数据交易平台如何促进跨区域资本流动？基于联合投资网络的准实验研究

《Journal of Business Research》：How can data trading platforms promote cross-regional capital flow? A quasi-experiment based on syndication investment networks

　　陈一静|黄文丽|吴绵|曾海健
浙江财经大学，中国杭州

**摘要**
基于弱联系理论和路径依赖理论，本研究探讨了数据交易平台如何影响跨区域资本流动。通过利用中国分阶段推出的平台试点以及2009年至2023年的风险投资（VC）数据进行的准自然实验，我们发现这些平台显著促进了跨区域投资。机制分析揭示了两种途径：平台降低了联合投资网络的成本，并优化了网络结构，同时增强了VC机构的投资专业化能力。政策效应表现出空间不对称性——目标地区的试点促进了资本流入，而发起地区的试点则抑制了跨区域投资。此外，异质性分析表明，制造业企业和非国有企业受到的影响更为显著。我们的发现将弱联系理论和路径依赖理论扩展到了数字基础设施的背景下，为寻求降低区域资本壁垒的政策制定者提供了可行的见解。

**1. 引言**
风险投资（VC）作为跨区域资本流动的关键微观载体，在区域资源整合和创新扩散中发挥着重要作用（Chemmanur等人，2014；Dushnitsky和Yu，2022；Guo和Jiang，2013；Hsu等人，2014；Rajan和Zingales，1998）。然而，如图1所示，中国的跨区域VC流动呈现出明显的“核心-边缘”结构，投资活动高度集中在东部沿海地区，而中西部地区则相对较少（Chen，2010；Li等人，2022；Sun等人，2015）。尽管传统的基础设施（如高速铁路和高速公路）减少了物理距离障碍，但全球数字化进程的加速使数字基础设施成为VC领域的一个变革力量（Cornelli等人，2023；Goldfarb和Tucker，2019）。特别是数据交易平台，它作为一种制度化的数字基础设施，使得数据作为生产要素得以市场化流通和交易，而不仅仅是作为信息传输的渠道（Ge等人，2025）。

**图1. 2009–2023年中国跨省投资交易密度的变化**
注：数据来源于CV Source Database。图中的蓝色阴影表示设有数据交易平台省份。连接各省的箭头线表示跨区域投资和融资流动，线条粗细反映了交易频率。每个省份的圆圈中，橙色部分代表该省公司收到的投资额（流入投资），绿色部分代表该省机构进行的投资额（流出投资）。

数字基础设施降低了市场进入壁垒，提高了资本市场的信息传输和匹配效率（Feng等人，2024；Sun等人，2015）。然而，现有文献主要研究了VC与被投资企业之间的交易成本（Bernstein等人，2016；Cornelli等人，2023；Goldfarb和Tucker，2019；Li等人，2022），而较少探讨联合投资中共同投资者之间的协调和沟通成本。由于联合投资已成为中国当前VC领域的主要模式，因此理解联合投资网络的形成及其治理成本的结构变得至关重要。

在跨区域联合投资中，投资者不仅需要筛选远方的被投资企业，还需要与地理位置分散的共同投资者进行协调和信息共享（Cumming和Dai，2010；Hochberg等人，2010）。数据交易平台是一种新型的数字基础设施，促进了数据作为生产要素的市场化流通和交易（Ge等人，2025）。这一特性使它们在理论上非常适合VC的知识密集型特征，因为VC高度依赖跨机构和地理边界的信息公开。这些平台根植于中国政府“市场化配置数据要素”的战略布局，与一般的数字基础设施不同，它们通过标准化的数据产品、治理协议和交易规范，实现了合规、基于权利的数据交换（4）。因此，它们不仅缓解了技术摩擦（包括传输成本和地理限制），还减少了制度摩擦（如数据所有权不确定性、合规风险和交易对手可靠性问题）。这些制度摩擦在投资者之间的协调中尤为突出，尤其是在跨区域边界交换机密交易信息时存在显著的法律和关系不确定性。然而，这些制度摩擦及其减少如何转化为联合投资治理和网络形成尚未得到研究。

我们提出，数据交易平台通过两种互补机制促进跨区域VC投资：首先，平台通过降低投资者之间的协调制度成本，优化了跨区域联合投资网络结构；其次，平台通过提供合规且可互操作的数据产品，并促进对非本地创业环境的反复学习，增强了机构的投资专业化能力，从而提高了投资者在不熟悉地区的筛选和监控能力。这些机制扩大了中国VC市场中跨区域联合投资和资本流动的可行性范围。

为了验证这一观点，我们将弱联系理论（Granovetter，1985）与路径依赖理论（David，1985）结合起来，构建了两个分析上不同的联合投资网络层次：一个是捕捉本地省份（VC所在地）内机构之间联合投资关系的本地网络，另一个是捕捉目的省份（被投资企业所在地）内机构之间联合投资关系的目的网络。利用2009年至2023年中国VC交易的全面数据集，并利用数据交易平台试点这一外生政策冲击，我们发现数据交易平台显著促进了VC的跨区域投资。关键在于，这些平台优化了联合投资网络的结构，并增强了VC的投资专业化能力。首先，平台降低了目的联合投资网络内的沟通和投后监控成本，优化了跨区域网络结构；这一效应在政策实施前的网络地位较低的机构中更为明显，这与弱联系优势机制一致。其次，平台增强了目的市场的投资专业化能力，尤其是对于没有先前本地联合投资关系的新进入机构而言。这些发现表明，数据交易平台促进跨区域投资的效应在面临最高事前制度和信息障碍的机构中尤为显著。

**2. 文献综述与研究假设**
**2.1. 文献综述**
**2.1.1. 数字基础设施与跨区域投资**
数字基础设施指的是支持大规模信息交换、数据处理和跨代理及地区连接的技术和组织基础。基于交易成本经济学和信息摩擦视角，多项研究探讨了数字基础设施如何影响VC的跨区域投资（Feng等人，2024；Liu等人，2025；Sun等人，2015）。研究表明，数字连接的改进降低了市场进入壁垒，提高了信息传输效率，并通过减少搜索、监控和沟通成本，促进了更有效的资源分配（Du等人，2024；Goldfarb和Tucker，2019；Jin等人，2024）。此外，更好的数字基础设施改善了VC与创业者之间的匹配，促进了跨区域交易（Zook，2002；Yu等人，2023）。同时，也有研究强调数字技术通常是对面对面互动的补充，而非替代，并指出基于熟人推荐和先前合作的信任资本对VC的筛选和监控仍然至关重要。

然而，现有研究主要关注VC与被投资企业之间的交易成本（Bernstein等人，2016；Cornelli等人，2023；Goldfarb和Tucker，2019；Li等人，2022），而较少探讨联合投资中共同投资者之间的协调成本。在跨区域联合投资中，投资者不仅需要筛选远方的被投资企业，还需要与地理位置分散的共同投资者进行协调（Cumming和Dai，2010；Hochberg等人，2010）。数据交易平台是一种新型的数字基础设施，促进了数据作为生产要素的市场化流通和交易（Ge等人，2025）。这一特性使其在理论上非常适合VC的知识密集型特征，因为VC高度依赖跨机构和地理边界的信息公开。这些平台根植于政府“市场化配置数据要素”的战略布局，与一般的数字基础设施不同，它们通过标准化的数据产品、治理协议和交易规范，实现了合规的数据交换（4）。因此，它们不仅缓解了技术摩擦（包括传输成本和地理限制），还减少了制度摩擦（如数据所有权不确定性、合规风险和交易对手可靠性问题）。这些制度摩擦在投资者协调中尤为突出，尤其是在跨区域边界交换机密交易信息时存在显著的法律和关系不确定性。然而，这些制度摩擦及其减少如何转化为联合投资治理和网络形成尚未得到研究。

