2023年商业银行数据资产估值白皮书.pdf

商业银行数据资产估值白皮书 7 目 录 序言.3 前言.4 第一章 数字经济时代对研究、掌握数据生产要素的迫切需求.10 一、中央和地方对数据要素高度重视、积极实践.11 二、自由流转、平等定价及公平交易的数据要素交易市场格局亟待建立.11 1 明确的数据权属是数据要素市场化发展的前提和基础.12 2 统一的数据资产估值及定价标准是数据要素配置的重要手段.12 3 健全的数据资产交易机制是数据要素市场化的有力保障.13 第二章 数据资产定义、特点及管理.14 一、数据、资产及数据资产定义.15 1 数据的定义.15 2 资产的定义.15 3 数据资产定义.16 二、数据资产的特点.17 1 非实体和无消耗性.17 2 可加工性.18 3 形式多样性.18 4 多次衍生性.18 5 可共享性.18 6 零成本复制性.19 7 依托性.19 8 价值易变性.19 三、数据资产管理的发展阶段.19 1 数据管理阶段（“十五”初期至“十一五”末期）.20 2 数据治理阶段（“十二五”初期至“十三五”中期）.20 商业银行数据资产估值白皮书 8 3 数据资产管理阶段（“十三五”中后期至今）.21 第三章 数据资产估值的理论方法.22 一、货币度量估值方法.23 1 货币度量估值方法介绍.23 2 货币度量估值方法的应用情况.26 二、非货币度量估值方法.27 1 非货币度量估值方法介绍.27 2 非货币度量估值方法的应用情况.29 第四章 光大银行数据资产估值实践.32 一、数据资产估值假设.33 1 现状利用假设.33 2 公开市场假设.33 3 持续经营假设.33 二、数据资产估值实施方案设计与计算示例.33 1 确定估值目的与范围.33 2 明确数据资产估值对象.34 3 选择数据资产估值方法.35 4 优化成本法估值实施方案与计算.36 5 优化收益法估值实施方案与计算.42 6 优化市场法估值实施方案与计算.50 三、数据资产估值实施方案特点.54 1 体现了数据资产“非实体性&无消耗性”“可加工性”等特点.54 2 体现了数据资产价值与数据规模间的关系.55 3 关注数据资产调用情况与价值产生的强相关性.55 4 体现了数据资产价值与数据应用间的关系.56 5 体现了数据质量对数据资产价值实现的影响.57 商业银行数据资产估值白皮书 9 第五章 促进数据要素市场科学有效发展的建议.58 一、通过积极的政策激发数据要素市场活力.59 1 推进和完善顶层设计，使数据市场发展有法可依.59 2 确定数据要素流通角色，保护数据流通相关方权利.59 3 研究制定多样化的支持政策，促进各主体数据共享意愿.59 4 通过产学研一体化研究推动新技术在数据要素流通中的创新使用.60 5 建立社会公共数据共享流通的机制，活跃市场交易.60 6 建立试点机制，允许先行先试，逐步完善市场.61 7 鼓励开展多种数据市场模式.61 二、制定市场原则，审慎包容指导市场有序发展.62 1 鼓励行业开展自律，形成行业协同监管局面.62 2 建立交易争端仲裁机制，完善市场运营机制.62 3 建立数据共享的标准，提升数据共享效率.62 4 建立指导定价机制，促进市场有序良性竞争.63 5 建立全新监管理念，维护数据要素市场秩序.63 附录 A 央地政策及决策层重要讲话梳理.64 附录 B 国家法律法规、规章政策列表.66 附录 C 国家相关标准列表.71 附录 D 重要行业、学术研究列表.73 附录 E 当前主要交易所或交易平台介绍.77 附录 F 当前大数据交易模式及优劣势分析.83 附录 G 优化后数据资产估值计算方法.86 参考文献.97 第一章 数字经济时代对研究、掌握数据生产要素的迫切需求 10 商业银行数据资产估值白皮书 11 随着数字中国建设的推进，各行业的数据资源采集能力不断提升，进而促进更快更多的数据积累；数据作为数字经济时代的核心生产要素，在推动产业升级和千行百业的数字化转型过程中发挥着不可替代的作用，已然成为产业高质量发展和行业数字化转型的基础燃料。加快数据要素流转交易，激发数据资产价值转化，已经成为数字中国建设的关键引擎。一、中央和地方对数据要素高度重视、积极实践 2020 年 4 月，中共中央 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（以下简称意见）重磅发布，明确提出“加快培育数据要素市场”的要求。