互联网信息服务平台数据资产评估方法——基于盈利模式差异的视角

王娟娟，金小雪

（中南财经政法大学工商管理学院，湖北武汉 430073）

数字经济时代，通过机器学习算法和人工智能对大数据承载的信息进行深入分析已经成为经济发展的新动力。自2014 年“大数据”首次被写入我国政府工作报告，我国不断出台相关政策。党的十九届四中全会发布的《中共中央关于坚持和完善中国特色社会主义制度、推进国家治理体系和治理能力现代化若干重大问题的决定》将数据确认为除土地、劳动、资本、技术以外的第五大生产要素。党的二十大报告强调加快建设网络强国和数字中国，2022 年12 月出台的“数据二十条”更是为我国数据要素市场的发展指明了方向。“数据资源化”“数据资产化”“数据资本化”等相关概念不断涌现，其中数据资产化是以数据资源化为基础，强调数据的权属与其可为使用者带来利益的经济属性，而数据资本化则包括数据信贷融资和数据证券化，资本化有利于推动数据要素在资本市场上流动。作为生产力的重要组成部分，数据资产对其他要素资源具有乘数作用，因此对数据资产进行价值分析也就显得尤为重要。

1 文献综述

数据是企业的信息资源，企业自行生产的数据属于企业的技术型无形资产，经过系统的处理，数据可以储存在现实或虚拟空间里，具有使用价值［1］。数据对于互联网平台企业的价值不仅仅是为其提供经济租金，也能对其他资产具有反向催化作用。Doorn 等［2］认为数据可以优化平台企业的软件算法，使企业能够吸引更多的投资资本。从市场参与者视角来看，互联网平台用户通过自身行为产生的大量数据为其他用户和企业决策提供参考价值。例如，政府通过收集大量数据，以此提高公共服务水平，促进公共服务均等化，节省政策执行和公共服务的资金和资源［3］。王建伯［4］、Zhao 等［5］认为，数据本身不等于资产，原始数据并不产生效益，只有在进行加工处理、挖掘数据价值并确立权属数据后其才拥有作为资产的属性。在数据资产的定义中，首先强调的是主体对数据的控制权和数据作为资产本身存在的合法性，其次是数据在具体应用场景下的盈利能力［6］。

数据资产与无形资产相似，具有非实体性和依托性，但数据资产具有可加工性、价值易变性。从经济学角度看，如Uddin 等［7］、周芹等［8］、徐漪等［9］、李永红等［10］、李春秋等［11］、熊巧琴等［12］的研究表明，大数据具有业务附着性、可复制性、真实性、非竞争性，数据资产的边际数据成本递减，边际报酬递增，其建设周期不确定、成本难以预测、市场价值随数据规模非线性增长，数据资产的价值不仅与其应用场景相关，还与使用者的异质性密切相关。数据资产具有明显的行业标签，其盈利模式和变现方式也有较大区别。鉴于此，曹源等［13］将电力行业数据资产的价值分为企业内部价值（企业管理和电网运行）和外部价值（客户和社会生态效益）；王涵等［14］指出能源大数据中心数据资产增值变现模式主要包括服务付费模式、数据产品模式以及智库模式；彭歆北［15］提出互联网行业盈利模式的影响因素主要是企业核心竞争力、企业业务组合和业务实现模式。

传统的三大评估路径中，利用成本法评估数据资产具有一定的限制，因为其成本难以区分，贬值因素难以客观测算［16］。随着数据挖掘技术的进步，数据资产的价值在不断增加，数据资产边际收益递增不符合成本法随时间推移资产贬值的特点，因此在数据资产评估中不采用成本法［17］。由于我国尚未形成成熟的数据交易市场，也不满足市场法的评估前提，且大数据交易模式难以规范化且按交易金额收费易导致数据资产高估，私下交易会导致信息不透明，因而市场法也不适用。收益法被认为是数据资产评估最有效的方法，因为数据资产的价值在未来会发生巨大的升值或贬值。但也有学者认为数据资产的收益难以进行可靠计量，具体收益与其使用场景相关，超额收益难以剥离［18］。大量学者都通过改进传统评估方法以实现对数据资产的评估，如石艾鑫等［19］从数据资产构成的3 个因素进行收集、处理、维护，构建数据资产价值评估模型；刘琦等［20］基于市场法在平台用户数、点击量、不同场景的收益和成本、数据资产对外出售等方面讨论数据资产的超额收益和风险；黄乐等［21］引入平台活跃系数、李永红等［10］应用灰色关联法对市场法评估路径进行改进；由于数据资产一旦在生产经营中发挥作用，能为企业带来经济利益流入或是成本的节约，故数据资产具有经济价值，基于此，翟丽丽等［22］运用密切值法分析联盟企业的重要度，利用改进的B-S模型确定联盟数据资产的价值；陈志注等［23］利用两种大数据拍卖模型——Vickrey 拍卖模型和序贯拍卖模型评估数据资产的价值；李秉祥等［24］利用B-S模型评估数据资产价值，指出实物期权法的优点在于考虑了数据资产价值的不确定性、多维使用特点、业务附着性、动态性；在评估浙江某贸易公司的线上贸易业务时，林飞腾［25］采用了成本法来估算数据资产的价值，并考虑了数据资产的安全性、准确性和完整性等因素；高华等［26］在对北京某网约车公司进行数据资产评估时，对有交易场景的数据资产用收益法进行评估；崔叶等［27］运用收益法对顺丰公司物流业务的数据资产进行估值；孙晓璇等［28］将模糊数学模型用于市场法的参数修正，以评估2011—2019 年昆明市气象数据价值；袁林昊等［29］对DEVA 模型中活跃用户数、黏度系数和用户变动率等参数进行修正，再结合层次分析法计算出数据资产的分成率后求得新浪微博数据资产价值；左文进等［30］将市场法、收益法结合Shapley 模型和破产分配法，将数据资产分解估价，这种方法通常用于传统评估方法不适用的情景，使用该方法的前提是要确定整体数据资产价值；陈徽因等［31］从用户类型的角度切入，将数据资产评估方法按照不同的使用人群分为基于数据生产者、数据使用者和数据中心3 类，建议采用决策导向法、科研数据保护法等评估方法。

