这是一篇金融学硕士论文，本文的研究为实现“数据红利”向“共富效能”的有效转化提供了重要参考价值。
第 1 章 绪 论
1.1 研究背景与意义
1.1.1 研究背景治国之道，富民为始。共同富裕是社会主义的本质要求，是社会主义区别于资本主义的重要标志，是人民群众的共同期盼。党的十八大以来，以习近平同志为核心的党中央深刻把握我国经济社会发展阶段的新变化，围绕新时代推进共同富裕问题提出了一系列富有创见的新理念新思想新战略，将逐步实现共同富裕放在治国理政愈加突出的位置。在新时代的背景下，逐步实现共同富裕已被明确树立为党和国家的重要奋斗目标与使命，被正式纳入核心决策议程之中，深刻凸显新时代推进共同富裕的必要性、紧迫性与重要性。党的二十大报告明确指出，中国式现代化的本质要求之一是实现全体人民共同富裕，并强调了到 2035 年，我国发展的总体目标之一就是使“全体人民共同富裕取得更为明显的实质性进展”。共同富裕目标的设定，体现共同富裕在中国经济发展中的重要地位。党的二十届三中全会审议通过的《中共中央关于进一步全面深化改革、推进中国式现代化的决定》明确指出，必须着力提升人民群众生活水平，健全收入分配机制与就业政策体系，确保全体人民在实现共同富裕道路上取得更加显著的实质性成效。
目录
摘要
Abstract
第1章 绪论
第2章 共同富裕的内涵与测度指标构建
第3章 理论分析与研究假设
第4章 模型构建、变量与数据
第5章 公共数据开放与共同富裕的实证分析
第6章 异质性分析
第7章 结论与政策建议
参考文献
1.1.2 研究意义在理论层面，本研究重点关注公共数据开放对共同富裕的作用机制，不仅拓展了共同富裕相关研究，还为包含数据要素的经济增长理论提供了微观层面的实证支持。公共数据开放作为数字政府提供的新型公共服务，尽管学界普遍预期其将产生显著的社会经济价值，但现有研究主要基于公共管理学的分析框架，例如探讨权利基础、评估开放水平或分析影响因素，而对数据开放如何创造价值乃至是否真正创造价值的研究相对不足。此外，除使用双重差分法外，本文将运用较为前沿的机器学习方法进行异质性的效应分析，进一步提高结果的可信度。在实践层面，本研究通过量化分析数据要素开放共享的经济影响，为完善数据资源体系建设、充分释放数据要素价值提供了重要的实证依据和政策启示。本文通过机制分析与协变量分析，了解公共数据开放对共同富裕效应如何取决于城市特征，便可以更好地理解公共数据开放经济效应产生的核心机制和内在渠道。同时，现有研究成果为数字智能时代有效利用数据要素价值、充分挖掘数据要素潜力以及推动全民共同富裕目标的实现提供了实证依据。本文进而为推进公共数据高质量开放、促进共同富裕提出有价值的政策建议。
1.2 文献综述
1.2.1 共同富裕的相关研究共同富裕的实现路径既是经济社会发展面临的现实挑战，也成为学界广泛关注的研究议题。围绕这一主题，众多学者从概念界定、测量指标体系构建、驱动因素分析等维度展开了深入探讨，取得了丰硕的研究成果。本文在系统梳理国内外共同富裕相关文献的基础上，将现有研究主要归纳为以下几个研究方向：
1.2.1.1 共同富裕的内涵共同富裕的内涵近年来得到了日益丰富和多元化的探讨。刘培林等（2021）从以下三个维度阐释了共同富裕的内涵：在政治层面体现为国家富强与人民共同富裕的社会主义本质要求；在经济层面表现为全体人民共同创造并共享物质与精神财富的发展过程；在社会层面则指向形成以中等收入群体为主体的“橄榄型”分配格局和社会结构。李实（2021）则强调共同富裕具有“富裕”与“共享”的双重属性，指出经济增长与社会财富公平分配的重要性。而李毅（2021）则从经济、社会及日常生活等多个角度深化了对共同富裕的理解，强调了收入与财富水平、基本公共服务均等化以及良好生活理念与习惯的重要性。具体而言，经济维度关注收入和财富水平及其分配机制；社会维度聚焦基本公共服务均等化；日常生活维度则涉及居民生活方式和理念的优化提升。
第 2 章 共同富裕的内涵与测度指标构建
2.1 共同富裕的内涵及思想演变在研究共同富裕测度指标及发展现状之前，有必要系统梳理共同富裕思想的历史演进过程。这一理念的形成经历了三个重要发展阶段：首先萌芽于我国传统文化中的“大同”思想，后在马克思主义理论中得到深化，最终在中国特色社会主义实践中被赋予新的时代内涵。改革开放以来，共同富裕思想经历了从“先富带后富”到“共享发展成果”的演进，党的十八大后更被确立为社会主义现代化建设的重要目标。理解这一思想演变脉络，有助于准确把握共同富裕的本质特征和当代价值，为后续测度指标体系的构建提供理论基础。
