《开放群岛开源社区：2023中国数据资产化发展趋势白皮书（188页）.pdf》由会员分享，可在线阅读，更多相关《开放群岛开源社区：2023中国数据资产化发展趋势白皮书（188页）.pdf（188页珍藏版）》请在三个皮匠报告上搜索。

1、1版权说明本白皮书版权属于开放群岛（Open Islands）开源社区数据资产小组所有，依据 CCBY-NC-SA4.0（http:/creativecommons,org/licenses/by-nc-sa/4.0/）许可证进行授权，并受法律保护。转载、摘编或利用其他方式使用本白皮书文字或者观点的，应注明来源。违反上述声明者，编者将追究其相关法律责任。2编写说明本白皮书由开放群岛（Open Islands）开源社区数据资产小组牵头撰写，限于撰写组时间、知识局限等因素，内容恐有疏漏，烦请各位读者不吝指正。本报告在撰写过程中得到了开放群岛开源社区各成员单位的大力支持，在此特别感谢参编单位的各位专

2、家支持和帮助。3参编单位（排名不分先后）开放群岛开源社区数据资产小组深圳数据交易所有限公司中央财经大学数字财经研究中心中国质量认证中心中财数碳（北京）科技有限公司云基华海信息技术股份有限公司交叉信息核心技术研究院北京易华录信息技术股份有限公司数库（上海）科技有限公司德阳数据交易有限公司上海尖晶投资有限公司杭州趣链科技有限公司杭州金智塔科技有限公司南方电网数字平台科技（广东）有限公司华东江苏大数据交易中心股份有限公司合肥市大数据资产运营有限公司金蝶信用科技（深圳）有限公司中国工商银行软件开发中心高颂数科（厦门）智能技术有限公司4湖州市数字集团有限公司大成律师事务所广州市华矩商业信息科技有限公司浙

3、江省大数据联合计算中心深圳国家金融科技测评中心有限公司上海同态信息科技有限责任公司北京数牍科技有限公司中国信通院云计算和大数据研究所讯飞智元信息科技有限公司中电科网络安全科技股份有限公司清华大学互联网产业研究院上海健交科技服务有限责任公司上海生腾数据科技有限公司广东省坤舆数聚科技有限公司北京市中伦（上海）律师事务所粟特方舟科技（北京）有限公司5参编委员会（排名不分先后）陈波王冠潘菲李颖王锋鲁胜强林常乐赵蓉宋欢张杰周卉章郑佩玉李岩尹西明专家指导（排名不分先后）王建冬汤珂杨东李红光6参编人员（排名不分先后）陈超超陈爱华陈琳单进勇樊晓娟郭潇胡雪晖韩祖利黄榴勇黄梦甦黄佩金俊州金银玉郎佩佩刘梦迪李星李东

4、阳李航达李浩川李朋林梁燕林嘉靖林镇阳林建兴刘骥陆斌霄罗培吕艾临马硕涵牛丛丛聂怗裴新沈蓓瑾孙晓蕾汤子欧谭昶唐飞王澜王婷王震王明辉王志琪魏遵博吴梦真吴祖顺邢洋徐香君闫树杨光杨菊丽杨淋雨袁文天谭海华王吴越张烨张慧萍张建民张智超张帅周云蔡瑞龙7目录一、一、数据资产化发展概述数据资产化发展概述.11.1 背景.11.2 数据资产化的概念与内涵.2二、二、数据资产化数据资产化发展的总体趋势发展的总体趋势.122.1 国际趋势.122.2 国内形势.142.3 发展机遇.172.4 问题与挑战.29三、数据资产化政策与监管三、数据资产化政策与监管.343.1 数据资产确权困难.353.2 数据要素场内交易占

5、比较小，凸显法律制度仍不完善.353.3 数据交易市场混乱缺乏有效监管.363.4 数据资产交易体系有待整合重塑.373.5 数据收益分配问题尤为突出.383.6 数据资产化技术路线暂未清晰.38四、数据资产化定价与估值四、数据资产化定价与估值.394.1 数据资产估值现状.394.2 估值方法发展.414.3 基本估值模型.434.4 期权定价法.474.5 图谱定价法.504.6 其他评估方法.544.7 健全数据资产财会制度.55五、数据资产化治理五、数据资产化治理.585.1 数据治理概述.5885.2 数据治理现状及规模.595.3 问题与挑战.615.4 最佳实践.63六、数据资产

6、六、数据资产运营：运营：共享与开放共享与开放视角视角.696.1 数据开放与共享概念.696.2 数据开放和共享的价值分析.706.3 数据共享开放与数据资产化.726.4 数据开放和共享现状.736.5 数据开放和共享面临的问题.756.6 数据开放和共享的资产化运营模式.78七、数据隐私与七、数据隐私与数据资产数据资产安全安全.907.1 数据资产保护现状.907.2 数据隐私安全技术现状.917.3 面临的隐私安全问题与挑战.927.4 解决方案与策略.95八、八、数据资产化创新案例数据资产化创新案例.99深圳数据交易所数据资产增信案例.99南方电网公司数据资产评估研究与实践.110数据

7、资产评估案例：河南 BF 公司智慧农业.116“云旗”平台助力数据要素资产化.123合肥“赋能金融”项目：以数赋能，为中小微企业提供“不断档”金融服务 129金蝶信心链数据资产金融化创新实践.135工商银行数据资产估值实践.145融合电力数据的工业企业营销价值评价模型.151数据资源计量计价评估系统全流程一体化方案.156陕西信用大数据智能服务平台.163九、数据资产化九、数据资产化趋势与趋势与展望展望.170趋势 1：数据资产化工具或将迎来快速发展，呈现一体化、智能化发展特点.1709趋势 2：数据资产化第三方服务亟待建立行业标准.170趋势 3：地方数据资产登记平台，成为支撑数据资产确权工

8、作的重要基础设施.171趋势 4：公共数据资产化将从公共数据资产登记、计价评估和授权运营等环节系统性推进.171趋势 5：企业数据资产管理体系建设加速.173趋势 6：数据资产入表将全面启动，数据资产列入资产类科目，有利于提升企业的数据价值，并提高金融机构信贷产品的创新力度.174趋势 7：数据资产评估的应用场景广泛，支持数据资产增信、出资、交易、质押融资、资产证券化等创新业务，在不同评估场景下，要注意对价值类型进行正确选择.175趋势 8：基于数据资产的金融服务将重点围绕提升金融服务水平、提高金融抗风险能力等方面展开.1761一、数据资产化发展概述1.1 背景在数字化、网络化和智能化快速发展

9、的背景下，数据已经成为新一轮科技革命和产业变革的核心要素，对于构建现代化经济体系具有至关重要的作用。特别是自 2019 年 10 月党的十九届四中全会首次将数据增列为新的生产要素以来，数据的重要性得到了前所未有的认可。2020 年 3 月，中共中央和国务院进一步印发关于构建更加完善的要素市场化配置体制机制的意见，明确将数据作为新型生产要素，强调其在生产、分配、流通、消费和社会服务管理等各环节的基础性作用。数据不仅是数字经济的核心引擎，也是现代社会治理的关键要素。为了保护数据安全和个人信息，中国政府出台了一系列相关法律和政策，包括数据安全法、个人信息保护法和网络安全法等，这些法律共同构成了数据治

10、理法律领域的“三驾马车”。此外，还有一系列配套政策如关键信息基础设施安全保护条例、网络安全审查办法和工业和信息化领域数据安全管理办法（试行）等，为数字经济的创新和发展提供了更为明确和全面的行为规范和约束标准。2022 年 12 月 2 日，中共中央和国务院进一步印发了关于构建数据基础制度更好发挥数据要素作用的意见（简称“数据二十条”），该政策不仅明确了数据产权、流通交易、收益分配和安全治理等方面的基础制度，还提出了“探索数据资产入表新模式”和“逐步完善数据产权界定、数据流通和交易等主要领域关键环节的政策及标准”。在这样的政策背景下，数据资产化作为数据要素价值实现的重要方式，其重要性日益凸显。特

11、别是在“十四五”时期，一系列支持性政策不仅持续完善了数字经济的顶层设计，也强力推动了数字技术和实体经济的深度融合，为经济发展增添了新的活力。数据流通作为数据资产市场循环体系的核心环节，其健康发展依赖于高效、公平的数据资产估值体系。由于数据要素具有虚拟性、低成本复制性、主体多元2性、非竞争性、非排他性和异质性等特点，这使得数据价值评估比其他传统生产要素更为复杂。为此，国内外多个标准化组织、财会领域组织和技术咨询服务企业都在积极探索和研究数据价值评估的新方法和体系。例如，财政部会计司在2023 年 8 月发布了企业数据资源相关会计处理暂行规定，中国资产评估协会在 2023 年 9 月发布了数据资产

12、评估指导意见。综上所述，数据作为新型生产要素，在数字经济和社会治理中的作用日益凸显。在一系列政策和法规的推动下，数据资产化、数据流通和数据价值评估等方面都取得了显著进展，为数字经济的健康发展和社会进步提供了有力的支撑。这些政策和实践不仅反映了数据在现代经济体系中的核心地位，也预示着数据将在未来发挥更加广泛和深远的影响。1.2 数据资产化的概念与内涵1.2.1 从数据价值化视角看数据资产化朱秀梅等1（2023）系统回顾和梳理数据价值化相关研究，认为数据价值化以数据资源化、数据资产化、数据商品化和数据资本化为核心阶段，从动态演化的新视角揭示了数据创造价值的过程。其中，数据资源化以提升数据质量为目标

13、，将杂乱无序的原始数据转换为有一定价值的数据资源；数据资产化以场景赋能为目标，通过数据分析、数据编排、数据治理等环节将数据资源转化为有明确使用场景、价值更高的数据资产；数据商品化以数据脱敏和封装为目标，通过数据打包、数据定价与数据交易，将数据资产转化为具备交易价值的数据商品；数据资本化以数据投融资为目标，通过数据资本运营和数据资本收益分配为手段，将数据商品锻造为具备金融属性的数据资本。王鹏和杨思萌2（2023）以商业银行为例，认为数据资产价值化的实现过程包括数据资源化、数据资产化和数据资本化三个阶段。其中，数据资源化的本质是提升数据质量，形成使用价值的过程；数据资产化的本质是形成数据交换价值，

14、初步实现数据价值的过程；数据资本化的本质是实现数据要素社会化配置的过程，1朱秀梅,林晓玥,王天东等.数据价值化：研究评述与展望 J.外国经济与管理,2023,45(12):3-17.DOI:10.16538/ki.fem.20230719.4012王鹏,杨思萌.银行数据资产价值实现路径 J.中国金融,2023,(24):73-74.3包括数据信贷融资、数据证券化和数据入股等。欧阳日辉3（2023）也认为数据资产化旨在最大化释放数据的经济价值，本质是形成和实现数据的交换价值。数据资产化就是将数据资源转化为数据资产的过程，也是数据通过流通交易给使用者或所有者带来经济利益的过程。数据资产表现出一定的

15、外部性、增值性和价值波动性。张楠和马治国4（2023）从数据的价值演进形态出发，基于数据“资源化资产化资本化”三重演进形态的系统分析，研究“数据资源数据资产数据资产证券化”的实践路径。作者认为，数据资产化进程既是企业通过实质性处理获取数据资产的过程，也是为数据控制者回报经济利益的过程，有助于激活数据资产价值，推动数据要素资本化进程。可见，数据资产化的目的是为数据资本化创造条件。1.2.2 从企业数字化转型的视角看数据资产化徐涛等5（2022）从企业微观视角，通过案例分析对企业数据资产化路径进行理论模型的构建。作者认为，数据资产化完整路径包括：阶段 1：数据战略、规制与组织架构；阶段 2：数据技

16、术、系统和平台；阶段 3：数据资产质量治理；阶段 4：数据资产的盘点与运营。其中，阶段 1-3 重在提升企业数据治理能力，这是企业实现数据资产化的重要基础；阶段 4 重在让数据资产可以与特定的应用场景结合，从而构建数据资产的商业模式，通过业务数据化（数据内循环）和数据业务化（数据外循环）开展数字化转型，减少成本、增加收入和控制风险，从而实现数据资产的价值。张一为6（2023）提出一套集团化企业数据资产运营体系，包括战略一体化、管理体系化、体系平台化、集约中台化、稽核定期化等内容。数据资产管理与运营的主要目的是将企业数据进行有序管理，提供决策依据，实现价值变现，并降3欧阳日辉.数据资产的金融属性

17、及其实现路径 J.科技中国,2023,(11):32-36.4张楠,马治国.数据资产证券化探索的法律困境与解决路径 J/OL.重庆大学学报(社会科学版),1-132024-01-11 http:/ J.外国经济与管理,2022,44(06):3-17.DOI:10.16538/ki.fem.20220408.4016张一为.集团化企业数据资产化与运营管理体系研究 J.互联网周刊,2023,(18):52-54.4低数据风险。海比研究院认为7，数据资产化可以划分为两个阶段，分别是数据资产形成阶段和数据资产管理与变现阶段。数据资产形成阶段则分为两个环节，分别是数据基础能力和业务数据化两个环节，主要

18、是以源数据建设、数据采集、数据分析与应用等为主，市场大部分最终用户都处于第一阶段，甚至较大比例最终用户处于数据基础能力建设环节。数据资产管理与变现阶段，则包括数据资产化和数据资产变现两个环节，包括数据全流程治理、数据分析、可视化、数据决策应用和数据营销变现等。1.2.3 从数据要素金融化视角看数据资产化实践中，数据要素金融化是数据资产化的重要方向，出现了数据增信、数据质押融资、数据资产证券化、数据入股、数据信托、数据保险、数据保理等不同基于数据资产的创新应用案例。资料来源：朱民，迎接数据资本大时代的到来，2024.01.王世强8（2023）认为金融化是数据要素价值化的重要衍生方向，有利于实现金

19、融与数据要素之间的有效关联，推动数据要素市场高效流通与高质量发展。但也面临数据要素金融化规制引导不足等问题，需要提升数据要素金融监管有效性，并引导数据交易创新，延展数据金融衍生品未来方向。7资料来源：2021 年中国数据资产化工具市场研究报告，海比研究院，2021.03.8王世强.数据要素金融化路径探讨 J.中国金融,2023,(07):62-63.5目前，数据要素金融化包括数据增信、数据质押融资、数据保理、数据入股等方向。数据增信方面，传统增信通过引入第三方机构为其担保，数据增信则以企业的数据资产价值以及运营产品的能力作为企业增加信用等级的手段之一，以帮助企业进一步增加可申请的贷款额度。数据

20、质押融资方面，企业将数据产品合约现有应收账款、数据产品合约未来应收帐款或数据资产质押给银行，以获得银行贷款。数据资产质押融资是在现有质押体系下的新模式。数据保理方面，企业将数据交易合约的应收账款转让给保理机构，以获得资金融通。基于数据产品合约多样的收费模式，给数据资产保理提供了更多可能。数据入股方面，企业将其合法拥有的数据资产作为一种投资资本，以换取另一家公司的股权，是数据作为新型生产要素，融入我国资本市场和经济价值创造体系的直观体现。数据资产授信流程方面，基于传统贷款流程，结合数据资产在权属认定和价值评估方面的特殊性，通过数据资产认定、数据资产评估、数据资产贷后管理等过程，完成数据资产的贷前

21、准备、贷中审查和贷后处置。（1）数据资产贷前准备与传统信贷流程相比，数据资产贷前准备有以下特殊工作：一是引入第三方服务机构（公证、律所）对数据资产进行合规审核，并形成审核意见书；二是结合数据交易所作相关数据产品的流通交易情况，对数据资产的定价、处置形成参考依据；三是引入第三方服务机构（资产评估机构等）对企业数据资产价值进行评估，并形成资产评估报告；四是通过引入第三方数据来源（如公共数据）、开展尽职调查等方式，辅助银行对企业状况进行审核。（2）数据资产认定1.由申请贷款的企业发起，将数据资产打包后提交第三方服务机构（公证机构、律师事务所等），第三方服务机构对申请方的数据资产进行权属和合规审核并出

22、具数据资产审核意见书（公证/法律意见书）。2.企业向银行提交数据资产贷款申请材料，包括但不限于数据资产登记信息、数据来源情况说明、数据交易授权书、知情同意相关佐证材料、数据合规承6诺声明等。（3）数据资产审查银行对企业提交的数据资产贷款申请材料进行审查，重点对数据权属、数据分级分类进行认定，对数据权属不清晰、涉及国家安全的数据资产予以驳回。数据权属重点关注数据资产授权链是否清晰。对于外采数据重点关注需提供明确的交易合同和授权链；对业务活动自行产生的数据或自行采集的数据，需提供清晰的数据来源说明，涉及个人数据的需有明确的个人授权。（4）数据资产上市企业可将通过审查的数据资产在数据交易所上市交易。

23、企业获取相关机关出具的数据资产审核意见书后，可以选择将数据资产以数据产品的形式上市数据交易所，数据交易所对企业申请上市的数据产品进行登记、审查，并对相关材料进行存档。（5）数据资产评估由银行委托第三方资产评估机构开展数据资产评估，评估结果作为贷款额度确认参考，贷款额度评估模型由银行和第三方机构共同确认。具体流程包括：1.选择数据资产评估方法与评估模型：结合数据资产特性，设计用于数据资产评估的评估方法与评估模型。评估方法包括成本法、收益法与市场法；评估模型基于不同评估方法，在确定相关重要参数设置基础上进行开发。2.数据质量评价：通过对数据完整性、数据准确性和数据有效性三方面设立约束规则，利用统计

24、分析数据是否满足约束规则完成量化。基于统计学的思想，数据质量为满足要求的数据在数据系统中的百分比。数据质量的评价办法由数据模块、规则模块和评价模块三者组成。3.资产评估机构出具数据资产评估报告：由第三方资产评估机构结合其他同类数据资产评估结果，基于评估指标体系和数据质量评价提供数据资产评估报告（包括数据资产质量评价报告和数据资产评估报告两部分），为银行贷款提供辅助参考。4.银行完成授信报告：银行将数据资产评估结果作为贷款额度的依据，最终授信额度确认，并形成授信报告。（6）数据资产尽职调查7通过引入第三方数据来源（如公共数据）、实地走访等形式开展尽职调查，辅助银行对企业状况进行审核。（7）数据资

25、产贷中审查审批在贷款调查、审查意见的基础上，按授权权限进行审批，决定贷与不贷，贷多贷少以及贷款方式、期限和利率。对于符合条件的企业，银行与其签订贷款合同并完成放款。（8）数据资产贷后管理与处置基于银行传统的贷后管理模式，主要在贷后检查环节新增对于企业“数据资产全生命周期”的监督管理：一是对数据资产采集、保存、应用和销毁等数据资产全生命周期环节进行日常监控与贷后检查；二是通过数据交易所、贷款企业及关联企业等渠道对数据资产进行日常监控；三是对贷款企业数据资产的质量、完整性、应用价值以及权属转换情况进行持续监查管理。日常监控日常监控通过数据交易所、贷款企业及关联企业等渠道对数据资产进行日常监控。1.

26、监控贷款额度使用情况和贷款投向。2.跟踪企业账户往来及利息清偿情况。3.监控数据资产的权属变更、权利限制、价值变动等情况。贷后检查贷后检查全面跟踪检查借款人、抵(质)押物等相关因素：1.检查企业经营状况：相关国家产业、税收政策及外部经济环境、生产经营活动及生产计划、财务状况等。2.检查企业内部管理：经营方针及经营策略、法定代表人及其他核心管理人员组成等。3.检查抵(质)押物：抵(质)押物完好程度、变现能力以及状态。4.检查融资及还款能力：企业资金使用、现金流量还本付息能力及落实还款计划情况、借款人关联企业。5.检查数据资产生命周期：数据资产盘点情况数据资产质量变动、应用价值变动以及权属变更等情

27、况进行持续管理。贷后评估与预警报告贷后评估与预警报告8评价贷款风险，完成贷后检查报告，并反馈影响贷款安全的预警信号。贷款风险评价主要包括对借款人的信用评估、还款能力分析、贷款用途及还款来源的审查等。在评价贷款风险时，银行需要运用综合分析方法，全面了解借款人的财务状况、信用记录、经营状况和市场环境等因素，以确定贷款的安全性和可行性。在完成贷后检查报告时，银行应详细记录检查过程、检查结果以及相关风险防控措施，以确保贷款安全。一旦发现预警信号，银行应立即启动风险防控措施，包括但不限于加强与借款人的沟通、调整贷款利率、增加贷款担保等，以确保贷款安全。风险资产处置风险资产处置制定并调整风控措施和策略，对

28、风险资产进行及时处置。可行的模式包括：1.银行自用：银行获取数据持有权、使用权及经营权，基于同类企业数据资产进行融合计算，赋能其他业务。2.通过数据交易市场交易回笼资金：银行与数据交易所合作，通过数据交易所出售数据资产并直接将收入划拨银行作为还款来源。3.数据资产拍卖：由企业通过拍卖等形式将数据资产转让第三方使用，产生的收益作为还款来源。1.2.4 从会计核算的视角看数据资产化2024 年 1 月 1 日，企业数据资源相关会计处理暂行规定正式施行，数据资源将作为资产在企业的会计和财务报告中确认、计量、报告和披露。数据资产化在会计核算视角下具有特定的意义，是指将数据资源在企业资产负债表列示或报表

29、附注披露的数据资产确认过程，相关数据资源需要符合会计意义上的资产定义或达到无形资产、存货的确认条件。在中国数字经济的快速发展背景下，数据资产化已逐渐成为政府、企业和学术界关注的焦点。尤其是在财政部发布的 企业数据资源相关会计处理暂行规定之后，数据资产化在中国得到了前所未有的重视。该政策文件不仅为数据资产的会计处理提供了明确的指导，而且进一步确立了数据作为一种资产的法律地位和经济价值。该政策文件作为一个具有里程碑意义的政策，明确了数据资源的权属、评估和管理机制。该规定详细描述了如何将数据资源纳入企业的财务报表，以及9如何对数据资源进行合规和有效的管理。这一政策的出台，无疑为数据资产化在中国提供了

30、坚实的法律和制度基础。在企业数据资源相关会计处理暂行规定的指导和推动下，数据资产化不仅获得了明确的法律和制度支持，其在推动数字经济发展和促进社会进步方面的重要性也得到了广泛的认可。因此，数据资产化已经成为一个跨越法律、经济和社会多个层面的复杂但至关重要的议题。这一关系不仅体现了数据资产化在法律和制度层面的重要性，也强调了其在推动数字经济发展和促进社会进步方面的关键作用。1.2.5 数据资产化概念对比本书将上述不同视角下数据资产和数据资产化的定义进行了对比分析，发现不同视角都仅反映了数据资产化的部分特点。比如，数据价值化视角下，数据资产化更多强调数据从使用价值向交换价值的转变；数字化转型视角下，

31、数据资产化更强调数据对业务场景的赋能；数据要素金融化视角下，数据资产化更强调数据产品的金融变现；会计核算视角下，数据资产化更强调在实施过程中考虑数据资源入表所需的计量需求和信息披露需求。通过不同视角解读数据资产化，有利于综合把握数据资产的特点和数据资产化的路径。表 1：数据资产与数据资产化的不同定义数据资产定义数据资产定义数据资产化定义数据资产化定义关键链路关键链路数据价值化视角数据价值化视角由组织（政府机构、企事业单位等）合法拥有或控制的数据，以电子或其他方式记录，例如文本、图像、语音、视频、网页、数据库、传感信号等结构化或非结构化数据，可进行计量或交易，能直接或间接带来经济效益和社会效将数

32、据资源转化为数据资产的过程,本质是形成和实现数据的交换价值数据从使用价值向交换价值转变10益9企业数字化转型企业数字化转型视角视角业务数据化和数据业务化过程中形成的，经过数据治理和场景化应用的有效数据资源通过业务数据化和数据业务化开展数字化转型，实现数据资产价值数据应用场景赋能业务数据化和数据业务化数据要素金融化数据要素金融化视角视角具备金融化价值的数据资源将企业所积累的数据资源转化为具有价值和可交易性的数据资产的过程以 数 据 产 品 为 载体，通过数据要素金融化带来资产价值变现会计核算视角会计核算视角特定主体合法拥有或者控制的，能进行货币计量的，且能带来直接或者间接经济利益的数据资源将数据

33、资源在企业资产负债表列示或报表附注披露的数据资产确认过程符合会计意义上的资产定义或达到无形资产、存货的确认条件资料来源：自行整理1.2.6 本报告观点：数据资产化的“A-M-O”模型本报告认为，数据资产化是指企业数据资产的形成过程，包括数据资产获取（DataAsset Acquisition）、数据资产管理（Data Asset Management）和数据资产运营（Data Asset Operation）三个阶段。从数据资源到数据资产的过程中，一个核心变化在于，数据资源经过算力和算法的加工，形成了数据产品，进而为数据形成资产奠定基础。数据产品和数据资产之间最大的区别在于，数据产品是企业内部

34、的，而数据资产的价值要被社会所认可。如何让社会认可企业数据产品价值，那么就必须要在公开的市场上有相应的交易记录和资产运营记录。在“A-M-O”模型下，数据资产化的定义和范畴也变得更加明确。具体而言，数据资产化不仅是一种涉及数据收集、存储、分析和应用的技术和管理过程，而且是一种涵盖数据权属明确、价值评估和资源管理的综合性活动。这一定义不仅综合了政府政策、学术研究和企业实践，还特别强调了数据资产化在法律和制度9数据资产管理实践白皮书（6.0 版），大数据技术标准推进委员会，2023 年 1 月11层面的重要性。进一步来看，数据资源、数据资产和数据资产化三者之间存在着密切而复杂的关系。数据资源是数据

35、资产和数据资产化的基础，通常指的是通过各种方式收集和存储的原始数据。数据资产则是数据资源经过一系列处理和管理后，具有明确经济价值和应用场景的数据。最后，数据资产化是一个更为复杂和全面的概念，它不仅涉及到数据资源和数据资产的管理和应用，还涉及到如何最大化数据资产的经济价值和社会效益。通过有效的数据资产化，企业不仅可以提高自身的竞争力，还能为整个数字经济的健康和可持续发展做出贡献。更为重要的是，数据资产化也为数据资源的合规使用和有效管理提供了有力的保障。12二、数据资产化发展的总体趋势2.1 国际趋势2.1.1 美国：对公共数据资产管理开展全面部署越来越多的国家充分认识到数据资产的价值，纷纷制定了

36、加强数据资产管理的战略举措。在全球范围内，美国是行业数据资产化的先驱，特别是在智能网联汽车领域。2020 年版的智能交通系统战略规划中，美国已经制定了全面的部署和政策框架，旨在促进可靠交通数据的交易。这一举措不仅推动了数据资产化的进程，也为智能网联汽车行业的发展提供了强有力的支持。通过这种方式，美国希望能够进一步优化交通系统，提高道路安全性，减少交通拥堵，并为未来的交通出行提供更多便利。美国国内拥有发达的信息产业和庞大的数字经济体量，依托先天条件优势，数据要素的流通和交易市场蓬勃发展，美国从产业利益出发，坚持以市场为主导、以行业自律为主要手段，对个人数据持积极利用的态度。数据跨境保护方面，美国

37、早在二十世纪初与欧洲签署个人信息跨国流通安全港协议，该协议后在 Facebook 隐私保护诉讼案后宣布无效，此后重新制定了数据传输协议隐私盾协议，但在 2020 年被裁定无效。2018 年美国国会发布CLOUD 法案，即澄清域外合法使用数据法（Clarifying Lawful Overseas Useof DataAct），规定数据管辖权应由数据控制者掌握，与存储地无关，即只要是在美国实际开展业务的公司，无论数据存储在何处，都属于美国管辖，同时美国的数据，只有符合特定条件的外国政府经美国同意后才能调取，该法案为国外机构调取美国国内数据和美国国内机构调取国外数据提供了合法性依据。美国国家安全和

38、个人数据保护法案 2019（NSPDPA，尚未生效）对于美国用户数据出境做出了明确限制，要求禁止与法案定义的关注国进行“数据传输”或“数据储存”活动。加州、华盛顿州、弗吉尼亚州、科罗拉多州等陆续发布地方性隐私法案，赋予消费者对其个人信息的控制权，规范了企业收集、使用、转让消费者个人信息的行为。2023 年 1 月，加利福尼亚消费者隐私法的修正案，确立了新的13数据隐私权，对企业和服务提供商施加了新的义务和责任，并宣布将创建了一个独立的数据监管机构。数字战略方面，自 2019 年起，美国先后发布联邦数据战略与 2020 年行动计划和数字合作战略（2020-2024）。前者确立了数据共享、数据安全

39、、数据使用三类四十余项具体的数据管理实践规范；后者宣称对外援助发展中国家数字发展，实际则意图渗透美国数字思维和数字发展理念至其他国家的数字发展规划布局中。2.1.2 欧洲：强调对数据权利的保护欧洲是世界上对隐私保护最为严格的地区。一直以来，欧盟重视数据安全体系化工作部署，并最先进行了各类举措和布局。2016 年 4 月 14 日，欧盟议会通过了通用数据保护条例（General Data Protection Regulations）（“GDPR”），于 2018 年 5 月 25 日在欧盟成员国内正式生效实施，GDPR 被称为“史上最严隐私法案”。2018 年 11 月 14 日，欧洲议会和欧

40、盟理事会共同颁布非个人数据自由流动条例（简称条例），并于 2019 年 5 月 28 日正式实施，条例旨在统一有关非个人数据的自由流动规则，与已经实施生效的 GDPR 形成数据治理的统一框架，以此平衡个人数据保护、数据安全，推进欧盟在单一数字市场战略下打造富有竞争力的数字经济。2019 年欧盟通过的开放数据指令旨在推进欧洲地区可重用数据的跨境使用。2020 年 6 月 30 日，欧洲数据保护监管局（EDPS）发布欧洲数据保护监管局战略计划（2020-2024）：塑造更安全的数字未来（EDPS Strategy 2020-2024：Shaping a Safer Digital Future），

41、旨在塑造一个更安全，更公平，更可持续的数字欧洲。战略指出，欧盟将积极关注数据处理实践和技术发展，提出数据保护措施，整合数据保护网络。2022 年 2 月欧盟公布关于公平获取和使用数据的统一规则（草案），确保在数据经济的行为者之间能够公平分配数据的价值，并促进对数据的访问和使用，该草案的公布意味着欧盟在促进数据要素的公平化发展方面走在前列。欧盟通过立法先行，通过制定领先的数据要素治理规则推动数据要素市场的建立和发展。在探索数据要素流通模式方面，欧盟沿用了工业经济时代的知识产权保护的做法，但目前看来，这种做法无法应对数字经济时代数据要素流通中出14现的很多问题。2.1.3 新加坡：强化数字治理新加

42、坡通过实施“智慧国家”（Smart Nation）战略，推动其国内信息基础设施的现代化发展，扩大电信业的投资与推动数据中心的建设。建立完善的个人信息保护制度和相应的监管框架，监管体系重点包括设置主管部门、划分责任边界、设定跨境流动条件、开展国际协调、明确基础设施要求等方面。构建完善、系统的数据跨境流动管理规则，有助于实现全球数据向新加坡汇聚和流动，打造成为数据融合的重要中心节点城市。2.2 国内形势2.2.1 围绕数据资产化，开展创新试点工作我国数据资产化政策的部署和交易模式的创新处在世界靠前的位置。2019年 10 月，党的十九届四中全会提出“健全劳动、资本、土地、知识、技术、管理、数据等生

