数据生态链视角下战略性新兴企业数据价值评估研究

许丹丹 李晓莉

文章编号：1008-7133（2022）01-0019-09

摘要：数据作为一种新型生产要素在战略性新兴企业中发挥着重要作用，对数据进行价值评估是企业数据管理、交易和获利等活动的基础。从数据生态链运行的角度解构数据价值，根据数据生产、整合、传播、使用和分解5个环节来划分价值评估维度，并进一步细分为26个二级指标。采用熵权TOPSIS建立数据价值评估模型，对3家战略性新兴企业的数据价值进行实例分析，识别出数据结存体量、获取难度、集成规模、运载量和整合速度5个影响企业数据价值的关键因素。最后，结合数据生态链运行的特征提出提升企业数据管理能力和数据价值的相关建议。

关键词：数据生态链;战略性新兴企业;数据价值评估;熵权法;TOPSIS

DOI：10.16315/j.stm.2022.01.001

中图分类号： F49

文献标志码： A

Research on data value evaluation of strategic emerging enterprises from the perspectiveof data ecological chain

XU Dan-dan，LI Xiao-li

（School of Economics and Management， Harbin University of Science and Technology， Harbin 150080， China）

Abstract：As a new production factor， data plays an important role in strategic emerging firms. Data value assessment is the basis of data management， transaction， and profit. The data value is deconstructed from the perspective of data ecological chain operation. According to the five links of data production， integration， dissemination， use， and decomposition， the value evaluation dimension is divided into 26 secondary indicators. The entropy weight TOPSIS is used to establish the data value evaluation model. The data value of three strategic emerging firms is analyzed by examples. Five key factors affecting the data value of firms are identified， namely， data inventory volume， acquisition difficulty， integration scale， carrying capacity， and integration speed. Finally， combined with the characteristics of the operation of the data ecological chain， this paper puts forward relevant suggestions to improve the firms’ data management capability and the data value.

Keywords：data ecological chain; strategic emerging firms; data value evaluation; entropy weight; TOPSIS

2021年國务院在《“十四五”数字经济发展规划》中提出“加快数据要素市场化流通”的发展目标，旨在通过数据共享、交易、协作和开放等活动来实现数据对企业研发、生产和服务等环节的赋能作用。战略性新兴产业因其要素先导性、数据密集性与发展前沿性已成为数据深度融合应用的重点产业[1]。因此，战略性新兴企业相较于传统企业而言数据基础设施更为完善、数据规模增量大、数据交易频繁[2]，但也面临着可借鉴模式少、运营效率不高、交易失范及价值不明等问题，制约了战略性新兴企业间的数据开发利用和数据要素市场的可持续发展。由此可见，基于战略性新兴企业数据管理与流通的特征，及时准确评估数据价值是提升企业数据交易效率、扩大交易规模和提高经济效益的关键。

战略性新兴企业作为我国战略性新兴产业数字化创新的活跃主体，具有一定的数据生产、利用能力，但数据价值化、资产化运营水平仍有待提高，尤其是在数据估值、定价和交易融通等方面探索不足[3]，需要设计全面的数据价值评价模型加以支撑。我国从2019年开始将数据纳入生产要素体系内，提出要支持不同产业实现数据规范化利用与开发以提升数据资源价值。在数据红利和国家政策的双重驱动下，数据价值评估的研究逐渐丰富，已有从财务、市场交易等角度评估数据价值的，但多针对个人、传统企业和政府开放数据展开[4-7]，鲜有研究对战略性新兴企业的数据价值进行评价，不利于构建战略性新兴企业的数据资产核算与管理体系、提升数据管理效率和降低战略性新兴产业数据交易壁垒。因此，有必要对战略性新兴企业数据价值的评估进行探索，构建全面的数据价值评估指标体系与模型，为产业数据要素市场的建设奠定基础，对提升数据要素价值，加速数据流通具有重要意义。

1文献综述

1.1数据价值评估

数字技术的兴起降低了数据获取与开发的难度，拓展了数据规模，同时，数据与企业实际业务需求已实现广泛融合并成为企业间的竞争性资源，因此，需要对数据进行准确的筛选与评估，提升企业数据管理的规范性，实现数据价值[8-9]。闭珊珊等认为数据价值评估是指对数据的运行现状、质量、经济价值和社会价值等进行全面定性与定量评价的活动[10]。

