科技和产业

变量名称	变量含义	计算方法
y	企业日利润率	以企业股价日涨跌幅高频模拟
time	时间位于数据资产入表前	虚拟变量(0,1)
policy	已进行数据资产入表	虚拟变量(0,1)
gdp1	所在城市第一季度经济水平	对所在城市2024年第一季度GDP归一化
gdp2	所在城市第一季度经济水平	对所在城市2024年第二季度GDP归一化
gdp growth	所在城市是否出现显著经济发展	虚拟变量(0,1)
ipo	企业所在行业近一年IPO上市数量	对近一年企业IPO上市数量归一化
rate	企业经营状况	2023年末企业资产负债率

变量名称	变量含义	计算方法
y	企业日利润率	以企业股价日涨跌幅高频模拟
time	时间位于数据资产入表前	虚拟变量(0,1)
policy	已进行数据资产入表	虚拟变量(0,1)
gdp1	所在城市第一季度经济水平	对所在城市2024年第一季度GDP归一化
gdp2	所在城市第一季度经济水平	对所在城市2024年第二季度GDP归一化
gdp growth	所在城市是否出现显著经济发展	虚拟变量(0,1)
ipo	企业所在行业近一年IPO上市数量	对近一年企业IPO上市数量归一化
rate	企业经营状况	2023年末企业资产负债率

变量	数据资产入表前(dt=0)	数据资产入表后(dt=1)	差分
入表企业 (处理组,du=1)	β₀+β₂	β₀+β₁+β₂+β₃	ΔY₁=β₂+β₃
未入表企业 (控制组,du=0)	β₀	β₀+β₁	ΔY₀=β₂
DID			ΔY=β₃

变量	数据资产入表前(dt=0)	数据资产入表后(dt=1)	差分
入表企业 (处理组,du=1)	β₀+β₂	β₀+β₁+β₂+β₃	ΔY₁=β₂+β₃
未入表企业 (控制组,du=0)	β₀	β₀+β₁	ΔY₀=β₂
DID			ΔY=β₃

变量名称	最大值	最小值	均值	标准差
y	5.136 6	-4.776 9	0.030 6	1.671 8
time	1.000 0	0.000 0	0.628 6	0.483 3
policy	1.000 0	0.000 0	0.495 4	0.500 1
gdp1	1.001 3	0.000 7	0.751 9	0.290 6
gdp2	0.999 4	-0.000 7	0.762 1	0.287 4
gdpgrowth	1.000 0	0.000 0	0.775 9	0.417 1
ipo	1.000 0	0.000 0	0.267 6	0.385 8
rate	0.762 6	0.051 2	0.406 5	0.176 7

变量名称	最大值	最小值	均值	标准差
y	5.136 6	-4.776 9	0.030 6	1.671 8
time	1.000 0	0.000 0	0.628 6	0.483 3
policy	1.000 0	0.000 0	0.495 4	0.500 1
gdp1	1.001 3	0.000 7	0.751 9	0.290 6
gdp2	0.999 4	-0.000 7	0.762 1	0.287 4
gdpgrowth	1.000 0	0.000 0	0.775 9	0.417 1
ipo	1.000 0	0.000 0	0.267 6	0.385 8
rate	0.762 6	0.051 2	0.406 5	0.176 7

变量	参数	标准误	t	P>t
did	0.021	0.097	-0.100	0.924
gdp1	-0.169	1.149	-0.147	0.883
gdp2	0.185	1.164	0.159	0.874
gdpgrowth	-0.003	0.095	-0.036	0.971
ipo	0.008	0.105	0.075	0.941
rate	0.003	0.221	0.015	0.988
R²	0.010

变量	参数	标准误	t	P>t
did	0.021	0.097	-0.100	0.924
gdp1	-0.169	1.149	-0.147	0.883
gdp2	0.185	1.164	0.159	0.874
gdpgrowth	-0.003	0.095	-0.036	0.971
ipo	0.008	0.105	0.075	0.941
rate	0.003	0.221	0.015	0.988
R²	0.010

数据资产入表能否成为企业加速器?——基于DID模型看数据资产入表对上市公司利润的效应测算

PDF下载

薛扬荣 ¹ , 周康林 ² , 徐照宜 ³ , 高嘉尉 ⁴ , 许云龙 ⁵ , 胡展畅 ⁶

科技和产业 | 企业应用 2025,25(12): 212-220

收起

科技和产业 | 企业应用 2025, 25(12): 212-220

数据资产入表能否成为企业加速器?——基于DID模型看数据资产入表对上市公司利润的效应测算

全屏

薛扬荣¹, 周康林², 徐照宜³, 高嘉尉⁴, 许云龙⁵, 胡展畅⁶

作者信息

¹ 浙江清华长三角研究院, 浙江嘉兴 314006

² 清华大学经济学研究所, 北京 100084

³ 清华大学经济与管理学院, 北京 100084

⁴ 南开大学金融学院, 天津 300353

⁵ 长三角未来产业研究院, 上海 200438

⁶ 山东大学商学院, 山东威海 264200

薛扬荣(1991—),男,浙江温州人,硕士,会计师,研究方向为数据资产管理、区域经济发展、技术转移;

周康林(1999—),男,湖南芷江人,硕士,研究方向为数字经济和产业经济;

高嘉尉(2004—),女,陕西西安人,研究方向为数字经济;

许云龙(1996—),男,山东邹城人,硕士,研究方向为数据要素流通、人工智能;

胡展畅(2003—),男,浙江杭州人,研究方向为金融市场分析。

通讯作者:

徐照宜(1995—),男,湖南永州人,博士,助理研究员,研究方向为数字经济和科技金融

Can Data Asset Recognition Be a Catalyst for Enterprises?: Estimating the Impact of Data Asset Recognition on Listed Companies’ Profits Based on the DID Model

