互聯網信息服務平臺數據資產評估方法
——基于盈利模式差異的視角

王娟娟，金小雪

（中南財經政法大學工商管理學院，湖北武漢 430073）

數字經濟時代，通過機器學習算法和人工智能對大數據承載的信息進行深入分析已經成為經濟發展的新動力。自2014 年“大數據”首次被寫入我國政府工作報告，我國不斷出臺相關政策。黨的十九屆四中全會發布的《中共中央關于堅持和完善中國特色社會主義制度、推進國家治理體系和治理能力現代化若干重大問題的決定》將數據確認為除土地、勞動、資本、技術以外的第五大生產要素。黨的二十大報告強調加快建設網絡強國和數字中國，2022 年12 月出臺的“數據二十條”更是為我國數據要素市場的發展指明了方向。“數據資源化”“數據資產化”“數據資本化”等相關概念不斷涌現，其中數據資產化是以數據資源化為基礎，強調數據的權屬與其可為使用者帶來利益的經濟屬性，而數據資本化則包括數據信貸融資和數據證券化，資本化有利于推動數據要素在資本市場上流動。作為生產力的重要組成部分，數據資產對其他要素資源具有乘數作用，因此對數據資產進行價值分析也就顯得尤為重要。

1 文獻綜述

數據是企業的信息資源，企業自行生產的數據屬于企業的技術型無形資產，經過系統的處理，數據可以儲存在現實或虛擬空間里，具有使用價值［1］。數據對于互聯網平臺企業的價值不僅僅是為其提供經濟租金，也能對其他資產具有反向催化作用。Doorn 等［2］認為數據可以優化平臺企業的軟件算法，使企業能夠吸引更多的投資資本。從市場參與者視角來看，互聯網平臺用戶通過自身行為產生的大量數據為其他用戶和企業決策提供參考價值。例如，政府通過收集大量數據，以此提高公共服務水平，促進公共服務均等化，節省政策執行和公共服務的資金和資源［3］。王建伯［4］、Zhao 等［5］認為，數據本身不等于資產，原始數據并不產生效益，只有在進行加工處理、挖掘數據價值并確立權屬數據后其才擁有作為資產的屬性。在數據資產的定義中，首先強調的是主體對數據的控制權和數據作為資產本身存在的合法性，其次是數據在具體應用場景下的盈利能力［6］。

數據資產與無形資產相似，具有非實體性和依托性，但數據資產具有可加工性、價值易變性。從經濟學角度看，如Uddin 等［7］、周芹等［8］、徐漪等［9］、李永紅等［10］、李春秋等［11］、熊巧琴等［12］的研究表明，大數據具有業務附著性、可復制性、真實性、非競爭性，數據資產的邊際數據成本遞減，邊際報酬遞增，其建設周期不確定、成本難以預測、市場價值隨數據規模非線性增長，數據資產的價值不僅與其應用場景相關，還與使用者的異質性密切相關。數據資產具有明顯的行業標簽，其盈利模式和變現方式也有較大區別。鑒于此，曹源等［13］將電力行業數據資產的價值分為企業內部價值（企業管理和電網運行）和外部價值（客戶和社會生態效益）；王涵等［14］指出能源大數據中心數據資產增值變現模式主要包括服務付費模式、數據產品模式以及智庫模式；彭歆北［15］提出互聯網行業盈利模式的影響因素主要是企業核心競爭力、企業業務組合和業務實現模式。

傳統的三大評估路徑中，利用成本法評估數據資產具有一定的限制，因為其成本難以區分，貶值因素難以客觀測算［16］。隨著數據挖掘技術的進步，數據資產的價值在不斷增加，數據資產邊際收益遞增不符合成本法隨時間推移資產貶值的特點，因此在數據資產評估中不采用成本法［17］。由于我國尚未形成成熟的數據交易市場，也不滿足市場法的評估前提，且大數據交易模式難以規范化且按交易金額收費易導致數據資產高估，私下交易會導致信息不透明，因而市場法也不適用。收益法被認為是數據資產評估最有效的方法，因為數據資產的價值在未來會發生巨大的升值或貶值。但也有學者認為數據資產的收益難以進行可靠計量，具體收益與其使用場景相關，超額收益難以剝離［18］。大量學者都通過改進傳統評估方法以實現對數據資產的評估，如石艾鑫等［19］從數據資產構成的3 個因素進行收集、處理、維護，構建數據資產價值評估模型；劉琦等［20］基于市場法在平臺用戶數、點擊量、不同場景的收益和成本、數據資產對外出售等方面討論數據資產的超額收益和風險；黃樂等［21］引入平臺活躍系數、李永紅等［10］應用灰色關聯法對市場法評估路徑進行改進；由于數據資產一旦在生產經營中發揮作用，能為企業帶來經濟利益流入或是成本的節約，故數據資產具有經濟價值，基于此，翟麗麗等［22］運用密切值法分析聯盟企業的重要度，利用改進的B-S模型確定聯盟數據資產的價值；陳志注等［23］利用兩種大數據拍賣模型——Vickrey 拍賣模型和序貫拍賣模型評估數據資產的價值；李秉祥等［24］利用B-S模型評估數據資產價值，指出實物期權法的優點在于考慮了數據資產價值的不確定性、多維使用特點、業務附著性、動態性；在評估浙江某貿易公司的線上貿易業務時，林飛騰［25］采用了成本法來估算數據資產的價值，并考慮了數據資產的安全性、準確性和完整性等因素；高華等［26］在對北京某網約車公司進行數據資產評估時，對有交易場景的數據資產用收益法進行評估；崔葉等［27］運用收益法對順豐公司物流業務的數據資產進行估值；孫曉璇等［28］將模糊數學模型用于市場法的參數修正，以評估2011—2019 年昆明市氣象數據價值；袁林昊等［29］對DEVA 模型中活躍用戶數、黏度系數和用戶變動率等參數進行修正，再結合層次分析法計算出數據資產的分成率后求得新浪微博數據資產價值；左文進等［30］將市場法、收益法結合Shapley 模型和破產分配法，將數據資產分解估價，這種方法通常用于傳統評估方法不適用的情景，使用該方法的前提是要確定整體數據資產價值；陳徽因等［31］從用戶類型的角度切入，將數據資產評估方法按照不同的使用人群分為基于數據生產者、數據使用者和數據中心3 類，建議采用決策導向法、科研數據保護法等評估方法。