**2.2. 风险投资联合投资与网络理论**
VC联合投资是指两家或多家VC共同投资同一项目，使合作伙伴能够分担风险、汇集互补的专业知识，并通过本地共同投资者扩大地理覆盖范围（Brander等人，2002；Lerner，1995；Sorenson和Stuart，2008）。但在跨区域背景下，联合投资尤其具有挑战性：非本地VC必须依赖本地合作伙伴来获取知识和降低制度不确定性，这使得合作伙伴关系的建立成本较高（Bubna等人，2020；Dai和Nahata，2016；Fritsch和Schilder，2008）。越来越多的研究利用网络理论来解释企业间关系结构如何影响联合投资行为（Hochberg等人，2007；Hochberg等人，2010；Podolny，2001；Sorenson和Stuart，2008；Wu等人，2017；Yang等人，2018）。弱联系理论（Granovetter，1985）指出，连接不同投资者社区的纽带有助于获取新的交易机会和非本地创业资源（Burt，1992；Fan等人，2007；Ozmel等人，2013）。然而，这种联系的激活受到路径依赖性的限制（David，1985）：嵌入在密集本地网络中的VC可能会形成结构性惯性，增加新跨区域合作伙伴关系的建立成本，限制了整体网络的开放性（Humphery-Jenner和Suchard，2013；Gulati，1998；Hochberg等人，2010）。