2.1.1 共同富裕的初步探索新中国成立后，中国共产党成为执政党，为全体人民实现共同富裕创造了必要的政治条件和体制保障，由此迈出了全民共同致富的历史性步伐。早在 20 世纪 50 年代初，毛泽东同志就明确提出了“共同富裕”的发展理念，强调必须通过推进农业社会主义改造，坚持社会主义发展道路，才能“使农民能够逐步完全摆脱贫困的状况而取得共同富裕和普遍繁荣的生活”①。邓小平同志把共同富裕提升到社会主义本质属性的高度，强调“社会主义最大的优越性就是共同富裕，这是体现社会主义本质的一个东西”，“社会主义不是少数人富起来、大多数人穷”，“社会主义与资本主义不同的特点就是共同富裕，不搞两极分化”②。在促进共同富裕的实践探索中，江泽民同志实施了一系列关键政策措施，重点涵盖收入分配制度改革、西部区域发展战略以及东北工业基地振兴规划等，着力缓解社会收入差距问题。胡锦涛同志着重指出要通过构建和谐社会与践行科学发展理念，使经济发展成果实现全民共享，在推动社会经济持续发展的同时逐步缩小居民收入分配差异。
第 3 章 理论分析与研究假设
3.1 理论基础
3.1.1 数据要素相关理论
3.1.1.1 非竞争性在传统经济体系中，绝大多数资源具有显著的竞争性特征（Samuelson，1954），即资源在特定时空条件下仅能被单一主体使用，其价值往往随使用过程发生不可逆的耗损或转移。而数据要素展现出了非竞争性：首先，其可同时支撑多主体、多场景的协同应用，且在重复使用过程中不仅不会产生价值折损，反而可能通过数据融合与算法迭代实现价值增值；其次，这种非竞争性特征还延伸至数据生产环节，典型表现为特定场景中的同一行为数据可被不同采集主体并行获取。需要强调的是，尽管数据要素的非竞争性特征与公共物品理论存在概念关联，但二者在本质属性与作用机制上存在显著差异。根据公共经济学经典理论，非竞争性作为公共物品的核心属性，主要体现在消费环节的非排他性特征。然而数据要素的权属结构显然不符合公共物品的法定定义：其一，从产权维度来看，数据要素的权属关系可通过技术手段和法律制度实现有效界定（Jones 和 Tonetti，2020），这与公共物品的非排他性本质存在根本区别；其二，在作用机制层面，数据要素的非竞争性不仅体现在使用环节的共享特性，更表现为生产环节的多主体同步采集能力，这种双重非竞争性特征突破了传统公共物品理论的解释范畴。这种理论创新为数字经济时代生产要素理论的发展提供了新的研究进路。3.1.1.2 非排他性数据要素的非排他性是其区别于传统生产要素的关键属性。这一概念与非竞争性同属公共经济学理论框架，共同构成公共物品与私人物品划分的基础准则。具体而言，排他性表现为消费者对物品所有权具有绝对控制权，从而限制其他个体的使用权限；而公共产品的非排他性则体现为产权归属的非专属性，致使任何使用者均无法有效限制他人共享使用。数据要素本质上不属于公共物品范畴，理论上应具备排他性特征。但其生成过程的技术特性与数字化载体的物理形态，使其呈现出显著的非排他性或仅具备有限排他性。数据生产通常涉及多元主体参与，涵盖产品供需方、第三方平台及网络电信运营商等，导致数据自生成阶段即同时分布于多个主体。此外，各主体对数据资源的共同持有状态，叠加比特形态在互联网中的高传播性特征，显著扩大了数据要素的扩散边界，最终形成使用过程中的非排他性特征。公共数据资源既不同于矿藏、水流、森林等《中华人民共和国宪法》（以下简称《宪法》）第 9 条所规定的自然资源，也不同于公共设施或服务等其他类型的公共资源。它具有非排他性和非竞争性的特点。一旦公共数据合法合规生成并公开，几乎不可能阻止他人获取和使用。只要在数据开放平台上，除通过技术方式控制境外访问或下载外，任何有网络接入的主体都能访问和下载，无法将特定主体排除在外。但是，与采伐林木、捕捞海鱼、开凿矿产以及使用公共设施、享受公共服务都不同，公共数据资源又具有非竞争性，一个自然人或组织去使用特定公共数据，并不会减少其他人使用的机会或贬损其他人使用的价值。
第 4 章 模型构建、变量与数据
