数据资产价值计算研究与实践

doi:10.12267/j.issn.2096-5931.2022.2.005

摘要/Abstract

摘要：

基于传统的资产评估的方法,充分考虑数据资产的可共享等特性,将数据质量、数据应用效果等属性作为影响因子,提出适用于数据资产的货币化价值计算方法,并以光大银行的数据资产为计算对象,实现数据资产的价值计算。

Abstract:

Based on the traditional method of asset evaluation, this paper fully consider shareable and other characteristics of data assets, takes the attributes of data quality and data application effect as the influencing factors, and proposes the monetization value calculation method applicable to data assets. And taking the data assets of EverBright Bank as the calculation object, it realized data asset value calculation.

Key words: data assets, valuation, data elements

中图分类号:

TP309.2

黄登玺, 潘学芳. 数据资产价值计算研究与实践[J]. 信息通信技术与政策, 2022, 48(2): 29-36.

HUANG Dengxi, PAN Xuefang. Research and practice of data asset value calculation[J]. Information and Communications Technology and Policy, 2022, 48(2): 29-36.

导出引用管理器 EndNote|Ris|BibTeX

链接本文:

http://ictp.caict.ac.cn/CN/10.12267/j.issn.2096-5931.2022.2.005

http://ictp.caict.ac.cn/CN/Y2022/V48/I2/29

图/表 9

表1 货币度量方法对比表

	核心思路	优势	劣势	总体打分
成本法	通过重新制造数据资产的成本加上合理利润并减去贬值,得到数据价值	数据指标相对客观且便于财务管理;能衡量数据资产建设的成本	无法体现数据资产可以产生的收益,不符合数据资产能够增值的特征	客观性★★★ 易用性★★ 价值性★
收益法	估计未来数据资产产生的业务收益,并考虑资金的时间价值,将各期收益加总获得数据价值	能比较准确地反映数据资产的价值,体现数据盈利能力	收益额较难准确预测,会受到主观判断影响	客观性★ 易用性★ 价值性★★★
市场法	根据市场已有数据交易价格,以数据特征的差异作为修正评估数据价值	能够反映资产目前的市场情况,较为客观,在数据交易中更容易被交易双方接受	评估可行性受可比交易可获得性影响,即市场上需要有可见的可比交易,对市场要求严格	客观性★★ 易用性★★ 价值性★★★ (仅在有市场时)
WVI 模型	从避免由于企业数据质量低下导致业务绩效差或者产生负债的角度,对数据的价值进行反向论述	模型充分考虑了数据机会成本,反向论证了因数据资产对于企业的重要性与价值	部分评估因素易受主观判断影响;对数据价值的反向论证思路,需要与其他方法相结合使用	客观性★ 易用性★ 价值性★★
RVI 模型	强调某些数据的缺失可能尚未对其造成实质性损失,而只是对其业务造成了潜在的业务风险和负面影响	强调了现代企业运营中对于数据风险的重视,对可预见风险进行相关损失的量化评估,帮助企业规避潜在风险	风险因素的判断易受主观判断影响,不同评估方法对于风险的量化方式会出现较大差异,从而影响模型结果	客观性★ 易用性★ 价值性★★

表1 货币度量方法对比表

	核心思路	优势	劣势	总体打分
成本法	通过重新制造数据资产的成本加上合理利润并减去贬值,得到数据价值	数据指标相对客观且便于财务管理;能衡量数据资产建设的成本	无法体现数据资产可以产生的收益,不符合数据资产能够增值的特征	客观性★★★ 易用性★★ 价值性★
收益法	估计未来数据资产产生的业务收益,并考虑资金的时间价值,将各期收益加总获得数据价值	能比较准确地反映数据资产的价值,体现数据盈利能力	收益额较难准确预测,会受到主观判断影响	客观性★ 易用性★ 价值性★★★
市场法	根据市场已有数据交易价格,以数据特征的差异作为修正评估数据价值	能够反映资产目前的市场情况,较为客观,在数据交易中更容易被交易双方接受	评估可行性受可比交易可获得性影响,即市场上需要有可见的可比交易,对市场要求严格	客观性★★ 易用性★★ 价值性★★★ (仅在有市场时)
WVI 模型	从避免由于企业数据质量低下导致业务绩效差或者产生负债的角度,对数据的价值进行反向论述	模型充分考虑了数据机会成本,反向论证了因数据资产对于企业的重要性与价值	部分评估因素易受主观判断影响;对数据价值的反向论证思路,需要与其他方法相结合使用	客观性★ 易用性★ 价值性★★
RVI 模型	强调某些数据的缺失可能尚未对其造成实质性损失,而只是对其业务造成了潜在的业务风险和负面影响	强调了现代企业运营中对于数据风险的重视,对可预见风险进行相关损失的量化评估,帮助企业规避潜在风险	风险因素的判断易受主观判断影响,不同评估方法对于风险的量化方式会出现较大差异,从而影响模型结果	客观性★ 易用性★ 价值性★★

