［摘要］在数字经济持续发展的背景下，数据作为核心生产要素的作用日益凸显，推动数据资产化已成为促进经济高质量增长的重要路径。然而，数据资产本身具有特殊性，这使其在会计上的确认和计量工作面临诸多挑战，传统的会计理论与方法难以完全适应。基于此，本文结合数字经济时代特征，对数据资产会计确认的路径构建展开探讨，具体包括确定确认的依据、搭建分步流程以及区分不同类型数据资产的确认路径等内容；同时，还对数据资产会计计量的模式创新进行研究，提出灵活运用公允价值计量模式、探索混合计量模式的结合使用以及构建基于数据价值驱动因素的计量模型等建议。本文旨在为完善数据资产会计处理体系提供理论参考，帮助企业更精准地反映数据资产的价值。

　　［关键词］数字经济；数据资产；会计确认；会计计量

　　0引言

　　数字经济的深化发展促使数据从信息载体向经济资产加速转变，数据资产的价值创造能力在企业生产经营和市场竞争中的作用越发显著。随着《数据安全法》《个人信息保护法》等法律法规的出台，数据的合规使用与管理得到规范，为数据资产的会计处理奠定了制度基础。但数据资产具有非实物性、可复制性、价值动态性等特征，与传统资产存在本质差异，导致其在确认标准、计量方法等方面存在争议。在此背景下，研究数字经济视域下数据资产的会计确认与计量问题，对于构建适应数字经济发展的会计体系、提升企业数据资产管理水平具有重要的理论与实践意义。
       1数字经济视域下数据资产会计确认的路径构建

　　1.1明确数据资产会计确认的依据

　　数据资产会计确认需以现行会计准则为基础，结合数据资产的特性明确确认依据。首先，数据资产应满足资产的核心定义，即由企业过去的交易或事项形成（如数据采集、加工等活动），企业对其拥有或控制（通过技术手段、法律协议等实现），且预期能为企业带来未来经济利益（如通过数据交易、优化运营、精准营销等方式）。其次，需符合可定义性、可计量性、相关性和可靠性等会计确认标准。其中，可计量性需突破传统实物资产的计量思维，考虑数据资产价值的多元表现形式；相关性要求数据资产的确认能为投资者、债权人等利益相关者提供决策有用的信息；可靠性则强调数据资产的获取与计量过程应可验证、如实反映[1]。此外，还需结合数据合规性要求，确认的数据资产必须符合法律法规关于数据收集、使用、保护的规定，排除非法获取或存在权属争议的数据，确保确认依据的合法性与合理性。

　　1.2建立数据资产确认的分步流程

　　在数字经济背景下，数据资产会计确认需构建系统性的分步流程，以适应其特殊性与复杂性。第一步为数据来源合规性核查。需追溯数据采集的全链条，确认是否获得用户授权，是否符合数据安全法及个人信息保护法等法规要求，对于脱敏处理的数据需验证其匿名化效果，确保原始权益无争议，为后续确认奠定合法基础。第二步开展数据价值分层评估。结合数据的时效性、稀缺性、复用性等特征，采用成本法核算数据采集与清洗的直接投入，同时通过收益法测算其在业务场景中可能产生的经济流入，形成量化价值区间，区分核心数据与辅助性数据资产。第三步进行会计要素匹配性判断。依据资产确认的核心标准，检验数据是否具备可控制属性——企业能否通过技术手段或合约约定排他性使用，以及未来经济利益流入的可能性是否超过50%，对于满足“可定义、可计量、相关性、可靠性”四要素的部分，进入下一步确认环节。第四步实施动态入账管理。鉴于数据资产价值易受迭代速度影响，需在初始确认时明确计量基础（如公允价值或成本模式），并建立定期重估机制，当数据贬值幅度超过阈值或业务场景失效时，及时进行减值处理，确保会计信息能真实反映数据资产的当前价值状态，最终形成“合规筛查—价值量化—要素匹配—动态调整”的闭环确认流程。

