解锁数据的财务价值-2025年数据资源发展研究报告

解锁数据的财务价值.—数据资源最新

发展研究报告致辞.当前，人工智能与数字经济的深度融合正在深刻重塑全球经济格局。数据作为新型生产要素，已从抽象的宏观概念，快速演变为企业资产负债表上亟待确认、计量与披露的微观资产。这一历史性转变，既是会计领域面临的重大理论挑战，也是服务国家“数字中国”战略、构建中国自主会计知识体系的宝贵机遇。非常荣幸在此发布我们与ACCA合作完成的《《数据资源最新发展研究报告》》。本报告立足《企业数据资源相关会计处理暂行规定》实施近两年的关键节点，通过扎实的问卷调研与深度的案例剖析，系统勾勒了中国企业在数据资源认知、战略定位、入表实践及披露质量方面的真实图景。我们看到，数据价值的认知已全面觉醒。超过70%的企业已开展或计划开展数据资源管理，数字经济企业对入表的探索尤为积极，这印证了我们一直以来的判断：会计的边界正在被数字化的创新实践重新定义。然而，报告也揭示出当前阶段的核心矛盾

——“知行断层”。企业战略制定与实际完成入表的情况存在断层。这背后既有业务与财务语言的隔阂，也暴露了传统会计逻辑在面对数据要素非竞争性、价值易变性等新特征时的不适应性。“业务热、财务冷”的现象，提醒我们需综合对数据资源入表过程中的重点和难点开展全面和系统的研究，助力会计理论与实务更好地适应数智经济的发展。上海国家会计学院始终致力于培养知行合一的高端会计人才，我们鼓励财务人员跳出会计看会计，财务人员不仅要懂准则、懂数据，更要成为能够洞悉商业逻辑、连接技术语言与资本市场需求的“首席价值官”。正如ACCA所倡导的，财务的使命正在从守护价值转向创造价值。本报告提出的阶梯化企业行动指南、对复合型人才培养的呼吁，正是对这一理念的生动注脚。展望未来，中国在数据资源领域的大规模同步实践，为全球贡献了独特的“制度驱动型实践”经验。我们期待这份报告能够成为一座桥梁，

一端连接学术研究与企业实践，另一端连接中国经验与国际实务与准则的演进。让我们携手并进，共同推动数据要素从“物理性入表”迈向“化学性融合”，真正释放其在高质量发展中的新质生产力。是为序。4致辞.当前，人工智能和数字经济正在重塑企业创造、管理和报告价值的方式。对财会行业而言，挖掘及披露数据价值并不仅是一项新的会计处理议题，更是回应数字经济发展、提升企业价值透明度的重要实践。ACCA长期关注财务职能转型与企业报告的发展。ACCA洞察报告《首席价值官：首席财务官的重要演变》指出，随着组织对“价值”的理解不断拓展，CFO的角色正在从传统财务管理者，进一步演进为价值创造、价值保护和价值沟通的重要推动者。ACCA相关研究也持续强调，未来财务团队需要在数据、技术、业务和治理之间建立连接，帮助组织在复杂环境中作出更高质量的决策。在这一背景下，挖掘和报告数据资源具有重要意义。数据作为新型生产要素，只有经过有效治理、可靠计量、合规使用和清晰披露，才能真正从业务资源转化为可被理解、可被管理、可被信任的企业价值。ACCA最新洞察报告《2026年全球人才趋势调查》表示，

人工智能和数字能力正在重塑财会人才的发展路径。面对数据资源入表，财会专业人士需要在会计准则、数据治理、价值评估、内部控制和专业判断之间形成综合能力，成为连接数据价值与商业决策的关键力量。我们希望，本报告能够为企业推进数据资源入表提供实践参考，为财会人才能力建设提供方向，也为中国经验参与全球无形资产和企业报告改革讨论贡献洞察。ACCA期待与上海国家会计学院持续深化合作，在研究、研讨与教学等多个领域共同推动中国财会人员在充满不确定性的人工智能与数字经济时代，为企业和社会创造更大价值。5报告概要.本报告旨在为政策制定者、企业管理者和财会专业人士提供关于数据资源价值管理及入表的实践洞察。本报告旨在将数据资源会计实践作为构建中国自主会计知识体系的关键探索，系统研究中国企业如何认知、管理并财务化其数据资源，识别实践中的系统性挑战，并基于中国的大规模初步实践，为准则完善、企业能力提升、人才培养和国际规则制定提供有益贡献。研究构建了包含数据价值链、会计信息有用性、产权理论及制度变迁理论在内的多维理论框架，并梳理了从“数据二十条”到《企业数据资源相关会计处理暂行规定》的制度演进脉络。随后，报告也对比分析国际会计准则理事会（IASB）和其他各主要国家和地区在这方面的探索情况。报告揭示了中国“准则与实践并行”的独特路径，以及国际范围内对于无形资产确认的共同痛难点。基于对166位企业中高层的调研，

报告发现数据价值管理虽已形成广泛共识，但落地执行程度不一，企业普遍面临评估标准缺失、数据质量参差不齐等挑战。数据资源入表与价值评估尚处早期探索阶段，财务人员角色转型迫切，但普遍存在培训不足与知识体系待更新的困境。通过对136家已入表上市公司的实践进行深度剖析，报告从治理、应用和披露三个角度对这些企业进行了对比分析。研究发现，入表实践呈现高度集中化特征，数字企业与部分传统企业在数据管理的规范程度上存在显著差距。在应用场景上，对外变现的经济利益路径更为清晰；在会计处理上，确认条件论证、成本归集与多场景分摊是核心难点；在信息披露上，存在透明度不足与质量维度缺位的问题。报告进一步选取了八家代表性企业，从入表结果、应用场景、公司治理、数据治理、商业模式与合规风险六个维度进行全景式剖析。案例揭示了企业实现数据价值的多样化路径与模式：有的企业将数据与算法模型深度结合，通过提供数据产品或数据服务来实现价值变现；还有的企业则探索将数据资产用于融资增信，推动其金融化应用。最后，报告提出了面向未来的四维行动框架。在企业层面，建议遵循“起步期-发展期-成熟期”的阶梯化路径，从场景驱动迈向生态引领。在人才层面，主张重塑知识体系，培养懂业务、通财务、精数据的复合型价值管理专家。在准则层面，呼吁发布场景化操作指引，建立行业交流机制。在国际层面，建议输出“治理先行于确认”的中国主张与“披露先行”的务实路径，为全球数据资产化贡献中国智慧。免责声明.数据资源入表属于新兴会计领域，研究和实践尚处演进之中，本报告的调研和案例研究部分样本有限，分析结论仅具参考价值，不宜直接外推至全市场或作为确定性判断依据。本报告对上市公司公开披露信息分析的部分受信息披露时效性及披露口径选择性的客观限制，无法保证所有信息的绝对完整性与及时性，相关分析结论仅反映截至报告发布日已知的公开事实。本报告旨在客观呈现数据资源入表的会计处理实践与行业趋势，不构成任何投资建议，投资者应依据自身情况独立判断，自行承担据此操作的任何风险。6理论与制度基础9（一）理论基石：数据资源入表的多维理论框架9（二）制度演进：从顶层设计到实务落地11（三）全球共性挑战与未来展望14企业认知的觉醒与断层：来自一线调研的战略图谱16（一）数据价值管理已基本形成共识，但落地执行程度不一16（二）深入挖掘数据资源价值，机遇与挑战并存17（三）数据资源入表与价值评估正处在早期探索阶段18（四）财务人员角色转型迫切及学习需求强烈19（五）

