資產價值增減變動的判斷評估是資產管理和會計的一項重要工作。在當下數據資產入表的進程中，數據資產價值增減變動的計算方法是必須解決的問題。數據資產不同于傳統資產，其價值增減變動也會有所不同，為此首先要弄清楚有哪些因素造成了數據資產的增值或減值。從數據資產與傳統資產的差異性入手，分析提出了數據資產減值的4個因素：時效性數據因素、時效性使用因素、管理成本因素、授權臨期因素；分析提出了數據資產增值的3個因素——數據完整性提升因素、數據新用途發現因素、技術進步帶來成本下降因素，為數據資產減值、增值的計算方法設計提供依據。

引言

數據是數字經濟的關鍵要素，是數字化轉型的重要驅動力，數據的資產性已獲得廣泛關注和認同。數據資產化是數據要素市場建設的前提，對我國經濟社會的發展具有重大意義。政府層面十分重視數據資產化工作，有關部門專門制定出臺了政策措施來予以支持和推進。比如，2023年8月21日財政部制定印發了《企業數據資源相關會計處理暫行規定》（以下簡稱《暫行規定》），給出了數據資源作為資產計入會計報表的通道，為企業開展數據資源會計核算及信息披露提供指引，數據資產化邁出重要一步；2023年9月8日中國資產評估協會在財政部指導下，制定了《數據資產評估指導意見》，為數據資產評估執業行為給出規范。

數據資產是一種新的資產類別，與傳統資產在很多方面存在較大差異，特別是在資產價值體現和變動方面。有關這部分內容在理論上已有一些研究和探索。例如，Moody等[1]就衡量信息價值的原則進行了研究，指出了時間推移、信息過剩等會使信息資產貶值，而信息聚合和準確性提升則會帶來增值。Fisher[2]就如何以及為何要把數據作為資產來對待展開了討論，提出了數據質量和數據治理會對企業財務狀況帶來直接正面的影響。Fleckenstein等[3]對數據作為資產帶來的商業價值展開了探討，提到了過時數據的價值會出現遞減，并就數據維護成本不容小覷的問題做了提醒。Nguyen等[4]給出了可鏈接、可訪問、可分解、可信、稀缺性等開展數據貨幣化和價值創造所需滿足的基礎特征條件。葉雅珍等[5]在《數據資產》中注意到了數據資產折舊和增值的情況。許憲春等[6]論述了數據資產應用場景多樣性對數據價值變動的影響。吳蔽余等[7]介紹了數據具有價值時變性特征。羅玫等[8]認為數據具有獨特的減值或增值模式。

數據資產既會出現減值的情況，又存在增值的可能。用傳統的會計處理方法難以反映數據資產的價值變動，需要專門設計適用于數據資產的核算和會計處理方法。影響數據資源的價值創造大小是多方面的，是否擁有一定的數據權屬使數據資源在會計主體控制之下是前置條件，而數據資源自身的使用價值和質量高低是關鍵，外部使用需求、途徑以及對數據的使用效力直接決定著數據價值創造的收益大小，而生產經營成本高低影響數據價值創造終值。本文研究了數據資產與傳統資產的差異性，分析提出了時效性數據、時效性使用、成本累積、授權臨期4個數據資產減值因素，以及數據完整性提升、數據新用途發現、技術進步帶來成本下降3個數據資產增值因素，為后續開展數據資產價值變動核算和會計處理方法的設計工作提供基礎和條件。

1 傳統會計處理難以反映數據資產價值變動

數據資產入表需要考慮資產變動的情況，由于數據資產是一種新的資產類別，與傳統資產存在較大差異，其價值變動的因素也同樣存在巨大差異，因此用傳統的會計處理方法難以準確反映數據資產的價值變動。

1.1 數據資產是新的資產類別

數據資產是由數據組成的，因此與數據一樣，具有物理屬性、存在屬性、信息屬性[9-10]。數據資產的物理屬性主要是指數據資產是以二進制形式占有存儲介質的物理空間，在物理上是有形的；數據資產的存在屬性是指數據資產的可讀取性，只有可被讀取才可能對數據資產的價值進行挖掘和實現；數據資產的信息屬性是其價值所在，數據資產所包含的信息價值是因人而異、隨場景而變的，其預期未來經濟效益具有高度的不確定性，這體現出無形資產特征[5]。

