数据资产价值测度研究进展综述

【摘要】数据资产作为新型生产要素， 重塑了现代企业的价值创造形式与底层生产逻辑， 而数据资产作为数据资源的整合产物， 其价值亦被不断释放。当前， 无论是学术界还是实务界， 数据资产的价值测度并未形成统一意见， 尚无法直观、 准确地反映其经济效用及应用价值。本文通过对相关文献进行检索归类， 根据数据到资产的转换过程， 辨析其不同阶段的价值形态内涵， 并梳理现有文献中与数据资产定义相关的主流观点， 讨论各测度方法的优越性与局限性， 据此对数据资产测度体系构建上的难点和挑战做出总结。为进一步开发其学术价值， 从个人、 企业及社会等视角对数据资产价值测度的未来研究做出展望。

【关键词】数据资产；价值测度；估值方法；信息披露；生产要素

【中图分类号】 F221 【文献标识码】A 【文章编号】1004-0994（2024）13-0066-6

一、 引言

2020年3月发布的《中共中央 国务院关于构建更加完善的要素市场化配置体制机制的意见》中明确提出， 要健全数据作为生产要素由市场评价贡献、 按贡献决定报酬的机制。数据作为新型生产要素， 在构建新发展格局中发挥着至关重要的作用， 其“催化剂”作用愈发明显， 尤其是在强调资源有限性与稀缺性的背景下， 数据的重要性甚至超越了土地、 劳动力等传统生产要素， 成为各行业激烈角逐的焦点。市场评价贡献机制将得到进一步完善， 因此有效、 准确地使数据资本化不仅将成为解决“数据资产入表”以及“数据资产纳入国民经济核算体系”问题的关键， 更对完善我国市场评价贡献机制起着至关重要的作用。

近年来， 企业依靠数字化转型建立了数据禀赋优势， 为自身带来了巨大价值， 但数据资产信息披露问题一直深受外界关注， 能否可靠、 准确地核算与计量数据资产价值是外界关注的重点话题， 也是“数据资产是否入表”问题一直以来争论的焦点， 学界对此产生了观点分歧， 形成了三种观点流派， 分别为表内确认观、 表外披露观以及无须确认观。直到2023年8月21日， 财政部印发《企业数据资源相关会计处理暂行规定》， 明确要将数据资产资本化并在报表中披露， 才进一步推动了数据资产市场化进程。在“数据资产入表”的基础上， 2020年3月联合国统计委员会第51次会议探讨了关于如何发挥数据要素统计价值的问题， 并将“数据如何纳入国民账户体系”明确列入《国民账户体系》（SNA）研究议程， 议会内容包括数据资产的概念内涵、 数据资产的特征、 数据支出资本化范围与类型以及数据资产的定价方法等统计与核算问题。

从现有研究情况来看， 数据资产还存在以下问题尚未解决： 一是概念内涵尚未统一。目前对于数据资产的概念尚未形成统一意见， 随着数据资产多元化价值被不断开发， 数据资产的形式、 应用场景以及所处商业模式也在不断丰富， 因此其概念内涵也在不断丰富与发展， 尚未形成定式。二是所有权界定问题。数据资产突破了资产类别的固有形态， 导致无法依靠其物理属性判断资产权属， 除此之外， 随着数据生产加工过程的不断进行， 数据权属将会更加模糊， 导致数据资产所有权很难界定（蔡跃洲和马文君，2021）。三是数据支出资本化问题。数据作为新型生产要素， 已然脱离了传统数据库概念范畴， 而是与数据价值链（数据生产加工过程）密切相关， 现有研究对于数据支出资本化的分类也是围绕数据价值链所划分的， 为今后的数据支出资本化研究指明了方向， 但受统计方法、 技术手段等因素的制约， 部分支出还无法准确地量化（胡亚茹和张日权，2023）。

