《中国金融》｜商业银行数据资源入表思路

数据是五大生产要素之一。商业银行既是数据的使用者也是数据的生产者。随着互联网、大数据、云计算等技术的广泛应用，商业银行正在经历数字化转型，交易和服务加速线上化、平台化和场景化，对数据的投入也快速增加，形成海量数据资源。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》（以下简称《暂行规定》），明确了数据资源的确认范围和会计处理适用准则。商业银行作为采集、存储和应用大量数据的主体，如何对数据资源进行系统归类和管理、实现数据资源入表是当前面临的关键难题。

在实务中，“数据资源”概念极易与“数据资产”概念产生混淆。数据资产是一个会计学概念，满足“可控制”“可计量”“预期经济利益流入”等资产属性的数据资源才可以作为资产计入报表。针对“可控制”条件，我国目前尚未从立法层面对数据确权作出详细规定，《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》提出建立数据资源持有权、数据加工使用权和数据产品经营权“三权分置”的数据产权制度框架，暂时搁置了数据确权争议。实务中一般认为具有加工使用权即意味着“可控制”该数据资源。针对“可计量”条件，《暂行规定》明确以成本法计量数据资源，对相关成本的归集管理提出了一定要求。针对“预期经济利益流入”条件，会计上认为需满足经济利益流入的可能性大于50%，实务中在确认资产时一般以业务价值论证替代经济利益流入的量化论证。

财政部发布的《暂行规定》使用了“数据资源”而非“数据资产”这一概念，一方面鼓励企业将满足会计资产确认条件的数据资源计入资产负债表；另一方面也鼓励企业在财务报告中披露不满足资产确认条件但对企业经营具有重大影响、预期会为企业带来经济利益的数据资源。

从业务视角来看，数据资源可按照面向业务类场景、面向中后台管理类场景、面向监管类场景、面向基础数据治理类场景分为四类。其中，面向业务类场景数据主要用于对外赋能，通过“数据的业务化”(增加业务收入或减少业务损失两种方式)直接创造价值；其他三类数据主要通过“业务的数据化”，以提高运营效率、降低成本、满足监管合规要求等方式间接创造价值。

从数据加工流程视角来看，银行的数据资源可分为基础数据、过程数据、应用类数据及用于管理以上数据的数据规范。应用类数据资源通常由基础数据加工而得，经过模型和算法进行数据分析，可直接应用于业务场景。典型的应用类数据资源涉及手机银行产品推荐、电信诈骗转账场景监测、反洗钱可疑交易识别等领域。

• 确认最终的应用类数据资源，并通过“血缘”关系追溯确认成本

“预期会给企业带来经济利益”是会计上确认资产的必要条件。数据在经过模型算法开发后，依赖特定的使用场景才能产生经济价值。数据资源入表的第一种思路是从数据加工流程视角出发，仅确认达到预定使用状态、可直接应用于具体场景的应用类数据，基础数据、过程数据开发相关支出均作为应用类数据开发成本，而不作为无形资产单独确认。

对于内部产生的数据资源，根据无形资产准则要求，需区分研究阶段和开发阶段。研究阶段产生的支出直接费用化，开发阶段产生的支出计入资产过渡性科目“开发支出”中，待数据资源达到预计使用状态时结转至“无形资产——数据资源”科目中。对于外购数据资源，若不经加工可直接应用于业务组件，且满足无形资产的其他确认条件，可直接计入“无形资产——数据资源”科目；若无法直接使用，需根据未来使用场景进行二次判断，用于研发应用类数据资源的外购数据计入“开发支出”科目，其他外购数据成本直接费用化。

以此思路确认数据资源可以体现数据的流转和使用状态，但对银行数据治理能力的要求高。一方面，需要对数据资源进行全面盘点，根据使用场景判断哪些类别的数据属于应用类数据；另一方面，需要对数据资源进行全生命周期管理，建立数据资源台账，录入数据资源卡片，通过血缘分析的方法对数据资源成本进行计量和摊销。

