金融信息服务是为市场主体提供金融领域相关数据信息采集、加工、分析的行业，其通过提供宏观经济数据、金融市场行情、金融资产估值、金融风险评估、行业动态、投资研究报告等信息产品，辅助各类市场主体进行投融资决策、风险管理、合规运营、信息咨询等。
2020年，《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》首次将数据纳入生产要素范畴。2022年12月，《中共中央国务院关于构建数据基础制度更好发挥数据要素作用的意见》发布。2024年1月，国家数据局发布《“数据要素×”三年行动计划（2024—2026年）》。由此，我国数字经济有关政策逐步完善，人工智能（AI）等技术发展突飞猛进，数字经济已成为新的经济增长引擎。
金融信息服务行业作为金融领域数据资产的主要持有者、流转者，其核心生产资料是数据资产。2023年，财政部出台《企业数据资源相关会计处理暂行规定》，正式明确数据的资产属性，指出符合条件的数据资源可确认为资产、计入资产负债表，并作为资产进行后续计量等价值管理。这是全球首个针对数据资源制定的专项会计处理规范，也是首次在会计领域提出“数据资产”概念。这一概念的提出为数据价值的长期沉淀提供了可能，推动了数据资源的可视化、可量化、可管理、可追踪。而数据资产入表使数据作为生产资料显性化，成为企业对数据进行投入与管理的重要抓手。金融信息服务行业应以数据资产入表为契机，寻求新的突破与转型。
金融信息服务行业发展现状及商业模式探索
（一）金融信息服务行业发展历程
金融信息服务行业是现代化数字经济的标杆，其发展历程体现了数字经济发展驱动因素从信息差、效率差到认知差的演化，也体现了数据资源的演进过程，即“数据→信息→知识→智能→智慧”（Data-Information-Knowledge-Intelligence-Wisdom，DIKIW）持续进阶。
具体来看，在初始阶段，金融信息服务行业通过简单的数据电子化聚合，将分散的金融数据整合到一起，提供信息服务，从而奠定了行业基础。第二阶段是分析的工具化和平台化，即通过提供强大的图表、统计、建模、回测等功能，将原始数据转化为可视化知识和智能辅助工具，并显著提高商业运营效率。当前，金融信息服务行业正式进入第三阶段，可提供有效、深入的智能洞见，综合大数据和AI技术，使数据资产不再是辅助工具，而是成为驱动行业创新的核心智慧引擎，体现出从“满足需求”跃迁至“创造需求”的新发展特征。
（二）传统金融信息服务行业发展面临的问题和新商业模式探索
金融信息服务行业发展的本质，是撮合信息生产者和使用者，解决信息不对等这一痛点。在发展初期，谁能够更好地组织数据的采集、加工，根据客户的需求形成标准化的产品，谁就能够更快覆盖市场，形成规模效应，获取竞争优势。随着行业发展，在单一市场出现饱和的情况下，通过并购快速获得新的关键市场，实现客户扩充，从而摊薄标准数据产品的研发及技术成本，往往能够有效提升毛利率。例如，伦敦证券交易所集团并购金融数据服务商路孚特，就获得了全球190多个国家和地区的4万多家机构客户；标普全球评级收购道琼斯指数业务板块，由此扩张了欧洲、中东和非洲指数业务版图，客户群体随之拓展，市场份额大幅提升，单位研发运营成本有所降低，较好实现了规模效应。
寻找更多客户和更大市场，是近年来金融信息服务商发展的必然选择。在此过程中，行业形成以客户／市场驱动为主的商业模式。然而，任何市场发展到一定阶段，都面临客户饱和问题，且金融信息服务业属于中间业务，紧密捆绑于传统金融业，发展情况高度依赖经济及市场环境，叠加数据投入本身存在同质化资源的堆叠，易陷入红海竞争，难以保持稳健持续增长。
当客户和市场逐渐饱和时，传统的金融信息服务商开始探索新商业模式，并逐渐衍生出以数据资产驱动的模式。数据资产驱动即通过大数据和AI技术挖掘数据资产，在供给侧创造出全新业态的产品或服务，从而在需求侧挖掘出用户自身未曾发现的深层需求，并通过盘点其数据资源禀赋，助其发展新的业务领域或形成合理并购策略。新商业模式的优势在于能够开辟蓝海市场，享受行业先驱的高定价权和超额利润，构建起以技术和数据为基石的动态竞争壁垒。在实践中，明晟（MSCI）通过收购碳市场数据商Trove Research、私募资产数据供应商Burgiss等各类数据公司，从指数提供商转型为提供气候风险建模等前沿解决方案的数智平台，持续创造全球投资者的新需求，就是典型案例。
