1. 引言
当今,数据已经成为各个国家发展数字经济的重要抓手。中国信息通信研究院发布的《全球数字经济白皮书(2022年)》显示,截止2021年,47个国家数字经济增加值规模为38.1万亿美元,占GDP总比重为45.0%,中国数字经济规模位列全球第二位。推动以数据为主体的数字经济和数字化转型逐步成为各个国家发展的重要选择。党的二十大报告强调,“加快发展数字经济,促进数字经济和实体经济深度融合,打造具有国际竞争力的数字产业集群”,提出“数字经济与实体经济并不是对立的关系”,而是“相辅相成、相互支撑、相互促进,共同构成国民经济的重要组成部分”。许多企业已经将数字经济融入到企业的日常业务中,激活了数据的要素配置价值,极大提升了自身的生产效率[1] [2],推动了企业的高质量发展[3]以及提升了企业价值[4]:例如数据资产信息披露能够通过提升信息透明度来提高分析师预测的准确度[5],降低审计师的业务风险和审计风险,进而降低审计费用[6];由于其属于无形资产的自愿性披露,披露程度越高,越能提高分析师准确度[7] [8],而无形资产的信息披露越少,分析师预测报告的质量越低[9]。自愿性信息披露次数越高有利于缓解信息不对称和融资约束[10],减少市场套利现象[11]和企业搜集信息难度和成本,最后提升了企业价值[12]。
数字化的发展产生了新产品和新的数据要素,企业利用数据资产提升了自身信息处理的优势,一定程度上逃离了税务部门的监察。那么数据资产信息披露与企业税收筹划这两者之间是否存在联系呢?数据这一新要素的产生对传统税制和税收治理产生了极大冲击[13],而现有的税收征管法和税法体系大多适用于传统生产要素,而且对于数据资产的税目,计税基础和税率的规定并不明确,这可能会为企业进行税收筹划提供更多可能性。
目前来看,数字经济发展对企业税收筹划的影响并未统一。数字经济发展下会促使电子商务示范城市所在地区企业通过关联交易和改善内部沟通效率积极税收筹划[14],而数字化转型通过增加企业的管理费用[15],跨区域关联交易和增加企业信息不透明提升企业税收筹划程度[16];另一些研究则认为数字化转型通过提高信息透明度和信息传递效率,增强内部控制有效性、提升现金流水平和融资能力提高了公司税收遵从程度[17],降低企业税收规避水平[18]。2024年《企业数据资源相关会计处理暂行规定》实行,要求企业将“确认为无形资产的数据资源进行初始计量、后续计量、处置和报废等相关会计处理”。
本文采用2010年到2022年A股非金融类上市公司为样本,参考苑泽明[4]对于数据资产信息披露的评估方式,研究其对企业税收筹划的影响以及作用机制。本文的贡献可能在于:1) 研究了数据资产信息披露对企业税收筹划行为的影响,拓宽了数据资产信息披露对于企业行为的影响研究;2) 现有文献在研究数字经济对于税收筹划的影响时,大多数是从企业数字化转型角度进行阐述,而本文从企业财务年报中的数据资产披露角度分析并研究了影响企业税收筹划行为的机制。
2. 理论基础和研究假设
2.1. 数据租理论
地租理论的提出使得资源矿产等成为征税对象,例如英国经济学者威廉·配第将地租看作“土地上生产的农作物的收获量减去生产费用所得的剩余部分”;马克思认为土地所有者拥有的仅仅是其剩余价值,而地租是土地所有者拥有所有权的一种表现形式。从这一角度出发,资源税实现了“资源租”的功能,即国家以税收的形式实现了对资源的财产所有权。
“数据租”是消费者和政府作为数据要素的所有者,买卖,流通或者使用数据要素而获得的收益,表现为对使用者收取的租金。但是由于数据要素的可变性,可获得性,使用者一旦获得了数据要素,产权所有者难以实现自己的权利,例如定价和实际控制权。而对收集数据要素的使用者(例如互联网企业)进行征税可以较好地实现数据租这一功能。
2.2. 税收公平原则
税收公平原则是指税收负担应在纳税人之间公平分配,以确保每位纳税人都按照其负担能力缴纳税款,以保证生产活动能够合理的展开。对于数据要素市场的稳定发展,也同样需要客观公正的征税环境。传统实体企业的交易能够被外部监管者所追踪,受相关法律文件约束。而数字经济由于高流动性、强虚拟性,现有的法律很难对其产生监督作用,税收政策不适用于数据要素的发展。对数据要素是否征税、纳税人确定,税目以及税率设置均成了一个难题,因此为许多企业筹划税收筹划活动有了可乘之机。此外,税收中性原则要求不同类型的企业的税负大致相同,那么使用了数据要素的企业和传统公司间的税负也应大致相同。
2.3. 研究假设