43、产要素由市场评价贡献、按贡献决定报酬的机制”，这是中央文件首次将数据确立为一种生产要素。2020 年 4 月，中共中央、国务院发布关于构建更加完善的要素市场化配置体制机制的意见，其中强调要加快培育数据要素市场，提出推进政府数据开发共享、提升社会数据资源价值、加强数据资源整合和安全保护，这为推进数据要素市场化改革指明了方向。同年 11 月，中共中央关于制定国民经济和社会发展第十四个五年规划和二三五年远景目标的建议中对数据资源开发利用、要素市场培育发展提出了新的战略要求，要加快数字化发展，提出“建立数据资源产权、交易流通、跨境传输和安全保护等基础制度和标准规范，推动数据资源开发利用”。2021 年

44、 1 月，中共中央办公厅、国务院办公厅印发建设高标准市场体系行动方案中进一步提出要加快培育发展数据要素市场。2021 年 9 月，中共中央国务院印发横琴粤澳深度合作区建设总体方案提出促进国际互联网数据跨境安全有序流动，在国家数据跨境传输安全管理制度框架下，开展数据跨境传输安全管理试点，研究建设固网接入国际互联网的绿色通道，探索形成既能便利数据流动又能保障安全的机制，支持珠海、15澳门相关高校、科研机构在确保个人信息和重要数据安全前提下，实现科学研究数据跨境互联互通，为数据跨境发展给出了思路。2021 年 10 月中共中央国务院印发国家标准化发展纲要，提出建立数据资源产权、交易流通、跨境传输和安

45、全保护等标准规范，推动平台经济、共享经济标准化建设，支撑数字经济发展。2022 年 1 月，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 提出探索建立数据要素流通规则，完善公共数据开放共享机制，探索“原始数据不出域、数据可用不可见”的交易方式，在保护个人隐私和确保数据安全的前提下，分级分类、分步有序推动部分领域数据流通应用。各省市政府积极响应国家政策，纷纷出台一系列政策条例。北京、上海、江苏、广东等地纷纷成立大数据交易中心，积极推进数据交易，规范数据交易行为，探索数据交易新机制。2022 年 1 月，国务院印发“十四五”数字经济发展规划，对充分发挥数据要素作用作出重点部署，提出

46、要强化高质量数据要素供给，加快数据要素市场化流通，创新数据要素开发利用机制，加快数字化发展，建设数字中国。同年 3 月发布的关于加快建设全国统一大市场的意见中提到加快培育统一的技术和数据市场，加快培育数据要素市场，建立健全数据安全、权利保护、跨境传输管理、交易流通、开放共享、安全认证等基础制度和标准规范，深入开展数据资源调查，推动数据资源开发利用。同年 7 月国务院办公厅关于同意建立数字经济发展部际联席会议制度的函，为加强统筹协调，不断做强做优做大我国数字经济，国务院同意建立由国家发展改革委牵头的数字经济发展部际联席会议制度。同年 12 月，中共中央国务院关于构建数据基础制度更好发挥数据要素作

47、用的意见（简称“数据二十条”）对外发布，系统性布局了数据基础制度体系的“四梁八柱”，加速了数据流通交易和数据要素市场发展。“数据二十条”提出“统筹构建规范高效的数据交易场所”，“鼓励各类数据商进场交易”，“推动个人信息匿名化处理，保障使用个人信息数据时的信息安全和个人隐私”。“数据二十条”鼓励公共数据在保护个人隐私和确保公共安全的前提下，按照“原始数据不出域、数据可用不可见”的要求，以模型、核验等产品和服务的形式向社会提供。2023 年 2 月，中共中央、国务院印发了数字中国建设整体布局规划，指出建设数字中国是数字时代推进中国式现代化的重要引擎，是构筑国家竞争新优势的有力支撑，加快数字中国建设

48、，至关重要。16王鹏（2023）10指出，我国数据资产化呈现地方先行先试、规则标准不断健全等特点。地方先行先试方面，数据资产化的推动将从地方先行先试开始，通过试点和实践，总结经验并形成可复制的模式，进而在更大范围内推广和应用，为全国范围的数据资产化提供示范效应和政策探索的先导。规则标准不断健全方面，随着数据资产化的发展，相关的规则体系、法律法规体系和标准规范体系正在逐步建立和完善。这些规则和标准涉及数据安全、市场化建设、公平交易等方面，为数据资产化提供了指导和保障。2.2.2 数据资产化进程存在明显行业差异各行业在数据资产化方面的能力分布存在着明显的差异。软件与信息技术、工业制造、医疗保健、教

49、育等传统行业在数据资产化方面刚刚起步。这些行业对数据资产化的认识不足，缺乏推进的动力，目前的数据资产化活动主要局限于大数据平台的建设，尚未建立起专业化的数据资产管理团队。在这些领域，数据管理的工作重点在于核心业务的数据标准化和质量控制。相比之下，金融、互联网、通信、电力和零售等行业因较早感受到数据带来的优势，不断推动业务线上化，对数据资产化的理解和重视程度更高。这些行业已经逐步设立了专门的数据资产管理机构，加强技术创新和应用，积极进行数据分析和数据服务。进一步，可以从数据资产的存量和质量两个方面进行分析。从数据资产的存量看，数据经过采集、清洗、存储、加工等各环节，不断积累价值形成数据资本11（

50、刘涛雄等，2023）。基于数据价值链理论，刘涛雄等（2023）对我国数据资产的存量进行了测算，发现 20032020 年间，我国数据资本形成额、数据资本存量在总量和人均上均实现大幅度增长，增速明显快于 GDP 增速；2011 年后，数据资本对经济增长的产出弹性和对经济增长率的贡献均明显超过之前阶段，已成为中国经济增长重要动能之一。分行业看，2020 年我国数据资产存量最高的 10 个行业分别为：信息传输、软件和信息技术服务业；公共管理和社会组织；金融保险业；交通运输仓储和邮电通信业；科学研究和综合技术服10王鹏，多元创新，试点推进国内数据资产化相关改革综述，第一财经，2023.11.14.11

51、资料来源：刘涛雄,戎珂,张亚迪.数据资本估算及对中国经济增长的贡献基于数据价值链的视角J.中国社会科学,2023,(10):44-64+205.17务业；制造业；电力、煤气及水的生产与供应业；教育；批发零售贸易和餐饮业；卫生、社会保障和社会福利业。对比我国 2003 年和 2020 年数据资产行业分布，公共管理和社会组织的数据资本形成额始终排名靠前，从 2003 年的 585.30 亿元排名第一至 2020 年的 7372.81 亿元排名第二，增加至近 12 倍。同时，尽管 2003年和 2020 年排名前十的行业中有九个行业相同，但部分行业的排名发生了较大的变化。其中信息传输、软件和信息技术

52、服务行业在 2003 年的数据资本形成额仅为 354.22 亿元，排名第五，在 2020 年则已排名第一，达到 9006.60 亿元。从数据资产的质量看，根据中国电子信息行业联合会依据 DCMM 评估标准进行的行业数据分析，通信、电力和银行在数据资产化方面领先，而软件与信息技术、制造业等行业仍有较大的发展潜力。2.3 发展机遇2.3.1 千亿级数据要素产业或迎快速发展数据要素是数字经济的核心引擎，是实现数字产业化和产业数字化的关键。一方面，通过海量数据要素能够打造出数字产品制造业、服务业、应用业等新经济增长点，另一方面，数据要素与其他生产要素的结合能够提升其他生产要素的匹配效率、推动产业数字化

53、水平提升。根据国家工信安全中心中国数据要素市场发展报告（2021-2022）中的测算，2021 年数据要素相关产业市场规模达 815亿元。未来随着数字经济整体规模的快速增长，数据要素市场有望继续保持高增长态势，预计 2025 年市场规模有望接近 2000 亿元，4 年 CAGR 达 25%。2.3.2 数据要素资源化与资产化是数据产业发展破题关键数据资源化是数据产生价值的基础。数据资源化环节首先要对个人、企业、政府进行数据采集，并在此基础上进行数据整理与聚合，并对数据进行分析，使数据要素转变为可使用资源。数据价值化使数据实现交易流通。数据价值化主要涉及登记、确权、定价等流程。处理后的数据资源首

54、先需要通过确权来提供规章性的保护，随后在数据交易平台市场通过供需关系确定价格并实现流通，在此过程中，第三方数据服务商为客户提供相应数据资源的应用服务，从而完成数据价18值变现。2.3.3 数据要素的“顶层设计”已初步形成数据要素市场构建是一项系统而繁琐的工程，我国数据要素市场的快速建立和发展离不开政策层面的强力支持。从顶层设计来看，中华人民共和国国民经济和社会发展第十四个五年规划和 2035 年远景目标纲要“十四五”数字经济发展规划“十四五”大数据产业发展规划等规划的制定，明确了中长期推动数字经济的指导思想、发展目标及其核心任务，提出全力支持要素市场化配置工作，提高市场效率；从培育数据要素市场

55、不断完善和细化市场规则来看，关于构建数据基础制度更好发挥数据要素作用的意见 要素市场化配置综合改革试点总体方案关于加快建设全国统一大市场的意见关于构建数据基础制度更好发挥数据要素作用的意见等要素市场专项文件，为探索新型生产要素市场建立和激发数据要素活力提供了有效政策指导。近年来，我国高度重视数据要素安全治理，大力推动数据要素市场发展。2022年 1 月，国务院发布“十四五”数字经济发展规划，对充分发挥数据要素价值作出重要部署，形成了数据要素市场的顶层设计和方向性指引；4 月，国务院印发关于加快建设全国统一大市场的意见，进一步明确加快培育数据要素市场，建立健全数据基础制度和标准规范；6 月，关于

56、构建数据基础制度更好发挥数据要素作用的意见出台，确立了数据要素市场的四大原则体系：“数据产权、流通交易、收益分配、安全治理”，标志着我国数据要素基础制度顶层设计开始启动；2023 年 12 月，“数据二十条”出台，构建了数据产权、流通交易、收益分配、安全治理等 4 项制度，共计 20 条政策措施，初步形成了我国数据基础制度的“四梁八柱”。这一系列战略部署表明，数据已上升为国家基础性战略资源，标志着我国数据要素的基本政策基本形成，也开启了市场从无序自发进入有序规范的正式探索，有望加快数据要素市场的全面建设。2.3.4 各地数据要素发展情况自数据增列为新的生产要素以来，全国各地都在积极探索数据要素

57、资产化的政策道路，建立健全数据要素存储加工、流通交易、应用、收益分配机制。以广19东、深圳、上海、四川、德阳出台数据要素资产化政策为例，广东省数据要素市场化配置改革行动方案创新规划两级数据要素市场体系，包括一方面构建以行政机制为主对公共数据进行运营管理的一级市场，以及以市场竞争机制为主的数据交易二级市场。深圳经济特区数据条例注重数据要素市场培育，明确市场主体对其合法处理数据形成的数据产品和服务享有财产权益。上海市数据条例聚焦数据权益保护、流通利用、安全管理三大环节，结合数字经济相关市场主体的发展瓶颈，在满足安全要求的前提下，促进数据流通和开发利用、赋能数字经济和社会发展。四川省发布四川省数据条

58、例，提出省数据管理机构应当会同相关部门建立公共数据授权运营机制，制定公共数据授权运营管理办法，报省人民政府批准后实施。数据管理机构应当根据公共数据授权运营管理办法对授权运营单位实施日常监督管理。德阳市携手中国电子共同实施数据治理工程，在全国率先构建“1+4+N”数据要素基础制度，形成以德阳市数据要素市场化配置改革行动计划为总领，组织体系、要素培育、交易流通、安全监管等 4 项制度为主梁，25 个配套文件为支撑的制度体系。2.3.5 数据交易所如“雨后春笋”涌出当前我国数据要素交易主要分为场内交易和场外交易两种方式，其中场内交易主要在各地数据交易所进行。据中国信通院数据要素市场研究团队在 202

59、3 年数博会上发布的数据价值化与数据要素市场发展报告（2023 年），我国数据流通交易仍以场外交易为主，但场内交易加速推进。根据最新数据，当前我国实际运营中的数据交易所总共 26 家，筹建中的有 6 家。场内交易的加速主要得益于政策推动下全国主要经济大省对于培育本地为主辐射全国的场内数据要素市场的重视。2021 年北京国际大数据交易所、上海数据交易所也陆续揭牌成立，到 2022 年下半年，苏州大数据交易所、广州数据交易所以及深圳数据交易所也先后揭牌，各大交易所推动数据交易模式加快探索、数据交易市场加快培育、数据要素价值加快转化、进一步促进数据要素资产化道路。2.3.6 公共数据开放共享不断推进

60、目前在构建开放共享的数据资源体系方面，各地方已经逐步创新数据管理机20制，深化数据高效共享，促进数据有序开发利用，充分释放数据要素价值。在构建智能集约的平台支撑体系方面，整合构建结构合理、智能集约的平台支撑体系，强化政务云平台、网络平台及重点共性应用支撑能力，全面夯实数字政府建设根基。在以数字政府建设全面引领驱动数字化发展方面，通过持续增强数字政府效能，更好激发数字经济活力，优化数字社会环境，营造良好数字生态。与此同时，数据要在具体的场景应用中发挥价值，模型是其中的重要途径。“数据二十条”中也提到，公共数据资产以模型、核验等产品和服务形式向社会提供的鼓励解决路径。因此公共数据资产化的合规监管，

61、离不开模型的评估、监管与风险控制。2.3.7企业数据资源相关会计处理暂行规定开启企业数据资产入表2023 年 8 月 21 日，财政部制定印发了企业数据资源相关会计处理暂行规定（以下简称暂行规定），自 2024 年 1 月 1 日起施行。暂行规定有效回应了近年来企业关注的“数据资源是否可以作为资产确认、作为哪类资产确认和计量以及如何进行相关信息披露等相关会计问题”。一是暂行规定不涉及对现有会计准则的突破，进一步体现了会计的谨慎性原则。根据答记者问中的相关表述，暂行规定是“明确企业数据资源适用于现行企业会计准则，不改变现行准则的会计确认计量要求”，并是对“现行企业会计准则体系下的细化规范，在会计

62、确认计量方面与现行无形资产、存货、收入等相关准则是一致的，不属于国家统一的会计制度要求变更会计政策”。相较于征求意见稿阶段，暂行规定进一步体现了会计的谨慎性原则，删去了征求意见稿中“发挥数据要素价值”、征求意见稿起草说明中“合理反映数据要素价值”等表述，避免了“数据要素”这一经济学概念对会计学意义上“数据资源”（由“信息资源”衍生而来）的干扰，更加聚焦企业数据资源的会计处理过程。二是暂行规定修改了数据资产入表的业务模型，进一步细化了不同业务模式下的会计处理。在征求意见稿阶段，数据资产入表的业务模型主要集中在“数据交易双方如何进行会计处理”，采用“二分法”分为“企业内部使用的数据资源相关会计处理

63、”和“企业对外交易的数据资源相关会计处理”。在暂21行规定中，则是根据企业使用、对外提供服务、日常持有以备出售等不同业务模式，明确相关会计处理适用的具体准则，并进一步明确了不满足资产确认条件而未予确认的数据资源的相关会计处理。三是暂行规定增加数据资源在企业资产负债表中的列示，进一步明确了“表内确认”要求。关于数据资产入表一直有“表内确认观”和“表外披露观”等不同观点。“表内确认观”又分为数据资源作为单独会计科目核算和放入已有会计科目核算的不同路径；“表外披露观”则主张在管理层分析与讨论或报表附注中披露数据资源。征求意见稿中对数据资源仅有在会计报表附录中进行披露的要求，一定程度上体现了“表外确认

64、观”的思路。暂行规定则明确了企业数据资源在资产负债表中的相关列示，进一步明确了数据资源要基于既有会计科目进行“表内确认”的要求。暂行规定要求，企业在编制资产负债表时，应当根据重要性原则并结合本企业的实际情况，在“存货”项目下增设“其中：22数据资源”项目，反映资产负债表日确认为存货的数据资源的期末账面价值；在“无形资产”项目下增设“其中：数据资源”项目，反映资产负债表日确认为无形资产的数据资源的期末账面价值；在“开发支出”项目下增设“其中：数据资源”项目，反映资产负债表日正在进行数据资源研究开发项目满足资本化条件的支出金额。四是暂行规定创新采取“强制披露加自愿披露”方式，对企业财务报表具有重要

65、影响的数据资源相关信息进行强制披露，同时对有利于增强企业财务报表可理解性的数据资源相关信息进行自愿性披露，进一步强化数据资源相关信息披露。暂行规定围绕各方的信息需求重点，一方面细化会计准则要求披露的信息，另一方面鼓励引导企业持续加强自愿披露，向利益相关方提供更多与发挥数据资源价值有关的信息，兼顾信息需求、成本效益和商业秘密保护。对企业财务报表具有重要影响的数据资源相关信息进行强制披露，如数据资源无形资产使用寿命的估计情况及摊销方法、数据资源存货可变现净值的确定依据等；对有利于增强企业财务报表可理解性的数据资源相关信息进行自愿性披露，如数据资源的应用场景或业务模式、对企业创造价值的影响方式，与数

66、据资源应用场景相关的宏观经济和行业领域前景等。五是暂行规定将自 2024 年 1 月 1 日起施行，企业应当采用未来适用法应用规定。根据暂行规定，企业对可比期间的信息不予追溯调整，如在规定施行前已费用化计入当期损益的数据资源相关支出不再调整，即不应将前期已经费用化的数据资源重新资本化。企业在贯彻实施暂行规定时需要注意下列事项：一是正确做好前后衔接。暂行规定是在现行企业会计准则体系下的细化规范，在会计确认计量方面与现行无形资产、存货、收入等相关准则是一致的，不属于国家统一的会计制度要求变更会计政策。同时，暂行规定要求采用未来适用法应用本规定，企业在本规定施行前已费用化计入当期损益的数据资源相关支

67、出不再调整，即不应将前期已经费用化的数据资源重新资本化。二是严格执行企业会计准则。暂行规定执行后，相关企业报表将得到改善。原来相关会计活动计入期间费用影响当期损益，现在可以计入资产，改善资产负债率，减少投入期对利润的影响，改善利润率。但是，企业应当严格按照企23业会计准则关于相关资产的定义和确认条件、无形资产研究开发支出的资本化条件等规定以及暂行规定的有关要求，结合企业数据资源的实际情况和业务实质，综合所有相关事实和情况，合理作出职业判断并进行会计处理。三是积极加强信息披露。企业应当充分认识提供有关信息对帮助更好理解财务报表、揭示数据资源价值的重要意义，主动按照企业会计准则和暂行规定的披露要求

68、，持续加强对数据资源的应用场景或业务模式、原始数据类型来源、加工维护和安全保护情况、涉及的重大交易事项、相关权利失效和受限等相关信息的自愿披露，以全面地反映数据资源对企业财务状况、经营成果等的影响。2.3.8关于加强数据资产管理的指导意见强调公共数据资产管理为深入贯彻落实党中央决策部署，规范和加强数据资产管理，更好推动数字经济发展，财政部制定印发了关于加强数据资产管理的指导意见（以下简称指导意见）。与之前出台的企业数据资源相关会计处理暂行规定（以下简称暂行规定）数据资产评估指导意见相比，指导意见在对全口径数据资产作出共性指导的基础上，有侧重地针对公共数据资产管理作出单独规范要求，很大程度上回应

69、了公共数据资产管理难以适用暂行规定的社会关切，进一步完善了全口径数据资产管理制度。从出台背景看，指导意见 直面数据资产管理过程中高质量供给明显不足、合规化使用路径不清晰、应用赋能增值不充分等难点，通过出台指导性文件对数据资产管理进行引导规范，进一步创新数据资产管理方式方法，严防数据资产应用风险，更好促进数字经济高质量发展。从总体要求看，指导意见以构建“市场主导、政府引导、多方共建”的数据资产治理模式为目标，以推动数据资产合规高效流通使用为主线，推动数据资产合规化、标准化、增值化发展。从主要任务看，指导意见围绕如何加强数据资产全流程管理部署了 12项主要任务。这 12 项任务分别都对数据资产管理

70、提出了相关共性要求，并针对公共数据资产管理做出单独规范（见表 1）。一方面，指导意见从明晰权责关系、完善标准建设、加强使用管理、健全价值评估、畅通收益分配、规范销毁处置、完善披露报告等方面明确了数据资产管理的主要内容；另一方面，指导24意见针对数据资产可复制、非排他、边际报酬递增等特性，将数据资产开发利用、更新维护、授权运营、完善定价、过程监测、应急管理等要求，嵌入数据资产管理全流程。从制度创新看，指导意见明确了公共数据资产的定义，系“公共管理和服务机构依法履职或提供公共服务过程中持有或控制的，预期能够产生管理服务潜力或带来经济利益流入的公共数据资源”，并明确可以通过登记数据资产卡片的方式确认

71、公共数据资产。指导意见还进一步明确了公共数据资产卡片应该记载公共数据资产的基本信息、权利信息、使用信息和管理信息，为各地探索开展公共数据资产登记、授权运营、价值评估和流通增值等工作提供了重要依据。从风险防范看，指导意见提出要有效识别和管控数据资产化、数据资产资本化以及证券化的潜在风险，推动形成权责清晰、过程透明、风险可控的数据资产开发利用机制。指导意见特别提出，公共数据资产向区域或国家级大数据平台和交易平台汇聚，数据资产交易平台通过对交易流通情况进行实时更新并定期进行信息披露，可以促进交易市场公开透明，是避免公共数据资产价值失真的有效手段。表 指导意见主要内容一览指导意见中提到的主要指导意见中

72、提到的主要任务任务数据资产的共性要求数据资产的共性要求针对公共数据资产的单独针对公共数据资产的单独规范规范依法合规管理数据资产依法合规管理数据资产保护各类主体在依法收集、生成、存储、管理数据资产过程中的相关权益。1.鼓励公共管理和服务机构将其依法履职或提供公共服务过程中持有或控制的，预期能够产生管理服务潜力或带来经济利益流入的公共数据资源，作为公共数据资产纳入资产管理范畴。2.组织梳理统计本系统、本行业符合数据资产范围和确认要求的公共数据资产目录清单，登记数据资产卡25片，暂不具备确认登记条件的可先纳入资产备查簿。明晰数据资产权责关系明晰数据资产权责关系落实数据资源持有权、数据加工使用权和数据

73、产品经营权权利分置要求，加快构建分类科学的数据资产产权体系。探索开展公共数据资产权益在特定领域和经营主体范围内入股、质押等。完善数据资产相关标准完善数据资产相关标准推动技术、安全、质量、分类、价值评估、管理运营等数据资产相关标准建设。公共管理和服务机构应配套建立公共数据资产卡片，明确公共数据资产基本信息、权利信息、使用信息、管理信息等。在对外授予数据资产加工使用权、数据产品经营权时，在本单位资产卡片中对授权进行登记标识，在不影响本单位继续持有或控制数据资产的前提下，可不减少或不核销本单位数据资产。加强数据资产使用管理加强数据资产使用管理鼓励数据资产持有主体提升数据资产数字化管理能力，对所持有或

74、控制的数据资产定期更新维护。公共管理和服务机构要按照有关规定对授权运营的公共数据资产使用情况等重要信息进行更新维护。稳妥推动数据资产开发利用稳妥推动数据资产开发利用推进形成权责清晰、过程透明、风险可控的数据资产开发利用机制。1.公共管理和服务机构可授权运营主体对其持有或控制的公共数据资产进行运营。2.运营主体应建立公共数据资产安全可信的运营环26境，在授权范围内推动可开发利用的公共数据资产向区域或国家级大数据平台和交易平台汇聚。3.探索建立公共数据资产政府指导定价机制或评估、拍卖竞价等市场价格发现机制。健全数据资产价值评估体系健全数据资产价值评估体系1.推进数据资产评估标准和制度建设，规范数据

75、资产价值评估；2.推动数据资产价值评估业务信息化建设，支撑标准化、规范化和便利化业务开展。开展公共数据资产价值评估时，要按照资产评估机构选聘有关要求，强化公平、公正、公开和诚实信用，有效维护公共数据资产权利主体权益。畅通数据资产收益分配机制畅通数据资产收益分配机制完善数据资产收益分配与再分配机制。按照“谁投入、谁贡献、谁受益”原则，依法依规维护各相关主体数据资产权益。1.探索公共数据资产收益按授权许可约定向提供方等进行比例分成，保障公共数据资产提供方享有收益的权利。2.公共数据资产各权利主体依法纳税并按国家规定上缴相关收益，由国家财政依法依规纳入预算管理。规范数据资产销毁处置规范数据资产销毁处

76、置对经认定失去价值、没有保存要求的数据资产，进行安全和脱敏处理后及时有效销毁，严格记录数据资产销毁过程相关操作。公共数据资产销毁处置要严格履行规定的内控流程和审批程序，严禁擅自处置。27强化数据资产过程监测强化数据资产过程监测数据资产各权利主体均应落实数据资产安全管理责任。1.公共数据资产权利主体开放共享数据资产的，应当建立和完善安全管理和对外提供制度机制。2.鼓励开展区域性、行业性数据资产统计监测工作，提升对数据资产的宏观观测与管理能力。加强数据资产应急管理加强数据资产应急管理数据资产各权利主体应分类分级建立数据资产预警、应急和处置机制。跟踪监测公共数据资产时，要及时识别潜在风险事件，第一时

77、间采取应急管理措施。完善数据资产信息披露和报完善数据资产信息披露和报告告数据资产交易平台应对交易流通情况进行实时更新并定期进行信息披露，促进交易市场公开透明。稳步推进国有企业和行政事业单位所持有或控制的数据资产纳入本级政府国有资产报告工作，接受同级人大常委会监督。严防数据资产价值应用风险严防数据资产价值应用风险鼓励借助中介机构力量和专业优势，有效识别和管控数据资产化、数据资产资本化以及证券化的潜在风险。1.公共数据资产权利主体在相关资产交易或并购等活动中，应秉持谨慎性原则扎实开展可研论证和尽职调查，规范实施资产评估，严防虚增公共数据资产价值；2.对涉及公共数据资产运营的重大事项开展审计，将国有

78、企业所属数据资产纳入内部监督重点检查范围，聚焦高溢价和高减值项目，28准确发现管理漏洞，动态跟踪价值变动，审慎开展价值调整。2.3.9关于加强行政事业单位数据资产管理的通知切实加强行政事业单位数据资产管理为贯彻落实中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见，加强行政事业单位数据资产管理，充分发挥数据资产价值作用，保障数据资产安全，更好地服务与保障单位履职和事业发展，财政部近日发布关于加强行政事业单位数据资产管理的通知（以下简称通知），提出切实加强行政事业单位数据资产管理，因地制宜探索数据资产管理模式。通知从数据资产配置、使用、处置、收益等方面对政事业单位数据资产管理提出要求

79、，并从明晰管理责任、健全管理制度、强化数据资产登记、加强监督和及时报告制度等方面加强制度保障，有利于充分实现数据要素价值，更好发挥数据资产对推动数字经济发展的支撑作用。数据资产配置方面，通知 提出自主采集、生产加工和购置三类主要方式。对于自主采集、生产加工形成的数据资产，要加强源头管理，按照规定的范围、方法和技术标准开展相关工作；对于购置的数据资产，要按照预算管理规定科学配置，涉及政府采购的应当执行政府采购有关规定。数据资产使用方面，通知提出“一规范、两禁止”。“一规范”是指规范数据资产授权，经安全评估并按资产管理权限审批后，可将数据加工使用权、数据产品经营权授权适格的运营主体进行运营。相关单

80、位对外授权有偿使用数据资产，应当严格按照资产管理权限履行审批程序，并按照国家规定对资产相关权益进行评估。“两禁止”包括禁止利用数据资产进行担保，新增政府隐性债务和禁止借授权有偿使用数据资产的名义，变相虚增财政收入。数据资产处置方面，通知 提出相关部门及其所属单位应当根据依法履职、事业发展需要和数据资产使用状况，经集体决策和履行审批程序，依据处置事项批复等相关文件及时处置数据资产。29数据资产收益方面，通知将相关收益分为资产使用形成的收入和资产处置的收入。行政单位数据资产使用形成的收入，按照政府非税收入和国库集中收缴制度的有关规定管理。事业单位数据资产使用形成的收入，由本级财政部门规定具体管理办

81、法。除国家另有规定外，行政事业单位数据资产的处置收入按照政府非税收入和国库集中收缴制度的有关规定管理。保障措施方面，一是明晰管理责任，健全管理制度。地方财政部门应当结合本地实际，逐步建立健全数据资产管理制度及机制，并负责组织实施和监督检查。其他相关部门应当根据工作需要和实际情况，建立健全行政事业单位数据资产管理办法，并指导、监督所属单位数据资产管理工作。二是加强数据资产登记。按照固定资产等资产基础分类与代码（GB/T 14885-2022）等国家标准，在预算管理一体化系统中建立并完善资产信息卡。三是严格防控风险，确保数据安全。一方面，事前监督与事中监督、事后监督相结合，日常监督和专项检查相结合

82、，构筑立体化监督网络；另一方面，相关部门及其所属单位应当将数据资产管理情况逐步纳入行政事业性国有资产管理情况报告。通过加强监督和及时报告制度，维护数据安全。2.4 问题与挑战2.4.1 缺乏统一的数据资产评估标准（1）评估方法的多样性与局限性统一的数据资产评估是数据要素配置的重要手段。目前，虽然行业中有多个数据资产交易案例，部分企业也开展了数据资产价值评估实践，但尚未形成成熟的数据资产评估体系。现有的评估方法，如成本法、收益法和市场法等，在应用于数据资产时，由于数据的特性（例如数据质量、数据应用、数据风险等），都需要对评估结果进行一定程度的优化和调整。（2）行业内部的评估多样性针对数据资产的估

83、值定价，各家企业大多根据自己的业务需要来制定内部适30用的评价方法和体系。这导致了缺乏统一的评价标准和系统的评价框架。由于数据资产具有大规模海量性和复杂性多样性，这也对用以评估数据资产的工具方法和应用技术提出了更高的要求。（3）评估的复杂性与灵活性数据资产在不同行业和组织中的定义和实现方式可能存在较大差异，因此评估方法和指标也相应存在差异。同时，由于数据本身的多样性、复杂性和动态性，以及数据资产之间的协同作用，评估方法和指标还需要具有一定的灵活性和适应性。因此，在进行评估时，需要对以下几个方面进行重点关注：评估目标和需要评估的数据资产类型，评估指标和权重，评估方法，以及评估结果的精度和可靠性。

84、2.4.2 数据价值的易变性与多维性在数据资产化的全过程中，数据价值的易变性和多维性是两个至关重要的因素。这些特性不仅影响数据资产的准确评估，还对数据资产的管理和应用提出了更高的要求。（1）数据价值与用户需求的相关性与时效性数据价值的易变性首先体现在其与用户需求和时间因素的密切关联上。在不同的业务场景和应用需求下，相同的数据可能具有截然不同的价值。例如，在金融风控场景中，个人信用历史数据可能具有极高的价值，但在医疗研究中，这些数据的价值可能大打折扣。同时，某些数据，如股市数据或气象数据，具有极高的时效性，其价值在短时间内可能会发生剧烈波动。这就要求数据资产评估模型必须是动态的，能够灵活地反映时

