数据资产化仍需直面多重挑战

日前，财政部发布了《企业数据资源相关会计处理暂行规定》，自2024年1月1日起施行。具体看，即企业在编制资产负债表时，应根据重要性原则并结合实际情况，在资产负债表中的“存货、无形资产、开发支出”三个项目下增设“数据资源”子项目，并在报表附注中进行披露。

我们看到，伴随大数据时代的来临，数据要素已经深入到经济社会的方方面面，数据要素产业链也变得更加复杂。然而，由于数据本身具有独特的外部性特征，参与数据经济活动的主体众多，数据生产与交易的成本收益难以用传统方法评估，数据资源的公共性/私人性边界存在模糊，以及数据自身呈现的异质性等，使得数据要素的经济应用始终存在“最后一公里”的难题。

但在实践中，如何更好地发挥数据价值，使其“权责匹配”地进入宏观经济运行与微观主体运作中，已经变得刻不容缓。一是由于政策高度重视，如在三部门刚发布的《关于推动商务信用体系建设高质量发展的指导意见》中，就鼓励金融机构以销售数据等为基础，开发适合中小微商贸流通企业的专项信贷产品，缓解融资难融资贵问题。二是市场内在需求，如在新冠疫情等冲击下，美国的航空公司都试图充分发掘庞大的常旅客数据价值，其中，美联航通过其MileagePlus常旅客项目获得50亿美元抵押贷款，美国航空则以其AAdvantage常旅客项目获得47.5亿美元抵押贷款。

事实上，数据资产化是推动数据要素利用更高效、标准、深入的重要渠道，因为有可能形成共通的数据语言，打破数据产业链的阻梗；形成企业与机构的战略资产，提升各方积极性；加速数据交易进程，在快速流动中体现数据价值；增加改革迫切性，促使数据资产产权问题进一步明确等。当然，数据资产的具体界定在各国都是探索中的前沿问题。如美国商务部下属的NIST将数据资产定义为任何由数据组成的实体（Any entity that is comprised of data），包括系统、应用程序、数据库、文档、网页、以及基于应用程序的数据服务。

数据资产化最终还是要落到财务界定层面，对此虽然还存在基础性问题与挑战，但也是“数字中国”建设绕不开的选择，其实质一是对数据进行合理价值评估，二是进入财务报表。众所周知，资产强调“拥有或者控制”和“带来经济利益”，数据资产则是由企业拥有或控制，能够为其带来经济利益的数据资源，通俗而言，数据资产化就是数据“变现”的过程，其会计核算则包括数据资产确认、数据资产评估、数据资产计量、数据资产披露。

需要看到，在推动和规范数据资产化过程中，还应正视如下理论与实践挑战。

一是会计计量方法的优化。对资产和无形资产的计量，通常有历史成本法、公允价值法、现值法、重置成本法和可变现净值法等，对于数据资产来说，最优的计量方法尚未形成稳定共识。

二是技术与场景的创新。数据之所以成为资产，本质是由于新技术使得用户、用户参与、用户链接等成为可识别、可衡量的资产。对于全球科技巨头的相关研究表明，其推动数据资产化的重点如：为培训算法、数据分析、数据处理等需求，合作发掘用户和使用情况；从不同的货币化机制中获得未来收入，包括用户系统留存信息（苹果）、提供订阅服务（微软），出售对用户及数据访问权（Facebook、谷歌）等。

三是配套制度则的完善。数据“入表”只是“万里长征”第一步，数据资产化还需要数据确权、数据定价、数据流转、税收等诸多配套机制。尤其是真正构建不同参与主体之间的、公平合理的收益分配制度，依据“谁贡献、谁投入、谁受益”的原则，保障数据资产相关方的利益。

四是数据的金融和资本化探索。数据资产要发挥更大的经济价值，需要实现从实物资产到金融资产的跨越，后者则不仅涉及定价问题，而且是基于被认可、可抵押、能产生未来现金流的金融市场“交易共识”。由此，能否被金融市场所接受，是数据资产转换为数据资本、进而带来更广泛价值创造的关键环节。

五是风险与泡沫的防范。数据资产化同样带来更多风险冲击，如源头的数据保护、安全、质量控制风险，中间环节的产业与市场合理竞争与健康运行，应用端的负外部性、合规性与消费者保护等，因此要从宏观和微观层面探索构建数据资产全面风险治理与防控机制，挤出数据资产化“泡沫”并避免一哄而上。