[关键词]新质生产力 数据要素 资本要素 劳动力要素 协同 比较优势 渐进式发展 量变到质变
引言
自习近平总书记提出“新质生产力”，2024年起连续两年《政府工作报告》将其列为政府工作十大任务之首。新质生产力以新要素为“催化剂”，实现新旧生产要素的创新性配置。那么，新旧要素如何优化配置形成新质生产力？《“数据要素x”三年行动计划（2024～2026）》指出，数据要素通过与劳动、资本等要素协同，以量变引发质变，培育经济发展新动能。
马克思生产力理论强调，生产要素的发展与生产要素间的协作是生产力发展的两大推动力。因此，新质生产力作为数字经济背景下生产力发展的新质态，强调以新型要素渗透传统要素，离不开新旧要素的协同交互。劳动力要素通过技能分工促进新质生产力形成：资本要素促进传统生产工具发展为数字化生产工具，为新质生产力积累资本；技术要素有助于企业降本增效，产业转型升级，促进新质生产力形成。随着数字技术广泛应用和深度渗透，数据要素如何赋能新质生产力成为学界热门话题。然而，数据要素不能独立参与生产，只有与传统生产要素协同配置才能实现全要素优化组合跃升，催生新质生产力。
数据要素与传统要素协同和新质生产力研究可拓展空间：（1）已有研究已建立新型要素形成新质生产力的理论框架，鲜有检验数据要素对新质生产力的作用路径，从新旧要素协同交互角度思考其新质生产力促进效应和机制研究更少；（2）数据要素改变了要素禀赋结构及生产要素间协同配置，但未从新结构经济学理论阐释生产要素间协同与新质生产力的关系；（3）实证研究了传统要素间的协同效应，缺少对新旧要素协同效应及其企业异质性检验。据此，本文拟以新结构经济学为逻辑主线，以上市公司为研究对象，从数据要素与传统要素协同视角，厘清数据要素与传统要素协同配置对新质生产力的影响机制和实践路径，为相关政策制定提供可靠依据。
1理论假设
1.1数据要素与传统要素的协同效应
由于技术要素与数据要素存在部分重合，采用姚树俊等的研究，传统要素取劳动力（L）和资本（K）。数据要素与传统要素协同分为数据一劳动力协同和数据一资本协同。
数据一劳动力协同表现为“数据优化劳动力、劳动力改造数据”。数据要素引入，企业“干中学”，不断积累数字技术经验和知识，促进专业化分工；为保证数据要素满足用户消费需求，产生符合比较优势的交易价值。数据一劳动力协同促进“干中学”企业对数据“质量改造”，驱动学习效应，“干中学”和“质量改造”激励数据要素的报酬递增。
数据一资本协同表现为“数据改进资本决策，资本助力数据商品化”。数据要素规模越大，越能完整记录资本参与生产的过程，企业越能精准决策资本流向，数据“外溢”越大，企业投融资能力越强：基于对数据要素高边际收益期望，企业通过租赁经营等手段推动数据要素商品化，孕育需求外部性。数据“外溢”与需求外部性相互作用，企业加大要素投入，提高边际收益。
双重激励和双重外部经济抵消了劳动力和资本要素报酬递减规律，形成数据一劳动力和数据一资本协同发展的良性循环。据此，本文提出假设1：
假设1：数据要素与传统要素之间存在协同效应。
1.2数据-传统要素协同对新质生产力直接影响
根据新结构经济学，新质生产力是符合客观经济规律、实现生产力和生产关系对立统一的动态发展过程。其生成机理包括新质禀赋结构、新质生产结构、新质基础设施、新质上层建筑等。要素禀赋结构在数据要素的涌现与积累中实现结构升级，生产结构优化，改善不适宜的传统生产关系、消除制约形成过程中的结构扭曲。根据矛盾辩证发展规律，数据要素与传统要素协同通过生产要素创新性配置、技术革命性突破和产业深度转型升级，实现要素“新”、“旧”否定之否定的统一，加快形成新质生产力。
要素层面，数据一传统要素协同配置，突破“新”、“旧”要素矛盾实现生产要素配置统一，纠正制约新质生产力的要素结构扭曲，提高要素回报率。数据要素积累推动新旧要素矛盾运动和相互渗透，传统要素向新质要素升级，形成新质生产力。
