【PWC】数据资产化前瞻性研究白皮书-2021-56正式版

数据资产化前瞻性研究白皮书目录前言2数据资产的法律确权探究数据确权的重要性33我国数据权属现状4数据权属权益的法律讨论展望与建言811数据资产的估值体系框架的初步探究影响数据资产价值的因素数据资产估值框架体系1516203333数据权属与估值的关系未来探索方向数据资产财务核算的现状和展望数据资产财务核算的重要性现行会计准则综述3434364350准则研究的最新进展未来已来，携手并进结束语515253参考文献联系人1数据资产化前瞻性研究白皮书前言随着《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》于2020年4月9日对外公布，数据与土地、劳动力、资本、技术等传统要素并列成为五大生产要素之一。数据要素市场化已成为建设数字中国不可或缺的一部分，数据资产时代已然来临。数据资产化旨在最大化释放数据的核心价值。当前，各利益相关方的动向亦正在为数据资产化的进程扫除障碍。2020年10月11日，中共中央办公厅、国务院办公厅发布《深圳建设中国特色社会主义先行示范区综合改革试点实施方案（2020－2025年）》，要求深圳加快培育数据要素市场，成立数据交易市场。2021年7月15日，《关于支持浦东新区高水平改革开放打造社会主义现代化建设引领区的意见》对外公布，其中提出建设数据交易所，推进数据权属界定、开放共享、交易流通等标准指定和系统建设。据悉，这两所全国性的数据交易所预计于今年年底之前成立，挂牌上线时间迫在眉睫。作为数据资产时代的长期践行者与思想领袖，普华永道希望通过本白皮书呼吁各方关注数据资产化的主要痛点及面临的挑战，并就数据资产确权、数据资产估值、以及数据资产的财务核算处理这三个世界级难题提出我们的最新思考与解析，为数据资产化建言献策，为建设数字中国贡献专业力量。张立钧普华永道中国区域经济及金融业主管合伙人大数据流通与交易技术国家工程实验室数据资产评估中心主任数据资产化前瞻性研究白皮书2数据资产的法律确权探究数据确权的重要性在如今的数字经济时代，数据已成为驱动商业模式创新和发展的核心资源。数据关系到企业发展、科技进步、社会秩序稳定，甚至已成为各国的核心竞争要素。数据资产化是数据市场发展的必然趋势。数据资产化需要克服三个重要且极具挑战的命题：法律角度的数据资产确权、市场角度的数据资产估值与交易、会计角度的数据资产入表。数据资产确权是数据流通的前提，可充分保障数据流通各参与方的权益；数据资产估值是数据流通的基础，可保障数据在市场的参与下逐步趋于公允价格；数据资产入表是对数据资产的确认、计量与披露，可保障数据的经济价值更加准确地体现在财务报表中。在数据资产化的三个命题中，数据确权可能是难度最高、讨论最为激烈的一项。数据确权是数据估值的基础，没有确权，就无法准确地估值与定价，更无法进行后续财务报表的入表与披露；没有确权，健康可持续的数据交易市场也难以运转起来。数据确权已然成为实现数据安全有序流动和数据资产化不可或缺的重要前提。数据确权要解决三个基本问题：一是数据权利属性，即给予数据何种权利保护；二是数据权利主体，即谁应当享有数据权利；三是数据权利内容，即数据主体享有何种具体的权利。数据权利的属性、主体、及其内容的建立和配置，需要从个人、社会以及国家多维度进行权衡。从个人层面看，在互联网行业模式转变的背景下，对于数据的利用方式已从传统的大数据分析转变为精准用户营销。用户个人信息作为许多企业获取利益的核心价值来源，已成为最具价值的大数据类型之一。然而，由数据权属界定不明导致侵害个人信息保护的问题却日益凸显。现实生活中，企业一般通过用户服务协议、隐私协议或个人信息保护协议等方式获取用户授权。企业普遍会在协议中约定其享有个人数据的所有权、使用权，并约定用户使用个人信息产生的数据归企业所有。如此一来，用户的个人信息安全将面临较大的不确定性。尽管2021年11月1日开始施行的《个人信息保护法》对个人信息数据收集、使用、传送、储存等提出了新的且更为严格的要求，3数据资产化前瞻性研究白皮书我国数据权属现状但缺乏相关数据确权法规，且只能通过法院

与世界上绝大多数主要司法管辖区一样，我个案处理的现状导致部分企业过度采集个人

国现行全国性法律尚未对数据确权进行立法信息、侵害用户权益的问题仍时有发生。由

规制。事实上，各国普遍采取通过法院个案于用户无法知悉个人的哪些数据会被共享、

处理的方式，尝试借助诸如数据法、隐私保哪些可受到相关法律法规保护，部分企业得

护法、知识产权法及合同法等不同法律机制以利用漏洞，在未经用户同意的情况下将用

来对数据进行确权。包括我国在内的一些国户信息数据任意共享、利用。家已经开始尝试通过法院司法裁判来填补这一法律空缺。从社会层面看，随着数据产生量的迅速增长，企业采集的数据维度和类型日趋丰富。然而，

全国性法律缺乏数据权属界定使企业过度收集数据更为便利，并产生数据垄断。此举为企业带来市

《民法典》总则第一百二十七条规定，“法场竞争优势，继而引发其他企业仿效。长此

律对数据、网络虚拟财产的保护有规定的，以往，数据市场集中的问题将进一步加剧。

依照其规定”。我国正逐步建立一套围绕数企业之间的数据竞争行为，严重影响着数字

据为核心的法律法规，其中包括《个人信息经济的市场秩序，不利于数据要素市场的长

保护法》（2021年11月1日起施行）、《数据远发展。关于数据垄断，我们注意到本次

安全法》（2021年9月1日起施行），以及《反垄断法》修正草案已将滥用数据和算法

《网络安全法》（2017年6月1日起施行）等优势纳入规制范围。我们期待本次修正能够

法律及相关法规。在一定程度上缓解并遏制数据垄断乱象。《数据安全法》已于2021年9月1日开始实施，从国家层面看，数据权属界定不明也为数字

为各行业数据安全提供了监管、合规依据。治理和行业监管带来不便。数据确权，是在

该法确立了数据分类分级管理、数据安全审政务数据、企社数据等领域构建数据采集标

查、风险评估、监测预警和应急处理等基本准化、数据开放共享、数据交易流通、数据

制度，强化了我国数据安全领域制度建设，安全饱和等数据治理体系的前提。政企之间

有助于数据生产企业和各级政府监管部门形数据权属规制的缺失不便于政府行使监管和

成数据保护意识，促进数据产业合理合规利提供公共服务。尽快完成数据确权立法，将

用数据、共享数据和开放数据。大大提升国家对大数据的安全管控能力、强从法律的角度设立具有前瞻性的数据类法律，化国家对关键数据资源的保护，从而有利于推动我国数字经济发展及数字中国建设。体现了数据在我国国民经济发展中的重要作用。自此，数据安全领域迎来实质性监管。数据是未来社会重要的生产要素和基础性资源，是数字经济的灵魂。数据确权是数据资产化道路上必须直面的挑战，健全的数据产权制度是数据资产化的保障，因此建立健全的数据产权制度在数字经济时代已成为大势所趋。然而，以上三部法律均未对数据确权作出明确规定，数据权属仍有待完善。这样的情形在其他产权领域并不罕见，国外地区也是如此。数据资产化前瞻性研究白皮书4地方法规我国是数据生产大国，数据增长速度极快。

