數據資產如何賦能企業高質量發展

苑澤明 尹琪 于翔

摘 要：數據資產的資產屬性和數據屬性決定了其可以改善企業傳統生產要素的配置狀態，從而賦能企業高質量發展。根據企業年報，運用機器學習算法，通過“種子詞篩選+AutoPhrase相似詞擴充+SnowNLP情感極性分析”對企業的數據資產水平進行評估，以全要素生產率衡量企業高質量發展水平，進而采用滬深A股上市公司2007—2022年的數據進行分析，結果發現：數據資產增加顯著促進了企業高質量發展，該作用主要由數據資產的處理和應用產生，數據資產獲取對企業高質量發展的影響不顯著；數據資產增加能夠改善勞動力結構、提高技術水平、抑制非效率投資、降低管理成本，從而通過對傳統生產要素的優化機制來賦能企業高質量發展；外部環境對數據資產賦能企業高質量發展具有調節作用，表現為環境不確定性、信息化水平、市場化水平和數字經濟政策供給水平的提高會強化數據資產對企業高質量發展的促進作用。因此，企業應積極開發、積累和利用數據資產，政府應持續推進地區信息化、市場化和數字經濟發展，以充分發揮數據資產的積極效應。

關鍵詞：數據資產；高質量發展；傳統生產要素；勞動力結構；資本配置效率；技術水平；管理效率

中圖分類號：F27；F273.4? 文獻標志碼：A? 文章編號：1674-8131（）0-0054-20

一、引言

在數智時代，隨著數字技術和數字經濟的快速發展，數據資源呈現出指數級增長態勢，推動著社會生產方式、生活方式發生深刻變革。在數字經濟形態下，數據驅動的新產品、新服務、新業態和新模式不斷完善和發展，數據成為一種新型生產要素，并催生出企業經濟效益的新增長點，已經具備在財務報告中被確認為資產的條件，即形成了數據資產（孫穎 等，2021）［1］。截至2023年，中國信息通信研究院云計算與大數據研究所發布的《數據資產管理實踐白皮書》已更新至6.0版本，其指出數據資產是指由企業擁有或控制的，能夠為企業帶來未來經濟利益的，以物理或電子方式記錄的數據資源。在此背景下，如何有效利用數據資產、激活數據資產潛能、挖掘數據資產生產力，成為國家和企業培育發展新動能、構筑競爭新優勢的重要命題。與此同時，黨的二十大報告指出，高質量發展是全面建設社會主義現代化國家的首要任務。企業是國民經濟發展的微觀基礎，經濟高質量發展首先需要實現企業的高質量發展。企業高質量發展意味著其生產函數整體處于最優狀態，即各類生產要素在限定條件下實現利益最大化的最優配置（陽鎮，2023）［2］。數據成為新的生產要素，改變了企業的生產函數，此時，數據資產不僅本身會帶來豐厚的經濟利益，而且還會通過促進傳統生產要素的迭代和流動來優化生產要素的整體配置，從而推動企業高質量發展。因此，深入研究數字資產對企業高質量發展的影響及其機制，有助于進一步充分發揮數據要素的積極作用，進而帶動經濟高質量發展。

關于企業高質量發展的影響因素，已有文獻從企業特征及外部環境等方面進行了廣泛研究，如營商環境（周澤將 等，2022）［3］、政府補貼（鄭飛 等，2022）［4］、企業創新（陳麗姍 等，2019）［5］、高管特征（李雄飛，2022）［6］、杠桿率（宋清華 等，2021）［7］等。隨著數字經濟的發展，大量文獻就數字經濟（劉艷霞，2022；陽鎮，2023）［8］［2］、數字金融（張超 等，2022）［9］、數字技術（李朝鮮，2022；黃勃 等，2023；栗曉云 等，2023）［10-12］、數字政府（岳宇君 等，2023）［13］、數字化轉型（吳浩強 等，2023；高躍 等，2023；王羲 等，2024）［14-16］等對企業高質量發展的影響進行了探討，但少有研究考察數據要素或數據資產對企業高質量發展的影響。孫穎和陳思霞（2021）［1］研究發現，數據資產促進了科技服務企業的高質量發展；楊向陽和徐從才（2024）［17］分析表明，數據要素主要通過降本增效和提質增效兩條路徑促進了流通企業的高質量發展。可見，有必要進一步深入研究數字資產對企業高質量發展的影響及其機制。

近年來，數據資產受到學術界的高度關注，成為研究熱點之一，然而，關于數據資產的經濟效應研究相對較少。其中，在對企業發展及行為的影響方面，數據資產能夠通過緩解融資約束和加強研發合作來提高企業創新意愿和拓展企業創新資源，從而增加企業創新投入（李健 等，2023）［18］，并通過嵌入有價值的信息來提高企業運營效率（Hu et al.，2022）［19］，作用于企業的成本管理、組織建設和風險管控（Kiron，2017；Sivarajah et al.，2020）［20-21］，進而增加企業經濟利潤（Begenau et al.，2018）［22］，提升企業價值（苑澤明 等，2022）［23］，促進企業高質量發展（孫穎 等2021）［1］。此外，路征等（2023）［24］研究發現，數據資產通過降低信息不對稱程度、降低交易成本和提高企業創新能力三條路徑促進了企業發展；陸岷峰等（2023）［25］分析表明，數據資產通過提高產品市場份額、抑制管理層跟風投資、提升資源配置效率、助力企業轉型升級等路徑提高了企業的產能利用率。但這些研究均未從數據資產對傳統生產要素的影響視角來探究這一新型生產要素對企業高質量發展“賦何能”的問題。

