| 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 |
| 数据资产入表对审计质量的影响 |
| 第769期 作者：□文/岳 艳 时间：2026/1/16 17:07:19 浏览：28次 |
［提要］ 随着《企业数据资源相关会计处理暂行规定》的实施，我国数据资产正式进入企业财务报表体系。研究发现：数据资产入表既通过增强信息透明度、完善第三方验证机制和优化企业数据治理体系提升审计质量，又因估值主观性、技术复杂性和动态管理需求对审计实践构成新的挑战。为此，本文构建包含会计准则完善、审计方法创新、企业治理优化和监管协同强化的系统性应对策略框架，提出数据资产分类确认标准、跨学科审计团队建设、全生命周期管理系统等具体措施，旨在为数字经济时代审计理论发展和实践创新提供参考。
关键词：数据资产入表；审计质量；信息透明度；审计风险；数据治理
中图分类号：F239 文献标识码：A
收录日期：2025年8月22日
在数字经济时代，数据已成为继土地、劳动力、资本和技术之后的第五大生产要素。尽管当前数据资产入表规模相对有限，但在我国高质量发展战略推动下，其占企业总资产的比重预计将呈现持续增长趋势。因此，深入研究数据资产入表对审计质量的影响机制，并构建相应的风险应对框架，具有重要的理论价值与实践意义。
一、文献综述
（一）数据资产会计确认与计量。依据《信息技术服务 数据资产 管理要求》（GB/T 40685-2021）国家标准的阐述，数据资产可明确为“企业依法掌握或施行控制、能被量化测度、可催生经济效益与社会价值的数据类资源”。罗玫、李金璞和汤珂（2023）提出数据资产会计确认与计量的方法论框架，强调数据资产入表确认的必要条件。黄世忠等（2023）从商业模式视角探讨数据资产的会计确认、计量和报告问题，突出不同商业模式在数据资产处理中的重要性。
国外学者的研究则更侧重于数据资产的重要性和数据资本化。Andrew McAfee和Erik Brynjolfsson（2012）的研究强调了大数据的体量、速度和多样性特征，并提出了基于证据的决策优于直觉，大数据的应用是管理革命的体现。Malika Bendechached等（2023）提出了数据资产的价值模型，主张初始计量应基于历史成本法，后续计量则比较公允价值与历史成本或现值中的较低者。
（二）数据资产与审计风险。传统研究强调审计独立性、专业胜任能力和客户重要性，但数据资产入表增加了“技术复杂性”。杨萍和程丽娟（2024）将研究重点放在数据资源入表过程中的审计风险及其应对策略上，从重大错报风险和检查风险两个维度，对数据资源入表可能引发的审计风险进行了系统性分析。张骥（2023）提出要建立内部控制和外部审计相结合的数据资产管理体系和以信息化为手段提高数据资产审计的质效。廖屹峰和罗春华（2024）基于新发展格局的视角，分析了数据资产入表后审计难点以及可能的应对措施，说明了探索出一套适合中国特色社会主义市场经济条件的审计方法的必要性。
国外学者Daniel Dupuis等（2023）构建数据资产审计风险评估矩阵，重点解析数字经济环境下资产确权路径模糊、计量标准缺失及披露机制不透明形成的复合风险。Saeed Awadh Bin-Nashwand等（2024）探讨人工智能在会计与审计领域的应用，认为其能够提升财务报告准确性和审计效率，并降低信息不对称性。
二、数据资产入表对审计质量的双重影响
数据资产入表对审计质量的影响机制主要体现在信息透明度提升与审计复杂性增加的双重效应上。一方面，数据资产入表要求企业按照会计准则规范进行确认、计量与披露，为审计师提供了更为全面的审计依据，有助于降低信息不对称性。另一方面，数据资产具有非排他性、可变现性不确定等特征，这使得其估值过程充满主观判断，为审计实践带来了显著的复杂性。
（一）正向影响：提升审计质量的路径。数据资产入表对审计质量的提升作用集中在三个方面，为审计师提供了更可靠的审计环境和更高质量的审计证据。
1、数据资产入表通过规范化的会计处理与信息披露要求，显著提升企业财务信息透明度。数据资产入表要求企业必须遵循严格的确认与计量标准，在财务报表中明确披露数据资产的初始计量方法（如成本法或收益法）、后续计量模式（摊销或减值测试）、使用寿命估计等关键参数。透明度的提升有效降低了信息不对称程度，使审计师能够更准确地评估数据资产的账面价值是否公允，反映其经济实质。
