我国数据要素价值形成机理、影响因素与实现路径

阳巧英 夏义堃

摘   要：释放数据要素价值是推动数字经济高质量发展的关键。通过系统性文献回顾，可以识别当前研究进展与薄弱环节，为未来研究提供参考。文章基于扎根理论，运用内容分析法发现：当前我国数据要素价值研究展现出形成机理、影响因素与实现路径三大主题。在形成机理方面，重在解构数据要素价值类型与演进过程；影响因素研究着重考虑数据要素主体、客体与环境三个维度。因此，强化数据要素主体能力、重视数据要素资源建设以及规范数据要素流通环境三种路径形塑了数据要素价值研究的策论图景。未来需要开展数据要素价值类型学研究、深化数据要素价值演进研究、规范数据要素价值影响因素研究以及拓展数据要素价值实现路径研究。

关键词：数据要素价值；形成机理；影响因素；实现路径

中图分类号：F49   文献标识码：Ａ   DOI：10.11968/tsyqb.1003-6938.2023018

Abstract The release of data factor value is the key to the high-quality development of the digital economy. A systematic literature review can identify the progress and weaknesses， and provides references for future study. Based on the grounded theory， the content analysis shows literature related to data factor value three topics： formation mechanism， influencing factors and implementation path. In terms of formation mechanism， the previous study deconstructs the value type and evolution process of data factor. The study of influencing factors considers three dimensions of data factor： subject， object and environment. Therefore， strengthening the capacity of data factor subject， attaching importance to the construction of data factor resources and regulating the data factor circulation environment forms research landscape on implementation path of data factor value. In the future， it is necessary to carry out the research of data factor value typology， deepen the research of data factor value evolution， standardize the research of data factor value influencing factors and expand research on the implementation path of data factor value.

Key words data factor value; formation mechanism; influencing factors; implementation path

充分釋放数据要素价值，有助于推动数字经济与实体经济深度融合，赋能产业数字化和数字产业化，引领经济社会高质量发展。2019年，党的十九届四中全会首次提出将数据作为生产要素参与分配，赋予数据新的使命。2020年，《关于构建更加完善的要素市场化配置体制机制的意见》《关于新时代加快完善社会主义市场经济体制的意见》等文件进一步明确数据要素在经济社会发展中的基础性和战略性地位，并将激活数据要素价值作为推动经济增长的重要潜力。2022年12月颁发的《关于构建数据基础制度更好发挥数据要素作用的意见》（以下简称“数据二十条”）则从数据产权、流通交易、收益分配、安全治理等基础制度出发，加速推动我国数据要素的价值释放。

与劳动力、技术、资本等传统生产要素相比，数据要素的非竞争性、外部性、规模经济性特征导致其价值创造呈现出动态性、复杂性与非线性趋势，面临着确权难、定价难、交易难与监管难的“四难”困境。如何激活数据要素价值，推动我国数字经济高质量发展已经成为事关全局的重要议题。近年来，我国数据要素价值研究呈“井喷式”增长态势，在数据价值链［1］、估值与定价［2］、影响因素［3］等方面已产生一定综述成果，对于推进数据要素基础制度建设、健全数据要素市场治理起到了有益的指导借鉴作用。然而，上述文献多囿于数据要素价值的某一方面，并未搭建起系统的结构化分析框架，难以全面刻画数据要素价值的理论与现实研究图景。基于此，本文拟从形成机理、影响因素与实现路径3个方面系统梳理近年来我国数据要素价值研究相关文献，揭示其内在的知识关联，展望未来研究方向，以期深化数据要素价值的认知，赋智我国数据驱动型经济发展。

1   数据采集与研究方法

1.1    数据采集

从我国数字经济政策的演进来看，数据作为生产要素参与分配，始于2019年党的十九届四中全会。此前相关研究集中在数据的开发利用，对数据的生产要素属性则鲜有涉猎。故此，为准确探究数据要素价值研究热点与前沿趋势，本文将文献检索起止时间限定为2019年至2022年。在检索词的设置上，尽管数据要素被视为“数据成为用于生产产品和服务的基本投入因素之一”［4］，但从内涵上看，“数据资源”“数据资产”“数据商品”“数据资本”均为数据要素价值实现过程中的不同表现形态，折射出数据要素化过程中价值实现的动态性。为全面揭示数据要素价值实现特征，本文将上述5个关键词与“价值”排列组合，在中国知网数据库上检索，截至2022年12月15日共得到1821篇期刊文献。

为提升文献的代表性与准确性，本文确定以下筛选标准：第一，文献内容涉及一个或多个研究问题，即数据要素价值的构成与演进逻辑、数据要素价值实现的影响因素及其举措；第二，标题、摘要与关键词等论文要素完整，同时包含“数据资源”（或“数据资产”“数据商品”“数据资本”）和“价值”等检索词。最终得到210篇有效文獻。

1.2    研究方法

为揭示我国数据要素价值研究的知识结构，本文运用扎根理论，从上述210篇文本“数据”中凝练研究主题。尽管数据要素价值研究已有一定述评，但结构化分析框架付之阙如，扎根理论遵循从数据中建构理论的研究路径［5］，具备一整套规范的研究程序，有助于整合碎片化的观点，探索数据要素价值实现的深层次逻辑。因此，宜运用该理论开展文献综述。

