数据资产价值评估研究综述

摘要：在数字化转型的浪潮中，数据资产已经成为企业提升竞争力的有力武器。随着数据资产入表政策正式落地，数据资产价值评估成为数字经济时代的关键议题，研究运用CiteSpace软件对数据资产价值评估研究进行可视化分析，系统梳理了数据资产价值评估指标体系的发展与演变，归纳评述了数据资产评估的主要方法，着重分析了数据资产评估中新工具、新模型的运用，指出了现有评估方法的局限性与欠缺点，以期拓展数据资产管理、数据资产评估理论及实践的研究方向。

关键词：数据资产；价值指标体系；评估方法

0 引言

数字经济，作为农业经济、工业经济后的一种新兴经济形态，正在我国展现出强劲的发展态势，已成为驱动经济增长的核心引擎。截至2022年末，我国数字经济规模已跃升至50.2万亿元，约占国内生产总值中的41.5%，彰显了其举足轻重的地位。伴随5G通信、云计算等高新技术的飞速进步，数据资源作为关键生产要素的重要性日益凸显其，为经济社会的全面发展注入了新的活力与机遇。

我国数据资产管理经历了积极的变革与发展，数据要素改革进程进一步加快。2023年9月，中国资产评估协会制定了《数据资产评估指导意见》，旨在规范评估的执业行为，保护资产评估当事人合法权益和公共利益。10月25日，国家数据局正式挂牌成立，标志着在优化数据管理机构和职责体系方面的重大改革。12月31日，财政部发布了《关于加强数据资产管理的指导意见》并制定相应的管理办法，为数据资产的规范管理提供了明确的指导。2024年1月1日，《企业数据资源相关会计处理暂行规定》正式施行，明确了数据资源的确认范围以及会计处理适用准则。其中数据资产入表是数据资产最终走向数据资本重要的一步，将开启数据要素产业化的大时代。这一系列政策文件的相继发布不仅为数据资产管理奠定了坚实基础，同时也通过强化数据资产的合规管理和高效流通使用进一步推动数据要素改革，为数字经济高质量发展阶段提供了重要支持。

数据资产价值的不确定性可能会引发数据交易市场的混乱，导致企业对数据资产的不合理配置。因此，合理准确的对数据资产进行评估，有助于企业正确认识数据资产重要作用，充分挖掘其潜在价值，提高数据资产利用效率，优化企业数据资产配置。本文系统梳理了数据资产价值评估指标体系的发展与演变，归纳与评述了数据资产评估的主要方法，着重分析了数据资产评估中新工具、新模型的运用，并发掘现有研究不足及以后的拓展方向。

1 数据资产价值评估研究的可视化分析

1.1 研究工具和数据来源

本文采用CiteSpace软件，在中国知网（CNKI）以“数据资产价值评估”为主题进行高级检索，文献来源为“学术期刊”和“学位论文”，共检索出304篇相关文献，为了确保研究的准确性和针对性，对文献进行筛选，剔除与研究主题无关的文献，最终构成本文的有效文献样本284篇。检索结果中，第一篇与数据资产价值评估的文献始于2015年，因此本文的研究时间跨度为2015—2024年。

1.2 数据分析

首先，利用CiteSpace软件对筛选后的284篇文献进行了年度发文量的可视化处理，以图表形式（图1）直观展现了284篇文献的发表时间分布情况，从发文量的时间序列角度分析数据资产价值评估研究的整体发展历程和进展，从图中可以看出，2015—2018年文献研究数量较少，处于数据资产价值研究的开始阶段。2019年中评协发布《资产评估专家指引第9号——数据资产评估》后，数据资产价值评估的研究热度逐年提高，同时由于国家对数据资产定价领域的重视以及政策指引，2019年之后的发文量呈爆发式增长。

其次，借助CiteSpace工具深入分析了数据资产价值评估领域的关键词，通过构建关键词共线图谱及高频关键词列表，揭示了该领域内关键词之间的内在联系与结构特征，见图2和表1。除“数据资产”“价值评估”以外，“评估方法”“电商企业”“物流企业”“收益法”“大数据”等词出现频次较高，反映出电商、物流等行业对于数据资产的重视程度较高，以往的数据资产价值评估研究与实践也显示出评估方法的高度关注。

