数据资产入表背景下工业企业数据资产确权、估值与会计实操框架研究

数据资产入表背景下工业企业数据资产确权、估值与会计实操框架研究

作者：泷码软件（上海）有限公司、泷码软件研究院、泷码数字经济网研究部

摘要

随着《企业数据资源相关会计处理暂行规定》正式实施，数据资源正式纳入企业资产核算范畴，数据资产入表从理论探索转向企业落地实操阶段。工业企业作为数据要素的重要生产主体，在生产制造、设备运维、能源消耗、质量管控全流程持续沉淀海量时序化工业数据，这类数据具备高场景专用性、强关联性、多主体参与采集的特征，相比互联网平台数据，其确权边界、价值计量、会计处理存在显著差异。现有研究多偏向通用型数据资产理论，针对制造业细分场景下生产数据、能耗数据、设备运维数据的系统化实操框架仍然不足。

本文以财政部数据资产入表相关会计准则为基础，聚焦工业企业三类核心数据 —— 生产数据、能耗数据、设备运维数据，系统梳理数据资产全生命周期管理逻辑，构建从数据资产盘点、权属界定、价值评估，到会计确认、初始计量、后续摊销、列报披露的完整实操框架。研究区分内部自用数据资源与可对外授权的数据产品两类形态，厘清二者在确权规则、估值模型、会计科目选用、摊销方案上的差异，形成适配制造企业业务场景、可落地执行的数据资产操作指引。同时识别工业企业数据资产入表过程中的现实痛点，包括多主体权属纠纷、价值波动性强、成本归集困难、数据质量参差不齐等问题，并给出对应的风险管控方案。本研究成果可为工业企业开展数据资产规范化管理、会计师事务所开展数据资产审计、地方工信与财政部门推进制造业数据要素试点工作提供理论参考与实操工具。

关键词：数据资产入表；工业企业；数据确权；数据资产估值；会计处理；制造企业；数据要素

一、绪论

1.1 研究背景

数字工业化与工业数字化的持续推进，使得工业生产活动由传统物理生产过程转变为 “物理生产 + 数据生产” 并行的复合生产模式。离散制造、流程制造企业在生产线运行、设备巡检、能源监测、车间管控过程中，持续采集、存储、处理海量工业时序数据，数据逐步成为驱动生产降本增效、预测性维护、能耗优化、质量追溯的核心生产要素。在政策层面，国家持续推进数据要素市场化配置改革，明确提出推动企业数据资源资产化管理。财政部印发《企业数据资源相关会计处理暂行规定》，自 2024 年 1 月 1 日起施行，明确企业可将符合条件的数据资源确认为无形资产或者存货，标志着数据资产正式获得会计层面的资产身份，数据资产入表具备统一会计规则依据。

工业场景的数据与消费互联网数据存在本质区别。生产数据、设备运维数据、能耗数据大多是在企业自有厂房、自有产线、自有设备运行过程中产生，但采集环节可能涉及设备供应商、自动化集成商、云平台服务商、第三方能耗监测机构等多方主体，数据采集协议、存储协议、授权协议往往存在条款缺失，导致权属边界模糊。与此同时，大量工业数据仅用于企业内部生产优化，不对外交易；部分经过清洗、建模、封装后可以形成标准化数据产品，对外授权给产业链上下游企业使用。两类数据的价值实现路径完全不同，直接套用通用数据资产估值与会计处理方案会造成资产虚增、计量失真、列报不合规等风险。

当前学术界与产业界对于数据资产的研究，较多集中于公共数据、互联网平台企业数据资产，针对工业企业细分场景的研究仍存在短板。多数研究将确权、估值、会计处理割裂开展，缺少一体化、闭环式实操框架；同时较少区分内部自用数据资源和可对外授权的数据产品，难以直接给制造企业提供可落地的操作流程。在此背景下，针对工业企业三类核心数据，建立覆盖盘点、确权、估值、会计核算全链条的实操框架，具备重要的理论价值与产业实践价值。

1.2 研究意义

1.2.1 理论意义

本研究丰富数据资产会计理论在工业领域的应用场景。现有无形资产准则体系主要适配专利、软件、商标等传统无形资产，工业数据资产具有非竞争性、可复制性、价值依赖场景、价值随数据质量动态变化等特殊属性，传统资产理论难以完全覆盖。本文区分内部自用数据资源与对外授权数据产品，明确两类资产的确认边界，细化生产、能耗、设备运维三类工业数据的权属判定逻辑，完善工业场景下数据资产确权理论；针对工业数据场景优化估值模型选择逻辑，补充数据资产摊销方法的适用条件，拓展数据资源会计处理的理论应用边界，为后续工业数据资产相关学术研究提供场景化理论基础。

