互聯網企業數據資產價值評估
——基于二叉樹期權定價模型

■ 趙宸元 張福來

(重慶理工大學經濟金融學院，重慶 400054)

一、引言

隨著數字化技術的迅速發展及其在國民經濟各領域的融合應用不斷深化，數據產生、收集、存儲和開發應用所經歷的每一個環節與各行各業密切地結合起來，為新業態、新產業和新商業模式注入活力，成為當前經濟社會運行中不可忽視的重要組成部分。數據作為具有核心競爭力的關鍵生產要素和戰略資產，不僅對傳統生產方式變革具有重大影響，而且在企業生產經營活動中發揮越來越重要的作用。客觀合理地對數據資產進行估值不僅有助于為企業邁向產業中高端打開新空間，還可為企業高質量發展提供保障。然而數據資產在其價值實現過程中的依附性及其價值易變性成為當前估值研究的難點，為此學術界和實務界都迫切需要探索一套科學有效的價值評估體系，合理量化數據資產在安全可靠邊界下的價值。特別是對于互聯網企業，憑借自身優勢，通過移動互聯、搜集存儲獲得了大量原始數據，這些數據通過開發、優化成為企業經營決策、持續發展的重要資產。因此，無論是出于深化企業數據的實踐應用需求，為企業分類分級開展數據的采集、管理和使用，開發、優化數據的增值模式提供科學依據；還是出于對數據資產的交易需求，為商業并購和股權轉讓提供定價參考，更好地促進數據交易、資金融通等經濟活動的開展，數據資產的估值研究均十分重要。

二、文獻綜述

“數據資產”最早由Richard Peterson 于1974 年提出，但目前對數據資產的定義尚未統一，不同領域定義數據資產的側重點也存在著差異。從數據的屬性來看，Richard Peters 認為產權清晰且由企業持有并能帶來長期收益的數據稱為數據資產[1]。2021年12 月，中國信息通訊研究院聯合眾多企業共同推出了《數據資產管理實踐白皮書（5.0 版）》，其中將“數據資產”界定為：由企業擁有和控制的，能夠為企業帶來未來經濟利益的，以物理或者電子方式記錄的數據資源，如電子信息、文件資料等[2]。從資產的屬性來看，Tony Fisher 在《數據資產》中指出數據是一種資產，企業要把數據作為企業資產來對待[3]。Perrons & Jensen 認為蘊含價值的數據資源就是寶貴的資產[4]。

對于數據資產的價值影響因素，眾多學者給出了不同的見解。Mcgilvray 認為優質的數據具有更高的商業價值，即數據質量對數據資產價值有較大影響[5]。李永紅和張淑雯則表示影響數據資產價值的因素不僅是數據質量，還包括數據分析能力[6]。Heckman 則認為數據容量、數據年限、數據成本、數據完整性和數據準確性是影響數據資產價值的關鍵因素[7]。鄒照菊概括性提出，數據資產價值與數據資產年齡和風險暴露水平等因素呈負相關關系；與數據資產的質量、成本、數據精度及容量、所有權及排他性水平等因素呈正相關關系[8]。

關于數據資產核算方法的研究，也不只局限于傳統估值理論，不少學者將層次分析法（AHP）、實物期權理論等引入評估方法。如張志剛等利用層次分析法建立了基于成本和應用兩個維度的數據資產價值評估模型[9]。謝非和晉旭輝利用層次分析法建立雙邊市場視角的數據資產價值評估模式，探討數據資產對中國電子商務平臺發展的促進作用[10]。魏曉菁等基于層次分析法檢驗數據資產的可靠性邊界，量化了數據資產的價值[11]。

