基于改進超額收益法的企業數據資產價值評估

苑澤明（教授/博導）張永安 王培琳（博士）

（天津財經大學會計學院 天津 300222）

一、引言

隨著大數據時代的來臨和數字技術革命的崛起，數據資源對各國的發展已愈發重要。2019年，美國《聯邦戰略和2020年行動計劃》明確將數據列為一項重要的國家戰略資產；歐盟在2020年出臺了數字化戰略，著力于推動具有歐盟特色的數字化發展模式；日本設立數字擔當大臣，并提議成立數字廳，以此引領日本數字經濟發展。與此同時，我國正在加強數字經濟的建設，“十四五”規劃綱要指出：我國要加快建設數字經濟、數字社會、數字政府，以數字化轉型整體驅動生產方式、生活方式和治理方式變革。數據經濟不僅是政府主導的產物，更是市場發展的選擇，像Factual，Data Plaza和貴陽大數據交易所等數據交易平臺都已相繼出現。

數據時代的到來為經濟發展和社會進步帶來了新思路，數據資產作為一種非標準化的新事物，其價值對數據的供需具有雙向不確定性。當下，對數據資產的理論研究遠遠落后于商業實踐，資本市場常常出現一些難以解釋的現象，如處于常年虧損狀態的某些互聯網企業在資本市場卻深受投資者的喜愛并獲得了巨額的資金；業績平平的數字信息企業存在明顯的市場溢價；企業以一種明顯虧損的營銷方式進行客戶信息收集和顧客滿意度調查等。這些現象出現的原因之一是企業已經認識到數據資產對自身發展的重要性，但數據資產的市場機制尚未建成，數據資產在企業之間的交易和流通缺少可靠的參考依據。

本文的主要貢獻之處在于：第一，對數據資產的界定和歸屬進行說明，并分析了數據資產的價值構成，為企業數據資產的確認和估值奠定理論基礎。第二，構建數據資產的估值模型，為數據資產在企業間的流通和交易提供可靠的價值參考工具，同時也為企業確定數據資產的價值提供全新思路。

二、文獻回顧

（一）數據資產的界定

“數據資產”最早由Richard E.Peters（1974）提出，他將數據資產視作像政府債券一類的資產。現代數據資產的研究始于“大數據之父”維克托·邁爾·舍恩伯格（2013），他預測數據資產最終會像固定資產一樣單獨列示在資產負債表中。2019年，美國實施的《開放政府數據法》從法律的角度將數據資產定義為可組合在一起的數據元素或數據集的集合。近年來，國內學者開始逐漸重視數據資產的研究，但對數據資產的界定，不同學者提出不同的觀點。李永紅等（2018）利用生命周期理論去界定數據資產，認為原始數據只有經過加工處理后，能為企業帶來經濟利益時才能稱為數據資產。秦榮生（2020）結合IASB（2018）對資產的定義，從數據和資產兩個維度出發，將數據資產定義為企業由于過去事項而控制的現時數據資源，并且有潛力為企業產生經濟利益。石艾鑫等（2017）從數據的分類出發，將數據分為結構化和非結構化兩類，只有經過加工處理后能為機構和個人帶來經濟利益流入的數據資源才能稱為數據資產。李雅雄等（2017）從數據資產的商業本質出發，認為當企業擁有的可計量的數據資源能夠實現企業特定的商業目的，并且給企業帶來經濟利益流入時，數據資源可稱為數據資產。

（二）數據資產的歸屬

不同學者對數據資產的歸屬持有不同觀點。張俊瑞等（2020）從數據資產的特征出發，將數據資產歸屬于無形資產的范疇。Warren等（2015）認為大數據類似于企業的品牌形象，間接支持了數據資產屬于無形資產的范疇。楊訓等（2016）認為數據資產滿足廣義無形資產的特征，可將其歸為無形資產。但有學者認為，應單獨對數據資產進行歸類確認，李雅雄等（2017）認為數據資產與其他資產的內涵存在明顯差異，應單獨對數據資產進行歸類確認。譚明軍（2021）認為數據資產是獨立于無形資產的另一種資產。也有學者認為數據資產和無形資產即存在重復部分，又各具差異，這些灰色部分有待學者繼續研究予以確認。阮詠華（2020）認為，根據數據資產在企業營業周期內發揮的作用，可將數據資產歸屬于存貨或者無形資產，如果數據資產僅在一個營業周期內發揮作用，可將其歸屬于企業的存貨，如果數據資產可以在多個營業周期內持續發揮作用，可將其歸屬于企業的無形資產。祝子麗等（2018）認為，將數據資產歸為無形資產的學者忽略了有些數據資產不符合無形資產的定義，而對其單獨確認會忽略有些數據資產正好滿足無形資產的全部特征，這些灰色區域有待學者繼續研究。

