價值創造視角下互聯網企業數據資產估值研究

苑秀娥 尚靜靜

【摘 要】 隨著數字經濟概念不斷深入，數據要素對企業價值提升的作用日益增強。文章從價值創造視角出發，分析數據資產價值創造的過程及表現，提出企業數據資產經濟價值由創新性價值及效率性價值構成，采用收益法評估數據資產創新性價值，借助超額收益法評估數據資產效率性價值，引入灰色預測及BP神經網絡預測方法改進模型參數，最終實現對互聯網企業數據資產整體價值的評估，并以TX公司為例進行模型應用。結論表明，數據資產變現對企業價值的貢獻是巨大的，需要進一步釋放數據要素價值。

【關鍵詞】 價值創造； 數據資產； 價值評估； 灰色預測； BP神經網絡

【中圖分類號】 F234.3；F275.2? 【文獻標識碼】 A? 【文章編號】 1004-5937（2024）06-0059-09

一、引言

在數字化驅動經濟發展背景下，為保障數字經濟長遠穩定發展，政府出臺了一系列重要政策。2015年，國務院發布《促進大數據發展行動綱要》，明確指出將數據上升為國家基礎性戰略資源，充分肯定數據對市場的貢獻。2020年，《關于構建更加完善的要素市場化配置體制機制的意見》首次正式將數據劃分為新型生產要素。2021年12月，“十四五”國家信息化規劃提出建設更加完善的數據要素資源體系，從而釋放數據要素價值。2022年我國數字經濟規模已達50.2萬億元，占GDP比重為41.5%。習近平總書記在黨的二十大報告中強調，要以經濟高質量發展引領中國式現代化。數據作為國家基礎性戰略資源，是數字化經濟發展的核心生產要素，為推動經濟高質量發展注入新動能。

隨著云計算、人工智能、區塊鏈等新興技術的加速應用，數據市場規模呈現爆炸式增長，數據資產價值研究也逐漸受到各界重視[ 1 ]。無論微觀層面企業價值評估，還是宏觀層面國民經濟核算，數據資產價值都有必要納入其中。2024年1月11日，財政部印發《關于加強數據資產管理的指導意見》，要求“建立數據資產管理制度，促進數據資產合規高效流通使用，構建共治共享的數據資產管理格局，為加快經濟社會數字化轉型、推動高質量發展、推進國家治理體系和治理能力現代化提供有力支撐”。數據資產價值評估成為一個亟待研究的主題。當前有關數據資產的研究大多立足于企業微觀會計層面，探究數據資產定義、數據資產特征、數據資產會計處理方法以及數據資產價值評估模型的構建?，F有研究大多將數據資產歸屬于無形資產范疇，采用無形資產價值評估方法研究數據資產價值核算，但數據資產亦有其不同于無形資產的特性（如非競爭性、規模經濟性、動態性等），導致數據資產經濟價值遠高于其生產成本，數據交易市場規模有限，創造的未來收益較難計量等，尤其是數據資產價值作用的發揮需要與具體價值創造場景相結合，使得必須對現有價值評估方法做出改進才能應用于數據資產價值評估。本文從價值創造視角對互聯網企業整體數據資產價值進行評估，通過分析數據資產價值創造的過程及表現，構建適用于互聯網企業數據資產的價值評估體系，為我國數據資產價值評估實踐提供方法支撐。

二、文獻綜述

（一）數據資產概念

明晰數據資產概念是進行數據資產價值研究的基礎，學術界目前對數據資產概念未形成統一定論，不同學科對數據資產概念的側重點有所不同。

會計學角度，大部分研究基于會計資產要素的確認條件定義數據資產。李靜萍[ 2 ]認為數據不受數據生產者和使用者的制約且具有明確的經濟所有權及收益性，因而滿足資產的屬性。中國信通院將數據資產定義為由企業擁有或控制的，在未來一定期間能給企業帶來經濟效益的呈電子方式記錄的數據資源。

