利益相关者视角下的企业财务大数据治理

陆兴凤 曹翠珍

【摘要】数据是经济发展的新型生产要素， 更是智能财务发挥作用的基础。 随着企业数字化转型步伐的加快， 智能财务背景下企业财务数据由“小”变得无限“大”， 财务大数据需要在价值网内有条件地“多向”流动， 海量数据构成的大数据世界使得传统治理已然无效， 企业财务大数据治理问题变得相当突出。 在此背景下， 依据利益相关者理论， 从数据贡献和数据利益两个维度出发， 剖析企业财务大数据治理中利益相关者的利益关系， 并分析不同数据利益关系在企业财务大数据“建”“治”“用”中的地位与作用， 进而重点论述财务数据采集建设、数据价值开发、数据高效应用的数据治理基本路径， 在一定程度上理清企业财务大数据虚拟化、数据价值化和数据驱动经营三个方面的问题。

【关键词】数字经济;智能财务;财务大数据;数据治理;利益相关者

【中图分类号】 F275     【文献标识码】A      【文章编号】1004-0994（2022）01-0039-9

一、引言

相关研究数据显示， 数字化转型的经济效益显著， 数字化程度每提高10%， 人均GDP就会增长0.5% ～ 0.62%[1] 。 作为经济发展的新动力， 数据的重要作用不言而喻。 2020年4月9日， 《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》正式发布， 意见中把数据提升为与土地、劳动力、资本、技术、知识、管理同等地位的生产要素， 数据作为第七种生产要素而被广泛关注。

随着国家层面对数字化转型的高度重视， 数据在各行各业发挥着越来越大的作用， 但由数据所带来的一系列问题， 如数据非法获利、数据泄露、数据垄断、数据沉淀等变得愈发突出， 数据治理应运而生。 以往财务数据只是在企业内部小范围“流动”， 但先进技术产生了企业财务大数据， 且财务数据可以“流动”到技术可能到达的每一个角落。 如不重视财务大数据治理， 一方面可能给企业带来较大损失， 另一方面也会使企业既有的管理秩序出现混乱。

目前关于数据治理的研究主要集中在以下两个方面： 一是政府数据治理[2，3] ;二是社会各层面或各行业的数据治理， 如教育数据治理[4] 、网络平台数据治理[5] 、金融数据治理[6] 等。 已有研究主要立足国家或社会的宏观层面来研究数据治理问题， 而很少从财务视角研究企业数据治理问题。 随着智能财务实践的深入， 财务即将成为天然的企业大数据中心， 海量数据构成的大数据世界使得传统治理已然无效， 企业财务大数据治理问题变得相当突出。

数据是生产要素， 必然会对企业价值创造产生重要影响。 企业借助“大智移云物区”等先进技术搭建智能财务平台， 智能财务背景下财务大数据不再只是企业内部的财务专业化数据， 企业财务数据由“小”变得无限“大”。 随着企业数字化转型步伐的加快， 企业财务大数据需要在价值网内有条件地“多向”流动， 企业财务大数据的边界在哪里， 如何让数据变得更有价值， 如何用数据驱动企业经营？ 可见， 企业财务大数据治理的研究已成为当务之急。 本文尝试从利益相关者的视角来解读企业财务大数据治理及治理路径， 以期發挥数据在企业价值创造中的重大作用。

二、企业财务大数据治理的理论支撑

（一）数字治理与数据治理

数字治理是数字化技术与治理理论融合下产生的新型治理模式， 包括数据治理、内容治理和数据管治等[7] ， 其概念外延相对比较宽泛， 一般用于宏观层面的社会、经济和资源的综合治理。

根据国际数据管理协会的定义， 数据治理是对数据资产管理行使权力和控制的活动集合， 是通过一系列信息相关的过程来实现决策权和职责分工的系统， 这些过程按照达成共识的模型来执行。 总的来说， 数据治理是利用数字化技术对数据使用的一整套管理行为[8] 。

与其他生产要素相比， 数据作为新型生产要素具有强烈的独特特征[9] ： 一是非排他性， 即不同的人可以同时使用数据， 互不干扰; 二是规模效应， 即在大数据技术的支撑下， 大数据的价值是随着数据量的增加而呈指数级增长的; 三是可再生性， 即数据可以无限次循环使用， 没有使用生命期， 没有损耗， 使用量越大反而越能进一步提升数据本身的价值; 四是渗透性强， 即数据本身的高流动性和无限供应的特征决定了数据可以和任何其他生产要素相结合， 渗透到各个领域， 真正做到数据连接一切， 与一切融合。 数据的独特特征在一定程度上决定了数据治理的高难度与复杂性。

