应用场景视角下的数据资产价值评估

作者：高华 姜超凡

来源：《财会月刊·上半月》2022年第09期

【摘要】数据作为第五生产要素， 如何资产化变为数据资产并纳入会计核算范围对数据红利的释放和数字经济的发展有着重要意义。 从会计学角度来看， 数据资产入表的困难之一是数据资产价值的评估。 本文在重新界定数据资产含义的基础上， 分析了数据资产化过程， 发现数据资产价值有必要按应用场景分类评估。 按应用场景将数字资产划分为有交易和无交易两种类型， 无交易场景下采用B-S期权定价模型估值更合理， 有交易场景下采用AHP结合超额收益法进行综合评估更佳。 按应用场景分类估值既可有效提高估值的可操作性， 也可还原数据资产本身价值， 为数据资产未来纳入会计报表并释放更多数据红利迈出新的一步。 【关键词】应用场景;数据资产;价值评估;B-S期权定价模型;AHP法;超额收益法 【中图分类号】F275 【文献标识码】A 【文章编号】1004-0994（2022）17-0099-6 一、引言

作为人口大国和数字经济强国， 我国在2020年底发生数据交易的总量和规模突破8ZB， 约占全球总量的两成， 首次超越美国， 位居世界第一， 数据资产的重要性不言而喻。 层面， 2020年4月， 、发布《关于构建更加完善的要素市场化配置机制的意见》， 提出了深化“土地、劳动力、资本和技术”要素市场化的配置改革， 首次将数据纳入生产要素范围， 使其与传统的四大要素并驾齐驱。 2020年5月， 、发布的《关于新时代加快完善社会主义市场经济的意见》， 明确指出“加快培育数据交易市场， 推进数据合规管理， 建立健全数据交易系统和业态自律机制”。 这是对数据要素价值的肯定， 确立了其基础性战略资源的地位。 实操层面， 德勤与上海国家会计学院等研发了第四张报表价值管理体系即数字化时代企业价值的度量衡， 其中很重要的就是包含了新经济时代数据资产的价值计量①。

从会计学角度来看， 财务报告在维护资本市场、保障正确的投资决策、促进市场经济繁荣等方面做出了不可磨灭的贡献。 然而， 数据资产占比较高的新经济企业对数据资产价值的披露仅是冰山一角， 财务报告中更不见其身影， 这严重制约了数字经济的发展， 将数据资产纳入财务报告核算范围迫在眉睫。 但因数据资产估值理论研究的滞后性及价值评估体系的低透明度， 以及受到技术问题和数据转化为资产涉及不同的应用场景影响， 数据资产的价值尚无法可靠计量， 就不能确认为资产， 也就更无法纳入财务报表范围。 这会造成财务报告相关性降低， 新经济时代互联网企业估值失实。 若想扭转该局面， 首先要解决的就是数据资产的

价值评估问题。 因此， 本文从数据资产化过程开始分析数据资产如何产生价值， 并探讨不同应用场景下数据资产的价值评估问题， 提出相應的估值模型， 以期增加数据资产价值评估的可操作性， 最终解决数据资产的入表难题。 二、文献综述 （一）数据资产

数据资产、信息资源和信息资产的概念分别在1974年、1970年和1977年被提出， 但至今研究对象界定不清， 导致学术界对数据资产理解多元化， 难以形成统一的概念范畴。 叶雅珍等[1] 认为可以将相关概念统一到数据范畴下进行研究。 朱扬勇等[2] 指出， 信息资产、数字资产、数据资产三个概念本质上都是在讲数据， 并定义数据资产为拥有数据权属（勘探权、使用权、所有权）、有价值、可计量、可读取的网络空间中的数据集。 借鉴上述研究成果和中国信息通信研究院的相关定义， 本文将数据资产界定为信息资源经过数据采集、挖掘、清洗、标注、分析等， 形成可采、可见、标准、互通、可信的高质量数据资源， 并且该数据资源拥有权属和价值、可计量且可读取。 （二）数据资产化过程

