引言

电商行业作为天然的数据密集型业态，数据资产的价值创造能力尤为突出。数据资产贯穿电商企业运营全产业链，从用户画像勾勒、精准营销推送，到供应链优化、产品创新迭代，均发挥着不可替代的支撑作用。《第53次中国互联网发展状况统计报告》指出，截至2024年12月，我国网民规模已达11.08亿人，互联网普及率提升至78.6%，为电商行业积累了庞大的用户基数与活跃市场。然而，电商企业数据资产的价值易变性、与用户网络效应的强关联性等特性，导致传统资产评估方法面临明显适配困境。尤其是2024年以来，《企业数据资源相关会计处理暂行规定》《“数据要素×”三年行动计划（2024—2026年）》等一系列政策密集出台，为数据资产的规范化管理、市场化流通提供了明确导向，也凸显了构建科学数据资产价值评估体系的迫切性。传统成本法难以衡量数据资产的动态增值潜力，市场法受限于数据资产交易市场的不活跃及可比案例的稀缺性，收益法则存在收益预测主观性强的问题。如何将海量、动态的用户数据转化为可量化的资产价值，合理剥离数据资产在企业整体价值中的独立贡献，已成为电商企业在战略布局、资产管理、融资交易等活动中必须解决的核心问题。基于此，针对电商企业数据资产特性构建合理、可行的价值评估体系，兼具重要的理论价值与现实意义。

文献综述

数据资产的定义

根据《企业数据资源相关会计处理暂行规定》《关于构建数据基础制度更好发挥数据要素作用的意见》，数据资产指企业拥有或控制、源自合同或法定权利、无实物形态且可辨认、能带来未来经济利益的数据资源。其核心特征有：权属清晰、价值可计量、经济利益流入、可交易性。数据资产特性是价值评估难点根源。IBM（2012）提出大数据有“5V”特征，而数据资产具有非竞争性、非排他性、高流动性、高风险性、非实体性、可复制性等特点，虽增加管理和控制难度，但仍可控。

数据资产价值评估方法

国外学者对数据资产研究早于国内。Moody DL和Walsh P以有形资产要素计算信息资产价值；Lin GTR等人改进收益法得出新的数据资产价值评估模型，并进行案例分析和实证检验；ARIMA模型可将企业未来成长潜力融入收益法。国内学术界对数据资产估值无统一办法，因评估目的、考虑因素和价值角度不同，使用方法和指标也不同，主要分三方面：

1. 传统估值方法中的适应性调整

早期研究尝试将成本法、市场法、收益法用于数据资产。成本法方面，林飞腾认为大数据资产交易市场不活跃、收益难确定，选成本法扣除贬值得价值；肖毅等提出数据资产识别路径和成本归集方法。成本法较客观，但用于电商企业价值评估有局限：一是难准确评估无形资产价值，可能使结果低于实际价值；二是无法度量未来发展潜力。市场法探索中，刘琦研究修正参数确定问题并求解；陈建秋引入资产池理论改进并应用；收益法方面，黄乐等人构建平台数据资产评估模型，构建时需审视多方面并依企业实情定值。评估时需综合技术、经济、政治等多维度考量，确保模型客观准确。左文进与刘丽君提出大数据资产估值分解法，解决传统评估方法难以体现大数据组合增值效应的问题，通过分解量化精确评估数据资产价值，辅助决策，推动企业发展。彭娜认为收益法更适合数据资产评估。

2．数据资产估值方法的新探索

随着资产评估深入，学者引入数学、物理学科模型评估数据资产价值，丰富评估多样性，提高准确性。严鹏用机器学习及相关模型；嵇尚洲以东方财富为例，用收益倍增模型结合情景分析法评估；胥子灵改进多期超额收益法；方胤杰构建基于前景理论的实物期权定价模型；汤玉用突变级数法分离表外无形资产组价值；夏文蕾等引入数据势能模型，构建三维价值评估模型。

3．借用其他理论完善数据资产评估方法

还有研究融入经济学相关理论深化数据资产价值评估。熊励从市场供需视角提出定价理论；尹鑫提出双价委托拍卖方法；赵丽融合价值评估和博弈理论探讨动态定价问题；左文进与刘丽君等融入先进理论构建评估体系，丰富理论基础。沈俊鑫基于数据价值链理论，从系统论视角构建数据资产价值系统动力学模型，剖析数字资产价值释放滞后效应。苑秀娥从价值创造视角分析数据资产价值创造过程及表现，提出企业数据资产经济价值构成并评估创新性价值。这些研究推动数据资产评估方法进步创新，优化理论框架。