（三）數據資產的估值

對數據資產估值的研究主要有三個方面。

在對傳統方法改進方面，李永紅等（2018）利用層次分析法和灰色關聯分析法對傳統的市場法進行了改進。趙麗等（2020）用成本法、收益法給出了數據資產的理論價格區間，并以討價還價的模型確定數據資產的交易價值。劉琦等（2016）利用層次分析對傳統的市場進行改進。

在新模型構建方面，張志剛等（2015）從數據資產的成本和應用出發，利用層次分析法構建數據資產的估值模型。閉珊珊等（2020）從數據資產價值影響因素的關鍵因素出發，將關鍵影響因素歸為成本費用、固有價值、市場供求和環境約束四個方面，以此構建數據資產的評估模型。翟麗麗等（2016）構建了LSM模型對移動云計算聯盟企業的數據資產進行估值。王靜（2019）利用層次分析法構建數據資產影響因素的評價指標體系，然后結合B-S理論構建數據資產的評估模型。

從經濟學的供求角度出發，左文進等（2019）對傳統評估方法比較后，將博弈論分析法和破產分配法引入數據資產價值評估模型，設計了數據資產分解估價方法。尹鑫（2018）提出了大數據定價的二價委托拍賣方案，從拍賣定價的視角研究大數據定價。熊勵（2018）等以客戶感知價值為視角，提出數據資產應由供需雙方進行博弈定價。

（四）文獻述評

綜上所述，對于數據資產的界定，國內外學者尚未達成一致意見，有學者以會計中資產的屬性出發對數據資產進行界定，往往過于關注數據資產的會計屬性，而忽略了數據資產的本質特征；有些學者往往過于關注數據資產的內部特征和形成機制，從而忽略了數據資產作為一項資產的會計屬性。本文從數據資產的本質特征和會計屬性出發，將數據資產定義為：企業在日常生產經營活動中創造的，能夠掌握其所有權和控制權，并且能為企業帶來經濟利益流入的所有數據資源和數字信息。在對數據資產的歸屬方面，針對數據資產是否歸屬于企業的無形資產學者們持有不同觀點，但鑒于數據資產的本質特征，可以將其歸屬于無形資產的范疇。

在數據資產估值方面，已有研究或借鑒傳統無形資產的評估方法，或構建新模型進行評估，都取得了一定成果，但仍存在研究局限：第一，鑒于數據資產的市場機制尚未形成，又具有成本難衡量性，市場法往往缺乏參照對象，而成本法會大大低估數據資產的價值。第二，利用數理統計結合數據資產價值影響因素構建的新模型都存在適用性有限的缺點。基于此，本文提出了對所有企業數據資產估值普遍適用的改進超額收益模型。

三、數據資產價值構成及評估方法適用性分析

（一）數據資產的價值構成

企業日常生產經營活動中創造的一系列原始數據經過收集、整理、分析和可視化處理才能形成一項數據資產。數據資產的價值只有在使用或傳播時才能體現，它的主要用途有兩種，一是企業自身使用，二是企業轉讓給其他企業使用。數據資產的價值可以從數據資產流轉的三個階段進行分析：

第一階段，數據資產的收集形成過程，此過程數據資產的價值體現在所耗費的成本。數據資產的收集整理、分析和透視化等都需要耗費大量成本，這些成本不僅包括企業為收集分析數據所發生的設備購買和磨損，更包括企業直接投入的研發費用和管理費用。

第二階段，數據資產的儲存和傳播過程，此過程數據資產的價值體現在運維成本。數據資產形成后，為維持其正常狀態和控制權有效地轉移，企業儲備和升級初步形成的數據資產所發生的費用。

第三階段，收益實現過程，此過程數據資產的價值體現在為企業創造的收益。這一過程，數據資產能為其所有者帶來一定收益，這種收益是企業現金流量的流入，主要指數據資產對收入的邊際貢獻，此過程往往是數據資產價值體現的核心環節。收集形成、儲備傳播和收益實現，這一系列過程是數據資產價值生命鏈的主要環節，這些環節能否有效地發揮取決于諸多相關因素，圖1為數據資產的價值形成圖。

