面向供给侧的多维复合数据价值评估模型研究

摘要：随着大数据、云计算、分布式系统等技术的快速发展，“数据”逐渐成为新时代的发展标志之一。数据银行作为数据的储存与交易媒介的重要部分，在数据市场的发展与数据价值的评估中，发挥着重要作用。本文介绍了数据银行的主要功能和数据市场的主要搭建方式，并通过分析得出了数据价值评估模型，从供给侧和需求侧多角度分析了数据价值评估的评估方向。

关键词：复合多维；数据银行；价值评估

引言

随着我国的数字化加快发展，越来越多政策开始关注“数据”这一新兴生产要素，围绕数据的各方面发展设施与企业策略正在慢慢壮大。作为一项企业资产，数据的重要性正在日益凸显。随着数据量以及数据的种类不断增加，数据为企业带来的价值不断增长，数据的价值也越来越为人们所重视。然而数据资产作为一种新型的无形资产，在价值评估方面的研究还十分欠缺，目前还没有一种统一的数据资产评估方法对数据价值进行评估。因此，在此背景下，本文结合数据市场的供给侧和需求侧的相关特性以及其相互关系进行分析，展开研究建立面向供给侧的符合多维度的数据价值评估模型。

1. 背景介绍

1.1 数据银行

大数据是新型生产要素和重要的基础性战略资源，庞大的用户群体所创造的大数据价值也是互联网企业高估值的重要组成部分。数据显示，2019年我国传统数据中心实例数达393.3百万个，云数据中心实例数达39.1百万个[1]。在数字化浪潮中以及众多技术的发展为基础的背景下，大数据技术发展迅速，金融行业迎来了新的工具，更方便和高效地管理“数据资产”，与“数据资产”伴生的是与之相关的一系列活动，如数据价值的评估、数据的安全监测和隐私数据的保护。

1.2 数据的交易市场搭建机制

数据的交易市场搭建主要有两个维度方向：以供给方为基础搭建、以需求方为基础搭建，各种形式的数据交易市场各有其特有的优点以及不足之处。

1.2.1 以供给方为基础搭建

以供给方为基础的数据市场主要有三种类型：以政府数据对外输出为基础搭建的数据市场、以大型互联网云平台为基础搭建的保障平台、以数据资源丰富的企业为基础搭建的保障平台。各种类型的供给方数据市场有不同的优缺点。

以政府数据对外输出为基础搭建的数据市场的优势，是数据交易有政府的辅助作为安全保障，违法不安全的事发生的可能性因政府作为辅助保障会减少；而不足之处是这种模式的盈利方式与政府为人民服务的初心产生矛盾，但不收费又难以促进供给方进一步执行数据的供给，有违市场化目的。

如北京国际大数据交易所就是采用此类方式，通过北京市政府的支持，将北京市的政府数据先行提供到数据市场中进行交易、流通[2]。

以大型互联网云平台为基础搭建的数据保障平台的优点，是这些企业渴望利用数据产生价值，有发展数据价值化的趋势，乐意发展数据交易，但除了这些优点之外，这些企业同时作为数据交易的平台方和销售方，存在一定的垄断风险，可能将市场垄断，导致“一家独大”的局面，这不利于数据交易市场的长久发展。

以数据资源丰富的企业为基础搭建的保障平台，相比其他数据交易平台，更像是数据供给方的自营平台，如通信运营商、金融支付的渠道商，是以提供自营相关的服务为主的平台，而非“数据资源”的交易市场。

1.2.2 以需求方为基础搭建

企业以自身需求为基础搭建数据交易平台，更有针对性地为企业提供了所需的数据服务，提高了效率，减少了原本可能的烦琐过程，但是不足之处在于需要企业具有一定的集团企业统一标准性，如果企业内部数据流通不统一、不标准，市场交易而来的数据反而会导致交易效率降低。数据的不统一说明使用者无法第一时间使用第一手数据，需要经过数据的初始化，如数据清洗、数据增补等数据集的基本操作，而后再使用数据。

2. 数据价值评估模型

数据在数据银行进行交易的时候，其数据价格主要由其数据价值决定，并且围绕数据价值，受数据市场环境的影响，进行上下波动[3]，如供不应求、供过于求等情况，这里采用会计核算维度进行表现；而数据价值的评估又可以通过供给侧维度和需求侧维度来评判，供给侧维度主要体现在供给方提供的数据的质量价值以及数据的多维归属性，而需求侧维度主要体现在数据的应用价值、数据的消费密度，以及需求侧的活跃度水平。

2.1 供给侧维度

2.1.1 数据的质量价值

数据银行的数据价值中，最基本的一条就是数据的质量价值，随着大数据技术的发展，数据量越来越多，数据的级别单位一直在变化，而在这个过程中，一直存在的问题就是数据的质量问题，因为数据的质量将影响数据资产的价值，也会在一定程度上影响数据的使用价值。在本文的思考与模型的研究过程中，认为数据质量价值的評估维度包括数据的完备性、真实性、一致性。

通过质量价值的评估，能够帮助使用者根据数据的质量标准，对一部分或整体的数据的质量状况给出评判，提出一个合理且统一的标准，帮助数据发挥更大价值，一定程度上提高数据的应用效率。

