企业数据资产价值形成的微观原理及其估值研究

【摘 要】 数据资产是企业生产经营活动的关键战略资源，文章基于数据价值链理论探究了企业数据资产价值形成的微观原理，采用线性函数和协方差等方法构建了分环节可计量的、适用于不同类型企业的数据资产估值模型。研究发现，文中构建的企业数据资产估值模型不仅为企业数据资产入表提供了切实可行的实操工具，而且使企业在数据资产运营与管理时企业数据资产价值的具体环节与来源可识别、可溯源、可控制，企业数据资产估值应考虑数据资产的类型和反映企业数据资产自身不同特征的调整价值。这为数据资产入表和增强企业数据治理能力等提供了理论和方法上的支持，为数据资产会计准则的制定提供了实践基础，对推动新质生产力的形成与发展具有重要的理论意义和实践价值。

【关键词】 企业数据资产； 数据价值链； 微观原理； 数据资产价值； 估值模型

【中图分类号】 F234.3；F061.3 【文献标识码】 A 【文章编号】 1004-5937（2024）23-0106-08

一、引言

2019年党的十九届四中全会提出，将数据视为一种新型的生产要素。数据作为数字经济发展的核心要素和“石油”，日益成为我国资源配置、经济结构转型与全球竞争力布局重塑的核心资源与动力[ 1-2 ]。2023年8月，财政部颁布了《企业数据资源相关会计处理暂行规定》（以下简称《暂行规定》），提出了企业数据资产的“入表”要求和“入表”时间。2023年9月，中国资产评估协会进一步对数据资产的估值方法做出了相关规定，但是没有提出企业数据资产的统一估值模型和计量方法，因此企业难以对数据资产进行合理估值并准确披露数据资产信息，也难以将数据资产入表。

现有研究主要关注的是企业数据资产的会计确认、安全治理、分类和入表科目及理论估值方法与模型，尚未有学者研究企业数据资产的价值形成原理[ 3-8 ]。现有关于企业数据资产估值的研究主要基于传统的估值方法从理论层面给出估值方法和模型，尚未有学者针对企业数据资产入表给出实际可操作的数据资产估值方法与模型。本文基于数据价值链理论探讨了企业数据资产价值形成的微观原理，给出了实际可操作、分环节可计量、适用于不同类型企业的数据资产估值方法与模型，从理论层面深入揭示了企业数据资产价值形成的微观原理，为企业提供了系统科学的企业数据资产估值方法。

二、企业数据资产价值形成的微观原理

数据是数据资产的形式载体，企业数据资产的价值形成依附于数据价值链的阶段划分与价值累积。目前不同的学者和机构基于数据的功能与作用提出了各自的数据价值链。经济合作与发展组织的数据价值链“收集—存储—处理—传播—使用”强调了数据流通和应用的连贯性[ 9 ]；加拿大统计局的信息价值链“观察—数据—数据库—数据科学”突出了数据科学在提升数据价值中的作用[ 10 ]；美国经济分析局提出包含“收集—存储—处理—分配—应用”的数据价值链，强调了数据分配的重要性[ 11 ]；国内学者许宪春等提出的“获取—存储—分析—使用”数据价值链则侧重于数据分析在提升数据价值中的核心地位[ 12 ]。基于对以上理论的综合考量，结合《暂行规定》中对数据加工环节①的描述，本文提出的数据价值链理论为“数据采集—数据存储—数据加工—数据应用”。该理论从我国数据市场的实际情况出发，更全面地覆盖了数据价值创造的关键环节。

