消费品行业报告

中国数据要素市场发展报告（中国数据要素市场发展报告（20212022）2022 年 11 月中国数据要素市场发展报告（中国数据要素市场发展报告（20212022）版权声明本报告版权属国家工业信息安全发展研究中心、北京大学光华管理学院、苏州工业园区管理委员会、上海数据交易所所有，并受法律保护。转载、编撰或其他方式使用本报告文字或观点，应注明来源中国数据要素市场发展报告（2021-2022）。违反上述声明者，将追究其相关法律责任。I报告编写组主编单位：国家工业信息安全发展研究中心北京大学光华管理学院苏州工业园区管理委员会上海数据交易所参编单位：赛昇数智科技（苏州）有限公司中国电子信息产业集团有限公司北京国际大数据交易所翼健（上海）信息科技有限公司深圳市洞见智慧科技有限公司北京瑞莱智慧科技有限公司杭州锘崴信息科技有限公司北京柏睿数据技术股份有限公司上海市社会信用促进中心上海仲裁委员会北京市盈科（深圳）律师事务所普华永道会计师事务所德勤企业咨询（上海）有限公司中航工业产融控股股份有限公司中汽创智科技有限公司北京金堤科技有限公司爱奇清科（北京）信息科技有限公司深圳神策数据科技有限公司北京卓讯科信技术有限公司II指导委员会：何小龙周黎安倪乾潘瑜参编人员：刘巍杨玫仲为国张飞扬杨小波陈永财汤奇峰黄丽华刘硕杨柳孙璐王淼朱迪孙浩骐杨旭妍商溥雯何智文涂海银夏琦陈勇吏郑传峰王永超周易江黄云霞I前言数据作为关键生产要素，其乘数效应的发挥离不开数据要素保有量的丰富程度、数据要素质量的精准度、数据要素市场的发展成熟度以及数据要素应用路径的清晰度。在国家促进要素市场化配置系列政策指导下，各地方政府及有关单位积极探索数据要素市场化配置改革，推进数据要素价值体系建立、数据要素市场规则构建等工作，在体制机制创新、关键技术突破、市场主体培育、产业生态集聚等方面取得了初步成效。本报告围绕数据要素市场培育过程中，政府主管部门及数据要素流通涉及主体各方面临的难点及问题，梳理了数据要素相关类别及其采集、存储、加工、流通、分析等环节的相关特性，从宏观经济增长、行业发展、企业绩效三个层面估算了数据要素的经济贡献度；基于数据要素市场化过程各相关主体交易及流通模式总结，建立了中国数据要素市场化指数模型，定量分析了各地区数据要素市场化发展程度；围绕数据要素流通体系的流通交易模式、服务创新模式、生态汇聚模式进行了总结梳理，并介绍了相关典型案例；最后，针对我国当前发展现状，提出未来数据要素市场的发展趋势和展望。在本报告撰写过程中，国家工业信息安全发展研究中心和北京大学光华管理学院通过专家访谈、企业调研、案头研究等方式开展数据要素市场相关研究，并对报告界定的相关II指数进行了测算和分析，上海数据交易所针对收集的典型案例，对数据要素服务创新模式进行了分类、分析和整理。报告撰写过程还得到了苏州工业园区管理委员会、国内部分大数据交易机构、产业相关企业等的大力支持，在此表示由衷的感谢！由于编者水平有限，本报告难免存在疏漏与不足，恳请各界同仁阅后批评指正，加强合作交流。报告编写组二二二年十一月I目录一、数据要素市场发展理论框架.1（一）数据要素特征分析.11.数据要素核心观点.12.数据要素面临挑战.3（二）数据要素市场化与经济增长.41.数据要素促进经济增长路径.42.数据要素市场化本质.4二、数据要素市场发展现状.7（一）发展概况.7（二）政务数据要素市场.9（三）工业数据要素市场.10（四）互联网数据要素市场.12（五）医疗数据要素市场.14（六）金融数据要素市场.16（七）科学数据要素市场.17三、数据要素经济价值贡献度.18（一）数据要素宏观经济增长贡献程度.18（二）数据要素行业发展贡献程度.23（三）数据要素企业绩效贡献程度.261.数据要素对企业经营过程的贡献.272.数据要素对企业经营绩效的贡献.29四、中国数据要素市场化指数.33（一）数据要素市场化指数构建.33（二）数据要素市场化指数得分.36（三）数据要素市场化细分指标比较.371.数据要素市场企业主体比较.382.数据要素市场投资主体比较.393.数据要素市场投资类型比较.42五、数据要素市场发展模式.48（一）数据要素流通交易模式.48II1.数据交易机构交易模式.482.产业数据上下游交易模式.52（二）数据要素服务创新模式.541.数据合规评估.542.数据资产评估.563.数据交易撮合.574.数据交付服务.585.数据争议仲裁.636.知识产权服务.647.数据金融服务.658.数据安全服务.66（三）数据要素生态汇聚模式.67六、数据要素市场发展趋势.70（一）技术和管理双轮驱动，数据交易流通环节更安全有序.70（二）多源多领域数据融合，数据要素应用范围将逐步拓展.71（三）交易模式创新规范化，数据要素市场化配置进程加速.73（四）各类型主体协同发力，数据要素市场生态将日渐完善 74III图目录图 1 数据要素、数据要素市场化与经济增长理论关系图.7图 2 2022 年中国数据要素市场规模（单位：亿元）.8图 3 数据要素影响 GDP 增长原理图.19图 4 数据要素影响 GDP 增长估算步骤.20图 5 数据要素对 GDP 增长贡献图.22图 6 企业层数据要素价值创造分析框架.27图 7 大数据项目方向分布.28图 8 数据要素项目建设目标和数据来源（%）.29图 9 数据要素经济效益 ROA 比较（2020-2021）.30图 10 数字化投入占营收支出比重.32图 11 数字化投入动力与风险.33图 12 数据要素市场化指数构建框架.35图 13 数据要素相关企业全国分布情况.38图 14 数据要素市场投资事件与金额情况.40图 15 数据要素市场投资事件地区分布.40图 16 数据要素市场投资金额地区分布.41图 17 数据要素市场投资机构出手次数分布.41图 18 数据要素市场投资轮次分布.42图 19 数据要素直接应用投资情况.43图 20 数据要素直接应用区域投资情况.43图 21 数据要素直接应用领域投资细分赛道情况.44图 22 数据要素直接应用领域投资事件情况.44图 23 数据要素直接应用领域投资金额赛道分布情况.45图 24 数据要素赋能应用领域投资情况.46图 25 数据要素赋能应用领域区域投资情况.46图 26 数据要素赋能应用领域细分领域投资情况.47图 27 数据要素赋能应用领域细分领域赛道分布情况.47图 28 数据要素赋能应用领域细分领域投资金额赛道分布情况.48图 29“场内交易、灵活交付”流程图.49图 30 数据合规评估推进思路.55IV图 31“翼方健数”数据交付服务架构图.60图 32“洞见科技”数据要素流通解决方案图.61图 33“RealAI”数据交付服务架构图.62图 34“锘崴科技”数据交付服务架构图.63图 35“数据要素招商”生态汇聚思路.69图 36 国家工信安全中心基于数据解析体系的数据要素流通一体化服务.70V表目录表 1 各行业数据要素化投入的产出弹性估算（2021 年）.25表 2 数字化转型对上市公司企业行业层面回报的影响.31表 3 中国数据要素市场化指数指标体系.35表 4“中国数据要素市场化指数”得分.36表 5 数据要素相关企业数量（2010-2021）.391一、数据要素市场发展理论框架（一）数据要素特征分析一、数据要素市场发展理论框架（一）数据要素特征分析1.数据要素核心观点数据要素核心观点2020 年 4 月，中共中央、国务院发布的关于构建更加完善的要素市场化配置体制机制的意见中正式把数据作为生产要素单独列出，并提出了促进数据要素市场化配置的改革方向。后面，又陆续在国务院办公厅关于印发要素市场化配置综合改革试点总体方案的通知中共中央国务院关于加快建设全国统一大市场的意见“十四五”数字经济发展规划国务院办公厅关于印发全国一体化政务大数据体系建设指南的通知等政策文件以及中央深改委第二十六次会议上，进一步提出要促进数据要素资源在更大范围内畅通流动，加快构建数据基础制度体系，推动我国数据要素市场健康有序发展，加快构建以数据为关键要素的数字经济。在国家工业信息安全发展研究中心（简称“国家工信安全中心”）2021 年发布的中国数据要素市场发展报告（20202021）中，已就数据、数据资源、数据资产、数据要素、数据要素市场化等相关概念进行了界定1，并指出数据作为生产要素之一，具有劳动对象和生产工具双重属性，作为劳动对象，通过采集、加工、存储、流通、分析等环节，具备了价值和使用价值；其次，数据作为生产工具，通过融合应用能够提升生产效能，促进生产力发展。随着市场发展和课题研究的深入推进，我们将在报告中就数据要素的主要1在 2021 年发布的中国数据要素市场发展报告（2020-2021）中认为，数据资源权属清晰之后即为数据资产，数据资产实际参与社会生产经营活动之后即为数据要素。2特点进行总结，为后续更好地进行数据要素定量分析奠定基础。总体来看，数据要素有别于其他生产要素的特点主要有以下几个方面：第一，虚拟使能。第一，虚拟使能。数据要素的本质是把物理空间的物质通过“-1”编码形式呈现在虚拟空间，跨越时空限制，从而实现数字孪生后的数据虚拟化生产。通过引导各类主体强化数据驱动的生产要素配置能力，可以实现要素数据化，促进劳动力、资金、技术等要素在产业间、行业间、区域间的合理配置，提升全要素生产率，这是数据要素区别于其他生产要素的关键。第二，无限收敛。第二，无限收敛。数据要素具有可重新编程性和数据均质性，这使得普及的数字技术能够将以往的分散需求、用户体验及生产流程数据等突破空间限制而收敛到集中的数字终端，智能终端技术又进一步使得单个智能终端足以汇聚以往需要成百上千的机器、设备或产品才能完成的工作。与此相比，土地和劳动力既不能循环无限使用，也无法突破物理空间而收敛于最优资源配置。第三，智能即时性。第三，智能即时性。算力和算法的发展是保证数据要素实现智能即时、产生规模报酬递增效应的重要基础。低成本的算力和高智能的算法可以实现对数据要素的即时处理、分析和反馈，进而动态响应智能决策、敏捷生产、以及多样化需求。第四，泛在赋能性。第四，泛在赋能性。随着各行业各领域数字化转型进程3的不断加快，数据要素渗透到生产生活的各个环节，打通生产、分配、流通、消费各环节，驱动管理机制、组织形态、生产方式、商业模式的深刻变革，为产业提质降本增效、政府治理体系和治理能力现代化广泛赋能。2.数据要素面临挑战数据要素面临挑战基于以上特点，使得数据作为生产要素具备一定的优越性的同时，还可能带来一定的挑战。首先，数据要素是一种准公共品，具有非竞争性和部分排他性。首先，数据要素是一种准公共品，具有非竞争性和部分排他性。数据要素可以无成本地复制，因此一个使用者对数据要素的使用并不减少数据要素对其他使用者的供给。同一组数据可以同时被多个企业或个人使用，额外的使用者不会减少其他现存数据使用者的效用。但是，数据要素又存在副本无差异性，虽然使用效用可能不受影响，但是其交易价值大概率下降。同时，数据要素形成需要投入较高的固定成本，并和产权天然相联系，由此导致具有排他性，无法实现数据要素的规模报酬递增效果。其次，数据要素发挥作用需要达到一定的规模经济性和范围经济性。其次，数据要素发挥作用需要达到一定的规模经济性和范围经济性。数据要素效率提升往往建立在具有整体层面的大数据之上，从而能够实现寻找全局最优解决方案，这就需要积攒尽可能多的数据，充分把握供给和需求端的数据，甚至形成一种独占性和负外部性。再次，数据要素具有一定隐私负外部性。再次，数据要素具有一定隐私负外部性。不同数据集的信息普遍存在相关性，一个企业的生产数据可能暴露其产业链上诸多合作者的商业机密甚至核心技术，一个消费者的个4人数据可能透露和该消费者有关联的其他消费者的信息。这种负外部性侵蚀企业竞争优势，并对个人形成一定的危险，从而削弱数据作为生产要素所能带来的生产力。（二）数据要素市场化与经济增长（二）数据要素市场化与经济增长1.数据要素促进经济增长路径数据要素促进经济增长路径虚拟使能、无限收敛和智能即时性等技术特点，使得数据要素在算法驱动下成为一种通用生产要素，一方面形成数据要素的过程需要其他生产要素的投入，例如，为实现数据的采集、处理、加工、分析和交易，经济主体需要投入巨大的固定成本来购买设备、开发软件、建立基础设施，这一资源投入的过程本身能促进经济增长；数据要素还可以直接参与生产、交换和分配过程，不断迭代，催生新的生产方式甚至创造新的需求促进经济增长。另一方面，数据要素可以赋能其他要素，优化供给进一步促进增长。例如，数据要素与劳动力相结合能提高劳动技能与综合素质、提高劳动生产率；数据要素与技术相结合能推动科技发展，加速科技与产业融合；数据要素与资本要素相结合能够减少不确定性冲击，提高风险控制的精准度与效率，进一步拓展金融等服务的广度和深度。2.数据要素市场化本质数据要素市场化本质数据要素的准公共品（部分排他性和非竞争性）、规模经济性及范围经济性等经济特点，使得数据要素会产生很强的外部性。