論全域賦能型數據資產的創利特質與會計核算

戴理達

【摘要】由于全域賦能型數據資產在形成渠道、變現方式、價值識別、創利機理等方面存在異質性， 實踐中有必要將其從一般“交易型數據資產”中分離出來。 以賦能效用為主， 輔之以產權歸屬標準進行會計確認; 整合抓取成本（投入）與賦能效用（產出）進行會計計量， 以更為全面客觀地反映該類數據資產價值流的“來龍去脈”; 引入射頻技術（RFI）， 構建結果與過程相融合的信息披露體系， 打破傳統會計信息系統單向信息傳導之弊病， 將基于會計信息系統的決策支撐由事后移至業務發生的前端， 推進會計供給側結構性改革。

【關鍵詞】數智轉型;數據資產;創利特質;會計核算

【中圖分類號】F032.1? ? ? 【文獻標識碼】A? ? ? 【文章編號】1004-0994（2022）04-0082-6

一、問題的提出

“數據資產”是擁有數據權屬、有價值、可計量、可讀取、以數據集的方式存儲于網絡空間的一種經濟資源[1] 。 實務界根據資產來源渠道與變現方式， 通常將其劃分為“交易型數據”與“賦能型數據”。 交易型數據是信息服務機構在有序市場中通過數據出售直接獲取現金流的載體[2] ， 其生成目的即通過市場交易獲利， 而并非“數智轉型”之目的， 因而不進入本研究的范疇。 賦能型數據源于企業自我抓取而非外部購買， 即借助于“消費者畫像”技術， 深度挖掘價值網上各節點的數據以形成決策支撐信息， 旨在幫助各子系統的高管廣泛識別價值增值空間， 通過優化業務流程以提高生產效率[3] 。 隨著“業財融合”深入推進， 數據資產的賦能不僅僅體現在供應、生產、銷售等核心業務環節， 還延伸至研發、融資、投資、公關、整合傳播等價值增值的全部領域。 由于其賦能面廣、情景適配性強、投入成本與產出價值之間不確定性高， 因而在實踐中難以直接套用傳統的無形資產會計核算模式。

目前， 數據資產相關研究主要集中于： ①直接將數據資產融入無形資產的核算體系; ②資產評估主流方法模型在數據資產估值中的運用與創新; ③數據資產的表外信息披露體系設計。 總之， 既有成果呈現“重交易型數據， 輕賦能型數據”“重財務會計核算， 輕管理會計職能”“重價值呈現， 輕意義構建”特征。 隨著信息技術的飛速發展， 全域覆蓋型數據驅動的決策方式在企業管理中日益普遍， 而現有會計準則并未將數據資源列為會計核算的對象， 尤其是與全域賦能型數據相匹配的會計確認、計量與信息披露都相對滯后， 這將導致會計信息偏離經濟運行的實際， 誤導利益相關者的投融資決策， 甚至引致資源配置錯位。 本文以數智轉型環境下的數據資產化管理為邏輯起點， 以“業財融合”為主線， 探尋全域賦能型數據資產的創立特質、會計核算與信息披露模式， 以期拓展資產核算體系的外延， 豐富企業會計信息呈現與利益相關者意義構建之間的聯系。

二、全域賦能型數據資產的內涵詮釋與創利特質

1. 從時間—空間二維整合視角界定全域賦能型數據資產。 本研究所提出的“全域”一詞植根于制造業“數智化”轉型這一時代背景。 全域賦能型數據資產并非傳統意義上靜態的資產概念， 而更多體現為一種動態的理念。 這種動態性從時間維度來看， 貫穿于價值鏈每一作業活動的事前、事中與事后全過程。 依托運算智能與感知智能系統， 企業主動從價值鏈的各個環節實時獲取運行數據。 這里需要說明的是， 被動地接受與“堆積”源自于企業價值鏈的原始信息， 并不完全符合本研究所提出的“全域賦能”之內涵。 這是因為， 它有別于來自第三方的數據所具有的“可單獨辨認性”， 而與企業特定的商業生態、組織流程、經營模式緊密相關。