数据价值评估的研究主要围绕评估方法、指標体系和数据价值的类型与生成机制3个方面展开。数据价值评估方法有定性和定量2种类型，如Brinch等采用案例分析的方法来评价影响企业数据价值的因素[11];Bitomsky等[12]通过数据挖掘和规范分析建模方法对数据价值链的运行和IT风险进行量化评估。现有数据价值评估指标体系的设计主要考虑会计核算、数据生命周期和数据使用3个方面，如陈芳等[13]基于多期超额收益指标来评价企业数据资产价值;朱泽等[14]从数据基础价值与增值的角度，设计了包含数据资产的产生、运行、使用和再造的全生命周期评价指标;Li等[15]从数据的经济和使用价值来确定评价指标;王笑笑等[16]从数据的搜集处理成本、质量和使用情况设计指标体系，评估数据价值。数据价值类型包括政治、经济、社会、技术、战略、科学研究、精神文化和环境生态等[17]。数据价值的生成机制即数据价值链包括数据的生成、收集、分析和交换，是原始数据到实用数据转化的全过程[18]。

1.2数据生态链

数据生态链的概念最早源于信息生态链，是指利用各种技术资源来对数据进行访问获取、复制转移和分析利用而形成的关联链条[19]，可以将数据的生产、组合、扩散传播、分解和监督管理结合在一起，实现多节点的联系互动，并不断演化与反馈构成生态链结构，进而促进数据价值的实现与提高[20]。数据生态链既包括水平方向的数据交互协作，也包括垂直方向上的价值创造传递，是数据和价值持续互动的链式结构，构成主体为数据流通活动的各利益相关者（生产者—提供者—传递者—利用者—消费者）[21]。数据生产活动是数据生态链运行的基础，需要在该阶段对原始数据进行搜集与整合并完成结构化转变，使数据符合流通标准[22];数据提供的本质是数据公开，在技术、法律和经济的约束下数据生产者或持有者从开放数据中获益将会提升数据交互的可能性、加速数据传播[23];数据传递是数据生态链运行的核心环节，不仅要保证数据内容的完整、数据来源可信和数据传播高效，还要注重传递的安全有序、传播过程的动态可控，形成健康的数据生态[24];数据利用是数据价值实现的前提，提升数据结构的一致性与兼容性可以降低数据的使用难度，增强数据时效性可以提升数据获取与使用意愿，建立关联数据库可以提升数据主体间协同与数据使用频率，而精准性是提高数据质量与可用性的核心[25];数据消费活动伴随数据的使用而发生，是对数据价值的反馈，能够分解和重构数据内容[26]。通过文献梳理发现数据生态链运行的关键是保证链上所有节点活动的有序进行，把握其发展的方向与重点，并提供合理的价值引导。

综上，学者们在数据价值评估方面已进行了较为丰富的研究，为企业的数据管理活动提供了借鉴，也为数据流通和数据交易环境的建设奠定了基础。但目前有关数据价值评估的研究主要围绕传统的评价维度展开，如数据使用成本、财务绩效，这部分研究为数据价值评估提供了基础方向，但多未考虑数据的可持续应用与管理，无法兼顾企业数据流通活动的生态化发展。因此，对数据价值的评估不应限于现有财务和使用价值等经济性指标，也需要关注企业数据应用的生命周期和数据流通生态链的运行。数据生态链的研究以数据的交互、传播为重点，关注数据从产生到分解重构的全过程，对数据资源的深度开发与利用有重要意义，但却鲜有研究将数据价值评估嵌入到生态链的运行中，不利于提升数据的节点价值。因此，本文在梳理战略性新兴企业数据价值影响因素和数据生态链运行相关文献的基础上，构建数据价值评估的指标体系，通过熵权TOPSIS方法建立数据价值评估模型，并利用该模型对3家战略性新兴企业的数据价值进行评估，为数据资产的运营提供科学依据，有利于提升战略性新兴企业的数据管理、交易、质押和流通活动的效率。

2战略性新兴企业数据价值评估模型构建

2.1数据生态链结构

在战略性新兴企业的数据运营系统中，各个业务环节以数据为载体进行信息、知识和技术等价值流的传递，并在这种传递中实现数据增值。除数据活动外，企业中其他外部资源也会与数据发生能量交换，并作用于数据价值的变化，因此战略性新兴企业的数据生态链具有动态交互、环境复杂等特征，结合文献梳理明确其结构模型，如图1所示。

战略性新兴企业作为战略性新兴产业的重要组成部分深受其产业特征的影响，企业的发展与新兴技术和新型要素紧密相关，具有超前性和引导性，其数据生态链的运行可以达到高速、海量、低能耗、安全可靠、互联协同和前瞻时效的程度[27]。从数据的生产到分解，由于不同节点数据管理活动的差异，数据价值评估的要点也随之变化。

2.2数据价值影响因素

数据价值伴随数据生态链的运行而产生，不同节点价值创造内容的侧重点也存在差异，因此本文基于文献梳理和战略性新兴企业数据生态链的运行过程来识别影响数据价值的因素，具体内容如下。

