数据要素市场化的价值化主要是通过数据资源化、数据资源资产化、数据资产资本化实现。
自数据作为新的生产要素被提出后，包括数据要素×三年行动计划实施、企业数据资源入表、数据资产融资、数据资产管理与治理等各种围绕数据资产价值化的数据运营也开展得热火朝天，全国各地涉及与数据要素相关机构成立的新闻不绝于耳。然而，至今大多数的落地不同应用场景的数据运营都保持“首单”记录，新落地应用场景的数据运营“首单”仍不断出现。虽然数据要素市场建设在政策推动下迅速发展，但也面临包括技术基础设施不足、市场交易不活跃，数据供给侧的合规成本高、需求侧的数字化转型缓慢、数据定价机制不完善、供需匹配的“有数无市”和“有市无数”等关键性问题。 再从数字化转型看数据资产运营环境现状。当前数字化转型也正面临一系列的挑战，比如说陈旧的考核体系、孤立的组织架构、短视的战术规则、有限的专业知识和不足的创新协作等等。梅宏院士将其总结为“不想、不敢、不会”的“三不”。这“三不”情形具体分别是：“不想”是指：因为传统的观念和路径依赖，对科技发展态势的理解、认识不足，对这一轮数据和 AI 带来的革命，很多人也是抵触的。“不敢”是指：传统行业的转型可能有风险、有阵痛，投入也比较高，很多人不敢率先探索。都希望别人先做，自己再做。“不会”是指：缺少方法、技术和人才，缺少实践验证过的成功经验和路径。
梅宏还认为，数据要素化可能是数字化转型更高阶的表征，即将数据确定为重要的生产要素，通过各种手段让它参与社会生产经营活动的过程。“我们需要构建以数据为中心的组织体系和运行模式。” 不难看出，在数字化转型中，数据资产运营环境现状也一直是处在上述“三不”的挑战环境状态。 可以对目前各种不同形式的数据资产运营现状大致概括为：不缺应用场景，而缺项目落地。要让数据能“供得出”“流得动”“用得好”，以及“保安全”仍是个待实现的发展目标和美好愿景。
数据要素市场虽然在政策推动下迅速发展，但面临包括技术基础设施不足、市场交易不活跃，数据供给侧的合规成本高、需求侧的数字化转型缓慢、供需匹配的“有数无市”和“有市无数”，以及数据定价机制不完善等关键问题。数据要素市场正在建立和建设过程。目前，数据交易存在一些行业难点，包括供需方沟通机制、数据合规、数据产品定价、收益分配、数据安全、数据资产入表、数据资产评估、数据治理等。这些问题既制约了数据交易行业的发展，也是数据要素市场尚未成熟的表现。当前的数据要素市场面临有效数据供给不足、数商生态不够完善、行业数据应用场景有待挖掘等问题。这些问题都是当前数据资产运营所面临的挑战，其主要有以下方面：
1.数据要素市场化的价值化方面面临的挑战 数据要素市场化的价值化主要是通过数据资源化、数据资源资产化、数据资产资本化实现。所以，数据要素市场化的价值化方面面临的挑战具体也分别表现在数据“三化”的各阶段。 数据资源主要包括业务数据、客户数据、市场数据、社交媒体数据等。然而，数据资源化面临的挑战一方面是体现在该阶段的原始数据资源的赋值能力、直接使用的价值和成本价值计量问题。尽管核算单位或数据资源持有权人积累了一定数量的数据资源，而这些数据资源往往是处于原始状态，其中大多的数据是没有经过有效的加工和处理，由其形成数据资源的赋值能力不强、直接使用这些数据资源的价值也不大，而且除了外购的部分，这些数据资源的获取成本也难于价值计量。另一方面，在于该阶段的数据资源形成不仅涉及来源和清理，也涉及筛选、甄别、归类、确权、登记等资源化处理，在这些数据资源化处理过程也随时遇到困难和挑战。
