数据资产评估与定价： 基于“开发—应用—风险”三维模型

【摘要】随着数据要素交易市场的快速发展， 目前缺少对数据资产价值统一的评估与定价方法， 无法有效确定企业数据资产的价值。深入探究企业数据资产价值评估方法， 旨在为企业提供针对性的数据资产定价建议， 使企业实现更优资源配置。通过对企业数据资产的特征和价值影响因素的研究梳理， 构建基于数据势能理论和数据全生命周期的企业数据资产“开发—应用—风险”三维价值评估模型， 对企业数据资产进行价值评估。并通过案例分析对此评估模型进行可行性和有效性的验证， 将数据势能模型引入企业数据资产评估中， 推动数据要素市场价格机制的建立与发展。

【关键词】数据资产；数据势能；生命周期；价值评估

【中图分类号】 F270 【文献标识码】A 【文章编号】1004-0994（2024）21-0089-7

一、 引言

21世纪初， 数据主要应用于电子商务、 社交媒体和在线娱乐等领域， 被视为辅助信息和营销工具。2015年8月， 国务院发布《促进大数据发展行动纲要》， 标志着大数据已被纳入国家中央战略规划， 而党的十九大报告也将“推进数字经济与实体经济的深入紧密结合”纳入其中。随着大数据、 云计算和人工智能等信息技术的兴起， 数字经济和实体经济不断融合， 数据作为一种新型生产要素和经济发展的驱动力逐渐受到广泛关注。2020年4月， 中共中央、 国务院发布的《关于构建更加完善的要素市场化配置体制机制的意见》明确提出， 数据正式被归类为五大生产要素之一， 与土地、 资本、 技术和劳动力并列， 进一步确认了数据要素的重要地位。2023年12月31日， 为深入贯彻落实习近平总书记关于发挥数据要素作用的重要指示精神， 国家数据局等联合印发了《“数据要素×”三年行动计划（2024—2026年）》， 强调到2026年底， 数据要素的应用范围和深度将大幅扩展， 尤其是在经济发展领域， 数据要素的乘数效应将变得明显。同时， 场内交易与场外交易有机融合， 推动数据交易规模扩张， 促进新业态发展成为经济增长新引擎， 推动经济高质量发展。其中， 随着数据市场规模的爆炸式增长， 数据资产的价值评估与定价被认为是数据要素交易市场中的关键环节。

根据全国信息技术标准化技术委员会（2018）提出的《信息技术服务 治理 第5部分：数据治理规范》（GB/T 34960.5-2018）， 数据资产是指组织合法持有的， 能够被评估、 分析和使用的数据资源。而数据资产评估与定价是一项活动， 用于对组织内的数据资产进行定量和定性评价， 包括评估其现状、 质量和价值等方面。对数据资产进行全面、 客观、 准确的评估是增加市场活跃度、 促进市场规范以及快速发展市场的重要基础， 是保障数据要素有序流通与价值挖掘的重要手段， 对推动政府和企业数字化转型具有战略意义（李静萍，2020）。然而， 数据5P8eoCm/WmtnhqvU3vkx7g==资产与传统资产之间存在明显的区别， 不同行业、 企业甚至不同应用场景下的数据资产价值均不同， 不能直接使用传统资产价值评估定价方法（孙淑萍，2022；高华和姜超凡，2022）。目前数据资产交易市场中缺少对数据进行统一的定价机制和交易规则， 国家尚未出台规范的公共数据交易指导价格， 无法有效地评估数据资产的实际价值。因此， 如何进一步完善数据资产的价值评估与定价方法， 助力企业实现更优的资产配置， 是目前亟待解决的问题。

围绕这一问题， 现有关于数据资产的研究大多从企业微观视角展开， 探究了企业数据资产化特征（李秉祥等，2024；韩秀兰和王思贤，2023）、 分类（曾雪云和杜晟，2023）、 影响因素（孙淑萍，2022；孙俐丽等，2017）以及会计处理方法（赵星和李向前，2024；周德良和李睿，2024；曾家瑜和赵治纲，2023）等， 多数基于金融资产定价理论进行拓展和改进， 且在部分研究中具有一定的主观性， 缺少对企业数据资产化定性定量的客观研究， 同时多为理论分析， 鲜有实证研究。在此情况下， 本文按照分类分级的原则， 综合考虑产生数据的系统建设成本、 数据的质量成本和治理成本等因素， 基于普华永道所提出的数据势能概念， 将企业数据资产价值划分为数据资产开发价值、 应用价值和风险价值， 构建基于数据生命周期的企业数据资产“开发—应用—风险”价值评估与定价模型， 为企业提供针对性的数据资产定价建议以及更全面、 深入和综合的数据资产定价分析框架， 如图1所示。

