在数字经济蓬勃发展的背景下，数据作为核心生产要素的价值愈发凸显。2023年财政部《企业数据资源相关会计处理暂行规定》（以下简称暂行规定）发布后，上市公司数据资源入表已成为近期资本市场的关注焦点。然而，政策落地与实务操作衔接过程中，资产入表的对象、成本确认的标准、摊销方法的选择等诸多方面存在模糊地带，加之普遍存在的信息披露流于形式的问题，更加剧了对相关实务操作的理解困难。
数据资源入表绝非简单的会计科目调整，而是涉及业务逻辑、价值判断、内部控制和核算规则的系统性工程。绝大部分数据资源入表的实质是“开发支出资本化”，财务操纵风险也同样是不得不面对的实务问题。
一、入表数据资产的对象和边界
数据资源要成为会计意义上的 “资产”，需经历 “业务数据化 — 数据资源化 — 数据产品化 — 数据资产化” 的完整路径。数据资产化的核心标志是 “数据产品化”，即数据资源需形成对内降本增效或对外提供服务的独立数据产品，方能具备资产价值属性。
从交付形态看，数据产品可分为数据集（含语料库）、数据服务和数据应用三类。数据集是不同加工形态的数据集合，数据服务多以 API 接口、SDK 工具等形式提供，数据应用则表现为具备特定功能的软件程序，数据服务和数据应用均依赖完整的数据平台实现产品输出。一个典型数据平台的结构示意如下：
数据平台通过对数据层的调用对外提供数据产品，那么资本化的数据资产，应该广义地理解，是生产数据产品的整个数据平台，还是应该狭义地理解，数据资产的边界应仅仅限于数据层？
明确数据资产的入表对象，是解决入表的首要前提，也是避免会计处理混乱的关键。笔者认为：对数据资产是数据集的狭义理解，更符合准则和暂行办法的内在要求，主要包括以下考虑：
1. 从数据资产的定义出发
数据资产，是指拥有权属、有价值、可计量、可读取的网络空间中的数据集（叶雅珍，2020）。根据这个相对通行的定义，真正符合入表要求的应该是狭义上的“数据层”中经过加工整理后的数据集（含语料库）。
2. 广义的理解也不符合会计处理的规范
从会计分类来看，数据平台中的硬件层属于固定资产，软件层和调用层本质是软件著作权或非专利技术，可以归类为无形资产下的相关科目，这三类层级已有明确会计准则规范，从逻辑上也并非数据资源入表的规范对象。
二、数据层的结构和数据集的资本化构成
如上讨论，数据资产应界定为狭义的数据层。数据层通过对数据的生产加工，形成可用的数据集。一个典型数据层的结构示意如下：
数据集产品的资本化，贯穿数据获取、加工、存储全流程的支出总和，主要包括下表列示的四部分：
数据集成本的归集需遵循“相关性原则”，一是要合理区分数据收集成本与日常经营成本，二是仅与数据的加工过程直接相关的成本支出可直接或经合理分摊后计入数据资产成本。
经过加工处理形成的数据集，如果通过定制化直接向客户进行交付，则很可能适用于存货准则；用于企业的内部数据平台，通过数据平台间接对内部或外部输出数据产品，则很可能适用于无形资产准则。
三、数据资产的特征与实务操作难点
数据资产的价值核心是数据本身，而非承载数据的软硬件载体。数据资产与传统固定资产、无形资产相比，具有独特的属性特征，这些特征决定了其会计处理的复杂性和实务中的操作难点。
（一）数据资产的本质和入表范围的矛盾
根据研究统计（微信公众号“力道会语”，2025年）：截止2024年三季度报共有35家（剔除了披露有误但未更正的公司）上市公司实现了真正意义上的数据资源入表。35家入表的上市公司中有22家披露了具体入表数据资源资产的具体内容：1家公司入表为语料库，7家公司入表为数据集，14家企业入表数据资源为各类系统平台和技术平台。
