数据资产价值评估模型构建

教授），

一、引言

随着我国进入数字时代，大数据在社会发展中占据着重要的地位。由于社会的发展越来越数字化，大数据的推动使价值创造出现新的飞跃。我国在G20峰会上将数字经济作为峰会的一项重要议题，表明我国经济正在向数字经济方向发展。同时，党的十九大将数字经济列入报告中，也预示着数字经济将作为我国今后经济发展的方向。全球经济论坛中提出：“数据将会变成与货币或者贵金属类似的一种新形式的资产种类。”随着数字技术的不断发展，越来越多企业走向轻资产化，企业产生的数据资产也成为其资产一个必不可少的组成部分。同时，现代企业将大数据作为其核心发展力。无论是对于互联网企业还是传统企业而言，其存在的大量数据都可以通过标准化的处理后进行交易，而这种交易模式一般是“以消费者为导向”的经营模式，这也表明数据不仅能为信息使用者提供必要的信息，也是企业盈利能力的保障。

近十年来，随着数字经济的大力发展，数据所扮演的角色越来越重要，但是目前对数据资产的研究少之又少。数据资产所反映出来的信息能够被多方所利用，为企业带来巨大的价值，因此，数据资产的价值评估显得尤为重要。

二、数据资产的界定与价值体现

《中国数字经济发展白皮书》将大数据列为整个社会发展不可或缺的生产要素。数字经济与经济社会的相互交融，尤其是互联网的发展，引发了数据的爆发式增长，这些数据已经成为企业的重要资源。数据中所萃取的信息，蕴藏着无限的价值，进一步影响企业的决策以及价值创新。

（一）数据资产的界定

资产有以下三个特征：第一，是由企业过去的交易或事项形成的；第二，是由企业拥有或控制的；第三，在未来能为企业带来一定的经济效益。企业利用信息系统能够得到大量的原始数据，但获得原始数据本身需要付出一定的成本，且原始数据体量过大，不能直接被企业所利用，无法为企业带来相应的经济效益。

由DataOne的数据生命周期模型可知，数据生命周期可以分为数据计划、数据引入、数据确认、数据描述、数据储存、数据发现、数据整合、数据分析等八个阶段。一般而言，前五个阶段是企业对原始数据从产生到保存的过程，后三个阶段是对原始数据进行加工的过程。原始数据经过加工后，又会生成一种新的数字形态，其包含企业所需要的信息，即数字信息。

传统的生产要素包括劳动工具、劳动力以及劳动对象，但是随着技术的发展与时代的变迁，生产要素还应包含科学技术、信息等。信息作为生产要素之一，能够挖掘企业的发展潜力。当原始数据经过整理、清洗、分析、可视化等一系列的加工后，形成的数字信息能够向企业传递，因而数字信息可以作为生产要素之一。当企业运用数字信息参与更多决策时，数字信息可以为企业带来相应的经济效益。同时，数字信息是企业形成并拥有的，因此可以将数字信息作为企业的一项资产，即数据资产（见图1）。

图1 数据资产的形成

（二）数据资产的价值体现

数据资产的价值体现，也能够借鉴信息生命周期理论。Horton（1985）认为，信息是一种资源，并且具有生命周期，其生命周期的组成是一系列逻辑上相关联的步骤。同时，他将信息生命周期分为两种，一种是从信息的效用出发，一种是基于信息交流和信息载体。ISO/TC171文件成像应用技术委员会通过的405号决议中指出：“信息生命周期包括信息的产生、获得、标识、保存、检索、分发、呈现、转移、交换、保护与最后处置或销毁。”索传军（2010）指出，信息的生命周期是信息运动的客观规律，其包含生产、发布、加工、利用以及归档或销毁等不同步骤。马费成等（2010）基于管理的视角，认为信息生命周期就是将各种信息的共同点进行整合，不过分注重每个信息的特性。

根据上述对信息生命周期的分析可以发现，信息生命周期基本包含信息获取、信息标识、信息保存、信息交换、信息处置等多个阶段。当产品被消费时，其才能体现出价值，因而信息的价值体现在信息交换环节。然而，数据资产是搭介信息的载体，原始数据经过加工整合过后的数字信息是企业所拥有的数据资产，因此数据资产的生命周期可以包括数据生成、分类、保存、传播、处置等阶段，数据资产的价值也应在数据被消费时才能体现，即数据传播环节。一般来说，数据资产的价值体现有两种途径：其一，被企业自身所利用，以提高产品的性能；其二，向市场传播，为其他企业提供相应的信息（见图2）。

