商業銀行數據資產估值的改進與創新

【摘 要】 在數據資產市場的發展進程中，商業銀行的數據資產具備獨特性，如多樣化的數據來源、高度的可加工性以及無限的衍生潛力。這些特性導致數據資產價值在應用場景和價值體現過程中的多變性，為商業銀行數據資產的估值定價帶來了顯著挑戰。為了解決這一問題，文章采用優化成本-增量收益評估法，根據商業銀行所持有的不同類型數據資產特點，采取了差異化的估值策略。該方法有效降低了評估過程中的重復率，提高了估值的準確性和適用性，有助于商業銀行更合理地確定其數據資產的價值。

【關鍵詞】 數據資產； 價值評估； 優化成本-增量收益評估法； 成本重置系數； 利潤調節系數

【中圖分類號】 F832.39" 【文獻標識碼】 A" 【文章編號】 1004-5937（2025）12-0066-09

一、引言

在深入探討數據經濟的時代背景下，2020年4月，中共中央、國務院印發了《關于構建更為健全的市場化要素配置體制機制的指導意見》。意見指出，數據將在市場資源配置中起關鍵作用。當前，為了充分釋放數據資產的潛在價值，并確保其合法利用，各行各業正加快數字化轉型進程。在這一進程中，構建一個全面且系統化的數據價值評估框架顯得尤為關鍵。這不僅對數據資產的交易活動具有深遠影響，更是推動數據資產流通的核心基石。這一框架的建立，有助于確保數據資產的準確估值，為市場提供穩定的交易參考，從而進一步推動數字經濟的繁榮發展[1]。在數據時代背景下，作為金融體系的核心，傳統銀行業務模式面臨嚴峻挑戰[2]。數字經濟的興起為商業銀行的發展注入了新的活力，使其運營模式超越了傳統的地理和時間限制。這種變革不僅為商業銀行的競爭策略、組織架構和企業文化等方面帶來了轉型的機遇，還激發了商業銀行向智能化和智慧化全面轉型的潛力。

本研究聚焦于數據含量豐富的商業銀行，通過分析其數據資產的特點及價值實現的原理，提出商業銀行數據資產價值評估方法，即優化成本-增量收益評估法，該方法旨在更精確地評估各類商業銀行數據資產的價值。這種方法不僅有助于商業銀行更準確地衡量其數據資產的價值，而且對于推動商業銀行數據資產的合理配置和有效利用，以及提升整體經營效益具有重要意義。

二、文獻綜述

已有學術文獻立足于商業銀行的數字化轉型過程，如何發掘數據資產的價值成為一個關鍵問題。然而，大多數研究關注于數據資產的一般性估值和定價問題，對于商業銀行特定情境下的數據資產估值和定價方法則探討較少。

（一） 商業銀行數字化轉型，深度挖掘數據資產價值

商業銀行憑借其獨特的業務方式和業務理念，積累了大量的數據。據陸岷峰等[3]的觀點，決定未來商業銀行金融運行效率和前途的關鍵是數據資產的成功運作。然而，在數據資產的價值評估過程中，卻暴露出明顯的不足，這主要源于數據應用的不規范性和數據整合所面臨的挑戰。在挖掘商業銀行數據資產價值的過程中，技術革新與管理模式的持續優化顯得尤為關鍵。正如羅勇[4]所說，數字銀行建立的主要挑戰是數據融合應用的困境，即難以建立基于數據價值設計的數據金融生態系統。這不僅涉及數據處理的先進技術應用，還涉及內部運營流程的高效管理，兩者共同構成了推動數據資產價值深度挖掘的重要支撐。

