企业大数据的资产属性辨析.docx

企业大数据的资产属性辨析.docx

《企业大数据的资产属性辨析.docx》由会员分享，可在线阅读，更多相关《企业大数据的资产属性辨析.docx（13页珍藏版）》请在冰豆网上搜索。

企业大数据的资产属性辨析

企业大数据的资产属性辨析

关于《企业大数据的资产属性辨析》，是我们特意为大家整理的，希望对大家有所帮助。

　　【摘要】大数据日益成为国家和企业的战略资源，发挥着实质上的资产作用。

然而，会计未能有效揭示大数据资源的价值。

文章以《企业会计准则――基本准则》中关于资产定义及确认条件为依据，以企业数据类型、构成及来源为基础，考察了企业大数据的资产属性问题。

分析表明，企业大数据具备“由过去交易或事项产生”“企业拥有或控制”“预期会为企业带来未来经济利益”等资产特征，因而符合资产定义；随着大数据分析运用技术的日益演进，大数据预期带来未来经济利益流入的可能性将大为提高；无形资产评估技术的不断发展和创新使大数据成本或价值得以可靠计量成为可能，表明企业大数据满足资产确认条件。

故认为企业大数据具备资产属性，应将其作为一项资产进行财务列报。

下载论文网

　　【关键词】企业大数据；资产属性；资产定义；资产确认

　　【中图分类号】F234.4【文献标识码】A【文章编号】1004-5937（2017）12-0007-06

　　一、引言

　　大数据日益成为国家和企业组织的战略资源。

研究和实践发展表明，大数据有助于获得生产力、竞争优势、效率[1]，是创新能力以及创造消费者盈余的关键要素[2]，是一种促进公司绩效提高的正向因素；采用“数据驱动的决策方式”的企业能够获得约5%的生产力和约6%的利润率，这些差异在排除了劳动、资本、购买服务、传统IT投资等解释因素之后依然强劲[3]。

大数据已成为类似于品牌形象的一项企业资产[4]。

　　然而目前却缺乏一种有效机制或方式来正式揭示这一新型企业资产的价值。

会计则恰好提供了这样一种正式机制。

作为一种经济信息系统，会计通过提供对利益相关者决策有用信息来减少信息不对称问题。

这些决策有用信息，即与企业组织的财务状况、经营成果和现金流量相关且可靠的财务和非财务信息。

理论上讲，凡是能够对企业组织的财务状况、经营成果和现金流量产生重要实质性影响的经济事项或经济资源，都应当包含于企业的财务报告中。

大数据正是这样一种具有远大运用前景和价值创造潜力、能够对企业组织产生重要实质性影响的经济资源，因此，它的价值信息也应当包含于当今的企业财务报告中。

　　当然，“在财务会计中，并非所有经济资源与义务及其变动都被确认与计量”（美国APB第4号公告《企业财务报表的基本概念与会计原则》，1970）。

但是，在符合了“效益大于成本”和“重要性”原则的前提下，并满足会计要素的确认条件时，就应当将一定的经济资源或资源要素确认为财务报表要素（美国FASB第5号概念公告《企业财务报表的确认和计量》，1984）。

随着知识经济时代的到来，人力资本、智力资本、客户资源等无形资产对企业的重要性日益上升，甚至超过传统有形资产（想想Facebook）。

然而，由于对这些无形资产的计量存在困难，或者对其确认不满足“效益大于成本”原则，致使这些无形资产仍未在组织财务报表中正式列报。

但是，不对这些具有重要实质性经济影响的无形资产进行列报，无疑降低了相关组织会计信息的决策有用性。

正因为此，有关这些无形资产的价值评估和计量研究已经成为国内外会计学界的当务之急，也构成了当前会计热点和未来研究的方向之一。

　　大数据作为近二十年新兴的一种无形资产①，也存在着同样的问题。

一方面，人类社会正走向全面数据化（孙海华，2015）、“赢得数据者赢得产业”（郑英豪，2015）。

另一方面，国家借力大数据提升国家治理能力、建设“智慧城市”“智慧国家”等战略举措及一些行业日益“数据化”“智能化”（如互联网、电信、金融等行业）等，使得大数据日益成为重要战略资产，而这种战略资产的价值却未能在政府和相关行业企业的财务报告中得以反映，这无疑会引发信息不对称问题，不利于利益相关者对组织质量的判断，也降低了会计信息的决策有用性。