　　1.3区分不同类型数据资产的确认路径

　　不同类型的数据资产在形成过程、价值表现及权属特征上存在差异，需制定差异化的确认路径。对于外购数据资产，因其具有明确的交易价格和交易双方的法律约定，确认相对简单，在满足控制权转移、经济利益流入可能性及可计量性的前提下，可在交易完成时予以确认，其成本可根据交易价格及相关税费确定。对于企业内部生成的数据资产，需区分研发型与运营型：研发型数据资产（如算法模型训练数据）需经历数据采集、清洗、标注等一系列加工过程，可参照无形资产准则中内部开发项目的确认逻辑，将符合资本化条件的支出予以资本化，区分研究阶段与开发阶段，仅将开发阶段满足条件的支出确认为资产；运营型数据资产（如客户行为数据）通常伴随日常经营活动产生，其成本难以单独归集，需重点评估其能否为企业带来稳定的经济利益，如用于精准营销提升客户转化率，在满足控制权和可计量性要求时，可采用追溯计量的方式予以确认[2]。对于公共数据授权使用形成的数据资产，需依据授权协议判断企业的使用权范围及期限，在协议生效且能产生可预期经济利益时确认，计量时考虑授权费用及后续加工成本。

　　2数字经济视域下数据资产会计计量的模式创新
       2.1灵活应用公允价值计量模式

　　在数字经济加速渗透的背景下，公允价值计量模式在数据资产核算中的适配性越发凸显，其核心价值在于动态捕捉资产的市场现行价值。实践中，需构建“基准价格+差异调整”的双层计量框架：先锚定同类数据资产的近期交易案例作为定价基准，如医疗行业患者行为数据可参照同区域医疗机构的脱敏数据交易价格。但数据资产的异质性要求细化调整维度，在质量层面，需区分结构化数据的字段完整性、非结构化数据的标注精度；在时效维度，新闻资讯类数据按日衰减系数0.8%计提折价，而企业年报数据的年度时效性折扣可设为15%；在覆盖维度，区域消费数据较全国性数据估值低30%~40%。通过建立行业细分的调整系数矩阵，结合第三方数据交易所的实时行情校准，能使公允价值更贴近数据资产的真实交易价值。对于那些缺乏活跃交易市场但能够产生未来现金流的数据资产，如企业内部的核心业务数据，收益法是估算其公允价值的合适选择。具体而言，需要对数据资产在未来一定时期内可能产生的现金流量进行科学预测，这要求企业对数据的应用场景、市场需求变化等有深入的了解。在预测过程中，要充分考虑数据应用可能带来的收入增长以及成本节约等情况，然后选择恰当的折现率将未来现金流量折算为现值[3]。这里的折现率确定需要综合考量多种特定风险因素，数据的技术更新风险便是其中之一，随着技术的快速迭代，数据可能因无法适应新技术而价值骤降，这会提高折现率；市场竞争风险也不容忽视，若市场上出现同类优质数据，会分流客户，影响现金流，同样会对折现率产生影响，通常需要结合行业平均收益率以及企业自身的风险水平来确定合理的折现率数值。

　　2.2探索混合计量模式的结合使用

　　在数字经济加速渗透的背景下，数据资产的会计计量面临着价值波动性强、应用场景多元、成本与收益关联复杂等现实挑战，单一计量模式已难以满足会计信息质量的双重诉求——既需保证计量结果的可靠性，又要提升信息与决策的相关性。探索混合计量模式的结合使用，本质上是通过动态适配数据资产在生命周期各阶段的核心特征，构建“基础计量+弹性调整”的复合型计量框架。具体而言，可基于数据资产的获取方式与应用场景进行分层设计：对于通过外购或定制开发形成的数据资产，初始计量可采用历史成本法，将数据采集、清洗、脱敏、存储等直接支出纳入成本核算范围，同时将为获取数据使用权支付的许可费、专利费等间接成本按受益原则分摊计入，以此确保初始计量的客观性与可验证性；而对于企业自主积累且具备高频交易属性的数据资产（如用户行为数据、市场趋势数据等），在后续计量中需引入公允价值模式进行动态调整，依托行业数据交易平台的挂牌价格、第三方评估机构的收益现值模型等，定期更新数据资产的账面价值，使计量结果既能反映市场供需变化，又能捕捉数据在复用过程中产生的边际价值。在具体操作层面，混合计量模式的结合需建立清晰的转换触发机制：当数据资产从内部使用转向外部交易时，应从历史成本模式切换为公允价值模式，转换时点的差额计入当期损益；当数据因技术迭代出现功能性贬值时，需结合可变现净值法进行减值测试，将预计处置费用与未来现金流量现值的差额确认为减值损失。这种模式设计既保留了历史成本在初始计量阶段的稳健性，又通过公允价值的引入增强了后续计量的决策有用性，同时借助可变现净值法应对数据资产的时效性风险[4]。此外，为保障混合计量模式的落地效果，还需配套建立数据资产分类台账，对不同计量模式下的数据进行单独核算与披露，明确各类计量方法的适用范围与调整规则，确保会计信息的可比性与透明度。通过这种多元协同的计量逻辑，既能满足会计准则对计量可靠性的基本要求，又能适应数字经济环境下数据资产价值动态变化的客观规律，为企业数据资产管理与外部利益相关者决策提供更精准的会计信息支撑。