1.2.2 实践意义

第一，为工业企业提供一套标准化操作指引。制造企业普遍缺少数据资产盘点、确权、入账的完整流程，本研究将准则条文转化为分步骤业务操作流程，帮助企业识别可入表的数据资源，规范成本归集、资产入账、后续计量与信息披露。第二，帮助企业区分自用数据与对外数据产品，避免会计错配。内部自用数据不产生对外收入，而对外授权的数据产品具备市场化变现潜力，二者在估值、摊销、披露上应采取差异化方案。第三，助力企业释放数据要素价值。完成规范化入表后，企业可依托数据资产开展资产质押、产业链授权交易、报表优化等工作，同时规范的数据资产台账也能够支撑企业数字化转型成效量化评估。第四，为审计、评估机构提供工业数据资产的核查参考，降低数据资产评估与审计过程中的主观判断风险。

1.3 研究内容与研究框架

本文研究内容主要分为六个部分。第一部分绪论，阐述研究背景、意义、研究方法与研究边界；第二部分相关概念界定与理论基础，梳理财政部数据资源会计暂行规定，界定工业企业三类数据资产，辨析内部自用数据资源与对外授权数据产品的差异；第三部分工业企业数据资产盘点体系，设计盘点范围、盘点维度、盘点流程、数据质量评价指标；第四部分工业数据资产确权框架，分析工业数据多主体产生特征，建立权属判定流程，区分所有权、使用权、加工衍生权利，给出确权协议规范要点；第五部分数据资产估值方法体系，针对三类工业数据，对比成本法、收益法、市场法适用场景，分别建立自用数据与对外数据产品估值模型；第六部分会计实操框架，包含初始确认、成本归集、初始计量、后续摊销、减值测试、报表列报与信息披露；第七部分风险识别与保障机制，梳理入表过程中的权属风险、估值风险、会计核算风险，提出管控对策；第八部分结论与展望。

研究方法主要采用文献研究法、案例分析法、规范研究法。文献研究法梳理国内外数据资产、无形资产会计、数据确权相关文献政策；规范研究法基于财政部暂行规定构建实操框架；案例分析法结合离散制造、流程制造企业生产、能耗、运维数据场景，检验框架落地可行性。

研究边界说明：本文研究对象限定为工业企业自主控制、由生产活动产生的生产数据、能耗数据、设备运维数据。公共数据、客户个人信息数据、外购通用商用数据集不在本研究核心范围内；不涉及数据资产证券化、数据资产质押融资的复杂法律流程，重点聚焦企业内部入表实操。

1.4 国内外研究综述

国外对于数据资产的研究起步较早，国际会计准则委员会长期讨论数据资源是否满足资产定义。国外研究更多将数据视为企业无形资产或者数字化资产，重点研究数据价值评估，提出基于收益、成本、市场的多类估值模型，但国外会计准则并未单独设立 “数据资产” 独立会计科目，多将数据资源归入软件、无形资产核算，缺少专门针对工业时序数据的会计细则。在确权方面，欧美国家侧重版权法、合同约定确定数据使用权，工业机器产生的机器生成数据权属问题仍是争议焦点，多数依靠合同约定而非法定确权。

国内研究在《企业数据资源相关会计处理暂行规定》发布后快速增长。国内学者重点讨论数据资产会计确认条件、入表科目选择、数据资产估值模型、数据确权法律路径。现有文献存在一定局限：一是场景泛化，大多面向通用企业，缺少针对制造业生产、能耗、设备运维时序数据的专项研究；二是确权、估值、会计核算研究相互独立，缺少一体化闭环实操框架；三是没有严格区分内部自用数据资源和可对外授权的数据产品，两类资产价值逻辑差异巨大，很多文献混为一谈，容易造成实操误导。

在产业实践层面，国内多地开展数据资产入表试点，试点企业以能源企业、大型制造业集团为主。试点实践暴露出共性难题：数据资产盘点缺少统一清单模板、多主体合作场景下权属协议不完善、估值参数选取主观性强、数据资产成本归集困难、摊销年限难以确定。本研究针对上述痛点构建一体化框架，弥补理论与产业实操之间的鸿沟。

二、相关概念界定、政策依据与理论基础

2.1 政策依据

核心政策文件为财政部《企业数据资源相关会计处理暂行规定》。暂行规定明确，企业在日常活动中持有、预期会给企业带来经济利益，由企业控制，成本能够可靠计量的数据资源，满足条件可以确认为无形资产；企业日常活动中持有以备出售的数据产品，确认为存货。企业内部使用、不对外出售的数据资源，符合无形资产确认条件确认为无形资产；经过加工封装、用于对外出售或者授权许可的数据产品，满足存货确认条件的计入存货。

