夜雨聆风「十日谈」专栏介绍
《十日谈》是深圳数据交易所推出的评论栏目，旨在提供关于数据相关政策解读、行业重点事件分析和相关领域讨论的多元化平台。
《十日谈》紧密围绕国家将数据作为生产要素的顶层设计，紧跟行业动态，每十日设置一个主题，邀请外部和内部智库专家撰写专栏文章，深入探讨数据领域面临的挑战、发展趋势以及前沿技术。致力于为您带来有价值的信息和观点，共同推动数据要素生态繁荣发展。（点击查看往期文章）
作者介绍 吴鹤意，深圳数据交易所数据应用专家，主要研究方向为大模型数据治理及应用。
谢梦楠，深圳大学经济学院应用统计在读学生，主要研究方向为地理加权回归分析。
摘要：在国家实施数字经济战略和推动数据资产入表的背景下，数据与人工智能（AI）模型已成为关键的生产要素与战略资产。然而其估值困境、权属不清与治理缺失等问题，严重制约了数据要素市场的健康发展。本研究基于《数据资产全过程管理试点方案》等政策指引，结合IDC、普华永道等机构的市场研判，系统分析了当前数据资产入表试点中出现的估值标准缺失、泄露风险与交易低迷等现象，并深入探讨了数据与模型资产化过程中的核心挑战。研究结果表明，科学的价值认定与有效的治理体系是破解当前困境的关键路径，同时研究也揭示了数据泄露与交易市场失衡背后的内在逻辑。本研究可为企业与相关机构管理数据资产与AI模型提供理论依据与实践指导。
关键词：数据资产；AI模型；数据治理；资产入表；数据泄露
1引言 数据要素作为驱动数字经济发展的新引擎，其资产化与管理问题已成为学术界与实务界关注的焦点。《“十四五”数字经济发展规划》明确提出要“推动数据资源向数据资产转化”[1]，财政部也相继出台了《企业数据资源相关会计处理暂行规定》[14]、《数据资产全过程管理试点方案》[3][16]等政策文件，为数据资产的确权、评估、入表和流通提供了制度保障与探索方向。
在政策推动下，企业和地方政府积极展开实践。IDC报告预测全球数据量将持续迅猛增长[2]，而普华永道等机构的报告则显示，尽管披露数据资产的上市公司在增加，但企业在入表过程中仍面临估值逻辑不清晰、披露方式差异大等挑战[4][15]，这表明数据资产的价值评估存在普遍困境。现有研究与实践通常尝试运用成本法、收益法和市场法等传统无形资产评估方法，但普遍面临数据成本归集难、收益贡献分离难和市场参照物缺失等挑战。
与此同时，随着人工智能技术的爆发式发展，由数据衍生而来的AI模型也开始展现出巨大的经济价值与资产属性。然而，诸如Anthropic Claude模型源码泄露等事件[6]表明，AI模型的产权归属复杂、价值贡献度难以衡量以及安全风险高等特性，对传统资产管理框架提出了新的挑战，其估值与治理研究相较于数据资产更为初步。
在此背景下，本研究旨在系统剖析数据资产与AI模型在估值与资产化进程中面临的共性与个性难题，并结合数据泄露频发[7][8]与合法交易市场低迷的现状，深入探讨其与治理体系缺失的内在联系。研究试图超越单一的技术或财务视角，从治理体系构建的宏观层面，提出一个系统性的解决方案，以期为推动数据要素市场的成熟与规范发展提供理论参考。
2 数据资产评估的难题 随着数字经济的快速发展，数据已被正式确立为新的生产要素。《“十四五”数字经济发展规划》明确提出，要“完善数据要素市场制度体系，推动数据资源向数据资产转化”，为此，财政部等相关部门陆续出台了多项政策文件，如《关于加强数据资产管理的指导意见》、《企业数据资源相关会计处理暂行规定》和《数据资产全过程管理试点方案》等一系列文件，为数据资产的确权、评估、入表和流通提供了制度框架与保障。在政策的推动下，企业和地方政府积极探索数据资产化的路径，国内多个省市也相继出台地方性试点方案。例如浙江、广东、北京等地陆续发布数据资产管理办法，推动企业、事业单位开展数据资产确权、评估和运营等实践工作。
