一文讲清数据资产化之确权和估值

《中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见》已发布一年，数据资产化和入表已成为2023年的热门话题，随着2023年底国家数据局吹风《"数据要素x"三年行动计划（2024-2026年）》即将发布，这个话题更将成为2024年的持续热门话题。

       今天我们不讨论大家已经解读过无数次的政策，我们从资产化和入表的操作层面整理一些业内特别是金融行业大家的经验，做个总结。

       本文主要是三个部分，首先是澄清一下各方面对数据资产化各环节的定义，包括哪些是数据，哪些是可以资产化的数据，哪些是属于企业自己的数据等。然后简单解析一下数据资产化的重要环节，后边就其中的数据确权和估值两个环节展开讨论一下。

数据资产定义

定义

数据资产也是资产的一部分，所以我们先看看对资产的定义：

国际会计准则在框架中将资产定义为“资产是指作为以往事项的结果而由企业控制的可望向企业流入未来经济利益的资源”。

财政部《企业会计准则-基本准则》（2014 年修正）第二十条：“资产是指企业过去的交易或事项形成的、由企业拥有或控制的、预期会给企业带来经济利益的资源”。《企业会计准则第 6 号—无形资产》无形资产是指企业拥有或控制的没有实物形态的可辨认非货币性资产。

那么，对数据资产如何定义呢：

《数据条例》中明确提出了数据权的概念，规定自然人、法人及非法人组织对其合法

处理数据形成的数据产品和服务享有法律、行政法规及本条例规定的财产权益。

2023 年 8 月 21 日， 财政部发布了《暂行规定》，基于会计准则适用范围的新视角对企业的数据资源做了进一步划分，包括企业按照企业会计准则相关规定确认为无形资产或存货等资产类别的数据资源，以及企业合法拥有或控制的、预期会给企业带来经济利益的、但由于不满足企业会计准则相关资产确认条件而未确认为资产的数据资源。

另外，还有一些行业标准给出了定义。

《电子商务数据资产评价指标体系》（GB/T 37550-2019)中明确提出“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 ”，并明确指出“数据资产包括结构化、非结构化数据和半结构化数据”，“数据资产能够估值、交易， 并以货币计量”，“数据资产能够为组织带来潜在或实际价值”。

中国信通院发布的《数据资产管理实践白皮书 4.0》中关于数据资产的定义：“数据资产是指由企业拥有或者控制的，能够为企业带来未来经济利益的，以物理或电子的方式记录的数据资源，如文件资料、电子数据等”。

结合上述定义，以《暂行规定》为主，总结数据资源被定义为两大类，即企业使用、持有或用于出售的属于满足资产定义且满足资产确认条件的，其他的都属于不满足资产定义和/或不满足资产确认条件的。

数据资产的特点

总结梳理理论研究与行业实践成果发现，相比于传统的有形资产和无形资产，数据资产还具备若干特殊属性。这些属性导致其估值面临较大挑战，也是在未来逐步构建和完善数据资产估值体系中需要持续考虑和优化的内容。

1.非实体和无消耗性

相比于传统有形资产，数据资产具有非实体性和无消耗性。传统有形资产通常具备消耗性，只能由一个使用方、用于某一种用途。例如，机器会随着使用次数增加而产生消耗，寿命降低；原材料在加工后即转变为新的产品。数据资产价值并不会因为正常的使用频率增加而磨损或消耗，数据资产的无消耗性，确保了其在存续期间可以被无限循环利用。与此同时，在数据资产估值过程中也需要考虑其可以重复使用的特性。

2.可加工性

数据资产可以被多维度加工，加工处理后的数据可以成为一种新的数据资产。具体而言，数据资产可以被维护、更新、补充，以增加数据量；也可以被删除、合并、归集，从而消除冗余；还可以被分析、提炼、挖掘，进一步丰富数据资产的信息量。数据的可加工性，确保了数据使用者可以通过各类数据技术，将数据转化为更多样的形式，挖掘数据中的信息，发展数据应用能力。

