摘要：本文以2021-2024年国内312家上市零售企业面板数据为研究样本，从新质生产力数字化、智能化、高效化核心内涵出发，精准核算零售企业数据中台建设的全周期成本，量化测算其经营效率、资源配置、价值增值三大维度收益，实证检验数据中台建设对零售企业新质生产力提升的驱动效应与作用机制。研究发现：数据中台建设的一次性固定成本与持续性运维成本显著影响零售企业数字化投入结构，且数据中台建设可显著提升零售企业新质生产力水平；传导机制层面，数据中台建设可通过优化库存周转、降低运营成本、赋能精准营销三条路径赋能新质生产力升级，对零售企业技术效率改善的正向作用显著，对技术进步的赋能效应存在滞后性。

关键词：新质生产力；零售企业；数据中台；建设成本；经营收益

一、引言

随着新质生产力发展战略的全面推进，数字化、智能化转型成为传统实体经济提质增效、培育核心竞争力的核心路径。零售行业作为连接生产端与消费端的关键枢纽，是数字经济落地、新质生产力赋能实体经济的重点场景。近年来，线上线下融合、即时零售、全域营销等新业态快速迭代，零售企业数据体量呈爆发式增长，分散的业务数据、割裂的系统架构、低效的数据利用模式，已成为制约零售企业资源优化配置、生产效率提升的核心瓶颈。

数据中台作为零售企业数字化转型的核心基础设施，能够实现全域数据汇聚、标准化治理、智能化分析与业务化复用，是激活数据要素价值、培育零售领域新质生产力的重要载体。截至2024年末，国内超65%的规模以上零售企业已启动数据中台建设或升级改造，但行业整体呈现“建设投入高、落地效果分化、成本收益错配”的特征。部分企业盲目投入建设数据中台，存在成本管控失效、数据利用率低、收益转化不足等问题，未能实现新质生产力赋能的提质增效目标。

在此背景下，精准测算零售企业数据中台的全周期建设成本，科学量化其经营收益与生产力赋能价值，厘清成本投入与收益产出的作用机制，对零售企业精准布局数字化基建、优化资源投入结构、依托数据要素培育新质生产力具有重要的理论价值与现实意义。基于此，本文以2021-2024年国内上市零售企业面板数据为样本，系统剖析数据中台建设的成本构成、收益效应及传导路径，为零售企业数字化转型、新质生产力落地提供实证支撑与决策参考。

二、文献综述

新质生产力与企业数字化转型、数据中台建设的相关研究已形成丰富成果，学界围绕数据中台的赋能效应、零售企业数字化转型路径、新质生产力的落地机制展开了多维度探讨。

在新质生产力与零售行业发展研究方面，马化腾（2023）[1]指出，数字技术与实体经济深度融合是培育新质生产力的核心路径，零售行业的新质生产力核心体现为数据要素驱动的效率变革、模式变革与价值变革。李海舰等（2024）[2]认为，传统零售生产力升级的核心瓶颈是数据碎片化，数据要素的规模化、产业化应用是零售企业突破增长瓶颈的关键。张辉（2024）[3]基于行业面板数据研究发现，数字化基建投入能够显著提升零售企业全要素生产率，契合新质生产力高效、低碳、创新的发展内核。

在数据中台建设成本与收益研究方面，国内学者聚焦企业数字化投入结构与产出效应展开细分研究。王刊良（2022）[4]梳理了企业数据中台的成本构成，指出数据中台成本主要涵盖技术研发、硬件部署、人力运维、数据治理四大板块，不同行业、规模企业的投入差异显著。刘渊等（2023）[5]以消费类企业为样本，实证发现数据中台建设能够显著降低企业运营成本、提升客户转化率，但存在投入回报滞后1-2年的特征。国外学者Gartner（2024）[6]通过全球零售企业调研指出，中等规模零售企业数据中台年均运维成本占初始建设成本的25%-35%，数字化投入的收益分化主要源于企业数据治理能力的差异。Forrester（2024）[7]研究表明，标准化落地的数据中台可帮助零售企业实现15%-20%的综合运营成本下降，投资回报率均值可达180%以上。