在理論上，國內學者對于數據資產的定義及其特點都有較為全面的理解，但對于不同盈利模式數據資產的估值與定價的研究仍存在以下不足：不同盈利模式的數據資產價值來源、影響因素、實現路徑均存在差異。目前相關研究主要是從權屬、影響因素、特征等對數據進行估值，但數據資產價值的影響因素不僅與具體的應用場景相關，與數據本身的質量、變現能力以及數據的穩定性都有密切關系，其影響因素更為廣泛。因此，本研究對不同盈利模式的互聯網信息服務企業的數據資產進行評估，并選擇互聯網信息服務行業具有代表性的企業為案例進行研究，嘗試構建一套合理有效的數據資產價值評估模型。

2 數據資產價值評估基礎模型構建

2.1 數據資產價值影響因素

數據資產密集型企業在進行價值評估時應對其所擁有的數據資產屬性、盈利能力進行分析。資產屬性包括權屬狀態、容量、顆粒度等因素；盈利能力分析則是對數據在價值實現過程中產生現金流的穩定性、持續性、抗風險能力以及特有風險進行分析。數據資產價值的影響因素可以從三方面考慮。首先，數據資產的成本包括數據搜集、管理、應用的成本［32］；其次是數據資產的固有價值，也就是數據資產的實物特征、法律限制和財務特征，主要表現為數據質量、數據活性、數據規模、數據安全；再次，數據資產的價值與數據的應用場景密切相關，因此在衡量數據資產價值時應考慮數據資產的應用價值［33］。

數據容量、密度、顆粒度等都影響數據的價值，容量越大、所反映的信息越多，顆粒度越細，其密度越大價值越高。數據發展階段可以分為非結構化、半結構化和結構化。數學計算推動數據規律的挖掘，互聯網打破了數據傳輸的壁壘，為數據交流提供新的媒介；云計算的出現提升了數據處理的效率；人工智能增加了數據處理的方法。數據具有多維度的特性，隨著經濟的不斷發展，數據之間的聯系也愈加密切。數據多維度的比較不僅會增強數據聯系、產生新的數據，還提高了數據的價值。數據的表現形式多樣，不同表現形式突出的重點不同，其價值不僅包含數據的搜集，還包含著人類智慧勞動。數據資產具有可加工性，數據資產并非一成不變的，而是具有活性，具體表現在數據的更新、補充、刪除、合并，也可以被分析、提煉、挖掘、加工。

數據資產價值實現也會存在一定的風險，主要包括法律風險、以資產證券化為目的進行數據產品結構設計所帶來的風險以及道德風險。數據資產的法律風險體現在法律法規的變動，數據權屬不清陷入法律糾紛帶來數據資產確權的問題而無法產生現金流的風險；產品結構設計風險主要包括無法實現破產隔離的風險、證券發行后信息披露不完善的風險以及交易結構的風險；道德風險存在于數據資產證券化全部參與主體中，發起人道德風險主要包括企業得到融資后隨意處置數據資產導致數據資產貶值的風險，中介機構的道德風險主要存在于評估機構、評級機構和管理機構，其中包括評估機構未勤勉盡責對數據資產的權屬狀態、收益能力進行分析導致價值高估的風險，評級機構由于技術限制、信息缺失等原因造成的與評級不匹配的風險。

2.2 數據資產價值評估基本思路

由于數據資產的依托性和場景多樣性，數據需在具體業務板塊中發揮作用。首先應對數據中所在業務板塊的收益情況與成本構成進行分析，考慮數據資產價值的影響因素。其次，通過層次分析法得到數據資產的分成率，以此反映數據資產的重要程度。由于本研究以資產證券化為評估目的，在評估方法中參數的選擇上增加資產證券化風險系數，計算形式如下：

