摘要：基于2012-2023年我国30个省份商贸行业省级面板数据，构建商贸行业大数据应用水平与新质生产力综合评价指标体系，运用熵值法完成核心变量测度，依托双向固定效应基准模型、中介效应模型与调节效应模型，系统探究商贸行业大数据应用对新质生产力的赋能效应、内在作用路径与边界条件。实证结果表明：商贸行业大数据应用对新质生产力发展存在显著的正向赋能效应，经过替换变量、缩样回归等稳健性检验后结论依然成立；异质性层面，东部地区、大数据应用高水平区域的赋能效应更为突出；机制检验显示，商贸大数据应用可通过优化行业科技创新水平、完善商贸流通效率两条路径赋能新质生产力升级；绿色数字化创新投入具备显著正向调节作用，可放大大数据应用的赋能红利。基于研究结论，提出完善商贸大数据基础设施、深化数据要素行业应用、强化科技与绿色创新协同的发展建议，助力商贸行业高质量转型与新质生产力培育。

关键词：商贸行业；大数据应用；新质生产力；流通效率；绿色数字化创新

中图分类号：F724.6           文献标识码：A

一、引言

2024年中共中央政治局第十一次集体学习明确新质生产力的核心内涵，界定其是以创新为核心驱动、突破传统增长模式、具备高科技、高效能、高质量特征的先进生产力质态，为各行业转型升级指明核心方向。商贸行业作为连接生产与消费、贯通国内国际双循环的关键枢纽，是培育新质生产力、推动实体经济高质量发展的核心载体。数字经济时代下，大数据技术的普及应用彻底重构了商贸行业的采购、仓储、物流、营销、风控全链条体系，打破了传统商贸信息壁垒、资源错配、效率偏低的发展瓶颈，成为商贸行业培育新动能、塑造新优势的核心抓手。

当前，数据要素已正式纳入新型生产要素范畴，商贸行业海量的交易数据、流通数据、消费数据、物流数据具备极强的挖掘价值与乘数效应，能够实现生产要素的重构优化与产业模式的迭代升级。统筹推进大数据技术与商贸行业深度融合，激活商贸数据要素价值，是商贸行业摆脱粗放式发展、培育新质生产力、实现提质增效的关键路径。因此，实证解析商贸行业大数据应用对新质生产力的赋能机制、异质性特征与调节边界，对推动商贸行业数字化转型、完善现代化商贸流通体系、助力经济高质量发展具有重要的理论价值与现实意义。

现有学界研究围绕新质生产力展开了丰富探讨，早期研究多聚焦新质生产力的内涵界定、理论框架、培育路径等定性分析（郭凯明，2024[1]），后续学者逐步构建多维度指标体系完成新质生产力的量化测度（王珏，2024[2]）。在行业数字化与新质生产力的关联研究中，多数研究聚焦宏观数实融合、制造业数字化转型视角，探讨其对新质生产力的驱动作用（刘一书，2025[3]）。针对商贸行业的研究，多集中于数字化转型对商贸流通效率、产业升级的影响，鲜有文献专门聚焦商贸行业大数据应用这一核心维度，系统实证检验其对新质生产力的赋能效应与内在机制，且缺乏对区域差异、应用水平差异的异质性分析，同时忽略了绿色数字化创新的调节赋能作用。

相较于现有研究，本文的边际贡献主要体现在三方面：第一，聚焦商贸行业细分领域，针对性构建商贸行业大数据应用评价指标体系，精准量化行业大数据发展水平；第二，引入商贸流通效率、行业科技创新水平作为中介变量，绿色数字化创新投入作为调节变量，完整揭示大数据应用赋能新质生产力的内在路径与边界条件；第三，从区域区位、大数据应用水平双维度开展异质性检验，细化不同场景下的赋能差异，为分区域、分梯度推进商贸行业数字化转型、培育新质生产力提供实证支撑与精准施策依据。