这些外部性可能会使数据要素拥有者缺乏生产和交易数据的动力，进而使得数据要素不能促进经济增长。为5此，需要建立一系列基础设施和政策措施促进数据要素供给方和需求方开展更多价值创造和交换，这一过程就是数据要素市场化。具体来说，数据要素市场化的本质是数据要素商业化，是实现数据要素从产品到商品的转化，这一过程需要根据市场运行的基本要素特征，加大数据要素的生产力度、扩大数据要素的应用范围、提高数据要素的交易成功率，激活数据要素微观主体扩大和生产数据要素的积极性，将数据要素的经营与管理完全嵌入到全流程生产经营活动当中，通过数据要素优化供给、创造需求。（三）报告研究理论框架（三）报告研究理论框架数据要素市场化的核心目标就是加强数据要素的正向外部性、抑制其负向外部性，不断实现数据增值、放大其网络效应。实现此目标需要以下几点保障。第一，对数据要素实施分类管理。第一，对数据要素实施分类管理。不同类型的数据，其正向和负向外部性不同，因此讨论数据首先需要区分数据类型。按照数据的产生主体（输出主体）不同，将其划分为个人数据、公共数据和企业数据三类。个人数据，是指以电子或者其他方式记录的与已识别或者可识别的自然人有关的各种信息；公共数据，是指公共管理和服务机构为履行法定职责、提供公共服务收集、产生的，以电子或者其他方式对具有公共使用价值的信息的记录，包括政务数据和公共服务数据两大类；企业数据，是指企业在生产经营活动中创造或产生的以电子或者其他方式记录的信息。6第二，实现数据资源向数据资产转变。第二，实现数据资源向数据资产转变。数据资源权属清晰之后即为数据资产，数据资产实际参与社会生产经营活动之后即为数据要素。根据国际会计准则理事会（IASB）在2018 年发布的新修订财务报告概念框架，能否把数据资源定义为数据资产关键取决于是否清晰地定义控制的主体，是否明确主体控制的权利，以及是否判断数据资源产生经济利益的潜力。本报告基于数据资源演进路径，从宏观经济增长、行业发展、企业绩效三个层面估算了数据要素的经济贡献度。第三，明确数据要素市场化的产业链、价值链和相应主体的职能。第三，明确数据要素市场化的产业链、价值链和相应主体的职能。在中国数据要素市场发展报告（2020-2021）的基础上，本年度报告继续聚焦数据要素市场的产业链，将其流程归为数据采集、数据存储、数据加工、数据流通、数据分析、生态保障等环节，在此过程中，需要依靠政府、数据交易机构、数据中介商、数据服务商、消费互联网、工业互联网等平台型数据供应方及需求方等相关主体，共同构建数字技术、制度环境、法律环境、以及中介服务环境等数据要素基础设施。综上所述，数据要素市场化的实现需要充分考虑数据要素的“技术经济”特点，在基础设施赋能下利用平台等组织形式实现数据要素的产品化、权属化、价格化及商品化，保证放大其正向作用、抑制其负向外部性，充分发挥数据要素优化供给、创造需求的功能，推动经济高质量增长。7本报告基于对数据要素技术及经济特征及规律的总结，结合经济学理论及市场化发展趋势，研究提出数据要素经济价值贡献度及数据要素市场化指数，核心分析框架如图 1 所示。图 1数据要素、数据要素市场化与经济增长理论关系图来源：国家工业信息安全发展研究中心、北京大学光华管理学院由于不同类型的数据要素从产生到发生要素作用的全过程具有不同的特点，数据要素市场化也不完全相同。因此，本年度报告将围绕数据要素融合应用的重点行业、领域分别阐述数据要素市场的发展程度。二、数据要素市场发展现状（一）发展概况二、数据要素市场发展现状（一）发展概况当前，在国家政策引领、地方试点推进、企业主体创新、关键技术创新等多方合力作用下，我国数据要素市场不断探索和创新。据国家工信安全发展研究中心测算数据，2021 年8我国数据要素市场规模达到 815 亿元2，预计“十四五”期间市场规模复合增速将超过 25%，整体将进入群体性突破的快速发展阶段。图 2 2022 年中国数据要素市场规模（单位：亿元）来源：国家工业信息安全发展研究中心在产业发展方面，在产业发展方面，全国数据交易机构逐步升级优化，服务模式和服务内容不断创新，各地围绕数据要素市场培育的路径和模式各具特色，数据要素市场交易机构、运营体系、保障机制初具雏形。在技术应用方面，在技术应用方面，隐私计算技术从“产学研”向行业案例落地，并与区块链等技术进一步融合，在数据确权、计量、监管等方面实现了场景化应用。在流通实践层面，在流通实践层面，数据资源基础较好的领域及行业基于先期优势，不断探索流通模式和技术手段创新，例如，以平台数据采集汇聚为特色的互联网数据流通利用、以行业数据流通交易平台为载体的强实时、高精度、高质量数据产品定制化服务、以工业互联网场景为牵引开展的协同研发及供应链管控等，逐2本报告有关数据要素市场规模的计算，当前仅限于数据采集、数据存储、数据加工、数据交易、数据分析、生态保障六大模块，暂未包含数据应用的部分，其中数据交易环节测算数值包括了场内交易和场外交易的统计数据。9步形成细分领域数据要素市场差异化特征。（二）政务数据要素市场一是依托数据采集打造政务数据资源库。（二）政务数据要素市场一是依托数据采集打造政务数据资源库。当前，覆盖国家、省、市、县等层级的政务数据目录体系初步形成，数据生产部门按照政务数据目录和相关标准规范，通过人工或系统方式采集基础数据、主题数据、部门数据，各地区依托全国一体化政务服务平台向上级数据平台或数据中心归集，由数据主管部门按数据属性建立数据资源基础库和主题库。二是数据存储方式向集约化存储深化推进。二是数据存储方式向集约化存储深化推进。目前，国内31 个省（直辖市、自治区）政务云基础设施建设基本完成，超过 70%的地级市已经建成或正在建设政务云，北京、山东、重庆等多省市政务系统上云率超过 90%，各省市通过搭建集中的基础架构平台，将传统的政务应用迁移到平台，集中存储数据，提供政务数据资源管理服务。三是多层级政务数据流通框架初步构建。三是多层级政务数据流通框架初步构建。针对政务数据共享交互，我国已基本建成国家、省、市多级数据共享交换体系，截至 2021 年 5 月，国家数据共享交换平台上线目录超过 65 万条，发布共享接口 1200 余个，累计提供数据查询/核验服务超过 37 亿次3；针对政务数据开放，截至 2021 年10 月，我国已有 193 个省级和城市的地方政府上线数据开放平台，其中省级平台 20 个，城市平台 173 个4。以浙江省数据开放平台为例，目前已开放 18960 个数据集（含 9504 个API 接口），97147 项数据项，621789.54 万条数据，平台下3引用自中国互联网协会发布的中国互联网发展报告 2021。4引用自复旦大学数字与移动治理实验室联合国家信息中心数字中国研究院发布的“2021 年度中国开放数林指数”和中国地方政府数据开放报告省域与中国地方政府数据开放报告城市。10载调用次数达到 4148 万次。四是政务数据融合分析以服务场景为牵引不断深入。四是政务数据融合分析以服务场景为牵引不断深入。各地区各部门依托政务大数据平台建立的政务数据仓库，围绕城市治理、环境保护、生态建设、交通运输、食品安全、金融服务、经济运行等应用场景开展数据分析应用，为多行业和多跨场景应用提供多样化共享服务。同时，围绕产业发展、市场监管、社会救助、公共卫生、应急处突等领域，推动开展政务大数据综合分析应用，为政府精准施策和科学指挥提供了重要支撑。五是政务数据要素市场生态保障体系加快建设。五是政务数据要素市场生态保障体系加快建设。针对政务数据保障体系，目前国家以及各省市已经针对政务数据管理和安全保障制定相关标准规范，旨在促进跨部门跨层级数据汇聚和共享，加强数据管理，提高数据质量，充分发挥数据资源价值。如贵州省依托“一云一网一平台”基础设施，已建立较为完善的数据管理、共享开放标准体系，并在数据质量方面先行先试，建立数据质量评估体系，开展共享交换平台的数据质量评估，强化数据高质量供给和保障。（三）工业数据要素市场（三）工业数据要素市场加快工业数据要素市场建设，是推动新型工业化发展的基石之一。当前，我国工业数据要素领域在加速发展，如工业数据在设备健康管理、供应链协同业务模式创新、覆盖工业全流程场景数据分析挖掘应用等诸多方面，发挥了较大作用。在工业领域，随着近几年数字化转型能力提升、产品升级等需求驱动，企业的关注点从数据中台本身转向了最终的11数据变现能力。与此同时，企业内部及其上下游之间的合作越来越依赖各类数据平台和数字化工具，但又形成了新的痛点和症结。一是亟需突破传统数据中台在面向复杂对象或复杂巨系统时，没有具体工程方法论及工具的难题。一是亟需突破传统数据中台在面向复杂对象或复杂巨系统时，没有具体工程方法论及工具的难题。对于寻求数字化转型的工业企业而言，最为关注如何管理企业的数据要素资源，如何让数据要素产生价值并有效服务工业全流程。实践过程中，工业企业多数缺少用于处理来自复杂巨系统不同的组织域、职能域、业务域、数据域大数据的数据操作系统，即运营逻辑模型（OLM，Operation Logic Model）、工业信息模型（IIM，Industry Information Model）、工业专脑（IPB，Industry Professional Brain）、全球唯一资源编码标准（GURES，Global Unique Resource Encoding Standards）等四项能力的赋能。其核心正是提高其建模的统一性、高效性和准确性，以此建立起无歧义、无冗余、单一数据来源的、工业技术工程与管理工程的生产力数据库。二是工业数据亟需从企业的生产力要素全局关联性、数据的逻辑性和多重关联性出发，形成新的“数据湖”。二是工业数据亟需从企业的生产力要素全局关联性、数据的逻辑性和多重关联性出发，形成新的“数据湖”。谈工业数据要素的前提，是从基于组织运筹学的系统工程、现代工业工程的顶层视角和全局眼光理解、应用数据。即，面向工业企业各组织域、各职能域、各业务域、各数据域的事务逻辑对象，建立其顶级模型及其直至叶子级的子模型，对应组织和处理好模型数据，并将它们进行全球唯一编码标识，形成反映复杂巨系统的各组织域、各职能域、各业务域、各数据域的无歧义、无冗余、单一数据来源的工业企业生产力数据库，形成新的“数据湖”。12三是生产力数据库缺失。三是生产力数据库缺失。工业数据多以工业现场控制设备采集数据为主，数据采集量巨大，具有较强的连贯性及关联性，工业协议互联互通也存在较大的瓶颈等等。因此，在进行生产力要素优化配置的各种林立的应用系统软件发挥不了应有的作用，加之企业主体对工业技术工程和管理工程的事务逻辑认知有限，建设的应用系统软件越多，形成的数据孤岛、数据垃圾、数据烟囱就越多，工业数据要素无法在企业数字化转型中发挥应有作用，并造成了巨大的浪费。四是数据安全可信的现状亟需改变。四是数据安全可信的现状亟需改变。工业数据业务价值与敏感度较高，企业多明显倾向于数据本地化运行和存储，对数据安全性要求极高。国家战略引进建设的 HANDLE 标识解析体系的可信扩展、安全扩展没有完善，在工业企业实际应用推广不足，工业企业需要在数据的流通、价值转移中实质获益。（四）互联网数据要素市场一是以线上线下相结合的方式进行多源异构数据采集。（四）互联网数据要素市场一是以线上线下相结合的方式进行多源异构数据采集。互联网数据涉及个人数据、经营数据、业务数据、开放平台数据等，多通过线上方式进行采集。其中，个人数据主要依靠信息主体主动上传，通过智能终端、API、SDK、IoT 设备、浏览器、传感器等自动采集，亦或是通过交互及关联搜集以及从第三方间接查询等方式获取；经营数据主要是在企业各管理系统中采集调取；业务数据从各类 App、Web、小程序中采集，舆情数据、广告投放数据、公开金融数据等在开放网络平台中通过爬虫、API 接口等方式进行采集。线下数据采集主要通过问卷调查、用户访谈、实地调研、焦点小组、13用户反馈等方式，将数据沉淀、存储到企业数据库中，快速理解市场需求，敏捷迭代产品。二是借助平台优势促进数据流通共享成为发展趋势。二是借助平台优势促进数据流通共享成为发展趋势。互联网数据流通可分为内部流通和外部流通两种。其中内部流通内部流通基于企业内部运营框架数据流，形成包含数据感知、数据决策、策略行动和效果反馈在内的数据流通闭环。外部流通外部流通主要体现为安全合规下的数据交易，通过 API 接口、隐私计算等技术，实现企业间的数据流通应用。目前，全国各地成立了不少数据交易机构，阿里、百度、腾讯、京东、美团、字节跳动等互联网平台型企业也基于自身的云平台产品在场内提供相关数据产品和服务。此外，聚合数据、数据宝等企业建设了数据开放平台，汇聚金融、征信、电商等多方数据，提供数据相关服务和应用。三是海量数据分析处理能力进一步提升业务决策水平。三是海量数据分析处理能力进一步提升业务决策水平。互联网数据分析主要包括在线数据分析、离线数据分析和外部数据分析。