摘要:随着《企业数据资源相关会计处理暂行规定》(2024年施行)的全面落地,数据资产入表必然成为上市公司财务核算的核心问题,也是2024年上市公司年报审计的重点审计风险。基于2024年A股上市公司数据资产入表数据,通过总结分析A股上市公司披露数据资产入表会计政策、入表的数据资源要素,结合观典防务的数据资产入表及差错更正案例,分析了数据资产入表的会计政策、审计风险,并针对性地提出审计应对策略。研究发现,数据资产权属模糊、核算不规范、价值评估的主观性、信息披露不充分等问题显著提升了审计风险,而已入表上市公司中,有15家发布了差错更正,表明其存在“误填列报”“重复确认”等操作,折射出企业存在内部控制欠缺及财务对新准则掌握度差等薄弱环节,并进一步加剧了审计风险。建议通过完善审计技术(如数据血缘分析)、强化穿透式核查、建立行业估值标准等路径,推动数据资产入表的规范化和透明化,降低审计风险。

　　关键词:数据资产;差错更正;审计风险;数据资产入表;观典防务

　　0引言

　　2023年8月,财政部发布《企业数据资源相关会计处理暂行规定》(以下简称《暂行规定》),首次明确数据资源可确认为无形资产或存货,并要求自2024年起实施。这标志着数据资产入表的会计准则基础初步形成。《暂行规定》并未更改任何准则的原文,但对数据资产入表的可能性及可以参考的会计准则进行了规定,同时对数据资产入表的披露和注意事项进行了规定,其核心逻辑在于:第一,会计确认的双路径,根据数据资源用途划分为内部使用(无形资产)与对外交易(存货),沿用现行准则框架但细化数据资源特性要求。例如,内部使用需满足“控制权”与“经济利益流入”条件,而存货需符合“可变现净值”计量基础。第二,披露与合规要求,强制披露数据资源应用场景、来源合法性及加工维护措施,同时要求企业建立全生命周期成本台账,区分直接与间接成本。2024年作为数据资产入表的元年,不少上市公司纷纷尝试进行数据资产入表,进一步检验了这一会计政策的可行性,同时也反映出其中存在的一些审计风险。

　　2024年,A股有100家上市公司披露了数据资产入表信息,总额达224 478.53万元,涵盖25个行业。其中,央企、地方国企共53家,占比53%。从行业集中度来看,计算机行业入表数量最多(20家),通信行业入表金额最大(136 941.01万元)。然而,有9家企业发布更正公告撤销入表操作,涉及金额最高达10.89亿元(如奥飞数据无形资产清零)。这折射出企业对政策理解的偏差与内部控制缺陷,也凸显会计师事务所面临的审计风险。这些审计风险包括但不限于由于信息不对称导致的评估不准确、舞弊三角(动机、机会、合理化)下的不当入表。本文通过分析上市公司数据资产入表情况及观典防务差错更正的案例,探讨数据资产入表过程中面临的审计风险,并提出相应的应对措施,以期为审计行业提供参考。

　　1文献综述

　　近年来,随着数据资产在企业运营中的重要性日益凸显,随着财政部发布《暂行规定》,相关研究逐渐增多。曾*瑜和赵治纲[1]对数据资产会计标准的研究进展进行了系统梳理,指出数据资产的确认需满足会计要素定义中的“控制权”与“未来经济利益”双重标准。他们认为,现行《暂行规定》虽明确数据资源可确认为无形资产或存货,但其非实体性、可复制性等特征导致控制权边界模糊,得出当前数据资产会计处理的复杂性和不确定性,并对未来研究方向提出了展望。李永红和张淑雯[2]构建了数据资产价值评估模型,强调科学合理的评估方法对数据资产价值准确性的重要性,认为应用过程中数据资产收益期限不确定、折现率选择主观性强等问题显著增加了计量偏差风险,并通过实证研究表明,2024年A股上市公司数据资产入表金额中,约32%的企业采用未经验证的定制化估值模型,为审计埋下风险隐患。刘国英和周冬华[3]从IASB概念框架出发,对数据资产准则进行了深入研究,提出了数据资产确认和计量的理论基础,指出数据资产开发费用的资本化标准(以权利转移为节点),但数据资产的持续加工特性导致权利转移时点难以判定,也增加了审计风险。