式（1）中：V代表被評估數據資產的價值；Ve代表數據資產所在業務板塊的價值；α代表該板塊中數據資產的分成率；δ代表資產證券化風險修正系數。

2.3 不同盈利模式下數據資產價值評估模型改進

盈利模式是對資產實現收入和形成成本的分析。數據資產的盈利模式可以根據數據的流通方式分為企業內部數據的流通、企業間數據的流通和行業間數據的流通3 種，3 種流通方式形成了3 種盈利模式。

2.3.1 廣告推薦模式下評估模型優化

廣告推薦模式下數據在企業內部流通，由企業進行搜集或是將其歷史經營資料作為原始數據，通過數據清洗應用于企業的具體業務中，以降低業務成本、提升經營效率。企業內部數據流轉最為典型的就是營銷企業以其擁有和搜集的數據信息構建內部營銷數據庫，實現精準營銷、提升企業價值。數據容量、密度的提升都有利于業務收入增加。基于廣告推薦模式下數據資產盈利的特點，企業可通過供應鏈模式實現數據資產的價值，以供應鏈中規模較大的企業為核心企業，核心企業以數據資產擔保通過賒銷的方式取得商品或服務，上游企業委托保理機構對其應收債權提供保理服務，并將債權轉讓給保理機構。廣告推薦模式下數據資產的特點主要表現在數據的來源、數據的應用場景和數據的流通3 個方面。首先，數據的來源多樣化，可以通過企業外部購買，也可以在企業經營過程中收集數據。企業的原始數據具有較強的個性特征，數據本身顆粒度細、數據量大，呈現出非結構化的特征，企業需要對數據進行清洗、整合、分析后才能形成數據產品為客戶提供服務。其次，數據在產生初期就有較強的應用場景，企業使用數據資產的基礎在于數據的安全性、合規性和挖掘數據價值的能力。最后，廣告推薦模式下數據資產在企業內部流轉，因原始數據涉及個人信息、企業行為、商業秘密等敏感資料，數據具有保密性，法律法規對數據的搜集和管理有明確的限制，企業不能交易原始數據，只擁有對處理后衍生數據的使用權，數據流通需要考慮法律合規性。

廣告推薦模式下數據資產應用場景具有針對性。在企業的經營活動中已經形成相對成熟的盈利模式，數據盈利能力強的，適用于采用收益法進行評估，不適用成本法是因為該類數據的收益產生于企業的復雜生產經營中，成本難以區分單獨衡量。首先，數據的來源多樣化，數據并不全是外購獲得，企業提供的服務是在原始數據基礎上融合了企業的智慧和人力勞動，成本難以分配；其次，營銷數據支撐業務具有隱私性，企業在數據交易所購買的數據資產并不構成最終數據服務的全部價值，故不采用成本法對廣告推薦模式下數據資產進行評估。

廣告推薦模式下評估參數的改進集中在折現率的選取方面。在收益法中，折現率是資產收益能力的表現，也是數據資產盈利風險的體現。本研究以無風險利率和風險利率相結合作為數據資產的折現率，將評估基準日10 年期國債的利率作為無風險利率，引入NS 模型對證券的基準利率進行測算，得到證券1 年～5 年的基準利率作為資產折現率的計算基礎。在風險利率計算中，廣告推薦模式下數據是在企業內部流通發揮效用，故折現率的選取應體現企業內部的風險和行業風險。選用β系數體現企業相對于整體市場的波動情況，計算市場的期望報酬率，將期望報酬率與無風險利率的差額作為市場風險溢價，β系數與市場風險溢價的乘積體現企業的股權風險溢價。考慮數據資產作為新的生產要素，其經濟效率具有波動性，故在折現率的計算中加入系數ε作為數據資產的特有風險，體現數據資產價值波動性。由此可得，數據的折現率由基準利率、股權風險溢價和資產特有風險三部分構成。具體表達形式如下：

式（2）中：ri為數據資產資本化率或折現率；rft為基準利率；rm為預期市場回報率；β為資產的系統風險；ε為數據資產特有風險。

2.3.2 服務付費模式下評估模型優化

服務付費模式下，數據在垂直行業流轉，因而該類數據具有明顯的行業特點，一般由行業內擁有大量數據資產的頭部企業對產業鏈的數據進行收集、整合，為全產業鏈的企業提供數據服務。這類數據與行業關系緊密，將原始數據應用于交易中能夠產生新的數據，且新數據應用場景與元數據的應用場景相同。在這一模式下，數據促進交易的達成并形成新的數據對原有數據進行補充和更新。只有行業中的龍頭企業才有資源和能力收集大量的產業數據，并以收費的方式為產業鏈中的其他企業提供數據服務；另一方面，交易的開展又擴充了數據的來源。

