6月6日，由上海国家会计学院与中兴新云、元年科技、浪潮集团、用友集团、金蝶集团等联合主办的“信息技术驱动行业财务变革”高峰论坛暨2021年影响中国会计人的十大信息技术评选结果发布会在上海国家会计学院顺利举行。

针对本次由188位专家评选出的潜在影响中国会计从业人员的五大信息技术，本次论坛邀请五位嘉宾从信息技术的内涵、发展趋势、可能出现的产品、可能的应用场景、学习建议等维度进行深入分析，通过前瞻性的探讨，展望对会计从业人员产生的影响方式和范围。对此，本次评选活动专家、北京语言大学会计系主任、MPAcc主任杜美杰对数据治理和数据资产的管理与应用进行了全面介绍。

概念界定

数据作为资产进行记账和管理与普通资产有很大的差别。无论数据资产记账和数据治理，最终目的是进行数据挖掘。数据、信息、知识、智慧四个概念中，数据是对客观世界的描述，是具有某个领域的知识体现。信息是经过处理后的数据，带着含义和逻辑的数据。知识是从信息中总结的规律，具有指导意义。智慧是利用已知的知识解决实际问题的过程。数据本身不一定有价值，当数据变成信息，信息变成知识，利用知识形成智慧解决问题，才能产生价值。

会计行业进行数字化转型过程中，数据资产的确认以及数据治理的问题显得尤为重要。企业是以盈利为目的的，企业拥有各种资源的目的是创造价值。数据作为一种要素资产，是基础性资源或战略性资源，它也是价值的来源，但并不是所有的数据都具有商业价值。数据被赋予价值，需要经历漫长的过程，首先是参差不齐的资料，然后从资料中转化成有价值的资源，从资源再变成为重复使用的资产，对于数据资源，创造价值的过程就是数据资产化的过程。严格意义上，数据治理指与数据有关的一切活动的权利的归属，而数据管理指如何计划、组织、协调、指挥数据，实务中数据治理和数据管理没有十分严格的区分。

数据资产

数据资产的几大特点包括无形性、增长性、复制性、价值不确定性。数据资产按照服务的方式可以分成两种类型：自用型数据资产和交易型数据资产，也称为赋能型数据资产和使能型数据资产。赋能型数据资产通常是业务的数据化，将生产经营管理过程中产生的数据进行收集、整理、分析，促进原有业务进一步的价值创造。使能型数据资产通常指数据的业务化，将数据收集、整理后形成可以对外服务的数据商品，如付费数据库服务等。

资产入账必须具备三个条件，第一过去的交易或事项形成的，曾经付出并且已存在的资源。对于内部获取或向第三方购买的数据，都是过去曾经付出的。第二企业拥有和控制的，这是数据入账比较困难的问题。如何定义拥有和控制一项数据，目前从法规上没有特别明确的规定，如互联网的交易平台、门户网站、社交平台的数据归属于平台还是个人；就诊患者的病历属于医院还是属于患者个人；淘宝的浏览记录，属于淘宝还是属于个人。类似问题目前还是存在争议的，且已经超出了会计的职业判断，应该交给法律部门处理。第三带来未来经济利益的流入，数据是有价值的，充分利用数据能够促进企业效率的提升和价值的创造。假设认可数据在符合一定合同和法规的情况下被企业拥有和控制，数据在资产负债表中披露是合情合理的。

如果数据被确认为一项资产，那么数据资产的会计处理将包括三个过程：初始确认、后续计量、终止确认。初始确认需要进行两个判断，一是经济利益是不是很可能流入企业，其中需要考虑数据和商业模式的结合方式，赋能型是指利用数据让原本的业务发挥更好的作用，创造更大的价值。如互联网平台利用数据进行精准营销就是典型的赋能型。使能型是指把数据开发成具体的产品和服务，直接进行销售，换取合同现金流量。二是判断经济利益是否能够可靠计量。目前的技术难题主要表现在计量方法上，常见的估值方法有成本法、收益法、市场法三种，成本法不适用于赋能型资源，来自于业务过程中自发产生的半生性的数据，难以与原始业务剥离开。

