定制报告-个性化定制-按需专项定制研究报告

行业报告、薪酬报告

联系：400-6363-638

《DAC全球数据资产理事会：数据资产年度运营报告（2023）（176页）.pdf》由会员分享，可在线阅读，更多相关《DAC全球数据资产理事会：数据资产年度运营报告（2023）（176页）.pdf（176页珍藏版）》请在本站上搜索。 1、数据资产年度运营报告数据资产年度运营报告（20232023）全球数据资产理事会全球数据资产大会组织委员会二二四年七月目录第一部分 数据资产新行业.1一、背景与整体概述.1二、趋势与展望.6第二部分 数据资产价值.17一、数据资产价值整体概述.17二、数据资产的资产化实践.21三、数据资产的确权与估值定价.24第三部分 数据资产管理.27一、数字资产管理的内涵.27二、当前数据资产管理面临的挑战.28三、数据资产管理的多维优化路径.33第四部分 数据资产运营.54一、运营技术与工具.54二、运营风险管理.67三、第三方相关城投.77四、第三方相关公共服务平台.85五、挑战与机遇.87六、运营实际2、案例.97七、未来展望.108第五部分 数据资产入表.110一、数据资产入表概述.110二、数据资产入表案例研究.114三、数据要素市场新赛道.118四、数据要素全产业链服务模式.122五、总结与展望.169第一部分第一部分 数据资产新行业数据资产新行业一、背景与整体概述（一）概念解析1.数据“数据”一词，最初产生于信息学，Akoff 在 1989 年提出了信息金字塔模型，指出数据是用来描述事物、事件和交易行为的，并明确数据是原始的、未经过处理的。后续随着经济持续的发展和数据资源在各个领域不断深入，人们意识到数据具有可衡量的价值并可以带来可观的经济利益，不断拓展数据的开发和使用。因为数据具有体3、量大、类型多样、价值密度低等特点，原始数据要在加工处理后才能进一步发挥支持分析、推理、计算和决策的功能，只有当数据被有效地资源化，才能够进一步被市场所认可。2.数据资产“数据”转为“数据资产”，需要具有相应的资产属性。在 2014 年财政部企业会计准则基本准则 中指出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资源，数据作为资产也必须符合资产的三个必要特征。在 2021 年资产评估专家指引第 9 号数据资产 评 估、中国市场监督管理总局、中 国标准化管理委员会发布的GB/T40685-2021 国家标准文件，将“数据资产”定义为被合法拥有或控制的，能进4、行计量的，为组织带来经济和社会价值的数据资源，确认了数据作为资产需要具备的三大要素。表表 1-11-1 数据资产需具有资产的三大属性数据资产需具有资产的三大属性要素要素控制控制权益权益预期预期资产由企业拥有或者控制交易或者采购形成的资源预期带来经济利益数据资产由企业合法拥有或控制交易或者开发形成的能进行计量的资源预期带来经济利益2与传统资产相比，数据资产具有以下特征：（1）非物质性：数据资产是无形的，通常是以电子形式存在，不像传统资产（如土地、建筑物、机器）那样具有物理形态。（2）可复制性：数据可以轻易地复制和传输，而不损害其原始价值。这与传统资产不同，后者通常是独一无二的。（3）时效性：数据5、资产的价值可能会随着时间、技术进步或市场条件的变化而变化。例如，过时的市场数据可能失去其价值。（4）增值性：通过分析、处理，数据资产可以产生新的价值。数据资产可以通过组合和分析产生新的数据，从而增加其价值。例如，通过分析客户数据，可以生成市场趋势分析。（5）共享性：数据资产可以在不减少其价值的情况下被多个用户或系统共享，这与传统资产的使用权通常具有排他性不同。（二）背景分析1.国家政策背景在人类的几千年文明史中，土地、劳动力、资本和技术一直构成着四大生产要素。而随着数字经济时代，数字化、数智化的发展，数据已然成为 21 世纪的新石油！蕴藏着巨大价值。以广传播、宜采集、可复制等独特禀赋，为经济社6、会发展提供了新动力。2020 年 4 月 9 日，中共中央、国务院印发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，明确将数据定义为一种新型生产要素，与土地、劳动力、资本、技术要素并列，共同构成了现代经济体系中的第五大生产要素。这也是在国际上率先提出要将数据作为第五生产要素的国家，是基于经济运行原理和企业实践的重大理论创新。其价值在于能够降低成本、多场景复用，与四大生产要素共同协同，发挥乘数效应，有效提高全要素生产率。此后，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 年远景目标纲要又进一步将数据资产的发展提升到国家战略层面，明确提出“加快数字化发展，建设数字中国”的目标7、。为充分激活数据要素潜能，发挥数据资产对我国经济社会的基础性作用，政3府也已提出要加快培育数据要素市场。这一决策为数据资产新行业的进一步发展和应用提供了政策支持和发展方向。数据资产新行业涉及数据采集、传输、存储、处理、安全、分析、运营和交易等多个环节，其产业链不断完善，市场规模持续扩大。在这些过程中，技术创新不断涌现，大数据、云计算、人工智能等新兴技术为数据资产提供了更加高效、智能的解决方案。2023 年 8 月，财政部会计司正式发布企业数据资源相关会计处理暂行规定（下称暂行规定），为企业数据资产“入表”提供操作指引，标志着我国数据资产入表迈出了 0 到 1 的关键一步，从“箭在弦上”转为“势8、在必行”。“入表”是“会计核算”的通俗称法，指通过确认、计量、记录和报告等环节，对满足资产确认条件的数据资源进行记录，纳入企业资产负债表，以满足内外决策者所需的会计信息。2023 年 9 月，中国资产评估协会正式印发了数据资产评估指导意见，以规范数据资产评估执业行为。而“价值评估”在规范准则、服务场景、价值形态等方面都与“会计核算”有所区别。会计核算遵循财政部发布的暂行规定，在初始计量时记录资产的成本作为账面价值；价值评估主要依据中国资产评估协会发布的资产评估准则，服务于企业融资、出资入股、并购重组、破产清算等多样商业场景中的多种经济活动，所选取的价值类型视评估目的而定。2023 年 10 月9、 25 日，国家数据局正式揭牌，负责协调推进数据基础制度建设，统筹数据资源整合、共享、开发、利用，统筹推进数字中国、数字经济、数字社会的规划和建设等。2023 年 12 月 31 日，国家数据局等 17 部门联合印发的“数据要素”三年行动计划（20242026 年）（下称行动计划）旨在发挥数据要素乘数效应，赋能经济社会发展。同时，财政部也相继印发关于加强数据资产管理的指导意见（下称指导意见），从总体要求、主要任务、实施保障等三方面十八条内容，对数据资产管理进行引导规范。指导意见承接“数据二十条”国家数据基础制度，是贯彻落实党中央、国务院决策部署，积极推进数据资产管理工作的体现，明确了数据的资产10、属性，是对数据资产作为经济社会数字化转型中的新兴资产类型充分认可；与行动计划相互契合，明确鼓励在金融、交通、4医疗、能源、工业、电信等数据富集行业探索开展多种形式的数据资产开发利用；是继暂行规定指导意见后，财政部在数据资产管理工作上的又一重大政策动向。2.新行业发展背景在深入观察 2023 年 6 月至 2024 年 6 月期间新行业的市场动态时，可以明显看到我国市场规模在不断扩大，增长率保持在一个稳定的水平。这背后，技术的不断进步和消费者需求的日益提升成为推动市场增长的两大动力。预计未来几年，这种增长势头仍将持续，市场规模有望继续保持快速增长的态势。与此行业内的竞争格局也愈发激烈。传统企业、11、初创公司以及跨界企业等各方势力纷纷涌入，共同争夺市场份额。为了在竞争中脱颖而出，各企业都在加大数据类产品的研发投入，努力提升产品的创新性和竞争力。这种激烈的竞争态势不仅推动了行业的技术进步，也促使企业不断提高服务水平和客户满意度。在消费者方面，他们对于数据类产品品质和服务的关注度也正在持续提高。促使着新行业的产品和服务不断升级迭代，以满足消费者日益多元化、个性化的需求。消费者需求的这种变化不仅为行业提供了更广阔的发展空间，也对企业的创新能力和服务水平提出了更高的要求。总体来看，新行业在近年来的发展中展现出了强大的市场潜力和广阔的前景。尽管面临着激烈的市场竞争和不断变化的消费者需求，但行业内的企12、业仍在不断探索和创新，以应对市场的挑战和机遇。可以预见，随着技术的不断进步和市场的不断开拓，新行业将在未来继续保持蓬勃发展的态势。3.新行业环境分析在上述数据资产新行业发展背景下，我国政府对新行业的发展展现出极高的重视度，并积极推出了一系列国家或地区政策举措，以助力其快速发展。包括但不限于提供税收优惠、给予资金支持、制定产业规划等，为数据资产新行业的崛起提供了有力的政策保障。尽管政策支持力度不断加大，但国内新生的政策体系、绩效考核体系以及执法监管体系仍面临诸多不完善之处。在体制、政策、法规方面，仍需进一步健全和完善。以新生行业为例，尽管已经明确了任务目标，但许多地方城市尚未出台5具体的推动措施13、，导致新行业在发展中遭遇诸多障碍。数据资产新行业标准的缺失也是一个突出问题。对应的标准、规范、制度等措施均未出台，导致企业和产品在操作和运行过程中缺乏明确的指导。虽然部分地方出台了区域标准，但缺乏统一的国家标准，这使得行业规范性成为一纸空谈。与新行业相关的经济政策如价格、财税、金融等尚待完善，市场激励机制和约束机制依然不健全，这使得企业在新行业发展的内生动力不足。国际贸易政策的变化也对新行业的发展产生了一定影响，企业需要密切关注国际贸易形势，加强国际合作，以应对潜在的风险和挑战。新行业的发展既离不开政策的支持和引导，也需要企业和市场主体的积极参与和推动。只有在政策和市场双重作用下，新行业才能健14、康、快速地发展，并为经济社会的发展贡献更大的力量。4.新行业技术动态在当前数据资产新行业的蓬勃发展中，技术创新与突破已成为推动其不断前进的核心动力。新材料、新工艺、新技术的不断涌现，不仅为行业提供了强有力的支撑，更为其带来了前所未有的发展机遇。从上游供应到市场部署，技术的革新正在逐步改变行业的生态格局，使得资源配置更为优化，产业布局更加合理。技术的应用与融合，在新行业中同样显现出强大的生命力。随着科技的日新月异，新行业与其他行业之间的融合也愈发紧密。跨界合作和技术融合使得新行业的应用领域不断拓展，产业价值不断提升。这不仅加速了行业的成熟与壮大，更为其注入了新的活力。展望未来，新行业在技术创新方15、面将持续加大投入，推动产业升级和转型。特别是随着大数据、人工智能等技术的广泛应用，新行业将迎来更多的发展机遇和挑战。这些技术的引入将进一步优化生产流程，提升产品质量，降低生产成本，从而增强行业的市场竞争力。与此新生业市场化程度的逐步提高也为行业的发展提供了有力的保障。企业通过资本市场实现兼并、破产和重组，资源配置更加高效；产业布局呈现资源向东南演进、集中、转移的趋势，为行业的区域协调发展奠定了基础。而新生行业协会的作用逐渐显现优势，为行业的健康发展提供了有力的组织保障。新行业在技术创新、应用融合以及市场化程度等方面均取得了显著进展，展6现出强劲的发展势头。未来，随着技术的不断进步和市场需求的持16、续增长，新行业必将迎来更加广阔的发展前景。5.现状概述2024 年 2 月 18 日至 3 月 5 日，国家数据局、中央网信办等部门联合开展全国数据资源情况调查工作。2024 年 5 月 24 日，在福建福州举行的第七届数字中国建设峰会数据资源与数字安全分论坛上，全国数据资源情况调查工作组发布了全国数据资源调查报告（2023 年）。报告显示，2023 年，全国数据生产总量达 32.85ZB，同比增长 22.44%。随着 5G、AI 技术的快速发展及智能设备的规模应用，内容创作、影像视听等非结构数据爆发式增长，对我国数据总规模增长贡献较大，消费民生领域新业态不断涌现，满足了人们不断增长的文化娱乐17、消费需求。数据存储：至 2023 年底，全国累计数据存储总量为 1.73ZB，存储空间利用率为 59%，数据云存储占比超过 40%，其中政府和行业重点企业存储空间利用率均为 70%左右。数据算力：至 2023 年底，全国 2200 多个算力中心的算力规模同比增长约为30%。大模型训练算力需求高涨，科学、政务、金融、工业等行业算力需求增加。然而我国数据资源管理和利用整体依旧处于起步阶段，目前还存在数据有效供给不足、算力还需适度超前布局、数据多元流通模式待完善、数据资产价值有待进一步评估释放、数据资产如何有效确权等挑战。二、趋势与展望（一）国际发展趋势1.美国政务开放机制：美国联邦政府于 200918、 年通过实施开放政府指令推动政府数据开放的进程。