然而，在政策持续推进的同时，实践中一个广泛存在的难题也愈加凸显——如何科学认定数据资产的价值？根据《数据资产全过程管理试点方案》（财资〔2024〕167号）文件披露，在中央企业和财政部门的入表试点中，“数据价值认定缺乏标准”被列为最突出的问题之一；IDC在《2025数据要素与数据资产服务市场判断》报告中预测，到2028年全球数据量将达到393.8ZB，相比2018年增长9.8倍，而大量数据价值尚未被挖掘；据普华永道《2024年数据资产专题报告集萃》显示，2024年上半年，有36家A股上市公司在半年报中披露了数据资产，然而，报告也指出，企业在数据资产入表过程中仍面临诸多挑战，如数据资源合规确权、与软件系统区分、预期经济利益分析等难题。其中一个显著问题是：大部分企业未披露清晰的估值逻辑，且披露方式差异极大。此外，全国范围内的数据资产入表案例数量也在逐步增加，这些案例也暴露出数据资产价值认定的复杂性和困难性。
尽管政策层面已为数据资产化提供了明确的方向和支持，但在实践中，数据资产价值认定仍面临诸多挑战，因此，厘清“数据资产价值为何难以认定”，成为推动数据要素市场健康发展的第一步。那么数据资产价值认定为何如此困难？相较于有形资产或传统无形资产（如专利、软件著作权等），数据因其无形性、可复制性、复用性强、价值依赖使用场景等特点，使得当前主流的估值方法在实践中均面临显著挑战（如图1所示）。
图1 数据资产认定的难点
2.1 成本法：数据投入无法完整量化，生命周期缺乏留痕
成本法是目前企业尝试数据资产估值时最常采用的方法，即通过核算数据采集、加工、清洗、建模、存储和治理等各环节的投入成本来确认其价值。然而，该方法在实践中面临显著挑战。数据分散在多个系统中，缺乏统一的元数据和流程记录机制，导致全生命周期投入无法还原；同时，数据治理属于长期性、平台化的基础设施建设，相关投入往往被计入“IT费用”或“管理费用”，难以精准归集至某项数据资源；另外，隐性投入难以量化，如人工清洗时间、接口调试、协同沟通、人力工时等均未被有效记录。
2.2 收益法：数据价值依赖业务场景，缺乏独立贡献测量机制
收益法基于数据在未来可带来的预期经济效益进行折现处理，是理论上最能体现数据资产“实用价值”的方法。然而，该方法的有效应用存在诸多前提条件。数据在企业中往往不是直接产生收益的，通常作为关键要素嵌入到模型、平台或具体业务流程中，其边际贡献很难单独识别；并且数据收益依赖业务成熟度和使用能力，同一数据集在不同场景下价值差异巨大，难以标准化评估；目前大部分企业尚未建立“数据贡献度”的分摊机制，缺乏数据应用后的收益监测和记录体系。
2.3 市场法：数据产品缺乏标准颗粒度，交易定价高度不透明
市场法要求借助已交易的数据产品价格作为参照，通过对比相似资产的市场表现反推自身估值。然而，当前数据交易市场的发展水平难以满足这一方法的应用要求。一方面。数据产品缺乏标准化颗粒度，属性、更新频率、来源可信度差异大，难以横向比价。另一方面，市面上数据交易定价机制尚未健全，点对点议价仍为主流交易模式，可供参考的公开、透明价格样本稀少。此外，市场缺乏统一的“数据评级”体系和权威的“数据分类目录”，使得估值缺乏公认的基准参考。
综上所述，成本法、收益法与市场法在数据资产估值中的应用困境表明，估值难题在本质上是一个治理问题。‘缺数据、缺标准、缺流程’的多重困境，其根源在于数据治理体系的系统性缺失。这一根本性缺陷，在数据价值密度更高、形态更复杂的AI模型上表现得尤为突出，并引发了更深层的权属与安全风险。