2021 年 1 月 31 日，中共中央办公厅、国务院办公厅印发了建设高标准市场体系行动方案，进一步提出“建立数据资源产权、交易流通、跨境传输和安全等基础制度和标准规范，推动数据资源开发利用”。2021 年 3 月，“十四五”规划中提出“迎接数字时代，激活数据要素潜能”，“充分发挥海量数据和丰富应用场景优势，促进数字技术和实体经济深度融合”。2021 年 6 月，中华人民共和国数据安全法（下称数据安全法）发布，标志着我国将数据安全保护的政策要求，通过法律文本进行明确和强化。同月，深圳市司法局发布 深圳经济特区数据条例（下称 数据条例），明确提出数据的人格权和财产权，同时规定政府和市场各方主体在培育要素市场中的主要任务，引导市场主体通过依法设立的数据交易平台进行数据交易，支持数据价值评估、数据交易模式创新，为数据要素市场培育提供了全面保障。多项政策的出台，不仅凸显了国家对数据要素的高度重视，更是在战略高度上强化了完善数据要素属性和市场流通性的重要意义，明确了数据要素市场体制机制建设的方向和重点改革任务，坚定了产业界推进数字化转型的决心。二、自由流转、平等定价及公平交易的数据要素交易市场格局亟待建立 通过国家、地方政府及数据交易市场的参与方在数据要素融合方面做出的种种努力及探索，可以看出促进数据要素市场发展的三大驱动力，即法律角度的数据确权，财务会计角度的数据估值或定价，和市场角度的数据交易。然而，在实践探索过程中，由于数据资产确权存在争议、数据资产交易受阻、数据资产估值困难等原因，数据资产要素化的进程仍面临诸多挑战。第一章 数字经济时代对研究、掌握数据生产要素的迫切需求 12 1明确的数据权属是数据要素市场化发展的前提和基础 土地、资本等其他的生产要素通常有较为明确的权利类型与权利归属，但由于数据资产无实体、可多次衍生等特点，当前数据资产确权尚缺乏实际的规则标准，相关法律文件界定标准难以满足数据要素在流通过程中的实际应用需求。相关法律规定的不完善给数据要素化的合法性、可行性带来挑战。首先，当前法律体系对数据权属、权利类型规定不明确，数据交易者无法判断交易双方是否有特定交易资格，这带来了较高的交易风险。其次，尽管各数据交易所的交易规则暂时部分发挥了相关法律的作用，但出于合法考虑，各交易规则都将涉及个人信息的数据排除在可交易范围外，这实际上将一部分对于企业最有价值的数据完全拒之门外，在一定程度上阻碍了数据资产的要素化。2统一的数据资产估值及定价标准是数据要素配置的重要手段 价值是资产的核心属性，数据资产估值体系是探索数据要素定价机制及价值核算的重要参考，对厘清数据、制定统一数据要素定价标准、实现数据要素的有效配置具有重要意义。对社会而言，数据资产估值研究为交易市场的统一数据定价模式形成提供系统框架和标准参考，促进数据资产要素流通市场的构建，提升行业对于数据资产价格的公允认知。对企业自身管理而言，数据资产估值结果能够有效提升各方业务的开展水平与管理能力。一方面，管理层能够从统一的视角，直观了解企业的数据资产价值，并依据评估结果做出数据资产相关的战略决策。周期性的数据资产估值帮助企业将数据价值与业务价值相连接，发掘高价值密度的数据，对未来数据挖掘、分析工作提供方向性指导，做到工作有的放矢。另一方面，在上下级沟通或部门沟通中，具有准确量化价值的数据资产有助于沟通双方对数据产生共同理解，减少企业沟通成本，提高运营效率。但由于数据资产与传统的有形资产和无形资产均有一定差异，其评估问题难以使用当前的资产评估体系解决,目前行业内尚无完整可操作的数据资产评估体系，评估模型和相关影响因子的选取等评估的基本问题也尚未统一。传统资产评估方法主要包括成本法、收益法和市场法三种。相比于传统资产，数据资产具有其独特性，而这些独特性导致传统评估方法在数据资产估值的实践中局限性较大。此外，当前数商业银行数据资产估值白皮书 13 据资产估值方法体系的研究探索尚处在理论层面，企业开展数据资产估值的实践较为少见。为探索具有较强实操性的数据资产估值方案，本书将结合数据资产特性，对各类评估方法的适用前提、优劣势以及数据资产价值的影响因素等内容进行对比分析，并提出优化方案设计，同时针对优化方案在实施过程中需要关注的重点内容提出建议。3健全的数据资产交易机制是数据要素市场化的有力保障 除数据资产交易前的确权和评估问题外，数据资产交易本身面临的挑战主要在于交易机制不统一和数据安全保障难两大方面。统一的交易机制是数据资产交易的前提。