数字化背景下电力数据要素定价机制优化研究

喻小宝，章天浩，邓思维

（上海电力大学经济与管理学院，上海 201306）

0 引言

当前，能源革命正在与数字革命走向深度融合，数字化正成为能源行业，尤其是电力行业实现高质量发展和践行碳达峰、碳中和目标的关键路径。数字化转型背景下，大数据等技术成为了电力行业实现提质增效、节能减排的重要手段。近年来，电力大数据价值逐渐受到重视，海量的电力数据被用于电网检测、电网维护、电网负载趋势预测等工作，极大地提高了电网运营效率、改善了电网用户的体验。

然而，我国大数据交易刚刚起步，尚未形成规范化的数据资产定价机制，制约着电力数据的交易、共享。为此，国内外众多研究者针对数据资产定价进行了研究，研究主要针对数据资产评估和大数据产品定价模型设计2个方面。

资产评估的基本方法主要有成本法、市场法和收益法。林飞腾［1］探讨了不同资产价值评估方法的可行性，发现成本法是用以确定大数据价值的最佳候选方法，并给出了相关评估步骤；Joenväärä等［2］运用市场法，对企业数据资产评估理论做了深入的研究，在论证市场法的准确性时，以比较法作为理论基础，通过对修正指标不断进行调整、选择，印证了市场法在数据资产价值评估中具有一定的可行性；Lueg 等［3］深入探讨了收益法在数据资产机制评估中的优势，提出了一个基本但可扩展的方法，通过使用来自市场的数据测试了该方法的有效性。除3 种基本方法，越来越多的研究者也开始探索其他有效的定价方法，李茂浩［4］结合大数据资产的特点及其价值影响因素，对传统评估方法和实物期权法的适用性进行分析，认为实物期权法更适用于大数据资产价值的评估；闭珊珊等［5］提出一种数据资产评估的CIME 模型，包括评估要素和评估方法，为数据资产评估的体系构建和落地实施提供参考。

在数据资产定价模型设计方面，赵丽等［6］分析了影响大数据资产定价的因素，然后给出了大数据资产的理论价格区间，并构建了基于价格区间的三阶段讨价还价模型，得出最终交易的均衡价格。陈志注等［7］基于传统Vickrey 拍卖模型和序贯拍卖模型提出了2 种适用不同条件下的大数据拍卖模型，并分析了相应方法的收益期望。李泽红等［8］从财务会计的角度对大数据资产的会计确认、价值评估、后续计量与报告进行了探讨，为数据资产纳入企业财务报表提供借鉴；YU 等［9］提出了基于数据质量的数据定价双级编程模型，以最大限度地提高数据平台所有者的收益和消费者的使用效果，其多版本策略实现了更好的市场细分，在考虑数据质量的多个维度时，为数据所有者提供了收益更高、更可行的数据定价管理指导。王玉兰［10］运用层次分析法（AHP）对数据资产进行定价，同时考虑了数据量、数据质量、数据成本、数据挖掘等多个指标，构建了基于层次结构的数据资产定价模型。

然而，已有的数据定价模型大都未考虑数据资产的风险因素。因此，本文基于成本价值理论的数据资产定价模型，将影响电力数据资产的价值因素作为可变系数纳入到模型中；同时，在电力数据资产特征的基础上，基于价值实现风险和市场供求风险，结合AHP 等方法，对数据资产定价进行优化模型研究，旨在为电力数据要素定价及优化提供借鉴。

1 理论综述

受能源向低碳绿色、数字化转型的影响，数据在电力行业中发挥着越来越重要的作用，如图1 所示［11-12］。电力数据主要包括电量、负荷、营销和配网数据等［13-14］，作为一种无形资产，它在电力行业转型发展中的经济价值是巨大的。

图1 电力行业的数字化转型Fig.1 Digitalization of power industry

1.1 成本法

成本法的理论基础为无形资产的价值是由生产该无形资产的必要劳动时间所决定。成本法是从资产重置角度考虑的一种估值方法，即投资者不会支付比自己新建该项资产所需花费更高的成本来购置资产。