本文以上述问题为出发点， 对数据资产的概念演进、 价值测度方法， 以及当前制度下数据资产价值测度所面临的难点与挑战进行梳理， 并结合会计口径进行相关分析， 旨在为数据资产的生产、 加工、 市场流通以及价值测度等方面提供一定参考。

二、 数据资产的概念内涵

（一） 数据资产的概念演进及内涵

数据资产的形成源于价值传递过程， 与Michael E. Porter（1985）所提出的实物价值链不同， 其产生原理是将原始数据生产资料作为价值贮藏载体， 经过“虚拟价值链”的加工最终形成数据资产。“虚拟价值链”一词最早由Rayport和Sviokla（1995）提出， 其以企业竞争环境为例， 将竞争分为物质世界竞争和虚拟世界竞争， 后者是通过虚拟价值进行价值创造活动。在当时的条件下， 虚拟价值链只是为实物价值链服务， 该观点的局限性在于， 其认为虚拟价值只是实体经济产生过程中的附加值。在此理论的基础上， Lee等（2000）构建了知识价值链模型， 该模型将数据、 信息等虚拟主体与传统形态价值链进行整合， 证明了数据的价值流动性与创造性， 并且以数据作为价值载体。Miller（2013）基于数据资产的价值传递过程以及形态演化， 将数据资产化过程分为“数据—数据资源—数据产品（数据资产）”三个阶段（如图1所示）， 展示了数据的生产加工过程、 数据的价值形态转变过程以及数据的要素市场流通过程。

1. 数据资产化的第一阶段价值形态： 数据。“数据”一词最早起源于信息学领域， Ackoff（1989）提出了著名的DIKM模型， 构建了“数据—信息—知识—智慧”四层金字塔认知结构， 并且将人类的认知与学习过程分为四个阶段， 主张学习的第一步应是收集数据。该模型中的数据一般指的是对人为观察到的事实以及结果进行总结归纳后形成的原始数据， 强调数据的未加工性。DIKM模型的提出明确了数据具有生产与可加工属性， 并且验证了“数据—知识”的转换过程。随后， 刘志雄和谢建邦（2022）提出了数据“三流”理论框架， 即数字化数据流、 知识流和价值流， 其认为数据不仅是信息的载体， 更是价值的载体， 数据具有价值传递功能。此阶段证实了“知识—价值”的流向， 以商业银行为例， 用户规模、 合作环境等不仅为其创造了市场优势， 更为其数据资产的形成提供了良好的资源基础， 所以商业银行能更好地发挥数据优势， 帮助其完成价值创造。

2. 数据资产化的第二阶段价值形态： 数据资源。“数据资源”一词最早由Voich和Wren（1968）提出， 其认为数据资源是有含义的数据的集合体， 且发现了数据资源的整合功能， 但是其并没有指出数据的资源性质。Levitin和Redman（1998）首次详细论述了数据作为资源的属性， 因此“数据—数据资源”的转变是价值嵌入的第一阶段。金骋路和陈荣达（2022）首次证明了数据与数据资源之间的联系， 其基于数据的“三化”（资源化、 资产化以及资本化）过程， 验证了“数据—数据资源”的形态转换过程。相较于数据， 数据资源已经初步具备了使用价值以及未来经济价值。

3. 数据资产化的第三阶段价值形态： 数据资产。数据资产是数据资源的高级形态， “数据资产”作为“数据”与“资产”的融合概念， 既符合资产“经济所有权明确”和“具有收益性”两个基本属性， 也具备数据的“时效性”和“非实物”特征。关于数据资产的概念发展， 最早可以追溯到1974年由Richard Peterson所提出的概念， 其将数据资产定义为资产所有者持有的政府债券、 公司债券以及实物债券等经济资产。经济资产被定义为一种有价值贮藏功能的经济资源， 能够被单方或多方主体所控制。随着信息时代的发展， 信息资源的资产属性进一步被开发， 其资产价值进一步得到释放， 同时也为数据的“三化”过程奠定了理论基础。数据以及数据资源虽然也可作为价值载体， 但不能纳入资产的范畴， 不少学者围绕数据资产的特征属性展开了研究。例如： 徐翔和赵墨非（2020）从经济学角度出发， 通过验证数据资产与经济增长之间的影响路径， 进一步挖掘了数据的生产要素化特征； 张俊瑞等（2020）基于数据资产价值链， 从数据资产价值链的源头数据资源进行分析， 从价值传递角度介绍了不同阶段数据价值形态， 并强调了数据资产的预期收益特征； 黄世忠（2020）在分析信息资源的确认时指出， 数据资产作为新型资产要素， 在将数据资产作为经济资源的同时， 应注重其控制权与归属权， 即数据资产确权问题。