4.1 模型构建考虑到各地区公共数据开放平台建设进度不一，本研究运用多期双重差分方法构建基准回归框架，系统考察公共数据开放政策对共同富裕的作用效果。模型的具体设定形式如下所示：𝐀𝠀𝐀𝐀,𝐀 = 𝐀0 + 𝐀1𝐀𝐀𝐀,𝐀 + 𝐀𝐀𝐀𝠀𝐀𝐀𝐀𝠀𡰀𡰀𝐀,𝐀 + 𝐀𝐀 + 𝐀𝐀 + 𝐀𝐀,𝐀 （4-1）式（4-1）中，𝐀和𝐀分别表示城市和年份；被解释变量𝐀𝠀𝐀𝐀,𝐀表示城市𝐀在年份𝐀的共同富裕水平，该指标由表 2-1 所构建的指标体系计算得到；解释变量𝐀𝐀𝐀,𝐀为虚拟变量，若城市𝐀在年份𝐀上线了公共数据开放平台，则取值为 1，否则取 0；𝐀𝠀𝐀𝐀𝐀𝠀𡰀𡰀𝐀,𝐀表示若干控制变量，用于控制除公共数据开放平台建设外其他可能对城市共同富裕产生影响的各类因素；𝐀𝐀和𝐀𝐀分别代表城市固定效应和时间固定效应，用于控制不随时间变化的城市特征以及所有城市共同面临的时间趋势影响；𝐀𝐀,𝐀为随机扰动项。4.2 变量定义与数据来源4.2.1 共同富裕变量定义本文采用表 2-1 所构建的共同富裕指数作为代理变量。该指标由富裕度、共同度和可持续度三个一级指标构成，并从城乡差距、产业差距、区域内差距和区域间差距四个维度衡量共同度，从物质富裕和精神富裕两个维度衡量富裕度，从生态治理和发展质量两个维度衡量可持续度。富裕度、共同度和可持续度构成了共同富裕概念的关键维度。鉴于此，为了深入探究公共数据开放对这些维度各自的具体影响，本研究采用了这三个子指标进行回归分析，并将此作为主要的回归分析结果予以展示。
4.2.2 公共数据开放变量定义地方政府构建的数据开放平台为考察公共数据开放政策效应提供了良好的准自然实验环境。本研究界定的公共数据需满足四个基本特征：原始性、机器可读性、社会可用性和公共属性。基于此，公共数据开放平台需符合三项标准：第一，提供未经加工或解释的初始数据；第二，提供可直接被计算机系统识别处理、无需额外技术转换的标准化数据集；第三，其发布的数据资源面向社会公众开放使用，部分数据可能需要申请获取。研究采用以下步骤确定平台建设情况：首先，通过检索地方政府公告和学术文献，确认各地是否建立了统一的公共数据开放平台，并记录其正式运营时间。其次，为确保数据准确性，将收集的信息与复旦大学 DMG 实验室《2022 中国地方政府数据开放报告（城市）》进行比对验证。最后，构建城市-年度层面的虚拟变量，若某城市在某年度已建成公共数据开放平台则赋值为 1，否则为 0。表4-1 详细列示了各城市平台上线时间的具体信息。
第 5 章 公共数据开放与共同富裕的实证分析
5.1 基准回归结果本文采用普通最小二乘法对式（4-1）进行了估计，回归结果见表 5-1。其中，列（1）报告了仅包含解释变量的回归结果，而列（2）则在此基础上进一步纳入了其他控制变量。估计结果显示，公共数据开放（DATA）的回归系数均显著为正，这表明公共数据开放对区域共同富裕水平有显著的促进作用，公共数据开放平台的上线使得共同富裕水平平均提升了 1.72%①。本文假说 1 得以验证。此外，表 5-1 的列（3）至列（5）分别报告了公共数据开放对共同度、富裕度和可持续度的影响。列（4）和列（5）的结果显示，公共数据开放对富裕度和可持续度均有显著的正向影响，这表明，公共数据开放不仅有效推动了区域经济的繁荣，还成为城市可持续发展的重要驱动之一。此外，列（3）结果表明，公共数据开放对共同度的影响并不显著，这可能是由于本文构建的共同度指标涉及区域内、区域间、城乡间以及产业间的差距，这些差距的缩小往往是一个长期且多维度的过程（陈宗胜和杨希雷，2023），公共数据开放对共同度的影响可能需要通过更为长期的时间来实现。
第 6 章 异质性分析
本章首先从区域要素禀赋、数字普惠金融水平、区域创业活力、数字经济发展水平四个方面，基于传统的分组方法进行异质性分析。进一步地，尽管传统分组回归方法能够识别组间异质性，但其分析框架受限于线性假设，难以有效捕捉多维协变量间的非线性交互效应。为了能更精确地评估公共数据开放对区域共同富裕的平均处理效应及其个体层面的处理效应，本文进而使用因果森林的方法估计公共数据开放的处理效应，并通过变量重要性分析识别关键城市特征。
6.1 基于分组的异质性分析该部分将进一步验证本文的假说 4，主要的分析思路如下：公共数据的开放程度及其利用效率显著受制于区域资源禀赋的丰富程度，这一因素从根本上决定了数据资源转化为区域发展动能的能力，进而对共同富裕的实现路径产生深远影响。同时，金融资源的配置、区域创新创业生态系统以及数字经济的发达水平，也调节着公共数据开放对共同富裕的促进作用。因此，该部分将依据以下四个方面进行分组，以开展异质性分析。
