关于企业数据资产入表研究综述

On the Research Review of Incorporating Enterprise Data Asset Recognition in Financial Statements

摘要: 随着数据成为核心生产要素，本文围绕企业数据资产入表的关键问题展开综述。学界对数据资产的界定已形成共识，即其为可计量并能带来经济利益的数据资源，但在转化边界与权属法律适配性上仍需深化。会计确认存在三种观点：归入无形资产、单独列类或按业务场景分类，财政部增设“数据资源”项目为实务提供过渡。价值计量是研究难点，传统收益法、经济学方法(博弈论、实物期权)及多属性综合评价法被广泛应用，初始计量中历史成本与公允价值争议显著，后续计量受数据时效性影响，在摊销、减值等方面存在挑战。列报与披露层面，表内归类争议与披露规范缺失并存，表内表外结合的披露方式及“第四张报表”构想逐步被探讨，实证表明信息披露能提升企业价值、降低融资成本。未来研究需聚焦会计规则细化、计量标准化、国际规则协调及数据安全管理。

Abstract: As data has evolved into a core factor of production, this paper provides a comprehensive review of the key issues related to the recognition of enterprise data asset recognition in financial statements. The academic community has largely reached a consensus on defining data assets as measurable data resources capable of generating economic benefits. However, further research is needed concerning the boundaries of data asset conversion and the legal adaptability of ownership rights. Regarding accounting recognition, three perspectives prevail: categorization as intangible assets, establishment of a separate asset class, or classification based on business scenarios. The Ministry of Finance has introduced a “data resources” accounting item as an interim measure to facilitate practical implementation. Valuation remains a challenging area, with traditional income-based approaches, economic methods (e.g., game theory, real options), and multi-attribute comprehensive evaluation techniques being widely applied. Significant debates persist in initial measurement, particularly between historical cost and fair value. Subsequent measurement faces challenges due to data timeliness, including issues related to amortization and impairment. In terms of presentation and disclosure, controversies over classification within financial statements coexist with a lack of standardized disclosure norms. Approaches combining on-statement and off-statement disclosure, as well as the concept of a “fourth statement,” are increasingly being explored. Empirical evidence suggests that enhanced disclosure can improve corporate value and reduce financing costs. Future research should focus on refining accounting standards, standardizing measurement methods, harmonizing international regulations, and strengthening data security management.

1. 引言

2020年4月10日，《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》正式公布，将数据确立为五大生产要素(土地、资本、劳动力以及技术)之一。2023年8月，财政部印发《企业数据资源相关会计处理暂行规定》，要求企业依据会计准则，根据数据资源的持有目的、形成方式、业务模式及经济利益预期消耗方式等进行会计确认、计量和报告。2024年1月，财政部进一步出台《关于加强数据资产管理的指导意见》，确立了确保安全与合规利用、权利分置与赋能增值、分类分级与平等保护、有效市场与有为政府、创新方式与试点先行相结合的五项基本原则，标志着数据资产时代全面开启。

2. 数据资产界定研究

“数据资产”这个名词最早出现在1974年，Peterson (1974)首次提出了数据资产这一概念，将数据资产定义为“满足产权清晰的条件并经过一系列资本化过程或由企业持有并能带来长期现金流入的数据称为数据资产”并认为数据资产包括持有的政府债券、公司债券和实物债券等资产[1]。Tony Fisher (2009)认为企业应该将其拥有的能带来潜在价值的数据看作一项资产，并且要巧妙地运用数据推助企业发展。这一观点的提出，打开了企业研究数据资产的新思路[2]。而在后一年Bughin等人(2010)发现数据资产是一种能够有效提高企业获利能力，推动企业创新优化商业模式的资产[3]。在对大数据进行研究后，Victor Mayer Schoenberg (2013)在其著作表明数据资产最终会呈现在资产负债表中[4]。在研究数据时，Niels Doorn和Adam Badger (2020)将数据视为一种独特的资产类别，发现数据资产的生产和价值化机会并不均等[5]。