结论20上市公司入表实践：治理、应用与披露22（一）治理架构：从自发探索到体系化建设22（二）应用场景：对内赋能与对外变现的双轮驱动25（三）入表与披露：规范性与透明度的博弈27深度解码：八类企业的数据资产化路径与价值逻辑32（一）

中国电信：通信运营商“开发支出先行”的规模化入表实践32（二）南钢股份：钢铁制造业“数据+模型”双轮驱动的入表探索34（三）

中信银行：银行业“风险与价值平衡”的审慎入表探索35（四）科大讯飞：人工智能企业“外购数据入表”的合规路径36（五）每日互动：数据原生企业“全成本归集”的深度资产化实践37（六）小商品城：商贸零售行业“平台生态+数据服务”的特色入表模式38（七）龙源电力：新能源行业“风光数据+气象融合”的生产型入表实践39（八）卓创资讯：数据资讯服务商“数据即产品”的深度入表实践40（九）

本章小结41总结及综合行动建议42（一）企业行动指南：基于认知分层的阶梯化路径42（二）会计人才培养：锻造数财融合的价值管理专家43（三）准则制定与实施：构建清晰的实务操作指引43（四）

国际准则贡献：输出中国经验与方案44参考文献46目录.为何此时必须将数据资源纳入财务体系？

8（一）研究背景

8（二）研究目的与核心问题

87研究缘起：为何此时必须将数据资源纳入财务体系？（二）研究目的与核心问题本研究旨在将数据资源会计研究作为构建中国自主会计知识体系的关键实践。核心问题是：在《企业数据资源相关会计处理暂行规定》（以下简称《暂行规定》）实施的初期，■中国企业如何认知、管理并财务化其数据资源？■实践过程中面临哪些系统性挑战？以及，■如何基于中国大规模的初步实践，对准则完善、企业能力提升、人才培养和国际规则制定产生有益的贡献（一）研究背景习近平总书记曾指出：“以人工智能为代表的新一轮科技革命和产业变革，正在以加速突破之势催生新的生产方式、生活方式、学习方式、工作方式。”从过去几年发展态势来看，数字化转型及人工智能的快速发展，正驱动企业核心竞争力的来源发生根本性转变。数据作为新型生产要素，其战略价值已获国家与市场的广泛认同。然而，传统的会计体系在反映数据资源价值、引导数据要素有效配置方面面临滞后与失灵。构建一套能够准确计量、报告并引导数据资源管理的自主会计知识体系，已成为服务数字中国战略、培育新质生产力的紧迫时代命题。解锁数据的财务价值——数据资源最新发展研究报告|为何此时必须将数据资源纳入财务体系？8数据资源入表的会计实践并非凭空而生，而是植根于深刻的理论基础与制度背景之中。理解其理论根基，有助于把握数据从“资源”到“资产”转化的内在逻辑；审视其制度演进，有助于厘清中国与国际社会在数据资源会计处理上的路径选择差异；而展望其未来方向，则需要穿透纷繁的准则条文，把握“形式合规”与“实质治理”之间的深层张力。本章融合数据价值链理论、会计信息有用性理论、产权理论及制度变迁理论，系统梳理中国与国际准则制定机构的政策演进，揭示数字经济驱动与会计规制滞后之间的结构性矛盾，为后续章节的实证分析提供理论坐标和制度参照。（一）理论基石：数据资源入表的多维理论框架数据资源入表并非孤立的会计技术命题，而是涉及价值创造机理、信息揭示规范、产权制度安排与制度演进逻辑的多维度制度现象。本研究构建由四大理论支柱与数据经济特征分析组成的多维框架：数据价值链理论解释“何时入表”，会计信息有用性理论回答“为何入表”，产权理论确立“凭何入表”，制度变迁理论揭示“何以在此时入表”，数据经济特征分析阐明会计计量面临根本挑战。(1)数据价值链理论：从原始数据到数据资产的价值转化逻辑数据价值链理论将数据要素的价值创造视为多阶段、动态演进的价值增值链条，为判断数据资源是否满足会计确认条件提供了阶段划分依据。黄丽华等（2023）构建了“原始数据→数据资源→

数据产品→

数据资产”四阶段模型，指出价值链各环节对应不同权利形态：原始数据阶段强调持有权，加工阶段强调使用权，产品交易阶段强调经营权。欧阳日辉（2025）认为数据要素价值化是“四化”过程，即数据资源化、数据产品化、数据要素市场化、数据要素资产化。该理论为入表提供了三项核心解释：确认时点判断、成本归集框架、价值评估动态性。(2)会计信息有用性理论：入表的规范性根基FASB与IASB于2010年联合发布的《财务报告概念框架》明确将“有用性”作为财务报告的首要目标，并界定相关性与如实反映为基本质量特征。在数字经济环境下，数据资源已成为企业的核心经济资源，若将其排斥在财务报表之外，将造成显著的信息缺口，严重损害会计信息的相关性。值得关注的是，针对资产的定义，国际会计准则理事会（IASB）2018年发布了新修订的《财务报告概念框架》中，对资产定义进行了修订，即资产是因过去事项而由主体控制的现时经济资源；美国财务会计准则委员会（FASB）2021年则将资产重新定义为“主体获得经济利益的现时权利”。可见，国际上对资产定义的修订，将“控制”和“现时权利”作为了资产的关键判断标准。罗玫、李金璞、汤珂（2024，清华大学）构建了企业数据会计确认与计量的方法论框架，指出数据资源的持有权、使用权、经营权构成对数据经济利益的支配，符合会计意义上的控制权要求。ICAEW在Data

—

anewemergingtypeofintangibles中提出，财务报表中确认企业数据能够揭示其价值创造过程。(3)产权理论与数据确权：入表的前提条件产权理论源于科斯（Coase）的交易成本经济学，其核心命题在于：清晰的产权界定是市场交易的前提，产权安排通过影响投资激励和交易成本而作用于资源配置效率。将产权理论应用于数据领域，面临数据可复制性、非排他性与非竞争性带来的特殊挑战。王利明（2023）阐述了“数据来源者与数据处理者双重权益结构”的确权思路，将数据上的复杂权益区分为“数据来源者权益”（人格权益）与“数据处理者权利”（财产权益），指出会计确认所关注的是数据处理者的财产权益部分。申卫星、陆志鹏（2024）在《数据产权论》中提出“三三制”确权法，将信息与数据作为客体分离、主体分离、所有权与用益权分离。“数据二十条”（2022）确立“三权分置”框架：持有权、加工使用权与经营权。理论与制度基础解锁数据的财务价值——数据资源最新发展研究报告|理论与制度基础9理论维度核心问题代表性学者/文献对入表的解释数据价值链理论数据如何创造价值丽华等（2023）；欧阳日辉、龚伟（2022）数据经历多阶段转化，达到价值链后端才满足入表条件会计信息有用性理论信息如何服务于决策FASB/IASB概念框架（2010）；罗玫等（2024）；ICAEW（2025）数据不入表导致重大信息缺口，损害相关性与如实反映产权理论与数据确权数据权属如何界定王利明（2023）；申卫星、陆志鹏（2024）；