二、 相关研究

（一） 数据资产相关概念辨析及特征提取

1. 相关概念辨析。当前数据资产的研究中涉及“数据要素、 数据资源、 信息资产、 数字资产、 数据资产”等多个概念。若不能理解这些概念， 在研究中可能会混淆或误用， 进而影响研究的严谨性与准确性。在数据资产化和对其进行评估定价的过程中， 对相关概念的梳理有助于深入理解数据资产的本质以及其在企业管理和价值创造过程中的重要作用。通过对数据要素、 数据资源、 信息资产、 数字资产、 数据资产等概念的梳理与辨析， 为本文提供基础理论支持， 为相关研究提供术语准确性与一致性的保障， 从而推动数据资产化理论与实践的深入发展。

（1） 数据要素。随着互联网的发展， 数据早已被视为促进经济发展的重要资源之一（Cleveland，1982）。2019年， 党的十九届四中全会提出建立完善的市场评估机制， 以确定劳动、 资本、 土地、 知识、 技术、 管理等生产要素的贡献， 并根据其贡献程度确定相应报酬， 这一举措在全球范围内首次将数据列为正式的生产要素之一。自此， 数据作为新型生产要素， 向社会各领域迅速渗透， 并催生了以数据驱动为核心的产业、 业态和商业模式集合（戚聿东和肖旭，2020）。目前， 国家层面尚未正式对数据要素在法规政策上进行定义， 但社会各界正积极探索此领域。中国信息通信研究院将数据要素定义为“在特定生产需求下， 通过汇聚、 整理、 加工等步骤形成的计算机数据及其衍生形态”（孙静等，2023）， 因其具有低成本、 非竞争性、 规模报酬递增、 协同性等特性， 被视作关键生产要素而广泛使用（蔡跃洲和马文君，2021）。数据要素是信息的基本单元， 通常指信息中的一个个体、 属性或特征， 可以是一个数字、 一个文字、 一个图像或者其他形式的数据单元， 是构成数据资源的基础， 也是数据价值实现的基础。

（2） 数据资源。在数据生产的经济逻辑中， 数据资源作为数据要素的重要起点， 被确立为数据价值链的核心地位（张衠，2024）。数据资源一词的提出可以追溯到Voich 和 Wren（1968）在管理学领域的研究， 用来指代一些关键的数据变量。2015年11月， 《中共中央关于制定国民经济和社会发展第十三个五年规划的建议》发布， 提出了加强数据资源开放共享、 实施国家大数据战略的重要举措， 数据资源一词首次出现在政策文件中。在已有文献中， 数据资源通常指企业可以获得的各类数据， 多为有潜在价值但还未经过加工的碎片化的即时信息（Ackoff，1967）。虽然数据资源未形成企业正式的业务， 不一定能为企业带来相应的经济效益， 但在数据可无限复制的特征下， 打破了传统生产要素对企业的供给桎梏， 为企业经济增长助力（李健等，2023）。同时， 数据资源是指组织或个人所拥有的数据的集合， 包括各种形式的数据要素， 也是数据管理的基础， 为组织和个人提供信息支持和决策依据。

（3） 信息资产。信息资产一词最早出现于Stuart Kaback（1977）的索引系统介绍中， 该系统被称为无价的信息资产。《霍利报告》（The Hawley Report）将“信息资产”定义为无论是否被记录的有价值的任意数据。目前， 朱扬勇和叶雅珍（2018）、 马克卫等（2023）认为， 较好的信息资产定义是已经或应该被记录下来的、 可能包含有价值或潜在价值的数据。现有文献普遍认为， 根据信息资产的价值和重要性识别并分类， 有助于更好地管理和运用这些信息， 从而确保企业商业利益最大化， 并且与管理其他资产相同， 董事会需要承担其在信息资产管理中的责任（Kaback，1977；Oppenheim，1998）。因此， 信息资产是对数据资源加工和利用的结果， 超越了单纯的数据， 是对信息价值和影响力的评估， 提供了更高层次的洞察和价值。