數據資產具備超強的價值賦能功效， 其原因不單純在于“數據”本身， 而在于數據資產推進了傳統產品及其生產制造技術革命性的升級。 源自于生物學的“創生性”原理深刻地揭示了數字化技術對產品創新、商業模式變革的引擎機理。 數字化技術整合了設備、網絡、內容與服務四個松散耦合層[4] ， 其內在的交互性有效支持大量異質用戶的參與， 多主體間的信息共享所形成的多源異構數據有力驅動了分散決策的集成化， 并將“點式”創新推向“網狀”創新， 從而使跨界融合與異業聯盟成為現實。

從空間維度來看， 分層模塊化的數字技術以有形產品為載體， 構筑了強大的感知場景， 將來源各異的感知信息滲透到價值鏈的每一個環節， “此創新”的結果與“彼創新”的源泉高度融合， 且創新環境始終處于相對非均衡狀態[5] 。 這種“泛在性”的創新特質在無限加大創新主體參與度的同時， 資本增值受益主體日趨復雜化增加了價值創造主體的識別難度， 即制造商在為用戶提供創新成果的同時， 用戶的在線反饋數據又構成了制造商潛在創意的前置信息。 從時間維度看， 智能產品的價值創造始終處于連續變革之中， 產品的代際邊界變得日益模糊， 產品被賦予“成長品”的新內涵[6] ， 創新成果的更迭呈現連續函數之特質。 數據資產的價值射程邊界突破了單一的會計主體， 而涉及特定會計主體所處的商業生態——這一點與數據本身的“泛在性”緊密相關。 尤其是， 當大量的多源異構數據通過技術契約匯集到制造商手中時， 整個商業生態便自發地形成了“前饋→迭代→創意激發→要素重組→成果傳播”的廣域創新聚合效應， 數據資產將驅動產品代際之間自發的創新成果傳播與衍射 [7] 。 總之， 全域賦能型數據資產是依托運算智能與感知智能等技術， 源自于內部挖掘， 在一個開放的業務循環中對潛在業務具有預測、導航與估算等具有戰略引導性作用并能驅動“創生性”創新行為， 且與特定會計主體的經營戰略、商業模式、業務流程緊密相關的、不完全具備“可單獨辨認性”的非實體性資產。

2. 全域賦能型數據資產的創利特質。 傳統資產的創利過程體現為一種使用價值轉化為另一種使用價值; 而數據資產的創利不僅僅是特定使用價值的轉化， 還可能涉及業務流程、商業模式乃至行為主體的“人”的價值認知的變革。 數字化轉型使產品突破了傳統的內涵界定——有形產品只是企業數據資產取得與資產運營的一個載體。 企業借助于工業物聯網及傳感設備實時獲取數據， 并運用大數據技術及時挖掘可視化的服務價值空間， 進而通過前饋反應為客戶提供定制化的服務解決方案， 打造“產品智能化、服務定制化、供給前瞻性”的新型盈利模式。 由此， 供給體系由單一的“產品”供給延伸至“產品+服務+整體解決方案”的多層次、個性化、動態性的供給體系。

從技術層面而言， 全域賦能型數據資產為商業領域的人工智能實現“歸納式”自學習機制和基于“感知—動作”的控制模式奠定了信息基礎。 歸納， 源于海量多源異構數據， 類似于細胞的“分裂”行為[8] 。 數據資產分裂的級數越高， 系統發掘給定時間的秩序或規則的能力越強， 進而識別價值增值環節的概率也就越大; 基于“感知—動作”的控制模式從模擬客戶的行為入手進行需求仿真， 并對企業價值鏈各個環節的非增值作業實現實時削減與糾偏， 在積極推進商業生態正向演進的同時最大限度地提升共生效率（單位產出）。 在新的商業模式下， 企業的價值創造和價值實現以客戶的價值體驗為導向， 作為價值增值重要引擎的創新行為亦不再是“自我沉浸”式的技術演進， 而應通過“有破有立”的靶向策略精準滿足客戶需求; 同時， 創新應借助于數字技術深度挖掘潛在增值點， 引領創新成果的廣域傳播與代際傳承。 總之， 對客戶需求若只是單純地“滿足”， 而不捕捉智能產品內隱的創生能力并進行前瞻性的“引領”， 企業就無法在數字技術驅動下的商業模式變革中獲取高質量的盈利空間。

