全产业链数据价值释放路径：数据的资源化、资产化与资本化

从全产业链视角整合数据资源，挖掘数据脉象价值和数据脉动价值，以更加深入地探索数据价值释放的可行路径。面向数据所有者、数据经营者和数据使用者，结合国家政策和企业实践的成功经验，从数据资源化、数据资产化、数据资本化视角探索数据价值释放路径，有助于充分揭示全产业链数据价值来源之谜（赵林度等，2021）。

一、数据资源化

数字经济的核心在于数据、在于数据价值，在于依托数据数量、数据质量和内核知识蕴含的价值生成的数据脉象价值和数据脉动价值。资源是某主体拥有的人力、物力、财力等各种物质要素的总称，数据资源则特指以数据作为生产要素的资源，数据资源化则强调数据资源整合后形成的数据价值。

1．数据资源概念 

数据资源、数据资产、数据资本都是数据发展到一定规模、集聚一定价值后的产物，在概念上有本质区别（表1）。21世纪人类的一大文明进步就是迸发出了“数据是一种资源”的思想，正是基于这种思想基调，人类大胆赋予数据具有实物资产一样的权属，使得数据拥有了跟石油、煤矿、土地等重要资源一样的资产特性，可买卖交易、可拥有获利、可支撑生产。

数据资源集聚了数据的原始价值，成为需要挖掘、需要探索的一片蓝海，需要科学有效的数据价值生成方法。既然数据可以像房屋一样隶属于某主体成为资产，那么数据也可以像房屋抵押获得贷款一样获得资本属性，通过数据资源化、数据资产化、数据资本化提升数据价值。

2．市场规模 

2015年，国务院在《促进大数据发展行动纲要》（国发〔2015〕50号）中明确提出培育大数据交易市场。在国家政策的积极推动下、地方政府和产业界的带动下，贵州、武汉等地率先探索大数据市场。根据《2019中国大数据产业发展白皮书》数据显示，2018年中国大数据产业规模为4384.5亿元，预计2021年将达8070.6亿元。从2016-2021年，大数据产业规模增长5229.8亿元，5年复合增长率达23.2%（图1）。数据产业的市场需求和相关技术进步将进一步驱动数据资源价值释放，促进数据资源市场蓬勃发展。

3．数据资源管理 

面对复杂的数据资源市场环境，需要建立一个有效的数据资源管理体系。数据资源管理以数据资源为对象，涵盖了数据管理，不仅关注如何解决数据带来的损失问题，而且关注如何借助数据资源为数据所有者、数据经营者和数据使用者带来数据价值，涉及数据成本管理和数据收益管理。

数据资源管理包含数据标准、数据质量、数据安全、数据价值、数据共享和数据挖掘等管理职能，可以针对不同的应用场景和大数据平台提高数据资源价值增值能力。在“数据转向资源”理念影响下，需要更专业的管理队伍和更细致的管理制度来确保数据资源管理的流程性、安全性和有效性。

4．数据资源主体 

作为生产要素的原始数据散落在社会网络中，经数据采集、数据加工后拥有数据所有者属性，数据转化为数据资源后更是获得交易属性，需要明晰数据资源主体的责权利关系。由于数据隐私的存在，数据所有者不能简单地让渡数据所有权，必须在数据资源化过程中明晰数据所有者、数据经营者和数据使用者三方主体和权属（图2）。

数据所有者应完整占据数据资源的产权，可以自由决定是否委托数据资源经营权。数据经营者接受数据所有者委托，享有数据经营权和获取合法收益的权利。数据使用者依据数据经营者赋予的合法权益享有数据资源及其衍生物的数据价值，从而实现数据价值传递、数据价值变现。

5．数据资源化发展阶段 

数据资源化是一个螺旋式发展过程，在持续发现问题、解决问题过程中积累知识经验，提升数据资源管理能力，按照管理成熟度可以将数据资源化发展划分为四个阶段（图3）。从数据建仓、数据治理、数据应用到数据运营阶段，随着数据资源管理成熟度的提高，数据资源化发展逐渐进入规模化运营阶段。

在提高数据资源管理能力目标驱动下，研究建立数据仓库，以增强数据资源集聚、存储、管理能力，数据建仓阶段发展非常缓慢。随着数据资源集聚，数据资源化发展进入数据治理阶段，形成了数据采集、计算、加工、分析等配套工具，建立了元数据管理、数据共享、数据安全保护等机制，数据治理阶段发展迅速推动着数据资源化进入数据应用阶段。通过数据创新应用，进入大规模数据资源运营阶段。