作為數字經濟時代的新型生產要素，數據資產依托于數字產業化和產業數字化，嵌入實體經濟的各個領域，與勞動力、資本、自然資源、技術、管理等傳統生產要素在價值鏈和產業鏈中深度融合，產生“鯰魚效應”，促進企業的人力資源和資本積累、技術進步以及管理提效，從而顯著提高企業的全要素生產率，有效推動企業高質量發展。因此，數據資產的價值創造是建立在優化傳統生產要素的基礎之上的，對于數據資產賦能企業高質量發展的研究，有必要從改善生產要素配置的視角出發，探究數據資產對傳統生產要素的優化機制。有鑒于此，本文在已有研究的基礎上，探討數據資產通過優化傳統生產要素來促進企業高質量發展的機制，并采用滬深A股上市公司2007—2022年的數據進行實證檢驗。

與已有文獻相比，本文的邊際貢獻主要在于：第一，考察了數據資產對企業高質量發展的影響，并從對勞動力、資本、技術、管理4種傳統生產要素的優化角度展開機制分析（勞動力結構改善機制、資本配置效率提升機制、技術創新積累機制、管理提質增效機制），拓展和深化了數據資產的經濟效應研究，并為數據資產對傳統生產要素的改善效應和對企業高質量發展的促進作用提供了新的經驗證據，有助于深入認識和理解數字經濟形態下數據資產的積極功效。第二，基于數據資產“獲取—處理—應用”的底層邏輯，采用“種子詞篩選+AutoPhrase相似詞擴充+SnowNLP情感極性分析”的方法對企業數據資產水平進行測算，并構建了包括“數據資產獲取”“數據資產處理”“數據資產應用”3個層面的數據資產特征詞譜，為客觀評估企業的數據資產水平提供了一種有效方法。第三，進一步分析了環境不確定性、城市信息化水平、地區市場化水平以及數字經濟政策等外部環境對數據資產影響企業高質量發展的調節作用，為充分發揮數據資產的積極效應提供了經驗借鑒和策略啟示。

二、理論分析與研究假說

1.數據資產與企業高質量發展

近年來，作為數字經濟時代的新型戰略性資源，數據資產引起學界的高度關注。現有研究從數據資產的概念框架出發，一方面通過對數據資產的數據屬性解讀探求其產生經濟收益的可能性及途徑，另一方面基于數據資產的資產或財產屬性探討其權屬問題（韓秀蘭 等，2023）［26］。基于此，本文主要從數據資產的資產屬性和數據屬性兩個方面，闡述其對企業高質量發展的影響。

從數據資產的資產屬性來看：數據成為資產，首先表現為企業擁有的一種稀缺性資源。根據資源基礎理論，稀有、不可替代和難以模仿的異質性資源是企業競爭優勢的核心來源，對于促進企業業績提升、推動企業高質量發展具有重要作用。企業對數據資源進行清洗和標準化處理，匹配數據源并刪除冗余數據，使得數據資源成為產權明晰的資產并進入財務報表。由此，數據資產具有了可閱讀、可理解和可增值的特征，企業可以利用其內含的有效信息進行商機洞察、風險管控和輔助決策等，從而降低信息搜索成本、傳遞成本和驗證成本等；同時，企業還可利用數據資產開發新技術新產品新服務，形成新的收益增長點，促進企業價值提升。此外，資產化的數據資源具有可控制、可計量、可使用的特征，會在流通中進一步權益化，進而可以作為權益工具進行股權投資或融資，比如進入資本市場開展抵押、托管、信托及保險等金融業務，有效拓寬企業的融資渠道，降低企業的融資成本，有利于化解企業高質量發展的融資困境。因此，數據資產基于數據價值鏈，歷經從資源化到資產化再到資本化的價值形態演進，為企業追求更高水平、高層次、高效率的價值創造提供了更好的條件和優勢，進而賦能企業高質量發展。

從數據資產的數據屬性來看：數據資產在本質上是一種信息知識資產，具有促進技術進步、提高生產效率、改善經營管理的能效。企業可以利用數據資產所蘊含的知識和信息開發新技術新產品、改進業務流程、提高經營管理效率，從而增強競爭優勢；還可以通過數據資產來緩解企業與外部信息使用者的信息不對稱，構建縱向貫通、橫向互聯的數據共享體系，在數據資產的流通與應用過程中與其他經濟主體更好地實現優勢互補。相比其他生產要素，數據資產具有虛擬替代性、無消耗性和共享性等特點，能夠源源不斷地產生和循環使用，并促進傳統生產要素的流動配置和優化組合，產生價值倍增效應和投入替代效應（羅玫 等，2023）［27］。一方面，數據資產與傳統生產要素深度融合，比如金融科技（資本要素）、智能機器人（勞動力要素）、人工智能（技術要素）、數字孿生（自然資源）等，可以顯著提升傳統生產要素的生產效率，產生價值倍增效應；另一方面，數據資產可以對人力和管理等傳統生產要素產生虛擬替代效應，用更少的物質資源創造出更多的物質財富。例如，利用大數據智能技術來模擬人腦思維進行分析與決策，從而實現對部分人力的替代。與此同時，數據商品也可與傳統生產要素相結合，對企業的資產結構、勞動力結構、技術結構以及管理決策等進行優化，從而改善企業的生產要素配置，促進企業高質量發展。