　　美国FASB第5号概念公告《企业财务报表的确认和计量》（1984）规定会计要素的确认标准为可定义性、可计量性、相关性、可靠性。

IASC（现改组为IASB）《编报财务报表的框架》（***）也明确规定一个项目需满足“与该项目有关的未来经济利益很有可能流入或流出主体；对该项目的成本或价值能够可靠地加以计量”两个条件时才能确认为会计要素。

我国2014年修订的《企业会计准则――基本准则》也做出了类似规定：

一项资源应当符合资产定义，并同时满足资产确认条件，才能确认为资产（第二十一条）。

“符合资产定义和资产确认条件的项目，应当列入资产负债表；符合资产定义，但不符合资产确认条件的项目，不应当列入资产负债表。

”（第二十二条）

　　由此可见，大数据能否作为资产要素确认，就包括对如下两个方面问题的回答：

第一，企业的大数据资源是否符合资产定义？

第二，企业的大数据资源能否满足资产确认条件？

鉴于此，本文拟对上述两个问题一一剖析，即对大数据的资产属性进行探析。

　　二、企业数据生态系统

　　大数据是指其规模超出了典型数据库软件工具能够抓取、存储、管理和分析能力的数据集。

Laney（2001）最早提出了大数据的“3V”特征：

容量大（Volume）、多样化（Variety）、速度快（Velocity）。

“大数据之父”维克托运用“4V”特征：

数据体量大（Volume）、数据类型繁多（Variety）、处理速度快（Velocity）、价值密度低（Value）描述大数据。

Moffittetal.[5]则详细而又灵活地描述了典型的大数据应当具备的条件或特征：

（1）系机器自动获取或产生；

（2）可能仍是以传统形式存在，但会因频繁广泛地收集不断扩大；（3）也可能是另外一种全新的数据来源；（4）没有被格式化，因而不易被使用；（5）可能大部分都是无用的，虽然大数据的收集及其经济意义是积极的；（6）当与企业ERP系统里的结构化数据相结合时，就会有用得多。

　　“大数据”与传统“小数据”相比，最大差异不在于其“容量”（Volume），而在于其“格式”（Variety）。

“小数据”多为结构化数据，如销售、工资、会计、采购等交易数据，这些数据多以一个包含行、列的表格形式呈现。

而大数据，不仅包括传统的小数据，更多包括非结构化数据（约占90%），它们难以量化，难以用?

魍车男小⒘蟹绞匠氏郑?

可以跨设备收集（包括笔记本电脑、移动电话、传感器、卫星等），主要表现为一些“软”信息，如视频、卫星图像、社会媒体交互，或电子邮件、短信、网页等[6]。

但也正是这些非结构化的大数据提供了探索和利用大数据的最大机会。

　　Moffittetal.[5]的“企业数据生态扩展图”提供了有关企业数据类型、来源、结构、收集方式等动态演进的大致框架。

该框架描述了随时代发展和科技进步，企业数据从最初的手工收集到后来的自动化收集，从最初主要是内部数据到后来的内外部数据日渐融合，从传统的结构化小数据到现在联结了结构化、非结构化数据在内的大数据，企业数据已然是一个数据类型多样化、数据来源广泛化、数据结构复杂化、数据内容丰富化、收集成本低廉化的数据生态系统（如图1所示）。

　　根据图1，位于企业数据核心地位的依然是传统数据，包括企业资源计划（ERP）、客户资源管理（CRM）、会计信息系统（AIS）等产生的数据。

这些数据产生于企业正常的生产经营过程中，是企业基础性数据。

早期这些数据通常由手工收集。

随着信息化程度提高，企业收集数据的范围逐步拓展，收集的自动化程度越来越高。

条形扫描码的出现产生了更多扫描数据，这些半自动化数据的收集成本更低，还能提供更多细节性信息，如顾客偏好哪些产品、哪些产品相关、如何进行存货在线控制等。

射频识别芯片（RFID）的广泛运用产生了数量更多、内容更丰富的自动化数据，且收集成本更低。

随着互联网的普及，大量网页数据产生，包括网址（URLs）、点击路径（Click-Path）、内容数据等。

手机等移动设备的出现产生了大量与地理位置、使用场景等相关的移动数据。

处于最外围的是数据庞大的三类大数据：

视频和图像、音频、文本等，它们与企业传统数据“紧密联结”[7]，为企业利益相关大数据[8]，并通过“数据桥”被链接和整合进企业的数据环境中，构成企业扩展的数据生态的一部分。

