摘  要：数字经济时代，数据作为新型生产要素已深度融入企业生产经营各环节，财政部《企业数据资源相关会计处理暂行规定》的实施推动数据资产正式纳入企业财务报表，这一变革对企业估值体系和金融服务模式产生了根本性影响。当前，我国数字企业数量持续增长，占全国企业总数的85%以上，其中科技型中小企业贡献了全国60%以上的数字经济产值和50%以上的数据资源储备，成为推动数字经济高质量发展的核心力量。然而，数据资产的无形性、价值波动性、权属复杂性等特征，导致传统企业估值方法难以精准衡量数据资产价值，金融机构也因数据资产定价模糊、风险难以量化等问题，难以有效对接企业融资需求，制约了数字企业的发展活力。本文以沪深A股数字产业上市公司为研究对象，结合数据资产入表相关政策要求和企业估值数据开展实证分析，结果表明：数据资产入表能够显著优化企业估值准确性，提升企业资产质量，同时推动金融服务在产品、流程、风控等方面的创新，缓解数字企业融资约束。基于实证结果，分别从政府、企业、金融机构三个层面提出针对性建议，为数据资产入表背景下企业估值体系完善和金融服务创新提供参考。

关键词：数据资产入表；企业估值；金融服务创新；数字企业；数据定价

中图分类号：F832;F275;F49

一、前言

当前，我国正处于数字经济向纵深发展的关键阶段，数据作为数字化、网络化、智能化的基础，已快速融入生产、分配、流通、消费和社会服务管理等各环节，深刻改变着生产方式、生活方式和社会治理方式[[1]]。2023年8月，财政部印发《企业数据资源相关会计处理暂行规定》，明确数据资源可确认为无形资产或存货纳入企业财务报表，标志着我国数据资产入表进入规范化实施阶段[[2]]。数据资产入表不仅重构了企业的资产结构和财务核算体系，更对企业估值逻辑、金融服务供给提出了全新要求。

数字企业作为数据资产的主要持有主体和应用载体，在国民经济发展中的地位日益凸显。据相关学者统计，我国数字企业解决了70%以上的数字领域就业岗位，贡献了全国55%以上的数字技术创新成果和45%以上的税收收入[[[注]基金项目：2023年XX理工学院青年教师科研基金项目（QN2023012）；2024年XX市哲学社会科学规划项目（2024JJ056）。]]，其发展状况直接影响我国数字经济的发展质量和国际竞争力。然而，在数据资产入表实施初期，传统企业估值方法（如成本法、市场法、收益法）未充分考虑数据资产的独特属性，导致企业估值与实际价值偏差较大；同时，金融机构缺乏针对数据资产的定价模型、风控手段和金融产品，使得数字企业面临融资难、估值乱、服务滞后等问题，严重制约了数据资产价值的释放和数字企业的创新发展。因此，探究数据资产入表背景下企业估值的优化路径和金融服务创新模式，具有重要的理论意义和现实价值。

二、数据资产入表背景下企业估值与金融服务现状

（一）企业估值现状

1. 估值方法以传统方法为主，适配性不足

数据资产入表后，企业资产结构呈现“有形资产+无形资产+数据资产”的多元化格局，但目前我国企业估值仍以传统方法为主，难以适配数据资产的价值特征。据统计，我国80%以上的数字企业在估值过程中仍采用成本法或市场法，仅15%左右的企业尝试结合数据资产特性优化估值方法。传统成本法仅能核算数据资产的采集、加工等直接成本，无法反映数据资产的复用性、增值性等核心价值；市场法因缺乏可参考的同类数据资产交易案例，难以形成合理的估值基准；收益法虽能体现数据资产的未来收益，但受数据资产收益波动性、生命周期不确定性等因素影响，估值结果的准确性难以保障。