85、间因素和业务需求的影响。（2）外部环境因素与多维度评估数据价值还受到多种外部环境因素的影响，包括但不限于法律法规、社会态度、经济环境等。例如，数据隐私法的出台可能会限制某些类型数据的收集和使用，从而影响其市场价值。同时，数据资产的价值不仅仅是一个单一的数字，它31是多个因素综合作用的结果。这包括数据的质量、可用性、完整性以及与其他数据资产的关联性等。因此，一个全面准确的数据资产评估模型需要考虑多个维度，包括数据的来源可靠性、处理复杂性、应用广度等。（3）价值评估的主观性与客观性不同的评估主体可能会给出不同的数据资产价值，这是因为价值本身具有一定的主观性。同时，数据资产价值也有其客观存在，这通常

86、是多个主观评估结果的综合。这一点进一步复杂化了数据资产的价值评估，需要企业和组织具备更加成熟的数据资产评估和管理能力。通过以上分析可以明确地看出，数据价值的易变性和多维性是一个高度复杂的问题，需要从多个角度进行全面的考虑和评估。这也为数据资产的管理和应用带来了更高的要求，需要企业和组织具备更加成熟的数据资产评估和管理能力。2.4.3 数据资产权属的复杂性与不确定性在数据资产化的全过程中，权属问题不仅是一个评估难题，而且是一个多维度、多层次的复杂议题。这一问题不仅关乎数据资产的准确评估，还涉及到数据资产在交易、流通和应用中可能出现的一系列法律和道德问题。（1）数据权属不清与数据产权制度的缺失数据

87、权属的不清晰是阻碍数据资产评估和量化的首要问题。这一问题的复杂性在于数据通常是由多个参与方共同生成和维护的，如供应链系统中的供应商、制造商和分销商。这种模糊的权属关系极大地增加了数据资产评估的复杂性和不确定性。与此同时，缺乏明确的数据产权制度进一步加剧了这一问题。在数字经济初级阶段，由于数据产权制度的缺位，数据的共享、流通和交易受到了严重的制约，这不仅抑制了潜在数据供应方的市场进入意愿，还加剧了数据滥用和算法歧视等社会问题。（2）多方权益的冲突与法律道德考量在数据资产的评估和应用过程中，不同权益主体（如数据生成者、数据使用32者和数据管理者）有各自不同的利益需求和估值观念。这就需要一个多方参与

88、、公平合理的评估体系，以平衡各方权益。但这一平衡过程并不是简单的数学运算，它还涉及到一系列法律和道德问题，如数据隐私、知识产权和合规性等。这些问题不仅影响数据资产的评估，还可能给相关企业和组织带来法律风险。（3）权属明晰的重要性与全方位解决方案明确数据权属不仅是数据资产评估的前提，也是数据资产能够被有效管理和应用的基础。因此，构建一个清晰、合理的数据产权制度是解决这一问题的关键。然而，这一问题的解决方案不能仅仅停留在法律或经济层面，它需要一个综合性的、多维度的解决方案，涵盖法律、经济、技术和道德等多个方面。2.4.4 数据质量与治理的挑战与不足在数据资产化的过程中，数据质量与治理面临多重挑战和

89、不足，这些问题不仅影响数据资产的价值实现，还可能成为企业信息化和智能化发展的瓶颈。（1）数据质量意识薄弱与治理体制不健全长期以来，由于数据被视为业务系统的附属品，其价值未得到充分认识，导致数据质量和治理长期被忽视。这种现象在工业企业中尤为明显，大多数企业缺乏专门的数据管理组织和人力资源。即便有部分企业建立了相关的数据管理制度和流程，但在实际操作中仍然存在许多缺陷。例如，数据孤岛问题、管理手段落后以及数据治理责权体系不健全等。这些问题不仅限制了数据资产价值的充分发挥，还可能影响企业的长期发展。（2）技术应用不足与业务发展割裂随着大数据和智能化技术的快速发展，数据质量管理面临越来越多的挑战。传统的

90、非自动化方法和普通脚本监测方式已经无法满足当前复杂和海量数据环境下的质量管理需求。此外，数据资产管理与业务发展存在明显的割裂。多数企业在战略和组织层面没有将数据管理与业务需求有效地结合起来，导致数据管理的价值不明显，投入的资源和资金也不足以支撑数据管理的有效开展。33（3）全局数据治理的复杂性数据治理不仅需要解决基础设施建设问题，还需要考虑数据流动过程中的秩序、效率和效果等多个方面。如何有效解决因 IT 融合而引发的数据保护问题、数据资产开发等问题，需要从数据治理的全局层面进行深入思考和规划。这包括但不限于顶层规划、标准体系、评价体系和考核体系等。数据质量与治理是一个多维、复杂的问题，需要企业

91、和组织从战略、技术和管理多个层面进行全面考虑和改进。这不仅是提升数据资产价值的关键，也是推动企业信息化和智能化发展的必要条件。34三、数据资产化政策与监管数字经济的发展已成为新一轮科技革命和产业变革的战略焦点，同时也是构建现代化经济体系的关键推动力。2019 年 10 月，中共十九届四中全会首次明确将数据列为新的生产要素，标志着数据的战略地位得到了前所未有的重视。2020年 3 月，中共中央和国务院进一步印发关于构建更加完善的要素市场化配置体制机制的意见，正式将数据纳入新型生产要素的范畴。这一政策转变不仅凸显了数据在数字化、网络化、智能化进程中的基础性作用，也指出了数据已经深度融入生产、分配、

92、流通、消费以及社会服务管理等各个环节，从而深刻地改变了生产和社会治理的传统模式。以数据为核心的数字经济正在成为推动经济深化发展的新引擎。在这一背景下，数据安全和合规性的重要性日益凸显。2021 年，中国相继出台了数据安全法个人信息保护法，与此前的网络安全法共同构成了数据治理法律体系的“三驾马车”。这一系列法律不仅为数据安全提供了坚实的法律支撑，也为数字经济的健康发展提供了规范。随后，多项配套政策如关键信息基础设施安全保护条例网络安全审查办法以及工业和信息化领域数据安全管理办法（试行）等进一步明确了数字经济创新的行为规范和约束标准。最近，2022 年 12 月 2 日，中共中央和国务院发布了关于

93、构建数据基础制度更好发挥数据要素作用的意见（简称“数据二十条”）。该政策文件不仅强调了数据产权、流通交易、收益分配和安全治理等方面的重要性，还提出了“探索数据资产入表新模式”和“逐步完善数据产权界定、数据流通和交易等主要领域关键环节的政策及标准”。这一政策的出台进一步加强了数据资产化在国家战略中的地位，也为“十四五”时期数字经济做强、做优、做大提供了有力的政策支持。在这一系列支持性政策的推动下，数字技术与实体经济的深度融合正在加速，新的业态和经济模式也在不断涌现，为经济发展注入了新的活力。随着国家和地方政府对数据要素市场化改革的政策法规逐渐完善，数据资产化已经成为实现数据要素价值的重要途径。这

94、一时期不仅是数字经济做强、做优、做大的关键阶段，也是一系列政策在完善数字经济顶层设计和推动数字技术与实体经济深度融合方面发挥作用的重要时机。353.1 数据资产确权困难数据要素与传统生产要素存在明显差异，这导致了数据确权的困难。首先，数据类型复杂多变。个人信息、行踪轨迹、喜爱偏好及生产过程中的能源消耗、人员管理都可以产生数据，且产生的数据很难有统一的标准，不同的数据类型对数据的要求不同、标准不同，因此数据质量和价值的确定存在困难。其次，数据权属边界模糊不清。一方面，数据二十条创造性提出了“数据资源持有权”“数据加工使用权”“数据产品经营权”，虽然一定程度上解决了数据资源权属的问题，但是缺乏法律

95、上的支撑，并且对数据全生命周期中各方参与者的权属划分、利益协调仅为指导方向，具体细节与操作还需各方面去完善。另一方面，企业数据确权授权机制，是数据二十条中的重要内容。一直以来企业数据确权是数据产权制度体系的一个难点。企业在数据生产、流通、使用等过程中，涉及个人、企业、社会、国家等相关主体对数据不同利益诉求，且呈现复杂共生、相互依存、动态变化等特点，传统权利制度框架难以突破数据产权困境。3.2 数据要素场内交易占比较小，凸显法律制度仍不完善根据中国信通院披露的数据，2021 年我国数据交易规模超 500 亿元，其中以数据交易所、数据交易中心为主导的场内交易仅占 2%，由企业等主导的场外交易占比

96、98%。场内交易体系占比过小，重点反映了在市场交易需求持续增长的背景下，缺乏市场基础制度体系支撑，导致场内合规交易方式不清晰、合规交易通道难以普及的问题。如果将刚刚起步发展的数据要素市场与相对成熟的证券交易市场进行对比，可以发现：要素市场的高效运转离不开清晰的市场基础制度、科学的市场交易规则、丰富的市场交易产品、完善的市场监管机制，以及多元的市场参与者。数据要素市场建设的加速推进需要尽快完善市场制度框架和支撑体系建设，推动多类型数据要素产品的创新和入市，鼓励多元主体积极参与市场交易和相关服务。36资料来源：中国证监会图 3-1：成熟交易市场以证券交易市场为例近年来，国家有关部门相继出台了中华人

97、民共和国数据安全法中华人民共和国个人信息保护法 网络数据安全管理条例 网络数据分类分级指引等法规和条例，已逐步构成基本的数据安全保障网，形成基本的数据安全法律框架。但目前数据安全法律制度仍不够完善，存在边界覆盖不全、操作性不强等问题。特别是数字化转型背景下，各类数据跨行业、跨机构的交换传输越来越多，数据之间的边界越来越模糊，导致监管依据不足，不知如何落实数据安全工作等问题。2022 年 12 月，中共中央、国务院发布“数据二十条”，指明从数据产权、流通交易、收益分配、安全治理等 4 个方向构建数据要素基础制度，但政策细则、具体执行路径仍不够清晰，数据资产化关键环节仍存在问题挑战。3.3 数据交

98、易市场混乱缺乏有效监管许多地区围绕数据流通交易建立了相应的管理制度、交易机构、行业协会以及评估体系，但交易监管、交易机制、以及数据价值评估方面仍存在诸多挑战。首先，数据交易行为没有明确的监管部门，场外数据交易灰产或黑产盛行，场内却无可交易标的，这导致数据滥用、数据泄露及数据诈骗愈发猖獗；其次，单纯的数据难以定价。目前，大部分数据交易定价均是“一应用一定价”，数据价值往往随着具体的交易主体及应用场景而改变，缺乏统一的标准；再次，数据交易主体之间无法轻易建立信任度。由于数据自身特点以及不同于传统商品的交易模式，数据交易主体需要对数据全生命周期的问题进行负责，导致数据信任机制难37以建立。数据流通交

99、易尚处于发展初期，政府采购、国企入场、公共数据授权等是未来重要的业务拓展方向。目前，产业生态主导的流通模式是交换共享而非交易，且存在既有的数据采购模式难以改变、合规审核标准不一等问题。此外，数据产品来源不足，难以在短时间内形成生态，这是目前数据交易所面临的最大难题，亟需重新审视和定位商业模式。3.4 数据资产交易体系有待整合重塑截至 2022 年 11 月，我国各地先后成立 48 家数据交易机构。作为重要的场内交易场所，数据交易所需要在数据要素市场中发挥重要作用，但目前我国数据交易所存在“新老交替”和“分区而治”两大问题，距离建设全国统一的数据要素市场的目标仍存在较大距离。其中“新老交替”主要

100、是以 2020 年为分界线数据首次正式被纳入生产要素范围。2020 年以前成立的各类数据交易平台（数据交易 1.0，以开放 API 接口交易为主），交易持续低迷且基本已停止运营或转变经营方向，但不少仍然保留“数据交易”字样，易与 2020 年后顺应当前政策规划方向成立的新一代数据交易所（数据交易 2.0，以搭建数据要素流通交易平台为主）产生混淆。而“分区而治”则是指目前数据交易所多是各地政府支持下建立，此种方式虽然有利于多地共同探索新要素新市场的创新机制，但广泛开花可能也会造成未来统筹各地成果建立全国统一的市场基础制度、市场交易规则和平台载体的工作变得更为复杂，同时各地数交所在未来可能也面临牌

101、照管理和交易所分级管理调整的问题。资料来源：中国信息通信研究院，中国信通院 CAICT 公众号，天风证券研究所38图 3-2：国内大数据交易所（中心、平台等）建设历程3.5 数据收益分配问题尤为突出在实践层面，收益分配的首要问题是数据产品服务的生产成本难以核算，其总成本、平均成本或边际成本均是如此。其原因，一方面是数据要素的成本核算模型构建不易达成共识，且数据产品和服务的市场价值因人而异、因情而异，难以对其进行精确核定。另一方面是数据要素收益难以切分，数据的二重性、生产要素深度融合、多元主体广泛参与等，注定了数据要素的收益有时作为一个整体难以进行具体分割。在理论层面，同样面临很多迫切需要解决的

102、难题。比如，公共数据能否以及如何参与收益分配？如何平衡或协调好不同环节、不同类型参与主体之间的利益关系？这些都需要具体分析与应对。3.6 数据资产化技术路线暂未清晰数据资产化过程需要强大的技术支持。随着数字化的深入推进，企业不仅仅需要大数据平台，还需要在此基础上增加数据科学平台、应用 PaaS 平台以及数据中台等技术来完善数字化基础设施，并且需要通过云服务的方式将相关能力提供给用户，将企业的数字化能力与广泛存在的一线业务需求结合起来，实现数据驱动的业务发展模式。从全球范围来看，多层次的标准体系尚在研究制定当中，相关技术规范仍在不断更新中，这导致大数据服务提供商在技术路线上存在激烈竞争，投入大量

103、的研发资源。一方面研发支出的增加导致企业对于新技术存在观望心理，容易出现战略的不稳定性，另一方面企业面临技术革新、组织革新带来的不适感，容易降低相关决策的效率和效果。39四、数据资产化定价与估值4.1 数据资产估值现状4.1.1 政策发展数据流通是数据资产市场循环体系组成的中心环节，大范围、可持续、高效率的数据资产流通依赖于数据资产市场交易机制的建立，而公平高效的数据资产估值体系则是核心支撑。数据要素的虚拟性、低成本复制性、主体多元性、非竞争性、非排他性、异质性等特征，使其区别于土地、劳动、资本、技术等其他传统生产要素，也使得数据价值评估更加复杂。为促进数据交易市场规范化发展，国内外相关标准化

104、组织、财会领域组织、技术咨询服务企业均从多个视角开展积极探索研究，比如 2023 年 8 月财政部会计司发布企业数据资源相关会计处理暂行规定，2023 年 9 月中国资产评估协会发布了数据资产评估指导意见。部分企业也在进行数据估值实践，试图基于传统资产估值方法演化出全新的数据资产价值评估方法体系。中国资产评估协会发布的数据资产评估指导意见（以下简称：“指导意见”），为数据资产的评估实务提供了指引。对数据资产进行评估，首先要明确什么是数据资产。2020 年，中国资产评估协会发布的资产评估专家指引第 9 号数据资产评估 对数据资产的定义为“由特定主体合法拥有或者控制，能持续发挥作用并且能带来直接或

105、者间接经济利益的数据资源。”而最新发布的指导意见对数据资产的定义与之有所不同：“数据资产是指特定主体合法拥有或者控制的，能进行货币计量的，且能带来直接或者间接经济利益的数据资源。”可见，近两年，业界对数据资产的认识有所变化，对数据发挥价值是否要持续发挥作用这一限定予以了放宽，但考虑到评估业务的出发点，又强调了数据资产要以货币计量。2023 年 8 月，财政部发布的企业数据资源相关会计处理暂行规定中采用的核心关键词是“数据资源”，而非“数据资产”,并指出“适用于企业按照企业会计准则相关规定确认为无形资产或存货等资产类别的数据资源，以及企业合法拥有或控制的、预期会给企业带来经济利益的、但由于不满足

106、企业会计准则40相关资产确认条件而未确认为资产的数据资源的相关会计处理。”指导意见中涉及数据资产的范围大于暂行规定可以确认为资产的数据资源的范围，但没有包括 暂行规定 中认为的可以进行表外披露但难以用货币计量的数据资源。需要注意的是，暂行规定是企业进行会计处理的强制性规定，而指导意见是用于资产评估目的的指导性意见，不具有强制执行力。总体来看，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，步入高速增长阶段。但我国数据要素产业尚未形成明确统一的数据权属、评估定价、流通交易、收益分配等基础性制度，后续相应环节的政策倾斜力度有望加强。根据国家

107、工信安全发展研究中心测算数据，2021 年我国数据要素市场规模达到 815 亿元，预计“十四五”期间市场规模复合增速将超过 25%，到 2025 年规模有望接近 2000 亿元。从细分领域来看，数据要素的存储、分析、加工环节市场规模均超过 150 亿元，为数据要素的资源化奠定了扎实基础；数据交易、数据服务的产业规模分别达到120 亿元、85 亿元，相应模式的探索和创新已经取得了初步成效。2022 年 11 月，光大银行联合粤港澳大湾区大数据研究院等共同发布了商业银行数据资产会计核算研究报告，据初步测算，全国企业数据要素支出规模约为 3.3 万亿元，如果计入产出，整个市场规模将达到 16 万亿元

108、以上。如果再考虑数据资产的评估、质押、融资等衍生市场，规模可能会超过 30 万亿元。数据资产化时代来临，利益相关各方都在为数据资产化扫除障碍。针对当前发展数字经济面临数据循环不畅通、数据交易不活跃、数据价值难计量、数据资产产权难界定等问题，工信部将与财政部等相关部门尽快推动国家标准信息技术大数据数据资产价值评估正式发布，持续开展数据资产价值评估相关研究，加大数据资产价值评估试点探索力度，加快构建并不断完善数据资产评估准则和标准体系。地方政府也要继续支持有关地区数据交易所建设，推动在数据分类分级、价值评估、流通交易、收益分配等方面先行先试。鼓励企业开放搜索、电商、社交等数据，加快培育数据资产评估

109、、登记结算、交易撮合等数据服务产业。4.1.2 面临的困难数据要素从生产要素过渡到数据资产的财务界定是一项系统性工程，其财务41处理仍面临较大的困难。（1）数据资产概念缺乏明确界定财务会计对于数据资产的明确界定，是数据要素深度参与现代化要素市场运营的关键一步。目前数据资产在理论和实践中仍未形成共识性概念，而上述征求意见稿也未对“数据资源”的会计定义进行清晰解释，概念的模糊使得实务操作中财务人员和企业管理者难以对数据要素、数据资源、数据资产等相似概念进行准确理解并进行合理的会计处理。（2）数据资产在会计确认方面不统一按照 征求意见稿，企业应将数据资源分类为“企业内部使用的数据资源”和“企业对外交

110、易的数据资源”两类，前者符合无形资产准则规定的定义和确认条件的，应当确认为无形资产；后者企业日常活动中持有、最终目的用于出售的数据资源，符合存货准则规定的定义和确认条件的，应当确认为存货。相比于专利权、商标权等具有受益期限的无形资产，数据资产尚无受益期限的规定或登记方式，因此难以参照上述无形资产进行后续摊销处理。而与商誉相比，数据资产由于缺乏市场交易价格和公允价值等因素，难以进行定期减值测试，数据资产也难以参照商誉的会计处理进行确认。而数据资产与存货的本质区别在于，随着存货售出企业将失去其所有权，而数据“存货”经过不断累积和分析处理后又可以形成新的数据产品，因此将数据资产作为存货处理并不妥当。

111、（3）数据资产在会计计量方面存在操作难点在现行会计准则体系中，会计要素计量属性包括历史成本、重置成本、可变现净值、现值和公允价值五大属性。对于数据要素而言，由于目前我国数据要素市场建设尚处于起步阶段，离交易频繁、规则成熟的市场环境仍存在较大距离，上述计量属性中诸如公允价值难以取得，因而给数据资产的会计计量造成极大的困难。4.2 估值方法发展42狭义的数据价值是指数据的经济效益，广义的数据价值是在经济效益之外，考虑数据的业务效益、成本计量等因素，我们聚焦于广义的数据价值。数据价值评估是指通过构建价值评估体系，计量数据的经济效益、业务效益、投入成本等活动。数据价值评估是数据资产管理的关键环节，是数

112、据资产化的价值基线。目前数据价值评估方法总体可分为货币度量方法及非货币度量方法两类，其中货币度量方法以传统资产评估方法为代表，主要包括成本法、收益法、市场法及其衍生方法。各评估方法的适用对象和可行程度存在差异。对于成本法，因成本难分摊，其适用对象是企业全部数据资产而非特定数据产品，测算结果是数据资产管理的总体投入成本。对于收益法，其适用对象是特定数据应用场景下的数据产品，测算结果是引入数据资产所带来的业务效益变化。市场法则以数据定价和数据交易为主要目的，其适用对象同样是单一数据产品，通过对比公开数据交易市场上相似产品的价格，对数据产品进行价格调整。方法的更多细节会在下文讨论。现有的数据资产评估

113、方法是在无形资产估值和信息系统估值研究的基础上发展起来的，传统的估计策略仅仅关注各类有形资产，而组织资本、人力资本、软件、技术等等处在资产负债表之外的各类要素被忽略（Corrado,C.,et al.2022）。Wang Yanlin&Zhao Haijun（2020）提出，根据对于数据资产认知的不同，数据资产的估值方式可以归为三类：无形资产估值方法集（包括成本法、收益法、市场法及其改进方法等）、数学建模方法集（因子分析法、层次分析法等）、机器学习方法集。国内近年来涌现了大量的企业数据资产估值研究文献，其中多数可以归属于无形资产估值方法集。刘琦等（2016）提出了市场法评估企业数据资产价值（E

114、nterprise Data Assets Value，EDAV）的基本思路，即利用多维分析法，从技术、价值密度、容量等维度进行度量，评估同类企业的 EDAV。李永红（2018）等提出通过增加数据量与质量、数据分析能力等维度因素可对 EDAV 方法进行修正。左文进（2019）等假设同类市场及其组合收益已知，应用 Shapley 值法和破产分配法对企业数据资产进行再估值。黄乐（2018）等则融合了成本法、收益法和市场法，提出了对互联网平台企业的数据资产价值进行评估的方法。王静（2019）等从交易视角应用期权定价法对互联网金融企业的数据资产价值进行评43价。董祥千（2020）等假设数据交易价格和要

115、素投入已知，提出了利润最大化的EDAV 评价方法。在最新研究中，学者们对于数据资产在经济中的地位作出了更深入的探索，Maryam Farboodi&Laura Veldkamp（2021）建立了一般均衡数据经济模型，并对于数据资产的半竞争性、短期报酬递增、长期数据折旧等特性进行了刻画。进一步，Laura Veldkamp（2023）总结归纳了成本法、协方差法、收入法、价值函数法、补充投入法和无形资产法六种企业数据资产估值方法。此外，基于机器学习的企业数据资产估计方法得到越来越多的应用，如林娟娟等（2023）构建了涵盖买卖双方和数据资产自身属性的多维度因素定价模型，并基于真实数据集借助机器学习方

116、法进行模拟定价分析。4.3 基本估值模型4.3.1 成本法数据资产价值评估的成本法指的是将重置该项数据资产所发生的成本作为评估这项数据资产价值的基础，并进行一定的调整后确定数据资产价值的评估方法。成本法适用于企业内部的自我评估或者第三方监管机构的评估，一般用于评估非交易性质的数据资产。成本法所使用的计算模型为：P=i=1nCi?其中：P评估值；n数据集个数；Ci第 i 个数据集的重置成本；价值调整系数。一项数据资产可能包含多个数据集，需要对每个数据集进行重置成本的评估和价值调整再进行加总。数据集的重置成本可能包括数据采集成本、数据储存成本、数据处理成本、数据安全成本、权限控制成本和维护更新成本

117、等。44价值调整系数一般由数据专家通过对数据资产剩余经济寿命、数据质量和数据应用价值的评估来进行确定。成本法的使用主要包括下列 4 个条件：（1）被评估资产处于继续使用状态或被假定处于继续使用状态；（2）被评估资产应当具备可利用的历史资料；（3）被评估资产必须是可再生的、可复制的或可购买的；（4）被评估对象的价值随着时间的推移会发生一定的贬值。目前关于成本法在数据资产价值评估使用中最有争议的是数据资产是否具有贬值性。在实际中，数据往往具有时效性，其价值随时间推移会不断衰减。一般而言，越新的数据，其可利用的价值越会高，而随着时间推移，数据的使用价值会逐渐降低，直至失去作用而被淘汰。例如消费者行为

118、数据，过时的消费者行为数据已无法反映当下消费者的购买行为，其利用价值也随之降低。所以，数据资产是具有贬值特性的，符合成本法的使用条件。使用成本法评估数据资产相对客观且便于财务管理，但是部分数据资产为经营过程中的衍生物，这部分的数据资产成本不易区分；另外数据资产的价值受多方因素影响，比如时效性、准确性、完整性等，因此造成数据资产贬值价值无法量化；最后无法体现数据资产可以产生的收益，不符合数据资产能够增值的特征。4.3.2 收益法数据资产价值评估的收益法指的是对此项数据资产可能产生的未来预期收益进行测算和折现，进而评估这项数据资产价值的评估方法。收益法适用于评估能够合理计量其未来收益、收益风险和受

119、益期限的数据资产。收益法所使用的计算模型为：P=t=1nFt(1+r)t?其中：P评估值；n预计剩余收益期；Ft数据资产未来第 t 个收益期的预计收益额；r折现率。预计剩余收益期的确定需要考虑数据资产相关的法律有效期限、合同有效期限、自身经济寿命年限、更新时间、权利情况等方面，也需要综合考量相关行业45的发展趋势和市场变化情况。预计收益额的估计可以采用直接收益预测、分成收益预测、超额收益预测和增量收益预测等方式。当目标数据资产和其他资产共同作用产生收益时，需要通过分析与之有关的预期变动、收益期限、成本费用、配套资产、现金流量、风险因素等来进行区分。确认折现率的口径需与预期收益的口径保持一致，通

120、常使用无风险收益率与风险收益率的和来计算。该评估方法的适用条件：（1）产生的现金流必须应用数据资产。虽然增量收益法通过对比使用某些数据资产和不使用该数据资产两种情景下成交额的差异来计算该数据资产产生的收益贡献。但在实际操作上，由于市场情况在不断变化，很难准确测算在其他条件不变的情况下，不使用该数据资产所产生的现金流；（2）使用期限必须确定。因为数据资产是动态的，导致确定数据资产的使用期限成为又一难点。评估方法的重点关注事项：（1）数据资产的风险衡量，因为数据资产很可能因为一项法律法规的出台而价值归零。在数据资产评估中，需要重点关注潜在的法律和道德风险。诸如比特币一类的非法区块链货币。（2）数据

121、资产的场景界定，因为在数据资产价值评估中，需要首先明确应用场景前提，在该场景下，合理估计数据资产的收益贡献，测算经济价值。（3）数据资产的外部性，数据资产除了企业自用以外，还可以打包成商品在外部市场销售，以期产生更大的商业价值，这一特性造成了评估时难以度量数据资产的最优价值或全部价值。（4）数据资产的评估与商品定价，数据资产评估价值是一个理论值或者是理想值。数据商品的定价除了体现数据资产的内在价值以外，还需要考虑市场供需和政府监管的影响。使用收益法评估数据资产能比较准确地反映数据资产的价值，体现数据的盈利能力，但是数据资产的应用场景不仅仅只有一个，各个应用场景的经济收益并不一致，并且数据资产存

122、在时效性，对于数据资产的使用期限也难以确认。4.3.3 市场法数据资产价值评估的市场法指的是在具有公开并活跃的交易市场的前提下，46选取近期或往期成交的类似参照系价格作为参考，并调整有差异性、个性化的因素，从而得到估值的方法。使用市场法需要目标数据资产的可以参照物具有公开活跃的市场，同时交易相关的重要信息（如交易价格、交易日期等）可以获得且具有可比性。市场法所使用的计算模型为：P=i=1n(Vi Xi1 Xi2 Xi3 Xi4 Xi5)?其中：P评估值；n数据集个数；Vi参照数据资产的价值；Xi1质量调整系数；Xi2供求调整系数；Xi3期日调整系数；Xi4容量调整系数；Xi5其他调整系数。参照

123、数据资产的选取需要在交易市场、数量、价值影响因素、交易时间、交易类型等方面和目标数据资产之间一致或具有可比性，将参照数据资产经调整后的正常交易价格作为参照数据资产的价值。各项调整系数从不同方面考虑数据质量对数据资产价值的影响，量化参照数据资产与目标数据资产间的差异，从而达到估计目标数据资产价值的目的。使用市场法有两个前提条件，即资产能够在公开市场上进行交易和具有可比性，两个条件必须同时满足，缺一不可。应用市场法评估数据资产必须满足可比性的要求。不同类型的数据资产本身并不具备可比性，可比实例的资产必须是同一类型的数据资产。市场法能够客观反映数据资产目前的市场情况，评估参数、指标直接从市场取得，相

124、对真实、可靠。但是，评估可行性受可获得性影响，即市场上需要有可见的可比交易，对市场要求比较严格，但是数据资产要素市场是新型市场，市场不够成熟，难以获取合适的可比参数。474.4 期权定价法4.4.1 结合金融实物期权思想的定价数据资产错配是数据要素时代普遍的问题，数据要素的使用方（行业）所需要的数据资源，往往存在于其他行业，我们把这种现象普遍称为数据资产错配现象。因此带来了大量的跨行业的数据资产交易需求。以保险行业为例，我们时常表达保险业作为全球最大的金融门类，在国内具有巨大的发展潜力，但长期伴有需求转化不足、供给侧风险控制薄弱、保险产品单一、相似性高、买卖双方信息资源不对称及缺乏健康医疗相关

125、基础设施的观点。但令人欣慰的是，近些年保险行业大数据服务平台已经在中国一些特大城市发布并投入运营，健康医疗大数据在众多数据种类中能对保险行业产生颠覆性和深远影响，对于产业的创新性和实用性方面均带来不可估量的经济价值，例如传统智能运营场景下的核保与理赔，产品创新场景下的创新产品研发等等。这些数据应用场景的价值是由数据资产本身的内在价值决定的，正如在实际业务中，智能核保与理赔往往以季度或年度批量服务结算，以及创新产品的有效性通常在产品上市后的第一、第二和第三年逐年验证。市场法、收益法和成本法等基本方法是数据资产估价的基础。对于具备一定数量可比实例的估价对象，应优先选用市场法；对于能够预测大数据资产

126、收益的情形，可以选择收益法；由于成本法根据数据资产的成本构成，即通过生产数据过程中所应用到的人财物数量及单价测算数据资产价格。在数据资产市场不成熟的现状条件下，成本法可作为一种优先选用的主要方法，同时可以根据估价对象及现实条件的限制组合运用上述基本估价方法。但传统会计评估法可能会低估数据集的价格，这是因为拥有数据资产的企业一般会进行相机决策。如果现有数据集质量不佳或市场需求疲软等，企业可能会放弃或延迟开发数据集。这也意味着当企业计划将数据要素纳入生产环节中时，数据资产具有了隐含期权的特征。因而，可考虑将实物期权理论融入数据资产定价。基于此，我们进一步总结了一套大数据资产定价策略，旨在充分运用金