其核心是建立“一站式”政府数据服务平台，通过该平台，联邦和各州政府、不同部门和民间组织能够集中上传各类数据集，涵盖经济、医疗、教育、环境和地理等多领域数据，有助于数据集成与共享，也为开发人员提7供二次开发和加工数据的就业机会。多元数据交易模式：美国当前采用多种数据交易模式，以适应不同需求。主要模式包括 C2B 分销、B2B 集中销售和 B2B2C 分销集销混合三类。C2B 分销模式，是个人用户将自己的数据贡献给数据平台以换取一定数额的商品、货币、服务、积分等对价利益。B2B 集中销售模式，即以美国微软为首的数据平台以中间代理人身份为数据的提供方和19、购买方提供数据交易撮合服务。而最后的 B2B2C 模式较为突出，占据美国数据交易产业主流。是由数据经纪商收集用户个人数据，并以中间代理人的身份进行转让和共享。平衡数据安全与产业利益：尽管美国尚未制定涵盖整个联邦层面的数据保护法规，但在涉及数据安全的问题上，各行业领域都有相应的分类法规。却并没有加速整体数据保护法规的推进。这表明在美国，数据安全与产业利益之间存在一定的平衡考量。数字合作战略：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、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20、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.欧盟积极推动数据开放共享：欧盟提出构建专有领域数字空间战略，覆盖了多个行业和领域，包括制造业、环保、交通、医疗、财政、能源、农业、公共服务和教育。该战略旨在推动公共部门数据开放共享、科研数据共享以及私营企业数据分享。完善顶层设计：基于 GDPR，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，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。21、3.英国商业模式多元：开放银行战略提供了六种可能的商业模式，包括前端提供商、8生态系统/应用商店、特许经销商、流量巨头、产品专家和行业专家。例如，金融科技公司和数字银行可以作为前端提供商，通过为中小企业提供降本增效服务来换取数据。流量巨头则作为开放银行产业链的支柱，掌握着资产和资本流动性的控制权。这种多元商业模式的设计为金融服务商和企业提供了更灵活的运营方式。英国已经有 100 家金融服务商参与了开放银行计划并提供了创新服务，数据交易流通市场逐渐初具规模。采用 API 技术开放金融市场：英国的开放银行战略致力于通过采用 API 技术开放金融市场，使金融数据更广泛地流通。通过安全的 API，英国22、金融服务商与中小企业能够更加便捷地共享数据。金融服务商可以通过与中小企业的数据交流，提供更定制化、高效的服务，从而建立更紧密的业务关系。这一机制旨在打破传统金融数据封闭的格局，促使金融服务商更好地适应市场需求。4.德国标准化通信接口：德国的数据空间采用标准化通信接口，使不同系统和平台能够有效交流数据。这有助于消除数据交流中的障碍，提高数据的互操作性和可访问性。数据权属和控制：数据空间的重要特征是用户对其数据的所有权和控制权。用户能够决定谁有权访问他们的专有数据，同时提供访问的目的。这种机制使用户能够监控并持续掌控其数据的使用情况。国际支持和合作：德国数据空间已得到 20 多个国家和 118 家23、企业和机构的支持，其中包括中国、日本、美国等。这表明该虚拟架构在国际范围内获得了广泛认可，吸引了全球性的关注和合作。5.日本日本创新了“数据银行”交易模式，旨在最大化释放个人数据的价值，提升数据交易流通市场的活力。该模式的核心在于通过数据银行，以契约为基础，充分管理个人数据，并在获得个人明确授权的前提下，将数据作为资产供应给数据交易市场进行开发和利用。数据管理与分类：数据银行对个人数据进行分类管理，包括行为数据、金融数据、医疗健康数据以及行为嗜好数据等。通过个人数据商店进行有效管理，确9保数据的安全性和隐私保护。在明确授权的情况下，这些数据成为可以流通和交易的资产。业务范围：数据银行主要从事数24、据保管、贩卖、流通等基本业务，并涉足个人信用评分业务。通过这些业务，数据银行在遵循日本个人信息保护法的基础上，为数据权属界定提供自由流通的原则。不过，对于医疗健康数据等高度敏感信息，数据银行设有除外规定，以确保敏感信息的妥善处理。6.新加坡通过实施“智慧国家”战略，强化数据治理，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25、节点城市。（二）国内发展趋势我国国内各行业在数据资产方面的能力分布存在明显的差异。目前企业的数据资产活动主要局限于数据平台建设以及尚未建立起专业化的数据资产管理团队。工业制造、软件与信息技术、医疗保健、教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认识不足，缺乏推进动力，在这些行业领域，数据管理的工作重点在于企业核心业务的数据质量管理和数据标准化落地。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，对数据资产的理解和重视程度更高，也设立了专门的数据资产管理组织，以加强数据治理、资产管理、技术创新、场景应用，分析和服务。（三）新行业发展展26、望未来三年，数据资产新行业将继续保持快速发展的态势。随着技术的不断进步和应用场景的不断拓展，数据资产的价值将得到更深入地挖掘和利用。同时，数据资产的流动和利用将更加便捷和高效，数据交易所、数据市场、数据平台等10基础设施将不断完善。以下是部分数据资产新行业示例：1.离散制造行业离散制造行业包括机械制造、汽车制造等领域，数据资产的应用有助于优化其生产流程、提升产品质量。随着工业 4.0 的推进，离散制造行业逐步向智能化、数字化转变。智能化、自动化水平持续提升，数据驱动的柔性制造将成为主流。未来，离散制造行业将更加注重数据资产的价值挖掘，推动产业升级。2.消费品行业数据资产的应用有助于消费品企业精27、准把握市场需求，优化产品设计和营销策略。为此消费品行业面临着消费升级和渠道变革的双重挑战。展望其个性化、定制化消费，数字化营销和全渠道布局将成为关键。亟需继续深化数据资产的应用，推动品牌创新和渠道升级。3.流程制造行业数据资产的应用有助于提升流程制造行业的生产效率、降低能耗和排放。为此流程制造行业对生产效率、成本控制和环保要求日益提高。未来，流程制造行业将更加注重数据资产的智能化应用，推动绿色生产和可持续发展。智能化、绿色化将成为流程制造行业的重要发展方向。4.钢铁冶金行业数据资产的应用有助于钢铁冶金企业提升生产效率、优化产品质量和降低能耗。为此钢铁冶金行业面临产能过剩、环保压力等挑战。将依托28、数据资产，推动产业转型升级，实现高质量发展。同样智能化、绿色化、高端化将成为钢铁冶金行业的发展展望。5.工业化工与造纸行业数据资产的应用有助于企业优化原料采购、提升产品质量和降低能耗。为此工业化工与造纸行业对原料成本、产品质量和环保要求高度敏感。未来，该行业将借助数据资产，推动技术创新和产业升级，以数字化、绿色化、智能化成为工业化工与造纸行业的发展展望。116.制药与医药流通行业数据资产的应用有助于提升制药企业的研发效率、优化医药流通企业的供应链管理。为此制药与医药流通行业对产品质量、安全性和流通效率有严格要求。该行业将借助数据资产，提升产品质量和流通效率，确保患者用药安全。以数字化、智能化、29、合规化将成为制药与医药流通行业的发展展望。7.食品饮料行业数据资产的应用有助于食品饮料企业精准把握市场需求、优化产品设计和营销策略。为此食品饮料行业面临消费升级、健康饮食等趋势的挑战。食品饮料行业将借助数据资产，推动产品创新和市场拓展。以个性化、健康化、数字化将成为食品饮料行业的发展展望。对于酒业、装备制造、能源、交通运输与物流、航空与机场、公用事业、建筑、地产、现代服务、医疗、酒店餐饮、零售分销、贸易、互联网、农牧、国资监管与投资控股、金融等其他行业，它们在 2023 年 6 月至 2024 年 6 月期间数据资产年的背景下也各自展现出不同的趋势和展望。这些行业普遍关注数据资产的质量标准、隐30、私与合规、确权与估值、运营和应用等，以推动业务创新、提升运营效率、优化客户体验。总体而言，随着技术的不断进步和应用场景的拓展，数据资产将在各行业中发挥越来越重要的作用。各新行业将积极拥抱数据资产，推动产业升级和高质量发展。随着数字化转型的加速发展，数字经济逐渐成为重组全球要素资源、重塑全球经济结构的重要力量。数据资产是由组织（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、传感信号等机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益。数据资产可以通过数据分析、数据挖掘、数据交易等方式，为企业创造新的价值、优31、化业务流程、提高效率和竞争力，以全局性，多角度，全生命周期的视角支撑企业战略规划和经营决策，为企业带来持续的发展动能。121.数据资产发展趋势（1）数据资产政策环境持续优化2023 年 2 月，数字中国建设整体布局规划正式发布，强调打通数字基础设施大动脉，畅通数据资源大循环，构建国家数据管理体制机制，释放商业数据价值潜能，加快建立数据产权制度，开展数据资产计价研究，建立数据要素按价值贡献参与分配机制。2023 年 8 月 13 日，国务院发布关于进一步优化外商投资环境加大吸引外商投资力度的意见，强调要提高投资运营便利化水平，探索便利化的数据跨境流动安全管理机制。2023 年 10 月，国家数据32、局正式挂牌。2023 年 12 月，国家发展改革委、国家数据局联合发布数字经济促进共同富裕实施方案，提出推进数字基础设施建设，引导数据要素跨区域流通融合，旨在推动数字技术和实体经济深度融合。同期，国家发展改革委、国家数据局、中央网信办、工业和信息化部、国家能源局联合发布关于深入实施“东数西算”工程加快构建全国一体化算力网的实施意见，提出推动算力、数据、算法融合发展，深化行业数据和算力协同应用，构建可信计算网络环境，促进安全可信的数据共享交换和流通交易。国家数据局等 17 部门联合印发“数据要素 x”三年行动计划（20242026 年），以推动数据要素高水平应用为主线，以推进数据要素协同优化、复33、用增效、融合创新作用发挥为重点，强化场景需求牵引，带动数据要素高质量供给、合规高效流通，为推动高质量发展、推进中国式现代化提供有力支撑。顶层设计的持续完善带动了全国多省市陆续开展数据开放、数据交易领域的探索实践，充分激活了数据要素市场活力，发挥数字经济对经济社会的基础性作用，推动我国数据要素市场化发展加快落地。（2）数据资产应用意识不断加强数字资源是数字经济时代的重要生产要素之一，是企业保持核心竞争力、提升创造能力的关键驱动因素。随着企业数字化转型政策的出台，企业数据资产应用意识不断加强，企业内部设置数据管理岗位，定期采集数据使用诉求，跟踪数据应用效果，主动赋能业务发展.越来越多的企业选择参与34、到 DCMM 贯标评估工作中，通过“以评促建”的方式加快数据资产管理能力建设。同时，得益于数据素养和数据技能的持续提升，数据使用者逐渐形成主动消费的意识和能力，进一步促进了数据应用向更广更深的领域发展。13（3）数据资产规模继续扩大依据国家数据局发布的数字中国发展报告（2023 年），2023 年数字中国建设取得积极进展。数据基础制度建设步伐加快，上下联动、横向协同的全国数据工作体系初步形成。数字基础设施不断扩容提速，算力总规模达到230EFLOPS，居全球第二位；先进技术、人工智能、5G/6G 等关键核心技术不断取得突破，高性能计算持续处于全球第一梯队。数据要素市场日趋活跃，数据生产总量达 35、32.85ZB，同比增长 22.44%。2023 年，全国数据存储总量为 1.73ZB，新增数据存储量为 0.95ZB，生产总量中 2.9%的数据被保存。图图 1-11-1 数据来源分布情况数据来源分布情况图源：全国数据资源调查工作组结合数据可以看到，尽管存储数据中，有大量数据因为数据加工能力的局限性未被深度挖掘，致使数据价值被低估，但从总量来看，数据资产的规模依然呈现持续扩大的趋势。（4）数据资产应用领域广泛拓展数据资产的应用范围正在广泛拓展，在金融、零售、制造、医疗等多个领域发挥着重要作用。通过对数据的收集、存储、分析和应用，企业可以更精准地把握市场趋势、深入理解客户需求，进而优化业务流程36、。