樸素貝葉斯分類法與數據資產會計確認

陳思靜 王磊 尹波 干勝道

【摘 要】 隨著大數據時代的到來，企業對數據資源的合理使用為自身帶來了日益增長的經濟價值，于是，在會計學界有了將企業數據資源作為一項資產入賬的呼聲，然而，大數據的產權歸屬和價值變現具有不確定性，導致其未必滿足會計確認的條件。文章全面分析了企業將自身擁有或控制的數據資源確認為資產所面臨的難題，并對其提出了解決方案。首次應用樸素貝葉斯分類法建立模型，通過計算相關因素的聯合概率來判斷在不確定條件下數據資源是否應該被確認為資產，最后進行了算例分析。結論表明，該模型對數據資產的會計確認具有指導作用，同時也可為相關會計準則的制定提供理論參考。

【關鍵詞】 數據資產; 會計確認; 樸素貝葉斯; 聯合概率

【中圖分類號】 F234 ?【文獻標識碼】 A ?【文章編號】 1004-5937（2019）19-0058-04

一、問題的提出

（一）數據資產的會計確認滯后于大數據時代的步伐

2018年8月，尤瓦爾·赫拉利在其新作《今日簡史》中提到，人類社會進入21世紀以后，數據的重要性會超越土地和機器，數據將成為最重要的資源[ 1 ]。對數據資源的合理使用有助于企業提高生產效率，獲取競爭優勢，創造經濟價值。隨著信息技術的飛速發展，數據驅動的決策方式在企業管理中已日益普遍，數據資源作為“新型石油”的價值越發凸顯。會計作為一項重要的經濟管理工作，需要全面反映經濟活動的真實面貌及結果，然而，現有的會計準則并未將數據資源列為會計核算的對象，與之相應的會計核算業務種類和核算方法也未被提出，這會導致會計信息偏離經濟運行的實際。維克托曾提出，“雖然數據還沒有被列入企業的資產負債表，但這只是一個時間問題”[ 2 ]，而會計確認作為數據進入資產負債表的首要環節卻面臨重重難題，目前理論界尚未對其提出解決方案，在此領域的研究和實踐相對滯后。

（二）不確定性是數據資產會計確認的難題

2014年，我國修訂的《企業會計準則——基本準則》規定，資產的定義是企業過去的交易或者事項形成的、由企業擁有或者控制的、預期會給企業帶來經濟利益的資源。一項資源應當符合資產的定義并同時滿足資產確認條件，才能被確認為資產。

企業所積累的數據資源是對過去已發生的經濟業務的反映，通過收集或購買而得的歷史數據，可見，數據資源符合資產定義中的“由過去的交易或事項形成”。然而，數據資源的產權歸屬和價值實現具有不確定性，導致其未必符合會計確認的條件，數據資產具有不同于傳統資產確認的特殊之處，體現在如下四方面：

1.數據資源在產權歸屬上具有不確定性

準則規定，資產必須是由企業擁有或控制。與傳統資產相比，數據資源由于其特性，在是否為企業所擁有或控制上具有高度不確定性。Bulger et al.[ 3 ]依據數據收集的主導方來界定數據所有權的歸屬，即主導收集數據的一方擁有數據的所有權，這在法律形式上合理，但在經濟實質上卻容易產生爭議。比如，企業通過大數據交易中心所購買的數據，在形式上看，企業似乎可以控制或擁有外購數據資源的所有權，但事實上，由于數據的可復制性，且不具有排他性，企業并不能排除他人使用，因而這種控制權或所有權是虛無的[ 4 ]。可見，數據資源難以被企業所絕對控制或擁有。

2.數據資源的價值在時間上具有不確定性

數據資源的價值具有時限性，新數據的產生、企業所面臨的經濟環境變化或商業模式變更等內外部因素都會導致原有數據的價值變動。不同于實物資產，數據資源在一個較長的周期內，價值會隨時間波動。值得注意的是，數據價值隨時間推移未必衰減，某一時期失效的數據資源，可能在將來由于某些因素的變化而重新產生價值。比如，在2015年發生的馬航事件中，波音公司生產的發動機在工作過程中記錄下來的海量數據成為馬航飛機失聯的關鍵證據，倘若沒有該事件的觸發，這些數據只是存放在服務器上的信息，平淡無奇而價值寥寥。