数据这一新兴的生产要素要求企业重视对于基础设施的建设,尤其是对于技术人员的培训和承载数据资产的设备维护更新。此外,在生产要素迭代的同时,企业的管理模式和组织形式也会发生变革,但是技术层面与管理层面两者的变化速度并不一致,可能引发管理混乱,导致企业管理成本加剧上升[19]。为了满足数据资产的使用需要,管理层在制定政策时会以企业利润最大化为目的,降低企业的融资约束程度,从而获取更多的现金流,满足企业的日常经营活动。同时税收筹划更给企业带来的影响也相对较小,更加促进了企业的税收筹划行为。
企业将数据资产的价值更多应用于企业内部管理和日常经营活动之中。对内企业积极融入将大数据、区块链、人工智能、物联网等数字技术[20],将晦涩难懂的代码信息转化成能够直接利用的标准型信息,提升了部门之间的信息传递效率,从而使企业内部治理水平大大提高,进一步深化了内部环境信息透明度,也帮助企业降低了外界对其的监管程度,释放出企业经营向好的信号,给予企业更大的税收筹划空间。数据资产信息披露缓解了企业的信息不对称性,其披露程度越高越能体现企业内部搜集和处理信息的能力之强,能够及时准确地分析处理企业的财务信息变化,从而精准地识别出税收筹划机会[21]。基于上述分析,提出假设1。
H1:数据资产信息披露通过缓解了企业信息不对称,加剧了企业税收筹划程度。
3. 研究设计与变量选取
3.1. 数据来源
本文选取2010~2022年中国A股上市公司作为研究对象,并且按照已有研究文献剔除了金融行业、ST和*ST企业以及数据缺失严重的企业,共获得27,802个样本。数据来源于WinGo文本数据库、CSMAR数据库以及锐思数据库,并且对连续型变量进行了1%和99%的缩尾处理。
3.2. 变量设置与定义
3.2.1. 核心解释变量
在现有规定中,没有对数据资产信息披露的度量方式做出明确表示,加上数据资产没有被纳入企业资产负债表中,因此需要对其进行分析并且评估信息披露水平。
本文参考苑泽明等[4]的文本挖掘方法,从“WinGo”数据库中寻找与企业数据资产相关的信息来源,寻找种子词汇“数据资产”“数据资源”,借助这两个种子词汇寻找相似词汇,计算这些词汇在企业年度财务报告中的频率。计算公式如下:
(1)
datait为数据资产信息披露水平,Freit为词汇出现的频率。Simn为词汇出现的相似度,TotalFreit为企业年度报告的总词频。
3.2.2. 核心解释变量
本文被解释变量为企业税收筹划程度(Rate_diff)。按照现有做法,企业税收筹划程度(Rate_diff) = 名义所得税率 − 实际所得税率。实际税率反映的企业税收筹划程度会受到政策影响,因此两者之间的差额能更好反映企业的税收筹划行为。Rate_diff值越大,说明企业税收筹划程度越高。
3.2.3. 控制变量
参考既有研究,本文选择了总资产收益率,固定资产占比,公司规模,成长性、现金净流量率、账面价值比,股权集中度、托宾Q值,资产负债率、公司年龄、董事会人数,独董比例以及两职合一作为控制变量。变量定义见表1。
Table 1. Variables and definitions
表1. 变量及定义
变量类型 |
变量名称 |
变量符号 |
变量解释 |
被解释变量 |
企业税收筹划程度 |
Rate_diff |
名义所得税率与实际所得税税率之差 |
解释变量 |
数据资产信息披露水平 |
data |
反应数据资产信息披露水平 |
控制变量 |
公司规模 |
Size |
总资产的自然对数 |
资产负债率 |
Lev |
总负债/总资产 |
总资产收益率 |
ROA |
净利润/总资产 |
账面价值比 |
BM |
账面价值/总市值 |
托宾Q值 |
TobinQ |
流通股实质 + 非流通股股份数 × 每股净资产 + 负债账面值/总资产 |
控制变量 |
成长性 |
Growth |
主营业务收入增长率 |
固定资产占比 |
Fixed |
固定资产/总资产 |
现金净流量率 |
Cashflow |
现金净流量净额/营业总收入 |
董事会人数 |
Top5 |
前五大股东持股比例 |
独董比例 |
Age |
年末企业的上市年限 |
两职合一 |
Board |
董会事会人数 |
3.3. 研究设计
为验证本文的研究假设,本文的基准模型如下:
(2)
其中,Rate_diff代表企业税收筹划程度,data代表企业数据资产信息披露,Controls控制变量,ε代表随机扰动项,并且加入了个体固定效应和年份固定效应。
3.4. 描述性统计
表2展示了主要变量的描述性统计结果。结果显示,企业税收筹划程度的均值为0.0137,标准差为0.1068,数据资产信息披露水平的均值为1.3059,标准差为0.2418,说明不同企业之间的情况存在较大差异,能够进行后续分析。
Table 2. Descriptive statistics
表2. 描述性统计
变量 |
