数据资产会计确认模型的构建方法与应用

王磊（副教授）张际萍（教授/高级会计师）杨洋（副教授）（成都银杏酒店管理学院 四川成都 611743）

一、问题的引出

随着互联网的普及，企业能通过网络获取海量数据、再通过数据挖掘等技术手段创造商业价值，从而可以在企业不盈利的情况下获得高估值。此类商业现象也为企业会计理论研究带来了新的课题，即是否应该以及如何确认、计量数据资源并在企业财务报表中对确认的数据资产予以反映。

最早提出“数据资产”概念的是Richard E.Peters，后来Tony Fisher从资产属性出发，明确提出“数据也是某种类型的资产”的观点。2011年，世界经济论坛指出数据正成为一种新资产。2013年，“大数据之父”维克托指出，将数据资源列入资产负债表只是早晚的问题。然而，由于数据资源的特性，在会计核算上将其确认为资产仍然面临着诸多难题。

二、数据资源会计确认的难题

维克托认为大数据具有四方面特征：数据体量大、数据类型多、处理速度快、价值密度低。大数据按获取方式可以分为结构化数据、非结构化数据和半结构化数据三种类型。数据类型不同，价值实现方式也不同，结构化的数据价值实现具有相对确定性，比如对企业财务报表的数据分析已有成熟方法，因而财务分析为企业管理创造的价值具有确定性；而半结构化和非结构化数据占比高（这两类约占数据总量的90%），是集中进行价值挖掘的重点，但却受制于价值密度、时效性、数据挖掘技术等不确定性因素，其价值实现方式具有高度不确定性。另外，从会计规范来看，一项经济资源若要被确认为资产，应当符合资产的定义和确认条件。我国《企业会计准则——基本准则》（2014）规定，资产是企业过去的交易或者事项形成的、由企业拥有或者控制的、预期为企业带来经济利益的资源。而大数据的价值绝大部分来源于非结构化数据和半结构化数据，其价值实现具有高度不确定性，导致其未必符合资产的定义和确认条件。以下详细阐述观点：

（一）数据资源产权归属所导致的不确定性

传统的资产界定时，强调为企业所拥有或控制，而从数据获取方式的角度看，数据具有可复制性且不具排他性，企业并不能排除他人使用，因而数据的控制权或所有权是虚无的，导致其权属关系难以被清晰界定；从数据价值实现的角度来看，决定其价值实现的因素主要取决于“被谁使用”而非“为谁所有”，这就可能导致企业使用了产权有争议的数据资源而遭遇到法律风险，法律界因而也在讨论数据的集体产权制度。可见，数据资源难以为企业所绝对控制或拥有，不符合传统的资产界定规则。

（二）使用者的主观因素所导致的不确定性

1.使用时间的不确定导致数据资源价值变现的不确定。不同于实物资产，数据资源在一个较长的周期内，价值会随时间波动。当然，数据价值随时间推移未必衰减，某一时期失效的数据资源，可能在将来由于某些因素的变化而重新产生价值。

2.使用者选择的使用场景导致数据资源价值的变化。不同地区之间、不同企业之间或者同一企业的不同业务场景之间的差异，都会对数据资源的使用寿命产生影响。受到企业的战略规划、发展阶段以及主营业务类型等影响，同样的数据资源在不同业务场景下有着不同的价值实现方式，从而产生了经济价值的差异。

3.使用频率会影响数据资源的价值变现。常规资产通常会随着使用次数的增加而发生折旧，使用次数往往有限，而与常规资产不同的是，数据资源使用的次数是无限的，且数据的价值就是从使用中产生的。同时，数据所具有的无限复制性决定了其使用的边际成本几乎为零，故数据价值通常与使用次数之间呈正相关性，即价值越用越多。

4.数据采集与挖掘等技术水平使得价值变现具有不确定性。新时代全球数据创建的速度正以指数级增长，在数据量飞速增长的同时，不可避免地存在着大量高价值的数据没有被收集和挖掘，处于“价值沉睡”的状态。当前数据采集正面临着数据源多样化、数据更新快、重复采集以及采集的可靠性不稳定等挑战。不同的数据挖掘技术对数据价值的实现也存在着差异，这就为数据资源价值实现带来了不确定性。

（三）数据资源自身的特性所导致的不确定性

1.数据资源是否具有整合性使得价值变现具有不确定性。数据作为资源具有可再生的特性，整合后的数据可以成为一种新的数据资源。实践证明，将多个数据集进行整合再加工所得的价值会远大于对各个数据分别进行加工所得的价值之和，加工过程中引入的各类算法与模型也可以大大增加数据价值，因此，数据的整合性影响着数据资源价值的表现。

