创新数据资产估值体系激发数据价值内生动力

数字经济时代，数据要素到数据资产的升级，为银行构筑自身数字化能力提供了机遇。数据资产价值评估是保障数据要素有序流通与价值挖掘的重要抓手，对推动数据要素市场化配置和数字经济高质量发展具有重要意义。本文对数据资产估值方法进行创新设计，并将其运用于银行数据资产的估值实践。

数字经济时代，数据正成为驱动社会经济发展的新型生产要素，数据资产化呈现快速发展趋势。根据国际数据公司（IDC）测算，2025年全球数据量将达到180ZB（泽字节），预估将是2020年数据总量的两倍多。全球数据量迅速增加，为经济增长提供强大的创新动能。面对数字经济变革机遇，各个国家竞相制定数字经济发展战略，开启大数据产业发展新赛道，抢占竞争制高点。近年来，围绕经济发展的数字化转型，我国进行了一系列的改革实践，推动经济发展的数字化進程不断走深走实。

数据资源向数据资产转化，直面价值评估新挑战

数据要素时代已来

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》，将数据确立为继土地、资本、劳动力及技术之后的第五大生产要素，明确要用市场化配置来激活数据要素价值。依照“十四五”规划政策指引，大数据正逐步融入经济发展的各个领域，数据基础制度体系加快形成。2023年2月，《数字中国建设整体布局规划》明确了数字中国建设的整体路径，指出数据要素快速融入生产、分配、流通、消费和社会服务管理等各个环节。同年8月，财政部印发《企业数据资源相关会计处理暂行规定》，将数据资源纳入会计报表核算，并对数据资产评估提出了披露要求，开启了数据资产化新纪元。

商业银行数字化转型已进“深水区”

银行业具有天然的数字基因，属于数据密集型行业。经过多年耕耘，商业银行线上化、智能化、智慧化建设已实现快速发展，银行数字化转型逐步进入“深水区”。各家银行在移动端的频频发力可直观地说明问题，截至2023年8月，18家全国性商业银行的个人手机银行版本均值达到7.6，成为满足客户需求、打造自身品牌的重要依托。拥有在“深水区”自我提升的数字化能力，就意味着更广阔的发展前景。数据要素到数据资产的升级，为银行构筑自身数字化能力提供了千载难逢的机遇。依托数据资产价值评估，构建数据资产价值运营体系，提升数据资产运营质量和效率，通过将数字能力转化为价值创造能力，激发数据要素核心竞争力。

数据资产化难题待解

2022年，我国数字经济规模超过50万亿元，占国内生产总值的比重为41.5%，已成为驱动经济增长的重要引擎，数据要素市场化建设加速推进。无论是在国家层面还是在企业层面，数据资源的重要性都不言而喻，尤其对金融机构而言，大数据的挖掘和应用直接驱动着新商品形态、新价值体系、新交易生态的形成。然而，数据流通不畅通问题制约着数据要素价值潜能的充分发挥，关键症结之一在于缺乏系统高效、标准统一的数据资产估值与定价方法。推进数据资产的估值计量，加速数据交易流通，成为数据价值释放的进阶之基。但数据资产估值、入表核算处理及数据资产交易是需要持续探索的难题，从创新中寻求最优解，成为推动数据资产化的重要议题。

创新数据资产评估思路，破解数据资产化难题

数据资产的定义

清晰界定数据资产概念是数据资产估值的前提。将数据确认为资产，首先需要满足“资产”的定义。企业会计准则将“资产”定义为“由企业过去交易或事项形成，为企业拥有或控制的，预期会给企业带来经济利益的资源”。因此，数据资产在确认过程中，需要满足资产概念的三要素。基于会计资产的定义和数据资产的特有属性，本文将数据资产定义为：由企业过去的交易或事项形成，为企业合法拥有所有权、使用权或者经营权，预期会给企业带来经济利益，并可进行确认和计量的数据资源。

数据资产的特征

数据资产具有不同于传统资产的一些特征，兼具有形资产和无形资产的属性。由于数据资产的特殊性，需要充分认识其特点，才能准确地对其进行估值。一是业务附着性。从数据的来源及应用来看，数据资产的价值发挥依赖于业务关系，因此在估值过程中，需要对数据资产进行追根溯源，还原该数据源于什么业务、用于什么业务，以此来适配不同数据资产类型的计量算法。二是多次衍生性。同一数据主体可以被多层次多维度加工，衍生出不同场景的数据产品，丰富数据资产价值体系，当同一数据主体的应用场景越多时，其发挥的价值越高。三是零成本复制性。数据资产成本主要发生在前期数据获取、数据产品和数据系统开发阶段，而其复制的边际成本趋于零，不能重复计量其投入成本。四是介质依托性。数据资产不能独立存在，需要依托于介质进行存储和加工，在评估数据资产的投入成本时，需要考虑数据资产所依托的介质成本。五是价值易变性。由于信息技术发展、相关政策变化、应用场景丰富等因素影响，数据资产价值可能会产生大幅波动，因此，需要合理界定数据资产的收益期限及折现率。

