基于多期超額收益模型的數據資產價值評估研究

摘要：隨著數字經濟不斷發展和新一輪科技革命的到來，數據成為一種新的生產要素，數據資產正逐漸晉升為企業的核心競爭力。對數據資產進行評估，有利于企業對數據資產有效管理與利用、對其價值有效辨別并為數據資產入表提供一定基礎。以收入法為基礎，基于多期超額收益模型，將數據資產區別于其他資產，考慮數據資產的價值易變性，改進該模型中的折現系數，以評估企業在數字化轉型過程中產生的數據資產價值。選取海爾智家為評估對象并進行案例分析，驗證了改進模型的合理性，研究結果表明，數據資產能夠給企業帶來超額收益。

關鍵詞：數據資產；價值評估；多期超額收益模型

0 引言

數據資產具有巨大的價值，但企業數據資產的價值目前無法被科學合理地計量評估。企業亦無法知道數據資產對自身的價值影響，對數據資產管理不清晰、不合理，自身擁有的數據資產尚未被有效開發利用。

目前，國內將數據資產偏向定義為無形資產，評估方法較多，不統一，且在評估時對于數據資產的價值影響因素與影響程度考慮較少，并且沒有深入研究數據資產特征對數據資產價值的影響。國外偏向于將數據資產確認為一種特定的大數據，是關于預測的大數據集，對大數據的特征、分類及安全性較為全面，對于數據資產價值評估方面尚無深入研究與確定。

數據資產定義模糊，成本核算困難，直接收入難以測算，市場交易案例少。以收入法為基礎，基于多期超額收益模型能夠以超額收益來衡量數據資產的價值，對數據資產的價值進行評估。

1 文獻綜述

評估數據資產的價值，應當首先明確數據資產的相關定義，確定影響其價值的各個因素。首先是關于什么是數據資產，大數據具有財產屬性，是信息財產權客體，是大數據控制人的數據資產^[1]；數據資產沒有實物形態且可辨認非貨幣性資產，因此可以考慮將數據資產并入無形資產^[2]；數據資產可定義為“由企業擁有或控制的具有數據化形態的可辨認非貨幣性資產”^[3]；數據資產是企業由于過去事項而控制的現時數據資源，并且有潛力為企業產生經濟利益。數據資產是企業生產經營中每天都會碰到的符號，是世界通行的一種語言方式，是科學研究的基礎和經濟決策的依據^[4]；大數據資產定義為由企業過去的交易或事項形成，由企業擁有其使用權或所有權的，有具體的應用場景能為企業帶來經濟利益的數據^[5]；有價值的數據如果符合資產定義和確認標準，應確認為數據資產，否則就只能當作數據資源^[6]；數據資產定義為具備創造經濟利益的經濟資源特征和經濟所有權權屬特征、使用期限超過一年、并且其價值和成本可計量的電子數據資源^[7]。

關于數據資產的評估方法，方法較多，尚不統一。Ｂ-Ｓ模型能夠較為準確地對我國互聯網金融企業的數據資產進行仿真計算評估，且評估準確度較高^[8]；基于多期超額收益法，將數據資產的折現率區別于無形資產整體折現率，其中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^[9]。除此之外，可以用傳統的3種資產評估的方法成本法、收益法、市場法對數據資產價值進行評估。除3種方法分別對應的場景外，還可考慮應用其他財務估值模型，如信息成本價值模型（CVI）、信息市場價值模型（MVI）和信息經濟價值模型（EVI）等。此外，還可采用多種方法與模型相結合的手段對數據資產價值進行綜合評估^[10]。對于不確定性大、價值難以量化的數據資產，當相似或同類數據資產的估價積累了一定的樣本量，則可以借鑒統計學置信區間估計或統計分布等非參估計的思想進行數據資產的估價^[11]。

對于數據資產估值，學者在使用多期超額定價模型時，被評估企業的數據資產折現率不夠精準，同時也未考慮到實際情況中數據資產易變性，數據資產價值會隨時間的流逝不斷變化。基于多期超額收益模型，進一步考慮數據資產易變性，優化數據資產折現率，對企業數據資產價值進行評估。

2 模型構建

超額收益預測是將企業的數據資產所創造的超額收益作為預期收益的方式。具體思路是，首先測算數據資產及數據資產相關的貢獻資產共同創造的整體收益，然后在此基礎上扣除相關貢獻資產的貢獻，將剩余收益確定為超額收益。相關貢獻資產通常包括流動資產、固定資產、無形資產和組合勞動力等。其計算公式為