Yangrong XUE¹, Kanglin ZHOU², Zhaoyi XU³, Jiawei GAO⁴, Yunlong XU⁵, Zhanchang HU⁶

Affiliations

¹ Yangtze Delta Region Institute of Tsinghua University, Zhejiang,Jiaxing 314006, Zhejiang, China

² Institute of Economics, Tsinghua University, Beijing 100084, China

³ School of Economics and Management, Tsinghua University, Beijing 100084, China

⁴ School of Finance, Nankai University, Tianjin 300353, China

⁵ Yangtze Delta Institute of Future Industries, Shanghai 200438, China

⁶ School of Business, Shandong University, Weihai 264200, Shandong, China

出版时间: 2025-06-25

文章导航

摘要

收起

在党和国家对数字经济、数据要素给予高度重视的前提下,2024年,各有关部委进一步明确了数据资产入表的政策基础,数据要素的潜能得到进一步的激发。基于此背景,首次采用18家进行数据资产入表上市企业的面板数据,利用双重差分法(DID)研究数据资产入表对上市公司利润率指标的影响。结果发现,在当前的数据管理体制下,尽管数据资产入表对上市企业的利润率具有一定的正向影响,但这种影响仍然相对有限。尽管数据资产入表对于企业具有不可忽视的积极意义,但鉴于目前数据资产的价值评估体系还未在现行会计准则中得到充分体现,数据资产入表流程的成熟度有待提高,故而入表行为未能显著提升企业的整体利润水平。为进一步发挥数据资产潜力,使得入表企业更好地收获入表红利,未来政策可将着眼点落于优化数据资产的管理和评估体系之上,加强数据资产市场化应用,同时兼顾相关会计准则和法规的纵深贯彻,助力数据资产价值显现,为企业盘活数据资源,助力利润增长提供有力抓手。

关键词

数据资产 / 数据资产入表 / 双重差分 / 会计处理 / 数据金融

Abstract

收起

Under the backdrop of the Chinese government’s emphasis on the digital economy and data elements, relevant ministries and commissions further clarify the policy framework for the inclusion of data assets in corporate financial statements in 2024, thereby unlocking greater potential for data elements. Against this background, the panel data firstly used from 18 companies that had incorporated data assets into their financial statements, employing the Difference-in-Differences(DID) method to examine the impact of data asset inclusion on profitability metrics of listed companies. The findings reveal that, under the current data management framework, while the inclusion of data assets positively influences the profitability of listed companies, the impact remains relatively limited. Despite the undeniable positive significance of data asset inclusion for enterprises, the process has yet to significantly boost overall corporate profitability. This limitation arises from the fact that the value assessment system for data assets is not yet fully reflected in the existing accounting standards, and the maturity of the inclusion process requires further improvement. To better harness the potential of data assets and enable companies to reap the benefits of their inclusion, future policies should focus on optimizing the management and valuation systems for data assets, enhancing the market-driven application of these assets, and ensuring deeper integration of relevant accounting standards and regulations. These measures would help unlock the value of data assets, activate corporate data resources, and provide robust support for profit growth.

Key words

data asset / data asset recognition / difference-in-differences(DID) / accounting treatment / data finance

引用本文

薛扬荣, 周康林, 徐照宜, 高嘉尉, 许云龙, 胡展畅. 数据资产入表能否成为企业加速器?——基于DID模型看数据资产入表对上市公司利润的效应测算. 科技和产业, 2025 , 25 (12) : 212 -220 .

Yangrong XUE, Kanglin ZHOU, Zhaoyi XU, Jiawei GAO, Yunlong XU, Zhanchang HU. Can Data Asset Recognition Be a Catalyst for Enterprises?: Estimating the Impact of Data Asset Recognition on Listed Companies’ Profits Based on the DID Model[J]. Science Technology and Industry, 2025 , 25 (12) : 212 -220 .

正文

收起

近年来,党和国家对数字经济的发展给予高度重视。2021年《中华人民共和国国民经济和社会发展第十四个五年规划》提出要充分释放数据要素价值,激活数据要素潜能,体现出对数据要素潜能的高度理解与重视;2022年国务院《关于构建数据基础制度更好发挥数据要素作用的意见》进一步明确数据要素盘活的需要;2023年8月,财政部发布《企业数据资源相关会计处理暂行规定》,明确提出了数据资源的会计处理方法,为企业开展数据资产入表打下政策基础,该规定自2024年1月1日起正式实施。2024年,18家进行数据资产入表的上市公司在其2024年第一季度财报中披露了数据资产入表有关数据。基于上述背景,本文首次采用18家进行数据资产入表的上市企业面板数据,利用双重差分(difference-in-differences,DID)法深入研究数据资产入表对上市公司利润率指标的影响。首先阐述现有的关于数据资产入表的研究以及观点,分析其成果以及不足,并在此基础上提出实证研究方法的理论机制、研究假设,再由此引入主要实证研究方法流程,在双重差分DID法结果的基础上得出结论,并提出相关政策建议。

旨在填补当前关于数据资产会计处理及其对企业财务表现影响研究的空白。数据资产入表具有重要意义,它不仅为企业带来新的利润增长点,还为数据资源的管理提供全新的视角。为了让入表企业更好地享受数据资产带来的红利,未来的政策应更加注重优化数据资产的管理和评估体系。通过建立更科学、更系统的评估标准,企业能够更有效地识别和利用自身的数据资源,从而提升数据资产的实际贡献。完善数据管理体系,增强数据资产的评估和应用能力,不仅可以为企业创造更显著的经济效益,还能够推动数字经济的持续发展。

1 文献综述

收起

随着数据经济的发展,数据作为一种新兴的经济资源,逐渐被认可为企业的重要资源。结合“数据”与“资源”的概念,数据资源可以被定义为,数据资源是可以被机器读取的、所有可能产生价值的数据集合。“数据资产”的概念最早由Peters^[1]提出。后来随着信息技术和互联网的发展,其含义早已发生巨大变化。Fisher^[2]从大数据背景下数据的资产属性出发,明确指出“数据是一种资产,企业要把数据作为企业资产来对待”。