三、全域賦能型數據資產的會計核算困境

1. 會計確認困境。

（1）全域賦能型數據資產能否進入現行會計循環體系？ 會計確認包含初次確認和再次確認。 前者側重于通過分析某一項交易或事項的過程實質與相關契約， 判斷其是否屬于會計系統的范疇， 即能否進入“確認→計量→記錄→報告”這一會計循環體系; 后者側重于歸入何種特定會計要素， 即進一步明確這一經濟業務涉及哪個會計要素， 且一旦被確認， 就要同時以文字和數據進行賬面記錄。 全域賦能型數據資產源于企業業務數據的實時抓取， 并通過大數據技術加以清洗、降維、整合、提純、分析來獲取特征值， 為精準“靶向定位”市場需求、充分挖掘潛在客戶群奠定可視化基礎。

從時間這一縱向維度而言， 全域賦能型數據資源的獲取并不完全契合會計準則有關“由過去的交易或事項形成的……”這一核心要義。 此外， 數據資產化管理后， 能否融入無形資產范疇， 依然存在不確定性。 實務界的主要爭議在于無形資產（商譽除外）一般具有“可單獨辨認”之特征， 但源于內部挖掘的數據資產， 其創利行為難以脫離特定的經營環境。 上述特征主要是針對通過外部（第三方）獲取的數據資源而言， 對于本研究所提出的源于內部抓取的賦能型數據資產， 其價值又與特定經營模式， 尤其是該商業模式下產品或服務研發的“前饋性”和“迭代性”緊密相關， 所以無法脫離其運營環境而單獨出售或轉讓。

（2）確認標準是側重于產權歸屬抑或賦能效用？ 源于企業內部抓取的數據資產在所有權劃分上， 并不完全符合會計準則對于資產定義中“由特定企業主體擁有或實質控制的……”這一產權歸屬判定標準。 此類數據進入會計系統并不具備傳統意義上的商業實質， 并且在線抓取與后續數據分析所催生的“集體紅利”本身就具有公共收益的體征。 因此， 從形式上看， 全域賦能型數據資源并不完全符合有關資產產權界定的標準。 但是， 若進一步考察資產界定的另一重要尺度即“在未來能為會計主體帶來經濟利潤的流入……”， 不難看出， 賦能企業價值增值這一特征可使其更契合于資產確認標準。 由此， 到底是嚴格遵循產權歸屬標準， 還是根據其賦能效用來界定數據資產， 是一個亟待解決的現實問題。

2. 會計計量困境。

（1）初始計量： 投入視角抑或產出視角？ 主流的計量屬性中的歷史成本與重置成本側重于從投入的視角度量取得某項資產付出的代價; 可變現凈值、現值側重于對資產產出價值的度量; 而公允價值則是站在交易雙方之外、從市場這個“第三方”的角度看問題， 因而兼具雙重屬性。 那么， 對于內部抓取的賦能型數據資產， 一方面， 其形成凝結了企業付出的代價， 即“投入成本”; 另一方面， 該類資產將通過助力高管精準識別價值鏈增值環節， 預期為企業帶來更大的“產出價值”。 那么， 到底是遵循投入原則還是根據產出價值來確定賦能型數據資產的入賬價值， 會計實務中尚無先例可直接套用。

（2）后續計量： 是否需要進行賬面價值的動態調整？ 一般而言， 資產隨著使用或消耗， 其服務于企業的能力即“創利”能力會下降， 賬面價值也會逐步減小。 計提資產減值準備、期末按成本與市價孰低法調整賬面價值等操作彰顯了資產計量中的“謹慎性”原則。 對于全域賦能型數據資產， 隨著技術的進步， 加之數據更新速度之快， 其價值在使用中到底是下降、持平還是增加， 不能一概而定[9] ， 需要具體情況具體分析， 這無疑加大了會計操作的技術難度， 對會計人員職業判斷的敏銳性和規范性均提出了更高要求。

