〔关键词〕 企业网络地位 数字资产信息披露 客户集中度 文本分析法 信号传递理论 数字经济 数字化转型 企业竞争力
ＤＯＩ：１０．３９６９ ／ｊ．ｉｓｓｎ．１００４－９１０Ｘ．２０２５．０１．００８
〔中图分类号〕Ｆ４９； Ｆ２７３.４ 〔文献标识码〕Ａ
引言
随着人工智能、区块链、云计算、大数据等新技术、新业态的蓬勃发展， 数据资产已经成为促进数字化转型和提高企业核心竞争力的战略性资源。党中央高度重视数字经济与数据资产的发展， 围绕如何释放数据资产价值出台了一系列支持政策。党的二十届三中全会进一步对完善数据要素市场制度规则作出了决策部署， 明确了数据资产在国家战略层面的重要地位。作为企业在数字经济时代的新型资产形态， 数据资产被定义为由个人或企业拥有或控制的， 能为企业带来未来经济利益的， 以物理或电子方式记录的数据资源①。不管是自产数据、外购数据还是公开数据， 若企业能高质量利用和处理数据便可能形成独有甚至垄断性的高价值数据资产， 进而为企业带来持续的资源价值增长和经济利益流入。从实践来看， 自２０２４ 年１ 月１ 日财政部正式实施《企业数据资源相关会计处理暂行规定》以来， 我国已有超过６０家公司在半年度报告中披露了数据资源的财务数据， 特别是上市公司积极响应， 充分体现了对数据资源资产化的高度重视。显然， 数据资产信息披露不仅是企业对外传递良好经营信号的窗口， 也是企业在当前数字化浪潮中获取竞争优势的重要方式。因此， 分析揭示影响企业数据资产信息披露的微观机制， 对于全面贯彻落实党中央决策部署， 充分发挥数据乘数效应， 加快推进数字化转型具有重要意义。
现代经济企业与供应商、客户等多元主体之间呈现出高度网络化特征， 又因企业间的联系是基于经济行为互动的强弱来衡量， 从而产生了不同企业在网络中地位的差异［１，２］ 。企业网络地位用以描述这种现象， 是指企业在社会或经济网络中的相对位置， 反映了企业在商业体系中的核心程度、联系的紧密性及其影响力大小［３］ 。企业通过主动披露数据资产行为不仅能行使其地位控制权激活企业沉淀的数据资源， 还可以提升企业的市场价值。特别是， 处于网络中心地位的企业具有信息优势和资源控制优势， 相较于网络边缘地位企业能够产生更大的商业影响， 更有能力释放数据资产价值， 能够通过披露数据资产信息攫取超额收益。因此， 企业网络地位会对数据资产信息披露产生根本性影响。
已有关于数据资产的研究主要集中于数据资产概念框架［４］ 、会计核算［５，６］ 、经济影响［７，８］ 、以及信息披露［９］ 等方面， 其中有关数据资产信息披露的研究大多侧重于其带来的经济后果。学术界对企业网络地位也展开了广泛的探讨， 以往文献主要聚焦于网络地位对企业赢得持续竞争优势的关键作用， 如探讨了企业网络地位对创新绩效［１０］ 、ＥＳＧ 表现［１１］ 、企业绩效［１２］ 等方面的影响。通过梳理以往文献发现， 关于数据资产信息披露前因的分析较为匮乏， 并且由于目前我国企业主要通过文本形式自愿披露数据资产信息， 导致企业的整体披露水平较低且存在较大差异， 因此数据资产信息披露决策的驱动因素亟待进一步研究。尤其是， 从企业网络地位角度出发， 探讨数据资产信息披露的微观机制的研究尚未得到充分关注。为了弥补以上研究缺口， 本文选取２００９～２０２３ 年Ａ股上市公司作为研究对象， 使用ＰａｇｅＲａｎｋ 测量企业网络地位， 并使用文本分析法量化数据资产信息披露水平， 实证检验企业网络地位对数据资产信息披露的影响。进一步， 本文还讨论了客户集中度的机制作用以及企业所有制、网络拓扑结构以及企业规模的异质性影响效果， 为回答企业网络地位是否以及如何影响数据资产信息披露提供全面的路径解析和学理依据。
