数字经济背景下数据资产评估研究述评与展望

朱晓琴　王宣童

【摘要】近年来， 数字经济发展速度之快、 辐射范围之广、 影响程度之深前所未有， 數据成为数字经济时代的基础性战略资源和革命性关键要素。数据资产化逐渐走入大众视野， 而如何对数据资产进行价值管理是当前学术界关注的焦点。本文首先梳理数据资产内涵， 并给出数据资产整合定义； 其次通过文献计量分析法分析数据资产价值评估的相关研究现状、 热点及前沿问题， 得出数据资产评估方法为当前研究热点； 再次结合文献归纳法梳理现有的数据资产评估方法， 并根据方法性质与定价主体的不同， 将其进行分类并对比各种评估方法的适用性； 最后对未来数据资产价值评估研究进行展望。

【关键词】数据资产；价值评估；评估方法；Citespace；数字经济

【中图分类号】F275      【文献标识码】A      【文章编号】1004-0994（2023）06-0078-7

一、 引言

云计算、 区块链、 物联网、 移动互联网等新技术不断涌现以及其应用场景不断丰富， 加速了海量数据的产生。2019年党的十九届四中全会首次明确将数据作为生产要素， 按贡献参与分配， 这意味着数据资产将越来越受到重视。在此背景下， 越来越多的企业深入挖掘数据价值， 实现数据资产化， 并将其作为一项资产来进行管理。如何衡量和反映数据资产价值， 使其更好地服务于企业价值成为实务界非常关心的话题， 为此理论界积极开展相关研究， 主要围绕数据资产的内涵、 数据资产的定价、 数据资产运营增值方法及数据资产管理等数据资产评估方面。

尽管如此， 有关对数据资产化的研究仍处于起步阶段。首先， 对数据资产概念的界定尚未统一， 研究者各自基于不同视角和研究目的进行定义。其次， 数据资产定价缺乏系统框架， 前期研究大多是基于具体行业或具体公司， 对某种参数进行改进或调整来计算数据资产价值。最后， 现有的数据交易定价方法均对应于具体的应用场景， 缺少统一的数据评价规范。因此， 本文试图梳理现有研究， 结合定量方法（文献计量分析法）与定性方法， 总结数据资产的内涵， 探究数据资产评估的研究现状和热点问题， 绘制主要关键词图谱和突现词图谱， 归纳该领域的热点关键词， 并对现有的数据资产评估方法、 定价模型等进行比较。

二、 数据资产的内涵

数据资产的基本概念是本文研究的基础， 重点在于对大数据内涵的认识和对数据资产的定义。大数据是指容量大、 范围广且难以使用传统工具和技术来处理的数据集（Janssen等，2017）。随着大数据的增长和大数据驱动应用的发展， 数据本身变得更有价值。基于充分的数据样本， 数据挖掘和机器学习过程可以从数据集中产生商业价值， 因此大数据成为一种为组织创造宝贵“机会”的新资产。有关数据资产概念的研究已受到诸多学者关注， 其概念由信息资源和信息资产逐渐演变而来。主要观点和代表学者如表 1所示。

从表 1可以看出， 从资产视角定义数据资产更注重其所属权限， 是对数据资产内涵的界定， 符合数据资产的价值规律， 因为数据资产的价值实现更多的 是基于合法行使数据权利而非直接控制数据资产。但这一定义仍具有一定的局限性， 原因在于其对经济利益的要求不适用于政务数据等兼具经济和社会双重价值的数据资产； 而资源视角更注重对数据的加工和应用， 其目标在于实现数据资源的保值增值， 数据资产比初级的数据要素更接近市场化的中心， 即更容易进行交易流通， 因为数据资产是专门为满足市场主体的数据需求而打造的具有确定应用价值的数据产品。

因此， 本文认为数据资产是指某组织或个人拥有或控制的， 能够实现保值或增值的网络空间数据集， 即权益主体以满足自身及其他相关主体的数据效用需求， 进而在自身运用的过程中获得使用价值， 或者在出让交易的过程中取得市场化的价值变现。

