企业数据资产FMEA质量风险评估框架及其实证验证：2022年数字经济学报研究

数字经济学报1（2022）141研究文章一种改进的企业数据资产FMEA质量风险评估框架尤建新a，楼树奇a，毛人杰b，徐涛a，*a同济大学经济与管理学院，上海，200092，中国bCovestro AG，Leverkusen，51373，GermanyA R T I C L EI N FO关键词：质量风险数据资产FMEADEAA B标准分析和评估质量风险对于充分利用数据资产的价值至关重要本文提出了一种基于改进FMEA的数据资产质量风险主动评估框架首先，通过文献研究和专家讨论，从生命周期角度识别质量风险度量采用三角模糊数表示专家评价中的不确定性和复杂性信息随后，引入新的风险因子“C最后，通过一个实际案例对提出的FMEA框架进行了验证，并提出了控制数据资产质量风险的建议。1. 介绍数字经济在全球经济增长中发挥着越来越重要的作用据统计，2021年47个国家数字经济增加值达38. 1万亿美元，占国内生产总值（GDP）的45%。 随着数字经济的发展，数据不仅是单一的字符，虚拟工具或技术，而且已经革命性地成为组织的基本资产和关键生产要素（Leonelli，2019; Rong，2022）。数据资产的出现吸引了政府、企业和学术界的广泛关注（Brinch et al.， 2021; Sheng等人， 2019年; Xu等人， 2016年）。 根据Ye et al.（2019）和Xu et al.（2022）的定义，数据资产是指企业在生产、经营或交易过程中产生或获得的，预期能够产生经济利益的数据。 尽管数据资产具有巨大的潜在价值，但值得注意的是，数据资产的价值实现在很大程度上受到质量的影响（Cai和Zhu，2015年; Hazen等人， 2014年）。换句话说，当数据的质量受到质疑时，挖掘和分析的结果可能会降低价值，甚至对合理的业务决策产生不利影响。例如，不准确和不可靠的输入数据很可能产生误导性结果（结论、决定），从而导致直接经济损失（Munappy等人，2022年）。鉴于质量的关键作用，学者们不断探索评估数据资产质量的方法 Extek研究更多地关注数据质量评估，主要是从信息技术和用户的角度（Elouataoui等人， 2022年）。 前者体现在技术评价指标的构建上，如准确性、完整性和一致性（Pipino et al.，2002; Taleb等人，2021年）。后者认为数据的质量取决于用户是否能够有效地处理（Munappy等人，2022; Strong等人，1997年）。从现有文献中可以发现，大多数相关研究考虑的数据* 通讯作者。电子邮件地址：yjX 2256@vip.sina.com（J. You），loushuqi0927@163.com（S.Lou），maorjb@gmail.com（R.Mao），Xutao1007@tongji.edu.cn（T.Xu）.https://doi.org/10.1016/j.jdec.2022.12.001接收日期：2022年10月24日;接收日期：2022年12月24日;接受日期：2022年12月27日2773-0670/©2023作者。由爱思唯尔公司出版我代表科爱通信公司，公司这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表数字经济杂志首页：www.keaipublishing.com/en/journals/journal-of-digital-economyJ. You等人数字经济学报1（2022）141142并从这个维度构建评价体系然而，从生命周期角度研究数据质量以采用主动风险控制策略的研究仍然相对较少。事实上，引入风险管理方法来保证产品质量已经成为一种新的趋势，通常被称为质量风险管理（Johansson et al.， 2006年）。 与质量检验不同的是，如能事先采取积极措施，就能有效地提高质量，避免风险，这就是常说的质量始于产品设计（Hollins，1995）。本文提出了一个相应的质量风险评估框架，以避免可能影响数据资产质量的风险该框架可以被理解为一种预防性和主动性的方法，用于识别数据资产在其生命周期中可能面临的关键风险。至于质量风险评估方法，失效模式和有效性分析（FMEA）方法已被广泛接受（Wu等人， 2021年）。 