1）数据生产影响因素。数据获取是企业将分散在各部的原始数据聚集到一起，以备数据的分析与使用，是数据生态链运行的基础支撑工作。当企业各业务部门的数据库差别较大时，数据获取的难度就会增大，表明企业的数据基础设施建设存在不足，整体数据管理水平和数据价值有待提高[28]。

原始数据的可用性水平低，需要对其内容加以描述和分类以产出规范化数据，如对数据的内容提要、背景来源、标题和类型等进行细节化的描述[29]。数据描述规范性高时需求者可以准确识别数据价值，快速达成数据交易。

数据结构化是将碎片化的数据按照统一的格式要求进行处理，以便于数据集的检索、传输、分析与利用。对数据进行结构化生产处理之后可以实现单次发布、多元使用[30]，同时数据结构化程度越高数据识别与转化的难度就越低，数据满意度也相对提升。

企业数据总体规模即数据的结存体量，数据规模越大包含的信息、知识的量也就越大，并逐渐形成“数据湖”来提升数据分析的准确性[31]，能辅助构建解决企业或其他主体现存问题的方案体系，提高企业的数据影响力。

數据的采集成本主要来自统计环境建设成本、数据创建成本和数据安全维护成本三部分，这部分成本具有一次性投入高、边际效用高的特征，当企业数据的边际采集成本降低时表明数据价值已经在一定程度上形成积累[30]。

2）数据整合影响因素。数据可操作性是指数据可供整合主体进行归纳、分类、排列、检索和存储的程度。独立的原始数据并不能实现价值，经适应性操作后才可以支撑企业活动[32]，因此数据的可操作性越高，可用范围就越大，价值实现的可能性也随之提高。

分析支撑度是数据整合过程中的实体价值，表征了数据与组织资源的兼容性。企业在获取数据后需要利用人力、技术等资源对数据进行分析[33]，解构数据内容支撑企业活动，因此企业在评估数据价值时要充分考虑数据是否可以被分析利用。

数据融合要兼顾时间、空间和内容三大特征，是对数据进行预处理后再与企业现有资源进行拼凑组合，实现新价值的过程。数据融合难度体现了数据的可解释性与可用性，融合难度越低使用约束就越小，机会识别和资源利用的效率就越高。

企业数据整合大致经历前期降维处理以突出数据特性，中期结构化转变实现数据性能，后期数据训练形成标准化数据集合，数据整合速度越快说明数据冗余剔除快、算法适应性强和组合分析基础性能好，相对数据质量高。

稳定性是指企业数据的服务稳定性，体现为数据是否能高效正确的响应服务需求，是外部主体对数据价值的直接评价。从时间维度考虑，运行数据内容时故障少、响应快[34];从数据请求维度看，需求实现率高即为稳定性强。数据稳定性越强，用户体验越好，外部环境对数据的评价越高。

3）数据传播影响因素。数据开放度包含广度、深度和效度3层含义，其中广度是指数据的宣传和扩散范围;深度是企业就数据与外部开放交流的程度;效度体现为开放数据的标准性和可用性。当开放度较高时说明企业数据的知名度高、内容持续更新和适用性强，更易发生数据获取和交互，社会认可度高[35]。

企业数据安全是指数据在传输过程中不被破坏、篡改和泄露，同时不夹带病毒和广告等劣质插件。系统程序、数据技术、各类硬件设施和企业数据管理状况等共同决定了数据的安全度，是企业塑造数据价值、传播数据内容的重要保障。

数字技术的迅速发展使战略性新兴企业在进行数据传播时更关注跨越空间距离，缩短时间限制，便捷及时的获取各类数据信息。在快速竞争环境下，数据传播速度成为企业构建数据优势的瓶颈和关键，直接影响企业获取知识和资本的机会，也影响企业对外的交流与宣传。

运载量是指企业参与传播扩散的数据总量，是企业整体数据活动范围和规模的体现。随着数据的爆发式增长[36]，需要企业有更高的运载能力来聚集和管理数据，构建内部数据价值体系，以更好的利用数据和提升数据。

传输渠道是企业数据传播链的动态硬件支撑，是数据传输的物理基础，如高速传输渠道LVDS相对于传统高速模拟数字转换器（ADC）在传输速度、内容完整性和能耗等方面相差多个量级[37]，可见传输渠道极大影响了企业数据的传输效率。

数据平台可以辅助需求者利用企业对外数据库来检索、浏览和获取数据，降低数据传播的难度，消除由于信息不对称而造成的数据传输壁垒。优质的数据平台可以提高用户体验，提升传输质量。

