上市公司數據資產入表現狀與市場反應

【摘要】基于《企業數據資源相關會計處理暫行規定》政策背景， 利用事件研究法和傾向得分匹配法對我國A股上市公司2024年中報的數據資產入表狀況和市場反應進行研究。結果發現， 中報有55家上市公司共披露了約41.93億元的數據資產， 其中41家在表內披露、 14家在附注披露。將數據資產歸類于“無形資產”項目的企業數量最多， 歸類于“開發支出”項目的企業數量次之， 歸類于“存貨”項目的企業數量最少。與一季報相比， 中報數據資產入表企業的數量有所增加， 披露總金額大幅增長， 披露的關鍵詞顯著增多。在市場反應方面， 相比政策發布日， 一季報和中報帶來的市場反應相對積極， 尤其中報的正向市場反應更為顯著且持久。相比入表企業， 未入表企業因投資者存疑和市場壓力而面臨負向市場反應。相比僅披露關鍵詞的企業， 披露數據資產金額的企業具有更積極的市場反應。本文試圖解釋企業數據資產入表的資本市場反應過程， 為更好地完善和落實相關政策提供經驗借鑒。

【關鍵詞】數據資產；信息披露；事件研究法；累計超額收益率

【中圖分類號】 F230" " "【文獻標識碼】A" " " 【文章編號】1004-0994（2024）24-0042-9

一、 引言

2022年12月， 中共中央、 國務院發布《關于構建數據基礎制度更好發揮數據要素作用的意見》， 提出要探索數據資產①入表新模式。2023年8月21日， 財政部對外發布《企業數據資源相關會計處理暫行規定》（財會〔2023〕11號）（簡稱《暫行規定》）， 該規定于2024年1月1日起正式實施， 其中明確了數據資產入表的會計準則和列示要求。2023年9月， 中國資產評估協會制定《數據資產評估指導意見》， 著重對數據資產價值評估機制進行規范， 進一步為數據資產入表、 交易與流通創造條件。至此， 我國完成了數據資產入表會計標準和價值評估規范的制定， 意味著企業的數據資產將以報表項目和貨幣化形式納入財務報告管理。數據資產入表對企業、 市場和國家均具有重要意義。對企業而言， 數據資產入表能更真實全面地反映企業資產狀況， 推動數據從成本中心向價值中心轉變， 提升數據競爭優勢（謝康等，2020）， 為數據資產的交易、 質押和投資提供依據。對市場而言， 數據資產入表將數據價值顯性化， 這會提高市場對數據資產的認可度和數據資源的流通性， 激發數據市場活力， 加速資源合理配置（孫靜和王建冬，2024）。對國家而言， 數據資產入表能保障數據使用的合規性和安全性， 促進數字經濟與實體經濟深度融合（洪銀興和任保平，2023）， 助力經濟結構調整和產業升級， 推動數字經濟高質量發展。

然而， 盡管國家為數據資產入表提供了一系列政策支持， 但在實踐層面仍面臨諸多挑戰。2024年第一季度財務報告（簡稱“一季報”）的披露揭開了數據資產入表序幕。截至2024年5月14日， A股上市公司中僅有23家在資產負債表的“數據資源”項目中披露了具體金額（張俊瑞和趙維娜，2024）， 后續有6家更正取消了披露金額②。盡管一季報披露階段部分企業積極響應數據資產入表政策， 但多數企業仍處于觀望狀態。中期財務報告（簡稱“中報”）將為觀察這一政策的推進效果提供進一步的證據。相比一季報， 中報在“管理層討論與分析”和“報表附注”部分增加了對數據資產信息的披露， 使得所披露的信息更全面詳實， 同時作為年度財務報告之前的重要披露， 中報能夠釋放及時性信息并提供更大的決策參考價值（Green，1964）。因此， 通過對中報的追蹤分析， 能夠更深入地觀察企業數據資產入表進展， 評估企業在此過程中面臨的實際挑戰， 從而進一步為政策的調整提供依據。

當前， 關于數據資產對企業和資本市場影響的研究較為有限。現有研究表明， 數據資產可通過提高市場透明度（危雁麟等，2022）、 降低權益資本成本（牛彪和于翔，2024）以及緩解中小企業融資約束（何瑛等，2024）等途徑， 提升企業決策和盈利能力（Fernandez等，2020）。目前這些研究主要依賴構建數據資產詞典的文本分析方法， 然而， 僅靠文本分析難以準確評估數據資產入表的實際經濟效益， 而《暫行規定》要求企業在資產負債表及附注中披露數據資產的具體金額。因此， 本文以2024年A股上市公司中報披露為契機， 分析數據資產入表現狀及其市場反應。首先， 手工收集并整理上市公司中報披露的數據資產信息， 分析其入表狀況， 并與一季報數據進行對比， 試圖分析數據資產入表的變化趨勢和戰略動機； 其次， 運用事件研究法和傾向得分匹配（PSM）法， 檢驗《暫行規定》政策發布日和實施日的市場反應變化， 比較數據資產入表企業與未入表企業面臨的市場反應差異； 再次， 實證檢驗企業披露數據資產的文本和金額信息對企業累計超額收益率（CAR）的影響； 最后， 基于研究結論探討企業數據資產未入表原因及入表面臨的主要問題， 并提出相應的政策建議。

