数据资产及其价值评估方法：研究综述与展望

■ 王 蕾 李春波

（西南林业大学会计学院，云南昆明 650224）

一、引言

当前，数据已成为世界新工业革命中最活跃的创新因子，正全面重构着世界制造、交换、分配、生活等各行业体系，对世界竞争、各国管理、经济成长、工业转型、社会发展等领域带来全面的深远影响。根据中商产业研究院整理的最新数据显示，作为数据资源主要来源国之一，中国的数据产生量约占全球数据产生量的23%，高出美国两个百分点。加大数据资源利用率，发掘与释放大数据资源的潜在价值，促进大数据规模、产品质量与应用水平同步提高，将国家数据资源优势有效转变为国家竞争实力，将是我国经济高质量发展的重要推手。

国家持续重视数据发展工作，早在2015年就发布了促进大数据发展行动纲要。2019年10月，中国共产党十九届四中全会提出健全劳动、资本、土地、知识、技术、管理、数据等生产要素由市场评价贡献、按贡献决定报酬的机制。2021年，“十四五”国家信息化规划中，提出要通过数据要素市场培育工程、大数据应用提升工程建立高效利用的数据要素资源体系，为我国数据资产、数字经济发展注入强大动力。

推动大数据的资产化，对我国科技创新、经济效益提升和经济与社会发展意义重大。本文致力于对现有数据资产价值理论及评估方法文献的初步梳理，力求呈现数据资产，尤其是数据资产价值评估方法的基本概况，为相关研究奠定基础。

二、数据资产

（一）数据资产定义

“数据资产”一词最早由Richard E.Peters[1]提出，产权清晰并经过一系列资本化过程或由企业持有并能带来长期收益的数据称为数据资产中。数据科学家维克托·迈尔·舍恩伯格认为由大数据所带来的新信息技术风暴正在改变着人们的生活、工作和思想，大数据也开始了一场巨大的世纪变革，并预测大数据迟早会作为资产被纳入企业的资产负债表。近些年，国内学者对数据资产的研究逐步深入，但不同学者对数据资产的定义持有不同看法。李永红[2]依据会计准则对资产的定义，将数据资产定义为由企业产生并拥有，期待为企业带来利润的一种资源。秦荣生[3]指出数据是企业的重要资产，它由过去事件所产生，并由企业支配获取收益。尹传儒[4]根据数据资产与实物资产的对比分析提出作为关键性生产要素，数据资产的价格在受到使用价格与供求关系影响的同时还会受到其自身特性的影响。2021年12月，信通院联合众多企业共同推出了《数据资产管理实践白皮书（5.0 版）》，其中将“数据资产”界定为：由企业拥有和控制的，能够为企业带来未来经济利益的，以物理或者电子方式记录的数据资源，如文件资料、电子数据等。基于以上内容，结合大数据和无形资产相关概念，可将数据资产定义为：受企业掌握和管理，并通过不断累积为企业带来经济收益的一种存储于特定介质中的非实体性数据资源。

（二）数据资产基本特征

数据资产具有非实体性、依托性、多样性、价值易变性和可加工性五个基本特征（见表1）。

表1 数据资产基本特征

续表

（三）数据资产价值影响因素

数据资产是一项无形资产，不仅使用时花费成本很低，同时还可以利用数据规模和数据维度的变化持续累积，进一步增值。数据资产管理可以为公司创造巨大经济效益和价值，但同时，产生的经营价值并不仅局限于直接的金钱等有形价值，还包含了品牌价值、声誉、社会公信力等无形价值。

数据资产价值影响因素繁杂多样，可划分为以下三个维度：风险维度、应用维度和质量维度（见图1）。风险维度指内容受法规约束小的数据种类往往具有较大的经济贸易价值，此外，相同数据种类在法规条件不同的国家交易价格也会不同。应用维度指数据资产的经济社会价值在于与实际应用场景的融合，对于不同的应用场景，数据资产所贡献的经济社会价值也不同。质量维度是指对于数据而言，资产的品质水平是应用价值的基石，通过对数据的品质水平合理评价，就可以对数据的实际使用价格做出正确预测。

图1 数据资产价值影响因素

三、数据资产价值评估方法

（一）传统评估方法

1.成本法

在数据资产价值评估中，成本法是指通过数据资产在整个生命周期中不同阶段的成本来判断价值的一种方法，其本质上就是对数据成本的归纳。上海德勤资产评估有限公司与阿里研究院[5]在2019年提出成本法评估数据资产价值公式为：

