引言

数字化技术与社会深度融合背景下，数据已成为驱动创新与发展的核心战略资产和关键生产要素。政策层面持续推进数据要素价值释放：2019年党的十九届四中全会首次明确数据作为生产要素参与分配；2022年党的二十大强调加快发展数字经济；2023年12月国家数据局等17部门联合印发《“数据要素×”三年行动计划（2024-2026年）》，聚焦12大领域激发数据要素乘数效应。在此背景下，构建科学合理的数据资产估值定价机制对推动数据要素市场高效运行至关重要，既是保障数据提供者合理回报、构建公平交易环境的基础，也是优化资源配置、加速数据向生产力转化的核心支撑，最终服务于经济高质量发展目标。然而，数据资产的无形性、非竞争性、场景依赖性及权属复杂性使其估值定价面临巨大挑战，亟需系统研究。

现有研究多基于会计核算视角：收益法相关研究包括折现率计算、权利金节省法及多期超额收益法等，适用于交易性和收益性较好的数据，但折现率选择存在难点；成本法定价直观但难以反映数据资产的利润创造价值，仅适用于个人数据隐私补偿定价；市场法随数据交易增多可行性提升，但依赖有效数据交易市场。技术分析视角研究包括：国外学者提出维度模型估值框架和数据驱动期权定价方法；国内学者则探索数据信息熵、元组定价模型、深度学习模型、双边市场策略及博弈论模型等。

与上述视角相比，本文从重置系数视角出发，依据相对系数变化比修订数据资产估值；立足于交易平台视角，结合数据资产特性、形成机理及价值影响因素，通过AHP层次分析法得出权重系数，对双边市场定价模型结论进行动态修正，进而构建数据资产定价研究框架。

一、数据资产的内涵、形成与价值实现机理分析

（一）数据与数据资产的内涵界定

数字经济时代，数据已成为不可替代的生产要素与战略资源。其内涵分为广义与狭义：广义指基于测度或统计产生的物理符号组合，是可用于计算、决策的事实或信息；狭义则是以二进制存储处理的信息载体，是电子计算机与ICT技术的产物。二者均为信息传递载体，但存在细微差异。数据本质是对客观事物的记录与表达，是认识和改造世界的工具。随着信息技术进步与社会效率需求提升，原始数据需经处理以呈现事物发展轨迹并预测趋势，此类数据已具备资产潜力。数据最初以资源形态存在，转化为资产需明确法律所有权——所有权决定收益权，当所有权清晰时，数据可通过交易或自用为所有者带来持续收益，从而完成资源到资产的转化。因此，数据资产是指拥有所有权、能通过价值开发手段持续为所有者带来收益的数据资源。

（二）数据资产形成的过程机理

数据资产的形成过程是一个复杂而系统的演化过程，主要分为两个阶段：

1.数据资源化

数据资源化也是数据产生价值的基础，是指数据生成的过程，成为社会可以使用的一种资源。随着社会经济的发展，全世界每天都在产生海量数据，这些海量的原始数据还有待归集、清洗、分类、确权和价值开发，但尚未归集、清洗、分类、确权的数据仅仅是一种资源。这是数据资源往往分布在人类经济和社会活动各环节，是对人们开展经济社会活动数量、质量、价值量或痕迹的信息记录。

2.数据资产化

将数据从原始的信息记录转化为可以衡量、管理和交易的资产的过程，通过识别和沉淀数据资源，将这些数据通过归集、清洗、脱敏、分类、加工、储存、确权等，提升数据的质量和可用性，最终转化为具有实际价值的数据资产。在现实中，数据资产广泛分散于各级政府部门、企业、数据服务商和个体拥有者手中，成为一种潜在的生产要素，以供市场交易或自身价值开发。

需要交易的数据资产才产生了估值和定价问题，不用于交易的数据资产无需估值和定价。数据资产的估值和定价是数据要素市场运行的重要内容，探索合理有效的数据资产估值和定价机制与方法，对建立健全数据要素市场具有重要的理论和现实意义。