3.數據資源的價值在使用場景上具有不確定性

空間的變化會導致數據資源的價值變化，不同地區之間、不同企業之間或者同一企業不同業務場景之間的差異，都會對數據資源的使用壽命產生影響。受到企業戰略規劃、發展階段以及主營業務類型等影響，同樣的數據資源在不同業務場景下有著不同的價值實現方式，從而產生了經濟價值的差異。

4.數據資源的價值密度導致價值變現具有不確定性

大數據因其容量巨大，其價值往往是潛在的，需要通過挖掘才能得以顯現，如電商企業的客戶數據，往往不能直接被企業所用，而需要通過數據挖掘來為企業創造價值。然而，當大數據時代來臨，企業需要存儲和處理的數據量激增，數據的結構和來源更是紛繁復雜，這會導致數據的價值密度降低，從而使數據價值的挖掘產生了不確定性。總之，數據量越大，獲取有用信息的難度就越大，現階段掌握高價值數據的收集和挖掘技術的企業為數不多，大部分企業還在探索。

（三）現有研究很少針對數據資產的會計確認進行探討

近年來，學界對數據資產會計核算的研究逐年增加。李如[ 5 ]采用規范研究方法，論證大數據確認為資產的必要性和可能性，提出確認條件，并針對其計量中的相關會計問題給出解決方案;鄒照菊[ 6 ]以企業數據類型、構成及來源為基礎，考察了企業大數據的資產屬性問題，分析得出企業大數據滿足資產確認條件，應將其作為一項資產進行財務列報，還進一步分析了數據資產的計量和報告方法。這一類研究的特點是將數據資產的會計核算視為一個整體，就其每個環節都進行了探討。另一類研究則聚焦在數據資產會計核算中的價值計量這一環節，張志剛等[ 7 ]運用層次分析法建立了數據資產價值評估模型，并給出了模型應用的具體步驟。李永紅、張淑雯[ 8 ]優化了數據資產的價值評估方法，利用層次分析法以及灰色關聯分析法的雙重結合構建了數據資產的價值評估模型。不難看出，這一類研究多使用層次分析法進行價值評估，方法雷同導致結論相似。

會計確認和計量都是會計核算的重要環節，二者一體而不可偏廢，資產的確認是計量的前提，資產沒有得以確認，計量就無從談起，因此，對數據資產會計核算的探討首先應該關注會計確認。目前，對數據資產計量方法的研究較多，而對數據資產確認的研究很少，即使有所論及，也是泛泛而談，未做深入剖析。會計準則規定，只有當與某一資源有關的經濟利益流入的概率>50%時才能確認為資產。如上文所分析，數據資源不僅在產權歸屬上，而且在經濟價值的流入上都具有高度不確定性，這會導致其未必滿足資產確認的條件，于是，就有必要針對數據資產的會計確認深入研究。

在研究對象上，企業的數據類型繁雜，劃分方法多樣化，不同類型的數據資源所面對的不確定性各不相同，未必所有類型的數據都滿足會計確認的條件。會計作為一門分類的學問，在研究數據資產的會計確認時，應將數據分門別類進行探討，而不能一概而論。

在研究方法上，對不確定性的研究是會計確認的核心問題，有鑒于此，本文首次將樸素貝葉斯分類法引入數據資產的會計確認當中，針對其中的不確定性關系進行定量分析和判斷，通過收集數據來訓練模型，旨在為數據資產的會計確認提供指導，同時也可作為會計政策制定的理論依據。