（4） 数字资产。1996年， Meyer作为第一人， 在《维护数字资产技巧》中提出数字资产这一概念。从数字资产的特征来看， Toygar等（2013）、 Genders和Steen（2017）等认为数字资产具有二进制形式、 数字化、 使用权和持有权等显著特征。因此， 部分学者认为较为合适的数字资产的定义是： 以二进制形式产生并且拥有数据所有权的、 在互联网设备中生成并存储的数据（朱扬勇和叶雅珍，2018；马克卫等，2023）。之后， 随着比特币等基于区块链技术的虚拟货币的出现， 柯达（2023）、 邬瑜骏和曲晓辉（2022）将数字资产定义为利用区块链技术、 将数字信息以代码的形式表达并通过网络进行传播、 存储和交易的资产。目前， 已有文献多数认为数字资产是基于区块链技术的加密货币、 代币或数字藏品等已登记、 定价并且能进行交易的资产（邬瑜骏和曲晓辉，2022）。在数字化时代， 数字资产是广义上的资产， 如数字形式的数据、 信息、 技术和知识等， 具有特殊的重要性和价值。

（5） 数据资产。数据资产一词源自Richard Peters（1974）发表的著作中， 其提出数据资产包含了政府债券、 公司债券和实物债券等资产。随后， Ugur Algan（1997）在著作《勘探生产数据库分析——实用创建技术》中更加深入地阐述了这一概念， 指出企业数据资产的数量、 质量、 完整性和可用性会对企业的竞争地位和市场价值产生重要影响。2009年， 国际数据管理协会在《DAMA数据管理知识体系指南》中明确指出， 在信息时代， 数据是企业的重要资产， 企业应对其开展有效的管理行为。中国通信标准化协会大数据技术标准推进委员会等于2021年发布的《数据资产管理实践白皮书（5.0版）》中， 将数据资产定义为企业通过采集、 存储与分析所形成的海量信息型的资源， 且未来能够给企业带来经济价值（陈国青等，2020）。而2023年9月出台的《数据资产评估指导意见》则称数据资产是指特定主体合法拥有或者控制的， 能进行货币计量的， 且能带来直接或间接经济利益的数据资源（周文君，2024）。企业数据资产指的是企业合法合规控制、 可计量成本、 具有经济效益潜力的数据资源， 包含数据的价值和潜在贡献， 强调数据对于实现组织目标、 支持业务决策和创造商业价值的重要性。其概念涵盖了将企业所持有的数据资源作为企业资产进行科学管理， 并探索其经济与社会价值的实现过程， 包括完善数据全生命周期治理方案、 形成数据交易机制、 创新数据价值评估理论以及构建数据生态等方面（罗玫等，2023）。然而， 目前学术界对数据资产的概念尚未构成统一定论， 不同学科对数据资产概念的侧重点各有不同。

这些概念在强调数据在经济发展和企业运营中的重要性上有所重叠， 但在具体的定义和范围上有一定的区别。数据要素一词通常用于数字经济领域， 指在讨论生产力和生产关系时数据的生产价值， 即根据特定生产需求而汇聚、 整理、 加工形成的计算机数据及其衍生形式。数据资源更侧重于数据的获取和利用， 着重于数据的来源和可利用性。信息资产注重数据的价值和管理， 关注点在于数据的内容、 质量和有效性， 以及如何最大化地利用这些信息来实现企业目标。数字资产则是指具有数字化形式、 可交易性和持有权的资产， 包括加密货币、 数字化商品和服务等， 其交易多涉及代码的买卖或转移。数据资产是通过对数据的分析、 处理和加工而形成的， 其特点是具有可控性、 可测量性以及可实际应用性， 更广泛地涵盖了企业数据的各个方面， 包括数据的获取、 存储、 加工、 分析以及数据所带来的商业价值和社会影响， 强调了数据在企业价值创造中的重要作用， 并倡导科学管理和最大化数据资产的价值， 其交易则往往涉及数据的使用权或所有权。

2. 特征提取。关于数据资产的特征， 国内外许多学者都对此展开了研究， 从多个角度分别提出了不同的观点。部分学者基于数据资产的所有权讨论数据资产的特征， 如徐京平和张可雨（2024）认为公共数据资产具有可共享性， 黄乐等（2018）指出企业数据资产还具有时效性、 随机性和相关性的特征。同时， 从数据资产的属性来看， 大多数学者都认同数据资产具有大数据的五个特征这一观点， 即Volume（大容量）、 Velocity（高速度）、 Veracity（准确性）、 Variety（多样性）和Value（价值）（李秉祥等，2024）。还有部分研究认为数据资产也具备无形资产的特性， 即无实物形态、 非货币性和可辨认性三个特征（马悦和周美华，2024；宋书勇，2024）。倪渊等（2020）将数据资产归类为非标准化商品， 认为其具有多样性、 不确定性和成本模糊等特征。此外， 于艳芳和孙俊烨（2023）则认为数据资产具有多样性、 可加工性和价值易变性。中国资产评估协会于2019年发布的《资产评估专家指引第9号——数据资产评估》对数据资产的特征做出了系统总结， 包括非实体性、 依托性、 多样性、 可加工性、 价值易变性等基本特征。还有部分学者通过研究数据资产特征如价值不确定性（李清逸和罗敬蔚，2022）、 虚拟性（张雅俊，2023）、 可控制性（张兴旺等，2019）等， 对数据资产确权、 溯源以及估值进行了分析。