（二）數據資產的價值評估與定價策略

商業銀行等金融機構若缺乏有效數據資產估值與定價能力，可能會對其市場競爭力及運營生存產生不利影響。因此，這些機構有強烈的動力去開發和實施高效的數據資產估值與定價方法[5]。陸岷峰等[6]提出，商業銀行在數字化轉型中將發揮主導作用，特別是尋找操作性較強的數據資產估值和定價技術迫在眉睫。目前，數據資產主要借助于傳統的會計學估值方法，如成本法、收益現值法和市場法，滿足其定價需求。而在學術界，現有研究大多聚焦于將會計和金融領域的估值定價技術調整應用于數據資產的評估和定價。熊巧琴等[7]在回顧和分析國內外文獻后，提出數據資產的價值應該在其交易過程中得到體現。只有當數據資產能夠跨越不同權益主體進行流通和社交化配置時，它們的價值才能得到充分利用。此外，在數據資產的價值評估和定價過程中，亦運用了實物期權理論及評估模型，如閉珊珊等[8]在構建數據資產評估模型時，考慮了成本和費用（C）、固有價值（I）、市場供需（M）、環境限制等（E）因素，將市場法、收益法、AHP法等評估技術整合在一起，構建了CIME評估模型。

（三）文獻評述

通過對文獻梳理可以看到，目前學者們主要集中于通用數據資產估值模型的探討和應用，很少有學者關注商業銀行尤其是中小商業銀行數據資產估值的技術及應用，本文著重分析中小商業銀行，研討其數據資產估值定價模型，將從多個角度出發，包括估值對象的分層次處理、估值方法的選擇、指標體系的構建以及實際案例分析等，全方位研究商業銀行數據資產的估值與定價問題。

三、估值對象的劃分

（一）數據資產的特點

1.數據資產產權歸屬的復雜性

在銀行的日常業務流程中，由于許多初始數據在獲取的同時就進行了加工處理，使得數據的權屬無法確定，這給產權歸屬帶來了挑戰。以商業銀行為例，在日常業務中采集的客戶交易數據信息，其數據所有權原本歸屬于客戶，然而倘若經過銀行的業務處理和信息加工，數據的確權將變得更加復雜[9]。

2.可加工性

數據資產具備多維加工的特性，在數據處理的流程中，轉化后的數據得以形成具備潛在價值的全新數據資產。為了提升這些資產的價值，應采取維護、更新和增補的策略來不斷擴充數據量，確保數據的全面性和時效性。同時，為了保持數據價值的高效性，可運用刪除、合并和歸集的方法來精簡數據，消除冗余，提高數據質量。最后，通過深入的分析、精心的提煉和高效的挖掘，進一步豐富數據資產的信息層次，使其更具洞察力和決策支持。

3.無限衍生性

鑒于數據資產具備高度的可處理性，在實際應用中，我們能夠針對特定的目標對其進行多維度的精細化處理。這種處理方式基于不同層級的分析需求，進而產生差異化的價值。舉例來說，當數據資產經過深度加工時，雖然涉及較高的人、財、物的投入，但由此產生的結果往往更為精確，從而顯著提升了其整體價值。

數據主體經過多層次和多維度的處理，能夠創造出各種不同水平的數據價值。通過對數據資產進行反復的衍生利用，企業能夠在多個層面和維度上發掘數據資產的潛在價值，進而充實企業的數據資產生態體系，并促進企業轉向數據驅動的模式。

（二）數據資產的分類

在商業銀行的數據資產管理領域，交易數據的價值始終處于核心地位，推動商業銀行數據資產管理不斷向前發展。為了推動銀行數字化業務的穩健發展，并聚焦于數據資產價值的升級與轉型，本文參考已有相關文獻，將數據資產劃分為原生類（包括外部萃取與內部生產）、實用類（涵蓋流程與核算兩方面）、價值增值類。

1.原生類數據資產

在數據資產的生態體系中，原生數據資產的來源有兩個，首先是與有合作關系的大數據中心建立聯系，進行數據的采購與獲取；其次，則是銀行內部通過構建自主的數據中臺，自主篩選和提取出所需的數據。這兩類數據由于獲取的途徑不一，所以這些數據在含義的詮釋、特性的展現以及涵蓋的范圍上均呈現出顯著的差異。因此，從數據萃取的來源角度，將萃取的數據分為外部提取類及內部生成類[10]。