值得注意的是，2020年8月公布的天津市互联面对如此庞大的数量以及未来的发展潜力，

网信息办公室起草的《天津市数据交易管理暂在全国立法之下，深圳、上海、天津、广东

行办法（征求意见稿）》提出了数据确权的相等地纷纷提出各类数据相关规定。关条款。该办法第十一条明确规定，“[数据确权]数据供方应确保交易数据获取渠道合法、权利清晰无争议，能够向数据交易服务机构提供拥有交易数据完整相关权益的承诺声明及交易数据采集渠道、个人信息保护政策、用户授权等证明材料。数据需方无权将交易数据转让给第三方”。广东省于2021年8月3日公布了《广东省数字经济促进条例》，其中第四十条规定，除法律另有规定或当事人另有约定外，自然人、法人和非法人组织对依法获取的数据资源开发利用的成果，所产生的财产权益受法律保护，并可以依法交易。此外，有条件的地区可以依法设立数据交易场所，鼓励和引导数

此外，最新发布的《上海市数据条例（草案）》据供需方在数据交易场所进行交易。在“浦东新区数据改革”一章也特别提出了推进浦东新区“数据权属界定、开放共享、交易流通、监督管理等标准制定和系统建设”（第六十三条），以及在浦东新区“设立数据交易所，开展实质化运营……制订数据交易规则和其他有关业务规则，探索建立分类分层的新型大数据综合交易机制，组织对数据交易进行合规性审查、登记清算、信息披露”（第六十五条）。深圳于2021年6月29日正式通过的《深圳经济特区数据条例》（2022年1月1日生效）则在省条例的基础上作出了更为细化的规定。该条例率先在地方立法中探索数据相关权益范围和类型，明确了自然人对个人数据依法享有权益，包括知情同意、补充、更正、删除、查阅、复制等权益；自然人、法人和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、行政法规及条例规定的财产权益，可以依法自主使用，取得收益，进行处分（第三、四条）。就数据交易而言，该条例规定，市场主体对合法处理数据形成的数据产品和服务，可以依法自主使用，取得收益，进行处分（第五十八条）。此外，市政府应当推动建立数据交易平台，引导市场主体通过数据交易平台进行数据交易（第六十五条）；市场主体合法处理数据形成的数据产品和服务，可以依法交易（第六十七条）。各地通过地方性法律法规尝试对数据权属进行界定，但地方规定并不是国家级法律法规，这进一步凸显出国家加快数据确权立法的迫切性和必要性。国家层面的数据确权立法可吸纳地方法律法规在实践中取得的成功经验，为数据确权破局奠定基础。5数据资产化前瞻性研究白皮书数据交易机制目前，全国约有十多家数据交易中心。各中心正积极探索数据确权和数据交易机制。2021年成立的北京国际大数据交易所积极探索从数据、算法定价到收益分配且涵盖数据交易全生命周期的价格体系，以形成覆盖数据全产业链的数据确权框架。该所要求建立以信息充分披露为基础的数据登记平台，明晰数据权利取得方式及权利范围，建立数据确权工作机制，提供的数据产品交易服务包括数据产品所有权、使用权、收益权交易等。此前，中国信息通信研究院于2016年协同80多家公约发起单位发布的《数据流通行业自律公约（2.0）版本》及上海数据交易中心于同年9月发布的《数据互联规则》均提及了数据交易、数据权益等问题。河南、贵州、浙江三地也各自进行了不同的探索。1此外，不少企业积极参与数据交易市场建设。2021年南方电网发布的《中国南方电网数据资产定价方法（试行）》是能源行业首次发布的数据资产定价方法，其规定了南方电网公司数据资产的基本特征、产品类型、成本构成、定价方法，并给出相关费用标准，这为能源行业数据要素流通和交易提供了积极的指引。然而，由于缺乏统一、强制的相关法律法规，各数据交易机制只能对数据确权起到一定的引导和示范作用，并不具有强制性。1河南省新乡市实施数据要素确权与可信流通平台项目，首创了数据资源规范确权算法等核心技技术，基于区块链分布式共识明确了数据要素的拥有权与控制权。贵州省明确由贵州省大数据局和贵阳市政府作为责任单位，利用贵阳大数据交易所数据交易平台基础，实施“基于区块链的数据资产交易平台”项目。浙江大数据交易中心发布大数据确权平台，通过采用开源大数据分布式计算框架和数据可用但不可见的混淆加密算法对数据确权认证。（资料来源：《数据价值化与数据要素市场发展报告》，中国信息通信研究院政策与经济研究所，2021年5月）数据资产化前瞻性研究白皮书6司法数据确权总的来说，目前尚未有国家级的法律对数据确权作出明确规定，但数据权属已引发不少纠纷，并进入法院诉讼程序。法院主要以不正当竞争法及相关法律法规进行数据权属的判定。下文仅列出较具有代表性的两个案例。2C企业诉D企业案（（2018）浙01民终7312号）C企业的“生意参谋”数据产品是在用户浏览、交易等行为痕迹信息所产生的原始数据基础上以特定算法提炼后形成的衍生数据。D企业运营的网站以提供软件账号分享平台的方式，招揽、组织、帮助他人获取“生意参谋”数据产品中的数据内容，并从中牟利。某互联网门户网站（A企业）诉某社交引用网站（B企业）（北京知识产权法院第（2016）京73民终588号）A企业认为B企业非法获取并使用非B企业用户的A企业信息，导致A企业用户即使从未通过A企业网站登录B企业网站，其个人信息仍能够在B企业产品中被直接搜索到。A企业对此提起诉讼，主张A与B企业存在不正当竞争行为。法院经审理认为，涉案数据产品的基础性材料均来源于用户网上浏览、交易等行为痕迹信息。C企业收集、使用用户信息开发数据产品的行为符合相关规定，具有正当性。C企业依其与用户的约定享有对原始数据的使用权，经过其智力劳动投入而衍生的数据内容是与用户信息、原始数据无直接对应关系的独立衍生数据，可以被网络运营者所实际控制和使用，并带来经济利益，属于无形财产。C企业对此享有独立的财产性权益。涉案数据产品能带来商业利益与市场竞争优势，D企业未经许可将其作为获取商业利益的工具，有悖公认的商业道德，已构成不正当竞争行为。法院经审理认为，用户信息是互联网经营者重要的经营资源，如何展现这些用户信息也是经营活动的重要内容。A企业在多年经营活动中，积累了数以亿计的用户，这些用户根据自身需要向A企业提供了基本信息、职业、教育、喜好等特色信息。这些用户信息不仅是支撑A企业作为庞大社交媒体平台开展经营活动的基础,也是其向不同第三方应用软件提供平台资源的重要内容。A企业使用这些用户信息是维持并提升用户活跃度、开展正常经营活动、保持竞争优势的必要条件。B企业的行为违反了诚实信用的原则，损害了A企业的合法竞争利益，构成不正当竞争。从上面案例可以看出，在司法实践中，由于国家级法律法规在数据确权立法中的空缺，我国法院目前倾向于借助知识产权和反不正当竞争法等相关领域的法律法规进行确权。法院判决明确，投入努力和资源进行数据收集的公司可享有数据保护，即可将该等数据作为资产进行利用、许可，并从中获益；他人未经许可和授权不得随意进行抓取和利用。此外，判决明确将消费者权益保护作为案件裁判的一个考虑因素，明确数据财产权利的行使应当受制于数据主体人身权利的原则。未获得用户的事前同意和授权而在不同经营者之间作出的数据共享和授权行为是不妥的，数据主体关于个人信息的人身权利应当得到尊重。2注:我国并非案例法国家，既往判决对同类案件并无约束力，仅作参考7数据资产化前瞻性研究白皮书数据权属权益的法律讨论相对于传统资产，数据资产具有无限可复制性的特点，即在同一数据上可以承载多方主体的数据权利（“一数多权”）。数据资产的这一特殊属性给数据确权在理论和实践中带来很大的困难。现行法律并未对不同主体就同一数据享有的数据权益作出规定，导致个人数据权利与企业财产权利的潜在冲突。司法实践和理论界对数据的基本分类：1.