在理论上，国内学者对于数据资产的定义及其特点都有较为全面的理解，但对于不同盈利模式数据资产的估值与定价的研究仍存在以下不足：不同盈利模式的数据资产价值来源、影响因素、实现路径均存在差异。目前相关研究主要是从权属、影响因素、特征等对数据进行估值，但数据资产价值的影响因素不仅与具体的应用场景相关，与数据本身的质量、变现能力以及数据的稳定性都有密切关系，其影响因素更为广泛。因此，本研究对不同盈利模式的互联网信息服务企业的数据资产进行评估，并选择互联网信息服务行业具有代表性的企业为案例进行研究，尝试构建一套合理有效的数据资产价值评估模型。

2 数据资产价值评估基础模型构建

2.1 数据资产价值影响因素

数据资产密集型企业在进行价值评估时应对其所拥有的数据资产属性、盈利能力进行分析。资产属性包括权属状态、容量、颗粒度等因素；盈利能力分析则是对数据在价值实现过程中产生现金流的稳定性、持续性、抗风险能力以及特有风险进行分析。数据资产价值的影响因素可以从三方面考虑。首先，数据资产的成本包括数据搜集、管理、应用的成本［32］；其次是数据资产的固有价值，也就是数据资产的实物特征、法律限制和财务特征，主要表现为数据质量、数据活性、数据规模、数据安全；再次，数据资产的价值与数据的应用场景密切相关，因此在衡量数据资产价值时应考虑数据资产的应用价值［33］。

数据容量、密度、颗粒度等都影响数据的价值，容量越大、所反映的信息越多，颗粒度越细，其密度越大价值越高。数据发展阶段可以分为非结构化、半结构化和结构化。数学计算推动数据规律的挖掘，互联网打破了数据传输的壁垒，为数据交流提供新的媒介；云计算的出现提升了数据处理的效率；人工智能增加了数据处理的方法。数据具有多维度的特性，随着经济的不断发展，数据之间的联系也愈加密切。数据多维度的比较不仅会增强数据联系、产生新的数据，还提高了数据的价值。数据的表现形式多样，不同表现形式突出的重点不同，其价值不仅包含数据的搜集，还包含着人类智慧劳动。数据资产具有可加工性，数据资产并非一成不变的，而是具有活性，具体表现在数据的更新、补充、删除、合并，也可以被分析、提炼、挖掘、加工。

数据资产价值实现也会存在一定的风险，主要包括法律风险、以资产证券化为目的进行数据产品结构设计所带来的风险以及道德风险。数据资产的法律风险体现在法律法规的变动，数据权属不清陷入法律纠纷带来数据资产确权的问题而无法产生现金流的风险；产品结构设计风险主要包括无法实现破产隔离的风险、证券发行后信息披露不完善的风险以及交易结构的风险；道德风险存在于数据资产证券化全部参与主体中，发起人道德风险主要包括企业得到融资后随意处置数据资产导致数据资产贬值的风险，中介机构的道德风险主要存在于评估机构、评级机构和管理机构，其中包括评估机构未勤勉尽责对数据资产的权属状态、收益能力进行分析导致价值高估的风险，评级机构由于技术限制、信息缺失等原因造成的与评级不匹配的风险。

2.2 数据资产价值评估基本思路

由于数据资产的依托性和场景多样性，数据需在具体业务板块中发挥作用。首先应对数据中所在业务板块的收益情况与成本构成进行分析，考虑数据资产价值的影响因素。其次，通过层次分析法得到数据资产的分成率，以此反映数据资产的重要程度。由于本研究以资产证券化为评估目的，在评估方法中参数的选择上增加资产证券化风险系数，计算形式如下：

