基于改进超额收益法的企业数据资产价值评估

苑泽明（教授/博导）张永安 王培琳（博士）

（天津财经大学会计学院 天津 300222）

一、引言

随着大数据时代的来临和数字技术革命的崛起，数据资源对各国的发展已愈发重要。2019年，美国《联邦战略和2020年行动计划》明确将数据列为一项重要的国家战略资产；欧盟在2020年出台了数字化战略，着力于推动具有欧盟特色的数字化发展模式；日本设立数字担当大臣，并提议成立数字厅，以此引领日本数字经济发展。与此同时，我国正在加强数字经济的建设，“十四五”规划纲要指出：我国要加快建设数字经济、数字社会、数字政府，以数字化转型整体驱动生产方式、生活方式和治理方式变革。数据经济不仅是政府主导的产物，更是市场发展的选择，像Factual，Data Plaza和贵阳大数据交易所等数据交易平台都已相继出现。

数据时代的到来为经济发展和社会进步带来了新思路，数据资产作为一种非标准化的新事物，其价值对数据的供需具有双向不确定性。当下，对数据资产的理论研究远远落后于商业实践，资本市场常常出现一些难以解释的现象，如处于常年亏损状态的某些互联网企业在资本市场却深受投资者的喜爱并获得了巨额的资金；业绩平平的数字信息企业存在明显的市场溢价；企业以一种明显亏损的营销方式进行客户信息收集和顾客满意度调查等。这些现象出现的原因之一是企业已经认识到数据资产对自身发展的重要性，但数据资产的市场机制尚未建成，数据资产在企业之间的交易和流通缺少可靠的参考依据。

本文的主要贡献之处在于：第一，对数据资产的界定和归属进行说明，并分析了数据资产的价值构成，为企业数据资产的确认和估值奠定理论基础。第二，构建数据资产的估值模型，为数据资产在企业间的流通和交易提供可靠的价值参考工具，同时也为企业确定数据资产的价值提供全新思路。

二、文献回顾

（一）数据资产的界定

“数据资产”最早由Richard E.Peters（1974）提出，他将数据资产视作像政府债券一类的资产。现代数据资产的研究始于“大数据之父”维克托·迈尔·舍恩伯格（2013），他预测数据资产最终会像固定资产一样单独列示在资产负债表中。2019年，美国实施的《开放政府数据法》从法律的角度将数据资产定义为可组合在一起的数据元素或数据集的集合。近年来，国内学者开始逐渐重视数据资产的研究，但对数据资产的界定，不同学者提出不同的观点。李永红等（2018）利用生命周期理论去界定数据资产，认为原始数据只有经过加工处理后，能为企业带来经济利益时才能称为数据资产。秦荣生（2020）结合IASB（2018）对资产的定义，从数据和资产两个维度出发，将数据资产定义为企业由于过去事项而控制的现时数据资源，并且有潜力为企业产生经济利益。石艾鑫等（2017）从数据的分类出发，将数据分为结构化和非结构化两类，只有经过加工处理后能为机构和个人带来经济利益流入的数据资源才能称为数据资产。李雅雄等（2017）从数据资产的商业本质出发，认为当企业拥有的可计量的数据资源能够实现企业特定的商业目的，并且给企业带来经济利益流入时，数据资源可称为数据资产。

（二）数据资产的归属

不同学者对数据资产的归属持有不同观点。张俊瑞等（2020）从数据资产的特征出发，将数据资产归属于无形资产的范畴。Warren等（2015）认为大数据类似于企业的品牌形象，间接支持了数据资产属于无形资产的范畴。杨训等（2016）认为数据资产满足广义无形资产的特征，可将其归为无形资产。但有学者认为，应单独对数据资产进行归类确认，李雅雄等（2017）认为数据资产与其他资产的内涵存在明显差异，应单独对数据资产进行归类确认。谭明军（2021）认为数据资产是独立于无形资产的另一种资产。也有学者认为数据资产和无形资产即存在重复部分，又各具差异，这些灰色部分有待学者继续研究予以确认。阮咏华（2020）认为，根据数据资产在企业营业周期内发挥的作用，可将数据资产归属于存货或者无形资产，如果数据资产仅在一个营业周期内发挥作用，可将其归属于企业的存货，如果数据资产可以在多个营业周期内持续发挥作用，可将其归属于企业的无形资产。祝子丽等（2018）认为，将数据资产归为无形资产的学者忽略了有些数据资产不符合无形资产的定义，而对其单独确认会忽略有些数据资产正好满足无形资产的全部特征，这些灰色区域有待学者继续研究。