FMEA现已广泛应用于风险评估和质量管理领域（Liu，2019; Liu等人， 2018; Wang等人， 2018年）。然而，传统的FMEA仍然有几个缺点（Liu等人， 2019; Nie等人， 2018年）。如何使传统的FMEA方法适用于数据资产的质量风险评估是本文要考虑的关键问题之一 为此，利用模糊理论和数据包络分析（DEA）方法来增强传统的FMEA（Ershadi等人， 2020年）。综上所述，本文的主要贡献在于构建了一个基于改进FMEA的数据资产质量风险主动评估框架首先，通过文献研究和专家讨论，从生命周期角度识别质量风险度量然后，采用三角模糊数来表示专家评价中的不确定性和复杂性信息。随后，引入新的风险因子“C”来描述风险控制的难度，并应用DEA方法来计算风险因子的权重。最后，通过一个实际案例对提出的FMEA框架进行了验证，并提出了控制数据资产质量风险的建议。本文其余部分的结构如下。第二章是单独的文献综述。第三章和第四章分别介绍了本文提出的框架及其应用。第五章是结论与讨论。2. 文献综述2.1. 数据资产数据资产的概念起源于信息资源和信息资产（Leonelli，2019; Xu et al.， 2022年）。20世纪70年代，随着计算机科学的迅速发展，信息资源应运而生从那时起，信息资源就被认为与人力、物力和财力资源同等重要（Gunther et al.， 2017; McAfee等人， 2012年）的报告。Evans and Price（2012）指出，在知识经济时代，对数据、文档、网站内容等无形信息资产的理解和管理非常重要。对这些资产的良好管理方法使组织能够有效地运营，从而以较低的成本提供更高质量的产品和服务（Iqbal等人，2020年）。进入21世纪，随着大数据技术和数据管理应用的发展，数据资产的概念开始流行，这意味着数据已经革命性地成为组织的基本资产和生产的关键要素（Leonelli，2019;Rong，2022）。由于数据在概念上是一种新的资产，现有文献中很少有直接讨论数据资产质量的研究然而，值得注意的是，对数据质量的研究相对广泛。 Wang等人（1995）将信息产品与制造业进行了比较，因此建议将管理责任、运营、成本和研究等因素纳入数据质量评估框架。之后，Strong et al. （1997年）指出，高质量的数据应适合使用。在此基础上，Redman（1998）从概念、数值和形式三个层面进一步扩展了数据质量的定义。 随着数据技术的广泛应用，研究人员普遍认同大数据的质量与传统数据质量不同，大数据质量管理的目的主要是为了应用（Merinoet al. 2016; Taleb等人， 2015年）。因此，数据的质量概念已经开始逐渐被接受为满足应用要求的程度（Kusiak，2017）。数据质量的评估也是许多研究的重点例如，Cai和Zhu（2015）分析了大数据环境的数据特征，并构建了动态评估过程。Kobalan等人（2021）提出了一个创新的数据质量管理框架，以量化数据质量差的影响，赵等人。（2017）提出了数据资产质量评价指标，构建了大数据环境下基于多准则决策模拟的数据资产质量评估框架。一些国际组织还提出了数据质量评价框架货币基金组织和欧统局定义了数据质量的七个方面，包括适用性、准确性和清晰度（Karkouch et al.， 2016; Yu等人， 2021年）。但需要注意的是，大多数相关研究都将数据视为一种产品，并通过测试的方式来检验其质量事实上，许多研究表明，许多因素可能导致数据资产的质量缺陷（Cai和Zhu，2015），特别是信息系统（Cao和Zhu，2013; Devillers等人，2007）、数据质量政策、组织结构和工程师（Silvola等人，2019年）。最近，越来越多的研究从生命周期的角度关注数据质量，涵盖数据收集，处理，转换，集成应用程序和用户数据需求等几个方面。因此，本文试图从生命周期的角度来探讨数据资产的质量风险，这将有助于提高其质量的管理。2.2. 质量风险评估方法FMEA方法已被广泛用于质量风险评估框架。它于20世纪60年代首次应用于航空业，被认为是评估潜在风险并防止其发生的有力工具（Liu，2019; Liu等人， 2018; Wang等人， 2018年）。该方法确定各种潜在的故障模式，通过分析的原因，以及他们的有效性。