數據資產對財務柔性的非線性動態影響研究

【中圖分類號】F272 【文獻標識碼】A 【文章編號】1004-0994（2025）18-0060-9

一、引言

隨著大數據、物聯網、人工智能等數字技術的快速發展，數據已成為推動我國經濟發展的關鍵生產要素（楊善林和周開樂，2015）。與傳統生產要素相比，數據資產具有非競爭性、非消耗性和融合增值等獨特屬性，突破了傳統資產在空間和時間上的限制。黨的十九屆四中全會首次將數據列為新型生產要素，2023年財政部頒布的《企業數據資源相關會計處理暫行規定》進一步規范和推動了企業數據資產化的進程。

現有研究表明，數據資產不僅能夠優化企業的成本管理、資源配置和風險管控（Sivarajah等，2017），還能顯著提升企業綠色創新水平（楊開元和劉科，2025）、促進企業突破式創新（李暉和葉一軍，2024）、企業全要素生產率（肖昂和鄔瑜駿，2024）、企業新質生產力（許志勇等，2025）和企業核心競爭力。在此背景下，深人研究數據資產與企業財務的關系具有重要的理論和實踐價值。財務柔性作為衡量企業財務管理能力的重要指標，反映了企業應對財務環境變化的能力。本研究創新性地從收益—成本雙重視角出發，探討數據資產對財務柔性的影響。研究發現，數據資產與財務柔性之間存在倒U型的非線性關系：適度的數據資產投入能夠降低信息不對稱程度、拓寬融資渠道；但過度投人則可能因基礎設施建設和維護成本（Moody和Walsh，1999）增加而加重財務負擔。

本研究的理論貢獻主要體現在以下方面：第一，拓展了數據資產研究的維度，從財務柔性視角豐富了相關文獻；第二，突破了現有研究僅關注數據資產收益的局限，構建了包含成本因素的分析框架；第三，揭示了不同內外部環境下數據資產作用的差異性，為后續研究提供了新的方向。這些發現不僅深化了對數據資產價值的認識，也為企業優化數據資產管理提供了重要參考。

二、理論分析與研究假設

（一）數據資產與企業財務柔性

財務柔性是指企業在預防或利用不確定性事件的過程中及時運用財務資源實現價值最大化的能力（Byoun，2008）。企業保持恰當的財務柔性，既可以有效控制融資成本，保證企業以較低成本進行融資（Gamba和Triantis，2008），也可以在面臨投資機會時及時調用財務資源，實現企業價值的增量轉化。因此，企業如何保持適應自身發展的財務柔性已經成為當前備受關注的研究課題。數據作為國家的重要戰略資源和企業的關鍵生產要素，其資產化過程會對企業的資產和負債狀況產生影響，進而可能影響企業用于預防不確定性事件的財務柔性。因此，研究數據資產與企業財務柔性之間的關系具有十分重要的現實意義。

首先，數據具有的非競爭性與非消耗性特征使得數據資產不同于傳統的會計資產，不會因為使用而發生折舊和貶值，且容易實現開源共享、復制和重組，極大地提高了生產效率，為企業創造了新的利潤增長點。其次，數據資產可以幫助企業增厚資產、籌集資金，提升企業的整體估值和融資能力，為企業提供更強的價值驅動力和更有力的經營抓手。最后，企業數據資產的增長以及規范的會計核算，可以真實反映企業在數據要素方面的持續投人情況，長期來看，有助于提高會計信息的透明度、降低信息不對稱程度，同時吸引投資者和供應鏈上下游企業的關注，起到積極的信號傳遞作用，增強資本市場對企業發展前景的信心，從而助力企業價值的深度挖掘與重估。現有文獻對于數據資產在使用過程中不會出現損耗和貶值，同時在不斷收集、開發、利用的過程中可以持續為企業提供新的利潤增長點等方面形成了較為統一的認識，即數據資產會對企業創新、會計信息質量等產生正向的、線性的促進作用（李健等，2023）。

然而，需要指出的是，除了上述正面作用，數據資產也會給企業帶來負面影響。第一，數據的復制與重復使用并不會創造額外的財務價值，只會帶來額外成本。第二，由于數據在使用過程中不僅不會衰減或損耗，反而會源源不斷地產生新數據，數據的存儲和管理都會增加企業的財務成本，從而對企業財務柔性產生負面影響。同時，上述成本并非一成不變，隨著數據資產規模的擴張，數據存儲和管理的難度會迅速加大，巨大的數據體量將會造成企業存儲成本和管理費用的激增，其產生的財務成本也會急劇增加，因此數據資產對企業財務柔性產生的邊際成本可能是遞增的。

綜上所述，數據資產對財務柔性的影響并不是簡單的單向促進，而是數據資產帶來的邊際收益與其產生的邊際成本之間動態演變的結果，企業有必要通過權衡邊際收益和邊際成本來確定最優的數據資產水平。當數據資產處于較低水平時，數據資產的增加能夠增厚企業資產、優化資源配置，同時還可以起到信號傳遞、降低信息不對稱程度的作用，此時數據資產為企業帶來的邊際收益大于數據資產擴張所產生的邊際成本，對于企業財務柔性有著正向影響。然而，隨著數據資產的增加，企業面臨的數據存儲成本和數據更新費用越來越高，數據資產所占用的資金與產生的財務成本也越來越多。當數據資產超過臨界水平后，邊際成本將會超過邊際收益，對財務柔性產生負向影響。因此，數據資產與財務柔性之間呈倒U型關系。

