赵治纲　曾家瑜　刘奕忻｜企业数据资产价值特征和属性的系统探究

【摘　要】 数字时代，数据资产是企业未来的核心资产和企业价值创造的关键来源。明晰数据资产的价值特征和属性，是企业有效实施数据资产化工作和把握数据资产价值规律，以及有序开展数据资产管理工作的关键基础。数据资产是企业的一类新型资产和特殊资产，具有诸多不同于现行资产的价值特征和属性，不能用旧会计思维来看待和认识，更不能简单套用现行资产管理方法来管理。文章重点探究了以下问题，一是对数据基本特征的阐释和厘清，这是理解数据资产价值特征的重要前提；二是从经济、技术和财务“三个维度”来探究数据资产的价值特征；三是着重指出数据资产具有价值、法律和安全“三个属性”；最后对数据资产面临的会计计量和资产管理难题进行了探讨，并提出了应对建议。

【关键词】 价值特征；价值属性；会计计量；数据资产管理

【中图分类号】 F234.3 

【文献标识码】 A 

【文章编号】 1004-5937（2024）20-0128-07

一、引言

近年来，党中央高度重视发展数字经济和推动数据要素市场化。2022年《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”）首次明确提出了“数据作为新型生产要素”的新理论。党的二十届三中全会通过的《中共中央关于进一步全面深化改革 推进中国式现代化的决定》提出“加快构建促进数字经济发展体制机制和加快建立数据产权归属认定、市场交易、权益分配、利益保护制度”的改革新要求。自2023年8月财政部发布《企业数据资源相关会计处理暂行规定》（财会〔2023〕11号）以来，数据资产的相关话题热度非常高，尤其如何推进数据资产化和如何充分释放数据资产的新价值，这些话题得到了学术界、政府部门和企事业单位的高度关注和讨论^[1]。然而，数据资产是一类全新的资产，其价值特征和价值运行规律，完全不同于企业已入表的现有任何有形或无形资产，已有研究文献对数据资产的价值特征缺乏系统的梳理和阐释，现有文献也多是从财务角度和传统资产角度来研究数据资产的价值特征。为此，亟须深入探讨和厘清数据自身的基本特征，系统阐释数据资产的价值新特征，为企业有效开展数据资产的价值管理和寻找数据资产价值化的路径提供理论遵循^[2]。显然，数据资产的价值新特征，不仅需要从财务维度来阐释，更需要从经济学和技术等多个维度来剖析，比如数据资产的价值复杂多元且动态多变，数据资产很难排他使用，数据资产很容易被复制复用，数据资产很容易因数据泄露或被窃取而丧失价值等^[3]。因此，本文试图从数据本身的基本特征出发，基于经济、技术和财务“三个维度”探究数据资产的价值特征，并系统总结了数据资产的价值、法律和安全三个属性，进一步丰富对数据资产的系统认识。

二、对数据基本特征的阐释和厘清

数据作为新型生产要素，是发展新质生产力最为关键的基础要素。阐释和厘清数据本身的基本特征是理解数据资产价值特征的重要前提。“数据二十条”明确数据作为新型生产要素，属于重大理论和政策创新，但已有研究文献对数据特征的阐释和认识，尚不系统全面。本文认为数据的基本特征，应从原始数据、大数据、高质量数据三个层面来展开。