文献评述

梳理国内外文献，学界认同数据资产重要性，认知其独特属性，明确基于用户价值的评估思路更符合互联网商业逻辑与可行技术路线。但现有研究有缺口，尤其在互联网电商企业数据资产价值评估方面：一是参数预测静态化与估值动态需求矛盾，现有研究未结合企业生命周期理论预测核心参数，影响评估准确性；二是价值分成权重确定主观性与评估客观性要求矛盾，现有研究多采用层次分析法确定分成率，主观性强，引入客观数据校正为关键。本文聚焦该领域进行创新探索：首先，构建改进的CVBC模型，引入ARIMA模型预测用户规模，用指数平滑法预测单位用户价值贡献，依据企业生命周期理论差异化赋权与预测关键参数，使参数预测更贴合实际；其次，确定数据资产分成率时引入熵值法，构建AHP-熵值法组合赋权模型，融合主客观信息，提升科学性与稳健性。通过这两方面改进，构建更精准客观的评估综合框架，弥补现有研究不足。

电商企业数据资产价值评估方案设计

评估方案设计思路

本研究采用“整体价值测算—组合无形资产剥离—数据资产价值拆分”的三段式评估逻辑：首先，通过改进的CVBC模型从用户价值视角测算电商企业的整体价值，充分体现数据资产对企业价值的核心驱动作用；其次，根据企业资产负债表数据，剥离有形资产价值，得到组合无形资产价值（企业整体价值=有形资产价值+组合无形资产价值）；最后，通过AHP-熵值法组合赋权模型确定数据资产在组合无形资产中的价值分成率，最终计算得到数据资产的独立价值。

使用CVBC模型评估电商企业整体价值

1.传统CVBC模型缺陷修正

针对传统CVBC模型在电商数据资产估值中存在的参数预测静态化、成本归集模糊、参数赋权单一等缺陷，本研究从三方面进行改进：

在用户规模预测方面，摒弃传统的几何平均法或简单趋势外推法，采用ARIMA(2,1,1)模型进行动态预测。ARIMA模型适用于齐次非平稳时间序列分析，通过对数变换或差分处理使数据序列达到平稳状态，能够有效捕捉电商用户增长的周期性与趋势性特征，提升用户规模预测的准确性。

在单位用户贡献测算方面，以用户平均收入（ARPU值）作为单位用户收入的核心衡量指标，计算公式为ARPU=月收入/月平均用户数；针对单位用户成本的预测，采用指数平滑法，充分考虑历史数据的权重差异，提升成本预测的精准度，进而准确计算“收入-成本”的净贡献，解决传统模型中单位用户贡献固定不变的不合理假设。

在动态参数赋权方面，结合企业生命周期理论，对成熟期的用户留存率、增长率等核心参数进行差异化赋权。成长期企业用户规模快速扩张，用户留存率波动较大，需赋予增长率更高权重；成熟期企业用户规模趋于稳定，用户留存率保持在较高水平，需重点关注单位用户贡献的稳定性，通过差异化赋权提升模型与企业实际发展轨迹的适配性。

2.核心公式与参数定义

其中，为企业整体价值；为第k期活跃用户数，通过ARIMA(2,1,1)模型预测得到；为第t期单位用户净贡献，即ARPU值与单位用户成本的差值；为用户留存率，采用月活跃用户与年活跃用户的比值衡量；为折现率，采用加权平均资本成本（WACC）计算；为第k期获客成本，归集口径包括营销费用与研发费用，其中研发费用纳入获客成本是因为平台功能优化、算法迭代等研发投入直接影响用户体验与获客效率。

其中，为权益资本占企业总资本的比例；为权益资本成本，为债务资本占企业总资本的比例；为税后债务资本成本；为企业所得税税率。

其中，为无风险报酬率，为市场期望回报率，为股权系统性风险调整系数。

使用AHP-熵值法从电商企业整体价值中剥离数据资产价值

企业价值被划分为有形资产与无形资产两大类别，后者进一步细分为表内无形资产与表外无形资产。鉴于有形资产及表内无形资产的价值评估相对直接明确，本文聚焦于数据资产如何影响并分割表外无形资产的价值，进而构建了一个层次分析模型。