但各行业的数据资产应用14能力存在较大差异，金融行业、互联网行业、通信行业、电力零售行业等因其行业特性较早享受到数据带来的正向反馈，对数据资产重要性的认知随之提升，以强大的内驱力推动业务数据化，积极参与数据要素流通，发展数据资产管理部门，进行更深层次的数据资产应用，但工业和制造业、医疗行业、教育行业等传统行业在数据资产应用方面仍处于初级阶段，主要开展数据标准化、数据质量管控等工作，数据资产管理意识和动力仍有较大上升空间。（5）数据资产安全问题得到重视在 2023 年全球公开报道的 246 起数据安全事件中，数据泄露事件占比高达67.5%，泄露数据超过 51.8TB，共计 103.8 亿条。奇37、安信威胁情报中心监测显示，2023 年仅在暗网及黑产平台上交易的境内机构泄露数据就多达 60.8TB，共计720.4 亿条，两项指标均超过全球媒体公开报道事件的统计数据。在境内机构泄露的数据中，涉及个人信息的数据多达 586.8 亿条。其中，互联网、IT 信息技术和能源行业是泄露数据量最多的行业。图图 1-21-2 全球数据安全事件公开报道类型分布对比全球数据安全事件公开报道类型分布对比图源：2023 中国政企机构数据安全风险分析报告我国正在逐渐明确数据安全监管红线，为数据安全建设提供政策保障。2023年 12 月 15 日，国家数据局发布“数据要素”三年行动计划（20242026年）（征求意38、见稿）指出，加强数据安全保障。落实数据安全法规制度，建立15健全数据安全治理体系，完善数据分类分级保护制度，落实网络安全等级保护、关键信息基础设施安全保护等制度，加强个人信息保护，提升数据安全保障水平。同月 18 日，中央网络安全和信息化委员会发布关于防治“指尖上的形式主义”的若干意见，指出要加强分类防护，落实网络安全、数据安全、关键信息基础设施安全保护、个人信息保护等相关法律规定，加强全生命周期数据安全管理，依法依规保护数据和个人信息安全。国家层面通过构建数据安全管理体系，形成数据安全分类分级标准，有效确保数据资产安全可控。同时，企业自身也开始加强内部数据资产的规范化与制度化建设，开展数据安39、全合规内外部审计，制定数据资产管理的风险应急机制，保障数据资产的安全性和隐私性。2.数据资产未来展望（1）技术创新驱动数据资产发展一方面，随着 5G、AI、物联网技术的创新发展及智能设备的规模应用，数据资产原始数据规模将不断扩大，数据存储能力也将随着硬件技术的更新迭代和成本降低得到显著提升；另一方面，为应对更复杂的数据资产，智能化的“专业工具”会逐渐成为数据资产的主要管理方式，实现更广泛地覆盖数据资源化、数据资产化等环节，帮助数据使用者挖掘数据价值，扩大数据适用范围，推动数据资产市场化进程。（2）一体化管理激发数据资产活力数据资产全生命周期中涉及开发、管理、运营等多个环节，传统的数据资产管理通40、常由多项活动和解决方案组成，分散的管理模式会造成各环节之间的脱节，进而降低数据从生产端到交易端的开发效率和应用活力。企业内部应当设置专业化、复合型数据资产管理组织，在构建数据资产管理认责体系的基础上，培养数据文化，提高数据素养，构建良好的沟通协作机制，建立一体化的数据资产管理机制，结合外部政策体制和底层数据设施分析数据资产市场现状，优化管理资源，提高管理效率，实现数据资产不同阶段管理的敏捷协同，避免开发阶段的规范问题滞后影响末端交易或数据交易末端难以向前端实现有效反馈等情况。（3）规则优化畅通数据资产渠道一方面，完善交易评估体系，建立科学规范、契合行业特征的评估制度，通过分类选取、分行业探索的41、方式确立适用的数据资产评估指标、方法，明确数据16资产的业务应用场景，构建数据资产运营体系，及时完善数据资产披露制度，提高数据交易市场透明度，促进数据资产价值转化，推动数据资产市场健康发展；另一方面，统筹数据资产交易平台建设，统一交易标准，加快推动数据要素市场化配置改革，全面提高数据资源开发利用水平，让数据“供得出、流得动、用得好、保安全”，建立完善数据资产入市退出机制，鼓励企业从内部使用转向外部流通。（4）跨界融合丰富数据资产生态通过制定修订各行业数字化转型、产业交叉融合发展等应用标准，引入多维度数据、多类参与方、多种产品形态构建更加多元的数据生态，持续拓展数据应用场景和数据合作方式，打破企42、业数据堡垒，从项目式的垂直独立“烟囱式”开发模式转变为运营式的横向贯通共享服务模式，逐步实现真正的数据透明化，克服数据孤岛、数据质量参差不齐等影响数据资产转化的问题，以培养包含数字型人才、管理型人才、技术型人才、业务型人才的管理团队为抓手，培育新产业、新模式、新动能，充分实现数据要素价值。（5）监管体系保障数据资产安全在国家发布的网络安全法数据安全法个人信息保护法和关于防治“指尖上的形式主义”的若干意见 等法规政策要求下，构建技术标准体系，编制数字化标准工作指南，明确数据权属、数据责任、数据保护、数据惩罚等方面的法律规定，为数据资产的确权、估值、入表、交易、安全等提供法律依据和保障。构建数据安43、全管理体系，形成数据安全分类分级标准，完善数据安全保障体制，建立隐私保护、风险防范的合规审查制度，确保数据资产安全可控，建设兼顾企业发展与合规需求的监管体系，守住数据资产安全底线。17第二部分第二部分 数据资产价值数据资产价值一、数据资产价值整体概述（一）数据资产价值特征1.数据资产价值具有业务附着性数据资产是由过去的交易或经营事项形成，企业业务的发展或管理的需求而采购已有的数据或通过信息化和数字化运营而生成数据，并通过有效地治理而形成有经济收益潜力的数据资产。因此，数据资产的价值属性粘连于企业业务而存在，具有业务附着性特征。考虑到这一特征，企业数据资产的价值实现路径分析和价值评估均应充分融合44、企业业务特征。2.数据资产价值具有场景依赖性独立的数据并没有价值，数据附着于一定业务需求，形成了潜在可预期的经济利益，这形成了数据资产，数据资产运用于一定业务运营场景，或为业务的开展赋能提升业务效率，或被植入业务模型中提高产品质量。业务数字化和产品数字化创新出数据产品，助力企业业务的转型与升级，此外，数据资产的价值实现场景具有多维特征，企业可以同时拥有不同类型的数据资产，且同时开创不同的业务场景。同类数据资产可以在不同场景下实现不同的价值，相反，不同类型数据资产组合可以在同一场景下实现同一价值目标。同时，数据资产能够赋能于企业全价值链业务环节，也可形成有价值的数据产品在市场中与不同价值主体进行45、交易，为企业实现新的业务增长极。这种多元的业务场景和交易场景为数据资产的估值带来了困难。3.数据资产的价值实现同时在货币与非货币交易模式数据资产的价值实现有两条路径：首先，数据资产运用到价值链各个环节，通过融合其他资产或赋能其他资产实现业务或管理效率的提升，进而通过对其业务赋能、产品创新驱动或决策支持这种非货币交易模式为企业带来经济效益和社会效益。其次，数据资产产品化后到市场上进行交易而实现货币化的价值增值。因此，企业可以通过对数据的良好运营与管理，实现数据与业务有机融合的同时，18创造独特的数据产品，同时实现货币与非货币化价值模式。4.数据资产价值具有波动性由于数据价值具有时效性、业务附着性46、和场景依赖性，而企业的业务和场景可能随着市场需求的变化和需求主体战略的变化而变化，这就导致同一数据资产的价值可能在不同的时点具有不同的价值。（二）数据资产价值评估及入表数据资产化是指数据资源先经过明晰权属关系，被加工处理为可获益数据产品，参与流通交易并为使用者或所有者带来经济利益资产的过程，由于数据资产自身表现出无形资产和有形资产的双重特征，对数据资产进行可靠的货币计量并不容易。2024 年 1 月 1 日企业数据资源相关会计处理暂行规定实施，也将数据资产的价值进行评估有了明确的依据和规范。目前数据资产评估常用的三种方法分别为市场法、收益法、成本法，主要从数据资产的完整性、准确性、时效性等方面47、进行评估，以确保评估结果的科学、准确、可靠。对于企业而言，在数据资产目录和数据资产评估结果的基础上，进行数据资产确认和应用场景研判，最终登记入财务报表，成为企业的无形资产、存货或开发支出，其通过资产负债表的形式向公众进行披露其数据资产运营情况。事实上，无论数据资产是否作为资产入表，企业的经营、管理和发展都需要考虑数据资产，都需要评估数据资产价值，进行数据资产运营，有效地提高企业经营效率和社会效益，这也是数字经济的浪潮中企业及各个主体需要面临的课题。（三）数据资产价值实现/倍增路径数据资产化的战略意义显现在助力数据价值持续释放之中。数据资产化即从原始数据逐步转变为数据资产的过程，从数据资产形成流48、通与应用的全流程看，数据资产价值实现路径主要包括数据资源化、数据产品化、数据资产化和数据资本化这四个阶段。191.数据资源化数据资源化是指了解不同数据的利用方式，并对数据进行探明和标识的过程。数据资源化会形成某种稀缺性，从而引出资源的优化配置需求。不同数据集由于质量、规模等差异，所蕴含的信息量和在不同部门之间的动态分布各有不同，从而构成数据要素流动的原动力。数据资源化涉及原始数据的获取与加工，经过数据采集、整理、评级、聚合等数据资源化全过程后，低价值密度的数据才被筛选处理成为有价值的数据资料。2.数据产品化数据产品化是数据资源创造交换价值的核心环节，通过对数据资源赋予创新型劳动和实质性加工，形49、成满足特定应用场景需求的数据产品。数据产品是以数据集、数据信息服务、数据应用等为可辨认形态的产品类型，是实现数据经营价值增值的重要阶段，为数据形成资产奠定基础。3.数据资产化即数据从原始数据逐步转变为数据资产的过程。从数据资产的形成过程来看，数据资产化是围绕数据的价值创造活动，包括数据采集、加工、治理、开发以及交易等诸多环节和流程，最终目的是推动数据向数据资产转化，激发和释放数据价值潜能。结合数据形态变化与价值实现的具体过程，数据资产化过程可以概括为：业务数据化、数据资源化、数据产品化、数据资产化四个阶段。从狭义角度理解，数据资产化指的就是数据资源完成入表并被确认为会计学意义上的资产。数据资产50、化是确定数据产品价值和价值兑现的重要依据，是以拓展经济效应和应用赋能为导向的进一步价值提升，可基于对外开放共享、内部专用、数据交易的方式完成数据资产化阶段的价值实现。4.数据资本化指通过数据交易、流通等实现数据要素社会化配置的过程。如数据可以通过变成等量资本直接入股，这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。数据资产化是在资产化基础上对财报中数据资产独立科目金融价值属性的挖掘，基于数据资产收益及价值共识，赋予数据金融属性，赋能完成数据增信、数据质押融资、数据资产证券化、数据作价入股、数据信托20等。5.核心实现路径数据要素化治理工程要素化是资产化的前提，数据要素化51、治理工程，作为实现数据资产化的核心路径，正逐渐成为各界关注的焦点。通过“三位一体”的综合治理模式，即制度安排、技术体系与市场体系的有机结合，全面促进数据资源的有效管理和价值释放。（1）制度安排：构建数据治理的法治与规范基石制度安排是数据要素化治理的框架基础，旨在通过科学合理的组织架构、健全的管理制度及完善的法律法规，为数据资产化进程提供坚实的保障。首先，组织架构应确保数据管理的集中统一与高效协同，明确各级数据管理职责，形成上下联动、横向协同的工作机制。其次，管理制度需涵盖数据采集、处理、存储、共享、安全等全生命周期管理，确保数据活动有章可循。再者，法律法规的建立健全是保障数据权益、促进数据流通52、和防止数据滥用的关键，包括但不限于数据隐私保护法、数据安全法及数据交易相关法规，为数据要素市场的健康发展提供法律支撑。（2）技术体系：搭建数据资产化的基础设施技术体系是数据要素化治理的实施工具箱，核心在于构建一个高效、安全、可信赖的数据基础设施。这包括但不限于：数据归集平台，实现多源异构数据的整合与标准化；数据安全存储解决方案，运用加密技术、访问控制等手段确保数据安全无忧；数据要素加工能力，利用大数据分析、人工智能等先进技术对数据进行清洗、分析、标签化，提升数据价值；以及数据要素流通网络，通过构建数据交易平台、数据交换协议等，促进数据在合法合规的前提下自由流动。这一系列技术设施的建设，为数据从53、资源到资产的转化提供了强大的技术支持。（3）市场体系：激活数据价值的流通与交易市场体系是数据要素化治理的活力源泉，旨在建立包含数据资源市场、数据要素市场和数据产品市场在内的多元化市场格局。通过设立透明的交易规则、公平的定价机制和有效的监管措施，激发数据市场的内在活力。数据资源市场侧重于原始数据的汇聚与供需对接；数据要素市场则专注于数据作为生产要素的评估、交易与确权；而数据产品市场则是基于数据加工后的增值产品和服务的交易场所。21这一系列市场的建立和完善，不仅能够促进数据资源的有效配置，还能推动数据价值的最大化利用，为数字经济的繁荣发展注入强大动力。二、数据资产的资产化实践（一）数据资产的战略定54、位数据资产化战略，是基于大数据时代的价值理论，在当前数字经济的背景下，将数据资产化作为企业战略的重点方向。