| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 财会/审计 |
| 数据资产入表问题与对策 |
| 第769期 作者：□文/李洪宇 时间：2026/1/16 17:05:25 浏览：7次 |
［提要］ 随着社会的进步，数据资产也成为一个热门话题。本文从数据资产的发展出发，详细地介绍有关概念，对相关问题进行讨论，并给出解决办法，希望能为后续研究提供一些参考。
关键词：数据资产；会计核算；数据资产入表
中图分类号：F275；F49 文献标识码：A
收录日期：2025年9月1日
引言
数据资产的概念最早可追溯至1974年，由美国学者理查德·彼得松首次提出，但彼时其内涵局限于“政府债券” “公司债券”和“实物债券”等资产，与今日定义相去甚远。进入20世纪80年代，随着数据库技术的普及，国际数据管理协会初步构建数据管理框架，涵盖治理、质量、安全等基础领域，为后续资产化管理埋下伏笔。然而，这一阶段，数据多被视为业务系统的副产品，企业对其价值的认知局限于辅助决策，尚未形成系统性资产管理思维。
中国在数据资产方面的政策推动成为全球数据资产化的关键转折点。2014年，“大数据”首次写入中国政府工作报告，标志着数据资源战略地位获国家认可。2019年，党的十九届四中全会首次将数据纳入生产要素范畴，要求建立“按贡献决定报酬”的分配机制，为数据资产化奠定制度基础。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》进一步明确了数据作为新型生产要素的地位，催生了各地数据交易所的建立。2022年，“数据二十条”出台，系统性构建数据产权、流通交易、收益分配、安全治理四类基础制度，数据要素市场顶层设计雏形初现。2023年成为数据资产化的“制度元年”：财政部发布《企业数据资源相关会计处理暂行规定》，首次赋予数据资源资产属性，明确自2024年1月1日起可计入资产负债表。这一突破性政策推动全国范围内入表实践爆发。
一、数据资产相关理论
（一）数据资产的定义。在探究数据的本质时，我们必须清楚地认识到，数据不只是一堆数字，而是来自于对事实和观测的准确记载。这类资料，是对客观事物进行逻辑概括，携带着未处理过的原始材料，客观地记载了各类事件与现象，并以可识别的象征形式出现。在此基础上，数据不但包含了单个的物理符号表示形式，而且还包含了各种符号间的深刻意义，它们一起反映了事物的本质、状态和复杂的关联。
在深入探讨“数据” “资产”这些核心概念时，本文对于数据资产的确认和计量提出以下定义：数据资产是企业在过往的经营和业务活动中自然产生或经由外部途径获取的，具备企业拥有或控制的属性，并预期在特定的时间范围内能够为企业带来实质性的经济利益。这一定义不仅显示了数据的资产属性，也强调了其在企业价值创造过程中的重要作用。
（二）数据资产的特征
1、数据资产的非实体性。数据资产存在不依赖物理载体，以二进制编码为本质形态，通过数字网络实现存储与传输，其价值生成完全脱离物质转化过程；控制机制上突破传统物理占有模式，依赖技术权限、法律授权和算法屏障构建抽象控制权，实现多主体并行调用而不减损本体；价值实现遵循“数据→信息→知识”的虚拟转化链，经由算法加工和场景嵌入生成经济价值，全程无需物质形态改变。
2、数据资产的时效性。数据资产的时效性体现为价值随时间演化的非线性衰减与增益机制，其本质是数据与动态环境适配度的函数映射。在时间维度上，时效性呈现双轨制特征：一方面，实时性数据（如金融市场行情、交通流量监测）的价值衰减遵循负指数曲线，其半衰期短至毫秒级，价值实现高度依赖对时间窗口的精准捕获；另一方面，历史数据的价值发酵遵循知识复利规律，随时间累积产生“数据陈酿效应”，比如早期积累的医疗档案、气候记录等数据，在多年后通过AI训练实现价值跃升，呈现对数增长趋势。
