近年来，随着“大智移云物区”等数字技术的蓬勃发展，数字经济的内涵不断丰富，具有前沿技术特征的数字经济形态也在不断变迁。党的二十大报告指出，“加快发展数字经济，促进数字经济和实体经济深度融合。” ¹ 企业作为国民经济的基础单元，通过数字化转型发挥数据的赋能、撬动和引领作用，已成为打造数字经济新优势的必然选择。2020年，《中共中央 国务院关于构建更加完善的要素市场化配置体制机制的意见》正式将数据确立为生产要素， ² 意味着数据与劳动、资本、土地、技术四大传统生产要素处于同等重要地位。原始数据本身并不产生价值，其价值实现依赖于企业对其挖掘、分析并转化为数据资产，最终服务于业务实践，为决策提供依据，从而为企业创造价值。由此，数据资产已跃升为企业的基础性战略资源。中国信息通信研究院发布的《数据资产管理实践白皮书（6.0版）》明确指出，数据资产是指由组织（政府机构、企事业单位等）合法拥有或控制的，以电子或其他方式记录的（例如文本、图像、语音、视频、网页、数据库、传感信号等结构化或非结构化数据），可进行计量或交易，且能直接或间接带来经济效益和社会效益的数据资源。企业数据资产化已成为激发要素活力、释放资源价值的新趋势，深刻重塑着企业的核心竞争力与发展逻辑。

当前，中国经济已由高速增长阶段转向高质量发展阶段，正处于提质增效的转轨期，实现投资模式由规模驱动转向效率驱动是新时代的重要实践课题（姚立杰等，2020）。然而，企业的非效率投资导致资源错配、产能过剩等情况，不仅影响企业自身的高质量发展，也成为制约中国经济提质增效的重要因素（林树等，2024）。对此，众多学者从企业的治理水平、战略行为、管理者特征、会计信息质量和社会关系等角度（Billett等，2011；卢馨等，2017；袁振超和饶品贵，2018；张蕊和王洋洋，2019；何开刚等，2021），探究企业投资效率的影响因素，以期解决企业非效率投资这一“顽疾”。数据作为企业拥有或控制的一种新型资源，其资产化在企业经营过程中发挥重要作用，却鲜有文献关注数据资产化与企业投资效率的内在联系。

那么，数据资产化作为一种“新药”如何解决非效率投资这一“顽疾”？一方面，企业能够通过建设与其他市场主体之间的数据流动与循环，得到持续的数据反馈，产生规模集聚效应，发挥数据体量优势，为其投资活动收集更全面、更有价值的外部信息，缓解信息不对称，从而提升企业投资效率。另一方面，企业能够利用数据资产化过程中包含的经营管理全过程信息，实现投资决策过程有迹可循、有理可依，便于投资者对管理层实施有效监督，抑制非理性投资。因此，数据资产实质上是一种信息资产（李原等，2022），数据资产化具有的“信息效应”能够助力企业实现高效投资。同时，已有研究表明，信息是决定投资效率的核心因素（Bushman和Smith，2001）。因此，本文以2007−2021年中国沪深A股上市公司作为研究样本，采用机器学习与文本分析方法构建企业数据资产化的测量指标，基于信息视角分析并检验数据资产化对企业投资效率的影响及作用机制，并进一步从企业和地区层面进行异质性分析，同时对数据资产化影响企业投资效率的经济后果进行检验。

本文的边际贡献在于：第一，研究内容上，已有研究主要证实了数据资产对企业组织绩效、发展质量、运营效率、分析师预测和企业价值等方面的影响，而本文考察数据资产化与企业投资效率之间的关系，不仅拓展了数据资产化的经济后果研究，也丰富了投资效率影响因素的研究。第二，变量测度上，本文基于“数据资产获取−数据资产处理−数据资产应用”的底层逻辑选取种子词，采用Autophrase方法构建“数据资产化”文本词典，进而在年报中挖掘经情感分析后的文本信息，以衡量企业数据资产化程度，这为企业数据资产化测度提供了有益借鉴。第三，分析角度与机制检验上，本文从信息传递视角，提供了数据资产化从信息资源机制、信息质量机制和信息治理机制三条渠道影响企业投资效率的证据，讨论了CEO信息技术背景和外部信息环境等因素对企业投资效率的异质性影响，丰富了信息溢出效应的相关研究，对于推进企业投资科学化、规范化和精准化发展具有重要实践意义。

在数据资产测度方面，现有关于企业数据资产的文献以规范研究为主，而实证研究相对较少，这主要因为目前数据资产的确认、计量和报告尚无明确硬性要求，导致数据资产信息缺失，测度存在一定困难。学者对数据资产的定量分析进行了有益尝试。如孙颖和陈思霞（2021）采用“企业当年是否拥有共享平台、数据中台或信息系统中的一类”这一虚拟变量来测度企业数据资产。Hu等（2022）通过判断与数据资产相关的关键词是否在年度报告中出现来衡量企业数据资产（若出现则取值为1，否则为0）。然而，上述两种测度方法仅能体现企业数据资产的有或无，难以有效展现数据资产水平的高或低。

在数据资产经济后果方面，已有学者证实数据资产能够提升企业组织绩效、运营效率、分析师预测水平以及企业价值，并促进高质量发展。具体地，Gunasekaran等（2017）提出企业可以通过强化数据资产在供应链中的共享，促进信息和知识的流动及增值，提升组织绩效，助力企业提高市场占有率、增强竞争优势。孙颖和陈思霞（2021）证实，数据资产通过提高信息透明度、提升决策效率、降低试错成本，助力科技服务企业构建核心竞争力、实现需求导向，从而促进企业高质量发展。Hu等（2022）、苑泽明等（2025）认为，数据资产能够通过嵌入企业的价值信息，优化企业生产资源部署，筛选值得信赖的客户，管控供应链风险，提升企业运营效率。此外，公司年报中数据资产信息的披露，有助于提升企业信息透明度，拓宽外部信息使用者获取并处理企业前瞻性信息的渠道，从而吸引更多分析师进行盈余预测并提高预测准确性（危雁麟等，2022），同时助力企业在外部市场吸引技术型人力资本和缓解融资约束，最终对企业价值产生显著正向影响（苑泽明等，2022）。