4）数据使用影响因素。数据使用的前提是将外来数据与自身需求相融合匹配，实现内部兼容。在数据互联的背景下，战略性新兴企业的数据使用网络已经形成分布式协同交互运行结构，提升数据的使用兼容性可以降低组织间的“排异”反应，拓展数据存储方式和使用领域。

数据可用要件包括无语义错误、准确记录客观实体和内容无缺失3个方面[38]，由于数据采集、传输和管理活动的复杂性，实现数据可用不仅需要原始数据支撑，还需要战略性新兴企业对数据进行训练使其满足应用要求，可见可用性是数据价值挖掘和实现的基础。

市场关注度是指战略性新兴产业数据交易市场参与者对企业数据的兴趣值，反映了数据交易的热点和发展趋势，是数据使用层向生产层发送的请求[39]。当企业数据符合市场信号时，就会受到用户欢迎并得到认可，进而实现数据使用价值。

数据及时有效是其在应用过程中最为突出的优势，与数据生产和使用的时间间隔负相关，与数据使用后持续发挥效用的时间正相关。数据时效性能够影响战略性新兴企业对客观事实的认识，进而影响企业决策的客观效果和对数据价值的反馈评价[40]。

战略性新兴企业所处的产业环境复杂多变，需要及时对数据运行进行维护以减少故障风险，此类成本主要来自对设备和数据中心的监控、预警和反馈上报[41]。当企业数据运维成本过高时说明数据的稳定性和可靠性出现波动，数据质量存在问题，可能不满足使用要求。

5）数据分解影响因素。数据分解的首要任务是精准认识数据内容，对废弃数据进行分类以备回收再造。数据分解的精确性是指战略性新兴企业对数据价值变化在意识层面具备敏感性，在操作层面准确辨识，并及时分解和评估，是数据重塑与价值提升工作的基础。

数据内容密集、更新迭代速度快是战略性新兴企业数据管理活动的典型特征，海量数据聚集而导致的数据能耗骤升已成为企业的共同问题[42]。数据能耗表现为企业IT设备和配套基础设施的耗电量，取决于正在运行的数据总量，数据能耗越高表明企业的数据清洗与分解工作越滞后，数据冗余堆积，数据价值密度低。

数据回收是对使用后的数据进行持续追踪，清理过期和无效数据，识别、回收和校验可用数据的过程。通过对历史数据的回收、解构和重构改良可以重现数据价值，同时降低采集成本、提高资源利用率[43]。

数据分解集成是面向数据循环使用的，在物理和逻辑层面将企业中不同来源、结构和性质的数据集中到数据回收仓的过程。数据废物集成是企业进行数据拆解、分析和重构利用的基础[44]，集成规模效应则可以降低数据挖掘成本，提升数据价值及经济效益。

分解回收是数据循环生态的重要环节，其核心是筛选可重用数据、降低数据生产成本和提高数据使用率。数据反馈成本是数据分解过程中企业记录、测量和改造数据所需的成本，因质量不达标等问题而导致的过度清理会增高反馈成本，背离数据分解的原始目标，数据相对价值评价将会下降[45]。

2.3数据价值评估指标体系

评估指标体系的合理性与科学性是对战略性新兴企业数据价值进行精准评价的前提，因此，本文基于数据生态链视角结合影响因素分析，划分出包含数据生产、数据整合、数据传播、数据使用和数据分解5个维度的战略性新兴企业数据价值评估指标体系，如表1所示。

2.4数据价值评估模型

熵权TOPSIS法是将熵权法与TOPSIS法有效结合的实用综合评价方法，可以利用熵权法对各个评价指标进行客观赋权，TOPSIS法准确评价数据价值，具有适应性强和评价结果客观合理等性能优势。在模型构建前假设有n个参评对象，m个评价指标，Xij为第j个评价对象的第i个评价指标所对应的数值，具体应用步骤如下。（i=1，…，m;j=1，…，n）

