当前位置: 首页 > 媒体贸大 > 正文

媒体贸大

《金融时报》:(祝继高、王鹏宇、姜彦辰)商业银行数据资产:实践探索、问题应对与未来展望

发布时间: 2024年04月15日 编辑: 淏轩

来源:金融时报 2024-04-15

数据资源宝藏中蕴含着巨大生产潜力,未来必将形成以领先银行为代表逐鹿数据要素市场的局面。数据资产的管理和利用事关银行数字化转型成败,目前已成为银行业关注的焦点。把握好数据资产的认定、管理和使用,对商业银行确立行业领先地位,释放市场竞争优势至关重要。因此,商业银行需要在数据要素资产化实践的道路上持续发力。

  随着现代信息技术的日益发展与全球经济形态数字化转型的不断深入,商业实体对数据的收集能力与数据价值的挖掘水平不断提升,使其迅速成为新时代推动社会发展的战略性资源和生产要素,并进一步融入经济活动的价值创造。国家网信办发布的《数字中国发展报告(2022年)》指出,2022年我国数字经济规模高达50.20万亿元,占国内生产总值(GDP)比重41.50%,成为推动经济增长与产业转型升级的重要引擎。

  数据要素对经济发展的强大推力使其价值属性日益凸显,也进一步加速了数据的资产化进程。2022年12月,中共中央和国务院发布的《关于构建数据基础制度更好发挥数据要素作用的意见》首次提及了“数据资产”这一概念,并提出数据商为数据交易双方提供数据资产的合规化、标准化、增值化服务,“依法依规维护数据资源资产权益,探索数据资产入表新模式”的相关要求。在此背景下财政部于2023年8月发布了《企业数据资源相关会计处理暂行规定》(财会〔2023〕11号),要求企业将数据资源在财务报表中以“数据资产”科目单独列示,自2024年1月1日起正式实施。2024年1月,财政部发布《关于加强数据资产管理的指导意见》(财资〔2023〕141号),对数据资产管理的总体要求、主要任务与实施保障措施进行了进一步明确。商业银行作为社会经济活动的重要资金枢纽,在日常经营管理过程中形成了大量的数据沉淀,天然具有规模化、大体量、多维度的数据资源优势。建立高效的数据资产经营模式,实现对数据资产价值潜力的深度挖掘,已成为商业银行在数字经济时代提升自身竞争力水平的必然选择。

  商业银行数据要素概况

  近年来,商业银行数据积累不断丰富,数据池体系建设日趋完善。中国政府采购网公示的国有商业银行招投标信息表明,2016-2021年国有商业银行数据服务和数据库建设相关采购项目年均复合增长率超过39%,行业整体数据池规模大幅度扩张。2022年起随着原始数据积累的完成,商业银行外部数据需求逐渐饱和,对外部数据引入过程放缓,银行业数据池规模化扩张基本完成。

  与此同时,商业银行对数据价值挖掘与数据价值管理的资源投入不断增加。国际数据公司(IDC)发布的《中国银行业IT解决方案市场份额研究报告》显示,中国银行业IT解决方案市场规模由2016年的250.80亿元增加至2022年的648.80亿元,年均复合增长16.71%,表明我国商业银行对数据要素IT解决方案的市场需求不断增长,对数据资源的开发和应用持续深化。(见图1、图2)

  总体来看,我国商业银行数据要素已完成原始数据累积和大规模要素扩张阶段,正在逐渐转入数据价值挖掘与数据精细化管理过程。这一情况为我国商业银行的数据要素资产化探索提供了必要前提,有效推动了银行业数据的资产化进程,也为银行业数据资产入表提供了新的契机。

  商业银行数据资产的实践探索

  数字驱动的业务发展模式下,商业银行针对信息技术与数字化领域进行了大规模的投资,并依托自身数字化转型成果实现对数据的系统化、标准化管理,以期实现数据要素价值创造能力的最大化。在获取原始数据后,商业银行首先根据自身业务特征与经营需要,对原始数据进行初步加工提取形成有价值的信息片段集合,并纳入数据池形成与经营管理相关联的数据要素。在此基础上,通过对不同数据要素的应用场景搭建与数据产品开发形成可产生经济收益的数据资源。最后,通过对数据资源的价值确认与标准化管理,形成由银行自身拥有或控制并可产生预期经济收益的数据资产。

