基于“价值创造-实现”路径的数据要素核算问题研究※

徐蔼婷 宋妙缘

内容提要：围绕“价值创造-实现”路径对数据要素核算的理论问题展开系列探讨。首先,对数据要素、数据资产的内涵和关联进行辨析,从数据历史地位的发展阐释数据具备要素属性的理论机理,并对数据要素区别于传统生产要素的特征进行总结。其次,从数据要素的价值创造路径探析其在生产过程中的形态变化及生产属性。最后,提出数据要素的价值实现路径主要表现为提升生产效率、优化决策流程以及流通对外赋能等,并据此研究数据要素在国民经济核算账户的分类、核算范围及估值方法。

一、 引 言

随着大数据、云计算、人工智能、区块链、物联网等数字技术不断突破与发展,数字经济快速发展并成为促进经济增长的新动能。与此同时,数据的爆炸式增长和潜藏的海量信息使其成为与土地、劳动力、资本、技术等四大传统生产要素并列的新型生产要素,对企业运营、产业转型以及经济增长的影响与日俱增。人类生产生活的全领域和各环节,无时无刻不在产生数据、利用数据,中国正进入数据要素红利大规模释放的新时代。

近年来,政府不断提升对数据要素重要性的认识,相继出台多项政策推动数据要素参与价值创造和分配。2019年10月,中共十九届四中全会明确指出,“健全劳动、资本、土地、知识、技术、管理、数据等生产要素由市场评价贡献、按贡献决定报酬的机制”,首次明确了数据生产要素的地位,肯定了数据对于生产和价值创造的贡献。2021年3月发布的《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》进一步提出激活数据要素潜能,充分发挥海量数据和丰富应用场景优势,打造数字经济发展新优势的目标。2023年2月27日,中共中央、国务院印发了《数字中国建设整体布局规划》,指出建设数字中国是数字时代推进中国式现代化的重要引擎,夯实数字基础设施和数据资源体系是数字中国建设的“两大基础”。由此可见,数据要素对国民经济发展的重要性日益凸显,在国民经济账户中核算数据要素的价值成为国内外研究的热点。

通过对既有文献的研究发现,数据要素核算是一个非常新颖的课题,现有的理论研究非常少,更多的是围绕数据资产这一研究对象展开核算讨论,包括内涵、特征、核算基本分类、核算范围、价值测度方法等多方面(李静萍,2020;马丹和郁霞,2020;李原等,2022;李宝瑜等,2023;韩秀兰和王思贤,2023)。除此之外,加拿大统计局(Statistics Canada,2019)将数据资产核算理论运用于统计实践中,利用人口普查数据和劳动调查数据估算了本国的数据资产价值,彭刚等(2022)以高校为例探索数据资产核算实践问题,许宪春等(2022)设计了劳动成本调查表和经费支出调查表用于收集数据资产价值测度所需基础数据,邓建娣和傅德印(2023)依据数据资产的特征及核算原则,从网络视频公司拥有的全部数据中确定数据资产核算范围。由此可见,国内外学者对数据资产核算已经开展了丰富的研究。然而,数据资产和数据要素不是完全相同的概念,数据要素核算研究需要从数据要素的内涵、特征、属性、核算分类、核算范围及估值方法等方面作出系统性回答。

本文的主要研究内容是基于国民经济核算视角,围绕数据要素的价值创造和价值实现路径探讨数据要素核算问题。在明晰数据要素、数据资产内涵及区别的基础上,从价值创造路径探索数据要素的增值原理和生产属性,并从提高要素回报率、优化决策流程和流通对外赋能等三条价值实现路径分析数据要素的核算分类、核算范围及估值方法,试图为数据要素核算领域的发展和完善作出贡献。

二、 数据要素、数据资产的内涵与关联

1. 数据要素的内涵及特征

生产要素是经济学的基本概念,是指投入于生产过程并产生贡献的东西。生产要素的范围往往随着社会经济形态的变革以及产业形态的革新而拓宽,随之带动生产力实现跳跃式提升。农业经济时代,土地和劳动是维持人类基本生存和社会正常发展的必需品,在农业生产中发挥着举足轻重的作用,因而具备生产要素属性。工业经济时代,资本促使人类的生产方式持续升级,生产效率显著提高,创造出巨大的物质财富,由此成为继土地和劳动之后的关键生产要素。数字经济时代,人类生产和生活的全领域和各环节,无时无刻不在产生数据、利用数据,数据一跃成为新型生产要素。伴随着人类文明的发展,数据拥有漫长的发展历史,然而数据的生产要素属性为何在数字经济时代才得以凸显?本文以数据的历史地位演进为依据,将数据的发展进程分为三个历史阶段,具体如下。