其中，为表外资产价值，为企业整体资产价值，为有形资产价值占资产总值的比例，为表内无形资产价值资产总值的比例。

本文运用层次分析法来量化企业中数据资产对其表外无形资产价值的贡献率。在此模型中，表外无形资产的价值被设定为最高层（目标层），旨在探究其构成因素及其价值分配。随后，设立了三个关键维度作为中间层（准则层），分别是品牌价值、创新能力、商业模式、可持续发展，这三个方面直接关联到企业从数据资产中获取的经济与非经济效益。最终，为了精确测定数据资产在表外无形资产中的价值分成率，模型的最底层（方案层）设立了数据资产、知识产权、市场资源、人才资源和社会责任，通过这些具体的资产类型来具体分析其对上层指标的影响，从而得出。

为兼顾行业经验判断与数据客观规律，本文采用AHP-熵值法组合赋权模型来确定数据资产价值评估中各因素的最终权重。该模型结合了AHP的主观权重（体现专家对行业价值驱动因素的理解）与熵值法的客观权重（反映数据本身的统计特性），通过加权集成得到综合权重，从而提升权重分配的科学性与稳健性。

其中：为第个指标的综合权重，为通过AHP得到的主观权重，为通过熵值法得到的客观熵权，为组合系数（0≤≤1），用于调节主客观权重的相对重要性。现有研究在确定数据资产分成率时“近乎均采用层次分析法（AHP），其权重完全依赖于专家打分”，其存在较强主观性的缺陷。为弥补这一不足，本研究引入了完全基于数据自身变异程度的熵值法作为客观赋权方法。将设定为0.5，赋予主客观因素同等重要性。最为直观且有力地体现了本研究旨在对主观经验判断与客观数据规律予以同等重视的核心思想。既不完全依赖专家的主观偏好，也不盲目尊崇数据的客观呈现，力图在二者之间构建一个对等、平衡的沟通桥梁，以获取一个更为稳健、更具说服力的综合权重。

P公司数据资产估值案例研究

案例选择依据

时代进步，人们对产品需求多样、质量要求严苛，传统主流電商发展动力不足、空间受限。P公司抓住契机，借社交电商模式精准定位市场、创新价值创造方式，数年内迅速崛起，成为全国第三大电商企业。P公司2015年成立后发展迅猛，截至2024年，年度活跃买家达9亿户，GMV预计达5.5万亿元，市场份额占比21%，位居行业第二。作为“社交+电商”模式典型，P公司商业模式独特，数据资产多维度，公开财务和运营数据丰富，能满足评估模型对数据的需求，且数据资产的形成与增值逻辑有行业代表性。所以，选择P公司作为案例开展实证分析，可验证评估框架的适用性和推广价值。

参数确定与整体价值测算

本文以2021-2024年财务报表为基础评估电商企业P公司，将评估基准日设定为2024年12月31日。各参数确定步骤如下：

1.用户规模预测

本文认为影响P公司未来活跃用户数量预测的因素有以下几个方面：

首先是企业所处的生命周期。在电商企业成立初期，多数客户受到平台广告宣传的活动吸引，注册成为平台新用户。此阶段的用户还没有完全信任和依赖平台，因此并不全部属于活跃用户。但是当电商企业顺利过渡到成长阶段时，企业拥有相对稳定的用户基础，用户会在平台上反复购买商品或者订阅服务。此阶段的电商企业拥有较多的活跃用户。P公司自2015年上线以来，至2021年已逐渐迈入成熟阶段，平台拥有一定基数的活跃用户，并且活跃用户数量稳定上升。

其次是市场推广的力度。对于电商企业来说，营销投入是用户增长的重要动力，营销费用的投入越高，市场推广的形式越新颖，广告覆盖面越广，企业客户的数量也就越多。在平台成熟期，营销费用逐渐降低，营销支出占总营收比例逐年降低，最终保持在25%-30%之间。P公司活跃用户数符合时间序列预测的使用条件，本文将使用ARIMA模型对未来两年P公司活跃用户数量进行预测，并设定自第三年起为P公司的永续增长期。本文选用营销支出作为ARIMA模型中的单变量因素。

根据P公司2021-2024年各季度用户活跃人数与营销支出，二阶差分ADF检验结果为平稳序列，d值取2，通过观察差分后序列的自相关图和偏自相关图，两者在一阶后均出现拖尾，即同时满足以下两种情况，1.在前一阶明显大于2倍标准差范围，之后几乎95%的（偏）自相关系数都落在2倍标准差范围以内；2.非零自相关系数衰减为在零附近小值波动的过程非常突然。因此论证了P公司2025-2026年活跃用户数预测最适合使用ARIMA(2,1,1）模型来实现。

