数据资产入表的会计处理困境与对策探讨

一、引言

当下，数据已成为与土地、劳动力、资本和技术并列的第五大生产要素，是激活发展新动能、驱动经济社会发展的重要力量。按照财政部于 2023 年 8 月下达的《企业数据资源相关会计处理暂行规定》（以下简称《暂行规定》），从 2024 年1 月1 日起企业内部的数据资源需满足规定标准条件后确认为无形资产或存货，并于财务报表上列示。但是，数据资产依据《暂行规定》有着严格的界定范围，要求其必须为企业合法拥有或控制，同时能带来经济效益，只有这样才可作为数据资产并进行后续的入表流程。数据资产入表是按照规则将数据资源反映到财务报表中，然而目前数据资产入表处于初期阶段，相关法律尚未完善，实践企业相对较少，因此本文围绕数据资产在会计确认，初期计量，后期计量以及披露与列示等四个阶段所遭遇的挑战和困境探讨数据资产入表的会计处理，并给出相应对策和建议，以期数据资产规范化入表的会计进程稳步推进。

二、数据资产入表的四大会计处理困境

（一）会计确认：数据权属难以判定

对于数据资产会计确认而言，2023 年 8 月财政部印发的《暂行规定》中明确了“无形资产或存货观点论”，沿袭了无形资产准则和存货准则的逻辑思路，针对数据资产入表问题进行了明确，并且提供了具有可供实践的操作指引。但由于数据具有非竞争性、可复制性和多主体性特征，导致数据权属关系互相交错甚至互为边界，传统的物权中“所有权”无法在此直接运用。

数据资产的权属判定源于数据产生的主体有多个、数据流转环节相对比较复杂以及目前法律的原则性规定。在企业实践中，数据资源的形成往往十分复杂：个人提供的原始数据，可能由企业进行使用并进行一系列加工、处理，然后中间可能还掺杂着第三方的评估审核以及整合和深化。因此在多种类型主体共同参与以后，关于数据的所有权、使用权、收益权，界定起来难度变的非常大，这一过程往往面临着各方利益切割，背后反映的是现有数据资产管理体系不够完善的问题。

因此，《数据二十条》提出的“三权分置”的产权制度框架（即数据资源持有权、数据加工使用权、数据产品经营权），这是一个好的尝试和开始，但现有条件来看企业在判断自己有没有对数据资源形成了合法的控制等方面，还是非常困难的。

（二）初始计量：成本归集与分摊难度大

在数据资产入表的初始计量中，根据《暂行规定》对于完成会计确认的数据资源应依据不同情况划分至“存货”或“无形资产”科目。其中：

（1）划分至“存货”的数据资产《暂行规定》中要求需以历史成本来进行初始计量，包括数据资产达到预定可出售状态前所发生的必要、合理的支出；

（2）对于划分至“无形资产”的数据资源，其初始计量仍然继承“无形资产”下的理论框架，根据外购和自行开发两种方式进行不同的会计处理：外购成本包括数据资产达到预定可使用状态前所发生的价款、税费及直接归属于该项资产的必要、合理支出；自行开发的数据资产应区分研究阶段和开发阶段，只有处于开发阶段且满足资本化确认的五个条件才能认定为资本化的成本。

但是，不同于传统意义上的存货和无形资产，这些在实践中已经积累充足成本归集经验，数据资产成本归集的工作仍面临成本采集对象来源多、成本形态多、过程复杂三大困难。

（1）在成本构成方面，数据资产要通过采集、存储、清洗、 加工、分析等环节才得以形成，各个阶段成本构成及成本属性不尽相同，数据采集有设备投入费、接口费、采购费；存储有云服务费、服务器折旧费、运维人员工资；

（2）加工处理有算法开发费、模型训练费、标注费等等，数据资产成本散落在各会计科目下和各类预算之中。在传统的财务系统下，会计处理也仍然按照存货和无形资产这一理论去认识和归集数据资产的成本，这样带来的成本分摊结果显然不够准确。成本分摊存在的难点表现在3 个方面。

第一，直接成本和间接成本难以划分。一般而言，数据项目需要消耗计算资源、存储资源以及人力等，在多个数据资产间如何分配这部分共同的成本并无一个明确合理的标准，关于《暂行规定》也没有对此进行详细的规定。

第二，资本性支出和收益性支出难以区分。因为数据资源始终需要保持最新、最优的状态，所以数据资源更新及日常的资源维护产生的成本费用以及新的功能开发投入存在着一个难以区分资本化或费化问题。

第三，成本追溯没有技术支撑。数据资产的生成过程中存在着错综复杂的血缘关系，传统的财务系统无法实现对数据的生成成本进行追踪，并且手工计算成本十分耗时费力且准确度不高，这一问题若不解决就不存在将这些数据资产存为存货、并以历史成本计量的问题了。

