数据资产：概念演化与测度方法

马 丹，郁 霞

（西南财经大学中国社会经济统计研究中心/统计学院，四川成都611130）

一、引言

物联网、云计算、移动互联、智慧城市等各种新技术的不断涌现及其应用场景的丰富，加速了信息时代海量数据的产生。在大数据时代和数字经济背景下，信息技术和经济社会的交汇导致各类型数据迅速增长，使得国内外学者开始关注和承认数据的经济价值，并提出了数据资产的概念。2015年，国务院印发了《促进大数据发展行动纲要》，明确提出“数据已成为国家基础性战略资源，要加大投入力度，加强数据存储、整理、分析处理、可视化、信息安全与隐私保护等领域技术产品的研发，打造较为健全的大数据产品体系”。2019年，中共十九届四中全会从国家治理体系和治理能力现代化的高度把数据与劳动、资本、土地、知识、技术、管理一并视为生产要素，由市场评价贡献且按贡献决定报酬，并要求加强数据有序共享，这就把数据在经济社会发展中的作用提升到了更高的层次。一方面，数据资产会发掘出新的经济增长动力，产生新的经济增长形态；另一方面，数据在亟需资产化的同时也会给政府统计带来挑战，体现在基本概念难以界定、统计分类难以统一、传统统计方法难以对大数据时代的海量数据进行调查、数据资产形式难以匹配现有的GDP核算原则且估价困难等诸多方面。

数据库作为数据资产的储存容器，是数据资产的重要表现形式。在《国民账户体系2008》（SNA2008）中，数据库被划分为固定资产下知识产权产品的一个子项目，这一划分为数据资产的核算提供了一定的理论基础。从实践角度来看，尽管还没有完整的数据资产核算框架，但从其形态出发，数据资产大体上接近于无形资产的范畴。在此背景下，《知识产权产品资本测度手册》等国际指导手册阐明了知识产权产品的相关概念和如何估计总固定资本形成的价值等内容。以这两部指导性手册为理论支撑，本文在参考国际标准和国内研究的基础上，针对数据资产的产生背景、统计定义、分类原则和估价问题系统梳理了相关文献，并结合中国的实际情况对我国数据资产的概念演化和测度方法进行了探讨。

二、数据资产的演化历程

Algan（1997）[1]指出，企业创建数据库是充分利用数据的第一步，公司数据的数量、质量、完备性以及由此决定的可用性直接决定了公司的市场价值和竞争定位。由此可见，企业数据的价值早在1997年就已被学者所关注，但数据作为一种重要的战略资源和资产被关注还是得益于数字技术领域的快速发展，主要表现在数据量和数据类型的激增以及数据分析技术的进步两个方面。Cox和Ellsworth（1997）[2]在第八届国际可视化学术会议上首次提出了“大数据”的概念，而2008年《自然》杂志出版的大数据专刊让大数据在科研领域正式得到了高度重视。从数量上看，企业或机构所拥有的数据量从GB规模上升到TB级别，甚至上升到PB级别，数据来源也从内部数据和调查数据扩展到手机终端、传感器、网站日志等。从“大数据”概念走向“数据资产”概念的演化逻辑是，对（大）数据的存在必要性及其内涵的利益价值的认同。当下，实时高速的数据流技术、数据湖和分布式储存等数据储存技术可存储任何形式的原始数据，包括文本数据、音频数据、视频数据和图像数据等各类格式的半结构化数据或非结构化数据，并对其进行数据清洗、管理和综合处理。用于数据挖掘分析的机器学习和深度学习技术等方法的进步，也使得语音识别、图像和视频识别等技术可直接对这些非结构化数据进行操作。在商业实践中，通过分析和利用各种数据，可以分析顾客行为、锚定潜在客户和优化企业决策，从而为企业带来更大的经济收益。数据作为新的生产要素，驱动着智能化生产、网络化协同、个性化定制等新模式新业态不断涌现，使得数据资产化成为必然趋势。

国际组织和国内外学者开展的数据资产化研究大多以SNA2008和《知识产权产品资本测度手册》为基准，主要集中在数据资产的概念、会计处理和价值认定等方面。与时下讨论最接近的数据资产概念最早由Fisher（2009）[3]提出，他指出企业应该把其运作中产生的数据作为企业资产来对待，数据资产是指公司用来产生收入的相关系统、应用程序及其输出文件、文档、数据库或网页。随后，世界经济论坛（2011）[4]在《新型资产类别的产生》报告中指出，个人数据应被正式承认为一种新型的经济资产类别。美国数据隐私研究公司波耐蒙研究所（Ponemon Institute，2018）调查了美国和英国七个职能领域的2 827名专业人员，发现由于技术安全部门错误低估了业务信息的价值，导致企业对其拥有的数据资产的保护和安全性的投资不足，从企业层面说明了数据资产价值被承认的必要性。数据管理公司Collibra将数据资产定义为一种独特的资产类别，认为数据资产从技术上来讲应该是一种数据组织，数据元素和数据结构均为数据资产的子类型。

