數字時代下數據資產的價值評估與治理問題研究

摘 要：隨著數字經濟的蓬勃發展，國家大力推進數據要素市場化改革與發展，數據成為新的關鍵生產要素，與各個領域深度融合。部分數據的特性符合會計對資產的確認前提，因此具有了資產屬性。由此，數據資產作為企業的核心資源，數據資產價值的準確評估對于企業提高經營績效、實現數字化轉型至關重要。但是，面對龐大的數據量，企業如何充分利用好數據將其轉化為重要戰略資源亟待解決，數據治理逐漸成為重要的數據創新管理手段。因此，需要對數據價值及數據治理等相關問題予以充分關注。文章首先回顧了數據資產、數據治理的相關概念，再分析數據資產價值評估的方法，進而引出研究價值評估與治理的互動關系，并提出相應對策建議，以期提升數據治理能力更好地挖掘數據資產價值，推動數據資產價值評估及治理的相關研究。

關鍵詞：數字時代；數據資產；價值評估；數據治理；數字經濟

中圖分類號：F276.44；P413 文獻標識碼：A 文章編號：2096-0298（2024）09（a）--05

現代社會已經邁入“產生數據、獲取數據、運用數據”的數字化時代。2022年，我國數字經濟規模達到50.2萬億元，占GDP比重相當于第二產業占國民經濟的比重，達到41.5%。由此可見，數字經濟已成為我國高質量經濟發展的關鍵引擎。

在國家整體層面，隨著數字化浪潮的推動，數據資產已轉變為我國經濟增長的關鍵戰略資源。自2015年我國發布相關文件后，“數據”一詞如繁星般涌現，“數據資產”逐漸被納入全面有序的市場資源配置框架中。在企業個體層面，數據成為企業創新發展的核心驅動力。中國聯通的物聯網5G智連成功連接管理平臺，運用數字技術實現了十億級物聯網連接海量數據處理，以數據資產驅動的方式積極響應了我國“十四五”規劃，展示了數據資產在推動企業創新中的重要作用。企業往往引用尖端的數據分析技術，以數據為核心推動自身數字化轉型，構建高效的數據資產治理體系，強化企業的創新力和競爭力。

但近年來隨著數字技術的蓬勃發展，企業要面對多種類型、數量龐雜的數據量。由此，數據治理的重要性變得越發凸顯。阿里巴巴等大型企業在數據治理方面給予高度重視。數據治理促使企業考慮如何從海量數據中不斷增加數據價值獲取的質量和效率。基于此，對于數據資產價值與數據治理互動關系以及如何有效提升數據資產治理效果具有重要的現實意義。

1 相關概念理論

1.1 數據資產

數據作為一項資源，需要在“資產化”后才會成為數據資產。數據資源只有在使用過程中創造價值，才可以形成數據資產。2023年9月出臺的《數據資產評估指導意見》將數據資產定義為直接或間接為特定主體擁有或控制的、可以通過貨幣計量并為特定主體帶來經濟利益的數據資源。結合相關文獻研究可知，數據資產具有獨特的價值屬性，本文將其特征主要為非主體性、規模增值性、依附性、衍生性及價值易變性，如表1所示。

1.2 數據治理

目前理論與實踐領域對數據治理的定義較多且側重點不同，尚未形成統一觀點。通過相關研究理論，本文嘗試概括數據治理的含義：數據治理是企業利用數字技術對組織內外部數據實施標準化管理，這一過程覆蓋了數據的全生命周期，旨在提升數據質量，降低數據風險，實現數據資產價值最大化。

數據治理的治理域反映了開展數據治理獲得過程中需要重點把握的治理對象。本文概括為以下四點：（1）數據管理：這涉及確定數據治理的組織架構、角色和職責，以及如何管理數據相關的資源和流程。（2）數據質量：通過對數據質量的監控和改進機制，形成事前預防、事中監督、事后處理的數據資產管控模式，保證數據的真實性、完整性。（3）數據安全：實施對內部信息使用者進行身份識別、權限設置等限制監督政策，進行數據加密，防止數據泄露。（4）數據標準：制定數據標準、數據命名規范等，從而形成統一的數據使用標準，確保數據的一致性和可理解性。