（三）数据资产的价值创造与实现过程

数字化时代，数据价值已超越商品属性。Xu T等人认为数据资产是具有实际或潜在价值的电子记录数据资源，受法律认可与管理。其价值实现实质是作为生产要素投入生产并创造价值，遵循马克思产业资本循环（G—W…P…W—G）基本逻辑，但数据要素具有独特性，具体分为两个阶段：

生产阶段遵循货币资本（G）—数据资本（D）—数据生产（P）—增值数据产品（W’）逻辑：企业投入货币资本获取原始数据（D），经清洗、脱敏等处理（结合人力资本与工具资本）转化为可用数据生产资料；通过分析建模生成高附加值产品（W’），其特殊性在于数据可重复使用（边际成本趋零），同一数据集可多次参与生产形成价值累积。

销售阶段实现增值数据产品（W）向货币资本（G）转化，包括直接销售或嵌入实体商品间接变现。稀缺性数据获高溢价，复用性支持多次交易，通过规模经济降低边际成本形成长尾收益。数据可同时参与多生产周期，缩短资本周转时间，且规模与场景增加会带来边际效用递增。

二、数据资产价值的影响因素分析

（一）数据资产的成本

数据要素受技术、组织和环境因素影响，金骋路和陈荣达指出技术发展与信息基础设施是数据资产价值实现的前提。数据资产成本涵盖全生命周期核心环节：数据获取与整合——包括来源获取、清洗预处理，存储与管理——涉及设备、系统及人力，分析与挖掘——包含工具与专业人力投入，安全与合规——涵盖技术投入与监管费用。这些成本贯穿建设开发与运行维护阶段，需综合规划以保障数据质量，支持决策。企业可通过合理规划与技术创新，在保障数据安全高效利用的同时控本提效，推动数据驱动业务发展。

（二）数据资产的市场价值

数据稀缺性是影响市场价值的关键因素：稀缺数据因供给不足而需求高，可获得更高定价。非同质化数据资产因独特性和不可替换性，价值易波动且需通过垄断维持稀缺性。翟云指出，政府数据公开虽降低稀缺性以实现价值最大化，但企业数据公开会削弱交易溢价，损害提供商权益。闫树认为稀缺性还可衡量数据独占程度与权属关系。

此外，数据的可分析性决定其利用效率与市场需求。高可分析性数据能支持市场趋势洞察、客户需求理解及业务决策，提升实用性。刘建坤和魏璐提出，通过数据分类标准化、构建统一规范体系及完善数据库，可建立针对性分析库，增强数据可分析性。

同时，数据的时效性直接影响资产价值。时效性指数据在特定时间段内对决策的实用性。可多次利用的数据时效性越长价值越高，但陈芳和余谦发现其超额收益逐年下降，符合时效性强的特征。李雅雄和倪杉指出，数据资产价值变动主要受时效性影响，不因使用而损耗。

（三）数据资产存在的风险

权属风险主要源于数据无形性、可复制性及多主体参与的数据生命周期，导致权属界定困难。尽管《数据安全法》《个人信息保护法》已实施，但数据确权、流通交易的法律保护仍不完善。企业处理个人数据时若脱敏不当，或共享经济中区块链技术应用的环节漏洞，以及数据可追溯性与完整性问题，均会增加权属风险。因此需建立清晰的数据管理政策，加强安全保护与法规遵从，降低风险。

此外，数据安全性风险关乎企业声誉与合规性。蒋雯和贾东晓提出，需按保密级别分级分类管理，保障各环节数据安全以实现高可信度与价值。数据泄露可能导致敏感信息被未授权获取，损害企业形象与客户信任，甚至引发法律纠纷。随着云计算、大数据技术发展，安全风险持续上升，企业需采用加密、访问控制、安全审计等措施，加强员工安全意识教育，构建安全管理体系，定期检测漏洞与部署补丁。