二、 數據資產中報入表現狀

（一） 數據資產中報入表總體情況

截至2024年8月31日， 我國A股上市公司2024年中報披露完成， 延續了一季報數據資產入表進程。具體樣本收集過程見表1。中報共有93.59%的上市公司在資產負債表或附注中列示了“數據資源”項目， 未披露具體金額。55家上市公司披露了該項目的對應金額， 其中41家在資產負債表中披露了金額， 另14家在報表附注中提到了數據資產金額。披露數據資產金額的上市公司（55家）占發布中報上市公司總數的1.03%。除此之外， 在表外披露方面， 還有大量公司在中報“管理層討論與分析”模塊介紹了企業擁有或正在研發的數據資產情況。

在中報發布過程中， 華塑股份、 惠同新材、 晶華新材、 奧飛數據和密爾克衛這5家企業在披露數據資產金額后， 又將其金額更正為零。以密爾克衛為例， 該公司對更正原因的解釋是財務人員對《暫行規定》學習不充分， 加上財務報表在“存貨”“無形資產”和“開發支出”項目下新增了“數據資源”項目， 財報模板因此有所調整， 導致企業錯誤地將“存貨”或“無形資產”的全部金額歸入“數據資源”項目， 造成了數據資產的不當披露。

（二） 從歸屬的報表項目和金額來看

表1顯示了按報表項目匯總的上市公司數據資產披露情況。在55家披露數據資產金額的上市公司中，23家企業將其歸類于“無形資產” 項目， 12家歸類于“開發支出” 項目， 10家歸類于“存貨” 項目， 5家同時歸類于“無形資產”和“開發支出” 項目， 剩余5家則同時歸類于“無形資產”和“存貨”項目。通過進一步分析上市公司數據資產披露金額發現， 市值較大的企業傾向于將數據資產計入無形資產或開發支出， 包括A股市值最大的中國移動， 以及其他11家市值超過200億元的企業， 中報暫時還沒有企業同時在三個項目中披露數據資產。目前， 大多數企業將數據資產計入無形資產， 可能的原因是數據資產已具備長期經濟價值， 能為企業提供持續的戰略優勢。將數據資產計入開發支出的企業數量也較多， 反映出這些企業正加大對數據資產的開發投入， 尚未完全形成可資本化的無形資產。相比之下， 將數據資產計入存貨的企業通常是將其作為商品出售以滿足特定客戶的需求并獲取收益， 但目前這類企業數量較少。

（三） 從披露企業所屬行業和地區來看

從行業分布（見圖1）來看， 中報數據資產入表企業涵蓋了20個行業③。不僅涉及計算機和通信等數字經濟核心行業， 還包括機械設備等傳統行業。55家企業中有27家集中分布于計算機、 機械設備、 通信和交通運輸這4個行業。其中， 計算機和通信行業的企業數量共計17家， 占比較高， 這是因為計算機和通信行業是典型的數據密集型行業， 相關企業不僅在日常運營、 產品開發和服務提供中高度依賴數據資產， 而且在生產經營過程中還伴隨生成大量數據資產。此外， 作為傳統行業代表的機械設備行業的企業數量位居第二， 且絕大多數企業將數據資產記入“存貨”項目， 這是由于機械設備企業在生產過程中能夠產生大量具有潛在商業價值的數據資產， 通過將其計入存貨并視為商品進行儲存、 管理和銷售， 能夠實現企業價值增值。

從地區分布來看， 數據資產入表企業主要集中在我國經濟發達的華東地區（20家）、 華北地區（16家）和華南地區（10家）。其中， 占比最高的省市分別是： 北京市（16家）、 廣東省（9家）、 山東省（7家）、 江蘇省（5家）和浙江省（3家）， 這五個省市的入表企業數占入表企業總數的比例高達72.73%。這一分布特點反映了這些地區擁有較高的數字經濟發展水平、 領先的數字技術能力及活躍的數據要素市場， 這種區域經濟發展優勢使其所屬企業具有領先的數據資產化意識和實踐能力。此外， 西北地區有3家企業進行數據資產入表、 西南地區有2家、 華中地區有2家、 東北地區有2家。

三、 一季報與中報數據資產入表情況對比

自《暫行規定》提出從2024年1月1日起將數據資源作為一項資產計入資產負債表以來， 上市公司已陸續完成一季報和中報的披露工作， 本文通過對比一季報和中報的數據資產信息披露情況（見表2）， 試圖分析數據資產入表的變化趨勢和戰略動機。

（一） 數據資產入表企業數量及披露金額變化

在入表企業數量上， 與一季報相比， 中報披露數據資產金額的企業數量由17家增長至55家。其中， 卓創資訊、 每日互動和拓爾思等15家企業在中報中延續了一季報對數據資產的披露， 其余40家則為首次披露。此外， 有2家企業在一季報中披露數據資產金額但在中報中未繼續披露， 分別是平安電工和博敏電子。針對這一情況， 博敏電子解釋稱， 其依據《暫定規定》在一季報中將企業的數據資產計入無形資產， 但隨著政策的實施和企業實際經營情況的變化， 出于謹慎性原則， 中報將一季報確認的“數據資源”項目金額調整至“存貨”項目， 故中報無數據資產金額。平安電工對此情況則未做出解釋， 但通過財務報告分析發現， 其一季報確認的數據資產是企業2023年已確認為無形資產的軟件使用權， 在《暫行規定》發布后， 平安電工直接將軟件使用權的賬面價值全部轉入“數據資源”項目。顯然， 這一做法是不恰當的。一方面， 軟件使用權并不屬于《暫行規定》所定義的數據資源， 數據資源一般是指以電子形式存儲的數據集合， 而軟件使用權只是用來處理數據的工具； 另一方面， 《暫行規定》強調數據資源的處理應采用未來適用法， 而平安電工直接將已發生的軟件使用權價值追溯調整至“數據資源”項目是不恰當且具有較大爭議的。故本文推測， 平安電工是基于上述原因而未在中報中延續一季報的披露。

