一、引　言

随着数字经济的快速发展，数据已成为重组要素资源、重塑经济结构和改变竞争格局的重要驱动力。党的十九届四中全会将数据确立为继土地、劳动力、资本和技术之后的新型关键生产要素，体现了国家层面对数据战略价值的高度重视。2023年8月，财政部印发《企业数据资源相关会计处理暂行规定》（简称《暂行规定》），明确数据资源的资产属性，为企业推进数据资产化、释放数据价值奠定了制度基础。已有研究发现，企业数据资产化能优化生产流程（焦豪等，2021）、提高资源配置效率（Hu等，2022；姚会娜和张金昌，2024）、激发创新活力（李健等，2023；Gao等，2023）及提升企业竞争力（Cappa等，2021）；同时，数据资产化还可以改善融资环境（何瑛等，2024；张娆和张雅婷，2025）并提升资本市场表现（陈志斌和杨靖，2025）。然而，现有研究主要集中于数据资产化的经济后果，对其实现路径及影响因素仍缺乏系统探讨。

在此背景下，企业应构建能够贯通数据采集、清洗、治理与流通全链条的组织载体。财务共享服务中心作为制度化、标准化的组织单元，在流程整合与数据集中方面具有显著优势（Minnaar和Vosselman，2013），能够较好契合上述需求。在制度层面，相关政策亦提供了有力支持。国资委在《关于中央企业加快建设世界一流财务管理体系的指导意见》中明确提出，要“推进共享模式、流程和技术创新”，提升共享效率、拓展共享边界,强调应充分发挥财务共享服务中心的数据集聚功能，推动其从“账务集中处理”向企业“数据中心”转型。随后，财政部在《关于全面深化管理会计应用的指导意见》中为财务共享服务中心向企业级数据中台升级提供了更具体的制度指引。在实践层面，已有案例研究表明，部分企业通过建设财务共享服务中心实现了跨部门数据整合与治理，促进了企业数据价值释放（孙健和党誉珲，2024；耿彦等，2025）。由此可见，财务共享服务中心不仅可以承担财务职能，还可以为企业推进数据资产化提供重要的组织基础和实施平台，并为研究企业数据资产化的实现路径提供了可行切入点。

现有关于财务共享服务中心的研究多关注其在成本管控、运营效率提升、内控与合规治理等方面的作用（Chen等，2024；纳超洪等，2024；Heese和Pacelli，2025；Dong等，2025）。然而，作为一种制度化组织单元，财务共享服务中心在重塑企业数据治理结构、提升数据质量以及推动数据资产化方面的作用尚缺乏系统讨论。因此，本文聚焦财务共享服务中心这一组织治理安排，系统考察其对企业数据资产化的影响及其作用机制。本文不仅拓展了财务共享服务中心相关研究的分析视角，也为厘清企业数据资产化的实现路径提供了新的经验证据。

本文选取2007—2024年沪深A股上市公司为样本，利用Python对年报信息进行关键词识别，并结合投资者互动平台、企业官方微信公众号等渠道进行手工核验，以判定企业是否设立财务共享服务中心，进而检验其对数据资产化的影响。研究发现，财务共享服务中心的建立显著促进了企业数据资产化。上述结论在进行多种内生性处理与稳健性检验（包括多时点DID模型、工具变量法、PSM、Heckman两阶段法、更换衡量方法及安慰剂检验）后仍然稳健。同时，财务共享服务中心运行时间越长，其促进作用越显著。机制分析表明，财务共享服务中心通过提升数据治理水平、改善数据质量和提高数据流通效率促进企业数据资产化。异质性研究表明，财务共享服务中心对企业数据资产化的促进效应在组织结构复杂、业务多元化程度较低、地区数据要素市场发展水平较高、知识产权保护较完善的样本中更为显著。细分数据资产类型后发现，财务共享服务中心不仅能够提升企业的自用型数据资产水平，还能够促进交易型数据资产的形成。基于2024年截面数据的检验进一步发现，财务共享服务中心不仅能够促进数据资产入表，还显著提高了入表金额。经济后果检验表明，财务共享服务中心通过提升数据资产化水平，显著提高了企业全要素生产率。

本文的边际贡献体现在以下两个方面。第一，从微观组织治理视角拓展了企业数据资产化驱动因素研究。既有文献主要集中于数据资产化的经济后果，少量研究虽已关注其形成动因，但大多聚焦同行效应（张俊瑞等，2025）、公共数据开放（王振东和裴成荣，2025）等外部制度与环境因素。本文立足于内部组织治理视角，发现财务共享服务中心作为一种流程标准化、管理集中化的组织单元，能够显著促进企业数据资产化水平提升，从而为理解数据要素价值化的形成机制提供了来自内部组织治理视角的理论支撑。第二，拓展了财务共享服务中心经济后果的研究边界。现有文献多将财务共享服务中心视为财务流程整合与内部控制的组织安排，关注其在成本控制（Lindvall和Iveroth，2011）、内部控制（李闻一和李栗，2024）和会计信息质量（纳超洪和陈雪，2024）等方面的影响。本文发现，财务共享服务中心在推动数据价值转化与数据资产形成方面同样发挥着重要作用，从而将其研究范畴由传统的财务与治理领域拓展至数据要素价值化领域。

