价值创造视角下互联网企业数据资产估值研究

苑秀娥 尚静静

【摘 要】 随着数字经济概念不断深入，数据要素对企业价值提升的作用日益增强。文章从价值创造视角出发，分析数据资产价值创造的过程及表现，提出企业数据资产经济价值由创新性价值及效率性价值构成，采用收益法评估数据资产创新性价值，借助超额收益法评估数据资产效率性价值，引入灰色预测及BP神经网络预测方法改进模型参数，最终实现对互联网企业数据资产整体价值的评估，并以TX公司为例进行模型应用。结论表明，数据资产变现对企业价值的贡献是巨大的，需要进一步释放数据要素价值。

【关键词】 价值创造； 数据资产； 价值评估； 灰色预测； BP神经网络

【中图分类号】 F234.3；F275.2  【文献标识码】 A  【文章编号】 1004-5937（2024）06-0059-09

一、引言

在数字化驱动经济发展背景下，为保障数字经济长远稳定发展，政府出台了一系列重要政策。2015年，国务院发布《促进大数据发展行动纲要》，明确指出将数据上升为国家基础性战略资源，充分肯定数据对市场的贡献。2020年，《关于构建更加完善的要素市场化配置体制机制的意见》首次正式将数据划分为新型生产要素。2021年12月，“十四五”国家信息化规划提出建设更加完善的数据要素资源体系，从而释放数据要素价值。2022年我国数字经济规模已达50.2万亿元，占GDP比重为41.5%。习近平总书记在党的二十大报告中强调，要以经济高质量发展引领中国式现代化。数据作为国家基础性战略资源，是数字化经济发展的核心生产要素，为推动经济高质量发展注入新动能。

随着云计算、人工智能、区块链等新兴技术的加速应用，数据市场规模呈现爆炸式增长，数据资产价值研究也逐渐受到各界重视[ 1 ]。无论微观层面企业价值评估，还是宏观层面国民经济核算，数据资产价值都有必要纳入其中。2024年1月11日，财政部印发《关于加强数据资产管理的指导意见》，要求“建立数据资产管理制度，促进数据资产合规高效流通使用，构建共治共享的数据资产管理格局，为加快经济社会数字化转型、推动高质量发展、推进国家治理体系和治理能力现代化提供有力支撑”。数据资产价值评估成为一个亟待研究的主题。当前有关数据资产的研究大多立足于企业微观会计层面，探究数据资产定义、数据资产特征、数据资产会计处理方法以及数据资产价值评估模型的构建。现有研究大多将数据资产归属于无形资产范畴，采用无形资产价值评估方法研究数据资产价值核算，但数据资产亦有其不同于无形资产的特性（如非竞争性、规模经济性、动态性等），导致数据资产经济价值远高于其生产成本，数据交易市场规模有限，创造的未来收益较难计量等，尤其是数据资产价值作用的发挥需要与具体价值创造场景相结合，使得必须对现有价值评估方法做出改进才能应用于数据资产价值评估。本文从价值创造视角对互联网企业整体数据资产价值进行评估，通过分析数据资产价值创造的过程及表现，构建适用于互联网企业数据资产的价值评估体系，为我国数据资产价值评估实践提供方法支撑。

二、文献综述

（一）数据资产概念

明晰数据资产概念是进行数据资产价值研究的基础，学术界目前对数据资产概念未形成统一定论，不同学科对数据资产概念的侧重点有所不同。

会计学角度，大部分研究基于会计资产要素的确认条件定义数据资产。李静萍[ 2 ]认为数据不受数据生产者和使用者的制约且具有明确的经济所有权及收益性，因而满足资产的属性。中国信通院将数据资产定义为由企业拥有或控制的，在未来一定期间能给企业带来经济效益的呈电子方式记录的数据资源。

经济学角度，大多数研究从数据具有价值探讨数据资产化。数据本身并不能直接产生价值，只能通过作用于生产和服务使企业创造收益、降低成本的表现更加突出，由此体现数据资产的价值[ 3 ]。黄科满和杜小勇[ 4 ]提出数据资产价值体现在价值利用化这一最终环节上，具有价值后验性。

信息学角度，数据资产由信息的相关概念演变而来，21世纪以后数据资产一词才普遍出现。谭明军[ 5 ]认为数据资产是将用户行为信息、公开信息以及从其他合法渠道收集的相关信息，利用计算机技术经数据收集、挖掘、分析等环节最终给企业带来价值或潜在价值的数据资源。

