中国数据要素市场发展报告

中国数据要素市场发展报告(2021~2022)中国数据要素市场发展报告(2021~2022)版权声明本报告版权属国家工业信息安全发展研究中心、北京大学光华管理学院、苏州工业园区管理委员会、上海数据交易所所有，并受法律保护。转载、编撰或其他方式使用本报告文字或观点，应注明来源《中国数据要素市场发展报告 I报告编写组主编单位：国家工业信息安全发展研究中心北京大学光华管理学院苏州工业园区管理委员会上海数据交易所参编单位：赛昇数智科技(苏州)有限公司中国电子信息产业集团有限公司北京国际大数据交易所翼健(上海)信息科技有限公司深圳市洞见智慧科技有限公司北京瑞莱智慧科技有限公司杭州锘崴信息科技有限公司北京柏睿数据技术股份有限公司上海市社会信用促进中心上海仲裁委员会北京市盈科(深圳)律师事务所普华永道会计师事务所德勤企业咨询(上海)有限公司中航工业产融控股股份有限公司中汽创智科技有限公司北京金堤科技有限公司爱奇清科(北京)信息科技有限公司深圳神策数据科技有限公司北京卓讯科信技术有限公司指导委员会：何小龙周黎安倪乾潘瑜参编人员：刘巍杨玫仲为国张飞扬杨小波陈永财汤奇峰黄丽华刘硕杨柳孙璐王淼朱迪孙浩骐杨旭妍商溥雯何智文涂海银夏琦陈勇吏郑传峰王永超周易江黄云霞I前言数据作为关键生产要素，其乘数效应的发挥离不开数据要素保有量的丰富程度、数据要素质量的精准度、数据要素市场的发展成熟度以及数据要素应用路径的清晰度。在国家促进要素市场化配置系列政策指导下，各地方政府及有关单位积极探索数据要素市场化配置改革，推进数据要素价值体系建立、数据要素市场规则构建等工作，在体制机制创新、关键技术突破、市场主体培育、产业生态集聚等方面取得了初步成效。本报告围绕数据要素市场培育过程中，政府主管部门及数据要素流通涉及主体各方面临的难点及问题，梳理了数据要素相关类别及其采集、存储、加工、流通、分析等环节的相关特性，从宏观经济增长、行业发展、企业绩效三个层面估算了数据要素的经济贡献度；基于数据要素市场化过程各相关主体交易及流通模式总结，建立了中国数据要素市场化指数模型，定量分析了各地区数据要素市场化发展程度；围绕数据要素流通体系的流通交易模式、服务创新模式、生态汇聚模式进行了总结梳理，并介绍了相关典型案例；最后，针对我国当前发展现状，提出未来数据要素市场的发展趋势和展望。在本报告撰写过程中，国家工业信息安全发展研究中心和北京大学光华管理学院通过专家访谈、企业调研、案头研究等方式开展数据要素市场相关研究，并对报告界定的相关指数进行了测算和分析，上海数据交易所针对收集的典型案例，对数据要素服务创新模式进行了分类、分析和整理。报告撰写过程还得到了苏州工业园区管理委员会、国内部分大数据交易机构、产业相关企业等的大力支持，在此表示由衷的感谢！由于编者水平有限，本报告难免存在疏漏与不足，恳请各界同仁阅后批评指正，加强合作交流。报告编写组二〇二二年十一月I框架 1(一)数据要素特征分析 1 据要素面临挑战 3(二)数据要素市场化与经济增长 41.数据要素促进经济增长路径 4场化本质 4素市场发展现状 7(一)发展概况 7(二)政务数据要素市场 9(三)工业数据要素市场 10(四)互联网数据要素市场 12(五)医疗数据要素市场 14(六)金融数据要素市场 16(七)科学数据要素市场 17贡献度 18(一)数据要素宏观经济增长贡献程度 18(二)数据要素行业发展贡献程度 23(三)数据要素企业绩效贡献程度 261.数据要素对企业经营过程的贡献 272.数据要素对企业经营绩效的贡献 29 (一)数据要素市场化指数构建 33(二)数据要素市场化指数得分 36(三)数据要素市场化细分指标比较 371.数据要素市场企业主体比较 382.数据要素市场投资主体比较 393.数据要素市场投资类型比较 42发展模式 48(一)数据要素流通交易模式 481.数据交易机构交易模式 482.产业数据上下游交易模式 52(二)数据要素服务创新模式 54 2.数据资产评估 563.数据交易撮合 574.数据交付服务 58数据争议仲裁 63.知识产权服务 647.数据金融服务 65据安全服务 66(三)数据要素生态汇聚模式 67展趋势 70(一)技术和管理双轮驱动，数据交易流通环节更安全有序.70(二)多源多领域数据融合，数据要素应用范围将逐步拓展.71(三)交易模式创新规范化，数据要素市场化配置进程加速.73(四)各类型主体协同发力，数据要素市场生态将日渐完善74场化与经济增长理论关系图 7图22022年中国数据要素市场规模(单位：亿元) 8 图6企业层数据要素价值创造分析框架 27 图8数据要素项目建设目标和数据来源(%) 29图9数据要素经济效益ROA比较(2020-2021) 30图10数字化投入占营收支出比重 32 图12数据要素市场化指数构建框架 35图13数据要素相关企业全国分布情况 38图14数据要素市场投资事件与金额情况 40图15数据要素市场投资事件地区分布 40图16数据要素市场投资金额地区分布 41图17数据要素市场投资机构出手次数分布 41图18数据要素市场投资轮次分布 42图19数据要素直接应用投资情况 43图20数据要素直接应用区域投资情况 43图21数据要素直接应用领域投资细分赛道情况 44图22数据要素直接应用领域投资事件情况 44素直接应用领域投资金额赛道分布情况 45图24数据要素赋能应用领域投资情况 46图25数据要素赋能应用领域区域投资情况 46图26数据要素赋能应用领域细分领域投资情况 47素赋能应用领域细分领域赛道分布情况 47赛道分布情况 48 9 图36国家工信安全中心基于数据解析体系的数据要素流通一体化 V表目录表1各行业数据要素化投入的产出弹性估算(2021年) 25表2数字化转型对上市公司企业行业层面回报的影响 31表3中国数据要素市场化指数指标体系 35 表5数据要素相关企业数量(2010-2021) 391一、数据要素市场发展理论框架(一)数据要素特征分析1.数据要素核心观点2020年4月，中共中央、国务院发布的《关于构建更加完善的要素市场化配置体制机制的意见》中正式把数据作为生产要素单独列出，并提出了促进数据要素市场化配置的改革方向。后面，又陆续在《国务院办公厅关于印发要素市场化配置综合改革试点总体方案的通知》《中共中央国务院关于加快建设全国统一大市场的意见》《“十四五”数字经济发展规划》《国务院办公厅关于印发全国一体化政务大数据体系建设指南的通知》等政策文件以及中央深改委第二十六次会议上，进一步提出要促进数据要素资源在更大范围内畅通流动，加快构建数据基础制度体系，推动我国数据要素市场健康有序发展，加快构建以数据为关键要素的数字经济。