马建威 米万东 张保平

【摘 要】 文章以2000—2022年間CNKI和WOS数据库中收录数据资产的945篇文献为数据来源，借助文献计量法和可视化分析软件CiteSpace，从发文量、作者及机构合作关系、关键词共现、关键词聚类和关键词突现五个方面，考察国内外数据资产研究的发展历程、热点主题以及演进趋势。国内外数据资产研究热度近年上升迅速，但作者、机构以及不同学科之间的合作研究仍然不足。国内的研究主题集中在数据资产的产生背景、数据资产的理论研究以及应用研究。国外的研究主题集中于加密数字货币研究、线上数字资源研究以及数据资产的安全和管理研究。热点主题有会计计量、数据安全、数据交易等话题，研究趋势从数据资产可否确认为一项资产转移到如何更好地利用数据资产产生价值。

【关键词】 数据资产； 大数据； CiteSpace； 文献计量； 可视化分析

【中图分类号】 F234.3  【文献标识码】 A  【文章编号】 1004-5937（2023）04-0119-08

一、引言

在“大智移云物”的背景下，大数据作为互联网发展进程中的产物之一，数量呈现爆炸式增长，形式也呈现出结构化、半结构化和非结构化的多组态特征。随着大量的企业数字化转型的深入，“一切业务线上化、一切业务数据化、一切数据业务化”的转型过程，使得企业在生产经营过程中产生并收集到更为体系化的数据，以全产业链的数据代替过去零星的财务数据，对这些数据进行分析利用可为企业带来巨大的价值[1]。2022年12月，《关于构建数据基础制度更好发挥数据要求作用的意见》指出，数据作为新型生产要素，是数字化、网络化、智能化的基础，要激活数字要素潜能，做强做优做大数字经济。数据资产是指由个人或企业拥有或者控制的，能够为企业带来未来经济利益的，以物理或电子方式记录的数据资源。目前对数据资产还没有明确的法律和会计准则规定，导致数据资产的确认计量方法尚未统一，并且尚未纳入到资产负债表中进行披露，使得企业与利益相关者之间的信息不对称加剧。数据资产的交易领先于理论研究，政府牵头成立了贵州、上海、巢湖等大数据交易中心进行数据资产交易，但对于定价、交易模式还处于“一事一议”的状态，由于确权不明、定价较难达成共识等问题导致数据交易的市场反应不理想，交易规模普遍较小。数据资产的研究需要学界和业界进行充分的沟通和思考，从经济、管理、法律等不同领域进行探索，早日对数据资产在确认计量、披露、交易、管理等方面达成共识，这将对数据交易的市场建立、交易规范以及数据参与生产分配等方面有重要作用，使得数字赋能成为新一轮的经济推动力。为了多维度、全面地分析研究现状，梳理数据资产研究的热点主题以及趋势，本文基于CNKI以及WOS数据库搜集相关中外核心文献，利用CiteSpace进行可视化分析，从作者、机构、国家之间的发文量和合作关系，从关键词的频率、聚类、突现等方面对文献进行分析，期望能对数据资产的后续研究提供有力支撑。

二、数据来源及研究方法

（一）数据来源

中文期刊检索数据来自于中国知网（CNKI）数据库，在高级检索中用“（主题=数据资产）OR（主题=数字资产）”为检索条件，时间范围为2001年1月至2022年3月31日，来源类别选定“CSSCI”和“北大核心”，经过去重和删除不相关条目，最终得到409篇文献。外文期刊检索数据来自于WOS核心合集数据库，用“（Topic=data asset）OR（Topic=digital asset）AND（Language=English）”作为检索条件，时间范围为2000年1月至2022年3月31日，经过去重和删除不相关条目，最终得到536篇文献。

