引言

在“双碳”战略目标纵深推进与数字经济快速发展的双重背景下，绿色创新已成为企业实现低碳转型、提升长期竞争力的核心路径。数据资产作为数字经济时代的新型生产要素，具备非竞争性、边际成本递减等独特属性，为破解传统模式下绿色创新高投入、高风险、周期长的现实困境提供了新的契机。当前学界对绿色创新驱动因素的研究已较为丰富，但针对数据资产与企业绿色创新的因果关系及作用路径的系统性实证探讨仍有待补充。基于此，本文以2013—2024年A股上市公司为研究样本，实证考察数据资产对企业绿色创新的影响效应，从融资约束与人力资本结构维度揭示其内在作用机制，并从产权性质、地区金融科技水平、行业污染程度三方面展开异质性分析，旨在为数字要素赋能绿色转型提供微观经验支撑。

一、理论分析与研究假设

（一）数据资产对企业绿色创新的总体影响

数据资产作为数字经济时代的核心生产要素，具有非竞争性、可复制性、可共享性和边际成本递减等独特属性，能够与技术、资本、劳动等传统生产要素深度融合，从根本上改变企业绿色创新的范式和效率。具体而言，数据资产能够精准识别创新方向，通过整合用户需求数据、生产运营数据、环境监测数据和行业技术数据，借助大数据分析和人工智能算法精准捕捉市场对绿色产品和服务的需求变化，识别前沿绿色技术发展趋势，为企业绿色创新决策提供科学依据，有效降低创新的方向性风险。数据资产还能显著提升创新过程效率，其支持下的数字孪生、虚拟仿真等技术能够在虚拟空间中模拟绿色技术研发和生产流程，提前发现技术瓶颈和设计缺陷，大幅减少物理实验的次数和成本，缩短绿色创新的研发周期；同时，数据驱动的研发管理模式能够优化创新资源配置，提高研发团队的协作效率。

基于资源基础观，数据资产作为企业的异质性战略资源，能够为企业带来难以被竞争对手模仿的竞争优势。拥有丰富数据资产的企业能够更有效地整合内外部创新资源，克服绿色创新面临的各种障碍，提升绿色创新的产出水平和质量。据此，提出本文的第一个研究假设：

假设1：数据资产能够显著促进企业绿色创新。

（二）数据资产通过缓解企业融资约束促进绿色创新

融资约束是制约中国企业绿色创新的核心瓶颈。绿色创新项目通常需要大量的前期资金投入，且投资回收期长、失败风险高，同时由于绿色技术的专业性和复杂性，外部投资者难以准确评估项目的价值和风险，导致企业面临严重的信息不对称问题。此外，传统的信贷体系主要依赖固定资产等有形资产作为抵押品，而绿色创新的成果多为无形资产，难以满足传统信贷的抵押要求，进一步加剧了企业的融资约束。

数据资产的出现为缓解企业融资约束提供了新的解决方案，具体体现在以下三个方面。首先是拓展抵押品范围，随着数据资产确权、评估和交易体系的不断完善，数据资产作为一种新型无形资产，其价值逐渐得到金融机构的认可，企业可以将拥有的数据资产作为信贷抵押品，有效解决绿色创新项目抵押品不足的问题，拓宽融资渠道。其次是降低信息不对称程度，企业通过披露数据资产的相关信息，能够向外部投资者传递其数字化转型程度、数据管理能力和未来成长潜力等积极信号，帮助投资者更准确地评估企业的价值和绿色创新项目的前景，从而降低信息不对称带来的逆向选择和道德风险，吸引更多的外部资金投入。最后是增加内部现金流，数据资产的应用能够帮助企业优化生产流程、降低运营成本、提高生产效率，从而增加企业的内部现金流，充足的内源融资能够为企业绿色创新提供稳定的资金支持，减少对外部融资的依赖。当企业面临的融资约束得到缓解时，企业将有更多的资金投入到绿色技术研发中，从而提升绿色创新水平。据此，提出本文的第二个研究假设：

假设2：数据资产通过缓解企业融资约束促进绿色创新。

（三）数据资产通过优化企业人力资本结构促进绿色创新

绿色创新是典型的知识密集型活动，高素质的人力资本是企业进行绿色技术研发、应用和推广的核心要素。拥有丰富高技能、高学历人才的企业能够更好地吸收和应用前沿绿色技术，开展原创性绿色创新活动。然而，传统企业往往存在人力资本结构不合理、高技能人才短缺等问题，严重制约了绿色创新能力的提升。