在确定了J. You等人数字经济学报1（2022）141143最有可能的故障模式，可以制定一些预防措施值得注意的是，本文中的质量风险是FMEA框架中数据资产质量的相应失效模式然后，根据发生率（O）、严重度（S）和检测（D）对失效模式进行分类在FMEA中，O、S和D是失效模式的风险因素（Liu等人， 2019年）。然而，传统的FMEA仍然存在一些缺陷，如用数值来评价失效模式、忽略FMEA团队成员的权重、风险优先级序列（RPN）计算不合理等。（Liu等人，2019; Nie等人，2018年）。为此，大量的研究人员研究了FMEA的改进，包括模糊专家系统，灰色关联理论，层次分析法，DEA等的就业。 （Liu等人， 2018; Tooranloo和sadat Ayatollah，2016; Wang等人， 2019年; Wang等人， 2016年）。针对传统FMEA方法的不足，本文采用模糊理论和DEA方法对其进行改进具体地说，三角模糊数被用来表达在不确定环境中的评估 该方法已广泛用于质量和风险管理领域（Liu等人， 2012年）的报告。采用三角模糊数来解决专家评估数据资产质量时的不完全性和不准确性问题。 这是因为系统和环境的复杂性以及实施者的主观不确定性可能导致不精确的评估（Liu等人，2012年）的报告。1978年首次提出的DEA方法可以有效地评价决策单元的绩效DEA方法的基本模型包括CCR和BCC模型（Charnes等人，1978; Liu等人，2013年）。据我们所知，DEA方法的优点之一是客观性高，因为DEA方法中各变量的权重是通过计算最优值而得到的，而不是事先确定的。因此，DEA方法防止了权重分配中过于主观行为的发生，从而确保了评价过程的客观性和有效性（Liu et al.，2013年）。这也是本文采用DEA方法来识别所提出的框架中风险因素权重的主要原因之一（Yu et al.， 2021年）。此外，由于数据资产规模大、类型多，数据资产的质量风险控制和管理也不同于其他产品或服务。因此，在风险因素的构建中，本文引入了一个新的风险因素“控制（C）”来评估数据资产质量风险在相应风险发生时是否难以控制（Li and Zeng，2016）。3. 一种改进的FMEA-DEA框架通过对三角模糊数和DEA方法的分析，提出了一种改进的FMEA数据资产质量风险评估框架。该框架包括识别潜在数据资产质量风险指标、界定风险因素及语言影响、厘定其权重及计算优先次序的步骤图1说明了拟议框架的步骤。3.1. 识别数据资产质量风险度量在评估数据资产的质量风险时，一个关键的先决条件是构建风险度量。本文中的质量风险度量可以理解为FMEA中的失效模式。然而，与传统的实体资产不同，数据资产具有体积、速度和多样性（3V）的特征（Elouataoui等人， 2022年; Xu等人， 2022年）。由于不同的场景，数据产生价值的方式也有很大的变化（Wiener等人， 2020年）。数据资产在不同场景和主体下可能的质量风险度量很可能不同，这意味着数据资产的潜在风险是相对的、动态的。数据资产的特性也增加了质量风险度量的难度 本文试图讨论数据资产在其整个生命周期中可能暴露的风险模式。Fig. 1. 基于FMEA-DEA的框架。J. You等人数字经济学报1（2022）141144针对数据资产的生命周期，本文采用德尔菲法和文献分析法，提出了24个数据资产质量风险度量指标（Barsi et al.，2019; Ofner等人，2013; Wahyudi等人，2018年）。具体而言，本文首先通过文献研究，总结了可能影响数据资产质量的因素和可能的原因然后，将初步指标发送给专家。最后，匿名进行几轮通信，以征求专家意见。该研究从四个维度考虑这些指标：收集和审计，传输和存储，管理和使用以及数据销毁或重用。失效模式和详细项目见表1。此外，数据资产质量特征包括准确性、完整性、一致性、盈利性、及时性等（Kwon etal.， 2014年）。3.2. 定义风险因素和语言含义传统的FMEA方法根据专家组的专业知识对风险因素进行评估，由于数据资产的因此，本文引入控制（C）来描述数据资产质量风险发生时控制数据资产质量风险的难度（Li和Zeng，2016）。四个危险因素的评价采用7粒度评价语言标准集，其含义见表2。3.3. 语言评价由于专家对风险因素评价的强模糊性和高不确定性，该模型采用三角模糊数理论量化专家意见（Liu et al.， 2012年）的报告。 对应于评价语言的三角模糊数可以在表3中找到。在专家权重的基础上，根据专家的评价对三角模糊数进行分类和归纳，得到最终的三角模糊数r <$a ; b ; c。