3 治理缺位的深化影响：以AI模型的资产化困境为例 前文揭示了数据资产普遍面临的估值困境，而这一困境在其高级形态——AI模型上得到了更为集中和极致的体现。（本研究的核心对象“数据资产”，指由企业拥有或控制，经加工处理并能带来未来经济利益的数据资源；而“AI模型”特指由数据衍生、通过算法训练获得、可用于执行特定预测或决策任务的一种复杂的数据资产形态。） AI模型既是数据的衍生品，其本身也构成了价值密度更高、结构更复杂的新型数据资产。本章将以AI模型为典型案例，深入剖析在治理体系缺位的情况下，数据资产化在确权、估值与安全管理方面所面临的深层挑战与衍生风险，从而进一步论证构建系统性治理框架的紧迫性与必要性。
3.1 模型作为数据资产的认定前提
模型是数据的衍生品，也是一种算法表达形式，其是否可被认定为企业资产，取决于是否具备可确权、可控制和可带来预期经济利益等条件。财政部于2023年发布的《企业数据资源相关会计处理暂行规定》中明确指出：企业内部使用的数据资源，若符合《企业会计准则第6号——无形资产》的定义和确认条件，应当确认为无形资产。这为基于数据构建的算法模型纳入企业资产台账提供了政策依据。然而现实中，企业普遍缺乏将模型纳入资产管理体系的操作性实践。一个成熟的AI模型在金融风控、精准营销、智能制造等场景中具备可观的经济价值和流通潜力，但是否能被纳入资产管理，关键在于是否满足可识别性，即模型必须具备可归属、可分类、可追踪等基础条件，才能被列入台账管理和后续估值入表。
3.2 模型资产化实践中的突出问题
尽管AI模型作为企业数据资产的重要组成部分，其资产化路径已引起学界和实务界的高度关注，但实践中模型资产化仍面临诸多系统性挑战（如图2所示）。
图2 模型资产化面临的挑战
3.2.1 开发成本归集困难
AI模型的研发过程高度复杂，通常横跨算法设计、数据预处理、特征工程、模型训练、参数优化、系统集成及上线运维等多个阶段，涉及算法工程师、数据科学家、IT架构师以及业务部门的多方协同，该过程具有高迭代、高试错的特点，导致成本投入呈现持续性、碎片化、非线性的分布。现有企业会计和成本管理体系普遍缺乏针对模型研发全过程的细粒度成本归集方法，难以准确划分各阶段的人力、算力资源、数据采购及技术服务等开销。尤其在企业内部分部门协同不足的情形下，研发投入常被归入“研发费用”或“信息化项目支出”等宏观科目，缺乏单独的数据资产化识别标准，这使得模型的开发成本难以准确计量。
3.2.2 价值贡献度难以量化
AI模型通常嵌套于企业更大的业务流程或IT系统中，作为决策支持工具而非直接创造收益的单一产品，模型输出结果常与业务流程、客户服务、营销策略等多个环节高度耦合，缺乏可单独计量其经济贡献的完整机制。例如，银行信用评分模型虽然对信贷发放决策起到关键作用，但模型本身的价值很难从整体信贷业务收益中剥离出来进行独立评估。目前大多数企业尚未建立“模型贡献度”的归因体系与收益追踪机制，导致模型估值的主观性较强，结果缺乏可比性与可审计性。
3.2.3 市场缺乏估值参照
与数据产品相比，AI模型的市场流通性较低，尚未形成成熟、标准化的模型交易市场。因此，现阶段模型产品定价主要依赖于供需双方在商务谈判过程中的博弈，缺少公开、透明、可比的市场案例或估值基准。即使是以Meta的LLaMA、BigScience的Bloom等开源大模型为代表的外部案例，企业在自建、部署、二次开发的场景下，依然难以直接根据外部模型案例确定自身模型的合理价值。究其原因，行业内尚无统一的“模型价值评估标准”，也缺乏“模型评级体系”，进一步加大了模型资产化的估值不确定性。
3.2.4 模型产权归属与合规风险