（二）智能财务与财务大数据治理

智能财务是利用先进技术由“人机物”共同组成的混合智能系统， “人机物”多元协同共同完成财务管理工作。 智能财务通过对数据的分析与预测， 促进智能财务机器人“会思考”“能行动”， 实现利用智能技术推动企业高效运营。 可见， 如果数据不打通、数据标准不一致、数据质量不高， 智能财务就很难发挥作用， 因而数据治理是智能财务工作的基础。

在智能财务背景下， 企业海量经营管理数据实时生成， 并汇集到财务数据中心。 本文所指数据并不是财务专业数据， 而是智能财务平台中企业内部管理以及企业与客户、供应商、合作伙伴、金融、工商、税务等各种利益相关者互动的数据， 即包含了各类生产经营管理的财务大数据。 数据如何成为企业有价值的数据资产已成为必须面对的问题， 数据如何进行采集、加工处理及应用等治理问题也应运而生。

（三）利益相关者理论与财务大数据治理

利益相关者理论是在20世纪60年代逐步发展起来的， 其中最具代表性的论著是美国学者爱德华·弗里曼在1984年发表的《战略管理： 利益相关者管理的分析方法》， 该理论认为： 一个公司的发展是由一个利益相关者集群共同促成的， 而不是某些个体; 并且随着时代的发展， 物质资本所有者在公司中的地位会逐渐弱化[10] 。

财务大数据治理的目标是帮助提升企业财务大数据价值， 进而全面提高企业价值。 党的十九届四中全会中认定数据为重要的生产要素， 也就是认可了数据利益相关者可以参与由数据带来的利益分配。 因而， 企业财务大数据治理必然要理清有哪些利益相关者、利益相关者在数据治理中发挥何种作用， 以及如何进行数据利益分配等重要问题。 企业只有重视财务大数据治理， 充分认识到数据的巨大价值， 整合数据资源， 不断深挖数据潜能， 才能确保在数字化时代快速发展。

三、基于利益相关者视角的企业财务大数据治理

（一）利益相关者分类

利益相关者是指企业生产经营过程中存在利益分配直接或间接关系的群体或个人[11] 。 只有正视利益相关者群体的利益捆绑关系， 才能形成利益共同体。 在利益分配时需要同时考虑利益相关者的权力与利益的匹配关系， 从而决定其未来的利益分配地位。 根据Mendelow的利益相关者权力/利益矩阵， 可以从两个维度对利益相关者进行分析： 一是权力的大小， 其影响因素包括管理等级、影响力、资源控制能力、知识技能水平、执行参与度等; 二是利益的多少， 利益是指相关者利益与某项策略的相关程度[12] 。 具体如图1所示。

在图1所示的四个不同矩阵中： A区域意味着权力小、利益少， 一般是指那些较边缘化的利益相关者， 对企业最终决策影响不大; B区域意味着权力小、利益多， 一般是指对企业最终决策影响比较大的利益相关者， 其时刻关注自身利益， 并与企业保持良好密切的沟通; C区域意味着权力大、利益少; D区域意味着权力大、利益多， 这是企业决策的主要参与者。

（二）企业财务大数据治理的利益相关者分析

利益相关者是由“相关者”和“利益”两个方面组成的， 所以可以先分析企业财务大数据治理中所涉及的“相关者”， 再考虑其“利益”问题， 依此思路， 制成企业财务大数据治理利益相关者分析一览表， 如表1所示。

从表1来看， 企业内部人员、供应商、合作伙伴、客户是企业财务大数据的重要参与者与创造者， 也是企业财务大数据形成的核心， 竞争对手、银行等金融机构、工商和税务等政府机构对企业财务大数据的形成有一定影响， 其他利益相关方则影响不大。 在企业财务大数据治理中可能获得较多利益的是企业内部人员、工商和税务等政府机构、外部投资者、供应商、合作伙伴、银行等金融机构、行业协会、其他债权人。

（三）企业财务大数据治理的利益相关者分析转化

结合图1和表1， 从数据贡献和数据利益两个维度推导出企业财务大数据利益相关者分析转化， 如图2所示。

由图2可知， 企业财务大数据治理的利益相关者中获得数据利益最多的是企业内部人员、政府机构、外部投资者， 对企业财务大数据贡献最大的是企业内部人员、供应商、合作伙伴、客户， 这两类利益相关者是企业财务大数据治理中需要重点关注的。 其他利益相关者在一定条件下可能出现转化， 继而成为企业财务大数据治理的外部协作力量。