基于上述分析，本文提出假說H1：數據資產增加能夠顯著促進企業高質量發展。

2.數據資產對傳統生產要素的優化作用

不同于傳統生產要素，數據資產具有無實物形態的特點，其更多的是以信息和知識來驅動企業發展。數據資產除了可以直接改善企業的生產經營狀態外，還能夠通過技術流、資金流、人才流等突破傳統生產要素的稀缺性和排他性限制，改善企業的勞動力、資本、技術和管理等傳統生產要素的配置狀態，產生基礎性資源優化效應，并帶來全要素生產率的提升。因此，本文認為數據資產能夠通過對傳統生產要素的優化機制來賦能企業高質量發展，并主要基于勞動力、資本、技術和管理四種傳統生產要素展開分析。

（1）勞動力結構改善機制

第一，數據資產具有勞動力篩選效應。數據本身具有復制成本較低、確權模糊和收益難以轉化等特點，這使得數據資產的整合難度大，因而企業沉淀數據資產需要招攬高素質和高技能的人才來進行數據匯聚、處理、管理、應用及流通。同時，企業在利用數據資產進行生產運營模式的平臺化、智能化、生態化轉變過程中，高重復性、低技能的就業崗位會被知識技能型崗位替代，導致技術型員工比例提高。第二，數據資產具有勞動力素質提升效應。數據資產是企業通過數據清理、數據標準化、數據搜索匹配等形成的有價值的高質量數據，可以有效地轉化為具有新的廣度、深度和高度的內外部信息，有利于企業員工通過“干中學”及“再教育”等方式來提升自身的知識與技能，從而促使企業的人力資本水平整體提升。第三，數據資產具有人才吸引效應。數據資產是不可替代和難以復制的競爭性資源，企業擁有的數據資產越多，越能夠向外界傳遞其具有獨特優勢和巨大發展潛力的正面信號，從而吸引具有豐富經驗和專業知識的高素質人才進入。企業的高質量發展與其勞動力結構緊密相關，高層次和高質量的人才越多，學習能力、吸收能力、轉化能力和擴散能力越強，越能夠實現技術突破、轉型升級和新舊動能轉化。因此，數據資產可以通過勞動力結構改善機制提升企業的人力資本水平，進而促進企業高質量發展。

基于上述分析，本文提出假說H2a：數據資產增加可以通過改善勞動力結構的路徑來賦能企業高質量發展。

（2）資本配置效率提升機制

第一，數據資產具有投資決策優化效應。數據資產的增加有助于企業投資決策的可視化，可以通過直觀的方式呈現相關信息，便于管理者從海量的數據中快速獲取有效的信息和知識，為投資決策提供更全面準確的數據支持，還能夠通過“數據+算法”的科學決策模式對資本配置組合進行智能評估、模擬擇優，從而提高資本配置的有效性。第二，數據資產具有投資效率提升效應。企業可以利用數據資產進行動態持續的數據收集、反饋和分析，實時監控資本配置過程中的資本流向、使用與回收等情況，并通過風險和收益評估制定最優處置方案，及時調整資金流向，以最大化投資收益。第三，數據資產具有后期投資優化效應。企業能夠利用數據資產所包含的本期資本配置信息進行事后評價，將資本配置實際表現與原有預期相比較，深入分析投資經驗及問題所在，并據此調整后期的投資方向和結構，以進一步提高資本配置效率。資本錯配會導致企業的投資和生產行為偏離最優決策，是造成企業全要素生產率損失的主要原因之一（Song et al.，2015；陳詩一 等，2017；才國偉 等，2019）［28-30］，而數據資產對資本配置的優化作用可以顯著改善企業的投資結構、提高企業的投資效率，從而有效緩解資本錯配對企業全要素生產率提升的制約作用。因此，數據資產能夠通過資本配置效率提升機制提高企業的投資效率，進而促進企業高質量發展。

基于上述分析，本文提出假說H2b：數據資產增加可以通過提升資本配置效率的路徑來賦能企業高質量發展。

（3）技術創新積累機制

第一，數據資產具有知識溢出和積累效應。數據資產將復雜多樣的信息和知識進行標準化的數據詮釋，有助于各種顯性和隱性知識資源在企業各部門、各環節共享和傳輸，催生出網絡化的協同創新，這不僅使得企業能夠通過學習效應和積累效應獲得更多異質性技術資源和技術創新思維，提升技術創新認知，還有助于企業與相關知識主體之間的技術交流和合作，從而打破原有的技術組合，重塑并賦能企業的技術資源生成和積累。第二，數據資產具有技術創新促進效應。基于與產品研發、技術革新相關的數據資產，企業可以通過數據分析和挖掘對目標市場進行畫像，準確掌握市場需求，從而有針對性地開展技術研發活動，提高技術創新的產出和績效。第三，數據資產具有創新成本節約效應。在技術創新過程中，企業可以利用數據資產進行創新模擬，以數據試錯替代實物試錯，不但節約了技術創新成本，也提高了技術創新質量。技術進步是經濟發展的內生動力，新技術的使用會推動企業轉型升級，加快生產經營方式轉變，建立市場競爭優勢，進而促進企業高質量發展。因此，數據資產能夠通過技術創新積累機制提高企業的技術水平，進而促進企業高質量發展。

