1、 商业银行数据资产估值白皮书 7 目 录 序言.3 前言.4 第一章 数字经济时代对研究、掌握数据生产要素的迫切需求.10 一、中央和地方对数据要素高度重视、积极实践.11 二、自由流转、平等定价及公平交易的数据要素交易市场格局亟待建立.11 1 明确的数据权属是数据要素市场化发展的前提和基础.12 2 统一的数据资产估值及定价标准是数据要素配置的重要手段.12 3 健全的数据资产交易机制是数据要素市场化的有力保障.13 第二章 数据资产定义、特点及管理.14 一、数据、资产及数据资产定义.15 1 数据的定义.15 2 资产的定义.15 3 数据资产定义.16 二、数据资产的特点.17 1

2、非实体和无消耗性.17 2 可加工性.18 3 形式多样性.18 4 多次衍生性.18 5 可共享性.18 6 零成本复制性.19 7 依托性.19 8 价值易变性.19 三、数据资产管理的发展阶段.19 1 数据管理阶段（“十五”初期至“十一五”末期）.20 2 数据治理阶段（“十二五”初期至“十三五”中期）.20 商业银行数据资产估值白皮书 8 3 数据资产管理阶段（“十三五”中后期至今）.21 第三章 数据资产估值的理论方法.22 一、货币度量估值方法.23 1 货币度量估值方法介绍.23 2 货币度量估值方法的应用情况.26 二、非货币度量估值方法.27 1 非货币度量估值方法介绍.2

3、7 2 非货币度量估值方法的应用情况.29 第四章 光大银行数据资产估值实践.32 一、数据资产估值假设.33 1 现状利用假设.33 2 公开市场假设.33 3 持续经营假设.33 二、数据资产估值实施方案设计与计算示例.33 1 确定估值目的与范围.33 2 明确数据资产估值对象.34 3 选择数据资产估值方法.35 4 优化成本法估值实施方案与计算.36 5 优化收益法估值实施方案与计算.42 6 优化市场法估值实施方案与计算.50 三、数据资产估值实施方案特点.54 1 体现了数据资产“非实体性&无消耗性”“可加工性”等特点.54 2 体现了数据资产价值与数据规模间的关系.55 3 关

4、注数据资产调用情况与价值产生的强相关性.55 4 体现了数据资产价值与数据应用间的关系.56 5 体现了数据质量对数据资产价值实现的影响.57 商业银行数据资产估值白皮书 9 第五章 促进数据要素市场科学有效发展的建议.58 一、通过积极的政策激发数据要素市场活力.59 1 推进和完善顶层设计，使数据市场发展有法可依.59 2 确定数据要素流通角色，保护数据流通相关方权利.59 3 研究制定多样化的支持政策，促进各主体数据共享意愿.59 4 通过产学研一体化研究推动新技术在数据要素流通中的创新使用.60 5 建立社会公共数据共享流通的机制，活跃市场交易.60 6 建立试点机制，允许先行先试，逐

5、步完善市场.61 7 鼓励开展多种数据市场模式.61 二、制定市场原则，审慎包容指导市场有序发展.62 1 鼓励行业开展自律，形成行业协同监管局面.62 2 建立交易争端仲裁机制，完善市场运营机制.62 3 建立数据共享的标准，提升数据共享效率.62 4 建立指导定价机制，促进市场有序良性竞争.63 5 建立全新监管理念，维护数据要素市场秩序.63 附录 A 央地政策及决策层重要讲话梳理.64 附录 B 国家法律法规、规章政策列表.66 附录 C 国家相关标准列表.71 附录 D 重要行业、学术研究列表.73 附录 E 当前主要交易所或交易平台介绍.77 附录 F 当前大数据交易模式及优劣势分

6、析.83 附录 G 优化后数据资产估值计算方法.86 参考文献.97 第一章 数字经济时代对研究、掌握数据生产要素的迫切需求 10 商业银行数据资产估值白皮书 11 随着数字中国建设的推进，各行业的数据资源采集能力不断提升，进而促进更快更多的数据积累；数据作为数字经济时代的核心生产要素，在推动产业升级和千行百业的数字化转型过程中发挥着不可替代的作用，已然成为产业高质量发展和行业数字化转型的基础燃料。加快数据要素流转交易，激发数据资产价值转化，已经成为数字中国建设的关键引擎。一、中央和地方对数据要素高度重视、积极实践 2020 年 4 月，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

7、的意见（以下简称意见）重磅发布，明确提出“加快培育数据要素市场”的要求。2021 年 1 月 31 日，中共中央办公厅、国务院办公厅印发了建设高标准市场体系行动方案，进一步提出“建立数据资源产权、交易流通、跨境传输和安全等基础制度和标准规范，推动数据资源开发利用”。2021 年 3 月，“十四五”规划中提出“迎接数字时代，激活数据要素潜能”，“充分发挥海量数据和丰富应用场景优势，促进数字技术和实体经济深度融合”。2021 年 6 月，中华人民共和国数据安全法（下称数据安全法）发布，标志着我国将数据安全保护的政策要求，通过法律文本进行明确和强化。同月，深圳市司法局发布 深圳经济特区数据条例（下称

8、 数据条例），明确提出数据的人格权和财产权，同时规定政府和市场各方主体在培育要素市场中的主要任务，引导市场主体通过依法设立的数据交易平台进行数据交易，支持数据价值评估、数据交易模式创新，为数据要素市场培育提供了全面保障。多项政策的出台，不仅凸显了国家对数据要素的高度重视，更是在战略高度上强化了完善数据要素属性和市场流通性的重要意义，明确了数据要素市场体制机制建设的方向和重点改革任务，坚定了产业界推进数字化转型的决心。二、自由流转、平等定价及公平交易的数据要素交易市场格局亟待建立 通过国家、地方政府及数据交易市场的参与方在数据要素融合方面做出的种种努力及探索，可以看出促进数据要素市场发展的三大驱

9、动力，即法律角度的数据确权，财务会计角度的数据估值或定价，和市场角度的数据交易。然而，在实践探索过程中，由于数据资产确权存在争议、数据资产交易受阻、数据资产估值困难等原因，数据资产要素化的进程仍面临诸多挑战。第一章 数字经济时代对研究、掌握数据生产要素的迫切需求 12 1明确的数据权属是数据要素市场化发展的前提和基础 土地、资本等其他的生产要素通常有较为明确的权利类型与权利归属，但由于数据资产无实体、可多次衍生等特点，当前数据资产确权尚缺乏实际的规则标准，相关法律文件界定标准难以满足数据要素在流通过程中的实际应用需求。相关法律规定的不完善给数据要素化的合法性、可行性带来挑战。首先，当前法律体系

10、对数据权属、权利类型规定不明确，数据交易者无法判断交易双方是否有特定交易资格，这带来了较高的交易风险。其次，尽管各数据交易所的交易规则暂时部分发挥了相关法律的作用，但出于合法考虑，各交易规则都将涉及个人信息的数据排除在可交易范围外，这实际上将一部分对于企业最有价值的数据完全拒之门外，在一定程度上阻碍了数据资产的要素化。2统一的数据资产估值及定价标准是数据要素配置的重要手段 价值是资产的核心属性，数据资产估值体系是探索数据要素定价机制及价值核算的重要参考，对厘清数据、制定统一数据要素定价标准、实现数据要素的有效配置具有重要意义。对社会而言，数据资产估值研究为交易市场的统一数据定价模式形成提供系统

11、框架和标准参考，促进数据资产要素流通市场的构建，提升行业对于数据资产价格的公允认知。对企业自身管理而言，数据资产估值结果能够有效提升各方业务的开展水平与管理能力。一方面，管理层能够从统一的视角，直观了解企业的数据资产价值，并依据评估结果做出数据资产相关的战略决策。周期性的数据资产估值帮助企业将数据价值与业务价值相连接，发掘高价值密度的数据，对未来数据挖掘、分析工作提供方向性指导，做到工作有的放矢。另一方面，在上下级沟通或部门沟通中，具有准确量化价值的数据资产有助于沟通双方对数据产生共同理解，减少企业沟通成本，提高运营效率。但由于数据资产与传统的有形资产和无形资产均有一定差异，其评估问题难以使用

12、当前的资产评估体系解决,目前行业内尚无完整可操作的数据资产评估体系，评估模型和相关影响因子的选取等评估的基本问题也尚未统一。传统资产评估方法主要包括成本法、收益法和市场法三种。相比于传统资产，数据资产具有其独特性，而这些独特性导致传统评估方法在数据资产估值的实践中局限性较大。此外，当前数商业银行数据资产估值白皮书 13 据资产估值方法体系的研究探索尚处在理论层面，企业开展数据资产估值的实践较为少见。为探索具有较强实操性的数据资产估值方案，本书将结合数据资产特性，对各类评估方法的适用前提、优劣势以及数据资产价值的影响因素等内容进行对比分析，并提出优化方案设计，同时针对优化方案在实施过程中需要关注

13、的重点内容提出建议。3健全的数据资产交易机制是数据要素市场化的有力保障 除数据资产交易前的确权和评估问题外，数据资产交易本身面临的挑战主要在于交易机制不统一和数据安全保障难两大方面。统一的交易机制是数据资产交易的前提。目前，虽然各地已陆续建立起一些数据交易市场，但是全国范围内仍缺少大规模、集中的数据交易中心，因此也缺乏一致的交易体系，尤其对于交易规则、数据登记、会员制标准、信息披露制度等方面均有进一步完善的空间。而如何在数据资产交易过程中保障数据安全这一问题同样需要讨论。数据资产交易过程涉及数据提供方、数据接收方、交易中介等多个参与方，各参与方均可能会出现未经许可复制、对外共享或交易数据的行为

14、。即使从数据安全角度完善法律，也有可能出现由于数据资产交易权属不明确导致的越权使用等问题。为解决此类问题，行业内仍需要相关的法律法规和交易技术标准出台，推进数据交易全流程的良性互动和安全协同。第二章 数据资产定义、特点及管理 14 商业银行数据资产估值白皮书 15 数据作为新型生产要素，具有巨大潜在价值已经达成了广泛共识，数据资产化已成为企业数据资产管理的重要环节。早在 2013 年，大数据之父舍恩伯格就在大数据时代一书中指出，“虽然数据还没有被列入企业的资产负债表,但这只是一个时间问题。”但是要探索数据转化为资产并进行会计计量和流通的前提条件和转化机制，首先需要厘清数据资产相关的概念。一、数

15、据、资产及数据资产定义 1数据的定义 长期以来，关于数据的定义和描述早已汗牛充栋。大多数理论研究强调，数据是对客观事实的归纳和反映。国际标准化组织（ISO）对数据定义为，对事实、概念或指令的一种特殊表达形式，通过人工或自动化装置进行通信、翻译和处理。美国质量协会（ASQ）将数据定义为可以收集到的一组事实。数据安全法将数据定义为任何以电子或者非电子形式对信息的记录。数据条例将数据描述为关于客体（如事实、事件、事物、过程或思想）的描述和归纳，是可以通过自动化等手段处理或再解释的素材。在数字经济时代，国家将数据列为重要生产要素数据，按贡献参与收益分配。2资产的定义 从人类社会发展的历史来看，对资产的

16、形态和范围的认知从最初的实物资产到后来的无形资产再到当下数据资产，经历了持续扩张和深化的过程。目前较为权威的对资产的定义主要来自国际会计准则及我国财政部的企业会计准则。国际会计准则在框架中将资产定义为“资产是指作为以往事项的结果而由企业控制的可望向企业流入未来经济利益的资源”。财政部企业会计准则-基本准则（2014 年修正）第二十条规定，“资产是指企业过去的交易或事项形成的、由企业拥有或控制的、预期会给企业带来经济利益的资源”。企业会计准则第 6 号无形资产进一步对无形资产的定义进行明确，无形资产是指企业拥有或控制的没有实物形态的可辨认非货币性资产。由此可见，对资产的定义，当前形成的共识应该包

17、括四方面特征：一是从资产的来源角度，资产由过去的交易或事项形成，是对企业历史信息的反映，未来预期中的交易和事项不形成资产；第二章 数据资产定义、特点及管理 16 二是从资产的法律属性来看，企业需拥有某项资产的所有权或控制权，从而使得该资产产生的经济利益能可靠地流入该企业；三是从资产的经济属性来看，资产不管是有形的还是无形的，必须能够为企业提供未来经济利益，这是资产确认的本质要求；四是该资源的成本或价值能够可靠计量。3数据资产定义 通过对数据和资产的分析可以发现，数据在特定的条件下符合会计学中对资产的定义。数据的资产属性已经在法律层面、国家及行业标准、学术界等获得普遍的认可。在法律规章层面，虽然

18、尚未对数据或数据资产做出正式的统一的定义，但是部分法律已提及了数据相关概念，或对数据保护提出了总体性要求，或对数据的权属进行明确。例如，数据条例中明确提出了数据权的概念，规定自然人、法人及非法人组织对其合法处理数据形成的数据产品和服务享有法律、行政法规及本条例规定的财产权益。数据安全法第七条规定，“国家保护个人、组织与数据有关的权益，鼓励数据依法合理有效利用，保障数据依法有序自由流动，促进以数据为关键要素的数字经济发展”。在国家标准层面，部分细分领域或行业已结合自身情况率先对数据资产进行了较为明确的定义。例如电子商务数据资产评价指标体系（GB/T 37550-2019)中明确提出“数据资产是以

19、数据为载体和表现形式，能够持续发挥作用并且带来经济利益的数字化资源”，并明确指出“数据资产包括结构化、非结构化数据和半结构化数据”，“数据资产能够估值、交易，并以货币计量”，“数据资产能够为组织带来潜在或实际价值”等内容。该定义较为全面地从数据资产的展现形式、价值体现、分类、特质等方面阐述了数据资产可以为组织带来直接或间接价值的能力，并且可用货币进行计量的特点。学术方面，相关领域行业专家和学者一直积极致力于数据资产领域的研究，目前已经基于不同的研究角度，提出了对于数据资产的定义。早在 1974 年，“数据资产”一词就最早由 Peters提出；国内对数据资产的明确定义则最早由朱扬勇等学者于 20

20、18 年提出，他认为“数据资产是拥有数据权属(勘探权、使用权、所有权)、有价值、可计量、可读取的网络空间中的数据集”，强调了数据的权属问题；2019 年 6 月，中国信通院发布的数据资产管理实践白皮书 4.0中则商业银行数据资产估值白皮书 17 提到了关于数据资产的定义：“数据资产是指由企业拥有或者控制的，能够为企业带来未来经济利益的，以物理或电子的方式记录的数据资源，如文件资料、电子数据等”，该定义从数据资产的权属、功能特点、表现形式等方面对数据资产进行概述。总体而言，目前在国家法律规章、行业标准及学术界，已逐步对数据资产的定义有一些探索性研究和尝试，但是仍处于起步阶段。因此，结合数据、资产

21、、无形资产的定义以及国家标准、行业指引、专家学者文献等研究实践，本书从企业应用的角度将数据资产定义为企业过去的交易或事项形成的，由企业合法拥有或控制，且预期在未来一定时期内为企业带来经济利益的以电子方式记录的数据资源。其具体意义可表述为以下几点：（一）“企业过去的交易或事项形成”是指数据必须是现实存在的，未来预期产生或获取的数据不能划分为数据资产。（二）“由企业合法拥有或控制”，是指数据来源及出处必须合法合规，企业以不正当手段非法获取的、有产权争议的、无法控制的数据资源不能确认为数据资产。（三）“预期在未来一定时期内为企业带来经济利益”，是指数据资产预期在未来一段时间内，通过直接或间接等形式为

22、企业带来持续经济效益，没有经济价值或在现有的技术条件下无法确定未来经济利益的数据以及不能反复连续使用的数据不能划分为数据资产。（四）“电子记录”是指能够通过盘点、注册等管理手段，对数据资产进行识别、记录及计量，对于手工记录的数据，不纳入数据资产范围。二、数据资产的特点 总结梳理理论研究与行业实践成果发现，相比于传统的有形资产和无形资产，数据资产还具备若干特殊属性。这些属性导致其估值面临较大挑战，也是在未来逐步构建和完善数据资产估值体系中需要持续考虑和优化的内容。1非实体和无消耗性 相比于传统有形资产，数据资产具有非实体性和无消耗性。传统有形资产通常具备消耗性，只能由一个使用方、用于某一种用途。

23、例如，机器会随着使用次数增加而产生消耗，寿命降低；第二章 数据资产定义、特点及管理 18 原材料在加工后即转变为新的产品。数据资产价值并不会因为正常的使用频率增加而磨损或消耗，数据资产的无消耗性，确保了其在存续期间可以被无限循环利用。与此同时，在数据资产估值过程中也需要考虑其可以重复使用的特性。2可加工性 数据资产可以被多维度加工，加工处理后的数据可以成为一种新的数据资产。具体而言，数据资产可以被维护、更新、补充，以增加数据量；也可以被删除、合并、归集，从而消除冗余；还可以被分析、提炼、挖掘，进一步丰富数据资产的信息量。数据的可加工性，确保了数据使用者可以通过各类数据技术，将数据转化为更多样的

24、形式，挖掘数据中的信息，发展数据应用能力。3形式多样性 通常而言传统资产只具备一种固定形式，而数据资产有非常丰富的展现形式。即在可加工性的基础上，数据资产可以通过与各类数据处理技术相结合，被多样化地展示、应用以及在多种形式中转换，从而满足不同数据消费者的需求。例如，可以通过各类报表对财务数据进行统计以满足财务管理与记账的需求；而对于各类管理指标数据，则可以通过各类可视化工具，以图形等方式，便于企业管理层更加直观地了解企业的整体情况。4多次衍生性 同一数据主体可以被多层次多维度加工，从而衍生出不同程度的数据价值。数据资产多次衍生性的有效利用，可以帮助企业进行多层次、多维度数据资产潜在价值挖掘，丰

25、富企业数据资产整个生态链，推动企业实现数据驱动的目标。数据资产的使用者可以根据不同的需求和数据算法，从而生产出不同维度的衍生数据。例如，对于直接采集的原始客户数据，可通过轻度汇总加工，以形成数据平台中可供各类应用系统复用的数据；进一步地，业务部门可在此基础上加工衍生出对客户偏好的分析与画像，风险管理部门也可进一步衍生对客户风险等级的判断数据。5可共享性 数据资产的共享性，指数据资产可以无限地进行交换、转让和使用，为他人所共享。同一数据可以同时支持多个主体使用，不同主体对同一数据的利用将产生不同的价值，这一特性，成为企业数据价值挖掘的关键着力点，利用好数据的共享性，将能最大限度地挖掘数据资产价值

26、。商业银行数据资产估值白皮书 19 6零成本复制性 数据资产的成本主要在于前期的数据获取、研究开发阶段，因此初创数据资产的成本极高，但以后的产品由于可无限复制，其边际成本趋于零，这可能会导致相同的数据资产具有截然不同的成本。另一方面，数据资产的零成本复制性也使其在可共享性的基础上能被更多人所用，产生大量的潜在交易需求和价值。7依托性 数据资产不能独立存在，因此需要依托于某种介质进行存储和加工。数据资产依托的介质十分多样化，包括磁盘、硬盘等。同时，数据资产发挥其作用与效应也需要依托于有形资产，例如计算机和其他硬件设备。因此在计算数据资产的价值和相关成本时，也需要考虑数据资产所依托的介质成本。在评

27、估中，需要考虑数据资产依托的有形资产的折旧和维护成本等，由此获得较为准确的数据资产成本。8价值易变性 相比于传统无形资产，数据资产的价值更易受到多种因素的影响，即具有价值易变性。通常而言，数据技术的发展、数据相关政策的变化、数据应用场景的丰富等因素变化，数据资产的价值也随之改变，且变化的程度较为明显。例如，某企业过往制定的某算法模型，随着机器学习算法的发展，原有模型的准确率将远远低于运用最新技术的模型，其价值受到技术因素的严重影响。同时，当前数据确权、数据安全及隐私保护等相关法律法规正在逐步完善中，随着相关政策的明确，将决定不同类型或主题的数据资产是否具有交易价值。上述八大数据资产特征将在后续

28、的具体评估方案设计中体现于参数选择、参数计算、对象划分等各个阶段，是数据资产评估的必要前提假设。三、数据资产管理的发展阶段 着眼历史，数据体系化管理的发展进程总体可以分为数据管理、数据治理及数据资产管理三个阶段。尽管企业在三个阶段中数据管理水平不同，但在各个阶段中都根据自身的实际情况与对第二章 数据资产定义、特点及管理 20 数据重要性的认识，做出了重要且必要的变革。随着数据管理水平的提升，企业愈发能够通过数据持续优化内部结构，增加收益。1数据管理阶段（“十五”初期至“十一五”末期）从“十五”初期到“十一五”末期，我国数据资产管理水平处于数据管理阶段。在这一阶段，数据仅在内部技术应用中发挥作用

29、，企业以技术部门牵头，联合业务部门参与的形式，利用人工及简易工具对数据进行管理。此阶段数据管理工作的重点关注数据仓库及集市的建设、数据存储效率和硬件空间的研究等，其数据管理对象以结构化的内部数据为主，大多按照 DAMA数据管理体系划分的 10 个领域进行具体管理。以银行为例，在此阶段各家银行重点关注内部报表及外部监管报送的准确性问题，主要依托数据仓库及数据集市，由科技部门牵头，具体业务部门参与，利用电子表格等手工方式对行内的结构化数据开展数据标准、数据质量及主数据等方面的建设与管理。2数据治理阶段（“十二五”初期至“十三五”中期）随着信息服务业的蓬勃发展，数据技术管理逐步演化为数据内容管理，数