（四）企业财务大数据治理关系剖析

根据图2可以得出如下结论： 企业财务大数据治理中应重点关注的是A1、B1、C1、C2、C3区域的利益相关者。 在此基础上， 推导出企业财务大数据治理中主要会面对四个方面的关系： 关系一是企业内部人员、合作伙伴与供应商之间的关系; 关系二是企业内部人员、合作伙伴与客户之间的关系; 关系三是企业与工商和税务等政府机构、外部投资者之间的关系; 关系四是企业与竞争对手、银行等金融机构、行业协会等其他外部机构之间的关系。 具体如图3所示。

理想地说， 企业财务大数据治理中利益相关者的数据贡献与数据利益应该匹配， 或者说数据贡献与使用数据成本成反比。 如果把数据治理分为“建”“治”“用”三个层次， 则企业更希望与关系紧密的利益相关者组成数据利益共同体， 实现“共建”“共治”“共用”。 “共建”是财务大数据治理的基础建设， “共治”是财务大数据治理的过程管控与质量保证， “共用”是财务大数据治理的成果分享。

在关系一中， 其面临的问题是频繁的交易， 所以双方最关注的是交易成本与收益。 这层关系中的相关人员对财务大数据治理贡献最大， 也应该是收益较多的， 同时还是将来使用数据付出成本较低的群体。 因此， 针对这部分群体的工作重点应该放在“共建”与“共治”上。

在关系二中， 客户对企业财务大数据贡献大， 但收益少， 因而主要考虑如何让客户从数据贡献中获得共享收益问题。 将客户与企业绑成利益共同体， 就是要让客户充分意识到自己的购买行为也能为自己带来后续的效益， 客户将成为财务大数据治理中的较大受益者， 在此基础上对企业大数据建设做出更多贡献。 因此， 针对这部分群体的工作重点应该放在“共建”与“共用”上。

在关系三中， 政府机构迫切需要企业财务大数据来充实其自身的大数据， 企业财务大数据治理直接关系着他们自身的数据治理成效， 目前这层关系中存在的主要问题是权责不对等。 这些部门使用企业财务大数据是无成本的， 所以绝大部分企业不愿意与其对接财务大数据， 当然也有出于数据安全问题的考虑。 但只有企业财务大数据完全接入社会数据大轨道， 才会真正实现社会经济大数据。 政府機构及外部投资者应该是将来数据使用主要付出成本的对象， 否则就应该在企业财务大数据治理中发挥重要作用， 以投入换取应有的数据利益回报。 因此， 针对这部分群体的工作重点应该放在“共治”与“共用”上。

在关系四中， 只要找到共同的利益点， 这类利益相关者就都可能转化为合作者， 他们最关心的是合作机会或经济补偿。 这类利益相关者对企业财务大数据有一定影响， 可以考虑做好数据对接准备， 在一定条件下， 实现数据交易与合作等。 因此， 针对这部分群体的工作重点应该放在“共用”上。

四、基于利益相关者视角的企业财务大数据治理路径

华为联合全球权威的咨询与服务机构IDC发布的白皮书指出， 当前企业数字化转型数据仅涉及企业10%的管理数据， 90%的数据仍处于“沉睡”中。 目前大部分企业没有建立有效的数据治理模式， 缺乏数据治理的规划性指导， 也还未发现释放数据价值的“最优路径”， 导致数据价值无法变现。

企业财务大数据治理不仅是技术问题， 更是一项长期而复杂的系统性管理问题。 数据治理是指从数据采集、数据开发到数据应用等一整套的管理运行机制。 智能财务背景下数据成为企业的重要生产力， 深刻改变着企业的各个方面。 企业要适应数字化时代， 推动财务大数据治理， 着力构建高效的财务大数据治理体系， 形成数据治理的完整闭环。 企业财务大数据治理重点要解决如何建设有效的数据网络、如何让数据变得更有价值、如何利用数据驱动企业发展， 也就是需要重点关注数据采集建设、数据价值开发以及数据高效应用三个方面， 结合图3及关系分析， 企业财务大数据治理中利益相关方的作用与地位可归纳为表2。

由表2可知， 不同的利益相关者由于关注点不同， 在企业财务大数据治理中的作用和地位有较大差别。 对于关系一和关系二， 其目前仍是企业财务大数据治理顶层架构中应重点考虑的基本关系， 理想状态就是共建、共治、共用; 对于关系三和关系四， 可在数据采集建设中做好对接准备， 在一定条件下实现数据相通， 以丰富各自的数据库， 其在数据采集建设和数据价值开发中的作用较小， 在数据高效应用中主要是以数据交易或交换的形式出现。 总体来看， 数据價值开发（共治）主要是由企业自身完成， 这也是对企业内部管理能力的最大考验。