关于企业投资效率的影响因素，已有研究在宏观、中观与微观层面均展开了较为丰富的探讨。在宏观层面，已有研究发现政府干预（袁广达和仲也，2021）、产业政策（颜恩点等，2022）和经济政策（王雄等，2022）等会对企业投资效率产生重要影响。在中观层面，地区金融发展（王晓亮等，2019）、市场竞争（张安军，2020）和营商环境（刘娟和唐加福，2022）等均为企业投资效率的重要影响因素。在微观层面，已有研究在代理成本、融资约束、信息传递和管理者特征等方面取得丰硕成果。当现代公司制度下两权分离导致的代理问题较为严重时，管理层为增加控制权收益可能引发过度投资，抑或担忧决策失误被解雇而导致投资不足（王玉涛等，2022）。同时，筹资作为投资的先决条件，当资金提供者与企业存在信息偏差时，企业会面临较为严重的融资约束，导致投资不足。此时，如果信息能在企业内外部高效传递，一方面，有利于保障股东知情权并对管理者实施积极的内部监督，减少代理成本；另一方面，通过打破企业与外部利益相关者之间的信息壁垒，拓宽资金来源渠道、缓解融资约束，从而提高企业投资效率。同时，管理者的海外背景（夏晗，2019）、能力水平（姚立杰等，2020）及个性特征（范宝学和刘昭，2022）也是影响企业投资效率的重要因素。

此外，在数字化、绿色化的“双转型”背景下，李泽浩等（2024）采用多期双重差分模型证实了ESG信息披露对企业投资效率的提升作用；王化成等（2023）利用数字专利衡量企业数字创新水平，实证发现数字创新能够显著提升企业投资效率；刘凤环（2022）、吴玉宇和吴鑫（2024）分别从资本结构和企业类型视角为数字化转型影响投资效率的作用机制提供了解释。然而，关于企业数据资产与投资效率的关系尚待深入探究，目前仅有学者针对数据要素激活企业冗余资源进而影响投资效率的作用进行了初步检验（史青春等，2023）。

首先，关于数据资产测度，企业财务报表中数据资产信息缺失，导致其测度具有较大困难，少数研究采用的二值法虽能体现数据资产的有无，却难以衡量数据资产相对水平的高低。因此，本文基于数据资产获取、处理和应用的价值链来选取种子词，采用机器学习和文本分析方法，进行情感极性分析后得到年报中关键词的词频，以此衡量企业数据资产化程度。其次，关于数据资产的经济后果，已有研究证实了数据资产对企业组织绩效、发展质量、运营效率、分析师预测水平和企业价值方面的积极作用。然而，数据资产化对企业投资效率的作用尚无定论，本文沿此文献脉络，进一步考察数据资产化对企业投资效率的影响，以期丰富数据资产化的经济后果研究。最后，通过梳理投资效率的影响因素研究发现，诸多学者从宏观、中观、微观三个层次进行了深入剖析，但无论从委托代理视角，抑或融资约束视角，信息均对企业投资效率产生深刻影响。因此，尽管已有文献验证了企业数字化转型、数据要素利用水平对投资效率的影响，但本文认为数据资产化更强调企业价值创造，其中蕴含的高质量信息能够影响企业投资决策行为。区别于已有聚焦于技术应用的数字化转型和数据要素利用研究，本文从数据资产化角度，将信息作为研究视角与逻辑起点，进一步考察数据资产化对投资效率的影响及作用机制。

近年来，部分企业的投资效率偏低，其中信息不对称及由此衍生的逆向选择和道德风险是造成企业非效率投资的主要原因（蒋水全等，2017）。数据资产作为信息载体，其资产化对缓解企业信息不对称具有重要作用。因此，本文基于信息机制，分别从信息的数量与质量两个方面探究数据资产化对企业投资效率的影响。

从信息的数量来看，企业可以通过各种形式的B2C（企业对消费者）和B2B（企业对企业）交易，实现数据量的持续增长，加速数据资产化进程，进而化解企业在投资决策前面临的“信息贫瘠”难题。从B2C端来看，企业可以建立和积累基于自身业务的数据源，并以“内销”的方式反作用于产品研发、制造升级，将用户信息标签化，提升供需匹配效率，实现精准营销，在促进销售的同时指导生产经营，形成全渠道数据循环，沉淀企业数据资产，并通过积累整合以发挥规模效应，从源头增加信息总量。从B2B端来看，企业与企业之间数据共享，形成数据和信息互联互通，大量异质性企业相互依存，催生共生价值循环体系，同样也可以通过数据循环反馈过程将外部信息内部化，从而发挥增量信息的作用。企业通过数据资产化可以搜寻并协调各类信息资源，获取更真实和全面的投资信息。同时，由于数据资产化的动态性，这些信息会随着使用范围、应用场景和商业模式等的变化而不断更新，使得投资所需的信息能够被检索和同步追踪，增强数据信息的时效性，助力企业及时把握市场动向，获取投资机会、确定投资区间、改善投资不足并抑制投资过度。因此，数据资产化形成的反馈性和动态性为企业投资提供了丰富且适用的信息和决策依据，能够减少因企业与投资对象间的信息偏差带来的市场摩擦，从而对投资效率的提升产生正向促进作用。

从信息的质量来看，数据资产化过程中内含的高质量信息可以通过缓解信息不对称、抑制道德风险和逆向选择，从而优化企业投资行为，提升企业投资效率。具体而言，企业要通过信息作用于投资决策，在“增量”的同时也要“提质”，而数据资产化的过程正是阻断虚假和劣质信息、形成高质量信息的过程。信息论认为，数据既是信息的载体，也是信息与冗余数据之和，而数据资产化是企业运用数字技术对原始数据进行清洗、标准化、匹配协调多个数据源、删除重复冗余数据后的结果，这一过程在过滤冗余数据后保留了高质量信息。Healy和Palepu（2001）提出高质量的信息有助于企业加强内部监督和缓解外部信息不对称，进而提高投资效率。例如，高质量信息对内可抑制经营者通过关联交易、项目筹资、盲目扩张等途径获取私人收益，缓解道德风险；对外可减少利益相关者因信息不对称而采取的“逆向选择”，促进资本分配活动合理化，为高效率的投资项目筹足资金，改善投资不足。此外，企业基于数据资产化提取的高质量信息，可以用来合理预测不同投资方案的收益与风险，减少无效投入，支持科学决策，从而提升企业投资效率。

