Datenfinanzierung: Bewertung des potenziellen Umfangs der Datenverwertung

I. Überblick über die Entwicklung des Marktes für Datenbestände

1.1 Unser LandDaten-AssetisierungBeginn der Straße

Gegenwärtig wird der Aufbau des chinesischen Datenfaktormarktes schrittweise vorangetrieben.Bereits am 31. August 2015 gab der Staatsrat die "Outline of Action for Promoting the Development of Big Data" (Guo Fa [2015] Nr. 50, im Folgenden "Outline") heraus, in der er vorschlug, den Aufbau eines Big-Data-Handelsmarktes anzuleiten und ein Pilotprojekt für einen anwendungsorientierten Datenhandelsmarkt durchzuführen. Seitdem haben das Zentralkomitee der Kommunistischen Partei Chinas, der Staatsrat und die NDRC wiederholt Dokumente herausgegeben, um die Entwicklung des Datenfaktormarktes zu lenken.2022 Im Dezember 2022 gaben das Zentralkomitee der Kommunistischen Partei Chinas und der Staatsrat die Stellungnahmen zum Aufbau eines Datenbanksystems heraus, um die Rolle der Datenfaktoren besser zur Geltung zu bringen (im Folgenden als "Zwanzig Artikel über Daten" bezeichnet), in denen die Grundsätze für die Entwicklung des Datenfaktormarktes festgelegt und die Richtung der Entwicklung des Datenfaktormarktes aufgezeigt wurden. Im März 2023 gaben das Zentralkomitee der KPCh und der Staatsrat das Programm zur Reform der Partei- und Staatsinstitutionen heraus, in dem klargestellt wurde, dass ein Nationales Datenbüro gebildet werden soll, das für die Koordinierung und Förderung des Aufbaus des Datenbasissystems, die Koordinierung derDatenquelleIntegration, gemeinsame Nutzung, Entwicklung und Nutzung sowie koordinierte Förderung des digitalen Chinas, der digitalen Wirtschaft, der Planung und des Aufbaus der digitalen Gesellschaft usw.Die Einrichtung des Nationalen Datenbüros bedeutet, dass die Entwicklung des Datenmarktes von den bisherigen Leitdokumenten im Prinzip zur konkreten Umsetzung der Landung übergehen wird, Chinas Datenmarkt auf der Überholspur.

In Bezug auf den Prozess der Übertragung von Datenelementen von Ressourcen auf Vermögenswerte.Die Entwicklung des Datenfaktormarktes kann in drei Phasen unterteilt werden, und zwar in der Reihenfolge: Datenbeschaffung, Datenverwertung und Datenkapitalisierung (PwC, 2022; ICTA, 2023).DatenbeschaffungEs handelt sich um den Prozess der Umwandlung ungeordneter und chaotischer Rohdaten in eine geordnete und nützliche Datenquelle.Daten-AssetisierungEs geht darum, Datenressourcen als Ausgangspunkt zu nehmen, sie für festgelegte Anwendungsszenarien und Geschäftszwecke zu verarbeiten und zu Datenprodukten zu entwickeln, die von Unternehmen genutzt oder gehandelt werden können.Kapitalisierung der DatenDabei handelt es sich um den Prozess der Ausstattung von Daten mit mehr finanziellen Attributen auf der Grundlage von Daten-Ressourcen und -Vermögenswerten, die z. B. als Sicherheiten für Finanzaktivitäten wie Kreditfinanzierung verwendet werden können. Gegenwärtig befindet sich China in der Phase, in der Daten von Ressourcen zu Vermögenswerten werden, und die Entwicklung des chinesischen Datenfaktormarktes in dieser Phase ist durch die folgenden Merkmale gekennzeichnet:

Einer davon ist, dass Daten bereits jetzt erhebliche wirtschaftliche Vorteile bringen können.Nach Angaben der National IndustrialInformationssicherheitDer "China Data Element Market Development Report (2021-2022)", der vom Development Research Centre und der Guanghua School of Management der Universität Peking im November 2022 veröffentlicht wurde, ermittelte, dass Industrieunternehmen mit Hilfe von Datenelementen ihr Geschäftswachstum um durchschnittlich 41,18% steigern, ihre Produktivität um durchschnittlich 42,8% verbessern, den Produktentwicklungszyklus um durchschnittlich 15,33% verkürzen und die Energienutzung um durchschnittlich 10,19% erhöhen konnten. um durchschnittlich 10,191 TP3T.