对数据进行ADF检验，结果如下h:0,p:0.5611,s:-0.2021,cV:，差分序列的ADF检验结果如下；h:1,p:1.000e-03,s:-7.68176,cV:

通过差分前后时序图（图1，图2）和自相关系数图（图3，图4）。可以看出，差分前为非平稳时间序列，差分后的自相关系数降为0左右，p值在小于5%，因此是平稳序列。

2．用户留存率的修正

由于P公司并未公布平台的日活跃用户数值，本文将P公司月平均活跃用户与年度活跃用户的比值作为平台的用户留存率，P公司的活跃用户整体呈上升趋势且具有一定的季节性变化趋势用户留存率从成熟期的75%左右趋于稳定。结合上文对于P公司生命周期的划分，并且根据P公司的发展情况，本文认为未来2年内P公司仍然将处于成熟期。因此本文将各季度月平均活跃用户与年度活跃用户的比值的均值定为P公司的用户留存率，即为82%。

3．单位用户价值贡献的测算

（1）ARPU值的测算

ARPU是衡量用户价值贡献的核心指标。P公司通过农产品上行、品牌化升级与高单价品类渗透，持续推动ARPU提升。公司用户增长红利消退，ARPU提升是P公司提升营业收入的关键。ARPU提升逻辑：农产品电商和社区团购稳固低客单高频场景，品牌化发力高客单低频品类渗透。农产品线上化率空间大，2021年公司农产品GMV达3400亿元，目标在2025年达一万亿元规模。预计2022年GMV达1710亿元，增速超100%。龙头优势明显，品牌化以百亿补贴为代表，用户渗透提升至20%。手机、家电、化妆品等高单价品类为重点补贴品类。因此，P公司ARPU值仍具有良好的上升趋势。

根据2021-2024年P公司的ARPU值可以发现，ARPU值随年度逐渐增加，2021年与2022年相差不多，但是从2023年陡然上升，预测依据为2019-2021年每季度加权同比增长率。宋常与刘司慧根据企业主营业务增长率、资本支出增长率和公司年龄三个变量综合分类后，按行业均值对数据标准化处理，对不同生命周期进行打分，其中，成熟期初期0-2分，成熟期中期3-4分，成熟期后期5-6分。本文借鉴上述思路，对不同生命周期下的P公司ARPU值进行赋权。根据上文对于P公司生命周期的划分，2021-2022年P公司尚处于成熟期初期，2022-2024年P公司由成熟中期，且未来2年内预测P公司仍将处于成熟中期。因此，为了降低不同生命周期下的ARPU值增长率对于预测值的影响，将2021-2022年，2022-2024年增长率分别赋权为0.2，0.4。

（2）维客成本的计算

根据2021年-2024年P公司企业年报所示，2021年第一季度至2024年第四季度，维客成本持续稳定上升。本文认为未来两年P公司仍将处于成熟期中期，因此，本文用指数平滑法对基于P公司2021-2024年运营成本对2025-2026年的单位用户成本进行预测。

（3）获客成本的计算

由前文知，获客成本归集口径为营销支出与研发费用。P公司营销支出包括广告、宣传等费用，近年来为扩大品牌影响力、提升平台口碑，加大营销投入，在电子产品、美妆、农产品市场扩大份额。研发成本包括技术人员薪酬、电信费及线上平台活动费用。

整理2021-2024年P公司获客成本发现，2021年后因平台规模增速放缓、活跃人数渐趋饱和，获客成本逐步稳定。所以，本文对2025-2026年P公司获客成本增长率的预测，依据2021-2024年各年平均增长率的加权值，且这四年获客成本增长率权重相等。不过，P公司2023年开始拓展海外市场，国内新增客户渐趋饱和，新增人数主要源于海外市场扩张，因此将国内、国外市场新增人数分别预测后加总，得到总的新增客户人数。

（4）折现率的确定

在得到折现率前，选择加权资本成本WACC作为P公司未来折现率。以十年期国债到期收益率2.9%代替无风险收益率，市场风险溢价为市场预期报酬率与无风险报酬率的差值。因P公司在美国纽约证券交易所上市，选取2010年道琼斯指数收益率平均值14.72%确定市场预期报酬率。据东方财富网数据，P公司β值为0.77，利用CAPM模型算出P公司股权资本成本为11.57%。