暂行规定明确，企业外购的数据资源，按照外购成本计入相关资产；企业内部自行加工形成的数据资源，可将可直接归属于数据资源的加工支出予以资本化，计入无形资产成本；无法资本化的日常运维、数据采集维护支出计入当期损益。同时要求企业在报表附注披露数据资产相关信息，包括数据资产类型、用途、账面价值、摊销方法、重大风险等内容。

2.2 核心概念界定

2.2.1 工业企业三类核心数据资产

1. 生产数据：在产品生产全流程产生的数据，包含产线工艺参数、加工时序数据、生产节拍数据、产品质检数据、批次追溯数据、物料消耗数据等，记录生产过程、产品质量、工艺状态，主要用于工艺优化、质量管控、生产排程。生产数据高度依附于企业产线、产品工艺，场景专用性极强，跨企业复用难度高。

2. 设备运维数据：工业传感器、PLC、SCADA 系统采集得到的设备振动、温度、转速、负载、故障报警、停机记录等数据，用于设备故障诊断、预测性维护、剩余寿命评估，降低设备停机损失。设备运维数据依附于特定型号工业装备，不同设备之间数据结构差异大。

3. 能耗数据：厂区、车间、单台设备的水、电、气、蒸汽等能源采集数据，包含实时能耗、峰谷能耗、能耗台账、能耗对标数据，用于节能改造、能耗统计、碳核算、能耗考核。能耗数据标准化程度相对更高，具备一定跨主体对标使用潜力。

2.2.2 内部自用数据资源与可对外授权的数据产品

内部自用数据资源：企业采集、加工，仅服务于本企业生产经营，不对外提供、不对外授权变现的数据资源。其经济利益流入体现为内部降本、提质、增效，不直接产生对外销售收入。例如仅用于本厂产线工艺优化的生产数据，仅用于本厂设备预测维护的运维数据。在会计上满足条件时，确认为无形资产。

可对外授权的数据产品：企业对原始工业数据进行清洗、脱敏、建模、封装，形成标准化、可对外交付、可以对外许可使用的数据产品。企业可以将数据产品授权产业链上下游客户使用，获取许可收入，经济利益直接来自外部市场交易。符合条件可确认为存货；若长期对外授权、不转移所有权，仅授予使用权，也可评估确认为无形资产。

二者核心差异：经济利益获取路径、控制边界、变现能力、确权范围、估值逻辑、会计科目、摊销方案均不相同，是本研究框架最核心的分类基础。

2.3 基础理论

1. 资产定义理论：资产核心三要素：企业拥有或者控制、预期带来经济利益、成本能够可靠计量。工业数据资产需要同时满足三要素，才能确认入表。重点难点在于 “控制”，工业数据不一定需要法律上完整所有权，企业能够排他控制数据使用权，预期获取经济利益，即可满足资产确认前提。

2. 无形资产会计理论：无形资产是无实物形态、可辨认非货币性资产。内部自用工业数据，不具备实物形态，能够单独区分，属于可辨认无形资产。无形资产初始计量以成本计量，后续采用摊销 + 减值测试模式。

3. 数据要素产权分层理论：数据产权可以分层，分为原始数据采集权、数据使用权、数据加工权、衍生数据产权，不追求单一完整所有权。工业场景多主体协作下，不需要必须拿到原始数据完整所有权，企业只要取得合法、排他使用权，即可作为数据资产入表。

4. 资产价值理论：资产价值来源于未来可获取的经济利益。自用工业数据价值体现为未来成本节约；对外数据产品价值体现为未来授权许可收入，两种价值收益口径不同，决定估值模型差异化选择。

三、工业企业数据资产盘点体系

数据资产盘点是确权、估值、入账的前置基础。工业企业数据资产盘点不同于传统固定资产盘点，数据资产具有无形、动态持续增量、多系统分散存储、数据质量参差不齐的特点，需要建立专项盘点流程，覆盖范围识别、资产建档、质量评估、台账建立全环节。

3.1 盘点范围识别

盘点范围限定于生产数据、能耗数据、设备运维数据，区分原始数据、加工后数据集、封装数据产品。
第一步梳理企业数据源系统：SCADA、MES、设备管理系统、能源管理系统、PLC 采集终端、传感器、质检系统、实时数据库、数据中台等。识别系统中存储的三类数据，排除不属于企业控制的数据，排除无法带来经济利益、质量严重不合格的数据，排除涉及个人信息、涉密不可加工入表的数据。

