1. 引言

伴随着人工智能技术、区块链技术、云计算技术、大数据技术等数字化技术的普及，数字经济逐渐成为了我国经济发展中的顶梁柱。2020年4月，中共中央、国务院印发《关于构建更加完善的要素市场化配置体制机制的意见》，首次明确将数据资源作为第五种生产要素进行考量，提升社会数据资源的价值。数据资源在各经济社会领域中加速渗透，涌现出新型的数字驱动的产业、商业模式[1]。作为一项新兴生产要素，数据资源破除了传统生产要素的限制，为经济持续增长提供了新路径，数据资源资本化也已经成为了必然趋势，但如何发挥数据资产在企业生产管理中的价值也成为了一个有待解决的问题。

数据资产逐渐从“具有价值”转化成了“创造价值”。首先，数据资产能够加强企业间的研发合作、扩展企业的创新资源、缓解企业融资约束[2]，进而增加企业的创新投入，促进企业的发展。其次，数据资产能够促进人力资源升级[3]、降低信息不对称程度、交易成本、增加企业创新投入[4]等，进而提升企业的价值。最后，数据资产作为现实信息的载体，能够将其应用于生产生活中，有助于企业的经营管理，提高劳动生产率进而获得更多的利润[5]，其具有的正外部性也能够显著提升企业的生产效率，实现数字化产业集群协同效应，提升了企业的财务稳定性。

自十一届三中全会提出改革开放，开启了中国民营经济时代，随着互联网在中国普及、中国加入WTO，民营企业开始走向世界[6]，逐渐成为中国经济中至关重要的一部分。但由于规模较小、成立时间短、信息不对称等问题，使民营企业很难获取到外部融资。据2018年1月31日世界银行等发布的报告显示，中国中小微企业数量总计达到了5600万家，中小微企业潜在融资需求达4.4万亿美元，融资缺口达1.9万亿美元，有41%的企业存在信贷困难。尽管政府相关部门出台了定向降准、国家融资担保基金等一系列有助于民营企业融资的政策，但收效甚微，民营企业仍需要从自身的角度去寻求破解融资约束之路。

相较于以往的研究，本文的边际贡献在于：一是现有文章大多考虑数据资产对中国全体上市公司的影响，鲜有文章针对性地研究其对某一类群体的影响，本文将以民营企业为研究主体，针对性地研究其融资约束问题。二是现有文章大多考虑数据资产对企业的创新投入、企业价值及生产方面的影响，鲜有文章考虑数据资产对民营企业融资问题的影响，本文将填补这一方面的空白。三是，在研究方法上，引入投资者情绪这一调节变量，理清了企业数据资产、投资者情绪与融资约束三者之间的内在关系，为民营企业缓解融资约束提供了新方法、新思路。

2. 理论分析与研究假设

2.1. 数据资产与民营企业融资约束

融资难、融资贵的问题一直是民营企业发展中的重大难题，这一难题极大程度上的限制着民营企业的发展。数据资产主要在企业融资规模和企业融资效率两个方面缓解了民营企业的融资问题。在企业融资规模方面，企业在日常生产活动中产生的大量数据信息，在转化为数据资产后能够为民营企业带来天然的融资优势，数据资产的非实物性、虚拟性等特点[7]也使企业的融资不受空间的限制，扩大了民营企业的融资规模，增加了企业的融资能力。在企业融资效率方面，投资者可以通过数据了解企业的实际经营状况，有利于解决在融资过程中的逆向选择问题。企业可以通过数字化转型实现信息的开放、连通和共享，可降低债权人的搜寻成本、监督成本和信用风险，满足企业的外部融资需求[8]，有效降低银企之间的信息不对称性[9]，也可以在产品向公众发布以后，利用数字资产搜集反馈，精准地为目标客户服务，提升产品的质量，提高自己的收益。

