目錄
一、數據資產化的定義
1.1 數據資源與數據資產的差別
1.2 數據資產化的意義
1.3 數據資產增值模型
二、企業數據資產化的實作路徑
2.1數據資源化階段
2.2數據資產化階段
2.3數據資產營運階段
三、數據資產入表開啟企業價值重構
3.1上市公司數據資產入表概覽
3.2數據資產入表重構企業價值
四、結語
正文
隨著數碼化轉型的深入發展，數據已成為企業乃至國家競爭的新焦點。數據資產化作為數碼經濟的關鍵組成部份，對促進數據價值流通、推動數碼經濟高質素發展具有重要意義。
本報告將在闡述數據資產化的定義、意義的基礎上，探討數據資產化的實踐路徑以及對企業價值重估的作用。
一、數據資產化的定義
1.1 數據資源與數據資產的差別
在數碼化時代，數據資源的市場化路徑涉及將原始數據逐步轉變為數據資產的過程。這個過程包括數據資源化、數據產品化、數據資產化和數據資本化四個階段。數據資源與數據資產是兩個經常被提及的概念，它們之間存在著明顯的差異。
數據資源指的是企業或組織在營運過程中產生的原始數據，這些數據通常是未經加工和分析的。數據資源化的目標是提升數據質素，將這些雜亂無序的原始數據轉換為有一定價值的數據資源。這一過程涉及到數據的清洗、整合和標準化，使得數據可以被進一步分析和利用。
數據資產則是指經過深入分析、加工和治理後，具有明確使用場景和價值的數據。數據資產化的目標是透過數據分析、數據編排、數據治理等環節，將數據資源轉化為有明確使用場景、價值更高的數據資產。這一過程不僅包括技術層面的加工，還包括對數據的商業價值的挖掘和實作。
數據資源更側重於原始的數據和資訊的集合，而數據資產則是從這些數據中經過加工、管理和價值實作後，能夠為企業帶來經濟利益的資產。數據資源的市場化路徑是一個逐步增值的過程，從數據資源化到數據產品化，再到數據資產化，最終實作數據資本化。數據交易則是這一路徑中實作數據資產價值轉換和流通的關鍵環節。透過這些過程，數據資源被轉化為能夠為企業和社會帶來明確經濟價值的數據資產。
1.2 數據資產化的意義
數據資產化是數碼經濟的重要組成部份。在數碼經濟中，數據被視為一種重要的生產要素，其價值的實作和流通對經濟的發展具有重要意義。數據資產化透過提高數據的價值和流動性，促進數碼經濟的發展，從宏觀到微觀，都對經濟發展和社會進步具有深遠影響。
1.2.1 宏觀角度：促進數據價值流通，推動數碼經濟高質素發展
數據資產化是數據資本化的前提條件。在宏觀層面，數據資產化有助於構建一個更加開放和互聯的數據市場，促進數據資源的合理配置和有效利用。透過數據資產化，可以提高數據的流動性，降低交易成本，從而推動數碼經濟的快速發展。
透過數據資產化，可以提高數據的利用效率和價值，從而推動經濟的創新和轉型。此外，數據資產化還可以促進數碼經濟的可持續發展，透過最佳化資源配置和提高生產效率，實作經濟的綠色發展。
1.2.2 微觀角度：重估企業價值
在微觀層面，數據資產化對企業價值的重估具有重要意義。數據資源型企業和數據驅動型企業的數據資產價值將得以顯現和重估。這些企業透過數據資產化，可以更好地挖掘數據的商業價值，提高企業的競爭力和市場地位。
數據資產化使得企業的數據資產更加透明和可量化。透過數據治理和標準化，企業可以更準確地評估其數據資產的價值，從而提高企業的整體價值。這種價值的提升不僅體現在財務報表上，也體現在企業的市場競爭力和品牌影響力上。
數據資產化可以提高企業的營運效率。透過數據分析和最佳化，企業可以更有效地管理其業務流程，降低成本，提高效率。此外，數據資產化還可以促進企業的創新。企業可以透過對數據的深入分析，發現新的商業模式和市場機會，從而實作業務的創新和轉型。
數據資產化可以激發企業加大研發投入。在數據驅動的商業模式下，企業需要不斷地對數據進行分析和挖掘，以發現新的商業價值。這就需要企業投入更多的資源進行數據的研發和創新。數據資產化使得企業更加重視數據的價值，從而願意投入更多的資源進行數據的研發。
數據資產化還推動企業加大數據購買需求。企業在加大對數據研發和創新的同時，也需要購買更多的數據以支持其業務發展。這種投入和購買需求的增加，將進一步推動數據資產化行程，形成良性迴圈。
1.3 數據資產增值模型
數據的價值到底是如何實作的？這個問題看似簡單，卻困擾了許多企業和組織。數據是有價值的，其價值在數據的使用中得以實作。簡單來講，數據的價值有兩種實作方法：一是透過為業務賦能，相對應的是DIKW金字塔，比如利用數據來降本增效、精準行銷等，這是傳統的方法，數據的價值是透過賦能業務間接實作的；二是透過數據資源入表和數據交易，相對應的是DRAC金字塔，數據透過數據資源、資產和資本化來實作其價值。
（1）DIKW模型
DIKW模型，即數據-資訊-知識-智慧模型，在DIKW金字塔體系中，每一層都建立在前一層之上，並賦予更高的價值和意義。位於金字塔底部的是原始數據，這些未經加工的事實或數碼是構建一切的基礎。當數據被處理並賦予上下文之後，便形成了資訊——比如各類報告、統計圖表等。進一步地，透過對資訊的理解與分析，人們能夠從中提煉出知識，這是對特定主題深刻認識的結果。而金字塔的頂端則是智慧，它代表了運用知識解決問題的能力，包括透過人工智能實作的高度智能化套用。
DIKW模型中，數據還是專註於組織內部價值的實作，因此數據的價值是一種間接的價值，即價值不可以直接被貨幣化度量，必須要透過對業務結果的促進來實作。
盡管全球各國均認識到數據的重要性，但在利用方式上存在差異。以美國為例，其對數據的利用是遵循了DIKW這個金字塔，最終是數據和AI結合。簡單講，美國重視數據是為了All In AI。
（2）DRAC模型
和DIKW的AI導向不一樣，DRAC模型是為了數據資源入表和數據交易，以及最後的數據資本化運作。這個體現了數據的直接價值，也是中國目前重點發展的方向。
