引言1

人类文明自从有了文字记载，便形成了数据。随着ChatGPT、Web3.0、数字电商、数字贸易等新兴事物的不断涌现，数据要素市场和数字经济迎来时代性重大战略机遇。中国的数据要素市场虽然起步较晚，其体量仅相当于美国的3.1%、欧洲的10.5%、日本的17.5%，但凭借海量数据和丰富应用场景的独特优势，以及国家层面从2022年12月以来数项重大政策的突破，预计到2025年市场规模将超过1700亿元，“十四五”期间数据要素市场规模预计可以维持超25%的复合增速。数字经济发展需要会计信息支撑，现行会计准则未专门探讨具有新型特征的无形资源这一事实引起广泛关注。倘若财务报表无法真实公允反映数据资源的价值，将对数字经济乃至整体经济的高质量发展产生不利影响。

中共中央、国务院于2022年12月发布《关于构建数据基础制度更好发挥数据要素作用的意见》（以下简称“数据二十条”），其中第十八条明确：“探索数据资产入表新模式”；财政部于2023年8月出台了《企业数据资源相关会计处理暂行规定》（以下简称《暂行规定》），从入表和披露两个层面对数据资源进行核算和报告，为未来更合理地处理数据资源确立了一个坚实的基础；中国证监会第15号文要求公司全面披露研发支出（包括数据资源）资本化费用等重要信息，进一步明确数据资源入表的要求；《“数据要素X”三年行动计划（2024-2026年）》提出“推动将满足资产确认条件的数据资源，计入资产负债表无形资产或存货，推动数据资产化”，完善数据资源相关会计处理，将有利于推动数据要素市场化发展。

数据从资源转变为具有变现能力的资产后，也就具备了入表的现实基础，数据资源资产化需要会计发挥价值管理职能。现有研究主要从数据资源的入表逻辑、入表的现实困境、数据资源的分类、核算、计量、披露与列报等方面对数据资源入表进行研究，同时对比分析了历史成本、重置成本和公允价值等计量模式。亦有学者有针对性地提出诸如完善资产等级制度、建立数据资产登记平台、开展数据标准化及数据交易技术研发等对策建议，以促成繁荣的数据市场生态，形成与数字经济特征匹配的资产负债表。总体来说，国内外专门围绕数据资源入表问题展开研究的文献日渐兴起，但多从宏观角度进行探讨，研究的深度和广度均有待进一步加强。而且，目前的中英文文献多从理论角度进行阐述，实证研究论文屈指可数，能够把理论与实务融会贯通的文献更是凤毛麟角。另外，目前关于数据资源入表的理论研究远远落后于实践应用，基本上是实践应用倒逼着法律法规和规章条例的实行，裹挟着高校学术研究艰难地前行，数据资源入表所面临的挑战是全面的。

有鉴于此，我们认为有必要首先对数据资源相关的重要概念进行界定和区分，对数据资源入表的理论和演进阶段进行追本溯源，以期为后续研究奠定理论基础；其次基于数据资源入表的“五大流程”，依据现有文献，结合相关的政策法规及实务处理经验，深入系统地梳理数据资源入表的逻辑原理和入表路径，指出现有文献的短板，以期为后续研究明晰研究方向、弥补研究不足。

数据资源理论溯源2

（一）数据资源概念界定

1.数据资源概念的提出

数据资源的概念最早可以追溯到关系数据库模型的提出，1970年，埃德加·科德（Edgar F. Codd）提出了关系数据库模型，奠定了数据资源管理的理论基础。现有文献普遍认为理查德·彼得森（Richard Peterson）于1974年首次提出数据资产概念，认为数据资产是所有者持有的经济资产，包括公司、政府、实物等各种类型的债券。但根据定义，其实质应该是金融资产。随着实务界和学术界对数据资源的资产特征理解深入，国际数据管理联合会(DAMA）1于2009年在其发布的《DAMA数据管理知识体系指南》中指出，企业应构建将数据等同资产的思维，即将数据作为一项重要资产，并对其展开有效管理。同年，从公司数据治理的角度提出公司应变革数据管理理念，从传统数据管理转向数据价值挖掘，实现从数据至企业资产的跃升。“大数据之父”迈尔-舍恩贝格（Viktor Mayer-Schönberger）曾预测数据的价值将列示在企业资产负债表上，成为一个新的资产类别。进入信息时代之后，由于信息本身就具有价值，所以有学者认为信息理应被作为企业资产看待。在新一轮科技革命浪潮的催化下，又产生了信息资产、数字资产、数据资产等相关概念。

