目录
一、数据资产化的定义
1.1 数据资源与数据资产的差别
1.2 数据资产化的意义
1.3 数据资产增值模型
二、企业数据资产化的实现路径
2.1数据资源化阶段
2.2数据资产化阶段
2.3数据资产运营阶段
三、数据资产入表开启企业价值重构
3.1上市公司数据资产入表概览
3.2数据资产入表重构企业价值
四、结语
正文
随着数字化转型的深入发展，数据已成为企业乃至国家竞争的新焦点。数据资产化作为数字经济的关键组成部分，对促进数据价值流通、推动数字经济高质量发展具有重要意义。
本报告将在阐述数据资产化的定义、意义的基础上，探讨数据资产化的实践路径以及对企业价值重估的作用。
一、数据资产化的定义
1.1 数据资源与数据资产的差别
在数字化时代，数据资源的市场化路径涉及将原始数据逐步转变为数据资产的过程。这个过程包括数据资源化、数据产品化、数据资产化和数据资本化四个阶段。数据资源与数据资产是两个经常被提及的概念，它们之间存在着明显的差异。
数据资源指的是企业或组织在运营过程中产生的原始数据，这些数据通常是未经加工和分析的。数据资源化的目标是提升数据质量，将这些杂乱无序的原始数据转换为有一定价值的数据资源。这一过程涉及到数据的清洗、整合和标准化，使得数据可以被进一步分析和利用。
数据资产则是指经过深入分析、加工和治理后，具有明确使用场景和价值的数据。数据资产化的目标是通过数据分析、数据编排、数据治理等环节，将数据资源转化为有明确使用场景、价值更高的数据资产。这一过程不仅包括技术层面的加工，还包括对数据的商业价值的挖掘和实现。
数据资源更侧重于原始的数据和信息的集合，而数据资产则是从这些数据中经过加工、管理和价值实现后，能够为企业带来经济利益的资产。数据资源的市场化路径是一个逐步增值的过程，从数据资源化到数据产品化，再到数据资产化，最终实现数据资本化。数据交易则是这一路径中实现数据资产价值转换和流通的关键环节。通过这些过程，数据资源被转化为能够为企业和社会带来明确经济价值的数据资产。
1.2 数据资产化的意义
数据资产化是数字经济的重要组成部分。在数字经济中，数据被视为一种重要的生产要素，其价值的实现和流通对经济的发展具有重要意义。数据资产化通过提高数据的价值和流动性，促进数字经济的发展，从宏观到微观，都对经济发展和社会进步具有深远影响。
1.2.1 宏观角度：促进数据价值流通，推动数字经济高质量发展
数据资产化是数据资本化的前提条件。在宏观层面，数据资产化有助于构建一个更加开放和互联的数据市场，促进数据资源的合理配置和有效利用。通过数据资产化，可以提高数据的流动性，降低交易成本，从而推动数字经济的快速发展。
通过数据资产化，可以提高数据的利用效率和价值，从而推动经济的创新和转型。此外，数据资产化还可以促进数字经济的可持续发展，通过优化资源配置和提高生产效率，实现经济的绿色发展。
1.2.2 微观角度：重估企业价值
在微观层面，数据资产化对企业价值的重估具有重要意义。数据资源型企业和数据驱动型企业的数据资产价值将得以显现和重估。这些企业通过数据资产化，可以更好地挖掘数据的商业价值，提高企业的竞争力和市场地位。
数据资产化使得企业的数据资产更加透明和可量化。通过数据治理和标准化，企业可以更准确地评估其数据资产的价值，从而提高企业的整体价值。这种价值的提升不仅体现在财务报表上，也体现在企业的市场竞争力和品牌影响力上。
数据资产化可以提高企业的运营效率。通过数据分析和优化，企业可以更有效地管理其业务流程，降低成本，提高效率。此外，数据资产化还可以促进企业的创新。企业可以通过对数据的深入分析，发现新的商业模式和市场机会，从而实现业务的创新和转型。
数据资产化可以激发企业加大研发投入。在数据驱动的商业模式下，企业需要不断地对数据进行分析和挖掘，以发现新的商业价值。这就需要企业投入更多的资源进行数据的研发和创新。数据资产化使得企业更加重视数据的价值，从而愿意投入更多的资源进行数据的研发。
数据资产化还推动企业加大数据购买需求。企业在加大对数据研发和创新的同时，也需要购买更多的数据以支持其业务发展。这种投入和购买需求的增加，将进一步推动数据资产化进程，形成良性循环。
1.3 数据资产增值模型
数据的价值到底是如何实现的？这个问题看似简单，却困扰了许多企业和组织。数据是有价值的，其价值在数据的使用中得以实现。简单来讲，数据的价值有两种实现方法：一是通过为业务赋能，相对应的是DIKW金字塔，比如利用数据来降本增效、精准营销等，这是传统的方法，数据的价值是通过赋能业务间接实现的；二是通过数据资源入表和数据交易，相对应的是DRAC金字塔，数据通过数据资源、资产和资本化来实现其价值。
（1）DIKW模型
DIKW模型，即数据-信息-知识-智慧模型，在DIKW金字塔体系中，每一层都建立在前一层之上，并赋予更高的价值和意义。位于金字塔底部的是原始数据，这些未经加工的事实或数字是构建一切的基础。当数据被处理并赋予上下文之后，便形成了信息——比如各类报告、统计图表等。进一步地，通过对信息的理解与分析，人们能够从中提炼出知识，这是对特定主题深刻认识的结果。而金字塔的顶端则是智慧，它代表了运用知识解决问题的能力，包括通过人工智能实现的高度智能化应用。
DIKW模型中，数据还是专注于组织内部价值的实现，因此数据的价值是一种间接的价值，即价值不可以直接被货币化度量，必须要通过对业务结果的促进来实现。
尽管全球各国均认识到数据的重要性，但在利用方式上存在差异。以美国为例，其对数据的利用是遵循了DIKW这个金字塔，最终是数据和AI结合。简单讲，美国重视数据是为了All In AI。
（2）DRAC模型
和DIKW的AI导向不一样，DRAC模型是为了数据资源入表和数据交易，以及最后的数据资本化运作。这个体现了数据的直接价值，也是我国目前重点发展的方向。