数据资产化是实现数据价值的核心， 因为只有资产化， 数据价值才能得以核算， 也才可能被纳入会计报表。 该问题的研究主要涉及两个方面： 一是数据资产化的条件。 穆勇等[3] 认为， 一种资源成为资产需要具备三个基本前提条件， 即所有权明确、稀缺性和经济效益; 曹玉珊等[4] 认为， 信息资源资产化的关键是能够可靠计量。 二是数据资产化步骤。 叶雅珍等[1] 提出了数据资产化基本框架， 即数据资源确权、数据价值确认与质量管控、数据装盒入库、货币计价与评估、数据资产折旧和增值， 为数据资源的资产化提供了一条可行路径。 （三）数据资产价值评估

数据资产化过程的完成依赖于数据资产的价值评估， 但目前数据资产价值评估尚处于起步阶段。 在理论层面， 主要从不同视角探讨资产评估方法的适用性及应用前提。 李如[5] 从会计计量基础视角出发， 比较投入价值和产出价值的适用性， 认为目前企业可根据其历史成本对数据资产进行确认计量。 张志刚等[6] 从资产评估视角出发， 比较了现存资产评估方法的优缺点， 从而搭建了数据资产价值评估的分析框架。 李永红等[7] 探讨了运用不同资产评估方法进行数据资产估值的前提条件及适用范围， 但仍停留在理论层面， 不具有可操作性， 无法解决现实中数据资产入表的困境。 在实践层面， 目前对数据资产价值评估的研究者可分为三派： 一是借鉴无形资产价值评估方法的传统评估派， 采用成本法、收益法或修正市场法以及运用实物期权法中的B-S模型评估数据资产的价值。 二是影响因素评估派， 利用层次分析法并结合传统资产评估方法进行估值， 并运用博弈论研究数据资产评估方法。 三是新模型构建派， 如张驰[8] 基于数据粒度、活动性、相关性、度和尺度五个维度建立了数据资产价值

评估模型。 然而由于数据资产具有无限共享及多场景使用的特性， 使得数据资产和无形资产的界限越来越清晰， 不能简单套用传统无形资产的估值方法。 不同应用场景的特点和价值构成存在差异， 运用不同的估值方法才能更好地体现其差异性， 故按应用场景划分进行估值才更准确。

（四）数据资产价值构成

张志刚等[6] 将数据资产价值分为数据资产成本和数据资产应用。 上海德勤资产评估有限公司（简称“上海德勤”）与阿里研究院发布的《数据资产化之路——数据资产的估值与行业实践》报告中提到， 影响数据资产价值的因素主要有数据资产收益和风险两个维度。 实际上， 数据资产的收益取决于数据资产的质量和应用价值， 数据资产的风险主要源自于所在商业环境的法律和道德约束。 丁博[9] 将数据资产价值分为数据数量价值、数据质量价值、数据管理价值、数据应用价值和数据风险价值。 但是， 上述研究大都聚焦于数据资产的价值而忽略了数据产生过程， 无法涵盖数据从产生到流通的全部价值。

综上， 数据资产价值构成和评估已有初步研究， 大多研究的关注焦点是数据资产价值评估， 忽视了数据资产化过程与其价值评估的融合， 表现为： 第一， 已有数据资产价值构成的研究大都不能涵盖数据从产生到流通以来（即数据资产化过程）的全部价值; 第二， 已有研究忽视了数据资产的应用场景， 因数据的价值在于与具体业务的结合。 由于数据资产具有业务附着性， 数据产生阶段并不产生价值， 只有在与具体业务结合后才会创造价值。 数据价值的大小则在于与应用场景的结合， 不同应用场景下， 数据所贡献的经济价值有所不同[10] 。 例如， 某打车软件公司通过对客户出行习惯数据进行分析， 可使公司更好地配备车辆和司机以获得更多的利润， 同时还可以打包对外销售给汽车生产厂商或者共享单车企业。 显然， 数据资产在两种应用场景下创造的价值是不同的。 基于此， 本文立足于数据资产场景经济性这一特点， 探究数据资产化过程与其价值评估融合的过程和结果， 并将应用场景划分为有交易、无交易两种类型， 采用不同估值模型进行价值评估。 三、数据资产化过程及应用场景划分

