数据资产化对企业商业模式创新的影响研究

随着人工智能、云计算、区块链和大数据技术的持续扩散，数据已由经营活动的附属记录转变为驱动产业转型和企业增长的关键生产要素。数智技术不仅改变了数据采集、处理和利用方式，也推动了企业通过管理制度、会计确认和市场交易机制，将分散的数据资源转化为可识别、可计量、可运营的数据资产。许宪春等从统计与核算视角指出，数据资产的形成需要明确其生产属性、价值链环节和测度口径；胡亚茹和许宪春进一步强调，企业数据资产价值具有场景依赖性和动态累积性。由此看，数据资产化并不是简单的“数据入表”，而是企业围绕数据治理、价值识别和商业转化形成的一套能力体系。

在政策与制度层面，数据资产化的实践正在获得关键支撑。2022年发布的《关于构建数据基础制度更好发挥数据要素作用的意见》为数据确权、流通、收益分配和安全治理提供了顶层安排。财政部于2023年出台的《企业数据资源相关会计处理暂行规定》进一步明确了企业数据资源的会计处理规则，标志着数据资产“入表”进入实操阶段。制度供给的完善降低了企业数据价值表达的不确定性，也为数据资源从内部管理对象转向可被资本市场、供应链伙伴和业务生态识别的战略资产创造了条件。

理论上，数据资产的价值实现依赖于其在企业经营中的深度嵌入。既有研究表明，数据能够赋能经营决策、形成可交易数据产品、缓解信息不对称，进而改善生产率、拓展收入来源并提升企业价值。然而，现有研究仍存在明显拓展空间：一是多数文献聚焦于数据资产的概念界定、会计处理与信息披露经济后果，对其如何作用于企业商业模式创新的微观机制讨论不足；二是商业模式创新研究虽强调技术、市场与组织能力的综合作用，却较少将“数据资产形态”与“数智技术应用”纳入同一分析框架。换言之，数据资产化能否转化为商业模式创新，并不取决于数据规模本身，而取决于企业能否借助数智技术将数据转化为可执行的洞察、流程和产品服务。

鉴于此，本文试图回答以下问题：在企业层面，数据资产化是否能够促进商业模式创新？如果存在促进作用，数智技术应用是否构成关键的中介路径？不同产权性质企业在这一过程中是否表现出差异？围绕上述问题，本文构建整合数据资产形态、数智技术能力与商业模式创新的微观分析框架，以期为数据治理、技术配置和商业模式重塑提供理论依据与经验证据。

一、 理论分析与研究假设

（一）数据资产化对企业商业模式创新的影响

随着大数据技术的快速发展与广泛应用，数据资产化已成为企业资源管理与战略转型中的核心议题。与传统资产相比，数据资产具有可复制、非消耗、可重组和场景增值等特征，其价值并不完全来自单一数据集本身，而更多取决于数据治理水平、业务场景适配程度和持续迭代能力。在企业实践中，数据资产既可以通过表内列示、附注披露等方式实现价值表达，也可以通过数据产品、数据服务和数据接口参与市场交换，从而为数据资源的开发、运营与交易奠定制度基础。

既有研究表明，数据资产化会从经营效率、资本市场和资源配置等方面影响企业表现。Tambe发现，企业的大数据投资只有与数据资产和相关技能相匹配时，才更容易转化为生产率提升；Opresnik and Taisch提出“服务化数据资产”概念，强调数据与服务结合能够创造新的收入来源；Gunasekaran et al.指出，大数据与预测分析有助于提升供应链和组织绩效。苑泽明等发现数据资产信息披露有助于提升企业价值，何瑛等则表明数据资产化能够缓解“专精特新”中小企业融资约束。商业模式创新是企业围绕价值创造、价值传递和价值获取方式进行的系统性调整。Teece指出，商业模式体现了企业如何向客户提供价值并将价值转化为收益；Chesbrough进一步强调，同一项技术或创意能否产生商业回报，取决于企业能否找到与之匹配的商业模式。Foss and Saebi的综述也表明，商业模式创新既受到技术和市场变化的外部推动，也受到企业资源配置、组织能力和管理认知的内部约束。因此，技术并不会自动带来商业模式变革，只有当企业具备将资源重新组合并嵌入业务场景的能力时，创新效应才可能显现。因此，基于上述分析，本文提出如下假设：

H1：数据资产化正向促进企业的商业模式创新。

（二）数智技术应用的中介机制分析

数智技术应用是数据资产化转化为商业模式创新的重要桥梁。Frank et al.从工业4.0与服务化融合视角指出，数字技术嵌入产品服务体系会推动制造企业商业模式重构；Yang et al.关于联邦学习的研究说明，隐私保护和跨组织协同可以在不直接暴露原始数据的情况下实现知识共享；Martin et al.则提醒，企业在部署数字技术时必须同时处理效率、信任和伦理约束。由此可见，数智技术并非单纯的工具投入，而是连接数据治理、业务场景 and 价值实现的能力载体。