中国信息通信研究院在《数据资产化:数据资产确认与会计计量研究报告》中提出数据资产确认的三个原则:可变现、可控制、可量化,将数据资产定义为“由组织合法拥有或控制的数据资源,能够带来经济和社会效益”。^[3]目前,对数据资产较为权威的概念界定来自财政部2023年8月印发的《企业数据资源相关会计处理暂行规定(征求意见稿)》,其中对数据资产的确认做出了较为清晰的界定,即企业合法拥有或控制的、预期会给企业带来经济利益的数据资源,根据企业会计准则的有关规定,可以确认为无形资产或存货等资产^[4]。

北京大学光华管理学院的翁翕指出,流通交易是数据资源向数据资产转变并充分释放其价值的必经之路^[5]。数据资产入表以数据场内交易价格计入财务报表,大大推动了数据交易的流通。基于这一背景,许多学者推测数据资产入表可能提升企业收益。维克托和舍恩^[6]认为,数据资产最终将作为一种新型资产类别进入资产负债表。早些年,Ritter和Wells^[7]提出,如果将数据资产归类为无形资产,公司对数据信息的有效披露,可以降低企业在资本市场上的信息不对称性,从而提高股票定价效率。数据资产不仅是企业的一项重要资产,其信息披露也对市场交易具有积极作用。

2023年,财政部印发的《企业数据资源相关会计处理暂行规定》,明确企业在数据资源相关会计处理及信息披露方面的要求,这标志着数据资源入库在中国正式进入实际操作阶段。该规定界定了无形资产或库存等资产类别的数据资源,并对入表企业需遵守的相关要求做出明确说明。政策发布后,学者们对数据资产入表对企业发展的影响展开初步研究。例如,赵治纲^[8]发现,数据资产入表能够显著改善数据资源型和数据驱动型企业的财务报表,并全面提升企业估值。此外,数据资产入表加速了企业数据资产的金融化进程,激发了企业在数据加工、研发和购买方面的意愿与需求。

王洁璇和宫子惠^[9]通过Fama-French三因子模型计算累计超额收益率,并进行回归分析,发现政策实施后,数字化程度较高的A股上市企业的股价呈现正向的累计超额收益率,这表明市场对数据资产入表政策持积极态度。同时,信息环境较为不透明的企业在政策发布后股价收益变动更为显著,表明数据资产入表政策在缓解企业信息不对称方面具有积极效果。因此,数据资产的入表和披露能够迅速对市场产生影响。

然而,在政策实施初期,企业在数据资源资产化过程中仍面临许多细节上的问题。例如,数据资产入表的具体细则尚不明确,这可能给企业带来一定风险。刘峰和袁红^[10]指出,数据的非实物特性、多样性、零成本可复制性、可加工性及价值易变性等特点,使其与传统有形资产截然不同,因而数据资产入表存在诸多风险与挑战。秦荣生^[11]提出,企业在资产负债表中可以单设“数据资产”明细科目,列于“非流动资产”项目下,并在每个会计期末的报表附注中披露数据资产的种类、金额、确认条件和计量基础等内容。郏梦娜^[12]进一步指出,国有企业在数据资产入表过程中可能面临会计政策变更风险、数据权益保障风险、价值评估不准确风险、市场波动风险以及数据泄露与安全风险。因此,目前尚未形成统一的会计处理体系,数据资产化问题在确认、计量和披露等方面仍有广阔的研究空间。

综上所述,数据资产入表已成为市场发展的不可逆趋势,但如何具体落实到不同行业和不同主体仍需进一步完善细节。当前股市的波动究竟是由于政策实施初期市场对信息披露不足企业的响应、企业不当入表操作的反馈,还是数据资产入表切实提高了企业效益,尚待深入研究。本文主要探讨数据资产入表是否对企业的市值等经营数据产生实际的正向影响,并进一步推动数据经济政策在实际应用中的优化和深化。

2 理论机制

收起

数据资产入表的本质是企业或组织将各类数据资源规范化、结构化,并存储到数据库或数据平台中的一整套流程,其目的是确保数据质量、优化存储结构,并为后续的分析和决策提供可靠的数据基础^[13]。该机制包括数据采集与整合、数据清洗与标准化、数据建模与映射、数据存储与入库、数据安全与权限管理以及数据维护与质量监控等多个环节^[14]。通过这一流程,企业能够将不同来源的数据统一到一个规范化的平台,提升数据的使用价值^[15]。

数据资产的入表始于数据采集,即从各种内部系统、外部数据源或第三方服务中获取数据^[16]。这些数据可能来源于不同渠道,格式各异,因此必须进行整合。数据整合是指将来源不同的数据集中到一个统一平台中,并保证数据的格式统一、结构标准化^[17]。之后,对数据进行适当清洗,以确保数据的准确性和一致性。企业需要对数据资产进行识别和分类。通过分析业务需求,确定哪些数据属于核心资产,并根据敏感性、使用频率等因素对其分级。一个干净、标准的数据资产需要通过元数据管理和数据目录系统进行注册。这包括记录数据的来源、责任人、更新频率、用途等关键信息,同时建立数据目录以便快速检索和查询。在注册的基础上,企业还需对数据资产进行评估,确保其对业务的战略重要性。数据质量检测和数据价值评估可帮助企业判定哪些数据对业务发展至关重要,从而为数据决策提供依据^[18]。