在国家工业信息安全发展研究中心(简称“国家工信安全中心”)2021年发布的《中国数据要素市场发展报告(2020~2021)》中，已就数据、数据资源、数据资产、数据要素、数据要素市场化等相关概念进行了界定1，并指出数据作为生产要素之一，具有劳动对象和生产工具双重属性，作为劳动对象，通过采集、加工、存储、流通、分析等环节，具备了价值和使用价值；其次，数据作为生产工具，通过融合应用能够提升生产效能，促进生产力发展。随着市场发展和课题研究的深入推进，我们将在报告中就数据要素的主要1在2021年发布的《中国数据要素市场发展报告(2020-2021)》中认为，数据资源权属清晰之后即为数据资产，数据资产实际参与社会生产经营活动之后即为数据要素。2特点进行总结，为后续更好地进行数据要素定量分析奠定基总体来看，数据要素有别于其他生产要素的特点主要有以下几个方面：第一，虚拟使能。数据要素的本质是把物理空间的物质通过“0-1”编码形式呈现在虚拟空间，跨越时空限制，从而实现数字孪生后的数据虚拟化生产。通过引导各类主体强化数据驱动的生产要素配置能力，可以实现要素数据化，促进劳动力、资金、技术等要素在产业间、行业间、区域间的合理配置，提升全要素生产率，这是数据要素区别于其他生产要素的关键。第二，无限收敛。数据要素具有可重新编程性和数据均质性，这使得普及的数字技术能够将以往的分散需求、用户体验及生产流程数据等突破空间限制而收敛到集中的数字终端，智能终端技术又进一步使得单个智能终端足以汇聚以往需要成百上千的机器、设备或产品才能完成的工作。与此相比，土地和劳动力既不能循环无限使用，也无法突破物理空间而收敛于最优资源配置。第三，智能即时性。算力和算法的发展是保证数据要素实现智能即时、产生规模报酬递增效应的重要基础。低成本的算力和高智能的算法可以实现对数据要素的即时处理、分析和反馈，进而动态响应智能决策、敏捷生产、以及多样化。第四，泛在赋能性。随着各行业各领域数字化转型进程3的不断加快，数据要素渗透到生产生活的各个环节，打通生产、分配、流通、消费各环节，驱动管理机制、组织形态、生产方式、商业模式的深刻变革，为产业提质降本增效、政府治理体系和治理能力现代化广泛赋能。2.数据要素面临挑战基于以上特点，使得数据作为生产要素具备一定的优越性的同时，还可能带来一定的挑战。首先，数据要素是一种准公共品，具有非竞争性和部分排他性。数据要素可以无成本地复制，因此一个使用者对数据要素的使用并不减少数据要素对其他使用者的供给。同一组数据可以同时被多个企业或个人使用，额外的使用者不会减少其他现存数据使用者的效用。但是，数据要素又存在副本无差异性，虽然使用效用可能不受影响，但是其交易价值大概率下降。同时，数据要素形成需要投入较高的固定成本，并和产权天然相联系，由此导致具有排他性，无法实现数据要素的规模报酬递增效果。其次，数据要素发挥作用需要达到一定的规模经济性和范围经济性。数据要素效率提升往往建立在具有整体层面的大数据之上，从而能够实现寻找全局最优解决方案，这就需要积攒尽可能多的数据，充分把握供给和需求端的数据，甚至形成一种独占性和负外部性。再次，数据要素具有一定隐私负外部性。不同数据集的信息普遍存在相关性，一个企业的生产数据可能暴露其产业链上诸多合作者的商业机密甚至核心技术，一个消费者的个4人数据可能透露和该消费者有关联的其他消费者的信息。这种负外部性侵蚀企业竞争优势，并对个人形成一定的危险，从而削弱数据作为生产要素所能带来的生产力。(二)数据要素市场化与经济增长1.数据要素促进经济增长路径虚拟使能、无限收敛和智能即时性等技术特点，使得数据要素在算法驱动下成为一种通用生产要素，一方面形成数据要素的过程需要其他生产要素的投入，例如，为实现数据的采集、处理、加工、分析和交易，经济主体需要投入巨大的固定成本来购买设备、开发软件、建立基础设施，这一资源投入的过程本身能促进经济增长；数据要素还可以直接参与生产、交换和分配过程，不断迭代，催生新的生产方式甚至创造新的需求促进经济增长。另一方面，数据要素可以赋能其他要素，优化供给进一步促进增长。例如，数据要素与劳动力相结合能提高劳动技能与综合素质、提高劳动生产率；数据要素与技术相结合能推动科技发展，加速科技与产业融合；数据要素与资本要素相结合能够减少不确定性冲击，提高风险控制的精准度与效率，进一步拓展金融等服务的广度和深度。2.数据要素市场化本质数据要素的准公共品(部分排他性和非竞争性)、规模经济性及范围经济性等经济特点，使得数据要素会产生很强的外部性。这些外部性可能会使数据要素拥有者缺乏生产和交易数据的动力，进而使得数据要素不能促进经济增长。为5此，需要建立一系列基础设施和政策措施促进数据要素供给方和需求方开展更多价值创造和交换，这一过程就是数据要素市场化。具体来说，数据要素市场化的本质是数据要素商业化，是实现数据要素从产品到商品的转化，这一过程需要根据市场运行的基本要素特征，加大数据要素的生产力度、扩大数据要素的应用范围、提高数据要素的交易成功率，激活数据要素微观主体扩大和生产数据要素的积极性，将数据要素的经营与管理完全嵌入到全流程生产经营活动当中，通过数据要素优化供给、创造需求。(三)报告研究理论框架数据要素市场化的核心目标就是加强数据要素的正向外部性、抑制其负向外部性，不断实现数据增值、放大其网络效应。实现此目标需要以下几点保障。第一，对数据要素实施分类管理。不同类型的数据，其正向和负向外部性不同，因此讨论数据首先需要区分数据类型。按照数据的产生主体(输出主体)不同，将其划分为个人数据、公共数据和企业数据三类。个人数据，是指以电子或者其他方式记录的与已识别或者可识别的自然人有关的各种信息；公共数据，是指公共管理和服务机构为履行法定职责、提供公共服务收集、产生的，以电子或者其他方式对具有公共使用价值的信息的记录，包括政务数据和公共服务数据两大类；企业数据，是指企业在生产经营活动中创造或产生的以电子或者其他方式记录的信息。6第二，实现数据资源向数据资产转变。数据资源权属清晰之后即为数据资产，数据资产实际参与社会生产经营活动之后即为数据要素。根据国际会计准则理事会(IASB)在2018年发布的新修订《财务报告概念框架》，能否把数据资源定义为数据资产关键取决于是否清晰地定义控制的主体，是否明确主体控制的权利，以及是否判断数据资源产生经济利益的潜力。本报告基于数据资源演进路径，从宏观经济增长、行业发展、企业绩效三个层面估算了数据要素的经济贡献度。第三，明确数据要素市场化的产业链、价值链和相应主体的职能。在《中国数据要素市场发展报告(2020-2021)》的基础上，本年度报告继续聚焦数据要素市场的产业链，将其流程归为数据采集、数据存储、数据加工、数据流通、数据分析、生态保障等环节，在此过程中，需要依靠政府、数据交易机构、数据中介商、数据服务商、消费互联网、工业互联网等平台型数据供应方及需求方等相关主体，共同构建数字技术、制度环境、法律环境、以及中介服务环境等数据要素基础设施。