精华内容
下载资源
问答
  • 重庆数据交易所,围绕确权难、定价难、互信难、入场难、监管难等关键共性难题,形成公共性数据资产交易所,提供数据资产交易平台,为各方提供交易的合法平台。 一是全国首发数商体系,全新构建“数商”新业态,涵盖...

    重庆打造“数据之都”,拟成立重庆数据交易所。重庆数据交易所,简称重数所

    重庆数据交易所,围绕确权难、定价难、互信难、入场难、监管难等关键共性难题,形成公共性数据资产交易所,提供数据资产交易平台,为各方提供交易的合法平台。

    一是全国首发数商体系,全新构建“数商”新业态,涵盖数据交易主体、数据合规咨询、质量评估、资产评估、交付等多领域,培育和规范新主体,构筑更加繁荣的流通交易生态。

    二是全国首发数据交易配套制度,率先针对数据交易全过程提供一系列制度规范,涵盖从数据交易所、数据交易主体到数据交易生态体系的各类办法、规范、指引及标准,确立了“不合规不挂牌,无场景不交易”的基本原则,让数据流通交易有规可循、有章可依。

    三是全国首发全数字化数据交易系统,上线新一代智能数据交易系统,保障数据交易全时挂牌、全域交易、全程可溯。

    四是全国首发数据产品登记凭证,首次通过数据产品登记凭证与数据交易凭证的发放,实现一数一码,可登记、可统计、可普查。

    五是全国首发数据产品说明书,以数据产品说明书的形式使数据可阅读,将抽象数据变为具象产品。

    重数所,拟采用,“数据可用不可见、数据可控可计量”为代表的新型数据交易体系。重数所,不采用原始数据交易的传统模式,而是选择以区块链、多方安全计算、联邦学习等前沿科技为底座的新型数据交易技术架构。在保护数据个人隐私、商业秘密、国家安全的基础上,探索不交换原始数据,基于数据计算结果的数据价值发现模式,并形成一系列交易创新、治理创新、生态创新体系。

    虽然全球经济发展放缓,再加上疫情对国内实体经济影响较大。但是数字经济发展在加速。

     据中国信息通信研究院发布《中国数字经济发展白皮书》显示,数字经济在逆势中加速腾飞,2020年我国数字经济规模达到39.2万亿元,较上年增加3.3万亿元,占GDP比重为38.6%,占比同比提升2.4个百分点,有效支撑疫情防控和经济社会发展。

    展开全文
  • 培育和发展数据要素市场已经成为当前和今后一段时期的重要课题。针对数据资产确权、定价以及数据市场规则、制度以及新型数据市场基础设施的研究也非常活跃。本文拟从微观的视角,就数据资产如何形成、...


    培育和发展数据要素市场已经成为当前和今后一段时期的重要课题。针对数据资产确权、定价以及数据市场规则、制度以及新型数据市场基础设施的研究也非常活跃。

    本文拟从微观的视角,就数据资产如何形成、交易以及数据资产市场的结构和功能作一些初步的研究和探讨。

     

    一、数据资产

    数据被确定为生产要素后 [1] ,数据资产的概念正逐渐形成共识。但数据如何从存储在介质上的电子记录成为数据资产的呢?

    1、数据资源资产化

    数据集(Data Sets)可以看作是数据资产市场的原子级结构[2] 。数据集通常都有明确的规范,包括数据从哪采集、采取什么样的格式记录等。每个数据集都可用元数据架构(MetaData)来描述。一个或多个数据集的所有数据构成数据资源(Data Resources)。

    数据资源并不能天然的成为数据资产,需要资产化的过程。一般的,数据资源只有经过确权,同时满足“可计量、可交付和经济价值可实现”的基本要件后,才可以称为数据资产(Data Assets)。事实上,很多数据资源由于种种原因(例如涉及公共安全、敏感隐私等),无法满足上述条件,因此不能成为数据资产,也就无法按照市场化的方式进行定价和交易。

    数据资源资产化(Capitalization)的一般过程示意图如下:

    数据治理、数据融合、数据安全、流程和规范等是数据资源资产化的主要内容。通过资产化过程,数据资源才能成为数据资产。数据资产的交易、流通就自然的形成数据资产市场。从前面的描述可以看出,数据资产市场是数据要素市场的一个子集

    确权是数据资产化过程中最重要,也是最核心的部分。数据产权(Data Property Right)的完整构成非常复杂 [3](见下图)。在实践中,很难逐项对这些数据权利(Data Rights)进行准确确权。有很多研究指出,数据产权是一种特殊的产权,建议拟定数权法(Data Rights Law)来规制数据产权,以激励相容为原则,促进数据资产的流通、交易 [4]。 在没有出台数权法之前,折衷的办法是,根据现有法律和市场的情况 [5],有选择的对一些权利进行确权 [6]。

     

    即便对于来自同一数据资源形成的数据资产,由于其权利构成不同,定价以及交付的方式也会截然不同。例如,有一个消费者的数据集,在资产化过程中,对是否能跨境使用设置了两种不同的权利属性,也就形成了两种不同的数据资产(只能在本国境内使用)和(不仅可以在本国境内,也可以跨境使用)。很显然,这两种资产的定价、交付方式都会有显著的差异。如下示意图表示同一个数据集经过不同的权利设置形成两种不同的数据资产:(拥有权利A和C)、(拥有权利A,B)。

     

    原始数据资源形成的数据资产,经过开发,也会形成新的数据资产。拥有不同数据血缘(Data Lineage)关系的数据资产如何进行融合、再加工形成新的数据资产的示意图如下:

     

    数据开发过程需要进行投资或做出创造性的活动,由此产生的新的数据资产的确权问题相比原始数据所有权确权更复杂、也更困难。这个问题可以形式化的表述如下:数据资产作为输入,经过生产函数 (数据开发过程的抽象)输出为数据资产。那么附属在上的权利如何、以及怎么在生产函数作用下变换?