“数据采集”“数据存储”与“数据加工”需要大量的成本投入，涉及劳动成本、资本成本等多种形式，这部分成本总和构成了数据资产价值形成的“前期成本”[ 13 ]。这些成本在企业内部逐步积累并扩散，促进了企业数据资产价值的形成与增长。进一步地，数据资产价值在“数据应用”环节实现了从潜在价值到实际经济收益的转变，标志着数据资产的实际收益化。数据资源向数据资产的转变核心在于数据的实用性，即其能否从无直接经济利益的状态转变为能够产生经济利益的过程[ 14 ]。基于“数据应用”环节的实践检验，企业可以评估其数据资产未来产生经济效益的能力，并据此估算数据资产的价值。作为无形资产的企业数据资产，其价值不仅体现在当前使用过程中产生的收益，还包括未来可能产生的收益。这部分未来收益的现值是企业数据资产价值的重要组成部分，整体价值可通过未来净收益的贴现值来衡量。而属于存货的企业数据资产，其整体价值则是依据可变现净值与前期成本之间孰低原则来确定。

企业数据资产价值形成的微观原理如图1所示。

三、企业数据资产估值模型构建

（一）企业数据资产估值的计量模型

“前期成本”属于成本环节，企业数据资产的收益实现主要体现在“数据应用”环节，因此“数据应用”环节属于收益环节。首先，对于成本环节，划分为无形资产和存货的数据资产都选择用成本法对“前期成本”进行初始计量。其次，对于收益环节，分别从无形资产和存货两个类别进行估值。属于无形资产的企业数据资产，其价值除了包含企业数据资产在“数据应用”环节带来的当期收益之外，还应包含企业数据资产预期的未来收益，可采用现金流贴现的思想将企业数据资产的未来收益贴现到当期，并采用年数总和法对前期成本进行合理摊销；属于存货的企业数据资产，采用可变现净值与前期成本孰低原则估算其整体价值。最后，对企业数据资产进行后续计量。属于无形资产的企业数据资产，通过比较企业数据资产的可收回金额与其账面价值，进行减值准备；属于存货的企业数据资产，采用可变现净值与前期成本孰低原则计提跌价准备。企业数据资产估值的计量模型如图2所示。

（二）企业数据资产的估值模型

企业数据价值链中从“数据采集”“数据存储”到“数据加工”为企业数据资产价值形成的“前期成本”，将企业t期时的“前期成本”总值记为Ct，“数据采集”“数据存储”到“数据加工”各个环节的总成本分别计为Ci，t（i=1，2，3），每个环节的成本构成用ci表示，“数据应用”环节为企业带来的收益记为Rt，“数据应用”环节的收益构成用ri，t（i=1，2）表示。

1.数据采集环节的成本估值

根据企业日常生产经营中对数据支持决策的使用程度，将企业分为数据密集型企业和传统型企业②。t期时，数据密集型企业的数据采集成本用c■表示，传统型企业的数据采集成本用c■表示，i表示不同的数据采集方式， i=1表示企业采用直接购买数据的方式采集数据，i=2表示企业采用隐性的数据支付方式采集数据，i=3表示企业用商品或服务换取数据，i=4表示企业通过内部采集的方式采集数据。

（1）外部采集

外部采集主要包含以钱易数和以货易数两种形式。以钱易数的第一种形式是企业直接购买数据，此时采用交易价计算成本，数据密集型和传统型企业的数据采集成本分别以公式（1）和公式（2）计算。

其中，pm，d，t为数据密集型企业购买数据的交易价，pc，d，t为传统型企业购买数据的交易价。

以钱易数的第二种形式是隐性的数据支付类型，采用折扣成本计算数据采集成本。数据密集型企业的产品相对来说线上销售占比更大，其产品的定价与交易价比较容易获得，因此采用定价与交易价的差额来计算其数据采集成本，如公式（3）所示。

其中，pm，f，t指数据密集型企业设定的产品定价，pm，d，t指数据密集型企业为采集数据而设定的产品交易价。

传统型企业相对来说线下销售占比更大，采用交易价与行业均价的差额来计算数据采集成本，具体计算方式如公式（4）所示。

其中，pc，d，t指传统型企业设定的产品交易价，pc，a，t指传统型企业所在行业的该产品的市场均价。

以货易数指以交换数据的商品或服务的定价计算数据采集成本，定价数据用爬虫技术在淘宝、京东等电商平台获得。数据密集型和传统型企业的数据采集成本分别以公式（5）和公式（6）计算。