二、文献回顾与理论假说 一. 文献回顾 1. 财务共享服务中心的相关研究

现有研究普遍认为，财务共享服务中心的建设能够通过优化运营和强化治理对企业产生重要影响。在运营方面，财务共享服务中心的核心功能在于降低成本、提高效率。早期的典型案例研究发现，爱立信公司的财务共享服务中心通过流程标准化与自动化显著降低了的总成本（Lindvall和Iveroth，2011）。进一步，纳超洪等（2024）发现，财务共享服务中心提升了集团内部资源配置的灵活性，有效降低了企业运营成本黏性。吕佳宁等（2023）则从信息传递的角度，论证了财务共享服务中心通过缓解信息不确定性、提升内部信息传递效率并增强外部监督，提高企业投资效率。总体而言，财务共享服务中心带来的成本节约与运营优化显著增强了企业的整体盈利能力（Chen等，2024）。

在治理效应方面，财务共享服务中心被视为提升公司治理水平的重要机制（李闻一和李栗，2024）。依托组织架构重建和信息技术支持，财务共享服务中心实现了财务数据的集中处理，从而降低了企业内部的信息不对称，强化了内部监督（蓝紫文和李增泉，2023），并提升内部控制质量（李闻一和李栗，2024）。内部控制质量的改善进一步提升了会计信息质量（纳超洪和陈雪，2024）和信息透明度（姜一涵，2022），为公司治理提供了更可靠的数据基础。进一步，更高的信息透明度与更强的监督力度有助于约束管理层行为，减少企业不当行为（Heese和Pacelli，2025；Dong等，2025）。

总体而言，既有文献多围绕运营优化与治理提升考察财务共享服务中心的经济后果，对其作为企业“数据中心”参与数据资产化进程中的功能与作用关注不足，相关研究仍有待进一步深化。

2. 数据资产化的相关研究

在数字经济时代，数据已成为企业价值创造的核心要素（许宪春等，2022；Baley和Veldkamp，2025）。既有研究表明，高市场价值企业的估值在一定程度上受到数据资产的影响（Veldkamp，2023），由此凸显了推进数据资产化的现实重要性。企业数据资产化通常是指，在合法拥有或控制的数据资源基础上，经过采集、清洗、治理、加工等处理过程，将原始数据转化为具备可识别、可计量、可管理等属性的资产，并进一步通过数据分析与模型挖掘，在业务场景中实现价值增值（何瑛等，2024；王艳和杨达，2024）。

现有研究主要关注数据资产化的经济后果。在运营层面，数据资产通过推动业务流程数字化和资源配置精细化，助力企业优化生产流程、提升资源配置效率（Hu等，2022；姚会娜和张金昌，2024），并提高研发投入强度与创新成果质量（李健等，2023）。在融资层面，数据资产通过提升信息透明度和企业信用水平，有效缓解中小企业融资约束，优化其资本结构（何瑛等，2024；张娆和张雅婷，2025）。在市场层面，数据资产能够改善客户互动与服务个性化，使企业更好地理解客户需求（Cappa等，2021），进而提高客户满意度与忠诚度（Lee，2018），并最终增强企业的市场竞争力（焦豪等，2021）。

相比之下，关于数据资产化影响因素的研究相对匮乏，且已有文献主要聚焦于外部制度环境。例如，张俊瑞等（2025）发现同行企业的数据资产披露行为会对企业自身的数据资产信息披露产生示范效应；王振东和裴成荣（2025）则指出，公共数据开放能够促进企业的数据资产化进程。然而，企业内部组织治理因素在数据资产化过程中的作用尚未得到系统探讨。财务共享服务中心的广泛建设，使其在数据汇聚、标准化处理及价值转化中的作用日益凸显，不仅为企业数据资产化提供了重要组织基础，也构成了探讨内部组织机制影响数据资产化的可行切入点。

二. 理论分析与研究假设 1. 财务共享服务中心与企业数据资产化

企业数据资产化的核心在于将原始数据转化为可管理、可计量并能持续创造价值的资产（何瑛等，2024；王艳和杨达，2024）。资源基础理论强调资源的异质性是企业竞争优势的来源，但资源本身不是自动创造价值，而是依赖于企业组织能力实现价值转化。根据该理论，数据作为企业核心资源，能否转化为资产，取决于企业对数据的控制能力和资源配置能力。财务共享服务中心作为企业内部数据汇聚、处理和输出的关键组织单元，通过组织整合、流程规范和集中化管理，为数据资产化创造了有力的制度性支撑。

具体而言，财务共享服务中心通过重塑数据管理架构与组织方式，在以下三个方面推动数据资产化的实现。从组织层面看，财务共享服务中心作为企业内部集中化管理单元，通过流程标准化，推动分散、非标准化的原始数据向统一格式、可识别的数据形态转化，提升了数据的可管理性。从制度层面看，财务共享服务中心作为跨部门协调机制，统一数据标准与治理规则，减少部门间的标准冲突与权责模糊，提升了数据治理的规范性与一致性。从平台层面看，财务共享服务中心依托统一信息系统实现数据汇聚与共享，降低数据调取与整合成本，提升数据利用效率，加速数据价值转化。