基于上述分析，本文提出假說H2c：數據資產增加可以通過促進技術創新和積累的路徑來賦能企業高質量發展。

（4）管理提質增效機制

第一，數據資產具有管理改善效應。資產化的數據提高了信息的有序性、確定性和清晰度，有助于企業利用數據信息平臺實現數據信息的實時共享，使得生產經營的各環節由串聯轉向并聯，推動信息結構從層次式轉向網絡式，進而打破各環節、各部門之間的信息屏障（陳冬梅 等，2020）［31］，減少不同部門和團隊之間的信息失真和溝通阻滯，不僅可以提高生產效率，也能夠優化管理流程和機制，提高企業管理的質量。第二，數據資產具有監管強化效應。數據資產以各類信息系統為載體，留存了企業日常生產經營的全過程信息，實現了事前、事中和事后監督全鏈條的信息穿透，并依托數據中臺等放大和擴散監管范圍，使得各行為主體的履責情況能夠得到及時客觀的反映，這將增大管理層藏匿信息的難度，從而有效緩解委托代理沖突，抑制高管自利行為，提高企業監管的有效性和內部管理的效率。企業管理質量和效率的提升，為企業更好地配置各種生產要素和改善生產經營提供了必要的內部治理保障，有利于企業的高質量發展。因此，數據資產能夠通過管理提質增效機制提高企業的經營管理水平和效率，進而促進企業高質量發展。

基于上述分析，本文提出假說H2d：數據資產增加可以通過提高經營管理效率的路徑來賦能企業高質量發展。

三、企業數據資產評估與分析

1.企業數據資產評估方法

已有文獻對企業數據資產的評估，通常采用“企業當年是否具備共享平臺、數據中臺或信息系統”或“數據資產關鍵詞是否出現在年度報告中”來體現企業數據資產的“有或無”（孫穎 等，2021；Hu et al.，2022）［1］［19］。近期，部分學者基于企業財務報表指標對數據資產的“多與少”進行了測度（李健 等，2023；路征 等，2023）［18］［24］。但由于數據資產目前還未被納入資產負債表中進行披露，基于財務報表對企業數據資產的評估難免存在遺漏。數據資產是企業利用大數據、人工智能等信息技術進行數智化轉型形成的重要經濟資源，此類特征信息會體現在具有總結和指引性質的企業年報中，因此，本文基于機器學習算法，采用“種子詞篩選+AutoPhrase相似詞擴充+SnowNLP情感極性分析”的文本分析方法對企業的數據資產水平進行評估。具體步驟如下：

第一，構建底層邏輯并選取種子詞。數據從非結構化的低價值零散形態向結構化的可被應用的高價值資產形態轉化，形成“數據價值鏈”（許憲春 等，2022）［32］。基于此，本文以“數據資產獲取—數據資產處理—數據資產應用”價值鏈為底層邏輯，結合數據資產相關文件和研究報告，從企業年報中手工篩選出分別代表“數據資產獲取”“數據資產處理”“數據資產應用”三個層面的種子詞，然后通過訪談及調查問卷的形式向學術界、大數據行業協會以及相關企業人員征詢意見，對種子詞進行調整和完善。

第二，擴展種子詞形成數據資產詞典。劉景江等（2023）［33］指出，機器學習算法擁有強大的數據處理和挖掘能力，能夠從復雜高維的非結構化數據環境中提取有價值的信息。因此，本文借鑒相關文獻對機器學習算法的應用（胡楠 等，2021；孫昌玲 等，2021）［34-35］，采用AutoPhrase方法對種子詞進行擴展，以挖掘企業年報中能夠體現數據資產的高質量特征詞。同時，進一步對特征詞譜進行檢驗與補充：首先，2023年中國信息通信研究院發布的《數據資產管理實踐白皮書（6.0版本）》指出，數據資產是以電子或其他方式（如文本、圖像、語音、視頻、網頁、數據庫、傳感信號等）記錄的結構化或非結構化數據。基于此，對與各數據記錄方式相關的關鍵詞是否納入本文特征詞譜進行檢驗與補充。其次，根據國務院印發的《“十四五”數字經濟發展規劃》、工業和信息化部與國家互聯網信息辦公室等十六部門聯合印發的《關于促進數據安全產業發展的指導意見》、工業和信息化部發布的《“十四五”大數據產業發展規劃》等官方文件，將其中提到的數據資產關鍵詞與本文的特征詞譜進行對比和擴展，以確保詞譜的全面性。最終，本文構建了如圖1所示的數據資產特征詞譜。

第三，計算詞頻和情感極性分析。考慮到中文語言在財經語料下的表達較為復雜，根據數據資產詞典，采用Python技術計算企業年報中各特征詞的詞頻，并且利用SnowNLP技術對每個出現的詞匯進行情感極性分析，最終得到經情感極性（正向、中立、負向）調整后的各特征詞詞頻。

第四，估算企業數據資產水平。將經情感極性調整后的正向及中立的各特征詞詞頻進行加總，除以

年報總詞頻再乘以100，得到反映企業數據資產水平的指標。計算公式為：

DAi，t=∑Dwordsi，t，n/Twordi，t×100。

其中，DAit為i企業t年的數據資產水平，Dwordsi，t，n為詞典中第n個特征詞在i企業t年年度報告中的詞頻，Twordi，tt為i企業t年年度報告的總詞頻（排除英文和數字）。DA值越大，則企業的數據資產水平越高。