與DIKW類似，DRAC模型也分為四層。最下層是作為原始材料的數據（Data），指的是企業原始的、未加工的數據集合，是客觀事實或事件的記錄；再往上是資源（Resource），是指經過整理和加工的數據資源；第三層是資產（Asset），到這一層，數據資源透過入表或者交易等成了企業的數據資產；最上層是資本（Capital），指的是數據資本的營運。
Data Monetization（數據貨幣化）這一概念的首次提出是2013年的9月，DAMA國際的現任主席Peter Aiken出版了【Monetizing Data Management: Finding the Value in your Organization's Most Important Asset， First Edition】，首次提出了「數據貨幣化」的概念。
2019年，基於DAMA的業務車輪圖，DAMA大中華區主席汪廣盛和Peter等首次提到了DRAC，並依照DIKW，畫出了DRAC三角金字塔圖。DRAC模型和中國的數據要素理論有內在的一致性，且比較符合實際的工作和發展行程。
汪廣盛表示，DIKW模型提供了理解數據價值層次的基礎框架，而DRAC模型則在此基礎上進一步細化了數據資產的管理和增值路徑。在實際套用中，企業可以結合自身情況和發展階段，以DRAC模型為指導，靈活構建全面的數據資產管理框架，以更高效地挖掘和利用數據的潛在價值。
二、企業數據資產化的實作路徑
數據資產化的實作，可以劃分為三個主要階段：數據資源化階段、數據資產化階段和數據資產營運階段。在數據資源化階段，企業透過數據獲取、清洗、預處理和標準化等步驟，將原始數據轉化為高質素的數據資源。在數據資產化階段，企業透過數據治理體系構建、數據產品開發與創新、成本歸集與會計處理、定價與估值等步驟，將數據資源轉化為具有明確使用場景和經濟價值的數據資產。在數據資產營運階段，企業透過數據交易機制與平台、數據資本化路徑與策略等方式管理和營運這些數據資產，實作其經濟價值。
2.1 數據資源化階段
2.1.1數據獲取
數據獲取是數據資源化階段的第一步，涉及從企業內部系統和外部來源收集有價值的數據。正確和全面的數據獲取是確保數據質素和後續分析有效性的關鍵。
（1）內部數據獲取
業務系統數據：典型的企業管理系統包括ERP、CRM、SCM等，這些系統中產生的交易數據、客戶數據、供應鏈數據是企業營運的核心，反映了企業的實際業務情況和市場動態。
日誌數據：如伺服器日誌、套用日誌、使用者行為日誌等，記錄了系統執行狀態、使用者互動行為等詳細資訊，對於分析使用者習慣、最佳化產品功能具有重要價值。
內部文件與知識：包括企業內部的報告、會議記錄、培訓資料、專利文獻等，這些是非結構化數據的重要來源，蘊含了企業的知識資產和經驗積累。
（2）外部數據獲取
市場與行業數據：透過購買第三方研究報告、參加行業會議、訂閱行業資訊等方式獲取的市場趨勢、競爭對手分析、消費者行為等數據，有助於企業把握市場動態，制定競爭策略。
公開資料來源：如政府公開數據、社交媒體數據、公開的網絡爬蟲數據等，這些數據雖然可能較為零散，但經過整合和分析後，往往能為企業提供新的洞察和機會。
合作夥伴數據：透過與業務合作夥伴的數據共享或交換，獲取互補的數據資源，如供應鏈上下遊的數據、客戶共享數據等，有助於提升供應鏈的協同效率和客戶滿意度。
在獲取了內外部數據之後，企業還需要進行數據整合的工作，將來自不同來源、不同格式的數據進行轉換、合並和標準化，以形成統一、高質素的數據集。這一步驟對於消除數據冗余、解決數據沖突、提升數據質素至關重要。透過數據整合，企業可以構建一個全面、準確的數據基礎，為後續的數據治理、產品開發和營運提供有力支持。
2.1.2數據清洗、預處理及標準化
數據清洗、預處理及標準化是確保數據質素、提升數據分析效果的關鍵環節，它直接決定了後續數據治理、產品開發以及營運工作的效率和準確性。
（1）數據清洗：數據清洗的目的是去除數據中的錯誤、異常、重復或無關的資訊，以確保數據的準確性和一致性。清洗過程包括但不限於缺失值處理、異常值檢測與處理、重復值處理等。
（2）數據預處理：數據預處理是對原始數據進行一系列轉換和加工，以使其更適合後續的分析和建模。包括數據類別轉換、數據歸一化/標準化、基於業務理解和數據分析的特征工程。
（3）數據標準化：數據標準化是確保數據在不同系統、不同部門之間具有一致性和可比性的重要手段。它涉及數據格式統一、數據命名規範、數據字典建立等。
透過這一階段，企業可以獲得幹凈、整齊、高質素的數據集，為後續的數據治理、產品開發、營運以及高級分析工作奠定堅實的基礎。同時，這一過程也有助於減少數據錯誤和偏差，提高數據分析的準確性和可靠性，從而為企業決策提供更加有力的支持。
2.2 數據資產化階段
在完成數據資源化的初步積累後，企業已初步掌握有一定質素水平的標準化的數據資源。在此基礎上，數據資產化成為新的戰略焦點，旨在將這些數據資源轉化為具有明確套用場景和顯著經濟價值的數據資產。此過程不僅涵蓋技術層面的數據治理與產品創新，還深入觸及財務與合規管理的核心。
隨著【企業數據資源相關會計處理暫行規定】（財會〔2023〕11號）（下文簡稱【暫行規定】）釋出並於2024年1月1日起全面實施，中國企業數據資源的會計處理和資訊披露邁入了嶄新階段。這一裏程碑式的規定不僅為企業數據資源「入表」成為真正意義上的資產鋪設了清晰路徑，更標誌著中國數據資產化行程實作了從零到一的重大突破。
為了全面剖析數據資產化的實踐路徑，本節將圍繞數據治理體系構建、數據產品開發與叠代、數據合規與安全保障、成本精準歸集與會計處理，以及數據資產的科學定價與估值等關鍵環節展開詳細探討。【暫行規定】的出台，無疑為這些環節提供了更為明確的財務處理指南，不僅提升了數據資產的會計透明度與可信度，更為企業探索數據資產的多元套用與商業模式創新提供了新的想象空間。