（1）完备性。数据是否有完备性是指数据银行中的数据是否存在缺失的情况。在数据银行中，数据的缺失情况有不同的种类，可能是整个用户数据记录的缺失，也可能是数据中的某个重要字段信息的记录缺失，也有可能两种情况都有，数据缺失情况繁多，具体的案例需要具体分析。而同一数据集受其数据缺失点的情况的影响大小也会不同，如无关的数据记录缺失对整体的数据价值影响较小，而重要的数据记录缺失，往往会对整个数据集的应用价值产生较大影响。

（2）真实性。数据的真实性是指数据银行中的数据是否与其对应的现实特征相一致，是否符合现实实际条件，其数据集任何字段的数据都应该符合现实规定的特定的数据格式与值域范围，与现实吻合。例如：我国的电话号码应该是11位，不包括英语字母；人的年龄应该在0-120岁之间，不应该有负数，或者过大的数字。

（3）一致性。数据银行中的一致性表现为判断数据集中同一属性的值在不同数据集中是否一致。假设在一个比较大的公司中，在各个不同的部门、各个独立的业务系统中，数据不一致的现象会大量存在，相同含义的事物可能会有不一样的表达方式。例如，在同一个大型公司中，可能“客户”和“用户”的意义相同，但可能在不同部门的数据汇总表格中，同时存在这两种表达方式，会显得过于冗余，所以在数据银行中，评判数据集的质量价值也可以参考其一致性。

2.1.2 数据的多维归属

数据的供给侧所提供的数据维度也会影响数据的价值，因为往往数据维度越高，数据越复杂，其蕴涵的数据潜在价值越大。数据供给方提供的数据维度不断增加即其数据归属的维度更多维，其能够为企业发掘所用的角度更多，方向更广更深，所以其潜在的应用价值就更大，这也说明该数据集的质量更高。

2.2 需求侧维度

2.2.1 数据应用价值

数据银行中的数据价值只有在应用时才得以体现，应用价值是数据的核心价值。数据应用价值评估的维度主要可以概括为稀缺性、时效性[4]。在市场环境下，数据的垄断也是决定数据价值高低的重要因素。数据的价值会随着数据的应用场景而变化，同一个数据集在不同的应用场景中能够产生的数据应用价值会不同。

（1）稀缺性。数据银行中的数据应用价值会根据其在数据市场上的稀缺程度而变化。在数据的交易市场上，当数据供给方的数量局限在很小范围的时候，或者市场上该类型的数据量稀少，那么相应的其数据价值就会较高，反之则数据的应用价值会变低，这就是数据的稀缺性价值。

（2）时效性。数据银行中的数据应用价值会随其时间的有效性而变动，不同交易场景，其应用价值不同。不同类型的应用对数据的时间特性有不同的要求[5]。通常实时性应用场景中使用的数据集的数据时效性较短，而预测性应用场景中则允许数据有较长的时间跨度。

2.2.2 需求侧的活跃度

数据在需求侧的活跃度一定程度上也影响着数据的价值。如果数据在需求侧更为活跃，表现为应用的范围更广、应用的场景更加多样，数据的需求侧活跃度水平更高，能够给企业带来的价值呈现在许多方面，数据本身的价值就更高。

2.3 供求关系维度

在此维度，通过会计核算的基本方法，对数据的价值在市场供求关系变化中的可能性进行探讨，分别在供不应求、供过于求的背景下，探讨数据银行中的数据价值可能的变化情况。

2.3.1 供不应求

当数据在一个供不应求的数据市场中进行交易时，数据的价值会相比在稳定的市场中适当增加，这时企业更注重数据的应用价值，如果数据的应用价值高，应用范围广，则相应获得的数据价格会更高，在同样的数据质量条件下，企业更倾向于选用时效性更强、维度更多元、更加稀缺的数据。

2.3.2 供过于求

当数据在一个供过于求的数据市场中进行交易时，数据的价值会相比在稳定的市场中适当减小，这时企业更注重数据的质量价值，如果数据的质量更有所保证，完备性好，真实性好，则相应获得的数据价格会更高，在同样的数据应用场景中，企业有更多可选择的数据，更倾向于选择数据质量更有所保障的数据。

结语

在面向供给侧的符合多维度的数据价值评估模型中，我们从三个维度对数据价值评估进行了分析。在供给侧维度中，数据主要受质量价值、多维归属性影响，而在需求侧维度中，数据主要受应用价值、需求侧的活跃度影响。

除此之外，数据的价值还会受数据市场的供求关系影响而呈现不同的倾向。

了解数据的价值评估，更有利于数据银行规范相关的数据流通交易准则，保证数据在供给侧的质量，促进数据在需求侧的应用，更加完善地激发数据真正的价值。

参考文献：

[1]中商產业研究院.2022年中国数据中心产业链上中下游市场剖析[EB/OL].（2022-02-06）https：//m.askci.com/news/chanye/20220218/1531231745246.shtml.

[2]闫晓丽，范兆霞.数据要素市场化机制及商业模式浅析[J].软件和集成电路，2021，（9）：28-31.

[3]林佳奇.发电企业数据资产价值评估研究[D].北京：华北电力大学，2020.

[4]杨农.数字经济下数据要素市场化配置研究[J].当代金融家，2021，（4）：118-120.

[5]丁海龙，徐宏炳.数据质量分析及应用[J].计算机技术与发展，2007，（3）：236-238.

作者简介：洪邹逞，本科，研究方向：数据科学与大数据技术。