    一种情况是,附属的权利在函数作用下始终保持不变。另一种情况是,附属的权利在函数作用下变化。当面临多输入的情况时,附属在各自资产上的权利的变换情况就更加复杂,确权就需要更完善的法律和技术手段来实现。

    数据资源及附属的权利属性是数字资产的核心内容。基于前面的描述,就可以将数据资产描述的示例如下:

    标准化、规范化的数据资产描述,是编制数据资产目录的基础。数据资产目录是数据资产注册、登记的一种形式,也是数据资产市场的重要基础设施之一。

     

    2、数据资产交付和交易

    数据安全以及隐私保护等法律法规的要求,决定了数据资产交付(Delivery)的形式。一般的,可以将数据资产交付归类为三种基本形式:

    1)直接交付(DD:Direct Delivery);

    卖方向买方开放数据资产的数据集的直接访问权限。买方可以通过APIs或其他技术方式读取、存储数据集中的数据。

    2)双边安全交付(BSD:Bilateral Secure Delivery);

    买方不能直接访问数据资产的数据集,只能将其处理数据资产的数据集的算法提交到双方约定的计算环境中(如TEE),执行计算后,得到计算结果。

    3)多边安全交付(MSD:Multiparty Secure Delivery)。

    多方按照协议约定,都不能直接访问彼此数据资产的数据集。只能根据需求,由数据需求方提交算法、多方参与数据供给,在安全、可信和隐私计算环境中进行计算,得到计算结果。

    DD交付形式简便、易操作和成本低,运用现有的基础设施就可以实现。在数据资产市场初期会得到大量的应用。但随着人们对数据资产的重视、财产观念的增强,特别是数据安全、隐私保护等的考量,这样的交付形式随着市场的逐渐完善,预计将会逐渐减少。

    在BSD、MSD这两种交付形式下,呈现出数据“可用不可见”和“交付即需计算”的特性。

    由于最大限度的保护了数据资产的安全性、隐私保护以及权属可控,这两种将会是数据资产交付的主流形式。上述几种资产交付方式的示意图如下:

    数据资产交付在时空维度上,即可以是持续的、固定连接的形态;也可以是按次数、按时间、按需连接的形态。这就决定了数据资产交易的多样性。但要实现这些更复杂、更动态的交付,需要富有弹性的数据市场基础设施(DMIs)来支撑和保障。

    由以上简短的描述,就可以看到,不同数据资产在权利构成、安全性要求、时空维度上差异很大;同时,由于数据资产“交付即需计算”的特点,将使得数据资产的交易条款(Transcation Terms)相比人们已经熟知的传统商品和服务的条款,会更复杂、需要一些新的合约履行的机制。由此,数据资产交易的商务合同,将不可避免的需要采用智能合约的技术来执行。

    商务合同的一些条款中,将会“嵌入”智能合约。这些智能合约将会和商务合同一起被得到执行。其中,智能合约将主要来管控数据资产的数据集能够按合同约定使用。数据资产交易合同履行的示意图如下:

     

    二、数据资产市场

    随着越来越多的数据资源资产化,就会形成种类繁多的数据资产。买家可以从市场上的数据资产目录中,搜索到想要的数据集,并通过数据经纪或数据交易所联系卖家,达成交易。数据市场基础设施为买卖双方的交易提供包括资产交收、清算结算等服务。

    将不同数据资产中的数据集进行融合——数据资源开发,并通过研发与之适配的算法,会生成新的数据资产(衍生资产)。由于数据集规模的指数级增长,这样的开发蕴藏几乎无限的可能。由此,可以推断,数据资产的种类将非常庞大,数据资产市场的结构也将是非常复杂的。

    1、数据资产市场的低阶结构

    数据资产直接交易形成的市场,可以称为一级市场。在这个市场中,买卖双方通过商务合同约定交易,并通过相应的DMIs进行和完成交易。

    随着交易持续进行,数据资产就可以产生现金流。依据现金流,可以对不同的数据资产进行估值。数据资产所有者就可以用其拥有的数据资产进行抵押、借贷、租赁、证券化、投资等传统金融化活动 [7]。例如,公共部门投入大量的数字基础设施,这些基础设施生成的数据资产可以作为发行债券的担保。

    除此之外,运用分布式记账以及区块链技术,将数据资产Token化,将使得数据资产更容易进行金融化所需要的诸如登记、质押、凭证和记账等要求。例如,当Z想要用他的数据资产在某个银行申请抵押贷款时,银行只需要将数据资产对应的Non-Fungible Token()进行锁仓即可实现 [8]。

    对于需要长时间、大量资金、人力投入才能开发出的高价值数据资产(例如,支撑某区域或城市自动驾驶车辆的整套数据集),其所有者或开发者联盟则可以发行该数据资产支持凭证的Token或Ulity Token的形式来融资。

    数据资产金融化、Token化形成的市场,可以称为二级市场。数据资产的价值可以用证券或Token来表达。需要指出的是,Token化之后的数据资产,可以开发更复杂、灵活的智能合约,满足市场的深度需求。

    对于那些需要长期使用某种数据资产的买家而言,他们自然的希望可以锁定价格波动的风险;卖家也希望能够规避各种风险。这些需求,可以通过以数据资产Token为基础资产,构建诸如期货、期权等衍生品市场得到满足和实现。

    数据金融化会极大的促进数据资产资本(Data Assets Capital)的形成。在数字经济中,很多初创企业更需要融数据资产资本,而不仅仅是货币资本。数据资产资本的投入不仅能够给企业带来数据资源,更重要的是,它能够将企业通过数据资本纽带“接入”到一个生态中,从而获得比没有获得数据资本企业更高的潜在增长。

    数据资产资本是数据资产市场发展到高级阶段的必然产物,也是释放数据要素生产力的高级形式。当前拥有巨大互联网“流量”的Big Tech公司通过股权投资或其他商业安排构建起来的数十万亿生态 [9]的本质就是数据要素在生态圈内充分分享和流通。这或许是数据资产资本形成的早期形态,可以预见,数据资产资本将会极大的促进更广泛和深入的数据要素流通和应用。

     

    2、数据市场的高阶结构(Hyper Structure)

    随着数字经济的发展,数据使用无处不在。数据市场的深度、广度将超过当前任何一个市场。其结构、功能都很难用某种已知的市场来描述,故采用高阶结构这个词来表示。

     

    首先,数据资产交易主体将延伸到智能机器。数据需求一侧的智能机器,不仅需要自主决策什么时候需要什么数据,而且也应该会“算账”,经济的使用数据,实现其有限最优的决策或行动目标。数据供给一侧的智能机器,则也同样的会根据天气、“需求”来生产数据、定价,并最终达成交易。