（三）数据资产的估值

对数据资产估值的研究主要有三个方面。

在对传统方法改进方面，李永红等（2018）利用层次分析法和灰色关联分析法对传统的市场法进行了改进。赵丽等（2020）用成本法、收益法给出了数据资产的理论价格区间，并以讨价还价的模型确定数据资产的交易价值。刘琦等（2016）利用层次分析对传统的市场进行改进。

在新模型构建方面，张志刚等（2015）从数据资产的成本和应用出发，利用层次分析法构建数据资产的估值模型。闭珊珊等（2020）从数据资产价值影响因素的关键因素出发，将关键影响因素归为成本费用、固有价值、市场供求和环境约束四个方面，以此构建数据资产的评估模型。翟丽丽等（2016）构建了LSM模型对移动云计算联盟企业的数据资产进行估值。王静（2019）利用层次分析法构建数据资产影响因素的评价指标体系，然后结合B-S理论构建数据资产的评估模型。

从经济学的供求角度出发，左文进等（2019）对传统评估方法比较后，将博弈论分析法和破产分配法引入数据资产价值评估模型，设计了数据资产分解估价方法。尹鑫（2018）提出了大数据定价的二价委托拍卖方案，从拍卖定价的视角研究大数据定价。熊励（2018）等以客户感知价值为视角，提出数据资产应由供需双方进行博弈定价。

（四）文献述评

综上所述，对于数据资产的界定，国内外学者尚未达成一致意见，有学者以会计中资产的属性出发对数据资产进行界定，往往过于关注数据资产的会计属性，而忽略了数据资产的本质特征；有些学者往往过于关注数据资产的内部特征和形成机制，从而忽略了数据资产作为一项资产的会计属性。本文从数据资产的本质特征和会计属性出发，将数据资产定义为：企业在日常生产经营活动中创造的，能够掌握其所有权和控制权，并且能为企业带来经济利益流入的所有数据资源和数字信息。在对数据资产的归属方面，针对数据资产是否归属于企业的无形资产学者们持有不同观点，但鉴于数据资产的本质特征，可以将其归属于无形资产的范畴。

在数据资产估值方面，已有研究或借鉴传统无形资产的评估方法，或构建新模型进行评估，都取得了一定成果，但仍存在研究局限：第一，鉴于数据资产的市场机制尚未形成，又具有成本难衡量性，市场法往往缺乏参照对象，而成本法会大大低估数据资产的价值。第二，利用数理统计结合数据资产价值影响因素构建的新模型都存在适用性有限的缺点。基于此，本文提出了对所有企业数据资产估值普遍适用的改进超额收益模型。

三、数据资产价值构成及评估方法适用性分析

（一）数据资产的价值构成

企业日常生产经营活动中创造的一系列原始数据经过收集、整理、分析和可视化处理才能形成一项数据资产。数据资产的价值只有在使用或传播时才能体现，它的主要用途有两种，一是企业自身使用，二是企业转让给其他企业使用。数据资产的价值可以从数据资产流转的三个阶段进行分析：

第一阶段，数据资产的收集形成过程，此过程数据资产的价值体现在所耗费的成本。数据资产的收集整理、分析和透视化等都需要耗费大量成本，这些成本不仅包括企业为收集分析数据所发生的设备购买和磨损，更包括企业直接投入的研发费用和管理费用。

第二阶段，数据资产的储存和传播过程，此过程数据资产的价值体现在运维成本。数据资产形成后，为维持其正常状态和控制权有效地转移，企业储备和升级初步形成的数据资产所发生的费用。

第三阶段，收益实现过程，此过程数据资产的价值体现在为企业创造的收益。这一过程，数据资产能为其所有者带来一定收益，这种收益是企业现金流量的流入，主要指数据资产对收入的边际贡献，此过程往往是数据资产价值体现的核心环节。收集形成、储备传播和收益实现，这一系列过程是数据资产价值生命链的主要环节，这些环节能否有效地发挥取决于诸多相关因素，图1为数据资产的价值形成图。