数据资源化发展使数据成为数据资源主体的核心生产要素，不仅有助于提高产品和服务创新能力，而且有助于实现数据资源价值最大化目标。随着数据资源管理成熟度和数据资源管理能力的提高，数据资源化发展动能不断提升，推动着数据资源价值增值能力获得快速发展的空间。

二、数据资产化

随着数字经济的蓬勃发展，数据资产化得到广泛重视，推动着数据作为一种新型生产要素按贡献度、按价值创造收益能力参与分配，反映了数据对提高生产效率的乘数作用。数据资产化不仅有助于提升数据资源价值，而且能够赋予数据更多的属性，演化成为一类无形资产形式。

1．数据资产概念

数据资产（data asset）指政府债券、公司债券和实物债券等资产（Peterson，1974）。随着信息资源和数据资源概念的演变，数据资产概念进一步扩大，并随着数据管理、数据应用和数字经济的发展而普及。数据资产尚无统一的定义，《数据资产管理白皮书（4.0）》将数据资产定义为“由企业拥有或控制的，能够为企业带来未来经济利益的，以物理或电子的方式记录的数据资源，如文件资料、电子数据等”。

叶雅珍等（2019）将数据资产定义为拥有数据权属（勘探权、使用权、所有权）、有价值、可计量、可读取的网络空间中的数据集。定义中明确强调了数据具备的可获得经济利益的特征，也说明了数据资产应当具备可估量的价值。在实践中，分布式存储、云计算、人工智能、区块链等技术的应用正不断拓宽数据资产的边界，非结构化数据也被纳入数据资产范畴，海量的标签库、企业级知识图谱、文库文档、视频、图片等。

2．数据资产管理体系 

数据作为一种新型资产，同实物资产一样具有价值和经济收益的特征。但是，如果缺乏合规有效的管理体系，数据也可能变成负债。为了培育数据资产化的健康模式，数据资产管理体系建设显得尤为重要。数据资产管理贯穿于数据采集、存储、管理、分析和使用等全生命周期过程，涉及数据采集后的运营管理、数据价值变现等过程。目前，数据资产管理尚处于探索起步阶段，数据质量问题、安全隐患、评估方法、交换流通等精细化管理仍显薄弱。

数据资产管理（data asset management）是指规划、控制和提供信息资产的一组业务职能，包括开发、操作和监督有关数据的计划、政策、方案、项目、流程、方法和程序，从而控制、保护和提高数据资产价值。可见，数据资产管理的目标是资产保值增值。在数据资产化大背景下，数据资产管理理论体系至少包括数据资产权属界定、价值评估、交易流通和安全保障四个方面（图4）。数据资产管理不仅具有数据管理的共性，而且具有不同于数据管理的独特管理视角。

（1）数据资产权属界定

数据资产权属界定是数据资产化前提。数据权不同于传统物权，物权的重要特征之一是对实物的直接支配，但数据权在数据的全生命周期中有不同的支配主体，某些数据产生时由所有者支配，有些数据产生时便被数据采集人支配（例如，微博、电商数据、物流数据等），在数据处理阶段被各类数据主体所支配。由于数据所有权可以转移、难以界定，所以数据资产权属界定应该综合考虑数据所有权、数据经营权和数据使用权。

数据资产权属界定可以简单理解为法律意义上由哪个企业拥有数据、经营数据和使用数据，表现在企业是否有数据购买合同（企业本身产生的数据除外）或者预先获得许可，有无约定数据资产所有权、经营权和使用权。数据资产权属界定需要明确相应的权利和责任，包括谁能够创建、读取、修改、复制、共享或删除哪些数据等。即使企业对外开放或共享数据，在法律保护下，企业仍没有失去所有权、经营权和使用权。在数据资产具有可复制性的不利背景下，数据资产权属界定可以保障数据资产安全。

（2）数据资产价值评估

数据资产价值评估是数据资产管理的基础。在企业中，并非所有的数据都可视作资产，它首先是能够为企业产生价值的数据资源。数据资源构成资产后仍有价值高低、资产优劣的不同。数据资产作为一种复杂的全新资产形态，价值评估方式比传统资产价值评估更加困难、更具挑战性。

数据资产价值估值方法主要有成本法、收益法和市场法三类（左文进和刘丽君，2019）。成本法根据数据资产的成本构成测算数据资产价格，与数据资产价值的重新获取或建立数据资产所需成本紧密挂钩；收益法基于目标数据资产的预期应用场景，通过预期经济效益折现反映数据资产投入使用后的收益能力，要求数据资产收益可预测；市场法适用于市场上具备一定数量可比数据资产的估价对象，通过相同或相似数据资产的对比和差异因素的调整，反映目标数据资产市场价值（林飞腾，2020）。