技术层面，数据一传统要素协同突破“新”、“旧”技术矛盾实现技术迭代升级统一，纠正制约生产力的技术结构扭曲。数据要素规模扩大伴随着智能算法等数智技术蓬勃发展，加快数据要素与传统要素自由流动和协同交互，驱动传统生产向新质生产转变，带动新质生产力发展。
产业层面，数据一传统要素协同配置突破“新”、“旧”产业矛盾，实现产业转型优化统一，调整束缚新质生产力的传统产业结构。数据要素投入不仅促进数据丰裕的信息传输和信息技术服务等产业升级，而且重塑数据丰裕度低的农业和制造业转型。在重塑“新”、“旧”产业比较优势基础上，传统产业结构向新质产业结构拾级而上，提供新质生产力创新可能性。据此，本文提出假设2：
假设2：数据一传统要素协同与新质生产力正相关。
1.3数据一传统要素协同对新质生产力间接影响
数据要素比重提高，其与传统要素协同通过比较优势动态重构渐进形成竞争优势，突破传统产出边界诞生新知识和技术，达成规模报酬递增下量变到质变的最优安排。契合新结构经济学中禀赋结构所决定的比较优势变化（简称“最优安排”），从底层基础设施最优安排到上层建筑结构最优安排。
1.3.1数据一劳动力要素协同的中介机制
数据一劳动力协同量变以劳动生产率提升为主。数据一劳动力协同配置伴随企业要素禀赋结构升级和比较优势重塑，提升劳动生产率。这又不断优化数据一劳动力协同配置，在数据加持下，产出准确捕捉用户需求的价值增值，提高全要素生产率，推动传统生产力升级为新质生产力。
数据一劳动力协同质变以劳动力结构优化为主。数据收集、处理和分析由掌握数字技术劳动力完成并应用于生产决策，拉高高素质劳动力需求；数据要素使用伴随数字技术的更新迭代，高技能劳动力数字素养更高，替代低技能劳动力，拉低低素质劳动力需求。数据一劳动力协同带动劳动力结构调整，高素质劳动力要素丰裕的企业获得先发优势．以颠覆式技术创新推动新质生产力水平提升。
进一步地，数据要素技能偏向性使得高素质劳动力更可能利用数字技术提升自身劳动生产率，不断扩大企业对高素质劳动力需求，间接推动劳动力结构调整，企业新质劳动力提升新质生产力水平。据此，本文提出假设3：
假设3：数据一劳动力协同通过提升劳动生产率和优化劳动力结构两个渠道加快新质生产力形成。
1.3.2数据一资本要素协同的中介机制
数据一资本协同量变以资产负债率改善为主。催生数字技术创新所需大量资本，资本逐利性会提高企业盈利能力，改善资产负债率，企业有动力部署数据一资本协同配置，主动以更高资本含量的劳动资料驱动新质生产力发展。
数据一资本协同质变以资本结构优化为主。先将数据转换为有用的可靠交易信息，降低市场摩擦，改善资本错配，推动企业资本结构优化；利用大数据信息平台监控资本使用，提高配置效率，降低使用风险，获得竞争优势，加快新质生产力发展。
进一步地，资本积累蕴含以数据要素为标志的技术进步，促使企业深挖数据价值，形成数据资本，加快新质生产力发展进程。据此，本文提出假设4：
假设4：数据一资本协同通过提升资产负债率和优化资本结构发展新质生产力。
2研究设计
2.1数据来源与预处理
本文选取2015～2023年中国沪深A股上市公司样本，除内部控制水平数据来自迪博数据库外，各生产要素、新质生产力及机制变量、控制变量的数据均来源于国泰安CSMAR数据库、巨潮网企业年报。对研究样本处理如下：（1）剔除ST、*ST、PT、终止上市和暂停上市的企业；（2）剔除数据缺失样本；（3）对连续变量在1%水平缩尾处理。最终得到3697家A股上市公司在2015～2023年的非平衡面板数据。为统一数据量纲，且考虑到部分数据存在零值，对核心变量+1后取自然对数。
2.2变量选取及说明
2.2.1被解释变量