分类清单：

1. 生产类数据集：工艺参数数据集、质检数据集、生产批次追溯数据集；

2. 设备运维数据集：设备状态时序数据集、故障历史数据集、预测模型训练数据集；

3. 能耗数据集：车间能耗时序数据集、设备分项能耗数据集。

在盘点时同步标记用途标签：【内部自用】或【可对外封装授权】。

3.2 盘点核心维度

工业数据资产盘点需要建立多维度信息卡片，每条数据集建立资产卡片，包含以下字段：

1. 基础信息：数据资产编号、数据名称、所属业务场景、数据类型（生产 / 设备 / 能耗）、存储位置、数据源系统、数据格式、数据时间跨度、数据体量；

2. 权属信息：采集主体、存储主体、合作第三方（设备厂商、集成商、云服务商）、现有协议名称、权利类型（所有权 / 使用权）、授权期限；

3. 业务价值信息：使用场景、带来的效益类型（降本 / 提质 / 节能）、是否对外授权；

4. 数据质量信息：完整性、准确性、时效性、一致性、缺失率；

5. 成本信息：采集成本、存储成本、清洗加工成本、脱敏建模成本；

6. 风险信息：涉密情况、合规风险、数据安全风险。

3.3 盘点实施流程

阶段一：盘点准备。成立跨部门盘点小组，成员包含数字化部门、生产部门、设备部门、能源管理部门、财务部门、法务部门；梳理现有系统清单，制定盘点模板、数据质量评价标准。
阶段二：数据源梳理与数据摸底。对各业务系统开展数据扫描，识别三类数据集，初步筛选候选数据资产，剔除无效、过期、涉密数据。
阶段三：数据质量评估。建立工业数据质量打分模型，从完整性、准确性、时效性、一致性四个维度量化评分。低于阈值的数据，判定为不具备资产价值，不纳入入表范围。例如大量缺失、传感器漂移严重、时间戳错乱的时序数据，仅作为业务台账，不确认为资产。
阶段四：资产分类标记。按照【内部自用数据资源】、【可对外授权数据产品】做标签划分。
阶段五：建立数据资产台账与资产卡片，形成盘点报告。盘点报告列明可入表数据资产清单、权属现状、数据质量评估结果、成本归集情况、存在问题清单，作为后续确权、估值、会计入账的基础资料。

3.4 数据质量评价指标设计

• 完整性指标：有效数据记录占总预期记录比例，缺失值占比；

• 准确性指标：数据和现场物理真值偏差，异常值占比；

• 时效性指标：数据采集频率、数据更新周期，数据老化衰减速度；

• 一致性指标：跨系统同指标口径是否统一，编码是否一致。

数据质量直接影响数据资产价值，质量越低，资产预期经济利益越弱，严重不合格数据不满足资产确认条件。

四、工业企业数据资产确权框架

工业场景下，原始数据往往由传感器采集，设备供应商、自动化集成商、云平台服务商参与采集、传输、存储，形成多主体参与的数据生产模式，这是工业数据确权的核心难点。本研究不追求绝对完整所有权，依托数据产权分层理论，重点界定企业可控制的权利边界，满足会计上 “控制” 的认定标准。

4.1 工业场景数据权利分层

1. 原始数据采集权：传感器采集原始时序信号的权利，通常由设备厂商、集成商提供采集硬件；

2. 原始数据使用权：企业获取原始数据，用于内部加工、分析、生产优化的权利；

3. 数据加工权：企业对原始数据清洗、转换、标注、建模，生成衍生数据集的权利；

4. 衍生数据产品权利：企业加工后形成脱敏、封装的数据产品，对外许可使用的权利。

会计入表核心判断标准：企业是否能够排他性控制数据使用权，并且可以自主决定数据加工、使用方式，预期获取对应的经济利益，而不强制要求取得原始数据法律所有权。

4.2 权属判定流程

第一步，识别数据产生相关所有主体：企业、设备供应商、系统集成商、云存储服务商、第三方监测机构。
第二步，调取现有合同：设备采购合同、自动化项目合同、云服务合同、数据采集协议，核查合同内数据归属、数据使用、数据授权条款。
第三步，分情形判定权属：
情形一：产线、传感器为本企业采购，合同约定采集产生的工业数据使用权归本企业，无第三方限制。企业完整控制数据使用权，满足入表权属条件，属于企业可控数据资产。绝大多数企业自用生产、能耗、运维数据属于该类型。
情形二：由设备厂商提供设备并采集数据，合同仅授予企业内部查看使用权，禁止企业加工、对外授权。这类数据仅可内部查看，企业无法自主加工、形成衍生数据产品，控制权限有限，一般不确认为企业数据资产。
情形三：多方共建产线，合同约定数据共有。共有数据需要明确各方使用边界，企业仅能将本企业可独立控制使用的部分纳入资产，共有部分不能全额确认为本企业资产。
情形四：企业委托第三方服务商进行数据清洗、建模。原始数据权利归企业，服务商仅提供劳务，加工形成的衍生数据集权利归属需要在委托协议中明确约定归属企业，方可入表。