Zweitens hat der Markt für den Handel mit Datenelementen Gestalt angenommen.Laut unserem Bericht "National Data Trading Platforms and Commercial Banks' Business Opportunity Analysis"[1], der im April 2023 veröffentlicht wurde, gibt es im Februar 2023 nach unvollständigen Informationsstatistiken landesweit 40 Datenhandelsplattformen, an denen mehr als 30 Provinzen, Gemeinden oder Regionen beteiligt sind, und entsprechend den Zielen und der Positionierung der einzelnen Datenbörsen ist die anfängliche Bildung der internationalen Datenhandelsdrehscheibe, der nationalen Datenbörsen, der regionalen Datenhandelszentren und der Datenhandelsplattformen auf Branchenebene eine hierarchische Struktur. Entsprechend den Zielen und der Positionierung der einzelnen Datenbörsen wurde zunächst eine hierarchische Struktur aus internationaler Datenhandelsdrehscheibe, nationaler Datenbörse, regionalem Datenhandelszentrum und Datenhandelsplattform auf Branchenebene gebildet.

Drittens: Der Prozess der Erfassung von Datenbeständen wird schrittweise vorangetrieben.Am 9. Dezember 2022 veröffentlichte das Finanzministerium ("MOF") die Interim Provisions on Accounting Treatment for Enterprise Data Resources (Exposure Draft), in denen die Anpassung der entsprechenden Unternehmensrechnungslegungsstandards an die buchhalterische Behandlung von Datenressourcen in der Tabelle in diesem Stadium untersucht wird. Entsprechend der Art und Weise, wie ein wirtschaftlicher Nutzen in der Rechnungslegung realisiert wird, werden die Datenressourcen eines Unternehmens in zwei Kategorien unterteilt, nämlich in "vom Unternehmen intern genutzte Datenressourcen" und "vom Unternehmen extern gehandelte Datenressourcen". In den letzten Jahren haben auch eine Aktiengesellschaft [2], Guiyang Big Data Exchange [3] und andere versucht, Datenwerte durch Datenbewertung in die Tabelle zu bringen.

Nach unseren früheren Untersuchungen [4] sind die Vermögenseigenschaften von Daten als wichtige Klasse von Produktionsfaktoren von verschiedenen Seiten anerkannt worden.Unter Bezugnahme auf die Definition in den Rechnungslegungsstandards für Unternehmen ist ein Vermögenswert eine Ressource, die durch eine vergangene Transaktion oder ein Ereignis eines Unternehmens entstanden ist, sich im Besitz oder unter der Kontrolle des Unternehmens befindet und von der erwartet wird, dass sie dem Unternehmen wirtschaftlichen Nutzen bringt. Gegenwärtig gibt es in China keine offizielle, einheitliche Definition von Datenbeständen. Ausgehend von Erfahrungen aus Übersee definiert das National Institute of Standards and Technology (NIST) Datenbestände als jede Einheit, die aus Daten besteht, einschließlich Systemen, Anwendungen, Datenbanken, Dokumente, Webseiten und anwendungsbasierte Datendienste [5].

1.2 Herausforderungen bei der Daten-Assetisierung

Die Verwertung von Daten ist typischerweise dadurch gekennzeichnet, dass Daten nicht nur innerhalb des datenerzeugenden Subjekts einen Wert generieren können, sondern auch mehrfach durch ein breiteres Spektrum von Subjekten genutzt werden können, sobald die Daten im Umlauf sind, wodurch ihr Vermögenswert voll zum Tragen kommt.Daher ist die geordnete Zirkulation von Daten ein wichtiger Dreh- und Angelpunkt, um das Energieniveau der Daten-Assetisierung zu erhöhen. Aus der Perspektive der Datenzirkulation und -nutzung steht die Data Assetisation derzeit vor vielen Herausforderungen:

Erstens ist der Aufbau des Datensystems auf oberster Ebene noch nicht perfekt, und das Vorhandensein unklarer Dateneigentumsrechte und eines unvollkommenen Klassifizierungs- und Klassifizierungssystems für Daten ist die größte Herausforderung auf dem Weg zur Datenverwertung.Am 2. Dezember 2022 erließen das Zentralkomitee der Kommunistischen Partei Chinas (KPCh) und der Staatsrat Zwanzig Artikel über Daten, in denen es heißt, dass datenbezogene Rechte das Recht auf den Besitz von Datenressourcen, das Recht auf die Nutzung von Datenverarbeitung und das Recht auf den Betrieb von Datenprodukten umfassen. Obwohl die Zwanzig Artikel über Daten noch keine detaillierten Regeln für die Bestimmung von Dateneigentumsrechten und die Aufteilung des Eigentums enthalten, ermutigen sie dazu, der Förderung von Datenbeständen Priorität einzuräumen, um die Tiefe und Breite ihrer Nutzung in der wirtschaftlichen Produktion zu erforschen.

