今天是2024年12月9日，星期一，农历十一月初九，美好的一天从阅读《现代财经-早读早分享》开始！
每日晨语
只要深谙自身之长，紧抓不放，并矢志不渝，每个人皆能在特定领域绽放异彩。美好的一天从发现自我之长开始！周一，早安！
以下内容是由《现代财经》编辑部根据国内外财经类门户网站相关资讯编辑整理而成（总第3209期）。原创不易，敬请尊重。谢谢鼓励。
一、早读分享
1、系统谋划发展数字贸易。 近日，《中共中央办公厅 国务院办公厅关于数字贸易改革创新发展的意见》发布。《意见》对加快发展数字贸易， 推动贸易高质量发展，巩固和提升我国在全球产业链、供应链、价值链中的地位，建设更高水平开放型经济新体制意义重大。近年来，以数据为关键要素、数字服务为核心、数字订购与数字交付为主要特征的数字贸易蓬勃发展，已成为国际贸易新趋势和世界经济新增长点。 蔡子微评： 随着全球数字经济的迅猛发展，数字贸易将迎来更加广阔的发展前景和机遇。数字技术的不断创新和迭代将推动数字贸易的深化和拓展，催生出更多的新业态和新模式。系统谋划发展数字贸易是我国应对全球贸易变革、提升经济竞争力的重要举措。应不断完善制度规则和治理体系，支持数字贸易细分领域和经营主体的发展，推进数字贸易的制度型开放，并积极参与全球数字贸易规则的制定和合作。 话题关注：数字贸易创新发展与价值链地位提升的路径研究 2、支持电力领域新型经营主体创新发展。 国家能源局近日印发《关于支持电力领域新型经营主体创新发展的指导意见》（以下简称《指导意见》），明确鼓励新型经营主体平等参与电力市场。《指导意见》提出，新型经营主体参与市场与其他经营主体享有平等的市场地位，并进一步优化完善新型经营主体的市场注册 、交易机制与计量结算机制 。（人民日报海外版） 蔡子微评： 随着科技的飞速进步和能源结构的转型，电力领域正迎来前所未有的变革。新型经营主体，如分布式能源服务商、智能电网运营商等，凭借其创新技术和灵活机制，能够有效推动电力行业的高效、清洁、可持续发展。支持这些主体的发展，不仅能激发市场活力，促进产业升级，还能带动相关产业链的发展，增加就业机会。同时，这也是实现“双碳”目标、构建新型电力系统的重要途径。 话题关注：产业链技术共生视角下的电力领域新型经营主体培育机制研究 3、补短板打造智慧农业好前景。 农业农村部近期发布的两份文件《关于大力发展智慧农业的指导意见》和《全国智慧农业行动计划（2024—2028年）》，提到同一个关键词——智慧农业。这是推动农业高端化、绿色化、数字化转型的重要途径，是发展农业新质生产力的重要切入点。国家加强对智慧农业的政策支持，加速落地了一批数字田园、智慧果园、数字牧场等典型应用场景，成为推进农业绿色化、品牌化的坚实保障。可以预见，有了更多新政策支持，我国智慧农业发展将迎来新的春天。（经济日报） 蔡子微评： 数字乡村背景下，智慧农业的发展正成为推动农业现代化的重要力量。通过物联网、大数据等技术的应用，智慧农业提高了农业生产的精准度和管理效率，增强了农业的可持续发展能力。这不仅提升了农产品的质量和市场竞争力，还为农民带来了更多的经济效益。政策的支持和技术创新将进一步加速智慧农业的推广，为乡村全面振兴和农业高质量发展提供强有力的支撑。 话题关注：数字乡村背景下智慧农业发展的困境与对策研究 4、金融监管总局发文明确未来五年财险业发展规划。 据国家金融监管局网站消息，金融监管总局近日印发了《关于强监管防风险促改革推动财险业高质量发展行动方案》，明确财险业高质量发展的指导思想、发展目标和实施路径。下一步，金融监管总局将全面加强财险监管，防范化解风险，深化财险领域改革，促进财险业高质量发展，服务金融强国建设。（中国新闻网） 蔡子微评： 在金融强国背景下，财险业的风险管控与高质量发展至关重要。财险公司通过引入先进的风险评估模型和数据分析技术，提高了对市场风险的识别和管理能力，增强了业务的稳健性。同时，高质量发展要求财险业不断创新服务模式，提升客户体验，满足多样化的保险需求。政策的支持和监管的优化将进一步促进财险业的转型升级，为金融体系的稳定和经济增长提供保障。 话题关注：金融强国背景下财险业风险管控与高质量发展研究 5、供应链金融呈现蓬勃发展态势。 中国国际贸易促进委员会日前在第二届链博会上发布《全球供应链促进报告2024》。报告显示，2023年，我国供应链金融行业规模约为41.3万亿元，同比增长11.9%，近5年年均复合增长率为20.88%，呈现出蓬勃发展态势。维护产业链供应链稳定畅通，促进链上企业协同发展，离不开高水平金融服务的助力。当前，部分链上企业存在较大资金缺口，面临融资瓶颈等难题。供应链金融以链上占主导地位的核心企业信用能力为担保，以整体供应链信用为依托，能有效解决链上企业融资难的问题。近年来，各类银行等金融机构发挥自身优势，积极响应链上企业融资需求，提供系统性金融解决方案，为供应链高效运转提供资金支持。（人民网） 蔡子微评： 数字化供应链金融实现了供应链金融产品与供应链实体业务的对接和匹配，有助于保障供应链完整稳定和优化供应链运营效能。然而，数字化供应链金融在发展过程中也存在金融科技融合运用不足、风险管理粗放等问题。对此，一方面要 提升供应链金融智慧化程度，实现供应链金融营销、产品、管理等多维度的全面智慧化，提升批量获客能力 。另一方面，利用大数据、区块链、物联网等技术提升风险管理效率，降低风险管理成本，实现对供应链金融风险链条化的管理。 话题关注：数字经济时代下供应链金融赋能实体经济：基于协同创新和风险承担的视角 6、国家口腔医学中心组建12个专科联盟助力口腔医疗服务。 12月7日新华社记者从国家口腔医学中心2024年联合学术年会上获悉，口腔病理、口腔医学影像、儿童口腔、预防口腔、口腔黏膜病、口腔正畸、口腔全科7个专科联盟正式组建。截至目前，国家口腔医学中心12个专业的专科联盟已全部组建完毕。这将进一步提高口腔医疗服务的可及性和公平性。 为尽快补齐口腔医学发展中的短板和弱项，引领口腔医学发展，2020年底国家卫生健康委员会批准以北京大学口腔医院、四川大学华西口腔医院、上海交通大学医学院附属第九人民医院为主体，共同构成国家口腔医学中心。（中经网） 蔡子微评： 通过专科联盟的建立，可以促进学科间的合作与技术共享，推动口腔医学领域的科研发展与临床技术的提升。这一举措有助于提高口腔医疗服务的可及性和公平性，特别是在资源较为匮乏的地区，将有效改善口腔疾病的诊治水平。同时，通过专业化、精细化的管理和技术培训，能够更好地补齐当前口腔医学发展中的短板，提升整体医疗服务质量。长远来看，专科联盟不仅会推动国内口腔医学的发展，还将推动口腔健康产业的进一步改革和升级。 话题关注：基于区域差异的口腔医疗资源配置研究——以口腔专科联盟为例 7、完善成品油管道运输价格形成机制。 为进一步深化石油天然气市场体系改革，提高成品油管道运输效率，保障成品油稳定供应，近日，国家发展改革委印发《关于完善成品油管道运输价格形成机制的通知》。通知基于成品油管道运输特性，按照“准许成本加合理收益”的原则核定最高准许收入，国家石油天然气管网集团有限公司在不超过最高准许收入的前提下，与用户协商确定跨省管道运输具体价格。同时明确供需双方协商价格的原则：对于其他运输方式可替代的， 管道运输价格不高于替代运输方式价格；对于其他运输方式无法替代的，管道运输价格不高于所在地区或邻近地区铁路运输价格。（中经网） 蔡子微评： 国家发改委通过完善成品油管道运输价格形成机制的政策，旨在通过合理的价格机制提高石油管道运输效率，保证成品油供应的稳定性。此举充分考虑到不同运输方式的成本和效益，在保障市场供给的同时，也避免价格不合理上涨，确保用户能够享受到公平、透明的价格。在当前石油天然气市场体系改革的背景下，这项措施不仅有助于提高能源运输的效率和公平性，还有助于推动石油行业的可持续发展。通过灵活的价格机制，能够在一定程度上提升市场调节能力，增强产业链的韧性与稳定性。 话题关注：价格形成机制改革对中国能源供应链管理的影响与优化路径研究 8、引导资金流向科技创新。 近期，金融资产投资公司股权投资基金在全国多地密集落地。作为银行支持科创的创新举措，大型商业银行下设的金融资产投资公司股权投资扩大试点，有利于解决股权投资融资难、供给总量有限等问题，进而提升科技金融服务水平，畅通“资金—资本—资产”循环，促进资金加速向新质生产力领域流动。（中经网 ） 蔡子微评： 国家金融监督管理总局的举措释放出了相关部门优化金融服务赋能科技创新的决心。未来，随着政策的不断完善和市场的不断发展，金融支持科技创新的力度将进一步加大，更多的资金将流向科技创新领域，为我国的经济社会发展注入新的活力。 9、探索实体经济和数字经济深度融合路径。 近年来，我国数字基础设施不断完善、数字技术快速更迭、数据要素海量积累、数字产业蓬勃发展。