与DIKW类似，DRAC模型也分为四层。最下层是作为原始材料的数据（Data），指的是企业原始的、未加工的数据集合，是客观事实或事件的记录；再往上是资源（Resource），是指经过整理和加工的数据资源；第三层是资产（Asset），到这一层，数据资源通过入表或者交易等成了企业的数据资产；最上层是资本（Capital），指的是数据资本的运营。
Data Monetization（数据货币化）这一概念的首次提出是2013年的9月，DAMA国际的现任主席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「数据货币化」的概念。
2019年，基于DAMA的业务车轮图，DAMA大中华区主席汪广盛和Peter等首次提到了DRAC，并依照DIKW，画出了DRAC三角金字塔图。DRAC模型和我国的数据要素理论有内在的一致性，且比较符合实际的工作和发展进程。
汪广盛表示，DIKW模型提供了理解数据价值层次的基础框架，而DRAC模型则在此基础上进一步细化了数据资产的管理和增值路径。在实际应用中，企业可以结合自身情况和发展阶段，以DRAC模型为指导，灵活构建全面的数据资产管理框架，以更高效地挖掘和利用数据的潜在价值。
二、企业数据资产化的实现路径
数据资产化的实现，可以划分为三个主要阶段：数据资源化阶段、数据资产化阶段和数据资产运营阶段。在数据资源化阶段，企业通过数据获取、清洗、预处理和标准化等步骤，将原始数据转化为高质量的数据资源。在数据资产化阶段，企业通过数据治理体系构建、数据产品开发与创新、成本归集与会计处理、定价与估值等步骤，将数据资源转化为具有明确使用场景和经济价值的数据资产。在数据资产运营阶段，企业通过数据交易机制与平台、数据资本化路径与策略等方式管理和运营这些数据资产，实现其经济价值。
2.1 数据资源化阶段
2.1.1数据获取
数据获取是数据资源化阶段的第一步，涉及从企业内部系统和外部来源收集有价值的数据。正确和全面的数据获取是确保数据质量和后续分析有效性的关键。
（1）内部数据获取
业务系统数据：典型的企业管理系统包括ERP、CRM、SCM等，这些系统中产生的交易数据、客户数据、供应链数据是企业运营的核心，反映了企业的实际业务情况和市场动态。
日志数据：如服务器日志、应用日志、用户行为日志等，记录了系统运行状态、用户交互行为等详细信息，对于分析用户习惯、优化产品功能具有重要价值。
内部文档与知识：包括企业内部的报告、会议记录、培训资料、专利文献等，这些是非结构化数据的重要来源，蕴含了企业的知识资产和经验积累。
（2）外部数据获取
市场与行业数据：通过购买第三方研究报告、参加行业会议、订阅行业资讯等方式获取的市场趋势、竞争对手分析、消费者行为等数据，有助于企业把握市场动态，制定竞争策略。
公开数据源：如政府公开数据、社交媒体数据、公开的网络爬虫数据等，这些数据虽然可能较为零散，但经过整合和分析后，往往能为企业提供新的洞察和机会。
合作伙伴数据：通过与业务合作伙伴的数据共享或交换，获取互补的数据资源，如供应链上下游的数据、客户共享数据等，有助于提升供应链的协同效率和客户满意度。
在获取了内外部数据之后，企业还需要进行数据整合的工作，将来自不同来源、不同格式的数据进行转换、合并和标准化，以形成统一、高质量的数据集。这一步骤对于消除数据冗余、解决数据冲突、提升数据质量至关重要。通过数据整合，企业可以构建一个全面、准确的数据基础，为后续的数据治理、产品开发和运营提供有力支持。
2.1.2数据清洗、预处理及标准化
数据清洗、预处理及标准化是确保数据质量、提升数据分析效果的关键环节，它直接决定了后续数据治理、产品开发以及运营工作的效率和准确性。
（1）数据清洗：数据清洗的目的是去除数据中的错误、异常、重复或无关的信息，以确保数据的准确性和一致性。清洗过程包括但不限于缺失值处理、异常值检测与处理、重复值处理等。
（2）数据预处理：数据预处理是对原始数据进行一系列转换和加工，以使其更适合后续的分析和建模。包括数据类型转换、数据归一化/标准化、基于业务理解和数据分析的特征工程。
（3）数据标准化：数据标准化是确保数据在不同系统、不同部门之间具有一致性和可比性的重要手段。它涉及数据格式统一、数据命名规范、数据字典建立等。
通过这一阶段，企业可以获得干净、整齐、高质量的数据集，为后续的数据治理、产品开发、运营以及高级分析工作奠定坚实的基础。同时，这一过程也有助于减少数据错误和偏差，提高数据分析的准确性和可靠性，从而为企业决策提供更加有力的支持。
2.2 数据资产化阶段
在完成数据资源化的初步积累后，企业已初步掌握有一定质量水平的标准化的数据资源。在此基础上，数据资产化成为新的战略焦点，旨在将这些数据资源转化为具有明确应用场景和显著经济价值的数据资产。此过程不仅涵盖技术层面的数据治理与产品创新，还深入触及财务与合规管理的核心。
随着【企业数据资源相关会计处理暂行规定】（财会〔2023〕11号）（下文简称【暂行规定】）发布并于2024年1月1日起全面实施，我国企业数据资源的会计处理和信息披露迈入了崭新阶段。这一里程碑式的规定不仅为企业数据资源「入表」成为真正意义上的资产铺设了清晰路径，更标志着我国数据资产化进程实现了从零到一的重大突破。
为了全面剖析数据资产化的实践路径，本节将围绕数据治理体系构建、数据产品开发与迭代、数据合规与安全保障、成本精准归集与会计处理，以及数据资产的科学定价与估值等关键环节展开详细探讨。【暂行规定】的出台，无疑为这些环节提供了更为明确的财务处理指南，不仅提升了数据资产的会计透明度与可信度，更为企业探索数据资产的多元应用与商业模式创新提供了新的想象空间。