（二） 数据资产概念局限性

目前学术界对于数据资产的概念尚未形成统一定式， 现有研究大多是从数据与资产的特征角度出发， 对数据资产的概念进行补充说明， 或者是从单一职能角度对数据资产进行定义， 未能做到系统全面。许宪春等（2022）按照2008年SNA对于资产与数据的核心属性介绍， 将数据资产定义为： 拥有应用场景、 经济所有权明确并且能够给所有人创造收益的数据。但该定义只着重考虑了数据的统计与核算价值。除此之外， 2023年由大数据技术标准推进委员会等多家单位参编的《数据资产管理实践白皮书（6.0版）》正式发布， 其将数据资产定义为： 数据资产是由组织（政府机构、 企事业单位等）合法拥有或控制的数据， 以电子或其他方式记录， 例如文本、 图像、 语音、 视频、 网页、 数据库、 传感信号等结构化或非结构化数据， 可进行计量或交易， 能直接或间接带来经济效益和社会效益， 要对数据进行主动管理并形成有效控制。虽然《数据资产管理实践白皮书（6.0版）》对于数据资产的定义强调了资产的控制权以及具有收益性特征， 但是未能覆盖全部所有权主体， 因为该报告的主要服务对象是企业等组织形式的单位， 忽略了个人。不同领域对于数据资产的内涵定义侧重点也不同， “数据”一词最早起源于信息学领域， 信息学领域对于数据资产的定义强调数据的信息属性、 存在属性， 但是忽略了其资产属性。叶雅珍等（2019）认为数据资产是拥有数据权属（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。

以上是部分文献对于数据资产的不同定义， 上述定义未能涵盖数据资产的全部特征， 并且随着数据资产应用场景的不断丰富， 其特征属性以及存在形式将不断扩展， 概念内涵也将得到进一步延伸。因此， 如何广义上反映数据资产的价值特征仍是今后讨论的重要议题， 需要做进一步跟进研究。

三、 数据资产的价值测度方法

《企业数据资源相关会计处理暂行规定》的发布佐证了表内确认观占据上风这一事实。数据资产作为一种新型生产性资产， 从理论和实践来看并没有相同或类似的估值案例作为参考， 因此并未形成成熟统一的价值测度体系。但从会计口径来看， 《企业数据资源相关会计处理暂行规定》按照数据资产持有目的将其归类为存货和无形资产。数据资产继承了数据的“非实物”特征， 因此可以将数据资产锚定为无形资产， 并参照无形资产的价值测度方法， 其中包括收益法、市场法以及成本法。

（一） 主要价值测度方法

1. 收益法。收益法是指在数据资产存续期内， 将各期的经济利益流入按照一定折现率计算出现值作为数据资产价值。收益法充分考虑了数据资产的价值收益特征， 在一定应用场景下， 通过计算持有期间数据“孳息”反映出数据资产的贡献度。从理论上讲， 收益法能够反映数据支出资本化的价值， 而且容易被市场买卖双方所接受， 但其局限性也同样明显： 一是， 数据资产的存续性问题， 在计算未来经济利益流入时应该确认数据资产的寿命以及可使用年限， 而数据资产寿命的不确定性将会影响预期收益判断， 并且会影响数据资产摊销、 减值以及折旧等后续计量问题。二是， 由于各企业间商业模式不同， 其现金流量体系以及现金流量监控手段不同， 无法保证对未来现金流量核算的准确性。三是， 收益法具有很强的时效性， 并且主观性较强， 未来不确定性因素也会影响到对未来经济利益流入的核算， 因此还需要将时空差异纳入考量因素范围。可见， 相较于收益法的优点， 其局限性也同样明显， 可操作性不强， 因此在实践中应用较少。