圖1 數據資產的價值構成

（二）評估方法適用性分析

通過對數據資產的界定及歸屬問題的分析，我們可以借鑒無形資產的評估方法對數據資產進行評估，但現有的評估方法都存在相應的局限性。

從成本法來看，由于數據資產成本與其他相關資產成本的模糊性以及數據資產收益的不確定性，成本法往往會低估數據資產的實際價值。從市場法來看，由于數據資產的市場機制尚未建成，缺少活躍的公開交易市場，因此，市場法評估數據資產的價值往往缺少參照對象。從傳統收益法來看，評估數據資產價值存在以下難點：其一，過去收益額的確定，由于當下企業年度報告中基本不會披露數據資產的相關信息，因此，很難直接確定數據資產過去的收益額。其二，未來收益額的預測，即使可以確定過去數據資產的收益額，對數據資產未來的收益額也很難預測。基于此，本文提出了改進超額收益模型用以評估數據資產的價值，該方法不僅可以克服成本法低估數據資產的價值和收益法缺少市場參照物的缺點，而且以未來收益作為價值衡量標準可以對數據資產的實際價值進行準確評估。

四、改進超額收益法改進思路

企業組合無形資產的價值由其超額收益確定，而各單項無形資產的價值需從組合無形資產的超額收益中分割確定。數據資產作為企業組合無形資產的一部分，測算其創造的超額收益可以從組合無形資產創造的超額收益入手，選擇合適的方法將數據資產創造的超額收益從組合無形資產分割出來。

本文首先選擇合適的方法測算企業整體的超額收益，由于這些超額收益是由企業擁有的組合無形資產創造的，所以需要對企業擁有的組合無形資產進行分類，然后結合AHP確定組合無形資產中數據資產超額收益的分成率，用此分成率乘以企業創造的整體超額收益便得到企業過去數據資產的收益額，然后以此數據為基礎，應用GM（1，1）灰色預測模型預測企業未來的超額收益，最后選擇合適的折現率和收益期限對數據資產未來的收益額進行折現，便得到企業擁有的數據資產的價值。其基本評估模型如下：

其中：Rt：第t年數據資產的收益額；i：折現率；n：收益期限。

（一）企業整體超額收益的計算

在使用超額收益法對企業數據資產進行估值時，首先要確定企業是否存在超額收益，可以通過企業相關財務數據與行業數據比較確認企業的超額收益。本文首先測算企業的超額收益率，然后以超額收益率乘以企業資產總額便得到企業的超額收益，具體計算公式如下：

（二）過去數據資產收益額的確認

1.組合無形資產分類。本文結合會計學、經營學和管理學的角度劃分企業擁有的無形資產。首先從會計學的角度，以是否在財務報表中披露為依據，將企業擁有的無形資產劃分為表內無形資產和表外無形資產。對于在報表中披露的無形資產，從經營學的角度出發，將其分為商譽、知識類無形資產、特許資源類無形資產。知識類無形資產是指企業報表中披露的企業擁有的商標、專利、非專利技術、版權、工業設計等無形資產；特許資源類無形資產包括企業擁有的特許權、礦業權、租賃權、土地使用權等。對于報表中沒有披露的無形資產，結合管理學和經營學的劃分標準分為數據資產、人力資產、關系類無形資產、企業管理類無形資產和其他無形資產。數據資產是指企業擁有的所有能為其帶來經濟利益流入的數據資源，涵蓋企業在生產、銷售、管理和研發中收集的數據資源；人力資產是指企業員工的專業技術水平和素質能力，它是企業擁有競爭力和凝聚力的根本保障，可以為企業創造源源不斷的經濟收益，人力資產具體包括員工的專業技能水平、員工受教育水平、管理人員素質等；關系類無形資產指企業在經營過程中與企業供應鏈上下游企業之間的關系、企業與政府關系等的各類關系類無形資產；企業管理類無形資產主要包括企業的內部管理制度優勢，企業文化以及企業的一些特殊性內部政策優勢等；其他無形資產是指除上述無形資產以外的無形資產。無形資產指標匯總如下頁表1所示。

表1 組合無形資產分類

需要注意的是，有些企業年度財務報表中披露的無形資產包括客戶關系，但現階段大多數企業報表中披露的無形資產不包括客戶關系。由于后文研究的案例企業360并未在披露的無形資產中列示關系類無形資產，因此，本文將關系類無形資產劃分在表外無形資產的類別下。