（2）内部采集

数据密集型和传统型企业通过内部采集的方式采集数据，其数据采集成本分别以公式（7）和公式（8）计算。

除上述成本之外，数据采集阶段还存在运维成本、安全成本等，将这些成本统一称为数据采集环节的其他成本，记为Ce，1。

将数据采集环节的总成本记为C1，t，C1，t的计算公式如公式（9）所示。

2.数据存储环节的成本估值

数据存储成本不仅与存储环节的投入有关，而且与数据存储规模有关[ 15 ]。现有企业数据多以云存储的方式进行储存，云存储的计费方式依据数据容量的规模，按照存储时间来收费。企业t期时，数据存储环节的成本可以用“存储时间*单位时间的存储均价”来计算，如公式（10）所示。除上述成本之外，数据存储阶段还存在运维成本、治理成本、安全成本等，统一称为数据存储环节的其他成本，记为Ce，2，将数据存储环节的总成本记为C2，t，C2，t的计算公式如公式（10）所示。

其中，ps，t指单位时间的存储均价，T指数据存储时间。

3.数据加工环节的成本估值

数据加工环节主要涉及劳动成本和资本成本的消耗，但是不同企业的数据加工环节所投入的资源成本和资源配置显然不同。因此，数据加工环节的成本计量应体现企业自身的特征与差异性。除上述成本之外，数据加工阶段还存在运维成本、治理成本、安全成本、计算成本、服务管理成本等，统一称为数据加工环节的其他成本，记为Ce，3。采用文本分析的方法，可通过企业年报中披露的数据加工环节所投入的劳动成本和资本成本来核算该环节投入的劳动成本和资本成本[ 11 ]，计算公式如式（11）所示。

C3，t=Ce，3+rt*kt+st*lt （11）

其中：C3，t指数据加工阶段所消耗的总成本；rt指贷款利率；kt指数据加工环节所投入的资本总额，包括数据加工相关的硬件、软件等投入③；st指从事数据加工工作的人均薪酬，采用爬虫技术从企业的岗位招聘信息中爬取④；lt指数据加工岗位的总人数。数据来源于企业2024年年报附注中财政部要求披露的数据。因为年报能够从各个维度较为客观和全面地反映企业自身的特征，所以数据加工环节所用的数据全部来自上市公司年报。

4.数据应用环节的收益估值

数据应用是数据价值链中为企业带来收益的环节，收益主要来源于两个方面：一是外部收益，指企业将拥有的数据资产直接出售所带来的收益，此时以交易价计算收益，记为r1，t；二是内部收益，指企业将所拥有的数据资产应用于企业自身的发展所带来的企业收益，此时基于企业数据资产应用的程度来计算内部收益，记为r2，t。

（1）数据资产应用的外部收益计量

企业将拥有的数据资产直接出售所带来的收益，此时以交易价计算收益，企业t期时，数据资产应用的外部收益r1，t的计算公式如公式（12）所示。

其中，pm，d，t为企业出售数据资产时的交易价。

（2）数据资产应用的内部收益计量

企业通过数据加工获得能够指导企业生产经营的决策，并将决策用于指导企业的日常生产经营，进而实现企业收益的最大化。笔者将企业利用数据资产进行决策的程度简称为企业数据资产应用程度，企业数据资产应用程度越高，那么企业的生产经营决策与企业收益越一致，二者的相关关系越强；企业数据资产应用程度越低，则企业的生产经营决策与企业收益之间的相关关系就越弱。