在国内，数据资产这一新兴资产形态则是实践先行于概念界定。2015年，北京中关村成立“中关村数海数据资产评估中心”，成为我国首家数据资产登记赋值机构。同年4月14日，贵阳大数据交易所（GBDEX）正式挂牌运营，该交易所是首个面向全国提供服务的数据交易场所，向社会提供完整的数据交易、结算、交付、安全保障、数据资产管理和融资等综合配套服务（朱磊，2016）[5]，已经表现出数据作为资产拥有的市场化属性。2016年，第一笔数据贷款出现，贵州东方世纪用数据资产进行抵押得到了贵阳银行的“数据贷”放款。朱扬勇和叶雅珍（2018）[6]对信息资产、数字资产和数据资产的概念进行了梳理，并提出数据资产兼具有形资产和无形资产的特征，是一种新的资产类别。结合数据的属性，将数据资产定义为：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。中国信息通信研究院云计算与大数据研究所（2018）在《数据资产管理实践白皮书（3.0版）》[7]中首次明确规范了数据资产的概念，认为数据资产（Data Asset）是指由企业拥有或控制的、能够为企业带来未来经济利益的、以物理或电子方式记录的数据资源，如文件资料、电子数据等。在企业中，并非所有数据都构成数据资产，数据资产是能够为企业产生价值的数据资源。

关于数据资产的会计确认和价值估计，由于标准不一和数据匮乏，暂无实操案例，多停留在方法讨论层面。研究公司Gartner预测，到2022年公司将在其信息投资组合中获得价值。考虑到公司的账面价值与市值之间可能会出现巨大差异，当前的GAAP会计准则不允许在资产负债表中将数据（无形资产）资本化，但已有一些框架研究数据估值的问题。《斯隆管理评论》的Short建议通过组合几种确定价值的方法来得到企业数据资产的价值，分别是数据作为资产或存货的价值、数据的活动价值、数据的预期或未来价值和数据作为审慎投资的价值。CFI（corporate finance institute）则认为数据资产的回报率至关重要，可通过评估数据资产的利润，衡量组织从其数据资产中获得收入的能力，从而降低成本或关闭业绩不佳的部门。公司可通过分类记录来确定可归因于数据资产的利润，同时通过数据资产的回报来可靠计量数据资产的价值。在国内研究中，唐薇（2016）[8]以贵阳数据交易所为例，分析了交易所、数据卖方和数据买方的会计处理方法，认为企业自创的数据资产应比照无形资产研发内容进行计量。陈宗智和常欣（2016）[9]分析了数据资产的确认和计量的操作方法及其所需的技术支持。刘琦等（2016）[10]分析了数据资产的定义并从数据来源、数据主体性质、产权归属等方面对数据进行了分类，提出了数据资产的特点及影响数据资产价值的因素。刘玉（2014）[11]指出，可以在无形资产科目下设立二级科目“数据资产”，用于核算数据资产相关内容，同时分析了能够确认为资产的数据应该具有的特征，提出了数据资产的计量方法。康旗等（2015）[12]通过区分数据、数据资产和大数据，提出了数据资产确认的条件，在分析了数据资产的特征后认为数据资产应按照无形资产进行核算。郑英豪（2015）[13]介绍了数据资产的特征，详细分析了数据资产的获取渠道及盈利途径，指出要对数据进行资产化管理。李永红等（2017，2018）[14,15]从互联网企业出发，分析了互联网企业的行业特性和运营特性，针对互联网企业积累的数据资产提出了三种估价模型，并指出影响数据资产价值的因素包括数据量、数据质量和数据分析能力。