2.數據資產評估指標的有效性檢驗

本文采用上述方法對樣本企業（滬深A股的上市公司，詳見后文）2007—2022年的數據資產水平進行了評估，為了確保評估結果能夠客觀反映企業的數據資產水平，進行如下指標有效性檢驗。

（1）指標對比檢驗

本文基于企業、行業和地區層面的相關資料和數據對企業數據資產水平評估結果進行對比分析。

一是企業層面的對比。由于數據資產具有非實體性和依附性（需依附于實物載體或介質而存在），是否擁有數據中臺和信息管理系統等對于企業的數據資產化進程具有重要意義（孫穎 等，2021）［1］，因此可認為，企業的數據中臺發展狀況能夠在一定程度上體現其數據資產水平。借鑒胡楠等（2021）［34］的檢驗思路，將《互聯網周刊》、德本咨詢、eNet研究院聯合發布《2022數據中臺TOP50》榜單企業與本文的樣本企業進行匹配，得到5家企業（用友軟件、浪潮軟件、星環科技、恒生電子、普元信息）；然后根據各樣本企業2007—2022年數據資產水平的均值將其分為最高、較高、較低和最低四組，結果發現這5家企業中有4家位于最高組，另1家位于較高組，表明本文測算的數據資產水平是有效的。此外，抽取數據資產特征詞詞頻占比前五的企業（高鴻股份、威星智能、機器人、科大智能、東方國信），仔細研讀其年報和投資者關系活動記錄表等相關資料，發現相較于大部分企業，其確實擁有較多的各類（運營類、市場和客戶類、工業類及知識產權類等）數據資產，這也在一定程度上表明本文評估得到的數據資產水平較高的企業確實擁有較多的數據資產。

二是行業層面的對比。計算出2007—2022年各行業企業數據資產水平的均值（見表1），結果顯示“信息傳輸、軟件和信息技術服務業”“文化、體育和娛樂業”“綜合類”等行業的企業數據資產水平較高，而“農、林、 牧、漁業”和“采礦業”等行業的企業數據資產水平較低，這一數據資產的行業分布狀態與已有相關研究結果一致（李健 等，2023）［18］。

三是地區層面的對比。計算出2007—2022年31個省份（不包括港澳臺地區）企業數據資產水平的均值（見表2）。貴州省的企業數據資產水平最高，這得益于2015年貴州大數據交易所的建立，貴州省的企業率先探索數據流動體系，并通過數據交易沉淀了較多數據資產。企業數據資產水平較高的省份還有北京、廣東、上海和湖北，這也與《中國數字經濟發展白皮書》中數字經濟規模突破萬億元的省份相契合。可見，本文測算的企業數據資產水平在區域分布上也與實際情況基本一致。

（2）指標相關性檢驗

根據財政部發布的《企業數據資源相關會計處理暫行規定》，企業使用的數據資源，符合規定的應確認為無形資產。在此之前，已有研究也認為數據資產應納入企業無形資產的范疇。基于此，本文根據樣本企業的財務報表，將附注中含有與數據資產化過程相關詞匯的無形資產占總資產的比例，作為衡量企業“數據類無形資產”的代理變量。例如無形資產附注中出現大數據、數字平臺、數據中心和數據共享等詞匯，即將其視為數據類無形資產。借鑒胡楠等（2021）［34］的驗證思路，以樣本企業的“數據類無形資產”（DA_IAi，t）為被解釋變量，以“數據資產水平”（DAi，t）為核心解釋變量，并納入一系列控制變量（Controls，控制變量與后文的基準模型一致）以及個體（Company）、行業（Ind）、年份（Year）固定效應，構建如下相關性檢驗模型：

DA_IAi，t=α0+α1DAi，t+∑αkControlsi，t +∑Company+∑Ind+∑Year+εi，t。

回歸結果顯示，“數據資產水平”的系數在1%的水平上顯著為正（0.078 1），表明本文測算的企業數據資產水平與企業數據類無形資產水平顯著正相關，因此可以認為該指標是有效的。

四、實證研究設計

1.基準模型構建與變量選擇

為檢驗數據資產對企業高質量發展的影響，構建如下基準模型：

TFP_LPi，t=α0+α1DAi，t+∑αkControlsi，t +∑Company+∑Year+εi，t

其中，下標i和t為分別代表企業和年份，被解釋變量（TFP_LPi，t）“高質量發展”為企業i在t年的高質量發展水平，核心解釋變量（DAi，t）“數據資產”為企業i在t年的數據資產水平；Controlsi，t表示一系列控制變量，Year和Company分別表示年份和個體固定效應，εi，t為隨機誤差項。

被解釋變量“高質量發展”采用基于LP法測算的全要素生產率來衡量。全要素生產率能體現企業各生產要素的使用狀況和配置效率，是企業發展質量和發展數量的綜合反映，具有信息豐富和綜合性強等優點，能夠反映企業高質量發展水平，且與本文探究數據資產驅動傳統生產要素改善的研究重點相契合。因此，本文選用全要素生產率作為企業高質量發展的代理變量，并借鑒魯曉東和連玉君（2012）［36］的做法，采用LP法測算樣本企業的全要素生產率。核心解釋變量“數據資產”采用前文構建的企業數據資產評估方法進行測算。

