文/中国信息通信研究院云计算与大数据研究所 艾博焕 王妙琼

随着数字经济的蓬勃发展，数据资产的重要性日益凸显。本文详细分析了数据资产估值的理论基础、方法思路与实践案例，阐述了数据资产入表的理论依据、操作流程、难点及实践进展。在此基础上，提出了数据资产估值与入表的实施策略与路径，为推动数据资产在企业财务管理中的规范化应用提供理论与实践参考，助力数字经济健康发展。

数据资产估值理论与实践研究

1.数据资产估值的理论基础

数据资产估值的理论基础涉及多个学科领域。从经济学角度来看，效用价值论和劳动价值论为数据资产估值提供了重要的理论支撑。效用价值论认为，资产的价值取决于其能够为使用者带来的效用。数据资产作为一种新型资产，能够为企业提供决策依据、提升运营效率、挖掘潜在市场机会等效用，从而具有价值。

从会计学角度出发，资产的定义和计量属性为数据资产估值提供了准则框架。根据会计准则，资产是指企业过去的交易或者事项形成的、由企业拥有或者控制的、预期会给企业带来经济利益的资源。数据资产若要在会计报表中进行确认和计量，需满足可辨认性、可计量性、相关性和可靠性等条件。然而，数据资产的无形性和复杂性使得其在满足这些条件方面面临诸多挑战。

此外，信息经济学中的信息不对称理论也对数据资产估值具有一定的启示意义。在数据市场中，数据提供者和使用者之间往往存在信息不对称的情况，可能导致数据资产的价格偏离其真实价值。因此，在估值过程中，需要充分考虑信息不对称因素，采取适当的方法来减少信息不对称，提高估值的准确性。

2.数据资产估值的方法思路

目前，数据资产估值方法主要分为成本法、收益法和市场法，各类方法都有其独特的思路和适用场景。

成本法主要考虑数据资产的获取、存储、处理等成本，通过计算总成本来确定其价值。成本法的基本原理是资产的价值等于其重置成本减去各项损耗。在数据资产估值中，重置成本包括数据采集成本（如购买数据的价款、采集设备的投入、人工费用等）、数据存储成本（如存储设备的折旧、场地租金、电力消耗等）、数据处理成本（如数据清洗、分析、挖掘等过程中的技术投入、人力成本）以及相关税费等。然而，成本法存在一定的局限性，其忽略了数据资产的潜在收益能力，对于一些具有高增值潜力的数据资产，可能会低估其价值。

收益法基于数据资产未来预期收益的现值来评估其价值。该方法的理论基础在于数据资产能够为企业带来未来的经济利益，因此通过预测数据资产在未来各期的收益，并将其折现到当前时点，得到估值结果。在运用收益法时，需要对数据资产的收益期限、收益增长率、折现率等关键参数进行合理预测。收益期限的确定需要考虑数据资产的时效性、技术更新换代速度以及市场需求变化等因素；收益增长率则取决于数据资产的应用场景、市场竞争力以及企业的经营策略等；折现率的选择应综合考虑无风险利率、风险溢价等因素，以反映数据资产投资的风险水平。收益法的优点是能够较好地反映数据资产的盈利潜力，但预测未来收益存在一定的难度和不确定性。

市场法是参考市场上类似数据资产的交易价格来确定估值。其理论依据是在有效市场中，类似资产的价格应具有可比性。在应用市场法时，需要寻找与被评估数据资产在数据类型、应用场景、数据质量、规模等方面相似的数据资产交易案例作为可比对象，然后通过对可比对象的交易价格进行调整，得到被评估数据资产的价值。调整因素包括数据质量差异、市场供求关系变化、交易时间差异等。然而，由于数据资产交易市场尚不成熟，可比交易案例相对较少，数据的保密性和独特性也使得获取准确的交易信息较为困难，市场法的应用受到一定限制。

在实际应用当中，往往需要综合运用多种方法，以提高估值的准确性。例如，可以先使用成本法确定数据资产的基本价值底线，再结合收益法考虑其未来收益潜力，同时参考市场法对估值结果进行验证和调整。此外，还可以根据数据资产的特点和具体情况，对不同方法进行适当的改进和优化，以适应不同类型数据资产的估值需求。

3.数据资产估值实践与发展趋势

在实践中，部分企业已经开始尝试数据资产估值，并取得了一定的经验和成果。以互联网企业为例，其通常拥有海量的用户数据，此类数据在精准营销、用户画像分析、个性化推荐等方面具有重要价值。一些互联网企业通过构建内部数据估值模型，结合收益法和市场法的思路，对用户数据资产进行估值。如根据用户数据在广告投放业务中的贡献，预测其未来收益，并参考市场上同类数据交易价格，对用户数据资产进行评估。评估结果不仅为企业内部的数据管理和决策提供了依据，还在企业的融资、并购等活动中发挥了重要作用。

