在数据资产交易逐渐成为社会各界关注重点的当下，设计和构建科学的数据资产估值体系，对厘清数据资产属性、制定统一的定价机制、促进数据市场健康发展具有至关重要的意义。

本文摘自普华永道近日发布的《数据资产化前瞻性研究白皮书》，将围绕数据资产的特性及发展阶段，展开关于数据资产估值框架的讨论。对社会而言，数据资产估值研究为数据资产交易统一定价模式提供了指导性框架体系及参考，促进构建流通的数据要素市场，提升社会各界对数据资产的认知，引导蓄势待发的数据交易市场正向发展。对企业而言，推进数据资产估值能够有效提升企业各业务线的运营效率和管理能力，定期的估值工作可以有效地协助管理层分析数据资产价值与企业价值的高度相关性，从而发掘高价值密度的数据，制定或修正业务发展目标及战略。此外，具有准确量化价值的数据资产可有效解决企业各部门在绩效理解、数字化运营等方面的沟通障碍，减少企业沟通成本，提高运营效率，推动企业整体朝着健康的方向发展。

影响数据资产价值的因素

鉴于估值方法的选择应当与待评估数据资产的基本特征、类型、价值实现方式等相匹配，因此，在展开估值体系框架的详细介绍前，需要根据数据资产特征和类别划分等做简要梳理与归纳。

数据资产特征

数据资产的基本特征通常包括非实体性、依托性、多样性、可加工性、价值易变性等。非实体性：数据资产本身不具备实物形态，需要依托实物载体存在。数据资产的非实体性同时意味着其具备无消耗性，即数据不因使用而发生磨损、消耗等，故数据资产于存续期间可无限使用。依托性：数据必须存储在一定的介质里。介质的种类多种多样，例如纸、磁盘、磁带、光盘、硬盘等，甚至可以是化学介质或者生物介质。同一数据可以以不同形式同时存在于多种介质。多样性：数据资产具备表现形式和融合形态等多样性的特征。数据的表现形式包括数字、表格、图像、文字、光电信号，甚至生物信息等。此外，数据库技术与数据、数字媒体与数字制作特技等融合，也可产生多样的数据资产。多样的信息可以通过不同方法进行互相转换，从而满足不同数据消费者的需求。该多样性表现在数据消费者上则是使用方式的不确定性。不同数据类型拥有不同的处理方式，同一数据资产也可以有多种使用方式。数据应用的不确定性导致数据资产的价值变化波动较大。

可加工性：数据可以被维护、更新、补充、增加，也可以被删除、合并、归集、消除冗余，还可以被分析、提炼、挖掘、加工，从而得到更深层次的数据资源。

价值易变性：数据资产的价值受多种不同因素影响，包括技术因素、数据容量、数据价值密度、数据应用的商业模式和其他因素，这些因素随时间推移不断变化，导致数据资产价值具备易变性。

数据资产的类别划分

数据资产依据不同的划分标准（如发展阶段、数据应用所在的行业等）可以形成不同的类别（图1）。
普华永道：数据资产估值体系框架的初步探究-财资一家图1 数据资产的分类
按数据应用的行业划分，数据资产可分为金融行业数据资产、电信行业数据资产、政府数据资产等。不同行业的数据资产具有不同的特征，例如金融行业数据资产具备高效性、风险性和公益性等特点。行业数据资产各自的鲜明特点基于各个行业的发展需要和需求生成，这些特征可能对数据资产的价值产生较大的影响。按数据发展阶段划分，数据资产可以分为原始数据、粗加工后数据、精加工后数据、初探应用场景的数据、实现商业化的数据等。由于数据资产具有前文描述的特征，数据资产在实现其价值过程中，即便是相同的数据资产，其应用领域、使用方法、获利方式的不同，其价值也存在差异。