30、据体系化管理开始步入数据治理阶段。这一阶段，企业更加注重数据的业务含义，主要使用数据进行经营决策及内部管理决策，如管理优化、监管合规、成本管控等，强调开展数据治理整体规划、建立组织级数据管理体系，此阶段虽然内部数据的管理增加，但由于管理分散、形式多样等原因，统一的管理标准始终未能形成。以银行业为例，2011 年 6 月，中国银行业监督管理委员会（今中国银行保险监督管理委员会）颁布中国银行业信息科技“十二五”发展规划监管指导意见，明确要求银行建立专业化的数据治理决策机制及管理机制，这标志着银行业进入数据治理阶段。随着数据应用与业务融合的不断深入，业务部门在数据领域的地位逐渐凸显，与技术部门共同采

31、用人工、工具与平台对内外部数据进行数据治理。各家银行均在内部建立起专业的数据管控平台，从而进行数据管控及数据治理。国际数据管理协会（The Global Data Management Community，DAMA），是一个由技术和业务专业人员组成的国际性数据管理专业协会 商业银行数据资产估值白皮书 21 3数据资产管理阶段（“十三五”中后期至今）数据资产管理阶段是在原有数据治理的基础上，以数据价值为导向的进一步发展和提升。此阶段管理目标由单一的内部应用发展为内外部应用并举，企业在对数据资产的管理中不止考虑数据质量、安全和有效利用，更关注数据经济效益、应用价值，以及促进业务发展的能力。数据资产

32、管理逐步成为企业提升核心竞争力和前瞻布局的重要环节。数据资产管理一般包括三个层面的内容：数据资产的管控、数据资产的应用、数据资产的运营。通过数据资产的管控，企业的数据能够变得更加准确、一致、完整、透明、安全，由此降低采集、开发、管理、沟通和使用中的成本；通过数据资产的应用，企业数据的使用过程得以更加人性化、易用、快捷、智能，从而提升企业管理层和业务人员利用数据做出业务决策的能力，提升客户及营销管理的水平；通过数据资产的运营，企业能够支持数据资产的分发、开放、交换、交易、共享等数据对外服务，建立数据资产管理的生态体系，从而促进数据资产的价值实现。其中数据资产运营可以划分为数据资产规范、数据资产登

33、记、数据资产管理服务、数据资产评价与数据资产估值五个阶段。数据资产规范是数据资产有效运营的前提保障，通过定义数据资产及其范围、明确数据资产描述框架及制定数据资产管理办法等，为数据资产运营提供规范和标准。数据资产登记是数据资产运营的基础支撑，根据数据资产的描述框架，对数据资产进行全面的盘点并开展登记，深入挖掘数据资产间的关联关系，最终汇总为机构数据资产清单，从而全面、真实反映数据资产的总量、结构、分布等情况。数据资产管理服务是数据资产运营的核心所在，通过宣传数据资产运营理念，对数据用户进行推广，提升全行数据资产责任意识，同时结合数据中台优化和软件开发流程，提供工具，将服务推送到用户端，从而实现数

34、据资产的高效共享。数据资产评价与估值是数据资产运营的有效举措，通过对数据资产的管理、使用情况进行全面评估，运用科学的方法和适用的原则，以货币为计算权益的统一尺度，对在一定时点上的数据资产进行价值评估，从而实现以数据价值为导向的持续运营能力的提升。数据资产管理是企业充分发挥数据价值的必经之路。通过近 20 年的发展和三个阶段的进化，数据资产管理能力逐步从理论走向实践，企业对数据资产管理的意识也逐步加强，企业数据能力逐渐内化为企业内部管理能力的一部分。第三章 数据资产估值的理论方法 22 商业银行数据资产估值白皮书 23 通过对传统资产评估方法及各类理论研究方法的梳理，数据资产估值方法按照估值结果

35、的形式分为以货币度量的估值方法及非货币度量的估值方法两类。货币度量的估值方法以传统资产评估方法为代表，主要包括成本法、收益法以及市场法三大类，此外还包括由 Gartner 提出的浪费价值(WVI，Waste Value of Information)和风险价值（RVI，Risk Value of Information）两种货币类评估模型。非货币度量法主要包括 Gartner 提出的内部价值（IVI，Intrinsic Value of Information)、业务价值（BVI，Business Value of Information)和绩效价值（PVI，Performance Value

36、 of Information)三类模型，分别从数据的内部特征、业务价值和绩效的角度进行评估，同时也涵盖实践中各类参数形成的综合评估体系。一、货币度量估值方法 1货币度量估值方法介绍 当前主要的货币度量估值方法如 3.1 所示：表 3.1 货币度量估值方法概述 方法 概述 成本法 从待评估数据资产在评估基准日的重置成本中扣减价值损耗得到数据价值。收益法 估计未来数据资产产生的业务收益，并考虑资金的时间价值，将各期收益加总获得数据价值。市场法 根据市场已有数据交易价格，以数据特征的差异作为修正评估数据价值，拥有高质量、大规模等特征的数据价值更高。WVI模型 考虑数据质量低下导致的低业务绩效或负债

37、金额，对数据的价值进行反向论述。RVI模型 强调某些数据的缺失可能尚未对企业造成实质性损失，而只是对其业务造成了潜在的业务风险和负面影响。（1 1）成本成本法法 成本法，又称重置成本法，是将在当前条件下重新购置或建造一个全新状态的评估对象所需的全部成本与合理利润，减去各项贬值后的差额作为评估对象价值的一种评估方法。其中考虑合第三章 数据资产估值的理论方法 24 理利润的主要原因是需要将资产生产者的风险成本纳入考量，而合理利润是风险成本的量化估计。确定成本法的可用性时需要考虑以下两点：其一，成本与价值是否具有对应性；即计算的重置成本应能较好地体现资产的待评估价值，否则成本法评估值意义较弱。其二，

38、相关历史资料是否具备可得性；成本法是以历史资料为依据确定目前价值，其中重置成本包括各类相关合理成本项，只有此类数据在企业内部可以获得，成本法才具有可行性。（2 2）收益法收益法 收益法，是通过估算被评估资产的未来预期经济收益，并将预期值折现作为评估资产价值的一种方法。相比重置成本法中对数据资产获取代价的关注，收益法更注重数据资产能够为企业带来的超额收益能力。收益法的思路源自资产本身的定义，即：资产预期会给企业带来经济利益的流入。确定收益法的可用性需要考虑以下三点：其一，未来收益是否可以合理预期并用货币进行计量，即需要清晰把握数据资产与企业经营收益之间是否存在着可以连接、可以预测的关系。其二，预

39、期收益所伴随的风险价值是否可以合理预期并用货币进行计量，即需要明确收益的不确定性是否可以预测。其三，获利年限是否可以预期，即收益年限需要用于计算后续的时间价值折现，因此确定资产的盈利期间是收益法实施的重要条件。（3 3）市场法市场法 市场法，又称比较市场法，是按所选参照物的现行市场价格，通过比较被评估资产与参照资产之间的差异并加以量化，以调整后的价格作为资产评估价值的方法。市场法要求充分利用类似资产成交价格信息，采用比较和类比的思路估测被评估资产的价值。确定市场法的可用性时需要考虑以下两点：其一，是否具备充分发育且活跃的资产市场，即市场法通常需要已有的可比交易作为基础，且出于准确性考虑一般需要

40、找到三个及以上的类似参照资产，将结果加权平均。如果评估资产所在的市场没有相关参照物或者相关交易，市场法则较难启用。商业银行数据资产估值白皮书 25 其二，对标资产与被评估资产的资料可得性，即市场法的另一关键是将被评估资产与对标资产的各项指标参数进行比较，因此需要确认是否可以收集到可比资产的关键技术参数、属性等。（4 4）其他货币度量估值方法其他货币度量估值方法 在 2020 年 Gartner如何衡量信息资产的净值报告中，提出了从企业数据质量低下导致业务绩效差或者产生负债的角度对数据资产的价值进行评估。WVI 模型描述了数据质量低对企业造成的可避免的实际额外成本。数据质量低可能会造成企业运行中

41、出现重大意外事件、操作流程执行不佳，产生业务损失与商机损失、监管罚款、声誉损失等，以上情况所造成的额外成本均可以看作 WVI 模型的影响因素。此外，在企业运营中，某些数据的缺失可能尚未造成实质性损失，但已经对业务带来了潜在的业务风险和负面影响。对于此类情况，可以使用 RVI 模型补充评估数据资产的价值。确定上述两种方法的可用性时，需要考虑待评估数据资产的缺失带来的直接或间接损失是否易于衡量。值得注意的是，WVI、RVI 在本质上都是对未来的（负）收益折现的方式。因此，尽管这两种评估方式与传统方式参数不同，但其仍可被划归为收益法范畴。对上述所示货币类估值方法的核心思路与优劣势对比分析如表 3.2

42、 所示：表 3.2 货币类度量方法对比分析 第三章 数据资产估值的理论方法 26 2货币度量估值方法的应用情况 尽管货币类资产评估方法当前已经有较为成熟的方法体系，但数据资产与传统资产间有较大差异，当前估值方法难以适用于数据资产，市场当前也无实际应用货币度量类的估值方法对数据资产价值进行衡量的先例。另一方面，从现有市场中的部分公司收购等案例来看，越来越多将数据资产的价值纳入考虑。案例一：2012 年，F 公司宣布以 190 亿美元收购即时通讯应用企业 W，但事实上 W 公司当年估值仅为 2000 万美元，该收购的发生是由于 W 公司利用自身超高的用户数据资产，垄断了欧美通讯平台的市场，F 公司

43、可通过利用 W 公司的客户数据对自身用户进行细分，以整合其商业模式，进一步发展其国际化的战略。案例二：2016 年，互联网公司巨头 M 以 262 亿美元收购了全球职场社交平台 L，收购额高达该平台市盈率的 91 倍，此超高收购溢价原因在于 M 公司为提高业务核心竞争力，以商业银行数据资产估值白皮书 27 收购方式高价获取 L 平台的会员信息、用户登录信息等，并将其与 M 公司内部产品进行集成，在提高经营能力的同时，利用数据资源巩固了市场份额。当前，数据资源带来的附加或直接价值已经体现在了各种重要的商业决策之中，如何通过货币度量估值方法对数据资产的价值进行定量评估已具备较强的实际需求。目前对数

44、据资产的估值尚无市场的通用方式和统一标准，在实际交易中不同公司需要结合自身的数据整合能力、战略发展前景等不同情况对交易数据价值做出主观性的评估。但由此衍生的问题是，一方面估值过低可能会增加商业谈判的时间成本；另一方面，估值过高又会增加购买方的经营成本，甚至可能导致来自监管机构对异常交易的审查。二、非货币度量估值方法 1非货币度量估值方法介绍 非货币度量估值方法概述如表 3.3 所示：表 3.3 非货币度量评估方法 方法 具体内容 IVI模型 根据数据的客观特征（正确率、完整程度等）衡量数据内部的价值，不依赖数据支持的业务。BVI模型 核心是衡量数据对业务的价值（业务相关性、及时性），同时也考虑

45、数据内部的价值（正确、完整）。PVI模型 衡量数据应用前后KPI的变化，即通过数据对企业关键目标的作用评估数据价值，此方法用于事后评估。综合法 充分结合企业自身数据资产的评估目的和相关特点，构建价值评估模型。当前理论和领先实践中，非货币类度量法通常根据特定的资产评估目的，选择相关评估维度构建评估体系，并最终以无量纲的形式展现评估结果。此类方法中，目前 Gartner 提出的 IVI、第三章 数据资产估值的理论方法 28 BVI 和 PVI 三类评估模型较为完善。三类方法分别从数据的客观特征、数据对业务的应用价值和数据应用前后企业 KPI 指标的变化三个方向构建评估模型，重点考虑数据资产在企业中

46、如何推动业务效率提升。IVI 模型重点考虑了信息的内在价值，强调信息的正确性、完整性、其他竞争者获取该数据资产的可能性以及数据可使用的时长。IVI 模型的优势在于其重视数据本身的相关因素，且模型中所需的正确性和完整性的指标相对容易获得，能够快速计算出客观的资产价值；但由于 IVI 模型缺少业务视角，因此其也忽略了对于数据资产价值密度的考量，其适用于快速比较应用相似的数据资产的价值潜力，以明确提升数据资源投入方向。相比之下，BVI 模型纳入了数据资产与业务相关性的指标，体现了数据资产对公司业务和收益的支撑，但“业务相关性”指标的确定方式较为主观，不同使用者评估的相关性不一定具有可比性，因此 BV

47、I 的评估结果可能存在较大波动。BVI 模型适用于探索发掘目前未被分析使用的数据业务价值，或评估尚无具体应用的数据价值，合理管理现有的低价值数据。PVI 模型从企业绩效因子（KPI）的角度来衡量数据资产与业务的相关性，通过观测目标企业 KPI 的前后变化来差异化对比数据资产在企业中发挥的作用。PVI 模型能够直观地体现数据资产在企业中发挥的作用，但其强调企业 KPI 的前后对比并纳入了时间维度的评估因子，因此只能用于数据应用的后评估环节，无法在数据被使用之前或者使用过程中对其价值进行评估。同时，PVI 模型的应用过程中，难以剔除企业中其他因素对企业 KPI 的影响，因此数据资产对 KPI 的直

48、接影响力度并不能可靠衡量。PVI 模型主要适用于评估已使用的资产对企业关键目标的价值，例如在数据应用试点过程中分析数据对业务的价值。综合法模型，即通过确定评估对象，针对自身数据资产估值目的和相关特点，构建相应的估值模型。综合法模型没有固定的公式或影响因子，使用者可以结合企业自身数据指标的丰富度，以及企业对数据的关注点和管控重点，对模型因子和权重进行调整和优化，定制化地构建评估模型。其适用于无法直接使用现有模型的企业，特别是对数据资产的价值有较为特殊的定义，需要用特定因子进行衡量的企业。四种非货币类度量方法的对比如表 3.4 所示：表 3.4 非货币类度量方法对比分析 商业银行数据资产估值白皮书

49、 29 核心思路 优势 劣势 总体打分 IVI模型 根据 数 据的 客观 特 征（正确率、完整程度等）衡量数据内部的价值，不涉及业务判断。较 简 单 的 数 据 评 估模型；数据内部特征可由 数 据 管 理 相 关 指标计算，较适合数据管理人员适用，相对较客观。并 未 考 虑 数 据 与 业务 或 实 际 商 业 目 标的相关性，评估值对管理 决 策 参 考 价 值 较低 客 观 性 易 用 性 价值性 BVI模型 核 心 是 衡 量 数 据 对业务的价 值（业务相关性、及时性），同时也 考 虑 数 据 内 部的价值（正确、完整）。较综合的模型，将数据价值密度纳入考虑；考虑现有的和未来 计划的

50、 业务 中 的应用，体现数据的业务支持能力。业 务 相 关 性 的 分 析较为主观，而且需要进行 耗 时 较 长 的 数 据用 途 分 析 才 能 判 断数 据 能 够 支 撑 的 功能或业务。客观性 易用性 价值性 PVI模型 衡量数据应用前后K P I 的变化，即 通过 数据 对 企 业 目 标 的 作用评估数据价值。使 用 实 际 产 生 的 业绩 指 标 评 估 数 据 资产，说服力强；评估值可以 体 现 数 据 业 务价值；1不需要进行数据用途分析。难以控制外部变量，获得精确结果，评估值受外部环境影响较大，且只能在数据实际应用后评估。客观性 易用性 价值性（仅事后）综合法 充 分 结

51、 合 企 业 自 身数 据 资 产 估 值 目 的和相关特点，构建估值模型。能够充分结合企业自身数据指标的丰富度及企业对数据的关注点和管控重点，对模型进行调整和优化。模型影响因子和权重的选择受主观因素影响较大。客观性 易用性 价值性 2非货币度量估值方法的应用情况 由于非货币度量估值方法不受到货币单位的限制，部分数据技术领先的企业已具备实际应用条件。总体上，对此类估值方法的应用和前述方法的应用思路有一致性，即根据与数据资产价第三章 数据资产估值的理论方法 30 值实现相关的维度构建评估模型，但不同企业对数据资产评估的范围各不一致，且评估时普遍会依据自身的业务关注点选取特有的衡量维度创建度量体系

52、，在维度和模型算法构建上也有较大差异。案例一：光大银行开展数据化能力指数评估，通过对数据质量、数据安全、数据管理、数据应用等维度设置相应的指标，计算数据化能力指数结果，并定期优化和监测指数变化情况，指导内部数据工作的开展。案例二：大型金融集团 S 公司自 2017 年起开始构建自己的数据管理体系，打造了集团大数据平台，将各业务线的数据汇集盘点并计算数据资产价值。该公司结合了变现能力、复杂度等主观指标，以及使用频数、使用周期、数据质量和固定成本等客观指标，构建了非货币的价值评估模型，并最终计算得出每个业务线的数据价值评分排名，以在集团内部指导数据资源的内部管理。案例三：全球领先的游戏开发和运营机

53、构 T 公司，已向中国及海外市场陆续推出了 480 款产品，连接了来自 200 多个国家和地区的超过 8 亿用户。T 公司从数据资产的热度、广度、收益度三个维度入手，分别对数据资产的价值进行评估，构建了数据资产估值的“三度”模型，明确了数据资产在企业中发挥的作用，T 公司模型考虑的三个维度均和业务进行挂钩，都在事后评估环节发挥作用，总体原理与前文提到的 PVI 模型类似。实践中，货币方法评估的价值能直接与其他货币价值比较，故可以看作数据资产的“绝对”价值；而非货币方法的评估结果只能与采用同一种评估方法的数据资产价值相比，因此可视为“相对”价值。因此，货币方法比非货币方法更具有普适性。但非货币度

54、量方法能够通过模型的方式将数据资产的各类特点对价值的影响纳入考虑，其估值思路能够对传统货币度量方法进行有效补充，构建更加适应于数据资产的货币度量方法。第四章 光大银行数据资产估值实践 32 商业银行数据资产估值白皮书 33 结合数据资产特点，光大银行构建了优化的数据资产估值方法体系（详见附录 G），指导实际的数据资产估值工作。但实际开展数据资产估值工作时，还需要对估值的实施前提加以限定，同时对估值的资产范围、对象划分、方法选择体系等进行细化的设计，将估值方法体系这一核心模块有机嵌入评估方案。一、数据资产估值假设 1现状利用假设 现状利用假设，是指按照数据资产目前的利用状态评估其价值，而不考虑未

55、来对数据资产利用水平的提升。例如在用收益法评估数据资产假设时，对未来收益的预估主要基于当前的数据资产应用水平和业务增长水平，而不进一步考虑未来数据资产开发、利用等技术水平增长的情况。2公开市场假设 公开市场假设的核心在于说明数据资产在市场中的交易是由自由竞争的市场参与者自主决定的，而不是由其他力量强制决定的。在这样的市场下，市场价格、产品交易情况会受到产品的供需水平、交易主体的多寡、产品本身的质量等市场因素的共同影响，且买方和卖方能够在市场中自愿、自主进行交易和磋商，这也是能够运用优化市场法对未来预期交易价值进行合理预估的前提。3持续经营假设 持续经营假设主要针对拥有数据资产的经营主体本身，不

56、是针对具体的数据资产估值对象。通常情况下，当没有表明经营主体很可能结束经营的证据，如合同规定的经营期满、企业资不抵债而濒临破产的情况存在，则认为该主体能够持续经营。这一假设决定了在运用成本法估值时，可以持续按照当前的折旧等财务政策进行计算；在运用收益法时，能够对未来持续经营前提下数据资产所带来的收益提升进行预估；运用市场法时确保能够以正常的市场价格参与数据资产的交易流通。二、数据资产估值实施方案设计与计算示例2 1确定估值目的与范围 本次数据资产估值方案的设计和实施主要基于两大目的，一是支持管理决策，即通过全面评估光大银行数据资产价值，为本行数据资产管理体系建设及各级管理决策提供参考；二是促进

57、数据要素流通，即从估值角度为数据作为重要生产要素未来在市场中的交易流通提供参考和建议。2实际数据因内部数据保密等要求，本章计算示例所使用数据均为示例数据。第四章 光大银行数据资产估值实践 34 基于需全面评估光大银行数据资产在内部应用的价值，并同步考虑为未来拟交易数据资产实现外部价值进行全面分析的目的，本次估值范围确定为光大银行满足数据资产定义的所有数据资产，价值类型既包括内部价值也包括外部交易的价值。本书对数据资产的定义详见第二章 数据资产定义、特点及管理部分。2明确数据资产估值对象 在总体评估范围下，还需考虑如何划分估值对象，明确数据资产估值颗粒度，以作为后续开展价值评估的基础。因此，针对

58、数据资产估值对象的界定，本文提出如下五大原则，并在此基础上明确了本次估值方案的 17 大估值对象。（1 1）估值对象划分五大原则估值对象划分五大原则 一是独立性原则。估值对象应至少具备独立产生价值的能力，比如单个字段在许多情况下并不具备独立产生价值的能力，因此不建议作为独立的估值对象。二是整体性原则。通常而言，对整体不可分割的数据资产建议划分在一个评估对象中，以评估其整体价值。三是不重复评估原则。在具体评估工作时，由于数据资产具有多样的表现形式，应识别出实际上属于同一数据资产的不同数据应用，将其产生的价值归属于同一评估对象，防止重复计算。四是成熟度原则。通常而言，数据资产估值对象的划分需受限于

