數據資產與企業新質生產力

摘要：在數字經濟時代，數據資產已成為影響企業競爭力的關鍵性資產之一。如何管理和運用數據資產，推動新質生產力發展，是企業財務管理的重要課題?；?010—2023年中國A股上市公司數據，采用文本分析法構建數據資產指標，實證檢驗企業數據資產對新質生產力發展的影響。研究結果顯示，數據資產顯著促進了企業新質生產力發展，且這一效應在國有企業、治理效率低的企業、輕資產模式企業、高科技企業、行業競爭激烈的企業中更為突出。進一步分析發現，數據資產通過促進企業人力資本升級、提升資本配置效率與增強科技創新能力等促進傳統要素升級的途徑發揮作用。希望研究結果能為企業深化數據資產的屬性認識、發揮數據資產的財務功能、助推新質生產力發展提供參考。

關鍵詞：數據資產；新質生產力；人力資本升級；資本配置效率；科技創新能力

0 引言

新質生產力是以創新為主導，具有高科技、高效能、高質量特征的先進生產力質態^[1]。發展新質生產力要求擺脫消耗大、效率低的傳統生產模式和經濟增長方式，以技術、數據等無形資產的積累與創新為新動力，以網絡化、智能化的發展模式為新路徑，實現經濟跨越式發展^[2]。在新發展理念下，新質生產力蓬勃發展，不只是經濟結構優化升級的內在要求，更是實現經濟高質量發展的必由之路。

與此同時，隨著大數據、云計算等技術的發展，中國迎來了數字經濟時代。數據資產在生產、銷售等方面的廣泛運用，已使其成為推動我國經濟高質量發展的新動能^[3]。數據的資產化表現形式即為數據資產，數據資產是對數據的進一步管理與應用，是企業擁有或控制的、能為企業帶來未來經濟效益并以電子或物理方式記錄的數據資源^[4]。2023年，財政部出臺《企業數據資源相關會計處理暫行規定》，規范了企業數據資源的相關會計處理，要求數據資產入表，推動了數據資產化的進程。數據資產作為企業的一種關鍵性資產，對企業的經營能力和新質生產力的發展具有深遠影響。一方面，在數字經濟蓬勃發展的背景下，企業對數據資產管理和運營的能力是其自身核心競爭力的來源，是其實現長期穩定發展的重要能力^[5]；另一方面，數據資產通過明確數據的產權邊界、降低數據交易成本優化數據要素市場的配置效率，有助于激發科技創新、提升經濟效率及加速形成新質生產力^[6]。數據資產作為新型生產要素的資產化表現形式，既是進一步推動數字經濟發展的核心，又是驅動發展新質生產力的重要支撐。企業在財務管理中利用數據資產，充分挖掘其潛在價值，以加速發展新質生產力，對于實現經濟可持續發展、推進中國式現代化具有重大意義。

學術界在對新質生產力的內涵特征^[7]、形成邏輯^[8]進行探討的基礎上，進一步將相關研究從微觀和宏觀兩個層面向探究新質生產力發展動力方面擴展。微觀層面，主要包括勞動三要素（勞動者、勞動對象、勞動資料）的升級拓展^[9]、企業治理水平的提升^[10]、股權結構^[11]等；宏觀層面，主要包括新一輪工業革命帶來的新產業^[12]、堅持擴大開放與合作共贏^[13]、數字經濟^[14]等。上述研究側重于理論分析，雖然已有部分文獻關注到數據要素對新質生產力發展的重要作用，從企業數字化轉型^[15]、數智化創新^[16]、科技成果轉化^[17]、數據要素化^[18]等角度進行了探討，但是由于數據資產是影響顛覆性科技創新、催生新質生產力的重要一環^[15]，在新質生產力發展動力中融入有關數據要素、數據資產的探討，更能體現新質生產力區別于傳統生產力的新理念、新質態，所以有必要繼續對作為數據要素具體化的數據資產推動新質生產力發展的功能與機制進行更加深入的研究。

本文基于2010—2023年上市公司信息披露，通過文本分析法探討數據資產對企業新質生產力發展的影響，并進一步討論數據資產與傳統生產要素的融合在二者關系中的作用。本文的研究結果表明，數據資產有助于新質生產力發展，并通過與傳統勞動、資本、技術等要素相結合，促進企業人力資本升級、資本利用率提高、科技創新能力提升，進而對新質生產力產生驅動效應。

本文可能的貢獻在于：第一，從微觀視角全面探討數據資產對新質生產力的促進作用，以及與傳統要素相結合的乘數效應在其中發揮的作用機理，拓展了新質生產力驅動因素的相關研究；第二，通過檢驗數據資產促進新質生產力發展的機制，豐富了數據資產經濟效應和新質生產力驅動因素的定量研究，將新質生產力驅動因素和數據資產經濟后果的研究從理論分析進一步擴展到實證研究；第三，為數據資產對傳統生產要素的乘數效應及對企業新質生產力發展的促進作用提供了新的經驗證據，有助于深化數字經濟形態下的數據資產經濟效應研究。