本文随机抽取200份文献进行编码（编码过程见图1），剩下10份用于理论饱和度检验。在开放编码中，本文从涉及研究问题的语句中凝练出“经济价值”“政治价值”“社会价值”“政府能力”“企业能力”等初始概念。在主轴编码中，本文旨在建立概念和范畴间的联系。如将“经济价值”“政治价值”“社会价值”等初始概念整合为“价值构成”；将“政府能力”“企业能力”合并为“数据要素主体因素”。最终获得9个主范畴。在选择编码中，通过分析上述主范畴之间的内在关联，本文挖掘出“形成机理”“影响因素”与“实现路径”3个核心范畴。如“价值构成”与“价值演进”分别分析了数据要素价值类型与创造的过程，将两者有机串联为“形成机理”，则能够回应数据如何成为生产要素的问题。

通过将余下10份文献再次概念化和范畴化，未发现新概念和新范畴，概念或范畴之间也未产生新的联系。因此，上述构建的概念和范畴趋于饱和。同时，对2019-2022年我国数据要素价值文献的主题分布分析（见图2）得知，近几年来，数据要素价值形成机理、影响因素与实现路径3个主题的相关研究持续增长。相较而言，我国学者更侧重对数据要素价值影响因素与实现路径的探讨，对价值形成机理的关注度相对较低。

2   数据要素价值形成机理

与传统生产要素相比，数据要素的价值构成有其特定结构和条件要求，本节所要解决的核心问题包括数据要素的价值组成部分有哪些、数据如何转化为生产要素、如何参与价值创造与增值转化等，旨在揭示数据要素价值的演进逻辑。

2.1    数据要素价值构成

依据文献，归纳我国学者有关数据要素价值类型划分的研究发现：第一，数据要素的价值表现是多方面的，类型划分总体上赓续了前期开放政府数据的价值分类思路，主要表现为“经济价值—政治价值—社会价值”的三分法。与此同时，还伴随着对资源环境价值的探讨，即数据的协同效应可以有效降低经济增长过程中的资源消耗［6］；第二，相较而言，开放政府数据价值类型研究更加强调政治价值，侧重于政府行政管理效率的提高［7］。而数据要素价值研究则聚焦于经济价值，价值主体集中于企业数据利用与数据赋能，在微观层面表现为基于数据整合与分析，企业能够准确掌握消费需求和市场动向，从而发挥数据辅助企业经营决策、优化业务流程、增进客户关系与改善经营策略等功效；在宏观层面表现为企业利用数据赋能资本、劳动力、技术等传统生产要素，加快资源流通速度，优化要素资源配置，推动经济增长［8］；第三，各类数据要素价值划分并非截然分明，绝对割裂。如在具体的分析中，政治价值与社会价值在核心表达上存在“政府管理与决策”的交集，即为政府管理和决策提供参考依据，提高决策的精准性、科学性和预见性，以此完善社会治理，服务社会公众。综上，上述价值类型基本按照数据要素作用领域划分，反映出研究者对数据要素价值的认识不断细化、类型化。

2.2    数据要素价值演进

因对数据形态的概念理解莫衷一是，我国学者对于数据要素价值演进阶段的划分并不一致。大多数以数据资源化、资产化、资本化为基准，在数据资产与数据资本中加入“数据商品”环节，意味着经市场交换才能实现数据资本化［9］。如此，勾勒出完整的“数据要素价值链”：即资源化—资产化—商品化—资本化［10］；如强调数据资源到数据资产的过程，突出数据资源被加工赋值为数据产品或服务时，则产生数据资源化—产品化—资产化3段论［11］。解构数据要素价值创造，便于明晰其价值演进路径。但当前研究耽于数据资源、数据资产等概念内涵的解析，忽视了对各生产要素间、数据主体间内在关系与互动机制的探讨，难以揭示价值创造的深层机理。

综上，围绕数据要素价值创造的研究聚焦以下3个方面：第一，碎片化的原始数据汇聚为资源形态，提升数据质量；第二，不同数据主体间的数据产品或服务交付，伴随着数据权利的让渡，数据可重用性增强；第三，数据与具体场景结合，实现数据产业层面的价值创造。因此，本文将数据要素价值演进概括为资源化处理、资产化交易和场景化应用3个阶段。

2.2.1   资源化处理

尽管研究者对数据要素价值演进进行了差异化结构，但基本上是将“数据资源化”作为初始阶段，从而凸显了原始数据资源化过程中数据资源建设，特别是数据质量管理的重要性。由于原始数据分散在多个数据生产者中，庞杂无序，冗余重复，无法被广泛连接、耦合与应用，难以产生整体经济价值，必须采取加工、提炼、标准化、整合、分析与可视化等技术处理，才能将多源、多模态数据汇聚成动态可用、可共享的数据资源。

数据的资源化处理在很大程度上重构了数据关系。原始数据生产者的数据加工利用能力有限，往往表现为孤立的碎片化分布。围绕数据要素的价值共享，数据采集、汇聚、挖掘、存储、可视化等资源化业务流程的系统性协同成为必然，原有单点分散的离散性数据关系难以聚合多主体数据资源、无法实现数据业务的有机衔接，需要增进不同主体间的数据互动与业务分工，从而为拥有一定数字化技能、专门从事数据采集、标注、集成、汇聚和标准化等业务的数据企业提供机会空间［12］。

数据积累汇聚到一定程度并经过有序化过程呈现高质量数据形态，谓之狭义层面的数据要素价值创造［13］。如果说这一阶段的重点是数据资源的形成与利用问题，偏重于技术应用的数据管理专业化视角，那么下列两个阶段则是立足经济学视角的审视。也即，不只是在数字技术和数据功能层面满足用户要求，而是能够制造出满足市场特定需求的数据产品及服务。