　　在数据资产审计方面,马圆明[4]探讨了区块链背景下数据资产审计流程的设计,指出区块链技术在数据资产审计中的应用前景。根据信息不对称理论,数据资产的特殊性加剧了审计双方的信息鸿沟,相较于传统资产,数据资源的可加工性使其价值呈现动态变化,审计人员难以通过静态时点验证获取完整信息。

　　毛丽娟和胡钰[5]研究了企业数据资产确认与价值实现路径,强调内部控制和信息披露的重要性,认为内部控制质量与审计风险负相关理论在数据资产场景下面临新挑战,企业数据治理体系的有效性直接影响原始数据真实性,但现有内控框架尚未覆盖数据全生命周期管理。张卫丽[6]则从新质生产力的角度,研究了数据资产抵销业务,提出了相关审计建议,发现根据舞弊三角理论,数据资产入表可提升企业估值,因此企业可能利用数据资产入表来达到舞弊的目的。苟露峰和邓雯丹[7]以海康威视为例,对人工智能企业数据资产估值进行了研究,为数据资产价值评估提供了实证依据。这些研究为本文探讨数据资产入表的审计风险与应对策略提供了理论基础和参考。

　　2 4年上市公司数据资产入表现状

　　2.1上市公司入表情况分析

　　2.1.1数据资产入表情况

　　根据同花顺数据,统计2024年实施数据资产入表的上市公司(含ST公司),见表1。

　　在2024年,数据资产入表的企业数量呈现出一种持续增长的态势:从第一季度的17家增长至四季度的100家,增长势头强劲。截至2024年底,35个二级行业的企业完成了数据资产入表,行业分布呈现多元化扩展趋势。然而,与庞大的上市公司总量相比,入表企业数量占比极低,反映出大多数企业在数据资产入表所持的审慎态度。

　　2.1.2行业分布

　　根据同花顺数据,统计2024年实施数据资产入表

　　的上市公司(含ST公司)行业分布情况,见表2。按照行业分布来看,主要集中在通信行业,占比超过61%,其中中国移动数据资产入表61 600.00万元,是所有行业企业中单家入表金额最大的一家,占入表总金额的27.44%。另外,中国联通、中国电信年报披露的数据资产入表金额分别为37 919.99万元、37 118.64万元。三大通信运营商因其作为提供全方位通信及信息服务的运营商,天然拥有庞大的、高活跃度的数据资产,因此入表金额较大,是《暂行规定》发布以来影响最大的行业和公司。

　　2.1.3入表具体内容及存在的问题

　　值得注意的是,并非所有入表企业都在年报中明确披露入表数据资产的具体内容。在100家入表企业中,本文发现有53家企业披露了数据资产的具体内容,体现出入表数据的多样性与广泛性。从数据来源来看,既包括企业业务流程自然沉淀的数据,也包含外购数据。从数据应用价值来看,部分数据资产已发展为成熟的数据产品,或用于提供定制化服务,或用于内部监测、精准营销等。

　　以通信行业三大运营商入表数据为例,其入表的具体内容及典型应用场景见表3。

　　以上案例表明,具备明确业务场景和可量化价值的数据资源已成为入表主流。然而,这些数据资产在初始确认、计量与列报中是否完全符合《暂行规定》的合规性要求,仍需结合其具体会计处理与后续披露情况加以审视。下文将聚焦于此,深入分析当前数据资产入表中暴露出的典型问题与审计风险。现有数据要素市场上的七大类数据产品包括:数据集(或称为数据包)、基于API的信息服务类产品、基于许可证(license)使用的数据产品、以清洗加工处理为主的数据处理服务、以分析和建模为主的数据应用服务、数据分析工具服务和行业研究报告。

　　语料库和数据集入表更符合数据资产入表的相关要求,但以数据平台系统入表似乎不满足《暂行规定》的相关要求[13],这一处理更像是软件产品的研发资本化处理,是否合规需要待2024年度财务报告经过注册会计师审计后来验证。