本文结合资源依赖理论和信号传递理论， 深入探讨了企业网络地位对数据资产信息披露的影响， 为解释企业在复杂商业网络中的数据披露策略提供了理论支持， 补充了现有研究关于数据资产信息披露动因的不足； 已有研究普遍认为， 处于网络中心地位的企业因其拥有更广泛的商业联系和信息获取渠道， 在数据获取成本和规模上具备优势。然而， 现有文献尚未充分揭示这种地位如何影响企业数据资产及其相关信息披露行为。本文从企业的数据资产化能力和披露驱动力两个角度切入， 分析网络地位对数据资产信息披露的作用机制， 进一步扩展了企业网络地位经济后果的应用研究； 随着企业商业网络规模的扩大， 网络中心企业在巩固位置优势的同时， 应积极引领网络边缘企业共同发展壮大。本研究将为网络中心企业带动网络边缘企业打破数据壁垒提供实践指导， 有助于加快数据要素市场化进程， 发挥数据要素乘数效应， 将为数字中国建设和数字经济高质量发展提供重要支持。
１理论分析与研究假设
１.１网络地位与数据资产信息披露
网络中心地位企业拥有较强的数据资产化能力， 因而更倾向于通过披露展示数据资产优势。根据资源依赖理论， 每个企业掌握着各自的必要资源， 但是无法完全自给自足， 必须依赖网络关系获取其他资源。作为基础资源的数据往往由企业网络共同创造产出， 所以， 企业想要实现数据资产化也会依赖外部资源。（１）数据资产是一种高价值弹性资产， 密集的网络关系不仅提高了网络中心地位企业所获取信息和资源的传递效率及控制权， 也大大提升了数据规模［１３］；（２） 因为易于获取知识与技术资源促进现有资源的高效整合和利用［１１］，以及具备数据分析、人工智能和机器学习等应用领域的技术创新优势［１０］，网络中心地位企业拥有更强的数据资产化能力。此外， 企业外购或研发数据资产都需要投入大量人力、财力和物力等专有成本， 并在短期内可能不会得到可观的经济报酬。相较网络边缘地位企业， 网络中心地位企业通常拥有更长期的发展规划和更雄厚的资金实力， 进一步强化了数据资产化能力。这种数据资产化能力对于企业充分发挥数据资源优势， 形成企业独有数据资产至关重要。
另外， 网络中心地位企业拥有更强的数据资产信息披露驱动力， 因而更愿意披露数据资产信息。在企业中， 用户数据、交易数据、业务数据等数据资产具有重要的价值。然而， 外部利益相关者由于信息复杂且不公开而难以准确评估企业的数据资产价值。基于信号传递理论， 网络中心地位企业作为数据资产所有者和信息优势方， 通过披露数据资产信息能向外部传递关于其数据资产管理能力、数据安全性、数据使用效率等方面信号。