三、数据资产核算存在的问题

上述学者从数据资产的定义、分类和估价方法等角度进行了探讨，但仍存在三个基本问题。第一，现有数据资产的定义难以界定，核算边界不清晰。数据的经济价值已被政府、学术界和商业界等所广泛认可，但若将科技和经济发展融合过程中的现象量化到价值层面，就会涉及到统计边界和规范的问题。数据资产是数字经济背景下的产物，随着知识产权产品在企业发展和经济增长中的作用日渐增大，数据资产化已成为近年来的热点，虽已有少数研究对其概念界定进行了讨论，但缺乏成熟的理论和实施细则对其进行规范。作为数字经济下移动应用等新技术运行的产物，数据资产是一个抽象的概念，无论是否将其资本化，数据都会以各种可观测或不可观测的形态存在。因此，需首先确定我国数据资产的概念、界定原则和统计范围，再进行数据资产的估价和价值核算。

第二，数据资产的分类方式不统一。对于数据资产的分类可从不同角度进行，OECD等国际组织和国内文献都尝试对数字经济时代下新型数据的类型做出总结，但分类方式繁多，标准不一。不同国际组织按照数据的生成方式和用途等的不同将数据划分为了不同的类型。联合国欧洲经济委员会（UNECE）根据数据的生成方式和来源的不同将数据划分为社交网络数据、传统业务系统数据和物联网数据三种；欧盟统计局按照数据在社会统计中的用途将数据归纳为金融市场数据、电子支付数据、移动手机数据、物联网数据、卫星遥感图像数据、扫描价格数据、网络抓取价格数据、网络搜索数据、文本数据和社交媒体数据十类。要核算数据资产的价值，我国需借鉴国际组织对数据的分类方式，根据社会发展现状制定符合我国国情的分类方式。根据2017年10月国家统计局和国家发展改革委联合印发的《非传统数据统计应用指导意见》，我国把非传统政府统计调查获取的数据分为五类，分别是政府部门的行政记录数据、商业记录数据、互联网数据、电子设备感应数据和其他非传统数据。其中，行政记录数据和商业记录数据已在政府统计中广为应用，而其他类型数据的应用仍很谨慎，尚无适合数据资产估价的分类方式。

第三，数据资产核算方法的研究不完善。由于数据资产的概念较为宽泛，在统计口径上也不统一，因此国内外缺少完备的数据资产核算方法研究体系及其相关文献，仅有的少量研究也只是从知识产权产品角度进行了分析。知识产权产品（Intellectual property products，IPP）是SNA2008中新增的资产类别，它将研究与开发、计算机软件与数据库、娱乐、文学和艺术品原件等都包含在内。2013年7月，美国率先依照新的核算标准对GDP核算方法进行了修订，紧随其后，澳大利亚、加拿大、欧盟也进行了修订，而日本于2016年起将动漫等大额娱乐、文学和艺术品原件类无形资产计算在内。上述国家的核算经验均为数据资产核算提供了一定的理论基础。此外，国内外很多学者也开始对知识产权产品核算的系列问题进行研究，从理论上构建了知识产权产品核算体系。Aum等（2018）测算了31个经济合作与发展组织（OECD）国家知识产权产品的增长，研究了IPP资本化的影响。李晶（2015）[16]对知识产权产品的概念进行了界定，设计了我国知识产权产品的分类体系框架，在对已有的物质资本测算方法进行修正和完善的基础上重点对我国IPP的资本测算方法进行了探讨，并建立了资本测算与国民账户的联系。徐丽笑（2016）[17]在SNA2008和各国核算实践的基础上编制了中国知识产权产品核算的数据清单，初步估计了我国的知识产权产品及其组成规模。但需指出，不同于商誉等无形资产，数据资产更具共享性，是一种特殊的无形资产。由于数据资产可以快速在全球范围内以极低的成本传输、复制、移动、处理和使用，可以推动规模经济和范围经济而不会降级，因此对数据资产的核算方法的探讨应充分参考但区别于普通无形资产。数据资产同样面临着“索洛悖论”的困境，分享经济、免费内容等数字经济形态产生的数据产品和服务正改变着居民生活，但对经济增长和生产率增长的影响却没有在宏观数据中体现，因此测度数据资产的价值具有必要性和现实性。

综上所述，亟需在已有研究理论的基础上丰富和完善数据资产的统计边界和核算方法。本文借鉴OECD指导原则，充分考虑数据资产的丰富类型和特征，讨论数据资产的统计边界问题，并借鉴知识产权产品等无形资产的核算方法，给出考虑市场化状态、数据资料获取难度等多因素影响后的数据资产核算的实现路径，为突破数据资产估价和核算的研究瓶颈提供参考。