鉴于本文主要探讨企业微观层面的数据资产價值，因而从会计学视角定义数据资产：由企业拥有或控制的，在未来能给企业带来经济流入且能够可靠计量的数据资源。

（二）数据资产价值影响因素

从价值影响因素来看，李晓华和王怡帆[ 6 ]总结影响数据资产价值的六大因素即数据的颗粒度、鲜活度、连接度、反馈度、响应度和加工度。任晓波[ 7 ]认为数据资产价值不仅与其涵盖信息相关，也与其被使用的方式相关，同时数据质量、数据应用、法律和监管也能够影响数据资产价值。廖东声[ 8 ]描述影响数据资产价值的外部因素，提出数据资产价值会因加工、用户、使用次数、市场波动而改变，对内部因素只提到了数据质量。王重润等[ 9 ]认为数据价值会受到数据质量、数据具体应用场景、成本、使用者异质性的影响。实现数据要素价值最大化不仅要认识到其自然属性，更重要的是充分认知5个社会属性即数据整合、数据融通、数据洞察、数据赋能与数据复用，尹西明等[ 10 ]将其称为“5I”社会属性。

（三）数据资产价值评估

在宏观层面，研究数据资产价值的文献较少，当前数据资产并未被纳入国民经济核算体系中，造成数据对经济社会的贡献被低估。李静萍[ 2 ]认为在构建数据资产附属核算框架时，应当包含对数据开发阶段的价值评估，并通过非生产性资产计入国民经济核算体系中。

在微观层面，数据作为资产纳入到企业资产负债表中已成为普遍共识。目前对数据资产价值评估以传统的无形资产评估方法为主，结合数据资产的特性做出改进[ 11 ]，也有学者拓展视角构建新的模型进行评估[ 12 ]，如B-S模型、蒙特卡洛模拟、讨价还价模型。由于数据资产特性，以上方法计量数据资产存在局限性，如过于关注数据资产与无形资产的共性，忽略了数据资产价值与具体价值创造场景有关的特征，导致构建的评估模型不够准确。本文将数据资产估值建立在数据为企业创造收益的基础之上，认为要科学且准确地评估数据资产价值必须先分析数据资产的价值创造过程及表现，从而提出适用性更加广泛的收益法及多期超额收益法相结合的数据资产估值模型。

三、互联网企业数据资产价值创造分析

（一）数据资产价值创造过程

基于数据价值链理论，数据价值创造是一个包含数据加工及增值的全动态过程，涵盖清洗、融合、分析、应用等环节。胡亚茹和许宪春[ 13 ]将数据价值链分解为数据获取、数据存储、数据分析、数据应用四个环节。在数据获取环节，实现了对原本游离数据的初步收集，包括用户行为数据、交易数据、社交数据等，界定了原始数据类型，该环节成本产生于收集数据的设备购买、运行及其磨损的支出；在数据存储环节，所获取的数据加工、提炼、整合为可以被高效利用的数据资源，并被分类存储在数据平台中，该环节产生了数据平台的运维成本；在数据分析环节，经过数据库的建立及软件开发等过程，可以提取出数据中含价值的信息及知识，实现潜在价值的提升，有利于企业提高生产效率、洞悉客户需求、创造新商业模式及控制风险；在数据应用环节，数据分析阶段的输出于具体的使用场景下转变为企业经济效益，数据价值得以释放，因而数据资产化也得以实现。需要注意的是，在数据创造价值的过程中，经计算分析会不断产生新的数据，从而再次循环进入到其他环节的数据处理中，继续实现经济价值。

（二）互联网企业数据资产价值创造表现

根据对数据资产价值创造过程的分析，数据在数据获取、存储、分析阶段发生了成本支出，实现了数据资产潜在价值的累积，但并未真正给企业创造价值。只有在应用阶段才为企业带来收益，因而数据资产价值只在应用阶段才有所表现，且不同价值创造场景下数据资产价值有所不同。因此区分数据资产使用的不同场景分析互联网企业数据资产的价值表现。

