当下，数字技术驱动产业变革已经进入深水区，人工智能、大数据和区块链等新技术突破了原有的生产函数边界，重构了经济增长范式。金融业是经济发展脉络中的关键部分，上述变化导致了金融业的价值创造逻辑出现了三个重大转变：一是从靠传统的物理扩张变为依靠技术赋能。二是从只看重信用利差收益转为重视数据增值。三是对技术人才、数据人才等复合型人才的需求持续增加。在以上变化的影响下，金融机构的科技投入也在不断增加，但现有财务会计体系仍沿用工业经济时代的“重有形、轻无形”的核算方式，对于算法、数据、核心人才等智力资本尚未形成有效的识别及计量机制，相关价值难以在财务报表中充分体现。为进一步完善会计理论体系、提升资本市场资源配置效率、夯实金融强国建设的微观基础，本文立足金融业智力资本的行业特殊性，构建一套科学适用的金融业智力资本确认、计量与披露体系。

智力资本的理论演进历经三个阶段：第一阶段被称为“知识资产观”，此时智力资本特指专利、技术等可编码的静态知识。第二阶段称为“三维结构观”，此时智力资本由人力资本（人的知识、技能）、结构资本（有组织的知识）和关系资本（利益相关者网络）构成。第三阶段为新质生产力时代，智力资本被融合进“动态能力体系”中，传统三维结构深度叠加并动态演化，出现了四个新特征：一是结构资本核心的进化，算法能力成为重要基础，其价值主要取决于迭代的速度（量化交易算法每天更新的次数）与精度（风控模型能否准确判断是否存在违约）。二是要素联接机制更加完善，通过不断强化数据治理能力，提升要素间相互联结度，从而更好地发挥人力资本和结构资本之间相互促进、同生共存的作用。三是人力资本从人类单一主体延伸为人机双主体，实现人与AI伙伴式互补、共创价值的过程。四是合规资本的价值凸显，与公司治理深度耦合的结构化合规治理要素已成为新质生产力时代金融业智力资本的关键构成，其核心作用在于提升企业运营质效与合规竞争力。实践中，金融机构反洗钱系统、数据安全合规机制等规制工具的有效性，可通过降低合规风险、提升交易信任度、优化资源配置效率直接转化为经营成果与市场竞争力，这正是金融业合规资本的核心价值所在。

相比于其他行业，金融业智力资本有以下特点：一是技术迭代快。金融产品的本质为高壁垒（如各类衍生品定价模型），且监管标准、技术标准（如巴塞尔协议、金融监管总局等的技术标准）持续更新，导致金融业智力资本需要加快迭代速度，技术贬值周期一般在18～24个月。二是直接创造效益。在数据治理与分析基础上，客户行为数据、客户交易流水数据、客户风险等级数据等一系列基础数据能有效转化为直接创造效益的数据资源，如根据大数据分析客户的经营情况来实现有针对性的营销。三是可提升风险受控能力。可以将智力资本转化为智能风控模型、反欺诈系统等直接用于金融机构经营的风险缓释工具，将风险消减作为实现风险对冲的价值所在，并以此测算相关金额，如通过“坏账率降低幅度×风险敞口规模”计算风险抵消的价值。四是业务规模优势向业务合规优势转变。通过合规性智力资本积累，金融机构不仅可提升风险管理能力，还能在监管框架下主动管控发展风险，既获取审批便利，又避免处罚损失，降低监管相关风险。

（一）确认环节

根据企业会计准则规定，资产确认必须同时满足可辨认性、拥有或控制和预期经济利益流入三个要素。金融业智力资本确认为资产面临诸多困境：一是银行数据资源不具有明确的法律所有权，缺乏单独交易市场，不能作为表内资产确认。二是自建算法模型研发投入大部分列为当期费用（如量化团队的研发人员薪酬），只有少量研发结果（即达到资本化条件的）才能作为无形资产予以确认，无形资产价值普遍偏低。三是金融客群、经营、品牌等已经取得一定经济效益，并且得到业界认同的价值没有被反映到资产负债表中，构成了一个“表外价值黑箱”。

（二）计量环节

现行计量方法与金融业智力资本存有错配：一是历史成本法仅核算初始投入（如算法系统开发的人工、技术等成本），无法反映其投入使用后带来的价值增长。如某券商算法交易系统按历史成本法仅计量初始开发成本，而系统启用后直接推动其核心交易业务规模实现大幅增长，该类增值效益却无法在账面体现。二是市场法虽然可以直接衡量相关变量，但因为金融科技解决方案都是特殊定制的产品（如某银行的特定场景下智能风控系统），无法找到活跃的交易市场或者相似案例供参考应用。三是收益法虽然最能体现资本的价值本质属性，但是未来现金流具有不确定性（如算法交易的现金流受到市场利率波动的影响），而且技术迭代会使部分资产失去生命力，同时折现率选取也有较强的主观性，需要借助较多的假设前提。