式（1）中：V代表被评估数据资产的价值；Ve代表数据资产所在业务板块的价值；α代表该板块中数据资产的分成率；δ代表资产证券化风险修正系数。

2.3 不同盈利模式下数据资产价值评估模型改进

盈利模式是对资产实现收入和形成成本的分析。数据资产的盈利模式可以根据数据的流通方式分为企业内部数据的流通、企业间数据的流通和行业间数据的流通3 种，3 种流通方式形成了3 种盈利模式。

2.3.1 广告推荐模式下评估模型优化

广告推荐模式下数据在企业内部流通，由企业进行搜集或是将其历史经营资料作为原始数据，通过数据清洗应用于企业的具体业务中，以降低业务成本、提升经营效率。企业内部数据流转最为典型的就是营销企业以其拥有和搜集的数据信息构建内部营销数据库，实现精准营销、提升企业价值。数据容量、密度的提升都有利于业务收入增加。基于广告推荐模式下数据资产盈利的特点，企业可通过供应链模式实现数据资产的价值，以供应链中规模较大的企业为核心企业，核心企业以数据资产担保通过赊销的方式取得商品或服务，上游企业委托保理机构对其应收债权提供保理服务，并将债权转让给保理机构。广告推荐模式下数据资产的特点主要表现在数据的来源、数据的应用场景和数据的流通3 个方面。首先，数据的来源多样化，可以通过企业外部购买，也可以在企业经营过程中收集数据。企业的原始数据具有较强的个性特征，数据本身颗粒度细、数据量大，呈现出非结构化的特征，企业需要对数据进行清洗、整合、分析后才能形成数据产品为客户提供服务。其次，数据在产生初期就有较强的应用场景，企业使用数据资产的基础在于数据的安全性、合规性和挖掘数据价值的能力。最后，广告推荐模式下数据资产在企业内部流转，因原始数据涉及个人信息、企业行为、商业秘密等敏感资料，数据具有保密性，法律法规对数据的搜集和管理有明确的限制，企业不能交易原始数据，只拥有对处理后衍生数据的使用权，数据流通需要考虑法律合规性。

广告推荐模式下数据资产应用场景具有针对性。在企业的经营活动中已经形成相对成熟的盈利模式，数据盈利能力强的，适用于采用收益法进行评估，不适用成本法是因为该类数据的收益产生于企业的复杂生产经营中，成本难以区分单独衡量。首先，数据的来源多样化，数据并不全是外购获得，企业提供的服务是在原始数据基础上融合了企业的智慧和人力劳动，成本难以分配；其次，营销数据支撑业务具有隐私性，企业在数据交易所购买的数据资产并不构成最终数据服务的全部价值，故不采用成本法对广告推荐模式下数据资产进行评估。

广告推荐模式下评估参数的改进集中在折现率的选取方面。在收益法中，折现率是资产收益能力的表现，也是数据资产盈利风险的体现。本研究以无风险利率和风险利率相结合作为数据资产的折现率，将评估基准日10 年期国债的利率作为无风险利率，引入NS 模型对证券的基准利率进行测算，得到证券1 年～5 年的基准利率作为资产折现率的计算基础。在风险利率计算中，广告推荐模式下数据是在企业内部流通发挥效用，故折现率的选取应体现企业内部的风险和行业风险。选用β系数体现企业相对于整体市场的波动情况，计算市场的期望报酬率，将期望报酬率与无风险利率的差额作为市场风险溢价，β系数与市场风险溢价的乘积体现企业的股权风险溢价。考虑数据资产作为新的生产要素，其经济效率具有波动性，故在折现率的计算中加入系数ε作为数据资产的特有风险，体现数据资产价值波动性。由此可得，数据的折现率由基准利率、股权风险溢价和资产特有风险三部分构成。具体表达形式如下：

式（2）中：ri为数据资产资本化率或折现率；rft为基准利率；rm为预期市场回报率；β为资产的系统风险；ε为数据资产特有风险。

2.3.2 服务付费模式下评估模型优化

服务付费模式下，数据在垂直行业流转，因而该类数据具有明显的行业特点，一般由行业内拥有大量数据资产的头部企业对产业链的数据进行收集、整合，为全产业链的企业提供数据服务。这类数据与行业关系紧密，将原始数据应用于交易中能够产生新的数据，且新数据应用场景与元数据的应用场景相同。在这一模式下，数据促进交易的达成并形成新的数据对原有数据进行补充和更新。只有行业中的龙头企业才有资源和能力收集大量的产业数据，并以收费的方式为产业链中的其他企业提供数据服务；另一方面，交易的开展又扩充了数据的来源。