6.1.1 区域要素禀赋异质性地理区位特征与要素集聚程度相关，高质量生产要素可以推动地区经济的全面进步及个体福祉的普遍提升（王正攀和周学馨，2024）。由于沿海地区人口众多且要素集聚度较高（曹忠祥和高国力，2015），本文将样本划分为沿海地区与非沿海地区以表征地区聚集效应的高低，进而分样本探究公共数据开放对不同要素禀赋地区的共同富裕影响的异质性。表 6-1 列（1）和列（2）的结果显示，相较于非沿海（低集聚）地区，公共数据开放对沿海（高集聚）地区的共同富裕的促进作用更加显著。这是因为，沿海地区本身聚集了大量的优质要素，为公共数据的深度挖掘与高效利用创造了有利条件。公共数据开放通过促进数据要素的顺畅流通与广泛共享，可能进一步催化数据要素与其他生产要素（如人才、金融等）的协同增效，从而释放数据的潜在价值，进而提升了整体经济效能，并强化了公共数据开放对共同富裕的促进作用。
第 7 章 结论与政策建议
7.1 结论实现共同富裕是中国式现代化的本质要求，而在数字经济时代背景下，这一目标的达成显得尤为重要。在传统物质生产力向数字生产力演进的历史进程中，数据已发展成为数字经济时代的基础性战略资源、核心生产动能及关键要素构成。这一发展新阶段中，数据与劳动、资本、土地等传统生产要素协同参与财富创造过程，展现其特殊功能，成为助推我国共同富裕战略实施的核心驱动力。通过数据的开放与共享，可以有效推动资源的均衡配置，打破信息壁垒，提升生产效率，实现资源的公平分配。这不仅有助于缩小地区之间的发展差距，消弭数字鸿沟，还能促进社会资源更加平等和公正的分配，使更多人能够共享数字经济发展的红利。数据要素的充分利用和优化配置，将为推动共同富裕提供强劲的驱动力，同时也为中国式现代化的全面推进奠定坚实的基础。本文在构建多维度的共同富裕指标体系的基础上，以我国地方政府推动公共数据开放平台上线为准自然实验，利用 2009-2021 年中国 281 个城市的面板数据，系统考察了数据要素对共同富裕的影响效应及其传导机制。研究发现，公共数据开放显著提升了区域共同富裕水平，平均提升幅度为 1.72%，该结论通过了平行趋势检验、安慰剂检验等一系列稳健性检验。此外，本文分析了公共数据开放对共同富裕一级指标（共同度、富裕度、可持续度）的影响。结果显示，公共数据开放有助于提高富裕度和可持续度，但对共同度影响不显著，或因缩小区域差距是一个长期且多维度的过程，需更长时间显现其对共同度的影响。机制分析表明，公共数据开放通过优化人口资源与金融资源的空间配置、降低行政分割导致的要素流动壁垒，形成了要素整合的协同效应。此外，异质性分析表明，区域要素禀赋、数字普惠金融、区域创业活力和数字经济水平等强化了公共数据开放的共同富裕促进效应。此外本文还基于因果森林方法进一步展开分析，发现了城市产业结构、劳动力工资水平和城市金融资源等要素在效应传导过程中的关键性作用。本文的研究为实现“数据红利”向“共富效能”的有效转化提供了重要参考价值。
7.2 政策启示此外，本文的研究结论对于深化数据资源体系建设、激发数据要素潜能具有一定启示。
参考文献
[1] Agrawal A, Mchale J, Oettl A. Finding needles in haystacks: Artificialintelligence and recombinant growth[R]. NBER Chapters, 2018.
[2] Athey S, Imbens G. Recursive partitioning for heterogeneous causal effects[J].Proceedings of the National Academy of Sciences, 2016, 113(27): 7353-7360.
[3] Athey S, Tibshirani J, Wager S. Generalized random forests[J]. The Annals ofStatistics, 2019, 47(2): 1148‒1178.
[4] Breiman L. Bagging predictors [J]. Machine Learning, 1996, 24(2): 123-140.