3、数据资产的高风险性。数据资产的高风险性源于其独特的价值实现机制和多维度的不确定性。在法律层面，数据产权归属往往存在模糊地带，个人、企业、平台等多方权益交织，政策法规的调整可能瞬间改变合规边界，导致资产价值剧烈波动。技术层面的脆弱性尤为突出：数据可复制、易泄露的特性使其面临被窃取和被滥用的威胁，而人工智能造假、算法歧视等技术风险更可能污染数据质量，甚至引发法律追责。经济层面的风险则表现为价值的高度场景依赖性，同一组数据在特定业务中可能创造巨大收益，但若应用场景失效或关联数据生态崩溃，其价值可能归零乃至转为负资产。这些风险相互叠加，加之会计计量难以实时反映真实风险敞口，使得数据资产成为企业资产负债表中最具不确定性的要素，要求建立全新的风险管理范式。
4、数据资产的价值性。数据资产的价值性体现为其通过深度加工与场景融合转化为经济效能的独特能力，这种价值不内生于数据本身，而外生于其赋能决策、优化流程、驱动创新的实际作用。原始数据经过清洗、标注、建模等处理形成可用资源后，在匹配的应用场景中释放价值，例如客户行为数据提升营销精准度、工业传感器数据降低设备故障率，其价值大小高度依赖场景的适配性与技术实现路径。
二、数据资产的会计处理
（一）数据资产的初始确认。按照现行会计准则的要求，会计计量属性主要为“历史成本” “重置成本” “现值” “公允价值” “可变现净值”五类。在对数据资产的计量研究中，主要有两种方法，即历史成本法和公允价值法。由于数据资产的价格波动性，其准确的测量变得更加困难，尤其是在数据采集和利用的过程中，存在着费用分担的问题，这就导致了数据资产的价值很难确定。
对自行开发的数据资产，大部分学者都主张以历史成本进行计量。在企业进行自主研发时，要分清研究阶段和开发阶段的关系。然而，在数据到数据资产的转换过程中，特别是在收集的初期，常常会有大量的非目标性数据，这些数据是否能够给企业创造经济效益不确定，因而并不符合资本化的条件。在这一阶段产生的相关支出，应当费用化处理，并计入费用化研发支出科目。另外，企业日常运营过程中产生的数据在经历整合、深入分析和可视化等一系列处理后，若能够确保成本的可靠计量，并且预计最终成果会给企业带来合法使用或出售的机会，则这些活动满足资本化的条件。此阶段的支出应计入资本化研发支出，例如折旧费和劳务费等费用支出。
企业通过外部购买取得的数据资产可以分为两类，一类是在直接购买后可以给企业创造经济利益，一类是购买后通过加工达到预期可使用状态的数据资产。当外部购买的数据资产具备直接利用条件时，企业可以通过直接或间接的方式获得经济利益。在这种情形下，企业应当将购买价款、相关税费和其他与交易有关的费用等作为原始资产的初始计量，才能真实地反映出数据的原始价值。而对某些为满足企业特殊使用需求而进行深加工的数据资产，在购买时所支付的初始对价可以视为初始的资本化投资。在以后的发展中，包括资料的集成等支出，满足资本化要求的，应当记入原始成本，不能资本化的，应当记入当期损益。在完成了数据资产的研发，并且其使用实现了预期目的，且符合资本化条件的情况下，企业应该对前期投入的全部购买成本、交易产生的成本和全部资本化的成本进行统一计量，并将其计入数据资产的账面价值。
（二）数据资产的后续计量。在数据资产的后续计量中，涉及到许多方面，如折旧、摊销、出售和租赁等。为此，企业必须在前期对会计处理过程中可能出现的一系列问题进行全面考量，依据数据资产的规模和资源组成，对各种资产的使用场景进行深度剖析，并在随后的计量操作中对这些资产进行合理划分。数据资产的计量属性和后续使用，在不同的数据来源和目的上都存在显著差异，这要求企业根据数据资产的本质特征选择有针对性的计量方法。
