利益相關者視角下的企業財務大數據治理

陸興鳳 曹翠珍

【摘要】數據是經濟發展的新型生產要素， 更是智能財務發揮作用的基礎。 隨著企業數字化轉型步伐的加快， 智能財務背景下企業財務數據由“小”變得無限“大”， 財務大數據需要在價值網內有條件地“多向”流動， 海量數據構成的大數據世界使得傳統治理已然無效， 企業財務大數據治理問題變得相當突出。 在此背景下， 依據利益相關者理論， 從數據貢獻和數據利益兩個維度出發， 剖析企業財務大數據治理中利益相關者的利益關系， 并分析不同數據利益關系在企業財務大數據“建”“治”“用”中的地位與作用， 進而重點論述財務數據采集建設、數據價值開發、數據高效應用的數據治理基本路徑， 在一定程度上理清企業財務大數據虛擬化、數據價值化和數據驅動經營三個方面的問題。

【關鍵詞】數字經濟;智能財務;財務大數據;數據治理;利益相關者

【中圖分類號】 F275? ? ?【文獻標識碼】A? ? ? 【文章編號】1004-0994（2022）01-0039-9

一、引言

相關研究數據顯示， 數字化轉型的經濟效益顯著， 數字化程度每提高10%， 人均GDP就會增長0.5% ～ 0.62%[1] 。 作為經濟發展的新動力， 數據的重要作用不言而喻。 2020年4月9日， 《中共中央、國務院關于構建更加完善的要素市場化配置體制機制的意見》正式發布， 意見中把數據提升為與土地、勞動力、資本、技術、知識、管理同等地位的生產要素， 數據作為第七種生產要素而被廣泛關注。

隨著國家層面對數字化轉型的高度重視， 數據在各行各業發揮著越來越大的作用， 但由數據所帶來的一系列問題， 如數據非法獲利、數據泄露、數據壟斷、數據沉淀等變得愈發突出， 數據治理應運而生。 以往財務數據只是在企業內部小范圍“流動”， 但先進技術產生了企業財務大數據， 且財務數據可以“流動”到技術可能到達的每一個角落。 如不重視財務大數據治理， 一方面可能給企業帶來較大損失， 另一方面也會使企業既有的管理秩序出現混亂。

目前關于數據治理的研究主要集中在以下兩個方面： 一是政府數據治理[2，3] ;二是社會各層面或各行業的數據治理， 如教育數據治理[4] 、網絡平臺數據治理[5] 、金融數據治理[6] 等。 已有研究主要立足國家或社會的宏觀層面來研究數據治理問題， 而很少從財務視角研究企業數據治理問題。 隨著智能財務實踐的深入， 財務即將成為天然的企業大數據中心， 海量數據構成的大數據世界使得傳統治理已然無效， 企業財務大數據治理問題變得相當突出。

數據是生產要素， 必然會對企業價值創造產生重要影響。 企業借助“大智移云物區”等先進技術搭建智能財務平臺， 智能財務背景下財務大數據不再只是企業內部的財務專業化數據， 企業財務數據由“小”變得無限“大”。 隨著企業數字化轉型步伐的加快， 企業財務大數據需要在價值網內有條件地“多向”流動， 企業財務大數據的邊界在哪里， 如何讓數據變得更有價值， 如何用數據驅動企業經營？ 可見， 企業財務大數據治理的研究已成為當務之急。 本文嘗試從利益相關者的視角來解讀企業財務大數據治理及治理路徑， 以期發揮數據在企業價值創造中的重大作用。

二、企業財務大數據治理的理論支撐

（一）數字治理與數據治理

數字治理是數字化技術與治理理論融合下產生的新型治理模式， 包括數據治理、內容治理和數據管治等[7] ， 其概念外延相對比較寬泛， 一般用于宏觀層面的社會、經濟和資源的綜合治理。

根據國際數據管理協會的定義， 數據治理是對數據資產管理行使權力和控制的活動集合， 是通過一系列信息相關的過程來實現決策權和職責分工的系統， 這些過程按照達成共識的模型來執行。 總的來說， 數據治理是利用數字化技術對數據使用的一整套管理行為[8] 。

與其他生產要素相比， 數據作為新型生產要素具有強烈的獨特特征[9] ： 一是非排他性， 即不同的人可以同時使用數據， 互不干擾; 二是規模效應， 即在大數據技術的支撐下， 大數據的價值是隨著數據量的增加而呈指數級增長的; 三是可再生性， 即數據可以無限次循環使用， 沒有使用生命期， 沒有損耗， 使用量越大反而越能進一步提升數據本身的價值; 四是滲透性強， 即數據本身的高流動性和無限供應的特征決定了數據可以和任何其他生產要素相結合， 滲透到各個領域， 真正做到數據連接一切， 與一切融合。 數據的獨特特征在一定程度上決定了數據治理的高難度與復雜性。