1 理論分析與研究假設

1.1 數據資產與新質生產力

發展新質生產力是一項系統性工程，不是取決于某個單一條件與單一生產要素，而是需要各生產要素的全面提升^[19]。數據資產會加速勞動者生產高效化、勞動對象的拓展化和勞動資料的智能化，全面升級新質生產力的構成三要素，驅動生產力轉型。具體來說，數據資產的普及與數據技術的應用能發揮知識紅利，優化生產模式，提升勞動效率，進而驅動新質生產力的生成。在數字經濟發展進程中，各主體對勞動者能力提出了更高的要求，勞動者不僅需要學習、儲備先進的技術知識和高端設備的操作規范，還要將其內化為可運用在實際中的技能方法。數據的可復制性使得生產知識與技能更廣泛且經濟地傳播^[20]"，從而降低知識傳遞成本，實現知識擴散，顯著提高勞動者學習新技能的便利性，有效促進勞動者綜合素養與工作效率的提升，為生產力質的提升提供堅實的高科技、高素質人才支撐^[21]。同時，企業可以利用數據資產進行生產建模，制訂實時最優的生產計劃，借助數據資產實現數字化監控、管理和智能化運營，優化替代簡單體力勞動流程^[22]，在提高個體工作效率的同時，減少勞動者繁雜重復任務的負擔，騰出更多精力從事更具創造性的工作，從而提升整體生產效率和創新能力。

數據資產是數字經濟時代的新型生產要素“數據”的規范化管理形態，蘊含著巨大的生產力，正逐步推動勞動資料使用方式的創新與邊界的擴大，重塑企業的生產方式，為生產力進一步提升提供了新動力。一方面，集成化的數據資產可以改進企業的生產決策系統，結合人工智能等數據分析技術推動了傳統勞動工具向智能化工具轉變^[19]。在原有的單一生產工具上增加流程監控、生產交互等多樣化功能，實現生產設備間的協調調度和整合，為企業提供了一個多維度、全局化的視角，增強了企業對復雜系統中各生產流程的控制能力，有效減少了生產過程中人力、物力等資源的浪費，改善了生產組織方式^[23]，降低了企業的生產成本，進而推動新質生產力發展。另一方面，集成大量數據的數據資產已成為新型勞動資料的核心，帶來了比傳統生產要素更富活力的價值倍增效應^[24]，企業在利用數據資產靈活、精確協調調度生產資源的同時，還能通過所持有的數據資產獲取大量消費行為特征數據，以洞悉市場走向，降低生產端與消費端的信息不對稱程度^[20]"，根據市場需求及時、合理地優化調整生產計劃，從而有效降本增效，促進新質生產力發展。

與此同時，數據資產通過提升信息透明度與操作靈活性，不僅重塑了企業生產模式，還加速了以“數據”為核心的新產業、新業態的形成。一方面，數據資產通過對數據采集、儲存、分析、挖掘等多方位的規范化管理，不斷釋放數據要素的價值，創造性地生成了去物化的新勞動對象，催生了元宇宙、量子通信等數字產業^[25]，將勞動對象的范圍向虛擬領域不斷擴展，為新質生產力帶來新動力；另一方面，數據資產通過其可復制、可共享等特點，實現了不同行業、主體之間生產要素的重組融合，模糊了產業邊界，打破了生產的時空局限性，推動了資源匹配與產業時空布局的優化^[26]，實現了傳統勞動對象的數字化轉型與全面重塑，生成了基于數據聚合和資源共享模式的新業態、新模式，如平臺經濟、智能經濟等。這不僅推動了數字化商業模式的創新，提升了資源利用率，而且拓展了傳統產業的組織架構和運營方式，促進了可持續和綠色的生產改造，為新質生產力發展提供了堅實的產業基礎?；谝陨戏治觯岢黾僭O1：

H1：數據資產有助于新質生產力發展。

1.2 數據資產、傳統生產要素與新質生產力

數據資產是一種虛擬資產，其價值需要依托具體的生產要素來實現^[27]。傳統生產要素主要包括勞動、資本和土地，進入信息科技時代之后又加入了“技術”這一革命性要素。目前，數據已經正式被列為第五大生產要素^[28]。數據資產作為數據要素的資產化表現形式，以更規范化、價值化的方式，將數據要素與其他傳統要素相融合，帶來倍增效應^[28]，使生產力產生質變。

數據資產與勞動要素結合，不僅正向促進了勞動者素質的提升，而且反向倒逼勞動力需求發生結構性變化，促進了人力資本的升級，進而推動新質生產力發展。一方面，數據資產強化了勞動者與技術的互動，增強了人機協作，促使勞動者不斷提升自身技能和素養，努力掌握新型勞動工具，并通過對數據分析工具和技術學習的進一步整理，習得系統性知識，提高思維水平^[30]，推動了人力資本從簡單機械的傳統手工和重復性勞動升級為具有創新性、創造性的知識密集型和創新驅動型勞動。另一方面，數據資產不僅促進了勞動者技能的提升，而且推動了勞動市場結構的變化。市場對勞動者技能水平有更高的要求，對有創新性知識和技能勞動者有大量需求^[21]。例如，數據資產的收集、加工需要具有能識別和處理有效數據的數字素養的勞動力，數據要素的分析、利用需要具有理解能力和創新思維的創新素養的勞動力。這既為新質生產力發展提供了更優質的人力資源基礎，又迫使低技能勞動者在勞動力市場變化中謀求新出路^[31]。數據資產對勞動力市場的間接影響促進了人才結構的優化與升級，為新質生產力發展創造了新機遇。