四、数据资产的统计边界

结合发达国家的核算经验和国际标准的相关指导，根据我国实际情况构建数据资产的核算体系需遵从统计核算的规范，明确两个问题：一是给出数据资产统计意义上的定义和统计边界；二是确定数据资产的估价方法，使数据资产的价值能以货币计量。承接上文讨论，下文将从统计边界出发，给出将数据资产划归为无形资产的原则，统一统计口径，提出具有可操作性的数据资产概念并明确其特征。随后，探讨其分类问题，并针对不同类型的数据资产给出相应的符合国际标准的估价方法，以最大程度反映数据资产的价值并纳入到国民核算体系中，为我国数字经济发展的新动能提供数据参考。

在数字经济时代，数据无处不在，但各类数据的异质性很强，并不是所有数据都可以成为资产，大部分数据蕴含的信息量并不大，表现出信息稀疏的特征。对于从数据到资产的内在逻辑，Rowley（2007）[18]提出的DIKW（data-information-knowledge-wisdom）模型进行了较好的描述。如图1所示，数据到资产的层级模型呈金字塔形状，其中大量无序、未处理的数据点是金字塔的最底层，在分析识别数据点之间的关系时，它们成为信息。数据分析师通过分析信息的重要性和信息间的关系形成观点，而决策是通过信息流形成的数个观点而产生的，能够形成知识的数据最终成为数据资产。

图1 DIKW模型

针对从数据到增加值的循环过程，OECD在2015年出版的《数字驱动创新》中也提出了数据价值循环框架（data value cycle），将数据资产化的过程总结为数据获取和数据采集、形成大数据、数据分析、知识积累（在机器学习中指数据积累形成的训练集）、数据驱动的决策形成、数据资产化形成增加值六个部分。由此可见，数据点本身的内在价值很小，而应用或使用数据的方式才是数据为个人或企业创造价值的关键。数据能否成为资产并不取决于数据量的大小，而应在其被使用时进行评估。例如，100条购物信息和100条个人医疗信息记录占据同样的储存空间，但其潜在价值却因被使用的角度不同而存在较大差异，其中购物信息对零售商来说可形成有贡献的知识，对卫生服务提供商而言则无贡献。

数据有多种类型，分类角度也比较丰富，数据分类应服务于数据的应用场景和市场交易。在确定应用场景之前，很难给出首选的数据分类准则，因为这在很大程度上取决于我们所面临的目标问题。例如，按照数据的隐私程度，可将数据分为企业对企业、企业对消费者、政府对居民、居民对居民四大类数据（OECD，2019）[19]，如表 1 所示。又如，可根据数据来源划分数据类型，主要有互联网、传统业务系统、物联网（机器数据）三大数据提供主体（Buono et al.，2018）[20]，其数据类型和数据特征如表2所示。

表1 根据数据隐私程度划分的数据类别

表2 按照数据来源划分的数据类型

总体而言，各种分类方式下的数据类型潜在相关，正确使用数据使之生成有价值的统计信息的关键是仔细筛选和分类现有数据。综上所述，数据是否可纳入数据资产范畴的根本原则是，通过分析挖掘后数据可否形成知识，并为使用者提供决策指导。需要注意的是，数据合并后的价值会大于其各个部分价值的总和，且随着业务的动态变化、数据时效的变化和不同数据的结合，数据资产的价值会产生较大波动。参考企业会计中对资产的定义，数据作为资产需要具备以下特性：可控制、可计量、收益性。考虑到数据资产作为抽象概念的特点，可控制是指数据需要处于可被使用者提取调用并进行分析利用的状态；可计量是指数据资产的成本或价值能够被可靠地计量，可用货币进行衡量；收益性是指数据资产在被出售或被企业自用后，与该数据资源有关的经济利益预期会流入企业。

数据资产储存在企业或机构的各类数据库中，主要以数据库的形式存在，从这个意义上讲，数据库是数据资产的载体。现有的SNA2008核算体系尚未对数据资产的概念和核算进行规范，但对数据库的核算却给出了相关规范。为更好应对大数据时代背景下数据的多样性与复杂性等特征，以数据库为载体探究数据资产核算具有一定的合理性。SNA2008指出，要将数据库确定为固定资产类别中知识产权产品下“计算机软件和数据库”的一个单独子类，但并未从统计实践角度给出具体建议。OECD则就知识产权产品的核算给出了一份实操性指南，《知识产权产品资本测度手册》[21]指出，只要数据库符合资产的一般定义（预期为其所有者提供利益并由其所有者行使所有权），则使用寿命一年以上的、持有数据的所有数据库都应记录为固定资产。