目前，虽然各地已陆续建立起一些数据交易市场，但是全国范围内仍缺少大规模、集中的数据交易中心，因此也缺乏一致的交易体系，尤其对于交易规则、数据登记、会员制标准、信息披露制度等方面均有进一步完善的空间。而如何在数据资产交易过程中保障数据安全这一问题同样需要讨论。数据资产交易过程涉及数据提供方、数据接收方、交易中介等多个参与方，各参与方均可能会出现未经许可复制、对外共享或交易数据的行为即使从数据安全角度完善法律，也有可能出现由于数据资产交易权属不明确导致的越权使用等问题。为解决此类问题，行业内仍需要相关的法律法规和交易技术标准出台，推进数据交易全流程的良性互动和安全协同。第二章 数据资产定义、特点及管理 14 商业银行数据资产估值白皮书 15 数据作为新型生产要素，具有巨大潜在价值已经达成了广泛共识，数据资产化已成为企业数据资产管理的重要环节。早在 2013 年，大数据之父舍恩伯格就在大数据时代一书中指出，“虽然数据还没有被列入企业的资产负债表,但这只是一个时间问题。”但是要探索数据转化为资产并进行会计计量和流通的前提条件和转化机制，首先需要厘清数据资产相关的概念。一、数据、资产及数据资产定义 1数据的定义 长期以来，关于数据的定义和描述早已汗牛充栋。大多数理论研究强调，数据是对客观事实的归纳和反映。国际标准化组织（ISO）对数据定义为，对事实、概念或指令的一种特殊表达形式，通过人工或自动化装置进行通信、翻译和处理。美国质量协会（ASQ）将数据定义为可以收集到的一组事实。数据安全法将数据定义为任何以电子或者非电子形式对信息的记录。数据条例将数据描述为关于客体（如事实、事件、事物、过程或思想）的描述和归纳，是可以通过自动化等手段处理或再解释的素材。在数字经济时代，国家将数据列为重要生产要素数据，按贡献参与收益分配。2资产的定义 从人类社会发展的历史来看，对资产的形态和范围的认知从最初的实物资产到后来的无形资产再到当下数据资产，经历了持续扩张和深化的过程。目前较为权威的对资产的定义主要来自国际会计准则及我国财政部的企业会计准则。国际会计准则在框架中将资产定义为“资产是指作为以往事项的结果而由企业控制的可望向企业流入未来经济利益的资源”。财政部企业会计准则-基本准则（2014 年修正）第二十条规定，“资产是指企业过去的交易或事项形成的、由企业拥有或控制的、预期会给企业带来经济利益的资源”。企业会计准则第 6 号无形资产进一步对无形资产的定义进行明确，无形资产是指企业拥有或控制的没有实物形态的可辨认非货币性资产。由此可见，对资产的定义，当前形成的共识应该包括四方面特征：一是从资产的来源角度，资产由过去的交易或事项形成，是对企业历史信息的反映，未来预期中的交易和事项不形成资产；第二章 数据资产定义、特点及管理 16 二是从资产的法律属性来看，企业需拥有某项资产的所有权或控制权，从而使得该资产产生的经济利益能可靠地流入该企业；三是从资产的经济属性来看，资产不管是有形的还是无形的，必须能够为企业提供未来经济利益，这是资产确认的本质要求；四是该资源的成本或价值能够可靠计量。3数据资产定义 通过对数据和资产的分析可以发现，数据在特定的条件下符合会计学中对资产的定义。数据的资产属性已经在法律层面、国家及行业标准、学术界等获得普遍的认可。在法律规章层面，虽然尚未对数据或数据资产做出正式的统一的定义，但是部分法律已提及了数据相关概念，或对数据保护提出了总体性要求，或对数据的权属进行明确。例如，数据条例中明确提出了数据权的概念，规定自然人、法人及非法人组织对其合法处理数据形成的数据产品和服务享有法律、行政法规及本条例规定的财产权益。数据安全法第七条规定，“国家保护个人、组织与数据有关的权益，鼓励数据依法合理有效利用，保障数据依法有序自由流动，促进以数据为关键要素的数字经济发展”。在国家标准层面，部分细分领域或行业已结合自身情况率先对数据资产进行了较为明确的定义。例如电子商务数据资产评价指标体系（GB/T 37550-2019)中明确提出“数据资产是以数据为载体和表现形式，能够持续发挥作用并且带来经济利益的数字化资源”，并明确指出“数据资产包括结构化、非结构化数据和半结构化数据”，“数据资产能够估值、交易，并以货币计量”，“数据资产能够为组织带来潜在或实际价值”等内容。该定义较为全面地从数据资产的展现形式、价值体现、分类、特质等方面阐述了数据资产可以为组织带来直接或间接价值的能力，并且可用货币进行计量的特点。学术方面，相关领域行业专家和学者一直积极致力于数据资产领域的研究，目前已经基于不同的研究角度，提出了对于数据资产的定义。