（3）数据资产交易流通

2014年以来，我国出现了一批数据交易平台和数据交易机构，包括贵阳大数据交易所、上海数据交易中心、长江大数据交易中心等。2019年9月正式启动的“人民数据资产服务平台”，成为首个国家级别的大数据开放平台，也是行业内首个集数据合规性审核、数据确权出版、数据流通登记等数据资产服务于一体的平台。

互联网领域的前行者也在积极探索新的数据流通机制，为数据资产交易流通提供行业观察、营销支持、舆情分析、引擎推荐等数据服务，并针对不同的行业提出对应的解决方案。前行者的实践意味着数据行业在建立行业标准、引领行业规范发展方面迈出了新的步伐，对数据领域资源整合具有重要的创新意义。

（4）数据资产安全保障

数据资产管理的重要目的在于保障数据资产安全，目前数据资产安全不能得到保障的主要原因是市场缺乏信任机制。技术服务方、数据所有者、数据交易中介等都可能会私下缓存并对外共享交易数据，数据使用者不按协议要求私自留存、复制甚至转卖数据的现象也普遍存在。数据交易中所涉及的采集、传输、汇聚活动日益频繁，相应地，个人隐私、商业机密等一系列安全问题也日益突出。

按照国家或机构的相应规定及监督要求，通过评估数据资产安全风险、制定管理制度规范保证数据资产安全，建立良性互动的数据交易生态体系迫在眉睫。面对复杂的数据资产管理环境，亟需建立包括政府、监管机构、社会组织等多方参与的、法律法规和技术标准多要素协同的、覆盖数据资产交易流通全过程和数据全生命周期管理的数据资产管理生态体系。

3．数据资产化面临的挑战 

数据资产管理技术发展缺乏可参考的统一模板，从业者只能借鉴实物资产管理系统的架构，设计开发的工具往往无法满足数据资产管理的需要。由于不同主体的数据资产管理需求存在较大差异，数据资产管理工具的形态各不相同，严重影响了数据资产化标准化、规范化统一进程。随着数据量的增加和数据应用场景的丰富，数据间的关系变得更加复杂，隐藏于数据资产中的问题数据难以被发觉。尽管数据资产化智能化程度不断提升，但是数据资产化仍面临权属界定不清楚、价值评估方法不适用、交易市场不成熟、安全得不到保障等挑战。

（1）数据资产权属界定不清楚

由于数据尚未被赋予法律意义上资产属性，数据所有权、数据经营权、数据使用权等权益没有被相关的法律充分认同和明确界定。数据也尚未像商标、专利一样，具有明确的权利申请途径、权利保护方式，法定的数据权利尚未有完整的法律保护体系。正是因为数据资产在数据权利主体、数据权属分配等方面存在诸多争议，所以增加了数据资产权属界定的困难。

（2）数据资产价值评估方法不适用

在数据资产价值评估方法中，成本法、收益法和市场法均具有局限性，不仅成本法不适用于数据资产价值评估（李泽红和檀晓云，2018），而且收益法和市场法也有适用场景的前提枷锁。由于数据资产价值具有动态性、模糊性、不确定性，增加了数据资产价值评估的难度，在形成统一、规范的数据资产价值评估方法之前，数据资产价值评估只能由交易双方根据市场行情商定。

（3）数据资产交易市场不成熟

由于数据资产权属、数据资产价值评估的局限性，以及数据资产交易政策和监管机制的缺失，我国数据资产交易市场依然面临诸多困难，不成熟的市场环境成为数据资产化进程的障碍。

1）参与数据资产交易的第三方机构为了获得更高的服务费用，有动机违背市场交易规范而故意抬高数据资产价值。

2）由于数据资产交易市场信息不透明，只有极少数利益相关者掌握关键信息，其余人仅有有限的市场话语权。

3）现有的法律和会计准则对数据资产的适用性尚不明确，数据资产交易市场存在灰色地带，损害了利益相关者的利益，也侵害了数据所有者的隐私。

（4）数据资产安全得不到保障

数据资产安全涉及每一个利益相关者的利益，例如数据所有者、数据经营者和数据使用者，会给利益相关者带来难以控制的风险。无论数据所有者提供数据时是否有偿，都会担心数据隐私无法得到应有的保护；即使数据经营者拥有先进的数据保护技术，仍然存在数据资产安全隐患而影响应得的数据资产经营收益；面对数据的可复制性，数据使用者唯一掌控数据资产的愿景存在随时被打破的风险。