2.層次分析法確定過去數據資產收益額。本文采用層次分析法結合下頁表1組合無形資產指標體系確定數據資產的收益分成率，以此分成率乘以企業整體的超額收益，便得到企業過去數據資產的收益額。在應用層次分析法確定分成率時，由于準則層（表內無形資產）中各類無形資產的占比可以通過目標企業的年度財務報表求得，因此，在具體操作時僅對表外無形資產進行權重測算。具體的測算程序如下：

步驟一：建立層次結構模型。根據表1，將組合無形資產設為目標層A，將表內無形資產和表外無形資產設為準則層B（B1，B2），將商譽、知識類無形資產、特許資源類無形資產、數據資產、人力資產、關系類無形資產、管理類無形資產和其他無形資產設置為準則層C（C1，C2，C3，C4，C5，C6，C7，C8），并以此構建層次分析模型。

步驟二：構建判斷矩陣。層次分析模型中下層次的各因素對上層次的某個因素的影響程度存在差異，因此，可以邀請n位專家對同一層次的指標兩兩對比進行打分，打分時遵循以下規則：比較同一層次內各因素的重要性，依據分值1—9，越重要的因素得分越低。據此分別搭建兩個層次之間的判斷矩陣。

步驟三：計算判斷矩陣的最大特征值和對應的特征向量。

步驟四：一致性檢驗。對判斷矩陣進行一致性檢驗，一致性檢驗指標CI的計算公式如下：

n表示判斷矩陣的階數，當n大于2時，需要計算隨機一致性比率CR，其公式如下：

RI可以根據一致性比率表獲得，當CR小于0.1時，通過一致性檢驗。

步驟五：計算各無形資產權重。在判斷矩陣經過一致性檢驗后，對其最大特征值對應的特征向量進行歸一化處理，得到判斷矩陣的權向量，即本層次各要素對上層要素的權重。分別計算每層次判斷矩陣的權向量，并以此計算每個指標占組合無形資產的權重。其中，數據資產的權重即為數據資產在整個組合無形資產超額收益中的分成率，以該分成率乘以企業過去整體的超額收益，便得到過去數據資產的收益額。

（三）未來數據資產收益額的預測

對數據資產未來收益額的預測主要有兩種方法：一是預測企業未來各項財務指標并以此計算企業創造的整體超額收益，然后利用AHP確定的分成率間接測算數據資產未來的收益額。二是直接利用計算的過去數據資產的收益額，結合相關數理統計模型預測企業未來數據資產的收益額。由于第一種方法需要對企業和行業多個財務指標進行預測，不僅工作量巨大，而且增加了結果的不確定性，鑒于此，本文采用第二種方法對數據資產未來的收益額進行預測。使用第二種方法預測數據資產未來收益額時，常用的定量數學預測模型有時間序列分析模型、BP神經網絡模型和灰色預測模型。時間序列模型和BP神經網絡模型的建立需要相當的原始數據，但數據資產的發展是伴隨著互聯網的發展和數據經濟的發展誕生的，它的出現較晚，許多企業沒有記錄或者根本不存在過去數據資產的相關數據，因此，時間序列模型和BP神經網絡模型都不適用于預測企業未來數據資產創造的收益。而灰色預測模型具有所需原始數據較少，對不確定因素預測效果較好的優點。基于此，本文利用灰色預測模型中常用的GM（1，1）模型對數據資產未來的收益額進行預測。

灰色預測模型是對少量的、含有不確定因素的信息進行預測的方法，該模型是處理小樣本預測問題的有效工具。使用該方法預測首先對將原始數據進行處理，形成有規律的數據序列，然后建立微分方程，以此預測事物未來的發展狀況，目前最常用的灰色預測模型為GM（1，1）。用GM（1，1）模型的基本步驟如下：

步驟一：弱化隨機性。

設X（0）為原始序列，并記：

其中：n＞m；m=1，2，3…n ；t=1，2，3…

步驟二：微分方程擬合。采用一階微分方程進行擬合，得到白化方程GM（1，1），即：

其中：a是常數，b為發展灰數，這是一個一階線性方程，它的解為時間響應函數。

當t=1，X（1）（t）=X（1）（1）時，方程（8）的解為：

上述公式（9）可轉換為：

其中：t=0，1，2，.....n-1

根據上面算式求出a、b，并將其代入方程即得灰色模型。

步驟三：預測還原

X（1）（t+1）為累加的預測值，將預測值還原即為：

步驟四：殘差檢驗。為了保證模型預測的可靠性，減少誤差，需要對模型進行檢驗。一般使用精度檢驗測量模型的偏差程度，偏差程度與精度往往呈反向變動，即偏差程度越大，精度就越低。本文采用殘差檢驗法。