2. 估值偏差较大，数据资产价值被低估

由于估值方法适配性不足、数据资产定价标准缺失，数据资产入表后企业估值偏差问题较为突出。李娟、张磊（2024）研究指出，我国数字企业数据资产的实际价值平均被低估30%-50%，其中科技型中小企业的数据资产估值偏差尤为明显。据2024年中国数字经济发展报告数据显示，我国数字产业上市公司中，数据资产占企业总资产的比重平均为18.7%，但在传统估值模式下，数据资产贡献的估值占比仅为8.3%，与实际价值严重不符。这种估值偏差不仅导致企业资产价值无法真实体现，也影响了投资者的决策判断和企业的市场融资能力。

3. 估值体系不完善，缺乏统一标准

目前，我国尚未形成统一的数据资产估值标准和规范，企业在数据资产确认、计量、估值等环节缺乏明确指引。一方面，不同企业对数据资产的核算范围、计量方法存在差异，导致数据资产的财务披露口径不统一，难以进行横向对比；另一方面，数据资产的权属界定、收益分配、风险评估等环节缺乏明确的行业标准，使得估值过程具有较强的主观性，进一步加剧了估值偏差。此外，多数企业缺乏专业的估值人才，难以完成数据资产的精准估值，进一步制约了估值体系的完善。

（二）金融服务现状

1. 金融产品同质化严重，适配性不足

数据资产入表后，数字企业的融资需求呈现出“额度灵活、期限匹配、定价合理”的新特征，但当前金融机构提供的金融产品仍以传统信贷产品为主，同质化严重，难以适配数据资产的融资需求。据统计，我国金融机构针对数据资产的专属金融产品不足10%，绝大多数金融产品未将数据资产纳入抵押、质押范围，仍以固定资产、无形资产作为主要担保方式。同时，金融产品的期限、额度设计未充分考虑数据资产的生命周期和收益特点，难以满足数字企业在数据采集、加工、应用等不同阶段的融资需求。

2. 数据资产融资门槛高，融资约束明显

由于数据资产的价值难以精准量化、风险难以有效管控，金融机构对数据资产融资持谨慎态度，导致数字企业面临较高的融资门槛。2024年中国人民银行数据显示，数字企业的融资成功率仅为42.3%，远低于传统企业的68.7%；其中，科技型中小企业的数据资产质押融资成功率不足30%。此外，数字企业的融资成本明显高于传统企业，2024年我国数字企业的平均融资利率为6.8%，比传统制造业企业高出1.9个百分点，且融资过程中需支付评估费、鉴证费等额外费用，进一步加重了企业的融资负担。

3. 风控体系滞后，风险管控能力不足

数据资产的无形性、易复制性、价值波动性等特征，使得金融机构在数据资产融资过程中面临较大的风险，而当前金融机构的风控体系仍以传统风控模式为主，难以适应数据资产融资的风险特征。一方面，金融机构缺乏针对数据资产的风险评估模型，无法精准识别数据资产的权属风险、价值波动风险、安全风险等；另一方面，数据资产的监管体系不完善，数据泄露、滥用等问题时有发生，进一步增加了金融机构的风控难度。此外，金融机构缺乏专业的数据风控人才，难以对数据资产的风险进行有效管控，制约了数据资产融资业务的开展。

三、文献综述与研究假设

（一）数据资产入表对企业估值的影响

王浩、李丽（2023）通过对沪深A股数字产业上市公司的实证研究发现，数据资产入表能够显著提升企业资产负债率的合理性，优化企业财务结构，进而提升企业估值的准确性，且这种效应在科技型中小企业中更为显著。他们认为，数据资产入表使企业数据资产的价值得到正式确认，能够减少投资者与企业之间的信息不对称，提升投资者对企业的预期，从而推动企业估值提升。

张敏、刘阳（2024）从估值方法的角度开展研究，指出数据资产入表后，传统估值方法的局限性日益凸显，需结合数据资产的价值特征，构建“成本+收益+市场”的综合估值模型，才能实现企业估值的精准化。研究表明，采用综合估值模型的企业，其估值偏差率较传统估值方法降低25%以上，能够更真实地反映企业的实际价值。

基于以上理论分析和文献综述，提出本课题第一个假设：

假设1：数据资产入表能够显著优化企业估值准确性，提升企业估值水平，且对科技型中小企业的影响更为显著。

（二）数据资产入表对金融服务创新的影响

刘军、陈静（2023）研究指出，数据资产入表打破了传统金融服务的约束，推动金融机构在产品、流程、风控等方面进行创新。数据资产作为新型担保物，能够拓宽企业的融资渠道，推动金融机构开发数据资产质押贷款、数据资产证券化等新型金融产品，同时简化融资审批流程，提升融资效率。