如上关于狭义定义和广义定义的论述，数据资产的本质是“数据集”的生产或开发成本，而非数据平台、算法模型等数据产品的载体本身。对照这个定义，以上统计表明22家公司中只有8家的入表处理对象是合理的，14家实际是采用了广义的数据资产的观点，存在扩大化入表的误区。
各类系统平台和技术平台按准则规定完全可以计入无形资产中的软件著作权和非专利技术，这些处理方式本质是将无形资产进行了重分类列示，未体现数据资产的核心价值构成，实质上也不太可能符合准则和暂行规定的内在要求。
（二）数据的动态性带来的会计核算挑战
1. 动态性数据资产的资本化成本
数据资产最显著的特征是动态性，数据的产生、收集、更新实时持续，数据集内容也会随业务开展不断变化。数据集会随着用户使用反馈、新增场景需求持续更新，每天新增的识别样本、优化的语料数据，都会使数据集价值发生变化。这种动态性导致数据资产的“完成状态”难以界定，传统无形资产“达到预定可使用状态后停止资本化”的规则难以直接适用。
实务中，存在动态更新特征的数据集存在两种选择。一是确定上线商业运行的初始时点为“达到预定可使用状态”，上线之后新发生的数据购买和加工成本视为无形资产后续的更新和维护支出，直接进行费用化处理；二是上线之后新发生的数据购买和加工成本认定为无形资产后续的升级改造和功能扩展，持续进行资本化处理并增加数据资产的成本。
根据数据资产动态性的特征，新增数据与原有数据高度关联，在功能上其实是无法分割的，第二种处理方法更符合其数据特征，但这也就要求企业在数据资产核算中必须建立持续跟踪、实时归集的机制，为动态性核算提供良好基础。
实务中常见的动态性核算的具体操作逻辑为：每月结束后，将当月发生的原始数据取得成本、硬件折旧分摊额、软件摊销分摊额、加工处理成本等，按对应数据集进行归集；若多个数据集共用软硬件资源，按数据量占比或受益程度分摊；月末按归集总额确认为数据资产并计入无形资产或存货。
2. 非动态数据资产的核算方法
并非所有数据资产都具有动态性，间隔性外购的数据集（如按季度采购的行业统计数据、用于大模型训练的一次性语料库）属于非动态数据资产，其核算相对简单，可在采购完成并达到预定可使用状态后，一次性归集全部成本并确认资产。
3. 数据资产可选择的摊销方法
传统无形资产通常采用直线摊销法，但具有动态性特征的数据资产的价值衰减具有特殊性，新数据的持续产生会导致旧数据的价值快速下降，尤其是互联网、AI 等领域的动态数据资产，其价值在形成初期最高，随后逐渐递减。因此，对于具有加速衰减特征的数据资产，加速摊销法比直线摊销法更符合数据资产的价值变化规律。
对于非动态数据资产，若其价值衰减相对均匀（如按年度采购的行业数据），可采用直线摊销法，摊销年限按数据的使用周期确定。
（三）以上市公司“合合信息”为例分析实务操作
合合信息属于数据原生型企业（以数据为核心资产与收入来源），其数据产品“启信宝”是一款面向C端用户的企业商业信息查询APP和面向B端用户的SAAS应用，其汇集了中国境内超过3.4亿家企业等组织机构的实时动态商业大数据。
其2024年度核算的数据资产情况见下表：
1. 数据资产是经加工的数据集
公司确认为数据资产的基础数据和知识数据，是经过不同程序加工的数据集，该数据集通过公司的数据平台对B端和C端用户提供数据服务或数据应用。
2. 数据资产具有动态性的典型特征
公司外购后自行加工形成的相关数据集，具有动态性的典型特征。在暂行实施之前，公司将全部采购的数据进行当期费用化处理，实施之后则采用按月归集数据资源的成本并每月形成无形资产的方法，该核算方式直接颠覆了传统的无形资产核算方式。
3. 采用直线法进行摊销