3. 會計記錄困境。

（1）能否并入無形資產核算框架？ 目前， 關于數據資產是否可直接歸并到無形資產進行日常會計核算的爭議頗大。 一種聲音認為， 數據資產尤其是源于組織內部抓取的賦能型數據資產未經過注冊， 本身不受法律保護， 且無法與企業特定的商業模式相分離， 因而不具備無形資產的基本特征; 另一種聲音則認為， 數據資產以“數據化”形態呈現， 具備非實體性、高技術性、高智能性、高回報水平等特征， 可視同新型無形資產[10] 。 若能歸并到無形資產， 那么其核算能否直接套用無形資產核算模式？ 若不能， 是否考慮新增資產科目， 以單獨反映全域賦能型數據資產的會計核算？

（2）是否需要增設明細科目？ 合理設置明細科目有助于全面、系統、連續地反映經濟業務。 全域賦能型數據資產作為一項長期資產項目， 盡管其經濟壽命無法像固定資產、無形資產那樣能較為明確地界定， 但從抓取（取得）、賦能價值增值（使用）到賦能效應的喪失（清理）， 是一個動態的過程， 不同運動階段的資產價值理應有一個客觀的賬面反映。 由此， 設置明細科目是一個現實的選擇。 但是， 具體如何設置？ 是沿襲傳統固定資產或無形資產一級科目下的明細項目， 還是依據數據賦能作用的差異靈活設置？ 目前尚未得到一致意見。

4. 會計信息披露困境。

（1）能否進入表內信息披露體系？ 會計信息披露的結構、內容、質量與時效性對于提升利益相關者的決策效率至關重要。 由于財務報告只呈現會計確認、計量、分類匯總核算的結果而不展示價值生成全貌， 即“重靜態結果、輕動態過程”， 極不利于信息使用者全面系統地捕捉價值鏈上各個環節的增值運動。 而全域賦能型數據資產的一個重要特征即貫穿于價值增值的全過程， 因而理應對此進行完整的披露。 這樣， 會計實務中就出現了一個難題， 即三大傳統報表的框架結構是否需要重新設計？ 此外， 其數據資產的原值、凈值、減值、攤銷等信息若進行表內披露， 是否需新增報表項目？

（2）附注部分需涵蓋哪些文本信息？ 由于數據資產深度嵌入企業價值鏈的各個環節， 因而與此相關的諸多邊緣性信息與報表使用者的決策息息相關。 例如： 未經清洗的原始數據， 其本身的決策意義較為有限， 尤其是維度繁雜、格式凌亂的數據， 可能給企業帶來負向賦能作用即“降能效應”。 可見， 數據處理人員的專業技能、技術馴化素養以及所使用的軟件與決策行為的匹配度， 均對提升數據資產的決策相關性非常重要， 因而有必要進入報表附注; 此外， 數據的結構優度、充裕度、更新度等因素對于其賦能效應也極為重要。 實踐中， 附注具體應該涵蓋哪些非量化信息， 莫衷一是。

四、全域賦能型數據資產會計核算模式的優化

1. 以賦能效用為主、輔之以產權歸屬標準確認數據資產。 從寬泛意義上講， 現行報表上的資產均具有賦能之功能， 即預期都會給企業帶來經濟利益的流入; 反之， 若不具備這一基本要義， 任何資源將無法被界定為資產。 然而， 現行資產要素的賦能效用相對有限且參差不齊， 因為特定資產僅僅指向特定的、單一的經濟效用。 例如： 固定資產中的機械設備， 其技術指向即為“為推進生產加工過程中一種使用價值向另一種使用價值的轉化， 提供基礎性的物質裝備條件”。 或言之， 它所觸及的價值增值點僅囿于生產這一個環節， 而對上游的研發、供應以及下游的銷售、物流、售后等環節， 激發其潛在創意與變革、促進技術迭代乃至觸發邊緣增值作業的功能極其有限。

然而， 與傳統資產的賦能效用相比， 數字資產有著突出的優勢。 由于前端數據對潛在市場需求的預測、導航與規劃具有戰略引導作用， 因而打通了前置數據對后續業務的賦能作用; 同時， 它還輻射于開放環境下的業務循環和整個商業生態。 通過數據采集、數據清洗、數據挖掘、數據萃取與數據分析， 高管可更為精準地識別價值增值環節， 并推進商業模式的改革。 這種商業模式更深層次的價值在于其超強的“迭代”效應， 即每一位用戶的個性化解決方案被自動輸入云端的集成診斷系統， 通過機器深度學習技術形成具有趨勢預估、風險預警與行為預判等多重功能的集成信息[11] 。