图1 数据资产的价值构成

（二）评估方法适用性分析

通过对数据资产的界定及归属问题的分析，我们可以借鉴无形资产的评估方法对数据资产进行评估，但现有的评估方法都存在相应的局限性。

从成本法来看，由于数据资产成本与其他相关资产成本的模糊性以及数据资产收益的不确定性，成本法往往会低估数据资产的实际价值。从市场法来看，由于数据资产的市场机制尚未建成，缺少活跃的公开交易市场，因此，市场法评估数据资产的价值往往缺少参照对象。从传统收益法来看，评估数据资产价值存在以下难点：其一，过去收益额的确定，由于当下企业年度报告中基本不会披露数据资产的相关信息，因此，很难直接确定数据资产过去的收益额。其二，未来收益额的预测，即使可以确定过去数据资产的收益额，对数据资产未来的收益额也很难预测。基于此，本文提出了改进超额收益模型用以评估数据资产的价值，该方法不仅可以克服成本法低估数据资产的价值和收益法缺少市场参照物的缺点，而且以未来收益作为价值衡量标准可以对数据资产的实际价值进行准确评估。

四、改进超额收益法改进思路

企业组合无形资产的价值由其超额收益确定，而各单项无形资产的价值需从组合无形资产的超额收益中分割确定。数据资产作为企业组合无形资产的一部分，测算其创造的超额收益可以从组合无形资产创造的超额收益入手，选择合适的方法将数据资产创造的超额收益从组合无形资产分割出来。

本文首先选择合适的方法测算企业整体的超额收益，由于这些超额收益是由企业拥有的组合无形资产创造的，所以需要对企业拥有的组合无形资产进行分类，然后结合AHP确定组合无形资产中数据资产超额收益的分成率，用此分成率乘以企业创造的整体超额收益便得到企业过去数据资产的收益额，然后以此数据为基础，应用GM（1，1）灰色预测模型预测企业未来的超额收益，最后选择合适的折现率和收益期限对数据资产未来的收益额进行折现，便得到企业拥有的数据资产的价值。其基本评估模型如下：

其中：Rt：第t年数据资产的收益额；i：折现率；n：收益期限。

（一）企业整体超额收益的计算

在使用超额收益法对企业数据资产进行估值时，首先要确定企业是否存在超额收益，可以通过企业相关财务数据与行业数据比较确认企业的超额收益。本文首先测算企业的超额收益率，然后以超额收益率乘以企业资产总额便得到企业的超额收益，具体计算公式如下：

（二）过去数据资产收益额的确认

1.组合无形资产分类。本文结合会计学、经营学和管理学的角度划分企业拥有的无形资产。首先从会计学的角度，以是否在财务报表中披露为依据，将企业拥有的无形资产划分为表内无形资产和表外无形资产。对于在报表中披露的无形资产，从经营学的角度出发，将其分为商誉、知识类无形资产、特许资源类无形资产。知识类无形资产是指企业报表中披露的企业拥有的商标、专利、非专利技术、版权、工业设计等无形资产；特许资源类无形资产包括企业拥有的特许权、矿业权、租赁权、土地使用权等。对于报表中没有披露的无形资产，结合管理学和经营学的划分标准分为数据资产、人力资产、关系类无形资产、企业管理类无形资产和其他无形资产。数据资产是指企业拥有的所有能为其带来经济利益流入的数据资源，涵盖企业在生产、销售、管理和研发中收集的数据资源；人力资产是指企业员工的专业技术水平和素质能力，它是企业拥有竞争力和凝聚力的根本保障，可以为企业创造源源不断的经济收益，人力资产具体包括员工的专业技能水平、员工受教育水平、管理人员素质等；关系类无形资产指企业在经营过程中与企业供应链上下游企业之间的关系、企业与政府关系等的各类关系类无形资产；企业管理类无形资产主要包括企业的内部管理制度优势，企业文化以及企业的一些特殊性内部政策优势等；其他无形资产是指除上述无形资产以外的无形资产。无形资产指标汇总如下页表1所示。

表1 组合无形资产分类

需要注意的是，有些企业年度财务报表中披露的无形资产包括客户关系，但现阶段大多数企业报表中披露的无形资产不包括客户关系。由于后文研究的案例企业360并未在披露的无形资产中列示关系类无形资产，因此，本文将关系类无形资产划分在表外无形资产的类别下。