2.2.1數據治理體系構建
數據治理體系構建是確保數據資產化成功的關鍵環節，它包括頂層設計部份和具體的數據管理任務兩個大的方面，每一部份又可以細分為不同的活動。
首先，需要設定清晰的數據治理目標，這為數據資產化指明了方向。這些目標不僅要與企業的大戰略緊密相連，還要具體、可衡量，比如提升數據質素、加強數據安全、最佳化數據流程等。這樣，才能有的放矢，確保每一步都朝著正確的方向邁進。
接下來，組織架構與職責劃分就顯得尤為重要。企業要成立一個數據治理的「智囊團」，也就是數據治理委員會，讓他們來把控大局，做出明智的決策。同時，還要明確各個部門在數據治理中的「角色定位」，確保大家都能各司其職，協同作戰。
政策與制度建設也是不可或缺的一環。企業要制定出一套完善的數據治理「遊戲規則」，包括數據管理的原則、規範、流程等，讓大家都有章可循，有據可依，為數據資產的高效營運奠定基礎。
數據治理體系也需要持續改進與最佳化。企業要建立一種持續改進的機制，讓數據治理體系能夠與時俱進，始終保持最佳狀態，為企業的數據資產化之路提供持續的動力和保障。
數據治理體系在數據資產化過程中發揮著至關重要的作用。它不僅是數據資產化的基礎支撐，更是推動數據資產化行程的核心引擎。只有認真構建和維護數據治理體系，才能確保數據資產化之路走得更加穩健、更加長遠。
2.2.2數據產品開發與創新
數據資產的價值與套用場景息息相關，數據在不同的套用場景中可以發揮完全不同的價值。因此，有必要針對不同的使用場景對數據資源進行針對性的開發，而數據產品就是將數據資源轉化為具有明確使用場景和經濟價值的重要形式。
（1）數據產品的形態
根據上海數據交易所【數據資產入表及估值實踐與操作指南】，基於需求特征和服務方式不同，可以將數據產品形態分為數據集、數據資訊服務和數據套用三種形態，如下表所示：
（2）數據產品開發流程
需求調研與分析：首先，需深入了解業務需求，明確數據產品需解決的具體問題或達成的目標。這包括與業務部門、數據分析師、產品經理等緊密溝通，理解其痛點與期望，以及分析市場趨勢和競爭對手動態。
資料來源整合與清洗：根據需求，從企業內部或外部收集相關數據，並進行清洗、去重、格式化等預處理工作，確保數據質素。這一步是構建高質素數據產品的基礎。
數據建模與分析：運用統計學、機器學習等技術，對預處理後的數據進行深入分析，構建預測模型、分類模型或聚類模型等，以提取有價值的資訊和模式。
產品設計與開發：基於分析結果，設計數據產品的界面、功能、互動方式等，確保產品易用、直觀且能滿足使用者需求。同時，開發相應的軟件或平台，實作數據的視覺化展示、互動式查詢、智能推薦等功能。
測試與最佳化：在產品上線前，進行全面的測試，包括功能測試、效能測試、安全測試等，確保產品穩定可靠。上線後，根據使用者反饋和使用數據，持續最佳化產品功能和使用者體驗。
（3）數據產品創新策略
融合新技術：隨著人工智能、大數據、區塊鏈等技術的不斷發展，數據產品應緊跟技術前沿，融合新技術以提升產品效能、增強使用者體驗。
客製化服務：針對不同行業、不同企業的特定需求，提供客製化的數據產品服務。透過深入了解客戶業務，為其量身打造符合其獨特需求的數據解決方案。
跨界合作：與其他行業或領域的企業進行跨界合作，共同開發數據產品，實作數據資源的共享與互補，拓寬數據產品的套用場景和市場空間。
持續叠代升級：數據產品應是一個不斷叠代升級的過程。透過持續收集使用者反饋、跟蹤市場變化、引入新技術和新演算法，不斷最佳化產品功能和效能，保持產品的競爭力。
2.2.3數據合規與審查
數據來源的合規性是數據資產入表的前提。【暫行規定】規定數據資源入表形成數據資產的條件之一是：「企業合法擁有或控制的」。因此來源不合法或者不能合規利用的數據資源無法列入資產負債表形成數據資產。企業應當從數據來源與數據利用兩個方面進行相應合規審查。
（1）數據來源的合規審查
內部產生的數據：
企業內部產生的數據涵蓋了生產、營運、管理等過程中所生成的各種業務數據，如客戶訂單數據、器材執行數據、員工管理數據等。對於內部產生數據的合規性，企業需要關註以下幾個方面：一是數據的合法性，即數據的生成是否符合相關法律法規的要求，比如是否可能侵犯其他企業的商業秘密；二是私密保護，特別是涉及員工或客戶個人資訊的數據，必須符合【個人資訊保護法】等相關法律法規的要求；三是數據的真實性與可驗證性，內部產生的數據是否經過客觀記錄並具備可靠性。在數據入表時，企業需要提供充分的證據來證明數據的真實性，如內部管理流程檔、數據儲存日誌等。
外部收集的數據：
從外部獲取的數據則需要更加復雜和嚴格的審查。外部數據通常來源於公開采集數據、直接采集數據和交易市場采購數據。
公開數據是指未設定存取許可權向公眾無差別予以提供和展示的數據，任何人均有權獲取。對公開數據的收集即公開收集。公開收集的方式有多種，如人工錄入、檢索查詢等手動數據收集，也包括爬蟲等自動化數據收集。在審查公開數據收集的合法性時，企業需要確認數據的收集方式是否合法，如是否獲得了網站所有者等相關方的授權等。
公開收集數據的方式中，合規風險較多集中在透過爬蟲技術爬取的數據上。需註意數據爬取行為本身並不違法，但由於其技術特點，在實際操作中如使用不當或超出合理限度使用，則很可能涉及違規、違法行為，引發不正當競爭風險、知識產權侵權風險、個人資訊侵權風險甚至刑事風險。
直接采集，即企業直接獲取數據來源方（如使用者）的相關資訊。企業在直接采集數據時，應主要關註個人資訊和企業資訊的采集的合法合規性，必須嚴格遵守相關法律法規。對於個人資訊的采集，企業應根據【個人資訊保護法】等法律法規的要求，明確告知收集的目的、方式和範圍，並獲得使用者的同意。對於企業資訊的采集，尤其是涉及競爭對手的商業秘密時，企業應嚴格依照【反不正當競爭法】的相關規定，避免觸及侵犯商業秘密等不正當競爭行為，確保采集過程合法合規。