三、数据资产的价值评估与定价模型

（一）数据资产估值和定价的目标与原则

数据资产估值定价的核心目标是全面实现数据资产经济社会价值，服务数据市场发展。机制需精确反映数据资产内在价值，包括建设与维护成本，以及市场价值，涵盖稀缺性、独特性、质量、时效性及场景应用潜力，锚定真实价值。同时，合理定价应提升市场效率，降低交易成本促进数据自由高效流通、优化资源配置、打破数据孤岛，并构建激励兼容框架，激励供需双方创新挖掘，共同推动数据产业繁荣。在追求价值最大化过程中，需兼顾安全与发展，严格保障数据安全与个人隐私，确保交易合法合规。

估值定价需遵循以下原则：价值导向性，基于成本、质量、稀缺性和应用效用；公平性与透明性，保障交易公正、逻辑清晰；灵活性与适应性，能动态调整以适应不同数据类型、场景和市场环境；合法合规性，严守数据安全与交易法规；成本效益与可行性，方法经济可行。通过这些原则构建既能释放数据潜能、又能管控风险的可持续发展科学体系。

（二）数据资产价值评估方法选择：重置系数估值法

由于数据资产的形成是一个不断积累和沉淀的过程，其形成时间跨度涵盖多个区间，在采用成本法进行估值时，需要根据不同年度的数据资产历史成本进行重置测算，以评估资产当前的实际价值。数据资产是以投入人力和物力成本为基础，那么对于数据系统和硬件设备的成本，依据物力成本重置系数进行重置测算；对于数据采集、分析以及治理过程中的人力成本，采用人力成本重置系数进行测算。其重置期限可以按照数据资产上线服务或产生价值的年份、数据成本发生年份进行确定。

物力成本重置系数根据CPI的年度变化进行计算，如表1所示。假设数据资产投入物力成本的年份为i，以i年为基期，i年的CPI为，i年的重置系数为1，则第二年的重置系数为，…，第N年的重置系数为。

人力成本重置系数根据该行业人均薪酬平均增长率进行计算，以软件和信息技术服务业为例，如表2所示。假设数据资产投入人力成本的年份为i，以i年为基期，i年行业人均薪酬整幅为，i年的重置系数为1，则第二年的重置系数为，…，第N年的重置系数为。

（三）数据资产定价方法选择：双边市场定价模型和AHP层次分析法

1．双边市场定价模型

假定数据交易市场为竞争性交易平台，分别为平台1，平台2等。为了简化研究，假定用户只在一个平台上进行注册交易即单边归属，而多变归属是指用户同时在其他多个平台进行注册交易。假定有个A类客户、个B类用户参与了交易平台（=1, 2）。

其中，分别为数据资产交易平台i向A、B类用户提供单位产品或是服务的价格。本文通过Hotelling价格竞争模型研究平台之间的竞争。在一个线性城市模型中，城市长度设为1单位，A类与B类用户在此城市中连续且均匀分布。城市两端设有平台1和平台2，用户使用时需承担与距离成正比的运输成本，A类用户成本为，B类用户为，这里的和可以视为交易平台的产品或服务对不同用户群体的差异化参数。若用户位于，则其参与平台1或平台2的效用是无差异的：

由于假定用户为单边归属性即，因此：

同理可得：

根据以上两个式子可以推测出，交易平台i每增加一个B类用户参与交易就可以吸引个A类用户，每每增加一个A类用户参与交易就可以吸引个B类用户。若外部性参数{}大于差异化参数{}，则会出一个交易垄断平台；若4，则该市场是竞争性市场。

联立公式（1）、（2）两个方程可得：

假定交易平台为A和B类用户提供单位产品或服务的成本分别为，则交易平台i的利润为：

因为Hotelling模型稳定的纳什均衡是对称均衡，因此，，，。将平台1和平台2向双边用户提供产品或服务的价格结构表示为（，参与平台1和平台2双边用户的数量表示为（）。并根据利润最大化的一阶条件和对称均衡的特征可得：

通过联立以上式子，可得双边市场中的均衡价格：

基于层次分析法的结果在根据（5）和（6）的结论即可求解在双边市场下数据资产的均衡价格，、的价格不仅是考虑了自身的原因也考虑了其他用户带来的外部性影响，使定价更接近于真实均衡价格。当一个用户的外部性为0的时候，价格就完全由自身因素决定。