在线数据分析在线数据分析通过数据采集、建模，进行多维度、海量、实时的数据分析，离线数据分析离线数据分析用于较复杂和耗时的数据分析和处理，每日分析处理海量数据，外部数据分析外部数据分析主要是通过抓取各个企业数据，分析研判市场发展趋势和行业竞争格局，进行同业竞对分析、营销投放检测等。通过数据分析并利用技术手段从海量用户行为数据中挖掘出有价值的信息，分析用户的生命周期及行为路径，建立数据指标体系、监控体系和用户模型，进行用户分层，并提供针对性产品和个性化服务，实现精准营销，促进业务增长，提升14用户体验，打造数据驱动的业务新模式。四是互联网领域数据要素市场生态保障持续加强。四是互联网领域数据要素市场生态保障持续加强。当前，随着海量互联网数据存储、分析、应用、流动，保障安全成为互联网数据的重中之重。配套中华人民共和国网络安全法中华人民共和国数据安全法中华人民共和国个人信息保护法三大法规，2021 年 11 月，国家网信办起草网络数据安全管理条例 并公开征求意见，基于数据的全类型、全场景、全生命周期，对网络数据中的一般数据、个人信息、重要数据等提出具体要求，明确建立数据分类分级、数据交易管理、数据安全管理、数据安全应急处置、数据安全审计等方面的机制，构筑全面的网络数据安全保障体系。（五）医疗数据要素市场一是医疗数据的存储方式目前相对单一。（五）医疗数据要素市场一是医疗数据的存储方式目前相对单一。医疗数据作为医疗卫生行业的关键数据资产，为防止数据泄露，多数采取网络物理或逻辑隔离的方式，将数据存储在本地机房或政务云平台。依据国家卫健委统计信息中心发布的数据显示，98.8%的三级医院及 96.1%的二级医院均建有数据中心机房，所有省级卫健委和 82.3%的市级卫健委均拥有数据中心机房，59.0%的县卫健委拥有自己的数据中心机房，参与统计的医院的上云率不到一成。二是医疗数据的加工处理逐渐智能化。二是医疗数据的加工处理逐渐智能化。医疗数据加工包括数据脱敏、患者主索引、主数据管理、数据清洗、数据映射、数据归一以及标准化和结构化处理。在此过程中，通过数据逻辑校验，对数据的完整性、准确性、一致性等方面进15行质量管控，最终形成高质量的、可用的医疗数据资源。由于医疗数据治理工作繁杂耗时，利用人工智能手段，可进一步简化数据加工过程，高效地对原始数据进行脱敏、清洗、归一等，并对如诊断名称、检验/检查项目、用药名称等字段，基于 ICD 编码等标准完成数据标准化处理，对于自然语言描述的主观数据进行结构化处理，大大提高了工作效率。三是政府机构主导下的医疗数据流通共享日趋成熟。三是政府机构主导下的医疗数据流通共享日趋成熟。近年来，国家卫健委一直在统筹推进全民健康信息平台等基础设施建设，支持医疗数据共享，制定了一系列医院和基层医疗卫生机构信息化建设标准与规范，电子病历评级、互联互通评级、智慧医院评级和检查检验结果互认等一系列措施的颁布有效地推动了健康医疗数据的互联互通。目前，全国性健康信息平台已基本建成，7000 多家二级以上公立医院接入省统筹区域平台，2200 多家三级医院初步实现院内信息互通共享。四是医疗数据的分析应用已取得阶段性进展。四是医疗数据的分析应用已取得阶段性进展。医疗数据的分析应用对加强运营管理、提高临床医疗水平、推动医药研究等都具有重要作用。在智慧医院领域，基于全院级临床数据治理的科研数据分析、临床辅助决策支持、医保支付、以及医院管理等应用场景纷纷落地；在医药研发领域，基于临床试验管理系统之上的自动化数据采集、数据分析以及临床试验和药物研发中的智能化应用逐渐推广；在疫情防控方面，多地利用医疗大数据和数据智能技术进行自动数据抓取、实时信息安全共享、多渠道监测预警，构建智慧多点触发预16警监测平台系统，为整个疾病防控体系提供决策支持。（六）金融数据要素市场一是依托业务流程采集汇聚海量数据。（六）金融数据要素市场一是依托业务流程采集汇聚海量数据。金融机构在其服务的全流程直接或间接从个人金融信息主体，以及企业客户、外部数据供应方等外部机构采集数据。采集方式可以分为传感器等边端设备采集、人工采集或系统采集和网络采集。银行业通过多种方式在信贷、理财、投行等多业务条线全流程采集海量企业金融数据、个人金融数据和外部数据，在中后台归集包括财务、审计等在内的银行核心数据。二是根据数据分类分级结果匹配对应存储模式。二是根据数据分类分级结果匹配对应存储模式。金融数据广泛涉及个人、企业等方面数据，包含个人身份识别信息、个人隐私数据、企业敏感信息等，金融数据破坏可能对个人、企业、行业和国家安全造成重大影响。因此，金融数据存储将安全作为重要考虑因素。金融行业出台金融数据分类分级标准和安全标准，引导金融机构安全存储数据。金融机构普遍采用私有云或混合云的方式部署数据存储载体，对于高敏感数据以私有云为主要存储载体，对于中低敏感数据则以公有云或混合云为主要存储载体。三是以保障数据安全为前提开展数据流通探索。三是以保障数据安全为前提开展数据流通探索。受监管政策影响，金融机构在数据流通共享体系中，一般充当数据的使用方而非数据的提供方角色，金融机构之间进行数据交易流通的较少。但监管政策鼓励在保证数据安全的前提下进行数据交换，对于低敏感数据，目前主要采用 API 接口的方式流通；对于较为敏感数据，目前主要做法是采用隐私计算17的方式交互，在保证“数据可用不可见”的前提下，开展数据流通探索，安全释放数据价值。（七）科学数据要素市场一是面向细分领域的科学数据存储模式略有差异。（七）科学数据要素市场一是面向细分领域的科学数据存储模式略有差异。我国科学数据存储模式与科研领域高度相关。以前沿科技领域为例，在基因与生物技术、深空深地深海和极地探测等关系国家安全与重大利益、以政府为主导的前沿科研领域，科学数据中心和集成平台建设较多；在新一代人工智能这类关系企业竞争优势的前沿科技领域，企业通常将科学数据作为商业秘密在本地保存；在应用场景蓬勃发展的生物医药领域，科学数据产生量和需求量都非常庞大，数据上云是大势所趋。二是科学数据开放共享将成为学界趋势。二是科学数据开放共享将成为学界趋势。科学数据主要包括在自然科学、工程技术科学等领域，通过基础研究、应用研究、试验开发等产生的数据，具有较强的研发和利用价值。科学数据的共享开放有利于降低科研成本、提高研发效率、加快成果应用推广。因此，在国家层面发布的相关政策文件中，明确指出科学数据的主管部门应在国家统一政务网络和数据共享交换平台的基础上开展本部门（本地区）的科学数据汇交工作；编制科学数据资源目录，并将有关目录和数据应及时接入国家数据共享交换平台，面向社会和相关部门开放共享。三是大数据等技术推动科学研究向第四范式转变。三是大数据等技术推动科学研究向第四范式转变。大数据在科学研究领域的应用，使科学研究正在经历从定性研究、定量研究、仿真研究向大数据研究的第四研究范式转变。通18过对个体化、全样本的研究，为社会科学提供了精准的数据和计算实验平台，重建了社会科学预测的可能性，推动了社会科学宏观理论研究的发展，促进了社会科学内外部学科之间的融合，在气象和环境、生物和医学方面的应用取得了较大进展。未来，随着虚拟计算空间等技术的突破，交叉学科平台、协同创新中心建设，以及与大型互联网企业进行的研发合作，将会进一步促进科学方法论的革命和跃迁。三、数据要素经济价值贡献度生产要素是经济发展的重要组成部分，数据作为新型生产要素，其对数字经济、实体经济的发展起到重要的促进作用，研究其对经济增长的贡献程度，将为政府制定较为精准的调控和促进政策提供重要依据。本章围绕宏观经济增长、中观产业发展、微观企业绩效等角度探讨数据要素的经济价值贡献。（一）数据要素宏观经济增长贡献程度（一）数据要素宏观经济增长贡献程度测算数据要素对宏观经济增长的贡献由于受到理论基础、概念界定和统计口径等影响很难有准确而统一的结果，很多基础数据目前也相对缺乏。为此，本报告从分析数据要素影响经济增长的核心机制着手，研究其对宏观经济的相互作用。简单地说，数据要素影响宏观经济增长主要通过两个途径：第一个是赋能其他生产要素，提高资源配置效率，实现要素协同效应，进而提升生产效率；第二个途径，与第一个途径紧密相连，正因能够提升效率，数据要素本身就变得具有价值，这一价值既通过数据积累作为生产资料而实现，19又能转变为数据资产通过增值、交换而产生价值，实现价值创造倍增和个性化定价等效应，从而进一步提升生产效率。但是，由于数据要素的负外部性，例如数据垄断和隐私泄密，又可能负面影响经济增长。因此，数据要素对经济增长的影响显著不同于其他要素，需要从生产函数中体现其独立作用。通过将数据要素引入到经典的经济增长模型，如柯布道格拉斯生产函数，可以估算数据要素对于经济增长的贡献。其基本原理如图 3 所示。图 3 数据要素影响 GDP 增长原理图来源：国家工业信息安全发展研究中心、北京大学光华管理学院为了突出数据要素对经济增长的独特作用，本报告改写经典的经济增长模型，将数据要素从索洛余值中独立出来，如公式（1）所示。20其中，Y 是 GDP 增长率，K 是资本，L 是劳动力，和分别代表资本和劳动力对 GDP 增长的贡献，D 代表数据要素的经济增长作用，从索洛余值 A 中独立出来。修改后的生产函数表明，提升经济发展质量是数据要素影响经济增长的首要体现，随后才是经济发展的数量。本报告通过以下三个主要步骤估算数据要素对于经济增长的影响，如图 4 所示。图 4 数据要素影响 GDP 增长估算步骤来源：国家工业信息安全发展研究中心、北京大学光华管理学院首先，测算信息通信业（ICT）硬件软件资本存量及数21据要素资本存量，ICT 硬件软件资本存量测算方法较为成熟，而数据要素资本存量是一个新概念，尚无公认的方法。加拿大国家统计局于2019年提出“数据价值链”(Data Value Chain)的概念，强调通过测度与核算生产过程中使用到的数据、数据库和数据科学的经济价值来推算数据相关投资的经济价值。在此基础上，本报告采用成本法估计生产用数据价值，即根据社会生产活动中生产、生成或获得数据直接投入的劳动力成本及其他间接成本估计数据价值。参照数据资本存量和数据资本的短期零折旧假设的方法5，本报告进一步利用固定比例参数估算出数据要素资本存量占ICT硬件软件合计资本存量的比重；随后，利用 ICT 硬件软件合计资本推动的数字化融合程度，估算出中国经济的数字化程度；最后，测算ICT 硬件软件对当年中国 GDP 增速的贡献率和贡献度，再利用第一步估算的结果，间接推算出数据要素对当年中国 GDP增速的贡献率和贡献度。在此基础上，本报告估算出近年来数据要素对 GDP 的贡献率和贡献度，如图 5 所示。5参见徐翔和赵墨非，数据资本与经济增长路径，载经济研究2020 年第 10 期，第 40-56 页。22图 5 数据要素对 GDP 增长贡献图来源：国家统计局；国家工业信息安全发展研究中心、北京大学光华管理学院从图 5 可以看出，数据要素对当年 GDP 增长的贡献率和贡献度在 2021 年分别为 14.7%和 0.83 个百分点。可以看出，总体来说，数据要素对当年 GDP 增长的贡献率呈现持续上升状态，表明数据要素正发挥越来越大的促进作用。而从数据要素的贡献度来看，2019 年略有下滑，随后由于 2020年新冠疫情的影响，GDP 增速显著下降，而新基建等促进数据要素发展的措施并未减弱，因而促使数据要素对 GDP 贡献度仍呈现上升趋势。当然，我们也应该注意到数据要素对GDP 的贡献仍处较低水平，反映出数据要素的经济贡献提升还有很大空间。从图 5 的结果还可以看出，数据要素成为新的生产要素具有充分的经验证据支撑。分析表明，数据要素带来的资本与劳动份额的相对变化（13%），与第一次工业革命时期新生产要素带来资本与劳动份额的相对变化（平均 17%）相近。一些研究发现，在工业革命时期，生产要素的增长贡献都会23发生巨大变化，从 1759 年到 1867 年（第一次工业革命），英格兰的收入份额中资本份额从 19%上升到 39%，大部分其他的收入份额来自土地要素，只有 2%的下降来自劳动要素。在稍晚一点的时期，即 1900 年至 1920 年之间，研究发现劳动收入份额从 0.909 下降到 0.787。在只有资本和劳动力投入的生产函数中，这意味着资本在收入中的份额将增加 12%。因此，纵向比较，数据要素带来的经济增长效应不亚于第一次工业革命时期新的生产要素带来的巨变。但是也需要注意到，数据要素促进经济增长的绝对水平仍然较低，依靠数据要素发展宏观经济、实现高质量增长还有很大提升空间。（二）数据要素行业发展贡献程度（二）数据要素行业发展贡献程度从中观层面来讲，数据要素能够显著促进行业发展主要通过行业内以及跨行业的决策效率和效果提升、知识转移、以及企业在行业内和行业间协同来实现。但从核心机制上来说，数据要素通过作为一种新的生产要素投入到生产中，以及赋能其他行业以提高资源配置效率和全要素生产率这两种核心途径实现。