摘要：在数字经济时代，数据资产化是数据要素价值释放的关键引擎，对于国家和企业主体发展都具有深远的影响。本文将在明晰数据资产化相关概念的基础上，结合现有的数据资产化框架，分析研究数据资产价值实现机制以及数据资产化过程中的主要工作，最后提出数据资产化面临的挑战和对策建议。

一、引言

随着互联网技术的飞速发展以及数字化浪潮的不断推进，越来越多的数据被生成、采集、存储和共享。这些数据可以包括企业内部的生产数据、公共数据、个人数据等。然而，仅拥有这些数据还不足以发挥其潜在的价值，必须通过资本化的过程将合法拥有或控制的数据由“原始数据”形态转化为“数据资源”，进而升华为有价值的“数据资产”。在此背景下，数据资产化的概念被提出。数据资产化有助于盘活“沉睡”的数据资源，提升数据供给质量，助力实现数据资产保值增值，优化数据资源配置。因此，如何将数据转化为有价值的资产，这既是响应国家数字中国战略、发挥“数据要素×”效应的要求，也是数字经济时代企业保持竞争优势，实现高质量发展必然面对的课题。

二、数据资产化相关定义

（一）数据

根据《‌中华人民共和国数据安全法》的定义，数据是指任何以电子或其他方式对信息的记录。“数据”是对“信息”的记录，本身是没有意义的，只有对实体行为产生影响时才成为信息。数据可以是连续的值，比如声音、图像，称为模拟数据；也可以是离散的，如符号、文字，称为数字数据。

通常，数据是指“原始数据”，用于表示客观事物的未经加工的原始素材。根据数据持有主体的不同，可分为公共数据、企业数据和个人数据。

（二）数据要素

数据要素是指参与到生产经营活动，并为所有者或使用者带来经济价值的数据资源。它是一个经济学术语，强调的是数据在经济生产中提供的增值能力，是经济发展的基础和关键资源。

数据要素是一种新型生产要素，相较于土地、劳动力、资本、技术要素，数据要素具有非耗尽性、非排他性、无形性、可复制性、易变性、时效性等特点，这些特点决定其在现代经济中的特殊地位，以及数据要素资产化的严格要求。

（三）数据资源

根据2023年5月份公开的《中华人民共和国数字经济促进法》（专家建议稿）的定义，数据资源指以电子化形式记录和保存的具备原始性、可机器读取、可供社会化再利用的数据集合。

区别数据与数据资源的依据主要在于数据是否具有使用价值。具体而言，经过收集、存储、运维后形成的电子化、规模化、能够为组织（政府机构、企事业单位等）产生一定价值的数据被视作数据资源。数据资源包括企业内部数据、外部市场调研数据、用户生成数据等。

（四）数据产品

数据产品是经过加工、处理、分析和可视化等方式所形成的具有价值和使用价值的，能够被交易并且满足特定市场主体需求的数据内容和服务。数据产品具有明确的应用场景和价值，旨在为客户提供高效、便捷的数据服务，帮助用户解决实际问题，强调实用性、价值性以及用户体验。

各地政府的实践操作规范中对于数据产品的定义表述和分类不完全相同，但均要求为投入“实质性加工和创新性劳动”之下所形成的产品。具体定义与分类如下表所示：

表1 地方政策文件对数据产品的定义以及分类

（五）数据资产

根据《数据资产评估指导意见》的定义，数据资产是指特定主体合法拥有或者控制的，能进行货币计量的，且能带来直接或者间接经济利益的数据资源。《信息技术服务数据资产管理要求》（GB/T40685-2021）将数据资产定义为合法拥有或者控制的，能进行计量的为组织带来经济和社会价值的数据资源。总体而言，“数据资产”强调可控制、可计量、有价值。

“合法拥有或控制的”：数据必须合法合规，包括来源合规、内容合规、应用合规等；企业享有该数据的全部权益，或者虽然不享有该数据资源的全部权益，但能够合法控制数据资源也可以形成数据资产。