最后，根据图2数据资产价值评估研究关键词共线图谱分析和表1高频词列表中的对近十年的数据资产价值评估领域的研究情况进行分析，本文梳理出了“影响因素”“模型构建”“评估方法”三大研究热点，所以本文围绕数据资产价值评估的指标体系和价值评估方法两个主题进行展开。

2 数据资产价值评估的指标体系

数据资产价值评估的指标体系基于数据资产价值的影响因素构建，通过层次分析法、模糊综合评价法等方法计算指标权重。

2.1 数据资产价值的影响因素

数据资产价值的影响因素是构建数据资产价值评估指标体系的基础，其价值变动收到多种因素的影响，经过学者研究整理，将数据资产的影响因素归纳为几种不同的类别。郑海平^[1]分别从数据自身、法律、财务3个角度归纳数据资产价值影响因素，其中，数据资产自身角度包含的是质量、时效性、完整性等；法律角度指的是数据资产的权属和安全性问题；财务角度指的是成本以及未来收益。孙淑萍^[2]运用扎根理论，对编码进行处理并构建模型，并将其影响因素归纳为5个主范畴：成本维度、数量维度、质量维度、应用维度和风险维度。严鹏等^[3]通过随机森林特征选择和多元线性回归评估模型对影响因素进行重要特征筛选，发现数据的容量、大小、质量、新鲜度及其所属行业是影响数据资产价值的主要因素。朱蓓^[4]则认为数据资产的影响因素分为市场需求和供给、宏观经济因素、法规政策以及其他因素4个方面。宿鑫芳和闫禹^[5]将数据资产价值的影响因素归纳为内部和外部两方面，其中内部因素包括数据资产质量、成本以及数据相关性3个方面，外部因素分为市场需求和科技创新两部分。本文认为，数据资产的影响因素可以分为外部和内部两大类别，其中，内部因素包括数据质量因素和成本因素，外部因素包括场景因素和市场因素。综上所述，数据资产的价值受多方面因素影响，这些影响因素是建立数据资产价值评估体系的依据。

2.2 数据资产价值评估体系的建立

从上文分析得知，数据资产的价值不是受单一的因素影响，为了准确地评估数据资产的价值，需要综合考虑多个指标，并从多个维度进行评估，即需要构建一个包含多个关键指标的数据资产评价指标体系。

但是学者对价值指标体系的建立的观点不同，石艾鑫等^[6]将层次分析法引入指标评价体系的构建，他认为只有对数据本身蕴含的知识和信息进行处理，才能创造所谓的价值，所以根据处理数据的过程，数据价值评估体系按照收集、处理和维护进行分类，见图3。

张弛^[7]通过分析数据资产的特征以及影响因素，将其归纳为颗粒度、多维度、活性度、规模度和关联度5个特征维度，在每个特征维度下又包含多个输入维度。

石磊等^[8]认为数据资产的价值主要可以分为质量价值和经济价值，其中质量价值包括数据的形式、内容和绩效价值，经济价值包括成本、市场和收益价值，见图4。

《数据资产评估指导意见》中也提及了数据资产价值的四大价值影响因素，其中将影响因素分为成本因素、场景因素、市场因素和质量因素，见图5。

目前，数据资产的指标体系还没有统一的标准，应当根据研究对象的特性对具体的指标进行调整，例如研究对象数据资产的市场供需情况、市场前景、国家政策和法律法规限制等。数据资产价值的评估体系构建完成后，可以通过层次分析法、模糊综合评价法等方法计算指标权重。

3 数据资产价值评估方法

数据应用高速发展，数据资产已经成为多数企业的核心资产。如何合理评估数据资产，使企业有效利用、管理这些数据，对我国经济发展具有重大的实践意义。根据现有研究，数据资产价值的评估方法包括3种传统评估方法及其衍生方法。

3.1 传统评估方法可行性分析

3.1.1 成本法

成本法的优点是容易理解且计算方式简单，缺点是对于内部产生，无直接成本的数据较难评估，且贬值因素难以量化，也无法体现数据资产的收益。由于大数据资产的独特性，成本法本身存在局限性，学者们在成本法的基础上进行改进。然而，谢珏珍^[9]认为形成数据资产所投入的人力、物力难以用货币进行计量，以至于其重置成本难以准确计算。由于数据资产独特的属性，学者对于成本法的适用性仍存在分歧。