2. 市场法。市场法是指通过对比市场上同类型或者类型相近数据产品的成交价格来估计数据资产的价值。从评估思路角度来讲， 市场法与公允价值法之间存在异曲同工之处， 即需要具备交易日近期可比参照物的具体交易信息作为定价依据， 但市场法需要有较为完善的要素流通市场基础作为支撑， 并且市场当中需存在相同类型的参照物作为依据。相较于收益法， 市场法可以规避测算未来经济利益流入时的不确定性， 但也存在一定弊端： 一是， 数据资产同步具有数字技术的创新性， 而市场法不利于给创新型数据资产定价， 会阻碍其市场流通。二是， 目前我国数据要素流通市场尚处于建立初期， 由于数据需要结合特定的场景释放价值， 导致其很难匹配到同类型或类似数据资产。三是， 数据资产尚处于早期规则建立阶段， 相关标准、 法律并不完善， 并且按照目前的数据要素流通市场情况来看， 数据资产属于非流动性资产， 这也是目前导致交易型数据资产较少的原因。

3. 成本法。成本法估值又称为重置成本法估值， 主要估值思路是通过当前市场条件下该类型数据资产的重置成本， 衡量投入成本与重置成本之间的成本相关度， 进而确定价值调整系数， 再减去各种贬值（实体性贬值、 功能性贬值以及经济性贬值）后得到其合理价值。成本法的优势主要体现为其将市场生产者风险成本考虑在内， 并且能反映数据资产的实时价值。但是成本法也未能适用于全部类型数据资产， 例如外购数据资产的成本往往难以追溯， 而其成本历史资料是确定重置成本的主要依据。除此之外， 由于外部不可控因素等的影响， 数据资产的功能性贬值与经济性贬值也难以确认。基于以上分析， 成本法虽然具备一定的客观性， 但是可操作性不强。

围绕着三种估值方法， 相关部门和机构纷纷对如何有效、 准确衡量数据资产价值展开了讨论。2021年由瞭望智库与中国光大银行联合发布的《商业银行数据资产估值白皮书》结合数据资产在商业银行的应用场景以及自身业务范围， 对收益法、 市场法以及成本法展开分析， 最终在遵循市场优先原则的基础上， 使用收益法对数据资产进行了估值。中国信息通信研究院发布的《数据资产化：数据资产确认与会计计量研究报告（2020年）》中提出了改良的市场法、 收益法和成本法数据资产价值评估模型， 鉴于数据应用实际情况， 其认为应优先采用成本法， 并指出考虑了数量、 质量、 应用和风险四个维度的数据资产价值影响因素之后的改良成本法能够更为合理、 有效地评估数据资产价值， 减少价值低估误差。从资料获取来源和方式来看， 会计记录和统计调查资料能直接提供数据生产活动相关的成本费用数据， 且考虑到数据资产有别于一般无形资产或知识产权产品的独有特征， 成本费用会计资料和统计调查数据也能为基于生产成本的改良模型提供相对客观的参考依据。综上， 相较于其他方法， 成本法更具客观性、 可靠性， 且具有较强的可操作性。

（二） 其他估值方法

在传统估值方法的基础上， 学者们纷纷展开研究， 对其进行改进或是形成新的估值思路， 进而衍生出新的估值方法， 主要包括实物期权法、 博弈法、 机器学习法、 层次分析法等， 各类方法的估值思路及优缺点如表1所示。