經濟學角度，大多數研究從數據具有價值探討數據資產化。數據本身并不能直接產生價值，只能通過作用于生產和服務使企業創造收益、降低成本的表現更加突出，由此體現數據資產的價值[ 3 ]。黃科滿和杜小勇[ 4 ]提出數據資產價值體現在價值利用化這一最終環節上，具有價值后驗性。

信息學角度，數據資產由信息的相關概念演變而來，21世紀以后數據資產一詞才普遍出現。譚明軍[ 5 ]認為數據資產是將用戶行為信息、公開信息以及從其他合法渠道收集的相關信息，利用計算機技術經數據收集、挖掘、分析等環節最終給企業帶來價值或潛在價值的數據資源。

鑒于本文主要探討企業微觀層面的數據資產價值，因而從會計學視角定義數據資產：由企業擁有或控制的，在未來能給企業帶來經濟流入且能夠可靠計量的數據資源。

（二）數據資產價值影響因素

從價值影響因素來看，李曉華和王怡帆[ 6 ]總結影響數據資產價值的六大因素即數據的顆粒度、鮮活度、連接度、反饋度、響應度和加工度。任曉波[ 7 ]認為數據資產價值不僅與其涵蓋信息相關，也與其被使用的方式相關，同時數據質量、數據應用、法律和監管也能夠影響數據資產價值。廖東聲[ 8 ]描述影響數據資產價值的外部因素，提出數據資產價值會因加工、用戶、使用次數、市場波動而改變，對內部因素只提到了數據質量。王重潤等[ 9 ]認為數據價值會受到數據質量、數據具體應用場景、成本、使用者異質性的影響。實現數據要素價值最大化不僅要認識到其自然屬性，更重要的是充分認知5個社會屬性即數據整合、數據融通、數據洞察、數據賦能與數據復用，尹西明等[ 10 ]將其稱為“5I”社會屬性。

（三）數據資產價值評估

在宏觀層面，研究數據資產價值的文獻較少，當前數據資產并未被納入國民經濟核算體系中，造成數據對經濟社會的貢獻被低估。李靜萍[ 2 ]認為在構建數據資產附屬核算框架時，應當包含對數據開發階段的價值評估，并通過非生產性資產計入國民經濟核算體系中。

在微觀層面，數據作為資產納入到企業資產負債表中已成為普遍共識。目前對數據資產價值評估以傳統的無形資產評估方法為主，結合數據資產的特性做出改進[ 11 ]，也有學者拓展視角構建新的模型進行評估[ 12 ]，如B-S模型、蒙特卡洛模擬、討價還價模型。由于數據資產特性，以上方法計量數據資產存在局限性，如過于關注數據資產與無形資產的共性，忽略了數據資產價值與具體價值創造場景有關的特征，導致構建的評估模型不夠準確。本文將數據資產估值建立在數據為企業創造收益的基礎之上，認為要科學且準確地評估數據資產價值必須先分析數據資產的價值創造過程及表現，從而提出適用性更加廣泛的收益法及多期超額收益法相結合的數據資產估值模型。

三、互聯網企業數據資產價值創造分析

（一）數據資產價值創造過程

基于數據價值鏈理論，數據價值創造是一個包含數據加工及增值的全動態過程，涵蓋清洗、融合、分析、應用等環節。胡亞茹和許憲春[ 13 ]將數據價值鏈分解為數據獲取、數據存儲、數據分析、數據應用四個環節。在數據獲取環節，實現了對原本游離數據的初步收集，包括用戶行為數據、交易數據、社交數據等，界定了原始數據類型，該環節成本產生于收集數據的設備購買、運行及其磨損的支出；在數據存儲環節，所獲取的數據加工、提煉、整合為可以被高效利用的數據資源，并被分類存儲在數據平臺中，該環節產生了數據平臺的運維成本；在數據分析環節，經過數據庫的建立及軟件開發等過程，可以提取出數據中含價值的信息及知識，實現潛在價值的提升，有利于企業提高生產效率、洞悉客戶需求、創造新商業模式及控制風險；在數據應用環節，數據分析階段的輸出于具體的使用場景下轉變為企業經濟效益，數據價值得以釋放，因而數據資產化也得以實現。需要注意的是，在數據創造價值的過程中，經計算分析會不斷產生新的數據，從而再次循環進入到其他環節的數據處理中，繼續實現經濟價值。

