论全域赋能型数据资产的创利特质与会计核算

戴理达

【摘要】由于全域赋能型数据资产在形成渠道、变现方式、价值识别、创利机理等方面存在异质性， 实践中有必要将其从一般“交易型数据资产”中分离出来。 以赋能效用为主， 辅之以产权归属标准进行会计确认; 整合抓取成本（投入）与赋能效用（产出）进行会计计量， 以更为全面客观地反映该类数据资产价值流的“来龙去脉”; 引入射频技术（RFI）， 构建结果与过程相融合的信息披露体系， 打破传统会计信息系统单向信息传导之弊病， 将基于会计信息系统的决策支撑由事后移至业务发生的前端， 推进会计供给侧结构性改革。

【关键词】数智转型;数据资产;创利特质;会计核算

【中图分类号】F032.1      【文献标识码】A      【文章编号】1004-0994（2022）04-0082-6

一、问题的提出

“数据资产”是拥有数据权属、有价值、可计量、可读取、以数据集的方式存储于网络空间的一种经济资源[1] 。 实务界根据资产来源渠道与变现方式， 通常将其划分为“交易型数据”与“赋能型数据”。 交易型数据是信息服务机构在有序市场中通过数据出售直接获取现金流的载体[2] ， 其生成目的即通过市场交易获利， 而并非“数智转型”之目的， 因而不进入本研究的范畴。 赋能型数据源于企业自我抓取而非外部购买， 即借助于“消费者画像”技术， 深度挖掘价值网上各节点的数据以形成决策支撑信息， 旨在帮助各子系统的高管广泛识别价值增值空间， 通过优化业务流程以提高生产效率[3] 。 随着“业财融合”深入推进， 数据资产的赋能不仅仅体现在供应、生产、销售等核心业务环节， 还延伸至研发、融资、投资、公关、整合传播等价值增值的全部领域。 由于其赋能面广、情景适配性强、投入成本与产出价值之间不确定性高， 因而在实践中难以直接套用传统的无形资产会计核算模式。

目前， 数据资产相关研究主要集中于： ①直接将数据资产融入无形资产的核算体系; ②资产评估主流方法模型在数据资产估值中的运用与创新; ③数据资产的表外信息披露体系设计。 总之， 既有成果呈现“重交易型数据， 轻赋能型数据”“重财务会计核算， 轻管理会计职能”“重价值呈现， 轻意义构建”特征。 随着信息技术的飞速发展， 全域覆盖型数据驱动的决策方式在企业管理中日益普遍， 而现有会计准则并未将数据资源列为会计核算的对象， 尤其是与全域赋能型数据相匹配的会计确认、计量与信息披露都相对滞后， 这将导致会计信息偏离经济运行的實际， 误导利益相关者的投融资决策， 甚至引致资源配置错位。 本文以数智转型环境下的数据资产化管理为逻辑起点， 以“业财融合”为主线， 探寻全域赋能型数据资产的创立特质、会计核算与信息披露模式， 以期拓展资产核算体系的外延， 丰富企业会计信息呈现与利益相关者意义构建之间的联系。

二、全域赋能型数据资产的内涵诠释与创利特质

1. 从时间—空间二维整合视角界定全域赋能型数据资产。 本研究所提出的“全域”一词植根于制造业“数智化”转型这一时代背景。 全域赋能型数据资产并非传统意义上静态的资产概念， 而更多体现为一种动态的理念。 这种动态性从时间维度来看， 贯穿于价值链每一作业活动的事前、事中与事后全过程。 依托运算智能与感知智能系统， 企业主动从价值链的各个环节实时获取运行数据。 这里需要说明的是， 被动地接受与“堆积”源自于企业价值链的原始信息， 并不完全符合本研究所提出的“全域赋能”之内涵。 这是因为， 它有别于来自第三方的数据所具有的“可单独辨认性”， 而与企业特定的商业生态、组织流程、经营模式紧密相关。

