企业数据资产价值评估影响因素研究

摘 要：数据资产是企业一项重要的战略资源，影响着企业的生产经营和决策，对数据资产价值进行合理评估能够促进企业更好地管理和运营数据资产。由于与传统资产的特性不同，影响数据资产价值评估的因素也不同。为了研究数据资产价值评估的影响因素，文章运用扎根理论对搜集到的质性材料进行分析并逐级编码，发现数据资产的成本、数量、质量、应用过程以及交易过程中存在的风险都对数据资产价值评估具有重要影响。文章通过寻找各影响因素并分析其对数据资产价值评估的影响路径，以期为科学合理的评估数据资产价值提供方向。由于调查样本的局限，不能穷尽影响数据资产价值评估的所有因素，还需要在实践中不断探索和完善。

关键词：数据资产；影响因素；扎根理论；数据质量；价值评估

一、引言

随着数字经济的发展，数据成为了一种新的生产要素。2019年11月，党的十九届四中全会明确提出，要将数据纳入要素范畴，并鼓励其作为生产要素参与分配。随后，在2020年4月出台的《关于构建更加完善的要素市场化配置体制机制的意见》中，首次将数据与土地、技术、资本和劳动力等传统要素并列为要素之一写入文件，强调要加快培育数据要素市场。作为一项新的生产要素，数据已经在生产生活的各个方面展现出了它的不可或缺性，这也极大地促进了数据资产价值评估方法的发展。然而，数据资产本身的特性与传统资产之间有着明显区别：可复制性、无磨损性、非排他性等特征的存在使得对数据资产价值进行评估不能简单照搬传统资产的价值评估方式，而应当与传统资产进行区分，通过对影响数据资产价值的因素进行分析，从而探索适合数据资产价值的评估模型。而由于数据资产本身的特性以及当前所面临的应用环境的复杂性，不同因素影响下的数据资产的价值评估也有所不同，在此背景下，为合理评估数据资产价值，对数据资产价值评估的影响因素进行研究具有重要意义。

二、研究进展

1974年，Richard E.Peters最早提出“數据资产”的概念，其后，Tony Fisher又基于大数据的背景，从数据的资产属性出发，明确指出“数据是一种资产”，其含义与我们现在所理解的数据资产更为贴合。就资产而言，其核心特征主要包括三点：过去的交易或事项形成的、企业能够拥有或控制的、未来的收益，因此，各文献中对于数据资产的定义大都在结合数据特性的基础上，围绕着资产的定义来展开。刘绪光等人对数据资产的概念阐释包括三部分：即合法获取、由企业或个人产生并影响其未来决策、预计能为企业或个人带来经济收益的各类数据资源；秦荣生对数据资产的定义则更加贴合IASB关于资产的定义，认为数据资产是由过去的事项产生的，并且有潜力为企业产生未来经济利益的一种现时数据资源；侯彦英则将数据资产分为三层，即：广义数据资产、管理学或统计学意义上的数据资产以及会计学意义上的数据资产，而对于数据要素市场而言，能够成为参与分配的要素之一并参与到要素生产活动中去的则是会计学意义上的数据资产。总体来说，关于数据资产的定义都是会计关于资产概念的延伸，虽然表述各有不同，但其内在含义大都相同。随着大数据时代的到来，“数据即资产”的说法开始被广泛提及，人们越来越多的开始关注将数据作为一种资产，其价值该如何评估。然而由于其本身区别于其他资产的特性和当前所面临的应用环境的复杂性，影响其价值评估的因素也较为复杂，通过对过往文献进行整理分析，笔者发现在现有成果中未见与“数据资产价值评估影响因素”直接相关的文献，只有少部分学者在对数据资产价值进行评估时对其影响因素进行了讨论，而这些讨论通常是基于某一个或几个方面来进行的，没有对其影响因素进行系统性和概括性的分析。除此以外，关于数据资产的讨论中，大部分学者都是针对其概念阐释、确认计量、价值评估等方面进行的探讨，少有学者专门对数据资产价值评估的影响因素进行讨论。

三、研究方法与数据

1.研究方法的选择

由于数据资产本身的特性以及现在所面临的应用环境的多变性，使得影响数据资产价值的因素更加复杂，从而加大了数据资产价值评估工作的难度。但是在现有文献中，缺乏针对数据资产价值评估的影响因素进行分析的理论模型，而扎根理论则通过对数据资料事实进行阐述来完成编码，进而归纳演绎出相关的理论，能够对影响数据资产价值的因素进行归纳总结，并分析其对数据资产价值评估的影响路径，从而为科学合理的评估数据资产价值提供方向。因此本文采用扎根理论的方法来进行研究。