综上所述，数据要素市场化的实现需要充分考虑数据要素的“技术—经济”特点，在基础设施赋能下利用平台等组织形式实现数据要素的产品化、权属化、价格化及商品化，保证放大其正向作用、抑制其负向外部性，充分发挥数据要素优化供给、创造需求的功能，推动经济高质量增长。7本报告基于对数据要素技术及经济特征及规律的总结，结合经济学理论及市场化发展趋势，研究提出数据要素经济价值贡献度及数据要素市场化指数，核心分析框架如图1所图1数据要素、数据要素市场化与经济增长理论关系图来源：国家工业信息安全发展研究中心、北京大学光华管理学院由于不同类型的数据要素从产生到发生要素作用的全过程具有不同的特点，数据要素市场化也不完全相同。因此，本年度报告将围绕数据要素融合应用的重点行业、领域分别阐述数据要素市场的发展程度。二、数据要素市场发展现状(一)发展概况关键技术创新等多方合力作用下，我国数据要素市场不断探索和创新。据国家工信安全发展研究中心测算数据，2021年8我国数据要素市场规模达到815亿元2，预计“十四五”期间市场规模复合增速将超过25%，整体将进入群体性突破的快速发展阶段。图22022年中国数据要素市场规模(单位：亿元)来源：国家工业信息安全发展研究中心在产业发展方面，全国数据交易机构逐步升级优化，服务模式和服务内容不断创新，各地围绕数据要素市场培育的路径和模式各具特色，数据要素市场交易机构、运营体系、保障机制初具雏形。在技术应用方面，隐私计算技术从“产学研”向行业案例落地，并与区块链等技术进一步融合，在数据确权、计量、监管等方面实现了场景化应用。在流通实践层面，数据资源基础较好的领域及行业基于先期优势，不断探索流通模式和技术手段创新，例如，以平台数据采集汇聚为特色的互联网数据流通利用、以行业数据流通交易平台为载体的强实时、高精度、高质量数据产品定制化服务、以工业互联网场景为牵引开展的协同研发及供应链管控等，逐2本报告有关数据要素市场规模的计算，当前仅限于数据采集、数据存储、数据加工、数据交易、数据分析、生态保障六大模块，暂未包含数据应用的部分，其中数据交易环节测算数值包括了场内交易和场外交易的统计数据。9步形成细分领域数据要素市场差异化特征。(二)政务数据要素市场一是依托数据采集打造政务数据资源库。当前，覆盖国家、省、市、县等层级的政务数据目录体系初步形成，数据生产部门按照政务数据目录和相关标准规范，通过人工或系统方式采集基础数据、主题数据、部门数据，各地区依托全国一体化政务服务平台向上级数据平台或数据中心归集，由数据主管部门按数据属性建立数据资源基础库和主题库。二是数据存储方式向集约化存储深化推进。目前，国内31个省(直辖市、自治区)政务云基础设施建设基本完成，重庆等多省市政务系统上云率超过90%，各省市通过搭建集中的基础架构平台，将传统的政务应用迁移到平台，集中存储数据，提供政务数据资源管理服务。三是多层级政务数据流通框架初步构建。针对政务数据共享交互，我国已基本建成国家、省、市多级数据共享交换体系，截至2021年5月，国家数据共享交换平台上线目录超过65万条，发布共享接口1200余个，累计提供数据查询/核验服务超过37亿次3；针对政务数据开放，截至2021年10月，我国已有193个省级和城市的地方政府上线数据开放平台，其中省级平台20个，城市平台173个4。以浙江省数据开放平台为例，目前已开放18960个数据集(含9504个API接口)，97147项数据项，621789.54万条数据，平台下3引用自中国互联网协会发布的《中国互联网发展报告2021》。4引用自复旦大学数字与移动治理实验室联合国家信息中心数字中国研究院发布的“2021年度中国开放数林指数”和《中国地方政府数据开放报告——省域》与《中国地方政府数据开放报告——城市》。载调用次数达到4148万次。四是政务数据融合分析以服务场景为牵引不断深入。各地区各部门依托政务大数据平台建立的政务数据仓库，围绕城市治理、环境保护、生态建设、交通运输、食品安全、金融服务、经济运行等应用场景开展数据分析应用，为多行业和多跨场景应用提供多样化共享服务。同时，围绕产业发展、市场监管、社会救助、公共卫生、应急处突等领域，推动开展政务大数据综合分析应用，为政府精准施策和科学指挥提供了重要支撑。五是政务数据要素市场生态保障体系加快建设。针对政务数据保障体系，目前国家以及各省市已经针对政务数据管理和安全保障制定相关标准规范，旨在促进跨部门跨层级数据汇聚和共享，加强数据管理，提高数据质量，充分发挥数据资源价值。如贵州省依托“一云一网一平台”基础设施，已建立较为完善的数据管理、共享开放标准体系，并在数据质量方面先行先试，建立数据质量评估体系，开展共享交换平台的数据质量评估，强化数据高质量供给和保障。(三)工业数据要素市场加快工业数据要素市场建设，是推动新型工业化发展的基石之一。当前，我国工业数据要素领域在加速发展，如工业数据在设备健康管理、供应链协同业务模式创新、覆盖工业全流程场景数据分析挖掘应用等诸多方面，发挥了较大作用。在工业领域，随着近几年数字化转型能力提升、产品升级等需求驱动，企业的关注点从数据中台本身转向了最终的数据变现能力。与此同时，企业内部及其上下游之间的合作越来越依赖各类数据平台和数字化工具，但又形成了新的痛点和症结。一是亟需突破传统数据中台在面向复杂对象或复杂巨系统时，没有具体工程方法论及工具的难题。对于寻求数字化转型的工业企业而言，最为关注如何管理企业的数据要素资源，如何让数据要素产生价值并有效服务工业全流程。实践过程中，工业企业多数缺少用于处理来自复杂巨系统不同的组织域、职能域、业务域、数据域大数据的数据操作系统，即运营逻辑模型(OLM，OperationLogicModel)、工业信息模型(IIM，IndustryInformationModel)、工业专脑(IPB，IndustryProfessionalBrain)、全球唯一资源编码标准(GURES，GlobalUniqueResourceEncodingStandards)等四项能力的赋能。其核心正是提高其建模的统一性、高效性和准确性，以此建立起无歧义、无冗余、单一数据来源的、工业技术工程与管理工程的生产力数据库。二是工业数据亟需从企业的生产力要素全局关联性、数据的逻辑性和多重关联性出发，形成新的“数据湖”。谈工业数据要素的前提，是从基于组织运筹学的系统工程、现代工业工程的顶层视角和全局眼光理解、应用数据。即，面向工业企业各组织域、各职能域、各业务域、各数据域的事务逻辑对象，建立其顶级模型及其直至叶子级的子模型，对应组织和处理好模型数据，并将它们进行全球唯一编码标识，形成反映复杂巨系统的各组织域、各职能域、各业务域、各数据域的无歧义、无冗余、单一数据来源的工业企业生产力数据库，形成新的“数据湖”。三是生产力数据库缺失。