数据资产具备超强的价值赋能功效， 其原因不单纯在于“数据”本身， 而在于数据资产推进了传统产品及其生产制造技术革命性的升级。 源自于生物学的“创生性”原理深刻地揭示了数字化技术对产品创新、商业模式变革的引擎机理。 数字化技术整合了设备、网络、内容与服务四个松散耦合层[4] ， 其内在的交互性有效支持大量异质用户的参与， 多主体间的信息共享所形成的多源异构数据有力驱动了分散决策的集成化， 并将“点式”创新推向“网状”创新， 从而使跨界融合与异业联盟成为现实。

从空间维度来看， 分层模块化的数字技术以有形产品为载体， 构筑了强大的感知场景， 将来源各异的感知信息渗透到价值链的每一个环节， “此创新”的结果与“彼创新”的源泉高度融合， 且创新环境始终处于相对非均衡状态[5] 。 这种“泛在性”的创新特质在无限加大创新主体参与度的同时， 资本增值受益主体日趋复杂化增加了价值创造主体的识别难度， 即制造商在为用户提供创新成果的同时， 用户的在线反馈数据又构成了制造商潜在创意的前置信息。 从时间维度看， 智能产品的价值创造始终处于连续变革之中， 产品的代际边界变得日益模糊， 产品被赋予“成长品”的新内涵[6] ， 创新成果的更迭呈现连续函数之特质。 数据资产的价值射程边界突破了单一的会计主体， 而涉及特定会计主体所处的商业生态——这一点与数据本身的“泛在性”紧密相关。 尤其是， 当大量的多源异构数据通过技术契约汇集到制造商手中时， 整个商业生态便自发地形成了“前馈→迭代→创意激发→要素重组→成果传播”的广域创新聚合效应， 数据资产将驱动产品代际之间自发的创新成果传播与衍射 [7] 。 总之， 全域赋能型数据资产是依托运算智能与感知智能等技术， 源自于内部挖掘， 在一个开放的业务循环中对潜在业务具有预测、导航与估算等具有战略引导性作用并能驱动“创生性”创新行为， 且与特定会计主体的经营战略、商业模式、业务流程紧密相关的、不完全具备“可单独辨认性”的非实体性资产。

2. 全域赋能型数据资产的创利特质。 传统资产的创利过程体现为一种使用价值转化为另一种使用价值; 而数据资产的创利不仅仅是特定使用价值的转化， 还可能涉及业务流程、商业模式乃至行为主体的“人”的价值认知的变革。 数字化转型使产品突破了传统的内涵界定——有形产品只是企业数据资产取得与资产运营的一个载体。 企业借助于工业物联网及传感设备实时获取数据， 并运用大数据技术及时挖掘可视化的服务价值空间， 进而通过前馈反应为客户提供定制化的服务解决方案， 打造“产品智能化、服务定制化、供给前瞻性”的新型盈利模式。 由此， 供给体系由单一的“产品”供给延伸至“产品+服务+整体解决方案”的多层次、个性化、动态性的供给体系。

从技术层面而言， 全域赋能型数据资产为商业领域的人工智能实现“归纳式”自学习机制和基于“感知—动作”的控制模式奠定了信息基础。 归纳， 源于海量多源异构数据， 类似于细胞的“分裂”行为[8] 。 数据资产分裂的级数越高， 系统发掘给定时间的秩序或规则的能力越强， 进而识别价值增值环节的概率也就越大; 基于“感知—动作”的控制模式从模拟客户的行为入手进行需求仿真， 并对企业价值链各个环节的非增值作业实现实时削减与纠偏， 在积极推进商业生态正向演进的同时最大限度地提升共生效率（单位产出）。 在新的商业模式下， 企业的价值创造和价值实现以客户的价值体验为导向， 作为价值增值重要引擎的创新行为亦不再是“自我沉浸”式的技术演进， 而应通过“有破有立”的靶向策略精准满足客户需求; 同时， 创新应借助于数字技术深度挖掘潜在增值点， 引领创新成果的广域传播与代际传承。 总之， 对客户需求若只是单纯地“满足”， 而不捕捉智能产品内隐的创生能力并进行前瞻性的“引领”， 企业就无法在数字技术驱动下的商业模式变革中获取高质量的盈利空间。