除了数据资源化处理过程，在数据资源化到数据资产化之间，还存在数据产品化面临的挑战。其主要体现在场内交易和场外交易方面：在场内交易方面，数据产品和服务生产与销售既存在“有数无市”，也存在“有市无数”。数据产品和服务“有数无市”是指产生大量的数据产品和服务，但没有市场，有些数据产品和服务的标准化程度低，缺乏成熟的市场环境来进行交易；“有市无数”是指虽有数据产品和服务交易市场（目前全国已设立大小超过60 多家数据交易机构，且还不断在新增。）可供数据产品和服务进行交易，但是很多供应商缺少个性化定制模式，数据供应商提供的数据产品和服务大多无法满足需方的个性化的需求而影响成交。 在场外交易方面，数据产品交易远远超过场内交易规模，而场外交易的数据产品没有经过统一登记，有些甚至是没有经过必要的合规与授权，也缺少相应的必要监管手段等等。 数据产品和服务的场内交易与场外交易存在的问题在数据要素流通交易中也同样存在。解决场内交易与场外交易存在的上述主要问题都是数据产品和服务与数据要素流通交易共同面临的挑战。
数据资产化阶段面临的挑战 进入数据资产化阶段，在推进数据资产化的整个过程依然要面临不少困难，这些困难可以概括为以下三个主要方面： 一是与其相关政策法规不够完善。数据权属界定尚缺乏明确的法律法规，数据确权仍存在一定的争议。通常在分析企业是否控制某项客观存在的资源时，所有权法律权属往往是首先考虑的因素。《中华人民共和国民法典》第127 条虽然承认了数据的民事权益地位，但未涉及具体的细节性规定。该细节的留白使得数据的法律权属问题成为一个争议的焦点，同时也使得数据的资产化之路存在较大的不确定性。此外，关于数据作为生产要素的新特征和数字经济下的新型生产关系，依然缺乏统一的理论解释和足够的政策回应，这些新特征可能导致传统要素领域的制度安排并不适用。因此更需要处理好顶层设计和市场需求、市场运行之间的关系，企业在数据资产化实践中碰到的棘手问题也亟须制度上的创新和政策上的完善。二是数据资产化技术路线也暂未清晰。企业数据资产化伴随着企业向数字化运营模式的转变，由于数据有赖于计算机获取，因此数据资产化过程需要强大的技术支持。随着数字化的深入演进，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平台来完善数字化基础设施，并且需要通过云计算的 SaaS 和其他服务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，多层次的标准体系还在研究制定当中，相关技术规范仍在不断更新。大数据服务提供商在技术路线上进行激烈竞争，由此也带来大量的研发投入。费用的增加一方面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。三是数据要素市场正在建设和培育过程，数据要素流通交易发展尚未成熟。目前，数据流通交易存在一些行业难点，包括供需方沟通机制、数据产品定价、收益分配、数据安全防范、数据资产入表等。这些问题制约了数据交易行业的发展，也是数据要素市场尚未成熟的表现。当前的数据要素市场面临有效数据供给不足、数商生态不够完善、行业数据应用场景有待挖掘等问题。成熟的数据要素市场能够为数据产品提供更公允的价格，帮助企业对自身的数据资产进行估值，同时为数据要素的市场化配置提供平台，使数据资产在流通过程中体现二次价值和溢出价值。更重要的是，数据要素市场为企业及机构提供量化评估数据资产的基础，在确认数据资产的过程中可以提供更明确的度量指标，使得企业和机构更能够掌握数据资产化的阶段和评估数据资产化的成效，进而更有针对性地提升数据治理、促进数据资产形成，有利于构建数据的循环流通体系。在数据资源资产化过程中，还存在为更充分释放数据价值而开展的合规性审查、企业数据资源入表，以及数据资产的质量评价和价值评估等多方面的挑战。