第四步，权属缺陷整改。对于合同条款缺失、权属约定模糊的项目，补充签署专项数据权利补充协议，明确数据使用权、加工权、对外授权权限，消除权属瑕疵。权属存在重大争议、无法整改的数据，不纳入数据资产入表范围。

4.3 确权协议规范要点

针对工业项目补充协议，必须明确条款：

1. 原始生产、设备、能耗数据的使用权归属；

2. 企业有权对原始数据进行清洗、转换、建模、加工，形成衍生数据集；

3. 企业在脱敏前提下，有权将衍生数据产品对外授权（如果计划对外变现）；

4. 第三方不得擅自使用、复制、泄露本企业工业数据；

5. 数据授权期限、终止后的数据返还或删除义务；

6. 涉密数据、敏感工业数据的安全保密责任划分。

4.4 两类数据的确权差异

内部自用数据资源确权重点：保障企业内部排他使用权，不需要约定对外授权权限；
对外授权数据产品确权重点：除内部使用权外，必须明确企业拥有加工衍生、脱敏、对外许可的权利，没有对外授权权利，则无法形成可交易的数据产品。

五、工业企业数据资产估值方法体系

数据资产估值是会计计量、资产披露的关键环节。传统资产评估三大方法：成本法、收益法、市场法，在工业三类数据资产场景适用性不同。同时，内部自用数据资源和对外授权数据产品价值实现路径不同，估值模型参数、收益口径需要区分设计。

5.1 三种基础估值方法适用性分析

1. 成本法：估算重建或者复刻同等质量数据集所需要的全部成本，包含采集成本、存储成本、清洗加工成本、建模成本等。优点：参数客观，证据易获取，适合内部自用数据；缺点：成本和数据带来的经济价值不完全匹配，高成本采集的数据如果业务价值低，成本法会高估价值。适用场景：内部自用生产、能耗、运维数据。当数据主要用于内部降本增效，不存在外部市场交易价格时，优先选用成本法。

2. 收益法：估算数据资产未来可以带来的净经济收益，折现到评估基准日，得到资产现值。分为两种口径：对外授权数据产品采用未来许可收入折现；内部自用数据采用未来节约成本折现。优点：反映资产真实经济价值；缺点：参数主观，需要预测未来收益年限、折现率，不确定性高。适用场景：可对外授权的数据产品；价值提升效果可量化的自用数据。

3. 市场法：参考同类工业数据产品的市场交易案例，对比调整后确定评估值。缺点：当前工业数据交易市场不活跃，同类生产、设备运维、能耗数据集交易案例极少，市场法在工业场景适用性最弱，仅可作为辅助参考，一般不作为主评估方法。

5.2 内部自用数据资源估值（成本法为主）

评估对象：仅用于本厂生产、设备维护、能耗优化，不对外授权的生产 / 能耗 / 设备运维数据集。
成本构成：

1. 直接采集成本：传感器、采集终端硬件分摊，采集软件实施部署成本，采集项目人工成本；

2. 数据存储成本：数据库、云存储、实时数据库的存储费用分摊；

3. 数据加工成本：数据清洗、数据校验、标注、数据治理、质量提升投入的人工与软件成本；

4. 其他必要支出：数据安全、脱敏投入等。

需要剔除：日常持续运维的当期费用。仅将为形成数据集而发生的、可资本化的支出计入资产成本；后续日常运维、常规数据采集维护支出计入当期损益，不计入资产原值。

同时设置价值调整系数：基于前面盘点环节的数据质量评分，设置质量调整系数。数据质量越高，系数越接近 1；数据质量差，系数下调，对评估价值扣减，反映数据瑕疵带来的价值折损。

5.3 对外授权数据产品估值（收益法为主）

评估对象：经过脱敏封装、可对外授权许可的工业数据产品，例如设备故障诊断数据集、能耗对标数据集、工艺参考数据集。
收益法模型：
数据资产评估价值 = 未来各期数据产品许可净现金流量的现值之和。
关键参数：