数据资产的发展和应用能够从多方面优化企业的人力资本结构，为绿色创新提供坚实的人才支撑。首先是替代效应，数据资产和人工智能技术能够替代大量低技能、重复性的劳动岗位，如生产线上的简单操作、基础的数据录入和统计等，从而减少企业对低学历、低技能员工的需求，优化企业的人员结构。其次是需求效应，数据资产的应用催生了数据分析师、算法工程师等一系列新的工作岗位，大幅增加了企业对高学历人才的需求，为了适应数字化转型和绿色创新的需要，企业会主动招聘和引进相关领域的高素质人才，提升整体人力资本水平。最后是提升效应，数据资产带来的知识共享平台和数字化培训体系，能够为企业员工提供便捷的学习渠道，帮助员工更新知识结构、提升技能水平显著提升其绿色技术研发能力。优化后的人力资本结构能够更好地匹配数据资产的应用需求，充分发挥数据资产在绿色创新中的赋能作用，从而提升企业的绿色创新产出。据此，提出本文的第三个研究假设：

假设3：数据资产通过优化企业人力资本结构促进绿色创新。

二、研究设计

（一）样本选择与数据来源

本研究以2013-2024年A股上市公司为研究对象，数据资产来源于样本期间的公司年报，上市公司的其余变量均来源于Wind和CSMAR数据库。并且依次剔除以下样本：（1）研究期内被标记为ST、*ST、PT企业；（2）排除金融、保险行业企业；（3）上市时间不足三年以及中途退市的企业（4）资不抵债企业（5）关键变量缺失的企业（6）注册地在我国西藏自治区的公司。最后，对主要连续变量执行了1%和99%水平的截尾操作，以剔除异常值影响，最终获得30790个有效观测值。

（二）变量定义

1. 被解释变量

企业绿色创新（Green），使用Ln（绿色发明专利申请量＋绿色实用新型专利申请量+1）衡量企业的总体绿色创新水平，同时以Ln（绿色发明专利申请量＋１）衡量绿色创新“质量”。

2. 核心解释变量

企业数据资产（DATA），使用财务数据进行计算，即定义企业数据资产=ln(市场价值-固定资产-金融资产-无形资产)。其中，市场价值=（总负债的账面价值+股票市值）；金融资产=（交易性金融资产+衍生金融资产+短期投资净额+可供出售金融资产净额+持有至到期投资净额+长期债权投资净额+长期金融股权投资+投资性房地产+委托理财产品）；无形资产=（专利权账面价值+非专利技术账面价值+商标权账面价值+著作权特许权账面价值+土地使用权原值）。

3. 控制变量

本文加入了一系列控制变量，包括企业规模（Size，年末总资产的自然对数）、上市年限（ListAge，成立年限加1取自然对数）、资产负债率（LEV，年末总负债/年末总资产）总资产报酬率（ROA，净利润/总资产）、成长性（Growth，年末总资产增长额/年初总资产）、现金流比率（CashFlow，经营活动产生的现金流量净额/总资产）、托宾Q值（TobinQ，市值/总资产）、两职合一（Dual，董事长与总经理兼任时为1，否则为0）、审计意见（Opinion，标准无保留意见取0，否则为1）、产权性质（SOE，国有企业为1，否则为0）、第一大股东持股比例（Top1，第一大股东持股数量/总股数）、董事会规模（Board，董事人数的自然对数）、独立董事占比（Indep，独立董事/董事人数）。

（三）变量描述性统计

表1报告了主要变量的描述性统计结果。数据资产均值为22.809，标准差为1.120，说明样本企业数据资产水平整体分布较为集中，最大值为28.589，最小值为17.607，反映出不同企业间数据资产化程度存在一定差异。其他变量的描述性统计结果与现有文献中的数据统计保持一致，不再赘述。

变量	均值	标准差	最小值	最大值
Green	0.975	1.232	0.000	5.017
Greeninv	0.685	1.049	0.000	4.635
DATA	22.809	1.120	17.607	28.589
Size	22.323	1.282	19.563	26.452
ListAge	2.119	0.759	0.693	3.555
Lev	0.406	0.192	0.046	0.910
ROA	0.036	0.062	-0.556	0.222
Growth	0.134	0.346	-0.673	5.076
CashFlow	0.052	0.064	-0.202	0.267
TobinQ	2.015	1.242	0.795	17.676
Dual	0.319	0.466	0.000	1.000
Opinion	0.985	0.122	0.000	1.000
SOE	0.298	0.458	0.000	1.000
Top1	0.333	0.146	0.075	0.755
Board	2.106	0.194	1.609	2.708
Indep	0.377	0.053	0.286	0.600
N	30790	30790	30790	30790