目前，我国已 建成全球规模最大、覆盖广泛、技术领先的移动通信网络和光纤网络，数据资源规模保持全球第二位。依托上述基础条件，结合我国超大规模市场和丰富应用场景，实体经济和数字经济深度融合扎实推进。第一产业、第二产业、第三产业的数字经济渗透率不断提升，2023年分别达到10.78％、25.03％和45.63％，工业互联网应用全面融入49个国民经济大类、涵盖所有41个工业大类。 （经济日报） 蔡子微评： 随着数字技术的迅猛发展，数字经济已成为推动全球经济发展的关键力量。要利用数字技术对传统产业进行全方位、全链条的改造，提升生产效率和质量效益。还要加大对大数据、人工智能、物联网等关键技术的研发投入，提升自主创新能力。通过这些措施，可以有效促进实体经济和数字经济的深度融合，为经济社会高质量发展提供强大动力。 话题关注：数字经济与实体经济深度融合路径探析与实践创新 10、首发经济释放上海消费潜能。 首发经济，主打的是“第一次”——涵盖了企业从产品或服务的首次发布、首次展出到首次落地开设门店、首次设立研发中心，再到设立企业总部的链式发展全过程。上海多措并举持续优化营商环境，首发 经济驶入高质量发展的快车道。每年3月份到5月份，上海都会策划“首发上海”春季系列活动。相关部门和企业强强联手，通过首发、首秀、首展、首店等丰富多元的形式，打造新颖 、新奇的消费场景，满足消费者对高品质消费场景的需求，丰富消费体验。（经济日报） 蔡子微评： 随着消费者对高品质消费场景的需求日益增加，首发经济应运而生，通过首发、首秀、首展、首店等形式，提供新颖、新奇的消费体验。首发经济有助于提升上海作为国际消费中心城市的竞争力，吸引更多高端品牌和消费者。通过丰富的消费场景和高品质的商品，满足消费者的多元化需求，推动消费升级。首发经济的发展可以带动相关产业链的升级，促进就业和经济增长。 话题关注：中国式现代化视域下首发经济高质量发展的实践路向——以上海市为例 11、“江南天路”文旅兴。 大雪时节，位于安徽宣城的“皖南川藏线”热度不减，络绎不绝的车辆在路上排起长龙，来自四面八方的游客纷纷来这里打卡。“皖南川藏线”又称“江南天路 ，位于皖南“ 318省道 ”。该公路线东起安徽宁国市的西津办事处，西至泾县的蔡村镇，南达旌德县云乐镇，北到宣州区溪口镇，其中精华路段自宁国市青龙乡到泾县桃岭公路，全长120公里。从十年前“皖南川藏线”初露美貌，到逐步将一个个景点串珠成链，构建起了“车在路上行、人在画中游”的自驾 旅游“大环线”。（经济日报） 蔡子微评： “皖南川藏线”展示了地方旅游资源的独特魅力及其在现代经济中的多重价值。通过精准的品牌定位和文化旅游的深度挖掘，形成了可持续发展的文旅经济模式。特别是在乡村振兴方面，创新型的旅游业态，如乡村咖啡馆的兴起，证明了文旅产业与地方特色相结合，能够有效促进地方经济增长，提升居民收入。 话题关注：乡村振兴视角下文旅产业融合发展的增收效应与实践机制 12、大连：发挥期货市场服务实体经济效能，推动期现联动发展。 近日，大连市委金融办联合相关单位举办大连 推动期现联动发展培训会议。大连市委常委、副市长李丹强调，政府相关部门要学习期货知识，了解期货在发现价格、管理风险、配置资源方面 的功能，借力大连“三个中心”建设，吸引和培育现货贸易企业在大连发展壮大，推动产业链融合发展；依托大连商品交易所这一宝贵金融资源，构建与期货交割相契合的仓储、物流体系，申请设立期货交割库，通过期现联动，促进大连现货贸易发展，充分发挥期货市场服务实体经济效能。（中证网） 蔡子微评： 我国期货市场在支持实体经济结构调整、促进现代农业发展和产业转型升级等方面发挥了重要作用。但其开放程度不足, 国际定价权较弱, 风险管理功能发挥不充分，这些因素在一定程度上制约了期货市场对实体经济的有效服务。对此，一方面通过研究交易所的公司化经营， 逐步完善治理结构， 创新经营理念， 转变经营方式， 着力消除不利于激发积极要素的体制障碍。另一方面，推进商品期货期权品种上市， 提升产业服务能力。统筹推进商品指数及其衍生产品的研发工作， 研究指数化投资工具。 话题关注：产业链视角下期货市场助力实体经济高质量发展：风险管理与路径选择 数据资产管理研究评述与未来研究方向探索
作者：张俊瑞,张颖,董南雁. 导读
摘要： 数字经济背景下，数据资产管理日益成为研究热点。围绕这一主题，本文采用文献计量法和内容分析法，对数据资产管理及相关领域的已有文献进行定量和定性分析。基于相关理论和概念基础，将数据资产管理定义为：以数据资产预期价值实现为目标进行的数据价值增值、数据资产运营和数据资产处置的全生命周期管理活动。根据定义构建研究框架对文献进行系统分析，结果表明关于数据价值增值、数据资产运营的管理活动，以及数据被确认为资产、数据资产预期价值实现两个关键节点的研究较为丰富，而对数据资产处置的研究尚有较大拓展空间。最后，对数据资产管理的未来研究方向进行了展望。
关键词： 数据资产;数据资产管理;数据价值增值;数据资产运营;数据资产处置;
引用格式： 张俊瑞,张颖,董南雁.数据资产管理研究评述与未来研究方向探索[J].现代财经(天津财经大学学报),2024,44(11):22-38.DOI:10.19559/j.cnki.12-1387.2024.11.002.
一、引言 数字经济正在加速重构社会发展模式[1] ,在数字产业化和产业数字化过程中,组织积累了越来越多的数据资产。随着《中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见》公布,以及财政部《企业数据资源相关会计处理暂行规定》的实施,数据资产化进程进一步提速。截至2024年6月3日,共有18家A股上市公司在一季度资产负债表中对数据资源进行了披露,涉及总金额1.03亿元。截至2024年9月2日,共有54家A股上市公司在半年度资产负债表中披露数据资源,金额总计41.93亿元。披露公司数量较一季度增长200%,总金额增加约39.71倍。这一进展一方面增加了企业资产的项目和金额,另一方面有助于提升企业的融资能力。如何对数据资产这一新兴资产进行管理,实现其预期价值?这既是实业界正在探索的难题,也是研究者关注的热点。虽然取得的研究成果不断增多,但围绕该主题的系统性文献梳理和分析性研究明显缺乏,个别文献虽然使用了文献计量的定量研究方法,但未对文献内容做定性的深入挖掘[2] ,或研究主题为“数据资产”但未聚焦于管理[3] 。本文预期通过对数据资产管理进行定义,形成理论研究框架,依据该框架对文献进行梳理与分析,归纳总结研究进展并发现研究缺口,提出未来研究方向,使数据资产管理理论研究迈向更广领域和更深层次。
本文综合文献计量法和内容分析法,首先,对已有文献发表概况、关键词和研究主题等进行定量描述和分析,发现数据资产管理、数据治理和数据货币化是当前国内外研究的重点。其次,对主要文献内容进行具体分析。本文主要有以下三方面的理论价值:一是提出了数据资产管理的定义,即以数据资产预期价值实现为目标进行的数据价值增值、数据资产运营和数据资产处置的全生命周期管理活动。二是基于定义并结合数据治理相关文献构建了数据资产管理理论研究框架。根据该框架对现有文献进行梳理发现,研究数据价值增值、数据资产运营两个阶段的文献较多,部分研究聚焦于数据资产运营阶段的数据流通管理和价值评估。此外,数据资产管理过程中数据被确认为资产和数据资产预期价值实现两个关键节点及其衍生问题也备受关注。三是针对已有文献的不足,结合数据资产管理理论研究框架,本文提出该领域的未来研究方向包括数据资产处置阶段的管理、数据资产确认的难点及应对、数据交易的信息环境等三个方面。
二、文献检索与研究方法 (一)文献检索 表1展示了本文的文献检索和筛选过程。为保证所选文献具有较强的学术性,本文只选择了类型为学术论文或综述,且发表在国内外核心期刊上的文献。在初次筛选中,本文通过阅读文献标题、摘要、关键词,剔除了相关程度低的部分文献。最终用于文献计量分析的文献包括383篇中文文献和253篇英文文献。
表1 文献检索与筛选过程
(二)研究方法 本文采用了文献计量和内容分析两种研究方法。文献计量主要是对文献摘要、关键词等文本信息进行定量分析,使用Cite Space软件以可视化方式呈现分析结果。其主要优势在于Cite Space软件整合了视觉、数学和哲学思维,其设计和功能具备坚实的理论基础,通过对知识图谱进行解读能够客观地反映某一研究领域的现状并预测未来的研究前景[4] 。文献计量的具体步骤包括:阅读引用频次较高文献及经典文献确定检索式;进行文献检索和初步筛选;对文献进行计量分析,包括文献发表的时间趋势、关键词共现和聚类分析;对生成的可视化图谱进行解读。文献计量方法的局限性在于,分析的文本信息仅包括目标文献的关键词、发表时间等,难以深入分析文献的具体内容。而内容分析旨在通过对文献内容的梳理、归纳和提炼来深入剖析研究现状,但该方法存在主观偏差、分析文献数量有限等局限。因此,本文综合采用两种研究方法,在文献计量分析基础上,根据关键词共现与聚类图谱,在每一聚类中选择引用率较高的文献作为内容分析对象,以求得文献综述广度与深度的平衡。
