（一）《数据资产对资产结构配置的影响：效应与机制》导读

作者：许志勇，湖北经济学院会计学院教授；熊茜璐，湖北经济学院会计学院；陈家威，湖北经济学院会计学院；符佳歆，湖北经济学院会计学院；甘敏，湖北经济学院会计学院。

简介：数据资产作为企业核心竞争力的重要组成部分，是优化企业资产结构配置的重要推动力。本文选取2011—2021年中国A股上市公司数据为样本，考察数据资产对企业资产结构配置产生的影响及其作用机制。研究发现：数据资产能够对企业资产结构错配起到显著的抑制作用，在经过一系列的内生性处理以及稳健性检验之后，该结论依旧成立。中介效应分析表明，数据资产能够通过缓解融资约束、降低战略偏差、促进数字化转型，进而抑制企业资产结构错配。进一步分析发现：数据资产能够有效改善金融资产、存货以及固定资产的错配状况，呈现显著的抑制效果。此外，在高科技行业、竞争性行业、投融资期限错配程度较低以及人工智能投资水平较低的企业中，数据资产对企业资产结构错配的抑制效应更为突出。该研究结论为强化数据资产配置管理、推动资产结构配置优化，助力高质量发展提供经验证据和政策启示。

引用：许志勇, 熊茜璐, 陈家威, 符佳歆, 甘敏. 数据资产对资产结构配置的影响：效应与机制 [J/OL]. 管理评论, 2026, 1-14.

（二）《数据资产化对企业现金持有水平的影响》导读

作者：叶建华，河南财经政法大学会计学院教授；徐潇潇，河南财经政法大学会计学院。

简介：现金持有对企业高质量发展和价值创造具有“双刃剑”作用，因此现金持有决策是企业的重要财务管理决策。探究数据资产化如何影响企业现金持有水平，是企业更好地适应数智化背景、优化现金持有决策的必然要求。本文以2008～2024年我国A股上市公司为研究样本，运用文本分析方法构建数据资产文本词典，并提取企业年报中的关键词，刻画出企业数据资产化程度，实证考察数据资产化对企业现金持有水平的影响及作用机制。研究发现，企业数据资产化能显著降低企业现金持有水平。机制检验发现，企业数据资产化通过降低信息不对称程度、提高公司治理水平和企业动态能力来降低企业现金持有水平。异质性分析发现，在融资约束程度高、内部控制质量高以及行业竞争程度高的企业中，数据资产化对企业现金持有水平的降低作用更显著。

引用：叶建华, 徐潇潇. 数据资产化对企业现金持有水平的影响 [J/OL]. 财会月刊, 2026, 1-6.

（三）《资源重构与责任约束：数据资产化如何重塑企业环保投资？》导读

作者：马东山，辽宁大学经济学部商学院副教授；周千宇，辽宁大学经济学部商学院；韩亮亮，辽宁大学经济学部商学院教授。

简介：在数据要素市场建设与企业绿色转型的双重背景下，揭示数据资产化影响企业环保投资的微观机理，对引导企业可持续实践、构建数据驱动的环境治理体系具有重要价值。本研究基于2009—2023年中国A股上市公司数据，系统考察数据资产化对企业环保投资的作用效果、传导机制与边界条件。研究发现，数据资产化通过重塑企业资源基础与治理结构，能够显著提升企业环保投资水平。机制分析表明，数据资产化通过构建可验证的绿色信用助力企业获取绿色信贷，另外凭借高透明度运营生态吸引绿色投资者，从而协同缓解环保投资的资源约束并强化环境责任监督。异质性分析进一步揭示，该效应在外部制度环境更严格、数字基础设施更完善、以及企业内部具备更强环保导向（体现为重污染属性、高管高环保认知）的企业中更为显著，揭示了数据要素赋能的多层次情境依赖性。此外，研究区分了数据资产化的实现方式，自用型数据资产化主要驱动前端预防型环保投资，凸显其源头防控功能；交易型数据资产化则可能因注意力分散而抑制末端治理型投资。本研究为理解数据要素如何赋能企业绿色转型提供了微观证据，也为政策制定者与企业实施情境适配、分类引导的数据治理与环保投资策略提供了参考依据。

引用：马东山, 周千宇, 韩亮亮. 资源重构与责任约束：数据资产化如何重塑企业环保投资？ [J/OL]. 外国经济与管理, 2026, 1-17.

（四）《Data valuation for vertical federated learning: A model-free and privacy-preserving method》导读

中译：《垂直联邦学习的数据估值：一种无模型和隐私保护的方法》导读（翻译来源：知网翻译助手）

作者：Xiao Han，北京航空航天大学经济管理学院；Leye Wang，北京大学计算机学院；Junjie Wu，北京航空航天大学经济管理学院；Xiao Fang，美国特拉华大学勒纳商业与经济学院。

简介：垂直联邦学习（Vertical Federated Learning，VFL）是一种很有前途的预测分析范式，它通过与多个数据供应商（数据方）合作，以分散和隐私保护的方式为组织（任务方）增强其预测模型。尽管对VFL的兴趣快速增长，但缺乏有效和安全的工具来评估数据方所拥有的数据的价值，阻碍了VFL在商业环境中的应用。对此，文章提出了FedValue，一种面向VFL的隐私保护、任务特定但无模型的数据计量方法，该方法由一个度量上的数据计量和一个联邦计算方法组成。具体来说，文章首先在度量上引入一个新的数据计量，即MShapley-CMI。该指标在不需要执行机器学习模型的情况下评估数据方对预测分析任务的贡献，因此非常适合VFL的实际应用。接下来，文章提出了一种创新的联邦计算方法，以隐私保护的方式计算每个数据方的MShapley-CMI值，并在6个公开数据集上进行大量实验以验证FedValue对数据计量的有效性。

引用：Han X, Wang L, Wu J, Xiao Fang. Data valuation for vertical federated learning: A model-free and privacy-preserving method[J]. MIS Quarterly, 2026, 50(1): 177-210.