摘要:当前，数据成为第五大生产要素，企业数据资源入表成为推动经济高质量发展的重要实践。以《企业数据资源相关会计处理暂行规定》实施为背景，聚焦数据资源入表核算的业务场景差异化难点，基于中国电信2024年度数据资源入表实践展开案例研究。通过研究，剖析中国电信主要数据资源的应用场景、业务模式及数据资源成本归集与分摊机制，揭示数据资源价值创造场景依赖性，以及如何基于业务模式建设与数据资源入表相配套的信息系统，加强数据资源研发项目管理、规范，保障数据资源会计信息质量，以期为细化数据资产会计规范、提升财务信息披露质量提供理论依据与实践参考，为完善数据要素市场制度范式建设提供借鉴。
关键词:中国电信,数据资源,入表,会计核算,系统建设
0引言
2019年，党的十九届四中全会首次将“数据”列为第五大生产要素;2020年，中*中央、国*院发布的《关于构建更加完善的要素市场化配置体制机制的意见》首次正式提出“数据要素”这一概念，并明确要“加快培育数据要素市场”。特别是近5年来，党中央、国*院相继出台了一系列关于鼓励和培育数据要素市场、发展数字经济的政策，从顶层设计角度把充分发挥数据要素价值放在了国家战略这一重要位置［1-2］。在此背景下，随着《企业数据资源相关会计处理暂行规定》(以下简称《暂行规定》)的发布与实施，2024年成为中国企业实现数据资源入表的元年。本文选取中国电信股份有限公司(以下简称“中国电信”)作为研究对象，通过分析其在数据资源入表及信息披露过程中的实践案例，系统梳理数据资源在大数据产品、大数据集成服务、AI/大模型产品及内部赋能4个典型应用场景下的成本归集与分摊机制、会计核算思路和方法，并提出相应优化建议。本研究可能的贡献在于，不仅为电信行业提供了具体的数据资源管理框架和会计处理方法，还为其他行业在数据资源入表提供了借鉴，以及为相关单位建立与业务场景相匹配的信息系统和管理规范积累了经验。
1中国电信数据资源入表的现状和问题
1.1案例简介
中国电信作为中央直属大型国有企业，是中国三大基础电信运营商之一，也是全球领先的信息通信服务提供商。其业务涵盖移动通信、互联网接入及应用、固定电话、卫星通信、信息及通信技术(Information and Communication Technology，ICT)集成等综合信息服务，属于典型的数据密集型企业。中国电信通过不断进行技术创新和数字化转型，致力于建设网络强国和数字中国，同时通过“云改数转”战略推动云计算、大数据、人工智能等新兴领域的发展。根据中国电信年报披露，截至2024年底，中国电信拥有4.25亿移动用户和1.97亿宽带用户，2024年实现营业总收入5 235.69亿元、归母净利润为330.12亿元。
在云计算和AI领域，中国电信持续加大投入，天翼云收入突破1 000亿元，市场份额稳居前列。向政企客户，着力打造“算力+平台+数据+模型+应用”的一体化服务新模式，加快行业数字平台能力升级，公司深入开展“AI+”，完成“1+1+1+M+N”人工智能总体布局，打造星辰多模态通用大模型底座，实现语义、语音、视觉能力全覆盖并多尺寸开源，打造智能体、行业解决方案等AI原生应用及AI手机、AI云电脑等10余款AI标准化产品，推出50余个行业大模型，服务超1万家行业客户，基层治理、政务智慧客服、旅游导览等行业大模型加快落地推广，有效助力客户效率提升和成本降低，持续赋能经济社会智能化转型，公司AI位列中国大模型应用市场份额第六。此外公司13个内部大模型在客服、网运、办公等企业管理运营环节的嵌入及应用，助力企业降本提质增效。打造星海大数据品牌，位居年度数据要素服务商排行榜榜首，数据智能中台服务客户超150家，构建规模超9万亿Token的大模型训练数据集。中国电信积极在创新应用中探索流通路径、提升数据质量，推动数据进入社会化大生产，加快数据要素化进程，推动数据“动起来、用起来、活起来”。在数据资源方面的显著优势已成为中国电信数字化转型和创新发展的核心支撑。在2024年报中披露其数据资源入表金额达3.71亿元，其中半年报、三季度报和四季度报分别确认了1.05亿元、1.51亿元和1.15亿元的数据资产入表金额。