3.1.2 市场法

从市场法评估角度来看，刘琦等^[10]认为随着数据资产评估业务的增多，必将形成活跃的市场条件，所以市场法具有可行性，并对其差异因素进行有效量化，构建起市场法评估的框架体系。但市场法的使用存在着许多限制，其局限性主要体现在两大方面：一是市场成熟度不足。龚子浩^[11]强调，当前数据资产交易市场尚处于初级发展阶段，交易活跃度低，透明度有待提高，市场的全面成熟尚需时日，这限制了市场法的广泛应用；二是可比参照物稀缺。鉴于数据资产的独特性和差异性，市场上难以找到足够多的相似数据资产作为评估参照，且不同数据资产间的差异化特征难以精确量化，这增加了市场法应用的难度。吴朔^[12]认为在选取参考对象时，难以选取关联度较高的企业，且影响数据资产价值的因素无法被量化。张迎^[13]认为大数据交易目前难以规范化，信息不对称容易导致价格发生偏离。

3.1.3 收益法

数据资产虽然符合收益法的运用条件，但是运用的前提获取数据资产的预期收益，数据资产收益额常用的确定方式主要有直接收益预测、分成收益预测和超额收益预测等。但仍有部分学者认为收益法存在一定的局限性。李永红和张淑雯^[14]指出，企业的数据资产收益与产品密切相关、难以分离，不适用于数据资产的价值评估。林飞腾^[15]指出，大数据资产的时效性特点使得在采用收益法评估其价值时，如何准确界定其预期收益的时限成为现阶段的一个难题。尽管如此，相较于其他传统评估手段，收益法在操作性和可行性上展现出一定优势。越来越多的学者以收益法为基础构建模型，并运用不同的方法进行修正，将优化后的模型应用于实际案例中进行对比分析，从而在一定程度上确保了评估结果的可靠性。

基于上文的分析，下面将对以上几种估值方法的优缺点进行对比展示和总结，见表2。

3.2 经过改进的传统方法

在探讨数据资产价值的评估时，尽管传统方法依旧是国内学术界的主流选择，但当前趋势正朝着精细化与定制化方向发展。学者基于各类数据资产的独特属性，对传统评估方法进行创新性的调整与优化，旨在构建更加贴合具体数据资产特征的评估模型。

3.3 衍生评估方法

多数学者认为数据资产的价值会依据其质量、结构、时效性以及应用场景的差异而有所变化，这使得传统的评估手段难以精确评估数据资产的真实价值。鉴于此，学者们在传统评估方法的基础上，结合经济学与金融学领域的经典理论，衍生出了实物期权评估法和博弈法；基于综合评价法，衍生出了层次分析法和模糊综合评价法；基于人工智能的方法，衍生出了BP神经网络等方法。

3.3.1 实物期权法

实物期权法就是将企业的数据资产看作其拥有的实物期权，其价值不仅体现在现金流量现值上，还包含了附加的选择权的价值。数据资产的业务附着性表明价值可以通过预测当前业务得出，拥有期权的特质，同时数据资产的价值具有不确定性，所以实物期权法评估动态环境下的数据资产价值具有一定的合理性。

B-S模型属于实物期权法，拥有实物期权法模型的优势。王静和王娟^[21]REF_Ref17239rh以B-S理论模型为核心评估互联网金融企业的数据资产价值，建立了评价指标体系，包括标的数据资产等5个方面。吴惟熙和陈晓萍^[22]REF_Ref10928rh构建新型大数据资产估值模型评估互联网企业数据资产价值，最后通过人民网的案例来验证该模型的适用性。代钿杰^[23]REF_Ref11137rh将模糊数学理论引入实物期权法中，构建基于模糊B-S期权定价模型的数据企业价值评估模型，将参数以区间值表示，再将区间值进行调整得到确切的数据资产的评估价值。李佳琪^[24]REF_Ref11369rh将物联网企业的数据资产项目看作一个看涨期权，通过引入红利支付率这一指标改进B-S模型，评估数据资产的潜在价值。