在数据周转全流程中， 数据应用是每个利益相关者都非常感兴趣的， 数据采集则需要利益引导和激励才可能达成共建， 而数据价值开发是最难的。 数据价值开发是关键环节， 其决定了企业能否提供个性化且适应市场需求的数据商品。 只有让所拥有的数据资源产生市场价值， 数据采集才有意义， 数据也才能得到高效应用， 否则财务大数据治理必然无法落实。

（一）财务大数据采集建设

数据采集建设是数据价值开发和数据高效运用的前提。 数据采集是用数据技术做支撑， 把物理世界转化为准确的数字化虚拟存在， 也就是将与企业相关的人、财、物、事等都虚拟化。 在企业财务大数据采集建设中， 如表2所示， 主要参与的利益相关者是关系一和关系二中所涉及的企业内部人员、合作伙伴、供应商和客户， 而关系三和关系四中的利益相关者参与较少。 企业要实现物理世界数字化必然需要投入大量软硬件， 数据采集建设是最基础的底层建设且成本最高， 类似于“基础设施建设”。

数据采集建设主要解决数据采集来源、数据采集协议和数据采集技术等问题， 最终形成数据仓库。 数据采集来源涉及所有数据的利益相关者， 其会随着数据利益紧密程度的变化而发生变化; 数据采集协议主要是约定采集规范及参与各方的权利与义务等; 数据采集技术主要是利用“大智移云物区”等先进技术完成采集工作。 数据采集建设中的采集工具或技术能够破解采集的关键难题， 数据采集协议能够打破数据壁垒、确保数据的多向流动。 企业只有完成数据采集才能将物理世界与数据世界进行有效融合， 才真正拥有数据仓库（如图4所示）， 管理运行才更加自动化和智能化。

1. 数据采集来源建设。 数据采集来源是指企业财务大数据产生的根源， 这些数据来源原本是孤立且散落的。 数据采集来源建设就是充分调动企业财务大数据利益相关者的积极性， 将零散数据之“沙”聚集成“塔”。 数据采集来源通畅后， 企业才能不断积累、丰富与重塑数据， 从而将财务大数据资源激活。 数据采集来源建设的利益相关者应尽可能多地包括企业所有数据利益方。

数据来源不充分， 就不能形成企业财务大数据。 加强数据采集建设主要采取的措施有： 第一， 共建数据价值链。 数据互联和共享， 意味着企业的传统边界正在消失， 企业与外部利益相关者的联系更加密切。 先进技术使得未来的竞争变成价值链竞争， 数据采集建设不只影响企业利益， 还涉及整个价值链上各方的利益。 所以， 只有做到企业、合作伙伴、供应商和客户价值链数据共建共治， 才能实现数据来源最大化。 第二， 缔结数据利益新契约。 数据共建需要将企业与利益相关者之间的接触点变为信任点。 例如， 对于关系二中的客户、关系四中的竞争对手等， 新契约中需要重新设计数据治理的有关条款， 将数据共同接触点变为利益信任点， 以吸引他们充分参与到数据采集建设中来。 第三， 关注数据治理后的长期效益。 数据采集建设应侧重于引导利益相关者关注数据建设的长期效益， 可以通过制定透明的数据治理机制， 激励各方共建共治， 将数据利益相关者的选择权置于数据交易之前， 以激发利益相关者的积极性。

2. 数据采集协议建设。 财务大数据打破了企业数据采集的壁垒， 数据更加多元且多样， 这就需要利益相关者各方达成相关的协议。 数据采集协议建设是指规范数据采集的流程、方式、标准、统计口径、数据产权等， 以确保采集数据的完整、准确与一致。 数据采集协议建设就是确保数据充分体现业务逻辑， 反映数据间的关系， 确保数据链与业务链的充分融合， 避免信息孤岛， 同时方便对数据的业务信息进行高度还原。 在数据采集协议建设中， 四种利益相关者关系（见表2）都会涉及， 且会根据数据利益的紧密程度及动态变化而变化。

如果不确立数据采集协议， 那么采集过来的数据仍然混乱不堪， 或再加工成本过高。 加强数据采集协议建设主要采取的措施有： 第一， 签订数据采集开放协议。 数据采集开放协议是指经数据利益相关者共同认可， 在一定的数据治理框架下， 利用数字技术采集企业内外部数据， 打破物理边界与管理边界， 把企业所有经营管理数据及产业链数据集成一体， 形成企业财务大数据生态网络。 第二， 建立数据采集顶层系统架构。 顶层系统架构需要考虑每个系统的功能以及跨系统间的处理、系统间协同等问题， 建立数据自动循环框架， 周而复始， 最终实现企业自身数据的管理和优化。 顶层系统架构还要考虑数据的多点自动采集， 全程共享， 实现所见即所采， 以及后续加工、交易及应用等全过程， 规范数据采集的方式、标准、流程等细节。