實物期權理論主要包含B-S 模型、二叉樹模型和蒙特卡洛模擬三種方法，B-S 模型最早由美國著名經濟學教授Black & Scholes 提出，該方法適用于連續時間下的期權定價模型[12]。翟麗麗和王佳妮基于密切值法來判別聯盟企業數據資產價值影響因素，并利用B-S 模型對聯盟企業的數據資產進行價值評估[13]。王靜和王娟結合B-S 理論模型對數據資產進行系統評估，并利用層次分析法構建數據資產價值影響因素的評價指標體系[14]。Kellogg & Charles 發現高新技術企業的早期價值更能準確地在實物期權法中得到體現，并將二叉樹期權定價模型應用到高新技術企業價值評估中[15]。王靜等分析了傳統評估方法的局限性，將改進的二叉樹期權定價模型運用到創業板企業估值中[16]。Long Staff & Schwartz 第一次將最小二乘法和蒙特卡洛模擬相結合來評估數據資產價值,開啟了最小二乘蒙特卡洛模擬（LSM）應用于估值研究的時代[17]。后來Stentoft 將最小二乘蒙特卡洛模擬進行了深入的研究并加以運用，改進和完善了LSM，積極推廣這種方法的運用[18]。肖雪嬌和楊峰將企業擁有的數據資產視為一個整體，基于收益法和層次分析法確定數據資產經濟價值，基于最小二乘蒙特卡洛模擬的實物期權法確定數據資產潛在價值[19]。

傳統估值理論方面，劉琦等基于數據資產差異因素量化調整，從數據資產的價值、質量和期限等方面對模型進行了系數修正，提出運用市場法對數據資產進行估值的基本思路[20]。左文進和劉麗君以用戶評價為核心信息，通過與可比資產的價值關系轉化得出待評估數據資產的價格，其本質與市場法類似[21]。陳芳和余謙認為數據資產具有差異性，利用多期超額收益法對數字化轉型企業的數據資產進行估值[22]。另外，王進江從生命周期的角度量化了數據資產的收益和期限，合理確定數據資產的折現率，利用超額收益法評估其價值[23]。

綜上所述，目前普遍認為數據資產是一種以電子信息記錄的，且能夠帶來收益的數據資源。早期學者基于已有評估理論，利用傳統評估方法來評估數據資產，存在不同程度的適用性和局限性問題，目前對數據資產的估值研究主要集中在傳統估值理論與數學模型相結合，如層次分析法、實物期權理論等。在期權定價問題上，B-S 模型、二叉樹期權定價模型和蒙特卡洛模擬都可以實現期權價值計算，特別是解決潛在價值估值問題。但是相較于B-S 模型和蒙特卡洛模擬，二叉樹期權定價模型思路比較簡單，計算更加簡潔，并且對于具有美式期權特性的數據資產而言也更加契合。另外，一些研究忽略了數據資產的期權特性，沒有考慮數據資產不確定性所隱藏的潛在價值，為此本文利用實物期權理論建立二叉樹期權定價模型并以此衡量數據資產的潛在期權價值。

三、評估方案設計

（一）互聯網企業數據資產價值構成

互聯網企業憑借自身優勢，通過移動互聯、搜集存儲獲得了大量原始數據，這些原始數據成為其具有核心競爭力的關鍵生產要素。但此類數據還未展現出所蘊含的真實價值，仍屬于表面層次的基礎數據。因此，如何利用和分析互聯網企業現存的大量原始數據以獲得能夠精確反映數據真實價值的有效數據，進而為企業邁向產業中高端打開新空間，帶來更高收益就顯得尤為重要。互聯網企業數據資產通常以集合的形式呈現，其釋放的價值難以區分，與單一數據資產相比，數據資產集合可以發揮出單一數據資產不能發揮的效果，且能夠帶來的經濟價值遠大于單一數據資產。因此本文以互聯網企業整體數據資產作為評估對象。數據資產化過程使其具備依附性、價值易變性、時效性、非實體性和功能多樣性等價值特性，在這一過程中數據價值在資產定價中得以體現，所形成的數據資產可以為企業帶來現金流和潛在經濟效益。故本文以企業投資和經營兩個視角來衡量數據資產的整體價值，認為數據資產的價值包含基礎凈現值和潛在價值兩部分，即：數據資產總價值=數據資產基礎凈現值+數據資產潛在價值。

（二）評估思路

1.超額收益和AHP 確定數據資產基礎凈現值

超額收益可表現為企業表外資產所帶來的收益，等于企業未來預期收益減去表內資產所產生的盈利。數據資產作為企業表外資產，可通過超額收益較為準確地反映出所產生的收益，體現其盈利能力。層次分析法按照分解、比較判斷、綜合的思維方式把研究對象作為一個系統進行多目標、多準則決策。本文將兩種方法相結合并以此構建模型應用于數據資產基礎凈現值評估過程中，利用企業未來收益期內自由現金流減去企業表內資產所產生的貢獻值，如流動資產、固定資產和無形資產等，得到超額收益。其次采用AHP 確定數據資產收益分成率，并利用收益分成率乘以超額收益計算出數據資產貢獻值。最后將企業未來收益期內數據資產的貢獻值折現到評估時點，得到數據資產的基礎凈現值。公式如下：