假設數據資產的信號傳遞、成本管理等作用帶來的財務收益（R）是隨數據資產 （X） 線性增長的，計算公式如下：

數據資產的存儲和更新等費用所產生的財務成本（C）是隨數據資產 （x） 邊際遞增的，計算公式如下：

C=b₀+b₁X+b₂X²

因此，數據資產 （x） 對企業財務柔性（Y）的綜合影響可通過以下公式計算得到：

Y=R-C=（a₀-b₀）+（a₁-b₁）X-b₂X²

數據資產與企業財務柔性之間存在倒U型關系，曲線拐點的橫坐標為：

X₀^*=（Φ_a1-b1）/2b₂

綜上所述，本文提出以下假設：H1：數據資產與企業財務柔性之間呈倒U型關系。

（二）數據資產、融資約束與企業財務柔性

在理想狀態下，企業進行投資決策時可根據自身的資金需求自由地調整資本結構，并不需要考慮內外部融資的可得性。但是在實際經營中，信息不對稱和交易成本的存在增加了企業融資成本，當企業內部資金不足而外部融資成本過高時，會影響企業的投資行為。具體表現為：面臨融資約束的企業由于融資成本過高，不得不放棄有利的投資機會，否則將容易陷入財務困境（Campello等，2010）。由于我國上市公司普遍存在融資約束問題，因此，理性的企業在進行投資決策的時候應該考慮融資環境。

融資約束可能對數據資產與企業財務柔性之間的關系產生影響：一方面，數據資產具有的信號傳遞作用可以有效降低企業信息不對稱程度、改善企業融資環境、提高企業現金流水平并降低企業財務成本，因此數據資產的財務促進效果對面臨嚴重信息不對稱問題和較高融資成本的企業更加顯著。另一方面，企業的投資活動具有跨期性，投資產生的經濟收益只有在發生經濟成本一段時間之后才能實現回流（Chiapello，2015）。因此，企業數據資產帶來的邊際收益是未來實現的、不確定的，而產生的邊際成本卻是即時的、確定的，這意味著企業在數據資產方面的投資需要經歷一個現金流的流出時期。對于融資約束程度較高的企業，較多資金的籌集和周轉會導致企業融資總成本激增，對企業財務產生消極影響。此時，數據資產在高融資約束程度下帶來的邊際收益小于前期產生的邊際成本，表現為數據資產帶來的財務成本（C）曲線更加陡峭，C的計算公式如下：

C=b₀+b₁X+（b₂+b₃KZ）X²

其中：KZ表示融資約束程度。

因此，數據資產 （x） 對企業財務柔性（Y）的綜合影響可通過以下公式計算得到：

Y=R-C=（a₀-b₀）+（a₁-b₁）X-（b₂+b₃KZ）X²

其中： （b₂+b₃KZ）gt;b₂°

曲線拐點的橫坐標為：

綜上所述，融資約束弱化了數據資產對財務柔性的促進效果，使得數據資產與財務柔性的倒U型曲線更加陡峭，拐點左移。為此，本文提出以下假設：

H2：融資約束負向影響數據資產與財務柔性之間的關系。融資約束程度越高，數據資產與財務柔性的倒U型曲線拐點越向左移動。

商業信用是企業在供應鏈交易中由于延期付款或預收貨款形成的企業間賒銷賒購關系，在企業資產負債表中體現為應收應付類和預收預付類賬款，是一種財務數字信息（周定根和楊晶晶，2016）。商業信用傳遞具有融資功能，是僅次于銀行貸款的企業外部融資來源（Berger和Udell，1998）。良好的商業信用傳遞能夠降低企業間的交易成本、提高企業的市場認可度，并保證穩定的供應鏈關系。

（三）數據資產、商業信用傳遞與企業財務柔性 （二）變量設定

數據資產的信號傳遞效果與企業的市場認可度和供應鏈穩定性有關，因此數據資產與企業財務柔性之間的關系可能受到商業信用傳遞的影響。當企業的商業信用傳遞水平較低時，市場認可度較低，數據資產的信號傳遞作用較弱，帶來的邊際收益相對較小。隨著商業信用傳遞水平的提升，數據資產的信號傳遞作用逐漸增強，市場認可度越來越高，供應鏈關系趨于穩定，商業信用對企業融資約束的緩解作用也越來越大，表現為數據資產帶來的財務收益（R）曲線更加陡峭，R的計算公式如下：