1. 预测期：数据产品的有效经济寿命。工业数据存在时效性，工艺迭代、设备更新会造成数据价值衰减，一般工业数据产品经济年限显著短于软件，需要结合行业工艺迭代周期合理设定；

2. 每期许可收入：预测对外授权的客户数量、许可单价；

3. 相关成本：对外授权过程中的脱敏、安全、平台运维、营销成本；

4. 折现率：采用加权平均资本成本 WACC，考虑数据资产高不确定性风险，在基础折现率基础上加计风险溢价；

5. 损耗衰减系数：工业数据随时间衰减，新设备、新工艺出现后历史数据价值持续下降，在收益预测中逐年衰减。

5.4 三类工业数据估值差异化要点

1. 生产数据：场景专用性极强，跨企业复用困难。自用生产数据适合成本法；对外授权难度大，一般很少形成对外数据产品，收益法适用性低；

2. 设备运维数据：同型号设备数据集有一定复用潜力。自用场景成本法；如果封装成同型号设备预测维护数据集对外授权，可以采用收益法；

3. 能耗数据：标准化程度最高，跨企业对标需求强，最容易封装为对外授权的数据产品，收益法适用性更强。

5.5 估值风险管控

工业数据资产估值最大风险是参数主观性强。企业应当留存估值工作底稿，完整记录估值方法选择理由、参数来源、调整系数依据，评估过程需要企业财务、业务、评估机构共同参与，留存证据，便于后续审计核查。估值结果不能人为虚增，对于不确定性高、难以量化收益的数据，谨慎资本化，优先费用化处理。

六、工业企业数据资产会计实操框架

本部分依据财政部《企业数据资源相关会计处理暂行规定》，构建从初始确认、成本归集、初始计量、后续计量（摊销 + 减值）、终止确认、报表列报与附注披露的完整会计实操流程，区分内部自用数据资源（无形资产）、对外授权数据产品（存货 / 无形资产）。

6.1 数据资产会计确认条件

满足全部条件方可确认入表：

1. 由企业控制；

2. 预期未来带来经济利益流入（内部降本或者外部授权收入）；

3. 成本能够可靠计量；

4. 数据资源可辨认，能够单独区分。

不满足条件情形：无法可靠归集成本；权属存在重大争议；数据质量极差，无法带来经济利益；涉密不可使用的数据；日常零散采集、无持续价值的临时数据，上述情形支出全部计入当期损益，不资本化。

6.2 初始确认与科目选择

1. 内部自用数据资源：企业自行加工形成，仅内部使用，符合无形资产确认条件，计入无形资产 - 数据资源明细科目。
企业外购现成数据集用于内部生产优化，同样计入无形资产 - 数据资源。

2. 可对外授权的数据产品，分两种情况
（1）企业持续加工、持有以备对外许可转让，短期出售交付的数据产品，满足存货定义，计入存货 - 数据产品；存货不进行摊销，在销售确认收入时结转对应成本。
（2）企业持有数据产品，长期对外授予使用权、不转让所有权，持续多年获取授权收入，符合无形资产定义，计入无形资产 - 数据产品，后续进行摊销。

6.3 资本化成本归集规则

可以资本化计入数据资产原值的支出：

1. 为采集目标数据集发生的采集系统实施、传感器部署项目中，专门对应数据采集功能的资本化支出；

2. 为形成目标数据集，专门发生的数据清洗、转换、标注、建模、脱敏加工支出；

3. 为形成该数据集，直接对应的软件工具、算力资源专项投入；

4. 委托第三方加工数据，合同约定衍生数据权利归本企业，对应的加工服务费。

不得资本化，计入当期损益（管理费用、制造费用）的支出：

1. 日常持续性的数据采集、常规存储运维、定期备份的常态化费用；

2. 通用信息化平台、MES、SCADA 系统整体建设支出，该系统同时服务生产管控、报表等多重功能，无法单独拆分归属于该数据集的部分，整体确认为软件无形资产，不拆分计入数据资产；