在完成数据资产入表后,数据安全与权限管理和数据维护与质量监控是两个至关重要的环节,确保数据的长期有效性、合规性和安全性^[19]。数据安全与权限管理的主要目的是保护数据免受未经授权的访问、篡改、泄露或丢失。在实际操作中,权限管理通常是通过设定不同的用户角色和权限来实现的。企业可以精细地控制每个用户或用户组能访问哪些数据,能执行哪些操作,从而降低数据滥用或泄露的风险。此外,数据加密是数据安全的核心技术之一。企业可以采用加密算法对数据进行存储或传输加密,确保数据在传输过程中不会被窃取或篡改。数据维护与质量监控确保数据在整个生命周期中始终保持高质量、准确性和有效性。随着时间的推移,数据可能会因为业务变化、技术更新或外部环境变化而过时或失效。通过建立数据更新机制,企业定期从外部来源或内部系统中获取最新数据,并通过自动化脚本或定时任务更新数据库中的数据。这些更新不仅包括数据内容的变化,还可能涉及数据结构的变化,如增加新的字段或调整数据表之间的关系。在持续更新数据时,数据的合规性是一项不可松懈的部分,确保数据处理符合相关法规,避免法律风险。通过这些措施,企业能确保数据安全、质量和合规性,为后续的分析和决策提供可靠支持。

数据资产的入表作为一种关键的企业行为,有助于提升信息透明度,降低企业运营成本,激发企业的创新潜能^[20]。这不仅从内部优化了企业运营方案,还能够向市场传递积极的企业信息^[21],最终可能对企业的利润率产生积极影响。

作为一种全新的生产要素,数据能够为企业创造差异化产品和独特竞争力提供新的机会。企业能够利用数据资产进行创新,开发出具有市场差异性的数据产品或服务,从而提升其市场竞争力和长期成长潜力。

不可忽视的是,数据资产入表增加了企业财务信息的透明度,有助于减少信息不对称,提升企业对自身价值认知,同时使投资者和市场参与者能够更准确地评估企业的实际价值与风险,由此可能降低有关交易成本。通过将数据资产纳入财务报表,企业能够更好地掌握其数据资源的现状和潜力^[22],这种企业洞察力的提升有助于优化决策流程,提高企业的运营效率和营运水准。

然而,数据资产入表对企业利润率虽具有不可忽视的正向影响,但这种影响很可能较为有限。作为一种新的政策措施,企业在数据资产入表政策刚刚出台时通常会持观望态度,在政策执行初期,企业可能尚未完全理解或适应这些新规定^[23],因此在初期阶段无法充分利用数据资产的潜力来优化运营和提高利润率。值得关注的是,目前还存在许多企业在面临经营困境时,将数据资产入表视作改善经营状况最后手段的情况。在这些情况下,企业可能更多地依赖数据资产入表来弥补其运营中的不足,而非主动利用数据资产带来的潜在价值^[24]。

因此,尽管数据资产入表可以增加信息透明度并提供改进机会,但由于企业的经营问题较为严重,入表的短期效果可能不显著。将数据资产入表不仅需要进行系统的会计和财务调整,还可能涉及较高的实施和转化成本^[25]。这些成本在初期可能会对企业的财务状况产生压力,从而抵消数据资产带来的潜在利润提升。此外,企业需要时间来从数据资产中提取有价值的洞察,并将其应用于实际决策中,这一过程可能会延缓利润率的提升^[26]。

基于上述理论机制分析,提出以下研究假设。

H1:数据资产的入表能够在一定程度上提升上市公司在入表后阶段的利润率,但由于入表实践的经验限制等因素,提升的水平有限。

本文深入研究数据资产入表对上市企业利润率的内在机制,旨在为后续的实证研究提供理论基础,助力更加准确地评估数据资产入表对上市公司利润率的实际影响。数据资产入表有望对企业入表后利润率产生正向影响,但由于入表现存潜在问题较多,设定理论机制如图1所示。

3 实证研究

收起

3.1 数据、变量与描述性统计

本文利用2024年1月31日至2024年5月31日18家数据资产入表上市企业的面板数据,视数据资产入表为一个准自然(核实)的实验项目,并运用双重差分方DID法研究其对进行数据资产入表的上市企业利润率可能产生的影响。双重差分方DID法是一种强有力的统计分析工具,适用于评估政策或事件对特定结果的影响。在研究数据资产入表对企业股价的影响时,DID法通过比较政策实施前后实验组(即实施数据资产入表的企业)与对照组(未实施的企业)的股价变化,有效地控制时间和个体的不可观察特征,从而减少潜在混杂因素的干扰。这种方法不仅能够揭示因果关系,还具有灵活性,适用于多种情境,如不同政策的实施或市场变化。此外,DID法对数据的要求相对较低,使其在实际研究中更易于操作,从而为研究者提供了清晰、可靠的证据,帮助深入理解数据资产入表如何影响企业的市场表现。DID法在社会科学研究中广泛应用,其优势使其成为评估政策效果的重要工具。综上,本文采用DID模型探究数据资产入表政策对企业财务影响。

根据上市企业披露的2024年第一季度财务数据,截至5月31日,在A股市场上超过5 000家上市企业中,仅有25家披露了数据资源入表的相关事项。这其中,18家企业在第一季度财报中明确披露了数据资源,而余下的7家企业因填报错误等原因,后续对第一季报进行了更正,剔除了与数据资源相关的数据。为深入研究数据资产入表对企业财务表现的影响,选取这18家处理组企业作为研究对象,定义为数据资源披露的企业。在研究设计上,还选取了与每一家处理组企业相同行业的1家未入表的A股上市企业,共计18家作为控制组。通过比较处理组与控制组企业的财务指标,特别是利润率,旨在探讨数据资产入表可能带来的潜在影响。研究不仅关注财务数据的直接变化,还希望揭示数据资源在提升企业运营效率、决策支持和市场竞争力方面的作用。为了确保研究的广泛适用性,将研究时间限定在2024年第一季度财报披露(即3月31日)前后2个月的关键时刻。这一时间框架能够准确捕捉政策实施的即时效果,并为后续分析提供可靠的基础。通过对比分析,将为理解数据资产入表的经济意义及其对企业利润率的具体影响提供实证依据,进一步丰富相关领域的理论和实践研究。