2、数据资产入表促进第三方专业验证机构的发展，为审计质量提供额外保障。目前，市场上已涌现出一批专注于数据资产估值、数据质量认证的第三方服务机构，如数据交易所的定价部门、专业数据资产评估公司等。这些机构通过独立的技术验证和价值评估，为审计师提供了可靠的参照依据，在一定程度上抑制了企业管理层的机会主义行为，形成了对审计质量的双重保障。
3、数据资产入表倒逼企业完善数据治理体系，从源头上降低审计风险。企业必须建立系统的数据资产管理框架，包括数据确权机制（明确数据所有权与使用权）、数据质量控制流程（确保数据的完整性、准确性）、数据安全保护措施（符合GDPR等隐私法规）等。在推进数据资产入表过程中，同步重构了数据治理架构：设立首席数据官（CDO）岗位，实施数据资产全生命周期管理系统，引入区块链技术确保数据溯源能力。这些措施一定程度上降低了审计师在数据真实性验证、权属认定等方面的审计风险。值得注意的是，完善的数据治理体系还能产生正外部性，使企业在数据合规性、数据安全性等方面的控制风险显著下降，进而整体提升财务报表的可审计性。
（二）负向影响：增加审计风险的挑战
1、估值主观性问题。由于数据资产缺乏活跃的交易市场，其价值评估高度依赖于对未来收益的预测和折现参数的设定。企业管理层可能在数据资产初始确认与后续计量过程中采取过度乐观的估计，如高估数据资产的未来经济利益或低估其贬值风险，从而增加审计师在减值测试、收入确认等关键环节的职业判断难度。更复杂的是，数据资产的价值评估涉及多个相互关联的参数体系，包括但不限于数据采集成本、数据稀缺性程度、数据应用场景的广度、数据产品的生命周期等，这些参数的微小调整都可能导致估值结果的重大差异，从而大大增加了审计风险。
2、技术复杂性障碍。数据资产的技术特征对传统审计方法提出了严峻挑战。首先，数据资产的可审计性受到其技术实现方式的深刻影响。例如，基于机器学习模型的数据产品，其价值创造过程涉及复杂的算法黑箱，审计师难以验证模型输出的可靠性和稳定性。在某人工智能企业的审计案例中，审计团队发现企业将算法训练数据作为资产入表，但由于无法理解深度学习模型的运作机制，难以评估这些数据资产是否确实产生了预期的经济效益。其次，数据资产往往以分布式架构存储，可能同时存在于企业的本地服务器、云存储平台和边缘计算节点，这种分散化的存储方式使得审计师在实施实质性程序时面临数据完整性和一致性的验证难题。更值得关注的是，数据资产的技术生命周期往往短于会计摊销期限，这种技术折旧与会计摊销的不匹配导致资产价值被严重高估。传统审计程序在数据资产审计中显得力不从心，亟须开发新的审计方法和技术工具。
3、动态管理难题。数据资产的价值具有显著的动态变化特征。一方面，数据资产的价值会随着使用场景的扩展而增值。例如，某电商平台的交易数据最初仅用于销售分析，在被应用于信贷风险评估模型后，其经济价值实现了跃升。另一方面，数据资产也可能因合规要求变化而突然贬值，如某广告科技公司因隐私保护法规的强化，其用户画像数据的商业价值缩水近50%。这种动态性使得基于历史成本的会计计量方法难以准确反映数据资产的真实价值变化。更复杂的是，数据资产的价值网络效应明显，单个数据元素的价值取决于其在数据集中的关联程度，这种网络关系的动态变化进一步增加了价值评估的难度。现行的年度审计周期难以捕捉这些实时变化，导致审计意见可能基于已经失效的价值评估。
这些挑战共同构成数据资产审计的风险矩阵，它们相互作用、相互强化，显著增加了审计失败的概率。
三、审计质量提升策略
高质量的审计能够通过严格的审计程序与专业的职业判断，有效约束企业在数据资产会计处理中的机会主义行为。面对数据资产入表带来的审计挑战，需要构建系统化、多层次的应对策略体系。这一体系应当涵盖会计准则完善、审计方法创新、控制测试优化和监管协同强化四个关键维度，形成全方位的质量保障机制。
（一）会计准则层面的精细化建设。会计准则的精细化是提升数据资产审计质量的基础性工作。当前亟须建立数据资产的分类确认标准，建议将数据资产划分为交易型数据资产（如数据产品、数据服务合约）和自用型数据资产（如用户画像、运营分析数据）两大类，分别制定差异化的确认条件。在计量方面，通过对企业数据资产估值方法的合理性评估、使用寿命判断的审慎性检查以及对数据资产减值迹象的持续关注，能够抑制企业管理层通过数据资产会计政策选择操纵利润的动机。此外，建议在财务报表附注中强制披露数据资产的权属状态、使用限制和潜在风险，特别是要明确标注涉及个人隐私数据的合规性声明。