在披露金額上， 與一季報相比， 55家企業在中報中披露數據資產的總金額為41.93億元， 增長約52倍。其中， 以拓爾思、 航天宏圖、 卓創資訊和每日互動為代表的8家上市公司實現了數據資產披露金額的增長。航天宏圖中報披露的數據資產金額為3674.2萬元， 較一季報增長1956.95萬元， 成為增長金額最高的企業； 南鋼股份中報披露的數據資產金額為500.4萬元， 較一季報增長325.98%， 是增長幅度最大的企業。

總體來看， 上市公司逐漸意識到數據資產不僅是企業運營的核心資產， 而且是未來競爭優勢的重要來源。以卓創資訊為例， 其在中報中明確指出， 2024年中報凈利潤同比增長38.19%主要歸因于報告期內收入增加和數據資產入表。因此， 將數據資產納入資產負債表反映其經濟價值， 正成為企業轉型升級、 提升財務績效和經濟利潤的重要途徑。

（二） 數據資產入表企業所屬行業差異

在所屬行業數量上， 一季報披露數據資產金額的17家上市公司主要分布于計算機、 交通運輸和建筑裝飾等9個行業。而中報所涉及的行業類別有所增加， 由9個擴充到20個， 其中， 機械設備、 通信和電力設備等為新增行業。并且與一季報相比， 中報的最大亮點在于我國通信行業三大運營商中國移動、 中國聯通和中國電信均已完成數據資產入表， 入表金額共計2.6億元， 其中， 中國電信的數據資產入表金額最高， 為1.05億元。此外， 在行業占比上， 一季報和中報數據資產金額占比最高的行業均為計算機， 但不同的是， 中報中機械設備、 電力設備、 家用電器和基礎化工等傳統制造業和工業企業所占比重逐漸提升， 機械設備行業企業所占比重僅次于計算機， 位居第二。由此可見， 數據資產不僅在數字經濟領域發揮重要作用， 而且不斷向傳統行業領域滲透， 并逐漸成為賦能各行各業發展的重要生產要素。

（三） 數據資產入表企業市值差異

在企業市值層面， 中報入表企業的市值具有較大差異， 既有市值規模達萬億元的中國移動， 也有市值規模小于10億元的上市公司， 總體來看， 入表企業市值規模主要集中于10億 ～ 100億元。2024年第一季度完成數據資產入表的17家企業中只有青島港的市值在500億元以上， 而中報入表企業中市值超過500億元的企業增至6家， 市值超過1000億元的企業增至4家， 其中， 市值最高的企業為中國移動， 總市值達15730億元。這表明隨著我國數據要素市場的不斷發展和數據資產重要性的日益提升， 大規模企業對數據資產入表的重視程度不斷提高， 大型企業的數據資產入表可能在市場上產生示范效應， 從而引領其他企業更加重視數據資產， 并加快數據資產入表進程。

（四） 數據資產信息披露的變化

根據通用財務報表格式和《暫行規定》對于數據資產的列示和披露要求， 本文依據上市公司在中報中披露數據資產的位置， 將其分為表內披露、 附注披露及表外披露三類。雖然一季報有17家上市公司將數據資產計入資產負債表， 但由于一季報的披露范式相對簡單， 故上市公司僅披露了數據資產的具體金額， 并未對數據資產來源和用途等具體信息進行披露。與一季報相比， 中報不僅大幅提高了信息披露的頻次， 而且披露的位置也發生了變化， 增加了附注披露和表外披露。

在附注披露方面， 14家上市公司在附注中披露了數據資產信息， 主要包括確認為存貨和無形資產的數據資產來源、 期初賬面價值和期末賬面價值等信息。通過對這14家上市公司的統計分析發現： 對于確認為存貨的數據資產， 其來源有兩種途徑， 分別是外購和自行加工； 對于確認為無形資產的數據資產， 其來源途徑由外購、 自行開發和其他方式取得三類構成。此外， 從附注中披露的期末賬面價值金額來看， 確認為存貨的數據資產期末賬面價值與“存貨”項目的期末賬面價值數值相同， 這表明企業的存貨全部由數據資產構成， 且按項目類別劃分為原材料、 在產品和庫存商品等。確認為無形資產的數據資產在期末賬面價值金額上也存在同種情況。

在表外披露方面， 上市公司在“管理層討論與分析”模塊中采用文本形式， 描述了企業擁有或正在研發的數據資產情況。“管理層討論與分析”是上市公司財務報告的重要組成部分， 是外部利益相關者獲取企業過去財務經營狀況、 組織管理戰略以及未來發展前景等非財務信息的重要來源。通過對中報的分析發現， 有關數據資產信息披露的內容大致可以分為三類： 第一， 在公司所屬行業發展特點的討論與分析部分， 詳細介紹了公司所屬行業在《暫行規定》等國家政策推動下逐漸重視數據資產的生產價值并積極布局數據要素相關產業的情況。第二， 在核心競爭力分析部分， 主要介紹了公司擁有的數據資源、 數據產品以及形成的核心數據資產， 這些高質量的數據資源構成了公司的戰略資源優勢， 對公司的業務增幅、 產品開發、 市場定位和客戶服務具有至關重要的作用。第三， 在經營情況的討論與分析部分， 主要介紹了數據資產的構成以及公司利用這些數據資產積極探索數據價值化、 拓展可落地的應用場景與業務模式的情況， 包括數據資產相關產品或服務的運營應用、 作價出資、 流通交易、 服務計費等情況， 充分發揮數據資產價值場景效能。例如， 上市公司藥易購利用外購數據資產完善了銷售客戶信用體系搭建， 利用交易服務數據研發出數十款與醫藥流通和營銷相關的數據產品， 服務于醫藥終端的數字化營銷場景。