127、融实物期权定价思想，探索以保险业务为导向，供需双方双赢的保险大数据产品定价模式，最终验证了大数据资产的内在价值并在实际应用中探索实践。484.4.2 期权定价方法在大数据资产定价中的优势与传统的收益和成本测算方法相比，实物期权定价在项目本身价值的基础上，考虑了项目的增长价值和管理的灵活性。通常情况下，传统的现金流折现（DCF）模型往往没有将项目延期、扩容、临时关闭等灵活性决策作为期间变化来考虑，因此，容易忽视项目的战略价值，导致项目价值被低估。更具体地说，仅依赖净现值法评估的投资项目可能会出现决策误导的情况，例如，某投资项目因暂不符合净现值（NPV，以下简称“NPV”）方法的决策规则而被拒绝（

128、NPV0），但从项目本身来看，项目投资很可能包括一系列的投资行为，所以在做投资决策时，不仅要考虑项目自身的现金流，还应将接下来的投资机会价值纳入考量，换言之，当下盈利能力中性的项目并不意味着它永远不会有价值。在这种情况下，适当推迟项目的实施时间可能会提升项目经济价值。与传统的收益和成本测算方法相比，实物期权定价在项目本身价值的基础上，考虑了项目的增长价值和管理的灵活性。通常情况下，传统的现金流折现（DCF）模型往往没有将项目延期、扩容、临时关闭等灵活性决策作为期间变化来考虑，因此，容易忽视项目的战略价值，导致项目价值被低估。更具体地说，仅依赖净现值法评估的投资项目可能会出现决策误导的情况，例如

129、，某投资项目因暂不符合净现值（NPV，以下简称“NPV”）方法的决策规则而被拒绝（NPV0），但从项目本身来看，项目投资很可能包括一系列的投资行为，所以在做投资决策时，不仅要考虑项目自身的现金流，还应将接下来的投资机会价值纳入考量，换言之，当下盈利能力中性的项目并不意味着它永远不会有价值。在这种情况下，适当推迟项目的实施时间可能会提升项目经济价值。4.4.3 数据资产的期权定价方法考察大数据资产作为第五要素的本质特征，在遵循期权定价假设的基础上，我们考虑采用传统期权定价模型（Black-Scholes model）的基础上引入新的大数据特征变量，用下述方法对大数据资产进行定价，命名为 Appl

130、ied Data AssetPricing model（以下简称“ADAP”）：49其中用到的变量参数包括无风险利率、资产价格变动率、合约期、收入和成本现值、稀缺系数、影响程度、股息类支出率等。为了便于理解，我们以在国内某资产定价中的案例，具体介绍上述方法的应用。在国内某大数据平台的定价评估中，我们对上述方法进行了探索性实践，F 公司与该平台签署长期合作协议，基于某项数据资产及其衍生产品进行合作，平台在该项数据资产的期初投入为30 万元，用于应用之前的清洗、治理、映射、编译等大数据处理、软件开发、接口联调、硬件部署等运营成本，并且该成本将跟随产品使用率的提升以每年10%的速度递增。假设在该项目

131、中第一年的数据资产及其衍生产品的收益为 60 万元，之后每年以 10%的速度递增，同时参照伦敦洲际交易所 2014-2020 年间国际油价波动率和 16%的贴现率，数据资产系数为 1（稀缺性高），影响系数为 0.8，股息类支出率为 2.5%，大数据资产最终价格评估为 373 万元，比 NPV 方法下的评估高出了 207 万元，该评估结果最终为该平台的战略引用决策提供了准确和全面的支持。随着模型应用的深入，进一步发现企业在确定大数据资产价格时，应在众多的影响因素中辨析每个参数对价格的影响程度，这将有利于在可控的时间和一定条件下，尽可能反应未来真实价值，也可以提前预防潜在的风险。在综合评估每个影响

132、因素对资产价值的作用时，依次保持其他变量不变，将每个变量上下调整相同的变化幅度，会发现未来现金流的变化对大数据资产价格的影响最大，这意味着在实际应用中，提高资产价格应更加侧重提高收入而不是降低成本。同时，分析数据显示，相较于成熟的企业，初创的企业对数据稀缺性的敏感性更强，这是源于规模效应和协同效应在不同程度上稀释了稀缺性对大数据资产价格变化的影响。4.4.4ADAP 大数据资产定价模型的完善和应用综上是对 ADAP 大数据资产定价模型的创新理念和应用的介绍，总体而言，以实物期权定价方法为借鉴并进一步完善的 ADAP 定价方法更能切实结合大数据与实物期权的相似特征（包括机会的有效性、有效利用杠杆

133、、最小化义务、最50大化权利）和定价逻辑，为数字经济时代下的广泛的大数据应用和资产定价提供参考。展望未来，将进一步通过真实世界应用训练和迭代 ADAP 定价模型，为企业及大数据产业创造更多价值。4.5 图谱定价法4.5.1 基本原理数据资产具有特殊性，根据数据要素二十条的要求，数据的定价和收益核算必须结合数据要素的特征。数据要素的特征与传统生产要素有显著区别。我们可以将数据要素在价值维度上的特征归纳为三个方面。首先是特异性特征，即同一组数据在不同场景中的使用会产生不同的价值。例如，金融机构掌握的数据可以在个人征信、产品营销、风险控制等多个场景中使用，但在不同场景中使用数据带来的业务价值是不同的

134、。第二个特征是协同性，指的是多组数据组合在一起产生的价值大于单个数据的价值总和。这种情况非常常见，而且在使用数据的过程中，我们也常常会发现使用多个数据进行交叉应用会产生更大的业务价值。实际上，这种协同性是数据的一个非常独特的价值特征。第三个特征是数据的无限可复用性。在合规的前提下，一个数据可以同时被很多场景使用，而且这种使用可以是无限次的。因此，在进行数据定价时，需要考虑这三个方面的数据特征。由此可见，数据资产与其他资产类别，如实物资产，在估值定价方面存在明显差异。数据资产具有无限可复用性，它可以在同一时间应用在多个经济活动和场景中，所以它的价值应该是所有潜在的经济活动分配权益的加总。因此，我

135、们需要图谱化的规范统计，汇总收益信息和成本信息，或者是与市场可比的数据协同信息，就可以对各类的场景中产生的经济价值进行公平合理的这个核算和加总，完成数据资产的完整估值。基于前述数据本身的特征与数据应用模型的评估与风险特性，数据作为资产与其他资产有全然不同的本质特性与价值发挥模式，因此数据定价理论研究需要充分考虑上述方面，形成一套特殊的结合数据实际情况的解决思路；基于前述数据资产化需要的成本信息以及收益信息等价值评估重要参数估计，数据作为资产，其生产与价值发挥链路错综复杂，需要考虑图谱化建设；针对这些方面，研究设51计了一套数据要素定价体系，以数据要素定价方法为核心技术出发，结合数据资产图谱，实

136、现了一套通用合理的技术框架。将在后续的部分详细介绍。4.5.2 数据要素定价方法综前述，我们建立了一个坚实的理论框架，并且可以在数学上证明其正确性。该理论框架可以用来处理数据在某一项经济活动中产生的价值，实现公平、合理的计算。如果要对数据的总价值进行计算，则需要结合以上提到的数据要素的三个特征。首先，需要将理论与实际场景相结合，建立业务价值与数据模型之间的映射关系。这个具象化的过程需要考虑数据的使用者，以及他们对经济学意义上的功效函数和数据使用价值产生的耦合关系的明确定义。我们将此算法在一系列具体场景中实现，例如银行信贷和推荐领域，通过大规模数据应用和模型自动化展业，实现了对功效函数和数据价值

137、的自动化计算，实现在业务开展的同时，计算数据在该场景中产生的经济价值。在其他场景中，我们致力于一方面实现不断迭代此结合场景的经济价值与数据模型的耦合公式，另一方面与各行业各领域的专家一起明确定义这些功效函数，进而形成行业标准。在行业实践中，算法落地首先需要理解数据使用者的经济目标，如最大化生产收益、最小化生产成本、最小化仓存储成本等，并在不同业务场景中定义这些目标，以实现自动化数据价值计算；此外，对于一些数据应用仍未完全智能化的场景，需要适用于基于宏观要素投入产出计算的方法论，用以计算数据价值。4.5.3 数据资产图谱当前全行业数字化转型加速，数据是底层基础要素，一定程度支撑着上层业务化模型的

138、表现。随着包括人工智能模型、业务上云、物联网、区块链等新技术的落地，数据将会继续呈指数级增长，成为全社会最有价值的资产之一。可以预见，全行业亟需对数据资产化价值管理。这就需要对整个数据生产与价值发挥链条做出价值解析。在产业中数据的应用层面，数据的生产本身会形成一个上下游的关系：从原始的数据资源，经过数据治理的过程，完成数据的归集、清洗、整理，再到数据52的分析建模，以及建模后的模型应用。整个链条最终会与业务场景相结合，产生价值。因此，在数据的价值计算中，沿着数据生产的链条进行价值回溯是一个与实际结合，行之有效的解决思路，可以实现参与各个场景的每个数据元素的价值的精确计算。由此，我们提出基于合作

139、博弈理论将数据产生的业务价值公平有效地清分给任意单元的参与经济任务的数据源的重要算法，研发了数据资产图谱技术，实现自动化盘点、计算和解析数据资产与各个场景的价值关联关系，穿透数据间的价值关联关系。在数据生产过程中，数据需要经过一系列的加工处理才能形成萃取层数据，发挥其价值。其中，上游数据的价值可以通过价值回溯的方法进行计算。为了实现这一点，我们需要对数据的生产链条进行解析，以便清楚地了解数据的信息流转过程。更确切地说，我们对在实际数据包括生产、使用、创造价值的全生命周期中，追溯数据资产之间的生产与业务价值关系，对数据生产过程实行结构化、知识化的管理，通过完整地刻画数据生产流程，实现数据合规、高

140、效生产和使用。例如，在经济活动中涉及到的某个关键数据生产节点，它参与了最终的经济活动。该数据是由上游的其他数据进行加工处理得到的。这种情况下，我们需要将数据生产的上一步和下一步的生产关系进行解析，以便对数据的价值进行回溯和清分。计算出数据节点的价值后，通过前面所述的数据收益分配算法,将它在某项经济活动中产生的价值一步一步地往前回溯到生产环节中的每一个节点。最终，我们可以使用数据资产图谱的技术不断清点数据的价值，记录数据在各个场景中产生的价值以及数据与数据之间的价值关联关系。前述提到数据要素的三个特征：特异性、协同性、无限可复用性。正是这三个特性导致了数据对于不同的场景的价值关联关系是不一样的，

141、数据和数据之间的价值协同关系也是不一样的。加之数据可以无限复用，这些导致了数据价值特征形成了一个网状结构，数据资产图谱即是这个网状结构的事实性体现。4.5.4 数据资产图谱与数据资产评估通过不断记录、更新所有数据资产在各个场景中产生的价值，以及数据与数据之间的价值，数据资产图谱形成了数据定价的坚实基础。更确切地讲，数据资产图谱是一个可以无限扩展的工具。在我们发现某项数53据对某个场景有价值时，我们可以使用数据资产图谱的技术进行解析和价值回溯。在不断使用和发掘数据价值的过程中，数据资产图谱也会不断盘点和扩展数据价值。有了数据资产图谱，我们就可以对数据资产本身的价值进行评估。上文中提到，信息技术大

142、数据数据资产价值评估国家标准征求意见稿中明确列举了收益法、成本法等相关评估方法。其中，收益法一般是通过测算该项数据资产所产生的未来预期收益并折算成现值，进而确定数据资产的价值。而成本法评估数据资产则一般是按照重置该项数据资产所发生的成本作为确定数据资产价值的基础，并对重置成本的价值进行调整，以此确定数据资产价值。无论是收益计算抑或成本计算，落地现实中都需要必要的、细致到生产实处的参数估算。数据定价算法相当于在实际计算落地指导层面给出了一个通用的框架，对于任意经济活动中的数据都可以实现公平有效的价值计算；同时，借助数据资产图谱技术，我们能够对数据生产链条中的所有数据进行合理的价值分配。基于数据资

143、产定价与数据资产图谱技术这两项理论和技术基础，我们可以实现不断审视数据，并在不断扩大的数据资产图谱中探寻各种应用场景的价值，从而进行数据资产的估值计算：在数据资产估值的过程中，一方面，依赖于数据定价算法计算，不同场景中每项参与的数据应该分配的公平合理的价值。另一方面，通过数据资产图谱，可以在不同场景的数据产生的收益进行加总，实现总价值的评估。然而实际上，若将所有微观数据都进行细致计算，工作量将十分庞大，所需信息也受限于现实环境，存在可得性有限的问题这时可以通过构建“数据价格指数”作为辅助解决路径，对某类数据在某个场景产生的价值进行宏观的指标核算。4.5.5 数据资产图谱的应用前景分析依托数据资

144、产图谱，首先，可以基本直接实现不同数据使用场景下的收益定价。其次，还可以实现数据资产的评估验证。未来，数据资产图谱中会包含越来越多的数据、场景的价值信息以及数据之间的价值协同关系这些信息可以对数据资产评估进行验证。如果评估结果与其他可比结果相比过高或过低，就可通过在数据资产图谱中找到依据作为参考。再者，可以实现数据交易的智能撮合。54因为数据资产图谱中积累了很多数据的供需关系信息，可以基于数据资产图谱的这些信息指导下一次的数据交易，对数据供给方和需求方进行智能撮合。更具体地表现为，数据资产图谱在未来行业发展中有广泛的应用场景。比如数据经济建设通过数据定价与模型治理，作为数据要素流通市场的基础设

145、施，畅通数据交易流动，可以将全产业链数据图谱应用在金融机构与地方政府对实体经济的支持；同时在企业集团内部不同部门，不同法人主体之间可以建设以数据资产图谱为支撑的数据要素流动与定价平台，推动数据共享与收益核算分配，推动数据资产计价、核算与审计；在行业内部建立“监管沙盒”先行先试。尤其是，通过在集团内部打造智能化模型，利用华润银行与产业集团的数据，在隐私计算的环境下进行联合建模，产生各类生产模型：如智能营销、智能推荐、智能信贷风险模型等。在联合建模的同时，依托数据定价算法以及数据资产图谱在集团不同法人主体、不同部门之间根据数据的贡献度进行经济价值的分配、部门贡献的独立核算，用市场化的力量将整个集团

146、的资源协调起来进行数字经济的建设，形成“以产助融，以融助产”的产融协同模式，将集团内部的应用推广至全行业，促进全行业数字化产能提升。4.6 其他评估方法（1）基于“信息熵”定价。“信息熵”表示信息中排除冗余后的平均信息量，是与买家关注的某事件发生的概率相关的相对数量。信息熵越大，某事件发生的不确定性越小，正确估计它的概率越高。信息熵定价法充分考虑了数据资产的稀缺性，且相对于数据的内容和质量，更关注数据的有效数量和分布。（2）数据资产分解估价法。数据资产分解估价法是协作生产大数据产品的各利益主体分配收益或者分摊成本的估价方法。在实践中，运用上述基本方法分别评估大数据资产整体及其各部分的价格，通常

147、会存在各部分价格之和与数据整体价格不相等的情形。（3）数据资产价值的多维度定价。由于数据要素的特殊性以及不同主体实践经验的复杂性和多元性，就数据要素价值的评估方法形成的研究呈现针对性较强、普适性较差的特征，需要同时解决标准化运作和确权问题、分场景定价问题等问题。（4）基于效用的定价方式。基于效用的定价常以数据本身的特征、质量以及客户感知价值为计价基础，兼顾了数据本身的价值和消费者需求。55如贵阳数据交易所就将数据质量作为价格的决定性因素，数据质量包括数据品种、时间跨度、数据深度、数据完整性、数据覆盖性和数据时效性 6 类。然而在实践中，由于数据效用的预先客观量化是十分困难的，此定价方法有待进一

148、步的研究。（5）基于博弈论的协议定价方式。数据的共享性允许交易双方以协议定价的方式促进成交量，这是目前应用最广泛的数据定价方法。（6）运用区块链的数据定价机制设计出基于使用权的交易定价和所有权的交易定价。采用这种定价模式可以促使部分数据购买者参与交易，虽然数据的价值不会因为使用而流失或减少，但是一些数据具有时效性，对于企业来说，购买这些只有短期使用价值数据的所有权成本过高，很可能达不到预期收益。另外，以深度学习为代表的机器学习等技术的不断发展正成为一系列科技革命的重要驱动力量，通过模拟人的思维模式，构建模型，自动完成事件活动，其在图片处理、自然语言处理和计算机视觉等多方面都有卓越的应用。金融领

149、域本来就长期存在基于机器学习的定价模型，比如将 Adaboost、随机森林等经典机器学习算法运用在利率定价和信贷风险预测。4.7 健全数据资产财会制度4.7.1 数据资产化财会制度改革正当时在我国数字经济快速发展和数据要素市场的建设过程中，除了财会制度作为市场运行基础制度亟待完善之外，现行企业价值评估中缺乏对数据资产价值的考量也是目前存在的一大问题。一方面，在当前企业价值评估中未将企业数据资产价值有效纳入综合评估体系，使得企业价值评估难以完整反映企业价值。财务报表作为企业价值的重要载体，并未将数据资产纳入财务报表体系，使得数据要素虽然已纳入生产要素之一，但其价值难以在企业价值中得到充分体现。另

150、一方面，按照传统生产要素形成企业资产时的评估逻辑，数据资产的价值特性难以准确体现。现行资产评估方法通常包括成本法、收益法、市场法，其中成本法是以待估资产实际成本计价的方法，收益法是基于数据资产的预期应用场景，对未来其产生的经济收益进行折现的估值方法。市场法是指以市场交易价格为基础对目标资产价值进行评估的方法。而这些方法都没有考虑数据资产的特殊性，显然是不合适的。56另外，我国资产评估制度体系不健全，目前还没有专门针对数据资产估值的法律法规，仅有资产评估专家第 9 号数据资产评估从评估对象、评估方法、评估报告编制等方面进行了专家建议式指导。这在一定程度上制约了数据资产估值的健康发展。根据企业会计

151、准则基本准则中资产的定义可知,数据资产是指企业过去的交易或者事项形成的、由企业拥有或者控制的、预期会给企业带来经济利益的数据资源。然而，对于数据资产的界定至今未达成一致，有学者认为数据资产是具有勘探权、使用权、所有权、可计量、可读取的网络空间数据集。中国信通院则将数据资产定义为：企业在生产经营过程中产生的或从外部渠道获取的，具有所有权或控制权的，预期能够在一定时期内为企业带来经济利益的数据资源。企业数据资源的快速膨胀，促使企业必须规范数据资源的会计处理，强化相关会计信息披露。但目前对于如何确认和计量数据资产还存在较大争议，如将数据作为存货或作为无形资产处理，无论采取哪种方式，都没有完全反映数据

152、资产的本质特征。其价值属性也难以准确把握，估值缺乏相关依据。因此财政部正在力推数据资产入表的制度改革，这将有利于数据资产估值的顺利发展。4.7.2 完善科创企业数据资产估值在数字经济的背景下，科创企业的数据资产日益增多，成为生产要素之一。然而，我国的数据要素市场尚不完备，数据资产的会计核算体系和估值方法也尚未成熟，这导致了企业经营和投融资决策的频繁失误。因此，建立和完善数据资产的财务核算体系，以及科学合理的估值方法和法律法规制度，成为了促进科创企业健康可持续发展的迫切任务。在这一背景下，如何准确评估科创企业的数据资产价值成为了一个热点问题。虽然学界普遍认同数据资产具有价值性，但在具体的价值评估

153、方法上却存在分歧。传统的估值方法，如成本法、市场法和收益法，由于数据市场的不完善和交易信息的不透明性，其应用于数据资产的评估存在诸多问题。因此，学者们对这些传统方法进行了改进和衍生，如层次分析法、重置成本法、收益现值法等，并在案例中进行了验证。然而，由于传统方法的局限性，学者们开始探索新的数据资产估值方法。例57如，结合市场法和收益法，并引入 Shapley 法和资产分配法进行估值；或者采用博弈法、实物期权法、基于 AHP（层次分析法）的评估法等。这些新方法不仅提供了更多的选择，也为数据资产估值提供了更为科学和合理的依据。不准确的数据资产计量和估值会导致一系列负面影响，如数据资产价值被低估、企

154、业价值无法准确体现、以及投资者投资决策失误等。因此，我国应加快完善相关的资产评估管理制度体系，确保数据资产的使用者和评估者能有法可依、有规可循。科创企业数据资产的准确估值是一个复杂而多维的问题，涉及到会计核算、市场规则、估值方法和法律法规等多个方面。只有全面而深入地解决这些问题，才能确保科创企业在数字经济时代能够获得准确的价值评估，从而促进其健康和可持续的发展。这不仅有助于科创企业自身的成长，也将推动整个数字经济和数据要素市场的健康发展。解决这一问题需要从会计制度、估值方法、财务视角和市场规则等多个维度进行全面而深入的分析。首先，从会计制度和市场规则的角度来看，现有的体系并没有完全适应数据资产

155、的特殊性质。这不仅导致了企业估值的不准确，还阻碍了数据要素市场规则的有效建立。因此，有必要在现有的制度和规则框架内，探讨如何将数据资产的价值合理地纳入企业价值评估体系中。这不仅涉及到数据资产如何“入表”，也包括如何建立和完善与数据资产相关的会计和财务制度。其次，在数据资产的价值评估方面，需要采用科学和合理的方法。这意味着在综合考虑企业整体商业模式、数据资产的产生或获取成本、以及数字资产未来可能实现的收益等多个因素的基础上，构建一个专门针对数据资产的估值模型。在这一过程中，可以考虑引入先进的技术手段，例如基于大数据和机器学习的垂直领域模型算法，以提高估值工作的效率和准确性。再次，从财会视角考虑，

156、数据资产的确认和计量也是一项巨大的挑战。数据资产的确认应该充分体现其本质特征，这可能需要在现有的会计科目体系内增设专门的二级科目，如“数据产品”或“数据服务”，以区分传统的无形资产和数据资产。同时，数据资产的计量通常是按照历史成本进行，但这并不总是能准确反映其真实价值。因此，有必要尽快建立和完善数据要素市场，以便能够获取数据交易的公允价格，作为数据资产估值的依据。最后，对于那些无法明确有效使用年限的数据资产，建议建立一个数据资产58评审鉴定制度，并拟定一系列标准化的评估指标。这不仅能解决数据资产后续计量的问题，还有助于企业管理层和投资机构在数字经济时代更全面地考虑到科创企业的未来商业价值。综合

157、来看，科创企业数据资产估值是一个涉及多个领域和多个层次的复杂问题。通过全面而深入的分析和改进，不仅可以提高企业估值的准确性，还有助于推动数字经济时代的产业发展和数据要素市场的繁荣。这将为科创企业带来更多的投资机会，也将为投资机构提供更为准确和全面的企业价值评估依据，从而共同推动数字经济的健康和可持续发展。五、数据资产化治理5.1 数据治理概述为了适应新时代基于数据驱动的生产、分析、决策的需求，包括数据管理和数据价值变现的数据治理成为了关键。数据治理在一定程度上是对数据管理的细化，它通过明确相关管理组织、工作责任和管理流程来确保数据资产能长期有效、可持续地得到管理，进而使企业获得高质量的数据。一

158、般而言，数据治理可定义为：关于数据采集、存储、利用、分发以及销毁过程的活动集合。广义的数据治理包括数据管理和数据价值“变现”，具体包含数据架构、主数据、数据指标、时序数据、数据质量、数据安全等一系列数据管理活动的集合。组织数据治理主要包括企业数据治理和政府数据治理。企业数据治理的目标是确保企业数据开发和应用符合公司治理的要求。而政府数据治理的目标是满足经济社会发展对政府数据开发和应用的治理。数据治理的发展是伴随着各国和不同行业不断演进的过程。数据成为新的生产要素，是企业最为宝贵的资产之一，已成为业界的共识。对企业而言，数据治理是数据资产的治理，是对数据资产所有相关方利益的协调与规范；是实现数据

159、价值落地变革的关键环节；是实现企业降本增效，支撑业务升级的关键途径。然而，目前企业普遍存在着“重创造轻管理、重数量轻质量、重利用轻增值利用”的现象，在数据质量、服务创新、开放共享等方面面临着越来越严峻的挑战。为此，欧美等国从数据开放共享、隐私保护、伦理道德等方面出台了多项政策予以59支持和指导，而中国的数据治理更偏重于实践，更聚焦于数据治理工程项目的落地实施和技术工具的设计开发。传统的 IT 业务视角的数据治理，往往容易形成数据“竖井”，难以快速释放数据价值。面对如何挖掘数据业务的价值及释放数据资产化价值的要求，数据治理应从数据质量提升和使用出发，以数据质量提升和数据安全共享为目标，强调数据本

160、身的处理和过程管理，明确数据处理的全链路职责，推动内外部数据流通，促进数据资源化、资产化的路径转变，逐步提升数据的价值密度，释放数据价值。5.2 数据治理现状及规模随着数据价值的彰显，各行业普遍认识到数据资产的重要性，企事业单位纷纷开始通过数据治理来提升数据管理和应用水平，但受行业类别、企业规模、企业所属地区影响，不同的企事业单位数据治理的开展情况存在一定差异。以政务，金融、工业为例：政务行业：政务行业：中国政务数据治理经历了几个阶段。早在 2002 年左右开始的电子政务“两网四库十二金”建设，以及随之成立相应的大数据管理部门，通过数据共享交换实现了数据的共享和展现，此阶段主要由电子政务、政务

161、云和政务大数据的技术来驱动。2017 年，国务院印发了政务信息系统整合共享实施方案以促进政务信息系统整合共享、推进“互联网+政务服务”、提升政府信息资源的利用水平和政务服务能力，此阶段的政务数据治理是满足特定场景、通过场景驱动的。2021 年开始的“十四五”规划将加快推进数据要素市场化建设，围绕“数字产业化、产业数字化”，促进行业间的数据开放和流通，创新的、效益化的数据应用能够正向激励数据要素的使用，政务数据治理将进入创新驱动阶段。金融行业金融行业：自 2018 年 5 月 21 日中国银保监会正式发布的银行业金融机构数据治理指引颁布后，数据治理工作被国内银行业金融机构正式提上日程，一方面是监

162、管要求的应对，另一方面是多年积累的数据治理需求集中迸发。不同银行在数据治理方面也都有各自的实践，但是对数据治理顶层设计、数据管理制度体系制定、数据治理考核体系构建、数据标准落地、数据资产目录梳理、数据管控工具建设、数据安全保障等方面存在的众多问题可能都有不同的理解或者还存60在相应的困惑。工业企业工业企业：随着数据仓库的建设，国内工业企业逐步开始接受数据治理的理念，并在 2015 年提出了数据治理白皮书国际标准研究报告。2018 年，数据管理能力成熟度评估模型 Data Management Capability Maturity AssessmentModel(DCMM)(GB/T36073

163、-2018)国家标准发布，包括数据战略、数据治理、数据架构、数据标准、数据质量、数据安全、数据应用、数据生存周期八大能力域，其中，数据治理是各项数据管理工作开展的基础，数据标准是企业数据质量管理的重要前提，数据质量则是确保数据全生命周期数据需求被充分满足、充分保障数据资产价值释放的关键。2020 以来，数据治理在公共管理、科学研究与工商业等领域得到广泛应用，以数据为核心的“互联网+”体系日益彰显数据治理的价值。为进一步推动数据治理的发展，美国、欧盟纷纷颁布围绕数据使用与保护的公共政策，我国也相继出台了中国制造 2025、关于深化“互联网+先进制造业”发展工业互联网的指导意见等相关政策以促进工业

164、互联网发展，进一步体现了工业数据治理的必要性。从行业落地的角度看，在推动数据治理的过程中，各级政府和企业是数据治理的重要推动者，且在政务、金融、工业等领域积累了一定的数据资产管理和数据治理的经验，形成了较完整的技术方案和工具产品。在数据治理成熟度方面，金融、电信、政务等重点行业用户加快数据共享、提升数据开放应用的需求快速凸显，为国内厂商在数据治理、数据共享等领域提供了广阔的市场空间，国产品牌份额增长的趋势明显，互联网行业、金融业（以大型银行为代表）以及部分电力企业相对比较领先。在市场规模方面看，政务、金融等行业最为领先，其次是能源行业（以电力企业为代表）、零售业，其他行业如制造业（尤其是在涉及

165、到物联网数据采集与处理的场景中）、交通业（设备上产生数据的采集与治理）、医疗行业（医保数据相关）、建筑工程业（国企类型的企业）的数据治理成熟度迫切需要提高，从而也有着较高的应用潜力。IDC 发布 中国数据治理市场份额，2022 报告显示，2021 年中国数据治理市场整体规模达 39.7 亿元人民币，年复合增长率为 15%，处于快速增长阶段。头豹研究院预计，数据治理市场规模将在预测期间以 33.83%的年复合增长率于 2024 年达到 325.5 亿人民币的价值。2022 年中国政务数据治61理市场规模达 47.5 亿元人民币，增长率为 19.65%，处于稳步增长阶段。其中，由数据汇聚产生的数据

166、治理需求，主要集中在省、市、县数据资源管理局（大数据局）占数据治理投资的 86%，部委及直属机构的数据治理占 2022 年中国数字政府数据治理投资的 14%。从厂商的角度看，数据治理市场主要由专业数据治理公司、综合软件厂商、咨询公司构成。基于国际理论（如 DAMA-DMBOK，也包括近两三年推广的国标 DCMM）以及自身实践经验，咨询公司在咨询上有较强优势，但是在产品建设上较弱，而专业数据治理公司、综合软件厂商则在产品侧较强，并且相对于国内厂商，海外厂商在数据治理上有明显的云转型的趋势。在国际市场，IBM 通过云和 AI 技术为企业提供整体的数据治理解决方案，同时也重视隐私和安全，主要包括 I

167、BM Cloud Pak for Data 和 IBM Watson Knowledge Catalog Informatica(数据管理软件提供商)的数据治理方案也在朝着云和运用 AI 和机器学习智能化及自动化方向迁移，同样对隐私和安全问题也非常重视，主要通过 Intelligent DataManagement Cloud 提供数据治理服务。在国内市场，主要数据治理厂商通过智能化数据中台提供数据治理解决方案，包括主数据管理平台、元数据管理平台、数据资产管理软件、数据目录资源软件、数据共享服务平台等，并以咨询服务加产品的商业模式向企业提供数据治理整体解决方案。从监管层面来看，数据安全合规、数

168、据监管已成为全球关注的问题，各国均不断加强数据监管建设，并且推动数据治理的需求不断增强。从技术层面来看，数据治理平台要与行业、场景深度融合，将行业的业务模型内置到治理平台中，开发行业套件，加快治理效率。同时将人工智能技术逐步应用到数据治理中，推动数据治理功能更加成熟完善，进一步推动数据治理市场的快速发展。整体来看，数据治理越来越受到政府和企业的重视，逐步内化成为了组织机制建设的一部分，成为了数字化转型的基础性和关键性工作。5.3 问题与挑战5.3.1 数据质量意识薄弱，数据治理滞后62长期以来,数据被定义为业务系统的附属品,数据所能带来的价值尚未得到充分肯定。这也导致了我国的信息化发展一直侧重

