引言

2023年8月，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日起正式施行（财政部，2023）。这一规定标志着让早已被认定为生产要素的数据资源，正式纳入企业财务报表核算体系。2024年，财政部进一步发布《数据资源会计处理实施问答》（以下简称《实施问答》），针对实务中集中反映的确认、计量和披露问题作出细化指引。截至2026年，数据资产入表已历经两个完整会计年度的实践，入表企业数量和入表资产规模均呈持续扩大态势。

数据资产入表后的后续计量问题中，减值测试是十分具有挑战性的环节。《暂行规定》对不同核算类别的数据资产确立了差异化减值计量规则：对于确认为无形资产的数据资产，企业应当按照《企业会计准则第8号——资产减值》规范开展减值测试与会计处理；对于确认为存货的数据资产，则依据《企业会计准则第1号——存货》进行期末计量与跌价计提。然而，数据资产具有无形性、价值场景依赖性、权属复杂性和技术共生性等独特属性，这些属性使得数据资产的减值逻辑与传统资产以及存货存在本质差异。

从已有研究来看，黄世忠（2023）等学者阐述了数据资产的确认与计量问题，指出数据资产的“场景依赖性”是其区别于传统资产的重要特征。陆建桥（2023）从会计准则制定者的视角分析了数据资产入表的理论逻辑。张新民和钱爱民（2024）探讨了数据资源入表对财务报表分析的影响。郭强华（2025）指出数据资产非实体性、动态性和风险性特征，国家审计机构需进一步提升认知和提高监督数据资产的能力。然而，现有研究多集中于数据资产的初始确认、计量以及审计机构监督问题，对于入表后的减值问题关注较少。本文以《企业会计准则第8号——资产减值》和《企业会计准则第1号——存货》为规范基准，以数据资产的独特属性为分析起点，系统剖析数据资产减值的成因，构建多维度的减值迹象识别框架，并提出具有操作性的防范策略，以期为企业的数据资产减值管理提供参考。

一、数据资产减值的成因分析

理解数据资产减值的成因，是有效识别和防范减值风险的前提。根据《企业数据资源相关会计处理暂行规定》，数据资产入表后分别适用不同的减值规范：确认为无形资产的，依据《企业会计准则第8号——资产减值》（以下简称“资产减值准则”），当可收回金额低于账面价值时确认减值；确认为存货的，依据《企业会计准则第1号——存货》（以下简称“存货准则”），当可变现净值低于成本时计提跌价准备。在传统资产领域，减值通常源于物理损耗、技术过时或市价下跌等外部可观察因素。数据资产的价值衰减则遵循不同的逻辑，其减值成因可从以下四个层面加以分析。

（一）数据自身层面的减值成因

数据自身层面的减值成因，是数据资产减值最基础、最普遍的来源。

第一，数据时效性衰减。数据是对特定时点、特定环境的信息记录。随着时间推移，数据所反映的外部现实可能已发生实质性变化，数据与客观世界之间的对应关系日益松弛。数据资产的价值取决于其应用场景而非数据本身，而应用场景是动态变化的。在消费领域，几年前的用户行为数据对当前精准营销的预测价值已大幅下降；在金融风控领域，经济周期转换后，上一周期积累的信贷行为数据对当前风险评估的参考意义显著降低。这种因时间推移导致的“数据老化”，是数据资产减值最持续的成因。

第二，数据完整性的相对缺损。业务环境和监管要求的变化可能使历史数据在关键维度上出现“结构性缺失”。例如，新颁布的法规要求企业对用户数据进行新的分类标注，历史数据因缺少该标注字段而不符合新的合规要求，其可使用范围和使用价值随之收窄。

（二）市场与竞争层面的减值成因

数据资产的价值不仅取决于其自身质量，更取决于其在市场中的相对竞争力。

第一，竞争性数据产品的替代效应。数据市场的竞争格局变化可能直接侵蚀企业存量数据资产的价值。当第三方数据服务商或竞争对手推出了覆盖更广、更新更快、质量更优的同类数据产品时，企业原有的数据资产在比较优势上发生弱化。随着数据交易市场基础设施的完善和数据产品供给的丰富，这种竞争性替代风险将持续上升。