（一）原始数据的基本特征

数据（Data）通常指的是经过记录和处理的信息，且数据是以二进制的形式储存于计算机之中。例如，图形、图像、视频、音频、文本等数值性和非数值性的符号都可以被计算机转化为二进制数，进行各种逻辑运算，处理成有意义的数据。需要强调的是，数据是原始的，数据所代表的信息与现实世界的真实情况相一致。数据本身并没有意义，只有对数据进行处理和分析，才能转变成对人们有用的信息^[4]。原始数据通常具有四个方面的典型特征：（1）非消耗性。数据的第一个关键特征是非消耗性。数据要素与其他四个传统生产要素完全不同，数据不会因使用而耗尽，反而可以被无限次地使用与分享，且因使用而产生、不断被创造，生成越来越多的数据。特别是生成式人工智能技术（AIGC）的快速发展，数据资源将呈现指数级增长的大趋势，并日益成为企业的战略性资源。（2）易复制性。数据可以快速地以近乎零成本的方式进行复制，可供多人同时使用，可多次循环使用。易复制性使得数据具有一定程度的非竞争性和非排他性，即当一个人使用某项数据时不排斥和妨碍别人对其使用，不同人之间在使用上不存在直接的利益冲突。但数据并不完全是公共品，有公共数据、企业数据和个人数据之分。（3）非均质性。数据是非均质的，一比特数据跟另一比特数据所包含的价值完全不同，同一份数据对不同人或者不同应用场景的价值也不一样。数据价值因使用对象而异，因应用场景而异，因专业化数据质量标准而异，因此在进行数据管理的过程中要充分考虑数据非均质性带来的价值差异。（4）时间敏感性。数据是一种易腐品，具有时间敏感性，部分数据会随着时间的流逝而迅速贬值。根据IBM（2015）数据，60%的非结构化数据在几毫秒内就失去真正价值。这意味着，数据的价值很大程度体现在时效性上，因此，数据价值往往与其采集与使用的时间节点密切相关。

（二）大数据的基本特征

大数据是指数据规模庞大，已经超出传统数据软件技术处理能力的数据集。大数据通常具有“5V”特征。（1）数据量大（Volume）。大数据的规模非常庞大，远远超过了传统的数据处理能力。从数据单位来看，大数据不再以GB或TB为单位来衡量，而是以PB、EB或ZB为计量单位，从TB跃升到PB、EB乃至ZB级别。因此，需要使用分布式存储和计算技术，来有效地管理和处理海量数据。（2）处理速度快（Velocity）。大数据的产生和处理速度非常快，需要实时或近实时地获取、分析和应用数据。传统的批处理模式在处理大数据时处理速度通常很慢，无法满足实时性的需求。根据互联网数据中心（IDC）的估测，人类社会产生的数据一直都在以每年50%的速度增长，这意味着，人类在最近两年产生的数据量相当于之前产生的全部数据量之和。（3）多样性（Variety）。大数据的类型非常多样，包括结构化、半结构化和非结构化的数据。传统的数据处理框架通常只支持简单的数据类型，对于复杂的数据类型如图像、音频等的处理和分析支持不足。因此，需要使用多源数据融合和挖掘技术，如NoSQL、MapReduce、机器学习等，来有效地处理和分析多种类型的数据。（4）价值密度低（Value）。大数据包含着庞杂的数据，单个数据蕴含的价值较低。但大数据可以通过从不相关的各种类型的数据中，挖掘出对未来趋势和模式预测分析有价值的数据。传统的数据分析方法往往基于假设或者抽样，无法充分利用所有的数据信息，也无法发现隐藏在数据中的知识和规律。因此，需要使用机器学习和人工智能等新技术，来有效地提取和利用数据中蕴含的知识和信息，为决策、创新、优化等提供支持。（5）真实性（Veracity）。大数据的准确度和可信赖度，代表着数据的质量。传统的数据清洗、验证、融合等技术在处理大数据时难以保证数据的完整性、一致性、时效性和可靠性，也难以避免数据的错误、缺失、冗余和噪声等影响数据分析的结果。因此，需要使用更先进的数据管理技术和架构，如内存数据库、Lambda架构等，来保证数据的真实性。