全域賦能型數據生成于企業交易的全過程， 匯集于云端， 并作用于現實與潛在的多元價值增值環節。 原則上， 企業不允許直接將客戶信息進行加工獲利， 且目前尚未進入知識產權法律保護的框架之內。 因此， 在實踐中不宜簡單地以“成因性”“產權歸屬”或“可控性”等傳統標準來確認賦能型數據資產。 正是由于該類資產具有極高的決策導向價值與較強的創新迭代功能， 根據“實質重于形式”的原則， 對于有助于精準市場定位、降低交易成本、優化企業業務流程、助力高管發掘新商業模式、促進新舊動能轉化的數據， 即便不能獲得完整的產權界定， 亦可確認為數據資產。

此外， 當大量的多源異構數據通過該協議匯集到制造企業時， 整個商業生態在技術契約的托底下自發地形成了“前饋→迭代→創意激發→要素重組→成果傳播”的廣域創新聚合效應。 總之， 從商業生態和諧發展與共進化的視角而言， 全域賦能型數據實質上推動了不確定環境下集體紅利的持續遞增。 在進行會計確認時， 不能只是簡單地依據產權歸屬來進行判斷， 而有必要以全域賦能型數據資產特殊的賦能效用主， 并依托分層模塊化數字技術， 通過技術契約配置以標準契約來界定其產權歸屬， 進而將其歸入資產范疇。

2. 基于價值工程的投入成本——賦能效用整合式計量模型。 全域賦能型數據資產源于企業“自我抓取”而非公開活躍市場的有序交易， 其本身不具備交易雙方所認可的內在客觀價值， 因而其初始計量不可簡單套用公允價值[12] 。 承襲主流的歷史成本計量屬性， 可以將取得該類資產所投入的人力、財力、物力等資源的貨幣化價值作為其初始價值入賬， 即挖掘、清洗、降維、分類、更新等支出構成的歷史成本無疑是全域賦能型數據資產獲取與積累的財務基礎。

投資與收益對等是財務活動中一條基本的“游戲規則”， “投入”視角的成本（歷史成本）與“產出”視角的價值（現值）并非完全對立。 全域賦能型數據資產不僅僅是企業投資的產物， 它還是商業生態關系、企業創新迭代效應、組織管理方式的函數， 并在較大程度上受該生態內各個行為主體主觀能動性等精神因素的影響， 即其價值可用以下函數式表達： 全域賦能型數據資產價值=F（投入成本， 商業生態共生度、行為主體精神因素）[13] 。 因此， 在進行后續計量時， 有必要高度關注投入與產出之間的關系， 并有效協調歷史成本與預期價值， 使其在賦能企業價值增值的過程中達到完美契合。 投入成本與產出價值互為因果。 沒有投入的保證， 數據資產的賦能效應就難以維持， 甚至下降; 而賦能效應的提高將會誘導和促進下一輪數據資源投入的增加。 因此， 可借鑒價值工程的思路， 整合產出（賦能效用）和投入（數據搜集、整理、分析成本）來進行估算。

由于該類數據的持有目的在于精準市場定位和快速響應客戶需求， 因而有必要整合抓取成本和對企業各個業務系統的賦能效用來進行計量。 其中， 抓取成本包括對數據進行清洗、挖掘、匯總、結構化處理等一系列符合“資本化”的支出; 對于賦能效用短于一年的抓取成本， 可于當期直接“費用化”。 賦能效用的估值可采用“倒擠”的思路， 即設計一個基于數據平臺自身的虛擬仿真測算模型， 將基于數據資產使用所創造的預期凈現值（NPV）與投入成本（C）之比， 扣減“未使用數據資產”經營環境下的預期凈現值（NPV'）與其成本（C'）之比， 后續計量可根據市場需求與企業戰略的調整進行賦能效用減值測試。 設計數字資產凈價值變動率RONV（Rate of Net Value）， 將該比例乘以全域賦能型數據資產賬面價值進行賦能價值調整（具體計算思路如式1）。