三、文献计量分析 (一)文献发表概况 数据资产管理相关文献在国内外期刊的发表年份分布见图1。由图1可知,国内与国外文献在各年份的分布趋势比较接近,国内期刊发表文献数量相对较多。数据资产管理领域的研究大致始于2014年,在2014—2018年间每年发表的相关文献均不足20篇。从2019年起,围绕数据资产管理的文献发表量显著增加,表明该主题下的研究处于快速发展阶段。但由2023年文献的分析可见,国内期刊发表增速放缓,国外期刊文献明显下降,这一方面说明数据资产管理领域的研究成果逐渐丰富并趋于成熟,另一方面也说明该主题的国内研究较之国外研究更具领先优势。
图1 国内外文献发表趋势比较
(二)文献关键词分析 文献的关键词是对文献主要内容的高度概括,反映了文献的核心主题与研究重点。本文应用Cite Space软件进行文献关键词的共现分析和聚类分析[4] 。
1. 研究热点与趋势
首先,本文在关键词共现分析基础上,参考夏恩君等(2017)[5] 的方法,绘制关键词的战略坐标图,如图2和图3所示。战略坐标图能够反映当前研究的热点主题、预测未来的研究热点。频次越高,该关键词在现有研究中的受关注程度越高;中心度越高,该关键词在共现网络的位置越关键,有演变为核心主题的潜力。
图2 国内文献主要关键词的战略坐标
图3 国外文献主要关键词的战略坐标
具体而言,第一象限的关键词具有高频、高中心性的特点,代表了当前研究的主流话题。中文文献中,“数据资产”“数字经济”“数据治理”“大数据”“数据要素”既是研究关注的热点,也与其他研究领域联系紧密。国外文献则聚焦于“Big Data”“Data Monetization”“Framework”“Management”等关键词。国内研究更关注数据资产相关概念的理论探索,而国外研究侧重于对数据货币化、管理框架等实践性主题的研究。第二象限的关键词具有低频、高中心性的特点,尽管尚缺乏充分的探索,但往往代表现有领域中潜力较大、可进一步与其他领域相结合的话题。中文文献中,这些具备较高潜力的关键词包括“政府数据”“区块链”“数据开放”“数据管理”。国外文献则包括“Internet of Things”“Data Sharing”“Analytics”“Data Quality”等关键词。国内研究在理论探索的基础上,进一步聚焦以数据开放、数据管理为代表的实践层面。国外研究则仅仅对数据共享、数据分析和数据质量等主题进行了初步探索。第三象限的关键词具有“双低”特征,即相关研究尚不成熟、与其他领域的关联性也较低,这一部分不再详述。第四象限的关键词具有高频、低中心性的特点,这类主题相对成熟,但与其他研究领域的联系较少。在国外研究中,这类议题包括“Data Assets”“Information”“Data Governance”“Machine Learning”“Internet”等。
根据战略坐标分析,本文初步发现,近年来国内研究更加关注数字经济时代数据要素这一新的生产要素,以及由此衍生的数据资产、数据治理等主题,国外研究则更聚焦于数据货币化。此外,国内国外的研究均在数据开放共享、数据管理、相关技术应用等领域展开了一定探索。
2.研究主题分析
参考已有文献的参数设置方法,本文对关键词进行聚类分析,并绘制关键词共现与聚类图谱,以识别当前研究的重要子主题。如图4和图5所示[4] 。
图4 国内文献关键词共现与聚类图谱
图5 国外文献关键词共现与聚类图谱
聚类模块按文献的数量规模从大到小排列,基于关键词之间的网络联系而相邻排列。由图4可知,国内研究在数字经济(聚类0)、政府数据开放(聚类2)和大数据(聚类3)背景下,主要聚焦在两大维度:数据资产管理与数据治理维度,包括数据资产(聚类1)、数据治理(聚类5)、以数据信托为代表的数据资产管理方式(聚类6);技术赋能维度,即区块链的应用(聚类4)。由图5可知,国外研究主要聚焦于数据货币化及相关领域(聚类0、聚类1、聚类2、聚类3)和对信息技术的战略性管理(聚类4)。
在分析聚类图谱的基础上,进一步对每个聚类主题所涵盖的代表性文献及其主要内容进行了简要梳理,如表2所示。
表2 国内外代表性文献梳理
国内文献中,聚类1以数据资产为研究主题,按照具体的研究内容,可进一步划分为数据资产管理、数据资产涉税问题、数据资产宏观统计核算、数据资产会计处理和信息披露等子主题。聚类6聚焦于利用数据信托制度解决数据产权管理难题。聚类5分别从利益相关方视角和技术视角对数据治理展开研究。技术赋能维度的文献研究主题聚焦区块链(聚类4)在数据资产确权和国民经济核算方面的应用[10,18] 。
国外文献中,聚类0、聚类1、聚类2、聚类3研究数据货币化相关问题。聚类1从理论维度构建了大数据价值链模型,提出了多种数据货币化方法,并讨论了数据货币化过程中面临的一系列挑战。聚类0和聚类2关注大数据和物联网技术对数据货币化的赋能。聚类3重点研究了银行业如何将支付数据间接货币化。聚类4信息技术战略性管理相关文献建立框架解释企业如何配置数据治理活动并采取相关战略行动,明确了关键数据治理活动[17] ;探讨了数据资产的分类、价值属性和所有权等问题,提出了实现数据资产化的基础框架[19] 。
四、文献内容分析 由文献计量分析结果可知,国内研究重点关注数据资产管理、数据治理,而国外研究聚焦于数据货币化。本文在对重点文献内容进行定性分析时,除了厘清关键概念和理论基础外,还将分析各个研究主题下的具体研究内容、内部结构与相互联系,形成反映现有研究成果的整合性框架,识别当前研究的不足,寻找未来的研究机会。
(一)理论概念基础 1.数据资产管理理论概念基础
通过对数据资产管理研究文献的梳理,本文归纳出几个关键理论概念,这些理论概念是解释数据资产管理问题的基础。
数据价值链。数据价值链是旨在控制数据处理流程并从中提取决策相关信息的一系列步骤,包括几个连续的阶段,即数据生成、数据采集、数据预处理、数据存储、数据分析、数据可视化和数据公开[20] 。
数据生命周期管理。与数据价值链类似,数据生命周期也由不同阶段组成。研究者通过分析已有文献中的数据生命周期,保留了14个阶段:规划、管理、收集、整合、过滤、丰富、分析、可视化、访问、存储、销毁、归档、质量和安全[21] 。与发展相对缓慢的储存系统相比,数据正在以前所未有的速度和规模生成。一个关键挑战是当前的存储系统无法支持如此庞大的数据,而数据生命周期管理即是应对这一挑战的一种方式。对组织而言,应制定数据重要性原则,以决定应存储或丢弃哪些数据[22] 。
资产全生命周期管理。资产的生命周期包括资产的规划、采购、使用、维修和报废的全过程。由成本管理演变而来的资产全生命周期管理,旨在满足效益和安全的前提下,寻求资产的最优全生命周期成本[23] 。
上述理论概念是现有文献研究数据资产管理的主要理论基础。基于数据价值链概念的数据资产管理研究认为,数据资产管理的目标是使数据增值达到资产化条件并创造有利于数据价值实现的条件。而基于数据或资产全生命周期概念的研究则认为,数据资产管理从系统整体目标出发,在满足安全、效益的前提下建立管理体制与机制,有效管控数据资产的生产、使用和处置,优化数据资产质量,实现其价值。两者之间的联系在于促进数据资产价值实现,区别在于前者关注价值增值,包含了数据达到资产化条件前的管理。而后者强调资产化以后的管控,并包含价值实现后的管理。
因此,本文将数据资产管理定义为以数据资产预期价值实现为目标进行的数据价值增值、数据资产运营和数据资产处置的全生命周期管理活动。数据价值增值阶段的管理,是以数据价值链为基础,通过基本活动和辅助活动使数据价值增加并达到资产化条件。其中“基本活动”描述了数据在经营活动中的流转与价值增值;而“辅助活动”为基本活动提供支持,包括采购、研究与开发、人力资源管理、企业基础设施等。数据资产运营阶段的管理则是对形成资产的数据服务、数据产品在组织内部使用或在外部流通情况进行全流程控制,对数据资产价值以及相关的经济技术指标进行评估,通过科学的反馈机制,促进数据资产价值实现。数据资产处置阶段的管理是数据资产实现投资的预期收益后,依据组织制定的数据重要性原则,并在考虑通过重组和整合再次创造价值的可行性基础上,对数据资产的后续管理成本和收益进行权衡,从而决定数据资产的处置方式。
2.数据治理理论概念基础