（三）高质量数据的基本特征

高质量数据是进行数据分析、机器学习、业务决策的基础，对于提高决策准确度至关重要。数据本身价值低且零碎分散，因此需要对大规模零碎数据进行清洗处理，使其成为有意义的高质量数据，特别是数据要素市场的建立需要具备高质量数据来满足市场的交易需求，随着数据分析、价值挖掘等与人工智能深度融合，数据由规模快速增长向全面、高质量增长转变。高质量数据具有五个方面的基本特征：（1）准确性。高质量数据的第一个特征是准确性。数据的完整和准确是进行复杂数据价值分析和挖掘的基础，数据的缺失、错误或者异常都会影响数据价值，甚至导致数据失去价值。因此数据的完整与准确是实现高质量数据的必要条件。（2）一致性。高质量数据需要与数据核验规则保持一致和兼容。具体表现在以下三个方面，一是等值一致性，核验对象的数值必须与另外一个或多个核验对象在一定规则下相等。例如：“进出口经营权许可证号”长度13位，后9位应该与“组织机构代码证”一致；二是存在一致性，核验对象的数值必须在另一个核验对象满足某一条件时存在。例如：“登录状态”是已登录，则“登录日期”不能为空；三是逻辑一致性，核验对象的数值必须与另一个核验对象的数据值满足某种逻辑关系。例如：“支票起号”小于等于“支票止号”。（3）时效性。数据价值与时间相关度高，数据的时效性在一定程度上反映数据价值，过去的数据无法准确反映最新情况的全部事实，因此高质量数据具有的时效性需要满足及时更新的要求，用于反映最新的、有价值的信息，便于根据最新状态和发展趋势做出决策调整，提高决策的准确度和精度，避免在数据使用过程中受到非数据自身和技术问题带来的干扰。（4）可信性。高质量数据必须具备可信性，即使用者或者用户信赖该数据所包含的信息是真实、客观且及时的程度。高质量数据可信性要求数据来源、收集处理方式等公开透明，数据反映信息大部分准确无误，可独立验证，且符合法律法规和相关行业标准的相关规定等，通常可以用用户信赖的数据量来反映高质量数据的可信性，且反映该事实的数据越多，可信度越高。（5）可解释性。高质量数据需要具备可解释性，即数据内容清晰、直观且易于理解，便于数据使用者简单、高效地使用数据，避免错误使用数据。数据可以使用较为直观的图、表等形式表达，且用简洁通俗的语言补充适当的文档、注释和元数据，帮助数据使用者了解数据来源背景和含义，帮助圈定数据适用范围，减少误用。

三、“三个维度”探究数据资产的价值特征

（一）经济维度看数据资产的价值特征

国内经济学家对数据要素研究较多，从数据新要素角度对数据资产及其特征有所关注。从经济学角度而言，一般认为，数据资产具有非竞争性、非排他性和复杂外部性等典型价值特征^[5]。

1.非竞争性

传统的劳动、土地、资本等生产要素具有竞争性，与该种生产要素具备的技术特征密切相关，要素价值在使用后会出现一定程度上的消耗。而数据资产与其他生产要素一个显著的差异是同一数据资产在被多个主体使用时，数据资产价值不会全部耗散，反而通过积累使用数据资产价值多次得到创造、释放和再创造。数据资产的非竞争性体现在两个方面，一是数据资产在收集过程中，被一个主体收集并不能阻止其他主体收集相同数据资产；二是同一数据资产使用途径和主体具有多元性。有学者研究发现数字企业核心收购业务与传统企业有着显著区别，数字企业侧重于通过多元收购建立数字集团，因为数据资产型企业可以将收集的数据资产运用到不同应用场景，形成横向扩张优势（李勇坚，2022）。根据数据资产具有复制成本快和流通速度快等技术特点，在一个主体消费该部分数据资产时并不阻碍其他主体对该部分数据资产进行使用，即同样的数据资产可以同时被多个主体使用，且多个主体间相互不造成影响也不会产生任何损失，即数据资产额外使用的边际成本趋近于零。