（二）互聯網企業數據資產價值創造表現

根據對數據資產價值創造過程的分析，數據在數據獲取、存儲、分析階段發生了成本支出，實現了數據資產潛在價值的累積，但并未真正給企業創造價值。只有在應用階段才為企業帶來收益，因而數據資產價值只在應用階段才有所表現，且不同價值創造場景下數據資產價值有所不同。因此區分數據資產使用的不同場景分析互聯網企業數據資產的價值表現。

在無交易場景下，數據調整原有的生產流程、提高運營效率，尤其在“供—產—銷”環節效率表現更為顯著。在供應環節，企業處理客戶訂單引入自動化流程、可視化操作等，處于供應鏈中的多家合作伙伴可以實現生產與服務實時交互，大大提高供應效率；在生產環節，幫助企業實時收集庫存信息，有效預測產品市場需求變化，降低傳統運營系統成本，促進企業重組生產流程實現[ 14 ]；在銷售環節，經對用戶的消費數據進行挖掘分析，能了解用戶個性化需求，關注消費者情緒及客戶體驗，從而采取更有針對性的銷售策略，提供差異化服務和個性化產品，更好地適應市場環境的動態變化[ 15 ]。無交易場景下，數據要素優化企業生產模式，提高了傳統價值鏈上研發、生產、銷售等環節的決策效率，未改變企業原有以傳統生產要素為主的商業模式，為企業帶來超額業務收益，稱之為效率性價值[ 16 ]。

有交易場景下，企業獲得許可后訪問海量用戶數據，充分挖掘分析其中潛在的商業信息，建立用戶精準畫像，從而為市場其他客戶提供定制化數據產品或服務，經進一步出售收取廣告費用。該場景下數據作為核心生產要素，催生出新的商業模式，觸發企業運用數據技術生成新的產品及服務，與數據分析技術協同發揮價值創造作用[ 17 ]。互聯網企業所掌握的數據資產價值直接轉化為企業創新性收入，主要體現為企業廣告收入等，稱之為創新性價值[ 16 ]?；谏鲜龇治?，數據資產價值表現可概括為基于數據處理技術的決策支持系統和商業模式創新所帶來的未來經濟收益，數據資產價值評估就是確定該未來經濟收益的現值。本文將數據資產無交易場景下與決策效率相關的凈現值稱為數據資產效率性價值，用數據資產帶來的超額業務收益現值來衡量；與商業模式創新相關的凈現值稱為數據資產創新性價值，用數據資產帶來的創新性收入現值來衡量。

四、互聯網企業數據資產估值模型建立

（一）設計思路

近幾年更多文獻僅考慮數據資產在無交易場景下支持決策產生的效率性價值，而對商業模式改變引起的創新性價值并未涉及?；诖?，本文運用收益法評估數據資產創新性價值，運用改進多期超額收益法評估數據資產效率性價值。

1.創新性價值評估模型

考慮到廣告商是與互聯網企業進行數據資產交易的最主要利益相關方，互聯網企業數據資產創新性收入近似體現為企業廣告收入，該部分收益由企業與第三方達成公平交易后體現在會計報表中，可以直接采用收益法評估。評估思路如下：根據歷史數據運用灰色模型預測收益期內創新性收入，折現即可得到創新性價值。公式如下：