（三）后续计量：减值测试结果不准确，摊销年限难以确定

根据《暂行规定》的要求，对于被划分为存货的数据资产，在后续的计量过程中需要定期开展减值测试工作，按成本和可变现净值二者孰低的原则来进行后续计量。同时，对于已被认定为无形资产的数据资产而言，则要以其历史成本作为基础，并根据确定的摊销年限计提摊销。其中，减值测试最大的问题就是如何在没有活跃市场的时候评估数据资产的可收回金额。因为采用成本法测算的数据资产价值经常会与实际不符；采用收益法测算的数据资产价值多为个人对未来的设想猜测，受制于所选用的模型和数据的不同导致预测结果相差巨大。目前应用市场法时遇到的问题主要是因数据交易市场尚未发展成形，可用交易案例较少，无法满足实际需要。数据资产减值迹象判定标准不明确，认定值多少时点需要计提减值准备，以及哪些情况属于资产减值迹象等问题的判定都带有很强的主观性。

数据资产属于无形资产范畴，在对它的摊销年限进行界定时势必遇到技术、市场及法规上的多重不确定因素。就技术层面而言，数据资产的摊销年限很大程度上取决于算法的更新迭代和技术的更替状况。

首先，有些用户的行为数据效期仅有数月，但基础特征数据的效期有可能为数年。因为技术生命周期是不可准确地预测的，所以如何对于数据资产的摊销年限作出合适的选择有很大难度。

其次，就是市场方面。同样的数据资源存在不同的应用场景，在一定时间会因为市场情况发生变化而存在不同的价值。

第三，由于政策调整、大众喜好的变化等都可能造成数据价值的快速损耗甚至消失。

第四，一些数据经过法律授权是可获得一定经济利益的，但出于某种目的，法律可能会改变相关条款，某些此前被允许合法运用的数据，可能会因新的法规而不能使用了。以上都会给数据资产摊销年限确定带来较大阻碍。

（四）披露列示：信息披露不健全，不合规

按照企业会计准则以及《暂行规定》的相关要求，企业需根据重要性原则和企业实际情况，对数据资源持有目的、业务模式等进行分析，在资产负债表中以报表子项目的形式单独列示。但是当前数据资产信息披露面临内容边界模糊、保密要求严格、价值波动性大的三大难题：

从内容上说，《暂行规定》对企业数据资产的信息披露只是提出了大概的方向，究竟该如何披露是很难定夺的，因此很容易出现披露过深导致泄密或违规的情况，如果要完全符合投资者的需求又要披露得较少就会无法保证投资者应有的知情权。

从合规的角度来看，进行数据资产信息披露会触碰到个人隐私保护、商业秘密保护、国家安全等多方面的法律法规约束，《个人信息保护法》要求个人信息处理活动应进行信息公示，《数据安全法》规定对数据实行分类分级保护等条款都是对信息披露的内容作了更多的规范，极有可能引起混淆。

从信息披露的角度来看，由于价值波动较大，导致信息披露难度加大，其数据资产的价值也可能因为技术迭代、政策调整、市场竞争等情况产生巨大变化，而企业却很难做到及时发现与披露这种价值变化；再者，由于数据资产计量方式和关键假设本身较难理解且数据资产处于不断变化发展中，因此如何用通俗易懂的语言向投资者阐述数据资产所涉及的相关专业问题存在一定的难度。

三、数据资产入表会计处理的对策和建议（一）企业内部建立完善的权属认定机制

对于数据权属较难判定的问题，首先要建立多层级的权属认定机制，在企业内成立数据权属评审委员会，由法务部、财务部、业务部和技术部共同参与，根据企业的特性进行数据权属认定标准制定，对于不同类型的资源数据，应分类别考虑。对于用户原始数据，明确通过用户协议界定授权范围；加工衍生数据，明确投入与产出的权属关系；对外购买的数据，要规范合同约定权利事项；从另一方面讲，也可以参考《数据二十条》，在企业内部建立数据资源持有权、数据加工使用权、数据产品经营权分级授权机制。

（二）运用先进制度和技术规范成本归集与分摊要想有效地实现成本归集与分摊，必须从制度建设、技术创新两方面解决这一问题。

从制度层面：建立数据项目全生命周期成本管理制度，可以参考制定《数据资产成本核算规范》，确定数据采集、存储、清洗、加工等相关环节成本范围及归集方式；构建数据资源成本分摊模型，根据数据资源消耗计算资源、存储资源、人力资源进行成本分配；完善内部转移定价机制，规范数据资源在企业内部流通使用并完成价值核算。