观测值 |
均值 |
标准差 |
最小值 |
50分位数 |
最大值 |
RATE_diff |
27802 |
0.0137 |
0.1068 |
−0.4093 |
0.0176 |
0.2332 |
data |
27802 |
1.3059 |
0.2418 |
0.7863 |
1.2815 |
2.2007 |
Size |
27802 |
22.3118 |
1.3113 |
20.0555 |
22.1099 |
26.3951 |
Lev |
27802 |
0.4124 |
0.1967 |
0.0551 |
0.4059 |
0.8532 |
ROA |
27802 |
0.0576 |
0.0453 |
0.0018 |
0.0469 |
0.2309 |
BM |
27802 |
0.6255 |
0.2507 |
0.1217 |
0.6227 |
1.1891 |
TobinQ |
27802 |
2.0163 |
1.2645 |
0.8410 |
1.6058 |
8.2146 |
Cashflow |
27802 |
0.0543 |
0.0672 |
−0.1372 |
0.0528 |
0.2483 |
FIXED |
27802 |
0.2095 |
0.1567 |
0.0021 |
0.1775 |
0.6894 |
Growth |
27802 |
0.1959 |
0.3734 |
−0.4319 |
0.1268 |
2.3588 |
TOP5 |
27802 |
0.5432 |
0.1523 |
0.2070 |
0.5459 |
0.8887 |
Age |
27802 |
2.1311 |
0.8254 |
0.0000 |
2.3026 |
3.3322 |
Board |
27802 |
2.1299 |
0.1965 |
1.6094 |
2.1972 |
2.7081 |
4. 实证分析
4.1. 基准回归分析
Table 3. Benchmark regression analysis
表3. 基准回归分析
变量 |
(1) RATE_diff |
(2) RATE_diff |
(3) RATE_diff |
data |
0.0126*** |
0.0139*** |
0.0126*** |
(2.6553) |
(2.9132) |
(2.6545) |
Size |
0.0037* |
0.0035* |
0.0025 |
(1.8801) |
(1.7832) |
(1.2313) |
Lev |
−0.0515*** |
−0.0470*** |
−0.0505*** |
(−6.4932) |
(−5.7601) |
(−6.0787) |
ROA |
0.6596*** |
0.7135*** |
0.7220*** |
(29.2432) |
(28.3536) |
(28.4128) |
BM |
−0.0335*** |
−0.0592*** |
−0.0557*** |
(−7.2540) |
(−9.1736) |
(−8.4013) |
TobinQ |
|
−0.0056*** |
−0.0057*** |
|
(−5.5894) |
(−5.6136) |
Cashflow |
|
−0.0736*** |
−0.0747*** |
|
(−6.0992) |
(−6.1910) |
FIXED |
|
0.0071 |
0.0046 |
|
(0.6819) |
(0.4363) |
Growth |
|
−0.0041** |
−0.0043** |
|
(−2.1068) |
(−2.1974) |
TOP5 |
|
0.0161* |
0.0259** |
|
(1.6679) |
(2.4674) |
Age |
|
|
0.0077*** |
|
|
(2.7804) |
Board |
|
|
−0.0056 |
|
|
(−0.7722) |
Indep |
|
|
−0.0423* |
|
|
(−1.9180) |
Dual |
|
|
0.0002 |
|
|
(0.0705) |
Constant |
−0.0809* |
−0.0622 |
−0.0322 |
(−1.8613) |
(−1.3727) |
(−0.6717) |
年份/个体 |
YES |
YES |
YES |
观测值 |
27,802 |
27,802 |
27,802 |
R2 |
0.4239 |
0.4260 |
0.4263 |
注:括号内为t值;***、**和*分别表示在1%、5%和10%的水平上显著(下表同)。