  总体来看,商业银行对原始数据进行资产化处理主要包含了价值挖掘、价值确认与价值管理三个方面。

  (一)数据价值挖掘。数据价值挖掘是数据资产化的基础性环节。商业银行对于数据价值的挖掘需要以其业务范围与所拥有的数据类型为依托,并实现数据应用与业务发展的最佳匹配形式。商业银行的数据池包含了客户信息数据、交易数据、动态账户信息数据、运营数据、监管数据与其他技术支持数据等。数据类型的多样性与广泛性使得商业银行的数据价值挖掘呈现出多渠道、宽领域、全方位的特征。

  在数据价值挖掘方式上,商业银行主要采取了数据直接赋能与数据产品赋能两类方式。

  1.数据直接赋能。数据直接赋能指商业银行依靠现代信息技术与数字化平台建设,基于现有业务特征实现数据池信息的多维度应用场景搭建。商业银行通过对不同数据的分类管理,建立覆盖市场开发、客户服务、管理决策、账户监管与风险防控等方面的全方位交叉应用场景。这一方式克服了传统经营模式下以网点作为核心渠道所带来的资源整合困难、信息效率不足等问题,并在市场风险、反洗钱风险与利率风险的防控方面实现了效率的显著改善。2022年,全国36家上市商业银行中有11家银行的年度报告披露了数据资源应用场景搭建,累计构建数字化应用场景500余个,涉及精细化管理、精准决策、自动化运营、用户权益保护等多个方面。其中,工商银行利用数据池中的4.5万张表资源,建立300余个重点应用场景形成了涉及客户服务、风险管理、运营支持等方面的全领域数字生态,助力银行数据资产价值提升。

  2.数据产品赋能。通过数据产品创新,商业银行基于日常经营活动形成的数据池资源,将数字科技植入于金融产品开发与用户管理能力的提升,以提升客户服务质量,扩展新型数字化业务,从而挖掘新的盈利增长点,实现银行业绩水平的提升。例如,建设银行基于用户数据池资源,推出“云税贷”“抵押快贷”等系列普惠金融产品,2022年研发大数据产品190个以上,并应用于客户营销与精细化管理,截至当年末公司机构客户累计达到935万户,贷款利息收入8460.17亿元,累计增长10.29%。

  (二)数据价值评估。数据要素价值的缺失会严重削弱商业银行的外部竞争优势,对自身融资环境与资本市场反应产生多方面的负面影响。因此,商业银行具有较强的动机推进数据资产的价值评估进程。近年来,光大银行、恒丰银行以及其他系统性商业银行先后发布了《商业银行数据资产估值研究与入表探索》《数据资产估值白皮书》《商业银行数据资产会计核算研究报告》等实践探索成果,主要涉及数据资产估值假设与估值方法两个方面。

  估值假设实践中,银行对于资产价值整体划分为投入价值与商业价值两个大类,并分别建立了现状利用、公开市场与持续经营三类假设。现状利用假设指在进行估值时仅考虑数据资源的当前利用情况,不考虑对数据资产利用水平的提升,也不考虑未来开发和收益水平的增长。这一假设一定程度上体现了会计计量的谨慎性原则,遵循历史成本属性,主要适用于业务支持型与自用数据资产,确认为无形资产。公开市场假设指数据资产在市场中的交易是决定于自由竞争的市场参与者,而不决定于市场交易以外的力量,遵循公允价值计量属性,主要适用于进行交易和处置的数据资源,确认为存货类数据资产。持续经营假设主要基于会计基本假设中的持续经营假设,侧重点在于商业银行自身,指银行主体能够在可预见的将来持续运行而不进行破产清算。

  估值方法实践方面,商业银行依据《数据资产评估指导意见》,以成本法、收益法和市场法为基础,进一步从指标适用对象选择、系数与权重修正等方面对估值模型进行优化调整,从而提高数据价值评估结果的准确性。同时,在会计计量层面,商业银行基于现行会计制度与财务报表结构,结合自身数据资源使用情况,提出依据所有权关系分类核算并列示的创新性观点,并在衍生数据与数据工具价值确认方面进行实践探索。光大银行发布的《商业银行数据资产会计核算研究报告》提出,商业银行按照使用权数据资产与经营权数据资产对数据资源进行分类核算,分别列入财务报表中“无形资产”的子科目,并首次提出了“衍生数据”与“数据工具”的价值确认方法与入表方案。