R=_a0+（a₁+a₂RP）X

其中：RP表示商業信用傳遞。

因此，數據資產 （X） 對企業財務柔性（Y）的綜合影響可通過以下公式計算得到：

Y=R-C=（a₀-b₀）+（a₁+a₂RP）X-b₂X²

曲線拐點的橫坐標為：

X₂^*=（a₁-b₁+a₂RP）/2b₂gt;X₀^*

綜上所述，商業信用傳遞強化了數據資產對財務柔性的促進效果，使得數據資產與財務柔性之間的倒U型曲線拐點右移。為此，本文提出以下假設：

H3：商業信用傳遞正向影響數據資產與財務柔性之間的關系。商業信用傳遞水平越高，數據資產與財務柔性的倒U型曲線拐點越向右移動。

三、研究設計

（一）樣本選擇與數據來源

2012年黨的十八大首次提出“建設數字中國\"戰略構想，標志著我國的數字化進人全面建設和加速發展階段。基于此，本文選取 2012～2021 年滬深A股上市公司為研究樣本。數據來源如下：上市公司年報來自巨潮資訊網；數據資產的相關數據通過運用Python對年報進行文本分析得到；其他財務數據均來源于CSMAR數據庫。為避免特殊樣本對研究結論的影響，本文對樣本進行如下處理： ① 剔除金融行業企業； ② 剔除ST和 企業； ③ 剔除財務數據缺失或異常的樣本。為避免極端值的干擾，本文對連續變量在 1% 和 99% 的水平上進行了縮尾處理。最終，得到13687個觀測值。在后文檢驗中，加入控制變量和控制固定效應后，觀測值為13302。

1.被解釋變量：財務柔性（FF）。企業的財務柔性主要通過現金流運用能力和融資能力兩方面體現，本文借鑒曾愛民等（2013）的研究，以現金柔性與負債柔性之和表示財務柔性。其中：現金柔性 企業現金持有率-行業平均現金持有率，指企業保持較高的自由現金水平進行即時支付的能力；負債柔性 =Max（0 ，行業平均負債比率-企業實際負債比率），指企業以較低的財務杠桿即時獲得外源融資的能力。

2.解釋變量：數據資產（Digas）。數據資產化涉及“數據收集”“數據存儲\"“數據分析\"和“數據應用”四個階段。對企業數據資產進行量化，無論在理論上還是實踐上都是一個具有挑戰性的課題。然而，由于對數據資產的度量尚處于探索階段，其度量的難度仍然很高。目前主要的測量方法之一是直接使用已有的金融數據，即“建立種子詞表 + 對公司年報關鍵字的抽取與統計”，能夠更好地體現出數據資產的信息量和演變過程。但已有研究在建立種子詞表時，存在遺漏重要種子詞表、無重要政策文件及研究報告等問題，造成類似詞表不完備，且存在主觀評判因素，與現實存在很大偏差。基于上述分析，本文通過文本分析對企業數據資產進行度量，并對已有研究成果進行修正和改進，從而獲得更為客觀、完整的數據資產指數，以“信息”“網絡”“數字”“數據\"等為種子詞，利用Word2Vec神經網絡與深度學習等技術，建立4個類似詞集合。

3.控制變量。為排除其他因素的干擾，本文參考鮑群和趙秀群（2015）、楊柳和潘鎮（2019）的研究，選取企業規模（Size）、資產負債率（Lev）、股權集中度（Top1）、總資產凈利率（ROA）、成長機會（TobinQ）、企業年齡（Age）、固定資產與收入比（Fxast）、營業毛利率（Sale）、高管薪酬（Pay）等變量作為控制變量。具體定義見表1。

（三）模型構建

為驗證數據資產與財務柔性之間的關系，本文構建如下基準回歸模型：

其中， FF_it 代表企業財務柔性，Digasit和Digas2t分別代表企業的數據資產及其平方項， ΣX_it 代表控制變量集合， ε_it 代表隨機誤差項。此外，為緩解遺漏變量帶來的干擾，加入年份（Year）和行業（Industry）固定效應。

現有文獻對倒U型關系的檢驗通常為驗證數據資產的系數 α₁ 顯著為正與數據資產平方項的系數 α₂ 顯著為負同時成立（王玉澤等，2019），本文在此基礎上進一步驗證曲線的拐點是否在樣本區間內，并對回歸結果進行Utest檢驗。同時參考Haans等（2016）的建議，依據拐點對樣本分類進行回歸，以更加全面地考察數據資產對財務柔性的影響以及兩者之間倒U型關系的變動特征。

表1 變量定義

四、實證結果與分析

（一）描述性統計

表2展示了主要變量的描述性統計結果。在樣本企業中，財務柔性的均值為0.130，大于中位數0.085，最大值和最小值分別為0.772和-0.202，表明企業的財務柔性整體水平不高，差異較大，分布也不均勻。數據資產的均值為3.133，大于中位數1.300，標準差為5.492，說明樣本的分布右偏，且企業間的數據資產差異較大。控制變量的分布與已有文獻基本一致。