169、于应用系统建设而忽略了数据建设,数据应用仅仅停留在统计、分析和展示层面,缺少深层次的应用价值挖掘,进而导致了在整个信息化建设进程中,数据质量一直未得到重视,数据质量文化建设不到位。大多数工业企业缺乏专门的数据管理组织，投入数据管理的人力也有限，且大部分做的是数据操作基础工作，缺少顶层规划和管理的组织架构和人员。虽然有部分企业建立了数据管理的相关制度、标准、流程及绩效管理机制，但很多企业在这方面都是缺失的。5.3.2 数据基础薄弱我国工业企业的数据资源存量普遍不大。同时，管理手段比较落后，大多企业仍在使用纸质或更原始的方式进行数据管理。数据孤岛几乎是所有企业都面临的困境。从单一企业内部来看，存在

170、着不同时期由不同供应商开发建设的客户管理、生产管理、销售采购、订单仓储、财务人力等众多 IT 系统，可谓烟囱林立。而要深度推进智能化，不仅信息系统要横向互通，还要进一步纵向打通 IT 和 OT两界的数据，难度非常大。而且，企业越大，管理和技术包袱越重。从产业链来讲，工业企业的上下游供应链之间缺少数据的互联互通。大部分企业并没有实现供应链协同，销售订单和采购订单还依赖于传统的电子邮件或者纸质传递。这种传统的方式很难做出精准的销售预测，更别说进行个性化的定制。5.3.3 数据治理责权体系不健全在数据信息化的发展过程中,信息化建设由各个业务部门自发开展,并以支撑本部门业务流转为主要目标。直到近几年,

171、随着大数据管理职能部门的成立,数据才转为专门的职能部门负责,但是在管理机制和权责方面仍未形成成熟的体系,主要体现在顶层规划、标准体系、评价体系、考核体系等方面的欠缺，尤其是数据质量管控相对滞后,管控工作片段化,没有形成完整的数据质量管控体系和全面的数据质量保障机制,从而制约了数据资产价值的充分发挥。635.3.4 自动化和智能化质量管理技术应用不足随着大数据的蓬勃发展,政务数据在类型、数量、增速等方面的特点显著增强。数据库规模的不断增加、不同数据源之间的关系愈加复杂、数据处理的实时性要求越来越高,这些因素给数据质量管理工作增加了困难。非自动化的方法、普通脚本监测的方式已无法满足数据质量管理的要

172、求,尤其是在面对复杂业务和海量数据的情况下,缺少必要的技术手段来进行数据质量管理工作。5.3.5IT 融合所带来的问题与挑战数据治理与 IT 融合既需要解决公共信息基础设施建设问题，也需要兼顾数据流动过程中的秩序、效率与效果等核心内容，如何有效解决因 IT 融合而引发的数据保护问题、数据资产开发等问题需要从数据治理的全局层面进行思考。5.3.6 数据资产管理与业务发展存在割裂现阶段，企业开展数据资产管理主要是为经营管理和业务决策提供数 IT 据支持，数据资产管理应与业务发展紧密结合，数据资产也需要借助业务活动实现价值释放。然而，很多组织的数据资产管理工作与实际业务存在“脱节”情况。一是战略层面

173、不一致，多数企业并未在企业发展规划中给予数据资产管理应有的组织地位和资源配置，未体现数据资产管理与业务结合的方式与路径，企业数据管理内驱动力不足，投入的资源资金不足以支撑数据管理的有效开展。二是组织层面不统一，数据资产管理团队与业务团队缺乏有效的协同机制，使数据资产管理团队不清楚业务的数据需求，业务团队不知如何参与数据资产管理工作，面临数据管理价值不明显、数据管理路径不清晰等问题。5.4 最佳实践5.4.1 金融业数据治理实践金融行业是一个高度依赖数据的行业，数据治理在金融机构中尤为重要。针对金融行业，主要从管理制度、技术框架、业务应用服务等角度进行数据治理：64（1）管理制度管理制度是数据治

174、理的基础，它为数据治理提供了一套明确的规则和流程，确保了数据质量的合规性和安全性。这些制度可以确保数据的正确使用、保护和管理，从而提升组织的数据价值和决策能力。1）遵守合规性要求：金融行业受到严格的法规和合规性要求的约束，包括数据隐私、安全性、反洗钱和反欺诈等方面。2）强化数据安全和隐私保护：数据安全和隐私保护是金融行业数据治理的核心要素。实施强大的安全措施，如加密、访问控制、身份验证和审计跟踪，以保护客户敏感信息的机密性和完整性。3）建立数据质量管理机制：数据质量对于金融机构至关重要。建立数据质量管理机制，包括数据验证、清洗、纠正和标准化，以确保数据的准确性、一致性和完整性。4）数据访问和共

175、享管理：确保合理的数据访问和共享是金融数据治理的重要方面。建立严格的数据访问权限和角色，确保只有授权人员可以访问敏感数据，并采取措施确保数据的安全共享。5）培训和意识提升：为金融机构员工提供数据治理培训和意识提升活动，使其了解数据的价值和重要性，以及数据治理的最佳实践。员工应该知晓数据隐私和安全的重要性，并遵守相关政策和规定。（2）技术框架制定一个全面的数据治理框架，明确组织的数据治理目标、策略和流程。框架应该涵盖数据所有权、数据质量管理、安全和隐私保护、数据访问控制等方面，并与组织的战略目标相一致。（3）应用服务1）数据分类和分级：对金融机构的数据进行分类和分级，根据其敏感性、合规性要求和风

176、险级别来确定适当的数据管理和保护策略。不同类型的数据需要采取不同的保护和安全措施。2）数据分析和洞察：有效的数据分析和洞察可以帮助金融机构做出更明智65的决策和提供个性化的客户体验。建立适当的数据分析能力，并采取隐私保护措施，以保护客户的隐私权。3）建立风险管理机制：金融机构需要建立有效的数据风险管理机制，识别、评估和管理与数据相关的风险。包括制定应急响应计划和灾难恢复计划，以应对数据泄露、系统故障等潜在风险。4）定期审查和监测：定期审查和监测数据治理实践的合规性和有效性，确保数据治理框架和策略的持续改进。进行内部审计和外部审计，以确保数据的合规性和安全性。以上是金融行业数据治理的一些最佳实践

177、，但具体的实践方法需要根据组织的规模、业务需求和法规要求进行调整和定制。5.4.2 软件和信息技术行业数据治理实践数据治理是在软件和信息技术行业中确保数据质量、合规性和安全性的关键实践之一。以下是适用于软件和信息技术行业的一些数据治理的最佳实践方案：（1）管理制度1）制定明确的数据治理策略：制定一个明确的数据治理策略，明确组织的数据治理目标和原则。策略应该明确数据的所有权、责任和访问权限，并确保数据治理实践与组织的战略目标相一致。2）建立数据管理团队：组织一个专门的数据管理团队，负责数据治理的规划、实施和监督。该团队应该由数据专家、数据管理员和业务代表组成，以确保跨部门的合作和协调。3）数据安

178、全和隐私保护：采取适当的安全措施来保护数据的机密性、完整性和可用性。包括实施访问控制、加密和身份验证等技术措施，并确保符合适用的隐私法规和法律要求。（2）技术框架1）数据质量管理体系：确保数据的质量和准确性是数据治理的核心要素。建立数据质量标准和度量指标，并实施数据验证、清洗和纠正措施，以确保数据66的一致性和准确性。2）数据访问和共享管理：确保数据的适当访问和共享是数据治理的重要方面。定义数据访问权限和角色，并采取措施确保数据的安全共享，例如使用数据共享协议和安全的数据交换机制。（3）应用服务1）数据分类和分级：对组织的数据进行分类和分级，根据其重要性、敏感性和合规性要求来确定适当的数据管理

179、和保护策略。数据分类可以帮助组织优先处理敏感数据并采取适当的安全措施。2）监测和合规性审计：建立监测机制，定期审查和评估数据治理实践的合规性和有效性。进行定期的合规性审计，确保数据治理政策和实践符合适用的法规和标准。这些最佳实践可以帮助软件和信息技术行业的组织确保数据的质量、合规性和安全性，从而有效地管理和利用数据资产。然而，需要根据组织的具体需求和业务环境来定制和调整这些实践。5.4.3 政务行业数据治理实践数据治理是政务行业中确保数据质量、合规性和安全性的关键实践之一。以下是适用政务行业的一些数据治理的最佳实践方案：（1）管理制度1）加强顶层设计，建立权责明晰的政府数据治理组织架构。譬如设

180、立专门的政府数据首席数据官等，明确政府在数据治理中的权责，并清晰界定各级政府在数据采集、存储、管理、使用等环节中的责任。2）推进依法治理数据，构建体系完备的政府数据治理政策法规。比如由网信办或者大数据管理局牵头，联合全国信息技术标准化委员会和全国信息安全标准化技术委员会共同成立统一的数据标准研制部门，专门负责制定政府数据治理标准，如主数据标准、元数据标准、业务数据标准、质量标准、安全标准等。673）打破数据壁垒，完善开放共享的基础政府数据资源体系。打造以“聚、通、用”为导向的政务数据资源“智能共享池”，将散落在各个委、办、局的政府数据智能整合起来，助力政务数据资源体系建设。4）强化风险防范，健

181、全科学合理的政府数据安全保障机制。全方位织密筑牢政府数据安全防控网络，突出人工智能技术思维和立体防范,注重主动防御、动态防御、整体防护和精准防护。采用物理隔离、病毒防护、加密脱敏、数据备份、身份认证、访问权限等技术手段，有效防止数据违规采集、数据泄露、数据篡改、数据滥用等安全事件发生，切实保障人工智能背景下的政府数据安全。5）注重技术创新，打造切实有效的政府数据综合治理平台。以全国一体化政务服务平台建设为依托，利用人工智能、区块链等技术加大政府数据智能服务平台的建设力度，努力打造高质量的数据治理平台以支撑政务服务。（2）技术框架以建立健全政务数据治理管理体系与框架为基础，保障数据治理实施。首先

182、，建立自上而下的数据治理保障机制，包括组织与人员、明确数据治理相关职责、制定规范化流程。其次，定义持续治理所需要的活动，包括数据治理效能模块、数据资源沉淀模块等。再次，利用数据治理平台与工具承载数据治理措施，将治理成果落实到业务与分析系统中。最后，通过数据成熟度与考核体系，为政府提供全面有效的评价信息，便于评估整体能力、指导改进方向、迭代优化数据治理工作。（3）应用服务1）数据汇聚。从各业务系统抽取数据、元数据汇聚到数据管控平台，各业务部门只需输入库、表等字段进行智能查询，便可确定相关元数据信息，减轻业务人员手工管理数据的负担。2）标准统一应用。形成系统性的标准体系，做到各业务系统标准的一致性

183、。3）异常数据快速定位。通过标准化建设，进一步将数据场景和数据源头建68立血缘关系，解决数据“从哪里来到哪里去”的溯源问题。4）可视化分析。通过提炼相关指标，可视化分析用户关注的热点等问题，有针对性地调整服务和政策。5）客户画像。从不同的维度对数据建模，抽取画像，服务于不同的业务场景。6）智能报表。通过 AI 智能汇聚形成高质量、标准化、规范化的数据报表。7）数据分级分类：结合政务数据分类分级指南，进行数据分类分级的达标或变更，持续跟踪数据分类分级的情况，依据数据分类分级结果动态调整安全监测和防护策略。在具体实施过程中，根据不同场景，可与数据资产管理系统、传统数据库、大数据库等进行对接，根据不

184、同行业选择不同的识别引擎，通过识别关键要素并结合分类分级的规则进行自动化分类分级。69六、数据资产运营：共享与开放视角6.1 数据开放与共享概念数据开放和共享均为实现数据资产化重要方式。目前关于数据开放和共享概念的界定有以下几类：在数据资产管理实践白皮书（5.0 版）中，数据共享是指打通组织各部门间的数据壁垒，建立统一的数据共享机制，加速数据资源在组织内部流动。数据开放是指向社会公众提供易于获取和理解的数据，对于政府而言，数据开放主要是指公共数据资源开放，对于企业而言，数据开放主要是指披露企业运行情况、推动政企数据融合等。在数据治理-工业企业数字化转型之道中的解释是：数据共享主要指的是面向企业

185、内部的数据流动，其中由数据应用单位提出企业内部跨组织跨部门的数据获取需求，由对应数据供给单位进行授权并由信息部门向该数据应用部门开放数据访问权限。而数据开放则指企业向政府部门、外部企业、组织和个人等外部用户提供数据的行为。根据上述定义，数据开放和共享一定程度上是政府公共数据对外开放的专有名词，从企业视角来看，目前企业内部未形成统一规范的企业数据管理组织，不存在数据开放主体，无法实现数据开放，可把各部门内部的数据流动看作数据共享。本文所指的数据开放是指数据拥有方将原始数据向全社会进行开放，任何团体和个人都可以进行下载、利用和开发的数据管理方式。开放数据是具备必要的技术和法律特性，能被任何人在任何

186、时间和任何地点进行自由访问、利用、再利用和分发的电子数据。由此可见，“信息自由”、“信息公开”为数据开放的发展奠定良好基础，数据开放是经济社会运行、发展以及技术进步的客观需求，可为价值创造提供基础条件。目前，公共数据开放是数据开放的主要内容。公共数据开放是指向自然人、法人或者非法人组织依法提供公共数据的公共服务行为。公共数据开放可以让社会公众和市场主体充分参与公共数据价值挖掘，可优化营商环境。同时，也增加了政府工作透明度，极大降低市场主体获取数据资源的成本，促进公平竞争，激发数字经济创新活力。70数据共享是指组织内部各主体可以进行相关数据的共享、利用和开发，包括政府部门之间、跨行政区域政府间、

187、政府与企业间、企事业单位之间及组织机构间等都可进行数据共享。打通各组织各部门间的数据壁垒，建立统一的数据共享机制，加速数据资源在组织内部流动。数据共享起源于科学数据共享，其主要目的是验证和重复研究结果，是以解决具体问题为导向。由此可见，对于具备公共属性的数据，在组织体系内部流通属于数据共享，如政府机构内部的数据共享。数据开放通常会鼓励采用通用数据标准和互操作性较高的系统，这简化了跨不同平台和系统的数据集成，使数据共享更加高效。6.2 数据开放和共享的价值分析数据开放和共享已成为数字经济时代创新发展的重要抓手和核心环节，对数字政府建设、数字经济发展、数字社会治理、数字生态构建均有重要价值和意义。

188、深化数据开发利用，可提升城市治理能力、改善政务服务水平、保障社会正常运行。深入挖掘数据价值和运用数字化信息技术，可以对市场主体的多样化、个性化需求进行精准识别和有效回应，不断提升公共服务的智能化水平，真正实现用数据治理、用数据说话、用数据发展、用数据改进和用数据创新的资产化多维价值传递闭环。6.2.1 数据开放共享有利于提升政府治理和公共服务能力数据开放与共享可以提升政府信息公开与利用的深度和广度,促进信息透明度。数据开放对象是经过特定主体特定需求处理的数据，而原始数据是未经任何处理的，因此不会因为处理者的差异带来任何差异，可以充分地分析而产生不同的价值。在数字经济时代，原始数据由于其导向多元

189、、使用灵活而价值更突出。政务数据开放与共享的范围、程度、速度是政府数字化转型的重要衡量指标。数据开放共享、发挥数据生产力是政府数字化转型的重要前提。传统的部门分割的科层制政府组织，很难服务与监管无边界融合发展的数字经济与数字社会，可能出现政府失灵、无秩序、缺乏活力等问题。只有通过政府数字化，实现政府与公众、企业的高效连接和信息互通，架构起现代多主体合作共享的公共治理体制机制，才能提高公共服务的效能、满意度和透明度，重塑行政权力运作模式；只有71通过政府数字化，实现部门之间信息充分共享和流程集成优化，才能形成高度协调、密切合作的运行机制，重塑政府组织架构和职能配置模式。6.2.2 数据开放共享有

190、利于激发企业协作、创新创业和经济活力数据开放促进了基于数据应用的新技术的研发和产生；数据开放促使企业提升创新能力，从而激活新兴市场创造新财富。政府开放数据对经济的促进作用明显，一方面政府数字化和治理能力现代化能够赋能数字经济发展，提升经济发展活力，另一方面数据开放本身带来创新创业的机会，刺激企业把握新的商机、提升竞争能力，特别是有些政务数据与企业自身所掌握数据之间形成匹配，可以为经济社会发展提供更好的服务手段。政府作为公共部门运转产生政务数据，因此政务数据作为公共资源是免费向社会开放的。政府收集、存储和传输甚至开放数据，都是为整个社会服务的，这些公共资源在不涉及国家安全、商业秘密和个人隐私的前

191、提下，应向社会和企业无偿开放。这与数据需求者从市场手段取得的数据不同:一方面可以降低社会开发利用数据的成本;另一方面也可以降低整个社会数据应用创新的风险，极大地提升了企业创新活力。同时可以促进协作和创新:开放数据共享鼓励研究人员、科学家和企业之间的协作。当数据被更广泛的社区所访问时，它可以激发新的想法、发现和创新。研究人员可以以彼此的工作为基础，从而在各个领域取得更快的进展。在促进经济增长与发展方面，开放数据作为企业的宝贵资源，当公司间共享非敏感数据时，可以利用它来确定市场趋势、消费者偏好和潜在的商业机会。这反过来又能促进经济增长和创造就业机会。6.2.3 数据开放共享有利于社会治理创新政府数

192、据的开放不仅打破了对数据的垄断，建立了数据共享的模式，也打造了政府同市场、社会、公众之间互动的平台。数据分享和大数据技术应用，可有效推动政府各部门在公共活动中协同治理，提高政府决策的水平。实现数据开放与共享，可以方便更多的人充分地使用已有数据资源，减少资料收集、数据采集等重复劳动和相应费用，而把精力重点放在开发新的应用程序及系统集成上。总的来说可以为组织带来如：降低运营成本、增强业务能力、提高效率、集中访问数据以减少重复数据集、促进组织间的沟通与合作，加强参与组织之间的联系等72益处。除此以外，数据共享的程度也反映了一个地区、一个国家的信息发展水平，数据共享程度越高，信息发展水平越高。而要实现

193、数据共享：首先，应建立一套统一的、法定的数据交换标准，规范数据格式，使用户尽可能采用规定的数据标准；其次，要建立相应的数据使用管理办法，制定出相应的数据版权保护、产权保护规定，各部门间签订数据使用协议，这样才能打破部门、地区间的信息保护，做到真正的信息共享。数据开放可以在解决社会挑战方面发挥关键作用。例如，通过共享关于医疗保健、环境因素或贫困的数据，研究人员和政策制定者可以确定模式并制定有效的解决方案，以改善公共福利。此外，在科学研究领域，数据开放对于可复制性和可验证性至关重要。当研究人员公开分享数据时，它允许其他人验证他们的发现，有助于知识的进步。6.3 数据共享开放与数据资产化6.3.1

194、数据共享与开放是数据资产化的基础数据资产化的前提是将数据看作一种可变现的资产。在大数据时代之前，数据从未被纳入财产权的调整对象来考量，如果以对比的角度思考大数据时代前后的数据，其存在形式、载体并未本质区别，最大差异在于数字经济背景下，各类市场主体意识到数据的使用价值和交换价值，而在这种财产性价值产生全过程中，数据开放和共享是最基础、最核心的环节。海量数据的价值通过收集、分析、治理转化到所得到的结果之中，数据增值的第一步是政府、企业收集的个人原始数据，拥有数据加工、治理的技术储备并不意味着可以取得有实质性应用价值的数据，获得原始数据的授权使用渠道才是首要关注点，数据开放和共享便是最主要的数据收集

195、方式，因而数据开放和共享是数据资产化过程的基础保障条件。6.3.2 加快数据共享与开放是数据资产化的目的从另一角度来看，数据资产化进程的推进和规则的建立可促使数据共享活动更为顺畅，在明确数据资源、数据资产、数据资本各个不同数据范畴所确立的主体权利后，便于数据进一步被开放、共享和应用。数据开放和共享带来的价值变现过程使得数据权属的争议减少、分歧逐步弥合。比如，在企业试图获得个人用73户共享数据使用权时，用户可以与企业进行合理的交易协商，在达成符合双方预期的情况下处分自己所享有的数据价值变现权利，实现双赢。同时，企业从用户或者政府侧取得数据后，需要对收集数据做进一步深度分析与处理，得到的数据产品、

196、数据分析结果也将经历数据共享过程。企业利用数据产品优化自己经营模式、调整商业战略活动的同时，也可将其作为产品销售给其他企业，形成良性循环的闭环。但当下由于数据资产化体系和制度规则的缺失，在数据开放和共享时，双方极易产生有关共享数据利用界限的争议。随着市场运行机制的逐步完善，政府、企业及个人间在协商数据开放和共享时便有法律和制度上的参考和依据，进而实现数据资产化的快速推进。6.4 数据开放和共享现状6.4.1 政策制度及管理机制我国政府近年来连续发布多项政策措施、制定法律法规、完善管理机制、规范标准体系等手段全方位、立体化促进数据开放共享。地方层面，各省市陆续成立大数据局等相关机构。地方政府部门

197、通过出台政策和建设平台推动数据开放与共享，并出台了与数据开放紧密相关的政策法规，如广东省公共数据开放暂行办法 上海市公共数据开放暂行办法浙江省公共数据开放与安全管理暂行办法 贵州省政府数据共享开放条例等，为政务数据以及公共数据开放和共享奠定了法律基础和工作依据。相关数据开放及共享标准规范也陆续出台，如信息技术大数据政务数据开放共享第 2 部分：基本要求（GB/T38664.22020）和信息技术大数据政务数据开放共享第 3 部分：开放程度评价（GB/T38664.32020）、公共数据开放第 1 部分：基本要求（DB37/T3523.12019）和公共数据开放第 2 部分：数据脱敏指南（DB3

198、7/T3523.22019）等在内的多项国家标准、地方标准以及团体标准，为数据开放和共享工作的标准化和规范化提供保障和依据。6.4.2 政府数据开放和共享国家“十四五”规划纲要中强调要“鼓励第三方深化对公共数据的挖掘利用”。74国家网信办发布的数字中国发展报告（2021 年），截至 2021 年，全国省级公共数据开放平台开放的有效数据集达到 25 万个，数据的开放与共享，呈现快速增长态势。据国家工业信息安全发展研究中心测算，预计到 2025 年，数据规模将突破1749 亿元，其中公共数据体量庞大，占整个数据规模比重高达 70%-80%，蕴藏巨大经济和社会价值潜力。根据中国地方政府数据开放报告统

199、计结果，截至2022年10月，我国已有208个省级和城市的地方政府上线了数据开放平台，其中省级平台 21 个（含省和自治区，不包括直辖市和港澳台），城市平台 187个（含直辖市、副省级与地级行政区）。与 2021 年下半年相比，新增 15 个地方平台，其中包含 1 个省级平台和 14 个城市平台，平台总数增长约 8%，发展十分迅速。整体上，我国 74.07%的省级（不含直辖市）和 55.49%的城市（包括直辖市、副省级与地级行政区）已上线了政府数据开放平台，东南沿海和中部地区的政府数据开放平台已经基本相连成片。6.4.3 企业数据开放共享目前以市场化行为为主，基本处于探索和黑箱状态。近年来，中

200、国在企业数据开放共享方面也进行了卓有成效的探索。例如，商业银行与三大电信运营商和公安系统通过数据合作，共同开展金融反欺诈业务。特别是在金融领域，通过用户授权基础上的数据融合和数据集成，增强了金融服务的广度和深度。互联网贷款也可以看作是中国典型的企业数据开放共享模式之一。商业银行通过互联网平台多维度大数据共享，拓展获客渠道，降低信息获取成本，提高风控效率。以互联网平台企业为例，互联网平台为客户提供更好的消费体验，促进了业绩增长，消费者也获得更好的消费体验、更低的信贷门槛和贷款利率。更重要的是，以平台为纽带形成了数据开发利用生态，平台与平台上的商户，以及产业链上下游企业之间的数据共享往往进行内部约

201、定或通过签订协议方式进行点对点提供，平台企业的数据定制化服务也仅对生态内企业进行提供，很少对外公布其数据开发利用方式。因此，企业间数据共享存在隐蔽、不透明等特点，亟待规范性发展。且目前企业数据共享主要是以市场化行为为主，将掌握数据变现作为企业数据开放追求的核心目标，包括提供金融数据的万得、提供企业信用数据的天眼查、企查查，以及提供股市投资数据的同花顺等等，这些企业均在细分行业领75域内以其特色化的数据服务获得了大批用户，这些企业的数据开放已经完全是市场化行为。6.4.4 政企数据开放和共享在政企数据开放和共享方面，其显著特点是由政府主导型向政府合作型转变。目前主要有两种模式：第一类是搭建政企数

202、据共享平台，政企优势互补、各取所需。比如辽宁省市场监督管理局与美团点评集团签署 食品安全战略合作协议，开展数据对接项目。南京市雨花台区与苏宁物流联手打造政企数据交互共享平台。第二类是政府数据授权运营，比如重庆市成立了数字重庆大数据应用发展有限公司。国家卫健委、山东省政府、济南市政府和浪潮签署合作协议，将山东全省健康数据授权给浪潮运营。北京市开设金融公共数据专区，市经信局与北京金控集团签署北京市金融公共数据专区授权运营协议，通过市场手段推动政府公共数据在金融领域的社会化应用。6.5 数据开放和共享面临的问题6.5.1 数据开放和共享政策法规待完善目前，我国还未出台国家层面的政府数据开放共享专门立

203、法，国家顶层设计缺失，现有的诸如政府信息公开条例促进大数据发展行动纲要等法律法规条例不适用于大数据背景下政府数据开放共享中行政法律关系处理，难以满足数据资产化过程中数据收集、数据流通以及数据开发再利用等市场化需求。同时，我国虽有百余项政策规定了数据开放和共享的基本要求，但绝大多数政策执行力度有限，无法引导政府数据开放共享的具体实施流程，使数据要素市场建设中数据的开放、共享、运营各环节存在较多隐患。地方政策文件的指导性有待细化和完善。一方面，政策文件法律效力尚有提升空间，发布时间相对滞后。目前已发布的政策多为政府数据开放共享政策法规皆为管理办法、暂行办法、试行办法以及征求意见阶段，部分经济较发达

204、的城市发布的是规定性文件和准则，对政府数据开放共享的实施指导更为具体。整体上，政策发布时间均晚于平台建设时间，对于数据开放共享管理存在滞后现象，形成“实践先行，立法滞后”的局面；另76一方面，政策文本内容有待完善，对政府数据开放共享的界定与具体实施方式仍有改进空间。6.5.2 数据管理组织条块分割严重长期以来的政府工作机制，形成部门职能条块分割，比如各行业主管部门掌握着大数据，与各地新成立的大数据机构间职能关系有待统筹协调。需要制定数据开放共享的标准规范，保证数据开放共享的渠道畅通，解决因为基础数据多源头重复采集、数据不一致、数据质量不高导致当前数据不好用、不能用以及不能互操作等问题。6.5.