二、理论分析与研究假设

（一）商贸行业大数据应用对新质生产力的直接赋能机制

新质生产力的核心特征是创新驱动、高效高质、绿色低碳，商贸行业大数据应用从要素重构、效率升级、产业迭代三个维度直接赋能新质生产力发展。其一，要素重构层面，大数据打破传统商贸劳动力、资本、物资等生产要素的固化配置模式，激活海量交易数据、消费数据、物流数据等新型生产要素，实现数据要素与传统商贸要素的跨界融合、精准匹配，破解传统商贸资源错配、供需失衡等痛点，优化生产要素配置效率。其二，效率升级层面，大数据通过智能算法、时序分析、精准预测等技术，实现商贸采购选型、智能仓储、精准营销、物流调度、风险管控全流程智能化升级，有效降低流通成本、缩短交易周期、提升运营效率，契合新质生产力高效能的核心特征。其三，产业迭代层面，大数据应用催生无人零售、直播电商、智慧物流、跨境数字贸易等商贸新业态、新模式，推动传统粗放式商贸向数字化、智能化、集约化转型，优化商贸产业集群布局，构建现代化商贸产业体系，全方位赋能新质生产力培育。基于此，本文提出研究假设1。

H1：商贸行业大数据应用能够显著正向赋能新质生产力发展。

（二）中介作用机制

1. 行业科技创新水平的中介作用

商贸行业大数据应用是提升行业科技创新水平的核心驱动力，而科技创新是新质生产力培育的核心内核。一方面，大数据技术为商贸行业技术创新提供数据支撑与技术底座，通过整合行业全链条数据，精准识别行业技术短板、市场需求痛点，为商贸智能设备研发、数字服务创新、流通技术迭代提供精准方向，加速商贸领域科技创新成果落地；另一方面，大数据搭建的数字化创新平台，打破了商贸行业创新主体的信息壁垒，推动企业、科研机构、市场主体的知识共享与技术协同，提升行业整体创新效率。同时，行业科技创新水平的提升，能够推动商贸劳动资料智能化升级、培育高素质数字化从业队伍、优化劳动对象配置，从新质生产力三大核心要素维度推动行业高质量发展。据此，提出研究假设2。

H2：商贸行业大数据应用可通过提升行业科技创新水平赋能新质生产力发展。

2. 商贸流通效率的中介作用

流通效率是商贸行业新质生产力的核心体现，也是大数据应用赋能行业发展的重要传导路径。传统商贸流通存在链路冗长、信息滞后、库存积压、物流低效等问题，制约生产力升级。大数据应用能够实现商贸全链路数据贯通，通过供需数据精准匹配优化采购与销售结构，通过智能库存算法降低库存积压率，通过物流大数据调度优化运输路径、缩短流通时效，全面提升商贸流通周转效率、降低行业综合运营成本。流通效率的提升能够推动商贸行业资源高效利用、产业良性循环，加速摆脱传统粗放发展模式，培育高效高质的新型商贸生产力。据此，提出研究假设3。

H3：商贸行业大数据应用可通过提升商贸流通效率赋能新质生产力发展。

（三）绿色数字化创新的调节作用

绿色数字化创新投入能够正向调节商贸行业大数据应用对新质生产力的赋能效应，二者存在显著的协同赋能特征。新质生产力兼具高质量与绿色低碳双重属性，单纯的数字化转型难以完全契合新质生产力发展要求，绿色数字化创新可实现大数据技术与绿色低碳发展的深度融合。一方面，绿色数字化创新投入的增加，能够推动大数据技术在绿色仓储、低碳物流、节能运营、绿色营销等场景的落地应用，降低商贸行业能耗与碳排放，实现数字化与绿色化协同升级；另一方面，绿色数字化技术的突破，能够拓展商贸大数据的应用场景，提升数据要素的绿色价值转化能力，进一步放大大数据应用对产业升级、效率提升、绿色转型的驱动作用，强化其对新质生产力的赋能效果。据此，提出研究假设4。

H4：绿色数字化创新投入越高，商贸行业大数据应用对新质生产力的赋能效应越强。

三、研究设计

（一）变量选取与定义

1. 被解释变量

新质生产力（NQP）。参照王珏（2024）[2]、重塑商贸流通新质生产力相关研究，结合商贸行业特性，从新型劳动者、新型劳动资料、新型劳动对象、绿色高质量发展四个维度构建商贸行业新质生产力评价指标体系，采用熵值法测算2012-2023年各省份商贸行业新质生产力综合水平，指标体系如表1所示。