3. 数据采集技术应用。 数据采集技术应用是从技术层面构建核心数字化平台、数据库、终端设计等， 需要从数据算力、算法、存储、网络等各个维度加强技术支撑。 数据采集技术应用的利益相关者应该涉及企业所有数据利益各方， 合作各方只有做到技术对接， 才可能实现数据采集对接。

数据采集技术是数据采集成功的根本保障， 需充分利用“大智移云物区”等先进技术， 实现对各种形态数据、各种来源数据的采集。 加强数据采集技术应用主要采取的措施有： 第一， 数据网络建设。 物联网技术实现了万物互联互通， 人、机、物都成为企业财务大数据的重要来源。 利用5G技术还可以提升数据周转效率， 打造数据高速公路。 区块链实现了无边界的数据信任， 进一步拓展了数据采集边界， 有利于开放性财务生态的形成。 第二， 数据算法建设。 运用大数据技术采集结构化、半结构化和非结构化数据， 以及企业内部数据和外部数据等产业链上下游全部数据， 后期还需接入社会、行业数据等。 人工智能技术为数据挖掘算法“插上了腾飞的翅膀”， 大大拓展了数据在各个领域的应用。 第三， 数据算力与存储建设。 云计算满足了对海量数据的分析处理需要， 帮助企业更快地从海量数据中找到决策有用的数据， 极大地提升了数据算力。 应用云计算技术搭建的云平台， 使得数据存储实现高性能、弹性可扩展和低成本， 解决了数据存储之忧。

（二）财务大数据价值开发

从宏观上来说， 数据价值体现在数据技术和数据资源本身， 绝大部分公司立足于数据资源本身， 即数据价值开发是最核心的。 数据价值开发是对原始数据进行“再加工”， 使数据变为数据资产， 让数据资源变得更有价值。 在企业财务大数据价值开发中， 如表2所示， 主要参与的利益相关者是关系一和关系三中所涉及的企业内部人员和政府机构， 而关系二和关系四中的利益相关者参与较少。 數据价值开发是数据得以应用的根本保障， 也是最考验企业管理“内功”的过程。 政府机构在企业价值开发中的主要作用是提供数据开发的标准或指导意见。

数据价值开发主要解决数据处理、数据管理和数据制度建设问题， 最终把数据原料加工成可供应用的数据产品。 数据处理实现数据筛选， 数据管理提升数据赋加值， 数据制度建设确保数据有序流转。 企业财务大数据只有按照一定流程进行处理和管理， 数据质量才有质的提升， 数据真正有了价值， 才会到达数据货架（如图5所示）， 等待后期应用。

1. 数据加工处理。 不同来源的数据在命名、编码、取值上存在较大差异， 不同管理要求产生的数据维度、口径也有差异， 这些都会造成数据规范不统一， 同时还可能存在大量数据垃圾， 严重影响数据质量和应用。 数据加工处理主要是从实际应用角度出发， 遵循一定的数据处理标准， 利用技术手段实现数据清洗、再加工， 保留完整有用的数据。 数据加工处理过程中的利益相关者主要是企业自身。

数据加工处理的核心就是要实现数据的有用化与标准化， 使数据作为“标准化语言”适应不同应用场景。 强化数据加工处理主要采取的措施有： 第一， 统一数据标准。 现阶段， 各组织数据存在较大差异， 不利于数据共建共用， 阻碍了数据资源的高效利用。 企业应在数据利益相关者间签订的开放协议基础上， 统一数据概念、数据标识、数据编码、数据标准、数据口径、数据维度、数据逻辑等， 构建数据全流程的通用语言， 同时明确数据收集主体的唯一性， 避免多头重复收集。 企业在消除内部数据生态网络中数据差异化的基础上， 进一步关注监管部门和行业规范的具体要求， 逐步消除外部数据差异， 确保数据质量。 第二， 规范数据加工。 各种类型、各个渠道的数据杂乱无章， 保证数据质量需要进行数据加工和处理。 企业要按一定的规则对所有数据进行数据清洗， 去除无用数据， 保留有价值的数据， 确保数据原材料的质量， 提升后期加工的效率， 这可以为后期数据挖掘、数据分析及数据可视化等数据商品的深加工处理奠定基础。

2. 数据质量管理。 数据质量管理有助于全面、持续提升数据质量， 是对数据的“深加工”， 同时可提高数据赋加值。 数据质量管理能够保证数据的高度相关性， 真正发挥数据价值， 为数据应用推动企业管理打下良好基础。 数据高赋加值的产生往往不是在数据加工处理环节， 而是在数据质量管理环节， 数据质量管理可以通过管理数据给企业带来效益。 数据质量管理过程中的利益相关者主要是企业自身。