据此，本文提出研究假设1：数据资产化促进企业投资效率提升。

数据资产化通过信息资源机制改善企业投资效率，即数据资产化的信息效应可以引导资金流入企业，缓解融资约束，进而提升企业投资效率。基于融资约束理论，企业数据资产化以数据中台和业务中台为依托，能够实现信息在企业、债权人与供应链上下游等多方主体之间的自由流动与共享，促使各方建立有效的信任关系，拓宽资金来源渠道，避免企业资金受限导致的投资不足。首先，数据资产化程度较高的企业，其结构化、规范化的高质量信息可以修正经理人与外部债权人之间的信息偏差，以便外部债权人对企业价值做出更为科学、合理的判断，降低其心理不确定性，从而增强其提供借贷或投资的意愿，为企业投资活动提供更多资金资源（彭正银等，2025）。其次，得益于数据资产的非竞争性特征，多方交易行为并不会造成数据资产本身的价值贬损，反而可能表现出边际收益递增趋势。所以数据资产化程度高的企业也可以通过共享数据资产信息的方式，与供应链上下游建立密切的信息互换与合作网络，这在无形中为企业合作提供了担保，促进耦合共轭，增强供应链的稳定性。此时，企业可获得更多的商业信用融资来应对资金短缺，进而缓解融资约束。因此，数据资产化通过与外部债权人和供应链上下游共享信息，缓解由外部资金可得性不足带来的约束，扩充企业投资所需资金，从而提升投资效率。

数据资产化通过信息质量机制改善企业投资效率，即数据资产化的过程伴随着对信息的高效筛选，提高企业信息供给质量，进而提升企业投资效率。基于信息不对称理论，数据资产化在保障企业内部信息质量的同时，也能过滤外部市场信息噪音并树立企业正面形象，缓解信息不对称，提升企业投资效率。已有研究表明，数据资产化借助“智能互联网”的技术支撑体系，催生了由数据搜寻、分析、储存到应用的全周期“数据链条”，使企业信息流转可溯源、可复现、可审计，提升了内部信息供给质量（聂兴凯等，2022）。在投资决策过程中，一方面，这些以数据资产为载体的内部高质量信息，可以通过与外部市场信息进行交叉验证，排除非真实或经过粉饰的信息，增强信息的可靠性与可验证性，对企业投资信息起到重要的甄别作用。同时，得益于数据资产化的动态性特征，关于投资项目的海量数据实时流动更新，为企业识别投资风险和评估价值提供更准确的信息参考，避免因信息误判而造成过度投资或因信息滞后而错失投资机会，从而提升投资效率。另一方面，企业借助各种自愿披露渠道对外释放这些高质量信息，缓解其与外部信息使用者之间的信息不对称，帮助信息使用者对企业过去、现在或未来的情况做出更准确的评价或预测，降低市场分歧度，提升市场认可度，从而为企业提供良好的“信誉”背书（苑泽明等，2025）。相应地，企业决策时也会出于维护自身积极形象的考虑，理性履行会计契约，考虑投资的长远利益，避免投资短视，促进投资效率提升。由此可见，数据资产化有助于提升企业信息质量，进而提升投资效率。

数据资产化通过信息治理机制改善企业投资效率，即企业内部信息依托数据资产化实时传递，推动企业优化治理结构与流程、降低代理成本，进而提升企业投资效率。基于委托代理理论，数据资产化促使企业内部信息在委托方与代理方之间高效流转，减少两者间的冲突，发挥治理效应。具体而言，数据资产化嵌入企业生产经营管理过程，将沉淀在企业内部的非标准化信息进行采集、汇总、分析，通过数据信息的外溢效应实现生产经营、产品研发、营销售后和决策体系的数据互联、互通和融合，推动企业信息结构从层次式向网络式转变，促进治理信息在组织层级中快速传播，缩短了公司治理链条，突破了部门间的信息屏障，降低了企业内部横向与纵向的沟通成本（陈冬梅等，2020），营造了良好的内部治理环境。在这种新的组织形式中，一方面，由于企业内部信息及时传递，管理者受托责任履行情况得到更及时、客观的反映，管理层藏匿私有信息的难度加大；另一方面，数据资产化能够留存其日常经营全过程信息，形成对应的痕迹化管理，从而有效监督投资活动，抑制自利动机或风险偏好驱使下管理层的非理性决策。因此，数据资产化可以改善企业信息环境并打破“信息孤岛”，加强内部治理，进而降低代理成本，使管理层投资决策更加符合企业价值最大化目标，提高决策有效性，最终提升投资效率。

据此，本文提出研究假设2。

假设2a：基于信息资源机制，数据资产化通过缓解融资约束提升企业投资效率。

假设2b：基于信息质量机制，数据资产化通过提高信息质量提升企业投资效率。

假设2c：基于信息治理机制，数据资产化通过降低代理成本提升企业投资效率。

目前数据资产尚未纳入资产负债表进行披露，基于财务报表捕捉企业数据资产信息难免存在遗漏。数据资产是数字经济时代企业利用大数据、人工智能等信息技术推进数智化转型而形成的重要经济资源，此类特征信息会更多体现在具有总结和指引性质的年报中。相较于直接利用现有财务数据进行计算，文本分析方法能更好地反映数据资产的信息含量与变化过程（何瑛等，2024）。因此，本文借助机器学习算法，采用“种子词+Autophrase相似词扩充+Snownlp情感极性分析”方法衡量企业数据资产化程度。构建企业数据资产化指标的具体步骤如下：

第一，构建底层逻辑并选取种子词。鉴于数据从非结构化的低价值零散形态向结构化可被应用的高价值数据资产形态转化的过程离不开对“数据价值链”的构建和剖析（许宪春等，2022），本文构建“数据资产获取−数据资产处理−数据资产应用”的完整价值链，并以此为底层逻辑，结合数据资产相关官方文件和研究报告，首先从企业年报中手工筛选出能够分别代表“数据资产获取”“数据资产处理”以及“数据资产应用”三个层面的种子词，其次通过访谈与调查问卷向学术界、大数据行业协会以及相关企业人员征询意见，对种子词进行调整和完善。

第二，扩展种子词形成数据资产化词典。刘景江等（2023）指出，机器学习算法拥有强大的数据处理和挖掘能力，能够从复杂高维的非结构化数据环境中提取有价值的信息。因此，本文借鉴已有研究中机器学习算法在变量测量领域中的应用（胡楠等，2021），采用Autophrase方法对种子词进行扩展，以挖掘年报中能够体现数据资产化的高质量词汇，形成图1的指标特征词谱。

图  1  数据资产化指标特征词谱

第三，计算词频和情感极性分析。考虑到中文语言在财经语料下的表达较为复杂，本文根据数据资产化词典，采用Python技术计算词典中各词汇的词频，并利用Snownlp技术对年报中每个相关词汇进行情感极性分析，最终得到经过情感极性分析（正向、中立与负向）调整后的各词汇词频。