因此，与对宏观经济增长的作用估计类似，数据要素对于行业发展的贡献可以通过使数据要素发挥作用的资源投入来开展估算。对于行业发展作用的估算，需要用到行业间的投入产出关系。首先，我们定义特定行业发挥数据要素作用的过程为数据要素化过程，此过程包括这个行业利用数据要素专业部门来建立本行业发挥数据要素作用的可能，这些部门可能包24括利用数据智能化软件进行数据采集，通过自动化工具或平台实现数据加工，促进数据开放共享、交易服务及价值实现，也可能包括构建覆盖服务器及存储设备、一体机、数据采集设备等在内的数据要素必需硬件生态。同样地，需要衡量数据资本存量与 ICT 硬件软件合计资本存量的关系，进而借助ICT 行业估算数据要素对于各行业的经济贡献。其次，对于特定行业来说，它的数据要素化投入水平可以用该行业对数据要素专业部门的直接消耗、完全消耗或直接依赖度来表示。本报告选取行业 j 对数据要素专业部门 i的直接消耗系数这一绝对指标表示 j 行业的数据要素化投入水平，由此便可以借助投入产出模型展开估算。随后，利用 Leontief 投入产出模型（公式 2）其中，是直接消耗系数矩阵，表示 j行业对 i 部门产品的消耗。以 j 表示各个行业，以 i 表示数据要素专业部门，从统计年鉴和 2020 年 153 部门投入产出表相关产业数值，并在估算时假定在特定行业数据要素化投入水平发生变化时，其他行业的相关水平不发生变动，则可以估算数据要素对于行业发展贡献程度的大致水平。需要注意的是，上述部门和目前国家统计局的行业标准（如国民经济行业分类（GB/T4754-2017）尚不能一一匹配，因此，在估算数据要素的贡献时，仍然需要确定一个与数据要素直接相关的25行业。利用 GB/T4754-2017，本报告将计算机、通信和其他电子设备制造业（C-39）中的计算机硬件，互联网批发（F-5193）、贸易代理（F-5181）和互联网零售（F-5292）中相关的电子商务，信息传输、软件和信息技术服务业（I）中的电信与计算机软件服务，音像制品出版（R-8624）、电子出版物出版（R-8625）、数字出版（R-8626）、以及广播、电视、电影和录音制作业（R-87），作为估算的基础行业。在此基础上，本报告估算了 2021 年数据要素对部分行业发展的贡献程度，估算了数据要素化投入对各行业的产出弹性，如表 1 所示。表 1 各行业数据要素化投入的产出弹性估算（2021 年）行业名称对行业产出弹性电力、热力、燃气及水生产和供应业0.1014交通运输、仓储和邮政业0.0989水利、环境和公共设施管理业0.0027教育行业0.0084文化、体育和娱乐业0.0016采矿业0.0031制造业0.4643建筑业0.0048信息传输、软件和信息技术服务业3.0440住宿和餐饮业0.0021居民服务、修理和其他服务业0.0363卫生和社会工作0.5736租赁和商务服务业0.0295科学研究和技术服务业1.5699来源：统计年鉴；国家统计局投入产出表；国家工业信息安全发展研究中心、北京大学光华管理学院如表 1 所示，数据要素对各个行业的产值具有较大差异。行业间比较来看，信息传输、软件和信息技术服务业产出对26数据要素最为敏感，其数据要素投入产出弹性在 2021 年达到了 3.044，意味着当所有其他投入要素保持不变时，数据要素投入每增加 1%时，信息传输、软件和信息技术服务业产出增加 3%。其次是科学研究和技术服务业，投入产出弹性系数达到了 1.5699，数据要素投入每增加 1%时，科学研究和技术服务业产出增加 1.57%左右，再次是卫生和社会工作行业，投入产出弹性系数为 0.5736，排名第四的是制造业，投入产出弹性系数为 0.4643，这两个行业中数据要素投入每增加 1%其行业产出分别增加 0.57%和 0.46%左右。需要指出的是，本报告测算的仅是数据要素促进产业发展的直接效应，而对于其溢出效应受限于数据可得性并没有进行估算。因此，数据要素的实际产业发展贡献可能显著高于本报告结论。（三）数据要素企业绩效贡献程度（三）数据要素企业绩效贡献程度数据要素对于企业绩效的影响主要通过数据要素的形成、整合、分析、运用以及交易等过程体现出来。因此，在企业层面，数据要素的经济影响直接体现在对企业效益的影响上。为此，本报告提出从四个方面分析企业层数据要素的价值创造作用，主要包括生产优化、运营效率提升、产品/服务创新以及业态转变，从多维度综合衡量数据要素的企业层经济影响。在此基础上，研究建立了一个具有通用性的分析框架，如图 6 所示。27图 6 企业层数据要素价值创造分析框架来源：国家工业信息安全发展研究中心、北京大学光华管理学院基于此分析框架，本报告通过对国家工业信息安全发展研究中心大数据项目库 2021 年入库的全国 5000 余个项目数据以及对 726 家上市公司的问卷调研分别做深入地分析。1.数据要素对企业经营过程的贡献数据要素对企业经营过程的贡献通过对 5000 多个项目信息分析表明，数据要素增加企业效益成果明显。总体来说，数据要素使得工业企业业务增长平均增加 41.18%，生产效率平均提高 42.8%，产品研发周期平均缩短 15.33%，能源利用率平均提高 10.19%。具体来说，1544 家企业的数据显示，大数据及其运用产生了增加产出、利润增长等经济效益；数据要素显著降低了企业综合成本。675 家企业的数据显示，大数据及其运用产生了降低人工成本、资金占用成本、仓储物流成本等效益。593 家企业的数据显示，大数据及其运用产生了提升效率、加快周转、能源利用率提升等效益；数据要素还提高了社会综合效益，产生正的外部性。95 家企业的数据显示，大数据技术及其运用产生了服务社会、承担社会责任等社会效益。28同时，数据分析结果表明大数据项目主要集中在具体行业的运用层面，金融、医疗、应急、城市大脑应用的项目最多，占比 21.5%，其次数据跨行业融合应用 20.57%，再次是企业生产过程优化 17.92%，目前项目较少的是大数据存储管理 2.96%和大数据安全保障方向 2.25%。数据表明，大数据的行业应用和跨行业融合是趋势，这一特点也反映出数据要素必须和行业具体场景和问题结合才能实现其促进经济增长和企业发展的作用，如图 7 所示。图 7 大数据项目方向分布来源：国家工业信息安全发展研究中心通过分析数据要素项目的建设方式和目标，结果表明，从供给侧来看，数据要素市场化势能不断积聚。超六成（61%）大数据项目建设目标是“自建他用”，有 40%左右的项目是“自建自用”，而仅有 8%的项目是“他建自用”，这一结果表明企业开展大数据项目的核心目标是为了满足市场需29要、促进数据要素价值释放，如图 8 所示。从需求侧来看，数据要素市场需求旺盛。企业形成数据要素的主要途径是数据库采集（71%）、其次是互联网采集（56.2%）、再次是系统日志采集（53.1%），而在数据库采集中，又有 55.6%的途径是采集自公共数据库或其他公司建立的数据库。上述数据结果表明，数据交换共享、数据交易等促进数据要素市场化配置的举措，未来在促进经济增长方面潜力巨大。图 8 数据要素项目建设目标和数据来源（%）来源：国家工业信息安全发展研究中心2.数据要素对企业经营绩效的贡献数据要素对企业经营绩效的贡献在企业层面，数据要素发挥作用的完整过程对应于企业数据化转型的过程。因此，本报告还通过对 726 家上市公司数字化转型的调研，分析了数据要素过程对企业绩效的影响。首先，从数据要素提升企业经济效益的强度来看，数据要素30显著提升企业总资产净利润率（ROA），远超上市公司近 30年平均水平（2.27%）。我们根据对数据要素应用水平的高低将上市公司分成数据要素应用高分组（高于平均值一个标准偏差）和低分组（低于平均值一个标准差），然后比较两者的财务回报。数据显示，2021 年数据要素应用高分组的企业 ROA 平均为 3.60%，而数据要素应用低分组的企业 ROA为-1.10%，两者差异为 4.70%，如图 9 所示。图 9 数据要素经济效益 ROA 比较（2020-2021）来源：国家工业信息安全发展研究中心、北京大学光华管理学院从图 9 还可以看出，数据要素提升企业经济韧性，加大企业间分化。与2020年相比，两组企业ROA的差异增加0.1%，统计上存在显著区别，考虑到 2020 年疫情等情况影响，数据要素应用低分组的企业的 ROA 显著下降，而数据要素应用高分组的企业受影响较小，两者差异将逐渐增大。为了进一步分析数据要素对于行业发展的影响，课题组还将数据要素对上市公司经济效应开展了分析。在 726 家样本企业中，已经开始推进数字化转型的企业有 551 家，尚未开始数字化转型的企业有 177 家。将企业汇聚到行业层面可31以比较数字化转型对于行业企业的具体影响。如表 2 所示。表 2 数字化转型对上市公司企业行业层面回报的影响行业行业ROA(%)ROE(%)ROAROE制造业-0.50-1.435.598.025.096.59农业、林业及渔业-2.32-12.284.3315.132.012.85信息和通信行业-1.83-28.414.3237.632.499.22能源业-0.88-19.523.6323.522.754采矿业0.438.782.81-4.613.244.17金融服务业-2.04-49.250.8033.76-1.24-15.49注：对于每一个行业，第一行是未转型上市公司，第二行是已转型上市公司；ROA 是资产回报率；ROE 是净资产收益率。（行业产出弹性这一列空值补充）来源：国家工业信息安全发展研究中心、北京大学光华管理学院从表 2 可以看出，数字化转型对于制造业企业的影响最大，已转型上市公司的 ROA 平均回报是 5.09%，而未转型上市公司的 ROA 则为-0.5%，两者差异 5.59%，其次是农业、林业及渔业（两者差异 4.33%）、再次是信息和通信行业（4.32%）、能源业（3.63%）、采矿业（2.81%）、以及金融行业（0.80%），而从 ROE 来说，已转型上市公司和未转型上市公司之间的差异最大的为信息和通信行业，达到了37.63%，其次是金融行业（33.76%）、再次是能源业（23.52%）、农业、林业及渔业（15.13%）、制造业（8.02%），以及采矿业（-4.61%）。这些结果和本报告基于宏观统计数据的估算相似。企业对于数字化投入的意识不足，我国企业数据要素供给任重道远。针对企业数字化的过程，调查结果显示，85.27%的企业数字化支出不足营收支出的 5%，9.64%的企业数字化32支出虽然超过了营收支出的 5%，但仍不足 10%，数字化支出占营收比为 10 %之间的企业在比例上占 2.91%，数字化支出占营收比例为 20%以上的企业仅占 2.18%，如图 10所示。企业对于数据要素的应用总体上仍处于探索阶段。调查数据结果表明，63.29%的企业认为自身对于数据要素的使用还处于探索阶段，只有 9.2%的企业认为自身对于数据要素的使用已经有相对成熟的模式。图 10 数字化投入占营收支出比重来源：国家工业信息安全发展研究中心、北京大学光华管理学院关于企业数字化转型推动力的调查结果显示，业务推动是企业投入数字化的内生动力。调查结果显示，54.23%的企业数字化投入是由业务驱动的，23.35%的企业认为数字化投入的推动力是市场，13.05%的企业认为数字化投入的推动力是技术，如图 11 所示。33图 11 数字化投入动力与风险来源：国家工业信息安全发展研究中心、北京大学光华管理学院成本过高是阻碍企业数字化投入的最大因素。数据结果表明，48.53%的企业认为数字化投入最大的风险是投入成本太大，30.88%的企业认为是战略方向不明确，9.38%的企业认为是冲击现有业务（如图 11 所示）。企业对于数字化投入的认识可能客观反映数字化成本较高，也可能反映企业对于数字化投入的认识有待提升。如何有效降低数据要素市场供给的成本，例如加大建设算力基础设施、降低算力成本、公开更多更好数据、促进数据要素有效流通，将会成为国家政策的主要发力点。四、中国数据要素市场化指数（一）数据要素市场化指数构建（一）数据要素市场化指数构建为反映不同区域数据要素市场化的程度，本报告基于数据要素市场化过程的分析，建立了“中国数据要素市场化指数”。数据要素市场化过程反映了数据要素在产业链全流程中的价值创造与增值过程，也反映了各个主体对数据要素市场化的不同作用，更强调数据要素在区域经济运行中的重要作用。中国数据要素市场化指数构建主要基于对一定地区内34数据要素市场化的基础设施、相关主体、价值创造和交换过程及其结果的综合判断和评价，该指数是由多个相互联系、相互作用的评价指标，按照一定层次结构构成的有机整体。在构建指标时，我们遵循了以下主要三个原则：（1）从精从简，理论导向。）从精从简，理论导向。指标的选取关键在于指数构建的目的性以及指标的重要性，在选择测量指标时，依据相关数据要素市场化相关理论，尽量选择那些与数据要素最相关、影响较大而重要的指标，遵循少而精的原则。