1.2中国电信数据资源入表经过
中国电信推进数据资源入表过程，可以总结为以下几个关键步骤和环节:
(1)组建工作团队，加强统筹推进。建立跨部门、跨专业的协同联动机制，相关职能部门各司其职，分别承担各条线工作的主体责任，共同推进数据资产治理、盈利、核算工作，形成合力。具体分工见表1。
(2)数据资源盘点。中国电信组织下属各分、子公司对数据资源进行全面盘点，构建全网数据资产视图，明确数据资源的采集、加工、使用和管理流程，确保数据质量和安全合规。同时各业务条线认真梳理各类数据资源应用场景、业务模式和所涉及的各项支出。这一过程为后续的会计核算奠定了基础。
(3)制定统一的数据资源会计核算办法。财务部门负责会计政策的制定、执行指导及评估，各下属单位按照数据资产管理制度和体系，加强数据基础管理工作，理清数据资源分类，规范数据资源采集、加工、使用的全过程管理。
(4)规范研发项目管理与成本归集。对于涉及数据资源的研发项目，需按照大数据产品、算法模型及大数据/AI应用等维度进行立项，并详细梳理计入开发支出的各项费用，包括外购数据库、应用程序编程接口(Application Programming Interface，API)服务、研发人员人工支出等，这些支出计入“开发支出”，并归集到相应研发项目。对于无法直接归集的成本(如研发人员工时、工人工资等)，选择合理的成本分摊动因进行分摊。当数据资源满足无形资产的确认条件时，确认为“无形资产———数据资源”。对于不满足资本化条件的数据资源，其相关支出则计入当期损益。
(5)监督与闭环管理。通过内外部审计、专项检查等方式监督数据资源入表工作的执行情况，确保数据资源入表的完整性、准确性和及时性。
2数据资源入表过程中发现的主要问题
2.1数据资源价值创造存在场景依赖性
在数据资源入表实践过程中，数据资源价值的实现高度依赖其应用场景，数据资源的价值需要在具体应用和交易场景中变现，不同场景下企业数据资源的价值创造方式不尽相同，将不可避免地影响数据资源的入表核算［3］。在对外提供大数据产品与内部使用等不同应用场景中，数据资源的价值创造路径存在本质差异，如属于对外提供的产品或服务，需论证经济利益流入规模大于其投入;属于对于内部使用能发挥提质增效作用的资源，需论证剔除其他影响因素后数据资源带来的成本节约或效益提升、降本增效产出是否能覆盖相关投入。这种差异化场景与无形资产准则规定的“未来经济利益流入”的单一确认标准形成矛盾。
因此在项目的研发立项论证和可研评估环节，应先确认数据资源的应用场景，再论证研发项目的经济利益流入方式。上述论证应在立项环节进行规范，并在初始确认环节，根据立项论证或可研的论证结果，完成相应的会计处理。例如，对外提供大数据产品需通过API输出的核验结果创造价值，而内部赋能则是通过算法模型优化运营效率。若未对应用场景进行系统性分类，不同场景下数据资源的经济利益流入形式(如直接收入、成本节约、效率提升)难以量化，影响资产确认的合理性。
2.2现有政策中成本归集与分摊机制不完善
(1)对于无法直接归集计的成本(即间接成本)，选择合理的成本分摊动因比较困难。如常见的分摊动因包括开发数据资源所耗费的人工工时、数量、开发数据资源所需相关软硬件资源占用量、占用时长、数据资源的存储占用量，分摊计入各项产品的“开发支出”。但是采用人工工时、资源占用量等传统动因，难以适配数据资产特性。如物联网数据清洗环节的算力消耗具有非线性特征，按存储占用量分摊将低估高频数据处理项目的实际成本。此外，研发过程中涉及的云资源租赁、动力水电费等间接成本，缺乏统一的分摊动因(如人工工时、存储占用量等)，导致成本归集的准确性不足。
(2)无形资产后续计量资本化认定困难。在后续计量方面，对于已确认为无形资产的数据资源的后续支出，需要有确凿证据表明本次更新迭代是较前序项目构成实质性功能提升，而非仅为“对前序项目正常运营的必要维护”，才可作为资本化支出，否则应计入当期费用。但是算法模型的持续训练特性与无形资产准则的“实质性功能提升”标准存在执行冲突。以人脸识别算法为例，每日增量训练产生的精度提升是否构成资本化条件，在现行实务中缺乏可操作的量化标准。
