企業數據資產價值評估研究

宋杰鯤 張業蒙 趙志浩

【關鍵詞】 數據資產價值; 組合評價; 數據成本; 表觀價值; 數據服務收益; 直覺模糊決策

【中圖分類號】 F490? 【文獻標識碼】 A? 【文章編號】 1004-5937（2021）13-0022-06

一、引言

數據是21世紀的“石油”，通過不斷地被利用而實現價值，為經濟發展與技術進步提供動力。我國高度重視數據作用，明確提出要實施國家大數據戰略，把大數據作為基礎性戰略資源，推進數據資源開放共享。習近平總書記多次強調要構建以數據為關鍵要素的數字經濟。2019年11月，黨的十九屆四中全會提出數據可作為生產要素按貢獻參與分配，這體現出經濟高質量發展對數據這一質量型生產要素的投入要求，必將極大促進我國數字經濟的發展，也使得企業更加關注數據，重視數據貢獻或價值。

學術界對企業數據價值評價的研究日益增多。學者們普遍認為，大數據時代下數據資源不僅是企業管理決策的基礎與依據，更是企業獲得效益不可或缺的資產。劉琦等[1]提出了市場法評估企業數據資產價值（Enterprise Data Assets Value，EDAV）的基本思路，通過對技術、價值密度、容量等因素進行調整，評估同類企業的EDAV。李永紅等[2]分析了市場法、成本法、收益法等的適用條件，指出市場法能夠兼顧成本與收益，在有一個適用同類市場的前提下，通過數據量與質量、數據分析能力等因素修正可以評估EDAV。左文進等[3]假設同類市場及其組合收益已知，應用Shapley值法和破產分配法進行再估值。黃樂等[4]則融合成本法、收益法和市場法，對互聯網平臺EDAV進行評估。王靜等[5]從交易視角應用期權定價法對互聯網金融企業的EDAV進行評價。董祥千等[6]假設數據交易價格和要素投入已知，提出利潤最大化的EDAV評價方法。張志剛等[7]認為EDAV因素具有模糊、不確定性，應以提升數據增值運營水平為目的，對成本和應用開展綜合評價，他們構建了包含六個指標的評價指標體系，應用層次分析法賦權的專家評分綜合法進行評價。李菲菲等[8]結合電力企業實際，構建包括成本、應用兩方面六個指標的評估體系，對供電企業的EDAV進行評價。王笑笑等[9]構建了包含成本、質量和使用三方面九個指標的指標體系，應用模糊綜合評價方法進行EDAV評估。通過文獻梳理可知，受限于同類市場的難獲得性、EDAV中成本投入與貢獻產出的難剝離性等條件制約，對除互聯網平臺之外企業的EDAV進行直接評價較為困難。構建涵蓋投入、產出等方面的完備的指標體系，選取綜合評價模型對EDAV進行評價是在當前缺乏科學的會計確認與計量條件下較為可行的途徑，也有利于企業明晰EDAV的投入產出水平，為其增值提供決策支持。鑒于EDAV評價指標多具有模糊性，可表述為區間數、語言變量等形式，本文試圖構建基于混合多屬性決策的EDAV評價模型，以豐富與完善EDAV評價理論，為EDAV實際評價提供參考。

二、企業數據資產價值評價指標體系構建

數據資產是指被企業擁有和控制的、能夠為企業帶來價值的數據。大數據時代下企業數據資產形成與應用的基本流程如圖1所示。分布在不同數據平臺上的多源異構數據經過ETL（抽取、轉換、裝載），存儲至協同化的數據倉庫或不同主題的數據集市中，繼而對數據進行提取、多維分析或應用機器學習模型進行知識挖掘，將得到的數據產品交付給企業內部供決策支持應用或交付給外部顧客滿足其定制需求。

從EDAV的投入來看，主要是發生在數據搜集、ETL、存儲、分析、業務應用等環節的人工、設備、材料、動力等相關費用，具體可分為數據載體成本、外購成本、運維成本、服務成本等。從產出來看，主要體現在兩個方面：一是通過交易可以直接變現的外部服務價值，體現為經提取、分析、挖掘后交付給外部顧客的數據量、數據質量以及獲得的收益;二是作為企業資源要素加工后交付企業內部使用的數據量、數據質量及決策支持應用貢獻。遵循系統性、層次性、客觀性、可比性等原則，構建EDAV評價指標體系如表1所示。數據成本反映出價值的各類成本投入;表觀價值反映出數據資產的數量與質量，是當前服務價值及其未來增值的本源;服務價值包含了外部服務和內部服務，體現出EDAV的應用價值。