因此，财务共享服务中心通过优化企业内部数据管理体系，推动数据由分散化资源向可管理、可利用的资产形态转化，进而实现数据资产化。基于此，本文提出以下假设。

H1：财务共享服务中心的设立能够显著提升企业数据资产化水平。

2. 影响机制分析

如前所述，财务共享服务中心通过组织整合、流程规范与集中化管理，为数据资产化提供了制度性支撑。进一步需要回答的是，这一影响通过何种路径实现。从数据要素价值实现视角来看，企业数据资产化依赖于完善的数据治理体系、高质量的数据资源以及高效的数据流通机制 ¹。然而在实践中，企业往往缺乏对分散、异构数据源进行结构化控制的治理体系，缺乏持续提升数据质量与可追溯性的优化机制，也缺乏支持跨部门高效动态利用的数据流通机制，导致数据重复、偏差累积与信息孤岛等问题（张瑞君等，2010；周莉，2025），使数据资产化进程受阻。财务共享服务中心凭借集中化业务处理架构、标准化流程设计与跨部门协同能力，能够将分散数据纳入统一治理框架，并在数据治理、数据质量与数据流通等关键环节形成系统性改进。基于此，本文从数据治理、数据质量与数据流通三个方面，对财务共享服务中心影响企业数据资产化的作用路径进行分析。

其一，数据治理机制。数据治理是企业围绕数据权属界定、标准制定与合规管理构建的制度安排与组织机制，其核心在于通过制度化方式实现对数据资源的结构性控制与统一管理。财务共享服务中心通过重塑数据管理的组织架构与制度安排，将分散于各业务单元的数据管理职能纳入统一治理体系。一方面，通过统一数据标准与业务规范，实现对数据生成与管理活动的制度化约束，提升数据治理制度规则的统一性。另一方面，通过明确数据权属划分与责任体系，强化数据在组织内部的归属关系与治理边界，从而确保数据在全生命周期内可审计、可追溯，并为后续的数据质量校验与合规风险控制提供统一的制度保障。因此，财务共享服务中心通过强化数据治理体系，使数据由分散无序的资源形态转变为具有明确权责边界与标准体系支撑的战略资源，为数据资产化奠定制度基础。

基于上述分析，本文提出以下假设。

H2：财务共享服务中心通过提升数据治理水平促进企业数据资产化。

其二，数据质量机制。数据质量是数据资产化的重要基础，体现为数据在准确性、一致性、完整性与可追溯性等方面的多维特征。基于信息质量理论，数据质量取决于数据生成与处理过程中的标准化程度与控制强度（Wang和Strong，1996）。财务共享服务中心通过强化数据生成与处理过程的标准化控制，对数据全生命周期实施系统性管理。一方面，财务共享服务中心通过统一业务规则与核算标准，对数据采集、处理与确认流程实施标准化约束，从而提升不同业务单元数据的一致性与可比性。另一方面，财务共享服务中心能够通过标准化、自动化的处理机制较大限度地减少人工干预与自由裁量空间，从整体上提高数据质量（Zhang，2024；Dong等，2025）。

因此，财务共享服务中心能够通过提升数据生成质量，使数据由低一致性信息转化为高可靠性数据资源，从而增强其作为资产的可信度与可确认性。基于上述分析，本文提出以下假设。

H3：财务共享服务中心通过提升数据质量促进企业数据资产化。

其三，数据流通机制。数据流通是数据资产化的动态实现路径，强调数据在企业内部跨部门跨系统共享、传递与协同使用的能力，其本质在于提升数据的组织内流动效率与应用广度。财务共享服务中心通过打通组织内部业务流程与信息系统之间的连接，推动分散数据资源的整合与共享（孙健和党誉珲，2024）。一方面，财务共享服务中心通过建立统一的数据存储与接口标准，实现数据资源的集中汇聚与规范化调用，降低不同业务系统之间的数据访问成本，提高数据访问效率。另一方面，通过推动业务流程与信息系统协同运行，促进数据在销售、采购、生产与财务等不同业务环节之间的高效传递与协同使用，从而增强数据在多业务场景中的可达性与可用性。随着数据跨场景嵌入程度的提升，数据由静态资源逐步转化为动态流动的资源，其应用边界不断扩展，进而加速数据价值实现。

基于上述分析，本文提出以下假设。

H4：财务共享服务中心通过提升数据流通效率促进企业数据资产化。

本文理论分析框架如图1所示。

三、研究设计 一. 样本选择与数据来源

本文选取2007—2024年沪深A股上市公司作为研究样本。对样本进行如下筛选和处理：（1）剔除金融业公司样本；（2）剔除被ST、*ST或PT的样本；（3）剔除总资产、所有者权益为负的样本；（4）剔除关键变量存在缺失的样本。最终得到41986个公司—年度观测值，并对所有连续变量在1%和99%分位数上进行缩尾处理。数据主要来源于CSMAR、CNRDS、巨潮资讯网及投资者互动平台。

鉴于财务共享服务中心相关信息并非企业强制披露事项，本文通过手工搜集方式识别企业财务共享服务中心的建成时间，具体步骤如下。第一步，基于文本提取进行初步识别。借鉴蓝紫文和李增泉（2023）、纳超洪等（2024）的做法，依据“财务共享”“共享中心”“财务共享服务中心”等关键词，运用Python对上市公司年报进行文本分析，提取包含关键词的句子。随后，通过人工逐句阅读，对相关企业是否建设财务共享服务中心及其建成时间进行初步核实。第二步，通过多平台对比验证。对于初步识别出的公司，本文通过百度、东方财富、新浪财经、微信公众号等网络渠道，以及“上证e互动”“深交所互动易”等投资者互动平台进行信息检索，综合多来源信息，判定企业是否设立财务共享服务中心及其建成时间。第三步，参考权威报告进行交叉验证。进一步查阅历年《中国共享服务领域调研报告》，并与前述识别结果进行比对，以提升信息的准确性和可靠性。最终，样本中共有483家已建成财务共享服务中心的上市公司（包含全面建成与部分建成，不含仍处于规划阶段的企业）。