在数据中台对企业生产力的赋能机制研究中，学界尚未形成统一结论。多数学者认为数据中台能够正向赋能企业生产经营效率。陈春花（2023）[8]研究发现，数据中台通过数据共享、业务复用、智能决策三大机制，优化企业资源配置效率，助力企业提质增效。赵晶（2024）[9]基于零售细分行业数据，证实数据中台建设可显著提升企业库存周转率、营销精准度与客户生命周期价值。但部分学者提出差异化观点，孙早（2022）[10]认为，中小零售企业存在数字化投入冗余、数据落地能力不足等问题，盲目建设数据中台会增加企业成本负担，短期内抑制企业经营效率提升。

梳理现有文献可以发现，当前研究仍存在三点不足：第一，现有研究多聚焦数据中台的整体赋能效应，鲜有基于新质生产力视角，系统拆解零售企业数据中台的全周期成本结构与细分收益维度；第二，多数研究未区分企业规模、建设模式的异质性影响，成本收益测算缺乏精细化、标准化的行业数据支撑；第三，鲜有实证研究厘清数据中台成本投入、收益产出与零售企业新质生产力提升的传导路径与作用机理。

基于现有研究缺口，本文从三个方面拓展研究边界：第一，立足新质生产力核心内涵，构建零售企业“成本投入-数据赋能-收益产出-生产力升级”的分析框架；第二，细化数据中台建设的固定成本、可变成本维度，量化经营效率、经济效益、创新价值三大收益指标，结合2024年最新行业数据开展精准测算；第三，采用面板数据实证模型，检验数据中台建设对零售企业新质生产力的影响及传导机制，区分企业规模异质性差异。

三、零售企业数据中台成本与收益测算体系

（一）测算指标体系构建

本文结合零售行业经营特征与新质生产力发展要求，参考现有数字化基建成本收益测算范式，构建零售企业数据中台建设成本指标体系与经营收益指标体系，全面覆盖投入端与产出端核心变量，保证测算结果的系统性与真实性。

1. 数据中台建设成本指标体系

数据中台建设成本为全周期投入成本，分为一次性固定建设成本与持续性可变运维成本两大维度，涵盖硬件、软件、人力、治理、运维五大细分指标，具体测算标准如下表所示。

2. 数据中台建设收益指标体系

结合新质生产力高效化、智能化、价值化特征，本文从经营效率收益、经济价值收益、创新赋能收益三个维度构建收益测算体系，量化数据中台建设的产出价值。

（二）核心测算公式

为精准量化成本投入与收益产出，本文设定可编辑标准化测算公式，具体如下：

1. 数据中台全周期建设成本公式

$$C_{total}=C_{fixed}+C_{variable}$$

式中：$$C_{total}$$ 为全周期总成本；$$C_{fixed}$$ 为一次性固定建设成本；$$C_{variable}$$ 为年度持续性可变成本。

$$C_{fixed}=C_{hard}+C_{soft}+C_{h1}+C_{d1}$$

式中：$$C_{hard}$$ 为硬件成本；$$C_{soft}$$ 为软件成本；$$C_{h1}$$ 为建设人力成本；$$C_{d1}$$ 为初期数据治理成本。

$$C_{variable}=C_{main}+C_{h2}+C_{iter}$$

式中：$$C_{main}$$ 为运维成本；$$C_{h2}$$ 为持续人力成本；$$C_{iter}$$ 为迭代优化成本。

2. 数据中台投资收益率公式

$$ROI=rac{R_{total}-C_{total}}{C_{total}} imes 100%$$

式中：$$ROI$$ 为投资收益率；$$R_{total}$$ 为年度综合收益总额。

3. 新质生产力效率测算公式

$$TFP_{new}=lpha imes E_{eff}+eta imes V_{val}+gamma imes I_{inn}$$

式中：$$TFP_{new}$$ 为零售企业新质生产力水平；$$E_{eff}$$ 为经营效率指标；$$V_{val}$$ 为经济价值指标；$$I_{inn}$$ 为创新赋能指标；$$lpha、eta、gamma$$ 为各维度权重系数。