基于服务付费模式的特点，该类数据资产可通过融资租赁模式来实现价值。融资租赁模式是以融资租赁企业作为特殊目的机构，数据拥有者将其持有的数据资产转让给融资租赁公司，融资租赁公司一次性支付数据资产的价款，实现资产的出售，融资租赁公司再将数据回租给企业，企业定期支付租金。该模式下基础资产是应收债权，融资租赁有利于企业盘活数据资产，解决企业的融资难题，并且企业既可以转让数据资产的所有权，也可以以独占式使用权、收取许可费用的方式保留数据资产的所有权进行融资。

服务付费模式下数据资产的主要特点包括：第一，被评估数据的专业化程度高，具有明显的行业特征，数据产品具有权威性，可用于全行业的生产经营，具有极强的基础客群；第二，数据供应商多为行业龙头企业，企业拥有完整的数据搜集体系，数据系统前期投入大，对数据的完整性、及时性要求高，数据体量大，进入门槛较高；第三，数据在行业内流转，为全产业链的企业服务，覆盖产业中各个环节，数据顺着产业链的方向流转，推动交易达成，在交易的基础上形成新的数据、不断增值；第四，数据的应用场景多样化，数据产品标准化，在未来可应用于多种场景，数据具有极强的增值能力，体现在数据达到一定体量后可通过编制出新的指数或者通过运算、机器学习等科技手段实现对风险的预测。

服务付费模式下采用DEVA 法对数据资产价值进行评估的原因有两方面：一是该模式下数据的价值和数据使用者的数量密切相关，数据服务商以免费的形式提供部分基础数据吸引客群，但是对于数据的增值服务收费，用户订阅服务是数据价值变现的主要方式，活跃用户为企业的潜在用户；二是企业的成本投入方面，数据库建设前期投入成本大，在形成规模效应前数据资产都无法给企业带来利润，但数据资产的价值并不会因此而降低，且DEVA 法评估数据资产考虑了市场需求的变化和竞争因素，其评估结果相对客观。

服务付费模式下数据资产价值评估参数的改进集中在付费渗透率的计算上，不同数据端口的付费比具有差异性，即用户的付费渗透率应为多端口的综合付费率。按照数据端口的差异性可将数据服务付费分为网页端、移动端和数据终端3 类。基于垂直行业数据流通的特性，该类数据的主要客群包括行业全产业链主体，以及政府、高校、调研组织等研究机构，数据资产以部分收费的方式变现。企业提供基础的免费数据，以增加注册用户数量、增强客户黏性，对核心关键数据服务则采用收费的方式，提升数据的垄断性，增强创新数据资产的变现能力。免费数据为付费服务引流，付费服务提升免费数据的价值，故在付费渗透率的计算上应纳入网页端、移动端和数据终端的付费渗透率，以收入占比为权重，加权计算数据的综合付费渗透率。改进后的数据资产价值评估表达形式如下所示：

式（3）（4）中：C为单位用户初始投入成本；K为付费渗透率；ARPU 为单位用户贡献；AU 为活跃用户数；α为数据资产分成率；β1为网页端收入占整体收入比例；β2为移动端收入占整体收入比例；β3为数据终端收入占整体收入比例；K1、K2、K3分别为网页端、移动端和数据终端的付费渗透率。

DEVA 模型适用于平台型企业价值评估。在该类企业中，用户数量是企业价值驱动的核心因素，用户数量的增长是企业收入增长的主要影响因素，首先对企业的人均初始投入成本进行测量，对企业活跃用户数量和单位用户贡献值进行计算。由于数据资产多维性的特点，评估数据资产时并不是以单个数据集为评估对象，而是先确定数据的使用场景，在具体业务中对数据的价值进行评估。

2.3.3 数据产品模式下评估模型优化

数据产品模式下数据在行业间流转，不同行业的数据密集型企业联合基于其数据优势构建数据中心，提供标准化的数据产品。该模式下数据产生的社会效益远大于经济效益，数据价值更多体现在反映行业的经营状况，为行业监管提供监测服务，以数据驱动行业结构升级。数据中心的产品功能具有趋同性，其数据来源于不同行业，也服务于不同行业，但在产品功能上都是通过反映行业热点、构建行业指数为政府和企业提供服务。数据产品模式下数据资产的特点主要体现为：一是数据的属性上，数据体量大但数据分析较少，现阶段多为反映市场现状的数据，且数据产品为标准化产品，属于有利于行业发展类的数据；二是在数据的公共性上，在数据产品的行业上具有差异性，但在数据的种类和处理方式上具有相通性。多行业联合的模式限定了该类数据只能由具有综合性质的信息服务企业提供。数据兼具经济价值和社会价值，该类数据向政府和行业内企业开放，有利于政府对行业进行监管，提升其社会治理能力，企业可依据行业宏观数据制定未来发展战略。

