數據資產及其價值評估方法：研究綜述與展望

■ 王 蕾 李春波

（西南林業大學會計學院，云南昆明 650224）

一、引言

當前，數據已成為世界新工業革命中最活躍的創新因子，正全面重構著世界制造、交換、分配、生活等各行業體系，對世界競爭、各國管理、經濟成長、工業轉型、社會發展等領域帶來全面的深遠影響。根據中商產業研究院整理的最新數據顯示，作為數據資源主要來源國之一，中國的數據產生量約占全球數據產生量的23%，高出美國兩個百分點。加大數據資源利用率，發掘與釋放大數據資源的潛在價值，促進大數據規模、產品質量與應用水平同步提高，將國家數據資源優勢有效轉變為國家競爭實力，將是我國經濟高質量發展的重要推手。

國家持續重視數據發展工作，早在2015年就發布了促進大數據發展行動綱要。2019年10月，中國共產黨十九屆四中全會提出健全勞動、資本、土地、知識、技術、管理、數據等生產要素由市場評價貢獻、按貢獻決定報酬的機制。2021年，“十四五”國家信息化規劃中，提出要通過數據要素市場培育工程、大數據應用提升工程建立高效利用的數據要素資源體系，為我國數據資產、數字經濟發展注入強大動力。

推動大數據的資產化，對我國科技創新、經濟效益提升和經濟與社會發展意義重大。本文致力于對現有數據資產價值理論及評估方法文獻的初步梳理，力求呈現數據資產，尤其是數據資產價值評估方法的基本概況，為相關研究奠定基礎。

二、數據資產

（一）數據資產定義

“數據資產”一詞最早由Richard E.Peters[1]提出，產權清晰并經過一系列資本化過程或由企業持有并能帶來長期收益的數據稱為數據資產中。數據科學家維克托·邁爾·舍恩伯格認為由大數據所帶來的新信息技術風暴正在改變著人們的生活、工作和思想，大數據也開始了一場巨大的世紀變革，并預測大數據遲早會作為資產被納入企業的資產負債表。近些年，國內學者對數據資產的研究逐步深入，但不同學者對數據資產的定義持有不同看法。李永紅[2]依據會計準則對資產的定義，將數據資產定義為由企業產生并擁有，期待為企業帶來利潤的一種資源。秦榮生[3]指出數據是企業的重要資產，它由過去事件所產生，并由企業支配獲取收益。尹傳儒[4]根據數據資產與實物資產的對比分析提出作為關鍵性生產要素，數據資產的價格在受到使用價格與供求關系影響的同時還會受到其自身特性的影響。2021年12月，信通院聯合眾多企業共同推出了《數據資產管理實踐白皮書（5.0 版）》，其中將“數據資產”界定為：由企業擁有和控制的，能夠為企業帶來未來經濟利益的，以物理或者電子方式記錄的數據資源，如文件資料、電子數據等。基于以上內容，結合大數據和無形資產相關概念，可將數據資產定義為：受企業掌握和管理，并通過不斷累積為企業帶來經濟收益的一種存儲于特定介質中的非實體性數據資源。

（二）數據資產基本特征

數據資產具有非實體性、依托性、多樣性、價值易變性和可加工性五個基本特征（見表1）。

表1 數據資產基本特征

續表

（三）數據資產價值影響因素

數據資產是一項無形資產，不僅使用時花費成本很低，同時還可以利用數據規模和數據維度的變化持續累積，進一步增值。數據資產管理可以為公司創造巨大經濟效益和價值，但同時，產生的經營價值并不僅局限于直接的金錢等有形價值，還包含了品牌價值、聲譽、社會公信力等無形價值。

數據資產價值影響因素繁雜多樣，可劃分為以下三個維度：風險維度、應用維度和質量維度（見圖1）。風險維度指內容受法規約束小的數據種類往往具有較大的經濟貿易價值，此外，相同數據種類在法規條件不同的國家交易價格也會不同。應用維度指數據資產的經濟社會價值在于與實際應用場景的融合，對于不同的應用場景，數據資產所貢獻的經濟社會價值也不同。質量維度是指對于數據而言，資產的品質水平是應用價值的基石，通過對數據的品質水平合理評價，就可以對數據的實際使用價格做出正確預測。

圖1 數據資產價值影響因素

三、數據資產價值評估方法

（一）傳統評估方法

1.成本法

在數據資產價值評估中，成本法是指通過數據資產在整個生命周期中不同階段的成本來判斷價值的一種方法，其本質上就是對數據成本的歸納。上海德勤資產評估有限公司與阿里研究院[5]在2019年提出成本法評估數據資產價值公式為：

