一、引言
随着全球数字经济的加速发展，数据作为一种核心生产要素，其经济价值正逐步显现并成为企业的战略资源。党的十九届四中全会首次将数据与资本、劳动等传统生产要素并列，彰显了数据对提高生产效率和支持经济转型的重要性。特别是在国家构建数据基础制度更好发挥数据要素作用的意见》(即“数据二十条”)的指引下，明确提出探索数据资产入表新模式，以数据赋能实体经济为主线，推动合规高效的数据流通、交易及使用。不仅开启了数据从资源到资产转化的新时代，也对企业如何科学、系统地评估数据资产提出了新的要求。
与此同时，2023年财政部发布《企业数据资源相关会计处理暂行规定》，对数据资产的确认、计量提出了原则性规定，标志着我国企业数据资产入表的探索迈出了关键的一步。通过数据资产化，企业不仅能够提升财务透明度，还能通过数据资产的商业化应用创造新的收益。但数据资产评估作为这一过程中的核心环节，目前仍面临理论体系不完善评估技术不成熟以及应用场景复杂多样等诸多挑战。本研究旨在探讨数字经济时代企业数据资产评估的理论基础、问题现状及解决路径，从而推动数据资产评估理论与实践的结合，为企业实现数据资产化提供有益参考。
二、理论基础
（一）数据资产的基本概念
数据资产是数字经济时代的一种新型经济资源主要指企业通过数据采集、整理、加工、应用等一系列过程形成的具有经济价值的资源。从会计学视角来看，数据资产可以被定义为企业控制的、可用货币计量的具有未来经济利益的数据产品或服务，数据资产的特点包括无形性、高重塑性、非排他性和价值时变性，反映了其与传统资产截然不同的本质特征。
数据资产的无形性主要体现在其并非以实物形式存在，而是存储于云端、服务器等依附性载体中这种特性为其传播和交易提供了便利条件。高重塑性反映了数据通过加工处理可以被应用于不同领域或场景，具备重新利用的潜力。非排他性则意味着同一数据集可以同时服务于多个主体，这一特性在数据共享和授权运营中尤为重要。而价值时变性则使得数据资产的价值可能随着时间、应用场景及市场需求的不同而变化。例如，实时性较强的商业数据可能在短期内价值极高，但随着时间推移逐渐贬值。
然而，数据资产化的核心问题在于多维度价值的界定。首先，从经济学角度来看，数据的价值来源于其对经济决策和业务优化的贡献;其次，在法学视角上，明确数据权属是数据资产化的前提。只有在权属清晰的前提下，数据资产才能在法律意义上成为企业可控、可流通的资源。最后，基于技术视角，数据资产的价值取决于数据的准确性、一致性、时效性及其与相关场景的适配度。因此，数据资产化并不仅仅是资源的积累，更是数据有效加工，提炼与精准应用的过程。
（二）数据资产评估的理论框架
数据资产评估是数据资产管理的核心环节，主要目的是衡量数据资产的经济价值，为企业财务报表披露、数据交易定价及数据资产创新应用提供支持。目前，主流的评估方法包括成本法、收益法和市场法，分别从投入、产出和市场交易的角度对数据资产进行量化。
成本法主要通过追溯数据资产的形成过程，将其开发、获取、清洗、存储等环节的成本加以归集得出数据资产的重置成本。这种方法尤其适合对创新型或处于初期应用阶段的数据资产进行估值。其优势在于逻辑清晰、数据获取相对容易，但对数据资产未来的经济贡献能力缺乏考量。
收益法强调数据资产为企业或数据使用者创造的未来收益价值，通过预测未来现金流并折现至评估基准日。该方法适用于成熟的、具有明确应用场景的数据资产，可以较为全面地反映数据资产的潜在经济贡献。但缺点在于对未来收益的预测存在较大不确定性，折现率等模型参数设置也容易受到主观影响。市场法基于已有的市场交易价格，将目标数据资产与类似资产进行对比分析得出估值结论。然而，由于数据资产市场尚未成熟，类似数据资产的交易案例较少，因此，市场法的应用受限于数据交易市场的活跃程度。