“数据桥”是指一些新兴的商业运用程序，如自动脸部识别、威胁识别、语音识别、模糊内容理解、文本挖掘、语音向文本的转录等，其作用在于在数据源和财务运用之间提供一定程度的桥接，从而将数据信息链接到企业的信息系统中[7]。

　　三、企业大数据符合资产定义分析

　　资产是指企业过去的交易或者事项形成的、由企业拥有或者控制的、预期会给企业带来经济利益的资源。

该定义强调了“资产”应当具备的三方面特征：

一是由过去的交易或者事项形成；二是由企业拥有或者控制；三是预期会给企业带来未来经济利益。

（一）由过去的交易或者事项形成

　　该特征强调企业的大数据资源应当是由企业过去的经济交易或事项所导致的现实结果。

预期在未来发生的交易或者事项所形成的大数据不构成企业资产。

企业过去的交易包括自行制造、购买、接受投资等经济交易，或者提取折旧、累计摊销等事项。

　　在企业各类数据中，包括由企业资源计划（ERP）、客户资源管理（CRM）、会计信息系统（AIS）等在内的传统数据是企业正常生产经营过程中产生的内部数据，是企业基础、核心数据，有些数据还是企业的关键数据甚至商业秘密。

扫描数据则产生于企业的现金出纳机端的收款业务，射频识别（RFID）数据源于企业采用射频识别（RFID）技术来对商品或存货进行识别、跟踪或控制等。

在企业的设备上使用互联网会产生网页数据，移动数据是由携带了众多传感器的移动设备提供，包括一些位置、语音和情景数据，用以评估人们的行为和社交互动，它是企业的外部数据。

企业中的电话会议等音频数据，访谈面视等视频数据，公司产品等图片数据，电子邮件、社交媒体等文本数据也都是由企业过去的交易或事项形成的现实数据。

（二）由企业拥有或者控制

　　这一特征要求大数据应当能够由企业拥有或者控制。

即企业或者拥有数据所有权，或者虽然不拥有数据所有权，但拥有对大数据资源的控制权。

　　Bulgeretal.[1]依据数据获取方式及所有权，将大数据分为三类：

第一方数据（组织自行收集数据、拥有数据所有权）、第二方数据（与其他组织合作收集数据、数据所有权不能确定）、第三方数据（由其他方收集数据、其他方拥有数据所有权）。

　　第一方数据包括企业出于商业目的而自行收集的有关客户的数据。

如零售业、金融业等在开展业务的同时积累了大量客户交易数据和人口统计特征数据，并拥有对这些数据的所有权。

但这类数据通常包含有顾客身份信息，因此需经过“清洗”“脱敏”处理后使用，以保护隐私和安全问题。

另一种有争议的情形是：

用户在Google、XX等搜索引擎上的搜索数据或在淘宝、京东等平台上注册、浏览、购物、支付等产生的数据，其所有权问题目前尚不明确。

现有研究或者认为应当归属于个人资产，所有权归个人所有，或者认为应归属为平台资产，所有权归平台所有，个人用户只是这些数据的生产者，但平台在使用时有保护个人隐私的义务（IT时报，2016）。

　　第二方数据是与其他企业合作收集的数据。

数据仅能在合同约定各方之间进行共享，并规定了时间和行为范围。

如当一个公司通过GoogleAdWords投放广告时，通常由Google公司代为该公司收集相关数据，也通常由Google公司代为存储数据，而该公司则可以获得由Google代为收集的数据，包括网页浏览次数、页面点击次数、特定搜索的输入次数等。

那么该公司与Google之间就共享数据，但数据所有权通常并不明确。

企业之间基于数据的战略联盟也是数据共享的一种形式。

如万达、XX、腾讯基于O2O建立的大数据联盟。

当然涉及隐私和安全问题的数据同样需要经过“清洗”“脱敏”以后才能加以分析运用。

　　第三方数据是由其他方（如第三方数据供应商）收集并拥有的数据。

如政府数据、数据服务商、征信机构、市场调查机构等收集的数据。

在第三方数据层面上，数据的来源和类型都大大增加，数据既可能来自于网页（网页抓取），也可能来自于数据供应商；既可能包括公开或公众数据，也包括封闭性和商业性质数据。

如美国的一家高科技招聘公司Gild，运用自行开发的软件，从包括GoogleCode、LinkedIn等在内的80多种公开数据源中，搜索有关程序开发员的网页，并按其编写的免费开源代码的质量来评估其才能，以招聘合适的程序员[1]。

由于第三方数据的收集方法通常不是很清楚，故?

