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。

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。

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。

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。

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：

${\text{data}}_{it}=\frac{{\displaystyle \sum {\text{Fre}}_{it}\times {\text{Sim}}_{it}}}{{\text{TotalFre}}_{it}}\times 100$(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。

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。

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 。

为验证本文的研究假设，本文的基准模型如下：

${\text{Rate\_diff}}_{it}={\alpha }_0+{\alpha }_1{\text{data}}_{it}+{{\displaystyle \alpha }}_2{{\displaystyle \text{Controls}}}_{it}+{\mu }_t+{\theta }_{it}+{\epsilon }_{it}$(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。

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。

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。

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：

${\text{Rate\_diff}}_{it}={\alpha }_0+{\alpha }_1{\text{treak}}_{it}\times {\text{post}}_{it}+{\alpha }_2{{\displaystyle \text{Controls}}}_{it}+{\mu }_t+{\theta }_{it}+{\epsilon }_{it}$(3)

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。

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。

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。

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。

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。

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。

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。

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。

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] 。