（三）数据资产驱动的新商业模式所面临的挑战
不仅是金融信息服务商，随着信息技术和数字经济的大爆发，国内越来越多的企业开始重视数据的价值。例如，截至2024年末，仅北京国际大数据交易所就累计发布300个高质量数据集，累计发放370张数据资产登记凭证，各家银行也创新推出“数据贷”等数据资产通证化的创新金融应用。
然而，当前的创新更多停留在案例应用试点层面，能够将数据作为资产入表进行管理乃至形成稳定商业模式的企业很少。截至2025年二季度末，A股5000余家上市公司中仅有109家披露了数据资产入表相关信息，比例仅为2%。从发展速度来看，2024年各季度披露相关信息的上市公司数量增速均在40 %以上，而2025年上半年的季度平均增长率降为4.5%，增速呈现阶段性放缓态势。
数据具有看不见、摸不着、管不到等特性，这使得企业对数据资产入表犹如雾里看花，难以深入理解并实践，具体体现为如下四点。一是在传统商业模式中，数据主要扮演决策支持角色，仅用于产品的优化、运营效率的提升、营销效能的增长等，被视为短期费用而不是具有长期价值的资产。二是大多数企业仅考虑数据资产入表的财务价值，如提升资产规模、优化财务表现和提升信用评级等，并未将入表工作有效结合数据资源管理或商业模式变革进行统筹。三是财务人员具有天然的谨慎性，数据资产入表可能带来减值、审计、税收等风险，因而许多企业尚在评估或观望中。四是在部分行业尤其是金融信息服务行业，数据标准化程度高，传统商业模式惯性较大，且金融数据本身就具备价值贬损快、非显性消耗、多场景复用等特质，不易符合资产应具有的特征，且不易进行价值分摊，使得数据资产入表、管理更加困难。
综合来看，探索基于数据资产的商业模式变革，令数据发挥更大价值，应先将其可视化，方能实现可观察、可发现、可量化、可评估，并真正与企业的商业模式和经营管理形成有效关联，实现周期穿越。
数据资产入表对商业模式变革的驱动
（一）数据资产入表为商业模式转型提供新路径
供给侧结构性改革的核心在于通过创新提升供给体系的质量与效率，反对在传统发展模式下的低效投入和无效内卷。因此，向新商业模式转变已经成为金融信息服务行业必然的选择。数据资产入表可以助力企业向新商业模式转型。
数据资产入表对创新商业模式具有三大意义。一是价值显性化，可将数据在财务报表中予以量化，向市场、投资者和客户清晰展示企业的核心竞争力。二是拉长数据资产成本的释放周期，解决短期财务表现与长期投入之间的天然矛盾，从而鼓励企业更长期、更具有前瞻性地进行数据投资。三是促进企业提升数据治理能力，对数据资产进行标准化、产品化和市场化的管理。
（二）AI技术发展为新商业模式带来需求
近年来，AI技术的井喷式发展带来大量数据需求，推动了数据产业变革。2025年，国务院印发《关于深入实施“人工智能+”行动的意见》，要求加强数据供给创新，持续加强AI高质量数据集建设。而数据质量与多样性正在成为突破AI能力的核心引擎。AI技术的发展不仅加大了对数据数量、覆盖范围的需求，对数据质量也有着更高要求。
在金融领域，AI技术被广泛应用在智能投顾、智能客服、风险管理、信用评估等领域，其海量数据处理能力极大提升了服务效率。据腾讯研究院与毕马威企业咨询联合发布的《2025金融业大模型应用报告》，2025年上半年大模型相关中标项目共79个，庞大的金融+AI模型市场造就了巨大的金融AI训练数据需求。而数据作为AI模型的“食物”，目前市场呈现供小于需的场景，这为金融信息服务行业提供了蓝海。金融信息服务行业应因势利导，向新型以数据资产为导向的商业模式转变。一方面，行业的数据相关技术储备较为全面，具有一定的先发优势；另一方面，其接触全市场金融机构，拥有较为全面的行业数据，更加适合作为AI数据资源流转中介。
数据资产价值管理实践剖析——以中债估值中心为例
数据资产入表作为企业数字化转型的核心环节，不仅改变了数据的呈现方式，更推动了商业模式变革。如何实现从数据资产入表到商业模式转型，成为各家数据企业面临的主要课题。中债估值中心通过“数据资产化、资产产品化、产品价值化”三步法，实现数据资产入表标准化，并以此为基础在数据资源管理以及数据资产价值释放等方面进行了探索和实践。具体而言，其方法及成效主要体现在以下方面。