数据资本化阶段面临的挑战 由于数据资源化、资产化过程普遍存在包括确权、合规、安全、授权，以及在流通交易等困难和挑战，导致当前数据资本化只在数据融资方面开展一些数据增信和质押的活动，数据资源或资产融资的活动不仅基本都是做完“首单”就没下文，而且每单融资金额都不太大。所以，当前数据资本化阶段所面临的挑战不仅是如何让“首单”数据资产融资能可持续性发展，而且还要建立起能适用数据资产股权化和证券化的体制机制，吸引产业资本和金融资本参与数据资本化。
数据要素流通交易面临的挑战 （1）数据要素流通交易及相关制度建设尚在建设过程。虽然，从2019 年底提出数据是新的生产要素，2022 年发布的“数据二十条”等，2023 年发布的“企业数据资源入表”“数据资产评估指导意见”，以及“加强数据资产管理指导意见”等都是开展数据要素流通交易制度建设的重要内容，然而，因数据要素流通交易非常复杂，其不仅涉及的主体包括公共数据、企业数据和自然人数据的不同主体，其也涉及境内与境外的数据流通交易的不同，其还涉及开放、共享、授权运营、交换、交易等不同环节和形式（近年来又新增了“交互”“互认”的环节和形式）。数据要素流通交易及相关制度建设同时要涉及确权、授权、合规、应用场景、登记，质量评价和价值评估，以及安全等方方面面。所以，这些决定了数据要素流通交易及相关制度建设时期将需要相当长的一段时间才能完成。相应制度上的缺失也会对数据要素流通交易活动带来挑战。
（2）全国各地设立数据交易场所不少，各自成体系。全国各地已先后设立数据交易所和数据交易公司 60 多家，各自按自己的规划和条件自主设立，缺乏统一标准，自成体系。在很大程度上影响数据要素在全国范围内的流通和交易。 此外，缺乏数据互认机制。在数字服务实体经济的过程中，包括数字金融和其他数据服务也都面临一些“成长的烦恼”。比较突出的除了讨论较多的数据失真、确权问题，还有数据互认、算法歧视等新问题。迫切要解决的包括金融数据和其他数据服务互认问题，尤其迫切要解决的是金融数据、医疗服务相关数据等的业务信息数据互认问题。同一家企业、业务服务对象的数据，在不同的金融、医疗服务机构之间，彼此都不互认。金融数据、医疗检查及相关数据的重复认证，一方面不利于金融、医疗资源的高效利用，另一方面也迫使企业、业务服务对象不得不去重复认证，增加其认证检查的成本和时间成本。
数据安全与数据治理面临的挑战 数据安全和隐私保护：《数据安全法》第八条规定，数据处理不得危害国家安全、公共利益，不得损害个人和组织合法权益。随着数据成为新的生产要素，数据安全和隐私保护成为数字经济发展的重要挑战。如何在促进数据利用和保护个人隐私之间找到平衡，是政府面临的一大难题。近期，滴滴出行因违反数据安全法而被重罚，凸显了数据监管的重要性。数据安全是数字经济和新质生产力发展的保障，数据在广泛释放价值的同时，也面临着被泄露、篡改、破坏、滥用的威胁。数据安全问题也是数据核算主体和数据资产经营者都不得不面对的风险和挑战。
跨境数据流动的挑战 跨境数据流动对全球治理合作体系的有效性及传统治理政策的适用性形成挑战。具体原因如下：一是数据治理目标难以平衡。数据安全、数据保护自主权、数据跨境自由流动难以同时实现，内在矛盾难以在短时间内得以平衡。二是数据治理能力难以跟进。数据流动具有海量化、高频化的特点，无法先验确定，政府部门难以监测数据流动、难以区分不同类型的数据，且数据跨境传输可能带来跨国风险。三是跨境数据治理合作难以达成。跨境数据流动不仅与国家产业和经济发展紧密相关，也与国际政治不可分离。全球层面关于跨境数据流动治理的分歧与冲突，实质上反映了当前数字经济竞争与国际政治竞争并行的特点。此外，当前包括跨境数据治理在内的数据治理体系还不健全。数据治理体系的不健全也会降低跨境数据流动治理的效能。 对跨境数据流动问题，6 月 25 日在大连举办第十五届夏季达沃斯世界经济论坛上，国家数据局局长刘烈宏也表示：“数据跨境流动是一个新问题，涉及主体比较多，情况多样且比较复杂，需要不断在实践中探索。”