其中，n為收益期，ADk為收益期內第k年實現的創新性收入，r為折現率。

2.效率性價值評估模型

數據資產效率性價值評估難點較多，對此進行重點分析。通過分析數據資產價值創造，數據資產效率性價值依賴企業超額業務收益的實現，其本質與商譽類似，故采用改進超額收益法評估數據資產效率性價值更能體現數據資產價值創造的本質。數據資產的效率性價值創造依賴其他資產的共同參與，因此采用層次分析結合多期超額收益法確定數據資產效率性價值。整體脈絡是：首先，根據企業歷史凈資產收益率和相關影響因素值分別采用灰色預測及BP神經網絡預測企業收益期內凈資產收益率，再根據誤差倒數加權法確定組合預測的企業凈資產收益率，類似方法得到行業凈資產收益率，二者作差得到企業超額收益率；其次，將所有者權益與超額收益率相乘得到收益期各期超額收益；再次，利用層次分析法計算數據資產收益分成率，與超額收益相乘得到數據資產收益貢獻值；最后，將數據資產貢獻值在收益期內折現得到數據資產效率性價值。公式如下：

其中，n為收益期，Ek為第k年數據資產超額業務收益貢獻值，r為折現率。

3.整體數據資產經濟價值

將數據資產創新性價值與效率性價值求和得到數據資產整體經濟價值。本文構建的互聯網企業數據資產估值體系如圖1所示。

（二）經濟參數確定

1.未來創新性收入

在測算創新性價值時，用企業廣告收益近似代表企業創新性收入，由于其影響因素繁多且難以量化，考慮數據的時間序列特征采用單變量灰色模型預測企業未來創新性收入?；诨疑Ｐ偷念A測過程如下：

（1）將n年的廣告收入序列作為初始時間序列

（2）經一次累加生成得到序列

（3）作 處理得到相鄰均值序列

（4）得到灰色預測模型

（5）計算得到一次累加生成預測值

（6）通過累減還原生成廣告收入的預測值序列

2.企業預期超額收益

確定數據資產效率性價值的核心步驟在于預測企業收益期內超額收益?？紤]到超額收益影響因素的復雜性與非線性，本文構建基于灰色預測和BP神經網絡的組合預測模型，既考慮了縱向時間序列趨勢，又包含了橫向相關因素的影響。灰色模型前面已有介紹，此處不再贅述。

BP神經網絡是基于誤差反向傳播算法進行訓練的前饋網絡模型。該網絡可以基于數據本身挖掘相互之間聯系的一般規律，自動尋找輸入數據與輸出數據的非線性映射關系，若訓練次數或訓練誤差未達到預設值，則會自動返回循環進行修正直至達到預設值，具有較強的學習能力，因此使用較為廣泛。基于BP神經網絡的預測步驟如下：

（1）數據歸一化

為消除數據數量級的影響，需要對數據進行歸一化處理。

（2）設定網絡結構參數

該步驟需要設定神經網絡結構參數，包括輸入層、隱含層、輸出層的節點個數，訓練次數，學習速率，最小目標誤差，激勵函數，訓練算法等。

（3）訓練神經網絡

經反復訓練，選擇與實際值擬合較好的網絡，計算預測值與真實值的誤差，檢驗模型精度及收斂性，若對輸入值進行歸一化處理則在該步驟需要對輸出值進行反歸一化。

（4）調用神經網絡

將輸入值輸入訓練好的神經網絡中得到預測輸出值。

3.數據資產對企業超額收益的貢獻比例

數據資產作為表外資產，屬于數據資產貢獻的超額收益需從企業整體超額收益中分離。采用層次分析法計算數據資產對企業超額收益的貢獻比例，步驟如下：

（1）確定層次結構模型（如圖2所示）

（2）構建判斷矩陣

對同一層次各因素相對于上一層次指標的重要程度采用1—9標度法打分，進而得到準則層與方案層的判斷矩陣。

（3）求最大特征值及其特征向量

求得各判斷矩陣的最大特征值λ及其所對應的特征向量。

（4）一致性檢驗

檢驗公式為：

其中，n表示判斷矩陣階數，λ表示最大特征值，RI可通過隨機一致性指標表格獲取，CI為一致性指標，CR為一致性比例。當CR＜0.1時，一致性檢驗通過。

（5）計算方案層各因素權重

一致性檢驗通過后，將各判斷矩陣最大特征值對應的特征向量作歸一化處理，得到各層判斷矩陣的權向量，作內積運算后得到方案層各指標對超額收益的貢獻權重。

4.計算折現率

折現率是將數據資產創造的廣告收入及超額業務收益折算成現值的比率，本質為數據資產的預期投資報酬率，選取股權資本成本作為折現率。數據資產在確權、制度保護、未來收益等存在不確定性，需要考慮數據資產的特定風險報酬率。根據資本資產定價模型確定折現率公式如下：