尽管有这些见解，现有研究仍将联合投资网络视为地理上同质的，忽略了信任资本、制度距离和协调摩擦在空间上的不对称性。我们通过将VC联合投资概念化为一个多层次网络来解决这一差距，该网络包括两个分析上不同的层次：本地联合投资网络（VC所在地）和目的联合投资网络（被投资企业所在地）。这些层次不仅是统一图形的不同地理嵌入，还具有不同的治理机制和成本结构。本地联合投资网络反映了通过地理邻近性和历史合作形成的强联系和信任资本，这种嵌入性产生了路径依赖性，并为对外投资奠定了基础（Sorenson和Stuart，2001）。相比之下，目的联合投资网络涵盖了跨越区域边界的联合投资关系，代表了进入陌生市场的战略机会。在这里，投资者面临着加剧的信息不对称性、制度不确定性和协调风险（North, 1990; Williamson, 2000），这使得治理更多地依赖于正式的、制度化的机制，而不是历史上的关系信任。这些机制可以降低合规风险、验证数据可信度并标准化信息交换。2.2. 理论分析和假设发展在交易成本框架内，跨区域的风险投资（VC）投资反映了在不同网络结构和制度环境下最小化交易成本的努力（Chowdhry and Nanda, 1996; Coase, 1937; Holmstr?m and Roberts, 1998）。联合投资是一种减少此类成本的关键策略；然而，其有效性取决于这些机构是否能够融入目标市场的联合投资网络——在这些网络中，通过推荐和重复互动建立的信任资本会将边缘参与者排除在外，从而增加信息获取和合作伙伴形成的障碍（Ferrary and Granovetter, 2009; Gulati et al., 2009; Sorenson and Stuart, 2001）。虽然一般的数字基础设施可以在一定程度上缓解信息摩擦，但它并不能解决跨区域联合投资中数据所有权、法律交换和合规性方面的深层制度障碍（North, 1990; Williamson, 2000; Fritsch and Schilder, 2012）。在这方面，数据交易平台具有独特的制度优势。通过建立所有权确认机制、合规的流通基础设施和跨区域的相互认可标准，它们将数据转化为可交易的生产要素（Coase, 1960），并使基于能力的匹配成为联合投资的主要标准，取代了基于关系的信任。这使得平台能够通过将联合投资关系从封闭的、依赖路径的系统转变为更开放、基于能力的系统，这是普通数字基础设施所无法提供的。基于这一推理，我们提出以下假设：假设1. 数据交易平台促进了风险投资机构对非本地企业的投资。根据交易成本理论（Coase, 1937; Holmstr?m and Roberts, 1998），数据交易平台的建立降低了建立和维护跨区域联合投资网络的成本，从而促进了跨区域投资。与主要提高信息传输速度和广度的互联网或开放数据平台不同，数据交易平台解决了数据真实性、合规性和产权确认等核心问题。这一制度属性重塑了网络形成的基础逻辑。一方面，平台的建立降低了联合投资网络内的谈判和协调成本（Hussain et al., 2025; Rugman and Verbeke, 2004）。非本地的风险投资机构依赖本地合作伙伴进行项目筛选和风险缓解；然而，文化差异和制度不确定性使得这种合作伙伴关系的建立和维护成本较高（Dai and Nahata, 2016; J??skel?inen and Maula, 2014; Li and Zahra, 2012; Guiso et al., 2009）。数据交易平台通过提供经过合规验证的标准数据产品来解决这一问题，使跨区域合作伙伴能够对共享数据集进行尽职调查，减少认知偏差，并部分替代了以前依赖个人推荐的信任资本（Guler and Guillén, 2010; Sorenson and Stuart, 2008）。此外，高速传输和即时通信服务支持联合投资各方之间的高效分工和互补资源匹配。另一方面，数据交易平台的建立可以降低拥有非本地投资组合公司的机构的后续监控成本（Bottazzi et al., 2008; Park and Steensma, 2012）。在投资后阶段，风险投资机构会派遣人员监控投资组合公司（Han et al., 2025）。通过提供离线数据服务，包括企业风险监控和智能预警，平台能够实时将关键运营变化和市场风险传达给所有投资者，从而降低后续监控成本。因此，在数据交易平台建立之后，联合投资网络内部以及投资者与被投资企业之间的信息沟通和监控成本都降低了，增加了风险投资机构跨区域投资的意愿。此外，数据交易平台释放了“弱联系”在事前联合投资中的潜力。根据弱联系理论（Granovetter, 1985），与强联系相比，弱联系对于连接孤立的投资者社区和促进跨区域信息传播具有价值；然而，它们的形成传统上需要通过个人推荐建立的信任资本（Burt, 1992; Calabrò et al., 2024）。通过用基于制度的信任替代基于关系的信任，平台使缺乏先前合作经验的边缘机构能够通过透明、可信的数据评估潜在合作伙伴，降低了新联系形成的门槛。同时，通过降低协调成本，平台使处于中心位置的机构能够更有效地管理现有的强联系。结果是联合投资网络的结构发生了变化：它们从封闭的、依赖信任的系统转变为更开放的、基于能力的系统，提高了资源分配效率并拓宽了合作机会。先前本地网络地位较低的风险投资机构与合作伙伴建立了更多的联合投资联系，由此产生的网络结构更加开放（图2）。基于这一分析，我们提出以下假设：假设2a 数据交易平台的建立降低了建立和维护跨区域联合投资网络的成本，优化了联合投资网络结构并促进了跨区域资本流动。假设2b：对于在本地联合投资网络中地位较低的机构，数据交易平台的建立在促进和优化跨区域联合投资关系方面发挥了更显著的作用。下载：下载高分辨率图像（735KB）下载：下载全尺寸图像图2. 2014年和2021年目标省份的联合投资网络变化（基于之前的本地网络地位）注：该图展示了2014年和2021年不同时间开始跨区域投资的风险投资机构的联合投资网络。节点颜色表示在本地联合投资网络中的先前地位：红色节点代表地位较低的风险投资机构，绿色节点代表地位较高的风险投资机构（通过本地联合投资网络中的接近中心性来衡量）。节点大小与节点在绘图网络中的接近中心性成正比（较大的节点表示较高的接近中心性）。边宽表示两个机构之间的联合投资频率（较厚的边表示它们之间的联合投资更多）。VC，风险投资。从动态能力的角度来看，数据交易平台的建立还增强了风险投资机构的投资专业化能力（Davila et al., 2003; Gompers et al., 2009），促进了跨区域资本流动。首先，数据交易平台通过改善对非本地创业环境和创新资源的访问来加强投资专业化能力。非本地投资者在寻找地理分散的创新资源和创业机会时面临高昂的搜索成本和复杂的搜索路径（Brown et al., 2009; Nambisan et al., 2017; Von Briel et al., 2018）。专业化能力的发展严重依赖于对异质知识的有效获取和吸收（Ferrary, 2010; Nahapiet and Ghoshal, 1998）。数据交易平台通过聚合和标准化多源结构化和非结构化数据来降低搜索成本，而定制的数据服务增强了机构分析非本地市场动态和识别高潜力投资目标的能力。这些功能共同加强了投资专业化并提高了跨区域资本分配效率。其次，数据交易平台对非本地投资专业化能力的影响因机构进入市场的时间而异。根据路径依赖理论（David, 1985; Sydow et al., 2009），已经嵌入目标市场联合投资网络的机构可能会发展出结构惯性，这限制了学习效率并限制了对新信息渠道的适应性反应。相比之下，没有在目标市场建立联合投资关系的机构受到的惯性较小，具有更大的吸收能力（Cohen & Levinthal, 1990），并且对平台建立带来的制度冲击反应更快。对于这些机构，平台提供的数字工具，如云计算和大数据分析，有助于组织向更扁平、更敏捷的决策结构转型（Liu & He, 2024），减少层级信息扭曲，并在目标领域放大专业化优势（Jin et al., 2024; Du and Wang, 2024），产生更高的边际回报。平台建立使没有先前目标市场联合投资关系的机构在网络节点和中心性方面优于那些已有联系的机构（图3）。基于上述分析，我们提出以下假设：假设3a 数据交易平台的建立增强了机构的投资专业化能力，促进了跨区域投资。假设3b：对于与目标市场没有先前联合投资关系的机构，数据交易平台的建立在增强投资专业化能力方面发挥了更显著的作用。下载：下载高分辨率图像（698KB）下载：下载全尺寸图像图3. 2014年和2021年目标省份的联合投资网络变化（基于是否存在联合投资合作伙伴）注：该图展示了2014年和2021年不同时间开始跨区域投资的投资机构的联合投资网络。节点颜色表示机构是否有之前的联合投资合作伙伴：红色节点代表没有先前联合投资合作伙伴的机构，绿色节点代表有先前联合投资合作伙伴的机构。节点大小与节点在绘图网络中的接近中心性成正比（较大的节点表示较高的接近中心性）。边宽表示两个机构之间的联合投资次数（较厚的边表示它们之间的联合投资次数更多）。3. 研究设计3.1. 数据和样本我们通过整合多个数据来源，构建了一个涵盖中国大多数风险投资机构的综合数据集。首先，我们从CV Source获取了2009年至2023年的投资交易数据，这是中国最全面的专业风险投资数据库之一。其次，我们使用中国工商企业注册数据库补充了投资者和被投资方的信息，包括注册地点和注册日期。第三，我们从中国城市统计年鉴中收集了省和城市层面的宏观经济变量。我们通过以下程序构建最终样本。首先，遵循Sorenson和Stuart（2001）的方法，根据公开的风险投资参与者确定每笔投资交易中的主导风险投资机构。主导风险投资机构是指在投资过程中起核心作用的公司，通常负责交易来源、谈判和投资后监控（详见附录A中的识别过程）。其次，我们使用标准化的公司名称和注册信息将风险投资机构和被投资方公司与各自的省份匹配。对于未匹配的观察值，我们手动验证并补充公司名称，然后重新运行匹配程序。然后，我们将样本限制在涉及位于中国大陆但注册在不同省份的风险投资机构和目标公司的交易上，以捕捉跨区域投资流动。我们的跨区域分析是在省层面进行的。第三，我们将交易数据汇总到主导风险投资机构-目标省份-年份层面，并将结果面板与风险投资机构层面的特征和省层面的宏观经济控制变量合并。在排除关键变量缺失值的观察值后，我们得到了一个不平衡的面板，包含23,841个在31个省份进行投资的主导风险投资机构，共计3,443,796个机构-省份-年份观察值。3.2. 模型规格为了研究数据交易平台建立对风险投资机构跨区域投资行为的影响，我们采用了多期差异-in-differences（DID）面板模型：(1)yi,c,j,t=α+β1Digitj,t+β2Xi,t+β3λc,j,t+φi,c,j+μi+δt+εi,c,j,t，其中i、c、j和t分别表示风险投资机构、风险投资机构的起源省份和年份。关键解释变量Digitj,t是一个虚拟指标，如果省份j在年份t建立了数据交易平台，则等于1，否则等于0。我们包括两组控制变量Xi,t和λc,j,t，分别捕捉风险投资机构层面和省份对层面的特征。为了考虑未观察到的异质性，我们纳入了多个固定效应。μi表示风险投资机构的固定效应，控制了机构层面的时间不变投资偏好。φi,j代表风险投资机构和目标公司的省份对固定效应，吸收了所有非时间变化的不可观察变量。εi,c,j,t是误差项。β1捕捉数据交易平台引入对跨区域资本分配的因果效应。为了确保稳健性，标准误差在整个分析过程中按省份对层面进行聚类。3.3. 变量定义(1)跨区域投资根据Dai et al.（2021）和Liu et al.（2024）的定义，我们将因变量Numberi,c,j,t定义为风险投资机构i在年份t在目标省份j内的投资目标公司数量。为了稳健性，我们还使用了其他衡量标准，包括一个虚拟指标，表示风险投资机构i在省份j是否有任何投资，以及新投资在目标省份中的比例相对于该机构总投资的比例。(2)数据交易平台我们根据2014年开始在城市层面推出的数据交易平台试点的错开时间来定义关键解释变量Digitj,t。如果省份j在年份t拥有数据交易平台试点城市，则Digitj,t在年份t及之后的年份等于1；否则，Digitj,t等于0。(3)控制变量根据Han et al.（2025）的方法，我们包括了风险投资机构和省份对层面的控制变量。风险投资（VC）层面的特征包括投资经验（Invest_exp）、退出经验（Invest_exit）、历史投资总数（Invest_num）以及首次投资年份（Invest_enter）。在省对层面，我们通过纳入起源省和目标省之间的人均GDP（Gdp_diff）、GDP增长（Agdp_diff）、工业化水平（Manu_diff）、互联网普及率（Internet_diff）、人口规模（Population_diff）和整体信息化水平（Information_diff）的差异来控制跨区域异质性。