數據資產的物理屬性加上存在屬性形成了數據資產的物理存在，是有形的，表現出了有形資產的特征；數據資產的信息屬性以及相應的數據權利等則表現出了無形資產的特征。此外，由于數據極易復制，一份數據可以被復制成多份數據質量無差的副本，且其復制成本遠低于生產成本，使數據資產具有較好的流動性；數據在使用時不易發生損耗，使數據資產具備可以長期存在并被使用的條件。

數據資產兼有無形資產和有形資產、流動資產和長期資產的特征，是一種新的資產類別。根據財政部的《暫行規定》，企業應當按照企業會計準則相關規定，根據數據資源的持有目的、形成方式、業務模式，將符合相關準則定義和確認條件的數據資源確認到無形資產科目下或確認到存貨科目下。無形資產和存貨表現出的特征是存在很大差異的。無形資產所能提供的效益一般會超過一個經營周期，屬于企業的長期資產；存貨一般會在一個經營周期內轉換為現金或其他資產，是典型的企業流動資產[12]。《暫行規定》有關數據資產科目的這種確認歸類，是在現行會計準則下，針對數據資產表現出的多種不同資產特征而采用的處理方式，更加體現和說明了數據資產是一種有別于傳統資產的新的資產類別。

1.2 與傳統資產增減值的差異

作為一種新的資產類別，數據資產在很多方面與傳統資產存在比較大的差異，特別是在資產價值增減變動方面。通常，資產增減值是指資產的可回收金額相對于其原始成本或者賬面價值的增加或減少，其中可收回金額是公允價值與使用價值兩者取高，賬面價值是取得日的初始成本扣減累計折舊的剩余價值。

傳統資產由于變舊變老會出現自然減損的情況。在傳統資產中，有相當一部分資產是實物資產，在存儲和使用過程中會發生磨損或耗損。為此，長期資產會采用折舊這一形式將成本分配給各受益期間進行攤銷。同時，鑒于市場、技術等因素對資產價值的影響，還需進行長期資產的價值減損確認，從而更好地反映企業經營收益情況。當資產的可收回金額低于賬面價值時會出現資產減值。相較于實物資產，無形資產雖不會發生磨損，但具有一定的經濟壽命期，存在時效性。因此，無形資產的價值是隨時間在減弱，而這主要是由于技術等原因帶來的。通常，無形資產的資本化成本需要在預計受益期內進行攤銷，而對于受益期不確定或者有明顯減值跡象的無形資產需要進行減值測試。相較而言，傳統資產增值在會計中并不屬于一項常規性操作內容，僅會在投資性房地產等特殊資產中有所涉及，或者在資產處置時可能需要予以考慮。

與傳統資產不同，數據在使用時不會發生磨損或耗損，其本身并不會隨時間的推移而變舊變老[10]。數據的易復制性、非競爭性[13]和可共享性，使數據資產具有較好的流動性，數據資產是可在一個經營周期內進行重復出售[14]。特別地，數據生產、再生產、再再生產的結果都是數據，數據可以是原材料、半成品、成品[15]。這些都會使數據資產在價值變動方面，與傳統資產存在較大差異。對于數據資產而言，不論是采用包括長期資產的折舊方式還是無形資產的直線法、加速攤銷法等進行成本攤銷在內的傳統會計處理方法，都不能很好地反映數據資產價值。這主要有以下幾個原因。

首先，折舊是針對長期資產的物理耗損和使用消耗帶來的服務潛能遞減的計量，而數據自身并不會老化，因此該方法對于數據資產的價值變動并不適用。

其次，我國無形資產的計量是以歷史成本為基礎的，但由于數據資產的價值隨場景而變，其預期經濟效益存在高度不確定性，因此針對數據資產價值變動采用無形資產的直線法、加速攤銷法等成本攤銷方式顯然存在很大局限性。

