企业数据资产价值评估研究
2021-08-02宋杰鲲张业蒙赵志浩
宋杰鲲 张业蒙 赵志浩
【关键词】 数据资产价值; 组合评价; 数据成本; 表观价值; 数据服务收益; 直觉模糊决策
【中图分类号】 F490 【文献标识码】 A 【文章编号】 1004-5937（2021）13-0022-06
一、引言
数据是21世纪的“石油”，通过不断地被利用而实现价值，为经济发展与技术进步提供动力。我国高度重视数据作用，明确提出要实施国家大数据战略，把大数据作为基础性战略资源，推进数据资源开放共享。习近平总书记多次强调要构建以数据为关键要素的数字经济。2019年11月，党的十九届四中全会提出数据可作为生产要素按贡献参与分配，这体現出经济高质量发展对数据这一质量型生产要素的投入要求，必将极大促进我国数字经济的发展，也使得企业更加关注数据，重视数据贡献或价值。
学术界对企业数据价值评价的研究日益增多。学者们普遍认为，大数据时代下数据资源不仅是企业管理决策的基础与依据，更是企业获得效益不可或缺的资产。刘琦等[1]提出了市场法评估企业数据资产价值（Enterprise Data Assets Value，EDAV）的基本思路，通过对技术、价值密度、容量等因素进行调整，评估同类企业的EDAV。李永红等[2]分析了市场法、成本法、收益法等的适用条件，指出市场法能够兼顾成本与收益，在有一个适用同类市场的前提下，通过数据量与质量、数据分析能力等因素修正可以评估EDAV。左文进等[3]假设同类市场及其组合收益已知，应用Shapley值法和破产分配法进行再估值。黄乐等[4]则融合成本法、收益法和市场法，对互联网平台EDAV进行评估。王静等[5]从交易视角应用期权定价法对互联网金融企业的EDAV进行评价。董祥千等[6]假设数据交易价格和要素投入已知，提出利润最大化的EDAV评价方法。张志刚等[7]认为EDAV因素具有模糊、不确定性，应以提升数据增值运营水平为目的，对成本和应用开展综合评价，他们构建了包含六个指标的评价指标体系，应用层次分析法赋权的专家评分综合法进行评价。李菲菲等[8]结合电力企业实际，构建包括成本、应用两方面六个指标的评估体系，对供电企业的EDAV进行评价。王笑笑等[9]构建了包含成本、质量和使用三方面九个指标的指标体系，应用模糊综合评价方法进行EDAV评估。通过文献梳理可知，受限于同类市场的难获得性、EDAV中成本投入与贡献产出的难剥离性等条件制约，对除互联网平台之外企业的EDAV进行直接评价较为困难。构建涵盖投入、产出等方面的完备的指标体系，选取综合评价模型对EDAV进行评价是在当前缺乏科学的会计确认与计量条件下较为可行的途径，也有利于企业明晰EDAV的投入产出水平，为其增值提供决策支持。鉴于EDAV评价指标多具有模糊性，可表述为区间数、语言变量等形式，本文试图构建基于混合多属性决策的EDAV评价模型，以丰富与完善EDAV评价理论，为EDAV实际评价提供参考。
二、企业数据资产价值评价指标体系构建
数据资产是指被企业拥有和控制的、能够为企业带来价值的数据。大数据时代下企业数据资产形成与应用的基本流程如图1所示。分布在不同数据平台上的多源异构数据经过ETL（抽取、转换、装载），存储至协同化的数据仓库或不同主题的数据集市中，继而对数据进行提取、多维分析或应用机器学习模型进行知识挖掘，将得到的数据产品交付给企业内部供决策支持应用或交付给外部顾客满足其定制需求。
从EDAV的投入来看，主要是发生在数据搜集、ETL、存储、分析、业务应用等环节的人工、设备、材料、动力等相关费用，具体可分为数据载体成本、外购成本、运维成本、服务成本等。从产出来看，主要体现在两个方面：一是通过交易可以直接变现的外部服务价值，体现为经提取、分析、挖掘后交付给外部顾客的数据量、数据质量以及获得的收益;二是作为企业资源要素加工后交付企业内部使用的数据量、数据质量及决策支持应用贡献。遵循系统性、层次性、客观性、可比性等原则，构建EDAV评价指标体系如表1所示。数据成本反映出价值的各类成本投入;表观价值反映出数据资产的数量与质量，是当前服务价值及其未来增值的本源;服务价值包含了外部服务和内部服务，体现出EDAV的应用价值。