（3）企业数据资产应用程度与企业收益的相关程度计算

由于企业内部数据资产应用带来的收益与该数据资产的成本存在函数关系，但是企业数据资产收益与成本之间的具体函数关系难以确定，因此本文通过企业数据资产应用程度与企业收益之间的相关关系来衡量前面两者的函数关系。企业数据资产应用程度主要体现在企业生产决策和企业利润的一致性上，这种一致性可以用协方差来量化。基于上述分析，可以用企业产品的生产数量与对应的企业收益之间的相关程度来度量[ 16 ]。假设企业有i种产品（i=1，2，3，…，n），用cov（Qi，t，Li，t）表示t期时企业第i种产品的生产数量与对应的企业收益之间的协方差，简称为产品i的协方差，其中，Qi，t表示t期时企业第i种产品的生产数量，Li，t表示t期时企业第i种产品带来的企业利润。协方差取值为正时表示企业对数据资产的应用程度较强，取值越大表示企业对数据资产的应用程度越强；协方差取值为负时表示企业对数据资产的应用程度较弱，其绝对值越大表示企业对数据资产的应用程度越弱。企业共有i种产品，企业数据资产应用的程度应是全部i种产品的协方差均值。将企业t期的数据资产应用程度记为Dt，Dt的计算公式如公式（13）所示。

t期时，企业数据资产应用的内部收益记为r2，t，数据资产价值链上前三个环节的总成本记为Ct，Ct=∑3 i=1Ci，t。假设企业收益是成本的线性函数形式Rt=B*Ct，B为常数，因此企业应用数据资产而给企业带来的收益可以通过公式（14）计算。

（4）数据资产应用的总收益计量

t期时，企业数据资产应用环节的内部收益与外部收益之和为企业数据资产的总收益，记为Rt，Rt的计算公式如公式（15）所示。

5.企业数据资产的价值

（1）企业数据资产整体价值的度量

Veldkamp[ 3 ]提出“企业数据资产的价值是企业当期的数据产生的收入减去成本，加上下一期该数据资产带来的收益的贴现值”。本研究在借鉴Veldkamp[ 3 ]计算思路和调研企业数据资产入表实际情况的基础之上，认为属于无形资产的数据资产，其价值应考虑未来多期收益的贴现，因此采用现金流贴现的思想计算企业数据资产未来使用寿命期限内的收益贴现较为合理，同时应考虑摊销和减值。属于存货的数据资产，按照存货的前期成本和可变现净值孰低来计量，并考虑计提存货跌价准备。笔者将考虑了以上因素而计算出的企业数据资产价值称为企业数据资产的整体价值。

（2）无形资产的整体价值计算

本研究认为无形资产的整体价值应是企业数据资产当期收益与成本摊销后净额的差值，将此差值称为当期净收益，记为R't，基于当期净收益预测出企业数据资产的未来收益的贴现值即为无形资产的整体价值，并在资产发生减值迹象时，对其考虑减值。企业数据资产应用的外部收益记为r1，t，企业数据资产应用的内部收益记为r2，t，企业数据资产的当期总收益为Rt，Rt=r1，t+r2，t。企业数据资产价值链上前三个环节的总成本为C，平均使用年限为Y，预计净残值为a，数据资产在应用阶段价值流失较快，因此采用年数总和法进行摊销，企业数据资产t期的当期净收益R't的计算公式如公式（16）所示。

采用现金流贴现的思想，基于企业数据资产t期的当期净收益预测出企业数据资产的未来收益并进行贴现，即可计算出企业数据资产t期的整体价值，记为TOTAL_Vt，计算公式如公式（17）所示。

其中，TOTAL_Vt为整体价值，R't为企业数据资产的当期净收益，■为贴现率的计算公式，r'为企业的加权平均资本成本。R't*（1+Gi）n-1为t+i期的数据资产为企业带来的收益预测值，采用Gordon增长模型预测未来收益值。假设t期之后第i期的数据资产带来的收益在十年之内以可变速度Gi增长，Gi的计算公式如公式（18）所示。

其中，IRi为预期通货膨胀率，GNPi为国民生产总值GNP的预期实际增长率。数据来源于世界银行官网。

（3）存货的整体价值计算

属于存货的数据资产与传统的存货有所区别，表现在属于存货的数据资产不存在用于继续加工的成本，因为本研究计算的是“数据应用”环节的存货的整体价值。存货的可变现净值可通过公式（19）计算。本研究认为存货的整体价值应采用可变现净值与前期成本孰低原则来计量，前期成本是指数据资产价值链上前三个环节的总成本，并考虑计提存货跌价准备，采用公式（20）计算存货的整体价值。