  (三)数据治理。良好的数据生态与高效的数据治理机制是实现数据价值充分挖掘的基础和前提。为实现数据资源的价值最大化,商业银行依托数字化转型成果,分别在组织结构建设、数据资源管理与数据文化三个方面开展了系统性的数据治理工作。

  1.组织结构建设。现代化信息技术的发展与数字化转型促使商业银行形成了数据要素驱动的新业态,要素流动与信息沟通成为数据资产价值创造的必要条件。传统的银行组织结构呈现出分层管理、专业化与流程固化的特征,容易造成数据壁垒,从而阻碍了跨部门沟通与多元化团队合作。因此,商业银行需要从顶层设计出发,自上而下建立与数据要素驱动相适应的组织结构。2022年商业银行年报披露信息显示,光大银行、交通银行、兴业银行等均将数据治理纳入董事会职责范围,并由战略委员会牵头,与审计委员会、信息技术委员会等部门联合制定数据治理战略规划,以金融科技部门和数据资产管理部门为枢纽建立多部门人员合作机制与信息共享机制,明确各部门的权责范围,以实现数据资源的业务驱动功能。

  2.数据资源管理。标准化与规范化的数据管理有利于银行提升数据要素活力,形成智能高效的数据赋能生态。通过制定数据标准与曲项,进一步完善了涉及数据产生、数据使用、数据传输转让与数据安全的数据资产全生命周期管理。例如,平安银行2022年全年制定数据标准8418项,完成超17000项关键数据认证,并通过自主研发扫描引擎“鹰眼”,自动化扫描盘点全行存量数据,实现数据资源的低成本管理与高效利用。

  3.数据文化。通过引入金融科技与信息技术人才与员工数字化技能培训,强化数据资源的深度开发与业务融合,以数据资产价值管理全面驱动业务扩展,使数据要素渗透至全行每一个部门岗位,从而加强员工对于数据要素重要性的认知,并主动参与数据要素管理过程。光大银行2022年年报披露显示,该行截至2022年末科技人员数量3212人,较上年末增加851人,增幅36.04%。利用科技人才优势,以“三新三化”(新体验、新模式、新融合,中台化、敏捷化、智能化)为科技发展目标,组织实施近百项重点科技项目,深化数据资产价值管理。

  商业银行数据要素资产化面临的主要问题

  《企业数据资源相关会计处理暂行规定》的实施使数据资源进入商业银行报表,有利于彰显银行数据要素的市场竞争力水平。然而,当前商业银行数据资产化会计实践与数据资产入表存在着一系列的问题和难点,主要包括数据资产权属确认、数据资产成本计量的可靠性与信息披露质量三个方面。

  (一)数据资产权属与边界确认。数据资源被确认为资产需要满足“企业拥有或控制”这一基本条件。根据上海数据交易所的数商分类标准,商业银行兼具了资源供给型数商与数据消费型数商的双重特征。一方面,银行自身的经营活动会形成天然数据累计与数据池资源。例如,客户信息、账户交易情况、资金流转记录等。另一方面,出于市场营销、产品开发等经营业务需求,会向外部进行数据资源采购与数据分析工具的引入。由于数据资源具有高度的可复制性与可传输性,使得其权属确认较为困难。光大银行发布的《商业银行数据资产估值白皮书》指出,当前法律体系对数据权属、权利类型规定不明确,数据交易者无法判断交易双方是否有特定交易资格,这带来了较高的交易风险。控制权方面,对于外购数据资源,销售方一般仅提供使用权和加工处理权,且不同数据的授权程度不同,如银行从数据提供方购买的金融市场风险等数据中,部分数据仅可进行初步加工,而其他数据可进行任意加工。这一情况导致商业银行对于不同数据资源的控制程度不同,从而难以确认对数据资源的控制程度,对数据资源的入表金额确认造成了一定的模糊性。对于内部产生的数字资源,区别于一般企业的数据管理,商业银行由于累积了大量个人层面的财产信息与交易信息,属于提供重要互联网平台服务、用户数量巨大、业务类型复杂的个人信息处理者。根据《中华人民共和国个人信息保护法》的要求,商业银行需要成立主要由外部成员组成的独立机构对个人信息保护情况进行监督,并定期发布个人信息保护社会责任报告,接受社会监督。因此,作为银行核心业务支持的个人信息数据在加工、流转等方面受到了严格的限制和监督。这一情况使得银行对客户信息的所有权与控制权受限,并对资产的未来经济利益流入产生了较大的不确定性。因此,个人金融信息是否应列为银行的数据资产客观上存在一定的争议,加剧了商业银行数据资产的范围认定的模糊性。