數據要素與資本要素結合，不僅優化了資本使用模式，而且增強了市場對企業的金融支持，有效促進了資本配置的優化，提升了資本利用效率，有利于新質生產力水平的提高。一方面，數據資產包含的大量有效信息有助于降低企業搜集財務信息的成本，便于管理者對有效信息和知識進行提取，提高信息質量^[32]"，幫助企業在并購、資本擴張等投資決策中更好地預測市場發展風向、識別潛在風險，從而優化資本使用。同時，企業還能利用數據資產進行動態反饋和分析，對資本使用與收益情況進行監控分析，在事中及時調整資金流向，提高投資效率^[6]；對已完成投資的結果與預期進行比較分析，在事后優化投資模型，進一步提高資本配置效率。另一方面，數據資產對傳統資產進行了有效補充，形成了從數據搜索、儲存到分析應用的“數據鏈條”，提高了業務流程透明度與可塑性，進而提供高質量的會計信息^[33]，有助于投資者對企業資信能力有更充分的掌握，緩解信息不對稱導致的道德風險，提升資源供需匹配效率^[34]。同時，隨著國家層面對數字經濟及數據要素價值的高度重視，企業持有數據資產符合國家政策導向。這不僅為企業贏得了政策紅利與市場認可，還激發了市場對于此類企業的積極預期與信心^[3]。金融機構與投資者更加傾向于為這類企業提供資金支持，從而為企業實現跨越式發展提供堅實的金融保障。

數據資產與技術要素結合，形成了具有知識溢出和積累效應的信息流和技術流，提供了低成本的資源獲取方式和創新模式，增強了企業科技創新能力^[22]，進而驅動生產力發生質的提升與轉變。首先，數據資產特有的非消耗性、共享性在降低信息傳播成本的同時，還加速了知識傳播與科技創新的速度。企業能以更低成本獲取提升創新質量的最優路徑^[35]，進而推動新質生產力發展。其次，數據資產與技術要素結合催生了各種在線平臺和即時通信設備，促進了全球范圍內的即時通信協作，有助于突破地域限制，加強跨期、跨行的遠程互動協同^[36]。數據資產的使用通過企業間的資源共享與交換，提升自主創新能力；通過對各環節的數據儲存與分析，實現數據試錯代替實物試錯，提高了企業間的創新合作效率^[27]，進而驅動新質生產力發展。最后，數據資產提供了大量消費者與競爭者行為數據。企業通過數字技術提取、分析其中有價值的信息，可以洞察消費者偏好，保持對前沿技術的較高敏銳度，有助于把握創新方向^[37]，為創新創造更加有利的條件。綜上所述，提出假設2：

H2：數據資產通過與傳統生產要素融合促進新質生產力發展。

2 研究設計

2.1 樣本選擇

2010年，移動互聯網、云計算與大數據技術等基礎技術創新開始進入快速發展時期，為企業使用數據資產創造價值提供了可能。因此，本文選取2010—2023年滬深A股上市公司作為研究樣本。上市公司年報來源于巨潮資訊網，其余財務數據均來自CSMAR數據庫。為避免特殊樣本和極端值對研究結論的影響，本文對研究樣本進行如下處理：①剔除所屬行業為金融的企業；②剔除ST、^*ST、PT企業；③剔除財務數據異常的樣本；④剔除數據缺失嚴重的樣本；⑤對連續變量在上下1%分位處進行Winsorize縮尾處理。最終得到4 824家企業共31 130個觀測值。

2.2 變量定義

2.2.1 被解釋變量：新質生產力（Npro）

參考宋佳等^[10]的研究，以勞動三要素為理論支撐，采用熵權法，構建企業新質生產力評價指標體系，見表1。

2.2.2 解釋變量：數據資產（Digas）

本文參考李健等^[27]、張葉青等^[38]的研究，采用文本分析法衡量企業持有的數據資產。具體地，以數據資產化的實現機制為基礎，分別從“數據收集、數據儲存、數據處理、數據應用”4個階段建立企業數據資產關鍵詞詞譜，具體見表2。再利用Python對上市公司年報中涉及數據資產化的信息進行挖掘，并統計年報中出現的關鍵詞詞頻，對關鍵詞詞頻進行對數化處理后，形成企業數據資產的代理變量。

2.2.3 控制變量

為降低其他因素對企業新質生產力的影響，本文參考宋佳等^[10]、劉征馳等^[39]的研究，選擇企業規模（Size）、企業年齡（Age）、產權性質（SOE）、資產負債率（Lev）、資產利潤率（ROA）、成長機會（TobinQ）、資本集中度（FIXED）、股權集中度（Top10）、董事會規模（Board）、獨立董事占比（Indep）作為控制變量。

變量及其定義見表3。

2.3 模型設定

為驗證本文的研究假設，設定如下基準模型

Nproi，t=α0+α1Digasi，t+α2Controli，t+Year+Industry+εi，t（1）

式中，Nproi，t為公司i在第t期的新質生產力水平，數值越高，表明企業新質生產力水平越高；Digasi，t為公司i在第t期擁有的數據資產水平；Controli，t為控制變量，包括與企業新質生產力有關的財務、管理等方面的變量；∑Year和∑Industry分別為年份固定效應和行業固定效應。若模型（1）中系數α1的符號顯著為正，說明企業擁有的數據資產越多，新質生產力水平越高，即數據資產對企業新質生產力發展具有顯著促進作用。

3 實證檢驗與結果分析

3.1 描述性統計分析與相關性分析

3.1.1 描述性統計分析

主要變量描述性統計結果見表4。從表4看，樣本企業在數據資產和新質生產力水平上存在較大差異。其他控制變量的描述性統計結果均在合理范圍內。

3.1.2 相關性分析

主要變量Pearson相關系數見表5。由表5可知，數據資產與企業新質生產力相關系數為0.02，且在1%水平上顯著，說明二者呈現正相關關系，初步反映了數據資產對企業新質生產力的正向作用。但二者的關系仍需要通過回歸分析進一步檢驗。同時，各變量間的相關系數均小于0.6，說明不存在嚴重的多重共線性問題。