4. 调节变量
为了检验假设2，我们为VC流入和流出省份构建了联合投资网络。对于本地联合投资网络，我们根据VC机构的所在地省份来定义网络边界，并识别两个机构在同一省份内共同投资企业的联合投资事件，形成无向网络联系。对于目的地联合投资网络，我们基于流入特定省份的所有联合投资活动来构建网络；如果两个机构在同一年内在同一目的地省份内共同投资企业，则形成网络联系。

假设2中考察的沟通成本指的是VC机构在建立和维护跨区域联合关系时所花费的时间和资源成本，包括合作伙伴寻找、合同谈判和信息交流。根据Hochberg等人（2010年）和Borgatti与Everett（2006年）的研究，我们使用两个网络指标来代理这些成本。首先，Bavelas接近中心性衡量VC机构与其他网络投资者之间的平均最短路径距离，反映了其在信息传输结构中的接近程度。较高的接近中心性意味着更快的信息获取速度和更低的沟通成本。其计算公式如下：
(2) bavelas_centrality_i,t = (n-1) ∑_{j≠i} d_{i,j},
其中n是节点总数，d_{i,j}是节点i和节点j之间的最短路径长度。

其次，度中心性衡量VC机构与其他网络投资者之间的直接连接数量，反映了其影响力和信息交流能力。较高的度中心性表明较低的沟通成本。其计算公式如下：
(3) degree_centrality_i,t = ∑_{i≠j} a_{ij},
其中a_{ij}在VC i和VC j有联合投资联系时为1，否则为0。

为了进一步检验数据交易平台是否降低了投资后的监控成本，我们使用了一个二元指标来表示首次进入目的地省份的情况（Kang等人，2022年；Schertler和Tykvová，2011年；Uzzi，2018年）。进入新的区域市场通常比本地投资涉及更高的监控成本。如果一个VC机构在样本期间首次在一个省份进行投资，则被归类为新进入者。投资后监控成本的降低会增加市场进入的预期净回报，从而提高进入新省份的可能性。

最后，在投资专业化增强机制下，数据交易平台降低了信息搜索成本，并促进了异质创新资源的获取，使VC机构能够积累领域知识并更好地识别高潜力的细分市场。为了量化VC的专业化能力，我们参考Dimov和Martin de Holan（2010年）以及Makarevich（2018年）的方法，使用Herfindahl–Hirschman指数（HHI）来衡量VC的投资在各个行业、阶段和领域的集中度。其计算公式如下：
(4) HHI_i,t = ∑_{k=1}^{K} p_{i,k,t}^2，
其中p_{i,k,t}表示在类别k中的投资份额，K是类别总数（例如，行业、阶段或领域）。份额的平方赋予了主导类别更大的权重；因此，当投资集中在少数几个细分市场中时，指数会上升，而当投资在多个类别中分布更均匀时，指数会下降。表B.1定义并总结了所有变量。

3.4. 总结统计
表1展示了本研究中使用的关键变量的总结统计信息。平均而言，每个VC机构在样本期间在其所在地省份之外投资了0.0092家企业。Number的标准差、最小值和最大值表明不同机构之间的跨区域投资活动存在显著差异，为后续的实证分析提供了有利的条件。

表1. 总结统计
变量 均值 标准差 最小值 最大值
Number 0.0092 0.1687 0.0000
Digit 0.3340 0.4716 0.0000
Invest_exp 3.7996 16.0552 0.0000
Invest_exit 0.1786 0.8270 0.0000
Invest_num 4.9635 21.6132 0.0000
Net_gdp_cap 1819 4.4500 3599 0.6000
Net_gdp_growth -0.0044 0.0410 -0.2120
Net_manuf 0.0014 0.1421 -0.4742
Net_internet 2049 74.80 4938 2450 -1479
Net_population 1015 19.70 4837 0.5500 -1234
Net_information -0.0062 0.1564 -2.4975 2.4975

4. 主要结果
4.1. 基线结果
表2报告了数据交易平台对跨区域投资影响的回归结果。第（1）列报告了仅包含核心解释变量（Digit）的基准规格。第（2）列进一步增加了省和机构层面的控制变量。在两种规格中，Digit的系数均为正且在1%的水平上显著，表明数据交易平台显著增加了VC的跨区域投资。这一发现表明数据交易平台在促进资本跨区域流动方面发挥了重要作用，支持了假设1。

表2. 数据交易平台与跨区域投资
变量 (1) (2)
Number 0.0107*** 0.0032**
Net_gdp_cap -0.0000 (-0.47)
Net_gdp_growth -0.0133 (-2.01)
Net_information -0.0012** (-2.69)
Net_manuf -0.0232 (-2.19)
Net_population 0.0000 (1.32)
Invest_exit 0.0036 (2.28)
Invest_exp 0.0024** (7.03)
Invest_num -0.0005 (-1.93)
Invest_enter -0.0002 (-0.58)
Net_internet -0.0000 (-1.90)
Constant 0.0054*** 0.4008 (9.01) (0.59)
Year FE Yes Yes
VC FE Yes Yes
Province-pair FE Yes Yes
Cluster Yes Yes
R2 0.056 0.097

注：标准误差在VC层面进行聚类，t统计量显示在括号中。*** p < 0.01，** p < 0.05，* p < 0.1。VC表示风险投资；FE表示固定效应。

4.2. 有效性检验
4.2.1. 平行趋势检验
为了确保DID模型的有效性，我们使用Jacobson等人（1993年）提出的事件研究规格来检验平行趋势假设。根据这种方法，如果政策实施前的系数在统计上不显著，则支持识别假设。估计模型如下：
(5) y_i,t = α + β_1 ∑_{k≥-5} Pre_k + β_2 Current + β_3 ∑_{j≥15} Post_j + β_4 X_i,t + β_5 λ_c,j,t + φ_i,c,j + μ_i + δ_t + ε_i,c,j,t
其中yi,t的定义与方程（1）中的基准规格相同。Pre_k表示接受治疗的VC机构与政策实施前年份之间的交互项，Post_j表示政策冲击后年份的交互项。Current是一个指标，在政策实施年份对于接受治疗的机构等于1。

鉴于首次建立本地平台分支机构的效果可能不会持续，我们使用政策实施前的年份作为参考期。图4(a)报告了事件研究估计结果。治疗前的交互系数没有显示出统计学上的显著差异，而在治疗后的时期出现了显著效果，这支持了平行趋势假设。这表明估计的效果不太可能是由预先存在的差异趋势驱动的。

4.2.1.1. 安慰剂测试
我们进行了安慰剂测试，以排除基准结果是由模型设定错误或遗漏变量驱动的可能性，参考Chetty等人（2009年）的研究。具体来说，我们在保持政策实施年份实际分布的情况下，随机分配治疗状态。例如，因为有两个省份在2015年建立了数据交易平台，我们随机选择这两个省份并指定它们为该年的治疗组，然后对每个政策年份重复相同的程序。然后，我们根据安慰剂分配重新估计方程（1）。这个过程重复了500次。

图4(b)显示了模拟估计值及其对应的p值分布。模拟系数对称地分布在0附近，大多数接近0且统计上不显著。相比之下，从真实政策分配得到的实际估计值位于模拟分布的尾部，明显偏离0。这一结果表明，主要发现不太可能是由随机机会、样本噪声或模型设定的机械特性驱动的。

总之，通过平行趋势和安慰剂测试，本研究为识别策略提供了强有力的支持。这些测试表明，数据交易平台对跨区域投资的估计效果不是由预先存在的趋势、遗漏变量或模型设定错误驱动的，而是反映了合理的因果政策效应。