关于数据治理的研究主要聚焦于政府、高校和企业三类主体。虽然现有文献在定义数据治理时考虑了不同主体的业务活动特征,但是梳理后发现数据治理的定义可分类为利益相关方视角和技术视角两类。利益相关方视角下的数据治理是协调相关方利益以促成合作行为的持续过程,因此该定义在更大范围内考虑人、数据、技术与规则之间的互动,包含对利益相关方的行为和权利义务的调节,蕴含以人为本的思想。例如,从利益相关方视角出发,彭雪涛(2017)[24] 将高校数据治理定义为在战略指导下,明确数据决策权归属并建立问责制度,从而提升高校的决策、管理、创新服务能力。安小米等(2019)[25] 将政府数据治理定义为政府机构为实现数据资产价值最大化而进行的数据决策权分配和职责分工的活动过程。
而技术视角更聚焦于数据治理的对象,亦即数据及相关技术本身,采纳该定义的研究与数据资产管理的研究具有较高的相似性。例如,周炜(2021)[26] 认为高校数据治理是指通过对教育数据进行全生命周期管理而构建的一套将数据转化为资产并且服务于业务的持续活动集合。李题印等(2022)[27] 指出企业数据治理是通过对数据资源的有效控制提升数据价值,包括元数据管理、主数据管理、数据质量管理以及数据安全管理等主要维度。
通过上述对理论基础和关键概念定义的讨论,本文构建如下理论研究框架,进一步对相关文献内容进行分析,如图6所示。
图6 本研究的理论框架
(二)相关文献的进一步分析 通过对文献的梳理发现,多数研究采用系统化框架研究数据价值增值、数据资产运营两个阶段,也有研究聚焦数据资产运营阶段的流通管理和价值评估。此外,数据资产管理过程中数据被确认为资产和数据资产预期价值实现两个关键节点及其衍生问题也备受关注。而对于数据治理的研究则聚焦于政府与高校两类主体。在研究方法上,现有文献多采用理论构建、案例分析、问卷调查、文献调研、建模仿真等方法。
1.数据资产管理框架
较多文献基于数据价值链将数据价值增值和数据资产运营整合于具备行业和组织特征的数据资产管理框架。针对企业构建数据驱动型组织,提升大数据创新能力的目标,刘小琴等(2022)[28] 指出企业应当建立数据资源储备,形成全面的数据资产,并提升数据资产管理能力。夏红军和安燕娜(2021)[29] 构建了供电企业数据资产管理模型,从目标、业务、媒体和数据处置四个维度,将数据中台与数据采集和集成、存储和优化以及分析和评估进行融合。崔金栋等(2021)[30] 针对规划类企业构建了数据提取、建模、应用和价值提升一体化管理模型。崔金栋等(2019,2017)[31-32] 和李菲菲等(2019)[33] 将信息生态理论、数据资产管控理论、价值管理理论引入供电企业数据管理过程中,构建组织内各部门的生态性角色与数据资产管理相互融合的数据资产生态化管理模型。在国外研究中,Lisa等(2020)[34] 将知识管理系统概念框架应用于知识库管理,构建出有助于提高数字资产质量、持久性和可发现性的创新框架。
对数据资产管理框架的研究具有以下特点。第一,在研究内容上,现有文献基于数据价值链,从多维度对数据资产管理进行解构,界定主要管理职能,从而构建指导数据资产增值和数据资产运营的整体框架。此外,在研究管理活动职能时考虑了不同行业主体在内部资源、外部环境、业务模式等方面的异质性。第二,在理论基础上,现有文献将多学科理论进行交叉融合,引入信息生态、知识管理、价值管理等理论。
2.数据资产流通管理(1) 目前相关研究并未明确区分数据要素流通和数据资产流通,为确保综述的完整性,本文综合梳理了这两类研究文献。
数据资产流通的本质,是不同主体通过授权安排实现数据资产的多维度和交叉应用,最终达成数据要素配置的优化[35] 。因此,企业需根据自身情况选择合适的流通形式,并进行持续监控,确保数据资产流通过程的高效组织。
数据流通主要包括共享、开放和交易等形式,其中数据交易是市场化配置特征最为明显的流通方式[36] 。现有文献中,数据开放通常以政府为主体,而对于企业数据流通的研究更多聚焦于数据共享与数据交易。
数据共享包含多种模式,通过集中储存和数据融合促进数据资产价值实现。张丽丽等(2017)[37] 将科学数据共享归纳为组织内部共享、有管制的共享、中间体形态的共享、个体间的分享和市场形态的共享五种模式,并分析了这些共享模式的具体应用情景。Vie等(2015)[38] 介绍了一种军民数据共享模式,该模式使研究人员和军事科学家共同使用一个数据存储库,而不是将庞大的数据资源移植到各个实验室中,从而实现较好的成本效益。翟丽丽和王佳妮(2016)[39] 研究了联盟企业成员通过数据资源池共享数据资产、融合数据,提升联盟数据资产的价值。胡凌(2022)[40] 指出一些参与生产和消费环节的辅助性数据通常在平台架构内共享,但也可以在公共机构的推动下实现更大范围内的共享。
数据交易是一种市场化的数据资产流通形式。数据交易市场由市场主体、交易对象和信息环境等构成。市场主体方面,李勇坚(2023)[41] 指出数据市场生态系统由数据提供商、数据购买者、第三方服务提供商和市场所有者组成。杨东和高清纯(2023)[42] 研究了以数据交易平台为核心的双边市场,交易平台一方面可以通过双边定价策略吸引双侧用户参与交易,另一方面还能够提供数据处理增值服务。交易对象方面,根据对数据的加工处理程度和产品价值实现方式的不同,可以分为初级数据产品、高级数据产品和数据服务。初级数据产品包括离线数据包、不具有直接识别性的脱敏数据、交易标准化与定制化数据产品等;高级数据产品包括数据应用系统与软件、与云融合的各类大数据技术产品等;数据服务包括数据接口服务、数据云服务、技术支撑和解决方案、数据咨询服务、消费画像与营销触达服务等[43-44] 。因此,刘金钊和汪寿阳(2022)[45] 指出数据交易本质上是数据使用价值的流转,而非对数据产品本身的转移占有。
此外,一些文献还对数据流通模式的选择策略进行了研究。张丽丽(2017)[37] 对资源池、数据出版和数据交易三种模式进行对比,发现在经济利益刺激下,数据交易规模不断扩大,数据质量更有保证。数据交易模式是数据共享的必要补充。但由于数据市场的不成熟和数据权属的复杂性,当前的数据交易面临着较高的法律风险。熊巧琴和汤珂(2021)[46] 通过对数据共享和数据交易两种流通方式的研究,指出当数据卖方同样是数据资产的消费者时,其没有动机主动共享数据,而是否选择数据交易则受到买卖双方风险偏好程度的影响。
对数据资产流通管理的研究具有以下特点。第一,研究内容上,现有文献研究了数据共享、数据交易等流通形式的特征、应用场景以及组织的选择偏好,并对数据交易对象进行了探讨。第二,现有研究较少关注信息环境等客观条件对数据流通的影响。
3.数据资产价值评估
关于数据资产价值评估的研究主要分为两种类型。一是在构建和完善数据要素市场背景下,研究价值评估的前置管理体制及其运行机制。评估前的管理是运用估值技术实施价值评估的基础,包括制定数据资产标准、建立数据交易平台相关市场规范、加强数据隐私保护等[47] 。通过引入信息生态理念,构建生态化管理模型运行机制,能够为数据资产价值量化奠定基础[30,33] 。在管理日益科学化的过程中,数据资产估值可分为两个阶段,第一阶段以传统资产评估技术调整适用,第二阶段以数字化技术全流程应用[48] 。
另一类是文献研究估值方法及在此基础上的数据资产交易定价问题。在估值方法方面,现有文献提出了以市场法、收益法、成本法为基础的传统估值方法,以及基于用户感知价值估值法、系统动力学模型估值法、基于使用的估值法、商业模型成熟度指数法、基于决策的估值法、DEVA模型估值法等[49-54] 。欧阳日辉和杜青青(2022)[43] 指出,数据卖方可以从完整性、准确性、层次性、协调性和异质性等维度对数据资产进行量化。黄倩倩等(2022)[55] 总结了三种数据估值策略:一是通过分层分类反映数据不同维度的价格;二是引入产品生命周期反映各环节的成本;三是通过量化方式构建定价模型。熊巧琴和汤珂等(2021)[46] 分析了三种传统估值方法的主要优缺点及使用场景。翟丽丽等(2016)[39,56] 将实物期权估值方法应用于共享模式下的数据资产,构建估值模型并对其进行了验证。
在价值评估基础上,已有文献进一步关注数据资产交易价格的形成。数据资产交易价格取决于数据资产价值,并受到市场供需关系、信息环境等影响。数据资产交易定价原则方面,中共中央国务院(2022)[36] 提出数据要素定价“由市场评价贡献、按贡献决定报酬”机制。李标等(2022)[44] 指出交易定价应充分体现市场决定要素价格的原则。欧阳日辉和杜青青(2022)[43] 认为数据要素定价应遵循公平性、高效匹配、真实性、无套利、保护隐私原则。