（１） 信息披露作为数据资产信号传递的载体，能够降低信息不对称程度， 提高企业价值相关性。目前， 文本性的增量信息是国内企业数据资产披露的主要形式， 满足信号可选择和不易模仿的有效性前提［１４］ 。尤其是在年度报告中， 这种披露形式能够提高信息的透明度和可信度， 传递企业战略规划和真实经营状况， 进而减少外界对企业数据价值的不确定性［１５］ 。因此， 网络中心地位企业作为信息拥有者， 更愿意披露数据资产私有信息，以规避逆向选择等问题导致的市场风险［１６］ ； （２）网络中心地位企业关于数据的认知往往更加敏锐，除了将数据视为运营资源， 数据资产的战略意识也处于领先地位。根据资源基础观， 《信息技术服务数据资产管理要求》指出数据资产可增值、可共享、可控制和可量化的特征能赋予企业持久的竞争优势。企业披露数据资产信息水平能够展现企业对数据资产的重视和实力， 实际上也是表明掌控关键资源的能力。尤其在数据资产信息披露的起步阶段， 率先释放信号有助于网络中心地位企业参与制定相关标准和规则的主导权， 进一步巩固网络地位； （３） 网络体系中不同位置的企业看待声誉的态度不尽相同， 处于核心位置的“明星” 企业通常更重视地位和声望［１１］ ， 也会受到更多外部监督和市场期待。因此， 网络中心地位企业倾向于通过信息披露将数据资产优势这种内部信息直接传递给外部， 使市场和公众接收积极的信号， 在提升企业声誉和网络信任度的同时缓解舆论和监督压力。
基于上述分析， 本文提出假设：
Ｈ１： 企业网络地位对其数据资产信息披露水平具有正向影响。
１.２影响机制分析
客户集中度代表企业对少数大客户群体的依赖程度， 已有研究表明， 客户集中度与数据资产信息披露水平呈负相关关系， 即客户集中度越高，企业的数据资产信息披露水平越低［１７］ 。这种负相关可能会抑制企业网络地位对数据资产信息披露的意愿和行为。
（１） 客户集中度越高， 企业的数据资产信息披露自由度越低。由于大客户在交易关系中处于强势地位， 企业对其依赖性较大， 更倾向于满足大客户的需求， 避免披露可能影响客户决策的信息， 如数据资产的使用情况。此外， 大客户可能出于市场竞争的考虑， 不希望公开数据资产信息等敏感数据。企业为维护与大客户的长期合作关系， 往往选择牺牲披露的透明度， 减少潜在的风险。在客户集中度较低的情况下， 较低的客户依赖性帮助企业规避由大客户主导的信息披露约束，减少波动风险［１８］ 。企业也可以更加自主地决定数据资产信息披露的深度和广度。
（２） 客户集中度越低， 企业数据资产信息披露的经济动机越强。客户集中度低意味着企业面对更为多样化的市场和客户群体， 竞争也更为激烈。为了在竞争中脱颖而出， 这些企业倾向于披露更多的数据资产信息， 提高信息的透明度， 以获取更多潜在客户的信任和认可， 进而扩大自己的客户群体。相比之下， 客户集中度高的企业则由于收入来源相对单一， 可能更不愿承担过多的披露成本或因信息公开引发的不确定性风险， 经济动机受到抑制。基于此， 本文提出假设：
Ｈ２： 客户集中度在企业网络地位对其数据资产信息披露水平的影响中发挥调节作用， 即客户集中度越低， 企业网络地位对其数据资产信息披露水平的影响越强。
２研究设计
２.１样本选择与数据来源
本文研究样本为２００９ ～ ２０２３ 年Ａ 股上市公司。企业网络地位与数据资产信息披露的原始数据源自中国研究数据服务平台（ＣＮＲＤＳ）， 其余数据源自ＣＳＭＡＲ 数据库。在得到初始数据后， 本文对数据做如下处理得到最终样本： 剔除ＳＴ 以及金融业； 连续变量在１％和９９％水平进行缩尾； 剔除核心变量缺失数据。最终， 本文获得８５７５ 个样本，包括２６０７ 家公司和１４ 个行业大类。本文在数据处理过程中使用了Ｓｔａｔａ １８ ０ 和Ｐｙｔｈｏｎ ３.９ 软件。