数据资产价值的驱动因素

从数据资产的加工过程及不同特性来看，不难发现数据的质量因素与数据的价值息息相关。同时，在数据的整个发展阶段，其对应应用场景的经济性和多维性亦在数据资产价值中起着至关重要的作用。
数据质量对数据资产价值的影响：
准确性、唯一性。主要取决于数据的来源。真实、准确、不重复的数据必将能够转化为稳健、可靠的商业化成果，从而提升数据资产的价值。完整性。若数据充分、完整、可持续利用程度高，则可以大大减少企业补充遗漏数据及后续年度循环重复使用的成本。时效性、及时性。及时获取高时效数据，对于企业各方面的运营都至关重要。
数据发展阶段对数据资产价值的影响：
在初级阶段，数据资产还仅仅为原始未加工数据的形式，尚未有具体匹配的商业化场景，价值可能仅限于其开发成本。经过一定的加工，数据资产在初步找寻到适用的商业化场景后，即具有了一定的盈利模式，其价值显著增加，但仍存在不确定性。最终，经过多次尝试，数据资产的商业化场景得以确定，多数的不确定性消除，数据资产价值显著增加，实现最大化。
应用场景对数据资产价值的影响：
是否存在明确可界定的商业化应用场景决定了数据资产是否具有价值。在不同的商业场景下，数据资产也将发挥不同的作用，实现不同的价值。毫无疑问，数据资产所适用的场景越多维，场景之间的兼容性越高，则数据资产的价值越高。企业应当尽可能探索数据资产所适用的各种场景，如果场景之间是兼容的，则可以探索出数据资产在各个场景下的价值，综合考虑场景兼容程度，最终综合得到数据资产的总体价值。

数据资产估值框架体系

鉴于前面描述的非实体性、依托性、多样性、可加工性、价值易变性几大特征，数据资产既具有了类似无形资产的特征，又因多样性和非耗尽性使得其异于常见的无形资产。因此，传统的无形资产估值方法在评估数据资产时虽有一定的适用性，但又存在各种缺陷。在此基础上，普华永道结合数据资产特征和其发展阶段等方面提出以下框架（图2）。
普华永道：数据资产估值体系框架的初步探究-财资一家

图2 基于数据资产发展阶段的估值框架研究

在暂没有活跃交易市场的情形下，主要根据数据的发展阶段从成本角度及收益/效益角度对数据资产价值进行分析。数据资产尚在开发形成阶段，尚未被正式运用，该阶段没有社会价值及经济价值，适用成本思路或模糊因素/数学评价思路。当数据资产通过进一步开发，被应用于一些实际场景，并逐步产生社会价值，该阶段的显著特点是数据资产的社会价值较大，且高于经济价值，此阶段适用成本思路、模糊因素/数学评价思路、数据势能模型或实物期权模型。数据资产在应用场景下，经济价值逐步显现，在该阶段数据资产或将高于甚至远高于社会价值，此阶段适用可变现净值思路、数据势能模型、实物期权模型、多因素修正后的增量效益折现模型或非核心资产/因素剥离折现模型。

在有活跃交易市场的情形下，可从数据资产交易价值（市场角度）结合类比数据资产特征进行分析，通常使用的是多因素评价比较法与神经网络模型。

成本思路

成本思路是从形成数据资产所需花费的成本进行评估的一种思路。尽管无形资产的成本和价值先天具有弱对应性且其成本相对欠完整，但一些处于开发初期的数据资产（即原始数据及粗加工阶段数据资产）因尚无明确应用场景，没有形成社会价值及经济价值。因此对于该阶段的数据资产，成本思路评估其价值存在一定合理性。

模糊因素/数学评价思路

模糊因素/数学评价思路同样适用于处于开发初期阶段的数据资产（即没有形成显著社会价值及经济价值的数据资产），为成本思路的进阶应用。其基本原则：由于同样的投入不一定有同样质量的数据，通过模糊数学评价方法对数据资产进行估值时，需要根据数据的特征列出评价项目，对每个项目定出评价的等级，并用分数表示，最后将所得分数进行加权平均，得到加权评价分数。