数据资产化是实现数据价值的核心， 是进行数据资产价值评估首要解决的问题。 通过文献分析和总结， 可将数据资产化过程分为三个阶段。 第一阶段是数据集转化为数据资产的过程。 并非所有的数据都可以转化为数据资产， 转化为数据资产的数据需满足四个必要条件： 数据权属、有价值、可计量、可读取。 其一， 在数据权属方面， 区块链技术能够实现对这些财富和资产的确权， 使得数据成为产权明晰的资产， 并投入再生产。 其二， 在有价值方面， 互联网平台经济中的数据已成为创造和捕获价值的新经济资源， 以数据为中心的商业模式在越来越多的行业中得到了应用。 当数字技术嵌入产品设计、市场营销环节时， 企业和用户“群体信息交互”协同模式会显著影响企业的研发投入和创新产出， 数字技术应用推动了我国制造业领域产品创新与商业模式创新的繁荣。 其三， 在可计量、可读取方面， 随着计算机技术的不断发展， 均会逐渐得到完善。 第二阶段是数据资产与具体业务相结合并创造价值阶段。 根

据数据资产业务附着性特点， 各种数据资产只有和企业具体业务相结合才会产生经济效益并创造价值。 第三阶段是数据资产的流通阶段。 数据资产流向市场， 为不同企业创造不同价值。 通过上述三个阶段， 各类原始数据完成资产化历程， 形成数据资产并开始为企业创造价值。

从上述数据资产化过程来看， 数据资产化第一阶段并不会为企业创造价值。 因为数据资产具有无实物形态和业务附着性， 当它不和具体业务相结合时， 其价值趋近于零; 数据资产化第二和第三阶段中， 数据资产都要与具体业务相结合才能产生价值， 而且和不同业务结合的数据资产会产生不同的价值， 这就形成了数据资产场景经济性和性的特点。 故将数据资產价值评估划分应用场景分别讨论更具有现实意义。 但由于应用场景的种类繁多， 同时有交易场景下数据资产最终会流向市场， 其价值会受到场景变换的较大影响， 反观无交易场景下， 数据资产一般只与固定业务相关联并创造价值， 受到场景变化的影响趋近于零。 故本文按照有无交易性将数据资产的应用场景划分为无交易场景和有交易场景两种情况， 根据应用场景的不同特征采取不同方法进行价值评估。 四、数据资产价值评估

（一）无交易场景下的数据资产价值评估

1. 数据资产估值方法的确定。 数字经济时代的到来， 让企业商业模式发生了翻天覆地的变化。 例如， 无交易场景下用于精准营销而产生的数据资产。 通过对消费者数据进行处理后， 采取有针对性的营销策略， 相较于传统营销， 既帮助了企业更好地满足了用户体验感， 在提高成交率的同时也降低了营销成本。 对于此种企业通过分析自身产生的相关数据并创造价值的数据资产， 可以将其视为一种广义无形资产， 那么传统资产评估方法是否可用？ 对于成本法来说， 估值时因未考虑数据资产的预期收益， 评估结果会偏低; 市场法因没有交易难以在市场上找到相应的可比信息; 收益法虽然能够考虑到未来收益， 相对前两种较为全面， 其折现率的确定又存在很大困难。 故传统估值方法不能直接应用于数据资产价值评估。 数据资产的最大特性是不确定性， 该不确定性与大多数资产的不确定性不能混为一谈， 更应被看成一种获利的潜在可能性， 这种未来创造价值的潜在性可以看作是一种看涨期权。 因此， 本文认为采用B-S期权定价模型进行无交易场景的数据资产价值评估较为合适。

2. B-S期权定价模型在数据资产估值中的应用。 首先， 做出如下基本假设： 第一， 数据资产变化率服从正态分布， 且漂移项和波动率为常数; 第二， 在市场上可以固定价格无限地买入和卖出数据资产; 第三， 市场上数据资产买卖不存在交易费用和税收问题; 第四， 数据市场是风险中性的市场， 不存在无风险套利机会; 第五， 该企业会持续生产数据资产。 其次， 根据B-S期权定价模型， 得到数据资产的价值：

。 S表示初始价值; [K]表示执行价格现值; r表示无风险利率; σ表示波动率（平均波动率）; t表示数据资产生命周期; Vc表示数据资产价值; N（d1）表示愿意为拥有数据资产而支付初始成本的概率; N（d2）表示愿意维护数据资产而支付数据分析、维护费的概率。 （四）数据资产价值构成