数据资产化战略不仅可以提升企业核心竞争力，而且对企业实现数字化转型具有重要意义。随着全球经济一体化和信息技术快速发展，数据资源已经成为全球最为重要的战略资源。随着经济社会发展进入新常态，我国经济转型升级已经成为必然趋势。未来我国经济社会发展将会更多地依赖于数据资源，企业要想在激烈的市场竞争中保持竞争优势，必须重视数据资源的开发和利用。通过数据资产化来实现数据资源开发和利用是未来一段时期内企业在新形势下发展的必然趋势。因此，对于企业来说，数据资产化就是将企业的各种数据资源，通过数字化、智能化55、、自动化、标准化、产业化等手段进行管理和运营，为企业创造价值。而对于政府来说，数据资产化就是将数据转化为可交易的社会财富和公共服务资源。（二）企业数据资产化实践路径企业数据资产化的路径从企业数据战略规划开始，通过业务战略、信息系统、数据治理、数据标准与安全体系建设等工作，来促进企业的数据资产管理，实现业务价值。在企业数据战略规划阶段，企业需要根据自身的实际情况，通过对现有业务流程的梳理和优化，制定数据资产管理计划，明确各部门在数据资产管理中的责任和权限；通过构建数据资产管理平台、制定并发布数据资产目录，实现对已有系统、人员及业务流程的统一管理。在业务系统建设阶段，企业需要基于统一的数据标准和规56、范，以实现对企业各业务系统中的原始、脱敏、清洗、编码等处理后形成的元数据进行集中管理，并按照统一标准对外提供服务。221.构建企业数据管理平台，实现对企业数据的统一管理企业数据管理平台是基于企业的业务战略和数据标准，为企业提供从数据采集、存储、处理到分析、应用的数据服务体系。在数据管理平台的设计中，需要考虑如下几个方面：（1）数据管理平台需以数据资产目录为中心，围绕企业的业务需求进行设计，同时在设计中需要考虑用户的使用习惯和体验；（2）为保证企业数据安全，需要建立相应的权限控制机制，包括用户管理、权限控制、授权操作等；（3）平台应能够提供统一的元数据标准，包括主数据标准、元数据标准和分类标准等57、，以方便用户对数据进行统一管理；（4）平台需要提供一个完整的分析应用框架，支持对企业的各种业务场景进行分析和应用。2.建立数据标准体系，实现元数据集中管理数据标准和规范是企业数据资产管理的基础，可以为数据共享和交换提供统一的基础信息。不同类型的企业对数据标准有不同的需求，但总的来说，可以归纳为三种类型：（1）基础类：是指与企业数据相关的核心属性，包括元数据、主数据和基础信息。企业可以基于元数据和主数据设计建设标准体系，制定相应的标准规范。在实施过程中，还可以根据实际需求进行扩展，建立企业层面的通用数据标准。（2）平台类：是指用于数据交换和共享的平台，包括元数据管理平台、数据质量管理平台、安全管58、理平台等。在实际应用中，可以根据需求建立不同类型的平台，也可以直接使用这些平台提供的基础功能。（3）应用类：是指用于企业业务系统建设的通用功能，包括 ETL 工具、BI工具等。在实际应用中，可以根据需要选择合适的工具，实现对现有系统中相关元数据和主数据进行集中管理。在实施过程中，企业需要制定相应的标准规范和技术方案，包括元数据管理规范、元数据质量评估规范等。同时还需要对应用系统进行接口设计、数据库设计等工作。此外还需要建设一套完善的实施团队，从项目启动到项目验收完成需要开展一系列工作。如：对元数据标准进行宣贯和培训；根据业务需求设计系统23功能；进行技术方案评审等。（三）数据资产化流程实践案例59、1.协助完成贵州省首个数据资产入表案例贵州首个在贵阳大数据交易所助力下完成的环保数据资产入表案例落地。贵阳大数据交易所作为核心枢纽，积极牵头，联合交易所内注册并获取相关凭证的第三方服务机构，包括数据合规、数据资产评估机构，对贵州勘设科技公司数据资源进行深入调研分析，对符合资产定义的数据资源相关环节进行成本归集分析，最终确定可入表的数据资源。出具数据合规报告，数据资产评估审计报告等，完成数据入表关键链路节点，助力贵州勘设生态环境科技有限公司实现“污水厂仿真 AI 模型运行数据集/供水厂仿真 AI 模型运行数据集”作为数据资产入表，成为贵州首单数据资产入表案例。2.探索协助数据商通过在数据交易所平60、台完成数据资产化全流程路径贵阳大数据交易所数据资产流程运营实施步骤：（1）入表需求，贵阳大数据交易所（以下简称“贵数所”）收到数据资产入表机构需求，联合在贵数所注册认证的第三方机构协助企业提供数据资产入表流程指导，如咨询、培训、会议等方式；（2）联合调研，贵数所联合第三方机构组成小组（数据治理、安全、合规、审计等），到数据资产入表需求机构处（或线上）进行现场调研，确认入表需求后，指导入表需求主体完成数据商登记，获得数据商登记凭证；（3）资产登记第三方机构提出评估标的资料（包括数据资源的来源、权属、类别、开发成本、应用场景、流通方式等），数据资产入表需求机构填写所需资料，由第三方服务机构做对应服61、务内容，完成数据资产入表后至贵数所平台进行数据资产登记，由贵数所发放资产登记凭证；（4）资产流通，数据资产入表主体需要对资产进行管理及流通规划，可在贵数所挂牌后通过数据资产撮合交易，流通依据可采用获得的数据资产相关评估报告，或以动态评估服务结果为依据；（5）金融服务，通过贵数所对数据资产标的前端辅导、登记、流转等流程，与金融机构开发金融产品，为数据资产拥有主体提供金融服务；24（6）资产处置、流通，与金融市场形成金融产品挂钩的数据资产标的，通过在贵数所的抵质押登记服务，获得持牌服务机构主体进行抵质押处置，探索资本市场的数据资产类债券、作价入股及配套产品的开发及交易。三、数据资产的确权与估值定价62、（一）数据资产估值定价方法当前对于数据资产的评估和定价主要采用了两大类的方法，一是采用传统的成本法、收益法、市场法等货币化的方法，二是采用非货币化的基于信息学的评估定价方法。传统的数据资产评估与定价方法主要包括成本法、收益法、市场法或者相关方法的结合。成本法主要源于数据的收集、加工、处理、储存、应用等全流程均会产生一定成本；例如，上海德勤资产评估有限公司与阿里研究院利用重置成本与贬值计算数据资产价值。收益法则是由于数据在使用的过程中能给企业带来效益；市场法则从交易的角度，通过市场上同样或类似资产的近期交易价格调整来对数据资产价值进行评估。传统的资产评估与定价方法虽然可以得出数据资产的货币价值，63、但是也存在一定的局限性，例如，传统的成本法存在功能性贬值计量难、成本与价值不匹配等问题，收益法则因数据收益的高度不确定性，而无法客观评估数据资产的价值，市场法则由于数据交易市场的不成熟、寻找相似产品成本高昂而无法应用。信息学的方法大多考察数据在模型中的贡献、数据质量、数据隐私等指标，从而计算出数据的相对价值，但是信息学方法无法直接衡量数据在商业活动中的实际价值。由于数据的价值往往受到市场需求、竞争环境、行业发展等多种因素的影响，为了更准确地评估数据资产的价值，可以结合信息学与经济学的方法。考虑数据在市场中的需求和供给情况、数据对企业价值的影响程度，以及数据在不同场景下对决策和业务发展的影响，从64、而提高数据资产价值的评估准确性，更全面地评估数据资产的价值。25表表 2-12-1：数据资产估值与定价方法：数据资产估值与定价方法方法分类方法分类估值方法估值方法优点优点缺点缺点传统的资产评估与定价方法成本法计算简单成本和功能性贬值难以计算、与数据价值对应关系弱收益法综合考虑预期效益、折现率和效益期限等因素收益具有高度不确定性，数据资产对应折现率计算较为困难市场法可以反映数据资产真实价值适用性却受到市场活跃度、应用场景等限制衍生方法考虑数据资产开发和应用的不确定性计算较为复杂信息学方法模型贡献法可以通过衡量数据在数据挖掘等模型中对平台的贡献来确定数据资产的价值较少考虑与实际场景的结合，无法得到65、数据资产的货币价值统计指标法考虑数据统计量、数据隐私、数据质量等较少考虑与实际场景的结合，无法得到数据资产的货币价值（二）基于场景的数据资产估值定价方法美国学者 Robert Scoble 和技术专栏作家 Shel Israel 认为构成场景的五种技术力量包括移动设备、大数据、传感器、社交媒体、定位系统等1。从数据资产的应用场景出发，可以构建以“场景”为基础的数据资产价值计量体系，该体系包括价值链、行动集、要素场域等，价值链用来详细描述企业运营或者功能行为，通过对价值活动进行分解找出价值真正来源和关键节点，对价值链每一环节的产品或服务的增加值进行量化。行动体现在企业数据资源的分析和应用，推动内66、部流程创新和战略优势的建立，提升运营效率，促进企业特定价值达成，实现股东价值最大化，要素场域体现了企业的要素配置，可以通过建立企业战略地图，将企业的数据资产等无形资产26图图 2-12-1 基于基于“场景场景”的企业数据资产价值计量体系的企业数据资产价值计量体系图图 2-22-2 基于基于“场景场景”的企业数据价值链的企业数据价值链通过建立基于“场景”的数据资产价值计量体系，可以帮助企业更清晰地认识到数据资产的作用，从而更好地管理和利用数据资产，以数据驱动的方式提升企业整体竞争力和价值。27第三部分第三部分 数据资产管理数据资产管理一、数字资产管理的内涵数据要素时代，数据资产管理也是当前最受关67、注的关键词，数据资产管理是对企业所拥有的数据资产进行全面管理和利用的过程。它不仅关注数据的存储和管理，更强调数据的价值挖掘和利用。数据资产管理涉及数据资产目录的建立、数据价值的评估、数据应用的拓展等方面。通过数据资产管理，企业可以更好地理解和利用数据，将其转化为企业的战略资产，进而推动业务创新和价值提升。数据资产管理的重点是数据资产化和价值化，包括数据确权、数据估值、数据交易、产品加工、资产运维等；数据治理的重点是数据资产化前的活动，包括数据质量、数据安全、数据标准、元数据、主数据管理等；同时还需要组织、制度、流程、工具、考核等。其中，数据治理是数据资产管理的基础。数据治理是指在数据创建、评估68、、使用、控制等数据管理活动过程中，对组织内相关部门和人员权责的一系列规范和要求，包括了流程、角色、制度、标准等方面内容，以保障组织能够通过高效地使用数据实现其目标。狭义的数据治理指数据资源及其应用过程中相关管控活动、绩效和风险管理的集合，保证数据资产的高质量、安全及持续改进。在国内语境下，将数据架构、数据标准、数据质量、数据安全等一系列数据管理活动纳入数据治理范畴，取其“广义数据治理”。数据治理是为确保数据质量、安全性和有效性，而采取的一系列政策、流程和措施。它涉及数据的全生命周期管理，包括数据的收集、存储、处理、分析和共享等环节。数据治理的主要目的是通过制定数据标准和规范，确保数据在企业内部69、的一致性和准确性，从而为企业决策提供有力支持。因此，在进行具体的数据资产管理实践时，应涉及以下方面：数据治理结构与责任分配、数据质量标准制定、数据安全、数据隐私与合规、数据的生命周期管理和相关人才培养。28二、当前数据资产管理面临的挑战（一）数据治理结构亟待完善近年来，随着组织数字化转型的推进，大多数组织不得不面对越来越多的数据，通过对组织数据盘点，发现组织数据具备“异源、异构、异标”等特点，提升组织数字化转型的复杂度，给组织数字化转型推进带来很大的困难，各类型组织急需建设当前时代特征的数据治理组织以有效改善组织数据治理现状、提升组织数字化转型效率。数据治理需要一个完整的组织结构来管理和实施，70、但很多企业在组织结构上存在一些挑战，导致数据管理效率低下，主要表现在以下几个方面：部门间数据共享不畅。在企业内部，不同部门的数据可能存在重复、不一致的问题。因此，需要通过组织结构配套相关机制，开展数据共享。然而，由于部门之间的信息孤岛和组织架构等原因，往往会导致数据共享不畅。比如：某企业的市场部门和研发部门之间，由于各种原因，导致两个部门的数据不能共享，从而会影响企业的整体效率和竞争力。数据治理职责不明确。有的企业虽然有专门的数据治理团队，但这个团队的职责边界不清晰，导致无法有效地执行数据治理任务。比如：某企业的数据治理团队负责数据质量管理、数据隐私保护、数据安全等方面，但是他们缺乏与业务部门71、紧密合作的机制，导致难以有效地了解业务部门的需求和数据使用情况。数据治理流程不规范。有的企业由于数据治理流程不规范，数据的采集、处理、存储、传输等环节可能存在风险，导致数据泄露、数据损毁等问题。比如：某企业的数据采集环节存在人工干预，从而导致数据录入不规范和数据丢失等问题，影响了企业的数据质量和数据价值。（二）数据质量管理标准化程度不足数据质量管理的目标在于保证数据满足使用的要求。数据标准是衡量数据质量最基本的基准。数据质量要求各业务部门对相应数据领域的数据质量全权负责，按业务需求设计数据质量标准，制定数据质量管控目标，并遵循企业数据治理要求进行数据质量度量，制定符合各自业务情况的数据质量政策72、及数据质量相关的29改进计划，持续进行数据质量管控。