早在 1974 年，“数据资产”一词就最早由 Peters提出；国内对数据资产的明确定义则最早由朱扬勇等学者于 2018 年提出，他认为“数据资产是拥有数据权属(勘探权、使用权、所有权)、有价值、可计量、可读取的网络空间中的数据集”，强调了数据的权属问题；2019 年 6 月，中国信通院发布的数据资产管理实践白皮书 4.0中则商业银行数据资产估值白皮书 17 提到了关于数据资产的定义：“数据资产是指由企业拥有或者控制的，能够为企业带来未来经济利益的，以物理或电子的方式记录的数据资源，如文件资料、电子数据等”，该定义从数据资产的权属、功能特点、表现形式等方面对数据资产进行概述。总体而言，目前在国家法律规章、行业标准及学术界，已逐步对数据资产的定义有一些探索性研究和尝试，但是仍处于起步阶段。因此，结合数据、资产无形资产的定义以及国家标准、行业指引、专家学者文献等研究实践，本书从企业应用的角度将数据资产定义为企业过去的交易或事项形成的，由企业合法拥有或控制，且预期在未来一定时期内为企业带来经济利益的以电子方式记录的数据资源。其具体意义可表述为以下几点：（一）“企业过去的交易或事项形成”是指数据必须是现实存在的，未来预期产生或获取的数据不能划分为数据资产。（二）“由企业合法拥有或控制”，是指数据来源及出处必须合法合规，企业以不正当手段非法获取的、有产权争议的、无法控制的数据资源不能确认为数据资产。（三）“预期在未来一定时期内为企业带来经济利益”，是指数据资产预期在未来一段时间内，通过直接或间接等形式为企业带来持续经济效益，没有经济价值或在现有的技术条件下无法确定未来经济利益的数据以及不能反复连续使用的数据不能划分为数据资产。（四）“电子记录”是指能够通过盘点、注册等管理手段，对数据资产进行识别、记录及计量，对于手工记录的数据，不纳入数据资产范围。二、数据资产的特点 总结梳理理论研究与行业实践成果发现，相比于传统的有形资产和无形资产，数据资产还具备若干特殊属性。这些属性导致其估值面临较大挑战，也是在未来逐步构建和完善数据资产估值体系中需要持续考虑和优化的内容。1非实体和无消耗性 相比于传统有形资产，数据资产具有非实体性和无消耗性。传统有形资产通常具备消耗性，只能由一个使用方、用于某一种用途。例如，机器会随着使用次数增加而产生消耗，寿命降低；第二章 数据资产定义、特点及管理 18 原材料在加工后即转变为新的产品。数据资产价值并不会因为正常的使用频率增加而磨损或消耗，数据资产的无消耗性，确保了其在存续期间可以被无限循环利用。与此同时，在数据资产估值过程中也需要考虑其可以重复使用的特性。2可加工性 数据资产可以被多维度加工，加工处理后的数据可以成为一种新的数据资产。具体而言，数据资产可以被维护、更新、补充，以增加数据量；也可以被删除、合并、归集，从而消除冗余；还可以被分析、提炼、挖掘，进一步丰富数据资产的信息量。数据的可加工性，确保了数据使用者可以通过各类数据技术，将数据转化为更多样的形式，挖掘数据中的信息，发展数据应用能力。3形式多样性 通常而言传统资产只具备一种固定形式，而数据资产有非常丰富的展现形式。即在可加工性的基础上，数据资产可以通过与各类数据处理技术相结合，被多样化地展示、应用以及在多种形式中转换，从而满足不同数据消费者的需求。例如，可以通过各类报表对财务数据进行统计以满足财务管理与记账的需求；而对于各类管理指标数据，则可以通过各类可视化工具，以图形等方式，便于企业管理层更加直观地了解企业的整体情况。4多次衍生性 同一数据主体可以被多层次多维度加工，从而衍生出不同程度的数据价值。数据资产多次衍生性的有效利用，可以帮助企业进行多层次、多维度数据资产潜在价值挖掘，丰富企业数据资产整个生态链，推动企业实现数据驱动的目标。数据资产的使用者可以根据不同的需求和数据算法，从而生产出不同维度的衍生数据。例如，对于直接采集的原始客户数据，可通过轻度汇总加工，以形成数据平台中可供各类应用系统复用的数据；进一步地，业务部门可在此基础上加工衍生出对客户偏好的分析与画像，风险管理部门也可进一步衍生对客户风险等级的判断数据。5可共享性 数据资产的共享性，指数据资产可以无限地进行交换、转让和使用，为他人所共享。