數據資產研究熱點及趨勢分析

馬建威 米萬東 張保平

【摘 要】 文章以2000—2022年間CNKI和WOS數據庫中收錄數據資產的945篇文獻為數據來源，借助文獻計量法和可視化分析軟件CiteSpace，從發文量、作者及機構合作關系、關鍵詞共現、關鍵詞聚類和關鍵詞突現五個方面，考察國內外數據資產研究的發展歷程、熱點主題以及演進趨勢。國內外數據資產研究熱度近年上升迅速，但作者、機構以及不同學科之間的合作研究仍然不足。國內的研究主題集中在數據資產的產生背景、數據資產的理論研究以及應用研究。國外的研究主題集中于加密數字貨幣研究、線上數字資源研究以及數據資產的安全和管理研究。熱點主題有會計計量、數據安全、數據交易等話題，研究趨勢從數據資產可否確認為一項資產轉移到如何更好地利用數據資產產生價值。

【關鍵詞】 數據資產； 大數據； CiteSpace； 文獻計量； 可視化分析

【中圖分類號】 F234.3? 【文獻標識碼】 A? 【文章編號】 1004-5937（2023）04-0119-08

一、引言

在“大智移云物”的背景下，大數據作為互聯網發展進程中的產物之一，數量呈現爆炸式增長，形式也呈現出結構化、半結構化和非結構化的多組態特征。隨著大量的企業數字化轉型的深入，“一切業務線上化、一切業務數據化、一切數據業務化”的轉型過程，使得企業在生產經營過程中產生并收集到更為體系化的數據，以全產業鏈的數據代替過去零星的財務數據，對這些數據進行分析利用可為企業帶來巨大的價值[1]。2022年12月，《關于構建數據基礎制度更好發揮數據要求作用的意見》指出，數據作為新型生產要素，是數字化、網絡化、智能化的基礎，要激活數字要素潛能，做強做優做大數字經濟。數據資產是指由個人或企業擁有或者控制的，能夠為企業帶來未來經濟利益的，以物理或電子方式記錄的數據資源。目前對數據資產還沒有明確的法律和會計準則規定，導致數據資產的確認計量方法尚未統一，并且尚未納入到資產負債表中進行披露，使得企業與利益相關者之間的信息不對稱加劇。數據資產的交易領先于理論研究，政府牽頭成立了貴州、上海、巢湖等大數據交易中心進行數據資產交易，但對于定價、交易模式還處于“一事一議”的狀態，由于確權不明、定價較難達成共識等問題導致數據交易的市場反應不理想，交易規模普遍較小。數據資產的研究需要學界和業界進行充分的溝通和思考，從經濟、管理、法律等不同領域進行探索，早日對數據資產在確認計量、披露、交易、管理等方面達成共識，這將對數據交易的市場建立、交易規范以及數據參與生產分配等方面有重要作用，使得數字賦能成為新一輪的經濟推動力。為了多維度、全面地分析研究現狀，梳理數據資產研究的熱點主題以及趨勢，本文基于CNKI以及WOS數據庫搜集相關中外核心文獻，利用CiteSpace進行可視化分析，從作者、機構、國家之間的發文量和合作關系，從關鍵詞的頻率、聚類、突現等方面對文獻進行分析，期望能對數據資產的后續研究提供有力支撐。

二、數據來源及研究方法

（一）數據來源

中文期刊檢索數據來自于中國知網（CNKI）數據庫，在高級檢索中用“（主題=數據資產）OR（主題=數字資產）”為檢索條件，時間范圍為2001年1月至2022年3月31日，來源類別選定“CSSCI”和“北大核心”，經過去重和刪除不相關條目，最終得到409篇文獻。外文期刊檢索數據來自于WOS核心合集數據庫，用“（Topic=data asset）OR（Topic=digital asset）AND（Language=English）”作為檢索條件，時間范圍為2000年1月至2022年3月31日，經過去重和刪除不相關條目，最終得到536篇文獻。