59、管理成熟度，如数据资产盘点程度、财务核算精细度，是否可提供该颗粒度口径的核算数据等。五是合理性原则。评估单元的粒度不宜过细也不宜过粗，需要在估值工作量及估值准确性之间平衡，既要避免工作量和成本投入过高的情况，也要保证近似、主观估计的合理性。（2 2）估值对象划分结果估值对象划分结果 本方案综合考虑了数据资产本身“可加工性”的特点、数据资产价值实现方式，以及数据资产管理的需求，构建了如下的数据资产分类框架，将数据资产分为原始类（外部获取类和内部采集类）、过程类和应用类（统计支持类和收益提升类）。由于同类型的数据资产通常具有类似的价值实现方式，因此在此分类框架下进一步划分了 17 大估值对象。每类

60、估值对象的价值实现方式有其独有的特点，在选择方法、设计估值指标的过程中需进行考虑。一是原始类数据资产 原始类数据资产是通过外部获取或内部采集而来的明细数据，可以为后续数据加工应用提供原始信息。由于两种获取方式形成的数据资产的资产特点、资产边界不同，分类管理可以提高原始类数据资产的管理效率，也有利于后一步的加工处理。因此可根据数据来源将数据资产分为外部获取类和内部采集类两部分，并分别作为一个估值对象。商业银行数据资产估值白皮书 35 外部获取类数据资产是从外部数据厂商购买、交换或从外部网站上爬取等方式获取的数据，虽不能直接应用于生产经营过程中，但可以对内部采集的数据形成有效补充，对生产经营起到辅

61、助参考作用。内部采集类数据资产是企业生产经营过程的衍生物，详细记录了业务发生过程中的相关信息，可以通过人工录入系统的方式产生，也可以通过例如 ATM 机、POS 机等设备在客户交易时自动采集信息形成。二是过程类数据资产 过程类数据资产处于原始类数据资产和应用类数据资产之间的过渡阶段，为数据进一步开发和应用提供清洗后的、统一的轻度汇总数据。过程类数据资产具有普遍适用性，可以使得后续的深度加工减少重复加工工作，避免资源浪费，具有一次加工多次使用的特性。过程类数据资产通过数据仓库、大数据平台、数据中台等对原始类数据资产汇总加工形成，可作为一个估值对象进行估值。三是应用类数据资产 应用类数据资产是面向

62、实际的数据需求，以原始类和过程类的数据资产为基础，通过数据汇总、挖掘等加工方式得到的个性化的统计数据或数据产品，可以直接应用于业务部门，支持业务相关工作的开展和收益的提升。考虑到与收益的对应性，将其分为收益提升类和统计支持类两大类数据资产。收益提升类数据资产是指在业务开展环节中，输出业务洞察，直接赋能产生业务收益的数据资产，包括模型、数据产品等。此类数据资产由于和收益的对应性较强，本方案结合业务领域细分具体价值点，划分了三大类、14 大估值对象，详见优化收益法估值实施方案部分。统计支持类数据资产是在原始类和过程类的基础上进行深度及定向加工得到的数据资产（除收益提升类），全面、深入、准确地体现企

63、业运转情况及发展趋势，可用于经营分析、监管报送等，充分发挥数据资产的业务价值，推动业务部门开展相关工作，比如报表数据反映企业经营历史及现状，为企业经营决策提供有力支持。统计支持类数据资产可总体作为一个估值对象。3选择数据资产估值方法 各货币度量估值方法均具有不同的适用条件，通常情况下需分析能够运用各估值方法的前提是否满足综合选择最适配的方法。如运用优化成本法时，数据资产相关成本可通过各种方式最终获取；运用优化收益法时，各数据资产的相关收益可追溯，这对运用数据资产赋能业务开展的过程及结果管理水平提出了要求；运用优化市场法时，市场中应至少具备同类型交易和产品。同时，在满足方法选用的前提下，还需进一

64、步考虑价值实现方式和估值方法的匹配性。基于数据资产“非实体性和无消耗性”“可加工性”及“形式多样性”等特点，其相比于传统资产具有更多的价值实现方式，如既可通过丰富的应用形式供企业内部使用者使用而产生价值，也可在第四章 光大银行数据资产估值实践 36 市场中进行交易直接产生交易价值，且同一数据资产的多种价值来源可同时存在。因此，在满足方法使用的前提下，还需进一步分析各类估值对象的不同价值实现方式，考虑方法和价值实现方式的对应性匹配合适的估值方法，这亦是本估值方案的重要创新点之一。因此，本实施方案对各数据资产估值对象的方法选择如下：考虑到原始类数据资产中的两大估值对象（内部采集类数据资产、外部获取

65、类数据资产）、过程类数据资产以及应用类数据资产中的统计支持类数据资产，由于与最终的业务收益之间难以有效追溯，企业内部也几乎无针对数据资产使用的内部定价机制来有效衡量其贡献的价值比例，因此总体建议采用优化成本法计算其内部使用价值。而对于收益提升类的数据资产，由于其能够在业务开展过程中直接进行赋能以提升业务表现，和收益的对应性较强，因此总体建议采用优化收益法计算其价值。在实际估值时，需结合业务领域细分确定具体价值点，在收益法原理下细化其估值指标及算法。此外，上述所有估值对象，还需结合是否存在数据资产的交易情况，分析是否可产生直接交易收入；如可交易，则建议进一步分析是否满足市场法的条件，使用优化市场

66、法衡量其外部交易价值，并与内部使用价值加总计算。4优化成本法估值实施方案与计算 使用成本法执行数据资产评估业务时，为弥补成本和价值对应性相对较差的问题，一般结合市场均值或企业本身历史盈利数据确定此类资产的合理利润，以反映资产的真实价值，另外还需引用影响数据价值实现的各因素对数据资产合理利润率进行修正，综合评估数据资产价值。以优化成本法对原始类、过程类和统计支持类数据资产的价值进行估值，具体估值方式可参考以下公式：=(1+)其中，P 为评估结果，HC 为数据资产历史成本，S 为重置系数，R 为数据资产的合理利润率，U 为利润调节系数。（1 1）优化成本法指标体系与算法优化成本法指标体系与算法 指

67、标体系是在估值参数的基础上结合具体对象建立的。根据估值对象本身的特性，选取合适的估值参数，结合重置系数和价值调节参数，形成各估值对象的估值指标体系。估值的难点在于现有成本核算体系并未从数据资产的角度进行区分和记录成本数据，需要从数据资产角度对各商业银行数据资产估值白皮书 37 项数据资产形成的成本重新进行拆分、组合，使其合理对应到各类数据资产估值对象上。估值指标体系详见图 4.1。图 4.1：成本法估值指标体系 重置成本相关指标选取 外部获取类数据资产重置成本估值指标 外部获取类数据资产的主要成本就是当初购买该资产的采购价款及税费。同时，企业购买外部数据时需要投入人员负责商务流程，因此对应的采

68、购人员成本也应计入外部获取类数据资产成本。另外，外部数据采购回来后，需要进行存储及相应管理，存储成本及外部数据管理成本也应一并计入。内部采集类数据资产重置成本估值指标 内部数据的采集过程需要采集人员、采集终端设备及数据采集系统共同参与。因此内部采集类数据资产的成本包括数据采集人员投入成本、采集终端设备购置成本和数据采集系统的建设成本。商业银行业务开展的过程中，柜员、客户经理等岗位人员会将业务数据录入到相应 IT 系统中，这些人员的成本就是数据采集人员成本。数据采集人员成本的确认难点一方面在于对数据采集相关岗位的识别，另一方面由于投入人员没有全部进行数据采集工作，因此不能将这些岗位的人员成本全部

69、计入，这两个难点的解决均需要通过实地调研等方式，结合数据采集工作的实际情况去确定。第四章 光大银行数据资产估值实践 38 在录入数据的过程中，还需要用到数据采集设备，比如柜员配备的台式机、客户经理的笔记本电脑和各个网点配备 ATM 机、POS 机等设备，因此这些设备成本都应计入到数据采集成本中。但如同数据采集人员成本一样，这些终端设备成本计入数据资产的比例也需要结合设备的特点来分析，例如通常认为 POS 机等设备几乎主要从事数据采集与交换工作，因此其大部分成本均应计入数据资产。银行构建数据采集系统可以帮助其对获取的原始数据进行初步清洗和分类存储，有利于提高后续加工时对原始数据的提取效率和管理效

70、率，因此还应考虑数据采集系统成本。但通常商业银行 IT 系统成本并未从数据资产估值的角度划分数据采集系统。建议结合架构师、项目经理等行内专家的经验，首先区分出数据资产估值对象对应的 IT 系统，再确定各类 IT 系统成本应计入数据资产的比例。采集类 IT 系统成本应计入数据资产的比例究竟是多少，目前并无客观标准，建议可从采集类系统与数据录入相关的功能出发考虑。过程类数据资产重置成本估值指标 过程类数据资产的产生全过程完全依赖系统自动加工，因此其成本主要包括其加工系统的建设成本。参考上述数据采集类系统的区分方法确认过程类数据资产的加工系统，统计其建设成本。过程类系统的建设目标是为了对原始数据进行

71、加工，提供后续使用，不涉及业务开展等数据加工以外的功能，因此其建设成本可全部计入过程类数据资产成本中。统计支持类数据资产重置成本估值指标 统计支持类数据资产的成本和过程类数据资产相似，主要包括 IT 系统建设成本。除此以外，统计支持类数据资产成本还有部分并未体现在 IT 系统建设中，数据分析人员日常开展数据分析活动投入了大量人员成本，虽然这些数据分析活动没有固化在系统中，但其结果数据供业务人员使用，对银行的业务发挥了积极作用，仍属于银行的数据资产，因此统计支持类数据资产的重置成本还应包括这部分系统开发成本以外的人员投入成本。除了四类评估对象各自匹配的独有指标外，还有一类公共类指标存在于每类估值

72、对象的估值指标中，包括数据的存储成本、数据的管理成本。数据存储成本主要包括主机及附属设备、数据库等软硬件成本、数据中心场地建设及运营成本等。数据的管理成本包括数据管理类系统的建设成本及数据管理人员的投入成本。这两类成本由于涉及所有的数据资产估值对象，建议在各数据资产对象间分摊计算。由于数据资产各项建造或购买成本都是当时的价格，随着时间的推移，当前建造或购买的成本也会发生变化，因此在计算其成本时还应加入对应建造或购买年限的人力或物价重置系数来获得数据资产的重置成本。商业银行数据资产估值白皮书 39 合理利润率及利润调节系数相关指标选取 企业拥有的数据资产实际价值取决于其市场价值，因此优化成本法数

73、据资产估值除了考虑其所有的重置成本，还应考虑合理利润率，合理利润率可参考企业过往交易水平，或由市场平均水平确定。同时，数据资产在质量、应用价值、市场维度和风险性方面都将对合理利润率带来影响。比如数据的稀缺度越高，其在市场上的议价能力就越高，市场价值就会越高，利润水平也会相对提高。因此可以综合数据资产的各个影响方面的实际情况和外部数据的对比形成利润调节系数，以此来对合理利润率进行调节，得到符合数据资产水平的利润率。（2 2）优化成本法算法示例优化成本法算法示例 对原始类数据资产的内部采集类成本进行算法示例展示。其成本法评估公式为：=(1+)其中，P 为评估结果，HC 为数据资产历史成本，S 为重

74、置系数，R 为数据资产的合理利润率，U 为利润调节系数。首先计算历史成本（HC）。计算内容如表 4.1 所示。表 4.1 成本法原始类内部采集数据资产历史成本计算样例 总指标 一级指标 二级指标 具体指标 取值（万元人民币）原始类内部采集数据资产历史成本 数据获取历史成本 采集人员成本 N/A 40000 采集终端设备成本 N/A 20000 采集系统成本 采集系统行外投入成本 80000 采集系统行内投入成本 20000 数据管理历史成本 内部采集类数据管理人员成本 N/A 2000 内部采集类数据管理系统成本 N/A 800 总计 122800 第四章 光大银行数据资产估值实践 40 按照

75、相同的方法计算原始类外部获取数据资产、过程类数据资产及统计支持类数据资产的成本，得到 2013 年至 2020 年的成本法数据资产的历史成本共计 824400 万元。其次计算成本法数据资产的重置成本。物价重置系数选取统计周期内 2013 年到 2020 年的年平均 CPI。人力重置系数通过调研 IT 行业近八年全行工资水平年平均增长率得到。原始类数据资产的内部采集重置成本通过历年内部采集各部分历史成本乘以对应投入年数的重置系数最后加总得到。以原始类内部采集类采集人员重置成本为例进行展示。表 4.2 2020-2013 年重置系数统计表 统计周期 历年物价增长率 物价重置指数 IT行业人员工资

76、平均增长率 人力重置指数 2020 102.42%1.00 121.55%1.00 2019 102.90%1.02 119.36%1.21 2018 102.07%1.05 117.03%1.45 2017 101.59%1.08 115.87%1.70 2016 102.00%1.09 113.91%1.97 2015 101.44%1.11 110.66%2.24 2014 101.92%1.13 109.37%2.48 2013 1.15 2.71 表 4.3 成本法采集人员重置成本计算样例 统计周期 采集人员历史成本（万元人民币）人力重置系数 采集人员重置成（本万元人民币）2020

77、7320 1.00 7320 2019 6640 1.21 8070.92 2018 5520 1.45 6588.672 2017 4880 1.70 5711.064 2016 4680 1.97 5422.716 2015 4120 2.24 4693.092 2014 3800 2.48 4205.08 2013 3040 2.71 3324.848 总计 40000 1.00 45336.392 商业银行数据资产估值白皮书 41 成本法数据资产总重置成本按照上述方法计算，其估值总值为 923328 万元。接着计算合理利润率（R）。参考同类型数据交易的平均利润率作为预估合理利润率。通过

78、市场调研，综合了近三年来多家同行业数据交易参与者披露的财务数据，对其进行加工计算得到合理利润率。在本案例中，估值对象的数据资产的合理利润率 R 为 78%。最后计算利润调节系数（U）。在本步骤中，需要使用专家打分法对一级、二级的所有指标通过成对打分赋予权重，并对各个二级指标分别给出评价值。赋予权重过程中，一级指标打分矩阵如表 4.4 所示。表 4.4 成本法权重计算样例 数据质量 数据应用价值 数据风险 市场维度 数据质量 1 2 3 7 数据应用 0.5 1 2 5 数据风险 0.333333 0.5 1 2 市场维度 0.142857 0.2 0.5 1 通过计算得到，此打分矩阵通过一致性

79、检验，各维度权重分别为 0.49、0.29、0.15、0.07。二级指标打分过程同理，在此不具体描述。下一步为评价各个指标的具体分数。根据前文对 U 的解释，具体计算如表 4.5 所示。表 4.5 成本法利润调节系数计算实例 指标维度 维度权重 指标名称 指标权重 指标取值 数据质量 0.49 数据质量管理评分 1 1.17 数据应用 0.29 多维性 0.26 0.95 规模性 0.43 0.99 可用性 0.31 0.90 数据风险 0.15 风险评分 1 1.20 市场维度 0.07 稀缺性 1 0.80 总计 1.085 第四章 光大银行数据资产估值实践 42 综上，将成本法数据资产总

80、重置成本经过合理利润率和利润修正系数的调节后得到成本法数据资产评估结果为 1704951 万元。5优化收益法估值实施方案与计算 收益法，又称收益现值法，是通过估算被评估资产经济寿命期内预期收益并以适当的折现率折算成现值，以此确定委估资产价值的一种评估方法。优化的收益法综合收益提成法和增量收益法的思想，估算数据资产的预期经济收益折现到估值时间点的价值，并结合各估值对象的特点，定制匹配的估值实施方案。收益提成方式：数据资产价值=(未来业务收益 分成率)折现系数 增量收益方式：数据资产价值=(数据资产应用前后收益变化)折现系数 优化的收益法整体估值方式：业务收益 =收入增量+|支出减量|-建设成本=

81、产品销售收入增量+资产管理收入增量 +|人工成本支出减量|+|风险损失支出减量|-建设成本 优化收益法通过梳理收益提升类数据资产应用前后对业务价值提升支持形式，梳理形成估值参数体系；然后根据收益提升类数据资产价值产生特点，将收益法估值参数映射到各估值对象，确定各估值对象价值评估计算指标，形成收益法估值指标体系，用于构建各对象具体的估值算法框架。估值参数体系可以详见附录 G 优化后数据资产估值计算方法：二、数据资产估值收益法。（1 1）优化收益法指标体系与算法优化收益法指标体系与算法 应用收益法估值指标计算资产的前提，是将收益提升类数据资产按照业务应用领域进行划分，并兼顾不同业务支持与决策方式与

82、业务价值产生的关联程度。因此，从业务应用领域和业务关联程度两个维度，对收益提升类数据资产进行分类，按类型精准定位其价值产生来源，合理匹配估值参数，并有效制定估值指标，最终实现价值量化。算法模型是一种典型的收益提升类数据资产，业务应用场景范围广，业务支持与决策方式多，被认为是银行业金融机构最广泛、最重要的收益提升类数据资产类型。基于算法模型建立的估值分类体系和各分类下的算法框架可以作为收益提升类数据资产分类和估值计算的通用指导。以银行业常用算法模型类数据资产为例，根据其与业务价值产生关联程度，可分为直接收益模型和全领域通用模型两大类型。直接收益模型包含能直接支持营销、运营和风险管理三大领域的收入

83、增加或损失减少的模型，其输出价值可以根据细分业务领域收益情况直接进行估值。全领商业银行数据资产估值白皮书 43 域通用模型主要指输出结果可以被跨领域、跨条线、跨部门使用，或作为面向高层业务决策算法模型输入的一类模型，其输出价值体现在上层直接收益模型中。具体来说，如下图 4.2 所示，可分为 3 大类，14 小类。图 4.2：收益法模型种类及描述 根据上述收益提升类数据资产按照业务应用领域进行划分的结果，将收益法估值指标与各估值对象进行匹配，构建出如下估值指标体系，如下图 4.3。营销类营销类 营销类模型指以增加产品销量（或增加服务次数，后文不特别指出此情况）为目的，将客户与产品进行匹配，并进行

84、客户购买预测的模型。其输出结果能分析覆盖更广范围的客户，精准定位客群，洞察客户需求，有效促进精准营销，协助银行提升营销转化率，增加销售收入。营销类模型基于客户与产品的关系可进一步分为促进新客首购产品的交叉营销类模型、促进老客回购产品的向上营销类模型以及通用购买预测模型三类。交叉营销类模型挖掘客户新需求，促进其购买新产品。向上营销类模型基于客户历史购买行为，向上营销同类产品，促进其回购老产品。第四章 光大银行数据资产估值实践 44 图 4.3：估值指标体系 通用购买预测模型主要对客户购买偏好进行分析或特征处理，其输出结果一般作为客户购买预测或推荐模型的输入，并不直接输出客户营销名单。在营销类模型

85、应用前，银行业务人员主要通过地毯式营销将相关产品推荐给一类客群，这种粗放式营销方式一方面会导致有限的营销资源被过度分散，另一方面不同客户的差异化购买偏好无法被有效满足，最终导致营销转化率低。在营销类模型应用后，通过预测能力强大的集成算法、深度学习算法进行模型开发，能有效识别出高营销成功率客户名单，协助业务人员最大限度利用营销资源开展精准营销，促进客户购买产品，并最终提升产品销售收入。因此，营销类模型输出的价值主要体现在模型应用前后产品销售收入的增加上，可以通过模型应用前后购买产品的客户人次增量和产品客均收益获得。其中，购买产品的客户人次根据营销类模型作用方式分为交叉营销后首次购买产品的新客人次

86、和向上营销后回购产品的老客人次。在实际计算过程中，为保证估值结果的精确性，可进一步将产品收入按照产品类型进行分类统计。运营类运营类 运营类模型指以提升客户粘性、优化客户结构为目的，预测、识别客户活跃、流失的模型，通过协助行内开展有效运营活动，大幅提高客户粘性和忠诚度，从而分别通过增加客户资产流入和减少客户资产流失来提高行内客户资产管理总规模，并最终增加资产管理收入。运营类模型依据客户活跃情况可进一步分为用于增加客户活跃度的客户促活类模型和对客户进行流失预警以及流失归因分析的客户流失挽回类模型。商业银行数据资产估值白皮书 45 客户促活类模型长尾客户促活一直是困扰各大银行的难题，该模型通过预测客

87、户活跃度开展有效促活，以增加客户资产流入。在模型应用前，银行客户促活主要以规则识别和分类存量不活跃客户，通过外呼、走访、短信通知等传统方式开展粗放式客户促活活动，缺乏针对性，对客户需求的探查不够全面，无法精准触达客户，促活效果不显著。在模型应用后，通过深入洞察客户行为轨迹、交易历史、产品偏好形成客户画像，挖掘客户潜在需求，预测其活跃度提升概率。根据预测结果，有针对性和选择性地开展精准促活，实现对客户的智能化运营，以提高客户活跃度，使客户在行内持有的资产相对稳定，不易流失，在此基础上拓展客户增持资产的方式和渠道。流失挽回类运营模型。该模型主要基于流失预警和流失归因对潜在资产流失客户进行挽留，减少