再次，由于當前數據市場尚未成熟，存在數據資產公允價值難以確定的情況，這也會讓數據資產減值測試變得更加復雜和更具主觀性。

最后，數據作為關鍵的生產要素，其呈現出的乘數效應所帶來的資產價值倍增是傳統資產鮮有的，是數字經濟的魅力所在且備受關注，但會計中有關資產增值并非常規性操作內容，尚缺乏可適配可參考的會計處理方法。

綜上，為了能更好地反映數據資產價值增減變動和企業經營收益情況，需要專門設計適用于數據資產的核算和會計處理方法，而分析和掌握造成數據資產增值或減值的因素是前提和基礎，顯得尤為重要。

2 數據資產減值因素

由于數據本身不會老化，因此數據資產減值通常不是因為數據不能用，而是數據的時效性出現了問題，即數據隨時間推移會出現質量下降或者使用效力降低等情況，進而帶來數據價值減損。此外，數據資產管理成本累積、授權期限臨近等也是引起未來經濟利益流入可能性變小的因素。

2.1 時效性數據

時效性數據具有時間效力，超出特定時間后，其描述的數據對象的準確性、一致性等將會有所下降，進而造成數據質量的降低，使數據價值變低，引起未來可能的收益變少，導致對應數據資產減值。

一些數據在特定時間內，能準確且有效地描述和反映數據對象的真實客觀內容，其數據質量好、數據價值高；但隨著時間的推移，可能會發生數據質量下降的情況，從而帶來數據價值的減少，影響未來經濟利益流入的可能性。比如，20世紀末21世紀初流行的光盤電話簿，當時所記錄的電話號碼到如今很多內容已經變更或失效，與原來相比，光盤電話薄的數據已經不是很準確，相應地數據質量下降了，其數據價值降低。還比如，隨著時間推移，有部分商店會由于內外部各種因素而發生停止營業等情況，這就會使一些點評網站（大眾點評、Yelp等）中原有店鋪數據變得與現實不一致，造成數據質量下降，影響相關數據價值。又比如，有些公司在運營多年后會由于各種不同原因發生注銷或工商數據變更等情況，這會造成一些商業查詢平臺（企查查、天眼查等）的原有企業數據的缺失和錯誤，因此相關平臺需要及時對有關數據進行更新維護，以保證其數據質量不降低、數據資產不貶值，確保服務結果的有效性和價值性。再比如，先前因業務需要合法收集而來的客戶個人信息等數據，初時是準確無誤的，但過了一段時間周期后，客戶搬家遷址、更換號碼等行為會使包括聯系方式、通信地址等在內的相關數據出現錯誤和過時失效的情況，進而帶來原有客戶信息數據的準確性、完整性下降，導致數據質量降低，引起數據價值減損，影響未來可能的收益[5]。

2.2 時效性使用

時效性使用是指數據在使用過程中其數據質量并未隨時間變化而改變，但數據的使用效力卻隨時間推移在下降，甚至出現完全無用的情況，導致數據價值出現減損，影響未來經濟利益流入的可能性，增加對應數據資產減值的概率。

通常情況下，流式數據[16]是比較典型的具有時效性使用特點的數據，相關案例有很多。

（1）證券行情數據

證券行情數據是由證券交易所產生的能實時反映股票價格、交易量等信息的流式數據，是開展證券投資決策的重要參考，較多地應用于高頻交易、算法交易等交易方式中。交易中獲取的行情數據越及時，資本獲利的機會就越大，通常來說證券行情數據的使用效力隨時間推移而下降， 15 min前產生的行情數據對于實時投資決策而言參考價值就不大了。

（2）交通流量數據

交通流量數據是能實時反映道路狀況、停車信息等內容的流式數據，是開展城市交通監測和管理的重要參考，被用于支持實時導航、擁堵監測、停車管理、交通指揮、出行推薦等方面[17]。交通流量數據獲取的越及時，預測輸出的結果就越準確，數據發揮的作用和價值就越大；反之，數據獲取延遲讓其使用效力變低、價值變小，影響應用效果。

