智能時代下企業數據資產會計確認的探討

王磊WANG Lei

（成都銀杏酒店管理學院，成都611743）

1 數據資產是否應該確認為資產？

1.1 背景

預計到2024年，全球創建的數據量將達143ZB，作為人工智能賴以發展的重要資源，大數據的核心價值在于預測，即對海量數據進行存儲和分析，把數學算法運用到海量的數據上來預測事件發生的可能性。大數據已經滲透到每一個行業，逐漸成為重要的生產要素。互聯網終端的普及使企業可以通過互聯網業務的開展而獲取海量數據，再通過數據挖掘等技術手段創造商業價值，這就成為互聯網企業在并不盈利的情況下仍然可以獲得高估值的重要原因。這些商業現象也為企業會計理論研究帶來了新的課題：是否應該以及如何才能將數據資源在企業財務報表中予以反映。

1.2 數據資產會計確認的不確定性

1.2.1 多樣化的價值實現方式

大數據按獲取方式來劃分，可以分為結構化數據、非結構化數據和半結構化數據。第一種是結構化數據，是指能夠用數據或統一的結構加以表示的信息，稱之為結構化數據；第二種是非結構化數據，是指其字段長度可變，并且每個字段的記錄又可以由可重復的或不可重復的子字段構成的數據庫。第三種是半結構化數據，是介于完全結構化數據和完全無結構的數據之間的數據。數據的不同類型分別具有不同的價值實現方式，結構化的數據價值實現具有相對確定性。而半結構化和非結構化數據占比高（這兩類約占數據總量的90%），又集中了價值挖掘的最大機會，但卻受制于價值密度、時效性、數據挖掘技術等不確定性因素，因而其價值實現方式具有高度不確定性。

1.2.2 價值變現具有多種不確定性

大數據的價值絕大部分來源于非結構化數據和半結構化數據，其價值實現具有不確定性，其特殊性可分為三大因素：

①數據資源在產權歸屬所導致的不確定性。

資產的定義強調為企業所擁有或控制，而由于數據的可復制性，且不具有排他性，因而數據的控制權或所有權是虛無的。從數據價值實現的角度來看，決定其價值實現的因素主要取決于“被誰使用”而非“為誰所有”，這就可能導致企業使用了產權有爭議的數據資源而遭遇到法律風險。可見，數據資源難以為企業所絕對控制或擁有，不能符合傳統的資產的定義。

②主要由于主觀因素所導致的不確定性。

第一，使用者選擇的使用場景導致數據資源價值的變化。不同地區之間、不同企業之間或者同一企業的不同業務場景之間的差異，都會對數據資源的使用壽命產生影響。受到企業的戰略規劃、發展階段以及主營業務類型等影響，同樣的數據資源在不同業務場景下有著不同的價值實現方式。

第二，使用頻率也會影響數據資源價值變現。與常規資產不同的是，常規資產通常會隨著使用次數的增加而發生折舊，使用次數往往有限，但數據資源使用的次數無限，而且數據的價值就是從使用中產生的，不經使用的數據一文不值。

第三，數據采集與挖掘等技術的水平使得價值變現具有不確定性。當今全球數據量飛速增長的同時，不可避免地存在著大量高價值的數據沒有被收集和挖掘，以至于處于“價值沉睡”的狀態。不同類型數據挖掘的技術對數據的價值實現也存在差異。

③主要由于數據自身的特性所導致的不確定性。

第一，數據的安全性使得價值變現具有不確定性。確保數據安全是數據價值實現的前提條件。以運營商為例，其所擁有的都是最直接反映用戶身份、行為的數據，必須在保護用戶隱私的前提下使用數據，才能合法創造價值，因此，需要加強數據安全管理。

第二，數據是否具備潛在價值具有不確定性。在上述提到的影響著數據資源價值的因素之外，還有很多不確定性因素都在制約其價值變現。譬如，來自證券交易所的分時行情數據與實時報價數據，對于短線操作股民具有更高價值，但對欺詐檢測的價值卻不顯著。因此，還存在著諸如用戶差異等不確定性。

第三，數據資源的價值密度導致價值變現具有不確定性。大數據因其容量巨大，其價值往往是潛在的，需要通過挖據才能得以顯現。然而，當大數據時代來臨，企業需要存儲和處理的數據量激增，數據的結構和來源更是紛繁復雜，這會導致數據的價值密度降低。

