摘要：随着数字经济、人工智能的快速发展，我国在全球率先将数据提升到了市场要素的地位，而数字经济和人工智能发展的底座之一是数据的合规流通与价值利用。因此，推进数据资产入表和数据交易合规具有重要的现实意义和必要性。

数字经济和人工智能产业飞速发展，持续推动生产方式、生活方式和社会治理方式的深入变革，数据资源的价值日益凸显。财政部出台《企业数据资源相关会计处理暂行规定》，成为规范企业数据资源相关会计处理、发挥会计基础作用的重要一环。推进企业数据资产入表，将促进数据的合规流通利用和价值实现，进而驱动企业的数字化转型，使企业主动拥抱数字经济。

近日，上海市协力律师事务所高级合伙人、上海市法学会金融法研究会副秘书长、《数据资产入表与数据交易合规指南》作者江翔宇博士基于当前数据要素市场的发展，深入探讨了企业数据资产入表的核心逻辑与数据资产金融化的利用趋势，以及AI技术对企业数据资产管理的影响。

人物介绍PROFILE

上海市协力律师事务所高级合伙人、上海市法学会金融法研究会副秘书长、《数据资产入表与数据交易合规指南》作者

书籍介绍BOOK

《数据资产入表与数据交易合规指南》

作 者：江翔宇

出版社：机械工业出版社

01

当前，我国数据要素市场正处于快速发展与制度探索并行的关键阶段。自2021年《个人信息保护法》《数据安全法》等法律实施以来，我国在数据合规和安全保障方面构建了基本制度框架。2023年8月，财政部出台《企业数据资源相关会计处理暂行规定》并于2024年1月1日起正式施行，标志着数据要素价值化进程取得实质性突破。2024年也被称为“数据资源入表元年”，多家上市公司披露数据资产入表安排。预计2025年将有更多企业建立全生命周期数据资产管理体系，数据要素市场正从概念验证转向规模化实践。

一方面，技术创新与政策引领形成双向驱动。以ChatGPT、DeepSeek为代表的生成式AI技术发展，进一步凸显了数据作为AI三大核心要素（算法、算力、数据）的战略价值，数据的合规共享、流通与交易也愈发重要。与此同时，中央与地方形成政策合力，国家数据局成立、上海市成立数据发展管理工作领导小组等举措，体现出政府层面对数据要素市场的重视。

另一方面，数据要素市场发展仍面临结构性挑战。江翔宇博士表示，“当前，数据权属立法尚未完善、数据价值场景有待进一步挖掘，数据的合规流通利用依然处于比较早期的阶段。随着政府出台相关的制度规定，市场主体对于数据要素市场的认知将会不断提升。”预计2025年，在数据确权、流通定价、收益分配等关键领域会出现更多务实探索，推动数据要素市场从政策驱动向价值驱动的深层次转型。

在此背景下，数据要素的资产化进程正加速渗透至企业运营管理各个环节。江翔宇博士认为，对于企业财务管理来说，数据资产入表的影响体现在三大维度。

首先，在会计处理层面，企业可以将符合条件的数据资源（满足经济利益流入和成本可靠计量要求），以成本法计入无形资产或存货科目。这一制度创新不仅增加了企业资产规模、优化了资产负债结构，更为重要的是为企业提供了新的价值承载工具。尤其是对存在阶段性亏损但具备数据积累优势的企业来说，数据资产入表能够有效提升资产负债管理水平。

其次，在市值管理层面，数据资产入表驱动企业构建数据资源全生命周期管理体系，完成从数据治理到数据产品化、资产化的价值跃迁，实质上推动了企业的数字化转型。这种转变可能引发资本市场对企业估值的重构。传统行业企业通过数据资产确权与价值显性化，可能被重新归类为数据驱动型企业，进而获得不同赛道的成长性溢价。在市场流动性充裕时期，这种价值重估效应更为显著。

最后，在融资模式方面，数据资产入表为数据资产质押融资奠定了基础。尽管会计处理采用成本法，但金融机构对企业数据资产的价值评估可拓展至市场法、收益法等方式。例如，1000万元成本入表的数据资产可能资产评估为5000万元的市场估值。这种价值释放机制为企业利用数据资产质押融资等模式创新提供了未来空间。

总体而言，数据资产入表正在重塑企业价值创造与资本运作的逻辑。随着财政部等监管部门持续完善配套制度，预计数据资产评估体系与交易市场将协同发展，逐步解决当前存在的估值方法瓶颈，最终形成数据资产从财务确认到数据资本价值实现的完整生态链条。