3.形式多样性

通常而言传统资产只具备一种固定形式，而数据资产有非常丰富的展现形式。即在可加工性的基础上，数据资产可以通过与各类数据处理技术相结合，被多样化地展示、应用以及在多种形式中转换，从而满足不同数据消费者的需求。例如，可以通过各类报表对财务数据进行统计以满足财务管理与记账的需求；而对于各类管理指标数据，则可以通过各类可视化工具，以图形等方式，便于企业管理层更加直观地了解企业的整体情况。

4.多次衍生性

同一数据主体可以被多层次多维度加工，从而衍生出不同程度的数据价值。数据资产多次衍生性的有效利用，可以帮助企业进行多层次、多维度数据资产潜在价值挖掘，丰富企业数据资产整个生态链，推动企业实现数据驱动的目标。数据资产的使用者可以根据不同的需求和数据算法，从而生产出不同维度的衍生数据。例如，对于直接采集的原始客户数据，可通过轻度汇总加工，以形成数据平台中可供各类应用系统复用的数据；进一步地，业务部门可在此基础上加工衍生出对客户偏好的分析与画像，风险管理部门也可进一步衍生对客户风险等级的判断数据。

5.可共享性

数据资产的共享性，指数据资产可以无限地进行交换、转让和使用，为他人所共享。同一数据可以同时支持多个主体使用，不同主体对同一数据的利用将产生不同的价值，这一特性，成为企业数据价值挖掘的关键着力点，利用好数据的共享性，将能最大限度地挖掘数据资产价值。

6.零成本复制性

数据资产的成本主要在于前期的数据获取、研究开发阶段，因此初创数据资产的成本极高，但以后的产品由于可无限复制，其边际成本趋于零，这可能会导致相同的数据资产具有截然不同的成本。另一方面，数据资产的零成本复制性也使其在可共享性的基础上能被更多人所用，产生大量的潜在交易需求和价值。

7.依托性

数据资产不能独立存在，因此需要依托于某种介质进行存储和加工。数据资产依托的介质十分多样化，包括磁盘、硬盘等。同时，数据资产发挥其作用与效应也需要依托于有形资产，例如计算机和其他硬件设备。因此在计算数据资产的价值和相关成本时，也需要考虑数据资产所依托的介质成本。在评估中，需要考虑数据资产依托的有形资产的折旧和维护成本等，由此获得较为准确的数据资产成本。

8.价值易变性

相比于传统无形资产，数据资产的价值更易受到多种因素的影响，即具有价值易变性。通常而言，数据技术的发展、数据相关政策的变化、数据应用场景的丰富等因素变化，数据资产的价值也随之改变，且变化的程度较为明显。
例如，某企业过往制定的某算法模型，随着机器学习算法的发展，原有模型的准确率将远远低于运用最新技术的模型，其价值受到技术因素的严重影响。同时，当前数据确权、数据安全及隐私保护等相关法律法规正在逐步完善中，随着相关政策的明确，将决定不同类型或主题的数据资产是否具有交易价值。