由于数据资产具有非竞争性，企业为获取并保护自身数据资产优势，从而形成市场竞争优势，在获取大量数据资产后选择通过数据资产加密或者条款限制竞争企业对数据资产的访问，导致数据资产产生的经济增长效益低于数据资产共享产生经济效益的最优水平^[6]。

2.非排他性

排他性在经济学中指的是一类资产归属某类消费群体后，其他消费者需要付出额外的代价，才能被使用。数据资产具有非竞争性，则会存在一定的非排他性。宋洁（2022）提出数据资产溢出性带来数据资产非排他性，企业持有的海量数据资产，特别是大量异构数据资产，彼此之间进行协同融合，提升数据资产价值并用于训练个性化服务算法，促进企业利润增加。但是也有学者提出，部分数据资产具有非排他性，并不能直接推导出全部数据资产都具有非排他性的结论。数据资产实现共享是数据资产天然属性，可在数字平台内自由流动使用，但随着数据资产规模不断扩张，企业为保证规模数据资产只为自身算法迭代服务，可通过复杂技术手段和法律影响数据资产的非排他性，强化数据资产排他性。

数据资产的非竞争性和非排他性，使得数据资产的权属明晰和权利主张难度较大。目前来看，为了更快推动数据要素市场化和数据资产化，“数据二十条”回避了数据资产的所有权问题，提出了探索“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”。

3.复杂外部性

数据资产具有明显的正外部性特征，有学者提出数据资产的非竞争性使得数据资产具有规模经济的特征。同一数据资产被不同主体运用到多样的场景中，特别是用于机器学习或者算法算力的提升，致使数据资产量不断累积，数据资产规模不断扩大，类型不断丰富。不断集聚的数据资产之间又相互融合形成新的数据资产集，致使数据资产中蕴含的信息和知识不断积累，数据资产价值进一步提高，资源配置效率得到提升，新产业新模式新业态的产生，实现了对经济发展的乘数效应。一般情况来说数据资产规模越大，数据资产规模效应递增越显著。

显然，数据资产还具有一定的负外部性，数据资产非竞争性和非排他性导致容易出现隐私泄露问题。现有学者大多集中研究数据资产流通过程中的个人隐私和国家秘密存在的潜在风险和威胁。从数据资产规模与经济增长角度看，数据资产规模过大可能会造成数据资产整理、清洗和管理的难度和成本耗费增大，数据资产安全性下降，在此过程中数据资产出现价值损耗或者价值消散，致使规模报酬递减。同时，2020年美国斯坦福大学的研究报告指出，如果不尽快建立数据资产的权属和保护规则，企业自由通过数字服务获取个人数据资产，并不断被复制利用，数据资产规模正循环导致数据资产不断向超大规模数据资产型企业聚集，企业利用大规模数据资产训练算法，通过多元收购，形成数据资产集团，出现数据垄断，会导致居民收入差距进一步扩大，不利于社会总体福利的增长。另外，在数据资产所有权暂未明晰的前提下，数据资产的快速流通，可能会出现数据资产失去监管而滥用的情况。数据资产存在的这些复杂外部性问题，使得建立数据资产的确权制度尤为迫切。

（二）技术维度看数据资产的价值特征

从技术维度看，数据资产还具有明显的技术依托性、融合性和多元性。数据资产经历的数据采集、存储、加工和挖掘利用等过程，就是依托于信息通信技术和网络协同技术等的一个技术过程。通常而言，数字技术的快速发展，数据应用场景的变换，都会导致同一批数据资产的价值发生巨大改变。