图2 数据资产价值体现途径

三、数据资产价值影响因素

从数据资产的价值体现途径可以看出，虽然数据资产传播的途径有两种，即被企业自身利用和被其他企业利用，但是数据资产的用途与功能都是为企业提供适用的信息与相应的决策依据。因而无法从数据资产的价值体现中找出数据资产价值的影响因素，还应从数据本身出发，寻找影响数据资产价值的相关因素。

吴恩达曾提出数据的价值由数据量与数据质量、数据分析能力两方面共同决定，这可以看作数据资产价值影响因素的高度概括。数据量与数据质量决定着企业能够拥有数字信息的数量与质量，进而决定着数据资产的数量与质量。数据量越多，企业能够通过整合所得到的数据资产越多；数据质量越高，其信用度越高，企业对其的利用率也越高。相反，少量的原始数据在企业内部并不能被有效利用，难以发挥其本身的价值。由于互联网企业拥有较强的数据分析能力，与传统企业相比，其能够将不同的原始数据进行融合，形成新型的数字信息供企业或市场利用，拥有的数据资产也更多。因此，数据量与数据质量、数据分析能力能够成为数据资产价值影响因素（见图3）。

图3 数据资产价值的组成

（一）数据量与数据质量

企业产生的数据量并不是无限的，并且数据质量有高有低。对于企业而言，影响其数据量与数据质量的因素多种多样，通常包含企业规模、数据覆盖程度、数据完整性、数据外部性、数据时效性、数据相关性等。

1.企业规模。企业规模衡量了整个企业的业务范围，企业的规模越大，所涉及的业务越多，可以产生的数据量越庞大。根据数据对企业的效用可以将其分为有效数据和无效数据。每个企业都存在无效数据，企业规模越大，产生的无效数据越多。但是，越是规模大的企业，其产生的有效数据也越多，其数据资产的价值也越高。业务范围的扩大促使数据具有多样性，当差异化的数据进行组合后，能够产生不同的化学反应，分别生成不同的数据资产。而小规模的企业数据量较少，可能只有一种或几种类型，其相互结合产生的数据资产是有限的。因此，企业规模能够影响数据资产的价值。

2.数据覆盖程度。数据覆盖程度是指数据所涉及的范围，可以看作数据的广度。一般来说，随着数据所涉及行业的增多，数据覆盖程度就会增加，数据就能够反映出更多的信息，应用范围更广，数据质量也随之提升，使得数据资产的价值大大增加。例如，如果仅获得消费者在医疗行业的行为数据，则该数据可能能够应用于保险行业，但在电商行业，该数据的应用价值就略显不足。因此，如果消费者的行为数据覆盖的行业越多，那么形成的数字信息能够反映的消费者的偏好越多，其价值就会越大。

3.数据完整性。当一个数据具有完全性、一致性和准确性时，可以统称数据具备完整性。数据是否完整直接影响其所包含的信息是否精准。残缺的数据不能形成有效的数字信息，导致数据资产也不完整，其所拥有的价值就是不完全的。然而，数据完整性作为一个持续性问题，贯穿着整个数据资产价值的形成过程。无论是原始数据收集的过程还是数字信息产生的过程，甚至是数据资产的传播环节，数据都有可能被破坏。因此，要对数据资产进行严密的审计追踪，并对整个过程中保存的不同形态的数据进行适当的备份，以保持数据的完整性。

4.数据外部性。外部性（也称为溢出效应、外部影响）是指一个个体或者一群人为了自身利益而做出的一系列行为，可能导致其他个体受益或者受损。对于数据资产而言，其所包含的数字信息的作用可能完全超出了企业最开始的设想，也完全超出了最初想要达到的目的，即同一数据资产能够在不同的维度对企业产生不同的效用，这表明数据具有一定的外部性。外部性使得数据资产为企业带来意想不到的效果，因而数据资产含有潜在价值。通常数据外部性越强，数据资产的效用越大，能够产生的价值越多。

