资产管理视角下的大数据资源评价研究综述

左文进

（上海财经大学 浙江学院，浙江 金华 321013）

近年来，大数据引起了各领域的广泛关注。2008年和2011年，国际著名期刊《Nature》和《Science》先后推出与大数据相关的专刊。2012年，奥巴马政府公布了“大数据研发计划”，美国科学基金会等6个部门宣布投资2亿美元，以增强联邦政府收集和处理海量数据的能力，从而使得大数据上升为美国的国家战略[1]。现代信息技术的发展，推动人类进入到大数据时代。技术与市场协同是技术创新成功的关键[2]，市场是作为技术密集型的大数据产业可持续发展的基本手段。我国政府高度重视大数据产业的发展，国务院政府工作报告自2014年以来连续六年提及“大数据”，北京、上海、贵州、湖北及浙江等地先后创建了大数据交易平台。随着大数据交易市场规模的快速增长，科学评价大数据资源，是保障大数据资产市场健康运行的基本要求。大数据资产评价实践亟需基于资产管理视角的大数据资源评价理论研究的支撑，本文通过梳理大数据资源评价相关理论研究成果，为大数据资源评价理论与方法的后续研究提供建议。

一、大数据资源评价的相关概念

大数据资源评价相关的基本定义是本文研究的基础，其难点在于对大数据内涵的认识。根据本文研究主题和已有相关研究成果，下面主要围绕大数据、大数据质量和大数据资产三个方面展开文献述评。

（一）大数据

关于大数据的定义，国际数据中心[3]强调大数据“高速捕获、发现和分析技术提取数据”的价值，麦肯锡研究院发布的研究报告[4]认为大数据是超过典型数据库软件工具捕获、存储、管理和分析数据能力的数据集，美国国家标准和技术研究院[5]则认为大数据的容量、获取速度或者数据表示突破了传统方法对数据的处理能力,因而需要构建扩展的数据处理机制。总之，学术界和产业界基于不同的视角提出了许多大数据的定义[6]，目前对于大数据的内涵尚未形成统一认识。关于大数据的特征，学者们先后提出3V、4V和5V等不同观点，但是多数研究者认同大数据的大容量 (volume)、多样性 (variety)、高速 (velocity)和价值 (value)等特征[7]。

（二）大数据质量

随着人们对大数据特性和本质认识的不断发展，大数据质量可归纳为客观属性、应用情景、主体感知等认知视角。基于大数据质量客观属性的视角，Sukumar等[8]认为准确性是大数据质量的核心，Liu等[9]认为大数据质量具有与其特征相似的大的特点。基于大数据质量应用情景的角度，Wahyudi等[10]认为大数据质量具有与特定的环境、目标和初始条件相应的可变性，Haryadi等[11]认为大数据多源、多种类型和多种结构决定其质量具有动态性和情景化。基于大数据质量主体感知的角度，Cai等[12]认为只有满足用户需求的数据才是质量良好的数据，Aggarwal[13]和Toivonen[14]认为大数据质量取决于用户类型，会随着满足用户期望变化而呈现不同内涵。关于大数据质量的概念，已有相关研究重在论述大数据质量的特征，总体上停留在观点提出层面，缺乏对大数据质量定义完整系统的阐释[15]。尽管没有给出明确而完整的定义，但很多学者强调通过大数据质量的不同维度界定大数据质量的内涵。

（三）大数据资产

数据作为生产要素得到了业界广泛的认可。随着大数据交易市场的发展，人们的大数据资产意识日益增强。刘玉[16]最早提出大数据资产的定义，大数据资产是指能够数据化并且通过数据挖掘能给企业未来经营带来经济利益的数据集合。李俊清等[17]认为，农业大数据资产是拥有权或控制权明确，预期能为农业及其相关领域提供服务或为之带来经济利益的全样本的历史的数据资源。张兴旺等[18]认为，大数据资产是大数据资源的子集，各类大数据资源经整理、清洗、处理、分析和利用后形成大数据资产。李茂浩[19]、左文进和刘丽君[20]认为大数据资产具有普通资产所有的基本特性：由企业过去的交易或者事项形成的、由企业拥有或者控制的、未来预期能给企业带来经济利益。可见，现有关于大数据资产相关的定义总体上吸纳了数据资产内涵的相关论述，具有普通资产的基本特征。

二、大数据质量评价指标、方法及工具

大数据质量评价是实施大数据质量管理的基础。大数据质量评价相关研究主要涉及评价指标、评价方法及评价工具三个方面。由于现有大数据质量评价理论探讨借鉴了数据质量评价的研究成果，因而下文将两者结合起来讨论。