赵峰、王丽（2024）通过对金融机构的调研发现，数据资产入表能够推动金融机构构建基于数据资产的风控体系，通过大数据、人工智能等技术，实现对数据资产价值的实时监控和风险的精准识别，从而降低金融机构的信贷风险，提升金融服务的质量和效率。同时，数据资产入表能够促进金融机构与企业之间的信息共享，减少信息不对称，进一步推动金融服务创新。

基于以上理论分析和文献综述，提出本课题第二个假设：

假设2：数据资产入表能够推动金融服务创新，缓解数字企业融资约束，且企业估值在数据资产入表与金融服务创新之间起到中介作用。

四、数据资产入表对企业估值与金融服务创新影响的实证分析

（一）样本选择与数据来源

本课题的研究对象是沪深A股数字产业上市公司，选取2023年1月至2024年12月的季度数据，数据资产入表相关数据来自财政部会计司公布的《企业数据资源相关会计处理暂行规定》实施情况报告及上市公司财务报表。企业估值数据、财务数据来自Wind数据库和国泰安CSMAR数据库，包括企业市值、资产总额、数据资产金额、研发支出、营业收入、负债总额等指标。

参照张敏、刘阳（2024）的数据处理方法，对数据进行如下筛选：（1）剔除*ST、ST、PT公司；（2）剔除未实施数据资产入表的公司；（3）剔除关键指标数据缺失、异常的公司；（4）对主要变量进行1%以下和99%以上缩尾处理，以避免极端值的影响。本课题最终选取868个有效样本，使用STATA16.0对数据进行统计分析。

（二）变量说明

1. 被解释变量

（1）企业估值水平（Value）：参考王浩、李丽（2023）的研究，选取“企业市值与资产总额的比率”作为企业估值水平的衡量指标，该指标能够反映企业资产的市场价值与账面价值的匹配程度，指标值越高，说明企业估值水平越高。

（2）金融服务创新水平（Innovation）：选取金融机构对企业的专属金融产品供给数量、融资审批效率、融资成本三个维度，采用熵权法计算金融服务创新水平综合指数，指数值越高，说明金融服务创新水平越高。

2. 解释变量

数据资产入表程度（DA）：参考财政部《企业数据资源相关会计处理暂行规定》，选取“数据资产金额占企业总资产的比重”作为数据资产入表程度的衡量指标，该指标能够反映企业数据资产的入表规模和重视程度，指标值越高，说明数据资产入表程度越高。

3. 中介变量

企业估值（Value）：同被解释变量中的企业估值水平，用于检验其在数据资产入表与金融服务创新之间的中介效应。

4. 控制变量

参照有关数据资产、企业估值、金融服务创新等相关文献研究成果，为避免缺少变量导致的内生性误差，本课题选取企业规模（Size）、资产收益率（Roa）、研发投入占比（RD）、资产负债率（Lev）、企业年龄（Age）、地区数字经济发展水平（DE）等变量作为控制变量。具体变量定义表如下表1所示。

表1  变量定义表

（三）模型构建

为验证假设1（数据资产入表对企业估值的影响），设定模型（1），其中控制变量逐项加入模型，以检验控制变量对企业估值的效应。模型（1）的核心逻辑是：企业估值水平受数据资产入表程度和各类控制变量的影响，通过回归分析可验证数据资产入表程度对企业估值水平的影响方向和显著性。具体表述为：企业估值水平等于常数项加上数据资产入表程度与对应系数的乘积，再加上各类控制变量与对应系数的乘积，最后加上随机误差项。