88、客户资产流失。在模型应用前，传统的客户流失预警主要依据专家规则判断客户流失倾向，判断结果精度不高，且难以获知客户流失的真正原因，无法制定针对性挽留措施，导致挽留效果欠佳，客户流失率高。在模型应用后，流失预警模型可以对存在流失倾向的客户进行精准识别和预警，协助业务人员开展事前挽留；通过模型与可解释算法的结合，对流失客户进行归因分析，以进一步制定有针对性的挽回方案，促进客户回流，最终减少客户资产流失。因此，运营类模型输出的价值主要体现在模型应用前后通过稳固客户粘性，维持和扩大客户资产规模，促进资产管理收入的增加，其价值可通过模型应用前后活跃客户增量或流失客户减量，客均资产管理规模以及资产平均收益率

89、计算获得。在实际估值过程中，为促进估值结果的精确性，可依据行内资产评级规则对客户进行资产等级划分，对于不同资产等级，客户的客均资产管理规模和资产平均收益率均有所差异。风险管理类风险管理类 风险管理模型指以风险监测和风险规避为目的，协助对业务进行风险控制的模型。商业银行风险一般可分为操作风险、信用风险、市场风险和流动性风险，常见的风控算法模型基本作用于操作风险和信用风险管控，因此可将风险管理模型划分为信用风险管理模型、操作风险管理模型和通用风险管理模型，其中通用风险管理模型一般指用于风险特征提取和预处理的模型，其输出不直接产生可支持业务决策的结果，而是通常作为信用风险管理模型和操作风险管理模型的

90、输入，可认为其价值也体现在风险管理模型最终输出的结果中，因此不单独计算其价值。1）信用风险类 信用风险是借款人因各种原因未能及时、足额偿还债务或银行贷款而违约的可能性。在信用风险管理领域，银行信用风险类算法模型重点关注贷款风控，主要通过放款前申请评分和审批，放款后风险监控两大环节识别并降低客户违约带来的经济损失。第四章 光大银行数据资产估值实践 46 传统的贷款放款前审查审批和放款后风险侦测往往依赖人工审核和专家规则，人工审核一般效率低、成本高，专家规则易规避、时效性差且准确率不高，伴随着客户下沉的趋势，规模扩张带来的逾期率急剧上升，信用风险管理的精细化要求也越来越高，传统方式逐渐无法满足银行

91、风险管理的需要。机器学习算法的复杂策略和庞大特征使其较传统专家规则更难被违约主体规避，而高准确率和快速迭代与自学习能力，相比于传统方式，能全面密集地协助贷前审查审批和贷后逾期监控工作。将机器学习算法应用于贷款风控算法模型，其输出结果一方面能协助贷款风控人员在放款前有效拒绝风险贷款申请以减少潜在违约损失，在放款后进行逾期监控与催收以降低贷款逾期率并最终减少形成不良贷款的可能损失；另一方面还能提升人工审批与监测效率，减少人力成本。信用风险放款前类 信用风险放款前类模型：可分为个人和对公，该模型由申请评分模型和贷款智能审批模型共同在放款前进行风险过滤。申请评分模型可以用于贷款审批前期对借款申请人的量

92、化评估，贷款智能审批可以基于申请评分结果快速准确地通过优质贷款申请，两类模型输出结果为放款前有效过滤违规和高违约概率贷款申请提供支持，在放款前，模型通过分析预测识别借款人潜在风险并预警，协助业务人员通过拒绝申请、降低授信、减少或中止放款等方式拒绝掉一部分风险贷款，这一部分拒贷额是通过模型协助银行规避的具有较高违约概率的风险贷款金额，假设这批贷款未被模型识别且被银行贷出，银行将可能承担高违约概率带来的潜在损失（模型输出的价值之一就是协助识别并规避这部分潜在损失）。信用风险放款前类模型输出价值主要体现在辅助贷款审查审批效率提升耗费更少的人工审核成本，以及辅助拒绝风险贷款规避更多的潜在经济损失。由此

93、，通过计算模型应用前后贷款申请所需平均人工审查审批成本的减少，以及待审核贷款申请量，可以计算模型应用后辅助贷款审查审批效率提升从而减少的人工审核成本；通过计算模型应用前后拒贷（且可贷）的贷款金额和平均损失概率，获得模型应用后拒绝风险贷款所规避的经济损失值。模型数据价值即为规避的经济损失值增量和减少的人工审核成本之和。信用风险放款后类 信用风险放款后类模型。按对象可分为个人和对公。贷后风险管理模型包括客户风险预警监测模型、违约风险预测模型、逾期管理模型等，主要用于协助贷后风险规避、风险降低和风险分担。商业银行数据资产估值白皮书 47 在模型应用前，传统的贷后风险管理受制于信息的大量缺失，较为被动

94、，贷款损失挽回程度依赖于业务部门响应速度和资产信息全面程度。放款后风险管控算法模型能对资产状况是否发生变化、“软”信息是否朝坏方面转变、经营环境是否发生改变等领域进行风险前瞻性识别和监控预警，实现客户系统性、连续性监测，有效识别贷后风险来源、范围、程度和趋势，最终体现为客户违约率降低，逾期贷款金额下降，逾期贷款损失减少。因此，信用风险放款后类模型输出价值主要体现在减少逾期贷款所带来的贷款损失的减少。由此，通过计算模型应用前后逾期贷款的减少，以及预计损失概率，获得逾期贷款减少所降低的贷款总损失，即为信用风险放款后类模型输出价值。这其中，可以进一步考虑减少的逾期贷款再外借所带来的经济收益，其效用最

95、终也体现为逾期贷款减少所降低的贷款总损失减少。在实际计算中，上述贷款相关金额可根据借款对象按照个人、企业分类，并按照不同逾期期限取数统计，促使估值结果精准度更高且更具可理解性。操作风险 操作风险反洗钱类 在操作风险领域，反洗钱类算法模型主要通过自动化过滤大额和可疑交易的方式实现应用价值。在模型应用前，规则严格的反洗钱监测系统检测出的大额和可疑交易中很多属于正常交易，依赖人工二次判断。随着商业银行可疑交易量逐年速增，人工审核成本愈加高昂。在模型应用后，通过机器学习能够识别出并排除很多不可疑的交易，辅助人工对可疑案宗进行预排序和分级分类审核，可以大幅减少人工复审可疑交易数量和每单位交易量审核成本，

96、降低人工总审核成本。因此，反洗钱类模型输出的价值主要体现在模型应用前后需复审可疑交易量减少和每单位交易量审核成本减少带来的人工审核总成本的减少。由此，通过计算模型应用前后需复审的可疑交易量的减少，以及每单位可疑交易所需人工复审成本的减少，可以计算模型应用前后复审的可疑交易人工成本的差值，即反洗钱类模型输出的价值。操作风险反欺诈类 在操作风险领域，反欺诈类算法模型主要通过识别和预警银行内外部欺诈行为与事件，规避可能发生的欺诈事件及损失，以及减少已发生的欺诈事件涉案金额的实际损失。内部欺诈主要是指银行内部员工参与的诈骗、盗用资产、违犯法律以及行内制度进行获利的行为。其他外部欺诈主要是指来自外部商户

97、、第一方客户以及第三方不法分子的诈骗、盗用资产、违犯法律进行获利的行为。第四章 光大银行数据资产估值实践 48 根据 CORD 操作风险数据库统计数据，商业银行每年会发生大量欺诈损失事件，占操作风险损失事件总量的 70%以上，欺诈事件所带来的损失金额巨大，占据操作风险损失总额约 50%，给银行造成严重损失。模型应用前，传统反欺诈主要通过案件分析形成专家规则，然后部署到系统中对行内交易行为进行防范侦测。依赖数据交叉核验以及专家经验的传统反欺诈方式难以建立有效的差异化欺诈风险预警与防范措施，也无法高效准确识别、监控不同响应层级（实时、准实时、批量）交易中的欺诈风险。反欺诈算法模型使用全量样本进行数

98、据建模，能够发现潜藏在数据中的个案，并通过自学习不断识别并预警新的欺诈模式，抓住价值长尾。因此，反欺诈类模型输出的价值主要体现在模型应用前后规避可能发生的欺诈事件带来损失的减少，以及减少已发生的欺诈损失事件中涉案金额实际损失金额的减少，这里假设通过模型识别欺诈事件可以降低涉案金额实际损失值。由此，通过计算模型应用前后的欺诈损失金额的减少，以及模型识别的欺诈事件涉案金额与损失金额的差值，可以计算模型应用后欺诈损失的减少，即反欺诈类模型输出的价值。在实际计算中，上述欺诈（损失）事件可根据内部欺诈、外部欺诈分类取数统计，促使估值结果精准度更高且更具可理解性。（2 2）优化收益法算法示例优化收益法算法

99、示例 以信用风险管理放款后类算法模型输出的价值评估方案作为示例。信用风险管理放款后类算法模型输出的价值主要体现在两个方面，模型应用后逾期贷款预计损失的减少，和减少的逾期贷款再贷出的收益增加。其收益法评估公式为：=1(1,1)2(2,2)+(1 2)(1+)(1)(,)(1+)1=1(11+)2=2(10+)表示估值时间点后第个收益期，算法模型输出的价值折现到估值时间点的价值；1表示历史数据采集起始时间点（在模型投产前）,0表示模型投产时间点,1表示估值时间点，表示 1个收益期的长短。1表示假设未应用模型情况下，预测在第个收益期末全行逾期贷款总额，是通过历史逾期贷款数据拟合回归函数1=1()得到

100、,其中 =11+，表示从历史数据起始时间1至第个估值收益期末的时间范围。商业银行数据资产估值白皮书 49 2表示应用模型情况下，预测在第个收益期末全行逾期贷款总额，是通过模型应用后历史逾期贷款数据拟合回归函数2=2()得到。1表示模型应用前平均损失概率，2表示模型应用后平均损失概率，是通过行内历史逾期贷款信息，计算全行逾期贷款损失概率得到，其值分别假设为 15%和 10%；1(1,1)是关于1和1的逾期贷款损失金额计算函数，可以获得在第个估值收益期末，假设未应用模型情况下，预测逾期贷款损失总额；2(2,1)则表示在第个估值收益期末，应用模型情况下，预测逾期贷款损失总额；据此，1(1,1)2(2

101、,2)即为模型应用后逾期贷款损失金额的减少。1 2表示模型应用后逾期贷款金额的减少，为平均利差，假设为 3%；为利差平均增长率，假设为 2%。假设减少的逾期贷款可作为贷款资金来源再外借出去，其获得的利差收入就是模型输出的价值之一，因此通过模型应用后逾期贷款金额的差值和各收益期平均利差可得到模型应用后逾期贷款金额减少带来的收益增量；(Q,D)为综合调节系数，用来修正估值结果以计量通过模型应用产生的实际价值。其中参数为质量调节系数，根据专家对该类模型的业务角度应用效果优良程度和技术角度明细数据质量优良程度进行打分，并加权平均计算得到；参数为投产期限调节系数，是通过收益期内，该类别估值模型剩余使用期

102、限占收益期内全量使用期限的比重计算得到。此外，为折现率，假设为10%；为税率，假设为 25%；为资产建设成本,假设初始建设成本为 50 万元，其余平均每个收益期成本为 10 万元。根据上述取值方法和假设，各收益期内参数的取值如下、表 4.6 模型应用前后指标数据明细所示：表 4.6 模型应用前后指标数据明细 收益周期收益周期 *历史数据起始时间点历史数据起始时间点 n=-8 37400 15%5,610 3%2%25%n=-7 41500 15%6,225 3%2%25%n=-6 45,000 15%6,750 3%2%25%n=-5 51,000 15%7,650 3%2%25%模型投产后模

103、型投产后 n=-4 53,000 15%53,000 10%7,950 5,300 3%2%25%0.5 n=-3 58,000 15%57,000 10%8,700 5,700 3%2%25%0.1 n=-2 62,000 15%61,000 10%9,300 6,100 3%2%25%0.1 第四章 光大银行数据资产估值实践 50 n=-1 66,100 15%65,000 10%9,915 6,500 3%2%25%0.1 估值开始时间点估值开始时间点 n=1 70,200 15%69,000 10%10,530 6,900 3%2%25%0.1 10%98%100%n=2 74,300

104、 15%73,000 10%11,145 7,300 3%2%25%0.1 10%98%100%n=3 78,400 15%77,000 10%11,760 7,700 3%2%25%0.1 10%98%100%n=4 82,500 15%81,000 10%12,375 8,100 3%2%25%0.1 10%98%100%n=5 86,600 15%85,000 10%12,990 8,500 3%2%25%0.1 10%98%100%n=6 90,700 15%89,000 10%13,605 8,900 3%2%25%0.1 10%98%98%n=7 94,800 15%93,000

105、10%14,220 9,300 3%2%25%0.1 10%98%88%n=8 98,900 15%97,000 10%14,835 9,700 3%2%25%0.1 10%98%88%注：标*表示单位为人民币百万元 综上，将各收益期模型输出价值的折现值相加，得到信用风险管理放款后类算法模型输出的价值为人民币 10,765 百万元。需要注意的是，实际计算过程中上述逾期贷款可根据逾期期限分类取数统计，不同逾期期限下的贷款损失概率不同，平均再贷款利差也存在差异，分类计算可以促使估值结果精准度更高且更具可理解性。6优化市场法估值实施方案与计算 市场法参数体系从估值对象的可类比市场案例、价格修正和交易

106、方式（年限）三方面进行建立。市场法估值模型首先利用可比案例相关数据预测待评估数据资产投后的年收益，进而推算该资产未来历年收益的折现总和，从而最终计算待估值资产交易日和评估日的现值总值。具体估值方式可参照以下公式：=（0）（1+）1（1+）1=1=1 其中 N 为待评估资产总类数，Y 为预期交易年限（=1 为基础年），为 j 类模型基础年产品数，为 j 类模型基础年产品平均交易量，0为 j 类模型基础年同类可比产品价格，为 j 类模型价格修正系数，为 j 类模型平均年收益增长率，为折现率，为期日修正系数。模型建立及参数体系设计详见附录 G。商业银行数据资产估值白皮书 51 （1 1）优化市场法指

107、标体系与算法优化市场法指标体系与算法 指标体系是在模型参数基础上通过结合具体对象进行建立的，主要涉及对象的选取和实际计算过程中指标的取值两个部分。指标体系应用对象选取 参考前文对估值对象的划分结果，可根据以上模型，将实际估值过程中选取的各指标与资产类别对应，观察各类型资产的指标适用情况（图 4.4）。图 4.4 指标适用情况 上图结果显示，当一类资产能够进入市场并采用市场法进行评估时，该算法模型下所有指标均对其成立。但需要注意的是，受限于当前的市场情况，尽管所有的数据资产都满足以上算法的合理性，但并不一定全部满足市场法的应用前提。因此，本方案分析了对当前市场中预期可使用优化市场法计算其交易价值

108、的数据资产范围进行了分析，并基于分析情况进一步明确了每个指标的具体计算方案。当前市场中预期可使用优化市场法计算的数据资产范围 首先，数据资产交易的合法性是市场存在的前提保证。即遵守国家法律、行政法规、商业道德，不危害国家安全、公共利益，且不损害个人、组织的合法权益。为保障数据依法有序自由流动，我国法律法规、规范条例及数据交易平台相关规定等均对不可交易的范围进行了界定，限制了市场交易中存在的数据资产类别，如涉及个人隐私数据不可交易。其次，具有外部市场是资产交易活跃和交易信息可得的重要条件。一方面，某类数据资产的交易活跃程度，可以通过其所依附的交易平台的活跃程度得到反映；另一方面，交易平台又是数据

109、资产各类交易信息获取的重要来源。因此，通过对交易平台的调研可以初步定位现存的数据资第四章 光大银行数据资产估值实践 52 产市场，并为寻找满足市场法应用前提的资产对象提供重要判断依据。本方案从活跃度及公开价格可查询两个维度出发的调研结果显示，包括大数据交易所、数据交易厂商等的 72 个调研主体中，仅有 9 家主体的数据资产同时满足活跃和公开价格可获取的情况。同时，对于当前的交易产品，也主要分为两种类型，一种是以公开数据、政务数据为主的明细数据类型，其他行业对明细数据的交易较少；另一方面集中在以风险类模型为代表的各类数据产品，如各类风险评分产品，对营销、运营等业务领域的标准化产品较少。该调研结果

110、也从一定程度上反映了当前数据资产交易市场不够成熟的现状。最后，交易的经济性也是各家企业对预期可交易数据资产进行判断的重要因素。合法性描述了数据资产“能不能”进行交易，而经济性着重考虑数据资产“适不适合”进行交易。例如企业商业秘密相关数据交易后可能造成不良竞争环境。数据资产对象的市场法估值的四个层次 综合分析上述三大条件，本文以风险类数据模型为代表分析优化市场法的指标及算法，即前文中提到的收益提升类数据资产。但可以预见的是，未来随着市场的成熟完善，市场法评估对象会有很大程度的丰富。针对模型输出数据资产对象的市场法估值可拆分为以下四个层次：一是计算待估资产外部使用的基础年收益：基础年收益需要用待评

111、估资产基础年产品数、待评估资产基础年的平均历史交易量、同类可比数据资产的基础年价格和价格修正系数进行计算。在预测一类模型输出投入市场后的价值时，基础年产品数的取值为具体某一业务类别下的模型总数；在针对某一个进行估值时，其取值为 1。模型输出的预期交易量则通常需要过往历史交易数据，结合对市场情况的预估进行判断。对基础年产品价格需考虑多个同类可比数据资产的基础年价格的平均价格情况，并从数据质量、风险、应用和外部对比四个维度，考虑产品本身与同类型产品间的差异，通过对类比产品价格修正后获取对可交易数据资产价格的预估。二是计算待估资产外部使用的未来历年收益总值：通过基础年收益的计算可以求解该类资产在各个

112、年份的价值预期。此阶段主要解决两个问题，即需要将未来多少年的交易情况考虑入估值计算，以及如何考量每年市场规模的变化对该资产的交易影响。为此可以引入预期交易年限和市场的平均年收益增长率。预期交易年限的具体取值需结合各类数据产品的生命周期来综合判断，在当前阶段需要采用相关专家意见；同时，也可考虑参考计算机软件等无形资产的最长摊销年限来对预期交易年限范围进行限制。待估模型市场的平均年收益增长率需综合考虑未来待评估资产的市场规模和市场价格变动。受缺少数据资产市场规模发展历史数据的限制，此阶段可参考各类数据领域权威机构的分析预测报告进行确定。三是计算待估资产外部交易的交易日现值总值：商业银行数据资产估值

113、白皮书 53 以历年收益为基础，通过折现求和可得到待估资产的交易日现值总值，该值的获取是评估日总现值的计算基础。四是计算待估资产外部交易的评估日现值总值：交易日为算法中可比案例价格的获取时间，评估日是给定的价值评估的时间节点，既可以早于交易日亦可以晚于交易日。期日修正系数的使用可以修正交易日与评估日的市场价格指数差异。（2 2）优化市场法算法示例优化市场法算法示例 以下给出行内某风险评分模型 A 的模型输出数据资产价值评估实例。由于评估标的为单一资产，即产品种类数 N 及基础年产品数 n 均为 1，因此市场法评估公式可简化为：=（0）（1+）1（1+）1=1 首先应确定可比案例并获取相关信息以

114、预测待评估资产的基础年收益。经过评估，该评分模型的业务类型为风险类，且其资产类型为挖掘模型。对此，通过整理历史市场交易数据发现，同类型评分产品 B、C、D 符合可比案例识别原则，判定与产品 A 同类可比。产品 B、C、D 的交易信息显示，其基础年出售次数平均约为 10 万次，单次使用平均价格为 0.8 元。因此，根据此前对模型的解释，令 q=100000，0=0.8。价格修正系数 R 可通过专家打分和定量计算获得，详见下表（表 4.7）：表 4.7 价格修正系数计算样例 指标维度 维度权重 指标名称 指标权重 指标取值 数据质量 0.49 数据质量管理评分 1 1.17 数据应用 0.29 多

115、维性 0.26 1.2 规模性 0.43 1 可用性 0.31 1.3 数据风险 0.15 风险评分 1 0.9 市场维度 0.07 稀缺性 1 0.8 总计 1.096 第四章 光大银行数据资产估值实践 54 由此，产品 A 基础年收益为 100.81.096=8.768 万元 其次，需确定产品 A 的预期交易年限（Y）和市场平均年收益增长率（g），并利用折现率（）计算产品未来历年收益的现值总值。经过专家团队评估，确认该模型输出预计可交易 8 年；经预估该数据资产每年增长 20%；折现率取中国十年期国债收益率，约为 3.0%。通过代入_计算公式，可得到产品历年收益的交易日现值总值为 148.