外部萃取類數據一般是通過付費、進行等價交換或使用Python編程技術從外部途徑獲得。這些數據資產往往需要通過鑒別和加工才能應用于銀行內部生產運營，并為內部生成的數據提供有效支撐。然而，鑒于數據規模的龐大性和復雜性，現有的統計策略和技術手段仍在持續優化與進化之中。目前，盡管已有一部分數據能夠借助自助柜員機、POS機等設備實現數字化采集，但是由于受中小商業銀行的數字化技術限制，依然需要借助人工錄入大量數據，這客觀上也助推銀行數字化建設進程，從而更有效地處理和分析這些寶貴的數據資源。

2.實用類數據資產

針對實際業務需求而定制的實用類數據資產，其構建基礎主要源于原生數據和流程類數據資產。通過一系列精細化的數據處理流程，如數據整合、深度挖掘等，這些資產被轉化為具有特定用途的統計數據或數據產品。這些定制化資產對于業務部門的日常運營具有直接的指導意義，能夠顯著提升業務效率與盈利能力。考慮到它們與業務收益之間的緊密關系，實用類數據資產被進一步細化為兩大類別：一類側重通過數據驅動策略提升業務收益，另一類則著重于為業務決策提供精準的核算支持。這種細分有助于更加精確地使用數據資產，為業務發展提供強有力的支撐[11]。

3.價值增值類數據資產

價值增值類數據資產是商業銀行數據產品或服務的總稱，這些資產能直接帶來收益，并迎合市場具體需求。據此，此類數據資產涵蓋了產品銷售、服務費用、產品分成以及平臺等多種收入來源[1]。

四、設計數據資產估值的實施計劃及計算案例

（一）優化成本法總體思路

對于商業銀行的原生類及實用類數據資產而言，相較于傳統的無形資產，其成本結構存在明顯的獨特性。這些獨特性主要源于數據的完整性、龐大的規模以及廣泛的應用范圍等多種因素的綜合影響。這種差異性對于理解商業銀行數據資產的價值構成及其管理具有重要意義。因此在評估數據資產的盈利水平時，面臨的壓力較大，尤其是不能簡單地采用市場均值進行計算，而需要對相關指標進行優化和調整，以更準確地反映數據資產的價值。因此，本文采用改進的成本法對這兩類數據資產進行估值，公式如下：

PV=C×S×（1+R×U）

其中，PV為數據估值結果，C代表數據資產賬面成本，S代表重置成本系數，R代表合理風險報酬率，U代表利潤調節指數。

（二）數據資產成本（C）構成

參考傳統無形資產的成本估算方法，數據資產的歷史成本（C）應當涵蓋從數據資產加工到預定用途所需的所有支出。根據數據資產的生成過程，其成本可分為提取、存儲、加工和管理四個主要階段，每個階段的成本組成元素各有不同。具體而言，數據資產建設總成本構成如表1所示。

（三）成本重置系數（S）確認方法

在探討商業銀行數據資產評估時，需針對標準基準日對以往支出成本進行重新考量與設定。為此，本文引入重置系數的理念，旨在將成本轉化為更具時效性的重置成本。考慮到原生數據與實用數據資產在細分指標上的差異，本文特別定義了兩種重置系數：其一，針對硬件如現金循環系統（CRS）以及軟件如客戶關系管理系統（CRM）等資產的成本，本文構建了物價重置系數；其二，就數據收集、加工、儲存以及操作涉及的人力資源成本，本文構建了人力成本重置系數。這樣的分類與定義，旨在更精確地反映不同資產類型在重置過程中的成本變動情況。

（四）商業銀行數據資產風險利潤率（R）預估方式

在商業銀行數據資產評估的實踐中，傳統成本法面臨的核心挑戰在于如何準確量化數據資產潛在的巨大收益及其實現的不確定性，這種不確定性導致了顯著的風險溢價。為克服這一障礙，在利用成本法估算商業銀行數據資產價值時，采用風險報酬率修正重置成本，以使其更客觀真實。然而，這一改進方法也面臨一定的理論挑戰，即如何確保風險利潤率的精確性。目前，業內常采用的做法包括依據市場公開數據中的商業銀行平均資產利潤率作為風險利潤率的參考，或基于行業經驗進行主觀分析，但這些做法在合理性和準確性上均受到一定程度的質疑和爭議。為確保數據客觀及可獲得性，本文采用資本資產定價模型中的項目必要報酬率公式來確定商業銀行的風險利潤率（R）。

