数据资产与企业新质生产力
2025-02-16张戡杨珂王素泽
摘要：在数字经济时代，数据资产已成为影响企业竞争力的关键性资产之一。如何管理和运用数据资产，推动新质生产力发展，是企业财务管理的重要课题。基于2010—2023年中国A股上市公司数据，采用文本分析法构建数据资产指标，实证检验企业数据资产对新质生产力发展的影响。研究结果显示，数据资产显著促进了企业新质生产力发展，且这一效应在国有企业、治理效率低的企业、轻资产模式企业、高科技企业、行业竞争激烈的企业中更为突出。进一步分析发现，数据资产通过促进企业人力资本升级、提升资本配置效率与增强科技创新能力等促进传统要素升级的途径发挥作用。希望研究结果能为企业深化数据资产的属性认识、发挥数据资产的财务功能、助推新质生产力发展提供参考。
关键词：数据资产；新质生产力；人力资本升级；资本配置效率；科技创新能力
0 引言
新质生产力是以创新为主导，具有高科技、高效能、高质量特征的先进生产力质态[1]。发展新质生产力要求摆脱消耗大、效率低的传统生产模式和经济增长方式，以技术、数据等无形资产的积累与创新为新动力，以网络化、智能化的发展模式为新路径，实现经济跨越式发展[2]。在新发展理念下，新质生产力蓬勃发展，不只是经济结构优化升级的内在要求，更是实现经济高质量发展的必由之路。
与此同时，随着大数据、云计算等技术的发展，中国迎来了数字经济时代。数据资产在生产、销售等方面的广泛运用，已使其成为推动我国经济高质量发展的新动能[3]。数据的资产化表现形式即为数据资产，数据资产是对数据的进一步管理与应用，是企业拥有或控制的、能为企业带来未来经济效益并以电子或物理方式记录的数据资源[4]。2023年，财政部出台《企业数据资源相关会计处理暂行规定》，规范了企业数据资源的相关会计处理，要求数据资产入表，推动了数据资产化的进程。数据资产作为企业的一种关键性资产，对企业的经营能力和新质生产力的发展具有深远影响。一方面，在数字经济蓬勃发展的背景下，企业对数据资产管理和运营的能力是其自身核心竞争力的来源，是其实现长期稳定发展的重要能力[5]；另一方面，数据资产通过明确数据的产权边界、降低数据交易成本优化数据要素市场的配置效率，有助于激发科技创新、提升经济效率及加速形成新质生产力[6]。数据资产作为新型生产要素的资产化表现形式，既是进一步推动数字经济发展的核心，又是驱动发展新质生产力的重要支撑。企业在财务管理中利用数据资产，充分挖掘其潜在价值，以加速发展新质生产力，对于实现经济可持续发展、推进中国式现代化具有重大意义。
学术界在对新质生产力的内涵特征[7]、形成逻辑[8]进行探讨的基础上，进一步将相关研究从微观和宏观两个层面向探究新质生产力发展动力方面扩展。微观层面，主要包括劳动三要素（劳动者、劳动对象、劳动资料）的升级拓展[9]、企业治理水平的提升[10]、股权结构[11]等；宏观层面，主要包括新一轮工业革命带来的新产业[12]、坚持扩大开放与合作共赢[13]、数字经济[14]等。上述研究侧重于理论分析，虽然已有部分文献关注到数据要素对新质生产力发展的重要作用，从企业数字化转型[15]、数智化创新[16]、科技成果转化[17]、数据要素化[18]等角度进行了探讨，但是由于数据资产是影响颠覆性科技创新、催生新质生产力的重要一环[15]，在新质生产力发展动力中融入有关数据要素、数据资产的探讨，更能体现新质生产力区别于传统生产力的新理念、新质态，所以有必要继续对作为数据要素具体化的数据资产推动新质生产力发展的功能与机制进行更加深入的研究。
本文基于2010—2023年上市公司信息披露，通过文本分析法探讨数据资产对企业新质生产力发展的影响，并进一步讨论数据资产与传统生产要素的融合在二者关系中的作用。本文的研究结果表明，数据资产有助于新质生产力发展，并通过与传统劳动、资本、技术等要素相结合，促进企业人力资本升级、资本利用率提高、科技创新能力提升，进而对新质生产力产生驱动效应。
本文可能的贡献在于：第一，从微观视角全面探讨数据资产对新质生产力的促进作用，以及与传统要素相结合的乘数效应在其中发挥的作用机理，拓展了新质生产力驱动因素的相关研究；第二，通过检验数据资产促进新质生产力发展的机制，丰富了数据资产经济效应和新质生产力驱动因素的定量研究，将新质生产力驱动因素和数据资产经济后果的研究从理论分析进一步扩展到实证研究；第三，为数据资产对传统生产要素的乘数效应及对企业新质生产力发展的促进作用提供了新的经验证据，有助于深化数字经济形态下的数据资产经济效应研究。
1 理论分析与研究假设
1.1 数据资产与新质生产力