2 數據資產價值評估的方法

2.1 數據資產價值評估的出發點

當下，數據資產化轉型是形成核心競爭力的決定性因素，數據資產價值評估備受關注。數據資產具有不同于傳統資產的價值特性，價值易變性高，數據資產價值高低受數據使用頻率、市場需求等因素影響。由此可見，數據資產估值存在諸多難點。但無論如何，數字經濟時代的到來為數據資產市場帶來了前所未有的發展機會，數據資產價值確認與評估應當緊密結合市場實際情況，積極探索特殊表現背后蘊含的一般規律，找尋數據資產價值評估的技術方法。

2.2 數據資產價值評估方法

數據資產具有巨大的商業價值，市場上關于數據產品的交易日益頻繁，如何合理確定數據資產價值成為當下亟待解決的問題。結合數據資產獨特價值特征，目前普遍認為科學的評估方法包括成本法、市場法及收益法。

2.2.1 成本法

成本法是將數據資產在整個生命周期中所產生的成本費用扣除貶值后的數據評估價值的方法。該方法的優點在于簡單直觀，可操作性強，缺點在于其側重于數據資產成本價值測算，而非數據商業市場價值，成本無法反映其價值。成本法往往更適用于新創建的數據資產，以及沒有市場比較和收益預測的情況下。

2.2.2 收益法

收益法的本質是數據資產在收益期內各期收益折現為現值的總和。當人們開始主動關注數據資產的功能與效用時，采取收益法能更好地促進數據要素的合理定價。Berkman曾提出收益法是數據資產評估的最佳方法。但由于數據資產特殊性及收益法使用條件要求高，收益法在實際應用中可能存在諸多難點，例如：收益在數據資產評估中難以使用的主要原因是數據資產的預期收益及相應折現率難以確定。當下，收益法的實際應用仍值得探討。

2.2.3 市場法

市場法可理解為通過對比分析相似數據資產在市場上的交易價格，來評估數據資產價值，是基于市場行情的評估方法。當市場存在成交價格時，相似數據資產的價值容易確認，能夠反映市場參與者對數據資產的價值共識，易獲得較為準確的價值評估，具有客觀性。然而，市場法也存在一定局限性。一方面，交易市場上的數據產品定價機制很難做到市場化和標準化，另一方面，市場上關于大數據交易的信息相對不透明，可能會導致大數據資產的交易價格偏離正常的市場價格。因此，現有交易市場運用市場法評估數據資產會受到很大限制。

2.2.4 拓展方法

除了以上三種較為傳統的評估方法，不少學者根據數據資產的價值特性提出了一些拓展方法。黃樂等（2018）將三種傳統方法相結合，提出了平臺數據資產的價值評估模型。該模型考慮到數據資產的總收益、數據商品成本、數據經營成本、平均市場回報率、市場調整系數等因素，全面反映了平臺數據資產的價值。盡管該模型主要針對平臺數據，但該模型的構建思路卻可以引用到其他類型的大數據資產價值評估體系中。還有一些學者提出采用人工智能技術進行估值輔助工作。

3 數據資產價值評估與治理的互動關系

數據資產價值評估與治理之間呈現出一種密切的互動關系。這種互動關系不僅體現在兩者之間的相互促進，還在于它們共同構成了一個完整的數據資產管理閉環，成為推動數據資產治理發展的重要動力。通過加強兩者之間的聯動和協同，企業可以更有效地管理和利用數據資產，實現數據資產的增值和最大化利用。