（二）研究方法

CiteSpace是陈超美教授基于JAVA语言开发的可视化软件，利用文献计量学原理和数据挖掘算法，从作者、合作机构、关键词等方面多维度、可视化地呈现文献之间的内在关系，探寻研究基础、研究热点及研究趋势的一种可视化分析软件[2]。利用CiteSpace5.8.R3版本对近20年中外文献进行数据资产研究的结构网络关系及演进过程进行统计分析和可视化呈现，从而展示数据资产领域研究的知识全景[3]。

三、数据资产研究文献计量分析

（一）发文量分析

文献发表的数量在一定程度上可以反映出某个研究领域的发展速度和研究深度，如图1所示，从文献数量看，呈现增长趋势，说明专家学者对于数据资产的研究愈加关注。以2015年和2018年两个时间为节点，可将数据资产的研究从时间跨度上分为三个阶段：第一个阶段是2001—2014年，这个阶段国内从2005年开始出现相关文献，且年平均发文量不足3篇，国外年平均发文量约为10篇，该阶段对数据资产研究较少。第二个阶段是2015—2018年，由于2013年大数据之父维克托·迈尔-舍恩伯格出版了《大数据时代》一书后，对于大数据、数据资产的研究明显增加，这个阶段文献数量大幅增长，国内年平均发文量达到了30篇，国外文献达到27篇，年均发文量大约为2015年前的三倍。第三阶段为2019—2021年，国内年平均发文量达到77篇，国外年平均发文量约为95篇。人工智能、区块链等新技术的发展，国内外文献对于数据资产的研究也得到了快速发展和深入研究。

（二）主要作者及合作关系

国内研究呈现出以部分学者主导的研究氛围，单篇被引率较高。作者数量较少且合作关系较少，多数作者采用单打独斗的方式进行研究，合作关系也多为两三个作者间的合作。然而数据资产涉及经济、管理、会计和法律等多学科的综合研究，应鼓励不同学科间的学者合作研究。与国内作者关系“少而集中”相比，国外作者合作呈现“多而分散”的状态，国外作者间合作较多，且多人合作现象比国内常见，单篇被引次数也少于国内文献被引次数，说明国外研究并非是部分学者引导，而是呈现“去中心化”的特点。

数据资产研究领域内被引数最高的10位作者的研究内容可认为是国内外该领域的主要研究内容。其中国内学者对数据资产会计处理与财务报表列报进行了探讨[4]，提出了数据资产的B-S价值评估模型[5]，以及数字化转型、数据资产的统计与核算问题[6]。案例研究方面分析了军事大数据的应用[7]，通过数据资产作为一种战略资源对智能制造企业进行案例研究[8]，并对政府数据的开放政策进行研究[9]。

从上述分析可以看出，目前数据资产的研究重点仍是会计核算问题，确认、计量、和报告是数据资产化的基础。如何从庞杂的企业数据资源提炼出有用的数据，并通过分析加工形成一项资产，对内可以优化企业的生产经营为企业提质增效，对外可形成数据商品进行销售为企业带来收入，数据资产价值形成的过程也是研究热点之一。在解决数据资产的会计核算、价值形成这些基础问题后下一步研究发方向就是数据资产交易问题、管理问题以及作为一项生产要素如何参与到社会分配中，是否能为高质量发展、双碳目标的达成带来新的启示也是新的研究热点。

国外文献中被引数量最高的十名作者中，Lee JS[10]主要研究了利用计算机技术对数据资产进行管理，Corbet et al.[11]对加密货币问题进行了研究，Chong[12]讨论了数据资源重组问题，Kim et al.[13]分析了数据资产与网络安全的关系及相关算法，Subramanyam et al.[14]对数据资产管理系统进行了设计与探讨，Cao et al.[15]论述了数据资产与6G、区块链等技术之间的关系，Czajkowski et al.[16]的研究方向主要为数据管理，Hannila et al.[17]则对数字化和数据驱动的机理进行了探讨，与国内相比，国外研究更注重计算机技术层面的研究。