Zweitens: Datenflussrechte, Datenanwendung undDatensicherheitDie Technologie muss noch weiter verbessert werden, damit der Aufbau und die Implementierung datenbezogener Systeme durch ausgereifte und reichhaltige Technologie gewährleistet werden kann.Das Fehlen einer Technologie zur Datenbestätigung behindert den Schutz der relevanten Interessen aller Arten von Rechtssubjekten im Datenfluss, das Fehlen einer Technologie zur Datenanwendung ist der vollständigen Freisetzung des Werts von Daten nicht förderlich, und das Fehlen einer Technologie zur Datensicherheit erhöht die Risiken und Hindernisse für den Datenfluss und verringert die Bereitschaft der Betroffenen, Daten bereitzustellen.

Drittens, und das ist der Schwerpunkt dieses Papiers, geht es darum, wie der Wert der Daten bestimmt wird.Der größte Unterschied zwischen einem Vermögenswert und einer Ressource besteht darin, dass ein Vermögenswert einer Organisation einen wirtschaftlichen Nutzen bringen kann. Und wie misst man den wirtschaftlichen Nutzen, den Daten bringen, d. h. dieBewertung von Datenbeständenund wie ein einvernehmlicher Transaktionspreis (d. h. die Erleichterung einer Einigung beider Parteien über die Bewertung der Daten) während des Transaktionsablaufs erzielt werden kann, ist ein zentrales Thema, das im Hinblick auf die weitere externe Befähigung der Daten behandelt werden muss.Es sei darauf hingewiesen, dass der beizulegende Zeitwert der Preis ist, den ein Marktteilnehmer in einem geordneten Geschäftsvorfall am Bewertungsstichtag für den Verkauf eines Vermögenswerts erhalten oder für die Übertragung einer Verbindlichkeit zahlen würde, und dass sich die nachstehende Bewertung von Datenbeständen auf die Ermittlung ihres beizulegenden Zeitwerts bezieht.

Das datenbezogene System muss von den nationalen Regulierungsbehörden durch Rechtsvorschriften, die Herausgabe normativer Dokumente usw. geklärt werden; die Entwicklung der datenbezogenen Technologie braucht ebenfalls Zeit; und die Schwierigkeit, den Wert von Datenbeständen zu bestimmen, führt zu Schwierigkeiten bei der Bildung des Datenpreises, was unmittelbar zu einer Blockade des Datenverkehrs und -handels führt.

Die derzeitige Bewertung von Datenbeständen ist mit zahlreichen Schwierigkeiten verbunden:

Einerseits ist es schwierig, den Wert von Daten direkt zu messen. Erstens ist es nicht möglich, den Wert von Daten direkt in Bezug auf die Daten selbst zu bestimmen.Weder die Dimensionalität noch die Größe des Datenvolumens können den Beitrag der Daten zur Datenanalyse direkt bestimmen, und die Anzahl der Dateneinträge spielt eine gewisse direkte Rolle bei der Messung von Daten auf Kundenebene, bestimmt aber nicht die Qualität der Daten. So sind beispielsweise asymmetrische Datensätze mit ungleichmäßiger Datenverteilung für die Datenanalyse weniger wertvoll. Darüber hinaus können Probleme wie spärliche Daten zu großen Datenmengen und -zahlen führen, die aber in praktischen Anwendungen nicht viel wert sind.Zweitens fehlt dem statistischen Rahmen eine Methodik für den quantitativen Vergleich von Daten, was die Verwendung der Daten betrifft.Im klassischen statistischen Rahmen ist das Modellbewertungssystem vollständiger, und es gibt zahlreiche Indikatoren für die Modellbewertung. Im Gegensatz dazu können einige der vorhandenen Indikatoren aufgrund des Mangels an Indikatoren für die Datenqualitätsbewertung keine Rolle bei der Messung der Datenqualität spielen, wie z. B. der Varianz-Inflationsfaktor (VIF) nur für das spezifische Datenproblem der Multikollinearität; die Fisher-Informationsmatrix enthält die Menge an Informationen, die die Daten für die Parameterschätzung verwenden können, aber sie ist nur für die Schätzung spezifischer Parameter und kann nicht den Wert der gesamten Daten messen; Deep Learning- und Reinforcement-Learning-Frameworks verwenden Methoden wie die Datenaugmentation [6], um den Wert der gesamten Daten zu erhöhen. Deep Learning- und Reinforcement Learning-Frameworks verwenden Methoden wie die Datenerweiterung [6], um die Datenmenge zu erhöhen und damit die Modellleistung zu verbessern, und vor allem fehlen ihnen Metriken zur Datenbewertung.Drittens fehlt ein Referenzsystem für die Zuordnung der Werte von Datenbeständen zu Währungen.Selbst wenn wir eine Metrik für den Datenwert haben, wird die Zuordnung zu einem monetären Maß immer noch nicht durch ein Referenzsystem unterstützt, d. h. es besteht keine Verbindung zwischen der Datenwertmetrik und der monetären Metrik.