上述八大数据资产特征将在后续的具体评估方案设计中体现于参数选择、参数计算、对象划分等各个阶段，是数据资产评估的必要前提假设。

数据资产特征

数据资产要具备如下四项特征，才能称之为数据资产：

来源：资产是一项由过去的交易或者事项形成的资源。未来的交易和事项不形成资产。

权属：资产应为企业所有或者控制的资源，其产生的经济利益可靠地流入该企业。

收益：资产能够在未来给企业带来经济利益。

可计量：成本或价值可以可靠计量。

参考工行的定义，如果要进行交易，数据资产应满足如下前提：

一是依法合规，必须符合国家相关法律法规、政府有关部门规章制度及监管要求，对于涉及个人信息的外部数据获取和使用必须取得其充分授权；

二是稳定有效，数据具备可持续性，数据质量及数据源保持稳定；

三是本源权威，优先选取主数据源，经过反复验证与评估，保证数据可用性和价值体现。

数据资产化实施

数据资产化路线图

按照普华永道对资产化道路的阶段划分，可以分为三个阶段：

资源化，资产化，资本化。

这三个阶段还可以进一步细分：

资源化：数据确权、数据治理

资产化：数据产品化、数据产品估值

资本化：金融产品化、数据交易等环节。

资源化，数据确权即明确哪些数据是资产，这些资产哪些是属于企业的，然后就是对这些数据按照资产化的目标进行治理。

资产化，对已经治理的数据资产进行计量，然后形成数据产品(如离线数据包，在线数据服务等形式)，最后对这些数据产品进行定价。

资本化，对上一步产品化的数据设计金融产品，然后将数据产品或金融产品推向相关市场进行交易。

当然还会有贯穿整个过程的数据运营环节。

数据确权

数据确权是证明该资产属于企业拥有或者控制的资源，其次数据资产能给企业带来经济效益必须可以计量准确测算。

数据资产的定义

（一）“企业过去的交易或事项形成”是指数据必须是现实存在的，未来预期产生或获取的数据不能划分为数据资产。

（二）“由企业合法拥有或控制”，是指数据来源及出处必须合法合规，企业以不正当手段非法获取的、有产权争议的、无法控制的数据资源不能确认为数据资产。

（三）“预期在未来一定时期内为企业带来经济利益”，是指数据资产预期在未来一段时间内，通过直接或间接等形式为企业带来持续经济效益，没有经济价值或在现有的技术条件下无法确定未来经济利益的数据以及不能反复连续使用的数据不能划分为数据资产。

（四）“电子记录”是指能够通过盘点、注册等管理手段，对数据资产进行识别、记录及计量，对于手工记录的数据，不纳入数据资产范围。

确权的难点

1. 资产边界难以认定，是否是企业拥有或控制。
2. 数据质量决定了是否纳入资产，而数据的使用过程中发生变更、衍生、销毁封存等动作，都将影响数据资产的确认。那么，数据采集、存储、加工、清理等各个阶段都需要测算相应的入账价值，以及明确各个阶段的确认原则。

数据治理

首先，要明确哪些资产是可以开展治理的，是确权工作的延伸。

确定治理对象五原则

一是独立性原则。

估值对象应至少具备独立产生价值的能力，比如单个字段在许多情况下并不具备独立产生价值的能力，因此不建议作为独立的估值对象。

二是整体性原则。

通常而言，对整体不可分割的数据资产建议划分在一个评估对象中，以评估其整体价值。

三是不重复评估原则。

在具体评估工作时，由于数据资产具有多样的表现形式，应识别出实际上属于同一数据资产的不同数据应用，将其产生的价值归属于同一评估对象，防止重复计算。

四是成熟度原则。

通常而言，数据资产估值对象的划分需受限于管理成熟度，如数据资产盘点程度、财务核算精细度，是否可提供该颗粒度口径的核算数据等。

五是合理性原则。

评估单元的粒度不宜过细也不宜过粗，需要在估值工作量及估值准确性之间平衡，既要避免工作量和成本投入过高的情况，也要保证近似、主观估计的合理性。

数据资产分类框架

数据资产可以分为原始类（外部获取类和内部采集类）、过程类和应用类（统计支持类和收益提升类）三大类。

一是原始类数据资产

原始类数据资产是通过外部获取或内部采集而来的明细数据，可以为后续数据加工应用提供原始信息。由于两种获取方式形成的数据资产的资产特点、资产边界不同，分类管理可以提高原始类数据资产的管理效率，也有利于后一步的加工处理。因此可根据数据来源将数据资产分为外部获取类和内部采集类两部分，并分别作为一个估值对象。

外部获取类数据资产是从外部数据厂商购买、交换或从外部网站上爬取等方式获取的数据，虽不能直接应用于生产经营过程中，但可以对内部采集的数据形成有效补充，对生产经营起到辅助参考作用。