2.2.1数据治理体系构建
数据治理体系构建是确保数据资产化成功的关键环节，它包括顶层设计部分和具体的数据管理任务两个大的方面，每一部分又可以细分为不同的活动。
首先，需要设定清晰的数据治理目标，这为数据资产化指明了方向。这些目标不仅要与企业的大战略紧密相连，还要具体、可衡量，比如提升数据质量、加强数据安全、优化数据流程等。这样，才能有的放矢，确保每一步都朝着正确的方向迈进。
接下来，组织架构与职责划分就显得尤为重要。企业要成立一个数据治理的「智囊团」，也就是数据治理委员会，让他们来把控大局，做出明智的决策。同时，还要明确各个部门在数据治理中的「角色定位」，确保大家都能各司其职，协同作战。
政策与制度建设也是不可或缺的一环。企业要制定出一套完善的数据治理「游戏规则」，包括数据管理的原则、规范、流程等，让大家都有章可循，有据可依，为数据资产的高效运营奠定基础。
数据治理体系也需要持续改进与优化。企业要建立一种持续改进的机制，让数据治理体系能够与时俱进，始终保持最佳状态，为企业的数据资产化之路提供持续的动力和保障。
数据治理体系在数据资产化过程中发挥着至关重要的作用。它不仅是数据资产化的基础支撑，更是推动数据资产化进程的核心引擎。只有认真构建和维护数据治理体系，才能确保数据资产化之路走得更加稳健、更加长远。
2.2.2数据产品开发与创新
数据资产的价值与应用场景息息相关，数据在不同的应用场景中可以发挥完全不同的价值。因此，有必要针对不同的使用场景对数据资源进行针对性的开发，而数据产品就是将数据资源转化为具有明确使用场景和经济价值的重要形式。
（1）数据产品的形态
根据上海数据交易所【数据资产入表及估值实践与操作指南】，基于需求特征和服务方式不同，可以将数据产品形态分为数据集、数据信息服务和数据应用三种形态，如下表所示：
（2）数据产品开发流程
需求调研与分析：首先，需深入了解业务需求，明确数据产品需解决的具体问题或达成的目标。这包括与业务部门、数据分析师、产品经理等紧密沟通，理解其痛点与期望，以及分析市场趋势和竞争对手动态。
数据源整合与清洗：根据需求，从企业内部或外部收集相关数据，并进行清洗、去重、格式化等预处理工作，确保数据质量。这一步是构建高质量数据产品的基础。
数据建模与分析：运用统计学、机器学习等技术，对预处理后的数据进行深入分析，构建预测模型、分类模型或聚类模型等，以提取有价值的信息和模式。
产品设计与开发：基于分析结果，设计数据产品的界面、功能、交互方式等，确保产品易用、直观且能满足用户需求。同时，开发相应的软件或平台，实现数据的可视化展示、交互式查询、智能推荐等功能。
测试与优化：在产品上线前，进行全面的测试，包括功能测试、性能测试、安全测试等，确保产品稳定可靠。上线后，根据用户反馈和使用数据，持续优化产品功能和用户体验。
（3）数据产品创新策略
融合新技术：随着人工智能、大数据、区块链等技术的不断发展，数据产品应紧跟技术前沿，融合新技术以提升产品性能、增强用户体验。
定制化服务：针对不同行业、不同企业的特定需求，提供定制化的数据产品服务。通过深入了解客户业务，为其量身打造符合其独特需求的数据解决方案。
跨界合作：与其他行业或领域的企业进行跨界合作，共同开发数据产品，实现数据资源的共享与互补，拓宽数据产品的应用场景和市场空间。
持续迭代升级：数据产品应是一个不断迭代升级的过程。通过持续收集用户反馈、跟踪市场变化、引入新技术和新算法，不断优化产品功能和性能，保持产品的竞争力。
2.2.3数据合规与审查
数据来源的合规性是数据资产入表的前提。【暂行规定】规定数据资源入表形成数据资产的条件之一是：「企业合法拥有或控制的」。因此来源不合法或者不能合规利用的数据资源无法列入资产负债表形成数据资产。企业应当从数据来源与数据利用两个方面进行相应合规审查。
（1）数据来源的合规审查
内部产生的数据：
企业内部产生的数据涵盖了生产、运营、管理等过程中所生成的各种业务数据，如客户订单数据、设备运行数据、员工管理数据等。对于内部产生数据的合规性，企业需要关注以下几个方面：一是数据的合法性，即数据的生成是否符合相关法律法规的要求，比如是否可能侵犯其他企业的商业秘密；二是隐私保护，特别是涉及员工或客户个人信息的数据，必须符合【个人信息保护法】等相关法律法规的要求；三是数据的真实性与可验证性，内部产生的数据是否经过客观记录并具备可靠性。在数据入表时，企业需要提供充分的证据来证明数据的真实性，如内部管理流程文件、数据存储日志等。
外部收集的数据：
从外部获取的数据则需要更加复杂和严格的审查。外部数据通常来源于公开采集数据、直接采集数据和交易市场采购数据。
公开数据是指未设定访问权限向公众无差别予以提供和展示的数据，任何人均有权获取。对公开数据的收集即公开收集。公开收集的方式有多种，如人工录入、检索查询等手动数据收集，也包括爬虫等自动化数据收集。在审查公开数据收集的合法性时，企业需要确认数据的收集方式是否合法，如是否获得了网站所有者等相关方的授权等。
公开收集数据的方式中，合规风险较多集中在通过爬虫技术爬取的数据上。需注意数据爬取行为本身并不违法，但由于其技术特点，在实际操作中如使用不当或超出合理限度使用，则很可能涉及违规、违法行为，引发不正当竞争风险、知识产权侵权风险、个人信息侵权风险甚至刑事风险。
直接采集，即企业直接获取数据来源方（如用户）的相关信息。企业在直接采集数据时，应主要关注个人信息和企业信息的采集的合法合规性，必须严格遵守相关法律法规。对于个人信息的采集，企业应根据【个人信息保护法】等法律法规的要求，明确告知收集的目的、方式和范围，并获得用户的同意。对于企业信息的采集，尤其是涉及竞争对手的商业秘密时，企业应严格依照【反不正当竞争法】的相关规定，避免触及侵犯商业秘密等不正当竞争行为，确保采集过程合法合规。