三、 数据资产评估的研究热点分析

（一）研究方法

为实现对数据资产价值评估相关文献的热点及前沿趋势分析， 本文采用“文献计量法+可视化知识图谱”相结合的方法， 即运用CiteSpace.V6.1R3版本对筛选后文献的关键词进行计量分析并展示可视化知识图谱， 以呈现该研究主题的前沿热点和未来趋势。

关键词是从文献中提取出来用以鲜明、 直观地反映文献主题内容的单词或术语， 对关键词的研究有助于分析某一科学领域研究的热点问题。本文通过对关键词的共现分析和聚类分析， 来展现数据资产价值评估这一领域的研究热点。突现词是指在不同的时间段内词频共现度发生突然骤增的关键词， 突现度越高表明该关键词的学术关注度越突出， 越能代表该时间段内最新研究动态及发展趋势。因此， 本文通过对突现词分析来体现该领域的研究前沿。

（二）数据来源

本文以2022年7月作为文献检索的时间节点， 数据来源于中国知网（CNKI）和Web of Science（WoS）中发表的文章。针对国内数据库， 设定主题为“数据资产价值评估”“数据资产价值”“数据资产估值”等， 剔除报告讲话、 会议纪要等非文献后， 获得有效文献共计175篇。针对国外数据库， 选择WoS核心数据集， 设置检索主题为“data pricing”“pricing model of data”“valuation of data”等， 保留Article、 Review、 Proceedings Paper、 Early Access的文献类型后检索得到283篇文献。对比后发现， CNKI文献从2014年起开始出现关于数据资产评估方法的研究， WoS则是从2008年开始出现的， 因此本文将CNKI研究时间段限定为 2014 ～ 2022年， WoS的研究时间段限定为2008 ～ 2022年。

（三）关键词共现分析

运用CiteSpace.V6.1R3分别对上述已检索到的175篇国內文献和283篇国外文献进行关键词共现分析， 得到如图 1所示的关于数据资产价值评估研究的关键词对比图谱。对CNKI相关文献进行关键词共现后， 得到206个关键词节点以及534条连线， 密度为0.025。而WoS相关文献则包括323个关键词节点和934条连线， 密度为0.018。

关键词的时效性体现在节点颜色的深浅， 关键词的频率反映在节点的大小， 节点之间的连线则代表关键词之间的联系。从图 1可以看出： big data（大数据）、 data pricing（数据定价）、 data management（数据治理）等都是国内外学者关注的焦点。国内外研究的不同之处在于： 国外学者们关注将供求关系、 交易效率、 数据质量等考虑在内的数据资产价格的定价方法研究， 而国内更侧重于更好地管理数据、 保证数据安全、 有效治理数据的数据资产价值评估研究。

（四）关键词聚类分析

为了更深层次地挖掘数据资产价值评估的研究热点区域， 本文在关键词共现分析的基础上， 进一步采用LLR算法对本文研究样本进行聚类分析， 聚类分析结果如表 2、 表3所示。

观察表2和表3可以发现， 中英文数据库关键词聚类分析S值基本大于0.7， 说明聚类结果可信度较高。通过对CNKI关键词进行聚类， 共得到7个聚类标签， 可见国内学者围绕数据资产、 大数据、 价值评估、 数据定价、 数据价值、 数据安全、 数据平台7个方面进行了深入研究， 说明目前国内的研究以数据资产为核心， 以价值评估方法、 数据治理等为着手点， 进行全面研究。对WoS关键词聚类后也得到7个聚类标签， 即data pricing（数据定价）、 big data（大数据）、 game theory（博弈论）、 AI（人工智能）、 deep learning（深度学习）、 profit maximization（利润最大化）、 valuation（价值）， 表明国外学者们聚焦于数据资产具体的评估方法、 理论基础以及评估参考目标。由此可以看出， 如何对数据资产的价值进行评定估算的研究， 是当前国内外学者们共同关注的热点问题， 且对于相同的研究主题， 国外学者们开始关注的时间比国内早5年左右。