  同时,在数据资源边界确认方面,衍生数据是否应纳入数据资源的确认范围是当前银行在数据资源入表过程中面临的另一个难题。商业银行在利用数据池原始信息进行加工处理的过程中会产生众多的衍生数据,且大多数衍生数据属于数据深加工过程中的副产品,缺乏应用场景搭建与使用标准,难以确认未来经济利益流入的可能性,从而造成了衍生数据资产属性认定的模糊性,为商业银行数据资产的会计实践带来了挑战。

  (二)数据资源成本计量的可靠性。数据资产的计量问题涉及数据的初始确认与后续计量两个方面。初始确认方面,商业银行自身拥有的数据资产主要用于业务支持,极少进行出售和转让。根据《企业数据资源相关会计处理暂行规定》的要求,商业银行在取得相关数据时应将其确认为无形资产。然而,现阶段银行数据池信息主要来自日常的经营管理活动,且存在更新维护周期短、应用技术门槛高、质量参差不齐与衍生数据众多等问题。这一状况导致了商业银行对于数据资产的未来经济利益流入难以准确估计,故而无法采用现值计量,也无法就无形资产准则中关于无形资产确认条件下未来经济利益流入的可能性实现有效评估。若以实际支付金额作为初始计量成本,商业银行数据资产的产生需要经过数据获取、数据存储、数据整理、数据标准化、数据资产化包装等环节。各环节产生的成本具有混合性、多样性与复杂性。如何剥离数据处理成本?同一数据处理过程中适用多个数据资产项目时,相关成本在不同数据资产间的分配原则仍需进行进一步论证。同时,数据的保密要求与流转限制使得商业银行的数据不存在活跃交易市场,导致初始确认阶段公允价值与历史成本模式的采用无法获得审计认可。因此,商业银行的数据资产在初始确认阶段的计量模式选择与金额确认存在较大的障碍。

  后续计量阶段,不同于其他类型资产,数据资产产生价值创造能力需要大量技术资本与人力资本的支持(如AI数据平台开发、数据分析等),从而产生数据支持成本。因此,数据资产本身的摊销成本与数据支持成本如何划分,且成本收益匹配原则下,摊销成本与如何匹配对应的收益份额,以实现对数据资产价值创造能力的公允反映,目前为止尚无有效的解决方案。

  (三)信息披露质量。《企业数据资源相关会计处理暂行规定》对于数据资源的信息披露要求采取强制披露与自愿披露相结合的方式。对于数据资源的自愿披露有利于强化银行的数据竞争优势,对外部投资者传递积极的信息,但数据资产认定与价值评估的复杂性导致企业资源披露的成本大幅提升,从而抑制了商业银行对外提供数据资产信息的积极性,并无形中阻碍了数据资产的入表进程,削弱了数据资产对外部财务报表使用者的决策有用性。

  2022年商业银行年度报告中关于数据资产披露的整体情况表明,A股36家上市商业银行中有14家在报告中未披露任何同数据资产、数据治理有关的信息。同时,其他22家银行对于数据资产的披露内容全部为文字描述性,且普遍存在一带而过的现象,对于自身数据资产的种类、存储形式、应用场景、更新与销毁情况的说明极为模糊。表明当前我国商业银行对于数据资产披露的积极性较低,且未形成成熟完善的披露范式。这一状况的存在为数据资产入表后的关联信息披露的可靠性带来了一定的忧虑,使财务报告使用者无法准确评估银行数据资产的潜在价值,对其数据资产的价值评估与数据资产的保值增值产生了不利影响。

  商业银行数据资产发展未来展望

  毕马威中国发布的《2023年中国银行业调查报告》指出,数据资源宝藏中蕴含着巨大生产潜力,未来必将形成以领先银行为代表逐鹿数据要素市场的局面。数据资产的管理和利用事关银行数字化转型成败,目前已成为银行业关注的焦点。把握好数据资产的认定、管理和使用,对商业银行确立行业领先地位,释放市场竞争优势至关重要。因此,商业银行需要在数据要素资产化实践的道路上持续发力。