碛写死嗍?

据的公司的声誉至关重要；当数据购买方在收到所购买的数据结果时，关于数据的抽样程序、数据收集细节都不透明，因而数据购买方也不清楚数据是如何被收集的；第三方数据供应商往往根据顾客需求打包数据，针对特定目标群体提供信息[1]。

　　当今，越来越多的企业使用外部数据来支撑自身发展，因此企业数据既有第一方数据（如传统数据、扫描数据、RFID数据），也可能有第二方数据（如网页数据），或者第三方数据（如由专业的第三方数据供应商提供的征信数据、市场调研数据等）。

对于这些数据，企业要么拥有所有权，要么通过共享等方式拥有其控制权。

　　（三）预期会为企业带来未来的经济利益

　　预期能为企业带来未来经济利益是资产的本质特征。

大数据之所以被视为“将和土地、劳动力和资本一样，成为一种生产要素”[9]，原因在于其具有能为企业创造价值的潜力。

现有文献表明，大数据将在四个方面大有作为：

减少成本、节约时间、提供以数据为基础的产品或服务、支持内部决策[10]，最终带来未来现金流量的增加。

但大数据创造价值不是以原始数据形式，而是通过对数据的处理和分析来产生洞见、产品、服务[10]。

　　对企业传统数据的分析和运用可以帮助企业改善经营管理、提高企业效率（减少成本、节约时间的例子）。

扫描数据、RFID数据的分析运用，可以提供更多关于顾客产品偏好、产品相关性及存货变动方面的洞见，从而能改进产品摆放及更好存货控制，增强企业快速反应的能力，增长销售从而增加现金流（提供以数据为基础的产品或服务的例子）。

网页数据分析能够帮助提供关于顾客购买决策过程的有趣信息（支持内部决策、提供以数据为基础的产品或服务的例子），移动数据则能够提供关于用户行为和社交互动方面的信息，从而有利于深入了解顾客、精准营销（支持内部决策、提供以数据为基础的产品或服务、减少成本、节约时间的例子）。

　　图1显示，视频和图像、音频、文本数据是企业运用最多的三类大数据。

虽然大数据的早期运用并非来自于商业，但企业发现将大数据与传统数据、自动抓取数据、外部数据相结合时，能够获取更大的价值[7]。

视频数据分析能够提供比口?

^信息更有价值、更相关的非口头信息[11]。

从视频数据中提取的信息能够用于支持营销活动并帮助确定供应链中的瓶颈问题[8]。

把与企业高管、董事会成员的面谈视频数据与他们的语音、语言等数据相结合，可以对公司高管意图有更清晰完整的把握，从而洞察公司是否健康[8]（这是支持内部决策、减少成本的例子）。

从图像中提取的信息可以帮助企业了解和把握产品使用趋势、对公司形象进行评估等（这是支持内部决策、提供以数据为基础的产品和服务的例子）。

音频数据里的音高、语调可能预示着压力或异常情况。

Mayewetal.[12]运用音频数据分析首席执行官的讲话模式，发现其讲话模式中的语音认知失调与因不合规引起的财务重述之间有积极关系、语气中所隐含的消极或积极的情感状态与股票回报率显著相关（支持决策、减少成本的例子）。

