數據資產價值評估模型構建

陳芳 余謙

【摘要】當前我國數字經濟邁入新階段， 數據成為企業數字化轉型的核心要素， 而數據資產價值評估還處于探索階段， 未形成一套完整、客觀且行之有效的數據資產價值評估體系。 鑒于此， 基于多期超額收益法， 綜合考慮數據資產權屬不清晰、數據安全等特殊風險， 將數據資產的折現率區別于無形資產整體折現率， 提出基于剩余法的多期超額收益模型， 以對數字化轉型企業的數據資產價值進行評估。 在此基礎上， 以天士力醫藥集團股份有限公司為例， 運用該模型計算其數據資產價值， 并通過與同等資產規模的、數字化程度更深的信息技術企業的數據資產價值的對比， 進一步驗證該模型的合理性。

【關鍵詞】數字化轉型;數據資產;價值評估;多期超額收益模型

【中圖分類號】 F224? ? ?【文獻標識碼】A? ? ? 【文章編號】1004-0994（2021）23-0021-7

一、引言

在以云計算、大數據、物聯網、人工智能、5G為代表的Cloud 2.0新技術集群飛速發展的背景下， 經濟活動呈現出數字化形式， 企業進入數字化轉型新階段。 隨著新技術與經濟社會的交匯融通， 數據量不斷增長， 我國政府開始對數據給予高度重視， 出臺多項專門政策支持數據的發展。 2015年國務院在《促進大數據發展行動綱要》中將數據作為國家基礎性戰略資源; 2017年習近平指出要構建以數據為關鍵要素的數字經濟; 2019年十九屆四中全會明確數據與勞動、資本、土地、知識、技術、管理等傳統生產要素同等重要; 2020年國務院發布《關于構建更加完善的要素市場化配置體制機制的意見》， 要求加快數據要素市場建設， 實現數據資源價值。

在政府對數據這一要素給予高度重視的同時， 各行各業也逐漸意識到數據資產的龐大價值， 開始將數據作為企業的核心發展要素， 并通過數據挖掘， 幫助企業優化生產、促進新產品開發以及提升日常經營管理活動效率等， 為企業數字化轉型注入新的活力。 人們已普遍意識到， 不論是助力企業數字化轉型、實現數據交易流通， 還是測度數據對經濟增長的貢獻、促進數字經濟高質量發展， 數據資產價值評估都是必不可少的一步。 然而數據這一要素的發展還處于起步階段， 目前尚未形成規范化的數據資產價值評估體系， 數據資產價值評估理論和實踐的滯后嚴重制約了數字經濟的發展， 如何對數據資產的價值進行評估以助力數字經濟高質量發展儼然成為一個新的研究主題。

數據資產具有非實體性、增值性和附著性等無形資產屬性特征， 可運用傳統資產評估方法（成本法、收益法、市場法）對其進行價值評估。 但目前國內數據資產交易市場尚處于起步階段， 其公開性有限， 且可供參考的數據資產交易案例較少， 類型也較為單一， 市場法的運用受限。 而成本法只能計量數據資產的初始成本， 無法分離出后期數據資產的運營維護成本， 且未考慮數據資產在應用過程中可能會增值的特點， 導致數據資產的價值大大被低估。 Mark Berkman[1] 認為收益法是數據資產價值評估的最優方式， 收益法體現了數據資產的額外獲利能力， 但其難以將數據資產創造的收益從整體收益中分離出來， 如何選擇折現率也成為當前的一個難點。 因此， 本文基于多期超額收益法的評估思路， 將數據資產的折現率區別于無形資產整體折現率， 提出了基于剩余法的多期超額收益模型， 以對數字化轉型企業的數據資產價值進行評估， 為助力企業數字化轉型、實現數據的交易流通提供指引。

二、文獻綜述

目前學術界尚未對數據資產的概念達成一致意見， 學者們主要從資產特征和數據特征兩個角度對其進行界定。 從資產特征出發， Ellis[2] 、李雨霏等[3] 將數據資產定義為企業擁有所有權或者使用權的， 在未來會給企業帶來經濟效益， 以某種方式記錄的數據資源。 從數據特征出發， Zhang等[4] 將數據資產定義為企業主動或被動收集的且加工后能給企業帶來利潤的數據集合;朱揚勇和葉雅珍[5] 將數據資產定義為在網絡空間中有形、可讀取、有價值且可計量的數據資源;Liu等[6] 則認為數據資產是由五元組數組組成、響應數據動態需求的數據， 數據資產可以隨數據需求的變化而變化， 且沒有數據需求的數據是無用的， 也不屬于數據資產。 可見， 不同學者對數據資產的概念界定有不同的側重點， 但都對數據資產的價值性達成了共識。

