应用场景视角下的数据资产价值评估

高华 姜超凡

【摘要】数据作为第五生产要素， 如何资产化变为数据资产并纳入会计核算范围对数据红利的释放和数字经济的发展有着重要意义。 从会计学角度来看， 数据资产入表的困难之一是数据资产价值的评估。 本文在重新界定数据资产含义的基础上， 分析了数据资产化过程， 发现数据资产价值有必要按应用场景分类评估。 按应用场景将数字资产划分为有交易和无交易两种类型， 无交易场景下采用B-S期权定价模型估值更合理， 有交易场景下采用AHP结合超额收益法进行综合评估更佳。 按應用场景分类估值既可有效提高估值的可操作性， 也可还原数据资产本身价值， 为数据资产未来纳入会计报表并释放更多数据红利迈出新的一步。

【关键词】应用场景;数据资产;价值评估;B-S期权定价模型;AHP法;超额收益法

【中图分类号】F275      【文献标识码】A      【文章编号】1004-0994（2022）17-0099-6

一、引言

作为人口大国和数字经济强国， 我国在2020年底发生数据交易的总量和规模突破8ZB， 约占全球总量的两成， 首次超越美国， 位居世界第一， 数据资产的重要性不言而喻。 政策层面， 2020年4月， 中共中央、国务院发布《关于构建更加完善的要素市场化配置体制机制的意见》， 提出了深化“土地、劳动力、资本和技术”要素市场化的配置改革， 首次将数据纳入生产要素范围， 使其与传统的四大要素并驾齐驱。 2020年5月， 中共中央、国务院发布的《关于新时代加快完善社会主义市场经济体制的意见》， 明确指出“加快培育数据交易市场， 推进政府数据合规管理， 建立健全数据交易系统和业态自律机制”。 这是对数据要素价值的肯定， 确立了其基础性战略资源的地位。 实操层面， 德勤与上海国家会计学院等研发了第四张报表价值管理体系即数字化时代企业价值的度量衡， 其中很重要的就是包含了新经济时代数据资产的价值计量①。

从会计学角度来看， 财务报告在维护资本市场、保障正确的投资决策、促进市场经济繁荣等方面做出了不可磨灭的贡献。 然而， 数据资产占比较高的新经济企业对数据资产价值的披露仅是冰山一角， 财务报告中更不见其身影， 这严重制约了数字经济的发展， 将数据资产纳入财务报告核算范围迫在眉睫。 但因数据资产估值理论研究的滞后性及价值评估体系的低透明度， 以及受到技术问题和数据转化为资产涉及不同的应用场景影响， 数据资产的价值尚无法可靠计量， 就不能确认为资产， 也就更无法纳入财务报表范围。 这会造成财务报告相关性降低， 新经济时代互联网企业估值失实。 若想扭转该局面， 首先要解决的就是数据资产的价值评估问题。 因此， 本文从数据资产化过程开始分析数据资产如何产生价值， 并探讨不同应用场景下数据资产的价值评估问题， 提出相应的估值模型， 以期增加数据资产价值评估的可操作性， 最终解决数据资产的入表难题。

二、文献综述

（一）数据资产

数据资产、信息资源和信息资产的概念分别在1974年、1970年和1977年被提出， 但至今研究对象界定不清， 导致学术界对数据资产理解多元化， 难以形成统一的概念范畴。 叶雅珍等[1] 认为可以将相关概念统一到数据范畴下进行研究。 朱扬勇等[2] 指出， 信息资产、数字资产、数据资产三个概念本质上都是在讲数据， 并定义数据资产为拥有数据权属（勘探权、使用权、所有权）、有价值、可计量、可读取的网络空间中的数据集。 借鉴上述研究成果和中国信息通信研究院的相关定义， 本文将数据资产界定为信息资源经过数据采集、挖掘、清洗、标注、分析等， 形成可采、可见、标准、互通、可信的高质量数据资源， 并且该数据资源拥有权属和价值、可计量且可读取。