新质生产力“新”在掌握新技术的新质劳动力、智能设备等技术型劳动资料以及兼顾资本和环境的新型劳动对象。“质”在绿色生产力和数字生产力两个方向：质量驱动的绿色化转型，新质生产力是企业实现高质量发展后的绿色生产力：技术创新的颠覆性突破。新质生产力是以数字技术为主的关键性、颠覆性技术突破下由量向质跃升的生产力。
结合新质生产力和绿色生产力、数字生产力的内在关联，从劳动者、劳动对象和劳动资料三要素人手构建评价指标体系（见表1），采用熵值法测算新质生产力水平，记作NQP。
新质生产力的劳动需求从管理层和员工两个维度，以高管绿色认知和海外背景衡量管理层素质，以员工教育结构和研发人员结构衡量员工素质：新质生产力的劳动对象分为资本对象和环境对象。考虑到资金储备也会影响企业发展潜力和劳动质量，以固定资产占比和资本积累率衡量劳动对象：选用ESG评级中的环境得分衡量企业环境绩效。除科技劳动资料，传统产业经由数字技术、绿色技术改造提升，体现高科技、高效能、高质量特征，而成为新质生产力发展的载体。以专利授权数量衡量科技水平：以企业数字技术水平和无形资产占比衡量数字化水平：以绿色技术水平和绿色专利占比衡量绿色劳动资料。
2.2.2核心解释变量
数据要素与传统要素的协同效应，用数据要素、传统生产要素交互项表示：
（1）数据要素（D）。通过爬取上市公司年报中与数据要素相关的关键词词频，加总的总词频来量化数据要素水平。参照赵丽和胡植尧的方法，将数据要素、大数据、算力、信息、数据化、算法这6个关键词的词频作为数据要素代理变量。
（2）传统生产要素。劳动力要素（L），以雇员人数衡量；资本要素（K），以固定资产净值衡量。
（3）时间虚拟变量（P）。2019年党的十九届四中全会首次将数据纳入生产要素，结合本文研究目的，借鉴叶慧铮和谢波、周茂等的方法，若样本所在年份为2019年以后，设时间虚拟变量P=1，反之则为0。
数据一劳动力协同D*L，数据一资本协同D*K。
2.2.3控制变量
参考叶慧铮和谢波的研究，选取企业年龄、股权集中度、独立董事占比作为控制变量。充足的资金保障企业推动数据一传统协同完成生产经营活动，因此纳入企业内部财务状况作为控制变量。包括：（1）企业年龄：统计截止年份减去企业成立年份；（2）股权集中度：第一大股东持股比例、前十大股东持股比例；（3）独立董事占比：独立董事人数除以董事会总人数；（4）企业内部财务状况：销售费用率、账面市值比。
2.3描述性统计
限于篇幅，描述性统计结果留存备索。企业新质生产力标准差为7.214，表明企业新质生产力发展差距较大，数据一资本协同标准差为45.202，大于数据一劳动力协同的17.436，企业间数据与资本协同效应差异最显着，可能头部企业数据赋能资本利用效率高，尾部企业则难以协同；多数企业可通过培训实现基本数字化技能提升，企业间数据一劳动力协同效应相对趋稳。
2.4模型设定
为检验数据要素与传统要素是否存在协同效应，验证假设1，借鉴吾买尔江·艾山等的研究，建立联立方程如下：
联立方程模型中，D为数据要素投入；F=K，L，分别为企业投入的资本要素和劳动力要素；u为随机扰动项。
继而建立数据要素独立存在的模型（3）以及引入与传统要素协同效应模型（4），对比分析数据要素两种状态下对新质生产力的作用效果，检验数据要素与传统要素的协同和对新质生产力的影响，验证假设2，构建固定效应模型如下：
为检验两者间的作用路径，验证假设3、4，通过以下模型检验中介机制：
其中，M以包括劳动生产率、劳动力结构、资产负债率、资本结构偏离度4个中介变量。其他变量含义与模型（4）相同。
3实证分析
3.1协同效应检验
通过构建联立方程模型（1）、（2）实证检验数据要素（D）与传统要素（K/L）的协同关系，并使用双向固定效应模型考察两协同变量互为因果的关系。结果显示，数据要素与传统要素的估计系数均显着为正（见表2），企业数据要素与传统要素间存在相互影响、相互促进的协同效应，验证了假设1。
3.2基准回归