4．企业现金流的确定

经过前文的计算，利用P公司2025-2026年的活跃用户数、单位用户贡献价值、用户留存率、新增客户数，得到2025-2026年的企业现金流量，计算结果如表1所示。

	活跃用户（亿）	单位用户贡献（元/用户）	新增客户数（亿）	单位获客成本（元/用户）	企业现金流（亿元）
2025Q1	7.02	123.37	0.50	772.00	480.06
2025Q2	6.96	125.41	0.55	747.27	461.85
2025Q3	6.90	125.29	0.60	749.59	412.50
2025Q4	6.84	129.69	0.70	687.06	404.08
2025年合计					1758.49
2026Q1	6.78	132.04	0.65	778.15	644.62
2026Q2	6.73	134.38	0.68	778.82	359.03
2026Q3	6.69	136.92	0.70	799.57	339.30
2026Q4	6.64	139.56	0.72	821.25	317.85
2026年合计					1660.80
2026年及以后					1660.80

5.企业价值的确定

	2025	2026	2026年以后
预测现金	1758.4916	1660.8002	1660.8002
折现系数	11.57%	11.57%	11.57%
复利现值系数	0.8963	0.8034
折现值	1576.133011	1334.204872	14354.36646
企业价值	17264.70

根据改进的CVBC模型，P公司在2024年12月31日评估的企业价值为17264.70亿元，P公司（美股代码：PDD）的市值约为2480亿美元，根据当时的汇率7.24，折合人民币17955.2亿元，误差是3.8%，误差在5%之内，表明本文所构建的改进CVBC模型在评估P公司企业价值方面具有较高的准确性和可靠性。

基于AHP-熵值法组合赋权的数据资产分成率的确定

P公司组合无形资产价值计算。企业的整体价值本质上是企业有形资产和组合无形资产价值的总和，根据P公司2024年中报，企业的有形资产主要包括物业、厂房和设备，其账面价值为8.8亿元，仅占企业总体资产账面价值0.15%。为科学确定数据资产在P公司组合无形资产中的分成率，本文采用AHP-熵值法组合赋权模型，以兼顾行业专家经验与数据客观规律。具体步骤如下：

1. 构建组合无形资产结构模型

以P公司组合无形资产价值为目标层构建层次分析法结构模型，根据P公司电商业务实际状况，准则层分为品牌价值、创新能力、商业模式、可持续发展四项。P公司是知名电商，有较高品牌认知度和用户口碑。品牌价值体现消费者认可与忠诚度及市场竞争地位，提升品牌价值可增加无形资产价值；创新能力推动P公司无形资产在技术和产品等领域创新，提高产品或服务附加值；受大众认可的商业模式是P公司成功关键，也是判断无形资产价值重要标准；P公司致力于可持续发展，评估其社会影响力等方面表现可反映无形资产社会价值。

方案层包括数据资产、知识产权、市场资源、人才资源和社会责任五个提升P公司组合无形资产价值的切入点。P公司是大数据驱动平台，拥有庞大的数据资产，可用于分析消费者行为等，提升用户体验和销售效果；知识产权包括商标、软件著作权、专利等，对保护核心竞争力和品牌形象至关重要；作为中国最大社交电商企业之一，P公司与供应商等建立良好合作关系，可获取供应链资源，扩大产品规模，增加销售额；人才培养和引进是推动公司创新发展的核心力量；积极履行社会责任，关注环保等社会问题，能增强社会形象和品牌价值，提升消费者信任和认可度。

2. 权重计算

采用传统的“9标度法”邀请专家对上述层次结构打分，本次问卷调查共向20位专家发放问卷，共收回15份，其中来自资产评估师4份，财经类教师5份，经济类研究员1份，电商从业者5份。剔除对电商行业不熟悉和依靠直觉进行判断的问卷，剩有效问卷15份，问卷有效率为100%。

1. 确定准则层对目标层的贡献。对15份有效问卷结果进行几何平均构造层次单排序矩阵A，确定准则层品牌价值、创新能力、商业模式和可持续发展四个要素对P公司组合无形资产价值的贡献，并进行一致性检验，
2. 确定方案层对准则层的贡献。同理，根据问卷调查结果，构造单排序矩阵B1、B2、B3、B4，确定方案层五个因素分别对数据资产、知识产权、市场资源和人才资源和社会责任的贡献大小，并进行一致性检验，结果汇总如表3所示。

