【摘 要】 2023年12月国家数据局发布《“数据要素×”三年行动计划(2024—2026年)》,提出要释放数据要素发展潜能,大幅拓宽数据要素应用的广度与深度,实现国家数字化战略目标。实现这一目标的关键在于挖掘和实现数据的价值,而数据资产化是发现、实现和创造数据价值的必由之路。文章首先以辨析数据、数据资源与数据资产的内涵和分类及特征为切入点,明确界定数据资产化的内涵;其次分别从理论与实践两个层面深入探究数据资产化的理论机理、实践路径及注意要点;最后结合实际,说明数据资产化过程中面临的挑战,并提出建议。
【关键词】 应用场景; 数据资产化; 理论机理; 实践路径
【中图分类号】 F23;F275;F49 【文献标识码】 A 【文章编号】 1004-5937(2025)02-0018-07
一、引言
根据财政部印发的《企业数据资源相关会计处理暂行规定》,自2024年1月1日起,数据资源将作为企业资产进行确认和计量。数据资产化对提升企业竞争力和实现数字化转型具有重大意义。为实现数据资产化,银行、金融、资产评估、民航等多个行业相应提供了法律标准,以确保数据资产在各领域的有效应用和管理。
数据资产的概念最早由Peterson[ 1 ]提出,他认为数据资产应该包括企业持有的政府债券和公司债券等各类资产。随后,Fisher[ 2 ]进一步指出,应将数据视为一种资产来看待,正视数据资产的价值属性。随着数字经济的快速发展,越来越多的企业认识到数据资产具有的巨大价值潜力。要充分发挥数据的潜能,资产化过程必不可少。数据资产化是一个跨学科的研究课题,涉及经济学、法学、会计、资产评估、信息工程和统计等多个学科,不同学科的学者基于各自的专业角度,对数据资产的内涵、价值及数据资产化的路径展开了深入研究。有学者从权属角度阐述不同数据权利控制下企业数据资产化的路径[ 3 ];有研究从生产要素的角度为数据资产化提供了劳动价值基础、创新效应等理论基础[ 4 ];有学者从会计中“资产”的确认条件,界定了数据资产化的过程[ 5 ]。然而,这些研究往往忽视了不同应用场景下数据资产的核算和评估方法可能存在的显著差异,导致数据资产化的实现路径复杂且难以统一;忽视了有效区分数据资产化的理论机理与现实路径,常将二者杂糅,理论机理的探索缺乏系统性,忽略了各环节间的理论联系及实践中应注意的事项。
基于此,本文根据数据和数据资源的内涵及分类,梳理不同学科对数据资产和数据资产化的内涵;在遵循“数据资源化—数据资产化—数据资本化”这一基本路径的基础上,提出了数据资产化的理论前提,并区分不同的应用场景,对数据资产化的理论机理进行深入分析,规范数据资产化的进程,同时理顺数据资产化的实践路径及注意事项;结合我国现实,探讨数据资产化所面临的挑战,并提出相应的政策建议。本研究分别从理论机理与实践路径两个层面,具体阐述数据资产化中各阶段的经济价值形成过程,为数据资产化的实现提供了理论支撑与实践参考,有助于促进企业数据化转型,提升全行业的新质生产力水平。
二、相关概念界定及分类
(一)企业数据、数据资源的内涵与分类
国内外学者对数据的内涵尚未达成一致。从信息本身的角度看,数据是以适合于通信、解释或处理的正规方式来表示的可重新解释的信息[ 6 ];从评估的角度看,数据是对客观事件进行记录并存储在媒介物上的可鉴别符号,是对客观事物性质、状态及相互关系等进行记载的物理符号或物理符号的组合,是一种客观存在的资源[ 7 ]。本文认为:数据是未经开发的、客观存在的事实和观察结果,是经济社会活动的必然产物;而企业数据是指企业所持有的、客观存在的、具有潜在价值的资源。