（三）行业成本收益现状统计（2024年行业数据）

本文整理2024年Gartner、艾瑞咨询零售数字化行业报告及312家样本企业数据，按企业规模划分，统计不同类型零售企业数据中台建设的成本投入与收益产出均值，具体结果如下表所示。

从2024年行业统计数据可以看出，零售企业数据中台建设呈现明显的规模异质性特征。大型零售企业凭借资金、人才、业务体量优势，数据中台落地成熟度高，成本分摊效率优，投资收益率远超行业平均水平；中小型零售企业存在投入性价比偏低、收益转化缓慢等问题，小型企业投资收益率不足70%，数字化投入与产出匹配度较差。整体来看，行业内数据中台建设的新质生产力赋能效果呈现“头部领跑、中部成长、尾部滞后”的分化格局。

四、研究设计

（一）计量模型设定

为实证检验数据中台建设成本、收益对零售企业新质生产力的影响，同时考虑新质生产力存在的路径依赖与滞后效应，本文构建静态面板模型与动态面板GMM模型，同时构建中介效应模型检验传导机制。

1. 基准回归模型

$$TFP_{newit}=lpha_0+lpha_1Cost_{it}+lpha_2Control_{it}+mu_i+delta_t+arepsilon_{it}$$

式中：$$TFP_{newit}$$ 为i企业t年度新质生产力水平；$$Cost_{it}$$ 为数据中台综合投入成本；$$Control_{it}$$ 为控制变量；$$mu_i$$ 为个体固定效应；$$delta_t$$ 为时间固定效应；$$arepsilon_{it}$$ 为随机误差项。

2. 动态面板模型

考虑新质生产力的滞后性与模型内生性问题，引入滞后一期被解释变量，构建动态GMM模型：

$$TFP_{newit}=lpha_0+lpha_1TFP_{newi(t-1)}+lpha_2Cost_{it}+lpha_3Control_{it}+mu_i+delta_t+arepsilon_{it}$$

式中：$$TFP_{newi(t-1)}$$ 为新质生产力滞后一期值，其余变量含义同上。

3. 传导机制模型

为检验数据中台建设通过收益维度赋能新质生产力的路径，构建中介效应模型：

$$Med_{it}=eta_0+eta_1Cost_{it}+eta_2Control_{it}+mu_i+delta_t+arepsilon_{it}$$

$$TFP_{newit}=gamma_0+gamma_1Cost_{it}+gamma_2Med_{it}+gamma_3Control_{it}+mu_i+delta_t+arepsilon_{it}$$

