数据要素、数据挖掘与中国服务业生产率提升——来自双重机器学习的因果推断

数字经济时代下数据要素的出现为实现服务业生产率进一步提升提供了新的可能。本文基于2012—2019年中国省际面板数据,使用双重机器学习方法探究了数据要素影响服务业生产率提升的效应、作用机制与异质性表现。研究发现,数据要素显著促进中国服务业生产率提升;数据挖掘能力的提高增强了数据要素对服务业生产率提升的效应;数据要素更有助于生活性服务业以及中国东部和南方地区服务业的生产率提升。

数字乡村建设是否推动了农村产业融合——基于双重机器学习的因果推断

采用2011—2020年中国30个省份的面板数据,运用双重机器学习模型实证检验了数字乡村建设对农村产业融合发展的影响效应及内在机制。结果表明:数字乡村建设显著促进了农村产业融合发展,且数字乡村建设四个子维度均能够推动农村产业融合。机制分析表明,数字乡村建设能够通过缓解城乡要素错配、调整农业产业结构与促进农业技术进步来推动农村产业融合。异质性结果表明,相较于粮食主产区和东部地区,数字乡村建设赋能农村产业融合发展的效应在非粮食主产区和中西部地区更为明显。最后,围绕加快数字乡村建设、制定差异化策略以及优化城乡资源配置三方面提出政策建议。

农业生产性服务业对农业高质量发展的影响研究——基于双重机器学习模型

本文基于2010—2021年我国30个省份的面板数据设定双重机器学习模型,验证了农业生产性服务业对农业高质量发展的影响、作用机制及异质性特征。研究发现:农业生产性服务业对农业高质量发展具有显著的促进作用,该作用是通过专业化效应和规模效应实现的,采取多种稳健性检验后,该结论依旧成立;农业生产性服务业对创新、协调、绿色、开放维度存在显著的促进作用,但其发展成果全民共享的目标尚未实现;对东部地区、粮食主销区和数字经济发展水平较高的地区,农业生产性服务业对农业高质量发展的促进作用更显著。根据研究结论,本文提出,应继续推进农业生产性服务业发展模式创新和“数智化”转型,使其更好地赋能农业高质量发展。

财政纵向失衡对城市绿色全要素生产率的影响——双重机器学习下来自土地财政视角的理论阐释

本文在推动绿色发展的时代背景下,从土地财政的角度为财政纵向失衡如何影响城市绿色全要素生产率提供一种新的理论阐释,并进一步量化分析异质性环境规制情境下影响机制的适用范围。具体而言,本文在利用网络爬虫技术手工整理匹配百万条土地交易信息以及使用两期前沿技术下的曼奎斯特-卢恩伯格指数测度城市绿色全要素生产率的基础上,基于2007—2019年的城市面板数据,运用双重机器学习模型、倾向得分匹配方法等进行了多维检验。研究发现,财政纵向失衡推动了土地财政规模的扩张,阻碍了城市绿色全要素生产率,并且土地财政是重要影响渠道。进一步分析发现,传导渠道会受到环境规制的调节影响,在低环境规制情境下,作用机制的适用性更强。考虑城市异质性特征发现,财政纵向失衡对三线以下城市、非资源型城市以及内陆城市绿色全要素生产率的阻碍作用更强。由此,本文提出完善纵向转移支付体系,降低地方政府对土地财政过度依赖的政策建议。

银行竞争、企业债务与“脱虚向实”——基于双重机器学习方法

本文以2009年中国银监会降低中小商业银行设立分支机构的准入门槛作为外生事件,实证检验了银行业竞争加剧对企业债务和投资带来的影响。在实证方法上,本文采用双重机器学习模型进行因果识别,该方法能克服传统线性回归的模型误设和机器学习模型的正则偏误问题。本文研究发现:银行业竞争加剧能显著降低企业负债成本,提高企业长期借款的融资能力,并促进企业“脱虚向实”。在异质性分析中,本文发现银行竞争所带来的正面影响在小规模企业中表现得更为显著。本文研究对于解决中小企业“融资难融资贵”,改善企业金融化现象,以及优化金融资源配置具有重要启示。