除了上述传统方法，近年来针对数据资产特性的衍生或改进型评估方法逐渐受到关注。例如，将数据资产的质量特征(准确性、完整性、时效性)融人评估模型，通过质量系数对评估结果进行修正;在收益法中引人层次分析法(AHP)或熵权法，改进参数权重的制定过程，从而提升模型的科学性。
（三）数据资产评估的国内外研究现状
随着数据资源在全球范围内的重要性逐步上升，国内外学术界及实践界围绕数据资产评估开展了广泛研究。在欧美发达国家，数据资产评估较为成熟，尤其是在大数据、人工智能等技术推动下，数据资产的市场化程度较高。例如，欧盟《通用数据保护条例》（GDPR）明确了个人数据权，同时对企业数据交易行为提出了严格的规定，有力推动了数据资产价值的显性化。在美国，企业更倾向于通过数据驱动业务创新，将数据价值体现在市场定价及资本溢价上。
国内的研究则更多聚焦在数据资产化路径及会计准则适配性方面。例如，2023年财政部发布的《企业数据资源相关会计处理暂行规定》为数据资产入表提供了操作框架，而《数据资产评估指导意见》则明确了数据资产价值评估的基本方法和要素。尽管如此，国内理论界和实务界在实践时仍面临诸多难题，如数据确权机制不完善、评估技术不统一、市场交易案例稀缺等问题。
三、企业数据资产评估的现状与问题
（一）现状概述
1.企业数据资产评估的初步探索
随着数字经济的快速发展，数据资产已逐渐成为企业核心竞争力的重要组成部分。然而，在实际操作层面，数据资产评估工作仍处于初步探索阶段。从企业管理和市场实践看，越来越多的企业开始认识到数据的经济价值，并尝试将数据资源转化为可计量的资产。尤其是在政策支持下，一些企业已开始将数据资产作为新型资源加以利用，希望通过评估数据资产价值来实现资产化管理和公开化交易。
当前，企业数据资产评估的探索主要体现在两个方面:一是内部实践，企业通过构建数据资源的采集、管理、应用体系，将数据资源转化为可用的生产要素，并通过内部建模评估数据资源对业务贡献的潜在经济价值;二是外部交易，部分企业试图通过数据交易市场，将数据资源评估后挂牌，尝试实现数据资源的资本化流通。尽管如此，由于评估体系尚未成熟，企业在数据资产化实践中依然面临诸多挑战，例如数据的权属不清、资产性质难以界定以及评估路径模糊等问题。
2.数据资产入表试点情况
我国近年来在数据资产入表方面取得了初步进展，尤其是在政策与制度层面。2023年财政部发布的《企业数据资源相关会计处理暂行规定》首次明确了数据资源的会计处理路径，并提出了数据资源可作为无形资产或存货人表的原则。这一政策为企业数据资产评估和人表提供了理论框架，标志着我国数据资产化进入重视规范性阶段。
同时，一些地方性数据交易所和领先企业已开展数据资产入表试点工作。例如，上海数据交易所围绕“数据二十条”中的政策精神，组织了一批企业进行数据资产人表模拟研究，通过真实曼务数据探素数据资产确认、计量和披露的操作实践。这些试点工作不仅为数据资产评估提供了可参考的行业 规范，也为探索数据资产市场化流通路径奠定了基础。
尽管试点工作取得了积极进展，但数据资产入表的广泛推广仍面临诸多现实问题，包括如何提高数据资产确权效率、优化评估方法以及建立信息披露的标准化体系等。这些问题不仅反映了数据资产评估的复杂性，也提示当前试点工作需要进一步完善理论体系和实务操作。
（二）企业数据资产评估的主要问题
1.数据确权难:权属与法律边界模糊
在企业数据资产评估中，数据确权是基础性问题，也是最具挑战性的环节之一。数据确权涉及界定数据资源的所有权、使用权和收益权，这是确保数据能够合法人表、流通和交易的前提。然而，由于数据生成和使用的复杂性，数据资源的权属常处于模糊地带，在多方利益相关的情况下该问题更为复杂。
