九大问题导致数据资源入表困难

从主体到客体、从理解到实践、从研发到项目、成熟需要时间。

​​一、核心理论支撑实践不足：企业经营都需要数据，从这个角度证伪，很多理论都存在不足。个人认为数据资源的价值内核是DIKW模型，既有知识和智慧的价值变现，也有数据和信息替代投入和增加收入价值的价值，而数据资源化、资源产品化、产品资本化只是其表现形式。

二、规模和行业门槛限制。金融企业、中央国企、民营价值链主企业等数据量大、类型多、产业纵深高的企业有机会用数据资源为企业创造新价值和新场景。

三、对企业信息化应用阶段有要求。无论是数据治理、数据管理等，都以企业数字化转型成熟度为基础，大多数企业的治理、机制和流程上并没有这样的基础。

四、数据权益保护困难使其作为资产的基础极其脆弱。数据的虚拟性、低成本复制、加上主体多元及非竞争性特点，形式上的确权并不能实质保障其经济权益，数据权益需要通过技术手段和法律相结合，成本高且对企业要求高。

五、数据的成本计算难。一是传统成本核算模型不适用，新成本核算模型又缺乏共识，事实上大多数数商和企业本身因技术难度高、综合性强，难以对数据成本进行合理预算；二是数据的多主体、异质性使确定具体的成本归集对象难；三是多主体和多场景使确定总成本的分配基数难（数据并不是业务系统的附属品，是业务本身的组成部分，所以数据成本分配需要与现有业务、系统解耦，以确定各自合理的分配基数）。因此，无论是成本归集还是成本分配，都需要对关键分配参数进行估计，相关方对这些估计的参数难以达成共识，而事实又会很快证明这些估计参数根本经不起验证（场内交易记录少也是证明）。

六、数据估值难也导致收益分配难。估值难可能是数据形成价值的理论体系不完善，尚不能合理解释各方基于数据资源和其他生产要素的投入产出关系的结果。叠加成本计算困难和三权的交叉重重叠，导致收益分配难。确认数据资源入表企业不多，市场交易有限的交易，或许就是投入产出关系缺乏共识的旁证。

七、数商服务过度和不足的问题。无论是IT服务商还是法律数据服务商等，都希望建一个系统对数据进行处理，无论是数据保密，还是后期成本压力，除富集数据企业确实有通过市场变现需求的企业能承担外，大多数企业并不愿承担成本和数据泄露的风险。市场发展初期，大多数商的专业能力尚未完全获取客户和市场的信任。

八、不符合成本效益原则。数据治理、确权、评估等，大多数企业基于交易进行数据产品开发，成本难以覆盖收入。

九、对提升财务报告信息作用的相关性有限。

高质量的数据，可能会以人工智能的方式，通过人机结合扩大其价值。数据资源的热点会推动数据质量提升，可能会增加我国人工智能的优势，这或许才是数据未来真正赋能百行千业创造价值的地方，尽管现在人工智能产业化在实践中远远不够，而且开始有人怀疑人工智能的泡沫化问题。

更多有关数据资源入表信息，请移步本人微博

cqacyaoSina Visitor Systemhttps://weibo.com/u/1007092420