（三）研究机构合作分析

从图2可以看出不同国家和地区在数据资产领域的研究力量，图中的节点越大表示该国发表文献数量越多，圈的外环颜色越深表明近期的研究热度升高。网络中节点数为86，连线数为255，网络密度为0.0698。文献量最高的十个国家分别是美国（165篇）、英国（66篇）、中国（53篇）、澳大利亚（36篇）、意大利（22篇）、法国（20篇）、德国（20篇）、西班牙（19）、加拿大（17篇）、俄罗斯（16篇），研究热度持续升高的四个国家是美国、英国、中国和澳大利亚。由此可以看出，数据资产研究的国家以欧美发达国家为主。中国发文量第三说明我国对该领域的研究足够重视，我国的实践经验和理论研究都处于世界的前沿水平，但与发达国家相比还有一定的差距，需要进一步加深研究并扩大合作。

数据资产研究机构分布如表1，国内外均以高校研究为主，且高校所在的国家和地区均为金融、互联网等行业发展领先地区。国家电网公司能跻身前十说明集团公司内具有较多的数据资产相关问题需要研究，目前电网大数据具有实时性强、颗粒度高等优点，可得到按时间跨度、按区域跨度、按行业跨度的用电数据，以及家庭用户和企业用户用电情况的全样本数据，由电力数据可反映出当前的宏观经济状况[18]。除电力行业外，其他行业数据资产的研究较少，例如通信、交通、金融数据资产等缺乏理论与实践层面的研究。从合作机构情况分析，目前国内外宏观层面的理论分析和实证研究是研究主流，从微观层面对公司进行案例研究的文献较少，数据资产的研究需要企业和学者共同努力，学者应从象牙塔走到企业中去实地调研，而企业也应该拒绝形成数字孤岛，将适当的资源进行分享，例如以互联网技术为支撑的字节跳动、腾讯、京东等企业，他们拥有大量的数据资源，对这些企业的研究可以更好地推动数据资产的发展。不同行业的数据资产异质性较大，需要较多的案例研究分析不同行业数据资产的异同点才能更好地推进数据资产的发展。

四、数据资产研究热点分析

（一）关键词词频分析

关键词具有对全文高度概括的作用，对所选的文献关键词进行分析可大体了解文献的研究热点。以关键词为节点，时间切片为一年进行关键词共现分析。关键词中心性大于0.1的为关键节点，国内中心性关键词为数据资产、大数据、数据治理、数字经济、政府数据、区块链、信息披露、人才培养、数据安全、智能财务、数据管理。国外文献中心性關键词为digital asset（数据资产）、big data（大数据）、blockchain（区块链）、model（模型）、system（系统）、information security（信息安全）、data governance（数据治理）、management（管理）、machine learning（机器学习）等。

（二）关键词聚类分析

关键词聚类可以将众多的关键词划分为几个主题，CiteSpace根据网络中关键词出现的频率及中心性，并在关联规则中使用log-likelihood ratio（LLR）作为相似度，将相似含义的关键词聚类形成不同的研究主题。模型中用Q值（模块值）和S值（平均轮廓值）来衡量聚类的效果，一般当Q值>0.3可认为聚类结构显著，S值>0.7可认为聚类效果是令人信服的。