国内对数据资产的研究较晚，对其领域的关注度在2011年以后才有较大提高，尤其是2017年我国举办数据资产管理峰会后，学术界掀起了对数据资产管理的研究热潮。

会计学的角度，李雅雄和倪杉(2017)提出，数据资产指经过系统性加工处理，可识别与计量，并能为企业创造经济价值的数据资源[6]。吴爱华(2018)认为数据资产是企业可掌握和控制的、能为企业带来经济利益的数据资源，并非企业所有数据都是数据资产，只有可控制且能变现的数字资源才属于数据资产[7]。侯彦英(2021)从管理学角度定义数据资产是具有明晰的所有权和控制权，且能够科学合理估计价值，使其能进行资源配置活动[8]。

李秉祥和任晗晓(2021)在信息时代的发展进程中，数据作为企业的核心战略资产，其地位的确立已成为必然发展方向[9]。许宪春，胡亚茹，张美慧(2022)从不同的角度分析了数据类型，提出数据资产不仅要有明确的经济所有权和使用场景还要带来经济收益[10]。张俊瑞等(2023)通过解构数据形态演进、辨析概念关系，明确各概念在不同学科的内涵界定，明确“数据资产”属会计概念，为数据资产会计处理与要素市场化提供理论支撑[11]。但现在广泛认同的是《数据资产管理实践白皮书(6.0)》(2023)指出，数据资产是指以数字化或物理介质形式存储，具备可计量性与可交易性，并能创造经济价值与社会效益的数据资源[12]。尽管学术界围绕数据资产的概念界定展开了诸多探讨并存在不同见解，然而该概念的核心要义集中体现为：其本质属性是能够为企业创造经济价值的经济性资源。

3. 数据资产确认研究

关于数据资产确认的问题，国内外学术界展开了广泛探讨，并从多元视角形成了若干代表性观点。

第一种观点是数据资产应归属于“无形资产”。谢刚凯和蒋骁(2023)鉴于数据资产具有非货币性、无形性和可辨认性等无形资产的核心特征，其在本质上符合无形资产的界定[13]。因此，这一观点的支持者认为数据资产与无形资产具有相似性。基于此，李泽红与檀晓云(2018)认为数据资产可以依据无形资产的标准进行财务处理[14]。国外的一些研究也表明，可识别的无形资产与企业的市场价值密切相关。Ritter和Wells (2006)指出，数据资产是无形资产的一种类型，而可识别的无形资产与企业的股价变动具有很大程度的关联性[15]。这表明数据资产在企业价值创造中也可能发挥重要作用。

然而数据的高速迭代特性导致其价值难以精确评估，现行无形资产评估框架对数据资产的适用性存在局限。聂文彦，岳雅静，姚丽(2024)提到不根据使用目的对数据资产进行细分归类直接计入“无形资产”会计科目，会导致数据资产在不同使用场景下无法体现其经济价值[16]。此外，相较于传统无形资产，数据资源在持续性、重复性使用情况下有着显著差异，进一步加剧了其折旧与摊销处理的复杂性。因此，游静等(2018)提出在“无形资产”科目下设立新的二级科目“数据资产”，拓展当前的无形资产会计核算方法与体系，以应对多样复杂的应用场景[17]。部分学者强调，数据资产与无形资产在界定上存在困难，二者属性互有交集却并非完全等同。此种关系的模糊性，仍需通过深入研究予以明确。

第二种观点则是认为，应将数据资产进行单独确认。李雅雄和倪杉(2017)提出，鉴于数据资产所独有的特性，将其从现有资产体系中分离出来，进行独立分类是合理的且必要的。朱扬勇和叶雅珍(2018)将数据资产定义为一种具备有形资产和无形资产的双重特性的新资产类别，其信息属性表现为无形资产，物理存在表现为有形资产。同时兼具流动资产和长期资产的特征，流动成本低，无长期损耗[18]；谭明军(2021)认为鉴于数据资产具备显著区别于传统无形资产的特性，其在会计上已被视为独立的资产类别，企业编制财务报表时需进行单独列报[19]。刘传成(2025)将数据资产的区分了不同的确认方向，分析确认为无形资产、固定资产和存货都有一定的不适用性，因此单独确认更为合适[20]。