除此之外， 在研读前期文献的基础上结合国内外研究总结发现： 从内容层面上看， 当前研究侧重于数据资产的价值估算、 数据管理以及绩效作用等方面； 从方法层面上看， 传统方法和多属性综合评价法是当前国内的主流评估方法， 国外主要运用经济学方法或结合人工智能的方法； 从理论基础上看， 资产评估理论、 供求理论、 实物期权理论、 博弈论等构成了数据资产价值评估的研究理论基础。

（五）突现词分析

在关键词共现分析的基础上， 本文运用Citation Burst功能对数据资产价值评估的研究前沿进行挖掘， 结果如图 2所示。

根据图 2将数据资产价值评估发展路径分为以下三个阶段： 第一阶段为数据资产兴起阶段（2015 ～ 2018年）， 以关键词“数据市场”“竞争优势”“价值”“影响因素”等为主， 此阶段学者们关注到随着科技的不断发展， 数据将成为企业的竞争优势， 对数据估值是大势所趋， 该阶段国内主要关注影响数据资产价值的因素等， 国外开始展开对数据资产定价方法的研究。第二阶段为探索阶段（2019 ～ 2020年）， 此阶段国内研究以“数据安全”“信息生态”“资产价值”等为主， 主要侧重于数据资产管理的研究， 国外研究以personal data（个人数据）、 neutral network（神经网络）、 dynamic pricing（动态定价）等关键词为主， 该阶段国外学者开始探索如何对数据资产进行定价， 即探索数据资产定价方法、 数据价值管理等。第三阶段为蓬勃发展阶段（2021 ～ 2022年）， 国内以“数据治理”“数据交易”“数据定价”等关键词为主， 该阶段国内逐渐有学者对数据资产的评价指标体系、 评估方法、 定价模型等展开系统研究， 并取得一些研究成果， 国外以machine learning（机器学习算法）、demand（需求）、prediction（预测）等关键词为主， 开始探索计算机领域与数据资产价值评估方法的结合， 并关注其预期价值。总体来看， 国外学者对数据资产价值评估方法的研究在每一个阶段都早于国内学者。

此外， 在CNKI数据库的10个研究前沿方向中， 突现强度排名前三的突现词是“大数据”“数据治理”和“资产价值”， 表明通过对数据资产估值从而更好地治理数据是国内研究的前沿方向； 在WoS数据库的10个研究前沿方向中， 突现强度排名前三的突现词分别是data marketplace（数据市场）、dynamic pricing（动态定价）、personal data（个人数据）， 表明对处于市场交易中的个人数据动态定价是国外研究的前沿方向。综合来看， 国内外学者们研究的前沿问题都是对数据资产价值的评定估算， 再次说明了数据资产评估方法的重要性。

四、 数据资产评估方法分类及比较

数据具有潜在的价值已成为普遍共识， 而如何衡量以及如何确认计量数据资产的价值成为众多国内外学者关注的问题。为此， 学者们深入研究了数据资产的估值方法。本文通过梳理国内外有关数据资产的估值、 定价等研究成果， 根据不同的分类标准， 将数据资产价值的评估方法分为两类， 并对现有的评估方法进行比较， 分析目前数据资产评估方法的局限性， 期望为未来数据资产价值的评估方法提供一些思路。

（一）数据资产评估方法的分类

1. 根据方法性质分类。本文将数据资产价值的评估方法分为改进的传统方法、 多属性综合评价法和经济学方法（倪渊等，2020）。

（1）改进的传统方法。资产评估中的三大基本方法分别是收益法、 市场法、 成本法。对于数据资产价值的评估， 传统方法仍然是大多数国内学者的首选， 学者们根据不同种类数据资产的特性， 在传统方法的基础上进行改进， 使之更适合待估数据资产的价值评估。