内部采集类数据资产是企业生产经营过程的衍生物，详细记录了业务发生过程中的相关信息，可以通过人工录入系统的方式产生，也可以通过例如 ATM 机、POS 机等设备在客户交易时自动采集信息形成。

二是过程类数据资产

过程类数据资产处于原始类数据资产和应用类数据资产之间的过渡阶段，为数据进一步开发和应用提供清洗后的、统一的轻度汇总数据。

过程类数据资产具有普遍适用性，可以使得后续的深度加工减少重复加工工作，避免资源浪费，具有一次加工多次使用的特性。过程类数据资产通过数据仓库、大数据平台、数据中台等对

原始类数据资产汇总加工形成，可作为一个估值对象进行估值。

三是应用类数据资产

应用类数据资产是面向实际的数据需求，以原始类和过程类的数据资产为基础，通过数据汇总、挖掘等加工方式得到的个性化的统计数据或数据产品，可以直接应用于业务部门，支持业务相关工作的开展和收益的提升。考虑到与收益的对应性，将其分为收益提升类和统计支持类两大类数据资产。

收益提升类数据资产是指在业务开展环节中，输出业务洞察，直接赋能产生业务收益的数据资产，包括模型、数据产品等。此类数据资产由于和收益的对应性较强，本方案结合业务领域细分具体价值点，划分了三大类、14 大估值对象，详见优化收益法估值实施方案部分。

统计支持类数据资产是在原始类和过程类的基础上进行深度及定向加工得到的数据资产（除

收益提升类），全面、深入、准确地体现企业运转情况及发展趋势，可用于经营分析、监管报送等，充分发挥数据资产的业务价值，推动业务部门开展相关工作，比如报表数据反映企业经营历史及现状，为企业经营决策提供有力支持。统计支持类数据资产可总体作为一个估值对象。

当然还有其他的分类框架，比如PWC会把数据分为标准化和定制化两大类，前者包括实时交换数据和数据包，后者包含模型、算法和算力。光大银行白皮书把数据按照生命周期分为了原始数据、过程数据和应用数据等。

数据资产计量

估值之前，首先要确定如何计量数据资产的价值，才能开展对价值的估算。对数据资产的计量，存在一些难点：

1. 计量单位仅使用货币不可行，需要结合非货币计量手段
2. 获得成本和使用成本，初始价值，可变现净值不易计量。使用公允价值替代成本计量方法更合理
3. 后续使用过程中的计量。使用寿命，摊销等传统要素不适用。其价值波动也可能巨大。但是也应该设定一定的摊销期限。

数据资产估值

估值工作分为三个主要方面：

算什么：分类框架构建，估值对象划分。

怎么算：估值方法创新，通用参数体系搭建。

“算”出数据资产价值：估值方法匹配，算法与指标设计，数据采集与计算。

我们下边主要讨论核心的估值方法，业内一般把数据资产的估值方法分为货币估值和非货币估值两大类。

货币度量估值方法

常见的一些货币度量估值方法如下：

方法	概述
成本法	从待评估数据资产在评估基准日的重置成本中扣减价值损耗得到数据价值。
收益法	估计未来数据资产产生的业务收益，并考虑资金的时间价值，将各期收益加总获得数据价值。
市场法	根据市场已有数据交易价格，以数据特征的差异作为修正评估数据价值，拥有高质量、大规模等特征的数据价值更高。
WVI模型	考虑数据质量低下导致的低业务绩效或负债金额，对数据的价值进行反向论述。
RVI模型	强调某些数据的缺失可能尚未对企业造成实质性损失，而只是对其业务造成了潜在的业务风险和负面影响。

1.成本法

成本法，又称重置成本法，是将在当前条件下重新购置或建造一个全新状态的评估对象所需的全部成本与合理利润，减去各项贬值后的差额作为评估对象价值的一种评估方法。其中考虑合理利润的主要原因是需要将资产生产者的风险成本纳入考量，而合理利润是风险成本的量化估计。