1.技术依托性

数据依托于数字技术，化静态为动态，通过数字技术开发后，数据不仅可以充分释放自身价值，还可以创造经济和社会价值，逐步实现数据资产化和资本化。第一，数据资产以数字技术为依托，以虚拟形态存在，因此创造价值不能脱离其他生产要素，必须以其他生产要素为载体。但是数字技术构建新型虚拟网络空间，拓宽原有物理空间范围，产业“上云”、业务“上云”等新模式、新产业和新业态，决定数据资产可以不断替代传统生产要素，使传统生产要素虚拟化，解决传统生产要素存量有限的束缚。第二，数字技术是数据资产实现多元主体融合发展的技术条件。“网络协同”和云网端一体化技术保证多元主体能够大规模协同参与数据资产生产、流通和交易等环节，数据资产应用边界不断拓宽，应用场景不断丰富。大量异构多源数据不断融合协同，其中包含可挖掘的信息不断丰富变化，依托于数字技术，数据资产可以帮助企业实现动态持续适应资源、组织结构和环境变化和重构。第三，数字技术是数据资产融合企业新业务、新模式和新业态的基础。数字化、网络化和智能化深度发展，算法、算力、网络智能分析、云网端一体化和协同网络等技术水平不断攀升，数据资产储存量迅速增加，处理数据资产和开发利用数据资产的能力不断提升，数字技术是数据资产发展关键性基础。同时算法、算力和网络智能分析等技术应用，通过智能化手段对海量数据进行数字编码处理、挖掘、深度分析和聚合开发应用，通过构建模型于问题前端发现并解决问题，且能够持续收集并优化反馈结果，降低企业选择性成本，提高生产效率并创造更高价值。

2.融合性

数据资产的融合性，一是指构成数据资产的单个数据与数据间的融合性。零散数据价值分散，在形成数据资产的过程中，数据与数据之间协同融合，实现价值增值，数据资产由单个数据构成，因此数据资产之间也可以进行协同融合，构成更高水平的数据集。一般情况来说数据资产融合性越好，数据资产价值就会越高，但是数据资产集合规模超过企业可处理程度，则会导致数据资产处理效率下降，导致价值不增反降。二是指数据资产与其他生产要素融合协同。数据构成一种全新单独的资产，从而成为一种新生产要素凭借自身产生速度快和自身流动性赋能传统生产要素作用途径，实现生产要素新的组合与融合升级。三是指数据资产与各种场景融合。数据是人类生产生活活动的副产品，任何人类活动都会产生数据，企业形成数据资产作用于不同场景产生不同的价值。数据资产在不同应用场景中可以进一步生产更多的数据，海量规模数据形成更高质量的数据资产，再促进算法、算力等的迭代升级从而加速数字技术发展。企业收集数据规模越大且转化为数据资产程度越高，企业市场数据优势越显著，形成的数据产品越多元，实现数据资产和数据资产应用场景的融合性越好。

3.多元性

数据资产的多元性主要体现在三个方面。一是参与主体具有多元性，包括政府、个体、企业和社会团体等，多元主体意味着数据资产的来源多，数据资产的类型也较为复杂，包含海量规模的结构数据和非结构数据，形成大量多元异构型的数据资产。与此同时，数据资产规模的指数级扩张，对数据资产的处理效率也提出了更高要求，逐渐去中心化的数据处理网络成为发展趋势，在数字平台逐渐扁平化趋势使得数据主体多元化协同程度进一步提高，数据资产跨时间和空间流动速度也更快，数据资产依托网络信息分析技术等辨伪能力不断提升。二是数据资产权属多元性，数据生产者生产的数据价值密度低，无价值创造性，数据控制者通过技术手段集聚数据，在技术过程“注入”劳动，提高数据价值创造能力，从而要求拥有数据资产的处置权。并且数据资产经历多个处理环节，经手多个处置主体，都要求对数据资产拥有所有权或者控制权。数据资产权属的多元性是数据定价和交易的难点所在，数据确权已经发展为数据背后利益平衡的问题。三是数据资产价值具有多元性。不同数据主体追求不同数据价值，多元主体的价值追求具有多元性，意味着数据资产价值需兼具有个人价值、企业价值和公共价值等多重属性，依托于不同的应用场景表现不同的价值形式。