优化数据质量管理的主要措施有： 第一， 加强数据资源目录管理。 企业应按照一定的逻辑对数据资产进行集中管理， 建立全局性的数据架构， 并建立数据资源目录， 梳理数据结构层次。 数据资源目录能够对所有数据资源进行简单的描述， 以进行数据检索， 方便管理层掌握数据资产的管理现状。 同时， 数据资源目录提供数据资产管理的显性应用入口， 实现数据资产的可见、可管与可用。 第二， 加强数据质量全过程管理。 数据质量提升就是依据数据质量管理机制以及数据质量管理工具， 从数据源头出发， 对数据加工、存储、输出等全流程中存在的问题进行识别、监控及预警等， 同时提出有针对性的解决方案， 并建立数据质量长效机制。 数据质量提升确保了数据的完整性、准确性、及时性、合理性、有效性等， 加强了数据质量的过程及结果控制。

3. 数据安全制度。 数据安全制度可确保数据在企业内外部的高效、有序流转， 提高数据应用效果和保障数据利益相关者权益。 数据成为资产后， 由于其特殊性， 更加要重视其安全管理制度， 没有数据安全制度作保障， 前期所有的努力都会白费， 数据资产可能变得一文不值。 数据安全制度的利益相关者应涉及企业所有数据利益各方。

数据安全制度是确保数据得以治理的制度保障， 健全数据安全制度的主要措施有： 第一， 建立数据分级分类管理制度。 数据分级分类管理制度是为了形成更加合理的数据流动管理， 通过制定分级标准， 明确各层级不同利益相关者的权利与责任。 不同层级数据采取差异化的应对措施， 方便实行数据精细化管理， 有利于对数据留存、数据泄露等建立应急机制。 第二， 建立数据安全制度。 数据开放与共享提高了数据透明度， 但同时也非常不利于数据安全。 企业财务大数据直接关系到企业的竞争与发展， 应严防数据共享中的泄露与不当使用。 数据安全是企业财务大数据治理的底线。 数据安全制度是指每条数据链上的参与者都需要明确数据交换、分享和运用时的具体规范， 不能损害其他利益相关者的利益， 也不能为数据治理带来额外的成本与风险。 数据安全是数据能被科学、合理、守规和便利地分享与运用的基本前提。 例如， 在数据采集环节， 应明确告知数据采集的范围、目的和方式， 在获得授权后方可采集， 不能私自采集数据。 在数据存储环节， 需要采取技术手段对原始信息进行脱敏处理， 对关联性较高的数据进行分散存储， 严格控制访问权限。 在数据使用环节， 借助安全技术， 仅向外提供脱敏后的处理结果。 第三， 建立数据监管制度。 数据监管就是在数据传输、交易及使用各个环节中避免被第三方非法盗取、破坏或滥用， 实现数据全流程的监控和追溯。 企业财务大数据应实行统一监管， 构建较为安全的传输协议， 加强数据安全防护技术。 此外， 还需要重视数据主权， 对于侵犯数据主权行为， 应及时予以回击并诉诸法律。

（三）财务大数据高效应用

数据治理的最终目的是数据应用。 财务大数据高效应用是指在各方数据权益得到有效保障的前提下， 把数据管好、用好， 释放数据潜能， 实现用数据驱动企业经营， 确保数据利益共享、交换、交易与分配。 在财务大数据应用中， 如表2所示， 主要能够实现数据共享利益分配的利益相关者是关系一和关系二中的企业内部人员、合作伙伴、供应商和客户， 关系三和关系四中的工商和税务等政府机构、银行等金融机构和行业协会等外部相关人都是通过交换、交易等方式参與数据应用。

财务大数据高效应用主要是解决数据利益相关者在驱动经营、共享交换、定价交易和利益分配环节未能权衡数据贡献与利益问题， 而尽量做到数据贡献与数据利益匹配（见图6）。 驱动经营是数据在企业内部运用， 共享交换是数据在部分利益相关者之间共享或交换， 定价交易主要是数据面向市场自由买卖， 利益分配主要是数据利益相关者对数据所带来的利益进行结算。

1. 数据驱动经营。 数据驱动企业经营是企业进行数字化转型的根本目标， 也是智能财务发挥作用的最好体现， 同时还是每个数据利益相关者都想实现的终极目标。 只有实现了数据资源全场景运用， 数据价值才能得到最好的体现。 数据驱动经营的利益相关者涉及企业所有数据利益各方。