[5] Davis J M V, Heller S B. Using causal forests to predict treatment heterogeneity:An application to summer jobs[J]. American Economic Review, 2017, 107(5):546-550.
[6] De Chaisemartin C, d ’ Haultfoeuille X. Two-way fixed effects estimators withheterogeneous treatment effects[J]. American Economic Review, 2020, 110(9):2964-2996.
[7] Farboodi M, Veldkamp L. A growth model of the data economy[R]. WorkingPapers 28427, 2021.
[8] Furman J L, Nagler M, Watzinger M. Disclosure and subsequent innovation:Evidence from the patent depository library program[J]. American EconomicJournal: Economic Policy, 2021, 13(4): 239-270.
[9] George A. The market for lemons: Quality uncertainty and the marketmechanism[J]. Quarterly Journal of Economics, 1970, 84(03): 488-500.[10] Goldfarb A, Tucker C. Digital economics[J]. Journal of Economic Literature,2019, 57(1): 3-43.
[11] Goodman-Bacon A. The long-run effects of childhood insurance coverage:Medicaid implementation, adult health, and labor market outcomes[J]. AmericanEconomic Review, 2021, 111(8): 2550-2593.
[12] Jones C L, Tonetti C. Nonrivalry and the economics of data[J]. AmericanEconomic Review, 2020,110(9): 2819-2858.
[13] Knittel C R, Stolper S. Machine learning about treatment effect heterogeneity:The case of household energy use[J]. AEA Papers and Proceedings, 2021, 111:440-444.
[14] Koster H R A, Ozgen C. Cities and tasks[J]. Journal of Urban Economics, 2021,126: 103386.
[15] Lee C C, Lee C C. How does green finance affect green total factor productivity?Evidence from China[J]. Energy Economics, 2022, 107: 105863.
[16] Lei Y, Yang J, Liu Z. The impact of open government data on entrepreneurialactivity: A quasi-experiment with machine learning[J]. Journal of Asian PublicPolicy, 2023: 1-32.
[17] Nagaraj A. The private impact of public data: Landsat satellite maps increasedgold discoveries and encouraged entry[J]. Management Science, 2022, 68(1):564-582.