2.层次分析法确定过去数据资产收益额。本文采用层次分析法结合下页表1组合无形资产指标体系确定数据资产的收益分成率，以此分成率乘以企业整体的超额收益，便得到企业过去数据资产的收益额。在应用层次分析法确定分成率时，由于准则层（表内无形资产）中各类无形资产的占比可以通过目标企业的年度财务报表求得，因此，在具体操作时仅对表外无形资产进行权重测算。具体的测算程序如下：

步骤一：建立层次结构模型。根据表1，将组合无形资产设为目标层A，将表内无形资产和表外无形资产设为准则层B（B1，B2），将商誉、知识类无形资产、特许资源类无形资产、数据资产、人力资产、关系类无形资产、管理类无形资产和其他无形资产设置为准则层C（C1，C2，C3，C4，C5，C6，C7，C8），并以此构建层次分析模型。

步骤二：构建判断矩阵。层次分析模型中下层次的各因素对上层次的某个因素的影响程度存在差异，因此，可以邀请n位专家对同一层次的指标两两对比进行打分，打分时遵循以下规则：比较同一层次内各因素的重要性，依据分值1—9，越重要的因素得分越低。据此分别搭建两个层次之间的判断矩阵。

步骤三：计算判断矩阵的最大特征值和对应的特征向量。

步骤四：一致性检验。对判断矩阵进行一致性检验，一致性检验指标CI的计算公式如下：

n表示判断矩阵的阶数，当n大于2时，需要计算随机一致性比率CR，其公式如下：

RI可以根据一致性比率表获得，当CR小于0.1时，通过一致性检验。

步骤五：计算各无形资产权重。在判断矩阵经过一致性检验后，对其最大特征值对应的特征向量进行归一化处理，得到判断矩阵的权向量，即本层次各要素对上层要素的权重。分别计算每层次判断矩阵的权向量，并以此计算每个指标占组合无形资产的权重。其中，数据资产的权重即为数据资产在整个组合无形资产超额收益中的分成率，以该分成率乘以企业过去整体的超额收益，便得到过去数据资产的收益额。

（三）未来数据资产收益额的预测

对数据资产未来收益额的预测主要有两种方法：一是预测企业未来各项财务指标并以此计算企业创造的整体超额收益，然后利用AHP确定的分成率间接测算数据资产未来的收益额。二是直接利用计算的过去数据资产的收益额，结合相关数理统计模型预测企业未来数据资产的收益额。由于第一种方法需要对企业和行业多个财务指标进行预测，不仅工作量巨大，而且增加了结果的不确定性，鉴于此，本文采用第二种方法对数据资产未来的收益额进行预测。使用第二种方法预测数据资产未来收益额时，常用的定量数学预测模型有时间序列分析模型、BP神经网络模型和灰色预测模型。时间序列模型和BP神经网络模型的建立需要相当的原始数据，但数据资产的发展是伴随着互联网的发展和数据经济的发展诞生的，它的出现较晚，许多企业没有记录或者根本不存在过去数据资产的相关数据，因此，时间序列模型和BP神经网络模型都不适用于预测企业未来数据资产创造的收益。而灰色预测模型具有所需原始数据较少，对不确定因素预测效果较好的优点。基于此，本文利用灰色预测模型中常用的GM（1，1）模型对数据资产未来的收益额进行预测。

灰色预测模型是对少量的、含有不确定因素的信息进行预测的方法，该模型是处理小样本预测问题的有效工具。使用该方法预测首先对将原始数据进行处理，形成有规律的数据序列，然后建立微分方程，以此预测事物未来的发展状况，目前最常用的灰色预测模型为GM（1，1）。用GM（1，1）模型的基本步骤如下：

步骤一：弱化随机性。

设X（0）为原始序列，并记：

其中：n＞m；m=1，2，3…n ；t=1，2，3…

步骤二：微分方程拟合。采用一阶微分方程进行拟合，得到白化方程GM（1，1），即：

其中：a是常数，b为发展灰数，这是一个一阶线性方程，它的解为时间响应函数。

当t=1，X（1）（t）=X（1）（1）时，方程（8）的解为：

上述公式（9）可转换为：

其中：t=0，1，2，.....n-1

根据上面算式求出a、b，并将其代入方程即得灰色模型。

步骤三：预测还原

X（1）（t+1）为累加的预测值，将预测值还原即为：

步骤四：残差检验。为了保证模型预测的可靠性，减少误差，需要对模型进行检验。一般使用精度检验测量模型的偏差程度，偏差程度与精度往往呈反向变动，即偏差程度越大，精度就越低。本文采用残差检验法。