利用模型（3）和（4）研究数据一传统要素协同对新质生产力的影响。表3列（1）是未加入协同交互项时，数据要素对企业新质生产力的影响结果，数据要素估计系数不显着，说明在没有考虑协同交互作用时，单独投入数据要素对企业新质生产力的影响效果不明，印证了蔡继明等、李弦“数据要素不能独立参与生产”的观点。
表3列（2）、（3）和列（4）、（5）分别是引人数据一资本协同效应、数据一劳动力协同效应核心解释变量的回归结果。无论是否加入控制变量，核心解释变量估计系数均在1%水平显着为正。验证了数据要素与传统要素间存在明显协同效应；对比数据要素独立投入使用，与传统要素产生的协同效应可有效加快新质生产力形成，证实了假设2。新质生产力发展可从多要素协同切入，探索“不脱离传统产业、从生产要素源头改造”的实践路径。同时，相比数据一资本协同，数据一劳动力协同的新质生产力效应提升更大（0.065gt;0.044），这与描述性统计相符，目前企业创新过度依赖资本不利于新质生产力发展。
3.3稳健性和内生性检验
为考察基准回归结果的可靠性，通过替换核心变量、加强固定效应、更换估计方法、倾向匹配得分和工具变量检验等方法进行稳健性和内生性处理（受篇幅所限，结果表略）。
3.3.1替换核心变量
（1）替换被解释变量。参考宋佳等的研究，用生产力二要素理论构建综合指标体系，重新衡量企业新质生产力水平，记作NQP1；（2）替换解释变量。劳动力要素以企业职工工资衡量，记作L1;资本要素以总资产衡量，记作K1。它们与数据要素协同交互项分别记作D*K1和D*L1。替换被解释变量和解释变量后，回归结果依然显着。
3.3.2加强固定效应
考虑到地区资源分配差异性，加入城市与年份的交互固定效应，能缓解地理位置优势对回归结果的影响。回归结果依旧显着。
3.3.3更换估计方法
新质生产力形成是一个持续动态过程，在模型（4）基础上加入企业上一期新质生产力水平（L．NQP），并通过差分GMM方法估计解决内生性问题。对比基准回归，不同估计方法下核心解释变量系数仍显着，结果稳健。
3.3.4倾向匹配得分
生产要素的投入主要是企业根据要素丰裕度自选择的结果，而经过去量纲化处理后的数据不存在零值，以“投入要素一产生协同”和“未投入要素一未产生协同”建立实验组和对照组，以倾向匹配得分降低自选择和样本不平衡带来的偏误。借鉴Abadie和Imbens的做法，令“是否有多要素协同”作为二值因变量（DK/DL）①，构建Probit回归模型。数据一劳动力协同和数据一资本协同系数均在1%水平上显着为正，与基准结果方向一致。
3.3.5工具变量法
变量间可能有潜在反向因果内生性，如企业为顺应新质生产力发展需要，才选择投入数据要素并将其与传统要素协同配置。本文选取以下3个工具变量加以验证：（1）数据要素市场化建设（ivl）：建设数据要素市场是国家激发数据要素潜力的关键信号，也为企业释放其协同价值带来良好外在环境，同时，数据要素市场化建设不直接影响新质生产力。本文参考徐晔和王志超的做法，将试点城市是否建立数据交易平台衡量数据要素市场化建设，作为第一个工具变量；（2）数字化转型政策冲击（iv2）：数字化转型政策部署越完善，越有助于企业提升数据要素利用水平，且不会对新质生产力产生直接影响。以数字化转型关键词词频衡量数字化转型政策冲击，作为第二个工具变量；（3）行业平均值：采用除本企业外同行业平均协同水平作为第三个工具变量。各估计结果均有效地反驳了“模型不可识别和弱工具变量”假设，Anderson LM和C-D Wald F统计量显着，工具变量选择有效。同时，2SLS的估计系数仍显着为正，显着性要优于基准回归，回归结果稳健。
3.4作用机制分析
基于前述理论，区分数据一劳动力协同和数据一资本协同两种要素协同模式，剖析在新结构经济学视角下，多要素协同从量变到质变，加快企业新质生产力发展的机制，检验假设3和4。传统中介效应模型难以克服解释变量与中介变量的内生性难题，参考陈东和郭文光的做法，每一步均嵌人工具变量以克服潜在内生性，采用内生中介效应估计方法结合模型（5）、（6）考察机制路径。