在交易定价机制设计方面,Li等(2017)[57] 和Shen等(2019)[58] 将金融和期权领域广泛运用的基于“信息熵”的定价应用到数据。Agarwal等(2019)[59] 设计了一种实时匹配机制,该机制可以有效地为机器学习的训练数据定价并匹配买卖双方。黄倩倩等(2022)[55] 提出随着数据要素市场的发展,以交易双方议价撮合为主、第三方机构估价为辅的定价机制应该逐步向公允定价模式过渡,最终实现数据产品的标准化定价。
数据资产价值评估是数据资产交易定价的基础,通过对文献的梳理发现已有研究尚存在一些不足。首先,在数据资产价值评估领域的研究侧重于构建价值评估体系以及预测模型,鲜有研究关注根据某一模型进行估值给企业带来的经济后果;其次,数据资产价值评估的研究重点在于数据的增值过程,而对于数据处置阶段成本与风险评估的研究不足;再次,对数据资产全生命周期价值估计的研究仍需要进一步完善。
4. 数据被确认为资产及其衍生问题
数据被确认为资产是数据资产管理中的第一个重要节点。这里需要通过定义数据资产来解决两个问题:一是界定哪些数据是资产(资产中心);二是界定哪些资产不是数据资产(数据中心)。资产中心的定义以资产的经济所有权和收益性两个基本属性来区别数据资产与其他数据。数据中心的定义则根据数据资产的可辨认、非货币性、数据形态、用途等独特属性来区分数据资产与数字货币、传统无形资产等其他资产。具有代表性的数据资产定义整理见表3。
表3 数据资产定义
①该定义基于国民经济核算体系(SNA2008)中对经济所有者的定义,经济所有者享有资产的收益并同时承担风险,可以是资产的法定所有者,也可以是与资产的法定所有者达成协议的其他主体。
对概念的定义应当服务于对客观事物的认识和实践。资产中心的定义帮助组织从已有的数据资源中识别数据资产。同时,对于不成为数据资产的数据资源,能够科学及时地进行处理,避免占用有限资源。数据中心的定义,明确了数据作为资产的独特属性,区别于其他资产,有利于组织采取相应的制度标准和技术对不同资产分类管理,提高管理效率。因此,具体采用哪种定义,应当考虑运用该定义的情景。总的来说,数据资产的定义规定了数据资产应当符合以下特征:以电子化形式存在、具有非货币性、由过去事项形成、所有权或控制权明确、具备应用场景与一定的时间、具备潜在收益。综上所述,可以将数据资产定义为:由过去事项形成,以电子化形式存在的为组织(政府机构、企事业单位等)合法拥有或控制的现时的非货币性数据资源,预期能为组织带来经济利益且该经济利益可用货币计量。
在法律制度的约束下,通过主动管理和控制活动,使取得数据产生的相关支出符合资本化定义,形成数据控制者预期的未来经济利益回报[59,67] 。数据资产确认后,还存在一系列的衍生问题包括产权管理、税收征管、宏观统计核算、会计处理和信息披露等。现有文献提出数据信托制度,以解决数据产权管理的难题。数据信托基于数据财产权理论、信托制度理论等,是一种集体管理数据资产的制度。这种制度安排能够汇聚数据、促进数据流通、缓解信任危机,从法律视角平衡数据权利关系,从主体视角协调数据利益,从监管视角规范数据行为,有助于推动数据资产交易,强化数据资产管理[12,68-69] 。数据资产的涉税问题研究主要讨论了数据资产确权和课税难点及应对。基于对数据资产相关权利的讨论,确认了数据资产的可税性。在此基础上,分析了现阶段适用于数据资产的课税方式以及基本原则、税制要素、税收征管制度、技术基础等[70-71] 。数据资产的宏观统计核算研究则关注了数据资产概念、属性、特征等理论问题,以及核算原则、范围、价值测度方法、统计资料来源等实践问题[60-61,72-73] 。数据资产会计处理和信息披露的研究一方面从理论视角探讨了企业对于数据资产的会计确认、计量和报告的处理[7,53,62,74-75] ;另一方面利用企业年报文本信息研究了数据资产信息披露的经济后果,发现企业在年报中披露的数据资产文本信息会对企业价值[76] 、分析师预测偏误[77] 、审计费用[78] 等产生影响。
与数据被确认为资产这一节点相关的研究从概念上明确了数据与数据资产,数据资产与其他资产之间的区别,但仍未完全解决实践操作问题。首先,针对不同类型的数据还需要确定更为详细的数据资产定义。其次,数据资产的确认需要动态的系统性的计划和良好的组织协同能力。随着组织数字化转型程度加深,数据的类型和数量都将大幅增加,数据在组织内部既可能被集中管理,也可能分散在各个业务部门。由此,对数据资产确认提出了更高的要求。
5. 数据资产预期价值实现
国内研究中,一部分关于“数据资产化”的文献探讨了已经被确认为资产的数据如何进一步投入再生产,实现数据的入市、变现。这一观点下的研究,一是运用经济学理论分析数据资产化和数据可融资的理论基础,并针对实践过程中存在的法律风险提出制度建设对策[79-80] ;二是研究区块链技术如何解决确权、信息不对称等挑战,从而促进数据资产的流通变现[66,81] 。
国外研究更多关注数据货币化,并将其作为数据资产预期价值实现的主要方式。数据货币化即利用组织的数据来创造经济回报,包括直接出售数据以及多种间接货币化方式[13,20] 。间接货币化的实现途径包括:利用数据改善商业决策或改进流程;围绕服务或产品提供数据;向市场销售信息等。数据货币化相关文献从理论和实践两个维度展开。理论维度的研究基于数据价值链模型,提出能够支持数据价值链中多种情境的数据货币化方法。
数据货币化过程中面临数据管理、可扩展性、法规、互操作性、安全性和隐私等挑战[82] 。而从间接货币化方式转向直接方式,还面临组织类型、业务类型、数据特征等限制因素[14] 。实践维度的文献采用案例研究方法调查了金融行业的数据货币化经验,分析了货币化不同阶段的潜在利弊[83] 。银行业拥有的海量支付数据的间接货币化尤其引起研究者的关注,所谓的间接货币化方法包括基于数据分析的定向广告、定制优惠和忠诚度管理[84] ;利用内部和外部数据为产品交叉销售或拓展新客户群创造新的收入机会[85] ;利用细粒度支付数据建立预测性信用评分模型[16] 。
现有文献还探讨了大数据和物联网技术对数据货币化的赋能。一方面,文献研究了大数据投资早期回报的影响因素[86] ;构建了衡量组织内大数据资产状态及技术水平的成熟度评估模型[87] ;提出了利用大数据资产以及相关技术满足复杂项目信息成果交付等间接货币化方式[38] 。另一方面,基于物联网技术设计了自动执行的数据资产交易系统[88-89] 、数据共享技术框架[90] ,以及支持数据货币化的技术框架[91] 。并探讨了物联网技术的应用对数据共享、数据货币化机会和数据所有权等的影响[92] 。
综上所述,关于数据资产预期价值实现的研究具有以下特点。第一,相比于国内的研究,国外研究在区分直接货币化与间接货币化基础上具有更丰富的研究成果。无论是国内还是国外研究,都关注在数据资产预期价值实现过程中的风险和挑战,并从法律制度、组织建设、技术运用等方面提出对策。第二,数据价值链理论、信息不对称等经济学理论以及技术领域的知识共同奠定此类研究的基础。
6. 政府、高校与企业的数据治理
以数据治理为主题的文献尤其关注政府、高校和企业三类治理主体。
政府数据治理是研究的热点,这与我国大力推进国家治理体系和治理能力现代化的背景密切相关。政府数据治理体系是数字政府建设的基础,而各级政府出台大数据发展战略和行动计划,意味着大数据治理成为提升政府治理能力的新途径。此外,全球开放政府数据的运动也构成了政府数据治理研究的国际背景,如何从理论、制度以及实施层面推进政府数据开放,产生了政府数据治理研究的热点。文献借鉴国内外数据治理研究成果,基于信息管理和公共管理视角,认识并归纳数据治理内涵、数据治理体系的构成要素及相互关系、数据治理对推动政府治理变革与决策支持的影响等[25,93] 。
高校作为典型的数据集中领域,数据体量巨大、数据类型复杂、数据交换密集,而数据治理的缺失会带来更大的安全风险,并阻碍数据应用对高校发展的促进作用,因此高校数据治理得到了较多的关注。文献借鉴国外的数据治理经验,基于数据生命周期,提出数据管理能力成熟度评估模型[94] 、构建了高校数据治理体系并分析了具体的实施路径[26,95-96] 。
企业数据治理的研究关注到当前企业普遍面临着数据质量较低、数据治理工具缺失、信息孤岛现象严重、大量非结构化文档数据因未统一管理而难以发挥价值等问题。针对这些问题,现有文献从数据治理总体规划和治理思路[97] 、组织成员的权限与责任划分[98] 、数据驱动模式和数据治理保障等方面提出了对策[99] 。
五、未来研究方向探索 根据数据资产管理理论研究框架,全生命周期的数据资产管理包括数据价值增值、数据资产运营和数据资产处置三个阶段的管理活动,以及数据被确认为资产、数据资产预期价值实现两个关键节点。文献分析的结果显示,关于数据资产处置的研究尚有较大拓展空间,此外数据资产确认、数据资产运营所涵盖数据交易研究有待进一步完善。