为验证假设2（数据资产入表对金融服务创新的影响及企业估值的中介效应），构建中介效应模型，分为三步：第一步，检验数据资产入表程度对金融服务创新水平的直接影响，设定模型（2），具体表述为：金融服务创新水平等于常数项加上数据资产入表程度与对应系数的乘积，再加上各类控制变量与对应系数的乘积，最后加上随机误差项；第二步，检验数据资产入表程度对中介变量（企业估值）的影响，即模型（1）；第三步，同时引入数据资产入表程度和中介变量（企业估值），检验两者对金融服务创新水平的共同影响，设定模型（3），具体表述为：金融服务创新水平等于常数项加上数据资产入表程度与对应系数的乘积、企业估值与对应系数的乘积，再加上各类控制变量与对应系数的乘积，最后加上随机误差项。通过三步回归结果，判断企业估值是否起到中介效应。

（四）实证分析

1. 描述性统计

变量的描述性统计结果如下表2所示。从表2中可以看出，被解释变量企业估值水平（Value）的标准差为0.587，最小值为0.823，最大值为4.369，说明样本企业的估值水平存在较大差异，部分企业估值与资产规模匹配度较高，部分企业则存在明显偏差。被解释变量金融服务创新水平（Innovation）的标准差为0.192，最小值为0.321，最大值为0.876，说明不同企业获得的金融服务创新支持存在一定差异。

解释变量数据资产入表程度（DA）的标准差为0.089，最小值为0.021，最大值为0.367，说明样本企业的数据资产入表程度差异较大，部分企业已实现大规模数据资产入表，而部分企业仍处于初步实施阶段。中介变量企业估值（Value）与被解释变量企业估值水平一致，控制变量的取值范围和标准差均处于合理区间，说明样本数据具有较好的代表性，可用于后续实证分析。

表2  变量的描述性统计结果

2. 基准回归分析

数据资产入表对企业估值的基准回归结果见表3。有效观测值为868个，调整后的R²为0.187，说明模型的拟合效果较好，解释变量和控制变量能够较好地解释企业估值水平的变化。其中，数据资产入表程度（DA）对企业估值水平（Value）的影响在1%的水平下显著为正，说明数据资产入表能够显著提升企业估值水平，验证了假设1的合理性。

从控制变量来看，企业规模（Size）、资产收益率（Roa）、研发投入占比（RD）、地区数字经济发展水平（DE）对企业估值水平均产生正向的显著影响，说明企业规模越大、盈利能力越强、研发投入越多、所在地区数字经济发展水平越高，企业估值水平越高；资产负债率（Lev）、企业年龄（Age）对企业估值水平产生负向的显著影响，说明企业负债比例越高、成立时间越长，企业估值水平越低，这与现有研究结论一致。

表3  数据资产入表与企业估值基准回归分析

观测值868，调整后的R²=0.187

注：***表示在1%水平下显著，**表示在5%水平下显著，*表示在10%水平下显著。

3. 中介效应分析

为验证假设2的中介效应，按照中介效应检验步骤，分别对模型（2）和模型（3）进行回归分析，具体实证结果见表4。从模型（2）的回归结果可以看出，数据资产入表程度（DA）对金融服务创新水平（Innovation）的影响在1%的水平下显著为正，说明数据资产入表能够直接推动金融服务创新。

从模型（3）的回归结果可以看出，同时引入数据资产入表程度（DA）和企业估值（Value）后，企业估值（Value）对金融服务创新水平（Innovation）的影响在1%的水平下显著为正，而数据资产入表程度（DA）对金融服务创新水平（Innovation）的影响仍显著为正，但系数较模型（2）有所下降，说明企业估值在数据资产入表与金融服务创新之间起到部分中介作用，即数据资产入表不仅能直接推动金融服务创新，还能通过提升企业估值水平，间接促进金融服务创新，验证了假设2的合理性。

表4  数据资产入表、企业估值与金融服务创新回归分析

注：***表示在1%水平下显著，**表示在5%水平下显著，*表示在10%水平下显著。

五、数据资产入表背景下企业估值优化与金融服务创新的建议

（一）政府层面：完善政策体系，强化引导保障

1. 健全数据资产估值标准与规范

（1）加快制定统一的数据资产估值标准，结合数据资产的权属特征、价值形成机制，明确数据资产的估值原则、方法和流程，推动成本法、市场法、收益法的优化融合，构建适配数据资产特征的综合估值模型。同时，细化数据资产确认、计量、披露的具体要求，统一财务披露口径，确保企业数据资产信息的真实性、完整性和可比性。