《知识产权产品资本测度手册》作为指导意见，给出的统计原则和估价方法较为单一，无法满足我国的核算需求。国内外学者及相关国际组织虽已对数据库核算予以重视，但基本处于理论界定层面，尚未进行数据库资产的核算实践。从各发达经济体来看，美国BEA在知识产权产品核算方面做了大量研究，核算水平国际领先，基础数据翔实，分类详细，但在“计算机软件与数据库”中仅核算了用于订阅和销售的数据库，而企业自有数据库则不包括在统计类别中；巴西主要通过对代表性公司和职工的调查与评估得到交易数据库（软件）和独立数据库（软件）的信息，数据覆盖面不够广泛；加拿大仅统计了数据库的管理成本，没有考虑数据处理和相关服务的成本；欧盟国家将数据库活动的收入作为数据库投资，不考虑当前不产生收入的数据库价值；日本使用数据服务行业的销售收入作为数据库投资，自有数据库同样不包括在统计类别中。目前，我国的数据库资产核算领域仍是空白。2008年SNA发布后，我国修订形成了《2016年中国国民经济核算体系》，首次引入了知识产权产品概念。国内相近研究大多集中于知识产权产品的核算，考察知识产权产品的分类框架体系、价值增值过程及资本测算方法，并未细化到数据库核算领域。知识产权产品中的“计算机软件和数据库”核算工作受限于基础资料和核算方法，目前直接使用“软件产品收入”指标，而作为软件固定资本形成总额的价值，数据库的价值由于缺乏数据并没有计入其中。

参考各国对数据库的处理办法，根据SNA2008及OECD对数据库资产的定义及建议，本文拟给出数据资产的统计原则和统计边界：（1）时间原则，数据预计存在或使用寿命可达一年及以上；（2）收益性原则，数据资产需符合资产的一般定义，即预期为其所有者提供利益，且所有者可对其行使所有权；（3）可交易性原则，数据存在价值并有证据表明其可在市场进行交易，即便暂无交易发生，但仍有可参考的交易途径存在；（4）质量原则，数据的质量可从多方面进行考核，包括数据量、数据覆盖广度、数据完备性、数据时效性、数据相关性、数据可利用效率等因素。根据上述原则，无论是自用的数据资产还是用于销售交易的数据资产，且不管数据资产的规模大小和类型，符合以上标准的数据资产都应包括在固定资产的边界中纳入统计核算范围。在确定了数据资产的边界之后，本文将给出便于估价的数据资产分类标准，可按照该分类对不同数据资产采用不同的估价模型。根据数据资产是否市场化可将其划分为两大类，即已市场化的数据资产和未市场化的数据资产。

对于已市场化的数据资产，其存在明确的市场交易价格，且交易市场在实践发展中不断完善，如贵阳大数据交易所、上海数据交易中心等官方一体规划布局的功能性数据机构，能够提供完善的数据确权、数据定价、数据指数、数据交易、结算、交付、安全保障、数据资产管理等综合配套服务。除各地建立的数据交易所之外，还包括数粮、九次方大数据等数据交易平台和大数据服务公司。已市场化的数据资产主要包括互联网数据和基于电子设备生成的数据，涵盖领域多，包括金融数据、政府数据、医疗数据、能源数据、社交数据、消费数据、法院数据、交通数据、教育数据、物流数据和旅游数据等。

对于未市场化的数据资产，其没有明确的市场交易价格，一般无偿提供给公众使用或企业自用，主要包括政府部门的行政记录数据、调查数据和企业运营过程中的记录或自然沉淀数据两大类型。未市场化的数据资产可继续分为三种：一是存在特征类似的数据资产，并已有市场交易价格，如企业收集的用户数据、手机软件的使用数据等，因尚未脱敏或相关法规限制暂未流入数据市场交易，但同类型产品已在市面上交易成熟；二是不存在特征类似的数据资产，但未来给企业带来的收益明确，如企业自建的客户数据库、人力资源公司创建的人才数据库等，又如网约车平台、外卖平台、音乐软件等生活类平台企业的用户使用数据资产，目的是给用户进行更加精准的商品推荐进而促进企业发展，可通过历史数据和一定比例估算数据资产维护所能给企业带来的回报；三是不存在特征类似且未来收益不明确的数据资产，如政府统计机构通过普查、抽样调查、专项调查收集的微观调查统计数据，经数据脱敏后，通过微观数据实验室无偿提供给高校和科研机构以供其学术研究使用。