对企业数据资产的会计计量处理，从其自身的使用价值来看，相对较高，但是对于企业的外部经营发展来说，并不是很适用，所以在会计处理过程中，应该根据成本模型，将这部分资产进行统一处理，便于后续的计量操作。然而，在对外交易的资产管理中，数据资产往往是以客观形式出现的，随着时间的发展和公司决策的调整，它会失去一些价值，这就要求现代公司更加重视数据资产的价值性、时效性等特征，并与公允价值等操作方式相结合，从交易的角度来强化资产计量，在原来的资产科目中，设立交易类资产二级科目和“交易数据资产” “公允价值变动”等三级科目，为资产计量和会计处理提供更准确的依据。
（三）数据资产的减值。数据资产受到市场、个人偏好等因素的影响，与传统资产相比，其价格波动较大，且有较大的减值风险。在整个生命周期中，对其价值变化进行连续控制是非常关键的，这个动态过程需要根据市场环境、技术创新和业务需求的变化，对数据资产进行会计核算，保证其账面价值与其真实经济价值相对应。这一举措的目的是为了提高财务报表的透明度和精确度，让包括投资者在内的所有人都能看到，为债权人和管理层等各方提供更可信的数据依据。通过降低信息偏倚，促使财务报表相关者在更全面、更真实的基础上做出决策，从而提高决策的效率与价值。
对于数据资产的减值，需要在会计期末对其进行相应的减值测试，如果确认了该数据资产已经发生了减值，则应当及时进行计提减值准备，相应的会计处理是：借记资产减值损失，贷记数据资产减值准备。而对具有不确定性的资料资产，需做减值测验。尤其是对交易性数据资产，要在整个生命周期内对其进行定期的减值测验，以更好地体现其真正价值。而在对数据资产进行减值处理时需要注意以下事项：第一，看其是否满足资产定义；第二，对数据资产减值测试时要遵循谨慎性原则；第三，对于不同的数据资产，要结合具体场景分别对待，不仅要与企业会计实务相联系，也要时时关注企业的经营发展，根据以上方面及时调整数据资产真实价值。关于减值测试方面，企业可建立相应的数据资产价值评估体系，以更准确地对数据资产进行减值评估，根据其差额及时计提减值准备。也可以选择委托第三方评估机构开展专业评估。
（四）数据资产的摊销。企业在编制财务报告时，要根据企业的实际情况，在“无形资产” “存货”等科目下增加“数据资源”科目，以反映该科目的期末价值。在附注中，应当对数据资产的摊销和减值情况进行详尽地说明，同时要注意数据的可复制性和共享性等特征，保证会计核算的合理性和有效性。在数据资源市场化的背景下，企业要密切关注政策的变化，适时进行会计核算。按照《企业数据资源相关会计处理暂行规定》的要求，增加报表子项细化披露，包括应用场景、数据类型和安全维护等。在保护隐私和遵守法律的前提下，公司可以自愿公开更多的信息。不同的产业披露的侧重点也不一样，比如电商企业更注重的是用户信息，而银行更看重的是信用卡信息。在今后的发展中，随着数据资产的不断增值，越来越多的企业开始关注自己的信息管理和信息披露，逐渐成为了企业的核心竞争力。
三、数据资产相关问题
（一）数据资产价值评估尚没有统一的规范与格式。对数据资产进行计量和评估的主要方法有成本法、收益法和市场法。每一种估价方法都有其具体的应用场景和考虑因素，反映出数据资产价值评估的复杂性和多样性。在此基础上，成本法重点考虑了数据资产的重置成本，通常是在采集、处理和存储等各个阶段的费用。收入法主要是对数据资源所能带来的未来收入进行评价，对其潜在的盈利水平进行分析，对其预计收入周期进行预测，并选择适当的贴现率来计算当前的现值，而折现率的选择需考虑市场利率、企业特定风险等要素，以确保评估结果的精准性。市场法是根据市场交易情况进行比较分析的，根据类似数据的市价来估算出目标数据的价值，这就要求有足够的市场交易资料作为参考；然而，该方法的难点是，由于数据资产市场的不成熟和不透明，导致缺乏可供比较的数据，进而影响评估结果的精度。