图1 数据资产估值核心方案

图2 数据资产分类框架

表2 数据资产估值对象估值方法对应表

数据分类		优化成本法	优化收益法	优化市场法
应用类数据资产	收益提升类	N/A	√	√
应用类数据资产	统计支持类	√	N/A	√
过程类数据资产	过程类	√	N/A	√
原始类数据资产	外部获取类	√	N/A	√
原始类数据资产	内部采集类	√	N/A	√

表3 成本法原始类内部采集数据资产历史成本计算样例

总指标	一级指标	二级指标	具体指标	取值/万元
原始类内部采集数据资产历史成本	数据获取历史成本	采集人员成本	N/A	40 000
		采集终端设备成本	N/A	20 000
		采集系统成本	采集系统行外投入成本	80 000
		采集系统成本	采集系统行内投入成本	20 000
	数据管理历史成本	内部采集类数据管理人员成本	N/A	2 000
		内部采集类数据管理系统成本	N/A	800
总计				122 800

表4 2020—2013年重置系数统计表

统计周期/年	历年物价增长率	物价重置指数	IT行业人员工资平均增长率	人力重置指数
2020	102.42%	1.00	121.55%	1.00
2019	102.90%	1.02	119.36%	1.21
2018	102.07%	1.05	117.03%	1.45
2017	101.59%	1.08	115.87%	1.70
2016	102.00%	1.09	113.91%	1.97
2015	101.44%	1.11	110.66%	2.24
2014	101.92%	1.13	109.37%	2.48
2013		1.15		2.71

表5 成本法采集人员重置成本计算样例

统计周期/年	采集人员历史成本/万元	人力重置系数	采集人员重置成本/万元
2020	7 320	1.00	7 320.000
2019	6 640	1.21	8 070.920
2018	5 520	1.45	6 588.672
2017	4 880	1.70	5 711.064
2016	4 680	1.97	5 422.716
2015	4 120	2.24	4 693.092
2014	3 800	2.48	4 205.080
2013	3 040	2.71	3 324.848
总计	40 000	1.00	45 336.392

表6 成本法利润调节系数计算实例

指标维度	维度权重	指标名称	指标权重	指标取值
数据质量	0.49	数据质量管理评分	1.00	1.170
数据应用	0.29	多维性	0.26	0.950
		规模性	0.43	0.990
		可用性	0.31	0.900
数据风险	0.15	风险评分	1.00	1.200
市场维度	0.07	稀缺性	1.00	0.800
总计				1.085

表7 模型应用前后指标数据明细

收益周期	$OL 1 n *$	P1_loss	$OL 2 n *$	P2_loss	f1^*	f2^*	ΔR	ir	Tax	C^*	i	Q	D
历史数据起始时间点
n=-8	37 400	15%			5 610		3%	2%	25%
n=-7	41 500	15%			6 225		3%	2%	25%
n=-6	45 000	15%			6 750		3%	2%	25%
n=-5	51 000	15%			7 650		3%	2%	25%
模型投产后
n=-4	53 000	15%	53 000	10%	7 950	5 300	3%	2%	25%	0.5
n=-3	58 000	15%	57 000	10%	8 700	5 700	3%	2%	25%	0.1
n=-2	62 000	15%	61 000	10%	9 300	6 100	3%	2%	25%	0.1
n=-1	66 100	15%	65 000	10%	9 915	6 500	3%	2%	25%	0.1
估值开始时间点
n=1	70 200	15%	69 000	10%	10 530	6 900	3%	2%	25%	0.1	10%	98%	100%
n=2	74 300	15%	73 000	10%	11 145	7 300	3%	2%	25%	0.1	10%	98%	100%
n=3	78 400	15%	77 000	10%	11 760	7 700	3%	2%	25%	0.1	10%	98%	100%
n=4	82 500	15%	81 000	10%	12 375	8 100	3%	2%	25%	0.1	10%	98%	100%
n=5	86 600	15%	85 000	10%	12 990	8 500	3%	2%	25%	0.1	10%	98%	100%
n=6	90 700	15%	89 000	10%	13 605	8 900	3%	2%	25%	0.1	10%	98%	98%
n=7	94 800	15%	93 000	10%	14 220	9 300	3%	2%	25%	0.1	10%	98%	88%
n=8	98 900	15%	97 000	10%	14 835	9 700	3%	2%	25%	0.1	10%	98%	88%