（1）

式中：P_t為第t期的數據資產產生的預期收益；R_t為數據資產與其他相關貢獻資產產生的整體超額收益；n為其他相關貢獻資產的種類；i為第i種其他相關貢獻資產；C_ti為第t期的第i種其他相關貢獻資產的預測貢獻額。

自由現金流計算公式為

自由現金流=息稅前利潤-所得稅-資本性支出-營運資本變動額+固定資產折舊+無形資產攤銷+長期待攤費用攤銷

息稅前利潤=營業收入-營業成本-營業稅金及附加-銷售費用-管理費用

流動資產預測收益額=流動資產年平均余額×流動資產收益率

固定資產預測收益額=固定資產年平均額×固定資產回報率+固定資產折舊補償

無形資產預測收益額=無形資產年平均額×無形資產回報率+無形資產攤銷補償

被評估的數據資產價值可用數據資產多期超額收益來計算，數據資產多期超額收益指的將預測期的數據資產每期超額收益折現到當前的價值，計算公式為

（2）

式中：V為被評估的數據資產的價值；P_t為第t期的數據資產產生的預期收益；i為數據資產折現率；n為數據資產預期收益期期數。

流動資產指的是由企業擁有或控制的預計在1年內中變現、出售或耗用的資產，考慮到其回報率可選擇1年期國債收益率。

固定資產其折舊年限通常超過1年，其回報率可根據企業實際固定資產平均折舊年限情況選擇1年期以上的國債收益率即可。視企業固定資產平均折舊年限實際情況，選擇3年、5年期國債收益率。

無形資產與固定資產類似，其攤銷年限超過1年，回報率根據實際情況選擇1年期以上的國債收益率即可。視企業無形資產平均折舊年限選擇3年、5年期國債收益率。

數據資產折現率：對于企業而言，數據資產其價值是通過企業全方位來體現的，既可以直接為企業帶來出售收益或利用數據資產改進業務流程、降低風險、增強市場力量和創新等，同時其收益率無法直接測算，因此數據資產折現率可考慮將同行業相似企業加權平均資本成本均值看作企業的整體資產的收益率，然后分別計算出該企業除數據資產之外的其他資產的收益率及占總資產之比，從而倒算出數據資產的折現率。

加權資本成本計算公式為

（3）

式中，WACC為企業加權資本成本；K_d為股權報酬率；K_e為債券報酬率；D為股權市場價值；E為債券市場價值；T為企業所得稅稅率。

K_e可通過資本資產定價模型計算，公式為

K_e=R_a+β （R_m-R_a）（4）

式中，R_a為無風險報酬率；R_m為風險報酬率；β為風險系數。

則WACC的計算公式為

WACC=W_di_d+W_fi_f+W_ci_c+W_si_s（5）

式中，W_d為數據資產占總資產比率；W_f為流動資產占總資產比率；W_c為固定資產占總資產比率；W_s為無形資產占總資產比率；i_d、i_f、i_c、i_s分別為其對應的報酬率。

數據資產預期收益期：數據資產收益具有波動性，其價值影響因素較多，故預期收益期不宜過長，選擇5年作為預期收益期。

3 案例分析

3.1 案例介紹

海爾智家是全球白色家電巨頭，以生產冰箱、洗衣機、空調等產品為主。海爾智家自2018年開始數字化轉型，實行物聯網智慧家庭生態品牌戰略。目前，該公司正積極推進數字化深化改革，打造全球化的數字平臺，提升市場運營能力、研發效率、成本競爭力及周轉效率。在過去6年，海爾智家推進數字化期間產生海量的數據資產，如何評估數據資產價值，對企業的數據資產進行精細化管理是亟須解決的問題。將海爾智家作為數據資產評估的案例，有利于其數字化深化改革，提升市場運營能力、研發效率、成本競爭力以及周轉效率。

3.2 數據分析

海爾智家自2018年開始實行數字化轉型，同時考慮到評估期間不宜太長，故選2019—2023年共5年作為海爾智家數據資產評估期間，評估基準日為2023年12月31日，亦作為數據預測的基礎，假設海爾智家亦滿足其他基本的資產評估條件。全球經濟增長將從 2022 年的 3.5%放緩至2023年的3%和2024年的 2.9%^[12]。綜合考慮評估基準日海爾智家所處的全球經濟形式，將流動資產回報率選擇使用評估基準日當天的1年期國債收益率2.08%，將固定資產和無形資產回報率選擇使用評估基準日當天的5年期國債收益率2.40%。