基于服務付費模式的特點，該類數據資產可通過融資租賃模式來實現價值。融資租賃模式是以融資租賃企業作為特殊目的機構，數據擁有者將其持有的數據資產轉讓給融資租賃公司，融資租賃公司一次性支付數據資產的價款，實現資產的出售，融資租賃公司再將數據回租給企業，企業定期支付租金。該模式下基礎資產是應收債權，融資租賃有利于企業盤活數據資產，解決企業的融資難題，并且企業既可以轉讓數據資產的所有權，也可以以獨占式使用權、收取許可費用的方式保留數據資產的所有權進行融資。

服務付費模式下數據資產的主要特點包括：第一，被評估數據的專業化程度高，具有明顯的行業特征，數據產品具有權威性，可用于全行業的生產經營，具有極強的基礎客群；第二，數據供應商多為行業龍頭企業，企業擁有完整的數據搜集體系，數據系統前期投入大，對數據的完整性、及時性要求高，數據體量大，進入門檻較高；第三，數據在行業內流轉，為全產業鏈的企業服務，覆蓋產業中各個環節，數據順著產業鏈的方向流轉，推動交易達成，在交易的基礎上形成新的數據、不斷增值；第四，數據的應用場景多樣化，數據產品標準化，在未來可應用于多種場景，數據具有極強的增值能力，體現在數據達到一定體量后可通過編制出新的指數或者通過運算、機器學習等科技手段實現對風險的預測。

服務付費模式下采用DEVA 法對數據資產價值進行評估的原因有兩方面：一是該模式下數據的價值和數據使用者的數量密切相關，數據服務商以免費的形式提供部分基礎數據吸引客群，但是對于數據的增值服務收費，用戶訂閱服務是數據價值變現的主要方式，活躍用戶為企業的潛在用戶；二是企業的成本投入方面，數據庫建設前期投入成本大，在形成規模效應前數據資產都無法給企業帶來利潤，但數據資產的價值并不會因此而降低，且DEVA 法評估數據資產考慮了市場需求的變化和競爭因素，其評估結果相對客觀。

服務付費模式下數據資產價值評估參數的改進集中在付費滲透率的計算上，不同數據端口的付費比具有差異性，即用戶的付費滲透率應為多端口的綜合付費率。按照數據端口的差異性可將數據服務付費分為網頁端、移動端和數據終端3 類。基于垂直行業數據流通的特性，該類數據的主要客群包括行業全產業鏈主體，以及政府、高校、調研組織等研究機構，數據資產以部分收費的方式變現。企業提供基礎的免費數據，以增加注冊用戶數量、增強客戶黏性，對核心關鍵數據服務則采用收費的方式，提升數據的壟斷性，增強創新數據資產的變現能力。免費數據為付費服務引流，付費服務提升免費數據的價值，故在付費滲透率的計算上應納入網頁端、移動端和數據終端的付費滲透率，以收入占比為權重，加權計算數據的綜合付費滲透率。改進后的數據資產價值評估表達形式如下所示：

式（3）（4）中：C為單位用戶初始投入成本；K為付費滲透率；ARPU 為單位用戶貢獻；AU 為活躍用戶數；α為數據資產分成率；β1為網頁端收入占整體收入比例；β2為移動端收入占整體收入比例；β3為數據終端收入占整體收入比例；K1、K2、K3分別為網頁端、移動端和數據終端的付費滲透率。

DEVA 模型適用于平臺型企業價值評估。在該類企業中，用戶數量是企業價值驅動的核心因素，用戶數量的增長是企業收入增長的主要影響因素，首先對企業的人均初始投入成本進行測量，對企業活躍用戶數量和單位用戶貢獻值進行計算。由于數據資產多維性的特點，評估數據資產時并不是以單個數據集為評估對象，而是先確定數據的使用場景，在具體業務中對數據的價值進行評估。

2.3.3 數據產品模式下評估模型優化

數據產品模式下數據在行業間流轉，不同行業的數據密集型企業聯合基于其數據優勢構建數據中心，提供標準化的數據產品。該模式下數據產生的社會效益遠大于經濟效益，數據價值更多體現在反映行業的經營狀況，為行業監管提供監測服務，以數據驅動行業結構升級。數據中心的產品功能具有趨同性，其數據來源于不同行業，也服務于不同行業，但在產品功能上都是通過反映行業熱點、構建行業指數為政府和企業提供服務。數據產品模式下數據資產的特點主要體現為：一是數據的屬性上，數據體量大但數據分析較少，現階段多為反映市場現狀的數據，且數據產品為標準化產品，屬于有利于行業發展類的數據；二是在數據的公共性上，在數據產品的行業上具有差異性，但在數據的種類和處理方式上具有相通性。多行業聯合的模式限定了該類數據只能由具有綜合性質的信息服務企業提供。數據兼具經濟價值和社會價值，該類數據向政府和行業內企業開放，有利于政府對行業進行監管，提升其社會治理能力，企業可依據行業宏觀數據制定未來發展戰略。