[△RONV=FC-F'C'=i=1nNPVin=1mCn-i=1nNPVi'n=1mCn']? （式1）

其中： F為數據資產賦能效應; Cn為使用數據資產開展運營投入成本、Cn'為未使用數據資產發生的營運成本， n的取值隨著具體的投入項目而定; i的取值可根據賦能效應產生作用的時期長短靈活設定。 總體而言， 全域賦能型數據資產的計量體現的是一種“得”與“失”平衡的思路， 這種以相對值表達的計量結果一旦出現△RONV<0， 很顯然是一種得不償失的數據資產運營行為， 后續有必要根據二者的差乘以賬面原值進行減值處理; 反之， 則調增賬面價值。 諸多企業認識到數據資源超強的價值潛能， 但不考慮其賦能效應， 盲目投入大量人力、物力進行非理性投資， 這種行為最終會誘發潛在的經營風險。

3. 合理設置科目進行會計核算。

（1）設置獨立于無形資產的會計科目單獨核算。 鑒于前文對全域賦能型數據資產特征的分析， 現行會計準則的“無形資產”難以全面體現其特質， 因而有必要在資產項目框架內單獨設置“全域賦能型數據資產”一級科目， 并設置相應的“取得成本”“賦能價值調整”以及“數據資產清理”等二級科目（同時設置“賦能價值調整損益”等損益類科目）。 該科目的借方反映為取得該類資產投入的歷史成本， 即人力、技術、設備、資金等價值之和， 以及隨著數據資產的使用所帶來的消費者畫像精準度的提升、企業價值鏈的持續優化等賦能價值高于原始成本的部分; 貸方反映后續減值與完全喪失賦能價值時清理報廢等事項， 期末余額一般在借方， 反映其期末賬面凈值。 具體的賬戶結構如圖1所示。

例1： 20××年1月1日， A公司通過客戶大數據平臺挖掘、整理、分析數據資產的投入成本為1000000元; 根據評估該數據資產有助于提升消費者畫像的精準度、激發產品與相關制造技術的潛在創生能力， 其賦能效用的有效輻射期為5年。

取得之日的會計處理如下： 借： 全域賦能型數據資產——取得成本1000000; 貸： 銀行存款1000000。

（2）根據數據資產賦能效應進行后續價值的調整。 對于資產的減值測試一般主要通過對比資產負債表日公允價值與其賬面價值來進行， 但是全域賦能型數據資產源自內部挖掘且主要面向企業內部管理， 并不以出售獲利為目的， 因而難以獲得所謂的“交易雙方出于自愿”的交易價格。 在資產減值或計提相應準備時， 數據資產相對其他資產的一個突出特點就是它可能隨著產品的“創生性”而出現“不降反增”的非常規現象。 此時， 對于那些有助于創造潛在價值空間、深度推進產品創新迭代的實質性增值部分， 應客觀地在賬面上予以調增; 對于數據價值實質性貶值的部分， 結合前文所設計的數據資產凈價值變動率△RONV（可視為價值期末價值變動計提比例）與賬面原值的乘積， 進行當期減值的會計核算。 在此， 設計損益類科目“賦能價值調整損益”， 借方反映賦能價值下跌額、貸方反映其增值額; 期末結賬時從相反的方向轉出至“其他綜合收益”科目， 具體的結構如圖2所示。

例2： 20××年12月31日通過測算得到△RONV的值為-12.5%， 因此需調減全域賦能型數據資產的期末賬面價值： 1000000×12.5%=12500（元）。