个人数据2021年8月20日通过的《个人信息保护法》对个人信息作出明确定义，规定个人信息是以电子或者其他方式记录的与已识别或者可识别的自然人有关的各种信息，不包括匿名化处理后的信息，个人信息主体就其个人信息被赋予知情同意权、查阅权、复制权、更正、删除权、可携带权、投诉权的广泛的权利。《中华人民共和国民法典》也有类似的规定，例如第一百一十一条“自然人的个人信息受法律保护。任何组织或者个人需要获取他人个人信息的，应当依法取得并确保信息安全，不得非法收集、使用、加工、传输他人个人信息，不得非法买卖、提供或者公开他人个人信息。”然而，在对数据确权制订专门的法律法规之前,

理论和司法实践曾尝试采用不同的法理和机制，如债权、知识产权、物权、信息财产权等来确认、保护和规制数据权属的不同方面。近年来在理论界和司法实务中，随着《民法典》、《个人信息保护法》、《数据安全法》等法律的制订、实施，法律对个人信息、数据有了更加明确的界定。这种条件下，对数据权属、数据权益进行讨论更加有助于对数据资产这种特殊资产进行保护。值得注意的是，在大数据时代，企业常常将个人原始数据进行加工、整合、分析、挖掘以形成新的有价值的数据产品或服务。举例来说，某个消费者在网上购物平台进行的单笔或几笔购物消费信息本身价值不大，但电商平台企业利用其手里掌握的众多用户的消费和浏览数据挖掘出新的客户需求信息，用以进行精准市场营销或开发新产品或服务。这两类数据的价值可谓大相径庭。在定义数据权属时，数据权属界定需要区别对待，同时要考虑数据权利配置上相关方的利益平衡。在电商领域，平台企业在数据处理过程中投入了时间、智力、人力、物力等，对电商平台企业数据资产的形成作出不可或缺的贡献。电商平台企业则应在分析、整合、挖掘原始数据的过程中，尤其在其处理消费者个人信息时严格履行《个人信息保护法》、《数据安全法》、《电子商务法》等有关法律法规的要求，在合法范围内处理个人信息，不得侵犯消费者个人信息和隐私权。数据资产化前瞻性研究白皮书82.

政务数据3.

企业数据政府部门在履行职责过程中（如审批、核准、

企业通过互联网采集的数据虽不一定具有原备案）会采集大量信息和数据。政务数据包

创性，但企业为之投入了资源进行采集、整括户籍管理、市场监管、自然资源、环境保

理和归类，拥有这些信息对企业进行市场竞护、金融、医疗监管、社会治理等各类信息。

争具有重要作用。政务数据中有大量的信息和社会价值、经济近年司法实践中的一些案例从竞争法的角度价值。对企业数据进行了保护。例如在某互联网门《数据安全法》强调政务数据安全与开放，

户网站诉某社交应用网站案（一审北京海淀推进数据开放利用，解决了政务机关开放数

法院，二审北京知产法院）、某信息平台诉据的难题，也为数据处理者依法获取数据提

某搜索引擎案（一审上海浦东法院，二审上供了法律依据。公共数据开放平台将被赋予

海知产法院）、某手机软件诉其竞争对手案更广阔的发展空间，赋能数字经济发展。（一审深圳中院，未上诉）等知名案例中，法院最终判决均认定擅自爬取网络数据予以非法利用属于《反不正当竞争法》所规制的不正当竞争行为。以上三类中，对于数据资产化起至关重要作用的当属企业数据的财产权，其主要的权属包括以下四项：1)

所有权。所有权是使用、拥有和处置财产的专有权利。数据的所有权包含对数据的某些权利，例如享用、使用、编辑、修改、出售、出租、赠送、共享、限制访问甚至销毁数据。也就是说，数据所有权是拥有合法权利并完全控制单个或一组数据元素的行为。数据所有者本质上管理其权限范围内的数据，包括管理术语表、定义和质量控制。数据所有者还需要确保遵守公司、行业和政府法规和法律。9数据资产化前瞻性研究白皮书2)

使用权。使用权是从物权派生的一项权能。财产权主要通过使用才产生收益。数据采集者采集信息后，通过使用信息获得竞争优势，从而达到其经济目的。使用和收益是促使企业进行信息、数据搜集整理的经济激励因素。数据的使用涉及对使用的途径和方式要进行相对的规制，使用的前提是不损害数据产生者的权益。这种限制包括法定的限制和约定的限制。例如不可假借使用信息为名，侵犯信息生产者的隐私，或者损害信息生产者的权益等，如此则是不被允许的。当前，业内专家学者的主流观点鼓励从数据权利中选取数据的使用权进行交易，并且尽量不触及数据所有权的交易。据产生者提供的，企业要采集这些信息，需征得其同意，甚至需要在履行特定告知义务的前提下征得其单独、明示、书面的同意。信息产生者有权决定是否许可他人采集其数据。相较于欧盟《通用数据保护条例》（GDPR）中企业可以依赖“合法利益”（legitimate

interest）作为获取个人数据的法律基础，中国法律对企业在经营活动中进行数据采集提出了更为严格的法律要求。5)

处分权。处分权也是基于物权法的处分权能所产生的权利。尽管立法上可能对数据权有不同的安排，但是在处分权上都是一致的，数据的权利主体对其掌握、生产、采集的数据有处分权，比如可以签订合同，将其采取的数据予以出售、出租等。3)

收益权。数据财产权所有人应被允许对其投入资源所获取的数据获得利益。收益权可能是来自本企业对数据的使用所产生的收益，也可来自于数据交易、进一步加工处理等行为所获得的收益。进一步加工处理时，可能产生新的信息，进一步可获得新的收益。数据处理人对新数据信息的产生，投入了新的资源、劳动，其对新的数据当然享有进一步的收益权。综上所述，普华永道认为实现数据产业的健康发展亟需建立可行的数据分类体系，明确不同类型数据权利在数据资产化过程中的定位和设计。数据作为不可或缺的生产要素，将在数字经济的发展过程中处于越来越重要的地位。对于个人数据、政务数据和企业数据进行合理划分，并对企业数据的采集权、使用权、收益权、处分权进行合理分配，不4)

数据采集权。数据采集权是数据产生者决

仅能够有效促进数据资产化的进程，还将有定是否许可他人对其产生的数据进行采集

利于保护数据主体权益并维护数据安全。的权利。企业之所以要采取数据产生者的数据信息，是由于这些信息汇集到一起将产生巨大的经济价值。但是这些信息是数数据资产化前瞻性研究白皮书10展望与建言在过去十余年的时间里，中国数字经济发展迅

