حسابداری سایهبدهی پروژههای نیمهتمام عمرانی در دفاتر شهرداریها

مقدمه: حسابداری خاموش و بدهی پنهان داده‌های مرده

در عصر دیجیتال، داده‌ها به عنوان دارایی نامشهود شناخته می‌شوند؛ اما نه همه داده‌ها. بخش قابل‌توجهی از داده‌های حسابداری در شرکت‌های ایرانی، به دلیل عدم استفاده، به «داده‌های مرده صنعتی» تبدیل شده‌اند. این داده‌ها نه تنها ارزش افزوده ایجاد نمی‌کنند، بلکه هزینه‌های نگهداری، ذخیره‌سازی و بازیافت را به ترازنامه تحمیل می‌کنند. این پدیده را «حسابداری خاموش» می‌نامیم؛ زیرا بدهی ناشی از آن در صورت‌های مالی به‌صراحت نمایش داده نمی‌شود.

مدیریت بدهی و مطالبات در شرکت‌ها بدون توجه به این بدهی پنهان، تصویری ناقص از سلامت مالی ارائه می‌دهد. در این مقاله، ابعاد مالی و حسابداری داده‌های راکد را بررسی و راهکارهای ارزش‌گذاری آن‌ها را ارائه می‌کنیم.

داده‌های مرده صنعتی چیست و چگونه شکل می‌گیرد؟

داده‌های مرده صنعتی به مجموعه‌ای از اطلاعات حسابداری، مالی و عملیاتی گفته می‌شود که در پایگاه‌های داده سازمان ذخیره شده‌اند اما در تصمیم‌گیری‌ها، گزارش‌گری مالی یا تحلیل‌های مدیریتی مورد استفاده قرار نمی‌گیرند. این داده‌ها معمولاً از سیستم‌های قدیمی، اسناد کاغذی دیجیتال‌شده، تراکنش‌های ناقص یا سوابق مطالبات و بدهی‌های تسویه‌نشده ناشی می‌شوند.

منابع اصلی ایجاد داده‌های راکد

سه منبع عمده: نخست، سیستم‌های حسابداری سنتی که امکان یکپارچه‌سازی ندارند؛ دوم، فرآیندهای دستی ثبت اسناد که منجر به داده‌های تکراری یا ناسازگار می‌شود؛ سوم، عدم سیاست مشخص برای آرشیو و حذف داده‌های کم‌کاربرد. نتیجه، انباشت داده‌هایی است که هزینه نگهداری آن‌ها بر منافعشان می‌چربد.

هزینه‌های مالی نگهداری داده‌های راکد در ترازنامه

نگهداری داده‌های مرده، هزینه‌های مستقیم و غیرمستقیم قابل‌توجهی ایجاد می‌کند که در ترازنامه به‌صورت شفاف منعکس نمی‌شود. این هزینه‌ها را می‌توان در سه دسته طبقه‌بندی کرد:

۱. هزینه‌های زیرساختی و ذخیره‌سازی

سرورها، فضای ابری، پشتیبان‌گیری و انرژی مصرفی، بخشی از هزینه‌های سخت‌افزاری و نرم‌افزاری هستند که برای داده‌های بی‌استفاده صرف می‌شوند. در شرکت‌های ایرانی با محدودیت بودجه فناوری اطلاعات، این هزینه‌ها فشار مضاعفی وارد می‌کند.

۲. هزینه‌های نیروی انسانی و نگهداشت

تیم‌های حسابداری و فناوری اطلاعات زمان قابل‌توجهی را صرف پاک‌سازی، تطبیق و نگهداری داده‌های راکد می‌کنند. این زمان، هزینه فرصت از دست‌رفته برای مدیریت بدهی و مطالبات در شرکت‌ها محسوب می‌شود.

۳. هزینه‌های ریسک و انطباق

داده‌های حسابداری راکد ممکن است حاوی اطلاعات ناقص یا ناسازگار باشند که ریسک گزارش‌گری نادرست و جریمه‌های انطباقی را افزایش می‌دهند. همچنین، در صورت بروز اختلاف در مطالبات، بازیابی این داده‌ها پرهزینه و زمان‌بر است.