图2展示了样本中财务共享服务中心建成的年度分布情况。2007年累计仅4家公司建成财务共享服务中心；随着企业集团对财务集中化管理的需求不断增强，2015年后新增数量快速上升，2017—2022年年均新增数量超过56家，并在2022年达到峰值86家。从样本占比来看，建成财务共享服务中心的企业比例由2007年的0.42%提升至2024年的12.34%，总体呈持续上升态势，2024年略有回落，反映出财务共享服务中心的普及程度不断提高。

在财务共享服务中心建成企业的行业分布方面 ²，计算机、通信和其他电子设备制造业是建成财务共享服务中心最多的行业，共有43家，批发和零售业40家，电力、热力、燃气及水生产和供应业33家，交通运输、仓储和邮政业32家。上述行业普遍具有交易量大、财务流程复杂、多机构运营以及合规要求高等特点，因而更适合采用集中化财务管理模式。

二. 变量定义与选择 1. 被解释变量

被解释变量为企业数据资产化水平（LnDA）。由于数据资产化实践尚处于初期阶段，相关量化标准尚未统一，因而测度存在一定困难。近年来，越来越多研究尝试运用文本分析方法衡量企业数据资产化（何瑛等，2024；杨锐等，2025），该方法能够刻画企业在数据要素利用方面的实际情况。本文采用何瑛等（2024）的“数据资产”词典，利用Python对企业年报进行关键词词频统计，并对词频加1后取自然对数，LnDA数值越大，表示企业数据资产化水平越高。为验证该变量的可靠性，本文对其进行了效度检验 ³。

2. 解释变量

核心解释变量FSSC为企业是否建成财务共享服务中心的虚拟变量。具体而言：企业建成财务共享服务中心当年及以后年度，FSSC取值为1；反之取0。

3. 机制变量

（1）数据治理水平。数据治理水平反映了企业在数据生成、处理与管理过程中实现数据标准化、规范化与可控性的综合能力。在企业实践中，内部控制体系作为嵌入业务流程与信息生成过程的制度约束机制，通过对授权审批、业务流程与信息记录的控制，对数据的生成、传递与存储过程形成制度性约束，从源头上提升数据的标准化程度与规范性，能够在一定程度上反映企业数据治理水平。因此，本文参考肖懿等（2025）的研究，采用迪博内部控制指数/100作为企业数据治理水平（GC）的代理变量。

（2）数据质量。数据质量涵盖数据的准确性、完整性与一致性等方面。由于数据质量属于难以直接观测的潜在变量，本文采用会计信息质量作为其代理变量。会计信息质量是整体数据质量在财务输出端的重要体现，能够综合反映数据在采集、处理与核算过程中的规范性与准确性水平。参考纳超洪和陈雪（2024）的做法，本文采用修正的Jones模型（Dechow等，1995）计算可操纵性应计项目的绝对值（AbsDA）作为会计信息质量的代理指标，该值越小表示数据质量越高。

（3）数据流通效率。数据流通效率用于刻画企业内部数据在不同业务单元之间的传递效率与使用效率，本文采用文本分析法构建数据流通指数。基于上市公司年报，从数据流通、共享协同、交易开放、整合对接等维度统计相关关键词词频，将总词频加1后取自然对数，得到数据流通指数（DataFlow）。该值越大，表示数据流通效率越高。

4. 控制变量

本文参考张俊瑞等（2025）、王振东和裴成荣（2025）的研究，从企业特征、公司治理和外部治理层面选取控制变量。企业特征层面包括企业规模（Size）、资产负债率（Lev）、盈利能力（Roa）、企业成长性（Growth）；公司治理层面包括董事会规模（Board_Size）、董事会独立性（Board_Ind）、董事长与总经理两职合一（Dual）、前十大股东持股比例（Top10）、管理层持股比例（Mshare）、CEO信息技术背景（CEO_IT）、CEO任期（CEO_Tenure）；外部治理层面包括分析师关注度（Follow）。此外，本文还设置了年份（Year）、行业（Industry）哑变量，以控制年度层面的共同冲击和行业层面的异质性影响。变量的具体定义及测量方法见表1。

三. 模型设定

借鉴纳超洪和陈雪（2024）的研究，本文构建OLS模型，探究财务共享服务中心对企业数据资产化的影响。

其中，β₁代表财务共享服务中心对企业数据资产化的影响效应，Controls代表控制变量，Year是年度固定效应，Industry是行业固定效应。为了缓解序列相关性所导致的偏差，标准误按照公司层面进行了聚类处理（Petersen，2009）。

为检验财务共享服务中心影响企业数据资产化的潜在机制，本文借鉴江艇（2022）、杨锐等（2025）的中介效应检验方法，构建如下模型：

其中，中介变量Mediator包含数据治理水平（GC）、数据质量（AbsDA）和数据流通效率（DataFlow）。

四、实证结果分析 一. 描述性统计

表2列示主要变量的描述性统计结果。被解释变量数据资产化水平（LnDA）的均值为3.358，中位数为3.296，标准差为0.669，说明不同企业间的数据资产化水平仍存在一定差异。主要解释变量FSSC为虚拟变量，其均值为0.051，表明样本期间建成财务共享服务中心的观测数量占总观测数量的5.1%，比例较低。