三、全域赋能型数据资产的会计核算困境

1. 会计确认困境。

（1）全域赋能型数据资产能否进入现行会计循环体系？ 会计确认包含初次确认和再次确认。 前者侧重于通过分析某一项交易或事项的过程实质与相关契约， 判断其是否属于会计系统的范畴， 即能否进入“确认→计量→记录→报告”这一会计循环体系; 后者侧重于归入何种特定会计要素， 即进一步明确这一经济业务涉及哪个会计要素， 且一旦被确认， 就要同时以文字和数据进行账面记录。 全域赋能型数据资产源于企业业务数据的实时抓取， 并通过大数据技术加以清洗、降维、整合、提纯、分析来获取特征值， 为精准“靶向定位”市场需求、充分挖掘潜在客户群奠定可视化基础。

从时间这一纵向维度而言， 全域赋能型数据资源的获取并不完全契合会计准则有关“由过去的交易或事项形成的……”这一核心要义。 此外， 数据资产化管理后， 能否融入无形资产范畴， 依然存在不确定性。 实务界的主要争议在于无形资产（商誉除外）一般具有“可单独辨认”之特征， 但源于内部挖掘的数据资产， 其创利行为难以脱离特定的经营环境。 上述特征主要是针对通过外部（第三方）获取的数据资源而言， 对于本研究所提出的源于内部抓取的赋能型数据资产， 其價值又与特定经营模式， 尤其是该商业模式下产品或服务研发的“前馈性”和“迭代性”紧密相关， 所以无法脱离其运营环境而单独出售或转让。

（2）确认标准是侧重于产权归属抑或赋能效用？ 源于企业内部抓取的数据资产在所有权划分上， 并不完全符合会计准则对于资产定义中“由特定企业主体拥有或实质控制的……”这一产权归属判定标准。 此类数据进入会计系统并不具备传统意义上的商业实质， 并且在线抓取与后续数据分析所催生的“集体红利”本身就具有公共收益的体征。 因此， 从形式上看， 全域赋能型数据资源并不完全符合有关资产产权界定的标准。 但是， 若进一步考察资产界定的另一重要尺度即“在未来能为会计主体带来经济利润的流入……”， 不难看出， 赋能企业价值增值这一特征可使其更契合于资产确认标准。 由此， 到底是严格遵循产权归属标准， 还是根据其赋能效用来界定数据资产， 是一个亟待解决的现实问题。

2. 会计计量困境。

（1）初始计量： 投入视角抑或产出视角？ 主流的计量属性中的历史成本与重置成本侧重于从投入的视角度量取得某项资产付出的代价; 可变现净值、现值侧重于对资产产出价值的度量; 而公允价值则是站在交易双方之外、从市场这个“第三方”的角度看问题， 因而兼具双重属性。 那么， 对于内部抓取的赋能型数据资产， 一方面， 其形成凝结了企业付出的代价， 即“投入成本”; 另一方面， 该类资产将通过助力高管精准识别价值链增值环节， 预期为企业带来更大的“产出价值”。 那么， 到底是遵循投入原则还是根据产出价值来确定赋能型数据资产的入账价值， 会计实务中尚无先例可直接套用。

（2）后续计量： 是否需要进行账面价值的动态调整？ 一般而言， 资产随着使用或消耗， 其服务于企业的能力即“创利”能力会下降， 账面价值也会逐步减小。 计提资产减值准备、期末按成本与市价孰低法调整账面价值等操作彰显了资产计量中的“谨慎性”原则。 对于全域赋能型数据资产， 随着技术的进步， 加之数据更新速度之快， 其价值在使用中到底是下降、持平还是增加， 不能一概而定[9] ， 需要具体情况具体分析， 这无疑加大了会计操作的技术难度， 对会计人员职业判断的敏锐性和规范性均提出了更高要求。