四、 實證研究設計

（一） 樣本選取與數據來源

本文的初始研究樣本為2024年發布中報的A股上市公司， 并對樣本進行如下篩選： （1）剔除金融行業上市公司； （2）剔除ST及?ST公司的觀測值； （3）剔除事件日前后停牌、 估計窗口期交易日有缺失的觀測值。經過上述處理后共得到4504個觀測值， 其中有51家數據資產入表企業。在此基礎上再剔除財務數據存在缺失的觀測值， 共得到4228個觀測值， 其中有41家數據資產入表企業。數據資產入表相關數據由手工收集而得， 所用財務數據和股票交易數據來自Wind和CSMAR數據庫。本文對所有連續變量進行上下1%的Winsorize處理。

（二） 模型設定

1. 事件研究法。事件研究法剔除市場大盤帶動股市變動等因素， 用相對成熟的指標累計超額收益率衡量政策的市場反應（張新，2003）， 即通過比較特定事件發生前后企業股票的實際收益率與假定不發生該事件情況下預期的“正常”收益率來評估事件對企業股價的影響， 該方法能夠有效規避雙向因果所導致的內生性問題和噪聲事件（Endrikat，2016）。由于本文所選取的政策實施日為上市公司定期報告公告日， 時間點比較分散， 故采用多對象非同步事件研究法（許靜霞等，2016）， 以評估《暫行規定》政策發布日和實施日的市場反應。

首先， 確定事件日。事件日包含三個： 《暫行規定》政策發布日、 一季報公告日和中報公告日。2023年8月21日財政部對外發布《暫行規定》， 本文將該日期作為政策發布日。上市公司通過定期報告向外界披露數據資產入表信息， 本文將上市公司一季報和中報的公告日作為政策實施日。若發布的更正版報告中包含數據資產入表信息， 則以更正版公告日為事件日， 若更正版報告中未包含數據資產入表信息則以首次公告日為事件日。若事件日不屬于交易日， 則以事件日后第一個交易日作為事件日。

其次， 確定事件窗口和估計窗口。本文選取的事件窗口為［-1，1］、 ［-2，2］、 ［-3，3］、 ［-4，4］、 ［-5，5］。參考Campbell等（1998）、 鄒文理等（2020）的研究將估計窗口設定為120個交易日， 由于一季報與中報的事件日間隔不足120個交易日， 因此中報與一季報共用同一個估計窗口， 即以一季報的估計窗口作為中報的估計窗口。

最后， 計算累計超額收益率（CAR）和累計平均超額收益率（CAAR）。股票實際收益率為Ri，t=αi+βiRm，t+ei，t， Ri，t表示i股票在第t日的考慮現金紅利再投資的個股收益率， Rm，t表示t時期考慮現金紅利再投資、 以流通市值加權法計算的市場收益率， αi為常數項， βi為對應股票的回歸系數， ei，t為隨機擾動項。股票i在交易日t的超額收益率為ARi，t=Ri，t-（" "i+" "iRm，t）； 累計超額收益率為CARi（t1，t2）=" " "ARi，t； 累計平均超額收益率為CAAR（t1，t2）=" " " " " CARi（t1，t2）， 其中， N為樣本量。

2. PSM法。單純運用事件研究法檢驗上市公司數據資產入表的市場反應會存在這樣的問題： 一家上市公司在某個時間窗口期內的累計超額收益率可能是由數據資產入表決定的， 也可能是由上市公司本身或者外界其他因素決定的。因此， 采用PSM法構造反事實對照實驗（Rosenbaum 和Rubin， 1985）， 為中報數據資產入表企業（實驗組）匹配數據資產未入表企業（對照組）， 減少由于樣本選擇偏差引起的內生性問題， 能更準確地對比數據資產入表與未入表企業面臨的市場反應差異。參考以往文獻（陳守明和郝建超，2017；牛彪和于翔，2024）， 本文選取的匹配變量包括： 企業規模（Size）、 上市年限（Age）、 企業性質（Soe）、 總資產報酬率（Roa）、 兩職合一（Dual）、 研發人員數量占比（Rd）、 前十大股東持股比例（Topten）和托賓Q值（TQ）。具體變量定義見表3。

3. 多元回歸模型。為進一步檢驗企業中報數據資產入表對其股價的影響， 建立如下多元回歸模型：

CAR［-5，5］=γ0+γ1DAi+∑λiControlsi+εi

其中， CAR［-5，5］為被解釋變量， 代表事件日前后5個交易日的累計超額收益率。解釋變量DA分別從三個維度測量了數據資產披露： 數據資產披露詞頻（DAfreque）、 是否披露數據資產金額（DAentry）和數據資產金額（DAamount）。參考王倩和馬云霄（2016）的研究， 對公司基本特征層面的變量（Controls）進行控制， 控制變量為2023年年度數據。?i為隨機擾動項。具體變量定義見表3。

