上市公司数据资产入表现状与市场反应

【摘要】基于《企业数据资源相关会计处理暂行规定》政策背景， 利用事件研究法和倾向得分匹配法对我国A股上市公司2024年中报的数据资产入表状况和市场反应进行研究。结果发现， 中报有55家上市公司共披露了约41.93亿元的数据资产， 其中41家在表内披露、 14家在附注披露。将数据资产归类于“无形资产”项目的企业数量最多， 归类于“开发支出”项目的企业数量次之， 归类于“存货”项目的企业数量最少。与一季报相比， 中报数据资产入表企业的数量有所增加， 披露总金额大幅增长， 披露的关键词显著增多。在市场反应方面， 相比政策发布日， 一季报和中报带来的市场反应相对积极， 尤其中报的正向市场反应更为显著且持久。相比入表企业， 未入表企业因投资者存疑和市场压力而面临负向市场反应。相比仅披露关键词的企业， 披露数据资产金额的企业具有更积极的市场反应。本文试图解释企业数据资产入表的资本市场反应过程， 为更好地完善和落实相关政策提供经验借鉴。

【关键词】数据资产；信息披露；事件研究法；累计超额收益率

【中图分类号】 F230" " "【文献标识码】A" " " 【文章编号】1004-0994（2024）24-0042-9

一、 引言

2022年12月， 中共中央、 国务院发布《关于构建数据基础制度更好发挥数据要素作用的意见》， 提出要探索数据资产①入表新模式。2023年8月21日， 财政部对外发布《企业数据资源相关会计处理暂行规定》（财会〔2023〕11号）（简称《暂行规定》）， 该规定于2024年1月1日起正式实施， 其中明确了数据资产入表的会计准则和列示要求。2023年9月， 中国资产评估协会制定《数据资产评估指导意见》， 着重对数据资产价值评估机制进行规范， 进一步为数据资产入表、 交易与流通创造条件。至此， 我国完成了数据资产入表会计标准和价值评估规范的制定， 意味着企业的数据资产将以报表项目和货币化形式纳入财务报告管理。数据资产入表对企业、 市场和国家均具有重要意义。对企业而言， 数据资产入表能更真实全面地反映企业资产状况， 推动数据从成本中心向价值中心转变， 提升数据竞争优势（谢康等，2020）， 为数据资产的交易、 质押和投资提供依据。对市场而言， 数据资产入表将数据价值显性化， 这会提高市场对数据资产的认可度和数据资源的流通性， 激发数据市场活力， 加速资源合理配置（孙静和王建冬，2024）。对国家而言， 数据资产入表能保障数据使用的合规性和安全性， 促进数字经济与实体经济深度融合（洪银兴和任保平，2023）， 助力经济结构调整和产业升级， 推动数字经济高质量发展。

然而， 尽管国家为数据资产入表提供了一系列政策支持， 但在实践层面仍面临诸多挑战。2024年第一季度财务报告（简称“一季报”）的披露揭开了数据资产入表序幕。截至2024年5月14日， A股上市公司中仅有23家在资产负债表的“数据资源”项目中披露了具体金额（张俊瑞和赵维娜，2024）， 后续有6家更正取消了披露金额②。尽管一季报披露阶段部分企业积极响应数据资产入表政策， 但多数企业仍处于观望状态。中期财务报告（简称“中报”）将为观察这一政策的推进效果提供进一步的证据。相比一季报， 中报在“管理层讨论与分析”和“报表附注”部分增加了对数据资产信息的披露， 使得所披露的信息更全面详实， 同时作为年度财务报告之前的重要披露， 中报能够释放及时性信息并提供更大的决策参考价值（Green，1964）。因此， 通过对中报的追踪分析， 能够更深入地观察企业数据资产入表进展， 评估企业在此过程中面临的实际挑战， 从而进一步为政策的调整提供依据。

当前， 关于数据资产对企业和资本市场影响的研究较为有限。现有研究表明， 数据资产可通过提高市场透明度（危雁麟等，2022）、 降低权益资本成本（牛彪和于翔，2024）以及缓解中小企业融资约束（何瑛等，2024）等途径， 提升企业决策和盈利能力（Fernandez等，2020）。目前这些研究主要依赖构建数据资产词典的文本分析方法， 然而， 仅靠文本分析难以准确评估数据资产入表的实际经济效益， 而《暂行规定》要求企业在资产负债表及附注中披露数据资产的具体金额。因此， 本文以2024年A股上市公司中报披露为契机， 分析数据资产入表现状及其市场反应。首先， 手工收集并整理上市公司中报披露的数据资产信息， 分析其入表状况， 并与一季报数据进行对比， 试图分析数据资产入表的变化趋势和战略动机； 其次， 运用事件研究法和倾向得分匹配（PSM）法， 检验《暂行规定》政策发布日和实施日的市场反应变化， 比较数据资产入表企业与未入表企业面临的市场反应差异； 再次， 实证检验企业披露数据资产的文本和金额信息对企业累计超额收益率（CAR）的影响； 最后， 基于研究结论探讨企业数据资产未入表原因及入表面临的主要问题， 并提出相应的政策建议。