首先，数据来源的复杂性增加了确权难度。例如，企业可以通过自主采集、购买或授权使用公共效据构建数据资产。对于自主采集的数据，企业通常认为其具有绝对控制权，但事实上，这些数据可能包含第三方提供的数据片段，或涉及个人隐私信息，无法完全归属企业;对于购买或授权使用的数据，其权属往往受限于法律合同条款，如使用范围期限以及二次开发的限制。
其次，数据确权难还涉及公共数据和个人数据的法律边界。在中国当前法律框架下，公共数据的所有权通常归属公共机构，对于授权范围之外的使用，企业可能面临侵权风险;而个人数据在《个人信息保护法》下受到严格保护，未经明确授权，企业不得进行加工或商业化应用，这进一步限制了数据资产化的路径。
最后，缺乏统一的数据确权规范与标准也导致企业确权工作缺乏一致性和公信力。不同地区、行业可能对数据权属有不同的理解，因此企业在跨行业或路区域评估数据资产时，确权问题尤为突出总的来说，数据确权的复杂性不仅影响数据资产的合法性，也直接决定了评估工作能否顺利开展。
2.评估方法局限:成本归集困难、收益估计不准确
数据资产的评估方法通常包括成本法、收益法和市场法，但实际应用中，这些方法均存在显著局限。其中，成本法由于数据资产形成涉及多个环节，成本归集常面临技术性困难:收益法则对数据资产的未来收益预测不准确且有高度不确定性;市场法因交易市场不成熟，实际应用场景有限。
成本法的主要问题在于数据资产形成过程复杂且存在需要跨部门收集与使用的状况。数据采集、清洗、整合、标注、存锗等环节的成本归集通常分散于不同业务部门，企业难以准确梳理相关发本。此外，数据的加工过程常涉及共享资源(如企业服务器、算法模型等)，如何合理分摊成本也缺乏规范性的处理标准。例如，在人工智能模型训练过程中使用的大量数据，其成本难以与其他业务成本区分。
收益法评估常被认为是衡景数据资产经济价佰的核心方法，但在实践中，其可靠性受到多个因素干抗。数据资产的收益场景具有多样性，未来收益流通常难以预测，例如某类数据可能在一段时间内产生高价值，但随着市场需求变化或政策调整，其收益可能迅速下降。同时，收养法需要选择适当的折现率、预测期和估算模型，这些参数的主观性和不确定性可能显著影响评估结果的雅确性。
市场法的局限性则更多体现在数据资产交易市场的不成熟。由于市场价格和类似案例缺乏透明性，企业在采用市场法进行数据资产评估时往往难以找到可比数据交易价格。
此外，部分数据资产具有高度定制性，其市场交易价格通常无法作为通用数据的参考标准。因此，市场法在实践中应用的广泛性受到限制。
3.信息披露不足:披露规范与机制尚未完善
数据资产评估的另一个重要问题是信息披露的不充分，这不仅影响评估结果的透明性，也对企业数据资产化的社会认知和投资者信任构成阻碍。当前，企业在数据资产信息披露方面缺乏统一规范:一方面，不同企业对披露的内容选择标准、深度和颗粒度有着显著差异。例如，有些企业仅披露总体数据资产规模及类型，而未详细说明数据的来源，权属状况以及具体使用场景，这使得相关信息理以满足外部分析者需求;另一方面，披露形式和技术标准也未标准化。例如，部分企业的披露内容采用文字描述，缺乏可视化数据或量化指标，使得信息对比性和有效性大打折扣。
此外，数据资产信息披露往往面临如何平衡商业机密保护与披露完整性之间的矛盾。数据资产可能涉及企业的核心竞争密源，大规模披露可能引发安全风险或商业竞争问题;但披露不完整又影响评估的公信力和外部使用者的理解。因此，企业在信总技露中缺乏明确的保护边界。
最后，数据资产信息披露还缺乏强制性要求虽然·企业数据资源相关会计处理暂行规定》对部分披露内容提供了某础指导，但未建立具体的强制披露机制，也未要求企业定期披露动态更新的数据资产信息。这使得企业数据资产评估的透明度不足同时阻碍了市场对这一新型资产类别的认知深化。
4.数据资产计量挑战:时效性影响价值判断
数据资产的价值通常具有时效性，实时价值较高的资产可能随时间推移迅速贬损，这种价值时变性直接彩响了数据资产的计量结果。