1.国内文献关键词聚类

如图3，Q值为0.7247，S值为0.9399，说明聚类结果中结构合理，并且结果可信度高。根据图谱得出的12个关键词聚类，可将它们总结为三大研究主题。

（1）数据资产的产生背景

该主题中包含的聚类有#0大数据、#11大数据时代。主要关键词有互联网化、云计算、物联网、数据资产、影响因素、数字出版等。大数据是指数据的规模之大，使得在较短时间内无法通过主流软件进行提取和分析，以得到有价值的信息。随着互联网的发展，产生的数据也越来越多，计算机的性能不足以支撑如此海量数据的存储和计算，随着云计算和机器学习等技术的出现，人们有能力对更多的数据进行收集、存储、分析，进而从数据中获取更大的价值，这使得数据资产的研究热度急剧上升。21世纪为数据时代，数据被称为新时代的“石油”。照片墙（Instagram）作为一款社交软件，由于用户数量的激增而获得了大量的数据，用户分享的图片和文字形成了巨额的数据资源，2012年Facebook宣布以10亿美元收购Instagram，2018年其估值超过1 000亿美元，其中数据资产相比于企业的有形和无形资产更有价值。当意识到数据资产的重要性后，如何从海量的数据中提炼出有用的信息？这些信息如何为企业带来收益？这些收益能否被计量？这些信息能否在财务报表中披露？这些问题的提出使得数据资产成为了研究热点。

（2）数据资产的理论研究

该主题包含的聚类有#1数据资产、#3数据要素、#7信息资产。主要关键词有资产权益、科研数据、政府数据、个人数据、数据交易、开放数据、个人信息、会计计量、信息主体、会计核算等。数据资产理论层面首先要解决数据确权的问题，这些数据是属于谁的？叶雅珍等[19]认为数据的权属理应属于生产数据的人，但一些数据权属涉及个人隐私等问题，较难断定。数据的来源大体有三种，一是政府大数据，例如气象信息、统计年鉴等，这类数据资源权属明确。经由政府部门统计核算后对外公开，但由于统计核算需要大量的人力和时间，政府大数据时间滞后性较强。二是企业在生产经营过程中产生的数据，例如物流企业产生的物流数据、国家电网统计各行业的用电情况等。三是个人与企业之间的联合数据，例如电商平台消费者的购买数据、社交软件采集到的用户数据，这类数据应当所属于企业和用户共有。共有数据会涉及到用户隐私问题，需要将数据进行脱敏处理等操作后使用。

在研究确权问题后，数据如何从数据资源确认为一项资产是第二个需要研究的问题。首先数据资产是否能确认为一项资产？从会计层面讲，资产是一项会计概念，有明确的定义和确认条件，需满足与该资源有关的经济利益很有可能流入企业，且该资源的成本或价值可以可靠计量的才可以确认为一项资产。数据资产具有一定的特殊性，不同于有形资产与无形资产，数据资产的成本和价值都具有较大的不确定性。刘国英等通过对2018年IASB《财务报告概念框架》进行研究，认为随着宏观经济环境和企业经济环境的复杂性增加，应适当地确认和披露一些不确定性经济业务。在某些情况下，尽管经济资源流入或流出的可能性较小，确认资产或负债仍可以提供有用信息的情况下仍可确定为一项资产或负债[20]。目前我国的会计准则正在向国际趋同，这就从准则层面为数据资产的确认计量提供了从概念框架上的可能性。其次，在确认之后需要解决的是计量问题，这方面的研究较为丰富，可参考无形资产的定价方法（有成本法、市场法、收益法），由于数据资产的特殊性，三种方法均有一定的局限性，一些学者使用价值和市场评价贡献（欧阳日辉等，2022）、AHP-FCE（吴江等，2021）、多期产额收益法（陈芳等，2021）、博弈论（赵丽等，2022）等方法研究数据资产的定价问题，但目前还没有形成一种公认的计量方法，仍需要深入研究讨论。最后，是数据资产入表的问题，大数据之父维克托·迈尔-舍恩伯格表示“数据资产入表不是是否的问题，而是早晚的问题”，在确认与计量研究的基础上，秦荣生[21]、张俊瑞等[22]对数据资产在财务报表中披露的可能性及方式进行了研究。另一方面从数据价值链的角度来讲，数据经过采集、存储、分析和应用四个阶段，数据可确认为一项资产为公司带来收益。数据资产化是数据交易的前提，对完善数据交易市场、数据参与生产分配具有重要意义。