Andererseits ist es schwierig, bei der indirekten Bewertung von Datenbeständen durch verschiedene Bewertungsmethoden einen Konsens zwischen den Parteien zu erzielen. Erstens, was Datenangebot und -nachfrage angeht, ist dieGegenwärtig basieren die meisten inländischen Datentransaktionen auf einem bilateralen "Peer-to-Peer"-Matching, und die Datenanbieter neigen aufgrund des Ausgangspunkts ihrer eigenen Datenbestände in der Tabelle dazu, den Wert der Datenbestände zu überschätzen. Für Datennutzer spiegelt sich der Wert von Daten in der Verbesserung ihrer Geschäftsmöglichkeiten wider, und der Verbesserungseffekt von Daten auf das Geschäft vor der Datenbeschaffung ist höchst unsicher, so dass sie dazu neigen, den Wert von Datenbeständen zu unterschätzen.Zweitens in Bezug auf die Branchen, in denen die Daten verwendet werdenAufgrund der unterschiedlichen Bedürfnisse und Verwendungsmethoden der verschiedenen Branchen wird der Mehrwert derselben Daten unterschiedlich eingeschätzt. So haben z. B. persönliche Verbrauchsdaten einen hohen Anwendungswert in der Internet- und Finanzbranche, während sie in der traditionellen Fertigungsindustrie nur einen begrenzten Anwendungswert haben.Drittens, in Bezug auf die Branchen, in denen die Datenbestände erzeugt wurdenDatenbestände werden zu unterschiedlichen Kosten erzeugt. Wie in der E-Commerce-Branche kann eine große Menge an Nutzerdaten durch Geschäftsvorgänge zu geringen Kosten gewonnen werden, während geologische Explorations- und Behördendaten hohe Kosten für die Sammlung und Zusammenstellung erfordern. Darüber hinaus stoßen klassische Bewertungsmethoden wie die Kostenmethode bei der Bewertung von Datenbeständen an gewisse Grenzen.

1.3 Grundsätze der Rechnungslegung für Datenbestände

2022 Am 9. Dezember veröffentlichte das Finanzministerium ("MOF") die "Interim Provisions on Accounting Treatment Related to Enterprise Data Resources (Exposure Draft)" ("Interim Provisions").Sein Anwendungsbereich umfasst die Bilanzierung von Datenressourcen, die von einem Unternehmen als eine Kategorie von Vermögenswerten, wie z. B. immaterielle Vermögenswerte oder Vorräte, in Übereinstimmung mit den einschlägigen Bestimmungen der Rechnungslegungsstandards für Unternehmen anerkannt werden, sowie die Bilanzierung von Datenressourcen, die sich rechtlich im Besitz oder unter der Kontrolle eines Unternehmens befinden und von denen erwartet wird, dass sie dem Unternehmen einen wirtschaftlichen Nutzen bringen, die aber nicht als Vermögenswert anerkannt werden, weil sie nicht die Bedingungen für den Ansatz von Vermögenswerten gemäß den einschlägigen Bestimmungen der Rechnungslegungsstandards für Unternehmen erfüllen.In den Übergangsbestimmungen wird klargestellt, dass die buchhalterische Behandlung von Datenressourcen in diesem Stadium in Übereinstimmung mit den Rechnungslegungsstandards für Unternehmen erfolgen sollte und weiter in zwei Kategorien unterteilt werden sollte, nämlich "Datenressourcen für die interne Nutzung durch das Unternehmen" und "Datenressourcen, die vom Unternehmen extern gehandelt werden", je nach Art der Realisierung des wirtschaftlichen Nutzens für Buchhaltungszwecke. (b) Vom Unternehmen intern genutzte Datenressourcen und vom Unternehmen extern gehandelte Datenressourcen.