（二）研究方法

CiteSpace是陳超美教授基于JAVA語言開發的可視化軟件，利用文獻計量學原理和數據挖掘算法，從作者、合作機構、關鍵詞等方面多維度、可視化地呈現文獻之間的內在關系，探尋研究基礎、研究熱點及研究趨勢的一種可視化分析軟件[2]。利用CiteSpace5.8.R3版本對近20年中外文獻進行數據資產研究的結構網絡關系及演進過程進行統計分析和可視化呈現，從而展示數據資產領域研究的知識全景[3]。

三、數據資產研究文獻計量分析

（一）發文量分析

文獻發表的數量在一定程度上可以反映出某個研究領域的發展速度和研究深度，如圖1所示，從文獻數量看，呈現增長趨勢，說明專家學者對于數據資產的研究愈加關注。以2015年和2018年兩個時間為節點，可將數據資產的研究從時間跨度上分為三個階段：第一個階段是2001—2014年，這個階段國內從2005年開始出現相關文獻，且年平均發文量不足3篇，國外年平均發文量約為10篇，該階段對數據資產研究較少。第二個階段是2015—2018年，由于2013年大數據之父維克托·邁爾-舍恩伯格出版了《大數據時代》一書后，對于大數據、數據資產的研究明顯增加，這個階段文獻數量大幅增長，國內年平均發文量達到了30篇，國外文獻達到27篇，年均發文量大約為2015年前的三倍。第三階段為2019—2021年，國內年平均發文量達到77篇，國外年平均發文量約為95篇。人工智能、區塊鏈等新技術的發展，國內外文獻對于數據資產的研究也得到了快速發展和深入研究。

（二）主要作者及合作關系

國內研究呈現出以部分學者主導的研究氛圍，單篇被引率較高。作者數量較少且合作關系較少，多數作者采用單打獨斗的方式進行研究，合作關系也多為兩三個作者間的合作。然而數據資產涉及經濟、管理、會計和法律等多學科的綜合研究，應鼓勵不同學科間的學者合作研究。與國內作者關系“少而集中”相比，國外作者合作呈現“多而分散”的狀態，國外作者間合作較多，且多人合作現象比國內常見，單篇被引次數也少于國內文獻被引次數，說明國外研究并非是部分學者引導，而是呈現“去中心化”的特點。

數據資產研究領域內被引數最高的10位作者的研究內容可認為是國內外該領域的主要研究內容。其中國內學者對數據資產會計處理與財務報表列報進行了探討[4]，提出了數據資產的B-S價值評估模型[5]，以及數字化轉型、數據資產的統計與核算問題[6]。案例研究方面分析了軍事大數據的應用[7]，通過數據資產作為一種戰略資源對智能制造企業進行案例研究[8]，并對政府數據的開放政策進行研究[9]。

從上述分析可以看出，目前數據資產的研究重點仍是會計核算問題，確認、計量、和報告是數據資產化的基礎。如何從龐雜的企業數據資源提煉出有用的數據，并通過分析加工形成一項資產，對內可以優化企業的生產經營為企業提質增效，對外可形成數據商品進行銷售為企業帶來收入，數據資產價值形成的過程也是研究熱點之一。在解決數據資產的會計核算、價值形成這些基礎問題后下一步研究發方向就是數據資產交易問題、管理問題以及作為一項生產要素如何參與到社會分配中，是否能為高質量發展、雙碳目標的達成帶來新的啟示也是新的研究熱點。

國外文獻中被引數量最高的十名作者中，Lee JS[10]主要研究了利用計算機技術對數據資產進行管理，Corbet et al.[11]對加密貨幣問題進行了研究，Chong[12]討論了數據資源重組問題，Kim et al.[13]分析了數據資產與網絡安全的關系及相關算法，Subramanyam et al.[14]對數據資產管理系統進行了設計與探討，Cao et al.[15]論述了數據資產與6G、區塊鏈等技術之間的關系，Czajkowski et al.[16]的研究方向主要為數據管理，Hannila et al.[17]則對數字化和數據驅動的機理進行了探討，與國內相比，國外研究更注重計算機技術層面的研究。