基于上述分析，提出本文的第一个假设：

H₁：数据资产有助于民营企业缓解融资约束。

2.2. 数据资产、投资者情绪与民营企业融资约束

数字资产作为新型的生产要素，不仅通过降低信息不对称、生产成本、增加企业创新投入增加了企业的价值，还促进了企业的发展。在数字技术快速发展的今天，数据资产为企业发展起到了极大的推动作用，提振了投资者的情绪。

在投资者理性行为视角。数据资产在生产活动中的积累和运用可以帮助企业获取新的技术创新知识与方向，激发企业的创新动力，提高企业的竞争优势。在创新资源方面，数据资产可以更加快速、有效地挖掘到技术创新的资源与方向，获取到精准的客户画像，掌握目标客户需求，进行针对性的创新活动[10]，大大提高了创新效率。在创新能力方面，数据资产的使用也会降低企业技术创新活动中的试错成本，帮助企业以更低成本获取技术创新质量提升的最优路径，增强原始创新水平，在原有技术产出边界下实现更高的创新质量[11]。进一步地，企业竞争优势的大幅度提升也会很大程度上提高投资者对企业未来盈利能力的信心，投资者也更有意愿对该企业融资[12]。

在投资者非理性行为视角。投资者更偏好于数据资产丰富的企业[10]，当企业拥有的数据资产迎合了投资者预期时就会提振投资者的积极性，推动股价上涨，而股价上涨又会继续推高投资者的情绪，形成整个市场情绪的高涨[13]，进而缓解了民营企业的融资约束。这主要是因为散户投资者无法识别“数据概念股”的炒作行为，进而降低了企业的权益融资成本。

基于上述分析，提出本文的第二个研究假设：

H2：数据资产能够通过提振投资者情绪缓解民营企业的融资约束问题。

3. 研究设计

3.1. 样本选择与数据来源

由于我国2006年财政部更新了《企业会计准则》，中国上市公司信息披露制度自2007年以来不断趋于完善，并且在2008年爆发了国际金融危机。客观来看，现有的研究不能通过构建模型来避免这类因素的影响，因此本文剔除了2009年与2010年的数据。本文选取了2011~2023年A股上市民营企业作为研究样本，并对数据进行了如下处理：(1) 删除了ST、^*ST、PT类公司样本；(2) 剔除了新上市和已退公司；(3) 金融类公司；(4) 资不抵债公司；(5) 相关变量缺失公司样本；(6) 为了避免异常值的影响，本文对所有微观层面的财务数据进行了1%和99%的缩尾处理。企业层面数据主要来源于国泰安CSMAR数据库，本文最终获得全国426家上市民营企业的5538个观测值。

3.2. 变量设计

本文实证部分所涉及的变量主要包括：核心解释变量数据资产、被解释变量融资约束、调节变量投资者情绪及其他控制变量，变量说明见表1。

(1) 核心解释变量

数据资产(Asset)。数据资产和其他资产一样在企业生产活动以及非生产活动中经常使用，但是相较于其他资产，数据资产并不能直接通过某一指标量化而得，只能间接计量。由于在数据资产的日常生产活动中一定会产生相关收益，本文借鉴路征等[4]的方法，用企业市场价值减去固定资产、无形资产、金融资产的差额取对数衡量数据资产，进而构建了数据资产(Asset)的度量方式，如(3.1)式：

$\text{Asset}=\text{ln}\left(市�价值-固定��-金融��-�形��\right)$ (3.1)

其中，企业的市场价值为总负债的账面价值与股票市值之和，无形资产包括金融资产和会计上的狭义无形资产。另外，参照彭俞超等[14]对金融资产范围的认定，本文将交易性金融资产、衍生金融资产、发放贷款及垫款净额、可供出售金融资产净额、持有至到期投资净额和投资性房地产净额之和作为企业金融资产净额。