（二）智能財務與財務大數據治理

智能財務是利用先進技術由“人機物”共同組成的混合智能系統， “人機物”多元協同共同完成財務管理工作。 智能財務通過對數據的分析與預測， 促進智能財務機器人“會思考”“能行動”， 實現利用智能技術推動企業高效運營。 可見， 如果數據不打通、數據標準不一致、數據質量不高， 智能財務就很難發揮作用， 因而數據治理是智能財務工作的基礎。

在智能財務背景下， 企業海量經營管理數據實時生成， 并匯集到財務數據中心。 本文所指數據并不是財務專業數據， 而是智能財務平臺中企業內部管理以及企業與客戶、供應商、合作伙伴、金融、工商、稅務等各種利益相關者互動的數據， 即包含了各類生產經營管理的財務大數據。 數據如何成為企業有價值的數據資產已成為必須面對的問題， 數據如何進行采集、加工處理及應用等治理問題也應運而生。

（三）利益相關者理論與財務大數據治理

利益相關者理論是在20世紀60年代逐步發展起來的， 其中最具代表性的論著是美國學者愛德華·弗里曼在1984年發表的《戰略管理： 利益相關者管理的分析方法》， 該理論認為： 一個公司的發展是由一個利益相關者集群共同促成的， 而不是某些個體; 并且隨著時代的發展， 物質資本所有者在公司中的地位會逐漸弱化[10] 。

財務大數據治理的目標是幫助提升企業財務大數據價值， 進而全面提高企業價值。 黨的十九屆四中全會中認定數據為重要的生產要素， 也就是認可了數據利益相關者可以參與由數據帶來的利益分配。 因而， 企業財務大數據治理必然要理清有哪些利益相關者、利益相關者在數據治理中發揮何種作用， 以及如何進行數據利益分配等重要問題。 企業只有重視財務大數據治理， 充分認識到數據的巨大價值， 整合數據資源， 不斷深挖數據潛能， 才能確保在數字化時代快速發展。

三、基于利益相關者視角的企業財務大數據治理

（一）利益相關者分類

利益相關者是指企業生產經營過程中存在利益分配直接或間接關系的群體或個人[11] 。 只有正視利益相關者群體的利益捆綁關系， 才能形成利益共同體。 在利益分配時需要同時考慮利益相關者的權力與利益的匹配關系， 從而決定其未來的利益分配地位。 根據Mendelow的利益相關者權力/利益矩陣， 可以從兩個維度對利益相關者進行分析： 一是權力的大小， 其影響因素包括管理等級、影響力、資源控制能力、知識技能水平、執行參與度等; 二是利益的多少， 利益是指相關者利益與某項策略的相關程度[12] 。 具體如圖1所示。

在圖1所示的四個不同矩陣中： A區域意味著權力小、利益少， 一般是指那些較邊緣化的利益相關者， 對企業最終決策影響不大; B區域意味著權力小、利益多， 一般是指對企業最終決策影響比較大的利益相關者， 其時刻關注自身利益， 并與企業保持良好密切的溝通; C區域意味著權力大、利益少; D區域意味著權力大、利益多， 這是企業決策的主要參與者。

（二）企業財務大數據治理的利益相關者分析

利益相關者是由“相關者”和“利益”兩個方面組成的， 所以可以先分析企業財務大數據治理中所涉及的“相關者”， 再考慮其“利益”問題， 依此思路， 制成企業財務大數據治理利益相關者分析一覽表， 如表1所示。

從表1來看， 企業內部人員、供應商、合作伙伴、客戶是企業財務大數據的重要參與者與創造者， 也是企業財務大數據形成的核心， 競爭對手、銀行等金融機構、工商和稅務等政府機構對企業財務大數據的形成有一定影響， 其他利益相關方則影響不大。 在企業財務大數據治理中可能獲得較多利益的是企業內部人員、工商和稅務等政府機構、外部投資者、供應商、合作伙伴、銀行等金融機構、行業協會、其他債權人。

（三）企業財務大數據治理的利益相關者分析轉化

結合圖1和表1， 從數據貢獻和數據利益兩個維度推導出企業財務大數據利益相關者分析轉化， 如圖2所示。

由圖2可知， 企業財務大數據治理的利益相關者中獲得數據利益最多的是企業內部人員、政府機構、外部投資者， 對企業財務大數據貢獻最大的是企業內部人員、供應商、合作伙伴、客戶， 這兩類利益相關者是企業財務大數據治理中需要重點關注的。 其他利益相關者在一定條件下可能出現轉化， 繼而成為企業財務大數據治理的外部協作力量。

