基于多期超额收益模型的数据资产估值研究——以美的集团为例

■/ 相羽帆 宋良荣

一、引言

5G时代的到来给人们的生产生活方式带来了巨大改变，各类数据以网络为媒介，促进了经济的发展，推动了经济的转型升级。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（李永红和张淑雯，2018）。然而，由于数据的非实体性、增值性以及附着性等特征，在确定其为资产过程中，就其界定范围、价值、安全性、保密性等一系列问题存在争议。同时数据估值过程中存在数据成本度量以及数据潜在价值估算等多方面问题，数据要素在会计上尚未有明确专一的科目，这也对数据价值评估产生阻碍。从形式上来说，数据资产分为外购和自制两种，外购数据资产一般归入无形资产账目中，遵循“入”“存”“用”“出”四个资产生命周期，并且有明确的账面金额，因此通常按无形资产的摊销额计入企业成本，而企业自制资产由于形成、管理复杂，用途广泛多样，无法对其进行明确估值，导致企业经营成本、利润等各项核算出现偏差，企业自制数据资产不完善的定价体系与数据高速发展之间产生了严重的时滞，在很大程度上制约了数字经济的发展，因而厘清企业自制数据资产的估值存在现实意义和经济价值。

二、文献综述

数据资产的估值尚未形成统一的标准，然而数据应用却在高速发展，因而数据资产估值一直是近几年来学术界的热点。在这一点上，东西方学者研究重点有所不同。西方主要研究加密货币的会计问题，而东方学者大多基于合法合规的数据资产的定价与评估。王玉林和高平富（2016）提出数据资产是一种新型财产权客体，应将其归为技术型无形资产。孙永尧和杨家钰（2022）综合比较了数据资产与无形资产的异同，认为数据是由计算机产生或存储的信息，具有实物形态；数据能够用于出售、转换、授予许可、租赁及交换，具有可辨认性；数据可用于交易，与无形资产非货币性有所不同。

针对数据资产定价的研究，学者从不同的角度构建了不同的模型。王静和王娟（2019）利用层次分析法构建了我国互联网金融企业数据资产影响因素的评价指标体系，并用B-S理论模型评估数据资产。李秉祥和任晗晓（2021）根据大数据资产的动态性采用实物期权法中的B-S 模型得出数据资产的总价值。宋杰鲲等（2021）构建基于混合多属性决策的EDVA评价模型，以此协助企业数据资产进行管理。除此之外，多期超额收益法也被学者尝试运用在数据资产的定价估值研究中。陈芳和余谦（2021）综合考虑了数据资产的产权问题、数据安全性问题，将数据资产的折现率进行区分，采用基于剩余法的多期超额收益模型，预测企业自由现金流量、各资产贡献值，挖掘数据存在的超额收益，并对其进行量化。胥子灵等（2022）研究了通讯企业的数据资产估值，修正了多期超额收益模型中的折现率和收益期，整合数据资产价值特点、构成和价值影响因素，优化了对通讯企业数据资产未来超额收益的衡量预测。

数据资产估值至今还未有明确统一的规范，学者在使用多期超额定价模型时尚未能够完整解决的部分集中于数据资产的折现率，同时也未考虑到数据资产的价值易变性。市场不断改变的情况下，数据资产价值的高低会随着技术发展、客户群体改变等一系列因素而发生较大波动。本文基于多期超额收益模型（王蕾，李春波，2022），考虑数据资产的价值易变性，进一步优化其折现率，选取合适样本对数据资产的估值进行探索与研究。