1）构建数据价值评估矩阵。

RX=X11…Xm1XijX1n…Xmn。

2）通过极差法对数据价值评估矩阵进行标准化处理，其中：效益型（正向）指标采用公式（1）;成本型（负向）指标采用公式（2）。

Yij=Xij-min（Xi1，…，Xin）max（Xi1，…，Xin）-min（Xi1，…，Xin）。（1）

Yij=max（Xi1，…，Xin）-Xijmax（Xi1，…，Xin）-min（Xi1，…，Xin）。（2）

得到标准化矩阵RY。

RY=Y11…Ym1YijY1n…Ymn。

3）计算第j个评价对象第i个指标的比重，为熵值计算奠定基础。

Pij=Yij∑nj=1Yij。

（3）

4）评估指标熵值计算。

Hi=1ln n∑nj=1Pijln Pij。（4）

5）权重确定。

wi=1-Him-∑mi=1Hi。（5）

6）同趋化与归一化处理。同趋化是为保障正负理想解的方向一致，见式（6）;归一化的目标是提高各个指标的可比性，见式（7）。

正向指标同趋化

X′ij=Xij逆向指标同趋化：X′ij=1/Xij。（6）

X″ij=X′ij/∑nj=1X′2ij。（7）

7）构建加权标准化矩阵。以uij=wij*Q″ij为计算公式得到加权规范化矩阵。

U=u11…um1uiju1n…umn。

8）确定正、负理想解。u+i和u-i分别为矩阵U中第i个指标下的最大值与最小值。

正理想解为U+j=u+1，u+2，…，u+m。（8）

负理想解为U-i=u-1，u-2，…，u-m。（9）

9）计算各个评价对象到正、负理想解的欧式距离。

d+j=∑mi=1（uij-u+i）2，

d-j=∑mi=1（uij-u-i）2。（10）

10）贴近度计算。贴近度反应了评价对象与正理想解的贴近度，因此贴近度越大企業数据质量越高。

Cj=d-jd+j+d-j。（11）

3实例分析

本文选取战略性新兴企业中以数据作为关键驱动力的3家典型企业：阿里巴巴、苏宁、美团。这3家企业虽具有数据内容密集的特征，但有关数据价值评估的基础研究较少，关键信息不易获取，因此通过邀请10位资深数据分析师按照指标体系内容对样本企业的数据价值进行打分，对专家评分结果汇总求和取均值后采用熵权TOPSIS方法进行综合评价。按照式（1）～（5）的内容计算各个指标权重，如图2所示。

通过权重计算结果发现不同因素对企业数据价值影响程度存在差异，具体分析如下：

1）关键影响因素。关键影响因素是指在数据价值评估中权重值较大的指标，包括数据结存体量（A14）、获取难度（A11）、集成规模（A54）、运载量（A34）和整合速度（A24）。其中数据生产环节的结存体量和获取难度对数据价值的影响最大，数据作为一种新型生产要素在战略性新兴企业中的应用仍处在探索阶段，原始的数据获取与积累是进行数据使用的前提。在数据整合处理与传播环节，企业的整合速度决定了是否可以对数据内容进行快速反应，而运载量体现了企业整体的数据运行与负荷能力，二者是数据价值探索阶段的基础。由于数据生产、整合、传播和使用水平不足，数据回收工作在企业中开展的并不顺利，需要加大对数据集成的投资，扩大数据规模，为数据管理工作积累资源。

2）非关键影响因素。非关键影响因素是指权重值很小的评估指标，有数据安全度（A32）、运维成本（A45）、时效性（A44）、能耗水平（A52）和开放度（A31）。数据安全度与开放度未在企业数据价值评价中引起足够关注，说明现阶段企业并未广泛开展数据交互活动，数据交易市场的建设基础薄弱，需要提高数据质量，加强数据传播。受制于企业的数据存量，数据运维成本和时效性对数据质量的影响也不大，但在数据扩张结束后企业需要加大对此二者的关注。为获取更大的数据红利企业往往忽视数据能耗的影响，这将不利于数据管理的绿色可持续发展，需要进行适当调整。

根据公式（6）到（11）的内容计算各个评价对象与理想解的贴近度，并按照评价结果的优劣进行排序，如表2所示。

从评价结果看阿里巴巴整体的数据价值最高，建议企业可以依托自身数据资源优势建立开放式的数据平台，在保证数据安全和隐私的基础上广泛开展数据分析、价值开发和共享交易等活动，提升企业的数据服务能力，使多元主体共享数据成果。美团的数据价值仍有很大的提升空间，但其自主研发的OCTO体系最近重新迭代完成，预计能极大促进企业的数据生产、整合、传播和使用，也有望在数据回收领域开拓布局。苏宁的数据价值较低，需要加强自身数据基础设施的建设，注重与用户和其他企业的数据交流，提高数据资源储备与分析能力，提升自身数据管理水平。

4结论与建议

准确评估数据价值对建立数据定价模型、促进数据交易流通和战略性新兴产业数据要素市场的建设具有重要意义。本文从数据生态链视角出发，划分出数据生产、整合、传播、使用和分解5个维度的价值评估体系，包含26个具体指标，利用熵权TOPSIS法对3家企业的数据价值进行评估，并识别出关键和非关键影响因素。基于以上研究结论，结合数据生态链的运行特征为提高企业数据管理能力，提升数据价值提出以下建议。