• 分别确认内部研发和外购数据资源，内部研发数据资源入表遵循集团资本化管理办法

数据资源入表的第二种思路是从数据来源视角出发，对内部研发和外部购买的数据资源分别确认，不对数据资源加工所处的技术阶段进行具体区分。

对于集团型企业而言，内部研发支出是否可计入资本化支出、最终结转为无形资产，需遵循集团资本化管理办法。从现有银行同业调研情况来看，银行归集研发支出多数采用项目制的方式，将部分研发项目开发阶段的相关人工、外协费用计入资本化支出。遵循以上思路，可将项目分为数据资源类项目和非数据资源类项目，在开发阶段，数据资源类项目相关成本最终全部转入“无形资产——数据资源”科目；对于非数据资源类项目，区分其数据模块成本和非数据模块成本，在最终达到预定使用状态时分别结转至无形资产下的不同明细科目。

对于外购数据资源，由于在发生购买行为时便经过了业务价值和合规性论证，并支付了相关对价，外购数据资源天然就具有一定的资产属性。由于无形资产在会计准则中被划分为非货币性长期资产，在购入数据资源时需判断该资源预计使用年限是否超过一年，不超过一年的数据资源应予以费用化。

以此思路确认数据资源在管理上较为简单，但仅适用于已实施或计划实施研发支出资本化政策的银行。另外，多数银行在确定资本化范围时有项目规模限制，例如，有的银行规定仅年度重点项目相关费用可以计入资本化范围；有的银行规定计入资本化范围的项目需超过一定工作量。如果延续现行研发支出资本化管理办法，将导致支出较少的日常数据资源开发项目无法被纳入资本化范围。

• 按照“表外披露观”思路，新增“第四张表”披露数据资源

由于数据资源的经济价值受到数据规模、应用技术、数据风险等多维因素影响，在现行会计制度下，仅通过财务报表提供的财务信息难以全面展现银行的数字金融运营逻辑。一些学者建议在已有的财务报告中引入传统资产负债表、利润表、现金流量表之外的“第四张表”，披露数据资源规模、使用年限、数据潜力、数据规范性、数据价值等内容。

具体来说，《暂行规定》要求数据资源以历史成本法入账，但数据资源的成本与价值先天具有弱对应性且成本具有不完整性，以成本法入账无法反映数据资源的实际价值。此外，平台化、生态化已成为银行数字化经营的发展趋势，未来将有更多数据通过合作方式取得，此部分数据难以计量成本，无法反映在报表中。若想提高财务报告的决策相关性和有用性，银行需在传统三张报表外增加更多自愿性的披露内容。

对投资者等财务报表使用者而言，披露更多数据资源信息可以体现数字化经营的业务逻辑，提升投资者的决策效率，帮助银行进行市值管理。对监管者而言，披露更多数据资源信息可以为监管部门完善数据治理体系提供信息支撑。

银行可根据自身数据资源情况和监管合规、市值管理等需求，综合考虑同业数据资源信息披露总体情况和信息披露的成本收益，从不同分类标准角度着手，对数据资源进行盘点，建立数据资源的多维分类矩阵，对外披露银行拥有的数据资源总体情况。对于价值较高、预计未来会对银行经营产生重要影响的数据资源，可具体披露其业务场景、应用场景、价值实现方式、当前数据加工阶段、原始数据来源及权利限制等情况，帮助财务报表使用者更好地对银行经营情况作出判断。

数据资源的表外披露与前两种表内确认思路并不矛盾，财政部在《暂行规定》中也明确鼓励“企业根据实际情况，自愿披露数据资源（含未作为无形资产或存货确认的数据资源）”。

• 对财务报表的影响

从报表角度分析，在数据资源入表正式实施后，与购买、开发数据资源相关的支出原本作为费用列支，现调整作为无形资产入账。从调整当期来看，利润表中费用减少、利润增加，在期末结转时，利润将影响所有者权益中“未分配利润”科目，资产负债表中的资产与所有者权益同时增加。

从长期来看，银行购买、开发数据资源是一种持续性行为，在报表中体现为摊销金额的滚动递延，即当期发生的支出在未来几年内摊销，当期产生的费用为使用数据资源应承担的摊销金额。在不考虑所得税影响的情况下，二者的差值即为对当期利润金额的影响。近年来，银行与购买、开发数据资源相关的支出整体呈增长态势，会导致利润的小额增长，但对报表总体金额的影响不大。