表2 主要變量的描述性統計

（二）基準回歸分析

表3報告了數據資產與財務柔性之間關系的基準回歸結果，本文采用層次回歸方法驗證H1。列（1）和列（3）分別報告了加入數據資產平方項前后與財務柔性的單變量回歸結果，列（2）和列（4）在原有基礎上加人控制變量并控制了行業固定效應與年份固定效應。可以看出，列（2）中數據資產的系數雖然為正，但沒有通過顯著性檢驗，表明數據資產和財務柔性之間并不是線性關系。列（4）中數據資產的系數為0.0040，數據資產平方項的系數為-0.0001，二者均在 1% 的水平上顯著，且F檢驗在 1% 的水平上拒絕了數據資產及其平方項系數同時為零的原假設，同時調整 R² 相比列（2）更高，說明加入數據資產平方項后模型的解釋力度增大了。

表3 基準回歸結果

注：括號內為t值，***表示在 1% 的水平上顯著，下同。

對表3列（4）的回歸結果進行Utest檢驗，結果如表4所示。左側曲線斜率為0.004，右側曲線斜率為-0.005，且都在 1% 的水平上顯著，同時曲線的拐點為15.3570，位于樣本區間范圍內，且整體回歸檢驗的t值為4.5800，拒絕了原假設，說明數據資產與財務柔性之間呈倒U型關系，H1得到驗證。

表4 Utest檢驗結果

（三）內生性檢驗

1.傾向得分匹配（PSM）法。數據資產化程度高的企業與數據資產化程度低的企業在治理結構和財務狀況上存在差異，這可能導致樣本自選擇問題。本文選擇用傾向得分匹配（PSM）法解決該問題。具體做法為：首先，依據基準回歸結果計算出的拐點對樣本進行分類，得到低數據資產和高數據資產兩組，并分別根據兩組樣本的中位數進行再分類，對高于所在組別中位數的樣本賦值為1，對低于所在組別中位數的樣本賦值為0；其次，選擇企業規模（Size）、股權集中度（Top1）、總資產凈利率（ROA）、成長機會（TobinQ）、企業年齡（Age）、固定資產與收入比（Fxast）、營業毛利率（Sale）、高管薪酬（Pay）作為協變量，分別采用最近鄰匹配、核匹配和卡尺匹配的方法對樣本進行配對；最后，進行傾向得分匹配并計算ATT值。結果如表5所示，可以看出，各種匹配方法下的低數據資產組的ATT值均顯著為正，高數據資產組的ATT值均顯著為負，表明本文的H1依然成立。

表5 傾向得分匹配結果

注：*表示在 10% 的水平上顯著，下同。

2.工具變量法。由于企業財務狀況可能反作用于數據資產化進程，因此數據資產與財務柔性之間可能存在反向因果關系。本文選取同年度同行業數據資產均值作為工具變量，用兩階段最小二乘法（2SLS）重新估計回歸結果。由于同行業的公司擁有相似特征，公司的數據資產水平與該行業的均值之間存在一定的相關性。同時，行業均值是行業層面的變量，而企業特征是企業層面的變量，因此行業均值不太可能對企業財務產生直接的影響，滿足外生性原則。工具變量的回歸結果如表6所示。結果表明，數據資產及其平方項的系數符號仍與前文一致且顯著，同時工具變量的F值大于100，拒絕了弱工具變量假設。以上結果表明，在考慮反向因果問題后，本文的H1依然成立。

表6 工具變量檢驗結果

3.加入地區固定效應與行業年份交互固定效應。雖然前文已經考慮企業自身特征的相關變量并控制了行業和年份固定效應，但是除自身因素外，企業所在地區以及行業隨時間變化的趨勢也會影響企業財務柔性，因此本文在模型（1）的基礎上控制了地區固定效應以及行業年份交互固定效應（行業 .× 年份），回歸結果如表7所示。結果表明，數據資產及其平方項的系數符號與前文一致且保持顯著，表明本文的H1依然成立。

表7加入地區固定效應與行業年份交互固定效應的回歸結果

（四）穩健性檢驗

1.變更被解釋變量。前文以現金柔性與負債柔性之和表示財務柔性，為確保研究結論的準確性，本文分別采用等權平均和流通市值加權的方法重新計算得到財務柔性（ FF₁ 和 ，并分別進行回歸。

2.變更解釋變量。由于詞頻數據可能存在一定的噪音，本文構建關于數字資產的詞頻密度（Digas_den），即以數字資產相關的關鍵詞在公司年報中出現的總次數除以該年報的總詞匯量，反映數字資產信息在企業年報中出現的密度，并以Digas_den作為解釋變量重新進行回歸。

3.剔除數字化行業樣本。由于數字化行業公司的經營活動通常與數字化相關業務有關，可能導致在年報中提取到的部分關鍵詞信息僅僅是對企業業務活動的描述，并不涉及企業數據資產化。因此，為避免數字化行業樣本對回歸結果產生干擾，本文剔除樣本為計算機、通信和其他電子設備制造業以及信息傳輸、軟件和信息技術服務業大類的上市公司后重新進行回歸。

4.更換樣本區間。近年來數字化逐漸成為投資者關注的熱點，為避免上市公司出于吸引投資者的自的在年報中夸大披露數據資產的相關信息而導致回歸偏誤，本文僅使用2014年及以前的數據資產化發展早期的樣本數據進行回歸。