为了保证研究数据的准确性和可靠性,收集并通过缺失值填补及归一化等方法处理了2024年1月31日至5月31日中国18个进行数据资产入表上市企业的面板数据,这些数据来自Wind数据库、Tushare(ts)数据库等。在数据处理方面,采用缺失值填补和归一化等技术,以提高数据质量和一致性。在获取企业日利润率时,由于数据获取的限制,通过Tushare数据库的日内数据收集上市企业股票的每日涨跌幅,并选取成交量(股)、成交金额(元)、均价(元)、换手率(%)和市盈率作为控制变量。这些控制变量能够有效地反映市场动态和企业表现,增强分析的准确性。为了深入分析数据资产入表对企业财务表现的影响,尝试构建自回归积分滑动平均(ARIMA)模型,并进行了网格搜索以优化随机森林模型。经过比较和验证,最终选择随机森林模型进行高频模拟企业的日利润率数据,以弥补由于无法直接获取企业日利润率而造成的数据空缺。该方法不仅提高了数据的预测精度,还为后续的实证分析提供更加丰富和可靠的基础,使得研究结果更具说服力和参考价值。通过这一系列的数据处理和分析方法,力求为理解数据资产入表对企业财务绩效的影响提供坚实的实证支持。

这些上市企业实时数据资产入表的时间不同,但都集中于2024年1月1日(《企业数据资源相关会计处理暂行规定》开始实施日期)至2024年3月31日(上市企业2024年第一季度财务报表记录日期)这段时期。在上述分组的基础上,将2024年4月2日作为事件实施起始日,构建DID模型。

(1)Y_it=β₀+β₁Post_t+β₂Treat_t+β₃(Treat_it×Post_it)+β₄Controls_it+ε_it

式中:β₁为政策实施后对所有对象的平均影响;β₂为处理组在政策实施前的基础水平;β₃为关键系数,表示政策对处理组的实际影响,即政策实施后处理组相较于对照组的额外变化;β₄为控制变量的影响,帮助提高模型的准确性;Y_it为因变量,表示观测单位i在时间t的利润率(y);Post_t为一个时间虚拟变量(time),表示时间t是否在数据资产入表之后,如果在数据资产入表之后,赋值为1,否则为0;Treat_t为一个处理虚拟变量(policy),表示第i个单位是否属于处理组,如果为处理组,赋值为1,否则为0;Treat_it×Post_it为处理组和时间的交互项,可以评估政策实施对处理组和对照组之间的差异效应,以更加准确地衡量数据资产入表的影响;Controls_it为控制变量,用于控制其他可能影响因变量的因素。由于企业经营成果必然会受到企业所在经济大环境、行业发展环境及自身经营状况影响,故添加控制变量2024年第一季度GDP(亿元)(gdp1)、2024年第二季度GDP(亿元)(gdp2)、企业GDP是否显著变化(gdpgrowth)表示企业所处经济环境发展状况;添加企业所在行业近一年IPO上市数量(ipo)以反映行业是否具有较为向好的发展前景;以企业资产负债率(rate)反映企业业绩是否承压,侧面反映企业自身选择数据资产入表的动因。ε_it为误差项,表示模型未能解释的随机误差。如表1所示。

模型参数含义如表2。

变量的描述性统计如表3所示。

3.2 回归说明

利润率作为企业盈利能力和运营效率的核心指标,能够准确反映政策实施后企业财务状况的变化^[27]。DID模型的回归结果显示,控制每日行业股价后,交互项系数显著,表明利润率能够敏感捕捉政策效应。此外,利润率数据通常由企业定期披露,质量较高,更能反映政策实施期间的真实经营状况。因此,选择利润率作为因变量,既能提高模型的解释力,也与研究目标高度契合。

在实际回归过程中,在保证符合平行趋势检验条件以及理论框架的前提下,曾更换多次回归变量以检验模型设置的准确性,先后将每日股票收盘价与每日利润率作为因变量,并逐步添加是否属于信息传输、软件和信息技术服务业虚拟变量(industry)、企业当日股票价格(price)、行业股价(industry_value)等控制变量进行回归;为确保时间范围的合理性,先后尝试将时间范围扩展至2024年1月1日至2024年7月1日,将时间范围缩短至2024年3月1日至5月31日,多次回归结果均不显著,可见数据资产入表对于入表企业的有关影响基本无法通过DID回归显著反映。尽管股价能反映市场短期反应,但其高噪声性和外部干扰使得股价作为因变量的回归结果不显著。相较之下,利润率能更有效地反映企业财务状况对政策的反应,尤其是在加入控制变量后表现出较高的显著性。因此,基于DID模型的回归结果和利润率作为因变量的特性,认为利润率是更合适的选择,能更准确地捕捉政策实施对企业财务表现的影响。

3.3 局限性说明

在分析模型的结果时发现,每种模型的结果均体现了数据资产入表政策对企业财务表现影响的局限性。尤其是在股票价格作为因变量时,无控制变量的回归结果完全不显著,单独选取特定时间段(如4月)的股票价格分析才能得到部分显著结果。这表明,政策效应的体现受时间范围和数据质量的双重限制,特别是在短期内,市场的其他因素可能会掩盖政策的实际影响。

虽然利润率作为因变量在一定程度上有效地反映了政策实施后的变化,但其短期效应也存在一定的局限性。从DID模型结果来看,尽管交互项在加入控制变量后显著,但其系数较低,表明数据资产入表政策对利润率的短期提升作用有限。这一现象可能与政策实施时间较短有关,企业尚未完全适应新政策的影响。此外,政策可能通过提高信息透明度、优化资源配置等中间渠道间接影响利润率,而这些渠道的作用需要更长时间才能显现,从而导致短期内回归结果的影响较为有限。