　　软件产品的研发资本化处理与数据资产入表的会计核算有许多共同点,在审计风险方面也有很多相同风险点。例如,中远海科(002401.SZ)因成本分摊错误被要求更正,反映企业未严格区分数据资源开发与软件产品开发的成本,这属于成本归集错误产生的低级错误,因此了解如何归集成本和建立良好的内部控

　　制区控制成本归集显得更加重要。另外,成本归集错误和资本化时点判断错误也会导致财务数据的错误,从而产生审计风险。

　　企业收集自身生产经营数据或者在外部环境中获取数据,进而对数据进行整理、清洗、深加工等一系列操作后,获得的数据资源能够为企业带来经济利益流入,这时可以将该项数据资源资本化处理[12]。具体而言,数据资源确认为数据资产,需同时满足以下前提条件:一是与该数据资源有关的经济利益很可能流入企业;二是该数据资源的成本能够可靠地计量。因此,企业在数据采集与整理过程中发生的相关支出,并不必然构成数据资产的入账成本。部分支出亦可能归属于软件开发成本范畴,需在会计处理中予以严格区分。

　　在此背景下,建议参照无形资产的相关会计处理原则,将数据资产的研发过程划分为研究阶段与开发阶段。研究阶段支出具有探索性与不确定性,应在发生时计入当期损益,作为管理费用处理;而进入开发阶段后,当该项数据资产的技术可行性已得到验证,且企业具备意图与能力完成开发并使用或出售该资产,其相关支出在满足资本化条件时,可确认为无形资产成本[12]。

　　另一个需要关注的维度是入表的数据资产的合规性问题:通过非法爬取或未经授权的数据采集方式获取资源,例如金融行业用户数据采集可能违反《个人信息保护法》的“最小必要原则”,导致权属争议,也导致不符合入表的基本原则,从而可能产生会计差错更正。

　　2.2入表科目分布与会计政策

　　2.2.1科目选择偏好

　　根据各上市公司2024年年报披露的数据资产入表项目,列示无形资产的金额最大,达136 963.06万元,其次是开发支出76 782.63万元、存货10 732.84万元,分别占入表总金额的61.02%、32.20%、4.78%。见表4。

　　无形资产主导,说明目前数据资源的出售受所有权的限制和众多商业利益考虑短期内无法实现,大多数企业是对历史上已经成熟的数据资源进行了入表处理。开发支出次之,集中于技术研发周期较长的企业,归集的是正在进行研发的数据资源,尚需一定的时间和过程才能变成可获利的数据资产,属于研发支出资本化处理。最少的是存货,也是争议最多的科目,仅3家企业选择存货科目,年报中6家企业因无法证明“持有待售”属性而撤回更正(如某制造业企业误将合同资产计入存货),更正的公司中就包括观典防务(818万元)。数据资源计入存货需满足“日常持有以备出售”等条件,实际操作中企业更倾向于计入无形资产或开发支出。

　　2.2.1会计政策选择偏好

　　数据资产的科目选择直接关联其后续计量与摊销政策。下表汇总了主要企业在会计政策上的执行差异:

       从表5可以看出,三大运营商入表时的计量方法均为成本法,体现了会计计量的谨慎性。2024年12月,中注协发布《关于做好上市公司2024年年报审计工作的通知》,将数据资产列为上市公司年报审计工作需要重点关注的领域之一。2025年1月,财政部等部门发布《关于严格执行企业会计准则切实做好企业2024年年报工作的通知》,亦将数据资源列入应予关注的准则实施重点,表现出监管部门对于数据资源的高度重视和财会监督。

　　按照会计准则,使用寿命有限的无形资产需要在估计的使用寿命内采用系统合理的方法进行摊销。根据年报披露信息,大部分上市公司对计入无形资产的数据资产系按照直线法进行摊销,并且根据实际使用情况预计其使用寿命在2~5年不等。个别上市公司考虑到数据资源的时效性呈现逐年递减的特征,按照加速摊销法进行摊销。