二、數據資產的會計確認模型構建

基于樸素貝葉斯分類法的數據資產會計確認模型的構建方法如圖1所示。

第一步，根據需求，選取待確認的數據資源。例如，某電商公司2018年全年的客戶訂單數據。

第二步，提取影響該類數據資源會計確認的隨機變量種類。例如，根據上文對數據資源的不確定性分析，可設定A=數據資源的擁有權或控制權;B=數據資源的時效性;C=數據資源的使用場景;D=數據資源的價值密度;E=是否應確認該數據資源為資產。假設A、B、C、D四個變量相互獨立，根據隨機變量間的相關關系完成貝葉斯網絡的有向無環圖結構，即該數據資源會計確認的樸素貝葉斯網絡拓撲結構，如圖2所示。

第三步，確定每個隨機變量的屬性及其特征向量的空間。樣本屬性記為：{A=Ai，B=Bi，…，E=Ek}（i，j，k=1，2，…，n）。其中，Ai用一個n維特征向量A={A1，A2，…，An}表示，每個取值分別對應一個可被監測到的原始信息，例如，Ai表示（其中i=1，2，…）企業對該數據資源的擁有權或控制權的狀態數，A1=擁有，A2=控制，A3=不確定。

第四步，采集并輸入訓練樣本集，建立樸素貝葉斯分類模型。利用經驗豐富的會計專家打分獲得先驗知識，賦值后得出向量的實例。例如，樣本訓練集為S={S1，S2，…，Sn}，其中，S1={A=Ai，B=Bj，…，E=Ek}（i，j，k=1，2，…，n）表示隨機變量構成向量的一個實例。

第五步，計算未知樣本的最大后驗概率，以判斷分類。代入未知樣本的特征向量，先計算每一個分類的條件概率P（Xi|E）=P（XiE）/P（E）;再計算每一個分類的聯合概率，即P（X1，X2，…，Xi，E）=P（E）·n i=1P（Xi|E）（i=1，2，…，n）;最后比較大小，以最大概率值所對應的類型作為最終歸類。如，若有P（E1）·n i=1P（Xi|E1）>P（E2）·n i=1P（Xi|E2），則未知樣本被判斷為第1類。

三、算例應用

2015年4月，國內首家大數據交易所——貴陽大數據交易所正式掛牌運營。在該交易所的平臺上，數據供應方（企業）將自身收集的數據作為商品用于交易。交易所通過電子系統，線上線下相結合，撮合交易，促使數據作為商品來流通。用于交易的數據是通過對底層數據進行清洗、分析、建模和可視化之后形成的，可在一定程度上降低數據所有權爭議的風險和保護用戶隱私。

假設G公司為貴陽一家大數據交易所的會員企業，從事B2C電子商務業務，經過多年運營，公司已經積累了大量在線業務的交易數據，可用于精準營銷、改善物流等管理活動的決策依據。G公司財務部準備將交易數據作為資產入賬，但在其是否滿足資產確認條件上存在爭議。該數據包含用戶的購買詳情以及大量個人信息，如IP地址、賬戶情況、家庭住址等涉及個人隱私，那么，數據理應歸用戶所有，用戶也應該相應地享受數據所帶來的收益。然而，電商企業為用戶提供服務，用戶購買商品，雙方各取所需，數據只是交易過程留下的痕跡，那么，企業也應該獲得數據的所用權。倘若企業意欲將該數據在交易所出售，還需要進行數據清洗以降低法律風險，但無法完全規避。于是，數據的產權歸屬問題就存在不確定性。同時，電商交易數據未必為企業帶來經濟價值，還有賴于數據的價值密度和數據挖掘方法，這就產生了資產確認的不確定性。

在此情況下，G公司財務部基于樸素貝葉斯方法，構建了一個針對交易數據的資產確認模型，通過模型求解來判斷是否應該確認。

首先，抽取五個隨機變量，分別是：A=數據資源的擁有權或控制權;B=數據資源的時效性;C=數據資源的使用場景;D=數據資源的價值密度;E=是否應確認該數據資源為資產。