2. 解释变量

商贸行业大数据应用水平（BD）。参考现有数字经济、行业大数据测度成果，结合商贸行业全链条发展特征，从大数据基础设施、大数据产业应用、大数据创新能力、数据流通水平四个维度构建评价指标体系，运用熵值法测算各省份商贸行业大数据应用综合水平，指标体系如表2所示。

3. 中介变量

行业科技创新水平（STL）：采用各省份商贸行业科研经费投入占行业营收比重、商贸领域专利授权数量对数化处理后的综合值衡量，反映商贸行业整体科技创新能力。

商贸流通效率（EFF）：采用库存周转率、物流周转时效、商贸流通产值增速综合测算，通过熵值法得到流通效率综合指数。

4. 调节变量

绿色数字化创新投入（GDI）：采用各省份商贸行业绿色数字专利授权数量、绿色数字化研发投入总额对数化处理后的综合指标衡量，体现行业绿色数字化创新投入力度。

5. 控制变量

为规避遗漏变量偏差，结合商贸行业发展特征选取控制变量：政府干预程度（GOV），以地方财政一般预算支出与地区GDP比值衡量；城镇化率（URB），城镇人口占总人口比重；行业对外开放水平（OPEN），商贸行业进出口总额占地区GDP比重；劳动力质量（LAB），商贸行业从业人数对数；产业结构水平（IND），第三产业产值占地区GDP比重。

（二）指标评价体系

表1 商贸行业新质生产力评价指标体系

表2 商贸行业大数据应用水平评价指标体系

（三）数据来源与描述性统计

本文选取2012-2023年中国30个省级行政区（剔除西藏、港澳台地区）商贸行业面板数据，共获得360个观测样本。数据主要来源于《中国统计年鉴》《中国商贸流通统计年鉴》《中国科技统计年鉴》、各省份统计年鉴、WIND数据库、国家数据局公开数据及商贸行业数字化发展报告。针对少量缺失数据，采用线性插值法进行补充完善，所有变量均进行标准化处理以消除量纲影响。各变量描述性统计结果如表3所示。

表3 变量描述性统计

（四）模型设定

为精准检验商贸行业大数据应用对新质生产力的赋能效应、中介机制与调节效应，本文构建可编辑的双向固定效应基准模型、中介效应模型与调节效应模型。

1. 基准回归模型

构建双向固定效应模型检验大数据应用对新质生产力的直接赋能作用：

$$NQP_{it}=\alpha_0+\alpha_1 BD_{it}+\sum\alpha_k Controls_{it}+\mu_i+\delta_t+\varepsilon_{it} \tag{1}$$

式中：$$NQP_{it}$$为i省份t年商贸行业新质生产力水平；$$BD_{it}$$为i省份t年商贸大数据应用水平；$$Controls_{it}$$为系列控制变量；$$\mu_i$$为省份固定效应；$$\delta_t$$为时间固定效应；$$\varepsilon_{it}$$为随机扰动项；$$\alpha_1$$为核心解释变量系数，若显著为正则假设H1成立。

2. 中介效应模型

为验证科技创新水平、流通效率的中介作用，构建依次回归的中介效应模型：

$$M_{it}=\beta_0+\beta_1 BD_{it}+\sum\beta_k Controls_{it}+\mu_i+\delta_t+\varepsilon_{it} \tag{2}$$

$$NQP_{it}=\gamma_0+\gamma_1 BD_{it}+\gamma_2 M_{it}+\sum\gamma_k Controls_{it}+\mu_i+\delta_t+\varepsilon_{it} \tag{3}$$

式中：$$M_{it}$$为中介变量（STL、EFF），依次检验核心变量对中介变量、核心变量与中介变量共同对被解释变量的影响，判断中介效应是否成立。

3. 调节效应模型

引入绿色数字化创新投入与大数据应用的交互项，构建调节效应模型：

$$NQP_{it}=\theta_0+\theta_1 BD_{it}+\theta_2 GDI_{it}+\theta_3 BD_{it}\times GDI_{it}+\sum\theta_k Controls_{it}+\mu_i+\delta_t+\varepsilon_{it} \tag{4}$$