工业数据多以工业现场控制设备采集数据为主，数据采集量巨大，具有较强的连贯性及关联性，工业协议互联互通也存在较大的瓶颈等等。因此，在进行生产力要素优化配置的各种林立的应用系统软件发挥不了应有的作用，加之企业主体对工业技术工程和管理工程的事务逻辑认知有限，建设的应用系统软件越多，形成的数据孤岛、数据垃圾、数据烟囱就越多，工业数据要素无法在企业数字化转型中发挥应有作用，并造成了巨大的浪费。四是数据安全可信的现状亟需改变。工业数据业务价值与敏感度较高，企业多明显倾向于数据本地化运行和存储，对数据安全性要求极高。国家战略引进建设的HANDLE标识解析体系的可信扩展、安全扩展没有完善，在工业企业实际应用推广不足，工业企业需要在数据的流通、价值转移中实质获益。(四)互联网数据要素市场一是以线上线下相结合的方式进行多源异构数据采集。互联网数据涉及个人数据、经营数据、业务数据、开放平台数据等，多通过线上方式进行采集。其中，个人数据主要依浏览器、传感器等自动采集，亦或是通过交互及关联搜集以及从第三方间接查询等方式获取；经营数据主要是在企业各管理系统中采集调取；业务数据从各类App、Web、小程序中采集，舆情数据、广告投放数据、公开金融数据等在开放网络平台中通过爬虫、API接口等方式进行采集。线下数据采集主要通过问卷调查、用户访谈、实地调研、焦点小组、用户反馈等方式，将数据沉淀、存储到企业数据库中，快速理解市场需求，敏捷迭代产品。二是借助平台优势促进数据流通共享成为发展趋势。互联网数据流通可分为内部流通和外部流通两种。其中内部流通基于企业内部运营框架数据流，形成包含数据感知、数据决策、策略行动和效果反馈在内的数据流通闭环。外部流通主要体现为安全合规下的数据交易，通过API接口、隐私计算等技术，实现企业间的数据流通应用。目前，全国各地成立了不少数据交易机构，阿里、百度、腾讯、京东、美团、字节跳动等互联网平台型企业也基于自身的云平台产品在场内提供相关数据产品和服务。此外，聚合数据、数据宝等企业建设了数据开放平台，汇聚金融、征信、电商等多方数据，提供数据相关服务和应用。三是海量数据分析处理能力进一步提升业务决策水平。互联网数据分析主要包括在线数据分析、离线数据分析和外部数据分析。在线数据分析通过数据采集、建模，进行多维度、海量、实时的数据分析，离线数据分析用于较复杂和耗时的数据分析和处理，每日分析处理海量数据，外部数据分析主要是通过抓取各个企业数据，分析研判市场发展趋势和行业竞争格局，进行同业竞对分析、营销投放检测等。通过数据分析并利用技术手段从海量用户行为数据中挖掘出有价值的信息，分析用户的生命周期及行为路径，建立数据指标体系、监控体系和用户模型，进行用户分层，并提供针对性产品和个性化服务，实现精准营销，促进业务增长，提升用户体验，打造数据驱动的业务新模式。四是互联网领域数据要素市场生态保障持续加强。当前，随着海量互联网数据存储、分析、应用、流动，保障安全成为互联网数据的重中之重。配套《中华人民共和国网络安全法》《中华人民共和国数据安全法》《中华人民共和国个人络数据安全管理条例》并公开征求意见，基于数据的全类型、全场景、全生命周期，对网络数据中的一般数据、个人信息、重要数据等提出具体要求，明确建立数据分类分级、数据交易管理、数据安全管理、数据安全应急处置、数据安全审计等方面的机制，构筑全面的网络数据安全保障体系。(五)医疗数据要素市场一是医疗数据的存储方式目前相对单一。医疗数据作为医疗卫生行业的关键数据资产，为防止数据泄露，多数采取网络物理或逻辑隔离的方式，将数据存储在本地机房或政务云平台。依据国家卫健委统计信息中心发布的数据显示，98.8%的三级医院及96.1%的二级医院均建有数据中心机房，所有省级卫健委和82.3%的市级卫健委均拥有数据中心机房，59.0%的县卫健委拥有自己的数据中心机房，参与统计的医院的上云率不到一成。二是医疗数据的加工处理逐渐智能化。医疗数据加工包括数据脱敏、患者主索引、主数据管理、数据清洗、数据映射、数据归一以及标准化和结构化处理。在此过程中，通过数据逻辑校验，对数据的完整性、准确性、一致性等方面进行质量管控，最终形成高质量的、可用的医疗数据资源。由于医疗数据治理工作繁杂耗时，利用人工智能手段，可进一步简化数据加工过程，高效地对原始数据进行脱敏、清洗、基于ICD编码等标准完成数据标准化处理，对于自然语言描述的主观数据进行结构化处理，大大提高了工作效率。三是政府机构主导下的医疗数据流通共享日趋成熟。近年来，国家卫健委一直在统筹推进全民健康信息平台等基础设施建设，支持医疗数据共享，制定了一系列医院和基层医疗卫生机构信息化建设标准与规范，电子病历评级、互联互通评级、智慧医院评级和检查检验结果互认等一系列措施的颁布有效地推动了健康医疗数据的互联互通。目前，全国性健康信息平台已基本建成，7000多家二级以上公立医院接入省统筹区域平台，2200多家三级医院初步实现院内信息互通。四是医疗数据的分析应用已取得阶段性进展。医疗数据的分析应用对加强运营管理、提高临床医疗水平、推动医药研究等都具有重要作用。在智慧医院领域，基于全院级临床数据治理的科研数据分析、临床辅助决策支持、医保支付、以及医院管理等应用场景纷纷落地；在医药研发领域，基于临床试验管理系统之上的自动化数据采集、数据分析以及临床试验和药物研发中的智能化应用逐渐推广；在疫情防控方面，多地利用医疗大数据和数据智能技术进行自动数据抓取、实时信息安全共享、多渠道监测预警，构建智慧多点触发预警监测平台系统，为整个疾病防控体系提供决策支持。(六)金融数据要素市场一是依托业务流程采集汇聚海量数据。金融机构在其服务的全流程直接或间接从个人金融信息主体，以及企业客户、外部数据供应方等外部机构采集数据。采集方式可以分为传感器等边端设备采集、人工采集或系统采集和网络采集。银行业通过多种方式在信贷、理财、投行等多业务条线全流程采集海量企业金融数据、个人金融数据和外部数据，在中后台归集包括财务、审计等在内的银行核心数据。二是根据数据分类分级结果匹配对应存储模式。金融数据广泛涉及个人、企业等方面数据，包含个人身份识别信息、个人隐私数据、企业敏感信息等，金融数据破坏可能对个人、企业、行业和国家安全造成重大影响。因此，金融数据存储将安全作为重要考虑因素。金融行业出台金融数据分类分级标准和安全标准，引导金融机构安全存储数据。金融机构普遍采用私有云或混合云的方式部署数据存储载体，对于高敏感数据以私有云为主要存储载体，对于中低敏感数据则以公有云或混合云为主要存储载体。三是以保障数据安全为前提开展数据流通探索。受监管政策影响，金融机构在数据流通共享体系中，一般充当数据的使用方而非数据的提供方角色，金融机构之间进行数据交易流通的较少。但监管政策鼓励在保证数据安全的前提下进式流通；对于较为敏感数据，目前主要做法是采用隐私计算的方式交互，在保证“数据可用不可见”的前提下，开展数据流通探索，安全释放数据价值。