2.2.2   资产化交易

数据要素的资源化处理是资产化交易的前奏，数据要素市场的交易流通是数据价值创造的关键性环节。数字环境下单一主体作坊式的数据自给自足在精准性、洞察性方面难以匹敌多源数据的关联融合，无法满足不同主体个性化、复杂化的数据需求。因而，需要有开放、畅达的数据流通网络来勾连多主体数据关系、对接多元化数据需求。换言之，数据要素的可流通性意味着数据要素具有通过市场交易变现的能力（产生交换价值），使之成为可社会化利用的“产品”［14］。

资产化交易不仅表现为API、数据集、数据报告及数据应用服务等的交付，还涉及附着在数据要素上的使用权、收益权、所有权等数据权利的让渡［15］。因此，在推动数据要素管理由虚拟形态资源管理转向价值形态资产管理的过程中，尤其需要关注两方面问题：第一，数据的可重用性，很大程度上表现为数据要素的互操作性和高价值性，需要协商统一不同主体的数据标准、元数据与技术参数；第二，权责清晰的数据关系需要明确数据主体的隐私安全、权属收益和权利边界、侵权责任等问题。也即需要建构包括数据产权制度、交易定价制度在内的基础性数据制度体系。

资产化交易的实施主体必须依托于数据中介机构，也即数据交易所、数据经纪人等“营商”。数据中介是促进数据流通交易的关键性力量，不仅可以提供技术基础设施和专业知识来实现数据的互操作，还能够在数据利益相关者之间建立可信链接和撮合机制，保障数据主体权利。有学者比较分析了多元数据中介模式的作用，如数据交易平台着重解决供需双方的信息不对称，数据经纪人强调降低数据搜寻、汇聚的成本，数据信托侧重优化“授权同意”这一数据分享机制，数据银行旨在通过技术创新解决数据市场碎片化和互操作性问题［16］。综上，不同数据中介模式各有优势，为推动数据红利的多维价值释放和整合性价值创造，健全可信的数据流通交易生态，应鼓励培育多元化的数据中介形式，壮大数据中介的发展。

此外，数据要素的依赖性与渗透性决定其本身并不能独立地创造价值，而必须与资本、技术、劳动力等传统要素有机融合［17］。一方面，数据要素的无障碍流动，能够发挥对传统要素的配置优化、投入替代、价值倍增的作用，促进要素之间的连接和流通，进而打造全要素一体化价值增值体系；另一方面，在要素体系内，数据整合、信息分析、知识组织与智慧智能的螺旋式上升进一步凸显了数据要素组合结构的乘数效应及网络效应，实现数据生产力的极大释放。

2.2.3   场景化应用

如果说数据资源是释放数据价值的逻辑起点，那么场景化应用则是其逻辑终点。应用场景创新已成为数据要素市场价值实现的重要变量和突破口，前述数据采集、加工、整合、流通、交易等系列流程的终极目标在于推动数据要素在社会全场景的广泛应用与精準赋能，以实现产业层面的价值创造。一方面，“数据+算力+算法”能够赋能农业、制造业、服务业等传统产业，为其提供数据营销、舆情分析、数据分析及服务，推动产业数字化；另一方面，数据采集、数据存储、数据处理、数据分析等一系列以数据为核心的新业态培育，也带动和催生了智慧医疗、智慧交通、智慧金融、智慧教育等一大批数据驱动型产业。二者的交互叠加，在理论上打破了企业、行业、产业间的数据壁垒，构建起新型产业生态“共同体”，并形成虚拟的数据产业集群，促使产业由技术密集型向数据密集型转变，形成以数据为核心要素的新经济增长点与新经济带［9］。

场景化应用的本质是基于数据需求和数据智能的产业技术、流程与产品、营销手段和方式创新。相较于传统生产要素，数据要素的价值实现更加依赖场景创造与应用。背后的根本原因在于数据要素场景化应用的空间可拓展性与产业渗透性极强，能够通过数据流通与共享利用建构起用户与产供销主体、需求与数据分析和数据洞察以及数字基础设施之间的泛在连接及其智能感知。当前，我国数据要素价值实现的应用场景集中于金融、交通等领域。如贵州数据宝网络科技有限公司通过融合车辆数据、历史车辆通行数据和历史车辆保险理赔数据，打造出车险分析模型产品，助力车险企业识别和区分营运及非营运货车承保风险，从而实现了数据资产的增值开发。随着数据与技术的融合创新，各行业、各部门数据资源的融汇与贯通势在必行，场景化应用也将不断细分，并与产业转型深度嵌套、深入拓展，从而将数据要素的价值演进从孤立分散化阶段推向整体分布式阶段。

3   数据要素价值创造的影响因素

数据要素的价值创造可理解为在新一代信息技术环境下，由政府、企业、数据中介等不同主体围绕数据要素实现价值共创，同时通过系统化的制度设计形成完整的数据主体权益保障体系。分析已有文献发现，影响数据要素价值创造的因素集中在主体、客体与环境3个维度（见图3），能够较为全面地揭示数据要素价值创造的复杂生态。

3.1    数据要素主体因素

数据要素主体之间的互动关系构成了数据要素价值实现的底层逻辑［18］。由于主体数据认知、数据行为选择取决于主体个体差异，其中，能力因素发挥着举足轻重的作用。当前研究者主要从政府能力、企业能力两个层面展开探讨。

3.1.1   政府能力

在数据要素价值创造主体的角色定位中，政府既是数据的供给方、运营方，又是数据的使用方与监管方。因此，政府数据治理能力的发挥与数据要素的价值释放关联紧密。

立足数据资产管理过程角度，政府实现数据要素价值的核心能力有以下3种：数据提供能力，包括整合数据资源、发布数据和提供服务等能力；数据利用能力，体现为开发利用、场景构造等能力；数据运营能力，涉及数据确权、数据评估和开展智慧化数据流通服务等能力［19］。上述能力将影响数据要素促进创新转化的难易程度与数字经济发展的质量与速度。然而，当前政府数据整合共享不足，面临着开放数据质量与价值不高、标准不统一、平台运营实力不足等困境，严重阻碍了数据要素价值的释放［20］。