（一）大数据质量评价指标

1996年，Madnick等基于全面数据质量管理的思想，率先提出不同类型的数据质量维度划分方法[21]。此后，Katerattanakul和Siau[22]认为Web数据质量由11个指标组成，Wang和Strong[23]构建了包括6个一级指标和32个二级指标构成的Web数据质量评价指标体系，Dedeke[24]构建了包括4个一级指标和11个二级评价指标构成的语义数据质量评价指标体系。在实践应用层面，国际货币基金组织等国际机构分别提出各自的数据质量评价维度划分方法，蔡莉等[25]根据烟草、军事、医疗和气象通信等行业分别总结了数据质量指标划分的不同观点，其中准确性、适用性和及时性等是公认的数据质量评价指标。数据质量评价指标相关研究成果颇丰，现有研究中存在近两百种方法[26]。大数据的复杂性决定了大数据质量评价指标的复杂性[27]，已有的大数据质量评价指标总体上继承了现有数据评价指标的研究思路。结合刘冰和庞琳[15]等的研究，具有代表性的大数据质量评价指标研究成果总结如表1所示。

表1 大数据质量评价指标代表性研究成果摘要

可见，已有大数据质量评价一级评价指标根据不同视角做了区分，二级评价指标的完整性、准确性、一致性、可靠性、及时性等得到学者们较为一致的认可。因此，大数据质量评价指标现有研究总体上可视为数据质量评价指标相关研究成果的拓展。

（二）大数据质量评价方法

数据质量评价研究始于20世纪70年代前后，至今已形成了成熟的理论与方法体系[25]。常用的数据质量评价方法可分为定性和定量两大类：定性方法主要有用户反馈法和专家评价法，评价结果可分别采用等级制和百分制表示[33]；定量方法有缺陷扣分法[34]、层次分析法[35]、模糊综合评价法[36]及云模型评价法[37]等。其中，蔡莉等[25]从复杂程度、模型选用及应用范围等角度系统分析了上述定量分析方法的特点。刘文奇[38]以公共数据库为对象，运用安全综合评价模型设计了一种数据质量评价方法。由于大数据的复杂性，常规数据质量评价方法难以直接用于大数据质量评价[15]。尽管如此，借鉴已有数据质量评价方法的设计思路，国内外学者近年来专门针对大数据质量评价进行了相关研究。已有大数据质量评价方法及简介汇总如表2所示。

表2 大数据质量评价方法研究成果摘要

由上分析可知，与已有数据质量评价方法相比，大数据质量评价方法基于不同大数据资源所依赖的数据平台开发了不同的方法，总体上侧重技术分析且不具有普适性的特点。

（三）大数据质量评价工具

数据质量评价工具是数据评价的基础。Lee等[47]提出的AIMQ方法是一种包括PSP/IQ模型、IQA问卷和质量差别分析技术的数据质量评价方法，其中PSP/IQ是分别从产品和服务两个维度评价数据质量符合特定规格或满足期望的2×2模型。Bobrowski等[48]运用预先确定的评估标准和问卷调查构建用于组织内部的数据测量方法，Cappiello等[49]提出将评估阶段与用户需求联系起来的模型，该模型由选择、质量评估和简表等子模块组成。已有的数据质量测量研究大都采取主观和客观相结合的方法[50]，其中问卷调查是基本评价工具。借鉴上述理论研究，国内学者运用计量经济分析方法针对数据质量评价进行了诸多拓展性研究[51-55]。针对大数据质量评价方法，笔者运用问卷调查的方法采集大群体用户和专家感知信息，采用多指标综合评价方法测度大数据质量，并提出了一种大数据资产估价方法[56]。因此，大数据质量评价普遍采用的评价工具是问卷调查，其次是根据不同评价要求事先制定评价标准和模型。

总之，大数据质量评价指标、方法及工具相关研究继承了数据质量评价的相关研究，具有比较明显的技术分析特点。由于大数据相对于数据在诸多技术特征上有质的不同，基于资产管理视角的大数据质量评价理论与方法探讨是突破现有研究藩篱的重要思路。

三、大数据资产评价原理及方法

从经济学角度看，大数据资产符合边际数据成本递减与报酬递增的原理[57]。根据效用价格理论可以确定大数据资产交易的最高定价，根据成本价格理论可以确定大数据资产的最低定价[58]。大数据资产评价研究尚处于起步阶段，已有研究成果大致可分为资产计量、定价方法和估价方法三个方面。