（3）数据资产的应用研究

该主题包含的聚类有：#2元数据、#4数字经济、#5信息生态、#6数据安全、#7信息资产、#8银行业、#9区块链、#10数字时代。主要关键词有联邦学习、人工智能、电力数据、海洋数据、数据中台、数据体系、财务数字化、数据共享、金融数据、风险评估、风险防范、数据质量管理、交易系统、智能财务、人才培养、高校等。

在应用层面首先需要解决的是传统数据库的存储和分析困难的技术问题，传统的关系型数据库在数据量较大时搜索速度会急剧下降，分布式存储方式是将海量的数据分开储存在不同的子节点上，这样分级储存可以较好地解决传统数据库的查询速度问题，利用“云盘”的网络存储形式代替物理硬盘存储，有力地解决了存储空间有限的问题。联邦学习是一种在保护数据隐私状况下的数据共享计算模式，联合云计算等技术将数据样本分享给不同的参与者进行计算，之后再将计算结果汇总在一起，这有利于解决大数据算力不足的问题。

解决了数据资产的存储和计算问题后，需要研究如何对数据資产的价值进行挖掘。企业中形成数据资产的数据来源有两种，第一种是在生产经营中采集到的数据，第二种是通过交易或事项外购来的数据。将这些数据经过统计学、人工智能、机器学习、可视化分析等技术，将蕴含在大数据中的信息挖掘出来，为企业带来价值。这些数据形成企业的数据资产后产生价值的方式也有两种，一是为自身的经营管理决策提供参考意见，优化业务流程提升企业效益。例如，利用“大智移云物”等技术建立数据中台、智能财务体系、智能审计系统替代人工操作，既提高了效率又降低了人工成本，把大量的人力资源解放出来进行其他的管理工作；二是通过转让数据资产所有权或让渡使用权来获得收益，例如在大数据交易所进行大数据交易。目前大多数企业的数据还处于数据孤岛的状态，数据需要流通和运转起来，跨企业、跨行业的数据共享才能发掘出更有价值的信息，大数据交易所在交易中充当“中介机构”的角色，负责收集在数据交易中供需两方的信息，并促使交易完成，目前大数据交易所的交易效率较低，在没有明确的规定下，每笔交易需要请相关专家单独评估，这使得交易成本上升并且难以使交易双方达成共识，目前仍需要对数据资产的基础会计问题进行研究，早日通过制定完善相关法律来规范数据交易，这对数据市场的建设和发展具有重要意义。

数据资产应用的推动离不开人才培养问题，需要“财务+互联网”等跨学科人才的参与，帮助企业实施数据资产从确认到交易的环节，故需要各高校在人才培养时帮助学生建立跨学科的知识体系，目前已有部分高校开展“大数据会计”等专业，通过以“会计+互联网”为体系的课程进行理论和应用培养，输送了可以助力企业数字化转型、完善数据共享中心的技术人才，从理论和技能上均能适应时代发展的人才。

2.国外文献关键词聚类

如图4，Q值为0.8231，S值为0.9393，说明聚类结果中结构合理，并且结果可信度高。聚类结果国外文献偏向于应用研究，而国内文献研究理论较多，并且就应用层面分析，国内研究宏观层面的应用较多，而国外更注重微观、具体的研究，国外文献的关键词和聚类信息都表现出以技术方法为主的特征，共得到11个关键词聚类，可将它们总结为三大研究主题。

（1）加密数字货币研究

该主题包含的聚类有#0big data、#2digital assets、#3bitcoin。主要的关键词有digital assets（数据资产）、blockchain（区块链）、information technology（信息技术）、smart contracts（智能合约）、6g mobile communication（6g移动通信）、digital twin（数字孪生）、distributed ledger（分布式账簿）、facility management（设备管理）、cryptocurrency（加密货币）、investment（投资）。