然而，数据确权立法是一项复杂的系统工程，猛，数字经济在中国国民经济结构中起着举足

短期内理顺数据权属的法律关系绝非易事。轻重的作用。然而由于数据资产的特殊属性，

但是，从促进数字经济的角度出发，我们能否我国到目前为止还没有一部全国性的数据确权

“摸着石头过河”、在“先行先试”的具体实立法，这方面的立法缺失给司法实践、企业合

践中摸索出一套有利于整个数据交易行业的确规、行政监管均带来诸多不便。虽然地方政府

权方式，然后再以立法和行业规范的方式加以已经开始通过制定地方法律法规、建立数据交

确认？易中心机制等方式对数据权属及交易机制进行对于数据确权和数据资产化的法律监管制度层有益的探索，但尽早制定一部全国性的法律来明确数据确权的分割原则，明确划分数据所有者、持有者、处理者、使用者等不同主体之间的权利界限已迫在眉睫。面建设，我们设想如下：首先，发展数字经济需与隐私保护、数据安全齐头并进，强化数字治理。数据可以帮助人们作出商业决策，推动数字经济的发展。与此同时，数据的安全问题又可能制约数字经济的发展，并导致个人隐私面临安全挑战。坚持数字经济有序发展与数据安全、保护公民权益并重一直是我国明确秉持的立法原则。数字经济的良性发展需要在个人隐私保护、数据安全和数据价值释放三者之间实现利益平衡。在适度保护个人隐私的前提下推动数字经济的健康发展是国际趋势。今年10月18日，中共中央政治局就推动我国数字经济健康发展进行第三十四次集体学习。中共中央总书记习近平在主持学习时强调，要站在统筹中华民族伟大复兴战略全局和世界百年未有之大变局的高度，统筹国内国际两个大局、发展安全两件大事，充分发挥海量数据和丰富应用场景优势，促进数字技术与实体经济深度融合，赋能传统产业转型升级，催生新产业新业态新模式，不断做强做优做大我国数字经济。习近平总书记还强调，要规范数字经济发展，坚持促进发展和监管规范两手抓、两手都要硬，在发展中规范、在规范中发展。我国《数据安全法》是数据安全领域的基础法律，与现行的《网络安全法》和《个人信息保护法》并行成为网络空间治理和数据保护的三驾马车，共同构建起中国隐私保护、网络安全和数据安全的强大法律体系。《网络安全法》强调网络空间安全整体的治理，《数据安全法》侧重于数据宏观层面处理活动的安全与开发利用，而《个人信息保护法》负责个人信息的保护。这些法律针对企业的数据处理活动提出了一系列合规要求并建立了数据安全审查、安全评估、数据出境、数据分级分类、风险评估、出口管制等数据安全制度，为企业设定了多角度多层次的积极义务与消极义务，以便实现对数据安全的全面保障。有关部门正在制定细化的配套规定乃至实施指南，希望这些配套规定和指南早日出台，相信其必将极大地帮助企业在实践中更有效地落实数据治理制度。11数据资产化前瞻性研究白皮书第二，数据交易所是数据价值确认的基础设施。数据要实现资产化，需要建立规范的交易市场。因数据的复杂性和高度敏感性，国家要对交易市场进行严格管理。为加强数据交易中的风险防范，需要对数据权属作出明确声明，要对交易数据适用场景作出明确限制，选择正规的数据交易所进行交易而非黑市交易，以提高数据交易可追溯性。参考其他行业交易所的设立情况，数据资产的基本架构可以包括：第一种是数据交易所（中心），这是国家管理数据交易的主要模式；第二种可以是行业内的数据交易，可成为次一级数据交易平台。除此以外，国家应适时根据数据交易平台发展情况推出新的交易场所。2015年《促进大数据发展行动纲要》明确提出，“要引导培育大数据交易市场，开展面向应用的数据交易市场试点，探索开展大数据衍生产品交易，鼓励产业链各环节的市场主体进行数据交换和交易，促进数据资源流通，建立健全数据资源交易机制和定价机制，规范交易行为等一系列健全市场发展机制的思路与举措”。我国目前已经建立的政府类和平台类数据交易机构约有十多家，数据交易机构的经营范围一般包括大数据资产交易、大数据金融衍生数据设计及相关服务；大数据清洗及建模等技术开发；大数据相关金融杠杆数据设计及服务；以及经大数据交易相关监督管理机构及有关部门批准的其他业务。数据交易所将为数据商开展数据期货、数据融资、数据抵押等业务建立交易双方数据信用评估体系，增加数据交易流量，加快数据流转速。数据资产化前瞻性研究白皮书12第三，数据资产入市。数据资产如果不进行入市交易，将难以实现很好的收益。企业要将其数据作为资产，则不得不对数据资产进行规范化管理，在符合入市条件后入市交易。为此，入市条件以及入市前准备成为制度建设的重要内容。数据交易主体的门槛、交易数据的类型，以及数据交易合同的标准化文本预期有可能成为数据资产入市制度建设的重中之重。以数据交易合同为例，业内专家认为标准化数据交易合同文本可以在很大程度上促成数据资产的规模交易。我们在此呼吁有关部门尽快制定数据交易标准合同，明确数据交易主体、交易标的与范围、交易条件、交易价格等双方的权利和义务，以及适用法律和争议解决机制等。对于数据资产化，既要从技术上突破，同时也要在市场准入和市场交易行为上进行严格监管。在参与数据资产化市场主题建议及制度建设上，国家层面的介入不可或缺。以《深圳经济特区数据条例》为例，其中规定市场主体可以通过依法设立的数据交易平台进行数据交易，也可以由交易双方依法自行交易，但同时也规定了数据入市交易的限定性条件，例如交易的数据产品和服务包含个人数据未依法获取授权的，以及交易的数据产品和服务包含未经依法开放的公共数据均不得入市交易。截至2021年10月，我国已有13个省份出台了数据条例或草案。从各省市制定的相关数据条例（包括草案）来看，各地对于数据的目录管理、汇聚、共享、开放、利用和交易等均规定了不同的门槛和条件。第四，完善数据分级制度。数据可以根据竞争性和排他性等指标分成三个级别：私有数据、准公共数据和公共数据。具有竞争性和排他性的数据为私有数据，不具有竞争性和排他性的数据为公共数据，而准公共数据介于二者之间，具有有限的非排他性和非竞争性。完善数据分级制度有助于数据确权过程中的优先顺位。私有数据确权有利于实现个人隐私保护，从这个角度出发，在数据确权时，私有数据较准公共数据应享有优先权。从数据共享再用的角度来看，公共数据确权又更加有利于实现社会效益最大化。13数据资产化前瞻性研究白皮书第五，改善数据算法歧视。数据领域有一个大家熟知的缩写是“BIBO”（Bias

In,

Bias

Out），意指如果输入的是偏见，那么出来的结果也是偏见。数据算法通常被认为是中立客观的，会针对不同群体以同样算法作出决策，但事实上，源自人类社会的歧视也会被植入算法模型。算法歧视渗透于不同场景中，例如网络交易、商业推送、搜索引擎、金融消费记录、医疗、治安等。大家熟知的“大数据杀熟”就是算法歧视的典型案例。各大电商平台在了解不同消费者的消费习惯、消费记录和支付意愿后对用户进行精准画像，通过大数据算法实施价格歧视。此外，性别歧视、年龄歧视、身份歧视也经常在人工智能算法中呈现。不公平的算法蕴含着歧视风险，这种风险可能影响到算法控制的所有领域，不易察觉但又影响深远，不仅会固化社会歧视，还会加剧社会不公。改善并解决算法歧视已经成为业界亟需破解的命题。算法歧视不仅会侵害数据主体的合法权利，甚至会对特定数据主体构成冒犯。因此需要在发展数字经济的同时给予算法歧视高度重视。突破算法的专业壁垒，接受公众监督，有助实现算法的透明和公正。目前中国已经通过多部法律治理算法歧视的问题。例如新出台的《个人信息保护法》已经针对“大数据杀熟”作出规定——自动化决策必须保证决策的透明度和结果公平、公正，不得对个人在交易价格等交易条件上实行不合理的差别待遇。通过自动化决策方式向个人进行信息推送、商业营销，或作出对个人权益有重大影响的决定，均应当符合相应的法律要求。

除此之外，《消费者权益保护法》、《反不正当竞争法》等法律法规也针对算法歧视进行了相应规定。但是，上述法律规定关于治理算法歧视的内容过于粗线条，缺乏更具体的实操层面的内容。对于自动化决策，欧盟GDPR规定企业必须告知自动化决策的逻辑，并应从技术和组织结构上采取相应保护措施。此外，欧盟隐私保护机构会定期发布隐私保护义务的解释和说明，有助于提高法律透明度，为企业合规答疑解惑。我们预计，中国的立法者和执法者未来将作出类似更为明确的指导。综上所述，为顺应数据资产化的市场发展趋势，数据确权已经成为数据资产化道路上无法回避的命题。鉴于国家并未对数据确权作出清晰的法律规定，数据确权依然面临诸多方面的挑战。近年来在理论界和司法实务中，法律对个人信息、数据的相关规定日趋完善。在此背景下，对数据权属的剖析和讨论将更加有助于推动数据资产化。但这一过程任重道远，并非一蹴而就。平衡数字经济的发展与隐私保护、数据安全的关系，完善数据交易的基础设施、