成本法在应用时需要重点考虑资产价值与成本的相关程度。

1.1.1 计算方法

重置成本包括形成数据资产的合理成本、税费和利润。对于公司内部产生和收集的数据资产，显性成本主要有收集、存储、处理数据的人力成本、设备成本等；隐性成本主要为数据所附着业务的研发成本、人力成本等。对于外购数据资产，重置成本为在现行市场条件下，重新取得同样的一项数据资产所需支付的金额。

传统成本法评估中，实物资产的贬值因素主要分为经济性贬值、实体性贬值和功能性贬值，但对于不具有实物形态且不作为功能性使用的数据资产而言，贬值因素主要来源于数据资产时效性丧失带来的经济性贬值。

1.1.2 优势

以成本构成为基础的分析方法不仅易于理解，而且计算简单，计算过程以成本加和为主。

1.1.3 局限性

数据资产对应的成本不易区分。数据资产为生产经营中的衍生产物，没有对应的直接成本，且间接成本的分摊不易估计［15］。比如用户在搜索引擎留下的查询信息等数据资产，其数据搜集成本包括网站建设成本、搜索引擎市场推广及管理费用、运营人员薪酬等，但这些成本中有多少应归属于“数据资产”，这一分摊比例难以估计。

数据资产的贬值因素不易估算。造成各类数据资产贬值的因素各不相同，比如数据的时效性、信息的准确性，受这些贬值因素的价值影响，数据资产价值很难量化。

数据资产产生的收益无法体现［16］。在成本的归集中需要按照成本加成的方式考虑合理利润。传统资产评估的利润率可以参考实际利润率，而数据资产业务的利润率并没有行业通识或惯例，难以简单地选择一个合理的利润率，导致成本法难以体现数据资产所带来的价值。

1.2 数据价值实现风险

数据价值实现风险是指在数据价值链的各个环节都存在影响数据价值实现的风险，主要分为数据管理风险、数据流通风险、增值开发风险、数据安全风险、数据信息安全风险和数据篡改引起的电力运行风险6个方面［17-20］。

（1）在数据管理风险方面，外部的风险是信息数据管理的主要威胁，它主要包括计算机病毒和黑客攻击。计算机病毒是计算机程序中插入的破坏计算机功能、毁坏计算机数据、影响计算机正常使用的计算机指令或者程序代码，病毒会毁坏数据的可审性。

（2）数据流动过程常常伴随着风险。就数据生命周期而言，真正能够体现甚至多次创造数据价值的环节是数据处理和数据交换，数据在这些环节中是持续流动的，即数据的价值在于流动。流通风险包括越权访问、账号滥用、敏感数据泄露等。数据安全事故的发生可能造成严重损失和不良影响。

（3）增值开发风险主要来自于数据验真、数据保障、数据调查和风险评估等环节。大数据的流通运营和资产增值是数据资产管理的最终目的，数据交易是大数据价值实现的推动力，数据资产实现流通和增值的前提是数据资产得到多方面的严格审计。

（4）数据安全风险是由数据资产所能快速产生的商业价值和经济利益带来的。数据安全问题层出不穷，每天都有数据被窃取和泄露，量级之大触目惊心，数据泄露已然成为最常见的数据安全问题且形势日趋严峻，涉及医疗信息、财务数据、知识产权、个人身份信息等方方面面，甚至危及国家安全。

（5）数据信息安全风险主要体现在为建立数据处理系统采用的技术和管理上的安全保护，需要保护计算机硬件、软件、数据不因偶然事件和恶意操作而遭到破坏、更改和泄露。

（6）在实际的电力运行管理过程中，容易存在数据篡改问题，进而直接影响配网运行可靠性与安全性。比如，电网运行因没有能综合考虑正常的电压及损耗等实际情况而选择了不恰当的配网运行方式，会严重威胁到电网正常运行。

2 电力数据要素定价优化模型

2.1 基础定价模型

数据资产是指在企业经营过程中，被企业所拥有的，并能够为企业带来价值的可量化的数据资源，其产生、收集、整理、筛选、存储、传输和应用均可控（如图2所示）。

图2 数据资产的3类价值Fig.2 Three types of values in data assets

数据资产的价格不仅与自身成本、产品使用场景相关，还与使用者相关［21］。因此在设计数据资产综合价格时，要将这些因素作为可变系数纳入到模型中，

式中：S为最终产品定价；C为核算的数据成本；π为核算的产品价值；β为产品价值的调整系数，在不考虑产品价格优化时，该值默认为1；α为数据资产产品价格的调整系数。

2.2 定价步骤

2.2.1 成本核算

成本核算以实际产生的费用为依据。以数据采集为例，通过自动化工具或人工手段从数据中心获取研发数据产品所需的基础数据所产生的费用成本Cc，主要包括工具的研发成本和数据采集实施成本［22］，