五、数据资产的估价方法

数据的存储形式、挖掘工具以及应用分析模式正不断革新，针对不同类型数据资产估价方法的选择有两种思路。第一，若数据资产的相关资料完备，即对应已市场化的数据资产类型，则按照市场交易价格入账。第二，若数据资产的资料不够完备，即对应未市场化的数据资产，则无法完全适用《知识产权产品资本测度手册》中的方法，具体的三种情况分别是：对于存在特征类似的数据资产，其已有交易价格，因此按照类似数据资产的价格进行推算；对于不存在特征类似但未来的收益明确的数据资产，借鉴期权定价法等方法进行估价；对于不存在特征类似且企业用于自营、未来收益不明确的数据资产，参考自营软件及其他无形资产的估价方法，可综合考虑数据库建立过程中的数据搜集、存储、传输、筛选清洗、脱敏处理成本和数据维护的人工成本，采用成本法估价。虽然《知识产权产品资本测度手册》的核算方法理论依据充足，但对信息的要求较为严苛，而参考同类型数据资产的估价方法进行估价，既克服了未市场化的数据资产资料不完备的缺陷，又可以达到对数据资产进行准确估价和核算的目的，节约了核算成本。

在所需的核算资料完备的前提下，依据OECD《知识产权产品资本测度手册》中的需求侧方法和供给侧方法进行数据资产估价是较为有效的实现途径。但在操作层面，手册中数据库的估价方法所需资料的获取难度较大，不易收集。例如，按照需求侧方法，数据资产核算值等于其外部成本与内部成本之和，其中内部成本包括总劳动力成本和其他费用，故从企业层面起就需记录维护内部数据资产的内部成本。在核算资料存在缺陷的情况下，在对数据资产估价方法进行分析和评估时可从五个方面入手。

第一，从概念和准确性来看，数据资产估价使用收益现值法较为合适。收益现值法是指，通过对数据资产未来的收益进行估算并将预期收益折算成评估基准日的现值，进而确定被评估资产的价值，该方法能够真实、准确地反映数据资产为持有机构所带来的收益和价值。当数据资产在市场上作为一种经营性资产进行买卖时，通过收益现值法所核算出的资产价值可以随着数据产品的开发与交易实时、持续地更新收益，最大近似于数据资产的真实价值。不可否认的是，收益现值法存在不易确定未来与数据资产相关的现金流量以及贴现率的选择等问题。

第二，考虑到未来数据资产逐步市场化的势头，在市场规范成熟的情况下，市场价值法是较为恰当的核算方法。市场价值法是指，在市场条件下通过比较被评估数据资产与售出的同类型资产详细交易信息的异同，来对质量、数量等影响资产价值的因素进行相应调整，并将调整结果作为被评估资产的价值。该方法可通过监测或调查市场交易价格及时反映并捕捉数据资产的当前价值。市场价值法的特点决定了其对需求量大、类型多、交易频繁的数据资产具有较高的应用价值。但是，在数据资产交易市场并不完善且处于萌芽、成长阶段时，市场价值法会因其对历史交易资料的依赖而导致数据资产估价核算难以建立前期核算的定价基础，难免造成结果失真。

第三，若选择从成本角度测算数据资产，且OECD手册中所提出的相关估价方法难以执行时，重置成本法无疑是一种较为可靠的估价方法。重置成本法是会计理论中对资产估值的最传统方法，在现时条件下，通过计算重新生产或取得与被评估数据资产具有相同用途和功效的资产所需的成本来确定资产价值，其主要优点是核算资料易收集、核算结果较为客观可靠。由于重置成本法会依赖于与被评估数据资产具有相同用途和功效的数据资产，因此在采用重置成本法对数据资产进行核算时，若存在与该数据资产相似的、资料完备的另一同类型数据资产，则核算效果将十分准确有效。在寻找具有相似特征的数据资产时，应从三个方面展开对其质量和特征的考察：首先，参考统计数据质量标准，数据资产要更新及时、测度准确、数据完整，缺失值和异常值较少；其次，数据资产受其载体和开发工具规格设计的影响，质量较高的数据资产应具备数据使用便利、培训和维护的人工成本低、操作系统稳定等特点；最后，要考虑数据资产的流动性特征，若数据资产的交易市场完善，交易机制和供求关系透明，则数据资产就具有较高的流动性。需注意的是，由于数据资产存在异质性大、内部数据应用的时效性短和数据资产折旧不能准确计量等特点，因而运用重置成本法来评估数据库价值存在一定困难。另外，由于数据资产存在折价较快的问题，故需根据影响数据资产质量的因素及时进行价格调整。