数据资产信息的成本费用与价格之间存在着弱相对性，其成本费用也存在着不完备性。成本法也对一些数据资产价格估计具备某种评估合理性，例如，对以成本费用分摊为目的的数据资产价值评估。成本法的优势是计算简单，易于把握和操作。林飞腾[6]用重置成本和各种损失之间的差值估计了数据的价值。李永红等[2]利用成本法对公司内部已积累的数据资产进行了评价，并指出其成本主要分为初期准备成本和数据获取阶段成本，并且指出在数据资产规模过大或过小时，成本法会偏离于真实价值。成本法的局限性有以下三个方面：

第一，与数据资产相应的直接生产成本较难区分，因为数据资产是信息生产业务中的派生产品，对部分数据资产而言，由于缺乏相应的直接生产成本，其对间接成本的分摊也无法估算。如客户通过互联网搜索引擎所产生的查询信息等数据资产，其内容收集成本中包含了网络构建成本、互联网搜索引擎市场推广费用和管理、操作管理人员薪酬等，而上述的成本费用中又有多少应属于“数据资产”，这一分摊程度难以估计。

第二，数据资产的贬值原因不易预测，导致各类数据资产价值下跌的原因多种多样。比如道路上交通数据的有效性、以及驾驶员行车信号的正确性，这些对贬值因素的价值影响都很难衡量。

第三，无法反映数据资产可能形成的合理利润，尽管在成本费用的归集中需根据成本相加的方法再考虑相应的合理收益。传统资产评估的利润可参照实际利润，比如房产建造的利润，但对于数据资产业务的实际利润却不是按照业界通识或习惯，也没法简单地选择一种合理利润，从而使得成本法更难于反映数据资产应用时所创造的实际价值。

由于成本法的诸多局限性，故对于该方法是否适用于数据资产价值评估学者们仍有所分歧。

2.收益法

（1）权利金节省法

权利金节省法目的是以与向第三方缴纳许可使用费比较，假设持有该资本将无须缴纳使用费，从而所产生的资本价值，来确认资产价值[7]。计算公式为：

权利金节省法的优点就是能够体现数据资产的经济价值，从而体现出了数据资产价值和相应收入之间的相对关系。局限性是许可使用费较难估计，因为数据资产的许可使用费在国际市场上还没有建立具体的行业执行准则，较难估算；使用年限也较难判断，因为数据资产并非静态，使得判断数据资产的使用年限将成为又一个难题。申海成等[8]认为权利金节省法是无形资产价值评估中使用最为广泛的方法。

（2）多期超额收益法

多期超额收益法是指通过计量对该无形资产所贡献的净现金流或超额收益现值的一种估值方法。计算公式为：

多期超额收益法优点在于可以更加全面地考察到各种数据资产所能贡献的利润途径，而劣势则在于超额收益往往较难预测，由于各类数据资产在各种情景下能够贡献的超额收益都有所不同，全面测算历史数据的超额收益将困难许多。陈芳等[9]将数据资产与无形资产整体折现率对比后，建立出了采用剩余法的多期超额收益模式，而后对企业数据资产价值进行估值评定。李薇[10]利用多期超额收益法对公司的顾客关系管理价值进行了量化评估。此外，刘桂良等[11]进一步分析了客户流失率、资源贡献率等参数在多期超额收益法下确定的局限性。基于其局限性，苑泽明等[12]应用AHP 计算数据资产过去的收益额，并利用灰色预测模型对未来利润总额加以估计，以此达到对超额收益法的改进。

（3）增量收益法

增量收益法是根据对未来增加收益率的预测来判断资产价值的一种方法。计算公式为：

增量收益法优点在于直观、易于掌握；问题在于，无法精确估计不使用数据资产情境下的现金流。王乐[13]通过对企业是否使用数字资产带来的收益差额，确定数字资产的公允价值。戴宇欣等[14]利用增量收益法对品牌价值进行评估，根据预计公司品牌效应带来的利润并与不具品牌的公司进行比较，然后对增长利润进行计算，最终得到评估品牌的价值。

3.市场法

运用市场法对数据资产价值评估时，需要参照同一或类似类型的数据资产的近期或往期市场交易价值，以对比法分析结果为基准评价数据资产价值。计算公式为：

市场法优点就是可以比较客观反映资产目前的市场状况，其评价参数、指标可以直接由金融市场上获取，因此比较真实、可信。局限在于需要具备开放活跃的交易市场作为基石，目前已在贵州、江苏等多地陆续建立了数据信息资产交易网络平台，在线上也有HexBin、东湖等数据资产交易所，而目前交易所、网络交易平台还没有完善，还未能提交全面广泛的交易数据等内容，基于以上局限性，黄海[15]、刘枬[16]等诸多国内学者认为在进行数据资产价值评估时，市场法的应用受到了限制。