    这样就会形成M2M(machine to machine)或R2R(Robo to Robo)的数据资产交易市场。

    其次,出于共同的商业利益或其他目标考虑,一些市场玩家(政府或私人组织)会组织形成一些联盟,共同开发、利用某些数据资源,并约定排他性的准入条款。这就会形成以数据资产为纽带的“数据联盟”(Data Aliance)。在联盟内,数据资源在成员之间流通顺畅、交易成本大大低于联盟外的玩家 [10]。

    有些联盟处于利益最大化,或阻止其数据资源与外部进行交易,形成类似联邦治理体系的“数据联邦”。外部玩家须与其建立“外交关系”才能获取相关数据资产的使用授权。由于并不存在强制性的约定任何一方,因此为避免恶性的数据争夺、“数据战争”,需要采取数据外交的方式解决。数据外交指的是,在不同数据联盟(联邦)之间,就数据治理、数据安全以及数据使用等各个方面达成的共识或协议,并基于此,双方构建一种“互操作”的机制,使得双方在保证各自“数据主权”的前提下,实现数据价值交换的一整套方案。

    可以想象,由智能机器、诸如数据联盟(联邦)这样的实体或虚拟组织构成的数字新大陆上,数据就如同几千年前的丝绸一样,需要数据丝路这样的市场。

    最后,当数字技术发展到一定阶段后,虚拟世界与真实世界两个平行世界之间,也存在着大量的数据交互。无论在虚拟世界还是真实世界,都会形成大量的以数据为基础的数字资产(例如,AR虚拟人/数字人)。两个世界的数据资产流通、交易,同样需要构建完善的数据市场来满足需求。

     

    结论:

    培育和发展数据要素市场,促进数据要素共享、流通和交易,是数据资产市场的重要功能。数据资产市场发展到高级阶段,会极大的促进数据资产资本形成,提高潜在经济增长。

    由于数据的战略性、重要性和经济性凸显,会在主权国家、公司和机构、虚拟组织等不同层面上形成新的“数据地缘政治”版图,为了避免数据屏蔽、数据孤岛以及数据“战争”,数据外交的功能和作用凸显。

    数据市场的深度和广度超过以往任何一种市场。如何治理、监管真实世界、数字世界的全球数据市场,将面临很多挑战。中国作为数据大国、也是全球率先建立和鼓励数据市场建设的国家,应该在这方面积极探索、先期研究应该未雨绸缪,抓住制高点。

    [1]中共中央国务院2020年3月20日发布《关于构建更加完善的要素市场化配置体制机制的意见》,第六章第二十、二十一、二十二条,明确提出加快培育数据要素市场的意见。

    [2] NIST Big Data Interoperability Framework: Volume 2, Big Data Taxonomies。

    [3]《数据资产化之路》,德勤、阿里研究院,2020年

    [4]《数据产权的经济分析》,唐家要,2021年。 

    [5]《数字经济发展呼唤数据权利保护类法律》,姜伟,2021年。

    [6]《数据资产确权浅议》,张家林,2020年。

    [7]《数据要素资本化的实现路径》,杜庆昊,2020年。

    [8] NFT是一种非同质化Token的简称。详细介绍参见https://en.wikipedia.org/wiki/Non-fungible_token

    [9]《腾讯阿里的20万亿版图》,2020年

    [10]《The Open Data Economy Dilemma》,Data Republic

     

    编辑:于腾凯

    校对:林亦霖

    展开全文
  • 点击上方蓝字关注我们数据资产价值评估与定价:研究综述和展望尹传儒1,2,金涛1,2,张鹏1,3,王建民1,2,陈嘉一1,31清华大学-中国人寿财产保险股份有限公司工业安全大数据联...

    点击上方蓝字关注我们


    数据资产价值评估与定价:研究综述和展望

    尹传儒1,2, 金涛1,2, 张鹏1,3, 王建民1,2, 陈嘉一1,3

    1 清华大学-中国人寿财产保险股份有限公司工业安全大数据联合研究中心,北京 100084

    2 清华大学软件学院,北京 100084

    3 中国人寿财产保险股份有限公司,北京 100032

     

     摘要在数字经济时代,数据成为新的关键生产要素。数据资产作为一种新的资产形式,如何对其进行价值管理成为一个新的研究课题。通过文献研究,对国内外学者关于数据资产价值管理的研究成果进行系统梳理,在此基础上提出数据资产价值指数概念,用于衡量数据资产的相对价值水平;总结了运用层次分析法和层次分析法+模糊综合评价法计算数据资产价值指数的过程,并对其进行步骤分解;讨论了数据资产价值和价格、数据资产价值评估和数据资产定价之间的内在联系和区别,并对数据资产价值管理的未来研究进行展望。

    关键词数据资产 ; 数据资产价值指数 ; 数据资产价值评估 ; 数据资产定价

    论文引用格式:

    尹传儒, 金涛, 张鹏,  等. 数据资产价值评估与定价:研究综述和展望[J]. 大数据, 2021, 7(4): 14-27.

    YIN C R, JIN T, ZHANG P, et al.Assessment and pricing of data assets:research review and prospect[J]. Big Data Research, 2021, 7(4): 14-27.


    1 引言

    党的十九届四中全会首次明确数据可作为生产要素按贡献参与分配。中共中央、国务院印发的《关于构建更加完善的要素市场化配置体制机制的意见》提出,要加快培育数据要素市场。中共中央、国务院印发的《关于新时代加快完善社会主义市场经济体制的意见》提出,要加快培育发展数据要素市场,加快建设统一开放、竞争有序的市场体系,推进要素市场制度建设,实现要素价格市场决定、流动自主有序、配置高效公平。

    在数字经济时代,数据成为新的关键生产要素。加快推进数据价值化、发展数据要素市场是数字经济的关键。尹西明等人对数据要素价值化动态过程机制进行了研究。中国信息通信研究院发布的《数据价值化与数据要素市场发展报告(2021年)》提出数据价值化的“三化”框架,即数据资源化、数据资产化、数据资本化。数据资源化指使无序、混乱的原始数据成为有序、有使用价值的数据资源。数据资产化是指数据通过流通交易给使用者或所有者带来经济利益的过程。数据资产化是实现数据价值的核心,其本质是形成数据交换价值、初步实现数据价值的过程。数据资本化主要包括两种方式:数据信贷融资和数据证券化。