在表1中估值模型理论的基础上， 学者们纷纷展开实践研究。罗玫等（2023）在层次分析法以及成本法的基础上， 设置数据质量、 价值折损以及数据风险三个维度作为数据资产的价值调整因子， 用以界定数据资产的价值调整系数， 并据此来规避成本法中各项参与成本的动态变化。Jung和Park（2020）运用讨价还价博弈模型， 对信息泄露损失的价值以及数据资产价值进行估计， 用以防止不公平交易事项的出现。左文进和刘丽君（2019）首次运用了Shapley模型对数据资产进行估值， 其做法是将多种数据资产进行组合打包， 将该整体视为估值对象， 再对单一数据资产进行剥离， 进而分析出单一数据资产对整体的贡献率， 以确定其价值。

目前学术界尚未形成统一的数据资产核算方法， 任何估值方法都有其优势与局限性， 因此在实践操作中应遵循有的放矢原则， 找准不同类型、 场景化下的数据资产估值需求， 选用对应的估值方法。例如： 对于自用型数据， 建议采用成本法进行价值核算； 对于以销售为持有目的的数据资产， 建议采用市场价格法进行价值核算； 对于以投资为持有目的的数据资产， 则建议采用实物期权法进行价值核算。

四、 数据资产价值测度过程中的问题与挑战

目前， 囿于数据资产要素流通市场尚未成熟， 数据资产权益、 定价以及稀缺性三个关键问题尚未解决， 缺乏统一的统计口径， 导致国内外关于数据资产应用价值的分析仍较少。进一步深挖企业数据资产的价值需要能够真实、 准确测度数据资产价值， 因此本文基于现有文献梳理了数据资产价值测度过程中的实质性障碍。

（一） 数据资产确权问题尚未解决

只有解决了数据资产的价值归属问题， 即明确数据资产权属， 才能对其进行价值测度。但目前数据资产产权边界模糊， 难以界定。一方面， 数据资产包括个人数据资产、 企业数据资产以及政府数据资产， 产权主体多元化。数据以及数据资源本身具有无限共享性以及边际成本较低等特点（朱扬勇和叶雅珍，2018）， 使得数据流转速度较快， 原始生产数据作为价值载体经过数据收集、 存储、 分析以及应用阶段， 其价值不断累积， 形态也会逐渐发生变化， 而最终数据资产作为多种数据的整合产物， 其产权不等同于物理上的简单相加， 随着数据价值链过程的不断推进， 其产权边界将会逐渐模糊， 容易造成源头数据生产资料丢失的情况。另一方面， 数据资产存在产权交叉的情况， 这也是导致数据资产“三权分置”问题的主要原因。随着数据资产的场景化应用， 受行业特殊性因素影响， 其可能会表现出强附着性。以商业银行为例， 作为数字化程度较高行业的代表， 其数据规模庞大， 包含大量的个人金融信息、 企业经营信息等， 但是又由银行进行信息整合， 数据早已作为银行“血液”遍布全身， 无法进行剥离估值； 而且从理论上讲， 银行只具有数据的加工权和使用权， 不具有所有权， 导致产权交叉情况出现， 从而增加了数据确权的难度。