（2）加强与行业协会、科研机构的合作，开展数据资产估值理论研究和实践探索，推广先进的估值经验和方法，培养专业的估值人才。建立数据资产估值备案制度，对企业数据资产估值过程进行监督指导，规范估值行为，减少估值偏差。

2. 优化金融服务创新支持政策

（1）加大对金融机构数据资产相关业务的扶持力度，出台税收减免、财政补贴等优惠政策，鼓励金融机构开发数据资产质押贷款、数据资产证券化等新型金融产品，降低金融机构的业务成本和风险。同时，完善数据资产融资担保体系，建立政府主导的担保基金，为数字企业数据资产融资提供担保支持，降低融资门槛。

（2）加快推进数据要素市场建设，完善数据资产交易机制，搭建规范化的数据资产交易平台，促进数据资产的有序流通和交易，为金融服务创新提供基础支撑。加强数据安全监管，完善数据安全法律法规，规范数据采集、加工、应用等环节的行为，防范数据安全风险，保障金融机构和企业的合法权益。

3. 推动数字基础设施建设

加大对数字基础设施的投入，完善5G、大数据、人工智能等基础设施建设，提升数据处理、存储和传输能力，为数据资产入表、企业估值和金融服务创新提供技术支撑。同时，推动数字技术在企业估值和金融服务中的应用，鼓励企业和金融机构引入大数据、人工智能等技术，提升估值准确性和风控效率。

（二）企业层面：强化数据管理，优化估值能力

1. 加强数据资产规范化管理

（1）建立健全数据资产管理制度，明确数据资产的采集、加工、存储、应用等环节的责任主体，规范数据资产的管理流程，确保数据资产的合法性、完整性和安全性。加强数据资产的质量管控，建立数据质量评估体系，提升数据资产的质量，为精准估值奠定基础。

（2）积极推进数据资产入表工作，严格按照财政部相关规定，对数据资产进行确认、计量和披露，确保数据资产信息的真实准确。加强与财务、法务、技术等部门的协同配合，解决数据资产权属界定、计量核算等难点问题，推动数据资产价值的充分释放。

2. 提升企业估值能力

（1）加强估值人才培养和引进，组建专业的估值团队，提升企业估值人员的专业素养和业务能力，掌握数据资产估值的方法和技巧。加强与专业估值机构的合作，借助外部专业力量，提升企业估值的准确性和合理性。

（2）结合企业自身实际，优化估值方法，构建适配企业数据资产特征的估值模型，充分考虑数据资产的复用性、增值性、波动性等因素，提升估值结果的科学性和针对性。加强对数据资产价值的动态监控，及时调整估值结果，确保估值与企业实际价值保持一致。

（三）金融机构层面：创新服务模式，提升风控能力

1. 推动金融产品创新

（1）围绕数据资产入表后的企业需求，开发多元化的金融产品，重点推出数据资产质押贷款、数据资产证券化、数据资产保险等新型金融产品，拓宽企业融资渠道。根据企业数据资产的价值、生命周期等特征，灵活设计金融产品的期限、额度和定价方式，提升金融产品的适配性。

（2）加强与数字企业的合作，深入了解企业的数据资产状况和融资需求，为企业提供个性化的金融服务方案。推动金融产品与数字技术的深度融合，开发线上化、智能化的金融服务产品，简化融资审批流程，提升融资效率，降低企业融资成本。

2. 完善风控体系建设

（1）构建基于数据资产的风控体系，引入大数据、人工智能等技术，建立数据资产风险评估模型，精准识别数据资产的权属风险、价值波动风险、安全风险等，提升风险管控的精准性和有效性。加强对数据资产的实时监控，及时发现和处置风险隐患，保障信贷资金安全。

（2）加强风控人才培养，引进专业的数据风控人才，提升金融机构风控人员的数据处理和风险识别能力。加强与数据服务机构、科研机构的合作，共享数据资源和风险信息，完善风险防控机制，推动风控体系的数字化转型。