“数据二十条”（2022）“三权分置”为数据资产控制权认定提供制度框架制度变迁理论会计准则如何演进诺斯（1990）；财政部《暂行规定》（2023）数据入表是制度非均衡驱动的渐进式制度创新数据经济特征数据与传统要素

有何不同国家数据局（2022）；中国信通院（2020）；Yang

Li（2024）非竞争性、规模报酬递增等特征决定了确认、计量与披露的特殊性数据可被多个主体并行使用而不产生实质性减损；规模报酬递增——数据规模扩大促进生产率提升；多源共生性——数据通常由多方共同参与生成。中国信息通信研究院（2020）进一步补充了时效性（价值与时间关联紧密）与经济性（预期效益取决于使用者能力）特征。Yang

Li（2024）从公共物品理论角度指出数据的非排他性与非竞争性给会计处理和定价带来系统性挑战。这些特征对传统会计计量逻辑构成了根本性挑战。非竞争性与非消耗性意味着数据不存在传统意义上的“损耗”，历史成本法下的摊销逻辑失去物理基础。规模报酬递增性违背了“边际收益递减”的基本假设，使成本法计量往往系统性低估数据资产的真实价值。多源共生性与非排他性使得“排他性控制”这一传统资产认定的隐含前提在数据领域并不成立。时效性特征则使数据资产的价值波动呈现非线性，公允价值确定面临更高不确定性。这些特征共同表明，数据资源入表不能简单套用传统资产的处理模式，而需要进行差异化的制度设计。(4)制度变迁理论：会计准则演进的动力学诺斯（North,1990）的制度变迁理论强调，制度演变受路径依赖的约束，而制度非均衡是制度创新的诱因。林毅夫（Lin,

1989）进一步将制度变迁区分为诱致性变迁与强制性变迁。随着数据成为关键生产要素，既有制度与新的获利机会之间形成制度非均衡，推动了数据资源入表的制度创新。财政部

2023年发布的《企业数据资源相关会计处理暂行规定》明确不改变现行准则的确认计量要求，属于渐进式制度创新，体现了诺斯“渐进式变迁优于激进式变迁”的思想，由财政部主导的强制性变迁与企业自发探索（诱致性变迁）相结合，形成了制度演进的完整动力。(5)数据的经济特征：与传统生产要素的本质差异数据作为新型生产要素，其经济特征与传统生产要素存在本质差异，构成了数据资源入表面临的根本性挑战。国家数据局政策解读归纳了四大核心特征（2022）：非消耗性——数据在使用中不会被消耗，可无限次重复使用；非竞争性——同一份上述五个理论维度构成了逐层递进的解释体系：数据价值链理论说明数据“何时”达到可入表状态，产权理论确认企业“凭何”主张权利，数据经济特征揭示入表面临“何种”挑战，会计信息有用性理论论证“为何”必须入表，制度变迁理论则解释“何以在

此时”实现入表。解锁数据的财务价值——数据资源最新发展研究报告|理论与制度基础表2-1：数据资源入表的多维理论框架10阶段时间标志性政策核心制度意义要素确立2020年4月《关于构建更加完善的要素

市场化配置体制机制的意见》数据首次被列为与土地、劳动力、资本、技术并列的新型生产要素顶层设计2022年12月“数据二十条”首次

提出“探索数

据资

产入表

新模式”，构建数据基础制度“四梁八柱”会计制度2023年8月《企业数据资源相关会计处理暂行规定》（财会〔2023〕11号）明确数据资源可确认为无形资产或存货，2024年1月1日起施行配套完善2023年9月—2024年12月《数据资产评估指导意见》、《关于加强数据资产管理的指导意见》、实施问答、试点方案构建评估—管理—实施—试点的完整制度链条全面深化2025年至今《数据资产全过程管理试点方案》、地方实施细则等从中央到地方、从框架到实操的制度全面落地制度演进的深层动因在于国家治理逻辑与市场经济诉求的双重驱动。2020年4月，中共中央、国务院将数据确立为生产要素，其理论根基可追溯至制度经济学关于“产权明晰是市场交易前提”的经典命题（Coase,

1960）。然而，数据要素的无形性、非排他性和可复制性，使传统产权制度难以直接适用。黄丽华等（2023）指出，数据产权的“模糊性”构成了数据要素市场化配置的首要制度瓶颈。2022年12月印发的“数据二十条”对此作出制度回应，构建了四大基础制度：一是数据产权制度，创设“数据资源持有权、数据加工使用权、数据产品经营权”的“三权分置”架构；二是数据要素流通和交易制度，统筹全国数据交易场所布局；三是数据要素收益分配制度，确立“谁投入、谁贡献、谁受益”原则；四是数据要素治理制度。尤为关键的是，“数据二十条”明确提出“探索数据资产入表新模式”，将会计确认机制确立为数据要素价值实现的制度接口。在政策推动机制上，中国呈现出独特的“双动力格局”：市场力量形成“倒逼”效应——企业对数据资源能否“入表”存在强烈的制度需求；国家政策形成“激励”效应——通过会计确认释放价值信号，引导社会资本向数据密集型产业配置。这一格局体现了中国制度变迁中“国家主导型市场化”的典型特征（周其仁，1995）。（二）制度演进：从顶层设计到实务落地(1)

中国制度变迁的脉络与动因中国数据资源入表制度的演进可识别为五个相互衔接的阶段。解锁数据的财务价值——数据资源最新发展研究报告|理论与制度基础表2-2：中国数据资源入表政策演进时间线11(3)

国际社会的渐进探索IASB：IAS

38全面审查。IASB于2024年4月正式启动对IAS

38

《无形资产》的全面审查，认定“IAS

38已经过时，需要现代化

和未来化改造”。项目拆分为两个工作流：评估使用者对已确认和未确认无形资产信息的需求；探索是否更新无形资产定义和确认标准。预计2026年开始讨论确认标准更新，被UKEB

誉为“一代人一次的机会”。当前，IAS

38第57段“全条件通过”清单——要求同时满足六项条件——在数据密集型商业模式下已显僵化。FASB：披露优先的审慎立场。FASB于2024年12月发布ITC——“无形资产的确认”。2025年5月收到的43封意见函显示：利益相关者对“广泛重新审视无形资产”的支持极为有限，投资者普遍主张“保留当前确认标准、优先增强披露”。这一立场根植于美国GAAP下研发费用化基本原则的制度惯