其中Vt表示第t 期超額收益，Lt表示第t 期流動資產貢獻值，It表示第t 期無形資產貢獻值，Ft表示第t 期固定資產貢獻值，FCFt表示第t 期企業自由現金流，P表示評估時點數據資產的基礎凈現值，T表示數據資產的收益期，rs表示數據資產的折現率，k表示基于AHP 確定的數據資產收益分成率。

2. 二叉樹期權定價模型確定數據資產潛在價值

數據資產的波動性和不確定性所隱藏的潛在價值使其具有期權的特性，為準確衡量數據資產波動性和不確定性所隱藏的潛在價值，本文采用二叉樹期權定價模型進行核算。將數據資產視為標的資產，從到期日開始逆向求解每個節點繼續持有期權的價值，將該節點提前行權的價值與繼續持有期權的價值相比較，如果提前行權的價值更大，則將該節點的期權價值更新為提前行權的價值；反之，該節點的期權價值為繼續持有期權所產生的價值。持續向前迭代，直到初始時刻，從而計算出初始時刻的期權價值。

二叉樹期權定價模型最早是1979 年Cox,Ross,Rubinstein 在B-S 期權定價模型的基礎上推導出來的一種簡化的期權定價公式，將市場狀態分為上漲和下跌兩種狀態，并用離散的模型模擬資產價格的連續運動，從二叉樹末端逆向計算出期權價格。具體公式推導如下：

（1）單步二叉樹期權定價模型

圖1 單步二叉樹期權定價模型

S為初始股價，X為期權執行價格，p為股價上漲概率，u為上漲幅度(u＞1)，fu為股價上漲后的期權價值，(1 -p) 為股價下跌概率，d為下跌幅度(d＜1)，fd為股價下跌后的期權價值。期權定價過程存在風險中性原理的基本假設，此時股票預期收益率μ等于無風險利率r。首先構建一個投資組合，組合內購買H份股票，賣出一份價格為f的期權，如果股票價格上升，則投資組合價值為：

如果股價下跌，則投資組合價值為：

根據風險中性原理，投資組合風險最小時應滿足股價在上升與下降后的價值相等：

令投資組合的折現值等于其初始成本，r為無風險利率，Δt為時間間隔：

可得單步二叉樹期權價值為：

將公式(6)代入(8)可得：

在風險中性條件下，股票初始價格S經過時間段Δt后變為SerΔt，則：

上漲幅度u和下跌幅度d受收益波動率σ的影響，且在Δt時間段內股票收益變化的方差為S22σΔt，則：

將u=1/d和公式（12）代入（13）中，可得：

（2）多步二叉樹期權定價模型

r為無風險利率，Δt為時間間隔，fuu為股價上漲兩次后的期權價值，fdd為股價下跌兩次后的期權價值，fud為股價上漲一次和下跌一次的期權價值，根據公式(9)可得：

圖2 多步二叉樹期權定價模型

將公式(16)和(17)代入公式(18)可得：

由上述公式，可以推導出兩步二叉樹期權價值f；以此類推，可以得到多步二叉樹期權價值f。多步二叉樹期權定價模型計算過程較為復雜，本文借助Python 編程語言來實現。

綜上分析，評估思路如圖3 所示。

圖3 互聯網企業數據資產價值評估方案

（三）超額收益和AHP 參數確定

1.超額收益

企業的歷史收益數據實際上是一組時間序列數據，而深度學習模型在金融時間序列預測問題上有其自身優勢，目前已廣泛應用于金融資產收益率、價格或者波動率的預測之中。作為一種適用于時間序列數據的經典深度學習模型，長短期記憶網絡（LSTM）可以有效地學習長期相關性，性能優于傳統模型，這樣的特點有助于其應用于金融時間序列預測[24]。所以，本文通過建立LSTM 時間序列預測模型對企業未來收益期內自由現金流、流動資產、固定資產和無形資產進行預測，利用企業未來收益期內自由現金流減去固定資產、流動資產和無形資產所產生的貢獻值，得到超額收益。其中，固定資產貢獻值=固定資產預測值×固定資產貢獻率，流動資產貢獻值=流動資產預測值×流動資產貢獻率，無形資產貢獻值=無形資產預測值× 無形資產貢獻率。