在无交易场景下，数据调整原有的生产流程、提高运营效率，尤其在“供—产—销”环节效率表现更为显著。在供应环节，企业处理客户订单引入自动化流程、可视化操作等，处于供应链中的多家合作伙伴可以实现生产与服务实时交互，大大提高供应效率；在生产环节，帮助企业实时收集库存信息，有效预测产品市场需求变化，降低传统运营系统成本，促进企业重组生产流程实现[ 14 ]；在销售环节，经对用户的消费数据进行挖掘分析，能了解用户个性化需求，关注消费者情绪及客户体验，从而采取更有针对性的销售策略，提供差异化服务和个性化产品，更好地适应市场环境的动态变化[ 15 ]。无交易场景下，数据要素优化企业生产模式，提高了传统价值链上研发、生产、销售等环节的决策效率，未改变企业原有以传统生产要素为主的商业模式，为企业带来超额业务收益，称之为效率性价值[ 16 ]。

有交易场景下，企业获得许可后访问海量用户数据，充分挖掘分析其中潜在的商业信息，建立用户精准画像，从而为市场其他客户提供定制化数据产品或服务，经进一步出售收取广告费用。该场景下数据作为核心生产要素，催生出新的商业模式，触发企业运用数据技术生成新的产品及服务，与数据分析技术协同发挥价值创造作用[ 17 ]。互联网企业所掌握的数据资产价值直接转化为企业创新性收入，主要体现为企业广告收入等，称之为创新性价值[ 16 ]。基于上述分析，数据资产价值表现可概括為基于数据处理技术的决策支持系统和商业模式创新所带来的未来经济收益，数据资产价值评估就是确定该未来经济收益的现值。本文将数据资产无交易场景下与决策效率相关的净现值称为数据资产效率性价值，用数据资产带来的超额业务收益现值来衡量；与商业模式创新相关的净现值称为数据资产创新性价值，用数据资产带来的创新性收入现值来衡量。

四、互联网企业数据资产估值模型建立

（一）设计思路

近几年更多文献仅考虑数据资产在无交易场景下支持决策产生的效率性价值，而对商业模式改变引起的创新性价值并未涉及。基于此，本文运用收益法评估数据资产创新性价值，运用改进多期超额收益法评估数据资产效率性价值。

1.创新性价值评估模型

考虑到广告商是与互联网企业进行数据资产交易的最主要利益相关方，互联网企业数据资产创新性收入近似体现为企业广告收入，该部分收益由企业与第三方达成公平交易后体现在会计报表中，可以直接采用收益法评估。评估思路如下：根据历史数据运用灰色模型预测收益期内创新性收入，折现即可得到创新性价值。公式如下：

其中，n为收益期，ADk为收益期内第k年实现的创新性收入，r为折现率。

2.效率性价值评估模型

数据资产效率性价值评估难点较多，对此进行重点分析。通过分析数据资产价值创造，数据资产效率性价值依赖企业超额业务收益的实现，其本质与商誉类似，故采用改进超额收益法评估数据资产效率性价值更能体现数据资产价值创造的本质。数据资产的效率性价值创造依赖其他资产的共同参与，因此采用层次分析结合多期超额收益法确定数据资产效率性价值。整体脉络是：首先，根据企业历史净资产收益率和相关影响因素值分别采用灰色预测及BP神经网络预测企业收益期内净资产收益率，再根据误差倒数加权法确定组合预测的企业净资产收益率，类似方法得到行业净资产收益率，二者作差得到企业超额收益率；其次，将所有者权益与超额收益率相乘得到收益期各期超额收益；再次，利用层次分析法计算数据资产收益分成率，与超额收益相乘得到数据资产收益贡献值；最后，将数据资产贡献值在收益期内折现得到数据资产效率性价值。公式如下：

其中，n为收益期，Ek为第k年数据资产超额业务收益贡献值，r为折现率。

3.整体数据资产经济价值

将数据资产创新性价值与效率性价值求和得到数据资产整体经济价值。本文构建的互联网企业数据资产估值体系如图1所示。

（二）经济参数确定

1.未来创新性收入

在测算创新性价值时，用企业广告收益近似代表企业创新性收入，由于其影响因素繁多且难以量化，考虑数据的时间序列特征采用单变量灰色模型预测企业未来创新性收入。基于灰色模型的预测过程如下：

（1）将n年的广告收入序列作为初始时间序列

（2）经一次累加生成得到序列

（3）作 处理得到相邻均值序列

（4）得到灰色预测模型

（5）计算得到一次累加生成预测值

（6）通过累减还原生成广告收入的预测值序列

2.企业预期超额收益

确定数据资产效率性价值的核心步骤在于预测企业收益期内超额收益。考虑到超额收益影响因素的复杂性与非线性，本文构建基于灰色预测和BP神经网络的组合预测模型，既考虑了纵向时间序列趋势，又包含了横向相关因素的影响。灰色模型前面已有介绍，此处不再赘述。