（三）财务维度看数据资产的价值特征

近年来，国内许多会计学者从财务角度对数据资产的价值特征进行了研究和探讨。多数学者认为，数据资产不仅仅具有资产必然存在的价值特征，还具备不同于企业现行资产的其他财务特征，如价值易变性、低成本复制性和时效性^[7]。

1.价值易变性

数据资产的价值受到数据容量、数据时效、应用场景等因素影响，随着技术进步和时间的推移，数据资产的价值往往容易发生变化，要么持续大幅增值，要么大幅贬值甚至可能完全失去原有价值。因此，相较于企业现行的其他资产，数据资产具有明显的价值易变性，这种易变性主要是由于数据资产的多层性、环境敏感性和技术依赖性这三个方面的相互作用所导致的。就数据资产的多层性而言，数据资产能够支持多个业务场景，并且根据不同的用户需求，可以产生多样的价值。这表明，数据资产的潜力需要从多个角度进行挖掘，例如，用户行为数据既可用于商品推荐，也可用于信用评级，这种多层性带来了价值变动的不确定性。此外，数据资产自身的规模、质量和数据融合程度等对数据资产的价值影响也很大。值得一提的是，数据资源的积累使得数据资产在使用过程中，通常不会出现资产物理损耗和价值折旧等现象。

2.低成本复制性

数据资产还有一个完全不同于企业其他资产的价值特征，数据资产可以低成本地无限复制，并在同一时间共享使用。在数据资产的生命周期中，主要成本集中在前期原始数据的收集和数据产品的开发阶段，这包括数据存储、整合、算法设计以及团队协作等多环节的投入。然而，一旦数据产品完成开发，其复制和使用的边际成本几乎降至零。这种成本结构导致了同类数据资产之间可能存在巨大的成本差异。数据资产的低成本复制特性，使得其能够被众多企业和组织重复利用，从而激发巨大的网络效应和规模化的协同效应。这不仅显著降低了社会总体成本，还创造了更多的经济利益。

3.时效性

数据资产的时效性是指数据资产的价值会随着时间而变化，具有一定的时间敏感性。大部分数据资产价值与时效性成正向关系，越新的数据资产价值越高，超过一定时效，数据资产价值将会全部消失，这对数据资产折旧和摊销提出较大挑战。但是，也存在一些特定情形，即过去的部分数据资产在被认为已失去价值后，在今后的某个年度内，因为某些因素或原因而重新变得活跃，被特定的行业或者特殊领域所需要，数据资产的价值又得以恢复，甚至急剧上升。需要强调的是，在进行数据资产价值评估时，应特别关注数据资产的时效性，考虑数据资产的产生和更新时间、法律保护期限等因素，因为它直接影响价值评估结果的准确性。

四、数据资产具有“价值、法律和安全”三个属性

（一）数据资产的价值属性

数据资产具有非常明显的经济价值和社会价值等多元价值属性^[8]。一是数据资产具有很高的经济价值。从宏观层面，数据资产协同性和融合性提供跨行业融合发展新思路。“数据＋传统产业”帮助传统产业破除行业和产业之间的壁垒，实现各行各业深度协同创新转型，构建产业生态，发现经济增长新动能。同时，数据资产催生新产业、新模式和新业态，数据资产推动战略新兴产业和未来产业为代表的颠覆性创新产业加速发展，同时推动产业分工深化向融合普惠发展。从微观层面，数据资产能给企业带来经济利益和价值增值。企业可以利用自身可用的数据资产，充分发掘数据资产多元性和融合性特征，使数据资产与企业业务深度融合，创新企业业务模式，提高企业业务经营效率，同时以海量数据资产为基础创新企业组织模式和企业经营者的思维模式，帮助企业可持续高质量发展。比如：有些企业将自身收集的数据资产处理、打包成为数据集或者数据库，向第三方出售数据集或者数据库的访问、浏览、下载或者使用权获得收入，并通过条款限制数据的转售或者二次使用。二是数据资产具有很大的社会价值。数据资产融合性致使其可以与各行各业活动相联系，间接产生社会价值，特别是在公共领域，比如教育、医疗、通信甚至是抢险救灾，可以在充分重视数据资产安全属性基础上，深度开发数据资产的社会价值属性，促进公众共享数据资产价值。比如在2021年河南郑州面临洪水自然灾害时，联通手机信号数据被应用于定位涉险人员位置，发挥了抢险救灾社会作用。