数据的分类主要有:第一,根据数据来源进行分类,可分为外部数据与内部数据。其中,外部数据是企业通过市场买卖或并购等方式获得的数据,如市场数据、行业数据、竞争对手数据;内部数据是企业在生产经营活动中所产生的数据,包括企业的业务数据、员工数据、客户数据等。第二,根据与业务的关系来划分,数据可分为由业务产生的数据及用于现有业务或开拓业务的数据,即“业务数据化”“数据业务化”。前者本质上是对企业在经营过程中产生的数据进行系统性的收集、整理与分析,在此过程中,数据被转化为有价值的信息,并用来驱动企业的决策和运营,以支持企业的经营决策和业务流程优化,促进企业盈利能力的提升,如电商平台会根据用户的浏览记录、搜索历史等数据,来判断用户喜好,精准投放相关信息来吸引用户消费;而后者又称外部商业化,是将企业的数据进行整理分析以形成可以交易的产品或服务。第三,根据应用场景的不同,数据可以分为交易型数据和自用型数据[ 8 ]。其中,交易型数据是指企业用于对外交易的已研发的数据或者内部产生的数据,根据数据质量、数据规模等进行定价,这些数据资产具有明确的交易价值,可以直接或间接地转化为经济收益或利润;自用型数据是指企业用于内部使用或者内化于其他资产中的数据,主要作为企业的战略储备进行存储。
根据《数据资产评估指导意见》,数据资源被界定为经过加工后在现时或者未来具有经济价值的数据。由此可见,通过对数据加工、优化和确权后,数据变得更有组织、更易理解,转变为具有潜在价值基础、边际效用递减、稀缺性等特性的数据资源。
考虑到数据资源是数据标准化处理后的表现形式,数据资源的分类与数据的分类保持一致。
(二)数据资产的内涵
国内外学者从不同学科角度对数据资产的内涵和特征进行了界定。从法律的角度看,数据资产是在生产过程中被反复或连续使用一年以上的数据[ 9-10 ],强调数据资产的勘探权、使用权、所有权[ 11-12 ]等权属。此外,数据资产具有时效性、隐私性的特征。从资产评估的角度看,数据资产是指特定主体合法拥有或控制的,能够持续发挥作用并带来直接或间接经济利益的数据资源,该角度关注的是数据资产在特定时点的价值。在这一视角下,数据资产具有非排他性、形式多样性及非实体性的特征。从会计的角度看,数据资产是由企业过去的交易或事项形成的、企业拥有或控制的、预期会给企业带来经济利益的资源。数据资产的计量是基于历史成本的原则,具有融合增值性、无折旧性及价值创造离不开应用场景的特征。从经济学的角度看,数据资产是以数据为载体和表现形式,能够持续发挥作用并且带来经济利益的数字化资源①。该角度强调数据资产所带来的经济利益,并指出数据资产具有边际产出递增性、强正外部性、产权模糊性及衍生性的特征[ 13 ]。据此,本文认为,数据资产是指经过进一步加工处理,以电子方式记录,并由特定主体拥有或控制,能够为其带来经济效益的数据资源,其具有非排他性、融合增值性等关键特性,且价值创造离不开应用场景。
与数据资源分类相对应,数据资产的分类主要有:根据企业获取数据的方式不同,数据资产可以分为内部数据资产和外部数据资产;根据应用场景的不同,数据资产可划分为自用型数据资产和交易型数据资产[ 14 ]。其中,有些自用型数据可能无法带来经济效益,无法与其他资产形成协同作用,故无法被精准识别为有效数据资产。
(三)数据资产化的内涵
数据资产化的核心在于通过有效的管理、分析和利用,将企业的数据资源转化为有价值的资产,从而为企业创造经济效益。从广义角度来看,企业对其数据资源进行管理,旨在充分挖掘和实现这些资源的经济与社会价值。因此,数据资产化不仅包括数据转化为数据资产的过程,而且包括数据资本化的形成过程。例如,在数据交易所通过交易经营产生的数据,消除了数据资产与数据资本之间的界限。从狭义角度来看,数据资产化仅指将数据转化为资产的过程,将数据资产认定为企业资产负债表中的“资产”,在财务报表中体现其未来的经济价值[ 15 ]。本文在界定数据资产实现路径时,是从广义角度进行考量,既包括资产化的过程,也包括资本化的过程。
数据资本化是企业将数据资产转化为数据资本的过程,该过程实现了数据资产的价值增值,数据资产将作为企业的长期资产而存在。这一阶段,企业将数据资产在生产经营中的收益进行分配,投入到再生产过程中,以便开展新的业务和创新项目。此外,数据资产也可以像其他投资标的那样,在金融市场进行投资和融资活动,甚至演变成相关的金融衍生品,实现价值的杠杆化[ 16 ]。