数字经济如何赋能高质量出口——基于双重机器学习的因果推断

为了研究数字经济对高质量出口的影响及其作用机制,立足于数字经济“去边界性”的核心特征属性,从本土市场整合与创新范式重塑两条路径入手探讨数字经济影响高质量出口的理论逻辑,构建2010—2020年281个地级及以上城市面板数据集,采用双重机器学习模型实证检验了数字经济影响高质量出口的作用路径及其影响效果。研究认为,数字经济发展能够显著促进高质量出口,该促进作用主要通过本土市场整合与创新范式重塑来实现;数字经济对高质量出口的正向影响在城市间存在非对称性,具体而言,对于地理优势不明显的内陆以及政策支持力度较弱的地区,数字经济对其出口质量提升的驱动作用更加明显,能够极大释放增量红利。研究表明,需加快提高数字技术原始创新能力,积极推进信息数据资源的流通共享,来培育中国出口贸易新优势;持续推动国内市场的高效畅通和规模拓展,优化国内区域布局;采用差别性政策针对不同地区引导贸易高质量发展。

双重机器学习处理效应估计的蒙特卡洛模拟

基于机器学习进行因果推断是学术界研究的一个热点,双重机器学习是最新的因果效应估计方法之一,然而,相关理论并没有对不同机器学习方法之间的选择提供指导。鉴于此,文章运用蒙特卡洛模拟方法,研究不同情况下常见机器学习方法在双重机器学习处理效应估计中的表现,比较分析各种机器学习方法的估计结果,研究发现:基于不同机器学习方法的因果效应估计结果存在明显差异,双重机器学习方法的表现受到非线性函数形式以及样本容量的大小的影响;最后,在此基础上提出对机器学习方法选择的建议。

数字经济对城市ESG发展的影响——基于双重机器学习方法的检验

数字经济已成为推动城市可持续发展的重要动力。在生态环境(Environment)、社会生活(Society)、产业治理(Governance)视角下构建了城市ESG指标体系,并基于2011—2021年285个城市数据,探究城市ESG发展空间格局的演进特征,然后运用双重机器学习的研究方法分析数字经济对城市ESG发展的影响。结果发现:①城市ESG发展的空间分布具有明显的地域差异特征,最终形成以城市群为载体的高水平集聚地。②数字经济发展会正向提升以生态环境、社会生活、产业治理为内涵的城市ESG发展水平,该结论通过了多种稳健性检验。数字经济分维度而言,数字产业发展与数字创新能力为城市的ESG发展提供了重要的支撑和动力。③城市功能分工及创新创业活力是数字经济对城市ESG发展影响的重要渠道。此外,基于空间异质性检验发现,数字经济对东部、西部地区以及城市群区域的城市ESG发展的提升作用更明显。

网络基础设施、包容性绿色增长与地区差距——基于双重机器学习的因果推断

党的二十大报告指出要推动经济实现质的有效提升和量的合理增长。全球数字化浪潮下,网络基础设施对中国践行更为绿色、更具包容性的经济增长路径产生了深远影响。本文基于2010~2020年中国城市层面数据,在测算282个地级及以上城市包容性绿色增长水平的基础上,以“宽带中国”战略为准自然实验,采用双重机器学习模型探究了网络基础设施对城市包容性绿色增长的影响效应及内在机制,并进一步考察了网络基础设施的区域协调效应。研究发现:网络基础设施的推广普及对城市包容性绿色增长具有显著正向影响,尤其体现在促进经济增长和改善收入分配格局方面;就影响机制而言,网络基础设施能够通过提升城市创新水平、鼓励大众创业行为、改善居民就业质量以及促进数字普惠金融发展来影响包容性绿色增长;与交通基础设施相比,网络基础设施对包容性绿色增长的正向影响更甚,且对不同类型城市具有异质性表现;另外,网络基础设施弱化了传统地理优势,能够在全国、地区以及省份层面降低经济发展差距,具有显著的区域协调效应。本文不仅进一步完善了包容性绿色增长的现有分析框架,更为政府推动宽带战略落地、缩小区域发展差距以及促进经济高质量发展提供政策启示。

军民融合能降低高新技术企业权益融资成本吗?——基于双重机器学习的实证研究

自我国经济发展进入新常态以来,军民融合发展战略的地位得到了巨大提升,军民融合过程离不开金融支持.因此,民参军作为军民融合战略的重要组成,探索权益资本市场资金支持民参军企业融资的可行性及民参军行为对高新技术企业股权资本成本的影响特点具有重要意义.本文基于2010-2021年94家民参军高新技术企业的财务数据、交易数据进行实证分析,为克服传统因果推断模型线性设定的局限性,同时保持在高维控制变量下因果推断效应的估计精度,本文利用双重机器学习框架研究了民参军对高新技术企业股权资本成本的影响、特点及作用机制.研究结果发现,民参军行为可以降低高新技术企业股权资本成本,且这种影响对于国有企业更加显著,进一步分析该影响的作用机制可以发现,民参军是通过影响分析师和投资者关注度,降低信息风险和股票流动性风险,进而实现股权资本成本的降低.基于这些分析结果,本文提出了相应的对策建议.