3.3.2 基于博弈论的方法

数据资产中博弈法是指数据交易双方基于信息不对称，进行博弈交易，实现数据购买方利益最大化或者风险最小化。王建伯^[25]REF_Ref11640rh指出，在特定情况下，数据资产的定价可通过交易双方的信息交换和讨价还价来最大化自身利益并最小化风险成本。由于信息不对称，交易过程可被视为动态博弈中的不完全信息情境。赵馨燕等^[26]REF_Ref12012rh在Rubinstein博弈模型的基础上，采用一对多的市场竞价机制对模型进行修正，旨在通过模拟市场竞价与交易谈判两阶段博弈，得出卖方视角下市场竞价的数据商品均衡定价，并以案例数据商品定价过程验证模型的应用。

3.3.3 基于人工智能的方法

有学者认为传统算法传统算法在应用初期往往依赖于复杂且耗时的特征工程，这一过程不仅效率不高，而且模型的准确性极易受到特征工程质量和有效性的影响，而人工智能算法的模型能在预测精度和速度等维度较传统算法有明显提升。鉴于此，倪渊等^[27]REF_Ref12208rh构建了AGA-BP神经网络的数据资源价值评估模型，并通过自适应遗传算法优化传统BP神经网络提升价值评估的精度。任建宇^[28]REF_Ref13289rh构建了一套数据资产评估模型与配套系统，该系统通过对各项功能的模块化分解，采用了集成机器学习技术来对数据资产的价值进行量化评估。王建伯^[25]REF_Ref11640rh认为人工神经网络可以客观评价及预测数据本身的应用价值，具有较强的动态性，克服了评估人员人工评价中的主观因素以及模糊随机性的影响。严鹏^[29]REF_Ref13812rh研究发现基于机器学习构建的模型评估效果远远优于多元线性回归模型，其中，随机森林模型更适用于数据资产价值评估。

4 结语

总体来看，学者们对数据资产价值评估进行了深入研究与挖掘，并形成了一定的研究模式与框架，但研究成果多集中于数据资产较为显现的电商、物流等行业，未能充分考虑数据资产作为新型资产在各行各业的重要作用。在利用CiteSpace等软件分析数据资产近10年的研究热点过程中，本文深入探讨了评估方法和评估指标体系这两大主要议题，认为数据资产价值评价指标体系的构建有利于推动数据资产价值的评估的规范性，但具体针对不同类型的企业、不同的评估目的时，应根据实际情况制定多维度价值评价体系，以全面反映数据资产的价值。另一方面，研究发现单个评估方法难以准确评估数据资产价值，现有研究大多在传统评估方法的基础上，运用改进工具对评估方法进行创新，以满足不同评估场景和需求。此外，分析了衍生评估方法在数据资产价值评估中的应用，为理解和量化数据资产的价值提供了理论基础和实践指导，并针对数据资产评估的现状提出展望：

首先，政府需要加强数据资产对监管力度，完善相关数据资产政策体系。目前，我国已经建立了“京沪广深贵”5大领头数据交易所，我国数据交易市场规模不断增大，所以我国应当规范和监管数据资产交易活动，以便评估人员利用市场法等评估方法对数据资产进行评估时，参考更加客观的公允价值。

其次，优化数据资产的分级分类标准，促进评估指标体系标准化。对数据进行分级分类是数据治理的基础，然而当下我国在数据资产交易方面的分级分类标准不完整，对数据资产估值的精确性造成了不利影响。尽管相关部门出台了一些文件，但这些分级分类的标准多为指南或指导性质，致使出现数据有效性欠佳、重复程度高、格式不一致等状况，从而影响数据资产评估中的数据来源和质量。此外，为了推动数据资产市场的规范化发展，需要制定统一的评估指标体系，未来可以利用人工智能等技术，根据最新的研究成果不断更新数据资产价值评估体系，这将有助于提高评估结果的准确性和可比性，为数据资产的交易和流通提供有力支持。

最后，加强对数据资产价值评估方法的研究。由于不同类型企业的数据资产特征差别较大，目前我国还没有统一规范的数据资产分类标准，针对不同的企业没有科学统一的评估方法，导致数据资产价值评估时出现偏差。所以，应面向不同来源、不同行业的数据资产，深入分析其特性、价值构成及价值评估指标体系，对比分析评估方法之间的优缺点，在实际应用中不断优化评估方法。

参考文献

[1]郑海平.数据资产价值评估方法研究综述[J].广西质量监督导报，2021（6）：162-163.