数据质量是企业数据治理的核心，尤其是企业数字化转型过程中，由于数据来源的多样性和数据集成的复杂性，数据质量问题越发凸显。一方面，企业在收集和处理数据的过程中，可能会遇到数据源头不清晰、数据处理流程不规范，数据采集、处理和存储过程中也会出现如数据缺失、数据不完整，数据处理过程中可能会遇到数据重复、冗余等问题，导致企业无法获取到完整的数据集等问题，从而导致数据在采集不规范，据质量下降，也对数据合规、数据分析的准确性带来风险。另一方面，不同部门或系统使用的数据格式、字段命名、数据类型等可能存在不统一的问题，这也会导致数据质量问题。企业需要建立统一的73、数据标准化和规范化标准，以确保数据的一致性和可比性。数据价值有待挖掘。由于现阶段企业数据中心的主要任务是数据归集，缺乏对数据资产价值的挖掘，无法利用数据分析降低企业整体的运营成本，更难以提升企业数字化管理水平。（三）数据安全合规压力日益增大随着大数据、人工智能技术的飞速发展，数据作为关键生产要素的角色日益显著，其在推动社会进步与经济转型中的核心作用不言而喻。与此同时，数据的深度挖掘与价值释放伴随着一系列严峻的安全挑战，例如数据泄露事件频发，一旦个人敏感信息落入不法之手，可能导致身份盗窃、财务诈骗、个人名誉受损等严重后果。对企业而言，除了面临高额的赔偿费用，品牌信誉的损失更是难以估量。随着全球数74、据流动的频繁与数据泄露事件的频发，国际社会对于数据保护的标准和要求正趋向一致。以 GDPR 为代表的严格数据保护法规，不仅在欧盟内部产生了深远影响，也促使其他国家和地区纷纷修订或出台新的数据保护法律，推动了国际间数据保护标准的逐步趋同。这一趋势要求跨国企业在设计数据处理政策时，需具备全球视野，确保在全球范围内的一致性和合规性。欧盟发布通用数据保护条例（GDPR），设立全球最严格的数据保护标准，要求企业无论位于何处，只要处理欧盟居民的个人数据就必须遵循。国内方面，政府相继颁布了 中30华人民共和国数据安全法与中华人民共和国个人信息保护法等法律法规，如表 3.2.1 和表 3.2.2 所示，标志着75、我国数据安全与个人信息保护体系步入了法制化、系统化的轨道。监管机构亦加大了执法力度，从多维度入手，如个人信息保护、数据跨境传输安全管理、应用程序合规性审查等，实施穿透式监管策略，旨在构建一个健康、有序的数据生态环境。公众意识层面，随着信息时代的深入，用户越来越意识到个人数据的价值及其潜在风险，对企业的数据处理行为提出了更高的要求。他们期待企业能够透明地处理数据，给予其更多的控制权，并确保数据的安全与隐私。在此背景下，企业面临的数据安全合规压力日益增大，建立健全的数据安全合规管理体系成为当务之急，旨在构建一张坚固的数据法网，确保数据活动在合法合规的框架内进行。人工智能技术在数据治理中的应用日益广76、泛，如自动化数据质量检测、数据分类和数据血缘分析等。根据权威研究机构的研究，预计到 2025 年，企业的数据利用率将达到 86%，全球将有 97%的数据治理流程采用人工智能技术。人工智能生成内容（AIGC）技术在数据隐私与数据合规方面带来了一系列深远的影响，也是多方面的，既带来了挑战也提供了机遇。在数据隐私方面，人工智能的发展和应用带来了一些新的挑战和问题。人工智能需要大量的数据来进行训练和优化，这些数据的来源可能包括用户的个人信息、医疗记录、财务信息等等，这些数据都涉及用户的隐私。随着数据隐私保护意识的提高，用户对于数据的隐私保护也越来越重视，而人工智能的应用也需要考虑数据隐私保护的问题。人77、工智能技术的发展也带来了新的数据泄露风险，例如数据被黑客攻击、数据被泄露等等。在数据合规方面，人工智能也带来了新的挑战和问题。人工智能的应用需要遵循相关的法律法规和标准，例如欧盟的 GDPR 和美国的 HIPAA 等等。人工智能的应用也需要考虑到数据的合规性，例如数据的收集、存储、使用和共享等方面都需要符合相关的法规要求。人工智能技术的应用还需要考虑到数据的道德和伦理问题，例如数据的收集和使用是否符合伦理原则、是否尊重了用户的权利等等。表表 3-3-1 1 个人信息保护相关法律法规文件个人信息保护相关法律法规文件序序号号文件名称文件名称发布时间发布时间适用范围适用范围311中华人民共和国个人信78、息保护法2021 年 8 月 20 日适用于在中国境内处理自然人个人信息的所有活动2全国人民代表大会常务委员会关于加强网络信息保护的决定2012 年 12 月 28 日加强网络信息保护的相关要求和措施3电信和互联网用户个人信息保护规定2013 年 7 月 16 日提供电信服务和互联网信息服务过程中收集、使用用户个人信息的活动4规范互联网信息服务市场秩序若干规定2012 年 3 月 15规范互联网信息服务市场秩序5工业和信息化部关于进一步提升移动互联网应用服务能力的通知2023 年 2 月 6 日提升移动互联网应用服务质量的所有相关方面6工业和信息化部关于开展信息通信服务感知提升行动的通知20279、1 年 11 月 01 日信息通信服务感知提升行动的所有相关方面7工业和信息化部关于开展纵深推进 APP 侵害用户权益专项整治行动的通知2020 年 7 月 22 日APP侵害用户权益专项整治行动的所有相关方面8工业和信息化部关于开展 APP侵害用户权益专项整治工作的通知2019 年 10 月 31 日APP侵害用户权益专项整治行动的所有相关方面表表 3-23-2 网络安全和数据安全相关法律法规文件网络安全和数据安全相关法律法规文件序号序号文件名称文件名称发布时间发布时间适用范围适用范围1中华人民共和国网络安全法2016 年 11 月 7 日网络运行安全、信息安全、监测预警等网络安全管理活动280、中华人民共和国数据安全法2021 年 6 月 10 日数据收集、存储、使用、加工、传输、提供、公开等数据处理活动3反电信网络诈骗法2022 年 9 月 2 日预防、遏制和惩治电信网络诈骗活动4关键信息基础设施安全保护条例2021 年 4 月 27 日关键信息基础设施的安全保护工作325公共互联网网络安全威胁监测与处置办法2017 年 8 月 9 日公共互联网网络安全威胁监测与处置6通信网络安全防护管理办法2016 年 5 月 4 日通信网络的安全管理与防护工作7电话用户真实身份信息登记规定2013 年 7 月 16 日电话用户真实身份信息的登记管理8网络安全审查办法2022 年 1 月 4 日81、网络安全审查工作9公共互联网网络安全突发事件应急预案2017 年 11 月 14 日公共互联网网络安全突发事件的应急处理10加强工业互联网安全工作的指导意见2019 年工业互联网安全工作的加强11网络产品安全漏洞管理规定2021 年 7 月 12 日网络产品的安全漏洞管理12工业和信息化部关于加强车联网网络安全和数据安全工作的通知2021 年 9 月 15 日车联网网络安全和数据安全工作13网络产品安全漏洞收集平台备案管理办法2022 年 10 月 25 日网络产品安全漏洞收集平台的备案管理14车联网网络安全和数据安全标准体系建设指南2022 年 2 月 25 日车联网网络安全和数据安全标准体82、系的建设15关于开展网络安全服务认证工作的实施意见2023 年 3 月 15 日网络安全服务认证工作16工业领域数据安全能力提升实施方案（20242026年）2022 年 12 月 8 日工业领域数据安全能力提升17工业和信息化领域数据安全管理办法（试行）2022 年 12 月 8 日工业和信息化领域数据安全管理18工业领域数据安全标准体系建设指南（2023 版）2023 年 12 月 19 日工业领域数据安全标准体系的建设19工业和信息化部等十六部门关于促进数据安全产业发展的指导意见2023 年 1 月 3 日数据安全产业的发展3320电信和互联网行业数据安全标准体系建设指南2020 年 183、2 月 17 日电信和互联网行业数据安全标准体系的建设数据来源：工业和信息化部（四）数据治理人才培养质量不足首先，培训内容与实际工作需求存在脱节现象。一些培训课程过于理论化，缺乏与员工实际工作场景的紧密结合，这导致学员在将所学知识应用到实际工作中时遇到困难。其次，教育资源的不足也是一个突出问题。培训师资队伍的规模有限，难以满足日益增长的培训需求。同时，缺乏优质的在线学习资源和实践案例库，这不仅影响了培训效果，也降低了学习体验的质量。此外，员工参与度的不均衡也是一个不容忽视的问题。部分员工对数据治理教育的重视程度不足，参与积极性不高，这直接影响了整体教育效果的提升。三、数据资产管理的多维优化路径84、（一）完善数据治理架构，理清部门责任分配1.数据治理的目标（1）盘活数据家底盘点数据资产：以业务架构为输入，梳理端到端的流程，基于业务流程盘点数据家底，既要做到不重不漏，也要颗粒度适中；构建数据资产目录：从企业视角统建企业级数据资产目录框架，逐步构建企业级数据地图，实现企业数据资产的动态管理。（2）统一数据规范统一数据规范一般包括以下几部分：定义数据管理组织，明确各类数据责任主体；建立企业级数据标准，包括统一标准的数据定义，减少数据定义的二义性；统一标准的数据定义：减少数据定义的二义性；统一标准的企业数据模型：该企业数据模型必须是一个全企业范围的定义库，能够跨应用、跨业务地完整表述企业数据的统85、一的完整数据视图；统一标准的存储管理：统一规划使用存储资源，34提高存储资源使用效率；统一标准的性能管理：根据实际业务需求，合理分配资源，确保对数据的访问性能能够满足业务的需要；统一标准的数据质量管理：数据管理需要通过应用标准方法论和原则，实现对有价值的商业信息和数据进行完整的生命周期的管理，从而支持公司的业务。另外，需要配套建立数据标准化管理制度和流程；搭建数据管理平台，提供工具支持等。（3）提升数据质量定义数据质量；以业务需求为指导，制定数据质量管理标准。对数据的准确性、完整性、一致性、有效性和唯一性等多个维度制定质量的测量指标。监控数据质量：在数据流转过程中设置数据质量监测点。对数据质量86、进行持续反馈、跟踪、报告与修复，从而达到数据质量持续改进的目标。（4）数据分析与应用在保证清洁、安全的前提下，全面拉通，提升业务效率精确统计和报告，提供数据洞察与分析支持增强 IT 建设灵活性，降低系统集成成本。2.数据治理的组织架构数据治理是一项需要企业通力协作的工作，而有效的组织架构是企业数据治理能够成功的有力保障。为达到数据战略目标，企业有必要建立体系化的组织架构，明确职责分工。不同的数据治理模式，对企业的数据治理水平、组织协同程度要求不同。自下而上的模式是基于底层数据治理的，对数据治理水平要求较高，数据治理水平包括数据基础（数据量、数据质量等）以及数据治理能力，数据治理能力主要体现在数87、据治理团队专业度以及数据治理体系（组织、制度及流程）完善度。这种模式对组织协同度要求相对较低，主要靠数据治理团队推动进行。自上而下的模式是基于明确数据应用进行数据治理的，相较于自下而上的模式，组织的协同性要求会更高，需要业务部门、数据部门配合实现，但整体以需求为主，对数据治理的水平要求一般。综合数据治理模式既治理现状，又规划未来，对组织协同性及数据治理水平均有极高要求。该模式需要动员企业的业务部门、技术部门、数据部门，同时需要企业各阶层（高层、中层、基层员工）的人员共同配合，全面盘点业务的痛点35及未来规划，同时梳理数据现状，规划数据未来，通常为战略项目、高层领导共同将企业数据治理水平推向一个88、新水平，同时完成数字化组织的转型。各模式对企业的组织协同性、数据治理水平的要求不同，企业应充分盘点企业的组织现状、数据现状、应用现状，初步评估企业数据治理水平、组织协同度，结合数据治理的目标，评估可行性，选择最佳模式。例如，自上而下形成的企业数据治理组织架构主要分为决策层、管理层、执行层和监督层 4 个层级，如图 3-1 所示。图图 3-13-1 数据治理组织架构数据治理组织架构（1）决策层的主要职责a.贯彻落实国家有关数据治理的相关法律、规定、方针和政策。b.负责制定和发布企业数据治理及数据资产管理相关的战略规划。c.负责对企业数据治理相关的重大事项进行决策。d.负责审批和发布企业数据治理相89、关的管理制度、流程及相关标准规范。e.负责指导、督促管理层和执行层开展数据资产管理工作，组织、协调跨部门的数据治理重大事项。（2）管理层的主要职责a.负责基于企业战略规划制订数据治理工作的发展规划，并报决策层批准、发布。b.负责制定、修订和发布数据治理相关的管理办法、实施细则和业务指导书，36构建公司的数据治理制度体系。c.负责组织制定企业级数据标准，统筹开展数据模型、数据分布、数据目录和元数据等管理工作。d.负责制定数据质量基础规则，明确管理要求，制定检查和考核指标，并提供数据质量问题的指导和协调。e.负责组织制定数据安全基础策略，构建企业级数据安全管控体系，配合公司安全和审计部门开展数据安90、全的监督和审计工作。