間接獲取，指透過協定購買的方式獲得數據。透過協定購買數據時，盡管通常由數據提供方承擔初步的合法性審查義務，作為數據的買方企業，仍需主動進行深入而全面的審查，以防範潛在風險。
買方企業應透過審查數據來源、獲取方式及相關權屬證明材料，確保交易數據不存在權屬瑕疵。此外，在簽署數據交易協定時，企業還需仔細審查合約條款的完整性與合規性。通常情況下，合約應明確約定數據的準確性、完整性與時效性，以及數據的適用範圍和用途，避免因數據缺陷影響業務正常開展。同時，協定中需包含詳細的私密保護條款，特別是在數據涉及個人資訊或敏感資訊的情況下，需確保交易及後續使用過程嚴格符合【個人資訊保護法】等相關法律法規的要求。
（2）數據利用的合規審查
在確認數據來源的合規性後，企業透過脫敏、清洗、標註、整合、分析等過程，對原始數據進行實質性加工和創新性勞動，形成創造性成果，最終產生符合公司業務與研發所需的數據資產，並儲存於企業內部或第三方雲端儲存中。企業對數據資產的利用主要包含內部利用及外部交易兩種方式。當企業將數據資源主要用於內部生產經營或管理時，會計上可作為無形資產進行管理。當企業將數據資源主要用於外部交易時，會計上可作為存貨進行管理。無論內部利用還是外部交易，企業在處理數據資源、經營數據產品的過程中，仍應註意根據不同的利用方式，確保相應的合規性。
內部利用數據資產的合規審查重點包括：首先，數據利用的合法性。企業在利用數據時，應根據具體數據利用行為、流程，針對每個具體節點所涉數據內容，審查是否符合法律法規及相關行業標準，是否符合監管部門所要求的合規標準，是否侵害了個人資訊權益或他人商業秘密。其次，數據儲存的安全性。企業須建立相應政策體系並透過適當的安全技術措施，確保內部數據利用的保密性和安全性，避免數據泄露導致的合規風險。
外部交易數據資產所涉的合規審查相較內部利用而言較為復雜，主要涉及包括但不限於數據可交易性、數據保護能力、數據出境合規等方面。
數據可交易性：數據交易的前提是數據資產具備可交易性。數據資產的可交易性是指將來源合法的數據資源透過實質性加工和創新性勞動，形成可以像商品一樣在市場上進行買賣和交換，能夠自由流通的數據產品。根據現有法律法規規定，數據產品不得含有危害國家安全、違反公序良俗或侵害他人合法權益的違法資訊。除國家相關法律明確規定禁止交易的情形之外，部份行業亦對數據交易方的資質進行了規定，如金融機構采購個人征信資訊，應當從具有從事個人征信業務資質的機構采購。因此，企業首先應當註意審查數據資產是否涉及國家法律法規限制或禁止交易的範疇。
數據保護能力：在數據交易前，數據提供方和數據需求方還需要對對方的數據安全保障能力進行評估，雙方均應當符合【網絡安全法】、【數據安全法】等法律法規的要求，建立數據安全保護體系，對於涉及個人資訊的數據，還應符合【個人資訊保護法】的要求，采取技術措施避免個人資訊泄露、篡改或遺失等事件的發生。在交易前可透過盡職調查，從技術能力、人員配備、信譽資質等方面來評估交易方的數據安全保護能力。
數據出境合規：若數據需求方為境外企業，則企業需要特別關註數據出境的合規性，根據【數據出境安全評估辦法】【促進和規範數據跨境流動規定】等法律法規的規定，根據主體情況、數據性質、個人資訊數量等具體情況，分別履行申報數據出境安全評估、訂立個人資訊出境標準合約、透過個人資訊保護認證等合規要求。涉及個人資訊出境的，還需履行取得個人的單獨同意、進行個人資訊保護影響評估等合規義務。
綜上，企業數據資源以及數據資產的管理會涉及到多個不同領域的法律法規，還需結合企業自身的業務流程、經營特點來進行有效的合規管理。對於需進行數據資源管理、數據資源入表的企業，應當重視企業數據合規管理的重要性，包括內部管理制度的搭建以及內部管理人員隊伍的建設，提升企業內部的數據合規治理能力。此外，在涉及數據合規管理的重大事項時，建議及時聘請律師事務所等專業第三方機構協助企業處理相應事宜。
2.2.4成本歸集與會計處理
數據資產入表，即對數據資產進行會計核算的過程。透過確定業務場景、確定數據的權屬和收益，確定成本等方法，送出數據資產入表各階段的入賬依據，然後會計處理，以滿足財務要求。成本歸集及相應的會計處理，是一個重點，也是一個難點。
（1）成本歸集
成本歸集是指將與數據資源相關的所有成本進行辨識、計量和匯總的過程。這些成本包括但不限於數據采集、儲存、處理、分析、維護等各個環節的成本。
（2）會計處理
會計處理是指將歸集的數據資源成本按照會計準則進行記錄和報告的過程。根據【暫行規定】，企業需要在財務報表中反映數據資源的成本和價值。
（3）成本歸集和會計處理的難點
盡管成本歸集與會計處理在數據資產入表過程中至關重要，在操作中，企業往往面臨一系列難點和挑戰。
成本辨識與計量的復雜性：
數據資源的成本構成多樣且復雜，包括直接成本和間接成本，以及可能存在的隱性成本。如何準確辨識並計量這些成本，特別是那些與數據治理、數據產品開發緊密相關但難以直接量化的成本，如人力成本中的時間投入、技術成本中的研發支出等，是一個巨大的挑戰。
數據資產權屬與收益的確定：
數據作為一種新興的無形資產，其非排他性、可復制性和敏感性等特征，使得傳統的確權方式難以直接套用，且目前尚未有明確的針對數據權屬的法律，數據資產的權屬和收益往往難以明確界定，這直接影響了成本歸集的準確性和會計處理的合理性。在多方參與的數據共享或合作專案中，如何合理分配成本並確定各方權益，是一個需要謹慎處理的問題。
攤銷方法的選擇：
數據資產的「使用壽命」不如物理資產明確，企業可能需要根據數據的實際使用情況來決定攤銷期限，這在會計處理中可能導致不確定性。數據資產的價值可能隨時間快速變化，傳統攤銷方法可能無法準確反映其價值變動。