　　2.3差错更正情况分析

　　对存在数据资产入表差错更正的15家上市公司进行归纳分析,错误类型分类情况见表6。

　　2.3.1技术性错误

　　科目混淆:晶华新材2024年半年报误将3.18亿元存货和7 788万元无形资产披露为数据资产,后因无法提供权属证明而撤销。

　　数据重复确认:观典防务同时将同一数据集计入存货(818万元)与无形资产(3 034万元),触发交易所问询,涉嫌操纵业绩。

　　2.3.2实质性舞弊

　　权属争议:某电商平台将用户行为数据确认为资产,但未披露与第三方数据服务商的共享协议,后被监管要求补充说明。这凸显了企业在数据资产权属确认上的随意性,忽视了数据来源的合法性和合规性要求,数据资源的确权是入表的根本与前提条件,也是在审计中重点关注的风险。

　　估值虚高:某金融科技公司以“未来五年数据服务收入”为基准确认无形资产2.3亿元,因商业模式未落地被迫计提减值1.1亿元。这一案例表明企业在数据资产评估过程中存在过度乐观的预期,缺乏对市场环境和自身业务能力的客观评估,数据资产价值的高估和贬值特性带来的减值风险,也是在审计中重点关注的风险。

　　3上市公司数据资产入表差错更正情况

　　3.1差错更正总体情况

　　在2024年,共有5家上市公司因数据资产价值评估过高或信息披露不准确等问题,对入表数据资产进行了更正,且直接清零。具体情况见表7。

　　3.2差错更正原因分析

　　对政策理解不到位:部分企业对《暂行规定》的理解不够准确,导致数据资产入表操作不符合规定。例如,一些企业未能准确把握数据资产的确认条件和计量方法,将不符合标准的数据资源确认为资产。

　　财务经验不足:数据资产入表是一个复杂的过程,需要企业具备一定的财务经验和专业能力。一些企业在实际操作中存在经验不足的问题,导致数据资产入表后需要更正。例如,企业在数据资产的分类、核算和披露过程中缺乏规范的操作流程,容易出现错误。

　　披露延续性有待提升:部分企业在数据资产入表后,未能保持信息披露的延续性和一致性,导致数据资产入表后需要进行更正。例如,企业在不同报告期间对数据资产的披露内容和方式存在差异,容易引发监管关注和投资者误解。

　　4观典防务数据资产入表及差错更正案例分析

　　4.1观典防务数据资产入表情况

　　截至2024年第三季度,观典防务的数据资产入表涉及金额3 424.57万元,包括无形资产项下2 687.79万元和存货项下736.78万元,其数据资产涉及金额占总资产比例为3.58%,为三季度报表中上市公司最高。

　　观典防务主营业务为无人机飞行服务与数据处理,无人机系统及智能防务装备的研发、生产与销售,是典型的数据资源富集公司。观典防务从2024年中报开始披露数据资产入表情况,其专门介绍了数据处理业务,公司紧扣“无人机是诸多行业大数据端口”这一发展趋势,将禁毒服务技术拓展应用到其他领域,面向资源调查、环境监测等领域的应用特点和需求,整合公司现有数据资源,深挖数据资源记录的不可复原历史信息的应用价值,探索除禁毒之外的垂直应用。

　　具体情况见表8。

　　观典防务的数据资产主要包括两类:

　　(1)无形资产。如“无人机航测服务能力提升项目”,通过采购外部基础数据所有权形成,用于支撑飞行服务业务的底层数据库,根据二季度披露显示期初调整无形资产原值—数据资源(自行加工的数据资源)6 920.51万元,累计摊销3 194.64万元,净值3 825.87万元;二季度摊销692.05万元,2024年三季度无详细信息,但显示三个季度未有新增无形资产,三季度摊销额净额为2 687.79万元;

　　(2)存货。如“无人机航测平台服务数据”,属于可出售的数据资源,其价值通过后续服务合同实现,根据二季度披露显示期初调整存货原值—数据资源(自行加工的数据资源)1 194.32万元;二季度累计增加1 747.26万元,减少2 123.51万元,2024年三季度无详细信息,但显示三个季度结余存货736.78万元。

　　4.2入表争议点

　　4.2.1科目及核算合理性存疑

　　观典防务主营无人机禁毒服务,数据资产用于内部服务而非直接出售,存货科目确认缺乏商业合同支撑,观典防务将部分应费用化的数据采集成本资本化,混淆了无形资产与存货的确认边界。这一问题反映出企业在数据资产核算过程中对“持有待售”属性的忽视,未能充分考虑数据资产的市场流通性和变现能力。