式中：$$BD_{it}\times GDI_{it}$$为交互项，若$$\theta_3$$显著为正，说明绿色数字化创新投入存在正向调节作用，假设H4成立。

四、实证结果与分析

（一）基准回归结果分析

为逐步验证核心变量的赋能效应，本文采用逐步加入控制变量的方式进行基准回归，同时控制省份与时间双向固定效应，回归结果如表4所示。列（1）为未加入控制变量的基础回归，列（2）-（6）依次纳入政府干预、城镇化率、对外开放水平、劳动力质量、产业结构控制变量。

由回归结果可知，在逐步加入各类控制变量后，商贸大数据应用（BD）的系数始终在1%水平下显著为正，系数值稳定在0.712-0.796之间，说明商贸行业大数据应用能够显著正向赋能新质生产力发展，假设H1成立。从经济意义来看，商贸大数据应用水平每提升1个单位，区域商贸行业新质生产力水平平均提升0.735个单位，大数据的要素赋能、效率升级、产业迭代效应显著。控制变量中，城镇化率、劳动力质量、产业结构水平系数显著为正，说明城镇化推进、高素质劳动力供给、产业结构升级能够助力商贸新质生产力发展，与理论预期一致。

表4 基准回归结果 注：***、**、*分别表示1%、5%、10%显著性水平，括号内为t值，下表统一。

（二）稳健性检验

为验证实证结果的可靠性，本文采用两种主流方法开展稳健性检验：第一，替换被解释变量测度方法，采用主成分分析法重新测算新质生产力水平；第二，缩样检验，剔除北京、上海、天津、重庆四个直辖市样本，对剩余26个省份重新回归，稳健性检验结果如表5所示。

由表5可知，两种检验方式下，商贸大数据应用（BD）的回归系数均在1%水平下显著为正，核心结论未发生改变。替换变量后系数为8.926，缩样回归后系数为0.702，显著性与作用方向与基准回归一致，充分证明本文基准回归结论具备良好的稳健性与可靠性。

表5 稳健性检验结果

（三）异质性分析

我国各区域商贸发展基础、数字基础设施建设水平存在显著差异，大数据应用的赋能效果可能存在区域异质性与发展水平异质性，本文从两大维度开展异质性检验。

1. 区域异质性

将样本划分为东部、中部、西部三大区域分别回归，结果如表6所示。三大区域BD系数均显著为正，说明大数据应用在全国各区域均能赋能商贸新质生产力发展，但赋能强度存在明显差异。其中东部地区系数最高（0.728***），西部地区次之（0.506***），中部地区最低（0.208**）。原因在于，东部地区数字基础设施完善、商贸业态发达、数据资源丰富，大数据技术落地应用场景充足，要素转化效率更高；中部地区商贸数字化转型滞后，大数据赋能红利未充分释放；西部地区依托政策扶持，数字化转型增速较快，赋能效应优于中部。

2. 大数据应用水平异质性

以商贸大数据应用均值为分界，将样本划分为高水平组、低水平组，回归结果显示，高水平组BD系数（0.672***）显著高于低水平组（0.408***），说明大数据应用存在边际效应递增特征，应用水平越高、数据要素积累越充分，对新质生产力的赋能效果越强。

表6 异质性检验结果

（四）影响机制检验

1. 中介效应检验

依次检验科技创新水平（STL）、商贸流通效率（EFF）的中介传导机制，检验结果如表7列（1）-（4）所示。列（1）、（3）结果显示，商贸大数据应用对两大中介变量的系数均在1%水平下显著为正，说明大数据应用能够显著提升商贸行业科技创新水平与流通效率。列（2）、（4）将核心变量与中介变量同时纳入模型，结果显示BD系数依然显著为正，且中介变量系数显著为正，说明科技创新水平、流通效率均发挥部分中介效应。即商贸大数据应用可通过技术创新赋能、流通效率升级双路径推动新质生产力发展，假设H2、H3成立。

2. 调节效应检验

表7列（5）-（6）为绿色数字化创新的调节效应检验结果。列（5）仅纳入核心变量与调节变量，列（6）引入交互项BD×GDI。结果显示，交互项系数为0.072且在1%水平显著为正，说明绿色数字化创新投入存在显著正向调节作用。绿色数字化创新投入越高，大数据应用对商贸新质生产力的赋能效应越强，假设H4成立。绿色数字化创新能够实现数字化与绿色化协同，放大数据要素的价值转化能力，强化大数据的赋能红利。