成本分配的準確性：
在多個數據產品或專案共同使用數據資源的情況下，如何準確地將成本分配到各個產品或專案中，是一個技術性和主觀性都很強的問題。成本分配方法的選擇和運用需要考慮到各種因素，如數據量、使用頻率、專案重要性等，這增加了成本分配的復雜性和不確定性。
企業需要加強成本管理意識，提升成本歸集與會計處理的專業能力，並建立健全的內部控制體系，以確保成本資訊的準確性和完整性，為企業的財務決策和戰略規劃提供有力支持。在實踐中，可以采用時間日誌記錄法，合並工時費率記錄等確定專案成員的陳本；對於難以量化的成本，各方需要在約定攤分原則的前提下，進行合理的分攤。同時，企業還需要密切關註會計準則和法規的變化，及時調整和最佳化其成本歸集與會計處理流程。
2.2.5數據資產估值與定價
數據資產屬於資產的一種。2023年9月，財政部、中國數據資產評估協會釋出了【數據資產評估指導意見】，對數據資產的評估物件、操作要求、評估方法和披露要求進行了詳細的規定，並且強調數據資產評估要重視質素因素。其中第19條明確指出，數據資產的評估方法包括成本法、收益法和市場法及其衍生方法。
對於以上三種方法而言，考慮到數據自身特性，均需對測算結果進行一定程度最佳化調整，影響因素主要包括數據質素、數據安全、數據套用等。透過構建數據質素和數據安全計分規則，以及數據套用的場景範圍、使用者數量、使用效果等統計指標，充分考慮數據在不同使用場景和群體中所存在的需求差異，提升數據價值評估的準確性。
2.3 數據資產營運階段
2.3.1 數據交易
數據交易，是指數據提供方與數據需求方之間，透過特定的交易平台或機制，就數據的使用權、存取權或處理權等進行交換的行為。這種交換可能涉及金錢、服務、技術或其他形式的對價。數據交易的核心在於實作數據價值的流通與轉化，促進數據的合理利用與共享。
隨著數據成為新的生產要素，數據交易規模也在不斷增長。據【2024年中國數據交易市場研究分析報告】，2023年全球數據交易規模約1261億美元，至2030年預計有望達到3708億美元；2023年中國數據交易市場規模約為1537億元，預計到2025年將增長至約2841億元，2021年至2025年年均復合增長率達46.5%，到2030年有望達到7159億元，
目前，中國的數據交易形式主要分為場內交易和場外交易。場內交易透過數據交易所或交易中心進行，具有集中、規範的特點，便於監管和追溯，對數據交易的主體、數據產品和數據交易等環節都有合規要求。而場外交易則是由企業或個人之間自主產生的，更加靈活自由，交易雙方不留痕，但極易產生不合規交易及數據泄露等情況，且監管難度相對較大。
根據中國信通院【數據價值化與數據要素市場發展報告（2023年）】，目前中國數據流通交易仍以場外交易為主，場內數據交易只占數據交易市場總規模的4%，其余均為場外零散的「點對點」交易。
基於場內數據交易集中、透明、電子化、標準化、易於監管等特征，未來上述比例失衡的情形有望得到改善。在國家層面，2024年1月，國家數據局等17個部門聯合印發的【「數據要素×」三年行動計劃（2024~2026年）】中，將「場內交易與場外交易協調發展，數據交易規模倍增」作為目標，表明國家重視數據交易市場的協同發展。
各地數據交易所也紛紛出台政策與發放補貼，鼓勵數據場內交易。2023年8月21日，上海數據交易所釋出「數據要素市場繁榮計劃」，擬設立1億元人民幣的專項激勵資金，以繁榮數商生態、活躍場內交易，該計劃涵蓋首次登記掛牌補貼、數據產品交易示範補貼、優質數商培育補貼三大方面的激勵舉措；鄭州數據交易所在2023、2024連續兩年出台「數據經紀人激勵計劃」，對數據經紀人在撮合供需雙方完成場內全流程交易後，按照交易總額的1%予以激勵，對於備案場外數據交易合約，也按照交易額所在區間實行階梯激勵；2024年4月18日，北京市經濟和資訊化局與北京市財政局釋出【組織開展2024年北京市高精尖產業發展資金申請工作（第二批）】，其中明確了對在北京國際大數據交易所進行數據資產登記和交易的企業給予獎勵補貼，鼓勵數據資源入表活動，補貼金額最高可達50萬元。
在總體形勢利好以及各種政策激勵下，場內交易在近年來也獲得了顯著增長：2023年，廣東省場內數據交易額近80億元，其中，深圳數據交易所年交易額超50億元，北京、貴陽場內交易金額均已突破20億元；2024年，深圳數據交易所數據交易規模已突破140億元，上海數據交易所交易規模也有望突破40億元。
2.3.2 數據資本化
數據資產化主要是解決了數據資源產品化和形成市場流通的問題。在這之後，就可以開展相應的「數據資本化」工作，比如投融資等。數據資本化關乎數據價值的全面升級，是實作數據要素市場化配置的關鍵所在。數據資本化可以有多種實施路徑，包括數據資產質押融資、數據股權化、數據證券化等。
（1）數據資產質押融資
數據資產質押融資通常是指企業或個人將數據作為質押物，透過銀行或金融機構的評估和審批，將數據的未來收益、市場價值等作為擔保，借貸資金的一種融資方式。它類似於傳統的抵押貸款，不過質押的物件是數據而非不動產或其他實物資產。
隨著2024年數據資產入表的開展，一批數據資產質押融資的案例先後出現。2024年7月，全國首例國有企業數據資產公證確權質押融資在江西共青城落地。共青城市金服集團透過公證機構全程監督，完成了全鏈路合規公證模式下數據資源登記、確權到數據資產評估、計價、入表和融資的市場閉環，獲得上饒銀行質押融資6600萬元。
（2）數據資產信用融資
利用企業的數據（如營運數據、財務數據等）進行信用評估或增信，為企業提供貸款支持。這類融資不依賴數據本身作為質押物，而是透過對企業數據的深度分析，依靠數據來評估企業的信用狀況，為企業提供融資。