2.信息资产、数字资产与数据资产的区别联系

信息资产是组织中具有价值的所有信息资源，包括数据、文档、报告、知识产权等。这些资产以物理或电子形式存在，涵盖了组织内部和外部的各种信息，是组织运作的重要基础。信息资产也指具有价值的数据或信息本身，可以是任何形式的数字或非数字资产，如知识产权、专利、商业机密等。数字资产是指以数字形式存在并拥有经济价值的资产，包括但不限于加密货币、数字艺术品、数字版权、虚拟商品和服务等，它是一种新型的资产类别，其价值和交易方式与传统资产有所不同。数字资产的价值取决于市场需求和供应，同时也受到技术、法律和监管等因素的影响，可以通过计算机和网络进行访问、传输和处理，也可以在网络上进行交易、转移和存储。数据资产是指组织拥有和管理的数据，这些数据对支持业务运营、决策制定和价值创造至关重要。数据资产的定义突出了数据在组织中的重要性，强调了数据管理和利用的重要性，以实现组织的目标。

数字资产通常以电子形式存在，而信息资产可能以物理或电子形式存在。数字资产更加侧重于数字化的数据、软件和网络资源等内容，而信息资产则涵盖了更广泛的信息资源，包括了所有对组织运作至关重要的信息。数字资产是信息资产的一个子集，具有数字化的属性和特征，是信息资产的一种特殊形式，二者都具有价值，并且可以在数字化环境中进行交易和管理。数据资产和数字资产在经济活动中密切相关，相互影响和补充。数字资产的价值往往来自数据的生成、传输和分析过程，而数据资产的价值也可以通过数字化转换变成数字资产。但数字资产的概念更广泛，除了数据外，还包括数字形式的财产、权利和资源。三者之间的关系如图1所示。

图1　信息资产、数字资产与数据资产的关系

资料来源：根据现有文献手工整理。

3.数据资源相关概念界定和分类

许宪春等认为数据的时效性决定了数据的使用寿命长短不一，如果数据的时效性不足一年，应被视为中间投入，故把数据资产定义为拥有应用场景且在生产过程中被反复或连续使用一年以上的数据。把数据资产界定为：以电子化形式存在，由过去事项形成，预期能为组织带来经济利益且该经济利益可用货币计量，由组织合法拥有或控制的现时非货币性数据资源。认为能够确认为数据资产的数据资源应该在过去的交易中形成，同时明确企业能够控制，且该数据资源具有带来未来经济利益的潜力。本文所说的数据是指以电子或其他方式记录下来的原始数据；数据资源是指把原始数据进行一定程度的加工处理以后，现在或者将来具备经济价值的数据；数据资产是指满足资产定义和确认条件，能进行货币计量，能入表的数据资源。三者的关系详见图2。

图2　原始数据、数据资源与数据资产的关系

资料来源：根据现有文献手工整理。

数据资源的分类可从多种维度进行，采取的分类标准和分类角度不同，分类的结果可能会有重合，但也会存在差异。根据数据权属不同，可以把数据资源分为三类，分别是企业数据资源，包括内部数据资源和外部数据资源；政府数据资源，包括政府业务和社情民情等多种公共数据；个人数据资源，包括个人用户自然生成的数据及其他多样化社交类数据。根据市场属性，数据资源又分为已市场化及未市场化的数据资源；基于数据来源，又可区分为交易性数据和自给性数据。本文依据《暂行规定》的适用范围，把数据资源分为两大类型，分别是《暂行规定》范围内和范围外的数据资源。其中，范围内的数据资源又包括企业按照企业会计准则相关规定确认为无形资产或存货等资产类别的数据资源，以及企业合法拥有或控制的、预期会给企业带来经济利益，但由于不满足企业会计准则相关资产确认条件而未确认为资产的数据资源，详见图3。

图3　数据资源的分类

资料来源：根据现有文献手工整理

（二）数据资源演进阶段

基于技术进步、应用范围以及研究方法和研究重点的演变，本文把数据资源的发展历程分为早期、中期和现代三个阶段。

1.早期阶段（1970年至1990年）

由于计算机技术和数据处理能力有限，此阶段数据资源的发展和研究主要集中在数据的收集和存储方面，同时集中在企业内部的关系数据库中，用于业务处理和管理。这一阶段的代表研究是关系数据库模型和实体关系模型（ERM），关系数据库模型的提出，奠定了数据资源管理的理论基础。关系数据库模型包括三个基本要素：数据是以表（table）的形式组织的，关系数据库中的数据被组织成一个个表，每个表包含了若干行和若干列，每一行代表一个记录，每一列代表一个属性；数据的访问是无序的，关系数据库中的数据是无序存储的，用户可以通过指定条件来检索数据，而不需要关心数据的物理存储位置；数据之间的关系是通过关键点（key）建立的，在关系数据库中，不同表之间的关系是通过关键点来建立的，一个表中的某一列可以作为另一个表的关键点，从而实现表与表之间的关联。实体关系模型（ERM），将数据表示为实体（entity）和实体之间的关系（relationship）。这种模型简洁清晰，易于理解和应用，成为数据库设计和数据建模的重要工具，为后续数据仓库理论的发展奠定了基础。