“能进行计量”：则要求数据资源能够估值、交易，其成本或价值能够可靠计量。

“有价值”：从经济学层面看，数据资源预期能够产生经济利益且经济利益很可能流入企业；从社会效益层面看，数据资源能促进社会财富增长、生产生活便利化、满足人们的物质文化需要等。

三、数据资产价值实现机制

数据资产化是个循序渐进的过程，一般包括业务数据化、数据资源化、数据产品化以及数据资产化四个阶段，考虑到数据资本化是数据资产价值释放的重要体现，将数据资本化纳入数据资产化过程。通过这四个阶段，特定主体合法拥有或者控制的数据实现“原始数据—数据资源—数据产品—数据资产”的形态演变，完成数据资产创新应用和数据资产增值，为企业创造直接或间接的经济利益。数据价值的实现反过来进一步促进企业推动业务数据化，提高数据治理能力，提升整体数据质量，为数据价值释放提供更好基础。

图1 数据资产化路径

（一）业务数据化

业务数据化是指企业通过大数据分析、云计算、人工智能等技术，将传统业务活动转移到线上平台，使得业务流程、交易、服务等活动能够被数字化记录和存储的过程。这一阶段是基础，它使得业务数据能够被收集和分析。

（二）数据资源化

数据资源化是指企业通过公共数据授权、自身运营产生、交易市场采购等方式获取的原始数据，经过脱敏、清洗、聚合、分析、可视化等加工步骤，在物理上按照一定的逻辑归集后达到“一定规模”，形成可重用、可应用、可获取的数据资源的过程。该阶段是数据资产化的必要前提，重点是将原始数据转变为数据资源，使数据具备一定的潜在价值。

数据资源化主要包含数据收集、数据分类分级、数据整理、数据整合、数据分析、数据可视化步骤。

图2 数据资源化路径

（三）数据产品化

数据产品化是指从客户场景、业务应用出发对数据资源进行实质性加工处理，形成可供外部用户使用的具有特定功能和价值的产品的过程。该阶段是数据资产化的关键步骤，是数据资产大规模增值的驱动力，主要目标是要将数据资源依据实际需求加工为具有明确应用场景、可交易、价值可计量的数据产品。根据数据产品持有目的不同，数据产品一般会通过自用、共享、开放以及对外交易等方式实现其价值。

数据产品化的路径大致可以分为四大步骤：产品规划、数据资源评估、数据产品设计与开发、数据产品运营。

图3 数据产品化路径

（四）数据资产化

数据资产化是企业有效运营管理数据资产开展经济活动创造经济价值的过程，包括数据资产入表、数据资产交易、数据资产投资、数据资产金融创新应用等。数据资产入表体现的是数据资产的账面价值，数据资产交易、投资和金融创新应用等属于数据资本化，体现数据资产的市场价值和金融属性。

实践中确认数据资产往往以数据产品作为载体。基于数据产品确认数据资产的优势主要在于：数据产品的可使用状态或者可交易状态更容易辨认，可以更直观地判断该资产是否达到预定用途；数据产品也更方便企业进行内部管理。

四、数据资产化主要工作

为实现数据资产化和资本化，企业需要开展数据治理、数据产品开发、数据合规评估、数据质量评价、数据资产确权登记、数据资产入表、数据资产价值评估、数据资本化应用等工作。

图4 数据资产化主要工作

（一）数据治理

数据治理是数据资产入表前的重要环节之一，是对数据资产管理行使权力和控制的活动集合，通俗的理解就是让企业的数据从不可控、不可用、不好用到可控、方便易用且对业务有极大帮助的过程。企业需要建立一套完整的数据治理体系，包括数据采集、存储、处理、分析、共享等环节，以此保障高品质、高价值数据资源供给。

（二）数据产品设计和开发

数据产品设计和开发是数据产品化的关键环节，共同作用将数据资源转化为具有特定功能和价值的数据产品‌。数据产品设计涉及到确定产品的功能、特性以及用户体验，需要确保数据产品能够解决实际问题或提供价值。而数据开发则是实现这些设计的技术实现过程，包括数据模型的构建、算法的开发以及系统的实现等，以确保数据产品能够高效、准确地运行。通过设计和开发出的数据产品，通常具有明确的目标用户、应用场景和使用价值。

