多期超额收益法评估数据资产价值——以M通信企业为例

■ 胥子灵 刘春学 白彧颖 王 玲

（云南财经大学城市与环境学院，云南昆明 650221）

随着大数据产业的快速发展，数据资源与自然资源（侯文坤，刘春学，2020）逐渐成为企业的重要资产，对企业的发展产生了巨大的影响。数据资源转化为资产并体现数据的经济价值，逐渐成为企业发展的迫切需求。2020年《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》正式发布并引入“数据要素”的概念，为此迫切需要研究数据资产价值的评估方法，准确评估数据资产价值，为经济发展的数据要素流动提供参考。

数据资产是可以数据化并为企业带来实质性经济效益的资产，通常把这些数据资产当作一种无形资产（王红艳，2001；Pitney，2009；胡苏，2006）。数据资产价值的影响因素可以通过建立影响数据资产价值的技术因素体系，运用蒙特卡洛模拟进行层次分析法计算，确定不同技术因素对价值影响的权重（刘琦，2016；周芹，2016）。数据资产依附于有形资产，受数据质量、容量、成本等因素影响（Brooks，1999；闭珊珊，2020）。数据资产的评估方法主要为收益法（赵振洋、陈金歌，2018），也有学者尝试市场法（刘琦，2016）和实物期权法（翟丽丽，2016）。另外还有反映数据资产价值特性的CIME（Cost、Intrinsic、Market、Environment）评估模型（闭珊珊，2020），反映数据资产生命周期的生态化管理模型，以多维度分析挖掘数据资产的潜在价值（李菲菲，2019）。

本文以通讯企业数据资产为例，尝试根据数据资产的价值构成和影响因素对传统收益法进行改进，体现数据资产的价值特点、产出价值和未来超额收益，为更准确评估数据资产价值提供参考，为经济发展中数据要素的流动提供支持。

一、数据资产价值特点

数据是对事物进行记载的原始素材，是企业重要的生产资料。数据资产是由个人或企业拥有或者控制的，能够为企业带来未来经济利益的，以物理或电子的方式记录的数据资源。数据资产是可以转化为超额收益的数据，要将数据变现为企业的资产，必须要对数据进行加工处理，加工成对事物的分析，形成独有的知识，数据就有了更高的含金量，成为有价值的数据资产。

数据资产的价值形成可以依靠其自身价值形成产品价值，也可以依附于用户数据的分析形成企业价值。数据资产的价值特点主要有：（1）无形性。与无形资产相类似，依附于实物载体，但其相对于一般的无形资产更具有通用价值，通过资产间的合成重组形成新的打包资产，拥有赚取超额收益的能力，但因超额收益的难以估测和不确定性大而存在潜在风险。（2）价值增值性。数据资产的价值取决于数据的应用场景，单一数据资产的应用有限，多维度的数据资产结合打包成新的数据产品，企业自用或用于出售后可以获得更大的应用价值，且在原有使用价值基础上因为数据资产功能的切换，会衍生出其他价值。（3）易贬值性。与实物资产可长期保持价值不同，数据资产的复制成本很低、更新频率高，若超出时限而未更新或被共享后将导致其价值消减。（4）高风险性。数据资产的无形性、易贬值性、更新换代快以及市场相关法律法规的不完善决定了数据资产将长期暴露在高风险的环境中。获取成本较低、复制技术简单、没有安全保障的数据资产不能长期为企业带来经济利益。

二、数据资产价值分析

（一）数据资产价值构成

从数据（资源）到数据资产再到数据资产价值实现的过程中，数据资产具有的价值主要包括：（1）内在价值。数据天生具有价值，数据本身的质量，包括数据的质量、精确度、完整性、及时性、可信度等特性将帮助筛选部分优质数据进入企业数据库，进而为成为数据资产提供原材料。（2）成本价值。数据库中的数据经加工变为数据资产，预期为企业带来经济利益，企业在数据的采集、治理、存储到交易过程中产生、获得、管理数据的各种成本。（3）交换价值。部分数据资产作为产品交易，出租或交换，能带来企业利润增加，因此具有交换价值。（4）使用价值。部分数据资产被分类整理成有序目录，供企业内部和外部需求者使用，数据资产的有序性越高，其使用价值越能得到体现。