（二） 数据资产在计量方面存在不确定性

数据资产的估值与定价一直是困扰数据资产要素市场建立以及流通的重要问题。虽然《企业数据资源相关会计处理暂行规定》按照数据资产最终用途对不同类型数据资产相关会计处理做出了规定， 数据资产成功“入表”无疑增强了数据资产信息的可获得性以及数据资产信息披露的完整性， 但是学术界对此仍持有不同观点。以表外披露观和无须确认观为代表的观点认为， “数据资产入表”问题应以稳健为主， 并且考虑到数据资产在计量方面存在不确定性， 不必拘泥于数据资产的入表形式， 而这里提到的不确定性主要体现在数据资产的成本货币计量方面。例如， 企业日常活动中持有、 最终目的是出售的数据资产按照存货进行后续处理， 存货的成本计量遵循成本与可变现净值孰低法， 但随着数据资产热度的持续走高， 数据资产可变现净值也在逐步提高， 未来数据资产价值释放机会将会增加， 按照该计量原则有可能会造成其真实价值被低估的情况。黄世忠（2020）认为在计量数据资产使用价值时， 要对数据资产的预期收益、 时间分布以及不确定性做出估计， 对不同环节都要做出判断。因此， 部分学者认为对数据资产入表问题应该持谨慎态度。黄世忠（2018）认为虽然数据资产在决策时能够提供一定的参考价值， 但是考虑到数据资产入表可能会影响利润表的经济分配功能， 因此建议对其进行表外附注披露。

（三） 数据资产估值方法的可行性和准确性不高

除了数据资产的权属边界问题， 数据资产核算方法的可行性和准确性也是制约数据资产价值测度的重要问题。《企业数据资源相关会计处理暂行规定》对自给型和交易型数据资产的会计处理原则做出了补充规定， 但是其中并未详细谈及数据资产生产成本结转的问题， 其根本原因在于数据资产生产成本的复杂性以及动态性。

在数据生产活动中， 成本种类繁多， 参照无形资产的初始成本计量， 数据支出资本化核算的基本分类包括数据加工过程中数据脱敏、 清洗、 标注、 整合、 分析、 可视化等加工过程所发生的相关直接成本， 以及数据权属鉴证、 质量评估、 登记结算、 安全管理等数据合规间接成本。而且， 数据资产的成本难以计量， 数据在生产加工过程中会表现出强附着性， 往往通过数据资产整合以及具体场景应用释放价值， 因此很难对其进行剥离以辨别单一数据或数据资产价值。除此之外， 大部分企业受统计手段制约， 尚无法掌握基础性生产资料， 因此数据资产价值测度的准确性无法得到保证。

对于企业而言， 数据资源禀赋优势主要体现在两个方面： 一是数据规模； 二是数据质量， 即数据稀缺性。数据资产生产成本的动态性也主要源于这两个方面。如今信息高速迭代， 信息获取成本较低， 信息规模这种低成本优势在构建企业核心竞争力时将会更为单薄。黄世忠（2020）在分析信息资源特征时得到了“信息不总是多多益善”的结论， 当信息规模增长到一定程度时， 新增信息的价值同样遵循边际效益递减原则， 在此阶段数据质量显得尤为重要， 其与前者不可等量齐观。由此可见， 数据资产价值的影响因素是多元化的， 随着数据价值链的不断推移， 价值不断积累沉淀， 其成本也随之变化。王翔等（2023）在分析数据稀缺性的原因时， 认为数据使用价值的非对称性才是导致数据稀缺性的根本原因， 虽然数据复制门槛较低， 但囿于使用者认知水平的不同， 数据的使用价值以及潜在价值不同， 产生了较大的价格歧视空间， 所以信息使用者的心理成本也不同。

（四） 数据资产信息披露相关性下降

随着《企业数据资源相关会计处理暂行规定》的发布与实施， 数据资产信息披露由原来的自愿性披露改为半自愿性披露， 并采用文字与数字相结合的方式进行披露。该文件对自给型、 交易型数据资产的信息披露进行了详细规定， 除此之外， 企业还可以自主选择其他类型数据资产的披露方式、 内容。因此， 从辩证性角度来看， 《企业数据资源相关会计处理暂行规定》的规定内容的确存在一定的主观性， 可能会影响到数据资产信息披露相关性， 甚至是报表的预测与决策价值。