三、企業數據資產價值評價模型建立

實際中，EDAV評價指標可以有多種表征形式，如滿意度指標可由組織者根據外部和內部顧客調查計算出滿意人數占比，載體成本為既有固定成本，它們可以表述為精確數;外購成本、運維成本、服務成本、服務收益可以根據近年來的統計，表述為包含最小值和最大值的區間數;單一企業的數據規模難以精確表述，但是不同企業間的對比狀況容易刻畫，可以表述為語言變量;數據完備度、數據合理性為定性指標，可以表述為語言變量;決策支持貢獻度可以通過專家評定，采用百分數區間表示。在處理含有不確定性、模糊性的決策問題時，統一轉換為直覺模糊數形式具有一定的優勢，能夠避免將不確定變量轉換為確定性變量所導致的較多信息失真問題。鑒于直覺模糊多屬性決策有多種方法，理論上均適用于EDAV評價，本文將基于這些單一評價方法進行組合評價，提高評價的科學性。

（一）不同指標形式的直覺模糊數轉化

將精確數、區間數、語言變量統一轉換為直覺模糊數，首先需要將各類變量數值進行標準化。為了便于評價對象之間的比較區分，在標準化轉換時優先考慮歸一化處理法和向量規范法。由于歸一化處理后的數值通常比向量規范化后的數值要小，在向量規范化標準化結果不突破[0，1]區間的情形下，優先選擇向量規范化。設11項指標構成評價矩陣[xij]m×11，對其標準化并轉換為直覺模糊數決策矩陣Z=[zij]m×11。

（二）指標賦權

兼顧EDAV評價的目標導向性與差異區分性，一方面通過層次分析法（AHP）得到各指標的主觀權重（？濁j），以反映專家對評價指標重要性的普遍性認知;另一方面基于直覺模糊熵進行客觀賦權，以充分反映實際評價時各EDAV間的差異。對于直覺模糊熵的討論有很多，通過對各種測度公式加以比較，選擇文獻[10]中的測度公式，有第j項指標的直覺模糊熵為：

其中，sij=uij-vij和πij=uij+vij分別為直覺模糊數（zij）的得分與精確度，則指標客觀權重為：

對指標主客觀權重按照權系數（α）和（1-α）進行加權得到組合權重（wj）。

（三）單一評價

目前應用相對較多的直覺模糊多屬性決策模型主要有集結算子、TOPSIS、VIKOR、灰色關聯分析、證據推理等。這些模型均有著較為成熟的理論基礎，可以用于EDAV評價。

集結算子模型是對各個指標數值應用集結算子進行單一化。集結算子有多種形式，混合算術平均算子兼顧指標重要性及直覺模糊數排序位置兩方面信息，具有冪等性、有界性等良好數學性質，本文用該算子進行EDAV評價?；静襟E為計算加權直覺模糊數矩陣;按照直覺模糊數排序規則對每一EDAV中11個加權指標值由大到小排序，記第j位次指標值對應加權前的直覺模糊數為ziσ（ j ），指標權重為wiσ（ j ）;按照正態分布賦權法計算位置權重ωj，則第i個EDAV的綜合屬性值為：

按照直覺模糊數排序規則對所有EDAV進行排序。

TOPSIS即逼近理想點法，基本步驟為確定正、負理想點，計算各EDAV距離正、負理想點的加權距離、貼近度，按照貼近度由大到小的順序進行排序。其中，直覺模糊數間的距離采用文獻[11]中的測度公式：[u1-u2+v1-v2+s1-s2+（1-？仔1）+（1-？仔2）]/6+max{u1-u2/3，v1-v2/3，v1-v2/6}，si和？仔i分別為直覺模糊數zi=的得分和精確度，i=1，2。

VIKOR即多準則妥協解排序法，基本步驟為計算各EDAV距離正理想點的群體效用值、個體遺憾值，通過自主設置折中系數反映決策者偏好，計算得到利益比率值，按照利益比率值由小到大的順序對EDAV進行排序。