數據產品模式下的數據資產的評估，根據數據平臺的成本構成將各項成本分配到數據產品中。雖然數據資產的成本與價值具有弱對應性，但對研發初期應用場景不明確的數據資產采用成本法進行評估能夠補償企業數據產品的構建成本，體現數據產品的盈利能力。從賣方視角衡量數據的最低價值，通過數據的乘數效應體現數據給買方帶來的增值，考慮多場景應用條件下數據中心各類數據產品的聯合效應，體現數據資產的價值。基于此種盈利模式分析可以發現，其核心特點在于多行業聯合構建數據中心來提供標準化的數據產品。只有與政府機構和社會管理機構合作密切的數據密集型企業，才有實力聯合多行業的企業提供數據服務，構建數據管理平臺。在數據產品模式下，數據資產的社會經濟價值不僅在于數據資產的必要投資回報和場景應用乘數，還包括數據聯合產生的價值，參數的變動集中在多個數據平臺的協同效應對數據資產價值的影響，其表達形式如下所示：

式（5）中：C1為開發成本；C2為運營成本；r為數據資產的投資回報率；γ為場景應用乘數；ε為協同效應增長率。

在數據產品模式下，對成本模型的改進體現在社會經濟效益的計算上，經濟效益在體現資產風險的同時考慮數據資產給行業未來發展帶來的規范效應。從社會效應角度，數據中心的標準化產品并沒有垂直行業數據中心產品的顆粒度細，在產品功能細分上與垂直行業數據平臺的側重點也有區別，橫向數據中心的發展關注各行業的整體運行情況，突出行業的熱點，其監測和挖掘的功能較強，更多反映行業的發展狀況，為政府和企業提供行業數據。從經濟效益角度，數據產品模式下數據中心包含多行業數據平臺，在對數據平臺的成本進行分析的基礎上，除了考慮行業內部數據流通帶來的增值，還應考慮相關行業數據平臺的聯合效應。因此本研究提出，在經濟效益乘數的計算上增加平臺關聯度參數，突出平臺間的協同效應對數據中心的價值進行修正。

3 案例分析

本研究選取的3 個案例分別是華揚聯眾數字技術股份有限公司（以下簡稱“華揚聯眾”）數據營銷板塊的營銷數據資產、上海鋼聯電子商務股份有限公司（以下簡稱“上海鋼聯”）數據訂閱服務板塊的數據資產和新華睿思數據中心。選取的依據包括：一是案例與盈利模式的匹配程度；二是數據資產的安全性和合規性，安全性高且合規程度高的數據在價值實現過程中其穩定性更有保障；三是數據資產經濟效用有所區別，擁有拓寬融資渠道、降低融資成本、調整資本結構等功能。

3.1 廣告推薦模式數據案例評估——華揚聯眾

華揚聯眾是互聯網營銷行業品牌營銷服務提供商，成立于1994 年，2002 年進入互聯網綜合營銷服務領域，具有典型的輕資產特征，2017 年在上海證券交易所上市。盈利模式上，其營銷業務是以廣告推薦模式提供營銷服務，具體以其營銷數據庫為基礎，為用戶構建營銷渠道實現精準營銷。其數據來源是企業收集或購買，經過清洗、整合、分析后形成，供企業內部使用，服務于企業的客戶。數據資產的安全性和合規性方面，華揚聯眾在2019 年已獲得國家信息系統安全等級保護三級認證。本案例的評估對象為華揚聯眾品牌營銷板塊數據資產，包括星運營銷鏈KOL 達人運營平臺、營銷數據分析引擎MADE 和創新管理系統DCD 上儲存的與營銷途徑、用戶標簽、廣告歷史投放相關的數據，采用收益法進行評估。

3.1.1 基礎資產的現金流預測

品牌營銷業務為華揚聯眾主要營收項目，2018年至2020 年該板塊主營業務收入在華揚聯眾整體收入中占比均大于90%，2021 年收入占比有所下降，但仍占企業整體營收的89.56%，總體毛利率如表1 所示。2020 年由于受新冠疫情影響，華揚聯眾客戶的營銷活動減少，營銷板塊收入波動；2021 年整體營收有所上漲。品牌營銷板塊未來收益預測以2018—2021 年的復合年均增長率5.39%作為基礎。營銷板塊整體毛利率穩定，主營成本預測采用近4年毛利率的均值12.19%進行估算。

表1 華揚聯眾品牌營銷業務情況

銷售費用、管理費用、研發費用、財務費用與營業收入相關，且近4 年華揚聯眾這些費用占收入的比例穩定（見表2），故在費用預測部分以2021年費用占收入比重為基礎，依據對企業未來收益的預測對費用進行預測。

表2 華揚聯眾營銷板塊凈現金流量預測結果

運用層次分析法確定華揚聯眾營銷板塊中數據資產價值對整體無形資產價值的貢獻權重，向15 位專家發放問卷對問卷結果進行統計分析，得到其數據資產在營銷板塊的貢獻為15.87%。