（3）执行层的主要职责a.负责落实数据治理相关制度规范、数据标准和工作流程的要求，确保各项执行工作符合企业要求。b.负责根据管理层建立的数据架构落实本专业、本单位的数据模型、数据分布、数据目录和元数据管理等工作。c.负责基于管理层明确的主数据管理应用机制开展主数据消费、维护等工作，保障主数据的准确性、一致性和及时性。d.负责执行本区域、本专业数据质量管理，制定数据质量提升工作方案，落实数据质量管控机制，开展数据质量问题的识别、分析与整改。e.负责落实管理层制定的数据安全管理要求，配合开展数据安全监督与审计工作。（4）监督层的主要职责a.负责对决策层针对数据治理重大事项作出决91、策的过程进行监督，确保决策过程符合法律及企业规章制度的相关规定。b.负责对管理层制订的工作计划、各项预算、管理制度等管理工作进行监督，确保管理过程合法合规，且与企业数据战略方向一致。c.负责对执行层具体落实数据治理各项工作的过程进行监督，确保执行结果符合预期。d.负责定期配合审计部门对数据治理相关项目、操作行为、资金流向等进行全面审计，及时发现违规行为或潜在风险。e.负责在考核评价过程中提出在监督过程中发现的问题，并参与实际的考核评价过程。373.数据治理的责任分配（1）数据治理的角色职责数据治理的核心涉及建立策略、流程和程序，以确保组织数据的可用性、完整性和安全性。它是一个综合框架，涵盖了负92、责推动这一进程向前发展的各个关键参与者。通过了解这些角色，我们将认识组织如何成功应对复杂的数据治理。a.数据治理专家：数据治理专家负责设计和运营数据架构，确保数据管理策略与业务目标一致。他们需要具备数据管理、业务分析、沟通协调和风险识别能力，利用数据管理工具和技术提高数据处理效率，同时敏锐地识别和应对数据泄露等潜在风险。b.数据架构师：数据架构师是数据治理战略的制定者和执行者，负责数据资产的战略规划和数据架构设计。他们需要确保数据模型和数据流符合业务需求和技术规范，领导数据项目的实施与优化，并与不同部门协作推动数据文化的建设。c.数据所有者：数据所有者对特定数据集拥有所有权和权限，负责建立数据93、所有权边界，确保数据的适当使用和访问。他们需识别关键数据集，为利益相关者确定访问级别，并促进数据管理的决策流程简化。d.数据资产管理师：数据资产管理师负责数据资产的全生命周期管理，提升数据质量，支持企业决策，促进合规与风险管理。他们需要通过数据监控和优化，转化数据为经济效益，保护企业数据资产免受侵害。e.数据分析师：数据分析师负责收集、整理和分析数据，提供市场趋势、用户行为等洞察，支持业务决策。他们需要参与数据规划和采集，建设指标体系，进行商业智能分析，提高分析效率。f.数据工程师：数据工程师构建和维护数据基础设施，包括数据管道、数据仓库和 ETL 流程。他们需要确保数据的可访问性和扩展性，参94、与数据治理项目实施，制定数据标准和规范，负责平台运维和数据巡检。g.数据科学家：数据科学家运用统计学和机器学习知识，解决复杂问题，构建预测模型和优化算法。他们需要了解行业问题，深度理解数据，精通数据工具，从数据中提取有价值的信息，推动组织创新。（2）数据治理的责任分配为有效推进组织数字化转型，需以“决策支持，战略引导，数据、业务、技38术、流程、管理五元素有机结合”为基本原则，对数据治理组织的职责进行合理分配。表表 3-33-3 责任分配明细表责任分配明细表序号序号角色类型角色类型团队类型团队类型具体职责具体职责1决策支持中心决策团队组织资源调配整体战略设计2规划指导中心规划指导团队战略规划（95、业务战略、数据战略）实施路线规划、实施目标建设标准制定实施过程指导3数据治理执行团队数据团队数据标注数据开发数据存储体系建设数据资源编目4业务团队业务目标制定数据达标性评估5技术团队技术路径选择平台产品建设6流程团队数据流程建设业务流程建设综合性流程建设7管理团队实施过程监督制度体系建设阶段性目标管理a.决策团队决策团队负责整体战略设计，包括明确组织的长远发展目标、方向以及确定使命、愿景和核心价值观。此外，决策团队还涉及组织资源调配，确保通过合理分配和管理人力、物力、财力等资源来满足组织的目标和任务。在这一过程中，数据治理专家负责将数据治理策略与组织的长期目标相结合，参与到决策过程中，对数据架96、构和资产运营进行总体规划。数据治理专家的工作确保了数据治理工作与组织整体战略的一致性，支持决策团队实现资源的有效利用和战略目标的达成。通过这种协同合作，组织能够更高效地实现其愿景，并在数据驱动的决策支持下，持续推进其核心价值观和使命。b.规划指导团队规划指导团队肩负着组织发展蓝图的绘制与实现，其职责覆盖战略规划、实39施路线规划、标准制定以及实施过程指导。他们负责制定业务战略和数据战略，确立长期和短期的行动计划，以推动组织向着既定目标前进。此外，该团队还负责制定实现战略目标的具体步骤和阶段性目标，确立内部操作、管理和质量标准，确保组织的一致性和合规性，并在实施过程中提供必要的指导和建议，保障项97、目按计划和标准顺利进行。在规划指导团队中，数据架构师专注于将企业战略转化为具体数据架构设计，确保数据战略与业务战略的一致性，支持数据资产的战略规划，以及数据模型和数据流的设计，满足业务需求和技术规范。数据治理专家则在标准制定中起到关键作用，他们确保数据治理的标准和流程遵循行业最佳实践，并在实施过程中提供专业指导，帮助团队理解和执行数据治理的相关政策和程序，从而保障数据治理工作的有效性和符合性。c.数据团队数据团队在组织内承担着关键的数据管理和分析职责，他们的工作涵盖了数据标注、数据开发、数据存储体系建设以及数据资源编目。数据标注是对数据进行分类、标记或注释的过程，这为数据的进一步处理和分析奠定98、了基础。数据开发则是利用技术手段对数据进行加工、转换和整合，以提升数据的应用价值。此外，数据团队还负责构建包括数据库和数据仓库在内的数据存储基础设施，以及创建数据资源的目录或索引，从而便于数据的检索和使用。在这个团队中，数据分析师负责确保数据标注的准确性，他们通过商业智能分析为数据开发和业务决策提供深刻的洞察和建议。而数据工程师则专注于设计和实现高效的数据存储解决方案和 ETL 流程，他们确保数据的加工、转换和整合过程既高效又符合业务需求，支持数据的长期存储和管理。d.业务团队业务团队其责任主要分为两个方面：首先，他们依据组织的战略规划来设定业务部门或项目的具体目标，确保业务方向与组织愿景相一99、致；其次，业务团队还负责进行数据达标性评估，确保所用数据不仅满足既定的质量标准，也符合业务需求，从而保障数据能够支持业务的顺利进行和决策的有效性。在业务团队中，数据所有者通过对数据进行达标性评估，保障数据能够支持业务需求，从而在业务发展中起到关键支撑作用。同时，数据资产管理师在参与40业务目标的制定，并利用数据质量管理和分析来支持业务决策。数据资产管理师通过提升数据的质量、安全性和可用性，帮助业务团队提高业务绩效，促进组织目标的实现。f.技术团队技术团队负责技术路径选择，即在众多技术解决方案中筛选并确定最适合组织特定需求的路径，确保技术的应用能够与组织的目标和愿景相匹配。此外，技术团队还负责平100、台产品建设，开发和构建技术平台或产品，这些平台和产品是支持业务流程和数据管理的关键工具，它们为组织提供了强大的技术支持和灵活性。在这个团队中，数据工程师专注于评估和选择能够满足数据存储、处理和分析需求的技术解决方案。数据工程师利用其专业知识来构建高效、稳定且可扩展的技术平台，这些平台不仅支持当前的业务需求，也为未来的技术发展和数据增长提供了空间。g.流程团队流程团队在组织中承担着设计、优化和整合流程的关键职责，以确保数据和业务操作的高效性和一致性。他们的工作涉及数据流程建设，包括设计和实施数据收集、处理、分析和分发的流程，确保数据能够以一种系统化和自动化的方式被有效利用。此外，流程团队还负责业101、务流程建设，通过优化和标准化业务操作流程来提高整体的工作效率和效果。他们还推动综合性流程建设，整合不同业务和数据流程，形成跨部门或跨领域的综合流程，以促进组织内部的协同工作和信息流通。在这个过程中，数据治理专家参与数据流程和业务流程的建设，确保数据治理流程与业务流程的一致性和高效性，从而保障数据的准确性、完整性和合规性。数据治理专家通过他们的专业知识和经验，帮助流程团队识别潜在的数据治理风险，并提供相应的解决方案。同时，数据工程师实施数据收集、处理、分析的流程。他们利用技术专长提高数据流程的自动化和效率，通过开发和维护高效的数据管理系统和技术工具，确保数据能够快速、准确地被处理和分析。数据工程102、师的工作不仅提升了数据处理的速度，也加强了数据的质量和可靠性，为组织提供了坚实的数据支持。h.管理团队41管理团队主要负责实施过程的监督，确保项目严格按计划进行并达到预期目标。他们还负责制度体系的建设，通过建立和完善组织内部的规章制度来规范管理和操作，以及阶段性目标的管理，对项目或任务的阶段性成果进行跟踪和管理，确保整体目标的实现。在管理团队中，数据治理专家专注于监督数据治理项目的实施过程，确保项目不仅符合数据治理标准，也与组织的总体目标保持一致。他们通过专业的监督和指导，帮助项目团队遵循最佳的数据管理实践，从而提高项目成功率。数据资产管理师则参与到制度体系的建设中，确保数据管理流程的制度化和103、规范化。他们负责制定和维护数据管理政策，监控数据资产的使用情况，并管理阶段性目标，确保数据资产得到有效利用，支持业务的持续发展和组织的战略目标。（二）完善数据合规管控体系，确保数据使用全流程合规1.数据隐私保护和数据合规基本原则数据隐私与数据合规是数据安全领域中的两个核心概念，这两个概念在逻辑上紧密相连。数据合规是指组织在数据处理过程中所遵循的一系列规定、标准和最佳实践，旨在保护个人信息。数据合规包括数据收集、存储、使用、共享和公开等各个环节，涵盖了数据的整个生命周期。数据合规的主要目的是确保数据的合法、正当、安全、准确和完整，以保护个人信息免受损害。在数据驱动的时代，确保数据隐私与合规是维护104、企业和个人利益的基石。以下基本原则构成了有效数据管理和保护的框架：（1）最小化收集原则这一原则强调了数据收集的必要性和适度性，即企业应当仅收集实现特定、明确且合法目的所必需的个人数据。这意味着，在设计任何数据收集流程时，企业应首先评估哪些数据是达成业务目标不可或缺的，避免过度采集无关或非必要的个人信息。这一做法有助于减少数据泄露的风险，并减轻企业在数据存储与处理方面的负担。（2）透明度原则透明度原则要求企业在处理个人数据时，其操作过程应当对数据主体（即信息所属的个人）保持公开和透明。这包括清晰地告知数据主体数据将被如何收集、42使用、存储及可能的分享情况。企业应通过易于理解的隐私政策和通知来传105、达这些信息，确保数据主体能够轻易获取并理解这些细节，从而增强公众的信任和企业的责任感。（3）同意性原则同意性原则确保数据主体对自己的个人信息拥有控制权，即数据的收集和使用必须基于数据主体的充分知情和自愿同意。这意味着企业在处理个人数据前，必须获得数据主体的明确同意，而且这种同意应该是自由给予的，不能基于误导或强迫。此外，数据主体还应有权随时撤回其同意。（4）安全性原则安全性原则要求企业采取适当的技术和组织措施，以保护个人数据免遭意外丢失、未经授权访问、泄露、篡改或破坏。这包括但不限于数据加密、防火墙、访问控制、定期安全审计以及员工培训等措施。企业应不断评估和改进其安全体系，以应对不断演变的威胁106、环境。（5）问责制原则问责制原则强调了企业对其数据处理活动的责任。这意味着企业不仅需要遵守相关法律法规，还应能证明其合规性。这涉及建立全面的数据保护管理体系，包括制定内部政策、实施监控机制、进行定期合规审计以及设立数据保护官或相应的责任岗位。当发生数据泄露或违规事件时，企业应有能力迅速响应，采取补救措施，并按要求向监管机构报告。2.构建数据合规管控体系的具体措施企业应从制度建设、源头管理、过程控制到风险预警等多方面入手，形成一套完整的数据合规管控体系，以应对日益复杂的数据安全挑战，不仅保护用户隐私，也为企业的可持续发展奠定坚实的基础。构建合规体系时，应遵循合法性、透明性、最小必要性、责任明确等107、原则，确保数据资产处理活动在法律允许的范围内进行，同时保障个人数据主体的知情权和选择权，确保数据收集、使用目的明确，且仅限于达成特定、明确且合法的目的。同时，还需特别注意对于公共数据授权的合法性，以及公共数据资产的运营与开发进行合规管理，构建公共数据资产合规体系。（1）数据安全管理制度和培训43在构筑坚不可摧的数据安全防御体系过程中，数据安全管理制度与专业人员培训扮演着至关重要的角色，它们是确保金融机构数据资产免受威胁、维护客户信任的基石。a.构建数据安全防护管理体系企业应精心构建一套详尽的数据安全防护管理体系，该体系需覆盖数据从采集到销毁的每一个环节，确保每一项数据处理活动都能在严格的规范下108、进行。