(七)科学数据要素市场一是面向细分领域的科学数据存储模式略有差异。我国科学数据存储模式与科研领域高度相关。以前沿科技领域为例，在基因与生物技术、深空深地深海和极地探测等关系国家安全与重大利益、以政府为主导的前沿科研领域，科学数据中心和集成平台建设较多；在新一代人工智能这类关系企业竞争优势的前沿科技领域，企业通常将科学数据作为商业秘密在本地保存；在应用场景蓬勃发展的生物医药领域，科学数据产生量和需求量都非常庞大，数据上云是大势所趋。二是科学数据开放共享将成为学界趋势。科学数据主要包括在自然科学、工程技术科学等领域，通过基础研究、应用研究、试验开发等产生的数据，具有较强的研发和利用价值。科学数据的共享开放有利于降低科研成本、提高研发效率、加快成果应用推广。因此，在国家层面发布的相关政策文件中，明确指出科学数据的主管部门应在国家统一政务网络和数据共享交换平台的基础上开展本部门(本地区)的科学数据汇交工作；编制科学数据资源目录，并将有关目录和数据应及时接入国家数据共享交换平台，面向社会和相关部门开放共享。三是大数据等技术推动科学研究向第四范式转变。大数据在科学研究领域的应用，使科学研究正在经历从定性研究、定量研究、仿真研究向大数据研究的第四研究范式转变。通过对个体化、全样本的研究，为社会科学提供了精准的数据和计算实验平台，重建了社会科学预测的可能性，推动了社会科学宏观理论研究的发展，促进了社会科学内外部学科之间的融合，在气象和环境、生物和医学方面的应用取得了较大进展。未来，随着虚拟计算空间等技术的突破，交叉学科平台、协同创新中心建设，以及与大型互联网企业进行的研发合作，将会进一步促进科学方法论的革命和跃迁。三、数据要素经济价值贡献度生产要素是经济发展的重要组成部分，数据作为新型生产要素，其对数字经济、实体经济的发展起到重要的促进作用，研究其对经济增长的贡献程度，将为政府制定较为精准的调控和促进政策提供重要依据。本章围绕宏观经济增长、中观产业发展、微观企业绩效等角度探讨数据要素的经济价值贡献。(一)数据要素宏观经济增长贡献程度测算数据要素对宏观经济增长的贡献由于受到理论基础、概念界定和统计口径等影响很难有准确而统一的结果，很多基础数据目前也相对缺乏。为此，本报告从分析数据要素影响经济增长的核心机制着手，研究其对宏观经济的相互作用。简单地说，数据要素影响宏观经济增长主要通过两个途径：第一个是赋能其他生产要素，提高资源配置效率，实现要素协同效应，进而提升生产效率；第二个途径，与第一个途径紧密相连，正因能够提升效率，数据要素本身就变得具有价值，这一价值既通过数据积累作为生产资料而实现，又能转变为数据资产通过增值、交换而产生价值，实现价值创造倍增和个性化定价等效应，从而进一步提升生产效率。但是，由于数据要素的负外部性，例如数据垄断和隐私泄密，又可能负面影响经济增长。因此，数据要素对经济增长的影响显著不同于其他要素，需要从生产函数中体现其独立作用。通过将数据要素引入到经典的经济增长模型，如柯布－道格拉斯生产函数，可以估算数据要素对于经济增长的贡献。其基本原理如图3所示。图3数据要素影响GDP增长原理图来源：国家工业信息安全发展研究中心、北京大学光华管理学院为了突出数据要素对经济增长的独特作用，本报告改写经典的经济增长模型，将数据要素从索洛余值中独立出来，如公式(1)所示。20β分别代表资本和劳动力对GDP增长的贡献，D代表数据要素的经济增长作用，从索洛余值A中独立出来。修改后的生产函数表明，提升经济发展质量是数据要素影响经济增长的首要体现，随后才是经济发展的数量。本报告通过以下三个主要步骤估算数据要素对于经济增长的影响，如图4所示。图4数据要素影响GDP增长估算步骤来源：国家工业信息安全发展研究中心、北京大学光华管理学院首先，测算信息通信业(ICT)硬件软件资本存量及数21据要素资本存量，ICT硬件软件资本存量测算方法较为成熟，而数据要素资本存量是一个新概念，尚无公认的方法。加拿的概念，强调通过测度与核算生产过程中使用到的数据、数据库和数据科学的经济价值来推算数据相关投资的经济价值。在此基础上，本报告采用成本法估计生产用数据价值，即根据社会生产活动中生产、生成或获得数据直接投入的劳动力成本及其他间接成本估计数据价值。参照数据资本存量和数据资本的短期零折旧假设的方法5，本报告进一步利用固定比例参数估算出数据要素资本存量占ICT硬件软件合计资本存量的比重；随后，利用ICT硬件软件合计资本推动的数字化融合程度，估算出中国经济的数字化程度；最后，测算ICT硬件软件对当年中国GDP增速的贡献率和贡献度，再利用第一步估算的结果，间接推算出数据要素对当年中国GDP增速的贡献率和贡献度。在此基础上，本报告估算出近年来数据要素对GDP的贡献率和贡献度，如图5所示。5参见徐翔和赵墨非，《数据资本与经济增长路径》，载《《经济研究》2020年第10期》，第40-56页。22图5数据要素对GDP增长贡献图来源：国家统计局；国家工业信息安全发展研究中心、北京大学光华管理学院从图5可以看出，数据要素对当年GDP增长的贡献率和贡献度在2021年分别为14.7%和0.83个百分点。可以看出，总体来说，数据要素对当年GDP增长的贡献率呈现持续上升状态，表明数据要素正发挥越来越大的促进作用。而从数据要素的贡献度来看，2019年略有下滑，随后由于2020年新冠疫情的影响，GDP增速显著下降，而新基建等促进数据要素发展的措施并未减弱，因而促使数据要素对GDP贡献度仍呈现上升趋势。当然，我们也应该注意到数据要素对GDP的贡献仍处较低水平，反映出数据要素的经济贡献提升还有很大空间。从图5的结果还可以看出，数据要素成为新的生产要素具有充分的经验证据支撑。分析表明，数据要素带来的资本与劳动份额的相对变化(13%)，与第一次工业革命时期新生产要素带来资本与劳动份额的相对变化(平均17%)相近。一些研究发现，在工业革命时期，生产要素的增长贡献都会23发生巨大变化，从1759年到1867年(第一次工业革命)，英格兰的收入份额中资本份额从19%上升到39%，大部分其他的收入份额来自土地要素，只有2%的下降来自劳动要素。在稍晚一点的时期，即1900年至1920年之间，研究发现劳09下降到0.787。在只有资本和劳动力投入的生产函数中，这意味着资本在收入中的份额将增加12%。因此，纵向比较，数据要素带来的经济增长效应不亚于第一次工业革命时期新的生产要素带来的巨变。但是也需要注意到，数据要素促进经济增长的绝对水平仍然较低，依靠数据要素发展宏观经济、实现高质量增长还有很大提升空间。(二)数据要素行业发展贡献程度从中观层面来讲，数据要素能够显著促进行业发展主要通过行业内以及跨行业的决策效率和效果提升、知识转移、以及企业在行业内和行业间协同来实现。但从核心机制上来说，数据要素通过作为一种新的生产要素投入到生产中，以及赋能其他行业以提高资源配置效率和全要素生产率这两种核心途径实现。