其中：RF為無風險利率，采用國債利率代替；？茁為風險系數，可通過Wind金融終端計算得到某企業該系數；RM為股票平均市場報酬率，可通過Wind金融終端計算得到；？著為數據資產特定風險報酬率。

5.確定收益期

收益期是持有資產給企業帶來收益的時間。理論上數據資產的經濟壽命同企業存續期相同為無限期，因數據具有非消耗性，可以一直存于企業中，但現實使用時，受數據時效性、市場競爭、法律規定、合同協議等的影響，數據資產收益時間可能是有限的，應該充分考慮各行各業特點結合職業判斷確定收益期。

五、模型應用

本文以互聯網企業為研究對象?；ヂ摼W企業相比其他行業擁有更豐富的數據資源，具備整合及利用數據資源的能力，能實現數據要素與企業其他資源的優勢互補，同時數據實現價值創造的途徑更廣泛，可以為更多企業提供借鑒。TX公司作為國內互聯網行業領先企業，運用自身社交網絡平臺形成豐富的數據資源，為用戶提供互聯網增值服務、網絡廣告服務及電子商務服務。TX公司每年創造比行業平均更多的明顯收益，數據資產成為企業獲取超額收益的關鍵性資產，數據資產價值如何、數據資產價值如何實現更大限度地釋放成為企業需要解決的問題。以TX公司為例應用模型，考慮到TX公司經營多元化、業務范圍廣、數據更新快的特點，為保證預測準確性將該公司數據資產的收益期設為5年。

（一）數據資產創新性價值評估

1.灰色模型預測企業未來創新性收入

使用2017—2021年的歷史廣告收入數據對未來2022—2026年的創新性收入進行預測，并檢驗模型精度，結果顯示預測相對誤差為1.76%，擬合優度R2為0.9878，預測精度很高，預測曲線如圖3所示。

2.折現率

根據資本資產定價模型，無風險利率選取2022年11月十年期國債到期收益率2.8%；股票平均市場收益率選取近十年恒生指數、上證指數、標普500指數、滬深300指數及納斯達克100指數的年化收益率均值8.65%；風險系數根據近五年Wind金融終端該企業周收益序列計算為1.1680，則股權資本成本為9.63%。分析我國有關數據資產的規定政策及外部環境，確定企業數據資產特定風險報酬率為4%，最終確定數據資產未來收益折現率為13.63%。根據公式（1）計算得到數據資產創新性價值為4 693.35億元。

（二）數據資產效率性價值評估

1.灰色模型和BP神經網絡組合預測企業未來超額收益率

（1）灰色模型

一是預測行業凈資產收益率。為保證預測準確性，灰色模型通過2012—2021年總資產凈利率、權益乘數數據預測未來凈資產收益率。結果顯示：灰色預測行業總資產凈利率平均絕對誤差為1.4825，相對誤差為19.10%；預測行業權益乘數平均絕對誤差為0.0484，相對誤差為2.98%。模型精度較高，實際值在預測值上下發生較小波動，可以用來預測，預測曲線如圖4、圖5所示。二者相乘得到行業凈資產收益率。

二是預測企業凈資產收益率。結果顯示：灰色預測企業總資產凈利率平均絕對誤差為1.7119，相對誤差為12.7%；預測企業權益乘數平均絕對誤差為0.1449，相對誤差為6.89%。模型精度較高，實際值在預測值上下發生較小波動，可以用來預測，預測曲線如圖6、圖7所示。二者相乘得到企業凈資產收益率。