數據資產信用融資這種模式適用於缺乏傳統資產的小微企業、科技企業、創新型企業等，它充分發揮了數據作為核心生產要素的優勢。
國內多家數據交易所已經推出了基於數據資產信用融資的產品，如上海數據交易所的「數易貸」產品、溫州大數據營運有限公司的「信貸數據寶」以及蘇州大數據交易所的「數商貸」產品。
以「數易貸」為例，它可以透過分析企業的大數據（包括但不限於企業的財務狀況、交易數據、客戶信用數據等），為企業提供信貸服務。該平台運用大數據技術進行風險評估，企業無需傳統的抵押物或擔保，只需透過其業務數據來證明自己的信用，貸款額度依據企業的信用和業務規模來決定。平台減少了傳統貸款過程中的人工稽核和流程環節，提高了貸款審批的速度和準確性。
「數易貸」產品推出以來，已經在多個行業有過落地案例。2024年初，上海數交所與建行上海市分行攜手合作，成功發放了首筆基於「數易貸」產品的數據資產質押貸款，這一創新舉措為數據資產融資開辟了新路徑。該貸款的受益者為上海寰動機器人有限公司（速騰數據）的子公司上海四蔔格網絡科技有限公司。由於成立時間較短且缺乏物資性資產，上海四蔔格網絡科技有限公司一直面臨著融資渠道有限的問題。幸運的是，該公司在上海數交所先前已完成「數據中心運維大數據」系列數據產品的掛牌，並實作了場內交易，這為其後續的數據資產質押融資奠定了堅實基礎。
2024年6月，上海數據交易所與上海銀行再次創新合作，推動了首單化工行業「數易貸」的成功落地。此次融資的是上海芯化和雲數據科技有限公司，該公司透過將其數據資產作為質押，成功獲得了150萬元的信貸支持。這一案例不僅為化工行業的數據資產「變現」提供了實踐樣本，也進一步驗證了「數易貸」產品在拓寬企業融資渠道方面的有效性和可行性。
（3）數據股權化
數據股權化是指數據持有人將其合法擁有且產權歸屬清晰的、依法可以轉讓的數據資產「作資入股」，轉化為股權，並按照股權平等的原則和貢獻程度參與分配。
在法律上，作為一種新的資產形態，數據資產出資適用新【公司法】關於非貨幣財產類別出資的規定。2022年11月，北京市人大常委會出台了【北京市數碼經濟促進條例】，其中第21條提出「支持開展數據入股、數據信貸、數據信托和數據資產證券化等數碼經濟業態創新」；2024年1月，國資委釋出【關於最佳化中央企業資產評估管理有關事項的通知】，確認數據資產可以作價出資入股。
2023年8月，中國出現了數據資產作價入股的創新案例。青島華通智能科技研究院有限公司、青島北岸數碼科技集團有限公司與翼方健數(山東)資訊科技有限公司三方，共同簽署了數據資產作價投資入股協定。在此之前，相關數據產品已經由第三方專業機構進行了評估，並出具了詳細的估值報告，這份報告為數據資產作價入股並設立合資公司提供了確鑿的入股憑證。此舉不僅成功實作了數據要素與技術和資本的深度融合，更為數據資產的價值釋放和市場化配置探索出了全新的模式和路徑。
（4）數據證券化
任何一種能夠在未來產生穩定現金流的產品都可以進行證券化。在數據資產營運中，可以將數據資產未來現金流作為償付來源發行證券化產品，也就是將數據資產的未來收益即期變現，這能夠最大限度激發數據擁有方參與數據流通交易的積極性。
國內在數據證券化領域也有案例。2023年7月5日，杭州高新金投控股集團有限公司成功簿記了全國首單包含數據知識產權的資產支持票據（ABN），發行金額1.02億元人民幣，票面利率2.80%，期限358天。該專案由杭州高新區（濱江）市場監督管理局（知識產權局）等單位牽頭，並得到了多家機構的支持與參與。
作為質押物，該專案集合了四維生態、紫光通訊、數雲等12家企業的145件知識產權，包括26件發明專利、54件實用新型專利、63件軟件著作權以及2件數據知識產權，總評估價值為1.43億元人民幣。透過這一創新模式，這些企業獲得了1.02億元人民幣的資金支持，開辟了基於無形資產進行證券化融資的新途徑。
（5）其他數據資本化嘗試
數碼資產保險：2023年4月21日，國內首單數碼資產保險在西安釋出。該保險專案由數碼資產保險創新中心牽頭，由中國人民財產保險股份有限公司西安市分公司進行承保，共為10家企業的數碼資產提供了總額1000萬元的保障。
數據信托產品：2023年4月，全國首個個人數據信托案例在貴陽大數據交易場所初步成型。個人可以將自己的簡歷數據透過數據信托的方式托管給貴陽大數據交易所，再由貴陽大數據交易所委托給數據中介好活（貴州）網絡科技有限公司進行營運。後者則透過協助個人實作數據治理、脫敏加密、產品封裝、銷售等工作，從數據銷售中獲取中介費用。
三、數據資產入表開啟企業價值重構
隨著數碼經濟的蓬勃發展，數據要素市場正迅速成為經濟增長的新引擎。根據中國資訊通訊研究院的報告，2023年，中國數據經濟貢獻度為2.05%，比2022年增長0.99個百分點。這一增長趨勢不僅反映了數據在現代經濟中的核心地位，也預示著未來幾年內數據要素市場的投資價值將持續上升。
【暫行規定】2024年年初正式施行以來，全國各類企業積極響應，逐步推動數據資產入表工作。數據資源合規入表是企業憑借數據資產參與社會經濟分配的基礎和依據。入表後，數據資源變為資產，數據資產是所有者權益的體現，將擴大企業的資產總額。數據資產入表標誌著中國數據要素資產化邁出了實質性一步，將極大推動數據資產化行程。
3.1上市公司數據資產入表概覽
根據第一財經統計，共計54家A股上市企業在三季報中披露了企業數據資產入表情況，數據資產入表金額為10.94億元，入表金額占總資產的比值為0.01857%。
總體來看，回顧2024年前三季度A股上市企業數據資產入表情況，主要呈現出以下幾個特點。
（1）入表主體數量增加，入表數據資產規模下降
從入表主體數量上，2024年前三季度數量持續增長，從一季報的18家增長至三季報的54家；數據資產入表總金額從一季報的1.03億元大幅增長至中報的13.64億元，但三季報在整體披露家數增加的情況下，數據資產入表總金額下降至10.94億元。