实现数据驱动经营的主要方式有： 第一， 实时数据提供。 智能财务逐渐实现了数据即时提供， 财务不再是事后查找原因， 而是实时支持。 财务更加高效、精细地全程参与企业一切管理决策和过程性管控。 特别是实时可视化呈现很有视觉冲击力， 更加有利于业务提升和管理改进。 第二， 数据挖掘。 数据挖掘主要是针对不同管理需要， 对数据进行整合与重构， 提供个性化数据分析， 寻找数据背后有用的商业信息和内在规律， 不断挖掘数据在企业组织、流程等方面的重要作用， 拓展数据使用的广度与深度， 为企业创新发展寻找机会。 第三， 智能决策支持。 企业管理就是一切决策的过程。 智能决策就是利用人工智能实现对数据的收集与整理、制定可能的方案、选择合适的行动方案以及跟踪方案执行的全过程， 以适应瞬息万变的市场环境。 比如， 通过经营算法设计有关模型自动预警来实现经营管理智能化决策， 提高财务大数据治理的预测与决策“准确率”， 从而降低决策风险。

2. 多元共享与交换。 多元共享与交换是指， 对于与企业在数据采集、价值开发中有数据利益关系的外部应用需求方， 企业在处理与其的关系时所采取的方式， 且共享与交换在特定的情形下可能会发生转化。 数据利益共享的利益相关者主要是在数据采集与价值开发过程中作用比较显著的参与各方， 如合作伙伴、供应商等; 数据利益交换的利益相关者主要是在数据采集与价值开发过程中作用不明显的各方， 如工商和税务等政府机构、银行等金融机构、行业协会等。

实现多元共享与交换主要采取的方式有： 第一， 多元共建共享。 数据的开放意味着每条数据链上的人员都可能既成为数据的采集者， 又是数据的使用者。 多元共建共享就是鼓励数据利益相关者加入数据提供者行列， 以极大丰富企业财务大数据资源。 对于提供数据的使用者， 应共享部分数据使用权利， 即数据共建的责任与共享的权利应做到匹配， 而只共建不共享的可以考虑把共建投入进行折现奖励， 同理不共建只共享的只能多付出数据使用成本。 第二， 与社会大数据融合。 企业财务大数据应该在合适的时机与社会经济大数据进行对接。 企业财务大数据在为社会经济宏观发展决策做出贡献的同时， 也可以根据社会大数据创造的收益对企业进行适当奖励， 或者换取企业自身发展所需的经济发展大数据， 进而促进企业发展。 企业财务大数据与国家、政府、行业数据融合也体现了企业与社会共建共享、相互促进的关系。 第三， 数据共享与交换。 数据共享也可以表现为交换的特殊形式。 在一定的交易条件下， 数据作为特殊的商品可以进行共享与交换， 在一定数据范围内针对特定对象， 数据可以实现交换， 对于数据交换的申请规则、使用方式、使用规范等都应有明确规定。

3. 数据定价与交易。 数据定价与交易是指， 对于与企业在数据采集、价值开发中无数据利益关系的外部应用需求方， 企业在处理与其的关系时所采取的方式。 数据充分“流动”才能发挥作用， 而数据产权界定是数据“流动”的前提， 数据“流动”最市场化、最公平的方式就是交易。 数据定价与交换主要是当无法满足共建共享或信息交换需求时， 数据应用供需双方可以考虑进行数据交易， 遵循相应的规则、规范， 按合理的数据价格， 即数据面向公开市场， 各买所需。 2020年中共中央、国务院发布《关于构建更加完善的要素市场化配置体制机制的意见》， 明确提出加快数据要素市场培育。

企业应盘活数据资产， 加快数据流动， 而不能任由数据资源沉淀。 企业可以提供加工后市场所需的数据商品以供出售， 持续变现数据价值。 数据定价与交易主要采取的措施有： 第一， 合理进行数据定价。 数据只有经过合理定价， 才能在市场上交易， 也才能完成资产的真正使命。 目前数据市场定价较为混乱， 没有明文规定。 企业应对接市场需求， 依据数据处理成本和可能带来的收益， 合理确定数据商品的价格。 第二， 遵循数据交易规则。 借鉴国内外数据交易案例， 加入已有的数据交易平台， 熟悉运营体系、交易模式、交易准入等环节的相关规则。 学习有关地区的先试经验， 进一步完善数据交易规则， 合理扩大企业财务大数据资产的有效交易。 第三， 推动数据交易规范。 目前我国还未出台针对数据交易的专门法规， 也无数据交易规则和标准指导。 随着贵阳大数据交易所、北部湾大数据交易中心的成立， 交易所对大数据交易标准进行了积极探索， 在一定程度上推动了国内数据交易的规范化发展， 企业也需要在实践中提出数据交易相关的意见和建议。 各数据交易中心从由政府主导逐渐变为政企合作模式， 交易中心由单纯的交易更多地往数据共建、利益共享等方向转变。