部分学者在实证研究时采用文本分析法对数据资产信息披露水平进行定义， 即对收集的非结构化信息进行凝练提取， 基于构建的“数据资产”文本披露词典对企业数据资产信息披露水平进行定义（苑泽明等，2022；危雁麟等，2022；张俊瑞等，2023）。笔者认为， 除自给型、 交易型数据资产之外， 其他类型的数据资产采用表外附注披露方式进行披露虽然能够增加披露内容、 提高披露形式的灵活性， 但是这种主观性披露方式难免会影响到信息完整性， 进而影响到构建的“数据资产”文本词典规模的完整性， 使得数据资产信息披露相关性以及量化准确性下降。黄世忠（2018）在解释当前会计信息相关性下降时， 认为其主要原因是会计规则发展滞后并且不能适应当前经济发展环境， 顶层制度设计不完善制约了会计理论的发展。在数据资产早期规则建立阶段， 更应该注重数据资产信息披露的完整性， 以保证其信息质量。

五、 结论与展望

随着数据经济的不断崛起， 数据资产的潜在价值不断被挖掘， 数据资产对于构建企业核心竞争力的作用也在逐渐彰显。本文首先基于数据资产化过程介绍了数据的不同价值形态， 探讨界定了数据、 数据资源、 数据资产的概念内涵， 总结出目前学术界对于数据资产的主流定义， 分析定义的局限性并提炼出数据资产的主要特征； 然后对现有的数据资产价值测度方法进行探讨， 对其主要估值思路以及在实践应用当中的难点进行分析， 希望能够为完善和解决数据资产估值问题提供一些思路和帮助。在解决数据资产估值难题、 完善数据资产价值评估体系的同时， 还应注重数据资产的价值创造以及价值应用， 积极探索数据资产的价值实现途径， 进一步扩大数据资产的研究视角， 尤其是对于宏观经济的助推作用以及对于企业价值的提升作用， 因此本文从个人、 企业及社会层面对数据资产价值测度的未来研究进行展望。

（一） 个人层面

在现有研究中， 学者们主要针对企业、 政府等组织形式主体的数据资产展开研究， 受信息不对称、 个人数据隐私及数据安全等的制约， 鲜有文献从个人角度去分析数据资产的价值。随着数字经济的高速发展， 数据资产已逐渐渗透到人们的日常生活中， 与企业不同的是， 个人缺少专业的知识储备以及数据资产管理经验， 在交易过程中处于弱势地位。因此， 建立稳定、 公平的个人数据资产交易机制是健全数据要素流通市场的重要一环， 同时也有利于打破“信息孤岛”禁制。除此之外， 个人数据资产如何发挥资产属性， 创造私人价值也是今后学术界应重点关注的领域， 而这一领域亟需解决的问题包括： 一是， 如何建立科学、 透明及公平的个人数据资产交易渠道， 并对个人数据资产进行合理定价； 二是， 数据资产该如何发挥其战略性资产作用， 帮助个人提高其私人价值， 具体的提升路径是什么。

（二） 企业层面

笔者在梳理文献时发现， 目前学术界对于数据资产的研究主要涉及数据资产概念内涵、 估值定价以及会计处理方式等早期规则建立方面的跟进研究， 随着数据资产价值测度方法的逐渐成熟， 数据资产价值能够可靠、 准确计量， 将会给数据资产经济后果的后续相关研究提供一定基础， 能够帮助企业进一步提高管理水平， 提升企业价值。例如， 苑泽明等（2022）运用OLS模型证明了数据资产信息披露与企业价值之间的联系， 并探讨了具体价值实现路径， 为后续数据资产经济后果研究提供了新的研究思路。除此之外， 张新民和金瑛（2022）认为， 随着关键生产要素的改变， 数字经济时代企业价值创造模式以及价值创造能力也会发生改变， 其还提出了“扩大的资产负债表”等观点。随着“数据资产入表”， 可以预见的是， 资产—负债端同时增加从而引起的企业价值增加， 基于该现象， 解决“数据资产入表”问题能进一步发挥报表的决策相关性价值， 保持市场理性， 因此届时可以围绕数据资产与企业行为及资本市场表现之间的关系展开研究。

