查看原文
其他

治理之智 | 对“数据入表”的若干思考:重视数据意识能力,回归要素价值本源

袁媛 傅宏宇 阿里研究院
2024-10-01


导语:

《企业数据资源相关会计处理暂行规定》试行发布一年来,企业的“数据入表”实践能够真实反映产业发展水平,并评估“数据资源化、资产化、资本化”的价值转化路径是否可行。在已有的实践基础上,我们如何正确看待“数据入表”的内在要求和制度定位,以真正发挥其促进数据流通复用和要素价值释放的目标价值,值得进一步深入思考和分析。


根据产业实践和三方智库的分析报告,我们认为,在微观层面,“数据入表”在会计准则约束下,可帮助企业培养重视数据开发、合法使用数据的意识和能力;但在宏观层面,不宜将数据入表作为“第四种增长方式”,应回归本源重视企业数字化能力建设,发挥数据要素价值


《企业数据资源相关会计处理暂行规定》(下称“《规定》”)具有“宽进严出”和企业自决等特点。试行发布一年来,“数据入表”现状能够真实反映各类型企业对数据开发、利用和流通的实践与诉求


一方面,《规定》没有引入复杂的场景化评估方案,从积极推进数字化转型、以数据改善内部降本增效的企业,到征集三方数据、将数据作为交易对象的数商型企业,都能够广泛适用;另一方面,针对难度较大的数据估值问题,《规定》没有另起炉灶,而是采用现行会计准则标准,在“经济收益流入企业,成本可靠度量”的严格约束下,将数据资源按照“无形资产”或“存货”进行会计确认、计量、报告和披露。此种“宽进”引导了各类型企业更加关注数据的开发利用和尝试入表,而“严出”则约束了资产造假、守护了金融风险底线,并使得我国资产评估保留了与国际制度的对接。


同时,《规定》允许企业自决,将满足《规定》的标准和要求的数据全部或部分入表,也支持企业考虑商业秘密保护、入表条件适配,沿用传统机制将数据采集和处理的相关成本以“咨询服务费”“信息服务费”“技术服务费”等费用化方式入账。使得这一年来的企业“数据入表”实践能够真实反映产业发展水平,可评估“数据资源化、资产化、资本化”的价值转化路径是否可行。


根据产业实践和三方智库的分析报告,我们对企业“数据入表”有如下认识:



在微观层面,“数据入表”在会计准则约束下,帮助企业培养重视数据开发、合法使用数据的意识和能力















(一)数据入表辅助数据固权,有助于推动企业合法利用数据




企业有效利用数据需要保障数据持有和使用的合法性,避免产生权属争议带来不确定性,同时也需要合理评估数据的价值,帮助各方形成稳定的价值预期,降低协商成本。例如,全国楼盘基础数据是房产销售和租赁行业的核心竞争力,贝壳找房整理“全国居住行业楼盘信息数据”,并在北京数据资产登记中心主动登记。虽然并未走完“入表”全程,但对于数据权属明晰、数据使用目的明确、数据价值预期较高的企业数据,通过资产登记方式进行处理,提高了企业对数据合法持有使用的确认度,在产生争议时降低诉讼难度,并为数据后续使用或入表、甚至跨主体流通提供了价值基准。



(二)数据入表的会计准则约束,有助于企业促进数据复用和流通



《规定》延续现行会计准则标准,即“经济收益流入企业,成本可靠度量”。合法性和利益可预期性的资产确认条件,配合入表后的披露规则,对企业数据资源管理提出了审慎注意义务,要求企业健全数据管理能力,有效管控数据的来源、利用和安全,促使企业合法获取和使用数据,并帮助企业优化内部运营,对资产成本摊销和利用率进行优化,打破内部的数据竖井,促进跨业务和跨部门的数据复用,并有意识对外开放数据产品和服务。例如中国移动已经将其内部梧桐大数据平台积累数据进行合规治理,对外将用户画像产品授权给金融机构提供征信查询支持,就突破了过去由于信息系统建设未进行有效成本计量的限制,同时加快了对外数据产品的开发并形成相关的服务收入。