(一)数据资产处置阶段的管理 1. 处置标准及后续管理
现有文献缺乏对数据资产处置阶段的研究。参考资产处置的定义,数据资产处置是指数据资产占用单位转移、变更和核销其占有、使用资产的部分或全部所有权、使用权,以及改变资产性质或用途的行为。在转移、变更处置方式下,由于资产不再由原组织控制或拥有,该组织对这部分资产的管理也相应结束。在核销或改变资产性质或用途等处置方式下,虽然在会计上已经终止确认该项资产,但是对该项资产的管理仍会持续。由此引发出三个管理问题:第一,数据资产的核销标准。核销标准应当充分证明数据资产已经无法带来未来经济利益流入。具体而言,首先需要区分造成这种后果的原因是数据资产运营管理不善,还是市场竞争、技术进步、法律政策等外部因素。其次,应明确上述因素影响时间长短以及是否可控。如果是短期可控的因素,则应当考虑是否需要改进数据资产的管理而非将其核销。第二,已核销数据的处理问题。组织需要判断是否对数据本身进行销毁或清除,结合内外部信息充分考虑数据组合或市场需求变化能否使数据重新满足资产确认条件,并确定合理的数据储存时间。确定销毁的数据需要采取适当的制度和技术确保数据销毁过程的安全合规。第三,如何界定数据资产性质或用途的改变。数据资产性质或用途的改变可能是部分的,也可能是整体的,一个组织也可能存在将同一数据资产安排到不同用途的情形。比如,既出售数据资产的部分使用权,又利用该数据资产对外提供服务或对内辅助决策。
相较于数据价值增值与数据资产运营,目前对数据处置阶段的研究尚不充分,数据资产核销标准、数据销毁或清除以及数据资产性质或用途改变等问题仍然有待进一步研究。
2. 处置阶段的数据资产价值评估
现有文献基于对未来收益与收集加工成本的预测,设计了数据资产价值评估方法,但是鲜有文献关注处于生命周期末期,即处置阶段的数据资产应当如何评估的问题。与评估运营阶段的数据资产应重点关注其预期经济收益不同,处置阶段的数据资产面临着处置方法、信息安全与法律风险等问题,应更强调对处置成本和风险的合理估计。
首先,在处置方法上,转移、变更主要包括破产清算、拍卖、招标、协议转让、折扣变现等方式;改变资产性质或用途包括非经营性资产与经营性资产之间的转换;核销则体现为对数据的销毁或清除。不同处置方法下经济利益流入与流出的时间、风险、金额都有所不同。
其次,处置阶段的数据销毁义务,会给组织带来额外的信息安全与法律风险。第一,数据销毁并不完全由组织自主决定。我国现行立法明确规定自然人享有删除其个人信息的权利;第二,组织对数据的销毁方式拥有一定的选择空间。按数据范围划分,可以选择消除全部数据或重要数据;按销毁技术划分,可以选择物理销毁、磁场销毁、软件销毁、加密擦除和数据擦除等。选择的影响因素包括数据类型、存储系统和格式、信息安全风险级别、数据销毁的标准与规则、法律法规等。
综上所述,在对处置阶段的数据资产进行价值评估时,需要考虑的因素较为特殊,因此有必要进一步检验一般评估方法的适用性,提出更符合这一阶段数据资产特征和管理模式的价值评估方法。
(二)数据资产确认实践中的难点及应对 现有研究通过对数据资产进行一般化定义,帮助组织区分数据资产与其他数据或其他资产。但是,从管理角度来看,仅有一般化定义仍不够充分,还需进一步考虑数据资产内部的结构。数据资产在用途、来源、内容、媒介等方面均存在异质性,这导致不同数据资产对管理的要求不同。因此,要建立针对不同数据资产类型的管理标准。组织在根据一般化定义初步识别数据资产的同时,还需要进一步确认数据资产的具体分类标准及类型定义。表4总结了现有研究中的一些典型的数据资产分类方法。
表4 文献中数据资产的典型分类
由表4可知,同一分类标准可应用于不同行业的数据拥有者,但具体的数据资产类型根据各自业务特征有所不同。而同一行业的数据拥有者也可能会根据不同的分类标准对数据资产进行归集。本文认为,合理的数据分类标准,能够在不改变数据资产本身以及其他条件的情况下,帮助数据拥有者高效地实现特定数据的分析目的,并有助于组织发现更优的数据资产组合。
上述基于来源、内容、媒介的分类标准仍存在一定缺陷。因为不同类型的数据资产难以相互转换,且组合后数据资产难以归类,但其优点是便于同类型的数据资产在体量上实施扩张。而基于用途的分类标准,本质上需要判断数据资产未来产生经济利益的可能方式。只要不改变数据资产的用途,即使其内部组成变动,也不会影响数据资产类型以及后续的管理。但这种分类标准的缺陷是固有属性相同的数据资产可能具有不同的用途,导致管理冗余和重复管理。
总之,对于数据资产的分类,既要考虑按照数据固有属性统一管理带来的规模效益,也要考虑通过对已有数据资产进行重组等整合后再次创造价值的潜在收益。数据资产的一般化定义有助于清点可用数据,提高数据质量、保障数据安全;而进一步的分类能够提高数据资产的复用率,促进数据资产的迭代更新和应用创新。此外,数据类型的划分还能够体现数据资产对于组织生产经营的重要性程度,有利于优化资源配置。
(三)数据交易的信息环境 数据交易中的信息不对称主要存在于买卖双方之间,信息不对称可能导致较高的交易成本,抑制双方的交易动机。然而企业应当在何种程度上对数据交易信息进行披露,是需要进一步研究的问题。一方面,信息披露会带来专有信息成本。这种成本在非标准化数据产品交易中尤为突出,因为这类数据存在较高的溢价,而接受高溢价的行为将被外界视为一种信号。比如,公众可能认为以高价格购入数据产品的企业拥有更为先进的数据分析技术或利润可观的投资项目。而同行业的企业也有可能从这一交易行为中学习,比如通过信息披露中对于数据产品的描述推测出该企业即将开展或正在开展的业务,甚至是该业务所处的市场竞争状况[88] 。另一方面,基于委托代理理论,如果组织对数据交易披露不足,由于数据定价本身的复杂性,管理层可能更有动机通过数据交易隐藏其道德风险,甚至侵害股东的利益。
六、研究结论 本文综合定量和定性研究方法,对2014-2023年国内外核心期刊数据库中的636篇相关文献的发表概况、关键词和研究主题等进行定量分析,发现数据资产管理、数据治理和数据货币化是当前国内外研究的重点。在此基础上采用内容分析法进行了深入分析。首先,梳理相关理论概念,将数据资产管理定义为以实现数据资产预期价值为目标进行的数据价值增值、数据资产运营和数据资产处置的全生命周期的管理活动;其次,根据定义构建数据价值增值、数据资产运营和数据资产处置三个阶段的管理活动,以及数据被确认为资产、数据资产预期价值实现两个关键节点构成的理论研究框架。依据该框架对文献进行系统梳理和评述,并就数据资产处置阶段的管理、数据资产确认实践中的难点及应对、数据交易的信息环境等方面展开进一步分析,为未来研究提供参考。本文研究结论如下。
第一,关于数据资产管理框架的研究基于数据价值链,从多维度对数据资产管理进行解构,界定主要管理职能,从而构建指导数据增值和数据资产运营的整体框架,但对于数据资产处置阶段的研究不足。数据资产处置阶段涉及三个主要的管理问题,包括核销标准设置、已核销数据处理和数据资产性质或用途的变更。将处置阶段纳入数据资产管理框架及实践是实现全生命周期管理的必要环节。
第二,数据资产运营阶段的流通管理和价值评估备受关注。对数据资产流通管理的研究关注数据共享、数据交易等流通形式的特征、应用场景以及组织的选择偏好,并对数据交易的对象进行了探讨。但是较少关注信息环境对数据流通的影响及其经济后果。数据交易信息披露不足,会加剧市场参与者之间的信息不对称,并可能导致较高的交易成本,抑制交易的意愿。而披露过多则可能带来专有信息成本。因此管理者应当审慎确定数据交易信息披露的详略程度。数据资产价值评估的研究重点在于数据的增值过程,而对于处置阶段的评估方法研究不足。与评估运营阶段的数据资产重点关注其预期经济收益不同,处置阶段的数据资产面临处置方法、信息安全与法律风险等问题,更强调对处置成本和风险的合理估计。
第三,与数据被确认为资产这一节点相关的研究从概念上辨析了数据资产与其他数据或其他资产之间的区别,但仍未完全解决实践操作中的难点。进一步考虑数据资产内部的结构,数据资产在用途、来源、内容、媒介等方面均存在异质性,这导致不同数据资产对管理的要求不同。因此,要针对不同数据资产类型建立不同的管理标准。
第四,关于数据资产预期价值实现的研究,相比于国内研究,国外研究在区分直接货币化与间接货币化基础上得到了更为丰富的研究成果。管理者在根据组织资源禀赋和目标选择数据资产预期价值实现方式的同时,还需要考虑这一过程中的风险和挑战,并从法律制度、组织建设、技术运用等方面制定相应对策。
参考文献
[1]中国信息通信研究院.中国数字经济发展报告[R].北京:中国信息通信研究院,2022.