  (一)明确数据权属。数据权属管理作为数据要素资产化探索的基础和前提,是银行进行数据要素价值释放的首要难点。当前,由于缺少直接的法规与执行规范参考,商业银行对于数据归属权问题尚无统一的认定标准,数据流转过程中常遇所有权、清洗加工权、使用权、收益权等权属划分不明确的问题。这给数据资产价值的深入探索与数据资产化的未来实践道路带来了不确定性。未来,商业银行需要对数据资产流转过程中的权属问题进行深入的研究,通过数据流转、传输、加工过程的留痕处理,在数据购买、使用、共享业务中加入数据权利条款与归属条款等方式,进一步明确权属标准,为数据资产的价值探索奠定坚实的基础。

  (二)建立金融行业数据资产会计核算制度。目前,商业银行数据资产存在加工成本混杂、期间分摊不明、后续计量成本与收入不匹配等问题。商业银行现有数据要素资产化实践表明,银行数据资源的价值创造途径主要是依托数据资源进行业务驱动与金融科技价值创造,应确认为无形资产。因此,商业银行需要参照现行无形资产准则,对数据资产的确认条件、资本化认定,价值摊销与处置等方面进行标准化探索,并立足于自身业务特征,形成数据资产全生命周期的会计核算标准与制度化流程,实现对数据资产的高效准确核算。同时,在数据资产相关信息披露方面,商业银行可结合自身数据使用情况、投资者信息需求与数据资产的报表附注披露要求,对数据资产的来源、分类标准、引入与使用情况等方面内容形成相应的披露范式,从而增加数据资源对外部投资者的决策有用性,助力商业银行市场估值水平的提升。

  (三)加快人才队伍建设。作为银行数字化转型与数据资产化的核心驱动力,稳定的数字化人才队伍是商业银行运用数据驱动实现竞争力与市场占有率提升的重要保障。由毕马威中国发布的《区域性银行数字化转型白皮书》显示,70%的国内被调查银行存在数字化人才短缺问题,且人才培养面临周期长、投入高、难度大等问题。这一状况成为制约商业银行数据资产化实践的主要因素,并对银行业数据驱动下的业务发展与经营管理造成潜在瓶颈。因此,商业银行需要结合自身情况,通过产学研合作、人才引进机制建设、人才业务平台搭建等方式实现数据人才队伍的充实,为商业银行数据资产的应用与管理实践提供持续性动力。

  (四)持续推动金融科技发展。金融科技是商业银行实现数据赋能与数据资产化的重要途径,也是数据价值精准评估的关键保障。现阶段银行业严格的数据保密要求与使用场景限制,导致了数据交易机制的缺失与数据价值评估的非公允化。持续推动金融科技的发展一方面有助于搭建限制性数据入场交易的模拟场景,为商业银行数据资产化和交易机制的构建奠定基础,实现数据价值的精准高效评估;另一方面可以提升商业银行数据加密和数据安全防护水平,并有效预防黑客攻击与数据泄露风险,实现对客户资金安全与隐私信息的保障,为银行业数据治理的有效实施提供了坚实保障。

  (五)加快行业标准的制定与完善。当前我国商业银行的数据管理与数据价值确认过程存在着模型应用多样化,银行间数据治理标准、管理流程与数据确认口径不统一等问题,从而对银行间数据信息共享造成了不利影响,也进一步制约了数据价值最大化的实现。行业标准的制定和完善有利于推动商业银行在数据标准制定、应用场景构建与数据产品开发、数据传输、数据安全建设与价值评估等方面的统一化,从而加强数据模型构建与优化,推进数据治理融入组织机构设立与管理条线,为银行间数据壁垒的破除与数据价值的充分释放提供相应的路径指导。

  (作者单位:对外经济贸易大学国际商学院)

  主要参考文献:

  ① 初磊.商业银行数据资产估值“进阶”[N].经济导报,2023-12-01(005).

  ② 朱秀梅,林晓玥,王天东等.数据价值化:研究评述与展望[J/OL].外国经济与管理:1-16[2023-12-16].

  ③ 陆岷峰,欧阳文杰.商业银行数据资产的价值评估与交易定价研究[J].会计之友,2022,(19):30-37.


(作者:祝继高 王鹏宇 姜彦辰)

      附原文链接:

      https://h5.newaircloud.com/detailArticle/23870585_28236_jrsb.html?app=1&relPicRatio=0&source=1


更多资讯请关注学校官方微信、微博

投稿邮箱:news@uibe.edu.cn读者意见反馈:xcb@uibe.edu.cn对外经济贸易大学党委宣传部版权所有 Copyright © 2005-2021 UIBE All rights reserved.
校内备案号:外经贸网备31418006