　　4.2.2无形资产摊销政策模糊

　　半年报显示无形资产摊销政策按5年直线摊销,但未披露具体依据。这表明企业在无形资产的摊销政策制定上缺乏透明度和科学性,未能充分考虑数据资产的经济寿命和使用效益。观典防务未合理划分数据更新周期,导致摊销年限设定不合理(如未考虑地理信息数据的时效性衰减)。

　　4.3观典防务数据资产入表差错更正

　　观典防务在2024年半年报中披露了数据资产入表情况,三季报又出现差错更正情况,更正对三季度财务报表的影响,见表9。

　　以上更正减少当期利润3 424.57万元,对资产负债率的影响是增加3.58%。

　　观典防务的数据资产入表面临重大审计风险,如数据资产价值评估的合理性、数据资产的权属确认、数据资产的核算问题等。

　　更正中存在的主要问题有:第一,观典防务披露的500万平方公里飞行数据中,仅部分完成确权登记,存在数据权属链证据缺失问题。例如,外购基础数据的所有权转移证明不完整,可能涉及第三方知识产权争议。第二,确权争议可能导致不满足数据资产的定义,导致无法资本化。第三,成本分摊难题。飞行服务涉及多期数据叠加使用,难以精确划分单期数据成本占比,导致归集的数据资产相关成本不准确。第四,未严格遵循《暂行规定》中“不得追溯调整已费用化数据资源”的要求,将2023年前部分数据采集成本重新资本化。

　　4.4数据资产入表的审计风险及应对

　　数据权属问题:低空影像数据库涉及历史数据采集合法性,未公开用户授权证明。需审计师通过穿透核查数据来源、权属证明及应用场景进行验证。例如,审计师可以通过对数据采集过程的实地调查、审查数据共享协议等方式,确保数据资产的权属清晰合法。

　　估值逻辑缺失:未披露数据资产现金流预测模型,存在虚增资产风险。审计师应要求企业提供详细的估值模型和假设依据,并结合市场数据和行业经验进行独立验证。例如,通过对比同行业企业的数据资产估值模型,评估企业估值的合理性。

　　摊销政策不明确:未明确披露入表无形资产的数据资产如何摊销,审计需关注价值评估合理性(如收益法、成本法的适用性)及摊销政策与数据资产经济寿命的匹配性。审计师可以通过对数据资产的使用情况和预期收益进行分析,评估摊销政策的合理性,并提出相应的调整建议。

　　5防止财务舞弊的财务与审计应对

　　5.1识别风险

　　确识别风险是有效应对的前提。基于前述案例分析,可将数据资产入表的主要审计风险归纳如下:

　　上表系统梳理了数据资产入表全流程中需重点关注的四大审计风险。其中,“确权风险”与“确认环节边界模糊”直接影响资产定义的合规性,是导致后续差错更正的根本原因;而“计量环节估值失真”与“披露环节信息不对称”则直接关系到财务报表的公允性和透明度,更易引发实质性舞弊。该分类为后续制定针对性审计程序提供了清晰框架。

　　5.2财务应对措施

　　5.2.1建立健全数据资产管理制度

　　企业应明确数据资产的确认、计量和披露流程,确保数据资产的入表操作符合会计准则和相关法规。例如,企业应根据《暂行规定》的要求,对数据资产进行合理分类和计量,并制定详细的内部操作手册。此外,企业应定期对数据资产管理制度进行评估和更新,以适应不断变化的市场环境和监管要求。

　　5.2.2重视数据资产权属核查

　　定期开展数据资源的实地盘点,关注数据采集、加工、存储全流程留痕,收集外购/自研数据资源的合同条款,确认控制权归属(如排他性条款、使用限制)。

　　入表的前提是符合资产的定义。这一定义与数据资产化内在逻辑是一致的。第一步,从数据到数据资源。数据资产的实质是有潜力产生经济利益的权利,而非传统意义上的实物资产。只有经过权利化、具有经济性的数据才能构成数据资源。其中,数据资源属于经济资源的一种。第二步,从数据资源到数据资产。数据资源构成数据资产,必须是由过去事项导致的、由主体合法控制的、现时的。其中,因数据资产权属特殊性,定义强调了财务报告主体对数据资产的控制权必须是合法的。