AI模型开发实践中普遍存在开源代码、第三方数据源、预训练模型、外包算法模块等外部技术依赖。在此背景下，企业若未建立完整的开发流程留痕、代码版本控制、数据使用记录及供应链合规性审查机制，极易导致模型产权归属不清、知识产权侵权、数据来源不合法或违反《数据安全法》《个人信息保护法》等法律法规。尤其是在模型的迭代优化与跨组织协同开发场景中，缺乏清晰的合同约定和责任划分将进一步放大法律争议和商业纠纷的风险。当前，行业层面普遍缺乏针对模型资产的专属法律框架和标准化合规管理体系，这已成为制约模型资产化实践的重要瓶颈。
随着AI模型在行业中的应用不断深化，各界也开始关注AI模型自身的资产化路径。正如《数据资产入表与数据交易合规指南》中所指出，当AI模型参数满足可识别性、可带来经济利益等会计确认条件时，其研发成本亦可作为无形资产纳入企业资产台账。这为未来AI模型资产的入表提供了理论支持与政策探索方向。
随着国家对数据资产入表和管理制度的持续完善，地方国资委、监管机构已普遍将数据安全纳入国有企业绩效考核及内部风险控制评价体系。若企业已确权并完成入表的数据资产在运营或流通过程中发生外泄，导致资产市场估值下降、交易流通受限或竞争优势丧失，极有可能被监管机构认定为“国有资产贬值”或“国有资产流失”，进而触发责任追究和审计问责程序。
目前，数据侵权领域已有相对清晰的法律基础：根据《数据安全法》《个人信息保护法》，数据侵权主要涉及数据来源不合法、处理未经授权、使用范围超出合法授权等行为。但针对AI模型的知识产权保护和侵权认定，当前仍缺乏系统性法律框架，属于法律实践中的新型难题。司法实践中通常结合《反不正当竞争法》《商业秘密保护法》进行综合评估，通过模型源代码相似度分析、开发时间线对比、算法逻辑结构分析以及模型部署和使用记录等多维度证据，辅助判定是否存在侵权行为。此外，模型泄露可能不单纯是法律问题，更多涉及企业信誉受损、市场信任度下降等非直接经济损失，进而削弱企业未来的市场竞争力。因此，模型治理、全过程审计、供应链安全控制等被越来越多的企业和监管机构视为防范“隐形资产流失”的关键管理举措。
4 数据泄露与数据要素市场发展失衡现象分析 前文所述的估值困境与资产化障碍，其深层次原因在于数据治理体系的系统性缺失。这种缺失不仅造成了数据与模型资产的“价值迷雾”，更在实践中引发了严重的负面外部效应——数据安全风险的急剧上升与数据要素市场发展的显著失衡。本部分将深入分析这一现象，揭示其与治理缺位的内在联系。
4.1数据泄露与模型安全事件频发
估值难、权属不清的背后，是企业内部数据治理机制的薄弱，尤其是安全治理的缺位。这直接导致了数据与模型泄露事件的频发，且危害程度日益加剧。《2024年数据泄露事件分析报告》[7]指出，2024年全球公开报道的201起数据安全事件中，数据泄露事件占比高达84.6%；可确认的泄露数据量较2023年增长136.9%。从Facebook数亿用户数据泄露到2025年Anthropic Claude模型源码泄露事件[6]，这些案例不仅揭示了技术层面的漏洞，更暴露出企业在数据资产分类分级、访问控制、权限管理等一系列治理环节上的系统性失灵。当资产无法被清晰界定、管理和保护时，泄露便成为高概率事件。
4.2合法市场低迷与非法市场猖獗
治理体系的缺失同样扭曲了市场激励机制，导致了“劣币驱逐良币”的失衡现象。一方面，合法的数据交易市场表现低迷。其根本原因在于，前文所述的估值困境使得数据产品定价缺乏基准，而复杂的合规确权流程（如《数据安全法》《个人信息保护法》的要求）则构成了高昂的交易成本。企业因无法准确评估数据价值且惧怕合规风险，往往选择“不敢交易”或“不愿交易”[3][15]。