性。FASB通过ASU

2023-08建立了加密资产的公允价值计量

框架，但未延伸至一般性数据资产。EFRAG：有条件确认方案。EFRAG在2021年讨论文件中提出四种内部产生无形资产的确认替代方案：无条件确认法、门

槛法、有条件确认法和全部费用化法。经两年征询，EFRAG于

2023年主张采用“有条件确认”方法——仅在满足《概念框架》中资产定义和特定确认标准时方可确认，且按总成本初始计

量。EFRAG反对对内部产生无形资产采用重估或公允价值模

式，认为历史成本“通常能产生最有用信息”。英国

UKEB：UK

EB

自

20

22

年启动研究项目，发布三份报告。2024年5月的定量分析揭示：无形资产在英国上市公

司资产负债表中仅占约3%，但估计未确认无形资产价值达

£2,420—2,980亿；用户调查显示，85%受访者认为无形资产

具有“非常高或极高”的经济重要性，但仅52%认为当前财务

报表信息“非常或极其有用”，74%的用户在比较有机增长与

并购增长公司时主动调整财务报表。这些数据印证了Lev

and

Gu（2016）关于“账面价值与市场价值缺口持续扩大”的判断。欧盟：数

据治理

与会

计分轨。欧盟《数据法》（DataAct

，

Regulation(EU)2023/2854）于2024年1月生效，旨在创建欧盟

单一数据市场，估计到2028年可为GDP增加约€2,700亿。《数

据治理法》侧重建立跨境数据共享机制。但两项立法均聚焦

数据流通治理，未触及会计确认。其他国家的差异化探索。日本会计准则委员会（ASBJ）框架下，企业主要确认的内部产生无形资产为软件，数据资源作为独立

资产类别的确认尚未成熟。韩国会计准则委员会（KASB）提出

“核心无形资产报表”（SCI）概念，建议在附注中单独提供核心

无形资产的货币估值，作为补充披露的替代路径。澳大利亚会

计准则委员会（AASB）2023年联合研究报告发现，无形资产是

最频繁的KAM（关键审计事项）主题，术语不一致严重妨碍可

比性。加拿大统计局2025年研究构建数据资产新衡量指标，发

现2019年数据资产投资约$570亿，数据资产是无形资本中最

大的组成部分。(2)

中国《暂行规定》的核心内容与制度创新2023年8月1日，财政部印发《企业数据资源相关会计处理暂行规定》（财会〔2023〕11号，以下简称《暂行规定》），自2024年1月1日起施行。该文件是中国在数据资源会计处理领域的首部专门规范，其制度定位明确为现行企业会计准则体系下的细化规范，不改变现行准则的确认计量要求，采用未来适用法施行。适用范围与两类数据资源。《暂行规定》将数据资源划分为两类：第一类是符合企业会计准则规定、可确认为无形资产或存货的数据资源；第二类是企业合法拥有或控制、预期带来经济利益、但因成本不能可靠计量等原因不满足确认条件的数据资源。对于第二类资源，《暂行规定》创新性地设置了“强制披露+自愿披露”双轨制——即便不满足确认条件，企业仍可在附注中自愿披露原始数据类型、规模、来源、权属、应用场景等信息。这一设计为尚处于“成本归集困难”阶段的企业提供了信息披露的过渡通道。确认为无形资产的会计处理。企业使用的数据资源，符合无形资产定义和确认条件的，应确认为无形资产。初始计量时，外购数据资源的成本包括购买价款、相关税费以及数据脱敏、清洗、标注、整合、分析、可视化等加工支出，还包括数据权属鉴证、质量评估、登记结算、安全管理等费用。自行开发的数据资源区分研究阶段（费用化）与开发阶段（满足资本化条件时确认）。后续计量按无形资产准则进行摊销和减值测试。开发阶段资本化条件的细化。2024年10月31日，财政部会计司发布《数据资源会计处理实施问答》，将资本化条件细化为五项：技术上具有可行性；具有完成并使用或出售的意图；能产生经济利益；有足够的技术和财务资源支持；支出能可靠计量、单独归集核算。确认为存货的会计处理。企业日常活动中持有、最终目的用于出售的数据资源，符合存货定义和确认条件的，应确认为存货。外购存货成本包括购买价款、相关税费、保险费及数据权属鉴证等费用；自行加工存货成本包括采购成本、数据采集/脱敏/清洗/标注/整合/分析/可视化等加工成本。后续计量按存货准则执行，计提跌价准备。后续配套政策的制度协同。《暂行规定》嵌入于一整套制度体系：2023年9月8日，中国资产评估协会印发《数据资产评估指导意见》（中评协〔2023〕17号），确立收益法、成本法、市场法三种评估路径；2023年12月31日，财政部印发《关于加强数据资产管理的指导意见》（财资〔2023〕141号），建立数据资产台账、授权运营、收益分配规则；2024年12月19日，财政部印发《数据资产全过程管理试点方案》（财资〔2024〕167号），在7个中央部门、6家中央企业和16个地方财政部门启动为期两年的试点。这一“会计准则+资产评估+资产管理+试点验证”的制度组合拳，构成了数据资源入表的完整制度生态。解锁数据的财务价值——数据资源最新发展研究报告|理论与制度基础12比较维度中国方案国际主流方案制度驱动主体财政部+国家数据局双重推动，政策与准则并行IASB/FASB等准则制定机构主导，

遵循长期审慎主义准则层级定位《暂行规定》作为现行准则体系下的细化规范IAS38尚在全面审查中确认范围明确允许数据资源确认为无形资产或存货严格限制内部产生无形资产确认计量基础历史成本为基础，评估时考虑其他方法EFRAG主张历史成本,不赞成重估或公允价值模式披露模式“强制披露+自愿披露”双轨制“披露优先”成为主流共识，强制披露框架尚未统一推进速度2024年1月已进入全面实施阶段IASB预计2026年后才开始讨论确认标准更新法律配套《数据安全法》《个人信息保护法》

“三权分置”提供框架欧盟DataAct侧重流通；美国无专门数据产权立法(4)

国内外方案的比较辨析中国与国际社会在数据资源会计处理上的路径差异，根植于不同的制度逻辑、法律传统和监管哲学。解锁数据的财务价值——数据资源最新发展研究报告|理论与制度基础表2-3：中外数据资源会计处理方案比较13第三，数据权属与控制的认定挑战。GDPR赋予个人对其数据的删除权，欧盟《数据法》要求制造商向用户提供数据访问权，这些制度安排与会计上“排他性控制”要求之间存在张力。第四，披露质量与相关性不足。巴斯大学2024年研究发现，研发（R&D）相关信息含量主要存在于年度报告的叙述性部分（含

管

理

层

讨

论

与分

析），而

非

财

务

报

表

的

确

认

数

字之

中（Mazzi

et

al.,

2024）。CFA

Institute

(2024)

的调查显示，58%的受访者认为若准则制定机构不在无形资产问题上采取行动，财务报表的整体相关性将越来越低。IVSC

(2024)

亦指出，更细化和透明的披露是弥合账面价值与无形资产真实经济价值之间差距的关键。(2)未来展望总结而言，当前，全球范围内对提升财务报表中无形资产透明度的呼声日益高涨。随着数据、人工智能、软件等新型无形资产在企业价值创造中的比重持续上升，现行《国际会计准则第38号——无形资产》（IAS