ارزش‌گذاری داده‌های راکد: رویکردی حسابداری

برای نمایش بدهی پنهان در ترازنامه، نیاز به روشی نظام‌مند برای ارزش‌گذاری داده‌های راکد داریم. ارزش‌گذاری را می‌توان بر پایه سه معیار انجام داد: هزینه جایگزینی، هزینه فرصت و ارزش بازیافت.

مدل هزینه جایگزینی

در این مدل، هزینه بازسازی همان داده از منابع اولیه محاسبه می‌شود. اگر داده‌ای قابل بازسازی نباشد، ارزش آن نزدیک به صفر و حتی منفی (به دلیل هزینه نگهداری) است.

مدل هزینه فرصت

منابعی که صرف نگهداری داده‌های مرده می‌شوند، می‌توانستند برای تحلیل مطالبات معوق یا بهبود مدیریت بدهی و مطالبات در شرکت‌ها به کار روند. این هزینه فرصت، بخشی از بدهی پنهان است.

مدل ارزش بازیافت

برخی داده‌های راکد با پاک‌سازی و یکپارچه‌سازی، قابلیت تبدیل به اطلاعات ارزشمند برای پیش‌بینی ریسک اعتباری یا تحلیل رفتار پرداخت مشتریان را دارند. ارزش بازیافت، تفاضل منافع حاصل از احیا و هزینه‌های بازیافت است.

بازیافت داده‌های حسابداری راکد: گام‌های عملی

بازیافت داده‌ها فرآیندی چندمرحله‌ای است که باید با همکاری واحدهای حسابداری، فناوری اطلاعات و مدیریت مالی انجام شود.

گام اول: شناسایی و طبقه‌بندی

ابتدا باید فهرستی از پایگاه‌های داده و اسناد حسابداری تهیه و بر اساس میزان استفاده، قدمت و ارتباط با مطالبات و بدهی‌ها طبقه‌بندی شوند.

گام دوم: پاک‌سازی و یکپارچه‌سازی

داده‌های تکراری، ناقص و ناسازگار حذف یا اصلاح می‌شوند. استفاده از ابزارهای هوش مصنوعی در مالی می‌تواند فرآیند تطبیق و پاک‌سازی را تسریع کند.

گام سوم: ارزش‌گذاری و تصمیم‌گیری

برای هر دسته، هزینه نگهداری در مقابل ارزش بازیافت محاسبه می‌شود. داده‌هایی که ارزش بازیافتشان کمتر از هزینه نگهداری است، باید آرشیو یا حذف شوند.

گام چهارم: گزارش‌گری در ترازنامه

هزینه‌های نگهداری داده‌های راکد باید به‌عنوان یادداشت توضیحی یا ذخیره احتیاطی در صورت‌های مالی افشا شود تا تصویر شفاف‌تری از بدهی‌های شرکت ارائه گردد.

نقش هوش مصنوعی در مدیریت داده‌های مرده

هوش مصنوعی می‌تواند با تحلیل الگوهای استفاده از داده‌ها، داده‌های کم‌ارزش را شناسایی و اولویت‌بندی کند. همچنین در بازیافت داده‌های ناقص و پیش‌بینی ارزش آتی آن‌ها مؤثر است. این فناوری به مدیریت بدهی و مطالبات در شرکت‌ها کمک می‌کند تا منابع را به سمت داده‌های زنده و تصمیم‌ساز هدایت کنند.

نتیجه‌گیری و توصیه‌های اجرایی

داده‌های مرده صنعتی، بدهی پنهانی هستند که هزینه‌های مالی نگهداری آن‌ها در ترازنامه شرکت‌های ایرانی نادیده گرفته می‌شود. حسابداران و مدیران مالی باید با ارزش‌گذاری نظام‌مند و بازیافت هدفمند داده‌ها، این بدهی خاموش را به دارایی مولد تبدیل کنند. توصیه می‌شود سیاست مدونی برای چرخه عمر داده‌های حسابداری تدوین و هزینه‌های نگهداری آن‌ها به‌صورت دوره‌ای افشا شود. مدیریت بدهی و مطالبات در شرکت‌ها بدون شفاف‌سازی این بدهی پنهان، ناقص خواهد بود.