三、模型构建

（一）构建原理

企业内部自制数据资产在多个使用期内都会产生超额收益，将每一期的数据资产进行折现加总，即为当下数据资产的价值。然而这一思路中存在两大难点：一是数据资产的超额收益难以确定。数据资产存在形式不同，其附着性导致无法明确界定由数据资产而获得收益的范围。二是数据资产的折现率并不存在统一标准，数据资产的价值易变性极高。随着时间推移，部分数据资产价值走低，部分资产存在重复产生新价值的可能，因而数据资产的折现率需要考虑多重因素进行确定。因此本文在多期超额收益模型的基础上进行改进，采用剩余法将数据资产从无形资产中剥离出来。剩余法主要考虑从企业整体收益中除去固定资产、流动资产以及表内外除数据资产外无形资产的贡献值，剩余即为数据资产的贡献值。剩余法的优势在于避免了从单独数据资产入手会遇到的由数据特性导致的数据价值不明确、数据资产收益期无法界定等问题，从企业已知并有明确账面价值信息的资产入手，对数据资产进行估值，其估值有合理的依据，有助于企业合理估算数据资产价值。

（二）模型变量

1.企业自由现金流。企业的自由现金流指的是一个企业的营运收入减开支、税项以及周转资金和投资的变动额，是企业经营活动产生的现金流量减去资本支出的差额。自由现金流计算法则见表1。

表1 自由现金流计算法则

2.固定资产贡献值。在企业生产经营的过程中，固定资产会相应发生损耗，固定资产的价值也因此降低，其账面价值会进行每期折旧处理，直至为零。因此，在计算固定资产贡献值时，需考虑两部分内容，即固定资产的折旧补偿和投资回报。在计算投资回报部分时，考虑到固定资产的折旧年限一般在五年及五年以上，其投资回报率用五年期以上的银行贷款利率来计算。

3.流动资产贡献值。由于流动资产的年限较短，资产的价值不会发生大幅度变动，并且在预计的期限内可以全部收回，因此不考虑流动资产的折旧问题，流动资产的贡献值仅考虑投资回报，计算方式为流动资产年平均额乘流动资产回报率，流动资产回报率以一年期银行贷款利率表示。

4.剥离数据资产后的无形资产贡献值。无形资产会在企业经营期内不断进行贬值，直至账面价值为零，表内无形资产贡献值包含无形资产摊销补偿和投资回报两部分，又考虑到无形资产摊销年限一般大于五年，在计算表内无形资产贡献值时，投资回报率选取五年期的银行贷款利率。

表外无形资产不包含在财务报表中，但是这一部分资产会持续产生超额收益，由于没有办法直接估算其价值，一般都是通过单独方法进行估算处理，因此不可避免会产生一定误差。在本文中，表外无形资产主要包括人力部分和数据资产，人力与数据在企业运行的过程中会持续不断产生收益，剥离本文需要估算的数据资产的价值，表外无形资产主要涉及到人力资本所带来的超额收益。人力资本的投入账面价值主要可以通过应付职工薪酬体现，由于其存在超额收益，人力资本的贡献值考虑由人才贡献率乘人力资本年投入额。

5.折现率。数据资产的折现率有别于其他无形资产的折现率，考虑到数据资产受到市场因素、社会因素、企业本身因素等各方面的影响，故而无法通过确切数值直接计算得到其折现率。因此，考虑通过加权平均资本模型（WACC）计算与该企业相似企业的加权资本成本，并计算相似企业的无形资产回报率，以此为基础逆向倒挤出现有企业数据资产折现率。

加权资本成本运算如下：

公式（1）中，WACC指加权平均资本成本、Ke指股权风险收益率、Kd指债券回报率、D 指债券公平市场价值、E指股权公平市场价值、T指企业所得税税率。

Ke运用资本资产定价模型（CAPM）进行确定，具体如下：

公式（2）中，Rf指无风险回报率、Rm指市场平均收益率。β指风险系数，根据WIND金融终端数据进行计算获取。

通过上述计算，可以进行回报率逐一拆分，具体如下：

公式（3）中，We、Wf、Wg、Wd分别表示固定资产、流动资产、剥离数据资产后的无形资产、无形资产占总资产的比率。ie、if、ig、id分别表示其对应的投资回报率。