5.剔除直轄市樣本。我國直轄市有較大的經濟自主性，所屬企業的財務狀況以及擁有的數據資產可能與其他省市的企業存在較大差異。本文剔除企業所屬地為北京、上海、天津和重慶的樣本后重新進行回歸。

經過上述穩健性檢驗后（限于篇幅，結果未列出，留存備索），H1依然成立，回歸結果沒有發生本質變化。

（五）異質性分析

企業內部特征與外部環境可能會對數據資產與財務柔性之間的倒U型關系產生異質性影響，因此本文在驗證數據資產與財務柔性的非線性關系后進行了一系列異質性分析。

1.企業規模的異質性。對不同規模的企業，數據資產的影響可能會存在差異，因此數據資產與財務柔性之間的倒U型關系可能受到企業規模的影響。數據資產化過程具有投人高、周期長、風險較高的特點（李琦等，2021），因此企業需要具有一定的資源儲備和抗風險能力。為驗證數據資產對財務柔性的非線性影響在不同規模企業中的異質性表現，本文將樣本按總資產中位數分為大企業組（中位數以上）和中小企業組（中位數以下）并分別進行回歸。表8列（1）、列（2）的結果表明，大企業數據資產平方項的系數為負但不顯著，而中小企業中數據資產與財務柔性之間的倒U型關系依然成立，說明相對于中小企業，數據資產對大企業的財務柔性起到更為積極的正向促進作用。

表8 基于企業內部特征的異質性檢驗

注：**表示在 5% 的水平上顯著，下同。

2.企業科技屬性的異質性。數據資產與財務柔性之間的倒U型關系可能受到企業科技屬性的影響。由于高科技企業的數字化轉型相對完善，數字基礎設施的建設和運轉流程較為規范成熟，資產配置效率較高（李沁洋等，2023），在數據資產化過程中產生的邊際成本相對較低，從而可能導致其邊際收益與邊際成本的均衡點更晚到達，即其數據資產與財務柔性之間倒U型曲線的拐點相對于非高科技企業更加偏右。本文依據企業科技屬性將樣本分為高科技企業和非高科技企業兩組并分別進行回歸。表8列（3）、列（4）的結果表明，數據資產與財務柔性之間的倒U型關系在高科技企業和非高科技企業中均成立，高科技企業的曲線拐點為22.5997，大于非高科技企業的曲線拐點11.8029，表明數據資產對財務柔性的促進作用在高科技企業中更加顯著和持久。

3.企業產權性質的異質性。企業的產權性質會影響企業的財務狀況、數字化決策等多個方面（吳武清和田雅婧，2022），因此，數據資產與財務柔性之間的倒U型關系可能受到企業產權性質的影響。相較于非國有企業，國有企業的信息披露相對完善且信用情況相對較好，融資成本較低，數據資產帶來的潛在財務收益較為有限。因此，非國有企業中的數據資產可能會更好地發揮信號傳遞、緩解信息不對稱、降低融資成本等功能，從而帶來較大的邊際收益。本文依據企業產權性質將樣本分為國有企業和非國有企業兩組并分別進行回歸。表8列（5）、列（6）的結果表明，數據資產與財務柔性之間的倒U型關系在國有企業和非國有企業中均成立，國有企業的曲線拐點為13.7535，小于非國有企業的曲線拐點15.1544，表明數據資產對財務柔性的促進作用在非國有企業中更加明顯。

4.企業所處地區的異質性。不同地區由于經濟基礎、競爭壓力和創新能力不同，會對當地企業的數字化建設產生不同的影響（王守海等，2022）。因此，數據資產與財務柔性之間的倒U型關系可能受到企業所處地區的影響。東部地區經濟較發達，數字化轉型程度相對較高，為企業數據資產建設提供了有利的外部環境；而其他地區由于數字化建設相對不完善，數據資產化所需的人才培養和設施建設成本相對較高，需要占用企業更多的資金，產生較高的邊際成本，不利于企業財務狀況的改善。本文依據企業所屬地將樣本分為東部地區和其他地區兩組并分別進行回歸。表9列（1）、列（2）的結果表明，東部地區企業的數據資產與財務柔性之間存在顯著的倒U型關系，說明在恰當區間內，數據資產對企業的財務柔性有改善作用，而其他地區企業數據資產的系數雖然為正，但不顯著，說明相對于其他地區，數據資產對東部地區企業財務柔性起到更為顯著的正向促進作用。

5.行業競爭程度的異質性。處于不同競爭程度的行業，企業面臨的生存壓力存在顯著差異（李沁洋等，2023），其數據資產化的意愿和效果也會存在差異，因此數據資產與財務柔性之間的倒U型關系可能受到行業競爭程度的影響。為驗證數據資產對財務柔性的非線性影響在不同行業競爭程度企業的異質性表現，本文使用赫明，數據資產與財務柔性之間的倒U型關系在經濟繁榮期和經濟蕭條期均成立，經濟繁榮期的曲線拐點為10.5505，小于經濟蕭條期的曲線拐點16.4238，表明數據資產對財務柔性的促進作用在經濟蕭條期更加顯著和持久，同時也證明數據資產對企業財務狀況的改善具有逆周期性。