[2]孙淑萍.企业数据资产价值评估影响因素研究[J].商场现代化，2022（22）：37-40.

[3]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.

[4]朱蓓.数字资产价值评估的影响因素和难点问题探讨[J].市场瞭望，2024（5）：17-19.

[5]宿鑫芳，闫禹.企业数据资产价值评估研究[J].合作经济与科技，2024（17）：107-109.

[6]石艾鑫，郜鼎，谢婧.互联网企业数据资产价值评估体系的构建[J].时代金融，2017（14）：109，112.

[7]张驰.数据资产价值分析模型与交易体系研究[D].北京：北京交通大学，2018.

[8]石磊，何天翔，陈端兵.企业数据资产价值评估研究[J].中国资产评估，2023（4）：20-30.

[9]谢珏珍.基于改进多期超额收益法的物流企业数据资产价值评估研究[D].南昌：江西财经大学，2023.

[10]刘琦，童洋，魏永长，等.市场法评估大数据资产的应用[J].中国资产评估，2016（11）：33-37.

[11]龚子浩.基于多期超额收益法的互联网金融企业数据资产价值评估[D].南昌：江西财经大学，2022.

[12]吴朔.互联网金融企业大数据资产价值评估[D].昆明：云南大学，2021.

[13]张迎.浅谈大数据时代下商业银行的数据治理体系建设[J].通讯世界，2016（8）：69-70.

[14]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.

[15]林飞腾.基于成本法的大数据资产价值评估研究[J].商场现代化，2020（10）：59-60.

[16]傅传锐，康佳雯，许荔香，等.基于改进成本法的公共数据要素资产估值研究[J].武汉理工大学学报（信息与管理工程版），2024，46（2）：276-283，298.

[17]孙晓璇，赵小明.基于模糊层次法的数据资产评估方法研究[J].智能计算机与应用，2020，10（6）：252-254.

[18]张俊瑞，董雯君，危雁麟.商务大数据分析：交易性数据资产估值方法研究[J].情报杂志，2023，42（7）：93-101.

[19]刘惠萍，赵悦，赵月华.基于改进多期超额收益法的物联网企业数字资产价值评估研究：以海康威视为例[J].中国资产评估，2022（8）：69-80.

[20]任紫娴，陈思.基于文本分析法改进的社交电商数据资产评估：以拼多多为例[J].中国资产评估，2023（10）：11-17，34.

[21]王静，王娟.互联网金融企业数据资产价值评估：基于B-S理论模型的研究[J].技术经济与管理研究，2019（7）：73-78.

[22]吴惟熙，陈晓萍.互联网企业数据资产估值研究：以人民网为例[J].财经与管理·国际学术论坛，2023，2（2）：101-103.

[23]代钿杰.基于模糊实物期权法的数据企业价值评估研究[D].南昌：江西财经大学，2023.

[24]李佳琪.基于改进收益法的物联网企业数据资产价值评估研究[D].沈阳：辽宁大学，2023.

[25]王建伯.数据资产价值评价方法研究[J].时代金融，2016（12）：292-293.

[26]赵馨燕，张治侨，杨芳.数据资产的特征与交易定价研究：基于修正的Rubinstein博弈模型[J].中国资产评估，2022（3）：44-51.

[27]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，2020，43（1）：135-142.

[28]任建宇.基于集成机器学习的数据资产定价模型及系统设计[J].中国管理信息化，2022，25（14）：80-82.

[29]严鹏.基于机器学习的数据资产价值评估研究[D].昆明：云南大学，2022.

作者简介：

张思雨，女，2001年生，硕士研究生在读，主要研究方向：无形资产价值评估。

刘丽，女，1980年生，博士研究生，副教授，主要研究方向：国际贸易与区域、企业价值评估