因此，与对宏观经济增长的作用估计类似，数据要素对于行业发展的贡献可以通过使数据要素发挥作用的资源投入来开展估算。对于行业发展作用的估算，需要用到行业间的投入产出关系。首先，我们定义特定行业发挥数据要素作用的过程为数据要素化过程，此过程包括这个行业利用数据要素专业部门来建立本行业发挥数据要素作用的可能，这些部门可能包24括利用数据智能化软件进行数据采集，通过自动化工具或平台实现数据加工，促进数据开放共享、交易服务及价值实现，也可能包括构建覆盖服务器及存储设备、一体机、数据采集设备等在内的数据要素必需硬件生态。同样地，需要衡量数据资本存量与ICT硬件软件合计资本存量的关系，进而借助ICT行业估算数据要素对于各行业的经济贡献。其次，对于特定行业来说，它的数据要素化投入水平可以用该行业对数据要素专业部门的直接消耗、完全消耗或直接依赖度来表示。本报告选取行业j对数据要素专业部门i的直接消耗系数这一绝对指标表示j行业的数据要素化投入水平，由此便可以借助投入产出模型展开估算。随后，利用Leontief投入产出模型(公式2)其中，是直接消耗系数矩阵，表示j行业对i部门产品的消耗。以j表示各个行业，以i表示数据要素专业部门，从统计年鉴和2020年153部门投入产出表相关产业数值，并在估算时假定在特定行业数据要素化投入水平发生变化时，其他行业的相关水平不发生变动，则可以估算数据要素对于行业发展贡献程度的大致水平。需要注意的是，上述部门和目 (GB/T4754-2017)》)尚不能一一匹配，因此，在估算数据要素的贡献时，仍然需要确定一个与数据要素直接相关的25行业。利用GB/T4754-2017，本报告将计算机、通信和其他电子设备制造业(C-39)中的计算机硬件，互联网批发(F-5193)、贸易代理(F-5181)和互联网零售(F-5292)中相关的电子商务，信息传输、软件和信息技术服务业(I)中的电信与计算机软件服务，音像制品出版(R-8624)、电子出版物出版(R-8625)、数字出版(R-8626)、以及广播、电视、电影和录音制作业(R-87)，作为估算的基础行业。在此基础上，本报告估算了2021年数据要素对部分行业发展的贡献程度，估算了数据要素化投入对各行业的产出表1各行业数据要素化投入的产出弹性估算(2021年)行业名称对行业产出弹性电力、热力、燃气及水生产和供应业0.1014交通运输、仓储和邮政业0.0989水利、环境和公共设施管理业0.0027教育行业0.0084文化、体育和娱乐业0.0016采矿业0.0031制造业0.4643建筑业0.0048信息传输、软件和信息技术服务业3.0440住宿和餐饮业居民服务、修理和其他服务业0.00210.0363卫生和社会工作0.5736租赁和商务服务业0.0295科学研究和技术服务业.5699来源：统计年鉴；国家统计局投入产出表；国家工业信息安全发展研究中心、北京大学光华管理学院行业间比较来看，信息传输、软件和信息技术服务业产出对26数据要素最为敏感，其数据要素投入产出弹性在2021年达到了3.044，意味着当所有其他投入要素保持不变时，数据要素投入每增加1%时，信息传输、软件和信息技术服务业产出增加3%。其次是科学研究和技术服务业，投入产出弹性系数达到了1.5699，数据要素投入每增加1%时，科学研究和技术服务业产出增加1.57%左右，再次是卫生和社会工投入产出弹性系数为0.4643，这两个行业中数据要素投入每需要指出的是，本报告测算的仅是数据要素促进产业发展的直接效应，而对于其溢出效应受限于数据可得性并没有进行估算。因此，数据要素的实际产业发展贡献可能显著高于本报告结论。(三)数据要素企业绩效贡献程度数据要素对于企业绩效的影响主要通过数据要素的形成、整合、分析、运用以及交易等过程体现出来。因此，在企业层面，数据要素的经济影响直接体现在对企业效益的影响上。为此，本报告提出从四个方面分析企业层数据要素的价值创造作用，主要包括生产优化、运营效率提升、产品/服务创新以及业态转变，从多维度综合衡量数据要素的企业层经济影响。在此基础上，研究建立了一个具有通用性的分。27图6企业层数据要素价值创造分析框架来源：国家工业信息安全发展研究中心、北京大学光华管理学院基于此分析框架，本报告通过对国家工业信息安全发展研究中心大数据项目库2021年入库的全国5000余个项目数据以及对726家上市公司的问卷调研分别做深入地分析。1.数据要素对企业经营过程的贡献通过对5000多个项目信息分析表明，数据要素增加企业效益成果明显。总体来说，数据要素使得工业企业业务增研发周具体来说，1544家企业的数据显示，大数据及其运用产生了增加产出、利润增长等经济效益；数据要素显著降低了企业综合成本。675家企业的数据显示，大数据及其运用产生了降低人工成本、资金占用成本、仓储物流成本等效益。593家企业的数据显示，大数据及其运用产生了提升效率、加快周转、能源利用率提升等效益；数据要素还提高了社会综合效益，产生正的外部性。95家企业的数据显示，大数据技术及其运用产生了服务社会、承担社会责任等社会效益。28同时，数据分析结果表明大数据项目主要集中在具体行业的运用层面，金融、医疗、应急、城市大脑应用的项目最企业生产过程优化17.92%，目前项目较少的是大数据存储管理2.96%和大数据安全保障方向2.25%。数据表明，大数据的行业应用和跨行业融合是趋势，这一特点也反映出数据要素必须和行业具体场景和问题结合才能实现其促进经济增长和企业发展的作用，如图7所示。图7大数据项目方向分布来源：国家工业信息安全发展研究中心通过分析数据要素项目的建设方式和目标，结果表明，%)大数据项目建设目标是“自建他用”，有40%左右的项目是“自建自用”，而仅有8%的项目是“他建自用”，这一结果表明企业开展大数据项目的核心目标是为了满足市场需29要、促进数据要素价值释放，如图8所示。从需求侧来看，数据要素市场需求旺盛。企业形成数据要素的主要途径是数据库采集(71%)、其次是互联网采集 (56.2%)、再次是系统日志采集(53.1%)，而在数据库采集中，又有55.6%的途径是采集自公共数据库或其他公司建立的数据库。上述数据结果表明，数据交换共享、数据交易等促进数据要素市场化配置的举措，未来在促进经济增长方面潜力巨大。图8数据要素项目建设目标和数据来源(%)来源：国家工业信息安全发展研究中心2.数据要素对企业经营绩效的贡献在企业层面，数据要素发挥作用的完整过程对应于企业数据化转型的过程。因此，本报告还通过对726家上市公司数字化转型的调研，分析了数据要素过程对企业绩效的影响。首先，从数据要素提升企业经济效益的强度来看，数据要素30显著提升企业总资产净利润率(ROA)，远超上市公司近30年平均水平(2.27%)。