（二）数据资产的法律属性

数据资产的法律属性是一个复杂的问题。数据权利具有无实体性，不依赖于特定的物质载体，但又具有财产属性，能够产生经济利益和后果，因此数据资产的确权仍面临着较多的法律障碍。数据资产化和资本化的有序实施，亟须在数据合规、数据确权和数据交易流通等各环节进行法律研究的实质性创新。数据资产易复制、易泄露和技术依托性等特征，给数据资产的法律属性界定提出较大难度，但若不对数据资产进行法律规范，规避前期合规性风险，容易产生侵权纠纷。现有研究对数据资产的法律属性探讨，大致可分为两种观点，一是数据资产本质属于比特流（一种互联网传输协议），数据资产与数据代码、解码数字技术、可读协议和平台服务协议等密不可分，与现有法学研究中的法律客体具有一定差异且数据资产脱离平台系统不构成独立的经济价值，具有非客体性和非财产性，因此数据资产法律属性体现为数字技术平台系统秩序建立合规性和数据操作规范性，总而言之是规范人的行为。二是大部分学者认为数据资产不仅局限于比特流，而是所有可以被人或者数字技术掌握的有用信息集合，则可以作为民事行为客体，同时为驱动数据资产在经济活动中发挥积极作用，畅通数据开放共享渠道，明确数据资产财产权属性^[4]。确定数据资产的民事客体和具有财产权地位，从数据产生到开发应用经历的多个环节为数据类型划分依据，每个环节的主体对数据资产具有不同的利益需求，因此，数据资产的权属确定是平衡各方主体利益分享的关键前提，“数据二十条”也提出要根据数据来源和数据生成特征，分别界定各参与方应享有的合法权利。

（三）数据资产的安全属性

数据资产对数据安全的要求极高。数据资产的安全属性是确保数据资产在收集、存储、处理、传输和销毁过程中安全性的核心要素和要求，旨在保护数据资产免受各种安全威胁和风险，确保数据的安全性和组织的合规性。通常而言，原始数据的价值密度低，并且需要花费巨额成本进行储存和保障其安全，不能满足数据使用者的使用需求，因此原始数据需要经历质量提升、安全性提高等一系列处理过程，才能转化为价值密度更高且具有一定规模的数据资源，但是数据资源的价值仍然无法满足数据使用者对高质量数据的需求，因此数据资源需要通过数据资产化的一套完整过程，才能转化为数据资产，而这一过程需要始终维系数据资产的安全属性，即保护数据不被非授权者获取或使用，以及确保应用过程中数据连续，避免中断。数据资产中包含信息内容丰富，可能不仅包含着数据持有者的财产利益，还可能涉及个人利益和社会公共利益，即包含着部分个人隐私、商业秘密和国家安全秘密等多种受到法律保护的信息。以政府数据资产为例，政府数据资产开放需要满足不涉及国家秘密、国家安全、企业商业秘密和个人隐私等法定权益这一先决条件，通过建立政府数据禁止开放名单保证政府数据资产安全性。

五、企业数据资产面临的会计计量和资产管理难题

数据资产是企业的新型资产，可以说，数据资产的价值特征、价值规律和管理要求，明显不同于企业财务报表上的现行资产。因此，数据资产的会计计量仍然面临难题，数据资产的运营和管理更是面临各种现实挑战。