數據資產信息的成本費用與價格之間存在著弱相對性，其成本費用也存在著不完備性。成本法也對一些數據資產價格估計具備某種評估合理性，例如，對以成本費用分攤為目的的數據資產價值評估。成本法的優勢是計算簡單，易于把握和操作。林飛騰[6]用重置成本和各種損失之間的差值估計了數據的價值。李永紅等[2]利用成本法對公司內部已積累的數據資產進行了評價，并指出其成本主要分為初期準備成本和數據獲取階段成本，并且指出在數據資產規模過大或過小時，成本法會偏離于真實價值。成本法的局限性有以下三個方面：

第一，與數據資產相應的直接生產成本較難區分，因為數據資產是信息生產業務中的派生產品，對部分數據資產而言，由于缺乏相應的直接生產成本，其對間接成本的分攤也無法估算。如客戶通過互聯網搜索引擎所產生的查詢信息等數據資產，其內容收集成本中包含了網絡構建成本、互聯網搜索引擎市場推廣費用和管理、操作管理人員薪酬等，而上述的成本費用中又有多少應屬于“數據資產”，這一分攤程度難以估計。

第二，數據資產的貶值原因不易預測，導致各類數據資產價值下跌的原因多種多樣。比如道路上交通數據的有效性、以及駕駛員行車信號的正確性，這些對貶值因素的價值影響都很難衡量。

第三，無法反映數據資產可能形成的合理利潤，盡管在成本費用的歸集中需根據成本相加的方法再考慮相應的合理收益。傳統資產評估的利潤可參照實際利潤，比如房產建造的利潤，但對于數據資產業務的實際利潤卻不是按照業界通識或習慣，也沒法簡單地選擇一種合理利潤，從而使得成本法更難于反映數據資產應用時所創造的實際價值。

由于成本法的諸多局限性，故對于該方法是否適用于數據資產價值評估學者們仍有所分歧。

2.收益法

（1）權利金節省法

權利金節省法目的是以與向第三方繳納許可使用費比較，假設持有該資本將無須繳納使用費，從而所產生的資本價值，來確認資產價值[7]。計算公式為：

權利金節省法的優點就是能夠體現數據資產的經濟價值，從而體現出了數據資產價值和相應收入之間的相對關系。局限性是許可使用費較難估計，因為數據資產的許可使用費在國際市場上還沒有建立具體的行業執行準則，較難估算；使用年限也較難判斷，因為數據資產并非靜態，使得判斷數據資產的使用年限將成為又一個難題。申海成等[8]認為權利金節省法是無形資產價值評估中使用最為廣泛的方法。

（2）多期超額收益法

多期超額收益法是指通過計量對該無形資產所貢獻的凈現金流或超額收益現值的一種估值方法。計算公式為：

多期超額收益法優點在于可以更加全面地考察到各種數據資產所能貢獻的利潤途徑，而劣勢則在于超額收益往往較難預測，由于各類數據資產在各種情景下能夠貢獻的超額收益都有所不同，全面測算歷史數據的超額收益將困難許多。陳芳等[9]將數據資產與無形資產整體折現率對比后，建立出了采用剩余法的多期超額收益模式，而后對企業數據資產價值進行估值評定。李薇[10]利用多期超額收益法對公司的顧客關系管理價值進行了量化評估。此外，劉桂良等[11]進一步分析了客戶流失率、資源貢獻率等參數在多期超額收益法下確定的局限性。基于其局限性，苑澤明等[12]應用AHP 計算數據資產過去的收益額，并利用灰色預測模型對未來利潤總額加以估計，以此達到對超額收益法的改進。

（3）增量收益法

增量收益法是根據對未來增加收益率的預測來判斷資產價值的一種方法。計算公式為：

增量收益法優點在于直觀、易于掌握；問題在于，無法精確估計不使用數據資產情境下的現金流。王樂[13]通過對企業是否使用數字資產帶來的收益差額，確定數字資產的公允價值。戴宇欣等[14]利用增量收益法對品牌價值進行評估，根據預計公司品牌效應帶來的利潤并與不具品牌的公司進行比較，然后對增長利潤進行計算，最終得到評估品牌的價值。

3.市場法

運用市場法對數據資產價值評估時，需要參照同一或類似類型的數據資產的近期或往期市場交易價值，以對比法分析結果為基準評價數據資產價值。計算公式為：

市場法優點就是可以比較客觀反映資產目前的市場狀況，其評價參數、指標可以直接由金融市場上獲取，因此比較真實、可信。局限在于需要具備開放活躍的交易市場作為基石，目前已在貴州、江蘇等多地陸續建立了數據信息資產交易網絡平臺，在線上也有HexBin、東湖等數據資產交易所，而目前交易所、網絡交易平臺還沒有完善，還未能提交全面廣泛的交易數據等內容，基于以上局限性，黃海[15]、劉枬[16]等諸多國內學者認為在進行數據資產價值評估時，市場法的應用受到了限制。