表9 基于外部環境的異質性分析

五、機制檢驗

芬達爾指數作為衡量企業所在行業競爭程度的代理指標，將樣本按照是否大于中位數分為行業競爭程度高和低兩組分別進行回歸。表9列（3）、列（4的結果表明，數據資產與財務柔性之間的倒U型關系在行業競爭程度高和行業競爭程度低的兩組中均成立，高行業競爭程度企業的曲線拐點為16.0866，大于低行業競爭程度企業的曲線拐點13.7591，表明數據資產對財務柔性的促進作用在行業競爭程度高的企業中更持久。

6.宏觀經濟周期的異質性。宏觀經濟周期會影響企業的融資行為和財務表現，可能會對數據資產與財務柔性之間的倒U型關系產生異質性影響。一方面，企業數據資產化需要一定的資金支持，處在經濟蕭條期的企業生產經營受到沖擊，資金周轉相對困難且資金相對不足，此時進行數據資產建設會占用企業有限的財務資源，從而增加企業的財務成本，這可能會對企業財務柔性產生負面影響，導致數據資產與財務柔性之間倒U型曲線的拐點左移。另一方面，數據資產會向市場投資者傳遞積極信號，降低信息不對稱程度，同時還可以增強企業融資能力、提升企業市場價值，為企業帶來更大的增長潛力。數據資產的信號傳遞與價值增值作用在經濟蕭條期可能會對企業財務產生更加顯著的促進作用，幫助企業擺脫財務困境。因此，在經濟蕭條期，數據資產與財務柔性之間倒U型曲線的拐點可能右移。為檢驗數據資產對財務柔性的非線性影響在不同宏觀經濟周期的異質性表現，本文借鑒陳漫和張新國（2016）的做法，采用HP濾波的方法來提取國內生產總值（GDP）中的經濟周期因素 GDP_t^c 并用虛擬變量Cycle代表當年經濟周期情況。若GDP大于0，則說明當年處于經濟繁榮期，Cycle賦值為1；若GDP小于0，則說明當年處于經濟蕭條期，Cycle賦值為0。結合樣本區間，最終宏觀經濟周期的劃分結果為：2018年和2019年處于經濟繁榮期， 2012～2017 年和2020～2021 年處于經濟蕭條期。表9列（5）、列（6的結果表

前文研究表明數據資產與財務柔性之間存在倒U型關系，特別地，該非線性關系在數據資產化的每一階段都成立且具有時效性。該研究結論支持了前文提出的H1。由于變量之間的因果關系可能不會不變地作用于所有個體和所有時點，因此有必要針對變量的對象特征和現實條件進行機制檢驗（江艇，2022）。結合前文理論分析，為驗證H2和H3，本文借鑒王亮亮等（2023）的研究，在模型（1）的基礎上，分別加入企業融資約束和商業信用傳遞與數據資產及其平方項的交乘項，建立模型（2）和模型（3）：

FF_i，t=α₁Digas_it+α₂Digas_it²+α₃Digas_it×KZ_it+ α₄Digas_it²×KZ_it+ΣX_it+ΣYear+ΣIndustry+ε_it

FF_i，t=α₁Digas_it+α₂Digas_it²+α₃Digas_it×RP_it+ Δα₄Digas_it²×RP_it+ΣX_it+ΣYear+ΣIndustry+ε_it

式（2）中的KZ代表企業面臨的融資約束。由于數據資產的重要作用之一是幫助企業籌集資金、改善企業財務狀況，但數據資產化的過程又需要占用一定的資金，那么企業原有的融資水平可能會對數據資產與財務柔性的非線性關系產生影響。本文選用KZ指數來度量企業融資約束。KZ指數越大，說明企業面臨的融資約束程度越高。式（3）中的RP代表企業的商業信用傳遞。商業信用傳遞體現了企業獲取資金的能力與市場認可度，可能會對數據資產與財務柔性的非線性關系產生影響。本文參考王明虎（2015）的研究，以“（應收賬款 + 應收票據-預收賬款）/應付賬款 + 應付票據-預付賬款）\"來衡量企業的商業信用傳遞。其中：“應收賬款 + 應收票據-預收賬款”表示企業與客戶之間的商業信用，“應付賬款 + 應付票據-預付賬款”表示供應商與企業之間的商業信用。該比值越小，說明商業信用傳遞的融資效果越好。

（一）基于融資約束的機制檢驗

模型（2）中，考慮企業融資約束的影響后，曲線拐點的計算公式為：

Digas^*=（-α₁-α₃×KZ）/（2α₂+2α₄×KZ）

顯然，拐點的位置隨著KZ的變化而發生改變。對公式（4）求導數，可以得到公式（5）：

?Digas^*/?KZ=（α₁α₄-α₂α₃）/[2（α₂+α₄×KZ）²]

由于2 2恒大于0，因此當 α₁α₄-α₂α₃gt;0 時，導數大于0，曲線的拐點Digas*隨KZ單調遞增；當α₁α₄-α₂α₃lt;0 時，導數小于0，曲線的拐點Digas*隨KZ單調遞減。