（五）利潤調節系數（U）計算模型

本文引入了一個利潤調節系數，旨在更精準地調整先前提及的風險利潤率。這一系數的確定并非孤立，而是受數據質量、數據應用及數據安全等多重因素的共同影響。為了科學設定這一系數，本文參考了中國信息通信研究院發布的《數據資產確認與會計計量研究報告》，從數據的缺失性、可調節性以及適用性三個層面，設定了相應的影響因子[12]。進一步，借助大數據咨詢領域的專家評分法，對這些影響因子進行了量化分析。這一過程中，充分聽取了多位業內專家的意見和建議，結合他們的職業判斷最終明確了各細分指標的利潤調節系數。這一方法不僅提高了評估的準確性和科學性，也為商業銀行數據資產的合理定價提供了有力的支持。具體見表2。

（六）優化成本法算法示例

本文以M銀行為案例，詳細闡述了優化成本法在商業銀行原始類及實用類數據資產評估中的實際應用邏輯。在評估流程啟動之際，首先，精準識別數據資產管理各個環節的具體核算指標，并進一步區分這些指標是歸屬于原生數據資產還是實用數據資產。這一步驟對于確保后續數據收集的完整性和準確性至關重要，是評估過程中不可或缺的環節。其次，本文采用了物價增長率和IT行業工資增長率作為不同成本項的重置系數的基準。為了確保風險利潤率的準確性，本文進一步對利用資本資產定價模型初步設定的風險利潤率進行了細致的調整和優化。

1.構建基于優化成本法的M銀行數據資產評估的指標體系

本研究深入搜集了M銀行官方網站、年度報告、國家招投標平臺及權威研究報告等多渠道信息，并充分考量M銀行原生數據與實用數據資產的獨特屬性。基于這些信息，本文系統整理了在數據資產的收集、存儲、處理及管理過程中涉及的各項評估指標，從而構建了一個針對M銀行原始與實用數據資產特性的全面、精準的評估指標體系。在本次數據資產評估過程中，一個顯著的挑戰在于M銀行公開的財務數據并未明確將數據資產相關的成本價格單獨列出。這一缺失給評估工作帶來了額外的復雜性和不確定性。需手動依據不同的評估指標，對數據資產相關的各項成本進行重新核算、整合或細分，確保這些成本能夠準確反映物價和人力資源的實際變動情況。具體見表3。

2.M銀行外部獲取數據資產的評估指標解析

M銀行按照市場價格從各大數據機構或供應商處獲取數據資產，這期間需配備專業人員負責管理，因此會產生人工成本。此外，為有效保障數據存儲效率，確保數據管理的專業性和效率，銀行需設置專職崗位來負責管理數據存儲設備和數據管理系統，相關的人力資源成本理當作為數據資產成本總額的重要組成部分進行核算。這樣的安排不僅確保了數據管理的專業性和安全性，同時也為銀行的數據資產提供了更為準確的成本評估依據。

3.M銀行內部搜集數據資產的評估指標解析

M銀行在運營過程中積累了龐大的交易與用戶數據集，這自然導致了數據采集成本的顯著增長。這些成本主要涵蓋人力資源投入、硬件設備的購置以及IT系統的研發與維護。詳細分析數據采集階段，可以將內部成本解構為三大核心部分：首先是數據采集過程中的人力資源成本，它涉及各業務條線的人員，如客戶經理和柜員，他們負責將用戶數據準確錄入IT系統；其次是設備成本，涵蓋了自助服務終端、柜臺計算機、客戶經理的移動設備以及ATM機等硬件設備的購置與維護；最后，IT系統成本則聚焦于數據的電子化流程，包括系統從開發到測試，再到持續的維護與更新。這樣的成本劃分不僅有助于我們更加清晰地了解數據采集的成本結構，也為銀行提供了優化成本控制的策略方向。由于這些系統的功能和成本統計方法尚未有統一標準，本文通過市場比較，采用平均售價來估算這些成本。