3.1.2 折現率的計算

折現率是對資產營業風險的反映。風險利率部分考慮華揚聯眾數據資產的預期風險包括企業特有風險和數據特有風險。折現率表達形式如下：

通過NS 模型對我國國債利率期限結構進行擬合，選取2011 年1 月至2021 年12 月，期限設定為當 天、1 月、2 月、3 月、6 月、9 月、1 年、3 年、7 年、10 年、15 年、20 年、30 年，采用每月最后一天國債到期收益率數據通過MATLAB 擬合NS 模型，得到以系數的平均值作為模型系數，具體對應的結果如表3 所示。NS 模型所擬合的結果在1.9%～3.4%之間，比較符合實際情況，故將表3 所示基準利率作為rft的取值。

表3 我國國債1～5 年期的基準利率

市場風險溢價是指投資者投資華揚聯眾所要求的預期超額收益，即投資者要求的風險補償，表達形式如下：

以2011 至2021 年上證綜合指數平均收益率作為市場期望報酬率，以算術平均數計算綜合得到Rm=10.46%。依據Wind 金融終端數據庫得到華揚聯眾權益資本的預期市場風險系數β為0.398 4。考慮數據資產與其他資產在性質、應用場景、變現能力等方面的差異，在企業市場風險溢價的基礎上增加特定風險系數ε，ε的取值為2%。綜上，華揚聯眾數據資產1 年至5 年的折現率取值如表4 所示。

表4 華揚聯眾數據資產折現率

3.1.3 價值評估結果

表5 所示，測算可得華揚聯眾營銷板塊數據資產評估值為6.70 億元。

表5 華揚聯眾營銷板塊數據資產價值評估

3.2 服務付費模式數據資產證券化案例評估——上海鋼聯

上海鋼聯成立于2000 年，屬于互聯網信息服務行業中大宗商品及相關產業數據服務業中的第三方價格發布機構。作為鋼鐵數據服務行業的龍頭企業，其數據產品已在上海數據交易所掛牌上市，產品的合規性和價值量高。上海鋼聯以大宗商品數據為基礎，構建大宗商品信息服務平臺，在此基礎上提供增值服務，如大宗商品交易中介服務，不僅為交易雙方提供信息服務，還為相關企業提供賒銷和預購的金融服務。上海鋼聯作為首批簽約商與上海數據交易所數據中心達成合作，在數據的安全性和合規性上具有保障。本研究采用DEVA 法評估上海鋼聯數據訂閱服務業務板塊價格數據資產的價值。

3.2.1 單位用戶初始成本

單位用戶初始成本是指企業為獲得現有用戶量所進行的投資與注冊用戶數的比值。企業用戶的投入成本不僅包括初始投資，還包括后續的維護建設。上海鋼聯數據訂閱服務的投入成本由營業成本、稅金及附加以及各項費用損失構成。數據訂閱服務業務注冊人數包括網頁端、移動端和數據終端3 種途徑注冊用戶總數，其單位用戶初始投入成本計算如表6 所示。以近3 年初始成本的平均值作為單位用戶初始投入成本進行測算，則單位用戶初始投入成本為25.51 元。

表6 2019—2021 年上海鋼聯數據訂閱服務單位用戶成本費用

3.2.2 單位用戶貢獻

上海鋼聯資訊產品核心客群主要包括大宗商品生產制造相關企業、大宗商品流通貿易企業、大宗商品交易所、金融機構、科研院所及高校、政府部門、媒體和個人用戶，其付費用戶人數分端口計算年增長率如表7 所示。

表7 上海鋼聯數據訂閱服務用戶數統計

2020 年上海鋼聯推出“鋼聯云”數據終端，企業整體的付費用戶數在2020 年和2021 年均有較高的增長，表明企業未來數據訂閱服務仍有較大發展空間。2020 年、2021 年企業的付費人數增長率較為平穩，基于企業現有數據資產對其進行估值，以2021 年年底經審計后披露的年報數據作為評估取值，網頁端、移動端和數據終端的付費用戶數分別為552.80 萬人、13.79 萬人、0.19 萬人。由于網頁端、移動端和數據終端所提供的數據量的差異，在不同端口的數據收費模式也有較大差異，但近兩年各端口的收費規模逐漸穩定，因此單位用戶的貢獻值取2020 年與2021 年數據的平均值，具體如表8 所示。

表8 2016—2021 年上海鋼聯數據訂閱服務單位用戶貢獻與評估取值

3.2.3 付費滲透率

付費滲透率是指總體用戶價值變現能力。網頁端、移動端和數據終端3 種途徑在具體變現能力上有較大區別，因此網頁端以近3 年付費人數占比的均值作為用戶變現能力指標，移動端全部為付費用戶，以100%的比例計算，數據終端部分屬于新增業務板塊，采用近兩年付費人數比作為用戶變現能力指標。具體數值如表9 所示。基于此，以2021 年各端口收入占比為權重加權平均得出綜合付費滲透率為13.69%。

表9 上海鋼聯數據訂閱服務付費滲透率測算結果

3.2.4 價值評估結果

根據式（3）可得上海鋼聯數據訂閱服務平臺的價值為240.727 2 億元。運用層次分析法確定上海鋼聯數據訂閱業務中數據資產價值對其整體無形資產價值的貢獻權重，通過問卷調查的方式，構建判斷矩陣并請專家對其重要性進行打分，從數據訂閱業務整體資產價值中剝離出數據資產的應用價值。通過計算得到數據資產在上海鋼聯數據訂閱服務中的貢獻為13.19%，由此得出其數據訂閱服務數據資產的價值為31.75 億元。