2.中期阶段（1990年至2000年）

随着数据量的增长和多样化的需求，数据仓库和数据挖掘等技术得到了发展，数据资源管理逐渐从单一的数据库管理转向了更加综合和多维的数据管理。这一阶段的代表研究是数据仓库理论，Inmon（1995）探讨了数据仓库的概念、设计和实施，强调了数据仓库在组织中的重要性以及如何利用数据仓库进行数据分析和决策支持。数据仓库是企业的中心数据存储库，用于集成各种数据源，并支持决策支持系统（DSS）和业务智能（BI）应用。Kimbal（1998）介绍了数据仓库生命周期的方法和工具，包括数据仓库的设计、开发和部署阶段，强调了数据仓库的可行性和实施方法。

3.现代阶段（2000年至今）

随着互联网和移动互联网的发展，大数据时代的到来，数据资源规模不断扩大，数据类型日益丰富，涌现出了大数据技术、云计算、人工智能等新兴技术和方法，数据资源管理面临着更多的挑战和机遇。从这一阶段开始，数据科学成为一门独立的学科，数据驱动决策对企业越来越重要，其中，数据架构是关键，包括数据湖、数据仓库、数据集成等。Lambda架构提出了大数据环境之下数据架构的解决方案，Spark分布式计算框架体现了大数据处理中的高效性和灵活性。数据科学在业务中的应用，包括数据挖掘、机器学习等技术的原理和实践，强调了数据挖掘在发现潜在信息和知识方面的重要性。

我国对数据资源的关注始于20世纪90年代末至21世纪初，政府部门、学术界、企业逐渐意识到数据资源对国家经济发展和社会进步的重要性，纷纷开展相关研究和实践，在政策层面提出了一些倡导，形成了一系列发展策略和规划。当前，我国的数据资源管理和利用水平不断提升，政府部门建立了一系列数据开放和交易平台，促进了数据资源的共享和应用。同时，企业和研究机构也在加大对数据资源的开发和创新，推动数字经济的蓬勃发展。

（三）数据资源相关的经济增长理论与微观机制

1.数据资源相关的经济增长理论

Farboodi & Veldkamp（2021）建立了一个类索洛增长框架的数据经济增长模型，讨论数据要素积累对经济的影响。该模型指出，数据积累在不同水平上会产生递减和递增的收益，形成“数据反馈循环”（data feedback loop），企业在利用数据进行预测时，能够生成更多的数据，这又进一步提高了生产力，形成正向循环。数据积累不足的企业或行业则可能会掉入“数据贫困陷阱”（data poverty trap），导致经济增长的不平衡，政府和企业应重视数据的积累和利用，以促进经济的可持续增长。Begenau et al.（2018）依据企业重复静态博弈模型研究指出，大型企业由于拥有更多的经济活动和更长的经营历史，能够产生和处理更多的数据，丰富的数据支持了更多的财务分析；而数据维度的多元化和数据分析技术的进步反过来使得投资者能够获取和处理更多的数据，有助于投资者据此做出高效、明智的决策，从而降低企业的资本成本，资本成本的降低又进一步促进了大型企业的扩张和成长。Ciuriak（2020）研究发现，在数据驱动经济中，数据资源的聚集容易导致大规模经济租金的产生，而经济租金的分配可能涉及不同国家之间、企业之间、企业与政府之间以及消费者与企业之间的利益博弈。因此，数据治理和管理对经济增长至关重要。

2.数据资源影响经济增长的微观机制

为了成功实施大数据项目，公司可能需要进行文化或结构上的调整，以支持数据驱动的决策过程。在所有组织层面上对数据战略的理解和接受程度至关重要，因为数据对客户关系加强、管理风险降低和运营效率提升具有重要影响。Huang & van Mieghem（2014）提出了一种新的库存管理模型，该模型利用网站或电子商务平台的点击数据来准确地预测产品需求，从而减少库存成本和提高产品可用性，并据此调整库存水平、优化库存管理。通过将数据作用于企业现有的服务和产品，能够帮助企业改善经营管理，优化业务流程，提高服务质量，降低整体成本。这些经济理论和机制表明，具有零边际成本、信息悖论和关联效应等特征的数据资源与其他要素资源充分融合，有利于促进经济的可持续增长，政府和企业应重视数据的积累、管理和利用，以便推动整个社会经济的跃升。

综上所述，数据资源应当被视为一种重要的资产，企业应当充分利用数据资源来推动创新，提升竞争力和增加生产力，并将其计入企业的资产负债表中，以反映其对企业价值的贡献。本文后续部分探讨的数据资源确认、计量和列报主要是针对《暂行规定》适用范围内的数据资源，且遵循数据资源入表“五大流程”的逻辑进行文献评述，详见图4。针对《暂行规定》范围外的数据资源，本文暂未进行讨论。

图4　数据资源入表“五大流程”

资料来源：根据现有文献手工整理。

数据资源确认3

数据资源能否成功计入资产负债表，不仅要求数据资源本身权属清晰，还要求特定主体具备一定程度的数据管理能力。本部分首先明确数据资源的确权问题，然后梳理数据资源的有效管理问题，在此基础上判断一项数据资源是否满足入表条件，能否确认为数据资产。