数字技术体系中的关键技术方面的挑战 （1）人工智能技术方面 新一代人工智能技术的产生创造了极具“颠覆性”的科技革新，从2022年11 月 30 日发布以来，ChatGPT 引发了社会、产业和技术界的广泛关注，成为人工智能发展的一大里程碑。尤其像 ChatGPT 这样的模型，通过海量数据的预训练，极大提升了机器的识别、理解、决策和生成能力。然而，在大模型技术方面，尽管大模型在多个领域取得了显著进展，但也存在计算资源需求巨大、数据标注和采集困难、模型泛化和可解释性不足、法律与伦理问题、隐私和安全风险、环境和能耗压力，系统化大数据治理框架尚未形成，隐私计算等关键技术的开发和应用远未成熟，开放共享、质量评估、价值评估、数据安全、成为制约大数据发展的主要瓶颈，以及人工智能专业人才短缺等方面都面临着诸多挑战。
（2）数字核心技术与发达国家差距 尽管中国在数字技术应用方面取得了巨大进步，但在核心技术上仍存在与发达国家的差距。特别是在高端芯片、操作系统和人工智能大模型等数字核心技术领域的关键技术，有些甚至可能成为他国凭借这些关键技术对我们实施“卡脖子”，由此也成为需要应对的挑战。 据《环球时报》2024 年 6 月 26 日的消息说“6 月 25 日，多个用户收到OpenAI的推送邮件，信中称，自今年 7 月 9 日起，将开始阻止来自非支持国家和地区的API（应用程序接口）服务。目前 OpenAI 支持的国家和地区中，不包括中国内地、中国香港和澳门。”所以，与发达国家有些差距的关键数字核心技术也是需要应对的挑战。
数据人才供需严重脱节 数字人才严重不足，据中国信通院和相关调研数据显示，我国数字人才缺口达到 2500 万-3000 万。不仅人才数字供应严重不足，人才素质与产业相关岗位需求不匹配、关键核心领域创新能力不够等问题日益凸显。这方面出现的挑战是“数字人才需求强劲、供应严重短缺”，具体表现在以下几个方面：一方面是每年高校毕业生超千万，不少年轻人面临就业压力。另一方面是企业数字化发展产生大量新岗位，却难以招到合适人才。还一方面是国际范围大的数据平台企业能吸收到图灵奖者，甚至诺奖者担任首席科学家，而国内这两年的趋势反而是数据平台企业首席科学家回到高校。
在面对上述的挑战同时，在加快推进数据要素市场化配置改革，加强数据资产管理，以及围绕数据产权制度、流通交易体系，收益分配机制等方面，加快制度的建设和供给等方面，也给数据资产运营带来相应的机遇。数据资产运营可以通过数据收集与整合、数据存储与管理、数据加工与清洗、数据分析与挖掘、洞察与决策支持、数据优化与创新、数据隐私保护与合规等帮助核算单位更好地理解其业务环境，更准确地预测趋势，更迅速地做出决策，并且不断优化业务流程，从而实现持续的增长和竞争优势。对此，国家数据局局长刘烈宏在第十五届夏季达沃斯世界经济论坛上也表示：我们正在加快推进数据要素市场化配置改革，具体来讲，通过加强数据基础设施制度建设，包括产权、流通交易、收入分配等，建立良好的政策环境，来推动数据能够供得出、流得动、用得好、保安全。