推动数据资产入市等工作将是助推数据资产化的重中之重。数据资产化前瞻性研究白皮书14数据资产的估值体系框架的初步探究在数据资产交易逐渐成为社会各界关注重点的当下，设计和构建科学的数据资产估值体系对厘清数据资产属性、制定统一的定价机制、促进数据市场健康发展具有至关重要的意义。对社会而言，数据资产估值研究为数据资产交易统一定价模式提供了指导性框架体系及参考，促进构建流通的数据要素市场，提升社会各界对数据资产的认知，引导蓄势待发的数据交易市场正向发展。对企业而言，推进数据资产估值能够有效提升企业各业务线的运营效率和管理能力，定期的估值工作可以有效地协助管理层分析数据资产价值与企业价值的高度相关性，从而发掘高价值密度的数据，制定或修正业务发展目标及战略。此外，具有准确量化价值的数据资产可有效解决企业各部门在绩效理解、数字化运营等方面的沟通障碍，减少企业沟通成本，提高运营效率，推动企业整体朝着健康的方向发展。在此前推出的“数据势能”概念助力下，下文将进一步围绕数据资产的特性及发展阶段，展开关于数据资产估值框架的讨论，并希望借此机会与学术界、科研单位以及业内人士开展深度交流探讨，为构建完整数据资产估值框架体系、打通数据资产市场完整的循环链条奠定基础。15数据资产化前瞻性研究白皮书影响数据资产价值的因素作为专家建议，《资产评估专家指引第9号

3.

多样性：数据资产具备表现形式和融合形——数据资产评估》（以下简称“9号指引”）对数据资产的范畴及定义、基本状况、基本特征、分类等作出较为清晰的界定。鉴于估值方法的选择应当与待评估数据资产的基本特征、类型、价值实现方式等相匹配，因此在展开估值体系框架的详细介绍前，本文结合9号指引和其他行业的理论研究和实践，就数据资产特征和类别划分等作出简要梳理与归纳。态等多样性的特征。数据的表现形式包括数字、表格、图像、文字、光电信号、甚至是生物信息等。此外，数据库技术与数据、数字媒体与数字制作特技等融合亦产生多样的数据资产。多样的信息可以通过不同方法进行互相转换，从而满足不同数据消费者的需求。该多样性表现在数据消费者上则是使用方式的不确定性。不同数据类型拥有不同的处理方式，同一数据资产也可以有多种使用方式。数据应用的不确定性导致数据资产的价值变化波动较大。特征：数据资产的基本特征通常包括非实体性、依托性、多样性、可加工性、价值易变性等。4.

可加工性：数据可以被维护、更新、补充，增加；也可以被删除、合并、归集，消除冗余；还可以被分析、提炼、挖掘、加工以得到更深层次的数据资源。1.

非实体性：数据资产本身不具备实物形态，需要依托实物载体存在。数据资产的非实体性同时意味着其具备无消耗性，即数据不因使用而发生磨损、消耗等，故数据资

5.

价值易变性：数据资产的价值受多种不同产于存续期间可无限使用。因素影响，包括技术因素、数据容量、数据价值密度、数据应用的商业模式和其他因素等，这些因素随时间推移不断变化，导致数据资产价值具备易变性。2.

依托性：数据必须存储在一定的介质里。介质的种类多种多样，例如纸、磁盘、磁带、光盘、硬盘等，甚至可以是化学介质或者生物介质。同一数据可以以不同形式同时存在于多种介质。图1：数据资产的基本特征非实体性价值易变性•••不具备实物形态，依托实物载体存在•价值受多种不同因素影响不因使用发生磨损、消耗•包括技术、容量、价值密度、应用的商业模式等存续期间可无限使用依托性可加工性•必须存储在一定的介质里•••可以被维护、更新、补充、增加•可以以不同形式同时存在于多种介质可以被删除、合并、归集、消除冗余多样性可以被分析、提炼、挖掘、加工•••表现形式多样融合形态多样使用方式不确定数据资产化前瞻性研究白皮书16数据资产的类别划分：数据资产依据不同的

2.

按数据发展阶段划分：依照发展阶段，数划分标准（如发展阶段、数据应用所在的行业等）可以形成不同的类别。据资产可以分为原始数据、粗加工后数据、精加工后数据、初探应用场景的数据、实现商业化的数据等。1.

按数据应用的行业划分：数据资产可分为金融行业数据资产、电信行业数据资产、

由于数据资产具有如上特性，数据资产在实政府数据资产等，不同行业的数据资产具

现其价值过程中，即便是相同的数据资产，有不同的特征，例如金融行业数据资产具

其应用领域、使用方法、获利方式的不同，备高效性、风险性和公益性等特点。行业

其价值也存在差异。数据资产各自的鲜明特点基于各个行业的发展需要和需求生成，这些特征可能对数据资产的价值产生较大的影响。图2：数据资产的分类原始数据金融行业数据资产0102粗加工后数据电信行业数据资产按数据应按数据发精加工后数据（商业化前）数据资产用的行业划分展阶段划分政府数据资产0503初探应用场景的数据交通行业数据资产04经济效益实现初期的数据其他行业数据资产实现商业化的数据17数据资产化前瞻性研究白皮书从数据资产的加工过程及不同特性来看，我

亦不能忽视最根本的一个影响数据资产是否们不难发现数据的质量因素与数据的价值息

存在价值的因素，即法律和道德因素。基于息相关。同时，在数据的整个发展阶段，其

此，我们以下图概括各项因素对数据资产价对应应用场景的经济性和多维性亦在数据资

值的影响情况：产价值中起着至关重要的作用。然而，我们图3：数据资产的主要价值驱动因素风险因素数据质量•

准确性•

及时性•

完整性•

法律风险（安全与合规）•

道德风险•

时效性•

唯一性•

其他风险我国形成了以《网络安全法》《数据安全法》《个人信息保护法》为代表的数据安全及隐私保护顶层监管框架。数据质量的高低直接决定了数据使用的效率和最终成果的质量，对数据资产的价值有重要影响。01

0203

04数据发展阶段•

原始数据数据的应用场景•

场景界定•

粗加工后•

场景的多维性•

场景的兼容性•

精加工后•

初探应用场景•

经济效益初现•

实现商业化高价值更高的数据质量更高的数据资产价值零价值=更成熟的发展阶段更多维的应用场景风险因素数据资产化前瞻性研究白皮书18•法律风险：合法合规是数据资产使用的基本前提。企业正面临日趋严苛的数据合规监管，一旦违法，企业的数据资产价值可能清零。合规合法则将为数据资产价值保驾护航。01020304风险因素对数据资产价值的影响••道德风险：数据资产的使用还将面对舆论的监督。不合理的运作方式可能会引来舆论的谴责，丧失客户关系。其他风险：例如硬件风险、宏观经济风险、政治风险等。•••准确性、唯一性：主要取决于数据的来源。真实准确不重复的数据必将能够转化为稳健可靠的商业化成果，从而提升数据资产的价值。数据质量对数据资产价值的影响完整性：若数据充分、完整、可持续利用程度高，则可以大大减少企业补充遗漏数据及后续年度循环重复使用的成本。时效性、及时性：及时获取高时效数据，对于企业各方面的运营都至关重要。•••在初级阶段，数据资产还仅仅为原始未加工数据的形式，尚未有具体匹配的商业化场景，价值可能仅限于其开发成本。数据发展阶段对数据资产价值的影响经过一定的加工，数据资产在初步找寻到适用的商业化场景后，即具有了一定的盈利模式，其价值显著增加，但仍存在不确定性。最终，经过多次尝试，数据资产的商业化场景得以确定，多数的不确定性消除，数据资产价值显著增加实现最大化。••是否存在明确可界定的商业化应用场景决定了数据资产是否具有价值。在不同的商业场景下，数据资产也将发挥不同的作用，实现不同的价值。毫无疑问，数据资产所适用的场景越多维，场景之间的兼容性越高，则数据资产的价值越高。应用场景对数据资产价值的影响企业应当尽可能探索数据资产所适用的各种场景，如果场景之间是兼容的，则可以探索出数据资产在各个场景下的价值，综合考虑场景兼容程度，最终综合得到数据资产的总体价值。19数据资产化前瞻性研究白皮书数据资产估值框架体系鉴于前面描述的非实体性、依托性、多样性、