（一）数据资源确权

数据资源确权，就是以法律形式明确不同类型数据资源的产权属性，明确数据资源的产权属性有利于定分止争，规范数据秩序。近年来关于数据资源确权问题的国内外研究主要形成了基于数据生成理论的数据资源确权研究和基于数据来源理论的数据资源确权研究两大方向，同时也有一些学者基于科斯产权理论、数据流通理论、劳动赋权理论、权利束视角等对数据资源确权问题进行探讨。

1.基于数据生成理论的数据资源确权研究

数据时代的数据资源是被生产出来的，包括原始数据的生产和数据集的生产，并经过汇集处理后实现其分析价值。个人可能参与原始数据的生产过程，但数据生产的主体是数据采集设施设备运营者，个人只是数据描述的对象和源头，在数据上享有主体利益，但不能把个人数据归属于个人财产。熊巧琴和汤珂（2021）提出应当针对个人信息的隐私和风险级别赋予数据生产者（个人）不同级别的拒绝权、可携权、获取收益等数据控制权，赋予数据产品持有者（数据收集者、设备生产者等）有限制的占有权。但是该学说在很大程度上忽视了个人用户的贡献，过度偏向企业数据。数据资源赋权的逻辑起点应该考虑数据起源问题，个人用户的网络接入行为直接导致了数据的形成。

2.基于数据来源理论的数据资源确权研究

申卫星（2023）认为应根据数据来源判断数据权属，个人和企业对源发于自身的数据享有所有权，无论该数据最终由谁进行收集。在登记确权方面，可建立数据资产账户备案制度，借鉴专利的“申请、受理、初审、实质审查、授权”等步骤流程审查登记备案。Jones & Tonetti（2020）认为数据的广泛使用能够促进经济增长，但公司出于对创新的担忧，可能会选择囤积数据。这种局面不仅抑制了创新，还使得数据的社会价值未能最大化。主张将数据产权赋予消费者，既能激励他们主动分享数据，促进数据的流通和利用，还可以增强消费者的隐私保护。Janeček（2018）基于资源所有权的四要素，即对特定资源的控制、保护、评估和分配，对个人数据的所有权进行了探讨。作者强调对个人数据的全面控制意味着能够充分使用个人数据，即访问、存储、共享、出售、修改或处理这些数据；对个人数据的保护体现为能够将其他人排除在个人数据带来的收益之外；必须有可能将个人数据中的明显效用和透明价值体现为一种可交易、可控的和有保护价值的商品；个人数据的分配涉及“个人数据属于谁”的问题。

3.关于数据资源确权的其他理论和观点

曾经风靡一时的“科斯式”数据确权方式实际上讨论的是以界定财产权的方式解决个人信息的隐私问题。Lessig（2006）认为个人信息在数字时代应被视为一种财产，个体应有权决定其信息的使用方式，但同时也需要承担相应的责任，确保信息的安全和隐私，个人对其信息的控制权是实现信息财产权的核心，过度的控制可能会侵蚀公民自由。高富平（2019）基于数据流通理论认为个人数据和非个人数据流通的本质是数据的许可使用，建议采用“一对一”许可、“一对多”许可和相互许可三种数据社会化利用模式勾勒数据流通与确权形式。劳动赋权理论认为用户数据主要源自用户无意识的网络行为，单个用户数据只有在经过企业收集、加工、储存、分析、利用等劳动以后，才具备经济价值和社会价值，所以用户数据的财产权应归属于企业。王利明（2022）则认为以数据为载体的数据权益纷繁复杂又盘根错节，呈现出以所有权为主干，以他物权为分枝，在他物权之上再生分枝的网状结构，好比在数据之上长出了一束束的花朵，而这些花朵就是“权利束”。因此，有必要借鉴“权利束”理论对数据权益归属进行分析讨论。Saarikko et al.（2017）认为，在物联网时代，由产品、流程和服务相互连接形成的数据，一方面是根据使用者所采取的行动生成的，产品流程和服务的使用者应拥有该数据的掌控权；另一方面是产品制造商拥有的服务器和系统所生成、收集、分析和呈现的，数据所有权应该属于收集和分析数据的产品制造商。因此，不存在“一刀切”的通用方法，数据所有权的处理应根据不同行业、市场和地区来进行灵活判断。

本文认为，鉴于现阶段数据产权制度、数据权属分配规则等基础制度体系尚未健全，且学术界和司法判决对数据是否应当确权以及如何确权等问题众说纷纭，可暂时借鉴申卫星（2023）在数据来源者的所有权和数据处理者的用益权“两权分离”基础之上的“数据资源—数据集合—数据产品”三阶段确权思路，依据“数据二十条”关于数据资源持有权、数据加工使用权和数据产品经营权“三权分置”的数据产权制度框架对数据资源进行确权。企业享有对特定数据资源的持有权意味着其能够自主管理数据，通常也能获得数据带来的经济利益。数据加工使用权可以再细分为数据加工权和数据使用权，判断数据加工使用权应当注意以下两个前提条件：其一，在获得数据加工使用权时，必须遵守相关法律规定和合同约定，确保数据的加工使用不损害公共利益、不威胁数据的安全，同时也不能侵犯数据来源者的合法权益。其二，对数据进行加工和使用之前亦应取得数据资源持有者的明确授权。数据产品经营权包括数据权利主体和数据权利客体，数据权利主体是数据处理者，数据权利客体是数据产品和数据服务。该权利的目的是保护权利主体的合法权益，确保其能够合理获得回报，以回应其在数据处理方面的投入。