38）已显滞后，难以准确反映数字经济时代的资产结构。ACCA全球企业报告主管Aaron

Saw曾表示，现行准则对“外购”与“内部自创”无形资产采取不对称的会计处理方式，加之对数据、加密资产、碳相关金融工具等新型无形资产的核算难题，凸显了更新IAS

38的紧迫性。2024年4月，国际会计准则理事会（IASB）正式启动对

IAS

38的全面复审，旨在增强无形资产信息的决策有用性，并使其适配新兴资产形态及其使用方式。项目初期聚焦两大工作流：一是系统评估财务报表使用者对无形资产及相关支出的信息需求；二是重新审视无形资产的定义、可辨认性标准及确认条件。为检验准则适用性，IASB将选取云计算服务、敏捷软件开发等典型场景作为测试案例——因其涉及的“控制权认定”“研发阶段划分”等问题具有广泛代表性。值得注意的是，数据资源与AI相关资产同样在讨论之列，但目前测试案例优先聚焦前述两类场景。待初始研究完成后，IASB将判断能否在现有框架下实现有效改进，抑或需启动更深层次的准则重构。与此同时，EFRAG（欧洲）、FASB（美国）、UKEB（英国）等主要会计准则制定机构也在推进类似改革，共同推动无形资产会计从“成本导向”向“价值导向”演进。这一系列举措标志着全球会计体系正加速迈向对知识型、数据型资产的系统性认可与规范披露。制度逻辑差异的根源在于“准则制定机构单一主导”与“跨部门政策协同推进”两种模式的张力。国际准则制定强调利益相关者协商与概念框架一致性检验，改革节奏必然审慎；中国数据资源入表嵌入于“数据要素市场化配置改革”之中，使中国能够在IFRS未单独讨论数据资产议题时率先建立国内的会计处理规范指引。确认范围的差异折射出对“内部产生无形资产”的不同风险权衡。IAS

38基于“可靠计量”和“防止盈余管理”设置严格的确认壁垒；中国允许企业将满足条件的数据资源确认为资产，其依据在于数据资源成本归集具有更强的可追溯性，且“三权分置”框架为“控制”要件提供了制度依据。然而，上市公司入表实践显示，信息技术行业入表规模占比约70%，三大运营商合计占54.75%，引发了关于“跨行业可比性”的讨论。计量方法的差异体现了“相关性”与“可靠性”之间的平衡。国际准则制定者担忧公允价值可能引入大量主观假设，增加“噪音”和审计风险（FRC,2019）。中国以历史成本为基础，评估时考虑其他方法，但该安排的可持续性取决于数据交易市场流动性——市场法适用前提是“存在合法合规的活跃公开交易市场和适当数量的可比案例”，当前中国数据交易所的活跃度尚处于培育阶段。（三）全球共性挑战与未来展望(1)全球共性挑战第一，内部产生无形资产的确认困境。IAS

38和美国GAAP研发费用化原则，均建立在“研发活动未来收益具有高度不确定性”假设之上。然而，数据资源的生产过程往往嵌入日常业务运营，成本归集边界远比传统研发项目模糊。AASB（2023）报告指出，财务报告中无形资产术语高度不一致，严重妨碍横向可比性。第二，计量属性的选择困境。历史成本虽具备可靠性，但数据资源价值高度依赖使用场景、时效性等动态因素，成本与价值关联性较弱。公允价值虽能提升相关性，却涉及大量主观假设，可能诱发盈余管理。FASB（2024）的ITC反馈显示，投资者对放宽确认标准后的审计风险表达了明确担忧。解锁数据的财务价值——数据资源最新发展研究报告|理论与制度基础14解锁数据的财务价值——数据资源最新发展研究报告|理论与制度基础15本章基于对我们对2025年数据资源发展现状调研数据的深度分析，描绘出行业动态分层的认知图景。调研对象总览本次一共调研了166位企业中高层，行业分布广泛，其中占比最高的行业类型为金融业（21.1%），制造业（16.9%）和信息及软件行业（15.7%）。从企业类型看来，民营企业最多，占比达到41.6%，其次是国有企业（32.5%）和外资企业（23.5%）。调研企业中，上市情况来看，15.1%的企业是在A股上市，10.2%是H股上市，7.8%在美股上市。从企业规模来看，调研对象以中大型企业为主，其中万人以上企业占比达到17.5%，千人以上规模企业达到28.3%（不含万人以上）。（一）数据价值管理已基本形成共识，但落地执行程度不一调研数据显示，71.7%的企业已经或计划开展数据资源管理工作（其中41.6%已开展，30.1%有计划开展），表明价值认知已高度普及。其中，在已开展相关工作的69家企业中，认知深度与行动广度存在一定差异。企业认知的觉醒与断层：来自一线调研的数据图谱是，已开展

否，尚未开展，但计划开展

否，尚未开展，且目前没有计划开展28.3%41.6%30.1%组织保障初步建立，专业化趋势明显：69家已开展工作的企业中，56.5%

已设立专门的数据资源管理部门，专业化管理覆盖率超七成。但我们仍然看到，有超过28.3%%的企业仍然是以非单独部门管理的模式来做数据管理工作。说明数据驱动的理念并未在所有企业中形成共识。另外，从期望的负责部门的视角来看，超78.3%的受访者认为数据资源管理需要管理层统一负责或专业独立的部门负责。这体现了企业高度认可数据资源价值的重要性。表3-2：贵单位是否已设置专门的数据资源管理部门？

有，且该部门独立运作有，但该部门隶属于其他部门

没有，但有计划设立

没有，且没有计划设立8.7%15.9%18.8%解锁数据的财务价值——数据资源最新发展研究报告|企业认知的觉醒与断层：来自一线调研的数据图谱表3-1：贵单位是否已经开展数据资源管理的相关工作？56.5%16提升企业决策的科学性和精准度增强企业的市场竞争力开辟新的收入来源，如数据出售或基于数据的服务提高企业的运营效率促进企业内部各部门之间的协作与沟通支持企业的创新和业务拓展优化客户体验和满意度其他02040

6080

100（二）深入挖掘数据资源价值，机遇与挑战并存数据资源的价值从后台走向前台。就数据资源带来的发展机遇而言，“提升企业决策的科学性和精准度”是企业普遍（82.6%）认为数据价值的所在，另外“增强企业的市场竞争力”也是企业（60.9%）发展数据资源的重要目标之一。这体现了利用好数据资源不仅仅是为了提升运营和管理能力，也是提升外部竞争力的体现。这表明，数据正从后台支持走向前台，成为驱动业务创新和战略决策的核心要素。投资重点：企业投资主要集中在数据收集与获取（79.7%）、数据分析与挖掘（78.3%）和数据存储与管理（72.5%）等基础和应用环节。应用场景：数据资源主要应用于客户关系管理与精准营销（66.7%）、风险评估与合规监控（62.3%）和企业内部运营效率提升（59.4%），直接服务于业务增长和风险控制。57(82.6%)

5

(7.2

1

(1.4%)4229(42%)29(42%)

17

(24.12

(17.4%)%)(60.9%)6%)5.8%4.3%44.9%44.9%表3-3：贵单位认为数据资源管理工作应该由哪个部门牵头负责?