（二）数据资产化过程

数据资产化是实现数据价值的核心， 因为只有资产化， 数据价值才能得以核算， 也才可能被纳入会计报表。 该问题的研究主要涉及两个方面： 一是数据资产化的条件。 穆勇等[3] 认为， 一种资源成为资产需要具备三个基本前提条件， 即所有权明确、稀缺性和经济效益; 曹玉珊等[4] 认为， 信息资源资产化的关键是能够可靠计量。 二是数据资产化步骤。 叶雅珍等[1] 提出了数据资产化基本框架， 即数据资源确权、数据价值确认与质量管控、数据装盒入库、货币计价与评估、数据资产折旧和增值， 为数据资源的资产化提供了一条可行路径。

（三）数据资产价值评估

数据资产化过程的完成依赖于数据资产的价值评估， 但目前数据资产价值评估尚处于起步阶段。 在理论层面， 主要从不同视角探讨资产评估方法的适用性及应用前提。 李如[5] 从会计计量基础视角出发， 比较投入价值和产出价值的适用性， 认为目前企业可根据其历史成本对数据资产进行确认计量。 张志刚等[6] 从资产评估视角出发， 比较了现存资产评估方法的优缺点， 从而搭建了数据资产价值评估的分析框架。 李永红等[7] 探讨了运用不同资产评估方法进行数据资产估值的前提条件及适用范围， 但仍停留在理论层面， 不具有可操作性， 无法解决现实中数据资产入表的困境。 在实践层面， 目前对数据资产价值评估的研究者可分为三派： 一是借鉴无形资产价值评估方法的传统评估派， 采用成本法、收益法或修正市场法以及运用实物期权法中的B-S模型评估数据资产的价值。 二是影响因素评估派， 利用层次分析法并结合传统资产评估方法进行估值， 并运用博弈论研究数据资产评估方法。 三是新模型构建派， 如张驰[8] 基于数据粒度、活动性、相关性、多维度和尺度五个维度建立了数据资产价值评估模型。 然而由于数据资产具有无限共享及多场景使用的特性， 使得数据资产和无形资产的界限越来越清晰， 不能简单套用传统无形资产的估值方法。 不同应用场景的特点和价值构成存在差异， 运用不同的估值方法才能更好地体现其差异性， 故按应用场景划分进行估值才更准确。

（四）数据资产价值构成

张志刚等[6] 将数据资产价值分为数据资产成本和数据资产应用。 上海德勤资产评估有限公司（简称“上海德勤”）与阿里研究院发布的《数据资产化之路——数据资产的估值与行业实践》报告中提到， 影响数据资产价值的因素主要有数据资产收益和风险两个维度。 实际上， 数据资产的收益取决于数据资产的质量和应用价值， 数据资产的风险主要源自于所在商业环境的法律限制和道德约束。 丁博[9] 将数据资产价值分为数据数量价值、数据質量价值、数据管理价值、数据应用价值和数据风险价值。 但是， 上述研究大都聚焦于数据资产的价值而忽略了数据产生过程， 无法涵盖数据从产生到流通的全部价值。

综上， 数据资产价值构成和评估已有初步研究， 大多研究的关注焦点是数据资产价值评估， 忽视了数据资产化过程与其价值评估的融合， 表现为： 第一， 已有数据资产价值构成的研究大都不能涵盖数据从产生到流通以来（即数据资产化过程）的全部价值; 第二， 已有研究忽视了数据资产的应用场景， 因数据的价值在于与具体业务的结合。 由于数据资产具有业务附着性， 数据产生阶段并不产生价值， 只有在与具体业务结合后才会创造价值。 数据价值的大小则在于与应用场景的结合， 不同应用场景下， 数据所贡献的经济价值有所不同[10] 。 例如， 某打车软件公司通过对客户出行习惯数据进行分析， 可使公司更好地配备车辆和司机以获得更多的利润， 同时还可以打包对外销售给汽车生产厂商或者共享单车企业。 显然， 数据资产在两种应用场景下创造的价值是不同的。 基于此， 本文立足于数据资产场景经济性这一特点， 探究数据资产化过程与其价值评估融合的过程和结果， 并将应用场景划分为有交易、无交易两种类型， 采用不同估值模型进行价值评估。