表2 数据资产价值评估三种传统方法

由于数据资产的特殊属性，其收益与成本之间可能存在弱对应关系，数据产生成本可能很低，但其价值却是多倍增长，因此利用成本法对数据资产价值进行评估，结果并不十分准确。同时，由于与数据资产相关的无形资产都具有相应的保密性，因此评估工作人员很难获取数据贸易价值信息和数据内容。同时，交易数据类型也相对简单，主要为高度构造化的统计、数据集和标签数据信息，而非结构化数据等其余数据类型则相对较少，交易类型也仅限于企业财务数据、气象统计和交通运输统计等。此外，对数据交易市场所提供的数据质量、用户数量、频次等信息收集的困难度也较大。因此，采用市场法进行数据资产价值评估的前提条件并不充足，无法合理运用该方法。收益法在公司数据资产价值的实际评估中比较易于运用，基于未来预测收益评估公司的数据资产价值可以较为真实、确切地体现数据资产的资本化价格，是当前公司数据资产价值评估中最具有优越性的方式。而对于信息技术实力比较雄厚且数据资源累积较多的公司，也能够利用大数据分析技术对数据资产价值加以发掘，从而激活数据资产并为公司创造更多利润。综上所述，通过结合公司的数据资产发展状况和自身特征，可以发现，目前收益法对数据资产价值评估的操作性与可行性都更强，所获取的评价结论也相对而言具有一定可靠性。

（二）衍生评估方法

在以上三种传统评估方法的基础之上，诸多学者对数据资产价值评估方法进行了改进，提出了以下评估方法。

1.博弈法

数据资产评估中的博弈法是指数据交易双方根据各自不同的信息进行博弈交易的过程，最终使数据买方获得最大利润或最小风险。王建伯[17]指出基于买卖双方间的信息不对称，整个市场博弈进程也可看作是不完全信息条件下的移动博弈过程，买卖双方在交易中都可以基于各自的信息进行互惠决策。

2.实物期权法

在金融学中，实物期权是企业管理者在对其持有实物资产做出决策时所需要的柔性投资管理战略。对于数据资产而言，实物期权法就是将数据资产看作是实物期权。刘玉平[18]认为实物期权法适用于大部分资产价值评估，其评估对象既可以是单项资产和单个投资项目，也可以是企业整体价值等。宋天琪[19]利用B-S 模型进行价值评估发现，相比于传统方法，实物期权法更充分考虑到了期权特征，体现了未来预期现金流的变化性，可作为一种重要的价值评估补充方法。郑奇等[20]运用实物期权法，构建了对工业生产数据资产“工程设计-生产制造-物流管理-市场营销-金融服务”的模块化计算体系，对工业生产数据资产价值进行了合理有效的估值。

3.基于AHP 的评估法

层次分析法（AHP）是美国运筹学家萨蒂在20世纪70年代初，为美国国防部研究“根据各个工业部门对国家福利的贡献大小而进行电力分配”课题时，应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。谢非等[21]应用层次分析法，探讨了数据资产对中国电子商务平台发展的贡献作用，并建立了双边市场视角的数据资产价值评估模式。魏晓菁等[22]采用层次分析法计算数据资产的可靠性值，实现了对数据资产价值的量化。张志刚等[23]运用层次分析法计算数据资产各评价指标的权重，构建了基于成本和应用的数据资产评估模型，同时将该模型应用于详细的数据资产估值。

4.人工智能方法

利用人工神经网络等人工智能方法可实现对数据资产价值的评估。神经网络模型是一个以神经元数学模拟为背景、模拟人类大脑系统结构与机能的抽象数学模型，是一个高度复杂的非线性动力学习系统，涵盖“学习”和“充分逼近复杂的非线性关系”等特点。王笑笑等[24]通过对数据资产价值影响因素进行分类，并将模糊综合评估方法和人工神经网络相结合，构建了采用人工神经网络的数据价值评估与模糊综合评价模型。