1）提升数据资源积累量。战略性新兴企业的数据管理仍处于起步阶段，高价值数据积累量整体偏低，提升策略如下：一是编制企业数据采集清单并定期检查清单完成度，积累企业日常经营活动的数据，以备支撑企业决策与管理;二是建立开放式的数据录入库，支持不同主体输入与企业业务相关的各种数据，拓展企业数据来源;三是积极参与数据交换、交易和共享等活动，及时获取与掌握外部数据。

2）优化数据存储与运营。优化数据存储环境，提高数据运营效率是当前战略性新兴企业数据管理的难点，主要改善措施如下：一是进行数据分级分类管理，完善数据检索、标注，规范数据的存储;二是建设实用可控的数据运营中心，包括数据基础设施布局、数据多样化分析平台、数据文件交互系统和可视化的数据运行维护平台，保障企业数据管理工作的高效有序进行。

3）促进数据流通与循环。加速数据流通与循环利用是战略性新兴企业未来数据管理的方向，相关建议如下：一是在企业内建立虚拟资源平台，不同部门及时上传数据，加强内部数据交流与利用;二是企业主动出售自有数据，将自身积累的数据去敏、去隐私和商业秘密后，在兼顾安全与时效性的基础上进行数据交易，扩大数据流通范围;三是开展数据回收与循环测评工作，将数据循环利用作为企业日常管理活动之一，降低数据能耗和运维成本，提升企业数据复用性。

由于战略性新兴企业数据价值评估问题的特殊性，本文在研究数据采集方面受到了一定限制，未来会选取更加广泛的评价对象和多方统计数据，进一步提升评估结果的准确性;此外，由于现阶段战略性新兴企业的数据管理尚处于探索阶段，仍有很大的提升空间，后续研究中会考虑补充数据价值评估指标，以建立更加科学完善的指标体系。

参考文献：

[1]武川，王宏起，李玥，等.战略性新兴产业前沿技术领域预测与合作潜力：基于主题相似网络关系的分析视角[J].系统工程，2021，39（4）：151.

WU C，WANG H Q，LI Y，et al.Forecast and cooperation potential of frontier technology fields of strategic emerging industries：based on the perspective of network relationships with similar topics[J].Systems Engineering，2021，39（4）：151.

[2]宋京坤，王克平，沈瑩，等.大数据环境下战略性新兴企业竞争对手研究体系动力学模型研究[J].现代情报，2021，41（5）：112.

SONG J K，WANG K P，SHEN Y，et al.Research on dynamic model of competitor research system of strategic emerging enterprises in big data environment[J].Modern Information，2021，41（5）：112.

[3]尹西明，林镇阳，陈劲，等.数据要素价值化动态过程机制研究[J].科学学研究，2022，40（2）：220.

YIN X M，LIN Z Y，CHEN J，et al.Research on the dynamic value creation process of data element[J].Studies in Science of Science，2022，40（2）：220.

[4]许宪春，唐雅，张钟文.个人数据的统计与核算问题研究[J].统计研究，2022，39（2）：18.

XU X C，TANG Y，ZHANG Z W.Research on the statistics and accounting of personal data[J].Statistical Research，2022，39（2）：18.

[5]BAUMANN A，HAUPT J，GEBERT F，et al.The price of privacy an evaluation of the economic value of collecting clickstream data[J].Business & Information Systems Engineering，61（4）：413.

[6]宋杰鲲，张业蒙，赵志浩.企业数据资产价值评估研究[J].会计之友，2021（13）：22.

SONG J K，ZHANG Y M，ZHAO Z H.Research on value evaluation of enterprise data assets[J].Friends of Accounting，2021（13）：22.

[7]付熙雯，郑磊.开放政府数据的价值测量：特征与方法的比较研究[J].图书情报工作，2020，64（19）：140.

FU X W，ZHENG L.Open government data value measurement：a comparative study on project features and methods[J].Library and Information Service，2020，64（19）：140.

[8]荆文君.数据优势会使平台企业提高定价吗？：模型推导与理论分析[J].中国管理科学，2021，29（7）：227.

JING W J.Will data advantages increase platform companies' pricing？：Model derivation and theoretical analysis[J].Chinese Journal of Management Science，2021，29（7）：227.

[9]李唐，李青，陈楚霞.数据管理能力对企业生产率的影响效应：来自中国企业—劳动力匹配调查的新发现[J].中国工业经济，2020（6）：174.

LI T，LI Q，CHEN C X.The effect of data management ability on firm productivity：New evidence from China employer-employee survey[J].China Industrial Economics，2020（6）：174.

[10]闭珊珊，杨琳，宋俊典.一种数据资产评估的CIME模型设计与实现[J].计算机应用与软件，2020，37（9）：27.

