企业大数据的资产属性辨析
一、引言
大数据日益成为国家和企业组织的战略资源。研究和实践发展表明，大数据有助于获得生产力、竞争优势、效率[1]，是创新能力以及创造消费者盈余的关键要素[2]，是一种促进公司绩效提高的正向因素；采用“数据驱动的决策方式”的企业能够获得约5%的生产力和约6%的利润率，这些差异在排除了劳动、资本、购买服务、传统IT投资等解释因素之后依然强劲[3]。大数据已成为类似于品牌形象的一项企业资产[4]。
然而目前却缺乏一种有效机制或方式来正式揭示这一新型企业资产的价值。会计则恰好提供了这样一种正式机制。作为一种经济信息系统，会计通过提供对利益相关者决策有用信息来减少信息不对称问题。这些决策有用信息，即与企业组织的财务状况、经营成果和现金流量相关且可靠的财务和非财务信息。理论上讲，凡是能够对企业组织的财务状况、经营成果和现金流量产生重要实质性影响的经济事项或经济资源，都应当包含于企业的财务报告中。大数据正是这样一种具有远大运用前景和价值创造潜力、能够对企业组织产生重要实质性影响的经济资源，因此，它的价值信息也应当包含于当今的企业财务报告中。 当然，“在财务会计中，并非所有经济资源与义务及其变动都被确认与计量”（美国APB第4号公告《企业财务报表的基本
概念与会计原则》，1970）。但是，在符合了 “效益大于成本”和 “重要性”原则的前提下，并满足会计要素的确认条件时，就应当将一定的经济资源或资源要素确认为财务报表要素（美国FASB第5号概念公告《企业财务报表的确认和计量》，1984）。随着知识经济时代的到来，人力资本、智力资本、客户资源等无形资产对企业的重要性日益上升，甚至超过传统有形资产（想想Facebook）。然而，由于对这些无形资产的计量存在困难，或者对其确认不满足“效益大于成本”原则，致使这些无形资产仍未在组织财务报表中正式列报。但是，不对这些具有重要实质性经济影响的无形资产进行列报，无疑降低了相关组织会计信息的决策有用性。正因为此，有关这些无形资产的价值评估和计量研究已经成为国内外会计学界的当务之急，也构成了当前会计热点和未来研究的方向之一。
大数据作为近二十年新兴的一种无形资产①，也存在着同样的问题。一方面，人类社会正走向全面数据化（孙海华，2015）、“赢得数据者赢得产业”（郑英豪，2015）。另一方面，国家借力大数据提升国家治理能力、建设“智慧城市”“智慧国家”等战略举措及一些行业日益“数据化”“智能化”（如互联网、电信、金融等行业）等，使得大数据日益成为重要战略资产，而这种战略资产的价值却未能在政府和相关行业企业的财务报告中得以反映，这无疑会引发信息不对称问题，不利于利益相关者对组织质量的判断，也降低了会计信息的决策有用性。
美国FASB第5号概念公告《企业财务报表的确认和计量》（1984）规定会计要素的确认标准为可定义性、可计量性、相关性、可靠性。IASC（现改组为IASB）《编报财务报表的框架》（1989）也明确规定一个项目需满足“与该项目有关的未来经济利益很有可能流入或流出主体；对该项目的成本或价值能够可靠地加以计量”两个条件时才能确认为会计要素。我国2014年修订的《企业会计准则――基本准则》也做出了类似规定：一项资源应当符合资产定义，并同时满足资产确认条件，才能确认为资产（第二十一条）。“符合资产定义和资产确认条件的项目，应当列入资产负债表；符合资产定义，但不符合资产确认条件的项目，不应当列入资产负债表。”（第二十二条）
由此可见，大数据能否作为资产要素确认，就包括对如下两个方面问题的回答：第一，企业的大数据资源是否符合资产定义？第二，企业的大数据资源能否满足资产确认条件？鉴于此，本文拟对上述两个问题一一剖析，即对大数据的资产属性进行探析。
二、企业数据生态系统
大数据是指其规模超出了典型数据库软件工具能够抓取、存储、管理和分析能力的数据集。Laney（2001）最早提出了大数据的“3V”特征：容量大（Volume）、多样化（Variety）、速度快（Velocity）。“大数据之父”维克托运用“4V”特征：数据体量大（Volume）、数据类型繁多（Variety）、处理速度快
（Velocity）、价值密度低（Value）描述大数据。Moffitt et al.[5]则详细而又灵活地描述了典型的大数据应当具备的条件或特征：（1）系机器自动获取或产生；（2）可能仍是以传统形式存在，但会因频繁广泛地收集不断扩大；（3）也可能是另外一种全新的数据来源；（4）没有被格式化，因而不易被使用；（5）可能大部分都是无用的，虽然大数据的收集及其经济意义是积极的；（6）当与企业ERP系统里的结构化数据相结合时，就会有用得多。
“大数据”与传统“小数据”相比，最大差异不在于其“容量”（Volume），而在于其“格式”（Variety）。“小数据”多为结构化数据，如销售、工资、会计、采购等交易数据，这些数据多以一个包含行、列的表格形式呈现。而大数据，不仅包括传统的小数据，更多包括非结构化数据（约占90%），它们难以量化，难以用?魍车男小⒘蟹绞匠氏郑?可以跨设备收集（包括笔记本电脑、移动电话、传感器、卫星等），主要表现为一些“软”信息，如视频、卫星图像、社会媒体交互，或电子邮件、短信、网页等[6]。但也正是这些非结构化的大数据提供了探索和利用大数据的最大机会。 Moffitt et al. [5]的“企业数据生态扩展图”提供了有关企业数据类型、来源、结构、收集方式等动态演进的大致框架。该框架描述了随时代发展和科技进步，企业数据从最初的手工收集到后来的自动化收集，从最初主要是内部数据到后来的内外部数据日渐融合，从传统的结构化小数据
到现在联结了结构化、非结构化数据在内的大数据，企业数据已然是一个数据类型多样化、数据来源广泛化、数据结构复杂化、数据内容丰富化、收集成本低廉化的数据生态系统（如图1所示）。
根据图1，位于企业数据核心地位的依然是传统数据，包括企业资源计划（ERP）、客户资源管理（CRM）、会计信息系统（AIS）等产生的数据。这些数据产生于企业正常的生产经营过程中，是企业基础性数据。早期这些数据通常由手工收集。随着信息化程度提高，企业收集数据的范围逐步拓展，收集的自动化程度越来越高。条形扫描码的出现产生了更多扫描数据，这些半自动化数据的收集成本更低，还能提供更多细节性信息，如顾客偏好哪些产品、哪些产品相关、如何进行存货在线控制等。射频识别芯片（RFID）的广泛运用产生了数量更多、内容更丰富的自动化数据，且收集成本更低。随着互联网的普及，大量网页数据产生，包括网址（URLs）、点击路径（Click-Path）、内容数据等。手机等移动设备的出现产生了大量与地理位置、使用场景等相关的移动数据。处于最外围的是数据庞大的三类大数据：视频和图像、音频、文本等，它们与企业传统数据“紧密联结”[7]，为企业利益相关大数据[8]，并通过“数据桥”被链接和整合进企业的数据环境中，构成企业扩展的数据生态的一部分。“数据桥”是指一些新兴的商业运用程序，如自动脸部识别、威胁识别、语音识别、模糊内容理解、文本挖掘、语音向文本的转录等，其作用在
（完整word版）企业大数据的资产属性辨析-最新资料