4.3. 健壮性测试
为了确保基准回归结果的可靠性，我们进行了全面的稳健性测试。详细结果在附录C中报告。

4.3.0.1. 减轻选择偏见的测试
(1) 重新检查倾向得分匹配与差异-in-differences（PSM-DID）：为了考虑由于省份之间可观察到的差异而产生的选择偏见，我们使用PSM构建了一个更可比较的对照组。基于匹配样本的DID估计（表C.1）显示，核心解释变量的系数仍然显著为正，证实了基准结果。

(2) 在多个层面上控制潜在的混杂因素：为了考虑治疗组和对照组之间随时间变化的异质性，我们在多个层面上引入了额外的控制变量。在VC层面，我们控制了机构所在地省份内进行的联合投资份额，这反映了本地联合投资强度可能影响跨区域投资行为的可能性。在省对层面，我们进一步通过包括省份之间的银行规模和财政收入差异来控制区域投资环境的差异。估计效果仍然为正且在统计上显著（表C.2，第（1）和（2）列）。

(3) 排除特殊样本：为了确保结果不受特定时期、地区、行业或治疗状态定义的影响，我们使用不同的样本选择标准重新运行了回归分析，包括将时间窗口限制在2013-2021年，排除特殊地区和行业，并细化了治疗样本的定义。如表C.2，第（3）-（8）列所示，Digit的系数在所有规格中仍然为正且在统计上显著。

4.3.0.2. 额外的敏感性分析
我们进行了几项额外的测试，以进一步验证模型规格和结果的稳健性。
(1) 处理交错时间下的异质治疗效果：由于数据交易平台在不同省份的建立时间不同，传统的双向固定效应DID估计器在存在交错采纳的异质治疗效果时可能存在偏差。因此，我们使用De Chaisemartin和D’Haultfoeuille（2020年）、Borusyak等人（2024年）、Gardner（2022年）以及Cengiz等人（2019年）提出的方法重新估计了模型。图C.1一致支持我们的主要结论。

(2) 排除其他政策的干扰：我们考虑了可能影响跨区域投资的其他同时期政策的潜在影响。特别是，我们控制了与数据开放性、数字基础设施、政府信息披露以及区域商业环境改善相关的重大国家和省级政策，包括制度改革、国家发展战略、数字政府倡议、数字基础设施计划、知识产权保护改革试点和数据行业政策。在控制这些潜在政策混杂因素后，主要结果仍然稳健（表C.3）。

(3) 替代因变量：我们考虑了替代因变量，以确保发现不受跨区域投资测量方法的影响。具体来说，我们用新的交易百分比、交易次数的对数、投资虚拟变量和投资金额替换了基准因变量。在这些替代规格中，核心解释变量的系数仍然在统计上显著（表C.4）。

(4) 其他的敏感性分析：我们进行了几项额外的稳健性检查，包括：(a) 使用零膨胀负二项式规格和Poisson伪最大似然估计器重新估计模型（表C.5，第1和2列）；(b) 添加省对-VC-年份和目的地省份-年份的交互固定效应，以控制对、机构和目的地区域层面的时间变化异质性（表C.5，第3和4列）；(c) 在省对-年份和VC-年份层面聚类标准误差（表C.5，第5和6列）；(d) 扩展时间窗口（表C.6）；(e) 进行城市级样本测试（表C.7）；(f) 对平行趋势假设的敏感性测试（图C.2）；以及(g) 空间溢出和期望效应的测试（表C.8）。所有这些测试的结果表明，基准回归结果是稳健且可信的。

4.4. 内生性测试
为了解决内生性问题，特别是遗漏变量偏差和残差选择问题，我们采用了工具变量（IV）估计方法。遵循Czernich等人（2011年）的方法，我们使用一个省份的事前数字基础设施部署成本作为工具变量，该成本通过其与中国早期规划的“八横八纵”国家光纤干线的地理邻近性来代理。为了构建这一指标，我们根据档案材料重建了历史骨干线路，包括《人民邮电报》和《电信新闻》中报道的国家电信规划大纲，并在ArcGIS中绘制了网络地图。然后，我们计算每个省份的地理中心点到干线网络上最近点的直线距离，并取其倒数。较大的值表示较低的增量部署成本，因此成为数据交易平台试点的可能性更大。由于这种逆距离度量是时间不变的，我们将其与年份指标结合使用，以生成一个用于面板2SLS估计的时变工具变量。相关性条件是合理的，因为靠近早期光纤骨干网络的省份在后续数字基础设施部署中的边际成本较低，这使得建立制度化的数据流通基础设施（如数据交易平台）变得更加可行。因此，该工具变量可能与平台采用率高度相关。此外，外生性条件也是合理的。光纤骨干网络的布局是在数据交易平台试点引入之前由国家基础设施规划决定的，不太可能受到同时影响跨区域风险投资（VC）联合投资的省份特定冲击的驱动。而且，在我们的设定中，靠近骨干网络与基线区域经济发展或金融市场化没有系统性的关联。因此，在包含控制变量和固定效应的条件下，逆距离度量预计主要通过其对平台采用率的影响来影响跨区域投资，而不是通过其他渠道。

表3报告了2SLS的结果。第一阶段的估计（第1列）显示，工具变量与数据交易平台的采用率高度相关，弱工具变量诊断确认了该工具变量的有效性。在第二阶段（第2列），Digit的系数在1%的水平上仍然显著为正。总体而言，工具变量（IV）的结果支持了我们主要发现的稳健性。

表3. 工具变量回归。
变量
(1) 第一阶段回归
Digit
(2) 第二阶段回归
Number
Digit
0.1463***
(6.06)
IV
0.0004***
(6.76)
N
3,511,350
3,511,350
控制变量
是
是
年份固定效应
是
是
风险投资固定效应
是
是
省份对固定效应
是
是
豪斯曼检验
2457
3.50***
杜宾χ2检验（Durbin χ2）
151.75***
弱识别检验（Cragg–Donald Wald F）
3640.42
[16.38]
弱识别检验（Kleibergen–Paap rk Wald F）
2457
3.50
[16.38]
内生性检验
60.60***
注意：标准误差按风险投资（VC）水平聚类，t统计量显示在括号中。*** p < 0.01，** p < 0.05，* p < 0.1。弱工具变量的检验使用了Cragg–Donald Wald F统计量和Kleibergen–Paap rk Wald F统计量，Stock–Yogo弱识别检验的临界值在10%显著性水平下显示在方括号中。VC，风险投资；IV，工具变量；FE，固定效应。

5. 机制分析
在确定了数据交易平台对跨区域资本流动的因果效应之后，我们进一步研究了它们通过哪些机制重塑了跨区域投资活动。具体来说，我们关注两个渠道：联合网络结构的优化和投资专业化能力的提升。

5.1. 联合投资网络优化机制
为了检验数据交易平台是否优化了目的地联合网络的结构，我们使用了几种与成本相关的代理变量进行了机制检验。具体来说，我们使用了基于网络的度量方法（包括Bavelas接近中心性和度中心性）以及首次进入目的地省份的指标。变量定义见第3.3节。Digit的正估计值与较低的沟通和投后监控成本一致。