(2) 被解释变量

融资约束(FC)。目前的研究多采用KZ、FC、WW、FC、SA指标来衡量企业在融资过程中所面临的限制程度指标。相较于其他指数，FC指数考虑到了企业自身的财务指标和市场环境等因素，更具有经济意义，因此本文选择FC指标衡量融资约束程度。参考况学文等[15]、张悦玫等[16]、顾雷雷等[17]、陈峻等[18]建立衡量企业融资约束程度的模型，如(3.2)式：

$P\left(\text{QUFC}=1或0|Z_{i,t}\right)=\frac{{\text{e}}^{Z_{i,t}}}{1+{\text{e}}^{Z_{i,t}}}$ ,

其中：

$z_{i,t}={\alpha }_0+{\alpha }_1{\text{size}}_{i,t}+{\alpha }_2{\text{Lev}}_{i,t}+{\alpha }_3{\left(\frac{\text{CashDiv}}{\text{ta}}\right)}_{i,t}+{\alpha }_4{\text{MB}}_{i,t}+{\alpha }_5{\left(\frac{\text{NWC}}{\text{ta}}\right)}_{i,t}+{\alpha }_6{\left(\frac{\text{EBIT}}{\text{ta}}\right)}_{i,t}$ (3.2)

其中，size：表示企业资产规模，总资产的自然对数；Lev：表示企业财务杠杆率，资产负债率 = 总负债/总资产；CashDiv：公司当年发放的现金股利；MB：表示企业市账比 = 市场价值/账面价值；NWC：净营运资本 = 营运资本 − 货币资金 − 短期投资；EBIT：息税前利润；ta：总资产。

(3) 调节变量

投资者情绪(Senti)。本文借鉴张庆、朱迪星[19]的做法，将企业市场估值水平(平均Q值)分离为包含其成长性的内在价值部分和市场错误定价部分，将企业年度托宾Q指数作为模型被解释变量，将描述公司规模、杠杆率和盈利能力等作为自变量衡量企业的内在价值部分，对残差进行标准化后得到投资者情绪的替代变量Senti，如式(3.3)所示。

$Q_{i,t}={\beta }_0+{\beta }_1{\text{Size}}_{i,t}+{\beta }_2{\text{lev}}_{i,t}+{\beta }_3{\text{roa}}_{i,t}+{\epsilon }_{i,t}$ (3.3)

(4) 企业层面控制变量

为了尽量避免实证过程中存在的遗漏变量问题，本文控制了以下重要变量，见表1：(1) 企业规模(Size)，用年总资产的自然对数量化；(2) 资产负债率(Lev)，用年末总负债/年末总资产量化；(3) 净资产收益率(ROE)，用净利润/所有者权益平均余额量化；(4) 现金流量比率(Cashflow)，用经营活动产生的现金净流量/资产总计量化；(5) 股权集中度(Top1)，用第一大股东持股数量/总股数量化。为了避免异常值的影响，本文对以上财务数据进行了1%和99%的缩尾处理。

Table 1. Variable definitions

表1. 变量定义

3.3. 模型设立

为研究数据资产能否减缓企业融资约束，本文建立以下模型(3.4)：

${\text{FC}}_{i,t}={\gamma }_0+{\gamma }_1{\text{Asset}}_{i,t}+{\gamma }_2{X}_{i,t}+{\mu }_i+{\delta }_t+{\epsilon }_{i,t}$ (3.4)

其中，${\text{FC}}_{i,t}$ 为被解释变量，表示企业i在第t年的融资约束程度，${\text{Asset}}_{i,t}$ 为核心解释变量，是企业数据资产的代理变量。系数${\gamma }_1$ 是本文着重研究的参数，若${\gamma }_1$ 显著小于0，说明随着企业拥有的数据资产越多，融资约束将得到缓解，则假设1得证；若${\gamma }_1$ 显著大于0，则说明随着企业拥有的数据资产越多，将增强了融资约束。$X_{i,t}$ 为控制变量集合，包含一系列的企业层面的控制变量。${\mu }_i$ 和${\delta }_t$ 分别为企业和年份固定效应，在模型中予以控制以排除不可观测因素的冲击，${\epsilon }_{it}$ 为随机误差项，并对个体进行聚类，进行群组分析