五、 實證結果與分析

（一） 描述性統計

表4報告了主要變量的描述性統計結果。累計超額收益率（CAR［-5，5］）的均值為0.010， 表明在中報公告日前后5個交易日內市場整體呈現正向預期， 這一初步判斷還需要后續實證分析進行驗證。數據資產披露詞頻（DAfreque）的均值為9.764， 表明大部分上市公司中報涉及數據資產或數據資源的披露， 且最高詞頻達109次。相比以往定期報告， 中報涉及的數據資產詞頻明顯增加， 反映出企業對數據資產的重視。是否披露數據資產金額（DAentry）的均值為0.010， 表明1%的上市公司在中報資產負債表或附注中明確披露了數據資產金額。這與以往僅披露文本信息不同， 少數企業已經開始將數據資產納入財務報表進行量化評估。數據資產金額（DAamount）的最大值為20.420， 表明企業的數據資產披露金額受到管理層重視， 數據資產價值化程度不斷提升。此外， 控制變量的描述性統計結果與現有研究保持一致。

（二） PSM法分析

本文采用1∶1最近鄰匹配為41家數據資產入表企業匹配41家未入表企業， 形成82個樣本觀測值， 分別進行了平衡性檢驗和平均處理效應檢驗（限于篇幅，表格留存備索）。匹配后所有匹配變量的標準偏差絕對值都小于12.1%， 說明本文選取的匹配變量和匹配方法是合理的。同時， 匹配后的t統計量都不顯著， 說明匹配后所有匹配變量在實驗組和對照組之間不存在顯著差異， 匹配效果較好。平均處理效應ATT對應的實驗組的CAR［-5，5］均值為0.0024， 對照組的CAR［-5，5］均值為-0.0394， T統計量為2.30， 說明數據資產入表對企業累計超額收益率具有顯著正向影響， 支持了數據資產入表能夠帶來市場正向反應的預期。

（三） 事件研究法分析

1. 政策發布日與政策實施日的市場反應對比。表5的結果表明， 政策發布日、 一季報公告日與中報公告日的市場反應存在明顯差異。政策發布日前后5個交易日內的CAAR呈現負向變化趨勢， 尤其在［-4，4］窗口期跌幅最大， 達到-1.2301%， 反映了市場對《暫行規定》政策發布的負面反應。

這種負面反應主要源于成本預期和政策的不確定性。首先， 投資者對《暫行規定》發布的第一反應是企業可能面臨新增的成本壓力。《暫行規定》要求企業將數據資產入表， 意味著企業需要增加額外資源用于數據采集、 清洗、 分類， 以及保障數據安全和合規。這在短期內將會增加企業的運營成本， 成為市場最早感知到的負面信號。根據首因效應， 投資者傾向于對首先獲得的信息賦予更大的決策權重（Rey等，2020）， 因而對《暫行規定》導致的成本增加反應更為敏感， 進而引發市場的短期負向波動。

其次， 政策帶來的不確定性加劇了市場的負面情緒。《暫行規定》在發布初期尚處于“框架已搭好， 細則待完善”階段， 尤其是在數據資產的確權、 估值和披露等關鍵問題上缺乏明確的操作標準。數據資產確權和估值機制的不完善， 可能帶來資產泡沫化、 財務報告質量下降等潛在問題。數據資產的復雜性和新興性， 使得投資者難以準確評估其對企業未來財務狀況和資產價值的影響。這種政策不確定性提高了投資者的風險感知和模糊性厭惡水平， 從而對其情緒產生負面影響（靳光輝等，2016）。因此， 《暫行規定》政策帶來的不確定性進一步強化了市場情緒波動， 加劇了短期的負面反應。

最后， 短期負面反應是政策發布的常見現象， 不代表長期效果。新政策的實施通常會引發市場的短期波動， 尤其當政策對企業成本或管理機制帶來重大調整時， 市場的初步反應往往是負面的。但隨著政策的進一步落實和細化， 市場情緒會得到修正。對于《暫行規定》而言， 隨著政策實施帶來的數據資產管理規范化， 企業的長期表現可能會有所改善， 因此政策實施后的市場反應更值得關注。

相較之下， 政策實施日引發了正向市場反應， 且中報的市場反應比一季報更加顯著和持久。盡管一季報在較長窗口期（如［-3，3］、 ［-4，4］、 ［-5，5］）的CAAR略高于中報， 但中報在所有窗口期內均表現出顯著的正向反應， 尤其是在短期窗口期（［-1，1］、 ［-2，2］）內， 中報的CAAR明顯高于一季報， 反映出投資者在政策實施后的快速積極反饋。一季報在較長窗口期內表現出的累計超額收益率， 更多反映了市場對一季報公告后預期調整的滯后性， 而非即時反應的強度。相比之下， 中報提供了更完整的業績信息， 使得市場在短期內做出更顯著且更持久的正向反應。

政策發布日和實施日市場反應差異的形成原因主要有兩點。第一， 隨著政策的落地實施， 企業數據資產入表規范逐漸明晰， 降低了政策發布時的不確定性， 投資者可通過實際的財務數據和信息披露來評估政策的真實影響， 市場情緒從政策發布日的負面反應轉為實施日的正向反應。第二， 中報相較一季報提供了更全面和詳細的信息， 使投資者對企業全年業績的預期更加準確， 進一步降低了不確定性， 增強了市場信心， 促使市場反應更加持久和強烈。

由圖2可以直觀地看出， 政策發布日的CAAR在事件發生前即開始下滑， 暗示市場可能提前擔憂政策的不利影響并做出反應， 而一季報和中報公告日的CAAR則在事件日之后迅速上升， 尤其是中報公告日曲線， 呈現出持續且顯著的上行趨勢， 說明中報披露所帶來的市場利好效應更為顯著和持久。

由此， 政策發布日的市場反應整體偏負面， 反映出市場對政策潛在風險的謹慎態度。而一季報和中報的市場反應則相對積極， 尤其是中報， 其正向市場反應更為顯著和持久， 表明投資者對企業中報數據資產入表信息的重視以及對全年業績預期的信心。