灰色關聯分析是依據評價對象與參考序列（如正理想點）之間的關聯度進行評價?；静襟E為確定參考序列（如正理想點）;計算各EDAV每項指標與正理想點的關聯系數;對關聯系數加權得到各EDAV與正理想點的關聯度;按照關聯度由大到小的順序進行排序。

證據推理模型是將評價對象的各項指標視為證據，每項證據由多個評價等級構成的辨識框架進行評估，獲得屬于各等級的置信度，繼而結合指標權重，運用證據推理算法進行合成?？梢詰肐DS軟件進行證據推理：首先建立由頂層指標和11個底層指標構成的層次結構，其中，頂層指標包含好、差兩個等級，效用值分別為1和0，每個底層指標分為好、差兩個等級，其置信度分別為（1，0）和（0，1）;其次，輸入11個底層指標的權重，以及各EDAV每項指標屬于好、差兩個等級的置信度，即直覺模糊數形式表示的指標值;最后，評估各EDAV頂層指標對于（好，差）的置信度，并按直覺模糊數排序規則進行排序。

（四）組合評價

單一評價模型的評價結論未必一致，對它們組合評價，基本步驟為：①運用Kendall協同系數法進行相容性檢驗，得到相容模型集;②對相容模型評價結果運用多種組合評價模型進行組合;③對組合評價結果與相容模型結果運用Spearman秩相關系數法進行一致性檢驗;④如果存在組合評價模型結果通過一致性檢驗，則輸出通過一致性檢驗且統計檢驗值最大的組合評價結果作為最終評價結果，否則轉下一步;⑤刪除單一評價模型中與其他評價模型結果相關性最低的模型，構成新的相容模型集，轉到③繼續組合，直至得到通過一致性檢驗且統計檢驗值最大的最終評價結果。

由于EDAV評價的目的是確定多個EDAV合理、一致的排序，本文應用基于排序方法的組合評價模型，主要包括平均值法、Borda法、Copeland法、模糊Borda法。前三種方法均基于排序加以組合，應用較為成熟，本文不再贅述?；谥庇X模糊決策模型的模糊Borda法涉及直覺模糊決策結果的差異，除隸屬度函數設置有所區別外，其余步驟與實數決策結果的步驟完全相同，定義Ai在第k種模型下屬于“優”的隸屬度如下：

其中，fik表示Ai在第k種模型下評價結果的分值。若模型為集結算子和證據推理模型，fik為直覺模糊數的得分值;若為TOPSIS和灰色關聯分析模型，fik分別為貼近度和關聯度;若為VIKOR模型，由于利益比率值fi為成本型指標，改用如下的隸屬度函數：

四、實例分析

某油田企業對下屬的勘探開發（KK）、物探（WT）、石油工程技術（SG）、采油工藝（CG）、勘察設計（KS）、鉆井工藝（ZG）這6家研究院的EDAV進行評價，調研得到表2所示的原始評價數據。其中，定性指標均采用7級語言變量集{最高，很高，高，平均，低，很低，最低}表述。

將上述評價矩陣進行規范化，并轉換為直覺模糊數，結果見表3。

計算11項指標的直覺模糊熵權依次為0.1243、0.1059、0.0672、0.0453、0.0778、0.0807、0.0891、0.0635、0.1235、0.0992、0.1235。AHP得到的主觀權重為0.1402、0.0505、0.0217、0.0846、0.0326、0.0652、0.0652、0.1895、0.1021、0.1895、0.0589，設主客觀權重的權系數分別為2/3和1/3，有11項指標的組合權重依次為0.1349、0.0690、0.0369、0.0715、0.0477、0.0704、0.0732、0.1475、0.1092、0.1594、0.0804。分別應用集結算子、TOPSIS、VIKOR、灰色關聯分析和證據推理模型得到評價結果見表4。其中，VIKOR中的折中系數和灰色關聯分析中的分辨系數均取0.5。

Kendall協同系數檢驗結果見表5，漸進顯著性為0.02，低于0.05，表明5種模型的評價結果具有較為顯著的一致性，構成相容模型集。

將5種單一評價模型結果代入4種組合評價模型，得到組合評價結果見表6。前3種組合評價模型的排序結果完全一致，模糊Borda法的結果略有差異。4種組合評價模型的Spearman統計檢驗值均為2.9598，均大于t0.05（4）=2.132，輸出一致的前3種組合評價模型的結果作為最終排序結果，即6家研究院按照EDAV由高到低依次為鉆井工藝研究院、采油工藝研究院、勘察設計研究院、勘探開發研究院、石油工程技術研究院和物探研究院。