式中：tc，d，tc，e为采集工具研发和实施数据采集的工作量；pc，d，pc，e为研发人员和采集人员的工时单价。tc，d，tc，e，pc，d，pc，e可以参考公司的相关规定进行估算。

以此类推，将所有过程成本费用进行估算，并进行累加，从而得到核算的数据成本C。

2.2.2 价值测算

价值测算以可能产生的收益进行估算［23-24］，其计算仍以数据成本为基础，在成本基础上考虑价值测算体系，估算数据资产产品价值。这里采用模糊评价理论对价值进行估算，

式中：γ为价值系数，其测算由价值测算指标体系和模糊评价理论综合计算得到。

（1）第1步：构建模糊评价表。邀请相关数据产品专家进行打分，根据打分结果构造数据价值的模糊评价表。专家以百分制打分规则对指标进行量化。二级指标的模糊评价表见表1。

表1 二级指标的模糊评价Table 1 Fuzzy evaluation of the 2nd-level indexes

（2）第2步：测算指标权重。采用AHP对指标权重进行测算，构建指标间重要程度的判断矩阵。以数据形式类指标为例构建判断矩阵，见表2（n为判断对象的个数）。

表2 判断矩阵Table 2 Judgement matrix

判断矩阵中的重要性标度bij以常用标度表为主。通常，bij可取1，2，3，…，9，bji则取bij的例数，其数值的含义为：bij=1，Bi，Bj同等重要；bij=3，Bi比Bj稍微重要；bij=5，Bi比Bj明显重要；bij=7，Bi比Bj很重要；bij=9，Bi比Bj极端重要；bij为2，4，6，8 表示上述两相邻判断的中值。

利用判断矩阵可计算出二级指标的权重，计算各行之积的根值

对得到的各行根值进行归一化处理，即可得到不同指标的权重结果。

（3）第3 步：计算模糊评价向量。将前2 个步骤的矩阵结果进行合并，矩阵相乘，得到最终的价值评估得分矩阵。

（4）第4 步：计算价值系数隶属度。在3 个维度价值评价结果基础上，同样采用AHP 对一级指标权重进行测算，这里过程不再赘述。将权重结果与二级指标模糊评价向量相乘，得到最终评价向量，采用最大隶属度原则确定最终价值系数所属级别。

（5）第5步：测算价值系数。根据价值系数隶属度结果，确定最终的价值系数区间，见表3。

表3 价值系数区间Table 3 Range of the evaluation coefficient

价值系数区间表示在原有成本基础上，收益部分占总价格的比重，该区间值越大说明该产品价值越大，可以认定为高收益产品，反之亦然。

2.2.3 调整系数

调整系数的设置是考虑到数据资产产品的客户对象差异性，这里将客户分为3类，根据公司对不同客户的需求差异，设置产品调整系数，见表4。

表4 调整系数Table 4 Adjustment factor

（1）一般企业。对于一般企业，可根据对接企业特征以及产品对该企业的价值程度来判断调整系数：优质客户可以在原有价格基础上得到折扣，即设置调整系数小于1.0；如果是非优质客户，则产品对该客户的价值较明显，可以适当提高原有价格，即设置调整系数大于1.0。

（2）电力行业。电力行业企业是指电力上下游企业，包括发电、售电等企业，考虑到同行业企业与电网公司具有较密切的关联性，故而在设置价格时，可以适当进行减免，因此设置调整系数小于1.0，在不影响最终成本收回的前提下，根据实际情况确定调整系数。

（3）政府。得到政府各级部门的认可，对数据资产及其后续产品升级和对外销售有着重要作用。考虑到政府对于公司的特殊性，将调整系数设置为0～0.1。出售给政府的产品并不以营利为主，而是以宣传为主，根据对接的政府部门级别来确定最终的调整系数。

