数字时代下数据资产的价值评估与治理问题研究

摘 要：随着数字经济的蓬勃发展，国家大力推进数据要素市场化改革与发展，数据成为新的关键生产要素，与各个领域深度融合。部分数据的特性符合会计对资产的确认前提，因此具有了资产属性。由此，数据资产作为企业的核心资源，数据资产价值的准确评估对于企业提高经营绩效、实现数字化转型至关重要。但是，面对庞大的数据量，企业如何充分利用好数据将其转化为重要战略资源亟待解决，数据治理逐渐成为重要的数据创新管理手段。因此，需要对数据价值及数据治理等相关问题予以充分关注。文章首先回顾了数据资产、数据治理的相关概念，再分析数据资产价值评估的方法，进而引出研究价值评估与治理的互动关系，并提出相应对策建议，以期提升数据治理能力更好地挖掘数据资产价值，推动数据资产价值评估及治理的相关研究。

关键词：数字时代；数据资产；价值评估；数据治理；数字经济

中图分类号：F276.44；P413 文献标识码：A 文章编号：2096-0298（2024）09（a）--05

现代社会已经迈入“产生数据、获取数据、运用数据”的数字化时代。2022年，我国数字经济规模达到50.2万亿元，占GDP比重相当于第二产业占国民经济的比重，达到41.5%。由此可见，数字经济已成为我国高质量经济发展的关键引擎。

在国家整体层面，随着数字化浪潮的推动，数据资产已转变为我国经济增长的关键战略资源。自2015年我国发布相关文件后，“数据”一词如繁星般涌现，“数据资产”逐渐被纳入全面有序的市场资源配置框架中。在企业个体层面，数据成为企业创新发展的核心驱动力。中国联通的物联网5G智连成功连接管理平台，运用数字技术实现了十亿级物联网连接海量数据处理，以数据资产驱动的方式积极响应了我国“十四五”规划，展示了数据资产在推动企业创新中的重要作用。企业往往引用尖端的数据分析技术，以数据为核心推动自身数字化转型，构建高效的数据资产治理体系，强化企业的创新力和竞争力。

但近年来随着数字技术的蓬勃发展，企业要面对多种类型、数量庞杂的数据量。由此，数据治理的重要性变得越发凸显。阿里巴巴等大型企业在数据治理方面给予高度重视。数据治理促使企业考虑如何从海量数据中不断增加数据价值获取的质量和效率。基于此，对于数据资产价值与数据治理互动关系以及如何有效提升数据资产治理效果具有重要的现实意义。

1 相关概念理论

1.1 数据资产

数据作为一项资源，需要在“资产化”后才会成为数据资产。数据资源只有在使用过程中创造价值，才可以形成数据资产。2023年9月出台的《数据资产评估指导意见》将数据资产定义为直接或间接为特定主体拥有或控制的、可以通过货币计量并为特定主体带来经济利益的数据资源。结合相关文献研究可知，数据资产具有独特的价值属性，本文将其特征主要为非主体性、规模增值性、依附性、衍生性及价值易变性，如表1所示。

1.2 数据治理

目前理论与实践领域对数据治理的定义较多且侧重点不同，尚未形成统一观点。通过相关研究理论，本文尝试概括数据治理的含义：数据治理是企业利用数字技术对组织内外部数据实施标准化管理，这一过程覆盖了数据的全生命周期，旨在提升数据质量，降低数据风险，实现数据资产价值最大化。

数据治理的治理域反映了开展数据治理获得过程中需要重点把握的治理对象。本文概括为以下四点：（1）数据管理：这涉及确定数据治理的组织架构、角色和职责，以及如何管理数据相关的资源和流程。（2）数据质量：通过对数据质量的监控和改进机制，形成事前预防、事中监督、事后处理的数据资产管控模式，保证数据的真实性、完整性。（3）数据安全：实施对内部信息使用者进行身份识别、权限设置等限制监督政策，进行数据加密，防止数据泄露。（4）数据标准：制定数据标准、数据命名规范等，从而形成统一的数据使用标准，确保数据的一致性和可理解性。

2 数据资产价值评估的方法

2.1 数据资产价值评估的出发点

当下，数据资产化转型是形成核心竞争力的决定性因素，数据资产价值评估备受关注。数据资产具有不同于传统资产的价值特性，价值易变性高，数据资产价值高低受数据使用频率、市场需求等因素影响。由此可见，数据资产估值存在诸多难点。但无论如何，数字经济时代的到来为数据资产市场带来了前所未有的发展机会，数据资产价值确认与评估应当紧密结合市场实际情况，积极探索特殊表现背后蕴含的一般规律，找寻数据资产价值评估的技术方法。

2.2 数据资产价值评估方法

数据资产具有巨大的商业价值，市场上关于数据产品的交易日益频繁，如何合理确定数据资产价值成为当下亟待解决的问题。结合数据资产独特价值特征，目前普遍认为科学的评估方法包括成本法、市场法及收益法。