第二，数据采集门槛的下降。某些数据资产的价值建立在数据采集的高门槛之上。当技术进步或监管环境变化使数据采集门槛降低时，存量数据的稀缺性溢价将随之消失。例如，卫星遥感数据的获取成本在过去十年大幅下降，使得早期以高成本积累的遥感数据资产面临价值重估。传感器技术的普及、开源数据运动的推进、公共数据开放政策的实施，都在不同程度地降低各类数据的获取壁垒。

第三，市场需求的转向。数据资产的价值最终由市场需求定义。当行业的商业模式、技术路线或竞争重心发生转变时，某些类型的数据可能从核心资源变为边缘资产。生成式人工智能的崛起正在深刻改变训练数据的需求结构，部分传统训练数据集的价值可能被合成数据技术所替代。

（三）技术层面的减值成因

数据资产与信息技术之间存在密切关系，技术环境的变化也会导致数据资产价值变化。

第一，兼容不足与获取困难。当企业进行重大IT系统升级或架构迁移时，历史数据可能因格式不兼容、接口变更或元数据丢失而难以在新环境中使用。数据虽然在物理上仍然存在，但提取、转换和适配的成本可能超过其剩余经济价值，形成实质上的“技术性减值”。

第二，数据存储与安全风险。2025年施行的《网络数据安全管理条例》对企业数据安全保护义务作出了系统性规定。数据存储介质的老化、系统故障的不可预见性、网络攻击的持续威胁，都构成数据资产存续的实体风险。数据一旦因安全事件而损坏、泄露或被不可逆删除，其资产价值可能瞬间归零。

第三，新技术发展带来的冲击。这是最具颠覆性的减值因素。当新技术能够以更低的成本产生同等或更高价值的数据时，存量数据资产面临“创造性毁灭”。隐私计算技术的成熟，使得原本因隐私限制而无法流通的数据得以安全利用。这些技术变革正在重塑数据资产的竞争格局。

（四）法律与监管层面的减值成因

法律与监管环境的变化，可以在短期内根本性地改变数据资产的价值。

第一，数据来源合规性的审查风险。《暂行规定》的适用范围要求企业合法拥有或控制数据资源。《个人信息保护法》、《数据安全法》和《网络数据安全管理条例》共同构筑了数据合规的规范体系。随着执法力度的加强和合规标准的提高，部分企业存量数据资产的来源合法性可能面临挑战。如果数据采集时未取得充分的用户授权，或授权范围未能覆盖当前使用场景，“合法拥有或控制”这一确认基础可能发生动摇，将会直接导致数据资产减值甚至终止确认。

第二，数据使用范围的限制缩小。监管政策的收紧可能限制数据的使用方式和范围。金融监管领域对个人征信数据的使用限制、特定行业对数据跨境传输的管控、反垄断执法中对数据垄断的关注，都可能使数据资产的可变现渠道收窄，预期经济利益流入能力下降。

第三，数据删除义务的法定触发。部分法规设定了数据删除的法定情形。《个人信息保护法》第四十七条规定了个人信息处理者应当主动删除个人信息的五种情形。当企业被依法要求删除特定数据时，相应的数据资产将直接从资产负债表上消失。这是传统资产所不具备的、数据资产独有的减值触发因素。

二、数据资产减值迹象的识别

减值成因分析回答了“为什么会减值”的问题，减值迹象识别则回答“如何发现减值信号”的问题。《资产减值准则》与《存货准则》列举了资产可能发生减值的若干迹象，包括资产的市价大幅下跌、企业经营所处的经济环境发生重大不利变化、资产已经陈旧过时或实体已经损坏等。然而，这些迹象主要基于传统资产的减值逻辑而言，对数据资产因应用场景依赖、技术迭代或合规政策变化而引发的特殊减值信号缺乏总结和提示。鉴于此，基于前文的成因分析，本文尝试从以下几个维度构建更具针对性的数据资产减值迹象识别框架：

