数据资产质量评价指标研究及应用

数据资产质量评价指标研究及应用

刘昕、汪苏娟、陈术红

刘昕 北京中建政研信息咨询中心项目总监

汪苏娟 北京中建政研信息咨询中心咨询顾问

陈术红 北京中建政研信息咨询中心咨询顾问

前言：

随着大数据、物联网、云计算及人工智能的发展，大数据应用场景日趋丰富，数字经济正逐渐步入高速增长的时代，由此带来的数据资产关注度也越来越高。作为数字经济的核心生产要素，数据要素已经成为继土地、资本、劳动力以及技术之后的第五大生产要素。数据资产也成为科技创新的突破口，在企业运营及财务管理中的重要性与日俱增。数据资产的质量，更是成为保障企业决策准确和业务效率的关键因素，因此对数据资产的质量进行评价至关重要。只有确保数据资产的高质量，才能最大程度地实现数据资产价值，为企业带来更大的竞争优势和商业价值。

数据资产质量评价是指对数据资产的综合水平进行评估，重点考查其变现能力或被公司进一步利用或增值的潜在价值。本文立足数据资产准确性、完整性、一致性、可信性和及时性等关键指标，旨在通过对这些指标的深入研究，为企业后续进行数据资产质量评价、管理提高，提供切实有效的帮助。

关键词：数据资产 质量评价 指标体系

一.数据资产的内涵

(一)  数据资产的定义

根据《企业会计准则-基本准则》：资产是指由企业过去的交易或事项形成的、由企业拥有或者控制的、预期会给企业带来经济利益的资源。将一项资源确认为资产，除了需要符合资产的定义，还应同时满足以下两个条件：（1）与该资源有关的经济利益很可能流入企业；（2）该资源的成本或者价值能够可靠地计量。

从这个角度看，数据要成为资产需要满足以下几个条件：

1.通过对企业数据资产盘点，证实基于生产经营中产生的海量数据，符合“由企业过去的交易或事项形成”条件；

2.数据的权属，通常来源于企业自主搜集，或基于合同契约精神，通过信息系统平台合理取得，进而为企业创造价值，确保该目标数据符合“由企业控制确权”条件；

3.企业通过对所辖数据资产的业务收益分析进行判断，如果取得的数据收益大于数据的取得及维护成本，那么符合“预期为企业带来经济利益”条件；

4.数据的成本主要包括取得成本、加工处理成本、存储持有成本，除取得成本较难从业务中划分并可靠计量外，其他如加工处理及存储持有成本则相对方便计量，基本符合“成本或价值可以可靠计量”条件。

(二)  数据资产的特征

数据资产具有非实体性、依托性、多样性、可加工性、价值易变性等特点，具体如下所示：

表1 数据资产具体特征与描述表

(三)  数据资产化实现路径

首先，要做到产权清晰。各级政府、行政事业单位及地方国企将其依法履职或提供公共服务过程中持有或控制的，预期能产生管理服务潜力或带来经济利益流入的数据资源，作为数据资产纳入自有资产管理范畴。

其次，做好数据资产台账管理工作。对纳入管理范畴的数据资产，按照数据资产目录清单要求，配套建立公共数据资产卡片，登记数据资产信息，包括数据资产基本信息、权利信息、使用信息、管理信息等关键要素。

再次，根据登记在册的数据资产属性，结合会计准则和规范，确定数据资产是否符合资产确认标准及条件，对数据资产进行价值确认及会计计量。

最后，将确认和计量后的数据资产按照相应的会计科目归入资产负债表中，并按照数据资产的来源、计量方法等，进行正确的列示与披露。

(四)  数据资产关注点

1.  数据资产权责关系明晰

明晰公共数据资产权责边界，促进公共数据资产流通应用安全可追溯。《数据二十条》淡化了数据的所有权，提出了“三权分置”，即：数据资源的持有权、数据的加工权使用权、数据产品的经营权。未来企业无论是买卖还是联合开发数据产品，一定要在法律层面对上述三种权利进行相应界定。例如：合同甲方乙方拥有的权利义务、权属关系、授权方式的类型，都应在法律合规的基础上签订协议予以明确。

2.数据来源合法性要求

一是对于外部直接获取的数据，应注重数据共享的范围及各方的权利和义务；二是对信息平台自动采集的数据源，应做到合法获取、合法使用、合规评估；三是对于向用户端自行收集的数据，应做到告知并获得终端同意，同时应注重对未成年人保护及个人信息保护等。

3.  数据资产管理到位

一是结合数据采集加工周期和安全等级等实际情况及要求，对所持有或控制的数据资产定期更新维护；二是规范数据资产销毁处置程序，对经认定失去价值、没有保存要求的数据资产，进行安全和脱敏处理后及时有效销毁，严格记录数据资产销毁过程相关操作。