与此同时，监管能力直接影响数据要素市场的健康运行与数据要素价值创造。一方面，在国家层面，传统生产要素领域存在综合性行业主管部门，当前数据监管职能却分散在中央网信办、工业和信息化部等部门，而且地方大数据管理局对数据流通交易缺乏具体的监管权利［15］，管理体制的分散化严重阻碍了数据要素跨部门、跨领域、跨地区、跨层级的流通交易。另一方面，平台型企业在数字基础设施、规模经济等方面具有先发优势，数据优势突出，占据市场支配地位，进而会造成数据垄断，阻碍数据资源的普惠共享与公平流通，降低数据要素价值释放的效率［21］。因此，必要的政府监管能够促进数据要素型企业培育和企业数据经营行为自律能力的提升。

3.1.2   企业能力

微观层面的企业禀赋差异直接关系到实践中数据要素价值转换效果。如陈兰杰和李遨认为企业吸收能力是实现企业数据资源化的基础，涉及企业资金总量、开发投入资金、数据处理能力、关键核心技术、数据意识和数据道德等6方面内容［22］。吸收能力强的企业不仅具有较强的数据意识，可以主动整合汇聚数据资源，还能够建立起基于数据驱动的企业知识组织与市场感知体系，积极开拓技术和市场机会，从而实现企业创新与数据要素价值转化的协同发展；在吸收能力的基础上，陆洋和王超贤增加了对动态能力与学习能力2种关键能力的考量。动态能力强的企业能较好实现自身发展战略与市场竞争环境的动态适应，及时优化资源配置，更新业务流程，重塑商业模式。学习能力强的企业可以通过快速实验迭代、成员间知识共享等方式促进数智产品/服务的空间流动，并形成数据牵引的企业知识创造与技术创新辐射，最终形成组织能力上的精炼、转换、扩展和更新［3］，即通过“价值倍增”“资源优化”“投入替代”等方式带动企业全要素生产率的提升。刘小琴等则基于创新价值链视角，动态解构了企业的大数据创新能力，即创意形成、转化和传播能力，三大能力顺次链接，构成大数据创新过程及数据价值形成过程［23］。

上述能力虽各有侧重，或强调企业洞察市场环境变化，或突出企业内化吸收过程，在数据要素价值创造过程中所发挥作用的强度不同，但均内嵌有强烈的数据意识，揭示了数据要素之于企业创新的战略性地位。

3.2    数据要素客体因素

如果说主体维度探究了数据要素价值创造的驱动力，那么分析数据要素价值创造的直接因素则需要关照数据本身。数据质量、数据规模与数据成本3个指标关系着数据要素价值创造的核心与基础。

3.2.1   数据质量

良好的数据质量可以增强算法的准确性，降低数据错误带来的经营成本，提高决策效率。其质量属性可以直接映射到数据本身与用户需求两个维度。就数据本身而言，有必要就数据的原始性、完整性、准确性、及时性、安全性、一致性、兼容性、可机读性等提出明确的质量要求。站在用户需求角度，则涉及到数据的可获取性、可理解性、易用性、有用性等［24］。其中，准确性与完整性是文献中最常提及的质量因素，意味着其是影响数据质量的核心指标，并与数据要素价值形成正向的线性关系。此外，还有学者考量了层次性、协调性和异质性等指标，不同于完整性与准确性，其涉及不同数据间、数据与主体、应用场景之间的作用关系，对数据要素价值的影响更为动态复杂，并非单一绝对的正向关联关系，而呈现出显著的相对性和差异性［2］。

3.2.2   数据规模

鉴于数据要素的流通交易一般是以数据集而非单个、碎片化的数据形式，数据规模对于数据要素价值的影响亦受到国内学界的普遍关注。随着数据规模的扩大（包含丰富的数据量、多元化的数据来源以及多样化的数据形态），获取的信息与知识越充分，数据分析的精确度会相应提高，数据的规模效应得到释放，从而提升数据的使用价值［25］。与此同时，也有研究者发现：一方面，数据的规模报酬递增性是有限的。即数据量达到顶峰之后，对企业预测和决策改善的价值则趋于下降［26］。换言之，数据规模与数据要素价值并非正向线性关系；另一方面，数据规模差异所导致的价值差异，一般建立在数据质量的基础上。即当数据满足一定质量要求时，数据汇聚融合应用的可能性越大，相应产生更大的价值；而当数据质量不符合其使用要求时，数据规模的扩张反而会造成数据冗余，加重数据管理和存储的负担［27］。

3.2.3   数据成本

数据采集、加工相关成本的耗费关系到数据产品/服务的可持续供给，亦直接影响数据要素的价值释放水平。对于数据资产而言，并不存在显性的生产过程，因此并不存在与数字资产有关的所谓的“生产成本”［28］，而主要是为激活数据要素价值而投入的3类成本：数据的采集、确认和描述等建设成本；数据存储和整合的运维成本；人力成本、间接成本以及服务外包成本等管理成本。其中，数据的采集成本具有一次性投入高、边际效用高的特征，这阻碍了被竞争对手复制的可能性［29］，当成本降低时，则表明数据价值已有一定积累［30］。