結合評價原始數據可知，鉆井工藝研究院在顧客滿意度、決策支持貢獻度、外購成本、服務成本等方面均有著較好表現，但是內部應用滿意度、數據合理性數值較低，未來該研究院應面向內部應用，加強內部數據的分析挖掘與產品設計，提高數據資產的內部應用價值。采油工藝研究院在決策支持貢獻度、各項成本、數據合理性等方面表現較好，但是服務收益、外部顧客滿意度數值較低，未來應強化外部數據服務，提高數據資產外部服務價值?？辈煸O計研究院在數據規模、決策支持貢獻度、服務收益、外部顧客滿意度等方面有待提高，今后應不斷提高數據儲量，對數據源進一步挖潛，做好內外部決策支持設計，提高數據資產服務價值?？碧介_發研究院作為綜合程度最高的研究院，其高收益與高載體成本、外購成本較為匹配，但是在服務成本、運維成本、決策支持貢獻度方面有待加強，今后應持續優化服務、運維流程，并將數據源、數據產品不斷融合，提高對研究院內部決策的支持水平。石油工程技術研究院在外購成本、服務成本、數據完備度、服務收益、內部應用滿意度等方面有待加強，今后應推動決策支持數據產品的系列化、完備化，提高數據產品收益，不斷改進服務流程，并適當降低外購成本。物探研究院在服務成本、運維成本、數據合理性、外部顧客滿意度、決策支持貢獻度等方面均有待提升，同時較低的服務收益與其較高的數據載體成本不相匹配，今后應優化服務、運維流程，結合內外部顧客需求，加強數據分析、挖掘與交付產品設計，提高服務收益和內部決策支持水平。

五、結論

EDAV評價是大數據時代下企業數據資產管理的重要構成。結合數據資產形成與管理的基本流程與指標體系構建原則，本文構建了較為完備的EDAV評價指標體系。結合指標的混合屬性特征，將其統一轉換為直覺模糊數，進而構建基于直覺模糊決策的單一評價模型，包括集成算子、TOPSIS、VIKOR、灰色關聯分析、證據推理等模型。對單一評價模型進行相容性檢驗，并對相容模型結果應用平均值、Borda、Copeland和模糊Borda等組合評價模型進行組合，對結果進行一致性檢驗。實例分析表明，所建的EDAV評價指標體系與模型體系可行、有效，一定程度上豐富了EDAV評價理論，也為實際EDAV評價提供了啟發與參考。

【參考文獻】

[1] 劉琦，童洋，魏永長，等.市場法評估大數據資產的應用[J].中國資產評估，2016（11）：33-37.

[2] 李永紅，張淑雯.數據資產價值評估模型構建[J].財會月刊，2018（9）：30-35.

[3] 左文進，劉麗君.大數據資產估價方法研究[J].價格理論與實踐，2019（8）：116-119.

[4] 黃樂，劉佳進，黃志剛.大數據時代下平臺數據資產價值研究[J].福州大學學報（哲學社會科學版），2018 （4）：50-54.

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

[6] 董祥千，郭兵，沈艷，等.基于利潤最大化的數據資產價值評估模型[J].大數據，2020（3）：13-20.

[7] 張志剛，楊棟樞，吳紅俠.數據資產價值評估模型研究與應用[J].現代電子技術，2015，38（20）：44-47.

[8] 李菲菲，關楊，王勝文，等.信息生態視角下供電企業數據資產管理模型及價值評估方法研究[J].情報科學，2019，37（10）：46-52.

[9] 王笑笑，郝紅軍，張樹臣，等.基于模糊神經網絡的大數據價值評估研究[J].科技與管理，2019，21（2）：1-9.

[10] 李巖，陳云翔，羅承昆，等.基于概率猶豫直覺模糊熵和證據推理的多屬性決策方法[J].系統工程與電子技術，2020（5）：1116-1123.

[11] 汪汝根，李為民，羅驍，等.基于新距離測度的直覺模糊VIKOR多屬性決策方法[J].系統工程與電子技術，2019，41（11）：2524-2532.