（3）電力系統監測數據

電力系統監測數據是能實時反映電網關鍵參數、電力系統運行狀況的流式數據，是開展電網狀態監測和電力系統管理的重要參考，被應用于電力設備故障診斷預測、電力需求預估、電能分配和使用優化等諸多方面，及時獲取監測數據對于電力系統的穩定運行至關重要。若某些關鍵參數異常卻被延遲處理或未能獲取將很可能會導致巨大經濟損失。

（4）氣象預報數據

氣象預報數據是能實時反映氣象要素和天氣狀況的流式數據，對農業生產、航空航海、科學研究等多領域起到重要作用。氣象預報數據具有時效性使用的特點，像短時預報數據是預報未來1~6 h的氣象狀況，若超出其預報的時間范圍將成為失效數據，其數據價值驟減。

2.3 成本累積

這里的成本累積主要指數據資產管理成本的累積。數據資產管理是數據資產發揮價值和獲得收益的保障。隨著數據資產管理工作的開展，數據管理成本會持續性產生并累積，這會對沖掉數據產生的相關收入，使數據資產未來能夠帶來的收益變小，等到累積的管理成本超出數據產生的收入時，該數據資產對于企業而言將沒有價值。

數據資產管理成本主要涵蓋數據存儲管理、數據資產目錄維護、數據安全管理、數據備份等在內的多方面運營管理的費用支出。

在數據存儲管理方面，采用不同的存儲形式相關費用組成略有不同。比如，采用服務器托管服務形式，需要持續不斷向提供商數據中心支付包括網絡費用、機位費（機房建設成本等）、電力費用、基本管理費用、其他增值服務費用等在內的直接費用；除支付直接費用外，若是自備服務器方式，還需要為存儲介質（磁盤等）這類高損耗物品持續支出費用；若是租用服務器方式，在直接費用的基礎上，還需要疊加支付設備租用費用；又比如，采用云存儲服務形式，需要定期按收費標準向云存儲供應商支付包括數據存儲成本、數據訪問成本、數據轉移成本、數據傳輸成本等在內的直接成本費用等。

在數據資產目錄維護方面，需要持續地支出包括數據資產管理軟件服務、目錄維護更新、人力成本等在內的相關費用。

在數據安全、數據備份等方面，為了維護數據的完整性和可用性，防范發生諸如人員誤操作、病毒感染、黑客攻擊等引起數據破壞丟失的情形，需要持續地支付包括各種軟硬件設備的升級、購買專業服務等的運維服務、網絡傳輸費用、備份測試和恢復等在內的各項相關費用[5]。

2.4 授權臨期擁有數據

權屬是確認數據資產的首要條件[18]。企業若要實現數據資源的經濟價值，首先需要擁有或者控制該數據資源。通過授權方式所持有的數據資源，其未來經濟效益創造能力會受到授權期限長短的影響。

隨著授權期限的臨近或到期，授權數據的使用價值會下降，這將直接影響未來經濟利益流入的可能性，增加對應數據資產發生減值的概率。例如，一款基于征信數據開發的包括信用報告、信用監控、風險評估工具等在內的數據產品，當有關征信數據的授權到期后，會直接影響該產品的部分核心功能及準確性，造成產品使用價值的下降。再比如，一款為用戶提供實時交通狀況、位置服務和地圖導航功能等的地理信息商業服務應用，在所獲得的相關地理空間數據的商業許可到期后，很可能會出現應用中的交通信息滯后、導航準確性下降等問題，將面臨對手競爭而導致用戶流失，進而影響未來收益流入，造成資產減值。類似地，還有像基于用戶行為數據開發的個性化推薦系統、基于航空數據開發的航班出行服務產品、基于版權數據構建的知識付費產品等，這類數據產品的價值都會受到相關數據授權期限長短的影響，會隨著授權期限的臨近或到期而出現價值減損。

3 數據資產增值因素

數據的價值創造及對經濟社會的賦能作用引人注目。數據資產除了會發生減值的情況外，還存在增值的可能。隨著數據完整性提升、數據新用途發現會出現數據資產增值的情況。同時，技術的進步和發展會使相關生產經營成本降低，從而帶來更高經濟利益流入的可能性。