２.２变量定义与测量
２.２.１被解释变量
本文被解释变量为数据资产信息披露（ＤｉｇｉｔａｌＡｓｓｅｔｓ Ｄｉｓｃｌｏｓｕｒｅ， ＤＡＤ）， 反映了企业自愿披露数据资产信息的水平。基于牛彪等［９］ 的测量方法， 本文采用文本分析法进行指标构建。具体地， 采用ＣＮＲＤＳ中数据资产研究数据库中提取的关键词信息， 包括种子词汇“数据资产” 以及通过词向量关联的１０ 个相似词汇， 如“数据平台”、“数据共享”、“信息资源”、“数据挖掘” 等。进一步， 本文将各关键词占年报总词频百分比汇总， 并乘以１００００， 作为最终数据资产信息披露指标。
２.２.３机制变量
本文机制变量为客户集中度（Ｃｕｓｔｏｍｅｒ Ｃｏｎｃｅｎ⁃ｔｒａｔｉｏｎ）， 反映了企业对少数客户的依赖程度。具体地， 采用ＣＳＭＡＲ 供应链研究数据库中的客户集中度相关两个指标， 其一为企业前五大客户收入占总销售收入比率（ＣｕｓＣｏｎ）， 其二为前五大客户收入占总销售收入比率平方和（ＣｕｓＣｏｎＨＨＩ）。
２.２.４控制变量
本文选取控制变量及其测量如下： 企业规模（Ｓｉｚｅ）， 取资产总和的自然对数； 企业年龄（Ａｇｅ），用当年与企业成立年份差值加１， 并取自然对数；国有或非国有（Ｓｏｅ）， ０ 代表非国有企业， １ 代表国有企业； 资产负债率（Ｌｉａｂｉｌｉｔｙ）， 取总负债与总资产比值； 流动比率（Ｌｉｑｕｉｄ）， 取流动资产与流动负债比值； 总资产净利润率（Ｒｏａ）， 取净利润与总资产余额比值； 托宾Ｑ 值（ＴｏｂｉｎＱ）， 取市值与资产总计比值； 两职合一（Ｄｕａｌ）， 企业董事长兼任总经理取１， 否则取０。董事会规模（Ｂｏａｒｄ）， 用董事会人数加１， 并取自然对数； 研发强度（ＲＤＩ），研发投入与营业收入比值； 行业竞争强度（ＨＨＩ），采用赫芬达尔指数。
３数据分析与实证结果
３.１描述性统计结果
表１ 为本文变量的描述性统计结果， 其中数据资产信息披露（ＤＡＤ）的均值和标准差为０.５２３和１.５４１， 企业网络地位（ＦＮＰ）的均值和标准差是１.８９４ 和１.１６４。与之前研究一致， 数据资产信息披露水平在样本中普遍偏低且差异较大［３，１９］ 。
３.２基准回归分析
本文首先采用逐步回归法进行基准回归分析，结果如表２ 所示。其中， 列（１） 为数据资产信息披露描述性统计分析（ＤＡＤ 描述性统计分析）与企业网络地位描述性统计分析（ＦＮＰ 描述性统计分析）的回归； 列（２） 为加入控制变量组的回归； 列（３） 为进一步加入年份固定效应的回归； 列（４）为完整研究模型的回归结果， 包括了控制变量组、年份及行业固定效应。随着控制变量和固定效应的加入， 模型的Ｒ２ 逐步提升且核心解释变量的系数显着性水平保持一致， 说明加入的变量有助于提升模型的解释效力。根据列（４） 中的回归系数０.４４ 与Ｍｉｔｔｏｎ［２０］ 的近期研究进行解释， 结果表明， 企业网络地位每提升１ 个标准差， 数据资产信息披露水平将提升３.３２个标准差。
３.３稳健性检验
３.３.１替换企业网络地位测量指标
参考王群勇等［２１］ 对供应链网络地位的测量，本文使用点度中心度和结构洞两种指标作为解释变量的替换指标进行稳健性检验。点度中心度（ＴｏｔａｌＤｅｇｒｅｅ Ｃｅｎｔｒａｌｉｔｙ，ＴＤＣ）由供应链入链数即入度中心度与客户出链数即出度中心度求和并作标准化处理， 由于数值过小， 本文将其结果乘以１００得到其最终指标， 具体计算如式（４） 所示。其中ｉ为焦点企业，ｊ为关系企业，ｔ为年份， Ｘｊｉ 为入链关系， Ｘｉｊ为出链关系， Ｎｏｄｅｓ 为当年网络节点数。