第三种观点则是依据数据资产在企业具体情况将其进行不同的分类。阮咏华(2020)提出，企业在运营中生成或获取的数据资产，其会计分类(存货或无形资产)取决于其价值实现模式。具体而言，若某项数据资产的价值实现仅限于单一营业周期内特定的、有限的作用，则符合存货的特征；反之，若该数据资产具备跨多个营业周期持续创造价值的能力，则应将其界定为企业的无形资产[21]。符文娟等(2022)研究认为在特定行业背景下，存货的表现形式可能不再局限于传统的实物形态。若企业日常经营活动以销售自产或获取的数据产品为主业，则无论其是否具备物理形态，该等数据产品均应纳入存货范畴予以核算。[22]。罗玫等(2023)认为，数据资源作为资产需满足：来源明确，企业合规持有、使用与经营，对未来经济收益有独特贡献。他们研究区分了数据资产的三种应用模式(形成交易产品/服务、赋能企业运营、非持有性使用)，并据此设计了匹配的会计确认方案[23]。

虽然关于研究数据资产确认的研究有许多，但数据资产的确认还是存在诸多争议。该资产形态具有非物质性、可辨认性及非货币性等特征。然而，其创造经济利益的可能性与规模大小难以确定。这些特性使得数据资产的确认具有一定的难度，但其是数字经济时代中的重要角色，是企业和社会发展的重要资源。根据财政部《暂行规定》的要求，企业在应用重要性原则的基础上，须在资产负债表的“存货”、“无形资产”和“开发支出”项目中增设“数据资源”科目。该科目用于在报告日(资产负债表日)计量并反映：(1) 归类为存货的数据资源账面价值；(2) 确认为无形资产的数据资源账面价值；(3) 符合资本化条件的数据资源研究开发项目累计支出。为数据资产的确认提供了一定的参考，能更好地完善数据资产确认体系。

4. 数据资产计量研究

(1) 数据资产初始计量研究

数据资产的计量是数据入表的重要环节，通常包括初始计量和后续计量两个方面，初始计量是指首次确认会计要素时选择适当的计量属性对会计要素的货币价值进行计量，后续计量是指在首次确认会计要素后的会计期间内选择适当的计量属性。计量属性的选择大致可以分为两类：

一是单一计量属性，数据资产可以选择历史成本、公允价值或者现值的会计计量属性。邹照菊(2017)提出应以取得该资产时所支付的实际成本入账，用历史成本来计量数据资产价值[24]。孙永尧(2022)认为对于成本支出容易获得的外部购买和内部自行开发的数据资产，可采用历史成本法为计量基础[25]。陆旭冉(2019)认为，在数据资产发展的初期，其估值标准与市场体系尚处于构建之中，此时运用现值或公允价值计量存在切实的实践障碍。相较之下，历史成本计量模式在当前阶段对于数据资产的管理与核算具有更高的现实可行性[26]。面对高度复杂的数据资源导致其资产化成本难以精确计量的困境，企业应立足特定应用需求及自身运营特征，灵活采用公允价值法或收益法等替代性计量方法，构建更贴合实际的评估体系。张雪等(2022)研究表明，历史成本计量模式在反映数据资产真实价值方面存在固有局限性，往往造成其账面价值与实际市场价值之间的显著偏离。鉴于此局限性，采用现值计量模式被论证为更能有效揭示数据资产内在经济价值的替代方案[27]。除此之外，张俊瑞等(2020)认为，企业运用现值计量方法评估数据资产时，常受制于其固有的价值波动风险与场景约束。值得关注的是，随着数据要素市场机制的健全，公允价值计量在可交易数据资产中的应用条件正趋于成熟[28]。

二是持有混合计量属性，在计量时选择多种计量属性计量。唐亮等(2022)认为，对于以交易为目的外购取得的数据资产，应当采用公允价值进行计量；而对于企业自行开发的数据资产，由于缺乏活跃的交易市场作为定价参照，则更适合采用历史成本计量模式[29]。黄世忠等(2023)数据资产的初始计量应统一采用历史成本法；其后续计量则需依据商业模式进行区分：对于企业内部使用及外部出售并转移所有权的数据资产，建议延续历史成本法计量；而对于仅向外部转让使用权的数据资产，则应在后续计量中采用公允价值法[30]。此外，何越(2023)则主张采用“历史成本 + 公允价值 + 现值”的复合计量属性模式。在初始计量层面，无论数据资产是自产还是外购，均适用历史成本法。后续计量属性的选择则取决于持有目的：持有用于销售的数据资产适用公允价值计量；持有用于生产活动的数据资产宜采用现值计量；对于无法适用公允价值或现值计量的其他情况，则维持历史成本计量[31]。