表3一致性检验表

		B1	B2	B3	B4
权重	数据资产	0.145743	0.144253	0.132978	0.144278
	知识产权	0.121878	0.123260	0.113625	0.126754
	市场资源	0.072459	0.076336	0.070369	0.083383
	人才资源	0.529435	0.509264	0.469457	0.440243
	社会责任	0.130485	0.146886	0.213571	0.205343
最大特征根		5.0266	4.6494	5.0351	5.0322
CI		0.00666156	-0.087634	0.008783	0.00806
CR		0.005947	-0.078245	0.007842	0.007199
是否通过一致性检验		通过	通过	通过	通过

数据资产AHP总权重=2.44%+2.02%+1.11%+8.79%=14.36%。

3.熵值法客观权重计算结果

基于P公司2021-2024年实际运营数据，计算各指标信息熵与熵权，结果如表4所示。

指标	信息熵	差异系数	熵权
品牌价值相关	0.892	0.108	16.49%
创新能力相关	0.876	0.124	18.93%
商业模式相关	0.901	0.099	15.11%
可持续发展相关	0.845	0.155	23.66%
数据资产贡献度	0.831	0.169	25.80%

数据资产分成率W=0.5×14.36%+0.5×25.80%=20.08%。

4.评估结果

根据前文计算的P公司企业整体价值17955.2亿元，有形资产占比0.389%，则组合无形资产价值为：

Vi=17955.2×(1-0.15%)=17928.27亿元

数据资产价值为：

P=Vi×W=17928.27×20.08%=3600.01.亿元

结论与展望

研究结论

本研究构建“改进CVBC模型+AHP-熵值法组合赋权”综合评估框架，适配电商企业数据资产特征。用ARIMA模型动态预测用户规模，指数平滑法提升单位用户成本预测精准度，结合企业生命周期理论差异化赋权，解决传统CVBC模型参数静态化缺陷；通过AHP-熵值法融合主客观信息，确定数据资产价值分成率，降低估值偏差，提升评估结果稳健性与可信度。

P公司案例实证验证了评估框架的可行性与有效性。测算得出P公司2024年12月31日数据资产价值约2618.73亿元，占企业整体价值15.12%，与市场实际认知相符。同时，评估过程揭示电商数据资产价值增值逻辑：其价值嵌入核心业务环节，增值与用户价值实现同步，印证用户价值主导的增值逻辑。

电商企业数据资产价值具“双边协同、用户共创、全流程导向”特征。其价值源于消费者与商家双边协同；用户主动参与产生的原生性数据是提升质量与价值密度的核心；数据价值链各环节以用户价值挖掘与实现为导向，确保数据资产形成与企业商业价值目标一致。

研究展望

尽管本研究在电商企业数据资产价值评估方面有一定成果，但仍有不足：一是参数预测受数据可得性限制，部分细分指标因企业未公开披露，只能用代理变量或行业平均值，可能影响评估精细化程度；二是案例代表性待扩展，仅以平台型电商P公司为案例，不同商业模式电商企业数据资产价值形成机制可能有差异，模型跨平台适用性需更多案例验证。

针对这些不足，未来可从三方面深化研究：一是拓展案例覆盖范围，选取不同商业模式代表性企业为案例，细化评估参数调整规则，验证模型广泛适用性；二是优化评估模型全面性，结合大数据、机器学习技术提升动态适配能力，引入风险调整机制，构建风险调整后价值评估模型，完善估值体系；三是探索数据资产价值动态监测方法，基于实时运营数据构建实时更新的动态评估模型，为电商企业数据资产动态管理、实时决策提供支撑。

参考文献：

1. [1]朱扬勇,叶雅珍. 从数据的属性看数据资产[J]. 大数据，2018,4(06):65-76.
2. [2] 罗玫, 李金璞, 汤珂. 企业数据资产化：会计确认与价值评估[J]. 清华大学学报（哲学社会科学版）,2023,38(05):195-209+226.
3. [3] 林飞腾. 基于成本法的大数据资产价值评估研究[J]. 商场现代化，2020(10):59-60.
4. [4] 彭娜. 数据资产价值评估面临的挑战及应对措施[J]. 财务与会计，2022(14):74-75.
5. [5] 帅青红. 基于客户的互联网企业价值评估的实证研究[J]. 网络安全技术与应用，2005(04):34-37.
6. [6] 李凌寒, 凤艳. 基于改进CVBC模型的企业价值评估研究[J]. 财会通讯，2020(20):96-99.