學者們雖然都認同數據資產的價值性， 但對于如何進行數據資產價值評估各執一詞。 部分學者認為數據資產屬于無形資產， 因此可通過改進的傳統資產評估模型來對其進行價值評估。 Lin和Wu[7] 從成本的角度出發， 考慮到數據資產的購置成本、運營成本、維護成本及應用場景， 運用層次分析法構建了數據資產價值評估模型。 劉琦等[8] 將市場法作為數據資產價值評估的核心， 并從數據資產的獲取成本， 技術、價值密度及數據容量差異等方面對數據資產的價值進行調整。 李永紅和張淑雯[9] 同樣將市場法作為核心， 并運用灰色關聯分析法和層次分析法將數據量、數據質量以及數據分析能力等影響數據資產價值的因素引入其中， 構建了基于市場法的數據資產價值評估模型。 黃樂等[10] 創造性地將成本法與收益法相結合構建數據資產價值評估模型， 并通過市場調整系數對數據資產價值進行調整。

另一些學者試圖從經濟、管理、計算機等領域的非傳統模型中找到突破口， 對數據資產的價值進行評估， 他們認為數據資產的價值隨數據的質量、格式、時間期限、使用方式等的不同而不同， 傳統的資產評估方法在數據資產價值評估中并不適用。 王靜和王娟[11] 將B-S理論模型作為數據資產價值評估的核心， 從標的數據資產、實時數據資產浮動率、完全生命周期、固定收益率以及現有數據資產五個方面構建評價指標體系， 對互聯網金融企業的數據資產價值進行評估。 張馳[12] 借助深度學習技術， 從顆粒度、多維度、活性度、規模度和關聯度五個特征維度構建了新型數據資產價值分析模型。 趙麗和李杰[13] 以重置成本作為數據資產的最低價格， 又以收益法確定數據資產的最高價格， 在此基礎上構建討價還價模型， 最終得出在價格區間內的均衡價格。 左文進和劉麗君[14] 除了運用傳統資產評估方法， 還創造性地運用破產分配法和Shapley值法對數據資產的價值進行了評估。

由上述文獻可以發現， 當前數據資產價值評估還處于探索階段， 學術界暫未形成數據資產的標準化定義， 對其價值的評估也缺乏統一的衡量標準。 總體而言， 目前尚未形成一套完整、客觀且行之有效的數據資產價值評估體系， 無論是理論層面還是實證層面， 都需要對數據資產及其價值評估進行進一步的探索和完善。

三、數據資產價值評估方法及模型構建

（一）基于剩余法的多期超額收益模型的構建

本文基于多期超額收益法的評估思路， 首先運用剩余法從整體收益中剝離出歸屬于數據資產的超額收益; 然后考慮到數據資產權屬不清晰、數據安全等特殊風險， 將數據資產的折現率區別于無形資產整體折現率， 最終得到了基于剩余法的多期超額收益模型：

V=? ? （E-Ew-Ef -Ei）×（1+i）-t （1）

其中： V指企業數據資產價值; E指企業的自由現金流; Ew、Ef、Ei分別指流動資產、固定資產、除數據資產以外的其他無形資產的貢獻值; i指數據資產折現率; n指收益期限。

（二）考慮數據資產特殊風險的折現率計算

考慮到被評估企業的無形資產中包含數據資產這一特殊無形資產， 與其他無形資產相比， 數據資產的數據權屬不清晰， 數據安全也存在隱患， 缺乏相關法律文件的保護， 需要承擔更大的風險， 其收益具有更大的不確定性， 所以數據資產折現率比無形資產折現率均值更大。 首先， 采用加權平均資本成本模型計算出企業全部投資的回報率; 其次， 通過回報率拆分法將企業資產分為固定資產、流動資產和無形資產三類， 計算市場上與被評估企業相似的企業的無形資產回報率， 將其平均值作為被評估企業的無形資產回報率; 最后， 以該無形資產回報率為基礎， 進一步將被評估企業無形資產中的數據資產剝離出來， 列為一項單獨的資產， 再次運用回報率拆分法分離出被評估企業的數據資產回報率。