产。因此，传统的无形资产估值方法在评估可加工性、价值易变性等几大特性，数据资

数据资产时虽有一定的适用性，但又存在各产既具有了类似无形资产的特征，又因多样

种缺陷。在此基础上，我们结合数据资产特性和非耗尽性使得其异于我们常见的无形资

征和其发展阶段等方面提出以下框架及思路：图4：基于数据资产发展阶段的估值框架研究数据动能上升阶段数据势能到动能转化阶段数据势能形成阶段初探应用场景的数据（社会效益形成）进一步深度开发，实现商业化的数据（经济效益实现初期）粗加工后数据精加工后的数据数字资产商业化（经济效益实现）原始数据暂没有活跃交易市场的情形下——主要根据数据的发展阶段从成本角度及收益/效益角度对数据资产价值进行分析数据资产通过进一步开发，被应用于一些实际场景，并逐步产生社会价值。经济价值在社会价值形成基础上逐步体现，该阶段的显著特点是数据资产的社会价值较大，且高于经济价值数据资产在应用场景下，经过筛选，进一步赋能，经济价值逐步显现，在该阶段数据资产或将高于甚至远高于社会价值数据资产尚在开发形成阶段，尚未被正式运用，该阶段没有社会价值及经济价值••成本思路•可变现净值思路（经验证后没有可行商业场景的数据）模糊因素/数学评价思路•••数据势能模型实物期权模型••成本思路模糊因素/数学评价思路多因素修正后的增量效益折现模型••数据势能模型实物期权模型•非核心资产/因素剥离折现模型有活跃交易市场的情形下——可从数据资产交易价值（市场角度）结合类比数据资产特征进行分析多因素评价比较法神经网络模型数据资产化前瞻性研究白皮书20成本思路模糊因素/数学评价思路成本思路是从形成数据资产所需花费的成本

模糊因素/数学评价思路同样适用于处于开发进行评估的一种思路。尽管无形资产的成本

初期阶段的数据资产（即没有形成显著社会和价值先天具有弱对应性且其成本相对欠完

价值及经济价值的数据资产），为成本思路整，但一些处于开发初期的数据资产（即原

的进阶应用，其基本原则为：由于同样的投始数据及粗加工阶段数据资产）因尚无明确

入不一定有同样质量的数据，通过模糊数学应用场景，没有形成社会价值及经济价值。

评价方法对数据资产进行估值时，需要根据因此对于该阶段的数据资产，成本思路评估

数据的特征列出评价项目，对每个项目定出其价值存在一定合理性。评价的等级，并用分数表示，最后将所得分数进行加权平均，得到加权评价分数。早中期数据资产的估值即为数据的系统构建成本与加权平均分数/100的乘积，具体计算公式如下：公式：1–––100V=MES***nE=aSi;(i=1,2,3,…,n)i=1

i注：V代表数据资产价值，M代表数据系统构建成本，包括初始建设成本、累计运维成本及管理成本；E代表数据质量调整系数，其中a

是第i个评价项目所占的权重，S

是第i个ii元素所得到的分数；S代表数据安全合规系数。21数据资产化前瞻性研究白皮书数据质量调整系数（E）一般是数据资产专家根据数据资产的特性，从数据的准确性、完整性、及时性、时效性及唯一性等维度逐一进行打分评价，再经过加权平均后最终得出的结果。图5：数据质量调整系数的评价维度准确性完整性及时性时效性唯一性衡量所采集数据的真实且准确程度。数据的真实性和准确性越高，可分析性越强，数据的价值也越大。衡量所采集的数据是否存在缺失。完整的数据资产可持续

利

用

程

度

高

。若重要数据存在缺失，可能未来将支付额外成本进行数据补充。衡量数据更新频率的快慢，反应数据世界与客观世界的同步程度。数据的及时性主要与数据的同步和处理过程的效率相关。衡量最后一次数据更

新

时

点

与

期

望有效时间之间的差距，对于需要持续跟踪最新数据的用户

来

说

具

有

较

大意义。衡量是否存在重复数据，若数据重复性较高，会导致后续分析结果失真。数据资产化前瞻性研究白皮书22数据安全合规调整系数（S）一般是数据资产专家根据数据资产的安全性与合规性等维度进行打分评价，反映了对风险因素的综合考虑，以0～1的分值反映该系数的最终结果。具体打分维度及评分标准可参照下表（以政府公共开发数据为例）。根据目标数据资产的不同特性，评价维度可进行更改。图6：数据质量评价维度的评分标准0~20分21~40分41~60分61~80分81~100分20%以下数据正

20%~40%的数

40%~60%的数

60%~80%的数

80%以上数据正确描述目标实体

据正确描述目标

据正确描述目标

据正确描述目标

确描述目标实体特征。数据几乎

实体特征。可依

实体特征。可依

实体特征。可依

特征，数据几乎准确性完整性无法依赖。赖较少数据。赖近一半数据。

赖绝大部分数据。可以完全信赖。20%以下政府部

20%~40%政府

40%~60%政府

60%~80%政府

80%以上政府部门开放数据，可

部门开放数据。

部门开放数据。

部门开放数据。

门开放数据，几获取极少政府数

可获取较少政府

可获取近一半政

可获取绝大部分

乎可获取所有政据信息。数据信息。府数据信息。政府数据信息。

府数据信息。数据更新频率低

数据每年更新数据更新频率介

数据更新频率介

数据更新频率高于每半年1次和

于每季度1次和

于每月1次每季度1次之间

每月1次之间及时性时效性唯一性于每年1次最近一次更新时

最近一次更新时

最近一次更新时

最近一次更新时

最近一次更新时点在2015年点在2015~2017

点在2017~2019

点在2019~2020

点在2021年内年间

年间

年间以前80%以上重复数

60%~80%重复

40%~60%重复

20%~40%重复

20%以下重复数据集

数据集

数据集

数据集

据集23数据资产化前瞻性研究白皮书数据势能模型数据势能模型适用于经过精细化加工处理后形成一定应用场景的数据资产。该阶段的数据资产处于“能量”的存储积累的状态中（如下图“蓄能阶段”），蓄势待发。虽然没有产生商业利益，但在以数据驱动社会发展的重要趋势下，形成了不同程度的社会价值。1.数据开发价值（m），对应传统重力势能公式中的m（质量），即相对固定的因素，具体公式如下：nm=mqsi**0i=1该阶段的典型案例即公共开放数据。我国的公共数据开放尚处于早期实践阶段，至今不到10年的历史沉淀，截至2021年4月底，全国已有174个省市级公共数据开放平台正式上线，聚集了各地政治、经济、文化、金融、交通等优质资源，拓展了服务民生新渠道，在“惠民”以及“智能政务”