数据资产计量中历史成本与公允价值的争论，源于数据作为新型资产的特殊性与传统会计计量逻辑之间的张力。历史成本计量具有客观、可验证的优势，但在反映数据资产动态价值时存在滞后性；公允价值虽能更好揭示其经济实质，却在市场不成熟、估值技术不完善的阶段面临可靠性与操作性的挑战。这种争论本质上是会计信息质量中可靠性与相关性之间的权衡。

随着数据要素市场的发展与商业模式分化，计量方式亦趋向多元化与场景化。学者们提出的混合计量思路(如区分外购与自研、持有目的等)，正是为了在实务中兼顾计量稳健性与价值相关性。未来，随着市场机制与估值体系的完善，历史成本与公允价值有望在更清晰的准则框架下协同运用，以更精准地服务于数据资产的会计确认与价值管理。

(2) 数据资产价值评估研究

数据被明确列为第五大生产要素，其市场化流通和高效配置是国家战略。价值评估是数据要素市场化的基石。没有科学合理的估值，就无法进行公平交易、抵押融资、作价入股、资产证券化等市场行为。合理的价值评估方法能帮助企业管理层清晰认识自身数据资产的价值，识别高价值数据资源，优化数据治理、数据战略和数据投资决策。并且如果要将数据资产纳入财务报表，要真实、完整地反映企业资产状况和核心竞争力，合理准确地评估可以提升财务透明度，增强投资者信心。为了满足数据资产价值评估的需求，现学术界对数据资产价值评估的研究日益增多，学者们依据不同的标准提出了诸多方法，可将这些方法归结为以下类别：

一是改进的传统方法。当前研究趋势表明，学者常基于传统方法构建基础模型，且采用多种优化策略进行修正。改进后的模型通过实际案例的对比验证，其评估结果的有效性与可靠性显著提升。李春秋和李然辉(2020)将收益法所需的数据资产预期收入以业务计划中的财务指标进行替代来预测，依据各数据资产的重要性及其贡献比例，分配其相应的价值权重[32]。陈芳和余谦(2021)构建了基于剩余法的多期超额收益评估模型，考虑数据资产的特殊风险，重设数据资产的折现率区别于无形资产整体折现率，将属于数据资产的超额收益从企业整体收益分离进行估算[33]。李雨馨和袁中华(2023)在多期超额收益评估模型基础上加入层次分析法，并以宝钢股份的数据资产价值评估验证了可行性[34]。陈梦根等(2025)使用数据资产发展期的超额收益，并利用收益分成率剥离其他资产的价值贡献，最终折现累加以确定数据资产的价值，验证了数据资产价值评估方法的合理性[35]。胥子灵等(2022)根据行业特征增加参数，使模型更加适配数据资产特点。修正了多期超额收益模型中的收益期和折现率，还引入了动态的客户留存率参数[36]。层次分析法(AHP)因其结构化处理复杂因素的能力，常被引入市场法与成本法的优化研究中。张志刚等(2015)在其研究中，创新性地将改进的成本法与层次分析法相融合，构建了一个基于成本费用和应用效果双重维度的价值评估框架体系，用以测算数据资产的价值[37]。李永红和张淑雯(2018)结合了层次分析法和灰色关联分析法来修正市场法构建模型。通过层次分析法和灰色关联分析法量化影响因素和选取可比数据资产，解决了市场法中可比数据资产选取困难的问题[38]。张俊瑞等(2023)利用层次分析法与市场法结合，使模型聚焦数据资产价值发挥作用途径、数量和质量、稀缺程度、数据所处行业和所有权5个因素[39]。