另一方面，非法的数据黑市却异常活跃。非法市场几乎完全规避了合规与治理成本，无需确权、评估和审计，交易链路极短、效率极高。在暗网和加密通讯工具的掩护下，数据窃取者与购买者能在极低的风险下快速完成交易[7][8]。这种“违法成本低、合规成本高”的结构性扭曲（如某公司因接口泄露大量数据仅被罚款5万元的案例），严重抑制了企业通过正规渠道释放数据价值的积极性，客观上将交易活动推向了地下灰色地带。
4.3从现象到本质：治理缺位是共同根源
数据泄露与市场失衡看似是两个问题，实则同根同源，共同指向了数据治理体系的缺位。
对内而言，治理缺失导致企业无法有效管理、保护和估值其数据资产，从而埋下泄露隐患。对外而言，治理标准的缺失（如统一的数据产品标准、定价机制、可信流通环境）推高了合法交易的成本与不确定性，同时却未能对非法交易形成有效威慑。这种内外交织的困境表明，破解数据要素市场的发展瓶颈，不能仅停留在对孤立现象的治理，而必须从根本上构建一套覆盖数据全生命周期、兼顾安全与流通的系统性治理框架。这正是下文将要探讨的核心内容。
5 完善数据治理体系：破解数据要素市场发展瓶颈的关键路径 前文所述的数据资产估值困境、AI模型资产化障碍、以及由此衍生的数据泄露与市场失衡现象，其共同的根本症结在于统一、健全且具有可执行力的数据治理体系的缺失。 研究与实践均表明，头痛医头、脚痛医脚无法解决系统性问题，只有建立统一、标准化、分层次的治理框架，才能同时为数据资产的估值、确权、交易与保护提供稳固的制度基础，从而有效破解当前发展瓶颈，促进数据要素市场的高质量、可持续发展。
5.1以国家顶层设计与标准建设引领治理方向
国家层面的当务之急是建立覆盖数据分类分级、元数据管理、数据目录、版本控制及全生命周期管理的系统性国家标准，从根本上解决因规则缺失导致的权属模糊、产品非标化等问题，为数据资产的确权与评估提供基石。同时，监管部门应同步完善数据资产从入表、评估到交易、流通的全过程管理规范，明确可审计的监管依据，降低企业在数据交易和使用中的法律不确定性，提升市场参与积极性。
5.2以企业全生命周期管理夯实治理基础
企业作为数据资产的直接持有者和运营主体，提升自身的数据治理能力是市场成熟发展的关键，企业应从战略高度建立全生命周期的数据资产管理体系，覆盖数据采集、清洗、加工、存储、调用、共享与销毁等环节，实现从“资源型管理”向“资产型管理”的转型。针对敏感数据的授权、共享与调用，企业需建立完善的授权管理、访问控制及追踪审计机制，确保数据流转的全程可控、可溯。同时，打破“数据孤岛”现象，促进IT、数据治理、法务与合规等多部门协同治理，实现数据资源的统一管理。特别是对于敏感数据，必须建立完善的授权、访问控制及追踪审计机制，确保任何数据流转行为都可控、可溯，这是资产化的前提。此外，面对AI模型的资产化趋势，企业需未雨绸缪，探索建立模型的分类、登记、版本控制与风险评估机制，将其纳入统一的治理框架，以应对模型产权、安全与合规的新挑战。
5.3以行业协同与平台创新培育治理生态
健康的治理生态需要多方协同共治。监管机构、行业组织与数据交易平台需形成“标准+市场”的协同治理格局。监管机构应加强政策引导与合规监管，及时发布指导性规范以减少法律不确定性；行业协会可联合头部企业与科研机构，推动行业标准和自律规范建设，提升行业整体治理能力；数据交易平台则应在实践中积极探索数据产品标准化、质量评估、风险控制与价值计量等技术标准，成为数据治理标准落地的重要实践载体。
数据交易平台作为连接供需两方的关键市场基础设施，应成为治理标准落地和技术创新的重要推动者。以深圳数据交易所（深数所）的实践为例，其价值不仅在于提供交易场所，更在于通过一系列探索为行业治理提供了参考范式。深圳数据交易所通过发布《深圳数据交易所定价服务指南（1.0版本）》、建立数据产品标准化分类与质量评估体系，有效降低了交易中的信息不对称；通过上线AI聚合服务专区，打造集数据、算力、模型与服务于一体的生态，推动了治理流程的标准化与自动化；其率先对模型确权、登记与交易服务的探索，更是为AI模型的资产化治理积累了宝贵经验。这些实践表明，平台通过推动产品标准化、流程透明化和生态多元化，能够显著提升市场效率，是治理体系中不可或缺的实践载体。