第四，构建数据资产化指标。本文将情感极性分析调整后的正向与中立的各词汇词频加总，除以年报总词频并乘以100后，得到刻画企业数据资产化的整体指标（DA），该指标数值越大，表示企业数据资产化程度越高。

数字经济背景下，数据成为国家基础性战略资源。近年来，国家在健全数据基础制度和设施、培育高质量数据要素市场等方面重点发力，在赋能企业数字化转型的同时，助力企业积累了丰富的数据资产。本文根据数据资产化指标，绘制了2007−2021年企业数据资产化趋势图。图2显示，企业数据资产化程度总体呈增长态势。2010年以来，随着数据资产权属特征、统计核算和法律保护等文件陆续出台，在国家政策支持下，数据资产化进程加快。随着我国进入大数据时代，企业数据资产化在大数据元年即2013年出现拐点，呈现快速增长趋势，并于2020年数据正式被确立为第五大生产要素后，实现了新一轮的增长飞跃。综上，基于本文指标所刻画的数据资产化发展趋势与我国数据市场实际发展情况基本吻合。

图  2  企业数据资产化发展趋势（2007−2021）

本文采用“种子词+Autophrase相似词扩充+Snownlp情感极性分析”的方法对企业数据资产化进行度量，并对其合理性与有效性进行检验。

词谱构建是本文数据资产化指标设计的基础。为此，本文从主观评价和客观检验两个方面，检验数据资产化特征词谱的有效性。首先，在特征词谱构建过程中多次征询相关领域专家及企业人员意见，对种子词进行调整和完善。其次，根据2023年中国信息通信研究院发布的《数据资产管理实践白皮书（6.0版）》，数据资产以电子或其他方式记录，如文本、图像、语音、视频、网页、数据库、传感信号等结构化或非结构化数据。基于此，本文从数据资产定义出发，对以上数据记录方式的相关关键词是否纳入本文特征词谱进行检验与补充。最后，基于《工业和信息化部等十六部门关于促进数据安全产业发展的指导意见》《国务院关于印发“十四五”数字经济发展规划的通知》《“十四五”大数据产业发展规划》等文件，将其中提及的数据资产化相关关键词与本文特征词谱进行对比与扩展，以确保词谱的全面性。

为增强数据资产指标的准确性，使其能够反映企业数据资产化程度的真实情况，本文基于企业、行业和地区层面的数据资产化实际进程，对数据资产化指标进行有效性分析。具体步骤如下：

首先，基于企业层面进行检验。由于数据资产的非实体性和依存性，其需依附于实物载体或介质而存在，企业是否拥有数据中台和信息管理系统等对于企业加快数据资产化进程具有重要意义（孙颖和陈思霞，2021）。因此，数据中台的发展能够反映企业数据资产化程度。本文借鉴胡楠等（2021）的文本指标检验思路，将2022年互联网周刊发布的数据中台前50榜单中涉及企业与本文样本企业进行匹配，剔除港股上市或未上市的企业后，得到5家企业； ³ 将样本期间的企业数据资产化指标从高到低划分为最高、较高、较低和最低四组，发现在这5家企业中，4家位于本文数据资产化指标最高组，1家位于较高组，即这5家企业数据资产化程度均处于中高组别，该结果一定程度上从企业层面验证了本文指标的有效性。此外，本文采用抽样检测法，抽取数据资产化词频占比前五的公司， ⁴ 通过研读年报和投资者关系活动记录表的相关资料，发现相较于大部分企业，这些数据资产化词频占比前五的公司内部确实拥有较多运营类、市场和客户类、工业类及知识产权类数据资产。例如，近年来东方国信通过对行业客户需求的持续挖掘，积累了大量客户类数据资产；高鸿股份通过数据平台的运维、数字孪生工厂建设，实现了数据配置化应用，加速了工业类数据资产化进程。综上，基于企业层面的指标有效性得以验证。

其次，基于行业层面进行检验。本文按照行业分类对数据资产化指标均值进行统计，结果见表1的Panel A。软件和信息技术服务业，文化、体育和娱乐业，综合类等行业数据资产化程度较高，而农、林、牧、渔业和采矿业数据资产化程度较低，这一行业分布与已有研究（李健等，2023）保持一致。

最后，基于地区层面进行检验。本文按照企业所属省市对数据资产化指标进行分类统计，结果见表1的Panel B。数据资产化均值位于前五位的省市分别为北京、广东、上海、贵州和湖北，这一结果与《中国数字经济发展白皮书》中数字经济规模突破万亿元的省市分布保持一致，由此验证本文数据资产化指标的有效性。

《企业数据资源相关会计处理暂行规定》要求，企业使用的数据资源，符合会计准则规定的定义和确认条件的，应当确认为无形资产和存货。 ⁵ 在此之前，已有研究认为，数据资产可纳入企业无形资产范围。而2007−2021年上市公司财务报告附注中与数据资产相关的存货披露数据较少，不足以支撑大样本回归分析。因此，本文依据前述形成的数据资产化词典，提取企业财务报告附注披露的年末无形资产明细项中与数据资产化相关的部分，将其占资产总额的比例作为企业数据资产化的代理变量（DA_IA），检验其与本文数据资产化指标（DA）的相关性，并对指标的有效性进行检验。借鉴胡楠等（2021）的研究思路，本文构建模型（1），并进一步控制行业、年份和个体效应进行回归检验。

回归结果如表2列（1）所示，二者的回归系数在1%的水平上显著为正。同时，考虑到企业在印象管理动机驱使下可能出现策略性信息披露行为，进而对其他反映高管机会主义的文本指标产生影响，本文进一步控制信息披露语调（Tone）、前瞻性（Forward）、可读性（Readability）及相似性（Similarity）等因素。表2列（2）的结果显示，显著性水平保持不变，说明本文构建的数据资产化指标较为合理。

鉴于我国自2007年起进入数据资源汇聚阶段（黄丽华等，2022），本文以2007−2021年沪深A股上市公司作为研究样本，并对数据进行如下处理：（1）剔除金融类、ST或PT公司以及数据缺失样本；（2）为减轻极端值对估计结果的影响，对所有连续变量进行双侧1%缩尾（Winsorize）处理。经过上述处理，本文共获得30516个“企业−年度”观测值。

本文的数据来源如下：（1）所有A股上市公司2007−2021年的年度财务报告来自巨潮资讯网；（2）企业数据资产化数据来自深圳证券交易所和上海证券交易所官方网站披露的上市公司年报；（3）其他数据来自CSMAR数据库。