2.数据收集与分析

根据扎根理论对数据资料真实、可靠的要求，本文采取半结构化访谈的方式进行数据收集，考虑到不同受访者学历、认知等方面的不同以及对研究问题认识程度的不同，本研究选择的受访对象为本科及以上学历，且曾从事与数据交易相关或拥有一定该方面知识储备的人。根据扎根理论要求，该访谈预计人数为20人-30人，经整理，实际有效访谈人数为26人。

四、基于扎根理论的编码

通过对访谈资料的梳理，最终得到10万余字的访谈记录，随机抽取2/3的资料（17份）进行编码处理和模型构建，获得了成本维度、数量维度、质量维度、应用维度和风险维度五个主范畴，另外1/3的数据资料（9份）则留作进行理论饱和度检验。

1.开放式编码

首先对原始资料进行开放性编码。开放性编码是一个由分散到归纳的过程，通过将搜集到的原始资料拆分成独立的句或段，根据每个独立句段特点或程度的不同为其贴上标签，形成多个不同的“概念”，然后对这些概念进行比较分析，将特点相同或程度相近的句段进行归类，最终形成“范畴”，这种漏斗式的由分散到集中的过程就是“概念化”至“范畴化”的过程。本文通过对原始资料进行逐句分析，共获得原始语句542条，并根据其含义的不同贴上标签，将语义相近的标签整合到一起，最终总结出49个概念（aa1-aa49），并将其提炼为11个初始范畴（A1-A11）。

2.主轴编码

主轴式编码就是在开放式编码的基础上建立已有范畴之间的关系，通过不断比较的方法将近似范畴链接在一起，从而提取主范畴以及副范畴。本文通过对已经形成的概念范畴进行合并，发现和建立各概念范畴间的相互关系，将11个范畴聚类形成5个主范畴，使其具有更强理论性。（见下表）

3.选择性编码

选择性编码是对原始数据资料进行分析处理的最后一个阶段，该阶段主要是对主轴编码中形成的主范畴进行整合和凝练，挖掘出一个核心范畴，将该核心范畴与主范畴相联系，并验证它们之间的关系。在该阶段，通过对各范畴间关系的梳理，本文将“数据资产价值评估影响因素”作为核心范畴，并以其为基础，围绕其他范畴与核心范畴的联结关系，构建了数据资产价值评估影响因素的理论模型，其主线概括为“质量—应用—价值评估”（见下图）。

4.理论饱和度检验

本研究用另外三分之一的资料数据进行理论饱和度检验，结果顯示，该模型中的范畴已经发展得很完善，未发现有新范畴、新概念的产生。由此认为，上述“质量—应用—价值评估模型”在理论上是饱和的。

五、结果分析

通过上述分析发现，“质量—应用—价值评估模型”能够有效地解释数据资产价值评估的影响路径。具体来说，数据资产价值评估影响因素可以归纳为五个主范畴：成本维度、数量维度、质量维度、应用维度和风险维度，但每个主范畴对数据资产价值评估的影响路径各不相同，总的来说，高质量的数据资产通过应用过程来实现数据价值，成本维度和数量维度在“质量—应用”过程中起调节作用，风险维度在“应用—价值”过程中起保障作用。具体影响路径如下：

1.“质量-应用”路径

（1） 数据资产质量的高低决定了数据是否可以被应用

数据质量是影响数据价值生成的关键因素。在数据质量这一主范畴下，有数据相关性、时效性和准确性三个影响因素，相关性包括各数据集之间的相关性以及数据或数据集与需求方使用目的的相关性，如果各数据集之间不相关，就会产生数据割裂或出现数据孤岛，从而无法发挥它的价值；如果数据或数据集与需求方的使用目的不相关，那么对于该数据使用者而言，这份数据则毫无用处。时效性是影响数据资产质量高低的一个重要特性，它包括了时间上的及时性和内容上的适时性。高质量的数据资产首先应当具备及时性，同时，适时性也是数据高质量、高时效性的一个体现。有些数据即便不是最新的，但由于它对现时情况有一定的参考意义，因此同样有其价值所在。准确性也是判断数据资产质量高低与否的重要因素，准确的数据更能为使用者提供指导作用，直接影响着数据使用的结果如何。因此，质量是数据应用的基石，只有高质量的数据才能够投入到应用过程中，从而产生价值。