数据资产的分类

依据数据资产全生命周期价值实现方式及管理需求，构建数据资产价值评估分类框架。将数据资产划分为获取类、传输及存储类、管理类和应用类四大类型进行估值，同类型的数据资产通常具有类似的价值实现方式。其中，获取类数据资产可根据数据来源，划分为内部采集类和外部获取类两大估值对象；传输与存储类数据资产主要处于获取类和管理类数据资产之间的过渡阶段，伴随数据规模快速扩张，数据传输和存储成本成为数据资产价值的重要组成部分；管理类数据资产以前两类为基础，通过数据汇总、挖掘等加工方式得到统计数据或数据产品，以支持企业营运或管理决策；应用类数据资产主要指在业务开展环节，直接赋能业务产生收益的数据资产。该类数据资产与业务收益的匹配性较强，根据业务价值的实现方式，划分到不同业务领域和应用场景进行估值。

数据资产估值方法创新设计

数据资产估值设计上，根据数据资产的价值构成逻辑，将数据资产估值从“投入价值”和“业务价值”两方面展开。投入价值反映企业对数据资产的投入积淀，业务价值反映数据资产的经济效益，两者构成数据资产总价值，如图1所示，这种估值方法，有助于分类计量成本和效益，优化数据资源配置。在企业运营过程中，形成的数据资产能够对外公允交易时，可进一步评估数据资产的外部价值，且真实外部价值需要计入数据资产总价值。但目前数据要素市场尚不成熟，市场法估值缺少可参考的公允对价。因此，可将订单管理模式创新应用于数据资产价值评估，依据数据资源的调用情况，评估数据资产的“潜在外部价值”，即哪类数据调用量大，哪类数据资产的价值就越大，有助于树立数据资源的应用价值导向，提升数据共享成效。

数据资产估值方法上，对传统成本法进行分解，以改良的成本法评估投入价值，以收益法评估业务价值，代替收益率的测算，以解决不同方法联用导致的重复估值问题，同时增强评估结果的准确性，如图2所示。

采用改良的成本法对数据资产的“投入价值”进行评估。以数据资产投入成本为基础，通过成本重置系数、数据效用综合系数对数据资产价值进行修正，反映数据资产全生命周期中的获取、存储、加工、管理及应用的相关成本投入。特别说明的是，考虑到数据资产赋能业务产生的增量价值会在收益法估值中体现，为避免数据资产价值的重复估算，需要对传统的成本法估值公式进行修正，在成本法中剔除收益率因素。

采用收益法对数据资产的“业务价值”进行评估。应用类数据资产的业务价值实现主要通过业务算法模型，因此通过算法模型支撑业务开展的增量收益折现，估算数据资产的业务价值。业务模型产生的增量收益包含支持客户营销、客户运营、风险管理等业务产生的收入增加、损失减少及成本支出减少。将应用类数据资产按照业务领域进行划分，兼顾不同业务决策与业务价值关联，定位价值产生来源，以合理设计估值的底层指标体系。该方法对价值不确定性较高的数据资产具有较强的适用性，所涉及的估值参数主要包括数据资产收益、匹配的折现率、合理的收益期。

采用订单法对数据资产的“潜在外部价值”进行评估。银行业作为数据密集型行业，数据的高效供给是洞察业务先机、敏捷响应客户需求的基础支撑，也是数字化能力建设的重要保障。将企业部门之间数据供给采用订单法管理，后台数据部门将前台业务部门作为客户，依据业务部门提出的数据需求进行数据供给。以部门之间的数据订单传递价值流、服务流、信息流，提高部门之间数据供给的质量与效率，增强部门间的敏捷协同。因此，吸收借鉴市场法估值模式，充分反映企业内部业务部门对数据资源的调用需求，以订单法对数据资产潜在的外部价值进行评估。通过参考同类型数据资产的行业代加工对价和订单量进行价值估算。

恒丰银行的估值实践

基于构建的估值体系，对恒丰银行数据资产进行了估值实践。经测算，恒丰银行数据资产总价值221亿元，其中从2019年末股改建账后，对数据资产的投入价值52亿元，业务价值169亿元。其中，业务价值是数据资产价值的主要部分，数据在赋能业务创新发展时，才能更好地释放价值。