间接获取，指通过协议购买的方式获得数据。通过协议购买数据时，尽管通常由数据提供方承担初步的合法性审查义务，作为数据的买方企业，仍需主动进行深入而全面的审查，以防范潜在风险。
买方企业应通过审查数据来源、获取方式及相关权属证明材料，确保交易数据不存在权属瑕疵。此外，在签署数据交易协议时，企业还需仔细审查合同条款的完整性与合规性。通常情况下，合同应明确约定数据的准确性、完整性与时效性，以及数据的适用范围和用途，避免因数据缺陷影响业务正常开展。同时，协议中需包含详细的隐私保护条款，特别是在数据涉及个人信息或敏感信息的情况下，需确保交易及后续使用过程严格符合【个人信息保护法】等相关法律法规的要求。
（2）数据利用的合规审查
在确认数据来源的合规性后，企业通过脱敏、清洗、标注、整合、分析等过程，对原始数据进行实质性加工和创新性劳动，形成创造性成果，最终产生符合公司业务与研发所需的数据资产，并储存于企业内部或第三方云存储中。企业对数据资产的利用主要包含内部利用及外部交易两种方式。当企业将数据资源主要用于内部生产经营或管理时，会计上可作为无形资产进行管理。当企业将数据资源主要用于外部交易时，会计上可作为存货进行管理。无论内部利用还是外部交易，企业在处理数据资源、经营数据产品的过程中，仍应注意根据不同的利用方式，确保相应的合规性。
内部利用数据资产的合规审查重点包括：首先，数据利用的合法性。企业在利用数据时，应根据具体数据利用行为、流程，针对每个具体节点所涉数据内容，审查是否符合法律法规及相关行业标准，是否符合监管部门所要求的合规标准，是否侵害了个人信息权益或他人商业秘密。其次，数据存储的安全性。企业须建立相应政策体系并通过适当的安全技术措施，确保内部数据利用的保密性和安全性，避免数据泄露导致的合规风险。
外部交易数据资产所涉的合规审查相较内部利用而言较为复杂，主要涉及包括但不限于数据可交易性、数据保护能力、数据出境合规等方面。
数据可交易性：数据交易的前提是数据资产具备可交易性。数据资产的可交易性是指将来源合法的数据资源通过实质性加工和创新性劳动，形成可以像商品一样在市场上进行买卖和交换，能够自由流通的数据产品。根据现有法律法规规定，数据产品不得含有危害国家安全、违反公序良俗或侵害他人合法权益的违法信息。除国家相关法律明确规定禁止交易的情形之外，部分行业亦对数据交易方的资质进行了规定，如金融机构采购个人征信信息，应当从具有从事个人征信业务资质的机构采购。因此，企业首先应当注意审查数据资产是否涉及国家法律法规限制或禁止交易的范畴。
数据保护能力：在数据交易前，数据提供方和数据需求方还需要对对方的数据安全保障能力进行评估，双方均应当符合【网络安全法】、【数据安全法】等法律法规的要求，建立数据安全保护体系，对于涉及个人信息的数据，还应符合【个人信息保护法】的要求，采取技术措施避免个人信息泄露、篡改或丢失等事件的发生。在交易前可通过尽职调查，从技术能力、人员配备、信誉资质等方面来评估交易方的数据安全保护能力。
数据出境合规：若数据需求方为境外企业，则企业需要特别关注数据出境的合规性，根据【数据出境安全评估办法】【促进和规范数据跨境流动规定】等法律法规的规定，根据主体情况、数据性质、个人信息数量等具体情况，分别履行申报数据出境安全评估、订立个人信息出境标准合同、通过个人信息保护认证等合规要求。涉及个人信息出境的，还需履行取得个人的单独同意、进行个人信息保护影响评估等合规义务。
综上，企业数据资源以及数据资产的管理会涉及到多个不同领域的法律法规，还需结合企业自身的业务流程、经营特点来进行有效的合规管理。对于需进行数据资源管理、数据资源入表的企业，应当重视企业数据合规管理的重要性，包括内部管理制度的搭建以及内部管理人员队伍的建设，提升企业内部的数据合规治理能力。此外，在涉及数据合规管理的重大事项时，建议及时聘请律师事务所等专业第三方机构协助企业处理相应事宜。
2.2.4成本归集与会计处理
数据资产入表，即对数据资产进行会计核算的过程。通过确定业务场景、确定数据的权属和收益，确定成本等方法，提交数据资产入表各阶段的入账依据，然后会计处理，以满足财务要求。成本归集及相应的会计处理，是一个重点，也是一个难点。
（1）成本归集
成本归集是指将与数据资源相关的所有成本进行识别、计量和汇总的过程。这些成本包括但不限于数据采集、存储、处理、分析、维护等各个环节的成本。
（2）会计处理
会计处理是指将归集的数据资源成本按照会计准则进行记录和报告的过程。根据【暂行规定】，企业需要在财务报表中反映数据资源的成本和价值。
（3）成本归集和会计处理的难点
尽管成本归集与会计处理在数据资产入表过程中至关重要，在操作中，企业往往面临一系列难点和挑战。
成本识别与计量的复杂性：
数据资源的成本构成多样且复杂，包括直接成本和间接成本，以及可能存在的隐性成本。如何准确识别并计量这些成本，特别是那些与数据治理、数据产品开发紧密相关但难以直接量化的成本，如人力成本中的时间投入、技术成本中的研发支出等，是一个巨大的挑战。
数据资产权属与收益的确定：
数据作为一种新兴的无形资产，其非排他性、可复制性和敏感性等特征，使得传统的确权方式难以直接应用，且目前尚未有明确的针对数据权属的法律，数据资产的权属和收益往往难以明确界定，这直接影响了成本归集的准确性和会计处理的合理性。在多方参与的数据共享或合作项目中，如何合理分配成本并确定各方权益，是一个需要谨慎处理的问题。
摊销方法的选择：
数据资产的「使用寿命」不如物理资产明确，企业可能需要根据数据的实际使用情况来决定摊销期限，这在会计处理中可能导致不确定性。数据资产的价值可能随时间快速变化，传统摊销方法可能无法准确反映其价值变动。
成本分配的准确性：