因此，随着加快推进数据要素市场化配置改革，在推动数据能够“供得出、流得动、用得好、保安全”的过程也给数据资产运营带来机遇，其体现如下：1.数字化转型与数字产业化为数据资产运营带来的机遇（1）数字化转型主要是表现为现有的产业行业的数字化转型。在产业行业数字化转型过程，通过数字化转换不仅可使数据和数据资源不断转化为数据资产，而且现有的资产（物理世界资产）也可以通过包括数字孪生、大数据、区块链、云计算、人工智能等相关数字技术成为数字化资产，形成越来越多的数据资产，并通过数据资产的赋能赋值，使现有的产业行业产业升级，发挥全要素生产率的价值创造。进而为数据资产运营带来更多的机会和需求。（2）数字产业化是指通过数字技术的市场化应用，将数字化的知识和信息转化为生产要素，形成数字产品制造业、数字产品服务业、数字技术应用业和数字要素驱动业等数字产业。数字产业化不仅能促进产业的升级换代，还能创造新的产业、形成新的商业模式，其同样给数据资产运营带来更多新的机会和需求。
2.促进数据要素流通交易为数据资产运营带来的机遇（1）构建数据要素流通的硬支撑，包括三个方面，一是通过深入实施东数西算工程，坚持多元异构算力的一体化布局，东中西部算力一体化协同，算力、数据、算法一体化应用等 5 个一体化工作要求，聚焦公共数据传输通道、算网协同创新等重点工作，推动算力从好用可用到好用，实现绿色安全、均衡高效的算力供给。尤其是伴随着公共数据的开放与授权运营力度的不断加强和授权范围的不断扩大，其也都将给数据资产运营带来更多新的机遇和需求。（2）数据交易所互认互通，不同行业和单位业务的已认证数据的数据互认。2024 年 5 月 24 日，在国家数据局的推动下，全国已有24 家数据交易机构联合发布《数据交易机构互认互通倡议》。若全国各地的数据交易所都能按照该《倡议》的要求实施，今后，数据交易机构将在未来一段时间内推进数据产品“一地上架，全国互认”；数据需求“一地提出，全国响应”；数据交易“一套标准，全国共通”；参与主体“一地注册，全国互信”，推动构建统一开放、活跃高效的数据要素市场，提高数据流通和交易效率，降低合规流通和交易成本，激发数据要素市场活力。
在数据互认方面，开发应用区块链技术溯源和保真，隐私计算技术的“可用不可见”等数字技术，这不仅可以解决当前金融数据、医疗检查服务及相关数据的迫切需要的数据互认问题，也可以解决其他数据因数据安全、隐私保密等限制数据互认而要重复认证的问题。还可以进一步推动包括区块链、隐私计算，以及其他数字技术和服务开发应用领域，为“数字产业化”添砖加瓦。（3）深化国际合作，推动促进和规范数据跨境流通规定等一系列政策文件的落地，并协同相关部门为各跨国企业的国际合作项目提供服务和支撑，进一步拓展数字经济合作的新领域。
3.企业数据资源入表为数据资产运营带来的机遇 （1）对涉及的要入表数据资源的合法拥有或控制的问题。在“合法拥有或控制”的条件下，企业主要面对要入表数据资源的是确权和合规的问题，一方面是企业要在收集和存储数据的过程中，合法合理地保障对持有的数据的相关权属；另一方面是企业要做好数据合规管控，梳理各数据场景、数据环节可能存在的法律合规风险，通过对流程的管控和风险的防范，确保数据资产加工、使用和收益获取的合规性。 （2）企业数据成本或者价值可靠计量问题。企业数据的成本很难计量，数据的价值难以评估。数据成本产生的来源很多，包括数据获取、存储、处理和分析过程中的成本，也包括数据治理、数据安全与合规保护等管理成本，另外在对外流通交易的过程中，可能还存在营销、推广、中介、评估等成本。数据的价值难以评估，数据本身的异质性导致同样大小的数据所蕴含的价值完全不同，甚至即使是同样的数据，在不同的企业不同的场景，产生的价值都可能千差万别，难以以统一的标准进行衡量，导致数据很难有一套较为统一的定价体系。