同一数据可以同时支持多个主体使用，不同主体对同一数据的利用将产生不同的价值，这一特性，成为企业数据价值挖掘的关键着力点，利用好数据的共享性，将能最大限度地挖掘数据资产价值商业银行数据资产估值白皮书 19 6零成本复制性 数据资产的成本主要在于前期的数据获取、研究开发阶段，因此初创数据资产的成本极高，但以后的产品由于可无限复制，其边际成本趋于零，这可能会导致相同的数据资产具有截然不同的成本。另一方面，数据资产的零成本复制性也使其在可共享性的基础上能被更多人所用，产生大量的潜在交易需求和价值。7依托性 数据资产不能独立存在，因此需要依托于某种介质进行存储和加工。数据资产依托的介质十分多样化，包括磁盘、硬盘等。同时，数据资产发挥其作用与效应也需要依托于有形资产，例如计算机和其他硬件设备。因此在计算数据资产的价值和相关成本时，也需要考虑数据资产所依托的介质成本。在评估中，需要考虑数据资产依托的有形资产的折旧和维护成本等，由此获得较为准确的数据资产成本。8价值易变性 相比于传统无形资产，数据资产的价值更易受到多种因素的影响，即具有价值易变性。通常而言，数据技术的发展、数据相关政策的变化、数据应用场景的丰富等因素变化，数据资产的价值也随之改变，且变化的程度较为明显。例如，某企业过往制定的某算法模型，随着机器学习算法的发展，原有模型的准确率将远远低于运用最新技术的模型，其价值受到技术因素的严重影响。同时，当前数据确权、数据安全及隐私保护等相关法律法规正在逐步完善中，随着相关政策的明确，将决定不同类型或主题的数据资产是否具有交易价值。上述八大数据资产特征将在后续的具体评估方案设计中体现于参数选择、参数计算、对象划分等各个阶段，是数据资产评估的必要前提假设。三、数据资产管理的发展阶段 着眼历史，数据体系化管理的发展进程总体可以分为数据管理、数据治理及数据资产管理三个阶段。尽管企业在三个阶段中数据管理水平不同，但在各个阶段中都根据自身的实际情况与对第二章 数据资产定义、特点及管理 20 数据重要性的认识，做出了重要且必要的变革。随着数据管理水平的提升，企业愈发能够通过数据持续优化内部结构，增加收益。1数据管理阶段（“十五”初期至“十一五”末期）从“十五”初期到“十一五”末期，我国数据资产管理水平处于数据管理阶段。在这一阶段，数据仅在内部技术应用中发挥作用企业以技术部门牵头，联合业务部门参与的形式，利用人工及简易工具对数据进行管理。此阶段数据管理工作的重点关注数据仓库及集市的建设、数据存储效率和硬件空间的研究等，其数据管理对象以结构化的内部数据为主，大多按照 DAMA数据管理体系划分的 10 个领域进行具体管理。以银行为例，在此阶段各家银行重点关注内部报表及外部监管报送的准确性问题，主要依托数据仓库及数据集市，由科技部门牵头，具体业务部门参与，利用电子表格等手工方式对行内的结构化数据开展数据标准、数据质量及主数据等方面的建设与管理。2数据治理阶段（“十二五”初期至“十三五”中期）随着信息服务业的蓬勃发展，数据技术管理逐步演化为数据内容管理，数据体系化管理开始步入数据治理阶段。这一阶段，企业更加注重数据的业务含义，主要使用数据进行经营决策及内部管理决策，如管理优化、监管合规、成本管控等，强调开展数据治理整体规划、建立组织级数据管理体系，此阶段虽然内部数据的管理增加，但由于管理分散、形式多样等原因，统一的管理标准始终未能形成。以银行业为例，2011 年 6 月，中国银行业监督管理委员会（今中国银行保险监督管理委员会）颁布中国银行业信息科技“十二五”发展规划监管指导意见，明确要求银行建立专业化的数据治理决策机制及管理机制，这标志着银行业进入数据治理阶段。随着数据应用与业务融合的不断深入，业务部门在数据领域的地位逐渐凸显，与技术部门共同采用人工、工具与平台对内外部数据进行数据治理。各家银行均在内部建立起专业的数据管控平台，从而进行数据管控及数据治理。国际数据管理协会（The Global Data Management Community，DAMA），是一个由技术和业务专业人员组成的国际性数据管理专业协会 商业银行数据资产估值白皮书 21 3数据资产管理阶段（“十三五”中后期至今）数据资产管理阶段是在原有数据治理的基础上，以数据价值为导向的进一步发展和提升。此阶段管理目标由单一的内部应用发展为内外部应用并举，企业在对数据资产的管理中不止考虑数据质量、安全和有效利用，更关注数据经济效益、应用价值，以及促进业务发展的能力。数据资产管理逐步成为企业提升核心竞争力和前瞻布局的重要环节。数据资产管理一般包括三个层面的内容：数据资产的管控、数据资产的应用、数据资产的运营。