BP神经网络是基于误差反向传播算法进行训练的前馈网络模型。该网络可以基于数据本身挖掘相互之间联系的一般规律，自动寻找输入数据与输出数据的非线性映射关系，若训练次数或训练误差未达到预设值，则会自动返回循环进行修正直至达到预设值，具有较强的学习能力，因此使用较为广泛。基于BP神经网络的预测步骤如下：

（1）数据归一化

为消除数据数量级的影响，需要对数据进行归一化处理。

（2）设定网络结构参数

该步骤需要设定神经网络结构参数，包括输入层、隐含层、输出层的节点个数，训练次数，学习速率，最小目标误差，激励函数，训练算法等。

（3）训练神经网络

经反复训练，选择与实际值拟合较好的网络，计算预测值与真实值的误差，检验模型精度及收敛性，若对输入值进行归一化处理则在该步骤需要对输出值进行反归一化。

（4）调用神经网络

将输入值输入训练好的神经网络中得到预测输出值。

3.数据资产对企业超额收益的贡献比例

数据资产作为表外资产，属于数据资产贡献的超额收益需从企业整体超额收益中分离。采用层次分析法计算数据资产对企业超额收益的贡献比例，步骤如下：

（1）确定层次结构模型（如图2所示）

（2）构建判断矩阵

对同一层次各因素相对于上一层次指标的重要程度采用1—9标度法打分，进而得到准则层与方案层的判断矩阵。

（3）求最大特征值及其特征向量

求得各判断矩阵的最大特征值λ及其所对应的特征向量。

（4）一致性检验

检验公式为：

其中，n表示判断矩阵阶数，λ表示最大特征值，RI可通过随机一致性指标表格获取，CI为一致性指标，CR为一致性比例。当CR＜0.1时，一致性检验通过。

（5）计算方案层各因素权重

一致性检验通过后，将各判断矩阵最大特征值对应的特征向量作归一化处理，得到各层判断矩阵的权向量，作内积运算后得到方案层各指标对超额收益的贡献权重。

4.计算折现率

折现率是将数据资产创造的广告收入及超额业务收益折算成现值的比率，本质为数据资产的预期投资报酬率，选取股权资本成本作为折现率。数据资产在确权、制度保护、未来收益等存在不确定性，需要考虑数据资产的特定风险报酬率。根据资本资产定价模型确定折现率公式如下：

其中：RF为无风险利率，采用国债利率代替；？茁为风险系数，可通过Wind金融终端计算得到某企业该系数；RM为股票平均市场报酬率，可通过Wind金融终端计算得到；？着为数据资产特定风险报酬率。

5.确定收益期

收益期是持有资产给企业带来收益的时间。理论上数据资产的经济寿命同企业存续期相同为无限期，因数据具有非消耗性，可以一直存于企业中，但现实使用时，受数据时效性、市场竞争、法律规定、合同协议等的影响，数据资产收益时间可能是有限的，应该充分考虑各行各业特点结合职业判断确定收益期。

五、模型应用

本文以互联网企业为研究对象。互联网企业相比其他行业拥有更丰富的数据资源，具备整合及利用数据资源的能力，能实现数据要素与企业其他资源的优势互补，同时数据实现价值创造的途径更广泛，可以为更多企业提供借鉴。TX公司作为国内互联网行业领先企业，运用自身社交网络平台形成丰富的数据资源，为用户提供互联网增值服务、网络广告服务及电子商务服务。TX公司每年创造比行业平均更多的明显收益，数据资产成为企业获取超额收益的关键性资产，数据资产价值如何、数据资产价值如何实现更大限度地释放成为企业需要解决的问题。以TX公司为例应用模型，考虑到TX公司经营多元化、业务范围广、数据更新快的特点，为保证预测准确性将该公司数据资产的收益期设为5年。

（一）数据资产创新性价值评估

1.灰色模型预测企业未来创新性收入

使用2017—2021年的历史广告收入数据对未来2022—2026年的创新性收入进行预测，并检验模型精度，结果显示预测相对误差为1.76%，拟合优度R2为0.9878，预测精度很高，预测曲线如图3所示。