（二） 数据资产化相关研究

1. 数据资产价值的影响因素。现有研究对数据资产价值的影响因素从不同维度进行划分。从数据发展阶段出发， 魏晓菁等（2015）基于数据资产的形成过程， 即数据采集方式、 数据资源质量保证、 数据资产完成三个方面进行数据资产可信度影响因素分析。杨凯（2022）基于数据积累、 应用和资产化三个阶段分析企业数据资产价值的影响因素。翟运开等（2024）在数据生命周期视角下， 将数据资产化影响因素划分为数据采集、 数据存储、 数据处理、 数据管理、 数据应用及相关环境六个维度进行医疗健康领域研究。从数据实际应用出发， 王业军（2023）从政务数据标准化、 安全化、 市场化和价值化四个方面提出影响政务数据资产价值的关键影响因素和一般影响因素。此外， 阳巧英和夏义堃（2023）从主体、 客体以及环境三个维度归纳数据要素的影响因素。王卫等（2020）在生态系统视角下， 从利益相关者、 数据流、 内外部环境三个维度探究影响数据价值实现的因素。孙淑萍（2022）利用扎根理论将初始成本、 数据时效性、 数据容量等影响因素分为成本维度、 数量维度、 质量维度、 应用维度和风险维度五个主范畴。

2. 数据资产价值评估方法。数据资产价值评估是确定数据资产价格的前提， 对推进数据资产市场化具有重要意义。目前， 对企业数据资产价值评估的深入研究尚处于探索阶段， 主要可分为三类。一是对传统的无形资产评估方法进行改良， 如： 邹贵林等（2022）引入成本修正的概念， 提出采用两阶段成本修正法的企业数据资产定价方式； 苑秀娥和尚静静（2024）从价值创造视角出发， 构建了基于收益法及灰色神经网络—超额收益法的数据资产估值模型； 嵇尚洲和沈诗韵（2022）运用收益倍增模型与情景分析法， 结合用户数据倍加系数， 评估企业数据资产价值。二是采用影响因素评估， 如： 李永红和张淑雯（2018）利用层次分析法并结合市场法构建数据资产价值评估模型； 陆岷峰和欧阳文杰（2022）基于层次分析法构建价值评价指标体系五维模型， 对商业银行数据资产的价值进行非货币化评估打分； 张志刚等（2015）采用层次分析模型构建指标评价体系， 建立综合成本和应用的数据资产价值评估模型。三是构建新模型， 如： 严鹏等（2023）基于机器学习构建数据资产价值评估模型； 陈芳和余谦（2021）提出基于剩余法的多期超额收益模型， 为数字化转型企业的数据资产价值评估提供参考； 赵需要等（2022）借助数据势能模型， 从开放数据开发价值、 潜在社会价值和潜在经济价值三个维度进行政府公开平台数据资产价值评估。

现有研究虽然对数据资产价值的影响因素以及评估与定价方法进行了多方面探讨， 但研究手段相对单一， 多依赖单一维度进行数据资产价值评估方法的设计， 未能将评估模型、 传统方法以及影响数据资产价值的多元因素有效结合， 无法更全面地评估数据资产的整体价值。鉴于此， 本文为了满足企业进行数据资产价值评估和定价的现实需求， 在市场法、 成本法和收益法三种传统方法的研究基础上， 根据数据势能概念， 从数据资产的“开发—应用—风险”三个维度构建基于数据生命周期的企业数据资产价值评估与定价模型。