116、19 万元。最后需要利用期日修正系数 k 计算产品 A 评估日现值总值。期日修正系数 k 可利用交易日之于评估日的工业生产者出厂价格指数（PPI）变动进行衡量。已知资产评估时间为 2020 年 12月，且可比案例价格来源于 2021 年 4 月进行的市场调研，因此根据国家统计局发布的数据，k约为 1/1.044。因此，此数据资产的外部交易评估值为 141.94 万元。综上，企业整体的数据资产价值，应包括前述原始类、过程类、应用类数据资产内使用及外部交易的所有价值之和。假设成本法、收益法及市场法中所示例的数据资产即为某企业所有数据资产的内外部所有价值，则该企业的数据资产价值应为 27815.93

117、 百万元。三、数据资产估值实施方案特点 1体现了数据资产“非实体性&无消耗性”“可加工性”等特点 传统资产虽然也存在可加工的特点，但同一资产仅能存在于当前的最终加工层级，则原料的价值会体现在后续加工产品中，无法无限“复制”；因此，同一资产的价值仅能计算其最后应用的加工状态。对于数据资产而言，分层级递进加工的数据资产均独立存在价值点，在任一加工层级均可通过应用产生价值，且后续加工程序并不会对前序数据资产带来价值损耗，因此可分层级分别计算价值，而不仅仅计算最终层级的数据资产价值。这体现了数据资产“非实体性&无消耗性”以及“可加工性”的特点。另一方面，对于传统有形资产而言，同一时间仅能用于一种用途实

118、现其价值，因此在计算时，仅能选择一种价值进行计算。而同一数据资产可在同一时间用于多种用途，且应用方式非常多样；因此在计算时，同一数据资产可以同时有多种价值来源，客户相关数据可同时在企业内部用于营销、风险控制从而产生业务价值，还可同时用于外部出售（法律允许前提下）从而产生价值，每种价值来源可适用于不同方法，其结果可汇总至同一数据资产对象。这也体现了数据资产“非实体性&无消耗性”“可共享性”以及“形式多样性”的特点。商业银行数据资产估值白皮书 55 2体现了数据资产价值与数据规模间的关系 数据资产的规模，就如同传统资产的数量一样，会对数据资产的价值带来影响。在相同信息密度的情况下，数据资产规模越大

119、，所蕴含的信息量越大，其价值也相应越高。尤其对于前文中提到的原始类数据资产，其规模的大小直接决定了后续可加工分析挖掘的基础。因此，本方案在方法设计过程中充分考虑了数据规模对于数据价值的影响。如在优化成本法中，“数据采购价款及税费”“数据采集系统成本”等指标，能够体现为获取更大规模数据所付出的成本，并在利润调节系数中将数据规模纳入了考虑因素中。同样，在优化市场法的价格调节系数中也将数据规模纳入了考虑，如同类型交易的数据集，其规模越大，其价格也相应增加，从而对交易价值带来影响。而在优化收益法中，由于收益的强对应性，数据规模所带来的价值提升将直接体现在数据资产应用的增量收益结果中。3关注数据资产调用

120、情况与价值产生的强相关性 数据资产调用情况与价值产生之间具有正相关关系。理论上，数据资产每一次被调用并投入到业务活动中，都能一定程度上促进业务活动开展并产生价值，因此，数据资产价值与资产调用次数呈现正相关关系，在单次调用价值一定的情况下，调用次数越多，数据资产的总价值就越大，如下图 4.5 所示。图 4.5 数据资产价值与资产调用次数 对于可以外部交易的数据资产，在采用优化的市场法计算其价值时，充分考虑了上述数据资产单次调用价值与调用次数之间的正相关关系。其中，用数据资产单次市场交易价格类比单次调用价值，通过比较和分析同类可比市场价格获得；用数据资产预期市场交易次数类比调用次数，通过比较和分析

121、同类可比市场份额获得。因此，外部交易的数据资产价值与单次调用价值和调用次数呈正相关关系。单次调用价值单次调用价值 数据资产价值数据资产价值 调用次数调用次数 第四章 光大银行数据资产估值实践 56 对于可以内部使用的数据资产，采用优化的成本法和收益法思想计算数据资产内部使用价值，基于成本法和收益法估值指标集中，设计了体现调用次数的估值指标，通过合理的算法(指标集)，能使数据资产内部使用价值可计算，详细计算思路详见第五章第二节。通过优化的成本法和收益法估算出数据资产内部使用价值后，可以将其结果作为数据资产单次调用价值评估的输入，在获取调用次数相关数据后，倒推计算单次调用价值，为未来数据资产无论是

122、外部交易，还是内部定价提供合理参考。4体现了数据资产价值与数据应用间的关系 数据资产价值与资产应用频度、资产应用广度和资产应用深度均具有正相关关系。应用类数据资产直接面向业务使用，协助业务分析与决策，其价值通过业务价值提升直接体现。理论上，数据资产业务覆盖场景越多、业务应用频率越高、业务支持程度越深，数据资产的价值就越大，如图 4.6 所示。图 4.6 数据资产价值与资产应用频度、资产应用广度和资产应用深度 数据资产能覆盖更多业务场景，意味着数据资产在更广泛的领域为业务赋能，数据资产价值体现在多维业务价值的提升；数据资产能深耕特定的业务应用领域或场景，提供关键业务洞察，则意味着数据资产具有较深

123、的业务支持度，数据资产价值体现在深化业务应用带来的价值提升；业务应用频率（频度业务应用频率（频度）数据资产价值数据资产价值 覆盖场景数量（覆盖场景数量（广度广度）业务支持程度（深度业务支持程度（深度）商业银行数据资产估值白皮书 57 数据资产能被高频、长久地调用，根据（3）中的阐述，在单次调用价值一定的前提下，调用频率越高，数据资产价值越大。以应用类数据资产中的算法模型为例，在全行风控、营销和运营三大领域中，模型应用场景越多、业务专业性或支持度越高、调用次数越多且剩余使用期限越长，模型应用于业务所带来的价值就越大。将模型按照业务应用领域和场景进行了分类，以量化模型应用场景的数量，体现数据资产应

124、用广度；针对每类模型的特点，在算法中均设计了体现调用次数的估值指标，例如“统计期内模型识别的大额与可疑交易笔次”，此指标与反洗钱类模型调用次数正相关，体现数据资产应用频度；同时，将模型业务支持深度作为资产质量调节系数的重要组成部分，业务支持程度越深，意味着模型越具专业性和精准性，性能越优良，价值则越大，体现数据资产应用深度与价值的关系。5体现了数据质量对数据资产价值实现的影响 数据质量是数据固有优良程度的体现，在其他价值影响因素同等情况下，数据质量越高，数据能够提供的准确、有效信息越多，数据资产增值越大，如图 4.7 所示：图 4.7 数据资产价值与其他价值影响因素 因此，数据质量是所有数据资

125、产价值的关键影响因素，在本次估值的所有方法中均将数据质量作为调节维度纳入算法。通常而言，数据质量的衡量可以从完整性、有效性、一致性和唯一性四大维度来评价。在优化成本法中，数据质量是利润调节系数中的重要维度，直接影响对合理利润率的预期。在优化收益法中将数据质量作为综合调节系数的维度，对数据资产带来的直接增量收益进行调节。而在优化市场法中，质量维度则直接影响价格修正系数，进而直接影响同类型数据资产的价格水平，例如同类型、规模的数据集，其数据质量越高，则相应价格越高。第五章 促进数据要素市场科学有效发展的建议 58 商业银行数据资产估值白皮书 59 数据要素市场化进程不是一蹴而就的，在市场化的进程中

126、，需要市场参与的多方主体统筹协调发展，既有基于国家政策的指导和市场建设的原则性意见，又要有刺激市场发展的举措，市场的主要参与主体积极参与，在政策的指导框架下，创新性地建设数据要素市场发展模式，同时监管机构通过底线思维，约束市场主体的不良发展，确保市场在健康的轨道上快速发展。一、通过积极的政策激发数据要素市场活力 1推进和完善顶层设计，使数据市场发展有法可依 数据要素市场与其他要素市场有本质上的区别，作为一种新型生产要素，其市场化发展一方面需要打破部门壁垒、地方壁垒、行业壁垒，另一方面需要有效约束，不能任由其野蛮生长。因此，需要加紧研究制定和出台相关政策和意见，规范现状，订立目标，规划蓝图，给市

127、场一颗定心丸。建议由具有较高公信力的政府机构牵头，以高瞻远瞩的顶层设计指导清晰和包容度高的规则与指引制定发布，加快统筹市场政策体系，优化市场管理规则，推进基本制度建设，形成体系完备、规则合意、执行有效的制度框架，为数据市场发展提供重要的制度性基础条件。通过高层政策指导和专业原则规范，我国数据市场发展才能有据可依，有法可用，有未来可前进。2确定数据要素流通角色，保护数据流通相关方权利 数据要素在流通过程中涉及大量角色，如数据的生产者、所有者、管理者、出售者、购买者、监督者等，同一主体可在数据要素流通过程中同时扮演多种角色，如生产者可能与所有者一致。通常而言，不同角色对应不同权益，如数据资产的所有

128、权、使用权、收益权等。确定数据要素流通的角色，是明确各方权益、进而保护各方权益的前提。建议明确数据交易流通过程中的分级分类权益体系，通过法律手段保护数据要素流通对应的不同对象所对应的不同权益。例如保护数据的所有者的所有权；在保护数据要素流通相关方权益的同时，承认对数据的加工使用是有价值的，应享受到数据加工使用带来的权益分配，进一步促进数据要素市场的流通。在数据要素流通过程中将数据的使用权和所有权进行分离，分类保护，以提升数据要素共享的积极性。3研究制定多样化的支持政策，促进各主体数据共享意愿 构建成熟的数据要素市场，需要各行业、各类型、各规模主体的广泛参与，不仅包括传统意义上数据密集型行业中的

129、企业，如金融行业、通信行业等，也离不开各类交易运营商、智能服务第五章 促进数据要素市场科学有效发展的建议 60 公司、中介机构、咨询机构等多样化的市场主体，以及各类中小型企业的参与，才能盘活社会整体的数据要素。因此，建议构建多样化的支持政策，积极释放鼓励数据要素流通的信号，切实帮助解决各类型主体在数据共享中的困难。一是支持各行业企业加快数据相关人才的引进，建议各行业、地区政府机构优化数据类人才引进具体目标，加强人才的政策扶持力度，帮助企业加大政策宣传力度，提高政策的知晓率、政策的惠及率和加强政策落实的步伐。二是支持数据产业相关高新技术企业研发先进技术，如各类数据流通技术、数据安全、隐私保护等技

130、术的研发，鼓励申请相关技术专利，并加强对于数据相关创新技术的知识产权管理体系建设，切实保护企业研发成果。三是提供财政政策上的支持，尤其是一些数据要素流通的关键企业，建议政府可以建立专门的财政税收补贴机制，并进一步改善创新融资环境，通过对商业银行的信贷管理进行适度改革，例如农村信用社、商业银行等对数据技术创新企业发放一些免息或者低息的贷款。4通过产学研一体化研究推动新技术在数据要素流通中的创新使用 大数据、人工智能、云计算等新技术的发展与普及为数据要素市场持续提供基础设施和数字资源。因此，需要推动新技术在数据要素流通中的创新使用，以新思维、新力量持续激活数据市场潜能。借鉴企业的“产学研”一体化道

131、路可以作为将新技术引入数据要素市场的尝试。“产学研”是将研究成果转化为适应市场需求的产品，再把部分产品盈利投入到科研中，开发出“含金量”更高、市场适应性更强的产品。借鉴这种“以产养研，以研促产”的企业经营方式，促进数据市场将研究机构的创新研究技术和成果放到市场中检验，再反馈给研究机构，使得数据要素市场上的产品更符合客户的需求。因此，建议加速科研机构的新兴科学技术知识流入企业以实现科技成果的转化，并将企业应用结果以及需求反馈给科研机构，推动其进一步的研究和改善；引导和支持科研机构的组织创新，建立研究开发、技术转移、知识产权管理、投资运营为一体的新型运行系统，激发创新活力。5建立社会公共数据共享流

132、通的机制，活跃市场交易 公共数据是指各级行政机关以及具有公共管理和服务职能的事业单位，在依法履行职责过程中获得的各类数据资源。随着互联网经济的快速发展，无论对企业还是政府，公共数据都越来越成为一种关键性的资源要素。一方面，政府向社会开放其掌握的大量公共数据资源可以促进企业创新，降低商业成本；另一方面，一些企业特别是网络交易平台掌握了大量的数据信息，其对商业银行数据资产估值白皮书 61 政府履行行政管理职能、提高公共服务和城市管理精细化水平具有重要价值。政府之间的信息共享还可以协调各政府间的公共数据冲突，有效解决政府间“信息孤岛”的问题。建议由相关部门牵头，建立一套符合公共数据开放理念和特点的标

133、准、程序，并不断完善相关配套机制可以推动公共数据开放，提高公共数据拥有者的积极主动性。同时明确政府数据资源分类分级管理，健全政府数据资源管理标准。以资源目录汇编、资源整合汇聚、交换共享平台等手段，建设共享信息交换体系。在有条件的城市可以统筹政府数据资源和社会数据资源，建立城市大数据平台，范围可以包括疫情防控、卫生健康、交通出行、文化教育、信用服务、普惠金融、城市服务等重点领域，积极向社会开放数据。6建立试点机制，允许先行先试，逐步完善市场 建议可以通过试点的形式开展，优选具备较强数据能力和应用需求的地区、行业或领先企业开展深入试点，给予一定的政策指导和试点原则，鼓励大胆创新，及时总结先进经验，

134、发挥“先行先试、引领示范”的作用。例如，金融行业可以考虑作为数据要素市场化发展的试点行业，因为其坐拥金融资产和交易的海量数据，具有多种天然优势及屏障，可以通过在金融行业数据要素市场化的试点，对数据要素市场化的前提条件、流通机制等进行创新性探索，总结数据要素市场建设和运行机制，为接下来全行业的数据要素市场化发展奠定理论基础，提供落地实操经验，最终实现数据要素市场化的“全行业覆盖”。7鼓励开展多种数据市场模式 为高效提升数据要素市场发展，建议除了传统的数据要素流通形式外，还可考虑与各类金融交易手段结合，形成数据信托、数据资产证券化等新型交易方式。例如数据信托回归受托本源，由专业的数据信托机构或专业

135、人士来代替人们收集和管理个人或企业数据，再将数据资产集中管理起来，由受托人即个人授权其他应用来调用，重新投入数据市场中进行交易流通，使得大量不具备数据要素交易流通的主体也能将数据流通起来。再如数据资产证券化也是加快数据要素市场发展的重要方式，数据资产证券化使得数据要素与资本充分融合发展，数据资产所有者可以以拥有的优质数据资产预期收益为标的，通过发行债券的方式获得融资，拓宽了自身融资渠道，实现数据变现，另一方面也将进一步促使企业对数据资产管理及应用的提升。第五章 促进数据要素市场科学有效发展的建议 62 二、制定市场原则，审慎包容指导市场有序发展 1鼓励行业开展自律，形成行业协同监管局面 一是以

136、平台为中介的监管。注重“平台”建设是数据要素市场的重要特点之一，互联网平台既是交易的平台、数据的平台，也是信用的平台和消费者保护的平台。所以，监管部门要主动与平台协作，使“平台”成为政府和个体之间的媒介。形成政府管理平台，平台管理企业，企业管理个人的链条。二是发挥行业协会在监管中的作用。可以建立起相互约束的行业协会，督促其建立自律机制。与行业协会等各类合作伙伴建立起横向的行动线，是新时期提高政府对“新经济”监管绩效的重要举措。2建立交易争端仲裁机制，完善市场运营机制 数据资产交易面临着和其他行业或资产交易同样的交易争端问题。建立数据要素市场的争端仲裁机制，是推进数据要素市场快速发展的重要环节。

137、交易平台应构建有效的评价机制和退出机制，搭建售中、售后评价和投诉通道，使争端信息可以快速、有效传达，并针对存在负面评价的数据供应商进行调查，及时制止违法违规交易。在争端仲裁策略方面，可以借鉴其他行业或资产交易争端仲裁办法和规定并进行相应调整，使其适用于数据资产的交易。应对争端事件进行分类分级，以便交易平台节约资源和时间，提高争端解决效率。数据交易平台要担当起争端仲裁者的角色，在交易发生争议时应起到缓冲和磨合的作用。对于简单的案件，交易平台提供空间给当事人进行沟通和解，无需第三方参与；而对于相对复杂的争端，建议交易平台参与并带动当事人交流，对当事人进行实时调解，及时解决争端；对于仲裁无法解决的严

138、重违法违规事件，应及时上报公安部门及监管机构，使违法行为得到法律制裁。在交易争端解决后，交易平台应总结经验教训、完善交易流程制度，从而减少交易争端的发生。3建立数据共享的标准，提升数据共享效率 数据开放共享是中国当前大数据竞争战略核心。加快数据开放共享，需要从理念、制度、技术、平台等层面着力，建立数据开放共享的标准。一方面要制定数据脱敏标准，在运用大数据技术对数据资源进行开放及分享应用的过程中，特别需要注意对敏感数据的处理，制定数据脱敏的规则和要求，保证部分敏感数据在技术保护内能够实现开放共享；另一方面要完善和提升开放共享数据的标准，保证开放共享数据的完整性、准确性、原始性、机器可读性、非歧视

139、性、及时性，使其便于在线检索、获取和利用。商业银行数据资产估值白皮书 63 4建立指导定价机制，促进市场有序良性竞争 在定价方面，建议在试点范围内，对于某些具有排他性的数据，如政府、基建部门数据，建议由国家统一制定指导价格，如基准参考价、最高限价等，改善此类数据的无序定价状态；对于市场中较多的、普适性较强的数据，如交易数据、资讯类数据等则建议以市场自主发展、构建良性竞争为主，对交易的原则问题给予指导，并通过一定的检查，逐渐完善交易市场规则，最终形成公允价值；而随着部分新兴产业而涌现的数据，如物联网数据、卫星数据等，未来将逐步在社会经济中扮演更为重要的角色，建议由政府给出指导方针和一定的政策保护

140、，助力市场快速形成公允的定价，同时留出一定的保护期，逐步形成良好的市场竞争环境。5建立全新监管理念，维护数据要素市场秩序 首先，监管机构应坚持“底线监管”原则，负责维护公平竞争市场秩序，制定出台数据交易监督管理有关规定，依法查处数据要素市场滥用市场支配地位限制交易、不正当竞争等违法行为，严禁任何平台单边签订排他性服务条款，保证数据要素市场主体公平参与市场竞争。其次，建议监管机构建立审慎包容的监管理念。监管机构以审慎包容的态度对待数据要素市场建立初期市场主体产生的不足之处，将极大鼓励企业勇于试错、敢于试错，进而不断完善自身的成长环境。监管机构在坚持“底线监管”原则的基础上，宜将广阔的空间留给各类

141、市场主体，不轻易采取“关停罚”等手段。监管机构可以用严格的态度及时指出数据要素市场发展过程中市场参与者出现的问题，并指导相关政策的实行，同时提供必要的资金和技术帮扶，双管齐下帮助新兴的数据要素市场快速成长。附录 64 附录附录 A 央地政策及决策层重要讲话梳理央地政策及决策层重要讲话梳理 时间 主要政策及重要讲话 2015 年 8 月 国务院关于印发促进大数据发展行动纲要的通知指出，数据已成为国家基础性战略资源，加快建设“数据强国”，释放“技术、制度和创新”三大红利。2017 年 12 月 习近平总书记在主持中央政治局集体学习时指出，数据是新的生产要素，是基础资源和战略性资源，要构建以数据为关

142、键要素的数字经济，发挥数据的基础资源作用和创新引擎作用。2019 年 10 月 中国共产党第十九届中央委员会第四次全体会议通过中共中央关于坚持和完善中国特色社会主义制度 推进国家治理体系和治理能力现代化若干重大问题的决定，提出“健全劳动、资本、土地、知识、技术、管理、数据等生产要素由市场评价贡献、按贡献决定报酬的机制”，标志着国家赋予数据新的历史定位，已上升到生产要素的重要地位。2020 年 2 月 工信部印发了工业数据分类分级指南（试行），针对工业数据作为新的生产要素资源存在的开发利用不深入、流通共享不充分等问题，指导企业全面梳理自身工业数据，提升数据分级管理能力。2020 年 3 月 中共

143、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提出“加快培育数据要素市场”的要求，旨在深化要素市场化配置改革，促进要素自主有序流动，推动经济发展质量变革、效率变革、动力变革。同时从政府公共数据管理、塑造数据自由流动的市场秩序及数据确权与保护三个方面点明了工作主线。2021 年 1 月 中共中央办公厅、国务院办公厅印发了建设高标准市场体系行动方案，进一步提出“建立数据资源产权、交易流通、跨境传输和安全等基础制度和标准规范，推动数据资源开发利用”。商业银行数据资产估值白皮书 65 2021 年 3 月 中华人民共和国国民经济和社会发展第十四个五年规划和二 0 三五年远景目标纲要提出，“

144、迎接数字时代，激活数据要素潜能”，“充分发挥海量数据和丰富应用场景优势，促进数字技术和实体经济深度融合，赋能传统产业转型升级，催生新产业新业态新模式，壮大经济发展新引擎”。其中，加快建立数据资源产权、交易流通等基础制度和标准规范，对促进数据要素市场长远、健康有序发展有重要意义。2021 年 6 月 深圳经济特区数据条例对外发布。不同于数据相关法律以及其他省市地方性法规、规章从涉及数据的某个具体领域制定单项、专门性数据规范的做法，深圳经济特区数据条例的内容涵盖了个人数据、公共数据、数据要素市场、数据安全等方面，是国内数据领域首部基础性、综合性立法。2021 年 6 月 第十三届全国人民代表大会常