数据势能模型

数据势能模型适用于经过精细化加工处理后形成一定应用场景的数据资产。该阶段的数据资产处于“能量”的存储积累的状态中，蓄势待发。虽然没有产生商业利益，但在以数据驱动社会发展的重要趋势下，形成了不同程度的社会价值。

实物期权模型

实物期权模型一般适用于企业数据资产，同时该数据资产的应用场景仍然存在不确定性。例如，企业未来可能会继续加大在该数据资产方面的投入，还可能因该数据资产预计收益不能覆盖前期投入的成本而放弃数据资产的继续投入。实物期权模型不仅能够帮助企业有效衡量数据资产于当下时点价值的最佳估计，也能够协助企业管理者在企业的不同发展阶段对于数据资产的发展做出最优决策。

多因素修正后的增量效益折现模型

该模型适用场景：数据资产已完全实现商业化，即产生稳定经济效益，但该数据资产一般为企业价值赋能之存在，而非企业核心资产或最主要的价值驱动因素。例如，数据资产能够帮助企业降本增效或者助力企业获取更多用户和开拓市场等，为企业进一步赋能。

非核心资产/因素剥离折现模型

该模型适用场景：数据资产已完全实现商业化，即产生稳定经济效益，一般作为企业的核心资产和最主要的价值驱动因素。例如，企业的主营业务收入及收益来源于出售或许可市场用户使用企业所拥有的数据资产。

可变现净值思路

该思路适用场景：数据资产经验证后发现没有适合的应用场景，或将被淘汰。以数据资产于预计处置日的估计处置价格，减去为处置该资产需要额外发生的费用（例如交易成本、税费）等，得到期末的可变现净值，将其通过合适的折现率折现以得到数据资产于当下的估计价值。在该方法下，可能需要配合其他方法（例如市场法）来确定数据资产的预计未来处置价格。在极端情形下，结果接近于零。

多因素评价比较法

该方法适用场景：存在活跃的数据资产交易市场。企业价值评估领域有市场价值比率的概念，类似P/E、P/B等，以可比上市公司的市场价值比率乘以被评估企业对应的财务指标从而得到被评估企业的股权价值。在数据资产估值中，同样可以采用该相对值比较法，且在分析分母的过程中可以带入该方法——通过选取与被评估数据资产价值高度相关的驱动因素，并对这些因素进行量化评价得到综合评价系数。相对于单一财务指标而言，以通过考虑数据资产价值驱动因素的综合评价系数作为价值比率的分母更能反映数据资产价值的驱动源，可得到更有意义的价值比率。

神经网络模型

该模型适用场景：数据资产交易市场成熟、有序且活跃，且具有大量的交易数据和数据资产交易信息。神经网络模型是一种以神经元数学模型为基础、模拟人脑系统结构和功能的抽象数学模型，是一个高度复杂的非线性动力学习系统，具有“学习”和“充分逼近复杂的非线性关系”等特性。数据资产具有其鲜明且有别于其他有形和无形资产的特性，其价值受到诸如各类风险、数据质量、数据发展阶段、数据应用场景等多项因素的影响，在现阶段尚未完全厘清数据权属、明确数据资产化条件和前提、形成大规模规范化数据资产的市场配置的现状下，很难一蹴而就地形成一套完善且成熟配套的方法论体系。因此，界定权利属性及假设前提、厘清评估对象及其他评估要素、研究不同方法论的相互联系以及进一步夯实数字资产评估中非量化指标的量化可能等，将成为普华永道下一阶段的研究方向及重点。

© 2022 普华永道版权所有。普华永道系指普华永道在中国的成员机构、普华永道网络和/或其一家或多家成员机构。每家成员机构均为独立的法律实体。详情请见 www.pwc.com/structure。
免责声明：本文章中的信息仅供一般参考之用，不可视为详尽说明，亦不构成普华永道的法律、税务或其他专业建议或服务。普华永道各成员机构不对任何主体因使用本文内容而导致的任何损失承担责任。
您可以全文转载，但不得修改，且须附注以上全部声明。如转载本文时修改任何内容，您须在发布前取得普华永道中国的书面同意。