加密数字货币主题主要研究了数字货币的产生和发展，在智能合约1995年被提出时，它的意义是“一套以数字形式定义的承诺”，将合同数据化、线上化，可以说是数据资产的前身，在2015年区块链的研究中主要用于在区块链或分布式分类账上进行的通用计算。数字孪生代表着利用数据进行模拟仿真的实验过程，6g技术则能通过更快的网速帮助大量数据的传输。

（2）线上数字资源研究

该主题包含的聚类有#4digital libraries、#9data management、#10model，主要的关键词有digital storage（数字存储）、digital workflow（数字化流程）、institutional repository（机构典藏）、open source software（开源软件）、digital curation（数字策展）、digital cultural heritage（数字文化遗产）、3d model（3d模型）。

這类研究起源于数字图书馆，数字图书馆是指通过数字技术处理、储存并展示的一种媒介，将图书、报纸等纸质文件上传到网络中，可以在线查阅资料。例如一些数据库在取得作者授权后，将论文、期刊、学术会议等以电子文档的形式存储和展示。该类数据库中的电子文档是一种电子资源，这种资源的成本可以可靠地计量，未来可带来收益。文献资源与专利等固定资产和无形资产不同，不用计提折旧和摊销，但未来的收益具有较大的不确定性，文献的价值不一定随着时间的流逝而降低，故需要确认为数据资产，更加体现会计信息的可靠性。随着技术的发展，知识资源线上化不仅局限于文字资源，越来越多的音乐、电影等“电子专辑”发展迅速。在疫情期间，为了满足广大群众的精神需求，各景区开展“云旅游”“云赏花”等活动，使大家足不出户便可欣赏到美景，多家博物馆开展数字策展的活动，利用3d模型等技术的支撑，通过讲解和展示可使大家了解到各展品的更多细节及其包含的历史文化元素，使观众得到高品质的文旅融合体验，这些都是数据资产的前沿应用。

（3）数据资产的安全和管理研究

该主题包含的聚类有#1edge computing、#5digital rights management、#6information security、#7knowledge management、#8machine learning，主要的关键词有database security（数据库安全）、access control（访问控制）、trusted computing（可信计算）、intellectual property（知识产权）、access right management（访问权管理）、encrypted domain watermarking（加密水印）、threat intelligence（威胁情报）、feature representation（特征表示）。

大数据发展初期，云计算解决了大数据的存储和运算问题，将请求运算的数据上传至云端，云端将任务分割为众多的小任务交由网络中的计算机运算，将运算结果又回传到云端进行汇总，最终将结果发送至客户端，在一定的数据体量下可以正常运转。随着5G、物联网等的进一步普及，手机、电视、智能穿戴等设备产生并采集到大量的数据，这些数据首先结构复杂多样，例如摄像头拍摄的视频数据、录音产生的音频数据等非结构化数据，云端难以处理多种类型的数据源。其次，实时业务要求在规定时间内完成运算，将所有的数据传输到云端进行存储和运算使整个网络带宽压力过大，容易造成网络时延问题，并且对运算资源是一种极大的浪费。边缘计算是指数据或任务能够在靠近数据源头进行计算而无需上传至云端进行运算的服务模式[23]。例如，地铁车厢内安装摄像头是为了监控车厢内的突发情况，传统云计算服务模式下，摄像头只是一个采集数据并上传的设备，将收集到的视频持续地传输到云端进行分析，由于摄像头数目较多以及采集到的高清视频体积较大，云端服务器承担了过大的存储和计算压力，企业需要付出巨额的成本来解决算力问题，边缘计算模式下摄像头是集数据采集、数据分析及信息上传于一体的终端设备，采集到的图像视频在摄像头内部进行人脸识别、模式识别等运算，当结果判定为发生突发情况时才将运算结果上传至云端并进行警报功能，这样既提高了效率又解放了云端的运算压力。