（四）模型设定

为检验假说1，本文设置模型（1）考察企业数据资产化对企业绿色创新的影响：

其中，为被解释变量，代表t期的企业绿色创新情况；为核心解释变量，代表t期的企业数据资产化，为了更加细致地考察企业数据资产对企业绿色创新的影响，进一步对实质性创新（Greeninv）进行回归分析。所有回归控制了年份固定效应和企业固定效应。

为检验假说2和假说3，参考现有文献，本文设置模型（2）考察融资约束作用机制的影响，设置模型（3）考察人力资本结构作用机制的影响：

其中和为被解释变量，分别代表t期的企业融资约束情况和人力资本结构水平。机制模型（2）和（3）中其余变量和基准模型（1）完全一致。

三、实证结果分析

（一）基准回归

为检验数据资产对企业绿色创新的影响效应，本文对模型（1）进行回归，结果如表2所示。第（1）列和第（3）列为未加入控制变量、仅控制企业和年份固定效应的单变量回归结果，数据资产（DATA）的回归系数分别为0.461和0.400，且均在1%的水平上显著为正，初步表明数据资产与企业绿色创新水平之间存在显著的正相关关系。第（2）列和第（4）列为加入全部控制变量并控制企业和年份固定效应的回归结果，数据资产的系数分别为0.056和0.056，且分别在5%和1%的水平上显著为正。从经济意义来看，数据资产每增加1个标准差，企业总体绿色创新水平将提升6.27%，绿色发明专利申请量将提升6.27%，说明数据资产对企业绿色创新的促进作用不仅具有统计显著性，还具有明显的经济显著性。控制变量的回归结果基本符合现有文献的预期，与现有研究结论一致。

综上，基准回归结果表明，数据资产的发展能够显著提升企业的绿色创新产出，且对绿色发明专利这一实质性创新的促进作用同样显著，验证了本文的研究假设1。

	(1) Green	(2) Green	(3) Greeninv	(4) Greeninv
DATA	0.461***	0.056**	0.400***	0.056***
	(64.815)	(2.465)	(60.498)	(2.638)
_cons	-9.542***	-9.194***	-8.436***	-7.595***
	(-59.680)	(-15.939)	(-56.880)	(-13.606)
控制变量	否	是	否	是
固定效应	是	是	是	是
N	30790	30790	30790	30790

（二）稳健性检验

为确保基准回归结果的可靠性，本文从以下多个维度进行稳健性检验，结果如表3所示。

1. 替换核心解释变量

前文采用剩余价值法衡量企业数据资产，为缓解变量测量误差对实证结果的影响，本文参考现有文献的做法，采用文本分析法构建企业数据资产指标（DATA1）重新进行回归。具体而言，通过Python爬取上市公司年报，构建包含“数据资产”“数据中心”“大数据”“人工智能”“云计算”等关键词的文本词典，统计年报中相关关键词的词频并进行标准化处理，以此作为数据资产的替代指标。表3第（1）列的回归结果显示，DATA1的系数为0.067，且在1%的水平上显著为正，与基准回归结果的方向和显著性保持一致，说明本文的研究结论不受数据资产测量方式的影响。

2. 控制行业×年份交乘固定效应

考虑到不同行业可能面临随时间变化的政策冲击和技术冲击，这些冲击可能同时影响企业的数据资产化进程和绿色创新行为，从而导致遗漏变量偏误。为此，本文在基准模型中进一步加入行业×年份交乘固定效应，以控制行业层面随时间变化的不可观测因素。表3第（2）列的回归结果显示，数据资产的系数为0.082，且在1%的水平上显著为正，与基准回归结果相比有所增大，说明在控制了行业层面的时间趋势后，数据资产对绿色创新的促进作用更加明显。