另一个替代指标为结构洞（Ｓｔｒｕｃｔｕｒａｌ Ｈｏｌｅｓ），反映了企业在网络关系中的桥梁作用和影响力。本文使用有效规模（Ｅｆｆｅｃｔｉｖｅ Ｓｉｚｅ）来测量结构洞， 具体衡量企业供应链网络中目标企业节点可以从其邻居中获得多少独立的、非重复信息的程度。因此若目标企业节点的有效规模值越大， 意味着其邻居节点间的联系越少， 则该节点在网络中发挥更大的中介作用。相反， 若值较小则说明邻居节点间的联系较为紧密， 信息冗余度较高， 目标企业节点获取独立信息的能力较弱。计算如式（５）所示。其中， Ｅｆｆｅｃｔｉｖｅｉ为目标企业节点的有效规模值，ｎｉ为该节点的度数， Ｎｉ 为邻居节点集合。ｐｉｊ ｐｊｑ衡量了邻居之间的关系强度， 即代表着节点间的信息冗余度。通过减去冗余网络关系， 得出节点能够从网络中获得独立信息能力的有效规模值。
回归结果如表３所示， 列（１） 为点度中心度（ＴＤＣ）替换解释变量回归结果， 列（２） 为结构洞指标有效规模替换解释变量回归结果。可以看出，通过不同指标测量企业网络地位， 其对数据资产信息披露的正向影响依旧显着， 进而支持了二者关系的稳健性。
３.３.２回归方法替换： 双重机器学习
本文引入双重机器学习（Ｄｏｕｂｌｅ Ｍａｃｈｉｎｅ Ｌｅａｒ⁃ｎｉｎｇ）中的偏线性回归模型替换回归方法进行稳健性检验。双重机器学习近年来在经济管理领域得到广泛关注， 其通过排除高维度控制变量之间的复杂作用孤立研究中的关键因果关系， 从而消除高维结果偏差［２２］ 。具体地， 本文将数据集分为５折交叉验证， 使用随机森林算法对企业网络地位和控制变量组关系进行预测， 同时也对数据资产信息披露和控制变量组关系进行预测， 进一步通过双重机器学习进行交叉分析。表３列（３） 为回归结果， 表明通过替换回归方法， 本文核心关系路径依旧在９９％置信区间水平上保持显着， 进一步证明结果的稳健性。
３，３，３内生性检验
本文使用工具变量法检验可能存在的内生性问题， 采用除企业自身行业年度平均网络地位数值作为工具变量， 并通过两阶段最小二乘法和双重机器学习两种方法进行检验。行业平均网络地位体现了行业整体的重要程度， 对企业自身网络关系的建立与地位的提升具有强相关性。另外， 因排除企业自身， 行业平均网络地位作为外部因素不能直接影响数据资产信息披露， 满足外生性条件。表３ 中列（４） 为两阶段最小二乘法统计结果， 列（５） 为双重机器学习工具变量检验结果， 均通过检验， 说明本研究核心变量间的内生性问题并不严重。
３.３.４敏感性分析
参考Ｃｉｎｅｌｌｉ 和Ｈａｚｌｅｔｔ［２３］ 的研究， 本文通过敏感性分析以排除遗漏变量偏差带来的严重影响。分析结果表明， 遗漏变量需要同时解释企业网络地位和数据资产信息披露残差方差的３.８８％ 以上，才足以使两者之间的估计值趋近于０。为进一步展示遗漏变量可能对结果带来的影响， 本文选择企业规模（Ｓｉｚｅ）作为参照基准进行分析， 如图１所示。结果表明， 加入与企业规模相同解释强度的遗漏变量， 企业网络地位对数据资产信息披露的估计系数为０.０４，与基准回归中的０.４４ 仅有微弱减少。加入相当于３倍企业规模解释强度的遗漏变量， 估计系数降至０.０２，但依旧高于０ 等值线。然而， 遗漏变量影响强度相当于或高于３ 倍企业规模的情况可能性较低， 由此说明本文遗漏变量偏差影响并不明显。