2.2.1 成本法

成本法是将数据资产在整个生命周期中所产生的成本费用扣除贬值后的数据评估价值的方法。该方法的优点在于简单直观，可操作性强，缺点在于其侧重于数据资产成本价值测算，而非数据商业市场价值，成本无法反映其价值。成本法往往更适用于新创建的数据资产，以及没有市场比较和收益预测的情况下。

2.2.2 收益法

收益法的本质是数据资产在收益期内各期收益折现为现值的总和。当人们开始主动关注数据资产的功能与效用时，采取收益法能更好地促进数据要素的合理定价。Berkman曾提出收益法是数据资产评估的最佳方法。但由于数据资产特殊性及收益法使用条件要求高，收益法在实际应用中可能存在诸多难点，例如：收益在数据资产评估中难以使用的主要原因是数据资产的预期收益及相应折现率难以确定。当下，收益法的实际应用仍值得探讨。

2.2.3 市场法

市场法可理解为通过对比分析相似数据资产在市场上的交易价格，来评估数据资产价值，是基于市场行情的评估方法。当市场存在成交价格时，相似数据资产的价值容易确认，能够反映市场参与者对数据资产的价值共识，易获得较为准确的价值评估，具有客观性。然而，市场法也存在一定局限性。一方面，交易市场上的数据产品定价机制很难做到市场化和标准化，另一方面，市场上关于大数据交易的信息相对不透明，可能会导致大数据资产的交易价格偏离正常的市场价格。因此，现有交易市场运用市场法评估数据资产会受到很大限制。

2.2.4 拓展方法

除了以上三种较为传统的评估方法，不少学者根据数据资产的价值特性提出了一些拓展方法。黄乐等（2018）将三种传统方法相结合，提出了平台数据资产的价值评估模型。该模型考虑到数据资产的总收益、数据商品成本、数据经营成本、平均市场回报率、市场调整系数等因素，全面反映了平台数据资产的价值。尽管该模型主要针对平台数据，但该模型的构建思路却可以引用到其他类型的大数据资产价值评估体系中。还有一些学者提出采用人工智能技术进行估值辅助工作。

3 数据资产价值评估与治理的互动关系

数据资产价值评估与治理之间呈现出一种密切的互动关系。这种互动关系不仅体现在两者之间的相互促进，还在于它们共同构成了一个完整的数据资产管理闭环，成为推动数据资产治理发展的重要动力。通过加强两者之间的联动和协同，企业可以更有效地管理和利用数据资产，实现数据资产的增值和最大化利用。

3.1 价值评估对数据治理的推动作用

数据资产的价值评估为数据治理提供了重要的参考依据。一方面，价值评估的结果可以指导企业制定更有针对性的数据治理策略；另一方面，价值评估可以帮助企业识别出数据资产中的潜在价值。通过价值评估，企业可以清晰地了解自身数据资产的价值所在，进而明确数据治理的重点和方向。

3.2 数据治理对价值评估的支撑作用

数据治理是数据资产价值评估得以顺利进行的基础和保障。有效的数据治理可以确保数据资产的质量、安全性和合规性，为价值评估提供准确、可靠的数据基础。通过数据治理，企业可以规范数据的采集、存储、处理和使用流程，防止数据泄露和滥用，确保数据的合规性。这些措施不仅有助于提升数据资产价值评估结果的准确性，还可以增强企业对数据资产价值的可信度，促进数据资产的进一步开发和利用。

3.3 价值评估与数据治理的协同机制

在数据资产管理过程中，价值评估和治理需要相互配合、相互支持，形成一个动态、循环的管理过程。一方面，价值评估的结果可以不断反馈到数据治理的实践中，从而及时调整和优化数据治理机制；另一方面，数据治理实践成果又可以提升数据资产质量和价值，为数据资产价值评估提供有力的支撑。这种协同机制使得数据资产价值评估与治理能够相互促进、共同发展，推动数据资产管理水平的不断提升。

4 提升数据资产治理能力的对策建议

随着数据价值被广泛认可，企业应充分重视数据资产价值评估与治理的互动关系，不断完善数据资产治理体系。企业数据治理的本质便是如何发挥数据资产价值最大化，重点关注将数据转化为数据资产的价值属性。数据治理可以提升数据质量，加强数据安全，从而更好地实现企业数据资产价值评估。基于此，本文从以下几点对提升数据资产治理能力提出对策建议。

4.1 建立场景化的数据治理管理体系

数据往往不能脱离于应用场景而独立存在，数据的场景化指的是数据在具体的业务场景中，才能发挥数据的“有用性”，即产生数据资产价值。为了更好地提升数据治理能力，需要建立场景化的数据治理管理体系，培养场景化治理思维。

首先，需要明确的治理目标。针对企业不同业务场景，对数据资产设定清晰、具体的治理目标，从而确保治理活动与业务需求紧密结合，并根据场景特点，制定个性化的数据治理策略，以数据采集、挖掘与应用为基础，实现线上线下的数据场景化应用，以便于对海量数据进行及时处理与分析。其次，可以通过数据发现问题、探寻业务场景，优化业务流程，为企业经营赋能。最后，建立评估机制定期对数据治理效果进行评估，根据评估结果调整治理策略，确保治理体系持续优化。