（二）数据资源的有效管理

数据资源管理需要围绕数据资源价值增值、数据资源运营和处置全生命周期开展，旨在实现数据资源预期价值，其中会涉及数据标准管理、数据算法和应用场景管理、数据清洗治理和多元数据融合、数据授权和质量管理等。数据安全防护也非常重要，如果没有数据安全防护，一旦发生了数据泄露问题，会面临政府层面的行政处罚或者其他民事层面的诉讼纠纷。目前学术界主要基于数据收集和数据利用两种视角对数据资源进行管理。

1.基于数据收集的数据资源管理方式

Godøy & Saadatnejad（2017）主张利用元数据驱动法收集和管理数据，该方法根据用户需求对数据进行可视化并导出元数据，包括数据集的来源、格式、质量、时间序列信息和任何处理或变化的记录等元数据信息。考虑到数据需求在不同研究场景下的差异性，Olsson & Hartley（2019）开发了命令行工具，对数据进行管理和收集。该方法将数据和元数据打包成一个统一的数据集，并对其进行一次性检查，为保证数据的可移植性和可访问性，将其存储在不同的储存系统，然后通过应用程序编程接口，将数据集合并到现有的工作流程中。

2.基于数据利用的数据资源管理方式

Fong（2001）认为维持和提升数据质量及其在后续应用中的可靠性基于三个核心方面：数据质量控制专注于确保收集到的数据达到预设的标准和质量，具体方法包括标准化程序、质量监控和数据清理；数据审计跟踪是维护数据完整性的关键环节，保证了所有数据操作都是透明和可以追溯的；数据库质量量化是对数据质量进行系统评估和衡量的过程，确保数据可用于做出准确的决策。为了提高组织效率、减少资本损失，Even et al.（2007）建议通过自动化收集数据和持续检查、纠正和清理数据两条措施来提高数据的准确性、完整性和一致性，进而提高数据仓库的利用水平。

我们认为特定主体想要对其拥有或控制的、权属清晰的数据资源进行入账入表，首先，需要对自身的数据管理能力做一个必要的评估，目前可以依据DCMM1以及DAMA两个标准，确认自己是否具有有效利用自身数据的能力。其次，需要完成数据资源入表前的准备工作，主要涉及数据分类分级工具准备、数据成本计量工具准备、财务系统准备等。最后，数据资源入表不仅仅是单一部门的工作，还牵扯到集团、企业内部的各个部门，只有这些部门在统一的协调下共同参与，再加上外部服务商的配合，数据资源入表工作才能真正落实落地。

（三）预期经济利益流入的分析

目前针对数据资源预期经济利益流入分析的文献较少，仅有的文献主要基于《企业会计准则——基本准则》和国际财务报告准则（International Financial Reporting Standards）概念框架(以下简称“IFRS概念框架”)2对经济利益流入进行判断。大部分观点认为数据资源的预期经济利益分析应结合具体的应用场景，并且仅当数据资源发展到一定阶段时才能导致经济利益的产生，在数据的生命周期中，从数据的收集确认到数据的分析与挖掘，每一步都至关重要。然而，在数据分析之前，其经济价值往往是不确定的；只有在数据分析及随后的应用阶段，数据相关的经济利益才有实现的可能。

1.预期经济利益判定的研究现状

完成数据资源相关的项目，使其能够使用或出售在技术上具有可行性，是经济利益流入可行性分析的先决条件。此外，对企业来说，不仅需要有完成数据资源并将其运用或销售的意图，而且必须证明基于这些数据资源生产的产品具有市场需求或者数据资源本身就具备市场潜力。对于内部使用的数据资源，还需进一步证实其实际的使用价值。我国《企业会计准则——基本准则》要求资产满足“预期会给企业带来经济利益”的定义以及“经济利益很可能流入企业”的确认条件。如何判定经济利益“很可能”（一般情况下可能性大于50%）流入，可以从对内赋能和对外赋能两个角度进行判断。数据资源对内能够赋能新业务，提升现有业务收益，降低现有业务成本；对外有市场、有交易、有场景，价值能够量化。质量较高且应用场景较成熟的数据资源才能满足该标准。如果数据未被实际应用到特定的场景中，那么即便为其收集、存储、维护和管理投入了大量的成本，这些数据也无法产生实际价值。企业亦可基于《数据资产评估指导意见》里的成本法、收益法和市场法，结合应用场景和价值度量指标，判断经济价值是直接产生还是通过成本节约产生，或者是无法量化等情况，最终输出经济利益流入分析报告。实务中还可以利用历史经济收益数据，结合回归或AI模型，预测未来经济利益流入可能性和规模。