3. 数据安全通用运维、日常数据质量巡检、业务人员常规操作人工成本；

4. 研究阶段探索性投入，尚未形成可用数据集的研发投入。

成本分摊难点：一套数据中台同时支撑多套数据集，需要按照合理分摊方法（存储容量、算力消耗、工时）将专项加工成本分摊至对应数据资产卡片，留存分摊计算底稿。

6.4 后续计量：摊销方法、摊销年限

对于确认为无形资产的数据资产，需要在其预计使用寿命内系统摊销。

1. 预计使用寿命判断：工业数据资产存在时效性，随着工艺迭代、设备更新，数据价值逐步衰减，不存在无限使用寿命，不认定为使用寿命不确定无形资产。

• 生产数据：受工艺迭代周期影响，一般 2~5 年；

• 设备运维数据：取决于设备服役周期，同型号设备淘汰后数据价值衰减，一般 3~6 年；

• 能耗数据：对标价值持续时间较长，一般 3~8 年。
企业每年复核使用寿命，若预期经济年限发生重大变化，作为会计估计变更处理。

2. 摊销方法选择

• 方法一：直线法。操作简单，审计友好，适合自用数据资源，每年等额摊销。适合价值平稳衰减的能耗数据集。

• 方法二：产量法 / 工作量法（加速摊销思路）。工业数据价值前期高、随时间快速衰减，生产、设备运维数据前期价值更高，可以采用工作量法，按照数据带来的效益产量、使用频次摊销；

摊销分录：
自用数据资产摊销，摊销计入对应受益部门成本。生产相关数据资产摊销计入制造费用；管理类能耗数据摊销计入管理费用。
对外授权无形资产类数据产品摊销计入其他业务成本。

6.5 减值测试

无形资产数据资产，每年年末开展减值测试。存在以下迹象，表明数据资产可能发生减值：

1. 生产线停产、设备淘汰，对应生产 / 运维数据不再使用；

2. 工艺重大升级，历史工艺数据失去使用价值；

3. 数据质量严重劣化，大量数据失效；

4. 市场变化，对外数据产品不再具备授权价值。

当资产账面价值高于可收回金额，计提资产减值准备。减值一经计提，后续不得转回。

6.6 终止确认

当数据资产不再能够带来经济利益，例如产线永久关停、设备全部报废、数据产品不再对外授权，企业终止确认该项数据资产，账面价值转入当期损益。

6.7 财务报表列报与附注披露

资产负债表：无形资产项下增设明细 “数据资源”；存货项下增设明细 “数据产品”。

报表附注强制披露内容，依据暂行规定要求：

1. 数据资产类型：生产数据 / 能耗数据 / 设备运维数据；

2. 用途：内部自用或者对外授权；

3. 账面原值、累计摊销、减值准备、账面价值；

4. 使用寿命、摊销方法；

5. 数据资产成本归集方法；

6. 权属情况、重大权属限制；

7. 数据资产重大风险：数据质量风险、合规风险、估值不确定性风险；

8. 本期资本化、费用化金额。

七、工业企业数据资产入表风险识别与保障机制

7.1 主要风险识别

7.1.1 权属法律风险

风险点：原始设备采购、自动化项目合同缺少数据权利约定，第三方事后主张数据权利；对外数据产品未脱敏，泄露商业秘密；数据对外授权超出合同约定范围，产生侵权纠纷。
应对措施：开展入表前权属尽调，补充数据权利协议；建立数据脱敏、安全审查流程；建立数据资产台账，持续跟踪合同授权期限。

7.1.2 估值计量风险

风险点：估值参数主观，人为高估数据资产价值；成本归集随意，将日常运维费用资本化；摊销年限选择不合理，调节利润；数据质量下降但未计提减值。
应对措施：建立估值底稿存档制度；财务部门严格区分资本化与费用化边界；每年复核资产使用寿命与资产减值；必要时引入第三方资产评估机构。

7.1.3 会计合规与审计风险

风险点：科目误用，自用数据计入存货；未按要求在附注披露；缺少盘点、确权、成本分摊支撑材料，审计证据不足。
应对措施：建立数据资产专项档案，盘点报告、权属协议、估值报告、成本分摊底稿统一归档；财务、法务、数字化部门联合复核入表方案，提前与会计师事务所沟通方案。

7.1.4 数据安全与合规风险

风险点：工业数据包含工艺秘密、核心生产参数，入表过程中资产文档外泄；对外数据产品脱敏不充分，泄露企业商业秘密。
应对措施：建立分级分类数据安全管理，核心工艺数据加密；对外数据产品上线前开展脱敏审查与商业秘密评估。

7.2 组织保障机制

企业需要建立跨部门数据资产治理组织：由数字化部门负责数据盘点、数据治理；业务部门（生产、设备、能源）负责业务价值确认；法务部门负责权属协议审查；财务部门负责成本归集、会计核算、摊销与报表披露。建立常态化年度数据资产盘点机制，每年更新数据资产台账，复核权属、价值、使用寿命。

八、结论与研究展望

8.1 研究结论

本文基于财政部《企业数据资源相关会计处理暂行规定》，针对工业企业生产数据、能耗数据、设备运维数据，构建一体化的数据资产盘点、确权、估值、会计实操框架，核心结论总结如下：