表7 机制检验结果

五、研究结论与对策建议

（一）研究结论

本文基于2012-2023年中国30个省份面板数据，构建商贸行业大数据应用与新质生产力评价指标体系，依托双向固定效应模型、中介效应与调节效应模型，系统实证检验商贸行业大数据应用对新质生产力的赋能效应、作用机制与异质性特征，主要得出以下结论：

第一，商贸行业大数据应用对新质生产力发展存在显著的正向赋能效应，该结论经过替换变量、缩样回归等稳健性检验后依然成立。大数据通过要素重构、效率升级、产业迭代三重路径，有效破解传统商贸发展瓶颈，推动商贸行业新质生产力培育。

第二，赋能效应存在显著的异质性特征。区域层面，东部地区赋能效果最强，西部地区次之，中部地区最弱；发展水平层面，大数据应用高水平区域的赋能效应显著高于低水平区域，呈现边际效应递增特征。

第三，机制层面存在双重中介路径与单一调节路径。商贸大数据应用可通过提升行业科技创新水平、优化商贸流通效率两大中介路径间接赋能新质生产力发展；绿色数字化创新投入具备显著正向调节作用，能够放大大数据应用的赋能红利，实现数字化与绿色化协同赋能。

（二）对策建议

第一，全域推进商贸大数据基础设施建设，夯实新质生产力发展底座。针对中西部地区、低大数据应用区域设施短板，加大智慧物流、商贸数据中心、行业公共数据平台建设投入，打破区域数据孤岛，实现商贸交易、物流、库存、消费全链路数据贯通。鼓励商贸企业搭建数字化数据中台，整合行业数据资源，提升行业整体大数据应用能力，缩小区域数字化发展差距，释放大数据赋能乘数效应。

第二，强化科技创新与流通效率双轮驱动，畅通赋能传导路径。各地商贸行业应加大大数据技术研发与应用投入，鼓励企业开展商贸智能设备、数字服务、流通技术创新，依托科技创新推动传统商贸业态迭代。依托大数据技术优化供需匹配、智能仓储、智慧物流体系，持续提升商贸流通周转效率、降低行业运营成本，通过技术创新与效率升级双路径持续培育商贸新质生产力。

第三，加大绿色数字化创新投入，强化协同赋能效应。将绿色数字化创新纳入商贸行业发展规划，鼓励企业开展绿色大数据技术研发，推动大数据技术在低碳物流、绿色仓储、节能运营、绿色营销等场景落地。通过政策补贴、税收优惠等方式，引导商贸企业加大绿色数字化研发投入，实现大数据数字化转型与绿色低碳转型深度融合，持续放大数据要素对新质生产力的赋能效果。

第四，实施差异化区域发展策略，精准释放区域赋能红利。东部地区依托数字产业优势，重点培育商贸大数据新业态、新模式，打造行业数字化标杆；中部地区聚焦补齐数字化转型短板，推进传统商贸数字化智能化升级；西部地区依托特色商贸资源，以大数据赋能特色商贸流通、跨境数字贸易，实现区域商贸新质生产力差异化、协同化发展。

参考文献

[1]郭凯明, 王藤竹. 新质生产力的理论内涵、特征与培育路径[J]. 经济研究, 2024, 59(02): 45-62.

[2]王珏. 中国省级新质生产力测度、时空特征与驱动因素[J]. 统计与决策, 2024, 40(08): 12-17.

[3]刘一书. 数实融合赋能新质生产力发展的理论逻辑与现实路径[J]. 现代经济探讨, 2025(03): 89-96.

[4]赖时伍. 数实融合、新质生产力与中国式现代化高质量发展[J]. 统计观察, 2025(02): 34-40.

[5]赵喜仓, 洪豆. 新质生产力赋能产业数实融合的作用机制[J]. 产业经济研究, 2025(01): 56-63.

[6]罗茜, 李婷. 数字经济与实体经济耦合协调测度及效应研究[J]. 华东经济管理, 2022, 36(07): 1-9.

[7]郭晗, 白雪洁. 数字经济、要素配置与实体经济高质量发展[J]. 当代经济科学, 2022, 44(05): 78-89.