翁 翕
本期观点概览
l 数据资产化是一个多层面的概念,涉及将数据转化为具有经济价值的资产。数据资源化和资产化的过程可分为资源化、产品化和可测化三个阶段,其中产品化和可测化是数据资产化的核心。
l 具有资产化潜力的数据广泛分布于多个行业,例如银行、IT、零售、医疗保健等,并涵盖车联网、供应链管理和消费者数据等多个类别。随着生成式人工智能技术的发展,数据资产化的需求预计将进一步增长。
l 全球数据资产化市场正在快速增长,大型企业领先于中小企业,北美市场领先于欧洲,但亚洲市场增速最快。欧美发达国家在数据产业发展上领先,但同时也面临数据战略规划与实际执行之间差距较大的问题。
l 我国数据资产化面临供给不足、需求疲弱和交易成本高的问题。国家层面应统筹推进数据资源化、产品化及入表评估工作,利用刺激性政策促进数据资产的供给和需求,并充分发挥市场的价格发现功能,降低信息不对称。
一、数据资产化的具体内涵
数据资产化并不是一个国际公认的概念,在很多方面都处于探索状态,并没有一个统一的定义。现在公认的看法是把数据资产化与数据资源化相提并论,但对数据资源化和数据资产化的具体内涵也有很多不同的理解。
一种是偏经济学的视角,将数据资产化理解为“通过有效使用数据,将其转化为具有可衡量经济价值的资产的过程”。在这个视角下,首先要进行数据资源化,也即通过数据采集、数据整理、数据聚合和数据分析等活动,使得数据变得可用(类比于石油开采),其次再进行数据资产化,也即通过对数据的挖掘和提炼,使之成为具有商业价值的资产(类比于石油炼化)。通常数据可通过以下方式完成资产化:在内部利用数据来提高运营效率或推动创新、向客户提供基于数据的服务或产品、与合作伙伴交换数据、向第三方出售数据或授权数据许可等等。
另一种是偏金融学和会计学的视角。在这个视角下,上述的数据资源化和资产化大都被归于数据资源化的范畴,而数据资产化主要是为了解决数据密集型企业的资产评估和定价问题。比如美国哥伦比亚大学商学院的Laura Veldkamp教授就持这种观点,她在2023年发表于Review of Finance上的论文“Valuing Data as an Asset”指出,数字经济中独角兽企业的高估值来自于其所拥有的数据资产,所以需要发展出新的定价工具来衡量数据资产的价值,比如可通过比较使用数据资产之前和之后的业绩指标,包括但不限于收入、成本和风险等,来识别和量化数据资产的潜在投资回报率。
总结而言,可以将数据资源化和资产化的过程划分为三个阶段:一是资源化,开发原始数据并将其组装成数据资源;二是产品化,基于数据资源和市场需求开发相关产品和服务;三是可测化,为每项基于数据的产品或服务确定可交易和测量的计价单位,并将相关交易纳入企业的财务、合规、风控等流程。如果把数据资产化广义理解为阶段二+阶段三,其发展空间巨大,可以说是数据要素市场建设最核心的组成部分。但如果把数据资产化理解为阶段三,其发展空间就依赖于数据资源化和产品化的程度,特别是在没有很好地实现数据产品化的基础上就过分强调资产化,就很有可能导致数据资产泡沫。
公共数据资产化同样亟需区别广义的资产化和狭义的资产化。对于广义的资产化,公共数据资产化可以激发市场活力、提升政务效率、创造社会价值。公共数据资产化可以通过提高企业盈利能力、带动就业、节约政府运行成本等方式,间接增加财政收入。鉴于公共数据的特殊属性,需要更关注其定价和使用主体等问题。
虽然公共数据的运营是以非营利性为主要目的,但从提高市场配置效率的角度来看,必须支持公共数据的有偿使用。一方面可以补偿公共数据运营成本、激励数据资源开发、提高数据和服务质量,另一方面通过市场价格机制也可以更好地引导政府开发真正有价值的数据产品。但同时公共数据的定价应以成本为参考基准,不应收取过高使用费用,应允许企业保有一部分通过合规、有效使用公共数据获得的收益,以促进数据价值更加充分地释放,从而为政府部门带来更持续、更广泛的回报。
从保障收益分配公平的角度来看,不应为任何市场主体提供独家公共数据服务,同时,在符合法律法规和安全隐私等要求的前提下,也不应将任何主体排除于公共数据的使用。对于科研院所和中小微企业,可提供费用减免或无偿使用的选项。对于有较强盈利能力及市场支配地位的企业,应通过允许其竞争对手使用相同的公共数据服务,来遏制不正当竞争行为。
但对于狭义的公共数据资产化而言,就应如前所述,特别警惕数据资产化前行于数据产品化。这本质上还是需要统筹推进数据资源化、产品化以及数据资源和资产的入表评估各项工作。
在后文论述中,主要采用广义定义(产品化+可测化)来理解数据资产化。
二、数据资产化的种类
哪些数据有资产化的潜力?可以参考年初国家数据局联合16个部门共同印发的《“数据要素×”三年行动计划》中提及的12个重点行业。在这12个重点行业的基础上,还可以参考现在普遍预测认为生成式人工智能(AIGC)技术最有可能被广泛应用的几个领域。AIGC大模型的训练需要以海量数据为基础,因此在有广阔应用前景的领域中,也最可能催生出数据资产化的需求。
当前有数据资产化潜力的主要行业具体包括:银行、金融服务和保险、IT 和电信、零售和电商、医疗保健、工业制造、传媒和娱乐等。
有资产化潜力的数据主要包括以下几类:
(1)车联网数据:汽车制造商数据、传感器数据、位置、路况、驾驶行为、行程、商家数据、交通规划;