BI S S，YANG L，SONG J D.Design and implementation of cime model for data assets assessment[J].Computer Applications and Software，2020，37（9）：27.

[11]BRINCH M，GUNASEKARAN A，WAMBA S F.Firm-level capabilities towards big data value creation[J].Journal of Business Research，2021，131（6）：539.

[12]BITOMSKY L，BURGER O，HACKEL B，et al.Value of data meets IT security-assessing IT security risks in data-driven value chains[J].Electronic Markets，2020，30（3）：589.

[13]陈芳，余谦.数据资产价值评估模型构建：基于多期超额收益法[J].财会月刊，2021（23）：21.

CHEN F，YU Q.Construction of data asset valuation model based on multi：Period excess income method[J].Finance and Accounting Monthly，2021（23）：21.

[14]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.

ZHU Z，DUAN Y Q，HE D.Simulation and evaluation of the data asset value system oriented to government data governance[J].Library Tribune，2021，41（6）：100.

[15]LI X B，LIU X P，MOTIWALLA L.Valuing personal data with privacy consideration[J].Decision Sciences，2020，52（6）：393.

[16]王笑笑，郝红军，张树臣，等.基于模糊神经網络的大数据价值评估研究[J].科技与管理，2019，21（2）：1.

WANG X X，HAO H J，ZHANG S C，et al.Research on the value assessment of big data based on fuzzy neural network[J].Science-Technology and Management，2019，21（2）：9.

[17]付熙雯，郑磊.开放政府数据的价值：研究进展与展望[J].图书情报工作，2020，64（9）：122.

FU X W，ZHENG L.The value of open government data：Insights from literature and a research agenda[J].Library and Information Service，2020，64（9）：122.

[18]FAROUKHI AZ，EL ALAOUI I，GAHI Y，et al.Big data monetization throughout big data value chain：A comprehensive review[J].Journal of Big Data，2020，7（1）：1.

[19]SERWADDA D，NDEBELE P，GRABOWSKI M K，et al.Open data sharing and the global south—who benefits？[J].Science，2018，359（6376）：642.

[20]薛晓娜，佟泽华，丰佰恒，等.5G环境下数据生态链的优化策略研究[J].情报理论与实践，2021，44（3）：37.

XUE X N，TONG Z H，FENG B H，et al.Research on optimization strategy of data ecology chain in 5g environment[J].Information Studies：Theory & Application，2021，44（3）：37.

[21]赵需要，侯晓丽，樊振佳，等.政府开放数据生态链的形成机理与培育策略[J].情报理论与实践，2021，44（6）：7.

ZHAO X Y，HOU X L，FAN Z J，et al.Study on the formation mechanism and cultivation strategies of government's open data eco-chain[J].Information Studies：Theory & Application，2021，44（6）：7.

[22]KWON H，PARK Y，GEUM Y.Toward data-driven idea generation：Application of Wikipedia to morphological analysis[J].Technological Forecasting And Social Change，2018，132（12）：56.

[23]HUBER F，WAINWRIGHT T，RENTOCCHINI F.Open data for open innovation：Managing absorptive capacity in SMEs[J].R & D Management，2020，50（1）：31.

[24]PANDEY H M.Secure medical data transmission using a fusion of bit mask oriented genetic algorithm，encryption and steganography[J].Future Generation Computer Systems-the International Journal of Escience，2020，111（7）：213.

[25]崔宏轶，冼骏.政务数据管理中的“数据可用性”：痛点及其消解[J].中国行政管理，2019（8）：55.

CUI H Y，XIAN J.Data usability from the data management of government affairs：Pain spots and resolutions[J].Chinese Public Administration，2019（8）：55.

[26]赵需要，侯晓丽，徐堂杰，等.政府开放数据生态链：概念、本质与类型[J].情报理论与实践，2019，42（6）：22.

ZHAO X Y，HOU X L，XU T J，et al.Government's open data eco-chain：Concept，essence and types[J].Information Studies：Theory & Application，2019，42（6）：22.

[27]宋京坤，王克平，沈莹，等.大数据环境下战略性新兴企业竞争对手研究体系动力学模型研究[J].现代情报，2021，41（5）：112.

SONG J K，WANG K P，SHEN Y，et al.Research on dynamic model of competitor research system of strategic emerging enterprises in big data environment[J].Modern Information，2021，41（5）：112.

[28]张海涛，李泽中，刘嫣，等.基于组合赋权灰色关联TOPSIS的商務网络信息生态链价值流动综合评价研究[J].情报科学，2019，37（12）：150.

ZHANG H T，LI Z Z，LIU Y，et al.Comprehensive evaluation of value flow in business network information eco-chain based on combination weighted grey correlation grade TOPSIS model[J].Information Science，2019，37（12）：150.