3.2 基準回歸結果

本文采用遞進式回歸檢驗H1，并依據公司層面的聚類穩健標準誤來判斷系數顯著性，基準回歸結果見表6。表6中列（1）報告了未加入控制變量、未控制行業和年份固定效應的回歸結果。可以看到，解釋變量數據資產的估計系數在10%水平上顯著為正。表6中列（2）報告了加入控制變量的回歸結果，解釋變量數據資產的估計系數在1%水平上顯著為正。表6中列（3）和列（4）分別報告了逐步加入年份固定效應和行業固定效應的結果，數據資產的回歸系數均仍在1%水平上顯著為正，說明數據資產對提高企業新質生產力水平起到了積極作用，H1得到驗證。

3.3 內生性檢驗

3.3.1 傾向得分匹配（PSM）法

為有效緩解樣本選擇偏差對模型結論可能產生的偏誤，增強研究結果的穩健性與可靠性，本文采用傾向得分匹配（PSM）法對實驗結論進行進一步驗證。具體而言，以企業數據資產的中位數作為劃分標準，將高于中位數的企業劃分為處理組，賦值為1；將低于中位數的企業劃分為控制組，賦值為0，并計算每個觀測值在數據資產方面的傾向得分。接著，采用最近鄰匹配方法，以企業規模、企業年齡、產權性質、公司價值等特征變量及計算得出的傾向得分為協變量，為處理組中的每一家企業成功匹配一個在基本特征上最為接近的控制組企業。

匹配前后兩組樣本各特征變量的平行性檢驗結果見表7。經傾向得分匹配之后，處理組與控制組各特征變量差值的t值均小于2，接受處理組與控制組間無系統差異的原假設，且協變量的標準化偏差均小于3%，說明相較于匹配前，匹配后樣本對應的控制變量間的差異不顯著，平行性假設得到滿足。

處理組與控制組匹配前后樣本傾向得分的核密度分別見圖1和圖2。通過對比分析可以清晰地觀察到，經過匹配處理后，兩組數據的核密度函數圖在形態上更為接近，差異顯著減小，說明匹配后的樣本滿足共同支撐假設。

基于匹配后的樣本，對基準模型（1）進行再擬合，結果見表8。

如表8中列（1）所示，數據資產與企業新質生產力之間的回歸系數為0.194，且在1%水平上顯著。這表明，在有效控制了處理組與控制組企業間特征差異的前提下，擁有較高數據資產的企業依然展現出卓越的新質生產力水平。因此，本文的核心結論，即數據資產對企業新質生產力有積極影響，在有效應對樣本選擇偏差的挑戰后，依然保持穩健、可靠。

3.3.2 工具變量法

為緩解企業數據資產與新質生產力之間潛在的交互跨期影響帶來的反向因果等內生性問題，本文借鑒李健等^[27]、肖紅軍等^[40]的方法，選擇同年份同省份其他企業的平均數據資產水平（Digas_mean）作為企業數據資產（Digas）的工具變量。該工具變量的合理性在于：一方面，所處同一省份或同一行業的公司通常面臨相似的外部環境、政策與經濟條件，因此企業之間的數據資產水平存在一定的相關性；另一方面，微觀企業個體的數據資產水平不太可能影響省份和行業的數據資產均值，滿足外生性假設。

如表8中列（3）所示，Digas的系數仍在1%水平上顯著為正，表明核心結論依然成立，即企業數據資產可以顯著提高企業的新質生產力水平。同時，表8中列（2）顯示第一階段回歸的LM統計量在1%水平上顯著，Cragg-Donald Wald F值為96.52，大于95%置信區間的臨界值，證明工具變量的選用是合理的。

3.3.3 熵平衡法

熵平衡法通過為處理組中的每個樣本分配最優權重的處理組樣本組合，確保處理組與控制組在多個協變量上的分布矩（均值、方差、偏度等）盡可能接近，從而有效緩解了樣本選擇偏差導致的內生性問題。這不僅能夠彌補PSM方法在控制高階統計特征方面的不足，而且進一步提高了樣本間可比性的精確度。因此，本文參考Hainmueller^[41]的研究，采用熵平衡法進一步消除企業特征差異對數據資產促進企業新質生產力發展效果的影響。本文首先根據企業數據資產水平的中位數將樣本分為兩組，然后使用熵平衡法對每個樣本特征協變量進行均值、方差、偏度的三階矩調整，進一步消除企業基本面差異對數據資產促進企業新質生產力發展效果的影響。本文采用熵平衡法匹配后的處理組與控制組在樣本特征上實現了平衡。如表8中列（4）所示，數據資產的系數在1%水平上顯著為正，說明結論穩健。

3.4 穩健性檢驗

3.4.1 控制遺漏變量

雖然前文已經考慮了企業自身特征的相關變量并控制了行業和年份的固定效應，但是除自身因素外，企業所屬行業隨時間的發展變化等因素可能也會影響數據資產與企業新質生產力的關系。因此，為緩解遺漏變量對研究結論產生的可能干擾，參考李健等^[27]的做法，在基準回歸基礎上控制了個體固定效應和“行業×時間”的高階聯合固定效應后進行穩健性檢驗。如表9中列（1）、列（2）所示，數據資產與新質生產力之間的系數分別為0.040和0.191，且分別在5%和1%水平上顯著，說明數據資產可以有效提高企業的新質生產力水平。因此，在控制遺漏變量后，研究結論依然穩健。