3.3    数据要素环境因素

数据环境指向数据要素价值创造的外部影响因素。目前研究主要从技术环境、制度环境两个维度展开，两者在数据要素价值实现过程中发挥着重要的调节作用。

3.3.1   技术环境

技术环境对数据要素价值的影响主要体现在两个方面：（1）奠定了数据要素价值创造的资源基础。在云计算、物联网、大数据为代表的新一代信息技术环境下，产生了海量的数据，数据要素规模不断扩大，创造了更多的数据应用场景和价值实现来源；（2）丰富了数据要素价值形态与功能。数据只有经过一系列的技术化处理，才能实现可操作性，获得可重用性，产生经济价值。随着数据价值链中技术投入的增加，数据将成为用于生产商品和服务所需要的中间产品，进而转换成数据资产、数据资本。综上，数据要素价值化的完成需要强有力的外部技术环境支持，即数字技术、数字技术的使用能力、数字技能的人才数量等因素［31］。然而，基于多方安全計算、可信计算、差分隐私、联邦计算和区块链等解决数据授权访问、数据交易隐私保护的主要技术支撑尚未成熟，导致很多数据拥有者因个人隐私或企业机密泄露而回避参与数据流通环节［15］。同时，基于人工智能的算法与模型的设计质量不高，制约了对海量数据的处理能力［32］。

3.3.2   制度环境

数据制度是激发数据要素价值潜力的根本。在众多数据制度因素中，数据确权和定价问题屡被提及，并被认为是数据资产化和数据流通交易的重要障碍［33］。

数据确权是数据要素价值实现的基础性制度，可以明确数据利益相关者的权益，激发相关主体开放共享数据并参与价值创造，保障价值公平分配［34］。然而，对于公共数据，个人、法人和其他组织分别享有何种权利，如何行使权利并保护权益，以及如何获得数据要素的合理报酬等问题，国家层面尚未出台法律予以明确［33］。而且，目前法律规定集中于数据收集、存储等环节，尚未覆盖到数据交易过程［29］。数据权属不清导致越来越多的企业对用户数据非法窃取、无偿占有和随意滥用，限制了数据流通和共享。

建立健全数据要素定价机制对提升数据资源价值具有重要意义。数据要素具有鲜明的异质性、价值实现高度依赖场景，外部性和复制成本极低，且涉及利益主体复杂多元，增加了数据要素估值定价的难度。当前数据定价存在缺少标准化的数据价值评估体系、数据交易市场层次单一、数据要素价格扭曲等问题［10］。传统定价制度安排存在历史成本、投资回报率、未来现金流量等在复杂化场景中难以准确量化等问题［35］，而且其预设一个能提供标准化资产信息的市场机制，在具体操作上又高度依赖人工评价，难以满足大数据时代海量数据资产标的和高速信息处理的需要［36］。

4   数据要素价值实现路径

数据要素价值实现既需要凝聚政府、企业等数据主体力量，又要实现差异化的数据要素资源建设策略，还应破除数据要素价值共享的技术与制度障碍。

4.1    强化数据要素主体能力

研究者主张应明确政府、企业的职责分工与角色定位，充分利用各主体的专业知识与技能，将数据要素与资金、技术、人才等生产要素重新组合，最大化释放数据要素的经济、政治和社会价值，进而推进数字经济高质量发展［37］。

政府的职责定位与能力发挥主要体现在3个方面：第一，通过基础设施、人力、技术等多种资源的直接供给为数据要素的价值实现提供坚实的条件保障。即建设先进的数据基础设施、培养数字技术专业人才、加强数字技术研发投入与创新能力，为中小企业提供促进数据开放共享和数据驱动创新的基础软件和应用工具［38］。第二，通过加强数据要素流通交易的统筹监管，为激活数据要素价值营造公平竞争可信的市场环境。包括明确数据交易监管部门，有效监管数据交易中心/所和数据商城等中间服务方，形成统一监管和发展促进体系，并避免大型平台企业利用数据优势形成垄断地位，造成数据壁垒，影响其他竞争者进入数据交易市场［39］。第三，通过场景化实践、授权运营、数字素养提升计划，增强激活数据要素价值的拉力。即建设重大的数字化应用项目，为数据创新成果提供应用场景；制定全民数字素养促进计划，消除数字鸿沟；着手授权运营，鼓励市场力量参与公共数据开发［38］。

企业则需要培养企业家精神，提升数据要素吸收、学习和创新能力，通过数字数字化转型来实现降本增效和价值创造［40］。在数字技术层面，加大人工智能、大数据、云计算、数字孪生等新技术的基础研究，并推进其在数据要素价值实践中的应用［41］；在组织文化方面，成立专门大数据机构，强化数字人才招聘与培训，培育适应数字化发展的企业文化；在数据基础方面，通过收集、存储、分析生产运营中生成的海量数据，盘活数据资产，深度挖掘数据潜在价值［42］。

4.2    重视数据要素资源建设

政府部门、企业不同主體之间及不同主体内部的数据壁垒已严重制约了数据要素的价值实现，故此，当前的研究多以数据采集汇聚、开放共享、创新利用为重点，旨在建立完整的数据要素资源体系。

（1）推动数据规范化采集。包括深化数据资源调查，注重数据质量评估与控制［10］；编制数据采集标准、数据目录标准、数据分类标等，规范数据之间的兼容性和标准性，提升数据采集效率和质量。与此同时，还应建设国家数据采集标注平台和数据资源平台，实现多源异构数据的融合和存储［43］。