管理层统一负责

专门的数据资源管理部门

财务部门

业务部门IT部门表3-4：贵单位是否已制定与数据相关的战略？

是，已经将数据资源作为核心战略要素制定相关战略

是，制定了与数字化转型相关的战略否，主要按照传统业务战略的逻辑制定否，并没有制定相关战略数据资源的战略高度基本达成行业共识：尽管有89.8%的企业制定了数据相关战略，但只有44.9%的企业将数据提升至“核心战略要素”的高度。另外，还有近10%的企业开展了数据资源相关的工作，但仍缺少相关的战略引领。7.2%55.1%表3-5：贵单位认为数据资源发展为企业带来了哪些重要机遇？

（多选）解锁数据的财务价值——数据资源最新发展研究报告|企业认知的觉醒与断层：来自一线调研的数据图谱13%1.4%23.2%1702040

6080

100挑战：标准化与质量是最大瓶颈尽管前景广阔，但企业在实践中面临严峻挑战，排名前三的分别是：1.数据资源的评估和定价缺乏统一标准（78.3%）：这是阻碍数据资产化和流通交易的首要难题。2.数据质量参差不齐（71%）：低质量的数据直接影响分析结果的可靠性和应用价值。3.企业内部对数据资源的价值认知不足（47.8%）：传统组织模式难以适应数据驱动的跨部门协作需求。数据资源的评估和定价缺乏统一标准数据质量参差不齐企业内部对数据资源的价值认知不足企业内部组织架构和流程不完善

数据安全和隐私保护缺乏专业的数据管理和分析人才技术基础设施不足数据相关的法律法规不完善0

20

40

60

80

100（三）数据资源入表与价值评估正处在早期探索阶段数据资源入表：意愿强烈但实践较少。尽管超七成企业开展数据管理，但根据《企业数据资源相关会计处理暂行规定》完成数据资源入表的企业比例仅为20.3%。大多数（56.5%）仍在观望和准备中，说明在会计准则理解、成本归集、价值评估等实操层面存在一定的困难。55(79.7%)54(78.3%)21

(30.37(5335(50.4%)50(7245(65.2%.6%)7%).5%))274139(536(52.34(49.334(49.3(39.1%)46(66.7%(62.3%)(59.4%)6.5%)2%)%)%))54

(78.3%)25

(323(3319(27.5%)34(49.333(47.8%)

6.2%).3%)12

(17.4%)49

(7%)1%)23.2%

20.3%56.5%客户关系管理与精准营销风险评估与合规监控企业内部运营效率提升产品设计与研发优化市场趋势预测与决策支持供应链管理与物流优化

优化财务管理流程客户服务与支持改进提供数据相关服务并产生收入数据收集与获取数据分析与挖掘数据存储与管理数据安全与隐私保护数据基础建设升级数据人才培养与团队建设数据标注表3-9：贵单位是否已经实施数据资源入表？

是，已经按照《暂行规定》实施

否，但计划在未来实施否，且没有计划实施表3-6：贵单位在数据资源方面的投资主要用于以下哪些方面?

（多选）表3-8：您认为数据资源发展过程中企业面临的最大挑战是什么?（多选）解锁数据的财务价值——数据资源最新发展研究报告|企业认知的觉醒与断层：来自一线调研的数据图谱表3-7：贵单位目前将数据资源应用于哪些具体场景?（多选）02040

6080

10021

(30.4%)184302040

6080

100在明确能力需求的基础上，财务人员可通过三大赋能路径直

接驱动企业价值创造：一是支持企业数据战略升级（62.7%），将财务专业能力与数据战略思维深度融合，跨越“管财务”的

局限，成为业财协同与数字化转型的战略伙伴；二是助推数

据资源管理与入表（53%），协助或者牵头开展数据治理，明

确数据权属与合规性，通过科学的会计核算将“沉睡”的数据资源转化为可计量的核心生产要素，优化资产结构并提升融

资能力；三是参与数据资源价值评估（43.4%），综合运用成本

法、收益法或市场法等多维模型，精准量化数据在降本增效、精准营销等场景中的经济贡献，从而彻底打通从“数据资源”到“数据资产”再到“资本化”的价值变现全链路。（四）财务人员角色转型迫切及学习需求强烈调研结果清晰地展示了财务人员角色转型的迫切需求，他们不再仅仅是传统的“账房先生”，而是被期望成为企业数据价值化的核心推动者。这种转变首先体现在三大核心能力需求上：首先是作为基石的数据分析与解读能力（78.9%），要求财务人员超越传统报表，从海量业务数据中提取关键信息并转化为决策“情报”；其次是数据价值评估能力（55.4%），要求掌握科学的定价与估值方法，以准确衡量数据资产在交易或融资中的真实价值；最后是更高阶的数据战略与商业模式设计能力（54.8%），要求从全局高度思考如何利用数据优化现有模式或孵化新业务，成为价值创造的设计师。131(78.9%)42(25.3%)

12

(7.92

(591

(54

38.6%).7%).7%)2%)5.4%).8%)59(85.5%)

48(69.6%)47(68.1%)

40(58%)34(49.3%)27(39.1%)14(20.3%)

3(4.3%)价值评估方面：评估目标相对明确且方案多样。从调研数据可以看到，入表（66.7%）是进行数据资源评估的首要目的，其次是融资（36.2%）和作价入股（21.7%）。而对于估值的影响因素而言，企业认为影响数据价值的关键因素是数据质量（85.5%）、数据合规性（69.6%）和数据时效性（68.1%）。数据分析与解读能力数据价值评估能力数据战略与商业模式设计能力数据可视化能力

数据管理与治理能力跨部门协作与沟通能力

数据驱动的决策能力

数据定价能力技术应用能力15

(21.712

(17.4%)%)数据的质量数据的合规性数据的时效性数据的安全性数据的应用场景数据的行业属性数据的可得性数据的网培效应表3-12：从能力层面，您认为财务人员需要掌握以下哪些能力，才能帮助企业推动数据价值化？(多选)解锁数据的财务价值——数据资源最新发展研究报告|企业认知的觉醒与断层：来自一线调研的数据图谱入表融资作价入股其他表3-11：您认为，影响数据资源价值的关键因素有哪些?(多选)46(66.7%)表3-10：贵单位做数据资源评估的目的是?(多选)64(61