3.4.2 替換變量計算方式

參考路征等^[5]的研究，若不存在調整成本，企業的市場價值應當為各類資產價值的總和，但入表的資產很難完全概括類似于數據資產這類“無形資產”。因此，隨著數據的不斷積累和數字化技術的廣泛運用，企業的市場價值與賬面資產價值的差值，在一定程度上反映了企業持有的數據資產的價值。本文采用市場價值與總資產的差值（Digasl）替代基準回歸中采用文本分析法得出的數據資產。如表9中列（3）所示，數據資產的系數依然為正，且在5%水平上顯著，說明替換解釋變量以后，研究結論依然穩健。

同時，參考宋佳等^[10]的研究，使用LP（線性規劃）法計算的全要素生產率（TFP_LP）替代企業新質生產力的發展水平指標。如表9中列（4）所示，數據資產的系數為正，且在1%水平上顯著，說明替換被解釋變量以后，研究結論依然穩健。

3.4.3 剔除特殊異常樣本

參考路征等^[5]的研究，對數據驅動型企業樣本進行剔除，以檢驗數據資產對一般制造業、服務業等領域企業的影響。具體地，結合《數字經濟及其核心產業統計分類（2021）》和《國民經濟行業分類》，剔除包括“軟件和信息技術服務業”“互聯網相關服務”在內的5個數字經濟核心產業。如表9中列（5）所示，剔除數據驅動型企業樣本后，數據資產與企業新質生產力仍在1%水平上顯著正相關，說明即使在非數據驅動型的一般傳統行業中，數據資產對企業新質生產力也存在顯著的正向影響。

由于新冠疫情可能在一定程度上抑制企業新質生產力的發展，而居家工作的興起又會推動企業持有數據資產的行為，有可能在數據資產對企業新質生產力的促進作用方面產生噪聲，因此剔除2020年以后的樣本，再次進行回歸檢驗。如表9中列（6）所示，剔除異常年份的樣本后，數據資產與企業新質生產力的系數仍在1%水平上顯著為正，說明數據資產對企業新質生產力的正向影響是穩健的。

我國直轄市具有一定的特殊性，在政策執行、資源配置等方面享有特殊地位與傾斜優勢，這些因素可能對數據資產與企業新質生產力之間的關系產生影響。因此，對企業所屬地區為直轄市的樣本進行剔除。如表9中列（7）所示，剔除特殊地區的樣本后，數據資產對企業新質生產力的影響仍在1%水平上顯著為正，說明數據資產對企業新質生產力的正向作用較穩健。

4 進一步分析

4.1 異質性分析

為了更為細致地研究數據資產對企業新質生產力的影響，本文檢驗了數據資產對企業新質生產力在產權性質、治理水平、資產模式、行業屬性、外部環境等方面的異質性效應。異質性分析結果見表10。

4.1.1 產權性質異質性

為驗證數據資產對不同產權企業新質生產力的異質性表現，將樣本分為國有企業（SOE=1）和民營企業（SOE=0），進行分組回歸。如表10中列（1）、列（2）所示，國有企業和民營企業數據資產的系數均顯著為正，而組間系數差異檢驗結果顯示二者系數差異為-0.045且在5%水平上顯著，說明數據資產對國有企業和民營企業新質生產力的發展均有正向促進效果，其中對國有企業新質生產力的促進作用更明顯?？赡艿脑蛟谟冢簢衅髽I能獲得更多資源支持。這種特殊的優勢使得國有企業在數據資產的積累、應用和開發上具有顯著的成本優勢和人才優勢，從而能更好地發揮數據資產的乘數效應，促進新質生產力的提升。

4.1.2 治理水平異質性

本文采用管理費用率探討公司治理對數據資產促進新質生產力發展的差異性，管理費用率越高，表示企業的治理水平越低。具體地，按照管理費用率的中值將企業分為治理效率高組（管理費用率低于中位數）和治理效率低組（管理費用率高于中位數），進行分組回歸。如表10中列（3）、列（4）所示，治理效率高企業和治理效率低企業數據資產的系數均在1%水平上顯著為正，組間系數差異檢驗結果顯示二者系數差異顯著為負，說明數據資產更能改善治理效率低的企業的生產效率，對新質生產力的促進作用更明顯?？赡艿脑蛟谟冢褐卫硇实偷钠髽I在治理結構和決策流程中存在缺陷，數據資產的管理和運用對于降低信息不對稱程度、提高決策質量和效率的效果更好，可以彌補這類企業治理決策方面的短板，對其在新質生產力的提升方面產生更大的邊際效用。

4.1.3 資產模式異質性

本文采用固定資產占總資產的比重探討企業資產模式對數據資產促進新質生產力發展的差異性。具體地，按照固定資產占比的中值將企業分為重資產組（固定資產占比高于中位數）和輕資產組（固定資產占比低于中位數），進行分組回歸。如表10中列（5）、列（6）所示，輕資產企業數據資產對新質生產力影響的系數在1%水平上顯著，而重資產企業數據資產與新質生產力的系數不顯著，二者的組間差異系數顯著為正，說明數據資產對輕資產企業新質生產力的促進作用更好?？赡艿脑蛟谟冢褐刭Y產企業固定資產比重高，其流動資金占比少且需承擔較高的維修成本，限制了其利用數據資產更好地開發新技術和靈活地適應市場變化。相比之下，輕資產企業則更多依賴于外包合作。這種模式使得輕資產企業能夠靈活調整資源配置，將更多資源和注意力快速集中在數據資產的獲取、分析和應用上，從而更有效地發展新質生產力。

