数据资产对电商企业价值贡献案例研究

当下电子商务企业经过十余年的高速发展，其服务平台每天面对数亿级的数据资源沉淀，越来越多的企业开始重视数据资产的作用，把对数据资源的争夺上升到战略高度。而数据资产评估对企业数据开发、交易、融资等运作都具有重要作用，研究数据资产对电商企业价值贡献能够促进企业数据资产维护、管理及应用，防止数据资产流失。

但是目前我国学术界尚没有数据资产这样一个概念，与之相关的国内外文献也比较少。与数据资产评估联系最紧密的研究领域为无形资产的价值评估。我国2001年颁布的《资产评估准则——无形资产》指出，无形资产是指特定主体所控制的，不具有实物形态，对生产经营长期发挥作用且能带来经济利益的资源。无形资产已成为互联网企业价值驱动的核心要素。除去账面无形资产，电商企业可能存在的无形资产有：域名、客户关系网络、人力资本、管理水平、数据资产等。由于数据资产不具备实物形态，应当属于无形资产类型。

另外，与数据资产紧密相关的资产类型为信息资产以及软件、硬件等技术类无形资产，数据可以看成是原材料，信息为产成品，软件与硬件是生产信息的设备。值得指出，目前，对于信息资产学术界也尚无统一定义。Dos（1993）通过对近10年期间美国股市上97起信息资产投资公告发布前后的分析，发现了信息资产对企业股东价值的影响。李青松（2001）认为计算机软件和数据信息等信息资产是非物质资产，具有一系列与物质资产不同的经济特性：非物质性、消费无损耗性、非占有性、累积性与再生性。Chris（2010）回顾了四种典型的信息资产评估的专有方法，经济影响法、解锁信息价值法、信息管理估值模型以及客户数据库评估法，并认为评估信息资产往往是通过评估项目的形式，计算项目预期的收益和投资成本之差来估算其价值。徐园（2014）认为在未来数据的作用将和土地、资本、劳动力一样成为新的生产要素，提出关于数据资产储存、定价、管理、驱动解决方案可能衍生出的创新商业模式。

综上可以看出, 学术界对数据资产价值评估的理论研究工作尚处于起步阶段，对于数据资产的特性以及其价值影响因素尚不明了，缺乏有效的评估方法。数据资产价值的评估对于正确认识其价值、充分利用各种数据，减少不必要的数据冗余以及提高管理决策水平具有重要意义。本文尝试做一些基础性的探索工作，以电商企业为背景，探索数据资产的特性以及价值影响因素，并针对数据资产价值具有高度不确定性的特点，提出了用层次分析法与蒙特卡洛模拟相结合的数据资产价值贡献研究方法，通过蒙特卡罗仿真得到的结果不只是一个简单的数值，具有概率分布特性，给企业提供了一些更有价值的咨询性意见。

一、数据资产特点与价值来源

（一）数据资产的特点

数据资产具有无形资产的属性，从这个角度出发，我们可以发现数据资产主要有以下特性：无消耗性、累积增值性、依附性、知识产权性、价值易变性。

第一，无消耗性。数据资产的每次使用往往只需要花费很低的成本，不会因为拥有者使用频率的增加而磨损、消耗。这一点与其他传统无形资产有相似性。

第二，累积增值性。企业通过稳定发展，会促使数据资产在原有的基础上，数据规模和数据维度的不断积累，整体价值进一步提升。

第三，依附性。与其他无形资产类似，数据资产不能独立存在，其发挥作用与效应往往依托于有形资产（例如计算机、硬件设备等）。

第四，知识产权性。数据资产融入了数据开发者的智力投入，符合知识产权的创新性与私有性的特征，具有知识产权性。

第五，价值易变性。数据资产时刻会受到数据容量、数据时效程度及相关数据技术等因素的影响，与其他无形资产相比，其内在价值更易发生变化。

对数据资产的认定就是对其进行科学识别，甄别其重要性。借鉴会计学资产的界定，我们可以通过三个条件进行判断：数据资产是否归属于企业；所属企业的数据资产是否具有价值性；数据资产是否能用货币计量。

（二）数据资产的价值来源

原始数据本身并无价值，数据资产是一系列企业价值活动的最终结果。为了研究数据资产的价值来源，我们可以采用迈克尔波特提出的价值链分析法来剖析数据价值流程。数据的价值活动是一系列的输入、转换与输出的活动序列集合，每个活动都有可能相对于最终产品产生增值行为，从而增强企业的竞争地位。如图1所示。

数据采集是整个价值活动的起点，数据的储存与管理是价值链体系中的第二阶段。数据分析就像是商品活动中生产加工过程，也是价值链活动的增值环节。数据应用是价值释放的过程，数据资产的价值在应用阶段得到了最大化。数据安全更像是价值活动当中的辅助活动，是整条价值链的润滑剂。