02

在数据资产管理的过程中，数据价值实现可分为三个关键步骤：第一步是产品化，将原始数据转化为可确权、有收益的数据产品；第二步是资产化，依据财政部会计准则要求，将数据作为无形资产或存货纳入财务报表；第三步是资本化，在具体条件时通过数据资产质押融资、数据信托、资产证券化（ABS）或作价入股等方式进一步释放数据价值。

企业数据资产入表的核心逻辑

在推进数据资产入表的过程中，企业需构建贯穿法律合规、财务计量与商业逻辑的完整闭环体系。江翔宇博士提出，其核心逻辑在于满足财政部会计准则的三重标准。

第一，企业必须证明对数据资源具有合法的拥有权或控制权，需建立法律层面的权属支撑。合规确权是贯穿数据资产管理全流程的核心前提，也是数据资产入表过程中的一大难点。企业需重点确保数据来源合法，包括明确数据获取渠道（比如公开爬取、自行收集、协议购买、公共数据授权运营等），并通过自主确权、第三方评估等方式强化权属证明。

第二，数据需具备可验证的经济价值创造能力，这也是会计准则的基本要求，即入表的数据资源可以产生经济利益流入，才能构成资产。

第三，数据资源的获取、加工成本必须形成可追溯的计量链条，这要求企业构建数据资产闭环管理体系。企业要以数据全生命周期管理为基础，围绕数据采集、存储、处理、分析、应用与反馈各环节建立标准化流程，并重点把控合规性、协同性及价值转化效率。2024年12月，财政部印发《数据资产全过程管理试点方案》，选取部分中央部门、中央企业和地方财政部门，围绕数据资产台账编制、登记、授权运营、收益分配、交易流通等重点环节，试点探索有效的数据资产管理模式，完善数据资产管理制度标准体系和运行机制。这一试点方案为企业数据资产管理提供了参考框架。围绕数据的全生命周期管理，企业需明确各环节责任主体，比如数据采集由信息部门主导，数据存储由数据部门负责，数据处理与分析则需要协同业务部门及产品开发团队。通过贯穿全流程的台账记录和资源登记，确保数据从原始状态到资产化应用的完整链路可追溯。

数据资产金融化的利用趋势与现实痛点

数据作为第五大生产要素，将在人类走向人工智能社会的过程中发挥极大价值。这些潜在价值一方面通过数据的流通、共享、利用实现，另一方面也需要通过金融市场来发掘和放大。未来，数据资产将与金融市场相辅相成，共同作用于我国数据要素市场的壮大与完善。截至目前，实践中市场上已经进行了很多对金融意义下数据资产管理的探索，包括数据信托、数据资产质押融资贷款、无质押数据资产增信贷款、数据资产证券化、数据资产作价入股等。

一是数据信托。当前，数据信托主要在行政服务类信托下开展，将数据资产委托给信托公司进行管理。信托公司的优势何在？相较于传统数据资产处理模式，数据信托的核心优势是什么？委托信托公司的底层逻辑和特别价值是什么？这些问题均需要进一步深入研究。

二是数据资产质押融资。目前，数据资产质押融资的相关实践较为广泛，国内多数银行均已开展此类业务。根据与银行一线人员的交流了解，数据资产质押融资主要以锦上添花为主。例如，在科技金融的背景下银行支持数据型企业发展，出发点良好，银行本身也有一定的额度支持。部分融资是因为企业自身资质稍差，数据资产可以作为一定的增信手段。然而，银行对于数据资产的市场价值很难确认，银行目前的风控模型也与这类资产不匹配。许多数据资产质押安排实际上并未签订真正的质押合同，或者仅是使用传统的质押合同形式。但鉴于数据资产本身的权属在法律上仍存在争议，从严谨的法律角度来看，质押安排必然也会受到质疑。此外，贷款违约后，银行如何处置数据资产也是一个问题，因为数据资产的价值可能大幅波动，对银行来说存在较大风险。“因此，数据资产金融化目前更多是一种积极而有价值的尝试，但尚无法大规模推广。我们认为需要把握好当下与未来的关系，未来随着相关机制的完善，数据资产金融化有望水到渠成。”江翔宇博士解释道。