（三） 社会层面

数据资产作为生产性资产， 其与经济增长之间有着千丝万缕的联系， 例如杨飞虎等（2022）通过数据的治理效应发现了数据资本与经济增长之间的关系， 其认为政府数据资本使用效率越高， 经济增长率越高。从宏观角度来看， 数据资产能够引领社会经济发展， 提高社会资源配置效率， 推动供给侧结构性改革， 帮助社会生产实现降本增效。数据资产作为整合产物， 会产生巨大的乘数效应， 进而发挥其外溢性作用， 及时建立数据资产与社会经济发展之间的机制联系有利于推动我国经济高质量发展， 强化数据要素的“催化剂”作用。

【 主 要 参 考 文 献 】

蔡跃洲，马文君．数据要素对高质量发展影响与数据流动制约［ J］．数量经济技术经济研究，2021（3）：64 ～ 83．

胡亚茹，张日权．数据资产测度研究进展与展望［ J］．统计学报，2023（1）：36 ～ 42．

黄世忠．旧标尺衡量不了新经济—论会计信息相关性的恶化与救赎［ J］．当代会计评论，2018（4）：1 ～ 23．

黄世忠．信息资源的七大定律及其确认与计量［ J］．财会月刊，2020（4）：3 ～ 9．

金骋路，陈荣达．数据要素价值化及其衍生的金融属性：形成逻辑与未来挑战［ J］．数量经济技术经济研究，2022（7）：69 ～ 89．

李晓华，王怡帆．数据价值链与价值创造机制研究［ J］．经济纵横，2020（11）：54 ～ 62+2．

刘志雄，谢建邦．数据流动与数据生态治理研究［ J］．中国特色社会主义研究，2022（Z1）：66 ～ 75+161．

罗玫，李金璞，汤珂．企业数据资产化：会计确认与价值评估［ J］．清华大学学报（哲学社会科学版），2023（5）：195 ～ 209．

王翔，周辉，李志鹏，邢云．数据稀缺性与大模型数据价值的非对称性［ J］．信息安全研究，2023（7）：637 ～ 642．

危雁麟，张俊瑞，汪方军，程茂勇．数据资产信息披露与分析师盈余预测关系研究——基于文本分析的经验证据［ J］．管理工程学报，2022（5）：130 ～ 141．

徐翔，赵墨非．数据资本与经济增长路径［ J］．经济研究，2020（10）：38 ～ 54．

许宪春，张钟文，胡亚茹．数据资产统计与核算问题研究［ J］．管理世界，2022（2）：16 ～ 30+2．

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．

苑泽明，于翔，李萌．数据资产信息披露、机构投资者异质性与企业价值［ J］．现代财经（天津财经大学学报），2022（11）：32 ～ 47．

张俊瑞，危雁麟，宋晓悦．企业数据资产的会计处理及信息列报研究［ J］．会计与经济研究，2020（3）：3 ～ 15．

张俊瑞，危雁麟，尹兴强，汪方军．企业数据资源信息披露影响审计收费吗？——基于文本分析的经验证据［ J］．审计研究，2023（3）：60 ～ 71．

张新民，金瑛．资产负债表重构：基于数字经济时代企业行为的研究［ J］．管理世界，2022（9）：157 ～ 175+207+176．

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．

左文进，刘丽君．大数据资产估价方法研究——基于资产评估方法比较选择的分析［ J］．价格理论与实践，2019（8）：116 ～ 119+148．

Jung K.，Park S.. Privacy Bargaining with Fairness： Privacy-price Negotiation System for Applying Differential Privacy in Data Market Environments［C］∥2019 IEEE International Conference on Big Data （Big Data）. IEEE，2020．

Levitin A. V.，Redman T. C.. Data as a Resource：Properties，Implications，and Prescriptions［ J］． Sloan Management Review，1998（1）：89 ～ 101．

Voich D.，Wren D. A.. Principles of Management：Resources and Systems ［M］． New York：Ronald Press Company，1968．