具体而言， 对收益法的优化主要有三种： 第一， 结合其他方法的收益法， 如将情景分析法引入收益法中， 根据多种可能的未来情景的发生概率综合确定收益额。第二， 在收益法模型中增加参数， 如根据通信企业数据资产的特点， 增加了客户留存率参数， 优化了通信企业未来超额收益的预测。第三， 对收益法基本公式中的参数进行改进， 如业务计划是面向特定的应用场景， 只需考虑在项目周期内的当期业务收益， 因此该情况下的收益期为项目周期， 又如利用无形资产整体折现率倒推数据资产回报率。而对市场法和成本法的改进多为结合层次分析法， 层次分析法在市场法中主要是用于修正调整系数， 在成本法中主要用于对各种影响数据资产价值因素的权重计算。此外， 也有学者将市场法与成本法结合运用， 即先确定成本范围再将其与现行市价比较， 确定数据资产的最终价格区间。对传统方法的具体改进之处总结如表 4所示。

（2）多属性综合评价法。多属性综合评价法是近几年使用较多的评估方法， 是一种将主观评价和客观量化相结合的方法。研究初期多采用具有较强主观性的层次分析法构建指标体系并赋值， 后期研究在此基础上结合其他定量方法， 对待估数据资产的价值进行综合评价， 弥补了前期受主观影响的缺陷， 其总体思路可概括为“构建指标体系—指标赋权—指标量化—综合评价”（倪渊等，2020）。具体方法及其评估思路和实施路径如表 5所示。

（3）经济学方法。经济学方法是指以博弈论、 实物期权理论、 人工智能等为基础， 将数据资产置于交易环境中， 结合数据资产特征， 综合考虑市场中交易主体对数据资产价值的影响和需求， 通过交易价格来反映其价值的一种数据资产定价方法（倪渊等，2020）， 具体内容如表6所示。

2. 根据定价视角分类。根据对数据资产定价视角的不同， 本文将数据资产价值的评估方法分为利润导向定价方法和效用导向定价方法。利润导向定价方法由卖方主导， 关注数据资产化和数据创造价值的过程， 以利潤最大化为目标， 强调供应商的利润。而效用导向定价方法则由买方主导， 关注数据资产带来的效用， 考虑用户的利益。两种方法的具体评估思路和实施路径如表 7所示。

（二）数据资产评估方法的比较

根据上文对目前国内外数据资产评估方法的分类以及评估思路的总结， 再从各种方法的优点、 适用情形以及局限性进行比较分析， 具体情况如表 8所示。

通过前文对数据资产评估方法的分类以及对各种方法适用性的比较发现， 目前， 基于传统资产评估方法的拓展应用和技术延伸仍是数据资产评估研究的主流趋势。但其存在一个隐含的理论前提， 即市场中的交易双方信息对称且掌握标准化资产信息、 通用性技术标准或者较为普遍接受的市场交易参照物， 其在实际操作中又多以主观性较强的层次分析法为基础， 依赖用户和专家等人工评价参与， 在小范围、 低量级的数据资产估价决策中有一定现实意义， 且效率相对低下并缺少统一的标准， 也没有考虑到数字经济时代海量数据资产标的和高速信息处理的需要。

另外， 通过对现有文献的梳理回顾， 发现国内大多数学者是对数据资产本身进行估值， 而国外学者们更多地将数据资产置于交易中， 是对数据资产的定价。所谓估值， 就是从数据提供者和原始拥有者的视角出发， 根据数据自身的特性做出评价， 从而为后续的价格挖掘奠定基础， 其技术性质属于资产评估范畴， 是数据资产使用价值的一种数据化再现； 而定价是在估值的基础上， 基于数据需求方对标的数据资产的效用评价和心理价位之间的比较， 考虑市场中的信息是否对称以及交易因素， 最终达到供需平衡状态下的市场均衡价格， 即定价是对估值的一种调整。因此， 大多数国内学者的评估方法得到的结果相当于数据资产的内在价值， 国外学者们计算出的结果则是考虑了供求、 消费者偏好等因素的数据资产市场价格。