发展新质生产力是一项系统性工程，不是取决于某个单一条件与单一生产要素，而是需要各生产要素的全面提升[19]。数据资产会加速劳动者生产高效化、劳动对象的拓展化和劳动资料的智能化，全面升级新质生产力的构成三要素，驱动生产力转型。具体来说，数据资产的普及与数据技术的应用能发挥知识红利，优化生产模式，提升劳动效率，进而驱动新质生产力的生成。在数字经济发展进程中，各主体对劳动者能力提出了更高的要求，劳动者不仅需要学习、储备先进的技术知识和高端设备的操作规范，还要将其内化为可运用在实际中的技能方法。数据的可复制性使得生产知识与技能更广泛且经济地传播[20]"，从而降低知识传递成本，实现知识扩散，显著提高劳动者学习新技能的便利性，有效促进劳动者综合素养与工作效率的提升，为生产力质的提升提供坚实的高科技、高素质人才支撑[21]。同时，企业可以利用数据资产进行生产建模，制订实时最优的生产计划，借助数据资产实现数字化监控、管理和智能化运营，优化替代简单体力劳动流程[22]，在提高个体工作效率的同时，减少劳动者繁杂重复任务的负担，腾出更多精力从事更具创造性的工作，从而提升整体生产效率和创新能力。
数据资产是数字经济时代的新型生产要素“数据”的规范化管理形态，蕴含着巨大的生产力，正逐步推动劳动资料使用方式的创新与边界的扩大，重塑企业的生产方式，为生产力进一步提升提供了新动力。一方面，集成化的数据资产可以改进企业的生产决策系统，结合人工智能等数据分析技术推动了传统劳动工具向智能化工具转变[19]。在原有的单一生产工具上增加流程监控、生产交互等多样化功能，实现生产设备间的协调调度和整合，为企业提供了一个多维度、全局化的视角，增强了企业对复杂系统中各生产流程的控制能力，有效减少了生产过程中人力、物力等资源的浪费，改善了生产组织方式[23]，降低了企业的生产成本，进而推动新质生产力发展。另一方面，集成大量数据的数据资产已成为新型劳动资料的核心，带来了比传统生产要素更富活力的价值倍增效应[24]，企业在利用数据资产灵活、精确协调调度生产资源的同时，还能通过所持有的数据资产获取大量消费行为特征数据，以洞悉市场走向，降低生产端与消费端的信息不对称程度[20]"，根据市场需求及时、合理地优化调整生产计划，从而有效降本增效，促进新质生产力发展。
与此同时，数据资产通过提升信息透明度与操作灵活性，不仅重塑了企业生产模式，还加速了以“数据”为核心的新产业、新业态的形成。一方面，数据资产通过对数据采集、储存、分析、挖掘等多方位的规范化管理，不断释放数据要素的价值，创造性地生成了去物化的新劳动对象，催生了元宇宙、量子通信等数字产业[25]，将劳动对象的范围向虚拟领域不断扩展，为新质生产力带来新动力；另一方面，数据资产通过其可复制、可共享等特点，实现了不同行业、主体之间生产要素的重组融合，模糊了产业边界，打破了生产的时空局限性，推动了资源匹配与产业时空布局的优化[26]，实现了传统劳动对象的数字化转型与全面重塑，生成了基于数据聚合和资源共享模式的新业态、新模式，如平台经济、智能经济等。这不仅推动了数字化商业模式的创新，提升了资源利用率，而且拓展了传统产业的组织架构和运营方式，促进了可持续和绿色的生产改造，为新质生产力发展提供了坚实的产业基础。基于以上分析，提出假设1：
H1：数据资产有助于新质生产力发展。
1.2 数据资产、传统生产要素与新质生产力
数据资产是一种虚拟资产，其价值需要依托具体的生产要素来实现[27]。传统生产要素主要包括劳动、资本和土地，进入信息科技时代之后又加入了“技术”这一革命性要素。目前，数据已经正式被列为第五大生产要素[28]。数据资产作为数据要素的资产化表现形式，以更规范化、价值化的方式，将数据要素与其他传统要素相融合，带来倍增效应[28]，使生产力产生质变。
数据资产与劳动要素结合，不仅正向促进了劳动者素质的提升，而且反向倒逼劳动力需求发生结构性变化，促进了人力资本的升级，进而推动新质生产力发展。一方面，数据资产强化了劳动者与技术的互动，增强了人机协作，促使劳动者不断提升自身技能和素养，努力掌握新型劳动工具，并通过对数据分析工具和技术学习的进一步整理，习得系统性知识，提高思维水平[30]，推动了人力资本从简单机械的传统手工和重复性劳动升级为具有创新性、创造性的知识密集型和创新驱动型劳动。另一方面，数据资产不仅促进了劳动者技能的提升，而且推动了劳动市场结构的变化。市场对劳动者技能水平有更高的要求，对有创新性知识和技能劳动者有大量需求[21]。例如，数据资产的收集、加工需要具有能识别和处理有效数据的数字素养的劳动力，数据要素的分析、利用需要具有理解能力和创新思维的创新素养的劳动力。这既为新质生产力发展提供了更优质的人力资源基础，又迫使低技能劳动者在劳动力市场变化中谋求新出路[31]。数据资产对劳动力市场的间接影响促进了人才结构的优化与升级，为新质生产力发展创造了新机遇。