二、 数据资产中报入表现状

（一） 数据资产中报入表总体情况

截至2024年8月31日， 我国A股上市公司2024年中报披露完成， 延续了一季报数据资产入表进程。具体样本收集过程见表1。中报共有93.59%的上市公司在资产负债表或附注中列示了“数据资源”项目， 未披露具体金额。55家上市公司披露了该项目的对应金额， 其中41家在资产负债表中披露了金额， 另14家在报表附注中提到了数据资产金额。披露数据资产金额的上市公司（55家）占发布中报上市公司总数的1.03%。除此之外， 在表外披露方面， 还有大量公司在中报“管理层讨论与分析”模块介绍了企业拥有或正在研发的数据资产情况。

在中报发布过程中， 华塑股份、 惠同新材、 晶华新材、 奥飞数据和密尔克卫这5家企业在披露数据资产金额后， 又将其金额更正为零。以密尔克卫为例， 该公司对更正原因的解释是财务人员对《暂行规定》学习不充分， 加上财务报表在“存货”“无形资产”和“开发支出”项目下新增了“数据资源”项目， 财报模板因此有所调整， 导致企业错误地将“存货”或“无形资产”的全部金额归入“数据资源”项目， 造成了数据资产的不当披露。

（二） 从归属的报表项目和金额来看

表1显示了按报表项目汇总的上市公司数据资产披露情况。在55家披露数据资产金额的上市公司中，23家企业将其归类于“无形资产” 项目， 12家归类于“开发支出” 项目， 10家归类于“存货” 项目， 5家同时归类于“无形资产”和“开发支出” 项目， 剩余5家则同时归类于“无形资产”和“存货”项目。通过进一步分析上市公司数据资产披露金额发现， 市值较大的企业倾向于将数据资产计入无形资产或开发支出， 包括A股市值最大的中国移动， 以及其他11家市值超过200亿元的企业， 中报暂时还没有企业同时在三个项目中披露数据资产。目前， 大多数企业将数据资产计入无形资产， 可能的原因是数据资产已具备长期经济价值， 能为企业提供持续的战略优势。将数据资产计入开发支出的企业数量也较多， 反映出这些企业正加大对数据资产的开发投入， 尚未完全形成可资本化的无形资产。相比之下， 将数据资产计入存货的企业通常是将其作为商品出售以满足特定客户的需求并获取收益， 但目前这类企业数量较少。

（三） 从披露企业所属行业和地区来看

从行业分布（见图1）来看， 中报数据资产入表企业涵盖了20个行业③。不仅涉及计算机和通信等数字经济核心行业， 还包括机械设备等传统行业。55家企业中有27家集中分布于计算机、 机械设备、 通信和交通运输这4个行业。其中， 计算机和通信行业的企业数量共计17家， 占比较高， 这是因为计算机和通信行业是典型的数据密集型行业， 相关企业不仅在日常运营、 产品开发和服务提供中高度依赖数据资产， 而且在生产经营过程中还伴随生成大量数据资产。此外， 作为传统行业代表的机械设备行业的企业数量位居第二， 且绝大多数企业将数据资产记入“存货”项目， 这是由于机械设备企业在生产过程中能够产生大量具有潜在商业价值的数据资产， 通过将其计入存货并视为商品进行储存、 管理和销售， 能够实现企业价值增值。

从地区分布来看， 数据资产入表企业主要集中在我国经济发达的华东地区（20家）、 华北地区（16家）和华南地区（10家）。其中， 占比最高的省市分别是： 北京市（16家）、 广东省（9家）、 山东省（7家）、 江苏省（5家）和浙江省（3家）， 这五个省市的入表企业数占入表企业总数的比例高达72.73%。这一分布特点反映了这些地区拥有较高的数字经济发展水平、 领先的数字技术能力及活跃的数据要素市场， 这种区域经济发展优势使其所属企业具有领先的数据资产化意识和实践能力。此外， 西北地区有3家企业进行数据资产入表、 西南地区有2家、 华中地区有2家、 东北地区有2家。

三、 一季报与中报数据资产入表情况对比

自《暂行规定》提出从2024年1月1日起将数据资源作为一项资产计入资产负债表以来， 上市公司已陆续完成一季报和中报的披露工作， 本文通过对比一季报和中报的数据资产信息披露情况（见表2）， 试图分析数据资产入表的变化趋势和战略动机。

（一） 数据资产入表企业数量及披露金额变化

在入表企业数量上， 与一季报相比， 中报披露数据资产金额的企业数量由17家增长至55家。其中， 卓创资讯、 每日互动和拓尔思等15家企业在中报中延续了一季报对数据资产的披露， 其余40家则为首次披露。此外， 有2家企业在一季报中披露数据资产金额但在中报中未继续披露， 分别是平安电工和博敏电子。针对这一情况， 博敏电子解释称， 其依据《暂定规定》在一季报中将企业的数据资产计入无形资产， 但随着政策的实施和企业实际经营情况的变化， 出于谨慎性原则， 中报将一季报确认的“数据资源”项目金额调整至“存货”项目， 故中报无数据资产金额。平安电工对此情况则未做出解释， 但通过财务报告分析发现， 其一季报确认的数据资产是企业2023年已确认为无形资产的软件使用权， 在《暂行规定》发布后， 平安电工直接将软件使用权的账面价值全部转入“数据资源”项目。显然， 这一做法是不恰当的。一方面， 软件使用权并不属于《暂行规定》所定义的数据资源， 数据资源一般是指以电子形式存储的数据集合， 而软件使用权只是用来处理数据的工具； 另一方面， 《暂行规定》强调数据资源的处理应采用未来适用法， 而平安电工直接将已发生的软件使用权价值追溯调整至“数据资源”项目是不恰当且具有较大争议的。故本文推测， 平安电工是基于上述原因而未在中报中延续一季报的披露。