在数据资产化过程中，仍然存在权属、价值、交易等重要问题等待解决，但是随着数据资源越来越丰富，数据资产化正在成为企业提高核心竞争力、抢占市场先机的关键，这些问题也将随着数据资产化进程逐渐明晰。

三、数据资本化

大数据时代将碎片化的数据资本化，数据资本成为一类更具创造价值的新型资本。随着我国大数据开放共享步伐的加快和国家大数据战略的推进，我国大数据产业已经成为资本市场的新宠。在数据资本占据权力核心地位的同时，传统的市场结构、社会结构必将出现大幅调整，以适应数据资本市场的需要。

1．数据资本 

“数据资本”一词首先出现在统计领域中，1967年，挪威中央统计局的一份工作文件中认为数据资本是采集和计算数据的保留存量，在统计文件系统中起关键作用（叶雅珍等，2019）。数据资本如同金融资本、实物资本一样，能够产生新的、有价值的产品和服务，提高数据资本拥有者的预期收益。

在经济学中，数据资本拥有长期的价值，拥有后验性，即数据资本使用后才能衡量其意义和价值（张莉，2019），以及增殖性，即数据资本会进一步增殖（宋宇和嵇正龙，2020）。数据资本化是指通过数据交易流通将数据资产转变为数据资本的过程，从而在更高层次上实现数据资本价值。

从数据资源、数据资产到数据资本，逐渐增加的数据价值潜力带来更高的价值预期，如何深入挖掘数据资本价值成为一个新的研究方向。数据技术的迅猛发展正在消除金融资本、实物资本与数据资本之间的鸿沟，巨大的颠覆性创新正在逐步将数据资本带入资本市场的核心位置。

2．数据资本化生产函数 

数字经济时代不仅要求劳动力具备数据分析、数据处理能力，而且要求劳动力产生数据资本。从数据到信息、再到知识的过程描述了数字革命的本质，即应用数据生产信息和知识，数据成为价值源。数据资本化需要投入劳动力、技术和数据资本，从而形成一种新型的生产函数关系。

数据资产加工过程就是技术进步的过程，它表现为与数据资本积累相伴的数据处理、数据分析和数据使用能力的提高。伴随数据→信息→知识的过程，数据资产转化为可以直接推动生产力的数据资本。数据资本化生产函数为：数据生产力=数据资本+数据劳动力+数据技术进步。

3．数据资本化体系架构 

在数据资本化生产函数中，数据是价值创造的原材料。数据资本的兴起，需要一个全新的体系架构去厘清数据资本的有益属性，使数据资本为大众谋福利。在新型的数据资本化体系架构中，应突出体现数据资本公益性和公有制属性，充分展现数据福利价值属性和价值作用。

（1）数据资本公益性

数据资本化的目的在于追求数据价值最大化，以最大覆盖范围的公益性解决更多的民生问题。一方面，数据资本公益性体现了数据劳动正义重构的思想（张雯，2019），不仅坚持按劳分配的数据劳动原则，而且坚持普惠享用的数据共享原则；另一方面，数据资本公益性体现了公益性和营利性兼容的思想，不仅坚持公平、普惠基础上的公益性原则，而且坚持效率、效益基础上的营利性原则。

（2）数据资本公有制

数据本身并没有制度属性、阶级属性和意识形态，但是数据资本化会赋予数据这些属性，以代表不同的制度、阶级和意识形态。数据资本公有制创造了公平的社会环境，一方面有助于以国家利益扼制垄断，推动数据资本公有制发展，让更多的公民享有数据资产权益；另一方面，有助于解决数据资本收益分配不公的问题，为每一个利益相关者提供公平、合理地享有数据资本收益的权利和机会。

4．数据资本化的优势 

数据资本化彻底改变了传统的生产函数，一定程度上降低了生产成本、提高了生产效率，从而产生数据资本化的优势。在微观层面，数据资本化有助于提高信息透明度和流程管理效率，降低交易成本，提高精准的“客户画像”能力；在宏观层面，宏观经济管理能力必将实现飞跃式上升，借助数据资本提高社会风险管控能力。

数据资本化正在形成新的生产方式、生活方式和经营方式，有助于重组产业结构、颠覆业务模式，以新型的数据资本提升“全产业链脉动”价值。数据价值载体从数据资源、数据资产到数据资本，拓展了“全产业链脉动”服务价值承载力，从根本上提高制造业服务化转型发展能力。