5.4以智能技术赋能提升治理效能
完善治理体系离不开技术的赋能。AI与大数据等技术不仅是治理的对象，其本身也是提升治理效能的关键工具。在数据标注、质量检测、异常识别、合规监控与自动化报告生成等环节，智能技术能大幅提升治理的效率、准确性与覆盖率，降低企业的人力成本与管理负担。未来，随着技术的不断演进，AI有望从辅助工具演进为治理体系的核心智能组件，推动数据管理向智能化、主动化与精细化飞跃，为构建高效、可靠的数据治理体系提供强大动力。
6 结束语 本文系统剖析了数据要素市场面临的核心挑战：数据资产估值困境、以及在其高级形态AI模型上表现更为极致的权属与安全风险。 研究揭示，这些挑战表面是技术或管理问题，其深层根源均在于数据治理体系的系统性缺失。因此，本文提出，破解瓶颈的根本路径在于构建一个涵盖国家、企业、市场与技术多层次的系统性治理框架。展望未来，上述治理体系的建立与优化成效，将直接决定我国数据要素市场的成熟度与国际竞争力。随着数据资源和AI模型在数字经济、人工智能、智慧治理等领域的广泛应用，通过国家政策引导、企业能力建设、行业与平台实践的多层次协同推进，并推动法律规则、技术标准与商业实践三者深度融合， 数据要素市场有望实现规范、透明、高效的良性发展，这将为企业竞争力和国家数据要素市场的全球地位奠定坚实基础。 我国需要继续探索政策创新与治理模式创新，不断完善数据治理基础设施，为实现数据要素市场的高质量、可持续发展提供持续动力。
原文下载：数据资产与AI模型：从估值困境到治理体系的系统思考_吴鹤意.pdf
参考文献：
[1] 国务院办公厅. “十四五”数字经济发展规划[EB/OL]. (2022-01-12). [2025-07-04]. https://www.gov.cn/zhengce/zhengceku/2022-01/12/content_5667817.htm.
General Office of the State Council. 14th Five-Year Plan for the Development of the Digital Economy[EB/OL].(2022-01-12).[2025-07-04]. https://www.gov.cn/zhengce/zhengceku/2022-01/12/content_5667817.htm.
[2] IDC China. IDC发布2025数据要素与数据资产服务市场判断[EB/OL]. (2024-06-19). [2025-07-04]. https://my.idc.com/getdoc.jsp?containerId=prCHC53268525.
IDC China. IDC Releases 2025 Forecast for Data Element and Data Asset Services Market[EB/OL]. (2024-06-19). [2025-07-04]. https://my.idc.com/getdoc.jsp?containerId=prCHC53268525.
[3] 财政部. 数据资产全过程管理试点方案[EB/OL]. (2024-01-26). [2025-07-04]. https://www.gov.cn/zhengce/zhengceku/202401/content_6925470.htm.
