本文是一篇会计论文发表，本文通过现有的大数据的概念，特点，对大数据资产的定义进行扩充，并结合大数据资产的特点，系统地提出大数据资产的确认，计量和信息披露的方法，以防企业价值流于表外。
1.绪论
1.1 选题的背景和意义
1.1.1 选题背景
数字经济最早出现于美国，是继农业经济和工业经济后的智能经济，也是工业 4.0的本质特征。数字经济的起源要追溯到上世纪 80 年代，由于全球互联网的日益发展和广泛应用，产生了海量数据，从而传统的数据处理技术已经不能满足庞大数据的处理需求，进而推动了数据处理分析技术的快速发展，也同时诞生了新的商业模式—电子商务。正是在此背景下，“数字经济”这一概念应运而生。在数字经济阶段，数字化形式的信息是核心生产要素，通过创新数字技术使传统的实体产业更加智能化。我国目前正处于数字经济的迅猛发展阶段，数字经济的规模不断迈向新高度，在 2016 年我国数字经济的规模在 GDP总额中占比达到 30.3%，而在 2019 年该比例已经达到了 36.2%。
数字经济的本质特征是将生产生活中积累的海量大数据进行清洗、筛选、储存、整理分析后将其用于优化资源配置，实现产业发展。2020 年我国提出数字经济发展的“四化”内涵，其中就包括将数据价值化，可见有价值的大数据是数字经济得以发展的重要因素。在如今的经济社会中，企业个体或实体在不停获取信息的同时也在制造信息，数据已经成为了企业在生产和经营中不可或缺的部分，并且随着时间的推移，数据的核心价值不再是对过去已发生事件的记录，而是对未来的预测，数据发挥的经济价值也因此产生了前所未有的飞跃。在当前的数字经济时代中，经过处理分析后形成的有价值的大数据已经成为了企业重要的经济投入和价值资产，也是全球数字经济发展的核心驱动力。
Statista（全球领先统计机构）预计全球大数据市场收入于 2020 年将达到 560 亿美元。与 2017 年相比将会增加 60%。并且该机构预测该市场将会以 14%的年增长率稳步扩张。在如此迅猛发展的背景下，大数据的应用会更加广泛，数字经济时代的到来也呈现出不可阻挡之势[1]。近五年全球大数据市场规模如图 1-1 所示：
1.2 文献综述
1.2.1 国外研究现状
1890 年，美国统计学家赫尔曼·霍尔瑞思将人口普查数据制成表格，推动了数据时代的开启[5]。随后，由于 PC 端的出现和应用导致生成了大量的文档数据。与此同时，与前阶段仅财务人员才可以处理数据的管理模式不同，企业逐步开启了全员接触并处理数据的时代，该阶段的生产数据量也发生迅猛增长[6]。随着云计算，互联网等应用的大规模兴起，大数据在数量上和形式上均处于急剧发展的状态。在此背景下，大数据成为数字经济时代最受社会和市场关注的概念之一，当前大数据已经在不同行业和领域发挥着重要的作用[7]。在商业领域，众多企业如沃尔玛和亚马逊利用大数据技术定位潜在消费者，帮助企业实现产销平衡，从而提高销售收入，降低经营成本；在教育界，众多权威高校成立了大数据中心，并增设与大数据相关的专业[8]。
与此同时，国外政府、企业和学界也对大数据相关领域展开了详细研究，主要研究的范围包括大数据的处理分析技术、大数据的资源管理、数据融合技术等。其中比较有代表性的研究成果有：Google 团队研发出编程模型 MapReduce（一种可以对海量数据同步进行分析处理的模型），有效地弥补了现有数据分析处理技术的缺陷与不足[9]。2012 年，美国政府正式吹响了研究并发展大数据的号角，发布了一系列大数据研究计划，投资 2 亿余美元用于数据科技的研究[10]。澳大利亚和英国政府也紧随其后，分别在 2013 年和 2014年开始部署大数据发展战略。英国政府更是投入 7300 多万英镑，并将大数据分析技术应用于政府项目中[11]。2017 年，欧盟委员会经过多方研讨，决定着手打造欧洲数据经济，发布与数据经济发展存在的问题相关的分析报告[12]。除了政府和企业，国外学界对于大数据技术的发展也进行了深入探讨，如以 Alessandro M 为代表的研究团队，通过完善数据可视化技术，利用其解决了量化过程中存在的时间耗费长等问题[13]。目前，国外针对大数据的研究更多的集中在数据处理技术，数据资源管理以及数据资产权属确认方面，越来越多的研究表明大数据应当成为一项新型资产并应当将其记录到资产负债表中，但如何对大数据资产进行具体的会计处理仍然是悬而未决的问题。
2.相关概念与理论基础
2.1 大数据的概念及特点
2.1.1 大数据的概念