（二）数据资产公开与披露机制不够完善。目前，我国的财务报表系统对数据资产的披露与报告机制还不够完善，导致会计报表中的数据信息很难真实全面地反映公司的真实情况。比如，在财务报告中，通常没有披露数据的获取成本、收益和未来潜力，这就造成了利益相关者无法获得公司真实的财务信息，阻碍了对数据资源的开发和使用，同时也带来了一系列通过数据造假造成的数据失真风险。
（三）数据资产会计处理规则不完善。首先，数据资产的确认涉及初始与后计量两个方面，但目前尚无统一的准则，使得企业在实践过程中多依靠主观判断，进而加大了会计信息失真的风险。其次，对资料资产的摊销与减值也有很多问题。当前，我国关于数据资产折旧、摊销等问题，还没有一个统一的标准或准则。这就造成了企业在对数据资产的处理上采用的方法与标准不尽相同，企业之间的会计信息不能进行有效的横向比较。这不但会影响到利益相关者对公司财务状况的判断，还会造成不正当竞争。
四、数据资产顺利入表的对策
（一）充分利用专业技术。要使原始数据成为有经济价值的数据资源，就必须采取技术手段，对其进行深入地开发和处理，其中包括对数据的收集、集成、清洗和增值处理，从而生成数据产品和服务。其次，要严格执行合规审查，以保证数据的真实性和来源，确认其取得了相关的许可证或授权，并彻底核实数据内容的合法性。主管机关或经授权的组织应当按照法律规定，出具符合规定的审计报告，为确定、核算和入账入表奠定基础。在整个运作过程中，利用专门的技术是非常重要的。企业要引进高素质的专业人才，促进跨行业的融合。与此同时，在推进数据资产交易和入账入表的过程中，有关部门还必须加强数据治理能力，加强对网络的安全性和平台的监督，为数据资产的生成、使用和交易创造一个安全、合理的空间。此外，还需要对有关人员进行专门的培训，使其能够持续提高对新技术的应用能力。
（二）完善数据资产管理体系。在此基础上，政府要积极引导和推动有关行业协会和专业组织建立相关的产业标准和准则。企业数据资产的会计认定需要一个清晰的概念和产权划分，这对判断数据资源是否属于数据资产，是否能够将其经济利益融入到企业账目中，以及对相关成本和价值的精确计量，都是非常重要的。为保证评价过程的标准化，提高评价结果的精度和可比性，政府应规范数据资源的分类、评价指标体系的建立和评价方法的选取。为了能在会计报表中正确地反映其价值，企业需要对数据资源进行详细地分类和评价。
（三）完善数据管理制度。有效的数据资产管理需要在降低数据价值转化风险与保障会计处理效率之间取得平衡。为此，企业必须首先对数据的合规性进行严格审查，确保数据来源合法、真实且准确。在此基础上，清晰界定数据权益，明确归属和使用权限，为数据资产的可靠计量和高效利用奠定基础。随着新会计准则的实施，企业对数据资源的管理要求更加严格，必须强化全流程管控，确保每个环节都符合法律法规，尤其是在数据安全与个人隐私保护方面，必须采取切实有效的技术防护与流程管控措施，以防范泄露和滥用风险。因此，构建一套完善的数据资产管理制度，整合数据安全管理与合规处理机制，是企业应对挑战、实现数据价值最大化的关键举措。通过规范数据的采集、加工和使用流程，提升数据质量，保障数据安全，并拓展应用场景，最终推动数据资产生态体系的建立，为数据要素的顺畅流通和市场化配置提供坚实基础。
（作者单位：河南科技大学）
主要参考文献：
［1］张国柱，杨盼盼.数据资产入表存在的问题及优化策略［J］.绿色财会，2025（03）.
［2］陈文富.数据资产新准则对企业造成的影响及应对策略［J］.中国商界，2024（10）.
［3］李鹏，李勇.数据资源入表存在的问题与对策探析［J］.西部财会，2024（10）.
［4］白玉.企业数据资产价值评估模型研究［D］.太原：山西财经大学，2023.
|
|
|
|