首先，数据资产的时效性特征对其使用年限的定义带来困难。例如，实时市场数据在交易过程中具有极高价值，但超过特定时间后，其效用可能完全丧失，这种“短寿命资产”如何确定价值以及计最推销方式尚无行业共识。使用年限与摊销方法的不合理选择会导致评估结果无法真实反映数据资产的经济贡献。
其次，数据时效性还使得数据资产的动态管理和计量工作复杂化。企业的数据资产可能定期更新或重新整合，不同阶段的价值可能显著不同。例如，某一数据集在初次发布时可能具有高市场需求，但在后续阶段因数据样本陈旧，用户需求下降，其价值会快速削减。这对资产定期复核提出了较高要求。最后，由于数据资产的价值受外部因素影响品蒋(如政策交化、市场需求波动等)，这进一步增加了计量工作的不确定性。传统的固定摊销方法难以适应数据资产价值的动态变化，这对数据资产评估的准确性和效率提出了挑战。
5.市场交易与估值体系不成然：缺乏参考价格与标准
目前，数据资产交易市场尚处于早期发展阶段，市场机制和估值体系的不成熟对评估工作带来重大阻碍。
一方面，交易市场缺乏统一的价格基准和交易规范。数据资产的市场价格通常是不透明的，企业在进行交易时往往通过谈判确定价格，而非参考公开市场标准。这种价格不确定性使得市场法评估在应用时缺乏可靠性。此外，同类数据资产的交易案例较少，企业难以获得足够的参考信息，这进一步限制了市场法的使用。
另一方面，数据交易市场活跃度不足也成为数据资产评估的瓶颈。目前，国内多数数据交易所主要功能集中在数据登记与挂牌，真正完成交易的案例较少，数据流通规模有限。这使得数据资产的实际市场价值难以被充分发现或释放。
最后，数据资产估值体系尚未标准化。虽然《数据资产评估指导意见》中对成本法、收益法和市场法提供了理论框架，但具体应用标准尚未成熟例如，对数据质量、使用场景和时效性等衡量指标缺乏统一性，这直接影响了评估结果的比较性和一致性。交易市场的不成然与估值体系的不完善共同限制了数据资产评估的广泛应用与市场化流通。
四、数据资产评估的对策建议
(一)推进数据确权机制建立
一是加强数据分类分级确权。数据确权是数据资产评估的基础。由于数据来源复杂且权属存在模期地带，对数据进行分类分级确权有助于厘清不同数据的权属关系。从实践来看，可按照数据的来源(公共数据、企业数据、个人数据)、用途(内部使用或市场交易)以及加工状态(原始数据、加工数据、可交易数据)进行明确分类，并建立分级授权与确权流程。例如，对于公共数据，应由政府部门制定数据开放与授权的标准，确保授权使用的合法性。对于企业数据，则可明确企业对自有数据的加工权与收益权。分类分级的确权模式，尤其是在公共数据与企业数据之间，能够有效解决权属不清、责任不明的问题，为数据资产评估提供法律与规范依据。
二是完善“三权分置”框架，明确权属责任。数据权属的“三权分置”框架，即数据资源持有权、加工使用权和产品经营权的分离，是数字经济时代数据管理模式的重要创新。然而，这一框架在实践中尚未完全落实。政府和企业需要构建更加精细化的确权制度，例如明确数据资源加工的边界，确保使用权者在合法范围内使用数据，而不侵犯持有方的基本权益。此外，对于涉及跨机构或多方共享的数据，需通过合同形式进一步细化权利边界及责任划分，确保在数据交易和评估中能够追溯源头权属并确定各方的经济利益分配。
(二)优化数据资产评估方法
一是成本法与收益法结合，明确成本归集标准。当前，单一的成本法或收益法在评估数据资产时存在不足，建议结合两种方法进行综合评估。对于数据资产的成本归集问题，可制订标准化流程，例如通过明确数据采集、清洗、标注等环节的成本分摊规则，确保评估时成本归集的完整性与一致性。同时，考虑收益法时，可引入与数据实际应用场景相关的动态收益预测模型，关注数据对企业未来商业价值的贡献。通过整合成本法和收益法，既能反映数据资产的形成成本，也能量化其潜在经济收益。