　　5.2.3加强会计处理的合规

　　初始确认:验证数据资源是否符合无形资产/存货定义,检查研发阶段划分合理性。

　　后续计量:根据数据资产类别(无形资产/存货)制定差异化计量规则,若为无形资产,结合数据时效性、技术迭代周期、合同约定使用期限等合理确定使用寿命,验证摊销方法(如直线法、产量法)与经济利益预期消耗方式的一致性;若为存货,按成本与可变现净值孰低计量,关注数据存储、维护成本对可变现净值的影响;定期识别数据资产减值迹象(如技术淘汰、市场需求萎缩、法律限制导致使用受限等)合理计提减值准备。

　　成本分摊:评估数据资源开发支出资本化条件,核查间接成本分摊依据。

　　减值测试:结合数据使用年限、技术迭代速度,分析可收回金额计算准确性。

　　摊销政策:对比税法最低摊销年限(10年),检查加速摊销适用性。

　　5.2.4加强数据资产价值评估

　　企业应与专业评估机构合作,采用科学合理的评估方法,确保数据资产价值评估的准确性。例如,东湖大数据结合DeepSeek的AI技术,为企业提供从数据识别、分类、评估到入表的全链条解决方案。企业应定期对数据资产进行重新评估,确保其价值与市场情况相符。此外,企业应建立健全数据资产评估的内部控制机制,对评估过程和结果进行监督和审核。

　　5.2.5强化内部控制

　　企业应建立完善的内部控制体系,加强对数据资产入表过程的监督和管理,防止数据资产被高估或低估。例如,企业应确保数据资产的来源合法、数据的加工维护和安全保护措施到位,并定期进行内部审计和风险评估。此外,企业应加强对财务人员和数据管理人员的培训,提高其对数据资产会计处理和内部控制的理解和执行能力。

　　5.3审计应对措施

　　5.3.1智能审计技术的应用

　　审计人员应利用大数据分析、人工智能和区块链等技术,对数据资产入表过程进行全流程审计。例如,通过深度学习算法对数据资产的交易记录进行分析,能够及时发现数据资产价值评估的不合理之处。审计人员可以利用区块链技术对数据资产的权属和交易进行追溯,确保数据的真实性和完整性。此外,审计人员应结合智能审计工具,对数据资产的生成、存储、使用和销毁进行实时监控,及时发现潜在的舞弊风险。

　　5.3.2审计程序的优化

　　审计人员应加强对数据资产入表的全流程审计,从数据资产的确认、计量到披露,逐一进行审查。在审计过程中,应重点关注数据资产的价值评估方法、数据来源的合法性和数据资产的经济利益预期消耗方式。例如,审计人员可以通过对数据资产的使用情况和市场数据进行对比分析,评估其价值评估的合理性。此外,审计人员应与企业管理层和数据管理人员进行充分沟通,了解企业的数据资产管理和会计处理流程,确保审计程序的有效性和针对性。

　　具体的针对性流程如下:

　　1.权属核查与分类准确性审计

　　(1)全流程盘点与专家协同。要求企业提供数据资源清单,联合技术、法律、评估专家成立专项盘点小组,核查数据采集、加工、存储全流程留痕,重点验证数据来源合法性(如合同、政府批文)及控制权归属。

　　(2)对比《暂行规定》中存货与无形资产的定义,逐项分析数据资源业务模式,避免将实物存货误列为数据资产(如晶华新材将3.18亿元存货误列数据资源)。

　　(3)权属证明文件完整性审查。核查数据资源采购/开发合同、知识产权证书、法律合规意见书等文件,重点关注外购数据资源的排他性条款及自研数据的权属分割依据。

　　2.会计符合性测试

　　(1)初始确认时明确资本化条件,验证数据资源是否符合无形资产(可重复使用)或存货(持有以备出售)定义,检查研发阶段划分合理性,防范研发支出资本化滥用。

　　(2)后续计量过程中合理利用摊销政策。分析数据资源持有目的(如内部使用/对外销售),评估摊销年限(需与税法最低10年匹配)及方法(如加速摊销适用性)的合理性,防止通过摊销调节利润。