比對中報和三季報披露的資訊，41家中報披露數據資產入表的企業中，有6家在三季報中未能繼續披露數據資產相關情況，包括海科新源（301292.SZ）、華菱精工（603356.SH）等。財報顯示，海科新源、華菱精工、如意集團（002193.SZ）中報數據資產入表規模超1億元，其中海科新源最高，中報計入無形資產和存貨的數據資產分別為1.63億元、2.49億元，合計超4億元，占總資產比例達到8.66%。
據悉，數據資源作為新興資產類別，由於對【暫行規定】的理解不充分和合規性稽核不嚴，一些公司出現在釋出數據資產入表相關資訊後又撤回修改的情況，關於數據資產入表的會計處理規則還需要進一步明確和詳細化，以幫助企業正確辨識、計量和報告這部份資產。
另外19家三季報數據資產新入表的企業，除了南京熊貓（600775.SH）入表金額超過2億元，其余企業數據資產入表規模較小，作為數據資源型企業的合合資訊（688615.SH）數據資產入表金額也僅為3316.87萬元，占總資產規模比值不足1%。
整體披露家數的增加表明越來越多的上市企業認識到了數據資產的重要性，並積極響應相關法規要求進行數據資產入表實踐，但由於不同企業在數據資產管理成熟度上的差異，部份企業存在對數據資產的評估和確認不夠充分或存在困難，導致其數據資產未能及時或完全入表。
部份企業在接受第一財經采訪時也表示，由於數據資產入表需要滿足數據安全和監管要求，企業內部對數據資產入表相對謹慎，隨著數據資產入表機制的不斷完善和市場的進一步發展，未來有望增加入表的數據資源規模。
（2）三大營運商成數據資產入表「主力軍」
從數據資產入表的規模看，三大營運商成入表主力軍。2024年中報，三大營運商的數據資產入表總額超2.6億元，占披露企業總規模的18.5%；2024年三季報，三大營運商的數據資產入表總額進一步增長至4.51億元，同比大增73.46%，占披露企業總規模的41.2%。其中，中國聯通（600050.SH）入表金額最高，達2.04億元；中國電信（601728.SH）入表金額為1.51億元；中國移動（600941.SH）入表金額為0.96億元。
三大通訊營運商數據體量龐大、一致性好、活躍度高，是數據交易的優質資源。通訊營運商數據資產入表，釋放了行業對數據管理和套用能力提升的訊號，展現了對數據資產化潛力的積極探索，具備引領示範效應。
從數據資產入表的企業行業分布來看，三季報54家數據資產入表的企業中，電腦行業占比最高，包括同方股份（600100.SH）、航天宏圖（688066.SH）、合合資訊、每日互動（300766.SZ）在內總計15家企業，占27.8%，其次為交通運輸行業和傳媒行業，分別為8家和6家。
電腦行業在數據資產入表實踐中處於領先地位。電腦行業本身就是數據密集型行業，在日常營運中生成和處理大量的數據，對數據分析及套用的依賴性強，擁有較強的技術實力和研發能力，能夠更有效地進行數據的采集、儲存、處理和分析，這使得電腦企業能夠更加精準地辨識和利用數據資產，發揮數據應有的價值，進而有效推動數據資產的系統化管理和入表，也確保了企業在數碼經濟時代保持持續的有利競爭。
與此同時，交通運輸、傳媒等傳統行業開始認識到數據資產的價值，並積極投身於數據資源的「入表」工作，例如中文線上（300364.SZ）、山東高速（600350.SH）數據資產入表金額也大幅增長，同比增長1808%、737%。
在交通運輸行業，數據要素的套用可以提升多式聯運效能，推動貨運數據、運單數據、結算數據等的共享互認，實作物流降本增效；在傳媒行業，數據要素可以提供使用者行為分析、市場趨勢預測等，幫助傳媒企業更好地理解受眾需求，最佳化內容創作和分發策略。傳統行業在數據資產入表的過程中可能會面臨技術、人才、安全等方面的挑戰，但同時也看到了數據資產化帶來的機遇，如提升企業競爭力、創新商業模式等。
從數據資產入表企業的市值分布來看，一季報大多為市值不超過500億的中小企業，中報及三季報，越來越多市值超500億的大型企業參與到數據資產入表的實踐中。
在三季報披露數據資產入表的企業中，除了三大營運商，還有海通證券（600837.SH）、山東黃金（600547.SH）兩家超千億市值的企業披露數據資產入表情況。數據資產管理一方面能夠為這些大型企業提升內部管理效率，透過技術創新和數碼化轉型提升自身的競爭力和效率，同時作為行業龍頭企業，這些企業有條件為數據資源提供豐富的套用場景，有助於數據要素價值釋放。
市值不超過100億元的數據資產入表的小市值企業大多屬於數碼經濟和數據要素相關概念企業，與大市值企業不同，這類企業更依賴數據資產的直接商業化，例如提供數據服務和解決方案，數據資產入表能更好地反應其數據技術優勢，對提升其資產價值和市場競爭力具有重要意義。
（3）無形資產和開發支出為主要入表列示專案
從數據資產入表的列示專案分布看，大部份上市公司將數據資源計入無形資產或開發支出，存貨比例較小。2024年三季報，計入無形資產及開發支出的入表總規模約為8.78億元，占入表總規模的80.26%；計入存貨的僅南京熊貓、ST觀典（688287.SH）、海天瑞聲（688787.SH）、廣州港（601228.SH）4家，其中南京熊貓計入存貨的數據資產金額為2.01億元，其余三家均不足1000萬元。
存貨通常指的是企業在正常經營活動中用於銷售或在生產過程中消耗的物資和商品，例如數據產品，如客製封包、即時數據分析服務等，否則一般不會被分類為存貨。而大部份企業將數據資源計入無形資產或開發支出，更多的是希望透過對數據的積極管理和深度挖掘，能更好地利用數據資產帶來的有利競爭，而非將其視為免洗的銷售利潤來源。