确定成本法的可用性时需要考虑以下两点：

其一，成本与价值是否具有对应性；即计算的重置成本应能较好地体现资产的待评估价值，否则成本法评估值意义较弱。

其二，相关历史资料是否具备可得性；成本法是以历史资料为依据确定目前价值，其中重置成本包括各类相关合理成本项，只有此类数据在企业内部可以获得，成本法才具有可行性。

2.收益法

收益法，是通过估算被评估资产的未来预期经济收益，并将预期值折现作为评估资产价值的一种方法。相比重置成本法中对数据资产获取代价的关注，收益法更注重数据资产能够为企业带来的超额收益能力。收益法的思路源自资产本身的定义，即：资产预期会给企业带来经济利益的流入。

确定收益法的可用性需要考虑以下三点：

其一，未来收益是否可以合理预期并用货币进行计量，即需要清晰把握数据资产与企业经营收益之间是否存在着可以连接、可以预测的关系。

其二，预期收益所伴随的风险价值是否可以合理预期并用货币进行计量，即需要明确收益的不确定性是否可以预测。

其三，获利年限是否可以预期，即收益年限需要用于计算后续的时间价值折现，因此确定资产的盈利期间是收益法实施的重要条件。

3.市场法

市场法，又称比较市场法，是按所选参照物的现行市场价格，通过比较被评估资产与参照资产之间的差异并加以量化，以调整后的价格作为资产评估价值的方法。市场法要求充分利用类似资产成交价格信息，采用比较和类比的思路估测被评估资产的价值。

确定市场法的可用性时需要考虑以下两点：

其一，是否具备充分发育且活跃的资产市场，即市场法通常需要已有的可比交易作为基础，且出于准确性考虑一般需要找到三个及以上的类似参照资产，将结果加权平均。如果评估资产所在的市场没有相关参照物或者相关交易，市场法则较难启用。

其二，对标资产与被评估资产的资料可得性，即市场法的另一关键是将被评估资产与对标资产的各项指标参数进行比较，因此需要确认是否可以收集到可比资产的关键技术参数、属性等。

4.其他货币度量估值方法

在 2020 年 Gartner《如何衡量信息资产的净值》报告中，提出了从企业数据质量低下导致业务绩效差或者产生负债的角度对数据资产的价值进行评估。

WVI 模型描述了数据质量低对企业造成的可避免的实际额外成本。数据质量低可能会造成企业运行中出现重大意外事件、操作流程执行不佳，产生业务损失与商机损失、监管罚款、声誉损失等，以上情况所造成的额外成本均可以看作 WVI 模型的影响因素。此外，在企业运营中，某些数据的缺失可能尚未造成实质性损失，但已经对业务带来了潜在的业务风险和负面影响。对于此类情况，可以使用 RVI 模型补充评估数据资产的价值。

确定上述两种方法的可用性时，需要考虑待评估数据资产的缺失带来的直接或间接损失是否易于衡量。

值得注意的是， WVI、RVI 在本质上都是对未来的（负）收益折现的方式。因此，尽管这两种评估方式与传统方式参数不同，但其仍可被划归为收益法范畴。

对上述所示货币类估值方法的核心思路与优劣势对比分析如下：

	核心思路	优势	劣势	总体打分
成本法	通过重新制造数据资产的成本加上合理利润并减去贬值，得到数据价值。	数据指标相对客观且便于财务管理;能衡量数据资产建设的成本。	无法体现数据资产可以产生的收益,不符合数据资产能够增值的特征。	客观性*** 易用性** 价值性*
收益法	估计未来数据资产产生的业务收益，并考虑资金的时间价值，将各期收益加总获得数据价值。	能比较准确地反映数据资产的价值，体现数据盈利能力。	收益额较难准确预测，会受到主观判断影响。	客观性* 易用性* 价值性***
市场法	根据市场已有数据交易价格，以数据特征的差异作为修正评估数据价值。	能够反映资产目前的市场情况，较为客观，在数据交易中更容易被交易双方接受。	评估可行性受可比交易可获得性影响，即市场上需要有可见的可比交易，对市场要求严格。	客观性** 易用性** 价值性***
WVI模型	从避免由于企业数据质量低下导致业务绩效差或者产生负债的角度，对数据的价值进行反向论述。	模型充分考虑了数据机会成本，反向论证了因数据资产对于企业的重要性与价值。	部分评估因素易受主观判断影响;对数据价值的反向论证思路，需要与其他方法相结合使用。	客观性* 易用性* 价值性**
RVI模型	强调某些数据的缺失可能尚未对其造成实质性损失，而只是对其业务造成了潜在的风险和负面影响。	强调了现代企业运营中对于数据风险的重视，对可预见风险进行相关损失的量化评估，帮助企业规避潜在风险。	风险因素的判断易受主观判断影响，不同评估方法对于风险的量化方式会出现较大差异，从而影响模型结果。	客观性* 易用性* 价值性**

