智能时代下企业数据资产会计确认的探讨

王磊WANG Lei

（成都银杏酒店管理学院，成都611743）

1 数据资产是否应该确认为资产？

1.1 背景

预计到2024年，全球创建的数据量将达143ZB，作为人工智能赖以发展的重要资源，大数据的核心价值在于预测，即对海量数据进行存储和分析，把数学算法运用到海量的数据上来预测事件发生的可能性。大数据已经渗透到每一个行业，逐渐成为重要的生产要素。互联网终端的普及使企业可以通过互联网业务的开展而获取海量数据，再通过数据挖掘等技术手段创造商业价值，这就成为互联网企业在并不盈利的情况下仍然可以获得高估值的重要原因。这些商业现象也为企业会计理论研究带来了新的课题：是否应该以及如何才能将数据资源在企业财务报表中予以反映。

1.2 数据资产会计确认的不确定性

1.2.1 多样化的价值实现方式

大数据按获取方式来划分，可以分为结构化数据、非结构化数据和半结构化数据。第一种是结构化数据，是指能够用数据或统一的结构加以表示的信息，称之为结构化数据；第二种是非结构化数据，是指其字段长度可变，并且每个字段的记录又可以由可重复的或不可重复的子字段构成的数据库。第三种是半结构化数据，是介于完全结构化数据和完全无结构的数据之间的数据。数据的不同类型分别具有不同的价值实现方式，结构化的数据价值实现具有相对确定性。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%），又集中了价值挖掘的最大机会，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，因而其价值实现方式具有高度不确定性。

1.2.2 价值变现具有多种不确定性

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，其价值实现具有不确定性，其特殊性可分为三大因素：

①数据资源在产权归属所导致的不确定性。

资产的定义强调为企业所拥有或控制，而由于数据的可复制性，且不具有排他性，因而数据的控制权或所有权是虚无的。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。可见，数据资源难以为企业所绝对控制或拥有，不能符合传统的资产的定义。

②主要由于主观因素所导致的不确定性。

第一，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。

第二，使用频率也会影响数据资源价值变现。与常规资产不同的是，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，但数据资源使用的次数无限，而且数据的价值就是从使用中产生的，不经使用的数据一文不值。

第三，数据采集与挖掘等技术的水平使得价值变现具有不确定性。当今全球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，以至于处于“价值沉睡”的状态。不同类型数据挖掘的技术对数据的价值实现也存在差异。

③主要由于数据自身的特性所导致的不确定性。

第一，数据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。

第二，数据是否具备潜在价值具有不确定性。在上述提到的影响着数据资源价值的因素之外，还有很多不确定性因素都在制约其价值变现。譬如，来自证券交易所的分时行情数据与实时报价数据，对于短线操作股民具有更高价值，但对欺诈检测的价值却不显著。因此，还存在着诸如用户差异等不确定性。

第三，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，需要通过挖据才能得以显现。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。

1.2.3 文献回顾

近年来，大多数数据资产的研究都明确主张应该将企业的数据资源进行表内核算，李如（2017）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[1]。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[2]-[8]。还有很多学者默认企业应该确认数据资产，即越过了对数据资产会计确认的研究，而直接探讨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[9]-[12]。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，从其提炼出的数据资产会计核算研究的28个关键字词来看，“会计确认”尚未进入其中[13]。

通过对比分析，现有研究还存在有待突破之处。

第一，很少探讨数据资产的会计确认，深入研究其内在规律，而大多文章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的问题。然而，从会计核算的规范来看，一项经济资源应该是先得以确认，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。

第三，现有研究关于会计确认的探讨都使用定性的规范性分析方法，确认定量分析，所得出的判断有失精确性，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。

2 数据资产会计确认模型的构建

2.1 模型构建的思路

为了有效提高数据资产会计确认的精度和速度，文章通过模拟某家公司的财务部门对数据资产会计确认的30条数据，结合数字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。

2.2 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：

输出：实例x的分类。

第一步，计算先验概率。

第二步，计算条件概率。

第四步，计算并确定实例x的分类。

本节将模拟某家公司的财务部门对数据资产会计确认的30条数据，结合数字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。下面分别以数据的产权归属x（1），数据时效性x（2），数据使用场景x（3），数据的价值密度x（4），数据的使用频率x（5），数据挖掘的技术水平x（6），数据的整合性x（7），数据的安全性x（8），数据的潜在价值x（9）作为特征；以予以表内确认c1，予以表外披露c2，无需确认c3，即作为数据资产会计确认类型类标记，建立数据资产会计确认模型，如表1、表2所示。

表1 数据资产会计确认模型中的特征（）分类

表1 数据资产会计确认模型中的特征（）分类

?

表2 数据资产会计确认模型中的判断结论（Y）分类

2.3 模型求解

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，获得离散化的数据资产会计确认模型。然后，根据朴素贝叶斯算法对收集到的30位专家给出的数据运用Matlab程序计算出模型的先验概率及条件概率。若给定X={X（1）=1，X（2）=1，X（3）=3，X（4）=2，X（5）=3，X（6）=1，X（7）=1，X（8）=1，X（9）=1，时，则相应的后验概率分别如下：

因为Y=1时，后验概率最大，因此得出判断，应该“予以表内确认”。

这表明，若该公司的数据资源表现出的特征为：X（1）为“有明确产权归属”、X（2）为“时效性强”、X（3）为“使用场景不确定”、X（4）为“价值密度为中等”、X（5）为“使用频率低”、X（6）为“数据挖掘的技术水平”、X（7）为“数据的整合性强”、X（8）为“数据的安全级别高”、X（9）为“数据的潜在价值大”时，可以得出结论，应该在表内予以确认。

3 结论

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。