(3661

(3651

(30.7%)0

20

40

60

80

10025(36.2%)0

20

40

60

80

100190

20

40

60

80从个人层面来看，员工的能力储备与企业发展需求之间尚存在一定的提升空间，这也成为了数据价值进一步释放过程中需要关注的隐性瓶颈。■培训供给不足，企业投入有待加强：调研显示，近半数（48.6%）的受访者表示“没有”参加过任何数据资源相关的培训。这一数据折射出企业在员工数据素养提升方面的投入仍有待加强。尽管管理层普遍认可数据的重要性，但在实际行动上，部分企业可能存在“重技术、轻人才”的倾向。■知识体系待更新，专业信心面临挑战：在多个专业知识领域，受访者的掌握程度呈现出整体偏弱的态势。整体来看，各项专业知识的掌握比例均未过半。以“数据资源的市场趋势和行业比较”为例，仅有13.9%的受访者表示了解，这意味着绝大多数员工对该领域的认知尚处于空白或初步探索阶段。员工深刻意识到自身知识体系亟待更新，渴望学习却缺乏有效的途径和系统性的指导。104(62.7%)6049(29.43(25.9%8872(43.4%)71

(42.8%)

(38.6%)63(38%)

(36.1%)

5%))(53%)（五）结论：一个分层化的战略觉醒结合上述分析，可以清晰看到：行业整体处于从“启蒙与初步探索”向“体系化推进与价值深化”过渡的关键期。未来的竞争取决于企业能否系统性跨越从战略认知到财务确认、从内部赋能到外部交易、从技术投资到组织协同三大鸿沟，构建闭环的数据价值管理体系。78

(47%)

64(38.6%)58(34.9%)53

(31.9%)47(28.3%)45

(27.1%)44(26.5%)23

(13.9%)26

(15.7%)数据资源相关的法律法规数据资源的管理要求行业内的数据资源评估标准数据资源的应用场景和业务影响

数据资源的治理数据资源的合规性措施数据资源的评估方式数据资源的市场趋势和行业比较以上都不适用支持企业数据战略升级助推数据资源管理与入表参与数据资源价值评估参与数据资源商业模式设计提升决策效率和质量增强风险预警与管控能力 推动业务创新与转型优化企业资源配置提升工作效率和优化流程表3-14：您是否参加过数据资源的相关培训?

是，参加过企业内部培训

是，参加过外部培训

否表3-13：财会人员如何通过数据资源赋能企业的价值创造?(多选)表3-15：从知识层面，您目前对于数据资源哪方面内容的了解和掌握是比较有信心的？（多选）解锁数据的财务价值——数据资源最新发展研究报告|企业认知的觉醒与断层：来自一线调研的数据图谱23.6%27.7%020406048.6%2064解锁数据的财务价值——数据资源最新发展研究报告|企业认知的觉醒与断层：来自一线调研的数据图谱21数据资源入表作为数据要素市场化的关键环节，正在从政策层面逐步落地为企业的具体会计实践。截至2025年年报，已有136家上市公司将数据资源纳入财务报表，涉及28个行业，入表总额达378,788.29万元（约37.88亿元）。然而，入表实践的广度与深度之间仍存在显著落差：数字企业以25.7%的数量贡献了83.8%的入表金额，而大量传统企业的入表仍停留在象征性阶段；三大运营商合计入表209,972万元，占总金额的55.4%，金额分布呈现右偏；仅27家企业完成数据交易所登记，80.1%的企业未披露外部确权信息。本章基于这136家上市公司的原始入表数据，从治理架构、确认计量、应用场景、入表披露、数据质量五个维度展开深度剖析，揭示当前数据资源入表从“形式合规”迈向“实质治理”过程中的现实挑战与结构性矛盾。（一）治理架构：从自发探索到体系化建设数

据

资

源

入

表

的

治

理

架构

呈

现“全

面

启

动、深

度

分

化

”态势：136家样本企业均启动了内部数据治理流程，但治理成熟度从顶层设计到部门级试点的跨度极大，数字企业与传统企业之间的治理鸿沟尤为突出。外部确权机制尚处早期，仅不足四分之一的企业完成交易所登记，内外治理衔接仍是薄弱环节。(1)企业内部数据治理实践现状自行开发构成当前入表数据资源的主流生成模式。在136家样本企业中，98家企业明确将数据资源来源归类为“自行开发”，占样本总量的72.1%；9家企业采用“外购与自行开发”相结合的模式；1家企业通过非同一控制下企业合并增加；1家企业通过在建工程/投资性房地产转入；2家企业将数据资源来源归类为“委托第三方”形成；明确依赖外购数据的企业为14家。11家企业未具体披露数据来源，缺失率达8.1%，反映出相当比例的企业在数据资源溯源管理上尚未形成规范记录。数据资产的盘点与分类实践已逐步展开，但标准化程度不足。可识别类型中，“数据应用/平台”类59条，“数据集”类37条，“数据库”类20条，“数据模型/算法”类6条。另有30条记录未能明确分类，暴露分类标准混乱。(2)数据交易所登记与外部确权数据资源的产权确认正在从企业内部视角向外部确权机制延伸。在136家样本中，27家企业完成了数据交易所登记，占样本总量的19.9%；109家企业未披露交易所信息。外部确权尚未成为入表的必要条件，多数企业仍依赖内部评估与审计意见完成资产确认。从交易所分布看，上海数据交易所占据主导地位，在样本中被提及11次；北京国际大数据交易所被提及7次，贵阳大数据交易所被提及3次；广州数据交易所4次；深圳数据交易所与浙江大数据交易中心各2次。多交易所登记现象已开始显现。中国电信同时在4家交易所完成登记——上海数据交易所、贵阳大数据交易所、北京国际大数据交易所和广州数据交易所。其登记产品涵盖算力服务、旅游大数据等数十项数据产品。“多点登记”策略既体现央企数据资源的丰富程度，也反映出各交易所登记凭证尚未互认互通。设计总院实现18项数据资源在上海数据交易所登记并首次入表；金域医学5项数据产品在广州数据交易所上线。上市公司入表实践：治理、应用与披露解锁数据的财务价值——数据资源最新发展研究报告|上市公司入表实践：治理、应用与披露22(4)治理架构的三大核心痛点综合136家企业的治理实践，当前数据资源入表的治理架构面临三重结构性挑战。这些治理痛点的存在，直接影响了数据资源从“治理”到“确认”的转化效率。定义与分类模糊是最基础的障碍。数据资产与软件资产、服务成果的边界在实务中缺乏清晰划分标准，导致入表对象的认定具有较强的主观判断成分。内外治理脱节制约了确权效力。尽管27家企业完成了交易所登记，但交易所登记凭证与财务报表确认之间尚未建立制度化的衔接机制。企业的内部成本归集逻辑与交易所的产品化登记逻辑分属不同话语体系，前者服务于会计准则下的资产确认，后者服务于数据流通交易中的产权证明，两套体系并行运行而非互嵌融合。跨职能协同不足是组织层面的瓶颈。大量企业仅在单一科目下列示数据资源，未同步披露应用场景、使用状态或减值测试方法。数据资源入表的前提是满足资产确认条件，即“与该资源有关的经济利益很可能流入企业”且“该资源的成本或价值能够可靠计量”。确认与计量环节构成实务操作的核心瓶颈，会计准则的原则性规定与企业层面的具体情境之间存在显著的张力。确认条件：经济利益流入的论证困境《企业数据资源相关会计处理暂行规定》沿用了无形资产确认的经典框架，要求企业证明数据资源能够产生可辨认的未来经济利益。然而这一条件的判定呈现出鲜明的二元分化。自用型企业55家，入表金额均值仅1,358万元；外供型企业38家，均值高达7,360万元。5家企业同时将数据资源外供和自用。外供型企业将数据产品直接对外授权或出售，经济利益流入路径清晰，确认难度相对较低。与之形成对照的是，自用型企业的数据资源主要用于内部运营优化、成本管控或决策支持，其经济利益的量化论证需依赖间接测算——如效率提升幅度、决策失误减少比例——这些指标在财务报表层面往往缺乏直接可验证性。应用场景描述的笼统化进一步加剧了确认困境。44家企业未披露具体应用场景，24家仅笼统表述为“向客户提供数据产品和服务”、“向客户提供数据查询服务”或“支持公司内部运营”。有的公司的披露相对详尽，明确列举了数据的多行业监测用途；而多数企业的描述停留在功能概述层面，未能细化至具体业务环节的经济贡献测算。这种模糊性使得审计师在复核时难以判断入表的合理性边界。三大运营商代表了当前最高水平的体系化实践。中国移动25年年报入表123,600万元，中国电信41,973万元，中国联通44,399万元，三家合计209,972万元，占样本总额的55.4%。中国移动将“梧桐大数据”2,000PB数据、“九天”大模型和量子计算云平台纳入入表范围，体现了全生命周期成本归集能力。中国电信的入表产品涵盖公共服务短信、旅游大数据、天翼网络安全防护服务等垂直领域，数据治理已嵌入业务部门日常运营流程。相比之下，传统企业的数据治理大多停留在探索性阶段。中材国际入表1,989万元，数据资源仅涉及机床运行数据等三类，服务于内部生产管理。南钢股份将生产数据入表3,288万元，两项产品已挂牌交易所，但应用深度局限于“智改数转网联”场景。“点状突破”式治理与数字企业的“平台化”架构形成鲜明对照。对比维度数字企业（35家）传统企业（101家）入表总额（万元）317,611.2461,177.06均值（万元）9,074.61605.71占样本总额比例83.8%16.2%典型科目结构无形资产+