张志刚等[6] 将数据资产价值分为数据资产成本和数据资产应用。 上海德勤资产评估有限公司（简称“上海德勤”）与阿里研究院发布的《数据资产化之路——数据资产的估值与行业实践》报告中提到， 影响数据资产价值的因素主要有数据资产收益和风险两个维度。 实际上， 数据资产的收益取决于数据资产的质量和应用价值， 数据资产的风险主要源自于所在商业环境的法律和道德约束。 丁博[9] 将数据资产价值分为数据数量价值、数据质量价值、数据管理价值、数据应用价值和数据风险价值。 但是， 上述研究大都聚焦于数据资产的价值而忽略了数据产生过程， 无法涵盖数据从产生到流通的全部价值。

综上， 数据资产价值构成和评估已有初步研究， 大多研究的关注焦点是数据资产价值评估， 忽视了数据资产化过程与其价值评估的融合， 表现为： 第一， 已有数据资产价值构成的研究大都不能涵盖数据从产生到流通以来（即数据资产化过程）的全部价值; 第二， 已有研究忽视了数据资产的应用场景， 因数据的价值在于与具体业务的结合。 由于数据资产具有业务附着性， 数据产生阶段并不产生价值， 只有在与具体业务结合后才会创造价值。 数据价值的大小则在于与应用场景的结合， 不同应用场景下， 数据所贡献的经济价值有所不同[10] 。 例如， 某打车软件公司通过对客户出行习惯数据进行分析， 可使公司更好地配备车辆和司机以获得更多的利润， 同时还可以打包对外销售给汽车生产厂商或者共享单车企业。 显然， 数据资产在两种应用场景下创造的价值是不同的。 基于此， 本文立足于数据资产场景经济性这一特点， 探究数据资产化过程与其价值评估融合的过程和结果， 并将应用场景划分为有交易、无交易两种类型， 采用不同估值模型进行价值评估。 三、数据资产化过程及应用场景划分

数据资产化是实现数据价值的核心， 是进行数据资产价值评估首要解决的问题。 通过文献分析和总结， 可将数据资产化过程分为三个阶段。 第一阶段是数据集转化为数据资产的过程。 并非所有的数据都可以转化为数据资产， 转化为数据资产的数据需满足四个必要条件： 数据权属、有价值、可计量、可读取。 其一， 在数据权属方面， 区块链技术能够实现对这些财富和资产的确权， 使得数据成为产权明晰的资产， 并投入再生产。 其二， 在有价值方面， 互联网平台经济中的数据已成为创造和捕获价值的新经济资源， 以数据为中心的商业模式在越来越多的行业中得到了应用。 当数字技术嵌入产品设计、市场营销环节时， 企业和用户“群体信息交互”协同模式会显著影响企业的研发投入和创新产出， 数字技术应用推动了我国制造业领域产品创新与商业模式创新的繁荣。 其三， 在可计量、可读取方面， 随着计算机技术的不断发展， 均会逐渐得到完善。 第二阶段是数据资产与具体业务相结合并创造价值阶段。 根据数据资产业务附着性特点， 各种数据资产只有和企业具体业务相结合才会产生经济效益并

创造价值。 第三阶段是数据资产的流通阶段。 数据资产流向市场， 为不同企业创造不同价值。 通过上述三个阶段， 各类原始数据完成资产化历程， 形成数据资产并开始为企业创造价值。

从上述数据资产化过程来看， 数据资产化第一阶段并不会为企业创造价值。 因为数据资产具有无实物形态和业务附着性， 当它不和具体业务相结合时， 其价值趋近于零; 数据资产化第二和第三阶段中， 数据资产都要与具体业务相结合才能产生价值， 而且和不同业务结合的数据资产会产生不同的价值， 这就形成了数据资产场景经济性和性的特点。 故将数据资产价值评估划分应用场景分别讨论更具有现实意义。 但由于应用场景的种类繁多， 同时有交易场景下数据资产最终会流向市场， 其价值会受到场景变换的较大影响， 反观无交易场景下， 数据资产一般只与固定业务相关联并创造价值， 受到场景变化的影响趋近于零。 故本文按照有无交易性将数据资产的应用场景划分为无交易场景和有交易场景两种情况， 根据应用场景的不同特征采取不同方法进行价值评估。 四、数据资产价值评估