在披露金额上， 与一季报相比， 55家企业在中报中披露数据资产的总金额为41.93亿元， 增长约52倍。其中， 以拓尔思、 航天宏图、 卓创资讯和每日互动为代表的8家上市公司实现了数据资产披露金额的增长。航天宏图中报披露的数据资产金额为3674.2万元， 较一季报增长1956.95万元， 成为增长金额最高的企业； 南钢股份中报披露的数据资产金额为500.4万元， 较一季报增长325.98%， 是增长幅度最大的企业。

总体来看， 上市公司逐渐意识到数据资产不仅是企业运营的核心资产， 而且是未来竞争优势的重要来源。以卓创资讯为例， 其在中报中明确指出， 2024年中报净利润同比增长38.19%主要归因于报告期内收入增加和数据资产入表。因此， 将数据资产纳入资产负债表反映其经济价值， 正成为企业转型升级、 提升财务绩效和经济利润的重要途径。

（二） 数据资产入表企业所属行业差异

在所属行业数量上， 一季报披露数据资产金额的17家上市公司主要分布于计算机、 交通运输和建筑装饰等9个行业。而中报所涉及的行业类别有所增加， 由9个扩充到20个， 其中， 机械设备、 通信和电力设备等为新增行业。并且与一季报相比， 中报的最大亮点在于我国通信行业三大运营商中国移动、 中国联通和中国电信均已完成数据资产入表， 入表金额共计2.6亿元， 其中， 中国电信的数据资产入表金额最高， 为1.05亿元。此外， 在行业占比上， 一季报和中报数据资产金额占比最高的行业均为计算机， 但不同的是， 中报中机械设备、 电力设备、 家用电器和基础化工等传统制造业和工业企业所占比重逐渐提升， 机械设备行业企业所占比重仅次于计算机， 位居第二。由此可见， 数据资产不仅在数字经济领域发挥重要作用， 而且不断向传统行业领域渗透， 并逐渐成为赋能各行各业发展的重要生产要素。

（三） 数据资产入表企业市值差异

在企业市值层面， 中报入表企业的市值具有较大差异， 既有市值规模达万亿元的中国移动， 也有市值规模小于10亿元的上市公司， 总体来看， 入表企业市值规模主要集中于10亿 ～ 100亿元。2024年第一季度完成数据资产入表的17家企业中只有青岛港的市值在500亿元以上， 而中报入表企业中市值超过500亿元的企业增至6家， 市值超过1000亿元的企业增至4家， 其中， 市值最高的企业为中国移动， 总市值达15730亿元。这表明随着我国数据要素市场的不断发展和数据资产重要性的日益提升， 大规模企业对数据资产入表的重视程度不断提高， 大型企业的数据资产入表可能在市场上产生示范效应， 从而引领其他企业更加重视数据资产， 并加快数据资产入表进程。

（四） 数据资产信息披露的变化

根据通用财务报表格式和《暂行规定》对于数据资产的列示和披露要求， 本文依据上市公司在中报中披露数据资产的位置， 将其分为表内披露、 附注披露及表外披露三类。虽然一季报有17家上市公司将数据资产计入资产负债表， 但由于一季报的披露范式相对简单， 故上市公司仅披露了数据资产的具体金额， 并未对数据资产来源和用途等具体信息进行披露。与一季报相比， 中报不仅大幅提高了信息披露的频次， 而且披露的位置也发生了变化， 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数据资产信息， 主要包括确认为存货和无形资产的数据资产来源、 期初账面价值和期末账面价值等信息。通过对这14家上市公司的统计分析发现： 对于确认为存货的数据资产， 其来源有两种途径， 分别是外购和自行加工； 对于确认为无形资产的数据资产， 其来源途径由外购、 自行开发和其他方式取得三类构成。此外， 从附注中披露的期末账面价值金额来看， 确认为存货的数据资产期末账面价值与“存货”项目的期末账面价值数值相同， 这表明企业的存货全部由数据资产构成， 且按项目类别划分为原材料、 在产品和库存商品等。确认为无形资产的数据资产在期末账面价值金额上也存在同种情况。

在表外披露方面， 上市公司在“管理层讨论与分析”模块中采用文本形式， 描述了企业拥有或正在研发的数据资产情况。“管理层讨论与分析”是上市公司财务报告的重要组成部分， 是外部利益相关者获取企业过去财务经营状况、 组织管理战略以及未来发展前景等非财务信息的重要来源。通过对中报的分析发现， 有关数据资产信息披露的内容大致可以分为三类： 第一， 在公司所属行业发展特点的讨论与分析部分， 详细介绍了公司所属行业在《暂行规定》等国家政策推动下逐渐重视数据资产的生产价值并积极布局数据要素相关产业的情况。第二， 在核心竞争力分析部分， 主要介绍了公司拥有的数据资源、 数据产品以及形成的核心数据资产， 这些高质量的数据资源构成了公司的战略资源优势， 对公司的业务增幅、 产品开发、 市场定位和客户服务具有至关重要的作用。第三， 在经营情况的讨论与分析部分， 主要介绍了数据资产的构成以及公司利用这些数据资产积极探索数据价值化、 拓展可落地的应用场景与业务模式的情况， 包括数据资产相关产品或服务的运营应用、 作价出资、 流通交易、 服务计费等情况， 充分发挥数据资产价值场景效能。例如， 上市公司药易购利用外购数据资产完善了销售客户信用体系搭建， 利用交易服务数据研发出数十款与医药流通和营销相关的数据产品， 服务于医药终端的数字化营销场景。