通过数据资产的管控，企业的数据能够变得更加准确、一致、完整、透明、安全，由此降低采集、开发、管理、沟通和使用中的成本；通过数据资产的应用，企业数据的使用过程得以更加人性化、易用、快捷、智能，从而提升企业管理层和业务人员利用数据做出业务决策的能力，提升客户及营销管理的水平；通过数据资产的运营，企业能够支持数据资产的分发、开放、交换、交易、共享等数据对外服务，建立数据资产管理的生态体系，从而促进数据资产的价值实现。其中数据资产运营可以划分为数据资产规范、数据资产登记、数据资产管理服务、数据资产评价与数据资产估值五个阶段。数据资产规范是数据资产有效运营的前提保障，通过定义数据资产及其范围、明确数据资产描述框架及制定数据资产管理办法等，为数据资产运营提供规范和标准。数据资产登记是数据资产运营的基础支撑，根据数据资产的描述框架，对数据资产进行全面的盘点并开展登记，深入挖掘数据资产间的关联关系，最终汇总为机构数据资产清单，从而全面、真实反映数据资产的总量、结构、分布等情况。数据资产管理服务是数据资产运营的核心所在，通过宣传数据资产运营理念，对数据用户进行推广，提升全行数据资产责任意识，同时结合数据中台优化和软件开发流程，提供工具，将服务推送到用户端，从而实现数据资产的高效共享。数据资产评价与估值是数据资产运营的有效举措，通过对数据资产的管理、使用情况进行全面评估，运用科学的方法和适用的原则，以货币为计算权益的统一尺度，对在一定时点上的数据资产进行价值评估，从而实现以数据价值为导向的持续运营能力的提升。数据资产管理是企业充分发挥数据价值的必经之路。通过近 20 年的发展和三个阶段的进化，数据资产管理能力逐步从理论走向实践，企业对数据资产管理的意识也逐步加强，企业数据能力逐渐内化为企业内部管理能力的一部分。第三章 数据资产估值的理论方法 22 商业银行数据资产估值白皮书 23 通过对传统资产评估方法及各类理论研究方法的梳理，数据资产估值方法按照估值结果的形式分为以货币度量的估值方法及非货币度量的估值方法两类。货币度量的估值方法以传统资产评估方法为代表，主要包括成本法、收益法以及市场法三大类，此外还包括由 Gartner 提出的浪费价值(WVI，Waste Value of Information)和风险价值（RVI，Risk Value of Information）两种货币类评估模型。非货币度量法主要包括 Gartner 提出的内部价值（IVI，Intrinsic Value of Information)、业务价值（BVI，Business Value of Information)和绩效价值（PVI，Performance Value of Information)三类模型，分别从数据的内部特征、业务价值和绩效的角度进行评估，同时也涵盖实践中各类参数形成的综合评估体系。一、货币度量估值方法 1货币度量估值方法介绍 当前主要的货币度量估值方法如 3.1 所示：表 3.1 货币度量估值方法概述 方法 概述 成本法 从待评估数据资产在评估基准日的重置成本中扣减价值损耗得到数据价值。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。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，拥有高质量、大规模等特征的数据价值更高。WVI模型 考虑数据质量低下导致的低业务绩效或负债金额，对数据的价值进行反向论述。RVI模型 强调某些数据的缺失可能尚未对企业造成实质性损失，而只是对其业务造成了潜在的业务风险和负面影响。（1 1）成本成本法法 成本法，又称重置成本法，是将在当前条件下重新购置或建造一个全新状态的评估对象所需的全部成本与合理利润，减去各项贬值后的差额作为评估对象价值的一种评估方法。其中考虑合第三章 数据资产估值的理论方法 24 理利润的主要原因是需要将资产生产者的风险成本纳入考量，而合理利润是风险成本的量化估计。确定成本法的可用性时需要考虑以下两点：其一，成本与价值是否具有对应性；即计算的重置成本应能较好地体现资产的待评估价值，否则成本法评估值意义较弱。其二，相关历史资料是否具备可得性；成本法是以历史资料为依据确定目前价值，其中重置成本包括各类相关合理成本项，只有此类数据在企业内部可以获得，成本法才具有可行性。（2 2）收益法收益法 收益法，是通过估算被评估资产的未来预期经济收益，并将预期值折现作为评估资产价值的一种方法。