存货的可变现净值＝存货的合同售价或估计售价-估计的销售费用-估计的相关税费 （19）

其中，相关税费包括城建税、教育费附加等。

存货的整体价值=min（可变现净值，前期成本）

（4）企业数据资产调整价值的度量

本研究基于数据价值链及企业数据资产价值形成的微观原理进行估值模型构建，但整个估值过程未考虑数据自身各个维度的特征。数据质量、数据安全、数据稀缺性等因素都是影响企业数据资产的重要因素，决定着企业数据资产估值的准确性和合理性，上述因素的具体评价指标与说明如表1所示。

在数据质量、数据安全和数据稀缺性的评估过程中，采用李克特量表作为主要的评价工具。具体而言，为数据质量、数据安全、数据稀缺性的各个评价指标分配一个从1到5的评分（1代表“非常不同意”，2代表“不同意”，3代表“中立”，4代表“同意”，5代表“非常同意”），邀请专家对各项指标进行打分，运用层次分析法得出各调整因子的得分，将得分百分比作为各个维度的调整值。将企业数据资产的调整价值记为ADJUST_Vt，ADJUST_Vt可以通过公式（21）计算。

四、T公司数据资产价值测算

（一）成本分析

1.数据采集和加工成本

数据采集模块、数据治理模块、数据加工模块、产品审核模块、数据运维模块、数据安全模块的开发投入成本如表2所示。其中，数据采集模块取得的原始数据并不局限于开发本研究中的AI大模型，亦可用于其他数据资产开发利用。T公司根据AI大模型与其他数据资产预期的未来经济利益进行分摊，其中AI大模型占60%的权重。同理，数据治理模块中AI大模型占据了65%的权重，数据运维模块中AI大模型占据了55%的权重。除上述外，数据加工模块、产品审核模块、数据安全模块均为针对AI大模型的定制化开发投入，其建设投入成本应全部归属于AI。

2.数据存储成本

开发期内，T公司以云存储的方式储存所需数据，云存储的计费方式依据数据容量的规模，按照存储时间来收费。T公司AI大模型开发时长为12个月，T公司使用的第三方云服务提供商按时间收费的单价为“0.12元/GB/月”。开发期内，初始存储规模为100TB，T公司每季度初增加数据量60TB。T公司数据存储成本如表3所示。

根据以上成本分析结果，得出如表4所示的成本核算结果。

（二）收益分析

T公司通过AI大模型获得的收益主要源自外部市场，而非内部应用带来的决策优化、效率提升或成本节约。目标公司在AI大模型投入使用后，第一年（t=1）的主要外部收益为：B2B许可使用部分的收益38 478 000元，B2C1数据分析服务部分的收益83 570 900元，B2C2增值服务部分的收益19 026 400元。

（三）整体价值测算

成本环节：

前期成本（C）=数据采集成本（C1，1）+数据存储成本（C2，1）+数据加工成本（C3，1）

=8 870 200+5 660 861+620 200=15 151 261（元）

收益环节：

总收益（R1）=外部收益（r1，1）+内部收益（r2，1）

=38 478 000+83 570 900+19 026 400=141 075 300（元）

净收益计算：

该AI大模型作为无形资产，预计使用寿命为10年，预计净残值为0，采用年数总和法进行摊销。

净收益（R't）=第一年总收益（R1）-｛前期成本（C）-累计摊销额｝

=141 075 300-｛15 151 261-15 151 261*（10/55）｝

=128 678 814（元）

预期未来净收益：

已知T公司股权成本=11.5625%，债务成本=5%，资本结构：80%的股权和20%的债务，税率=25%。企业的加权平均资本成本（r'）为：

加权平均资本成本（r'）=（80/100*12.5%）+［20/100* 5%*（1-25%）］=10.75%

其他数据资料预估如表5所示。

整体价值测算如表6所示。

考虑数据质量、数据安全和数据稀缺性等因素，调整数据资产的估值。邀请专家对各项指标进行打分，从1到5评分（1代表“非常不同意”，2代表“不同意”，3代表“中立”，4代表“同意”，5代表“非常同意”）。各调整因子得分情况如表7所示。