四、 实证研究设计

（一） 样本选取与数据来源

本文的初始研究样本为2024年发布中报的A股上市公司， 并对样本进行如下筛选： （1）剔除金融行业上市公司； （2）剔除ST及∗ST公司的观测值； （3）剔除事件日前后停牌、 估计窗口期交易日有缺失的观测值。经过上述处理后共得到4504个观测值， 其中有51家数据资产入表企业。在此基础上再剔除财务数据存在缺失的观测值， 共得到4228个观测值， 其中有41家数据资产入表企业。数据资产入表相关数据由手工收集而得， 所用财务数据和股票交易数据来自Wind和CSMAR数据库。本文对所有连续变量进行上下1%的Winsorize处理。

（二） 模型设定

1. 事件研究法。事件研究法剔除市场大盘带动股市变动等因素， 用相对成熟的指标累计超额收益率衡量政策的市场反应（张新，2003）， 即通过比较特定事件发生前后企业股票的实际收益率与假定不发生该事件情况下预期的“正常”收益率来评估事件对企业股价的影响， 该方法能够有效规避双向因果所导致的内生性问题和噪声事件（Endrikat，2016）。由于本文所选取的政策实施日为上市公司定期报告公告日， 时间点比较分散， 故采用多对象非同步事件研究法（许静霞等，2016）， 以评估《暂行规定》政策发布日和实施日的市场反应。

首先， 确定事件日。事件日包含三个： 《暂行规定》政策发布日、 一季报公告日和中报公告日。2023年8月21日财政部对外发布《暂行规定》， 本文将该日期作为政策发布日。上市公司通过定期报告向外界披露数据资产入表信息， 本文将上市公司一季报和中报的公告日作为政策实施日。若发布的更正版报告中包含数据资产入表信息， 则以更正版公告日为事件日， 若更正版报告中未包含数据资产入表信息则以首次公告日为事件日。若事件日不属于交易日， 则以事件日后第一个交易日作为事件日。

其次， 确定事件窗口和估计窗口。本文选取的事件窗口为［-1，1］、 ［-2，2］、 ［-3，3］、 ［-4，4］、 ［-5，5］。参考Campbell等（1998）、 邹文理等（2020）的研究将估计窗口设定为120个交易日， 由于一季报与中报的事件日间隔不足120个交易日， 因此中报与一季报共用同一个估计窗口， 即以一季报的估计窗口作为中报的估计窗口。

最后， 计算累计超额收益率（CAR）和累计平均超额收益率（CAAR）。股票实际收益率为Ri，t=αi+βiRm，t+ei，t， Ri，t表示i股票在第t日的考虑现金红利再投资的个股收益率， Rm，t表示t时期考虑现金红利再投资、 以流通市值加权法计算的市场收益率， αi为常数项， βi为对应股票的回归系数， ei，t为随机扰动项。股票i在交易日t的超额收益率为ARi，t=Ri，t-（" "i+" "iRm，t）； 累计超额收益率为CARi（t1，t2）=" " "ARi，t； 累计平均超额收益率为CAAR（t1，t2）=" " " " " CARi（t1，t2）， 其中， N为样本量。

2. PSM法。单纯运用事件研究法检验上市公司数据资产入表的市场反应会存在这样的问题： 一家上市公司在某个时间窗口期内的累计超额收益率可能是由数据资产入表决定的， 也可能是由上市公司本身或者外界其他因素决定的。因此， 采用PSM法构造反事实对照实验（Rosenbaum 和Rubin， 1985）， 为中报数据资产入表企业（实验组）匹配数据资产未入表企业（对照组）， 减少由于样本选择偏差引起的内生性问题， 能更准确地对比数据资产入表与未入表企业面临的市场反应差异。参考以往文献（陈守明和郝建超，2017；牛彪和于翔，2024）， 本文选取的匹配变量包括： 企业规模（Size）、 上市年限（Age）、 企业性质（Soe）、 总资产报酬率（Roa）、 两职合一（Dual）、 研发人员数量占比（Rd）、 前十大股东持股比例（Topten）和托宾Q值（TQ）。具体变量定义见表3。

3. 多元回归模型。为进一步检验企业中报数据资产入表对其股价的影响， 建立如下多元回归模型：

CAR［-5，5］=γ0+γ1DAi+∑λiControlsi+εi

其中， CAR［-5，5］为被解释变量， 代表事件日前后5个交易日的累计超额收益率。解释变量DA分别从三个维度测量了数据资产披露： 数据资产披露词频（DAfreque）、 是否披露数据资产金额（DAentry）和数据资产金额（DAamount）。参考王倩和马云霄（2016）的研究， 对公司基本特征层面的变量（Controls）进行控制， 控制变量为2023年年度数据。ɛi为随机扰动项。具体变量定义见表3。