1.2.3 文獻回顧

近年來，大多數數據資產的研究都明確主張應該將企業的數據資源進行表內核算，李如（2017）論證了大數據確認為資產的必要性和可能性，并提出了確認條件，包括大數據須經過整理分析，并處于可利用狀態，對其的控制權必須合法等[1]。很多學者采用與之類似的思路，從會計準則的角度來探討數據資源是否符合資產的定義和確認條件，認為數據資源在一定條件下可以確認為資產，并納入企業資產負債表核算[2]-[8]。還有很多學者默認企業應該確認數據資產，即越過了對數據資產會計確認的研究，而直接探討數據資產的價值計量問題，提出了基于市場法、收益法以及層次分析等方法的數據資產價值評估模型[9]-[12]。祝子麗，倪杉（2018）以2002-2017年CNKI數據庫收錄的488篇數據資產研究的期刊論文為樣本，從其提煉出的數據資產會計核算研究的28個關鍵字詞來看，“會計確認”尚未進入其中[13]。

通過對比分析，現有研究還存在有待突破之處。

第一，很少探討數據資產的會計確認，深入研究其內在規律，而大多文章都將數據資產的會計確認與計量置于一起來研究，或越過數據資產的會計確認而直接探討其會計計量的問題。然而，從會計核算的規范來看，一項經濟資源應該是先得以確認，而后再進行計量。如果無法確認，那么也無從計量。

第二，探討數據資產會計確認時，沒有考慮到數據資源變現所面臨的諸多不確定性，也沒有對數據資源分類討論，而是通過規范性分析直接得出應否確認為資產的結論，顯得籠統。

第三，現有研究關于會計確認的探討都使用定性的規范性分析方法，確認定量分析，所得出的判斷有失精確性，也難以應用于會計實務工作。

有鑒于此，本文聚焦于數據資產會計確認，探討符合會計規范的數據資產的確認方法及應用。

2 數據資產會計確認模型的構建

2.1 模型構建的思路

為了有效提高數據資產會計確認的精度和速度，文章通過模擬某家公司的財務部門對數據資產會計確認的30條數據，結合數字資產類型進行離散化處理，通過機器學習來構建數據資產會計確認的模型。最后，基于此模型，利用樸素貝葉斯算法求出該模型的最大后驗概率分布，從而給出針對該數據資產會計確認的職業判斷。

2.2 模型構建的流程

樸素貝葉斯會計確認模型的構建流程如下：

輸出：實例x的分類。

第一步，計算先驗概率。

第二步，計算條件概率。

第四步，計算并確定實例x的分類。

本節將模擬某家公司的財務部門對數據資產會計確認的30條數據，結合數字資產類型進行離散化處理，通過機器學習構建數據資產會計確認的模型。下面分別以數據的產權歸屬x（1），數據時效性x（2），數據使用場景x（3），數據的價值密度x（4），數據的使用頻率x（5），數據挖掘的技術水平x（6），數據的整合性x（7），數據的安全性x（8），數據的潛在價值x（9）作為特征；以予以表內確認c1，予以表外披露c2，無需確認c3，即作為數據資產會計確認類型類標記，建立數據資產會計確認模型，如表1、表2所示。

表1 數據資產會計確認模型中的特征（）分類

表1 數據資產會計確認模型中的特征（）分類

?

表2 數據資產會計確認模型中的判斷結論（Y）分類

2.3 模型求解

通過問卷調查的方法，收集30名專家對該公司數據資產會計確認的判斷數據，再進行離散化處理，獲得離散化的數據資產會計確認模型。然后，根據樸素貝葉斯算法對收集到的30位專家給出的數據運用Matlab程序計算出模型的先驗概率及條件概率。若給定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，時，則相應的后驗概率分別如下：

因為Y=1時，后驗概率最大，因此得出判斷，應該“予以表內確認”。

這表明，若該公司的數據資源表現出的特征為：X（1）為“有明確產權歸屬”、X（2）為“時效性強”、X（3）為“使用場景不確定”、X（4）為“價值密度為中等”、X（5）為“使用頻率低”、X（6）為“數據挖掘的技術水平”、X（7）為“數據的整合性強”、X（8）為“數據的安全級別高”、X（9）為“數據的潛在價值大”時，可以得出結論，應該在表內予以確認。

3 結論

通過構建數據資產的會計確認模型，利用樸素貝葉斯算法求解模型的最大后驗概率分布，判斷企業的數據資源的會計確認類型。由于在會計實務中，會計師進行職業判斷存在著不可避免的主觀因素而會影響企業信息披露的準確性，該模型也無法全面排除主觀因素，但是該方法可以為企業數據資源的會計確認開辟新的思路。