二、数据资产价值的影响因素

数据资产受控于企业主体，附着于有形资产。数据资产的价值受到众多变量因素影响，例如数据质量、数据容量、数据资产的取得成本、数据安全等。本文尝试从多方面分析各因素对其价值的影响，并构建数据资产价值影响因素体系。

1．数据质量：数据价值密度与时效性共同构成数据质量，良好的数据质量是挖掘价值的重要保障。数据总量一定时，对于同一类型数据，其总体中有效数据所占比越大意味着数据价值越大。新产生的数据其应用价值更大，历史数据会因时间的推进，价值逐渐降低。

2．数据容量：数据容量包括数据规模和数据维度两方面，在数据价值密度不变的前提下，数据总量与数据资产的价值呈正相关，而更为复杂的多维度数据则蕴含着更大的潜在价值。

3．数据资产的取得成本：数据在应用阶段得到了价值释放，然而在数据储存、数据提取与分析阶段的成本投入将直接影响数据资产的价值。正确的存储决策将帮助企业节省大量资金。

4．数据安全：数据安全事件会造成企业数据资产流失与大量用户资源的流失，甚至导致用户满意度、对企业信赖度下降，最终使得数据主体企业的股价大跌。

5．数据权能的交易方式：伴随着数据资产权能的立法健全与资本市场的成熟，数据资产的交易也将变得频繁。从数据资产的交易方式来看，完全产权的交易价值将大于部分产权转让的交易价值。授权的程度与范围的差异决定不同的数据资产价值。

6. 数据资产的经济收益：首先，企业可以通过长期积极管理、挖掘、应用数据资源，使得数据资源转化为数据资产并且不断累计价值，最后通过交易数据资产获得资本利得。其次，数据资产可以作用于企业内部，支撑各部门业务决策，通过间接的方式影响企业现金流。

7. 数据的使用期限：数据使用期限的长短将影响企业利用数据产生收益的大小，进而影响现有数据资产的价值。

三、数据资产对企业价值的贡献评估思路与方法

图1 数据资产价值链示意图

数据资产价值的评估具有其特殊性。第一，以传统三大评估方法对无形资产进行估值往往具有较大难度，评估方法的选择成为数据资产价值评估的重点与难点。第二，数据资产在组合无形资产中权重关系具有特殊性。在利用层次分析法分割组合无形资产时，需要确认数据资产对比其他各项无形资产对于决策层重要性权重关系。由于数据资产的理论研究相对于其他无形资产较为滞后，使得人们通过主观判断其在组合无形资产中的权重关系时具有很高的难度。

无形资产在企业运转中往往能够带来一定的超额收益，电商企业由于与高新技术联系紧密，除资产负债表上列举的无形资产，其在发展过程中累计并开发了大量的账面外无形资产。然而各类无形资产通常是以组合型无形资产发挥效益的，如何从组合型无形资产中分离出各部分无形资产的价值，在资产评估中一直是个难题。汪海粟等（2000）认为利用层次分析法解决这个问题是一种实用的方法，其效果较好并有一定合理性。

蒙特卡洛模拟的基本思想是：当所要求解的问题是某种事件出现的概率，或者是某个随机变量的期望值时，它们可以通过某种“试验”的方法，得到这种事件出现的概率，或者随机变数的平均值，并用它们作为问题的解。蒙特卡洛模拟已成为解决不确定性非常有效的方法，并且在财务分析、销售预测、项目管理、质量控制、环境评价等诸多领域得到广泛利用。

不难看出层次分析法在解决分割组合型无形资产时的不确定性有较好的理论基础。蒙特卡洛模拟在解决模型输入参数不确定的情况下有一定适用性。由于影响数据资产价值的因素异常复杂，数据资产评估的理论研究与实践还处于萌芽阶段，本文提出将层次分析法与蒙特卡罗模拟相结合的研究思路，一方面，层次分析法可以在获取专家数据的基础上，将数据资产的价值从组合无形资产中分割出来；另一方面，在层次分析法将数据资产价值的重要性用概率分布来表示，并应用蒙特卡洛仿真模拟计算数据资产价值的贡献度，有利于从计算结果中发现不确定因素对数据资产价值的影响。

四、京东企业数据资产价值评估

作为中国最大的自营电商企业，目前京东在国内B2C自营市场中已取得了近百分之五十的占有率。本文确认组合无形资产是以企业价值内在价值与账面价值之差为出发路径，因此我们有必要对京东企业价值进行估值。考虑到京东属于新兴市场中高速发展的公司，近年来由于规模扩张及大量的费用支出、资本化投入，目前仍然处于亏损状态（2014年净亏损约合8亿美元）。因此不选取市盈率作为估值指标比率，我们选择以市销率为基础的市场法作为评估方法。