4.1.4 行業屬性異質性

不同的行業屬性會影響企業新質生產力的形成路徑和數據資產促進作用的發揮。本文參考楊興哲和周翔翼^[42]的研究，根據中國證監會行業分類標準，將樣本分為高科技企業與非高科技企業，進行分組回歸。如表10中列（7）、列（8）所示，在高科技企業中，數據資產與新質生產力的系數顯著為正，對新質生產力的促進作用明顯。而在勞動密集型企業中，數據資產與新質生產力的系數不顯著。二者的組間系數顯著為負，也表明數據資產對高科技企業新質生產力的促進作用更明顯?？赡艿脑蛟谟冢焊呖萍夹袠I作為知識技術密集型領域，在數字化技術的應用上擁有天然的技術基礎設施、科技人才儲備和成熟的創新機制等優勢，使得高科技企業能夠更有效地利用數據資產，推動技術創新和產品升級，從而在新質生產力發展上取得更好的成效。

4.1.5 外部環境異質性

外部環境同樣會影響企業的新質生產力發展。行業競爭越激烈，企業推進數據資產化管理的意愿越強。本文采用赫芬達爾指數（HHI）衡量企業所在行業的競爭程度，HHI越小，行業競爭越激烈。具體地，按照赫芬達爾指數的中值將企業分為行業競爭程度高組（赫芬達爾指數低于中位數）和行業競爭程度低組（赫芬達爾指數高于中位數），進行分組回歸。如表10中列（9）、列（10）所示，兩組企業數據資產的系數均在1%水平上顯著為正，而組間系數差異檢驗結果顯示二者系數差異顯著為正，說明在競爭程度高的行業中，企業數據資產化更能促進新質生產力的發展?？赡艿脑蛟谟冢寒斝袠I競爭較為激烈時，企業更有動力積累和運用能產生乘數效應的數據資產，以保持競爭力，進而更有利于新質生產力的發展。同時，當競爭程度較高的行業有部分企業使用數據資產時，也會帶動其他企業利用和開發數據資產。這種競爭能促進整個行業數據資產運用能力的提升，進而提升數據資產對新質生產力的促進效果。

4.2 機制檢驗

根據前文分析，數據資產通過其非競爭性、低成本復制等特征優化融合不同的生產要素，發揮乘數效應，全面激發傳統生產要素的潛在動能，以實現生產過程創新與資源優化配置，驅動新質生產力發展。據此，本文從勞動要素、資本要素、技術要素3個角度探索數據資產促進企業新質生產力發展的作用機制，用以驗證H2。由于數據資產對土地的影響較為間接，主要通過土地利用的優化、土地價值評估的精準化等方式體現，對新質生產力影響較小，故在此不做討論。

解釋變量與中介變量間常呈現高度相關性特征，會造成逐步檢驗法第三步的高標準誤，削弱統計檢驗的顯著性水平；而中介變量的隨機性也會影響中介效應的估計偏誤，因為可能存在同時作用于中介變量與目標被解釋變量的未觀測因素；同時，勞動、資本、技術都較為直觀地被理論證明了其對企業新質生產力發展的影響，且前文已經從理論上論述了這三者都會受到數據資產的直接影響。因此，本文參考江艇^[43]的研究，采用兩步法建立如下機制檢驗模型，對數據資產影響企業新質生產力的機制進行驗證

Nproi，t=α0+α1Digasi，t+α2Controli，t+

Year+Industry+εi，t（2）

Methodi，t=β0+β1Digasi，t+β2Controlsi，t+

Year+Industry+εi，t（3）

式中，Methodi，t為機制代理變量；其余變量含義與基準模型（1）保持一致。

4.2.1 人力資本升級

據前文分析可知，數據資產、智能化工具與勞動要素結合會促進人力資本的升級，提升勞動生產率并改變勞動的性質，而由此帶來的勞動力質量的提高則會促進企業新質生產力發展。本文借鑒于翔等^[30]的研究，采用企業技術員工占比衡量企業的人力資本升級（Labor）。如表11中列（1）所示，數據資產與人力資本升級的回歸系數顯著為正，說明數據資產能通過推進企業人力資本升級促進新質生產力水平的提升。

4.2.2 資本配置效率

資本是企業重要的生產要素，資本配置的效率會影響企業的生產效率。據前文分析可知，數據資產與資本要素的結合促進了資本配置方式的變革，提高了企業資本配置的效率。因此，本文借鑒Richardson^[44]和Biddle等^[45]的做法，采用實際投資規模與預期投資規模之間的差額衡量企業的資本配置效率（Inveff）。如表11中列（2）所示，數據資產與資本配置效率的回歸系數顯著為正，說明數據資產能通過提高企業的資本配置效率促進新質生產力水平的提升。

4.2.3 科技創新能力

據前文分析可知，數據驅動技術革新，提升了企業的科技創新能力，有助于推動企業生產力的突破性變革，發展新質生產力。據此，采用企業專利申請數量加1的對數衡量企業的科技創新能力（Creat）。如表11中列（3）所示，數據資產與科技創新能力的回歸系數顯著為正，說明數據資產能通過增強企業的科技創新能力促進新質生產力水平的提升。