计算公式如公式（1）所示。 其中a≤b≤c和a;b;c是~ r的下界元、主元和上界元。当a/b/c时，三角模糊数~r退化为普通实数（Liang et al.， 2013年）。t t ta¼Xμiai;b¼Xμibi;c¼Xμici（1）1/11/11/1表1数据资产的FMEA分析。类别号失效模式原因与情感收集和审计FM1FM2FM3FM4FM5FM6数据失效数据错误数据冗余数据损坏数据复制许可限制数据使用政策或法规的变更数据的准确性和完整性受到影响。技术故障或人员失误。数据的可盈利性受到影响。技术故障或人员失误。数据的一致性受到影响。技术故障或人员失误。数据的完整性和可盈利性受到影响。技术故障或人员失误。数据的一致性和准确性受到影响。技术故障或人员失误。数据的完整性、及时性和盈利性FM7数据收集未知数据源影响。技术故障或人员失误。数据的完整性和可盈利性受到影响。FM8FM9数据传输失败元数据丢失组织中缺乏标准流程。数据的完整性受到影响。组织缺乏标准流程，技术故障或人员错误。数据的完整性和可盈利性受到影响。传输和存储FM10FM11FM12FM13数据滞后数据存储失败数据存储分散数据存储交叉技术故障或人员失误。数据的完整性和及时性受到影响。技术故障或人员失误。数据的准确性和完整性受到影响。技术故障或人员失误。数据的准确性和完整性受到影响。组织中缺乏标准流程数据的准确性和完整性FM14数据转换错误影响。技术故障或人员失误。数据的安全性受到影响。FM15FM16数据泄露数据调用错误组织中缺乏标准流程。数据的安全性受到影响。组织或人员错误中缺少标准流程。数据的安全性受到影响。管理和FM17数据调用失败组织缺乏标准流程，技术故障或人员错误。的使用数据的完整性和可盈利性受到影响。FM18数据窃取标准流程在组织、技术故障或人员错误中缺失的安全数据受到影响。FM19数据分析错误标准流程在组织中缺乏。数据的可盈利性受到影响。FM20数据使用违反组织中缺乏的隐私标准流程。数据的安全性受到影响。FM21数据分类混合数据使用政策或法规的变更，组织或人员错误中缺乏标准流程。数据的准确性和完整性受到影响。数据销毁或重用FM22数据备份失效技术故障或人员错误。数据的安全性受到影响。FM23数据未及时销毁组织中缺少标准流程数据的安全性和准确性受到影响。FM24数据再利用的权限限制数据使用政策或法规的变更。数据的完整性和可盈利性受到影响。J. You等人数字经济学报1（2022）141145XX≤≤IJIJIJ表2描述语言的含义评价语言发生率（O）严重度（S）检测（D）控制（C）极低（VL）几乎不可能。几乎没有任何影响故障检测难度极低非常低的控制故障难度低（L）偶尔发生的低分辨率故障检测难度控制失效的难度低轻度低（ML）相对很少发生轻度低浊度轻度低故障检测难度轻度低控制失败中（M）偶尔发生中间的中等故障检测难度中等控制失效难度轻度高（MH）相对经常发生轻度高渗轻度高检测失败难度轻度高控制失败难度高（H）经常发生高强度故障检测难度控制故障的高难度极高（VH）经常发生非常高的透明度故障检测难度极高非常高的控制故障难度表3评价语言的三角模糊数评价语言三角模糊数极低（VL）（0，1，1）低（L）（0、1、3）轻度低（ML）（1、3、5）中（M）（三、五、七）轻度高（MH）（5、7、9）高（H）（7、9、10）极高（VH）（9、10、10）3.4. 计算风险优先级传统的FMEA方法假设风险因素的权重相等。然而，由于风险分析对象的复杂性以及人类思维能力和知识结构的局限性，在实际案例中很难确定风险因素的权重。 为了避免不同因素之间的人为权重误差，本文引入了DEA方法来计算权重（YouseFiet al.，2018年; Yu等人，2021年）。此外，为了进一步降低投入产出变量的不合理偏好的影响，本文借鉴了Entani等人提出的乐观和悲观效率模型。（2002），以提高权重确定的准确性和客观性。该方法将n个质量风险度量作为n个决策单元，记为FM i i<$1; 2;n。O、S、D和C是四个输出DEA模型的因子，表示为RF jj 1; 2; 3; 4。riji< $1; 2;n;n;j< $1; 2; 3;4代表风险因子RFj的值质量风险度量FMi.ωj表示RFj的权重，满足以下要求：4（2）第1页为了便于模型的计算和求解，本文采用了Garcia和Schenau（2005）和Chin等人的处理方法。