3. 会计记录困境。

（1）能否并入无形资产核算框架？ 目前， 关于数据资产是否可直接归并到无形资产进行日常会计核算的争议颇大。 一种声音认为， 数据资产尤其是源于组织内部抓取的赋能型数据资产未经过注册， 本身不受法律保护， 且无法与企业特定的商业模式相分离， 因而不具备无形资产的基本特征; 另一种声音则认为， 数据资产以“数据化”形态呈现， 具备非实体性、高技术性、高智能性、高回报水平等特征， 可视同新型无形资产[10] 。 若能归并到无形资产， 那么其核算能否直接套用无形资产核算模式？ 若不能， 是否考虑新增资产科目， 以单独反映全域赋能型数据资产的会计核算？

（2）是否需要增设明细科目？ 合理设置明细科目有助于全面、系统、连续地反映经济业务。 全域赋能型数据资产作为一项长期资产项目， 尽管其经济寿命无法像固定资产、无形资产那样能较为明确地界定， 但从抓取（取得）、赋能价值增值（使用）到赋能效应的丧失（清理）， 是一个动态的过程， 不同运动阶段的资产价值理应有一个客观的账面反映。 由此， 设置明细科目是一个现实的选择。 但是， 具体如何设置？ 是沿袭传统固定资产或无形资产一级科目下的明细项目， 还是依据数据赋能作用的差异灵活设置？ 目前尚未得到一致意见。

4. 会计信息披露困境。

（1）能否进入表内信息披露体系？ 会计信息披露的结构、内容、质量与时效性对于提升利益相关者的决策效率至关重要。 由于财务报告只呈现会计确认、计量、分类汇总核算的结果而不展示价值生成全貌， 即“重静态结果、轻动态过程”， 极不利于信息使用者全面系统地捕捉价值链上各个环节的增值运动。 而全域赋能型数据资产的一个重要特征即贯穿于价值增值的全过程， 因而理应对此进行完整的披露。 这样， 会计实务中就出现了一个难题， 即三大传统报表的框架结构是否需要重新设计？ 此外， 其数据资产的原值、净值、减值、摊销等信息若进行表内披露， 是否需新增报表项目？

（2）附注部分需涵盖哪些文本信息？ 由于数据资产深度嵌入企业价值链的各个环节， 因而与此相关的诸多边缘性信息与报表使用者的决策息息相关。 例如： 未经清洗的原始数据， 其本身的决策意义较为有限， 尤其是维度繁杂、格式凌乱的数据， 可能给企业带来负向赋能作用即“降能效应”。 可见， 数据处理人员的专业技能、技术驯化素养以及所使用的软件与决策行为的匹配度， 均对提升数据资产的决策相关性非常重要， 因而有必要进入报表附注; 此外， 数据的结构优度、充裕度、更新度等因素对于其赋能效应也极为重要。 实践中， 附注具体应该涵盖哪些非量化信息， 莫衷一是。

四、全域赋能型数据资产会计核算模式的优化

1. 以赋能效用为主、辅之以产权归属标准确认数据资产。 从宽泛意义上讲， 现行报表上的资产均具有赋能之功能， 即预期都会给企业带来经济利益的流入; 反之， 若不具备这一基本要义， 任何资源将无法被界定为资产。 然而， 现行资产要素的赋能效用相对有限且参差不齐， 因为特定资产仅仅指向特定的、单一的经济效用。 例如： 固定资产中的机械设备， 其技术指向即为“为推进生产加工过程中一种使用价值向另一种使用价值的转化， 提供基础性的物质装备条件”。 或言之， 它所触及的价值增值点仅囿于生产这一个环节， 而对上游的研发、供应以及下游的销售、物流、售后等环节， 激发其潜在创意与变革、促进技术迭代乃至触发边缘增值作业的功能极其有限。

然而， 与传统资产的赋能效用相比， 数字资产有着突出的优势。 由于前端数据对潜在市场需求的预测、导航与规划具有战略引导作用， 因而打通了前置数据对后续业务的赋能作用; 同时， 它还辐射于开放环境下的业务循环和整个商业生态。 通过数据采集、数据清洗、数据挖掘、数据萃取与数据分析， 高管可更为精准地识别价值增值环节， 并推进商业模式的改革。 这种商业模式更深层次的价值在于其超强的“迭代”效应， 即每一位用户的个性化解决方案被自动输入云端的集成诊断系统， 通过机器深度学习技术形成具有趋势预估、风险预警与行为预判等多重功能的集成信息[11] 。