金融机构也是数据资产估值的积极探索者。银行等金融机构积累了大量的客户交易数据、信用数据等，此类数据对于风险管理、产品定价、客户关系管理等业务至关重要。同时，商业银行的数据资产具有独特性，其估值需要综合考虑数据质量、数据应用场景、合规性等多方面因素，通过构建合理的估值模型，能够更准确地衡量数据资产在风险管理、客户服务、业务创新等方面的价值贡献。部分金融机构采用成本法和收益法相结合的方式对数据资产进行估值。在成本法方面，核算数据采集、存储、处理等环节的成本；在收益法方面，通过分析数据资产对业务收益的提升作用，如降低风险成本、提高贷款审批效率等，预测其未来收益。例如，某银行通过对客户信用数据的深入分析，优化了信用风险评估模型，降低了不良贷款率，由此带来的收益增长被纳入数据资产估值模型中，从而更准确地评估了数据资产的价值。

目前越来越多的专业机构开始提供数据资产估值服务，数据资产估值的方法和标准也在不断完善。一些专业的数据评估公司应运而生，它们凭借过去在传统资产评估领域积累的资产评估经验，率先为市场提供了较为标准化的数据资产估值服务。同时，行业协会和标准化组织也在积极推动数据资产估值标准的制定，促进估值方法的规范化和统一化。例如，中国资产评估协会发布了《数据资产评估指导意见》，明确了数据资产评估的基本准则、操作流程和方法要求，为数据资产估值实践提供了重要的指导。

未来，随着大数据技术、人工智能技术的进一步应用，数据资产估值有望更加精准、高效。

数据资产入表理论与实践研究

1.数据资产入表的理论基础

2023年8月，财政部印发的《企业数据资源相关会计处理暂行规定》，明确了企业数据资源的会计处理原则，为数据资产入表提供了具体的政策指导，使企业在数据资产的确认、计量和报告等方面提供明确政策依据，并指出企业应与2024年1月1日开始开展数据入表工作。从实质来看，数据资产入表的理论基础主要来源于会计准则对资产的定义及确认条件，同时结合了数据资产自身的特性与相关政策法规的要求。

根据会计准则，资产需满足三个关键条件：由企业过去的交易或者事项形成、由企业拥有或者控制、预期会给企业带来经济利益。数据资产在企业日常运营活动中产生或获取，企业对数据资产具有一定程度的控制权，体现在能够决定数据的存储方式、使用目的、共享范围等方面，尽管数据资产的权属界定在某些情况下可能较为复杂，但企业在合法合规的前提下，能够对其行使有效的管理和支配，符合“拥有或者控制”的要求。而且，数据资产能够为企业创造价值，如通过数据分析优化产品设计、精准营销提高销售额、风险评估降低损失等，从而实现经济利益的流入，满足资产定义中的“预期带来经济利益”。

从数据资产特性角度分析，其可变现性、可控制性和可量化性为入表提供了理论依据。数据资产的可变现性体现在企业可以通过多种途径将数据转化为经济收益，如数据的直接交易、数据驱动的产品或服务增值、与合作伙伴的数据共享合作等。可控制性强调企业对数据资产的合法合规管理，包括建立完善的数据治理体系、访问权限控制、数据安全防护等措施，确保数据资产在企业的掌控范围内，并能有效防止数据泄露和滥用。可量化性则要求能够以货币形式对数据资产的成本和价值进行计量，虽然数据资产价值评估存在诸多挑战，但通过合理的估值方法和技术手段，可以在一定程度上确定其价值范围。

2.数据资产入表的操作流程与难点

（1）数据资产入表操作流程

数据资产入表操作流程主要包括数据资产确认、会计科目设置、计量与估值以及信息披露等环节。

首先，企业需要执行数据资产确认环节，全面评估数据资源是否符合数据资产定义及确认条件。一方面，企业需考量数据来源的合法性，如确保数据采集遵循法律法规和道德规范，未侵犯他人隐私或违反数据保护法规。另一方面，企业还需确保数据具备合规的权属，判断企业是否拥有对数据的合法权利。并且，还需进一步明确数据是否具备为企业带来经济利益的潜力，例如评估数据在企业业务流程中的应用价值、市场需求以及潜在收益能力等。

在会计科目设置方面，参照《企业数据资源相关会计处理暂行规定》规定要求，企业应该根据数据持有方式与应用目的的不同，将数据分为“无形资产”和“存货”两种情况，并分别下设二级科目“数据资源”专门核算相关投入成本。