二是经济学方法。在数据资产的定价实践中，经济学方法植根于博弈论、人工智能及实物期权理论等交叉领域。针对数据资产的特殊属性，该方法将交易场景中的市场供求动态作为核心考量因素，旨在通过市场交易形成的价格揭示其内在价值。Niyato等(2016)基于博弈论方法，分别建立竞争市场与垄断市场下的分析模型。针对竞争市场结构，模型聚焦于数据–服务捆绑策略对服务提供商数据定价议价能力的提升作用。针对垄断市场结构，模型则关注数据市场的核心特性，通过构造刻画数据价值递增性的函数，并设计与之匹配的博弈机制，以优化数据集收益[40]。肖雪娇等(2022)认为数据资产价值通常被划分为直接经济价值和未来潜在价值两个维度。在评估方法上，针对直接经济价值，采用了层次分析法与收益分成模型相结合的评估框架；对于未来潜在价值，则借鉴了实物期权理论，具体运用了最小二乘蒙特卡洛模拟(LSM)方法进行量化估算[41]。学者认为人工智能算法的模型能提升预测精度和速度等维度。早在国外Tsai等(2017)利用机器学习方法挖掘数据集的时间分布规律，据此建立了反映时段差异的数据价值评估与定价框架[42]。倪渊等(2020)利用AGA-BP神经网络技术，开发一套涵盖多方面考量的数据资产评估框架，并通过实例分析来验证该模型的有效性[43]。任建宇(2022)采用了集成机器学习技术构建数据资产评估模型与配套系统，对数据资产的价值进行评估[44]。人工智能法能够解决主观性和人为因素、复杂性和大数据处理、非线性关系和预测能力等问题，其应用可以提高评估的客观性、准确性和效率，为数据资产的管理和交易提供重要的决策支持。

三是多属性综合评价法。近年来，该评价方法在资产评估实践中获得了广泛应用。它通过有效结合定性分析中的主观判断与定量分析中的客观数据，为资产价值评估提供更为全面且精准的结论。这一方法的核心体系为“构建评估指标体系→确定指标权重→量化指标值→进行综合评价”[45]。李菲菲等人(2019)构建了一个评估指标体系，运用层次分析法确定了各指标的权重，结合模糊评价模型对具体指标进行了详尽的计算和评分，用以评估数据资产的实际价值[46]。宋杰鲲等(2021)设计了一种新型综合评价框架，整合了层次分析法(AHP)的权重确定机制与直觉模糊集(IFS)的不确定性表征能力。具体而言，采用AHP量化指标的相对重要性；对于具有不同特性的指标，将其映射为直觉模糊数；在此基础上，开发了基于直觉模糊决策的综合评估模型[47]。肖雪娇和杨峰(2022)采用了多维度评估技术体系：收益法用于量化数据资产的基础经济价值；层次分析法(AHP)则侧重于其多属性价值结构的分析。这些研究不仅推动了多属性综合评价法在实践层面的落地，也为数据资产价值的精确评估与计量贡献了重要的理论依据。

(3) 数据资产后续计量研究

关于数据资产的后续计量问题，可借鉴现有的资产类会计要素的处理方法，主要涉及数据资产的后续支出、摊销、减值、处置等方面。在后续支出方面，罗晴晴(2025)提出针对数据资产的后续费用支出，企业应灵活采取应对不同性质费用的差异化后续计量策略，以确保资源的有效配置与成本管理的精准性[48]。

在摊销方面，周媛(2025)认为在评估数据资产的使用寿命时，为了确保评估结果的准确性和可靠性，必须综合考虑下面的多种因素。因为数据资产作为一种新型资产，其使用寿命的判定较之传统无形资产更为复杂多变。这一挑战根植于其固有的易逝性(高时效要求、技术迭代速度快等)与外部环境的高度不确定性(市场规则尚在演进、应用场景边界不清晰等)，多重不稳定因素的叠加使得评估过程尤为困难[49]。陆小蒙(2024)考虑到数据资产价值易受时效性和技术快速迭代影响，存在短期内价值大幅减损甚至被淘汰的风险，因此，对其采用加速摊销法符合其价值消耗模式，能够在效用最高的使用前期更快地确认摊销成本，并将该成本计入当期损益[50]。吕慧与赵冠月(2023)指出，摊销作为后续计量中的关键环节，在应用于数据资产时面临挑战。鉴于数据资产使用寿命难以确定且其内容处于持续动态更新之中，这些固有特性使得传统摊销计量模型难以适用，因此不做摊销计量处理[51]。