（三）披露环节

投资者迫切需要企业的智力资本信息，但是现有披露尚存不足：一是披露的内容较碎片化，现阶段的报表附注只列举专利数、研发费用等基础数据，未详细说明算法能力（如算法迭代周期）、数据资源（如数据量大小及使用情况）及核心的人力资源（如算量队伍人员配备情况），且缺乏有关人力资本人均创造利润，或是智力资本最终转化为营业收入的相关案例等内容，难以满足投资者对企业创新能力、持续竞争优势的评估需求。二是披露的方式较单一，主要以文字介绍为主。

（一）金融业智力资本的识别与确认机制

1.识别分类。按照金融业智力资本的存在形式和功能属性，可以将金融业智力资本划分为三种重要的类别。

（1）技术类智力资产。所涉及的技术工具主要为有交易属性的技术平台、应用程序编程接口（API）授权管理等技术许可，以及智能投资顾问算法、量化交易策略等功能性算法等，要明确以享有专利权、软件著作权等法定权利凭证作为确定权属的相关证明文件。如某银行金融科技子公司在为该银行投资业务线部门开发智能风控系统的背景下开展衍生产品设计研发相关工作时，应以全流程技术文档、研发里程碑等材料为依据，准确把握系统的功能边界及技术内核，实现技术应用的合规及技术权属的确认。

（2）知识产权类智力资产。这类以专利或专有技术为核心载体的资产，要符合技术创新性的要求、具备一定的收益可期性，主要有金融产品创新专利、风险定价专有模型等类别的资产。专利类资产必须由国家知识产权局出具的授权文件予以确权；专有技术类资产则需要提供有资质的第三方机构所出具的技术创新报告来说明自身的技术壁垒及非公开性质。

（3）人力类智力资产。金融业的核心知识技能型人才、稀缺性人才主要是指量化工作者、AI算法搭建人员、跨市场数据分析人员等所构成的特定队伍，其权属应以合同（包括劳动和竞业限制等）为依据，超额收益创造能力应以历次成果和业绩为基础并用现实数据证明。

2.确认标准。根据企业会计准则要求及金融业的相关经验，三类智力资本均需要同时符合以下确认条件：一是权属清晰性核验。运用法律文件链把准资产控制权，数据类资产按采集协议和授权合同梳理权属链路，如恒丰银行制定“合规确权检查清单”，从法律、安全、权属等三个方面，进行授权合法性验证；专利、技术许可的权属证明则要提供登记证、转让合同等原始凭证，确保无权属纠纷。二是未来经济利益流入确定性论证。依据“业务场景锚定法”判断预期收益的可实现性，其中算法类资产需明确应用场景及可核验的历史效益数据（如算法稳定运行期间的经济利益流入记录）；数据类资产可通过接口调用频次、业务转化率等指标，印证其价值与经济利益流入可行性。三是成本或价值可计量性验证。自有研发资产归集全流程成本（如中信银行由金融科技部门与业务部门协同归集直接成本，并分摊间接费用）；外购资产以公允价值为计量基础，在没有直接交易案例时可利用类似资产的定价作为参考印证。

3.确认流程。借鉴恒丰银行“数资六步”入表解决方案（含数据盘点、合规确权等关键环节），结合金融业智力资本特征，构建标准化确认流程。一是初步识别。依托数据资源目录或知识产权台账，筛选符合形态特征的潜在智力资本。二是合规审查。结合监管政策与法律要求核验数据采集合法性、专利有效性等，对存在合规风险的资产实施“一票否决”。三是价值论证。由业务部门、金融科技部门、财务部门联合出具收益预测报告，明确收益实现路径与关键假设。四是最终确认。经内部审计与会计师事务所评审后，纳入智力资本核算范围。

（二）金融业智力资本的计量体系构建

为突破单一计量方法的局限性，本文创新构建金融业“三维复合计量模型+技术赋能动态估值+生命周期校准”的多层次智力资本计量体系。

1.核心计量方法整合应用。基于金融业智力资本的类型差异，分类匹配计量方法，形成相互验证的“价值三角”，具体如表1所示。实践中，对于算法类核心资产应先用收益法测算其内在价值，在此基础上，参考同行业的市场案例运用市场法校验，最后通过人力资本贡献法（针对算法研发团队）补充测算，形成“收益—市场—人力”三维验证，将估值误差控制在10%以内。

2.技术赋能的动态估值辅助系统。利用数字技术打造“技术赋能估值生态”，使计量更加客观、精准。运用大数据分析跟踪算法在智能投资顾问（包含客户留存率）、量化交易等方面的实时表现，以及客观输入数据资源被调用的频率和转换效率来估算现金流。运用自然语言处理（NLP）技术对专利文件（技术先进性评分）、监管政策（合规风险评分）、新闻舆论（市场认同度评分）进行分析，形成0～10分的技术评分，并在技术评分8分时对折现率进行调节（下调折现率风险溢价1个百分点）。采用区块链技术将算法开发日志、数据资源采集、使用过程记录、知识产权交易信息等内容记录上链，并形成不可篡改的审计跟踪，有效解决数据可信度问题，从而使估值准确率达90%以上。