式中：$$Med_{it}$$ 为中介变量，分别选取运营效率、库存周转、营销收益三大核心收益指标。

（二）变量说明

1. 被解释变量

新质生产力水平（TFPnew）：参考新质生产力测算通用范式，结合零售行业特征，从效率、价值、创新三个维度加权测算得出，数值越高代表企业新质生产力发展水平越高。

2. 核心解释变量

数据中台建设投入（Cost）：采用企业年度数据中台全周期投入成本占营业收入比重衡量，同时区分固定成本投入（Cost1）、可变成本投入（Cost2）两个细分指标。

3. 中介变量

（1）运营效率（Eff）：采用企业年度运营成本率衡量，成本率越低，运营效率越高；

（2）库存周转（Inv）：采用企业库存周转率年度提升率衡量资源配置效率；

（3）营销收益（Mar）：采用企业客户生命周期价值提升率衡量数据赋能商业收益。

4. 控制变量

（1）企业规模（Size）：采用企业年末总资产对数衡量，控制企业体量差异；

（2）资产负债率（Lev）：采用企业总负债/总资产衡量，控制财务风险影响；

（3）企业年龄（Age）：采用企业成立年限衡量，控制经营成熟度差异；

（4）研发投入（Rd）：采用企业年度研发费用占营收比重衡量创新基础；

（5）数字化程度（Dig）：采用企业数字化业务营收占比衡量整体数字化水平。

（三）样本选择与数据来源

本文选取2021-2024年国内A股上市零售企业为研究样本，涵盖商超、家电零售、服饰零售、生鲜零售、电商实体等细分业态。为保证数据有效性，对样本进行如下处理：剔除ST、*ST异常经营企业，剔除数据严重缺失、未开展数字化转型的企业，最终得到312家企业、1248个年度平衡面板观测值。

样本数据主要来源于企业年度财报、Wind数据库、东方财富数据库、2024年零售数字化行业白皮书、Gartner官方调研数据，所有连续变量均进行1%分位缩尾处理，规避极端值干扰。本文实证分析采用Stata17.0软件完成。

（四）描述性统计

对所有变量进行描述性统计，结果如下表所示，可直观反映样本数据的分布特征。

五、实证结果分析

（一）基准回归结果

本文采用动态GMM模型解决内生性问题，检验数据中台建设总成本、细分成本对零售企业新质生产力的影响，回归结果如下表所示。

注：括号内为Z统计量，***、**、*分别代表1%、5%、10%的显著性水平，下同。

由基准回归结果可知，模型AR(1)P值均小于0.01，AR(2)P值、SarganP值均大于0.1，说明模型不存在二阶序列相关与工具变量过度识别问题，模型设定有效。

核心解释变量方面，数据中台综合投入成本（Cost）在1%显著性水平下正向影响零售企业新质生产力，系数为0.382，表明数据中台建设投入每提升1个单位，企业新质生产力水平提升0.382个单位，数据基建投入能够有效激活数据要素价值，赋能零售企业数字化、智能化升级。细分成本维度来看，一次性固定建设成本（Cost1）系数0.415，正向赋能效应更强，说明底层基建、系统搭建等固定投入是夯实数据赋能能力的核心基础；年均可变运维成本（Cost2）系数0.296，在5%水平下显著，说明持续的迭代优化、运维投入能够保障数据中台长效赋能，但边际效应弱于固定投入。

滞后一期新质生产力系数显著为正，表明零售企业新质生产力存在明显的路径依赖，前期的数字化转型成效会持续赋能当期生产力升级，符合新质生产力渐进式培育、持续性迭代的发展特征。

控制变量层面，企业规模、研发投入、数字化程度均显著正向影响新质生产力，说明企业体量越大、研发能力越强、数字化基础越好，数据中台的成本收益转化效率越高；资产负债率显著负向影响新质生产力，过高的财务杠杆会挤占数字化投入资源，抑制数据赋能效果；企业年龄在10%水平下显著为正，成熟企业的业务体系更完善，更易落地数据中台的价值转化。

（二）传导机制检验结果

为厘清数据中台建设成本投入赋能新质生产力的具体路径，本文分别以运营效率、库存周转、营销收益为中介变量开展检验，结果表明三条传导路径均显著成立。

第一，成本投入→优化运营效率→提升新质生产力。数据中台通过全域数据整合、自动化数据治理，替代传统人工统计、线下核查模式，显著降低企业人力、管理、运维成本，提升整体运营效率，实现新质生产力的高效化升级。

第二，成本投入→改善库存周转→提升新质生产力。数据中台可实现销售数据、消费需求、库存数据的实时联动，通过智能预测需求、智能补货调配，有效降低库存积压、减少资源损耗，优化企业资源配置效率，契合新质生产力集约高效的核心要求。

第三，成本投入→赋能精准营销→提升新质生产力。数据中台通过用户画像、消费行为分析，实现全域精准营销，提升客户转化率与生命周期价值，挖掘数据要素商业价值，助力企业价值增值与模式创新。