在资产计量方面，参照我国现行会计准则要求，数据资产入表过程中均应按照历史成本进行计量入账，其中属于无形资产类别的数据资产，应按照无形资产开发流程，进一步区分研究阶段和开发阶段的成本支出内容，属于研究阶段的费用支出应当费用化处理，无法计入资产科目中，处于开发阶段且满足无形资产确认条件的相关成本支出，可以被计入到无形资产科目中。

在信息披露方面，企业需要在财务报表中全面、准确地披露数据资产的相关信息。这些信息包括数据资产的名称、所属类别、账面价值、计量方法、价值评估依据以及数据资产的使用情况和对企业财务状况和经营成果的影响等。信息披露应遵循会计准则和相关法规的要求，确保披露内容的真实性、完整性和可比性，使财务报表使用者能够清晰地了解企业数据资产的状况及其对企业价值的贡献，从而为决策提供充分的信息支持。

（2） 企业入表实操难点分析

数据资产入表在实际操作中面临着诸多难点，包括数据资产计量、数据权属界定和会计核算规范等方面。在数据资产计量方面，数据资产的成本与价值往往存在较大偏离。一方面，数据获取成本可能较低，但经过处理和应用后其价值可能显著提升，如互联网企业通过免费收集用户行为数据，经分析挖掘后用于精准广告投放，创造了高额收益，然而传统成本法难以准确反映其真实价值。另一方面，数据资产价值受多种复杂因素影响，如数据质量（准确性、完整性、一致性等）、应用场景（不同行业、业务场景下数据价值差异大）、时效性（数据价值随时间推移可能快速下降）等，且目前缺乏统一、有效的量化评估标准和方法，导致准确计量数据资产价值困难重重。

数据权属界定问题也是挑战之一。当前，数据权属相关法律法规尚不完善，数据资产的持有权、加工使用权、产品经营权等权利归属不够清晰明确。在实际业务中，数据的产生、收集、存储和使用涉及多个主体和复杂流程，容易引发权属争议，例如企业与第三方数据提供商之间、企业内部不同部门之间的数据权属划分可能存在模糊地带。此外，数据资产产权交易过程复杂，涉及数据隐私保护、安全传输、合规使用等多方面问题，并且相关制度和监管机制还不健全，增加了数据资产产权交易的难度和风险，制约了数据资产的流通和入表进程。

会计核算规范缺失同样给数据资产入表带来挑战。现行会计准则对数据资产会计核算的规定不够详细和完善，缺乏具体的操作指南和统一规范，导致企业在实践中面临诸多困惑。例如，对于数据资产的初始计量、后续计量、减值处理等方面，会计准则未提供明确的标准和方法，企业只能根据自身理解和判断进行处理，容易出现会计处理不一致的情况，影响财务信息的可比性。同时，企业现有的信息系统大多无法满足数据资产会计核算的要求，难以准确记录和核算数据资产的成本、价值变化及相关交易信息，进一步影响了数据资产入表的准确性和及时性。

3.数据资产入表实践与发展趋势

在数据资产入表实践中，不同类型企业积极探索，呈现出多样化的入表模式与成果。上市公司方面，整体入表进程较为谨慎。如A股上市的5000多家企业中，截至2024年6月3日，有18家在一季度财报中披露数据资源入表，入表金额合计1.03亿元，且集中于无形资产、开发支出和科目下。从企业特征看，入表企业主要为市值500亿元以下民营企业，集中在信息传输等行业，区域分布上北京企业较多且金额领先。非上市公司中，城投公司和类似城投国企表现踊跃。据不完全统计，已有22家城投公司和28家类城投国企披露入表情况，数量远超上市公司，分布于16个省级行政区，以山东和江苏居多，行政级别较高，地市级和省级企业占比80%。入表数据多为交通和公共数据，如高速公路、停车、公交数据及市政类公共数据等。

由此可见，尽管数据资产入表在现阶段面临诸多挑战且整体尚处于起步阶段，但不同类型企业已积极尝试，展现出数据资产入表在提升企业资产管理能力、拓展融资渠道、推动业务创新以及促进数字经济发展等方面具有巨大潜力，同时也反映出政策引导、技术支持和市场培育对于推动数据资产入表广泛应用和健康发展的关键作用。

结 语

未来，随着数字经济的不断发展，国家将进一步加大对数据资产入表的政策扶持力度，持续完善相关法律法规和会计准则体系。预计财政部等相关部门会根据实践发展需求，陆续出台更为详细、具体的会计处理规定和操作指南，明确数据资产在确认、计量、报告等各个环节的规范要求，为企业数据资产入表提供更为坚实、明确的制度保障。同时，伴随大数据、人工智能、区块链等新兴技术的迅猛发展，将为数据资产的计量和管理提供更加先进、高效的手段，为数据资产入表工作带来更多新的机遇和变革。

（此文刊发于《金融电子化》2025年1月上半月刊）