数据要素与资本要素结合，不仅优化了资本使用模式，而且增强了市场对企业的金融支持，有效促进了资本配置的优化，提升了资本利用效率，有利于新质生产力水平的提高。一方面，数据资产包含的大量有效信息有助于降低企业搜集财务信息的成本，便于管理者对有效信息和知识进行提取，提高信息质量[32]"，帮助企业在并购、资本扩张等投资决策中更好地预测市场发展风向、识别潜在风险，从而优化资本使用。同时，企业还能利用数据资产进行动态反馈和分析，对资本使用与收益情况进行监控分析，在事中及时调整资金流向，提高投资效率[6]；对已完成投资的结果与预期进行比较分析，在事后优化投资模型，进一步提高资本配置效率。另一方面，数据资产对传统资产进行了有效补充，形成了从数据搜索、储存到分析应用的“数据链条”，提高了业务流程透明度与可塑性，进而提供高质量的会计信息[33]，有助于投资者对企业资信能力有更充分的掌握，缓解信息不对称导致的道德风险，提升资源供需匹配效率[34]。同时，随着国家层面对数字经济及数据要素价值的高度重视，企业持有数据资产符合国家政策导向。这不仅为企业赢得了政策红利与市场认可，还激发了市场对于此类企业的积极预期与信心[3]。金融机构与投资者更加倾向于为这类企业提供资金支持，从而为企业实现跨越式发展提供坚实的金融保障。
数据资产与技术要素结合，形成了具有知识溢出和积累效应的信息流和技术流，提供了低成本的资源获取方式和创新模式，增强了企业科技创新能力[22]，进而驱动生产力发生质的提升与转变。首先，数据资产特有的非消耗性、共享性在降低信息传播成本的同时，还加速了知识传播与科技创新的速度。企业能以更低成本获取提升创新质量的最优路径[35]，进而推动新质生产力发展。其次，数据资产与技术要素结合催生了各种在线平台和即时通信设备，促进了全球范围内的即时通信协作，有助于突破地域限制，加强跨期、跨行的远程互动协同[36]。数据资产的使用通过企业间的资源共享与交换，提升自主创新能力；通过对各环节的数据储存与分析，实现数据试错代替实物试错，提高了企业间的创新合作效率[27]，进而驱动新质生产力发展。最后，数据资产提供了大量消费者与竞争者行为数据。企业通过数字技术提取、分析其中有价值的信息，可以洞察消费者偏好，保持对前沿技术的较高敏锐度，有助于把握创新方向[37]，为创新创造更加有利的条件。综上所述，提出假设2：
H2：数据资产通过与传统生产要素融合促进新质生产力发展。
2 研究设计
2.1 样本选择
2010年，移动互联网、云计算与大数据技术等基础技术创新开始进入快速发展时期，为企业使用数据资产创造价值提供了可能。因此，本文选取2010—2023年沪深A股上市公司作为研究样本。上市公司年报来源于巨潮资讯网，其余财务数据均来自CSMAR数据库。为避免特殊样本和极端值对研究结论的影响，本文对研究样本进行如下处理：①剔除所属行业为金融的企业；②剔除ST、*ST、PT企业；③剔除财务数据异常的样本；④剔除数据缺失严重的样本；⑤对连续变量在上下1%分位处进行Winsorize缩尾处理。最终得到4 824家企业共31 130个观测值。
2.2 变量定义
2.2.1 被解释变量：新质生产力（Npro）
参考宋佳等[10]的研究，以劳动三要素为理论支撑，采用熵权法，构建企业新质生产力评价指标体系，见表1。
2.2.2 解释变量：数据资产（Digas）
本文参考李健等[27]、张叶青等[38]的研究，采用文本分析法衡量企业持有的数据资产。具体地，以数据资产化的实现机制为基础，分别从“数据收集、数据储存、数据处理、数据应用”4个阶段建立企业数据资产关键词词谱，具体见表2。再利用Python对上市公司年报中涉及数据资产化的信息进行挖掘，并统计年报中出现的关键词词频，对关键词词频进行对数化处理后，形成企业数据资产的代理变量。
2.2.3 控制变量
为降低其他因素对企业新质生产力的影响，本文参考宋佳等[10]、刘征驰等[39]的研究，选择企业规模（Size）、企业年龄（Age）、产权性质（SOE）、资产负债率（Lev）、资产利润率（ROA）、成长机会（TobinQ）、资本集中度（FIXED）、股权集中度（Top10）、董事会规模（Board）、独立董事占比（Indep）作为控制变量。
变量及其定义见表3。
2.3 模型设定
为验证本文的研究假设，设定如下基准模型
Nproi，t=α0+α1Digasi，t+α2Controli，t+Year+Industry+εi，t（1）