数字经济背景下，数据量呈现爆发式的增长，越来越多的企业意识到大数据带来的强大竞争力。针对大数据的概念，许多数据研究机构和专家都给出了不同的定义。麦肯锡研究院（Mckinsey&Company）认为大数据就是巨大的数据集合，其中的数据可以被搜集、储存和处理分析，其与传统的生产要素相似。在大数据的参与下，现代经济才会得以发展和创新[28]。龙头数据服务公司高德纳（Gartner Group）给出的定义是大数据具有高速变动、容量庞大、形式多样的特点，现有的技术软件无法实现对其精准捕捉和处理分析，需要创新的处理方式才能提高其决策有用性[29]。此外，维基百科（Wikipedia）也提出了大数据的定义，它与高德纳咨询公司同样认为，由于大数据体量巨大，传统的数据处理技术难以实现大数据的精准挖掘和处理，对大数据的精准捕捉搜集，储存转换以及共享和分析是大数据发展中的极大挑战[30]。根据上述资料中对大数据的定义，初步可以整理出大数据在概念上包含几个要点。首先，大数据不是零散的几条数据，是超大容量、超快速度和超多形式的数据集合。其体量之大、速度之快致使目前存在的常规处理软件无法对其进行精准的处理分析。其次，大数据具有巨大的潜在价值，需要发展新的信息处理方式，对其进行充分挖掘和利用才能实现大数据对企业，对社会发展的助力作用。大数据的发展推动着人类进入了数据科技时代。如何在纷繁复杂的庞大数据中充分挖掘其潜在价值，是数据时代下政府和企业需要攻克的难点。
2.1.2 大数据的特点
IBM 提出了大数据具有 5V 的特点：体量极大、价值密度低、增长速度极快、种类和来源多样化、准确度和可信性高[31]。
具体来说，首先，数据体量大代表着其采集、存储以及后续计算分析的体量都是巨大的。大数据的计量单位有 P，E 和 Z 三个级别。在日常生活中，我们熟知并且能够用到的数据存储单位通常是 G。随着数据量的不断激增，普通人手机的流量使用，每个月可以达到 5-10 个 G，而 1 个 T=1024 个 G，如此换算下来大数据的计量单位 P（1000 个 T)至少是100 万个 G，其体量之大，可见一斑[32]。目前，全球的数据规模已经达到 Z（10 亿个 T）级别，许多企业如百度，阿里巴巴等存储的数据量也已经达到了 E（100 万个 T）级别。
2.2 大数据的处理流程
前述提到大数据具有价值密度低、高速的特点，在海量原始数据中挖掘出对企业决策有用的大数据对企业的处理分析技术要求极高。传统的数据技术无法实现新型大数据的精准挖掘和快速处理。大数据从产生到最终形成可用的数据集需要复杂繁多的步骤，有价值的数据集通常需要经过海量的数据积累、高效的数据清洗和归集等流程。并在经过初步处理后，对其进行快速整理和准确分析，最终将数据以图表等清晰易懂的形式展示出来[35]。本文基于上述几个处理环节，将大数据的处理流程概括为大数据的积累清洗阶段和整理分析阶段，并对两个阶段进行分别介绍。
2.2.1 大数据的积累清洗阶段
大数据的积累清洗阶段是对大数据的前期预处理，主要包括数据的收集、数据清洗、数据的集成归约和数据的转换。①海量大数据的收集是数据挖掘的基础，目前许多电商平台和社交软件都可以在经营活动中获取成千上万的用户行为信息。企业大多通过设置爬虫软件的时间，并用其收集 web 数据，以此来保证大数据的时效性，如可以利用增值 API设置来灵活控制收集任务何时启动、何时停止[36]。②大数据清洗是对原始数据的初步审查过程，包括检测数据的不一致程度，审查数据是否存在错误、识别噪声数据、过滤与修正数据等方面。另外，数据清洗环节也会对涉及敏感信息如商业机密，个人隐私一类数据进行脱敏处理。③数据的集成和归约是将多个数据源进行集成，形成统一的数据库，可以提高大数据的完整性、安全性和可用性。数据归约是采用数据抽样，数据维归约等技术，在保证信息无误的同时将数据集简化，提高大数据挖掘的效率。④数据转换技术可以帮助大数据实现统一，从而提高其有用性。主要包括基于模型与学习的转换和基于元数据或规则的转换等[37]。
3.企业大数据资产的会计处理现状及存在的问题...........................17
3.1 企业大数据资产的会计处理现状..............................17
3.1.1 企业大数据资产的确认现状................................. 17
3.1.2 企业大数据资产的计量现状.................................... 18
4.对大数据资产会计处理方法的研究..................................25
4.1 大数据资产的确认..........................25
4.1.1 大数据资产的确认条件.............................. 25
4.1.2 大数据资产计量属性的选择.............................. 30
5.大数据资产会计处理在实例中的应用—以 A 信息技术有