第四，从技术背景及创新角度来看，可采用人工智能计算模型进行数据资产核算。人工神经网络的计算模型被用于估计可以依赖于大量输入和输出的未知函数，克服了个人主观评价所带来的人为偏差因素及模糊随机性的影响，能够保证评价结果的客观性和准确性。而且，该模型具有较强的动态性，可及时调整数据资产价格的确定模型，为数据资产定价提供重要依据。在对数据资产进行定价时，可根据数据资产的影响因素输入日期、有效期限、数据类型、数据复杂度、数据应用范围等数据价值指标，输出层可包括数据内在价值、数据市场价值等指标。该方法的缺点在于，人工智能核算方法的高效、客观是以新兴技术及算法为基础，如果技术不完善、算法不完备、模型设定有偏误，则估价效果将大打折扣。

第五，考虑到数据资产具有期权的选择权性质，数据资产交易环境明显市场化，且具有明显的收益性，故可以选择期权定价法对数据资产进行估价核算。企业在创建或者购入数据资产后，可以做出是否投资、是否扩大投资以及何时终止投资的决策，这就意味着企业拥有是否进行项目投资以及是否调用该项资源的权利，从而数据资产具有期权的选择权性质。而且，拥有数据资产能够获取后续的投资收益，并带有一定的不确定性，使得数据资产的收益具有波动性，符合期权标的资产在远期具有波动性价值的性质，故可以采用期权股价模型对数据资产进行估价。

综上所述，各种估价方法均有利弊，对于估价方法的选择仍需参考数据资料获取的难易程度和数据在使用机构中所扮演的角色，同时考量数据资产的交易环境、使用形式、设立目的等多方面因素。由于数据资产的价值与数据的活性、容量、规模、用途有直接联系，因此这些因素会给数据资产的价值评估增加难度。第一，数据资产的初始价格受多因素影响，难以一一量化，且数据资产会时刻受到数据容量、数据时效及相关数据技术等因素的影响，因此与其他无形资产相比，其内在价值更易发生变化。第二，数据资产的折旧率难以确定。对于流动性较强的数据资产，只有在特定时间内才拥有最大的价值。如果不能在恰当的时间进行开发利用，数据资产的价值可能就会随着时间的流逝而减少，甚至完全失去。而对于在某个时段看起来毫无效用或效用很小的数据资产，经过时间推移和数据合并操作，可能会产生更大的价值。因此，数据资产核算中的折旧率不能与传统意义上的折旧率混为一谈。第三，数据资产的使用寿命无法确定。一方面，数据可能会通过更新不断地被使用，其使用寿命也会随之不断延长；另一方面，数据也可能会即刻被新的数据所取代，失去其价值。

六、数据资产化面临的争议

数据资产作为公认的社会和经济资源会引起许多跨领域的政策问题，包括数据的所有权和流动、对个人数据的保护和跨境限制、政府与企业数据融合的边界和权限等。国家数据战略可提高对此类问题认识的一致性，但在数据资产化的研究过程中，这些问题仍需被充分讨论。

数据由谁拥有？个人、企业还是第三方共享数据的管理机构？这实则对应着数据的生产者、收集者和管理者，多利益相关方令数据的所有权所属变得模糊。与数据所有权相关的概念主要包括访问控制、复制、使用和删除数据的权利，这涉及到版权保护和个人数据的隐私保护。由于数据具有共享性和可移植性的特点，数据所有权不再意味着完全拥有其所有权，而是允许用户访问并继续传输给另一个组织的权利，故需要对数据所有权及其政策含义进行更多思考。

跨境数据流动是否应该被限制？在全球化网络下，许多网站和移动端应用的覆盖范围跨越了国界，使得跨境数据流成为经济和社会活动的关键推动力。当今的贸易和生产活动严重依赖数字信息的跨界流动、存储和使用，而数据资产可通过全球价值链来协调国际生产流程，帮助小公司进入全球市场，可以成为可交易的资产并提供服务渠道，是实现贸易便利化和自动化的关键组成部分。据估计，跨境数据流为全球经济活动贡献了约2.8万亿美元，占全球GDP的3.5%（MGI，2016）。跨境数据流动引发了有关如何在新的数字经济中实现隐私安全保护和知识产权保护的问题。OECD在2013年就此问题提出了建议，“对个人数据跨境流动的任何限制都应与所呈现的风险成比例，同时要考虑到数据的敏感性以及处理的目的和环境”。需要明确的是，将数据视为统一的实体容易导致制定的政策过度简化和严格激进。假设与一个人链接的所有数据都被定级为个人数据，则可能会对所有的数据共享和传输应用都设置严格的规定，而在某些情况下，隐私风险可能很小或根本不存在。考虑到数据的异质性，需制定合理政策，充分利用数据的潜力来激发创新和生产力，同时注意隐私保护、知识产权保护以及确保国家数据安全。当前，一些跨境数据流动正在有条件地或完全被禁止，对贸易和跨国网络公司发展产生了不良经济后果，需引起注意。