2.预期经济利益判定的难点

实务中数据资源的应用场景很难明确区分。一是企业在使用数据资源的时候可能没有明确的目的性和计划应用场景，仅仅是作为业务拓展或决策的支撑；二是数据资源可能在同一时间应用于多个应用场景，或者在应用过程中使用场景发生变化；三是数据资源的应用场景存在很大的经济波动性。因此，依据应用场景对数据资源引发的经济利益流入的可能性进行判断存在困难。对比其他类型的资产，如固定资产、存货和金融资产等，数据资源的应用场景包括驱动企业进行产品升级、流程升级、科学决策等，可能带来的经济利益往往是无形的、非货币性的，因此不易观察，也难以判断能否流入企业。

（四）确认数据资产

数据资源如何确认为资产进入资产负债表，目前我国会计准则、国际会计准则和美国会计准则均未给出权威的指导意见。在前文分析的基础之上，企业能否把一项数据资源确认为数据资产，还应该进一步分析该项数据资源是否满足资产的定义和确认条件，明确其业务模式和类别归属问题。

确认数据资产首先应关注特定主体是否能够控制该数据资源。基于国内外会计准则体系对“控制”的界定，资产定义中提出了“由企业拥有或控制”的条件，企业是否能够主导数据资源的使用并从中获取利益成为数据资产确认的第一步，资产的定义里并没有强调企业必须享有资产的所有权。“数据二十条”指出：“根据数据来源和数据生成特征，分别界定数据生产、流通、使用过程中各参与方享有的合法权利，建立数据资源持有权、数据加工使用权、数据产品经营权等分置的产权运行机制。”企业享有了对特定数据资源的持有权，则意味着其能够自主管理数据，通常也能获得数据带来的经济利益。拥有数据资源持有权的企业一般可以认为控制着数据资源，达到了会计确认中控制的判断条件。拥有数据加工使用权和数据产品经营权的判断更为复杂，即使可以享有数据的收益权，还需要证明其管理和支配数据具有一定的排他性，才能被认定为控制了数据。

数据资源的成本或价值能否可靠计量是数据资产确认的关键条件。程小可（2023）认为数据资源的成本能够可靠计量与数据的来源密切相关，应区分外购数据和自行开发数据，并且必须以清晰的成本记录为前提。许宪春等（2022）认为，数据的生产成本不仅包括中间投入，还包括为此支付的劳动力成本、固定资产的使用和耗损、资本的净回报以及有关税费。理论上，当企业数据资源管理水平足够精细时，可以对数据资源进行成本归集。进一步而言，数据资源的成本要素包括生产流程中的专属成本、共担成本和间接成本。其中，外购数据资源的购买价款及相关税费，数据资源的认定、评估、登记、管理等发生的成本，数据资源的特定加工成本，包括数据脱敏、标记、分析、整合和输出等的费用属于专属成本；在业务数据被存放到不同数据库的过程中，也进行了数据资源的储存活动，对同一客户信息进行多维分析并形成多样化数据产品的过程中涉及数据资源的共担成本；数据资源全生命周期和生产流程中会发生相关的间接成本。企业应以业务需求和场景为目标，将数据收集、数据挖掘、数据分析和数据展示等服务计算活动所发生的支出归集成为数据资源成本，基于目标分摊对象，确定分摊范围，选择合适的成本分摊动因。

企业运用数据资源的业务模式和类别归属问题是确认数据资产的重要内容。《暂行规定》根据当前实践中企业运用数据资源的常见业务模式对数据资源依据《企业会计准则——无形资产》《企业会计准则——存货》进行确认。第一种业务模式，综合利用数据资源与其他资源协同作用，支持企业的生产管理等运营活动，以此达到优化资源配置效率和降低成本的目标。从会计上看，企业将此类数据资源用于内部用途，基于其非实物性，符合无形资产定义和确认条件时应当作为无形资产予以确认。第二种业务模式，企业利用数据资源向其他主体提供服务，扩大业务范围或增强客户服务体验。从会计上看，供给方凭借所持有的数据资源对其客户（需求方）提供服务并获得相应收入，其所利用的数据资源在符合资产确认条件时通常作为无形资产核算，但如果供给方所利用的数据资源不符合资产确认条件，虽不能确认为资产，但其价值也在获取服务收入中得到体现，发生的相关支出应作为服务成本进行会计核算。第三种业务模式，企业直接进行数据的交易，包括原始数据和经过一定程度加工的数据。从会计上看，如果企业持有相关数据资源的最终目的是对外出售，且属于企业的日常活动，符合存货的定义和确认条件时，企业应该作为存货予以确认，如果企业相关数据资源的控制权并非完全转移，则需要谨慎判断属于对外出售还是授权服务。

关于数据资源的类别归属问题，当前文献认为在核算体系得到完善之前可以使用附加核算的方式对数据资源进行账务处理，但这种处理方式并未充分考量数据资源权属的特殊性，简单采用已有的会计准则可能导致会计信息的失真和财务记录的混乱。因此，有效解决企业数据资源的会计确认问题，既要考虑数据资源的独特属性及其对会计核算原则的影响，又要创新资产负债表的会计理论，助力数字经济更好更快发展。