为研究数据资产能否通过提振投资者情绪缓解融资约束，本文构建以下模型(3.5)：

${\text{FC}}_{i,t}={\theta }_0+{\theta }_1{\text{Asset}}_{i,t}\ast {\text{Senti}}_{i,t}+{\theta }_2{\text{Asset}}_{i,t}+{\theta }_3{\text{Senti}}_{i,t}+{\theta }_2{X}_{i,t}+{\mu }_i+{\delta }_t+{\epsilon }_{i,t}$ (3.5)

其中，${\text{Senti}}_{i,t}$ 为调节变量投资者情绪，表示企业i在第t年的投资者情绪。将数据资产与投资者情绪的交乘项(${\text{Asset}}_{i,t}\ast {\text{Senti}}_{i,t}$ )引入模型来探讨数据资产能否通过提振投资者情绪缓解融资约束。式中，系数${\theta }_1$ 为本节的重点研究参数，若${\theta }_1$ 为负，则证明数据资产能够通过提振投资者情绪缓解企业融资约束，则假设2得证。若${\theta }_1$ 为正，则证明数据资产不能够通过提振投资者情绪缓解企业融资约束。

4. 实证结果及分析

4.1. 描述性统计分析

主要变量的描述性统计结果见表2。结果显示，样本量为5538，样本企业的数据资产(Asset)平均值为22.9820，最小值为20.0829，最大值为27.4526，标准差为1.1485。样本企业的融资约束程度(FC)平均值为0.4782，最小值为0.0007，最大值为0.9809，标准差为0.2637，说明我国民营企业普遍受融资约束的影响。样本企业的投资者情绪(Senti)平均值为0.0873，最小值为−2.6058，最大值为6.5740，标准差为1.0169，差异程度比较大。其他财务变量的描述性统计结果与现有研究相差不大。

Table 2. Descriptive statistical results of the variable

表2. 变量的描述性统计结果

4.2. 基准回归分析

数据资产与民营企业融资约束的基准回归结果见表3。在式(3.4)中固定了个体效应与时间效应后，对个体进行分组聚类，回归结果显示在逐渐引入控制变量后，从第(1)列到第(6)列的过程中企业数据资产(Asset)的系数是显著为负的，这意味着随着企业拥有的数据资产越多，民营企业越容易突破空间的限制，扩大企业的融资规模，增强企业的融资能力。投资者也能够通过数据了解企业的实际经营状况，提高企业和资本市场之间信息交换的效率、降低债权人的搜寻成本、监督成本和信用风险，实现信息的开放共享，满足企业的外部融资需求，有效降低银企之间的信息不对称性，进而缓解了民营企业的融资约束难题。并且，表3中从第(1)列到第(6)列逐渐加入控制变量的过程中，模型的拟合优度逐渐从0.8406增加到0.8735，这意味着随着控制变量的加入，模型更加地科学，回归结果更可靠。进而假设1得证。

Table 3. Benchmark regression results

表3. 基准回归结果

注：括号内为标准误；^*p < 0.05，^**p < 0.01，^***p < 0.001。下表同。

4.3. 调节效应分析

由上述分析可知，数据资产能够显著缓解民营企业的融资约束问题，为进一步探究数据资产能否通过提振投资者情绪缓解民营企业的融资约束问题，回归结果见表4。第(1)列显示在不加入控制变量，不固定个体效应与时间效应的情况下，系数显著为负。第(2)列显示在加入控制变量，不固定个体效应与时间效应的情况下，系数显著为负。第(3)列显示在固定了个体效应与时间效应，不加入控制变量的情况下，系数显著为负。第(4)列显示在固定了个体效应与时间效应，加入控制变量的情况下，系数显著为负。则表明数据资产能够提升民营企业自身的盈利能力，吸引投资者对其进行融资，提振投资者的积极情绪，并且投资者的逐利心理也促进了投资者对拥有更多数据资产的民营企业进行融资，缓解了民营企业的融资约束问题。