加權資本成本常被作為企業全部投資的回報率或折現率， 它是企業股權和債權投資回報率的加權平均值， 可以用如下公式表達：

[WACC=Re×ED+E+Rd×DD+E×1-T] （2）

其中： WACC指加權平均資本成本; E指股權價值; D指付息債權價值; T指企業所得稅稅率;Rd指債權回報率; Re指股權風險收益率。

Re一般通過資本資產定價模型（CAMP）確定， 公式為：

Re=Rf+β×（Rm-Rf） （3）

其中： Rf指無風險回報率; Rm指市場平均收益率; β指風險系數。

回報率拆分法是從企業的整體回報率中扣除流動資產和固定資產的回報率， 最后逆向計算出無形資產的回報率， 具體計算公式如下：

（4）

其中：Wj、We、Wf分別表示無形資產、流動資產、固定資產占總資產的比重;ij、ie、if分別表示無形資產、流動資產、固定資產的投資回報率。

為從無形資產平均回報率中剝離出數據資產的回報率， 改進式（4）， 將被評估企業的數據資產區別于整體無形資產， 單獨列為一項資產， 得到如下公式：

（5）

其中： Wd為數據資產占總資產的比重; id為數據資產的投資回報率， 即數據資產特有折現率;Wj、We、Wf、ij、ie、if的含義同式（4）。

（三）模型中重要變量的確定

1. 自由現金流量。 自由現金流量是指企業滿足了再投資需求后剩余的現金流量， 在不影響企業持續經營發展的前提下可分配給股東和債權人。

自由現金流量=息稅前利潤（EBIT）-稅款+折舊和攤銷-營運資本變動-資本性支出

EBIT=營業收入-營業成本-營業稅金及附加-銷售費用-管理費用

2. 流動資產貢獻值。 流動資產在資金周轉的過程中價值一般不會發生變化， 且可以在一個完整的經營周期后全部收回。 因此， 流動資產貢獻值僅指投資回報部分。

流動資產貢獻值=流動資產年平均額×流動資產投資回報率

由于流動資產一般以一個會計年度作為周轉周期， 且主要以貨幣資金形式出現， 其投資回報率可選擇一年期銀行貸款利率。

3. 固定資產貢獻值。 固定資產在生產過程中會發生損耗， 其從被購入開始需要每期進行折舊處理， 直至賬面價值為零， 或達到企業規定的凈殘值。 因此， 固定資產貢獻值包括固定資產的折舊補償和投資回報兩個部分。

固定資產貢獻值=固定資產折舊補償+固定資產投資回報

固定資產投資回報=固定資產年平均額×固定資產投資回報率

由于固定資產的折舊年限一般為五年及五年以上， 其投資回報率可選擇五年期以上銀行貸款利率。

4. 無形資產貢獻值。 無形資產可按照是否在企業財務報表中披露分為表內無形資產和表外無形資產。 其中， 財務報表中披露的土地使用權、專利權、軟件等屬于表內無形資產， 人力資本、數據資產等未在財務報表中披露的屬于表外無形資產。 兩者均能為企業帶來收益， 所以在計算無形資產貢獻值時需同時考慮表內和表外無形資產的貢獻值。

表內無形資產會因技術進步或其他原因而產生經濟性貶值， 需每期進行攤銷。 因此， 表內無形資產貢獻值包括無形資產的攤銷補償和投資回報兩個部分。

表內無形資產貢獻值=無形資產攤銷補償+無形資產投資回報

無形資產投資回報=無形資產年平均額×無形資產投資回報率

由于無形資產周轉周期較長， 攤銷年限一般較長， 其投資回報率也取五年期以上銀行貸款利率。

表外無形資產主要考慮人力資本和數據資產兩項。 從馬克思的剩余價值理論來看， 企業通過榨取職工的剩余價值來為自身創造超額收益。 因此， 人力資本的超額收益是表外無形資產貢獻值的重要組成部分。