205、3 城市数据孤岛问题显著由于我国在国家层面未建立统一的政府数据开放共享平台，且各平台数据结构、数据编码、数据接口各异，数据采集标准、元数据标准规范不一，形成市、县(区)、街镇、村社之间跨层级、垂直层面间的数据流通壁垒，难以交换共享。且不同省市间信息技术发展有所差异，数据开放力度不一，数据建设水平参差不齐，难以打通城市藩篱、因而形成数据孤岛现象。最后，部门间的数据共享不充足。虽然各平台均上传多个部门开放数据，但各部门之间开放的数据资源在数量、种类、质量等方面具有较大差异，存在部门间开放共享的数据量差异大、数据缺失、流通不畅、整合困难等问题，使得城市在智慧化、智能化建设中所获取的数据不够充足，影响

206、城市的宏观调控能力与各领域工作效率。6.5.4 数据应用水平有限目前数据开放共享范围仅限于政务和公共数据，而且开放共享的程度有限，更多停留于信息公开，应该让更多有需求却没能力的用户不仅能知道数据、发现数据，而且有能力获得数据、利用数据，并对数据进行互操作，进一步释放数据开放共享的潜在价值。目前，各行业积极参与数据开放与共享，政府也出台了相关法规和政策，鼓励和规范数据的开放和共享。因此数据开放与共享已经成为一个巨大的市场，预计到 2024 年将达到 8715 亿元。其中，政务、金融、医疗健康、能源等领域是数据开放与共享的主要应用领域，需要重点关注。776.5.5 数据开放共享技术难点（1）跨领域

207、技术融合问题在数据开放共享跨领域技术融合方面，通常不同领域会将各自独立收集的数据进行开放共享，并利用相关技术手段进行整合和分析，进而实现信息交流、协作和创新。但是不同领域之间的数据格式、内容、结构等都有所不同，因此在数据开放共享时需要解决数据规范化、分类、清洗等问题，以确保数据质量和可用性。数据开放共享需要借助相关技术实现，如云计算、人工智能、区块链等，这些技术的应用和融合需要专业知识和经验，同时也需要高昂的成本。当前，联邦学习、多方安全计算等隐私计算技术，以及区块链技术已经进入商业落地使用阶段，商业化进程的不断加速，数据安全保护问题逐渐揭开迷雾，随之而来要形成规模化、标准化推广和应用。基于数

208、据流通的主要技术现状，与现实业务应用需求的矛盾，和市场规模化发展的矛盾，核心挑战来到新的维度如何在保证安全的基础上，提升效率和有效性，破解安全和性能的平衡点。（2）数据的隐私安全问题除法律体系和机制体制建设外，数据安全技术的发展对于数据开放与共享以及数据资产化均发挥着关键的作用。数据安全不仅仅是个机制和法律问题，也是个技术问题，绝大部分的数据安全问题都可以找到技术解决方案。数据开放共享技术安全性问题是指在数据开放共享的过程中，存在着多种可能导致数据泄露、被篡改或被滥用的安全风险。主要包括：数据隐私保护、数据完整性、访问控制、安全审计和系统漏洞等方面。需要建立完善的安全管理体系，采用多种技术手段

209、对数据进行保护，并加强人员的安全意识教育和培训，提高整个数据共享系统的安全防护水平。随着信息技术的发展，网络攻击技术也在不断发展升级。传统的设备防护机制存在极大的漏洞，导致这些攻击技术对数据的存储设备造成严重威胁。因此如何构建设备群组提升整体防御能力，降级被恶意攻击盗取用户数据的风险成为亟待解决的问题。数据流通流程的透明化进程亟待加速。目前，数据流通的流程仍存在不公开、不透明的问题，数据安全管理体系存在较多漏洞，数据安全技术体78系尚不完善，缺乏统一的行业标准和建设流程。因此，建立用户、企业和外部企业之间的信任和良好合作关系，完善数据安全管理体系，提升数据安全的能力是保护未来保护数据隐私安全进

210、程中的巨大挑战。整体上，数据隐私安全保护产品处于初步应用阶段，市场需求尚未完全挖掘，大部分行业由于数字化程度低、业务流程不明确，导致缺乏市场需求，因此产品距离实现大规模工业化，仍需要进一步优化完善。在实际应用中，技术服务平台可能只提升行业共性的业务表现，但缺乏对于研发架构、更新底层技术基础等的实践。6.6 数据开放和共享的资产化运营模式6.6.1 资产化运营体系实现数据资产化，需要经过收集-存储-治理-交易-应用等过程，在市场上发现和实现基础性数据资产的“一次价值”和服务性数据资产的“二次价值”。数据收集企业将原始数据经过数据治理后的数据产品进行确权，然后利用原始或者建模处理后的数据进行打包入

211、库，依据计量计价单位对数据产品进行估值定价，利用数据信息完成相应的企业业务，实现其“一次价值”；在市场上流通，为外部企业提供服务，实现其“二次价值”，通过流通情况的变化对数据产品进行折旧、保值和增值管理，根据数据产品的价值变化进行数据产品优化。数据源源不断产生，数据资产化建设的流程循环迭代。图 6-1：数据资产化体系加强数据资产化的建设，能促进数据产品在市场上合法合规流通交易。缺少流通过程，累积的数据就是一潭死水，随时都可能爆发“数据沼泽”的危机；数79据资产进行合法合规的流通循环，才能促进实现数据资产的“一次价值”和“二次价值”。加强数据资产化建设，是对优化数据治理、明确数据权属、促进数据建

212、模和装盒入库、实现数据资产估值和进行数据资产折旧、保值和增值管理流程的重视，实现透明清晰的数据资产化建设过程，进而促进企业挖掘应用场景，经营数据产品业务，按照有关监管法律法规进行健康流通。本文首先针对行业的模式机制难点，提出数据流通的体系框架。即在法律法规、监管合规要求下，数据高效流通交易、数据要素市场规范发展，有赖于行之有效的流通模式等规则机制和安全可靠的技术能力支撑。由此可见，数据开放和共享能获得的收益也可以分为两层：第一层级，数据开放与共享本身所产生的价值，即常规的数据交易行为。各个大数据交易所正是以数据交易为抓手来推动数据的开放共享。但由于目前仍未建立科学合理的数据价值评估体系，无法确

213、定数据资产和数据产品的交易价格，市场化运行机制有待完善，这就涉及数据价值的第二层级，即基于数据开放和共享数据应用所产生的衍生价值。相对于数据本身的价值，其源自数据场景应用的使用价值要高很多。因此，在数据资产化过程中，要将重点放在数据使用价值的挖掘上。通过数据开放和共享，将散落在各个角落的数据汇聚起来，再借助人工智能、大数据信息技术进行数据分析、数据挖掘和数据应用，用数据赋能业务，提升企业的决策、运营、生产、营销效率，让数据产生足够高的剩余价值，再依据共享数据相关各方的贡献程度，来分配数据产品和数据应用所产生的剩余价值。针对现阶段数据资产化市场发展所面临的挑战，提出包含数据资产化规范体系（顶层设

214、计、法律法规、标准规范）、规则机制（确权机制、评估机制、可信机制、供需管理机制、生态合作机制）、技术体系等内容在内的数据流通体系框架，自上而下指导和促进、自下而上支撑和推进，以保障数据来源可确认、使用范围可界定、流通过程可追溯、安全风险可防范。在规范体系的顶层指导下，通过规则机制和支撑能力体系双轮驱动，形成场内外多层次数据流通服务模式，共同推动数据流通市场高质量发展。针对技术难点，提出区块链和隐私计算结合的方案。在数字经济发展过程中，面对由于数据相互割裂而形成的数据孤岛，难以实现数据价值最大化的问题，隐私计算和区块链的结合为此提供了很好的解决方案。隐私计算是以多方安全计算、80同态加密、联邦学

215、习和可信执行环境等为代表的现代密码学和信息安全技术，在保证原始数据安全隐私性的同时，完成对数据的计算和分析，实现数据的“可用不可见”。隐私计算保障了计算过程中数据的隐私保护问题，但在数据传输流转的过程中无法保证安全问题。隐私计算是多方之间参与的联合计算，计算过程中会涉及一轮或多轮通信。如果参与隐私计算的节点存在主观作恶的意图，就可以利用中间结果进行攻击。当多方节点共同参与隐私计算时，数据确权问题也会成为隐私计算过程中遇到的挑战。要让隐私计算中数据更高效、安全地互通互传，需要引入更多的安全机制。区块链通过其数据可溯源、难以篡改、智能合约自动执行等技术特点，可以提供数据全生存周期的全闭环管理。实现

216、上链前数据真实性交叉验证，上链后数据难以篡改和可追溯；还可以通过共识机制在参与方之间建立信任基础，实现点对点的价值传递；还通过协同机制、激励机制的设置与共识，促进数据开放共享与价值协作。但与此同时，区块链也面临一些挑战，比如如何保护链上数据隐私等问题。透明性是区块链的特性之一。交易数据经过验证节点验证状态和有效性达成共识后上链，上链的账本数据是所有参与节点都可见的，不能完全满足数据的隐私保护。合作机构或组织出于自己数据安全的考虑，可能会放弃加入联盟链，从而限制了联盟链的发展。要想解决链上数据的安全问题，需要引入其他的隐私保护机制。隐私计算和区块链在很大程度上做到了能力互补。隐私计算和区块链相结

217、合，不仅融合了二者的优势，也能解决双方技术面临的部分难点问题，实现“1+12”，既能在数据共享过程中有效保护个人信息，实现数据的安全流通，还能为数据的真实性、数据确权等合规问题提供可行解决方案，实现全流程可记录、可验证、可追溯、可审计，并为进一步建设高效率、高安全和高流动性的数据要素市场打下基础。基于数据开放和共享的资产化运营是盘活公共数据资源、挖掘数据价值、释放数据红利，以实现数据资产化的重要手段。近年来接续出台的一系列政策文件，对公共数据运营和发展提出了新的要求，也提供了新的战略指引，为进一步赋能数字政府建设、培育数据要素市场、促进数字经济发展提供了有效支撑。公共数据授权运营是指经公共数据

218、管理部门和其他信息主体授权具有专业化运营能力81的机构，在建立安全可控开发环境基础之上，组织产业链上下游相关机构围绕公共数据开展加工处理、价值挖掘等运营活动，生产数据产品和服务并实现数据价值增值的相关行为。6.6.2 数据授权运营模式本文按照中国软件评测中心的研究思路，将目前已有的国内公共数据运营主要模式分为行业主导、区域一体化和场景牵引三种类型。（1）行业主导模式：该模式主要由垂直领域的行业管理部门协调，开展行业内公共数据管理、运营、服务等各项工作。政府或垂直领域中央（国有）企业的数据归口管理部门开展公共数据管理平台建设，授权和指导其下属国有企业作为公共数据统一运输机构，承担公共数据运营平台

219、建设任务和数据汇集、数据存储、数据处理等数据处理工作，为社会主体提供数据服务。即主要由领域行业管理部门授权和指导其下属机构承担本领域数据运营平台建设、场景开发和市场运营，案例如表 1 所示。表 6-1：行业主导模式案例序号序号数据管理主体数据管理主体授权主体授权主体数据类型数据类型业务内容业务内容1国家健康医疗大数据中心北方健康医疗大数据科技有限公司(国资控股)医疗健康公共数据提供医疗数据的采集汇聚、存储处理、治理加工、开放运营及安全保障全流程一体化服务。2中国民航信息网络股份有限公司航旅纵横 APP出行数据形成“互联网+民航”移动出行智能服务平台，重点打造航班管理、机场保障和群智机场三大场景

220、。（2）区域一体化模式：该模式以区域内数据管理方整体构建的公共数据管理平台为基础，整体授权给综合数据运营方，由综合数据运营方进行公共数据运营平台建设。基于统一的公共数据运营平台，引入行业数据运营机构，按行业细分开展公共数据运营服务。此外，第三方机构主要提供公共数据治理、价值评估、质量评估等共性服务。即地区数据管理机构以整体授权形式委托数据运营机构整82体开展区域内公共数据运营平台建设和市场运营，部分案例如表 2 所示。表 6-2：区域一体化模式案例序号序号地区地区数据管理主体数据管理主体授权主体授权主体数据类型数据类型业务内容业务内容1成都成都市政府成都市大数据集团政府数据对政府数据进行开发利

221、用。2贵阳贵阳市白云区政府贵州云宇数据投资有限公司政府信息化平台及公共数据从数据传输交换转变为数据服务价值传递。3抚州抚州市政府抚州数聚华抚有限公司政务数据构建数据银行资产化服务平台。（3）场景牵引模式：该模式以政府及公共服务部门信息化设施为基础，由各级政府数据归口管理部门制定实施公共数据开放共享及开发利用管理制度，统筹建设公共数据管理平台，并通过多次分类授权引入垂直领域高质量数据运营方，运用公共数据管理平台数据资源开展相关数据服务。主要是由地区或行业数据管理机构在公共数据资源统筹管理基础上，基于特定应用场景通过针对性、专业化分类授权引入专业数据运营机构，分领域、分场景激活公共数据价值的运营模

222、式。表 6-3：场景牵引模式案例序号序号地区地区数据管理主体数据管理主体授权主体授权主体数据类型数据类型业务内容业务内容1北京北京市政府北京金控集团金融、医保数据基于数据运营权和收益权开展多行业赋能。2青岛/真情巴士集团出行数据以场景应用为牵引，打造基于车辆的人车物路客全要素信息交互。3青岛/青岛地铁 APP移 动 支 付 和出行大数据平台集便民服务、旅游、教育、医疗于一体，836.6.3 基于“数据银行”的数据资产化运营思路“数据银行”运营模式的整体思路是以打造纵深分域综合运营体系为主线，以确保公共数据管辖权不转移为前提，以公共数据内循环为主要突破口，以外循环为落脚点，以应用场景为牵引，充分

223、运用数据沙箱、联邦学习、区块链等新技术，打造公共数据安全有序流通技术环境，完善数据运营机制和规则，强化公共数据运营监管和指导，提高各参与主体数据管理能力，深入挖掘公共数据价值，为做强做优做大数字经济提供有力支撑和助力。由此可见，基于“数据银行”新模式的数据要素价值化动态机制可以系统性阐释数据要素价值化的过程和路径，打开数据要素赋能产业数字化和数字产业化进而创造多维整合价值的“过程黑箱”。通过理论研究和实践观察，我们总结出围绕数据全生命周期、全链路运营的五环节数据开放及共享模式，即数据低成本汇聚、数据规范化确权、数据高效率治理、数据资产化交易和数据全场景应用，通过上述五个步骤可以实现数据的高效汇

224、聚、确权、治理、融通、交易和应用。具体来说：（1）数据汇聚。数据的收集汇聚是数据要素开发利用的前提条件。数据的海量性和多样性是导致数据价值密度低的重要因素。海量信息的产生不断稀释单一数据的价值，同时数据的多样性意味着数据所包含的不对称信息越多，使得零散的数据要素价值密度低，融合难度大。要使数据达到价值可用的程度，需要以足够低的成本实现足够的数据积累汇聚，才能分析还原出事物的全貌。因此，汇聚的低成本是数据要素价值增益的基础。大数据时代的到来，伴随着 5G 的超级链接、物联网的万物互联和云计算的超级计算等一系列技术的突飞猛进，使得数据产生的维度、广度和数据量都呈现出“核爆”式增长，同时大数据科学的

225、快速发展，基于数据驱动的科技发展对数据量的需求也愈加迫切，对数据汇聚存储必然提出了绿色、经济、安全、高效的基本要求，只有数据的汇聚成本低于其潜藏的价值，数据要素的收集存储成为新常态，才能为数据科学、数据产业、数字经济提供源源不断的数据生产要素。实现“一端多能”。84（2）数据确权。数据确权是优化数据要素资源配置效率的基础，是实现数据要素融通增值的前提。由于数据要素具有虚拟性、数据的传输复制成本几乎可以忽略不计，使得数据要素的确权不同于传统物权。数据要素权属界定需要基于法律制度和人工智能技术并行，以保障数据要素融通的总体效率和安全性，是数据价值生产、数据资产评估、数据融通交易以及最终实现数据要素

226、价值最大化的前提与基础。数据要素的规范化确权需要保障数据拥有者主体的隐私安全、权属收益和明确数据使用者的权利边界、侵权责任，以更好地促进数据要素的合法获取、开发共享、开发利用，形成“数据权益保护和数据产业激励”双层维度平衡性制度，促进高质量数据的生成和价值实现。（3）数据治理。数据治理是一个组织中关于数据使用相关的管理行为体系，是在综合过程、技术和责任等因素下的数据管护过程或方法，以实现数据资产的合理使用，也是国家治理能力现代化的应有之义。高效率治理是以海量数据资源为基础，以云计算、AI、大数据等技术为支撑，提供统一便捷的数据获取、存储、管理、治理、分析、可视化等服务，通过对数据的全生命周期的

227、管理，提高数据质量，促进数据在“内增值，外增效”两方面的价值变现。当然，高效率治理的前提在于低成本存储资源以扩大数据的采集范围，提升数据治理的深度，提高数据利用率;同时，依托产业化链条降低应用产品孵化成本和产品快速应用变现，实现数据价值的最大化，最终实现数据融通统一管理和专业全过程治理。（4）数据交易。数据作为一种新的生产要素，也是宝贵的资产，未来的企业资产负债表中将会增加数据资产相关内容。但并非所有的数据都是资产，只有合法拥有的数据满足可控制、可计量、可变现等条件时才可能成为数据资产。数据运营融合数据的统一汇聚、存储，经过中层的数据资产化、数据商品化后进行数据交易和融通;最终，在存储层实现数

228、字孪生，在数据价值层实现数据的共享和红利释放，并基于此模式吸纳更多、更新的有价值数据汇聚，实现业务的闭环。数据资产化交易是数据市场新业态的积极探索，是数据价值化的重要体现，数据交易是数据要素流动的重要通路，数据在不同主体之间流通从而表现为包括持有权、收益权、经营权、加工使用权等在内的数据权利的让渡，主要交付形式有API、数据集、数据报告及数据应用服务等。（5）数据应用。数据开放和共享的最终目的在于数据要素落地于各个产业85一线，实现数据融通之后的全场景应用，赋能行业产业发展。在明确应用过程中的数据安全、数据质量及隐私保护要求的基础上，梳理各类应用场景，明确各类应用场景的使用方、开发方、数据内容

229、、数据血缘关系、算法模型、效果评价指标等内容，开展内部共享应用、外部开放流通，以场景和内容驱动数据资产持续应用和变现。具体的基于数据开放和共享的数据资产化实现方式如图 6-2 所示。图 6-2：基于“数据银行”数据资产化运营模式上述模式主要包含以下几个特点：（1）对海量数据规范确权、全面汇聚、全量存储、科学分级和高效治理的基础上，按需合规获取数据供应方提供的“数据资源持有权”，自主研发数据开放实验室平台释放“数据加工使用权”，通过打造数据资产化服务平台落地“数据产品经营权”，进而完成数据三权的有效分离分置，实现数据的资产化、价值化，最终达到数据交易融通和增值变现的目的。（2）面向数据持有者、数

230、据需求者与数据技术服务商，通过打造基于固定安全边界的数据分析及价值挖掘工具平台，即数据开放实验室，依托“双模式”数据开发工具、为数据使用者提供丰富的数据资源、算力、算法、办公场所等条件，实现数据“可用不可见、可用不可取”，保障数据资源持有权与加工使用权分离，促进数据共享、开放、融通。（3）以数据安全法、个人信息保护法、关于构建数据基础制度更好发挥数据要素作用的意见 等法律法规为指导纲领，采用准入门槛建立、用途场景审核、数据开发审核、操作记录上链等手段，易数工场联合北大、清华等高校院所发布了业务服务指南和合规指引，建立了完善的数据授权审批制度流程，保障数据与数据产品在使用过程中的用途可控、行为可

231、86追溯、使用可计量。（4）依托区块链技术进行链上数据存证与收益分配监管，实现数据要素流通透明化，更好地发挥了政府在数据要素收益分配中的引导调节作用，建立体现效率、促进公平的数据要素收益分配制度，强化分行业监管和跨行业协同监管，压实数据安全责任。整体上，该模式可对“数据-场景-算法”进行三维整合，以场景实现数据的价值挖掘与交易定价，以数据赋能场景、行业与城市发展，可以包括区域牵引、行业主导以及场景驱动等多种形式在内的数据运营思路。该方案可以有效汇聚数据要素资源，充分发挥算力、算法的优势，实现技术创新、产品创新、模式创新，推进新业态的发展。同时利用新技术、新应用推动产业数字化，对传统产业进行全方

232、位、全角度、全链条改造，提高全要素生产率，释放数字对产业发展的放大、叠加、倍增作用，最大程度发挥其“乘数效应”，推动产业的转型与实体经济的快速发展，最终构建开放、共享、共赢的数据创新生态体系，以低成本、便利化、全要素、开放式模式，驱动数据创新要素高速流动，促进资源配置优化和全要素生产率提升，聚合并带动形成多层级、多产业的生态体系。同时，该模式的推广可吸引一大批高技术人才汇集，加速资本积聚，催生新技术、新发明，激活各类创新主体，孵化优秀创业项目，促进大众创业、万众创新，为城市发展注入新活力、增加新动能，加快城市现代化和打造未来智慧城市。此外，在政府、企业以及个人大数据积累以及应用方面，可助力政府

233、管理实现数字化升级，达到高效、精细的新型政府建设目标。6.6.4 数据开放和共享授权运营实践上海将政务数据和国企数据授权给市属国企上海数据集团进行运营，围绕数字产业化、产业数字化以及数据生态领域开展布局，致力于数据要素交汇、供给、配置及市场化开发利用。成都将政务数据授权给市属国企成都市大数据集团运营，基于政府数据授权集中运营，建设公共数据运营服务平台，充分利用成都超算中心的独有优势，以企业需求和应用场景为驱动，向企业和公众提供公共数据资源“可用不可见”的市场化增值服务。青岛将公共数据运营授权给市属国企青岛华通智能科技研究院有限公司进行运营，挖掘金融、交通、医疗、消费等领域应用场景，推动政企数据

234、供需对接、有序流通、深度融合、创新应用，引入和培育一87批数据服务商，构建一批分行业数据要素产业园区，推动青岛市数据要素市场快速发展。为更清晰地展示公共数据授权运营方特征，表 4 列示了上海、成都、青岛和贵阳市的相关企业信息。表 6-4：公共数据授权运营方信息授权授权单位单位授权运营企业授权运营企业名称名称企业企业类型类型股东信息股东信息成立成立时间时间注册注册资本资本上 海市 政府上海数据集团有限公司国 有控股上海联和投资有限公司持股 80%（国有独资），上海市国有资产监督管理委员会持股 20%。202250 亿成 都市 政府成都市大数据集团股份有限公司国 有控股成都产业投资集团有限公司持股

235、 93.56%（成都市国有资产监督管理委员会持股90%，四川省财政厅持股 10%），成都科技服务集团有限公司持股 6.44%（成都科技服务集团有限公司 100%持股）。20136.87亿青 岛市 政府青岛华通智能科技研究院有限公司国 有控股青岛华通国有资本投资运营集团有限公司100%持股。20201.18亿6.6.5 数据授权运营安全保障措施近年来，我国公共数据开放取得了明显进展，商业化、市场化进程不断加速，数据安全保护问题逐渐揭开迷雾，逐步形成规模化、标准化推广和应用。基于数据流通的主要技术现状，与现实业务应用需求的矛盾，和市场规模化发展的矛盾，核心挑战来到新的维度如何在保证安全的基础上，提

236、升效率和有效性，破解安全和性能的平衡点。本文认为，在数据安全方面可以从以下三方面入手：事前：数据首先需要分类分级，我国目前已有了一些数据分类标准和方法，如国家标准政务信息资源目录体系第 4 部分：政务信息资源分类GB/T21063.4-2007、国民经济行业分类GB/T47542017 以及地方标准政府数据数据分类分级指南DB52/T11232016、数字化改革公共数据分类分级指南DB33T2351-2021 等。然而，现有的分类分级标准较为宽泛，各行各业88的数据格式不统一，实际进行数据分类分级时缺乏一定的可操作性，需要在实践中不断完善和优化。事中：在数据开放共享的过程中，需要根据数据的等级

237、选择不同的技术来保障数据的安全。例如，对于不敏感级别的数据，可以采用基于区块链的原数据共享方式，通过区块链技术做好数据共享流程的登记和留痕即可；对于较低敏感级别数据，可以采用脱敏技术对原数据进行脱敏，脱敏后再进行共享，或者采用可信数据空间技术将数据放到可信数据空间中计算，“即算即取、算完即毁”，保证原始数据不泄露；对于较高敏感级别数据，可以采用安全多方计算技术或者联邦学习技术进行共享和开放数据的使用，同时结合区块链技术对数据的权属进行登记、数据使用进行计量、数据流转过程进行记录，保证“数据可用不可见，全程可计量”。事后：在数据开放共享之后，需要从技术和法律两方面建立数据追责机制，以保证数据共享

238、和开放中的安全。从法律上来说，需要健全数据要素流通过程中的主体的责任和义务，明确数据持有方，数据加工处理方、数据产品运营方的责任和义务，保证发现数据泄露、滥用等行为时可以追究相关责任主体的责任，提高数据共享和开放过程中的规范性和合规性。从技术上来说，通过区块链技术对数据权属进行登记、数据流转全过程进行记录留痕，事后可以基于区块链智能合约对数据流转过程中进行追溯，精确到个人，为法律上追责提供技术保障。总结及展望总结及展望：根据上述分析，基于数据开放和共享的数据资产化过程，应该坚持市场机制在资源配置中的决定性作用。唯有充分保障市场主体的权益，才能鼓励和助推市场机构去开展数据生产、治理和共享应用以及

239、价值化转化。至于数据开放、共享以及市场化运营规则，将呈现以下几个特征：（1）注重数据价值开发而非数据本身。数据作为企业的生产要素、国家的战略资源，承载着多元利益，将数据简单化视为一般商品拿来交易的思路，没能洞见数据利益的多元性。“数据要素融合是指在数据要素化背景下，对单一或多个数据源的数据进行关联、组合等操作，从而获得更好的数据处理效果。传统的公开数据搜集、原始数据共享等融合方式存在一定局限性”。数据价值的流通是数据流通的核心内容，通过搭建数据价值的互联互通网络，在确保数据安全可控和隐私保护的同时，实现数据的“可用不可见”“定量定向使用”，从而构建出一个分布式数据价值流通体89系，这或是我国数

240、据要素市场建设的未来方向。（2）构建“政府-行业-企业”的数据开放和共享生态体系。数据开放、融通和应用，需要各方的共同努力：政府为数据开放提供良好的政策环境，通过政府数据开放为市场提供基础数据；电信、互联网、医疗、金融等各个行业，依据自身行业的业务特点，推动行业内部企业、机构之间的数据开放，共建行业共享数据集，构建跨行业共享数据集；各个领域的企业作为数据创新应用和提供各项数据服务的专业主体，要基于开放数据集探索应用场景，释放数据价值，构建数据开放共享的闭环。此外，各个行业协会、联盟等行业组织，是数据开放必不可少的重要桥梁，积极制定本行业的数据开放标准，保护本行业数据安全。90七、数据隐私与数据

241、资产安全7.1 数据资产保护现状数据资产的保护已成为企业面临的重要挑战。根据市场研究机构 IDC 的数据显示，全球数据安全市场规模预计将在未来几年内持续增长，到 2025 年将达到 2500 亿美元。数据安全市场的增长主要受到数据隐私和安全问题的影响，企业对于数据泄露和网络攻击的担忧日益加深。7.1.1 法规政策日趋严格许多国家和地区制定了更为严格的数据保护法规，以保护个人数据的隐私和安全。例如，欧洲的通用数据保护条例（GDPR）和美国的加州消费者隐私法（CCPA）等。这些法规要求组织在数据处理过程中采取透明、合法和安全的方式，并提供个人数据的保护选择和权利。这些法规要求组织遵循一系列数据保护

242、原则，如明确告知数据收集目的、保护个人信息安全等。在我国，网络安全法、数据安全法、个人信息保护法三部数字经济基础性法律对网络安全、数据安全和个人隐私制定了全面的监管框架。如网络安全法要求数据交易主体按照等级保护制度履行网络运行安全保护义务;数据安全法要求建立分类分级保护制度，在数据收集、存储、使用、加工、传输、提供、公开等各个环节，履行制度管理、风险监测、风险评估、事前许可等方面的义务，按照合法、正当的方式获取数据;个人信息保护法要求对个人信息实行全生命周期保护，遵守敏感个人信息处理规则，维护个人知情决定、查阅复制、更正补充、撤回同意、请求删除以及要求解释等方面的权利。7.1.2 数据泄露问题

243、凸显数据泄露问题是当前数据安全领域面临的重要问题之一。随着互联网和移动互联网的快速发展，企业面临着越来越多的网络攻击和数据泄露风险。据统计，91仅在 2019 年，全球数据泄露事件数量达到了 732 起，其中涉及的数据量超过了150 亿条，泄露事件数量和涉及数据量均创下历史新高。2022 年，可以看到国内外数据安全事件仍然频繁发生，数据安全风险也越来越高，根据相关数据统计，2022 年已经披露的数据泄露事件，不管从规模上，还是从平均对每个单位造成的损失上，都创下新高，涉及的行业领域也更加广泛。细究其中的数据泄露原因，服务器数据被非法访问窃取的问题仍然突出，企业内部员工利用职务便利盗取机密让企业

244、蒙受巨额损失。由于数据爆炸性增长以及非结构化带来的复杂性，再加上对监管规则认识不到位、自身技术能力不够、人员配备不足等原因，在合规方面容易触碰监管红线。7.1.3 隐私安全市场快速增长数据隐私和安全市场正在迅速发展。各种数据安全解决方案、隐私保护工具和服务不断涌现，以满足组织和个人对数据隐私和安全的需求。预计未来隐私与安全市场将持续增长。例如趣链科技推出首个将区块链与安全多方计算技术结合的数据共享平台（BitXMesh），支持链上链下协同，满足隐私保护需求下的数据价值传递需求，打破数据孤岛，实现数据“可用不可见，可控可计量”。7.1.4 数据权益保护意识增强公众对个人数据隐私和安全的关注度不断

245、提高。人们越来越重视自己的数据隐私权益，对组织的数据收集和使用行为提出更高的要求。这推动企业采取更加主动和负责任的数据隐私保护措施，例如 2021 年苹果公司（Apple Inc.）调整隐私政策并推行了 ATT（应用跟踪透明）功能，App 要想获得及处理苹果用户数据，必须征得用户的同意。所有在 App Store 上架的 App 都必须遵守这一新政策。7.2 数据隐私安全技术现状隐私计算行业还处于早期落地阶段，目前整体上处于产业点状落地期（2021-2025 年），行业重点在于打磨头部客户及案例实践，预计 2025 年后可达到大规模商用的二次浪潮。92业界公认，隐私计算行业已经进入了“竞争过热

246、”状态，产品供给远超意向客户及所需项目数量。玩家呈现出第三方初创公司、大型互联网公司、AI 等软件开发商、转型公司、甲方自研参与的多方混战局面。尽管规划上已经有明显区分，但受限于资源和发展年限等，在具体落地上，企业的竞争战略和现有定位仍然较为同质化。我们预计未来 3-5 年内，将出现比较明显的差异化竞争路线。入门门槛低、缺乏战略性的竞争差异、技术优势难以形成和难以证明是目前竞争过热的底层原因。扩展在产业链上的定位是玩家们未来的备选项之一。在未来的发展中，隐私计算平台需应对数据量的不断增长，那么算力和通信问题的解决必然是一个趋势，技术厂商们也将会通过软硬件结合的方式兼顾性能和安全性。在软硬件结合

247、的探索中，隐私计算一体机方案被广泛采用。基于上述对隐私计算价值的理解，我们就隐私计算的未来市场规模得出了以下结论：预计到 2030 年，我国隐私计算行业的总市场规模将达到 1134 亿，年均增长率超过 20%。其中，不同产业价值层级间差异明显。我们认为，隐私计算大概率会成为大数据产业及 AI 产业的底层基础设施。据 Gartner 预测，到 2025 年，60%的大型组织会在数据相关、智能领域采用至少一种隐私计算的技术。在隐私计算的安全效果得到普遍落地验证，叠加相关政策要求后，隐私计算技术将会被大面积镶嵌入大数据平台/AI 计算平台，由软件集成商或自研隐私计算技术的各大技术厂商对外打包提供。目

248、前，多家综合性厂商的技术布局与产品开发已初步明确了这一趋势。我们甚至大胆假设，这种集成化的服务思路，未来也将成为隐私计算企业延展业务矩阵的重要方向。7.3 面临的隐私安全问题与挑战7.3.1 法规政策滞后随着数据规模的不断扩大，数据安全法规也在不断完善和更新。然而，对于隐私计算技术，目前的法规政策还未能完全适应。这使得企业在实施隐私计算时面临一定的法规风险。技术的迅速发展使得现有的法律法规往往无法及时应对数据隐私和安全的挑战。制定和更新相关法律法规需要时间，而技术的发展速度可93能远远超过法律的制定过程。而隐私泄露造成的危害具有隐蔽性和滞后性，因此对违反隐私保护条例的相关追责程序进展缓慢，存在

249、诸多灰色地带。7.3.2 技术安全性问题数据隐私安全在未来仍会面临一些技术壁垒。首先是安全性，目前应用较多的数据隐私安全保护技术都各有优缺点，因此在实践中需要将各个技术进行组合使用，在技术落地初期，市场对于这些组合使用的数据隐私安全保护方案的安全性存在一定顾虑，可能会阻碍技术的迭代更新。其次，新兴技术的快速发展也带来了新的安全风险，如人工智能和物联网等。如何在保护数据隐私的同时，促进这些新技术的发展和应用是一个重要的考虑因素。人工智能技术的应用需要大量的数据支撑，而这些数据往往涉及个人的隐私和安全问题。例如，人工智能技术在图像识别和自然语言处理等领域的应用需要使用用户的图片和语音数据，如果这些

250、数据没有得到充分的保护和管理，就可能会引发用户的隐私泄露和安全问题。数据隐私和安全面临着技术安全漏洞、黑客攻击和恶意软件等威胁，导致数据泄露和个人隐私受到侵犯的风险增加。因此需要投资和构建安全技术基础设施（包含网络安全设备、防火墙、可信软件、访问控制等）。而个人则被迫接触多样化的安全防护产品矩阵来协助保管个人隐私数据，例如选择付费的密码管理器来存储各个平台和 App 的账户信息，并时刻关注相关技术和软件更新。此外，大数据和人工智能的应用也带来了隐私挑战，大数据分析和人工智能的应用需要大量个人数据，如何在保障隐私的同时充分利用这些数据的潜力是一个挑战。保护数据隐私需要不断更新安全技术，即便如此，