    数据资产化是数据要素市场发展的关键与核心。数据资产化的实现包括两个阶段:数据资产价值评估和数据资产定价。目前全球对数据资产价值评估和数据资产定价都有一定的探索,但还未到成熟可全面推广应用的阶段,相关的理论、技术和模型都还有待进一步研究和开发。

    本文通过文献研究,对国内外学者关于数据资产价值评估和数据资产定价的研究成果进行梳理,总结已有研究成果,对未来数据资产价值评估和数据资产定价的研究进行展望。

    2 概念和定义

    2.1 数据资产价值维度

    数据资产价值维度即数据资产价值实现的方式。

    同一数据资产在不同应用场景中体现出不同维度的价值。因此,同一数据资产在不同应用场景中的价值不同。

    2.2 数据资产价值和价格

    价格并不等同于价值,价格是价值的表现形式,价值是决定价格的基础。使用价值是指物品的有用性或效用,即物品能够满足人们的某种需要。在完全竞争条件下,商品的价格主要取决于使用价值和供求关系。在不完全竞争条件下,如存在垄断时,价值与价格的关系就会出现分离,因为定价权被独占。价格的差异与边际效用的差别有关。

    数据资产价值和应用场景紧密相关,在不同应用场景中影响价值的因素不同,价值也就不同。例如将同一健康医疗数据资产分别应用到健康医疗广告精准投放、健康险产品开发、健康医疗服务提供这3个不同的场景中时,其价值可能是不同的。

    数据资产不同于实物资产,其价格不仅受到使用价值与供求关系的影响,还受到数据资产自身特性的影响,一是数据资产的交易并不一定要以让渡数据所有权或使用权为前提,二是数据资产可以多次交易且交易行为不会造成价值减损。因此通常情况下,数据资产交易价格以其价值为基础,但价值远高于交易价格。

    在一定程度上,可以把数据资产的价格看成数据资产在单次交易中的价值体现。

    2.3 数据资产价值评估和数据资产定价

    对于数据资产价值评估和数据资产定价之间的关系,有学者做了一些研究工作。陆岷峰等人在对数据资产估值定价管理体制和运行机制进行研究时认为,应该把数据资产交易所划分为一级市场和二级市场,一级市场负责数据资产估值,二级市场负责数据资产定价,但没有明确估值和定价之间的关系。戴炳荣等人认为数据资产价值评估应该在数据资产化阶段完成,数据资产定价应该在数据资产运营阶段完成。

    笔者认为,数据资产价值评估和数据资产定价是数据资产价值管理过程中不同阶段的独立行为。数据资产价值评估是对数据资产的使用价值进行度量,与数据资产是否被交易无关。在一定的时间周期内,数据资产的价值是固定的,因此数据资产价值评估是一个静态行为。数据资产价值评估在数据资产化阶段实现。数据资产的价格是动态变化的,因此数据资产定价是一个动态行为。数据资产定价在数据资产交易过程中实现。在数据资产价值管理过程中,数据资产价值评估在前,数据资产定价在后。

    同时,数据资产价值评估和数据资产定价有着不可分割的内在联系。数据资产定价是在数据资产价值评估的基础上,考虑数据资产的供求关系和数据资产可以多次交易且交易行为不会造成价值减损的特性进行的。

    2.4 数据资产价值指数

    数据资产价值指数是指基于数据资产价值评价指标体系,运用层次分析法(analytic hierarchy process,AHP)和专家打分法等方法求得的表征数据资产相对价值水平的百分制数值。

    因为数据资产价值指数反映的是数据资产的相对价值水平,所以该指数可以作为可比数据资产的选择依据。

    国内外众多学者基于影响因素构造了数据资产价值评价指标体系,并运用层次分析法和专家打分法计算了一个表征数据资产价值的值,通常这个数值用百分制来表示。很多学者直接把这个值当作数据资产价值,但实际上这个值只反映了数据资产的相对价值水平,并不是数据资产的价值。

    2.5 可交易数据资产

    可交易数据资产是指国家法律法规允许交易的数据。

    3 数据资产价值评估研究综述

    通过文献研究发现,国内外学者针对数据资产价值评估的研究工作主要围绕数据资产价值维度、数据资产价值评价指标体系、数据资产价值指数、数据资产价值评估4个方面展开。

    3.1 数据资产价值维度

    符山以及中关村数海数据资产评估中心等对数据资产价值维度进行了研究。符山提出数据资产价值包括4个维度:效用价值、成本价值、战略价值、交易价值,如图1所示。中关村数海数据资产评估中心提出数据资产价值包括6个维度,如图2所示。

    图1   符山提出的数据资产价值维度

    图2   中关村数海数据资产评估中心提出的数据资产价值维度

    另一种代表性的观点是从内部应用和外部运营的角度来区分数据资产的价值维度,如图3所示。

    图3   区分内部应用和外部运营的数据资产价值维度

    3.2 数据资产价值评价指标体系

    参考文献对数据资产价值进行了研究,并且有些学者提出了数据资产价值评价指标体系。

    李然辉提出数据资产价值受到数据质量和数据应用两方面因素的影响,并构造了数据资产价值评价指标体系,如图4所示。

    图4   李然辉构造的数据资产价值评价指标体系

    上海德勤资产评估有限公司与阿里研究院在李然辉所提体系的基础上增加了风险维度,其构造的数据资产价值评价指标体系如图5所示。

    图5   上海德勤资产评估有限公司与阿里研究院构造的数据资产价值评价指标体系

    《电子商务数据资产评价指标体系》(GB/T 37550-2019)是我国数据资产领域的首个国家标准,其中提出的数据资产价值评价指标体系如图6所示。


    图6   《电子商务数据资产评价指标体系》中的数据资产价值评价指标体系

    高昂等人基于GB/T 37550-2019提出的数据资产价值评价指标体系如图7所示。

    图7   高昂等人提出的数据资产价值评价指标体系

    中关村数海数据资产评估中心携手Gartner构造了由12个影响因素组成的数据资产价值评价指标体系,如图8所示。

    图8   中关村数海数据资产评估中心携手Gartner构造的数据资产价值评价指标体系

    张驰在构建基于深度学习的数据资产价值分析模型时提出,使用颗粒度、多维度、活性度、规模度和关联度5个维度来衡量数据资产的价值,其中每个维度又可以细分为多个维度,具体见表1。