3. 子样本回归

为排除特定样本对实证结果的干扰，本文进行了三组子样本回归：第一，剔除注册地位于直辖市的企业。直辖市的数字基础设施、政策支持力度和市场环境与其他地区存在较大差异，可能会系统性地影响数据资产对绿色创新的作用效果。表3第（3）列的回归结果显示，数据资产的系数为0.051，且在5%的水平上显著为正。第二，剔除数字行业相关企业。数字行业企业本身就是数据资产的主要生产者和深度应用者，其数据资产水平和创新特征与其他行业存在本质差异。表3第（4）列的回归结果显示，数据资产的系数为0.076，且在1%的水平上显著为正。第三，剔除2015年的样本数据。2015年中国股市出现异常波动，对企业的融资环境和创新决策产生了较大冲击。表3第（5）列的回归结果显示，数据资产的系数为0.058，且在1%的水平上显著为正。以上三组子样本回归结果均与基准回归结论无实质性差异，进一步验证了本文研究结论的稳健性。

	(1) 替换核心解释变量	(2) 行业×年份交乘固定效应	(3) 剔除直辖市	(4) 剔除数字行业相关企业	(5) 剔除2015年
	Green	Green	Green	Green	Green
DATA1	0.067***
	(3.274)
DATA		0.082***	0.051**	0.076***	0.058***
		(0.022)	(1.996)	(3.043)	(3.118)
_cons	-9.090***	-9.458***	-10.206***	-9.404***	-8.682***
	(-15.905)	(0.576)	(-16.160)	(-14.436)	(-22.532)
控制变量	是	是	是	是	是
固定效应	是	是	是	是	是
N	30787	30787	24430	25086	29105

（三）作用机制检验

基准回归结果已经证实数据资产能够显著促进企业绿色创新，那么数据资产是通过哪些路径影响企业绿色创新的呢？结合现有文献的研究成果，本文认为数据资产主要通过缓解企业融资约束和优化人力资本结构两条路径作用于绿色创新，接下来对这两条作用机制进行实证检验。

1. 融资约束路径

绿色创新具有高投入、高风险、长周期、收益不确定性强的特征，企业进行绿色创新需要持续稳定的资金支持，而融资约束是制约中国企业绿色创新的核心瓶颈。相关研究表明，数据资产能够通过优化信贷资源配置和提高资金流动性缓解企业融资约束。一方面，数据资产作为企业的新型无形资产，能够作为信贷抵押品拓展企业的融资渠道；另一方面，数据资产带来的降本增效和价值增值能够增加企业的内部现金流，从而为绿色创新提供充足的资金保障。

本文采用SA指数衡量企业融资约束，SA指数的绝对值越大，表明企业面临的融资约束越严重。机制检验结果如表4第（1）（2）列所示，在未加入控制变量和加入全部控制变量并控制固定效应后，数据资产的系数分别为0.028和0.009，且均在1%的水平上显著为正。由于SA指数为负向指标，这说明数据资产能够显著降低企业的SA指数，即有效缓解企业面临的融资约束。由此可见，融资约束是数据资产促进企业绿色创新的重要作用路径，验证了本文的研究假设2。

2. 人力资本结构路径

绿色创新是典型的知识密集型活动，高素质的人力资本是企业进行绿色技术研发和应用的核心要素。现有研究发现，数据资产能够通过“淘汰”效应、“知识”效应和“虹吸”效应提升企业的人力资本水平。数据资产的应用会替代低技能的重复性劳动，增加对高技能、高学历人才的需求；同时，数据资产带来的知识共享和信息传递也能够提升现有员工的技能水平，从而优化企业的人力资本结构，为绿色创新提供坚实的人才支撑。

本文采用本科及以上学历员工占比衡量企业人力资本结构，该指标越大，表明企业的人力资本结构越优化。机制检验结果如表4第（3）（4）列所示，在未加入控制变量和加入全部控制变量并控制固定效应后，数据资产的系数分别为0.037和0.014，且均在1%的水平上显著为正，说明数据资产能够显著提升企业本科及以上学历员工的占比，即有效优化企业的人力资本结构。由此可见，人力资本结构是数据资产促进企业绿色创新的另一条重要作用路径，验证了本文的研究假设3。

	(1) SA	(2) SA	(3) edu	(4) edu
DATA	0.028***	0.009***	0.037***	0.014***
	(0.005)	(0.003)	(0.003)	(0.004)
控制变量	否	是	否	是
_cons	-4.522***	-4.390***	-0.536***	-0.147*
	(0.102)	(0.099)	(0.069)	(0.083)
固定效应	是	是	是	是
N	30790	30787	30790	30787

（四）异质性分析

前文的研究表明数据资产能够显著促进企业绿色创新，那么这种促进作用在不同特征的企业中是否存在差异呢？本文从企业产权性质、所在地区金融科技发展水平和行业污染程度三个维度进行异质性分析，结果如表5所示。