数字经济、市场潜能与乡村振兴——基于双重机器学习的因果推断

基于2009—2019年中国城市层面数据,在测算294个地级市乡村振兴发展水平的基础上,以“宽带中国”战略作为数字经济发展的代理变量,采用双重机器学习模型探究数字经济发展对乡村振兴的影响效应及内在机制。研究发现,数字经济对乡村振兴发展具有显著正向影响;就传导机制而言,数字经济通过激发地区市场潜能和扩大农村消费市场的方式促进了乡村振兴。异质性结果表明,东部地区和中心城市周边的农村地区受数字经济发展红利的正向外溢效应更多。

数据要素是推动中国服务业增长的新动能吗——来自机器学习的估计

服务业增长对经济发展具有重要贡献,然而在传统要素推动中国服务业增长动能不足的情况下,寻找新动能就成为推动服务业进一步增长的有效途径。从理论与实证两个层面开展研究,提出数据要素促进服务业增长的数据挖掘机制以及边际收益递减规律,同时建立包括30种要素在内的影响服务业增长的投入要素指标体系,并基于中国2012-2019年省际面板数据,使用双重机器学习、随机森林以及两种“黑盒”模型解释工具,就数据要素对服务业增长的促进效应、贡献和边际收益进行了检验。研究发现,数据要素是推动中国服务业增长的新动能,在推动服务业增长中遵循边际收益递减规律,并且随着时间的推移,数据要素对中国服务业增长的促进效应逐渐增强、贡献越来越大。相比于生活性服务业,数据要素对生产性服务业增长的促进效应更明显。因此,就政策层面而言,政府需要注重扩大数据要素规模,加强数据挖掘人才培养,并促进数据要素有序发展;就企业层面而言,服务业企业需要积极采集数据资源,努力提高数据分析能力,进而有效提炼有价值的信息,促进服务业进一步发展。

混合所有制改革、政治关联与企业创新——基于双重/无偏机器学习方法

基于2008—2019年我国国有上市企业混合所有制改革样本数据,使用双重/无偏机器学习方法,研究国有企业混合所有制改革对企业创新水平的影响,为时下进行的国有企业混合所有制改革提供参考借鉴。研究表明,国有企业混合所有制改革有效促进了企业创新水平的提升,同时,引入具有政治关联的民营股东能进一步提升企业的创新水平;进一步机制研究表明,国有企业混合所有制改革通过提高创新投入强度与改善创新效率两途径促进企业创新水平提升。

高管贫困经历与企业内部薪酬差距缩小:自我约束效应和移情效应的共同作用

使用2011—2021年沪深A股上市公司相关数据,探究高管贫困经历对企业内部薪酬差距的影响。研究发现,企业管理层的贫困经历能够缩小企业内部薪酬差距。机制分析表明,总经理的贫困经历可以通过“自我约束效应”降低在职消费水平,减少管理层薪酬;董事长贫困经历具有“移情效应”,能够提高企业职工薪酬占比,但同时董事长贫困经历也会削弱企业内部薪酬差距的激励作用,降低企业收入绩效,导致其对普通员工薪酬发挥的作用有限。对企业异质性特征的分析发现,总体而言,管理层贫困经历在非国有企业、员工议价能力较低企业、劳动密集型企业样本中发挥了更为积极的缩小企业内部薪酬差距的作用。

农村电子商务发展对林区内部收入差距与共同富裕的影响

[目的]在实现全体人民共同富裕的中国式现代化进程中,研究农村电子商务发展对林区内部收入差距与共同富裕的影响及其作用机制,为缩小农村内部收入差距、实现效率和公平有机统一、促进共同富裕提供有益参考。[方法]将“电子商务进农村综合示范政策”视为农村电子商务发展的一项“准自然试验”,基于2012-2020年中国家庭追踪调查(CFPS)5期面板数据,采用双重机器学习方法分析农村电子商务发展对宏观层面的林区各村庄内部所有林农家庭收入差距以及微观层面的各村庄内部单个林农家庭之间收入差距的影响及其作用机制,进而回答农村电子商务发展对实现共同富裕的作用。[结果]1)农村电子商务发展能够显著缩小林区各村庄内部所有林农家庭年收入的基尼系数和各村庄内部单个林农家庭之间的收入相对剥夺指数,即缩小林区内部收入差距,经过一系列稳健性检验后该结果仍然稳健。2)农村电子商务发展缩小林区内部收入差距主要通过显著提高低于40分位数和低于均值的低收入林农家庭的收入来实现,从而有利于促进共同富裕。3)促进林农家庭非农就业、提高林农家庭创业和增加林农家庭出售农产品价值是农村电子商务发展缩小林区内部收入差距的主要途径。4)农村电子商务发展对低技能水平、低社会资本和贫困线以下的林农家庭增收效应更大,表明农村电子商务发展具有很好的包容性。[结论]通过大型微观数据库的实证研究,验证农村电子商务作为数字经济的重要表现形式在林区发挥了公平与效率之间的平衡效应。在数字经济发展浪潮下,本研究不仅提供了农村电子商务在缩小林区内部收入差距方面的新经验证据,还为推动共同富裕提供了重要政策启示。