数据产品模式下的数据资产的评估，根据数据平台的成本构成将各项成本分配到数据产品中。虽然数据资产的成本与价值具有弱对应性，但对研发初期应用场景不明确的数据资产采用成本法进行评估能够补偿企业数据产品的构建成本，体现数据产品的盈利能力。从卖方视角衡量数据的最低价值，通过数据的乘数效应体现数据给买方带来的增值，考虑多场景应用条件下数据中心各类数据产品的联合效应，体现数据资产的价值。基于此种盈利模式分析可以发现，其核心特点在于多行业联合构建数据中心来提供标准化的数据产品。只有与政府机构和社会管理机构合作密切的数据密集型企业，才有实力联合多行业的企业提供数据服务，构建数据管理平台。在数据产品模式下，数据资产的社会经济价值不仅在于数据资产的必要投资回报和场景应用乘数，还包括数据联合产生的价值，参数的变动集中在多个数据平台的协同效应对数据资产价值的影响，其表达形式如下所示：

式（5）中：C1为开发成本；C2为运营成本；r为数据资产的投资回报率；γ为场景应用乘数；ε为协同效应增长率。

在数据产品模式下，对成本模型的改进体现在社会经济效益的计算上，经济效益在体现资产风险的同时考虑数据资产给行业未来发展带来的规范效应。从社会效应角度，数据中心的标准化产品并没有垂直行业数据中心产品的颗粒度细，在产品功能细分上与垂直行业数据平台的侧重点也有区别，横向数据中心的发展关注各行业的整体运行情况，突出行业的热点，其监测和挖掘的功能较强，更多反映行业的发展状况，为政府和企业提供行业数据。从经济效益角度，数据产品模式下数据中心包含多行业数据平台，在对数据平台的成本进行分析的基础上，除了考虑行业内部数据流通带来的增值，还应考虑相关行业数据平台的联合效应。因此本研究提出，在经济效益乘数的计算上增加平台关联度参数，突出平台间的协同效应对数据中心的价值进行修正。

3 案例分析

本研究选取的3 个案例分别是华扬联众数字技术股份有限公司（以下简称“华扬联众”）数据营销板块的营销数据资产、上海钢联电子商务股份有限公司（以下简称“上海钢联”）数据订阅服务板块的数据资产和新华睿思数据中心。选取的依据包括：一是案例与盈利模式的匹配程度；二是数据资产的安全性和合规性，安全性高且合规程度高的数据在价值实现过程中其稳定性更有保障；三是数据资产经济效用有所区别，拥有拓宽融资渠道、降低融资成本、调整资本结构等功能。

3.1 广告推荐模式数据案例评估——华扬联众

华扬联众是互联网营销行业品牌营销服务提供商，成立于1994 年，2002 年进入互联网综合营销服务领域，具有典型的轻资产特征，2017 年在上海证券交易所上市。盈利模式上，其营销业务是以广告推荐模式提供营销服务，具体以其营销数据库为基础，为用户构建营销渠道实现精准营销。其数据来源是企业收集或购买，经过清洗、整合、分析后形成，供企业内部使用，服务于企业的客户。数据资产的安全性和合规性方面，华扬联众在2019 年已获得国家信息系统安全等级保护三级认证。本案例的评估对象为华扬联众品牌营销板块数据资产，包括星运营销链KOL 达人运营平台、营销数据分析引擎MADE 和创新管理系统DCD 上储存的与营销途径、用户标签、广告历史投放相关的数据，采用收益法进行评估。

3.1.1 基础资产的现金流预测

品牌营销业务为华扬联众主要营收项目，2018年至2020 年该板块主营业务收入在华扬联众整体收入中占比均大于90%，2021 年收入占比有所下降，但仍占企业整体营收的89.56%，总体毛利率如表1 所示。2020 年由于受新冠疫情影响，华扬联众客户的营销活动减少，营销板块收入波动；2021 年整体营收有所上涨。品牌营销板块未来收益预测以2018—2021 年的复合年均增长率5.39%作为基础。营销板块整体毛利率稳定，主营成本预测采用近4年毛利率的均值12.19%进行估算。

表1 华扬联众品牌营销业务情况

销售费用、管理费用、研发费用、财务费用与营业收入相关，且近4 年华扬联众这些费用占收入的比例稳定（见表2），故在费用预测部分以2021年费用占收入比重为基础，依据对企业未来收益的预测对费用进行预测。

表2 华扬联众营销板块净现金流量预测结果

运用层次分析法确定华扬联众营销板块中数据资产价值对整体无形资产价值的贡献权重，向15 位专家发放问卷对问卷结果进行统计分析，得到其数据资产在营销板块的贡献为15.87%。