上述分析方法虽对数据资产价值的评估有所改进，但仍具有其局限性，并不适用于所有数据资产。数据资产作为一种独特的无形资产，其自身特点及应用范围都有待进一步挖掘研究，目前已有的评估方法和估值模型，都未能达到对数据资产价值的精准评估，因此，未来该领域学者还需对其进行深入探索研究。在数据时代的推动下，人工智能高速发展，利用人工智能方法评估数据资产价值已成为各学者研究的主要课题。基于利用人工神经网络进行评估的启发，进而考虑随机森林模型对于数据资产价值评估的适用度，利用随机森林模型可初筛数据离群点，并将数据可视化。除了上述提到的利用B-S 模型进行数据资产价值评估外，还可考虑应用其他财务估值模型，如信息成本价值模型（CVI）、信息市场价值模型（MVI）和信息经济价值模型（EVI）等。此外，还可采用多种方法与模型相结合的手段对数据资产价值进行综合评估，消除单一方法的局限性，实现对数据资产更加全面准确的评估。

四、未来展望

在数字经济时代，大数据已成为了驱动商业模式创新与发展的核心资源。大数据关乎企业发展、科技进步、社会稳定，甚至已经成为世界各国的核心竞争要点。数据资产化是数据市场发展的必然走向。过去几年，我国数字经济发展迅猛，人们对数据资产价值的研究越来越广泛，对数据资产价值评估方法的研究也越来越多，但现阶段仍面临缺乏政策体系研究、应用研究相对薄弱、评估方法仍有优化空间的问题。

作为数据要素理论研究的重要内容之一，数据资产价值评估方法将是当前亟待完善的领域。本文认为未来值得从以下几个方面探讨和改善。

第一，加强数据资产评估相关政策体系的研究。如应进一步规范细化资产评估行业标准，颁布详细的数据资产价值评估参考准则，如定义数据资产许可使用费率计算公式，阐明数据资产使用期限确定规则，明确收益额所包含的项目内容，对可能产生的风险项目进行归纳梳理，将不同情境下数据资产价值评估模式进行分类列举等。这样可以在今后数据资产价值评估前，先对其进行类别划分，按照统一标准度量，而后再结合该数据资产自身特点，进行细节化评估。通过以上改进，可为数据资产价值评估项目提供参考性准则，增加应用收益法开展数据资产价值评估项目的可能性和精准度。此外，考虑探讨企业数据资产披露制度的完善，强制与鼓励相结合，搭建数据资产信息平台。通过企业数据资产的披露，构建网络数据库，完整对市场上已经发生的数据资产交易情况进行记录并按照类别进行划分，以便为今后运用市场法对数据资产进行价值评估做类比。对于不同的行业，考虑差异化要求。如电子商务行业可以考虑作为数据资产交易和信息披露的示范行业。

第二，加强现有评估方法应用的研究。相比其他资产价值评估，数据资产评估研究及其成果还相对较少。实践是更好检验评估方法的途径，应面向不同行业、不同区域等不同研究对象，充分讨论其数据资产的特性，分析数据资产价值的构成，在不断应用中加强对现有评估方法的更深入认识，尤其是资产评估传统的三大方法在数据资产评估中的特殊性的认识，从而对现有数据资产价值评估理论体系进行有益补充。同时，注重不同评估方法之间的对比分析，在相互比较中寻找更适用于不同应用类别和不同评估目的下的评估方法并对其进行优化，提升数据资产价值评估工作质量。

第三，加强现有评估方法的优化研究。如基于层次分析法（AHP）评估数据资产价值时，考虑进一步优化和规范数据资产评估指标。同时由于AHP 中存在假设与某些实际决策问题相背离的情况，可以考虑采用网络分析法（ANP）进行改善。因为网络分析法从理论上可以决策性的考察复杂动态体系中各种要素的相互作用情况，更适合于各阶段决策问题的实际状况，与数据资产独特的性质相符，可能更加适用于数据资产价值评估。同时还可以考虑应用熵值法。利用熵值法可以求得各个指标的消息熵，信息熵值越小，信息的无序度就越少，信息的效用值就越大，则指标权重就越大。依据此方法，还可进行控制指标变量下的数据资产价值横向比较。此外，应进一步在传统方法的基础之上，与其他学科、模型、计算机算法进行有效融合，加强人工智能方法的深入研究。同时，还可将人工智能方法进行优化，如采用遗传算法优化的人工神经网络，或考虑将其他神经网络模型，如：循环神经网络、对称连接网络等应用于数据资产价值评估中。由于运筹学适用于处理现实生活中的复杂性问题，尤其是提高或优化现有过程的有效性，因此，采用人工智能与运筹学相结合的方法对数据资产进行价值评估也值得进一步探究。