摘要：对数据资产进行价值判断和流通交易已成为市场主体的迫切需要。在分析传统方法评估数据资产优缺点的基础上，引入拍卖理论刻画数据资产的价值实现过程，基于Vickrey模型构建了适用于数据资产的拍卖模型，并给出了买卖双方的优化目标函数。在案例分析部分，以H公司的数据资产A为例，采用成本法匡算资产价值并将其作为拍卖起始价，继而对拍卖情境进行仿真实验并讨论了拍卖双方的收益情况。研究发现，在假设竞拍报价服从正态分布的情境下，当数据资产拍卖数量变化时，卖方存在对拍品数量设置的最优区间，以保证其收益达到一定水平；但买方则不存在最优的拍品数量设置。希望研究能为数据资产的价值实现提供更直观的呈现。

　　关键词：数据资产；数据交易；资产评估；拍卖理论

　　0引言

　　随着大数据、云计算、人工智能、移动支付等技术的不断发展，数据在人们生产生活中的作用日益凸显。2019年，党的十九届四中全会首次提出要将数据作为生产要素参与收益分配，充分肯定了数据要素赋能传统产业的价值和贡献。2022年12月9日，《中共中央国务院关于构建数据基础制度更好发挥数据要素作用的意见》正式发布，进一步夯实了数据资产化的制度基础，对数据要素价值释放具有里程碑意义。2023年2月27日由中共中央、国务院印发《数字中国建设整体布局规划》,明确了夯实数字基础设施和数据资源体系两大基础，提出数字中国建设的整体框架。政策出台的同时，数据估值、数据入表也成为行业的讨论热词。2023年10月，中国资产评估协会印发《数据资产评估指导意见》,成为执行数据资产评估业务的行业规范。2024年1月1日，《企业数据资源相关会计处理暂行规定》正式施行，明确规定了企业的数据资源如何在会计和财务报告中进行确认、计量、报告和披露。从中央政策到行业规范，一系列文件的发布充分展现了我国发展数字经济、建立数据要素收益分配制度的决心和行动。

　　在实务界，“让数据不再沉睡”已经从理论构想转化为实际行动。2023年11月，由上海数据交易所牵头，数库科技公司仅凭一张产业链图谱，就获得了北京银行上海分行的2000万元数据资产质押授信，创下全国数据资产质押融资最高额度。2024年2月，中国建设银行上海市分行与上海数据交易所合作，成功发放了名为“数易贷”的数据资产信贷服务产品，标志着以数据资产为核心的金融产品和服务的创新。在全球数字化转型的大趋势下，我国大数据产业规模快速增长，2022年中国数据交易行业市场规模为876.8亿元，占全球数据市场交易规模的13.4%,占亚洲数据市场交易规模的66.5%[。未来，这一规模还将进一步增长。

　　然而，数据作为一种新的生产要素，其在价值评估、流动定价和市场交易方面，较为成熟的理论模型和应用案例仍然较少，特别是通过市场手段反映数据资产价值的讨论更为缺乏。事实上，数据要素的价值与使用者和使用情境高度相关，同一份数据在不同人眼中价值可能有天地之差。因此，传统的资产评估方法固然能为数据资产的估值定价提供一定基准，但其价值的真正实现应该更依赖市场手段。故而，本文希望能够将传统评估方法与拍卖理论相结合，探讨合理的数据资产价值评估与价值实现路径，并加以应用，为相关理论的丰富和业务的展开提供借鉴。

　　1数据资产估值定价方法概述

　　1.1数据资产估值定价的传统方法

　　近年来，国内外围绕数据资产的评估方法展开了多样化的研究。胡苏和贾云洁2]从数据资产的特性出发，认为应将数据资产确认为无形资产，运用超额收益折现法评定估值。刘琦等3选择市场法评估数据资产价值，并在对被评估数据资产进行修正时，考虑了对科技因素、效用因素、规模因素的修正。王静和王娟4]结合了层次分析方法和B-S理论模型仿真，探索了影响互联网企业数据资产价值的因素。高锡荣和杨建5基于DEVA模型与实物期权法，对互联网公司进行估值。左文进和刘丽君6分析了大数据产业的发展现状，在借鉴传统资产估价方法的基础上，引入破产分配法则和Shapley值法，构建出一套系统的大数据资产估价方法选择体系，并通过实例分析验证了其合理性和可行性。陈浩然7]通过计算企业的整体收益和数据资产的收益分成率评估出电商导购企业的数据资产价值。上述研究皆是在传统市场法、收益法和成本法的基础上考虑数据资产特性进行的改进。3种传统方法在数据资产价值评估中的应用条件、优势、局限性与应用场景总结见表1。