2.AHP层次分析法权重修正

根据（三）的分析，本文在运用AHP法进行数据资产的合理定价评估时考虑以下因素。

（1）数据资产的成本。根据人力系数和物理系数修正之后的成本衡量。

（2）数据资产的市场价值。数据资产的市场价值会受到该交易数据的稀缺性、可分析性和时效性的影响。

（3）数据资产存在的风险。目前主要存在的风险包括权属风险和安全性。

由此构建的数据资产合理定价评估层次结构如图2所示。

• 数据资产合理定价
• 数据资产成本
• 数据资产市场价值
• 数据资产存在的风险

选择专家按照上述三个指标按照1-9的尺度进行赋值，计算平均值之后构建判断矩阵。但是在构建多阶判断矩阵的过程中，由于决策因素间的复杂交互性和主观判断的多样性，常常难以避免地出现数值上的前后不一致性，即矩阵中的某些元素可能隐含着相互矛盾的信息，导致整个矩阵无法确保完全的逻辑协调。为了评估并量化这种不一致性的程度，于是通过判断矩阵特征根来检验矩阵是否存在一致性。令判断矩阵最大特征值为λmax，阶数为n阶（n≤3），计判断矩阵一致性检验指标为CI：

CI越大，则表明判断矩阵的一致性越差，即矩阵中的元素相对重要性判断存在较大的逻辑矛盾。为了更准确地评估这种不一致性的程度，并将之与矩阵的阶数（即元素数量）相分离，引入了同阶平均随机一致性指标（RI¹，RandomConsistencyIndex）。在n＞2时，将CI和同阶RI进行比较，就会得到CR，用于评估判断矩阵的一致性是否达到可接受的水平。如果CR的值小于或等于某个预定的阈值（通常为0.1），则认为判断矩阵在一致性方面是满意的，即决策者的判断在逻辑上是相对一致的。其公式为：

通过以上模型，就可以得出三个影响因素的权重，将AHP确定的各因素权重作为调整系数，分别乘以平台对两边用户的初始定价，得到调整后的定价。具体公式可以表示为：

其中，表示调整后平台对第i类用户的定价，代表平台对第类用户的初始定价，表示第j个因素的权重，表示第j个因素对定价的影响函数，n表示因素的个数。

（四）数据资产定价模型可行性分析

1．理论合理性

本文模型综合了成本法、市场法及多因素权重修正的逻辑，具备理论完备性。

重置系数估值法通过动态调整历史成本（人力与物力），结合CPI与行业薪酬增长率，能够反映数据资产因时间推移和技术迭代导致的价值变化，弥补传统成本法静态估值的缺陷。

双边市场定价模型引入网络外部性参数（如用户规模对定价的影响），契合数据资产共享性、复用性特征，能够捕捉平台经济中供需双方的交互效应。

AHP层次分析法将成本、市场价值、风险等关键因素纳入权重修正体系，增强了定价模型对多维复杂因素的适应性，避免单一视角的片面性。

2.实践适用性

模型设计充分考虑了数据资产的特性和实际交易需求：

动态调整能力：重置系数法通过年度成本修正，可应对数据资产时效性强的特点；双边市场模型的均衡价格公式（）能够灵活反映外部性参数变化，适用于不同规模与成熟度的交易平台。

风险与合规兼容性：AHP模型将权属风险、安全性等纳入权重修正，可引导定价过程兼顾数据安全与合规要求，符合《数据安全法》《个人信息保护法》等政策导向。

场景适配性：通过调整模型中差异化参数（和）和外部性参数（），可适配工业制造、金融、政务等不同行业的数据资产定价需求，支持“数据要素×”行动计划的多场景落地。

3.潜在挑战与限制

数据基础要求高：重置系数法依赖完整的历史成本数据与行业薪酬增长率统计，若数据资产形成周期长或成本记录缺失，可能导致估值偏差。

主观性风险：AHP层次分析法依赖专家赋权，若判断矩阵一致性检验（CR值）未严格把控，可能引入主观判断误差，影响权重分配的客观性。

市场有效性前提：双边市场模型假设交易平台为竞争性市场，但当前数据交易市场仍处于初级阶段，存在信息不对称、标准化不足等问题，可能削弱模型的实际应用效果。

4.政策与技术支持

政策环境利好：国家数据局《“数据要素×”三年行动计划》等政策推动数据交易市场规范化，为模型应用提供了制度保障；数据确权与流通规则的逐步完善，有助于降低权属风险对定价的干扰。