3.1 數據完整性

提升數據完整性的提升可以帶來數據質量的提高，進而有利于數據價值的挖掘和創造，是數據資產增值的重要因素之一。數據完整性越高，其所描述反映的事物就會越準確和一致，將有助于提高人們認識事物的水平、有利于掌握事物發展的規律，更好地發掘出數據的潛在價值。

一般意義上的數據集用內容維度、時間維度、空間維度來表達是比較科學的方式[19]，數據完整性可從內容完整性、時間完整性和空間完整性等方面來加以提升[20]。數據每個維度完整性的提升，都可以帶來數據價值的提升。

（1）內容完整性的提升，可以帶來數據價值的提升。例如，飛機是否需要維修受到諸多因素影響，包括飛機型號、設備狀況、子系統相互依賴程度、服役時間（起降次數、飛行小時數、飛機年限等）、飛行條件、機組人員經驗、飛行員記錄、外部天氣、維修記錄和檔案、油樣等內容[21]，這些描述飛機維修需求指標的屬性內容越完整、取值越準確，預測飛機的維修需求就會越及時、越前置，從而可以提高飛機可用率、降低計劃外故障、減少成本開支，對應的數據價值也越高。

（2）時間完整性的提升，可以帶來數據價值的提升。例如，自然氣候變化呈現周期性規律，若能了解和掌握相關規律，將會對農業生產、交通出行、航空航海安全、自然災害預警、能源規劃和環境保護等多方面帶來積極作用。而利用收集積累的過去30年的氣象觀測、衛星圖像等數據，通過氣候模型進行臺風等災害氣候的模擬預測的結果，大概率優于利用過去10年數據得到的預測結果[22]。

（3）空間完整性的提升，可以帶來數據價值的提升。例如，出租車GPS軌跡數據可用于分析城市居民出行熱點區域及主要道路路況預測等[23]，若某市某年的出租車輛總數為9 600輛，同等條件下9 000輛出租車的GPS軌跡數據要比3 000輛的數據空間覆蓋率更高，因此使用前者開展相關分析應用的效果肯定優于使用后者，即數據空間完整性越高，數據價值也越大。

3.2 數據新用途

發現數據新用途的發現可以帶來新的業務增長點，甚至可以形成新的業態，是數據資產增值的重要因素之一。數據的不斷積累、聚合、應用，將有益于數據新領域的探索、有利于應用新場景的發掘，更好地發揮數據的價值。

新技術的發展有助于數據處理能力的提升，新需求的出現推動著數據更深層次的利用。在二者的相互作用下，應用新場景不斷涌現，將促使數據新用途的發現，從而實現數據資產增值。

數據用于大型語言模型訓練[24]就是一個極好的例子。隨著人工智能技術的發展，以ChatGPT、GPT-3.5/4等為代表的大型語言模型需要使用規模龐大的數據資源來開展模型訓練[25-26]。用于訓練的數據質量越高，得到的大型語言模型的性能越好[27]。圖書版權數據可以作為大型語言模型訓練語料，由于這類語料數據質量高、內容權威、產權清晰，因此對于大型語言模型而言圖書版權數據是極好的訓練語料。這使得擁有圖書版權的出版社的價值得到大幅度提升，直接表現為2023年出版行業的股票價格出現大幅度上漲。這是非常典型的由新技術發展激發新需求而促使數據新用途的發現帶來的數據資產增值。

數據新用途發現的相關案例還有更多。比如，打車平臺數據主要是用于向乘客提供打車服務，隨著廣泛而長期的使用，上億人次乘客的出行數據被平臺積累，通過對這些數據進行更深層次的分析，除了可以獲得乘客出行頻率、出行習慣等數據外，還可以進一步形成一張城市的人流數據地圖，精準掌握人流集中的時間與地點等信息，進一步被應用到商業地產或商業住宅的規劃、新零售線下布局、城市市政規劃等全新的領域中，發現數據新用途、帶來數據新價值[28]。類似地，還有用于診斷和治療疾病的各類醫療數據，通過深層次分析后，這些數據不僅可以用于患病風險提前預測、人口健康分析、流行病學研究等[29]新用途，還會對醫保政策制定、公共衛生決策、醫療產業發展等具有重要價值和意義。