4 实证研究结果

收起

在进行了100次安慰剂检验后,发现交互项的系数在所有迭代中均未达到统计显著性水平(显著性比例为0)。这一结果表明,在缺乏真实政策效应的前提下,观察到的显著结果几乎是不可能发生的,从而为原始的双重差分(DID)回归结果的稳健性提供一定的支持。通过这些检验,可以更有信心地认为,所观察到的结果并非偶然,而是反映了真实的政策影响。

进一步分析的数据(表4),经过多次合理调整后,数据资产入表的回归系数为0.021,t=-0.100,回归结果并不显著;且回归模型的R²=0.010。这一低值表明,模型的解释力相对较弱,未能有效地解释数据资产入表对企业利润率的影响。整体来看,该模型显示数据资产入表对企业利润率几乎没有显著的正向作用。

总体而言,该模型反映数据资产入表对企业利润率几乎没有显著正向作用。可见,尽管经过多重分析可推测数据资产入表对企业利润率的潜在正向影响,但受企业的经验缺乏与入表的高成本等问题冲击,数据资产入表在较短期内未能给企业利润率带来显著提升。尽管数据要素正成为重要的经济资产,但企业选择入表举措仍需谨慎,关注长期效益有望成为一大动因。

5 结论

收起

通过实证研究,本文深入探讨了数据资产入表对上市公司利润率的影响,并总结出若干关键结论。这一研究的核心发现是,虽然数据资产入表在理论上被视为提升企业价值、改善财务透明度和增强竞争优势的重要手段,但在实际操作中,其对上市公司利润率的短期影响却并不显著。这一结论引发对数据资产入表过程及其实际效果的进一步思考。

首先,数据资产入表所需的高额成本是制约其短期效益的主要因素之一。企业在将数据资产纳入财务报表时,往往需要投入大量的人力、物力和财力,如对数据的评估、归类、存储及相关技术的投资等。高昂的初始成本可能使得许多企业在短期内难以收回投资,进而影响利润率的提升。此外,企业在数据资产管理上的经验不足,导致在数据资产的评估与管理过程中出现了不少失误,这也进一步抑制了数据资产入表的短期收益。

其次,认定数据资产的过程是复杂且主观的。尽管相关的会计准则为数据资产的入表提供了框架,但在实践中,不同企业对数据资产的定义和认定标准存在差异。这种主观性和复杂性使得企业在实际操作中面临诸多挑战,往往需要耗费大量时间和精力来进行相应的准备和调整。在此过程中,企业可能因缺乏明确的标准和指导而导致数据资产的低效管理,进而影响财务报表的真实反映。

同时,数据资产的管理能力不足是影响其入表效果的另一关键因素。许多企业在数据资产管理方面尚处于起步阶段,缺乏系统的管理框架和专业的技术支持。这种经验不足导致企业在入表后的数据利用效率较低,难以从中提取有价值的信息和洞察。数据资产的潜在价值未能得到充分挖掘,直接导致利润率的提升受到限制。

在分析上述因素后可以看出,数据资产入表对企业利润率的影响不仅取决于企业对数据资产的认知和管理能力,还与外部环境、行业特性等多种因素密切相关。在许多情况下,数据资产的价值在短期内可能并未得到充分体现,反而需要较长的时间来积累和释放其潜在的经济效益。

因此,尽管数据资产入表的理论框架为企业提供一个全新的视角,以实现价值创造与提升,但在实际操作中应保持谨慎。企业在推动数据资产入表时,应充分考虑自身的管理能力和市场环境,制定切实可行的实施方案,以降低入表过程中的风险与成本。同时,企业还需不断提升数据管理水平,完善内部控制机制,以确保数据资产能够在后续的经营中发挥其应有的作用。

基于以上研究结果,建议企业在进行数据资产入表时,可以采取分阶段的实施策略。初期可聚焦于少量高价值数据资产的认定与入表,随着管理能力和经验的提升,再逐步扩展到更多类型的数据资产。通过这样的渐进式策略,企业可以有效降低入表带来的成本与风险,并在更长的时间周期内实现利润率的持续提升。此外,政策制定者和行业监管机构也应为企业提供更加明确的指导与支持,以促进数据资产的有效管理与合理入表,推动整个行业的健康发展。

综上所述,数据资产入表作为一种新兴的会计实践,虽然在短期内未能显著提升上市公司的利润率,但其潜在价值不容忽视。随着企业对数据管理的不断深化和完善,有理由相信,数据资产在未来的会计实践中将发挥越来越重要的作用。

另外,短期内的表现可以被视作一种预警,提示数据资产入表的效果可能需要时间来显现。随着企业其数据资产管理能力的逐渐成熟,数据资产入表的潜力有望在未来得到更大程度的释放。事实上,企业的利润率与其数据资产的有效管理之间可能存在潜在的正向关联,这一点在本文的研究中得到初步验证。这一结论为企业在当前数据经济时代的理性决策提供实证支持,说明企业在面对数据资产入表的决策时,必须意识到这一过程并非一蹴而就,而是需要长期的投入和持续的努力。尤其是对于尚未进行数据资产入表的企业而言,这一研究结果提醒他们应该更加关注入表可能带来的长期效益。在做出是否进行数据资产入表的决策时,企业需要充分考虑自身的实际情况、资源配置及未来的发展目标,确保做出理性且科学的判断。

从战略角度来看,数据资产的入表不仅仅是财务报表的变更,更是一种企业管理理念的转变。企业在逐步过渡到数据驱动的决策模型时,可能会经历多个阶段的挑战和机遇。因此,企业需要制定相应的策略,以应对可能出现的管理和技术障碍。长期而言,数据资产的入表可能会为企业带来更高的经济回报和竞争优势,但前提是企业需要有计划地推动这一过程,确保在技术、人员和管理上都做好充分准备。