三、 数据资产“开发—应用—风险”价值评估模型构建

（一） 数据势能理论

在物理学中， 势能是一种储存于系统内， 且可以释放或转化成其他形式的能量。近年来， 势能也开始被广泛应用于跨学科研究， 为许多研究提供了新的思考方式。曹琦和严则金（2024）通过研究医改政策来分析高势能政策的执行偏差； 高勇（2010）构建企业势能创新模型， 对开发区企业集群的创新动力和创新资源进行研究； 王永华等（2022）认为， 在知识链中知识势差会使知识产生溢出效应。数据势能的理论源自对势能的探索， 即将某种物质的力量以某种方式转换为其他物质的力量， 也就是价值。普华永道在《开放数据资产估值白皮书》中基于我国省级政府开放数据首次提出数据势能模型， 认为政府数据资产具有较强的普惠性， 依据公共开放数据的特性和数据资产价值的影响因素构建了公共数据资产价值评估模型。根据牟冬梅等（2023）的研究， 数据势能被定义为数据及其衍生产品或服务的潜在价值和效用。但由于数据资产具有价值易变性， 不同类型的数据在不同的应用场景下价值各异， 因此适用于公共开放数据的价值评估模型和参数无法直接推广至其他数据资产的评估与定价过程中。

在此情形下， 本文基于数据资产生命周期视角， 结合企业中数据资产的特征和价值影响因素， 综合考虑数据产生的系统建设成本、 数据的质量和治理成本等因素， 构建企业“开发—应用—风险”数据资产三维评估模型， 如图2所示。

（二） 变量选择及衡量方式

现有研究中对企业数据资产特征以及价值影响因素的直接研究较少（孙俐丽等，2017）， 大部分研究集中在数据资产价值的影响因素对数据资产定价模型的优化上， 本文通过系统探究企业数据资产的特征和影响因素， 从开发层面、 应用层面、 风险层面来选择变量， 见表1。

1. 开发层面包括开发成本和效率指数。在难以确定企业数据资产基本价格的情况下， 企业对数据资产的估值普遍等于其开发成本之和， 包括数据采集和验证等建设成本、 数据存储和整合等日常运营成本、 人力和外包费用以及间接费用等管理成本， 即在本文中， 开发成本变量采用研发费用、 销售费用、 管理费用、 财务费用之和衡量（阳巧英和夏义堃，2023）。调整系数则采用开发效率指数衡量， 即企业营业总收入/营业总成本（赵需要等，2022）。

2. 应用层面包括场景经济性效益、 数据规模和数据质量调整结果。根据企业利润最大化原则， 财务报告概念要求企业拥有的资产在未来可能产生收益（罗玫等，2023）， 因此数据资产的应用价值大部分来源于数据资产带来的效益， 但由于目前数据资产定义尚不明晰， 数据资产需要和企业其他生产要素共同作用产生效益， 因此， 数据资产应用在不同场景下的经济效益难以直接衡量， 本文采用企业年报中披露的经营活动产生的净现金流量来表示（高华和姜超凡，2022）。此外， 数据质量与数量均为数据资产价值评估的关键影响因素（林娟娟等，2023）。数据规模的扩大能够使更多领域融合交叉发展， 从而衍生出新业态， 创造出更高的价值（韩秀兰和王思贤，2023）， 但由于数据资产目前尚未单独入表披露， 仍旧隶属于无形资产， 因此本文采用企业近5年的无形资产来衡量（于艳芳和孙俊烨，2023）。同时， 高质量的数据资产有助于提升算法的精准度， 减少由于数据质量低下导致的决策失误而带来的损失， 进一步提高数据资产价值（阳巧英和夏义堃，2023）。本文通过对企业数据资产的准确性、 一致性、 完整性、 规范性、 及时性和可访问性六个维度进行打分（取值为0 ～ 1）， 来衡量企业数据质量调整效果（闭珊珊等，2020）。

3. 风险层面包括风险成本增长率和企业拥有数据资产年数。从数据资产价值的影响因素来看， 风险是评估其价值高低的外部因素之一（孙淑萍，2022）。风险包括道德层面和法律层面（刘雁南和赵传仁，2023）， 但道德层面难以通过构建评价指标去量化或直观表现（于艳芳和孙俊烨，2023）， 因此本文仅考虑法律层面的风险， 采用企业近5年负债平均增长率表示风险成本增长率（高华和姜超凡，2022；赵需要等，2022）。由于目前数据资产披露暂且属于自愿披露阶段， 企业数据资产的价值尚未直接反映在资产负债表里， 多数企业仅在上市后的市场价格中或在企业进行并购时才得以体现（Crouzet和Eberly，2018）， 因此企业拥有数据资产年数无法直接通过企业年报判断， 采用企业当年年份减去上市年份加1表示（牛彪等，2023）。