（3）企业数据资产有关的经济利益流入企业的问题。企业数据资产交易双方对于数据资产的交易虽意愿很强，但在数据对接、流通平台对接、安全和隐私保障等环节无法互信互认，数据消费者不敢买，数据供应方不敢卖，也谈不上经济收益的流入了。对外的数据产品需要有明确的市场需求，如果企业研发了数据产品，却无法被潜在的市场客户买单，那也不会有经济利益流入企业。（4）对涉及的要入表数据资源的预期给企业带来经济利益的问题。企业主要面对的是数据价值挖掘、数据质量保障、预期收益评估等问题。此外，随着数据价值化、数据资源资产化和企业对数据资源入表的重视程度和积极性提高，企业数据资源化入表的总规模和资产化数量也将相应扩大和提高，其数据资产运营的机遇也会相应增加和扩大。
数据资源化和数据资源资产化为数据资产运营带来的机遇（1）数据资源化。数据资源化是通过数据的采集、汇聚、梳理，将原始数据转变为具有潜在价值的数据资源。数据资源化需要包括数据模型管理、数据标准管理、数据质量管理、主数据管理、数据安全管理、元数据管理、数据开发管理等活动职能。数据资源化过程往往包括原数据资源的生产形成和对原数据资源的加工使用，以及开发形成数据产品和服务。这些过程不仅能促进数据供需各方对数据产品和服务的需求，为数据资产运营开展数据产品流通和交易带来发展机会。 （2）数据资源资产化。数据资源资产化是通过数据治理和运营，将数据资源转变为能够为特定主体带来经济利益的数据资产。需明确的是，并非所有的数据资源都可以被列为数据资产进行数据资产运营，其⼀般是要经过加工处理、确定产权，分析并且能为特定主体带来经济利益的数据资源后，才能称为数据资产并列入数据资产开展数据资产运营。 上述数据资源化、数据资源资产化中，从资源到资产的每一步都离不开数据合规审查、数据资产评估，数据管理，以及推进数据资产监管制度建设，进一步规范数据资产运营体系。
数据治理与数据安全方面 数据治理对数据要素价值化非常重要。数据治理是一个涉及数据质量、数据安全、数据流程和数据架构等多个方面的综合性过程。它旨在确保数据主体数据的质量、一致性和可用性，以满足业务需求和法规要求。通过数据治理，数据主体可以更好地管理其数据资产，提高数据的质量和可信度，从而为业务决策提供更加准确和可靠的信息支持。 数据安全对数据资产价值化非常重要。《加强数据资产管理指导意见》的基本原则提出了坚持确保安全与合规利用相结合。统筹发展和安全，正确处理数据资产安全、个人信息保护与数据资产开发利用的关系。以保障数据安全为前提，对需要严格保护的数据，审慎推进数据资产化；对可开发利用的数据，支持合规推进数据资产化，进一步发挥数据资产价值。 所以，不论是加强数据治理，还是保障数据安全，都同样能给数据资产运营发展提供机遇。
数字人才培训与培养方面 数字经济的发展人才队伍严重短缺（数字人才缺口达到2500 万-3000 万）既对数据资产运营和发展提出了很大的挑战，也给数字人才队伍建设、人才培训行业与高校数字人才培养等带来了难得的机遇。 2024 年 4 月 17 日国家数据局协同人社部等九个部门印发了《加快数字人才培育支撑数字经济发展行动方案（2024—2026 年）》，明确用3 年左右时间，扎实开展数字人才育、引、留、用等专项行动，增加数字人才有效供给，形成数字人才集聚效应，以更好支撑数字经济高质量发展。提出实施数字技术工程师培训项目、推进数字技能提升行动、开展数字人才国际交流活动、开展数字人才创新创业行动、开展数字人才赋能产业发展行动和举办数字职业技术技能竞赛活动6 大重点任务。随着这些重点任务的实施，必将给我国数字人才队伍建设、人才培训和数字人才培养带来重大的机遇。