市销率=（指定交易日期的股票收盘价×当日人名币外汇牌价×截至指定交易日的总股本/最近财务报告的营业总收入）

本文对电子商务B2C行业内的企业的规模和主营业务比较与分析，选取了国内外三家与京东具有可比性的公司进行市场法估值。这三家公司分别为全球第二大互联网公司电商龙头亚马逊；向全品类B2C电商转型的图书类电商当当网和中国折扣服装类电商唯品会，这三家公司的历史市销率比值如表1所示。从历史估值数据看，亚马逊的PS均值为1.84；当当网PS均值为1.90；唯品会PS均值为2.08。三家可比公司市销率平均区间在1.84到2.08之间。

表1 亚马逊、当当、唯品会的市销率历史统计

京东商城2012、2013、2014年营业收入分别为414、690、1053亿元人民币。利用营业总收入乘以市销率计算企业市场价值，我们得出京东的企业价值约为2121.88—2190.24亿元之间，取平均值为2156.06亿元，即347.75亿美元。

五、京东数据资产分析

京东作为电商行业的领先者，拥有全链路的超优质海量数据。主要来源有两块，一是企业内部运转所产生的数据，二是源自于企业外部的数据。

大数据在京东的自营各方面业务中已经占据非比寻常的位置，比如说深度挖掘和分析用户行为，尤其是消费行为，可以预测未来销售量，在仓储方面实现仓库智能购货，持续更新京东推荐系统，提高广告投放的有效性。对于逐渐成长起来的大数据平台，京东大数据产品已经逐渐成熟。京东的数据资产应用主要体现在三方面：

第一、用数据资产突破精准销售，利用大数据把商品销售到正在需要该商品的客户手中。通过京东自身平台收集的行为数据，把这些数据进行归类，选出最大概率的商品推送给用户，其次，和其他拥有大型数据库的机构合作，提高推销精确度，从而提升企业的营业利润。

第二、利用数据资产优化供应链运营。现阶段，各互联网电商企业吸引用户量，抢占市场份额的主打口号就是用户第一，服务第一。那么对于如京东这样的电商企业，其服务第一就体现在其物流水平上。利用数据挖掘技术和建立相应的算法模型，企业可以统计出各类商品实时或过去一段时间的销售量，测未来一段时间可能发生的销量作为进货参考，最后在仓库存储成本和用户服务上找到一个很好的平衡点。

第三，京东大数据开拓互联网金融业务。随着京东大数据的深度挖掘和利用，其应用板块也趋于多元化。例如：基于供货商的信用数据，为其提供供应链信贷服务；基于消费者的历史消费，为其提供商品分期付款服务。

六、京东数据资产价值评估

（一）前提与假设

假设一：利用市场法评估京东的企业价值对于其账面净资产的溢价部分，全部来源于组合型无形资产贡献。

假设二：基于上述对电商无形资产的分析，本文假设构成京东组合型无形资产的贡献有以下几类无形资产：数据资产、人力资本、域名、客户网络、管理水平。

通过计算我们可以得出，京东的企业价值约为347.75亿美元，折合人民币为2156.06亿元。估算其账面净资产为244.62亿元。由此我们得出京东组合型无形资产（不包括账面无形资产）的价值约为1911.44亿元。在此基础上，我们以京东整体数据资产为对象，评估其价值。

（二）估值过程

构建以组合无形资产价值为目标层；收入增加、成本费用节约、综合竞争力（品牌影响力、用户满意度等）为决策层；五类无形资产为因素层的层次分析法体系，如图2所示。通过专家座谈及问卷的方式，明确除数据资产外四项无形资产对决策层的权重关系，其重要性的标度直接参考文献，通过对问卷调查数据计算平均值，并进行一致性调整得到权重系数矩阵。

在确认数据资产对于决策层贡献大小时，我们考虑两方面因素。一方面由于数据资产属于新兴无形资产，缺乏良好的理论研究基础，导致我们在判断其在企业中重要性的不确定性。另一方面，基于现阶段发展态势，数据资产有爆发式发展潜力。本文设定数据资产对于收入增加、成本减少以及综合竞争力的重要性为Xi,t=1,2,3，进而可以得到三个不同的判断矩阵Ai,t=1,2,3并从专家调研数据中得到区间赋值的上界与下界，在蒙特卡洛仿真模拟中可以根据相应参数生成随机数。