[2]李亚琴,魏瑾.基于文献计量方法的国内数据资产管理可视化分析[J].海峡科学,2023(11):115-119.
[3]马建威,米万东,张保平.数据资产研究热点及趋势分析——基于Cite Space的知识图谱分析[J].会计之友,2023(4):119-126.
[4]陈悦,陈超美,刘则渊,等.CiteSpace知识图谱的方法论功能[J].科学学研究,2015,33(2):242-253.
[5]夏恩君,王素娟,王俊鹏.基于知识图谱的众筹研究现状及发展趋势分析[J].科研管理,2017,38(6):1-8.
[6]白津夫.关于数字经济的几个基本问题[J].北京社会科学,2023(4):84-93.
[7]张俊瑞,危雁麟,宋晓悦.企业数据资产的会计处理及信息列报研究[J].会计与经济研究,2020,34(3):3-15.
[8]夏义堃.试论数据开放环境下的政府数据治理:概念框架与主要问题[J].图书情报知识,2018(1):95-104.
[9]刘小琴,王楠,李天柱.企业大数据创新能力及作用机理——创新价值链视角[J].中国科技论坛,2022(9):95-106.
[10]蔡昌,赵艳艳,李梦娟.区块链赋能数据资产确权与税收治理[J].税务研究,2021(7):90-97.
[11]李佳钰,黄甄铭,梁正.工业数据治理:核心议题、转型逻辑与研究框架[J].科学学研究,2023,41(12):2216-2225.
[12]冉从敬,唐心宇,何梦婷.数据信托:个人数据交易与管理新机制[J].图书馆论坛,2022,42(3):56-68.
[13]FAROUKHI A Z,ALAOUI I E,GAHI Y,et al.Big data monetization throughout big data value chain:a comprehensive review [J].Journal of Big Data,2020,7(1):1-22.
[14]PARVINEN P.Advancing data monetization and the creation of data-based business models [J].Communications of the Association for Information Systems,2020,47(1):2.
[15]WANG X,MA L,YANG Z W.Research on industrial internet of things and power grid technology application based on knowledge graph and data asset relationship model [J].Applied Mathematics and Nonlinear Sciences,2022,8(1):2717-2728.
[16]TOBBACK E,MARTENS D.Retail credit scoring using fine-grained payment data [J].Journal of the Royal Statistical Society Series A:Statistics in Society,2019,182(4):1227-1246.
[17]ZHANG Q Q,SUN X B,ZHANG M C.Data matters:a strategic action framework for data governance [J].Information &Management,2022,59(4):103642.
[18]宋旭光,花昀,何宗樾.区块链技术对国民经济核算发展的影响[J].统计研究,2021,38(2):3-14.
[19]XU T,SHI H N,SHI Y J,et al.From data to data asset:conceptual evolution and strategic imperatives in the digital economy era [J].Asia Pacific Journal of Innovation and Entrepreneurship,2023,18(1):2-20.
[20]FAROUKHI A Z,EL ALAOUI I,GAHI Y,et al.An adaptable big data value chain framework for end-to-end big data monetization [J].Big Data and Cognitive Computing,2020,4(4):34.
[21]EL ARASS M,SOUISSI N.Data lifecycle:from big data to SmartData[C]//2018 IEEE 5th International Congress on Information Science and Technology (CiSt).IEEE,[S.l.:s.n.],2018:80-87.
[22]CHEN M,MAO S W,LIU Y H.Big data:a survey [J].Mobile Networks and Applications,2014,19:171-209.
[23]宋华,温伟荣,俞明轩,等.基于区块链的行政事业性国有资产全生命周期管理研究[J].会计研究,2023(5):137-150.
[24]彭雪涛.美国高校数据治理及其借鉴[J].电化教育研究,2017,38(6):76-81.
[25]安小米,白献阳,洪学海.政府大数据治理体系构成要素研究——基于贵州省的案例分析[J].电子政务,2019(2):2-16.
[26]周炜.大数据视域下高校数据治理优化路径研究[J].教育发展研究,2021,41(9):78-84.
[27]李题印,宣成,郁建兴,等.数智赋能时代企业数据治理能力模型研究[J].情报科学,2022,40(11):20-25.
[28]刘小琴,王楠,李天柱.企业大数据创新能力及作用机理——创新价值链视角[J].中国科技论坛,2022(9):12.
[29]夏红军,安燕娜.数据中台视角下供电企业数据资产管理模型构建[J].情报科学,2021,39(10):70-75.
[30]崔金栋,崔天赢,冉子晗,等.语义互联视角下规划类企业数据资产管理研究——以配电网规划设计企业为例[J].情报科学,2021,39(6):62-67.
[31]崔金栋,高志豪,关杨,等.面向泛在物联的供电企业数据资产生态化管理机制研究[J].情报科学,2019,37(12):63-70.
[32]崔金栋,关杨,张海涛,等.信息生态视角下企业数据资产管理机理研究[J].现代情报,2017,37(12):24-29.
[33]李菲菲,关杨,王胜文,等.信息生态视角下供电企业数据资产管理模型及价值评估方法研究[J].情报科学,2019,37(10):46-52.
[34]LISA K,FRADA B,KERRY T.A knowledge management system framework for an open biomedical repository:communities,collaboration and corroboration [J].Journal of Knowledge Management,2020,24(10):2553-2572.
[35]詹馥静.大数据领域滥用市场支配地位的反垄断规制——基于路径检视的逻辑展开[J].上海财经大学学报,2020,22(4):138-152.
[36]中共中央国务院.关于构建数据基础制度更好发挥数据要素作用的意见[N].人民日报,2022-12-20(001).
[37]张丽丽.科学数据共享治理:模式选择与情景分析[J].中国图书馆学报,2017,43(2):54-65.
[38]VIE L L,SCHEIER L M,LESTER P B,et al.The US Army person-event data environment:a military-civilian big data Enterprise [J].Big Data,2015,3(2):67-79.
[39]翟丽丽,王佳妮.移动云计算联盟数据资产评估方法研究[J].情报杂志,2016,35(6):130-136.
[40]胡凌.数据要素财产权的形成:从法律结构到市场结构[J].东方法学,2022,86(2):120-131.
[41]李勇坚.我国数据交易机构高质量发展:现实问题、理论逻辑与实现路径[J].广东社会科学,2023,219(1):47-56.
[42]杨东,高清纯.双边市场理论视角下数据交易平台规制研究[J].法治研究,2023,146(2):97-110.
[43]欧阳日辉,杜青青.数据要素定价机制研究进展[J].经济学动态,2022,732(2):124-141.
[44]李标,孙琨,孙根紧.数据要素参与收入分配:理论分析、事实依据与实践路径[J].改革,2022,337(3):66-76.
[45]刘金钊,汪寿阳.数据要素市场化配置的困境与对策探究[J].中国科学院院刊,2022,37(10):1435-1444.
[46]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(2):143-158.
[47]刘悦欣,夏杰长.数据资产价值创造、估值挑战与应对策略[J].江西社会科学,2022,42(3):76-86.
[48]陆岷峰,欧阳文杰.数据要素市场化与数据资产估值与定价的体制机制研究[J].新疆社会科学,2021(1):43-53.
[49]左文进,刘丽君.基于用户感知价值的大数据资产估价方法研究[J].情报理论与实践,2021,44(1):71-77.
[50]朱泽,段尧清,何丹.面向政府数据治理的数据资产价值系统仿真评估[J].图书馆论坛,2021,41(6):100-105.
[51]胡亚茹,许宪春.企业数据资产价值的统计测度问题研究[J].统计研究,2022,39(9):3-18.
[52]雷小乔,张芳.基于收益现值法的数据资产估价问题研究[J].统计与信息论坛,2023,38(5):3-13.