第一阶段:技术领域的计量工具。农业经济时代,数据是一种以数值形式描述客观事物内在属性和外在数量的信息载体。在这一阶段,数据主要来源于测量,并广泛应用于技术领域,如丈量土地、分配事物、修造建筑等。然而,早期测量工具的落后对测量数据的准确性有直接影响,导致数据难以准确描述客观事物的属性和特征,给数据在实证研究领域的应用和发展带来了阻碍(许伟华,2018)。因此,这一时期数据主要作为一种实用性工具应用于生产生活中。

第二阶段:科学领域的研究工具。工业经济时代,随着自然科学的发展,量杯、电表、显微镜等更为准确的测量工具被发明出来,在显著提升测量数据准确性的同时,促使数据融入科学研究的范式。在传统的“有根据的数字”的基础上,发展出科学数据这一概念。其中,科学数据指的是在标准化、规范化原则的指导下,为实现某种科学认知目的,通过观察、实验或测量等方式获取真实反映客观事物属性的数据。在这个阶段,数据作为科学理论的表达方式与判断科学理论真理性的“证据”被广泛应用于科学领域,对技术的发展起到一定的促进作用,但数据尚未对社会生产作出举足轻重的贡献。

第三阶段:社会领域的生产要素。进入数字经济时代,由于数据科学和信息技术的飞速发展,数据的产生来源日益广泛,流通速度日趋迅速。数字经济时代发展不过数十年,其产生的数据量已远超农业经济时代和工业经济时代数千年产生的数据量总和(裴长洪等,2018)。“数据”二字的内涵进一步扩大:不仅指代“有根据的数字”,还统指一切保存在电脑中的信息,包括文本、图片、视频等;数据的形式更多样,数据体量更巨大,存储介质也随之发生改变。在这一阶段,数据逐渐融入国民经济价值创造体系,成为新时代重要生产力。与此同时,数据要素通过与土地、劳动、资本等传统生产要素深度融合形成倍增效应,赋能国民经济循环,创新价值链流转方式,促进全要素动态流动(王勇等,2023),为生产水平带来革命性提升,数据由此化身为新型生产要素。

综上所述,随着数据的产生方式和类型不断变化,人类对数据的认知和利用不断加深(王泽宇等,2023),数字经济时代,数据采集、存储和分析技术的不断成熟,使得数据资源充足集聚、数据被最大化地挖掘出价值,对提高生产效率的乘数作用凸显,实现对人类生产、分配、消费、流通等经济活动的全方位改变(黄少安等,2022;潘家栋和肖文,2022;王泽宇等,2023)。由此,本文提出数据要素的内涵为:经济主体以生产目的而借助数字技术采集、整理、分析的规模性数据资源,从中获取的描述性信息和创造性知识可以驱动生产方式、生活方式和治理方式变革,进而推动生产力的发展,创造社会财富。进一步地,相较于劳动、土地、资本等传统生产要素,数据要素有如下五个特征值得关注,或可为数据要素核算处理提供重要依据。

(1) 虚拟替代性。虚拟替代性是指相较于土地、劳动力、资本等存在于现实物理空间的生产要素,数据要素依托于虚拟物理空间存储的同时,能够通过替代其他生产要素达到降本增效的目的。例如,数字孪生技术可以在网络空间实现产品的虚拟生产,由此无限供应虚拟空间的土地资源,摆脱实体土地资源有限供给的约束(李海舰和赵丽,2021)。

(2) 融合共生性。融合共生性是指数据要素通过与劳动、资本、技术等其他生产要素深度融合,激发其他生产要素的活力,进而推动全要素生产率提升、驱动经济持续增长(李勇坚,2022)。一方面,存储于虚拟物理空间的数据要素需要以其他生产要素为媒介才能在现实社会生活释放价值。另一方面,劳动、资本等传统有形要素与数据要素组合后,单位劳动或资本会创造出远高于它们作为单一要素时的产出,进而实现劳动生产率和资本回报率的大幅提升。