（四）企業財務大數據治理關系剖析

根據圖2可以得出如下結論： 企業財務大數據治理中應重點關注的是A1、B1、C1、C2、C3區域的利益相關者。 在此基礎上， 推導出企業財務大數據治理中主要會面對四個方面的關系： 關系一是企業內部人員、合作伙伴與供應商之間的關系; 關系二是企業內部人員、合作伙伴與客戶之間的關系; 關系三是企業與工商和稅務等政府機構、外部投資者之間的關系; 關系四是企業與競爭對手、銀行等金融機構、行業協會等其他外部機構之間的關系。 具體如圖3所示。

理想地說， 企業財務大數據治理中利益相關者的數據貢獻與數據利益應該匹配， 或者說數據貢獻與使用數據成本成反比。 如果把數據治理分為“建”“治”“用”三個層次， 則企業更希望與關系緊密的利益相關者組成數據利益共同體， 實現“共建”“共治”“共用”。 “共建”是財務大數據治理的基礎建設， “共治”是財務大數據治理的過程管控與質量保證， “共用”是財務大數據治理的成果分享。

在關系一中， 其面臨的問題是頻繁的交易， 所以雙方最關注的是交易成本與收益。 這層關系中的相關人員對財務大數據治理貢獻最大， 也應該是收益較多的， 同時還是將來使用數據付出成本較低的群體。 因此， 針對這部分群體的工作重點應該放在“共建”與“共治”上。

在關系二中， 客戶對企業財務大數據貢獻大， 但收益少， 因而主要考慮如何讓客戶從數據貢獻中獲得共享收益問題。 將客戶與企業綁成利益共同體， 就是要讓客戶充分意識到自己的購買行為也能為自己帶來后續的效益， 客戶將成為財務大數據治理中的較大受益者， 在此基礎上對企業大數據建設做出更多貢獻。 因此， 針對這部分群體的工作重點應該放在“共建”與“共用”上。

在關系三中， 政府機構迫切需要企業財務大數據來充實其自身的大數據， 企業財務大數據治理直接關系著他們自身的數據治理成效， 目前這層關系中存在的主要問題是權責不對等。 這些部門使用企業財務大數據是無成本的， 所以絕大部分企業不愿意與其對接財務大數據， 當然也有出于數據安全問題的考慮。 但只有企業財務大數據完全接入社會數據大軌道， 才會真正實現社會經濟大數據。 政府機構及外部投資者應該是將來數據使用主要付出成本的對象， 否則就應該在企業財務大數據治理中發揮重要作用， 以投入換取應有的數據利益回報。 因此， 針對這部分群體的工作重點應該放在“共治”與“共用”上。

在關系四中， 只要找到共同的利益點， 這類利益相關者就都可能轉化為合作者， 他們最關心的是合作機會或經濟補償。 這類利益相關者對企業財務大數據有一定影響， 可以考慮做好數據對接準備， 在一定條件下， 實現數據交易與合作等。 因此， 針對這部分群體的工作重點應該放在“共用”上。

四、基于利益相關者視角的企業財務大數據治理路徑

華為聯合全球權威的咨詢與服務機構IDC發布的白皮書指出， 當前企業數字化轉型數據僅涉及企業10%的管理數據， 90%的數據仍處于“沉睡”中。 目前大部分企業沒有建立有效的數據治理模式， 缺乏數據治理的規劃性指導， 也還未發現釋放數據價值的“最優路徑”， 導致數據價值無法變現。

企業財務大數據治理不僅是技術問題， 更是一項長期而復雜的系統性管理問題。 數據治理是指從數據采集、數據開發到數據應用等一整套的管理運行機制。 智能財務背景下數據成為企業的重要生產力， 深刻改變著企業的各個方面。 企業要適應數字化時代， 推動財務大數據治理， 著力構建高效的財務大數據治理體系， 形成數據治理的完整閉環。 企業財務大數據治理重點要解決如何建設有效的數據網絡、如何讓數據變得更有價值、如何利用數據驅動企業發展， 也就是需要重點關注數據采集建設、數據價值開發以及數據高效應用三個方面， 結合圖3及關系分析， 企業財務大數據治理中利益相關方的作用與地位可歸納為表2。

由表2可知， 不同的利益相關者由于關注點不同， 在企業財務大數據治理中的作用和地位有較大差別。 對于關系一和關系二， 其目前仍是企業財務大數據治理頂層架構中應重點考慮的基本關系， 理想狀態就是共建、共治、共用; 對于關系三和關系四， 可在數據采集建設中做好對接準備， 在一定條件下實現數據相通， 以豐富各自的數據庫， 其在數據采集建設和數據價值開發中的作用較小， 在數據高效應用中主要是以數據交易或交換的形式出現。 總體來看， 數據價值開發（共治）主要是由企業自身完成， 這也是對企業內部管理能力的最大考驗。