综上所述，针对《暂行规定》范围内的数据资源，我们认为只要数据资源的权属是清晰的，包括数据资源的持有权、数据加工使用权和数据产品经营权，企业也具备管理这些数据资源的能力，并且这些数据资源符合资产定义且满足资产确认条件即可确认为数据资源无形资产或数据资源存货，要求把其计入资产负债表并进行披露。而符合资产定义但尚不满足资产确认条件的数据资源，虽然暂时不能计入资产负债表，但应当按照收入准则等规定确认相关收入或成本，并披露其研究及开发过程中的支出金额。

数据资源计量5

现有文献关于确认为数据资产的数据资源计量方面的研究可以分为三个方面：总体思路、初始计量和后续计量。

（一）数据资源计量的总体思路

关于数据资源的计量问题，总体思路主要包括以下几种观点：一是认为我国当前的数据资源交易体系尚不完善，数据资源的价值与具体的商业模式和应用场景密切相关。由于不同的商业模式和应用场景会产生不同的价值，因此公允价值和现值等计量方法并不适用于数据资源，建议采用历史成本进行计量。二是认为既然数据资源的价值波动性大，理应采用公允价值计量模式，至于公允价值涉及的技术问题早晚会随着我国各大数据交易平台的构建而得到妥善解决，且在公开交易市场获得的数据资源更容易获得公开报价。三是认为目前大部分企业的数据资源多为自主研发内部使用的情况，其价值主要体现在可预见的未来用于企业内部降本增效所带来的经济收益上，采用收益现值法对其进行计量比较合理。四是认为企业可根据不同情况采用混合计量模式，比如“历史成本+公允价值”或者“历史成本+现值”，单纯的历史成本计量模式可能并不适用后续计量。

（二）数据资源的初始计量

1.数据资源初始计量属性研究

在初始计量方面，程小可（2023）认为历史成本仍然是主流的计量属性。对于数据资源存货，以历史成本进行初始计量；对于数据资源无形资产，区分自行开发数据资源和外购数据资源，按照成本进行初始计量。此观点符合《暂行规定》对数据资源无形资产和数据资源存货在初始计量方面的重点指引。何越（2023）认为对于购入后可直接使用的数据资源，采用公允价值进行初始计量；对于购入后需进一步加工的数据资源，所支付的价款和税费先计入成本，再加工产生的支出参考生产方对数据资源的会计计量入账；对于自行加工获得的数据资源，应根据获取时实际发生的成本进行初始计量，包括人力成本、固定资产消耗、中间投入等。张俊瑞等（2020）认为应该区分自用型数据资源和交易型数据资源，分别按照取得成本和公允价值对其进行初始计量。

2.数据资源初始计量难点

我们认为，数据资源的初始计量需要解决的关键问题是成本的归集与分摊，只有能够用货币单位可靠计量成本或价值才能被确认为资产。然而，成本分摊一直是实务界的难点，单独归集数据成本的难点在于：首先，有的数据的产生具有伴生性，即数据是随着业务开展逐渐累积的，并非企业为了收集数据而专门进行采集，获取成本通常难以从原有的业务中划分出来。其次，难以确定数据资源的投入成本可以资本化的时点。数据需要累积到一定规模才具有价值，产生价值时的量级阈值难以确定。数据资源的价值比成本更难以可靠计量，学术界和实务界对数据资源估值方法的研究仍停留在理论阶段，暂未形成统一的结论。

（三）数据资源的后续计量

1.数据资源后续计量属性研究

鉴于我国已建成大量的数据交易中心，程小可（2023）认为数据资源的后续计量可采用公允价值模式，但该计量模式也存在局限性。何越（2023）认为应该区分数据资源的业务模式和企业面临的实际情况对数据资源进行后续计量，当外购的数据资源存在公开活跃的交易市场时，公允价值计量模式是可行的；当企业自主研发的数据资源能给企业带来稳定的预期经济利益流入时，采用现值法计量模式是合理的；当以上两种计量属性无法适用时，历史成本是唯一的选择。张俊瑞等（2020）认为应该区分自用型数据资源和交易型数据资源，分别通过数据资源累计摊销和公允价值变动的方式对其进行后续计量。

2.数据资源减值和后续支出问题

数据资源的后续计量还需要考虑减值和后续支出的问题。程小可（2023）认为当数据资源在公开活跃的交易市场中价格大幅下跌，或者与该数据资源相关的业务模式和应用场景发生重大变更，均可作为减值迹象的依据，据此判定数据资源出现减值迹象。我们认为对数据资源无形资产减值迹象的判断可以参照无形资产减值的考量，至少可从如下时机因素和亏损预期等维度进行识别，具体而言，时机因素可包括时效递减、技术迭代、工艺转变等情形，亏损预期可包括数据缺失、数据损毁、数据篡改等情形。对数据资源存货应定期进行减值测试，以成本和可变性净值孰低进行后续计量。对数据资源使用过程中发生的更新改造支出，符合数据资源资本化条件时进行资本化确认，日常维护费用等在发生时计入当期损益。