    3.3 数据资产价值指数

    文献中常用的基于数据资产价值评价指标体系计算数据资产价值指数的方法有层次分析法、专家打分法,以及层次分析法+模糊综合评价法等方法。其中,专家打分法用于为评价指标打分。

    使用层次分析法计算数据资产价值指数的步骤如下。

    ● 构建数据资产价值评价指标体系。

    ● 构造标度表。对于各个指标的权重,采取两两因素比较的专家打分法。在对两个因素进行比较时,需要有定量的标度。可以采用标度表方法,标度表见表2。

    ● 构造各级比较判断矩阵,并进行一致性检验。以李然辉提出的数据资产价值评价指标体系中的质量维度为例,其包括4个评价指标(即完整性、正确性、一致性、重复性),采用专家打分法,按照重要程度进行两两比较,构造比较判断矩阵,见表3。

    ● 计算各一级指标和二级指标的权重。

    ● 进行二级指标评分。

    ● 加权计算一级指标分数。

    ● 加权计算数据资产价值评价分数,即价值指数。

    使用层次分析法+模糊综合评价法计算数据资产价值指数的步骤如下。

    (1)构建数据资产价值评价指标体系。

    以梁艳[18]提出的数据资产价值评价指标体系为例,其包括3个一级指标:数据质量(Q)、数据容量(C)、数据应用管理(A)。其中,数据质量包括4个二级指标,即完整性、活跃性、唯一性、准确性;数据容量包括3个二级指标,即数据规模、数据类型、数据密度;数据应用管理包括3个二级指标,即数据挖掘、数据管理、应用维度。

    (2)构造标度表。

    (3)构造各级比较判断矩阵,并进行一致性检验。

    (4)计算一级指标和二级指标的权重。

    一级指标权重向量为[ω1ω2ω3],数据质量维度的二级权重向量为[ω11ω12ω13 ω14],数据容量维度的二级权重向量为[ω21 ω22 ω23],数据应用管理维度的二级权重向量为[ω31ω32ω33]。

    (5)构造数据资产模糊评价表,得到各一级指标对应的二级模糊评价矩阵。

    采用专家打分法,打分规则为百分制:81~100分记为强;61~80分记为较强;41~60分记为较弱;40分及以下记为弱。邀请10位专家进行打分,根据打分结果构造数据质量维度的模糊评价表,见表4。

    根据模糊评价表得到数据质量维度的模糊评价矩阵:

    (6)将二级指标权重向量乘以二级模糊评价矩阵,得到一级指标模糊评价向量。

    以一级指标“数据质量”为例,其模糊评价向量为:

    同理,可以得到另外两个一级指标“数据容量”“数据应用管理”的模糊评价向量分别为:[C1C2C3C4]、[A1A2A3A4]。

    (7)一级指标模糊评价向量构成一级模糊评价矩阵:

     

    (8)将一级指标权重向量乘以一级模糊评价矩阵,得到数据资产价值综合模糊评价向量:

    (9)构造分数对照表,见表5。

    (10)将综合模糊评价向量乘以分数对照表,得到数据资产价值评价分数,即价值指数。

    3.4 数据资产价值评估

    大多数学者和机构采用传统的成本法和收益法来评估数据资产价值,也有学者把人工智能技术运用到数据资产价值评估中,从而构造基于深度学习的数据资产价值评估模型。

    关于成本法和收益法用于数据资产价值评估的优势和局限性,有各种不同的观点,具体见表6。

    3.4.1 成本法

    在运用成本法评估数据资产价值方面,主要的研究成果包括如下3个方面。

    (1)上海德勤资产评估有限公司与阿里研究院提出使用成本法评估数据资产价值,模型为:

    被评估的数据资产价值=重置成本贬值 (6)

    或者

    被评估的数据资产价值=重置成本×成新率 (7)

    其中,重置成本包括合理的成本、利润和相关税费,成本除了直接、间接成本,还需考虑机会成本;贬值包括功能性贬值、实体性贬值和经济性贬值。

    (2)李永红等人使用成本法评估企业内部积累的数据资产价值,模型为:

    被评估的数据资产价值=初期准备成本+全运营周期的运营成本 (8)

    在李永红等人的模型中,忽略了数据资产的损耗。

    (3)林飞腾提出使用成本法评估数据资产价值,模型为:

    被评估的数据资产价值=重置成本功能性贬值-经济性贬值 (9)

    其中,功能性贬值影响因素包括安全性、适合性、准确性、互操作性、完整性。使用层次分析法对不同的因素进行确权,得到所有影响因素权重ω1、ω2、ω3、ω4、ω5;由专业的评估人员确定不同指标的贬值率M1、M2、M3、M4、M5;通过加权计算得到功能性贬值率:

     

    林飞腾认为,数据资产经济性贬值的表现形式为使用寿命因外界因素变化而引起的经济性贬值。但在国内,目前缺乏数据资产使用寿命的相关法律条文,数据资产未能与一些专利技术一样有具体的保护年限,因而难以判断数据资产的使用年限。故数据资产的经济性贬值不应当体现在使用年限上,而应当体现在数据资产的有效性上,换言之,数据资产是否能够继续有效使用以及能够有效使用的范围受到外部因素影响。因此,需要评估人从数据资产的有效性这一角度出发,综合判断数据资产的经济性贬值。

    上述3个模型都没有考虑数据资产的特性导致数据资产价值很可能高于数据资产成本的问题。

    3.4.2 收益法

    在使用收益法评估数据资产价值方面,主要的研究成果包括如下两个方面。

    (1)李永红等人使用收益法评估数据资产价值,模型为:

    其中,V表示评估价值,n表示数据资产预期产生收益的期限,Rt表示第t年数据资产的预期收益,i表示折现率。

    李永红等人的模型没有考虑在风险因素的影响下,数据资产价值在收益期限内可能发生贬值的问题。

    (2)梁艳提出使用多期超额收益法评估数据资产价值,模型为:

    其中,V表示评估价值,E表示企业的自由现金流,Ew、Ef、Ei分别表示流动资产贡献值、固定资产贡献值、除数据资产外的其他无形资产贡献值,K表示数据资产价值调整系数,i表示折现率,n表示收益期限。