3.2.1 自由現金流預測

根據海爾智家2019—2023年的年報數據，用2019—2023年的營業收入200 761 983 256.57元、209 725 821 099.44元、227 556 143 618.17元、243 513 563 670.73元、261 427 783 050.10元作為基礎數據，使用SPSS軟件23版本，用最小二乘法構建其營業收入預測模型，得到年限X（年）與營業收入Y（元）的預測方程為

Y=15 511 934 215.835X-31 151 021 991 263.53

自由現金流量計算。根據得到的年限X與營業收入Y的測方程，可計算出海爾智家2024—2028年營業收入預測值。在計算自由現金流量預測值時，海爾智家營業收入、營業成本、營業稅金及附加、銷售費用等均按過去5年占營業收入的平均值處理。經查詢，海爾智家屬于高新技術企業，按15%稅率計算企業所得稅，自由現金流量計算數據見表1。

3.2.2 流動資產預測收益額計算。

用海爾智家過去5年流動資產占總資產的均值54.79%為基礎，總資產增加額占營業收入7.46%，得到流動資產增加額占營業收入比為4.09%。假設流動資產收益率使用2023年12月31日當天1年期國債收益率2.08%，流動資產預測收益額的計算結果見表2。

3.2.3 固定資產預測收益額計算。

海爾智家過去5年資本性支出占營業收入之比均值3.34%，購置固定資產支出占資本性支出之比均值為18.81%，以此為基礎計算。假設回報率按2023年12月31日當天5年期國債收益率2.40%計算，計算結果見表3。

無形資產預測收益額的計算。同理，可算出海爾智家無形資產資本支出約占資本性支出的8.68%，無形資產投資回報率同樣按2023年12月31日當天5年期5年期國債收益率2.40%計算，計算結果見表4。

對于表外資產，僅考慮人力資本與數據資產。此處將海爾智家年報中應付職工薪酬賬面金額作為人力資本投入，經計算得海爾智家過去5年應付職工薪酬占營業收入之比5年均值為1.76%。根據測度，人才貢獻率為17.81%^[13]，以此作為人力資本貢獻率，由此計算可得人力資本預測收益額，計算結果見表5。

3.2.4 折現率計算

選取海爾智家同規模類型企業美的集團、格力電器、海信家電作為參照。假設R_a為無風險報酬率，取評估基準日10年期國債收益率2.56%；R_m為風險報酬率，按評估日從Choice數據終端取上證綜指過去30年年化收益率4.43%；β為風險系數，從Choice數據終端獲得，按各企業過去5年歷史值進行假設，進而計算出各家企業歷年股權資本成本。債務資本成本按2023年12月31日當天5年期銀行貸款市場報價利率（LPR）4.20%的稅后利率3.57%計算，根據各企業過去5年的歷史權益比率和負債比率均值為基礎，代入式（3）、式（4），從而計算出各企業的WACC，得到均值3.21%，以此作為海爾智家數據資產回報率測算基準值。計算結果見表6。

然后將行業均值WACC=3.21%代入式（5），從而計算出海爾智家數據資產回報率為5.75%，見表7，高于所使用的無形資產回報率2.4%以及上證綜指過去30年年化收益率4.43%，表明海爾智家數據資產帶來的回報率優于其他資產及市場風險報酬率，符合數據資產的較高風險報酬特性，表明該數據資產回報率的合理性。

3.2.5 數據資產價值評估結果

將預測的海爾智家自由現金流減去各項資產的貢獻額得到數據資產超額收益，最終得到數據資產評估結果。評估結果顯示：海爾智家在2023年12月31日數據資產價值為656 747.98萬元，并且數據資產超額收益逐年增加。這表明海爾智家在推動進行數字化轉型、全球化戰略過程中，數據資產給企業帶來了競爭優勢與回報。計算結果見表8。

