需求强、实操难！数据资产如何“入表”？

2024年1月1日起，财政部会计司2023年8月1日发布的《企业数据资源相关会计处理暂行规定》（以下简称《暂行规定》）正式施行，为我国数据资源的会计处理提供了明确的指导原则。《暂行规定》以数据资产计入财务报表为起点，数据价值将通过数据创新应用、数据流通交易等方式，有效助力企业可持续发展。

我国在数据资产“入表”领域正式进入实际操作阶段已有近半年时间。什么样的数据属于数据资产？如何测算以及面临的问题有哪些？当前数据资产“入表”在理论界和实践中的进展如何？遭遇到哪些困境？如何应对？

成本法测算数据资产是主流

与日益紧迫的政府政策需求和企业实践需求相比，对于企业数据资产核算和如何“入表”，理论界的相关研究还相对滞后，尚处于理论研究的探索阶段。

数据资产核算，首先需要清楚什么是数据。2023年，联合国统计委员会秘书处间国民账户工作组（ISWGNA）基于国民经济核算原则给出了有关数据的具体定义，即“通过获取和观察现象而产生的信息内容；并以数字格式记录、组织和存储来自这些现象的信息元素，从而在生产活动中使用时提供经济效益”。根据该定义，数据可概括为三个主要特征：以数字格式记录、生产活动中使用、提供经济效益三个特征。

并非所有数据都属于数据资产，那么哪些数据可以确认为数据资产？中央财经大学统计与数学学院助理教授雷泽坤向中国工业报表示，借鉴国民账户体系（SNA）中对资产的定义原则，纳入资产范围的数据至少应满足所有权明确和收益性这两个基本属性，一般在生产过程中使用一年以上的数据才能被视作资产进行资产化核算，在生产过程中使用年限不足一年的数据一般作为中间消耗处理。

如何对数据资产进行核算？由于资产在国民经济核算体系中是一个存量概念，因此，数据资产核算一般分为两步：数据产出价值核算和数据资本存量核算。

统计学者许宪春团队告诉中国工业报，目前学术界和实际工作部门尚未形成成熟的数据产出价值测度方法。因数据资产在形态上与无形资产较为相似，主要借鉴无形资产的价值评估方法，包括市场法、净现值法和成本法。

其中，市场法要求产品市场上有足够的数据交易类型和模式以获取目标数据可比指标、技术参数等信息，当前仅能反映少数外购型数据的交易情形，并不适用于绝大多数自用型数据。净现值法通过测算数据未来可能产生的潜在收入，估算数据的现有价值，但由于数据用途多样，使用期限、潜在经济收益具有极大不确定性，难于在实践中应用。成本法是将数据资产生产过程中的所有投入成本之和作为数据产出价值，具有客观性、较强的可操作性，是现有条件下最可行的数据价值核算方法。

目前，国民账户秘书处间工作组、美国经济分析局、加拿大统计局、中国信息通信研究院等均建议采用成本法测算数据产出价值。

“对于数据资本存量核算，永续盘存法是国际上测量生产性资本存量的通用方法，有关研究与开发计算机软件等知识产权产品资本存量测算均以永续盘存法为主。既有研究主要基于永续盘存法估算数据资本存量。”雷泽坤说，“永续盘存法估算数据资本存量的前提条件是确定数据资产的使用寿命、折旧模式、初始数据资本存量以及数据资本形成总额价格指数等。由于针对数据资产核算的研究尚未成熟，确定上述指标面临很大挑战。”

数据资产核算面临三大困境

在雷泽坤看来，数据资产核算面临的困境主要包括三个方面。

一是数据具有不同于其他货物和服务的独特特征，给数据产出价值核算带来诸多困难。数据既具有非竞争性、非消耗性等知识产权产品的特征，也具有诸如时效性、价值融合增值、价值与其应用场景有关、非货币交易模式等特有属性。如数据的融合增值特征，单一或少量数据的价值往往很有限，但通过数据的融合，可以从中挖掘更多的有效信息。在金融领域，企业可以将财务数据与客户信用数据、经济数据等进行融合分析，从而获得更准确的风险评估和投资策略。数据价值与其应用场景有关，同样的数据在不同应用场景中获取的价值不同，这给数据的定价带来障碍。数据的这些特有属性，使得既有方法很难适用于数据产出价值的核算。

二是基于国民经济核算体系的数据资产核算基础数据不足。尽管成本法是当前核算数据产出价值相对最可行的方法，目前仍需要基于大量估算展开。

三是数据资产的估价问题。当前，数据资本存量核算主要采用永续盘存法进行测算。但不同于厂房、机器设备等固定资产，数据的价值不一定会随着使用而自然地衰减。在一些应用场景中，数据的使用过程中还可能会产生新的数据，使用的次数越多，数据的体量越大。如百度地图利用AI算法能力，从万千车辆运行轨迹的大数据中提炼出有效信息进行分析，用户数据越庞大，算法越精准。这给利用永续盘存法测算数据资本存量价值时确定折旧率带来挑战。