    在梁艳的模型中,首先从会计计量角度给出了企业自由现金流、流动资产贡献值、固定资产贡献值、除数据资产外的其他无形资产贡献值以及折现率的预测或计算方法;其次,使用层次分析法和模糊综合评价法相结合的方法计算数据资产价值调整系数。数据资产价值调整系数的计算过程为:构建数据资产价值影响指标体系,使用层次分析法确定指标权重;使用模糊综合评价法计算数据资产价值调整系数。

    3.4.3 基于深度学习的数据资产价值分析模型

    张驰提出基于深度学习的数据资产价值分析模型,基本分析过程如下。

    (1)构造数据资产价值评价指标体系,见表1。

    (2)提出基于5个特征维度(颗粒度、多维度、活性度、规模度、关联度)的数据资产价值分析模型框架,该框架包括输入层、隐含层、输出层和价值计算式。数据资产价值计算式为:

    其中,V表示数据资产价值,G表示颗粒度,D表示多维度,A表示活性度,S表示规模度,R表示关联度,G、D、A、S、R∈[0,10]。

    (3)运用深度学习方法,计算G、D、A、S、R 5个特征维度的值。

    (4)将5个特征维度的值代入数据资产价值计算式,即可求得表征数据资产价值的数值。需要指出的是,此处求得的数值表示的是数据资产的相对价值,即数据资产价值指数。

    4 数据资产定价研究综述

    4.1 数据资产定价策略

    参考文献对数据资产定价策略进行了研究,见表7。

    此外,汪靖伟等人提出了一个基于区块链的数据市场框架,分析和讨论了这个框架中的安全性和隐私性问题及对应的解决方案。这样一个数据市场框架为数据资产定价提供了基础。

    4.2 市场法定价模型

    在使用市场法进行数据资产定价方面,主要的研究成果包括如下3个方面。

    (1)上海德勤资产评估有限公司与阿里研究院提出的市场法数据资产定价模型为:

    被评估的数据资产价格=可比数据资产市场交易价格×调整系数 (14)

    其中,可比数据资产是指交易背景相同或相似的数据资产。

    (2)刘琦等人提出的市场法数据资产定价模型为:

    被评估的数据资产价格=可比数据资产价格×技术修正系数×价值密度修正系数×期日修正系数×容量修正系数×其他修正系数 (15)

    其中,可比数据资产的可比性主要体现在两点:类型相同、用途相同。

    在修正系数计算方面,技术修正系数考虑了6个价值影响因素:数据获取、数据存储、数据加工、数据挖掘、数据保护、数据共享。使用层次分析法对不同的因素进行确权,得到所有影响因素权重ω1、ω2、ω3、ω4、ω5、ω6;采用专家打分法,分别对可比数据资产和被评估数据资产的6个指标进行打分,得到可比数据资产和被评估数据资产的6个指标比值:

    (3)李永红等人在2017年提出的市场法数据资产定价模型为:

    其中,V表示被评估的数据资产价格,n表示可比数据资产数目,Vi表示第i个可比数据资产的市场价格,ki表示第i个可比数据资产根据各项指标确定的综合调整系数。

    李永红等人在2018年提出的市场法数据资产定价模型为:

    其中,V表示被评估的数据资产价格, V1~V5表示选取的5个可比数据资产的价值,K1~K5表示利用关联度确定的5个可比数据资产的权重。

    为了确定5个可比数据资产的权重,首先要确定数据资产价值影响因素,包括6个数据量与数据质量指标(企业规模、数据覆盖程度、数据完整性、数据外部性、数据时效性、数据相关性)和3个数据分析能力指标(信息系统、人才技能、消费者需求),利用层次分析法计算出每个指标的权重ωj;然后利用灰色关联分析法计算关联度ri,选取关联度最高的5个数据资产作为可比数据资产,进而计算5个可比数据资产的权重ki

    4.3 其他定价模型

    还有其他学者从不同的角度提出数据资产定价模型。李希君提出了基于数据信息熵的定价函数:

    彭慧波提出基于元组的数据定价模型;赵丽等人提出基于价格区间的三阶段讨价还价模型;王婷婷在拍卖模型中引入信用评分机制;董祥千等人基于博弈论提出基于利润最大化的数据资产定价模型等。

    5 结束语

    本文首先对数据资产的相关概念进行了定义,然后梳理了国内外学者对数据资产价值评估和数据资产定价的相关研究工作,这些研究工作涵盖了数据资产价值维度、数据资产价值评价指标体系、数据资产价值指数、数据资产价值评估、数据资产定价等方面。这些研究对数据资产价值评估和数据资产定价的开展起到了一定的促进作用,但现阶段的研究仍面临以下问题。

    ● 数据资产价值评价指标体系主要考虑数据资产特性对价值的影响,对数据资产类别和数据资产价值维度考虑较少。

    ● 使用收益法和成本法评估数据资产价值仍有很大的局限性,比如数据资产收益期限的确定,使用成本法时如何弥补成本和价值的差异,使用收益法时如何考虑风险因素导致的收益损失等,这些问题都还没有很好的解决办法。

    ● 基于深度学习、信息熵等新技术的数据资产价值评估和定价方法还不能落地实践。

    针对上述问题,提出如下展望。

    ● 对数据资产类别和数据资产价值维度进行系统研究,基于数据资产类别和价值维度构造数据资产价值评价指标体系。

    ● 针对数据资产收益期限进行研究,提出基于数据资产类别和应用场景的数据资产收益期限确定方法。

    ● 针对可比数据资产的选取进行研究,提出具备可操作性的可比数据资产选取方法和技术方案。

    ● 针对使用收益法评估数据资产价值时因风险因素而导致的价值损失问题进行研究,提出具备可操作性的价值调整系数计算方法。

    ● 加强人工智能等新一代信息技术在数据资产价值评估和定价领域的应用研究。

    作者简介

    尹传儒(1975-),男,就职于清华大学软件学院,主要研究方向为大数据管理、数据安全、数据估值。

    金涛(1980-),男,清华大学软件学院讲师,主要研究方向为大数据管理、数据安全。

    张鹏(1981-),男,中国人寿财产保险股份有限公司处长,主要研究方向为责任意外保险政策。

    王建民(1968-),男,清华大学软件学院教授、院长,清华大学大数据研究中心执行主任,主要研究方向为大数据管理、时序数据管理、工业软件。

    陈嘉一(1970-),男,中国人寿财产保险股份有限公司责任意外保险部/健康保险部总经理,主要研究方向为责任意外保险和健康保险政策。

    联系我们:

    Tel:010-81055448

           010-81055490

           010-81055534

    E-mail:bdr@bjxintong.com.cn 

    http://www.infocomm-journal.com/bdr

    http://www.j-bigdataresearch.com.cn/

    转载、合作:010-81055537

    大数据期刊

    《大数据(Big Data Research,BDR)》双月刊是由中华人民共和国工业和信息化部主管,人民邮电出版社主办,中国计算机学会大数据专家委员会学术指导,北京信通传媒有限责任公司出版的期刊,已成功入选中国科技核心期刊、中国计算机学会会刊、中国计算机学会推荐中文科技期刊,并被评为2018年、2019年国家哲学社会科学文献中心学术期刊数据库“综合性人文社会科学”学科最受欢迎期刊。

    关注《大数据》期刊微信公众号,获取更多内容

    展开全文
  • 数据资产经营是在数据资产管理体系的基础上,筹划数据资产在企业或组织间进行共享、交交易、合作等,让数据资产良性流动的过程。 换个角度看问题 但是上图有一个不太恰当的地方:给人的感觉是数据治理的范围最小,...

    94fe8ae17509db7a02323240b8642db4.png

    编 辑:彭文华

    来 源:大数据架构师(ID:bigdata_arch)

    彭友们大家好,我是你的老彭友。

    今天群里又炸了,一位朋友在群里提了一个问题,想解答他的一些问题:

    38fe39eccdf5d2d0be75ae1c28f1dfde.png

    后面一大堆人在哪里讨论啊,非常热烈,说啥的都有。我忙到飞起,压根没时间思考,只好回家看看了。

    527fb7b9ccf4606a70f48338dccb0815.png

    数据治理和数据资产管理

    先给大家看一张图:

    fe13306824438898268bf76b86ef6d42.png

    不得不说,图形的表达能力比语言要强多了。这张图,把数据治理、数据资产管理、数据资产运营的关系展现的淋漓尽致。

    数据治理的目的就是让数据更准确、一致、完整、安全、可用,降低总体拥有成本;

    数据资产管理就是在数据治理的基础上,对数据资产的行程、确权、价值评估等相关活动进行管理的过程;

    数据资产经营是在数据资产管理体系的基础上,筹划数据资产在企业或组织间进行共享、交交易、合作等,让数据资产良性流动的过程。

    affb5e2172a54d4a49830f1d8b19f691.png

    换个角度看问题

    但是上图有一个不太恰当的地方:给人的感觉是数据治理的范围最小,数据资产经营的范围最大。

    我倒是觉得应该换一个角度,用双轴表示是比较合适的,一个是时间轴,一个是价值度。大概是这样的:

    e6fda68a14e16ff905144a151390ee9b.png

    数据治理在前,数据资产管理、数据资产经营在后。但是数据治理环节基本上不直接产生价值,而且绝大多数时间,属于成本中心,是花钱的事儿。

    数据资产管理就开始见到效益了,不过一般还仅限于企业内部,用数据资产赋能于各条业务线。

    数据资产经营就不在囿于企业内部了,一般会联合产业上下游,进行数据共享、交换。比如说一些企业就会把内部库存的信息与原材料供应商打通,实现零库存。

    而之前实现零库存的方法基本上都是靠供应商不停的超量供应实现的。现在不需要了,等库存差不多再送过去也不迟。

    bb58fd666a13e23d82abeab85ef73374.png

    到底怎么理解?

    其实理解三者关系很简单。我们把数据当做生产资料来对待,解释数据治理和数据资产管理就很简单了。

    假设,现在你家有座铁矿72c6ca06a47caf5d3edd7780f80b8419.png87fca1c2de7883675f9dfccf3105d7f7.png68bdd8ce616fccd250b6268433c229fb.png

    这些矿都在地下埋着呢,你需要探矿、挖坑、采矿、选矿、洗矿,最后把深埋在地下的自然资源整理成为可以交易的成品铁矿石。这就是“数据治理”。

    22d3fd17860f69bc088d060e4be189b7.png

    但是矿很便宜,都是论“吨”为单位计算的。所以你建了一个炼钢厂,把矿进行精炼,加工成更加值钱的金属铁存储在仓库中准备对外销售。

    还有一些伴生的矿,也对应提炼成其他各种金属。矿渣也别扔了,可以用作他用。所有的资源都得到充分的利用,这就是“数据资源管理”。

    到这一步还不够,金属铁的价格波动很大,而且经常受到二道贩子的欺负。于是你们家去参加展会,联系到更多的上下游企业,把生意往前延伸一些,把铁卖给加工厂、生产用品厂,联合大家一起把矿石变成更值钱的商品,这就是“数据资源经营”。

    30ffafc5e77cdb26d7afb843e479a8e8.png

    数据治理平台与数据资产管理平台

    回到彭友的问题:A厂商叫“数据管控平台”,B厂商叫“数据治理平台”,C厂商叫“数据资产管理平台”,各自叫法不一样,怎么理解?

    唉...反正事儿是这么些事儿,至于他们怎么定位,具体做那些事儿,产品能解决那些问题,往上面讲的数据治理、数据资产管理、数据资产经营上面套就行了。

    不具体,没法讲了。

    更多精彩:

    数据管理和数据治理那个大?

    主数据如何落地?建主数据系统统一管控还是各自管理?

    数据治理是七分管理、三分技术

    快手是怎么做数据存储成本管理的? 

    数据资产建设的灵魂三连问

    什么是数据地图、血缘分析和数据资产?