企业数据资产的调整价值（ADJUST_V1）=整体价值（TOTAL_V1）*数据质量（Q）*数据安全（S）*数据稀缺性（R）=2 084 804 645*0.39*0.38* 0.23=71 062 651.13（元）

五、研究结论与启示

本研究基于数据价值链理论探讨了企业数据资产价值形成的微观原理，构建了分环节可计量的、适用于不同类型企业的数据资产估值模型。研究发现：探究企业数据资产的价值累积与形成过程可为企业数据资产估值提供有力证据；分环节可计量的、适用于不同类型企业的数据资产估值模型更有利于企业进行数据资产运营与管理；企业数据资产估值应根据数据资产的类型选择合适的估值方法；企业数据资产的价值还应考虑数据质量、数据安全和数据稀缺性等调整因素来估算其调整价值。

基于以上研究结论，本文提出以下建议：第一，企业应深化对企业数据资产价值形成规律的认识，这不仅有助于企业理解数据是数字经济发展的核心要素，而且有助于企业进行有效的内部数据资产管理与运营，为企业数据资产的精准估值打下基础。第二，不同类型的企业应适用不同的数据资产估值模型。由于不同类型企业的经营模式不同，使得数据价值在企业内部的流转与积累存在较大差异，因此企业数据资产估值模型应能够体现企业的不同特征，以达到精确评估企业数据资产价值的目的。企业数据资产价值的精确评估不仅关乎财务报表的透明度，更直接影响企业的融资能力、市场估值及长期战略的制定。第三，提高企业内部财务数字化水平有助于企业更好地应用企业数据资产估值模型。企业内部良好的成本管理系统及财务与业务的有效融合能够帮助企业科学管理数据资产，有助于企业更方便、准确地进行企业数据资产估值，推动企业在数字化转型中的可持续发展。

【参考文献】

［1］ 上海数据交易所.数据资产入表及估值实践与操作指南［EB/OL］. （2023-11-26）［2024-03-10］.https：// www. chinadep.com / bulletin/news / CTC_20231212102944888

567.

［2］ NOLIN J M.Data as oil，infrastructure or asset？ Three metaphors of data as economic value［J］.Journal of Information，Communication and Ethics in Society，2020，18（1）：28-43.

［3］ VELDKAMP L.Valuing data as an asset［J］.Review of Finance，2023，27（5）：1545-1562.

［4］ 秦荣生.企业数据资产的确认、计量与报告研究［J］.会计与经济研究，2020，34（6）：3-10.

［5］ 何航.企业数据安全合规治理的关键问题与纾解［J］.贵州社会科学，2022（10）：126-133.

［6］ 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，2020，34（3）：3-15.

［7］ 胡亚茹，许宪春.企业数据资产价值的统计测度问题研究［J］.统计研究，2022，39（9）：3-18.

［8］ 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），2023，38（5）：195-209，226.

［9］ OECD.Exploring the economics of personal data a survey of methodologies for measuring monetary value［R］.Paris：OECD Publishing，2013.

［10］ STATISTICS CANADA.The value of data in Canada：experimental estimates［R］.https：//www150.statcan.gc.ca/nl/pub/13-605-x/2019001/ article/

00009-eng.htm，2019.

［11］ RASSIER D G，KORNFELD R J，STRASSNER E H.Treatment of data in national accounts［R］.Paper prepared for the BEA Advisory Committee，2019.

［12］ 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，2022，38（2）：16-30.

［13］ FLECKENSTEIN M，FELLOWS L，FERRANTE K.Modern data strategy［M］.New York：Springer International Publishing，2018.

［14］ 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.

［15］ 刘涛雄，戎珂，张亚迪.数据资本估算及对中国经济增长的贡献：基于数据价值链的视角［J］.中国社会科学，2023（10）：44-64，205.

［16］ EECKHOUT J，VELDKAMP L.Data and market power［J/OL］.http：//www.nber.org/papers/w30022，2024- 01-20.

［17］ 中国资产评估协会.资产评估专家指引第9号——数据资产评估［Z］.2020-01-09.