3.1.2 折现率的计算

折现率是对资产营业风险的反映。风险利率部分考虑华扬联众数据资产的预期风险包括企业特有风险和数据特有风险。折现率表达形式如下：

通过NS 模型对我国国债利率期限结构进行拟合，选取2011 年1 月至2021 年12 月，期限设定为当 天、1 月、2 月、3 月、6 月、9 月、1 年、3 年、7 年、10 年、15 年、20 年、30 年，采用每月最后一天国债到期收益率数据通过MATLAB 拟合NS 模型，得到以系数的平均值作为模型系数，具体对应的结果如表3 所示。NS 模型所拟合的结果在1.9%～3.4%之间，比较符合实际情况，故将表3 所示基准利率作为rft的取值。

表3 我国国债1～5 年期的基准利率

市场风险溢价是指投资者投资华扬联众所要求的预期超额收益，即投资者要求的风险补偿，表达形式如下：

以2011 至2021 年上证综合指数平均收益率作为市场期望报酬率，以算术平均数计算综合得到Rm=10.46%。依据Wind 金融终端数据库得到华扬联众权益资本的预期市场风险系数β为0.398 4。考虑数据资产与其他资产在性质、应用场景、变现能力等方面的差异，在企业市场风险溢价的基础上增加特定风险系数ε，ε的取值为2%。综上，华扬联众数据资产1 年至5 年的折现率取值如表4 所示。

表4 华扬联众数据资产折现率

3.1.3 价值评估结果

表5 所示，测算可得华扬联众营销板块数据资产评估值为6.70 亿元。

表5 华扬联众营销板块数据资产价值评估

3.2 服务付费模式数据资产证券化案例评估——上海钢联

上海钢联成立于2000 年，属于互联网信息服务行业中大宗商品及相关产业数据服务业中的第三方价格发布机构。作为钢铁数据服务行业的龙头企业，其数据产品已在上海数据交易所挂牌上市，产品的合规性和价值量高。上海钢联以大宗商品数据为基础，构建大宗商品信息服务平台，在此基础上提供增值服务，如大宗商品交易中介服务，不仅为交易双方提供信息服务，还为相关企业提供赊销和预购的金融服务。上海钢联作为首批签约商与上海数据交易所数据中心达成合作，在数据的安全性和合规性上具有保障。本研究采用DEVA 法评估上海钢联数据订阅服务业务板块价格数据资产的价值。

3.2.1 单位用户初始成本

单位用户初始成本是指企业为获得现有用户量所进行的投资与注册用户数的比值。企业用户的投入成本不仅包括初始投资，还包括后续的维护建设。上海钢联数据订阅服务的投入成本由营业成本、税金及附加以及各项费用损失构成。数据订阅服务业务注册人数包括网页端、移动端和数据终端3 种途径注册用户总数，其单位用户初始投入成本计算如表6 所示。以近3 年初始成本的平均值作为单位用户初始投入成本进行测算，则单位用户初始投入成本为25.51 元。

表6 2019—2021 年上海钢联数据订阅服务单位用户成本费用

3.2.2 单位用户贡献

上海钢联资讯产品核心客群主要包括大宗商品生产制造相关企业、大宗商品流通贸易企业、大宗商品交易所、金融机构、科研院所及高校、政府部门、媒体和个人用户，其付费用户人数分端口计算年增长率如表7 所示。

表7 上海钢联数据订阅服务用户数统计

2020 年上海钢联推出“钢联云”数据终端，企业整体的付费用户数在2020 年和2021 年均有较高的增长，表明企业未来数据订阅服务仍有较大发展空间。2020 年、2021 年企业的付费人数增长率较为平稳，基于企业现有数据资产对其进行估值，以2021 年年底经审计后披露的年报数据作为评估取值，网页端、移动端和数据终端的付费用户数分别为552.80 万人、13.79 万人、0.19 万人。由于网页端、移动端和数据终端所提供的数据量的差异，在不同端口的数据收费模式也有较大差异，但近两年各端口的收费规模逐渐稳定，因此单位用户的贡献值取2020 年与2021 年数据的平均值，具体如表8 所示。

表8 2016—2021 年上海钢联数据订阅服务单位用户贡献与评估取值

3.2.3 付费渗透率

付费渗透率是指总体用户价值变现能力。网页端、移动端和数据终端3 种途径在具体变现能力上有较大区别，因此网页端以近3 年付费人数占比的均值作为用户变现能力指标，移动端全部为付费用户，以100%的比例计算，数据终端部分属于新增业务板块，采用近两年付费人数比作为用户变现能力指标。具体数值如表9 所示。基于此，以2021 年各端口收入占比为权重加权平均得出综合付费渗透率为13.69%。

表9 上海钢联数据订阅服务付费渗透率测算结果

3.2.4 价值评估结果

根据式（3）可得上海钢联数据订阅服务平台的价值为240.727 2 亿元。运用层次分析法确定上海钢联数据订阅业务中数据资产价值对其整体无形资产价值的贡献权重，通过问卷调查的方式，构建判断矩阵并请专家对其重要性进行打分，从数据订阅业务整体资产价值中剥离出数据资产的应用价值。通过计算得到数据资产在上海钢联数据订阅服务中的贡献为13.19%，由此得出其数据订阅服务数据资产的价值为31.75 亿元。