（一）数据使用维度的识别信号

数据使用维度是企业在内部最容易直接获取的识别信号来源。企业应当系统性地关注以下指标的变化趋势：数据资产的调用频率是否呈现持续下降、数据资产所支撑的业务条线收入是否出现趋势性萎缩、数据资产在分析模型中的特征贡献度是否显著下降、数据维护更新的周期是否被人为拉长或中断以及数据质量的关键指标（完整性、准确性、一致性、时效性）是否出现系统性的恶化趋势等。

这些内部信号往往是数据资产减值的最早预警。如果企业建立了规范的数据资产管理系统，上述指标中的相当部分可以通过系统日志和元数据记录进行自动化记录和监测。需要特别关注的是，指标的单次波动可能与季节性因素或业务短期调整有关，而连续多个周期的趋势性变化通常意味着更深层的减值正在发生。

（二）市场竞争维度的识别信号

企业应将对外部市场环境变换、市场竞争发展纳入减值迹象识别的常规流程。需要监测的信号包括：数据交易平台上是否出现了功能相似但价格更低和质量更高的替代性数据产品；同行业主要竞争对手是否宣布自建或外购了更大规模、更具时效性的数据集；数据采集和加工的技术成本是否出现了结构性下降，从而降低了新进入者的壁垒；行业的商业模式是否正在发生转变，使得企业原有数据资产的变现逻辑被削弱或重构等。

这些外部信号在行业研究报告、数据交易平台公开信息、竞争对手公开披露中往往有迹可循。但识别这些信号的关键不在于信息的获取，而在于企业是否建立了将市场信息与自身数据资产进行关联分析的机制。

（三）技术维度的识别信号

技术维度需重点关注以下信号：企业是否有重大系统升级或架构迁移计划，可能影响历史数据的可访问性；数据存储基础设施是否存在老化、容量不足或故障风险加剧的迹象；数据安全审计是否发现了此前未被充分评估的漏洞；行业层面是否出现了可能替代企业现有数据资产功能的技术？

《网络数据安全管理条例》在2025年1月1日施行后，数据安全防护不到位本身就可能构成一项减值迹象——安全事件不仅可能导致数据损坏，更可能触发监管处罚和声誉损失，并进一步导致数据资产发生减值。

（四）法律监管维度的识别信号

法律与监管维度需要合规部门和法律顾问的协同参与。应重点追踪的信号包括：法律监管机构是否发布了新的数据管理相关规章，并可能导致企业数据使用的授权范围缩小；行业监管政策是否对企业持有的特定类型数据施加了更严格的流通使用限制；企业是否面临与数据来源合法性相关的诉讼、举报或监管调查；数据知识产权保护的法律环境是否发生了不利于企业的变化；企业是否因业务调整、用户请求或法定义务而需要删除特定数据等。

法律和监管层面的变化往往具有突发性和根本性：一项新的监管规定或司法判决可能在短期内彻底改变某项数据资产的价值。

三、数据资产减值的防范策略

在明确减值的成因和识别信号之后，企业应当建立系统化的数据资产减值防范体系。在数据价值快速变化的市场环境中，一定程度的价值波动是正常的，减值防范体系可以确保减值风险能够被及时识别、减值损失能够被合理估计，以及减值的会计处理能够如实反映资产质量。

（一）构建全生命周期的数据治理体系

减值的原因往往在数据管理的早期环节已经存在。企业应建立覆盖数据采集、存储、加工、使用、更新到处置的全生命周期治理体系。

在数据采集环节，确保数据来源合法、用户授权清晰、采集口径规范，并完整留存合规证明文件，符合“合法拥有或控制”。在数据存储环节，建立定期完整性校验机制，对存储介质的状态进行持续监控，防范技术性减值风险。在数据使用环节，记录数据的调用情况和业务贡献，为后续的价值判断积累基础数据。在数据维护环节，建立主动更新机制，通过持续的数据补充和修正，延缓时效性衰减和质量下降。良好的数据治理是防范减值的第一道防线，也是最根本的防线。