第一，工业数据资产入表的前置工作是系统化盘点。必须建立数据集资产卡片，从基础信息、权属、数据质量、成本、业务价值多维度建档，以数据质量评估筛选具备资产价值的数据集，劣质数据不得资本化入表。

第二，工业场景确权应当采用产权分层思路，不追求完整所有权，会计层面核心判断标准是企业能否排他控制数据使用权。区分内部自用和对外授权两类数据，对外数据产品必须额外具备衍生加工、对外许可的合同权利。针对设备供应商、集成商参与的多主体项目，需要补签数据权利协议消除权属瑕疵，权属不清的数据不能入表。

第三，估值方法差异化选择。内部自用生产、设备、能耗数据优先采用成本法，并增加数据质量调整系数；可对外授权的数据产品优先采用收益法；市场法在工业场景案例不足，仅作为辅助校验。生产数据场景专用性强，对外变现难度高；能耗数据标准化程度最高，最适合封装为对外授权数据产品。

第四，会计核算必须区分持有目的。内部自用数据资源确认为无形资产，在预计经济寿命内摊销；以备出售的数据产品计入存货；长期对外许可授权的数据产品计入无形资产。严格界定资本化和费用化边界，仅专门为形成数据集发生的加工采集支出资本化，常规运维支出计入当期损益；摊销方式匹配工业数据价值衰减规律，可选用直线法或工作量法，每年执行减值评估，并按准则在报表附注完整披露。

第五，工业企业数据资产入表存在权属、估值、会计、数据安全多重风险，需要建立业务、法务、财务、数字化跨部门协同机制，留存完整业务底稿，做好年度动态复核。

本研究框架将会计准则条文转化为制造企业可落地的操作指引，能够指导工业企业对三类核心工业数据开展资产化管理，规范入表全流程，减少会计错配、资产虚增等问题。

8.2 研究不足与未来展望

本研究聚焦生产、能耗、设备运维三类时序工业数据，没有覆盖供应链数据、客户数据、研发图纸数据等其他工业数据类型。同时当前国内工业数据交易市场仍处于培育阶段，收益法参数预测存在不确定性。未来随着数据要素市场完善，工业数据交易案例增加，可以进一步优化收益法参数与市场法应用模型。

后续可以进一步研究：数据资产入表后的税务处理规则；数据资产质押融资场景下资产评估调整；集团型制造企业内部数据共享场景下的数据资产合并报表处理。随着相关会计准则、数据产权法律法规持续完善，框架内容可以持续迭代更新。

数据来源与免责声明

数据来源

1. 政策文件：财政部《企业数据资源相关会计处理暂行规定》、《企业会计准则第 6 号 —— 无形资产》、《企业会计准则第 1 号 —— 存货》；

2. 文献资料：国内数据资产、工业数据确权、无形资产会计相关公开学术期刊论文、行业白皮书；

3. 产业实践素材：泷码软件（上海）有限公司、泷码软件研究院在工业数字化、数据资产咨询项目中沉淀的制造业案例与实操经验；

4. 行业指标参考：工业传感器、MES、能源管理系统行业公开技术文档，工业数据质量评价通用行业规范。

免责声明

1. 本报告仅为学术研究成果，用于理论探讨、行业研究参考，不构成任何企业会计处理、资产评估、法律事务、投融资的专业意见。企业开展数据资产入表、确权、估值、会计核算工作，应当结合自身业务实际，聘请会计师、资产评估师、专业法律顾问开展专项尽职调查与方案设计。

2. 报告内构建的实操框架、估值模型、指标体系，仅为理论模型。不同制造行业、企业合同条件、数据场景差异巨大，直接套用本框架可能产生偏差，企业落地实施前必须结合企业合同、数据现状、主管监管机构要求进行调整。

3. 本报告观点、结论仅代表泷码软件（上海）有限公司、泷码软件研究院、泷码数字经济网研究部研究团队的学术研究观点，不代表财政、审计、国资监管、市场监管等主管部门的官方立场，相关监管口径以主管机关正式文件为准。

4. 报告中涉及的估值方法、会计处理方案，基于当前有效会计政策撰写，后续如国家会计准则、数据产权相关法律法规修订，相关内容自动失效，以新政策为准。

5. 本报告所引用的第三方公开资料、行业数据均来源于公开渠道，研究团队不对第三方原始资料的真实性、完整性承担保证责任。未经书面许可，本报告内容不得篡改、拆分用于商业宣传、对外鉴证报告。