(3)存货的认定存在疑虑。考虑到受法律法规约束，如实践中常出现“将同一数据源不断产生的数据打包出售给不同需求主体”情形，其行为表征虽为“出售”，但应确认为无形资产，而非存货;企业持有数据通常超过一个会计年度，已然与存货的流动资产定位相悖［4-5］。因此当前对“直接转让有关数据”业务的判断较为谨慎，对根据业务模式和业务实质确认为存货的情形持谨慎判断。
2.3信息系统支持不足
数据资源入表需要完善的信息系统支持，以实现数据资源的采集、加工、存储、分析等全流程管理。若数据资源管理平台尚未完善，则研发管理系统在立项论证阶段的经济利益预测难以与财务系统联动，将导致数据资源的质量和可用性难以保证;同时跨域数据(如基站子系统(Mobile Station Subsystem，BSS)、管理支撑系统(Management Support System，MSS)域数据)的采集也容易出现重复或遗漏等情况，可能导致成本归集不透明，将影响后续的会计核算。
3中国电信对数据资源入表中相关问题的应对
3.1数据资源应用场景划分
目前中国电信的数据主要分布在BSS域、MSS域、对象存储服务(Object Storage Service，OSS)域、网络域和业务平台5个领域，包括全网客户信息(含电信用户手机号码、手机状态信息、手机在网时长等)、产品/销售品、客服投诉、政企客户关系管理(Customer Relationship Management，CRM)、计费详单、账单、统一资源库、统一装维库、三码低效闲置数据、集团长期演进语音承载(Voice over Long-Term Evolution，VoLTE)服务工单数据、财务、采购、工程、人力、合同、移动/固网DPI、国内/国际信令、调制速率(Modulation Rate，MR)/基础带宽(Committed Data Rate，CDR)、流程管理(Process Management，PM)/呼叫管理(Call Management，CM)、物联网、翼支付、智慧家庭等各类数据。依托电信集团总部的大数据平台、各省公司的大数据湖、部分专业公司的数据平台等、将电信全域数据以及外购的数据，进行采集、加工和处理，通过模型、算法等形成相应的数据标签、指标、数据库、数据匹配结果等数据资源。主要数据资源应用场景按照对外提供或内部使用可分为以下4种场景:对外提供大数据产品，对外提供大数据集成服务，对外提供算法，模型相关的AI、大模型产品和内部赋能。中国电信数据资源框架见图1。
3.2针对典型应用场景，构建数据资源成本归集与分摊机制
3.2.1对外提供大数据产品
在该场景下，电信利用相关数据资源，经过汇总、分析等，形成其他主体所需要的新数据(例如分析结果、核验结果、信用评级结果等)，并通过调用数据接口API方式提供查询或者验证服务。如电信公司基于电信运营商独有的用户实名登记信息，向客户提供身份核验、号码核验、通信信息核验、位置核验、欺诈盾等要素核验服务，通过Https、API等接口形式返回核验结果，帮助客户核验用户身份属性及行为稳定性，确保客户获知用户身份真实性及欺诈风险。该大数据产品在符合资产定义和确认条件时，相关数据资源研发项目的开发阶段支出，在满足无形资产准则规定的有关资本化条件时，应确认为“无形资产———数据资源”。
电信公司以该大数据产品为维度进行研发项目立项，针对其开发阶段，根据该大数据产品的开发流程，梳理其“开发支出”包括的各项支出进行数据资源成本的归集和分摊。梳理该大数据产品的开发流程如下:由数据发展中心利用大数据平台逐级汇聚各省端数据，以及外购异网(移动、联通公司)和金融的API数据接口服务，进行数据汇聚、预处理和初级加工，并经由金融征信系统根据客户具体需求和应用场景，依次进行数据抽取、应用表单建设、数据建模、API接口封装，最终形成大数据产品上架销售。
该大数据产品的数据应用及运营分为以下两种模式:
(1)调用金融征信系统的API，依托网关平台进行整合处理、产品封装测试、产品运营，通过API接口形式提供要素核验结果。