五、 实证结果与分析

（一） 描述性统计

表4报告了主要变量的描述性统计结果。累计超额收益率（CAR［-5，5］）的均值为0.010， 表明在中报公告日前后5个交易日内市场整体呈现正向预期， 这一初步判断还需要后续实证分析进行验证。数据资产披露词频（DAfreque）的均值为9.764， 表明大部分上市公司中报涉及数据资产或数据资源的披露， 且最高词频达109次。相比以往定期报告， 中报涉及的数据资产词频明显增加， 反映出企业对数据资产的重视。是否披露数据资产金额（DAentry）的均值为0.010， 表明1%的上市公司在中报资产负债表或附注中明确披露了数据资产金额。这与以往仅披露文本信息不同， 少数企业已经开始将数据资产纳入财务报表进行量化评估。数据资产金额（DAamount）的最大值为20.420， 表明企业的数据资产披露金额受到管理层重视， 数据资产价值化程度不断提升。此外， 控制变量的描述性统计结果与现有研究保持一致。

（二） PSM法分析

本文采用1∶1最近邻匹配为41家数据资产入表企业匹配41家未入表企业， 形成82个样本观测值， 分别进行了平衡性检验和平均处理效应检验（限于篇幅，表格留存备索）。匹配后所有匹配变量的标准偏差绝对值都小于12.1%， 说明本文选取的匹配变量和匹配方法是合理的。同时， 匹配后的t统计量都不显著， 说明匹配后所有匹配变量在实验组和对照组之间不存在显著差异， 匹配效果较好。平均处理效应ATT对应的实验组的CAR［-5，5］均值为0.0024， 对照组的CAR［-5，5］均值为-0.0394， T统计量为2.30， 说明数据资产入表对企业累计超额收益率具有显著正向影响， 支持了数据资产入表能够带来市场正向反应的预期。

（三） 事件研究法分析

1. 政策发布日与政策实施日的市场反应对比。表5的结果表明， 政策发布日、 一季报公告日与中报公告日的市场反应存在明显差异。政策发布日前后5个交易日内的CAAR呈现负向变化趋势， 尤其在［-4，4］窗口期跌幅最大， 达到-1.2301%， 反映了市场对《暂行规定》政策发布的负面反应。

这种负面反应主要源于成本预期和政策的不确定性。首先， 投资者对《暂行规定》发布的第一反应是企业可能面临新增的成本压力。《暂行规定》要求企业将数据资产入表， 意味着企业需要增加额外资源用于数据采集、 清洗、 分类， 以及保障数据安全和合规。这在短期内将会增加企业的运营成本， 成为市场最早感知到的负面信号。根据首因效应， 投资者倾向于对首先获得的信息赋予更大的决策权重（Rey等，2020）， 因而对《暂行规定》导致的成本增加反应更为敏感， 进而引发市场的短期负向波动。

其次， 政策带来的不确定性加剧了市场的负面情绪。《暂行规定》在发布初期尚处于“框架已搭好， 细则待完善”阶段， 尤其是在数据资产的确权、 估值和披露等关键问题上缺乏明确的操作标准。数据资产确权和估值机制的不完善， 可能带来资产泡沫化、 财务报告质量下降等潜在问题。数据资产的复杂性和新兴性， 使得投资者难以准确评估其对企业未来财务状况和资产价值的影响。这种政策不确定性提高了投资者的风险感知和模糊性厌恶水平， 从而对其情绪产生负面影响（靳光辉等，2016）。因此， 《暂行规定》政策带来的不确定性进一步强化了市场情绪波动， 加剧了短期的负面反应。

最后， 短期负面反应是政策发布的常见现象， 不代表长期效果。新政策的实施通常会引发市场的短期波动， 尤其当政策对企业成本或管理机制带来重大调整时， 市场的初步反应往往是负面的。但随着政策的进一步落实和细化， 市场情绪会得到修正。对于《暂行规定》而言， 随着政策实施带来的数据资产管理规范化， 企业的长期表现可能会有所改善， 因此政策实施后的市场反应更值得关注。

相较之下， 政策实施日引发了正向市场反应， 且中报的市场反应比一季报更加显著和持久。尽管一季报在较长窗口期（如［-3，3］、 ［-4，4］、 ［-5，5］）的CAAR略高于中报， 但中报在所有窗口期内均表现出显著的正向反应， 尤其是在短期窗口期（［-1，1］、 ［-2，2］）内， 中报的CAAR明显高于一季报， 反映出投资者在政策实施后的快速积极反馈。一季报在较长窗口期内表现出的累计超额收益率， 更多反映了市场对一季报公告后预期调整的滞后性， 而非即时反应的强度。相比之下， 中报提供了更完整的业绩信息， 使得市场在短期内做出更显著且更持久的正向反应。

政策发布日和实施日市场反应差异的形成原因主要有两点。第一， 随着政策的落地实施， 企业数据资产入表规范逐渐明晰， 降低了政策发布时的不确定性， 投资者可通过实际的财务数据和信息披露来评估政策的真实影响， 市场情绪从政策发布日的负面反应转为实施日的正向反应。第二， 中报相较一季报提供了更全面和详细的信息， 使投资者对企业全年业绩的预期更加准确， 进一步降低了不确定性， 增强了市场信心， 促使市场反应更加持久和强烈。