全域赋能型数据生成于企业交易的全过程， 汇集于云端， 并作用于现实与潜在的多元价值增值环节。 原则上， 企业不允许直接将客户信息进行加工获利， 且目前尚未进入知识产权法律保护的框架之内。 因此， 在实践中不宜简单地以“成因性”“产权归属”或“可控性”等传统标准来确认赋能型数据资产。 正是由于该类资产具有极高的决策导向价值与较强的创新迭代功能， 根据“实质重于形式”的原则， 对于有助于精准市场定位、降低交易成本、优化企业业务流程、助力高管发掘新商业模式、促进新旧动能转化的数据， 即便不能获得完整的产权界定， 亦可确认为数据资产。

此外， 当大量的多源异构数据通过该协议汇集到制造企业时， 整个商业生态在技术契约的托底下自发地形成了“前馈→迭代→创意激发→要素重组→成果传播”的广域创新聚合效应。 总之， 从商业生态和谐发展与共进化的视角而言， 全域赋能型数据实质上推动了不确定环境下集体红利的持续递增。 在进行会计确认时， 不能只是简单地依据产权归属来进行判断， 而有必要以全域赋能型数据资产特殊的赋能效用主， 并依托分层模块化数字技术， 通过技术契约配置以标准契约来界定其产权归属， 进而将其归入资产范畴。

2. 基于价值工程的投入成本——赋能效用整合式计量模型。 全域赋能型数据资产源于企业“自我抓取”而非公开活跃市场的有序交易， 其本身不具备交易双方所认可的内在客观价值， 因而其初始计量不可简单套用公允价值[12] 。 承袭主流的历史成本计量属性， 可以将取得该类资产所投入的人力、财力、物力等资源的货币化价值作为其初始价值入账， 即挖掘、清洗、降维、分类、更新等支出构成的历史成本无疑是全域赋能型数据资产获取与积累的财务基础。

投资与收益对等是财务活动中一条基本的“游戏规则”， “投入”视角的成本（历史成本）与“产出”视角的价值（现值）并非完全对立。 全域赋能型数据资产不仅仅是企业投资的产物， 它还是商业生态关系、企业创新迭代效应、组织管理方式的函数， 并在較大程度上受该生态内各个行为主体主观能动性等精神因素的影响， 即其价值可用以下函数式表达： 全域赋能型数据资产价值=F（投入成本， 商业生态共生度、行为主体精神因素）[13] 。 因此， 在进行后续计量时， 有必要高度关注投入与产出之间的关系， 并有效协调历史成本与预期价值， 使其在赋能企业价值增值的过程中达到完美契合。 投入成本与产出价值互为因果。 没有投入的保证， 数据资产的赋能效应就难以维持， 甚至下降; 而赋能效应的提高将会诱导和促进下一轮数据资源投入的增加。 因此， 可借鉴价值工程的思路， 整合产出（赋能效用）和投入（数据搜集、整理、分析成本）来进行估算。

由于该类数据的持有目的在于精准市场定位和快速响应客户需求， 因而有必要整合抓取成本和对企业各个业务系统的赋能效用来进行计量。 其中， 抓取成本包括对数据进行清洗、挖掘、汇总、结构化处理等一系列符合“资本化”的支出; 对于赋能效用短于一年的抓取成本， 可于当期直接“费用化”。 赋能效用的估值可采用“倒挤”的思路， 即设计一个基于数据平台自身的虚拟仿真测算模型， 将基于数据资产使用所创造的预期净现值（NPV）与投入成本（C）之比， 扣减“未使用数据资产”经营环境下的预期净现值（NPV'）与其成本（C'）之比， 后续计量可根据市场需求与企业战略的调整进行赋能效用减值测试。 设计数字资产净价值变动率RONV（Rate of Net Value）， 将该比例乘以全域赋能型数据资产账面价值进行赋能价值调整（具体计算思路如式1）。