[53]罗玫,李金璞,汤珂.企业数据资产化:会计确认与价值评估[J].清华大学学报(哲学社会科学版),2023,38(5):195-209.
[54]张俊瑞,董雯君,危雁麟.商务大数据分析:交易性数据资产估值方法研究[J].情报杂志,2023,42(7):93-101.
[55]黄倩倩,王建冬,陈东,等.超大规模数据要素市场体系下数据价格生成机制研究[J].电子政务,2022,230(2):21-30.
[56]翟丽丽,王佳妮,何晓燕.移动云计算联盟企业数据资产评估方法研究[J].价格理论与实践,2016,(2):153-156.
[57]LI X,YAO J,LIU X,et al.A first look at information entropy-based data pricing[C]//2017 IEEE 37th International Conference on Distributed Computing Systems (ICDCS).IEEE,[S.l.:s.n.],2017:2053-2060.
[58]SHEN Y C,GUO B,SHEN Y,et al.Pricing personal data based on information entropy[C]//Proceedings of the 2nd International Conference on Software Engineering and Information Management.[S.l.:s.n.],2019:143-146.
[59]AGARWAL A,DAHLEH M,SARKAR T.A marketplace for data:an algorithmic solution[C]//Proceedings of the 2019 ACM Conference on Economics and Computation.[S.l.:s.n.],2019:701-726.
[60]许宪春,张钟文,胡亚茹.数据资产统计与核算问题研究[J].管理世界,2022,38(2):16-30.
[61]李静萍.数据资产核算研究[J].统计研究,2020,37(11):3-14.
[62]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(6):3-10.
[63]夏义堃,管茜.政府数据资产管理的内涵、要素框架与运行模式[J].电子政务,2022(1):2-13.
[64]CCSATC601大数据技术标准推进委员会.数据资产管理实践白皮书6.0[R].北京:中国信息通信研究院,2023.
[65]张鹏,蒋余浩.政务数据资产化管理的基础理论研究:资产属性、数据权属及定价方法[J].电子政务,2020(9):61-73.
[66]郑磊.通证数字经济实现路径:产业数字化与数据资产化[J].财经问题研究,2020,438(5):48-55.
[67]都平平,李雨珂,陈越.高校科研数据资产化存储及数据复用权益许可研究[J].图书情报工作,2022,66(3):45-53.
[68]李智,姚甜甜.数据信托模式下受托人信义义务之规范[J].学术交流,2022(2):27-43.
[69]曹硕,廖倡,朱扬勇.数据要素证券化路径研究——基于DAITs模式的探讨[J].证券市场导报,2021(10):44-51.
[70]马慧洁,夏杰长.数据资产的确权及课税问题研究[J].税务研究,2023(12):44-49.
[71]王竞达,刘东,付家成.数据资产的课税难点与解决路径探讨[J].税务研究,2021(11):68-73.
[72]李原,刘洋,李宝瑜.数据资产核算若干理论问题辨析[J].统计研究,2022,39(9):19-28.
[73]彭刚,李杰,朱莉.SNA视角下数据资产及其核算问题研究[J].财贸经济,2022,43(5):145-160.
[74]何越.数字经济背景下企业数据资产计量体系构建研究[J].湖湘论坛,2023,36(5):116-124.
[75]程小可.数据资产入表问题探讨:基于国际财务报告概念框架的分析[J].科学决策,2023(11):67-75.
[76]苑泽明,于翔,李萌.数据资产信息披露、机构投资者异质性与企业价值[J].现代财经(天津财经大学学报),2022,42(11):32-47.
[77]危雁麟,张俊瑞,汪方军,等.数据资产信息披露与分析师盈余预测关系研究——基于文本分析的经验证据[J].管理工程学报,2022,36(5):130-141.
[78]牛彪,于翔,苑泽明,等.数据资产信息披露与审计师定价策略[J].当代财经,2024(2):154-164.
[79]汪文张,李筱涵.数据资产化的理论基础及实现形式研究[J].当代经济研究,2022(12):40-50.
[80]谢迪扬.数据资产证券化的法律风险辨识与中国启示——以美国数据资产证券化实践为鉴[J].上海金融,2023(3):57-67.
[81]国家税务总局广西壮族自治区税务局课题组,吴云,蒋楠,等.政府涉企数据“还权”及要素化路径研究——以区块链技术实现中小微企业税务数据资产化及流通为例[J].税务研究,2021(1):59-66.
[82]FIROUZI F,FARAHANI B,BARZEGARI M,et al.AI-driven data monetization:the other face of data in IoT-based smart and connected health [J].IEEE Internet of Things Journal,2020,9(8):5581-5599.
[83]ALFARO E,BRESSAN M,GIRARDIN F,et al.BBVA's data monetization journey [J].MIS Quarterly Executive,2019,18(2).
[84]MÜTZEL S.Unlocking the payment experience:future imaginaries in the case of digital payments [J].New Media &Society,2021,23(2):284-301.
[85]BORTHAKUR M,SRINIVASAN H,KULKARNI P.Monetizing data points to increase profitability for banks [J].Cardiometry,2022(24):948-959.
[86]TAMBE P.Big data investment,skills,and firm value [J].Management Science,2014,60(6):1452-1469.
[87]OLSZAK C M,MACH-KR
[88]CHUANG I H,HUANG S H,CHAO W C,et al.TIDES:a trust-aware IoT data economic system with blockchain-enabled multi-access edge computing [J].IEEE Access,2020,8:85839-85855.
[89]KHEZR S,YASSINE A,BENLAMRI R.Towards a secure and dependable IoT data monetization using blockchain and fog computing [J].Cluster Computing,2023,26(2):1551-1564.
[90]ALI M S,VECCHIO M,ANTONELLI F.A blockchain-based framework for IoT data monetization services [J].The Computer Journal,2021,64(2):195-210.
[91]LENGYEL L,EKLER P,UJJ T,et al.SensorHUB:an IoT driver framework for supporting sensor networks and data analysis [J].International Journal of Distributed Sensor Networks,2015,11(7):454379.
[92]BIGINI G,FRESCHI V,LATTANZI E.A review on blockchain for the internet of medical things:definitions,challenges,applications,and vision [J].Future Internet,2020,12(12):208.
[93]夏义堃.试论政府数据治理的内涵、生成背景与主要问题[J].图书情报工作,2018,62(9):21-27.
[94]秦中云.大数据环境下高校图书馆数据治理及成熟度模型研究[J].新世纪图书馆,2019(11):62-67.
[95]余鹏,李艳.大数据视域下高校数据治理方案研究[J].现代教育技术,2018,28(6):60-66.
[96]包冬梅,范颖捷,李鸣.高校图书馆数据治理及其框架[J].图书情报工作,2015,59(18):134-141.
[97]张宁,冷秀斌,梁帆.企业非结构化文档数据治理探究[J].档案学研究,2020(6):97-103.
[98]陈氢,刘文梅.基于关联数据的企业数据治理可视化框架研究[J].现代情报,2021,41(6):76-87.
[99]刘一鸣,谢泽杭.基于VCA模型的出版企业数据治理研究[J].出版广角,2020(10):11-14.
[100]刘志杰.大数据时代出版企业的数据资产运营[J].科技与出版,2014(8):40-43.
[101]徐拥军.企业档案资产管理的方法和策略[J].求索,2018(2):66-75.
[102]胡琳.大数据背景下图书馆数据资产的建设框架与管理体系[J].图书馆理论与实践,2019(3):82-86.
[103]RASCHKE R L,MANN A.Enterprise content risk management:a conceptual framework for digital asset risk management [J].Journal of Emerging Technologies in Accounting,2017,14(1):57-62.
基金项目： 国家社会科学基金重大项目(23&ZD092)。
作者简介： 张俊瑞,男,西安交通大学管理学院教授,西安交通大学城市学院管理学院教授,博士,博士生导师,主要从事信息披露与监管、数据资产管理、资本市场与公司治理、管理层与机构投资者网络研究;张颖(通讯作者),女,西安交通大学管理学硕士,国网信息通信股份有限公司四川分公司,主要从事数据资产管理与评估研究;董南雁,男,西安交通大学管理学院副教授,博士,博士生导师,主要从事会计信息与公司治理和数据要素研究。
【免责声明】《现代财经》微信公众平台所转载的专题文章，仅作佳作推介和学术研究之用，未有任何商业目的；对文中陈述、观点判断保持中立，请读者仅作参考，并请自行承担全部责任；文章版权属于原作者，如果分享内容有侵权或非授权发布之嫌，请联系我们，我们会及时审核处理。
《现代财经-早读分享》是由《现代财经》天津财经大学学报编辑部编辑出版（总第 3209
期）
编辑整理： 蔡子团队
团队成员 ： 陈晨、张晓丹、王建飞、吴玉婷、王晴晴、丁慧、李炳杰、杨国臣、孙桂萍、王敬峰、韩俊莹、庞清月、王旭、张雅彤
审核审校： 蔡双立 方菲 胡少龙
长按以下二维码，关注《现代财经》公众微信号（modern-finance)
欣赏和阅读《现代财经》2024年第12期，敬请点击以下 阅读原文