方面产生了巨大的潜在社会价值。同时在数据经济整体增长助力下，进一步赋能公共数据开放产生潜在“经济价值”。基于此，政府公开数据的价值将远远高于其单纯的数据开发价值，即其中蕴含着巨大潜在社会价值和经济价值。这些特征均与物理学的“势能”概念极其相似，因而产生了“数据势能模型”。注：m为数据系统构建成本，q为数据质量0i调整系数，s为数据合规安全调整系数。其中，数据系统构建成本（m0）是构建数据资产所需的全部投入，包括初始建设成本、累计运维成本及管理成本，具体为：••初始建设成本：数据存储占用的基础设施（机房、机柜、存储设备等）成本；运维成本：保障数据正常可靠服务所需的人力（员工成本）和物力（服务器、软件等）；•管理成本：数据加工、整理过程中设计的人力（员工成本、服务商费用、项目费用等）和物力（服务器、软件等）；公式：数据质量调整因素（q…q）具体参见本文1n数据资产价值

=数据开发价值

*潜在经济价值呈现因子

*潜在社会价值呈现因子“模糊因素/数学评价法”。Vd=mgh注：V代表数据资产价值，m代表数据系统构建成本，g代表潜在经济价值呈现因子，h代表潜在社会价值呈现因子。数据资产化前瞻性研究白皮书242.潜在社会价值呈现因子（h），对应传统重力势能公式中的h（高度）

。我们引入了指数介于0.5-1之间的幂函数来量化潜在社会价值（h）。具体公式为：3.潜在经济价值呈现因子

（g），对应传统重力势能公式的

g（重力加速度），在此我们将其定义为转换率，意在反映数据资产经济价值的潜在转换率。该阶段的数据资产，尚没有直接形成正向现金流以及增量现金流，但却蕴藏着巨大的商业潜能。h=da有别于传统的势能公式，在“数据势能”中，潜在经济价值呈现因子为非恒定因素,公式为：注：d为反映社会价值最具代表性的量化指标，如下载量/活跃用户数量/重复访问量/数据使用频率及粘性/数据使用满意度等，a代表效率指数。g=(1+ge)x其中，d是反映数据资产社会价值最具代表性的指标，该指标形式不唯一，但均需要满足如下特征：注：ge为因数据资产带来的收入增长率（例如数据经济生产总值的增长率），x为数据资产专家对数据资产应用场景多样性评分所对应的数值。•第一，可反映全社会，包括个人、企业、政府对于数据的认同程度，以及数据资产的有效触及率；2016年G20杭州峰会发布的《二十国集团数字经济发展与合作倡议》指出，数字经济是指以使用数字化的知识和信息作为关键生产要素、以现代信息网络作为重要载体、以信息通信技术的有效使用作为效率提升和经济结构优化的重要推动力的一系列经济活动。根据中国信通院发布的《中国数字经济发展白皮书》，数字经济具体包括数字产业化、产业数字化、数字化治理、以及数据价值化四大部分。数据是数字经济的血液，企业数据资产有助于驱动创新、优化资源配置、为企业和社会赋能，是数字经济价值的重要体现。由于数据资产价值与数字经济的呈显著正相关性，因此，我们引入数字经济价值的增长率作为计算潜在经济价值的关键参数之一。•第二，能体现用户对于数据资产价值以及对数据资产运用的认可，例如用户在点击浏览数据后选择下载保留或者在一段时间内反复登陆使用该数据，则更可能在未来对数据资产加以进一步的分析，在更加长期的时间里开发数据资产的价值；•第三，该指标的上升可一定程度反映“惠民”效应，即公众对于数据资产价值的认可，进一步使得数据资产在社会中得到更为广泛的流通及更多场景的应用，逐步改变经济商业模式及社会生活方式，产生巨大的杠杆效应。这一函数可以反映出社会价值的增长与d的正向非线性关系，无论是用户下载量还是活跃用户数，在数据资产构建初期，社会各界对数据资产的认知以及开发利用逐渐形成，数据资产蕴含的社会价值贡献度较高；到了成长期，随着民众对数据资产认识的逐渐提高，新增单位指标蕴含的社会价值贡献会持续上升，但不如发展初期迅猛，且逐步向商业化转化，形成经济价值。因此单从社会价值角度来看，其增长随着下载量的增加逐渐降低，符合边际递减规律，正如函数图像的斜率会从陡峭变得平缓。在此基础上，根据数据资产专家的数据资产应用场景多样性进行评分，确定对应的指数函数的另一变量x。数据如果能在一个行业内部流动起来，就能创造价值。数据在收集、分析和应用过程中不断流动，运用于不同的商业场景，使得数据资产的经济价值呈指数级扩大。因而，数据资产本身的潜在经济价值将随着应用场景的不断拓展而得到提升。25数据资产化前瞻性研究白皮书实物期权模型适用场景：一般适用于企业数据资产，同时

发展有可能面临的多类情况，具体模拟为多该数据资产的应用场景仍然存在一定的不确

种期权类型，包括扩张期权（企业未来的数定性。例如，企业未来可能会继续加大在该

据资产产生的收益能够满足要求回报率，则数据资产方面的投入，还可能因该数据资产

继续投入）、放弃期权（企业未来的数据资预计收益不能覆盖前期投入的成本（不能获

产产生的收益不能够满足要求回报率，则选得市场要求火爆率）而放弃数据资产的继续

择放弃）、延迟期权（延迟投入能够带来更投入。大的收益）等。而后根据不同情况下相应期权的价值，结合该情景发生的概率并折现，以得到数据资产在当下时点的价值最佳估计。期权是指持有人在限定的时间内能够以事先约定好的价格买入或者卖出一项资产的权利。期权对于所有者而言是一项选择权，因而所

实物期权法不仅能够帮助企业有效衡量数据有者可以根据某项资产未来的收益情况，在

资产于当下时点价值的最佳估计，亦能够协基于对其最有利的考虑下选择行使或者不行

助企业管理者在企业的不同发展阶段对于数使某项期权。在应用场景不确定情形下的数

据资产的发展作出最优决策。据资产估值中，可以根据企业未来数据资产图7：实物期权模型示例52.4345.7642.5436.5321.0816.4531.7521.5632.7818.5413.4625.9326.4515.7010.53第1年第2年第3年第4年第5年注：上图中的数字仅为示例具体步骤1.

估算企业于各年度运用数据资产能够获得的收益。预测年份越久远，不确定性越大，因此需要考虑多种情景（如上图，即第二年考虑二种情形，第三年考虑三种情景，以此类推）。根据风险中性公式，可以计算出各个情景的发生概率；张期权，行权价为扩张所需要的额外投入金额；3.

在各个情景下，通过比较行权和不行权两种决策企业能够获得的收益，来决策是否行使期权以及行使何种类型的期权；4.

将经过上步的决策得到的各个节点的最优价值，按照概率加权平均并以适当的折现率进行折现，得到的折现值即为数据资产于当下的价值最佳估计。2.

在各个情景（上图各个节点）下估算行权价。对于放弃期权，行权价为零。对于扩数据资产化前瞻性研究白皮书26多因素修正后的增量效益折现模型适用场景：数据资产已完全实现商业化，即产生稳定经济效益，但该数据资产一般为企业价值赋能之存在，而非企业核心资产或最主要的价值驱动因素。例如，数据资产能够帮助企业降本增效或者助力企业获取更多用户和开拓市场等，为企业进一步赋能。公式：TE–E′ttV=(1+r)tt=1注：V代表数据资产价值，T为数据资产的经济使用年限，E为企业在拥有被评估的数据资产的情形下各年度的经营收益，E’为企业在假设不拥有被评估的数据资产的

情形下各年度的经营收益，r为折现率。该方法的原理是：数据资产的价值等于其所节省的（带来的）各项增量效益现值之和。该方法的使用前提是企业内的数据资产可按照业务领域进行合理划分，按业务类型定位其对企业价值的贡献，并从成本节省或收益提升角度与业务价值进行关联。该方法适用于数据动能上升阶段中后期的数据资产，该阶段的数据资产，由于其在前期被探索和应用的过程中，给企业带来了一定的正向外部效应，例如一定程度上助力推动产业和社会的数据化发展与实践，协助引入和维持了忠诚的客户群，同时协助强化企业的品牌和社会形象等，因此在该方法中，社会价值与经济价值均较完整地体现于企业的现金流中。具体步骤：1.