人力資本貢獻值=勞動力年投入額×勞動力貢獻率

其中， 勞動力的年投入額根據企業財務報表中的“應付職工薪酬”來確定， 勞動力貢獻率以我國經濟增長中平均人才貢獻率為標準。

5. 收益期。 數字資產收益期是指能夠運用數字資產獲得超額收益的期限。 就資產評估而言， 被評估對象應該是在評估基準日這一時點上企業所擁有的資產情況， 不考慮企業后期投入對資產價值的影響。 因此， 企業當前的數據資產并非永續存在， 而是有其特定的收益期限。 又因數據資產的價值易受環境的影響， 具有極強的時效性， 因此為保證數據資產價值評估的精準性， 其預測收益期限不宜過長。

四、案例分析

（一）案例選取

生物醫藥作為戰略性新興產業之一， 數字化技術為整個產業注入了新的活力， 有助于推動經濟的高質量發展。 天士力醫藥集團股份有限公司（簡稱“天士力”）作為生物醫藥上市公司的代表， 率先意識到數字化技術的重要性， 積極探尋數字化轉型道路。 2014年天士力成立數字創新事業部門， 開啟了數字資產應用的新篇章; 2016年天士力投資1.5億元啟動“現代中藥智能制造”項目， 將“數字化、智能化、集成式”作為該項目的核心內容; 2019年天士力開啟數字化元年， 以數字科技為驅動， 積極推動企業數字化轉型。 隨著數字化進程的推進， 天士力擁有了大量的數據資產， 如何評估數據資產價值， 發揮數據資產的最大效用成為企業亟需解決的難題。 本文以天士力作為評估案例， 對該企業的數據資產價值進行評估， 助力企業的數字化轉型。

（二）數據及預測

通過分析發現， 天士力從2014年開始進行數字化轉型， 數字資產也從這一年開始創造超額收益。 但由于數據獲取限制， 本文將評估基準日確定為2019年12月31日。 又因數據資產具有極強的時效性， 為保證數據資產價值評估的精準性， 本文將數據資產的收益期限設置為2020 ～ 2024年五年。 為簡化計算過程， 本文在預測方面并未涉及復雜的理論公式， 選擇以最小二乘法進行一元線性回歸對過去六年歷史收入進行擬合， 由此預測未來五年的收入， 其他各變量的預測皆以過去六年占收入之比例的平均值作為預測基礎。

1. 自由現金流量預測。 本文以RESSET金融研究數據庫為基礎， 獲取天士力2014 ～ 2019年的營業收入等基本財務報表數據。 運用最小二乘法對天士力2014 ～ 2019年的收入數據進行一元線性回歸， 通過擬合函數預測天士力2020 ～ 2024年的營業收入， 得到各年的營業收入預測值分別為2033019萬元、2171902.72萬元、2310786.44萬元、2449670.16萬元、2588553.88萬元。

然后取各項目占營業收入之比例的平均值作為預測基礎對未來五年的數據進行預測。 天士力屬于高新技術企業， 可享受稅收減免政策， 企業所得稅稅率為15%。 由此可得天士力未來五年自由現金流量， 如表1所示。

2. 各資產貢獻值預測。 為預測各資產創造的收益值， 本文從RESSET金融研究數據庫中獲取天士力2014 ～ 2019年的總資產、應付職工薪酬等財務報表數據。

（1）流動資產貢獻值預測。 以流動資產占總資產比例的平均值66.55%作為預測基礎， 根據總資產的增加額占營業收入比例的平均值15.45%， 可得到流動資產增加額占營業收入的比例為10.28%， 以此為基礎預測天士力未來五年的流動資產。 流動資產的投資回報率取一年期銀行貸款利率4.35%， 可得到天士力未來五年流動資產貢獻值， 如表2所示。

（2）固定資產貢獻值預測。 根據天士力2014～2019年的財務報表數據， 可得到資本性支出占營業收入比重的平均值4.45%， 以及固定資產資本支出占資本性支出的比例均值32.65%， 以此為基礎預測天士力未來五年的固定資產資本支出。 固定資產的投資回報率取五年期以上銀行貸款利率4.90%， 可得到天士力未來五年固定資產貢獻值， 如表3所示。