不同的企业数据资产价值构成侧重点各有不同，如电商企业、“数据银行”类企业、工业企业、通信企业的数据资产价值各不相同，应从多个角度剖析其价值构成。本文归纳数据资产价值由四部分构成：获取成本、固有价值、市场价值与社会价值（图1）。其中获取成本包括收集数据的成本和数据加工、处理的成本；固有价值是数据资产天然自带的价值，包含其质量、规模、时效、稀缺性等；市场价值是数据资产形成产品后为企业带来的收益，包含产品价值与服务价值；社会价值是数据资产具有服务社会群体，增加社会效益的部分，包括政策价值、个体价值、公益价值等。其中获取成本用成本法确定后与收益法确定后的市场价值可能存在重叠，数据资产真正的价值不体现在“投入价值”而体现在“产出价值”上，以及资产的社会价值是附加在其他价值之上的增值部分，因此本文主要从其固有价值和市场价值量化数据资产的总价值构成。

图1 数据资产价值构成

（二）数据资产影响因素

收益和风险两个维度影响着数据资产价值。数据资产的收益取决于数据资产的使用价值与交换价值。数据资产的风险维度，指数据资产的质量风险和外部制度环境的影响，在数据资产估值中应予以充分考虑。主要包括：（1）数据成本。在数据交易市场不活跃的情况下，数据价值没有明确的计算方式，首先考虑数据成本。获取成本越大，数据的交易价值相对越大。（2）数据获利能力。即依据数据资产设计产品，提供服务，销售产品与服务获取收益的能力，一般可以用数据资产获取的超额收益度量。（3）数据资产收益期与有效客户数量。数据资产具有保值期，随着时间的流逝，数据库中的数据会因为各种原因流逝而无法为企业继续创造价值，需将无效数据清理出数据库。（4）数据质量属性。数据资产的真实性会直接影响其应用价值；数据资产的完整性可以反映被记录对象的所有特征；数据的准确性有利于数据变成可被利用的数据资产；数据资产的安全性影响对企业价值贡献的稳定程度；数据资产的稀缺性帮助挖掘其潜在价值；数据的时效性，数据资产为企业带来的经济利益呈现随时间推移而递减的趋势；数据资产的多维性即适用的范围。以上数据质量属性越强，数据资产价值越大。（5）外部环境。是影响数据资产价值的重要风险因素，目前数据资产市场处于初发展阶段，相关法律制度尚未十分明确，影响数据资产的价值实现。外部法律环境宽松，会促进数据资产的交易，衍生出更多数据资产为依托的产品，为企业带来超额利润；外部环境紧张，数据资产的收集成本和交易成本也就越高，会降低数据资产价值。（6）数据管理效率。通过数据资产管理对资产进行有序的管理、提升数据利用价值是必不可少的环节。数据资产管理效率低下将使数据资产的价值降低。

（三）数据资产价值评估方法

当前对于数据资产评估的研究处于起步阶段，主流的评估手段有市场法、成本法和收益法。其中市场法虽然能客观反映资产目前的市场状况，且参数指标相对真实可靠，但其对市场环境要求极高，目前我国还不具备形成系统的数据资产交易场所的条件。在完全竞争市场上，市场出清状态下不存在超额收益，即用于交易的资产成本应与收益相等，此时运用成本法和收益法达到的价值评估效果相同，而在现实中往往成本法运用历史成本计量，会低估数据资产真实价值，与此相反收益法考虑了货币的时间价值因素和资产贬值因素，但对未来收益的预测过高，通常高估资产价值。鉴于数据资产于无形资产有类似属性，可以采取无形资产的评估方法测量数据资产价值，目前对数据资产的评估方法具有不同侧重点（表1）。

表1 数据资产价值常规评估方法比较

由于数据资产价值评估体系仍不完善，无法运用市场和主观经验确定相关参数，基于企业历史财务数据，预测企业未来收益来衡量数据资产价值更为合理。但收益法中对于折现分母的计算存在误差，且许多参数无法确认，没有任何模型结构完全契合数据资产收益与风险并存的价值特点。因此，本文对收益法中的多期超额收益模型进行修正，使评估更科学合理。

三、模型构建思路及参数确定

（一）模型构建思路

多期超额收益法是通过计算该项无形资产所贡献的净现金流或超额收益的现值的一种估值方法。计算方法如公式（1）所示：

多期超额收益法评估数据资产有三个难点：一是企业净现金流下的超额收益需分离其他资产的贡献值；二是相对与实物资产，使用期限更不易确定；三是在不同场景环境下贡献的超额收益不同，需要同时考虑收益与风险对价值总额的影响。