在减值方面，程心茹(2025)提出了无论外部采购与内生性业务活动所产生的数据资产，普遍存在自然贬值属性，其价值随时间的推移而衰减。这一由时效性主导的价值波动特性，对数据资产减值评估的精确性构成了显著挑战，要求评估机制具备高度的动态适应性[52]。朱瑞(2025)认为数据资产的减值测试需结合其特性及使用场景进行动态评估。当出现应用范围缩小、市场需求下降或技术过时等减值迹象时，应立即启动减值测试程序[53]。

在处置方面，谭红旭和张嘉欣(2025)提出鉴于数据资产可分割为价值不等单元，其成本估算往往存在困难，建议对其部分处置做出规定[54]。王世杰和刘喻丹(2023)提出在内部管理场景和外部经营场景中，数据资产作为非流动资产。在处置时，应该根据处置对价减去成本，确认为非经常性损益[55]。张俊瑞等(2024)表示学术界对于数据资产处置阶段的研究不足。数据资产处置阶段涉及三个主要的管理问题，包括核销标准设置、已核销数据处理和数据资产性质或用途的变更。将处置阶段纳入数据资产管理框架及实践是实现全生命周期管理的必要环节[56]。

最后，企业应该在财务报告中详细披露数据资产的后续计量方法、摊销政策、减值测试的结果和已经对财务状况的影响。这有助于提升财务报告的透明度和可靠性。

5. 数据资产列报与披露研究

随着数字经济的快速发展，数据资产作为新型生产要素的重要性日益凸显，其纳入财务报表的问题受到广泛关注。而作为企业财务信息的主要载体，财务报表旨在向外部信息使用者概括性地反映其资产、负债、权益结构以及一定时期内的盈利能力和业绩表现。国内学者张新民与金瑛(2022)提出了适应数字经济背景的资产负债表研究理论，为后来者研究数据资产入表提供了重要的参考框架和研究思路[57]。徐素波、申越明(2024)从数据资产入表宏观视角出发，认为数据资产入表对提升会计信息的相关性与决策有用性具有关键意义。其纳入资产负债表，能够为利益相关方的经营决策和投资判断提供更为坚实的依据。反之，若将其排除在表外，将难以全面反映企业资源禀赋，进而引致对企业整体价值的低估风险[58]。曲京山等(2025)提出数据资产在财务报表中的列报实践，目前面临若干关键性挑战。首要难题在于其列示位置的判定缺乏统一标准。实践中，数据资产被归入不同报表项目的情形较为普遍，这不仅会导致企业资产总额与结构呈现显著差异，也难以客观、全面地反映其真实的经营状况。另一突出问题是财务报表附注中关于数据资产的信息披露。由于缺乏具体、可操作的披露规范，企业在披露内容的选择与详略程度上存在较大自主空间，这种披露的不一致性与随意性，直接制约了财务信息的透明度，并削弱了不同企业间财务数据的可比性[59]。

在信息披露的方法选择上，付英艺和夏建雄(2023)研究了不同类别数据资产的初始及后续计量方法，提出了从表内和表外两个方面进行数据资产信息披露的方式[60]。而熊艳和裴潇(2022)通过整合表内披露与表外披露的方式，系统性地揭示数据资产的完整价值[61]。即使部分数据资源因不满足资产确认条件而无法在表内确认，对其关键特征和状况进行充分披露，仍是评价管理层执行效能的重要依据，同时为利益相关者的经济决策提供了必要信息。张俊瑞、危雁麟等(2021年)数据资源因其独特属性，若直接纳入资产负债表列示，其账面价值难以充分反映其内在特质差异，进而可能弱化财务报告服务于决策的核心价值。为弥补现行报表体系的信息缺口，引入补充性报表(如“第四张报表”)以披露关键非财务维度信息。此外，对于尚不满足入表标准的数据资源，企业应通过表外披露机制，持续、透明地向利益相关方传递其潜在规模及伴随风险。此种多层级的信息披露架构，不仅有助于显著提升企业透明度，更能从实质上优化相关经济决策的有效性[62]。