五、 研究结论及展望

本文通过对现有国内外数据资产价值的有关文献进行梳理， 得到以下结论： 第一， 对数据资产概念进行界定， 即数据资产是能够实现保值或增值的网络空间数据集； 第二， 根据方法性质与定价主体将现有数据资产评估方法分为两大类， 并总结了各自的评估思路和实施路径； 第三， 对现有的数据资产评估方法进行比较， 总结出各类评估方法的适用性， 并得出国内多数方法评估的是数据资产的内在价值， 而国外方法大多评估的是其市场价格。

本文通过科学计量的方式对国内外数据资产价值评估领域相关文献进行系统分析， 可以直观地看出： 数据资产定价是国内外学者关注的热点话题。通过关键词共现分析以及热点趋势分析可以发现， 数据治理、 动态定价是研究的核心议题。机器学习算法、 数据资产预期价值等研究热点在近期得到学者们的广泛关注。这些研究发现为未来研究和实践提供了思路。

1. 注重对数据资产价值的时效性研究。由于数据资产在应用和流通中都可能发生价值增值， 使得数据资产的评估值有效期限较有形资产短， 其评估值仅能代表评估时点的价值， 所以应加强对后续增值的计量。具体而言， 可以通过不断升级迭代数据分析的方法， 如利用分类分析、 回归分析、 相关性分析、 聚类分析等分析工具， 提升找到数据规律和数据背后隐藏价值的效率， 及时发现未知的或者主观经验判断失误的信息， 及时调整数据资产的评估值。

2. 注重对数据资产应用场景的研究。数据资产的价值和其应用场景紧密相关， 在不同应用场景中影响价值的因素不同， 数据资产的价值也就不同， 且对于不同的应用场景， 数据资产所贡献的经济社会价值也不同。因此， 未来可以建立不同领域或行业的数据应用场景库， 使得待估数据资产可以与特定的应用场景相结合， 从而构建数据资产定价的商业模式。为此， 部分国有企业在进行数字化转型的过程中对数据资产进行了充分的挖掘与应用， 且效果显著。

3. 将数字化技术融入传统资产评估方法中。收益法、 市场法、 成本法仍是主流的评估方法， 对数据资产进行评估时， 在运用传统方法的基础上结合数字化技术， 使之更适合数据资产的价值评估。具体而言： 首先， 仍以传统评估方法技术路径为基础， 并在此基础上以调整性应用为主、 以成熟的数字技术为辅， 来满足当前数据资产市场的估价需求； 然后， 逐步过渡到全面应用数字化估值定价技术阶段。这两个阶段是相互关联的， 是在不断量变的过程中积累直至发生质的改变。