我们根据对数据要素应用水平的高低将上市公司分成数据要素应用高分组(高于平均值一个标准偏差)和低分组(低于平均值一个标准差)，然后比较两者的财务回报。数据显示，2021年数据要素应用高分组的企业ROA平均为3.60%，而数据要素应用低分组的企业ROA图9数据要素经济效益ROA比较(2020-2021)来源：国家工业信息安全发展研究中心、北京大学光华管理学院从图9还可以看出，数据要素提升企业经济韧性，加大统计上存在显著区别，考虑到2020年疫情等情况影响，数据要素应用低分组的企业的ROA显著下降，而数据要素应用高分组的企业受影响较小，两者差异将逐渐增大。为了进一步分析数据要素对于行业发展的影响，课题组还将数据要素对上市公司经济效应开展了分析。在726家样数字化转型的企业有551家，尚未开始数字化转型的企业有177家。将企业汇聚到行业层面可31以比较数字化转型对于行业企业的具体影响。如表2所示。表2数字化转型对上市公司企业行业层面回报的影响行业ROA(%)ROE(%)△ROA△ROE制造业-0.505.096.595.598.02农业、林业及渔业-2.322.012.854.33信息和通信行业2.49-28.419.224.3237.63能源业-0.882.7543.6323.52采矿业0.433.248.784.172.81-4.61金融服务业-2.04-49.250.8033.76注：对于每一个行业，第一行是未转型上市公司，第二行是已转型上市公司；ROA是资产回报率；ROE是净资产收益率。(行业产出弹性这一列空值补充)来源：国家工业信息安全发展研究中心、北京大学光华管理学院从表2可以看出，数字化转型对于制造业企业的影响最ROA%，两者差异5.59%，其次是农业、林业及渔业(两者差异4.33%)、再次是信息和通信行业 (4.32%)、能源业(3.63%)、采矿业(2.81%)、以及金融行业(0.80%)，而从ROE来说，已转型上市公司和未转型上市公司之间的差异最大的为信息和通信行业，达到了农业、林业及渔业(15.13%)、制造业(8.02%)，以及采矿业(-4.61%)。这些结果和本报告基于宏观统计数据的估算相似。企业对于数字化投入的意识不足，我国企业数据要素供的企业数字化支出不足营收支出的5%，9.64%的企业数字化32支出虽然超过了营收支出的5%，但仍不足10%，数字化支2.91%，数字化支出占营收比例为20%以上的企业仅占2.18%，如图10企业对于数据要素的应用总体上仍处于探索阶段。调查数据结果表明，63.29%的企业认为自身对于数据要素的使用还处于探索阶段，只有9.2%的企业认为自身对于数据要素的使用已经有相对成熟的模式。图10数字化投入占营收支出比重来源：国家工业信息安全发展研究中心、北京大学光华管理学院关于企业数字化转型推动力的调查结果显示，业务推动是企业投入数字化的内生动力。调查结果显示，54.23%的企业数字化投入是由业务驱动的，23.35%的企业认为数字化投入的推动力是市场，13.05%的企业认为数字化投入的推动力33图11数字化投入动力与风险来源：国家工业信息安全发展研究中心、北京大学光华管理学院成本过高是阻碍企业数字化投入的最大因素。数据结果表明，48.53%的企业认为数字化投入最大的风险是投入成本太大，30.88%的企业认为是战略方向不明确，9.38%的企业认为是冲击现有业务(如图11所示)。企业对于数字化投入的认识可能客观反映数字化成本较高，也可能反映企业对于数字化投入的认识有待提升。如何有效降低数据要素市场供给的成本，例如加大建设算力基础设施、降低算力成本、公开更多更好数据、促进数据要素有效流通，将会成为国家政策的主要发力点。四、中国数据要素市场化指数(一)数据要素市场化指数构建为反映不同区域数据要素市场化的程度，本报告基于数据要素市场化过程的分析，建立了“中国数据要素市场化指数”。数据要素市场化过程反映了数据要素在产业链全流程中的价值创造与增值过程，也反映了各个主体对数据要素市场化的不同作用，更强调数据要素在区域经济运行中的重要作用。中国数据要素市场化指数构建主要基于对一定地区内34数据要素市场化的基础设施、相关主体、价值创造和交换过程及其结果的综合判断和评价，该指数是由多个相互联系、相互作用的评价指标，按照一定层次结构构成的有机整体。在构建指标时，我们遵循了以下主要三个原则：(1)从精从简，理论导向。指标的选取关键在于指数构建的目的性以及指标的重要性，在选择测量指标时，依据相关数据要素市场化相关理论，尽量选择那些与数据要素最相关、影响较大而重要的指标，遵循少而精的原则。(2)兼顾代表性与差异性。指标需要具有代表性，能很好地反映数据要素市场化某一方面的重要特性。同时，指标也需要具有差异性，能够从不同侧面反映数据要素市场化的实质，不交叉重复。(3)贯通宏微观，突出趋势性。数据要素市场化指数的构建应该涵盖尽可能多的层面，充分反映从微观到宏观层面数据要素市场化的真实情况，把握数据要素市场化的动态性和趋势性。在此原则指导下，依靠数据要素市场的主体和行动，数据要素市场化的基本框架如图12。35图12数据要素市场化指数构建框架来源：国家工业信息安全发展研究中心因此，“中国数据要素市场化指数”主要由“数据要素供给”、“数据要素流通”、以及“数据要素价值”这三个一级指标构成。各个指标的具体测量见表3。表3中国数据要素市场化指数指标体系一级指标二级指标三级指标数据来源数据要素供给指数制度环境区域数据要素相关政策数量主政官员谈及数据要素频率大数据局等机构级别北大法宝；政府网站政府网站；新闻网站政府网站；实地调研基础设施ICT投资电信投资互联网省际出口带宽安全软件投资云、物联网、及人工智能投资CSMAR数据库；CSMAR数据库；统计年鉴统计年鉴统计年鉴Wind数据库Wind数据库要素丰富度区域开放数林指数消费数据服务企业数量工业数据服务企业数量数字经济相关人才数量数字经济相关资本活跃程度中国开放数林指数网天眼查数据库天眼查数据库猎聘大数据创业邦大数据数据要素流通指数市场环境大数据交易所数量共享经济淘宝村数量数据安全服务企业数量政府网站CSMAR数据库；Wind数据库阿里研究院天眼查数据库需求规模智能设备渗透率在线智能设备数量应用下载量云化率物联网设备总数量人工智能机器人数量统计年鉴；Wind；各地新闻网站统计年鉴；Wind；各地新闻网站统计年鉴；Wind；各地新闻网站统计年鉴；Wind；各地新闻网站统计年鉴；Wind；各地新闻网站统计年鉴；Wind；各地新闻网站中介服务环境会计师、审计师事务所数量大数据相关诉讼案件数量律师事务所评估机构、拍卖机构数量统计年鉴中国裁判文书网统计年鉴统计年鉴数据要素价值指数交易价值数字(跨境)贸易总量政府采购数据价值电子商务交易量区域大数据招投标总额数字经济产业渗透率统计年鉴；政府网站中国政府采购网；中国招投标网统计年鉴；CSMAR数据库中国政府采购网；中国招投标网统计年鉴；Wind数据库产业价值大数据独角兽企业数量大数据试点示范项目大数据新增就业岗位天眼查数据库；创业邦数据库国家工业信息安全发展研究中心天眼查数据库；猎聘大数据来源：课题组制作。