式中，Nproi，t为公司i在第t期的新质生产力水平，数值越高，表明企业新质生产力水平越高；Digasi，t为公司i在第t期拥有的数据资产水平；Controli，t为控制变量，包括与企业新质生产力有关的财务、管理等方面的变量；∑Year和∑Industry分别为年份固定效应和行业固定效应。若模型（1）中系数α1的符号显著为正，说明企业拥有的数据资产越多，新质生产力水平越高，即数据资产对企业新质生产力发展具有显著促进作用。
3 实证检验与结果分析
3.1 描述性统计分析与相关性分析
3.1.1 描述性统计分析
主要变量描述性统计结果见表4。从表4看，样本企业在数据资产和新质生产力水平上存在较大差异。其他控制变量的描述性统计结果均在合理范围内。
3.1.2 相关性分析
主要变量Pearson相关系数见表5。由表5可知，数据资产与企业新质生产力相关系数为0.02，且在1%水平上显著，说明二者呈现正相关关系，初步反映了数据资产对企业新质生产力的正向作用。但二者的关系仍需要通过回归分析进一步检验。同时，各变量间的相关系数均小于0.6，说明不存在严重的多重共线性问题。
3.2 基准回归结果
本文采用递进式回归检验H1，并依据公司层面的聚类稳健标准误来判断系数显著性，基准回归结果见表6。表6中列（1）报告了未加入控制变量、未控制行业和年份固定效应的回归结果。可以看到，解释变量数据资产的估计系数在10%水平上显著为正。表6中列（2）报告了加入控制变量的回归结果，解释变量数据资产的估计系数在1%水平上显著为正。表6中列（3）和列（4）分别报告了逐步加入年份固定效应和行业固定效应的结果，数据资产的回归系数均仍在1%水平上显著为正，说明数据资产对提高企业新质生产力水平起到了积极作用，H1得到验证。
3.3 内生性检验
3.3.1 倾向得分匹配（PSM）法
为有效缓解样本选择偏差对模型结论可能产生的偏误，增强研究结果的稳健性与可靠性，本文采用倾向得分匹配（PSM）法对实验结论进行进一步验证。具体而言，以企业数据资产的中位数作为划分标准，将高于中位数的企业划分为处理组，赋值为1；将低于中位数的企业划分为控制组，赋值为0，并计算每个观测值在数据资产方面的倾向得分。接着，采用最近邻匹配方法，以企业规模、企业年龄、产权性质、公司价值等特征变量及计算得出的倾向得分为协变量，为处理组中的每一家企业成功匹配一个在基本特征上最为接近的控制组企业。
匹配前后两组样本各特征变量的平行性检验结果见表7。经倾向得分匹配之后，处理组与控制组各特征变量差值的t值均小于2，接受处理组与控制组间无系统差异的原假设，且协变量的标准化偏差均小于3%，说明相较于匹配前，匹配后样本对应的控制变量间的差异不显著，平行性假设得到满足。
处理组与控制组匹配前后样本倾向得分的核密度分别见图1和图2。通过对比分析可以清晰地观察到，经过匹配处理后，两组数据的核密度函数图在形态上更为接近，差异显著减小，说明匹配后的样本满足共同支撑假设。
基于匹配后的样本，对基准模型（1）进行再拟合，结果见表8。
如表8中列（1）所示，数据资产与企业新质生产力之间的回归系数为0.194，且在1%水平上显著。这表明，在有效控制了处理组与控制组企业间特征差异的前提下，拥有较高数据资产的企业依然展现出卓越的新质生产力水平。因此，本文的核心结论，即数据资产对企业新质生产力有积极影响，在有效应对样本选择偏差的挑战后，依然保持稳健、可靠。
3.3.2 工具变量法
为缓解企业数据资产与新质生产力之间潜在的交互跨期影响带来的反向因果等内生性问题，本文借鉴李健等[27]、肖红军等[40]的方法，选择同年份同省份其他企业的平均数据资产水平（Digas_mean）作为企业数据资产（Digas）的工具变量。该工具变量的合理性在于：一方面，所处同一省份或同一行业的公司通常面临相似的外部环境、政策与经济条件，因此企业之间的数据资产水平存在一定的相关性；另一方面，微观企业个体的数据资产水平不太可能影响省份和行业的数据资产均值，满足外生性假设。
如表8中列（3）所示，Digas的系数仍在1%水平上显著为正，表明核心结论依然成立，即企业数据资产可以显著提高企业的新质生产力水平。同时，表8中列（2）显示第一阶段回归的LM统计量在1%水平上显著，Cragg-Donald Wald F值为96.52，大于95%置信区间的临界值，证明工具变量的选用是合理的。
3.3.3 熵平衡法
熵平衡法通过为处理组中的每个样本分配最优权重的处理组样本组合，确保处理组与控制组在多个协变量上的分布矩（均值、方差、偏度等）尽可能接近，从而有效缓解了样本选择偏差导致的内生性问题。这不仅能够弥补PSM方法在控制高阶统计特征方面的不足，而且进一步提高了样本间可比性的精确度。因此，本文参考Hainmueller[41]的研究，采用熵平衡法进一步消除企业特征差异对数据资产促进企业新质生产力发展效果的影响。本文首先根据企业数据资产水平的中位数将样本分为两组，然后使用熵平衡法对每个样本特征协变量进行均值、方差、偏度的三阶矩调整，进一步消除企业基本面差异对数据资产促进企业新质生产力发展效果的影响。本文采用熵平衡法匹配后的处理组与控制组在样本特征上实现了平衡。如表8中列（4）所示，数据资产的系数在1%水平上显著为正，说明结论稳健。