（2）兼顾代表性与差异性。）兼顾代表性与差异性。指标需要具有代表性，能很好地反映数据要素市场化某一方面的重要特性。同时，指标也需要具有差异性，能够从不同侧面反映数据要素市场化的实质，不交叉重复。（3）贯通宏微观，突出趋势性。）贯通宏微观，突出趋势性。数据要素市场化指数的构建应该涵盖尽可能多的层面，充分反映从微观到宏观层面数据要素市场化的真实情况，把握数据要素市场化的动态性和趋势性。在此原则指导下，依靠数据要素市场的主体和行动，数据要素市场化的基本框架如图 12。35图 12 数据要素市场化指数构建框架来源：国家工业信息安全发展研究中心因此，“中国数据要素市场化指数”主要由“数据要素供给”、“数据要素流通”、以及“数据要素价值”这三个一级指标构成。各个指标的具体测量见表 3。表 3 中国数据要素市场化指数指标体系一级指标二级指标三级指标数据来源数据要素供给指数一级指标二级指标三级指标数据来源数据要素供给指数制度环境区域数据要素相关政策数量北大法宝；政府网站主政官员谈及数据要素频率政府网站；新闻网站大数据局等机构级别政府网站；实地调研基础设施ICT 投资CSMAR 数据库；Wind 数据库电信投资CSMAR 数据库；Wind 数据库互联网省际出口带宽统计年鉴安全软件投资统计年鉴云、物联网、及人工智能投资统计年鉴要素丰富度区域开放数林指数中国开放数林指数网消费数据服务企业数量天眼查数据库工业数据服务企业数量天眼查数据库数字经济相关人才数量猎聘大数据数字经济相关资本活跃程度创业邦大数据数据要素流通指数数据要素流通指数市场环境大数据交易所数量政府网站共享经济CSMAR 数据库；Wind 数据库淘宝村数量阿里研究院数据安全服务企业数量天眼查数据库需求规模智能设备渗透率统计年鉴；Wind；各地新闻网站在线智能设备数量统计年鉴；Wind；各地新闻网站应用下载量统计年鉴；Wind；各地新闻网站云化率统计年鉴；Wind；各地新闻网站物联网设备总数量统计年鉴；Wind；各地新闻网站人工智能机器人数量统计年鉴；Wind；各地新闻网站中介服务环境会计师、审计师事务所数量统计年鉴大数据相关诉讼案件数量中国裁判文书网律师事务所统计年鉴评估机构、拍卖机构数量统计年鉴数据要素价值指数数据要素价值指数交易价值数字（跨境）贸易总量统计年鉴；政府网站政府采购数据价值中国政府采购网；中国招投标网电子商务交易量统计年鉴；CSMAR 数据库区域大数据招投标总额中国政府采购网；中国招投标网产业价值数字经济产业渗透率统计年鉴；Wind 数据库大数据独角兽企业数量天眼查数据库；创业邦数据库大数据试点示范项目国家工业信息安全发展研究中心大数据新增就业岗位天眼查数据库；猎聘大数据来源：课题组制作。由于各项指标数据的量纲不尽相同，参照其他指数构建36方法，我们利用阈值法（阈值法计算公式：Xi=()()，Xi为转换后的值，为样本最大值，为样本最小值，为原始得分。逆向指标的计算公式为Xi=()()）构建无量纲得分最终指数由各级指标采用线性加权模型计算得来。（二）数据要素市场化指数得分（二）数据要素市场化指数得分如表 4 所示，20212022 年中国数据要素市场化指数的平均得分是 58.73，这表明我国数据要素市场化发展仍处于较低水平。具体分维度来看，“数据要素供给”得分较高为69.43，其次是“数据要素流通”，得分为 60.93，再次是“数据要素价值”，得分仅为 45.84，数据要素的交易价值和产业价值实现水平较低，这一结果表明，我国数据要素市场目前呈现出“供给旺盛、流通不足、价值远未实现”的特点。表 4“中国数据要素市场化指数”得分数据要素市场化指数数据要素供给数据要素流通数据要素价值总体总体58.7369.4360.9345.84东部地区70.0070.7874.9764.24中部地区49.3455.9655.7036.37西部地区45.4548.8851.3136.16北方地区51.4056.5658.9438.71南方地区58.1660.6062.4951.46注：数据基于 336 个省级与地级市数据汇总计算；东部地区包括：京、津、冀、辽、沪、苏、浙、闽、鲁、粤、桂、琼 12 省（市、自治区）；中部地区包括：晋、蒙、吉、黑、皖、赣、豫、鄂、湘 9 省（自治区）；西部地区包括：渝、蜀、黔、滇、藏、陕、甘、宁、青、新 10 省（市、自治区）；北方地区包括：京、津、冀、晋、蒙、辽、吉、黑、鲁、豫、新、宁、苏（徐州、连云港、宿迁）、皖（淮北、宿州、阜阳、亳州、蚌埠、淮南）、陕（不含汉中、安康、商洛）、甘（不含陇南）；南方地区包括：浙、沪、闽、赣、鄂、湘、粤、桂、琼、蜀、渝、黔、滇、藏、陕（汉中、安康、商洛）、苏（不含徐州、连云港、宿迁）、皖（不含淮北、宿州、阜阳、亳州、蚌埠、淮南）、甘（陇南）。来源：国家工业信息安全发展研究中心、北京大学光华管理学院对比各地区的数据要素市场化得分，我们发现东部地区要素市场化指数（70.00）明显高于中部地区（49.34）和西37部地区（45.45），中西部地区的数据要素市场化程度差距不大，体现出东部地区数据要素市场化“一枝独秀”的局面。对各维度进一步的分析表明，东部地区在“数据要素流通”上得分较高（74.97），而在“数据要素价值”上得分较低（64.24），中西部地区数据要素市场化的主要短板是“数据价值”，平均得分都在 36 分左右，中西部比较来说，中部地区在“数据要素供给”（55.96 vs.48.88）和“数据要素流通”（55.70 vs.51.31）方面都比西部地区发展较好。总的来说，深入挖掘数据要素的交易价值和产业价值，实现“数据要素价值”创造是各地区数据要素市场发展的重中之重，除此之外，西部地区尤其需要加大“数据要素供给”建设。与南北差距大于东西差距的经济发展格局相对比，本报告将全国划分为南北两个地区，分析结果表明，数据要素市场发展程度并未呈现出南北差距大于东西差距的特点。具体来说，数据要素市场化指数北方地区得分为 51.40，略低于南方地区得分（58.16），两者差距 6.67 小于东西地区差距（24.55）。从具体维度来说，南方地区在数据要素市场化指数的三个维度上都显著高于北方地区，尤其体现在“数据要素价值”上，北方地区得分 38.71，与中西部地区处于同一水平，而南方地区得分为 51.46，体现出较高数据要素价值实现水平。（三）数据要素市场化细分指标比较（三）数据要素市场化细分指标比较数据要素市场化指数区域层面的比较有助于我们理解全国层面上的发展状况，而对于各细分指标的详细对比有助38于我们理解数据要素市场组成要素的发展态势。1.数据要素市场企业主体比较数据要素市场企业主体比较数据要素相关企业的全国分布如图 13 所示，可以看出数据要素相关企业主要分布在广东省、上海市、江苏省、山东省、四川省、北京市等经济较发达地区6。图 13 数据要素相关企业全国分布情况来源：天眼查；国家工业信息安全发展研究中心、北京大学光华管理学院总体来看，如表 5 所示，20102021 年数据要素行业应用层相关企业增长速度最快，由 2010 年的 7254 家企业增长至2021年的 44.89万家，增长了60.88倍，年复合增速 79.16%；其次是数据资源层相关企业，企业数量由 2010 年的 6280 家增至 2021 年的 32.24 万家，增长了 51.93 倍，年复合增长率72.36%；再次是通用软件层相关企业，企业数量由 2010 年的 6.50 万家增至 2021 年的 218.32 万家，增长了 32.60 倍，6为了确保描述的企业与数据要素市场化紧密相关，本报告采取国家工业信息安全发展研究中心对大数据产业的概念分类，分别是数据资源层、基础硬件层、通用软件层、行业应用层、以及安全保障层。基于天眼查数据库，本报告利用各层次与数据要素相关的 130 多个关键词搜寻企业经营范围确定数据要素相关企业，随后开展分析。39年复合增长率 52.63%。同时可以看出，通用软件类相关企业是绝对数量最多的企业。基础硬件层相关企业从 6324 家增长到 17.17 万家，而安全保障层相关企业也增长了 25.96 倍，由2435家增加到6.56万家，两类企业年复合增长率都在43%左右。表 5 数据要素相关企业数量（2010-2021）类型类型2010 年公司数量年公司数量 2021 年公司数量 年复合增长率（年公司数量 年复合增长率（%）行业应用层725444888779.16数据资源层628033238572.36通用软件层64988218328052.63基础硬件层632417167943.37安全保障层24356564543.072.数据要素市场投资主体比较数据要素市场投资主体比较本报告对数据要素市场中的资本市场做了深入分析，结果显示，2020 年 1 月 1 日至 2022 年 5 月 15 日，数据要素市场总计发生 840 起融资事件，总计融资金额为 1101.25 亿元人民币。其中 2020 年 385 起，462.74 亿元人民币，2021 年360 起，511.95 亿元人民币，2022 年 15 月 95 起，126.56亿元人民币（如图 14）。40图 14数据要素市场投资事件与金额情况来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院分析数据显示，北京是发生数据要素市场投融资事件最多的地区，为 325 起。除此之外，上海 134 起、广东 130 起、浙江 88 起（如图 15）。图 15数据要素市场投资事件地区分布来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院从投资金额来看，北京是数据要素市场交易金额最多的地区，为 595.77 亿元。除此之外，上海、广东、浙江、江苏分别为 166.76 亿元、118.73 亿元、92.22 亿元、33.19 亿元人41民币（如图 16）。图 16 数据要素市场投资金额地区分布来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院从投资机构来看，数据要素市场中国股权融资领域出手次数最多的机构为红杉中国，在数据要素市场完成 30 次投资，其次为腾讯投资 24 次（如图 17）。图 17数据要素市场投资机构出手次数分布来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院从投资轮次看，数据要素市场投融资事件轮次分布最多在泛 A 轮（Pre-A 轮、A 轮及 A 轮），共 359 起；其次是种子/天使轮（种子轮、天使轮、天使 轮），发生 175 起；泛B 轮（Pre-B 轮、B 轮及 B 轮）共 157 起；处于 C 轮、D 轮之后及 Pre-IPO 投融资事件分别是 90 起、57 起、2 起（如图18）。42图 18数据要素市场投资轮次分布来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院3.数据要素市场投资类型比较数据要素市场投资类型比较数据要素产生经济贡献的两条主要途径分别是直接参与生产交换（直接应用），以及赋能其他行业产生倍增效应（赋能应用）。为此，本报告从以上两种途径刻画数据要素投资类型，并加以详细比较。（1）数据要素直接应用领域分析）数据要素直接应用领域分析基于创业邦的数据分析，本报告发现，2020 年 1 月 1 日至 2022 年 5 月 15 日，数据要素直接应用行业总计发生 581起融资事件，融资金额为 785.64 亿元人民币。其中 2020 年248 起，315.12 亿元人民币，2021 年 272 起，377.05 亿元人民币，2022 年 15 月 61 起，93.47 亿元人民币（如图 19）。43图 19数据要素直接应用投资情况来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院从区域来看，北京是数据要素直接应用行业发生投融资事件最多的地区，为 210 起。除此之外，上海 110 起、广东84 起、浙江 65 起、江苏 41 起（如图 20）。图 20数据要素直接应用区域投资情况来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院从投资金额来看，北京是数据要素直接应用行业交易金44额最多的地区，为 410.59 亿元人民币。除此之外，上海、广东、浙江、江苏分别为 127.58、78.77、76.95、28.46 亿元人民币（如图 21）。图 21 数据要素直接应用领域投资金额情况来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院从细分领域来看，数据要素直接应用行业数据服务赛道为发生投融资事件最多的赛道，为 223 起。