（三）数据合规审查

数据合规是指在整个数据的生命周期内（包括数据的采集、存储、处理、传输、使用等环节），确保企业的数据管理和操作过程遵循相关法律法规、行业标准和内部控制要求。数据合规的主要内容包括：数据来源合规、数据内容合规、数据处理合规、数据管理合规、数据经营合规等。

（四）数据质量评价

数据质量是指数据在指定条件下使用时，其特性能够满足明确的或者隐含的要求的程度。数据质量评价在提高数据质量、价值、治理水平方面起到关键作用,质量评价结果会直接影响到数据资产的价值评估。数据质量评价因素通常包括数据的准确性、一致性、完整性、规范性、时效性和可访问性等。

（五）数据确权登记

数据确权是指明确数据的权属关系，确定数据资产的权利主体和权利内容的过程。根据全国多地的实践，数据产权登记制度大致可分为两种路径：一种是行政机关主导的知识产权体系下的数据产权登记；另一种是在数据交易的过程中进行数据权属确认并登记（两者的区别在后续文章中阐述）。本文主要是指后者，即数据产品确权登记，经登记机构审核后获取的数据数据产品登记证书是开展数据资产入表（会计核算）、数据挂牌交易、融资抵押、争议仲裁等的重要依据。

（六）数据资产入表

‌数据资产入表是指将企业的数据资源以资产的形式纳入财务报表中进行管理和计量。这一过程主要工作包括：数据资产确认、成本归集与分摊、初始计量、后续计量、列报与披露等。

通过将数据资源纳入财务报表，企业可以更加清晰地了解自身数据资产的规模、质量和价值，从而制定更加合理的数据资产管理和运营策略，有助于企业更好地挖掘数据价值，实现数据资产的保值增值‌。

（七）数据资产评估

数据资产价值评估是实现数据资本化的关键前提，只有确定了数据具体价值，才能开展各类数据应用活动；另外数据资产的准确评估也可以帮助企业了解和掌握数据资产的真正价值和风险情况，从而更好地优化资源配置。通常影响数据资产价值的因素包括成本因素、场景因素、市场因素和质量因素。数据资产评估方法包括成本法、收益法和市场法。

（八）数据资本化应用

数据资本化是数据资产价值释放的重要体现，包括数据资产挂牌交易、数据资产增信、数据资产出资、数据资产质押融资、数据资产证券化、数据资产信托等。

五、数据资产化面临的挑战与对策建议

（一）‌数据资产确权难，亟需新理念新思路

确权是数据资产入表的前提，如果权属无法确定，则数据流通的合法性难题就无从破解。但数据与传统生产要素和财产属性不同，既有的确权规则无法直接应用于数据资产，这成为数据资产确权现实中遇到的挑战，也是理论上需要解决的难题。2022年12月，《中共中央国务院关于构建数据基础制度更好发挥数据要素作用的意见》（以下简称“数据二十条”）提出，“建立数据资源持有权、数据加工使用权、数据产品经营权等分置的产权运行机制”，为数据资源确权明确了方向。地方层面先行先试，针对数据资产确权理论和实践中面临的诸多问题，各地出台了大量规范性文件，进一步推进和细化数据资产确权。

从数据产权登记对象来看，《深圳市数据产权登记管理暂行办法》（深发改规 〔2023 〕5 号）明确数据产权登记对象为数据资源和数据产品；《济南市数据登记暂行办法（征求意见稿）》（2024年5月28日）数据登记对象包括数据资源、数据资产、数据产品；上海、海南、郑州等地出台数据产品登记相关管理办法，规范数据产品登记流程。另外，浙江、北京、山东、江苏等地都出台了数据知识产权登记管理办法。

从数据产权登记机构来看，《济南市数据登记暂行办法（征求意见稿）》提出数据资源和数据资产登记机构由市数据登记工作主管部门确定，数据产品登记机构是指在市数据登记工作主管部门报备的数据交易服务机构；2024年10月12日，国家发展和改革委员会发布《公共数据资源登记管理暂行办法（公开征求意见稿）》指出公共数据资源登记机构，是指由数据主管部门设立或指定的，提供公共数据资源登记服务的事业单位。实践中，数据产品登记机构主要是数据交易机构，数据资源登记机构主要是数据管理部门，数据知识产权登记是省市场监管局（知识产权局）。