2.折现率

根據资本资产定价模型，无风险利率选取2022年11月十年期国债到期收益率2.8%；股票平均市场收益率选取近十年恒生指数、上证指数、标普500指数、沪深300指数及纳斯达克100指数的年化收益率均值8.65%；风险系数根据近五年Wind金融终端该企业周收益序列计算为1.1680，则股权资本成本为9.63%。分析我国有关数据资产的规定政策及外部环境，确定企业数据资产特定风险报酬率为4%，最终确定数据资产未来收益折现率为13.63%。根据公式（1）计算得到数据资产创新性价值为4 693.35亿元。

（二）数据资产效率性价值评估

1.灰色模型和BP神经网络组合预测企业未来超额收益率

（1）灰色模型

一是预测行业净资产收益率。为保证预测准确性，灰色模型通过2012—2021年总资产净利率、权益乘数数据预测未来净资产收益率。结果显示：灰色预测行业总资产净利率平均绝对误差为1.4825，相对误差为19.10%；预测行业权益乘数平均绝对误差为0.0484，相对误差为2.98%。模型精度较高，实际值在预测值上下发生较小波动，可以用来预测，预测曲线如图4、图5所示。二者相乘得到行业净资产收益率。

二是预测企业净资产收益率。结果显示：灰色预测企业总资产净利率平均绝对误差为1.7119，相对误差为12.7%；预测企业权益乘数平均绝对误差为0.1449，相对误差为6.89%。模型精度较高，实际值在预测值上下发生较小波动，可以用来预测，预测曲线如图6、图7所示。二者相乘得到企业净资产收益率。

（2）BP神经网络

一是行业净资产收益率预测。本文在选取影响互联网行业收益的因素时，从宏观经济、行业特征、消费人群三个方面考虑，最终选取8个影响因素：居民人均可支配收入，国内生产总值，行业净资产收益率的分解指标营业净利率、总资产周转率、权益乘数，互联网企业数量（沪深A股剔除ST及*ST），网民数量，15～64岁人口数。构建神经网络模型时，输入层与隐含层、隐含层与输出层的激励函数分别为“tansig”型和“purelin”型，训练算法选取“trainlm”型。依据BP神经网络建模原理确定的最终网络相对误差为8.6923%，精度较高。回归系数如图8所示，训练集、测试集、验证集以及整体相关系数分别为0.99289、0.99772、0.99174、0.99024，训练的神经网络模型输出值和实际值非常接近，趋势一致，预测结果可信。用该神经网络模型对未来行业净资产收益率指标进行预测，预测曲线如图9所示。

二是企业净资产收益率预测。从宏观经济、企业特性、消费人群出发，选取10个影响企业收益的因素：居民人均可支配收入，国内生产总值，企业净资产收益率的分解指标营业净利率、总资产周转率、权益乘数，企业营业收入，无形资产，固定资产，15～64岁人口数，企业活跃用户数。确定的网络相对误差为1.4777%，精度较高。回归系数如图10所示，训练集、测试集、验证集以及整体的相关系数分别为1、0.99931、0.99764、0.99632，训练的神经网络模型输出值和实际值非常接近，趋势一致，预测结果可信。用该神经网络模型对未来的企业净资产收益率指标进行预测，预测曲线如图11所示。

（3）确定组合预测模型

组合预测可以弥补某单项预测模型的劣势并充分发挥各个模型的优势，有效从原始数据中提取更多的有用信息，最终达到提高预测准确性的效果。变权组合预测模型能够实现在每一个样本点上赋予误差较小的模型以较大的权重，比定权组合预测模型更加精确。运用误差倒数加权法[ 18 ]计算未来时刻各单项预测模型的变权重系数。本文涉及两个单项预测模型，组合预测模型公式如下：

其中，■kt为t时第k种单项预测模型预测值；■t为t时各单项模型的加权平均预测值；ekt为t时第k种单项模型的预测误差平方和；wkt为t时第k种单项预测模型的权重；■t为t时的变权组合预测值。根据公式得到2022—2026年企业及行业净资产收益率组合预测值，差额为超额收益率，2022—2026年超额收益率依次为18.03%、15.70%、12.46%、11.66%、12.42%。

2.企业超额收益确定

基于新信息优先原理，运用灰色模型预测企业未来所有者权益，根据公式（3）计算未来各期超额收益，2022—2026年超额收益依次为25 192 797.82、30 031 424.16、32 631 950.03、41 828 276.85、60 973 724.58（单位：万元）。

3.层次分析法确定数据资产收益分成率

根据图2确定的层次结构模型，通过了一致性检验，得到方案层各指标对超额收益的贡献权重，结果如表1所示。根据公式（4）得到企业数据资产的效率性价值为6 297.35亿元。