3.3 数据产品模式数据资产证券化案例评估——新华睿思数据中心

新华睿思数据云图分析平台是新华网新华睿思数据中心自主研发的大数据平台产品系统。在盈利模式上，新华睿思数据中心是以数据产品模式进行的生产服务，企业与企业合作共建共享数据中心，以数据中心为核心，开发相关业务产品并以此获利。在数据安全性和合规性方面，2019 年，新华睿思获评第六届中国国际大数据大会“应用最佳品牌”奖，2020 年，新华睿思数据云图分析平台入选中国软件行业协会2020 年度优秀软件产品。新华睿思数据平台的数据源自新华网全站数据，资产产权明晰且具有及时性，整体合规性高。在企业资产证券化动因上，新华睿思数据中心的数据来自企业积累的多行业新闻动态，发行数据资产证券产品有利于企业盘活数据资产、提升资产的流动性，所融资金可用于优化升级多功能产品，横向扩展数据中心营业范围，提升企业的市场竞争力。

3.3.1 成本构成

新华睿思数据云图分析平台的投入成本由获取开发成本和运营成本两部分组成，依据企业的财务报告对其开发成本进行汇总，由平台开发投入和研发费用中的网络建设费、职工薪酬、网络线租费、IDC 机房租赁费构成，以不同年度开发的平台类型对开发支出进行分类，根据每年度的研发费用和各平台开发投入占比，将研发费用分配到各平台的成本构成中。

平台运营管理费用主要由职工薪酬、网络线租赁费和IDC 机房租赁费构成，根据各数据平台的上线时间对平台的运营成本进行分配，计算各平台每年运营时间占比。新华睿思数据中心按照运营时间将运营费用按比例分摊至每个数据中心，以近3 年平均运营费用取整得到数据中心的年运营成本。新华睿思产品集市平台尚未投入运营，但其开发规模与数媒智慧分析平台类似，故其运营成本以数媒智慧分析平台运营成本为参考。由此可得新华睿思数据中心的开发价值由开发总成本和年运营成本构成，各平台开发价值如表10 所示。

表10 新华睿思数据中心开发价值

3.3.2 收益乘数

收益乘数是基于数据的构建成本，考虑数据在具体应用中给企业带来的收益效应，应体现数据所面临的风险以及盈利能力。收益乘数由投资回报率和场景应用乘数两个部分组成，分别考虑数据资产带来的收益能力和在应用中与其他生产要素相结合带来的效率的增长。在投资回报率的选取上，以互联网服务行业平均收益率作为数据资产投资回报率的计算基础，考虑数据产品在资产证券化过程中面临的流动性风险和利率风险。新华网具有知识产权企业的特点，在考虑证券发行风险和利率风险时以知识产权证券的发行利率作为新华网数据资产证券化的发行利率的参考。根据中国资产证券化分析网（CNABS）的知识产权证券发行数据可知，知识产权证券发行利率中4.00%～4.99%的发行利率规模最大，其中证券发行规模前三的发行利率分别为4.00%、3.90%、3.80%，因此采用4.00%的利率作为计算数据资产证券产品的投资回报率的基础。

以行业风险收益率的差额作为知识产权和数据资产差异性调整参数，对数据资产收益率进行计算。2021 年我国文化行业平均收益率为3.20%，信息技术服务业全行业平均收益率为7.40%，以评估基准日10 年期国债的利率为无风险利率，2021 年12 月31 日十年期国债的利率为2.78%，将行业平均收益率与无风险利率的差额作为行业的风险溢价，计算得到信息技术服务行业风险溢价为4.62%，文化行业风险溢价为0.42%。根据东方财富金融终端数据，具有知识产权概念的企业共有37 家，以2021 年12月31日为基准日，计算基准日前52周的普通收益率，以加权平均的方式得到知识产权概念股经调整后的β系数β1为0.734 4。以同样的条件计算69 家互联网和相关服务行业的数据，经调整后的β系数β2为0.931 0。以β1×（rm1-rf）与β2×（rm2-rf）的差额作为数据资产证券产品投资回报率的调整系数，得到数据资产证券产品的投资回报率为7.99%。

新华睿思数据中心包含多类数据分析平台，其具体应用场景也大不相同，根据各平台的应用场景不同考虑其场景应用乘数的差异性，对各平台的场景应用分别进行计算，如表11 所示。其中，以平均值和优秀值的差额作为数据资产应用于具体行业的乘数效应，得到数据产品的应用价值。

