查看原文
其他

专题丨数据资产价值计算研究与实践

黄登玺,潘学芳 信息通信技术与政策 2022-12-10
※  信息社会政策探究的思想库  ※※  信息通信技术前沿的风向标  ※


作者简介




 黄登玺 

中国光大银行数据质量管理处处长,主要从事数据资产、数据安全、外部数据等方面的工作。



 潘学芳 

中国光大银行数据资产管理团队主管、数据治理专家,主要从事数据治理、数据资产运营、外部数据管理等方面的工作。


论文引用格式:

黄登玺, 潘学芳. 数据资产价值计算研究与实践[J]. 信息通信技术与政策, 2022,48(2):29-36. 


数据资产价值计算研究与实践


黄登玺  潘学芳


(中国光大银行,北京 100031)


摘要:基于传统的资产评估的方法,充分考虑数据资产的可共享等特性,将数据质量、数据应用效果等属性作为影响因子,提出适用于数据资产的货币化价值计算方法,并以光大银行的数据资产为计算对象,实现数据资产的价值计算。

关键词:数据资产;估值;数据要素

中图分类号:TP309.2     文献标志码:A

引用格式:黄登玺, 潘学芳. 数据资产价值计算研究与实践[J]. 信息通信技术与政策, 2022,48(2):29-36.

DOI:10.12267/j.issn.2096-5931.2022.2.006


0  引言


随着数据在推动产业升级和千行百业的数字化转型过程中持续发挥不可替代的作用,加快数据要素流转交易、激发数据资产价值转化,已经成为未来数字中国建设的关键引擎。与土地、劳动力、资本等其他市场化生产要素不同,我国数据要素的市场化水平仍处于初级阶段,在共享、交易流通等方面仍面临诸多挑战。数据确权、数据估值、数据交易是数据要素市场化的三大关键点,其中数据资产估值为数据要素流通提供价值衡量基础,对数据资产价值进行估值及进一步定价,为推动数据要素市场建设将起到积极的作用。数据资产的价值一直以来都是用“黄金数据”“数据使用”“高价值数据”等进行定性描述,数据资产货币化度量能够有效助力科学、高效地计量数据资产价值,统一数据价值认知,推动数据在各个业务环节发挥潜在价值,并进一步完善数据资产管理体系。


1  数据资产估值理论研究


在“万物皆数”的时代,每分每秒都在产生海量的数据。那么这些数据中哪些是有价值的? 这些数据资产与传统资产不同的特点,是否会影响数据的价值? 根据对国家标准、行业指引、专业文献、市场上的数据产品等方面的研究,结合对数据的定义和资产的定义,将数据资产定义为:由企业合法拥有或控制,预期在未来能够为企业带来经济利益的,以电子方式记录的数据资源。同时,数据资产具有依托性、可加工性、形式多样性、多次衍生性、可共享性、价值易变性、零成本复制、非实体及无消耗性八大特性。数据资产特征将在后续的具体评估方案设计中体现于参数选择、参数计算、对象划分等各个阶段,是数据资产评估的必要前提假设。


通过相关法律、规章及行业标准等文件,对当前数据资产估值尚无权威统一的法律准则或方法体系。从学术研究及各行业实践案例来看,当前数据资产估值方法总体可分为货币度量方法及非货币度量方法两类。货币度量方法以传统资产评估方法为代表,主要包括成本法、收益法以及市场法三大类,此外还包括浪费价值、风险价值等创新货币评估模型,从数据缺失可能带来的资源浪费和风险规避等角度,反向论证数据资产在企业中的价值。货币度量方法的评估结果能够直接与其他货币价值相比较,从而带来直观的价值体现,但总体实操难度较大,此类方法在国内外企业中几乎无成功实践案例。非货币度量的方法能够在一定程度上反映数据资产自身的价值变化情况,满足对数据资产的管理目的,但由于缺乏量纲的先天缺陷,在可比性方面较为不足,且难以为数据要素的流通交易提供参考。


本文以货币度量数据资产价值为目标,对货币度量的方法从核心思路、优势、劣势进行比较,并从客观性、易用性、价值性三个角度综合评分,三星为目标值,客观性指计算方法使用参数的客观程度,易用性指计算方法在操作过程中的难易程度,价值性指在数据要素市场环境下更容易认可的价值接近程度,具体比较结果参见表1。