3.3 海爾智家數據資產評估結果進一步評價

數據資產價值評估結果的合理性主要取決于評估模型參數度量是否合理，即數據資產收益率、各項資產的收益率、折現率等。為進一步說明采用的參數具有合理性，本文按照已有的研究所選取的參數重新對海爾智家數據資產進行簡要評估。借鑒陳芳和于謙^[9]的思路選取各項資產投資回報率：對于固定資產投資回報率選擇5年期以上銀行貸款利率（LPR）3.95%；表內無形資產投資回報率選擇5年期以上銀行貸款利率（LPR）3.95%；流動資產投資回報率選擇1年期銀行貸款利率3.45%，重新對海爾智家數據資產價值評估模型進行驗證。計算結果見表9。代入評估年份2024—2028各項評估數據之后，數據資產超額收益額均出現負值。可見，本文選取的評估參數具有一定合理性。

除此之外，使用上文預測自由現金流為基礎，對海爾智家市值進行價值評估，并將評估基準日與近幾年歷史股價進行對比分析，從而對模型有效性進行評價。評估模型為

V=∑ni=1FCF_n（1+WACC）_n+FCF_n+1（1+WACC）_n（WACC-g）（6）

式中，V為企業實體價值；FCF為企業凈現金流量；WACC為企業加權資本成本；g為永續增長率。由于全球經濟增長緩慢，全球經濟惡化，假設未來海爾智家未來無增長，即永續增長率為0。

根據式（6）可計算出海爾智家在2023年末股票估價為29.62元/股，見表10。查詢2023年12月29日收盤日股價為20元/股，2021年歷史最高股價為34.57元/股，且2020—2022年末股價在28元/股附近。評估股價在歷史合理范圍，這表明評估結果較為可靠，同時也驗證了本文模型具有一定合理性。

4 結語

當前正處于數字化時代，企業正積極進行數字化轉型，數據資產能夠給企業帶來收益，進一步提升企業綜合競爭力。綜合考慮數據資產的價值易變性、不確定性，基于超額收益模型，結合海爾智家實際情況，選擇1年期國債收益率和5年期國債收益率作為相關資產的收益率；對于該模型折現率，綜合考慮同行業相似企業，選擇相似企業平均WACC作為數據資產折現率，對海爾智家數據資產價值進行了評估，采用多種方法驗證了該模型的可行性與合理性。具體方法包括：第一，判斷數據資產收益率是否大于無形資產收益率；第二，數據資產價值存在，選用不適用的參數時，所評估數據資產價值可能為負；第三，結合企業股價分析評估參數的合理性。

在研究過程中，對數據資產的非競爭性、可復制性等因素對數據資產造成的影響，存在一定局限性。在未來的研究中將進一步探究數據資產價值影響因素，優化該評估模型。

參考文獻

[1]王玉林，高平富.大數據的財產屬性研究[J].圖書與情報，2016（1）：29-35.

[2]李澤紅，檀曉云.大數據資產會計確認、計量與報告[J].財會通訊，2018（10）：58-59，129.

[3]張俊瑞，危雁麟，宋曉悅.企業數據資產的會計處理及信息列報研究[J].會計與經濟研究，2020，34（3）：3-15.

[4]秦榮生.企業數據資產的確認、計量與報告研究[J].會計與經濟研究，2020，34（6）：3-10.

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

[6]黃世忠，葉豐瀅，陳朝琳.數據資產的確認、計量和報告：基于商業模式視角[J].財會月刊，2023，44（8）：3-7.

[7]韓秀蘭，王思賢.數據資產的屬性、識別和估價方法[J].統計與信息論壇，2023，38（8）：3-13.

[8]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．

[9]陳芳，余謙.數據資產價值評估模型構建：基于多期超額收益法[J].財會月刊，2021（23）：21-27.

[10]王蕾，李春波.數據資產及其價值評估方法：研究綜述與展望[J].中國資產評估，2022（5）：4-10.

[11]韓秀蘭，王思賢.數據資產的屬性、識別和估價方法[J].統計與信息論壇，2023，38（8）：3-13.

[12]IMF.World economic outlook：navigating global divergences（October 2023）[R].2023.

[13]黃敏，穆桂斌，王選華.中國人才貢獻率再測度：1978—2017[J].統計與決策，2020，36（20）：39-43.

收稿日期：2024-05-07

作者簡介：

鐘凱，男，1998年生，碩士研究生在讀，主要研究方向：會計、管理會計與公司理財。

宋良榮，男，1966年生，博士研究生，教授，博士生導師，主要研究方向：財務與金融管理、內部控制與風險管理、會計與審計前沿理論與實務。