三、企业数据资产价值评价模型建立
实际中，EDAV评价指标可以有多种表征形式，如满意度指标可由组织者根据外部和内部顾客调查计算出满意人数占比，载体成本为既有固定成本，它们可以表述为精确数;外购成本、运维成本、服务成本、服务收益可以根据近年来的统计，表述为包含最小值和最大值的区间数;单一企业的数据规模难以精确表述，但是不同企业间的对比状况容易刻画，可以表述为语言变量;数据完备度、数据合理性为定性指标，可以表述为语言变量;决策支持贡献度可以通过专家评定，采用百分数区间表示。在处理含有不确定性、模糊性的决策问题时，统一转换为直觉模糊数形式具有一定的优势，能够避免将不确定变量转换为确定性变量所导致的较多信息失真问题。鉴于直觉模糊多属性决策有多种方法，理论上均适用于EDAV评价，本文将基于这些单一评价方法进行组合评价，提高评价的科学性。
（一）不同指标形式的直觉模糊数转化
将精确数、区间数、语言变量统一转换为直觉模糊数，首先需要将各类变量数值进行标准化。为了便于评价对象之间的比较区分，在标准化转换时优先考虑归一化处理法和向量规范法。由于归一化处理后的数值通常比向量规范化后的数值要小，在向量规范化标准化结果不突破[0，1]区间的情形下，优先选择向量规范化。设11项指标构成评价矩阵[xij]m×11，对其标准化并转换为直觉模糊数决策矩阵Z=[zij]m×11。
（二）指标赋权
兼顾EDAV评价的目标导向性与差异区分性，一方面通过层次分析法（AHP）得到各指标的主观权重（？浊j），以反映专家对评价指标重要性的普遍性认知;另一方面基于直觉模糊熵进行客观赋权，以充分反映实际评价时各EDAV间的差异。对于直觉模糊熵的讨论有很多，通过对各种测度公式加以比较，选择文献[10]中的测度公式，有第j项指标的直觉模糊熵为：
其中，sij=uij-vij和πij=uij+vij分别为直觉模糊数（zij）的得分与精确度，则指标客观权重为：
对指标主客观权重按照权系数（α）和（1-α）进行加权得到组合权重（wj）。
（三）单一评价
目前应用相对较多的直觉模糊多属性决策模型主要有集结算子、TOPSIS、VIKOR、灰色关联分析、证据推理等。这些模型均有着较为成熟的理论基础，可以用于EDAV评价。
集结算子模型是对各个指标数值应用集结算子进行单一化。集结算子有多种形式，混合算术平均算子兼顾指标重要性及直觉模糊数排序位置两方面信息，具有幂等性、有界性等良好数学性质，本文用该算子进行EDAV评价。基本步骤为计算加权直觉模糊数矩阵;按照直觉模糊数排序规则对每一EDAV中11个加权指标值由大到小排序，记第j位次指标值对应加权前的直觉模糊数为ziσ（ j ），指标权重为wiσ（ j ）;按照正态分布赋权法计算位置权重ωj，则第i个EDAV的综合属性值为：
按照直觉模糊数排序规则对所有EDAV进行排序。
TOPSIS即逼近理想点法，基本步骤为确定正、负理想点，计算各EDAV距离正、负理想点的加权距离、贴近度，按照贴近度由大到小的顺序进行排序。其中，直觉模糊数间的距离采用文献[11]中的测度公式：[u1-u2+v1-v2+s1-s2+（1-？仔1）+（1-？仔2）]/6+max{u1-u2/3，v1-v2/3，v1-v2/6}，si和？仔i分别为直觉模糊数zi=
VIKOR即多准则妥协解排序法，基本步骤为计算各EDAV距离正理想点的群体效用值、个体遗憾值，通过自主设置折中系数反映决策者偏好，计算得到利益比率值，按照利益比率值由小到大的顺序对EDAV进行排序。
灰色关联分析是依据评价对象与参考序列（如正理想点）之间的关联度进行评价。基本步骤为确定参考序列（如正理想点）;计算各EDAV每项指标与正理想点的关联系数;对关联系数加权得到各EDAV与正理想点的关联度;按照关联度由大到小的顺序进行排序。