３.３.５安慰剂检验
为确保本文研究中核心变量企业网络地位与数据资产信息披露之间的关系并非偶然事件， 本文进行了安慰剂检验。（１） 随机打乱解释变量即企业网络地位在样本中的顺序， 并保持被解释变量即数据资产信息披露和其他所有控制变量不变；（２） 根据打乱解释变量后的数据进行回归， 并记录系数和Ｐ 值。然后， 将上述步骤重复１０００ 次并汇总。最终结果如图２ 所示， 大部分系数集中在０ 值附近， 且Ｐ 值大于０.０５（虚线位置）。同时，９７.５％致信区间临界值小于０.０４， 说明基准回归中的真实系数０.０４４ 在偶然事件中发生的概率属于小概率事件。由此可证本文核心假设统计结果并非偶然， 具有稳健性。
３.４机制检验
根据式（３） 和机制变量， 本文构建调节效应模型以检验客户集中度的机制效应， 如式（６）、（７） 所示。其中， β２ 是机制变量的系数， β３ 是企业网络地位与客户集中度构建的交乘项系数。
机制检验结果如表４ 所示， 其中列（１）、（３）为未加入调节变量及交乘项的基准回归模型， 列（２）、（４） 分别为两个指标ＣｕｓＣｏｎ 和ＣｕｓＣｏｎＨＨＩ的调节效应模型。可以得知， 交乘项系数均为负，企业网络地位（ＦＮＰ）系数符号未更改， 且模型整体的Ｒ２ 有些许提升并未降低。由此说明客户集中度降低， 企业网络地位对数据资产信息披露的影响将增强， Ｈ２ 得到支持。
３.５异质性分析
３.５.１企业所有制
本文考察了企业所有制的异质性对核心路径的影响。国有企业往往会受到政策、监管以及内部治理等因素影响， 导致其数据资产信息披露行为相对较为保守［２４］ ； 另外， 非国有企业在市场竞争中更为灵活， 往往会倾向于向合作者传递积极的信息。因此非国有企业可能更注重通过数据资产信息的披露来展示其网络地位， 通过建立数据资产凸显数字化竞争优势， 从而吸引和获得更多的市场机会和资源。表５中列（１）、（２） 为系数差异比较分析， 可以看出相比于国有企业， 非国有企业样本中企业网络地位对数据资产信息披露的影响更显着。
３.５.２网络拓扑结构
参考包群和但佳丽［３］的研究，本文同样分析了不同网络拓扑结构（Ｔｙｐｏｌｏｇｙ）中的影响差异。具体地， 根据样本中企业网络的嵌入结构对企业进行编码， 计算单源最短路径长度。若企业所在网络单源最短路径长度大于１，则为多阶网络拓扑结构， 赋值为１，即企业所在网络具有长链特征，意味着企业可能在网络中扮演了重要的中介角色或者能够传递高阶信息， 存在跨越多层的关系；否则为一阶网络结构， 赋值为０，即该企业所在网络具有短链特征， 表明它在网络中处于较为边缘的位置。处于长链结构网络的企业，往往需要收集和存储更多关联企业的数据， 而短链结构网络的企业上下游之间关系较为牢固， 需要处理和传递的数据信息可能相对较少。因此， 企业网络地位对数据资产信息披露在长链结构特征中更为明显，短链结构特征中较为薄弱。表５中列（３）、（４）为拓扑结构异质性统计结果， 可以获得， 相比于一阶（短链）结构， 多阶（长链）结构样本中， 企业网络地位对数据资产信息披露的影响更为显着。
３.５.３企业规模