三、企业数据资产化的理论机理
数据从一种生产要素转化为有价值的财富,通常要遵循“数据资源化—数据资产化—数据资本化”的演进过程。
(一)企业数据资产化的理论前提
只有具有经济价值的数据、数据资源才能成为数据资产。数据资产与其他资产一样具有经济价值属性,涉及价值分配和责任归属。在实现数据资产化之前,企业必须明确数据的采集权、使用权、管理权、访问权、收益分配权和所有权。经过数据治理,明确数据资源的估值范围,为后续的数据资产交易或入表奠定基础。这个过程的主要目的是确认数据资产的价值,并为数据收益的量化提供依据。因此,并非所有的数据和数据资源都能转化为数据资产。
(二)从数据到数据资产的理论机理
不同应用场景下的数据资产,其价值存在显著差异,在阐述数据资产化路径时,有必要区别不同数据资产类型的应用场景,探讨数据资产化的理论路径,如图1所示。
1.数据资源化理论路径
在这一阶段中,数据通常是离散的、碎片化的,且杂乱无章,难以辨别各类数据对于企业的价值,需要根据资源配置的经济效益最大化原则,对这些数据进行分类整合,使其与劳动力、技术等生产要素资源相结合。通过整理、分类、加工,将数据转变为可识别的结构化数据,从而激发数据的潜在价值,充分发挥数据的规模效应、协同效应和网络效应。数据的规模效应是指,通过业务数据化[ 17 ],促使企业减少对土地、劳动力等其他生产要素的需求,有效提高生产效率、降低生产成本,从而实现企业与其上下游产业的融合,扩大企业规模;数据的协同效应是指,通过数据与劳动力、知识、土地和技术等生产要素的协同配合,企业能够充分发挥所有生产要素的整体效益;数据的网络效应是指,当企业数据的使用者越多、应用越频繁时,为了满足用户需求,企业的数据变得越丰富。通过整理与汇总不同用户的需求和喜好,数据的价值得以充分体现。同时,用户数量的增加和使用频率的提升,丰富了企业的数据,降低了数据收集成本,进而提升了企业的经济效益。
综上,通过提高数据的质量和使用价值,将企业的数据转化成为标准化的、具有经济价值的稀缺资源——数据资源。
2.数据资产化理论路径
数据资源的价值大小因应用主体不同而不同。通过明确数据资源的用途,使其契合企业应用场景,从而发挥数据资源的价值创造效应[ 18 ],提升企业的整体价值创造能力。产品化的数据资源依托市场机制,通过标准化和市场化运作,将数据资源转化为满足特定需求的信息商品,服务于多元用户群体,促进数据资源的高效配置;而非产品化数据资源,则作为战略性资源深度融入组织决策和流程改进,间接提升了企业竞争力和市场地位。
经过上述阶段,企业数据资源经由不同的价值实现路径进行转化,最终在不同的场景下实现其价值,成为企业的数据资产。
3.数据资本化理论路径
数据资本化是数据资产化的理论延伸。在这一阶段,企业应发挥数据资产作为资本的长期价值属性。通过驱动创新、科学决策、数据共享与协作,实现了数据资产的乘数效应,加速了其业务化进程,并催生了多种不同的商业模式。这种过程使得数据资产的配置效益达到最大化,并有效获得价值增值。在数据资本化过程中,数据资产不仅仅是企业的资产,更被视为一种有价值的金融符号——数据资本,企业可以在资本市场上进行抵押、投资和贷款等经济活动。数据资本的跨企业、跨行业及跨地域流通,进一步推动了其在社会层面的价值增值。
四、企业数据资产化的实践路径
(一)企业数据资产化的实践前提
明确数据资源的产权权属是实现数据资产化的重要前提。为此,国家已经开始构建和完善数据资产的权属界定机制。国务院在《关于构建数据基础制度更好发挥数据要素作用的意见》中提出,要探索数据产权结构性分置制度,根据数据的分类和主体来界定其在经济活动中的合法权利,为数据产权、流通、交易、使用、分配、治理、安全等领域的探索实践提供了指导,加速了数据流通交易和数据要素市场的发展。财政部制定的《企业数据资源相关会计处理暂行规定》明确规定了数据资源会计处理(企业数据资产入表)的适用范围、准则、列示和披露要求。数据资产入表是实现数据资产化的关键步骤,为数据资产评估、计量、交易提供了政策支持。财政部出台的《关于加强数据资产管理的指导意见》明确数据资产管理的首要任务是明晰数据资产的权利问题,以保障各市场主体在依法获取、生成、储存、使用数据资产过程中的相应权利。