在數據周轉全流程中， 數據應用是每個利益相關者都非常感興趣的， 數據采集則需要利益引導和激勵才可能達成共建， 而數據價值開發是最難的。 數據價值開發是關鍵環節， 其決定了企業能否提供個性化且適應市場需求的數據商品。 只有讓所擁有的數據資源產生市場價值， 數據采集才有意義， 數據也才能得到高效應用， 否則財務大數據治理必然無法落實。

（一）財務大數據采集建設

數據采集建設是數據價值開發和數據高效運用的前提。 數據采集是用數據技術做支撐， 把物理世界轉化為準確的數字化虛擬存在， 也就是將與企業相關的人、財、物、事等都虛擬化。 在企業財務大數據采集建設中， 如表2所示， 主要參與的利益相關者是關系一和關系二中所涉及的企業內部人員、合作伙伴、供應商和客戶， 而關系三和關系四中的利益相關者參與較少。 企業要實現物理世界數字化必然需要投入大量軟硬件， 數據采集建設是最基礎的底層建設且成本最高， 類似于“基礎設施建設”。

數據采集建設主要解決數據采集來源、數據采集協議和數據采集技術等問題， 最終形成數據倉庫。 數據采集來源涉及所有數據的利益相關者， 其會隨著數據利益緊密程度的變化而發生變化; 數據采集協議主要是約定采集規范及參與各方的權利與義務等; 數據采集技術主要是利用“大智移云物區”等先進技術完成采集工作。 數據采集建設中的采集工具或技術能夠破解采集的關鍵難題， 數據采集協議能夠打破數據壁壘、確保數據的多向流動。 企業只有完成數據采集才能將物理世界與數據世界進行有效融合， 才真正擁有數據倉庫（如圖4所示）， 管理運行才更加自動化和智能化。

1. 數據采集來源建設。 數據采集來源是指企業財務大數據產生的根源， 這些數據來源原本是孤立且散落的。 數據采集來源建設就是充分調動企業財務大數據利益相關者的積極性， 將零散數據之“沙”聚集成“塔”。 數據采集來源通暢后， 企業才能不斷積累、豐富與重塑數據， 從而將財務大數據資源激活。 數據采集來源建設的利益相關者應盡可能多地包括企業所有數據利益方。

數據來源不充分， 就不能形成企業財務大數據。 加強數據采集建設主要采取的措施有： 第一， 共建數據價值鏈。 數據互聯和共享， 意味著企業的傳統邊界正在消失， 企業與外部利益相關者的聯系更加密切。 先進技術使得未來的競爭變成價值鏈競爭， 數據采集建設不只影響企業利益， 還涉及整個價值鏈上各方的利益。 所以， 只有做到企業、合作伙伴、供應商和客戶價值鏈數據共建共治， 才能實現數據來源最大化。 第二， 締結數據利益新契約。 數據共建需要將企業與利益相關者之間的接觸點變為信任點。 例如， 對于關系二中的客戶、關系四中的競爭對手等， 新契約中需要重新設計數據治理的有關條款， 將數據共同接觸點變為利益信任點， 以吸引他們充分參與到數據采集建設中來。 第三， 關注數據治理后的長期效益。 數據采集建設應側重于引導利益相關者關注數據建設的長期效益， 可以通過制定透明的數據治理機制， 激勵各方共建共治， 將數據利益相關者的選擇權置于數據交易之前， 以激發利益相關者的積極性。

2. 數據采集協議建設。 財務大數據打破了企業數據采集的壁壘， 數據更加多元且多樣， 這就需要利益相關者各方達成相關的協議。 數據采集協議建設是指規范數據采集的流程、方式、標準、統計口徑、數據產權等， 以確保采集數據的完整、準確與一致。 數據采集協議建設就是確保數據充分體現業務邏輯， 反映數據間的關系， 確保數據鏈與業務鏈的充分融合， 避免信息孤島， 同時方便對數據的業務信息進行高度還原。 在數據采集協議建設中， 四種利益相關者關系（見表2）都會涉及， 且會根據數據利益的緊密程度及動態變化而變化。

如果不確立數據采集協議， 那么采集過來的數據仍然混亂不堪， 或再加工成本過高。 加強數據采集協議建設主要采取的措施有： 第一， 簽訂數據采集開放協議。 數據采集開放協議是指經數據利益相關者共同認可， 在一定的數據治理框架下， 利用數字技術采集企業內外部數據， 打破物理邊界與管理邊界， 把企業所有經營管理數據及產業鏈數據集成一體， 形成企業財務大數據生態網絡。 第二， 建立數據采集頂層系統架構。 頂層系統架構需要考慮每個系統的功能以及跨系統間的處理、系統間協同等問題， 建立數據自動循環框架， 周而復始， 最終實現企業自身數據的管理和優化。 頂層系統架構還要考慮數據的多點自動采集， 全程共享， 實現所見即所采， 以及后續加工、交易及應用等全過程， 規范數據采集的方式、標準、流程等細節。