其次，確定每個隨機變量狀態數的取值。根據性質，都是離散型變量，取值如表1所示。

最后，通過專家打分法獲得訓練樣本集。由于會計專家在行業背景、專業知識等方面都存在差異，有不同的判斷，所以應該盡可能選取不同行業背景的專家以獲得全面的樣本集。如表2所示，假設有表2中訓練樣本的數據，這個模型的學習目標是根據給定的不確定因素的先驗值來判斷對指定數據資源的會計確認是Yes還是No的結論。

將表2數據集中的10個訓練樣本，運用樸素貝葉斯分類法完成對新實例的分類。根據G公司財務人員的判斷，待確認的數據資源具有以下特征：

（A=A1，B=B1，C=C2，D=D1）

用以上新實例預測E（是否應確認該數據資源為資產）的目標值是Yes或No。此時，訓練樣本集就相當于會計專家的經驗庫，對新實例的分類就相當于G公司財務人員去咨詢會計專家的經驗庫，同時結合自身的職業判斷而得出結論。由上面的公式計算可以得到表3。

由表3數據計算可得：

P（A=A1，B=B1，C=C2，D=D1，E=E1）

=P（E=E1）·P（A=A1|E=E1）·P（B=B1|E=E1）·P（C=C2|E=E1）·P（D=D1|E=E1）

=2.33%

P（A=A1，B=B1，C=C2，D=D1，E=E2）

=P（E=E2）·P（A=A1|E=E2）·P（B=B1|E=E2）·P（C=C2|E=E2）·P（D=D1|E=E2）

=0.74%

因為前者大于后者，所以應該將新實例歸類如“E=Yes”這一類，即此類數據資源應該被確認為資產。

上述算例根據會計專家對數據資源不確定性因素的先驗知識得出訓練樣本集，進而計算條件概率，可用于特定數據資源的分類判斷。目前的方法在構建貝葉斯網絡時只選取擁有權或控制權、時效性、使用場景和價值密度四個因素作為隨機變量，并沒有全面囊括企業數據資源所面臨的不確定性因素，也沒有考慮到各個隨機變量的關聯性，同時在算例應用分析中的訓練集樣本數量偏少，該模型還可進一步優化。首先，后續研究中可引入更為全面的隨機變量和更大量的樣本集對貝葉斯網絡進行智能學習，進一步去除專家先驗知識或其他環節可能產生的主觀性，從多個角度出發使得會計確認更具客觀性和科學性;其次，由于將隨機變量都假設為離散型，同時對P（E）和P（Xi|E）的計算只是頻數統計，這會導致模型難以描述真實情況，后續研究可以將隨機變量設計處理為連續變量，并采用高斯模型進行計算，如下所示：

其中？滋E表示類別E的樣本中某一類隨機變量X的均值，σE則表示該類隨機變量的方差。

四、結論

本文首次利用樸素貝葉斯分類的方法構建了判斷數據資源是否應該被確認為資產的模型，并創造性地將概率推理所得概率值定義為會計確認的判斷標準，這為確認數據資產提供了理論依據。最后，以電商企業的交易數據為例，通過算例證明了基于樸素貝葉斯分類法的模型對確認數據資產具有可行性。本文的模型形式簡單，數據意義明確，便于應用，對企業數據資源的會計核算以及相關部門制定“大數據資源進財務報表”的會計政策都具有一定的參考價值。

【參考文獻】

[1] 尤瓦爾·赫拉利.今日簡史[M].北京：中信出版社，2018：50-67.

[2] 徐鑫.企業如何下好數據資產這盤棋[J].上海信息化，2016（7）：23-26.

[3] BULGER M， TAYLOR G， SCHROEDER R. Data- driven business models：challenges and opportunities of big data[R].Oxford Internet Institute，2014.

[4] 李雅雄，倪杉.數據資產的會計確認與計量研究[J].湖南財政經濟學院學報，2017（8）：82-90.

[5] 李如.對大數據資產確認與計量問題的研究[D].西安理工大學碩士學位論文，2017.

[6] 鄒照菊.企業大數據的資產屬性辨析[J].會計之友，2017（12）：7-12.

[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（20）：44-51.

[8] 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.