为此，本文改进多期超额收益模型如下：

改进后的多期超额收益模型分离原模型中属于数据资产贡献的超额收益，通过调整风险折现率将数据资产风险因素纳入评估范围，增加动态的客户留存率，评估方法体现数据资产两大价值构成成分：固有价值（质量时效）和市场价值（超额收益）；同时考虑数据资产价值收益和风险两方面影响因素，相比原模型，更凸显数据资产区别于一般无形资产的特点，更贴合实际情况。

（二）客户留存率与使用期限

数据资产的收益期代表企业能从客户获取多少年的经济利益。但对收益期和收益期内客户的留存率预测比较困难。通常做法是依据经验确定一个常数年限和均匀递减的客户留存率，然而这种确定方法现实生活中存在误差：一方面企业拥有众多客户，不同的客户存续年限就不同，不同种类企业的客户留存年限也存在差异；另一方面，客户关系生命周期会受到企业内外部诸多因素的影响。

因此动态的客户留存率和使用期限更为合理，可以对影响客户存续期的诸多不可人为控制的协变量纳入比例危险模型（cox模型：cox proportional hazards model）中，用于估测客户的生存函数，生存函数是账户收益期的分布，即动态的客户留存率。

cox模型下的生存函数表示如下：

对账户收益期进行预测时，假定客户留存率下降到50%时所经历的时间段为客户总体平均生命周期时间（图2）。

图2 客户留存率随时间变化图

由线性内插法(4)可求得值。

（三）折现率

初始折现率用加权平均资本成本确定：

利用CAPM模型和加权资本成本法计算可得初始折现率，然而CAPM模型假定所有股东的投资都是分散的，不存在个别风险，而实际情况下非系统风险不可忽视。数据资产面临的个别风险因素从质量和商业环境限制的角度考虑，包括数据资产的真实性、完整性、准确性、安全性、稀缺性、多维性、时效性以及法律约束、资产管理效率等。这些指标大多数属于定性数据，不可定量分析，为此选取其中主要的适合定性的风险因素划分其质量和等级，依据较差、较低、一般、良好、优秀五种情况分析主要的风险影响因素,用定性方法分析资产风险的评估等级。这种评估打分方法简单易行,评估公司和管理者人员根据具体资产情况自动调节各种风险影响因素,确定评估分数段、风险评估等级及其调整的程度,并对影响风险的因素进行打分,对原来的折现比例进行了调整（表2），还可以比较公司不同资产的风险等级和折现率。

表2 按风险得分调整折现率参照表

调高后的折现率满足数据资产贬值的特性，弥补了传统收益法经常会高估资产价值的不足，适合数据资产易贬值性的价值特点。

四、实证分析

（一）案例简介

M公司是国内信息通信业大型公司，处于数据交换中心地位，数据的真实、完整、精准性都能得到保证，在准确地掌握用户的行为特征上具有其先天的优势,并且能够保证数据真实、完整和精准，积累了许多数据资产。主要有:来自于业务支撑系统的数据,这部分由CRM 、客服、渠道、计费等IT系统在提供给客户时形成；网络系统中所产生的信令数据,来自于电路域（CS）和分组交换域（PS）中的信令分析；来自于电信运营商公司自有的移动互联网及其移动互联网产品。以上三类数据均可以通过加工处理成为能为企业带来经济利润的定向产品与服务，因此符合数据资产的定义，可以采用多期超额收益模型估算其价值。

（二）评估思路

本文选取M公司2016—2020年季度财务报表，运用改进后的多期超额收益模型，对未来超额收益折现，预测公司全部数据资产价值进行评估分析。评估基准日定于2021年1月1日。

影响数据资产价值的收益因素反映在数据资产带来的超额收益，总超额收益用企业未来净现金流量预测，运用差值法倒挤出数据资产超额收益。风险因素反映在折现率上，依据M公司数据资产诸风险因素的打分和等级调高风险折现率，使之反映企业个别风险。客户留存率采用cox模型，对影响M公司收益期的因素进行赋值和筛选，确定客户生存函数和客户留存率，查阅Survival Table计算客户平均生命周期（收益期）。

（三）参数确定

1.客户留存率和收益期确定

抽取M公司数据库2 000条客户记录为样本，对原始变量进行预处理，删除其中具有较强相关性的变量，对剩余影响客户留存期的9个因素进行生存分析（表3）。其中时间变量为账户存续期，结局变量为账户生存状况，数据录入时将二分类变量赋值为0，1；多分类变量按数量和等级赋值为1，2，3，4。