这包括但不限于：a.确立一套全面的数据保护管理规定，清晰界定机构的数据安全战略、方针、目标及基本原则；b.细化日常管理和操作流程，为数据处理各阶段制定具体的操作指引；c.基于“业务需求”与“最小权限”原则，精细化管理数据访问与使用权限，实施严格的审批流程；d.对外包服务及合作伙伴进行严格筛选与管理，通过合同约束其数据处理行为，明确权责并加强监督。在体系构建实践中，企业应秉持“三跨”理念跨部门组织协同、跨产品融合联动、跨业务综合运营，以此为指导，促进管理、技术和运营体系的深度融合，确保数据安全防护体系与组织运营、业务发展相辅相成，共同成长，创造出更大的价值。b.设计数据安全培训方案在快速变109、化的数据保护法律环境下，持续的员工教育与培训是确保合规的重要一环。企业应定期组织数据保护法律、最佳实践的培训，增强员工的隐私保护意识与技能，特别是针对处理敏感数据的关键岗位人员，更应进行深入的专业培训。通过教育和培训，确保每位员工都能在日常工作中自觉遵守数据保护规范，形成良好的合规习惯。企业应设计一套系统性的数据安全培训方案，定期（至少每年一次）组织员工参与，涵盖最新的法律法规、行业标准、技术规范以及内部管理制度等，全面提升团队的数据安全意识与实操技能。培训结束后，应实施效果评估、记录保存与归档，以闭环管理确保培训质量，为数据安全防线培养一支知识全面、技能过硬的专业队伍。通过上述多维度、深层次110、的策略与措施，企业方能在复杂多变的数据安全挑战中稳操胜券，守护好数据这一宝贵资产。（2）数据来源安全合规管控数据采集作为数据治理的起点，其重要性不言而喻，它不仅奠定了后续数据处理与分析的基础，更直接关联着数据的合法性和合规性。这一环节的规范与否，直接关系到企业能否顺利推进数据的利用，以及在数据要素市场中占据有利位置。44在数据治理中，首先数据采集需确保遵循个人信息保护法，尊重个人隐私并获取数据主体的知情同意，这是避免法律风险和维护企业声誉的基础。其次，数据合规需全链条监管，任何数据采集的瑕疵都可能引发连锁反应，影响整个数据链路的合法性和信任度，这不仅是合规部门的责任，也是企业高层的战略议题。再111、者，数据资产化、资本化时期，合法合规的数据来源对企业至关重要，不合规的数据可能导致法律制裁和市场流通障碍，对企业长期发展构成严重威胁。为了确保企业在业务实践中的数据采集行为既高效又合规，构建一套系统性的文件体系与操作指南显得尤为重要。这不仅有助于企业规避法律风险，同时也是维护数据主体权益、保障数据质量与安全的必要举措。a.数据采集业务情形梳理与关系厘清企业首先应全面梳理可能涉及的数据采集场景，明确自身在数据流通过程中的定位与角色，区分直接采集与间接获取的不同路径。针对与上游数据提供方、个人信息主体之间的数据处理关系，企业应制定一系列标准化的文件模板，包括但不限于数据采购协议、个人信息处理授权书112、等，确保在不同业务模式下，都能快速适配，高效推进数据采集工作。这些文件模板应详细列明双方的权利与义务，明确数据处理的目的、范围、期限及后续利用的限制条件，确保数据流动的透明度与合法性。b.爬虫技术使用规范与内部规则建设鉴于爬虫技术在数据采集中的广泛应用，企业需制定详尽的内部爬虫使用规则，引导业务人员在合法合规的前提下进行数据爬取。这些规则应涵盖：尊重网络空间的 Robots 协议。确保爬虫活动不会侵犯网站所有者的权益，遵守其设定的爬取规则。禁止使用违法技术手段。避免采用任何可能突破或绕过目标网站反爬虫机制的方法，确保数据采集行为的正当性。避免干扰正常经营活动。在爬取数据时，采取适当的技术措施，113、防止对目标网站的服务器造成过大的负担，保障网络空间的和谐共存。c.第三方数据来源审核机制与标准化流程构建针对第三方提供的数据，企业应构建一套严谨的审核机制与标准化的采购流程，确保数据来源的可靠性与合法性。具体包括：45供应商资质评估。优先选择数据质量高、信誉良好的供应商，通过考察其历史表现、客户评价及行业认证等，确保数据源头的纯净。需求合理性审查。审核业务部门提出的采购需求，判断其是否符合企业战略规划，排除违反法律、行政法规的高风险行为。协议条款合规性审核。在与数据供应商签订采购协议前，务必审查协议内容，确认供应商对数据来源的合法性作出明确承诺，必要时可要求供应商签署定制的数据采购协议模板，确114、保合同条款符合现行法律法规的要求。（3）数据处理安全合规管控为了实现数据处理管控的合法合规性，企业宜结合数据安全法个人信息保护法及配套规则构建相应内部管理制度，构建完善的数据合规管理体系，以便在实践中充分落实相应合规管控要求。现阶段，企业需重点构建的数据处理合规管控制度包括但不限于：a.数据分级分类制度根据数据安全法及相关行业规范，企业应建立数据分级分类制度，实现势图，帮助决策者快速理解安全态势，制定有效的风险管理策略。e.风险响应与通报机制。一旦监测到数据安全风险，企业应立即启动预先制定的风险处理预案，迅速采取行动，消除安全隐患，防止风险扩散。在发生数据安全事件时，企业应迅速采取补救措施，遏115、制危害的蔓延。此外，企业有义务在规定时间内向用户及有关主管部门报告数据安全事件，确保信息的及时传达。根据监管要求，如发生银保监会监管数据的重大安全风险事项，企业应在 48 小时内向归口管理部门报告；若涉及个人信息泄露、篡改或丢失，企业应立即通知履行个人信息保护职责的部门及受影响的个人，确保用户权益得到及时保护。（4）利用新技术应对监管a.自动化合规工具的应用一方面，利用隐私增强技术如加密技术、差分隐私、同态加密等，这些技术旨在允许数据在被分析或共享时保持一定程度的匿名性或安全性，从而在促进数据利用的同时保护个人隐私。另一方面，利用自动化工具和技术，如数据地图、合规性监控软件等，可以实时追踪数据116、流向，自动检测数据处理活动是否符合法46规要求，提高合规效率，减轻人工监控的压力。此外，零知识证明等高级加密技术的应用，使数据在验证过程中无需揭露具体内容即可证明其真实性，极大提升了数据处理的隐私保护水平。这些技术的发展和融合，预示着隐私保护与合规机制将更加智能化、自动化，为企业在确保合规的同时，最大限度地释放数据价值创造了可能。b.隐私影响评估与持续监控在引入新的数据处理技术或业务模式前，进行隐私影响评估（PIA），预测其对个人隐私的潜在影响，并根据评估结果调整方案以降低风险。同时，建立持续的监控机制，跟踪法规变动，确保数据处理活动始终保持合规状态，及时应对监管要求的变化。通过上述关键议题的117、深入探讨与实践，企业不仅能有效应对当前的数据隐私保护挑战，还能在未来日益严格的法规环境中保持竞争优势，实现数据资产的合规、安全与高效利用。（三）完善数据质量评估维度，构建全生命周期管理体系1.企业数据质量的评估维度数据质量是衡量企业数据能否适用于其预期用途的重要因素，是数字资产管理的重要基础，通常对于数据质量的衡量，从技术角度和业务角度两个方面进行评估，评估标准有多个维度：（1）准确性：数据是否准确地反映了所描述的实际情况，包括数据值的正确性、精度和唯一性。包括数据值的正确性、精度和统一。（2）一致性：一致性是指存储在不同系统中的同一个数据是一致的。此项主要明确企业所有系统中的数据是否一致，是118、否有重复数据。（3）完整性：完整性是指数据信息不能存在缺失的情况。数据缺失的情况可能是整个数据记载缺失，也可能是数据中某个字段信息的记载缺失。（4）时效性：时效性是指数据从产生到可以查看的时间间隔，如果数据延时超出统计的要求，则可能导致分析得出的结论失去了意义。此项指标主要明确当需要数据时是否可以即时拿到。（5）可发现性：可发现性是指用户能够快速地找到所需要的数据集，它涉47及评估数据目录的完整性和覆盖范围，数据搜索和检索功能的有效性、准确性以及检索的效率。（6）关联性：相关性是指数据之间的关联程度，此项指标主要明确不同数据元之间的数据的关联程度。包括数据关系图谱的完整性和可视化效果。（7）洞119、察力：洞察力指的是数据集和用户之间交互的容易程度，评估数据可视化效果和交互性，以支持数据洞察力的获取。数据报告和仪表盘的有效性和准确性。（8）可靠性：可靠性是指数据应遵循预定的语法规则的程度，应符合其定义，比如数据的类型、格式、取值范围等。此项指标主要明确企业系统里所有的数据值是否都在对应的字段里。（9）文档化：文档化是指根据相关文档的完整性和准确性，包括数据字典、数据描述和元数据等信息的记录和维护情况。2.数据质量标准制定与实施图图 3-23-2 数据质量标准制定与实施数据质量标准制定与实施（1）需求提出：业务团队根据业务建设需要提出数据需求。（2）标准制定：数据团队根据业务侧需求制定数据质120、量标准，包含元数据质量标准、数据质量标准；并进行相关数据标注。（3）规则建设：技术团队根据数据标准和数据标注信息，选择合适的技术工具建设数据质量规则。（4）制度建设：管理团队设计数据质量管理制度。48（5）流程建设：流程团队设计数据管理流程。数据质量标准是动态循环的过程，与业务建设需求息息相关。在不同的业务背景下数据质量标准有不同的定义。3.全生命周期管理体系的构建路径数据资产管理贯穿数据资产的全生命周期，包含数据资源盘点、数据资产化及数据资产评估三方面，如图 3-3 所示。图图 3-33-3 数据资产全生命周期管理体系数据资产全生命周期管理体系（1）数据资源盘点数据资源盘点包括数据资源编目和121、数据资源归集两部分，数据资源编目包括元数据管理和资源目录管理。数据资源归集包含数据模板管理和数据归集管理。通过数据资源编目使得数据资源易于被查找、归集，是后续所有数据资产管理的前提条件。通过数据资源归集可以实现数据资源从物理上实现统一管理，是资源共享的前提。a.数据资源编目元数据元数据管理管理：元数据是描述数据的数据。常见的元数据包括数据名称、摘要、存储位置、字段类型、字段长度等，见表 3-4。元数据管理应包括元模型设计、数据源配置管理、设置采集任务、采集元数据等步骤。表表 3-43-4 元数据示例元数据示例元数据类型元数据类型元数据描述元数据描述元数据实例元数据实例数据名称描述数据的名称家庭122、住址摘要针对该数据的定义和解释等信息本数据为描述人员常住地址的相关信息存储位置数据存储的地址OA 系统字段类型字符串的类型文本型字段长度数据的最大长度30049元数据类型元数据类型元数据描述元数据描述元数据实例元数据实例更新频率数据更新的频率每月一次共享类型数据是否可以对外共享不予共享资源目录管理：资源目录管理：通过对数据进行编目，可以清晰了解部门数据资产的总览，通过统一的目录视图多维地展现资产的分布和关联关系，对数据资产进行全生命周期和规范化地管控。资源目录管理的流程一般为目录编制、目录报送、目录审核、目录发布和目录维护，见图 2。由于目前并未有针对企业相关的资源目录相关标准，因此某些目录字123、段可以参照政府针对政务数据目录的相关标准规定，如目录编制可按照政务信息资源目录编制指南（试行）要求，确类、项、目、细目等类目，编制部门信息资源的目录，资源目录编制内容模板见表 3-5，包含目录名称、目录类型、资源摘要、资产提供方名称、应用系统名称、业务事项名称、共享属性、共享条件、发布日期、关联数据表等核心数据。目录报送是由企业数据中心对资源目录进行复核，审查后，进行报送。目录审核是由企业管理部门针对报送的目录进行汇总审核，如发现不符合要求会退回对目录进行整改。目录发布将已编制的目录发布上传至系统中，所有平台使用方均可见相关目录。目录维护是指数据中心对所有资产目录代码的分配、管理、使用以及维护124、更新等日常工作。图图 3-43-4 资产目录管理流程资产目录管理流程表表 3-53-5 资产目录编制内容模板（示例）资产目录编制内容模板（示例）序号序号目录信息项目录信息项信息项示例信息项示例备注备注1目录名称企业人员家庭住址表2目录类型数据表3资产摘要本数据表描述企业人员常住地址的相关信息简要描述目录内容信息4资产格式数据表5资产提供方名称HR 部门6统一社会信用代11310000002420447T填写机构统一50序号序号目录信息项目录信息项信息项示例信息项示例备注备注码社会信用代码7应用系统名称OA 系统填写目录来源系统名称8业务事项名称员工入职信息采集填写目录相关的业务事项名称9业务事125、项编号000510共享类型有条件共享11共享条件在符合法律法规条件下，在一定范围内进行共享，并保证个人隐私数据无泄漏。12发布日期2010-6-3013关联数据表Home address sheetb.数据资源归集数据模板管理数据模板管理：通过数据模板管理确定数据的类型及不同类型数据的关联结构。数据可分为结构化数据和非结构化数据，数据模板管理也应针对这两种类型，结构化数据包括以各类数据库表形式保存的数据，非结构化数据指 PDF/WORD 文档、图片、CAD 图等非结构化形式的数据。