表3展示了基准模型的回归结果。其中,被解释变量分别为企业税收筹划程度(Rate_diff)。研究发现,第(1)与(2)列进行基本回归之后发现两者估计系数在1%水平下显著为正(分别为0.0126与0.0139);第(3)列加入全部的控制变量后的结果显示,系数依然显著为正(0.126)。实验结果表明,数据资产信息披露能够通过提升内部信息质量等方式加大企业税收筹划程度。
4.2. 内生性检验
4.2.1. DID法和PSM-DID法
借鉴危雁麟等[5],苑泽明等[4]的研究,本文将以“宽带中国”战略为基础,利用倾向分得匹配和双重差分等方法进行内生性检验。“宽带中国”战略于2013年发布,在2014~2016年之间分批次进行试点。该战略的实施大大促进了城市的数字经济发展,也提升了企业间数据资产竞争程度。试点城市中的企业数据资产发展会受到更多影响,同时社会对于数据资产的认可度也更高。由于“宽带中国”战略分三个批次进行,本文将在试点名单城市中的企业作为实验组,其他为控制组,并采用多时点差分模型进行检验。如果企业所在城市在试点名单中,则treat变量取值1,否则取值0;如果该时间为战略实施当年及以后,post取值为1,否则取值为0,具体模型如下:
(3)
Table 4. Endogenous test
表4. 内生性检验
变量 |
(1) RATE_diff |
(2) RATE_diff |
(3) RATE_diff |
(4) RATE_diff |
(5) RATE_diff |
(6) ifdata |
|
DID |
PSM-DID |
工具变量 |
工具变量 |
Heckman |
Heckman |
did |
0.0060** |
0.0068** |
|
|
|
|
(2.0267) |
(2.0429) |
|
|
|
|
data_iv |
|
|
0.0434*** |
|
|
|
|
|
(2.9836) |
|
|
|
data |
|
|
|
0.1060*** |
0.0334*** |
|
|
|
|
(3.3761) |
(7.2901) |
|
controls |
YES |
YES |
YES |
YES |
YES |
YES |
lambda |
|
|
|
|
0.0160 |
|
|
|
|
|
(0.4036) |
|
Constant |
−0.0089 |
0.0273 |
−0.0504 |
|
0.0323 |
0.1060*** |
(−0.1867) |
(0.4765) |
(−1.0137) |
|
(0.2261) |
(3.3761) |
年份/个体固定效应 |
YES |
YES |
YES |
YES |
YES |
YES |
观测值 |
25,764 |
18,965 |
27,461 |
27,461 |
27,802 |
27,802 |
R2 |
0.4245 |
0.4432 |
0.4246 |
0.0532 |
|
|
本文先进行DID模型检验,回归结果如表4第(1)列所示,结果显示系数在5%的水平下显著为正。在进行倾向得分匹配时,先对treat进行匹配,选取前文的控制变量作为协变量进行logit回归,同时借助这些协变量进行1:3近邻匹配,共计18,965个关测值。接着将匹配后的样本进行回归,系数在5%的水平下显著为正,这进一步说明了数据资产信息披露可以提升企业税收筹划程度。因此,上文结论保持稳健。
4.2.2. 工具变量法
借鉴江轩宇和林莉[22]选取工具变量的思路,本文将剔除企业自身数据后的各年度、各行业的数据资产信息披露平均值作为工具变量进行回归,回归结果如表4第(3)列和第(4)列所示。第(3)列显示的是第一阶段的回归,第(4)列显示的是第二阶段的回归,系数均在1%的水平下显著,说明数据资产信息披露能够提升企业税收筹划程度,结论具有稳健性。
4.2.3. Heckman检验
考虑到数据资产信息披露属于自愿性披露行为,即企业管理层能够选择是否披露数据资产信息,为了控制检验中的选择性偏误等内生性问题,本文采用了Heckman两阶段法来验解决内生性问题。现将数据资产信息披露水平构造为“0~1”变量,高于数据资产信息披露中位数的记作1,低于信息资产披露的记作0,并且与企业税收筹划程度(RATE_diff)进行回归,结果如表4列(5) (6)显示。结果显示逆米尔斯比率的系数并不显著,说明样本选取不存在偏差问题,第一阶段的回归结果可靠,数据资产信息披露确实能够提高企业税收筹划程度。
4.3. 稳健性检验
4.3.1. 替换被解释变量