（三）研究機構合作分析

從圖2可以看出不同國家和地區在數據資產領域的研究力量，圖中的節點越大表示該國發表文獻數量越多，圈的外環顏色越深表明近期的研究熱度升高。網絡中節點數為86，連線數為255，網絡密度為0.0698。文獻量最高的十個國家分別是美國（165篇）、英國（66篇）、中國（53篇）、澳大利亞（36篇）、意大利（22篇）、法國（20篇）、德國（20篇）、西班牙（19）、加拿大（17篇）、俄羅斯（16篇），研究熱度持續升高的四個國家是美國、英國、中國和澳大利亞。由此可以看出，數據資產研究的國家以歐美發達國家為主。中國發文量第三說明我國對該領域的研究足夠重視，我國的實踐經驗和理論研究都處于世界的前沿水平，但與發達國家相比還有一定的差距，需要進一步加深研究并擴大合作。

數據資產研究機構分布如表1，國內外均以高校研究為主，且高校所在的國家和地區均為金融、互聯網等行業發展領先地區。國家電網公司能躋身前十說明集團公司內具有較多的數據資產相關問題需要研究，目前電網大數據具有實時性強、顆粒度高等優點，可得到按時間跨度、按區域跨度、按行業跨度的用電數據，以及家庭用戶和企業用戶用電情況的全樣本數據，由電力數據可反映出當前的宏觀經濟狀況[18]。除電力行業外，其他行業數據資產的研究較少，例如通信、交通、金融數據資產等缺乏理論與實踐層面的研究。從合作機構情況分析，目前國內外宏觀層面的理論分析和實證研究是研究主流，從微觀層面對公司進行案例研究的文獻較少，數據資產的研究需要企業和學者共同努力，學者應從象牙塔走到企業中去實地調研，而企業也應該拒絕形成數字孤島，將適當的資源進行分享，例如以互聯網技術為支撐的字節跳動、騰訊、京東等企業，他們擁有大量的數據資源，對這些企業的研究可以更好地推動數據資產的發展。不同行業的數據資產異質性較大，需要較多的案例研究分析不同行業數據資產的異同點才能更好地推進數據資產的發展。

四、數據資產研究熱點分析

（一）關鍵詞詞頻分析

關鍵詞具有對全文高度概括的作用，對所選的文獻關鍵詞進行分析可大體了解文獻的研究熱點。以關鍵詞為節點，時間切片為一年進行關鍵詞共現分析。關鍵詞中心性大于0.1的為關鍵節點，國內中心性關鍵詞為數據資產、大數據、數據治理、數字經濟、政府數據、區塊鏈、信息披露、人才培養、數據安全、智能財務、數據管理。國外文獻中心性關鍵詞為digital asset（數據資產）、big data（大數據）、blockchain（區塊鏈）、model（模型）、system（系統）、information security（信息安全）、data governance（數據治理）、management（管理）、machine learning（機器學習）等。

（二）關鍵詞聚類分析

關鍵詞聚類可以將眾多的關鍵詞劃分為幾個主題，CiteSpace根據網絡中關鍵詞出現的頻率及中心性，并在關聯規則中使用log-likelihood ratio（LLR）作為相似度，將相似含義的關鍵詞聚類形成不同的研究主題。模型中用Q值（模塊值）和S值（平均輪廓值）來衡量聚類的效果，一般當Q值>0.3可認為聚類結構顯著，S值>0.7可認為聚類效果是令人信服的。