在多个数据产品或项目共同使用数据资源的情况下，如何准确地将成本分配到各个产品或项目中，是一个技术性和主观性都很强的问题。成本分配方法的选择和运用需要考虑到各种因素，如数据量、使用频率、项目重要性等，这增加了成本分配的复杂性和不确定性。
企业需要加强成本管理意识，提升成本归集与会计处理的专业能力，并建立健全的内部控制体系，以确保成本信息的准确性和完整性，为企业的财务决策和战略规划提供有力支持。在实践中，可以采用时间日志记录法，合并工时费率记录等确定项目成员的陈本；对于难以量化的成本，各方需要在约定摊分原则的前提下，进行合理的分摊。同时，企业还需要密切关注会计准则和法规的变化，及时调整和优化其成本归集与会计处理流程。
2.2.5数据资产估值与定价
数据资产属于资产的一种。2023年9月，财政部、中国数据资产评估协会发布了【数据资产评估指导意见】，对数据资产的评估对象、操作要求、评估方法和披露要求进行了详细的规定，并且强调数据资产评估要重视质量因素。其中第19条明确指出，数据资产的评估方法包括成本法、收益法和市场法及其衍生方法。
对于以上三种方法而言，考虑到数据自身特性，均需对测算结果进行一定程度优化调整，影响因素主要包括数据质量、数据安全、数据应用等。通过构建数据质量和数据安全计分规则，以及数据应用的场景范围、用户数量、使用效果等统计指标，充分考虑数据在不同使用场景和群体中所存在的需求差异，提升数据价值评估的准确性。
2.3 数据资产运营阶段
2.3.1 数据交易
数据交易，是指数据提供方与数据需求方之间，通过特定的交易平台或机制，就数据的使用权、访问权或处理权等进行交换的行为。这种交换可能涉及金钱、服务、技术或其他形式的对价。数据交易的核心在于实现数据价值的流通与转化，促进数据的合理利用与共享。
随着数据成为新的生产要素，数据交易规模也在不断增长。据【2024年中国数据交易市场研究分析报告】，2023年全球数据交易规模约1261亿美元，至2030年预计有望达到3708亿美元；2023年中国数据交易市场规模约为1537亿元，预计到2025年将增长至约2841亿元，2021年至2025年年均复合增长率达46.5%，到2030年有望达到7159亿元，
目前，中国的数据交易形式主要分为场内交易和场外交易。场内交易通过数据交易所或交易中心进行，具有集中、规范的特点，便于监管和追溯，对数据交易的主体、数据产品和数据交易等环节都有合规要求。而场外交易则是由企业或个人之间自主产生的，更加灵活自由，交易双方不留痕，但极易产生不合规交易及数据泄露等情况，且监管难度相对较大。
根据中国信通院【数据价值化与数据要素市场发展报告（2023年）】，目前我国数据流通交易仍以场外交易为主，场内数据交易只占数据交易市场总规模的4%，其余均为场外零散的「点对点」交易。
基于场内数据交易集中、透明、电子化、标准化、易于监管等特征，未来上述比例失衡的情形有望得到改善。在国家层面，2024年1月，国家数据局等17个部门联合印发的【「数据要素×」三年行动计划（2024~2026年）】中，将「场内交易与场外交易协调发展，数据交易规模倍增」作为目标，表明国家重视数据交易市场的协同发展。
各地数据交易所也纷纷出台政策与发放补贴，鼓励数据场内交易。2023年8月21日，上海数据交易所发布「数据要素市场繁荣计划」，拟设立1亿元人民币的专项激励资金，以繁荣数商生态、活跃场内交易，该计划涵盖首次登记挂牌补贴、数据产品交易示范补贴、优质数商培育补贴三大方面的激励举措；郑州数据交易所在2023、2024连续两年出台「数据经纪人激励计划」，对数据经纪人在撮合供需双方完成场内全流程交易后，按照交易总额的1%予以激励，对于备案场外数据交易合同，也按照交易额所在区间实行阶梯激励；2024年4月18日，北京市经济和信息化局与北京市财政局发布【组织开展2024年北京市高精尖产业发展资金申请工作（第二批）】，其中明确了对在北京国际大数据交易所进行数据资产登记和交易的企业给予奖励补贴，鼓励数据资源入表活动，补贴金额最高可达50万元。
在总体形势利好以及各种政策激励下，场内交易在近年来也获得了显著增长：2023年，广东省场内数据交易额近80亿元，其中，深圳数据交易所年交易额超50亿元，北京、贵阳场内交易金额均已突破20亿元；2024年，深圳数据交易所数据交易规模已突破140亿元，上海数据交易所交易规模也有望突破40亿元。
2.3.2 数据资本化
数据资产化主要是解决了数据资源产品化和形成市场流通的问题。在这之后，就可以开展相应的「数据资本化」工作，比如投融资等。数据资本化关乎数据价值的全面升级，是实现数据要素市场化配置的关键所在。数据资本化可以有多种实施路径，包括数据资产质押融资、数据股权化、数据证券化等。
（1）数据资产质押融资
数据资产质押融资通常是指企业或个人将数据作为质押物，通过银行或金融机构的评估和审批，将数据的未来收益、市场价值等作为担保，借贷资金的一种融资方式。它类似于传统的抵押贷款，不过质押的对象是数据而非不动产或其他实物资产。
随着2024年数据资产入表的开展，一批数据资产质押融资的案例先后出现。2024年7月，全国首例国有企业数据资产公证确权质押融资在江西共青城落地。共青城市金服集团通过公证机构全程监督，完成了全链路合规公证模式下数据资源登记、确权到数据资产评估、计价、入表和融资的市场闭环，获得上饶银行质押融资6600万元。
（2）数据资产信用融资
利用企业的数据（如运营数据、财务数据等）进行信用评估或增信，为企业提供贷款支持。这类融资不依赖数据本身作为质押物，而是通过对企业数据的深度分析，依靠数据来评估企业的信用状况，为企业提供融资。
数据资产信用融资这种模式适用于缺乏传统资产的小微企业、科技企业、创新型企业等，它充分发挥了数据作为核心生产要素的优势。