相比重置成本法中对数据资产获取代价的关注，收益法更注重数据资产能够为企业带来的超额收益能力。收益法的思路源自资产本身的定义，即：资产预期会给企业带来经济利益的流入。确定收益法的可用性需要考虑以下三点：其一，未来收益是否可以合理预期并用货币进行计量，即需要清晰把握数据资产与企业经营收益之间是否存在着可以连接、可以预测的关系。其二，预期收益所伴随的风险价值是否可以合理预期并用货币进行计量，即需要明确收益的不确定性是否可以预测。其三，获利年限是否可以预期，即收益年限需要用于计算后续的时间价值折现，因此确定资产的盈利期间是收益法实施的重要条件。（3 3）市场法市场法 市场法，又称比较市场法，是按所选参照物的现行市场价格，通过比较被评估资产与参照资产之间的差异并加以量化，以调整后的价格作为资产评估价值的方法。市场法要求充分利用类似资产成交价格信息，采用比较和类比的思路估测被评估资产的价值。确定市场法的可用性时需要考虑以下两点：其一，是否具备充分发育且活跃的资产市场，即市场法通常需要已有的可比交易作为基础，且出于准确性考虑一般需要找到三个及以上的类似参照资产，将结果加权平均。如果评估资产所在的市场没有相关参照物或者相关交易，市场法则较难启用。商业银行数据资产估值白皮书 25 其二，对标资产与被评估资产的资料可得性，即市场法的另一关键是将被评估资产与对标资产的各项指标参数进行比较，因此需要确认是否可以收集到可比资产的关键技术参数、属性等。（4 4）其他货币度量估值方法其他货币度量估值方法 在 2020 年 Gartner如何衡量信息资产的净值报告中，提出了从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资产的价值进行评估。WVI 模型描述了数据质量低对企业造成的可避免的实际额外成本。数据质量低可能会造成企业运行中出现重大意外事件、操作流程执行不佳，产生业务损失与商机损失、监管罚款、声誉损失等，以上情况所造成的额外成本均可以看作 WVI 模型的影响因素。此外，在企业运营中，某些数据的缺失可能尚未造成实质性损失，但已经对业务带来了潜在的业务风险和负面影响。对于此类情况，可以使用 RVI 模型补充评估数据资产的价值。确定上述两种方法的可用性时，需要考虑待评估数据资产的缺失带来的直接或间接损失是否易于衡量。值得注意的是，WVI、RVI 在本质上都是对未来的（负）收益折现的方式。因此，尽管这两种评估方式与传统方式参数不同，但其仍可被划归为收益法范畴。对上述所示货币类估值方法的核心思路与优劣势对比分析如表 3.2 所示：表 3.2 货币类度量方法对比分析 第三章 数据资产估值的理论方法 26 2货币度量估值方法的应用情况 尽管货币类资产评估方法当前已经有较为成熟的方法体系，但数据资产与传统资产间有较大差异，当前估值方法难以适用于数据资产，市场当前也无实际应用货币度量类的估值方法对数据资产价值进行衡量的先例。另一方面，从现有市场中的部分公司收购等案例来看，越来越多将数据资产的价值纳入考虑。案例一：2012 年，F 公司宣布以 190 亿美元收购即时通讯应用企业 W，但事实上 W 公司当年估值仅为 2000 万美元，该收购的发生是由于 W 公司利用自身超高的用户数据资产，垄断了欧美通讯平台的市场，F 公司可通过利用 W 公司的客户数据对自身用户进行细分，以整合其商业模式，进一步发展其国际化的战略。案例二：2016 年，互联网公司巨头 M 以 262 亿美元收购了全球职场社交平台 L，收购额高达该平台市盈率的 91 倍，此超高收购溢价原因在于 M 公司为提高业务核心竞争力，以商业银行数据资产估值白皮书 27 收购方式高价获取 L 平台的会员信息、用户登录信息等，并将其与 M 公司内部产品进行集成，在提高经营能力的同时，利用数据资源巩固了市场份额。当前，数据资源带来的附加或直接价值已经体现在了各种重要的商业决策之中，如何通过货币度量估值方法对数据资产的价值进行定量评估已具备较强的实际需求。目前对数据资产的估值尚无市场的通用方式和统一标准，在实际交易中不同公司需要结合自身的数据整合能力、战略发展前景等不同情况对交易数据价值做出主观性的评估。但由此衍生的问题是，一方面估值过低可能会增加商业谈判的时间成本；另一方面，估值过高又会增加购买方的经营成本，甚至可能导致来自监管机构对异常交易的审查。二、非货币度量估值方法 1非货币度量估值方法介绍 非货币度量估值方法概述如表 3.3 所示：表 3.3 非货币度量评估方法 方法 具体内容 IVI模型 根据数据的客观特征（正确率、完整程度等）衡量数据内部的价值，不依赖数据支持的业务。