平均残差θ=1（/n-1）*∑ε（t）（t=1，2，.....n），精度p=（1-θ）×100%，p值越大模型越好，当p＞80%，建立的模型达到了基本要求。精度检验表如表2所示。

表2 精度等级表

用此方法预测企业未来数据资产收益额时，首先对上文测算的过去数据资产的超额收益进行处理，然后利用该数据并结合GM（1，1）模型，可以精确预测企业未来数据资产创造的收益额。

（四）折现率和收益期限的确定

1.折现率的确定。在确定折现率时，首先要保证收益额与折现率口径相一致，其次，折现率的选取应充分考虑数据资产所面临的风险。由于上文对企业超额收益的测算是从净利润的角度出发，因此本文使用资本资产定价模型确定其权益资本成本，然后在权益资本成本的基础上加上数据资产的特定风险报酬率，即可得到折现率。

上式中，为了计算简便，实务中常以国债利率代替无风险收益率Rf，以市场的平均收益率代替期望报酬率Rm；β系数常使用Wind金融资讯中对被评估企业β值的测算，η为数据资产特定的风险报酬。

2.收益期的确定。收益期是指能持续为资产所有者带来超额收益的期限。收益期限的确定一般有两种方法：一是根据相关法律法规或是合同协议进行确定。二是法律法规或企业合同无规定的，根据资产的经济寿命期限确定。收益期限应当遵循经济寿命和法定寿命孰短原则。数据资产作为网络时代的衍生物，国家尚未出台有关数据资产经济寿命的法律文件，如果交易双方在签订合同时约定了数据资产的转让期限，则以此为收益期限。如果交易双方没有签订合同，可以根据数据资产是否持续更新确定。数据资产不仅具有时效性，而且容易被泄露，其独占权和确权度往往易受外界环境影响，一旦数据资产缺乏时效性和确权度，就无法为其拥有者或使用者带来超额收益。因此，如果交易双方达成交易后，确认后续将持续更新数据资源，则可以认为数据资产的收益期是无限的，如果双方达成交易后不再更新数据资源，则可以根据数据资产的迭代更新速度和其时效性和独占权等，将数据资产的收益期限固定在一个具体的时间段内。本文在对数据资产估值时，假定收益期是无限的。通过以上对数据资产未来的收益额，折现率和收益期限的确定，即可得到改进的超额收益模型。

五、案例分析

360是国内领先的互联网安全服务供应商，主要从事互联网安全技术的研发和网络安全产品的设计、开发和运营。目前，360在行业中具有明显的优势，通过分析公司往年的财报，首先，发现该公司相对于行业中的其他企业拥有明显的超额收益，并且超额收益的增长相当稳定。其次，该企业利用自己开发的网络产品收集了海量的数据信息，并在此基础上发展互联网广告及服务和以游戏业务为主的互联网增值服务等商业化产品及服务体系，这些业务和产品与企业的数据资产高度相关，因此，该公司的数据资产是其创造超额收益的关键性资产。从超额收益和数据资产的角度出发，本文以360为例进行模型说明。

（一）企业整体超额收益的确定

本文以企业相应的财务指标结合公式（2）、（3）确定过去360企业整体的超额收益，结果如表3示。

表3 企业整体超额收益

表3中360的超额收益在2016—2019有明显上升的趋势，2020年受新冠肺炎疫情的影响，企业整体的超额收益下降明显。

（二）过去数据资产收益额的确定

1.数据资产分成率的确定。对于表内无形资产中各类无形资产的占比可以通过查看企业近四年的年报，以平均值代替，具体数据如下页表4所示。

表4 表内各无形资产权重

通过计算2017—2020年企业表内无形资产中各类无形资产占比的平均值，得到商誉的权重为74.58%，知识类无形资产的权重为19.72%，特许资源类无形资产的权重为5.70%。对于表内和表外无形资产在组合无形资产中的权重以及表外无形资产中各类无形资产的权重，本文结合调查分析法及层次分析法予以确定。根据问卷调查结果及访谈意见，结合1—9标度值得到判断矩阵A-B和B2-C，如表5、表6所示。