（一）对数据资产会计计量问题的探讨

从前述数据资产的典型价值特征来看，数据资产作为企业的一类新型资产，其会计计量尤其后续计量必然存在独有难题，需要深入研究和探讨。一方面，若按照无形资产摊销方式进行后续计量，也并不完全能适用于所有企业的数据资产。通常而言，随着数据资源规模的不断集聚，数据资产的价值反而可能出现明显的增值。另一方面，若按照资产减值的方式进行后续计量，也有学者提出数据资产并不需要定期在会计期末进行减值计提，可以根据数据资产的类型、性质和应用场景，来动态评估和反映数据资产的价值。

1.数据资产公允价值计量并价值重估的讨论

关于数据资产的会计计量方法。一种观点认为，对外交易型数据资产在数据资产交易市场进行交易，具备运用公允价值的市场环境，即存在较公开活跃的交易市场，应该采用公允价值计量（程小可，2023）。而内部自用型数据资产和战略发展型数据资产中属于授权数据资产的，具有市场交易渠道也应该采用公允价值计量。也有观点认为，数据资产应该采用分类分别混合计量方法。

数据资产价值受到多重因素的影响，因此企业要根据不同影响因素的出现对数据资产进行重估，并及时调整数据资产账面价值，体现会计信息的及时性和真实性。数据资产与应用场景关联性紧密，因此当数据资产改变应用场景或者数据资产应用场景发生变化时，都应该对数据资产进行价值评估。同时数据资产具有数字技术依托性，重大数字技术突破会带来数据资产价值突破，所以当企业获得新的数字技术时需要进行数据资产价值重估。同时企业为保证数据资产价值需要进行数据资产维护投入，在此过程中数据资产价值会发生变化，需要进行重估。

2.数据资产减值测试与损失计提的讨论

数据资产具有价值易变性的典型特征，随着时间的推移，数据资产价值波动性较大^[9]。一是随着数据资产体量不断积累，数据资产出现增值现象；二是数据资产业务场景变化导致数据资产价值出现剧烈波动，且波动方向与业务场景关系紧密。因此数据资产与其说进行“减值测试”，不如表述为进行数据资产的“价值测试”。同时由于数据资产来源多元化，因此不能以某一项数据资产作为价值测试的基础，而应该以数据资产集作为价值测试的基础（张俊瑞等，2020）。

（二）对数据资产运营和管理的挑战

1.数据资产的价值保护问题

由于数据资产具有低成本易复制的典型价值特征，数据资产的价值保护问题日益凸显。随着数字技术的快速发展，储存、携带和使用数据资产的技术可获得性不断提高，企业如何构建一套数据安全和数据隐私保护机制，对数据资产的有序运营和安全管理提出了新挑战。企业的数据资产在运营和管理过程中，容易出现被人为泄露、软件技术漏洞，或者被黑客攻击和病毒勒索等数据安全防护和数据泄露问题，从而导致企业数据资产发生严重的价值损失，甚至使得报表上的数据资产变得没有实际价值。因此，企业应建立专门的数据资产安全管理部门，制定完善的数据资产安全管理制度，确保数据资产的安全与高效利用。

2.数据资产的价值挖掘问题

价值挖掘是企业开展数据资产管理的关键环节，但同时也面临一系列难题。数据的采集、清洗和加工，数据资源应用场景的构建，尤其数据资产潜在价值的挖掘，需要企业持续加大数字技术方面的资金投入，并投入大量的技术资源和人才资源，这对于大部分传统制造业企业而言，在数据资产的运营和管理上就会面临诸多现实挑战。同时，随着数据规模的指数级增长和数据类型的不断丰富，不同结构的数据，无法同时进行处理分析，且数据量越大，对数据资源的价值挖掘水平要求越高，进一步提高了企业数据资产的价值管理难度。值得重视的是，数据资产的价值不是固定不变，而是动态变化的，企业需要在数据资产价值挖掘方面进行长期规划，并持续关注和分析数据资产的多种应用场景，充分挖掘和释放数据资产的潜在价值。●

【参考文献】