2. 中報入表與未入表企業的市場反應對比。表6是PSM法下中報數據資產入表與未入表企業的市場反應結果。對比發現， 入表企業在事件窗口期內的累計平均超額收益率CAAR_1為正值， 但未達到統計顯著性， 而未入表企業的累計平均超額收益率CAAR_0在窗口期內均顯著為負。這表明市場對未入表企業的反應更加負面， 而對于入表企業的正面反應則相對溫和且不顯著。為了對比二者之間是否存在顯著差異， 本文進一步進行雙樣本T檢驗（限于篇幅，表格留存備索）。T檢驗結果中， CAAR_0與CAAR_1均值差異為-0.0357%， t值為-6.93， 表明未入表企業的市場反應顯著為負且低于入表企業。以上結果說明市場對未入表企業持消極態度， 即市場對入表企業的反應更加積極。

圖3進一步直觀地展示了入表與未入表企業在事件日前后的市場反應差異。可以看出， 未入表企業的CAAR在事件日附近出現顯著下滑， 從事件日之后的持續下跌可看出市場對未入表企業的消極態度。而入表企業的CAAR呈穩步上升趨勢， 但幅度較小， 說明盡管市場對入表企業未來發展前景較為樂觀， 但短期內這種利好預期僅呈現小幅波動式增長。

究其原因， 入表企業市場反應不顯著可能與市場預期的提前消化有關。一方面， 在政策正式發布前， 市場可能已經通過非正式渠道獲取了相關信息， 并提前調整了投資組合， 因此， 在事件窗口期內入表企業帶來的市場反應較為平緩。另一方面， 政策影響的長短期效應也是導致市場反應不顯著的一個重要因素。數據資產入表更多是對企業長期發展帶來利好， 短期內市場可能還沒有充分評估政策對企業盈利能力的實際影響， 從而反應滯后。

相比之下， 未入表企業面臨的顯著負面反應體現了市場對其發展前景的消極預期。一方面， 投資者可能認為未入表企業在數據資產化或智能化發展中存在不足， 從而對企業的盈利能力產生懷疑。另一方面， 未入表預示著企業未能獲得政策紅利， 可能會在未來數字經濟競爭中處于劣勢， 將面臨更大的外部不確定性和市場壓力， 這進一步加劇了市場的負面預期。

綜上所述， 數據資產入表企業盡管帶來正向市場反應， 但出于信息提前消化和政策效應的長期性等原因， 短期內呈平緩趨勢。反之， 未入表企業由于未能享受政策紅利， 市場對其未來競爭力和經營前景產生較大疑慮， 導致顯著的負面市場反應。

（四） 回歸結果分析

表7為數據資產披露與累計超額收益率的回歸結果。列（1）中數據資產披露詞頻（DAfreque）的回歸系數為0.0061， 在5%的水平上顯著， 表明企業在中報中提及更多的數據資源或數據資產有助于提升市場對該企業的正面預期， 從而推高股價。披露數據資產詞頻較高的企業可能被市場視為更加注重數據管理和創新， 進而增強投資者信心。列（2）中是否披露數據資產金額（DAentry）的回歸系數為0.0448， 在1%的水平上顯著， 表明企業披露明確的數據資產金額時， 帶來的市場反應更加積極， 因為數據資產金額的披露可為投資者提供更加詳細和透明的信息， 更便于投資者評估企業的數據資產價值和未來發展潛力。列（3）中數據資產金額（DAamount）的回歸系數為0.0027， 在1%的水平上顯著， 再次驗證了市場對數據資產金額的敏感性。較大的數據資產金額往往表示該企業擁有較強的數據管理能力和數字化運營能力， 從而在數字經濟競爭中占據優勢。

為進一步說明數據資產披露詞頻和金額對累計超額收益率的影響差異， 本文對列（1）和列（2）兩組不同樣本進行異質性檢驗。結果發現， Wald檢驗的p值為0.017， 說明兩組樣本的回歸系數之間存在顯著差異。對比發現， 數據資產披露詞頻（DAfreque）的回歸系數顯著小于是否披露數據資產金額（DAentry）的回歸系數， 說明披露數據資產金額對股價的影響更為顯著。可能的原因是， 數據資產披露詞頻雖然有助于體現企業對數據資產的重視程度， 但金額能夠提供更明確的財務信息， 可對投資者行為產生更大的驅動作用。這一結果支持了企業應在財務報告中加強數據資產詳細信息披露的推斷， 驗證了信息透明度對市場預期的重要性。

六、 數據資產未入表原因及入表面臨的主要問題分析

（一） 數據資產未入表原因

從已披露的2024年一季報和中報情況來看， 同時披露“數據資源”項目及金額的上市公司占發布一季報和中報上市公司總數的0.32%、 1.03%， 數量相對較少， 這可能是由企業外部客觀因素和內部主觀因素共同導致的。

從客觀層面分析， 自2023年8月21日《暫行規定》對外發布以來， 數據資源作為一種新型資產形式開始逐漸被企業接受， 盡管我國數字經濟發展勢頭強勁， 但數據要素市場的發展仍處于萌芽與探索階段， 面臨多重挑戰， 阻礙了企業數據資產的有效確認、 計量與披露進程。具體而言， 我國數據資產會計準則和信息披露標準尚未健全， 這增加了企業數據資產入表的難度。此外， 專業服務機構在數據資產價值計量和評估領域的專業知識與實踐經驗不足， 也構成了數據資產入表的現實障礙。綜上所述， 現存的這些客觀問題是企業數據資產入表積極性不高的主要影響因素。