三是无质押数据资产增信贷款。对于银行来说，无论是质押贷款还是信用贷款，相较于企业的第二还款来源（即企业债务的担保，信用贷款情形下不存在第二还款来源），它都更关注企业的第一还款来源，即企业自身的经营情况与盈利能力，这是企业还款的根本。因此，在企业以数据资产申请银行贷款时，银行可能会因前述数据资产评估、管理、处置难的问题而拒绝以此作为担保。但企业拥有数据资产的数量本身即可作为企业情况的客观反映，再辅以企业提供的其他信息，银行可以更为全面和准确地判断企业实际的经营情况与盈利能力，并以此为基础确认企业的授信额度，为企业发放信用贷款，而非质押贷款等。

四是数据资产证券化。资产证券化系指将权属明确，能够产生稳定、可预测现金流的财产、财产权利或其组合作为基础资产，将该基础资产真实转移至依法构建的SPV（特殊目的实体），使该基础资产在法律上具有独立性和破产隔离的功能，并在此基础上发行资产支持证券的金融活动。需要注意的是，数据资产如作为资产证券化产品中的基础资产，则应当满足证监会、交易商协会、证券交易所、中国证券投资基金业协会等部门对于基础资产的相关合规要求。数据资产的产权确权制度、公示登记制度、市场交易制度等制度体系尚未完全建立背景下，对数据资产进行规范化的现金流预测时可能较难证明其未来能够产生独立、稳定、可预测的现金流。而数据资产真实出售的标准仍然依赖于数据资产的确权制度、公示制度、定价方法的确立，但目前我国数据资产相关法律制度有待完善。值得注意的是最近平安证券、华鑫证券均有作为管理人的数据资产ABS发行成功，具有重要意义。

五是数据资产作价入股。数据资产作价入股，类似于知识产权出资入股，可以给企业及其他组织充足的经济激励，推动其将持有的数据资源整合、治理，发掘数据价值，以期替代货币作为新设立企业的出资。而对于新设立企业来说，其他股东既然接受了数据资产的出资形式，即代表其有一定能力进一步实现对数据的管理与开发，激活数据资产的价值潜力，促进相关数据的流通交易。因此，数据资产作价入股是激励企业和其他组织进行数据治理、发掘数据价值、促进数据流通的有益手段。

然而也需注意，对上述数据资产金融化的探索安排，离不开数据资产评估，而数据资产定价问题是一个巨大的挑战。在资产化阶段，数据资源采用成本法入表，但在金融化即资本化环节，则需探索数据资产的市场化定价机制。当前，虽然中评协制定了数据资产评估的指引，但是实践中数据资产定价缺乏公认的评估标准或算法模型，实践中可能存在评估虚高、杠杆过大的风险。因此，数据资产定价应坚持审慎原则，通过完善可信空间、区块链等数据要素市场基础设施和相关法律制度，实现对数据资产公允价值的可信验证和判断，逐步建立行业共识，在此基础上水到渠成地进行数据资产金融化。

03

当前，AI技术已渗透到数据资产管理的全生命周期，从价值创造方式、资产认定标准到商业模式创新均产生了结构性影响。随着技术演进，数据资产管理将呈现更强的智能驱动特征，企业需要同步升级技术能力与数据资产管理策略，才能在数据要素市场化进程中把握先机。

第一，AI技术重构数据流通利用方式。以DeepSeek等大模型技术为节点，AI正在改变企业数据服务的底层逻辑与方式。在传统模式下，企业对于数据的利用，大多需要共享和交易等流通方式来实现。然而，这些数据需求现在可以通过部署AI来间接获得一定效果，形成了数据流通利用的新形式。

经过大量数据训练后的AI大模型，在部署和使用上更为高效、便捷，成本更低，能够更加直接地驱动业务发展。数据要素的价值本质在于驱动决策优化，AI通过强大的算法和场景适配，再加上知识库，有助于实现数据价值的精准释放。AI与数据相结合，在各种商业场景下的应用可能对传统的商业模式产生巨大影响。

第二，AI技术推动数据资产入表。数据要素的生产效率增加，相应地，可以入表的数据资产的规模也将增加。同时，作为数据资产的生产力工具，AI在数据资产治理、成本归集等方面可以提升入表的工作效率。AI模型的参数也是数据的表现形式，从技术角度看，模型是针对大量人类所提供的样本数据（训练数据），通过指定算法对数据特征进行分析统计后，按照机器所能理解的方式，所记录下来的特征规律。因此，参数就是这些特征与规律的数据载体，大模型入表具体体现为形成参数的成本入资产负债表。