边缘计算服务模式相比于云计算服务模式具有较大的优势，但由于数据的采集和运算都由“边缘端”处理而不是经由“云端”集中处理，运算过程中涉及到多授权方和新的信任模式，之前的数据机密等保障数据安全的措施已不再适用。边缘计算中会出现数据丢失、数据泄露和违法传播等安全问题，为了保障身份、位置等隐私信息的安全，基于身份认证、访问控制为基础的算法还处于探索阶段，仍需深入研究。

五、数据资产研究趋势分析

关键词突现是以关键词为基础，分析它出现的时间和被替代的时间，以及这段时间内出现的频率，据此研究数据资产领域研究的演进趋势。图5中Year表示数据集开始研究的年份；Strength表示强度，某个关键词的强度越大，表示在某段时间内出现的次数越多；Begin和End分别表示关键词出现和消失的时间。在CiteSpace中利用Burstness的功能，并将伽马值设为1，得到中文文献中17个突现词和英文文献中8个突现词，从突现词数量上看，中文文献的研究热点多而分散，英文文献研究热点少而集中。

如图5，中文文献的研究热点可分为三个时间段，第一个时间段是2000—2015年左右，11个突现词根据凸显强度由强到弱分别是联邦学习、资产权益、数据复用、文本分析、科研数据、数字时代、数据利用、数据政策、智能财务、人次培养、信息披露，其中强度最大的是联邦学习和资产权益，联邦学习是一个为了解决企业数据孤岛搭建的机器学习框架，从算法的角度开展了对数据资产的研究，权益资产则从会计角度对数据资产进行了探究。第一阶段突现词存在时间最长的是数字时代，从2000年被提及开始，一直到2016年才逐渐被替代。第二阶段是2016—2019年，大数据成为了这个阶段的研究热点，这个阶段研究热点是如何通过大数据、人工智能、移动互联网、云计算等去解决数据的存储和挖掘功能，希望能从海量的数据中找到其中蕴含的价值。第三阶段是2020—2022年，突现词有数字经济、数据治理、数据中台、区块链、数据交易。这个阶段热点的第一个特征是研究数据作为新的生产要素，如何通过大数据等新技术使数据加入社会生产和分配中，使中国经济从高速发展转向高质量发展的阶段，数字经济的热点也是对第二阶段数字时代研究热点的传承和延续。第二个特征是研究从“后端”逐渐向“前端”转移，数据治理、数据中台、数据交易是数据资产中更为“前端”的应用，比起数据政策等研究更为微观和具体。

如图6，英文文献的研究热点也可分为三个阶段，第一阶段为2001—2017年，突现词分别为digital library（数字图书馆）和information security（信息安全），与中文文献不同，随着计算机和智能手机的出现，此阶段英文文献的研究热点集中于如何将文字、音乐、视频等非结构化的数据通过计算机和网络展示出来，有助于使用人员摆脱对于媒介的依赖，缩短资源的获取成本，以及在此基础上确保数据的安全。第二阶段为2018—2020年，突现词为big data（大数据）、design（设计）、internet（互联网），第二阶段的研究热点在于大数据等的研究。根据国外文献新的研究趋势是第三阶段，从2021—2022年，突现词为technology（科技）和knowledge（知识），此阶段科技指数据安全的相关算法研究，知识指线上资源的研究，2020年新冠疫情爆发后，人们的出行受到限制，云旅游作为一种新的商业模式得到发展。

六、结语

通过对比中外文献在数据资产领域的研究，可以发现从2014年起数据资产的关注度日渐提高，尤其近两年研究热度急剧升高。从作者合作关系可以看出，国外文献作者呈现多而分散，国内文献作者呈现少而集中的状态，并且均需加强跨组织、跨领域的研究。从研究机构以及国家发文量可以看出，该领域的研究目前还是以高校研究为主，缺乏校企联合的相关研究，中国在国际上对该领域的研究处于领先地位，但仍需加强合作。国内外文献热点集中在数据资产的確认计量问题，数据资产的应用、管理和交易问题，人才培养问题，加密数字货币问题，数据资源以及数据安全问题。数据资产领域的研究趋势从会计计量等底层逻辑转移到数据安全、数据交易等应用层面，这些研究是企业在应用数据资产中最需要解决的实际问题。

【参考文献】

［1］ 戚聿东，肖旭.数字经济时代的企业管理变革［J］.管理世界，2020，36（6）：135-152，250.