5 結語

在數據已成為企業乃至國家層面不可或缺的戰略性資源的時代背景下，企業如何高效挖掘與利用數據資產的價值潛力，提升運營效率與管理水平，深度優化資源配置，進而推動中國高質量發展，加速整體社會生產力的新興形態轉化，是關系到全面建成社會主義現代化強國的重要課題。本文基于數據資產的視角，以2010—2023年中國滬深A股上市公司為研究樣本，探討企業持有數據資產能否起到促進新質生產力發展的作用，以及數據資產促進新質生產力發展的作用機制。研究結果表明，數據資產能夠改變勞動者、勞動對象與勞動資料的質態，顯著促進企業新質生產力發展。該結論在經過內生性檢驗與穩健性分析之后依舊成立。對數據資產的作用機制進一步研究發現，數據資產通過與各傳統生產要素優化融合后迸發出突破性的活力，能促進企業人力資本升級、資本配置效率提升和科技創新能力增強，助力企業新質生產力發展。異質性分析發現，在國有企業、治理效率低企業、輕資產企業、高科技企業和外部競爭程度高企業中，數據資產對新質生產力的促進效果更明顯。

基于研究結論，提出如下建議：

在微觀層面，企業應在財務管理中將數據資產整合與應用作為戰略重點，通過優化數據管理與分析流程，實現對人力資本、資本配置及科技創新的全面賦能。第一，企業應設置完善的數據治理結構，確保數據資產的質量與安全性，以此為基礎完善數據驅動的決策機制；第二，企業應廣納數據分析技術人才，通過深入挖掘數據資產的潛在價值，促進產品和服務的創新，提高市場響應速度與客戶滿意度；第三，企業還應探索數據資產與傳統生產要素的融合路徑，如利用數據資產優化供應鏈管理、提升生產效率，以及通過數據洞察指導資本的有效配置等。

在宏觀層面，政府與行業組織應協同推動數據資產的標準化、市場化進程，為充分發揮數據資產促進新質生產力發展的作用創造良好的外部條件。具體為：出臺相關法規，明確數據資產的權屬、交易規則及隱私保護標準，為數據資產的流通與交易提供法律保障；建立和完善數據資產評估體系，促進數據資產的合理定價與有效配置；加強數字基礎設施建設，如寬帶網絡、數據中心等，為數據資產積累和應用提供技術支撐；加強數字經濟所需專業人才的培養，通過教育和培訓提升勞動力的數字技能，以滿足數據資產深度開發需求。

參考文獻

[1]佚名.習近平在中共中央政治局第十一次集體學習時強調：加快發展新質生產力"扎實推進高質量發展[N].人民日報，2024-02-02（01）.

[2]李猛.“人工智能+”賦能新質生產力發展：內在機理與路徑探索[J].北京航空航天大學學報（社會科學版），2024，37（4）：127-137.

[3]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.

[4]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.

[5]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.

[6]苑澤明，尹琪，于翔.數據資產如何賦能企業高質量發展：對傳統生產要素的優化機制[J].西部論壇，2024，34（3）：54-73.

[7]魏崇輝.新質生產力的基本意涵、歷史演進與實踐路徑[J].理論與改革，2023（6）：25-38.

[8]柳學信，曹成梓，孔曉旭.大國競爭背景下新質生產力形成的理論邏輯與實現路徑[J].重慶大學學報（社會科學版），2024，30（1）：145-155.

[9]李政，崔慧永.基于歷史唯物主義視域的新質生產力：內涵、形成條件與有效路徑[J].重慶大學學報（社會科學版），2024，30（1）：129-144.

[10]宋佳，張金昌，潘藝.ESG發展對企業新質生產力影響的研究：來自中國A股上市企業的經驗證據[J].當代經濟管理，2024，46（6）：1-11.

[11]譚紅陽，劉金蓮，李志軍，等.機構投資者持股對企業新質生產力的影響[J].云南財經大學學報，2024，40（8）：56-71.

[12]杜傳忠.新質生產力形成發展的強大動力[J].人民論壇，2023（21）：26-30.

[13]胡洪彬.習近平總書記關于新質生產力重要論述的理論邏輯與實踐進路[J].經濟學家，2023（12）：16-25.

[14]翟緒權，夏鑫雨.數字經濟加快形成新質生產力的機制構成與實踐路徑[J].福建師范大學學報（哲學社會科學版），2024（1）：44-55，168-169.

[15]劉利平，李佳輝.數字化轉型何以賦能新質生產力發展：來自制造業的經驗證據[J].江海學刊，2024（4）：104-110，255.

[16]李律成，曾媛杰，彭華濤.數字創新生態系統驅動新質生產力發展的組態路徑研究[J].科研管理，2024，45（8）：1-10.

[17]陳柏強，母璇，劉暢.科技成果轉化加速新質生產力發展的內在機理及實踐路徑研究[EB/OL].（2024-08-13）[2024-09-15]."https：//kns.cnki.net/kcms2/article/abstract？v=Dm4VI7mKrXP8o6_oFi7QhJmnEPeLkgrY9rQ8aoLIA_MmXP66neJlQ0I6f-Jn1vVfTgvI2vdHQsS8TjrMM_wz6SiqPopgL6_JWj4IEnqaWG2Pyp5fooVzXfJ_Nn2Lw-FZmCKrgN4IxRtw8bK9mK3MHTTt-6BPQjosW-OPtWVL14cDHpQ_pk28VSbOVZHcXK-Hamp;uniplatform=NZKPTamp;language=CHS.

[18]史丹，孫光林.數據要素與新質生產力：基于企業全要素生產率視角[J].經濟理論與經濟管理，2024，44（4）：12-30.