三、数据资产化过程及应用场景划分

数据资产化是实现数据价值的核心， 是进行数据资产价值评估首要解决的问题。 通过文献分析和总结， 可将数据资产化过程分为三个阶段。 第一阶段是数据集转化为数据资产的过程。 并非所有的数据都可以转化为数据资产， 转化为数据资产的数据需满足四个必要条件： 数据权属、有价值、可计量、可读取。 其一， 在数据权属方面， 区块链技术能够实现对这些财富和资产的确权， 使得数据成为产权明晰的资产， 并投入再生产。 其二， 在有价值方面， 互联网平台经济中的数据已成为创造和捕获价值的新经济资源， 以数据为中心的商业模式在越来越多的行业中得到了应用。 当数字技术嵌入产品设计、市场营销环节时， 企业和用户“群体信息交互”协同模式会显著影响企业的研发投入和创新产出， 数字技术应用推动了我国制造业领域产品创新与商业模式创新的繁荣。 其三， 在可计量、可读取方面， 随着计算机技术的不断发展， 均会逐渐得到完善。 第二阶段是数据资产与具体业务相结合并创造价值阶段。 根据数据资产业务附着性特点， 各种数据资产只有和企业具体业务相结合才会产生经济效益并创造价值。 第三阶段是数据资产的流通阶段。 数据资产流向市场， 为不同企业创造不同价值。 通过上述三个阶段， 各类原始数据完成资产化历程， 形成数据资产并开始为企业创造价值。

从上述数据资产化过程来看， 数据资产化第一阶段并不会为企业创造价值。 因为数据资产具有无实物形态和业务附着性， 当它不和具体业务相结合时， 其价值趋近于零; 数据资产化第二和第三阶段中， 数据资产都要与具体业务相结合才能产生价值， 而且和不同业务结合的数据资产会产生不同的价值， 这就形成了数据资产场景经济性和多维性的特点。 故将数据资产价值评估划分应用场景分别讨论更具有现实意义。 但由于应用场景的种类繁多， 同时有交易场景下数据资产最终会流向市场， 其价值会受到场景变换的较大影响， 反观无交易场景下， 数据资产一般只与固定业务相关联并创造价值， 受到场景变化的影响趋近于零。 故本文按照有无交易性将数据资产的应用场景划分为无交易场景和有交易场景两种情况， 根据应用场景的不同特征采取不同方法进行价值评估。

四、数据资产价值评估

（一）无交易场景下的数据资产价值评估

1. 数据资产估值方法的确定。 数字经济时代的到来， 让企业商业模式发生了翻天覆地的变化。 例如， 无交易场景下用于精准营销而产生的数据资产。 通过对消费者数据进行处理后， 采取有针对性的营销策略， 相较于传统营销， 既帮助了企业更好地满足了用户体验感， 在提高成交率的同时也降低了营销成本。 对于此种企业通过分析自身产生的相关数据并创造价值的数据资产， 可以将其视为一种广义无形资产， 那么传统资产评估方法是否可用？ 对于成本法来说， 估值时因未考虑数据资产的预期收益， 评估结果会偏低; 市场法因没有交易难以在市场上找到相应的可比信息; 收益法虽然能够考虑到未来收益， 相对前两种较为全面， 其折现率的确定又存在很大困难。 故传统估值方法不能直接应用于数据资产价值评估。 数据资产的最大特性是不确定性， 该不确定性与大多数资产的不确定性不能混为一谈， 更应被看成一种获利的潜在可能性， 这种未来创造价值的潜在性可以看作是一种看涨期权。 因此， 本文认为采用B-S期权定价模型进行无交易场景的数据资产价值评估较为合适。

2. B-S期权定价模型在数据资产估值中的应用。 首先， 做出如下基本假设： 第一， 数据资产变化率服从正态分布， 且漂移项和波动率为常数; 第二， 在市场上可以固定价格无限地买入和卖出数据资产; 第三， 市场上数据资产买卖不存在交易费用和税收问题; 第四， 数据市场是风险中性的市场， 不存在无风险套利机会; 第五， 该企业会持续生产数据资产。 其次， 根据B-S期权定价模型， 得到数据资产的价值：