（2）BP神經網絡

一是行業凈資產收益率預測。本文在選取影響互聯網行業收益的因素時，從宏觀經濟、行業特征、消費人群三個方面考慮，最終選取8個影響因素：居民人均可支配收入，國內生產總值，行業凈資產收益率的分解指標營業凈利率、總資產周轉率、權益乘數，互聯網企業數量（滬深A股剔除ST及*ST），網民數量，15～64歲人口數。構建神經網絡模型時，輸入層與隱含層、隱含層與輸出層的激勵函數分別為“tansig”型和“purelin”型，訓練算法選取“trainlm”型。依據BP神經網絡建模原理確定的最終網絡相對誤差為8.6923%，精度較高?；貧w系數如圖8所示，訓練集、測試集、驗證集以及整體相關系數分別為0.99289、0.99772、0.99174、0.99024，訓練的神經網絡模型輸出值和實際值非常接近，趨勢一致，預測結果可信。用該神經網絡模型對未來行業凈資產收益率指標進行預測，預測曲線如圖9所示。

二是企業凈資產收益率預測。從宏觀經濟、企業特性、消費人群出發，選取10個影響企業收益的因素：居民人均可支配收入，國內生產總值，企業凈資產收益率的分解指標營業凈利率、總資產周轉率、權益乘數，企業營業收入，無形資產，固定資產，15～64歲人口數，企業活躍用戶數。確定的網絡相對誤差為1.4777%，精度較高。回歸系數如圖10所示，訓練集、測試集、驗證集以及整體的相關系數分別為1、0.99931、0.99764、0.99632，訓練的神經網絡模型輸出值和實際值非常接近，趨勢一致，預測結果可信。用該神經網絡模型對未來的企業凈資產收益率指標進行預測，預測曲線如圖11所示。

（3）確定組合預測模型

組合預測可以彌補某單項預測模型的劣勢并充分發揮各個模型的優勢，有效從原始數據中提取更多的有用信息，最終達到提高預測準確性的效果。變權組合預測模型能夠實現在每一個樣本點上賦予誤差較小的模型以較大的權重，比定權組合預測模型更加精確。運用誤差倒數加權法[ 18 ]計算未來時刻各單項預測模型的變權重系數。本文涉及兩個單項預測模型，組合預測模型公式如下：

其中，■kt為t時第k種單項預測模型預測值；■t為t時各單項模型的加權平均預測值；ekt為t時第k種單項模型的預測誤差平方和；wkt為t時第k種單項預測模型的權重；■t為t時的變權組合預測值。根據公式得到2022—2026年企業及行業凈資產收益率組合預測值，差額為超額收益率，2022—2026年超額收益率依次為18.03%、15.70%、12.46%、11.66%、12.42%。

2.企業超額收益確定

基于新信息優先原理，運用灰色模型預測企業未來所有者權益，根據公式（3）計算未來各期超額收益，2022—2026年超額收益依次為25 192 797.82、30 031 424.16、32 631 950.03、41 828 276.85、60 973 724.58（單位：萬元）。

3.層次分析法確定數據資產收益分成率

根據圖2確定的層次結構模型，通過了一致性檢驗，得到方案層各指標對超額收益的貢獻權重，結果如表1所示。根據公式（4）得到企業數據資產的效率性價值為6 297.35億元。

（三）數據資產經濟價值確定

數據資產總經濟價值為創新性價值與效率性價值之和，計算得到10 990.67億元，計算過程如表2所示。2021年12月31日該企業市值為35 885.3億元，數據資產價值占比為30.63%，可見進一步釋放數據資產的價值對企業價值提升能發揮重要作用。