[△RONV=FC-F'C'=i=1nNPVin=1mCn-i=1nNPVi'n=1mCn']  （式1）

其中： F为数据资产赋能效应; Cn为使用数据资产开展运营投入成本、Cn'为未使用数据资产发生的营运成本， n的取值随着具体的投入项目而定; i的取值可根据赋能效应产生作用的时期长短灵活设定。 总体而言， 全域赋能型数据资产的计量体现的是一种“得”与“失”平衡的思路， 这种以相对值表达的计量结果一旦出现△RONV<0， 很显然是一种得不偿失的数据资产运营行为， 后续有必要根据二者的差乘以账面原值进行减值处理; 反之， 则调增账面价值。 诸多企业认识到数据资源超强的价值潜能， 但不考虑其赋能效应， 盲目投入大量人力、物力进行非理性投资， 这种行为最终会诱发潜在的经营风险。

3. 合理设置科目进行会计核算。

（1）设置独立于无形资产的会计科目单独核算。 鉴于前文对全域赋能型数据资产特征的分析， 现行会计准则的“无形资产”难以全面体现其特质， 因而有必要在资产项目框架内单独设置“全域赋能型数据资产”一级科目， 并设置相应的“取得成本”“赋能价值调整”以及“数据资产清理”等二级科目（同时设置“赋能价值调整损益”等损益类科目）。 该科目的借方反映为取得该类资产投入的历史成本， 即人力、技术、设备、资金等价值之和， 以及随着数据资产的使用所带来的消费者画像精准度的提升、企业价值链的持续优化等赋能价值高于原始成本的部分; 贷方反映后续减值与完全丧失赋能价值时清理报废等事项， 期末余额一般在借方， 反映其期末账面净值。 具体的账户结构如图1所示。

例1： 20××年1月1日， A公司通过客户大数据平台挖掘、整理、分析数据资产的投入成本为1000000元; 根据评估该数据资产有助于提升消费者画像的精准度、激发产品与相关制造技术的潜在创生能力， 其赋能效用的有效辐射期为5年。

取得之日的会计处理如下： 借： 全域赋能型数据资产——取得成本1000000; 贷： 银行存款1000000。

（2）根據数据资产赋能效应进行后续价值的调整。 对于资产的减值测试一般主要通过对比资产负债表日公允价值与其账面价值来进行， 但是全域赋能型数据资产源自内部挖掘且主要面向企业内部管理， 并不以出售获利为目的， 因而难以获得所谓的“交易双方出于自愿”的交易价格。 在资产减值或计提相应准备时， 数据资产相对其他资产的一个突出特点就是它可能随着产品的“创生性”而出现“不降反增”的非常规现象。 此时， 对于那些有助于创造潜在价值空间、深度推进产品创新迭代的实质性增值部分， 应客观地在账面上予以调增; 对于数据价值实质性贬值的部分， 结合前文所设计的数据资产净价值变动率△RONV（可视为价值期末价值变动计提比例）与账面原值的乘积， 进行当期减值的会计核算。 在此， 设计损益类科目“赋能价值调整损益”， 借方反映赋能价值下跌额、贷方反映其增值额; 期末结账时从相反的方向转出至“其他综合收益”科目， 具体的结构如图2所示。

例2： 20××年12月31日通过测算得到△RONV的值为-12.5%， 因此需调减全域赋能型数据资产的期末账面价值： 1000000×12.5%=12500（元）。