145、务委员会第二十九次会议通过中华人民共和国数据安全法，标志我国在数据安全领域有法可依，有章可循。主要内容有五方面。一是坚持以数据开发利用和产业发展促进数据安全，鼓励数据依法合规有效利用，保障数据依法有序自由流动，促进以数据为关键要素的数字经济发展。二是深化数据安全体制建设，依法建立数据安全管理制度，明确数据责任主体。三是明确数据管理者和运营者的数据保护责任，消除数据管理者和运营者在数据安全领域盲区。四是覆盖全场景数据安全评估与防护要求，指出“关系国家安全、国家经济命脉、重要民生、重大公共利益等数据属于国家核心数据”并提出对数据全生命周期各环节的安全保护义务。五是针对政务数据开发利用做出明确指示，

146、要求省级以上人民政府应将数字经济发展纳入本级国民经济和社会发展规划，加强数据开放共享的安全保障措施。附录 66 附录附录 B 国家法律法规、规章政策列表国家法律法规、规章政策列表 法律法律 文件文件 名称名称 核心摘要核心摘要 重点内容重点内容 中华人民共和国资产评估法中华人民共和国资产评估法 2016 年 7 月 2 日，第十二届全国人民代表大会常务委员会第十一次会议通过了中华人民共和国资产评估法，该法共八章五十五条，包括总则、评估专业人员、评估机构、评估程序、行业协会、监督管理、法律责任和附则 第二条规定资产评估指出“评估机构及其评估专业人员根据委托对不动产、动产、无形资产、企业价值、资产

147、损失或者其他经济权益进行评定、估算，并出具评估报告的专业服务行为”中华人民共和国民法典中华人民共和国民法典 为了保护民事主体的合法权益，调整民事关系，维护社会和经济秩序，适应中国特色社会主义发展要求，弘扬社会主义核心价值观，根据宪法，制定本法 第五章“民事权利”第一百二十七条规定，“法律对数据、网络虚拟财产的保护有规定的，依照其规定”个人信息保护法草案个人信息保护法草案 为了保护个人信息权益,规范个人信息处理活动,保障个人信息依法有序自由流动,促进个人信息合理利用,制定本法 第二条“自然人的个人信息受法律保护，任何组织、个人不得侵害自然人的个人信息权益。”中国网络安全法中国网络安全法 为了保障

148、网络安全，维护网络空间主权和国家安全、社会公 共利益，保护公民、法人和其他组织的合法权益，促进经济社会信息化健康发展，制定本法 第十八条 国家鼓励开发网络数据安全保护和利用技术，促进公共数据资源开放，推动技术创新和经济社会发展。国家支持创新网络安全管理方式，运用网络新技术，提升网络安全保护水平 行政法规行政法规 文件文件 名称名称 核心摘要核心摘要 重点内容重点内容 商业银行数据资产估值白皮书 67 关于构建更加完善的要素市场化配置体制机制关于构建更加完善的要素市场化配置体制机制的意见的意见 完善要素市场化配置是建设统一开放、竞争有序市场体系的内在要求，是坚持和完善社会主义基本经济制度、加快完

149、善社会主义市场经济体制的重要内容。为深化要素市场化配置改革，促进要素自主有序流动，提高要素配置效率，进一步激发全社会创造力和市场活力，推动经济发展质量变革、效率变革、动力变革，现就构建更加完善的要素市场化配置体制机制提出如下意见（二十二）加强数据资源整合和安全保护。探索建立统一规范的数据管理制度，提高数据质量和规范性，丰富数据产品。研究根据数据性质完善产权性质。制定数据隐私保护制度和安全审查制度。推动完善适用于大数据环境下的数据分类分级安全保护制度，加强对政务数据、企业商业秘密和个人数据的保护 征信业管理条例征信业管理条例 征信业管理条例已经2012 年 12 月 26 日国务院第228 次常

150、务会议通过，现予公布，自 2013 年 3 月 15 日起施行。为了规范征信活动，保护当事人合法权益，引导、促进征信业健康发展，推进社会信用体系建设，制定本条例 第十三条 采集个人信息应当经信息主体本人同意，未经本人同意不得采集。但是，依照法律、行政法规规定公开的信息除外。企业的董事、监事、高级管理人员与其履行职务相关的信息，不作为个人信息。第十四条 禁止征信机构采集个人的宗教信仰、基因、指纹、血型、疾病和病史信息以及法律、行政法规规定禁止采集的其他个人信息。征信机构不得采集个人的收入、存款、有价证券、商业保险、不动产的信息和纳税数额信息 部门规章部门规章 文件文件 名称名称 核心摘要核心摘要

151、 重点内容重点内容 企业会计准则企业会计准则 -基本准则基本准则 企业会计准则由财政部制定，于 2006 年 2 月 15 日财政部令第 33 号发布，自2007 年 1 月 1 日起施行。我国企业会计准则体系包括基本准则与具体准则和应用指南 基本准则为主导，对企业财务会计的一般要求和主要方面做出原则性的规定，为制定具体准则和会计制度提供依据 附录 68 规范性文件规范性文件 文件文件 名称名称 核心摘要核心摘要 重点内容重点内容 中国中国人民银行关于银行业金融机构人民银行关于银行业金融机构做好个人金融信息保护工作的通知做好个人金融信息保护工作的通知 个人金融信息是金融机构日常业务工作中积累的

152、一项重要基础数据，也是金融机构客户个人隐私的重要内容。如何收集、使用、对外提供个人金融信息，既涉及银行业金融机构业务的正常开展，也涉及客户信息、个人隐私的保护 一、本通知所称个人金融信息，是指银行业金融机构在开展业务时，或通过接入中国人民银行征信系统、支付系统以及其他系统获取、加工和保存的以下个人信息：（一）个人身份信息，包括个人姓名、性别、国籍、民族、身份证件种类号码及有效期限、职业、联系方式、婚姻状况、家庭状况、住所或工作单位地址及照片等；（二）个人财产信息，包括个人收入状况、拥有的不动产状况、拥有的车辆状况、纳税额、公积金缴存金额等；（三）个人账户信息，包括账号、账户开立时间、开户行、账

153、户余额、账户交易情况等；（四）个人信用信息，包括信用卡还款情况、贷款偿还情况以及个人在经济活动中形成的，能够反映其信用状况的其他信息；（五）个人金融交易信息，包括银行业金融机构在支付结算、理财、保险箱等中间业务过程中获取、保存、留存的个人信息和客户在通过银行业金融机构与保险公司、证券公司、基金公司、期货公司等第三方机构发生业务关系时产生的个人信息等；（六）衍生信息，包括个人消费习惯、投资意愿等对原始信息进行处理、分析所形成的反映特定个人某些情况的信息；（七）在与个人建立业务关系过程中获取、保存的其他个人信息 数据流通禁止清单数据流通禁止清单 根据国家有关法律法规，含有下列内容的数据禁止进行制作

154、、复制、发布、传播 第一条 危害国家安全和社会稳定的;第二条 涉及特定个人权益的;第三条 涉及特定企业权益的 商业银行数据资产估值白皮书 69 企业会计准则第企业会计准则第 6 6号无形资产号无形资产 企业会计准则由财政部制定，于 2006 年 2 月 15 日财政部令第 33 号发布，自2007 年 1 月 1 日起施行。我国企业会计准则体系包括基本准则与具体准则和应用指南。企业会计准则 第 6 号无形资产为了规范无形资产的确认、计量和相关信息的披露，根据企业会计准则基本准则，制定本准则 第三条 无形资产，是指企业拥有或者控制的没有实物形态的可辨认非货币性资产。资产满足下列条件之一的，符合无

155、形资产定义中的可辨认性标准：（一）能够从企业中分离或者划分出来，并能单独或者与相关合同、资产或负债一起，用于出售、转移、授予许可、租赁或者交换。（二）源自合同性权利或其他法定权利，无论这些权利是否可以从企业或其他权利和义务中转移或者分离 司法解释司法解释 文件文件 名称名称 核心摘要核心摘要 重点内容重点内容 最高人民法院关于审理利用信最高人民法院关于审理利用信息网络侵害人身权益民事纠纷案息网络侵害人身权益民事纠纷案件适用法律若干问题的规定件适用法律若干问题的规定 为正确审理利用信息网络侵害人身权益民事纠纷案件，根据中华人民共和国民法通则中华人民共和国侵权责任法全国人民代表大会常务委员会关于加

156、强网络信息保护的决定中华人民共和国民事诉讼法等，结合审判实践，制定本规定 第一条 本规定所称的利用信息网络侵害人身权益民事纠纷案件，是指利用信息网络侵害他人姓名权、名称权、名誉权、荣誉权、肖像权、隐私权等人身权益引起的纠纷案件 最高人民法院国家发展和改革委员会最高人民法院国家发展和改革委员会关于为新时代加快完善社会关于为新时代加快完善社会主义市场经主义市场经济体制提供司法服务和保障的意见济体制提供司法服务和保障的意见 为深入贯彻落实中共中央 国务院关于新时代加快完善社会主义市场经济体制的意见精神，充分发挥审判职能作用，营造适应经济高质量发展的良好法治化营商环境，为加快完善新时代社会主义市场经济

157、体制提供有力司法服务和保障，结合经济社会发展需要和人民法院审判执行工作实际，制定本意见 健全以公平公正为原则的产权保护制度。严格执行产权保护司法政策，全面依法平等保护各种所有制经济产权和合法权益，推动健全归属清晰、权责明确、保护严格、流转顺畅的现代产权制度。明确和统一裁判标准，准确界定产权关系，合理划定责任财产范围，重点解决国有资产流失，利用公权力侵害私有产权，违法查封、扣押、冻结民营企业财产等产权保护中的突出问题 征求意见稿征求意见稿 文件文件 名称名称 核心摘要核心摘要 重点内容重点内容 附录 70 深圳经济特区数据条例深圳经济特区数据条例 为了规范数据活动，促进数据资源共享开放和全面深度

158、开发利用，保护自然人、法人和非法人组织数据权利和其他合法权益，加快新型智慧城市建设进程，提高市民生活品质，推动政府、企业数字化转型，提升城市治理和公共服务水平，加快数据要素市场培育，促进数字经济高质量发展，服务粤港澳大湾区和中国特色社会主义先行示范区建设，根据法律、法规的规定，结合深圳经济特区实际，制定本条例 第四条【数据权】数据是关于客体（如事实、事件、事物、过程或思想）的描述和归纳，是可以通过自动化等手段处理或再解释的素材。自然人、法人和非法人组织依据法律、法规和本条例的规定享有数据权，任何组织或者个人不得侵犯。数据权是权利人依法对特定数据的自主决定、控制、处理、收益、利益损害受偿的权利

159、商业银行数据资产估值白皮书 71 附录附录 C 国家相关标准列表国家相关标准列表 国家相关标准国家相关标准 文件文件 名称名称 核心内容核心内容 重点内容重点内容 个人金融信息保护技术规范个人金融信息保护技术规范 个人金融信息是个人信息在金融领域围绕账户信息、鉴别信息、金融交易信息、个人身份信息、财产信息、借贷信息等方面的扩展与细化，是金融业机构在提供金融产品和服务的过程中积累的重要基础数据，也是个人隐私的重要内容 3.2 个人金融信息 金融业机构通过提供金融产品和服务或者其他渠道获取、加工和保存的个人信息 金融数据安全金融数据安全数据安全分级指南数据安全分级指南 2020 年 9 月 23

160、日，中国人民银行正式发布金融数据安全数据安全分级指南（JR/T 0197-2020）金融行业标准。标准给出了金融数据安全分级的目标、原则和范围，明确了数据安全定级的要素、规则和定级过程，同时明确标准适用于金融业机构开展数据安全分级工作，以及第三方评估机构等参考开展数据安全检查与评估工作 3.2 数据 信息的可再解释的形式化表示，以适用于通信、解释或处理 信息技术信息技术 词汇词汇 第第1 1部分基本术部分基本术语语 本标准代替 GB/T 5271.1-1985 为方便信息处理方面的国际交流特制定此部分标准。本标准给出了与信息处理领域相关的概念的术语和定义，并明确了这些条目之间的关系，为方便将此

161、标准翻译成其他语言给出的定义尽可能避免语言上的特殊性，本标准定义了信息技术基本概念 01.01.01 信息（在信息处理中）关于客体（如事实、事件、事物、过程或思想，包括概念）的知识，在一定场合中具有特定的意义 01.01.02 数据 信息的可再解释的形式化表示，以适用于通信、解释或处理 附录 72 GB/T37550GB/T37550-2019 2019 电子商务数据资产评价指标体系电子商务数据资产评价指标体系 本标准规定了电子商务数据资产评价指标体系构建的原则、指标体系分类和评价过程。本标准适用于数据的电子商务交易过程中，对数据资产价值进行量化计算、评估评价，也可以作为在线数据交易过程中数据

162、资产商品化、证券化的评价依据 2.4 数据资产 以数据为载体和表现形式，能够持续发挥作用并且带来经济效益的数字化资源 GB/T36344GB/T36344-2018 2018 信息技术数据质量评价指标信息技术数据质量评价指标 本标准规定了数据质量评价指标的框架和说明。本标准适用于数据生存周期各个阶段的数据质量评价 2.3 数据质量 在指定条件下使用时，数据的特性满足明确的和隐含的要求的程度。第五章规定的六大类评价指标，是实施数据质量评价的最小集，同时也附有数据质量评价过程 商业银行数据资产估值白皮书 73 附录附录 D 重要行业、学术研究列表重要行业、学术研究列表 文件名称 诞生背景 重点内容

163、 GartnerGartner如何衡量信息如何衡量信息资产的净值报告资产的净值报告 Gartner 认为为了使一个组织了解信息，必须从内部确认信息为实际资产开始 Gartner 与客户、估值专家、会计师和经济学家合作，推出了六种正式的信息估值模型。其中，金融模型，改编自已建立的资产评估方法，适应一些信息的独特特征，即：信息的非耗竭性和多重许可性 资产评估专家指引第资产评估专家指引第 9 9号号数据资产评估数据资产评估 为指导资产评估机构及其资产评估专业人员执行数据资产评估业务，中国资产评估协会制定了资产评估专家指引 第 9 号-数据资产评估，评估机构执行资产评估业务，可以参照本指引，也可以根据

164、具体情况采用其他适当的做法。从数据资产估值对象的特征、影响因素、商业模式等角度进行了阐述，并围绕传统资产评估的 3 种方法，结合数据资产特点做出解读 20212021中国数据中国数据资产化工具市场研究报资产化工具市场研究报告告 越来越多的企业、机构开始意识到数据的价值，并希望对这些数据要素进行整合与管理，以便于为企业/机构管理者提供决策辅助支撑 该报告就数据资产化的产生背景、发展历程、典型工具、行业概况、技术水平、市场规模、竞争格局等方面进行了深度解析 附录 74 数字数字/数据估值数据估值ValuationDigital 许多公司无法理解现有数据资产和基础可以增加数据价值的杠杆。反过来，这可

165、能意味着他们错过了竞争优势。德勤利用经验丰富的数据估值实践，帮助企业开发数据资产未开发的潜力，并且创新价值平台合并内部和外部数据，形成全球资产价值的基准 为数据赋值为数据赋值PuttingData 企业在投资数据资产方面面临越来越大的压力，越来越多的组织正在寻找利用自己或他人的数据创造价值的方法 在本文中，帮助组织理解如何评估数据和影响价值的一些驱动因素 数据资产化之路数据资产化之路-数数据资产的估值与行业实践据资产的估值与行业实践 数据资产不完全符合会计准则中对于“资产”及“无形资产”的定义，因此，数据资产目前尚未体现在企业的财务报表上。如何从广义上认可数据的价值及其对企业价值的贡献成为一项

166、重要的研究议题 本报告试图为以上问题提供一个初步的思考框架，希望以此作为起点，逐步探索和推进特定领域或具体案例中数据资产价值的分析，从而在构建数据资产评价体系道路上向前迈进 数据资产管理白皮书数据资产管理白皮书4.04.0 数据治理是高层次的、规划性的数据管理制度活动，其关键管理活动包括制定数据战略、完善数据政策、建立数据架构等，需要总结各行业数据资产管理的痛点难点、实施路径、资产管理现状与发展趋势等，作为企业提升数据管理能力的重要参考 总结了数据资产管理的关键活动职能和保障措施，指导企业如何盘活数据，通过评估数据价值、控制数据成本、创新数据应用和服务等，真正实现数据资产化管理。总结了各行业数

167、据资产管理的痛点难点、实施路径、资产管理现状与发展趋势等，提供了优秀的数据资产管理案例，作为企业提升数据管理能力的重要参考 商业银行数据资产估值白皮书 75 数据要素的数据要素的证券属性设计研证券属性设计研究究 自从 2014 年贵阳大数据交易所挂牌以来，国内的 20 多家数据交易机构发展并不理想。有些交易机构为寻求业务增长点，不再主要从事数据交易相关业务，部分已经转型成承接大数据应用项目 从证券视角出发，探索利用资产证券化等金融手段来推进数据要素市场建设，基于可开发性、可评估性、可监测性、可保密性等要求，讨论数据金融产品设计方案，并提出“类知识产权”数据证券化产品设计构思 数据资产估值及数据

168、数据资产估值及数据变现商业模式研究变现商业模式研究 定量估值方法的缺失，制约着企业更加准确地评估信息化建设成效、科学进行信息化投资决策，更无法将企业数据资产价值纳入企业价值评估、提高企业估值的准确性。该研究参考无形资产的估值方法、结合对组织内的数据应用实例和全球数据市场的分析，分别评估了收益法、市场法和成本法应用于数据资产估值的适用性和局限性，得到了推荐使用收益法、有条件地使用市场法、不推荐使用成本法的总体结论 商业银行商业银行反洗钱成本收益分反洗钱成本收益分析析 目前,打击洗钱犯罪已成为国际社会的共识。金融系统是犯罪分子进行洗钱的主要渠道 本文将通过对商业银行反洗钱收益成本分析,提出改进反洗

169、钱工作的一些建议 商业银行操作风险拟商业银行操作风险拟合分布与度量研究合分布与度量研究 金融行业的高速发展和银行经营环境发生的重大改变催生了大量具有广泛影响的操作风险。如何有效度量银行业的操作风险已成为当前风险管理领域研究的热点和最具挑战性的难点所在 本文的研究借助 POT 模型的性质对内部欺诈的损失强度和损失频率进行直接估计,解决了用小样本进行损失分布拟合的难题 商业银行流商业银行流动性风险计量及管理动性风险计量及管理研究研究 银行资本过少,负债具有很大的流动性,资产的低流动性最终带来了全球性的金融灾难 本文围绕我国银行流动性风险的计量与管理框架两大主线来展开。利用翔实全面的最新数据，对我国

170、商业银行的流动性风险进行了较为深入的定量分析；在大量数据资料的基础上论证指出，在我国银行业阶段性和结构性的流动性过剩下隐藏了潜在风险 附录 76 信通信通院院-大数据白皮书大数据白皮书（20202020）由中国信息通信研究院、中国通信标准化协会大数据技术标准推进委员会在北京召开“2020 数据资产管理大会”白皮书全面展现国际国内大数据发展最新情况；对大数据技术体系与发展趋势进行了全景式解析；重点关注了发展数据治理的关键问题；本书对我国大数据领域的法律建设方向进行探讨 信通信通院院-互联网法律白皮书互联网法律白皮书 由中国信息通信研究院主办的“互联网法律研讨会（2019）”于 2019年 12

171、月 19 日在北京举行。白皮书分为三个部分，分别对过去一年中国外的网络安全、数据安全、内容管理、网络社会规范等法治问题，以及国内的重要立法出台和公布、平台责任规制、网络社会秩序治理等问题进行了详细介绍，同时对我国未来互联网法治趋势展望提出了相关思路 信通信通院院-数据资产管数据资产管理实践白皮书理实践白皮书 对已发布的数据资产管理实践白皮书 3.0进行了升级 本白皮书分为四大部分：第一部分介绍了数据资产管理的概述及变革中的数据资产管理呈现出来的特征趋势；第二部分从实践角度出发阐述了数据资产管理的主要内容；第三部分重点介绍了数据资产管理的实施步骤、实践模式、技术工具和成功要素；最后结合实践经验，

172、介绍了电信、金融、政务、医疗和工业等相关领域的数据资产管理案例 商业银行数据资产估值白皮书 77 附录附录 E 当前主要交易所或交易平台介绍当前主要交易所或交易平台介绍 成立时成立时间间 交易机构交易机构名称名称 交易机交易机构类型构类型 简介简介 1997 天眼查 平台类 天眼查收录了 1.8 亿+家社会实体信息（含企业、事业单位、基金会、学校、律所等），90 多种维度信息全量实时更新 2007 京东万象 平台类 以数据开放、数据共享、数据分析为核心的综合性数据开放平台，拥有的数据类型主要包括金融、征信、电商、质检、海关、运营商数据 2009 腾讯云 平台类 腾讯云数据库为您提供金融，游戏，

173、电商，移动社交等行业领域全套的数据库解决方案。按需配置弹性可伸缩，双节热备保证服务高可用，多份数据备份使业务高可靠 2010 聚合数据 平台类 互联网专业数据科技服务商。主要提供两种核心服务：以 API 数据接口的形式，提供数据服务；以大数据技术，提供数据应用服务 2012 HaoService 平台类 数据互联服务平台。提供 30 大类以上基础数据 API 服务、热门源码交易服务 2013 大数据挖掘模型交易平台 平台类 模型算法交易平台，配套完整建模数据，模型实现过程说明及源代码 2013 同盾 平台类 同盾科技是中国智能分析和决策领域领军企业，以人工智能、云计算、大数据三大核心技术体系为