　　1.2拍卖理论及其应用

　　近年来，学术界对拍卖理论进行了大量研究，并在不同领域进行了拍卖机制的设计。Vickrey是第一个规范地研究拍卖的经济学家，他率先提出了拍卖理论中最重要的定理—收益等价定理8]。该定理指出，在一定假设下，英式拍卖、荷式拍卖、一级价格密封拍卖、二级价格密封拍卖给卖家带来的期望收益是相等的。在此基础上，Riley和Samuelson⁹]、Myerson¹0]几乎同时得到了一样的收益等价定理：不仅仅是4种标准拍卖机制，任何满足一定假设的拍卖机制都能给卖方带来同样的期望收益。随着数据资产的快速发展，拍卖理论也渐渐应用于数据资产定价中。陈志注等[]对传统的Vickrey拍卖模型和序贯拍卖模型进行改进，使之适应不同条件下的大数据拍卖，并得出相应的收益的期望。江东等[12]认为拍卖可以看作是博弈论中不完全信息博弈的一种具体应用形式，从而应用在数据资产评估方式。

　　拍卖是当前流行的数据交易机制之一。一般来说，拍卖是一种经济驱动的方法，主要是通过买卖双方的竞价过程来进行分配。拍卖竞价的过程公开透明、交易效率高，是在信息不对称情况下有效的数据产品评估方式。贵阳大数据交易所就将拍卖评估作为数据资产评估的方式之一，并且部分数据资产都采取拍卖评估的方式交易。

　　1.3数据资产估值定价方法述评

　　综上，虽然许多研究围绕数据资产的评估方法展开，但在以下方面仍存在不足。第一，数据资产评估体系的构建仍不够成熟，许多研究依赖无形资产评估方法，分离出数据资产在企业营业收入中的贡献度从而进行评估，较少考虑数据资产本身的特性；第二，一些研究仅停留在理论探讨，缺少实际评估案例的支撑；第三，一些研究将数据资产的理论价值评定与市场价值形成割裂，没有从整体上考虑其定价与流通环节的价值增值。鉴于此，本文在传统评估方法的基础上，考虑基于拍卖理论的数据资产价值发现，以期系统化地解决该类资产的价值评估与价值实现问题。

　　2基于拍卖理论的数据资产价值形成方法

　　2.1研究假设

　　本文为研究数据资产在拍卖模型下的报价和预期收益，做出以下假设：

　　(1)数据资产的竞拍者和卖方都是风险中性的，他们的最终目标都是让自己的预期收益最大化。

　　(2)数据资产拍卖在交易平台上进行，不考虑拍卖入场费和流拍成本。

　　(3)所拍卖的数据资产对竞拍者而言价值相同。

　　(4)竞拍者根据自己掌握的信息对数据做出估值，由于信息不同，估值不尽相同，且竞拍者的估值只有自己清楚，即竞拍者对数据资产的估值服从独立分布。

　　(5)由于数据资产具有可复制性，假设每位竞拍者只会购买一件数据资产拍品，而卖方可以自行决定售出的拍品数量。

　　2.2模型构建

　　Vickrey拍卖在数量确定的多物品拍卖下是标准且有效的，但数据资产的拍卖数量并不确定。因此，本文将在Vickrey模型的基础上，结合研究假设构建适用于数据资产的拍卖模型。

　　2.1.1模型基本设定

　　假设在一场数据资产拍卖中，有1位卖方和n位竞拍者，卖方售出m件数据资产，m≤n。数据资产的质量与售出数量无关。假设拍品数量为1时，竞拍者i对数据资产的估价为v;。令x,表示竞拍者i的报价向量。随着拍品数量的增加，竞拍者的报价会降低。令θ表示折价系数向量，θ₁=[1,θ,θ2,…,θ'n-1],1θ,I∈[0,1],

　　则竞拍报价为估价与折价系数的乘积，即x=v,×θ。

　　2.1.2拍卖定价策略

　　本文选择二阶密封价格拍卖作为成交价格的确定机制。在该机制中，投标者如实根据自己的估价进行报价是一个弱占优策略。由于拍卖的数据商品数量为m,报价排名前m位的竞拍者将获得数据资产，且他们需要支付的价格为排名第m+1位的竞拍者的报价；而排名在m+1~n位的竞标者竞标失败，他们的支付价格为0。