六、結論

數據是數字經濟市場關鍵的生產要素，數據資產化也成為各行各業驅動創新和提升競爭力的必然途徑，數據資產價值評估需求亟待解決。圍繞數據資產價值研究主題，本文首先對數據資產相關研究進行回顧與歸納，系統梳理了數據資產概念、價值評估方法；其次，整合了已有的數據為企業創造價值的觀點，探究數據資產價值創造的過程及表現；再次，基于價值創造視角，構建了基于收益法及灰色神經網絡—超額收益法的互聯網企業數據資產估值模型，提出用收益法評估數據資產創新性價值，用超額收益法評估數據資產效率性價值，引入灰色及BP神經網絡預測方法改進模型參數，得到數據資產價值；最后，輔以具體案例使用該模型評估數據資產價值，為企業數據資產價值評估實踐提供理論參考。

本文為評估互聯網企業數據資產價值提供了新思路，但尚有不足：第一，采用BP神經網絡預測時依賴企業及行業的歷史數據，數據量較少，可能會對組合預測結果產生影響，從而導致預測產生偏差；第二，以互聯網企業為評估對象，對其他行業應用該模型，創新性收入如何衡量需進一步研究；第三，折現率選擇時雖加入了數據資產特定風險報酬率，但由于數據資產相關研究仍然不夠完善，該報酬率選取的準確性有待考察。基于以上不足，筆者認為未來需要對數據資產理論、數據資產超額收益、數據資產折現率等展開深入研究，以期為企業提供更加準確和科學的數據資產估值體系。

【參考文獻】

［1］ 齊佳音，張國鋒，王偉.開源數字經濟的創新邏輯：大數據合作資產視角［J］. 北京交通大學學報（社會科學版），2021，20（3）：37-49.

［2］ 李靜萍.數據資產核算研究［J］.統計研究，2020，37（11）：3-14.

［3］ 胡安琴.業財融合下創效型數據資產的會計計量與披露［J］.會計之友，2023（4）：134-139.

［4］ 黃科滿，杜小勇.數據治理價值鏈模型與數據基礎制度分析［J］.大數據，2022，8（4）：3-16.

［5］ 譚明軍.論數據資產的概念發展與理論框架［J］.財會月刊，2021（10）：87-93.

［6］ 李曉華，王怡帆.數據價值鏈與價值創造機制研究［J］.經濟縱橫，2020（11）：54-62，2.

［7］ 任曉波.如何認識和測算數據的經濟價值［J］.競爭情報，2021，17（2）：2-10.

［8］ 廖東聲.數字資產估值問題研究［J］.會計之友，2022（13）：2-9.

［9］ 王重潤，王文靜，趙冬暖.基于討價還價模型的大數據資產定價研究［J］.會計之友，2023（6）：20-29.

［10］ 尹西明，林鎮陽，陳勁，等.數據要素價值化動態過程機制研究［J］.科學學研究，2022，40（2）：220-229.

［11］ 苑澤明，張永安，王培琳.基于改進超額收益法的企業數據資產價值評估［J］.商業會計，2021（19）：4-10.

［12］ 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］.技術經濟及管理研究，2019（7）：73-78.

［13］ 胡亞茹，許憲春.企業數據資產價值的統計測度問題研究［J］.統計研究，2022，39（9）：3-18.

［14］ DUBEY R，GUNASEKARAN A，CHILDE S J，et al.Big data and predictive analytics and manufacturing performance：integrating institutional theory，resource-based view and big data culture［J］.British Journal of Management，2019，30（2）：341-361.

［15］ DONG J Q，YANG C H.Business value of big data analytics：a systems-theoretic approach and empirical test［J］.Information & Management，2020，57（1）：103124.

［16］ 遲考勛，邵月婷，蘇福.大數據價值來源、價值內容與價值創造機理：基于2011—2021年管理類和商業類SSCI期刊分析［J］.科技進步與對策，2022（22）：151-160.

［17］ 劉悅欣，夏杰長.數據資產價值創造、估值挑戰與應對策略［J］.江西社會科學，2022，42（3）：76-86.

［18］ 呂欣曼，殷克東，李雪梅.灰色多元變權組合預測模型及其應用［J］.統計與決策，2022，38（14）：25-29.