平均殘差θ=1（/n-1）*∑ε（t）（t=1，2，.....n），精度p=（1-θ）×100%，p值越大模型越好，當p＞80%，建立的模型達到了基本要求。精度檢驗表如表2所示。

表2 精度等級表

用此方法預測企業未來數據資產收益額時，首先對上文測算的過去數據資產的超額收益進行處理，然后利用該數據并結合GM（1，1）模型，可以精確預測企業未來數據資產創造的收益額。

（四）折現率和收益期限的確定

1.折現率的確定。在確定折現率時，首先要保證收益額與折現率口徑相一致，其次，折現率的選取應充分考慮數據資產所面臨的風險。由于上文對企業超額收益的測算是從凈利潤的角度出發，因此本文使用資本資產定價模型確定其權益資本成本，然后在權益資本成本的基礎上加上數據資產的特定風險報酬率，即可得到折現率。

上式中，為了計算簡便，實務中常以國債利率代替無風險收益率Rf，以市場的平均收益率代替期望報酬率Rm；β系數常使用Wind金融資訊中對被評估企業β值的測算，η為數據資產特定的風險報酬。

2.收益期的確定。收益期是指能持續為資產所有者帶來超額收益的期限。收益期限的確定一般有兩種方法：一是根據相關法律法規或是合同協議進行確定。二是法律法規或企業合同無規定的，根據資產的經濟壽命期限確定。收益期限應當遵循經濟壽命和法定壽命孰短原則。數據資產作為網絡時代的衍生物，國家尚未出臺有關數據資產經濟壽命的法律文件，如果交易雙方在簽訂合同時約定了數據資產的轉讓期限，則以此為收益期限。如果交易雙方沒有簽訂合同，可以根據數據資產是否持續更新確定。數據資產不僅具有時效性，而且容易被泄露，其獨占權和確權度往往易受外界環境影響，一旦數據資產缺乏時效性和確權度，就無法為其擁有者或使用者帶來超額收益。因此，如果交易雙方達成交易后，確認后續將持續更新數據資源，則可以認為數據資產的收益期是無限的，如果雙方達成交易后不再更新數據資源，則可以根據數據資產的迭代更新速度和其時效性和獨占權等，將數據資產的收益期限固定在一個具體的時間段內。本文在對數據資產估值時，假定收益期是無限的。通過以上對數據資產未來的收益額，折現率和收益期限的確定，即可得到改進的超額收益模型。

五、案例分析

360是國內領先的互聯網安全服務供應商，主要從事互聯網安全技術的研發和網絡安全產品的設計、開發和運營。目前，360在行業中具有明顯的優勢，通過分析公司往年的財報，首先，發現該公司相對于行業中的其他企業擁有明顯的超額收益，并且超額收益的增長相當穩定。其次，該企業利用自己開發的網絡產品收集了海量的數據信息，并在此基礎上發展互聯網廣告及服務和以游戲業務為主的互聯網增值服務等商業化產品及服務體系，這些業務和產品與企業的數據資產高度相關，因此，該公司的數據資產是其創造超額收益的關鍵性資產。從超額收益和數據資產的角度出發，本文以360為例進行模型說明。

（一）企業整體超額收益的確定

本文以企業相應的財務指標結合公式（2）、（3）確定過去360企業整體的超額收益，結果如表3示。

表3 企業整體超額收益

表3中360的超額收益在2016—2019有明顯上升的趨勢，2020年受新冠肺炎疫情的影響，企業整體的超額收益下降明顯。

（二）過去數據資產收益額的確定

1.數據資產分成率的確定。對于表內無形資產中各類無形資產的占比可以通過查看企業近四年的年報，以平均值代替，具體數據如下頁表4所示。

表4 表內各無形資產權重

通過計算2017—2020年企業表內無形資產中各類無形資產占比的平均值，得到商譽的權重為74.58%，知識類無形資產的權重為19.72%，特許資源類無形資產的權重為5.70%。對于表內和表外無形資產在組合無形資產中的權重以及表外無形資產中各類無形資產的權重，本文結合調查分析法及層次分析法予以確定。根據問卷調查結果及訪談意見，結合1—9標度值得到判斷矩陣A-B和B2-C，如表5、表6所示。