表1  货币度量方法对比表


2  数据资产估值方法

本次数据资产估值核心方案主要包括“算什么、怎么算、计算”三大步骤(见图1)。其中,“算什么”主要是明确计算什么资产、算到什么粒度;“怎么算”主要是将货币度量及非货币度量方法相结合,形成创新的数据资产价值计算方法体系,构建通用估值参数;“计算”部分则从实施角度分析不同类型数据资产如何选择估值方法,结合各对象细化具体算法和估值指标,并推动实际采集与计算流程。
图1  数据资产估值核心方案

2.1  “算什么”明确计算对象和颗粒度综合考虑数据资产本身“可加工性”的特点、数据资产价值的实现方式及数据资产管理的需求,构建了数据资产分类框架,将数据资产分为原始类、过程类和应用类三大类(见图2)。
图2  数据资产分类框架

(1)原始类数据资产是通过外部采购或行内采集而来的明细数据,可以为后续数据加工应用提供原始信息,根据数据来源将原始类数据资产分为外部获取类和内部采集类两大估值对象。
(2)过程类数据资产是原始类数据资产和应用类数据资产之间的过渡阶段,为数据进一步开发和应用提供清洗后的、统一的轻度汇总数据。过程类数据资产通过数据仓库、大数据平台、数据中台等对原始类数据资产汇总加工形成,总体作为一个估值对象进行估值。
(3)应用类数据资产是面向实际的数据需求,以原始类和过程类的数据资产为基础,通过数据汇总、挖掘等加工方式得到的个性化的统计数据或数据产品,可以直接应用于业务部门,支持业务相关工作的开展和收益的提升。考虑到与收益的对应性,将其分为收益提升类和统计支持类两大类数据资产。收益提升类数据资产是指在业务开展环节中,输出业务洞察,直接赋能产生业务收益的数据资产,包括模型、数据产品等,此类数据资产由于和收益的对应性较强,可结合业务领域细分具体价值点,共确定了14类估值对象。统计支持类数据资产则主要通过统计汇总等方式对原始类及过程类数据资产进行分析,可用于经营分析、监管报送等,全面、深入、准确地体现企业的运转情况及发展趋势,支持业务部门开展相关工作,此类数据资产可总体作为一个估值对象。
2.2  “怎么算”确定计算公式和参数在综合考虑当前两大类评估方法的基础上,本方案以货币度量方法为核心目标,同时将数据资产特有的非财务特征和评价维度纳入考虑,作为对货币度量方法的修正,最终构建了优化的数据资产估值方法体系,共设计通用计算参数111 个,可供各行业开展数据资产估值参考借鉴。
(1)优化成本法是在传统成本法的基础上,考虑到数据资产价值往往远大于成本的特点,通过合理收益率、综合调节系数两大重要参数,引入数据质量、数据规模等影响数据资产价值实现的因素。使用成本法执行数据资产评估业务时,为弥补成本和价值对应性相对较差的问题,一般结合市场均值或企业本身历史盈利数据确定此类资产的合理利润,以反映资产的真实价值,另外还需引用影响数据价值实现的各因素对数据资产合理利润率进行修正,综合评估数据资产价值。具体估值公式为P=HC×S×(1+R×U)。其中,P为评估结果,HC为数据资产历史成本,S为重置系数,R为数据资产的合理利润率,U为利润调节系数。
(2)优化收益法综合收益提成法和增量收益法的思想,估算数据资产预期经济收益折现到估值时间点的价值,并引用影响数据资产对收益增量贡献度的各因素对数据资产收益提成率进行修正,综合评估数据资产内部价值。不同对象的收益估值公式不同,以信用风险管理放款后算法模型为例,其公式为:

• Fn表示估值时间点后第n个收益期,算法模型输出的价值折现到估值时间点的价值;T-1表示历史数据采集起始时间点(在模型投产前),T0表示模型投产时间点,T1表示估值时间点,t表示1个收益期的长短。
• OL1n表示假设未应用模型情况下,预测在第n个收益期末全行逾期贷款总额,是通过历史逾期贷款数据拟合回归函数OL1n= g1(T)得到,其中T=(T1-T-1)/t+n,表示从历史数据起始时间T-1至第n个估值收益期末的时间范围。
• OL2n表示应用模型情况下,预测在第n个收益期末全行逾期贷款总额,是通过模型应用后历史逾期贷款数据拟合回归函数OL2n= g2(T)得到。
• P1loss表示模型应用前平均损失概率,P2loss表示模型应用后平均损失概率,是通过行内历史逾期贷款信息,计算全行逾期贷款损失概率得到,其值分别假设为15%和10%;f1(OL1n,P1loss)是关于OL1n和P1loss的逾期贷款损失金额计算函数,可以获得在第n个估值收益期末,假设未应用模型情况下,预测逾期贷款损失总额;f2(OL2n,P1loss)则表示在第n个估值收益期末,应用模型情况下,预测逾期贷款损失总额;据此,f1(OL1n,P1loss) -f2(OL2n,P2loss)即为模型应用后逾期贷款损失金额的减少。
• OL1n-OL2n表示模型应用后逾期贷款金额的减少,ΔR为平均利差,假设为3%;ir为利差平均增长率,假设为2%。假设减少的逾期贷款可作为贷款资金来源再外借出去,其获得的利差收入就是模型输出的价值之一,因此通过模型应用后逾期贷款金额的差值和各收益期平均利差可得到模型应用后逾期贷款金额减少带来的收益增量。
• f(Q,D)为综合调节系数,用来修正估值结果以计量通过模型应用产生的实际价值。其中,参数Q为质量调节系数,根据专家对该类模型的业务角度应用效果优良程度和技术角度明细数据质量优良程度进行打分,并加权平均计算得到;参数D为投产期限调节系数,是通过收益期内,该类别估值模型剩余使用期限占收益期内全量使用期限的比重计算得到。此外,i为折现率,假设为10%;Tax为税率,假设为25%;C为资产建设成本,假设初始建设成本为50 万元,其余平均每个收益期成本为10 万元。
(3)优化市场法则利用可比案例相关数据预测待评估数据资产投后年收益,推算未来历年收益的折现总和,计算数据资产交易日和评估日的现值总值,综合评估数据资产外部价值。市场法参数体系从估值对象的可类比市场案例、价格修正和交易方式(年限)三方面进行建立,具体公式为:

其中,N为待评估资产总类数,Y为预期交易年限(i=1为基础年),nj为j类模型基础年产品数,qj为j类模型基础年产品平均交易量,P0j为j类模型基础年同类可比产品价格,Rj为j类模型价格修正系数,gj为j类模型平均年收益增长率,rf为折现率,k为修正系数。
2.3  “计算”得出数据资产价值在方法体系的基础上,一方面考虑各方法的应用前提,另一方面基于数据资产“非实体性和无消耗性”“可加工性”及“形式多样性”等特点,进一步考虑方法和价值实现方式的对应性。各数据资产估值对象的估值方法匹配如表2所示。表2  数据资产估值对象估值方法对应表