（2） 数据资产数量在该过程中起正向调节作用

数据数量维度涵盖了数据的容量及其广泛性。数据交易一般是以数据集的方式进行，而非单个的数据交易，通常来讲，数据容量越大，在使用过程中所能获取的资料就越充分，其价值也应该越大。但值得注意的是，这种容量差异所导致的价值差异，通常是以数据质量为基础的。当数据符合一定的质量要求时，数据容量越大，越容易投入应用过程中，其所能产生的价值就越大；而当该数据质量不符合其使用要求时，大量的数据反而会产生数据冗余，不但不能为企业提供价值，反而会因其管理和存储问题为企业带来负担。数据的广泛性是指数据所包含的种类多少，越多的数据资产种类相互结合通常能产生的资产组合也越多，也就能够为组织或个人带来更多的使用价值。

（3） 数据资产成本在该过程中起正向调节作用

在成本价格理论中，生产成本定位了商品的最低价格，是决定一件商品价格的基础因素，对于数据资产而言，成本同样对其价值评估有所影响。在成本维度范畴下，影响数据资产价值评估的因素主要分为初始成本和后续成本。对于外购的数据而言，初始成本主要是购买成本，对于企业内部产生的自行加工的数据而言，初始成本则主要是在选取有用数据的过程中产生的筛选成本。这些成本是企业在获取数据过程中直接产生的，也应当是最终获取的数据资产价值的一部分。后续成本包括加工成本和存储成本，数据本身的价值在于其蕴含的知识和信息，只有对这些知识和信息加以处理，才能投入到应用过程中以使其价值得到实现，而在处理的过程中，就产生了加工成本以及加工前后对大量数据进行存储的成本。通常而言，越精细化的数据，处理过程越复杂，其耗费的成本也越高，但同时由于其资产质量相对较高，因此更容易被投入到应用过程中去，从而会产生更大的价值。

2.“应用-价值”路径

（1） 数据资产的应用是高质量数据资产实现价值必不可少的过程

数据的应用价值是影响数据资产价值评估的决定性因素，应用价值越高，其价值就越大。在效用价格理论中，数据被作为一种普通商品来看待，买方为该商品支付费用的意愿是建立在该商品具有一定使用价值的基础上的，因此，数据使用价值的大小决定数据价值的高低。而在数据使用过程中，买方对数据的个人需求和偏好的不同以及买卖双方对于该数据资产的价值认同往往影响着数据的应用价值。

①买方的个人偏好对数据资产价值的影响。对不同使用者而言，同样的大数据其价值是不同的，经挖掘分析后所形成的数据资产对不同主体而言价值也是不同的，有的使用者如获至宝，有的主体则认为只是负担，其原因在于数据的协调性和数据需求方的广泛性。协调性是指不同的数据集组合其价值也不同，这使得数据资产具有范围经济的特征，不同的数据组合在一起所带来的效用大都各不相同。而在数字经济发展的今天，数据的需求方也比较广泛，他们的能力、知识储备、信息储备以及购买数据的目的各有不同。因此，对于普通商品或资产来说，在创造初期，其功能或用途就已经确定了，购买同一件商品的买方通常具有同样的使用需求，而数据资产的需求方则依据其个人或企业特点，对不同的数据组合产生了不同的偏好。通常而言，个人偏好越强，该数据组合针对其主体来说价值往往越高。

②买卖双方的信息不对称性对数据资产价值评估的影响。在传统商品交易中，同一件商品的使用价值是既定的，买卖双方对此都有高度的认同感，但在数据资产交易中，买卖双方对该资产到底具有多大价值很难形成统一认识。由于数据资产体量大、内容多样且具有较强的不确定性，因此如果买方不能在交易前充分详细的了解该数据资产的信息，那么该数据能带来多大的效用价值对于买方而言是不确定的。可一旦买方充分了解了该信息，那么购买一份已知的数据对其而言就失去了意义，因此该数据的价值也就大打折扣了，也就是说在交易过程中产生了“信息悖论”。这种买卖双方之间的信息不对称影响着数据资产在应用过程中的价值转化，导致二者在数据价值方面难以达成一致，从而影响了该数据资产价值的评估。