       2.3构建基于数据价值驱动因素的计量模型

　　数据资产的价值受到多种因素的共同影响和驱动，构建基于这些价值驱动因素的计量模型，能够提高数据资产计量的针对性和准确性，因此需要系统地开展模型构建工作。首先，要全面识别影响数据资产价值的核心驱动因素。数据规模是重要的驱动因素之一，它不仅包括数据的总量，即数据量的大小；还包括数据的覆盖范围，如覆盖的用户群体数量、地域范围等。通常情况下，数据规模越大，其潜在的应用价值也就越高。数据质量同样至关重要，它体现在数据的准确性、完整性和时效性等方面，准确的数据能够为决策提供可靠依据，完整的数据能够全面反映事物特征，及时的数据则能跟上市场变化的节奏。数据相关性是指数据与企业业务目标的匹配程度以及与其他数据的融合能力，与业务目标高度相关且能与其他数据有效融合的数据，能够更好地发挥其价值。数据应用场景直接关系到数据资产的价值实现，包括数据的变现渠道，如数据产品销售、数据服务授权等，以及通过数据应用带来的业务优化效果，如提高生产效率、降低运营成本等[5]。其次，要建立科学的因素量化体系。对于每个核心驱动因素，都需要设定可测量的具体指标。以数据质量为例，可以通过错误率来衡量其准确性，错误率即错误数据占总数据量的比例，通过随机抽样检测的方式进行计算；用更新频率来反映其时效性，如每日更新、每周更新等，并将其转化为具体的数值指标。对于数据应用场景，可通过预期收入增长率来量化数据直接变现的能力，通过成本节约率来衡量数据对业务优化的效果。在确定各因素的权重时，可采用层次分析法和熵值法相结合的方式，层次分析法通过邀请专家对各因素的重要性进行两两比较，构建判断矩阵，计算出主观权重；熵值法则根据各因素指标的实际数据分布，计算出客观权重，然后将主观权重与客观权重进行综合，得到最终的因素权重，以准确反映不同因素对数据资产价值的贡献程度。最后，要构建合理的价值计算模型。将量化后的驱动因素指标按照确定的权重代入模型进行计算，在计算过程中，需要结合行业基准数据和企业历史数据对模型结果进行校准。

　　3结束语

　　总而言之，数字经济的蓬勃发展，给数据资产会计的理论研究与实务操作带来了新的机遇与挑战。数据资产的会计确认与计量作为数据资产化进程中的关键环节，相关制度的健全与方法革新尤为关键。文中提出的确认路径构建，着重于明确依据、分步流程与类型划分，核心是解决数据资产“能否归入资产范畴”的问题；计量模式创新则聚焦于公允价值的灵活运用、混合计量的有机结合以及价值驱动模型的搭建，主要解决数据资产“价值如何衡量”的问题。这些思路与方法的探索，为数据资产会计处理体系的完善提供了可借鉴的思路，但在实际应用中仍需不断验证、持续优化，才能更好地适应实践需求。

主要参考文献

　　［1］吴如君.企业数据资产的会计确认与计量问题研究：以J公司为例［J］.商业观察，2025，11（15）：73-76.

　　［2］王蕊，刘开平.数据资产会计确认与计量问题研究［J］.军民两用技术与产品，2025（5）：46-52.

　　［3］胡馨茜.数据资产会计确认与计量问题研究［J］.商业观察，2025，11（8）：24-27.

　　［4］刘璇.数字经济环境下数据资产会计确认与计量［J］.财务管理研究，2023（12）：156-160.

　　［5］罗维颖，游战武，刘峻宏，等.企业数据资产的会计确认与计量研究：以京东为例［J］.财务管理研究，2024（8）：35-42.