3.4 稳健性检验
3.4.1 控制遗漏变量
虽然前文已经考虑了企业自身特征的相关变量并控制了行业和年份的固定效应，但是除自身因素外，企业所属行业随时间的发展变化等因素可能也会影响数据资产与企业新质生产力的关系。因此，为缓解遗漏变量对研究结论产生的可能干扰，参考李健等[27]的做法，在基准回归基础上控制了个体固定效应和“行业×时间”的高阶联合固定效应后进行稳健性检验。如表9中列（1）、列（2）所示，数据资产与新质生产力之间的系数分别为0.040和0.191，且分别在5%和1%水平上显著，说明数据资产可以有效提高企业的新质生产力水平。因此，在控制遗漏变量后，研究结论依然稳健。
3.4.2 替换变量计算方式
参考路征等[5]的研究，若不存在调整成本，企业的市场价值应当为各类资产价值的总和，但入表的资产很难完全概括类似于数据资产这类“无形资产”。因此，随着数据的不断积累和数字化技术的广泛运用，企业的市场价值与账面资产价值的差值，在一定程度上反映了企业持有的数据资产的价值。本文采用市场价值与总资产的差值（Digasl）替代基准回归中采用文本分析法得出的数据资产。如表9中列（3）所示，数据资产的系数依然为正，且在5%水平上显著，说明替换解释变量以后，研究结论依然稳健。
同时，参考宋佳等[10]的研究，使用LP（线性规划）法计算的全要素生产率（TFP_LP）替代企业新质生产力的发展水平指标。如表9中列（4）所示，数据资产的系数为正，且在1%水平上显著，说明替换被解释变量以后，研究结论依然稳健。
3.4.3 剔除特殊异常样本
参考路征等[5]的研究，对数据驱动型企业样本进行剔除，以检验数据资产对一般制造业、服务业等领域企业的影响。具体地，结合《数字经济及其核心产业统计分类（2021）》和《国民经济行业分类》，剔除包括“软件和信息技术服务业”“互联网相关服务”在内的5个数字经济核心产业。如表9中列（5）所示，剔除数据驱动型企业样本后，数据资产与企业新质生产力仍在1%水平上显著正相关，说明即使在非数据驱动型的一般传统行业中，数据资产对企业新质生产力也存在显著的正向影响。
由于新冠疫情可能在一定程度上抑制企业新质生产力的发展，而居家工作的兴起又会推动企业持有数据资产的行为，有可能在数据资产对企业新质生产力的促进作用方面产生噪声，因此剔除2020年以后的样本，再次进行回归检验。如表9中列（6）所示，剔除异常年份的样本后，数据资产与企业新质生产力的系数仍在1%水平上显著为正，说明数据资产对企业新质生产力的正向影响是稳健的。
我国直辖市具有一定的特殊性，在政策执行、资源配置等方面享有特殊地位与倾斜优势，这些因素可能对数据资产与企业新质生产力之间的关系产生影响。因此，对企业所属地区为直辖市的样本进行剔除。如表9中列（7）所示，剔除特殊地区的样本后，数据资产对企业新质生产力的影响仍在1%水平上显著为正，说明数据资产对企业新质生产力的正向作用较稳健。
4 进一步分析
4.1 异质性分析
为了更为细致地研究数据资产对企业新质生产力的影响，本文检验了数据资产对企业新质生产力在产权性质、治理水平、资产模式、行业属性、外部环境等方面的异质性效应。异质性分析结果见表10。
4.1.1 产权性质异质性
为验证数据资产对不同产权企业新质生产力的异质性表现，将样本分为国有企业（SOE=1）和民营企业（SOE=0），进行分组回归。如表10中列（1）、列（2）所示，国有企业和民营企业数据资产的系数均显著为正，而组间系数差异检验结果显示二者系数差异为-0.045且在5%水平上显著，说明数据资产对国有企业和民营企业新质生产力的发展均有正向促进效果，其中对国有企业新质生产力的促进作用更明显。可能的原因在于：国有企业能获得更多资源支持。这种特殊的优势使得国有企业在数据资产的积累、应用和开发上具有显著的成本优势和人才优势，从而能更好地发挥数据资产的乘数效应，促进新质生产力的提升。
4.1.2 治理水平异质性
本文采用管理费用率探讨公司治理对数据资产促进新质生产力发展的差异性，管理费用率越高，表示企业的治理水平越低。具体地，按照管理费用率的中值将企业分为治理效率高组（管理费用率低于中位数）和治理效率低组（管理费用率高于中位数），进行分组回归。如表10中列（3）、列（4）所示，治理效率高企业和治理效率低企业数据资产的系数均在1%水平上显著为正，组间系数差异检验结果显示二者系数差异显著为负，说明数据资产更能改善治理效率低的企业的生产效率，对新质生产力的促进作用更明显。可能的原因在于：治理效率低的企业在治理结构和决策流程中存在缺陷，数据资产的管理和运用对于降低信息不对称程度、提高决策质量和效率的效果更好，可以弥补这类企业治理决策方面的短板，对其在新质生产力的提升方面产生更大的边际效用。