2.数据资源的安全性使得价值变现具有不确定性。确保数据安全是数据价值实现的前提条件。以运营商为例，其所拥有的都是最直接反映用户身份、行为的数据，必须在保护用户隐私的前提下使用数据，才能合法创造价值，因此，需要加强数据安全管理。然而由于纷繁复杂的网络环境，数据很难做到100%的安全，这就为数据资源价值的实现带来不确定性。

3.数据资源是否具备潜在价值具有不确定性。在上述提到的影响数据资源价值的因素之外，还有一些不确定性因素也在制约数据价值的变现。譬如，数据价值对于不同用户而言存在着差异。由于用户对数据的需求不同，同样的数据对于不同类型的用户意味着不同的价值，例如来自证券交易所的分时行情数据与实时报价数据，对于短线操作的股民具有显著价值，但若用于检测和分析证券市场上的欺诈行为却不会带来显著价值。又比如，零售公司可以使用汇总的导航数据来选择其下一个商店的位置，而市政府却使用汇总的导航数据来分析如何更好地规划道路，这将导致导航数据的价值因人而异。

4.数据资源的价值密度导致价值变现具有不确定性。大数据因其容量巨大，其价值往往是潜在的，需要通过挖掘才能得以显现，如电商企业的客户数据，往往不能直接被企业所用，而需要通过数据挖掘来为企业创造价值。然而，当大数据时代来临，企业需要存储和处理的数据量激增，数据的结构和来源更是纷繁复杂，这会导致数据的价值密度降低，从而使得数据价值的挖掘产生不确定性。

三、文献回顾与有待突破之处

从2011年开始，我国对数据资产的研究热度逐步提升，在数据资产的会计核算，即数据资产会计确认、计量与信息列报等方面已经有了部分研究成果。梳理近年来有关数据资产的研究，大多数文献都明确主张应该将企业的数据资源进行表内核算。比如，李如（2017）全面探讨了数据资产会计核算的理论与方法，论证了大数据确认为资产的必要性和可能性，并提出了确认条件，包括大数据须经过整理分析，并处于可利用状态，对其的控制权必须合法等。很多学者采用与之类似的思路，从会计准则的角度来探讨数据资源是否符合资产的定义和确认条件，认为数据资源在一定条件下可以确认为资产，并纳入企业资产负债表核算。基于数字经济的大背景，徐燕雯（2021）从商业伦理的角度对数据资产适用的资产类科目展开了全面辨析。还有一些学者直接探讨了数据资产的价值计量问题，提出了基于市场法、收益法以及层次分析等方法的数据资产价值评估模型，如苑泽明、张永安、王培琳（2021）改进了超额收益法，用于企业数据资产的价值评估。祝子丽、倪杉（2018）以2002—2017年CNKI数据库收录的488篇数据资产研究的期刊论文为样本，发现数据资产会计确认还存在灰色地带，同时从其提炼出的数据资产会计核算研究的28个关键词来看，“会计确认”这个概念并未包含其中，而与会计核算相关或者近似的关键词是“数据价值”“价值评估”和“价值挖掘”等。

另外，还有学者将数据资源的概念加以拓展，探讨信息资源、数字资源等相近类型的经济资源的会计核算问题，贺勇、张裙（2019）基于信息资源的自身特性，讨论了现有的信息资源会计确认的缺陷，从会计假设、确认和计量等方面拓展了信息资源会计核算方式。黄世忠（2020）探讨了信息资源是否应确认为企业的资产，从信息资源有别于常规资产的特性入手，介绍了七大定律，进而介绍了信息资源确认为资产的三种不同观点，即表内确认、表外确认以及无需确认。谭明军（2021）从数据资产相关概念的演化入手，重新界定信息资产、数字资产和数据资产的会计学定义以及数据资产权属，为对信息资产、数字资产和数据资产进行后续的权属确认、价值计量、信息列报等打下基础。

通过对比分析，本文认为，现有研究在三方面还有待突破。

第一，很少有研究聚焦于数据资产的会计确认，没有深入研究其内在规律，大多文献都将数据资产的会计确认与计量置于一起来研究，或越过数据资产的会计确认而直接探讨其会计计量问题。然而，从会计核算的规范来看，一项经济资源应该是先进行确认，而后再进行计量。如果无法确认，那么也无从计量。

第二，探讨数据资产会计确认时，没有考虑到数据资源变现所面临的诸多不确定性，也没有对数据资源分类讨论，而是通过规范性分析直接得出应否确认为资产的结论，显得笼统而缺乏说服力。

第三，现有研究对数据资产的会计确认都使用定性的规范分析方法，缺乏定量分析，所得出的判断有失精确，也难以应用于会计实务工作。

有鉴于此，本文聚焦于数据资产会计确认，探讨符合会计规范的数据资产的确认方法及应用。立足数据资源价值变现不确定的特性，结合会计确认的准则，构建朴素贝叶斯网络模型，通过收集专家给出的会计职业判断数据，运用机器学习的方法，给出可指导会计实务的模型与方法。