在信息披露的经济后果研究中，苑泽明等(2022)发现数据资产信息披露能够增强企业的信息透明度，并提升对技术人才的吸引力，驱动企业价值增长[63]。曾家瑜、赵治纲(2023)基于信号传递理论视角，认为企业主动进行信息披露可视为向外部投资者(包括潜在投资者)释放利好信号的一种策略行为，能缓解因信息不对称而产生的负面效应及伴随的经济损失。企业不仅能有效控制运营成本，同时也能提升其所披露财务信息的质量[64]。赖妍和张娟(2025)研究发现数据资产信息披露能够提升企业投资效率进而使企业降低风险、稳定盈利能力和股价[65]。牛彪等(2024)从债券融资成本视角分析了数据资产的融资作用，发现数据资产信息披露能够显著降低债券融资成本[66]。在另一个研究中牛彪等(2024)通过实证发现数据资产信息披露不仅能够降低审计费用，还能够有效弥补财务报表信息的不足，增加市场的有效信息[67]。在绿色创新方面，数据资产信息披露可从不同角度进行促进，Zheng等(2023)提出数据资产信息披露可以通过提高企业整合有价值信息的能力和竞争力以增加企业研发创新投入[68]。Zhang等(2025)发现数据资产信息披露通过缓解企业融资约束和提高绿色研发效率促进企业绿色创新[69]。

6. 文献述评及展望

当前研究在企业数据资产价值评估领域已形成清晰脉络，核心进展与挑战并存。

在数据资产界定层面，学界基本达成共识，即数据资产是能为企业或社会带来经济效益的可计量数据资源，其核心特征聚焦于可控制性、价值可估性与经济收益潜力。权威定义强调其具备可计量或交易属性，并能产生经济社会效益。然而，数据资源转化为资产的边界标准、权属的法律适配性等基础性问题仍需理论深化。

会计确认领域存在显著分歧。部分学者主张沿用无形资产框架，但数据的快速迭代与多场景适用性与传统模式存在矛盾；另有观点支持将其列为独立资产类别，或根据业务目的差异化为存货或无形资产进行确认。财政部在资产负债表中增设“数据资源”项目的方案为实务提供了过渡路径，但如何精准匹配企业复杂多变的业务场景仍需细化规则。

价值计量是研究的核心难点，价值评估方法呈现多维创新态势。传统收益法通过模型优化(如引入动态参数、行业因子)提升了对数据特性的适配性；经济学方法融合博弈论与实物期权理论，有效模拟交易环境下的价值形成机制；人工智能技术显著提升了评估效率与预测精度。基于市场模拟的经济学方法和人工智能技术虽在评估效率上取得进展，其实践可靠性与普适性有待验证；多属性综合评价法则通过构建量化指标体系整合主客观因素，但指标选择的主观性制约了跨行业应用。整体而言，评估领域还需建立统一且操作性强的标准框架。计量属性选择存在显著分歧：初始计量中历史成本与公允价值之争反映对可靠性及相关性优先级的权衡；后续计量中摊销政策与减值测试的适用性争议则凸显数据资产强时效性带来的特殊挑战。混合计量模式虽被广泛倡导，但具体操作规则尚未形成统一范式。

列报与披露研究聚焦于数据资产入表困境及信息披露的经济后果。表内确认的资产归类争议与表外披露的规范缺失并存，制约了财务信息可比性与完整性。“第四张报表”的提出为突破传统报表局限提供了新思路，但其制度设计与实施路径尚未明晰。实证研究证实了信息披露在降低融资成本、提升投资效率及促进创新方面的积极作用，凸显了其价值传导功能，但披露内容、深度与质量的标准化仍是关键挑战。

未来研究需深化数据资产入表的实际应用。应建立更清晰的会计处理规则，协调好无形资产归类与单独设类的不同看法。重点解决计量中的操作难题，包括如何改进历史成本法、获取合理公允价值，以及处理数据时效性带来的摊销问题。同时规范报表披露要求，统一关键信息的公开标准，深入分析信息披露对企业经营的影响。还需关注国际会计规则变化，促进跨境数据资产核算的衔接，并平衡好数据核算与安全管理的关系。通过多方合作，形成既符合会计规范又适应数字经济的制度安排，真实反映企业价值，支持企业发展和经济进步。

NOTES

^*通讯作者。