6.收益期。数据资产的收益期指的是企业可以从该数据中持续获取收益的年限。数据资产存在附着性、易复制性、可辨认性、无实物形态等的特征，使其收益期有别于固定资产、流动资产的收益期，也有别于传统无形资产的收益期。在不考虑到企业后续对该数据资产投入的影响以及数据资产自身产生二次价值的情况下，并假设数据资产符合资产生命周期理论，确定数据资产存在特定的收益期限。

（三）构建思路

本文基于对企业各项资产收益的统计，采取逆推法在整体收益中除去企业各项固定资产、流动资产、剥离数据资产后的无形资产的收益，计算出每一收益期限内数据资产的价值，综合考虑数据资产的各项特征计算出其特定的折现率，由此计算出数据资产的价值。

基于剩余法的多期超额收益模型如下：

公式（4）中,P 为数据资产的价值、R 为企业整体收益、Rw为企业流动资产收益、Rf为企业固定资产收益、Ri为剥离数据资产后的无形资产收益、I为数据资产折现率、N为资产收益期。企业整体收益由企业的自由现金流来体现，各项资产的收益由各项资产的贡献值体现。

四、案例分析——美的集团数据资产估值

（一）美的集团简介

美的集团，1968 年成立于佛山顺德，是一家覆盖智能家居、楼宇技术、工业技术、机器人与自动化和数字化创新五大业务板块为一体的全球化科技集团，属于家电行业的领头企业。近年来，美的集团积极进行数字化转型升级，正值转型升级重要时期，因此本文将其作为研究案例，对美的集团的数据资产进行估值，探索企业数字化升级新方案。

（二）美的集团数据分析

在美的集团的大事记中，2017 年1 月6 日美的集团与腾讯QQ达成战略合作，2018年美的集团发布All-in 工业互联网引入AI 区块链战略，基于IP与物联云推出多款智能家电。这表明美的集团从这一年起在智能家电中取得了突破性的发展，拥有了家电行业中智能家电一块的领先地位，因此本文将评估基准日定为2022 年12 月31 日，选取2018-2022 年的财报数据作为基础数据，将数据资产的收益期设置为2023-2027年。

1.自由现金流量预测。本文以2018-2022 年为预测基础，对2023-2027年美的财务数据进行预测，数据来源为WIND数据库以及Choice数据库。

目前家电行业已经过了高速增长期，因此预计未来收入将保持中低增速增长，本文假设2023-2027 年收入增长将按2018-2022 年收入增速均值5%增长。营业成本、营业税金及附加、销售费用、管理费用、财务费用占收入的比例的假设分别按过去五年均值74%、0.55%、10.27%、3.79%和0.15%进行假设，计算得到2023-2027 年的EBIT 分别为408.12 亿元、428.52 亿元、450.00 亿元、472.45 亿元和492.07亿元，其数值保持稳定增长。

美的集团属于高新技术企业，过去五年所得税率一直维持在15%左右，本文假设未来5年继续按照此比例，资本性支出占收入的比例为过去五年均值1.74%，营运资金增加额为过去五年均值80774万元，固定资产折旧额占收入比重为1.98%，长期待摊费用摊销占收入比例为0.43%，以上比例均为过去五年均值进行假设。计算得到2023-2027 年自由现金流量从363.07亿元增长至443.06亿元，具体数据如表2所示。

表2 美的集团2023-2027年自由现金流量预测单位：万元

2.各资产贡献值预测。

（1）流动资产贡献值预测。本文假设流动资产占总资产比为过去五年均值的67%，总资产增加额占收入的比例为12%，可计算得到未来5年的流动资产增加额、期末流动资产和平均流动资产余额。流动资产回报率按一年期银行贷款利率基准利率假设，即4.35%，通过美的集团财务报表的披露，预测其2023-2027年流动资产的收益值如表3所示。