4. 数据利益分配。 财务大数据高效应用包括企业内部应用与对外交换与出售等， 数据利益分配主要针对数据商品流转过程中所带来的直接或间接数据利益进行结算， 利益分配的基础一般为数据利益相关者拥有的数据资源数量、数据贡献度和数据互动有效性等。

数据利益分配的基本准则有： 第一， 以数据资源数量为分配基础。 既然数据是生产要素， 那么最简单的数据利益分配基础就是所拥有的數据资源数量。 这种方式能最大程度地保护数据资源所有权， 对于进一步明确数据的归属权有着较为积极的意义。 第二， 以数据贡献为分配基础。 在数据全流程中， 有很多群体或个体为数据做出了自己的贡献， 在进行共享利益分配时， 可以考虑以数据贡献大小作为分配基础， 这样可以充分调动数据链上所有参与者的积极性。 第三， 以数据互动有效性为分配基础。 先进技术使得每条数据互动都能找到最早的痕迹， 数据互动有效性有时会给企业带来较高的利益。 例如， 消费者的数据反馈对企业盈利和商业模式的影响比较大， 特别是有些消费建议还会给企业带来改革灵感， 应该给予相应的利益， 让消费者最大程度地贡献自己的个性化智慧， 这也能促进更多有效数据的产生。

五、结论

数据是新型生产要素， 谁掌控了数据主动权， 谁就可以获得市场先机。 智能财务高效收集并处理企业产业链上的各种数据， 财务数据由“小”数据转为产业链“大”数据， 财务成为企业财务大数据的枢纽。 有数据必然存在数据治理， 数据治理是研究企业财务大数据采集、开发和应用的一整套管理机制， 应通过建立数据标准、提高数据质量， 实现数据共享与交易， 从而更好地发挥数据商业价值。

企业财务大数据治理是一项长期的管理过程， 这一管理过程必然涉及很多利益相关者。 本文结合利益相关者理论， 从数据贡献和数据利益两个维度深度剖析了企业财务大数据治理中利益相关者所在的矩阵区域， 分析了不同利益相关者在企业财务大数据治理中的作用和地位， 重点论述了数据采集建设、数据价值开发和数据高效应用的数据治理基本路径， 在一定程度上厘清了企业财务大数据虚拟化、数据价值化和数据驱动经营三个方面的问题。 数据治理是智能财务坚实的基础， 只有做好企业财务大数据治理， 才能让数据赋能企业现代化管理， 帮助企业尽快完成数字化转型， 真正落实数据创造价值， 进一步推动企业健康发展。

【 主 要 参 考 文 献 】

[1] 新华网.数字经济将开启哪些新赛道？——展望数字化赋能经济高质量发展[EB/OL].https：//www.xinhuanet.com/food/2020-04/24/c_1125900227.htm，2020-04-24.

[2] 曹惠民，邓婷婷.政府数据治理风险及其消解机制研究[ J].电子政务，2021（1）：81 ～ 91.

[3] 侯雪言.政府治理创新：数据治理促进公共文化服务体系效能提升研究[ J].领导科学，2020（9）：35 ～ 37.

[4] 王正青，但金凤.如何构建教育数据治理体系：美国肯塔基州的成功经验[ J].现代远程教育研究，2021（1）：30 ～ 39.

[5] 陈荣昌.网络平台数据治理的正当性、困境及路径[ J].宁夏社会科学，2021（1）：72 ～ 80.

[6] 沈一飞，郭笑雨.数字经济与金融数据治理[ J].中国金融， 2020（11）：32 ～ 33.

[7] 郑功成.用共享发展引领社会治理[ J].社会治理，2017（2）：30 ～ 35.

[8] 徐宗本，冯芷艳，郭迅华等.大数据驱动的管理与决策前沿课题[ J].管理世界，2014（11）：158 ～ 163.

[9] Viktor Mayer-Schönberger，Kenneth Cukier著.周涛译.大数据时代：生活、工作与思维的大变革[M].杭州：浙江人民出版社，2012.

[10] 爱德华·弗里曼，杰弗里·哈里森，安德鲁·威克斯等著.盛亚，李靖华，王节祥等译.利益相关者理论现状与展望[M].北京：知识产权出版社，2013.

[11] 曼瑟尔·奥尔森著.苏长和，嵇飞译.权力与繁荣[M].上海：上海人民出版社，2016.

[12] 孙芳城，黄辉，蒋水全.会计转型与经济发展：机遇与挑战——中国会计学会高等工科院校分会第24届学术年会综述[ J].会计研究，2018（3）：94 ～ 96.

[13] 搜狐网.贵阳大数据交易所成为国家“大数据交易标准试点基地”[EB/OL].https：//www.sohu.com/a/78595648_398084，2016-05-30.