5.数据时效性。数据时效性是指在特定时间内，数据对企业的决策是否具有效用。数据的时效性在很大程度上制约着数据资产对企业决策的客观效果，进而影响着数据资产的价值。例如，城市智慧交通所产生交通路况的信息只在当时是有效的，一旦过了时间点，其利用率就大大降低。但是由于消费者的偏好一般难以进行改变，这些消费者需求数据形成的数据资产能够被多次利用，时效性比较长，因此，其所包含的价值比较高。

6.数据相关性。数据的相关性是指数据所表达的信息与企业的关联程度。对于企业而言，如若利用自身产生的数据资产，其数据相关性就非常强，甚至达到100%，此时数据资产的利用率非常高，其价值也非常大，但是这个数据资产对其他企业的相关性就比较弱。数据的相关性越差，企业越不会利用这个数据资产，其价值对于企业来说越低。因此，企业需要的是与自身的决策高度相关的数据资产，而不是任意一个数据资产。

（二）数据分析能力

企业的数据分析能力决定着企业挖掘出的数据所包含的信息量。企业的数据分析能力越强，能够获得的信息量越大，数据资产的价值越高。对于数据分析能力而言，影响其数据资产价值的因素有信息系统、人才技能、消费者需求。

1.信息系统。信息系统是将信息资源以数字化的形式储存在计算机中，利用计算机硬件、软件以及网络和通信设备等，按照规章制度对信息流进行处理的系统。企业运用信息系统从输入、存储、处理、输出、控制等方面对数据进行加工与分析，进而形成数据资产。互联网接入实体经济以来，云计算技术成为把海量数据变成数字信息的核心技术与模式。在云计算技术中，虚拟化技术、云存储技术、云安全等关键技术都是为了解决如何更加有效地利用和存储数据。因此，利用云计算技术的企业，其信息系统更加完善，同时自身的数据分析能力更强。

2.人才技能。在数字化时代，人才技能愈发不能被技术所取代。然而，在劳动力市场上，高素质人才尤其是跨界人才的结构性短缺，制约着诸多企业的发展。目前，数字经济对各行业的冲击，更加要求企业进行数字化转型，从而致使企业间数字化人才、跨界人才的竞争更为激烈。数字技术的深入改变了诸多行业的商业逻辑，数据分析能力成为企业的核心竞争力，其带来了大量新兴领域的就业需求，尤其是能够在本行业内深度应用数字化技术的跨界人才，他们不仅熟悉行业内的业务流程和模式，而且具备数字化思维和能力。

3.消费者需求。需求与供给变革是全局的，这种变革在数字经济中的表现尤为突出。随着互联网的发展，消费者的需求能够在第一时间传递到企业，经济模式会从“以供给为导向”逐渐转变为“以需求为导向”，企业传统的商业模式、组织架构难以适应这种转型，而需要以用户为导向、以需求为核心重新规划组织形式，转变经营策略，这为数据分析提供了基本的需求。互联网通过集中每个消费者的需求，为企业提供信息，这些信息转化为数据资产，有助于企业进行有效决策。市场的变化对企业提出了更高的要求，给予了顾客更多的权利，顾客可以利用其手中的权利推动企业的优汰劣胜，并影响着企业的数据分析能力。

四、数据资产价值评估方法及模型构建

（一）数据资产价值评估方法

对于数据资产而言，由于其没有实物形态，并且具有非货币性，可以类比无形资产，因此，数据资产价值评估方法可主要参考收益法、成本法、市场法。

1.收益法。Mark Berkman（2002）认为收益法为数据资产估值的最佳方式。收益法是指通过测算数据资产未来能为企业带来的收益值，利用折现率计算其现值，进而计算数据资产的价值。收益法的基本原理在于，任何一个理性的消费者对数据资产进行投资时，其所愿意支付的价格不会高于未来通过数据资产所能得到的回报，即收益额。目前，收益法运用得比较广泛，能够被大多数学者以及资产评估业务各方所接受。但是，无论是对企业自身还是对其他企业来说，数据资产的用途和功能都是帮助企业进行决策。出于这一目的，数据资产为企业所带来的收益是与企业的产品交织在一起的，很难进行分割。因此，用收益法对数据资产进行评估时，必须将数据资产作为一个独立的个体计算其所获得的收益，导致难以使用收益法对数据资产价值进行评估。