由图2可以直观地看出， 政策发布日的CAAR在事件发生前即开始下滑， 暗示市场可能提前担忧政策的不利影响并做出反应， 而一季报和中报公告日的CAAR则在事件日之后迅速上升， 尤其是中报公告日曲线， 呈现出持续且显著的上行趋势， 说明中报披露所带来的市场利好效应更为显著和持久。

由此， 政策发布日的市场反应整体偏负面， 反映出市场对政策潜在风险的谨慎态度。而一季报和中报的市场反应则相对积极， 尤其是中报， 其正向市场反应更为显著和持久， 表明投资者对企业中报数据资产入表信息的重视以及对全年业绩预期的信心。

2. 中报入表与未入表企业的市场反应对比。表6是PSM法下中报数据资产入表与未入表企业的市场反应结果。对比发现， 入表企业在事件窗口期内的累计平均超额收益率CAAR_1为正值， 但未达到统计显著性， 而未入表企业的累计平均超额收益率CAAR_0在窗口期内均显著为负。这表明市场对未入表企业的反应更加负面， 而对于入表企业的正面反应则相对温和且不显著。为了对比二者之间是否存在显著差异， 本文进一步进行双样本T检验（限于篇幅，表格留存备索）。T检验结果中， CAAR_0与CAAR_1均值差异为-0.0357%， t值为-6.93， 表明未入表企业的市场反应显著为负且低于入表企业。以上结果说明市场对未入表企业持消极态度， 即市场对入表企业的反应更加积极。

图3进一步直观地展示了入表与未入表企业在事件日前后的市场反应差异。可以看出， 未入表企业的CAAR在事件日附近出现显著下滑， 从事件日之后的持续下跌可看出市场对未入表企业的消极态度。而入表企业的CAAR呈稳步上升趋势， 但幅度较小， 说明尽管市场对入表企业未来发展前景较为乐观， 但短期内这种利好预期仅呈现小幅波动式增长。

究其原因， 入表企业市场反应不显著可能与市场预期的提前消化有关。一方面， 在政策正式发布前， 市场可能已经通过非正式渠道获取了相关信息， 并提前调整了投资组合， 因此， 在事件窗口期内入表企业带来的市场反应较为平缓。另一方面， 政策影响的长短期效应也是导致市场反应不显著的一个重要因素。数据资产入表更多是对企业长期发展带来利好， 短期内市场可能还没有充分评估政策对企业盈利能力的实际影响， 从而反应滞后。

相比之下， 未入表企业面临的显著负面反应体现了市场对其发展前景的消极预期。一方面， 投资者可能认为未入表企业在数据资产化或智能化发展中存在不足， 从而对企业的盈利能力产生怀疑。另一方面， 未入表预示着企业未能获得政策红利， 可能会在未来数字经济竞争中处于劣势， 将面临更大的外部不确定性和市场压力， 这进一步加剧了市场的负面预期。

综上所述， 数据资产入表企业尽管带来正向市场反应， 但出于信息提前消化和政策效应的长期性等原因， 短期内呈平缓趋势。反之， 未入表企业由于未能享受政策红利， 市场对其未来竞争力和经营前景产生较大疑虑， 导致显著的负面市场反应。

（四） 回归结果分析

表7为数据资产披露与累计超额收益率的回归结果。列（1）中数据资产披露词频（DAfreque）的回归系数为0.0061， 在5%的水平上显著， 表明企业在中报中提及更多的数据资源或数据资产有助于提升市场对该企业的正面预期， 从而推高股价。披露数据资产词频较高的企业可能被市场视为更加注重数据管理和创新， 进而增强投资者信心。列（2）中是否披露数据资产金额（DAentry）的回归系数为0.0448， 在1%的水平上显著， 表明企业披露明确的数据资产金额时， 带来的市场反应更加积极， 因为数据资产金额的披露可为投资者提供更加详细和透明的信息， 更便于投资者评估企业的数据资产价值和未来发展潜力。列（3）中数据资产金额（DAamount）的回归系数为0.0027， 在1%的水平上显著， 再次验证了市场对数据资产金额的敏感性。较大的数据资产金额往往表示该企业拥有较强的数据管理能力和数字化运营能力， 从而在数字经济竞争中占据优势。

为进一步说明数据资产披露词频和金额对累计超额收益率的影响差异， 本文对列（1）和列（2）两组不同样本进行异质性检验。结果发现， Wald检验的p值为0.017， 说明两组样本的回归系数之间存在显著差异。对比发现， 数据资产披露词频（DAfreque）的回归系数显著小于是否披露数据资产金额（DAentry）的回归系数， 说明披露数据资产金额对股价的影响更为显著。可能的原因是， 数据资产披露词频虽然有助于体现企业对数据资产的重视程度， 但金额能够提供更明确的财务信息， 可对投资者行为产生更大的驱动作用。这一结果支持了企业应在财务报告中加强数据资产详细信息披露的推断， 验证了信息透明度对市场预期的重要性。

六、 数据资产未入表原因及入表面临的主要问题分析

（一） 数据资产未入表原因

从已披露的2024年一季报和中报情况来看， 同时披露“数据资源”项目及金额的上市公司占发布一季报和中报上市公司总数的0.32%、 1.03%， 数量相对较少， 这可能是由企业外部客观因素和内部主观因素共同导致的。