企业特征方面，企业规模（Size）、资产负债率（Lev）、资产收益率（Roa）的均值分别为22.247、0.438、0.035，与既有研究一致。公司治理特征中，董事会规模平均约为8人，独立董事占比均值为37.6%，高于三分之一的监管最低要求；样本中，27.9%的企业存在董事长和总经理两职合一（Dual），管理层持股比例（Mshare）均值为12.2%。从CEO特征来看，样本中有8.1%的CEO具备信息技术相关背景，CEO平均任职年限为4.201年。

二. 基准回归结果

表3报告了财务共享服务中心对企业数据资产化影响的回归结果。其中，第（1）列未加入控制变量，仅控制了行业和年度固定效应。FSSC的系数为0.086，在1%水平上显著；第（2）列加入控制变量后，FSSC的系数为0.084，仍在1%水平上显著。这表明财务共享服务中心能够显著促进企业数据资产化，支持了假设H1。

为进一步考察财务共享服务中心运行时长对企业数据资产化的影响，本文从两个方面进行检验。第一，参考纳超洪和陈雪（2024）的做法，根据财务共享服务中心的运行时长，将样本划分为运行时长较长（LFSSC）和运行时长较短（SFSSC）两类。当运行时长超过三年时，LFSSC取值为1，否则为0；当运行时长在三年及以下时，SFSSC取值为1，否则为0。将二者同时纳入模型（1）中进行回归，结果如表3第（3）列所示。SFSSC和LFSSC的系数分别为0.072和0.126，均在1%水平上显著，且LFSSC的系数更大。这表明，财务共享服务中心运行时间越长，对企业数据资产化的促进作用越强。第二，本文进一步以财务共享服务中心运行时长构建连续型代理变量FSSC_Duration，结果如表3第（4）列所示。FSSC_Duration的系数为0.021，在1%水平上显著，进一步验证了财务共享服务中心运行时间越长，对企业数据资产化水平的促进作用越显著。综上，财务共享服务中心显著提升了企业数据资产化水平，且运行时间越长，其促进作用越强。

三. 稳健性检验 1. 内生性问题的处理

（1）多时点DID模型

为缓解潜在的内生性问题对因果推断的干扰，本文参考李闻一和李栗（2024），将企业建成财务共享服务中心视为事件冲击，构建如下多时点双重差分模型进行稳健性检验。

其中，核心解释变量FSSC的定义与模型（1）保持一致，详见表1。模型中控制年度固定效应（Year）和企业固定效应（Firm）。

表4第（1）列报告了多时点DID模型的回归结果。结果显示，FSSC的系数为0.0618，且在5%水平上显著。这表明，在一定程度上缓解潜在内生性问题后，财务共享服务中心仍显著促进企业数据资产化水平提升，进一步支持了假设H1。

多时点DID模型的识别依赖于平行趋势假定，为检验该假定，采用事件研究法刻画财务共享服务中心建成的动态效应，并以建成前第3期（t=−3）作为基准期。图3结果显示，在财务共享服务中心建成之前，各期系数相对于基准期均不显著，说明处理组与对照组在事前未呈现系统性差异，平行趋势假定得到支持；从财务共享服务中心建成之后第2期起，各期系数均显著为正，表明财务共享服务中心显著提升了企业数据资产化水平，但该作用具有一定的滞后性。

（2）工具变量法

考虑到潜在的遗漏变量与反向因果关系可能导致估计结果存在内生性偏误，本文采用工具变量法缓解内生性问题，参考蓝紫文和李增泉（2023）的做法，选取当期同行业其他上市公司财务共享服务中心设立比例（FSSC_Ind）作为工具变量。一方面，同一行业企业面临相似的经营环境，其财务共享服务中心设立行为具有较强相关性；另一方面，同行业其他企业的相关决策通常不会直接影响目标企业的数据资产化水平，从而在一定程度上满足工具变量的相关性与外生性要求。第一阶段回归结果如表4第（2）列所示，工具变量FSSC_Ind在1%水平上显著为正，表明其对FSSC具有较强解释力。第一阶段F统计量为123.59，显著高于10的经验阈值，说明不存在弱工具变量问题。同时，Kleibergen-Paap rk LM统计量为114.19（p＜0.001），拒绝识别不足的原假设，表明模型具有良好的识别性。第二阶段结果如表4第（3）列所示，FSSC的系数仍显著为正，说明在考虑潜在内生性问题后，本文结论依旧稳健。

（3）PSM检验

本文采用倾向得分匹配法（PSM）构建对照组，以缓解样本选择偏误带来的内生性问题。其中，处理组为建成财务共享服务中心的企业，对照组为尚未建成财务共享服务中心的企业。为进一步控制不同年份的宏观经济环境等因素对估计结果产生的影响，本文按年度进行匹配。具体而言，选取模型（1）中的控制变量作为协变量，采用有放回的1:3最近邻匹配方法，最终得到16328个公司—年度观测值。基于匹配后的样本进行回归分析，结果如表4第（4）列所示，FSSC的系数为0.070，在5%水平上显著，表明在一定程度上缓解样本选择偏误后，财务共享服务中心对企业数据资产化的促进作用依然显著，结果具有较强稳健性。