技术赋能：区块链、隐私计算等技术可提升数据交易透明性与安全性，为模型中的动态定价与风险控制提供技术支撑。例如，区块链可追溯性可辅助权属风险量化，隐私计算能保障数据共享中的保密性需求。

5.综合可行性结论

本文提出的定价模型在理论与政策层面具备较强可行性，能够兼顾数据资产特性、市场动态与合规要求。然而，其实施效果依赖于数据基础建设、市场成熟度及技术配套的完善。未来需进一步开展实证研究，通过真实交易案例验证模型参数的有效性，并探索与人工智能技术的结合，以提升模型的鲁棒性与普适性。

该模型为数据资产定价提供了系统性框架，但需在实践中持续优化参数设计与技术适配，以应对数据要素市场化进程中的复杂挑战。

五、结论与展望

（一）研究结论

本文通过系统研究，形成以下结论：

理论层面，界定了数据资产“资源-资产-资本”的价值转化路径，揭示其非竞争性、场景依赖性与价值时变性特征；估值逻辑，构建“成本基础-市场价值-风险折价”三维评估框架，量化了开发维护成本、稀缺性、可分析性、时效性及权属安全风险等核心因子的影响权重；方法创新，提出融合重置系数估值法、双边市场定价与AHP修正的复合模型，解决了成本法与收益法在数据资产定价中的适配性矛盾。研究表明，数据资产的有效定价需以产权明晰为制度前提、动态风险管控为实施保障、场景化价值发现为核心导向。

（二）政府视角下的政策优化建议

基于研究结论，政府应通过制度创新破解数据要素市场化障碍。数据资产价格机制需政策环境支撑。

第一，数据确权制度的构建与完善是核心基础。清晰、稳定、可执行的数据产权制度（涵盖所有权、使用权、收益权、处置权）是定价和交易前提。需加速推进立法界定和实施细则制定，明确权属关系，为市场化定价奠定法律基础，释放数据市场价值。

第二，数据要素市场基础设施的健全是关键支撑。政策应培育多层次数据交易场所，建立高效透明安全的交易平台，推动数据登记、托管、质量认证、价值评估中介等配套服务体系建设。完善的基础设施能促进数据标准化和流动性，降低交易成本，使市场反馈驱动的定价更科学合理。

第三，数据定价规则与标准的探索引导是重要保障。鼓励行业协会、研究机构及企业共同制定价值评估与定价参考指南、行业标准。政策应引导建立兼顾成本（重置成本）、价值（稀缺性、可分析性、时效性）和风险（权属风险、安全性）的多维度定价框架。标准化参考有助于降低信息不对称，减少争议，提升市场效率。

第四，数据安全、隐私保护与合规监管的协同强化是底线。在促进流通利用同时，需强化数据安全、隐私保护及合规监管框架落实（细化《数据安全法》《个人信息保护法》执行细则），探索基于分类分级的差异化定价监管机制。严格安全合规要求直接影响数据资产风险溢价，健全监管环境能有效控制风险。

第五，促进数据流通共享的政策激励是活力催化剂。研究出台财税、金融等激励政策，鼓励政府部门、企业、研究机构在保障安全隐私前提下开放共享数据资源。探索公共数据授权运营、政企数据融合应用的定价机制和政策支持。流通共享政策能增加数据供给，激活市场活力，促进有效市场均衡价格形成。

第六，国际数据规则对接与跨境流动定价探索是未来布局。需关注全球数据治理规则演进，参与国际对话合作，建立符合我国利益、兼顾国际规则的跨境数据流动管理与定价机制。构建兼容国际规则的政策环境，有助于我国数据要素市场融入全球体系。