（2009），并且将输入指标值设置为相同。该模型以FMi的风险优先数RPN为Ri，利用DEA模型计算ωj，RPN由式（3）计算。4RPNi<$Ri<$ωjrij;i<$1;2;n;n（3）第1页传统的DEA模型通常会给输入和输出权重分配过多的零值，导致最优效率过高，最差效率过低。为了避免此类问题，本文考虑了对产出指标最大权重与最小权重之比的约束根据Saaty的相对重要性九标度准则，建立了方程（4）1ma xfω1;ω2;ω3;ω4g9（4）minfω1;ω2;ω3;ω4g由于等式（4）的左侧总是恒定的，这里得到等式（5）：ωj-9ωk≤0;j;k<$1;2;3;4;j6 <$k（5）根据悲观效率的概念，建立了计算风险因素权重对的悲观规划和乐观规划模型。 本文采用一个三角模糊数对专家评价语言进行量化，模型也需要进行模糊处理。该模型将第i个失效模式的第j个因素的评价值表示为三角模糊度~roj<$ra;rb;rc。基于三角模糊数的悲观规划与乐观规划可以表示为等式（6）和等式（7），分别表示在最大化RPN和最小化RPN下的权重分配方案J. You等人数字经济学报1（2022）14114644<4IJ4C>4IJ4CIJIJIJIJIJIJmax RL<$Xαωjrb<$X<$1-α<$ωjramax RL<$Xαωjrb<$X<$1-α<$ωjra>max RU<$Xαωjrb<$X<$1-α<$ωjrcωj-9ωk≤0;j;k <$1;2;3;4;j6 <$k最大Ro¼最大Xωj~rij;s：t：8X40j第1页B X0j第1页一联系我们>第1页Xj1/4αωjrijαωjrb第1页Xj1/4α 1-α<$ωjrij≤1;1-α（十）ωj-9ωk ≤0;j;k <$1;2;3;4;j6 <$k>：i¼1;n;n4 40>8X0j第1页B X0j第1页一联系我们<>第1页Xj1/4αωjrijαωjrb第1页Xj1/41-α1-α（十一）>1;2; 3; 44 408>X4¼0j第1页B Xþ40j第1页一αωjrijJ1>IJ444444：J. You等人数字经济学报1（2022）141147>ωj-9ωk≤0;j;k <$1;2;3;4;j6 <$k¼第1页1-αC（十二）时间：>X4¼αωjrb<$X1-αj1j1>：>i¼1;n;nJ. You等人数字经济学报1（2022）141148max RU<$Xαωjrb<$X<$1-α<$ωjrcP●>α000α000αiαiRPN¼i1αiαiωj-9ωk≤0;j;k <$1;2;3;4;j6 <$k¼2K4 408>X4¼0j第1页B Xþ40j第1页一αωjrijJ1>IJ第1页1-αC（十三）时间：>X4¼αωjrb<$X1-αj1j1>：>i¼1;n;n最后，本研究利用几何平均法计算给定置信水平α下风险优先数的上界和下界，如式（14）和式（15）所示。你好，我是一个很好的人。ffi ffiRffiffiffimffi ffiaffixffiffiΣffiffiUffiffiffiffi●ffiffiffi.ffiffiffiRffiffimffiffiffiiffinffiΣffiffiffiUffiffi（十四）RP NffiffiRffiffiffimffi ffiaffixffi ffiΣffiffiLffiffiffi●ffiffiffiffi.ffiffiRffiffiffimffiffiiffinffiffiΣffiffiLffiffi（十五）总之，可以获得具有不同置信水平αi的风险优先数区间½RPN<$L;<$RPN<$U]为了便于综合不同置信水平αi的计算结果，并对风险优先数进行去区间化，利用重心法给出了RPN的最终计算公式，即式（16）。在这个等式中，k是置信水平的数量PK αihRPNLRPNUii¼1αi根据式（16），可以计算出n个质量风险指标对应的RPN通过对不同故障模式的RPN排序， RPN越大，故障风险越大，从而找到数据资产最严重的质量风险度量4. 新型申请将该模型应用于X商业银行信贷项目数据资产质量风险评估，并对评估结果进行了进一步的讨论本文以银行业为研究对象，主要有以下几个方面的原因：（1）银行业是中国数据治理的早期采用者2018年5月，我国银行业监管机构发布《银行业金融机构数据治理指引》，明确提出将数据治理纳入公司治理范畴。