国内多家数据交易所已经推出了基于数据资产信用融资的产品，如上海数据交易所的「数易贷」产品、温州大数据运营有限公司的「信贷数据宝」以及苏州大数据交易所的「数商贷」产品。
以「数易贷」为例，它可以通过分析企业的大数据（包括但不限于企业的财务状况、交易数据、客户信用数据等），为企业提供信贷服务。该平台运用大数据技术进行风险评估，企业无需传统的抵押物或担保，只需通过其业务数据来证明自己的信用，贷款额度依据企业的信用和业务规模来决定。平台减少了传统贷款过程中的人工审核和流程环节，提高了贷款审批的速度和准确性。
「数易贷」产品推出以来，已经在多个行业有过落地案例。2024年初，上海数交所与建行上海市分行携手合作，成功发放了首笔基于「数易贷」产品的数据资产质押贷款，这一创新举措为数据资产融资开辟了新路径。该贷款的受益者为上海寰动机器人有限公司（速腾数据）的子公司上海四卜格网络科技有限公司。由于成立时间较短且缺乏物资性资产，上海四卜格网络科技有限公司一直面临着融资渠道有限的问题。幸运的是，该公司在上海数交所先前已完成「数据中心运维大数据」系列数据产品的挂牌，并实现了场内交易，这为其后续的数据资产质押融资奠定了坚实基础。
2024年6月，上海数据交易所与上海银行再次创新合作，推动了首单化工行业「数易贷」的成功落地。此次融资的是上海芯化和云数据科技有限公司，该公司通过将其数据资产作为质押，成功获得了150万元的信贷支持。这一案例不仅为化工行业的数据资产「变现」提供了实践样本，也进一步验证了「数易贷」产品在拓宽企业融资渠道方面的有效性和可行性。
（3）数据股权化
数据股权化是指数据持有人将其合法拥有且产权归属清晰的、依法可以转让的数据资产「作资入股」，转化为股权，并按照股权平等的原则和贡献程度参与分配。
在法律上，作为一种新的资产形态，数据资产出资适用新【公司法】关于非货币财产类型出资的规定。2022年11月，北京市人大常委会出台了【北京市数字经济促进条例】，其中第21条提出「支持开展数据入股、数据信贷、数据信托和数据资产证券化等数字经济业态创新」；2024年1月，国资委发布【关于优化中央企业资产评估管理有关事项的通知】，确认数据资产可以作价出资入股。
2023年8月，我国出现了数据资产作价入股的创新案例。青岛华通智能科技研究院有限公司、青岛北岸数字科技集团有限公司与翼方健数(山东)信息科技有限公司三方，共同签署了数据资产作价投资入股协议。在此之前，相关数据产品已经由第三方专业机构进行了评估，并出具了详细的估值报告，这份报告为数据资产作价入股并设立合资公司提供了确凿的入股凭证。此举不仅成功实现了数据要素与技术和资本的深度融合，更为数据资产的价值释放和市场化配置探索出了全新的模式和路径。
（4）数据证券化
任何一种能够在未来产生稳定现金流的产品都可以进行证券化。在数据资产运营中，可以将数据资产未来现金流作为偿付来源发行证券化产品，也就是将数据资产的未来收益即期变现，这能够最大限度激发数据拥有方参与数据流通交易的积极性。
国内在数据证券化领域也有案例。2023年7月5日，杭州高新金投控股集团有限公司成功簿记了全国首单包含数据知识产权的资产支持票据（ABN），发行金额1.02亿元人民币，票面利率2.80%，期限358天。该项目由杭州高新区（滨江）市场监督管理局（知识产权局）等单位牵头，并得到了多家机构的支持与参与。
作为质押物，该项目集合了四维生态、紫光通信、数云等12家企业的145件知识产权，包括26件发明专利、54件实用新型专利、63件软件著作权以及2件数据知识产权，总评估价值为1.43亿元人民币。通过这一创新模式，这些企业获得了1.02亿元人民币的资金支持，开辟了基于无形资产进行证券化融资的新途径。
（5）其他数据资本化尝试
数字资产保险：2023年4月21日，国内首单数字资产保险在西安发布。该保险项目由数字资产保险创新中心牵头，由中国人民财产保险股份有限公司西安市分公司进行承保，共为10家企业的数字资产提供了总额1000万元的保障。
数据信托产品：2023年4月，全国首个个人数据信托案例在贵阳大数据交易场所初步成型。个人可以将自己的简历数据通过数据信托的方式托管给贵阳大数据交易所，再由贵阳大数据交易所委托给数据中介好活（贵州）网络科技有限公司进行运营。后者则通过协助个人实现数据治理、脱敏加密、产品封装、销售等工作，从数据销售中获取中介费用。
三、数据资产入表开启企业价值重构
随着数字经济的蓬勃发展，数据要素市场正迅速成为经济增长的新引擎。根据中国信息通信研究院的报告，2023年，我国数据经济贡献度为2.05%，比2022年增长0.99个百分点。这一增长趋势不仅反映了数据在现代经济中的核心地位，也预示着未来几年内数据要素市场的投资价值将持续上升。
【暂行规定】2024年年初正式施行以来，全国各类企业积极响应，逐步推动数据资产入表工作。数据资源合规入表是企业凭借数据资产参与社会经济分配的基础和依据。入表后，数据资源变为资产，数据资产是所有者权益的体现，将扩大企业的资产总额。数据资产入表标志着我国数据要素资产化迈出了实质性一步，将极大推动数据资产化进程。
3.1上市公司数据资产入表概览
根据第一财经统计，共计54家A股上市企业在三季报中披露了企业数据资产入表情况，数据资产入表金额为10.94亿元，入表金额占总资产的比值为0.01857%。
总体来看，回顾2024年前三季度A股上市企业数据资产入表情况，主要呈现出以下几个特点。
（1）入表主体数量增加，入表数据资产规模下降
从入表主体数量上，2024年前三季度数量持续增长，从一季报的18家增长至三季报的54家；数据资产入表总金额从一季报的1.03亿元大幅增长至中报的13.64亿元，但三季报在整体披露家数增加的情况下，数据资产入表总金额下降至10.94亿元。