四、数据资产会计确认模型的构建与应用

（一）模型构建的思路

朴素贝叶斯算法是基于贝叶斯定理的分类方法。对于给定的训练数据集，首先基于特征条件假设学习输入、输出的联合概率分布；然后基于模型给定的输入，利用贝叶斯定理求出后验概率最大的输出。

为了有效提高数据资产会计确认的精度和速度，本文通过模拟某公司财务部门对数据资产会计确认的30条数据，结合数据资产类型进行离散化处理，通过机器学习来构建数据资产会计确认的模型。最后，基于此模型，利用朴素贝叶斯算法求出该模型的最大后验概率分布，从而给出针对该数据资产会计确认的职业判断。

（二）模型构建的流程

朴素贝叶斯会计确认模型的构建流程如下：

输入：训练数据T=｛（x，y）……（x，y）｝，其中x∈（x……x），x是第i个样本的第j个特征，x∈｛a，a……a｝，a是第j个特征可能取的第i个值，j=1，2……n；i=1……n；y∈｛c，c……c｝。

输出：实例x的分类。

第一步，计算先验概率。

P（Y=c）=∑I（y=c）/n

其中，k=1，2……n。

第二步，计算条件概率。

其中，j=1，2……n；i=1，2……n；k=1，2……n。

第三步，对于给定的实例x=（x……x），计算后验概率：

P（Y=c）·∏P（X=a∣Y=c）

其中，k=1，2……n。

第四步，计算并确定实例x的分类。

y=argmax P（Y=c）·∏P（X=x∣Y=c）

例：假定某公司财务部门需要对资产状况进行清理，对涉及到的30条数据是否进行资产确认难以统一意见。本文建议结合数据资产类型进行离散化处理，通过机器学习构建数据资产会计确认的模型。以下分别以数据的产权归属x、数据时效性 x、数据使用场景 x、数据的价值密度x、数据的使用频率x、数据挖掘的技术水平x、数据的整合性 x、数据的安全性 x、数据的潜在价值 x作为特征进行判断，有予以表内确认c、表外披露c、无需确认c三种选择，即Y∈C=｛c，c，c｝作为数据资产会计确认类型的标准，建立数据资产会计确认模型并进行判断结论分类，如表1、表2所示。

表1 数据资产会计确认模型中的特征（xi（j））分类

表2 数据资产会计确认模型中的 判断结论（Y）分类

（三）模型求解与应用

通过问卷调查的方法，收集30名专家对该公司数据资产会计确认的判断数据，再进行离散化处理，获得如下页表3所示的离散化的数据资产会计确认模型。

根据朴素贝叶斯算法对下页表3中的数据运用Matlab程序计算出模型的先验概率及条件概率，如下页表4所示。

表3 离散化的数据资产会计确认模型

表4 模型的先验概率以及条件概率

若给定 X=｛x=1，x=1，x=3，x=2，x=3，x=1，x=1，x=1，x=1｝时，则其相应的后验概率分别如下：

P（Y=1）·P（X=1∣Y=1）·P（X=1∣Y=1）·P（X=3∣Y=1）·P（X=2∣Y=1）·P（X=3∣Y=1）·P（X=1∣Y=1）·P（X=1∣Y=1）·P（X=1∣Y=1）·P（X=1∣Y=1）=0.0083819%

P（Y=2）·P（X=1∣Y=2）·P（X=1∣Y=2）·P（X=3∣Y=2）·P（X=2∣Y=2）·P（X=3∣Y=2）·P（X=1∣Y=2）·P（X=1∣Y=2）·P（X=1∣Y=2）·P（X=1∣Y=2）=0.001170821%

从以上得出的三个后验概率来看，当Y=1时，后验概率最大，所以得出的结论是“予以表内确认”。也就是说，若该公司的数据资源表现出以下特征：x为“有明确产权归属”、x为“时效性强”、x为“使用场景不确定”、x为“价值密度为中等”、x为“使用频率低”、x为“数据挖掘的技术水平高”、x为“数据的整合性强”、x为“数据的安全级别高”、x为“数据的潜在价值大”时，可以得出该公司30条数据应该确认为数据资产，并在表内予以反映的结论。

五、结论

本文通过构建数据资产的会计确认模型，利用朴素贝叶斯算法求解模型的最大后验概率分布，判断企业的数据资源的会计确认类型。由于在会计实务中，会计师进行职业判断存在着不可避免的主观因素而会影响企业信息披露的准确性，该模型也无法全面排除主观因素，但是该方法可以为企业数据资源的会计确认开辟新的思路。会计师可以运用该方法，结合对会计专家经验的学习而逐步完善模型，不仅可以降低会计判断中失误的几率，还可以提高判断的速度和精度。