证据推理模型是将评价对象的各项指标视为证据，每项证据由多个评价等级构成的辨识框架进行评估，获得属于各等级的置信度，继而结合指标权重，运用证据推理算法进行合成。可以应用IDS软件进行证据推理：首先建立由顶层指标和11个底层指标构成的层次结构，其中，顶层指标包含好、差两个等级，效用值分别为1和0，每个底层指标分为好、差两个等级，其置信度分别为（1，0）和（0，1）;其次，输入11个底层指标的权重，以及各EDAV每项指标属于好、差两个等级的置信度，即直觉模糊数形式表示的指标值;最后，评估各EDAV顶层指标对于（好，差）的置信度，并按直觉模糊数排序规则进行排序。
（四）组合评价
单一评价模型的评价结论未必一致，对它们组合评价，基本步骤为：①运用Kendall协同系数法进行相容性检验，得到相容模型集;②对相容模型评价结果运用多种组合评价模型进行组合;③对组合评价结果与相容模型结果运用Spearman秩相关系数法进行一致性检验;④如果存在组合评价模型结果通过一致性检验，则输出通过一致性检验且统计检验值最大的组合评价结果作为最终评价结果，否则转下一步;⑤删除单一评价模型中与其他评价模型结果相关性最低的模型，构成新的相容模型集，转到③继续组合，直至得到通过一致性检验且统计检验值最大的最终评价结果。
由于EDAV评价的目的是确定多个EDAV合理、一致的排序，本文应用基于排序方法的组合评价模型，主要包括平均值法、Borda法、Copeland法、模糊Borda法。前三种方法均基于排序加以组合，应用较为成熟，本文不再赘述。基于直觉模糊决策模型的模糊Borda法涉及直觉模糊决策结果的差异，除隶属度函数设置有所区别外，其余步骤与实数决策结果的步骤完全相同，定义Ai在第k种模型下属于“优”的隶属度如下：
其中，fik表示Ai在第k种模型下评价结果的分值。若模型为集结算子和证据推理模型，fik为直觉模糊数的得分值;若为TOPSIS和灰色关联分析模型，fik分别为贴近度和关联度;若为VIKOR模型，由于利益比率值fi为成本型指标，改用如下的隶属度函数：
四、实例分析
某油田企业对下属的勘探开发（KK）、物探（WT）、石油工程技术（SG）、采油工艺（CG）、勘察设计（KS）、钻井工艺（ZG）这6家研究院的EDAV进行评价，调研得到表2所示的原始评价数据。其中，定性指标均采用7级语言变量集{最高，很高，高，平均，低，很低，最低}表述。
将上述评价矩阵进行规范化，并转换为直觉模糊数，结果见表3。
计算11项指标的直觉模糊熵权依次为0.1243、0.1059、0.0672、0.0453、0.0778、0.0807、0.0891、0.0635、0.1235、0.0992、0.1235。AHP得到的主观权重为0.1402、0.0505、0.0217、0.0846、0.0326、0.0652、0.0652、0.1895、0.1021、0.1895、0.0589，設主客观权重的权系数分别为2/3和1/3，有11项指标的组合权重依次为0.1349、0.0690、0.0369、0.0715、0.0477、0.0704、0.0732、0.1475、0.1092、0.1594、0.0804。分别应用集结算子、TOPSIS、VIKOR、灰色关联分析和证据推理模型得到评价结果见表4。其中，VIKOR中的折中系数和灰色关联分析中的分辨系数均取0.5。
Kendall协同系数检验结果见表5，渐进显著性为0.02，低于0.05，表明5种模型的评价结果具有较为顯著的一致性，构成相容模型集。
将5种单一评价模型结果代入4种组合评价模型，得到组合评价结果见表6。前3种组合评价模型的排序结果完全一致，模糊Borda法的结果略有差异。4种组合评价模型的Spearman统计检验值均为2.9598，均大于t0.05（4）=2.132，输出一致的前3种组合评价模型的结果作为最终排序结果，即6家研究院按照EDAV由高到低依次为钻井工艺研究院、采油工艺研究院、勘察设计研究院、勘探开发研究院、石油工程技术研究院和物探研究院。