（4）Heckman两阶段法

在本文研究中，企业是否建成财务共享服务中心可能受到自身特征的影响，从而引发样本自选择问题。为缓解该问题，本文参考纳超洪等（2024）的做法，采用Heckman两阶段模型进行校正。在第一阶段构建Probit模型，以企业规模、资产负债率、盈利能力、企业成长性、董事会规模、董事会独立性、两职合一、股权集中度、管理层持股比例、CEO信息技术背景、CEO任期、分析师关注度作为解释变量，估计企业建立财务共享服务中心的概率，并据此计算逆米尔斯比率（IMR）。第二阶段在模型（1）中引入IMR进行回归，以纠正潜在的样本选择偏误。结果如表4第（5）列所示，IMR的系数显著为正，说明存在样本选择偏差问题。FSSC的系数为0.070，并在5%水平上显著，表明在考虑自选择效应后，财务共享服务中心对企业数据资产化的正向影响仍然稳健成立。

2. 其他稳健性检验

（1）安慰剂检验

为排除研究结果可能由随机因素驱动，本文采用安慰剂检验进一步验证结论的稳健性。借鉴曹清峰（2020）的思路，本文在原控制组中随机抽取与处理组规模相同的企业构建“虚拟处理组”，并保持其“建成时间”分布与真实处理组一致。具体而言，若某一年有n家企业建成了财务共享服务中心，则在虚拟处理组中亦随机指定n家企业在同一年进入处理状态。在此基础上，利用虚拟样本重新估计模型（1），并重复上述随机抽样与回归操作过程1000次。虚拟处理变量回归系数的分布结果如图4所示。

从图4可以看出，建成财务共享服务中心对企业数据资产化的真实估计效应位于安慰剂效应分布的右侧尾部，明显偏离随机分布区间。同时，随机生成的虚拟处理变量回归系数整体围绕0分布，且大多不显著，表明基准回归结论不太可能由随机因素驱动，结论具有较强稳健性。

（2）替换被解释变量度量方式

为检验基准结果的稳健性，本文对被解释变量的度量方式进行替换。第一，采用何瑛等（2024）的“数据资产”词典，以句子为分析单元，统计包含相关关键词的句子数量，并对其进行加1取自然对数（Lndatasentence1），以替代基于词频的度量方法。第二，参考杨锐等（2025）的研究思路，构建“数据资产”核心词词典与“价值实现”行动词词典，将文本中同时包含两类词汇的句子识别为有效句子，统计有效句子数量并加1取自然对数（Lndatasentence2），作为替代变量。结果如表4第（6）和（7）列所示，FSSC的回归系数均在1%水平上显著为正，表明在替换被解释变量度量方式后，结论依然稳健。

（3）剔除信息技术类企业样本

信息传输、软件和信息技术服务业企业通常具备较高的数据利用能力和信息系统基础，其数据资产化水平可能受行业特性的影响，从而对识别结果产生干扰。为此，本文剔除行业门类代码为“I”的样本重新进行回归，结果如表4第（8）列所示。FSSC的系数与基准回归保持一致，说明本文结论不受特定行业样本的影响，具有较强稳健性。

五、进一步分析 一. 影响机制分析

基于前文理论分析，财务共享服务中心可能通过提升数据治理水平、改善数据质量以及提高数据流通效率，进而推动企业数据资产化。为检验上述作用机制，本文基于模型（2）进行回归分析，结果如表5所示。第（1）列结果显示，FSSC的系数为0.136，在1%水平上显著，表明财务共享服务中心显著提升了企业的数据治理水平。第（2）列中，FSSC的系数为−0.003，在10%水平上显著，说明财务共享服务中心显著提升了企业的数据质量。第（3）列结果表明，FSSC的系数为0.167，在1%水平上显著，反映财务共享服务中心显著提升了企业的数据流通效率。

综上所述，财务共享服务中心通过提升数据治理水平、改善数据质量并提高数据流通效率，有效推动了企业数据资产化水平的提升，支持了本文假设H2、H3和H4。

二. 异质性分析

本文从企业组织特质与外部环境两个维度出发，探讨不同情境下财务共享服务中心对企业数据资产化的异质性影响。其中，企业组织特质维度包括组织结构复杂度、业务多元化，外部环境维度包括地区数据要素市场发展水平和知识产权保护水平。

1. 企业组织特质维度

（1）组织结构复杂度

子公司数量较多的集团型企业，随着组织层级的增加和业务单元的扩展，企业内部信息分散程度更高、数据标准不一致的问题更为突出，从而增加了跨部门数据整合与治理的难度。在此情形下，财务共享服务中心通过集中化处理与标准化管理，实现对分散财务与业务信息的统一整合，其治理功能能够在信息碎片化程度更高的组织环境中产生更大的边际改善空间。因此，在子公司较多的企业中，财务共享服务中心对数据资产化的促进作用更为显著。本文基于子公司数量的行业—年度中位数进行分组回归，结果如表6第（1）和（2）列所示。在第（1）列中，FSSC的系数为0.098，在1%水平上显著；第（2）列中，FSSC的系数为0.013，不显著。同时，两组系数差异在统计上显著。这一结果表明，在子公司数量较多、组织结构较复杂的企业中，财务共享服务中心对数据资产化水平的促进作用更显著。