数据资产“入表”有四大挑战

尽管国内外会计准则在数据资产“入表”方面已经开展了一系列前瞻性探索，但由于数据资产自身的特殊性以及数据要素市场发展处于初期阶段，数据资产“入表”准则的推进还面临一系列障碍。

天津财经大学金融学院教授、博士生导师李向前团队总结认为，数据资产“入表”面临的障碍主要包括：一是数据权利类型多样，权属问题复杂，以拥有或者控制作为“入表”前提面临挑战；二是数据要素市场化处于发展初期，数据资产应用和交易基础尚不成熟，价值难以计量；三是数据资产的分类及“入表”科目仍缺乏科学、可行的完备方案；四是数据合规将成为数据资产“入表”需要破解的难题和当下企业的紧迫任务。

《暂行规定》对于自愿信息披露也有相应的要求，包括企业对数据资源的加工维护和安全保护情况，数据资源转让、许可或应用所涉及的地域、领域及法律法规限制，以及投融资活动中数据资产的合规尽职调查问题等，都需要在财务报表中披露。

数据资产“入表”的“双面性”

数据资产“入表”将提高企业管理层对数据确权、数据治理、数据应用和价值的关注，进一步增强数据要素对我国经济发展的推动力。北京交通大学经济管理学院副教授、会计系主任张姗姗肯定了数据资产“入表”的正面经济效益。

但另一方面，张姗姗表示，也应谨慎防范数据资产“入表”可能带来的附加后果甚至是负面后果。

首先，若是数据资产的会计确认标准放得过低，后续计量估值过高，减值不及时和不可靠，则会导致报表上资产的“泡沫化”。此外，某些业务模式（例如降本增效模式）下的数据资产价值强烈依赖于企业的持续经营。当企业处于财务困境时，这些数据资产可能偿债能力较低——这进一步加剧了资产泡沫化后果的严重性。

其次，数据资产“入表”后，企业的举债能力可能会增强。而数据资产能否“入表”的重要影响因素是企业是否有足够的数据治理基础。这意味着，数据治理能力较强的企业可能“入表”更多的数据资产，举债能力增幅更大。因此，数据资产“入表”还可能在一定程度上改变资本市场的资源分配。

据此，张姗姗建议，未来在制定数据资源相关会计准则时，应明确企业在数据资产“入表”时有清晰的业务模式，且有客观证据表明该业务模式存在、可行、有效。

“客观证据的要求有四个方面好处：一是可避免以管理层意图或计划作为数据资源确认‘入表’的标准；二是可以为相关经济利益很可能流入企业提供较高程度的保证；三是可以提高数据资产的可验证性，有利于审计师为数据资产提供鉴证服务，确保会计信息质量；四是能够在一定程度上解决数据资产的可靠计量瑕疵，有助于明确数据资产和自创品牌等其他未‘入表’资产之间的差异，提高会计准则体系的内在一致性。”张珊珊表示，如若这样进行准则设计，则需尽快明确可充当客观证据的原始凭证，例如业务模式的历史运行记录等。

数据资产“入表”应先试点

“应多角度限制企业将数据资产分类为使用寿命不确定的无形资产。”张姗姗指出，使用寿命不确定的无形资产不要求摊销，只需每年进行减值测试，常被批判相关会计信息不及时、不可靠。而来自我国实务界的探讨表明，企业已经准备好将部分数据资产分类为使用寿命不确定的无形资产。

张姗姗建议，只有当满足如下三个条件时，才能将数据资产作此分类：一是数据资产的价值不随时间减损。此项条件要求数据不具有实时性，数据变陈旧不影响其使用价值。二是数据在赚取经济利益时无需任何消耗，即零成本正收益。此时，无需分摊一部分费用与当期收入相配比。三是数据不需要高额的更新和维护费用。如果不满足这项条件，则企业仍需每年确认一部分摊销费用，以留足重置成本。

考虑到《暂行规定》对于全面推进数据资产“入表”的局限性，李向前团队认为，应在此基础上进一步深化试点探索，形成更有价值的试点经验，推动数据资产“入表”在各领域的有效实施。

首先，选择有效的试点领域。选择价值潜力明显且应用相对成熟的数据要素行业领域进行试点，以便取得实际成效。在确定试点数据范围时，需要考虑数据的实时性、准确性、可靠性、有效性和安全性等。

其次，建立“点线面”结合的试点体系。推进企业层面、行业层面和地区层面有计划开展数据资产“入表”试点工作，探索形成成熟的工作模式，以及可落地可推广的经验做法。

再次，对企业数据资产“入表”和核算情况进行持续跟踪，通过监测和反馈机制，及时发现问题并加以改进，不断提高数据资产“入表”试点的效果和价值。

最后，强化试点成果的推广应用。全面论证试点成果的可行性和效果并进行评估，提供培训和支持，帮助相关方熟悉、理解数据资产“入表”的方式和步骤，解决操作过程中遇到的问题。同时，不断收集各方的反馈意见和实际诉求，完善规则和标准体系，推动政策完善及优化。