上述规定和意见的颁布提升了数据资产化实践的可行性。目前,我国就数据资产化不断尝试,并取得了一些成果,如数据资产质押融资贷款、无质押数据资产增信贷款和数据信托产品等。这些创新推动了数据市场生态体系的建设,为未来数据要素的资产化和资本化提供了经验借鉴。
此外,根据数据在实现资产化路径上不同节点对应的供给与需求,形成了不同的数据交易市场:零级市场、一级市场、二级市场和三级市场。数据的零级市场是指数据还未进入交易流通市场,还没有实现数据资源化;一级市场是指数据资源市场,此时数据通过整合和资源共享成为数据资源,并完成了权属界定,以数据集或数据接口为进入交易市场的主要流通方式;二级市场是数据产品与数据资产的交易市场,在此阶段完成数据的产品化与资产化;三级市场即数据资产进入金融市场,形成资本化的阶段。
(二)企业数据资产化的实践路径
企业数据资产化的实践路径是在数据资产化理论机理的指导下,遵循理论层面的价值实现过程,从而在实际操作层面来界定数据资产化的演变进程。需要注意的是,有些企业的数据一经产生就是结构化数据,无需进一步加工和整理。然而,这些数据由于未经过整合、分析等标准化流程,难以发挥其各种效应,会导致企业难以获利。因此,在数据资产化的实践路径中,通常不考虑数据资源与数据资产的融合情况。具体路径如图2所示。
1.健全数据采集加工标准,推动数据信息资源化
数据资源的形成是一个系统化、精细化的过程,涵盖数据采集、标注、集成、汇聚和标准化等多个关键环节。通过这一系列流程,最终能够打造出可采、可见、互通、可信的高质量数据资源。因此,从数据到数据资源的实践路径遵循以下步骤:首先,企业应将从外部购买或内部生成的数据进行全面的收集与清洗。在此阶段,必须明确数据的权属,并剔除不归企业管辖的数据,以确保所有收集到的数据都是有价值且可用的。其次,需要对这些数据进行整理和标准化处理,依据企业的业务特征进行抽取和提炼,确保数据之间的一致性和兼容性。例如,对于结构化数据,应统计其平均值、最大值、最小值等核心业务特征的度量值;而对于非结构化数据,应运用语言处理技术实现其结构化。最后,将数据分类与存储,建立有效的数据分类体系,使数据与企业的具体应用场景相结合,从而实现业务的数据化。依据企业的不同分类标准进行存储,为后续的数据检索、分析与利用提供可靠的依据,提高数据的可访问性和可用性。
通过上述过程,实现了从数据到数据资源的转变,使无序、零散的数据得以发现其潜在价值。这为后续数据资产化的过程奠定了坚实的价值基础。
2.提炼数据资产经济价值,推动数据资源资产化
将数据资源转化为数据资产的目的在于提炼和提升数据资源的价值,使其成为具有战略意义的数据资产。这一阶段,关键在于将数据资源与应用场景相契合,并分别实现其资产化。具体而言,企业需根据应用场景的不同划分不同的路径。一方面,通过研发、处理的数据资源,可进一步分为用于交易的数据资源和自用的数据资源。用于交易的数据资源可以根据研发成本与其所产生的价值进行定价,形成数据产品,通过市场交易与流通实现其价值,并经过会计入表,从而确定为企业的资产;而自用型的数据资源,例如内化于企业其他资产中的数据资源,由于不参与市场流通,其价值难以在市场上确认,企业需对这部分数据资源进行估值,按照相应的评估方法确认并实现其价值,最终形成数据资产。另一方面,企业通过非研发手段取得的数据资源,其价值实现过程与企业的自用型数据资源相同。通过以上方法,企业可以有效地将数据资源转化为具有战略意义的数据资产。
3.完善数据资产交易体系,推动数据资产资本化