2.3 优化模型

在数据资产定价基础上，考虑市场供求和实现风险2个因素，对数据产品价格进行优化，为了合理的评价上述对数据资产定价的影响，借鉴文献［25］的做法，结合数据资产定价公式，对β进行测算。

一种典型的混合型定价方法是AHP，它是一种多维度、多指标、综合分析的决策方法，决策对象被分解成若干组成要素，并遵循特定依据形成分组、分层结构。业务专家对每个要素影响程度量化打分，进而确定产品价值的调整系数β。

2.3.1 数据价值实现风险β1

数据价值实现的基本逻辑，是围绕数据的搜集、加工、分析、挖掘，并在这个过程中，将数据转变为信息，信息转变为知识，知识转变为决策。数据要素的价值不在于数据本身，在于数据要素与其他要素融合创造的价值，这种赋能的激发效应是指数级的。但与此同时，电力行业的数据使用也存在着巨大的风险性。遗憾的是当前的研究大多并未充分考虑这些风险。数据的价值实现风险可分为4个二级指标和8个三级指标，见表5。

表5 价值实现风险Table 5 Value realization risk

由于数据资产价值实现环节较多且评估过程复杂，可以采用请有专业经验的专家填写每项指标的评分和权重，汇总计算β1。

专家评分应参照风险矩阵将后果严重性分为6个等级（1—6），等级数越高则风险越大；将风险暴露可能性或风险暴露频次分为5 个等级（A—E），等级A，E 分别对应暴露频次极低与暴露频次极高。结合两者对相应风险值进行0～100的评分，见表6。

表6 风险值的综合评分Table 6 Results of the comprehensive risk value

通过计算得到，β1=风险结果值/100。

2.3.2 市场供求修正系数β2

市场供求因素是指数据产品和服务价值受到市场竞争性、供求关系、使用对象和历史情况等的影响程度，作为商品供给和需求之间的相互联系、相互制约的关系，它同时也是生产和消费之间的关系在市场上的反映，这同样也是当前研究所鲜有涉及的因素。综合考虑影响数据资产供求状况的因素，将成本价与类似产品的市场价进行对比，当两者偏差程度达到阈值时，则考虑对产品价值进行修正，得到β2。

假定收集到的市场类似产品价格为S2，本产品的价格为S1，在不考虑优化和价值调整系数的前提下，不考虑客户差异，定义α= 1，β= 0，此时产品价格就等于产品的成本，即S1=C。

比较S1和S2之间的关系，对β2进行测算，

2.3.3 产品价值调整系数β

在测算得到β1和β2后，产品价值调整系数β为

3 算例分析

3.1 产品概况

以某企业能效监测产品为例，产品通过向客户提供线上监测、线下运维等技术服务，根据合同按年度收取服务费用，盈利模块包括数据信息服务、平台技术服务、衍生分成服务等。定价依据包含产品成本、产品利润、市场供求状况和客户承受能力。本产品由某省综合能源公司开展产品设计开发，地市分公司参与产品推广，按客户容量对单个客户是以每年15.00 元/（kV·A）的标准收取服务费，线上服务费的标准为每年3.00 元/（kV·A）。

3.2 基本定价

由于企业能效监测产品价格不仅与自身成本及产品使用场景相关，还与使用者相关，根据式（2）推算S。企业能效监测产品定价步骤应该包括成本核算、价值测算、面向不同用户制定不同的价格。

3.2.1 成本核算

通过对企业能效监测增值服务产品所有过程成本费用进行估算，并进行累加，从而得到核算的数据成本C，发现对单个用户提供服务时，所有过程所花费的成本为7.50 元/（kV·A）。

3.2.2 价值测算

对可能产生的收益进行估算，计算见式（3）。价值系数γ是价值测算关键，其测算过程如下。

（1）第1步：构建关联度矩阵。通过归一化处理问卷调查的方式获得所需要的数据，将指标项转化为适合企业能效监测增值服务产品定价的具体问题。上述产品的评价调查问卷数据见表7。

表7 评价调查问卷数据Table 7 Evaluation questionnaire data

（2）第2步：指标权重确定。采用AHP对指标权重进行测算，邀请5 位专家对指标体系按维度进行评价，构建指标间重要程度的判断矩阵，利用判断矩阵可计算出指标的权重。并对得到的权重值进行归一化处理，即可得到不同指标的权重结果，指标体系权重见表8。