非货币度量评估方法

常见的非货币度量评估方法包括：

方法	具体内容
IVI模型	根据数据的客观特征（正确率、完整程度等）衡量数据内部的价值，不依赖数据支持的业务。
BVI模型	核心是衡量数据对业务的价值（业务相关性、及时性），同时也考虑数据内部的价值（正确、完整）。
PVI模型	衡量数据应用前后KPI的变化，即通过数据对企业关键目标的作用评估数据价值，此方法用于事后评估。
综合法	充分结合企业自身数据资产的评估目的和相关特点，构建价值评估模型。

当前理论和领先实践中，非货币类度量法通常根据特定的资产评估目的，选择相关评估维度构建评估体系，并最终以无量纲的形式展现评估结果。此类方法中，目前 Gartner 提出的 IVI、BVI 和 PVI 三类评估模型较为完善。三类方法分别从数据的客观特征、数据对业务的应用价值和数据应用前后企业 KPI 指标的变化三个方向构建评估模型，重点考虑数据资产在企业中如何推动业务效率提升。

IVI 模型重点考虑了信息的内在价值，强调信息的正确性、完整性、其他竞争者获取该数据资产的可能性以及数据可使用的时长。 IVI 模型的优势在于其重视数据本身的相关因素，且模型中所需的正确性和完整性的指标相对容易获得，能够快速计算出客观的资产价值；但由于 IVI 模型缺少业务视角，因此其也忽略了对于数据资产价值密度的考量，其适用于快速比较应用相似的数据资产的价值潜力，以明确提升数据资源投入方向。

相比之下， BVI 模型纳入了数据资产与业务相关性的指标，体现了数据资产对公司业务和收益的支撑，但“业务相关性”指标的确定方式较为主观，不同使用者评估的相关性不一定具有可比性，因此 BVI 的评估结果可能存在较大波动。 BVI 模型适用于探索发掘目前未被分析使用的数据业务价值，或评估尚无具体应用的数据价值，合理管理现有的低价值数据。

PVI 模型从企业绩效因子（KPI）的角度来衡量数据资产与业务的相关性，通过观测目标企业 KPI 的前后变化来差异化对比数据资产在企业中发挥的作用。 PVI 模型能够直观地体现数据资产在企业中发挥的作用，但其强调企业 KPI 的前后对比并纳入了时间维度的评估因子，因此只能用于数据应用的后评估环节，无法在数据被使用之前或者使用过程中对其价值进行评估。同时，PVI 模型的应用过程中，难以剔除企业中其他因素对企业 KPI 的影响，因此数据资产对 KPI 的直接影响力度并不能可靠衡量。 PVI 模型主要适用于评估已使用的资产对企业关键目标的价值，例如在数据应用试点过程中分析数据对业务的价值。

综合法模型，即通过确定评估对象，针对自身数据资产估值目的和相关特点，构建相应的估值模型。综合法模型没有固定的公式或影响因子，使用者可以结合企业自身数据指标的丰富度，以及企业对数据的关注点和管控重点，对模型因子和权重进行调整和优化，定制化地构建评估模型。其适用于无法直接使用现有模型的企业，特别是对数据资产的价值有较为特殊的定义，需要用特定因子进行衡量的企业。