參考黃勃等（2023）［11］和黃先海（2023）［37］的研究，從企業層面選取以下控制變量：一是“資產規模”，采用總資產的自然對數值來衡量；二是“企業年齡”，采用當年年份減企業成立年份加1的自然對數值來衡量；三是“成長性”，采用營業收入的增長率來衡量；四是“資產負債率”，采用期末總負債與期末總資產之比來衡量；五是“現金流比率”，采用經營活動產生的現金流量凈額與營業收入之比來衡量；六是“市場價值”，采用總市值與總資產之比來衡量；七是“研發能力”，采用專利申請數量加1的自然對數值來衡量；八是“第一大股東持股比例”，采用年末第一大股東持股比例來衡量；九是“董事會規模”，采用董事會人數的自然對數值來衡量；十是“產權性質”，為是否國有企業的虛擬變量，國有企業賦值為1，否則賦值為0。

2.樣本選擇與數據處理

本文以滬深A股的上市公司為研究樣本，考慮到在2006年以后數字化工具開始廣泛使用（李琦 等，2021）［38］，樣本期間選定為2007—2022年，剔除金融類行業樣本、ST和*ST類樣本、數據缺失樣本，最終獲得36 589個觀測值，并對連續型變量進行前后1%的縮尾處理。企業數據資產的相關數據來自深圳證券交易所和上海證券交易所官方網站披露的上市公司年報，其他數據源自CSMAR數據庫。表3為主要變量的描述性統計結果。從整體樣本來看，“高質量發展”的標準差為1.043，最大值為11.11，最小值為6.032，表明不同企業間的發展質量存在較大差異；“數據資產”均值為0.134，最大值為1.227，最小值為0，說明樣本企業的數據資產水平總體較低，有待提高。

五、實證檢驗結果分析

1.基準模型回歸

基準模型檢驗結果見表4，“數據資產”的回歸系數在1%的水平上顯著為正，表明企業數據資產的增加對其高質量發展具有顯著的正向影響，假說H1得到驗證。考慮到本文從數據資產獲取、數據資產處理和數據資產應用3個層面確定企業的數據資產的特征詞詞譜，進一步分別統計該3個層面的特征詞詞頻數，得到相應的指標（“數據資產獲取”“數據資產處理”“數據資產應用”），用以反映不同層面的數據資產水平，并分別以其為核心解釋變量進行模型檢驗，回歸結果見表5。“數據資產獲取”的回歸系數為正但不顯著，“數據資產處理”和“數據資產應用”的回歸系數在1%的水平上顯著為正，表明在企業的數據價值鏈中，數據資產的處理和應用顯著促進了企業高質量發展，而數據資產的獲取對企業高質量發展的影響不顯著。其原因在于，處于獲取階段的數據往往是單一、零散的，這種尚未聚合的數據價值有限，往往需要經過處理后才具有應用價值；而在進入數據價值鏈的處理階段后，大量無序的原始數據經過匯集、規整和分析，呈現出可閱讀、可理解和可增值的狀態，可以從中提煉出有效的信息與知識，并應用于企業的生產經營全過程中，進而為企業帶來多元化的效益，助力企業高質量發展。

2.內生性處理

為了緩解模型可能存在的樣本自選擇偏誤、逆向因果關系以及遺漏變量等內生性問題對回歸結果的干擾，本文進行如下內生性處理：

（1）傾向得分匹配法

數據資產水平較高的企業可能本身的發展質量就較高，并非一定是由于數據資產的增加促進了其高質量發展。因此，根據企業數據資產水平的中位數將樣本劃分為“高水平”（實驗組）與“低水平”（對照組）兩組，選取“資產規模”“企業年齡”“成長性”“資產負債率”作為協變量，進行logit回歸得到傾向得分值，并借助協變量進行1∶1最近鄰匹配。樣本匹配后，變量的標準化偏差都小于2%，且實驗組與對照組無系統差異，通過了平衡性檢驗（見表6），ATT值為9.2，與前文分析結果一致。刪除沒有匹配上的樣本后重新進行模型檢驗，回歸結果見表7的Panel A，“數據資產”的回歸系數依然在1%的水平上顯著為正。

（2）工具變量法

企業的發展質量也可能會影響其數據資產水平，產生反向因果關系。對此，本文將剔除樣本企業自身后的分年度、行業的數據資產水平均值作為“數據資產”的工具變量，進行2SLS檢驗。由于數據資產在企業間存在同群效應，樣本企業的數據資產水平與同行業其他企業的數據資產水平具有相關性，同時行業內其他企業的平均數據資產水平不會對樣本企業的高質量發展產生直接作用，因而該工具變量滿足工具變量有效的相關性和外生性要求。工具變量法檢驗結果見表7的Panel B，工具變量通過了不可識別檢驗（Kleibergen-Paap rk LM統計量顯著）與弱工具變量檢驗（Kleibergen-Paap Wald rk F統計量顯著）。第一階段回歸結果顯示，工具變量與“數據資產”顯著正相關；第二階段回歸結果顯示，工具變量擬合的“數據資產”的回歸系數仍然在1%的水平上顯著為正。