[29]聂云贝，刘桂锋，刘琼.数据生态链视角下科学数据生命周期运行过程分析[J].信息资源管理学报，2021，11（2）：69.

NIE Y B，LIU G F，LIU Q.Analysis of the running process of scientific data life cycle from the perspective of data ecology chain[J].Journal of Information Resources Management，2021，11（2）：69.

[30]BRAUN M T，KULJANIN G，DESHON R P.Special considerations for the acquisition and wrangling of big data[J].Organizational Research Methods，2018，21（3）：633.

[31]HUANG S Y，XIONG Y，YANG L Y.Skill acquisition and data sales[J/OL]. Management Science.[2022-1-27].DOI：10.1287/mnsc.2021.4117.

[32]李善青，郑彦宁，赵辉，等.大数据背景下科学元数据的重要问题研究[J].科技管理研究，2019，39（18）：184.

LI S Q，ZHENG Y N，ZHAO H，et al.Study on key problems of scientific metadata under the background of big data[J].Science and Technology Management Research，2019，39（18）：184.

[33]TARJAN L，SENK I，OBUCINA J E，et al.Extending legacy industrial machines by a low-cost easy-to-use iot module for data acquisition[J].Symmetry-Basel，2020，12（9）：1486.

[34]唐军，周冰，文里梁，等.工业生产过程数据稳定性评价方法的适应性研究[J].工业工程，2020，23（6）：131.

TANG J，ZHOU B，WEN L L，et al.A study of adaptability of different statistical methods for stability assessment of complex industrial data[J].Industrial Engineering Journal，2020，23（3）：131.

[35]KOHLBRENNER D，SHINDE S，LEE D，et al.Building open trusted execution environments[J].IEEE Security & Privacy，2020，18（5）：47.

[36]李菲菲，關杨，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.

LI F F，GUAN Y，WANG S W，et al.Data asset management model and value evaluation method of power supply enterprises from the perspective of information ecology[J].Information Science，2019，37（10）：46.

[37]YU L H，GUI Z X.Analysis of enterprise social media intelligence acquisition based on data crawler technology[J].Entrepreneurship Research Journal，2021，11（2）：3.

[38]盛小平，郭道胜.科学数据开放共享中的数据安全治理研究[J].图书情报工作，2020，64（22）：25.

SHENG X P，GUO D S.Research on data security governance in open sharing of scientific data[J].Library and Information Service，2020，64（22）：25.

[39]倪渊，李子峰，张健.基于AGA-BP神经网络的网络平台交易环境下数据资源价值评估研究[J].情报理论与实践，2020，43（1）：135.

NI Y，LI Z F，ZHANG J.Research on data resources value assessment model based on AGA-BP neural network in the background of network platform transaction[J].Information Studies：Theory & Application，2020，43（1）：135.

[40]TOWNSEND M，QUOC T L，KAPOOR G，et al.Real-Time business data acquisition： How frequent is frequent enough？[J].Information & Management，2018，55（4）：422.

[41]CREMER J L，KONSTANTELOS I，TINDEMANSSH，et al.Data-Driven power system operation： Exploring the balance between cost and risk[J].IEEE Transactions On Power Systems，2019，34（1）：791.

[42]周清，张諝晟，沈子钰，等.数据中心内服务器能耗数据采集及特征分析[J].数据采集与处理，2021，36（5）：986.

ZHOU Q，ZHANG X S，SHEN Z Y，et al.Data collection and feature analysis of server energy consumption in data center[J].Journal of Data Acquisition & Processing，2021，36（5）：986.

[43]王方，余乐安，查锐.季节性数据特征驱动的电子废弃物回收规模分解集成预测建模研究[J].中国管理科学，2022，30（3）：199.

WANG D，YU A L，ZHA R.Research on decomposition-ensemble approach for predicting e-waste recovery scale driven by seasonal data characteristics[J].Chinese Journal of Management Science，2022，30（3）：199.

[44]GUPTA V，RUSMEVICHIENTONG P.Small-data， large-scale linear optimization with uncertain objectives[J].Management Science，2021，67（1）：220.

[45]王靜，王娟.互联网金融企业数据资产价值评估：基于B：S理论模型的研究[J].技术经济与管理研究，2019（7）：73.

WANG J，WANG J.Research on value evaluation of data assets of internet financial enterprises：Based on B-S theoretical model[J].Technoeconomics & Management Research，2019（7）：73.

收稿日期： 2021-12-01

基金项目： 黑龙江省哲学社会科学规划项目（20GLB033）

作者简介： 许丹丹（1997—），女，硕士研究生;

李晓莉（1982—），女，讲师，博士，硕士生导师.