1.國內文獻關鍵詞聚類

如圖3，Q值為0.7247，S值為0.9399，說明聚類結果中結構合理，并且結果可信度高。根據圖譜得出的12個關鍵詞聚類，可將它們總結為三大研究主題。

（1）數據資產的產生背景

該主題中包含的聚類有#0大數據、#11大數據時代。主要關鍵詞有互聯網化、云計算、物聯網、數據資產、影響因素、數字出版等。大數據是指數據的規模之大，使得在較短時間內無法通過主流軟件進行提取和分析，以得到有價值的信息。隨著互聯網的發展，產生的數據也越來越多，計算機的性能不足以支撐如此海量數據的存儲和計算，隨著云計算和機器學習等技術的出現，人們有能力對更多的數據進行收集、存儲、分析，進而從數據中獲取更大的價值，這使得數據資產的研究熱度急劇上升。21世紀為數據時代，數據被稱為新時代的“石油”。照片墻（Instagram）作為一款社交軟件，由于用戶數量的激增而獲得了大量的數據，用戶分享的圖片和文字形成了巨額的數據資源，2012年Facebook宣布以10億美元收購Instagram，2018年其估值超過1 000億美元，其中數據資產相比于企業的有形和無形資產更有價值。當意識到數據資產的重要性后，如何從海量的數據中提煉出有用的信息？這些信息如何為企業帶來收益？這些收益能否被計量？這些信息能否在財務報表中披露？這些問題的提出使得數據資產成為了研究熱點。

（2）數據資產的理論研究

該主題包含的聚類有#1數據資產、#3數據要素、#7信息資產。主要關鍵詞有資產權益、科研數據、政府數據、個人數據、數據交易、開放數據、個人信息、會計計量、信息主體、會計核算等。數據資產理論層面首先要解決數據確權的問題，這些數據是屬于誰的？葉雅珍等[19]認為數據的權屬理應屬于生產數據的人，但一些數據權屬涉及個人隱私等問題，較難斷定。數據的來源大體有三種，一是政府大數據，例如氣象信息、統計年鑒等，這類數據資源權屬明確。經由政府部門統計核算后對外公開，但由于統計核算需要大量的人力和時間，政府大數據時間滯后性較強。二是企業在生產經營過程中產生的數據，例如物流企業產生的物流數據、國家電網統計各行業的用電情況等。三是個人與企業之間的聯合數據，例如電商平臺消費者的購買數據、社交軟件采集到的用戶數據，這類數據應當所屬于企業和用戶共有。共有數據會涉及到用戶隱私問題，需要將數據進行脫敏處理等操作后使用。

在研究確權問題后，數據如何從數據資源確認為一項資產是第二個需要研究的問題。首先數據資產是否能確認為一項資產？從會計層面講，資產是一項會計概念，有明確的定義和確認條件，需滿足與該資源有關的經濟利益很有可能流入企業，且該資源的成本或價值可以可靠計量的才可以確認為一項資產。數據資產具有一定的特殊性，不同于有形資產與無形資產，數據資產的成本和價值都具有較大的不確定性。劉國英等通過對2018年IASB《財務報告概念框架》進行研究，認為隨著宏觀經濟環境和企業經濟環境的復雜性增加，應適當地確認和披露一些不確定性經濟業務。在某些情況下，盡管經濟資源流入或流出的可能性較小，確認資產或負債仍可以提供有用信息的情況下仍可確定為一項資產或負債[20]。目前我國的會計準則正在向國際趨同，這就從準則層面為數據資產的確認計量提供了從概念框架上的可能性。其次，在確認之后需要解決的是計量問題，這方面的研究較為豐富，可參考無形資產的定價方法（有成本法、市場法、收益法），由于數據資產的特殊性，三種方法均有一定的局限性，一些學者使用價值和市場評價貢獻（歐陽日輝等，2022）、AHP-FCE（吳江等，2021）、多期產額收益法（陳芳等，2021）、博弈論（趙麗等，2022）等方法研究數據資產的定價問題，但目前還沒有形成一種公認的計量方法，仍需要深入研究討論。最后，是數據資產入表的問題，大數據之父維克托·邁爾-舍恩伯格表示“數據資產入表不是是否的問題，而是早晚的問題”，在確認與計量研究的基礎上，秦榮生[21]、張俊瑞等[22]對數據資產在財務報表中披露的可能性及方式進行了研究。另一方面從數據價值鏈的角度來講，數據經過采集、存儲、分析和應用四個階段，數據可確認為一項資產為公司帶來收益。數據資產化是數據交易的前提，對完善數據交易市場、數據參與生產分配具有重要意義。