（二）审计方法体系的创新突破。审计方法创新是应对技术复杂性的关键路径。首要任务是开发数据资产专项审计程序，包括但不限于：数据资产权属验证程序（通过区块链存证查验数据采集合法性）、数据质量评估程序（采用抽样检验方法验证数据完整性）、价值实现测试程序（追踪数据资产在实际业务场景中的应用效果）。其次要构建跨学科的审计团队能力体系，在传统财务审计师基础上，引入数据科学家（负责算法审计）、网络安全专家（负责数据安全评估）和法律顾问（负责合规审查）组成复合型团队。要推动审计模式从定期审计向持续审计转变，利用审计自动化工具对数据资产实施实时监控，如设置数据价值波动预警系统，当关键指标偏离基准值超过15%时，自动触发审计调整。
（三）加强企业数据治理体系内部控制测试。企业层面的数据治理优化是保证审计质量的微观基础。建议企业构建数据资产全生命周期管理系统，涵盖数据采集、数据存储、数据处理、数据应用、数据归档、数据销毁等六个核心环节，加强数据治理的有效内部控制，确保数据来源合法，数据加工过程可追溯，有利于审计师量化数据资产的业务价值。同时，企业应当建立数据资产价值评估的制衡机制，建议设立独立于业务部门的数据资产估值委员会，引入第三方评估机构进行定期复核，并将评估结果与绩效考核脱钩，防止人为操纵估值参数。
（四）监管协同机制的构建完善。监管协同是审计质量的制度保障，建议监管部门从三个方面着力：一是建立数据资产审计准则体系，制定专门的《数据资产审计指引》，明确数据资产审计的重点领域与风险指标，例如数据资产变现率、合规成本占比、技术过时风险等，为审计实践提供规范性指导，重点规范风险评估程序、实质性测试方法和审计报告披露要求。二是推动建立行业数据价值参考数据库，由行业协会牵头收集整理各类数据资产的交易价格、使用效益等基准信息，为审计判断提供客观参照。三是完善监管协作机制，构建财政部门（会计准则）、数据管理部门（数据要素市场）、网信部门（数据安全）和证监部门（信息披露）的协同监管框架，定期开展数据资产审计专项检查。
这些策略不是相互孤立的，而是构成了一个有机整体。只有四个维度协同推进，才能系统性地提升数据资产审计质量。未来，随着数据要素市场的进一步发展，还需要持续优化这一策略体系，特别是在国际审计准则协调、人工智能审计技术应用等方面深化探索，以更好地适应数字经济时代审计工作的新要求。
四、结论与展望
本研究系统考察了数据资产入表对审计质量的双重影响机制，揭示了数据资产的特殊属性，既通过标准化入表流程提升了审计证据的可靠性，又因估值主观性、技术复杂性和动态管理需求带来了新的审计风险。这一发现拓展了审计质量影响因素的研究框架，为建立面向数据要素市场的审计理论体系奠定了基础。研究同时指出，会计准则制定机构需要完善数据资产规范，审计行业应推进专业能力转型，企业需建立相适应的内控体系，监管部门应加强协同监管，共同应对数据资产审计挑战。
未来研究可在分行业特性分析、新技术应用评估、国际比较研究和质量评价指标体系构建等方向深入探索。这些研究将有助于推动数据资产审计从当前的探索阶段走向成熟发展阶段。
（作者单位：广州迪森热能技术股份有限公司）
主要参考文献：
［1］罗玫，李金璞，汤珂.企业数据资产化：会计确认与价值评估［J］.清华大学学报（哲学社会科学版），2023.38（05）.
［2］黄世忠，叶丰滢，陈朝琳.数据资产的确认、计量和报告——基于商业模式视角［J］.财会月刊，2023.44（08）.
［3］杨萍，程丽娟.数据资源入表的审计风险与应对［J］.财会通讯，2024（21）.
［4］张骥.关于数据资产审计的若干思考［J］.产权导刊，2023（05）.
［5］廖屹峰，罗春华.数据资产入表审计实践的难点与应对研究——基于新发展格局视角［J］.财会通讯，2025（01）.
［6］McAfee，A.，E.Brynjolfsson.Big data：The management revolution［J］.Harvard Business Review，2012.90（10）.
［7］Malika Bendechache，Judie Attard，Malick Ebiele，Rob Brennan.A Systematic Survey of Data Value：Models，Metrics，Applications and Research Challenges［J］.IEEE Access，2023（11）.
［8］Daniel Dupuis，Debbie Smith，Kimberly Gleason，Yezen Kannan.Bitcoin and Beyond：Crypto Asset Considerations for Auditors/Forensic Accountants［J］.Journal of Forensic and Investigative Accounting，2023.15（03）. |
|
|
|