• 对税收的影响

从税收角度，数据资源无形资产的购入、摊销和处置均可能造成一定的税会差异，对银行的纳税金额产生影响，其中涉及金额最大的应属研发费用加计扣除对企业所得税带来的影响。

银行自行开发的数据资源有一部分原本作为费用列支，《暂行规定》实施后计入研发费用相关科目。根据财政部、税务总局2023年3月发布的《关于进一步完善研发费用税前加计扣除政策的公告》，“研发费用未形成无形资产的，可按照100%加计扣除；形成无形资产的，按照无形资产成本的200%税前摊销”。如果与研发数据资源相关的费用在税务层面可适用于该项优惠，将会对银行产生一定的节税效应，提升银行净利润。

在实际政策执行层面，国家税务总局、科学技术部于2023年7月发布了《研发费用加计扣除政策执行指引（2.0）版》，明确“作为研发项目必不可少的组成部分的数据收集属于研发活动”，可获得加计扣除优惠，其他数据收集费用不适用。一些地方政府出台的文件，如上海市《立足数字经济新赛道推动数据要素产业创新发展行动方案（2023—2025年）》，特别提及“支持各类主体通过上海数据交易所采购数据产品，符合条件的可按照规定享受研发费用税收加计扣除政策”。关于数据资源相关研发项目的优惠适用性，应密切关注地方实践，与税务机关保持必要沟通。

• 对财务报告使用者的影响

财务报告的主要目标之一是为会计信息使用者提供对决策有用的信息。单从报表来看，数据资源的账面价值反映的是购买和研发数据资源相关的历史成本，与公允价值之间关系不大。且由于管理模式的差异，各家银行研发支出资本化比例差异较大，可入表的数据资源范围并不相同，会计信息的可比性较差。报表金额变化本身不会对外部投资者的投资偏好带来过多影响。

然而，随着数据被确认为第五大生产要素和数据要素市场的不断健全，监管部门和投资者都将更加关注数据资源的使用场景和经营逻辑。将数据资源计入报表更多体现的是银行为监管合规和数字经济发展所做的努力。除会计科目和报表金额的变动外，银行可根据市值管理需要，在报告中披露更多数据资源相关盘点信息、价值信息，体现当前数据资源持有、使用情况和未来业务数字化经营逻辑，提高财务报告的决策相关性和价值相关性。

• 对数据治理的影响

数据资源入表会考验企业的数据治理水平，对数据治理形成倒逼压力。入表对数据治理的挑战主要体现在四个方面。一是数据资源成本归集要求数据管理部门对现有数据、数据的使用场景和应用功能进行全面梳理，提高“血缘”分析能力，找出数据资源加工不同环节对应的成本勾稽关系。二是数据资源价值评估涉及数据的质量评估、不同使用场景的收益或业务价值预测。三是数据资源信息披露涉及合规与确权问题，需要重新梳理外购合同和数据采集面客文本，保证法律和监管层面合法合规性。四是数据资源入表制度实施涉及银行内部数据管理部门、金融科技部门、法律部门、财会部门和各业务部门的职责分配和沟通协调。

数据资源入表对数据治理方面的考验远大于对财会方面的考验。从财会角度，入表的功能是可以为财报使用者提供决策相关信息；从数据治理角度，入表的功能在于对银行数据治理能力形成倒逼压力，需要加强数据管理部门对数据资源的开发管理和业务部门对数据资源的充分利用，使数据在银行日常经营管理和业务活动中发挥更大作用。

• 对业务的影响

数据资源入表可以促使银行管理层更加注重表上数据资源的积累，使数据要素在生产函数中发挥更大作用，推动业务和服务的转型和创新，更好地服务于数字经济的发展。具体来说，数据资源入表对业务的影响主要体现在四个方面。

一是提升数据分析能力。传统的公司金融业务是依据企业提供的信息，凭借企业主体信用提供信贷。随着数据要素市场的不断完善，银行将更重视大数据尤其是工业大数据的收集和分析，更准确地识别客户需求，并依据大数据生成的数字信用提供信贷。二是促进风险管理的革新。银行业务的核心之一是风险控制。数据的利用使银行能够实现更精准的风险评估和管理，及时发现异常交易行为，有效预防欺诈和洗钱等活动。三是推动产品和服务的创新。银行可以基于数据挖掘客户的潜在需求，开发定制化金融产品，借助智能客服等数字化工具优化客户体验。四是提升经营活动效率。人工智能等大模型可以用于自动化客户服务、信贷审批等环节，释放人力资源从事更高价值的工作，提升银行的经营效率。■

 （责任编辑　贾瑛瑛）