表5 A-B：目标层判断矩阵表

表6 B2-C方案层判断矩阵表

对上述判断矩阵进行层次单排序，分别得到A-B和B2-C的特征向量和无形资产的权重值（即为数据资产在企业整体超额收益中的分成率），对判断矩阵进行层次总排序，其结果如表7所示。

表7 表外各无形资产权重

2.过去数据资产收益额的确定。将测算的数据资产分成率（权重值）乘以企业过去创造的整体超额收益，便得到企业过去数据资产的收益额。其结果如表8所示。

表8 数据资产收益

（三）未来数据资产收益额的预测

企业数据资产未来收益额的预测存在灰色领域，针对此种现象，本文以上文测算的历史数据资产收益额为基础，利用GM（1，1）模型对企业未来数据资产所创造的收益额进行预测。鉴于2020年新冠肺炎疫情爆发的特殊性，本文将2020年的数据从模型中剔除，以2016—2019年的数据资产收益额的数据建立模型，实际值与GM（1，1）模型预测的拟合值的结果如表9所示。

表9 GM（1，1）拟合值

由表9可知，该模型的后验差比C值小于0.35，意味着模型精度等级非常好，最大相对误差小于0.1，且P值大于0.8，意味着该模型拟合效果达到较高要求，可以用来预测360未来数据资产的超额收益。通过上文建立的GM（1，1）模型对360未来5年的数据资产收益额进行预测，预测结果如表10所示。

表10 数据资产收益额预测值 单位：亿元

（四）折现率的确定

首先，采用CAPM确定360的权益资本成本，无风险利率参考2021年6月10年期国债到期收益率确定为3.13%，查询Wind金融终端得到360的β值为0.91，市场平均风险报酬率Rm选取上证综合指数自实行自由竞价以来近20年的指数平均收益率9.68%，则权益资本成本为9.09%。参考国家对于数据资产的宏观政策以及数据资产的市场环境，将数据资产的特定风险报酬率设为4%。最终，本案例中数据资产的折现率=公司权益资本成本+数据资产特定风险报酬率=9.09%+4.00%=13.09%。

（五）360数据资产价值评估

本文拟对360数据资产的市场交易价值进行评估，假定360在数据资产交易后，每年将持续更新实时产生的数据资源和数字信息，因此，本文认为360数据资产的收益期限是无限的。目前，360尚处于发展阶段，相关财务指标呈现出波动现象，但随着宏观经济政策的偏向和企业经营战略的确定，360将进入稳定发展阶段，故本文将采取两阶段模型对企业数据资产进行评估，增长率结合我国宏观经济发展的趋势确定为4%，其评估值如表11所示。

表11 数据资产收益现值 单位：亿元

将表11中数据资产的收益现值进行加总，得到360数据资产的最终评估值为149.309亿元。

六、结语

本文以数据资产为研究对象，首先在回顾已有数据资产的研究基础上，对数据资产的定义和归属进行分析，然后利用超额收益法的评估思路，构建数据资产估值模型并对数据资产的超额收益、折现率和收益期限等参数展开具体的讨论。在此基础上，以360企业的数据资产为研究对象进行估值案例分析。本文主要得出以下两个结论：

第一，对数据资产的基本概念，归属进行说明。首先，将数据资产定义为：企业在日常生产经营活动中创造的，能够掌握其所有权和控制权，并且能为企业带来经济利益流入的所有数据资源和数字信息；其次，将数据资产归属于企业无形资产的范畴。

第二，构建了数据资产的估值模型，首先利用AHP测算企业过去数据资产的超额收益，然后应用灰色预测模型预测企业未来数据资产的超额收益，最后选择合适的折现率和收益期限确定数据资产的最终价值，并通过具体的实例对模型进行验证。

本文建立的数据资产价值评估模型为企业数据资产的估值提供了一种新思路，对比其他评估模型，该模型着重考虑了数据资产为企业带来的预期收益，对解决其他相似无形资产的评估具有一定的通用性。希望本文的研究能为数据资产价值评估体系的完善提供理论借鉴，为数据资产市场机制的完善提供参考，同时也为数据资产在企业日常会计核算和数据资产在企业间的合法交易和流通提供参考。