(2)调用集团金融征信系统API的电信用户信息，以及外购数据服务，并通过征信系统进行数据分装、数据脱敏、数据加密传输、API响应、产品运营，通过API形式反馈要素核验结果。
归集该大数据产品的“开发支出”包括:①研发用无形资产摊销，如集团总部的大数据平台、金融征信系统的无形资产摊销;②研发人员人工支出、委托研发支付费用、合作研发支付费用，主要是数据抽取、建模、处理、API封装、产品封装等加工过程所发生的研发人员人工支出、委托研发支付费用和合作研发支付费用;③研发用资源租赁费，如云资源租赁费;④其他研究开发支出，如研发人员的差旅费、办公费、培训费等、开发大数据产品的动力水电费等。
上述各项支出，对于能直接归集计入该大数据产品的成本，例如征信系统的无形资产摊销，该系统只针对该产品进行数据加工、处理，属于直接成本，其每期摊销应计入“开发支出”，并归入相应研发项目;对于数据抽取、建模、处理、API封装、产品封装等加工过程所发生的支出，该加工过程是由专属的自有研发人员承担，并通过一事一议签订合同的形式开展委托或合作研发，属于直接成本，相关研发人员人工支出、委托研发支付费用和合作研发支付费用应直接计入“开发支出”，并归入相应研发项目;对于无法直接归集计入该产品的成本(即间接成本)，按照合理的成本分摊动因(如常见的分摊动因包括开发数据资源所耗费的人工工时、数量、开发数据资源所需相关软硬件资源占用量、占用时长、数据资源的存储占用量)分摊至该大数据产品，计入“开发支出”，并归入相应研发项目。当达到该大数据产品预定用途，并满足无形资产准则规定的有关资本化条件时，确认为“无形资产———数据资源”，并按照预期的摊销期予以摊销。另外，对于外购数据服务的成本，是根据客户的每项核验需求，按次数调用外部数据接口服务，并实时形成相应的收入及成本，并非为开发该大数据产品而在一个期间内发生的成本，因此，不属于数据资源“开发支出”。对于与该产品相关的数据平台维护支出、安全管理支出等，不属于数据资源的直接加工成本，且没有显著增加企业未来的经济利益流入，应在实际发生时计入当期损益，不属于数据资源“开发支出”。
3.2.2对外提供大数据集成服务
在该场景下，公司利用相关数据资源和技术提供数据资源相关的专业服务，例如提供数据采集、清洗、标注服务，以数据集成+系统集成的方式，提供行业场景解决方案。如电信公司通过对外购数据库和API数据接口服务(包含企业工商、法律诉讼、行政、舆情、照片、经营、资产和税务等数据)与电信内部数据进行整合、挖掘并联合分析为金融机构、类金融企业、政府等客户提供一系列数据服务。主要应用场景包括企业信用评估、贷款审批、反欺诈和安全防范、金融产品定制、企业数据驱动决策等。具体又可细分为两种情形:
情形1:提供通用数据处理服务，并非与履行某一合同直接相关。
对于数据库类型的数据源，利用数据中台进行数据源的接入、清洗和整合，形成标准化的数据;通过搭建数据仓库，存储和管理标准化的数据;通过数据同步工具，将数据源与数据仓库实时同步，确保数据的及时性和准确性。对于API接口类型的数据源，公司从外部购买API数据接口服务，利用内部数据平台完成供应商提供的工商信息、知识产权等信息的接口服务注册以及相关管理。最后以API、在客户系统中搭建相应数据库、通过文件服务器文件传输协议(File Transfer Protocol，FTP)或安全文件传送协议(Secure File Transfer Protocol，SFTP)等方式将服务推送至客户。
该模式下，当数据源经加工后形成的数据输出结果(可复用于为不同客户或场景提供服务、并非与某一合同直接相关)，在符合资产定义和确认条件时，以及开发阶段支出在满足无形资产准则规定的有关资本化条件时，应确认为“无形资产———数据资源”。
电信公司针对上述通用数据处理服务进行研发项目立项，针对其开发阶段，根据相关数据资源的开发流程，梳理其“开发支出”包括的各项支出进行数据资源成本的归集和分摊。