　　2.1.3买卖双方预期收益

　　令π表示竞标者i在一场拍卖中的收益，其期望值E(π)可由式(1)表示，即

　　E(π)=P(am+1<x₁)(x;-E[am+I am+1<x;])

　　(1)

　　式中，am+为表示失败者的最高报价；P(am+<x)为

　　竞拍者i获胜的概率。

　　假定竞标报价的累积分布函数为F(x),则式

　　(1)等价于式(2),即

　　E(π;)=F(am+1)(x,-E[am+1I am+1<x;])(2)

　　则所有获胜竞标者的总期望收益表示为

　　从卖方角度，令TC。表示数据资产成本，令wo表示卖方收益，当其在一场拍卖中售出m件数据资产时，卖方的期望收益E(w₀)由式(3)表示，即

　　E(w₀)=mE[am+I am+1<x;]-TC。(3)

　　2.3优化目标

　　拍卖设计应兼顾效率和收益。二阶价格密封拍卖激励竞拍者依据自身对拍品的估价进行报价，且报价高者获得拍品，这是效率的体现。而收益的优化，要综合考虑买卖双方的利益，式(4)和式(5)分别是买卖双方的预期收益最大化目标，即
 
     作为数据资产拍卖机制的设计者，大数据交易所或拍卖中介机构应权衡双方收益函数，进行单一目标或多目标的优化。

　　3评估实例与仿真实验

　　3.1评估案例简介

　　数据资产A是H公司旗下的一款企业征信查询产品，为用户提供快速查询企业工商信息、法院判决信息等服务。该产品汇集了逾1000亿条境内企业实时动态大数据，涵盖工商、股权、司法涉诉、诚信与失信、舆情、资产等多个数据维度，能为用户提供企业关联图谱、舆情监控、风险监控、司法涉诉、商标及专利信息、深度报告等多种数据查询、挖掘和智能分析服务。

　　本次评估的目的在于对数据资产A在积累和取得阶段的成本进行估计，从而为该数据资产的拍卖确定起拍价格。评估对象是数据资产A为期1年的使用权。评估基准日设定为2023年1月1日。由于当前数据资产的市场交易尚未成熟，没有充分的可比案例，加之收益期限、折现率等收益法参数的确定比较困难，市场法和收益法的使用受到限制。故本文先采用成本法确定起拍价格，再通过拍卖方式探寻待估数据资产的合理价值。

　　3.2基于成本法的起拍价格计算

　　本文参考《资产评估专家指引第9号—数据资产评估》,在传统无形资产成本法的基础上，考虑数据资产的成本与预期使用溢价，同时根据数据效用对其价值进行修正，见式(6),即

　　P=TC(1+R)U(6)式中，P为数据资产评估值；TC为数据资产成本；R为数据资产投资回报率；U为数据效用。

　　3.2.1数据资产成本

　　本文将数据资产成本分为直接成本和间接成本。其中，直接成本是数据从采集至加工形成资产全过程持续投入的成本；间接成本是与该数据资产直接或间接相关的可以合理分摊的硬件设备、房屋租赁等公共费用。计算直接成本时将其划分为数据采集成本和数据加工成本。

　　数据采集主要有两种方式：一是自主采集；二是外部购买。自主采集获取的数据量有限、成本较高，且有些数据可能涉及部分企业尚未公开的信息，因此受到一定限制。自主采集部分对应的成本为形成数据资产的数据采集人员工资。外部购买主要通过直接向数据供应商采购、自动化访问、调查实验等方式进行，数据采集的成本相对较低。这部分对应的成本为数据采购费用。

　　数据加工方面，数据资产A的持有方H公司是一家专业人工智能和大数据科技企业，拥有强大的技术团队，其数据加工工作主要由自身技术人员承担，较少依赖第三方。故数据加工成本主要为形成数据资产A的研发人员工资。

　　间接成本主要包括服务器和带宽成本、相关设备折旧和摊销费用、其他成本3个部分。其中，其他成本金额较小，暂不计入。

　　数据资产成本描述与应计费用详见表2。

　　1.工资费用

　　由表2可知，应计入数据资产A直接成本的工资费用包含数据采集人员工资和研发人员工资。但根据企业信息披露，很难将两部分人员工资明确区分。因此本文做简化处理，将两部分工资合并为“工资费用”进行计算。