4.2 打造数据共享平台消除数据壁垒

打造集数据采集、存储、处理、分析和可视化于一体的智能化平台，该数据平台依托内外部数据收集实现数据共享，提升数据治理的智能化水平，以实现数据资产的内外部价值增值。首先，需要制定统一的数据标准和管理规范。依托大数据标准制定数据编码规则，按照编码规则和各自属性整理分类数据资产，定期备份，有助于实现部门间数据的无缝对接。其次，建立财务数据共享与协作平台，通过数据交换等方式，实现跨部门数据共享，打破数据孤岛，利用数据切实提供企业运营效率。同时，建立数据访问权限、数据备份机制，加强数据安全管理，降低数据泄露风险。最后，基于整个业务处理流程，建立数据中台反馈机制，形成“数据摄取—数据传递—数据分析—数据处理—监督审查”的数据循环流程来驱动企业各业务部门对数据的不断摄取与利用，确保数据信息的及时处理和利用。

4.3 构建多层次的数据治理组织架构

数据治理的组织架构是确保数据治理工作得以顺利进行的关键。首先，将其划分为决策层、管控层和执行层。（1）决策层：设立大数据委员会由其负责制定数据治理的目标、原则，以及审批和监督数据治理的实施计划，享有决策权和领导权。（2）管控层：设置数据管理团队，负责制定数据治理的具体流程，落实数据管理体系及配套考核办法。（3）执行层：设立数据治理工作小组，负责具体落实数据治理工作，主要包括技术组和数据管理组。技术组负责数据平台的运营维护、技术改进等；数据管理组负责数据收集、分析挖掘等。其次，需要各部门间协作配合，保证数据治理组织架构的流通性。最后，设立数据管理服务小组，帮助员工理解相关数据治理的策略，以提高数据治理的效率。

4.4 引进智能数据治理技术和工具

加强数据治理能力离不开数字技术的发展。首先，借助于人工智能技术方法。通过引入人工智能算法，对数据质量进行及时自动检测，精准识别异常数据，并对异常数据进行整合修改，从而提高数据资产治理效率。其次，采用先进的数据分析工具，例如使用数据挖掘、机器学习等技术，开展数据资产的分析和挖掘，使数据资产价值评估更精准，深入挖掘数据资产价值。最后，通过引入数据加密技术，设立防火墙，有效阻止未经授权的恶意侵扰、非法篡改及窃取，确保数据的安全性。

4.5 加强人才队伍建设

数据治理人才的“选、育、用、留”对提升数据资产治理至关重要。首先，加大对基础专业人才的培养力度，加强学科建设的支持力度，加快形成适应数字中国建设的统计与数据科学核心课程体系，培养一批具备专业知识和实践经验的数据治理人才。其次，引进国内外优秀的数据治理人才，提高人才引进经费，进而提升整体人才队伍的素质和水平。最后，通过设立人才奖励机制、提供晋升机会等方式，激发数据治理人才的工作热情和创新能力。

5 结语

在数据要素市场中，数据资产价值与日俱增，数据资产价值评估为数据交易提供了定价基础，促进了数据的流通。通过准确评估数据资产价值，企业和管理者借助数据在业务市场、风险预测等方面的潜在价值，更科学地制定发展战略。与此同时，随着企业数字化转型实践成功，数据治理颇受关注。数据治理是企业实现有效数据管理和利用的关键，其本质就是实现数据资产价值最大化。

本文研究了数字时代的发展趋势，聚焦于数据资产价值评估与数据治理的互动关系，通过两者协同研究发展，提出加强数据资产治理的对策建议，有利于数据资产价值评估科学合理，便于企业高效管理数据资产，实现数据资产价值最大化。毫无疑问，数据治理是企业数据资产价值创造的主要方式，数据治理与数据资产价值评估相互促进，其相关研究仍有很多待完善和优化的空间，未来需要与我国企业情景与实践进一步探讨。

参考文献

苑秀娥，尚静静.价值创造视角下互联网企业数据资产估值研究[J].会计之友，2024（6）：59-67.

李香梅，丛佳琛.数字经济背景下数据资产价值提升路径研究[J].中国资产评估，2023（10）：18-24.

董高静，孙娜，王保平.数字资产的概念辨析、估值技术与应用策略[J].财务管理研究，2023（10）：68-75.

叶露，潘立，丁昱尹.数据资产质量评价及价值评估技术研究进展[J].中国资产评估，2023（8）：50-59.

孙新波，王昊翀.数据治理：概念、研究框架及未来展望[J].财会通讯，2023（14）：21-28.

吕慧，赵冠月.数据资产的价值评估与会计处理研究进展综述[J].财会通讯，2023（13）：24-30.

李秉祥，任晗晓.大数据资产的估值[J].会计之友，2021（21）：127-133.

林飞腾. 大数据资产及其价值评估方法：文献综述与展望[J].财务管理研究， 2020（6）： 1-5.

黄乐，刘佳进，黄志刚.大数据时代下平台数据资产价值研究[J].福州大学学报（哲学社会科学版），2018，32（4）：50-54.

BERKMAN M. Valuing intellectual property assets for licensing transactions[J]. Licensing Journal，2002，22（4）： 16-23.