［2］ CHEN C.CiteSpace：A Practical Guide for Mapping Scientific Literature［M］.Nova Science Publishers，2016.

［3］ 李新根，魏淑艳，刘冬梅.国内数字化治理研究的热点主题与演进趋势——基于CiteSpace的知识图谱分析［J］.东南学术，2022（2）：61-71，247.

［4］ 张俊瑞，危雁麟，宋晓悦.企业数据资产的会计处理及信息列报研究［J］.会计与经济研究，2020，34（3）：3-15.

［5］ 王静，王娟.互联网金融企业数据资产价值评估——基于B—S理论模型的研究［J］.技术经济与管理研究，2019（7）：73-78.

［6］ 许宪春，唐雅，张钟文.个人数据的统计与核算问题研究［J］.统计研究，2022（2）：20-34.

［7］ 郑少秋，韩立斌，王静，等.军事大数据概念内涵、发展挑战与技术实践［J/OL］.指挥与控制学报，2021.

［8］ 朱国军，王修齐，张宏远.智能制造核心企业如何牵头组建创新联合体——来自华为智能汽车业务的探索性案例研究［J］.科技进步与对策，2022（19）：18-25.

［9］ 周文泓.面向资产化利用的我国地方政府开放数据政策调查及其启示［J］.情报理论与实践，2022（6）：20，52-58.

［10］ LEE J S.Scalable data management modeling and framework for grid computing［C］// Springer Berlin Heidelberg，2004.

［11］ CORBET S，et al.Kodakcoin：a blockchain revolution or exploiting a potential cryptocurrency bubble？［J/OL］.Social Science Electronic Publishing，2018.

［12］ CHONG C，et al.CDAL：A scalable scheme for digital resource reorganization［C］.International Conference on Web-Based Learning，2004.

［13］ KIM S，KIM S，NAM K H，et al.Cyber security strategy for nuclear power plant through vital digital assets［C］// 2019 International Conference on Computational Science and Computational Intelligence （CSCI），2019.

［14］ SUBRAMANYAM A V ，et al.Audio watermarking in partially compressed-encrypted domain［C］// Systems，Man，and Cybernetics（SMC），2012 IEEE International Conference on.IEEE，2012.

［15］ CAO L，et al.Special issue on AI and FinTech：the challenge ahead［J］.IEEE Intelligent Systems，2020，35（2）：3-6.

［16］ CZAJKOWSKI K，et al.ERMrest：a web service for collaborative data management［C］.The 30th International Conference，2018.

［17］ HANNILA H，et al.Product-level profitability current challenges and preconditions for data-driven，fact-based product portfolio management［J］.Journal of Enterprise Information Management，2019，33（1）：214-237.

［18］ 彭放，祁亞茹，任俊达，等.基于电力大数据对工业增加值现时预测研究——基于LSTM的分析［J］.价格理论与实践，2021（7）：110-114.

［19］ 叶雅珍，刘国华，朱扬勇.数据资产相关概念综述［J］.计算机科学，2019，46（11）：20-24.

［20］ 刘国英，周冬华.IASB概念框架下数据资产准则研究［J］.财会月刊，2021（21）：66-71.

［21］ 秦荣生.企业数据资产的确认、计量与报告研究［J］.会计与经济研究，2020，34（6）：3-10.

［22］ 张俊瑞，危雁麟.数据资产会计：概念解析与财务报表列报［J］.财会月刊，2021（23）：13-20.

［23］ 张佳乐，赵彦超，陈兵，等.边缘计算数据安全与隐私保护研究综述［J］.通信学报，2018，39（3）：1-21.