（2）健全数据开放共享体系。加快建设国家政府数据统一开放平台，确立政府数据开放的基本原则和框架性规则，包括明确数据开放的范围、程序和标准等［44］。对于个人数据，应培育发展“数据信托”等个人数据中介组织，在用户授权下统一进行原始数据的匿名化处理和监督数据采集使用是否违法，并代表消费者用户开展同意授权和经济补偿条件谈判，降低个人数据采集利用和接入的交易成本；对于商业数据，通过培育和发展数据产品交易市场，消除数据产品市场交易障碍和降低交易成本，推动以价格机制为核心的数据产品交易［38］。与此同时，有学者主张将数据分为高、中、低3个等级，以实现差别化开放：严禁对外开放；有限制的开放共享；无条件的开放共享［45］。

（3）增强数据资源化建设的针对性。当前，数据要素化所应用的场景相对有限，主要集中于地理、交通、金融、招商等领域。要实现数据资源的要素化供给，还需要结合应用场景开展数据画像、捕捉产业价值链实时动态，为此，需要在资源建设上促进主题集中、对象聚焦。也就是要面向国民经济主战场，结合数据要素应用场景，增加数据资源化供给的针对性，如新能源汽车发展、跨区域数据互联、智慧农业、智慧医疗、数字文创、新型数字化食品等［46］。

4.3    规范数据要素流通环境

技术创新与制度供给双轮驱动，有助于规范数据要素流通环境，构筑数据要素价值实现的长效保障机制。

4.3.1   技术保障

技术是数据要素价值实现的重要保障，可以为数据要素流通提供安全防护，提高数据要素市场化配置效率。区块链技术具有去中心化、不可篡改、可追溯等特征，可以从增加数据要素数量、打通“数据孤岛”、优化生产要素配置方式、增进数据主体信任、保障数据安全5个方面促进数据要素价值实现［47］，因而受到研究者广泛关注，主要集中在数据确权与数据估值定价两个方面。基于区块链对数据资产的发布确权、共享管控、使用溯源开展多方共识验证，形成不可篡改的覆盖数据全生命周期的流转记录，提高数据活动的可追溯性和可审计性，保护数据流转中各主体的权益［48］；并为建立买卖双方间的信任机制和“链上交易”机制提供底层技术支撑，基于联盟链的新型大数据交易模式平台可以实现数据使用权、所有权的交易定价［49］。

此外，人工智能技术是驱动数据在計算机软件中流动、运算和价值形成的内在动力，可以开拓应用场景、优化定价模型，运用智能合约发现价格［49］。联邦学习帮助政府、企业等不同主体在安全合规的前提下，实现跨域建模，从而构建一个权限分明，在保护数据安全的同时让数据流转互通的机制。数字孪生技术可以构建一系列的算法模型，逐步促进低价值原始数据向高价值衍生数据的升华［50］。

4.3.2   制度保障

学界通过分析数据要素及其市场的特征与困境，建构了数据基础制度体系。首先是数据产权制度。不同于欧盟和美国采用单一的人格权或财产权模式，我国大多数学者将数据产权界定为“新型民事权利”，主张遵循公平与效率兼顾、分级分类原则，采用差异化的制度设计配置数据要素权益。基于数据来源主体的分类方式是学界最基本的数据确权思路。如唐要家建构了个人数据隐私权，公共数据公共产权，商业数据财产权三位一体的确权模式，也即“情景依存的有限产权”模式［51］。当然也有研究者提出“政府监管、个人所有、平台使用”的确权方案，主张赋权于消费者而非政府，后者重在加强消费者隐私保护和监管制度设计［52］。与此同时，还存在以数据权益功能为切入点的制度安排。如张永忠等提出创造开放数据产权制度，非开放数据以知识产权法保护，对不构成知识产权的数据则需构建“所有权+用益权”的二元权属结构［53］。有别于前两类静态确权思路，刘方则立足对数据生命全周期视角，主张对动态审视并管理原始数据、集合数据、脱敏化和模型化数据以及人工智能化数据的权属［54］。

其次是数据流通与交易制度。整体上是覆盖数据要素估值定价、监管、交易场所等关键问题的规则凝练。在定价方面，应从构建科学的数据资产估值指标体系，建设多层次数据交易市场，建立数据要素价格的监督和调控机制等方面着手［49］。在监管方面，需要从基础制度、规则制定、反数据垄断执法、跨部门工作协调与国际合作等方面，优化对数据垄断的监管［54］。在交易场所方面，需要明确数据交易平台的法律地位、设立数据交易平台的信用评级体系、严格要求数据交易平台完善风险识别机制［55］。

除上述数据产权、数据流通与交易制度外，有学者认为还应加强数据开放共享制度、数据安全管理制度［56］等关键性制度的供给，如此才能构建体系完备、规则合理、执行有效的数据基础性制度框架，从而明晰数据要素价值释放的路径与目标，规范数据要素价值的生成、流转、交换、使用与分配。

5   结论与展望

文献梳理发现，数据要素价值研究主要围绕形成机理、影响因素以及实现路径展开。三者存在显著的逻辑关联：只有明确数据要素的构成并遵循价值形成规律，才能明晰数据要素价值实现的基本逻辑并从中挖掘和归纳影响其价值实现的关键因素，进而设计出富有操作性的实现路径。

既有研究集中于实现路径与影响因素2个维度，价值形成机理方面的研究相对不足。进一步分析发现，3个维度涉及的变量和因素较多，偏好明显。在形成机理方面，既有文献较为全面地阐述了数据要素价值构成，聚焦经济价值与政治价值，对社会价值关注相对有限。同时，既有研究虽然解构了数据要素价值演进机制，但囿于演进阶段划分与数据资源、数据资产与数据资本等概念重叠，尚未深入探讨生产要素间、数据要素主体间的互动机理。影响因素研究侧重于数据要素客体与环境2个维度，数据要素主体方面的深入分析相对不足，甚少揭示数据要素价值创造过程中主体、客体与环境交织的复杂辩证关系。相应地，实现路径研究更加关照完善数据要素资源体系与规范数据要素流通环境2个方面，对于如何强化数据要素主体能力的探讨则较少。因此，为深化数据要素价值的认知，推动数据要素价值创造与实现，本文提出以下展望：