表2 數據資產價值評估三種傳統方法

由于數據資產的特殊屬性，其收益與成本之間可能存在弱對應關系，數據產生成本可能很低，但其價值卻是多倍增長，因此利用成本法對數據資產價值進行評估，結果并不十分準確。同時，由于與數據資產相關的無形資產都具有相應的保密性，因此評估工作人員很難獲取數據貿易價值信息和數據內容。同時，交易數據類型也相對簡單，主要為高度構造化的統計、數據集和標簽數據信息，而非結構化數據等其余數據類型則相對較少，交易類型也僅限于企業財務數據、氣象統計和交通運輸統計等。此外，對數據交易市場所提供的數據質量、用戶數量、頻次等信息收集的困難度也較大。因此，采用市場法進行數據資產價值評估的前提條件并不充足，無法合理運用該方法。收益法在公司數據資產價值的實際評估中比較易于運用，基于未來預測收益評估公司的數據資產價值可以較為真實、確切地體現數據資產的資本化價格，是當前公司數據資產價值評估中最具有優越性的方式。而對于信息技術實力比較雄厚且數據資源累積較多的公司，也能夠利用大數據分析技術對數據資產價值加以發掘，從而激活數據資產并為公司創造更多利潤。綜上所述，通過結合公司的數據資產發展狀況和自身特征，可以發現，目前收益法對數據資產價值評估的操作性與可行性都更強，所獲取的評價結論也相對而言具有一定可靠性。

（二）衍生評估方法

在以上三種傳統評估方法的基礎之上，諸多學者對數據資產價值評估方法進行了改進，提出了以下評估方法。

1.博弈法

數據資產評估中的博弈法是指數據交易雙方根據各自不同的信息進行博弈交易的過程，最終使數據買方獲得最大利潤或最小風險。王建伯[17]指出基于買賣雙方間的信息不對稱，整個市場博弈進程也可看作是不完全信息條件下的移動博弈過程，買賣雙方在交易中都可以基于各自的信息進行互惠決策。

2.實物期權法

在金融學中，實物期權是企業管理者在對其持有實物資產做出決策時所需要的柔性投資管理戰略。對于數據資產而言，實物期權法就是將數據資產看作是實物期權。劉玉平[18]認為實物期權法適用于大部分資產價值評估，其評估對象既可以是單項資產和單個投資項目，也可以是企業整體價值等。宋天琪[19]利用B-S 模型進行價值評估發現，相比于傳統方法，實物期權法更充分考慮到了期權特征，體現了未來預期現金流的變化性，可作為一種重要的價值評估補充方法。鄭奇等[20]運用實物期權法，構建了對工業生產數據資產“工程設計-生產制造-物流管理-市場營銷-金融服務”的模塊化計算體系，對工業生產數據資產價值進行了合理有效的估值。

3.基于AHP 的評估法

層次分析法（AHP）是美國運籌學家薩蒂在20世紀70年代初，為美國國防部研究“根據各個工業部門對國家福利的貢獻大小而進行電力分配”課題時，應用網絡系統理論和多目標綜合評價方法，提出的一種層次權重決策分析方法。謝非等[21]應用層次分析法，探討了數據資產對中國電子商務平臺發展的貢獻作用，并建立了雙邊市場視角的數據資產價值評估模式。魏曉菁等[22]采用層次分析法計算數據資產的可靠性值，實現了對數據資產價值的量化。張志剛等[23]運用層次分析法計算數據資產各評價指標的權重，構建了基于成本和應用的數據資產評估模型，同時將該模型應用于詳細的數據資產估值。

4.人工智能方法

利用人工神經網絡等人工智能方法可實現對數據資產價值的評估。神經網絡模型是一個以神經元數學模擬為背景、模擬人類大腦系統結構與機能的抽象數學模型，是一個高度復雜的非線性動力學習系統，涵蓋“學習”和“充分逼近復雜的非線性關系”等特點。王笑笑等[24]通過對數據資產價值影響因素進行分類，并將模糊綜合評估方法和人工神經網絡相結合，構建了采用人工神經網絡的數據價值評估與模糊綜合評價模型。