174、基础，基于对数据的探索洞察和深刻理解，将深度学习、联邦学习等领先技术与业务场景深度融合，为金融、保险、互联网、政务、零售、物流等行业提供智能分析与决策服务，赋能并激发客户，帮助客户做出更佳决策。截至目前，累计已有超过一万家客户选择了同盾的产品及服务。2014 贵阳大数据交易所 政府类 我国乃至全球第一家大数据交易所，贵阳大数据交易所发展会员数量突破 2000 家，已接入 225 家优质数据源，经过脱敏脱密，可交易的数据总量超 150PB，可交易数据产品 4000 余个，涵盖三十多个领域，成为综合类、全品类数据交易平台 2014 中关村数海大数据交易平台 政府类 大数据交易平台主要通过 API（

175、应用程序接口）的形式，为数据提供商提供一个第三方的数据调用平台，数据所有方可以开放自己的系统数据，并进行定价，数据购买方可通过平台购买数据调用权限 附录 78 2014 阿凡达数据 平台类 API 数据接口云服务，专注于数据的采集与分析处理工作，拥有 106 个数据种类 2014 iDataAPI 平台类 数据服务提供商，已推出 1300 多种数据产品和 50 多种数据分析产品，涵盖 30000 个网站平台和全球移动 APP平台 2014 企查查 平台类 提供企业工商信息、法院判决信息、关联企业信息、法律诉讼、失信信息、被执行人信息、知识产权信息、上海品茶、企业年报等企业数据交易服务，覆盖全国

176、 1.8 亿家企业信息 2014 百融 平台类 百融云创致力于人工智能、云计算、大数据应用等前沿技术的研究，是国内金融领域最大的大数据智能风控及人工智能应用平台。2014 极速数据 平台类 极速数据平台提供各类生活数据 API，方便开发者快速简单地开发 APP、软件及其他服务平台。公交、火车、违章、快递等数据应有尽有 2014 通联数据商城 平台类 通联数据商城是金融大数据服务平台，数据覆盖 A 股、港股、期货、期权、基金、债券、指数等，还提供海外、行业、企业、电商、搜索、社交媒体等各领域大数据，是机构或者个人进行量化研究及基本面研究的数据宝库 2015 西咸新区大数据交易所 政府类 通过构建

177、有效的市场机制，聚合政府、企业、社会等多类数据资源，整合大数据服务能力，全面运营大秦大数据银行线上服务平台和陕西省社会数据服务大厅线下服务平台 2015 华东江苏大数据交易平台 政府类 华东地区首个领先的跨区域、标准化、权威性省级国有大数据资产交易与流通平台，2015 年 11 月成立于国家级大数据产业基地江苏盐城大数据产业园，承担助推江苏省国有数据增值开放流通、大数据产业发展之重任 2015 哈尔滨数据交易中心 政府类 由黑龙江省政府办公厅组织发起并协调省金融办、省发改委、省工信委等部门批准设立。结合政府数据资源、企业数据资源，打造成为立足东三省，辐射全国的大数据交易市场，构建围绕数据的生态

178、系统支撑平台 2015 重庆大数据交易平台 政府类 重庆大数据交易平台结合当地需求细分数据库，释放大数据产业的价值，为新兴行业注入生产资源。商业银行数据资产估值白皮书 79 2015 河北大数据交易中心 政府类 该交易中心经省政府批准成立，是全国第一家数据资产证券化服务机构、华北地区第一家数据资产交易平台，主要从事数据资产登记、数据资产托管管理、数据商品交易、数据资产交易、数据资产金融产品设计服务、金融杠杆数据设计及服务、数据资产证券化、数据资产权益类交易等业务。它的成立将打通行业间数据共享的壁垒，盘活京津冀地区数据资源的有效利用，促成数据的供需对接，推动产业升级。该中心将建成全国最大的数据交

179、易平台，直接影响到 2020 年我国大数据产业 2 万亿市场的布局 2015 钱塘大数据交易中心 政府类 杭州钱塘大数据交易中心有限公司（简称“钱塘数据”）成立于 2015 年底，是国内一家工业大数据应用和交易平台。钱塘数据秉承“激活工业数据资产，完善工业发展生态”理念，以“产业+金融+大数据”协同发展为主攻方向，基于中文大数据专利技术快速集聚数据资源，联合一批业内领先的工业大数据专业机构 2015 华中大数据交易平台 政府类 华中大数据交易所是中国乃至全球首个全网系大数据交易平台，是国内首个独立同时支持个人和机构用户的综合实时在线交易系统，旨在促进数据流通、公正、有公信力、创新型的第三方数据

180、交易平台，向社会提供完整的数据交易、结算、交付、安全保障、数据资产管理和融资等综合配套服务。遵循“开放、规范、安全、可控”的原则，秉承规范数据交易行为、维护数据交易市场秩序、保护数据交易各方合法权益的服务宗旨，逐步建设成为大数据要素交易服务为一体的综合性、专业化大数据交易服务平台，构建一个立足湖北，辐射全国，影响世界的网络化大数据交易市场 2015 武汉东湖大数据交易中心 政府类 涵盖数据交易与流通、数据分析、数据应用和数据产品开发等，聚焦“大数据+”产业链，提供有价值的产品和解决方案，帮助用户提升核心竞争力 2015 发源地 平台类 大数据应用平台和大数据解决方案提供商。提供数据交易服务，目

181、前总共拥有 20246 个数据源 2015 环境云 平台类 环境大数据开放平台。拥有 3702 家注册用户、收录1,041，098，354 条环境数据，以积分兑换和免费下载两种方式提供数据服务 2015 大海洋 平台类 大海洋以数据定制、数据仓库、数据处理，数据 API 等多维度的大数据应用服务为业务核心 2015 优易数据 平台类 国信优易数据有限公司是由国家信息中心于 2015 年发起成立的科技平台型企业，拥有大数据、人工智能、区块链和物联网等新一代信息技术，致力于以数据资源和技术创新为驱动力，打造大数据产业生态，通过构建以数字操作系统(DataOS)为核心的数字城市、数字政府、数附录 8

182、0 字企业和优易数据网四大产品线，为客户提供全面的数字化和智能化服务。2015 阿拉丁大数据 平台类 阿拉丁大数据是一家产业经济大数据解决方案提供商，依托大数据清洗、处理技术，大数据建模、分析能力以及丰富的可视化图表模板，为用户提供一体化的数据分析解决方案。2016 上海数据交易中心 政府类 经上海市人民政府批准，上海市经济和信息化委、上海市商务委联合批复成立的国有控股混合所有制企业，上海数据交易中心承担着促进商业数据流通、跨区域的机构合作和数据互联、政府数据与商业数据融合应用等工作职能 2016 长江大数据交易中心 政府类 武汉长江大数据交易所是由武汉市政府发起并批准设立，由湖北省科技投资集

183、团有限公司、武汉光谷联合产权交易所和北京亚信数据有限公司共同出资成立的大数据交易所，旨在打造第三方中立的、具有公信力的大数据交易平台。交易所 2015 年 7 月正式挂牌，是武汉市互联网+创新的重要成果，是中国首批大数据交易所之一 2016 浙江大数据交易中心 政府类 浙江大数据交易中心是由浙江日报报业集团发起，浙江日报控股上市公司浙数文化投资设立，是全国第一家具有媒体属性的大数据交易中心，获得了省委省政府的大力支持和帮助 2016 数据宝 平台类 中国领先的国有数据资产增值运营服务商，提供公安、运营商、银联、交通、车辆、企业、税务、气象大数据 2016 数粮 平台类 大数据领域的流通平台，供

184、数据资源和大数据技术应用产品进行交易，支持 API 接口、数据包下载、定制等交易模式 2017 天元数据 平台类 中国领先的云计算、大数据服务商。数据商品涵盖了线上零售、生活服务、企业数据、农业、资源能化等 10 大类。提供 17 个 API 接口、165 个数据集、56 个数据报告、278 个政府开放数据 2017 中原大数据交易 平台类 数据资源提供商、数据资产运营商和数据交易服务商，提供大数据全产业链平台与技术服务。包括 223 个 API接口、177 个数据集、89 个数据报告、2 个数据应用 2018 淮南大数据交易平台 政府类 安徽大数据交易中心是淮南大数据产业集聚发展基地的核心项

185、目，是淮南贯彻落实国家大数据战略、发展数字经济的重要举措，对淮南发展大数据产业至关重要，省委省政府、市委市政府高度重视，构建大数据交易平台是 2018 年省政府重点工作 商业银行数据资产估值白皮书 81 2018 中原大数据交易平台 政府类 在省发展改革委、浪潮集团有限公司、中原云大数据有限公司、河南投资集团有限公司、中原资产管理有限公司、中原证券股份有限公司的共同见证下，中原大数据交易平台正式启动上线 2019 山东数据交易公司 政府类 山东数据交易有限公司是经省政府批准，由省大数据局和省国资委推动设立的山东省唯一省级数据交易机构，加挂“山东数据创新应用中心”牌子，定位于省级综合性数据服务平

186、台，提供数据交易平台服务、数据产品开发服务、数据应用服务、公共数据资源开放渠道服务和其他类型服务等 2020 粤港澳大湾区数据平台 政府类 深圳建设中国特色社会主义先行示范区综合改革试点实施方案(2020-2025 年)提及加快培育数据要素市场。要求率先完善数据产权制度，探索数据产权保护和利用新机制，建立数据隐私保护制度。试点推进政府数据开放共享。支持建设粤港澳大湾区数据平台，研究论证设立数据交易市场或依托现有交易场所开展数据交易。开展数据生产要素统计核算试点 2020 湖南大数据交易中心 政府类 该中心已规划为全省唯一的数据要素与数字资产交易场所，也将是国家地理空间信息中心的南部分中心，汇聚

187、湖南、福建、广东、海南等南方九省的数据资源，抢占数字经济战略高地 2020 北部湾大数据交易中心 政府类 北部湾大数据交易中心自 2020 年 8 月 11 日揭牌成立以来，积极推进建设运营工作，截至 2020 年底，交易规模已突破 1500 万元，登记注册企业已超过 120 家，数据服务调用次数已超过 1.2 亿次。北部湾大数据交易中心从数据供应模式、数据交易机制及数据运营制度三个方面构建长效的运营机制。在数据供应模式方面，已建立了交易方自有数据、授权运营数据以及数据运营商等 3 类数据供应模式；在数据交易机制方面，已建立面向场景的数据交易和 API 商店级数据交易 2 种交易机制；在数据运

188、营制度方面，发布了北部湾大数据交易平台业务准则等四项基本运营规范制度 附录 82 2020 百度智能云云市场 平台类 由百度智能云建立的云计算软件或商品的交易与交付平台，下设多个商品品类，包括镜像环境、建站推广、企业应用、人工智能、数据智能、区块链、泛机器人、软件工具、安全服务、上云服务、API 服务等，商品数量数千种 2020 阿里云 平台类 阿里云 API 市场，为需求方提供全面，可靠的一站式数据及 API 采购服务，为服务商提供安全，便捷的数据及API 变现通道。阿里云 API 市场打通企业的“数据孤岛”，为企业之间建立高效的数据连接，助力您的企业完成“互联网+”产业升级，让您轻松在 A

189、PI 经济中迈出第一步 2021 北方大数据交易中心 政府类 随着北方大数据交易中心建设的推进，数据、技术、服务等多个层面将深度融合。上海爱数信息技术股份有限公司作为国内知名的大数据基础设施提供商，参与北方大数据交易中心运营。该中心建成后可提供数据资产化和增值应用服务，激活海量数据的经济价值，推动传统产业数字化转型升级 2021 北京国际大数据交易所 政府类 为推动数据要素市场化配置和数字经济高质量发展，助力推进首都“两区”建设，北京市经济和信息化局会同北京市金融局、商务局、网信办等部门，组织北京金控集团牵头发起成立北京国际大数据交易有限公司（下称北京国际大数据交易所或北数所）并在京举办发布会

190、。发布会上，北京国际大数据交易所成立，北京数据交易系统上线。这是国内首家基于“数据可用不可见，用途可控可计量”新型交易范式的数据交易所，定位于打造国内领先的数据交易基础设施和国际重要的数据跨境流通枢纽/中国工信数据 政府类 中华人民共和国工业和信息化部（简称：工业和信息化部，工信部），是根据 2008 年 3 月 11 日公布的国务院机构改革方案，组建的国务院组成部门。该部门网站提供中国工信数据查询 商业银行数据资产估值白皮书 83 附录附录 F 当前大数据交易模式及优劣势分析当前大数据交易模式及优劣势分析 交易模式 模式简介 优势 主要问题 分析结果交易模式 根据需求，对数据进行清洗、加工、

191、整合、分析、建模等操作后形成处理结果再出售，不交易基础数据。1.具备权威性和公信力，更能吸引调动各方资源，汇聚高价值数据，包括政府部门数据和行业龙头企业数据等 2.对交易双方较为严格的会员资格要求，一定程度上保证了数据质量和数据的使用安全。3.规避了困扰数据交易的数据隐私保护和数据所有权问题，有利于活跃数据交易市场。交易所进行数据分析交易处理结果，一定程度上限制了数据潜在价值挖掘，而且大数据应用未来将渗透到众多行业，交易所在细分领域甚至跨行业的分析挖掘技术和专业知识上可能会捉襟见肘。附录 84 数据产品交易模式 一种是数据定制模式，即利用网络爬虫、众包等合法途径采集并经整理、校对、打包等处理后

192、出售数据；另外一种是与其他数据拥有者合作，对数据进行清洗、加工、整合、脱敏后，形成数据产品出售。1.交易平台完全采取市场化运营，对于数据的提供方和需求方来说，门槛低，更能调动交易双方的积极性，有利于各类数据的汇聚和开发利用。2.数据定制模式以需求为导向，使数据采集、交易更具针对性，减少了不必要的时间和人力资源浪费，提高了数据使用效益。1.供需错配，供应方提供的数据资源，往往不是需求方所需要的，需求方需要的数据资源往往在交易平台上找不到。2.定价困难。一是数据资源能够产生的价值很难预估。数据资源本身的价值无法直接判断，只能根据通过它能够发现的信息/知识的价值来衡量。需求方在购买之前，由于不知道能

193、够产生多少有价值的信息/知识，很难给出一个较高的价格。二是同一份数据，对于不同的买家能够产生不同的价值。3.数据泄露。由于数据具有易复制的特点，当数据供应方将数据出售给几个不同的购买方之后，个别数据购买方为了牟取利益，可能会将数据再次出售或共享给其他机构使用，在数据的传递交易和共享中，很容易就造成了数据的泄露，这对数据供应方来说，是很难控制和追踪的。商业银行数据资产估值白皮书 85 交易中介模式 平台本身不存储和分析数据（仅对数据进行必要的实时脱敏、清洗、审核和安全测试），而是作为交易渠道，通过API 接口形式为各类用户提供出售、购买数据（仅限数据使用权）服务，实现交易流程管理，平台按包月或调

194、用次数进行收费。可以调动企业提供、购买数据的积极性，促进供需方进行公平交易，并有依托产业联盟促进数据交易生态形成的优势。1.数据资源分散在不同的组织机构，不能进行正常的交易和共享，各个组织机构都得不到需要的数据资源，形成数据孤岛。数据孤岛使得各个组织机构没法获得全面的、立体的数据，难以通过数据挖掘分析获得更多的信息/知识，大大降低了数据挖掘的价值。2.成本高，收益低。成本高的原因是某个组织机构要想挖掘应用大数据，需要经过数据采集、数据清洗、数据挖掘系统开发、信息/知识应用一系列步骤，每个步骤均需花费大量的人力物力。大数据应用收益低的原因是大数据具有价值密度低的特点，单个机构具有的数据量小又单一

195、，能够挖掘到的信息/知识少，准确率低，能够产生的价值也低。附录 86 附录附录 G 优化后数据资产估值计算方法优化后数据资产估值计算方法 一、数据资产估值优化成本法 1成本法总体思路 对传统无形资产使用成本法评估时，一般采用重置核算法或倍加系数法评估无形资产的价值，其本质均为：价值=成本+合理利润-折旧，即在该资产成本计算的基础上结合市场均值或企业历史数据确定此类无形资产的合理利润，并计提适当的折旧，以反映资产的真实价值。数据资产的成本构成与传统资产有较大差异，且由于受到数据完整情况、规模情况、使用情况等多种因素的影响，数据资产难以直接根据市场均值体现合理利润。因此，本文优化传统成本法以消除其

196、在数据资产估值中的不适应性，并对各参数的详细参考指标进行了探索。优化后的成本法公式如下：=（1+）其中，P 为评估结果，HC 为数据资产历史成本，S 为重置系数，R 为数据资产的合理利润率，U 为利润调节系数。2数据资产历史成本（HC）计算框架 借鉴传统无形资产成本计算的方法，数据资产历史成本（HC）应包括使该数据资产达到预定用途的过程中所发生的所有成本。按照数据资产的建设阶段，数据资产的产生总体可分为获取、存储、加工和管理四大阶段，各阶段的成本构成存在一定差异。具体而言，数据资产建设总成本构成如表 G.1 所示。表 G.1 数据资产历史成本（HC）构成 所处阶段所处阶段 估值参数估值参数 成

197、本解释成本解释 数据获取阶数据获取阶段段 采购价款及税费 数据购买即企业从外部采购数据资产供企业使用，主要包括数据购买的价款、相关税费、注册费、手续费等。采购人员成本 采购人员成本主要包括数据购买、谈判过程中所投入的人力。采集人员成本 采集人员成本即企业生产经营流程中与客户接触开展业务时进行数据录入的业务人员成本。采集终端设备成本 数据采集工作需要采集设备，比如电脑、平板、ATM 等设备。采集终端设备成本主要包括采集终端设备的折旧费用。商业银行数据资产估值白皮书 87 所处阶段所处阶段 估值参数估值参数 成本解释成本解释 采集系统成本 数据采集系统成本主要包括构建数据采集系统的过程中发生系统开

198、发、测试成本。数据存储阶数据存储阶段段 数据存储成本 数据存储成本指数据资产在企业中各个系统存储消耗的成本。该阶段成本包括数据存储设备的折旧，比如投入数据储存过程中的软硬件设备的折旧额，也包括数据存储所用的场地租金或建设费用。数据加工阶数据加工阶段段 数据加工系统成本 数据加工系统成本指搭建将数据资产从原始状态变为预期可使用状态的系统，其成本主要是系统构建时发生的开发、测试成本。数据加工人员成本 数据加工人员成本是指数据分析与服务部门、各业务部门、各分支机构等未在系统中固化的数据探索、分析活动投入的人员成本。数据管理阶数据管理阶段段 数据管理 系统成本 数据管理系统成本指企业管理运营数据资产所

199、用系统的建设成本。数据管理 人员成本 在数据管理阶段，在企业中运用数据管理系统管理运营数据资产的人员的成本。3重置系数确认方法 数据资产的历史成本仅代表在过去获取数据资产需要的成本，需要将之乘以重置系数使得其数值代表在统计期重置数据资产需要的成本。根据需要重置成本的类别，将重置系数分为物价重置系数，适用于采集终端设备购买成本、IT 系统软硬件成本等与人员无关的历史成本；以及人力重置系数，主要适用于与人力成本相关的历史成本。4数据资产合理利润率（R）预估方式 数据资产的合理利润率代表了数据资产使用带来的合理风险收益，使评估结果真正能够代表价值，而非仅代表历史成本。合理利润率的估计在传统的无形资产

200、评估过程中也是一大难点，其通常需要使用市场类似无形资产的平均利润率来替代，或运用行业经验等主观判断方法。数据资产相关理论和市场的发展处在更为初级的阶段，其合理利润率的确定需要更多专业判断和主观评价，获得准确的“合理”利润率难度较大。这也是对成本法增加利润调节系数（U）进行修正的原因。不同的利润率依据评估主体所处的行业背景、评估对象的种类，以及评估目的和评估基准日的不同而发生变化。附录 88 5利润调节系数（U）计算模型 数据资产的利润调节系数（U）是影响数据价值实现因素的集合，是对数据资产合理利润率R 的修正。本文建议引入层次分析法（AHP，Analytic Hierarchy Process

201、）和专家打分法来构建该利润调节系数的计算模型。以 AHP 法和专家打分法计算利润调节系数总体可分为如下几个步骤：第一步：明确影响数据资产价值实现的因素，构建多层次的利润调节系数计算指标体系；第二步：构建指标比较判断矩阵，计算权向量后进行一致性检验，得出各指标权重；第三步：明确各指标打分方法与标准，结合专家判断逐项完成打分；第四步：汇总计算得出利润调节系数结果。为数据资产优化的成本法评估的落地实施提供指导，本文将对上述步骤中关键点加以明确。1 1）多层次的利润调节系数计算指标体系构建多层次的利润调节系数计算指标体系构建 数据资产的价值实现与企业内外部影响因素均有联系。对企业内部而言，数据本身的特

202、性将决定该数据“是否可用”，具体因素如数据的质量、数据风险等；在数据可用基础上，还需考虑该数据“是否好用”，具体可从数据的多维性、可用性等因素考虑。对企业外部而言，数据资产价值与其他资产一样，受到市场中其他竞争企业的影响，因此还需考虑该数据资产的“市场维度”，如本企业的数据资产与其他企业相比稀缺程度如何等。构建的利润调节系数指标体系，如表 G.2所示。表 G.2 利润调节系数计算指标体系 考虑维度考虑维度 评价指标评价指标 评价说明评价说明 质量维度质量维度 数据质量评分 描述数据满足业务运作、管理与决策的程度，从数据的准确性、完整性、一致性、唯一性对数据质量水平做评价。应用维度应用维度 数据