（3）數據資產的應用研究

該主題包含的聚類有：#2元數據、#4數字經濟、#5信息生態、#6數據安全、#7信息資產、#8銀行業、#9區塊鏈、#10數字時代。主要關鍵詞有聯邦學習、人工智能、電力數據、海洋數據、數據中臺、數據體系、財務數字化、數據共享、金融數據、風險評估、風險防范、數據質量管理、交易系統、智能財務、人才培養、高校等。

在應用層面首先需要解決的是傳統數據庫的存儲和分析困難的技術問題，傳統的關系型數據庫在數據量較大時搜索速度會急劇下降，分布式存儲方式是將海量的數據分開儲存在不同的子節點上，這樣分級儲存可以較好地解決傳統數據庫的查詢速度問題，利用“云盤”的網絡存儲形式代替物理硬盤存儲，有力地解決了存儲空間有限的問題。聯邦學習是一種在保護數據隱私狀況下的數據共享計算模式，聯合云計算等技術將數據樣本分享給不同的參與者進行計算，之后再將計算結果匯總在一起，這有利于解決大數據算力不足的問題。

解決了數據資產的存儲和計算問題后，需要研究如何對數據資產的價值進行挖掘。企業中形成數據資產的數據來源有兩種，第一種是在生產經營中采集到的數據，第二種是通過交易或事項外購來的數據。將這些數據經過統計學、人工智能、機器學習、可視化分析等技術，將蘊含在大數據中的信息挖掘出來，為企業帶來價值。這些數據形成企業的數據資產后產生價值的方式也有兩種，一是為自身的經營管理決策提供參考意見，優化業務流程提升企業效益。例如，利用“大智移云物”等技術建立數據中臺、智能財務體系、智能審計系統替代人工操作，既提高了效率又降低了人工成本，把大量的人力資源解放出來進行其他的管理工作；二是通過轉讓數據資產所有權或讓渡使用權來獲得收益，例如在大數據交易所進行大數據交易。目前大多數企業的數據還處于數據孤島的狀態，數據需要流通和運轉起來，跨企業、跨行業的數據共享才能發掘出更有價值的信息，大數據交易所在交易中充當“中介機構”的角色，負責收集在數據交易中供需兩方的信息，并促使交易完成，目前大數據交易所的交易效率較低，在沒有明確的規定下，每筆交易需要請相關專家單獨評估，這使得交易成本上升并且難以使交易雙方達成共識，目前仍需要對數據資產的基礎會計問題進行研究，早日通過制定完善相關法律來規范數據交易，這對數據市場的建設和發展具有重要意義。

數據資產應用的推動離不開人才培養問題，需要“財務+互聯網”等跨學科人才的參與，幫助企業實施數據資產從確認到交易的環節，故需要各高校在人才培養時幫助學生建立跨學科的知識體系，目前已有部分高校開展“大數據會計”等專業，通過以“會計+互聯網”為體系的課程進行理論和應用培養，輸送了可以助力企業數字化轉型、完善數據共享中心的技術人才，從理論和技能上均能適應時代發展的人才。

2.國外文獻關鍵詞聚類

如圖4，Q值為0.8231，S值為0.9393，說明聚類結果中結構合理，并且結果可信度高。聚類結果國外文獻偏向于應用研究，而國內文獻研究理論較多，并且就應用層面分析，國內研究宏觀層面的應用較多，而國外更注重微觀、具體的研究，國外文獻的關鍵詞和聚類信息都表現出以技術方法為主的特征，共得到11個關鍵詞聚類，可將它們總結為三大研究主題。

（1）加密數字貨幣研究

該主題包含的聚類有#0big data、#2digital assets、#3bitcoin。主要的關鍵詞有digital assets（數據資產）、blockchain（區塊鏈）、information technology（信息技術）、smart contracts（智能合約）、6g mobile communication（6g移動通信）、digital twin（數字孿生）、distributed ledger（分布式賬簿）、facility management（設備管理）、cryptocurrency（加密貨幣）、investment（投資）。