Im Unternehmen verwendete DatenressourcenImmaterielle Vermögenswerte sind gemäß dem Rechnungslegungsstandard für Unternehmen Nr. 6 - Immaterielle Vermögenswerte (Caijing [2006] Nr. 3, im Folgenden als "Standard für immaterielle Vermögenswerte" bezeichnet) als immaterielle Vermögenswerte zu erfassen. Je nach Erwerbsmethode können sie in selbst entwickelte immaterielle Vermögenswerte, durch Outsourcing erworbene immaterielle Vermögenswerte und auf andere Weise erworbene immaterielle Vermögenswerte, einschließlich des Austauschs von nicht monetären Vermögenswerten, der Umschuldung, staatlicher Zuschüsse und durch Unternehmenszusammenschlüsse erworbene immaterielle Vermögenswerte unterteilt werden. Immaterielle Vermögenswerte werden im Standard für immaterielle Vermögenswerte [7] als identifizierbare nicht monetäre Vermögenswerte definiert, die sich im Besitz oder unter der Kontrolle eines Unternehmens befinden und keine physische Form haben. Um einen immateriellen Vermögenswert anzusetzen, müssen die "Identifizierbarkeitskriterien"[8] erfüllt und festgestellt werden, dass "es wahrscheinlich ist, dass der mit dem immateriellen Vermögenswert verbundene wirtschaftliche Nutzen dem Unternehmen zufließen wird" und "die Anschaffungskosten des immateriellen Vermögenswertes verlässlich bewertet werden können". Die Anschaffungskosten des immateriellen Vermögenswertes können verlässlich bewertet werden".

Datenressourcen für externe Transaktionen des UnternehmensVorräte werden in Übereinstimmung mit dem Rechnungslegungsstandard für Unternehmen (ASBE) Nr. 1 - Vorräte (Caijing [2006] Nr. 3, im Folgenden als "Vorratsstandard" bezeichnet) erfasst und können je nach Erwerbsmethode in selbst bearbeitete Vorräte, ausgelagerte Vorräte und auf anderem Wege erworbene Vorräte unterteilt werden. Vorräte werden als Vorräte nach der Art des Erwerbs erfasst. Vorräte werden in den Inventory Standards[9] definiert als Fertigerzeugnisse oder Handelswaren, die zum Verkauf im normalen Geschäftsgang gehalten werden, unfertige Erzeugnisse im Produktionsprozess sowie Roh-, Hilfs- und Betriebsstoffe, die im Produktionsprozess oder bei der Erbringung von Dienstleistungen verbraucht werden. Der Ansatz von Vorräten erfordert die Feststellung, dass "es wahrscheinlich ist, dass der mit den Vorräten verbundene wirtschaftliche Nutzen dem Unternehmen zufließen wird" und dass "die Anschaffungs- oder Herstellungskosten der Vorräte verlässlich bewertet werden können".

Es sei darauf hingewiesen, dass die Übergangsbestimmungen zwar die auf Datenbestände anzuwendenden Rechnungslegungsstandards festlegen, die buchhalterische Behandlung von Datenbeständen aber nur eines der vielen Anwendungsszenarien für die Bewertung von Datenbeständen darstellt. Neben der buchhalterischen Behandlung, die bei der Eintragung von Vermögenswerten in die Tabelle erforderlich ist, ist die Bewertung des beizulegenden Zeitwerts von Datenvermögenswerten von größerer Bedeutung für den effektiven und reibungslosen Fluss und die Nutzung von Daten und ist eine notwendige Voraussetzung für die Schaffung eines offenen und aktiven Handelsmarktes. Daher konzentriert sich der folgende Abschnitt auf die Anwendung verschiedener Bewertungsmethoden für Datenwerte im Prozess der Erfassung des Wertes von Datenwerten.

II. die Analyse der Methoden zur Bewertung von Datenbeständen

Der Rechnungslegungsstandard für Unternehmen Nr. 39, Bewertung zum beizulegenden Zeitwert (2014) ("AS 39") besagt, dass die von einem Unternehmen zur Bewertung relevanter Vermögenswerte oder Verbindlichkeiten zum beizulegenden Zeitwert verwendeten Bewertungstechniken hauptsächlich den Marktansatz, den Ertragsansatz und den Kostenansatz. Unternehmen sollten den beizulegenden Zeitwert unter Verwendung eines Ansatzes bewerten, der mit einer oder mehreren dieser Bewertungstechniken übereinstimmt [10].Die China Asset Appraisal Association (2020) erklärt, dass die Bewertungsmethoden für den Wert von Daten drei grundlegende Methoden und ihre Derivate umfassen, nämlich die Kostenmethode, die Ertragsmethode und die Marktmethode.Wir werden die Vor- und Nachteile sowie die praktischen Anwendungen der drei grundlegenden Methoden für die Bewertung von Datenbeständen im Detail analysieren und die Entwicklungsrichtung des technischen Ansatzes für die Bewertung von Datenbeständen auf der Grundlage der grundlegenden Methoden vorschlagen.