4.1.3 资产模式异质性
本文采用固定资产占总资产的比重探讨企业资产模式对数据资产促进新质生产力发展的差异性。具体地，按照固定资产占比的中值将企业分为重资产组（固定资产占比高于中位数）和轻资产组（固定资产占比低于中位数），进行分组回归。如表10中列（5）、列（6）所示，轻资产企业数据资产对新质生产力影响的系数在1%水平上显著，而重资产企业数据资产与新质生产力的系数不显著，二者的组间差异系数显著为正，说明数据资产对轻资产企业新质生产力的促进作用更好。可能的原因在于：重资产企业固定资产比重高，其流动资金占比少且需承担较高的维修成本，限制了其利用数据资产更好地开发新技术和灵活地适应市场变化。相比之下，轻资产企业则更多依赖于外包合作。这种模式使得轻资产企业能够灵活调整资源配置，将更多资源和注意力快速集中在数据资产的获取、分析和应用上，从而更有效地发展新质生产力。
4.1.4 行业属性异质性
不同的行业属性会影响企业新质生产力的形成路径和数据资产促进作用的发挥。本文参考杨兴哲和周翔翼[42]的研究，根据中国证监会行业分类标准，将样本分为高科技企业与非高科技企业，进行分组回归。如表10中列（7）、列（8）所示，在高科技企业中，数据资产与新质生产力的系数显著为正，对新质生产力的促进作用明显。而在劳动密集型企业中，数据资产与新质生产力的系数不显著。二者的组间系数显著为负，也表明数据资产对高科技企业新质生产力的促进作用更明显。可能的原因在于：高科技行业作为知识技术密集型领域，在数字化技术的应用上拥有天然的技术基础设施、科技人才储备和成熟的创新机制等优势，使得高科技企业能够更有效地利用数据资产，推动技术创新和产品升级，从而在新质生产力发展上取得更好的成效。
4.1.5 外部环境异质性
外部环境同样会影响企业的新质生产力发展。行业竞争越激烈，企业推进数据资产化管理的意愿越强。本文采用赫芬达尔指数（HHI）衡量企业所在行业的竞争程度，HHI越小，行业竞争越激烈。具体地，按照赫芬达尔指数的中值将企业分为行业竞争程度高组（赫芬达尔指数低于中位数）和行业竞争程度低组（赫芬达尔指数高于中位数），进行分组回归。如表10中列（9）、列（10）所示，两组企业数据资产的系数均在1%水平上显著为正，而组间系数差异检验结果显示二者系数差异显著为正，说明在竞争程度高的行业中，企业数据资产化更能促进新质生产力的发展。可能的原因在于：当行业竞争较为激烈时，企业更有动力积累和运用能产生乘数效应的数据资产，以保持竞争力，进而更有利于新质生产力的发展。同时，当竞争程度较高的行业有部分企业使用数据资产时，也会带动其他企业利用和开发数据资产。这种竞争能促进整个行业数据资产运用能力的提升，进而提升数据资产对新质生产力的促进效果。
4.2 机制检验
根据前文分析，数据资产通过其非竞争性、低成本复制等特征优化融合不同的生产要素，发挥乘数效应，全面激发传统生产要素的潜在动能，以实现生产过程创新与资源优化配置，驱动新质生产力发展。据此，本文从劳动要素、资本要素、技术要素3个角度探索数据资产促进企业新质生产力发展的作用机制，用以验证H2。由于数据资产对土地的影响较为间接，主要通过土地利用的优化、土地价值评估的精准化等方式体现，对新质生产力影响较小，故在此不做讨论。
解释变量与中介变量间常呈现高度相关性特征，会造成逐步检验法第三步的高标准误，削弱统计检验的显著性水平；而中介变量的随机性也会影响中介效应的估计偏误，因为可能存在同时作用于中介变量与目标被解释变量的未观测因素；同时，劳动、资本、技术都较为直观地被理论证明了其对企业新质生产力发展的影响，且前文已经从理论上论述了这三者都会受到数据资产的直接影响。因此，本文参考江艇[43]的研究，采用两步法建立如下机制检验模型，对数据资产影响企业新质生产力的机制进行验证
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为机制代理变量；其余变量含义与基准模型（1）保持一致。
4.2.1 人力资本升级
据前文分析可知，数据资产、智能化工具与劳动要素结合会促进人力资本的升级，提升劳动生产率并改变劳动的性质，而由此带来的劳动力质量的提高则会促进企业新质生产力发展。本文借鉴于翔等[30]的研究，采用企业技术员工占比衡量企业的人力资本升级（Labor）。如表11中列（1）所示，数据资产与人力资本升级的回归系数显著为正，说明数据资产能通过推进企业人力资本升级促进新质生产力水平的提升。