2. AHP 確定數據資產收益分成率

根據互聯網企業的特性，表外資產大致有數據資產、人力資本、客戶關系、技術因素、管理制度。結合互聯網企業數據資產價值創造機制，將收入增加、市場擴大、技術創新、運營效率提高作為互聯網企業價值提升的驅動因素。步驟如下：

（1）建立層次結構模型。本文將客戶關系、數據資產、技術因素、人力資本、商業模式與管理制度六個因素作為方案層，收入增加、成本減少、技術創新、運營效率增加四個因素作為準則層，將表外資產所帶來的超額收益作為目標層，以此構建層次結構模型，如圖4 所示。

圖4 層次結構模型

（2）構造判斷矩陣。邀請相關專家及互聯網從業者進行打分，并以此構建判斷矩陣。同層因素相對于上層某一因素的重要性進行兩兩比較打分，分值越大表示前一因素越重要；反之，則后一因素更重要，打分標準可通過查表獲得。

（3）計算判斷矩陣的最大特征值和各因素權重。其中數據資產的權重就是數據資產的收益分成率k。

（4）一致性檢驗。隨機一致性比率CR可用來檢驗判斷矩陣，如果CR＜0.1 則通過一致性檢驗。公式如下：

其中n為階數，即因素個數，λ是最大特征值，RI是同階平均隨機一致性指標，可通過查表獲得。

3.數據資產折現率

本文采用加權資本成本法（WACC）來確定折現率，其中股權成本采用資本資產定價模型（CAPM）計算，公式如下：

r為無風險利率，rm為市場收益率，β是貝塔系數，re是股權成本，rd是債務成本，E為股權資本，D為債務資本，Tc是所得稅稅率，WACC是企業資本成本，本文將其作為數據資產折現率。

4. 確定收益期限

對于不同類型的數據資產而言，收益期限有長有短，并非完全相同。如支持企業決策分析的原始數據，體量龐大，需要長期積累，故生命周期較長。而短期經營數據與市場變化節奏息息相關，產生時間越近，其價值越高；反之，則價值越低，故生命周期較短。由此可以看出，數據資產具有時效性的特征，并不能持續不斷的為企業帶來長期收益。因此，對數據資產收益期限的確定需要結合行業自身特點進行判斷。

（四）二叉樹期權定價模型參數確定

1.初始價格

本文通過超額收益和AHP 得到數據資產的基礎凈現值，是數據資產實際產生的收益，可視為數據資產的初始價格，可參照上文評估結果。

2. 執行價格

本文將數據資產的投資建設成本視為數據資產的執行價格，通過企業資本支出乘以數據資產收益分成率獲得。

3.無風險利率

無風險利率是指把資金投資于沒有風險的項目可以得到的回報率。本文選取與待評估對象收益期相近的國債利率視為無風險利率。

4.收益波動率

本文利用待評估企業股票的歷史數據計算其收益波動率，并以這一數據來近似代替企業數據資產的收益波動率。公式如下：

Ei是第i日的對數收益率，是Ei的平均值，Pi是第i日的股票收盤價，σd是日收益波動率，σ是年收益波動率，Ty是每年股票的交易天數。

四、實證分析

（一）案例背景及數據來源

選取浙江核新同花順網絡信息股份有限公司作為案例分析對象，其原因在于同花順作為互聯網金融服務行業的領先企業，公司用戶群體廣，信息化程度高，作為本次研究的評估對象具有一定代表性。浙江核新同花順網絡信息股份有限公司成立于2001年，2009 年12 月在深圳證券交易所上市，經過多年的發展，公司已成長為國內領先的財經信息服務商。作為一家互聯網金融企業，公司立足于自主創新，依靠自身強大的網絡效應和不斷迭代的產品和服務，積累了豐富的數據資源。因此，評估其數據資產價值，對企業運營管理、價值轉移或融資并購都有重要的意義。本文將同花順公司的數據資產視為一個整體，作為本次評估對象，評估基準日為2021 年12月31 日。相關數據來源于國泰安數據庫和同花順公司的年度財務報告。