表8 指标体系权重Table 8 Index system weight

通过权重结果可以看出，在二级指标里，易获得性以0.315 的权重排名第一，成为最能影响企业能效监测产品价值的指标，一致性、准确性、正确性都能影响企业能效监测产品价格。在一级指标里，总权重最高的指标为数据形式类，达0.547。

（3）第3 步：计算模糊评价向量。将前2 个步骤的矩阵结果进行合并，矩阵相乘，得到最终的价值评估得分矩阵。根据数据形式类指标的权重计算结果，结合数据形式类的模糊评价矩阵，计算得到数据形式的评价结果为

同理，求得数据内容、数据绩效评价结果分别为

（4）第4步：计算价值系数隶属度。将一级指标权重结果与二级指标模糊评价矩阵相乘，得到最终评价向量，采用最大隶属度原则，确定最终价值系数所属级别。

根据隶属度最大原则计算价值系数隶属度为0.424。

（5）第5步：测算价值系数。根据价值系数隶属度结果，对比表2，确定最终的价值系数γ区间为0.4～0.5，此时企业能效监测产品收益性为一般。

3.2.3 分用户类别的产品定价

最后，基于表3 确定调整系数β，得到企业能效监测最终产品根据容量最终价格范围，如图3所示。

图3 价值系数影响下的产品价格Fig.3 Product price under the influence of value coefficient

原年数据服务费=客户容量×15 元/（kV·A），新的产品价格根据不同用户所带来的风险差异而产生的显著的区分性。从图3 可以看出，受价值系数的影响，面对政府的价格下限为0，产品价格上限的最大值是面向一般企业的，为13.50 元/（kV·A），此时价值系数为0.5。

3.3 价格优化

结合式（2），对企业能效监测数据产品价格进行优化。这里基于优化成本定价模型的产品定价指的是产品价值的调整系数β。

（1）数据价值实现风险系数β1。对数据价值实现相关指标层次分析法对指标权重进行测算，构建指标间重要程度的判断矩阵，利用判断矩阵计算出一、二级指标的权重。并对得到的各行根值进行归一化处理，即可得到不同指标的权重结果，见表9。

表9 价值实现风险Table 9 Value realization risk

确定风险结果值，通过计算实现风险系数，β1=风险结果值/100=0.584。

（2）市场供求修正系数β2。对市面上类似的企业能效监测产品研究发现，其定价各有不同，其中某产品向单个客户收取17.5 元/（kV·A）的服务费。鉴于S1=13.50 元/（kV·A），S2=17.50 元/（kV·A），根据式（6）可知，此时β2=1。

（3）产品价值调整系数β。在测算得到实现风险系数β1和市场供求修正系数β2后，根据式（7）得到β= 1.584。根据式（2），数据产品价格优化后定价范围如图4所示。

图4 基于优化成本定价模型的产品定价Fig.4 Product pricing mechanism based on optimized cost pricing model

对比图3、图4，基于优化成本定价模型的产品定价体系中，面向政府、电力用户、一般企业的产品定价均有上升，其中面向一般企业的服务费用区间为11.30～16.13 元/（kV·A）。

4 结论

（1）本文在分析数据资产成本理论的基础上，借助AHP 与模糊综合评价理论确定了电力数据要素的价值系数区间，并将调整系数纳入到模型中，促进定价模型合理化，构建了基于成本价值理论的电力数据要素定价模型，能够对电力数据资产制定科学定价策略。

（2）电力数据要素定价优化模型中的市场供求修正系数主要由市场供求因素决定，市场供求因素是指数据产品和服务价值受到市场竞争性、供求关系、使用对象和历史情况等的影响程度。综合考虑影响数据资产供求状况的因素，将成本价与类似产品的市场价进行对比，当两者偏差程度达到阈值时，则应考虑对产品价值进行修正。

（3）通过对企业能效监测数据产品案例中的数据产品进行定价优化，验证了定价优化模型的有效性，在针对企业能效监测数据增值产品的定价中，其评价结果为一般收益产品，受价值系数的影响，面对政府、电力行业、一般企业产品价格均会有小幅上涨。