　　截至2022年12月31日，H公司全职员工共912人，其中研发人员共499人。研发人员分布在数据开发、数据发掘、产品测试等各个岗位，很难确切知晓形成数据资产A的研发人员数量，故本文采用按照各业务部门营业收入占比情况估计研发人员数量。该公司2020—2022年主营业务收入及占比情况见表3。其中，在商业大数据板块，本次评估对象“C端产品—数据资产A”的2022年营业收入为7635.28万元，占公司全部营业收入的7.72%。据此估计：形成数据资产A的研发人员数量=499×7.72%≈39(人)。

　　H公司2022年的员工平均薪资是45.58万元。研发人员作为高端技术人才，薪资一般会高于全体员工平均水平。本文进一步搜集到H公司15个技术研发职位的薪资情况：其中，产品总监、高级算法工程师的年薪可达90万~100万元；普通开发者年薪约为48万元。据此，将形成数据资产A的研发人员年薪定为52万元。进而计算出工资费用如下

　　2.数据采购费用

　　H公司的数据采购主要面向行业内知名的数据供应商，如上海凭安征信服务有限公司、东方财富信息股份有限公司等，采购的数据应用于商业大数据业务。根据H公司年报，2022年数据采购费用为814.3万元。根据表3,待估数据资产A占整个商业大数据板块营业收入的比例为43.86%(7.72/17.6)。计算得出数据采购费用如下

　　3.服务器和宽带费用

　　H公司年报显示，2022年的服务器和宽带费用是1599.36万元。按照数据资产A在主营业务收入占比情况，计算服务器和宽带费用如下

　　4.折旧与摊销费用

　　H公司年报显示，2022年该企业营业成本中折旧与摊销的费用是761.10万元。按照数据资产A在主营业务收入占比情况，计算折旧与摊销费用如下

　　5.数据资产总成本

　　综合上述成本费用，计算出数据资产A的总成本为

　　3.2.2投资回报率

　　H公司定位于AI与大数据产业，故本文选用2022年软件和信息技术服务业的240家上市公司的平均资产报酬率作为数据资产A的投资回报率。部分选定公司的资产报酬率见表4。据此，确定数据资产A投资回报率为5.49%。

　　3.2.3数据效用

　　数据效用是影响数据价值实现因素的集合，用于对数据资产投资回报率进行修正。根据《资产评估专家指引第9号——数据资产评估》第十九条的表述，由式(7)计算数据效用，具体为

　　U=αβ(1+l)(1-r)(7)
      式中，a为数据质量系数；β为数据流通系数；l为数据垄断系数；r为数据价值实现风险系数。

　　1.数据质量系数

　　为确定数据质量系数，本文首先构建数据质量评价体系；其次进行问卷调查；再次采用层次分析法确定各级指标权重；最后结合专家打分情况计算待估数据资产的质量系数。数据质量系数评价指标体系见表5,限于篇幅，文章不展示问卷设计与层次分析法计算指标权重具体过程，仅呈现最终的指标权重与专家打分结果，见表6。

　　综合各级指标的权重以及专家打分，计算出数据质量系数为

　　α=∑二级指标权重×相应指标专家打分

　　=81.63

　　2.数据流通系数

　　本案例的评估对象是汇集了大量商业数据、能够为用户提供全面决策支持的庞大数据集，属于共享数据，流通性较好。因此，数据流通系数β取1。

　　3.数据垄断系数

　　数据垄断系数表示该数据资产所拥有的数据量占该类型数据总量的比例。本文采用该业务的规模占行业规模的比例来表示数据资产的稀缺系数。在2022年国内相关行业中，包含H公司在内的3家征信类企业的市场规模超过85%,而位居前两位的企查查、天眼查约占78%,故确定该数据资产的垄断系数l为8%。

　　4.数据价值实现风险系数

　　在数据价值链上的各个环节都存在影响数据价值实现的风险，本文采用专家打分法确定数据价值实现风险系数。邀请5位企业人员使用数据资产A产品一周后对其使用风险进行评分，结果见表7。据此确定数据价值实现风险系数r=0.1525。

　　5.数据效用

　　将上述4个系数代入式(7),计算得出数据效用为

　　U=αβ(1+l)(1-r)

　　=0.82×1×(1+0.08)(1-0.1525)

　　=0.75

　　3.2.4数据资产起拍价格

　　综合上述过程，由式(6)计算得到数据资产A的价值为

　　P=TC(1+R)U

　　=2567×(1+5.49%)×0.75=2031(万元)