4.  实现数据动态监测

各数据资产权利主体应落实数据资产安全管理责任，按照分类分级原则，在符合网络安全等级保护制度要求的基础上，落实数据安全保护制度，把数据安全要求贯彻到数据资产开发、流通、使用全过程，提升数据资产安全保障能力。

5.  数据资产应急管理

各数据资产权利主体应分类分级建立数据资产预警、应急和处置机制，深度分析相关领域数据资产风险环节，梳理典型应用场景，对数据资产泄露、损毁、丢失、篡改等情形，制定相应的预警、应急处置预案。出现风险事件，及时启动应急处置措施，最大程度避免或减少资产损失。

二.数据资产质量评价体系构建的意义及指标要素

(一)  数据资产质量评价的意义

数据资产质量评价是指通过构建价值评价指标体系，计量数据资产的投入成本、日常运营、业务效益等活动，是数据资产估值的关键环节，也是数据资产化的价值基线。高质量的数据资产可以提高业务决策的精度和效率，降低错误决策带来的风险。而低质量的数据资产则可能导致误导性的分析、低效的业务流程和不准确的决策。因此，评价数据资产的质量是企业数据资产入表非常重要的环节。

我国数据资产处于起步阶段，数据资产标准不统一，数据质量评价标准尚未完全建立。本文将通过综合指标评价体系的搭建，使企业看到自己的数据资产质量在行业中所处位置，为企业管理资产提供一定的依据，并通过各个因素排名判断企业数据资产质量在某个方面做的好坏情况，在关注本公司重要资产效益的同时，协调好各个指标的质量程度，使其能够健康发展，创造整体效益。

(二)数据资产质量的影响因素

数据资产的质量高低受多种因素影响，其中一些重要因素包括：

数据的数量和多样性：数据资产的价值受到数据量和多样性的影响。大量且多样化的数据对其分析效率、清洗质量提出了更高的要求。

数据质量：数据的质量对数据资产的价值至关重要。高质量的数据可以提供准确、可靠的信息，而低质量的数据可能导致错误决策和误导性分析。

数据时效性：数据的时效性指数据能够反映当前情况的程度。及时更新和反映的数据可以提高决策的准确性和实效性，从而增加数据资产的价值。

数据相关性：数据资产的价值取决于数据与业务目标和需求的相关性。与组织的战略目标和业务流程相关的数据更具价值，能够直接支持决策和业务活动。

数据可用性和可访问性：数据资产的价值取决于数据能够被有效地访问和利用的程度。良好的数据可用性和可访问性可以提高数据的利用率和影响力。

数据安全和隐私保护：数据资产的价值受到数据安全和隐私保护措施的影响。良好的数据安全和隐私保护可以增强数据的可信度和价值，同时降低数据泄露和滥用的风险。

数据分析和挖掘技术：数据资产的价值受到数据分析和挖掘技术的影响。先进的数据分析和挖掘技术可以帮助发现隐藏在数据中的模式和趋势，提供更深入的洞察，从而增加数据资产的价值。