(2)供应链与物流:供应商关系数据、物流数据、库存数据、采购数据;
(3)消费者数据:特征标签、财务习惯、交易行为、社交网络;
(4)商业数据:产品特征、品牌及销售情况、营收及财务数据;
(5)地理、遥感和气象数据:位置、导航、气象、卫星数据;
(6)公共数据:人口普查、工商注册信息等。
三、数据资产化的国际经验
国际上,由于疫情加快了数字化转型和云技术的应用,数据资产化发展迅速。其中,大型企业领先于中小企业,北美领先于欧洲,亚洲预计增速最快。
Invisibly公司数据显示,2022年全球数据资产化总市场价值为33.8亿美元,预计到2028年将达到104.1亿美元,复合年增长率为19.98%,这将由生成的数据量不断增加、数据资产化意识以及商业智能和分析、云计算、区块链、物联网、社交网络和新业务模式等推动。当前,大型企业份额最大,占比67.6%。中小企业增速更快,复合年增长率可达29.3%,主要通过云计算等工具降低其数据资产化的成本。北美地区基于物联网和云计算的普及、以及由此产生的数据量激增,为目前最大的数据资产化市场,占全球32.9%。由于拥有最大的消费者基础和智能手机用户,再加上人工智能、物联网和大数据分析的快速普及,亚太地区被认为将成为增长最快的区域市场。
欧美等发达国家在数据产业的发展、数据产品化程度等方面均大幅领先于我国,因此这些国家都不是特别强调“数据资产”这个概念,对于数据密集型企业也没有特别推行数据资产入表。但因为这些国家均拥有比较完备的资本市场,通过对标行业的标杆企业,也能对数据资产进行比较好的估值。近些年来,一些欧美企业发展的数据资产化案例包括:
(一)使用数据作为融资抵押品。比如大量美国航空公司利用其会员奖励项目作为抵押品,以应对疫情造成的财务压力,其中美国航空公司 American Airlines筹集了 100 亿美元,创下了融资记录。过去需要数月才能完成的数据资产价值评估,现在通过软件和机器学习技术仅需 24 小时。
(二)建立数据交易平台。如Datarade 或 Eagle Alpha 等数据交易平台,通过连接买家与卖家,并提供推广、销售、数据处理和许可交易等服务,帮助企业更容易地将其数据以产品或服务的形式转化为新的收入来源。
(三)在企业并购估值时开始考虑数据产生的潜在影响。一方面,开始关注企业收购中由于误导性的数据资产而导致估值虚高。另一方面,初创企业可以通过对数据良好的治理,避免数据价值评估中的阻碍,并在并购谈判中发挥数据资产的重要作用。
此外,国外监管部门如美国FTC最近出台了更严格的对社交媒体、游戏和教育平台利用青少年数据获取收入的政策,以限制基于数据的在线操纵、有目的的令人上瘾的设计以及歧视性营销行为。
欧美发达国家当前在数据资产化方面也面临很多问题和挑战,其中最主要的是数据战略与执行之间存在差距。
IDC 估计, 2023 年欧洲约有95% 的组织使用某种形式的外部数据。然而,最近一项涵盖 34 个国家/地区、 400 多家公司的研究显示,只有十二分之一的公司完全将其数据资产化,主要因为大多数公司缺乏收集和存储数据的基础设施。此外,许多公司没有资源或专业知识来分析他们收集的数据并将其转化为可行的业务决策。在 2022 年数据和 AI 领导力高管调查中,New Vantage Partners 调查了 94 名财富 1000 强企业高管。调查发现,虽然 64.3% 的组织专注于增长和创新数据计划,但其中只有 26.5% 的公司创建了数据驱动型组织。因此在数据资产化领域我国完全有潜力能够通过跨越式发展实现弯道超车。
四、当前数据资产化面临的主要问题及对策建议
我国数据资产化面临的最突出问题涉及供给、需求和交易成本三个方面:
一是供给不足。主要体现在企业整体数字化程度不高,数据开发利用及相关技术和服务的费用较高,以及企业数据资产化所需的前期投入的融资难度较大。
二是需求疲弱。主要体现为市场对数据产品和服务的认知不足和付费意愿低,此外也与企业对短期回报的偏好有关。
三是交易成本高。由于数据产品及服务仍处于市场起步阶段,买卖双方均面临投入产出比不确定性较高的问题,与此同时市场尚缺乏有效约束交易双方行为的机制,进一步阻碍了数据价值的发挥与衡量。
鉴于此,国家层面政策和制度供给可以主要围绕以下方面开展:
一是统筹推进数据资源化、产品化以及数据资源和资产的入表评估各项工作。比如财政部于2023年8月21日制定印发《企业数据资源相关会计处理暂行规定》,近期又公开发布《关于加强数据资产管理的指导意见》。但这两份文件对于数据资源和资产的界定并不明确。数据资源可以入表,但其估值应比较保守以避免资产泡沫;但对已证明了市场价值的数据资产,可以适当基于其市场潜力给予更高估值以激励数据产品的供给。
二是利用刺激性政策促进企业对数据资产的供给和需求。可以考虑的政策工具包括:
(1)加大数字基础设施和科技研发投资,加大云计算、5G、物联网、人工智能应用的使用率,降低企业开发和利用数据的成本;
(2)为企业数字化和数据资产化提供更多信贷、债券、股权等融资工具支持。
三是在各地数据要素流通先行先试中充分发挥市场的价格发现功能,及时汇总并推广量化数据资产的经验做法及相关数据资产价值,为更多的潜在参与者提供参考并降低市场的信息不对称。
作者单位:北京大学光华管理学院