探索数据资产价值运营，助力数据要素市场建设

数据资产价值评估是保障数据要素有序流通与价值挖掘的重要抓手，对推动数据要素市场化配置和数字经济高质量发展具有重要意义。商业银行依托数据资产估值实践，一方面可加速数据资产定价机制统一标准建设，搭建与外部数据市场衔接基础；另一方面围绕数据资产评估，可打造“数据资产管理中心、数据价值运营中枢、数据市场交易中介”，探索数字化价值创造新模式，培育出穿越经济周期的核心实力。

夯实数据资产运维基础

数据作为战略性资产，其管理重要性不言而喻，有效的数据管理是数据资产发挥价值的前提和基础。明确数据资产管理路径，基于数据资产评估构建衡量数据资产价值标准，实现有价值数据的及时沉淀，推动数据资产全面盘点与高效管理。

一是强化数据资产盘点治理。对于银行业而言，数据资产领域的探索首先应摸清家底。一方面，加强数据源头管控，按照统一规范深度融合内外部数据，为企业级数据治理、数据要素配置奠定统一底座；另一方面，建立企业级数据治理架构，结合具体业务场景，对所辖数据进行“定义—建账—确责—打标—质检—治理”全链条的数据资产盘点管理，为挖掘数据要素潜能、推动数据资源资产化夯实基础。

二是推进数据资产估值体系持续优化。对数据资产进行清查识别、评定估算，可以为建设数据资产运营体系提供信息支撑。数据资产价值评估不能脱离信息层面和价值层面的计量属性，并将数据资产业务价值评估与应用场景密切结合，剔除不能给企业带来效益的无效数据。对数据资产开展持续评估，根据实践过程中呈现的问题，不断优化数据资产估值体系建设。

三是健全数据资产入表制度保障。围绕数据资产评估核算的全过程，重点从数据资产“确认—评估—计量—披露”四个环节，推出会计核算的制度安排。厘清数据资产确认的条件和方式，划定数据资产核算边界，完善数据资产价值评估方式，统一估值参数、底层指标计量标准。

强化数据资产价值运营

数字化是企业获取持续竞争力的重要推动力和创新增长点，需要持续推进数字化转型，推动数据资产运营体系的建设落地。通过数据资产业务运营、数据资产高效经营、数据资产价值推广，展现数据资产价值实力，提升数字化核心竞争力。

一是打造以“价值创造”为中心的数据资产运营。以数据资产价值评估为基础，打造商业银行以价值为中心的数据资产内部运营体系。通过开展数据资产运营分析报告、打造数据资产运营大屏、评价数据资产建设成效等多种方式，对数据资产价值进行持续监控，输出数据资产运营建议，促进数据资产的业务赋能效应。

二是打造以“订单管理”为策略的数据资产经营。内外部数据的高效供给是敏态业务的基础。为此，将企业部门之间数据供给采用订单法管理，后台数据部门将前台业务部门作为客户，依据业务部门提出的数据需求进行数据供给，切实做到“管好数”“服好务”。

三是打造以“数字银行”为核心的数据资产价值推广。财政部2023年8月公布了《企业数据资源相关会计处理暂行规定》，将数据资源纳入会计报表核算，并对数据资产评估提出了披露要求。随着數据要素核心竞争力的日益凸显，及时推进数据要素资本化入表核算，将有助于使数据资产价值积淀最大化。

探索数据资产类业务创新模式

商业银行的本职功能是服务实体经济发展，在现有信息中介、支付中介、金融服务功能的基础上，开发商业银行“数据中介”潜能，积极探索以数据商或第三方专业服务机构参与数据要素市场建设，以强大的数据搜集能力、数据处理能力、风险管控能力、数字技术能力，助力打造合规高效、安全有序的数据交易生态。

一是搭建数据供需交易桥梁。以数据商参与数据要素市场生态建设，发挥数据商交易中介作用，促进数据供需匹配和数据产品的标准化处理。一方面，基于数据资产评估协助解决数据要素市场信息不对称的问题，促进双方协商达成交易；另一方面，为数据源提供方、数据产品提供方提供数据产品的上架保荐、发行报价，辅助推动数据产品进入市场流通交易。

二是强化数据交易合规安全。数据要素流通不仅易产生安全问题，而且涉及多重利益相关者。数据合规安全是数据流通的基础，以商业银行为试点，推动数据流通的风险防控机制建设，探索建立面向金融数据交易标的、市场主体、交易过程的合规制度和安全管控评估机制。

三是促进产业数字化升级建设。由于商业银行已形成了清晰的数字化转型实施路径和发展模式，可充分发挥其数字化优势，利用服务企业的便捷渠道，协助数据生产者实施内部数据治理，将原始、分散、碎片化的数据加工转化为高质量、有价值、权属界定清晰的数据资产，为数据交易市场参与主体提供数据资产化服务。

（辛树人为恒丰银行党委书记、董事长。本文编辑/孙世选）