开发支出并重以无形资产为主数据用途特征外供为主自用为主交易所登记比例较高较低(3)行业差异：数字企业与传统企业的治理鸿沟数据治理架构的成熟度在数字企业与传统企业之间呈现系统性分化。35家数字企业贡献了入表总额的83.8%，均值达9,074.61万元；101家传统企业的入表总额仅占16.2%，均值为605.71万元。这一差距不仅体现在金额维度，更反映了治理体系化程度的两极分化。解锁数据的财务价值——数据资源最新发展研究报告|上市公司入表实践：治理、应用与披露表4-1：数字企业与传统企业入表对比23现有公司披露的研发支出资本化范围涵盖数据清洗、标注、建模及平台搭建等多环节，但不同企业对同类活动的成本归集口径并不一致。外购模式的挑战在于公允价值的获取与成本确定性。14家外购企业的入表金额均值为2,724万元。有的公司外购据用于AI大模型训练，其成本虽可依据采购合同确定，但数据的后续加工增值如何与原值区分计量，仍需具体指引。有的公司以委托第三方方式入表，数据的采集由第三方完成，公司在此基础上进行整合与平台嵌入，这种混合模式的成本边界划分尤为复杂——第三方服务费、后续整合人工成本与数据本身价值三者如何分拆，成为初始计量的难点。多场景成本分摊：准则空白地带当同一数据资源同时服务于内部运营与外部供给时，成本如何在不同用途之间分摊，成为当前准则体系中的空白地带。有5家企业明确披露“自用&外供”双重用途，合计入表11,283万元，均2,257万元。有的公司将“系统平台”的开发成本归集为数据资源，应用场景表述为“支持公司内部运营、对外作为服务出售”。然而，该平台用于内部运营与对外出售的各自比例、两类用途下的成本归集原则，公司并未进一步拆分披露。数据用途企业数入表总额（万元）均值（万元）数字企业均值（万元）传统企业均值（万元）外供38279,6777,36013,441603自用5574,7121,3583,326809自用&外供511,2832,2573,5841,372数据来源企业数占比入表总额（万元）自行开发9872.1%320,952外购1410.3%38,131外购&自行开发96.6%9,366委托第三方21.5%4,408其他方式10.7%130非同一控制下

企业合并10.7%902缺乏统一的分摊准则导致企业间数据不可比。外供型企业的均值（7,360万元）远高于自用型企业（1,358万元），但二者的成本结构可能截然不同——外供型数据往往包含更多的市场推广与平台搭建成本，自用型数据则以内部采集与加工为主。当企业同时兼具两类用途时，若选择有利于自身的分摊方法，将直接影响入表金额的呈现，进而干扰财务报表使用者的判断。初始计量：成本归集与资本化起点初始计量是数据资源入表的另一关键环节。98家（72.1%）采用自行开发模式，14家为外购，9家采用外购与自行开发混合模式，有的公司采用委托第三方模式等。自行开发模式下，企业面临研发支出资本化临界点的判定难题。数据资源的开发过程往往与日常数据分析、系统维护交织，如何划分研究阶段与开发阶段的边界，缺乏行业统一标准。解锁数据的财务价值——数据资源最新发展研究报告|上市公司入表实践：治理、应用与披露表4-2：数据来源对比表4-3：数据用途24行业企业名称入表金额

（万元）核心数据资产应用场景钢铁南钢股份3,288.41生产数据集“智改数转网联”项目管理优化机械设备泰尔股份251.79设备故障智能预测算法模型预测性维护、缩短研发周期医药生物美年健康1722.98结构化体检数据、影像数据数字云胶片、AI-MDT报告公用事业龙源电力1204.02风光测点数据、功率预测系统新能源场站生产运营精细化管理交通运输圆通速递3,043.64“管理驾驶舱”“智多星（YTO-GPT）”快件全生命周期监控、智能客服金额分布特征与极端值影响从金额分布来看，上市公司入表总额约37.88亿元，均值2,785万元，而中位数仅336万元。这一极度右偏的分布结构意味着少数头部企业拉高了整体水平。25分位数为77万元，75分位数为1,290万元，超过77%的企业入表金额低于1,400万元。三大运营商——中国移动、中国电信、中国联通——合计入表

209,972万元，占总金额的55.4%。剔除三大运营商后，剩余

133家企业的入表总额为168,827.7万元，均值约为1,269万元，较全部企业的均值（约2,785万元）显著下降。这一结构性特征揭示了数据资源入表在头部企业与中小企业之间的巨大落差：头部企业拥有成熟的数据基础设施和可量化的对外服务收入，入表路径相对顺畅；而大量中小企业即便完成入表，金额也多在百万级别，更多是象征性的合规动作。这种分布差异折射出确认与计量的深层逻辑——入表金额的“极端值”本质上反映了企业数据商业化能力的分化。海天瑞声以存货科目入表1,261万元，其训练数据产品可直接对外出售，经济利益流入高度可预期；而有的公司在三季报中披露的无形资产数据资源金额大幅