（2）固定资产贡献值预测。根据美的集团过去五年的财务报告数据，假设固定资产折旧/固定资产的比例为24%，资本性支出的比例为收入的1.74%，以上比例均为过去五年均值，可计算得到期末固定资产额和平均余额。回报率按5 年及以上期银行贷款基准利率4.9%进行假设，可计算出投资回报额，在此基础上同时加折旧金额，可计算得到固定资产的贡献值，在表4 中列示了2023 年至2027 年美的集团固定资产的计算所需账面信息，由此可以计算出预期五年之内固定资产的贡献值。

表4 美的集团2023-2027年固定资产贡献值预测

（3）无形资产贡献值预测。假设无形资产摊销占无形资产比例为3.6%，无形资本开支为资本性开支的18.81%，以上比例均为过去五年均值，可计算得到未来五年的期末无形资产和平均余额，回报率按5 年及以上期银行贷款基准利率4.9%进行假设，计算得到美的集团2023 年至2027 年无形资产的投资回报和贡献值如表5所示。

表5 美的集团2023-2027年无形资产贡献值预测

（4）人力资本贡献值预测。对于表外无形资产，除了本文研究的数据资产以外，只考虑人力资本一项。综合考虑美的集团对应付职工薪酬的投入，人力资本占收入的比例按2.23%进行假设，回报率按马宁和王选华（2017）通过构造经济增长中人才贡献率的模型计算得到的贡献24.49%计算，由此得到美的集团2023年至2027年的人力资本贡献值如表6所示。

表6 美的集团2023-2027年人力资本贡献值预测

3.折现率。本文选择格力电器、海信家电和海尔智家作为对比企业，在计算未来5 年企业的WACC 时，假设无风险利率按2022 年年底的十年期国债收益率2.83%进行计算，风险报酬率按上证指数过去30 年年化收益率8.99%计算假设，β 按WIND数据库得到的过去五年的历史值进行假设，可以计算得到历年的股权资本成本。债务资本成本按5 年及以上银行贷款基准利率4.9%的税后利率4.17%进行计算，根据过去五年各企业的历史权益比率和债务比率进行假设，可计算得到各家企业的WACC值如表7所示。

表7 美的集团和同业WACC计算及比较

根据上述计算得到的同业WACC值，假设三家企业的流动资产比例、固定资产比例和无形资产比例为过去五年均值，流动资产回归率和固定资产回报率按4.35%和4.9%进行计算，可计算得到三家企业的无形资产回报率的均值为4.56%，具体数值如表8所示。

表8 同业无形资产回报率计算

根据计算得到的同业无形资产回报率在表9中列示，根据数据资产公式计算得到美的集团最终的数据资产回报率为5.02%，同比高于无形资产回报率均值4.56%，这也反映了数据资产安全风险高于其他无形资产的特性。

表9 美的集团数据资产回报率预测

4.数据资产价值评估结果。由上述所得的数据，表10综合美的集团自由现金流量、各项资产贡献值，计算得到2023-2027年美的集团的数据资产超额收益，通过5.02%的折现率计算得到现值，最终评估得到美的集团数据资产评估价值为584.2亿元。从表格可以发现，美的集团数据资产的超额收益大体呈现上升趋势，这与数据资产本身所具有的价值易变性有关，数据资产存在多次利用产生新价值的可能，因此超额收益有别于其他资产逐年递减的特征，存在上下波动的可能。

表10 美的集团数据资产价值评估结果

五、结论

数字经济时代，数据资产越发体现它的价值所在，为各行各业所重视。本文综合考虑到数据资产的时效性、价值易变性、资产界限不清晰等特征，基于多期超额收益模型，以此逆向倒挤出数据资产的价值。随后，运用该模型对企业进行数据资产的评估，并验证了模型可行性。在本文研究过程中，对数据资产可复制性、附着性等特征所造成的价值变动考虑存在局限，在未来研究中，将充分考虑数据资产的其他特征，改善多期超额收益模型，使其能够更加精确地反应数据资产的价值。