（3）無形資產貢獻值預測。 同理， 可得到2014 ～ 2019年的表內無形資產資本支出約占資本性支出的0.81%， 表內無形資產的投資回報率取五年期以上銀行貸款利率4.90%， 可得到天士力未來五年表內無形資產貢獻值， 如表4所示。

對于表外無形資產， 本文僅考慮數據資產和人力資本兩種。 這里將天士力財務報表中“應付職工薪酬”作為人力資本投入數據， 分析其歷史勞動力投入情況， 發現人力資本投入約占營業收入的0.93%。 馬寧和王選華[15] 通過構造經濟增長中人才貢獻率的模型， 發現1978 ～ 2015年間人才對中國經濟增長的平均貢獻率為24.49%。 本文將24.49%作為勞動力貢獻率， 預測天士力未來五年人力資本貢獻值， 結果如表5所示。

3. 折現率。 本文的無風險回報率Rf取評估基準日的五年期短期國債利率4.27%; 市場平均收益率Rm取Choice金融終端中滬深300指數歷年年平均收益率， 經計算Rm=12.83%; β指數同樣來自Choice金融終端; 債權回報率Rd根據評估基準日的五年期銀行貸款利率4.75%來確定; 所有者權益合計E、負債合計D及企業所得稅稅率T均可通過查閱企業年報獲得。 將上述參數代入式（2）和式（3）， 可得到與被評估企業相似的企業的加權資本成本， 如表6所示。

流動資產投資回報率為一年期銀行貸款利率4.35%， 固定資產投資回報率為五年期以上銀行貸款利率4.90%。 將各參數代入式（4）， 倒擠出相似企業的無形資產回報率， 如表7所示。

為得到天士力的數據資產回報率， 再次運用回報率拆分法， 將醫藥行業無形資產回報率的平均值21.63%代入式（5）， 得到天士力的數據資產回報率， 如表8所示。

由此得到天士力的數據資產回報率為24.12%， 比無形資產平均回報率21.63%高2.49%， 驗證了數據資產特有的權屬風險、數據安全風險等導致其風險比整體無形資產風險更高這一推測， 表明了該數據資產折現率的合理性。

（三）數據資產價值評估結果

將預測的天士力未來自由現金流減去上述各資產貢獻值， 即得到未來數據資產的超額收益。 天士力數據資產的價值評估結果如表9所示。

由表9可知， 天士力在2019年年底時數據資產的價值為25146.79萬元， 而且數據資產所產生的超額收益是逐年遞減的， 這符合數據資產時效性強的特征。 企業所產生的數據如果不能在恰當的時間進行開發利用， 其使用價值就可能隨時間的流逝而減少， 甚至完全失去價值。

（四）對比案例的數據資產價值評估

信息技術產業作為數字經濟的支撐產業， 其數字化程度更深， 信息技術企業在發展過程中也積累了更多的數據資產。 2020年動脈網、零氪科技、CAHA數字醫療專委會聯合發布的《錨定價值路徑，全產業鏈賦能——醫藥數字化轉型創新報告》中指出， 醫藥行業的數字化水平相對較低， 我國醫藥市場雖持續高速增長， 但整體數字化水平落后于其他支柱產業， 對數字經濟的貢獻相對較小。 醫藥產業的數字化發展水平明顯滯后于信息技術產業， 因此本文推斷， 信息技術企業的數據資產價值比數字化轉型醫藥企業的數據資產價值更高。 本文選擇與數字化轉型企業天士力同等資產規模的信息技術企業航天信息股份有限公司（簡稱“航天信息”）作為對照， 計算同一時點（2019年12月31日）航天信息擁有的數據資產的價值。

航天信息是以信息安全技術、各種咨詢服務、計算機數據庫服務等為主營業務的IT行業高新技術公司。 這些業務大多需要數據作為支撐， 因此企業積累了大量的數據資產。 從RESSET金融研究數據庫中獲取航天信息的財務報表數據， 企業自由現金流量及各資產的貢獻值預測方法均參考上述天士力案例， 可得到如表10所示的評估結果。

航天信息的數據資產價值為73222.03萬元， 而天士力的數據資產價值為25146.79萬元， 可見航天信息的數據資產價值明顯高于天士力， 由此驗證了前文的推測： 在同等資產規模下， 數字化程度更深的企業所擁有的數據資產價值更高。 這也驗證了本文模型的合理性。