从客观层面分析， 自2023年8月21日《暂行规定》对外发布以来， 数据资源作为一种新型资产形式开始逐渐被企业接受， 尽管我国数字经济发展势头强劲， 但数据要素市场的发展仍处于萌芽与探索阶段， 面临多重挑战， 阻碍了企业数据资产的有效确认、 计量与披露进程。具体而言， 我国数据资产会计准则和信息披露标准尚未健全， 这增加了企业数据资产入表的难度。此外， 专业服务机构在数据资产价值计量和评估领域的专业知识与实践经验不足， 也构成了数据资产入表的现实障碍。综上所述， 现存的这些客观问题是企业数据资产入表积极性不高的主要影响因素。

从主观层面分析， 由于企业对数据资产这一新兴生产要素的理解尚不充分， 再加上其实际入表操作过程预计耗费的成本与带来的潜在收益存在较大的不确定性， 导致大多数企业目前还处于观望状态。具体地， 数据资产入表要求企业投入大量成本进行数据的收集、 整理、 清洗、 分类与估值等， 但其所带来的经济收益和对发展前景的影响并不明朗， 虽然从短期来看， 数据资产入表有助于增强投资者信心、 优化资源配置， 甚至为企业的估值和市场竞争带来新的增长点， 但这些潜在收益往往需要一定时间才能显现， 且难以量化。因此， 在当前政策较为宽松的情况下， 大多数企业出于谨慎性原则考虑， 并未进行数据资产入表操作。

鉴于上文所述客观和主观因素， 众多上市公司目前仍处于观望状态， 对数据资源的会计处理和披露持谨慎态度。它们一方面在积极探索适合自身业务特点的数据资产管理模式， 另一方面也在密切关注相关法律法规、 估值体系及会计准则的最新动态， 以期在合适的时机将数据资产入表， 充分展现其经济价值和战略意义。

（二） 数据资产入表面临的主要问题

当前， 尽管数据资产的战略地位不断凸显， 企业对其重视程度日益提高， 但在入表前的准备阶段和实际入表过程中仍面临诸多挑战与不确定性。

1. 数据资产入表前的确权、 估值和会计规范制定问题。首先， 从法律制度层面来看， 有关数据权属、 交易、 安全保护等方面的法律框架尚不健全， 这给数据资产的确权、 计量、 披露带来了诸多障碍。其次， 来源渠道、 应用场景和自身特征的多样性， 使得数据资产价值会随着技术、 时间和应用场景等因素的变化而不断波动。再加上目前数据资产交易市场和估值体系仍处于探索阶段， 市场上尚未形成一套公认、 科学、 可操作的数据估值方法和标准， 导致数据资产的价值评估成为数据资产入表面临的一大难题， 不同企业在数据资产的价值认知上也存在较大分歧。最后， 会计准则的滞后性也是制约数据资产入表的关键因素之一。现有的会计准则对于如何确认、 计量和报告数据资产等新兴资产， 尚缺乏明确的、 有针对性的指导和规范， 导致上市公司在处理数据资产相关会计信息时， 往往面临诸多问题和分歧， 进而影响了将数据资产纳入资产负债表的积极性。

2. 数据资产入表过程中存在较为严重的入表合规性和规范性问题。首先， 《暂行规定》并未对数据资产入表范围进行界定、 未对实际操作流程进行规范， 使企业对入表存在较大的自由裁量权， 容易将企业的软件资源和信息资源等软资产与数据资产混为一谈， 从而造成企业财务报表中数据资产价值和总资产价值的虚高。其次， 在整个数据资产入表过程中缺乏规范、 严格的审计监督和审查制度， 导致企业在实际操作中遇到分歧问题时， 倾向于选择对自身有利的入表方式， 使得企业数据资产入表过程充满不确定性， 加大了操作风险。

七、 结论与建议

（一） 结论

本文通过对我国A股上市公司中报数据资产披露情况进行分析， 得出以下结论： 首先， 93.59%的上市公司在资产负债表或附注中列示了“数据资源”项目而未披露具体金额， 同时列示项目并披露金额的企业数量从一季报的17家增至55家。其中， 41家企业将数据资产金额列示在“无形资产”“开发支出”与“存货”项目中， 14家在附注中提及。这一现象表明， 越来越多的传统行业和高市值企业日益重视数据资产的入表问题。其次， 根据数据资产信息披露的频次和位置信息可发现， 中报相较于一季报的披露内容均明显增多， 尤其是附注和“管理层讨论与分析”部分。这一变化不仅体现了上市公司对数据资产管理的重视， 还为投资者提供了更为丰富的信息。最后， 关于市场反应， 政策发布日的市场反应整体偏负面， 显示出市场对政策潜在风险的谨慎态度。而一季报和中报面临的市场反应则较为积极， 特别是中报带来的正向反应更加显著且持久。同时， 相比入表企业， 未入表企业因未能享受政策红利， 市场对其未来竞争力和经营前景产生怀疑， 因而面临较为明显的负面市场反应。相比仅披露关键词的企业， 披露数据资产金额的企业带来更积极的市场反应。政策发布后较为明显的市场分化效应， 能够为企业决策者在数据资产管理方面提供重要启示。