加密數字貨幣主題主要研究了數字貨幣的產生和發展，在智能合約1995年被提出時，它的意義是“一套以數字形式定義的承諾”，將合同數據化、線上化，可以說是數據資產的前身，在2015年區塊鏈的研究中主要用于在區塊鏈或分布式分類賬上進行的通用計算。數字孿生代表著利用數據進行模擬仿真的實驗過程，6g技術則能通過更快的網速幫助大量數據的傳輸。

（2）線上數字資源研究

該主題包含的聚類有#4digital libraries、#9data management、#10model，主要的關鍵詞有digital storage（數字存儲）、digital workflow（數字化流程）、institutional repository（機構典藏）、open source software（開源軟件）、digital curation（數字策展）、digital cultural heritage（數字文化遺產）、3d model（3d模型）。

這類研究起源于數字圖書館，數字圖書館是指通過數字技術處理、儲存并展示的一種媒介，將圖書、報紙等紙質文件上傳到網絡中，可以在線查閱資料。例如一些數據庫在取得作者授權后，將論文、期刊、學術會議等以電子文檔的形式存儲和展示。該類數據庫中的電子文檔是一種電子資源，這種資源的成本可以可靠地計量，未來可帶來收益。文獻資源與專利等固定資產和無形資產不同，不用計提折舊和攤銷，但未來的收益具有較大的不確定性，文獻的價值不一定隨著時間的流逝而降低，故需要確認為數據資產，更加體現會計信息的可靠性。隨著技術的發展，知識資源線上化不僅局限于文字資源，越來越多的音樂、電影等“電子專輯”發展迅速。在疫情期間，為了滿足廣大群眾的精神需求，各景區開展“云旅游”“云賞花”等活動，使大家足不出戶便可欣賞到美景，多家博物館開展數字策展的活動，利用3d模型等技術的支撐，通過講解和展示可使大家了解到各展品的更多細節及其包含的歷史文化元素，使觀眾得到高品質的文旅融合體驗，這些都是數據資產的前沿應用。

（3）數據資產的安全和管理研究

該主題包含的聚類有#1edge computing、#5digital rights management、#6information security、#7knowledge management、#8machine learning，主要的關鍵詞有database security（數據庫安全）、access control（訪問控制）、trusted computing（可信計算）、intellectual property（知識產權）、access right management（訪問權管理）、encrypted domain watermarking（加密水印）、threat intelligence（威脅情報）、feature representation（特征表示）。

大數據發展初期，云計算解決了大數據的存儲和運算問題，將請求運算的數據上傳至云端，云端將任務分割為眾多的小任務交由網絡中的計算機運算，將運算結果又回傳到云端進行匯總，最終將結果發送至客戶端，在一定的數據體量下可以正常運轉。隨著5G、物聯網等的進一步普及，手機、電視、智能穿戴等設備產生并采集到大量的數據，這些數據首先結構復雜多樣，例如攝像頭拍攝的視頻數據、錄音產生的音頻數據等非結構化數據，云端難以處理多種類型的數據源。其次，實時業務要求在規定時間內完成運算，將所有的數據傳輸到云端進行存儲和運算使整個網絡帶寬壓力過大，容易造成網絡時延問題，并且對運算資源是一種極大的浪費。邊緣計算是指數據或任務能夠在靠近數據源頭進行計算而無需上傳至云端進行運算的服務模式[23]。例如，地鐵車廂內安裝攝像頭是為了監控車廂內的突發情況，傳統云計算服務模式下，攝像頭只是一個采集數據并上傳的設備，將收集到的視頻持續地傳輸到云端進行分析，由于攝像頭數目較多以及采集到的高清視頻體積較大，云端服務器承擔了過大的存儲和計算壓力，企業需要付出巨額的成本來解決算力問題，邊緣計算模式下攝像頭是集數據采集、數據分析及信息上傳于一體的終端設備，采集到的圖像視頻在攝像頭內部進行人臉識別、模式識別等運算，當結果判定為發生突發情況時才將運算結果上傳至云端并進行警報功能，這樣既提高了效率又解放了云端的運算壓力。