3.1 價值評估對數據治理的推動作用

數據資產的價值評估為數據治理提供了重要的參考依據。一方面，價值評估的結果可以指導企業制定更有針對性的數據治理策略；另一方面，價值評估可以幫助企業識別出數據資產中的潛在價值。通過價值評估，企業可以清晰地了解自身數據資產的價值所在，進而明確數據治理的重點和方向。

3.2 數據治理對價值評估的支撐作用

數據治理是數據資產價值評估得以順利進行的基礎和保障。有效的數據治理可以確保數據資產的質量、安全性和合規性，為價值評估提供準確、可靠的數據基礎。通過數據治理，企業可以規范數據的采集、存儲、處理和使用流程，防止數據泄露和濫用，確保數據的合規性。這些措施不僅有助于提升數據資產價值評估結果的準確性，還可以增強企業對數據資產價值的可信度，促進數據資產的進一步開發和利用。

3.3 價值評估與數據治理的協同機制

在數據資產管理過程中，價值評估和治理需要相互配合、相互支持，形成一個動態、循環的管理過程。一方面，價值評估的結果可以不斷反饋到數據治理的實踐中，從而及時調整和優化數據治理機制；另一方面，數據治理實踐成果又可以提升數據資產質量和價值，為數據資產價值評估提供有力的支撐。這種協同機制使得數據資產價值評估與治理能夠相互促進、共同發展，推動數據資產管理水平的不斷提升。

4 提升數據資產治理能力的對策建議

隨著數據價值被廣泛認可，企業應充分重視數據資產價值評估與治理的互動關系，不斷完善數據資產治理體系。企業數據治理的本質便是如何發揮數據資產價值最大化，重點關注將數據轉化為數據資產的價值屬性。數據治理可以提升數據質量，加強數據安全，從而更好地實現企業數據資產價值評估。基于此，本文從以下幾點對提升數據資產治理能力提出對策建議。

4.1 建立場景化的數據治理管理體系

數據往往不能脫離于應用場景而獨立存在，數據的場景化指的是數據在具體的業務場景中，才能發揮數據的“有用性”，即產生數據資產價值。為了更好地提升數據治理能力，需要建立場景化的數據治理管理體系，培養場景化治理思維。

首先，需要明確的治理目標。針對企業不同業務場景，對數據資產設定清晰、具體的治理目標，從而確保治理活動與業務需求緊密結合，并根據場景特點，制定個性化的數據治理策略，以數據采集、挖掘與應用為基礎，實現線上線下的數據場景化應用，以便于對海量數據進行及時處理與分析。其次，可以通過數據發現問題、探尋業務場景，優化業務流程，為企業經營賦能。最后，建立評估機制定期對數據治理效果進行評估，根據評估結果調整治理策略，確保治理體系持續優化。

4.2 打造數據共享平臺消除數據壁壘

打造集數據采集、存儲、處理、分析和可視化于一體的智能化平臺，該數據平臺依托內外部數據收集實現數據共享，提升數據治理的智能化水平，以實現數據資產的內外部價值增值。首先，需要制定統一的數據標準和管理規范。依托大數據標準制定數據編碼規則，按照編碼規則和各自屬性整理分類數據資產，定期備份，有助于實現部門間數據的無縫對接。其次，建立財務數據共享與協作平臺，通過數據交換等方式，實現跨部門數據共享，打破數據孤島，利用數據切實提供企業運營效率。同時，建立數據訪問權限、數據備份機制，加強數據安全管理，降低數據泄露風險。最后，基于整個業務處理流程，建立數據中臺反饋機制，形成“數據攝取—數據傳遞—數據分析—數據處理—監督審查”的數據循環流程來驅動企業各業務部門對數據的不斷攝取與利用，確保數據信息的及時處理和利用。