3. 數據采集技術應用。 數據采集技術應用是從技術層面構建核心數字化平臺、數據庫、終端設計等， 需要從數據算力、算法、存儲、網絡等各個維度加強技術支撐。 數據采集技術應用的利益相關者應該涉及企業所有數據利益各方， 合作各方只有做到技術對接， 才可能實現數據采集對接。

數據采集技術是數據采集成功的根本保障， 需充分利用“大智移云物區”等先進技術， 實現對各種形態數據、各種來源數據的采集。 加強數據采集技術應用主要采取的措施有： 第一， 數據網絡建設。 物聯網技術實現了萬物互聯互通， 人、機、物都成為企業財務大數據的重要來源。 利用5G技術還可以提升數據周轉效率， 打造數據高速公路。 區塊鏈實現了無邊界的數據信任， 進一步拓展了數據采集邊界， 有利于開放性財務生態的形成。 第二， 數據算法建設。 運用大數據技術采集結構化、半結構化和非結構化數據， 以及企業內部數據和外部數據等產業鏈上下游全部數據， 后期還需接入社會、行業數據等。 人工智能技術為數據挖掘算法“插上了騰飛的翅膀”， 大大拓展了數據在各個領域的應用。 第三， 數據算力與存儲建設。 云計算滿足了對海量數據的分析處理需要， 幫助企業更快地從海量數據中找到決策有用的數據， 極大地提升了數據算力。 應用云計算技術搭建的云平臺， 使得數據存儲實現高性能、彈性可擴展和低成本， 解決了數據存儲之憂。

（二）財務大數據價值開發

從宏觀上來說， 數據價值體現在數據技術和數據資源本身， 絕大部分公司立足于數據資源本身， 即數據價值開發是最核心的。 數據價值開發是對原始數據進行“再加工”， 使數據變為數據資產， 讓數據資源變得更有價值。 在企業財務大數據價值開發中， 如表2所示， 主要參與的利益相關者是關系一和關系三中所涉及的企業內部人員和政府機構， 而關系二和關系四中的利益相關者參與較少。 數據價值開發是數據得以應用的根本保障， 也是最考驗企業管理“內功”的過程。 政府機構在企業價值開發中的主要作用是提供數據開發的標準或指導意見。

數據價值開發主要解決數據處理、數據管理和數據制度建設問題， 最終把數據原料加工成可供應用的數據產品。 數據處理實現數據篩選， 數據管理提升數據賦加值， 數據制度建設確保數據有序流轉。 企業財務大數據只有按照一定流程進行處理和管理， 數據質量才有質的提升， 數據真正有了價值， 才會到達數據貨架（如圖5所示）， 等待后期應用。

1. 數據加工處理。 不同來源的數據在命名、編碼、取值上存在較大差異， 不同管理要求產生的數據維度、口徑也有差異， 這些都會造成數據規范不統一， 同時還可能存在大量數據垃圾， 嚴重影響數據質量和應用。 數據加工處理主要是從實際應用角度出發， 遵循一定的數據處理標準， 利用技術手段實現數據清洗、再加工， 保留完整有用的數據。 數據加工處理過程中的利益相關者主要是企業自身。

數據加工處理的核心就是要實現數據的有用化與標準化， 使數據作為“標準化語言”適應不同應用場景。 強化數據加工處理主要采取的措施有： 第一， 統一數據標準。 現階段， 各組織數據存在較大差異， 不利于數據共建共用， 阻礙了數據資源的高效利用。 企業應在數據利益相關者間簽訂的開放協議基礎上， 統一數據概念、數據標識、數據編碼、數據標準、數據口徑、數據維度、數據邏輯等， 構建數據全流程的通用語言， 同時明確數據收集主體的唯一性， 避免多頭重復收集。 企業在消除內部數據生態網絡中數據差異化的基礎上， 進一步關注監管部門和行業規范的具體要求， 逐步消除外部數據差異， 確保數據質量。 第二， 規范數據加工。 各種類型、各個渠道的數據雜亂無章， 保證數據質量需要進行數據加工和處理。 企業要按一定的規則對所有數據進行數據清洗， 去除無用數據， 保留有價值的數據， 確保數據原材料的質量， 提升后期加工的效率， 這可以為后期數據挖掘、數據分析及數據可視化等數據商品的深加工處理奠定基礎。

2. 數據質量管理。 數據質量管理有助于全面、持續提升數據質量， 是對數據的“深加工”， 同時可提高數據賦加值。 數據質量管理能夠保證數據的高度相關性， 真正發揮數據價值， 為數據應用推動企業管理打下良好基礎。 數據高賦加值的產生往往不是在數據加工處理環節， 而是在數據質量管理環節， 數據質量管理可以通過管理數據給企業帶來效益。 數據質量管理過程中的利益相關者主要是企業自身。