由于各项指标数据的量纲不尽相同，参照其他指数构建36为转换后的值，xmax为样本最大值，xmin为样本最小值，xi为原始得分。逆向指标的计算公式为Xi=()n))构建无量纲得分最终指数由各级指标采用线性加权模型计算得来。(二)数据要素市场化指数得分如表4所示，2021~2022年中国数据要素市场化指数的平均得分是58.73，这表明我国数据要素市场化发展仍处于较低水平。具体分维度来看，“数据要素供给”得分较高为据要素价值”，得分仅为45.84，数据要素的交易价值和产业价值实现水平较低，这一结果表明，我国数据要素市场目前呈现出“供给旺盛、流通不足、价值远未实现”的特点。表4“中国数据要素市场化指数”得分数据要素市场化指数数据要素供给数据要素流通数据要素价值58.7369.4360.9345.84东部地区70.0070.7874.9764.24中部地区49.3455.9655.7036.37西部地区45.4548.8851.3136.16北方地区51.4056.5658.9438.71南方地区58.1660.6062.4951.46注：数据基于336个省级与地级市数据汇总计算；东部地区包括：京、津、冀、辽、沪、苏、浙、闽、鲁、粤、桂、琼12省(市、自治区)；中部地区包括：晋、蒙、吉、黑、皖、赣、豫、鄂、湘9省(自治区)；西部地区包括：渝、蜀、黔、滇、藏、陕、甘、宁、青、新10省(市、自治区)；北方地区包括：京、津、冀、晋、蒙、辽、吉、黑、鲁、豫、新、宁、苏(徐州、连云港、宿迁)、皖(淮北、宿州、阜阳、亳州、蚌埠、淮南)、陕(不含汉中、安康、商洛)、甘(不含陇南)；南方地区包括：浙、沪、闽、赣、鄂、湘、粤、桂、琼、蜀、渝、黔、滇、藏、陕(汉中、安康、商洛)、苏(不含徐州、连云港、宿迁)、皖 (不含淮北、宿州、阜阳、亳州、蚌埠、淮南)、甘(陇南)。来源：国家工业信息安全发展研究中心、北京大学光华管理学院对比各地区的数据要素市场化得分，我们发现东部地区要素市场化指数(70.00)明显高于中部地区(49.34)和西37部地区(45.45)，中西部地区的数据要素市场化程度差距不大，体现出东部地区数据要素市场化“一枝独秀”的局面。对各维度进一步的分析表明，东部地区在“数据要素流通”上得分较高(74.97)，而在“数据要素价值”上得分较低(64.24)，中西部地区数据要素市场化的主要短板是“数在36分左右，中西部比较来说，中部地区在“数据要素供给”(55.96vs.48.88)和“数据要素流通”(55.70vs.51.31)方面都比西部地区发展较好。总的来说，深入挖掘数据要素的交易价值和产业价值，实现“数据要素价值”创造是各地区数据要素市场发展的重中之重，除此之外，西部地区尤其需要加大“数据要素供给”建设。与南北差距大于东西差距的经济发展格局相对比，本报告将全国划分为南北两个地区，分析结果表明，数据要素市场发展程度并未呈现出南北差距大于东西差距的特点。具体来说，数据要素市场化指数北方地区得分为51.40，略低于南方地区得分(58.16)，两者差距6.67小于东西地区差距 (24.55)。从具体维度来说，南方地区在数据要素市场化指数的三个维度上都显著高于北方地区，尤其体现在“数据要素价值”上，北方地区得分38.71，与中西部地区处于同一水平，而南方地区得分为51.46，体现出较高数据要素价值实现水平。(三)数据要素市场化细分指标比较数据要素市场化指数区域层面的比较有助于我们理解全国层面上的发展状况，而对于各细分指标的详细对比有助38于我们理解数据要素市场组成要素的发展态势。1.数据要素市场企业主体比较数据要素相关企业的全国分布如图13所示，可以看出数据要素相关企业主要分布在广东省、上海市、江苏省、山东省、四川省、北京市等经济较发达地区6。图13数据要素相关企业全国分布情况来源：天眼查；国家工业信息安全发展研究中心、北京大学光华管理学院总体来看，如表5所示，2010~2021年数据要素行业应用层相关企业增长速度最快，由2010年的7254家企业增长其次是数据资源层相关企业，企业数量由2010年的6280家至2021年的32.24万家，增长了51.93倍，年复合增长率72.36%；再次是通用软件层相关企业，企业数量由2010年1年的218.32万家，增长了32.60倍，6为了确保描述的企业与数据要素市场化紧密相关，本报告采取国家工业信息安全发展研究中心对大数据产业的概念分类，分别是数据资源层、基础硬件层、通用软件层、行业应用层、以及安全保障层。基于天眼查数据库，本报告利用各层次与数据要素相关的130多个关键词搜寻企业经营范围确定数据要素相关企业，随后开展分析。39年复合增长率52.63%。同时可以看出，通用软件类相关企业是绝对数量最多的企业。基础硬件层相关企业从6324家增长到17.17万家，而安全保障层相关企业也增长了25.96倍，表5数据要素相关企业数量(2010-2021)类型2010年公司数量2021年公司数量年复合增长率(%)行业应用层725444888779.16数据资源层628033238572.36通用软件层64988218328052.63基础硬件层632417167943.37安全保障层24356564543.072.数据要素市场投资主体比较本报告对数据要素市场中的资本市场做了深入分析，结场总计发生840起融资事件，总计融资金额为1101.25亿元人民币。其中2020年385起，462.74亿元人民币，2021年360起，511.95亿元人民币，2022年1~5月95起，126.5640图14数据要素市场投资事件与金额情况来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院分析数据显示，北京是发生数据要素市场投融资事件最浙江88起(如图15)。图15数据要素市场投资事件地区分布来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院从投资金额来看，北京是数据要素市场交易金额最多的地区，为595.77亿元。除此之外，上海、广东、浙江、江苏分别为166.76亿元、118.73亿元、92.22亿元、33.19亿元人41民币(如图16)。图16数据要素市场投资金额地区分布来源：创业邦；国家工业信息安全发展研究中心、北京大学光华管理学院从投资机构来看，数据要素市场中国股权融资领域出手次数最多的机构为红杉中国，在数据要素市场完成30次投资，其次为腾讯投资24次(如图17)。图17数据要素市场投资机构出手次数分布来源：创业邦；国家工业信息安全发展研究中心、北京