（二）超額收益和AHP 估值

從同花順上市以來公開數據中獲取48 條歷史財務數據，本文以這些數據為基礎進行預測。對數據進行預處理，選取時間步為3 步后共有45 條數據，按時間順序以8:2 的比例劃分為訓練集與測試集，輸入LSTM 時間序列預測模型進行預測。每層參數units=32，input_shape=(3,1)，激活函數為relu。結果表明該模型在訓練集上效果良好，測試集結果良好。考慮到原始數據中有個別離散點對結果影響較大，同時遵循預測的穩健性原則，綜合判斷該模型能較好反映同花順公司歷年數據的波動情況，采用滑動預測方式應用其對同花順公司未來5 年自由現金流、流動資產、固定資產和無形資產進行預測，結果如圖5 所示。

圖5 LSTM 預測結果

選取五年期銀行貸款利率4.75%作為無形資產和固定資產貢獻率，一年期銀行貸款利率4.35%作為流動資產貢獻率。

根據圖4 層次結構模型對各層級打分，將準則層與目標層的判斷矩陣定義為Z，建立單排序確定準則層對目標層的權重并進行一致性檢驗，檢驗結果CR0=0.0079＜0.1。同時，將方案層與準則層的判斷矩陣定義為Y1、Y2、Y3、Y4，建立單排序確定方案層對準則層的權重并進行一致性檢驗，檢驗結果

CR1=0.0103、CR2=0.0221、CR3=0.0338、CR4=0.0279，均小于0.1。各表外資產的收益分成率如表1 所示：

表1 表外資產收益分成率

同花順公司β系數取近十年均值為0.99，無風險利率r參考評估基準日發行的5 年期國債到期收益率2.59%，市場收益率rm取近十年上證指數和滬深300 指數年化收益率均值，經計算得6.43%，取評估基準日五年期銀行貸款利率4.75%作為債權回報率rd，債權比率和股權比率查閱公司財務報表，分別為23.82%和76.18%，企業所得稅Tc為15%。具體過程如表2 所示：

表2 折現率計算過程

根據上文分析，企業數據資產的經濟壽命不會永久有效，遂本文假設同花順公司的數據資產收益期為5 年。將以上數據加以計算可以得到同花順公司數據資產的基礎凈現值為1 960.56 百萬元，估值過程如表3 所示：

（三）二叉樹期權定價模型估值

二叉樹期權定價模型中的初始價值采用上文數據資產基礎凈現值1 960.56 百萬元，無風險利率和收益期已確定。執行價格利用同花順公司21 年資本支出乘以數據資產收益分成率，為49.92 百萬元。根據公式（24）-（26）計算出同花順公司21 年股票收益波動率為35.72%。確定參數后，利用Python 編程工具，設置如下參數：P=1 960.56，X=49.92，r=2.59%，σ=35.72%，T=5,計算出同花順公司數據資產潛在價值為1 916.7 百萬元，公司數據資產的總價值為3 877.26 百萬元。

五、結論與展望

由實證結果可以看出，數據資產的潛在價值不容忽視，考慮了潛在價值的數據資產，其估值結果也遠高于基于超額收益法的基礎凈現值。如果僅考慮數據資產的基礎凈現值，忽略其潛在價值，很可能會低估數據資產的價值。尤其是對于像同花順公司這種數據資源比較龐大的企業，其結果偏差可能會更為明顯。本文基于以往數據資產價值評估研究，進一步總結分析數據資產不確定性所隱藏的潛在價值，認為數據資產價值由潛在價值和基礎凈現值兩部分構成。在考慮了數據資產基礎凈現值的基礎上使用二叉樹期權定價模型對企業數據資產進行估值，包含了這一部分潛在價值，增強估值的靈活性，使得估值結果更加客觀合理。基于本文分析，筆者認為在未來的研究工作中，還可以從數據資產收益的劃分、收益期的確認、單項數據資產價值評估等方面展開深入研究，以期能得到更加科學合理、具有普適性的數據資產價值評估方案。