優化數據質量管理的主要措施有： 第一， 加強數據資源目錄管理。 企業應按照一定的邏輯對數據資產進行集中管理， 建立全局性的數據架構， 并建立數據資源目錄， 梳理數據結構層次。 數據資源目錄能夠對所有數據資源進行簡單的描述， 以進行數據檢索， 方便管理層掌握數據資產的管理現狀。 同時， 數據資源目錄提供數據資產管理的顯性應用入口， 實現數據資產的可見、可管與可用。 第二， 加強數據質量全過程管理。 數據質量提升就是依據數據質量管理機制以及數據質量管理工具， 從數據源頭出發， 對數據加工、存儲、輸出等全流程中存在的問題進行識別、監控及預警等， 同時提出有針對性的解決方案， 并建立數據質量長效機制。 數據質量提升確保了數據的完整性、準確性、及時性、合理性、有效性等， 加強了數據質量的過程及結果控制。

3. 數據安全制度。 數據安全制度可確保數據在企業內外部的高效、有序流轉， 提高數據應用效果和保障數據利益相關者權益。 數據成為資產后， 由于其特殊性， 更加要重視其安全管理制度， 沒有數據安全制度作保障， 前期所有的努力都會白費， 數據資產可能變得一文不值。 數據安全制度的利益相關者應涉及企業所有數據利益各方。

數據安全制度是確保數據得以治理的制度保障， 健全數據安全制度的主要措施有： 第一， 建立數據分級分類管理制度。 數據分級分類管理制度是為了形成更加合理的數據流動管理， 通過制定分級標準， 明確各層級不同利益相關者的權利與責任。 不同層級數據采取差異化的應對措施， 方便實行數據精細化管理， 有利于對數據留存、數據泄露等建立應急機制。 第二， 建立數據安全制度。 數據開放與共享提高了數據透明度， 但同時也非常不利于數據安全。 企業財務大數據直接關系到企業的競爭與發展， 應嚴防數據共享中的泄露與不當使用。 數據安全是企業財務大數據治理的底線。 數據安全制度是指每條數據鏈上的參與者都需要明確數據交換、分享和運用時的具體規范， 不能損害其他利益相關者的利益， 也不能為數據治理帶來額外的成本與風險。 數據安全是數據能被科學、合理、守規和便利地分享與運用的基本前提。 例如， 在數據采集環節， 應明確告知數據采集的范圍、目的和方式， 在獲得授權后方可采集， 不能私自采集數據。 在數據存儲環節， 需要采取技術手段對原始信息進行脫敏處理， 對關聯性較高的數據進行分散存儲， 嚴格控制訪問權限。 在數據使用環節， 借助安全技術， 僅向外提供脫敏后的處理結果。 第三， 建立數據監管制度。 數據監管就是在數據傳輸、交易及使用各個環節中避免被第三方非法盜取、破壞或濫用， 實現數據全流程的監控和追溯。 企業財務大數據應實行統一監管， 構建較為安全的傳輸協議， 加強數據安全防護技術。 此外， 還需要重視數據主權， 對于侵犯數據主權行為， 應及時予以回擊并訴諸法律。

（三）財務大數據高效應用

數據治理的最終目的是數據應用。 財務大數據高效應用是指在各方數據權益得到有效保障的前提下， 把數據管好、用好， 釋放數據潛能， 實現用數據驅動企業經營， 確保數據利益共享、交換、交易與分配。 在財務大數據應用中， 如表2所示， 主要能夠實現數據共享利益分配的利益相關者是關系一和關系二中的企業內部人員、合作伙伴、供應商和客戶， 關系三和關系四中的工商和稅務等政府機構、銀行等金融機構和行業協會等外部相關人都是通過交換、交易等方式參與數據應用。

財務大數據高效應用主要是解決數據利益相關者在驅動經營、共享交換、定價交易和利益分配環節未能權衡數據貢獻與利益問題， 而盡量做到數據貢獻與數據利益匹配（見圖6）。 驅動經營是數據在企業內部運用， 共享交換是數據在部分利益相關者之間共享或交換， 定價交易主要是數據面向市場自由買賣， 利益分配主要是數據利益相關者對數據所帶來的利益進行結算。

1. 數據驅動經營。 數據驅動企業經營是企業進行數字化轉型的根本目標， 也是智能財務發揮作用的最好體現， 同時還是每個數據利益相關者都想實現的終極目標。 只有實現了數據資源全場景運用， 數據價值才能得到最好的體現。 數據驅動經營的利益相關者涉及企業所有數據利益各方。