4.M銀行流程類數據資產評估指標解析

M銀行在數據處理方面實現了全面自動化，這依賴于IT系統后臺的專業程序員通過編程技術，對海量數據進行清洗、整合與優化。在此過程中，主要的成本構成包括聘請IT專業人員的薪酬以及數據在各個處理環節所需的存儲費用。鑒于流程類數據資產是原始數據的加工產物，其處理過程與特定的銀行業務流程無直接關聯，屬于專項任務，因此，相關的系統人力成本可全額納入總體成本考量之中。

5.M銀行核算類數據資產評估指標解析

核算類數據資產，作為一種高度專業化的數據處理形式，對IT系統的性能與兼容性有著更為嚴苛的要求，通常需獨立于傳統數據處理系統之外進行專門設計與開發。為此，許多企業選擇進行定制化的系統建設。M銀行同樣遵循這一趨勢，因此，核算類數據資產相關的IT系統定制化開發成本應納入綜合考量之中。此外，鑒于核算類數據資產處理涉及復雜的數據分析過程，銀行還需投入大量數據分析專家資源，故人力資源成本亦不容忽視。

6.M銀行原生類、實用類數據資產優化成本法計算結果

利用前述改進后的成本法公式計算M銀行的數據資產價值。詳細計算過程如表4—表7所示。

第一，通過匯總得到M銀行2021—2023年的成本法數據資產的成本共計501 800萬元，如表4所示。第二，計算數據資產的重置成本（S）。選取樣本周期內 2021—2023年的年平均CPI作為物價重置指數。通過搜尋IT行業及金融行業近十年全行工資水平的年平均上漲率得到人力重置指數。具體見表5所示。按照上述方法計算得到數據資產2021—2023年重置成本評估總值為551 765.3萬元，如表6所示。第三，計算風險利潤率（R）的確定。本文通過資本資產定價模型計算數據資產的風險利潤率，公式為R=Rf+βx（Rm-Rf），其中β采用Choice金融終端進行預測，預測值為0.768，市場平均報酬率Rm采用近十年滬深300指數的年報酬率均值，并假設目前及未來的市場報酬率穩定不變，得出市場報酬率為Rm=9.69%。關于無風險報酬率Rf，本文參考NS模型的動態預測，從而得出無風險報酬率的預測值，具體模型如下：

其中：Yt（τ）為到期收益率，以t時刻起，距離到期剩余時間（τ）的報酬率；λ為比例參數；Lt為水平動態潛因子；St為斜率動態潛因子；Mt為曲率動態潛因子。

關于λ取值，本文使用文興易等[13]在2012年計算得出的λ取0.51235進行后續計算[13]。對于三個因子，本文借鑒熊志斌[14]算出來的結果：Lt=0.03496177、St=-0.00402892，Mt=0.00421886，將其代入上述公式，可以得到2021—2023年的無風險報酬率分別為3.49%、3.57%和3.63%。為計算方便，取三年的平均值3.56%作為無風險報酬率Rf的值，將其代入資本資產定價模型得到風險報酬率R為8.27%。

利潤調節系數（U）的確定。根據前文對U的解釋，通過行業專家打分得到結果如表7中利潤調節系數所示。

最后，根據上述改進成本法公式，計算得到M銀行2021—2023年原生類及實用類數據資產估值為582 514.60萬元（見表7）。

五、采用增量收益法評估價值增值類數據資產

目前比較常用的優化收益評估法有三種，第一種是超額收益法，即先計算得出商業銀行的整體營業收益，在其中扣除掉固定資產及流動資產等帶來的收益，將剩余收益按照既定比例分配給數據資產；第二種是收益提成法，該法先統計與數據資產相關的營業收益占全部業務收益的比重，最后按照這個比重進行分配收益；第三種是增量收益法，即將使用數據資產前后的商業銀行收益數據進行對比，利用其差額作為收益價值方法。通過對三種方法分析可知，第一種方法由于難以完全排除其他要素帶來的收益，所以較少采用，第二種方法由于難以量化數據資產對商業銀行業務的貢獻度也很少采用，第三種方法是通過對比使用數據資產前后的收益從而衡量數據資產的價值，相較于前兩種方法來說，結果更加客觀和科學，可操作性比較強，因此本文采用第三種方法評估價值增值類數據資產，其計算公式如下：