本文通过建立数据资产化特征词谱，采用文本分析法统计特征词在上市公司年报中出现的频率，以度量企业数据资产化（DA）。

借鉴Richardson（2006）的研究，本文构建企业投资效率度量模型：首先，利用模型进行分行业、分年度多元回归，估算公司正常投资水平；其次，以模型残差的绝对值，即实际值与估计值差值的绝对值，衡量企业投资效率（Invest），绝对值越大，表明企业投资效率越低。具体模型如下：

其中，Invest_i,t表示公司i第t年的资本投资量，等于固定资产、在建工程、无形资产、长期投资的净值变化量之和与总资产之比；Size_i,t−1、Tobin_i,t−1、Cash_i,t−1、Ret_i,t−1、Age_i,t−1、Lev_i,t−1分别为第t−1年的公司规模、成长机会、现金持有量、股票回报率、上市年限、资产负债率。

本文在公司财务和治理层面控制了可能影响企业投资效率的相关变量，具体如下：公司规模（Size）、资产负债率（Lev）、现金流（Cashflow）、固定资产比例（Fixed）、企业价值（TobinQ）等公司财务层面的变量；董事会规模（Board）、第一大股东持股比例（Top1）、独立董事比例（Indep）、两职合一（Dual）等公司治理层面的变量。具体变量定义见表3。

本文构建模型（3）检验数据资产化对企业投资效率的影响，以验证假设1。

其中，解释变量DA为企业数据资产化，被解释变量Invest为企业投资效率，Controls为一系列控制变量。考虑到企业和年度因素可能对回归结果造成影响，模型（3）同时控制了个体固定效应和年度固定效应。

在理论分析中，本文已探讨了信息资源、信息质量和信息治理三种机制对企业投资效率的影响。为系统考察数据资产化影响企业投资效率的中介机制，本文借鉴江艇（2022）关于中介变量考察的方法，在实证分析中直接检验数据资产化对中介代理变量的影响，以避免逐步检验法产生的内生性偏误。据此，本文构建如下中介机制模型：

其中，M为中介变量，其余变量同模型（3）中的变量定义。若模型（3）中的系数α₁显著且模型（4）中的系数β₁也显著，则说明中介效应存在。

主要变量的描述性统计结果见表4。从表4可以看出，被解释变量企业投资效率（Invest）的最小值为0，最大值为8.4610，标准差为0.1150，表明样本企业间投资效率存在较大差异。就解释变量企业数据资产化（DA）而言，其均值为0.1260，中位数为0.0528，最小值为0.0023，最大值为4.2800，表明样本企业的数据资产化程度普遍较低，具有较大提升空间，且变量基本符合正态分布。企业数据资产化（DA）的标准差为0.2240，说明样本公司间的数据资产化程度差异明显。其余变量的统计值与已有研究基本一致，本文不再赘述。

表5报告了数据资产化对企业投资效率影响的基准回归结果。本文采用逐步加入固定效应的回归策略：首先，当初步加入控制变量时，列（1）中数据资产化的回归系数显著为负，表明数据资产化显著提升企业投资效率；其次，考虑到数据中可能存在较为显著的个体效应，本文采用固定效应模型进行回归分析，结果如列（2）所示，数据资产化的回归系数为−0.0214，依然通过了1%的显著性水平；最后，加入控制变量并同时控制年份和个体固定效应，列（3）的结果显示，数据资产化的回归系数为−0.0107，且在5%的水平上显著。上述结果表明，数据资产化显著提升企业投资效率，本文假设1得到验证。

为缓解潜在的内生性问题对研究结论的影响，更准确地识别数据资产化对企业投资效率的净影响，本文采用PSM-DID法、工具变量法、Heckman两阶段法及滞后自变量回归法进行内生性检验，以增强研究结论的可靠性。

为缓解样本选择偏差问题，本文采用PSM-DID方法进行检验。孙颖和陈思霞（2021）认为，数据资产具有非实物形态，需要依附于信息系统与数字基础设施。2016年，工信部公示了25个国家信息消费示范城市， ⁶ 并发布《2016年国家信息消费示范城市建设指南》， ⁷ 其示范内容具体包括鼓励信息基础设施集约化建设、增强和挖掘信息消费供需、推动公共数据资源开放共享等。这意味着示范城市能够显著改善信息基础设施并提升公共服务网络化水平，示范城市的企业能够共享一系列网络基础设施并扩大集聚规模，为数据的资源化整合提供硬件支撑，从而解决数据资产化的“物理载体”问题。此时，企业可以通过信息和数据等要素资源的流通互换，充分发挥数据资产边际收益递增效应，加速所在地区数据资产化进程。基于此，本文借鉴方明月等（2022）的研究，将地处信息消费示范城市的企业作为处理组，构建PSM-DID模型如下：

其中，模型（5）引入虚拟变量Treat和Post，若企业所在城市为示范城市，则Treat取值为1，否则为0；若年份在2016年以后，Post取值为1，否则为0，其余变量定义与前文保持一致。此外，模型（6）中Treat×Post×DA的系数体现了信息消费示范城市战略实施后，数据资产化对企业投资效率的影响。

为缓解处理组与控制组企业初始条件差异引发的偏差，本文进行倾向得分匹配（PSM）检验。首先，本文对Treat进行匹配，选取公司规模、资产负债率、现金流、董事会规模和第一大股东持股比例作为协变量，进行Logit回归，同时对这些协变量进行1比1近邻匹配。其次，表6的平衡性检验结果显示，各变量的标准化偏差均小于2%，且t检验结果不显著，说明处理组与控制组之间不存在系统性差异，满足平衡性假设。此外，平均处理效应（ATT）的估计结果也与前文基本一致。

本文剔除未匹配样本，共得到16245个观测值，控制年份固定效应和个体固定效应后重新进行回归。表7列（1）的结果显示，Treat×Post的系数在10%的水平上显著为负，表明数据资产化能够促进企业投资效率提升。模型（6）检验了在信息消费示范城市战略实施后，不同数据资产化程度下企业投资效率的差异。表7列（2）的结果显示，Treat×Post×DA的系数依然显著，与前文结论保持一致。上述结果表明，本文研究结论具有稳健性。