账务处理如下：

借： 赋能价值调整损益12500; 贷： 全域赋能型数据资产——赋能价值调整12500。

4. 构建“作业链→价值链→数据链”一站式会计信息披露体系。

（1）通过附注充分披露数据资产的技术支撑与商业生态环境。 首先， 麦肯锡的一份研究报告显示， 掌握数据挖掘、整理、分析的专业性高端人才是数据资产赋能企业价值增值的一个重要影响变量， 即企业该领域人才专业度、储备量、人才结构以及知识更新度与全域赋能型数据资产的赋能效应紧密相关。 因此， 有必要定期向报表使用者披露大数据人才相关信息[14] 。 其次， 数据资产运营的软硬件设施构成了其发挥效用的一个重要物质基础。 例如： 企业所使用的大数据处理软件及其升级更新状况、软件与业务流程的匹配度、数据存储设备的安全性、企业与客户之间数据传导的方式以及彼此之间关系契约的执行效力等， 均应进入附录予以披露。 再次， 可借鉴共生理论中的“共生度”“共生系数”等模式实时评价全域赋能型数据资产运营企业与外部共生体的关系， 将内部挖掘数据的外部溢出效应这一量化结果配之以文本方式进行披露， 以帮助信息使用者获得更为广域的决策信息链。

（2）利用射频技术实现结果与过程相融合的信息披露模式。 作为公共产品的财务报表信息， 具有使用上的非竞争性和受益上的非排他性， 因而可将内嵌式芯片“扫码技术”运用到数据资产特定报表项目中[15] ， 使信息使用者能根据自身的决策需求进行业务源追溯。 具体而言， 依托物联网与云计算， 将射频技术（RFID）嵌入商品交易或服务供给的全过程[16] ， 以驱动源于“作业链的业务数据”“价值链的财务数据”“客户自我意义构建”所形成的反馈性数据的深度融合， 向企业内外部信息需求方提供全景可视化的财务信息， 消除传统财务报告只披露会计信息不展示价值生成全貌之弊端。 总之， 契合全域赋能的特质， 设计覆盖价值链上各个环节的数据资产会计信息“云披露”体系， 有助于引导利益相关者进行意义构建， 并以此为切入点优化企业供给质量， 推进资本市场各类资源的有效配置。

【 主 要 参 考 文 献 】

[1] Brown B. M.. Chui，and Manyika. Are You Ready for the Era of Big Data？[ J].McKinsey Quarterly，2011（1）：24 ～ 35.

[2] 张肖飞，王佳媛.新经济背景下大数据资产的确认与计量探析[ J].国际商务财会，2020（4）：18 ～ 21.

[3] 郑兴华等.基于深度学习和智能规划的行为识别[ J].电子学报，2019（8）：1661 ～ 1668.

[4] 谢康等.生产方式数字化转型与适应性创新——数字经济的创新逻辑（五）[ J].北京交通大学学报（社会科学版），2021（1）：1 ～ 10.

[5] 谢康等.大数据成为现实生产要素的企业实现机制：产品创新视角[ J].中国工业经济，2020（5）：42 ～ 60.

[6] Hippel E. V.. Lead Users： A Source of Novel Products[ J].Management Science，1986（7）：791 ～ 805.

[7] Hippel E. V.. Democratization of Innovation[M].Cambridge： The MIT Press，2005.

[8] 闵庆飞，刘志勇.人工智能：技术、商业与社会[M].北京：机械工业出版社，2021.

[9] 李雅雄，倪杉.数据资产的会计确认与计量研究[ J].湖南财政经济学院学报，2017（4）：82 ～ 90.

[10] 刘玉.浅论大数据资产的确认与计量[ J].商业会计，2014（18）：3 ～ 4.

[11] Danah， Boyd， Kate. Critical Question for Big Data[ J].Information Communication & Society，2012（5）：662 ～ 679.

[12] 上官鸣，白莎.大数据资产处理探析[ J].财务与会计，2018（22）：46 ～ 48.

[13] Carinaels E.. The Interplay Between Cost Accounting Knowledge & Presentation Formats in Cost-Based Decision-Making[ J].Organization and Society，2008（33）：102 ～ 116.

[14] 張俊瑞等.企业数据资产的会计处理及信息列报研究[ J].会计与经济研究，2020（3）：3 ～ 15.

[15] 谷建阳.AI人工智能：发展简史+技术案例+商业应用[M].北京：清华大学出版社，2018.

[16] 冯巧根.高级管理会计[M].南京：南京大学出版社，2017.