识别被评估数据资产为企业带来的赋能场景（例如成本或费用的节省或运营效率的提升等）；能因为缺少数据资产导致其业务规模缩减，运营效率降低，从而影响收益；4.

必要时，对上述两种情形下的企业现金流2.

预测和计算企业在拥有被评估数据资产的情形下，未来各年度能够产生的现金流以及经营利润；进行因素修正，例如考虑调整因子等；5.

计算上述两种情形下企业现金流的差额，得到被评估数据资产所带来的增量效益；3.

假设在企业不拥有被评估的数据资产的情形下，预测企业未来各年度能够产生的现金流和经营利润。在该种情景下，企业可能需要花费额外的支出以获取数据资产的使用权，因而增加企业的成本；或企业可6.

将上一步中计算得出的增量效益以恰当的折现率进行折现从而得到被评估数据资产的价值。27数据资产化前瞻性研究白皮书以下通过两个例子进行说明，第一例为某商

风险管理，最终降低贷款逾期率并通过主动业银行的风险管理模型，银行风控人员通过

防控降低可能形成的不良贷款损失；第二例该模型有效分析申请人的信用状况，高效高

为某保险公司的营销模型，营销模型的设计质量完成贷前评估和审批。此举一方面大大

基于对大量历史数据的分析，开发强大的集改善了传统风险管理模式下效率低、成本高

成算法和深度学习算法功能，由此有效识别等问题，一方面减少了高风险贷款可能带来

出高营销成功率的客户的名单，实现精准营的潜在违约损失。此外还可通过模型进行贷

销，优化客户结构，提升客户满意度，并最后监控，实现风险预测、风险预警和有效的

终转化为企业销售收入的提升。图8：增量效益折现模型示例增量部分增量部分增量部分增量部分增量部分第一年第二年第三年第四年第五年数据资产化前瞻性研究白皮书28非核心资产/因素剥离折现模型适用场景：数据资产已完全实现商业化，即产生稳定经济效益，一般作为企业的核心资产和最主要的价值驱动因素。例如，企业的主营业务收入及收益来源于出售或许可市场用户使用企业所拥有的数据资产。图9：企业的主要价值贡献资产010203数据资产其他流动资产其他长期资产该方法的原理是：数据资产的价值等于其所应用的对应商业场景所产生的现金流扣除其他资产/要素的必要贡献后所形成的超额收益现值的总和。公式：TEt–(A1+A2+…+An)tV=(

1+r)

t该

方

法

适

用

于

数

据

动

能

上

升

阶

段

的

数

据资产——以被应用的商业场景为单位，该阶段的数据资产在前期被运用的过程中形成的社会价值为其数据资产带来了一定的壁垒及品牌效应，同时也引入了忠诚的客户群，因此在该方法中，社会价值与经济价值均较完整的体现在企业的现金流里。t=1注：V代表某一应用场景下的数据资产价值，T为数据资产的经济使用年限，E为因使用数据资产而给企业带来的经营利润；A为贡献资产/要素（为与该数据资产一起共同发挥作用并与该数据资产一起对未来收益产生贡献的非核心资产/要素）的贡献值，r为折现率.具体步骤：1.

识别被评估数据资产在企业中被应用到的核心资产/要素，一般包括营运资金、固定资产（如有）、人力资源等（“非核心资产”）。计算非核心资产的贡献值，从被评估数据资产与贡献资产共同产生的现金流中扣除；商业场景；2.

计算被评估数据资产和其他资产共同产生的现金流，及该场景商业化的经营利润；3.

识别与该数据资产一起共同发挥作用并与4.

将计算的超额收益以适当的折现率进行折该数据资产一起对未来收益产生贡献的非现从而得到被评估数据资产的价值。举例：以企查查等以数据查询服务为主营业

提示”等板块实现向C端的盈利。数据资产是务的企业为例，该公司为用户提供免费的一

企查查的核心资产，也是其主要和根本的盈站式企业信息查询服务——通过将政府公开

利来源。信息进行一定程度上的数据清洗、整合和加工，形成可视化、集成式的信息产品，免费开放部分信息进行用户吸引，并通过“风险29数据资产化前瞻性研究白皮书可变现净值法适用场景：数据资产经验证后发现没有适合的应用场景，或将被淘汰。以数据资产于预计处置日的估计处置价格，减去为处置该资产需要额外发生的费用（例如交易成本，税费）等，得到期末的可变现净值，将其通过合适的折现率折现以得到数据资产于当下的估计价值。在该方法下，可能需要配合其他方法（例如市场法）来确定数据资产的预计未来处置价格。极端情形下，结果接近于零。具体步骤：1.

估算企业对于数据资产的预计处置日；4.

根据以上步骤所得到的结果，计算数据资产于预计处置日的可变现净值；2.

结合其他方法（例如市场比较法、现金流折现法等）估算数据资产于预计处置日的

5.

估算合适的折现率，将可变现净值折现至处置收益；估值基准日，得到数据资产于基准日的价值。3.

估算需要额外发生的处置成本，例如交易成本、相关税费等；数据资产化前瞻性研究白皮书30多因素评价比较法适用场景：存在活跃的数据资产交易市场。

选取与被评估数据资产价值高度相关的驱动企业价值评估领域有市场价值比率的概念，

因素，并对这些因素进行量化评价得到综合类似P/E,

P/B等，以可比上市公司的市场价

评价系数。相对于单一财务指标而言，以通值比率乘以被评估企业对应的财务指标从而

过考虑数据资产价值驱动因素的综合评价系得到被评估企业的股权价值。在数据资产估

数作为价值比率的分母更能反映数据资产价值中，同样可以采用该相对值比较法，且在

值的驱动源，可得到更有意义的价值比率。分析分母的过程中可以带入该方法——通过图10：多因素评价比较模型示例15%指标310040%045%指标1指标250701020304050607080901001.

选取指标并分配权重：分析和选取与被评估数据资产高度相关的驱动因素/指标并根据重要性/贡献程度等对指标进行赋权2.

量化评价：逐项对各个因素/指标进行量化评价和打分具体步骤：1.

识别与被评估数据资产价值高度相关的驱动因素和相同的数据资产。鉴于其应用领域、使用方法、获利方式不同所造成的价值差异，驱动因素的选择没有标准化，一般会围绕数据资产的质量因素、容量因素、垄断因素、商业流通因素等方面进行考量；因素维度，对被评估数据资产以及可比数据资产进行量化评价/打分，并对该等因素对数据资产价值的重要程度（权重）进行分析，求取各自的综合评价系数；4.

基于可比数据资产的交易价格和综合评价系数，得到市场价值比率/乘数；5.

取合适的市场价值比率/乘数乘以被评估数据资产的综合评价系数得到被评估数据资产的价值。2.

选取可比的交易数据资产并收集信息；3.

在可行的基础上，基于所有识别出的驱动31数据资产化前瞻性研究白皮书神经网络模型适用场景：数据资产交易市场成熟、有序且

会指标等等作为输入值和学习训练数据，以活跃，且具有大量的交易数据和数据资产交

实际成交价格作为检验，通过模型自身不断易信息。模拟、学习和训练所建立起来的具有较高预测精度的数据资产交易价格预测模型。方法概要和原理：神经网络模型是一种以神经元数学模型为基础、模拟人脑系统结构和

结合数据资产交易公开化优势以及神经网络功能的抽象数学模型，是一个高度复杂的非

模型的动力学习特性，