(3) 非竞争性。非竞争性是指数据要素一旦生成并投入使用后,其后续使用不会受使用次数或使用者数量增加的影响。具体表现为:第一,同一经济主体可在数据要素产生后无限次使用该数据要素;第二,同一数据要素可被不同经济主体同时使用(李勇坚,2022)。由于非竞争性的存在,数据要素可以以极低的边际成本甚至是零边际成本进行复制。与此同时,使用次数越多,数据要素的价值越高(许宪春等,2022)。当所有主体都能够以零边际成本使用数据要素时,数字经济的发展将打破传统生产要素所受的稀缺性约束(唐要家和唐春晖,2020)。

(4) 规模报酬递增。规模报酬递增是指当数据要素的规模或维度增加时,数据要素的信息密度随之提升并产生更高的经济价值。规模以下、单一维度的数据蕴含的价值十分有限,当与其他数据融合时,数据的规模和维度均获得丰富和拓展,由此提高数据的价值和收益。随着数据要素规模的扩大,数据要素总产出的增长幅度将显著高于数据要素总投入的增长幅度,由此产生的递增收入成为促进经济增长的直接因素(唐要家和唐春晖,2020)。

(5) 动态实时性。动态实时性是指在互联网时代数据量、数据源持续增加,数据承载的内容也呈现持续变化的状态(王谦和付晓东,2021),与此同时,在云计算、机器学习、人工智能等新一代信息技术的支持下,相关人员可以对数据要素进行实时分析,通过数据分析提取的信息和知识向使用者提供动态数据反馈,满足其各类需求(李海舰和赵丽,2021)。

2. 数据资产的内涵

联合国国民经济核算体系(SNA2008)对资产的定义为:资产是指由某个或某些单位所拥有的实体,其所有者会因对它们的持有或在一段时间内的使用而获取经济利益。据此,现有研究普遍认同满足经济所有权和收益性的数据具有资产属性。许宪春等(2022)进一步强调数据资产的经济使用年限,认为数据资产在生产过程发挥作用的时间应为一年及以上。特别地,王勇等(2023)指出数据资产与数据要素存在关联,认为数据要素是生产数据资产的核心投入。

通过对既有文献的梳理,本文总结出数据资产的内涵为:数据资产是指其经济所有者在生产过程中反复或连续使用一年以上的存储于网络空间的规模性数据资源,借助数据技术可以从中提取描述性信息和创造性知识从而获取经济利益。比较数据要素与数据资产的内涵可以发现,虽然数据要素与数据资产都是由数据资源转化而来,二者范畴不完全相同。数据要素与数据资产的主要区别在于:数据资产强调数据资源在生产过程中的经济使用年限,在生产过程中的使用时间至少为一年。因此,数据要素范畴大于数据资产,数据要素核算与数据资产核算不能划等号,可在借鉴数据资产核算研究的基础上,结合数据要素的内涵与特征,进一步研究数据要素核算相关理论问题。

三、 数据要素的价值创造路径及生产属性判别

数据要素的生产属性辨析是研究数据要素核算首先要解决的问题,决定数据要素纳入国民经济核算体系的途径及后续相关处理。当一种产品是生产活动的产出时,即可判定其具有生产属性。SNA2008对生产活动的定义为:生产活动是在机构单位负责、控制和管理下,利用劳动、资本、货物和服务投入而生产货物和服务的活动。该定义强调两个方面,机构单位的监管以及经济资源的投入。

对数据价值链的深入理解是辨析数据生产属性的关键(奉国和和肖雅婧,2023)。数据要素从最初数据形态到参与社会生产经营管理活动并发挥其价值,要经历一系列的数据形态演进过程。数据价值链系统描述了非结构化、低价值数据转变为可应用于具体场景的结构化、高价值数据的完整生产过程(Rassier等,2019)。由此,本文构建了包含“数据生成、数据获取、数据分析、数据应用”4个阶段的数据要素价值链,尝试从数据要素的生产过程探析其生产属性,如图1所示。

图1 数据要素价值链

第一个阶段是“数据生成”,指行为主体通过智能手机、计算机、数码相机等数字设备记录客观事物的特征并生成文字、图片、视频等数据原料的活动。实际生活中存在的数据往往是分散的、碎片化的,如果不对其进行加工处理,很难从中直接获取经济利益(何伟,2020)。只有在单个数据汇集成一定数量的数据资源后,才有可能给使用者带来价值(许宪春等,2022)。