顺应政策要求，商业银行持续提升数据治理水平，旨在实现数据资产的积累（2）在银行经营方面，为提高管理效率、了解客户需求及控制风险，银行须监控及追踪各类数据，包括信贷人口消费记录、信贷数据、社会行为信息及市场趋势。这些数据已经成为银行的一种重要资产（3）从X银行的数据治理情况来看，尽管在早期进行了管理尝试，但由于这项工作涉及多个部门和多项业务，因此没有针对不同数据系统和不同人员的统一管理规范。这导致了明显的质量风险，例如数据资产中的重复和不一致，这可能会给企业的业务决策带来更大的不确定性。因此，迫切需要对数据资产质量风险进行分析和探讨。4.1. 数据资产质量风险评估根据X银行信贷项目数据资产的实际情况，通过问卷调查的方式，邀请X银行的3名数据资产质量研究人员和2名管理人员对24项数据资产潜在质量风险的4个风险因素（O、S、D、C）进行评估。风险评价因素总结见表4。其次，该方法将专家的定性评价语言转化为定量的三角模糊数。α的集合为0.1、0.3、0.5、0.7和0.9。然后计算不同失效模式的上限和下限以及不同置信水平下的平均RPN值。结果排序如表5所示。4.2. 评价结果为了分析该模型的有效性，还采用传统的FMEA方法计算数据资产质量。结果见表5。表5显示，FM7在两种模型中均排名第一，FM23、FM24、FM1和FM18在两种方法中排名前五。总体而言，这两种模式在排名上的偏差相对较小危险性排序高的因素主要是FM8和4（十六）表4失效模式评价E·X·pert重量FM1FM2FM3FM4FM5FM6OSDCOSDCOSDCOSDCOSDCOSDC10.25MHMHLMHMHVHMLMLMMMMMMHMLLMLVLMMML20.2MHLMHHVHMLLMHMMHMLMLMLMHLMLMLLVLMHMLML30.2MMLMHHHMMLMMHMHMLMLMLMMLMLLMHMML40.2MMHVLMVHHMMMHMHMLMMHMHMLVLMHLVLMHMLMML50.15MMHVLMHMHMHMLMMMHMMLMMMHMLLMMLLMMHMMLE·X·pert重量FM7FM8FM9FM10FM11FM12OSDCOSDCOSDCOSDCOSDCOSDC10.25MLMLMLMLHMMMLLMLMHHHHLMLLLMLMHMMH20.2MHLMVLMLLHMMMLLMLMHMHHVLMLVLMLLMMM30.2MHLMHVLMLMHMMLMMLLMHHHMHVLMLLMLMMHM40.2MMLMLMLMLMMLMLMLLMHHMHMLMLLLLMMM50.15MHLMVLMMLMHMMMLMLMHHMHMHMLMLVLLLMMLMLE·X·pert重量FM13FM14FM15FM6FM17FM18OSDCOSDCOSDCOSDCOSDCOSDC10.25MHHHMLMLMLMHHMMHMMMLMHMLMLMLMML20.2MMHHMHMLMLVLLMHHMLHMHMLMLMHMHLLMLMHML30.2MLHMHMHLMLLMLHMHMLMHMHMMLMMLMLMLLMMVL40.2MLMMHMHMMLLMLMHHMHMHMLMMLMHMVLLMMLMLL50.15MHMHMLMVLLMHMHMLMHMMHMMLMLLMMLMHMLVLE·X·pert重量FM19FM20FM21FM22FM23FM24OSDCOSDCOSDCOSDCOSDCOSDC10.25MMHMMLMLMMMMLMLMLHMVLMLMLVLMLMLMHMHMH20.2MLHMMLLMHMHMLLMMLMLHMVLLMHLVLLMLMHMHMH30.2MHMHMMLMLMHMMLLMLMLMHMLMMLLLLMLHMMH40.2MMHMMLMMHMLLMLLMHMLVLMLMLVLMMLMHMLM50.15MMHMMLMMHMHMLLMMLLMHMLLLMLLVLMLMLMMHMJ. You等人数字经济学报1（2022）141148J. You等人数字经济学报1（2022）141149FM 16. 传统FMEA方法计算的RPN等级为13和10，而使用几何平均效率改进模型时的RPN等级为9和14采用传统FMEA方法计算的FM23和FM24的RPN分别为1792（？）和排名相同的2，但改进的模型可以有效地区分排名。同样，在传统FMEA中，FM10和FM16、FM22和FM5、FM16和FM9都具有相同的风险等级。