除此之外，大数据基础服务 192 起、大数据通用应用 61 起、大数据安全 60起、大数据平台 45 起（如图 22）。图 22 数据要素直接应用领域细分赛道分布情况来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院从各领域的投资金额来看，数据要素直接应用领域投资金额最多的行业赛道是大数据基础服务，为 289.40 亿元人民45币。随后，数据服务、大数据安全、大数据通用应用、大数据平台分别为 259.17、88.46、74.99、73.62 亿元人民币（如图 23）。图23 数据要素直接应用领域投资金额赛道分布情况来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院（2）数据要素赋能应用领域分析）数据要素赋能应用领域分析2020 年 1 月 1 日至 2022 年 5 月 15 日，数据要素赋能应用行业总计发生 269 起融资事件，融资金额为 325.31 亿元人民币。其中 2020 年 141 起，148.22 亿元人民币，2021 年 91起，141 亿元人民币，2022 年 15 月 37 起，36.09 亿元人民币（如图 24）。46图 24数据要素赋能应用领域投资情况来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院从区域来看，数据赋能应用行业北京为发生投融资事件最多的地区，为 117 起。除此之外，广东 46 起、上海 25 起、浙江 24 起（如图 25）。图 25数据要素赋能应用领域区域投资情况来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院从投资金额来看，北京是数据要素赋能应用行业交易金额最多的地区，为 185.39 亿元人民币。随后，上海、广东、香港、浙江分别为 44.19、39.96、20.79、16.28 亿元人民币（如图 26）。47图 26数据要素赋能应用领域细分领域投资情况来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院从领域分布来看，数据要素赋能应用行业中医疗大数据赛道为发生投融资事件最多的赛道，为 74 起。除此之外，汽车大数据 49 起、区块链大数据 29 起、工业大数据 28 起、金融大数据 21 起（如图 27）。图 27数据要素赋能应用领域细分领域赛道分布情况来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院从各个领域的投资金额看，数据赋能应用行业中汽车大数据赛道是交易金额最多的赛道，为 106.18 亿元人民币。除此之外，医疗大数据、工业大数据、区块链大数据、金融大48数据分别为 96.89、36.92、28.17、17.53 亿元人民币（如图28）。图 28数据要素赋能应用领域投资金额赛道分布情况来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院五、数据要素市场发展模式（一）数据要素流通交易模式（一）数据要素流通交易模式1.数据交易机构交易模式数据交易机构交易模式（1）场内交易、灵活交付此类数据交易机构的商业运营模式为：数据供需双方在数据交易机构达成数据交易合约，依照合约约定，完成交付及清结算过程，交易机构为双方提供交易凭证，对于交易主体交付地点不进行时空限制，对交付方式允许双方协商进行（如图 29）。数据交易机构交易标的物主要包括数据服务、数据集、数据项、数据产品等类别，交易方式的不同主要取决于数据的敏感级别和供方的要求（产品的特性）。如大宗商品价格指数、企业信用记录等查询服务往往通过API接口，根据查得计费；如指数报告、客群画像等产品则通过一次性交付进行交易；如房地产数据、产业数据等数据集则通过直接转移交付或者可信算法环境提供服务。49图 29“场内交易、灵活交付”流程图来源：国家工业信息安全发展研究中心典型案例：上海数据交易所典型案例：上海数据交易所成立于 2021 年 11 月 25 日，围绕打造国家级数据交易所、全球数据要素配置的重要枢纽节点的战略目标，以构建数据要素市场，推动数据资产化进程为使命，基于“实现汇天下数据而通、聚天下数据而用之”的理念，在上海市数据交易指导委员会、上海市数据交易专家委员会的指导下，开展了一系列制度和业务的创新。上海数据交易所正在全力打造全数字化的新一代数据交易平台，建立标准化的可交易数据资产登记确权、数据产品登记、挂牌、交易、交付、清结算、完结的全流程数据交易服务链，并建立制度保障有力、交易规则透明、流通对象丰富的数据交易体系；汇聚数据交易全参与方和全要素，建立保障流通可控、责任可追溯、合规性可监督的交易环境；构建全链数据交易生态，统筹培育和发展包括数据经纪、合规评估、质量评估、资产50评估、数据交付等数据交易全链参与者的“数商生态体系”。上海数据交易所交易流程操作为：在交易准备阶段，挂牌前要求数据产品完成合规、数据质量等一系列评估，在上海数据交易所的全数字化系统完成线上挂牌；在交易合约阶段，交易主体根据交易规则，采用“供方定价、供需议价”等市场化定价方式，达成数据交易合约，依照合约约定，供需双方完成交付及清结算过程，数据交易完成后，上海数据交易所为交易方提供交易凭证；在数据交付阶段，根据敏感级别，将数据分为 S1-S4 级，不同的数据产品，根据其所属分级等级，对应不同的交付方式和交付技术，交付不受时空限制，可由交易主体双方进行协商，同时可选择第三方交付服务商，实现交付安全、合规、成本、效率等方面的最佳平衡。（2）场内备案，灵活交付此类数据交易机构的商业运营模式为：数据交易机构开展多种形式的数据及数据产品上架、登记、备案及交易，既支持API各类数据接口的交易，也支持各类数据产品的交易，同时还支持特定业务场景下数据使用权的交易。这类交易机构的典型特征是既支持场内交易交付，也支持场外交付后的登记备案。此类机构的创新点在于，对于重要数据及高价值数据的流动突破了未加工或粗加工的数据买卖初级模式，在支持使用权的数据交易场景下，依托交易平台，将数据和算法（含模型和参数）等资源组合成可被多方签署认可的计算合约，运用算力进行加工，并借助多方安全计算、联邦学习、51可信执行环境等安全融合技术和区块链技术，在保证数据隐私的前提下，支撑数据处理服务、数据产品及其应用、数据集、衍生服务等交易活动。典型案例：北京国际大数据交易所典型案例：北京国际大数据交易所成立于 2021 年 3 月，定位于打造国内领先的数据交易基础设施和国际重要的数据跨境流通枢纽。交易所建立了多层次市场主体准入机制，培育合规审查、数据资产定价、争议仲裁等数字中介服务产业生态；探索建立大数据资产评估定价、交易规则、标准合约、数据交易主体认证、数据交易安全保障、数据权益保护及交易争议解决等政策体系；联合相关成员单位推动行业数据、社会数据等各类数据融合应用，构建立足北京、服务全国、面向全球的数据资源流通生态体系。相较于单一的居间服务商，北数所已从单纯数据交易扩展到提供算力、算法交易的数据综合服务商，进而发展到数据衍生品及数字资产交易，从数据价值的等量交换扩展到金融价值的放大创造。其交易服务特点为：在交易标的物管理方面，实行数据分级分类管理，创新免费开放、授权调用、共同建模、联邦学习、加密计算等多种融合使用模式；在数据流转方面，探索从数据、算法定价到收益分配的涵盖数据交易全生命周期的价格体系，形成覆盖数据全产业链的数据确权框架；在产业链延伸方面，培育数据来源合规审查、数据资产定价、争议仲裁等中介机构，推动产业链创新发展；此外，交易所还探索建立数据资产评估定价、交易规则、标52准合约等政策体系，探索多层次的市场准入机制，在交付方面统一使用平台实现，并积极推动数据创新融通应用纳入到“监管沙盒”。2.产业数据上下游交易模式产业数据上下游交易模式（1）搭建“数据空间”，促进产业数据流通“数据空间”概念最早由德国联邦教研部于 2014 年底为解决工业 4.0 过程中数据互联和流通难题而建立的一种基于标准通信结构、促进数据资源共享流通和价值释放的虚拟空间。该模式结合数据使用者、数据提供者、认证中心、中间代理商等 10 种主体在数据共享流通中的作用，建立了一个涵盖五层架构、三个维度、四类主体、三大流程的国际数据空间参考架构模型。“数据空间”的数据集流通共享模式在德国工业领域试点使用后，逐步辐射到国家的整个产业链，后期逐步延伸至整个欧盟及世界有关国家。“数据空间”模式在产业数据流通过程中具有可执行和操作性，归其原因主要在于：一是加强可信认证确，保数据生态环境的可信任，一是加强可信认证确，保数据生态环境的可信任，“数据空间”从静态和动态两个层面进行严格认证，使参与各方彼此建立信任；二是运用数据连接手段，作为数据流通的重要技术设施，二是运用数据连接手段，作为数据流通的重要技术设施，通过连接器定义数据流，把其作为完成数据空间分布式数据安全交换的一项重要网关设施；三是机制建立标准化一，通过智能合约方式灵活实施，三是机制建立标准化一，通过智能合约方式灵活实施，在数据权属确立方面采取“数据自主权”理念，数据所有者有权决定谁能访问和使用其数据、数据使用限制要求，以及拟定数据使用合同具体条款、决定定价方式等，并且通53过智能合约方式加以实施，以数字方式促进、验证或执行合同的谈判或履行，破解数据确权管理和定价机制难题。当前，国内部分省市及有关机构也在探索“数字空间”有关理论的创新及应用，部分在健全公共数据管理和运营体系过程中，加强数据要素相关标准和技术研究，探索构建个人和法人数字空间，完善数据交易流通平台建设和机制创新；以场景应用需求为牵引，面向供应链管理、协同研发等场景，建设安全可信的数据共享空间。（2）借助“数据链主”，牵引上下游数据流通此类数据流通服务模式主要对标产业链“链主”思维，从数据链、价值链角度，选取具有产业生态主导力、数据体量大、数据运营及安全能力强的龙头企业（称之为“数据矿主”或“行业数据资源枢纽型”企业）作为数据流通试点牵头单位，发挥其产业链业务场景丰富耦合、生态伙伴关系信任度高的独特优势，构建行业领域数据供需主体的信任关系，拉动产业链上下游数据融通。借助“数据链主”带动的数据流通交易，此类数据流通交易形式，一部分为借助工业互联网、产融合作等平台，带动产业链上下游数据撮合及人才、资本、知识、生态等供需对接，另一部分，通过借助自身对产业链企业的资源配置和应影响力，引导通过交易服务机构实现数据挂牌、交易及交付。典型案例：中汽创智科技有限公司典型案例：中汽创智科技有限公司通过搭建的“汽车大数据共享服务平台”，探索异业合作场景，激活汽车行业数据生态，通54过数据挖掘实现数据价值释放。公司通过探索自动驾驶领域关键基础数据的同业合作共享，加快基础数据的积累，推动技术的快速迭代。平台围绕数据流通制度建设、共享生态培育、核心技术应用与突破、应用场景驱动业务四个方向进行建设与服务。在运营中基于区块链技术形成一套数据要素交易机制，为多方共同参与的数据要素的资产评估、登记结算、交易撮合、争议仲裁提供切实保障，探索以数据资产服务信托为可信数据流通制度，实现数据要素市场化配置的制度创新、产品创新、数据金融模式创新及运营模式创新。（二）数据要素服务创新模式（二）数据要素服务创新模式大力发展数据资产评估、登记结算、交易撮合、争议仲裁等市场运营体系，培育一批数据交易服务商，为市场参与者提供专业化、体系化服务，已成为当前数据要素市场培育过程中的重要环节。当前，本研究梳理了数据要素市场目前开展的相关第三方服务的部分内容及典型案例。1.数据合规评估数据合规评估数据合规评估通过相关服务主体，建立一套高效可行的数据资产交易合规评估体系，帮助交易所在数据资产交易的不同阶段实现标准化、体系化的合规评估流程及规范（如图30）。于数据供应方而言，专业的数据合规评估服务会在交易流程中的数据准入、上架及交易阶段进行数据产品的合规评估和质量管理，通过诸如数据产品的分级分类和标签质量管理，使得资产更容易被买方公司接受并愿意提高成交价格，同时给出数据资产的行业公允交易数据，让其更加了解业务55市场现状，从而进一步提升资产的竞争力；于数据使用方而言，数据资产合规评估服务可以使得其在公允价值内购买到需求的数据资产；于第三方数据交易平台而言，专业的数据资产合规评估服务商通过建立一套科学普适的数据资产合规评估体系，帮助平台标准化、系统化地运行，促进数据资产交易的蓬勃发展。图 30数据合规评估推进思路来源：国家工业信息安全发展研究中心目前该细分领域的服务提供商主要包括：律师事务所和咨询服务机构等。随着行业数据应用场景的深度挖掘，在数据合规评估方面后期需有较深行业领域知识和经验的机构，以数据在行业的特定应用和价值呈现为导向，撮合数据需求方与数据供应方，设计数据产品的合规举措，更全面地服务于数据交易过程，帮助推进公共决策科学化、普适化，对数据资产交易市场建设和技术创新有积极的推进作用。