4.2.2 资本配置效率
资本是企业重要的生产要素，资本配置的效率会影响企业的生产效率。据前文分析可知，数据资产与资本要素的结合促进了资本配置方式的变革，提高了企业资本配置的效率。因此，本文借鉴Richardson[44]和Biddle等[45]的做法，采用实际投资规模与预期投资规模之间的差额衡量企业的资本配置效率（Inveff）。如表11中列（2）所示，数据资产与资本配置效率的回归系数显著为正，说明数据资产能通过提高企业的资本配置效率促进新质生产力水平的提升。
4.2.3 科技创新能力
据前文分析可知，数据驱动技术革新，提升了企业的科技创新能力，有助于推动企业生产力的突破性变革，发展新质生产力。据此，采用企业专利申请数量加1的对数衡量企业的科技创新能力（Creat）。如表11中列（3）所示，数据资产与科技创新能力的回归系数显著为正，说明数据资产能通过增强企业的科技创新能力促进新质生产力水平的提升。
5 结语
在数据已成为企业乃至国家层面不可或缺的战略性资源的时代背景下，企业如何高效挖掘与利用数据资产的价值潜力，提升运营效率与管理水平，深度优化资源配置，进而推动中国高质量发展，加速整体社会生产力的新兴形态转化，是关系到全面建成社会主义现代化强国的重要课题。本文基于数据资产的视角，以2010—2023年中国沪深A股上市公司为研究样本，探讨企业持有数据资产能否起到促进新质生产力发展的作用，以及数据资产促进新质生产力发展的作用机制。研究结果表明，数据资产能够改变劳动者、劳动对象与劳动资料的质态，显著促进企业新质生产力发展。该结论在经过内生性检验与稳健性分析之后依旧成立。对数据资产的作用机制进一步研究发现，数据资产通过与各传统生产要素优化融合后迸发出突破性的活力，能促进企业人力资本升级、资本配置效率提升和科技创新能力增强，助力企业新质生产力发展。异质性分析发现，在国有企业、治理效率低企业、轻资产企业、高科技企业和外部竞争程度高企业中，数据资产对新质生产力的促进效果更明显。
基于研究结论，提出如下建议：
在微观层面，企业应在财务管理中将数据资产整合与应用作为战略重点，通过优化数据管理与分析流程，实现对人力资本、资本配置及科技创新的全面赋能。第一，企业应设置完善的数据治理结构，确保数据资产的质量与安全性，以此为基础完善数据驱动的决策机制；第二，企业应广纳数据分析技术人才，通过深入挖掘数据资产的潜在价值，促进产品和服务的创新，提高市场响应速度与客户满意度；第三，企业还应探索数据资产与传统生产要素的融合路径，如利用数据资产优化供应链管理、提升生产效率，以及通过数据洞察指导资本的有效配置等。
在宏观层面，政府与行业组织应协同推动数据资产的标准化、市场化进程，为充分发挥数据资产促进新质生产力发展的作用创造良好的外部条件。具体为：出台相关法规，明确数据资产的权属、交易规则及隐私保护标准，为数据资产的流通与交易提供法律保障；建立和完善数据资产评估体系，促进数据资产的合理定价与有效配置；加强数字基础设施建设，如宽带网络、数据中心等，为数据资产积累和应用提供技术支撑；加强数字经济所需专业人才的培养，通过教育和培训提升劳动力的数字技能，以满足数据资产深度开发需求。
参考文献
[1]佚名.习近平在中共中央政治局第十一次集体学习时强调：加快发展新质生产力"扎实推进高质量发展[N].人民日报，2024-02-02（01）.
[2]李猛.“人工智能+”赋能新质生产力发展：内在机理与路径探索[J].北京航空航天大学学报（社会科学版），2024，37（4）：127-137.
[3]牛彪，于翔.数据资产获得投资者偏好了吗？基于权益资本成本视角[J].证券市场导报，2024（7）：68-79.
[4]许宪春，张钟文，胡亚茹.数据资产统计与核算问题研究[J].管理世界，2022，38（2）：16-30，2.
[5]路征，周婷，王理，等.数据资产与企业发展：来自中国上市公司的经验证据[J].产业经济研究，2023（4）：128-142.
[6]苑泽明，尹琪，于翔.数据资产如何赋能企业高质量发展：对传统生产要素的优化机制[J].西部论坛，2024，34（3）：54-73.
[7]魏崇辉.新质生产力的基本意涵、历史演进与实践路径[J].理论与改革，2023（6）：25-38.
[8]柳学信，曹成梓，孔晓旭.大国竞争背景下新质生产力形成的理论逻辑与实现路径[J].重庆大学学报（社会科学版），2024，30（1）：145-155.
[9]李政，崔慧永.基于历史唯物主义视域的新质生产力：内涵、形成条件与有效路径[J].重庆大学学报（社会科学版），2024，30（1）：129-144.