公司数据资原自形成无形资产当月开始按照5年直线法摊销，未采用加速摊销法，很可能是和工商类数据并不强调数据的时效性相关。实务中，已进行数据资源入表的上市公司，大部分选择了传统的直线法摊销，小部分则采用了加速摊销法（年数总和法）。
四、数据资产入表的利润操纵风险
数字化时代，企业的数据是丰富多样的，但数据资源是否具有使用场景、准备开发的数据产品是否真正有用、是否在技术上具有完全的可行性，研发过程中研究阶段和开发阶段的划分、转结无形资产的时点，数据资源无形资产的摊销方法和减值测试等，都可能存在重大的管理层判断。
资本化处理的前提是良好数据治理之上的内部控制建设，从数据整个生命周期的各个重要节点，到会计核算中成本归集和分摊的客观依据，都对企业的数据治理能力和内部管理水平提出了新的挑战。
绝大部分数据资源入表是通过“开发支出资本化”来处理，从现实情况看，无形资产的“开发支出资本化”是会计准则提供的最大的利润操纵“工具”之一（叶金福，2018）。具体表现在：
1. 开发支出资本化的风险
企业有可能将不应资本化的数据资源进行资本化处理、混淆项目的研究阶段和开发阶段，将本应费用化的支出计入数据资产，虚增资产和利润。
2. 随意调整摊销方法和年限
数据资产的摊销方法涉及重大的会计估计。企业有可能通过不计提摊销、延长摊销年限、改用直线摊销法等减少当期摊销费用，虚增利润。
3. 未及时计提减值准备
数据资产减值也涉及重大会计估计。数据资产失去使用价值后仍列示于资产负债表，虚增资产。
此外，由于数据资产无实物形态、其有用性和价值难以判断，外购数据资产的交易，也很容易成为上市公司进行财务舞弊以及关联方占用上市公司资金的通道。
从实务中看，部分已实现数据资源入表的公司，其数据资产的开发支出资本化是唯一的资本化项目，甚至还存在通过大额资本化来实现扭亏的情况，已经存在比较明显的利润操纵。
五、数据资源入表“热”操作下的“冷”思考
数据资源入表是数字经济时代会计准则的重要创新，但其落地实施需兼顾原理与实践，笔者结合实务场景，从入表边界、资产特征、核算方法、利润操纵等方面展开分析，为上市公司的“热”操作提供一些“冷”思考。
1. 入表边界需严格限定
能纳入会计报表的数据资产，仅为经过加工整理、形成数据产品的数据集（数据层），硬件、软件等仍按传统资产类别核算。只是将原无形资产进行重分类处理，将会导致数据资产的虚增。
2. 资本化需满足高门槛条件
数据资产核算要求企业具备完善的数据治理体系和内控机制，在缺乏相应基础的情况下，盲目资本化可能引发内控和财务风险。
3. 成本效益原则需重点考量
数据资产核算需投入大量人力物力，对于多数的非数据原生企业，可入表的数据资源有限，数据资产成本有限，成本核算的难度较大，单纯追求会计层面的资产入表，不如聚焦数据治理提升业务价值。
4. 防止利润操纵是核心底线
企业需敬畏会计准则，健全内控制度，坚持杜绝利用数据资源入表进行利润操纵甚至财务造假；监管机构应加强监督指导，明确操作标准，防范数据资源入表成为新的财务操纵手段。
5. 强化数据资产的信息披露
企业应加强对数据资源的应用场景和业务模式、数据产品及使用、数据来源和关键加工技术等信息的披露，以便于使用者更好的理解从原始数据至数据产品的完整过程。
总之，数据资源入表是系统工程，并非 “一刀切” 的强制要求。当下阶段，适合入表的应该是数据原生型的企业，非数据原生型的企业应结合自身实际进行理性判断。数据资产化的核心是提升数据治理能力下的数据价值实现，而非会计科目调整，更非利润调整的会计工具，只有立足业务本质、坚守合规底线，数据资源才能真正转化为企业核心竞争力。