（三） 模型构建

本文在数据势能理论的基础上， 结合企业数据资产价值影响因素和数据资产特征， 对其指标系数进行优化调整， 构建企业数据资产价值评估模型。企业数据资产价值V的评估借助物理学中的重力势能模型来表示， 见公式（1）：

V=h·mg （1）

式中： h表示数据资产开发价值； m表示数据资产应用价值指数； g表示数据资产风险价值指数。

数据资产开发价值（h）tMQOCeGewPJQXyORU8EPDQ==可以从多个方面来体现， 其中包括从数据收集、 存储、 分析到应用这一过程中投入的大量建设、 运营、 管理和间接费用。由于目前企业数据资产化处于刚刚起步的阶段， 因此数据积累相对较少。随着后期数据量的增加， 其开发价值可能会呈现出较快增长。见公式（2）：

h=∑（a×d） （2）

式中： a表示企业数据资产开发效率指数； d表示企业在数据资产开发阶段所投入的成本总和。

数据资产应用价值指数（m）指企业数据资产在企业商业运营和决策过程中所能够产生的经济效益和战略价值， 见公式（3）：

m=m0÷qi×s （3）

式中： m0为场景经济性效益， 是指数据资产在不同场景下的应用潜力和带来的经济效益， 通过计算企业的数据资产在数据生命周期内所带来的净现金流量来表示； qi为数据规模， 该指标利用企业的无形资产价值来衡量； s为数据质量调整效果， 从企业数据的准确性、 一致性、 完整性、 规范性、 及时性和可访问性六个维度进行打分评价， 取值为0 ～ 1。调查问卷如图3所示。

数据资产风险价值指数（g）为非恒定因素， 指企业历年来因为该数据资产而产生的相关风险指数， 见公式（4）：

g=（1+ge）x （4）

式中： ge为企业每年面临的风险成本增长率； x为企业拥有数据资产年数。随着时间的推移， 企业面对的风险可能会有所增加。

四、 案例分析

（一） 案例背景与数据来源

本文选择T企业为案例， 对该企业的数据资产价值进行评估。该企业成立于1993年， 作为领先的人工智能、 大数据和数据安全产品及服务提供商， 在数据资产积累、 数据要素加工技术、 场景化解决方案等方面具有较大优势， 拥有各行业数据资产总量超2000亿条。近年来， 该企业与多家头部大模型厂商及国家级实验室签订合同， 为其提供高质量多元化数据。2023年9月， 该企业与上海数据交易所签署战略合作协议， 双方拟定在数据资产登记与入表、 共建共创数据产品库、 数据加工处理服务与数据治理服务等方面深化战略合作。本文评估过程中的数据主要来源于该企业2018 ～ 2022年的年报信息。

（二） 评估过程

通过查阅T企业2018 ～ 2022年披露的年报中的研发费用、 销售费用、 管理费用、 财务费用、 营业总收入以及总成本等相关部分， 得到企业近5年对数据资产开发成本以及开发效率指数， 相关财务数据如表2所示。

按照公式（2）计算得出企业数据资产开发价值（h）=239486.826（万元）。

数据资产应用价值指数（m）从数据本身和产生的经济效益出发， 即使T企业作为数据密集型企业， 数据要素生产为其带来绝大部分收益， 但由于目前数据资产暂无确切定义， 并且自2024年1月后数据资产才正式被视为一种资产纳入财务报表， 因此计算T企业2018 ～ 2022年的经营活动所产生的净现金流量得到： m0=30649.545+22150.584+19107.963+18906.237+18349.218=109163.547（万元）； 数据资产的规模取T企业近5年的无形资产价值， 即qi=3528.938+7622.556+13878.910+30174.650+26068.568=81273.622（万元）。为了保证数据资产质量评估的专业性和客观性， 本文邀请武汉大学经济与管理学院和信息管理学院的信息管理、 金融、 会计等多个相关专业的专任教师共同组成的20位专家团队为T企业的数据资产质量打分， 从数据的准确性、 一致性、 完整性、 规范性、 及时性和可访问性六个维度综合评价， 加权平均后得出s=0.7。由公式（3）计算得出， m=109163.547/81273.622×0.7=0.940。

数据资产风险价值指数g由T企业随着拥有数据资产的时间推移， 根据近5年来的平均负债增长率计算得出， 具体数据如表3所示。

通过计算T企业2018 ～ 2022年的负债增长率的均值得出ge=0.134； 由于T企业在2011年成功上市， 而本文设置的计算基准年为2022年， 因此得出企业拥有数据资产的年限x=2022-2011+1=12。由公式（4）计算得出： g=4.522。

