175-199.

[47] Rambachan A， Roth J. A more credible approach to parallel trends［J］. Review of Economic Studies，2023，90（5）：2555-2591.

[48] Biasi B， Sarsons H. Flexible wages， bargaining， and the gender gap［J］. The Quarterly Journal of Economics，2022，137（1）：215-266.

[49] 史丹，孙光林.数据要素与新质生产力：基于企业全要素生产率视角［J］.经济理论与经济管理，2024，44（4）：12-30.

[50] Shi D， Sun G L. Data elements and new quality productive forces： a perspective from total factor productivity of enterprises［J］. Economic Theory and Business Management，2024，44（4）：12-30.

[51] 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，2022，39（5）：100-120.

[52] Jiang T. Mediating effects and moderating effects in causal inference［J］. China Industrial Economics，2022，39（5）：100-120.

[53] Ke B， Liu N， Tang S. The effect of anti-corruption campaign on shareholder value in a weak institutional environment： evidence from China［R］. Asian Bureau of Finance and Economic Research Working Paper，2016.

基金资助

国家自然科学基金面上项目(72572125)

陕西省社会科学基金“深入学习贯彻党的二十届四中全会精神研究”专项项目(2025ES07)