高管文理科教育背景与企业创新

本文旨在从CEO文理科教育背景差异对企业创新影响的角度提供一些经验证据。基于双重/无偏机器学习方法,本文研究发现:理工科教育背景的CEO对企业创新具有正向的促进效应,即相对于人文社科教育背景的CEO,理工科教育背景的CEO能显著提高企业创新。同时,高学历理工科教育背景的CEO对企业创新产出质量的正向影响更加明显。相对于高新企业而言,在一般企业中上述差异反而更显著。进一步机制研究表明,相对于人文社科背景的CEO,理工科教育背景的CEO倾向于通过加强企业创新团队建设、提高创新投入强度等途径促进企业创新。本文首次为企业高管的文理科教育背景差异对企业创新行为影响提供了经验证据。

企业垄断势力对财务杠杆操纵行为的影响研究

从市场竞争结构角度出发,采用2000~2020年中国沪深A股上市公司数据,通过传统计量方法和基于连续处理变量的非参数推断双重机器学习方法,考察不同垄断势力企业在杠杆操纵行为上的差异。研究表明:相较于高垄断势力企业,融资难度更大的低垄断势力企业存在更大的杠杆操纵动机;宽松货币政策会缓解企业财务杠杆操纵问题,但增加的资金供给更多流入高垄断势力企业,导致低垄断势力企业杠杆操纵程度下降幅度低于高垄断势力企业。

机器人使用如何影响女性生育意愿

新兴技术变革作为推动经济高质量发展的关键动力,其对生育观念的影响受到广泛关注。本文通过理论模型厘清机器人使用影响女性生育意愿的内在逻辑,并综合使用国际机器人联盟(IFR)公布的机器人安装数据和2018年家庭追踪调查数据(CFPS2018)进行实证检验。研究发现:(1)机器人使用降低了女性生育意愿,该结论在使用双重机器学习、双向固定效应模型等进行稳健性检验及使用工具变量处理内生性问题后依然成立;(2)机器人使用降低女性生育意愿的机制是谈判地位效应;(3)机器人使用对体制外的就业部门、劳动力成本高的地区、受宗族文化影响强的家庭的女性生育意愿的抑制效应更大;(4)以机器人为代表的新兴科技变革改变了家庭生育偏好,说明机器人使用有助于缓解性别比例失衡。同时,机器人使用还冲击了女性的“性别角色”观念,提高了女性在生育决策中的自主性。为此,可以通过健全产权保护制度,优化营商环境等措施,充分发挥机器人等新兴技术对经济高质发展的推动作用,缓解性别比例失衡。

控制因果识别中的混淆变量——基于机器学习的视角

回归分析在经济学中常被用于识别变量间的因果关系。然而,由于经济系统的复杂性与非线性,经典线性可加可分离的回归模型设定常被诟病。虽然非参数模型的假设更弱,但由于维度灾难的困扰,其较少应用于实证分析。除了线性可加可分离的回归模型和非参数模型外,机器学习算法提供了第三种灵活可行的建模方法。本文尝试梳理机器学习与传统计量经济学因果识别的交叉部分,并探讨了在控制混淆变量时的模型设定偏误问题。用于因果识别的双重机器学习方法极大放松了模型假设。源于回归树的因果树有望在异质性分析中带来更多新发现。最后仍需强调,相比于实验数据,通过观测数据识别获得的因果关系需要谨慎对待。

数据要素如何驱动制造业生产率提升

传统要素促进制造业生产率提升的作用不断下降,在制造业高质量发展的要求下,数据要素能否成为驱动制造业生产率提升的新动能是中国进入数字经济时代后亟待回答的问题。本文采用双重机器学习检验了数据要素对制造业生产率的影响。研究发现,数据要素能够通过提高数据挖掘水平与提升资本和技术效率促进制造业生产率提升;数据要素对技术密集型制造业以及中国东部、南方地区制造业生产率提升更为明显,同时数据要素对制造业生产率影响的南北差距小于东西差距;时间趋势分析表明,进入大数据元年后数据要素对中国制造业生产率提升的作用日益显著。