4.3 構建多層次的數據治理組織架構

數據治理的組織架構是確保數據治理工作得以順利進行的關鍵。首先，將其劃分為決策層、管控層和執行層。（1）決策層：設立大數據委員會由其負責制定數據治理的目標、原則，以及審批和監督數據治理的實施計劃，享有決策權和領導權。（2）管控層：設置數據管理團隊，負責制定數據治理的具體流程，落實數據管理體系及配套考核辦法。（3）執行層：設立數據治理工作小組，負責具體落實數據治理工作，主要包括技術組和數據管理組。技術組負責數據平臺的運營維護、技術改進等；數據管理組負責數據收集、分析挖掘等。其次，需要各部門間協作配合，保證數據治理組織架構的流通性。最后，設立數據管理服務小組，幫助員工理解相關數據治理的策略，以提高數據治理的效率。

4.4 引進智能數據治理技術和工具

加強數據治理能力離不開數字技術的發展。首先，借助于人工智能技術方法。通過引入人工智能算法，對數據質量進行及時自動檢測，精準識別異常數據，并對異常數據進行整合修改，從而提高數據資產治理效率。其次，采用先進的數據分析工具，例如使用數據挖掘、機器學習等技術，開展數據資產的分析和挖掘，使數據資產價值評估更精準，深入挖掘數據資產價值。最后，通過引入數據加密技術，設立防火墻，有效阻止未經授權的惡意侵擾、非法篡改及竊取，確保數據的安全性。

4.5 加強人才隊伍建設

數據治理人才的“選、育、用、留”對提升數據資產治理至關重要。首先，加大對基礎專業人才的培養力度，加強學科建設的支持力度，加快形成適應數字中國建設的統計與數據科學核心課程體系，培養一批具備專業知識和實踐經驗的數據治理人才。其次，引進國內外優秀的數據治理人才，提高人才引進經費，進而提升整體人才隊伍的素質和水平。最后，通過設立人才獎勵機制、提供晉升機會等方式，激發數據治理人才的工作熱情和創新能力。

5 結語

在數據要素市場中，數據資產價值與日俱增，數據資產價值評估為數據交易提供了定價基礎，促進了數據的流通。通過準確評估數據資產價值，企業和管理者借助數據在業務市場、風險預測等方面的潛在價值，更科學地制定發展戰略。與此同時，隨著企業數字化轉型實踐成功，數據治理頗受關注。數據治理是企業實現有效數據管理和利用的關鍵，其本質就是實現數據資產價值最大化。

本文研究了數字時代的發展趨勢，聚焦于數據資產價值評估與數據治理的互動關系，通過兩者協同研究發展，提出加強數據資產治理的對策建議，有利于數據資產價值評估科學合理，便于企業高效管理數據資產，實現數據資產價值最大化。毫無疑問，數據治理是企業數據資產價值創造的主要方式，數據治理與數據資產價值評估相互促進，其相關研究仍有很多待完善和優化的空間，未來需要與我國企業情景與實踐進一步探討。

參考文獻

苑秀娥，尚靜靜.價值創造視角下互聯網企業數據資產估值研究[J].會計之友，2024（6）：59-67.

李香梅，叢佳琛.數字經濟背景下數據資產價值提升路徑研究[J].中國資產評估，2023（10）：18-24.

董高靜，孫娜，王保平.數字資產的概念辨析、估值技術與應用策略[J].財務管理研究，2023（10）：68-75.

葉露，潘立，丁昱尹.數據資產質量評價及價值評估技術研究進展[J].中國資產評估，2023（8）：50-59.

孫新波，王昊翀.數據治理：概念、研究框架及未來展望[J].財會通訊，2023（14）：21-28.

呂慧，趙冠月.數據資產的價值評估與會計處理研究進展綜述[J].財會通訊，2023（13）：24-30.

李秉祥，任晗曉.大數據資產的估值[J].會計之友，2021（21）：127-133.

林飛騰. 大數據資產及其價值評估方法：文獻綜述與展望[J].財務管理研究， 2020（6）： 1-5.

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），2018，32（4）：50-54.

BERKMAN M. Valuing intellectual property assets for licensing transactions[J]. Licensing Journal，2002，22（4）： 16-23.