[10]宋佳，张金昌，潘艺.ESG发展对企业新质生产力影响的研究：来自中国A股上市企业的经验证据[J].当代经济管理，2024，46（6）：1-11.
[11]谭红阳，刘金莲，李志军，等.机构投资者持股对企业新质生产力的影响[J].云南财经大学学报，2024，40（8）：56-71.
[12]杜传忠.新质生产力形成发展的强大动力[J].人民论坛，2023（21）：26-30.
[13]胡洪彬.习近平总书记关于新质生产力重要论述的理论逻辑与实践进路[J].经济学家，2023（12）：16-25.
[14]翟绪权，夏鑫雨.数字经济加快形成新质生产力的机制构成与实践路径[J].福建师范大学学报（哲学社会科学版），2024（1）：44-55，168-169.
[15]刘利平，李佳辉.数字化转型何以赋能新质生产力发展：来自制造业的经验证据[J].江海学刊，2024（4）：104-110，255.
[16]李律成，曾媛杰，彭华涛.数字创新生态系统驱动新质生产力发展的组态路径研究[J].科研管理，2024，45（8）：1-10.
[17]陈柏强，母璇，刘畅.科技成果转化加速新质生产力发展的内在机理及实践路径研究[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，孙光林.数据要素与新质生产力：基于企业全要素生产率视角[J].经济理论与经济管理，2024，44（4）：12-30.
[19]戚聿东，沈天洋.人工智能赋能新质生产力：逻辑、模式及路径[J].经济与管理研究，2024，45（7）：3-17.
[20]蔡跃洲，马文君.数据要素对高质量发展影响与数据流动制约[J].数量经济技术经济研究，2021，38（3）：64-83.
[21]赵腾，严俊，林成城，等.数据要素视角下新质人才培养的机理与路径[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]陈荣达，林祺，金骋路，等.数据资产估值定价与新质生产力发展：演进逻辑与主要挑战[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]张亚豪，李晓华，刘尚文.数据要素赋能服务型制造发展：场景应用、作用机制与政策建议[J].改革，2024（1）：69-81.
[24]罗玫，李金璞，汤珂.企业数据资产化：会计确认与价值评估[J].清华大学学报（哲学社会科学版），2023，38（5）：195-209，226.
[25]唐要家，唐春晖.数字产业化的理论逻辑、国际经验与中国政策[J].经济学家，2023（10）：88-97.
[26]徐翔，厉克奥博，田晓轩.数据生产要素研究进展[J].经济学动态，2021（4）：142-158.
[27]李健，董小凡，张金林，等.数据资产对企业创新投入的影响研究[J].外国经济与管理，2023，45（12）：18-33.
[28]段学慧，张娜.数据要素及其形成新质生产力的机理研究[J].经济纵横，2024（7）：18-28.
[29]杨艳，王理，廖祖君.数据要素：倍增效应与人均产出影响：基于数据要素流动环境的视角[J].经济问题探索，2021（12）：118-135.
[30]于翔，牛彪，苑泽明.数据资产、人力资本升级与企业价值[J].中南财经政法大学学报，2024（2）：109-122.
[31]蒋万胜，杨倩.论生成式人工智能对新质生产力形成的促生作用[J].陕西师范大学学报（哲学社会科学版），2024，53（3）：15-25.
[32]郑晓佳，蔡欣妮，胡昌誉，等.数据资产治理与权益资本成本[J].中国经济问题，2024（3）：54-69.
[33]刘贝贝，陈梦鹭，管文娜，等.数字化转型的信息治理效应：来自A股上市公司信息披露质量的证据[J].中央财经大学学报，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]罗泰晔，张振刚.数据赋能制造业企业创新：逻辑框架与过程机理[J].中国科技论坛，2023（7）：95-105.
[36]牛彪，于翔，苑泽明，等.数据资产信息披露与审计师定价
策略[J].当代财经，2024（2）：154-164.
[37]肖静华，胡杨颂，吴瑶.成长品：数据驱动的企业与用户互动创新案例研究[J].管理世界，2020，36（3）：183-205.
[38]张叶青，陆瑶，李乐芸.大数据应用对中国企业市场价值的影响：来自中国上市公司年报文本分析的证据[J].经济研究，2021，56（12）：42-59.
[39]刘征驰，高翔宇，陈文武，等.数字技术跃迁与企业全要素生产率：从自动化到智能化的比较分析[J].经济评论，2024（4）：73-89.
[40]肖红军，阳镇，刘美玉.企业数字化的社会责任促进效应：内外双重路径的检验[J].经济管理，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]杨兴哲，周翔翼.治理效应抑或融资效应？股票流动性对上市公司避税行为的影响[J].会计研究，2020（9）：120-133.
[43]江艇.因果推断经验研究中的中介效应与调节效应[J].中国工业经济，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
作者简介：
张戡，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。
杨珂，女，2000年生，硕士研究生在读，主要研究方向：公司金融和金融工程。
王素泽，男，2002年生，硕士研究生在读，主要研究方向：公司金融和金融工程。