（三）异质性分析

为探究不同规模企业的差异化效果，将样本分为大型、中小型零售企业两组分别回归，结果显示：大型企业数据中台成本投入的赋能系数为0.523（1%显著），中小型企业系数为0.217（5%显著）。大型零售企业具备完善的业务体系、人才团队与资金储备，能够充分消化数据中台的投入成本，实现成本高效转化、收益持续释放；而中小型企业存在数据治理能力不足、业务适配度低、人才短缺等问题，导致数字化投入的赋能效应被削弱，成本收益匹配度较差，这也与前文行业统计数据的结论一致。

六、结论与政策启示

（一）研究结论

本文基于新质生产力视角，以2021-2024年312家上市零售企业面板数据为样本，系统测算数据中台建设的全周期成本与多维收益，实证检验数据中台建设对零售企业新质生产力的赋能效应与传导机制，主要结论如下：

第一，零售企业数据中台建设成本分为一次性固定成本与持续性可变成本，行业规模异质性差异显著，大型企业投入体量更大、成本分摊效率更高，中小型企业投入性价比偏低、收益转化滞后。2024年行业数据显示，大型零售企业数据中台综合投资收益率可达192.3%，小型企业仅为68.5%。

第二，数据中台建设投入能够显著正向赋能零售企业新质生产力提升，其中一次性固定基建投入的赋能效应强于持续性运维投入，且新质生产力存在显著的路径依赖特征，呈现渐进式升级态势。

第三，数据中台建设通过“优化运营效率、改善库存周转、赋能精准营销”三条路径赋能新质生产力升级，实现了资源配置优化、经营效率提升、商业价值增值的多重效果。

第四，数据中台的赋能效应存在显著的企业规模异质性，大型零售企业的成本收益转化效率、新质生产力提升效果远优于中小型零售企业，行业数字化转型效果分化明显。

（二）政策启示

基于上述研究结论，结合新质生产力培育要求与零售行业数字化转型现状，提出以下对策建议：

1. 分层布局数据中台建设，优化成本投入结构。零售企业需结合自身规模、业务体量精准规划数字化投入，避免盲目建设、过度投入。大型零售企业可持续加大固定基建与技术迭代投入，打造智能化数据中台体系，充分释放数据要素赋能价值；中小型零售企业可采用轻量化、订阅式中台建设模式，降低一次性固定投入压力，优先落地核心业务数据治理、库存优化、精准营销等刚需功能，提升投入性价比。同时企业需合理分配固定成本与可变成本投入比例，保障中台长效稳定运行。

2. 畅通数据赋能传导路径，放大新质生产力培育成效。企业需聚焦运营、库存、营销三大核心传导路径，深化数据中台与业务场景的深度融合。依托数据中台实现全链路数据打通，简化业务流程、压降运营成本；搭建智能库存预测模型，实现供需精准匹配，提升资源配置效率；基于用户数据画像开展全域精准营销，挖掘消费增量价值，从效率、资源、价值多维度持续培育新质生产力。

3. 补齐中小企业数字化短板，缩小行业转型差距。政府与行业平台需针对性赋能中小零售企业数字化转型，推出轻量化数据中台服务、数字化转型补贴、技术人才培训等扶持政策，降低中小企业数字化转型门槛。同时搭建行业数据共享平台，推动头部企业成熟技术、治理经验、模型体系的行业复用，缓解中小企业数据治理能力不足、人才短缺等问题，提升全行业数据中台成本收益转化效率。

4. 建立长效运维迭代机制，保障数字化赋能持续性。零售企业需摒弃“重建设、轻运维”的转型误区，建立常态化数据治理、系统迭代、人才培养机制。通过持续的技术优化、数据整改、业务适配，不断提升数据中台的数据质量与业务赋能能力，依托数据要素持续驱动企业技术进步、效率提升、模式创新，实现新质生产力的稳步迭代、长效升级。