1. 产权性质异质性

国有企业和非国有企业在融资环境、政策约束和创新动力等方面存在显著差异。非国有企业通常面临更严重的融资约束，其绿色创新活动更容易受到资金短缺的制约；而国有企业凭借政府背景和信用优势，融资渠道相对畅通，对数据资产缓解融资约束的依赖程度较低。因此，本文预期数据资产对非国有企业绿色创新的促进作用更强。表5第（1）（2）列的回归结果显示，国有企业样本中数据资产的系数为0.061，但未通过显著性检验；非国有企业样本中数据资产的系数为0.067，且在5%的水平上显著为正。这与本文的预期一致，说明数据资产对绿色创新的促进作用主要体现在非国有企业中，而对国有企业的影响不显著。

2. 金融科技发展水平异质性

金融科技的发展能够提升金融机构的信息处理能力和风险评估能力，有助于数据资产的价值发现和变现。在金融科技发展水平较高的地区，金融机构能够更好地识别和评估数据资产的价值，从而更愿意为拥有数据资产的企业提供信贷支持，放放大数据资产对绿色创新的促进作用；而在金融科技发展水平较低的地区，数据资产的价值难以被金融机构认可，其缓解融资约束的作用受到明显限制。

本文根据北京大学数字金融研究中心编制的数字普惠金融指数，将样本企业划分为高金融科技水平地区和低金融科技水平地区两组。表5第（3）（4）列的回归结果显示，高金融科技水平地区样本中数据资产的系数为0.057，且在5%的水平上显著为正；低金融科技水平地区样本中数据资产的系数为-0.034，但未通过显著性检验。这说明金融科技发展水平是数据资产发挥绿色创新促进作用的重要条件，只有在金融科技发展水平较高的地区，数据资产才能有效促进企业绿色创新。

3. 行业污染程度异质性

重污染行业企业面临更强的环境规制压力和绿色转型需求，其进行绿色创新的动力更足。同时，重污染行业企业的生产过程会产生大量的环境数据、生产数据和能耗数据，这些数据经过处理和分析后能够为企业的绿色技术研发、生产流程优化和污染治理提供重要支撑，因此数据资产在重污染行业企业中能够发挥更大的作用。

本文根据《上市公司环保核查行业分类管理名录》将样本企业划分为重污染行业和非重污染行业两组。表5第（5）（6）列的回归结果显示，重污染行业样本中数据资产的系数为0.092，且在10%的水平上显著为正；非重污染行业样本中数据资产的系数为0.039，但未通过显著性检验。这说明数据资产对绿色创新的促进作用主要体现在重污染行业企业中，而对非重污染行业企业的影响不显著。

	(1)	(2)	(3)	(4)	(5)	(6)
DATA	0.061	0.067**	0.057**	-0.034	0.092*	0.039
	(0.038)	(0.029)	(0.026)	(0.050)	(0.049)	(0.026)
控制变量	是	是	是	是	是	是
固定效应	是	是	是	是	是	是
N	9190	21600	22698	4419	6403	24387

四、研究结论

本文以2013—2024年A股上市公司为研究样本，系统检验了数据资产对企业绿色创新的影响效应、作用机制与异质性边界。研究结果表明，数据资产能够显著促进企业绿色创新水平提升，且对绿色发明专利所代表的实质性创新同样具有显著推动作用，经替换核心解释变量、调整固定效应设定、子样本回归、解释变量滞后处理等一系列稳健性检验后，该结论依然稳健。机制检验显示，缓解融资约束、优化人力资本结构是数据资产赋能企业绿色创新的两条核心路径，前者拓宽了绿色创新的资金来源，后者强化了绿色创新的人才支撑。异质性分析发现，数据资产的绿色创新促进效应在非国有企业、金融科技发展水平较高地区以及重污染行业企业中更为突出。上述研究结论不仅拓展了数据资产经济效应与绿色创新驱动因素的研究边界，也为我国完善数据要素市场建设、助力企业绿色低碳转型提供了经验依据与政策参考。

参考文献：

1. [1] 张树含,李晓翔,顾东晓. 焦点企业数据资产化对供应链上下游创新的双边溢出效应研究[J].管理学报,2026,23(06):1079-1088.
2. [2] 李世刚,邵宏彬,方芳,等. 企业数据资产信息披露与资本市场定价效率[J].中国工业经济,2025(07):138-155.
3. [3] 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.
4. [4] 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(02):109-122.
5. [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(04):128-142.
6. [6] 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.