第一，开展数据要素价值类型学研究。在强调经济价值的氛围下，忽视社会价值，且将数据要素视为一个抽象整体加以价值审视，一定程度上会遮蔽数据要素价值类型的丰富性和功能性。后续研究需基于数据要素类型学，分析不同类型数据要素（政府数据、企业数据与个人数据）、不同领域数据要素（金融数据、医疗卫生数据、工业数据等）的价值构成，深入探讨不同类型价值之间的互动转化，平衡对不同价值类型的研究注意力，兼顾效率与公平的价值取向。

第二，深化数据要素价值演进机制研究。当前研究初步解构了数据要素价值演进过程，诠释了不同数据要素价值形态的内涵与特征，并揭示了价值共创过程中的要素融合机制研究。但未来还需挣脱数据资源、数据资产、数据产品等虚拟概念转换，转向诠释实质性的价值实现机制，即关注数据银行、数据信托、数据合作社、数据经纪人等数据中介机构等在数据价值实现过程中的作用及其与政府、企业等不同数据要素主体之间的关系。

第三，规范数据要素价值影响因素研究。既有研究主要是识别客体与环境因素，较少关注主体维度的影响因素，且囿于简单归类与特征总结的描述性分析，研究层次不足且缺乏实证。因此，未来影响因素研究需要开展规范性的实证分析。即从生态系统视角构建结构化的数据要素价值影响因素分析框架，立足数据要素市场化配置实践，通过更多的实证研究检验数据要素价值的具体影响因素、多因素之间的结构关联、组合模式以及不同价值实现阶段中的核心影响因素。

第四，拓展数据要素价值实现路径研究。对数据要素价值实现路径的探讨仍然显得笼统、宏观且抽象，很大程度上表现为一种理论预设。因此，未来研究需要将数据要素价值纳入更微观、具体的研究视野，结合实践案例，关注特定行业或者领域的数据要素价值实现路径，凝练共性与特殊性，构建数据要素价值实现的案例库，丰富对数据要素价值实现路径的情境化解释。

*本文系国家社会科学基金重大项目“基于数智融合的信息分析方法创新与应用研究”（项目编号：22&ZD326）研究成果之一。

参考文献：

［1］  Faroukhi A Z，Alaoui I，Gahi Y，et al.Big data monetization throughout Big Data Value Chain：a comprehensive review［J］.Journal of Big Data，2020，7（2）：77-90.

［2］  欧阳日辉，杜青青.数据要素定价机制研究进展［J］.经济学动态，2022（2）：124-141.

［3］  陆洋，王超贤.激活数据价值的影响因素研究进展［J］.科技与经济，2022，35（2）：56-60，95.

［4］  白永秀，李嘉雯，王泽润.数据要素：特征、作用机理与高质量发展［J］.电子政务，2022（6）：23-36.

［5］  Glaser B G.The grounded theory perspective：conceptualisation contrasted with description［M］.MillValley：Sociologgy Press，2001：145.

［6］  任保平，李培伟.数字经济培育我国经济高质量发展新动能的机制与路径［J］.陕西师范大学学报（哲学社会科学版），2022，51（1）：121-132.

［7］  付熙雯，郑磊.开放政府数据的价值：研究进展与展望［J］.图书情报工作，2020，64（9）：122-132.

［8］  王建冬，童楠楠.数字经济背景下数据与其他生产要素的协同联动机制研究［J］.电子政务，2020（3）：22-31.

［9］  李海舰，赵丽.数据成为生产要素：特征、机制与价值形态演进［J］.上海经济研究，2021（8）：48-59.

［10］  段尧清，吴瑾，王蕊.数据要素基础制度的价值取向与框架［J］.数字图书馆论坛，2022（10）：6-12.

［11］  黄丽华，郭梦珂，邵志清，等.关于构建全国统一的数据资产登记体系的思考［J］.中国科学院院刊，2022，37（10）：1426-1434.

［12］  肖旭，戚聿东.数据要素的价值属性［J］.经济与管理研究，2021，42（7）：66-75.

［13］  杨铭鑫，王建冬，窦悦.数字经济背景下数据要素参与收入分配的制度进路研究［J］.电子政务，2022（2）：31-39.

［14］  高富平，冉高苒.数据要素市场形成论——一种数据要素治理的机制框架［J］.上海经济研究，2022（9）：70-86.

［15］  尹西明，林镇阳，陈劲，等.数据要素价值化动态过程机制研究［J］.科学学研究，2022，40（2）：220-229.

［16］  李振华，王同益.数据中介的多元模式探析［J］.大数据，2022，8（4）：94-104.

［17］  林志杰，孟政炫.数据生产要素的结合机制——互补性资产视角［J］.北京交通大学学报（社会科学版），2021，20（2）：28-38.

［18］  宋方青，邱子键.数据要素市场治理法治化：主体、权属与路径［J］.上海经济研究，2022（4）：13-22.

［19］  袁莉，姚乐野.政府数据开放的整体能力：概念、框架及演化机制［J］.图书情报工作，2021，65（19）：53-60.

［20］  陆志鹏.数据主体主导的数据流通逻辑与实现路径研究［J］.网络安全与数据治理，2022，41（7）：3-8，29.