3.3 數據產品模式數據資產證券化案例評估——新華睿思數據中心

新華睿思數據云圖分析平臺是新華網新華睿思數據中心自主研發的大數據平臺產品系統。在盈利模式上，新華睿思數據中心是以數據產品模式進行的生產服務，企業與企業合作共建共享數據中心，以數據中心為核心，開發相關業務產品并以此獲利。在數據安全性和合規性方面，2019 年，新華睿思獲評第六屆中國國際大數據大會“應用最佳品牌”獎，2020 年，新華睿思數據云圖分析平臺入選中國軟件行業協會2020 年度優秀軟件產品。新華睿思數據平臺的數據源自新華網全站數據，資產產權明晰且具有及時性，整體合規性高。在企業資產證券化動因上，新華睿思數據中心的數據來自企業積累的多行業新聞動態，發行數據資產證券產品有利于企業盤活數據資產、提升資產的流動性，所融資金可用于優化升級多功能產品，橫向擴展數據中心營業范圍，提升企業的市場競爭力。

3.3.1 成本構成

新華睿思數據云圖分析平臺的投入成本由獲取開發成本和運營成本兩部分組成，依據企業的財務報告對其開發成本進行匯總，由平臺開發投入和研發費用中的網絡建設費、職工薪酬、網絡線租費、IDC 機房租賃費構成，以不同年度開發的平臺類型對開發支出進行分類，根據每年度的研發費用和各平臺開發投入占比，將研發費用分配到各平臺的成本構成中。

平臺運營管理費用主要由職工薪酬、網絡線租賃費和IDC 機房租賃費構成，根據各數據平臺的上線時間對平臺的運營成本進行分配，計算各平臺每年運營時間占比。新華睿思數據中心按照運營時間將運營費用按比例分攤至每個數據中心，以近3 年平均運營費用取整得到數據中心的年運營成本。新華睿思產品集市平臺尚未投入運營，但其開發規模與數媒智慧分析平臺類似，故其運營成本以數媒智慧分析平臺運營成本為參考。由此可得新華睿思數據中心的開發價值由開發總成本和年運營成本構成，各平臺開發價值如表10 所示。

表10 新華睿思數據中心開發價值

3.3.2 收益乘數

收益乘數是基于數據的構建成本，考慮數據在具體應用中給企業帶來的收益效應，應體現數據所面臨的風險以及盈利能力。收益乘數由投資回報率和場景應用乘數兩個部分組成，分別考慮數據資產帶來的收益能力和在應用中與其他生產要素相結合帶來的效率的增長。在投資回報率的選取上，以互聯網服務行業平均收益率作為數據資產投資回報率的計算基礎，考慮數據產品在資產證券化過程中面臨的流動性風險和利率風險。新華網具有知識產權企業的特點，在考慮證券發行風險和利率風險時以知識產權證券的發行利率作為新華網數據資產證券化的發行利率的參考。根據中國資產證券化分析網（CNABS）的知識產權證券發行數據可知，知識產權證券發行利率中4.00%～4.99%的發行利率規模最大，其中證券發行規模前三的發行利率分別為4.00%、3.90%、3.80%，因此采用4.00%的利率作為計算數據資產證券產品的投資回報率的基礎。

以行業風險收益率的差額作為知識產權和數據資產差異性調整參數，對數據資產收益率進行計算。2021 年我國文化行業平均收益率為3.20%，信息技術服務業全行業平均收益率為7.40%，以評估基準日10 年期國債的利率為無風險利率，2021 年12 月31 日十年期國債的利率為2.78%，將行業平均收益率與無風險利率的差額作為行業的風險溢價，計算得到信息技術服務行業風險溢價為4.62%，文化行業風險溢價為0.42%。根據東方財富金融終端數據，具有知識產權概念的企業共有37 家，以2021 年12月31日為基準日，計算基準日前52周的普通收益率，以加權平均的方式得到知識產權概念股經調整后的β系數β1為0.734 4。以同樣的條件計算69 家互聯網和相關服務行業的數據，經調整后的β系數β2為0.931 0。以β1×（rm1-rf）與β2×（rm2-rf）的差額作為數據資產證券產品投資回報率的調整系數，得到數據資產證券產品的投資回報率為7.99%。

新華睿思數據中心包含多類數據分析平臺，其具體應用場景也大不相同，根據各平臺的應用場景不同考慮其場景應用乘數的差異性，對各平臺的場景應用分別進行計算，如表11 所示。其中，以平均值和優秀值的差額作為數據資產應用于具體行業的乘數效應，得到數據產品的應用價值。