　　(3)结合技术迭代速度,复核减值测试程序,确保可收回金额计算准确性。

　　3.涉及数据资产入表的内控了解与测试

　　检查企业是否建立数据资源全生命周期管理体系,包括合规管理、会计核算、安全防护等制度,重点关注数据脱敏、权限控制等薄弱环节。并对上述数据资产入表的关键控制点进行测试,看是否设计有效并得到了执行。

　　4.引入专家并对评估报告进行复核

　　针对数据资产评估报告中,评估方法选择的合理性,评估关键参数选择的恰当性,数据资产的权属证明是否完整,数据来源是否合法进行专家复核。主要包括:

　　成本法:需核查数据采集、清洗、存储等成本归集的完整性,关注重置成本构成(如技术投入、间接成本)及时效性调整系数。

　　收益法:评估应用场景明确性,复核收益预测的合理性(如折现率、收益期限)及数据质量对收益的影响。

　　市场法:需存在活跃市场或可比案例,重点分析数据质量、应用领域差异对调整系数的影响。

　　5.3.3审计建议

　　审计人员应建议企业建立健全数据资产管理制度,规范数据资产的确认、计量和披露流程。同时,企业应加强与专业评估机构的合作,确保数据资产价值评估的科学性和合理性,同时还需要检查评估值的合理性,关注关键参数选择的合理性,如果自身能力不足,可以引入专家对数据资产评估报告进行专项复核,来准确判断估值合理性和账面数据资产是否发生减值。此外,审计人员应加强对数据资产入表的学习,增强专业技能,增加对财务舞弊行为的识别能力,最终建立针对数据资产入表的特别风险应对。显然,从上述数据资产入表的上市公司披露情况及差错更正情况来看,舞弊动机依然存在,因此审计人员设计特别程序应对数据资产入表的审计工作显得尤为必要。

　　6结语

　　2024年上市公司数据资产入表的实践表明,数据资产入表在推动企业数字化转型和提升财务透明度方面具有重要意义。然而,数据资产入表的复杂性、不确定性和贬值特性也带来了财务舞弊风险。通过建立健全数据资产管理制度、加强审计人员专业能力,并采取特别应对措施,可以有效应对数据资产入表风险。观典防务作为典型的数据资源富集公司,虽然数据量较大,但其数据资产入表情况仍值得关注。在数据合规性、来源合法性、成本归集是否准确、摊销政策是否合理、后续是否发生减值等方面,均需审计师对年报信息一一验证并制定特别的程序以控制审计风险。通过完善数据资产管理制度和加强审计应对,提高判断数据资产入表合规性能力,可以有效防范财务舞弊风险,提升企业财务信息质量。

参考文献

　　[1]曾*瑜,赵治纲.数据资产会计标准研究的进展与展望[J].中国注册会计师,2023(12):45-52.

　　[2]李永红,张淑雯.数据资产价值评估模型构建[J].财会月刊,2018(9):30-35.

　　[3]刘国英,周冬华.IASB概念框架下数据资产准则研究[J].财会月刊,2021(21):66-71.

　　[4]马圆明.区块链背景下数据资产审计流程设计[J].中国注册会计师,2023(8):60-68.

　　[5]毛丽娟,胡钰.企业数据资产确认与价值实现路径研究.[J].中国注册会计师,2024(11):85-92.

　　[6]张卫丽.新质生产力驱动下数据资产抵销业务研究.[J].中国注册会计师,2024(11):93-100.

　　[7]苟露峰,邓雯丹.人工智能企业数据资产估值研究:以海康威视为例,2024(11):101-108.

　　[8]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[R].2019

　　[9]普华永道.开放数据资产估值白皮书[R].2021

　　[10]普华永道.数据资产化前瞻性研究白皮书[R].2021

　　[11]秦荣生.企业数据资产的确认、计量与报告研究[J].会计与经济研究,2020,34(6):3-10.

　　[12]李秉祥,任晗晓,尹会茹,等.数字经济背景下大数据资产的确认、计量与列报披露[J].财会通讯,2022(11):79-83,88.

　　[13]财政部.企业数据资源相关会计处理暂行规定(财会[2023]11号)[A/OL],(2023-08-21).[2025-05-10].