數據資產入表會對公司的資產規模、成本、稅收以及凈利潤帶來一定的影響，並進一步影響到資產負債率、利潤率以及凈資產收益率等一些指標。數據資源計入不同列示專案的會計處理方式、資產性質以及攤銷方式不同，投資人除了關註上市企業數據資產入表情況，也需要關註數據資產後續計量帶來的財務數據變動。
（4）對數據資產後續計量進行披露的公司占比較小
根據相關規定，將數據資源作為資產納入報表，需要對數據資源進行可靠的後續計量並披露相關資訊。
·確認為無形資產的數據資源，應當分別按外購數據資源、自行開發數據資源和其它方式取得數據資源三種情況對其賬面原值增減變化、累計攤銷增減變化、減值準備增減變化和賬面價值等分別進行披露。此外還需披露數據資源使用壽命的確定、攤銷期限、攤銷方法以及處置等資訊。
·確認為存貨的數據資源，應當分別按外購數據資源、自行加工數據資源和其它方式取得數據資源三種情況對其賬面原值增減變化、存貨跌價準備增減變化和賬面價值等分別進行披露。同時還需披露發出數據資源存貨成本方法、跌價準備的計提和轉回以及受限情況等資訊。
具體而言，數據資產入表後，數據資產被計入無形資產或存貨，企業的總資產規模會增加，原本作為費用的數據資源相關支出可以資本化，這會減少當期的費用支出，從而提高當期利潤。同時，數據資源形成無形資產後，需要在一定期限內進行攤銷，這會導致企業在後期的成本或費用逐漸增加，利潤可能會呈現先高後低的態勢。
透過梳理已經披露數據資產入表的企業，僅10家對數據資產後續計量做出明確披露，且攤銷方法和年限存在較大差異。可見數據資產的後續計量問題成為阻礙更多企業進行數據資產入表的一大難題。其中，數據資產的使用壽命如何確定是一大問題。對此專家和有關部門給出的建議是，根據數據資產所依附的不同套用場景，結合自身企業有關無形資產攤銷規定，選擇合理的攤銷方法，確定合理的使用壽命。
（5）目前數據資產占總資產比例較小，對公司財務狀況影響較小
數據資產占總資產的比重是衡量數據資產相對於企業整體資產規模的重要性的指標。這一比重的高低反映了數據資產在企業資產總體中的地位和作用。
三季報中披露數據資產入表情況的54家A股上市企業，數據資產入表金額合計為10.94億元，入表金額占總資產的比值為0.01857%。其中僅4家數據資產入表金額占總資產的比值超過1%，分別為南京熊貓、ST觀典、卓創資訊（301299.SZ）、每日互動。近7成企業數據資產入表金額占總資產比重不足0.01%。
數據資產入表的規模相對較小，但其對財務報表的改善功能已初步顯現。特別是在中小市值企業中，數據資產入表對其資產負債率和利潤率的改善有一定效果。然而，對於中大市值上市公司而言，入表後的財務結構並未出現明顯最佳化。這表明，盡管數據資產的價值逐漸被認可，但其在企業總資產中的占比仍然有限，尚未對企業的整體財務狀況產生重大影響。
3.2 數據資產入表重構企業價值
在數碼化浪潮的推動下，數據資產已成為企業競爭的新高地，數據資產的重要性日益凸顯，盡管其目前在企業總資產中所占比例仍然較小，對企業財務數據的影響尚未完全顯現，但數據資產入表對企業估值的潛在影響及其在未來可能帶來的變革不容忽視。
數據資產入表對企業價值的重構主要體現在以下幾個方面：
（1）資產規模增加：數據資產的入表直接增加了企業的總資產規模，這在一定程度上將提高企業的市場估值。然而，由於數據資產占總資產比例較小，這一影響目前還未完全顯現。
（2）盈利能力改善：數據資產的資本化處理減少了當期費用，從而提高了企業的利潤水平。這種改善在財務報表上表現為利潤率的提高。
（3）價值重新挖掘：數據資源入表加上披露等其他方式的資訊溝通，可以讓市場意識到企業擁有數據資源以及相應的預期經濟利益，對企業的市場價值會帶來積極影響。
（4）資本化潛力：數據資產入表為企業提供了數據資本化的潛力，如數據資產貨幣化、證券化等，賦予數據資產以金融內容。這將為企業提供新的融資渠道和投資機會，從而提升企業的估值潛力。
四、結語
邁入數碼經濟新時代，資本市場的規則、秩序、價值投資方法已然揭開了挑戰創新的一頁。投資人、經濟學家們正積極探索數碼經濟時代的價值投資體系和估值方法。總體而言，隨著近年經濟形態不斷變化，工業經濟時代價值投資估值體系已經無法對數碼經濟時代的上市公司做評價，用數碼化價值投資體系進行分析將是大勢所趨。
本報告特約專家
李響 環球律師事務所合夥人
趙華新 國際數據管理協會大中華區研究員
胡玥 上海國家會計學院教師
參考文獻
【2023-2024中國數據資產發展研究報告】，中國電子資訊工業發展研究院、賽迪(青島)區塊鏈研究院
【中國上市公司數據資產入表實踐藍皮書】，濟南市大數據協會
【數據資源入表，資產金礦+估值藍海】，德邦證券
研究支持單位
環球律師事務所、國際數據管理協會大中華區、融量數據科技（上海）有限公司、中創數經資訊服務(上海)有限公司
數據說明
數據｜案例｜觀點來源
如無特殊說明，報告中數據和內容均來自第一財經的調研、采訪及公開資料。
版權聲明
本報告頁面內容、頁面設計的所有內容（包括但不限於文字、圖片、圖表、標誌、標識、商標、商號等）版權均歸上海第一財經傳媒有限公司（以下簡稱「我司」）所有。凡未經我司書面授權，任何單位或個人不得復制、轉載、重制、修改、展示；不得以任何形式提供給第三方使用本報告的部份或全部內容。任何單位或個人違反前述規定的，均屬於侵犯我司知識產權的行為，我司將追究其法律責任，並根據實際情況追究侵權者賠償責任。
免責聲明
本報告中所載的內容、資料及相關數據來源，均被視為最初釋出當日作者的判斷，並不保證本報告中的內容及觀點在將來不會發生任何變更。我們力求但不保證本報告所涉及資訊的準確性和完整性。報告中所表述的觀點、資訊，在任何情況下、對任何人不構成投資建議。在任何情況下，任何人因使用本報告中的內容所引致的後果應自行承擔責任。
(本文來自第一財經)