组织文化和人才素质：组织的数据文化和员工的数据素养对数据资产的价值有重要影响。拥有数据驱动的文化和具备数据分析技能的人才可以更好地利用数据资产，发挥其最大价值。

市场环境和竞争态势：市场环境和竞争态势对数据资产的价值也有一定影响。对市场需求和竞争对手的深入理解可以帮助组织更好地利用数据资产，抢占市场先机。

这些因素共同影响着数据资产的质量，组织需要综合考虑和管理这些因素，以最大程度地发挥数据资产的价值。

(三)  数据资产质量评价指标体系构建原则

1.客观性原则。质量评价要建立客观真实的数据指标，在指标体系设计过程中坚持客观性原则，这样的评价结果才具有真实性和可信性。

2.科学性原则。数据资产指标设计要结合数据要素理论基础，立足研究问题本质和内涵，综合运用各种方法，全面系统地设计指标体系，以减少不确定性因素对评价结果的影响。

3.可操作性原则。预期形成资产的数据要容易采集，指标所涉及到的相关数据的真实性要有保障，以便于指标评价操作。

4.一致性原则。一是计算方法和口径与现行财务制度一致；二是时间和范围上收益与费用的计算口径一致。

5.成本效益原则。数据资产取得的收入或潜在收益应涵盖为之发生的成本，确保企业实现增值。

6.可比性原则。评价指标要有可比性，一方面是横向可比，即不同的评价对象之间有可比性。二是纵向可比，即沿时间序列发生的数据有可比性。

7.定量分析与定性分析相结合原则。对数据资产开展质量评价，即有质的判断，又有量的确认。定性分析与定量分析相辅相成。

(四)  数据资产质量评价指标要素

基于上述评价原则，针对数据资产的特殊性，本文从以下几个维度建立指标体系，对数据资产的质量展开评价。

1.唯一性：针对某项数据资产或数据资产组合，确保没有重复的数值。重复冗余的数据可能会导致流程无法追溯。

构成数据资产的数据集是否唯一，是否存在重复记录或键值？

是否有唯一标识符或主键来确保数据集的唯一性？

2.有效性：数据资产应符合预期用途，在特定的业务场景下有效，否则将导致无法提供有价值的信息。

数据是否符合预期的业务规则和约束条件？

是否包含无效或过期的数据？

3.精确性：对同一对象的观测数据在重复测量时所得到不同数据间的接近程度。

数据中的数值精度如何，小数点位数是否正确？

文本数据的拼写和格式是否正确？

4.安全性：数据资产的安全主要是数据的安全使用及合规性管理。

数据的访问和使用是否受到合适的安全控制？

是否存在数据泄露或未授权访问的风险？

5.数据来源：确保数据资产来源和采集合规属性。

数据资产的来源和采集过程是否可追溯？

合规性风险是否可以规避？

6.完整性：确保数据资产台账记录完整，包括数据条码是否完整、数据属性是否完整等，不完整的数据会影响其数据资产价值（见表2）。

数据是否涵盖了所有必要的信息，是否全面？

是否有所需的数据补充或扩展计划？

表2 数据资产台账记录表

7.数据一致性：构成资产的数据在不同的应用系统和数据源中应具备相同的含义和取值。

数据在不同系统或时间点是否保持一致？

是否存在逻辑上的矛盾或重复？

8.时效性：时效的指标体现在持有期和运行效率，主要是产出和经济效益两个方面。

否满足市场需求？

是否存在过时或减值？

9.可用性：数据资产指标要结合理论知识做指导并有、产生较好的应用场景。如某电器生产厂家购买电商的历史交易数据交与产品研发团队，通过对目标用户购买动机和行为进行分析，然后设计出切合用户需求的产品。

数据资产是否容易获取和使用？

是否符合应用场景预期？

10.可流通性：多领域不同属性的数据资源关联、交融、迭代后，形成的数据资产是否具备开放、共享、交易等属性。

是否可以及时变现？

是否满足企业融资需求？

通过上述数据资产质量评价指标体系的建立，可以帮助企业全面了解数据各个方面，有针对性地制定改进策略和措施。定期对这些指标进行评估和监控，提高数据资产的质量水平。

(五) 数据资产质量评价步骤

资产质量评价是用定量和定性相结合的方法，通过对每项指标打分或评级，从而得出被评价目标整体质量的结果。针对数据资产的质量评价宜采用以下几个步骤。

1. 确定评分指标

在建立评价体系之前，首先需要确定用于评估数据资产质量的关键指标。例如上述（四）部分中提到的指标：

完整性：数据是否完整，是否存在缺失部分？

准确性：数据的精度和正确性如何？

一致性：数据在不同系统或数据源中是否一致？

时效性：数据的更新频率和及时性如何？

可靠性：数据是否可靠，是否经过验证和确认？

此外，还可以考虑数据的安全性、可用性、可理解性等因素，根据具体业务需求确定适合的评估指标。

2. 制定评分标准

针对每个评估指标，制定相应的评分标准和评估方法：

定量评分法：为每个指标定义具体的评分范围和分数，如0到100分或1到5分的评分体系。根据数据在每个指标上的表现给出相应的分数。

定性评级法：对每个指标设定优、良、中、差等级别，根据数据资产的表现给出相应的评级。

3. 数据资产质量评价流程

建立完善的数据资产质量评价流程，确保评价工作能够顺利进行并得出可靠的评价结果：

数据收集：收集需要评估的数据样本或信息。

指标评估：根据制定的评估标准，对数据样本进行评估和分析。

结果汇总：综合各个评估指标的结果，得出数据资产的质量评分或评级。

4. 综合评估和改进措施

根据评估结果，识别数据资产存在的质量问题和瓶颈，制定改进措施和优化策略：

建立数据质量改进计划，包括数据清洗、标准化、验证和监控等措施。

持续监控和评估数据质量，推动数据治理和管理的持续改进，确保数据资产始终保持高质量状态。

5.示例评分标准

假设我们采用0到100分的定量评分法来评价数据资产的质量，以下是一个示例的评分标准：

完整性：数据缺失率低于5%得分为90分，低于10%得分为80分，以此类推。

准确性：数据准确度高于95%得分为90分，高于90%得分为80分，以此类推。

一致性：数据在不同系统中一致性优秀得分为90分，良好得分为80分，一般得分为70分，差得分为60分。

时效性：数据更新频率每天得分为90分，每周得分为80分，以此类推。

根据实际数据的表现，对每个指标进行指标评价并给出相应的分数，最终综合计算得出整体的数据资产质量评分。这样的评分标准可以根据具体业务需求进行调整和定制，以确保评价体系的有效性和适用性。