“开发支出”包括:①外购数据库和API数据接口服务的成本;②研发用无形资产摊销，如数据中台、数据超市平台、SaaS平台的无形资产摊销;③研发人员人工支出，如数据源接入、清洗、整合、数据库搭建、API接口服务注册等加工过程所发生的研发人员人工支出;④研发用资源租赁费用;⑤其他研究开发支出，如研发人员的差旅费、办公费、培训费等、开发大数据产品的动力水电费等。
在上述各项支出中，对于能直接归集计入该研发项目的成本，例如数据中台、数据超市平台、SaaS平台的无形资产摊销，上述系统只用于该模式的数据业务，属于直接成本，其每期摊销计入“开发支出”，并归入相应研发项目。例如数据源接入、清洗、整合、数据库搭建、API服务注册等加工过程所发生的支出，该加工过程是由专属的自有研发人员承担，属于直接成本，相关研发人员人工支应直接计入“开发支出”，并归入相应研发项目。对于无法直接归集计入该研发项目的成本(即间接成本)，按照合理的成本分摊动因分摊至该研发项目，计入“开发支出”。当达到该数据资源预定用途，并满足无形资产准则规定的有关资本化条件时，确认为“无形资产———数据资源”，并按照确定的摊销期予以摊销。
情形2:根据具体合同约定为客户提供定制化的数据输出服务。
该模式下，若其相关成本不属于其他企业会计准则的规范范围，且这些成本与履行该合同直接相关，并且增加了公司未来用于履行履约义务的资源，在符合《企业会计准则第14号———收入》第二十六条等要求下，应确认为合同履约成本，并在合同期内分期摊销，摊销时计入相关成本;如合同期短于1年，从重要性水平考虑，可采取简化处理原则，一次性计入相关成本。
另外，电信公司对外购的数据，经加工处理后形成API或新的数据库，并推送至客户。在该业务模式下，新的数据库虽推送至客户，但电信公司仍保留相关数据，且在有效期内可将该等数据为不同客户或场景提供多种类型服务，例如以API形式供客户调用或以SaaS平台服务形式供客户查询等再次获得相关利益，即并未将预期利益通过此次交付全部转让给客户，其最终目的亦并非对外出售给客户。因此，上述数据资源并不符合“存货———数据资源”的确认条件。
3.2.3对外提供算法、模型相关的AI、大模型产品
该模式下电信利用相关数据资源，通过数据标注、模型训练、模型测试等开发流程，自研算法、模型等应用于AI、大模型产品，对数据资源进行分析加工，输出客户需要的结果。如电信公司基于自有沉淀数据、外购数据产品、从客户采集的数据等海量数据自研人脸识别等相关算法，预制于边缘计算盒中，并搭载于摄像头等硬件中，可实现实时分析视频内容，自动探测异常信息，主动进行风险防控，为校园安全等各类场景提供基于AI识别模型的智能服务。在该业务中，电信公司所研发的人脸识别等相关算法，当符合资产定义和确认条件时，以及相关数据资源研发项目的开发阶段支出在满足无形资产准则规定的有关资本化条件时，应确认为“无形资产———数据资源”。
电信公司应以各算法、模型为维度进行研发项目立项，针对其开发阶段，应根据各算法、模型的开发流程，梳理其“开发支出”包括的各项支出进行数据资源成本的归集和分摊。将上述支出直接归集或间接分摊至各个算法、模型研发项目中，计入“开发支出”，当达到各算法、模型预定用途时，并满足无形资产准则第九条规定的有关资本化条件时，确认为“无形资产———数据资源”，并按照确定的摊销期予以摊销。
另外，由于算法、模型等数据资源不同于其他资产，会通过不断训练提升其精确程度，更新迭代较快。当更新迭代是较前序项目构成实质性功能提升，而不仅为“对前序项目正常运营的必要维护”，且经济利益很可能流入企业时，该项更新迭代所对应的支出才能予以资本化。
3.2.4内部赋能
公司利用在生产经营过程中产生的数据资源，形成内部数字化转型应用、AI应用和内部大模型，用于企业内部的精准营销、基站节能、智慧机房等内部业务、运营、管理数字化领域，利用数据资源对内赋能，推动企业精细化管理和提质增效。如基于大数据驱动、AI赋能、智慧节能控制技术，自主研发基站智慧节能网络化平台，依托中国电信企业级大数据湖，通过跨域多源融合数据，建立网络感知、智能分析、智能决策、自动控制、精细评估、策略优化等闭环循环，智能调度基站软硬节能开关和调整参数，使节能效率和运维效率双提升，基站能耗和运营成本双降低。该大数据/AI应用在符合资产定义和确认条件时，以及相关数据资源研发项目的开发阶段支出在满足无形资产准则规定的有关资本化条件时，应确认为“无形资产———数据资源”。