    数据资产化的前提-浅谈数据治理体系的建设

    ce465f53f65262144e7acf886a3c9c4a.gif

    排版 | 老彭

    审校 | 老彭  主编 | 老彭

    展开全文
  • 2021-2027全球与中国数字资产交易所市场现状及未来发展趋势 本文研究全球及中国市场数字资产交易所现状及未来发展趋势,侧重分析全球及中国市场的主要企业,同时对比北美、欧洲、中国、日本、东南亚、印度等地区...
  • 数据资产价值评估常用方法及对比

    千次阅读 2020-12-21 09:45:23
    利用成本法对数据资产价值评估时,需基于形成数据资产的历史成本开展。数据资产的成本和价值具有弱对应性,其成本具有不完整性。成本法对有些数据资产价值评估存在一定合理性,比如,以成本分摊为目的的数据资产价值...
  • 然而现实中,企业对数据资产的管理和应用往往还处于摸索阶段,数据资产管理面临诸多挑战。同时,数据资产管理在实践过程中,还需要依托具体的软件工来执行,那么如何站在大数据视角规划建设数据资产管理平台呢? ...
  • 早在五年前,数据是21世纪“新石油”...当前,数据要素的重要意识已经深入企业内部,但从数据要素到数据资产化的过程中,企业面临诸多困扰:数据要素如何采集?如何存储与保障数据安全?如何进行数据的处理与分析?如何...
  • 摘要本文阐释数据资产数据资产价值评估的概念,分析和总结了数据资产价值评估的一般方法及其优缺点,经比较分析得出基于业务收益评估数据资产价值具有一定的可行性。本文提出了基于业务计划和收益的...
  • 在如今的数字经济时代,数据已成为驱动商业模式创新和发展 的核心资源。数据关系到企业发展、科技进步、社会秩序稳定, 甚至已成为各国的核心竞争要素。数据资产化是数据市场发展的必然趋势。数据资...
  • 2021年1月6日 发布了《海南省实施区块链应用示范揭榜工程方案》 为贯彻落实《海南自由贸易港建设总体方案》和...该揭榜工作旨在将区块链技术与应用的高新技术产业、电子政务、文旅消费、金融贸易、医疗康养、现代农业
  • 社会个体在各服务平台上的行为数据,城市在运输、贸易、气象等,随着时间的积累,这些历史数据将有力的支持政府与企业进行资源调度、决策运筹等一系列决策、经营活动,这就是数据的核心价值所在。 在数据时代,掌握...
  • 摘要:标签类目体系方法论是一种将数据资产按照树状结构组织的方法, 根目录为对象, 枝干分支为类目, 叶/花末端为标签。资产结果分为资产清单和资产实体两 大部分, 它们可以通过服务管理工具快速配置成可供业务使用的...
  • 一、研究背景随着互联网时代的洗礼和数智融合时代的到,中国的企业对数据资产方面的价值已经有了充分认可。企业大数据市场发展已经进入成熟期,先后经历了四个发展阶段,如今已经迈入数智融合阶段,开...
  • 最新消息,万众瞩目的全球领先的数字资产交易平台PAPI (Android版本)将在今天20:00正式上线了,接下来PAPI交易平台(IOS 版本)也将于5月31日隆重登场,PAPI平台代币也将在近期上线。PAPI平台的上线开启了数字资产...
  • 一、数字货币走出多段上升趋势,交易所发展喜忧参半随着数字货币领域的不断发展,越来越多的人将数字货币作为一种新兴的投资标的,承担着货币兑换、市场拓展、产品设计、风险调控等多种重要角色的交易...
  • 点击上方蓝字关注我们 《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中提出:建立健全数据要素市场规则。统筹数据开发利用、隐私保护和公共安全,加快建立数据...
  • 作者|中国软件网 海比研究院---随着企业数字化转型的深入,企业对于挖掘数据资产价值有了更高的要求,数据资产的变现和增值就是重要方向之一。同时,对于数据资产的开发、部署、管理、监控迫切...
  • 他希望快点完成这个交易,把后路给断了,没了后路就不用怕什么了,谁说的来着,想要翻过一堵高墙,最好的办法是先把自己的帽子扔过去,这样你自然就有了翻墙的决心。 补天的厂商分为专属SRC,公.
  • SAP 固定资产数据

    2021-01-12 09:31:53
    当财务上要做一件与固定资产有关的交易,如购置,首先必须在固定资产数据中去创建它,然后才能在财务上开始与之相关的业务 [@more@] 在系统中,对于固定资产的大部分业务是系统自动完成的,所以如下的内容是有...
  • ↯ 前言TokenInsight Research 《2020年度数字资产现货/期货/期权交易行业研究报告》显示,数字资产现货、期货和期权2020年交易量分别达21万亿、12万亿和772亿...
  • ↯ 要点总结1. $772 亿成交量2020年全年,除却Binance与FTX的奇异期权产品,数字资产衍生品期权市场成交量报$772.05亿。受牛市影响,第四季度期权市场表现突出,成交...
  • 交易所对接指南

    2021-07-31 00:20:03
    交易所对接时,主要处理这两种类型资产的充值、提现等操作。neo-cli作为客户端,在P2P网络中充当一个普通节点,同时,该程序也是一个跨平台的钱包,处理各种资产的相关交易。综上,交易所对接需要完成以下操作:在...
  • 近日,北京国际大数据交易所(以下简称“北数所”)基于自主知识产权开发的数据交易平台IDeX系统上线。据了解,北数所IDeX系统是国内首家利用综合数据技术、探索数据交易创新模式的新平台,依托在隐私计算、区块链及...
  • 为贯彻落实党中央、国务院关于大数据相关重要指导意见,加快培育数据要素市场、充分发挥数据作为生产要素的独特价值,2020年数据资产管理大会于12月18日在京隆重召开。本次大会由中国信息通信研究院、中国通信标准化...
  • 中国金融资产交易行业市场调查及投资趋势预测分析报告2021-2027年 +++HS++++HS+++HS+++HS++++HS++++HS++++HS++++HS+++HS+++HS++++ 【撰写单位】:鸿晟信合研究院 第1章:中国金融资产交易行业发展综述 1.1 金融资产...
  • 当下,信息化时代正迅速迈向数据时代,数据流将成为激活人流、物流、技术流、资金流、商贸物流的关键载体,数据也将实现从数据资源到数据要素到数据资产再到数据资本的转变。针对数据交易确权难、定价难、互信难、...
  • ↯ 要点总结1. $12万亿成交量2020年,TokenInsight共获取数字资产衍生品行业43家交易所相关数据,数字资产期货市场成交量报$12.31万亿,较2019环比增长402%...
  • 随着全球市场的快速发展,由于全球用户对数字资产交易平台的需求不断增加,许多投资者纷纷进入区块链领域,即数字资产交易平台,并在今天达到了数字资产交易平台的地位。 其实区块链交易所还是比较好理解的,区块链...
  • 比特币价格在过去两天内恢复了上涨势头,在本周二早上触及2021年3月的高点54822美元。早在2020年12月,人们注意到中心交易所的比特币存量跌至三年低点,今年比特币的交易所余额继续暴...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 43,969
精华内容 17,587
关键字:

数据资产交易所