在宏观层面,不宜将数据入表作为“第四种增长方式”,应回归本源重视企业数字化能力建设,发挥数据要素价值















(一)数据入表是手段不是目的,将入表作为“第四种增长方式”,会偏离制度初心




地方遇到财政压力时,“数据入表”容易被视为一种创收手段,甚至部分省市、机构在政策传递表达中,采用了“数据入表是投资、消费和出口之外的第四种增长方式”这样的描述:假设将1.5亿企业的存量数据全部纳入数据资产评估计价与入表,确实我国在短时间内实现全球GDP首位,被外媒臧否的企业缩表问题也不复存在。
根据《数据二十条》中提到的数据价值实现路径,数据要素的作用在于对其他要素边际生产力的提升,解决传统要素经过长期发展后边际收益递减、创新能力不足的难题,促进产业升级、提高生产效率、激发创新活力。《“数据要素×”三年行动计划》更提出了分行业分场景释放数据要素价值的重点方案,政策重心在于数据“复用”,在各类应用场景中对各产业“赋能”。数据利用的核心是将多种来源和格式的数据用于业务流程,提升决策成功度和运行效率。如果能作用于企业内部全流程,可以以数据驱动(Data Driven)实现业务的自动化、智能化;如果能克服数据定义不一致的困难,解决跨主体数据复用的安全合规难题,则能改善产业上下游的信息传递,实现从生产到销售、服务的柔性联动。但长期以来,数据口径难统一、专业门槛难跨越、跨主体数据复用的权责利难分配,使得“数据孤岛”横亘于一个个部门、一个个市场主体之间,影响着产业数字化的整体进程。“数据入表”只能动员企业意愿、规范企业行为,但并不能解决数据流通复用和要素价值释放的本质难题。如果将手段当目的,必然导致“虚火上升”和“纸面富贵”,而忽视了制度设计的初心。
2024年一季度根据三方智库统计,上市公司数据入表数量、金额和财务影响均极为有限:50000多家A股上市公司中,仅有18家上市公司披露了数据资源,涉及金额仅为1.03亿元。北京大学国家发展研究院黄益平院长提到的一项研究成果表明,“在利用上市公司的数据做了一些计量分析后,发现数据资产入表的效果十分有限。从股价看,资本市场对数据资产入表几乎没有反应,没有考虑到上市公司因为资产入表而使得其估值增加”。这也基本反映了上市企业的理性态度,其并未出于可做高当期利润或提高企业市值等目的而选择入表,而是仍然根据会计准则指引和自身业务特点来处理数据相关费项。
与其形成有趣对应的是,城投公司和类城投国企入表积极踊跃:国内已有50家城投公司和城投国企披露了入表,且已有12家凭借入表的数据资产顺利获得银行授信。这体现出了地方的政策导向,但使得城投类企业本身的债务结构和约束管理变得更为复杂。



(二)数商是最适配数据入表的企业,应通过完善技术平台和安全规范帮助其“去污名”,但不应对其规模和经济贡献做过高预期



为实现特定数字化转型目标,企业一般通过数据采集可以获取所需数据(一方数据),自身无法收集才会需要从其他市场主体获取(三方数据)。例如,饿了么为完成外卖配送和骑手调度,需要采集用户订单、商户菜品和骑手位置等信息,但为了实现在雨雪大风等恶劣天气时放慢派送,就需要外购天气数据。又如,某省海事局为实现“海事大脑”,需要采集各类船只基础信息、船员知识与技能信息、船运路线和状态数据,但如果要实现精准管理和服务船运企业,就需要集成天气数据。天气数据在不同产业数字化场景中都是有效补充,但不是主要组成部分。这种数据复用需求也会催生专业数商,对于天气数据进行整合和开发:在不同市场中复用度越高的数据,价值就越大,越能孵化专业数商,其数据也能“收益流入企业,成本可靠度量”,非常适配数据资产入表制度。