业务部门在研发立项论证或可研评估环节，应充分论证剔除使用节能设备等节电因素后，自研的节能度数和降低的电费，以证明研发项目“能够带来经济利益流入”，从而满足有关资本化条件。
电信公司以该内部赋能应用为维度进行研发项目立项，针对其开发阶段，应根据该大数据/AI应用的开发流程，梳理其“开发支出”包括的各项支出进行数据资源成本的归集和分摊。开发流程如下:
集团数据发展中心利用集团大数据平台通过跨域多源融合数据，完成全网每个基站、扇区、业务等数据的统一采集、汇聚，跨域关联、融合，包括基站性能数据、配置数据、MR/DPI数据以及用户话单等数据。研究院根据业务需要进行多源数据关联、特征字段转化和筛选、AI模型算法(如预测模型、网络覆盖模型、场景识别、潮汐识别)开发，实现“一扇区一画像”与智能预测，通过智能决策模型输出“一小区一策略”的精准节能策略下发至各省公司，并由省公司将节能策略转换为节能指令下发至各基站小区。
该大数据/AI应用的“开发支出”包括:①研发用无形资产摊销，如集团总部大数据平台的无形资产摊销;②研发人员人工支出、委托研发支付费用和合作研发支付费用，如数据关联、算法模型开发等加工过程所发生的研发人员人工支出、委托研发支付费用和合作研发支付费用;③研发用资源租赁费，主要为机房节能检测、节能采控网关等设备租赁费;④其他研究开发支出，如研发人员的差旅费、办公费、培训费等，以及开发大数据应用的动力水电费等。上述各项支出中，对于能直接归集计入基站智慧节能应用的成本，直接计入“开发支出”。对于无法直接归集计入基站节能应用的成本(即间接成本)，应当按照合理的成本分摊动因分摊至该基站节能应用，计入“开发支出”，并归入相应研发项目，当达到该基站智慧节能应用预定用途时，并满足《企业会计准则第6号———无形资产》第九条规定的有关资本化条件时，确认为“无形资产———数据资源”，并按照确定的摊销期予以摊销。
4数据资源管理平台建设与应用
为提升数据资源的会计信息质量，中国电信对原有的自研类资本性开发支出项目系统进行了升级改造，建立了数据资源管理平台。通过进一步优化相关系统功能，实现系统支撑数据资源研发项目的立项、管理、成本归集及相关会计处理工作，保障了数据资源入表的质量［6-7］。
自研类资本性开发支出项目是指项目的技术方案规范、系统架构设计、核心代码开发等核心工作由电信内部单位自主研发的资本性支出项目，主要涉及数据资源、云、AI、数字平台等重点新领域，见图2。为满足数据资源的要求，电信对原有的项目管理系统进行了3项主要改造:①自研类资本性开发支出项目的立项、项目实施、项目月报、项目结题、资产交付环节，统一在研发平台实现;②在现有研发项目业务流程中，新增资本性研发人员人工成本归集流程、新增研发用无形资产摊销分摊成本归集方案;③为单独区分数据资源项目和数据资产，在立项环节增加数据资源研发项目标识，新增数据资产卡片标识，新增“无形资产———数据资源”会计科目，并按照确定的期限予以摊销，相应调整资产建卡及摊销程序。
通过对原有系统的升级改造，系统流程主要有以下特点:
(1)项目规划环节，对于“自研类资本性开发支出项目”，纳入科创部门归口管理的研发预算池管理，同时纳入研发类资本性支出项目规划清单，规划项目通过评审后导入研发项目管理平台。
(2)项目立项环节，财务部门、科创部门、相关业务部门需对该项目是否符合研发资本化条件、项目预期成果是否形成无形资产进行审查明确，并需在“立项论证报告”页面，补充提交以上相关部门会审纪要作为符合研发资本化条件的立项依据。在立项环节，若属于数据资源研发项目，则会在系统中单独区分。
(3)项目实施环节，实现成本性研发项目的人工成本归集、其他零星研发支出(如差旅费等)归。研发用无形资产摊销由资产管理员、研发项目经理按需维护研发项目使用无形资产的情况，将无形资产摊销按照一定分摊规则分摊至各研发项目。