從主觀層面分析， 由于企業對數據資產這一新興生產要素的理解尚不充分， 再加上其實際入表操作過程預計耗費的成本與帶來的潛在收益存在較大的不確定性， 導致大多數企業目前還處于觀望狀態。具體地， 數據資產入表要求企業投入大量成本進行數據的收集、 整理、 清洗、 分類與估值等， 但其所帶來的經濟收益和對發展前景的影響并不明朗， 雖然從短期來看， 數據資產入表有助于增強投資者信心、 優化資源配置， 甚至為企業的估值和市場競爭帶來新的增長點， 但這些潛在收益往往需要一定時間才能顯現， 且難以量化。因此， 在當前政策較為寬松的情況下， 大多數企業出于謹慎性原則考慮， 并未進行數據資產入表操作。

鑒于上文所述客觀和主觀因素， 眾多上市公司目前仍處于觀望狀態， 對數據資源的會計處理和披露持謹慎態度。它們一方面在積極探索適合自身業務特點的數據資產管理模式， 另一方面也在密切關注相關法律法規、 估值體系及會計準則的最新動態， 以期在合適的時機將數據資產入表， 充分展現其經濟價值和戰略意義。

（二） 數據資產入表面臨的主要問題

當前， 盡管數據資產的戰略地位不斷凸顯， 企業對其重視程度日益提高， 但在入表前的準備階段和實際入表過程中仍面臨諸多挑戰與不確定性。

1. 數據資產入表前的確權、 估值和會計規范制定問題。首先， 從法律制度層面來看， 有關數據權屬、 交易、 安全保護等方面的法律框架尚不健全， 這給數據資產的確權、 計量、 披露帶來了諸多障礙。其次， 來源渠道、 應用場景和自身特征的多樣性， 使得數據資產價值會隨著技術、 時間和應用場景等因素的變化而不斷波動。再加上目前數據資產交易市場和估值體系仍處于探索階段， 市場上尚未形成一套公認、 科學、 可操作的數據估值方法和標準， 導致數據資產的價值評估成為數據資產入表面臨的一大難題， 不同企業在數據資產的價值認知上也存在較大分歧。最后， 會計準則的滯后性也是制約數據資產入表的關鍵因素之一。現有的會計準則對于如何確認、 計量和報告數據資產等新興資產， 尚缺乏明確的、 有針對性的指導和規范， 導致上市公司在處理數據資產相關會計信息時， 往往面臨諸多問題和分歧， 進而影響了將數據資產納入資產負債表的積極性。

2. 數據資產入表過程中存在較為嚴重的入表合規性和規范性問題。首先， 《暫行規定》并未對數據資產入表范圍進行界定、 未對實際操作流程進行規范， 使企業對入表存在較大的自由裁量權， 容易將企業的軟件資源和信息資源等軟資產與數據資產混為一談， 從而造成企業財務報表中數據資產價值和總資產價值的虛高。其次， 在整個數據資產入表過程中缺乏規范、 嚴格的審計監督和審查制度， 導致企業在實際操作中遇到分歧問題時， 傾向于選擇對自身有利的入表方式， 使得企業數據資產入表過程充滿不確定性， 加大了操作風險。

七、 結論與建議

（一） 結論

本文通過對我國A股上市公司中報數據資產披露情況進行分析， 得出以下結論： 首先， 93.59%的上市公司在資產負債表或附注中列示了“數據資源”項目而未披露具體金額， 同時列示項目并披露金額的企業數量從一季報的17家增至55家。其中， 41家企業將數據資產金額列示在“無形資產”“開發支出”與“存貨”項目中， 14家在附注中提及。這一現象表明， 越來越多的傳統行業和高市值企業日益重視數據資產的入表問題。其次， 根據數據資產信息披露的頻次和位置信息可發現， 中報相較于一季報的披露內容均明顯增多， 尤其是附注和“管理層討論與分析”部分。這一變化不僅體現了上市公司對數據資產管理的重視， 還為投資者提供了更為豐富的信息。最后， 關于市場反應， 政策發布日的市場反應整體偏負面， 顯示出市場對政策潛在風險的謹慎態度。而一季報和中報面臨的市場反應則較為積極， 特別是中報帶來的正向反應更加顯著且持久。同時， 相比入表企業， 未入表企業因未能享受政策紅利， 市場對其未來競爭力和經營前景產生懷疑， 因而面臨較為明顯的負面市場反應。相比僅披露關鍵詞的企業， 披露數據資產金額的企業帶來更積極的市場反應。政策發布后較為明顯的市場分化效應， 能夠為企業決策者在數據資產管理方面提供重要啟示。

（二） 建議

基于本文的研究結論， 提出以下政策建議：

1. 重視數據資產， 推動企業轉型。數據資產的價值日益凸顯， 企業必須重視其重要性。隨著披露數據資產的企業數量不斷增加， 越來越多的企業， 尤其是傳統行業和高市值企業， 已經意識到數據資產在提升競爭力和市場形象中的關鍵作用。建議企業管理層在制定戰略時， 將數據資產的利用與管理作為重要組成部分， 深入探索數據資產的潛在價值。通過建立數據資產管理制度， 明確數據的獲取、 存儲和應用流程， 以提高企業的整體運營效率和市場適應能力。