（一）无交易场景下的数据资产价值评估

1. 数据资产估值方法的确定。 数字经济时代的到来， 让企业商业模式发生了翻天覆地的变化。 例如， 无交易场景下用于精准营销而产生的数据资产。 通过对消费者数据进行处理后， 采取有针对性的营销策略， 相较于传统营销， 既帮助了企业更好地满足了用户体验感， 在提高成交率的同时也降低了营销成本。 对于此种企业通过分析自身产生的相关数据并创造价值的数据资产， 可以将其视为一种广义无形资产， 那么传统资产评估方法是否可用？ 对于成本法来说， 估值时因未考虑数据资产的预期收益， 评估结果会偏低; 市场法因没有交易难以在市场上找到相应的可比信息; 收益法虽然能够考虑到未来收益， 相对前两种较为全面， 其折现率的确定又存在很大困难。 故传统估值方法不能直接应用于数据资产价值评估。 数据资产的最大特性是不确定性， 该不确定性与大多数资产的不确定性不能混为一谈， 更应被看成一种获利的潜在可能性， 这种未来创造价值的潜在性可以看作是一種看涨期权。 因此， 本文认为采用B-S期权定价模型进行无交易场景的数据资产价值评估较为合适。

2. B-S期权定价模型在数据资产估值中的应用。 首先， 做出如下基本假设： 第一， 数据资产变化率服从正态分布， 且漂移项和波动率为常数; 第二， 在市场上可以固定价格无限地买入和卖出数据资产; 第三， 市场上数据资产买卖不存在交易费用和税收问题; 第四， 数据市场是风险中性的市场， 不存在无风险套利机会; 第五， 该企业会持续生产数据资产。 其次， 根据B-S期权定价模型， 得到数据资产的价值：

。 S表示初始价值; [K]表示执行价格现值; r表示无风险利率; σ表示波动率（平均波动率）; t表示数据资产生命周期; Vc表示数据资产价值; N（d1）表示愿意为拥有数据资产而支付初始成本的概率; N（d2）表示愿意维护数据资产而支付数据分析、维护费的概率。

（四）数据资产价值构成

张志刚等[6] 将数据资产价值分为数据资产成本和数据资产应用。 上海德勤资产评估有限公司（简称“上海德勤”）与阿里研究院发布的《数据资产化之路——数据资产的估值与行业实践》报告中提到， 影响数据资产价值的因素主要有数据资产收益和风险两个维度。 实际上， 数据资产的收益取决于数据资产的质量和应用价值， 数据资产的风险主要源自于所在商业环境的法律和道德约束。 丁博[9] 将数据资产价值分为数据数量价值、数据质量价值、数据管理价值、数據应用价值和数据风险价值。 但是， 上述研究大都聚焦于数据资产的价值而忽略了数据产生过程， 无法涵盖数据从产生到流通的全部价值。

综上， 数据资产价值构成和评估已有初步研究， 大多研究的关注焦点是数据资产价值评估， 忽视了数据资产化过程与其价值评估的融合， 表现为： 第一， 已有数据资产价值构成的研究大都不能涵盖数据从产生到流通以来（即数据资产化过程）的全部价值; 第二， 已有研究忽视了数据资产的应用场景， 因数据的价值在于与具体业务的结合。 由于数据资产具有业务附着性， 数据产生阶段并不产生价值， 只有在与具体业务结合后才会创造价值。 数据价值的大小则在于与应用场景的结合， 不同应用场景下， 数据所贡献的经济价值有所不同[10] 。 例如， 某打车软件公司通过对客户出行习惯数据进行分析， 可使公司更好地配备车辆和司机以获得更多的利润， 同时还可以打包对外销售给汽车生产厂商或者共享单车企业。 显然， 数据资产在两种应用场景下创造的价值是不同的。 基于此， 本文立足于数据资产场景经济性这一特点， 探究数据资产化过程与其价值评估融合的过程和结果， 并将应用场景划分为有交易、无交易两种类型， 采用不同估值模型进行价值评估。 三、数据资产化过程及应用场景划分