现有文献衡量企业税收筹划程度的指标另有税会差异(BTD)和异常税会差异(DDBTD),该指标数值越大,说明企业税收筹划程度越高。Desai和Dharmapala [23]指出,在衡量税收筹划行为时需要避免盈余管理带来的影响,因此基于上述分析,本文采用DDBTD作为企业税收筹划程度的替换解释变量。表5第(1)列结果显示系数在10%的水平下正向显著,说明数据资产信息披露能够提升企业税收筹划程度。
Table 5. Robustness check
表5. 稳健性检验
变量 |
(1) DDBTD |
(2) RATE_diff |
data |
0.0021* |
0.0107* |
(1.8716) |
(1.8266) |
Controls |
YES |
YES |
Constant |
−0.0004 |
−0.0919 |
(−0.0383) |
(−1.4566) |
年份/个体固定效应 |
YES |
YES |
观测值 |
27,471 |
19,434 |
R2 |
0.5241 |
0.4587 |
4.3.2. 剔除疫情年份影响
本文选取的样本时间段处于2010~2022年之间,而2020~2022年正式疫情肆虐时期。在疫情影响期间各个行业发展速度减缓,大量中小企业倒闭,数据资产的变革程度也随之降低。为此,本文剔除了2020~2022年之间的样本进行回归,结果如表5列(2)所示。此时发现系数在10%水平下显著为正,说明剔除疫情影响后,数据资产信息披露仍旧能促进企业税收筹划行为发生。
5. 机制分析
5.1. 机制检验
基于信息不对称机制检验
本文利用信息不对称探究数据资产信息披露对于企业税收筹划程度的影响机制。本文援用Amihud [24] [25]的方法,基于日频交易数据的方法来测算信息不对称程度,构建流动性比率指标(LR)和非流动性比率指标(ILL),而后在计算收益率反转指标GAM来刻画股票市场流动性,最后基于这三个股票市场流动性指标记性主成分分析,捕捉它们与非对称信息相关的成分,记为信息不对称指标(ASY)。ASY越大,说明信息不对称程度越高。
首先将数据资产信息披露(data)与信息不对称进(ASY)行回归,结果如表6第(1)列显示,两者系数在10%的水平下显著为负,说明数据资产信息披露缓解了信息不对称。再次将信息不对称(ASY)与企业税收筹划程度(Rate_diff)进行回归,结果如表6第(2)列所示,系数在1%的水平下显著为负,说明缓解信息不对称能够提升企业税收筹划程度,假设H1成立。
Table 6. Mechanism test
表6. 机制检验
变量 |
(1) ASY |
(2) RATE_diff |
data |
−0.0200* |
|
(−1.7937) |
|
ASY |
|
−0.0125*** |
|
(−4.3252) |
RD |
|
|
|
|
Controls |
YES |
YES |
Constant |
6.3090*** |
0.0845* |
(55.3671) |
(1.6725) |
年份/个体固定效应 |
YES |
YES |
观测值 |
27,471 |
27,471 |
R2 |
0.8288 |
0.4247 |
5.2. 异质性分析
5.2.1. 市场化程度和行业竞争程度
企业外部环境会影响两者之间的关系。在市场化水平高的地区,企业为了有更多的市场份额,在同行业中分得“更大的蛋糕”,需要不断改善技术进行创新,提升生产效率和产品品质,才能够在激烈的外部竞争中达成目标;在行业竞争程度高的地区,由于有多家同行业的企业进行竞争,企业想要从中脱颖而出,也需要不断创新。此时企业需要有大量的资金和人力去支撑企业进行研发或进行市场调研,税收筹划就成为企业扩大现金流的方式之一。因此,企业所在地市场化程度和行业竞争程度越高,企业越倾向于税收筹划获取更多机会。
参考王小鲁等[26]提供的市场化指数,本文将按照企业所在地的市场化程度进行中位数分组。结果如表7的第(1)列和第(2)列所示,市场化程度更高的组的回归系数在5%的水平下显著,而市场化程度低的组不显著。结果表明,企业数据资产信息披露对税收筹划的促进作用在市场化程度高的组中更显著。
本文参考Haushalter [27]的研究方法采用赫芬达尔指数(HHI)来度量企业所处行业的产品市场竞争程度。本文按年度把赫芬达尔指数进行中位数分组,结果高竞争程度行业组的回归系数在1%的水平下显著,而低竞争程度行业组则不显著,说明行业竞争程度越高,企业数据资产信息披露对于税收筹划程度的提升越明显。
Table 7. The degree of marketization and industry competition
表7. 市场化程度和行业竞争程度