（二）建立常态化的价值动态监测机制

企业应结合自身数据资产的规模和管理基础，建立常态化的价值监测机制。在制度层面，明确数据资产价值监测的责任部门，建立健全财务部门、业务部门和IT部门之间的信息沟通渠道。在指标层面，设定涵盖数据使用频率、贡献度、技术环境和合规状态的多维监测指标体系。在流程层面，建立定期的价值评估检测流程和重大事项的即时报告机制。

这一监测机制的关键在于“持续”。数据资产的价值变化往往是渐进的，如果仅依赖年度减值测试，可能错过最佳的风险应对窗口期。持续监测可以使企业在减值信号由弱转强时能够第一时间发现并做出调整和应对。

（三）实施主动的价值维护策略

并非所有减值风险都只能被动接受。企业可以采取主动措施延缓数据资产减值甚至可以使资产保值，包括：定期更新数据集，注入新数据以保持整体的时效性；积极探索数据资产的新应用场景，以新用途对冲旧用途的价值衰减；通过数据更新和完善，增强数据的可用性和分析价值；持续关注技术变革动态，及时调整数据架构以保持与新技术环境的兼容性；加强数据安全投入，降低存储和安全事件风险。

主动价值维护的经济逻辑在于：维护数据资产价值的成本通常远低于重新获取同等价值数据的成本。只要维护的边际成本低于预期的减值损失，主动维护就是经济上合理的选择。

（四）制定审慎的政策规范流程

在会计处理层面，企业应当建立明确的内部规范。在会计政策选择方面，如果适用无形资产摊销政策，就要合理确定数据资产的摊销年限——过长的摊销年限选择可能导致减值风险在某一期间集中爆发，不利于如实反映资产质量；在减值迹象监测方面，明确规定各类减值迹象的路径和处理时限；在减值测试执行方面，建立规范的测试流程和参数设定标准，确保测试结果的可靠性和一致性；在减值准备计提方面，计提金额要基于充分的证据和专业判断，避免“该提不提”以美化报表，也避免“一次性洗大澡”以操纵利润。

对于数据资产规模较大的企业，建议在财务报告附注中增加关于数据资产减值风险的专项披露，主动向报表使用者披露数据资产的相关信息。这种自愿性披露虽然在短期内可能增加信息成本，但从长期看有助于建立投资者对企业数据资产治理能力的信任。

四、结语

数据资产减值是一个兼具理论深度和实务紧迫性的议题。从理论层面看，数据资产的减值逻辑挑战了以物理损耗和市价下跌为核心的传统减值范式，要求会计理论和准则制定者重新审视减值迹象的识别维度和减值测试的方法框架。从实务层面看，随着数据资产入表企业数量的增加和入表规模的扩大，数据资产减值将从零星个例转变为普遍性挑战，逐渐成为数据资产后续计量的核心问题。

本文的分析表明，数据资产减值的成因横跨数据自身、市场竞争、技术变革和法律监管四个维度，减值迹象的识别需要财务、业务、IT和合规多部门的协同配合，减值风险的防范需要治理体系、监测机制、主动维护和会计政策四管齐下。数据资产减值的识别与应对不是一次性的制度设计，而是一个需要持续投入和动态优化的长期工程。

展望未来，随着数据要素市场建设的深入推进和数据资产评估行业标准的逐步成熟，数据资产减值的计量和管理体系将日益完善。《暂行规定》施行两年多来积累的实务经验，也将为数据资产减值测试方法的改进和准则的进一步完善提供宝贵素材。在这一过程中，企业建立的数据资产减值管理能力，不仅是对会计准则的合规回应，更是对数据资产价值本质的深刻理解和有效管理。

参考文献：

1. [1] 黄世忠,叶丰滢，陈朝琳.数据资产的确认、计量与报告[J].财会月刊,2023(08):3-9.
2. [2] 陆建桥.数据资产入表的会计思考[J].会计研究,2023(06):3-12.
3. [3] 张新民,钱爱民.数据资源入表与财务报表分析变革[J].财务与会计,2024(01):18-22.
4. [4] 郭强华,郭斐斐. 防范数据资产入表泡沫风险的国家审计监督研究[J].会计之友,2025(23):134-141.