最后,本文旨在为企业在数据资产入表的决策提供系统性的参考。虽然短期内未能显著提升利润率,但这并不意味着数据资产入表的潜力被完全否定。相反,企业应该将这一过程视为一项长期投资,认识到成功的关键在于不断提升数据管理能力、整合资源并适应市场变化。通过这样的努力,企业能够在未来实现更大的经济效益,进而在竞争日益激烈的市场环境中立于不败之地。

6 建议

收起

(1)更加重视长远利益:倡导企业以长远的眼光来看待将数据资产纳入财务报表的价值,而不仅仅局限于短期的利润波动。数据资产是企业未来发展的重要驱动力,通过制定并实施相关政策,政府可以激励企业加大在数据收集、处理、分析和应用等方面的投入,引导企业更加重视数据资产的长期积累与有效运用,进而增强企业的整体竞争力,为企业的可持续发展奠定坚实基础。

(2)结合企业实际情况:企业在决定是否将数据资产纳入财务报表时,综合考虑自身的发展阶段、所属行业的特性以及现有的数据资产管理水平等多个因素。不同企业在数据资产管理方面存在着显著的差异,因此,企业应保持谨慎态度,进行深入研究,避免盲目追随潮流。同时,根据自身的战略目标和业务需求,制定合适的数据资产管理策略,确保数据资产入表能够真正服务于企业的长远发展,为企业创造更多的价值。

(3)理性分析数据资产的价值:建立数据资产入表的交流平台,帮助未入表企业更快掌握数据资产入表的技巧和方法,助力入表全局发现入表进程的潜在不足,并能够结合实际需要为入表全流程提质增效。同时,引导企业建立科学的数据资产评估体系,完善数据资产整合与认定框架,准确衡量数据资产的价值,帮助企业更清晰地了解数据资产对企业各指标的影响程度,从而做出理性决策。

(4)建立数据资产标准化框架:推动制定统一的数据资产评估和管理标准,以提升企业对数据资产的认知和管理水平。通过标准化,企业能够更方便地进行数据资产的分类、评估与报告,从而减少因数据质量和管理不当而造成的损失。同时,标准化框架还可以帮助不同企业之间进行数据的共享和合作,促进数据资产的流动性和利用效率。

(5)鼓励跨行业合作与知识共享:倡导行业协会和专业机构搭建跨行业的合作平台,促进企业间的数据资产管理经验和最佳实践的分享。这种合作能够帮助不同领域的企业借鉴彼此的成功经验,尤其是在数据资产的评估、管理及应用方面,降低企业在数据资产入表过程中的探索成本,提高整个行业的数据资产利用率。

(6)强化数据安全与隐私保护:在推动数据资产入表的同时,制定相关政策,确保数据安全和用户隐私得到有效保护。企业在进行数据资产管理时,必须遵循严格的安全标准,避免因数据泄露或滥用而导致的法律和声誉风险。通过加强数据保护措施,企业可以增强利益相关者的信任,从而更积极地推进数据资产的透明化和入表工作。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

PETERSON

R E

. A cross section study of the demand for money: The United States, 1960-1962[J]. The Journal of Finance, 1974, 29(1): 73-88.

[2]

FISHER

. The data asset: how smart companies govern their data for business success[M]. Hoboken: John Wiley & Sons, Inc., 2009.

[3]

中国信息通信研究院政策与经济研究所. 数据资产化: 数据资产确认与会计计量研究报告[R]. 北京: 中国信通院, 2020.

[4]

岳倩蓉. 数据资产的相关会计问题研究[J]. 商业观察, 2023, 9(26): 62-64.

[5]

李婕. 做强做优做大数字经济[N]. 人民日报海外版, 2022-12-21( 003).

[6]

舍恩伯格, 维克托·迈尔. 大数据时代:生活、工作与思维的大变革[M]. 周涛, 译. 杭州: 浙江人民出版社, 2012.

[7]

RITTER

, WELLS

. Identifiable intangible asset disclosures, stock prices and future earnings[J]. Accounting and Finance, 2006, 46(5): 843-863.

[8]

赵治纲. 数据资产入表的战略意义、问题与建议[J]. 会计之友, 2024(3): 2-6.

[9]

王洁璇, 宫子惠. 数据资产入表政策、企业信息环境透明度与数字化企业股价[J]. 统计与决策, 2024, 40(18): 155-160.

[10]

刘峰, 袁红, 苏雅拉巴特尔, 等. 再论财务报告的目标——兼评《企业数据资源相关会计处理暂行规定》[J]. 会计研究, 2023(4): 3-15.

[11]

秦荣生. 企业数据资产的确认、计量与报告研究[J]. 会计与经济研究, 2020, 34(6): 3-10.

[12]

郏梦娜. 国有企业数据资源资产化入表风险与防范研究[J]. 现代商业, 2024(19): 164-167.

[13]

王伟, 汪祥耀. 新质生产力导向下数据资源入表热点问题探讨[J]. 会计之友, 2024(9): 48-56.

[14]

杨东, 高一乘. 赋能新质生产力发展: 企业数据资产“确权”的三重维度[J]. 商业经济与管理, 2024(4): 83-93.

[15]

陈刚, 颜斌斌, 汤珂. 数据的要素化与资产化: 理论辨析与实践探索[J]. 国际经济评论, 2024(5): 153-176.

[16]

王爱国. 数据资源入表的三大基本理论问题[J]. 财会月刊, 2024, 45(17): 26-30.

[17]

刘玉. 浅论大数据资产的确认与计量[J]. 商业会计, 2014(18): 3-4.

[18]

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[J]. 财贸经济, 2024, 45(8): 33-51.

[19]

李强. 数据资产入表的发展趋势[J]. 中国金融, 2024(14): 22-24.