研究发现，虽然不同风险因素的得分不尽相同，但传统的FMEA模型无法用相同的RPN值区分它们然而，改进后的框架能够通过几何平均效率法计算RPN值来准确区分所有风险因素。在改进的FMEA框架中，不同风险因素的O、S、D和C具有不同的权重，有效地解决了传统FMEA模型中各因素之间没有相对权重分配的缺点。 对于风险失效等级的合理性，以传统FMEA为例，FM2的数据错误风险等级为9，而改进模型假设为6，意味着风险更高。在实践中，专家对X银行的信贷项目进行持续跟踪观察后发现，数据形成阶段的数据错误是非常大的质量风险X银行在收集数据方面也存在一些混乱，而且缺乏统一的收集标准。在记录客户资料时，工作人员未能详细解答客户问题或解决困惑，导致个人资料填写错误可以看出，在考虑和区分风险因素的相对权重后，计算出的风险故障排序结果比传统模型更符合实际综上所述，该模型中采用DEA方法改进的RPN计算方法，通过区分排序和因素的相对权重，有效改善了传统FMEA的缺陷，同时提高了排序结果的准确性和科学合理性。同时，该模型还可以修正传统DEA改进模型只考虑乐观有效性带来的偏差，为数据资产质量风险评估实践提供更全面的参考。4.3. 风险控制措施4.3.1. 加强数据资产来源质量管控根据表5计算结果的排序，形成阶段的数据缺失（FM24）、数据来源不可靠（FM7）、数据失效（FM1）和数据错误（FM2）是主要风险，很可能严重影响信贷项目中数据资产的质量因此，X银行应首先控制数据资产的原始质量，并对数据源的生成和收集采取改进措施在数据源生成过程中，X银行应对外部源和内部生成采取不同的控制措施首先，要对外部数据平台和机构进行严格的资质审查和数据能力认定，从采集过程中剔除劣质数据源。其次，在内部工作方面，X银行需要建立一个多层次的数据系统，在定义、操作和应用方面提供统一的标准。 该系统可引导各业务单元和子公司生成内部数据，且存储格式和含义一致，减少数据口径不同带来的麻烦，最终便于后续工作中的数据共享、分析和交互。在数据采集过程中，公司应建立数据采集流程规范和数据可视化平台，接下来按照规范严格控制采集流程，以提高数据采集的准确性它还提供了一个解决方案，可以追溯后期可能出现的数据质量问题的来源同时，X银行还需要加强对数据采集人员的管理和培训，如提高数据采集录入工作的规范能力，按照规范将数据信息填入工具和生产平台4.3.2. 加强数据安全和隐私保护在评估结果中，数据使用侵犯隐私（FM20）、数据窃取（FM18）和数据未及时销毁（FM23）也是影响数据资产质量的关键风险银行作为掌握大量用户关键数据的机构，在使用和分析数据时，应时刻注意防止侵犯用户隐私因此，必须获得用户的授权此外，数据隐私的保护也极为重要。一旦发生银行的数据泄露，大量用户的隐私信息将被曝光，这将给用户造成巨大损失因此，X银行需要建立一个持续流通的，表5比较RPN。号OSDC传统FMEA改进模型号OSDC传统FMEA改进模型FM7666311FM2243221513FM23341222FM1662511014FM24131223FM348781415FM1798744FM645731716FM18354155FM537661517FM2784896FM942751718FM15642367FM1925222019FM20252178FM1167172220FM85753139FM2151132321FM174423810FM489431922FM1265521211FM1426552123FM1036641012FM1384132424J. You等人数字经济学报1（2022）141150优化管控机制，从生产到监测、总结、推广。具体工作包括：（1）建立滚动计划驱动的数据检查体系：（2）形成数据处理日常问题的全过程控制机制（3）根据使用场景设计不同的数据分类存储路径标准;（4）分析数据谱系，建立数据家谱;（5）通过技术手段不断完善数据的后期管理4.3.3. 加强不同部门之间的数据流通和共享X银行需要建立健全公司数据流通共享机制，这是发挥数据资产价值的重要途径具体来说，X银行可以通过对现有数据资产进行盘点来建立目录 从内部看，X银行要坚持“数据开放共享为常态，不共享不开放为例外”的原则。例如，公司应根据信贷项目不同应用阶段的数据特点，建立全方位、多层次的数据流转体系和科学的数据开放体系，避免“数据孤岛”。提高业务部门的数据价值意识，落实风险控制，实现全面提升。