賬務處理如下：

借： 賦能價值調整損益12500; 貸： 全域賦能型數據資產——賦能價值調整12500。

4. 構建“作業鏈→價值鏈→數據鏈”一站式會計信息披露體系。

（1）通過附注充分披露數據資產的技術支撐與商業生態環境。 首先， 麥肯錫的一份研究報告顯示， 掌握數據挖掘、整理、分析的專業性高端人才是數據資產賦能企業價值增值的一個重要影響變量， 即企業該領域人才專業度、儲備量、人才結構以及知識更新度與全域賦能型數據資產的賦能效應緊密相關。 因此， 有必要定期向報表使用者披露大數據人才相關信息[14] 。 其次， 數據資產運營的軟硬件設施構成了其發揮效用的一個重要物質基礎。 例如： 企業所使用的大數據處理軟件及其升級更新狀況、軟件與業務流程的匹配度、數據存儲設備的安全性、企業與客戶之間數據傳導的方式以及彼此之間關系契約的執行效力等， 均應進入附錄予以披露。 再次， 可借鑒共生理論中的“共生度”“共生系數”等模式實時評價全域賦能型數據資產運營企業與外部共生體的關系， 將內部挖掘數據的外部溢出效應這一量化結果配之以文本方式進行披露， 以幫助信息使用者獲得更為廣域的決策信息鏈。

（2）利用射頻技術實現結果與過程相融合的信息披露模式。 作為公共產品的財務報表信息， 具有使用上的非競爭性和受益上的非排他性， 因而可將內嵌式芯片“掃碼技術”運用到數據資產特定報表項目中[15] ， 使信息使用者能根據自身的決策需求進行業務源追溯。 具體而言， 依托物聯網與云計算， 將射頻技術（RFID）嵌入商品交易或服務供給的全過程[16] ， 以驅動源于“作業鏈的業務數據”“價值鏈的財務數據”“客戶自我意義構建”所形成的反饋性數據的深度融合， 向企業內外部信息需求方提供全景可視化的財務信息， 消除傳統財務報告只披露會計信息不展示價值生成全貌之弊端。 總之， 契合全域賦能的特質， 設計覆蓋價值鏈上各個環節的數據資產會計信息“云披露”體系， 有助于引導利益相關者進行意義構建， 并以此為切入點優化企業供給質量， 推進資本市場各類資源的有效配置。

【 主 要 參 考 文 獻 】

[1] Brown B. M.. Chui，and Manyika. Are You Ready for the Era of Big Data？[ J].McKinsey Quarterly，2011（1）：24 ～ 35.

[2] 張肖飛，王佳媛.新經濟背景下大數據資產的確認與計量探析[ J].國際商務財會，2020（4）：18 ～ 21.

[3] 鄭興華等.基于深度學習和智能規劃的行為識別[ J].電子學報，2019（8）：1661 ～ 1668.

[4] 謝康等.生產方式數字化轉型與適應性創新——數字經濟的創新邏輯（五）[ J].北京交通大學學報（社會科學版），2021（1）：1 ～ 10.

[5] 謝康等.大數據成為現實生產要素的企業實現機制：產品創新視角[ J].中國工業經濟，2020（5）：42 ～ 60.

[6] Hippel E. V.. Lead Users： A Source of Novel Products[ J].Management Science，1986（7）：791 ～ 805.

[7] Hippel E. V.. Democratization of Innovation[M].Cambridge： The MIT Press，2005.

[8] 閔慶飛，劉志勇.人工智能：技術、商業與社會[M].北京：機械工業出版社，2021.

[9] 李雅雄，倪杉.數據資產的會計確認與計量研究[ J].湖南財政經濟學院學報，2017（4）：82 ～ 90.

[10] 劉玉.淺論大數據資產的確認與計量[ J].商業會計，2014（18）：3 ～ 4.

[11] Danah， Boyd， Kate. Critical Question for Big Data[ J].Information Communication & Society，2012（5）：662 ～ 679.

[12] 上官鳴，白莎.大數據資產處理探析[ J].財務與會計，2018（22）：46 ～ 48.

[13] Carinaels E.. The Interplay Between Cost Accounting Knowledge & Presentation Formats in Cost-Based Decision-Making[ J].Organization and Society，2008（33）：102 ～ 116.

[14] 張俊瑞等.企業數據資產的會計處理及信息列報研究[ J].會計與經濟研究，2020（3）：3 ～ 15.

[15] 谷建陽.AI人工智能：發展簡史+技術案例+商業應用[M].北京：清華大學出版社，2018.

[16] 馮巧根.高級管理會計[M].南京：南京大學出版社，2017.