面向数据信托的数据资产价值评估研究

包羽霏 郭树行

摘要：在数据要素加速发展的时代背景下，我国提出构建数据要素统一大市场，推动建立数据要素流通市场化相关配置。数据资产价值评估过程没有通用方法，阻碍了数据要素流通。本文在ISO9126软件质量模型的基础上增加了应用性这一维度，以及相应的增值性、变现性、共享性、稀缺性、风险性、场景经济性这六个二级指标，并在功能性中加入了描述数据价值的二级指标——规模性与活跃性。本文对当前市场上的数据资产价值评估模型进行整合与完善，并运用层次分析法对数据资产价值进行定量评估。

关键词：数据信托；数据资产价值评估；ISO9126软件质量模型

1. 选题背景及研究现状

随着数据应用能力的不断开发，数据资产的价值日益凸显。从国家层面来看，中共中央、国务院印发的《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，要将数据要素市场化配置纳入国家政策，助力数据要素市场化建设。从企业角度来看，供给侧的数据资产一经开发就会有很高的边际收益率。由于数据资产有非独占性的特点，所以在不让渡所有权的情况下可以进行多次交易，而数据本身不会有减损。消费侧的数据资产同样能发挥巨大作用，例如大数据可以了解每个人的喜好从而进行精准广告投送，以低成本获得高收益。因此，打通数据要素流通市场是释放数据资产巨大潜力的必由之路。然而当前数据要素流通市场仍存在阻碍数据流通的难点亟待解决，其中便包括数据资产价值评估过程未有统一范式、价值评估结果未达成共识，导致数据资产交易风险增加。数据作为资产时与普通无形资产在性质上有所区别，数据资产的价值会随着加工、使用次数、场景不同而变化，这便导致数据资产价值在评估上的难点。当前社会各界对于数据资产价值评估均有一定探索，但未形成公认的价值评估体系。

对于价值评估方法，目前常用的价值分析法有成本法、收益法、市场法等，这三种方法各有优劣，但都难以准确评估数据资产的价值[1]。其中，成本法难以评估通过交易获得的数据成本，且数据资产价值更多取决于消费侧，单纯计算成本会使评估出的数据价值低于实际；收益法则难以评估、难以量化；市场法受限于当前数据交易市场仍不完善，无法提供广泛全面的数据交易内容。层次分析法通过分解，将复杂内容分为多个影响因素，并在因素之间进行两两比较，结合相关专家判断，计算出数据资产价值[2]。数据资产有其特殊性，而层次分析法可以结合目标的特性进行评价赋值，科学合理地评估数据资产的价值。综上考虑，本文运用层次分析法对数据资产价值进行评估。本文在ISO9126软件质量模型的基础上，增添数据资产的特征维度，整合已有数据资产价值评估的研究成果，提出新的数据资产价值评估模型。ISO9126软件质量模型沿用已久，故不对该模型进行较大改动，而是在ISO9126软件质量模型基础上添加描述数据资产价值的维度。

目前学者对于数据资产价值维度有一定研究成果[3]。例如中关村树海数据资产评估中心提出数据资产有六个价值维度，分别为内在价值、业务价值、绩效价值、成本价值、市场价值、经济价值。李然辉将数据资产主要分为质量维度和应用维度，每个维度下有细分的子特性。上海德勤资产评估有限公司则在李然辉构造的数据资产评价指标体系中增加了风险维度。综合以上及其他学者提出的数据资产价值评估维度以及ISO9126软件质量模型，提出一个新的数据资产价值评估模型，形成相对全面的价值评估维度。

2. 成果模型

该模型是基于ISO9126软件质量模型与其他数据资产价值评估体系的整合与补充。在原有的六个特性中增加了应用性，并在功能性下增加了规模性与活跃性作为子特性，在效率性下增加了时效性。模型如图1所示。

具体分析如下：

2.1 功能性

2.1.1 规模性

规模性描述数据量的规模大小与完整程度[4]。一般来说数据规模越大，所携带信息也越多，数据资产价值越高。但二者并不一定是线性相关，还要参考适合性、准确性等其他子特性来进行综合考量。完整程度描述数据资产没有关键数据的缺失，如果有关键数据缺失则要花费额外的成本来进行补全。一般来说规模越大的数据完整性越好，因此将完整性归到规模性中一并衡量。

2.1.2 活跃性

活跃性描述数据的更新频次、更新效率、访问次数。具体来说，数据的更新频次、程度和访问次数越多，数据资产的活跃性越强，数据资产的价值也越高。更新频次多一般代表数据的实时性更好，更符合当下的实际情况，让企业更加精准地掌握当下客户的需求。更新效率与更新频次一同描述数据的活跃性，若每次更新改进的内容很少，则更新频次高也不代表数据与客观世界的匹配程度高。

2.2 效率性

即时效性，它描述数据资产的实时程度，即最后一次更新时间与期望应用时间之间的差距。数据时效性越强，价值一般越高。数据的时效性决定了数据在特定时段是否有效。例如交通的实时路况就体现了数据时效的重要性，如果司机只能接收到几十分钟前的路况信息就无法准确判断当前路况是否拥堵，从而绕行。而实时的路况数据提供了有效的判断依据，价值明显高于非实时的路况数据。

2.3 应用性

數据资产作为一项特殊的无形资产，其价值不仅在于自身的客观条件，也在于用户如何使用才能发挥出数据资产的价值。因而数据资产的价值确定不仅受到供给侧影响，更重要的是从消费侧出发，由消费侧决定。应用性这一特性主要用于描述数据资产在应用过程中的表现，能否满足用户的业务诉求，用于衡量数据资产在用户应用过程中可以产生的价值。应用性的子特性具体如下：