|
市场化程度低 |
市场化程度高 |
行业竞争程度高 |
行业竞争程度低 |
变量 |
RATE_diff |
RATE_diff |
RATE_diff |
RATE_diff |
data |
0.0045 |
0.0161** |
0.0257*** |
0.0015 |
(0.6142) |
(2.3969) |
(3.5921) |
(0.2166) |
Controls |
YES |
YES |
YES |
YES |
Constant |
−0.0455 |
0.0161 |
−0.0607 |
0.0068 |
(−0.6341) |
(0.2249) |
(−0.8061) |
(0.0956) |
年份/个体 |
YES |
YES |
YES |
YES |
观测值 |
13,714 |
12,995 |
13,256 |
13,680 |
R2 |
0.4566 |
0.4152 |
0.4605 |
0.4639 |
5.2.2. 产权性质和外部监督
国有企业和非国有企业在税收筹划行为方面也各不相同。国有企业发生亏损时政府有更大的义务进行救助[28],能够享受更多的国家优惠政策和资源,市场认可度也比较高,承担着较高的责任[29]。并且,国企受到的监督也更多,内部治理水平也相对较高。而非国有企业享受的资源较少,一般伴有较为严重的资源约束,难以适应研发周期长,资金回笼慢的数字化转型要求,还面临着巨大的外部竞争压力。因此本文预测非国有企业相比于国有企业,数据资产信息披露对于企业税收筹划的促进作用更明显。结果如表8第(1)列和第(2)列所示,非国由企业的数据资产信息披露会促进企业税收筹划。
Table 8. Nature of property rights and external supervision
表8. 产权性质和外部监督
|
非国有企业 |
国有企业 |
媒体关注程度低 |
媒体关注程度高 |
变量 |
RATE_diff |
RATE_diff |
RATE_diff |
RATE_diff |
data |
0.0188*** |
0.0102 |
0.0146** |
0.0081 |
(3.1706) |
(1.2276) |
(2.0303) |
(1.1377) |
Controls |
YES |
YES |
YES |
YES |
Constant |
−0.1531** |
0.1555* |
0.0020 |
−0.0444 |
(−2.5437) |
(1.7604) |
(0.0267) |
(−0.6134) |
年份/个体 |
YES |
YES |
YES |
YES |
观测值 |
16,717 |
10,213 |
13,230 |
13,247 |
R2 |
0.4169 |
0.4614 |
0.4576 |
0.4878 |
媒体是外界了解企业生产经营状况的途径之一,对于上市企业的报道会影响大众对于企业的印象,进而造成股票价格波动[30]。媒体报道也会增加企业的曝光度,其正面形象更有助于企业获取更多的资源和机遇。有了媒体这一外部监督机制,企业会严格要求自身,获取经济利益的同时也讲求社会效益。基于上述分析,本文利用报刊媒体报道中出现的企业名称数量取对数表示媒体关注度。结果如表8第(3)列和第(4)列显示,媒体关注程度低的组回归系数在5%的水平下显著,而媒体关注度高的组不显著。说明外部监督力度降低会提升企业数据资产信息披露对于税收筹划程度的促进作用[31]。
6. 研究结论及建议
数据资产信息披露作为无形资产的自愿性披露,存在极大的研究价值和意义。本文通过选取2010年至2022年年中国A股上市公司的数据,研究了两者之间的关系。研究发现,数据资产信息披露能够显著提升企业税收筹划程度。在非国有企业,受外部监督较少,以及市场化水平和行业竞争程度高的地区的企业的税收筹划行为中,数据资产信息披露对于其的提升作用更为显著。此外,数据资产不仅通过缓解信息不对称提高企业税收筹划程度,而且通过加强创新投入来提升了企业税收筹划。对此,本文提出如下政策建议:一是尽快明确数据资产在企业财务表报中的会计处理方法和计量方法。数据资产能够提升企业价值,加大企业的经济利益流入,也能补缺地方税收收入的缺口。同时也需要考虑开征数字服务税等与数据资产使用的税种,按照“低税率宽税基”的原则在地方先进行试点,逐步推广到全国。政府应当积极与企业进行合作,在合作中摸索并且确定纳税主体以及征税范围,适应数字经济发展。二是需要在高水平市场化和高竞争行业度的地区加强外部监督,与当地各个部门合作,将企业的数据资产使用情况记录到一体化系统之中,严格监控偷逃税现象。