为缓解逆向因果导致的内生性问题，即投资效率高的企业可能更有能力进行数据资产建设，企业投资效率反而会对数据资产化产生影响，本文采用工具变量法进行检验。参考衣长军和赵晓阳（2024）的研究，本文测算上市公司所在地与沿海港口的距离，并将其与地区互联网宽带接入端口数对数构建交互项，作为工具变量（IV）。一方面，该变量设计满足工具变量的相关性要求：距离沿海港口较近的城市数字基础设施更完善，这为数据资产化提供了良好基础；而互联网宽带接入端口作为促进实体经济与数字经济融合的关键节点，其数量增长有利于推动企业数据资产建设。另一方面，该变量设计满足工具变量的排他性约束：企业所在地的地理特征由自然地理条件外生决定，虽然地理因素对企业投资决策存在一定影响，但随着互联网技术、交通设施的快速发展，历史上的地理位置特征已难以成为影响企业投资决策的关键因素。综上，本文所构建的工具变量满足相关性与外生性的选取条件。

基于工具变量法的检验结果见表7列（3）、列（4）。结果显示，在缓解了可能的内生性问题后，数据资产化（DA）的系数依然显著为负，说明基准回归结果稳健。表7报告了工具变量的有效性检验结果，Cragg-Donald Wald F统计量在10%的偏误水平上大于Stock-Yogo临界值，LM统计量在1%的水平上拒绝原假设，表明工具变量通过了弱工具变量检验与可识别检验，工具变量的选取合理且有效。

本文采用Heckman两阶段模型缓解样本选择偏差问题。在第一阶段，被解释变量为数据资产化的虚拟变量，当数据资产化程度大于样本中位数时，取值为1，否则为0。同时，考虑到互联网发展为数字基础设施建设营造了良好环境，也可能对企业数据资产建设产生助力。因此，本文加入各省份互联网相关从业人数（Number）这一影响因素进行Probit回归，并将第一阶段估计的逆米尔斯比率引入第二阶段模型，重新进行回归。表8列（1）、列（2）报告了两阶段检验结果，结论依然成立。

考虑到数据资产化对企业投资效率的作用可能存在滞后效应，本文对解释变量数据资产化（DA）进行滞后一期和滞后二期处理，并重新进行回归，结果如表8列（3）、列（4）所示。结果显示，滞后一期和滞后二期的数据资产化（DA）的系数分别在5%和1%的水平上显著为负，表明数据资产化确实有助于提升企业投资效率，结果与前文结论保持一致。

情感极性由个体的主观体验与客观环境相互作用产生，能够反映特定主体在隐式表达中传递的赞誉或批评等情感倾向。在“数据资产化”文本词典中，与中立情感词汇相比，正向情感词汇更能体现企业对数据资产的认可及建设成效。这促使企业在已有数据资产的基础上，进一步推动数据资产建设。因此，本文将情感分析调整后的“数据资产化”文本词典中体现正向情感的词汇词频加总，得到企业数据资产化的替代指标（DA1），再次进行检验。表9列（1）的结果显示，DA1的系数在5%的水平上显著为负，表明数据资产化能够显著提升企业投资效率。此外，为缓解数据资产化指标的右偏影响，本文在总词频的基础上进行对数化处理，由此得到数据资产化替代指标（DA2），重新进行检验。表9列（2）的结果显示，DA2的系数在5%的水平上显著为负，本文结论依然稳健。

为进一步检验结论的稳健性，本文借鉴Biddle等（2009）、Chen等（2011）的研究，重新估算企业投资效率，将模型分行业、分年度回归后得到的残差绝对值作为企业投资效率的替代指标，再次进行回归。表9列（3）、列（4）的结果显示，数据资产化（DA）的系数仍然显著为负，本文结论稳健。

企业数据资产化的特征词词谱由数据资产获取、处理和应用三个维度确定，据此，本文分别统计企业年报中三个维度的词频，再除以全文总词数，得到数据资产获取（DA3）、数据资产处理（DA4）和数据资产应用（DA5）三个指标，并分别检验这三个指标对企业投资效率的影响，控制变量与基准回归保持一致。表10列（1）至列（3）的结果显示：在数据资产获取阶段，数据资产化对企业投资效率没有显著影响；而在数据资产处理和应用阶段，数据资产化对企业投资效率的促进作用显著。这一结果与前文理论分析的逻辑相契合，可能的解释是，处于获取阶段的数据往往是单一、零散的，这种尚未聚合的数据价值有限。只有在数据价值链的处理和应用阶段，对海量无序的原始数据进行清洗、整合与编码，将其转化为便于高效访问和使用的结构化数据，并从中提炼有效信息，才能形成数据资产，最终服务于企业投资决策，提升投资效率。

考虑到企业可能存在投机性和策略性动机而产生信息披露偏误，本文借鉴袁淳等（2021）的研究进行检验。具体处理如下：第一，创业板企业主要针对高科技产业，与数字化和互联网业务的关联度更高，但大部分企业处于创业期或成长期，更有可能夸大披露数据资产化程度，以获得利益相关者支持，因此本文剔除创业板上市公司进行检验。第二，本文以证券交易所对企业信息披露质量的评级为基础，剔除评级结果不合格的样本再次进行检验。第三，内部控制缺陷可能导致企业财务数据报表编制与信息披露出现失真或违规的风险，因此本文剔除存在内部控制重大缺陷的企业样本进行再检验。第四，为缓解企业年报信息披露中徒陈空文的影响，本文进一步控制其他反映高管机会主义的文本指标，将企业年报信息表达语调（Tone）、前瞻性（Forward）、可读性（Readability）和相似性（Similarity）纳入控制变量进行再检验。上述回归结果列示于表11列（1）至列（4），可以看出，数据资产化（DA）的系数均显著为负，本文结论依然稳健。

第一，2013年被学界与业界视为“大数据元年”。自此，数据赋能业务并创造价值成为普遍共识，驱动着数据要素规模与质量的稳步提升。在此背景下，数据资产化逐步从理论探讨迈向实践应用，而这一趋势也进一步传导至企业信息披露领域，促使企业年报表外数据资产的自愿性披露日趋增多。为控制2013年前企业数据资产化信息披露不完全对研究结论的影响，本文将样本区间缩减至2013−2021年，以更准确识别数据资产化对企业投资效率的提升作用。表12列（1）的结果显示，数据资产化（DA）的系数在1%的水平上显著为负，本文研究结论仍然成立。第二，考虑到直辖市在行政层级与经济发展上的特殊性，本文剔除位于北京、上海、天津和重庆的企业样本，以排除可能的系统性偏差。表12列（2）的结果显示，数据资产化（DA）的系数在5%的水平上显著为负，本文研究结论仍然成立。第三，本文对所有变量进行一阶差分，运用差分模型对研究假设进行检验，并控制年度固定效应和个体固定效应。表12列（3）的结果显示，数据资产化（DA）的系数在10%的水平上显著为负，本文研究结论依然稳健。