[20]

吴其珅. 数据资产化助力实体经济发展[J]. 中国金融, 2024(14): 31-32.

[21]

徐攀, 李杰义. 企业数据资产入表路径: 框架与实践[J]. 财会月刊, 2024, 45(7): 58-62.

[22]

朱扬勇, 叶雅珍. 从数据的属性看数据资产[J]. 大数据, 2018, 4(6): 65-76.

[23]

黄悦昕, 罗党论. 数据资产入表: 现状、挑战与对策[J]. 财会月刊, 2024, 45(16): 55-60.

[24]

谭红旭, 张嘉欣. 对数据资产入表问题的思考[J]. 财会月刊, 2024, 45(11): 68-73.

[25]

谭明军. 论数据资产的概念发展与理论框架[J]. 财会月刊, 2021(10): 87-93.

[26]

刘晓晗. 中国企业数据资源入表的实践探索、发展趋势与路径建构[J]. 城市观察, 2024(4): 4-18.

[27]

肖昂, 邬瑜骏. 数据资产与企业全要素生产率[J]. 金融与经济, 2024(8): 37-47.

2025年第25卷第12期

PDF下载

367

180

引用本文

BibTeX

文章信息

接收时间：2024-11-25
首发时间：2025-12-17
出版时间：2025-06-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-11-25

基金

作者信息

¹ 浙江清华长三角研究院, 浙江嘉兴 314006

² 清华大学经济学研究所, 北京 100084

³ 清华大学经济与管理学院, 北京 100084

⁴ 南开大学金融学院, 天津 300353

⁵ 长三角未来产业研究院, 上海 200438

⁶ 山东大学商学院, 山东威海 264200

通讯作者:

徐照宜(1995—),男,湖南永州人,博士,助理研究员,研究方向为数字经济和科技金融

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/kjhcy/CN/1208052410816238315

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

变量名称	变量含义	计算方法
y	企业日利润率	以企业股价日涨跌幅高频模拟
time	时间位于数据资产入表前	虚拟变量(0,1)
policy	已进行数据资产入表	虚拟变量(0,1)
gdp1	所在城市第一季度经济水平	对所在城市2024年第一季度GDP归一化
gdp2	所在城市第一季度经济水平	对所在城市2024年第二季度GDP归一化
gdp growth	所在城市是否出现显著经济发展	虚拟变量(0,1)
ipo	企业所在行业近一年IPO上市数量	对近一年企业IPO上市数量归一化
rate	企业经营状况	2023年末企业资产负债率

变量名称

变量含义

计算方法

企业日利润率

以企业股价日涨跌幅高频模拟

time

时间位于数据资产入表前

虚拟变量(0,1)

policy

已进行数据资产入表

虚拟变量(0,1)

gdp1

所在城市第一季度经济水平

对所在城市2024年第一季度GDP归一化

gdp2

所在城市第一季度经济水平

对所在城市2024年第二季度GDP归一化

gdp growth

所在城市是否出现显著经济发展

虚拟变量(0,1)

ipo

企业所在行业近一年IPO上市数量

对近一年企业IPO上市数量归一化

rate

企业经营状况

2023年末企业资产负债率

变量	数据资产入表前(dt=0)	数据资产入表后(dt=1)	差分
入表企业 (处理组,du=1)	β₀+β₂	β₀+β₁+β₂+β₃	ΔY₁=β₂+β₃
未入表企业 (控制组,du=0)	β₀	β₀+β₁	ΔY₀=β₂
DID			ΔY=β₃

变量

数据资产入
表前(dt=0)

数据资产入
表后(dt=1)

差分

入表企业
(处理组,du=1)

β₀+β₂

β₀+β₁+β₂+β₃

ΔY₁=β₂+β₃

未入表企业
(控制组,du=0)

β₀

β₀+β₁

ΔY₀=β₂

DID

ΔY=β₃

变量名称	最大值	最小值	均值	标准差
y	5.136 6	-4.776 9	0.030 6	1.671 8
time	1.000 0	0.000 0	0.628 6	0.483 3
policy	1.000 0	0.000 0	0.495 4	0.500 1
gdp1	1.001 3	0.000 7	0.751 9	0.290 6
gdp2	0.999 4	-0.000 7	0.762 1	0.287 4
gdpgrowth	1.000 0	0.000 0	0.775 9	0.417 1
ipo	1.000 0	0.000 0	0.267 6	0.385 8
rate	0.762 6	0.051 2	0.406 5	0.176 7

变量名称

最大值

最小值

均值

标准差

5.136 6

-4.776 9

0.030 6

1.671 8

time

1.000 0

0.000 0

0.628 6

0.483 3

policy

1.000 0

0.000 0

0.495 4

0.500 1

gdp1

1.001 3

0.000 7

0.751 9

0.290 6

gdp2

0.999 4

-0.000 7

0.762 1

0.287 4

gdpgrowth

1.000 0

0.000 0

0.775 9

0.417 1

ipo

1.000 0

0.000 0

0.267 6

0.385 8

rate

0.762 6

0.051 2

0.406 5

0.176 7

变量	参数	标准误	t	P>t
did	0.021	0.097	-0.100	0.924
gdp1	-0.169	1.149	-0.147	0.883
gdp2	0.185	1.164	0.159	0.874
gdpgrowth	-0.003	0.095	-0.036	0.971
ipo	0.008	0.105	0.075	0.941
rate	0.003	0.221	0.015	0.988
R²	0.010

变量

参数

标准误

P>t

did

0.021

0.097

-0.100

0.924

gdp1

-0.169

1.149

-0.147

0.883

gdp2

0.185

1.164

0.159

0.874

gdpgrowth

-0.003

0.095

-0.036

0.971

ipo

0.008

0.105

0.075

0.941

rate

0.003

0.221

0.015

0.988

R²

0.010