（一）资产从隐性到显性
在传统经营模式下，金融信息服务商虽然积累了大量数据，但这些资源多以分散、非结构化的形式存在于业务系统、本地文档甚至员工经验中，未能形成系统性的资产记录与管理机制。数据资产入表的实施，从根本上改变了这一状况。
中债估值中心以数据生产线为维度确认资产，将原本隐含在业务流程中的不同数据产品、金融工程模型算法、IT系统工具等，在“无形资产-数据资源”会计科目中计入资产，从而在资产负债表中显性化，实现数据资产入表。这不仅使数据资源在财务上可确认、可计量，更使其成为企业资源分配和经营决策的重要依据。在实现显性化后，企业能够对数据资产进行全生命周期跟踪，包括资产的形成、更新、使用与报废等，显著提升了数据资产的管控精度与运营效率。
通过数据资产入表，中债估值中心明确了各类数据产品的成本结构与价值贡献，从而可以对高价值数据领域加大投入，对低价值领域进行优化。此外，显性化的数据资产也为企业融资、估值与保护知识产权提供了明确的财务基础和法务依据，提升了企业在资本市场中的透明度和信誉。
（二）数据资产价值从定性到定量
在传统经营模式下，数据资产价值多数依赖于业务端的定性描述，缺乏统一、可靠的量化衡量方法，这导致数据的开发利用难以与经济效益直接挂钩，也阻碍了数据产品的定价与市场流通。中债估值中心通过“两步法价值分摊”模型，实现了数据成本与价值核算，完成了从定性经验到定量分析的跨越。
该模型以“作业消耗资源、产品消耗作业”为逻辑，将数据采集、研发、处理等环节的成本科学分摊至每一个数据产品。借助数据血缘分析、公式调用次数、系统开发工作量等经过业务逻辑确认的财务分摊量化指标，准确衡量单一产品或产品组合的经济效益，包括毛利率、投资回报率等关键财务指标。这不仅为产品定价、客户谈判提供了数据支持，也为内部绩效评价与资源配置提供了客观依据。
数据资产价值定量化进一步推动了数据价值的发现与增值。企业能够通过历史数据与市场反馈，持续优化数据开发策略，识别真正具有市场竞争力的数据产品，并通过对成本收益的动态分析，实现产品管理的精益求精。从此，数据不再仅是支持业务的工具，更成为可衡量、可优化、可交换的关键经济资源。
（三）产品创新从发散到聚焦
在传统经营模式下，金融信息服务商往往被动响应客户需求，产品开发呈发散状态，缺乏对数据内在价值的深度挖掘，易陷入低水平的重复、同质化竞争。数据资产入表及其配套管理机制的实施，促使企业转向数据供给驱动的创新路径，以自身数据资产禀赋为核心，主动布局产品体系，实现创新业务的聚焦和升级。
中债估值中心依托已识别的数据资产，如债券收益率曲线、估值、指数等，系统性地推出一系列高信息密度、高市场细分的数据服务，如实时收益率、流动性指标、隐含违约率及新会计准则解决方案等。这些产品不仅来源于市场需求，更根植于企业自身的数据积累与技术能力，体现出显著的竞争差异性和技术壁垒。
此外，通过数据产品的持续迭代和生态化扩展，中债估值中心进一步打造了中债DQ终端、数据API接口等多形态服务，实现了从“单一数据提供”到“综合解决方案输出”的商业模式升级。这一转变使得企业能够更加有效地确定研发方向，降低创新的不确定性，并在市场中持续建立技术品牌优势，真正发挥数据资源的核心驱动作用。
小结
无论是从理论还是实践来看，数据资产入表不仅实现了数据在财务上的“可见”和“可管”，更通过价值量化与产品创新机制的建立，推动了企业从数据资源管理者向数据资产价值运营者的转型。这一过程强化了企业的核心竞争力，为金融信息行业在高水平数字化竞争中的持续发展提供了坚实支撑。展望未来，随着数据要素市场的不断成熟和相关管理制度的持续完善，数据资产价值管理理论也将进一步细化，更贴合行业特性与企业实际。各类企业尤其是金融信息服务商应当以数据资产入表为契机，构建长效价值增长机制，助力行业在数字经济浪潮中实现更高质量的发展。
（作者：中债估值中心副总经理赵凌，中债估值中心计划财务部总经理连城，中债估值中心计划财务部经理李润宁，中债估值中心计划财务部副总经理张承阳，本文原载《债券》2025年12月刊）
富豪配资提示：文章来自网络，不代表本站观点。