数据资本化是指通过在市场上流通和交换数据资产及数据产品,以实现多场景应用和价值提升的过程[ 19 ]。首先,企业在二级市场上多次流通数据资产,实现价值增值,获得品牌效益和经济效益。数据资产可以像其他资产一样进行抵押贷款,或通过证券化创造新的价值,这使得数据资产作为一种金融资本进行转移、流通和扩张[ 20 ]。其次,企业通过在数据要素的三级交易市场中进行融资和抵押,获得大量资本以支持商业模式的创新。利用数据化技术,企业能够创新商业模式和经营方式,催生新业务,促进数据化转型并扩大企业规模。最后,通过构建数据生态系统,企业能够与其他企业和研究机构建立合作伙伴关系,进行数据资产的交换与共享,共同开发和利用数据资产,不断实现其价值增值。
上述数据资产化过程,体现了数据作为一种新型生产要素于实践领域中如何在企业内流转和实现价值增值。这一过程不仅有助于企业进行数据资产的价值评估,而且为数据资产入表提供了依据。
(三)企业数据资产化实践应注意的事项
1.数据资产边界的认定
企业必须明确区分数据资源与数据资产,否则数据价值链可能会出现错位甚至断裂。如果混淆了两者的界限,企业就无法有效清理无价值或不属于企业的数据,导致后续步骤难以进行。这样,数据就无法与应用场景和业务特征相匹配,从而无法实现其应有的价值,数据的规模效应、协同效应和网络效应也将难以发挥,阻碍数据资产价值的发现与创造,并对后续的资产化和资本化过程产生不利影响。此外,企业在重新剔除无效数据时会浪费资源并增加成本,不利于实现资源的优化配置。
2.数据资产的估值
对数据资产估值是其入表的关键步骤。在确认数据资产价值时,由于数据的不同用途,其价值和评估方法存在显著差异,所以需要区分自用型和交易型数据资产。企业用于外部交易的数据资产,应采用市场法或收益法进行评估;而企业内部使用的数据资产,则需选择适当的评估方法,以合理反映其未来增值潜力。否则,部分数据资产的价值潜力不仅难以衡量,而且存在较大的不确定性。因此,在评估企业内部数据资产价值时,应充分考虑数据容量、数据质量及潜在功能价值等因素,进行全面评估。
3.规范数据治理
数据治理是一套正式的政策、流程、角色和责任框架,其核心目标是提高数据质量,确保数据的准确性和一致性,同时保护数据隐私和安全,以支持更好的业务决策和提升运营效率。数据治理在数据资产化的全流程中起着至关重要的作用,主要集中于数据的标准化管理、质量管理及安全管理,以确保数据资产质量的可靠性。从数据到数据资源的过程中,数据的标准化和质量管理尤为重要。企业应确保所收集的数据符合质量和业务的需求,并严格按照统一规范对数据进行合理分类,使得相同属性和相同业务的数据能够得到有效利用,从而形成有价值的数据资源。安全管理在数据资产交易和流通环节起着关键作用,因为在这两个阶段,数据成为一种有价值的资产,其独特性和专属性对企业而言是至关重要的,属于企业独有的资源。因此在数据资产化与数据资本化过程中,安全管理尤为重要。
4.注意数据来源的多样性
数据资产化是对数据价值进行挖掘与创新的过程,这要求企业确保数据的可靠性、可信性和多样性。在数据资源化和资产化的过程中,企业需要对其庞杂的数据进行标准化加工、储存与分类,以确定数据的价值和属性,根据不同应用场景确定不同的价值实现形式。为了充分发挥数据的价值,促进数据资产化,企业所拥有的数据不能仅按照单一的数据结构而存在,企业可利用政府搭建的数据资源共享平台,加强与其他企业的数据业务往来和交易,实现数据共享;同时,企业各部门应明确各自的职责,强化数据资源的筛选工作,提供具有可用性和高价值的数据,促进企业内部跨部门合作。
五、企业数据资产化的挑战
(一)数据的内涵与分类尚不统一
不同职能部门根据不同行业特征,制定了不同的数据分类标准,并据此设定不同的重要性、安全等级来确定数据的层级,这可能导致不同数据在共享过程中接口不对称,使得数据资源和数据资产的划分标准不一致,从而制约了数据要素在确权、开发和管理等领域的有效运用,导致后续数据资产的管理、交易、评估等业务口径不一。因此,需要建立一套统一、规范的数据分类分级标准体系,以指导数据要素的分类治理与开发工作,促进数据共享与数据资产化的协同发展,从而充分发掘和释放数据要素的潜在价值。