尽管上文回归结果均较为显著，为排除其他随机因素的干扰，本文进一步将企业数据资产指标与现有样本随机匹配，并反复进行1000次模拟回归，再次检验数据资产化对企业投资效率的影响。结果如图3所示，核密度曲线服从正态分布，回归系数集中分布在0附近，且大多数p值大于0.1。结果表明，数据资产化对企业投资效率的提升作用并非由未被观测的随机因素所致，本文结论稳健。

图  3  安慰剂检验

前文回归已证实数据资产化对企业投资效率的促进作用，但是否如理论分析所述，数据资产化通过信息效应提升企业投资效率？为避免中介效应逐步检验法产生的内生性偏误，本文根据江艇（2022）对中介效应分析的研究，对数据资产化产生的信息效应进行分析与检验，以检验数据资产化影响企业投资效率的具体路径。

本文从融资约束视角进行信息资源机制的检验，并采用Hadlock和Pierce（2010）计算的SA指数衡量企业融资约束程度，对模型（4）进行回归，检验融资约束的中介效应。表13列（1）的结果显示，融资约束（SA）与数据资产化（DA）的系数在1%的水平上显著为负，表明数据资产化有效缓解了企业在投资过程中的融资约束问题，从而避免资金受限导致的投资不足。由此证明，数据资产化能够通过信息资源机制缓解融资约束，从而提升企业投资效率。

《企业会计准则——基本准则》规定，会计信息质量要求包括八项内容，其中真实性要求保证了信息的真实可靠、内容完整，位列首位。因此，本文采用修正Jones模型（Dechow等，1995）计算可操纵性应计利润的绝对值（数值越小，表明企业信息质量越高），对模型（4）进行回归，检验数据资产化对企业信息质量的影响。表13列（2）的结果显示，数据资产化（DA）与企业信息质量（Quality）显著负相关，表明数据资产化能够有效提升企业信息质量、缓解信息不对称，帮助企业识别投资风险并选择合理的投资区间，进而提升投资效率。由此证明，数据资产化能够通过信息质量机制增强信息质量，从而提升企业投资效率。

本文从代理成本视角进行信息治理机制检验，采用管理费用占营业总收入的比例，即管理费用率（AC1）衡量股东与管理层之间的第一类代理成本。同时，控股股东可能以隐蔽的方式“掏空”上市公司，上市公司并不会在报表中披露控股股东对关联方债权和债务的资本占用情况，而是以其他应收款的形式侵占企业资金。因此，本文参考罗进辉（2012）的做法，采用其他应收款占总资产的比例（AC2）衡量第二类代理成本。表13列（3）、列（4）的结果显示，数据资产化（DA）的系数显著为负，表明企业数据资产化显著降低代理成本，从而优化企业内部治理，强化对管理层投资活动的监督，抑制非理性决策行为，提升企业投资决策有效性。由此证明，数据资产化能够通过信息治理机制缓解代理冲突，从而提升企业投资效率。

烙印理论认为，高管在敏感时期的个人经历会形成独特而持久的“印记”，影响其信息筛选和处理机制；高阶理论则强调，企业的战略决策在很大程度上受到管理者认知、经验等个性特征的影响（Haislip和Richardson，2018）。基于上述两种理论，本文认为，若企业CEO具有信息技术背景，则其凭借相关认知与管理能力，往往更倾向于借助数字技术进行投资决策，充分利用数据资产化带来的信息技术优势，合理评估投资的相关风险与收益，促进投资效率提升。

据此，本文借鉴袁蓉丽等（2021）的研究，依据企业CEO是否具有信息技术相关教育背景或从业经历，将样本分组进行回归。表14列（1）、列（2）的结果显示，在CEO具有信息技术背景组，DA的系数在1%的水平上显著；而在CEO不具有信息技术背景组，DA的系数不显著，说明数据资产化对投资效率的驱动作用在CEO具有信息技术背景的情况下更显著。可能的原因在于，具有信息技术背景的CEO在面对数据资产化带来的海量多样化信息时，能够凭借其信息技术知识、数据挖掘与信息处理能力，将相关信息整合于企业投资战略决策，从而提升企业投资效率。

企业对投资机会的识别与把握依赖于充分且有效的信息支持。这些信息既包括历史财务信息、当前经营状况等企业内部信息，也包括企业外部的各类信息。因此，在数据资产化通过信息质量机制提高企业内部信息真实性和有效性的基础上，丰富的外部信息更易与企业内部信息形成协同，二者通过数据整合共同作用于企业投资决策。例如，数据资产化有助于企业从繁杂多样的外部信息中捕捉和筛选高相关性内容，实现信息过滤与动态跟踪，促进企业内外部信息的联通与融合，从而辅助管理层准确识别项目关键点，做出科学决策。基于此，本文预期，在外部信息环境较好的情况下，数据资产化将促进企业内外部信息聚合、协作、共享，进而为企业投资决策提供有效支持，提升企业投资效率。

分析师是企业与市场的信息纽带，其跟踪人数在一定程度上能够反映市场对企业的关注度，即分析师跟踪人数越多，公司信息越会被有效挖掘与分析，从而进一步改善企业外部信息环境。基于此，本文以分析跟踪人数衡量企业所面临的外部信息环境，并以其中位数为界将样本分为两组进行回归。表14列（3）、列（4）的结果显示，在外部信息环境较好组，DA的系数在1%的水平上显著为负；而在外部信息环境较差组，DA的系数不显著，说明当企业处于较好的外部信息环境时，数据资产化对企业投资效率的提升作用更显著。可能的原因在于，良好的外部信息环境能够与数据资产化带来的高质量内部信息形成有效协同，并共同作用于企业投资决策，从而提升企业投资效率。

产权性质对企业的影响已得到广泛探讨。国有企业具有政府的隐性背书，更易获得政府、银行和投资者的信贷支持，资本积累相对充裕。相比之下，民营企业的财务状况不易被市场识别，融资风险较高，在融资效率上处于劣势，普遍面临融资难、融资贵等问题，融资约束更为突出。数据资产化可以通过信息效应，降低信息不对称，缓解企业融资约束，提高投资效率。基于此，本文预期，数据资产化对企业投资效率的促进作用在非国有企业中更显著。

本文按照企业产权性质对样本进行分组检验，结果如表15列（1）、列（2）所示。在非国有企业组，数据资产化（DA）的系数为−0.0129，且在10%的水平上显著；而在国有企业组，数据资产化（DA）的系数不显著。可能的原因在于，非国有企业在不完全市场中面临更严重的信息不对称，其投资机会更易被市场忽略。数据资产化通过信息机制拓宽了企业与外部信息使用者之间的沟通渠道，在缓解非国有企业融资约束方面发挥重要作用，进而促进其投资效率提升。