将上述各变量以及系数值代入企业数据资产价值评估模型， 即公式（1）中， 计算得出， V=239486.826×0.94×4.522=1017981.862（万元）。

（三） 评估结果

经计算， T企业数据资产价值约为1017981.862万元， 各层面价值变量及评估结果如表4所示。

在运用该模型评估得出数据资产价值后， T企业可以通过这一结果调整企业未来的投资和资源分配， 以推动业务增长和创新， 开发新的数据驱动业务模式、 产品和服务， 为企业的战略规划和决策制定提供指导， 满足客户需求并保持市场竞争优势。随着数据技术和分析方法的不断进步， 企业数据资产价值的评估方法和应用场景也将不断拓展和完善。未来， T企业可以进一步深化对数据资产价值的理解， 并将评估结果与其他指标和数据结合起来， 为企业未来的发展提供更准确的指导， 从而创造更大的价值和更多的竞争优势。

五、 总结与展望

本文通过梳理探究企业数据资产价值评估与定价相关文献， 整理分析了企业数据资产的特征和关键价值影响因素， 在普华永道提出的政府公共开放数据价值评估的数据势能模型的基础上， 结合已有文献从数据生命周期视角出发， 将数据资产价值分为开发价值、 应用价值和风险价值三个层面， 构建基于数据势能理论的价值评估模型并进行价值评估实践， 进一步完善企业数据资产价值评估与定价方法， 推进灵敏有效的价格机制。

本文基于数据势能概念构建企业数据资产“开发—应用—风险”三维价值评估模型， 是对企业数据资产价值评估的一个重要尝试。然而， 该方法仍然存在一定的局限性。首先， 根据《企业数据资源相关会计处理暂行规定》， 企业中符合《企业会计准则第6号——无形资产》的数据资源可以被确认为无形资产， 其余数据资产可被视为存货， 因此本文中数据资产规模直接采用企业无形资产价值衡量可能有失偏颇。其次， 该评估模型对数据资产的风险价值评估不够全面， 无法覆盖所有潜在的数据风险因素， 例如对于道德层面的风险无法进行量化评价。最后， 由于企业数据资产具有价值易变性， 其价值可能会随着时间和环境的推移而不断变化， 因此评估模型需要进一步调整和完善， 以确保评估结果的有效性和可靠性。

基于此， 在接下来的研究中， 需要更加深入地探究影响企业数据资产价值的因素， 全面分析数据资产蕴藏的多重潜在价值， 完善价值衡量指标以及数据资产价值评估模型， 以期为企业的数据资产管理和价值评估提供更加精准的参考和建议。