原始类、过程类和统计支持类数据资产与最终业务收益之间难以有效追溯,企业内部也无针对数据资产使用的内部定价机制来有效衡量其贡献的价值比例,因此采用优化成本法计算其内部使用价值。收益提升类的数据资产,能在业务开展过程中直接进行赋能以提升业务表现,与收益的对应性较强,因此采用优化收益法计算其内部使用价值。
进一步以光大银行自身的数据资产为对象,完成计算指标数据采集与计算,最终得出全行超千亿的数据资产价值。值得注意的是,由于数据资产估值是一项全新的工作,所用估值指标在以往管理工作中并未涉及或未细化,因此估值工作的开展绝非一蹴而就,部分指标采用专家打分的方法获取,未来随着逐步的管理细化、数据完善及加工工具的自动化建设等工作开展,数据资产估值将会越来越高效、准确。
3  估值案例
结合数据资产特点,本次估值范围确定为光大银行满足数据资产定义的所有数据资产,价值类型既包括内部价值也包括外部交易的价值。依据独立性原则、整体性原则、不重复评估原则、成熟度原则和合理性原则,将估值对象划分为17大估值对象,并对每个估值对象进行取值和计算。
在原始类数据资产、过程类数据资产以及应用类数据资产中的统计支持类数据资产,由于与最终的业务收益之间难以有效追溯,企业内部也几乎无针对数据资产使用的内部定价机制来有效衡量其贡献的价值比例,因此采用优化成本法计算其内部价值。而对于收益提升类的数据资产,由于其能够在业务开展过程中直接进行赋能以提升业务表现,和收益的对应性较强,因此采用优化收益法计算其价值。此外,上述所有估值对象,目前还尚未存在数据资产的交易情况,不能产生直接交易收入,暂时未使用优化市场法衡量其外部交易价值。
对光大银行所有数据资产估值对象的价值计算指标进行收集,并确定计算参数,累计完成188 个计算因子的取值,最终计算出光大银行所有数据资产的价值。本文仅以优化成本法和优化收益法为例,对其计算过程和结果进行示例展示。
3.1  优化成本法估值实施案例对外部获取类、内部采集类、过程类和统计支持类的数据资产使用成本法进行计算,由于不同的数据资产其产生的成本不相同,例如内部采集类数据资产需要考虑数据采集人员投入成本、采集终端设备购置成本和数据采集系统的建设成本等。但是统计支持类数据资产需要考虑数据分析人员日常开展数据分析活动投入了大量人员成本,因此统计支持类数据资产的重置成本还应包括这部分系统开发成本以外的人员投入成本。以原始类数据资产的内部采集类数据资产优化成本法作为计算示例,计算公式为:P= HC×S×(1+R×U)。
首先,计算历史成本(HC),计算内容如表3所示。按照相同的方法计算原始类外部获取数据资产、过程类数据资产及统计支持类数据资产的成本,得到2013—2020年的成本法数据资产的历史成本共计824 400 万元。表3  成本法原始类内部采集数据资产历史成本计算样例

其次,计算成本法数据资产的重置成本。物价重置系数选取统计周期内2013—2020年的年平均CPI。人力重置系数通过调研IT行业近8年全行工资水平年平均增长率得到(见表4)。表4  2013—2020年重置系数统计表

原始类数据资产的内部采集重置成本通过历年内部采集各部分历史成本乘以对应投入年数的重置系数最后加总得到。以原始类内部采集类采集人员重置成本为例进行展示(见表5)。表5  成本法采集人员重置成本计算样例

成本法数据资产总重置成本按照上述方法计算,其总值为923 328 万元。
接着计算合理利润率(R)。参考同类型数据交易的平均利润率作为预估合理利润率。通过市场调研,综合了近三年来多家同行业数据交易参与者披露的财务数据,对其进行加工计算得到合理利润率。在本案例中,估值对象的数据资产的合理利润率R为78%。
最后计算利润调节系数(U)。在本步骤中,需要使用专家打分法对一级、二级的所有指标通过成对打分赋予权重,并对各个二级指标分别给出评价值。具体结果如表6所示。表6  成本法利润调节系数计算实例

综上,成本法数据资产价值=总重置成本(HC×S)×(1+合理利润率(R) ×利润调节系数(U))= 92 3328×(1+78%×1.085)= 170 4740 万元。
3.2  优化收益法估值实施案例以银行业常用算法模型类数据资产为例,根据其与业务价值产生关联程度,可分为直接收益模型和全领域通用模型两大类型。本文以信用风险管理放款后类算法模型输出的价值评估方案作为示例。信用风险管理放款后类算法模型输出的价值主要体现在两个方面,模型应用后逾期贷款预计损失的减少,和减少的逾期贷款再贷出的收益增加。其收益法评估公式为:

各收益期内参数的取值如表7模型应用前后指标数据明细所示。表7  模型应用前后指标数据明细

综上,将各收益期模型输出价值的折现值相加,得到信用风险管理放款后类算法模型输出的价值为10 765 百万元。
4  结束语
对于决策管理层而言,数据资产价值及分布可为其提供数据领域的量化评估辅助决策工具。对业务部门而言,数据资产价值可以帮助业务人员直观了解全行数据资产价值实现情况,并衡量自身数据应用对业务的实际支持程度。数据部门可借鉴数据资产价值,识别高价值数据资产,明确数据资产需加强投入及重点保障方向;从应用角度发现未被充分使用的数据资产,提升数据资产的应用水平,及时加强技术领域查漏补缺和更新换代。数据资产价值计算结果还将为数据资产的外部交易流通及资本市场预期等提供参考。同时,在数据要素市场化的大背景下,通过数据产品等形式推动数据资产在市场上的交易共享已成为趋势,数据资产估值结果未来可结合市场供需及利润目标,为数据资产的交易定价提供参考。
参考文献
[1] 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[Z], 2020.[2] 中华人民共和国财政部. 企业会计准则-基本准则〔2006〕33号[Z], 2006.[3] 中华人民共和国财政部. 企业会计准则 第6号-无形资产〔2006〕3号[Z], 2006.[4] 中华人民共和国财政部. 资产评估基本准则〔2017〕43号[Z], 2017.[5] 高昂, 刘颖, 程越, 等. 电子商务数据资产评价指标体系[S]. 北京:中国标准出版社, 2019.[6] 唐斯斯, 刘叶婷. 我国大数据交易的发展现状、面临困难及政策建议[R]. 2018.[7] 中国信息通信研究院. 中国数字经济发展与就业白皮书[R], 2019.[8] 中国资产评估协会. 资产评估专家指引 第9号-数据资产评估〔2019〕40号[Z], 2019.[9] 陈守忠. 无形资产评估方法探讨[J]. 中央财经大学学报, 2004(8):77-80.[10] 张志刚, 杨栋枢, 吴红侠. 数据资产价值评估模型研究与应用[J]. 现代电子技术, 2015,38 ( 20):44-47+51.[11] 庄子银. 数据的经济价值及其合理参与分配的建议[J]. 国家治理, 2020(16):41-45.[12] Alan D Duncan, Lydia Clougherty Jones. Applied infonomics:how to measure the net value of your information assets[J]. Gartner Research, 2020.
Research and practice of data asset value calculation
HUANG Dengxi, PAN Xuefang
(China Everbright Bank, Beijing 100031, China)
Abstract: Based on the traditional method of asset evaluation, this paper fully consider shareable and other characteristics of data assets, takes the attributes of data quality and data application effect as the influencing factors, and proposes the monetization value calculation method applicable to data assets. And taking the data assets of EverBright Bank as the calculation object, it realized data asset value calculation.Keywords: data assets; valuation; data elements


本文刊于《信息通信技术与政策》2022年 第2期



主办:中国信息通信研究院


《信息通信技术与政策》是工业和信息化部主管、中国信息通信研究院主办的专业学术期刊。本刊定位于“信息通信技术前沿的风向标,信息社会政策探究的思想库”,聚焦信息通信领域技术趋势、公共政策、国家/产业/企业战略,发布前沿研究成果、焦点问题分析、热点政策解读等,推动5G、工业互联网、数字经济、人工智能、区块链、大数据、云计算等技术产业的创新与发展,引导国家技术战略选择与产业政策制定,搭建产、学、研、用的高端学术交流平台。



《信息通信技术与政策》官网开通啦!


为进一步提高期刊信息化建设水平,为广大学者提供更优质的服务,我刊于2020年11月18日起正式推出官方网站,现已进入网站试运行阶段。我们将以更专业的态度、更丰富的内容、更权威的报道,继续提供有前瞻性、指导性、实用性的优秀文稿,为建设网络强国和制造强国作出更大贡献!



《信息通信技术与政策》投稿指南




   推荐阅读  



专题丨基于智能化数据探索的数据质量管理方法

专题丨论数据质量的“真实性”与相关融合计算策略

专题丨数据治理标准化发展现状与启示

专题导读:数据治理

《信息通信技术与政策》2022年 第2期目次


♫. ♪ ~ ♬..♩~ ♫. ♪..♩~ ♫. ♪ ~ ♬..♩..♩~ ♫. ♪ ~ ♬..♩..♩~ ♫. ♪ ~ ♬..♩♫. ♪ ~ ♬..♩~ ♫. ♪..♩~ ♫. ♪ ~ ♬..♩..♩~ ♫. ♪ ~ ♬..♩..♩~ ♫. ♪ ~ ♬..♩♫. ♪ ~ ♬..♩~ ♫. ♪..♩~ ♫. ♪ ~ ♬..♩..♩~ ♫. ♪ ~ ♬..♩..♩~ ♫. ♪ ~ ♬..♩♫. ♪ ~ ♬..♩~ ♫. ♪..♩~ ♫. ♪ ~ ♬..♩..♩~ ♫. ♪ ~ ♬..♩..♩~ ♫. ♪ ~ ♬..♩


“在看”我吗?


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