(二)产权规范尚不明确
数据确权是数据资产化实现的前提,为后续数据资产的估值、交易等提供了可能性。然而数据要素有时会涉及多个权利主体,且各主体间的权利关系错综复杂。数据资产的非排他性特征,导致各权利主体间的权利边界变得模糊。所有权的不明确,使得数据市场中交易双方难以迅速确定,交易对象难以合理确认,降低了交易方式的有效性,企业在数据收集的过程中可能面临巨大的投入成本转变为沉没成本的风险,甚至可能因侵权而承担法律责任,增加了权利纠纷的风险。总之,数据资产所有权界定的模糊性,带来了显著的不确定性,导致数据交易的界限模糊,从而使数据使用者难以明确其行为的责任划分。使用者责任划分不清晰则阻碍了数据的整合、流通与共享,限制了数据资产价值的发挥与创新应用,最终严重威胁到数据资产交易规模的扩大和数据产业生态系统的建立[ 21 ]。
(三)数据资产的价值评估问题亟待解决
不同种类的数据资产,影响其价值大小的因素各不相同,带来的经济价值有所差异。一方面,对不同的应用主体而言,数据资产价值存在显著差异,而现阶段对数据资产的产权界定还没有明确的规定,因此难以确定数据资产的价值;另一方面,大多数数据产品的交易市场还不完善,对数据产品的定价主要根据双方的议价能力来确定,难以在市场中达到共识。由此可见,数据产品的定价存在较大的主观性,数据产品的交易价格难以客观、准确地反映其真实价值。同时,由于企业的自用型数据资产价值不能在市场交易中体现,现有研究多从影响因素来研究其价值。然而,数据资产价值的影响因素复杂且缺乏统一标准,因此难以仅根据影响因素准确评估这部分数据资产的价值。此外,数据资产价值的更新迭代速度较快,同一数据资产在不同时点,其评估范围会有所变化,而传统评估方法是界定评估基准日的存量数据[ 22 ],不适用于数据资产的计量,难以完整体现数据资产的价值。
六、推动数据资产化的政策建议
(一)统一数据的内涵与分类标准
政府可通过大数据管理局,完善数据共享机制,协调相关职能部门,推动各行业数据的互联互通,统一数据概念的界定。同时,可从数据类型、数据来源、数据用途和数据主题四个维度统一各行业数据资产的分类标准,达到以下目的:首先,根据存储方式,细分不同数据类型,制定相应的储存、处理和安全管理策略;其次,针对数据获得渠道,明确数据来源,制定使用策略和共享机制,确保数据来源的透明和可信性;再次,根据企业特定的业务需求确定数据的具体用途,以最大化数据的经济价值;最后,依据不同行业数据的特征,划分不同主题,充分挖掘市场需求和应用潜力数据。在上述数据分类的四个维度中,需要考虑它们之间的交叉影响,进行综合分析,并根据技术的发展和市场的变化,定期更新分类体系。
(二)探索多维度的分类确权机制
只有明确权属的数据资源才有可能成为数据资产。对所有权明确的数据资产,实施数据资产登记管理制度;对权属不明确且经济利益归各方所有的数据资产,不考虑其所有权,而是根据数据资产的使用权和经营权来界定权属。根据各方在数据资产中付出的成本来分配经济利益,或者根据经营收益来确定各方的分成。同时,推动法律框架的建设,构建包括数据保护、隐私权和数据交易规范在内的综合性法律体系,确保该法律框架能够适应快速发展的技术和市场环境,以有效应对企业的各种数据权属问题。此外,加强数据资产确权的技术支持,通过区块链和访问控制等技术,记录并追踪数据的历史和变更,确保数据的原始性和变更记录的可信性。
(三)构建数据产品定价模型及数据资产估值模型
针对数据产品定价机制不完善的问题,企业应该在国内外前期数据产品交易经验积累的基础上,归纳不同数据产品价格确认的主要影响因素,构建应用于市场交易的定价模型。针对自用型数据资产价值影响因素难以统一,以及数据技术更新迭代快、传统评估方法不适用的问题,企业应建立数据资产多层级的价值体系,采用先进评估方法,以准确评估数据资产的价值。例如:基于全生命周期的数据资产价值评估方法,全面考虑数据从采集、存储、处理分析到应用整个生命周期中各阶段的价值影响因素,深入剖析每个阶段的数据资产价值表现,从而更准确地评估数据资产的整体价值;基于数据挖掘和机器学习技术的数据资产价值评估方法,通过深入分析数据要素,训练高效的机器学习模型,更全面地揭示数据积累、融合、运行和发展的规律,从而精准预测数据资产的价值。