5．数据资本化的挑战 

数据资本化离不开数据资源、数据资产和数据资本价值，随着数据价值增值能力的提高而发挥越来越重要的引擎作用，从而推动数据资本化进程。尽管数据资本化存在一定的优势，但是它仍然面临一系列挑战，需要利益相关者予以足够的重视。

（1）数据隐私不安全

由于数据隐私的存在，一定程度地影响着数据资本化进程。数据隐私不安全挑战，会动摇利益相关者提供数据的信心，最终影响数据采集的数量和质量。在数据资本化过程中，必须充分考虑数据隐私保护问题，切实履行好保护数据所有者、数据经营者和数据使用者利益的职责。

（2）数据信息不对称

数字经济时代，利益相关者无差别共享数据信息成为一种追求，驱动着数据资本化过程不断提高透明度。但是受经济利益驱动，一些数据拥有者在数据资本化过程中以透明化假象骗取利益相关者的信任，严重损害了利益相关者的利益。在数据资本化过程中，必须搭建数据信息无差别共享平台，有效规避数据信息不对称风险，切实保护好利益相关者的利益。

（3）权益分配不合理

在现实环境中，一些数据拥有者牢牢掌握了数据资本的各项权益，数据所有者无法参与数据资本增值分配，出现数据资产权益分配不合理现象。在数据资本化过程中，必须充分考虑数据劳动者的贡献，让他们共同享有平等的数据资本权益，从而制定一个科学、合理的数据资本权益分配机制。

（4）数据获取不合规

监视型资本主义是指通过网络获取用户数据、然后分析刻画“客户画像”，以此达到获利目的的商业行为。监视型资本主义滋生带来新型的信息文明问题（Zuboff，2015），数据获取不合规行为增加了数据资本化风险。在数据资本化过程中，重新审视新技术、新环境带来的新影响，以正确的价值观把控数据资本化进程，坚持不违法、不违规、不走法律盲区的道德底线，有效规避侵犯他人利益的行为。

在制造业服务化体系中，全产业链数据价值释放路径不仅描述了数据价值增值演化的趋势，而且提供了实现数据价值最大化的时空网络。从数据资源化、数据资产化到数据资本化的全产业链数据价值释放路径，揭示了数据价值生成、传递和实现过程，以增强“全产业链脉动”服务能力。

参考文献：

[1]赵林度，刘丽萍，任雪杰，邱华清．2021．“全产业链脉动”：制造业服务化[M]. 科学出版社．

[2]叶雅珍，刘国华，朱杨勇．2019．数据资产相关概念综述[J]，计算机科学，46（11）：20-24．

[3]中华人民共和国中央人民政府[EB/OL]. [2015-09-05]. http://www.gov.cn/zhengce/content/2015-09/05/content_10137.htm．

[4]大数据产业生态联盟，赛迪顾问．《2019中国大数据产业发展白皮书》[EB/OL]. [2019-03-12]．https://www.docin.com/p-2179980533.html．

[5]Peterson R E．1974．A cross section study of the demand for money: The United States, 1960-62[J]．The Journal of Finance, 29(1):73-88．

[6]中国信息通信研究院云计算与大数据研究所，CCSATC601大数据技术标准推进委员会．2019．数据资产管理白皮书（4.0）[EB/OL]. [2019-06-05]. https://www.secrss.com/articles/11176．

[7]左文进，刘丽君．2019．大数据资产估价方法研究——基于资产评估方法比较选择的分析[J]．价格理论与实践，（8）：116-119+148．

[8]林飞腾．2020．大数据资产及其价值评估方法：文献综述与展望[J]．财务管理研究，（6）：1-5．

[9]人民网．人民数据资产服务平台正式启动[EB/OL]. [2019-09-24]. http://yuqing.people.com.cn/GB/n1/2019/0924/c209043-31369494.html．

[10]李泽红，檀晓云．2018．大数据资产会计确认，计量与报告[J]．财会通讯，（10）：58-59+129．

[11]张莉．2019．资源、资产、资本：数据的价值[N]．中国计算机报，第12版．2019-10-28．

[12]宋宇，嵇正龙．2020．论新经济中数据的资本化及其影响[J]．陕西师范大学学报（哲学社会科学版），49（4）：123-131．

[13]张雯．2019．数字资本主义的数据劳动及其正义重构[J]．学术论坛，（3）：106-111．

[14]Zuboff S．2015．Big other: Surveillance capitalism and the prospects of an information civilization[J]．Journal of Information Technology, 30(1):75-89．