(4)在项目结题环节，财务部门、科创部门、相关业务部门、资产管理部门需对项目研发成果是否形成无形资产、是否满足研发资本化条件进行复核确认，并在“项目结题”的系统补充提交符合开发阶段支出和研发资本化要求的材料。
(5)资产交付。项目结题后，完成资产交付并完成相应账务处理。由项目负责人按要求编制资产交付通知单及无形资产交付明细表，经无形资产使用部门确认后，提交财务审核。财务审核通过后，交由财务共享中心完成建卡、分摊、制证等账务处理。账务处理完成后，该项目自动关闭。
5研究结论与建议
5.1研究结论
本文通过中国电信的案例，系统分析了基于场景特征的会计处理方法，为解决数据资产成本归集边界模糊问题、进一步细化《暂行规定》提供了实证依据。主要有以下结论:第一，数据资源的会计核算方法高度依赖具体应用场景，无论是面向外部市场的数据产品、服务，还是聚焦内部赋能的产品和服务，其价值创造模式均呈现显著的场景特性［8］。案例研究发现，中国电信通过构建数据资源管理平台实现核算流程标准化，不仅提升了会计信息质量，更保障了数据安全和数据使用合规性。第二，本文从微观层面，为企业建立兼顾规范性与灵活性的核算体系提供了可行路径;在宏观层面，为相关部门制定差异化的行业操作指引积累了宝贵经验。第三，本文同时发现，数据资产在确认过程中间接成本分摊动仍存在主观判断空间，数据资产后续计量中更新迭代的资本化标准尚需进一步明确。
5.2建议
结合本文案例的研究，基于数据资源入表的制度完善，提出以下3点建议:①建立数据资产会计处理的专项解释，细化不同场景的确认标准，对数据资源科学分类;②逐步建立和完善数据资产成本的标准化、透明化分摊机制，以科学、系统性手段规范数据资源采集、加工、使用的全过程;③企业层面可借鉴中国电信经验构建全流程管控体系，包括研发前端的可行性论证机制、开发阶段的分场景成本归集模型、资产运营期的动态评估系统，通过业财深度融合确保入表信息的可靠。
6结语
当前，数据资源入表的会计核算实践已成为企业实现数据价值转化、助推数字经济高质量发展的重要环节［9-10］。本文基于《暂行规定》，结合中国电信的实践案例，系统探讨了不同业务场景下数据资产会计核算的关键问题与成本归集分摊方法，揭示出数据资源入表的内在逻辑与实践路径，为同类企业提供具象化的参考范式。研究发现，数据资源在成本分摊与后续计量方面仍存在主观性与标准模糊问题。据此，从制度完善角度提出细化确认标准、建立透明分摊机制、构建全流程管控体系等建议，为企业规范核算、政府制定指引提供依据，助力数据资源价值高效转化。
参考文献：
［1］金琳.数据资产入表开启数据要素产业化大时代［J］.上海国资，2023(9):38-40.
［2］李君.数据资产“入表”与数据要素价值释放［J］.财务管理研究，2024(9):2-3.
［3］杨金凤，王晨雪，张焰朝.企业数据资源入表:典型场景与优化方案［J］.中国注册会计师，2025(2):110-116.
［4］张素华.数据资产入表的法律配置［J］.中国法学，2024(4):229-249.
［5］乔鹏程，杜庆璋.数据资产入表的合规性风险挑战与应对研究［J］.财务管理研究，2024(6):25-31.
［6］徐博扬，田翠香.D公司数据资产会计处理问题研究［J］.国有资产管理，2025(2):54-57.
［7］杨嘉歆，杨梓秋.数据资产会计处理的问题研究:文献综述［J］.财务管理研究，2024(8):11-17.
［8］陈乐锟，王雪涛，韩语笑，等.旅游服务企业大数据资产的估值研究:以携程集团为例［J］.财务管理研究，2025(3):96-102.
［9］王樾，李芳菲．高质量发展背景下数字金融助力饲料产业生态发展对策研究［J］.中国饲料，2025(6):85-88.
［10］厉国威，郑煜璋.数据资产“入表”估值问题研究［J］.财会通讯，2024(23):87-90，148.
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/guanlilunwen/82878.html