数据集中是否会带来问题？像资本、人力等众多资源一样，数据资源分布也不均匀。从国家层面看，在具有大量数据中心的国家中（通常是人口众多且政策统一的国家），数据集中比较容易达到。在部门或公司层面上也很明显，部分巨头公司拥有比其他公司更多的数据，且分析数据的能力也更强。这可能会导致市场竞争的新类型，其中精通数据的公司在竞争中具有比较优势，且随着数据资源的转移，可能会对财富分配产生影响：从个人转向组织（即从消费者到企业），从传统业务到数据驱动业务，从传统企业转向数据驱动型企业，从落后的经济体转向数据驱动的经济体。这种资源流动可能会引起新的收入分配不均问题，因此对数据资产集中进行讨论至关重要。

最后，数据资产化后将与国民账户体系建立联系，所涉及的项目测算会对国民账户体系中的核心账户及相关经济总量指标产生影响。同研究与开发活动、娱乐文学和艺术品原件相类似，数据资产被纳入固定资产下的知识产权产品类别中，可参考知识产权产品纳入核算框架的具体范式。相关研究可从中心账户展开，分别考察数据资产对经常账户、积累账户和资产负债账户的影响，若必要需编制我国数据资产卫星账户辅助展现数据资产的市场活动，具体核心表式包括数据资产供给表、数据资产使用表、数据资产投资矩阵表和数据资产生产信息补充表。

七、结论与思考

本文针对数据资产的探索，主要从概念演化、演变动因、研究的现实要求、基本问题、统计边界和分类、估价方法和实现路径以及面临的挑战这些角度展开，以完成数据资产价值评估的国际比较和中国数据资产核算的挑战，最后得出了如下观点。

第一，通过比较分析数据资产概念的演化过程和演变动因可知，企业数据的价值早已被承认，而大数据概念的发展则得益于信息通信技术的蓬勃发展。数据资产是数字经济时代背景下移动通信技术和数据存储技术进步共同作用的结果，高速的计算能力和数据挖掘分析技术供给是数据资产化的重要推动力。同时，数据资产核算研究有强烈的现实要求。在实践中，企业会计层面和国民经济核算层面均需进行相应的数据资产改革，制定相应操作手册。通过梳理发现，数据资产市场交易先行于数据资产的相关理论概念界定。中国的数字经济发展在世界上位列前茅，应积极发展数据资产交易业务，逐步扩大规模，在实践中清晰概念，稳步实现交易市场规范化，并率先在数据资产交易和核算等方面取得制定国际标准的话语权，为其他经济体的数据交易发展提供指导。

第二，从数据资产的定义、资产化原则、核算边界、估价方法等方面总结了数据资产核算在我国发展面临的三个基本问题。一是数据资产定义难以界定，核算边界不清晰；二是数据资产的分类方式不统一；三是对数据资产核算方法的研究不完善，对数据资产核算方法的探讨应区别于普通无形资产。

第三，通过梳理数据资产价值的来源所在，本文给出了适用于我国数据资产化的原则和统计边界。数据纳入资产范畴的根本原则是，数据通过分析挖掘后可否形成知识，并为使用者提供决策指导。作为资产，数据需要具有可控制、可量化、可变现三大特性。

第四，针对不同类型的数据资产给出不同的估价思路。对于资料完备的数据资产，参考OECD发布的《知识产权产品资本测度手册》中所给出的核算方法指导意见和估价方法进行计量，选择需求侧方法或供给侧方法，或按照市场交易价格入账；对于未市场化的数据资产，在借鉴OECD指导原则的基础上，利用市场价值法、重置成本法、期权估价法等方法进行估价。

第五，除了数据资产的核算方法和路径等技术性问题，数据资产化还面临着一系列具有争议的跨领域政策问题，包括数据资产的所有权、跨境数据流动是否应该被限制等，这既需要统计方法的创新与突破，也需要相关法律和制度的进一步健全和完善。