而一般企业的数字化转型主要是服务于自身业务目的。一方面,其投入的成本并非单为数据采集处理;另一方面,数字化转型所带来的收益也并不直接转化为经济收入,其目的主要在于自身业务优化带来成本降低或效率提升,这些收益或根据自身经营状态有起有伏,难以准确和稳定度量。此外,这些数据都会反映其业务特征,并涉及到安全合规等相关事宜。从上述饿了么和某省海事局两个案例就可以看出,订单调度派送数据涉及企业商业秘密,而骑手位置和用户地址涉及个人信息,海事局海上交通运行数据更涉及国家安全:这些数据量大质优,高度符合数据要素的价值释放路径,应该作为数据资源进行规范管理,但难以作为数据资产入表。三方数商也难以介入到这部分数据的生产运转中。
数商虽然是长期存在的类型企业,并在精准营销、信贷风控、开放银行领域发挥不可或缺的作用,但仍然不是产业数字化主体。现有典型数商,不管是长期收集个人数据的安客诚,还是新锐的提供银行间API接口的Yodlee,提供个人数据授权的MyData,或者是支持人工智能企业训练数据的海天瑞声,企业规模都不大,而且由于对个人信息保护的重视,老数商在国内外都有“污名化”问题。美国FTC和欧盟都先后发布法规对其业态进行定义,对其商业行为进行规制。通过隐私保护和数据处理透明度要求,同时明确数据流通复用中必须的匿名化处理标准,能让数商去污名并规范运营。但其产业价值在数据相关企业中并不突出,根据产业分析机构First Market Captial追踪连续12年的数据相关企业发展:2012年共有139家企业提供数据库和大数据组件、数据分析、数据产品和应用,但数商仅占13家,2024年数据相关企业版图扩展到惊人的2011家,但数商只有100余家,在整体数字产品服务市场中的占比从10%下降到6%,也没有一家全球知名企业在其中诞生。



(三)数据资源化、资产化、资本化需要理性区分,资源化是发展基础,资本化路径不可强求


数据资源化让数据变得可管可用,数据资产化让数据价值得到财务规则的认可,并在资产负债表中得到量化呈现,而数据资本化则是利用这些价值进行质押、融资等金融操作。观察开展数据入表的企业,部分企业,如为数据固权进行产权登记的贝壳找房,完成第一步数据资源化;18家上市企业在资产负债表中对数据资源以无形资产或存货进行披露,完成第二步数据资产化;12家城投和城投国企则借助资产入表得到地方金融机构的授信贷款,完成第三步数据资本化。
根据财政部会计司进行的专题讲解,《规定》也适用于按照准则规定尚不能确认为资产的数据资源:例如,其行业场景仍在发育的初期,缺乏统一的行业规范标准,不能满足“经济利益很可能流入企业”,或者由于其主要目的在于企业业务发展或经营改善,无法精准拆分数据采集、治理和存储的相关成本,不能满足“成本能够可靠计量”。如上文分析,这两种数据状态其实属于产业数字化的主流,也是后续数据向资产化转移的起点,也是数据资源大盘摸底的重要对象。数据资源的调研范围也更适宜聚焦在企业可以合法拥有或控制、而不符合资产确认的收益和成本标准的数据资源。
同时数据资本化被寄予厚望,但观察当前发展实际,城投企业以公共数据(例如水电气、城市交通、政务APP)入表,而地方金融机构授信贷款已经成为链路闭环。虽然在地方的小环境里体现了政策导向,但相对缺乏上市公司的财务和审计制度约束。中纪委在今年8月特别发布文章,要求深挖彻查资产评估造假:列举了国有资产在转让、抵押等过程中被低估或高估从而滋生的各种腐败问题,并明确指出“利用政务数据牟利成为新苗头”。
当前,地方财政紧张、城投债务压力激增,以数据入表可以绕过公共数据开放与授权运营管理的制度要求,增加财政收入并且发放贷款帮助城投公司化债,在海外发放REITS等新型资本化路径也在筹划中。但从当前数据资产评估成熟度和金融形势来说,数据资本化并非数据有效利用的必须路径,而数据资本化带来的次生金融风险则需要纳入地方金融风险管理的大盘中统一考虑。