分析顾客的投诉电话，能够了解顾客对产品满意度以及产品质量信息，从而提高对产品保修责任的估计（这是支持内部决策的例子）。

文本数据可用于提取隐藏主题、发现特定模式或风格等[5]。

社交媒体上的文本数据能够用于支持营销、对产品可能存在的瑕疵早期预警、预测销售量等[8]。

在美国，电子邮件信息被挖掘用以识别那些心怀不满的工人、预测组织欺诈风险，从而减少职业欺诈[13]（这是减少成本、节约时间的例子）。

　　四、企业大数据满足资产确认条件分析

（一）与该资源有关的经济利益很可能流入企业

　　这一资产确认条件的核心在于两个方面：

其一，该资源是否能带来经济利益？

其二，该经济利益是否“很可能”流入企业？

针对第一个方面，前已述及，不再赘述。

针对第二个方面，主要分析与大数据有关的经济利益是否“很可能”流入企业。

　　由于企业面临的经济环境瞬息万变，“与某一资源有关的未来经济利益”能否流入企业以及在多大程度上能够流入企业具有一定的不确定性，即与资源有关的未来经济利益的流入具有风险性。

会计上运用“可能性”（通常以概率形式）来表达这种不确定性或风险性，并规定了四种量化标准：

设与某一资源有关的未来经济利益流入的概率为X，则当050%时，才能确认为资产。

　　实务中，需要结合企业实际情况及编制财务报告时各项证明和迹象，运用职业判断来确定该可能性大小。

不过，大数据分析、挖掘和运用技术的日臻完善将大大提升企业评估和预测业务绩效的能力[8]，使得企业运用大数据创造未来经济利益的可能性大为增加。

（二）该资源的成本或者价值能够可靠地计量

　　可计量性是所有会计要素确认的重要前提，也是当前困扰大数据列作资产要素的瓶颈之一。

“会计计量是会计系统的核心职能”。

“会计计量就是以数量关系来确定物品或事项之间的内在数量关系，而把数额分配于具体事项的过程”。

其本质是一种价值计量，包括资产计价和损益决定。

大数据的计量问题属于资产计价范畴。

　　1.计量属性的选择

　　资产计价有成本计量和价值计量两种基础可供选择。

成本反映投入，价值代表产出，二者均可以通过计量属性予以量化（黄中生等，2005）。

成本基础的计量属性包括历史成本、现行成本，强调会计信息的客观性、可靠性、可验证性；价值基础的计量属性包括现行市价、可变现净值、未来现金流量现值等，强调会计信息的相关性。

资产计价究竟应以成本还是价值作为计量基础，实际上是在相关性与可靠性之间进行权衡。

权衡的取舍标准是使信息的总效用最大（刘明辉，1999）。

　　那么，对企业的大数据资源进行资产计价，究竟是应该采用成本基础还是价值基础呢？

　　首先，从企业角度而言，企业拥有或控制大数据资源的目的在于获得洞见、提升竞争优势、创造财富，这也是当今世界国家或者企业积极部署“大数据”战略的根本原因和重大挑战。

　　其次，从会计信息使用者角度而言，各类利益相关者更关心企业所拥有或控制的大数据能够为企业创造财富的潜在价值（相关性信息――价值计量），而非这些大数据本身的收集和获得成本（可靠性信息――成本计量）。

　　基于此，笔者认为对于大数据应采用价值基础的计量属性，包括现行市价、可变现净值、未来现金流量现值等。

具体应结合企业大数据的获取途径或增加渠道，采用恰当的计量属性，以提供决策有用的会计信息。

　　2.计量方法的发展

　　大数据的价值计量可以参照无形资产的价值评估方法。

自20世纪以来，已提出了多达几十种的无形资产估价模型，评估范围包括人力资源价值（Edvinsson，1997）、信息资产（Moody&Walsh，1999）、专用技术（Reilly，1998）、品牌价值（Sharma，2012）等。