未来，企业通过各种方式获得大模型并使用的成本，在符合会计标准的条件下可以入表，这或产生巨大影响。相较于2024年很多企业入表的尝试，如果数据资源的成本以模型的方式体现，则在成本的计量方面较为清晰，收益确认也会更加容易，但在认定确权合规的问题上还需要进一步研究。

第三，AI技术重塑数据资产管理体系。一方面，企业控制的大模型参数与使用权可视为数据资源资产化的重要载体。只要通过大模型应用产生持续经济利益，即符合会计准则的入表条件，这种模式可以助力企业优化资产结构。

另一方面，AI技术本身已成为数据资产管理的核心工具。例如，AI在数据治理领域可以对数据进行高效清洗促使其实现标准化，助力企业高效利用非结构化数据；以采集到的最基础的技术元数据信息以及业务样例数据作为依据，为企业在元数据管理方面提供便利；解析复杂的技术语言，精准描述数据的“前世今生”，帮助数据溯源；通过对大量高质量数据的学习，自动识别数据中的异常值、缺失值和错误值等，提升数据的整体质量，确保后续数据分析和决策的准确性；依据数据的内容、属性、来源等多种因素，结合企业的相关管理制度及规范，自动对数据进行细致的分类和标注，提高数据分级分类的准确性和效率等。

第四，AI技术释放私域数据价值。AI的基础是算法、算力、数据，在算法、算力问题解决后，数据要素的生产效率从线性增长转向指数级跃迁，数据要素的价值进一步显性。同时，所有公开的数据都可能已经被AI作为训练数据，但是大模型的实际使用效果不仅依赖于基础大模型和垂类大模型。“基础大模型+AI Agent+知识库”的方式下，私域数据的价值凸显，因其稀缺性和专属性成为核心竞争要素。

在AI驱动的新生态下，一方面，企业需建立新型数据防护体系，通过差分隐私、联邦学习等技术实现数据可用不可见，在模型训练与商业化过程中保护数据主权。另一方面，私有数据与垂类模型的深度耦合催生创新商业模式，如金融机构基于客户行为数据训练的风控模型，既可作为内部资产优化决策，也可通过API服务形成对外输出的数据产品。

未来，企业数据管理的变革方向可归纳为以下三个核心层面。

第一，基础数字化转型仍是核心前提。当前，部分企业尚未完成基本数字化进程，大量数据仍以非结构化形式存在，导致数据调用与AI应用效率低下。随着AI技术爆发式发展，企业亟需补足数字化建设短板，构建结构化数据体系。这不仅涉及数据存储方式的升级，更需要建立全链条的数据治理机制，为后续智能化应用奠定基础。

第二，AI技术驱动管理范式升级。企业应主动拥抱AI技术，实现双重突破。一方面，利用AI优化内部管理流程，通过智能分析提升运营决策效率。另一方面，将AI作为数据价值转化的核心载体。这要求企业建立AI-ready的数据架构，包括数据清洗、标注、训练等配套体系，使数据资产能够有效转化为智能决策模型和自动化解决方案。

第三，高价值数据资产的识别与运营。在数据管理方面，企业需建立价值分层机制。具体措施包括：构建数据价值评估体系，重点识别具有商业潜力的核心数据资产；创新数据产品化模式，通过API接口、SaaS平台等方式和可信数据空间、隐私计算等技术实现私域数据的持续变现；形成差异化竞争优势，依托独有数据资源构建技术壁垒，确保数据资产的不可替代性。这种“数据即服务”的商业模式将成为企业新的盈利增长点。

未来，数据管理将呈现动态演进特征：基础数字化建设与前沿技术应用需同步推进，数据治理需与商业场景深度耦合。企业要建立敏捷的数据战略，既夯实底层数据基建，又具备快速识别高价值数据并转化为商业产品的能力，方能在智能化竞争中占据先机。

《2024—2025年中国司库报告》

值得一提的是，本次司库报告通过收集、调研、访谈、对标，形成了多类型、多属性、多规模、多阶段的企业案例样本库，包括央企，国企，民企和上市公司等。此次，报告对标杆案例进行特别策划、独立成册，即《标杆案例集》，进一步发挥司库标杆引领，持续挖掘具有借鉴意义和典型价值的中国司库建设样本。通过综合实践、卓越司库和智慧财务三个维度加以展开论述。

通过以上这几个方面的内容，本次司库报告精心打磨33万字以上、123张数据图表、63家企业案例和18家银行案例，多视角、全方位展示中国企业司库管理的发展视图，共建中国式司库。

专题推荐

来源：财资一家