3.3 技術進步帶來的成本下降

技術的進步和發展會使數據相關生產經營成本降低，從而帶來更高經濟利益流入的可能性，是數據資產增值的重要因素之一。隨著技術的進步，可以用更少的成本獲得同品質或者更高品質的數據，這將有助于生產效率和競爭力的提高，有益于利潤率和盈利水平的增加，從而實現數據資產計量上的增值。

同樣的數據，技術的進步使其生產成本或采購成本在下降。與早期相比，當前數據生產的方式多樣、生產數據的速度飛快[30]，數據生產的便利性得到極大提高，而生產成本卻在下降。例如，隨著技術的進步，記錄人們美好生活的影像數據不需要再用昂貴而專業的攝像設備，而只需用手機就可以隨時隨地完成操作；檢測人們身體健康的基礎指標數據不必一定要用貴價的醫療儀器設備，只需用智能穿戴設備就可以持續進行指標監測工作[31]；舉辦企業遠程辦公會議可以不再需要專門購置價格不菲的傳統硬件視頻會議系統，只需要用筆記本等便攜設備安裝基于互聯網的云視頻會議系統即可。

此外，隨著新型存儲技術的發展，數據存儲的能力在提升，單位存儲成本在下降。以早期存儲器為例，從最早字符級容量的穿孔紙帶和紙卡，到KB級容量的磁鼓和磁芯，再到MB級容量的數據存儲磁帶機和磁盤機等，存儲能力在逐級提升。而隨著動態隨機存取存儲器（DRAM）的發明到商用化，集成電路存儲器已逐漸在計算機存儲中扮演越來越重要的角色。以計算機內存為例，在20世紀90年代被提出的擴展數據輸出內存（EDO DRAM）、同步動態隨機存取內存（SDRAM）的單條容量僅在MB級，而如今DDR3 SDRAM容量已達到GB級。而硬盤作為計算機外部存儲器后，硬盤的體積在逐漸縮小，其容量、速度和可靠性卻在大幅提高，其中容量就從MB級發展到GB級、TB級。與此同時，數據存儲介質的單位存儲成本在大幅下降。例如，早期存儲介質（如磁帶等）主要用于科學研究，是當時機構中最值錢的資產，可存儲數據為MB級；而如今人們只花費100~200元就可隨時購置到容量為128 GB的U盤等存儲介質。計算機內存從20世紀70年代至今，每MB價格已下降了近9個數量級，當前只需不到5美元的金額即可購買到1 GB的內存[32]。

4 結束

語科學分析數據資產增值或減值的因素，不僅有利于掌握數據資產價值增減的變動，還有助于甄別利用數據資產操弄財技的行為。而大數據的本質其實是數據的積累使其完整性的提升、新用途的發現而產生新價值、形成新產業。因此，我們更應關注數據資產的增值因素，盡可能發揮數據資產的價值和作用，服務于全面數字化轉型。后續工作主要是設計數據資產增值減值的計算方法，準確表達數據資產的價值變動，完善數據資產入表的相關工作。

參考文獻 View Option

[1]MOODY D L , WALSH P .Measuring the value of information:an asset valuation approach[C]// ECIS.[S.l.:s.n.], 1999: 496-512.

[2]FISHER T .The data asset:how smart companies govern their data for business success[M]. Hoboken: John Wiley ＆ Sons, 2009.

[3]FLECKENSTEIN M , FELLOWS L .Modern data strategy[M]. Cham: Springer, 2018.

[4]NGUYEN D , PACZOS M .Measuring the economic value of data and cross-border data flows:a business perspective[R]. OECD, 2020.

[5]葉雅珍, 朱揚勇 .數據資產[M]. 北京: 人民郵電出版社, 2021.

[6]許憲春, 張鐘文, 胡亞茹 .數據資產統計與核算問題研究[J]. 管理世界, 2022,38(2): 16-30,2.