【参考文献】
[1] PETERSON,R E.A cross section study of the demand for money:the United States,1960-1962[J].Journal of Finance,1974,29(1):73-88.
[2] FISHER T.The data asset:how smart companies govern their data for business success[M]. Hoboken,NJ:John Wiley & Sons,2009.
[3] 马费成,孙玉姣,熊思玥,等.三大数据资产化路径探析[J].信息资源管理学报,2024(5):4-13.
[4] 汪文张,李筱涵.数据资产化的理论基础及实现形式研究[J].当代经济研究,2022(12):40-50.
[5] 赵丽芳,曹新宇,边琰澔.企业数据资产创造价值的底层逻辑问题研究[J].会计之友,2024(6):51-58.
[6] ISO/IEC.Information technology-vocabulary-part 1:fundamental terms[S].American National Standards Institute,1993.
[7] 中国资产评估协会.关于印发《资产评估专家指引第9号——数据资产评估》的通知[A].2020-01-09.
[8] 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.
[9] RASSIER D G,KORNFELD R J,STRASSNER E H.Treatment of data in national accounts[R].Paper prepared for the BEA Advisory Committee,2019.
[10] 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.
[11] 朱扬勇,叶雅珍.从数据的属性看数据资产[J].大数据,2018(67z/6qVW6gOesAAkPb6Czo0ehMTbis3GpjGoNCZR8EG4=):65-76.
[12] 李静萍.数据资产核算研究[J].统计研究,2020,37(11):3-14.
[13] 徐翔,厉克奥博,田晓轩.数据生产要素研究进展[J].经济学动态,2021(4):142-158.
[14] 中国信息通信研究院.数据资产化:数据资产确认与会计计量研究报告(2020年)[R].2020.
[15] 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.
[16] 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.
[17] 德勤咨询,阿里研究院.数据资产化之路:数据资产的估值与行业实践[R].2019.
[18] 赵蔡晶.国内数据要素价值化研究综述及展望 [J].信息资源管理学报,2024(2):41-53.
[19] 李海舰,赵丽.数据成为生产要素:特征、机制与价值形态演进[J].上海经济研究,2021(8):48-59.
[20] 陆威文,苟廷佳.数据要素资产化的理论逻辑与实践进路:基于对数据资产内涵与价值规律的认识[J].企业经济,2023,42(4):28-39.
[21] 季良玉.数据资产的交易困境及其治理[J].会计之友,2023(13):27-31.
[22] 丘开浪.数据资产的识别确认与价值评估[J].中国资产评估,2024(2):10-16.