實現數據驅動經營的主要方式有： 第一， 實時數據提供。 智能財務逐漸實現了數據即時提供， 財務不再是事后查找原因， 而是實時支持。 財務更加高效、精細地全程參與企業一切管理決策和過程性管控。 特別是實時可視化呈現很有視覺沖擊力， 更加有利于業務提升和管理改進。 第二， 數據挖掘。 數據挖掘主要是針對不同管理需要， 對數據進行整合與重構， 提供個性化數據分析， 尋找數據背后有用的商業信息和內在規律， 不斷挖掘數據在企業組織、流程等方面的重要作用， 拓展數據使用的廣度與深度， 為企業創新發展尋找機會。 第三， 智能決策支持。 企業管理就是一切決策的過程。 智能決策就是利用人工智能實現對數據的收集與整理、制定可能的方案、選擇合適的行動方案以及跟蹤方案執行的全過程， 以適應瞬息萬變的市場環境。 比如， 通過經營算法設計有關模型自動預警來實現經營管理智能化決策， 提高財務大數據治理的預測與決策“準確率”， 從而降低決策風險。

2. 多元共享與交換。 多元共享與交換是指， 對于與企業在數據采集、價值開發中有數據利益關系的外部應用需求方， 企業在處理與其的關系時所采取的方式， 且共享與交換在特定的情形下可能會發生轉化。 數據利益共享的利益相關者主要是在數據采集與價值開發過程中作用比較顯著的參與各方， 如合作伙伴、供應商等; 數據利益交換的利益相關者主要是在數據采集與價值開發過程中作用不明顯的各方， 如工商和稅務等政府機構、銀行等金融機構、行業協會等。

實現多元共享與交換主要采取的方式有： 第一， 多元共建共享。 數據的開放意味著每條數據鏈上的人員都可能既成為數據的采集者， 又是數據的使用者。 多元共建共享就是鼓勵數據利益相關者加入數據提供者行列， 以極大豐富企業財務大數據資源。 對于提供數據的使用者， 應共享部分數據使用權利， 即數據共建的責任與共享的權利應做到匹配， 而只共建不共享的可以考慮把共建投入進行折現獎勵， 同理不共建只共享的只能多付出數據使用成本。 第二， 與社會大數據融合。 企業財務大數據應該在合適的時機與社會經濟大數據進行對接。 企業財務大數據在為社會經濟宏觀發展決策做出貢獻的同時， 也可以根據社會大數據創造的收益對企業進行適當獎勵， 或者換取企業自身發展所需的經濟發展大數據， 進而促進企業發展。 企業財務大數據與國家、政府、行業數據融合也體現了企業與社會共建共享、相互促進的關系。 第三， 數據共享與交換。 數據共享也可以表現為交換的特殊形式。 在一定的交易條件下， 數據作為特殊的商品可以進行共享與交換， 在一定數據范圍內針對特定對象， 數據可以實現交換， 對于數據交換的申請規則、使用方式、使用規范等都應有明確規定。

3. 數據定價與交易。 數據定價與交易是指， 對于與企業在數據采集、價值開發中無數據利益關系的外部應用需求方， 企業在處理與其的關系時所采取的方式。 數據充分“流動”才能發揮作用， 而數據產權界定是數據“流動”的前提， 數據“流動”最市場化、最公平的方式就是交易。 數據定價與交換主要是當無法滿足共建共享或信息交換需求時， 數據應用供需雙方可以考慮進行數據交易， 遵循相應的規則、規范， 按合理的數據價格， 即數據面向公開市場， 各買所需。 2020年中共中央、國務院發布《關于構建更加完善的要素市場化配置體制機制的意見》， 明確提出加快數據要素市場培育。

企業應盤活數據資產， 加快數據流動， 而不能任由數據資源沉淀。 企業可以提供加工后市場所需的數據商品以供出售， 持續變現數據價值。 數據定價與交易主要采取的措施有： 第一， 合理進行數據定價。 數據只有經過合理定價， 才能在市場上交易， 也才能完成資產的真正使命。 目前數據市場定價較為混亂， 沒有明文規定。 企業應對接市場需求， 依據數據處理成本和可能帶來的收益， 合理確定數據商品的價格。 第二， 遵循數據交易規則。 借鑒國內外數據交易案例， 加入已有的數據交易平臺， 熟悉運營體系、交易模式、交易準入等環節的相關規則。 學習有關地區的先試經驗， 進一步完善數據交易規則， 合理擴大企業財務大數據資產的有效交易。 第三， 推動數據交易規范。 目前我國還未出臺針對數據交易的專門法規， 也無數據交易規則和標準指導。 隨著貴陽大數據交易所、北部灣大數據交易中心的成立， 交易所對大數據交易標準進行了積極探索， 在一定程度上推動了國內數據交易的規范化發展， 企業也需要在實踐中提出數據交易相關的意見和建議。 各數據交易中心從由政府主導逐漸變為政企合作模式， 交易中心由單純的交易更多地往數據共建、利益共享等方向轉變。