（三）数据资产经济价值确定

数据资产总经济价值为创新性价值与效率性价值之和，计算得到10 990.67亿元，计算过程如表2所示。2021年12月31日该企业市值为35 885.3亿元，数据资产价值占比为30.63%，可见进一步释放数据资产的价值对企业价值提升能发挥重要作用。

六、结论

数据是数字经济市场关键的生产要素，数据资产化也成为各行各业驱动创新和提升竞争力的必然途径，数据资产价值评估需求亟待解决。围绕数据资产价值研究主题，本文首先对数据资产相关研究进行回顾与归纳，系统梳理了数据资产概念、价值评估方法；其次，整合了已有的数据为企业创造价值的观点，探究数据资产价值创造的过程及表现；再次，基于价值创造视角，构建了基于收益法及灰色神经网络—超额收益法的互联网企业数据资产估值模型，提出用收益法评估数据资产创新性价值，用超额收益法评估数据资产效率性价值，引入灰色及BP神经网络预测方法改进模型参数，得到数據资产价值；最后，辅以具体案例使用该模型评估数据资产价值，为企业数据资产价值评估实践提供理论参考。

本文为评估互联网企业数据资产价值提供了新思路，但尚有不足：第一，采用BP神经网络预测时依赖企业及行业的历史数据，数据量较少，可能会对组合预测结果产生影响，从而导致预测产生偏差；第二，以互联网企业为评估对象，对其他行业应用该模型，创新性收入如何衡量需进一步研究；第三，折现率选择时虽加入了数据资产特定风险报酬率，但由于数据资产相关研究仍然不够完善，该报酬率选取的准确性有待考察。基于以上不足，笔者认为未来需要对数据资产理论、数据资产超额收益、数据资产折现率等展开深入研究，以期为企业提供更加准确和科学的数据资产估值体系。

【参考文献】

［1］ 齐佳音，张国锋，王伟.开源数字经济的创新逻辑：大数据合作资产视角［J］. 北京交通大学学报（社会科学版），2021，20（3）：37-49.

［2］ 李静萍.数据资产核算研究［J］.统计研究，2020，37（11）：3-14.

［3］ 胡安琴.业财融合下创效型数据资产的会计计量与披露［J］.会计之友，2023（4）：134-139.

［4］ 黄科满，杜小勇.数据治理价值链模型与数据基础制度分析［J］.大数据，2022，8（4）：3-16.

［5］ 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.

［6］ 李晓华，王怡帆.数据价值链与价值创造机制研究［J］.经济纵横，2020（11）：54-62，2.

［7］ 任晓波.如何认识和测算数据的经济价值［J］.竞争情报，2021，17（2）：2-10.

［8］ 廖东声.数字资产估值问题研究［J］.会计之友，2022（13）：2-9.

［9］ 王重润，王文静，赵冬暖.基于讨价还价模型的大数据资产定价研究［J］.会计之友，2023（6）：20-29.

［10］ 尹西明，林镇阳，陈劲，等.数据要素价值化动态过程机制研究［J］.科学学研究，2022，40（2）：220-229.

［11］ 苑泽明，张永安，王培琳.基于改进超额收益法的企业数据资产价值评估［J］.商业会计，2021（19）：4-10.

［12］ 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］.技术经济及管理研究，2019（7）：73-78.

［13］ 胡亚茹，许宪春.企业数据资产价值的统计测度问题研究［J］.统计研究，2022，39（9）：3-18.

［14］ DUBEY R，GUNASEKARAN A，CHILDE S J，et al.Big data and predictive analytics and manufacturing performance：integrating institutional theory，resource-based view and big data culture［J］.British Journal of Management，2019，30（2）：341-361.

［15］ DONG J Q，YANG C H.Business value of big data analytics：a systems-theoretic approach and empirical test［J］.Information & Management，2020，57（1）：103124.

［16］ 遲考勋，邵月婷，苏福.大数据价值来源、价值内容与价值创造机理：基于2011—2021年管理类和商业类SSCI期刊分析［J］.科技进步与对策，2022（22）：151-160.

［17］ 刘悦欣，夏杰长.数据资产价值创造、估值挑战与应对策略［J］.江西社会科学，2022，42（3）：76-86.

［18］ 吕欣曼，殷克东，李雪梅.灰色多元变权组合预测模型及其应用［J］.统计与决策，2022，38（14）：25-29.