表11 新華睿思數據中心應用行業的資本收益率

3.3.3 價值評估結果

新華睿思數據中心的產品可以分為行業數據平臺和軟件數據服務平臺。軟件數據服務并不限定于具體行業的應用場景，而是對全中心的平臺提供服務，故可視化標準大屏系統和數據可視化圖表創作平臺的場景乘數是對數據中心各平臺協同作用產生的效益，其場景加成單獨計算。具有行業應用場景是指數據平臺的數據有固定的行業范圍，具體包括數媒智慧分析平臺、輿情APP、汽車大數據平臺、快消大數據平臺、文旅大數據平臺、自媒體分析平臺、網絡輿情評估系統，這類平臺的價值由平臺開發價值、投資回報率乘數和場景乘數的乘積共同組成。具有協同效應是指該數據平臺具有綜合性的數據處理能力，突出數據特點而不體現行業特色，具體包括新華睿思云圖分析平臺、可視化標準大屏系統、數據可視化圖表創作平臺、新華睿思產品集市平臺，這類平臺的價值由平臺開發價值、投資回報率乘積組成。各平臺估值結果如表12 所示。

表12 新華睿思數據中心各平臺估值結果

新華睿思云圖分析平臺、可視化標準大屏系統、數據可視化圖表創作平臺、新華睿思產品集市平臺為數據中心各行業平臺帶來的協同效應乘數依據2021 年軟件信息服務業的行業平均增長率14.10%計算，新華睿思數據中心的價值則由各行業數據中心價值之和與協同效應乘積構成。計算式子如下：

綜上可得新華睿思數據中心的數據資產價值為3.47 億元。

4 結論與啟示

4.1 研究結論

本研究分析數據資產價值評估的影響因素和評估思路，考慮資產證券化目的下資產價值評估的特定風險，構建數據資產價值評估基本模型，通過分析不同盈利模式下的互聯網信息服務企業的數據流通范圍、收費模式以及價值關鍵影響因素，探究適用的評估方法，提出具體模型改進如圖1 所示，并分別選取案例企業進行研究，得出主要結論如表13所示。

表13 數據資產價值評估方法總結歸類

首先是廣告推薦模式下企業內部數據資產，其特點在于數據形成于企業業務交易并服務于企業生產經營并在企業內部發揮作用，與業務營收情況和成本構成緊密聯合，適合采用收益法進行評估，通過NS 模型對基準利率進行調整，以折現率反映對數據資產價值評估的影響。該盈利模式下企業可通過供應鏈模式對數據資產進行價值實現，有利于拓寬輕資產企業的融資渠道。

其次是服務付費模式下企業間流通的數據資產，這類數據資產的特點在于數據具有明顯的行業特征，服務涉及全產業鏈的數據信息，數據容量大、顆粒度細，數據的價值實現依賴于用戶群體，數據認可度越高則用戶愿意為其支付的價格越高，適合采用DEVA 模型進行評估。在該模式下數據資產價值的核心影響因素是數據資產盈利能力的穩定性，即數據資產質量、數據的完整性、數據的及時性等，故以數據質量調整和市場滲透率反映資產價值的風險。該類數據資產可通過融資租賃模式實現價值，有利于降低企業的融資成本。

最后是數據產品模式下在行業間流轉的數據資產，企業以數據中心為基礎提供多平臺數據服務，數據中心內包含多產業數據產品且產品功能和結構上趨于一致，數據產品的社會效益明顯，數據中心以標準化行業數據為企業和政府提供治理依據，數據資產的社會價值遠大于經濟價值。現階段數據中心的盈利能力尚未凸顯，但其數據資產已參加經濟社會活動、具有發展潛力，適合采用成本法對這類數據資產價值進行評估具有合理性。本研究采用類比調整的方法，以投資回報率反映資產證券化風險，對數據資產進行評估。數據產品模式下企業可通過貸款模式實現數據資產價值，有利于盤活企業數據資產，提升資產的流動性和變現能力。

4.2 啟示

（1）數據資產確權。在數據資產權屬清晰的條件下對數據資產價值進行分析才是有價值的，我國已形成持有權、使用權、經營權“三權分置”的數據產權制度，但不同權利屬性對應的數據資產的價值有所區別。“三權分置”的產權體系有利于解決數據資產產權轉移的問題，但在具體權屬劃分上尚未對權屬的邊界進行規定，未來在數據要素流轉中數據權屬的規范仍有待提升。

（2）數據價值衡量的動態性。數據的價值是動態變化的，數據質量是數據盈利能力的保障，但數據質量的維持需要企業不斷投入以維持數據的及時性和有效性，且企業應該定期對數據的盈利能力進行披露。在企業運營過程中增加對數據質量的監管有利于維持數據資產的價值，也能增強投資者的信心，推動數據資本化持久健康發展。

（3）增強企業數據管理能力。在數據資產價值評估方法的選擇上，由于數據價值影響因素的多樣性，以及數據流動中價值的波動性，對企業數據資產價值評估要求企業提供數據的相關資料。在數據交易的眾多參與者中，企業是最了解其自身數據資產狀況的，但是企業對數據管理能力不足易導致數據資產估值結果不準確。為促進數據資產交易，科學選取評估方法合理評估資產價值，應提升企業的數據管理能力，構建高效的數據資產管理體系。