（3）更換固定效應

盡管基準模型已經控制了個體固定效應和年份固定效應，但仍可能遺漏不同年份發生在特定地區或特定行業的沖擊，因此進一步增加省份固定效應和行業固定效應重新進行模型檢驗。此外，為了緩解大量干擾性因素的影響，將基準模型的固定效應更換為“省份—行業”“年份—行業”“年份—省份”三種高維交互固定效應中的兩種，分別進行模型檢驗。更換固定效應的回歸結果見表7的Panel C，“數據資產”的回歸系數均在1%的水平上顯著為正。

上述內生性處理結果表明，在緩解模型內生性問題后，本文的基本結論依然成立，即企業數據資產的增加促進了企業高質量發展。

3.穩健性檢驗

為進一步驗證基準模型分析結果的可靠性，進行以下穩健性檢驗：

（1）變量替換

一是替換核心解釋變量。在數據資產詞典中，與中立情感詞匯相比，正向情感詞匯更能體現企業對數據資產的認可及取得的成就，因此，僅加總經情感分析調整后的正向數據資產特征詞詞頻，從而得到“數據資產1”，將其作為核心解釋變量重新進行模型檢驗。此外，將數據類無形資產占比（“數據資產2”）作為核心解釋變量，重新進行模型檢驗。二是替換被解釋變量。分別采用OP法、OLS法和FE法測算樣本企業的全要素生產率，將其作為被解釋變量重新進行模型檢驗。上述檢驗結果見表8，核心解釋變量的回歸系數均在1%的水平上顯著為正，表明本文的分析結果是穩健的。

［12］栗曉云，夏傳信，施建軍.數字技術驅動制造企業高質量發展戰略研究——基于三一重工、特斯拉和酷特智能的多案例研究［J］.技術經濟，2023，42（5）：149-161.

［13］岳宇君，洪長威.數字政府建設與企業高質量發展：內在機理與實證分析［J］.學術交流，2023（7）：88-103.

［14］吳浩強，胡蘇敏.數字化轉型、技術創新與企業高質量發展［J］.中南財經政法大學學報，2023（1）：136-145.

［15］高躍，王躍堂，冀云陽.數字化轉型賦能企業高質量發展——基于城市異質性視角的分析［J］.城市問題，2023（6）：95-103.

［16］王羲，陳雪姣，曹晶，等.數字化轉型對企業高質量發展的影響——企業創新與風險承擔視角［J］.科技進步與對策，2024，41（7）：1-10.

［17］楊向陽，徐從才.數據要素與流通企業高質量發展［J］.商業經濟與管理，2024（3）：5-17.

［18］李健，董小凡，張金林，等.數據資產對企業創新投入的影響研究［J］.外國經濟與管理，2023，45（12）：18-33.

［19］HU C，LI Y，ZHENG X. Data assets，information uses，and operational efficiency［J］. Applied Economics，2022，54（60）： 6887-6900.

［20］KIRON D. Lessons from becoming a data-driven organization［J］. MIT Sloan Management Review，2017，58（2）.

［21］SIVARAJAH U，IRANI Z，GUPTA S，et al. Role of big data and social media analytics for business to business sustainability：a participatory web context［J］. Industrial Marketing Management，2020，86：163-179.

［22］BEGENAU J，FARBOODI M，VELDKAMP L. Big data in Finance and the growth of large firms［J］. Journal of Monetary Economics，2018，97：71-87.

［23］苑澤明，于翔，李萌.數據資產信息披露、機構投資者異質性與企業價值［J］.現代財經（天津財經大學學報），2022，42（11）：32-47.

［24］路征，周婷，王理，等.數據資產與企業發展——來自中國上市公司的經驗證據［J］.產業經濟研究，2023（4）：128-142.

［25］陸岷峰，王穩華，朱震.數據資產如何賦能企業高質量發展——基于產能利用率視角的經驗證據［J］.上海商學院學報，2023，24（4）：22-41.

［26］韓秀蘭，王思賢.數據資產的屬性、識別和估價方法［J］.統計與信息論壇，2023，38（8）：3-13.

［27］羅玫，李金璞，湯珂.企業數據資產化：會計確認與價值評估［J］.清華大學學報（哲學社會科學版），2023，38（5）：195-209+226.

［28］SONG Z，WU G L. Identifying capital misallocation［R］. Chicago：Univ. Chicago，Work Pap，2015.

［29］陳詩一，陳登科.中國資源配置效率動態演化——納入能源要素的新視角［J］.中國社會科學，2017（4）：67-83+206-207.

［30］才國偉，楊豪.外商直接投資能否改善中國要素市場扭曲［J］.中國工業經濟，2019（10）：42-60.

［31］陳冬梅，王俐珍，陳安霓.數字化與戰略管理理論——回顧、挑戰與展望［J］.管理世界，2020，36（5）：220-236+20.

［32］許憲春，張鐘文，胡亞茹.數據資產統計與核算問題研究［J］.管理世界，2022，38（2）：16-30+2.

［33］劉景江，鄭暢然，洪永淼.機器學習如何賦能管理學研究？——國內外前沿綜述和未來展望［J］.管理世界，2023，39（9）：191-216.

［34］胡楠，薛付婧，王昊楠.管理者短視主義影響企業長期投資嗎？——基于文本分析和機器學習［J］.管理世界，2021，37（5）：139-156+11+19-21.