BVI模型 核心是衡量数据对业务的价值（业务相关性、及时性），同时也考虑数据内部的价值（正确、完整）。PVI模型 衡量数据应用前后KPI的变化，即通过数据对企业关键目标的作用评估数据价值，此方法用于事后评估。综合法 充分结合企业自身数据资产的评估目的和相关特点，构建价值评估模型。当前理论和领先实践中，非货币类度量法通常根据特定的资产评估目的，选择相关评估维度构建评估体系，并最终以无量纲的形式展现评估结果。此类方法中，目前 Gartner 提出的 IVI、第三章 数据资产估值的理论方法 28 BVI 和 PVI 三类评估模型较为完善。三类方法分别从数据的客观特征、数据对业务的应用价值和数据应用前后企业 KPI 指标的变化三个方向构建评估模型，重点考虑数据资产在企业中如何推动业务效率提升。IVI 模型重点考虑了信息的内在价值，强调信息的正确性、完整性、其他竞争者获取该数据资产的可能性以及数据可使用的时长。IVI 模型的优势在于其重视数据本身的相关因素，且模型中所需的正确性和完整性的指标相对容易获得，能够快速计算出客观的资产价值；但由于 IVI 模型缺少业务视角，因此其也忽略了对于数据资产价值密度的考量，其适用于快速比较应用相似的数据资产的价值潜力，以明确提升数据资源投入方向。相比之下，BVI 模型纳入了数据资产与业务相关性的指标，体现了数据资产对公司业务和收益的支撑，但“业务相关性”指标的确定方式较为主观，不同使用者评估的相关性不一定具有可比性，因此 BVI 的评估结果可能存在较大波动。BVI 模型适用于探索发掘目前未被分析使用的数据业务价值，或评估尚无具体应用的数据价值，合理管理现有的低价值数据。PVI 模型从企业绩效因子（KPI）的角度来衡量数据资产与业务的相关性，通过观测目标企业 KPI 的前后变化来差异化对比数据资产在企业中发挥的作用。PVI 模型能够直观地体现数据资产在企业中发挥的作用，但其强调企业 KPI 的前后对比并纳入了时间维度的评估因子，因此只能用于数据应用的后评估环节，无法在数据被使用之前或者使用过程中对其价值进行评估。同时，PVI 模型的应用过程中，难以剔除企业中其他因素对企业 KPI 的影响，因此数据资产对 KPI 的直接影响力度并不能可靠衡量。PVI 模型主要适用于评估已使用的资产对企业关键目标的价值，例如在数据应用试点过程中分析数据对业务的价值。综合法模型，即通过确定评估对象，针对自身数据资产估值目的和相关特点，构建相应的估值模型。综合法模型没有固定的公式或影响因子，使用者可以结合企业自身数据指标的丰富度，以及企业对数据的关注点和管控重点，对模型因子和权重进行调整和优化，定制化地构建评估模型。其适用于无法直接使用现有模型的企业，特别是对数据资产的价值有较为特殊的定义，需要用特定因子进行衡量的企业。四种非货币类度量方法的对比如表 3.4 所示：表 3.4 非货币类度量方法对比分析 商业银行数据资产估值白皮书 29 核心思路 优势 劣势 总体打分 IVI模型 根据 数 据的 客观 特 征（正确率、完整程度等）衡量数据内部的价值，不涉及业务判断。较 简 单 的 数 据 评 估模型；数据内部特征可由 数 据 管 理 相 关 指标计算，较适合数据管理人员适用，相对较客观。并 未 考 虑 数 据 与 业务 或 实 际 商 业 目 标的相关性，评估值对管理 决 策 参 考 价 值 较低 客 观 性 易 用 性 价值性 BVI模型 核 心 是 衡 量 数 据 对业务的价 值（业务相关性、及时性），同时也 考 虑 数 据 内 部的价值（正确、完整）。较综合的模型，将数据价值密度纳入考虑；考虑现有的和未来 计划的 业务 中 的应用，体现数据的业务支持能力。业 务 相 关 性 的 分 析较为主观，而且需要进行 耗 时 较 长 的 数 据用 途 分 析 才 能 判 断数 据 能 够 支 撑 的 功能或业务。客观性 易用性 价值性 PVI模型 衡量数据应用前后K P I 的变化，即 通过 数据 对 企 业 目 标 的 作用评估数据价值。使 用 实 际 产 生 的 业绩 指 标 评 估 数 据 资产，说服力强；评估值可以 体 现 数 据 业 务价值；1不需要进行数据用途分析。难以控制外部变量，获得精确结果，评估值受外部环境影响较大，且只能在数据实际应用后评估。客观性 易用性 价值性（仅事后）综合法 充 分 结