。 S表示初始价值; [K]表示执行价格现值; r表示无风险利率; σ表示波动率（平均波动率）; t表示数据资产生命周期; Vc表示数据资产价值; N（d1）表示愿意为拥有数据资产而支付初始成本的概率; N（d2）表示愿意维护数据资产而支付数据分析、维护费的概率。

（1）初始价值S。 数据资产化过程第一阶段， 原始数据经过数据处理、清理、挖掘、输出等过程形成数据资产， 数据资产的初始价值S主要来源于数据存储、管理、更新、分析的费用。 数据资产价值产生的收益受到平台活跃程度、数据的价值系数、平台用户人数和网络节点的距离四个因素影响， 本文根据李秉祥等[10] 的公式S=[λ×d×KN2R2]进行数据资产初始价值的计算。 其中： λ是平台的活跃系数; d是每个用户的价值; K是溢价率系数; N是该平台的用户人数; R是网络节点的距离。

（2）执行价格现值[K]。 数据资产化过程第二阶段， 形成数据资产的数据开始为企业创造价值。 数据资产执行价格就是数据分析、维护费， 即愿意持续拥有数据资产， 并支付一定的数据分析、维护费。

（3）无风险利率r。 一般选取同期的国债利率。

（4）波动率σ。 因为无交易场景下用于精准营销的数据资产类似于一种广义的无形资产， 因此可以参考类似的无形资产波动率进行计算。

（5）数据资产生命周期t。 数据资产化的三阶段即数据资产的整个生命周期， 可以结合所处理数据集的容量大小、数据分析的难度以及数据资产应用场景等因素， 根据法律保护期限、数据资产时效性、相关合同约定时间等确定。

将上述参数编制程序输入MATLAB中， 可以得到最小二乘法蒙特卡洛模拟的结果。

（二）有交易场景下的数据资产价值评估

1. 数据资产价值构成。 与无交易场景下数据资产被看作广义无形资产不同， 在有交易场景下， 由于数据资产价值在形成过程中具有创造性、生产的一次性、获利能力的不确定性、成本费用的模糊性、价值转化过程中所面临的风险性等特征， 影响数据资产价值形成的因素更加复杂、种类更多， 从而导致数据资产价值评估工作的难度更大。 且有交易场景下理应通过活跃的市场交易确定数据资产价格， 但由于数据资产自身的非竞争性和排他性， 降低了市场活跃度。 因此， 必须从数据资产价值评估的各种影响因素入手， 运用因素分析结合AHP法进行价值评估更合理。

根据数据资产化三阶段， 第一阶段是数据资产成本价值产生阶段， 第二和第三阶段是数据资产应用价值和风险价值产生阶段。 从数据资产化的进程来看， 数据资产风险也是数据资产价值的重要影响因素。 例如， 数据可能会因为一项法律条文的颁布导致价值化为零， 因其无消耗性特点， 在道德约束差的商业环境下还可能被恶意拷贝等， 那么数据资产价值很快会变为零。 此外， 数据数量价值、数据质量价值和数据管理价值均可包含在数据成本之中， 因这些价值都可在数据处理、清理、挖掘、分析和维护的过程中得到保证。 故在有交易场景下， 根据张志刚等[6] 所给出的数据资产评估模型， 并与上海德勤与阿里研究院构造的数据资产价值评价指标体系进行整合， 得到数据资产价值构成及各部分影响因素， 如图1所示。

2. 数据资产价值的估算。 为了方便描述， 以下数值均选取模拟数值， 假设目标企业为A， 其拥有的数据资产为出售给其他企业所用。

（1）运用AHP法确定影响数据资产价值因素的权重。 邀请10 ～ 15位相关领域专家进行打分， 各专家根据自身专业知识对数据资产价值影响因素的重要程度进行打分， 并根据打分建立判断矩阵如表1所示。 满足一致性检验条件， 得到各指标对数据资产价值的影响权重系数为W1、W2、W3。