251、在技术创新的同时保护个人隐私仍然是一个复杂的任务。7.3.3 性能与效率问题隐私计算作为一种在理论上极为优秀的解决方案，能在保障隐私的同时充分发挥数据的价值，但实际应用中，大部分企业面临效率不足的挑战，目前隐私计算技术相较于传统的明文计算，甚至是传统加密技术效率较低，特别是在处理大规模数据时，需要消耗更多的计算资源和时间，这一问题是阻碍隐私计算大规模实施的主要原因。同时，实现隐私计算需要较高的数学和编程技术。并且，不同94的隐私计算算法具有不同的特性和使用场景，选取和实施合适的隐私计算算法需要深厚的技术基础和实践经验。此外，虽然数据隐私保护技术目前已经基本达到可用状态，但其在实际应用中的性能仍

252、有较大的提升空间。数据隐私安全保护产品处于初步应用阶段，市场需求尚未完全挖掘，大部分行业由于数字化程度低、业务流程不明确，导致缺乏市场需求，因此产品距离实现大规模工业化，仍需要进一步优化完善。在实际应用中，技术服务平台可能只能提升行业共性的业务表现，但缺乏对于研发架构、更新底层技术基础等的实践。因此，如何解决数据隐私保护个性化的业务需求也成为整个数据隐私保护技术领域需要思考的问题。7.3.4 管理流程问题数据流通流程的透明化进程亟待加速。目前，数据流通的流程仍存在不透明的问题，数据安全管理体系存在较多漏洞，数据安全技术体系尚不完善，缺乏统一的行业标准和建设流程。因此，建立用户、企业与外部企业之

253、间的信任和良好合作关系，完善数据安全管理体系，提升数据安全的能力是未来保护数据隐私安全进程中的巨大挑战。特别在跨境数据流动方面，跨境数据传输涉及不同国家和地区的法律和监管要求，存在不同的标准和程序，增加了数据隐私和安全的复杂性，同时也增加了经济和商业活动扩展的难度。7.3.5 数据权属问题随着数据资产化进程的推进，数据所有权和使用权的问题日益显现。如何在保护数据所有权的同时，有效利用数据资源，实现数据的价值，是当前数据资产化进程中需要面对的重要挑战。数据具有易复制性，发生数据安全事件后，无法进行有效的追溯和审计。大数据应用过程中，数据会被多种角色用户所接触，会从一个控制者流向另一个控制者，甚至

254、会在某些应用阶段挖掘产生新的数据。因此，在大数据的共享交换、交易流通过程中，会出现数据拥有者与管理者不同、数据所有权和使用权分离的情况，即数据会脱离数据所有者的控制而存在，从而会带来数据滥用、权属不明95确、安全监管责任不清晰等安全风险，将严重损害数据所有者的权益。7.4 解决方案与策略7.4.1 隐私计算+区块链图 7-1：隐私计算和区块链融合的分布式数据共享网络隐私计算和区块链融合能够保障数据共享过程中的数据隐私和安全。这里我们阐述一个全链路的安全保障机制，如图 1。其中详细说明数据上传、数据发布、数据申请、数据使用，以及追溯审计五个环节。数据上传：在数据上传环节，数据的安全性和完整性是关

255、键。为了保证数据的真实性和不可篡改性，可以使用哈希算法生成数据的哈希值，并将其存储在区块链上的数据指纹链中，以作为数据存在的证明和验证。数据发布：在数据发布环节，数字身份和数字签名技术可以确保数据的权利、责任和利益精确到个体。通过数字身份验证，可以验证数据发布者的身份，并确保数据的真实性和可信度。同时，使用数字签名技术对数据进行签名，以防止数据被篡改，并确保数据的来源可追溯。数据授权：数据授权环节需要建立申请-审核机制，以实现对数据使用的定96向授权。通过申请-审核流程，数据使用者可以提交数据访问请求，并经过严格的审核程序，确保只有合法且有权限的用户可以获得数据访问凭证。这些凭证可以使用区块链

256、技术颁发，以提供安全可靠的数据访问机制。数据使用：在数据使用环节，数据传输信道的安全性至关重要。通过使用TLS（传输层安全）协议进行数据传输通信，可以加密数据传输过程，防止数据被窃取或篡改。这样可以确保数据在传输过程中的保密性和完整性。追溯审计：追溯审计环节旨在实现数据流转全流程的可追溯性，以保障数据的安全性和合规性。关键的步骤和操作可以被记录在区块链上，作为数据流转的审计证据。同时，还可以结合链下的审计日志，通过链上链下的联合审计机制，实现对数据流转全过程的审计和监控。7.4.2 区块链+密码算法基于区块链+密码计算，为每个社会主体分发一对公私钥，通过身份认证完成公私钥对与主体的关联，实现“

257、一人一密”。在数据资产上链前进行数据资产定义、数据权属方确定，确保链上数据的规范性和可交互性，如确定电子劳动合同、社保参保证明等数据项、数据类型、数据权属关系。在数据资产上链过程中，对上链数据利用数据主体密钥进行加密，加密结果存储于区块链节点，以此方式来完成上链资产的“技术式”确权。其他各方只有经权属方授权后才可访问。利用“多方加密”及“授权查看”的技术手段保证数据资产的自主授权、有序共享、隐私安全。数据上链、授权、流转的具体实现流程如下：1.创建主体账户，为每个主体生成一对密钥为个人、企业、部门、机构等主体用户在区块链上建立可信主体，采用主流国产密钥体系提供加密解密、签名验签能力，实现对主体

258、用户的实人实名认证。区块链平台为每一个主体用户创建唯一的区块链公私钥，从而确认交易双方的主体身份，防止抵赖和非法交易。2.上链数据摘要计算，确保数据完整性和一致性在数据上链过程中，应用摘要算法计算上链数据，生成固定长度的摘要值，创建唯一的数据指纹。利用摘要算法实现数据完整性验证，任何对数据进行的更改，都将导致摘要值的不同。链上数据获取查看时，通过比较数据的摘要值，可97以验证数据在传输或存储过程中是否发生了任何修改或损坏；也可以确定数据资产是否相同，确保数据资产的一致性。3.上链数据签名，完成发行方身份认证数据发行方通过自己的密钥实现对上链数据的签名，签名后的值上传至区块链平台存储。发行方数据

259、签名可以确认发行方身份的真实性，保障签发数据的完整性、不可篡改性。4.权属方密钥加密上链数据，实现数据资产“技术式”确权使用数据发行方、拥有方、监管方等数据权属方密钥，对数据资产加密，保障链上数据资产“一数多权”。其他未确权主体只有在数据权属方授权之后才能查看链上数据，保障主体数据权利。数据加密后将密文多副本存储在多个节点上，提高数据的冗余度和容错性，增加数据的可靠性和可用性。当一个节点发生故障或者网络出现问题时，其他节点仍然可以提供数据的访问和服务，确保数据的可持续性和可靠性。5.权属方生成授权令牌，授权他人查看数据在数据权属方授权他人查看本人数据时，区块链平台使用授权方密钥、被授权方密钥，

260、根据授权规则生成授权令牌，授权令牌具有一定的期限、次数限制，只有在次数范围内，被授权方可查看相关数据资产。通过以上步骤，保障区块链平台的主体数据资产均采用多方加密机制进行加密存储与传递。对于不具备数据所属权的主体查看数据，只有在数据持有方授权后，区块链平台根据授权使用机制为数据资产构建链上定向授权令牌，且在链上的授权令牌存在且合法时，数据需求方才可操作或查看数据。通过授权令牌限制查看主体、查看数据资产范围、查看次数、查看期限，保证数据仅在数据权属方授权后，其他主体才可访问或使用。并且，数据授权使用记录均记录在区块链账本中，数据所有者可跟踪查看数据的流转使用记录，保障主体的数据知情权。7.4.3

261、 同态加密主要采用了自主可控的高性能同态加密算法，打造了电力大数据密态多源协同安全应用系统，利用安全外包计算、身份认证等手段，构建一个安全的计算环境，能够对数据的全生命周期进行保护，保证电网数据在云上的安全，从而使得98电力大数据安全地上云或外包给超算平台等第三方计算服务提供方进行计算，从而大大降低企业的运营成本，在保护电力大数据隐私安全的同时能够充分发挥电力大数据的经济效益，提升社会生产力。在发送数据的过程中，用户首先在平台上配置计算需求，并配置需要使用同态加密技术进行保护的字段。完成配置之后，由隐私计算应用平台发起业务流程，系统使用加密机内置的高性能动态加密技术对用户配置的字段进行加密，最

262、后将加密完成之后的数据发送到数据前置机上。另一方面，需要在计算中心内部嵌入定制的密文分析业务 SDK，该业务 SDK的核心功能是提供基于密文的分析能力。超算完成计算之后，再将结果密文发送回电网内网，电网对结果进行解密，获得分析结果。通过这样的措施，能够打通电网内部不同部门之间的数据壁垒，实现数据的联合计算。通过使用同态加密，把电力“发输配变用”五个领域的多源隐私数据打通融合，提供更高质量的数据增值服务。图 7-2 密态多源协同安全应用框架99八、数据资产化创新案例深圳数据交易所数据资产增信案例深圳数据交易所有限公司摘要数字经济发展积累了海量数据,为企业增信提供了新机制、新方法与新路径。其中，数

263、据要素型企业通过推动数据资源向数据产品转化，形成了规模可观的数据资产。数据资产化是基于数据资产开展的衍生金融业务，是数据要素型企业深化数据应用、释放数据价值的重要渠道。理论上说，基于传统无形资产开展的企业融资、并购重组等业务，都可以基于数据资产开展，形成诸如数据增信、数据信托、数据保险、数据证券化等新的商业模式和融资模式。但在实践中，存在数据交易不活跃、数据资产评估难度大、配套政策不完备等挑战，阻碍数据资产化业务的进一步发展。本项目从理论上阐述了数据资产化过程中的资产形成机制、价格形成机制和信用形成机制，提出数据资产在信息增信和风险补偿增信方面均可为数据要素型企业提供新机制。同时，基于深圳开展

264、的全国首笔无质押数据资产增信案例，发现信息增信机制下的融资模式比数据质押的融资模式更适用于数据要素型企业，但也对数据安全合规、数据质量和数据资产价值评估方法提出更高的要求。具体而言，在数据资产确权、审核与价值评估环节，深圳数据交易所和第三方服务机构从数据安全合规评估、数据质量评估和数据资产价值评估三个方面对交易标的进行把关，确保数据资产的估值准确。信贷审批环节，光大银行总行数据资产管理部基于深数所数据商认证流程，以及上市产品与场内备案交易情况，协同深数所与第三方机构完成企业的数据资产质量评估和价值评估。光大银行深圳分行结合企业数据产品的上架登记和内外部估值情况，综合评估后完成对企业的授信审批。

265、在该案例中，通过“所商分离”培育数据交易市场、创新数据资产评估流程、改变增信机制等方式，数据交易所重点解决了数据交易不活跃、数据资产评估难100度大、配套政策缺失的问题，发挥了规范效应、聚集效应、创新效应和示范效应，有利于市场主体形成数据资产、理顺价格机制、提升主体信用。本项目的创新之处在于：一是从理论上厘清从数据资产到数据增信的发生机制；二是基于现实案例对数据资产的增信路径进行分析，重点分析了如何解决数据增信中诸如数据交易不活跃、数据资产评估难度大、配套政策不完备等难点问题；三是对数据交易所在数据增信中的价值进行提炼，并基于市场主体的实践进行分析，以期为政策的完善提供市场依据。背景介绍随着大

266、数据、云计算、人工智能、区块链等新一代信息技术的发展，催生以数据要素为核心的数字经济边界不断扩展，数据在企业信用评价中的作用愈发明显。一方面，以平台经济为代表的数字生态系统通过连接大量用户,积累了海量替代数据,成为银行信用风险评估的重要参考依据，为企业增信提供了新机制、新方法与新路径；另一方面，各数字经济平台与金融科技企业（以下统称为“数据要素型企业”）随着数据积累、算法迭代与算力提升，基于金融风控等场景下的数据产品不断丰富，形成了规模可观的数据资产。据初步测算，目前我国企业数据要素直接支出金额达 3.3 万亿元，考虑数据资产评估等业务的间接支出后，整体支出金额可能超过 30 万亿元。如何盘活

267、数据资产，提高数据要素支出中资本化的比例，是数据要素型企业提升企业价值的关键。其中，利用数据资产为企业增信是盘活数据资产、释放数据价值的可选路径。大数据的出现并没有改变企业增信的基本逻辑，但进一步拓宽了企业增信的方式。企业增信可以分为信息增信和风险补偿增信。信息增信旨在解决放贷机构与企业之间的信息不对称问题，解决这种不对称问题的基本方式包括征信和信用评级。在此基础上，围绕信用信息的加工、修复、重建等过程，又形成信息共享、另类数据应用以及信用修复等多种方式。风险补偿增信旨在降低放贷机构的贷款损失风险，形成了抵质押担保、保险增信、信用衍生工具、企业内部增信、政府增信等不同形式。高价值数据既可以成为

268、信息增信的载体，也可成为风险补偿增信的基础，这是基于数据要素增信的独特之处，数据在增信过程中发挥了叠加、倍增的作用。通过数据提炼信息，抑或将数据资源提炼为数据资产，为企业增信101提供增量路径。对于数据要素型企业而言，由于其是数据的持有者与加工使用者，如何将数据资源合规高效地转换为数据资产，是企业基于数据资产增信的前提。项目目标从理论上厘清从数据资产到数据增信的发生机制；2.基于现实案例对数据资产的增信路径进行分析，重点分析了如何解决数据增信中诸如数据交易不活跃、数据资产评估难度大、配套政策不完备等难点问题；3.对数据交易所在数据增信中的价值进行提炼，并基于市场主体的实践进行分析，以期为政策的

269、完善提供市场依据。实施方案通过培育数据交易市场、创新数据资产评估方法、改变增信机制等方式，深圳市相关市场主体通力合作，克服了数据资产评估难度大、配套政策缺失等问题，跑通业务闭环，形成落地案例。具体而言，深圳数据交易所联合中国光大银行深圳分行以及第三方中介服务机构开展了全国首笔无质押数据资产增信服务，深圳数据交易所数据商深圳微言科技有限责任公司（以下简称“微言科技”）获批 1000 万元的信用贷款，并于2023 年 3 月 30 日收到款项。交易流程如下：数据资产确权、审核与价值评估环节，深圳数据交易所和第三方服务机构从数据安全合规评估、数据质量评估和数据资产价值评估三个方面对交易标的进行把关，

270、确保数据资产的估值准确。信贷审批环节，光大银行总行数据资产管理部基于深数所数据商认证流程，以及上市产品与场内备案交易情况，协同深数所与第三方机构完成企业的数据资产质量评估和价值评估。光大银行深圳分行结合企业数据产品的上架登记和内外部估值情况，综合评估后完成对企业的授信审批。在该案例中，通过“所商分离”培育数据交易市场、创新数据资产评估流程、改变增信机制等方式，交易参与方重点解决了数据交易不活跃、数据资产评估难度大、配套政策缺失的问题。培育数据交易市场方面：深圳数据交易所通过建设多层次的数据资源合作机102制与数据资源产品化开发体系，推动高质量数据资源汇聚、助力高质量数据产品开发，挖掘更丰富的应

271、用场景，实现“以需求驱动交易，以收益引导供给”的良性循环，吸引了包括微言科技在内的大批数据商进场交易。在“所商分离”的原则下，深圳数据交易所有动力为数据商提供差异化的增值服务，数据商通过场内交易，也有利于其资产价格信号的形成，为数据资产化做好前期准备。创新数据资产评估流程方面：将数据安全合规评估、数据质量评估作为数据资产价值评估的前置条件，全方位对交易标的进行把关，确保数据资产的估值准确。数据安全合规评估方面，深圳数据交易所对交易主体（即微言科技）和交易标的（即相关数据产品）进行双审核，最终完成数据产品权属确认和安全审核，并完成数据产品的平台公示和合规上市；数据质量评估方面，检测机构从平台功能

272、性、数据管理水平、技术含量、市场潜力和价值创造等维度进行打分，计算得到数据资产质量的综合评价结果；数据资产价值评估方面，资产评估机构综合参考应用场景、标准规范、资产权属等因素，对数据资产从收益途径进行估值，通过对数据产品未来收益的现金流进行预测，并用适当的折现率折现成现值后加总得到数据资产的价值。改变增信机制方面：该案例基于信息增信机制为企业授信。信息增信机制下的融资模式相比风险补偿增信机制下的融资模式更加适用于数据要素型企业，原因如下：一是全国范围内尚未形成有效的数据资产登记体系，数据资产的质押登记面临现实障碍，但数据登记并不影响数据确权工作的开展，信息增信机制下数据资产面临确权而非质押登记

273、的问题，相应的法律障碍较小；二是数据资产项下风险补偿机制的有效性与数据资产的变现能力息息相关，数据资产在不同场景体现不同的使用价值，具有一定的资产专用性特点，数据资产的信号价值大于其变现价值。因此，通过信息增信机制，有利于在相关配套政策缺失的情况下，利用数据资产的信号价值，高效、合规地进行数据价值变现。成果展示深圳数据交易所在本案例中发挥桥梁和纽带作用，是案例得以落地的关键。深圳数据交易所通过促进规范效应、聚集效应、创新效应和示范效应推动案例落地：103（一）规范效应规范的数据治理是数据资产增信的前提。深圳数据交易所为交易主体提供数据分级分类指引、合规流通、应用规划等服务，构建覆盖采集、传输、

274、储存等全链条的合规服务体系。数据要素型企业在数据交易所上架数据交易标的，可以通过自评估等方式持续优化公司的数据治理水平，提高自身资信，在融资方面创造更大的便利与价值。深圳数据交易所对交易主体和交易标的进行双审核，通过规范的审核流程确保交易主体数据资产的安全合规，便利交易主体开展基于数据资产的融资工作。（二）聚集效应根据“数据二十条”中所商分离的要求，深圳数据交易所大力培育以数据商和第三方服务商为主体的交易市场，在场内沉淀了一批具备开发高质量数据产品的数据商和有能力提供数据安全合规评估、数据质量评估和数据资产价值评估的第三方服务机构，为数据资产增信的达成提供良好的多方协作环境。截至 2023年

275、4 月底，深数所已汇聚数据提供方、数据商、数据需求方、第三方服务机构等市场主体 740 家，其中来自深圳市外的参与主体超 70%。深数所已完成登记的数据交易超 700 余笔，交易金额超 20 亿元，覆盖金融科技、数字营销等百余类应用场景，数据的交易价值凸显。聚集效应下，数据提供方、数据购买方、中介服务方以及数据监管部门等众多机构，共同构成完整的场内交易平台市场生态。数据资源和数据资产之间转换链路与变现周期在数据交易平台的撮合下显著缩短，变现效率不断提高。（三）创新效应数据产品的具体表现形态可能为软件、平台、指数、模型、算法、报告等多种形式，并且大多数数据产品或服务中均不同程度地包含了数据、算法

276、和算力三类基本要素，对数据产品中包含的算法要素部分，需要沿用知识产权的权属界定模式进行（于施洋等，2023）。基于数据产品的表现形态，深圳数据交易所推动数据产品、数据工具与数据服务的分类，对不同形态的数据产品构建不同的定价体系，作为第三方评估机构的参考。该案例中，微言科技数据产品在深圳数据交104易所上架类别为数据服务，通过一系列的评分类和指数化标签类 SaaS 服务，叠加隐私计算技术确保“数据可用不可见”，整个过程不触碰底层数据。可见，微言科技的数据资产为对原始数据加工形成的评分类数据和标签类数据，因为其价值附着于微言科技拥有自主知识产权的模型算法，不宜单独计价。因此，参考会计核算中资产组的

277、概念，在该案例中评估机构以数据资产和知识产权作为整体资产组进行价值评估。通过深圳数据交易所的产品分类指导，数据商对于自身数据产品的定位更加明确，有利于数据资产估值模式（如该案例中的资产组模式）的创新。（四）示范效应深圳数据交易所通过发挥桥梁作用，联结金融业务与数据交易业务，实现了与金融机构的双向互动机制，推动数据要素市场培育、数据资产化创新和中小企业融资等领域的协同发展。该案例不仅为我国数据资产化提供了可借鉴、可复制、可落地的模式，更为具备优质数据资产的市场主体持续释放数据要素价值提供经济激励源动力，具有一定的示范效应。通过深圳实践的先行示范效应，有利于数据资产化业务在全国范围内形成共识、形成

278、标准，提高市场主体跑通业务闭环的效率，助力数据要素全国统一大市场的建设。经验与启示对数据资产进行信息增信和风险补偿增信可以为数据要素型企业提供信用支持。本文基于深圳开展的全国首笔无质押数据资产增信案例，发现基于信息增信机制的融资模式相比数据质押的融资模式更加适用于数据要素型企业，但其也对数据安全合规、数据质量和数据资产价值评估方法提出更高的要求。数据交易所在信息增信机制中可以发挥规范效应、聚集效应、创新效应和示范效应，有利于市场主体形成数据资产、理顺价格机制、提升主体信用。根据以上研究，得出如下启示：（一）科学界定不同产品形态下的数据资产构成数据资产的范围界定决定着数据资产变现的价值。数据、算

279、法和算力成为数105据产品和数据服务的基本元素，三者的组合容易发挥协同效应，不宜简单拆分出某一部分作为数据产品的全部价值。可以参考会计核算中资产组的概念，将数据、算法和算力等元素部分或整体打包成资产组，科学界定不同产品形态下数据资产的构成，这也是优化数据资产定价机制的前提。（二）综合比较并合理运用数据资产的估值方法数据资产的估值方法包括成本法、收益法和市场法三种基本方法及其衍生方法。应当根据估值目的、估值对象、价值类型、资料收集等情况，分析上述三种基本方法的适用性，合理选择估值方法。在本文分析的案例中，由于估值标的是其持有单位多年研究及生产经营积累贡献形成的，其管理人员、研发人员、服务器等产生

280、的费用难以拆分，估值标的形成的直接投入和间接投入在形成过程中未做单独核算，其重置成本难以核算和相关资产贬值难以合理确定，难以用成本法进行估值。此外，数据要素市场尚处于培育阶段，未形成报价活跃的场内交易市场，也难以采用市场法进行估值。但与估值标的未来相关收益合理预期、风险程度相对应的折现率可以通过适当的方法合理估算，故宜采用收益法进行估值。可见，选择合适的估值方法对数据资产的定价至关重要。未来随着场内交易市场的进一步活跃，市场法适用的空间将越来越大。同时，市场化的价格生成机制形成的“公允价值”，也能进一步为收益法提供市场维度的验证。（三）市场主体的相关实践可为未来政策的完善提供市场依据以“数据二

281、十条”为代表的制度设计为数据要素市场的发展打下“四梁八栋”的坚实基础。未来，对于如数据资产化等细分领域的政策探索，市场主体可以通过跑通业务闭环、形成品牌案例、输出最佳实践的路径，为未来政策的完善提供市场依据。与市场主体的交流互动，也有利于政策制定者出台符合市场预期、利于行业发展、支撑国家战略的相关政策，尽快补足数据资产化的政策短板。结论与展望数据资产的涌现拓宽了企业增信的方式与措施。本文在理论上阐述了数据资产化过程中的资产形成机制、价格形成机制和信用形成机制，提出数据资产在信106息增信和风险补偿增信方面均可为数据要素型企业提供新机制。基于深圳开展的全国首笔无质押数据资产增信案例，发现数据交易

282、所在信息增信机制中可发挥规范效应、聚集效应、创新效应和示范效应，为理顺数据要素价格、推动数据要素市场发展提供有益借鉴。107基于数据价格监测凭证的数据资产授信新路径深圳数据交易所有限公司深圳数据交易所与光大银行深圳分行、同致诚评估等合作，为深圳市华傲数据技术有限公司在深圳数据交易所上架的数款数据产品开展资产评估，获得在光大银行深圳分行的 1000 万元授信。今年以来，深圳数据交易所已联合光大银行深圳分行围绕数据资产金融化开展了大量实践探索，先后落地全国首单数据资产无质押的增信融资业务，打通全国首例跨境企业数据资产增信融资业务。值得一提的是，本次数据资产授信业务首次探索引入国家发展改革委价格监测

283、中心牵头的数据要素价格监测制度，是对数据资产增信融资业务的又一次模式创新和迭代升级。为贯彻落实数字经济发展战略，助力数据要素流通与交易，创新数据要素价格形成机制，今年 11 月，根据国家发展改革委价格监测规定，国家发展改革委价格监测中心正式印发数据要素价格监测报告制度（试行）（发改价监中心202347 号）（以下简称“47 号文”）。深圳数据交易所成为首批获授牌的数据类全国价格监测定点单位，并按照要求将本所上架发布的优质数据产品有序纳入全国数据要素价格监测报告制度。47 号文明确要求，“为确保监测数据的客观准确，对于采报价单位的各类监测数据及其价格应进行评估，对符合要求并纳入监测范围的产品及其

284、交易信息发放数据价格监测凭证。”考虑到数据价格监测是构建要素价格形成机制的重要基础，能够解决信息不对称问题，是确定数据产品公允价格的重要参考，此次数据资产授信过程中创新性提出将产品取得数据价格监测凭证作为数据资产评估授信的前置条件之一。依托深圳数据交易所产品上市审核证明和数据价格监测凭证的有效支撑，评估机构同致诚对其价值进行评估，华傲数据产品的交易合规性与价格公允性评估得到全方位认定，可为其后续实现数据资产入表及在金融机构获取授信提供充分支撑和可靠依据。本次授信主体是深圳数据交易所数据商-深圳市华傲数据技术有限公司。作为国内领先的大数据企业，华傲数据自 2011 年成立以来致力于为政企提供覆盖

285、数据要素全生命周期的产品及服务，为分布在 26 个省、58 个城市及中东、北非、108东非的政企客户提供了数据治理、数据中枢/中台、数据仓库建设、非结构化数据处理（自然语言处理及图像视频理解、大模型）、公共数据资源体系建设等端到端的解决方案，推出了免申即享、秒批秒报、政策 AI 计算器、AI 写报告、城市大脑等一大批数据与算法结合创造价值的创新。近年来，面向数据要素市场，华傲研发了公共数据授权运营和数据入表的产品及方案，涵盖数据标准符合性测试、数据质量评测、数据安全分级分类检测、数据目录有效性时效性检测等测试工具，数据产权登记、数据成本计量、数据产品超市等产权及流通工具，数据授权运营域建设、区

286、块链、数据空间等安全合规工具，帮助一批行业前沿客户快速高效落地实现了公共数据和企业数据的授权运营，落实了数据资源入表政策，发挥了数据要素在企业经营、数据产业、数字经济中的作用。完善的价格监测网络，能更好地服务国家的宏观经济调控，促进形成全国统一数据大市场；同时也能为纳入监测的数商企业在数据资产评估、数据资源入表、获取授信等方面提供支持。深圳数据交易所作为数据要素价格监测定点单位，将积极践行定点单位责任，围绕数据资产化、数据定价、数据流通环节价值分配等方向展开深入研究，为数商客户提供更为丰富的服务方案。首笔跨境企业数据资产融资业务深圳数据交易所有限公司2023 年 11 月 29 日，深圳数据交

287、易所（以下简称“深数所”）携手光大银行深圳分行，成功审批通过首笔跨境企业数据资产融资业务，为香港企业 HARBOURHILL（HONG KONG）LIMITED（以下简称“HARBOUR HILL”）提供 300 万元跨境贷款支持。本笔业务是光大银行深圳分行深入贯彻落实深圳市“金融支持外贸 24 条举措”，助力湾区外贸业务提质增效的创新实践；是深数所与光大银行深圳分行首笔面向境外数据服务商、发挥数据资产价值、创新金融服务模式的一次尝试，是深数所积极支持“河套深港科技创新合作发展”的一大举措。本次业务开展由深数所对 HARBOUR HILL 及其数据产品进行审核，完成数据产品公示、上市，同致诚评

288、估公司对 HARBOUR HILL 上市的数据服务进行价109值评估，光大银行深圳分行结合企业数据服务的上市登记和价值评估情况，综合评估研判后完成对 HARBOUR HILL 的授信审批，为企业提供跨境直贷业务支持。跨境直贷业务是光大银行深圳分行全面统筹境内、境外业务发展，打破物理界限直接向境外注册企业发放本外币贷款，满足企业日常经营资金需求的融资业务。HARBOUR HILL 是九鑫智能在香港及海外市场的重要载体，为数据需求方提供安全合规及高质量的数据来源。据了解，九鑫智能是深数所首批数据商，围绕 AI 行业模型精准定位需求、流程自动化提高效率、ESG 能力实现可持续发展三方面为内外贸一体化

289、企业提供数据工具、产品和服务。后续 HARBOUR HILL将配合九鑫智能助力中国企业基于数字能力实现商通全球发挥重要作用。下一步，深数所将继续探索跨境数据交易上的更多可行路径，积极践行发展数字经济的国家战略与政策，夯实数据要素基础驱动业务发展，助力深圳培育数据要素市场，为支持深圳高质量发展贡献力量。110南方电网公司数据资产评估研究与实践南方电网数字平台科技（广东）有限公司摘要随着数字经济时代的到来，数据资产成为推动社会经济和企业创新的新能源和引擎。数据资产的价值评估和定价是实现价值和促进交易共享的基础，但数据资产定价仍处于探索阶段。为实现资源高效利用，降低大数据应用成本，准确评估数据价值，

290、南方电网公司参考成本价格法，综合考虑影响数据价值实现的因素和市场供求因素，提出能源行业央企的首个数据资产定价方法，并成功应用于南方电网及其分子公司，解决了数据资产价值评估的难题。背景介绍随着大数据和数字经济的发展，数据资产的价值已得到广泛认可，数据交易需求也日益增加。政府和企业广泛开展数据资产化管理和市场化运营。然而，数据资产定价方法仍不完善。目前，国家和行业缺乏统一的数据资产价值评估和定价方法，数据资产交易主要通过谈判议价进行定价，相关研究还处于探索阶段，面临传统方法难以实施、缺乏实用性、先例经验不适用且难以推广、应用场景不明确、边界条件问题尚未解决、数据价值的不确定性较大等问题，制约了数据

291、资产交易的开展，阻碍了数据价值的实现。为推进相关问题的处理，南方电网公司开展了数据资产定价方法研究，建设数据资产价值评估模型与数据价格管理机制，研究数据资产计量与定价方法，测算业务投入产出测算，优化资源配置，为数据资产定价提供了切实可行的方法指导，并积极开展了数据资产评估实践。项目目标业务目标方面，通过对企业数据资产的现有价值进行量化，在数据领域实现精益化的管控，以提高资源利用率并降低大数据应用的建设成本，促进数据资产价值变现，实现商业模式创新，促进各方高效、公平、规范地推进交易达成。111技术目标方面，通过数据资产定价模型、方法的研究，实现基于价值维度的数据资产全面盘点，形成有效监控，支撑掌

292、握数据核心资产和问题资产，促进数据资产再分类，并支撑开展数据资产评估实践。管理目标方面，通过数据资产定价方法的研究，形成内部数据资产定价相关指引文件，指导内部数据价值评估、数据资产定价相关工作的开展，精确评估数据资产价值。实施方案数据资产定价方法探索在成本价格法的基础上，综合考虑数据影响数据价值的因素价值和市场供求对数据资产定价的影响。图 1：数据资产定价方法及费用标准原则上基于成本价进行定价，当市场价与成本价的偏差超过阈值时，为合理获取更高回报，可以选择可比的市场价格进行修正。其表达式参照公式（1）。112成本价计算方法：成本价是基于修正的成本价格法计算得到的价格（含税），其表达式参照公式（