Ministry of Finance of China. Pilot Plan for Full-Cycle Management of Data Assets[EB/OL]. (2024-01-26). [2025-07-04]. https://www.gov.cn/zhengce/zhengceku/202401/content_6925470.htm.
[4] 中国大数据产业观察网. 2024年数据资产披露情况分析报告[EB/OL]. (2024-03-07). [2025-07-04]. https://www.cbdio.com/BigData/2024-03/07/content_6176803.htm.
CBDIO. 2024 Analysis Report on Data Asset Disclosures[EB/OL]. (2024-03-07). [2025-07-04]. https://www.cbdio.com/BigData/2024-03/07/content_6176803.htm.
[5] 深圳市发展和改革委员会. 关于推进数据资产管理地方试点工作的通知[EB/OL]. (2024-02-21). [2025-07-04]. https://fgw.sz.gov.cn/zwgk/qt/tzgg/content/post_12051658.html.
Shenzhen Development and Reform Commission. Notice on Promoting Local Pilot Work of Data Asset Management[EB/OL]. (2024-02-21). [2025-07-04]. https://fgw.sz.gov.cn/zwgk/qt/tzgg/content/post_12051658.html.
[6] Tech in Asia. Anthropic issues takedown over Claude code source leak[EB/OL]. (2025-04-10). [2025-07-04]. https://www.techinasia.com/news/anthropic-issues-takedown-over-claude-code-source-leak.
[7] 奇安信集团. 2024年数据泄露事件分析报告[EB/OL]. (2024-05-15). [2025-07-04]. https://www.qianxin.com/threat/reportdetail?report_id=336.
Qi An Xin. Analysis Report on 2024 Data Breach Incidents[EB/OL]. (2024-05-15). [2025-07-04]. https://www.qianxin.com/threat/reportdetail?report_id=336.
[8] 央视网. 海量数据泄露引发关注[EB/OL]. (2022-11-29). [2025-07-04]. https://news.cctv.com/2022/11/29/ARTIsvXaozKNXVoixW7nqfDJ221129.shtml.
CCTV News. Massive Data Breach Draws Public Attention[EB/OL]. (2022-11-29). [2025-07-04]. https://news.cctv.com/2022/11/29/ARTIsvXaozKNXVoixW7nqfDJ221129.shtml.
[9] 新浪新闻. Facebook用户数据泄露案分析[EB/OL]. (2018-04-15). [2025-07-04]. https://top.sina.cn/zx/2018-04-15/tnews-ifzcyxmu9231443.d.html.
[10] 澎湃新闻. 国内数据合规政策推进现状[EB/OL]. (2022-02-10). [2025-07-04]. https://www.thepaper.cn/newsDetail_forward_16367714.
[11] 福建省生态环境厅. 福建省数据分类分级制度试点经验[EB/OL]. (2025-04-15). [2025-07-04]. https://sthjt.fujian.gov.cn/ztzl/gjaqjbmxcjy/jzcm/202504/t20250415_6900489.htm.
[12] 广州日报. 广州探索数据资产入表与估值机制[EB/OL]. (2025-03-11). [2025-07-04]. https://gzdaily.dayoo.com/h5/html5/2025-03/11/content_419_881509.htm.
[13] 微信公众号. 数据资产估值标准建设进展观察[EB/OL]. (2024-06-15). [2025-07-04]. https://mp.weixin.qq.com/s?__biz=MzI3NzM5NDA0NA==&mid=2247491564&idx=1&sn=7c13f3d30e36a2a30555b04f27736a33&chksm=ea2477ba05383bfa628ba08976077ec28d1973beb9af550f79d7a2a2e42ed1bcd3bda1d8d4e2&mpshare=1.