市场环境是影响企业决策的重要外部因素。一方面，随着市场化程度的提高，稳定的资本市场能为企业提供更充沛、优质且可持续的信贷支持，带来充裕的资金保障与稳健的筹资渠道，从而缓解融资约束。另一方面，更高的市场化水平往往伴随着更健全的法律监督体系与更强的社会舆论监督，促使企业提高信息披露的充分性与透明度，大股东“掏空”行为所承担的风险成本上升，机构投资者更有动力与能力收集、分析企业投资经营相关信息，以监督和制衡大股东。因此，在市场化程度较高的环境下，信息治理机制和信息资源机制所能发挥的边际作用减弱，数据资产化通过中介效应对企业投资效率的改善效果降低。

本文将《中国分省份市场化指数报告》（王小鲁等，2021）中2007−2021年数据与企业注册地所在省份指标数据进行匹配，并以中位数为界将样本划分为市场化程度高低两组，分别进行回归。表15列（3）、列（4）的结果表明，在市场化程度低的地区，数据资产化对企业投资效率的促进效果更显著。可能的原因在于，数据资产化通过信息治理机制和信息资源机制有效弥补因制度环境不完善所导致的融资约束与监督弱化问题，从而提升企业投资效率。

企业非效率投资主要表现为投资不足和过度投资两种形式，为厘清数据资产化对二者的具体影响，本文分别进行检验与分析。第一，数据资产化与投资不足。首先，数据资产化依托数据中台、数据库及数据信息系统等载体，整合企业内部运营与对外投资过程中产生的大量信息。这些信息经过筛选、与市场数据进行交叉验证后，能转化为更为真实、客观的决策依据，有助于相关部门对企业投资项目进行审慎研判，科学分析风险与收益，从而缓解管理层的过度审慎倾向，减少投资不足。其次，数据资产化程度较高的企业，能够向外界传递更为标准化、结构化的信息，从而为债权人评估企业价值潜力与发展前景提供重要工具。这不仅有助于降低信息搜寻成本，也可在一定程度上提升企业融资效率，为企业重要投资项目筹措充足资金，把握市场机会，进而抑制投资不足。第二，数据资产化与过度投资。首先，基于委托代理理论，数据资产化促进了企业内部各部门、跨层级的信息流通，提升了信息的透明度与可追溯性。股东可借助这类高质量信息，高效还原企业经营活动的各个环节，加强对管理层投资行为的监督，抑制管理层自利动机引发的恶性增资或为追求短期业绩而进行的盲目投资，从而避免过度投资。其次，数据资产化推动了企业向数据驱动决策模式转型。依靠数据分析结果做出判断，可以有效约束依赖管理层的经验主义而盲目做出的非理性投资行为，进而抑制过度投资。

为分别检验数据资产化对过度投资和投资不足的影响，本文基于模型（2）的残差进行判定：若残差大于0，则表示过度投资（Overinvest）；若残差小于0，则表示投资不足（Underinvest）。随后，本文将两种非效率投资变量分别与数据资产化进行回归，结果如表16列（1）、列（2）所示，DA的系数均显著为负，说明数据资产化对过度投资和投资不足均具有显著的抑制作用。

投资效率提升主要反映企业在特定时期的投资决策成果，而数据资产化带来的信息效应可能产生长期的累积效应，助推企业投资由规模驱动转向效率驱动，进而赋能企业高质量发展。基于此，本文进一步考察数据资产化能否促进企业高质量发展，并检验投资效率是否发挥中介作用。本文以LP法计算的全要素生产率（TFP_LP）衡量企业高质量发展能力，结果如表16列（3）所示。数据资产化（DA）的系数在1%的水平上显著为正，说明数据资产化能够显著提升企业高质量发展能力。此外，列（4）、列（5）中，投资效率（Invest）的系数均显著为负；且列（4）中DA的系数较列（3）有所下降，表明投资效率在数据资产化与企业高质量发展之间发挥了部分中介效应。

当前，我国经济已迈入高质量发展阶段，企业正处于全面推进数字化、智能化建设的关键时期。一方面，数据资产化正逐步覆盖并渗透至企业生产、经营、管理等各个环节，成为推动企业发展的重要动力；另一方面，非效率投资仍是制约经济提质增效的重要因素。基于此，本文以2007−2021年中国沪深A股上市公司为研究样本，采用机器学习和文本分析法构建企业数据资产化指标，分析其对企业投资效率的影响，并从信息机制视角进一步考察其中的作用路径。本文主要结论如下：第一，数据资产化显著提升企业投资效率，该结论在经过一系列内生性检验和稳健性检验后依然成立。第二，数据资产化通过信息资源机制、信息质量机制和信息治理机制三条路径发挥中介作用，从而提升企业投资效率。第三，异质性分析发现，当CEO具有信息技术背景、企业外部信息环境较好、产权性质为非国有以及所在地区市场化水平较低时，数据资产化对企业投资效率的促进作用更显著；对非效率投资的分维度检验发现，数据资产化缓解了投资不足，同时抑制了过度投资；经济后果检验发现，数据资产化能够通过提升投资效率，进而推动企业高质量发展。

基于上述研究结论，本文提出如下政策建议：首先，对企业层面的建议。第一，企业应积极响应数字经济的战略导向，加快推进数字化与智能化转型，深化对数据资产价值的认识，加速数据资产化进程，推动数据在生产经营中的深度融合与应用。通过数据赋能投资决策，为企业投资提供更全面、精准的信息支持，从而提升投资效率。第二，CEO具有信息技术背景、外部信息环境较好、产权性质为非国有企业或处于市场化程度较低地区的企业，应更加注重数据资产的建设与应用，发挥信息机制的中介效应，改善投资不足、抑制投资过度，促进企业高质量发展。其次，对政府层面的建议。第一，政府应加快完善数据资产确权、披露、交易制度，促进数据资产价值的有效释放；加大对企业数据资产建设的政策支持力度，通过政府补贴、税收减免、信贷支持及专利保护等方面的措施，缓解企业数据资产化过程中的融资约束，并提高侵权成本与制度壁垒；第二，政府应在数据要素市场培育中发挥引导、示范作用，通过打造具有“灯塔效应”的行业标杆、示范项目、示范园区，发挥政策的激励、协调作用，促进数据要素价值的充分释放，更好赋能实体经济转型升级。