表5 A-B：目標層判斷矩陣表

表6 B2-C方案層判斷矩陣表

對上述判斷矩陣進行層次單排序，分別得到A-B和B2-C的特征向量和無形資產的權重值（即為數據資產在企業整體超額收益中的分成率），對判斷矩陣進行層次總排序，其結果如表7所示。

表7 表外各無形資產權重

2.過去數據資產收益額的確定。將測算的數據資產分成率（權重值）乘以企業過去創造的整體超額收益，便得到企業過去數據資產的收益額。其結果如表8所示。

表8 數據資產收益

（三）未來數據資產收益額的預測

企業數據資產未來收益額的預測存在灰色領域，針對此種現象，本文以上文測算的歷史數據資產收益額為基礎，利用GM（1，1）模型對企業未來數據資產所創造的收益額進行預測。鑒于2020年新冠肺炎疫情爆發的特殊性，本文將2020年的數據從模型中剔除，以2016—2019年的數據資產收益額的數據建立模型，實際值與GM（1，1）模型預測的擬合值的結果如表9所示。

表9 GM（1，1）擬合值

由表9可知，該模型的后驗差比C值小于0.35，意味著模型精度等級非常好，最大相對誤差小于0.1，且P值大于0.8，意味著該模型擬合效果達到較高要求，可以用來預測360未來數據資產的超額收益。通過上文建立的GM（1，1）模型對360未來5年的數據資產收益額進行預測，預測結果如表10所示。

表10 數據資產收益額預測值 單位：億元

（四）折現率的確定

首先，采用CAPM確定360的權益資本成本，無風險利率參考2021年6月10年期國債到期收益率確定為3.13%，查詢Wind金融終端得到360的β值為0.91，市場平均風險報酬率Rm選取上證綜合指數自實行自由競價以來近20年的指數平均收益率9.68%，則權益資本成本為9.09%。參考國家對于數據資產的宏觀政策以及數據資產的市場環境，將數據資產的特定風險報酬率設為4%。最終，本案例中數據資產的折現率=公司權益資本成本+數據資產特定風險報酬率=9.09%+4.00%=13.09%。

（五）360數據資產價值評估

本文擬對360數據資產的市場交易價值進行評估，假定360在數據資產交易后，每年將持續更新實時產生的數據資源和數字信息，因此，本文認為360數據資產的收益期限是無限的。目前，360尚處于發展階段，相關財務指標呈現出波動現象，但隨著宏觀經濟政策的偏向和企業經營戰略的確定，360將進入穩定發展階段，故本文將采取兩階段模型對企業數據資產進行評估，增長率結合我國宏觀經濟發展的趨勢確定為4%，其評估值如表11所示。

表11 數據資產收益現值 單位：億元

將表11中數據資產的收益現值進行加總，得到360數據資產的最終評估值為149.309億元。

六、結語

本文以數據資產為研究對象，首先在回顧已有數據資產的研究基礎上，對數據資產的定義和歸屬進行分析，然后利用超額收益法的評估思路，構建數據資產估值模型并對數據資產的超額收益、折現率和收益期限等參數展開具體的討論。在此基礎上，以360企業的數據資產為研究對象進行估值案例分析。本文主要得出以下兩個結論：

第一，對數據資產的基本概念，歸屬進行說明。首先，將數據資產定義為：企業在日常生產經營活動中創造的，能夠掌握其所有權和控制權，并且能為企業帶來經濟利益流入的所有數據資源和數字信息；其次，將數據資產歸屬于企業無形資產的范疇。

第二，構建了數據資產的估值模型，首先利用AHP測算企業過去數據資產的超額收益，然后應用灰色預測模型預測企業未來數據資產的超額收益，最后選擇合適的折現率和收益期限確定數據資產的最終價值，并通過具體的實例對模型進行驗證。

本文建立的數據資產價值評估模型為企業數據資產的估值提供了一種新思路，對比其他評估模型，該模型著重考慮了數據資產為企業帶來的預期收益，對解決其他相似無形資產的評估具有一定的通用性。希望本文的研究能為數據資產價值評估體系的完善提供理論借鑒，為數據資產市場機制的完善提供參考，同時也為數據資產在企業日常會計核算和數據資產在企業間的合法交易和流通提供參考。