数据资源列报5

数据资源的列报可以进一步分为数据资源的列示和数据资源的信息披露，我们从这两方面对数据资源的列报进行文献评述和研究展望。

（一）关于数据资源的列示问题研究

企业对于符合资产定义并满足确认条件、已确认为数据资产的数据资源，应该在资产负债表的“非流动资产”项目下增设“数据资产”项目，总括反映一定时间内数据资产的增减变动及期末持有情况。鉴于数据资产核算的诸多独特性，应单独设置“数据资产”一级科目对数据资产进行会计处理和信息列报，并根据数据资产的具体用途设置“数据资产——自用资产、交易资产、交易资产公允价值变动”等二级科目，提高列报的可读性。

（二）关于数据资源的信息披露研究

现有文献对数据资源信息披露的研究较少，当前研究认为表外披露可以作为入表列报的替代方案，可在年报“管理层讨论与分析”中加以描述，或可考虑在财务报表附注中加以披露。列示和披露时应满足三点要求，首先应专注数据资源列示与披露的原则和目标，着重披露数据资源与其他资产的差异和特殊之处；其次是将不同特性的数据资源信息进行分类分开披露；最后是采取详略结合的方式进行披露，既不过度概况，也不过于细致。若账面价值与计税基础不一致，还应披露数据资源对纳税的影响情况。为了从侧面反映数据资源对企业的意义和作用，张俊瑞等（2020）认为可侧重披露数据资源的技术支持情况、数据资源规模大小、数据资源相关经济利益等方面的内容。

《暂行规定》创新地采取“强制披露加自愿披露”方式，围绕各方的信息需求重点，一方面细化会计准则要求披露的信息；另一方面鼓励引导企业持续加强自愿披露，向利益相关方提供更多与发挥数据资源价值有关的信息。由上海数据交易所组建专业的研究团队编写的《数据资产入表及估值实践与操作指南》（以下简称《操作指南》），通过深入研究案例企业数字化转型和数据产品运营的商业模式，以“战略规划+运营管理”的思路重新设计企业数据资源到数据资产的形成路径，优化企业数据产品运营管理模式，深入探讨数据资产入表过程中成本归集难、摊销年限确定难等十大关键性难题，并提出一些可行的处理办法。《操作指南》将为《暂行规定》自愿披露部分形成详细的披露指引。企业亦可以参考《操作指南》列报与披露细则部分来推进数据资源的披露。（见图5）

图5　数据资源入表逻辑和路径

资料来源：根据现有文献手工整理。

研究结论与展望6

通过对数据资源入表的国内外文献进行梳理，结合最新的数据资源入表政策法规规定和实务界关于数据资源入表的实践探索，未来需要围绕以下几个方面的内容进行进一步强化：

第一，虽然国家战略层面将“数据”列为生产要素，数字经济发展迫切需要会计信息进行支撑，但现行会计准则不能反映新型无形资产的经济特性已成事实。尽管学术界和实务界积极地进行了研究讨论和实践探索，但目前数据资源入表仍然面临认识层面、组织层面和技术层面等多方面的问题与挑战。

第二，数据确权方面的法律依据仍待健全，现有对数据确权的讨论一般都基于“数据二十条”提出的“三权分置”。拥有数据资源持有权一般可以认为达到了会计确认中控制的判断条件，但拥有数据加工使用权和数据产品经营权的判断更为复杂，还需要证明其管理和支配数据具有一定的排他性，如何证明也是一个需要进行研究的课题。另外，实务中数据资源的应用场景很难明确区分，预期经济利益的流入方式也不易判断。

第三，目前数据资源的初始计量和后续计量主要依据《暂行规定》《数据资产评估指导意见》以及相应的成本核算制度，参照无形资产和固定资产进行减值和后续支出判断。但数据资源的成本归集与分摊仍然是实务界的难点之一，数据资源的价值又比成本更难以可靠计量。

第四，数据资源的披露虽然可以依据《暂行规定》和《操作指南》等文件，但实际操作时披露的程度如何把控？强制披露和自愿披露部分的定性描述的具体标准是什么？比如，对于“企业对数据资源进行评估且评估结果对企业重要的，应当披露”这一条，如何判断评估结果重要与否，具体的参照标准是什么？这些问题同样值得进一步深入研究。

第五，数据资源入表本质上是企业管理层的经营决策，考虑到当前相关会计处理制度对数据资源入表规定的原则性，使得管理层对该事项处理拥有较高的自由裁量权。在研究以上关于数据资源入表的现实难题的同时，应在后续研究中重点关注两个紧密相关的问题：其一，数据资源入表的动机——入表与否、入表程度、入表质量背后体现了管理层怎样的战略考量或策略权衡。其二，数据资源入表的后果——不同动机下的入表决策对于企业自身财务行为、同行业或价值链上公司运营决策将会产生怎样的影响；考虑到数据资源入表的融资担保或抵押导向，后续研究亦应关注数据资源入表的金融价值实现路径，对货币政策调控的潜在影响及产生的宏微观金融风险传导效应等相关问题。