典型案例：北京市盈科（深圳）律师事务所典型案例：北京市盈科（深圳）律师事务所主要面向信用科技与大数据服务提供商提供数据合规法律咨询，针对企业数据收集、存储、使用等全流程的合规性进行审查，并基于法律风险点56提出整改建议。德勤企业咨询（上海）有限公司德勤企业咨询（上海）有限公司关注数据与流程的合规评估与管理，面向数据供应方和数据交易服务机构，提供覆盖数据准入、数据资产上架和数据资产交易三个阶段交易流程合规性服务。在数据资产准入阶段，设计了包含数据资产安全性和权属性的准入要求；在数据资产上架出售阶段，参考国家法律法规及国际实践等，对数据资产开展分类分级工作，对政务、企业及个人数据开展对标及分析，建立数据分层体系，从影响对象、影响程度和影响范围三个方面开展数据资产的合规评估工作；最后，在数据资产的产品交易阶段，开展了数据资产的标签质量管理，从规范性、完整性、准确性、一致性、时效性和可访问性六个方面开展数据质量评估与合规校验。2.数据资产评估数据资产评估数据资产价值评估过程，需厘清数据资产在整个流通循环市场中的价值形成过程，数据资产评估主体需了解企业获取数据资源，经过判定、加工成为数据资产，并通过数据应用实现数据价值并成为数据资产的过程，制定数据资产价值评估方法。当前常用的数据价值评估方法有收益法、成本法、市场法等。通过评估方法选取对不同的数据主题单元确定相应的属性值计价标准，要获得公允的“属性计量值”需要通过长期的积累和行业应用，模拟出指导定价，这也是价值评估难以实施和统一定价的难点。数据资产评估服务类别主要涵盖：设计适用于数据资产的估值框架和模型、数据资产估值57方式确认、数据资产价值认定和价值计量等内容。目前该细分领域的服务提供商主要包括会计师事务所、资产评估事务所、咨询服务机构等。典型案例：普华永道会计师事务所典型案例：普华永道会计师事务所借用物理学中的“势能”概念作为理论基础，创新提出“数据势能”新概念及其相应的估值逻辑（Ep=mgh），在开发成本基础上根据数据资产的特征考虑多因子修正，以反映数据资产的经济价值及场景价值。该理论可通过调节因子对模型进行修正，可适用于不同功能、应用于不同行业的数据资产，可反映数据资产的价值驱动因素，在操作性和复制性方面具有一定优势，当前在数据交易机构、数据资产评估需求企业等均开展了一定的实践探索。但与此同时，该模型以数据资产开发成本为基础，对数据资产开发过程中所有相关成本的核算和归集是实现模型合理性的最大难点，在尚未形成统一分摊机制的情形下，需依赖收费较高的定制化服务，模型的规模效应需要时间沉淀和积累。3.数据交易撮合数据交易撮合数据交易撮合主要为数据提供方和数据需求方提供数据供需对接过程中的咨询和信息技术服务。目前，随着数据要素市场的快速发展，除了数据交易机构基于自身平台开展撮合买卖双方在平台交易并收取佣金的撮合服务之外，不少数据加工及处理的第三方机构也逐步面向客户开展数据交易撮合服务。总体来看，数据交易撮合服务的模式主要有：58一是基于定制化数据处理技术服务，构建产品服务矩阵，此类机构多数基于 API 技术的标准化数据接口服务、基于 API技术的定制化数据处理技术服务等，建立丰富的数据产品服务目录，通过平台提供买卖双方的交易撮合服务；二是基于数据要素服务商对数据资源的全面认知和业务经验积累，通过业务咨询的方式，提供定制化解决方案服务。典型案例：上海市社会信用促进中心典型案例：上海市社会信用促进中心自 2019 年开始基于中心牵头建设的上海市信用领域大数据联合创新实验室整合的数据资源，开展数据资源与数据应用场景的撮合探索。目前，信促中心是上海市较早开展标准化交易撮合服务的机构，截至2021 年底，信促中心累计完成 300 万元的交易撮合服务，据其预测交易撮合是数据要素市场中匹配供需的重要业务环节，未来将是一个千亿的市场。4.数据交付服务数据交付服务数据交付服务是指数据的供需双方基于数据产品交易平台或系统，进行数据产品的交付服务。当前，交付服务提供主体主要包括数据交易机构及第三方数据流通技术提供商。当前，数据流通常用的主流技术主要为联邦学习、多方安全计算、可信执行环境等。多方安全计算主要联合利用多方数据的场景，在保证各方数据不出库的前提下，完成各类大数据分析任务，计算效果等同于将所有数据集中在同一台服务器上分析；联邦学习针对联合利用多方数据进行 AI 建模的场景，在各方原始数据不出库的前提下，完成横向或纵59向的模型训练、模型评估等指标任务，实现“数据不动模型动”的效果，同时支持进行多方数据联合推理、在线预测。隐私计算等技术作为数据要素流通的协议层技术，在一定程度上解决了权属模糊致使的流通难题，但是由于不同厂商间算法原理和技术实现的差异化，会在打破“数据孤岛”后形成“计算孤岛”，因此未来必须解决跨平台互联互通的问题。典型案例：翼健（上海）信息科技有限公司典型案例：翼健（上海）信息科技有限公司（简称“翼方健数”），以隐私安全计算为核心，深耕医疗健康行业，覆盖政务、金融、保险、营销、科学等领域，建设在数据安全和个人隐私保护基础上的数据开放生态和数据共享协作环境，并在此基础上发展人工智能的能力，为行业赋能。翼方健数技术的特点是针对数据跨域流通的全流程，提供一套全栈的解决方案。通过自主研发的隐私安全计算平台翼数坊 XDP 实现数据协作和价值获取（如图 31）。当前，翼方健数已成功实现区域或行业 XDP 联盟，建立起数据和计算互联网的雏形，已在多个城市级别大数据场景实现隐私安全计算落地，其端到端的数据智能解决方案应用于中国科学院、健康医疗大数据国家研究院、香港科技园及世界 500 强企业等。60图 31“翼方健数”数据交付服务架构图来源：翼健（上海）信息科技有限公司深圳市洞见智慧科技有限公司（简称深圳市洞见智慧科技有限公司（简称“洞见科技洞见科技”），致力于以隐私计算技术赋能数据价值的安全释放和数据智能的合规应用。围绕数据交易，洞见科技通过成为数商或平台建设的方式助力数据交易所促进数据交易流通，基于自主研发的金融级隐私计算平台（InsightOne）建构数据开放、共享、交换平台，能够以“使用即交易”的方式重构“转移式交易”的数据要素流通市场，结合区块链技术对数据进行确权和资产化的探索，促进政务数据跨层级、跨区域、跨部门、跨行业的流通，以及政务数据面向企业的开放赋能。在技术创新方面，洞见科技基于底座思想研发了异构互联互通容器技术，通过统一规范的系统接口、算法协议、操作流程等实现数据资源和计算能力的交互与协同，可解决使用不同隐私计算平台的数据提供方和数据应用方之间的协作问题。在商业落地方面，洞见科技专注于推动政务数据流通开放，拓展了与山东省大数据中心、招商银行、北京银行、华夏银行、渤海银61行、中国人寿等多方业务合作。图 32“洞见科技”数据要素流通解决方案图来源：深圳市洞见智慧科技有限公司北京瑞莱智慧科技有限公司（简称北京瑞莱智慧科技有限公司（简称“RealAI”），），是人工智能基础设施和解决方案提供商，由清华大学人工智能研究院官方发起设立，致力于以安全、可信、可靠、可扩展的第三代人工智能技术，为高价值场景智能化升级提供一站式赋能方案（如图 33）。为保障安全地实现数据流通价值，公司利用多方安全计算、联邦学习、可信执行环境等技术，打造了数据安全基础设施 RealSecure 等产品体系。RealSecure 实现了数据的可用不可见，打通了数据孤岛，为用户在数据合作过程中提供全景式的数据安全和隐私保护。凭借可靠可验证、多模式使用、卓越计算性能以及开箱即用等产品优势，RealSecure 相关产品目前已在政务、金融、医疗、电信、互联网等多领域、多场景中落地使用，切实满足用户实现数据安全合规、数据价值挖掘、数据流通交易等实际需求。62图 33“RealAI”数据交付服务架构图来源：北京瑞莱智慧科技有限公司杭州锘崴信息科技有限公司（简称杭州锘崴信息科技有限公司（简称“锘崴科技锘崴科技”），是专注隐私计算服务的提供商，团队于 2011 年开始研究隐私计算，于 2013 年提出了医疗在线安全联邦学习底层架构（如图 34）。针对小微企业融资难、融资贵的公认难题，锘崴采用隐私保护计算实现各方数据不用出本地便可进行信息交互，在数据“可用不可见”的前提下联合分析双方数据，金融机构可以利用政务数据丰富小微企业画像，打破信息互通壁垒，有效平衡了数据隐私保护与价值挖掘，进而把小微金融服务普惠至更多客户。例如，某地方金融服务平台通过引入锘崴信息数据保护平台，实现针对中小微企业多源联合分析与建模，与金融机构合作开发多样化授信模型，大大提升了中小微企业授信、风控和监管的效率。63图 34“锘崴科技”数据交付服务架构图来源：杭州锘崴信息科技有限公司5.数据争议仲裁数据争议仲裁数据争议仲裁服务主要是为数据交易全过程中供需方或相关数商等主体之间发生的冲突提供争议解决的服务。通过仲裁形式解决数据交易争议具有一定优势：首先，仲裁以不公开为原则，参与仲裁程序的仲裁庭等非当事人方，也均对仲裁案件具有高度的保密义务，仲裁裁决书的内容也不会予以公示，相较于诉讼而言，仲裁更能迎合数据交易对交易事项高度保密性的需求；其次，当事人具有选择己方信任的仲裁员的权利，且仲裁员可以不仅仅是法律领域的专家，还可以为来自业务领域方面（如，数据安全、数据交易板块）的专业人士，仲裁更为符合数据交易所需的行业专业性；再次，仲裁在处理涉及出境数据裁决方面具有一定优势，例如，根据纽约公约规定，通过仲裁这一争议解决方式得到的裁决相较于诉讼而言，更便于在所在国落地执行。在优势凸显的同时，运用该方法处理数据争议问题还存在一定风险，即关于数据类证据的数据安全处理措施问题。64在数据交易类争议案件证据中，往往会包含大量的数据资料，仲裁庭或其他非当事人方在办案过程会需要处理这些数据资料。然而，数据可能出现被黑客攻击等泄露的风险，如何保障数据资料在仲裁过程中的安全性是目前亟需考虑的方面。需要与政府部门、监管机构或是数据要素市场主体共同协商，探索如何从技术方面保障数据类证据的数据安全处理。典型案例：上海仲裁委员会典型案例：上海仲裁委员会开展数据交易争议仲裁的流程主要包括：首先，参与数据交易各环节的主体在签署相关书面协议时，需要约定将争议提交上海仲裁委员会数据仲裁中心予以仲裁。其次，当争议发生时，由一方当事人按照仲裁协议的约定提交仲裁中心申请仲裁，仲裁中心根据仲裁规则和相关法律法规的规定，组成具有仲裁庭为当事人就数据交易争议事项进行定分止争，出具具有强制执行力的仲裁裁决书。仲裁庭也可以以当事人的合意为基础，出具具有强制执行力的仲裁裁决书或仲裁调解书。6.知识产权服务知识产权服务数据本身不受知识产权法保护，但经过技术开发或者智力创作后所生成的内容则可能被纳入知识产权的保护范围，例如，由平台衍生的数据或数据集合，它们从原始数据中经过清洗、加工、分类、整理而形成的数据产品，只要数据控制者付出足够劳动，形成有价值的智力成果，体现人类的创新活动，未来便有可能受到知识产权的保护。数据知识产权服务需深入研究数据的产权属性，探索开展数据知识产权保65护的相关著作权、专利等服务。在 2021 年 10 月国务院发布的“十四五”国家知识产权保护和运用规划中也明确提出了要设立“数据知识产权保护工程”，要求深入研究数据的产权属性，支持有条件的地区开展数据知识产权保护和运用的试点，促进数据要素合理流动。7.数据金融服务数据金融服务数据金融服务是数据要素增值变现的延伸路径，服务主体通过开展数据资产质押融资、数据资产保险、数据资产信托、数据资产担保、数据资产证券化等金融创新服务，为相关主体提供咨询及技术服务。当前，由于各类当前关于数据的法规、确权及价值评估等尚未完善，基于数据的金融服务模式及实践多数尚属于探索阶段。在数据信托方面，作为一种制度安排，该模式基于我国相关法制建设及研究实践，将数据全部或部分权利与权益作为信托财产，由受托人对其进行管理、运营和收益分配，并以信托法律关系约束当事人之间权利及义务，平衡各方权利义务关系，实现数据资产化，丰富数据产品提供方式，促进数据要素流通。数据信托作为制度安排工具，在数据的资产登记、委托管理、数据融合、数据开发利用、收益分配、权益保护等环节提供产品和服务。典型案例：中国工商银行股份有限公司上海市分行典型案例：中国工商银行股份有限公司上海市分行在数字经济时代的背景下，工商银行探索推出针对数字资产的金融产品，助力数据公司盘活数字资产，提升数字价值。银行首次基于上海数据交易所登记的数据资产价值，结合企业市场前景、66研发能力，突破传统信贷“看资产”“重抵押”的模式，更多关注企业数据价值，为数据提供者提供流动资金贷款的产品。该产品复制性强，可应用于数据提供方、数据使用方、数据平台方等多种场景，成为数商交易生态中重要的资金环。