二是引入动态评估模型，适应时效性变化。数据资产的价值具有显著的时效性特点，例如实时数据在短时间内价值较高，但随着时间推移，其经济作用可能大幅降低。针对这一问题，可引人动态评估模型，将数据的时效性融人价值计算中。例如，将数据使用频率、应用深度以及市场需求等变量作为动态参数加入评估过程。同时，建立定期复核机制，动态调整数据资产的账面价值，以适应数据价值的时效性变化。
(三)强化信息披露规范
一是推动企业披露模板标准化。当前，数据资产信息披露缺乏统一模板，这容易导致信息不透明难以比较。建议监管机构出台统一的披露框架，要求企业在披露数据资产时涵盖数据的来源、权属、加工过程、成本构成及收益预期等关键信息。在披露形式上，可采用定量数据与定性分析结合的方式，既提供关键指标，如数据量、应用场景、市场价值等，也提供文字说明，以补充数据资产创造价值的详细路径。
二是制定披露机制，包括日常披露与周期披露除了披露模板，明确披露机制也至关重要。对于数据资产评估，建议引人“日常披露+周期披露”的双轨制。一方面，企业在重大数据交易或资产变化时应实时披露相关信息;另一方面，在年度财报中需对数据资产的总体规模、质押情况、摊销进度市场价值等进行集中披露。这种机制将增强披露的系统性和规范性，有助于提高投资者或市场参与者对数据资产的认知。
(四)提升市场化交易环境
一是构建数据资产交易价格基准。数据资产交易市场的成熟与否直接影响数据资产的市场价值评估。目前，由于缺乏统一的价格基准，数据交易市场活跃度较低。建议监管部门和数据交易所通过汇总典型数据交易案例，逐步建立参考交易价格体系同时，可引人第三方机构对主要数据资产类型进行估值，形成固定时间范围内可供参考的市场基准价格，为数据交易提供价值参照。
二是推动数据交易所功能完善，活跃市场流通现有数据交易所更多是数据资源的登记与展示平台实际交易量有限。建议进一步提升数据交易所的功能，例如引人智能化数据资产交易系统，实现数据需求方与供给方的精准匹配。同时，激活场内交易机制，通过完善数据资产的评估、定价、清算及监管体系，提升数据资产交易的透明度和效率。完善的数据资产交易市场将推动评估方法的实际应用，也将为数据资产创造更广泛的市场化流通途径。
(五)技术与政策支持
一是运用区块链技术，提升数据资产管理能力。区块链技术具有去中心化、不可篡改和可追溯等特点，可用于提升数据资产管理的透明度和安全性。例如，在数据确权与交易中，可基于区块链实现数据资产的全生命周期记录，包括数据的采集、加工、交易、使用等环节。在评估过程中，依托区块链存储的历史记录，可以快速验证数据资产的权属、应用情况和经济贡献，确保评估结果可信可靠。 二是政策支持数据资产评估的法律法规建设。数据资产评估的完善离不开政策法规的支持。建议国家进一步完善相关法律法规框架，为数据资产评估及人表提供法律保障。例如，出台数据资产计量与确认规则、数据资产交易税收优惠政策，以及激励企业合理披露数据资产的具体措施，同时逐步推动数据资产市场化的法治化进程。
五、结论
本研究系统分析了企业数据资产评估的现状与主要挑战，提出了推进数据确权机制、优化评估方法、完善信息披露机制、提升市场交易环境以及技术与政策支持的综合性解决方案。特别是在技术赋能方面，引人区块链技术用于数据确权与价值追溯，开发智能化评估模型用于动态价值计量，将成为未来数据资产评估工作的重要方向。总之，数据资产评估体系的完善不仅有助于解决企业数据资产化的瓶颈问题，还能为数据要素市场的繁荣提供政策与理论支撑，也将为企业数字化转型与国家数字经济战略发展提供重要借鉴。通过提升数据资产评估的科学性与规范性，结合未来智能化、新兴技术的广泛应用，激发数据资产释放更大的经济潜力，并为国际数据要素市场规则的制定与实践奠定基础。
文章来源网络，若涉及版权问题，请联系删除。