与基于成本或市场基础的估价方法不同，Heckman[14]基于数据本身的各项特征（包括定性、定量、价值方面变量）来对数据定价，为将数据计为企业资产服务。

我国自2015年以来陆续建立的大数据交易所或交易中心也旨在探索大数据的交易和定价机制。

　　然而，正如[15]所指出的那样，无形资产的多样性、复杂性和独特性反而导致了其“评估过程的无效率”，从而陷入了这样一个“怪圈”：

“无形资产是不能够确认的，因为其缺乏一个可靠的评估标准去计量其价值”――“由于缺乏一个可靠的方法来确定无形资产价值，因此无形资产不能够确认”。

　　由于本文的研究目的并非大数据的价值评估，故不打算在此探讨大数据的价值评估方法或模型构建。

但为了避免陷入上述怪圈，本文认为，随着包括大数据在内的无形资产价值评估方法、定价机制等日渐成熟完善，企业大数据的价值可以得到可靠的计量。

　　3.计量单位的考虑

　　单一的货币计量手段不足以反映大数据动态、多样、多源等特征，还应采用字节、时间、文本、速率等其他辅助性计量手段。

如：

字节（Byte，1B=8bit）为反映数据存储容量的最基本单位，考虑到大数据的规模巨大，可以采用TB（太字节）、PB（拍字节）、ZB（艾字节）及以上字节单位来表示大数据容量或规模；可以采用记录（录音）、文件等表示大量非结构化大数据；可以采用每毫秒、每秒、每分等来表示大数据的产生和发送频率；按类型或来源分类披露大数据，以反映其多样性等。

　　五、关于大数据资产计量模式的构想

　　从会计视角，一般按来源渠道或增加途径将资产分为自制、外购、接受投资、接近捐赠、企业合并、非货币性资产交换、债务重组等原因增加的资产。

由于当前我国大数据的交易市场尚未普遍建立，相关的数据交易机制尚不成熟，有关大数据的对外投资、非货币性资产交换或债务重组等的业务尚不多见，故本文主要针对两类最基本、最常见的大数据资产计价进行初步构想：

自行收集加工形成的大数据、外购大数据。

（一）自行收集加工形成大数据的计量

　　企业出于特定商业目的或竞争需求，会主动获取、收集、加工、整理大数据，从而形成企业自制大数据资产。

前文所述的企业传统数据、扫描数据、RFID数据等是企业的基础、核心数据，多年来由于技术、环境等原因，这些数据未能得到很好的开发利用，还只是“沉睡的宝藏”，尚未真正为企业发挥价值。

而网页数据、移动数据、音频、视频、图片、文本等数据，则为企业提供了较好的补充性和辅助性信息，能够帮助企业更好决策。

在具备资源、技术、人力的条件下，企业可以自行收集加工这些大数据，或者通过企业间结盟的方式与其他企业共享。

从所有权角度来看，第一方数据大多为此类数据。

　　企业自行收集加工大数据会产生一定的投入成本（物力、人力、财力等），但相比较而言，企业更看重大数据的潜在商业价值。

因此，在会计计量上，其初始计量可采用历史成本计量，因其自行收集加工成本通常能够可靠地取得；在后续计量方面，宜采用能够反映大数据价值的、决策相关的计量属性，如现值、公允价值等。

另外，由于大数据的时效性、时间衰?

p性、无限分享性、零磨损性等特性，还应考虑其减值问题[16]。

（二）外购大数据的计量

　　要像购买机器设备、原材料等资产一样从外部市场上购入所需要的大数据资产，需要有完善的数据交易市场和规范的交易交换机制为前提和保障。

然而现实情况是，当前我国各部门、行业之间的“数据孤岛”现象十分严重，数据价值未真正盘活。

为推动大数据流通、实现数据价值，我国2015年发布了《促进大数据发展行动纲要》《关于积极推进“互联网+”行动的指导意见》等，旨在推动数据交易市场试点、探索数据交易交换机制。

　　截至2016年年底，包括贵阳大数据交易所、长江大数据交易所等在内的大数据交易平台数量预计将达到15―20个（人民网，2016）。

其中，我国首个大数据交易所――贵阳大数据交易所能够交易的数据类型包括政府、医疗、金融、企业、电商、能源、交通、商品、消费、教育、社交、社会十二类（贵阳大数据交易所702公约，2015）。

中关村数海大数据平台可交易除涉及国家安全数据和个人数据以外的数据（含底层数据）[17]。

武汉东湖大数据交易中心则可以向个人开放，类似于“数据淘宝”，这在全国尚属首例（长江日报，2015）。

另外还推出“以数易数”服务，允许用户与卖方进行“物物交换”（人民网，2016）。

大数据作为“商品”交易的实践表明，大数据是数据控制人的数据资产[17]。

　　企业通过大数据交易平台购买大数据资产时，宜采用购买成本（即历史成本）进行初始计量，后续计量则宜采用公允价值计量（公允价值应能够持续可靠地获得或采用估值技术获得）。

同时，也应考虑大数据的减值问题。

　　随着数据交易市场的深入发展和交易机制的日渐成熟，以数易