市场法的缺陷是数据的产权关系不明确，交易模式不成熟，另外数据必须依托于特定场景才能产生价值，个性化相对鲜明。而使用收益法估算未来现金流量，数据无论是否产生价值以及价值的持续性都有很大的不确定性。后续计量方面，数据资产的时效性是需要关注的问题。数据资产的性质类似未来使用寿命不确定的无形资产，不适合使用减值、摊销的模式。对于终止确认，赋能型的数据资产由于没有明确的到期时间，没有终止确认的需要。使能型的数据资产可以大量复制，同时不耽误其他人的使用，一般意义来说也不需要终止确认。

数据资产处理过程中，除了数据估值外，还存在另一个比较明显的问题：数据资产确权。数据资产作为资产，是被企业合理合法拥有和控制的，如果对数据的拥有权存在争议，就不能作为资产进行确认。通过不正当途径获取的数据或者没有明确归属的数据不属于数据资产。

数据治理

数据治理是监督，是战略，数据管理是执行，是战术。数据治理的目的是为了更好地数据管理，数据治理并不直接管理数据，数据管理的目的是让数据发挥更好的作用，创造更高的价值。数据治理是用来协调各方平衡的机制。在数据管理框架中，第一阶段是购买应用程序进行数据存储和操作；第二阶段是提升数据质量，进行元数据管理，搭建数据架构；第三阶段是通过数据治理进行配备文件、内容管理、参考数据和主数据管理；第四阶段是数据挖掘和大数据分析。

会计的工作主要是翻译经济活动，目前的数据管理内容，已经远远超出了会计所能够具备的能力，也不在会计职责范围内，但其中有一项事情与会计有关：元数据管理。会计通常被称为国际通用的商业语言，所谓语言就是描述其他的事物的方式。业务经过两层翻译工序变成计算机能够处理的程序，第一道工序是把业务翻译成会计，第二道工序是计算机人员把会计翻译成计算机懂的语言。在翻译过程中，会计作为第一道工序，翻译的质量非常重要。通常有三种方式，第一种方式是用自然语言描述，例如业务术语、年报附注；第二种以表单的形式描述数据，但脱离表格上下文无法理解数据的含义；第三种以多维空间数据点来描述数据，把一个会计科目分成N维属性，每一个属性取一个值，在N维空间上，可以确定科目的具体含义。这种情况下可以脱离具体的表格，直接理解数据的含义，这也被称为元数据管理的模式。

标准难立是进行数据交互时经常面临的困境，元数据管理能够解决数据彼此之间交互的顺畅性问题，透过数据看到背后的本质。元数据管理的原理是将每一个数据拆成具体的单元，进行任意地组合，对比数据之间的差异。数据点模型DPM是元数据管理的常用模型，先探究数据本身属性数量，对应相应的维度，再在维度上进行取值。通过将业务数据或者财务数据拆解成N维属性，每一个属性取出唯一值就可以对每一个概念进行单独确定，能够更加精确地理解数据，分辨各种概念的异同点，同时可以进行较好地融合。欧盟银行监督管理委员会在开发欧盟业务监管报表体系时，为了获得SBL的数据标准定义，使用DPM的方式拆解业务数据和财务数据。如果能够使用数据点模型的思维方式，把业务数据和财务数据分别拆解开，再统一底层数据，数据治理的后期成本会大大降低。

数据治理目前存在的问题，主要有以下几点：一是数据孤岛现象明显。二是数据标准不统一比较严重，大型的集团多个系统同时使用，数据治理的成本大，效率低下。三是用户隐私和数据安全方面的问题。

对策建议

对于数据资产的入表，可以从以下几个方面入手：一是完善法规制度，对数据资产的确权问题尽快立法，改进会计准则中关于资产的定义。二是提升增值能力，企业应该具备把数据当成石油、黄金的意识，刻意地搜集和管理数据。三是健全生态体系，如数据交易中心、垂直领域的数据标准体系。对于数据治理，企业需要完善组织架构，统一数据的标准，研究底层数据之间的融合以及提高技术水平，完善数据开发和管理的过程。

编辑：凌墨