2.成本法。成本法是指先计算出数据资产的重置成本，同时估算数据资产中已经存在的各种实体性贬值、经济性贬值、功能性贬值，而后在其重置成本中扣除各项贬值，进而得出数据资产的价值。张志刚、杨栋枢和吴红侠（2015）通过构建数据资产各项成本的价值评估模型，来计算数据资产的价值。成本法的基本原理在于，在条件允许的情形下，任何一个理性的消费者都不愿以超出现行构建成本的价格来购买此数据资产，其核心为数据资产的重构与重建。然而，由于数据资产能够为企业带来巨大的价值，其价值本身远远超过重新构建数据资产的现行成本，因此用成本法评估数据资产价值略显狭隘。

3.市场法。市场法是指将市场上相同或者相似资产的近期交易价格，通过直接或者间接对比，分析其中的差异，估算数据资产的价值。当任何一个理性的消费者购置数据资产时，如果市场上存在相同或类似的数据资产，其不会支付高于此数据资产的价格。市场法有两个前提条件，即资产能够在公开市场上进行交易和具有可比性，两个条件必须同时满足，缺一不可。刘琦等（2016）将数据资产之间的差异进行量化，利用市场法估算数据资产价值。

在数字经济的大背景下，由于数据资产在公开市场上能够进行自由交易，并且数据资产的交易市场日益活跃，尤其是大数据交易所等专门从事数据交易场所的出现，使得数据资产在公开市场上的交易越来越频繁，可供选择的可比数据资产的交易案例也越来越多，因此可以利用市场法对数据资产进行评估。

（二）数据资产价值评估模型的构建

虽然市场法能够对数据资产进行评估，但是由于数据资产本身的特性以及价值影响因素的复杂性，导致运用市场法评估数据资产有一定的缺陷，从而影响数据资产的价值。为了改善市场法，引入层次分析法将数据资产价值影响因素进行量化，判断不同影响因素之间的关系。同时，利用灰色关联分析法来解决可比数据资产选取困难的问题。综上，应首先通过层次分析法计算出数据资产价值影响因素的权重；然后运用灰色关联分析法，量化数据资产价值影响因素，计算数据资产之间的关联系数；再结合数据资产价值影响因素的权重计算出关联度，进而选取关联度较高的数据资产作为可比数据资产；最后，在市场法的基础上，利用关联度确定可比数据资产的权重，构建数据资产价值评估模型。

1.利用层次分析法确定权重。根据数据资产价值影响因素的分类，利用层次分析法建立相关模型（如图4所示），可以得到数据资产价值影响因素各自所占的权重。

图4 层次分析法模型

上述九个指标对数据资产价值的重要程度是存在差异的，其差异可以通过判断矩阵进行量化。假设有a位研究数据资产的专家对数据资产价值影响因素的重要性进行标度评价，并且每位行业专家的重要程度相等，据此搭建每两个层次之间的比较判断矩阵A：

比较判断矩阵表示本层的所有因素对于上一层的某个因素的具体影响程度，并采用相对尺度计量。如果参与对比的因素共有n个，则A=（aij）n×n为成对比较矩阵。依照两个因素相互比较的原则构建判断矩阵，其具备如下特点有 9种取值，依次为，代表第i要素对第j要素的重要水平由低到高，如表1所示。

在得到判断矩阵后，应计算每一个成对比较矩阵的最大特征根和对应的特征向量，对每个层次的因素进行排序并检验其一致性。

表1 标度取值含义表

其中，一致性检验的过程为：

第一，求出指标CI，其表示一个成对比较矩阵A（n＞1）的不一致水平。

第二，计算指标RI，其为随机一致性指标，是检验成对比较矩阵A一致性的标准。影响RI的唯一因素是矩阵阶数n，即每个矩阵阶数都对应不同的RI（见表2）。

表2 随机一致性指标

第三，求解出CR，计算其成对比较矩阵A的随机一致性所占比率是多少。

当CR＜1时，即成对比较矩阵达到可以接受的一致性水平时，计算每一项因素对数据资产价值的影响权重wj。

2.利用灰色关联分析法确定可比数据资产。基于市场法，可比数据资产与被评估数据资产之间应具有一致性，即要高度相关。因此可以利用灰色关联分析法，从数据资产价值影响因素入手，找出可比数据资产。