比对中报和三季报披露的信息，41家中报披露数据资产入表的企业中，有6家在三季报中未能继续披露数据资产相关情况，包括海科新源（301292.SZ）、华菱精工（603356.SH）等。财报显示，海科新源、华菱精工、如意集团（002193.SZ）中报数据资产入表规模超1亿元，其中海科新源最高，中报计入无形资产和存货的数据资产分别为1.63亿元、2.49亿元，合计超4亿元，占总资产比例达到8.66%。
据悉，数据资源作为新兴资产类别，由于对【暂行规定】的理解不充分和合规性审核不严，一些公司出现在发布数据资产入表相关信息后又撤回修改的情况，关于数据资产入表的会计处理规则还需要进一步明确和详细化，以帮助企业正确识别、计量和报告这部分资产。
另外19家三季报数据资产新入表的企业，除了南京熊猫（600775.SH）入表金额超过2亿元，其余企业数据资产入表规模较小，作为数据资源型企业的合合信息（688615.SH）数据资产入表金额也仅为3316.87万元，占总资产规模比值不足1%。
整体披露家数的增加表明越来越多的上市企业认识到了数据资产的重要性，并积极响应相关法规要求进行数据资产入表实践，但由于不同企业在数据资产管理成熟度上的差异，部分企业存在对数据资产的评估和确认不够充分或存在困难，导致其数据资产未能及时或完全入表。
部分企业在接受第一财经采访时也表示，由于数据资产入表需要满足数据安全和监管要求，企业内部对数据资产入表相对谨慎，随着数据资产入表机制的不断完善和市场的进一步发展，未来有望增加入表的数据资源规模。
（2）三大运营商成数据资产入表「主力军」
从数据资产入表的规模看，三大运营商成入表主力军。2024年中报，三大运营商的数据资产入表总额超2.6亿元，占披露企业总规模的18.5%；2024年三季报，三大运营商的数据资产入表总额进一步增长至4.51亿元，同比大增73.46%，占披露企业总规模的41.2%。其中，中国联通（600050.SH）入表金额最高，达2.04亿元；中国电信（601728.SH）入表金额为1.51亿元；中国移动（600941.SH）入表金额为0.96亿元。
三大通信运营商数据体量庞大、一致性好、活跃度高，是数据交易的优质资源。通信运营商数据资产入表，释放了行业对数据管理和应用能力提升的信号，展现了对数据资产化潜力的积极探索，具备引领示范效应。
从数据资产入表的企业行业分布来看，三季报54家数据资产入表的企业中，计算机行业占比最高，包括同方股份（600100.SH）、航天宏图（688066.SH）、合合信息、每日互动（300766.SZ）在内总计15家企业，占27.8%，其次为交通运输行业和传媒行业，分别为8家和6家。
计算机行业在数据资产入表实践中处于领先地位。计算机行业本身就是数据密集型行业，在日常运营中生成和处理大量的数据，对数据分析及应用的依赖性强，拥有较强的技术实力和研发能力，能够更有效地进行数据的采集、存储、处理和分析，这使得计算机企业能够更加精准地识别和利用数据资产，发挥数据应有的价值，进而有效推动数据资产的系统化管理和入表，也确保了企业在数字经济时代保持持续的竞争优势。
与此同时，交通运输、传媒等传统行业开始认识到数据资产的价值，并积极投身于数据资源的「入表」工作，例如中文在线（300364.SZ）、山东高速（600350.SH）数据资产入表金额也大幅增长，同比增长1808%、737%。
在交通运输行业，数据要素的应用可以提升多式联运效能，推动货运数据、运单数据、结算数据等的共享互认，实现物流降本增效；在传媒行业，数据要素可以提供用户行为分析、市场趋势预测等，帮助传媒企业更好地理解受众需求，优化内容创作和分发策略。传统行业在数据资产入表的过程中可能会面临技术、人才、安全等方面的挑战，但同时也看到了数据资产化带来的机遇，如提升企业竞争力、创新商业模式等。
从数据资产入表企业的市值分布来看，一季报大多为市值不超过500亿的中小企业，中报及三季报，越来越多市值超500亿的大型企业参与到数据资产入表的实践中。
在三季报披露数据资产入表的企业中，除了三大运营商，还有海通证券（600837.SH）、山东黄金（600547.SH）两家超千亿市值的企业披露数据资产入表情况。数据资产管理一方面能够为这些大型企业提升内部管理效率，通过技术创新和数字化转型提升自身的竞争力和效率，同时作为行业龙头企业，这些企业有条件为数据资源提供丰富的应用场景，有助于数据要素价值释放。
市值不超过100亿元的数据资产入表的小市值企业大多属于数字经济和数据要素相关概念企业，与大市值企业不同，这类企业更依赖数据资产的直接商业化，例如提供数据服务和解决方案，数据资产入表能更好地反应其数据技术优势，对提升其资产价值和市场竞争力具有重要意义。
（3）无形资产和开发支出为主要入表列示项目
从数据资产入表的列示项目分布看，大部份上市公司将数据资源计入无形资产或开发支出，存货比例较小。2024年三季报，计入无形资产及开发支出的入表总规模约为8.78亿元，占入表总规模的80.26%；计入存货的仅南京熊猫、ST观典（688287.SH）、海天瑞声（688787.SH）、广州港（601228.SH）4家，其中南京熊猫计入存货的数据资产金额为2.01亿元，其余三家均不足1000万元。
存货通常指的是企业在正常经营活动中用于销售或在生产过程中消耗的物资和商品，例如数据产品，如定制数据包、即时数据分析服务等，否则一般不会被分类为存货。而大部份企业将数据资源计入无形资产或开发支出，更多的是希望通过对数据的积极管理和深度挖掘，能更好地利用数据资产带来的竞争优势，而非将其视为免洗的销售利润来源。