根據H2，企業融資約束對數據資產與財務柔性的倒U型關系具有負向影響，具體表現為融資約束程度越高，數據資產與企業財務柔性之間的倒U型曲線拐點越向左移動，同時曲線越陡峭，預計公式（5）中的 α₁α₄-α₂α₃lt; 0。從表10列（1）可以看出，數據資產及其平方項的系數分別為0.0025和-0.0001，且在 1% 的水平上顯著，說明數據資產與財務柔性之間的倒U型關系仍然成立。同時，企業融資約束與數據資產及其平方項的交乘項系數均顯著為負，說明企業融資約束對數據資產與財務柔性之間的倒U型關系具有顯著影響。最后，判斷曲線的拐點是否發生變化，經過計算， α₁α₄-α₂α₃=-2.92×10^-8lt;0 ，說明曲線的拐點 （Digas^* 隨企業融資約束遞減。

表10 基于融資約束的機制檢驗

注：為防止系數為0或便于系數比較，3個系數保留五位小數，1個系數用指數表示。

為進一步探究融資約束對數據資產與財務柔性之間倒U型關系的影響，本文依據樣本KZ指數的中位數將企業分為低融資約束組和高融資約束組后分別進行回歸，回歸結果如表10列（2）和列（3）所示。低融資約束組中數據資產與財務柔性的倒U型拐點為17.7926，高融資約束組中數據資產與財務柔性的倒U型拐點為15.2844，說明融資約束增加導致倒U型曲線的拐點左移。可能的原因在于，當融資約束程度較高時，企業的融資能力和財務狀況限制了企業的數據資產發展，此時大規模的數據資產化活動會占用較多的企業資金，從而導致財務狀況惡化。同時，低融資約束組中Digas2的系數的絕對值為0.00012，小于高融資約束組中Digas2的系數的絕對值0.00014，這表明融資約束加劇導致倒U型曲線更陡峭。可能的原因在于，融資約束程度較高的企業面臨較高的信息不對稱程度和融資成本，數據資產的信號傳遞功能可以幫助企業緩解所面臨的嚴重融資困境，對財務柔性的改善作用更加顯著。因此，H2得到驗證。

（二）基于商業信用傳遞的機制檢驗

模型（3）中，考慮企業商業信用傳遞的影響后，曲線拐點的計算公式為：

Digas^*=（-α₁-α₃×RP）/（2α₂+2α₄×RP）

顯然，拐點的位置隨著RP的變化而發生改變。對公式（6）求導數，可以得到公式（7）：

?Digas^*/?RP=（α₁α₄-α₂α₃）/[2（α₂+α₄×RP）²]

由于 2（α₂+α₄×RP）² 恒大于0，因此當 α₁α₄-α₂α₃gt;0 時，導數大于0，曲線的拐點Digas*隨RP單調遞增；當α₁α₄-α₂α₃lt;0 時，導數小于0，曲線的拐點Digas*隨RP單調遞減。

根據H3，企業商業信用傳遞對數據資產與財務柔性之間的倒U型關系具有正向影響，具體表現為商業信用傳遞水平越高，數據資產與企業財務柔性之間的倒U型曲線拐點越向右移，預計公式（7）中的 α₁α₄-α₂α₃gt;0 從表11列（1）可以看出，數據資產及其平方項的系數分別為0.0032和-0.0001，且在 1% 的水平上顯著，說明數據資產與財務柔性之間的倒U型關系仍然成立。同時，企業商業信用傳遞與數據資產及其平方項的交乘項系數均顯著，說明企業商業信用傳遞對數據資產與財務柔性之間的倒U型關系具有顯著影響。最后，判斷拐點是否發生變化，經過計算， α₁α₄-α₂α₃=1.3×10^-7gt;0 ，說明曲線的拐點（Digas*）隨企業商業信用傳遞逐漸右移。

為進一步探究商業信用傳遞對數據資產與財務柔性之間倒U型關系的影響，本文依據樣本RP指數的中位數將企業分為低商業信用組和高商業信用組后分別進行回歸，回歸結果如表11列（2）、列（3）所示。低商業信用組中Digas的系數為正但不顯著，表明當企業商業信用較低時，由于市場認可度不足和供應鏈地位較低，數據資產的信號傳遞、吸引投資者關注等功能沒有得到很好的發揮，最終對企業財務柔性的改善效果較為有限。此外，低商業信用組中數據資產與財務柔性的倒U型曲線拐點為10.9895，小于高商業信用組中數據資產與財務柔性的倒U型曲線拐點15.0902，說明商業信用傳遞增加導致倒U型曲線拐點右移。可能的原因在于，當企業商業信用傳遞水平較高時，企業的市場認可度較高，數據資產的信號傳遞作用更加顯著，可以幫助企業拓寬融資渠道并降低融資成本，此時數據資產對財務柔性的邊際收益較高，邊際收益與邊際成本的均衡點會更晚到達，表現為數據資產對企業財務柔性的促進效果更持久。因此，H3得到驗證。