　　这一价值是使用成本法对该数据资产的合理估值，可以作为在售数据资产的起拍价格。

　　3.3基于拍卖模型的仿真实验

　　假设H公司在大数据交易平台拍卖数据资产A的1年使用权。由于数据资产总体价值较高，资产出售方将采用增加拍卖数量、减少起拍单价的方式对数据资产进行拍卖。前文已估算出数据资产A的总成本为2031万元。假定拍卖数量为m,竞拍人数为n,且m≤n。假定竞拍方对数据资产总成本有一定了解，进而根据个人估值进行投标报价，但竞拍者之间互不知晓他人估值。假设拍品数量越多，竞拍者的报价越低，且每位买家只竞拍1件拍品。拍卖将采用二阶密封价格拍卖机制。

　　在实验环节，将模拟竞拍人数n=20时，卖方将拍卖数量m设置为1~19时的情形。假定竞拍者的折扣系数向量θ=[0.9,0.9²,0.9³,…,0.9"-¹]。竞拍者的报价来自于随机抽样。具体地，令报价x服从均值为vθ;1,标准差为0.05vθ:1的正态分布，即x~N(v,(0.05vθ)²)。为简化情境，令v=2031。竞拍报价由计算机自动生成。仿真实验结果见图1和表8。

　　由表8可知，在竞拍人数确定时，卖方改变拍卖数量会影响买卖双方的总收益。从买方角度，当拍卖数量为16件时，买方总收益最高，为728万元。从卖方角度，当拍卖数量为11件时，卖方总收益最高，为5900万元。由图1可知，卖方设置的拍卖数量在7~11件之间时，其总收益均可达到5800万元以上；但买方总收益一直呈现波动，且拍品数量越多波动的幅度越大，这与本次实验的随机数设置有关。作为数据资产的出售方和撮合成交的中介机构，可依据本实验商议确定数据资产拍卖的最优数量，从而使买卖双方的利益达到更好的均衡。

　　4结语

　　数据要素作为赋能传统经济模式、促进数字经济发展的重要力量，未来必将发挥更加显著的作用。但目前数据资产在价值评估和市场定价方面，可供借鉴的理论方法与案例仍然有限。本文立足于这一背景，将传统资产评估方法与拍卖方法相结合，通过传统评估方式与市场化手段相结合的方法刻画数据资产价值评估与价格形成过程。

　　本文在分析数据资产拍卖特征的基础上，设计了与之相适应的拍卖机制。以一个商业大数据企业的某项数据资产为真实案例，首先采用成本法评估资产价值，接着设置拍卖情境、进行仿真实验，并讨论了竞拍者和卖家的收益情况。仿真实验结果表明，当卖方设置不同的拍卖数量时，竞拍者对拍品的估值会合理减少，因此带来买卖双方的收益呈现不同变化：对于卖家，存在一个拍品数量设置的最优区间，以保证其收益达到一定水平；对于买家，则难以找到这样的最优拍品数量设计。当然，这一结论的可靠性仍需在后续工作中检验。希望本文提出的方法和案例能为数据资产的流通交易提供一些新思路。

　　[1]弗若斯特沙利文(北京)咨询有限公司，头豹信息科技南京有限公司，大数据流通与交易技术国家工程实验室，等.2023年中国数据交易市场研究分析报告[R].2023.

　　[2]胡苏，贾云洁.网络经济环境下信息资产的价值计量[J].财会月刊：理论版，2006(2):4-5.

　　[3]刘琦，童洋，魏永长，等.市场法评估大数据资产的应用[J].中国资产评估，2016(11):5.

　　[4]王静，王娟.互联网金融企业数据资产价值评估：基于B-S理论模型[J].技术经济与管理研究，2019(7):73-78.

　　[5]高锡荣，杨建.互联网企业的资产估值、定价模型构建及腾讯案例的蒙特卡洛模拟分析[J].现代财经，2017,37(1):90-100.

　　[6]左文进，刘丽君.大数据资产估价方法研究：基于资产评估方法比较选择的分析[J].价格理论与实践，2019(8):116-119,148.

　　[7]陈浩然.电商导购企业数据资产评估[D].广州：暨南大学，2020.

　　[8]VICKREY W.Counter peculation,auctions,and competitive sealed tenders[J].The Journal of Finance,1961,16(1):8-37.

　　[9]RILEY JG,SAMUELSON W F.Optimal auctions[J].The American Economic Review,1981,71(3):381-392.

　　[10]MYERSON R B.Optimal auction design[J].Mathematics of Op-erations Research,1981,6(1):58-73.

　　[11]陈志注，王宏志，熊风，等.大数据拍卖的评估策略与方法[J].中国科学技术大学学报，2018,48(6):486-494.

　　[12]江东，袁野，张小伟，等.数据评估与交易研究综述[J].软件学报，2023,34(3):1396-1424.