从技术层面：需要建设智能化的成本归集系统，开发数据资产成本自动采集工具，对接云计算平台、对接财务系统，从各环节自动采集成本数据；建立数据血缘追踪系统，记录全部的数据加工处理过程，将成本归集到对应的数据资产；同时也可以探索利用区块链技术，建立成本不可篡改的记录和分摊机制，提升成本信息的真实性、透明性，技术手段随着越来越多的企业进行数据资产入表开始被部分企业使用，且表现出较好的经济效益。

（三）创设多维度摊销与专业化减值测试体系

为了解决销年限确定困难的问题，我们可以通过参考并借鉴多维摊销模型，在确定数据资产价值生命周期的前提下，通过三种方法相结合的方式进行多维度分析，从而确定更合理的摊销年限范围。另外还要制定针对不同数据资产的不同摊销政策，针对基础特征数据采用相对长的摊销年限（ 3～5 年），而对于实时行为数据则需要采用相对短的摊销年限（1～2 年）。

针对减值测试来说，要抛弃以往对存货、无形资产减值测评的传统逻辑，转而从数据资产这一新事物切入，制定出一套数据资产减值测评系统；

针对有可能引发数据资产减值的技术迭代、政策调整、市场变动等维度建立一张数据资产减值迹象清单，并明确出相应的预警阈值；

制定数据资产价值评估参考体系，例如行业折现率标准、价值波动系数等相关专业标准参数，并定期请第三方机构对企业数据资产进行价值评估。

（四）采用分级分类的披露机制

完善数据资产信息披露还要建立分级分类的数据资产信息披露机制，在制定数据资产信息披露指南的基础上，设置不同的层级，给管理层提供全面的价值分析和风险评估，给投资者提供重要的价值信息和风险提示，为监管部门出具有关的合规证明以及审计报告等。

为更好地满足数据资产合规性要求、保障合规性披露，需要建立全链条的数据安全合规体系；对数据按照不同敏感程度实施分类分级管理，并按类别和等级采取相应的防护措施以及披露方式；通过开发数据脱敏工具包避免向外界披露涉及个人隐私或商业机密的数据；健全内部控制流程，建立数据资产信息披露的层层把关审核制度，严格遵照《数据安全法》《个人信息保护法》等相关法规；加强对第三方的审计、鉴证工作，定期进行独立的数据资产信息披露检查，提升数据资产信息披露质量。

四、总结和展望

数据资产入表对于数字经济时代企业优化资产结构、增强企业融资能力以及深入挖掘数据价值方面有着十分重要的意义。然而数据资产入表目前还存在以下问题：①难以准确界定权属；②难以完成成本的归集和分摊；③没有可靠的后续计量指南； ④ 信息披露的难度较大，企业的合规风险高。

对于以上问题来说，本文提出了一套系统的解决方案。首先，是明晰权属，制定内部认定标准和价值评价体系来解决认定难的问题；其次，运用先进制度和技术来明确成本归集、分摊，保证成本计量的准确可靠；第三，是建立多维度摊销及专业化的减值测试体系，准确度量企业后期使用寿命内的资产。最后，在满足财务报表信息披露透明性的前提下，实现既清晰明白又能够充分发挥其抵质押功能和预警效果。

从长期来看，在以上措施的补充和支持下数据资产入表的会计处理将持续优化和完善。一方面，在不断完善相关政策法律、法规和丰富实践经验的基础上，针对具体公司所做的会计准则会越来越细，为企业的实务提供可操作性；另一方面，技术的发展使得通过运用 AI 进行数据资产价值评估和减值测试以及通过运用区块链确认权属和溯源都将成为可能，为数据资产管理的自动化和智能化扫除障碍，降低操作难度。同时，未来可能还会形成立足于政策、技术、市场以及人本身等各方面的健全生态圈，并且让数据要素真正发挥出其价值，由此才可以在财务报表中真正看到数据要素发挥作用，帮助企业实现高质量发展，使数据入表在会计处理层面上能够科学、健康地发展下去。

参考文献

[1]张俊瑞,危雁麟.数据资产会计:现状、规制与展望[J].财会月刊,2023,44(12):3-11

[2]陈俊,李永康,龚启辉.企业数据资源会计处理研究——基于财会[2023]11 号文件[J].财会月刊,2023,44(21):13-18.

[3]黄世忠,叶丰滢,陈朝琳.数据资产的确认、计量和报告——基于商业模式视角 [J].财会月刊,2023,44(08):3-7.

[4]孙永尧,杨家钰.数据资产会计问题研究[J].会计之友,2022,(16):153-160.

[5]蔡艳.数据资产入表的挑战与对策[J].财务与会计，2024（16）：76-78.

[6]乔雅婷,时现. 数据资产审计：理论内涵、风险分析与应对策略[J].会计之 8友,2025,(16):146-153.

[7]张英