表11 基于商業信用傳遞的機制檢驗

注 α_：α₁α₄-α₂α₃ 的系數太小，用指數表示。

六、研究結論及啟示

數據資產作為國家戰略資源與企業核心生產要素，對數字經濟發展與企業轉型至關重要。本文基于 2012～ 2021年我國滬深A股上市公司數據，通過Python文本分析量化數據資產，探討其對企業財務柔性的影響。研究發現，數據資產與財務柔性呈倒U型關系：在臨界值內，數據資產會提升財務柔性；超過臨界值后，邊際成本超過邊際收益，反而抑制財務柔性。這一結論通過一系列穩健性檢驗后依然成立。異質性分析表明，數據資產的財務促進效應在大企業、東部地區企業、非國有企業、高科技企業及高行業競爭程度企業中更顯著，且具有逆周期性一一經濟下行期作用更強。進一步研究發現，融資約束（商業信用傳遞）會負向（正向）影響數據資產和財務柔性之間的關系，并使兩者間倒U型曲線的拐點向左（向右）移動。

本文的研究啟示在于：第一，企業應注重數據資產與傳統生產要素的統籌發展，利用數據資產賦能商業模式，提高產品創意水平和服務品質，從而增強核心競爭力；第二，企業應根據自身財務狀況確定合理的數據資產規模，既要充分利用數據資產對財務的積極影響，提升企業財務柔性，又要避免因過度發展數據資產而造成過快的成本增加和過重的財務負擔；第三，企業應關注融資條件與商業信用情況，努力從動態的角度實現數據資產規模與經營環境的匹配。

【主要參考文獻】

鮑群，趙秀云·供應鏈關系交易與財務柔性儲備動機：“承諾”還是“預防”？[J].財貿研究，2015（3）：150～156.陳漫，張新國.經濟周期下的中國制造企業服務轉型：嵌人還是混人[J].中國工業經濟，2016（8）：93～109.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.李暉，葉一軍.數據資產化與“專精特新\"中小企業突破式創新[J].技術經濟與管理研究，2025（6）：106～112.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（12）：18～33.李琦，劉力鋼，邵劍兵.數字化轉型、供應鏈集成與企業績效一一企業家精神的調節效應[J].經濟管理，2021（10）：5～23.李沁洋，支佳，劉向強.企業數字化轉型與資本配置效率[J].統計與信息論壇，2023（3）：70～83.王亮亮，施超，阮語等.企業集團的決策權配置與實際稅負[J].中國工業經濟，2023（6）：156～173.王明虎.信貸政策、企業規模和商業信用傳遞[J].會計之友，2015（23）：2～9.王守海，徐曉彤，劉燁煒.企業數字化轉型會降低債務違約風險嗎？[J].證券市場導報，2022（4）：45～56.王玉澤，羅能生，劉文彬.什么樣的杠桿率有利于企業創新[J].中國工業經濟，2019（3）：138～155.吳武清，田雅婧.企業數字化轉型可以降低費用粘性嗎一一基于費用調整能力視角[J].會計研究，2022（4）：89～112.肖昂，鄔瑜駿.數據資產與企業全要素生產率[J].金融與經濟，2024（8）：37～47+72.許志勇，劉思源，艾萬謀等.數據資產與企業新質生產力：效應與機制[J].財會月刊，2025（11）：53～59.

楊開元，劉科.數據資產與企業綠色創新[J].金融與經濟，2025（6）：1～11.楊柳，潘鎮.財務柔性與企業績效的動態關系一一基于融資約束與代理成本的調節效應分析[J].經濟與管理研究，2019（4）：125～144.楊善林，周開樂.大數據中的管理問題：基于大數據的資源觀[J].管理科學學報，2015（5）：1～8.曾愛民，張純，魏志華·金融危機沖擊、財務柔性儲備與企業投資行為來自中國上市公司的經驗證據[J].管理世界，2013（4）：107～120.周定根，楊晶晶.商業信用、質量信息傳遞與企業出口參與[J].管理世界，2016（7）：36～50.BergerA.N.，UdellG.F..Theeconomicsofsmallbusinessfinance：Therolesof private equity and debt marketsin the financial growth cycle[J].JournalofBankingamp;Finance，1998（6-8）：613～673.Byoun S..Howand when do firmsadjust their capital structurestoward tar-gets[J].The Journal of Finance，2008（6）：3069～3096.CampelloM.，GrahamJ.R.，HarveyC.R..Therealeffectsoffinancialconstraints：Evidence from a financial crisis[J].Journal of Financial Economics，2010（3）：470～487.GambaA.，TriantisA..Thevalueoffinancialflexibility[J].TheJournalofFinance，2008（5）：2263～2296.HaansR.F.，PietersC.，HeZ.L..ThinkingaboutU：TheorizingandtestingU-and inverted U-shaped relationships in strategyresearch[J].StrategicManagementJournal，2016（7）：1177～1195.MoodyD.L.，Walsh P..Measuringthevalue of information-Anassetvalu-ationapproach[R].Copenhagen：Proceedings of the Seventh European Confer-ence on Information Systems，1999.SivarajahU.，KamalM.M.，IraniZ.，etal..CriticalanalysisofBigDatachallengesand analytical methods[J].JournalofBusinessResearch，2O17（8）：263～286.

（責任編輯·校對：羅萍李小艷）