（一）大数据资产的会计计量

邹照菊[59，60]借鉴传统资产定义及无形资产评估技术特点，分析了企业大数据资产的计量条件、计价原则和影响因素。李泽红和檀晓云[61]对大数据资产的会计确认、价值评估、后续计量与报告进行讨论，全面分析了大数据资产财务管理的基本原理，为大数据资产管理实践奠定了基础。陆旭冉[62]专门探讨了大数据资产初始计量和后续计量问题，并以某公司为例进行大数据资产会计计量案例分析。刘玉[16]、上官鸣和白莎[63]针对大数据资产的确认、计量、处置、处理及信息披露进行了系统研究。可见，已有大数据资产会计计量理论研究成果以《企业会计准则》为指导，结合大数据特征进行方法探讨，为企事业单位开展大数据资产核算实践工作提供了可行的方法体系。

（二）大数据资产的定价方法

翟丽丽等[64]全面梳理了大数据定价的难点、影响因素、定价模型和定价方法。基于大数据价值的稀缺性，胡燕玲[58]指出并主张根据大数据的特征采取预处理定价、大数据拍卖定价、大数据协商定价和反馈性定价等方法。刘朝阳[65]基于大数据成本价格和效用价格原理的分析，分别提出针对大数据拍卖定价、协商定价和反馈性定价的策略，并指出政府大数据适合采用成本定价方法和拉姆齐定价方法。陈志注等[66]以经典拍卖模型为基础，针对大数据定价分别提出扩展的Vickrey拍卖模型和扩展的序贯拍卖模型。尹鑫等[67]基于Micali-Rabin的安全计算技术提出一种具有大数据定价功能的安全委托拍卖方案。翟丽丽等[68]运用密切值法计算联盟企业重要度并确定联盟标的与执行数据资产价值，通过改进B-S模型计算联盟数据资产价值。总之，现有大数据资产定价方法研究基于经济学原理，主要针对大数据资产协商和拍卖定价，通过改进传统模型创新大数据资产定价方法。

（三）大数据资产的评估方法

资产评估行业最早源于西欧城市大规模集市对商品价格鉴定的需求。1792年，英国测量师学会成立是现代资产评估行业开始的标志[69]。随着西方经济学理论的发展，资产评估理论体系日臻成熟。20世纪80年代末，我国借鉴西方经验引进了资产评估理论与方法，为推动市场经济建设发挥了巨大的作用。我国现有评估理论体系相对成熟，但还存在逻辑关系不顺、评估要素层次不清及框架结构不明确等问题[70]。资产评估对象可分为有形资产和无形资产，前者包括房屋、机器、设备等，后者主要有专利权、商标权等。资产评估方法包括市场比较法、成本法和收益法等。大数据不同于传统的资产评估对象。周春喜[71]系统分析了传统评估方法在新技术资产评估时存在的问题。林飞腾[72]在大数据资产价值评估中引入了成本法。刘琦等[73]在大数据资产价值评估中引入了市场法。基于经典资产估价方法，笔者引入Shapley值法和破产分配法则提出一种用于大数据资产分解的估价方法[20]。基于客户感知价值的视角，我们运用多维偏好线性规划分析方法，提出一种运用评估专家和大群体客户感知综合得分确定大数据资产价格的方法[56]。因此，传统资产评估理论与方法是现有大数据资产评估方法的基础，相关理论与实践中亟待大数据资产估价方法的进一步突破和发展。

总之，大数据资产会计计量相关研究以我国现行财务法规为基础，针对企业会计实务需要展开理论探讨，并进行了实例分析。大数据资产定价方法和大数据资产评估方法相关理论研究总体上处于理论探讨阶段，前者基于经济学相关原理和所有者视角进行大数据资产客观价值分析，后者在引入传统资产评估方法的基础上创新大数据资产公允价值评估的方法。三者均为基于资产管理视角的理论探讨，但现有研究成果仍然不能满足大数据资产评价实践的需要。

四、大数据资源评价研究述评及展望

基于上述相关主题的理论研究，结合作者主持相关课题研究过程中开展行业调研和咨询专家获取的意见，下文采用归纳法对大数据资源评价研究现状进行述评，采用演绎法对大数据资源评价后续研究的思路进行探讨。