三、数据资产价值应用预期

(一)  数据资产应用领域

2020年，《中共中央 国务院关于构建更加完善的要素市场化配置体制机制的意见》指出“培育数字经济新产业、新业态和新模式，支持构建农业、工业、交通、教育、安防、城市管理、公共资源交易等领域规范化数据开发利用的场景。发挥行业协会商会作用，推动人工智能、可穿戴设备、车联网、物联网等领域数据采集标准化。”

具体来说，下列几类行业产生的数据资源都非常有价值，值得重点关注：

1. 公用事业特许经营权（水务、供热、燃气、环保、交通等）产生的数据；

2. 文旅类数据，如文投、旅投产生的数据；

3. 各类开发区、高新区、工业园区的生产保障类数据；

4. 新公用事业类（如充电桩等新能源服务）、新经济类（如双碳产业）。

(二)  数据资产价值实现场景

高质量的数据资产，可以实现数据的最大化利用和价值变现。以下是一些数据资产交易的实际案例：

1. 数据共享与合作

案例：医疗健康领域的数据共享平台

在医疗健康领域，一些医疗机构、研究机构或保险公司会建立数据共享平台，通过共享医疗记录、病例数据、基因数据等，进行电子健康记录(EHRs)分析、识别疾病模式、监测人口健康趋势，并由此制定个性化的治疗计划。例如，阿里健康通过共享大规模的病例数据，与德国拜尔展开自我保健领域合作研究等。

2. 数据市场交易

案例：第三方数据市场平台

一些企业和组织会建立第三方数据市场平台，提供数据资产的买卖和交易服务。这些平台允许数据提供者将自己的数据进行上架，并向有需求的企业或研究机构出售数据许可或数据访问权。例如上海数据交易中心整合多方开放数据生成5亿多线上活跃用户特征，帮助移动广告实现精准营销，促进数据资产交易。

3. 智慧城市建设

案例：数据开发共享

数据资产被用于智能城市计划，以加强城市规划、基础设施管理和公民服务。通过整合来自传感器、物联网设备和公共系统的数据，城市可以优化交通流量，提高能源效率，并为企业提供更好的如物流管理、导航定位等服务。

4. 数据交易平台

案例：区块链上的数据交易

利用区块链技术构建的去中心化数据交易平台，可以实现数据资产的安全交易和透明记录。这些平台允许数据提供者将数据上链，并通过智能合约实现自动化数据交易和结算。

5. 数据孵化与转让

案例：新兴数据资产的转让

一些新兴的数据资产，如人工智能模型、算法模型等，可以通过转让或许可的方式进行交易。例如，一家机器学习初创公司开发了一个高精度的预测模型，可以将该模型许可给其他企业或机构使用，以换取经济利益或其他形式的回报。

这些案例展示了数据资产交易的多样性和实际应用，企业和组织可以根据自身的业务需求和数据特点，选择合适的数据资产交易方式，以实现数据资产的最大化利用和价值变现。

四、数据资产质量评价对企业的影响

高质量的数据资产是企业正确决策的基础。对企业而言，数据资产质量评价可以及时发现和解决因数据质量低下而增加企业运营成本和管理成本的问题、为企业带来新的利润增长点、增强企业的核心竞争优势等。此外，随着数据资产的重要性增加，数据安全和隐私保护日益受重视，未来针对更加严格的数据安全和隐私保护法律法规，企业需要加强数据资产质量控制，保证数据资产的质量符合相关法规和标准，以避免可能出现的法律风险和罚款。

综上所述，数据作为重要的生产要素和资产，将成为企业和国家竞争的核心。数据资产质量评价对企业具有重要意义，当然，数据资产质量评价过程中，尚有许多亟待明确和细化的规则，企业在数据资产化进程中，必要时可借助第三方咨询机构的力量，有针对性地开展数据资产质量评价等工作。通过提升数据资产质量，帮助企业扩大资产规模、优化改善资产负债表、降低资产负债率，提升资本化能力，促进业务创新和利润增长，为推动实体经济的高质量发展作出更大的贡献。

参考文献

[1] 中华人民共和国财政部.企业会计准则[Z]. 2006—02—15

[2] 财政部 . 企业数据资源相关会计处理暂行规定［EB/OL］.http：//kjs.mof. gov. cn / zhengcefabu / 202308 / t202308213903354.htm，2023-8-21．

[3] 中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见[J].工程造价管理,2020,(03):3-5+7.

[4] 中共中央国务院.关于构建数据基础制度更好发挥数据要素作用的意见[Z].2022—12—02

[5] 中华人民共和国财政部.数据资产评估指导意见[Z].2023—10—01

[6] GB/T 40685-2021,信息技术服务　数据资产　管理要求[S].