4. 數據利益分配。 財務大數據高效應用包括企業內部應用與對外交換與出售等， 數據利益分配主要針對數據商品流轉過程中所帶來的直接或間接數據利益進行結算， 利益分配的基礎一般為數據利益相關者擁有的數據資源數量、數據貢獻度和數據互動有效性等。

數據利益分配的基本準則有： 第一， 以數據資源數量為分配基礎。 既然數據是生產要素， 那么最簡單的數據利益分配基礎就是所擁有的數據資源數量。 這種方式能最大程度地保護數據資源所有權， 對于進一步明確數據的歸屬權有著較為積極的意義。 第二， 以數據貢獻為分配基礎。 在數據全流程中， 有很多群體或個體為數據做出了自己的貢獻， 在進行共享利益分配時， 可以考慮以數據貢獻大小作為分配基礎， 這樣可以充分調動數據鏈上所有參與者的積極性。 第三， 以數據互動有效性為分配基礎。 先進技術使得每條數據互動都能找到最早的痕跡， 數據互動有效性有時會給企業帶來較高的利益。 例如， 消費者的數據反饋對企業盈利和商業模式的影響比較大， 特別是有些消費建議還會給企業帶來改革靈感， 應該給予相應的利益， 讓消費者最大程度地貢獻自己的個性化智慧， 這也能促進更多有效數據的產生。

五、結論

數據是新型生產要素， 誰掌控了數據主動權， 誰就可以獲得市場先機。 智能財務高效收集并處理企業產業鏈上的各種數據， 財務數據由“小”數據轉為產業鏈“大”數據， 財務成為企業財務大數據的樞紐。 有數據必然存在數據治理， 數據治理是研究企業財務大數據采集、開發和應用的一整套管理機制， 應通過建立數據標準、提高數據質量， 實現數據共享與交易， 從而更好地發揮數據商業價值。

企業財務大數據治理是一項長期的管理過程， 這一管理過程必然涉及很多利益相關者。 本文結合利益相關者理論， 從數據貢獻和數據利益兩個維度深度剖析了企業財務大數據治理中利益相關者所在的矩陣區域， 分析了不同利益相關者在企業財務大數據治理中的作用和地位， 重點論述了數據采集建設、數據價值開發和數據高效應用的數據治理基本路徑， 在一定程度上厘清了企業財務大數據虛擬化、數據價值化和數據驅動經營三個方面的問題。 數據治理是智能財務堅實的基礎， 只有做好企業財務大數據治理， 才能讓數據賦能企業現代化管理， 幫助企業盡快完成數字化轉型， 真正落實數據創造價值， 進一步推動企業健康發展。

【 主 要 參 考 文 獻 】

[1] 新華網.數字經濟將開啟哪些新賽道？——展望數字化賦能經濟高質量發展[EB/OL].https：//www.xinhuanet.com/food/2020-04/24/c_1125900227.htm，2020-04-24.

[2] 曹惠民，鄧婷婷.政府數據治理風險及其消解機制研究[ J].電子政務，2021（1）：81 ～ 91.

[3] 侯雪言.政府治理創新：數據治理促進公共文化服務體系效能提升研究[ J].領導科學，2020（9）：35 ～ 37.

[4] 王正青，但金鳳.如何構建教育數據治理體系：美國肯塔基州的成功經驗[ J].現代遠程教育研究，2021（1）：30 ～ 39.

[5] 陳榮昌.網絡平臺數據治理的正當性、困境及路徑[ J].寧夏社會科學，2021（1）：72 ～ 80.

[6] 沈一飛，郭笑雨.數字經濟與金融數據治理[ J].中國金融， 2020（11）：32 ～ 33.

[7] 鄭功成.用共享發展引領社會治理[ J].社會治理，2017（2）：30 ～ 35.

[8] 徐宗本，馮芷艷，郭迅華等.大數據驅動的管理與決策前沿課題[ J].管理世界，2014（11）：158 ～ 163.

[9] Viktor Mayer-Sch?nberger，Kenneth Cukier著.周濤譯.大數據時代：生活、工作與思維的大變革[M].杭州：浙江人民出版社，2012.

[10] 愛德華·弗里曼，杰弗里·哈里森，安德魯·威克斯等著.盛亞，李靖華，王節祥等譯.利益相關者理論現狀與展望[M].北京：知識產權出版社，2013.

[11] 曼瑟爾·奧爾森著.蘇長和，嵇飛譯.權力與繁榮[M].上海：上海人民出版社，2016.

[12] 孫芳城，黃輝，蔣水全.會計轉型與經濟發展：機遇與挑戰——中國會計學會高等工科院校分會第24屆學術年會綜述[ J].會計研究，2018（3）：94 ～ 96.

[13] 搜狐網.貴陽大數據交易所成為國家“大數據交易標準試點基地”[EB/OL].https：//www.sohu.com/a/78595648_398084，2016-05-30.