【 主 要 参 考 文 献 】

闭珊珊，杨琳，宋俊典．一种数据资产评估的CIME模型设计与实现［ J］．计算机应用与软件，2020（9）：27 ～ 34．

陈芳，余谦．数据资产价值评估模型构建——基于多期超额收益法［ J］．财会月刊，2021（23）：21 ～ 27．

嵇尚洲，沈诗韵．基于情景法的互联网企业数据资产价值评估——以东方财富为例［ J］．中国资产评估，2022（2）：29 ～ 38．

李春秋，李然辉．基于业务计划和收益的数据资产价值评估研究——以某独角兽公司数据资产价值评估为例［ J］．中国资产评估，2020（10）：18 ～ 23．

李菲菲，关杨，王胜文等．信息生态视角下供电企业数据资产管理模型及价值评估方法研究［ J］．情报科学，2019（10）：46 ～ 52．

李永红，张淑雯．数据资产价值评估模型构建［ J］．财会月刊，2018（9）：30 ～ 35．

刘琦，童洋，魏永长等．市场法评估大数据资产的应用［ J］．中国资产评估，2016（11）：33 ～ 37．

马丹，郁霞．数据资产：概念演化与测度方法［ J］．统计学报，2020（2）：15 ～ 24．

倪渊，李子峰，张健．基于AGA-BP神经网络的网络平台交易环境下数据资源价值评估研究［ J］．情报理论与实践，2020（1）：135 ～ 142．

宋杰鲲，张业蒙，赵志浩．企业数据资产价值评估研究［ J］．会计之友，2021（13）：22 ～ 27．

谭明军．论数据资产的概念发展与理论框架［ J］．财会月刊，2021（10）：87 ～ 93．

王静，王娟．互联网金融企业数据资产价值评估——基于B—S理论模型的研究［ J］． 技术经济与管理研究，2019（7）：73 ～ 78．

胥子灵，刘春学，白彧颖等．多期超额收益法评估数据资产价值——以M通信企业为例［ J］．中国资产评估，2022（3）：73 ～ 81．

徐涛，尤建新，曾彩霞等．企业数据资产化实践探索与理论模型构建［ J］．外国经济与管理，2022（6）：3 ～ 17．

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（20）：44 ～ 47+51．

周芹，魏永长，宋刚等．數据资产对电商企业价值贡献案例研究［ J］．中国资产评估，2016（1）：34 ～ 39．

朱富成，刘永，许烨婧．应急处置类档案数据资产化及其经济价值评估指标构建［ J］．档案管理，2021（6）：63 ～ 65．

朱泽，段尧清，何丹．面向政府数据治理的数据资产价值系统仿真评估［ J］．图书馆论坛，2021（6）：100 ～ 105．

邹贵林，陈雯，吴良峥等．电网数据资产定价方法研究——基于两阶段修正成本法的分析［ J］．价格理论与实践，2022（3）：89 ～ 93+204．

左文进，刘丽君．大数据资产估价方法研究——基于资产评估方法比较选择的分析［ J］．价格理论与实践，2019（8）：116 ～ 119+148．

Birch K.，Cochrane D. T.，Ward C.. Data as Asset？ The Measurement，Gove-rnance，and Valuation of Digital Personal Data by Big Tech［ J］． Big Data & Society，2021（1）：N/A．

Chang M.，Arafa A.，Huang J.，et al.. Pricing Fresh Data［ J］． IEEE Journal on Selected Areas in Communications，2021（5）：1211 ～ 1225．

Fricker S. A.，Maksimov Y. V..Pricing of Data Products in Data Marketpla-ces［M］//Ojala A.，Holmstr?m Olsson H.，Werder K.. Software Business． Cham：Springer International Publishing，2017．

Harmon R.，Demirkan H.，Hefley B.. Pricing Strategies for Information Technology Services：A Value-based Approach［A］． 2009 42nd Hawaii International Conference on System Sciences［C］．  Hawaii，Piscataway：IEEE Press，2009．

Janssen M.， vander Voort H.， Wahyudi A.. Factors Influencing Big Data Decision-making Quality［ J］． Journal of Business Research，2017（70）：338 ～ 345.

Niyato D.， Hoang D. T.， Luong N. C.， et al.. Smart Data Pricing Models for the Internet of Things：A Bundling Strategy Approach［ J］． IEEE Network， 2016（2）：18 ～ 25.

Stahl F.， Vossen G.. Name Your Own Price on Data Marketplaces［ J］． Informatica，2017（1）：155 ～ 180.

Tsai Y. C.， Cheng Y. D.， Wu C. W.， et al.. Time-Dependent Smart Data Pricing Based on Machine Learning［M］//Mouhoub M.， Langlais P.. Advances in Artificial Intelligence. Cham： Springer International Publishing，2017.

Xiong Z.， Niyato D.， Wang P.，et al.. Dynamic Pricing for Revenue Maximization in Mobile Social Data Market With Network Effects［ J］． IEEE Transactions on Wireless Communications，2020（3）：1722 ～ 1737.

Ylijoki O.， Porras J.. A Recipe for Big Data Value Creation［ J］． Business Process Management Journal，2019（5）：1085 ～ 1100.

（责任编辑·校对： 刘钰莹  罗萍）

【基金项目】2022年广西哲学社会科学规划研究课题“数据驱动下广西制造企业数字化转型对企业创新的影响研究”