数据资产入表会对公司的资产规模、成本、税收以及净利润带来一定的影响，并进一步影响到资产负债率、利润率以及净资产收益率等一些指标。数据资源计入不同列示项目的会计处理方式、资产性质以及摊销方式不同，投资人除了关注上市企业数据资产入表情况，也需要关注数据资产后续计量带来的财务数据变动。
（4）对数据资产后续计量进行披露的公司占比较小
根据相关规定，将数据资源作为资产纳入报表，需要对数据资源进行可靠的后续计量并披露相关信息。
·确认为无形资产的数据资源，应当分别按外购数据资源、自行开发数据资源和其它方式取得数据资源三种情况对其账面原值增减变化、累计摊销增减变化、减值准备增减变化和账面价值等分别进行披露。此外还需披露数据资源使用寿命的确定、摊销期限、摊销方法以及处置等信息。
·确认为存货的数据资源，应当分别按外购数据资源、自行加工数据资源和其它方式取得数据资源三种情况对其账面原值增减变化、存货跌价准备增减变化和账面价值等分别进行披露。同时还需披露发出数据资源存货成本方法、跌价准备的计提和转回以及受限情况等信息。
具体而言，数据资产入表后，数据资产被计入无形资产或存货，企业的总资产规模会增加，原本作为费用的数据资源相关支出可以资本化，这会减少当期的费用支出，从而提高当期利润。同时，数据资源形成无形资产后，需要在一定期限内进行摊销，这会导致企业在后期的成本或费用逐渐增加，利润可能会呈现先高后低的态势。
通过梳理已经披露数据资产入表的企业，仅10家对数据资产后续计量做出明确披露，且摊销方法和年限存在较大差异。可见数据资产的后续计量问题成为阻碍更多企业进行数据资产入表的一大难题。其中，数据资产的使用寿命如何确定是一大问题。对此专家和有关部门给出的建议是，根据数据资产所依附的不同应用场景，结合自身企业有关无形资产摊销规定，选择合理的摊销方法，确定合理的使用寿命。
（5）目前数据资产占总资产比例较小，对公司财务状况影响较小
数据资产占总资产的比重是衡量数据资产相对于企业整体资产规模的重要性的指标。这一比重的高低反映了数据资产在企业资产总体中的地位和作用。
三季报中披露数据资产入表情况的54家A股上市企业，数据资产入表金额合计为10.94亿元，入表金额占总资产的比值为0.01857%。其中仅4家数据资产入表金额占总资产的比值超过1%，分别为南京熊猫、ST观典、卓创资讯（301299.SZ）、每日互动。近7成企业数据资产入表金额占总资产比重不足0.01%。
数据资产入表的规模相对较小，但其对财务报表的改善功能已初步显现。特别是在中小市值企业中，数据资产入表对其资产负债率和利润率的改善有一定效果。然而，对于中大市值上市公司而言，入表后的财务结构并未出现明显优化。这表明，尽管数据资产的价值逐渐被认可，但其在企业总资产中的占比仍然有限，尚未对企业的整体财务状况产生重大影响。
3.2 数据资产入表重构企业价值
在数字化浪潮的推动下，数据资产已成为企业竞争的新高地，数据资产的重要性日益凸显，尽管其目前在企业总资产中所占比例仍然较小，对企业财务数据的影响尚未完全显现，但数据资产入表对企业估值的潜在影响及其在未来可能带来的变革不容忽视。
数据资产入表对企业价值的重构主要体现在以下几个方面：
（1）资产规模增加：数据资产的入表直接增加了企业的总资产规模，这在一定程度上将提高企业的市场估值。然而，由于数据资产占总资产比例较小，这一影响目前还未完全显现。
（2）盈利能力改善：数据资产的资本化处理减少了当期费用，从而提高了企业的利润水平。这种改善在财务报表上表现为利润率的提高。
（3）价值重新挖掘：数据资源入表加上披露等其他方式的信息沟通，可以让市场意识到企业拥有数据资源以及相应的预期经济利益，对企业的市场价值会带来积极影响。
（4）资本化潜力：数据资产入表为企业提供了数据资本化的潜力，如数据资产货币化、证券化等，赋予数据资产以金融属性。这将为企业提供新的融资渠道和投资机会，从而提升企业的估值潜力。
四、结语
迈入数字经济新时代，资本市场的规则、秩序、价值投资方法已然揭开了挑战创新的一页。投资人、经济学家们正积极探索数字经济时代的价值投资体系和估值方法。总体而言，随着近年经济形态不断变化，工业经济时代价值投资估值体系已经无法对数字经济时代的上市公司做评价，用数字化价值投资体系进行分析将是大势所趋。
本报告特约专家
李响 环球律师事务所合伙人
赵华新 国际数据管理协会大中华区研究员
胡玥 上海国家会计学院教师
参考文献
【2023-2024中国数据资产发展研究报告】，中国电子信息产业发展研究院、赛迪(青岛)区块链研究院
【中国上市公司数据资产入表实践蓝皮书】，济南市大数据协会
【数据资源入表，资产金矿+估值蓝海】，德邦证券
研究支持单位
环球律师事务所、国际数据管理协会大中华区、融量数据科技（上海）有限公司、中创数经信息服务(上海)有限公司
数据说明
数据｜案例｜观点来源
如无特殊说明，报告中数据和内容均来自第一财经的调研、采访及公开资料。
版权声明
本报告页面内容、页面设计的所有内容（包括但不限于文字、图片、图表、标志、标识、商标、商号等）版权均归上海第一财经传媒有限公司（以下简称「我司」）所有。凡未经我司书面授权，任何单位或个人不得复制、转载、重制、修改、展示；不得以任何形式提供给第三方使用本报告的部分或全部内容。任何单位或个人违反前述规定的，均属于侵犯我司知识产权的行为，我司将追究其法律责任，并根据实际情况追究侵权者赔偿责任。
免责声明
本报告中所载的内容、资料及相关数据来源，均被视为最初发布当日作者的判断，并不保证本报告中的内容及观点在将来不会发生任何变更。我们力求但不保证本报告所涉及信息的准确性和完整性。报告中所表述的观点、信息，在任何情况下、对任何人不构成投资建议。在任何情况下，任何人因使用本报告中的内容所引致的后果应自行承担责任。
(本文来自第一财经)