【 主 要 参 考 文 献 】

闭珊珊，杨琳，宋俊典．一种数据资产评估的CIME模型设计与实现［ J］．计算机应用与软件，2020（9）：27 ～ 34．

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．

陈芳，余谦．数据资产价值评估模型构建——基于多期超额收益法［ J］．财会月刊，2021（23）：21 ～ 27．

陈国青，曾大军，卫强等．大数据环境下的决策范式转变与使能创新［ J］．管理世界，2020（2）：95 ～ 105．

高华，姜超凡．应用场景视角下的数据资产价值评估［ J］．财会月刊，2022（17）：99 ～ 104．

高勇．开发区企业集群创新势能研究［ J］．社会科学战线，2010（5）：246 ～ 249．

韩秀兰，王思贤．数据资产的属性、识别和估价方法［ J］．统计与信息论坛，2023（8）：3 ～ 13．

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（4）：50 ～ 54．

嵇尚洲，沈诗韵．基于情景法的互联网企业数据资产价值评估——以东方财富为例［ J］．中国资产评估，2022（2）：29 ～ 38．

柯达．数字资产视角下货币法律概念的界定［ J］．重庆大学学报（社会科学版），2023（5）：226 ～ 239．

李秉祥，李真，茹雨青．数字经济背景下物流企业大数据资产的估值研究——以圆通速递为例［ J］．财会通讯，2024（2）：84 ～ 89．

李健，董小凡，张金林等．数据资产对企业创新投入的影响研究［ J］．外国经济与管理，2023（12）：18 ～ 33．

李静萍．数据资产核算研究［ J］．统计研究，2020（11）：3 ～ 14．

李清逸，罗敬蔚．数据价值链视角下数据要素定价机制研究［ J］．价格理论与实践，2022（3）：94 ～ 97．

李永红，张淑雯．数据资产价值评估模型构建［ J］．财会月刊，2018（9）：30 ～ 35．

马克卫，王硕，苑杰．数据资产核算应用研究：理论与实践［ J］．中南财经政法大学学报，2023（5）：149 ～ 160．

马悦，周美华．电商平台数据资产核算问题分析［ J］．财会月刊，2024（3）：48 ～ 54．

牟冬梅，彭浩，华树成等．电子病历数据势能模型研究［ J］．现代情报，2023（5）：3 ～ 13．

倪渊，李子峰，张健．基于AGA-BP神经网络的网络平台交易环境下数据资源价值评估研究［ J］．情报理论与实践，2020（1）：135 ～ 142．

牛彪，王建新，王超．促进治理还是加剧污染：共同机构投资者如何影响企业环境绩效［ J］．企业经济，2023（8）：14 ～ 23．

戚聿东，肖旭．数字经济时代的企业管理变革［ J］．管理世界，2020（6）：135 ～ 152．

全国信息技术标准化技术委员会．信息技术服务 治理 第5部分：数据治理规范（GB/T 34960.5-2018）［M］．北京：中国标准出版社，2018．

宋书勇．企业数据资产会计确认与计量问题研究［ J］．会计之友，2024（2）：95 ～ 101．

孙静，王建冬，潘永等．数据要素市场标准化路径发展探究［ J］．价格理论与实践，2023（10）：21 ～ 25．

王永华，石琳娜，陈劲．基于知识势差的知识链成员知识协同博弈研究［ J］．软科学，2022（8）：24 ～ 31．

魏晓菁，陈峰，董媛媛．数据资产可信度评估模型研究［ J］．计算机应用，2015（S2）：170 ～ 173．

邬瑜骏，曲晓辉．数字资产监管框架与会计问题研究——兼评美国数字资产行政命令［ J］．财会月刊，2022（20）：8 ～ 17．

徐京平，张可雨．国家审计与公共数据资产管理：逻辑体系、作用机制和驱动路径［ J］．财会通讯，2024（5）：14 ～ 21．

严鹏，史一翔，方劲平．我国数据要素资产化价值评估研究——基于机器学习的探索性分析［ J］．价格理论与实践，2023（10）：26 ～ 31．

阳巧英，夏义堃．我国数据要素价值形成机理、影响因素与实现路径——基于扎根理论的分析［ J］．图书与情报，2023（2）：12 ～ 22．

翟运开，刘冰琳，王宇等．数据生命周期视角下医疗健康大数据资产化影响因素研究［ J］．情报杂志，2024（1）：183 ～ 190．

曾雪云，杜晟．企业自有数据资产的分类与估值方法探究——基于光大银行数据资产估值实践［ J］．财务与会计，2023（19）：50 ～ 53．

张兴旺，廖帅，张鲜艳．图书馆大数据资产的内涵、特征及其合理利用研究［ J］．情报理论与实践，2019（11）：15 ～ 20．

张雅俊．基于市场机制和交易场景的数据要素定价模型［ J］．社会科学家，2023（10）：72 ～ 76．

赵星，李向前．数据资产“入表”的准则考量与推进思路［ J］．财会月刊，2024（3）：55 ～ 60．

赵需要，郭义钊，姬祥飞等．政府开放数据生态链上数据要素价值分析及评估模型构建——基于“数据势能”的方法［ J］．情报理论与实践，2022（12）：50 ～ 59．

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．

邹贵林，陈雯，吴良峥等．电网数据资产定价方法研究——基于两阶段修正成本法的分析［ J］．价格理论与实践，2022（3）：89 ～ 93．

Cleveland H.. Information as a resource［ J］． Futurist，1982（6）：34 ～ 39．

Crouzet N.， Eberly J.. Intangibles， investment， and efficiency［ J］． AEA Papers and Proceedings，2018（108）：426 ～ 431．

Genders R.， Steen A.. Financial and estate planning in the age of digital assets： A challenge for advisors and administrators［ J］． Financial Planning Research Journal，2017（1）：75 ～ 80．

Meyer H.. Tips for safeguarding your digital assets［ J］． Computers & Security，1996（7）：588．

Toygar A.， Rohm Jr C. E.， Zhu J.. A new asset type： Digital assets［ J］． Journal of International Technology and Information Management，2013（4）：113 ～ 119．

Oppenheim C.. Valuing information assets in British companies［ J］． Business Information Review，1998（4）：209 ～ 214．

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