第二个阶段是“数据获取”,指技术人员基于特定场景需求运用已有的数据技术对数据原料进行采集、清洗、存储等整理活动。在这一阶段,数据采集者结合自己的主观需求认知和客观技术能力设计数据整理规则,生成标准化、结构化的数据资源。其本质是数据“熵减”的过程,期间数据从无序、混乱、低价值的数据形态转变为有序、规则、高价值的数据形态(尹西明等,2022)。相较于数据原料,数据资源具有规模大、质量高、价值密度高等特征,能够为使用者提供认识客观世界的基本信息并提供挖掘新知识的原材料。

第三个阶段是“数据分析”,指数据技术人员利用各种算法和信息技术对数据资源进一步加工分析,推演事物运动规律并提炼输出有用的知识,进而形成数据产品。相较于数据资源,借助算法生成的数据产品融合了知识型脑力劳动者,即算法创造者的智力成果,表现出创造性这一特征,价值得到显著提升(李海舰和赵丽,2021;陆威文和苟廷佳,2023)。其中,算法是推进隐含于数据产品的知识显性化的重要工具,算法的优劣对数据产品的价值具有决定性作用。

第四个阶段是“数据应用”,指经济主体基于自身需求将数据产品应用于特定场景,进而提高社会再生产各个环节的资源配置效率,驱动经济持续增长(潘家栋和肖文,2022)。当数据投入到生产过程时,数据才真正成为经济意义上的生产要素,否则数据只是一般的信息商品(戴双兴,2020)。相较于数据产品,数据要素的价值从虚拟空间映射于现实空间,并通过与其他生产要素的融合得到充分激发。

结合对数据要素价值链的分析,数据要素是经济主体基于特定场景需求,在分散化、碎片式的数据原料的基础上,投入劳动、资本等经济资源并进行一系列加工处理生成的数据产品,显然符合机构单位监管和经济资源投入两个条件。因此,数据要素应作为生产产品进入国民经济核算体系。

四、 数据要素的价值实现途径及对应核算处理

1. 数据要素的价值实现路径

数据具有业务附着性,其生产阶段并不产生价值,只有在与具体业务结合后才会创造价值(高华和姜超凡,2022)。同时,数据价值受其应用场景影响,应用场景不同,数据产生的价值随之不同(李秉祥和任晗晓,2021)。然而,数据要素的应用场景具有多样性、多元化的特征,涵盖精准营销、风险管控、商业决策、客户挖掘和保费研究等内容,覆盖科研、交通、医疗、金融、电商等领域。从操作性的角度看,很难针对单独应用场景设计核算方案。由此,本文从功能性的角度将数据要素的应用场景归纳为提高要素回报率、优化决策流程和流通对外赋能三条路径,如图2所示。

图2 数据要素价值实现途径

(1) 提高要素回报率。数据要素投入生产的一次价值实现体现在基于数字技术对数据的读入和写出,赋能机构单位内部业务运营和管理,进而提高组织内部要素回报率。具体而言,企业、政府等主体建立信息化管理系统积累标准化数据资源,劳动要素凭借数据库系统层面的录入、查询、统计等功能操作与数据要素相结合,由此赋能企业生产的各个环节,改善业务流程、提高要素回报率。数据要素价值一次实现是实现数字化转型、提高组织内部经营管理效率的第一步(王泽宇等,2023)。

(2) 优化决策流程。数据要素投入生产的二次价值实现体现在通过数据分析技术,挖掘数据浅层反馈信息背后的深层逻辑,突破人类认知局限形成更为智慧、智能、精准的决策,进而实现产品、商业模式以及微观运行效率的创新(大数据战略重点实验室,2018)。具体而言,数据科学家或开发应用人员将海量数据与分析模型相结合,提炼输出有用的知识,进而部分替代管理要素,优化决策流程,提升决策的科学性和合理性。数据要素价值二次实现体现在基于对数据要素蕴含的客观事物规律的深入挖掘,打破人类既有认知局限,由此降低信息的不确定性,提高决策的科学性,合理预测事物发展趋势。