（2）业务多元化

财务共享服务中心通过流程重构与制度统一，推动企业内部业务活动的标准化与数据一体化管理，其运行依赖于各业务单元在流程和数据口径上的一致性。对于业务多元化程度较高的企业，由于业务类型较为分散，不同业务单元在流程标准化与数据口径统一方面存在较大差异，增加了财务共享服务中心实现统一化处理的难度。相较之下，在业务结构较为集中、标准化程度较高的企业中，财务共享服务中心能够更高效地实现业务流程整合与数据统一处理（Schulz和Brenner，2010；纳超洪和陈雪，2024），从而提升数据资源整合效率，加快企业数据资产化进程。

本文参考王擎和田娇（2014）的做法，采用赫芬达尔-赫希曼指数计算企业业务多元化程度（HHI_Firm） ⁴。根据样本的中位数进行分组，结果如表6第（3）和（4）列所示，在业务多元化较高的组中，FSSC的系数为0.046，但不显著；而在业务多元化较低的组中，FSSC的系数为0.131，在1%水平上显著。进一步检验显示，两组系数差异在统计上显著。这表明，在业务多元化程度较低的企业中，财务共享服务中心对数据资产化的促进作用更强。

2. 外部制度维度

（1）地区数据要素发展水平

外部数据环境的完善程度同样会影响企业数据资产化进程。在数据要素市场发展较成熟的地区，数据治理体系更健全、交易机制更完善，企业的数据意识与数据使用能力也更强（王振东和裴成荣，2025）。良好的外部制度环境有助于数据资产的确权、评估与流通，从而强化财务共享服务中心在数据标准化与价值化方面的作用。借鉴张辽和胡忠博（2024）的做法，本文以省份软件业务收入衡量地区数据要素发展水平，并按年度中位数进行分组回归，结果如表6第（5）和（6）列所示。可以看出，在数据要素市场发展水平较高的地区，FSSC的系数为0.114，在1%水平上显著；在水平较低的地区，FSSC的系数为正但不显著。这表明，在数据要素市场发展水平较高的地区，财务共享服务中心对企业数据资产化的促进作用更为显著。

（2）地区知识产权保护水平

数据资产具有无形资产属性，其价值实现高度依赖于对数据使用权和收益权的有效保护（孙湛等，2024）。由于数据具有高度可复制性和易扩散性（许宪春等，2022），在产权保护不足的环境下，企业数据投入难以获得稳定回报，从而削弱其数据资产化激励。知识产权保护通过强化对数据相关权益的法律保护，降低数据被侵权和模仿的风险，提高企业对数据投入收益可回收性预期。因此，在知识产权保护水平较高的地区，企业更有动力对数据进行系统治理和规范管理，并将其纳入资产化开发体系。基于上述分析，本文参考刘思明等（2025）的研究，以企业所在城市是否为国家知识产权示范城市构建虚拟变量衡量地区知识产权保护水平。国家知识产权示范城市通常在知识产权制度建设、执法力度及保护水平等方面处于较高水平，能够较好表征地区知识产权保护水平。在此基础上，本文进一步进行分组回归，结果如表6第（7）和（8）列所示。可以看出，在国家知识产权示范城市样本中，FSSC的系数为0.087，在5%水平上显著；而在非知识产权示范城市样本中，FSSC的系数虽为正但不显著。该结果表明，在知识产权保护水平较高的地区，财务共享服务中心对企业数据资产化的促进作用更强。

三. 数据资产类型

参考何瑛等（2024）的做法，依据具体用途将数据资产划分为自用型数据资产（LnODA）和交易型数据资产（LnDDA），以更深入地刻画数据资产的价值实现。其中，自用型数据资产指企业在生产经营、管理决策、绩效评估等活动中所形成并被直接利用的数据资源；交易型数据资产则指企业通过外部交易、数据产品化或共享合作等方式实现经济收益的数据资源。表7第（1）和（2）列结果显示，FSSC的系数均显著为正，表明财务共享服务中心通过促进数据标准化与集中化处理，既有助于自用型数据资产的开发与利用，也有助于交易型数据资产的形成。

进一步比较发现，表7第（2）列中FSSC的系数大于第（1）列，表明财务共享服务中心对交易型数据资产的促进作用更强。可能的原因在于：相较于自用型数据资产，交易型数据资产在确权、审计和外部流通等方面要求更高。财务共享服务中心通过统一数据口径并强化流程留痕，从而提升数据的标准化与可追溯性，能够更好满足数据外部流通与价值实现的制度要求。同时，交易型数据资产更依赖结构化、可复用的数据形态，而财务共享服务中心在数据结构统一、数据管理和模型构建方面具备优势，有助于提升数据的产品化水平。

四. 基于2024年数据资产入表的证据

依据暂行规定，部分上市公司于2024年开始在资产负债表中对数据资产进行会计确认。目前数据资产入表仍处于探索阶段，相关样本数量较为有限。尽管如此，该制度变化仍为检验本文结论能否延伸至更严格的会计确认层面提供了重要契机。为此，本文基于2024年的截面数据，考察财务共享服务中心建设与企业数据资产入表之间的关系，作为对前文结论的补充性检验。具体而言，以企业2024年资产负债表中披露的数据资源的金额作为被解释变量，构造两类变量：一为是否入表的虚拟变量（DA_Dummy），二为入表金额加1取自然对数（DA_Value），并采用模型（1）进行回归分析，结果如表7第（3）和（4）列所示。从第（3）列可以看出，FSSC的系数为0.027，且在5%水平上显著，说明建成财务共享服务中心的企业更可能实现数据资产入表。在第（4）列中，FSSC的系数为0.442，在1%水平上显著，表明建成财务共享服务中心的企业具有更高的数据资产入表规模。综上，财务共享服务中心通过强化企业数据治理与会计确认基础，在条件成熟时有助于企业更早、更充分地将数据纳入正式资产确认框架。