五、結論與展望

隨著數字經濟的發展， 數據作為數字經濟的重要支撐， 其價值逐漸得到重視， 學者們開始嘗試對數據資產的價值評估進行研究。 本文基于多期超額收益法的評估思路， 綜合考慮了數據資產權屬不清晰、數據安全等特殊風險， 將數據資產的折現率區別于無形資產整體折現率， 提出了基于剩余法的多期超額收益模型， 并采用該模型對數字化轉型企業的數據資產價值進行評估， 進而驗證了該模型的合理性。

本文是對數據資產價值評估的一個重要嘗試， 以基于剩余法的多期超額收益模型為核心對數據資產進行評估， 體現了數據資產的超額收益性， 但該方法仍存在一定的局限性。 首先， 評估所需的預測數據會有偏差。 本文通過預測的方法來確定使用數據資產可能獲得的收益， 預測時未考慮實際影響因素的變動， 所以會導致預測有偏差。 其次， 折現率的選擇不夠精準。 本文雖將數據資產的折現率區別于無形資產平均折現率， 但由于在計算無形資產平均折現率時并未排除與被評估企業相似的企業存在數據資產的情況， 所以得到的無形資產平均折現率可能本身已經包含了數據資產的折現率部分， 導致被評估企業的數據資產折現率不夠精準。 最重要的是， 該模型未能考慮數據資產的價值易變性， 數據資產的價值可能會隨使用方式及時間的推移而不斷變化。

未來在進一步的深入研究中， 可以從改善預測數據偏差， 充分考慮數據資產的數據質量、數據使用方式、數據量、數據時效性等價值影響因素的角度出發， 完善本文的數據資產價值評估模型， 為提高數據資產價值評估精度做貢獻。

【 主 要 參 考 文 獻 】

[1] Mark Berkman. Valuing intellectual property assets for licen-

sing transactions[ J].Licensing Journal，2002（4）：16 ～ 22.

[2] Ellis M. E.. A model of data as an organizational asset[D].Lawrence： University of Kansas，2014.

[3] 李雨霏，劉海燕，閆樹.面向價值實現的數據資產管理體系構建[ J].大數據，2020（3）：45 ～ 56.

[4] Zhang Y.， Huang Y.， Zhang D.， et al.. The importance of data assets and its accounting confirmation and measurement methods[A].Beijing： International Conference on Behavioral， Economic and Socio-cultural Computing，2019.

[5] 朱揚勇，葉雅珍.從數據的屬性看數據資產[ J].大數據， 2018（6）：65 ～ 76.

[6] Liu X.， Jiang Y.， Pan L.. Application of data assets[A].Xi'an：IEEE Advanced Information Management，Communicates，? Electronic and Automation Control Conference，2018.

[7] Lin Z.， Wu Y.. Research on the method of evaluating the value of data assets[A].Xi'an： International Conference on Education，E-learning and Management Technology，2016.

[8] 劉琦，童洋，魏永長，陳方宇.市場法評估大數據資產的應用[ J].中國資產評估，2016（11）：33 ～ 37.

[9] 李永紅，張淑雯.數據資產價值評估模型構建[ J].財會月刊，2018（9）：30 ～ 35.

[10] 黃樂，劉佳進，黃志剛.大數據時代下平臺數據資產價值研究[ J].福州大學學報（哲學社會科學版），2018（4）：50 ～ 54.

[11] 王靜，王娟.互聯網金融企業數據資產價值評估——基于B-S理論模型的研究[ J].技術經濟與管理研究，2019（7）：73 ～ 78.

[12] 張馳.數據資產價值分析模型與交易體系研究[D].北京：北京交通大學，2018.

[13] 趙麗，李杰.大數據資產定價研究——基于討價還價模型的分析[ J].價格理論與實踐，2020（8）：124 ～ 127+178.

[14] 左文進，劉麗君.大數據資產估價方法研究——基于資產評估方法比較選擇的分析[ J].價格理論與實踐，2019（8）：116 ～ 119+148.

[15] 馬寧，王選華.中國人才貢獻率測度：1978-2015[ J].統計與信息論壇，2017（12）：101 ～ 107.