表3 变量名与赋值说明

进入cox模型之前，对以上协变量进行比例危险性检验（PH检验），结果证明所有变量均符合PH假设，因此所有变量进入cox回归分析。cox回归分析的结果如表4所示：

表4 方程中的变量

参数估计结果显示：最后筛选后的模型仅包含客户等级和客户满意程度变量，设置各协变量为置信水平95%和逐步向前最大似然法。

客户留存率函数表示如下：

经调查M公司现有客户库中客户等级以低级（赋值1）为主；客户满意程度以满意（赋值3）为主。将协变量赋值取自然对数代入（6），可以得到M公司第1到第5年的客户留存率预测值分别为0.77，0.67，0.61，0.51，0.28。

2.折现率确定

按照与M公司数据资产收益期相匹配的五年期国债利率平均水平确定无风险报酬率 为3.12%。将M公司2016年至2020年五年间沪深指数作为标的指数，根据Wind资讯金融数据端得到市场风险系数值0.81。根据股票指数来综合评定证券市场的发展情况，将5年沪深指数平均收益作为与市场组合最接近的指数，假设现有的企业投资者和未来的投资者所需的风险溢价均没有变化，计算得出市场预期报酬率=7.05%,依据资本资产定价模型公式计算得=6.3%。依据公式（5）初始折现率为4.18%。

对比企业其他主要资产，对M公司各影响数据资产价值的风险因素进行打分（表5）。根据表2进行风险等级25%调整后，确定评估日数据资产折现率=5.23%。

表5 M企业资产风险因素得分参照表

（四）评估过程

1.企业自由现金流预测

选取2016—2020年M企业营业收入数据，对过去五年的营业收入数据用多项式进行拟合，得到过去五年历史收入的拟合函数：

运用拟合公式预测M公司未来营业收入（表6）。

表6 M公司未来五年营业收入预测表（单位：亿元）

M公司2016—2020年营业成本占营业收入比重平均值为31.23%；管理费用、财务费用、销售费用占营业收入比重平均值分别为37.28%，0.85%，10.41%；折旧与摊销、资本性支出、营运资本增加额占营业收入比重平均值分别为19.46%，12.33%，4.75%。结合以上分析，未来五年M公司的自由现金流量如表7所示。

表7 M公司未来五年自由现金流量预测表（单位：亿元）

2.其他资产年贡献值预测

流动资产、固定资产、无形资产（专利权）年贡献值的预测基于回报率和资产年平均余额。

3.数据资产价值总额

综合上述分析，依据公式（2），计算得出数据资产价值总额（表8）。

表8 现值估算表（单位：亿元）

最终M公司当前数据资产价值评估结果为93.87亿元。

（五）结果分析

从数据结果来看，该公司总资产价值计算约为1 003.94亿元，M公司的数据资产价值约占公司总资产价值的9.37%，查阅其他行业企业数据资产价值，其数据资产价值占总资产价值平均值约为4%-5%，这说明以M企业为代表的通信行业数据资产体量大，对经济的贡献值多，具有不可忽视的分量，因此公司需要充分利用其资产优势，加强资产管理。

结果中对于企业其他资产逐年递增贡献值的预测，会影响企业剩余超额收益，呈现自发性递减趋势，再加上参数的调节，在一定程度上会使数据资产价值预测值略微偏低。现实情况下，企业在未来五年内如正常运营，必定会扩大营运规模，自由现金流量不会如模型中的数值一样平稳，而会有较大的涨幅，在一定程度上会减小误差。

五、结论

修正后的多期超额收益模型通过调整折现率反映了数据资产的特定风险，通过设定使用期限反映了数据资产的保质期限，通过设定客户流失率反映了不同场景环境下收益贡献的差异，使评估结果更为合理。

修正后的多期超额收益模型在实际评估中可操作性较强。可运用数据资产盈利的企业在行业中往往具有明显的竞争优势和强大的资源聚集能力，能持续长期稳定地产生收益，且技术力量支持采取尖端操作，因此适合运用修正后的多期超额收益模型评估其数据资产的价值，该模型也同样适用于数据流通平台、数据API提供者等位于大数据产业链上游的企业。

修正后的多期超额收益模型未能很好的考虑数据资产中的相关税收摊销收益，对数据资产的附加价值也未能更好的体现，需要更多开展这一方面的研究。