结合评价原始数据可知，钻井工艺研究院在顾客满意度、决策支持贡献度、外购成本、服务成本等方面均有着较好表现，但是内部应用满意度、数据合理性数值较低，未来该研究院应面向内部应用，加强内部数据的分析挖掘与产品设计，提高数据资产的内部应用价值。采油工艺研究院在决策支持贡献度、各项成本、数据合理性等方面表现较好，但是服务收益、外部顾客满意度数值较低，未来应强化外部数据服务，提高数据资产外部服务价值。勘察设计研究院在数据规模、决策支持贡献度、服务收益、外部顾客满意度等方面有待提高，今后应不断提高数据储量，对数据源进一步挖潜，做好内外部决策支持设计，提高数据资产服务价值。勘探开发研究院作为综合程度最高的研究院，其高收益与高载体成本、外购成本较为匹配，但是在服务成本、运维成本、决策支持贡献度方面有待加强，今后应持续优化服务、运维流程，并将数据源、数据产品不断融合，提高对研究院内部决策的支持水平。石油工程技术研究院在外购成本、服务成本、数据完备度、服务收益、内部应用满意度等方面有待加强，今后应推动决策支持数据产品的系列化、完备化，提高数据产品收益，不断改进服务流程，并适当降低外购成本。物探研究院在服务成本、运维成本、数据合理性、外部顾客满意度、决策支持贡献度等方面均有待提升，同时较低的服务收益与其较高的数据载体成本不相匹配，今后应优化服务、运维流程，结合内外部顾客需求，加强数据分析、挖掘与交付产品设计，提高服务收益和内部决策支持水平。
五、结论
EDAV评价是大数据时代下企业数据资产管理的重要构成。结合数据资产形成与管理的基本流程与指标体系构建原则，本文构建了较为完备的EDAV评价指标体系。结合指标的混合属性特征，将其统一转换为直觉模糊数，进而构建基于直觉模糊决策的单一评价模型，包括集成算子、TOPSIS、VIKOR、灰色关联分析、证据推理等模型。对单一评价模型进行相容性检验，并对相容模型结果应用平均值、Borda、Copeland和模糊Borda等组合评价模型进行组合，对结果进行一致性检验。实例分析表明，所建的EDAV评价指标体系与模型体系可行、有效，一定程度上丰富了EDAV评价理论，也为实际EDAV评价提供了启发与参考。
【参考文献】
[1] 刘琦，童洋，魏永长，等.市场法评估大数据资产的应用[J].中国资产评估，2016（11）：33-37.
[2] 李永红，张淑雯.数据资产价值评估模型构建[J].财会月刊，2018（9）：30-35.
[3] 左文进，刘丽君.大数据资产估价方法研究[J].价格理论与实践，2019（8）：116-119.
[4] 黄乐，刘佳进，黄志刚.大数据时代下平台数据资产价值研究[J].福州大学学报（哲学社会科学版），2018 （4）：50-54.
[5] 王静，王娟.互联网金融企业数据资产价值评估[J].技术经济与管理研究，2019（7）：73-78.
[6] 董祥千，郭兵，沈艳，等.基于利润最大化的数据资产价值评估模型[J].大数据，2020（3）：13-20.
[7] 张志刚，杨栋枢，吴红侠.数据资产价值评估模型研究与应用[J].现代电子技术，2015，38（20）：44-47.
[8] 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.
[9] 王笑笑，郝红军，张树臣，等.基于模糊神经网络的大数据价值评估研究[J].科技与管理，2019，21（2）：1-9.
[10] 李岩，陈云翔，罗承昆，等.基于概率犹豫直觉模糊熵和证据推理的多属性决策方法[J].系统工程与电子技术，2020（5）：1116-1123.
[11] 汪汝根，李为民，罗骁，等.基于新距离测度的直觉模糊VIKOR多属性决策方法[J].系统工程与电子技术，2019，41（11）：2524-2532.