本文分析了企业规模异质性。大规模企业由于其自身已经具有较强的市场地位和资源获取能力， 对新资源建设的依赖性可能较小， 因此当大规模企业位居供应链网络地位中心时， 更倾向于提升现有优势资源。小规模企业在市场中的资源优势往往并不牢固， 需要获取或开发更多的资源和机会， 因此它们倾向于利用网络地位来增加外界对其关注， 而数据资产信息的披露既能向市场传递积极的信号， 同时也能表达企业对可持续发展的重视， 以此来吸引潜在的投资者、合作伙伴等外部资源。本文将样本以中位数划分为两组，并用１（大规模）和０（小规模）进行编码。表５ 中列（５）、（６） 为企业规模异质性结果， 可以得知， 相比于大规模企业， 小规模企业的企业网络地位对数据资产信息披露影响更大也更为显着。
４结论与启示
本文以２００９～２０２３年Ａ 股上市公司数据作为研究样本， 利用社会网络分析、文本分析等方法，实证检验了企业网络地位对数据资产信息披露水平的影响及其作用机制。结果发现， 企业网络地位对数据资产信息披露具有显着的正向影响， 且经过一系列内生性和稳健性检验后仍然成立。同时， 客户集中度在此影响中发挥负向调节作用， 即客户集中度越低， 企业网络地位对其数据资产信息披露水平的影响越强。此外， 异质性分析显示，对于非国有企业、多阶（长链）结构和小规模企业来说， 企业网络地位对数据资产信息披露的影响效果尤为明显。
基于以上结论， 得到如下启示：
对于政府而言， （１） 考虑到网络中心地位企业拥有明显的资源和能力优势， 应该进一步出台支持政策来鼓励以“强” 扶“弱”， 提升企业网络整体的数据资产信息披露水平， 进而推动数字经济统筹协调［２５］ ； （２） 相关部门需要尽快统一数据资产信息披露要求， 为企业披露数据资产信息提供清晰的方向和明确的标准， 也为市场提供规范性和可比性的信息； （３） 为了加快政策落地，需要强化公共数据平台和数据资产流动机制的建设， 提高公开数据的利用率和外部数据的交易率。降低数据资产化成本的同时， 改善网络边缘地位企业的数据壁垒， 想方设法增强企业开展数据资产化及其信息披露的信心与动力。
对于上市公司而言， （１） 强化企业使命意识，做到勇挑重担、敢打头阵， 特别是要积极担当“链主” 职责［２６］，在推进数据资产信息披露进程中充分发挥“头雁” 作用。尤其对于非国有企业而言，要充分意识并利用自身的数据资产化优势， 实现无价值数据向高价值数据资产的转换，引领市场数据资产信息披露新态势； （２） 建设企业数据资产管理平台， 进行系统化、集中化的数据资产管理， 这样不仅能够保证数据及数据资产安全， 合理控制风险， 还能最大化释放数据资产的潜在价值。特别是对于存在数据重复、冗余、失真及泄露风险的多层级（长链）结构企业而言， 通过多层次和精细的平台管理， 可显着优化数据质量， 降低相关经营风险； （３） 要密切关注政策动向， 认真贯彻国家决策部署， 夯实数字基础设施和完善数据治理， 扩大数据规模， 以激发数据资产高价值弹性提升边际贡献。尤其是处于网络中心地位的小规模企业， 应抓住机遇， 利用灵活性促进数据资产信息披露与企业战略紧密结合， 争取市场份额的快速增长。此外， 还应积极引进技术人才，合理配置资源， 打造良好的数据环境， 推动数据要素与传统要素的融合， 发挥数据要素乘数效应，服务于数字经济高质量发展。