［21］  张蕴萍，翟妙如.数据要素的价值释放及反垄断治理［J］.河南师范大学学报（哲学社会科学版），2022，49（6）：59-65.

［22］  陈兰杰，李遨.政府数据生产要素价值实现影响因素研究［J］.河北北方学院学报（社会科学版），2021，37（4）：77-82.

［23］  刘小琴，王楠，李天柱.企业大数据创新能力及作用机理——创新价值链视角［J］.中国科技论坛，2022（9）：95-106.

［24］  孟雪，郝文强.面向数字经济发展的政府数据开放价值创造系统建构与运行机制研究——基于创新生态系统的理论分析［J］.情报杂志，2023，42（2）：134-141.

［25］  陆志鹏.数据要素三级市场经济性分析模型研究［J］.大数据，2022，8（4）：85-93.

［26］  熊巧琴，汤珂.数据要素的界权、交易和定价研究进展［J］.经济学动态，2021（2）：143-158.

［27］  孙淑萍.企业数据资产价值评估影响因素研究［J］.商场现代化，2022（22）：37-40.

［28］  张宇，梅丽霞.数字资产价值评估的影响因素和難点问题研究［J］.中国资产评估，2022（6）：46-54.

［29］  刘悦欣，夏杰长.数据资产价值创造、估值挑战与应对策略［J］.江西社会科学，2022，42（3）：76-86.

［30］  许丹丹，李晓莉.数据生态链视角下战略性新兴企业数据价值评估研究［J］.科技与管理，2022，24（1）：19-27.

［31］  方元欣，郭骁然.数据要素价值评估方法研究［J］.信息通信技术与政策，2020（12）：46-51.

［32］  刘松.支付行业数据价值：理论基础、形成机制与问题建议［J］.金融发展研究，2022（1）：67-72.

［33］  李正，唐探宇.公共数据确权定价与价值释放的关系研究［J］.成都工业学院学报，2022，25（3）：75-80.

［34］  张存刚，杨晔.数据要素所有者参与价值收益分配的理论依据［J］.兰州财经大学学报，2021，37（4）：118-124.

［35］  魏凯，闫树，吕艾临.数据要素市场化进展综述［J］.信息通信技术与政策，2022（8）：59-64.

［36］  陆岷峰，欧阳文杰.数据要素市场化与数据资产估值与定价的体制机制研究［J］.新疆社会科学，2021（1）：43-53，168.

［37］  严宇，孟天广.数据要素的类型学、产权归属及其治理逻辑［J］.西安交通大学学报（社会科学版），2022，42（2）：103-111.

［38］  唐要家，唐春晖.数据价值释放的理论逻辑、实现路径与治理体系［J］.长白学刊，2022（1）：98-106.

［39］  胡东兰，夏杰长.数据作为核心要素的理论逻辑和政策框架［J］.西安交通大学学报（社会科学版），2023，43（2）：107-118.

［40］  吕铁，李冉.制造企业数字化转型：数据要素赋能传统要素的视角［J］.学习与探索，2022（9）：108-117.

［41］  刘志雄，谢建邦.数据流动与数据生态治理研究［J］.中国特色社会主义研究，2022（Z1）：66-75，161.

［42］  贺灵.数据要素市场化改革、企业家精神与制造业数字化转型［J］.湖南科技大学学报（社会科学版），2022，25（6）：65-76.

［43］  戚聿东，刘欢欢.数字经济下数据的生产要素属性及其市场化配置机制研究［J］.经济纵横，2020（11）：63-76，2.

［44］  孙克.数据要素价值化发展的问题与思考［J］.信息通信技术与政策，2021，47（6）：63-67.

［45］  杨云龙，张亮，杨旭蕾.数据要素价值化发展路径与对策研究［J/OL］.［2023-01-18］.http：//kns.cnki.net/kcms/detail/10.1321.G2.20220906.1041.002.html.

［46］  張会平，马太平.政府数据市场化配置：概念内涵、方式探索与创新进路［J］.电子科技大学学报（社科版），2022，24（5）：1-8，17.

［47］  郑雪静，熊航.区块链如何促进数据要素的价值实现：以食品供应链为例［J］.农业大数据学报，2020，2（3）：13-20.

［48］  白健，董贵山，安红章，等.基于区块链的数据共享解决方案［J］.信息安全与通信保密，2021（1）：21-31.

［49］  欧阳日辉，龚伟.基于价值和市场评价贡献的数据要素定价机制［J］.改革，2022（3）：39-54.

［50］  俞林，赵俊红，霍伟东.推进数据要素市场化配置  促进经济高质量发展［J］.宏观经济管理，2021（10）：48-54.

［51］  唐要家.数据产权的经济分析［J］.社会科学辑刊，2021（1）：98-106，209.

［52］  武西锋，杜宴林.经济正义视角下数据确权原则的建构性阐释［J］.武汉大学学报（哲学社会科学版），2022，75（2）：176-184.

［53］  张永忠，张宝山.构建数据要素市场背景下数据确权与制度回应［J］.上海政法学院学报（法治论丛），2022，37（4）：105-124.

［54］  刘方，吕云龙.健全我国数据产权制度的政策建议［J］.当代经济管理，2022，44（7）：24-30.

［55］  魏益华，杨璐维.数据要素市场化配置的产权制度之理论思考［J］.经济体制改革，2022（3）：40-47.

［56］  曾铮，王磊.数据要素市场基础性制度：突出问题与构建思路［J］.宏观经济研究，2021（3）：85-101.

作者简介：阳巧英，女，武汉大学信息管理学院博士研究生，研究方向：政府数据治理；夏义堃，女，南京大学数据管理创新研究中心教授，研究方向：政府数据治理。