[7]吳蔽余, 黃麗華 .數據定價的雙重維度:從產品價格到資產價值[J]. 價格理論與實踐, 2023(7): 70-75.

[8]羅玫, 李金璞, 湯珂 .企業數據資產化：會計確認與價值評估[J]. 清華大學學報(哲學社會科學版), 2023,38(5): 195-209,226.

[9]ZHU Y Y , ZHONG N , XIONG Y .Data explosion,data nature and dataology[C]// International Conference on Brain Informatics. Heidelberg:Springer, 2009: 147-158.

[10]朱揚勇, 熊贇 .數據學[M]. 上海: 復旦大學出版社, 2009.

[11]朱揚勇, 葉雅珍 .從數據的屬性看數據資產[J]. 大數據, 2018,4(6): 65-76.

[12]葛家澍, 林志軍 .現代西方會計理論[M]. 廈門: 廈門大學出版社, 2011.

[13]JONES C I , TONETTI C .Nonrivalry and the economics of data[J]. American Economic Review, 2020,110(9): 2819-2858.

[14]朱揚勇, 葉雅珍 .數據資產入表需要一種可計量的技術形態[J]. 大數據, 2023,9(6): 184-187.

[15]朱揚勇, 熊贇 .數據的經濟活動及其所需要的權利[J]. 大數據, 2020,6(6): 140-150.

[16]DING S F , WU F L , QIAN J ,et al.Research on data stream clustering algorithms[J]. Artificial Intelligence Review, 2015,43(4): 593-600.

[17]何承, 朱揚勇 .城市交通大數據[M]. 上海: 上海科學技術出版社, 2015.

[18]葉雅珍, 劉國華, 朱揚勇 .數據資產化框架初探[J]. 大數據, 2020,6(3): 3-12.

[19]葉雅珍, 朱揚勇 .盒裝數據：一種基于數據盒的數據產品形態[J]. 大數據, 2022,8(3): 15-25.

[20]蔡莉, 朱揚勇 .從數據質量到數據產品質量[J]. 大數據, 2022,8(3): 26-39.

[21]托馬斯·西貝爾 .認識數字化轉型[M]. 畢崇毅,譯. 北京: 機械工業出版社, 2021.

[22]羅伯特·托馬斯, 帕特里克·馬博蘭 .大數據產業革命:重構DT時代的企業數據解決方案[M]. 張瀚文,譯.. 北京: 中國人民大學出版社, 2015.

[23]CAI L , WANG H Y , SHA C ,et al.The mining of urban hotspots based on multisource location data fusion[J]. IEEE Transactions on Knowledge and Data Engineering, 2023,35(2): 2061-2077.

[24]BROWN T , MANN B , RYDER N ,et al.Language models are fewshot learners[J]. Advances in Neural Information Processing Systems, 2020,33: 1877-1901.

[25]YE J J , CHEN X T , XU N ,et al.A comprehensive capability analysis of GPT-3 and GPT-3.5 series models[EB]. arXiv preprint, 2023,arXiv:2303.10420.

[26]BUBECK S , CHANDRASEKARAN V , ELDAN R ,et al.Sparks of artificial general intelligence:early experiments with GPT-4[EB]. arXiv preprint, 2023,arXiv:2303.12712.

[27]COLIN R , NOAM S , ADAM R ,et al.Exploring the limits of transfer learning with a unified text-to-text transformer[J]. Journal of Machine Learning Research, 2020,21(1): 5485-5551.

[28]朱揚勇 .旖旎數據:100分鐘讀懂大數據[M]. 上海: 上海科學技術出版社, 2018.

[29]DALIANIS H .Clinical text mining:secondary use of electronic patient records[M]. Cham: Springer, 2018.

[30]朱揚勇 .大數據資源[M]. 上海: 上海科學技術出版社, 2018.

[31]MAJUMDER S , MONDAL T , DEEN M J .Wearable sensors for remote health monitoring[J]. Sensors, 2017,17(1): 130.

[32]中國信息通信研究院云計算與大數據研究所,CCSA TC601大數據技術標準推薦委員會.內存數據庫白皮書[R]. 2019.