表7 模型应用前后指标数据明细

收益周期	$OL 1 n *$	P1_loss	$OL 2 n *$	P2_loss	f1^*	f2^*	ΔR	ir	Tax	C^*	i	Q	D
历史数据起始时间点
n=-8	37 400	15%			5 610		3%	2%	25%
n=-7	41 500	15%			6 225		3%	2%	25%
n=-6	45 000	15%			6 750		3%	2%	25%
n=-5	51 000	15%			7 650		3%	2%	25%
模型投产后
n=-4	53 000	15%	53 000	10%	7 950	5 300	3%	2%	25%	0.5
n=-3	58 000	15%	57 000	10%	8 700	5 700	3%	2%	25%	0.1
n=-2	62 000	15%	61 000	10%	9 300	6 100	3%	2%	25%	0.1
n=-1	66 100	15%	65 000	10%	9 915	6 500	3%	2%	25%	0.1
估值开始时间点
n=1	70 200	15%	69 000	10%	10 530	6 900	3%	2%	25%	0.1	10%	98%	100%
n=2	74 300	15%	73 000	10%	11 145	7 300	3%	2%	25%	0.1	10%	98%	100%
n=3	78 400	15%	77 000	10%	11 760	7 700	3%	2%	25%	0.1	10%	98%	100%
n=4	82 500	15%	81 000	10%	12 375	8 100	3%	2%	25%	0.1	10%	98%	100%
n=5	86 600	15%	85 000	10%	12 990	8 500	3%	2%	25%	0.1	10%	98%	100%
n=6	90 700	15%	89 000	10%	13 605	8 900	3%	2%	25%	0.1	10%	98%	98%
n=7	94 800	15%	93 000	10%	14 220	9 300	3%	2%	25%	0.1	10%	98%	88%
n=8	98 900	15%	97 000	10%	14 835	9 700	3%	2%	25%	0.1	10%	98%	88%

参考文献 12

[1]	国务院. 关于构建更加完善的要素市场化配置体制机制的意见[Z], 2020.
[2]	中华人民共和国财政部. 企业会计准则-基本准则〔2006〕33号[Z], 2006.
[3]	中华人民共和国财政部. 企业会计准则第6号-无形资产〔2006〕3号[Z], 2006.
[4]	中华人民共和国财政部. 资产评估基本准则〔2017〕43号[Z], 2017.
[5]	高昂, 刘颖, 程越, 等. 电子商务数据资产评价指标体系[S]. 北京: 中国标准出版社, 2019.
[6]	唐斯斯, 刘叶婷. 我国大数据交易的发展现状、面临困难及政策建议[R]. 2018.
[7]	中国信息通信研究院. 中国数字经济发展与就业白皮书[R], 2019.
[8]	中国资产评估协会. 资产评估专家指引第9号数据资产评估〔2019〕40号[Z], 2019.
[9]	陈守忠. 无形资产评估方法探讨[J]. 中央财经大学学报, 2004(8):77-80.
[10]	张志刚, 杨栋枢, 吴红侠. 数据资产价值评估模型研究与应用[J]. 现代电子技术, 2015, 38(20):44-47+51.
[11]	庄子银. 数据的经济价值及其合理参与分配的建议[J]. 国家治理, 2020(16):41-45.
[12]	Alan D Duncan, Lydia Clougherty Jones. Applied infonomics: how to measure the net value of your information assets[J]. Gartner Research, 2020.

[1]	凌超. “数据信托”探析:基于数据治理与数据资产化的双重视角[J]. 信息通信技术与政策, 2022, 48(2): 22-28.
[2]	肖文彬, 李雨霏, 张湛梅. 基于DataOps的运营商大数据平台探索[J]. 信息通信技术与政策, 2022, 48(2): 55-60.
[3]	符山, 邓正保, 于鹏. 论数据质量的“真实性”与相关融合计算策略[J]. 信息通信技术与政策, 2022, 48(2): 8-15.
[4]	鲁泽霖, 陈岩. 数据要素市场化的理论内涵、现实挑战和实践路径[J]. 信息通信技术与政策, 2022, 48(1): 11-18.
[5]	施羽暇. 培育数据要素市场的现状、问题与建议[J]. 信息通信技术与政策, 2022, 48(1): 19-23.
[6]	陈书晴, 任昊翔, 陶思佳, 洪涛, 孙克, 马涛. 数据要素与多元市场主体融合机制研究*[J]. 信息通信技术与政策, 2022, 48(1): 2-10.
[7]	孙克. 数据要素价值化发展的问题与思考[J]. 信息通信技术与政策, 2021, 47(6): 63-67.
[8]	何伟. 我国数字经济发展综述[J]. 信息通信技术与政策, 2021, 47(2): 1-7.
[9]	何伟. 激发数据要素价值的机制、问题和对策[J]. 信息通信技术与政策, 2020, 46(6): 4-7.
[10]	刘迎. 全球工业数据空间最新进展及对我国的启示[J]. 信息通信技术与政策, 2020, 46(6): 51-54.
[11]	李铮, 刘迎. 开放共享发展理念下的工业数据治理体系建设[J]. 信息通信技术与政策, 2020, 46(4): 15-17.
[12]	方元欣, 郭骁然. 数据要素价值评估方法研究[J]. 信息通信技术与政策, 2020, 46(12): 46-51.
[13]	王晶. 美国政府数据开放政策最新进展及启示[J]. 信息通信技术与政策, 2019, 45(9): 35-38.