表11 新华睿思数据中心应用行业的资本收益率

3.3.3 价值评估结果

新华睿思数据中心的产品可以分为行业数据平台和软件数据服务平台。软件数据服务并不限定于具体行业的应用场景，而是对全中心的平台提供服务，故可视化标准大屏系统和数据可视化图表创作平台的场景乘数是对数据中心各平台协同作用产生的效益，其场景加成单独计算。具有行业应用场景是指数据平台的数据有固定的行业范围，具体包括数媒智慧分析平台、舆情APP、汽车大数据平台、快消大数据平台、文旅大数据平台、自媒体分析平台、网络舆情评估系统，这类平台的价值由平台开发价值、投资回报率乘数和场景乘数的乘积共同组成。具有协同效应是指该数据平台具有综合性的数据处理能力，突出数据特点而不体现行业特色，具体包括新华睿思云图分析平台、可视化标准大屏系统、数据可视化图表创作平台、新华睿思产品集市平台，这类平台的价值由平台开发价值、投资回报率乘积组成。各平台估值结果如表12 所示。

表12 新华睿思数据中心各平台估值结果

新华睿思云图分析平台、可视化标准大屏系统、数据可视化图表创作平台、新华睿思产品集市平台为数据中心各行业平台带来的协同效应乘数依据2021 年软件信息服务业的行业平均增长率14.10%计算，新华睿思数据中心的价值则由各行业数据中心价值之和与协同效应乘积构成。计算式子如下：

综上可得新华睿思数据中心的数据资产价值为3.47 亿元。

4 结论与启示

4.1 研究结论

本研究分析数据资产价值评估的影响因素和评估思路，考虑资产证券化目的下资产价值评估的特定风险，构建数据资产价值评估基本模型，通过分析不同盈利模式下的互联网信息服务企业的数据流通范围、收费模式以及价值关键影响因素，探究适用的评估方法，提出具体模型改进如图1 所示，并分别选取案例企业进行研究，得出主要结论如表13所示。

表13 数据资产价值评估方法总结归类

首先是广告推荐模式下企业内部数据资产，其特点在于数据形成于企业业务交易并服务于企业生产经营并在企业内部发挥作用，与业务营收情况和成本构成紧密联合，适合采用收益法进行评估，通过NS 模型对基准利率进行调整，以折现率反映对数据资产价值评估的影响。该盈利模式下企业可通过供应链模式对数据资产进行价值实现，有利于拓宽轻资产企业的融资渠道。

其次是服务付费模式下企业间流通的数据资产，这类数据资产的特点在于数据具有明显的行业特征，服务涉及全产业链的数据信息，数据容量大、颗粒度细，数据的价值实现依赖于用户群体，数据认可度越高则用户愿意为其支付的价格越高，适合采用DEVA 模型进行评估。在该模式下数据资产价值的核心影响因素是数据资产盈利能力的稳定性，即数据资产质量、数据的完整性、数据的及时性等，故以数据质量调整和市场渗透率反映资产价值的风险。该类数据资产可通过融资租赁模式实现价值，有利于降低企业的融资成本。

最后是数据产品模式下在行业间流转的数据资产，企业以数据中心为基础提供多平台数据服务，数据中心内包含多产业数据产品且产品功能和结构上趋于一致，数据产品的社会效益明显，数据中心以标准化行业数据为企业和政府提供治理依据，数据资产的社会价值远大于经济价值。现阶段数据中心的盈利能力尚未凸显，但其数据资产已参加经济社会活动、具有发展潜力，适合采用成本法对这类数据资产价值进行评估具有合理性。本研究采用类比调整的方法，以投资回报率反映资产证券化风险，对数据资产进行评估。数据产品模式下企业可通过贷款模式实现数据资产价值，有利于盘活企业数据资产，提升资产的流动性和变现能力。

4.2 启示

（1）数据资产确权。在数据资产权属清晰的条件下对数据资产价值进行分析才是有价值的，我国已形成持有权、使用权、经营权“三权分置”的数据产权制度，但不同权利属性对应的数据资产的价值有所区别。“三权分置”的产权体系有利于解决数据资产产权转移的问题，但在具体权属划分上尚未对权属的边界进行规定，未来在数据要素流转中数据权属的规范仍有待提升。

（2）数据价值衡量的动态性。数据的价值是动态变化的，数据质量是数据盈利能力的保障，但数据质量的维持需要企业不断投入以维持数据的及时性和有效性，且企业应该定期对数据的盈利能力进行披露。在企业运营过程中增加对数据质量的监管有利于维持数据资产的价值，也能增强投资者的信心，推动数据资本化持久健康发展。

（3）增强企业数据管理能力。在数据资产价值评估方法的选择上，由于数据价值影响因素的多样性，以及数据流动中价值的波动性，对企业数据资产价值评估要求企业提供数据的相关资料。在数据交易的众多参与者中，企业是最了解其自身数据资产状况的，但是企业对数据管理能力不足易导致数据资产估值结果不准确。为促进数据资产交易，科学选取评估方法合理评估资产价值，应提升企业的数据管理能力，构建高效的数据资产管理体系。