[14] 财政部. 企业数据资源相关会计处理暂行规定[S]. 2023. https://www.gov.cn/gongbao/2023/issue_10746/202310/content_6907744.html
Ministry of Finance. Interim Provisions on the Accounting Treatment of Corporate Data Resources[S]. 2023. https://www.gov.cn/gongbao/2023/issue_10746/202310/content_6907744.html
[15] PwC China. 2024年数据资产专题报告集萃[R]. 普华永道, 2024. https://www.pwccn.com/zh/research-and-insights/2024-collection-data-asset-thematic-reports-jan2025.html.
PwC China. 2024 Collection of Thematic Reports on Data Assets[R]. PwC, 2024. https://www.pwccn.com/zh/research-and-insights/2024-collection-data-asset-thematic-reports-jan2025.html.
[16] 财政部. 数据资产全过程管理试点方案[S]. 2024. https://www.gov.cn/zhengce/zhengceku/202412/content_6994953.htm.
Ministry of Finance. Full-Cycle Data Asset Management Pilot Scheme[S]. 2024. https://www.gov.cn/zhengce/zhengceku/202412/content_6994953.htm.
声明
·文章来源：深圳数据交易所
·未经授权不得擅自使用，如需转载请注明出处和保持信息完整性。
· 转载出于非商业性目的，旨在分享，如若侵犯了原作者或相关方的合法权益，请联系公众号予以删除。如认为本文/本公众号中存在侵犯相关知识产权的内容，请与我们联系【SZxdfwwb@163.com】。
往期精彩
开放群岛开源社区携手众多社区单位于数字中国发布《2026中国智能经济发展蓝皮书》，共探数据要素创新路径
【通知】关于发布《训练数据质量评价与分级应用规范》团体标准征求意见的通知
【通知】关于《生成式人工智能服务交易合规评估指引》等2项团体标准征求意见的通知
「十日谈」专栏介绍
《十日谈》是深圳数据交易所推出的评论栏目，旨在提供关于数据相关政策解读、行业重点事件分析和相关领域讨论的多元化平台。
《十日谈》紧密围绕国家将数据作为生产要素的顶层设计，紧跟行业动态，每十日设置一个主题，邀请外部和内部智库专家撰写专栏文章，深入探讨数据领域面临的挑战、发展趋势以及前沿技术。致力于为您带来有价值的信息和观点，共同推动数据要素生态繁荣发展。（点击查看往期文章）
吴鹤意，深圳数据交易所数据应用专家，主要研究方向为大模型数据治理及应用。
谢梦楠，深圳大学经济学院应用统计在读学生，主要研究方向为地理加权回归分析。
摘要：在国家实施数字经济战略和推动数据资产入表的背景下，数据与人工智能（AI）模型已成为关键的生产要素与战略资产。然而其估值困境、权属不清与治理缺失等问题，严重制约了数据要素市场的健康发展。本研究基于《数据资产全过程管理试点方案》等政策指引，结合IDC、普华永道等机构的市场研判，系统分析了当前数据资产入表试点中出现的估值标准缺失、泄露风险与交易低迷等现象，并深入探讨了数据与模型资产化过程中的核心挑战。研究结果表明，科学的价值认定与有效的治理体系是破解当前困境的关键路径，同时研究也揭示了数据泄露与交易市场失衡背后的内在逻辑。本研究可为企业与相关机构管理数据资产与AI模型提供理论依据与实践指导。
关键词：数据资产；AI模型；数据治理；资产入表；数据泄露
图2 模型资产化面临的挑战声明
·文章来源：深圳数据交易所
·未经授权不得擅自使用，如需转载请注明出处和保持信息完整性。
· 转载出于非商业性目的，旨在分享，如若侵犯了原作者或相关方的合法权益，请联系公众号予以删除。如认为本文/本公众号中存在侵犯相关知识产权的内容，请与我们联系【SZxdfwwb@163.com】。
往期精彩
开放群岛开源社区携手众多社区单位于数字中国发布《2026中国智能经济发展蓝皮书》，共探数据要素创新路径
【通知】关于发布《训练数据质量评价与分级应用规范》团体标准征求意见的通知
【通知】关于《生成式人工智能服务交易合规评估指引》等2项团体标准征求意见的通知