表4报告了结果。在所有三个度量指标中，目的地省份建立数据交易平台与更高的接近中心性和度中心性以及首次进入目的地省份的可能性显著增加有关。这些发现与数据交易平台减少沟通和监控摩擦、促进参与跨区域联合投资的观点一致，支持了假设2a。

表4. 联合投资网络优化机制。
变量
(1)
(2)
(3)
Bavelas接近中心性
度中心性
首次进入新市场
Digit
0.0030**
0.0045***
0.0037**
*(2.52)
(2.81)
(4.00)
控制变量
是
是
是
年份固定效应
是
是
风险投资固定效应
是
是
省份对固定效应
是
是
是
聚类
是
是
R2
0.65
0.20
40.12
N
2,911,350
2,896,527
2,855,471
注意：标准误差按风险投资（VC）水平聚类，t统计量显示在括号中。*** p < 0.01，** p < 0.05，* p < 0.1。我们进一步研究了平台的促进作用是否随着风险投资（VC）的事前网络地位而变化。根据Han等人（2025）的研究，我们使用每个VC在本地联合网络中的接近中心性来衡量其事前状态。基于2009-2013年的平均事前接近中心性，我们将样本分为高地位和低地位两组，并分别重新估计了机制回归。

表5中，第（1）和（2）列使用Bavelas接近中心性作为因变量，而第（3）和（4）列使用首次进入指标。结果表明，事前网络地位较低的VC在信息接近性方面的增加更大，体现在更高的接近中心性上，并且比事前网络地位较高的VC更有可能首次进入新的目的地省份。为了考虑两组之间的差异，我们进行了基于自助法的Fisher排列检验，进行了1000次重抽样，以评估两组之间的处理效应是否有显著差异。组间比较确认政策效应对低地位子样本的影响显著更强。

总体而言，证据表明数据交易平台不成比例地促进了最初处于边缘地位的机构之间的跨区域联合投资，支持了假设2b。

5.2. 投资专业化提升机制
我们评估数据交易平台是否提升了风险投资（VC）在目的地市场的投资专业化。遵循Makarevich（2018）和Kimjeon与Davidsson（2022）的研究，我们使用在目的地省份层面构建的基于HHI的集中度指标，这些指标涵盖了三个维度：子行业、投资阶段和行业类别。这些专业化指标作为机制回归中的因变量。

表6展示了结果。无论专业化是通过子行业、阶段还是行业类别来衡量，Digit的系数都是正的且在统计上显著。这种模式表明，平台的建立使VC能够在目的地市场采取更集中的投资策略，与假设3a一致。

表6. 投资专业化提升机制。
变量
(1)
(2)
(3)
目标子行业HHI
目标子投资阶段HHI
目标行业类别HHI
Digit
0.0020***
0.0042***
0.0027***
*(4.75)
(7.47)
(5.73)
控制变量
是
是
是
年份固定效应
是
是
风险投资固定效应
是
是
省份对固定效应
是
是
是
聚类
是
是
是
R2
0.0120
0.023
N
2,249,131
2,269,674
2,037,135
注意：标准误差按风险投资（VC）水平聚类，t统计量显示在括号中。*** p < 0.01，** p < 0.05，* p < 0.1。

为了进一步研究数据交易平台对不同事前市场地位机构效应的异质性，我们将风险投资机构分为两组：一组是有先前联合关系的机构，另一组是没有先前联合关系的机构（Hallen & Pahnke, 2020）。表7显示，数据交易平台的建立对首次进入目的地省份的机构的投资专业化有显著的正向影响。相比之下，有先前本地联合关系的机构的估计系数要么为负，要么在统计上不显著，这表明平台并没有增强它们的专业化程度。

表7. 事前联合投资关系的调节效应。
变量
(1)
(2)
(3)
(4)
(5)
(6)
目标子行业HHI
目标子投资阶段HHI
目标行业类别HHI
首次进入
后续进入
首次进入
后续进入
Digit
0.0023***
?0.0099
0.0047***
?0.0189
0.0030***
?0.0041
(5.36)
(?0.92)
(8.34)
(?1.17)
(6.22)
(?0.36)
Bdiff
?0.0121**
?0.0242***
?0.0071***
控制变量
是
是
是
是
是
是
是
年份固定效应
是
是
是
是
是
是
是
省份对固定效应
是
是
是
是
是
是
是
是
聚类
是
是
是
是
R2
0.0120
0.023
0.053
0.013
N
2,222,781
26,320
2,243,251
26,393
2,011,149
25,956
注意：标准误差按风险投资（VC）水平聚类，t统计量显示在括号中。*** p < 0.01，** p < 0.05，* p < 0.1。

综合这些发现表明，数据交易平台主要通过使最初处于边缘地位的机构能够识别并专注于目的地市场的高潜力领域，从而促进了投资专业化，支持了假设3b。

6. 进一步分析
6.1. 不对称机制
由于在风险投资流入地区（即被投资公司的省份）建立数据交易平台会吸引外部投资者并放大跨区域投资，因此仍然存在一个问题：在风险投资流出地区（即风险投资的家乡省份）建立的平台是否同样鼓励当地机构超越其省份边界进行投资，从而产生“推动”效应。我们探讨了这种可能性，并认为这两种渠道不太可能是对称的。

我们将数据交易平台概念化为一种数字化的制度创新，它规范了跨区域边界的合规、基于权利的数据交换。这一特性主要减少了制度摩擦，如合规不确定性、跨区域的可验证性和信息共享中的责任性，而不仅仅是提高了技术连接性。关键在于，在风险投资流入地区，这种摩擦更为严重，因为对外部投资者的基本信任较低，本地信息对外部人士来说更难验证。这种不对称性意味着政策效应的差异：在风险投资流入地区建立平台应该通过促进弱联系的激活和改善跨区域联合的可执行性来产生更强的“拉动”效应，而在风险投资流出地区建立平台可能不会产生类似的“推动”效应，因为当地的强联系嵌入性和有限的关注度会促使资源向区域内合作重新分配，尤其是在短期内。

从理论上讲，这种不对称性基于制度理论（North, 1990, Williamson, 2000）和网络嵌入性的社会学（Granovetter, 1985, Burt, 1992）。在风险投资流出地区，制度环境对本地VC来说相对稳定和熟悉，为区域内合作提供了强大的规范支持（North, 1990, Williamson, 2000）。相反，在风险投资流入地区，对于外部VC来说，制度环境更加不确定，当地的执行力度有限，基本信任度较低，与不熟悉的合作方进行筛选和联合的成本更高。数据交易平台通过标准化数据交换协议并有效执行合规性，平衡了目的地的制度环境，降低了流入投资的边际成本，这是一种以拉动为主导的机制（Lee, 1966, Saiz, 2010）。相比之下，风险投资流出地区的本地VC嵌入在密集的、强联系的网络中，需要大量的监控资源和相互承诺（Granovetter, 1985, Burt, 1992）。即使平台降低了寻找和验证遥远机会的通用成本，本地VC也可能不会立即将这些节省转化为外向扩张，因为嵌入性和有限的关注度鼓励了短期的整合阶段而不是探索性的“推动”行为。

为了实证区分这些不对称的政策效应，我们根据Liu等人（2025）的方法构建了替代的DID处理变量。首先，我们根据风险投资流出地区（c）的平台建立定义了一个处理组，并将相应的指标表示为Digit_VC，直接测试风险投资流出地区的数据交易平台是否产生了“推动”效应。其次，我们采用了一个更包容和宽松的规范，即如果任一地区建立了平台，则该省份对进入处理组。此外，为了测试风险投资流出地区的数据交易平台是否对风险投资流入地区产生了空间溢出效应，我们同时考虑了流入地区的试点（Digit）、流出地区的试点（Digit_VC）以及两者之间的交互项（Digit_VC×Distance），重点关注Digit_VC及其交互项的统计显著性。