［35］孫昌玲，王化成，王芃芃.企業核心競爭力對供應鏈融資的影響：資金支持還是占用？［J］.中國軟科學，2021（6）：120-134.

［36］魯曉東，連玉君.中國工業企業全要素生產率估計：1999—2007［J］.經濟學（季刊），2012，11（2）：541-558.

［37］黃先海，高亞興.數實產業技術融合與企業全要素生產率——基于中國企業專利信息的研究［J］.中國工業經濟，2023（11）：118-136.

［38］李琦，劉力鋼，邵劍兵.數字化轉型、供應鏈集成與企業績效——企業家精神的調節效應［J］.經濟管理，2021，43（10）：5-23.

［39］卜令通，張嘉偉.基于PMC指數模型的數字經濟政策量化評價［J］.統計與決策，2023，39（7）：22-27.

［40］袁淳，肖土盛，耿春曉，等.數字化轉型與企業分工：專業化還是縱向一體化［J］.中國工業經濟，2021（9）：137-155.

［41］戴翔，馬皓巍.數字化轉型、出口增長與低加成率陷阱［J］.中國工業經濟，2023（5）：61-79.

［42］江艇.因果推斷經驗研究中的中介效應與調節效應［J］.中國工業經濟，2022（5）：100-120.

［43］劉姝雯，劉建秋，陽旸.企業金融化與生產效率：“催化劑”還是“絆腳石”［J］.南開管理評論，2023，26（1）：55-68.

［44］GHOSH D，OLSEN L. Environmental uncertainty and managers use of discretionary accruals［J］. Accounting Organizations and Society，2009，34（2）：188-205.

［45］申慧慧，于鵬，吳聯生.國有股權、環境不確定性與投資效率［J］.經濟研究，2012，47（7）：113-126.

［46］張桅，胡艷.長三角地區創新型人力資本對綠色全要素生產率的影響——基于空間杜賓模型的實證分析［J］.中國人口·資源與環境，2020，30（9）：106-120.

［47］王小魯，樊綱，胡李鵬.中國分省份市場化指數報告（2018）［M］. 北京：社會科學文獻出版社，2019.

［48］金燦陽，徐藹婷，邱可陽.中國省域數字經濟發展水平測度及其空間關聯研究［J］.統計與信息論壇，2022，37（6）：11-21.

［49］陶長琪，丁煜.數字經濟政策如何影響制造業企業創新——基于適宜性供給的視角［J］.當代財經，2022（3）：16-27.

Empowering High-quality Development of Enterprises with

Data Assets： Optimization Mechanism of

Traditional Production Factors

Abstract：

In the era of the digital economy， accelerating the construction of Digital China and promoting high-quality development of the real economy are important engines for advancing Chinese modernization. Against this background， data is experiencing exponential growth， driving profound changes in social production and lifestyles. Enterprise data assets have also become a focal topic in academia. As a new factor of production in the digital economy era， data assets are embedded in various fields of the real economy， relying on data industrialization and industrial data-oriented businesses， serving as a key factor in talent upgrading， technological innovation， optimal capital allocation， and management efficiency improvement， thereby promoting high-quality development of enterprises.

Based on the data of A-share listed companies in Shanghai and Shenzhen Stock Markets from 2007 to 2022， this paper describes the data assets using text analysis， tests its influence on the high-quality development of enterprises and its mechanism of action， and identifies the regulatory effects in different external environments. It is found that data assets are the effective driving force of high-quality development. This conclusion is still valid after the robustness test and the endogeneity test. The mechanism test shows that the application of data assets can improve the development quality of enterprises through four channels： human resource optimization mechanism， capital allocation improvement mechanism， technology resource accumulation mechanism， and management resource efficiency mechanism. Further analysis shows that， for the areas with high environmental uncertainty， information level， marketization degree， and governments concern about the digital economy， data assets have a more significant role in promoting the high-quality development of enterprises. The conclusion of this paper provides a micro-theoretical basis and policy enlightenment for enterprises to use data assets to promote the optimization and upgrading of traditional production factors and achieve high-quality development.

The marginal contributions of this paper are as follows： firstly， in terms of research content， this paper examines the impact of data assets on the high-quality development of enterprises， not only providing a “new perspective” for high-quality development but also expanding the economic consequences of data assets from the dual attributes of “data” and “assets”. Secondly， in terms of variable measurement， this paper selects seed words based on the underlying logic of data asset “acquisition-processing-application”， uses the Autophrase method to construct a “data asset” text dictionary， and then mines textual information from annual reports through sentiment analysis to measure the level of enterprise data assets. Furthermore， the validity of this indicator is verified through feature word spectrum tests and comparative tests， providing useful references for innovating the measurement of enterprise data asset levels. Thirdly， in terms of analysis perspective and mechanism testing， this paper takes data assets as a new factor of digital economic development and the basic fact that they can substitute inputs and optimize resources for traditional production factors as a research starting point， providing evidence for the impact of enterprise data asset mechanisms on high-quality development through four channels： human resources optimization mechanism， capital allocation improvement mechanism， technological resource accumulation mechanism， and management resource efficiency enhancement mechanism， and further discusses the regulatory effects of regional and industry environments， providing theoretical support and empirical evidence for differentiated strategies for high-quality development of enterprises.

Key words：

data assets; high-quality development; traditional production factors; labor structure; capital allocation efficiency; technical level; management efficiency