除了从国家层面建立健全数据产权相关制度规范，及地方先行先试、创新突破外，还应鼓励企业和研究机构加强密码学、区块链、隐私计算等技术的研发和应用，为解决数据确权中的技术难题提供有力支撑。

（二）数据资产入表处于探索期，需多维度探索“最优解”

2024年被称为“数据资产入表”元年，越来越多企业开始探索数据资产入表之路。截至2024年8月31日，共有39家上市公司披露数据资源入表相关情况，总金额达到13.57亿元。在半年报发布后，有5家公司对数据资产相关内容进行更正、删除。例如晶华新材，在8月13日披露的半年报中，数据资源入表涉及金额约3.96亿元，其中计为存货的约3.18亿元，计为无形资产的约0.78亿元。8月15日，发布更正公告，将“数据资源”金额清空。更正前，2024年6月末，公司存货、无形资产全部为数据资源，更正后，两处的数据资源均为0元。对于上市公司披露数据资源入表相关情况后进行更正、删除的情况，究其根本，主要有以下两方面原因：一方面，数据资产入表作为一项新兴业务，相关工作人员对政策理解不足，缺乏完整理论体系与操作经验，导致许多公司在首次尝试将数据资源列入报表时出现了错误。另一方面，部分企业为了增加资产规模或提升资本审查认可，虚增数据资产。

针对相关工作人员对数据资产入表理解和实际操作层面存在不足的问题，从以下两方面着手：一是对于监管部门来说，建议相关部门强化宣贯，对数据资源入表制定更加明确、详细的操作指南，或者发布典型案例，加强政策引导，减少企业在操作过程中的模糊性和不确定性。二是对于企业来说，应严格按照遵循《数据资源会计入表暂行规定》资产确认条件，既要防止过度确认数据资产导致企业虚增资产，又要防止因确认标准过度严苛导致低估企业数据资产；同时要加强内部数据资源管理，建立健全数据资产化工作体系，加强财务人员业务素质，必要时可借助外部第三方专业服务机构的力量。

针对以上提到的虚增数据资产这类行为，监管机构是坚决禁止的。财政部在《关于加强数据资产管理的指导意见》（财资〔2023〕141号）中对于公共数据资产和国有企业数据资产提出明确管理要求：“严防虚增公共数据资产价值”“加强监督检查，对涉及公共数据资产运营的重大事项开展审计，将国有企业所属数据资产纳入内部监督重点检查范围”。安徽省财政厅出台的《关于规范和加强行政事业单位数据资产管理的通知》（皖财资〔2024〕748号）提到，数据资产成本无法可靠计量的可暂按名义金额登记入账，探索根据数据资产收益调整入账价值，严防虚增数据资产价值。

（三）数据资产价值评估困难，需多点发力破解“难题”

目前资产价值评估主要采用成本法、收益法和市场法三种基本方法，这些方法主要是比照传统的资产评估方法建立的。但是与传统资产相比，数据资产具有非实体性、价值易变性、不确定性、波动性等特点，这些特点使得传统的评估方法难以准确评估数据资产的价值‌。因数据资产成本不易区分且贬值因素难估算而使成本法难以适用，价值易变而使收益法缺乏评估标准，缺乏活跃的交易市场而使市场法缺少有效参考，因此，传统资产估值方法对数据资产并不完全适用，直接使用可能会给评估结果造成偏差。

针对传统的资产评估方法在数据资产评估中存在局限，亟需要探索新的评估方法和标准，并根据不同的估值对象匹配合适的估值方法，以更准确地反映数据资产的真实价值。例如，2024年3月，中国银行业协会发布《银行业数据资产估值指南》，将银行业的数据资产划分为原始类、过程类和应用类三大类，并根据不同数据资产的特性，给出了成本法、收益法、市场法及其衍生方法等数据资产估值方法。其中，其他衍生方法则是基于成本法、收益法和市场法，结合数据资产的特性，可根据实际数据情况进行衍生，例如采用综合评估法等。