上述分析方法雖對數據資產價值的評估有所改進，但仍具有其局限性，并不適用于所有數據資產。數據資產作為一種獨特的無形資產，其自身特點及應用范圍都有待進一步挖掘研究，目前已有的評估方法和估值模型，都未能達到對數據資產價值的精準評估，因此，未來該領域學者還需對其進行深入探索研究。在數據時代的推動下，人工智能高速發展，利用人工智能方法評估數據資產價值已成為各學者研究的主要課題。基于利用人工神經網絡進行評估的啟發，進而考慮隨機森林模型對于數據資產價值評估的適用度，利用隨機森林模型可初篩數據離群點，并將數據可視化。除了上述提到的利用B-S 模型進行數據資產價值評估外，還可考慮應用其他財務估值模型，如信息成本價值模型（CVI）、信息市場價值模型（MVI）和信息經濟價值模型（EVI）等。此外，還可采用多種方法與模型相結合的手段對數據資產價值進行綜合評估，消除單一方法的局限性，實現對數據資產更加全面準確的評估。

四、未來展望

在數字經濟時代，大數據已成為了驅動商業模式創新與發展的核心資源。大數據關乎企業發展、科技進步、社會穩定，甚至已經成為世界各國的核心競爭要點。數據資產化是數據市場發展的必然走向。過去幾年，我國數字經濟發展迅猛，人們對數據資產價值的研究越來越廣泛，對數據資產價值評估方法的研究也越來越多，但現階段仍面臨缺乏政策體系研究、應用研究相對薄弱、評估方法仍有優化空間的問題。

作為數據要素理論研究的重要內容之一，數據資產價值評估方法將是當前亟待完善的領域。本文認為未來值得從以下幾個方面探討和改善。

第一，加強數據資產評估相關政策體系的研究。如應進一步規范細化資產評估行業標準，頒布詳細的數據資產價值評估參考準則，如定義數據資產許可使用費率計算公式，闡明數據資產使用期限確定規則，明確收益額所包含的項目內容，對可能產生的風險項目進行歸納梳理，將不同情境下數據資產價值評估模式進行分類列舉等。這樣可以在今后數據資產價值評估前，先對其進行類別劃分，按照統一標準度量，而后再結合該數據資產自身特點，進行細節化評估。通過以上改進，可為數據資產價值評估項目提供參考性準則，增加應用收益法開展數據資產價值評估項目的可能性和精準度。此外，考慮探討企業數據資產披露制度的完善，強制與鼓勵相結合，搭建數據資產信息平臺。通過企業數據資產的披露，構建網絡數據庫，完整對市場上已經發生的數據資產交易情況進行記錄并按照類別進行劃分，以便為今后運用市場法對數據資產進行價值評估做類比。對于不同的行業，考慮差異化要求。如電子商務行業可以考慮作為數據資產交易和信息披露的示范行業。

第二，加強現有評估方法應用的研究。相比其他資產價值評估，數據資產評估研究及其成果還相對較少。實踐是更好檢驗評估方法的途徑，應面向不同行業、不同區域等不同研究對象，充分討論其數據資產的特性，分析數據資產價值的構成，在不斷應用中加強對現有評估方法的更深入認識，尤其是資產評估傳統的三大方法在數據資產評估中的特殊性的認識，從而對現有數據資產價值評估理論體系進行有益補充。同時，注重不同評估方法之間的對比分析，在相互比較中尋找更適用于不同應用類別和不同評估目的下的評估方法并對其進行優化，提升數據資產價值評估工作質量。

第三，加強現有評估方法的優化研究。如基于層次分析法（AHP）評估數據資產價值時，考慮進一步優化和規范數據資產評估指標。同時由于AHP 中存在假設與某些實際決策問題相背離的情況，可以考慮采用網絡分析法（ANP）進行改善。因為網絡分析法從理論上可以決策性的考察復雜動態體系中各種要素的相互作用情況，更適合于各階段決策問題的實際狀況，與數據資產獨特的性質相符，可能更加適用于數據資產價值評估。同時還可以考慮應用熵值法。利用熵值法可以求得各個指標的消息熵，信息熵值越小，信息的無序度就越少，信息的效用值就越大，則指標權重就越大。依據此方法，還可進行控制指標變量下的數據資產價值橫向比較。此外，應進一步在傳統方法的基礎之上，與其他學科、模型、計算機算法進行有效融合，加強人工智能方法的深入研究。同時，還可將人工智能方法進行優化，如采用遺傳算法優化的人工神經網絡，或考慮將其他神經網絡模型，如：循環神經網絡、對稱連接網絡等應用于數據資產價值評估中。由于運籌學適用于處理現實生活中的復雜性問題，尤其是提高或優化現有過程的有效性，因此，采用人工智能與運籌學相結合的方法對數據資產進行價值評估也值得進一步探究。