写在最后















上世纪80 年代成立的国际数据管理协会(DAMA),定义了数据管理的主要框架:包括数据治理、数据开发和数据质量和安全等主要职能,以及相应参与者、技术工具和度量标准。DAMA更直接指出“数据管理的目标是最大化有效利用数据资产的价值。” 这也是产业界有据可查最早的关于“数据资产”的倡议。当时对数据价值尚未形成共识:在企业内,数据管理被认为是CIO的工作,但也是CFO控制成本的对象,如果大量技术和管理工作被用于提升数据的质量和安全性,却无法在财务价值上得到肯定,获得企业决策层的认同,就有了朴素直接的诉求:把治理好的数据视为资产一样管理。因此长期以来,企业数据资产关注的是数据利用是否符合业务需求,数据管理是否匹配业务目标,其含义与财务意义上的“资产”有较大出入。


当前,数据已经成为发展数字经济、进入智能化时代最关键的生产要素,经济学和法学基础理论都随着数据的影响不断研究和调测,数据资产的制度体系也在我国开创性地逐步完善。在此背景下,我们尤其需要回溯产业初衷,深刻理解数据的核心价值不完全在于其作为新型资产的财务评价或其作为生产要素的当期经济贡献,更在于它作为先进生产力对于社会进步与技术创新的持续、长期推动作用。




参考资料


1、《企业数据资源相关会计处理暂行规定》,中华人民共和国中央人民政府

https://www.gov.cn/zhengce/zhengceku/202308/content_6899395.htm

2、《中国企业数据资产入表情况跟踪报告(2024年第一季度)》,上海高级金融学院

https://www.digitalelite.cn/h-nd-8560.html

3、《Announcing The 2024 MAD Landscape》, First Market Capital

https://firstmark.com/story/the-2024-mad-landscape/

4、《黄益平:数据资产入表是一件好事,但一定要等到条件成熟了再做》, 财经ThinkTank,https://mp.weixin.qq.com/s/WyL3q-b2VYBlZ4oSxIYCQg


 版块介绍 — 治理之智 


在全球化背景下,科技的快速发展也带来了前所未有的治理挑战。本板块内容依托阿里巴巴集团先进的AI科技能力、丰富的应用场景与负责任的技术生态,聚焦于AI风险、AI大模型安全、AI大模型开闭源生态、AI大模型出海等AI治理政策研究,基于技术理性的风险观,为大模型发展与安全平衡与取舍提供独到见解。同时,我们致力于收集和分享海内外AI治理先进理论与经验,为构建合理的科技治理体系提供智慧与灵感。


推荐阅读

Reading

1、静水流深:美国人工智能治理的特征、趋势与启示

2、《中华人民共和国人工智能法(学者建议稿)》:产业期待中的中国方案

3、“不用旧瓶装新酒”:模型开源生态的认知——基于美国NTIA公共咨询意见的分析

4、寻找高质量数据:对“确定性”的实践探寻和思考

5、薛澜:人工智能面临治理挑战

6、合成数据:治理之智

7、合成数据:大模型训练和应用的新方案

8、合成数据:前世今生

9、“全球AIGC版权侵权首判”留下的三个问题

10、2024年中国数据治理前瞻:再平衡与新常态

11、走向AGI时代——关于AI发展与治理的十段观察

12、段伟文|如何应对前沿科技的核心伦理风险?

13、大模型数据之二|中美大模型的竞争之路:从训练数据讲起

14、大模型训练数据之一|大模型训练的“阿喀琉斯之踵”:数据这么近那么远?

15、ChatGPT这么牛,我们应该如何兼顾发展和治理?

16、治理之智 | 合成数据:模型能力跃迁的必经之路



继续滑动看下一个
阿里研究院
向上滑动看下一个

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存