Table 4. Moderating effect test

表4. 调节效应检验

4.4. 稳健性检验

为检验实证结果的可靠性，本文对进行了一系列的稳健性检验，检验结果见表5，本文对民营企业的发展乃至融资约束，同全球范围内重大金融冲击有比较大的关联。在面临重大不利金融事件冲击后，企业将会面临更严重的融资约束，企业对数据资产的利用也将受到严重影响。在选择样本时，本文已经避开了2008年的国际金融危机，但是由于样本数量选择问题，本文并没有避开2015年的中国股灾。客观来看，现有文献难以通过变量构建的方式来吸收这类因素的影响。基于此，本文将中国股灾因素剔除：剔除了中国股灾的影响，考虑到危机的后效性特征，本文剔除了2015年和2016年的样本，将样本截断为2011年~2014年、2017年~2023年这两个时间段进行回归，验证回归结果的稳健性。表5中的第(1)列为2011年~2014年时间段的样本进行回归的结果，第(2)列为2017年~2023年时间段的样本进行回归的结果，结果显示核心解释变量的系数显著为负，进一步证明了数据资产有利于民营企业缓解融资约束。其次，为了进一步地验证回归结果的稳健性，本文以SA指数的绝对值重新衡量了融资约束程度，检验结果如表5中的第(3)列。最后，考虑到每个行业的民营企业数据资产持有水平有所不同，表5第(4)列采用增加行业固定效应的方法检测实证结果的稳健性。以上稳健性检验中核心解释变量系数仍然显著为负，结论具有稳健性。

Table 5. Robustness test

表5. 稳健性检验

4.5. 异质性分析

在基准回归结果中，本文考察了数据资产对民营企业融资约束问题的影响，并在一系列稳健性检验后得到验证。在微观层面上，数据资产对民营企业融资约束问题的负面影响可能在不同类型企业之间存在差异。因此，本文进一步按照企业所属的地域、行业的属性进行分组检验，以便更全面认识数据资产对融资约束的影响，检验结果见表6。

首先，考虑企业所属的地域。本文根据企业所在区域将民营企业分为东部企业、中部企业与西部企业，由表6的回归结果可知，在东、中、西部地区数据资产(Asset)的回归系数都显著为负，数据资产都能缓解民营企业的融资约束问题，但中部地区的回归系数绝对值最大，西部地区的回归系数绝对值最小。上述结果表明，良好的区域经济发展环境能够促使拥有更多数据资产的民营企业缓解融资约束，投资者也更加愿意对处在良好环境、拥有更多数据资产的企业进行融资。也就是说，雄厚的经济基础、良好的基础设施更加地有利于数据资产缓解民营企业的融资约束问题。

其次，考虑企业所属的行业。本文将民营企业分为了管制行业与非管制行业，由表6的回归结果可知，无论是管制行业还是非管制行业，数据资产(Asset)的回归系数皆显著为负，但管制行业的系数绝对值小于非管制行业。这是由于管制行业受国家管制，无论是在生产与企业发展中都受到了极大地限制，因此投资者在相同的条件下，会更加愿意对非管制行业进行融资，也就是说，非限制性行业的企业更加容易通过数据资产缓解民营企业的融资约束问题。