表8报告了结果。第（1）列显示，Digit_VC的系数在统计上不显著，表明风险投资流出地区建立平台并没有有效地刺激当地机构的外向投资。因此，不存在有意义的“推动”效应。第（2）列放宽了定义处理组的标准，得出了一致的结论。此外，第（3）列纳入了地理距离的调节效应，显示Digit_VC及其与地理距离的交互项都没有达到传统的显著性水平，而流入地区的试点指标（Digit）在1%的水平上仍然显著为正。这表明，无论地理距离如何，风险投资流出地区的数据交易平台对跨区域投资没有显著影响，也没有产生对风险投资流入地区的政策溢出效应。相比之下，风险投资流入地区建立平台显著吸引了外部投资流入。总的来说，这些发现揭示了一个明显的“单向拉动”结构：目的地省份的平台创造了有效的拉动力量，而起源省份的平台既没有产生“推动”效应，也没有产生空间溢出效应。

表8. 单向“拉动”政策效应。
变量：平台建立对风险投资流出地区的影响
单向溢出效应
(1)
(2)
(3)
Digit_VC
0.0004
?0.0011
(0.44)
Digit_VC_or_Investee firms
0.0001
(0.13)
Digit_VC × Distance
0.0027
*(4.64)
控制变量
是
是
是
年份固定效应
是
是
是
风险投资固定效应
是
是
是
省份对固定效应
是
是
是
聚类
是
是
是
R2
0.0968
0.0968
N
3,443,796
3,443,796
3,443,796
注意：标准误差按风险投资（VC）水平聚类，t统计量显示在括号中。*** p < 0.01，** p < 0.05，* p < 0.1。

为了说明为什么政策效应表现为单向“拉动”，我们研究了平台建立如何不同地重塑风险投资流出和流入省份的联合网络。表9报告了关于平台政策如何不同地改变本地联合网络和目的地省份联合网络的沟通和协调成本的实证证据，从而产生了不对称的网络重构。

表9. 单向“拉动”政策效应的机制分析。
变量
风险投资流出地区试点
风险投资流入地区试点
流出地区联合投资网络的度中心性
流入地区联合投资网络的度中心性
流出地区联合投资网络的度中心性
流入地区联合投资网络的度中心性
(1)
(2)
(3)
(4)
Pre4_Digit
0.0000
0.0000
0.0000
(1.38)
(0.05)
(0.08)
(1.04)
Pre3_Digit
0.0000
?0.0000
?0.0000
(1.30)
(?1.14)
(?0.26)
(1.13)
Pre2_Digit
0.0000
?0.0000
*?0.0000
(0.07)
(?1.86)
(?0.35)
(0.07)
Pre1_Digit
0.0000
0.0000
?0.0000
(1.44)
(?0.41)
(?0.64)
Current_Digit
0.0000
?0.0000
?0.0000
**(0.11)
(?0.49)
(?0.10)
(?2.01)
Post1_Digit
?0.0000
***
?0.0000
0.0000
?0.0000
(?8.54)
(?1.06)
(?0.21)
(?0.19)
Post2_Digit
0.0000
***
?0.0000
0.0000
**(3.79)
(?0.78)
(2.44)
Post3_Digit
0.0000
***
?0.0000
**?0.0000
**(2.99)
(?2.49)
(?2.49)
(?0.24)
Post4_Digit
0.0000
***
?0.0000
**?0.0000
**(5.04)
(?2.77)
(?2.77)
(2.09)
控制变量
是
是
是
是
年份固定效应
是
是
是
是
省份对固定效应
是
是
是
是
聚类
是
是
是
是
R2
0.536
0.681
0.535
N
742,081
11,664,167
742,081
11,664,167
注意：标准误差按风险投资（VC）水平聚类，t统计量显示在括号中。*** p < 0.01，** p < 0.05，* p < 0.1。这种模式与短期整合阶段一致，在此阶段，风险投资（VC）机构暂时将注意力转向整合本地数据资源和加强区域内合作，随后在本地网络中的地位逐渐提升。重要的是，这种调整并不会转化为跨区域投资流动的强劲推动效应，这与上述的路径依赖性和注意力约束机制相符。对于流入省份的试点项目，第（4）列显示，风险投资机构在目的省份的联合网络中的中心性在中长期显著增加（从Post2_Digit到Post4_Digit）。这表明数据交易平台增强了风险投资机构在目的省份更广泛联合网络中的连接性和中心地位。从概念上讲，一旦目的地的制度摩擦减少，外部投资者可以更好地与本地合作伙伴建立可执行的联合关系，从而加强跨区域桥梁联系并促进资本流入。

6.2. 异质性分析
1. 行业异质性
由于对数据资源的依赖程度和生产网络的结构特征不同，数据交易平台的效果在不同行业中存在差异（Chen & Puttitanun, 2005）。与非制造企业相比，制造企业运营在更复杂的供应链中，需要更多的跨区域协调。它们的投资和运营决策更依赖于上下游信息的及时整合，包括生产能力、物流和供应商状况。通过降低信息搜索成本和合同执行风险，数据交易平台可以缩短决策周期并促进跨区域合作。因此，预计制造企业将从平台服务中受益更多，例如标准化的数据接口和更高效的需求匹配。
为了测试这一渠道，我们将样本分为制造和非制造两组。图5显示，对于制造企业而言，Digit的估计系数显著更大。这一发现进一步支持了我们的核心观点，即数据交易平台通过降低成本和网络中介作用，帮助重塑资本和资源的空间分配，尤其是在数据密集型制造行业中。

2. 地理距离异质性
长期以来，地理距离一直被认为是资本流动的障碍，因为会增加信息不对称性和监控成本（Cao et al., 2021）。我们通过区分对邻近省份和非邻近省份的投资来考察数据交易平台是否能够缓解这种空间摩擦。理论上，由于文化接近性和更好的交通基础设施，机构可能更容易吸收来自相邻省份的政策溢出效应。相比之下，远距离投资需要更强的制度机制来建立信任——这正是数据交易平台所扮演的角色。根据Jin et al. (2021)的研究，我们将省份对分为相邻和非相邻两组。如图5所示，非相邻组的Digit系数显著更大。这一结果表明，跨区域投资在更远的距离上更依赖于平台提供的服务，如跨区域认证、信用评估和争议解决。而在相邻省份，现有的社会和商业网络可能已经促进了投资，降低了平台的边际价值。

3. 风险投资机构所有权异质性
风险投资机构对数据交易平台政策的反应也可能因其所有权结构的不同而有所差异。政府主导的风险投资（GVC）机构通常面临更强的官僚约束，包括跨区域投资的多层审批程序以及需要使投资决策与当地产业政策目标保持一致（Chen et al., 2025, Guerini and Quas, 2016）。相比之下，数据交易平台提供的标准化服务，如数字合同和信用评估，更符合非国有风险投资机构更快的决策周期和更强的市场导向。为了测试这一机制，我们将样本分为GVC和非GVC两组。图5显示，非GVC机构的Digit效应显著更强，表明平台服务更符合这些机构的需求。