2.3.1 增值性

增值性描述数据资产经过一时期的经营管理可以提升的价值。增值性作为资产的根本特性，是衡量数据资产价值的重要指标。数据资产的增值性越好，其价值越高。数据资产一大特性便是其拥有很高的边际收益率，一经开发便可以产生很高的价值。这也是当前企业开发数据资产的原动力之一。

2.3.2 变现性

变现性描述数据资产转化为现金的难易程度。当数据资产可以简单地转化为现金且不需额外花费的情况下，变现性就强，一般变现性强的数据资产价值更高。

2.3.3 共享性

共享性描述数据资产同时可供访问人数的多少，能同时为多少个主体提供服务。共享性是数据资产作为信息类资产的一大特征，具有非独占性以及非零和性。若该数据资产可以同时供多个用户访问或支持多个程序运营，则可以减少数据冗余，节约一定的数据存储空间，并且避免数据之间的不相容性。因此共享性越好的数据一般价值也越高。

2.3.4 稀缺性

稀缺性描述数据资产的独有程度。例如中国的民航运输旅客信息数据由中航信公司掌握，目前没有其他公司拥有类似的数据。而电信运营商有联通、移动、电信三家，它们各自在电信领域的数据稀缺性就不如中航信在民航领域的数据稀缺。具有稀缺性的数据资产通常包含了独有的潜在商业信息，从而体现出更大的价值。

2.3.5 风险性

风险性描述数据资产所面临的风险敞口。数据资产面临的风险多种多样，例如泄露风险、法律风险等。法律风险指在法律规定尚不明确的情况下，数据資产的交易是否可以进行、对数据资产价值有无影响。而当前的法律法规对于数据资产的交易规范还不完善，因此企业在面临日益完善的数据监管时要合理评估数据资产面临的法律风险，避免因数据资产使用受限而造成损失。

2.3.6 场景经济性

场景经济性描述数据资产对于应用场景的适合程度及能适用于多少个商业化应用场景。如前文所说，数据资产的价值取决于消费侧如何使用，相同的数据资产在不同的应用场景下能发挥出的价值大不一样。例如在医疗行业，患者信息一方面可以汇总至制药公司进行药物研发，也可以汇总至保险公司，为易患某类疾病的人群提供个性化或共性化保险服务，相同的医疗数据在制药和保险两个不同应用背景下所体现出的价值就不同。企业应当尽可能多地开发一项数据资产能适用的应用场景，适用的场景数量越多，不同场景之间的兼容性越好，数据资产的价值越高。

3. 应用

本模型运用层次分析法对数据资产进行价值评估[5]。层次分析法的运用步骤具体如下：

在拥有了层次结构模型后，首先根据已有的层次结构模型构建判断矩阵，将同一特性下的指标进行两两比较，由专家运用标度表给各个子特性的重要程度打分，并进行一致性检验，如图2所示。

一致性检验的原理是通过判断矩阵特征根的数值变化来检验判断矩阵中的数值是否有前后矛盾的现象。检验过程如下：首先令判断矩阵的最大特征值为λmax，并定义一致性指标CI=（λ-n）/（n-1）。 CI越接近0时，一致性越强；CI的值越大则一致性越差。为了衡量CI的大小，再引入随机一致性指标RI。最后定义一致性比率CR=CI/RI，当一致性比率CR﹤0.1时，即可认为该判断矩阵通过了一致性检验。若所求判断矩阵未通过一致性检验，则通过调整各子特性的标度大小，使其符合一致性检验标准。

判断矩阵通过一致性检验后，其最大特征值所对应的特征向量就是该特性相对于上一级特性的排序。得出各个子特性相对于上一级特性的重要性排序后沿层级结构自下而上计算矩阵，则得到子特性对于目标的重要性权重，最后使用专家打分法为子特性评分，进行加权计算，得到该数据资产的价值指数。

上述层次分析法的使用较为不便，高阶矩阵的运算过程繁杂，可以借助YAAHP软件进行辅助运算[6]。确定每个子特性的重要性标度后将结果输入YAAHP软件，即可自动进行一致性检验，并输出每个子特性相应的权重，大大简化使用层次分析法的计算成本。本模型依托数据信托平台进行应用，可以在信托平台中加入类似YAAHP软件的计算功能，从而实现基于数据信托平台导向的、可以简单应用的数据资产价值评估模型。

结语

当前数字经济时代，构建数据要素统一大市场能够让数据发挥出巨大价值。本文是面向信托注册模式下的数据资产的价值模型研究，为信托平台提供数据资产登记注册的标准维度，期望针对数据资产价值评估难提出一种可行的解决方案，对数据资产进行数字化描述。针对当前数据流通价值评估难这一痛点，本文首先在ISO9126软件质量模型的基础上提出数据资产价值评估模型，增加了应用性作为第七个特性，并在原有六大特性的子特性中添加了更符合数据资产特点的描述维度，运用层次分析法及YAAHP软件辅助计算，得出量化的数据资产价值，打通数据要素流通过程中价值评估难的痛点。

参考文献：

[1]高昂，彭云峰，王思睿.数据资产价值评价标准化研究[J].中国标准化，2021， （9）：90-93.

[2]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].重庆理工大学，2020.

[3]尹传儒，金涛，张鹏，等.数据资产价值评估与定价：研究综述和展望[J].大数据，2021，7（4）：14-27.

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

[5]王玉兰.基于层次分析法的数据资产评估模型研究[D].天津商业大学，2018.

[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，2015，38（20）：44-47，51.

作者简介：包羽霏，本科在读，研究方向：数据资产价值评估。