其中，F0，1、F0，2為2021年度M銀行價值增值類數據資產收入42 700萬元，F1，1為2022年度M銀行價值增值類數據資產收入58 500萬元，F1，2為預測的2023 年度M銀行價值增值類數據資產收入80 730萬元；以上數據均來自M銀行年報，折現率i=10%；f（Q，D）為綜合調節系數，主要用于修正模型評估結果。參數Q為質量調節系數，根據專家對該類模型的業務角度應用效果優良程度和技術角度明細數據質量優良程度進行打分，并加權平均計算得到Q=0.98。參數D為收益年限調節系數，由于年報數據以一年為1個收益期，故將M銀行價值增值類數據資產的收益年限定為1年，由此可得D=D1=■=1[1]。將上述取值帶入模型，結合綜合調節系數，將各收益期的折現值相加，得到M銀行收益提升類數據資產的價值為人民幣59 692.45萬元。

六、結論及建議

綜上，利用優化成本-增量收益法計算的M銀行的數據資產價值總和是642 207.05萬元，在該方法下的數據資產估值結果較M銀行采用傳統成本法計算結果偏高，體現了數據資產的潛在盈利能力，也更能體現M銀行“數智銀行”的戰略定位。本文深入探討了商業銀行數據資產的估值機制，目的在于協助銀行利用自身獨特優勢，開展數據資產的價值評估，以突破商業銀行數據資產價值難以量化的瓶頸，從而推動整個銀行業數字化轉型進程的加速，通過數據資源的合理配置，實現行內數據的增值與共享，助力銀行業高質量發展。

【參考文獻】

［1］ 潘泓如.商業銀行數據資產價值評估——以光大銀行為例［D］.柳州：廣西科技大學碩士學位論文，2022.

［2］ 初磊.商業銀行數據資產估值“進階”［N］.經濟導報，2023-12-01（005）.

［3］ 陸岷峰，徐陽洋.“雙碳”目標背景下供應鏈經濟的新特點、新挑戰與新對策［J］.新疆社會科學，2022（1）：43-52.

［4］ 羅勇.商業銀行的數字化轉型［J］.中國金融，2022（1）：55-56.

［5］ 歐陽文杰.數據要素市場化與數據資產估值與定價的體制機制研究［J］.新疆社會科學，2021（1）：33-43.

［6］ 陸岷峰，郝朝坤.供應鏈金融模式與供應鏈經濟發展：金融與科技協調的視角［J］.改革與戰略，2022（2）：94-104.

［7］ 熊巧琴，湯珂.數據要素的界權、交易和定價研究進展［J］.經濟學動態，2021（2）：143-158.

［8］ 閉珊珊，楊琳，宋俊典.一種數據資產評估的CIME 模型設計與實現［J］.計算機應用與軟件，2020，37（9）：27-34.

［9］ 閆凱茜.商業銀行數據資產價值評估研究［D］.長春：吉林大學碩士學位論文，2022.

［10］ 黃登璽，潘學芳.數據資產價值計算研究與實踐［J］.信息通信技術與政策，2022，48（2）：29-36.

［11］ 光大銀行.商業銀行數據資產估值白皮書［R］.■望智庫，2021.

［12］ 中國信通院.數據資產確認與會計計量研究報告［R］.2020.

［13］ 文興易，黎實.基于局部線性逼近的利率期限結構動態NS模型［J］.管理學報，2012，9（7）：975-978.

［14］ 熊志斌.基于剩余收益法的招商銀行內在價值評估［D］.南昌：華東交通大學碩士學位論文，2020.