四种非货币类度量方法的对比如下：

	核心思路	优势	劣势	总体打分
IVI模型	根 据 数 据 的 客 观 特 征（ 正确率、完整程度等）衡量数据内部的价值，不涉及业务判断。	较 简 单 的 数 据 评 估模型；数据内部特征可由 数 据 管 理 相 关 指标计算，较适合数据管理人员适用，相对较客观。	并 未 考 虑 数 据 与 业务 或 实 际 商 业 目 标的相关性，评估值对管理 决 策 参 考 价 值 较低	客 观 性 ★★★ 易 用 性 ★★★ 价值性★
BVI模型	核 心 是 衡 量 数 据 对业务的价 值（ 业务相关性、及时性）， 同 时也 考 虑 数 据 内 部的价 值（ 正确、完整）。	较综合的模型，将数据价 值 密 度 纳 入 考 虑；考虑现有的和未来 计 划 的 业 务 中 的 应用， 体现数据的业务支持能 力。	业 务 相 关 性 的 分 析较为主观，而且需要进行 耗 时 较 长 的 数 据 用 途 分 析 才 能 判 断数 据 能 够 支 撑 的 功能或业务。	客观性★ 易用性★ 价值性★★★
PVI模型	衡 量 数 据 应 用 前 后 KPI的变化 ，即 通过 数据 对 企 业 目 标 的 作用评 估数 据价 值。	使 用 实 际 产 生 的 业绩 指 标 评 估 数 据 资产，说服力强；评估值 可以 体 现 数 据 业 务 价值； 1不需要进 行数据用途分析。	难以控制外部变量， 获得精确结果，评估值 受外 部 环 境 影 响 较大，且只能在数据实际应用后评估。	客观性★★ 易用性★★★ 价值性★★ （仅事后）
综合法	充 分 结 合 企 业 自 身数 据 资 产 估 值 目 的和相关特点，构建估值模型。	能够充分结合企业自身数据指标的丰富度及企业对数据的关注点和管控重点，对模型进行调整和优化。	模型影响因子和权重的选择受主观因素影响较大。	客观性★ 易用性★★ 价值性★★★

实践中，货币方法评估的价值能直接与其他货币价值比较，故可以看作数据资产的“绝对”价值；而非货币方法的评估结果只能与采用同一种评估方法的数据资产价值相比，因此可视为“相对”价值。因此，货币方法比非货币方法更具有普适性。

但非货币度量方法能够通过模型的方式将数据资产的各类特点对价值的影响纳入考虑，其估值思路能够对传统货币度量方法进行有效补充，构建更加适应于数据资产的货币度量方法。

估值方法案例A

数据资产的价值因其所处的场景不同，价值体现也不同 ，所以对估值方法的选用必须和场景结合。

以业内某实施方案为例，其对各数据资产估值对象的方法选择如下：

考虑到原始类数据资产中的两大估值对象（内部采集类数据资产、外部获取类数据资产）、过程类数据资产以及应用类数据资产中的统计支持类数据资产，由于与最终的业务收益之间难以有效追溯，企业内部也几乎无针对数据资产使用的内部定价机制来有效衡量其贡献的价值比例，因此总体建议采用优化成本法计算其内部使用价值。

而对于收益提升类的数据资产，由于其能够在业务开展过程中直接进行赋能以提升业务表现，和收益的对应性较强，因此总体建议采用优化收益法计算其价值。在实际估值时，需结合业务领域细分确定具体价值点，在收益法原理下细化其估值指标及算法。

此外，上述所有估值对象，还需结合是否存在数据资产的交易情况，分析是否可产生直接交易收入；如可交易，则建议进一步分析是否满足市场法的条件，使用优化市场法衡量其外部交易价值，并与内部使用价值加总计算。