首先，假设参考数列为X0，比较数列为Xi，其中i=1，2，3，…，n。其参考数列为：

由于数据资产价值影响因素难以量化，因此，可以组织相关数据资产评估的专家，通过专家打分法，按照百分制将被评估数据资产以及交易日与被评估数据资产相近的数据资产的指标进行量化，并通过均值化的方式对数据进行无量纲化处理。

对于X0而言，其拥有若干个比较数列，可以用以下公式求出第j个因素参考曲线与比较曲线之间的关联系数：

其中：表示数据资产价值影响因素，j=1，2，3，…，9；Δ（min）为两级最小差，Δ（max）为两级最大差；ρ为分辨系数，一般在0~1之间，通常取0.5；Δ0i（j）为各比较数列Xi上每一个因素与参考数列X0上每一个因素的绝对差值。

然后，将各个因素的关联系数进行整合，形成一个值ri，以此来表示参考数列与比较数列之间的关联程度。但由于各影响因素对于价值的影响大小不一致，不能利用平均数来计算，因而需要将上述层次分析法算出的各因素对价值的影响权重wj纳入。

最后，计算所有比较数列与参考数列之间的ri，并进行相应排序。

3.数据资产价值评估模型的确定。在资产评估实务中，市场法一般需要三个以上的参照物，因此，本文选取关联度最高的五个可比数据资产对市场法模型进行修正，缩小由于数据资产价值影响因素所带来的差异。

由于每个可比数据资产对被评估数据资产的关联度不同，进而会导致可比数据资产在运用市场法进行评估时的权重有所不同。因而，可以利用关联度ri计算每个可比数据资产的权重ki。

基于上述分析，根据市场法的原理，构建以下数据资产价值评估模型：

被评估的数据资产价值=V1×k1+V2×k2+V3×k3+V4×k4+V5×k5

其中，V1～V5表示选取的五个可比数据资产的价值，k1～k5为利用关联度确定的五个可比数据资产的权重。

五、结语

在数字经济时代，数据相比其他生产要素而言，对企业的发展更加重要，数据资产的确认和计量已然成为企业发展的必经之路。数据资产是企业将原始数据进行整合之后的数字信息，其蕴藏在企业中，具有一定的潜在价值，能够影响企业的决策与发展。经过分析发现，数据资产的价值体现在其传播环节，数据资产价值评估应从数据资产价值影响因素入手。本文通过运用市场法构建数据资产价值评估模型，并利用层次分析法和灰色关联分析法将关键因素嵌入其中，最后得出两个结论：

第一，影响数据资产价值的因素有数据量与数据质量以及数据分析能力两方面，具体包括企业规模、数据覆盖程度、数据完整性、数据外部性、数据时效性、数据相关性以及信息系统、人才技能、消费者需求。

第二，基于层次分析法，计算数据资产价值影响因素的权重，并从数据资产价值影响因素出发，利用灰色关联分析法确定相应的可比数据资产，同时结合关联度确定可比数据资产的权重，根据市场法建立数据资产价值评估模型，对数据资产的价值进行评估。

本文利用所建立的数据资产价值评估模型为企业提供了一种新的思路，相比其他评估模型，该模型将数据资产置于交易中，更能直接地利用影响数据资产价值的因素，对解决其他相似资产的评估具有一定的通用性。

主要参考文献：

Horton F. W.．Information Resources Managemnet［M］．London：Prentice-Hall，1985．

索传军．试论信息生命周期的概念及研究内容［J］．图书情报工作，2010（13）．

马费成，望俊成．信息生命周期研究述评（Ⅱ）——管理视角［J］．情报学报，2010（6）．

Mark Berkman.Valuing Intellectual Property Assets for Licensing Transactions［J］．Licensing Journal，2002（4）．

张志刚，杨栋枢，吴红侠．数据资产价值评估模型研究与应用［J］．现代电子技术，2015（20）．

刘琦，童洋，魏永长，陈方宇．市场法评估大数据资产的应用［J］．中国资产评估，2016（11）．