在确认其他无形资产的关系时，确保所得矩阵能够通过一致性检验。得出各无形资产对于决策层的三个矩阵：

步骤一：层次单排序权重计算及一致性检验。

（1）A定义矩阵层次单排序，确定U1—U3三因素在京东无形资产收益中作用的大小并进行一致性检验（具体检验步骤略，下同）：

图2 组合无形资产价值贡献率计算层次体系

（2）定义矩阵，建立—单排序确定五项无形资产对收入增加的贡献大小并进行一致性检验：

（3）定义矩阵，建立—单排序确定五项无形资产对成本减少的贡献大小并进行一致性检验：

（4）定义矩阵建立—单排序确定五项无形资产对综合竞争力的贡献大小并进行一致性检验：

计算比较判断矩阵的特征向量特征根 。比较判断矩阵特征向量的值，表现了同一层次中若干元素对相邻上一层次某一元素的相对重要性排序权重。

排序权重是否有满意一致性要求，必须进行检验。首先，计算一致性指标：

式中代表比较矩阵最大特征根；n代表判断矩阵阶数，然后根据比较判断矩阵阶数n，查出平均随机一致性指标RI(见表2)。

表2 平均随机一致性指标

最后，计算一致性比率CR：

当CR小于0.1，认为判断矩阵通过一致性检验，排序权重可以接受。

步骤二：层次总排序计算，确定各无形资产的贡献率分布，并对总排序进行一致性检验。行各层次元素的组合权重计算，得到递阶层次结构中各层次中所有元素对总目标的相对权重，直至求出方案层各元素对总目标的排序权重。

利用Matlab程序进行蒙特卡洛模拟进行层次分析法计算，每次运算时对服从均匀分布的，具体参数和分布如表3所示，随机抽取一个数据带入矩阵模型，最终得到各项无形资产的贡献率并记录结果。重复1000次运算，记录所有结果，形成各项无形资产的概率分布图。

蒙特卡罗模拟1000次后，可得到数据资产在组合无形资产中贡献率分布曲线图，计算结果如图3所示。

表3 蒙特卡洛模拟输入参数表

根据图3我们可以得到各项无形资产分成率占比及估计区间情况，如表4所示。通过统计结果我们可以发现，数据资产的分成率在23.0%—28.8%，其对应的估值区间在439.63—550.49亿元。频数最大值53出现在分成率为26.0%处，对应的价值为496.97亿元，计算结果表明数据资产在电子商务企业中具有不菲的价值，应当得到企业的高度重视。

表4 运算结果对照表

七、研究结论

本文对我国电商企业在大数据时代背景下，面临的一系列数据资源资产化的问题展开了系统的研究和论述。从收集并归纳国内外有关数据资产定义、价值来源的资料，构建理论研究的基础，到层次分析法与蒙特卡罗模拟的原理和适用性分析，创新地将二者结合对无形资产进行评估。结合相关的案例，围绕着数据资产对电商企业价值贡献这一框架，采用定性与定量的分析方法，首先利用企业内在价值与账面价值之差将组合无形资产从企业价值中剥离出来，然后运用层次分析法与蒙特卡罗模拟计算出数据资产在无形资产中的价值，最后得到京东数据资产2014年12月31日的估值。本文的研究可以为市场上涌现的其他新兴无形资产的评估提供参考。本文虽然在案例部分使用了层次分析法与蒙特卡罗模拟结合法，具有一定的可行性与适用性，但是其专家打分过程中难以避免主观性，本文的研究思路及其适用范围需要通过进一步的应用与实证研究来检验。

图3 各无形资产分成率分布曲线

参考文献：

[1]财政部.企业会计准则第6号:无形资产,中国财政经济出版社,2006.

[2]财政部会计司.国际会计准则第38号:无形资产.会计研究,8:56-57.1999.

[3]汪海粟.资产评估.高等教育出版社,2002.

[4]李青松.信息资产特征及其评估方法研究.北方经贸,10:101-102.2001.

[5]徐园.数据资产、大数据、信息资产及媒体变革的思考.中国传媒科技,(11)：40-45.2013.

[6]王同律,汪海粟.组合无形资产的分割-AHP法在无形资产评估中的应用.中国资产评估,2:13-17.2000.

[7]郭强,伍青.蒙特卡罗模拟在收益法评估中的应用,中国资产评估,11:31-35.2005.

[8]范建华.基于层面划分法的信息资产识别方法.标准科学,9:64,2009.

[9]陈守忠.无形资产评估方法探讨.中央财经大学学报,8(4):77-80.2002.

[10]迈克尔·波特.竞争优势[M].中信出版社,1985.

[11]B. L. Dos Santos, K. Peffers, D. C. Mauer . The impact of information technology investment announcements on the market value of the firm. Information Systems Research , 4(1):1-23,1993.

[12]H. Chris, W. Dave. Valuing information as an asset. Journal of SAS.13-17.2010.

[13]Y.J. Chiu, Y.W. Chen. Using AHP in patent valuation.Mathematical and Computer Modelling, 46(7):1054-1062, 2007.

[14]M.E. Barth, K. Ron, F.M. McNichols. Analyst coverage and intangible assets. Journal of accounting research, 39(1):1-34,2001.