邊緣計算服務模式相比于云計算服務模式具有較大的優勢，但由于數據的采集和運算都由“邊緣端”處理而不是經由“云端”集中處理，運算過程中涉及到多授權方和新的信任模式，之前的數據機密等保障數據安全的措施已不再適用。邊緣計算中會出現數據丟失、數據泄露和違法傳播等安全問題，為了保障身份、位置等隱私信息的安全，基于身份認證、訪問控制為基礎的算法還處于探索階段，仍需深入研究。

五、數據資產研究趨勢分析

關鍵詞突現是以關鍵詞為基礎，分析它出現的時間和被替代的時間，以及這段時間內出現的頻率，據此研究數據資產領域研究的演進趨勢。圖5中Year表示數據集開始研究的年份；Strength表示強度，某個關鍵詞的強度越大，表示在某段時間內出現的次數越多；Begin和End分別表示關鍵詞出現和消失的時間。在CiteSpace中利用Burstness的功能，并將伽馬值設為1，得到中文文獻中17個突現詞和英文文獻中8個突現詞，從突現詞數量上看，中文文獻的研究熱點多而分散，英文文獻研究熱點少而集中。

如圖5，中文文獻的研究熱點可分為三個時間段，第一個時間段是2000—2015年左右，11個突現詞根據凸顯強度由強到弱分別是聯邦學習、資產權益、數據復用、文本分析、科研數據、數字時代、數據利用、數據政策、智能財務、人次培養、信息披露，其中強度最大的是聯邦學習和資產權益，聯邦學習是一個為了解決企業數據孤島搭建的機器學習框架，從算法的角度開展了對數據資產的研究，權益資產則從會計角度對數據資產進行了探究。第一階段突現詞存在時間最長的是數字時代，從2000年被提及開始，一直到2016年才逐漸被替代。第二階段是2016—2019年，大數據成為了這個階段的研究熱點，這個階段研究熱點是如何通過大數據、人工智能、移動互聯網、云計算等去解決數據的存儲和挖掘功能，希望能從海量的數據中找到其中蘊含的價值。第三階段是2020—2022年，突現詞有數字經濟、數據治理、數據中臺、區塊鏈、數據交易。這個階段熱點的第一個特征是研究數據作為新的生產要素，如何通過大數據等新技術使數據加入社會生產和分配中，使中國經濟從高速發展轉向高質量發展的階段，數字經濟的熱點也是對第二階段數字時代研究熱點的傳承和延續。第二個特征是研究從“后端”逐漸向“前端”轉移，數據治理、數據中臺、數據交易是數據資產中更為“前端”的應用，比起數據政策等研究更為微觀和具體。

如圖6，英文文獻的研究熱點也可分為三個階段，第一階段為2001—2017年，突現詞分別為digital library（數字圖書館）和information security（信息安全），與中文文獻不同，隨著計算機和智能手機的出現，此階段英文文獻的研究熱點集中于如何將文字、音樂、視頻等非結構化的數據通過計算機和網絡展示出來，有助于使用人員擺脫對于媒介的依賴，縮短資源的獲取成本，以及在此基礎上確保數據的安全。第二階段為2018—2020年，突現詞為big data（大數據）、design（設計）、internet（互聯網），第二階段的研究熱點在于大數據等的研究。根據國外文獻新的研究趨勢是第三階段，從2021—2022年，突現詞為technology（科技）和knowledge（知識），此階段科技指數據安全的相關算法研究，知識指線上資源的研究，2020年新冠疫情爆發后，人們的出行受到限制，云旅游作為一種新的商業模式得到發展。

六、結語

通過對比中外文獻在數據資產領域的研究，可以發現從2014年起數據資產的關注度日漸提高，尤其近兩年研究熱度急劇升高。從作者合作關系可以看出，國外文獻作者呈現多而分散，國內文獻作者呈現少而集中的狀態，并且均需加強跨組織、跨領域的研究。從研究機構以及國家發文量可以看出，該領域的研究目前還是以高校研究為主，缺乏校企聯合的相關研究，中國在國際上對該領域的研究處于領先地位，但仍需加強合作。國內外文獻熱點集中在數據資產的確認計量問題，數據資產的應用、管理和交易問題，人才培養問題，加密數字貨幣問題，數據資源以及數據安全問題。數據資產領域的研究趨勢從會計計量等底層邏輯轉移到數據安全、數據交易等應用層面，這些研究是企業在應用數據資產中最需要解決的實際問題。

【參考文獻】

［1］ 戚聿東，肖旭.數字經濟時代的企業管理變革［J］.管理世界，2020，36（6）：135-152，250.