3.4.1数据一劳动力协同的中介机制
为验证假设3中数据一劳动力协同对新质生产力的中介路径，引入劳动生产率和劳动力结构两个中介变量。其中，劳动生产率以净利润与在职员工数量的比值衡量，记作LP，是职工技术熟练程度和劳动积极性的综合表现：劳动力结构采用专科及专科以上劳动力占比衡量，记作LS，代表企业内部高技能劳动力占比。
表4列（1）、（2）为纳入劳动生产率（LP）的回归结果。数据一劳动力要素协同（D*L）对劳动生产率（LP）的系数估计值显着为正，将劳动生产率纳入模型回归后，劳动生产率（LP）对新质生产力（NQP）的估计系数也显着为正。这表明，数据一劳动力协同对企业新质生产力提升作用能够被劳动生产率所解释。数据一劳动力协同发展将改造传统劳动力和企业组织架构，不仅推进专业化分工和人岗匹配，还提升员工技术熟练程度和劳动生产率，传统劳动者跃升为新质劳动者。
表4列（3）、（4）为纳入劳动力结构（LS）的回归结果。列（3）中数据一劳动力协同（D*L）对劳动力结构（LS）的优化效果明显。这表明，数据一劳动力协同的过程中，与数字技术应用更加互补的高素质劳动力对低素质劳动力产生了“技能挤出”效应，与陈东和郭文光的观点一致。列（4）把劳动力结构（LS）和劳动生产率（LP）同时纳入模型，劳动力结构（LS）优化显着加快新质生产力（NQP）形成，数据一劳动力协同过程中“技能挤出”效应有助企业员工及组织架构“高质量换血”，提升新质生产力水平，验证了假设3。同时，劳动生产率（LP）依然显着为正，也证实理论研究关于底层建筑效能的量变到上层建筑结构的质变的观点。具体地，数据一劳动力协同既能以优化劳动力结构直接影响新质生产力形成，也能通过劳动生产率提升渠道推动劳动力结构调整，进而间接提升新质生产力，两种作用渠道呈递进式跃升。
3.4.2数据一资本协同的中介机制
为验证假设4中数据一资本协同对新质生产力的中介路径，引入资产负债率和资本结构偏离度两个中介变量。其中，资产负债率以年末负债总额与总资产的比值来测算，记作TDR;资本结构偏离度是企业实际资本结构偏离目标资本结构的程度，记作LEV，限于篇幅，具体衡量方法留存备索。
表5列（1）、（2）为纳入资产负债率（TDR）的回归结果。数据一资本要素协同能提升企业偿债能力和风险承受能力，防止企业压缩创新项目投资，扩大创新活动研发投入。资产负债率（TDR）对新质生产力水平（NQP）的估计系数显着为负，揭示出数据一资本要素协同互补能优化资本配置效率，缓解企业财务困境，有更多精力和能力“加载”数字红利，加快新质生产力形成。
表5列（3）、（4）为纳入资本结构偏离度（LEV）的回归结果。列（3）第一阶段回归可看出，数据一资本协同（D*K）对资本结构偏离度（LEV）在1%水平上显着为负，表明数据一资本协同可显着降低企业实际资本结构与目标资本结构的偏离程度。而列（4）第二阶段回归中，考虑到渠道2会受到渠道1的间接影响，将资产负债率（TDR）和资本偏离程度（LEV）作为内生变量纳入模型。结果显示，在控制TDR的同时，LEV对新质生产力的影响依旧显着，数据一资本要素协同可推动企业资本结构不断优化，有助于资本偏向更具比较优势的新兴产业，提高新质生产力水平，验证假设4。值得一提的是，TDR的估计系数也显着，为理论部分中介机制存在量变到质变的突破提供了经验证据。数据一资本要素协同通过降低资产负债率和优化资本结构偏离度，为新质生产力提供财务保障和健康的资本结构支撑，两种作用渠道也是递进式跃升。
3.5异质性检验
习近平总书记强调，要“因地制宜发展新质生产力”。数据要素作为状态依赖性生产要素，不同企业属性都会影响其相对价格和报酬属性，进而改变要素禀赋结构决定下的比较优势，冲击新质生产力。因此，有必要检验不同企业类型下数据一传统要素协同对新质生产力水平的异质性影响。