(3) 流通对外赋能。数据要素投入生产的三次价值实现体现在数据要素从内部供给端转移至外部需求端,不同来源不同属性的数据要素在新的应用场景汇集,拓宽数据维度、规模的同时给数据供给方和数据需求方带来经济利益。例如,电商平台记录的用户交易数据可以进一步在金融服务领域得到应用,为电商平台创造额外的利润。无论是共享还是交易,数据要素流通都是实现数据要素价值的重要环节。

2. 数据要素的国民经济账户列示处理

根据对数据要素价值实现途径的归纳,可以发现数据要素在投入使用的过程中,满足SNA2008资产定义中强调的经济所有权和收益性两个判定标准,因而本文认为数据要素同时具有生产属性和资产属性,应作为生产资产纳入国民经济核算体系。生产资产范畴内包含固定资产、存货和贵重物品等三类资产,需要进一步探讨数据要素的所属分类。

固定资产和存货均可用于生产过程,二者的区别在于固定资产可在生产过程中应用一年及以上,存货则是只能一次性或短期地用于生产。不同于固定资产和存货,贵重物品是指不能用于生产过程,而是以价值贮藏为目的持有的价值较大的生产资产。根据定义可以发现,数据要素不能归类为贵重物品,原因在于数据要素是生产者为了生产目的而持有的资产;从使用周期的角度看,长期数据要素满足固定资产的定义因而其应当被处理为固定资产,与之相对的,短期数据要素应被处理为存货。在固定资产中记录数据要素有三种方案,如表1所示:一是扩充现有知识产权产品范围,将数据要素纳入其中;二是在不改变知识产权产品内涵和范围的前提下,将现有知识产权产品分类拓展为“数据与知识产权产品”(彭刚等,2022);三是在固定资产下创建与知识产权产品并列的新分类。记录方案不同,核算方法和结果随之不同。

表1 固定资产分类下数据要素的处理方案

在SNA2008中,知识产权产品是指创新主体通过研究、开发、调查或者创新等活动产生的知识,创新主体可以通过销售或自用等方式从这些知识中获取经济利益,原因在于这些知识的使用受到法律或其他手段的约束。不同于其他固定资产分类,知识产权产品的非实体性使其与数据要素存在天然的关联。现有研究大多支持将数据资产,即长期数据要素纳入知识产权产品分类(许宪春等,2022;王勇等,2023;韩秀兰和王思贤,2023)。

然而,深入考察知识产权产品的内涵,可以发现知识产权产品与数据要素存在本质区别:从价值创造的角度看,知识产权产品投入的劳动属于创造性劳动,数据要素投入的劳动属于重复性劳动。其中,创造性劳动存在独创性、开拓性和新颖性等特征(曾绪宜,2020);相反,重复性劳动不具有上述特征,是一种在特定应用场景中运用已知原理的劳动方式,其本身不存在探索性的创造过程。从价值实现的角度看,知识产权产品创造的价值体现为创新主体垄断使用知识产权产品产生的超额利润,相反,数据要素的非竞争性和规模报酬递增特征,使其创造的价值随着使用次数、使用者数量的增加而增加。国民经济核算分类原则规定,应尽量细分各产品,将基本同质的产品归为一类以便于核算处理。数据要素与知识产权产品的“价值创造-实现”路径存在显著差异,因此,本文认为应将数据要素作为固定资产下与知识产权产品并列的单独分类。

3. 数据要素的核算范围

在数据要素内涵的基础上,本文进一步针对数据要素的非竞争性、规模报酬递增和动态实时性等不同于传统生产要素的特征,结合经济所有者、后续使用及管理、流通形式等现实因素探讨数据要素的核算范围。

(1) 经济所有者。SNA体系将经济生产的主体划分为企业部门、政府部门和住户部门。理论上,这些部门的数据要素生产活动均满足SNA2008的生产活动定义,理应纳入数据要素核算范围。然而,结合实践进行考察可以发现,与企业部门不同,政府部门和住户部门拥有的数据要素几乎不用于市场交易。但考虑到政府部门拥有的数据要素规模较大、领域广泛,对公共管理具有巨大的潜在利用价值,能够对宏观经济产生显著影响,因此,应将政府部门的数据要素纳入数据要素核算范围。相反,住户部门拥有的数据要素对宏观经济影响细微,并且由于资源和技术水平有限,住户部门很难对大规模数据资源进行存储、整理和分析,因而住户部门拥有的数据要素价值十分有限。因此,本文认为应将企业部门和政府部门拥有的数据要素纳入核算范围。