进一步看，数据资产化可以通过提升数智技术应用水平间接推动商业模式创新。一方面，数据资产的标准化、确权和质量控制降低了技术部署中的数据清洗、接口适配和合规成本，加快人工智能、物联网等技术在营销、生产、风控和服务场景中的落地；另一方面，数据资产的共享和流通增强了技术协同效能，使企业能够开展动态资源调度、个性化服务、预测性维护和生态平台运营。换言之，数据资产化为数智技术提供“可用、可信、可复用”的要素基础，数智技术则把数据价值转化为流程再造、产品服务升级和收益模式创新。基于上述分析，本文提出如下假设：

H2：数据资产化通过正向影响数智技术应用水平来促进企业的商业模式创新。

二、研究设计

（一）样本与数据

本文选取2018—2023年A股上市公司作为研究样本。为保证样本的可比性和数据质量，剔除金融行业公司、当年交易状态为ST或PT的公司、上市年限不足一年的公司以及主要财务数据缺失的样本，最终得到1588家上市公司、9528个公司年度观测值。为降低极端值对估计结果的影响，本文对连续变量在1%和99%分位数上进行缩尾处理。年报文本来自巨潮资讯网，财务及公司治理数据主要来源于CSMAR数据库和Wind数据库，并使用Stata 17进行数据整理和实证检验。

（二）变量定义与测度

1. 被解释变量

本文的被解释变量为商业模式创新水平（BMI）。结合Teece、Chesbrough以及Foss and Saebi（2017）关于商业模式创新的界定，本文从价值主张、价值创造、价值传递和价值获取等维度出发，利用上市公司年报文本识别商业模式创新相关词频，并采用熵值法构建综合指标。具体指标构成如表1所示。

特征	相关联词集	权重计算
智能化	智能、大数据、云计算、人工智能、智能化、物联网、大数据、移动物联网、数据中心、云服务、云技术、虚拟化、数据挖掘、云平台、云服务、数据分析、智慧、自动化	0.142
平台化	平台、平台化、服务平台、管理平台、运营平台、信息平台、网络平台、技术平台、平台系统、支撑平台、门户、系统、体系化、产品化、集成化、系统化	0.069
网络化	网络、互联网、网络平台、信息网络、移动互联网、互联网+、互联网金融、互联网化、移动、新媒体	0.162
信息化	信息、信息化、企业信息化、管理信息化、信息化管理、信息化应用、管理信息系统、信息管理系统、应用系统、软件系统、网络系统、管理系统	0.118
数字化	数据、数字化、数字、基础数据、统计数据	0.081
外拓化	拓展、开拓、开拓力度、开拓市场、市场拓展、业务拓展、开辟、培育、拓宽、扩展、延伸、扩宽、探索、扩大	0.031
扁平化	电商、电子商务、跨境电商、电子商务平台、线上、线下、网络销售、网购、网络营销、天猫	0.192
多元化	营销、渠道、销售渠道、营销渠道、渠道建设、多渠道、渠道销售、市场营销、营销服务、营销模式、客户服务、市场开发	0.082
社群化	社群、场景、生态圈、社交媒体、生态系统、社交、体验、交互、移动端、场合、功能、入口	0.123
商业模式创新		1

2. 解释变量

本文参考何瑛等的思路，统计上市公司年报中与数据资产化相关的221个关键词词频。具体而言，采用Word2Vec神经网络模型构建以“信息”“网络”“数字”“数据”为种子词的相似词词集，并依据数据资产的用途将其划分为自用型数据资产（ODA）和交易型数据资产（DDA）。

3. 中介变量

关于中介变量数智技术应用水平（Dt），本文参考戴魁早等的测度方式，从底层技术和应用场景两个维度抓取相关关键词。底层技术维度主要包括“ABCD”及其延伸技术；应用场景维度则涵盖数字营销、数字化转型、智能制造等关键词。

4. 控制变量

变量		变量符号	变量说明
被解释变量	商业模式创新	BMI	熵值法后/总词数*1000
解释变量	数据资产化	Data	ln（数据资产词频+1）
中介变量	数智技术应用水平	Dt	ln（数智技术应用水平词频+1）/年报总词数*10000
控制变量	上市时间	Age1	年份-上市年份+1
	赫芬达尔指数	HHI	行业内公司的营收占比平方和
	杠杆水平	Debt	负债总额/资产总额
	公司成长性	Growth	每股市价／每股收益
	股权集中度	Top5	公司前五大股东持股比例
	公司规模	Size	ln（总资产）
	总资产报酬率	ROA	净利润/总资产
	产权性质	SOE	国有企业为1，否则为0