数据资产化是实现数据价值的核心， 是进行数据资产价值评估首要解决的问题。 通过文献分析和总结， 可将数据资产化过程分为三个阶段。 第一阶段是数据集转化为数据资产的过程。 并非所有的数据都可以转化为数据资产， 转化为数据资产的数据需满足四个必要条件： 数据权属、有价值、可计量、可读取。 其一， 在数据权属方面， 区块链技术能够实现对这些财富和资产的确权， 使得数据成为产权明晰的资产， 并投入再生产。 其二， 在有价值方面， 互联网平台经济中的数据已成为创造和捕获价值的新经济资源， 以数据为中心的商业模式在越来越多的行业中得到了应用。 当数字技术嵌入产品设计、市场营销环节时， 企业和用户“群体信息交互”协同模式会显著影响企业的研发投入和创新产出， 数字技术应用推动了我国制造业领域产品创新与商业模式创新的繁荣。 其三， 在可计量、可读取方面， 随着计算机技术的不断发展， 均会逐渐得到完善。 第二阶段是数据资产与具体业务相结合并创造价值阶段。 根据数据资产业务附着性特点， 各种数据资产只有和企业具体业务相结合才会产生经济效益并创造价值。 第三阶段是数据资产的流通阶段。 数据资产流向市场， 为不同企业创造不同价值。 通过上述三个阶段， 各类原始数据完成资产化历程， 形成数据资产并开始为企业创造价值。

从上述数据资产化过程来看， 数据资产化第一阶段并不会为企业创造价值。 因为数据资产具有无实物形态和业务附着性， 当它不和具体业务相结合时， 其价值趋近于零; 数据资产化第二和第三阶段中， 数据资产都要与具体业务相结合才能产生价值， 而且和不同业务结合的数据资产会产生不同的价值， 这就形成了数据资产场景经济性和性的特点。 故将数据资产价值评估划分应用场景分别讨论更具有现实意义。 但由于应用场景的种类繁多， 同时有交易场景下数据资产最终会流向市场， 其价值会受到场景变换的较大影响， 反观无交易场景下， 数据资产一般只与固定业务相关联并创造价值， 受到场景变化的影响趋近于零。 故本文按照有无交易性将数据资产的应用场景划分为无交易场景和有交易场景两种情况， 根据应用场景的不同特征采取不同方法进行价值评估。 四、数据资产价值评估

（一）无交易场景下的数据资产价值评估

1. 数据资产估值方法的确定。 数字经济时代的到来， 让企业商业模式发生了翻天覆地的变化。 例如， 无交易场景下用于精准营销而产生的数据资产。 通过对消费者数据进行处理后， 采取有针对性的营销策略， 相较于传统营销， 既帮助了企业更好地满足了用户体验感， 在提高成交率的同时也降低了营销成本。 对于此种企业通过分析自身产生的相关数据并创造价值的数据资产， 可以将其视为一种广义无形资产， 那么传统资产评估方法是否可用？ 对于成本法来说， 估值时因未考虑数据资产的预期收益， 评估结果会偏低; 市场法因没有交易难以在市场上找到相应的可比信息; 收益法虽然能够考虑到未来收益， 相对前两种较为全面， 其折现率的确定又存在很大困难。 故传统估值方法不能直接应用于数据资产价值评估。 数据资产的最大特性是不确定性， 该不确定性与大多数资产的不确定性不能混为一谈， 更应被看成一种获利的潜在可能性， 这种未来创造价值的潜在性可以看作是一种看涨期权。 因此， 本文认为采用B-S期权定价模型进行无交易场景的数据资产价值评估较为合适。

2. B-S期权定价模型在数据资产估值中的应用。 首先， 做出如下基本假设： 第一， 数据资产变化率服从正态分布， 且漂移项和波动率为常数; 第二， 在市场上可以固定价格无限地买入和卖出数据资产; 第三， 市场上数据资产买卖不存在交易费用和税收问题; 第四， 数据市场是风险中性的市场， 不存在无风险套利机会; 第五， 该企业会持续生产数据资产。 其次， 根据B-S期权定价模型， 得到数据资产的价值：

。 S表示初始价值; [K]表示执行价格现值; r表示无风险利率; σ表示波动率（平均波动率）; t表示数据资产生命周期; Vc表示数据资产价值; N（d1）表示愿意为拥有数据资产而支付初始成本的概率; N（d2）表示愿意维护数据资产而支付数据分析、维护费的概率。