进一步分析显示，数据交易平台对中国西部GVC机构的跨区域投资积极效应更为明显。这可能反映了当地制度环境的较弱以及地区特定的政策激励。在信息基础设施不发达和中介市场较薄的地区，数据交易平台提供的标准化和政府支持的服务通过减轻信息不对称性和协调成本产生了更高的边际效益。同时，诸如“西部大开发”等区域发展战略通过优先审批渠道和绩效评估改革，放宽了对国有资本的传统限制，将投资限制从“绝对禁止”转变为“有条件进入”。

7. 结论与政策启示
7.1. 结论
随着中国推进新的发展模式，消除阻碍资本自由跨区域流动的制度障碍对于提高资源分配效率和支持统一国家市场的建设变得越来越重要。尽管先前的研究已经记录了联合网络与跨区域投资之间的关联，但仍然难以建立因果关系并追踪动态调整过程。本研究通过利用省级数据交易平台的分阶段推出作为准自然实验来应对这些挑战。将平台建立视为外生政策冲击，并结合联合网络的动态衡量方法，我们确定了网络重组对风险投资跨区域投资活动的因果效应。我们的研究发现，数据交易平台的建立显著促进了跨区域风险投资，这种效应通过两种互补机制发挥作用。首先，数据交易平台通过降低投资者间协调的制度成本来优化跨区域联合网络结构。通过提高数据交换的可靠性、可追溯性和标准化，平台减少了目的联合网络中的沟通和投资后监控成本，促进了跨区域共同投资关系的形成。其次，数据交易平台增强了风险投资机构在非本地市场的投资专业化能力。通过提供合规和可互操作的数据资源，并支持对目的地创业环境的反复学习，平台提高了投资者在陌生地区的筛选和监控能力。异质性分析进一步揭示了明显的空间不对称性：在目的省份建立的平台具有积极效应，而在投资者家乡省份建立的平台效果较弱，可能是因为它们主要加强了本地协调和竞争，而不是直接促进对外扩张。总体而言，通过采用基于外生政策变化的因果推断框架，本研究表明数据交易平台在重构投资网络、减少地理依赖性和促进更高效的跨区域资本流动方面发挥了重要作用。

7.2. 政策启示
首先，政府应将数据标准化作为国家数字基础设施的核心组成部分，以及跨区域投资连接的制度基础。加快统一和高质量的法律和监管框架的发展对于建立可互操作的国家数据流通系统至关重要。在国家层面，应加大努力，制定一致的数据所有权明确、数据交换和跨区域数据共享规则。这对于制造等行业尤为重要，因为这些行业的复杂供应链和强烈的协调需求使得投资决策特别敏感于数据质量、互操作性和合规性。同时，政策制定者应系统地从不同试点地区，特别是制度较弱的地区（如中国西部）汲取运营经验，以便开发并推广可扩展的监管模板和协调机制。
其次，政府应利用数据作为生产要素来支持投资网络优化，提高资本流动性和分配效率。我们的研究结果表明，数据交易平台对制造相关投资、非邻近省份之间的远距离投资以及没有政府支持的民营市场导向机构的效应更强。这意味着平台扩展应伴随着更强的资源匹配机制和更有针对性的支持政策。例如，政府可以利用数据交易平台促进跨区域联合匹配和项目识别，特别是针对位于中部、西部和偏远地区的制造供应链和项目。同时，可以为小型、非国有和非政府支持的投资者提供有针对性的数据服务或进入支持。这些措施可以减少路径依赖性，降低远距离协调风险，并促进投资网络结构的多样性。
第三，政策制定者应在采用差异化的支持框架的同时，协调投资网络的空间整合。一方面，政策应鼓励投资机构超越地理界限的合作模式，将其网络扩展到中部和西部地区、发展较少的创新区域以及偏远省份。这将改善资本分配的空间平衡并减少持续的地区差异。另一方面，不同类型的投资者需要不同的政策工具。对于非国有和市场导向的投资者，支持应集中在通过基于平台的服务补贴和激励措施来提高跨区域扩张能力上。对于在中国西部运营的GVC机构，政策制定者可以考虑将平台使用整合到简化跨区域审批程序的机制中，并与区域协调目标保持一致，包括提供优先配额或支持性评估安排。对于已经嵌入政府引导基金网络的机构，与数据交易平台的更紧密整合可以补充内部基于政策的资源，提供更广泛的市场导向信息服务。通过这种差异化安排，政府可以减少不同类型投资者之间的信息和制度障碍，促进更加连接、高效和有弹性的国家资本流通网络。

尽管上述政策框架基于中国的制度背景，但其普遍逻辑也可能适用于其他希望通过数字基础设施减少资本分配空间摩擦的经济体。更一般地说，研究结果表明，标准化的数据治理与网络导向的投资机制相结合，可以为信息不对称和区域发展不平衡的环境提供有效的制度基础。对于市场分割和信息中介较弱的发展中经济体，加强国家数据标准并将数据平台嵌入投资过程可能有助于降低协调成本并促进更平衡的资本流动。同时，这些改革的有效性取决于周围的制度环境，包括确保透明性、互操作性和跨区域交易信任的治理安排。由于各国在数据治理制度和市场成熟度上存在显著差异，这些原则应根据当地制度条件进行调整，而不是机械地应用。

7.3. 管理启示
本研究为风险投资机构和在分割区域市场中运营的创业公司提供了简洁的管理见解。对于风险投资机构而言，结果表明，标准化的数据基础设施可以作为非本地市场中基于关系的进入策略的可扩展替代方案。通过将数据交易平台整合到交易来源、筛选和尽职调查过程中，特别是首次进入市场的风险投资机构可以减轻信息劣势，加速网络嵌入，并在不依赖现有联合关系的情况下发展市场特定专业化。对于创业型企业，尤其是那些位于制度较为薄弱地区的企业来说，参与基于平台的数据披露和标准化能够提高其在非本地投资者中的可见度和可信度，降低协调成本，并扩大获取地理上多样化资本的途径。7.4. 局限性与未来研究尽管本研究提供了关于数据交易平台在塑造跨区域投资网络中作用的新证据，但仍存在一些局限性，这些局限性指出了未来研究的方向。首先，研究结果的外部有效性可能受到中国制度背景的限制，在中国，数据交易平台是由政府参与并纳入国家市场整合战略中的。在市场主导的数据平台、不同的数据治理机制或更成熟的信息中介存在的情况下，其对投资网络的影响可能会有所不同。因此，需要进行跨国或比较研究，以确定哪些机制具有普遍性，哪些机制依赖于具体背景。其次，本研究主要关注数据平台影响跨区域投资的渠道——联合融资网络。未来的研究应通过建模更复杂的多层网络结构、纳入信息共享或数字平台的共同参与，并考察高阶网络动态（如中介服务、社区形成和网络韧性）来扩展这一框架。最后，未来的工作应探索下游结果，包括投资后的绩效、创新效率以及区域产业升级，以更好地理解数据驱动的投资网络重组所带来的长期经济影响。

**CRediT作者贡献声明：**
陈一静：撰写——审阅与编辑、撰写——初稿、项目管理、方法论、调查、资金筹集、正式分析、数据管理、概念化。
黄文丽：软件、资源、方法论。
吴冕：撰写——审阅与编辑、撰写——初稿、资源、项目管理、方法论、调查、正式分析、数据管理。
曾海健：可视化、软件、资源。