（三）研究模型

模型（1）中，i和t分别表示企业和年份，BMIi,t表示商业模式创新水平，Datai,t表示数据资产化水平，CVi,t为控制变量。为进一步识别作用路径，构建中介效应模型：

三、实证结果

（一）描述性统计

变量	样本量	均值	标准差	最小值	最大值
BMI	9528	0.427	0.438	0.035	3.245
Data	9528	3.496	0.741	0	6.979
Dt	9528	0.436	0.262	0	1.48
ROA	9528	0.027	0.088	-1.648	0.786
Age1	9528	13.14	7.408	0	32
HHI	9187	0.17	0.148	0.039	1
Debt	9528	0.421	0.19	0.014	1.698
Growth	7988	120.883	4396.533	0.648	392617.13
Top5	9528	0.474	0.179	0.2	0.985
Size	9528	22.379	1.269	18.902	28.017

（二）基准回归分析

	(1) BMI	(2) BMI
Data	0.106*** (22.241)	0.090*** (17.642)
Age1		0.015*** (15.080)
HHI		-0.068** (-2.516)
Debt		-0.059*** (-2.777)
Growth		0.000 (0.114)
Size		0.025*** (4.227)
_cons	0.057*** (3.449)	-0.628*** (-5.096)
Firm/Year FE	Yes	Yes
N	9528	7775
R2	0.059	0.134

注：*、**、*** 分别表示在 10%、5%、1% 水平上显著，括号内为 t 值。

（三）稳健性检验

变量	(1) 滞后一期	(2) 替换被解释变量	(3) 更改解释变量
Main Variable	0.197*** (Datat-1)	0.004*** (Market_share)	0.115*** (Digital)
Age1	0.016***	-0.002***	0.015***
Size	0.029***	0.017***	0.034***
N	7940	7775	7775

四、 进一步分析

（一）中介机制分析

	(1) Dt	(2) BMI
Dt		0.223*** (15.490)
Data	0.048*** (10.703)
Control Variables	Yes	Yes
R2	0.022	0.124

（二）异质性分析

	(1) 国企	(2) 非国企
Data	0.057*** (7.526)	0.105*** (15.768)
Size	0.032*** (3.089)	0.028*** (3.706)
组间差异检验	0.048*

五、 结论与启示

（一）研究结论

本文主要得到以下结论：第一，数据资产化显著促进企业商业模式创新。数据资产化不仅是数字化转型的制度基础，更是商业模式变革的重要推动力。第二，数智技术应用水平在两者之间发挥显著中介作用。第三，异质性分析表明，数据资产化对商业模式创新的促进作用在非国有企业中更为显著。

（二）理论贡献与实践启示

其一，企业应积极推进数据资产化进程，建立系统机制。其二，企业应重视数智技术应用在释放数据价值中的枢纽作用。其三，政策制定者应注重分类施策，完善数据要素市场基础设施建设。

参考文献：

1. [1] 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(02):16-30.
2. [2] 胡亚茹,许宪春.企业数据资产价值的统计测度问题研究[J].统计研究,2022,39(09):3-18.
3. [3] 苑泽明,于翔,李萌.数据资产信息披露、机构投资者异质性与企业价值[J].现代财经(天津财经大学学报),2022,42(11):32-47.
4. [4] 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(08):154-173.
5. [5] 徐心,蔡瑶.数智流:企业数据资产的建设路径[J].清华管理评论,2024(04):46-58.
6. [6] 卢相君,李霁航.数据资产化对企业债务融资成本的影响研究[J].工业技术经济,2025,44(09):77-86.
7. [7] Tambe P. Big data investment, skills, and firm value[J]. Management science, 2014, 60(06):1452-1469.
8. [8] Opresnik D, Taisch M. The value of big data in servitization[J]. International journal of production economics, 2015, 165:174-184.
9. [9] Gunasekaran A, Papadopoulos T, Dubey R, et al. Big data and predictive analytics for supply chain and organizational performance[J]. Journal of business research, 2017, 70:308-317.
10. [10] Brynjolfsson E, McElheran K. The rapid adoption of data-driven decision-making[J]. American economic review, 2016, 106(05):133-139.
11. [11] Teece D J. Business models, business strategy and innovation[J]. Long range planning, 2010, 43(2-3):172-194.
12. [12] Foss N J, Saebi T. Fifteen years of research on business model innovation[J]. Journal of Management, 2017, 43(01):200-227.
13. [13] Chesbrough H. Business model innovation: opportunities and barriers[J]. Long range planning, 2010, 43(2-3):354-363.
14. [14] Frank A G, Mendes G H S, Ayala N F, et al. Servitization and Industry 4.0 convergence in the digital transformation of product firms[J]. Technological forecasting and social change, 2019, 141:341-351.
15. [15] 温忠麟,叶宝娟.中介效应分析:方法 and 模型发展[J].心理科学进展,2014,22(05):731-745.