(2) 后续使用及管理。由于非竞争性的存在,生产者不仅能够在生产过程中重复利用同一数据要素,还能够通过收集新的数据拓展原有数据要素的规模,进而提高数据要素可挖掘的价值。因此,除数据要素的第一次使用外,数据要素后续使用产生的价值同样需要纳入核算范围。此外,由于数据要素具有动态实时性的特征,为使数据要素长期在生产过程中发挥作用,其所有者必须持续对其进行存储、维护和更新。SNA2008指出,企业为维持固定资产处于良好工作状态而进行的日常维护和修理费用,通常作为中间消耗处理。因此,应将数据要素的存储、维护、更新等后续管理支出记录为中间消耗。

(3) 流通形式。数据要素能够以市场交易的形式出售给其他单位,也能够以开放或共享的方式提供给其他单位使用。交易型数据要素能够为数据资产的生产者带来经济收益,显然应纳入数据资产核算范围。开放型和共享型数据要素虽然没有给数据要素的生产者带来直接经济利益,但能通过其他方式形成间接经济利益,例如,增加公司的商誉。因此,开放型和共享型数据同样需要纳入核算范围。

4. 数据要素的估值方法

数据要素的价值分为数据要素本身固有的潜在价值和在数据要素流通过程中显现的价值(奉国和和肖雅婧,2023)。目前,实践中尚未出现成熟、统一的数据要素价值评估方法。根据SNA2008,资产估价的方法主要有三种:第一是市场法,根据交易或等价物的市场价格来估价;第二是成本法,根据生产相应货物服务所需成本总额来估价;第三是收益法,根据预期未来收益的贴现值来估价。数据要素具有虚拟替代性、融合共生性、非竞争性、规模报酬递增和动态实时性等几大特征,传统的三种估值方法在数据要素的价值估算过程中各自具有一定的适用性,但也存在相应的局限性。以上三种估值方法评估数据要素价值的优缺点如表2所示。

表2 传统数据要素价值测度方法的比较

当前中国数据要素交易市场活跃度不高,数据要素价格数据并不充分,相较于其他方法,成本法具有基础数据收集难度低、可行性较高的优势。然而,不容忽视的是,数据要素的投入与产出具有弱对应性,传统的成本法往往低估数据要素的价值。兼顾可行性与准确性,本文认为对于无法获得价格数据的数据要素,可以在传统成本法的基础上,结合价值实现途径设定影响数据要素价值的重要因素,由此计算数据要素的生产成本的调整系数,使估算结果尽可能真实地反映数据要素的产出价值。

(1) 信息型数据要素。信息型数据要素是指生产者以检索信息为目的收集、整理并存储于数据库的表征有序信息特征的数据集,用户借助业务查询系统、文献检索系统、信息检索系统等数据库检索平台从中查询所需信息。数据信息量、数据质量和数据稀缺程度是影响信息型数据要素价值的重要因素,因此,本文构建信息型数据要素价值测算的一般理论模型如下:

信息型数据要素价值=信息型数据要素开发价值×信息价值呈现因子

其中,信息型数据要素开发价值是指信息型数据要素生产过程中的各项成本总和,包括劳动成本、中间投入以及资本服务成本等;信息价值呈现因子由一系列影响信息型数据信息价值的因素组成,具体计算公式如下:

信息价值呈现因子=数据信息量指数×数据质量指数×数据稀缺程度指数

其中,数据稀缺程度指数是数据要素所有者对数据独占程度的体现,可通过数据要素的数据量占该类型数据要素总量的比例来量化评价,数据要素的稀缺性是相对动态的概念,在特定场景和时间节点,数据要素具有极高的稀缺性。

(2) 知识型数据要素。知识型数据要素是指生产者为挖掘数据要素表征的信息隐藏的深层知识而收集、整理、存储、分析的数据集,在数字技术的支持下,知识型数据要素可以缓解人类认知的局限,为科学决策提供依据。信息价值和知识价值是影响知识型数据要素价值的重要因素,因此,本文构建知识型数据要素价值测算的一般理论模型如下:

知识型数据要素价值=知识型数据要素开发价值×信息价值呈现因子×知识价值转换因子

其中,知识型数据要素开发价值是指知识型数据要素生产过程中的各项成本总和;信息价值呈现因子计算公式同上;知识价值转换因子是生产者从数据要素中提取知识多少的体现,其取值大小主要受生产单位的算力影响,算力是指对数据的处理能力,可从数据的计算、存储和传输等三个维度进行评估,算力规模越大,提取的知识可能就越多。

(3) 流通型数据要素。流通型数据要素是指根据一定规则从内部供给方转移到外部需求方的数据要素。当前,数据要素主要是以交易的方式在数据交易市场流通。此外,数据要素还可以通过共享和开放等方式进行流通。

对于交易型数据要素而言,由于在交易时会产生明确的市场价格,可采用市场法估价;对于共享型数据要素和开放型数据要素,信息价值和传播价值是影响共享型数据要素和开放型数据要素价值的主要因素,因此,本文构建共享型、开放型数据要素价值测算的一般理论模型如下:

共享型、开放型数据要素价值=共享型、开放型数据要素开发价值×信息价值呈现因子×传播价值呈现因子

其中,共享型、开放型数据要素开发价值是指共享型、开放型数据要素生产过程中的各项成本总和;信息价值呈现因子计算公式同上;传播价值呈现因子是使用者对共享型、开放型数据要素认知水平和运用的活跃程度,可根据累计下载量进行量化。

五、 结论与展望

作为社会生活最关键的核心生产要素,数据要素日益成为企业和国家重要的战略资产和核心生产力。探析数据要素的核算理论及方法,既有利于丰富国民经济核算理论体系,推动数据要素核算理论研究与实践工作的开展,也有助于明晰数据要素价值对宏观经济总量指标的影响,反映数据要素对经济增长的贡献,推动数据要素市场发展。本文基于国民经济核算理论,围绕“价值创造-实现”路径对数据要素核算的理论问题展开系列探讨,主要得出以下结论:

第一,内涵界定方面。数据要素指的是经济主体以生产为目的而借助数字技术采集、整理、分析的规模性数据资源,从中获取的描述性信息和创造性的知识,可以驱动生产方式、生活方式和治理方式变革,进而推动生产力的发展,创造社会财富。与此同时,不同于传统生产要素,数据要素具备虚拟替代性、融合共生性、非竞争性、规模报酬递增以及动态实时性等特征。

第二,“价值创造-实现”路径方面。数据要素遵循“数据生成-数据获取-数据分析-数据应用”的价值创造路径,随着加工处理的深入进行,数据不断增值,经历了“数据原料-数据资源-数据产品-数据要素”的价值形态升级过程;基于算力和算法的技术支持,数据要素可从提升要素回报率、优化决策流程、流通对外赋能三条路径实现价值。

第三,核算理论方面。数据要素具有生产属性和资产属性,在生产过程中使用时间达一年及以上的可以划入固定资产分类,与知识产权产品并列;否则,应记录为存货。数据要素的核算范围包括企业部门和政府部门拥有的数据要素,使用次数不限。数据要素的存储、维护、更新等后续管理支出记录为中间消耗。数据要素的价值估算可以在传统成本法的基础上,结合价值实现途径设定影响数据要素价值的重要因素,由此计算数据要素的生产成本调整系数,使估算结果尽可能真实地反映数据要素的产出价值。

为进一步推动数据要素核算领域研究进展,本文尝试提出以下几点建议:

第一,数据要素核算需要重点关注生产成本调整系数。从国内外统计实践的角度看,成本法是现阶段估算数据要素价值的最优方法。然而,数据要素投入与产出的弱对应性要求对数据要素的生产成本作出进一步调整,使估算结果更加接近数据要素的真实产出。

第二,数据要素核算需要合理编制数据行业分类及数据职业清单。当前,中国尚未针对数据要素提出清晰一致的行业分类,也不存在标准统一的从事数据要素生产活动的职业分类。从统计实践的角度看,不利于统计人员准确把握数据要素投入的统计范围,容易导致重复计算或漏算,最终影响投入统计结果的准确性。

第三,数据要素核算需要注重积累数据要素交易价格数据。经过近些年的培育,中国数据要素市场得到了充分发展,目前已在贵阳、上海、北京等地相继建立数据交易平台。相较于生产成本,数据要素交易价格数据能够更为客观地反映数据要素的产出价值。因此,相关人员应重视积累丰富的数据要素价格数据,推进数据要素核算理论方法的改进和完善。