总而言之，数据资产价格形成机制成熟不仅依赖评估定价模型技术精进，更需健全、稳定、协同、前瞻的政策环境支撑。政策需围绕"确权-市场-规则-安全-流通"核心，着力破除数据要素市场化配置制度性障碍，为高效定价机制铺平道路，释放数据要素潜能，驱动数字经济高质量发展。

参考文献：

1. [1] 蔡万刚,钟榴,刘姜,等.基于双边市场的互联网平台企业倾斜定价模型与策略[J].上海理工大学学报,2019,41(01):52-57.
2. [2] 蔡跃洲,马文君.数据要素对高质量发展影响与数据流动制约[J].数量经济技术经济研究,2021,38(03):64-83.
3. [3] 陈芳,余谦.数据资产价值评估模型构建——基于多期超额收益法[J].财会月刊,2021(23):21-27.
4. [4] 高锦萍,李沛怡,刘兵伟.数字化转型下的企业数据资产价值实现与核算问题探究[J].商业会计,2023(24):84-88.
5. [5] 黄登玺,潘学芳.数据资产价值计算研究与实践[J].信息通信技术与政策,2022(02):29-36.
6. [6] 蒋雯,贾东晓.数据资产价值评估研究[J].合作经济与科技,2024(22):145-147.
7. [7] 金骋路,陈荣达.数据要素价值化及其衍生的金融属性：形成逻辑与未来挑战[J].数量经济技术经济研究,2022,39(07):69-89.
8. [8] 李海舰,赵丽.数据成为生产要素:特征、机制与价值形态演进[J].上海经济研究,2021(08):48-59.
9. [9] 林常乐,赵公正.数据合理定价：利用数据资产图谱解析数据价值网络[J].价格理论与实践,2023(03):20-25.
10. [10] 刘建坤,魏璐.数字化转型背景下油品智慧物流系统应用与展望[J].铁路采购与物流,2024,19(07):27-28+49.
11. [11] 陆岷峰,欧阳文杰.商业银行数据资产的价值评估与交易定价研究[J].会计之友,2022(19):30-37.
12. [12] 陆群,杨丰宁,夏敏,等.数字化转型提升企业创新绩效的路径研究：基于数据要素价值化视角[J].商场现代化,2024(18):125-127.
13. [13] 潘小军.基于消费者显著性偏好的双边平台转换成本和定价策略研究[J].中国管理科学,2021,29(11):45-54.
14. [14] 司雨鑫.互联网企业中数据资产价值评估模型研究[D].首都经济贸易大学,2020.
15. [15] 隋敏,姜皓然,毛思源.数据资产价值评估：理论、实践与挑战[J].会计之友,2024(11):141-147.
16. [16] 王婷婷.基于拍卖理论的大数据交易定价策略研究[D].云南财经大学,2019.
17. [17] 熊巧琴,汤珂.数据要素的界权、交易和定价研究进展[J].经济学动态,2021(02):143-158.
18. [18] 杨尊源.共享经济中区块链应用风险的法律规制——基于公主体与私主体的合作规制模式[J].北京社会科学,2021(06):75-86.
19. [19] 叶雅珍,刘国华,朱扬勇.数据资产化框架初探[J].大数据,2020,6(03):3-12.
20. [20] 赵丽,李杰.大数据资产定价研究——基于讨价还价模型的分析[J].价格理论与实践,2020(08):124-127+178.
21. [21] 祝继高,曲馨怡,韩慧博,等.数字化转型与财务管控创新研究——基于国家电网的探索性案例分析[J].管理世界,2024,40(02):172-192.
22. [22] 祖广政,朱冬元.基于模糊数学理论改进B-S模型的数据资产定价模型[J].中国资产评估,2022(03):24-34+1.
23. [23] Xu T, Shi H, Shi Y, et al. From data to data asset: Conceptual evolution and strategic imperatives in the digital economy era[J].Asia pacific journal of innovation and entrepreneurship,2024,18(01):2-20.

---

1. RI是一个基于大量随机生成的判断矩阵计算得出的统计量，它反映了在随机情况下，同阶矩阵可能达到的一致性水平。↩︎