[19]戚聿東，沈天洋.人工智能賦能新質生產力：邏輯、模式及路徑[J].經濟與管理研究，2024，45（7）：3-17.

[20]蔡躍洲，馬文君.數據要素對高質量發展影響與數據流動制約[J].數量經濟技術經濟研究，2021，38（3）：64-83.

[21]趙騰，嚴俊，林成城，等.數據要素視角下新質人才培養的機理與路徑[EB/OL].（2024-07-24）[2024-09-15]."https：//kns.cnki.net/kcms2/article/abstract？v=Dm4VI7mKrXOkJQVztlvlJ5yrv_KtQ47_NqmVanVb280zT5s0hXF3wDcJpkkmUWZAHvcLVEwP21ksLsD2mau3D8exfyXpV0SQSVVPkjDGIkx-7MjYbxanm_VCfkzrsjN-7tP9RJtSOKPQtqTXg1aFnYG09rMJTUwamK_MFrOYQqc2zxyWw5Pyd_1P7n0i8lciamp;uniplatform=NZKPTamp;language=CHS.

[22]陳榮達，林祺，金騁路，等.數據資產估值定價與新質生產力發展：演進邏輯與主要挑戰[EB/OL].（2024-08-06）[2024-09-15]."https：//kns.cnki.net/kcms2/article/abstract？v=Dm4VI7mKrXMkA8p_JFzSWySz0aelu_aVOZoJk-vzlAb1jefLOEczhapIpcdjVfqlB_j4jZm6ZV3OxF6P39ruOjJihcfEnMtqu-2vIlgv

GILjGxHyTZfm0ZJ3W3pcLP8xIxvlzLwnvsa5iiiJIawFHTYMO_sJ2SWxrX8JWunObUN13kQSmZalBLcCltcPqrhramp;uniplatform=NZKPTamp;language=CHS.

[23]張亞豪，李曉華，劉尚文.數據要素賦能服務型制造發展：場景應用、作用機制與政策建議[J].改革，2024（1）：69-81.

[24]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.

[25]唐要家，唐春暉.數字產業化的理論邏輯、國際經驗與中國政策[J].經濟學家，2023（10）：88-97.

[26]徐翔，厲克奧博，田曉軒.數據生產要素研究進展[J].經濟學動態，2021（4）：142-158.

[27]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.

[28]段學慧，張娜.數據要素及其形成新質生產力的機理研究[J].經濟縱橫，2024（7）：18-28.

[29]楊艷，王理，廖祖君.數據要素：倍增效應與人均產出影響：基于數據要素流動環境的視角[J].經濟問題探索，2021（12）：118-135.

[30]于翔，牛彪，苑澤明.數據資產、人力資本升級與企業價值[J].中南財經政法大學學報，2024（2）：109-122.

[31]蔣萬勝，楊倩.論生成式人工智能對新質生產力形成的促生作用[J].陜西師范大學學報（哲學社會科學版），2024，53（3）：15-25.

[32]鄭曉佳，蔡欣妮，胡昌譽，等.數據資產治理與權益資本成本[J].中國經濟問題，2024（3）：54-69.

[33]劉貝貝，陳夢鷺，管文娜，等.數字化轉型的信息治理效應：來自A股上市公司信息披露質量的證據[J].中央財經大學學報，2024（4）：52-65.

[34]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[2024-09-15].https：//www.sciencedirect.com/science/article/abs/pii/S0304393218302174？via%3Dihub.

[35]羅泰曄，張振剛.數據賦能制造業企業創新：邏輯框架與過程機理[J].中國科技論壇，2023（7）：95-105.

[36]牛彪，于翔，苑澤明，等.數據資產信息披露與審計師定價

策略[J].當代財經，2024（2）：154-164.

[37]肖靜華，胡楊頌，吳瑤.成長品：數據驅動的企業與用戶互動創新案例研究[J].管理世界，2020，36（3）：183-205.

[38]張葉青，陸瑤，李樂蕓.大數據應用對中國企業市場價值的影響：來自中國上市公司年報文本分析的證據[J].經濟研究，2021，56（12）：42-59.

[39]劉征馳，高翔宇，陳文武，等.數字技術躍遷與企業全要素生產率：從自動化到智能化的比較分析[J].經濟評論，2024（4）：73-89.

[40]肖紅軍，陽鎮，劉美玉.企業數字化的社會責任促進效應：內外雙重路徑的檢驗[J].經濟管理，2021，43（11）：52-69.

[41]HAINMUELLER J.Entropy balancing for causal effects：a multivariate reweighting method to produce balanced samples in observational studies[J].Political Analysis，2012，20（1）：25-46.

[42]楊興哲，周翔翼.治理效應抑或融資效應？股票流動性對上市公司避稅行為的影響[J].會計研究，2020（9）：120-133.

[43]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.

[44]RICHARDSON S.Over-investment of free cash flow[J]. Review of Accounting Studies，2006，11（2-3）：159-189.

[45]BIDDLE G C，HILARY G，VERDI R S.How does financial reporting quality relate to investment efficiency[J].Journal of Accounting and Economics，2009，48（2）：112-131.

收稿日期：2024-09-29

作者簡介：

張戡，男，1970年生，博士研究生，副教授，主要研究方向：公司金融和金融工程。

楊珂，女，2000年生，碩士研究生在讀，主要研究方向：公司金融和金融工程。

王素澤，男，2002年生，碩士研究生在讀，主要研究方向：公司金融和金融工程。