（二） 建议

基于本文的研究结论， 提出以下政策建议：

1. 重视数据资产， 推动企业转型。数据资产的价值日益凸显， 企业必须重视其重要性。随着披露数据资产的企业数量不断增加， 越来越多的企业， 尤其是传统行业和高市值企业， 已经意识到数据资产在提升竞争力和市场形象中的关键作用。建议企业管理层在制定战略时， 将数据资产的利用与管理作为重要组成部分， 深入探索数据资产的潜在价值。通过建立数据资产管理制度， 明确数据的获取、 存储和应用流程， 以提高企业的整体运营效率和市场适应能力。

2. 完善信息披露， 提升企业透明度。信息透明度是企业赢得市场信任的关键。中报数据显示， 上市公司在数据资产的披露方面， 已展现出积极性和多样性。建议相关机构制定更加明确的披露标准， 鼓励企业在财务报告中提供更详尽的数据资产信息， 增强与投资者的互动。同时， 企业应根据自身行业特性， 灵活选择数据资产的披露形式， 确保信息的准确性与可比性， 从而降低信息不对称。

3. 制定激励政策， 促进全面披露。鉴于未入表企业面临的负面市场反应， 建议政策制定者制定相应的激励政策， 鼓励这些企业逐步展开数据资产的披露工作。建议设立专项基金， 支持企业在数据资产管理和披露方面的投资； 同时， 提供专业培训和咨询服务， 帮助企业掌握数据资产入表的相关知识。此外， 构建行业内的成功案例分享机制， 促进各企业之间的经验交流， 进而提升行业整体对数据资产管理的重视程度。

4. 定期评估政策实施效果， 优化监管框架。政策的有效实施需建立在持续的市场反馈基础之上。研究发现， 市场对政策的反应存在明显分化， 监管机构可定期收集和分析市场反馈数据， 以评估政策的实施效果。对于那些带来积极市场反应的企业， 监管机构可考虑进一步提供更多的支持与引导； 而对带来负面市场反应的企业， 则应深入分析原因， 及时调整政策措施， 以增强政策的适应性和有效性。

5. 加强行业合作， 共同提升数字化能力。数据资产管理的有效性不仅仅依赖于单个企业的努力， 还需要不同行业的合作。建议行业协会及相关机构建立跨行业合作平台， 促进行业间的技术交流与资源共享， 提升整体数字化管理水平。此外， 鼓励企业间开展联合研发项目， 共同探索数据资产的创新应用， 以实现协同发展， 推动行业的整体升级。

【 注 释 】

①数据资源和数据资产是一对常见且经常混用的概念，两者在本质上有差异，应该进行区分（张俊瑞等，2023），但现实中经常混用。本文根据语境及上下文交叉使用这两个概念，不追求概念上的完全统一。

②这6家上市公司分别为山东钢铁、小商品城、金龙汽车、中信重工、喜临门和恒信东方。其中，恒信东方在2024年8月30日取消一季报数据资产的入表。

③本文之所以选择申万一级行业分类标准，是因为这一行业类别划分更为细致，且将通信行业单独分列出来。

【 主 要 参 考 文 献 】

何瑛，陈丽丽，杜亚光．数据资产化能否缓解“专精特新”中小企业融资约束［ J］．中国工业经济，2024（8）：154 ～ 173．

洪银兴，任保平．数字经济与实体经济深度融合的内涵和途径［ J］．中国工业经济，2023（2）：5 ～ 16．

靳光辉，刘志远，花贵如．政策不确定性、投资者情绪与企业投资——基于战略性新兴产业的实证研究［ J］．中央财经大学学报，2016（5）：60 ～ 69．

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．

孙静，王建冬．多级市场体系下形成数据要素资源化、资产化、资本化政策闭环的总体设想［ J］．电子政务，2024（2）：12 ～ 20．

王倩，马云霄．沪港通政策的公司治理效应——基于事件研究法的实证分析［ J］．金融论坛，2016（5）：33 ～ 46．

危雁麟，张俊瑞，汪方军等．数据资产信息披露与分析师盈余预测关系研究——基于文本分析的经验证据［ J］．管理工程学报，2022（5）：130 ～ 141．

谢康，夏正豪，肖静华．大数据成为现实生产要素的企业实现机制：产品创新视角［ J］．中国工业经济，2020（5）：42 ～ 60．

许静霞，王苏生，熊云．我国股票市场中的知情卖空交易现象研究［ J］．中国管理科学，2016（S1）：373 ～ 382．

张俊瑞，高璐冰，危雁麟．数据资产会计：概念演进、解构与关系辨析［ J］．会计之友，2023（24）：131 ～ 137．

张俊瑞，赵维娜．基于事件研究法的A股上市公司数据资源信息披露研究——以第一季度报告为例［ J］．河南财经学刊，2024（3）：9 ～ 18．

张新．并购重组是否创造价值？——中国证券市场的理论与实证研究［ J］．经济研究，2003（6）：20 ～ 29+93．

邹文理，王曦，谢小平．中央银行沟通的金融市场响应——基于股票市场的事件研究［ 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．

（责任编辑·校对： 许春玲" 刘钰莹）

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

【基金项目】国家社会科学基金重大项目“数据资产会计标准构建与应用研究”（项目编号：23amp;ZD092）