估值方法案例B

在另一个行业案例中方法选用如下：

对于直接收益提升类数据资源，收益法较成本法更能反映数据资产实际价值，采用收益法估值。

➢ 对于间接产生收益贡献的中间结果类与原始类数据资源，可采用两种方法分别进行价值评估，未来根据数据价值评估目的做选择。

➢ 对于无法明确计量收益的数据资产，采用成本法，估计数据资产价值。

同时，结合此规则进行判定时，还应该进一步综合考虑此数据资产发生交易的可能性，结合其未来市场流通的应用场景，做进一步估值。 在未来同类型数据产品交易量逐步增长，形成交易数据积累后，可进一步应用市场法衡量其外部交易价值，以优化估值结果。

1. 1. 1. 估值方法总结

价值实现路径	与传统估值方法对接	方法适用性探讨	价值影响因素
数据资源化	成本法-多因子修正成本模型	该阶段指将无序、混乱的原始数据开发为有序、有使用价值的数据资源的过程。 该阶段中的数据资产尚未体现出完整的场景应用价值， 因此对该阶段的数据资产进行估值时主要依赖成本法， 即从数据开发、加工及维护过程中所耗费的必要劳动时间及所花费的其他软、硬件设施的成本为计量基础。 尽管数据资产的成本和价值先天具有弱对应性且其成本具有不完整性， 但尚未形成完整场景价值下的数据资产时， 成本法具有其一定的合理性。	如前述， 该阶段的数据资产尚未体现出完整的场景应用价值， 因此影响数据资产价值的除成本外， 主要为数据资产的质量因素， 包括准确性、完整性、时效性、唯一性、可访问性和安全性。 对于多因子修正成本模型， 价值贡献因子较低， 而多场景增速因子默认为1。
数据资产化	成本法-多因子修正成本模型 收益法 -增量效益现模型-非核心资产/因素剥离折现模型 -实物期权定价模型 市场法（有限使用）	该阶段下， 以既定的应用场景及商业目的， 将数据资源进行一系列加工， 形成可供企业部门应用或交易的数据产品。 数据资产在该阶段拥有了场景赋能， 预期可产生经济利益。 • 从场景价值角度， 成本法下需在成本上考虑额外价值修正因素（包括价值贡献和多场景效应）； • 从预期产生经济利益角度， 收益法下的模型亦有了适用可能， 其中增量效益折现模型是通过比较该项数据资产使用与否所产生现金流差额的一种估值方法；非核心资产/因素剥离折现模型类似于无形资产估值中的多期超额收益法， 是通过计算该项数据资产所贡献的净现金流或超额收益的现值的一种估值方法；实物期权法则是应用于数据资产在企业的使用场景尚存在一定不确定的情况下， 通过期权定价模型对数据资产价值进行估计的一种估值方法。 收益法的使用前提是对未来预期的经济收益进行可靠计量， 在现阶段数据资产更多地处于卖方开发阶段（即相对缺少买方使用效益评价结果） 的情形下， 且数据资产在不同场景下可以贡献的超额收益（或增量收益） 尚无法全面地或合理地进行衡量， 因此收益法在现阶段尚受到一定的限制。 • 对于市场法的运用， 受限于交易的活跃程度， 我们认为在数据资产化阶段初期， 其运用将受到较大限制。	该阶段的数据资产为既定应用场景和商业目的进行开发， 预计为企业带来额外的经济利益， 因此需考虑数据产品开发商要求的必要回报，现阶段该回报虽为卖方视角， 但仍应基于市场对数据资产的稀缺/垄断程度、标的数据资产开发创意等进行判断。 此外， 由于数据资产有了进一步进行多场景开发的可能，多场景增速因子在数据资产化阶段可能大于1。
数据资本化	收益法、市场法（绝对估值/相对估值）	到数据资产化阶段发展后期， 数据资产进一步赋予金融属性后， 则有了数据资本化阶段。 由于目前数据资产所处阶段尚早， 探索数据资本化阶段的不确定性仍较大。	底层资产价值及活跃程度、金融产品性质与结构安排。

数据资产产品化

待续

数据资产交易

待续