3.5.1环境污染类型
新质生产力不仅是先进生产力，更是绿色生产力，重污染企业所排放的污染物阻碍绿色生产力质态的形成。按照环境污染类型分为重污染企业和非重污染企业，结果见表6列（1）～（4）。虽然数据一劳动力协同和数据一资本协同对新质生产力的促进作用因环境污染程度而异，但对比数据一资本协同，重污染企业对数据一劳动力协同提升新质生产力的阻碍作用更为明显。可能的原因是，即使环境污染对资本要素带来的非绿色影响不确定，严重碳排放的生产过程也会直接把参与生产的劳动力变为同质的非绿色、低技能劳动力，并增加劳动力的工作量，降低生产效率，会阻碍产业绿色化发展，从而影响新质生产力发展。这一结果也符合习近平总书记关于“新质生产力本质上就是绿色生产力”的理论阐述，进一步证明构建新质生产力水平指标体系时考虑环境治理和绿色创新等子指标是合理的。
3.5.2技术认定类型
高新技术企业主要从事研发创新和技术成果转化工作，对数据要素介入传统生产的创新模式更为敏感。以企业得到国家高新技术企业认证为高新技术企业标准检验企业技术异质性。结果见表6列（5）～（8）。相比非高新技术企业，高新技术企业数据一传统要素协同对新质生产力的提升效果更显着。具备创新主动型的高新技术企业将经济剩余投入到数据要素与传统要素协同配置中，数据转化为知识和技术，以知识扩散和技术溢出推高新质生产力发展。
4研究结论与政策启示
本文选取2015～2023年A股上市公司数据，考察数据要素与传统要素的协同配置对企业新质生产力的影响及其传导机制。通过一系列稳健性及内生性检验，证明了：（1）数据一传统要素协同能有效提升新质生产力；（2）相比数据一资本协同，数据一劳动力协同更有助于企业新质生产力形成；（3）劳动生产率和劳动力结构是数据一劳动力协同影响新质生产力的中介路径，资产负债率和资本结构是数据一资本协同影响新质生产力的中介机制，各方中介机制之间遵循比较优势变化中量变向质变的递进式跃升；（4）高新技术企业和非重污染企业中，多要素协同配置更有助于企业新质生产力形成。基于此，对中国新质生产力发展提出如下政策建议：
（1）政策制定者应全面客观地评估企业新质生产力水平，实现新要素、新技术和新产业与资源协同的高效匹配。数据一劳动力协同更能提升新质生产力水平，政府应优先引导劳动力投入到数字化转型的企业，强化要素配置优化机制产生综合效应：通过完善“数据要素×”政策，根据数据要素渗透率为企业提供高素质劳动力支撑，进一步放大数据要素的价值创造效应，形成新质生产力。
（2）为加快量变向质变的突破，政府应不遗余力将提高劳动力质量和优化资本结构作为主攻方向之一。要以提升劳动者技能为目标，多渠道推动高等教育和职业教育的优质均衡发展、提高教师队伍的数字素养、引导教育数字化转型，加快培育壮大国家战略数字化人才力量：同时以开发数据要素增值属性为目标，鼓励和引导政府财政和社会资本向数字技术和数据要素密集型企业倾斜。值得注意的是，在提升高技能劳动力和拓展可持续资本增值能力的过程中，政府应当警惕高技能劳动力需求“挤出”冲击和数字技术创新商品化对现有监管机制的“失范”冲击，不仅要有针对性地提升社会失业救济保障力度、完善劳动力市场再就业或技能培训制度，为低技能劳动者提供岗位适配性培训：而且要完善“防控与促进”并举的数字化治理规范，构建以政府部门为主导，消费者、社会组织、企业等多方利益主体共同参与的监管模式，以最大限度缓解数据要素与传统要素协同过程中可能出现的结构性失业。
（3）地方政府应因企制宜，分类施策做好有为政府。重点支持高新技术与非重污染企业，提供市场准人便利化，向这类企业倾斜。在市场准人、审批许可、研发创新等方面为其创造充足的发展空间，积极建立企业生产大数据“灯塔”试点，鼓励企业间技术共享，以数据要素驱动新质生产力发展。