五. 经济后果

前文表明，财务共享服务中心在推动企业数据资产化方面具有积极作用。然而，数据资产能否进一步转化为生产性成果，仍有待实证验证。为此，本文选取企业全要素生产率（TFP）作为衡量指标，考察财务共享服务中心通过数据资产化对企业生产效率的影响。

参考何瑛等（2024）的做法，本文采用交互项回归模型进行检验，结果如表8所示。第（1）列报告了财务共享服务中心对企业全要素生产率的直接影响。FSSC的系数为0.122，在1%水平上显著，表明财务共享服务中心的建设能够显著提升企业生产效率。第（2）列的结果显示，FSSC×LnDA的系数为0.060，在10%水平上显著，表明财务共享服务中心能够通过促进企业数据资产化进而提升企业全要素生产率。

进一步将数据资产细分为自用型和交易型，结果如第（3）列和（4）列所示。在第（3）列中，FSSC×LnODA的系数在10%水平上显著为正；在第（4）列中，FSSC×LnDDA的系数虽然为正但不显著。这表明，相较于交易型数据资产，财务共享服务中心主要通过促进自用型数据资产的形成来提升企业全要素生产率。

六、研究结论与政策启示

在数字经济时代，数据已成为企业获取竞争优势、实现价值创造的重要新型生产要素。已有研究主要关注数据资产化的经济后果，发现其在经营决策、创新能力与融资渠道等方面均发挥了重要作用（焦豪等，2021；何瑛等，2024）。然而，关于企业数据资产化形成机制的研究仍有待进一步深入。

本文从企业内部组织治理视角出发，基于2007—2024年沪深A股上市公司数据，考察财务共享服务中心对企业数据资产化的影响。主要发现如下：第一，财务共享服务中心的建设显著促进了企业数据资产化，同时，随着财务共享服务中心运行时间的增加，其促进效应进一步增强。第二，机制分析表明，财务共享服务中心主要通过提升数据治理水平、改善数据质量及提高数据流通效率三条路径促进企业数据资产化。第三，异质性检验表明，财务共享服务中心的作用存在显著情境差异：在组织层面，其在组织结构更复杂、业务多元化程度较低的企业中作用更强；在外部环境层面，其在数据要素市场发展水平较高、知识产权保护更完善的地区作用更为显著。第四，财务共享服务中心不仅提高自用型数据资产水平，也有助于交易型数据资产的形成。第五，2024年数据资产入表截面证据表明，财务共享服务中心显著提高企业数据资产入表的概率与金额，表明财务共享服务中心能够推动数据资产的会计确认。第六，经济后果检验结果显示，财务共享服务中心通过促进数据资产化，尤其是推动自用型数据资产形成，显著提升企业全要素生产率。

本文的研究结论为企业优化组织架构、提升数据管理能力以及政府完善数据要素市场制度提供了有益的经验和启示。

第一，企业应因企施策推进财务共享服务中心建设，强化数据治理与价值管理。企业应充分认识财务共享服务中心在数据资源整合与资产化过程中的战略价值。对于组织规模较大、层级复杂、子公司众多的集团企业，应优先推进财务共享体系建设与升级，完善数据资产管理制度，推动数据从资源向资产的识别、评估和应用转化，形成可持续的数字价值创造机制。同时，应结合集团内部的业务结构和数据流向特征，设计分层授权与共享机制，通过统一数据平台实现总部与子公司的数据集中处理与协同管理，在保障数据安全与合规的基础上提升数据流通效率，从而充分发挥财务共享服务中心在资源配置与内部管控中的协同效应。

第二，政府相关部门应加快完善数据要素市场体系与数据资产知识产权保护制度，为企业数据资产化提供稳定、可预期的制度环境支撑。本文研究发现，良好的外部制度环境能够显著增强财务共享服务中心对数据资产化的促进作用。因此，政策层面可从两个方面推进：一是完善数据要素市场化配置机制，健全数据确权、价值评估、市场交易及跨境流通等制度体系，降低企业数据资产化的制度性交易成本，并逐步缩小地区间数字基础设施与数据能力差距，促进统一开放的数据要素市场形成。二是强化数据资产的知识产权保护体系，探索建立数据要素确权与登记机制，明确数据采集、加工、使用及收益的合法边界。通过提升法律保护强度降低企业数据泄露与侵权风险，从而提高企业数据投入的收益预期，激励企业更积极地开展数据资源治理与资产化实践。

1参见《中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见》，http://www.scio.gov.cn/zdgz/jj/202309/t20230913_769074.html。

2采用证监会2012年行业分类，其中制造业保留2位（如C38），其他行业只保留门类（如A、B、D）。

3限于篇幅，结果未列示，备索。

4企业业务多元化程度计算公式如下：$ {HHI\_Firm }=\sum\limits_{k=1}^{n} \left(\dfrac{{Revenue}_{k}}{{Revenue}_{total}}\right)^2 $，其中，Revenue_k表示企业的第k个业务板块的收入，Revenue_total表示企业总的营业收入，n为企业的业务板块数量。HHI_Firm值越大，表明企业营业收入越集中，即业务多元化程度越低。