（2）各价值指标的确定。

成本价值（B）。 如果是企业自身经营过程中产生的， 成本价值主要来源于数据管理、储存、更新、分析的人力、物力费用之和， 若是外购的， 则直接利用外购价格计算。

应用价值（C）。 对于数据资产的应用价值， 可采用超额收益法计算。 原因在于： 一是数据资产与专利具有相似之处， 而超额收益法最初是应用在专利的价值评估中; 二是由于数据资产具有非实体性、非消耗性等特点， 导致传统资产评估方法受到限制。 超额收益法认为企业的收益是由有形资产和无形资产共同形成的， 并且可以单独计算每部分的贡献值。 由于数据资产的非实物性， 其应用后产生的收益为类无形资产产生的那部分收益， 而且行业内不同企业的客户资源、人力资本等无形资产虽有所差异且由此产生的收益有所不同， 但整体相差不大， 反观数据资产， 这一类无形资产的应用与否对收益会产生较大影响。 因此， 可以采用超额收益法来计算数据资产的应用价值。 计算公式如下：

C=[k=1n超额收益（1+i）n] （2）

其中： 超额收益是指持有该项数据资产所产生的收入增加额或成本减少额; i为数据资产持有者要求的必要報酬率; n为数据资产使用期限。

风险价值D。 根据企业历年来因为该数据资产产生的法律诉讼费等或有负债或者预计负债的金额计算。

（3）数据资产价值计算。 上述三个价值的加权平均数就是数据资产的价值。

V=B×W1+C×W2-D×W3 （3）

五、不同应用场景下数据资产价值评估实例

（一）案例背景

北京市某网约车公司A， 在行业内率先使用数据资产进行经营管理， 并对外销售相关数据产品。 企业日常经营的数据经过处理形成可供使用的数据资产， 分别用于精准营销和对外出售。 根据企业的信息披露可以看出， 该企业从提出数字化转型到数据资产能够创造价值存在一个过渡期， 该期间数据资产创造价值不是本文的研究范围， 故本文将评估基准日定为2021年11月16日。

目前已有较多企业利用数据资产创造价值， 但对于数据资产的披露还不充分， 相关数据资产数据无法准确获取。 本文根据李秉祥等[10] 的研究提出合理假设： 该企业用户人数为100万人， 平台活跃系数为0.03， 溢价率系数为0.3， 单个用户的价值为6元， 网络节点数约为90。 日常数据整理、分析等工作需要的成本为20万元， 用于数据维护更新分析的费用是30万元/年， 行业内数据资产的平均生命周期为5年。 行业内平均收益率为25%。 根据相关法律法规， 企业每年用于该数据资产的法律诉讼费大约为20万元。 并选取国泰安数据库中2010年1月 ～ 2020年1月十年期国债利率的平均值2.17%作为无风险利率， 由于数据资产风险较高， 故年收益波动率为0.24， 查阅相关资料可得出租车行业折现率为16%。

（二）无交易场景下数据资产价值评估

假设： 波动率σ=0.24; 无风险利率r=2.17%; 数据资产收益期限t=5年。

初始价值（S）。 A公司用户人数N为100万人， 平台活跃系数λ为0.03， 溢价率系数K为0.3， 单个用户的价值d为6元， 网络节点数R约为90。

S=λ×d×K[N2R2]=0.03×6×0.3×[10000002902]=6666666.67（元）

执行价格现值[K]=25.863+22.296+19.221+16.569+13.728=97.677（万元）。 具体测算见表2。

将上述参数输入到MATLAB软件中， 运用式（1）计算可得数据资产价值Vc=568.93（万元）。

（三）有交易场景下数据资产价值评估

1. 邀请15位专家进行评分。 运用AHP法确定的权重W1、W2、W3分别为13%、85%、2%。

2. 各指标具体测算。

成本价值（B）。 A公司进行数据整理、分析等需要的成本为20万元， 用于日常数据维护更新分析的费用是30万元/年， 行业内数据资产的平均生命周期为5年。 因此， 可得数据资产成本B=20+30×5=170（万元）。