除结合数据资产特点创新数据资产评估方法和标准外，还需要加快推进新兴技术与数据资产价值评估的融合，借助大数据、人工智能、区块链等技术，为数据资产评估提供更高效、便捷的工具和平台。同时，加强资产评估人员的专业培训，提高其理论水平和实践能力，使他们能够更好地适应数据资产评估的新要求。

（四）数据要素流通不畅，需健全数据流通交易体系

数据高效流通交易是数据要素价值有效释放的重要前提。要实现数据高效流通交易，就必须正视当前存在的三大主要问题：其一，不同行业、企业、部门间数据标准不统一，导致数据难以实现流通共享，形成了“数据孤岛”现象，制约了数据的流通和利用。其二，全国统一的数据流通市场制度不健全，全国统一大市场规则建设有待提速。截至2024年8月，全国共有20余个省(区、市)开展了数据交易场所、交易公司组建工作，数据交易发展火热。然而，目前国家层面的数据交易法律法规和行业标准尚未推出，各地数交所“自成体系，各自为战”，在数据确权、数据定价、数据交易、数据安全、数据增值协作等方面的交易标准和监管机制不一，这无形中增加了企业流通交易过程中操作成本与合规风险。其三，数据进场意愿不足。由于各地数据交换平台主要采取政府主导运营、委托集成商建设的模式，许多数据交易仍通过不同形式的场外交易进行，平台交易尚未形成规模。

针对上述问题，一是打破“数据孤岛”，释放数据价值。借助大数据、云计算、人工智能等技术，实现不同来源、不同格式数据的整合与融合，进而打破“数据孤岛”；加强跨行业、企业、部门统一协同，引导行业、企业、部门间共建数据要素开放共享流通生态。二是加强各地交易所在规则、流程、信息等方面的协同与互通，加快构建全国一体化的数据要素流通交易市场体系。与此同时，探索建立正面引导清单、负面禁止清单和第三方机构认证评级相结合的数据市场准入制度，鼓励数据流转创新，并建立容错机制。三是鼓励数据交易向场内转移，为数据流通交易提供安全可信平台。通过建立激励机制、加强宣传教育、加强对场外交易监督等措施，“疏通”和“引导”数据交易向场内转移；在各细分领域引导培育一批业务能力强、服务质量高的数商，为打造健康的生态树立标杆，带动更多主体参与场内交易。四是支持有条件的地方率先开展试点工作，为数据要素高效流通交易提供经验做法参考。例如，在工业领域率先推进可信数据空间标杆试点，打通数据流通路径、完善数据基础设施，促进工业数据畅通流转。

（五）数据安全面临挑战，需多举并措构建安全环境为数据发展保驾护航

数据安全是指保护数据免受未经授权的访问、使用、披露、破坏或修改的能力。我国高度重视数据安全，相继出台《网络安全法》、《数据安全法》《个人信息保护法》、《网络数据安全管理条例（草案）》等数据安全的顶层政策法规，取得了一定的成效。但总体看，数据安全管理制度不健全、数据安全保护技术不足、数据安全评估不够、数据安全意识不足等问题突出，导致数据在资产化过程中可能面临网络攻击、数据泄露、个人信息滥用、数据损坏或丢失等安全风险，进而数据要素的市场化配置进程，不利于数字经济的高质量发展。

数据安全保障能力亟待进一步提升。第一，强化数据安全技术手段。围绕数据采集、存储、流通、交易、使用等关键环节，提速研发与应用身份认证和强制访问控制技术、基于日志的安全审计和数字水印等溯源技术以及数据安全防护专用技术等。第二，顶层设计与政策落实并重，深化数据安全政策导向。细化数据安全管理相关操作指导，明确数据的使用、存储、传输和销毁等环节的安全要求，做到具体场景化落实。第三，健全数据安全风险评估体系，提供系统化、标准化的安全评估框架与操作指南，确保公共数据在采集、存储、使用、共享、销毁等环节的安全性。第四，对数据资产化过程中各参与主体广泛开展培训与宣传，加强数据安全意识和安全管理技能，提升对数据泄露和其他安全事件的应急响应速度。