293、2）。成本构成：数据资产在形成数据产品的过程中，数据采集、数据产品的设计、研发、运营等各阶段产生的成本。在开展数据资产成本定价试点工作中，南网也打磨出了一套成熟的数据资产成本定价法的定价流程，具体如下：（1）归集总成本，其中总成本是数据资产在形成数据产品的各阶段产生的成本；（2）数据价值修正，其中数据价值修正系数是影响数据价值实现因素的集合；（3）计算成本价，即基于修正的成本价格法计算得到的含税价格；（4）市场价校验，即计算市场价并对成本价进行校验；（5）确定最终价格，即根据校验结果对成本价进行修正，形成最终价格或价格区间。数据资产评估实践基于形成的数据资产定价方法，南方电网公司将其应用于数据

294、资产评估实践，其中包含产品需求、产品设计、产品开发、合同交易和产品运营 5 个阶段。产品需求阶段用于制定各数据产品成本表及市场价基础信息搜集，产品设计阶段主要推荐计价形式及确定定价的基础数据及参数，产品开发阶段开展归集产品总成本并计算产品成本价、市场价及合理价格区间，合同交易阶段进行价格谈判指导及合同审核，产品运营阶段开展实际成本控制、同类产品价格指导及产品再定价。113图 2：数据资产评估实践概览图目前共规划形成 5 大类数据资产评估实践相关产品：（1）供应链金融产品评估实践。南网融 e 平台上线电费融资、订单融资和票据贴现等金融产品，利用电网业务数据为企业提供资金支持和流动资金解决方案。（

295、2）政府平台服务实践。与中国联通广东省汕尾分公司合作，为中小企业能耗优化提供电力数据服务，协助政府建设工业互联网服务平台，为高耗能企业提供用能优化服务。（3）“电力贷”产品实践。“电力贷”正式在“广西数字金融服务平台”试点上线，放贷规模预计达到 1000 亿。“电力贷”利用电力数据构建信用报告，为金融机构提供授信参考，满足用户能源电力和金融服务需求，实时监控企业生产情况，增强风险识别能力。（4）“云电贷”电力金融征信数据产品。建设银行云南省分行合作开发“云电贷”电力金融征信数据产品，为小微企业提供精准放贷服务，促进诚信经营和便捷融资。扩展支持范围包括空壳企业监控和贷后预警。（5）信用证缴费数据

296、产品。通过与招商银行广州分行合作，利用信用证缴费数据产品，实现降低企业交电费资金成本、提升电费回收率，识别潜在客户，实现精准营销，为供应链金融服务体系创造利润增长点。已完成 192 万元的电费清缴。成果展示114数字化成果数据资产评估方法被南方电网应用于数据产品相关实践。目前，南方电网公司从产品体系、技术平台及运营机制三个方面创新构建了数据对外服务体系框架，并将数据资产评估方法目前应用于24个分子公司，已有13家分子公司展开实践，相关成果服务于 63 种公司数据对外服务产品矩阵，并支撑了针对政府、金融机构、企业和个人四类不同的用户主体的四种商业模式。经济效益目前数据资产评估实践形成的产品和应用

297、带来了显著的经济效益。其中，电费融资、订单融资和电力贷等金融产品，支撑公司成功撮合交易金额达到 25584万元，广州散乱污分析应用的成功应用为政府精准排查了大量散乱污场所，预计为政府部门节约了约 8000 万元的成本。社会效益成果形成科学合理的价值评估方法对于实现数据价值的最大化，对推进大数据产业创新发展方面具有深远意义。此外，基于数据资产评估方法开展的相关实践，将有力推动企业发展与社会进步。如：电费融资和订单融资产品能够减轻企业资金压力，促进经济发展和就业增长；广州散乱污分析应用能够支撑改善环境状况，保护生态和人民健康，为环境治理和可持续发展贡献重要力量。经验与展望南方电网数据资产定价方法的

298、制定，综合考虑了影响数据价值实现的因素和市场供求因素对数据资产定价，其研究过程及最终成果能够为业内数据资产定价方法的制定提供参考。在研究过程中南方电网主要分析了国内数据资产交易的市场现状及发展动向，以成熟的数据交易案例研究为基础，广泛调研市场上的数据资产价值评估方法和交易定价规则，挖掘了共性的问题和经验，进一步明晰了数据资产价值评估的关键概念及逻辑关系，围绕价值管理和价值创造两条主线，形成了电力数据资产的价值评估框架。同时，南网电网在实践中，也面临技术支撑115不足、相关制度缺失等问题，从中总结出了三点后续研究方向：一是进一步加强与国家数据共享交换平台、政务云数据中心等交换体系建设，引入联邦学

299、习、隐私计算、数据标签等技术，促进与政务数据的跨域共享开放。二是探索数据中介、数据代理、数据加工等多样化数据流通服务模式，支撑数据资源汇聚、数据资产管理、数据价值流转、数据产品交易等更多平台服务能力建设，优化数据流通服务生态。三是推进数据的权属、流通、交易、保护等方面的标准和规则制定，建立数据流通交易负面清单，营造可信数据交换空间，保障数据流通的合规性和安全性。116数据资产评估案例：河南 BF 公司智慧农业北京易华录信息技术股份有限公司摘要河南 BF 公司是从事农业物联网系统软硬件研发、设计、生产、销售和服务于一体的高新技术企业。目前正处于由传统农业向智慧农业转型发展过程中，如何利用人工智能

300、和数字技术智慧化农产品流通，以削减成本和提高效率，实现流通智能化，成为数字农业全产业链服务运营企业是当前公司战略布局重点。本次评估将 BF 公司经营项目内部采集的农业物联网数据作为评估对象，考虑到该评估项目可追溯测算内采、外购数据已发生的历史成本，再结合重置系数计算得出重置成本，最后加入合理利润率和利润调节系数，可最终算出该项目下的内采、外购数据的资产价值，因此使用成本法进行估值。本次评估数据主要通过 BF 公司自研传感器设备采集，不可替代性较高，数据可用于农业气象态势感知、三农场景金融产品等应用场景，具有较高价值。背景介绍近年来，很多企业开始涉足智慧农业。除中粮、北大荒、新希望等农业企业外，

301、阿里、京东、百度等企业也跨界进入智慧农业领域，为智慧农业技术创新增添新活力。京东农场将传感设备与农业生产经营相结合，为农产品种植、加工、销售、仓储与运输提供贯穿整个农产品生产销售环节的智能化综合解决方案，并在四川、内蒙古等地得到广泛使用。阿里云技术帮助农户实现精准种植，阿里云农业大脑可实现蔬菜、水果等农产品种植全过程的数字化、智能化管理，实现精准种植。河南是我国重要的粮食大省，用占全国十六分之一的耕地面积，生产了全国四分之一的小麦、十分之一的粮食。农户的收入较高，对数字农业机械的投资也有较高承受能力，数字农业基础设施利用率和回报均较高，可以实施数字农业，逐步扩大数字化农业的经营规模，最终确保数

302、字农业实现高效率、高产出和在保证高质量的前提下大幅度降低农产品成本。数字技术在农业中的应用离不开完善117的基础设施。此外，农业生产企业除了大力完善地理信息系统、农业遥感系统、气温气候监测和网络系统外，还致力于鼓励企业和机构将主要农作物各生长阶段、病虫害、化学品、土壤的特征数字化，使人工智能系统能够识别、分析、学习、管理，并向农业生产机械发出最优决策指令，这也是数字农业发展中最为关键的一环。河南 BF 公司是一家专业从事农业物联网系统软硬件研发、设计、生产、销售和服务于一体的高新技术企业，通过传感器收集的设备数据具有一定商业价值。该公司专注数字农业十二年，资深数字农业系统解决方案的提供商。目前

303、正处于由传统农业向智慧农业转型发展过程中，如何利用人工智能和数字技术智慧化农产品流通，以削减成本和提高效率，实现流通智能化，成为数字农业全产业链服务运营企业是当前公司战略布局重点。通过打造人工智能系统以帮助农民进行科学判断和生产决策，实现管理精细化。完善的数字化农业公共基础设施，打造数字农业示范区，分阶段分地区，由易到难，实现农业数字化阶段化推广。基于企业业务运营的采集数据对于打造智慧农业具有重要价值，可通过多视角分析实现数据价值管理的精益化，开展数据资产评估可为企业后续进行数据资产投融资业务奠定基础。项目目标考虑到公司拥有“在线物联网追溯监测大数据平台”所依托的数字农业基础设施、精准农业智能

304、装备及大数据等技术，能够匹配作物生长的关键指标，精准管理农事生产规划与执行，节省人工成本，减少资源浪费。同时结合区块链技术，提高溯源数据的可信度，应用大数据技术打造的种植模型及智能专家可以帮助用户在提高生产效率的同时追求产量与质量的最优平衡，最终通过大数据分析实现农业生态环境决策管理定量化、农业生产智能化和服务多样化。实施方案评估方法的选择易华录作为数据运营服务商，将 BF 公司经营项目内部采集的农业物联网数118据作为评估对象，将该项目下所内采、外购数据的已发生的历史成本进行追溯计算，再结合重置系数计算得出重置成本，最后加入合理利润率和利润调节系数，最终算出该项目下的内采、外购数据的资产价值

305、。本次评估数据主要通过 BF 公司自研传感器设备采集，不可替代性较高，具有较高的价值。数据可用于农业气象态势感知、三农场景金融产品等应用场景，具有较高的价值。该项目评估选择成本法，主要基于以下三点原因：第一，估值对象直接产生于农业物联网的数据，属于内部采集的原始类数据，未做进一步加工处理，没有形成可提升主营业务收益的数据产品。第二，业务数据形成路径清晰，数据获取、存储、管理各阶段的成本支出可追溯核算。第三，数据资产重置系数、合理利润率及影响因素系数的测算有可供参考或者执行的依据。成本法模型的选择根据中评协资产评估专家指引第 9 号-数据资产评估（以下称数据资产评估）第十七条给出的定义，具体的成

306、本法模型为：P=TC*(1+R)*U。其中：P 代表估值；TC 代表数据资产总成本；R 代表数据资产成本投资回报率；U 代表数据效用。具体来说，该次评估数据资产历史成本重置测算目录见表 1。其中，各重要参数的来源、分析、比较与测算过程如下：关于成本重置系数：根据本次估值对象历史成本发生的年份，基于历年郑州地区的物价增长率（CPI）、人力成本增长率（职工平均工资增长率）进行测算，形成郑州地区 2012 年至 2022 年历年物价、人力重置系数。A、物价重置系数测算：郑州地区 2012 年至 2022 年历年物价重置系数参照物价增长率，取自郑州市统计局官网-统计数据-年度数据-历年价格指数-城镇居

307、民消费价格指数。物价重置系数测算过程：设定估值基准日所在年份的物价重置系数为 1，其他年份物价重置系数测算，参考以下公式：（本年度）物价重置系数=（下一年度）物价增长率*物价重置系数。B、人力重置系数测算：郑州地区 2012 年至 2022 年历年人力重置系数使用 2011 年至 2021 年职工平均工资，取自郑州市统计局官网-统计数据-年度数据-历年就业与工资-职工平均工资；人力重置系数测算设定估值基准日所在年份的人力重置系数为 1，其他年份人力重置系数测算，参考以下公式：（本年度）人力重置系数=（下一年度）职工平均工资增长率*人力重置系数。关于合理利润率的测算，考虑到使用成本法评估数据资产

308、价值时，成本与价119值对应性较差，一般会结合市场均值或企业本身历史盈利数据确定数据资产成本投资回报率 R，即合理利润率。表 1 BF 公司数据资产历史成本测算目录根据本次估值对象的数据形成路径，以年为单位，对每年数据获取、存储、管理各阶段的费用支出，包括软硬件、服务采购费用，研发投入的人工费用等进行独立核算，汇总每年小计、各年合计，形成总历史成本。本次估值对象最终核算的历史成本为￥15,896,018.96 元。历史成本重置：其中，人员成本支出部分结合人力重置系数，进行测算，形成本年度人力重置成本；其他部分结合物价重置系数，进行测算，形成本年度的其他重置成本，以上两部分重置成本合并形成本年度

309、重置成本。各年重置成本合计，形成总重置成本，本次估值对象的历史成本重置后为￥16,839,494.35 元，再根据合理利润率和利润调节系数对数据资产进行估值。120应用场景的确定农业气象态势感知系统：作物生长气象环境感知：根据作物生长的实时数据实现实时洞察，应用定制统计办法实现生长情况的自动统计以及灾害识别，并结合历史数据及案例完成数据对比和产品营销策略制定。精细化天气预报预警：针对作物种植区域公里级 24 小时内逐小时预报、一周内逐日预报等趋势预报，提供精细化天气预报服务；提供关键农事活动期内（如施肥、打药、修剪、采摘等）的天气变化情况等灾害性天气预警服务。可视化及智能决策模块：提供作物土壤

310、商情、长势、产量、病虫害等数据可视化溯源监控服务；根据历史数据结合作物生长情况完成选址智能分析服务；提供种植方案解答及对病虫害作物进行现在诊断等在线咨询服务。农业物联网综合应用场景：智慧温室：以一座大棚为一个子系统，利用无线传感器，汇总存储/显示/管理数据，以直观的图表和曲线方式显示，集中监控统一管理，实现所有温室信息的获取、管理、分析、下载等处理。同时根据管理需求，提供声光、短信、系统消息、微信等多种示警方式，实现集约化远程管理。节水灌溉：从收集灌溉环境的信息开始，利用智能传感器获取温度、光照强度、土壤湿度等基本信息，掌握农业环境状况。数据无线传输汇总到云平台上，依据土壤环境、蒸发量、作物需

311、水量等信息，整合确定灌溉时长、灌溉量、灌溉模式，智能驱动灌溉阀门，实行精细化灌溉作业。通过长期土壤墒情等数据的积累，进行智能化分析处理，综合对比灌溉数据，并依据分析结果，做好灌溉数据的更正工作，确保灌溉质量及水资源利用率。相关人员可制定、优化科学的灌溉方案，构建高效低耗、多功能、科学管理的农业灌溉节水平台。农产品质量安全追溯：以物联网为基础，从播种起生产对应的电子标签、编码或其他唯一标识，包括：施肥、除草、浇水、打药、采摘、加工、运输等流程，以物物相连的方式，自动快速收集整理数据，节省人力物力并对应记录。实现信息导入，将相应信息储存于生产基地数据库，致力于构建物联网数据平台。创新融合应用场景：

312、农户资质评估：基于农村土地承包经营权确权登记、两区划定、形成权属、面积、空间分布、质量、种植类型等大数据，运用大数据和机器学习技术建立对农户资质评估的模型体系。将传感器数据应用到农户、农企（种植）资质评估的模型中，将农户实际种植的作物类型、作物产量、作物长势、121作物墒情等数据，应用于贷前和贷中模型，实现线上授信、动态监测违约风险。村集体资质评估：结合传感器、物联网设备数据，基于农村三资、清产核资、产改、预警、合同、产权流转等数据，运用数理统计方法和大数据技术建立对村集体资质评估模型体系。用于筛选出优质村，优质村向下利用模型筛选出优质农户，对优质农户进行授信放款，降低金融风险。三农场景金融产

313、品：借助物联网技术、卫星遥感和人工智能技术，丰富农户的可信数据，再结合线上接入数据和线下贷前调查建立起精准全面的农户风险评估及管理体系，为农户授信策略提供可信任、可追溯的数据源，再通过大数据风控技术构建信贷风控模型，实现对农户的精准授信，提升“三农”用户融资效率。贷后阶段利用人工智能技术，建立多品类、全周期的作物种植监控模型，识别作物长势监控潜在风险，提高风险抵御能力。成果展示根据本次估值对象的数据形成路径，以年为单位，对每年数据获取、存储、管理各阶段的费用支出，包括软硬件、服务采购费用，研发投入的人工费用等进行独立核算，汇总每年小计、各年合计，形成总历史成本。本次估值对象最终核算的历史成本为

314、￥15,896,018.96 元。历史成本重置：其中，人员成本支出部分结合人力重置系数，进行测算，形成本年度人力重置成本；其他部分结合物价重置系数，进行测算，形成本年度的其他重置成本，以上两部分重置成本合并形成本年度重置成本。各年重置成本合计，形成总重置成本，本次估值对象的历史成本重置后为￥16,839,494.35 元，然后再根据合理利润率和利润调节系数对数据资产进行估值。经验和展望根据上述实践，我们意识到企业在构建数据运营价值体系时，需要重点关注以下几方面。企业可通过建设数据运营管理体系提升整体运营效率有价值的数据是资产的概念已形成行业共识。但在具体管理实践中，如何对数据资产进行有效的管理

315、还在不断探索中。数据管理是对数据本身的加工过程进行管理，即对数据从产生到获取、处理、存储、传输、退役的全生命周期进行管理。当数据成为一种资源，在数据管理的基础上，增加组织、制度、流程、人员的管理内容，从而122规范数据资源开发利用过程中的各类活动。把数据作为资产管理，需要在数据资源管理的基础上，考虑数据持有权、使用权、收益权以及经济效益等资产属性。因此，数据资产管理是指通过建立一系列的组织、制度与流程，规范数据资产的各类管理任务和活动，从而控制、保护、提高数据资产价值。目前，企业基本处于数据管理的初期，对数据资产管理有初步的概念，企业有部分人员涉及数据资产的相关管理，但未有明确的管理制度。此次

316、评估过程可为企业明确数据资产运营所涉及的环节及流程，在此基础上，企业可进一步建立起各流程环节的成本记录规范及管理制度，进一步规范数据资产管理，优化整体数据资产运营效率。123“云旗”平台助力数据要素资产化华东江苏大数据交易中心股份有限公司摘要云旗数据要素流通交易平台是华东江苏大数据交易中心协助数据要素市场建立安全、可信、可控、可追溯的数据交易环境。通过对数据交易主体、交易标的、交易行为的合规评估、安全审计，保障数据要素流通交易全流程合法合规，持续构建完善的数据要素交易合规体系。同时积极探索数据流通新兴技术，提供基于区块链和隐私计算的数据流通交易服务创新方案，分类分级、分步有序推动数据交易流通。

317、构建数据可用不可见、可计量可追溯的数据可信流通交易环境，提高数据流通交易效率，进一步释放数据要素潜在价值，为千行百业赋能，促进数据要素充分流动和数字经济的高速发展。背景介绍数据要素作为一种新型的生产要素开始融入国民经济价值创造体系，数据资产化则是数据要素价值实现的重要途径，数据要素的流通交易是数据资源向数据资产转变、充分释放价值的必经之路。当前我国数据要素面临“场内交易不足，场外交易无序”等痛点和挑战，为进一步贯彻落实国家大数据战略，加快培育数据要素市场，促进数据流通交易，华东江苏大数据交易中心（以下简称：华东数交）聚焦特色垂直产业，回归数据交易本质，以场景促应用，以服务促交易，以生态促创新的

318、全国省级特色数据要素交易平台及数据要素流通市场。基于丰富的数据要素资源和成熟的数据要素运营能力，建设自主知识产权云旗数据要素流通交易平台（）。“云旗”平台是一个创新的数据资产交易平台，是具备数据产品登记、数据合规审核、数据安全保护、数据加密测试、场内交易清结算、产品交割对接等重要数据交易信息化功能模块，与市场化服务融于一体的数据要素流通交易平台，逐步完善各项交易规则及配套服务机制，为构建健康有序的数据要素流通交易大市场保驾护航。124项目目标华东数交作为数据合规安全流通交易的枢纽，搭建了“数商、生态联盟、行业特色专区”三大体系。最大程度汇集江苏省及全国的数据产品供给方、数据需求方、第三方服务机

319、构等数据交易产业链相关单位主体，扩大交易平台影响力。通过标准化的数据要素交易服务体系，帮助数据供给方和数据需求方打破信息不对称，破除交易障碍，推动数据要素交易及数据应用落地，助力数据价值的激活与释放。组织形成的数据资产（数据产品及数据服务）可通过“云旗”平台促进数据资产的价值实现。建设江苏省首个数据要素产品登记中心，省级数据要素流通交易产业链信息枢纽中心，及基于特色数据场景应用的创新应用工场，加强不同交易场所互联互通，推动一批价值明确的交易产品和应用场景试点应用，逐步培育富集多元的数据产品商与数据交易生态体系。实施方案“云旗”平台是具备数据产品登记、数据合规审核、产品挂牌上架、数据加密测试、场

320、内交易结算、产品交割对接、生态联盟、特色专区、AI 模型训练场等多元模块功能为一体的重要交易信息化与市场化数据要素流通交易平台。同时采用隐私计算、联邦学习等技术手段，为供需双方搭建灵活的算法平台，帮助开发者更便捷地开发与应用“云旗”平台数据产品。“云旗”平台支持各类形态数据产品等核心资源的一体化流通，将数据交易所及其参与主体有机地连接起来，为场内集中交易和场外分散交易提供低成本、高效率、可信赖的流通环境，由此构建完善有效的数据交易生态体系。“云旗”平台支持数据 API、离线数据包、数据报告、数据应用方案、数据服务方案五类数据产品的登记挂牌入驻，引入权威三方机构，针对入驻数商及数据产品进行严格的

321、数据产品合规及质量评估，发放数商、数据产品登记凭证，并支持数据产品测试安全域、交易溯源标识码、隐私计算等前沿数据安全保护技术的应用探索及实践。并设立“第三方服务”专栏，支持及引导数据质量评估、行业资质认证等相关三方服务积极参与；为积极参与第三方质量评估的数商及相关数据产品发放“数据产品质量评估登记凭证”；设置“需求大厅”，发布数据产品需求动态，125提供数据交易撮合服务；组织工信安全、国金测评等第三方机构参与数据采集和质量评估相关研讨会，推动标准的制定，助力建立合规高效、场内外结合的数据要素流通和交易制度。为充分发挥数据富集型行业的优势，形成数据集聚效应。“云旗”平台搭建首个交通大数据特色专区

322、，即为交通行业数据要素采集生产、交通数据治理、交通数据产品开发、交通数据产品应用等交通数据要素流通全生命周期的各参与方打造的首个行业特色专区。专区专注研究探索国有交通数据“四化（标准化、产品化、商品化、安全合规化）”建设，基于多维的交通数据，有效地拓展到政务、民生、金融、保险、物流等其他跨领域应用场景。通过汇聚全国交通产业链数据产品资产运营商、数据产品商及智慧交通数字化服务商，基于覆盖全国范围的公路、铁路、水运、航空等权威国有大数据资源，从交通工具、道路、企业、环境等维度深入挖掘大交通数据应用场景，汇集政务、智慧交通、智能驾驶、车联网、物流、网络货运、保险、金融八大应用领域，推动大数据与综合交

323、通运输深度融合，有效构建综合交通大数据中心体系，为加快建设交通强国提供有力支撑。随着企业数据资源相关会计处理暂行规定的发布，数据资源的确认范围和会计处理适用准则进一步明确，为进一步推动企业对数据资源的合理利用和规范化管理，提高数据资源的会计处理质量和透明度，推动数据资产价值化的闭环，云旗平台上线数据资产评估专区，专注探索数据资产的价值评估、管理和利用等。数据资产评估专区为数商企业提供专业的数据资产价值评估服务，平台引入专业的数据资产评估机构，为企业提供权威、准确的数据资产评估报告，帮助企业更好地了解自己的数据资源状况，发掘自身数据资产的价值，进而推动企业数据资产的有序交易和流通，实现数据资源的

324、优化配置。“云旗”平台上线的行业首个 AI 模型训练场，为数据应用者及 AI 开发者打造集数据质量测评、特征分析、算法优化、模型发布为一体的 AI 模型的自动化建模平台。通过 AutoML 技术和机器学习建模流程优化，帮助有效降低大数据应用人才门槛，提升建模效率、改善模型质量、高效上线模型应用，通过评分模型输出数据产品，确保数据可用不可见。同时有效降低大数据应用人才门槛，提升数据应用效率，有效解决数据要素流通交易环节中“有数据，无产品”难题。在促进数据要素流通交易的实践过程中，明确清晰划分数据运营和流通服务126产业市场分工，结合数据要素流通的三个阶段，从“三权分置”的角度界定交易中心在产业链

325、的市场分工及参与程度（如图 1 所示），有所为有所不为。深化数据流通和交易领域分工，为华东数交进入可持续良性运转助力。图 1 云旗平台数据要素流通交易全生命周期运营体系成果展示“云旗”平台为参与主体提供数据产品交易的生命周期管理能力，确保数据交易双方数据和结果的安全性，以实现数据的安全、合规交易、发挥数据要素价值，助力高效可信的流通交易环境。建立和培育数据要素流通和交易生态，目前云旗平台上线以来已吸引超过700 家数商入驻，1000 余款合规成熟的数据产品，涵盖了数字政务、智慧交通、网络身份验证、保险科技等多个应用领域，随着数据交易规模不断扩大，涉及的行业和领域越来越多，数据交易品种方面，除了

326、数据技术类工具，数据产品和数据服务类逐步增长，在数据产品的类型上，如交通、汽车、航运、时空数据、遥感、工业、教育等品类的数据产品在逐步丰富，从数据资源的角度上，基于公共数据资源开发出的数据产品在逐步增长。为帮助解决企业数据交易需求及产品供给的信息不对称问题，云旗平台开设需求大厅，提供供需撮合服务，主动委托需求方百余条，已探索实践 280 余个数据应用场景，服务数千家数据应用场景方，积极促进不同场景下数据要素安全可信流通。“云旗”平台是华东数交协助数据要素市场建立安全、可信、可控、可追溯127的数据交易环境。通过对数据交易主体、交易标的、交易行为的合规评估、安全审计，保障数据要素流通交易全流程合

327、法合规，持续构建完善的数据要素交易合规体系。同时积极探索数据流通新兴技术，提供基于区块链和隐私计算的数据流通交易服务创新方案，分类分级、分步有序推动数据交易流通。构建数据可用不可见、可计量可追溯的数据可信流通交易环境，提高数据流通交易效率，进一步释放数据要素潜在价值，为千行百业赋能，促进数据要素充分流动和数字经济的高速发展。经验与启示数据资产化是一个连续性的过程，挖掘数据资产化路径对企业实现降本增效具有重要意义，“云旗”平台将成为助力数据资产化重要的基础设施之一。在数据资产化实践过程中仍然需要不断加强“数据确权”、“数据资产的价值评估”、“数据安全”等方面的探索和实践。以数据要素安全流通技术加

328、交易平台服务体系双轮驱动，充分调动行业积极性，并紧随政策和市场变化，持续迭代“云旗”平台基础设施建设，实现交易场所市场化商业模式闭环，促进数据要素资产化的价值实现。结论与展望目前，数据要素资产化发展不断推进，未来数据资产交易流通、数实融合发展的诉求将更加强烈，需要着力解决当下数据要素资产化面临的主要障碍，特别是系统梳理基础数据要素、建立分类分级标准体系、探索多维度的分类确权机制，并着力培育以数据商为主体的数据市场体系和交易生态，为多维度、多场景挖掘数据要素价值，推动数据要素资产化价值实现打下良好基础。随着市场发展的逐渐成熟，对数据要素参与主体培育应更加多元化，培育一批专业化的数据技术服务商、数

329、据交易平台运营商、数据交易服务商等，为数据要素资产化产品提供安全、可靠的交易流通环境，促进数据要素资产化价值实现及价值增值。参考文献1281陆威文,苟廷佳.数据要素资产化的理论逻辑与实践进路基于对数据资产内涵与价值规律的认识J.企业济,2023,42(04):28-39.129合肥“赋能金融”项目：以数赋能，为中小微企业提供“不断档”金融服务合肥市大数据资产运营有限公司摘要近年来，合肥市数据资源局在聚焦数据汇聚治理共享的同时，不断探索利用数据“强政、惠民、兴业”。“赋能金融”是“数据赋能”的一个重要方面，指以公共数据开放赋能金融服务创新，实现“数据多跑路、群众少跑腿”。数字经济时代，数据成为重

330、要的生产要素。合肥市数据资源局有序整合市场监管、税务、人社、民政等部门数据，在数据提供部门和企业(个人)双重授权前提下，通过城市中台向银行开放标准化数据和接口服务，通过推动公共数据向银行高质量开放，发挥数据便民惠企作用，实现数据赋能金融服务创新。“赋能金融”具有开放性，以数据要素流动促进金融服务更加优化便利，可支撑各种类型的普惠金融应用，例如“信易贷”、“金 e 贷”、“云税贷”，一方面在企业授权基础上，将更大范围政务数据纳入银行对企业的风险评估，有效缓解中小企业融资难题，另一方面让企业或个人在办理金融服务时少交或免交证明材料，实现“少跑腿”“零跑腿”。背景介绍2020 年 5 月中国人民银行

331、与国家市场监督管理总局签署数据共享合作备忘录，旨在加强跨地区、跨部门数据要素有序流转与融合应用，为加快建立现代中央银行制度、推动金融数字化转型、优化营商环境夯实数据基础。2019 年以来,合肥市数据资源局积极贯彻落实市领导关于建行、科农行请示的批示意见，协同市委网信办、市地方金融监管局，依托市信息中心的“数据开放应用创新实验室”与建行、科农行开展“金融赋能”研究。合肥市数据资源局根据建行、科农行提出的 183 类数据需求，向市人社局等 19 个相关部门征求意见，按照相关部门提出的脱敏需求，完成数据在实验室加载。在保障数据安全的前提下，建行、科农行安排技术人员进驻实验室开展数据验证、建模等工作。

332、合130肥市数据资源局协同相关部门探索基于企业(个人)授权为银行提供政务数据服务，减少企业(个人)申请银行贷款过程中提交材料、跑腿的次数，发挥数据便民惠企作用，实现了政务数据与金融业务初步融合的目标。特别是 2020 年新冠肺炎疫情期间,合肥市数据资源局积极发挥数据作用保障复工复产，支持中小微企业发展，保障经济正常运行。项目目标业务目标1)促进金融机构的信贷创新：开放数据给银行可以帮助金融机构更准确地评估借款人的信用风险，从而促进信贷产品的创新和发展。2)支持小微企业融资：通过提供准确、及时的数据，帮助银行更好地评估小微企业的信用状况，为其提供更便捷、灵活的融资渠道。3)促进经济增长：通过增加

333、信贷的供给，推动企业的发展和投资，进而促进经济增长。技术目标1)数据安全与隐私保护：确保开放的数据在传输、存储和使用过程中得到充分的安全保护，以防止数据泄露和滥用。2)数据标准化和集成：将不同来源的数据进行标准化处理，使得数据能够在不同银行系统间无缝集成和共享，提高数据的可比性和可用性。3)高效数据处理和分析：建立高效的数据处理和分析技术体系，以快速提取有价值的信息，帮助银行进行风险评估、决策支持和客户服务等方面的工作。管理目标1)合规管理：确保数据开放和使用符合相关法规和监管要求，防止潜在的违规行为，并及时处理相关合规风险。2)合作伙伴管理：建立与政府、银行和其他合作伙伴之间的有效合作机制，明确各方责任和权益，确保数据开放和使用的顺畅进行。1313)监控与评估：建立数据开放和使用的监控机制，跟踪数据使用情况和效果，及时进行评估和改进，确保业务和技术目标的实现。这些目标的实施需要政府、银行