中航工业产融控股股份有限公司中航工业产融控股股份有限公司发起成立“数据信托与数字信任开放生态”，围绕机制创新与服务创新，与合作伙伴共同发掘和培育数据要素的巨大价值，服务数字经济高质量发展。聚焦航空主业方面，中航产融下属中航信托股份有限公司、金网络（北京）电子商务有限公司联合相关单位，共同探索“航数空间”项目，促进行业数据要素全流程流通的可信数据集成服务平台。通过运用信托财产独立性原则构建可信数据管理制度基础设施，利用区块链、隐私计算等新一代信息技术研发应用构建可信数据技术基础设施，通过产融结合金控平台，导入产业资源、金融资源、技术资源，建立形成可信数据服务商集成服务平台，通过市场化手段，解决数据流通痛点与堵点。8.数据安全服务数据安全服务数据安全服务是数据要素稳定有序运转的坚实保障，服务主体通过运用数据安全技术手段、加强数据安全产品研发应用、建立完善的数据安全机制，防范数据泄露等安全风险，促进数据要素在安全防护的条件下实现数据高效、安全的流通。目前该细分领域的服务提供商主要包括：传统的大数据安全技术提供商、咨询服务机构以及有意向开展数据要素流通探索的央企国企等。67典型案例：中国电子信息产业集团有限公司典型案例：中国电子信息产业集团有限公司提出的“数据安全与数据要素化工程总体方案”，从理论、技术和制度三位一体开展数据要素安全流通的体系化探索和创新，可为城市数据治理提供实践参考。方案通过定义“数据元件”，实现原始数据和数据应用“解耦”，有效解决数据要素市场化配置中的确权、流通、分配、安全等关键问题；基于研发的“数据金库”，构建数据金库网和数据要素网，有效解决数据要素市场化配置中的数据安全和数据流通的基础问题；以“制度 市场 技术”三位一体的工程路径，有效推进四项数据基础制度落地。在实践探索中，针对德阳市数据治理的实际情况，部署了数据要素金库（试验版）、数据要素（元件）加工交易中心，初步建成数据要素创新中心，形成了资源、元件、产品三级市场体系，初步取得了较好的经济社会效益。北京卓讯科信技术有限公司北京卓讯科信技术有限公司面向云环境下海量数据要素的安全防护需求，基于零信任安全架构、“CPU DPU”融合安全计算、安全标记强防控制等关键技术，研发了数据要素安全防护产品体系。通过会话级的主客体数据标记与管控技术、高速智能网卡虚拟化卸载技术、“云边端”一体化立体防御技术，可以将云环境中动态化的共享单元变成静态化的安全规则，将最小授权原则内化于工具，从而实现大规模云环境下的业务数据流防护。（三）数据要素生态汇聚模式（三）数据要素生态汇聚模式产业园区具有资源集聚、创新活跃、信息化基础好等特68征，各类产业园区在要素集聚、成果孵化、人才培养等方面发挥重要作用，已经成为地方政府加快产业结构优化、重塑经济发展动能的重要载体。数据要素市场化配置及生态汇聚以“平台 园区”模式进行发展和推广，有利于进一步强化数据要素对政府治理的支撑作用，促进产业范式从基于地理空间集中向基于虚拟平台集聚转变，构建“平台驱动数字化运作网络协同”的产业演进路径。该模式将加快数据流通、交换、共享等平台解决方案的落地应用、功能拓展和价值提升，引导数据要素向先进生产力集聚。部分园区建立了以数据要素招商为特色的生态汇聚模式，一方面，是有别于传统的大数据分析技术手段进行的数据处理和展现，通过基于公共数据、产业数据、平台数据等的数据汇聚、数据治理等数据要素化处理流程，围绕医疗健康、交通出行、气象服务、城市服务、智慧农业等数据量丰富、社会经济价值显著的重点领域，建立基于数据要素的招商平台和生态系统，以开放的数据要素为核心，针对区域内产业发展规划招商引资，建设体系完备的数据生态，推动产业数字化；另一方面，围绕数据要素市场化培育各相关产业生态谱图分析，基于数据要素市场化配置的需求，实施“补链”“强链”“延链”行动，提升产业生态汇聚能力（如图35）。69图 35“数据要素招商”生态汇聚思路来源：国家工业信息安全发展研究中心典型案例：典型案例：苏州工业园区深入贯彻落实国家关于加快培育数据要素市场的重要指示精神，积极开展数据要素市场生态培育工作，在江苏省数据要素市场生态培育项目中共有 7 家单位入选，占全省总数的 35%（全省 20 家），占全市总数的 87.5%（全市 8 家），涉及强化高质量数据供给、推动数据治理、培育数据服务基地、建设数据交易设施等方向。园区基于“数据管理公共服务平台”、“SaaS 模式的一站式知识产权信息服务平台”、等，探索高质量的数据供给以及数据管理能力一体化提升路径。在培育数据服务基地、建设数据交易设施等方向，苏州工业园区积极布局，加快培育数字产业新业态新模式，充分激活数据要素价值，推动数据要素有序流动高效配置，为数字产业发展注入强劲动能。典型案例：国家工业信息安全发展研究中心典型案例：国家工业信息安全发展研究中心基于数据要素市场产70业链研究及梳理，面向地方政府数据要素市场化配置改革试点需求，研究形成了基于数据解析体系的数据要素流通一体化服务（如图 36 所示），基于 DOA/Handle 搭建数字底座，基于数据管理公共服务平台帮助企业快速开展数据管理能力提升，依托建立的数据资源流通服务平台实现异构隐私计算框架的互联互通能力，围绕数据资源产品，开展数据流通共享涉及的数据流通机制、数据流通标准、数据质量检测、数据安全风险评估等服务。图 36国家工信安全中心基于数据解析体系的数据要素流通一体化服务来源：国家工业信息安全发展研究中心六、数据要素市场发展趋势（一）技术和管理双轮驱动，数据交易流通环节更安全有序一是从技术层面来看（一）技术和管理双轮驱动，数据交易流通环节更安全有序一是从技术层面来看，数据要素市场与新技术的融合发71展逐渐深入，数据产品和促进数据要素流通交易的技术不断丰富。目前，国内外各类主体不断加大在差分隐私、安全多方计算、联邦学习等多种数据安全与隐私保护技术的研发和落地应用，为数据交易、流通中的安全保护提供了持续的技术支撑，并不断破解在实践中产生的具体问题，诸如为了避免“数据孤岛”演变为“计算孤岛”，部分主体正在研发异构互联互通容器技术，解决使用不同隐私计算平台的数据提供方和数据应用方之间的协作问题。未来，各类主体还将不断加大数据流通技术研发力度，加强敏感数据识别、数据脱敏技术、数据泄露防护技术等方面的突破，为实现跨平台环境下数据安全合规应用，提升移动多方、分布式计算中的非公开数据保护能力，防范隐私敏感数据泄露提供更为安全、可靠的流通技术支持。二是从管理层面来看二是从管理层面来看，更多政策措施和管理手段将不断完善，进一步保障数据要素市场安全发展。欧盟早在 2018年 5 月就推出通用数据保护条例，注重“数据权利保护”与“数据自由流通”之间的平衡。我国已通过民法典、网络安全法、电子商务法、数据安全法等构成了具有中国特色的数据领域法律体系，为解决数据安全、数据确权等提供了重要遵循。与此同时，在数据安全管理的实践进程中仍有许多问题有待解决，还比较缺乏更具针对性、更细化的政策法规，引导、监督和管理数据处理、流通、交易等活动。未来，更多配套政策的出台和更加精准的分级分类监管将成为趋势。（二）多源多领域数据融合，数据要素应用范围将逐步（二）多源多领域数据融合，数据要素应用范围将逐步72拓展一是多源数据的融合将更加紧密。拓展一是多源数据的融合将更加紧密。单一来源的数据体量有限，数据维度单薄，仅仅包含局部信息，通常价值较为有限。随着数据处理技术的快速进步和算力的快速提升，对海量、多维数据的挖掘和分析成为可能。未来，对高质量多源融合数据的需求将不断上升，多行业、多领域的数据融合、跨部门、跨层级的数据流动，将促进更多高质量数据的形成，更好发挥数据要素的价值。二是数据要素将为更多行业创造价值。二是数据要素将为更多行业创造价值。随着国务院、国家相关部委以及省市级数据要素市场促进政策的出台和实施，数据要素的开发利用已经深入渗透到我国经济社会发展的各个方面。在大数据、人工智能等新一代信息技术飞速发展和市场需求快速增长的双重驱动下，基于数据要素的新产业、新业态和新模式将不断涌现。在工业、医疗、金融、公共治理等领域，数据的赋能、赋值、赋智作用日益凸显；在公共服务领域，数据要素在疫情监测分析、病毒溯源、防控救治、资源调配、复工复产等方面发挥了重要支撑作用。未来，数据要素的应用场景还将不断拓展，与农业、贸易、通信、能源等更多传统行业深入融合发展。三是数据要素应用将更加多样。三是数据要素应用将更加多样。目前我国对数据要素的应用仍然以描述性、预测性为主，在智能分析、决策指导、方案优化等方面的应用仍处于起步阶段。未来，随着数据理论技术的不断成熟，数据流通制度的不断完善，数据融合程度的不断提升，以及人工智能、大数据、5G 等新一代信息73技术的加速助力，数据要素的应用种类将逐渐丰富、深入和智能，数据要素对经济的贡献度将会越来越高。（三）交易模式创新规范化，数据要素市场化配置进程加速一是政策引领下，数据要素市场发展不断趋于规范化。（三）交易模式创新规范化，数据要素市场化配置进程加速一是政策引领下，数据要素市场发展不断趋于规范化。在中央政策的指导下，各级政府将根据自身特点，积极探索出台相关政策，推动数据要素市场发展。国家层面，2021 年1 月中共中央办公厅、国务院办公厅印发的建设高标准市场体系行动方案提出要“建立数据资源产权、交易流通、跨境传输和安全等基础制度和标准规范”，12 月，国务院办公厅印发要素市场化配置综合改革试点总体方案也要求“完善公共数据开放共享机制”等。地方层面，深圳、上海、重庆等地先后发布数据条例，将数据要素市场作为重点。广东、广西分别发布了数据要素市场改革的方案。北京在相关政策中也提出“鼓励互联网、金融、通信、能源、交通、城市运行服务等领域数据管理基础较好的企业，探索将数据资产纳入资产管理体系”，深圳市开展数据要素统计核算试点，推动数据走向资源化、资产化。在政策加持和各方努力下，数据要素市场基础制度体系将更加完善，公共数据运营模式、数据要素交易模式将更加成熟，数据要素市场化配置将更加高效，数据要素市场化改革将不断取得新成果。二是实践引领下，数据交易模式创新将进入迭代爆发期。二是实践引领下，数据交易模式创新将进入迭代爆发期。传统的数据交易所主要提供对接平台，但在实际运行中尚不足以满足市场需求。德国通过打造“数据空间”构建行业内74安全可信的数据交换途径，排除企业对数据交换不安全性的种种担忧，引领行业数字化转型，实现各行各业数据的互联互通，形成相对完整的数据流通共享生态，已经得到包括中国、日本、美国在内的 20 个多个国家及 118 家企业和机构的支持。日本从自身国情出发，创新“数据银行”交易模式，银行在与个人签订契约之后，通过个人数据商店（PersonalData Store，PDS）对个人数据进行管理，在获得个人明确授意的前提下，将数据作为资产提供给数据交易市场进行开发和利用，最大化地释放个人数据价值，提升数据交易流通市场活力。我国在数据交易方面的模式探索也将不断加速，未来数据交易所除提供供需对接服务外，更重要的是建立覆盖技术、规则、机制等方面的全流程数据流通信任机制，以及提供数据及数据衍生品交易的综合服务，通过“数据可用不可见，用途可控可计量”新型交易范式，推动交易流通服务体系和服务模式创新。（四）各类型主体协同发力（四）各类型主体协同发力，数据要素市场生态将日渐完善一是在产业链层面，围绕数据要素市场化配置的产业生态逐步完善。，数据要素市场生态将日渐完善一是在产业链层面，围绕数据要素市场化配置的产业生态逐步完善。在数据要素市场运作中，各类数据要素拥有方和数据要素技术提供商围绕着获取数据、加工处理和存储数据、开发利用数据这一数据价值链，相互交互与协同创新，不断创造新知识，提高市场效率，从而形成了一个社会技术网络。该社会技术网络称之为数据生态系统，数据要素各方参与主体是数据生态系统的参与者，数据生态系统是数据经75济的组织形态和基本单元。随着数据要素市场化配置体系的不断完善，围绕数据要素价值的发现者和价值实现的赋能者的服务模式日益成熟，在数据要素市场中直接或间接服务于数据产品的形成、交易、开发利用的机构，诸如数据合规评估服务商、数据质量评估服务商、数据资产评估服务商、数据交付服务商、数据分类分级服务商、数据安全服务商、数据咨询服务商、数据治理服务商、数据经纪服务商、数据交易仲裁服务商、数据开发利用服务商等逐步形成了数据要素产业上下游生态，多方主体协同发力，将为数据要素有序市场化配置保驾护航。二是从区域布局层面，各地将不断充分发挥自身优势优化产业布局。二是从区域布局层面，各地将不断充分发挥自身优势优化产业布局。目前，数据流通交易与技术研发仍主要集中在北上广深等大城市，而数据采集、标注、清洗等人力密集型产业逐渐向围绕中心经济带的其他地区转移。以北京为例，北京拥有大量的大数据、人工智能研发企业，数据需求庞大，而北京周围如河北、山西等地，基于本地的人力成本优势，大力发展数据标注、数据审核相关产业的发展。随着中心研发城市的产业辐射能力不断增强，数据要素市场将走向多地协同、差异发展的区域特色化发展之路。