5. 结论与讨论5.1. 的主要贡献鉴于数据资产质量在价值实现过程中的重要作用，采取积极措施识别、评估和控制质量风险至关重要。 为此，本文试图构建一个基于改进FMEA方法的数据资产质量风险主动评估框架。本文的主要贡献可归纳如下。首先，本文将数据视为一种产品和资产，并引入主动质量风险评估的概念和方法来评估其风险。结合数据资产的形成过程，基于文献分析和专家研究方法，将数据资产的生命周期划分为收集与审计、传输与存储、管理与使用、销毁或再利用。总共列出了24种可能的数据资产风险因素，并描述了可能的原因 这些风险指标将帮助组织梳理数据资产质量的整体风险状况。其次，本文采用定性分析与定量分析相结合的方法构建了数据资产质量风险评估框架。改进主要体现在以下几个方面：（1）在数据资产质量风险评估过程中，专家进行评估时，可能存在单个实数的不完全表达因此，本文在解决定性指标量化问题的同时，引入了三角模糊数方法（2）传统FMEA方法根据专家小组的专业知识对严重度（S）、发生率（O）和困难度（D）三个风险因素进行评估。由于数据资产规模大、类型多的特点，其质量风险的控制和管理不同于其他产品或服务。因此，本文引入了控制（C）因子来评价数据资产质量风险发生后是否难以控制和管理（3）为了避免评价者在权重分配上的主观意愿对评价结果的干扰，保证评价的客观性和有效性，本文引入了DEA方法来计算风险因素的最优权重。最后，将该模型应用于某商业银行的数据质量风险评估过程中，并与传统的数据质量风险评估方法进行比较，验证了该模型的可行性。与传统FMEA模型不能区分RPN值相同的风险指标相比，改进后的FMEA模型通过几何平均效率法计算RPN值，可以准确地对所有风险指标进行不同的通过案例分析，我们发现X银行在数据资产收集、隐私与安全保护、数据流通与贡献等方面存在不足。提出了相应的管理建议5.2. 讨论值得注意的是，在未来的研究中，以下几个方面仍然可以进一步考虑首先，从数据资产质量分析的概念出发，引入产品质量风险分析的概念和方法，对数据资产的在未来的研究中可以引入更多的质量管理方法来提高数据资产的质量水平，特别是结合新的数据分析技术方法，如机器学习。其次，在专家调研和文献调研的基础上，对本文提出的数据资产质量风险模型进行了识别考虑到与数据资产质量风险相关的研究仍处于起步阶段，以及管理的动态性和复杂性，所提出的风险度量仍可以进一步扩展。在未来的研究过程中，应结合更多企业的数据资产质量治理实践，对失效模型进行优化随后，在所提出的模型中，专家的相对权重被假定为已知的，并直接在案例研究中给出未来的研究可以探索一种基于数据资产质量风险评估信息客观获取专家权重的方法此外，虽然该模型在识别关键数据资产质量风险方面是有效的，但它增加了计算的复杂性。因此，可以开发一个以计算机为基础的程序设计系统，以促进拟议方法的实施竞合利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。J. You等人数字经济学报1（2022）141151确认本课题得到了国家自然科学基金（71671125）和国家留学基金委（202106260230）的资助引用Barsi，A'.，Kugler，Z.， Juh'asz，A. ，Szabo'，G.， Batini角，Abdulmuttalib，H.，黄，G.，沈，H.，2019年。 遥感数据质量模型：从数据源到生命周期阶段。Int. J.Image Data Fusion 10（4），280- 299.Brinch，M.，Gunasekaran，A.，Wamba，S.F.，2021.企业级能力，实现大数据价值创造。J.巴斯。Res. 131（7），539- 548. 蔡，L.，Zhu，Y.，中国科学院，2015年。大数据时代数据质量和数据质量评估的挑战数据科学J. 14 1- 10 0曹，L. Zhu，H.，2013.正常事故：erp制造业中的数据质量问题。J.数据信息质量4（3），1- 26。Charnes，A.，库珀，W. W.，Rhodes，E.，一九七八年 衡量决策单位的效率。EUR. J. 操作员Res. 2（6），429- 444。成，K.-美国，王玉- M.，潘，G.K.K.，杨，J. - B、2009.通过数据分析进行失效模式和影响分析。德西斯Support Syst.48（1），246- 256. 德维莱尔河 B'e dard，Y.，Je