2. 完善信息披露， 提升企業透明度。信息透明度是企業贏得市場信任的關鍵。中報數據顯示， 上市公司在數據資產的披露方面， 已展現出積極性和多樣性。建議相關機構制定更加明確的披露標準， 鼓勵企業在財務報告中提供更詳盡的數據資產信息， 增強與投資者的互動。同時， 企業應根據自身行業特性， 靈活選擇數據資產的披露形式， 確保信息的準確性與可比性， 從而降低信息不對稱。

3. 制定激勵政策， 促進全面披露。鑒于未入表企業面臨的負面市場反應， 建議政策制定者制定相應的激勵政策， 鼓勵這些企業逐步展開數據資產的披露工作。建議設立專項基金， 支持企業在數據資產管理和披露方面的投資； 同時， 提供專業培訓和咨詢服務， 幫助企業掌握數據資產入表的相關知識。此外， 構建行業內的成功案例分享機制， 促進各企業之間的經驗交流， 進而提升行業整體對數據資產管理的重視程度。

4. 定期評估政策實施效果， 優化監管框架。政策的有效實施需建立在持續的市場反饋基礎之上。研究發現， 市場對政策的反應存在明顯分化， 監管機構可定期收集和分析市場反饋數據， 以評估政策的實施效果。對于那些帶來積極市場反應的企業， 監管機構可考慮進一步提供更多的支持與引導； 而對帶來負面市場反應的企業， 則應深入分析原因， 及時調整政策措施， 以增強政策的適應性和有效性。

5. 加強行業合作， 共同提升數字化能力。數據資產管理的有效性不僅僅依賴于單個企業的努力， 還需要不同行業的合作。建議行業協會及相關機構建立跨行業合作平臺， 促進行業間的技術交流與資源共享， 提升整體數字化管理水平。此外， 鼓勵企業間開展聯合研發項目， 共同探索數據資產的創新應用， 以實現協同發展， 推動行業的整體升級。

【 注 釋 】

①數據資源和數據資產是一對常見且經常混用的概念，兩者在本質上有差異，應該進行區分（張俊瑞等，2023），但現實中經常混用。本文根據語境及上下文交叉使用這兩個概念，不追求概念上的完全統一。

②這6家上市公司分別為山東鋼鐵、小商品城、金龍汽車、中信重工、喜臨門和恒信東方。其中，恒信東方在2024年8月30日取消一季報數據資產的入表。

③本文之所以選擇申萬一級行業分類標準，是因為這一行業類別劃分更為細致，且將通信行業單獨分列出來。

【 主 要 參 考 文 獻 】

何瑛，陳麗麗，杜亞光．數據資產化能否緩解“專精特新”中小企業融資約束［ J］．中國工業經濟，2024（8）：154 ～ 173．

洪銀興，任保平．數字經濟與實體經濟深度融合的內涵和途徑［ J］．中國工業經濟，2023（2）：5 ～ 16．

靳光輝，劉志遠，花貴如．政策不確定性、投資者情緒與企業投資——基于戰略性新興產業的實證研究［ J］．中央財經大學學報，2016（5）：60 ～ 69．

牛彪，于翔．數據資產獲得投資者偏好了嗎？——基于權益資本成本視角［ J］．證券市場導報，2024（7）：68 ～ 79．

孫靜，王建冬．多級市場體系下形成數據要素資源化、資產化、資本化政策閉環的總體設想［ J］．電子政務，2024（2）：12 ～ 20．

王倩，馬云霄．滬港通政策的公司治理效應——基于事件研究法的實證分析［ J］．金融論壇，2016（5）：33 ～ 46．

危雁麟，張俊瑞，汪方軍等．數據資產信息披露與分析師盈余預測關系研究——基于文本分析的經驗證據［ J］．管理工程學報，2022（5）：130 ～ 141．

謝康，夏正豪，肖靜華．大數據成為現實生產要素的企業實現機制：產品創新視角［ J］．中國工業經濟，2020（5）：42 ～ 60．

許靜霞，王蘇生，熊云．我國股票市場中的知情賣空交易現象研究［ J］．中國管理科學，2016（S1）：373 ～ 382．

張俊瑞，高璐冰，危雁麟．數據資產會計：概念演進、解構與關系辨析［ J］．會計之友，2023（24）：131 ～ 137．

張俊瑞，趙維娜．基于事件研究法的A股上市公司數據資源信息披露研究——以第一季度報告為例［ J］．河南財經學刊，2024（3）：9 ～ 18．

張新．并購重組是否創造價值？——中國證券市場的理論與實證研究［ J］．經濟研究，2003（6）：20 ～ 29+93．

鄒文理，王曦，謝小平．中央銀行溝通的金融市場響應——基于股票市場的事件研究［ J］．金融研究，2020（2）：34 ～ 50．

Endrikat J.. Market Reactions to Corporate Environmental Performance Related Events： A Meta-analytic Consolidation of the Empirical Evidence［ J］． Journal of Business Ethics，2016（3）：535 ～ 548．

Fernandez R. C.， Subramaniam P.， Franklin M J.. Data Market Platforms： Trading Data Assets to Solve Data Problems［ J］． Proceedings of the VLDB Endowmen，2020（12）：1933 ～ 1947．

Green D.. Towards a Theory of Interim Reports［ J］． Journal of Accounting Research，1964（1）：35 ～ 49．

Rey A.， Le Goff K.， Abadie M.， et al.. The Primacy Order Effect in Complex Decision Making［ J］． Psychological Research，2020（6）：1739 ～ 1748．

（責任編輯·校對： 許春玲" 劉鈺瑩）

DOI：10．19641/j．cnki．42-1290/f．2024．24．007

【基金項目】國家社會科學基金重大項目“數據資產會計標準構建與應用研究”（項目編號：23amp;ZD092）