［2］ CHEN C.CiteSpace：A Practical Guide for Mapping Scientific Literature［M］.Nova Science Publishers，2016.

［3］ 李新根，魏淑艷，劉冬梅.國內數字化治理研究的熱點主題與演進趨勢——基于CiteSpace的知識圖譜分析［J］.東南學術，2022（2）：61-71，247.

［4］ 張俊瑞，危雁麟，宋曉悅.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，2020，34（3）：3-15.

［5］ 王靜，王娟.互聯網金融企業數據資產價值評估——基于B—S理論模型的研究［J］.技術經濟與管理研究，2019（7）：73-78.

［6］ 許憲春，唐雅，張鐘文.個人數據的統計與核算問題研究［J］.統計研究，2022（2）：20-34.

［7］ 鄭少秋，韓立斌，王靜，等.軍事大數據概念內涵、發展挑戰與技術實踐［J/OL］.指揮與控制學報，2021.

［8］ 朱國軍，王修齊，張宏遠.智能制造核心企業如何牽頭組建創新聯合體——來自華為智能汽車業務的探索性案例研究［J］.科技進步與對策，2022（19）：18-25.

［9］ 周文泓.面向資產化利用的我國地方政府開放數據政策調查及其啟示［J］.情報理論與實踐，2022（6）：20，52-58.

［10］ LEE J S.Scalable data management modeling and framework for grid computing［C］// Springer Berlin Heidelberg，2004.

［11］ CORBET S，et al.Kodakcoin：a blockchain revolution or exploiting a potential cryptocurrency bubble？［J/OL］.Social Science Electronic Publishing，2018.

［12］ CHONG C，et al.CDAL：A scalable scheme for digital resource reorganization［C］.International Conference on Web-Based Learning，2004.

［13］ KIM S，KIM S，NAM K H，et al.Cyber security strategy for nuclear power plant through vital digital assets［C］// 2019 International Conference on Computational Science and Computational Intelligence （CSCI），2019.

［14］ SUBRAMANYAM A V ，et al.Audio watermarking in partially compressed-encrypted domain［C］// Systems，Man，and Cybernetics（SMC），2012 IEEE International Conference on.IEEE，2012.

［15］ CAO L，et al.Special issue on AI and FinTech：the challenge ahead［J］.IEEE Intelligent Systems，2020，35（2）：3-6.

［16］ CZAJKOWSKI K，et al.ERMrest：a web service for collaborative data management［C］.The 30th International Conference，2018.

［17］ HANNILA H，et al.Product-level profitability current challenges and preconditions for data-driven，fact-based product portfolio management［J］.Journal of Enterprise Information Management，2019，33（1）：214-237.

［18］ 彭放，祁亞茹，任俊達，等.基于電力大數據對工業增加值現時預測研究——基于LSTM的分析［J］.價格理論與實踐，2021（7）：110-114.

［19］ 葉雅珍，劉國華，朱揚勇.數據資產相關概念綜述［J］.計算機科學，2019，46（11）：20-24.

［20］ 劉國英，周冬華.IASB概念框架下數據資產準則研究［J］.財會月刊，2021（21）：66-71.

［21］ 秦榮生.企業數據資產的確認、計量與報告研究［J］.會計與經濟研究，2020，34（6）：3-10.

［22］ 張俊瑞，危雁麟.數據資產會計：概念解析與財務報表列報［J］.財會月刊，2021（23）：13-20.

［23］ 張佳樂，趙彥超，陳兵，等.邊緣計算數據安全與隱私保護研究綜述［J］.通信學報，2018，39（3）：1-21.