Table 6. Heterogeneity analysis

表6. 异质性分析

5. 结论与建议

5.1. 结论

本文利用2011~2023年426个A股上市民营企业面板数据分析了数据资产对企业融资约束的缓解作用以及投资者情绪在数据资产与融资约束间的关系，研究发现：数据资产能够使企业的融资不受空间的限制，扩大了民营企业的融资规模，投资者也能够利用数据高效地了解民营企业的实际经营渠道，提高了融资效率，进而缓解融资约束问题。并且，数据资产通过降低信息不对称、生产成本、增加企业创新投入增加了企业的价值，提高了投资者对企业自身盈利能力的信心，由于投资者对数据资产的偏爱，数据资产可以通过提振投资者情绪缓解企业的融资约束问题。

5.2. 建议

数据资产和投资者情绪对民营企业融资约束的缓解有着重要的作用。本文将从以下三个方面提出建议：

(1) 在民营企业自身生产经营方面

首先，企业可以通过利用数据资产大幅提高运营效率，从而降低成本，提升盈利能力。企业应该有效利用数据资产和数据技术如大数据分析、人工智能和区块链等，优化供应链管理、提升生产效率以及改善客户服务，进而可以显著提高企业的内部管理水平，使企业在市场竞争中占据有利位置。随着运营效率的提升，企业的盈利能力和偿债能力也会随之增强，从而增强其吸引投资者的能力，降低融资难度。其次，企业可以通过数据资产提高企业的信息透明度，增强投资者信心。例如，通过实施企业资源规划(ERP)系统和客户关系管理(CRM)系统，企业能够实时收集和分析数据，提高财务报表的准确性和及时性。这种透明度可以减少信息不对称，降低投资者的风险感知，从而降低融资成本。高透明度的企业更容易赢得投资者的信任，使其融资渠道更加多样化。最后，企业可以通过数据资产推动技术创新，这对吸引投资者尤其重要。投资者通常对创新型企业更有兴趣，因为这些企业具有更高的成长潜力。通过数据资产，企业能够更快地响应市场变化，开发新产品和服务，从而增强市场竞争力。创新能力的提升不仅能吸引更多的股权融资，还能通过专利和技术许可等途径获得额外的资金支持。

(2) 在投资者情绪方面

首先，投资者情绪对企业融资成本有直接影响。当市场情绪乐观时，投资者更愿意承担风险，企业的融资成本通常较低。相反，当市场情绪悲观时，投资者趋于保守，企业融资难度增加，融资成本上升。因此，企业需要密切关注市场情绪变化，并采取相应策略。例如，在市场情绪乐观时期，抓住机会进行股权融资或发行债券，以较低成本获取资金。其次，投资者情绪也会影响企业的融资渠道选择。在市场情绪积极时，企业可能更容易通过股市或债市进行融资；而在情绪低迷时，企业可能需要更多依赖银行贷款或内部融资。因此，企业应根据市场情绪的变化，灵活调整融资策略。例如，在市场情绪低迷时，企业可以通过加强与银行的关系，获得更多的信贷支持；或通过内部调整，提高自我融资能力。

(3) 在企业的综合策略上

首先，企业应利用数据资产进行数据驱动决策，及时了解市场动态和投资者情绪变化。通过数据分析，企业可以预测市场趋势，制定更为精准的融资策略。例如，利用大数据分析投资者行为，了解其投资偏好和风险承受能力，从而设计更具吸引力的融资产品。其次，企业也应加强与投资者的沟通，提升其信任度和信心。通过定期发布财务报告、召开投资者会议、利用社交媒体等途径，企业可以向投资者展示其经营状况和发展前景。透明、及时的信息披露能够有效缓解投资者的不安情绪，提高企业在资本市场上的形象和信誉。最后，企业应根据市场情绪和自身发展阶段，灵活调整融资策略。在市场情绪乐观时，积极拓展股权融资和债券发行；在市场情绪低迷时，注重内部融资和银行贷款。同时，企业应保持一定的资金储备，以应对市场波动和不确定性，确保经营的稳定性。

基金项目

2023年度贵州省教育厅高校人文社会科学研究项目“加强贵州金融风险处置机制和应急能力建设研究”(2023GZGXRW156)。

参考文献