应用价值（C）。 首先根据历史数据进行A企业各年收益的预测， 然后计算各年收益现值， 最后估算数据资产的应用价值。

2016 ～ 2020年A企业营业收入、出租车行业的平均收入与出租车的行驶里程如表3所示。

通过分析， A企业营运收入、出租车行业的平均收入与出租车的行驶里程具有线性相关性， 故采用最小二乘法进行一元线性回归分析。 行驶里程与出租车行业平均营业收入、A企业营业收入的线性相关系数分别为0.982和0.936， 相关系数高， 可以进行拟合。 行驶里程与出租车行业平均收入和A企业营业收入的拟合函数分别为： y1=0.99x+183.44; y2=0.83x+240.32。 根据拟合函数求得2021 ～ 2025年出租车行业平均收入和A企业年收入的预测值如表4所示。

根据分成率、折现率计算出A企业数据资产各年收入的现值如表5所示。

将各年数据资产收益现值代入式（2）得到：

C=[k=1n超额收益（1+i） n]=153.13+135.94+113.52+101.61+90.22=594.42（万元）

风险价值（D）。 企业每年用于该数据资产的法律诉讼费大约为20万/年， 故D=20（万元）。

3. 数据资产价值计算。 V=B×W1+C×W2-D×W3=170×13%+594.42×85%-20×2%=526.96（万元）。

六、结论

数据资产价值评估理论研究落后于实践且没有一个广泛认可的标准体系， 这严重阻碍了数据资产纳入会计报表的进程和数据红利的释放， 并为本研究提供了契机。 从界定数据资产含义出发， 分析數据资产化进程， 按应用场景将数字资产划分为无交易和有交易两种情况进行估值。 无交易场景下的数据资产可以看成一种广义的无形资产， 将其收益的不确定性确定为期权， 适合利用B-S期权定价模型进行估值; 有交易场景下的数据资产价值包括数据资产的成本价值、应用价值和风险价值三个部分， 通过分析各部分的影响因素， 并利用AHP法结合超额收益法进行估值比较合适。

本文的创新点在于： 一是将应用场景划分为有交易和无交易两种情况， 分类讨论适用的价值评估方法， 拓宽了数据资产价值评估的研究思路; 二是在考虑数据资产价值构成因素时引入风险因素， 将传统资产评估方法与AHP法相结合， 克服了数据资产评估受限于应用场景不同而价值不同的困境。 鉴于数据市场还不够活跃， 相关法律法规也有待完善， 本研究提出的方法有待市场检验。 未来研究可按照数据资产对企业价值创造的作用路径灵活选择评估方法， 也可以从数据资产风险入手， 运用博弈论方法进行价值评估。

【 注 释 】

①见德勤发布的《第四张报表——银行价值管理白皮书》（2021）。

【 主 要 参 考 文 献 】

[1] 叶雅珍，刘国华，朱扬勇.数据资产相关概念综述[ J].计算机科学，2019（11）：20 ～ 24.

[2] 朱扬勇，叶雅珍.从数据的属性看数据资产[ J].大数据，2018（6）：65 ～ 76.

[3] 穆勇，王薇，赵莹，邵熠星.我国数据资源资产化管理现状、问题及对策研究[ J].电子政务，2017（2）：66 ～ 74.

[4] 曹玉珊，陈哲.企业信息资源资产化问题再探——基于信息资产分类视角[ J].财会月刊，2021（15）：75 ～ 81.

[5] 李如.对大数据资产确认与计量问题的研究[D].西安：西安理工大学，2017.

[6] 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）：44 ～ 47+51.

[7] 李永红，李金骜.互联网企业数据资产价值评估方法研究[ J].经济研究导刊，2017（14）：104 ～ 107.

[8] 张驰.数据资产价值分析模型与交易体系研究[D].北京：北京交通大学，2018.

[9] 丁博.基于AHP-模糊综合评价法的互联网企业数据资产评估研究[D].重庆：重庆理工大学，2020.

[10] 李秉祥，任晗晓.大数据资产的估值[ J].会计之友，2021（21）：127 ～ 133.