（一）大数据资源评价研究现状述评

由于大数据的复杂性，至今尚未形成较为一致的大数据定义。与数据相比，大数据既有量的增加，更有质的飞跃，因而大数据评价不能简单借用数据评价理论与方法。基于大数据特征，学术界针对大数据质量评价和资产估价开展了大量的研究，为构建大数据资源评价理论与方法体系奠定了基础。现有大数据资源评价研究不足主要表现为：大数据资产形态描述缺乏必要的理论基础，不能适应大数据资产管理实践的需要；大数据质量评价研究成果不多，不能满足相关实践的需要；已有的大数据质量评价方法大都针对不同研究对象的特点，侧重技术分析角度的探讨；由于现实中难以运用统一的技术框架描述大数据质量，现有的大数据质量评价方法没有解决针对大数据质量评价的普适性问题；大数据价值及其影响因素缺少基本的分析框架，难以支撑大数据质量管理和大数据资产价格评估工作的有效开展；现有资产评估方法不能满足大数据资产估价的需求，须从理论上开展适应大数据资产特性的评估方法创新。因此，尚需针对上述问题继续开展相关的理论与应用研究。

（二）大数据资源评价后续研究的思路

基于以上分析与总结，结合大数据资源评价实践的需要，本文认为须从以下几个方面继续开展研究：

大数据质量内涵及其特征。由于大数据发展的时间不长，理论界对大数据的定义众说纷纭，实践领域则回避对相关问题的讨论。比如，近年来我国中央和地方政府发布关于大数据的相关法律和政策，大都没有提及大数据的概念。这种做法有利于作为新生事物的大数据行业发展，同时也说明理论研究的不足。大数据行业实践亟待理论研究的支撑。大数据质量内涵包括大数据的概念和大数据质量的概念，前者是后者的基础，大数据质量内涵又是大数据质量特征的基础。因此，科学评价大数据质量有赖于对大数据本身的科学认识和界定，在推动大数据理论及应用的进程中，大数据质量内涵及特征研究具有基础性作用。

大数据质量评价指标和方法。由于大数据形态较传统数据形态复杂，在业界尚无对于大数据定义较为一致认识的背景下，贸然直接采用已有的数据质量评价指标和方法评价大数据资源，是不严谨的。大数据质量评价指标和方法研究要兼具合理性和普适性的要求，相关后续研究可从两个角度展开：一是针对不同的大数据资源进行个案研究，探讨具有针对性的大数据质量评价指标和方法；二是基于相关研究探讨具有普适性的大数据质量评价指标和方法，推动大数据资源评价理论的深入发展。这两个角度的研究不是孤立的，可发挥两者之间相辅相成、相互促进的作用。

大数据资产形态及其描述。大数据资产形态又可称之为大数据商品形态。确定评估对象是开展评估实务的前提。由于大数据是新生事物，缺乏广泛认同的概念，如何合理确定并描述大数据资产形态是后续研究的基础。大数据资产形态研究可通过大量个案分析，揭示大数据资产的一般特征，为准确描述大数据资产提供理论基础。大数据资产管理实践中可借鉴无形资产、数据资产及实物资产的描述方法进行大数据资产描述。

大数据资产价值及其影响因素。大数据质量是大数据资产价值的基础，大数据资产价值通常以大数据资产价格体现。大数据资产价值是大数据资产管理的关键，大数据质量管理和大数据资产估价均要求进行大数据资产价值的影响因素分析。大数据资产价值的影响因素纷繁芜杂，确定评估要素有赖于大数据商品价值及其影响因素的科学分析，从而为大数据资产估价方法选择和大数据质量改进创造条件。大数据资产价值管理中，采用定量和定性相结合的方法分析大数据资产价值及其影响因素是进行大数据资产管理的基本手段。

大数据资产估价方法创新。市场法、收益法和成本法等传统资产评估方法直接用于大数据资产估价的难点在于大数据本身的复杂性。结合大数据资产属性，根据大数据资产价值的不同类型，以传统资产评估方法为基础，可进一步运用多属性决策分析和合作博弈分析等手段对资产评估方法进行创新研究。为提升大数据资产估价水平，须根据大数据资产的不同特点创新评估方法，形成大数据资产估价方法体系，为科学评估复杂形态的大数据资产提供理论基础。

五、结语

大数据资源尚属新生事物，大数据行业发展时间较短，大数据相关理论研究尚需进一步发展。大数据资产交易市场发展迅速，大数据资产管理实践迫切需要大数据资源评价相关理论的支撑。现状条件下大数据资源评价理论与实践应用须相互促进，协调发展。大数据资源评价研究既要针对基础理论进行突破，又要大胆引进相关方法和技术，丰富和完善大数据资源评价理论体系，为适应和促进大数据资产管理实践发展奠定基础。