203、多维性 描述数据资产的维度多寡程度。数据维度与数据资产的价值呈正相关，更为复杂的多维度数据蕴含着更大的价值。数据规模性 数据资产的数据记录量大小程度。数据规模与数据资产的价值呈正相关，数据记录数越多，数据资产的价值越大。数据可用性 数据资产受时间、技术发展等内/外部因素影响而导致其本身可有效使用的性质发生变化的程度和范围。风险维度风险维度 风险分级打分 由于数据泄露、数据损坏、数据描述不当、数据隐私保护、开发水平不足等原因导致数据资产无法达到预期可使用状态的风险等级衡量。市场维度市场维度 数据稀缺性 描述数据资产的供给数量及供给方数量的多寡。在数据资产商业银行数据资产估值白皮书 89 市场上，

204、当数据供给方局限在很少的数量，或者市场上该类型的数据量稀少，那么相应的数据价值就会较高。2 2）基于基于 AHPAHP 法及专家打分法的判断矩阵构建及权重确定法及专家打分法的判断矩阵构建及权重确定 在前文多层次的评价指标结构基础上，需构建对比矩阵，将该层级结构模型中的内容逐层相比上一层因素验证重要性，最终得到各个指标的权重。具体而言，可按照表 G.3 所示判断矩阵来确定：表 G.3 判断矩阵 质量维度质量维度 应用维度应用维度 风险维度风险维度 市场维度市场维度 质量维度质量维度 应用维度应用维度 风险维度风险维度 市场维度市场维度 上表中分值选择可以参照表 G.4：表 G.4 综合调节系数指

205、标判断矩阵 标度标度 含义含义 说明说明 1 1 同样重要 两因素比较，具有相同的重要信息 3 3 稍微重要 两因素比较，一个因素比另一个稍微重要 5 5 明显重要 两因素比较，一个因素比另一个明显重要 7 7 非常重要 两因素比较，一个因素比另一个重要得多 9 9 极端重要 两因素比较，一个因素比另一个极端重要 2 2，4 4，6 6，8 8 上述相邻判断的中间值 倒数倒数 若因素 A 与 B 相比，比较值=a，则 B 与 A 相比，比较值=1/a 3 3）指标体系评分标准制定指标体系评分标准制定 明确每个指标的权重后，需对模型中各指标赋予具体分数，以最终汇总计算得出综合调节系数的值。具体而

206、言，可按照定量指标和定性指标分别制定评分标准。定量指标评分标准可通过直接构建公式计算，各定量指标计算公式构建如表 G.5 所示。表 G.5 综合调节系数定量指标计算公式表 定量指标定量指标 计算公式构建计算公式构建 计算公式说明计算公式说明 数据质数据质量管理评分量管理评分 是评估对象的数据质量评分，A是数据总量，Wcor是正确性的权重，Cor是正确的数据个数，Wemp是完整性的权重，emp是空数据量，Wacc是一致性的权重，附录 90 定性指标由于不能用数字表示，因此需为各个指标设置相应的标准，将定性评估结果转化为定量值，结合专家打分确定其最终评分。各定性指标评分标准如表 G.6：表 G.6

207、 综合调节系数定性指标评分表 定性指标定性指标 0.10.1 分分 0.40.4 分分 0.70.7 分分 1.01.0 分分 数据稀缺性数据稀缺性 完全不稀缺 不太稀缺 比较稀缺 非常稀缺 数据风险性数据风险性 高 中 低 无风险 数据可用性数据可用性 基本不可用 部分可用 大部分可用 基本都可用 相应指标的最终指标值为待评估数据和行业内平均评分数据的对应分值之比。综上，利用 AHP 法确定的三个维度以及各个维度下详细指标的权重和具体取值，通过加权平均得到利润调节系数（U）的取值。二、数据资产估值收益法 运用收益法评估数据资产价值的核心原理是，将数据资产在未来各年中预计为企业带来的经济收益折

208、现至当前时点的价值总和，视为该数据资产的价值。收益法的基本公式为：P=Ft(,)(1+i)tnt=1（收益法基本公式）其中为评估值，为未来第t个收益期，为剩余经济寿命期，为数据资产支持的业务在未来第个收益期带来的收益增加或损失减少，(,)为综合调节系数，Q 为质量调节系数，D 为投产期限调节系数，i为折现率。收益法最核心的参数是预期收益额增加（或损失减少，后文不特殊指出此种情况），根据预期收益额的计算逻辑，收益法具体又可以分为三种情况：一是超额收益法，即从业务总收益中减去其他生产要素（固定资产、流动资产、无形资产等）带来的收益，进而将业务产生的收益以一定分配率划分给数据资产。但是考虑到无形资产

209、的收益最终指标值为待评估数据和标准数据的 Qua 值之比 Acc是一致的数据量，Wsam是唯一性的权重，Sam是重复的数据量。数据规数据规模性模性 最终指标值为 Size 值 Size是评估对象的数据规模性，n是评估对象的观察值个数，N是系统中数据的平均观察值数量次数的估计值。数据多数据多维性维性 Dim=最终指标值为待评估数据和标准数据的Dim值之比 Dim为评估对象的多维性，a为评估对象拥有的数据维度，A为评估对象所期望的数据维度，k为第k个数据维度，取1。商业银行数据资产估值白皮书 91 率通常难以估计，因此在预测未来收益的过程中，超额收益法对数据资产之外的所有其他资产分别估计收益率的方

210、式相对而言可行性较差。二是收益提成法，即认为数据资产在业务中贡献了一定比例的价值，进而将业务产生的收益以一定分配率划分给数据资产。数据资产对业务贡献的比例（分成率）是使用收益提成逻辑计算数据资产预期收益的关键点。对于传统资产而言，其对收入贡献的比率在过往的大量实践中已有相对标准，且行业较为认可的经验值，例如技术专利在石油化工行业的销售收入分成比率通常为0.5%2.0%。但对于数据资产而言，其对于收入的贡献在过往实践中未被量化讨论过，难以确定分成率。三是增量收益法，即以数据资产应用后和应用前两种情况下业务收益的差异，来衡量数据资产为业务带来的收益。增量收益法基于大数据技术和预测算法模型的应用对数

211、据资产的收益预测有较好的准确性和适用性，其主要公式如下：P=Ft(,)(1+i)tnt=1=f(F1,t-F0,t)(,)(1+i)tnt=1 其中，1,是数据资产应用后业务收益，0,是数据资产应用前业务收益。若企业对于应用数据资产前后的业务变化有历史记录，则可以假设使用该数据后收益提升水平的增长率与业务增长率相同，以此为依据估计企业未来若干年度的收益；若企业对数据资产使用前的业务收益没有明确记录，但行业中普遍有类似业务，且部分同业企业并未使用此数据资产，则可以将本企业与同业相同业务的收益率相减，从而估计出待评估数据资产带来的业务收益率的提升，之后将未来业务收益的估计值与提升的收益率相乘，得到

212、未来归属于数据资产的收益额。1预期收益（F）确认方法 确定预期收益的根本依据是企业应用数据资产前后的业务收益变化，该变化基于数据资产的应用场景和价值实现方式可从产品销售收入增加、资产管理收入增加、人工成本减少和风险损失减少四个方面出发，获取其收入增量和支出减量，并进一步扣除数据资产建设成本得到，即：业务收益 =收入增量+|支出减量|-建设成本=产品销售收入增量+资产管理收入增量 +|人工成本支出减量|+|风险损失支出减量|-建设成本 上述增量或减量是对未来一段时期收益的预测值，根据数据资产应用前后的历史数据情况预测在未来一个收益期的预测值之间的差异得到。如未特别说明，下述“资产应用前预计”、附

213、录 92 “资产应用后实际”相关参数均指根据数据资产应用前后不同历史数据情况预测在未来收益期的预期值。其中收入增量为数据资产应用后的实际业务收入减去应用前预计业务收入的增量，包括产品销售收入增量和资产管理收入增量两个维度;支出减量为数据资产应用后实际业务支出减去应用前预计业务支出的减量，其值为负代表数据资产带来了业务成本或损失的减少，包括人工成本支出减量和风险损失支出减量两个维度;建设成本为数据资产作为应用类数据资产所耗费的开发、维护等费用。2收益年限（t）确认方法 数据资产的收益年限取决于数据能够产生价值的周期长短，其受到数据资产功能寿命、相关法律法规约束、应用场景实际情况等因素的影响。具体

214、而言，可借鉴无形资产收益年限确定的三种方法，即：法定年限法：即针对外部交易的数据资产，如果合同对其应用的年限进行了明确，则该数据资产的收益年限可以随之确定；更新周期法：根据历史上同类数据资产被替代的时间确定其寿命；剩余经济寿命预测法：即综合考虑待评估数据资产的可替代性、更新趋势等，参考专家意见做出预测，如某类客户信息可用时间通常为 3 年，则收益年限可确定为 3 年。优化的收益法确认数据资产受益年限的方式参考了以上三种方法，同时结合估值对象在技术迭代和业务迭代两个维度的实际情况进行综合评定。技术迭代维度考虑了数据资产自身开发技术进步或废弃以及部署所需软硬件更新所带来的资产更替，例如数据产品会跟

215、进大数据技术的不断更新对其内部算法和服务形式进行持续优化甚至替换。技术迭代周期主要依据更新周期法进行确定。业务迭代维度考虑了数据资产应用于不同业务场景时基于业务实际发展情况所带来的资产更替，例如与产品营销密切相关的产品推荐类模型，其可产生收益的期限与产品的生命周期长短紧密关联，随产品的更新和淘汰进行持续迭代。业务迭代周期主要基于剩余经济寿命预测法通过关联领域业务专家判断获得。最终综合考虑上述三种方法两个维度对数据资产的收益年限进行确定。3收益法调节系数确认方法 收益法调节系数是对数据资产价值的修正，其综合考虑了数据资产的自身质量和使用期限两个维度。商业银行数据资产估值白皮书 93 （1）质量调

216、节系数（Q）确认方法（1）质量调节系数（Q）确认方法 质量调节系数（Q）综合考虑了技术角度数据资产明细数据质量优良程度和业务角度数据资产应用效果优良程度两个维度对数据资产价值的影响，并进一步拆分为资产业务广度、资产业务深度和资产优良程度三个指标。根据对指标的专家打分，通过层次分析法综合计算得到质量调节系数结果。评价指标评价指标 评价说明评价说明 资产业务广度资产业务广度 数据资产覆盖的业务范围广度，基于数据资产所调用的数据量、涉及的客户人次和业务范围综合评定。资产业务深度资产业务深度 数据资产的业务应用深度，基于数据资产在所应用业务领域的重要性、专业性、特殊性，以及资产调用次数、使用时长综合评

217、定。资产优良程度资产优良程度 数据资产自身性能优良程度，基于数据资产建设技术评估参数综合评定（如通过混淆矩阵对涉及分类相关算法的数据资产输出结果进行评分）。（2）使用期限调节系数（D）确认方法（2）使用期限调节系数（D）确认方法 由于数据资产的上限时间和预期使用年限有所差异，需要引入使用期限调节系数，以充分考虑数据资产剩余收益年限对其价值的影响，其公式如下：=收益期内数据资产剩余使用期限收益期内数据资产全量使用期限 其中收益期 t 内数据资产剩余使用期限指收益期 t 内数据资产各自剩余使用期限的加和；收益期 t 内数据资产全量使用期限指收益期 t 内，若数据资产均处于使用年限内的全量使用期限。

218、剩余使用期限则基于模型投产时间、估值时间节点、模型预期使用年限和收益年限综合计算获得。附录 94 三、数据资产估值市场法 1市场法总体思路 市场法是根据替代原理，采用比较和类比的思路及方法估测资产价值的评估技术方法。一般情况下，投资者在购置某项资产时，所愿意支付的价格不会高于市场上具有同等效用的替代品的现行价格，因此外部市场类似资产成交价格信息对待评估资产的估值具有重要衡量意义。市场法的类比思想决定了使用该方法进行资产评估的两个前提条件：一是评估对象的可比参照物具有公开的市场以及活跃的交易；二是有关交易的必要信息可以获得。市场法进行估值通常包括三个基本步骤，即首先依据一定的可比性原则并结合市场

219、情况选取待评估资产的类比参照物；其次在评估对象和可比参照之间选择比较因素；最终将对比因素进行量化，并以量化指标对参照物市场价格进行修正。以下为数据资产价值评估的市场法基本公式：=0 其中，PV 为待评估数据资产价值，0为可比案例的交易价格，R 为市场价值修正系数，k为期日修正系数。2可比案例识别准则 实现市场法估值需要依据该对象相关属性选择类似的数据资产作为可比案例，否则将缺失市场法的参照前提。总体建议可以从数据资产应用的业务主题以及数据资产本身特点进行判断。银行业从业务主题角度来看，通常包括风险、营销、运营、客户、产品等主题，针对某一特定数据资产时，可结合具体的业务主题进一步划分。而数据资产

220、本身的特点，则可以考虑其交易的类型，如是原始明细数据集，还是基于各类数据分析处理技术处理后的输出结果等。3市场价值修正系数（U）计算模型 市场法优化模型实现估值计算分为三个步骤：首先利用待评估和可比案例的各项信息来预测该资产投后的基础年收益，其次利用该结果推算资产未来历年收益的现值总和，最终通过对交易日进行期日修正得到该资产在评估日的现值总值。针对某个或某类数据资产的具体估值方式可参照以下公式：商业银行数据资产估值白皮书 95 =（0）（1+）1（1+）1=1=1 为展现算法过程，现将该公式拆分为对四个中间过程量的计算求解，包括：可交易数据资产基础年收益（_）、可交易数据资产预期历年年收益（_

221、）、可交易数据资产现值总值（_）以及外部交易数据资产价值（PV）。分步求解公式如下：_=0 _=_（1+）1=1=1 _=_(1+)1(1+)1=1=1 =_ 优化后的市场法估值模型共涉及 12 个参数（估值指标）的选取，包括：资产基础年产品数（n）、基础年产品平均交易量（q）、基础年同类可比产品价格（P）、价格修正系数（R）、（市场）平均年收益增长率（g）、折现率（rf）、（产品）有效交易年限（Y）、期日修正系数（k）和上述展开的 4 个计算过程量。以下为 8 个基础模型参数的具体说明：（1）基础年产品数（）为j类待估值资产基础年产品数。当对某一个数据资产进行评估时，取 1。（2）基础年平均

222、交易量（）为j类待估值资产基础年平均交易量。为了准确预估产品的基础年收益，该指标最好选取发生在基础年的历史交易数据。当估值对象为尚未发生交易的潜在市场数据资产，可用外部同类可比数据资产平均交易量计算。（3）基础年产品平均交易价格（0）基础年产品平均交易价格是指待评估数据资产同类可比产品的基础年价格。（4）价格修正系数（）Rj为价格修正系数，其综合考虑了数据质量、应用、风险和外部因素等维度对数据价格产生的影响，各维度内涵与成本法中利润调节系数一致。但在实际计算中，其修正的是可比数附录 96 据资产的价格，因此其对比的对象选取的是同类型数据资产，可通过 AHP 层次分析法和专家打分法给出各评价维度

223、和评价指标的权重系数。（5）市场平均年收益增长率（）市场平均年收益增长率是基于市场规模发展趋势预测得到的年化指标，其综合了产品未来交易量和交易价格等因素，可用于评估该数据资产市场未来的发展情况。利用该参数，可实现在基础年收益基础上，对未来各年份预期收益的预估。（6）折现率 折现率是指将未来有限期预期收益折算成现值的比率。在市场法中，折现率可采用无风险利率实现对未来各年份预期收益的现值计算。（7）预期交易年限Y 预期交易年限（Y）参数的设立是基于数据资产多样的交易模式，其取值可根据不同的资产类型和实际市场情况进行评估确定。（8）期日修正系数k 为了避免购买日和评估日的市场价格指数差异，即市场整体

224、价格波动对数据资产交易价格造成的影响，还需要考虑期日修正系数。期日修正系数的公式为：=评估基准日价格指数可比案例交易日价格指数 其中，价格指数可以使用数据交易相关平台提供的数据，例如当天特定几类数据交易的平均价格。但由于目前数据交易所发展较慢，交易较少，因此也可以使用其他公开市场指数作为替代，例如使用对应行业的股票指数，或使用工业品出厂价格指数（PPI）等作为数据资产的价格指数。参考文献 97 参考文献参考文献 1 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Z,2020.2 中共中央关于坚持和完善中国特色社会主义制度 推进国家治理体系和治理能力现代化若干重大问题的决定Z,2

225、019.3 中华人民共和国中央人民政府.人民银行关于银行业金融机构做好个人金融信息保护工作的通知EB/OL.(2011-01-21)2020-12-07.http:/ 中华人民共和国中央人民政府.习近平主持中共中央政治局第二次集体学习并讲话EB/OL.(2017-12-09)2020-12-07.http:/ 中华人民共和国财政部.企业会计准则-基本准则200633 号S,2006.6 中华人民共和国财政部.企业会计准则第 6 号-无形资产20063 号S,2006.7 中华人民共和国财政部.资产评估基本准则201743 号S,2017.8 GB/T 27921-2011，风险管理风险评估技术

226、S,2011.9 GB/T 35273-2020，信息安全技术 个人信息安全规范S,2020.10 GB/T36344-2018，信息技术数据质量评价指标S,2018.11 GB/T37550-2019，电子商务数据资产评价指标体系S,2019.12 国家信息中心信息化研究部.我国大数据交易亟待国家层面加强规范引导J/OL.(2016-11-28)2020-12-07.http:/ 国家信息中心.我国大数据交易的发展现状、面临困难及政策建议J/OL.(2018-05-04)2020-12-07.http:/ 中国互联网金融协会金融科技发展与研究专委会.金融业数据要素融合应用研究 R/OL.(2

227、020-11-17)2020-12-07.http:/ 98 15 中国信息通信研究院.中国数字经济发展与就业白皮书 R/OL.(2019-04-19)2020-12-07.http:/ 中国资产评估协会.资产评估执业准则资产评估方法201935 号S.17 中国资产评估协会.资产评估执业准则资产评估程序201836 号S.18 中国资产评估协会.资产评估执业准则无形资产201737 号S.19 中国资产评估协会.资产评估专家指引第 9 号数据资产评估201940 号S.20 上海数据交易中心.数据互联规则，个人数据保护原则，流通数据处理准则，交易要素 标准体系，流通数据禁止清单EB/OL.(

228、2016-09-07)2020-12-07.https:/ 贵阳市人民政府新闻办公室.贵阳区块链发展和应用白皮书 R/OL.(2016-12-31)2020-12-07.http:/ 贵阳大数据交易所.702公约 EB/OL.(2015-05-26)2020-12-07.http:/ 贵阳大数据交易所.2015大数据交易白皮书EB/OL.(2015-05-26)2020-12-07.http:/ 德勤中国，阿里研究院.数据资产化之路数据资产的估值与行业实践R/OL.(2019-10-22)2020-12-07.https:/ Deloitte.Data valuation:Understand

229、ing the value of your data assets R/OL.2020-12-07.https:/ 陈守忠.无形资产评估方法探讨J.中央财经大学学报,2004(08):77-80.27 姜楠.关于资产评估方法及其选择的研究与探讨学习资产评估准则基本准则的体会J.中国资产评估,2004(06):8-11+6.28 姜楠.无形资产评估M.中国财政经济出版社,2015.参考文献 99 29 李春秋,李然辉.基于业务计划和收益的数据资产估值研究以某独角兽公司数据资产估值为例J.中国资产评估,2020(10):18-23.30 李永红,张淑雯.数据资产价值评估模型构建J.财会月刊,201

230、8(09):30-35.31 刘莉.数据资产要素市场化配置的困境与对策研究J.中国管理信息化,2020,23(14):162-163.32 刘琦,童洋,魏永长,陈方宇.市场法评估大数据资产的应用J.中国资产评估,2016(11):33-37.33 陆峰.数据要素市场的机制设计与培育模式J.网络安全和信息化,2020(11):25-26.34 吴星泽.完善和深化要素认识,健全按要素贡献分配机制J.审计与经济研究,2020,35(01):14-15+6.35 余志兰,彭歆北.建立政府数据资产登记制度 促进政府数据资源交易流通J.通信企业管理,2017(05):66-69.36 朱磊.数据资产管理及

231、展望J.银行家,2016(11):120-121.37 张志刚,杨栋枢,吴红侠.数据资产价值评估模型研究与应用J.现代电子技术,2015,38(20):44-47+51.38 周林彬,马恩斯.大数据确权的法律经济学分析J.东北师大学报(哲学社会科学版),2018(02):30-37.39 庄子银.数据的经济价值及其合理参与分配的建议J.国家治理,2020(16):41-45.40 Alan D.Duncan,Lydia Clougherty Jones.Applied Infonomics:How to Measure the Net Value of Your Information Ass

232、etsJ.Gartner Research,2020.41 Glazer,R.Measuring the Value of Information:The Information-Intensive OrganizationJ.Ibm Systems Journal,1993,32(1):99-110.42 Moody D L,Walsh P.Measuring the Value Of Information-An Asset Valuation ApproachC/Proceedings of the Seventh European Conference on Information Systems,ECIS 1999,Copenhagen,1999.