（2） 风险维度在该过程中的影响路径

风险维度是评估数据资产价值高低的外部影响因素，对“应用—价值”过程產生影响。当交易过程中买方所感知的风险越大，那么他对该数据的偏好程度则越小，对于买方而言，该数据的价值就会有所降低。风险维度数据资产的风险主要源自于所在商业环境的技术保障程度、法律限制程度和道德约束力度。一定的技术保障程度代表了企业保护数据不被破坏和窃取的能力，该能力越强，数据自身的安全性就越高，就越容易为企业产生更稳定的价值贡献。法律限制程度对企业数据资产价值实现有两方面的作用，一方面，较为明确的法律限制能够推动数据合规和数据安全产业的发展，降低了由于法律界限不明确而导致的违规交易；但另一方面，从实际效果来说，绝对的数据限制同时也影响着数据资产的价值。道德约束力度也是风险维度的一个方面，主要指来自社会舆论压力的风险等。它通过社会公众对企业形象和信任程度的反馈来督促企业，从而使其能够合理恰当地使用和交易数据，以免对数据资产和企业本身的价值带来负面影响。

六、结语

本文围绕数据资产价值评估影响因素，运用半结构化访谈进行原始资料收集，并通过后期归纳整理，运用扎根理论构建数据资产价值评估影响因素的理论模型，得出影响数据资产价值评估的因素，并对其影响路径进行了阐述。本文的研究可以为评估数据资产价值提供思路和依据，同时可以为企业提高自身所拥有的数据资产价值提供有效建议，具体如下：其一，企业在评估数据价值的过程中首先要以质为主，质量则决定着数据是否能够被使用；其二，在保证数据质量的基础上，尽可能扩展其容量和广泛性。数据的自生性和网络外部性决定了在满足其质量要求的前提下，越多的数据参与到应用过程中，越能产生更大的价值；其三，针对交易对象的不同，采取差异化产品和价格。由于数据交易过程中买方的个人偏好和交易双方对数据价值的认可程度不同，在不同的应用场景和交易机制下，企业可以合理区分买方异质性，根据各数据组效用的不同和买方需求及风险容忍程度的不同实行价格区分；其四，技术创新、制度建设与道德约束并重。为推动数字经济发展和数据交易，国家先后出台了一系列法律法规和具体政策，对于维护数据资产交易过程的安全发挥了重要作用。但同时，数据资产的交易安全问题不但需要制度保障，更需要技术推动和道德约束，在数据交易安全方面加大技术投入，保障数据资产交易安全对企业资产价值的提升尤为重要。同时尊重客户隐私，恰当地使用企业收集的各种信息，从而降低数据资产交易过程中可能产生的风险。

参考文献：

[1]谭明军.论数据资产的概念发展与理论框架[J].财会月刊，2021（10）：87-93.

[2]刘绪光，郑旭，方晓月.数据资产、数字账户与数据交易流转机制[J].银行家，2020（11）：111-114.

[3]秦荣生.企业数据资产的确认、计量与报告研究[J].会计与经济研究，2020，34（06）：3-10.

[4]侯彦英.数据资产会计确认与要素市场化配置[J].会计之友，2021（17）：2-8.

[5]王建明，王俊豪.公众低碳消费模式的影响因素模型与政府管制政策：基于扎根理论的一个探索性研究[J].管理世界，2011（04）：58-68.

[6]魏国辰，陈宇恬，王焕焕.基于扎根理论的零售企业数字化转型影响因素[J].商业经济研究，2021（19）：41-43.

[7]柯平，张文亮，李西宁，唐承秀.基于扎根理论的馆员对公共图书馆组织文化感知研究[J].中国图书馆学报，2014，40（03）： 37-49.

[8]孙俐丽，吴建华，袁勤俭.B2C企业数据资产质量影响因素研究[J].情报理论与实践，2017，40（07）：99-102+98.

[9]翟军，李晓彤，苗珍珍，李剑锋.我国开放政府数据“脏数据”问题研究及应对：地方政府数据平台数据质量调查与分析[J].图书馆，2019（01）：42-51.

[10]王刊良.数字化产品的经济特征、分类及其定价策略研究[J].中国软科学，2002（06）：59-63.

[11]胡燕玲.大数据交易现状与定价问题研究[J].价格月刊，2017（12）：16-19.

[12]熊巧琴，汤珂.数据要素的界权、交易和定价研究进展[J].经济学动态，2021（02）：143-158.

[13]唐斯斯，刘叶婷.我国大数据交易亟待突破[J].中国发展观察，2016（13）：19-21.

[14]冯科.数字经济时代数据生产要素化的经济分析[J].北京工商大学学报（社会科学版），2022，37（01）：1-12.

作者简介：孙淑萍（1997- ），女，甘肃庆阳人，硕士研究生，研究方向：注册会计师