3.基于生命周期的动态校准机制。根据智力资本价值变化规律，动态调整计量方法与参数，实现精准计量。初创期（0～1年）：以成本法为主，聚焦研发投入（含费用化与资本化支出）计量，同步验证原型系统技术可行性。成长期（1～3年）：采用收益法，计量市场渗透率（如智能风控客户覆盖数）与收入增长率（如算法交易收入增幅），每季度调整现金流折现预测值，适配价值高频波动特性。成熟期（3～5年）：结合收益法与市场法，关注稳定现金流（如专利许可费年均增长）与技术护城河（难以被竞争对手复制的技术优势），每年开展一次整体估值，平衡精准度与效率。迭代/衰退期（≥5年）：启动减值测试，跟踪技术迭代信号（如AI模型准确度持续下降超10%），若出现减值迹象且金额超20%，立即计提减值。

（三）金融业智力资本的披露框架

针对金融业智力资本信息披露不充分、价值传导机制不清晰等问题，建议将金融业智力资本信息披露纳入金融机构年度报告的核心内容中或单独编制《智力资本年度报告》，建立和完善“战略—资源—管理—绩效—案例”的智力资本信息披露框架。需要说明的是，表内数据资源、核心算法严格执行成本法计量，严禁以评估值入账，人力资本不确认为表内资产。收益法、市场法评估信息仅作为补充价值信息在附注披露，不用于账务调整。

战略维度：指明智力资本和企业战略相互关联的过程，实现企业自身业务转型升级的有效方式。如依托自主量化算法赋能交易效率，支撑财富管理业务数字化转型等。

资源维度：系统列示核心智力资本的存量与质量。例如，人力资本披露数据科学家85人，占比6%；核心专业团队23个；结构资本披露战略合作伙伴12家，核心技术平台5个；知识产权披露自主算法23项，授权专利47项。

管理维度：披露资金投入与管理举措相关内容。例如，投入部分披露研发投入18亿元，占营收比重3.5%；专项培训投入2.3亿元，共涉及人次2 100人；举措部分披露上线知识管理平台、实行股权激励覆盖人数86人、股权激励总额5 200万元。

绩效维度：采用量化的指标来显示取得的成绩效果。例如，在人力资本指标上，核心人才流失率为5%，低于金融业核心人才8.2%流失率的行业均值；在结构资本指标上，核心算法迭代周期为3个月，优于行业4.5个月的行业平均值；数据资源利用率为85%，高于行业72%的行业均值。

案例维度：用典型案例具体量化价值贡献度。例如，依托智能风控专利模型，将零售贷款坏账率降低1.8个百分点，年减少损失约42亿元。

（一）对准则制定机构的建议

一是渐进式扩大确认范围。牵头制定数据资源会计处理指引，明确数据资源确认基本要求（如权属明确、可计量）、资本化支出分摊路径，提供操作依据。二是提出“价值相关信息优先”原则。允许未实现数据资源表内确认的金融机构，在附注中按公允价值披露价值相关信息，提升信息决策相关性。三是出台行业披露模板。编制金融行业智力资本信息披露指引，明确披露内容（核心算法、数据资产、关键人才等）与量化指标（算法迭代周期、数据利用率等），统一披露标准。

（二）对金融机构的建议

一是启动智力资本摸底项目。用1年时间摸清自己的智力资本底数，同步搭建“数据安全管理模块”，避免台账数据泄露，并制作“智力资本台账”和价值图谱，明确自己拥有的智力资本有哪些，智力资本短板有哪些需要补充完善。二是强化资本市场沟通机制。以《智力资本专项报告》和价值创造典型案例为载体，在年报披露、投资者路演等场合对企业的创新能力和价值创造路径作出完整阐述，增强资本市场对企业和行业长远价值的信心。三是加大金融科技赋能力度。把每年科研经费中约20%的金额投入到企业知识大脑、大数据估值辅助系统等智能化系统建设升级上，通过强化智力资本全生命周期的技术支撑，提高资本运营质量、资本运营效益及资本增值水平。

基金项目：教育部人文社会科学研究专项（中国特色社会主义理论体系研究）“新时代中国特色社会主义经济探索的逻辑依据及其基本经验研究”（22JD710027）

主要参考文献

[1]徐玉德，程东.数据资产赋能数字经济发展的机制、挑战与应对[J].财务与会计，2024，（13）：4-8.

[2]黄世忠.智慧资本的崛起——智慧资本系列研究之一[J].新会计，2020，（5）：6-9.

[3]谢力.数据资源入表路径及入表成本分析[J].财务与会计，2025，（17）：31-34.

[4]刘海燕.对企业数据资源应用场景、确权管理和入表的探讨[J].财务与会计，2025，（14）：37-39.

[5]连城，李润宁，于牧.金融企业数据资产入表、成本核算的路径[J].财务与会计，2025，（15）：30-32.