结构化数据管理是针对结构化数据，流程为梳理业务部门的需求、建立数据表的命名规则、梳理业务系统表、绘制关联 ER 图126、、确定表中字段含义，见图 3-5。图图 3-53-5 结构化数据管理流程结构化数据管理流程非结构化数据管理事实针对非结构化数据，如文档、图片数据，需要梳理非结构化数据存储的关键信息，制定存放位置，文件编写人，文件编写部门，文件摘要等命名规范。数据归集管理数据归集管理：通过数据归集管理进行数据的一数一源管理和同类归并。数据归集管理应遵循一套数据仅有一个来源的原则，如身份证号数据应来自公安部门的户籍处室。同义项归并需对多个部门针对同一对象而名称不同的数据做归并处理。如在不同系统中，企业人员的民族的填写可能有“汉族”“汉”“hanzu”51等多种数据形式，可通过代码映射的方式进行同一项归并。（2）数127、据资产化a.数据资产分级分类资产分类管理资产分类管理：资产分类管理的核心在于从主体、业务活动等维度构建分类模型。目前常用的方法为线分类法、面分类法和混合分类法。线分类法将分类对象按选定的若干个属性或特征，逐次分为若干层级，每个层级又分为若干类别。同一分支下，同层级类别之间构成并列关系，不同层级类别之间构成隶属关系。面分类法将选定的分类对象依据其本身的固有的各种属性或特征，分成相互之间没有隶属关系即彼此独立的面，每个面中都包含了一组类别。混合分类法将线分类法和面分类法组合使用。不同的分类都有对应的编码规则。如针对数据中涉及供应商经营管理的数据采用混合分类法，按照主体类型、注册类型、属性类型以及共128、享类型进行分类，如图 3-6 所示。图图 3-63-6 企业经营数据资源分类示例企业经营数据资源分类示例资产分级管理资产分级管理：为满足数据合规性及数据资产运营需求，需对数据进行资产分级管理，主要参照中华人民共和国数据安全法的相关规定，进行进一步的分级管理，由于目前并未有专门针对企业数据资产分级分类的相关标准规定，因此可以参照政府对于公共数据的相关分级分类标准，如以重庆市公共数据分类分级指南 2.0为例，可分为 4 个等级，如表 3-6 所示。52表表 3-63-6 数据资产安全分级等级示例数据资产安全分级等级示例数据级别数据级别级别标识级别标识判断标准判断标准L4敏感有下列情形之一：对全社会129、、多个行业、行业内多个组织造成严重影响；对单个组织的正常运作造成极其严重影响；对人身和财产安全、个人名誉造成严重损害。L3较敏感有下列情形之一：对全社会、多个行业、行业内多个组织造成中等程度的影响；对单个组织的正常运作造成严重影响；对个人名誉造成中等程度的损害。L2低敏感有下列情形之一：对全社会、多个行业、行业内多个组织造成轻微影响；对单个组织的正常运作造成中等程度或轻微影响；对个人的合法权益造成轻微损害。L1不敏感对社会秩序、公共利益、行业发展、信息主体均无影响。b.数据资产标签管理数据标签管理的作用是在业务层面上能够快速查询、展示、分析各类归集数据。数据资产标签管理包含标签开发和标签库管理130、两大类，具体流程如图 3-7所示。图图 3-73-7 数据资产标签管理流程数据资产标签管理流程c.数据质量管理数据质量管理是保障高质量数据、推动数据流通的前提。数据质量管理一般53检核数据规范性、完整性、有效性和时效性方面的质量。如数据规范性检核数据的主键、时间戳等信息是否完整。数据完整性校验是否包含空数据等。数据有效性校验数据是否在业务指定的值域范围之内，出现异常数据进行告警，如人的年龄为 300 岁，身份证号为 13 位等。（3）数据资产评估使用数据会产生价值，但如何对数据的价值进行评估非常困难。可选取数据，质量，效益等评价指标，对数据资产进行全面的分析，确定数据资产的等级，为数据流通交易131、准备高质量的数据资产。数据资产评估指标体系的设计是问题导向，应重点关注数据资产获取成本以及产生的效益等方面。权重的确认一般可采用 Delphi 法或 AHP 法。根据确定的评估指标、评分规则以及权重对评估范围内的指标进行取值、计算、评估工作，并形成最终的评估结果报告。54第四部分第四部分 数据资产运营数据资产运营一、运营技术与工具（一）数据资产运营技术和工具1.数据资产运营的概念在 2023 年大数据技术标准推进委员会发布的数据资产管理实践白皮书（6.0 版本），对数据资产运营定义如下：通过对数据服务、数据流通情况进行持续跟踪和分析，以数据价值管理为参考，从数据使用者的视角出发，全面评价数据应132、用效果，建立科学的正向反馈和闭环管理机制，促进数据资产的迭代和完善，不断适应和满足数据资产的应用和创新需求。数据资产运营是数据管理的自然延伸，同时也是数据管理的优化。数据管理是从管理者视角对数据进行控制、规范和限制，而数据资产运营阶段则关注优化、提升效能和实现数据价值，数据使用的范围也从企业内部扩展到探索数据的外部交易流通。在这个阶段，从运营视角出发，强调提升数据资产服务效率，促进数据的共享与流通，推动数据价值的持续释放。2.数据资产运营的关键要素（1）数据治理：确保数据的质量、安全性和合规性，包括数据的标准化、分类、质量控制、隐私保护和合规审查等。（2）数据管理：对数据进行有效的存储、备份、133、恢复和维护，确保数据的可用性和完整性。（3）数据分析：使用统计分析、数据挖掘、机器学习等方法，从数据中提取有价值的信息和洞察，以支持决策和业务创新。（4）数据应用：将数据分析的结果应用于业务流程优化、产品开发、市场营销、客户服务等方面，实现数据驱动的决策和操作。（5）数据共享与交换：在确保安全和合规的前提下，通过数据接口、API、数据市场等方式，与其他组织共享和交换数据，创造新的合作机会和价值。可以看到从数据资产本身的内容建设非常依赖于运营技术和工具建设，这里面面临着许多困难与挑战。下面将详细阐述这些困难和挑战：55（1）数据量庞大且复杂：企业所面临的数据量通常非常大，且数据类型多样，包括结构134、化数据、非结构化数据以及实时数据流。专业的技术和工具能够处理这些大规模和复杂的数据集，实现高效的数据管理和分析。（2）数据质量要求高：数据的价值在于其准确性和可靠性。专业的运营技术能够确保数据的质量，通过数据清洗、去重、标准化等流程，提高数据的准确性和一致性。（3）数据安全与隐私保护：随着数据泄露事件的增多，数据安全和隐私保护成为企业关注的重点。专业的技术和工具能够提供加密、访问控制、审计等功能，帮助企业遵守数据保护法规，保护敏感数据不被未授权访问或泄露。（4）数据分析需求多样：企业需要从数据中提取洞察，支持决策制定和业务优化。专业的分析工具和技术，如机器学习、人工智能、数据挖掘等，能够帮助企135、业发现数据中的模式、趋势和关联，提供预测和洞见。（5）数据处理的实时性：在许多业务场景中，实时或近实时的数据处理和分析是必要的。专业的技术和工具能够支持实时数据流处理，快速响应业务需求，提高运营效率。（6）数据的可视化和解释：数据可视化工具能够将复杂的数据以图形或图表的形式直观展示，帮助用户更容易理解和解释数据，从而做出更明智的决策。（7）数据集成和互操作性：企业中的数据往往分布在不同的系统和数据库中。专业的工具和技术能够实现数据的集成和互操作性，确保不同来源的数据能够无缝连接和共享。（8）自动化和智能化：随着技术的发展，自动化和智能化工具能够减少人工干预，提高数据处理和分析的效率，降低错误率136、和成本。3.数据资产运营体系随着人们对数据价值的认识不断深入，数据资产运营的范围也在持续扩大。根据数据的来源，数据资产可以分为公共数据、企业数据和个人数据三个部分。公共数据是指政府在履行公共管理职责和提供公共服务过程中形成的非专属于行政相对人的数据。企业数据是指企业通过脱敏，加工，分析后所持有的具有无形性，稀缺性以及非物质损耗性的能给企业带来经济利益的数据集合。个人数据，是指与一个身份已确定或者身份可确定的自然人（数据主体）相关的任何信息。56数据资产运营的主要任务是通过数据资产运营平台，推动公共数据的授权运营以提供高质量的数据供应，释放企业数据的价值，同时保护个人数据的匿名性。在技术支持和数137、据规范的基础上，实现数据资产的规范化运营。图图 4-14-1 数据资产运营体系数据资产运营体系（二）数据资产运营三阶段数据资产运营经历了三个阶段，其分别是数据资产数字化阶段、数据资产治理化阶段、数据资产运营化阶段。在 2012 年之前，企业主要的关注点仍是信息化系统的建设，数据的应用价值大多局限于内部的业务统计以及监管报送的时效性和准确性，尚未建立统一的数据资产管理部门，数据资产管理职责归于 IT 建设管理部门。此阶段开始建立初步的元数据管理，主要是形成 IT 系统的数据字典。在 20122015 年期间，随着信息化建设的深入与专业化分工的推进，企业从单纯关注数字化建设转变为关注数据内容本身。138、数据的重要性和价值逐步显现，特别是在客户营销、风险管理等领域，借助数据的深度分析与挖掘，可以有效提升企业的决策分析能力。2015 年以后，企业逐步关注数据价值变现，从关注企业内部数据的使用转变为探索数据的交易流通。此阶段的关键活动是做好数据资产运营，即从运营视57角出发，强调提升数据资产服务效率，并促进数据的共享与流通，用较小的数据成本获得较大的数据收益，让数据价值持续释放。目前，我国处于数据资产运营化阶段，2024 年开年企业数据资源相关会计处理暂行规定正式实施，“数据要素”三年行动计划（20242026 年）关于加强数据资产管理的指导意见等政策密集发布，显示了国家对数据资产管理与价值挖掘的139、顶层设计逐渐完善，2024 年数据资产入表的飞轮正式开启，数据资产运营体系建设迅速发展。（三）数据资产运营可行性从项目建设的技术、经济、运行环境和其他方面进行可行性分析。1.技术方面数据授权运营平台作为从实践出发的新型平台基础设施，需要结合业务需求综合利用云计算、大数据、人工智能、隐私计算、区块链等技术，支撑实现数据流通过程中的安全管理、计量计价、可控流通等建设需求。随着信息技术的不断进步，云计算、人工智能、大数据等技术已经成为数字化时代的基石。这些技术为数据授权运营平台的建设提供了强大的技术支持。通过云计算技术，可以实现数据的集中存储和处理，降低运营成本；通过人工智能技术，可以实现数据的智能140、分析和挖掘，提高数据价值；通过大数据技术，可以实现数据的可视化和数据驱动的决策，提高管理效率。2.经济方面数据授权运营工作的开展，能有效促进数据要素的价值化提升，提升数据要素流通效率，促进数字经济发展。通过开展数据授权运营可以为政府部门带来一定的收益。通过将公共数据的使用权转让给企业或个人，政府部门可以获得一定的收益。这些收益可以用于数据资源的开发和维护，以及数据授权运营平台的建设和运营。此外，通过授权运营，政府部门还可以引入更多的市场主体参与数据开发和应用，促进数据要素的流通和交易，推动数字经济的发展。583.运行环境方面公共数据授权运营可以促进数据共享和开放，提高数据的利用效率和价值。通过141、授权运营，政府部门可以将数据提供给更多的企业和个人，让数据在更广泛的领域得到应用。这将有助于推动数字化技术的创新和发展，提高社会生产力水平，促进经济和社会的可持续发展。同时，建设数据授权运营平台也有助于保护数据的安全和隐私。为了更好地支撑数据运营与建设，我们必须建立一套完整、强大的运营和工具体系来支撑。因此，需要使用多种技术和工具来实现对数据的处理和管理。主要内容有数据获取、数据存储、数据加工、数据分析等几种主要技术和工具。（四）数据获取1.数据获取技术数据获取的技术是一个广泛且不断发展的领域，涵盖了从传统的数据采集方法到现代的大数据和云计算技术。我们可以将数据获取技术大致分为以下几种：（1）142、传统数据采集技术：这包括了基于计算机的数据采集系统，涉及传感器、信号特征、计算机、传感器、信号调理、数据采集硬件和软件等方面。此外，还有直接观察参与者的方法，常见于实验和定性研究中。（2）数据挖掘与知识发现技术：数据挖掘是从数据库中提取出隐含的、先前不知道的有用知识的过程。这包括了多种技术方法，如机器学习算法、统计分析等，用于从大量数据中发现模式和关联。（3）大数据技术：随着信息技术的不断升级和计算能力的提高，大数据时代已经到来。在这个背景下，对原始数据的获取技术进行了研究，主要通过云计算等现代科技进步来实现。此外，还有基于大数据与人工智能的大数据获取方法研究，探讨了大数据采集方式与处理技术。143、（4）网络数据资源自动获取技术：这包括了网络爬虫、数据抽取、文本智能分类等关键技术的研究及实现，用于从互联网上自动获取特定主题信息并实时提供服务。特别是 Web 数据抽取技术，近年来学术界和企业界开发了许多从 Web中抽取数据的方法和工具。59（5）无线传感网络中的数据收集技术：随着无线通信技术和低功耗嵌入式技术的发展，无线传感器网络在各种场合中的应用越来越广泛。研究如何在 WSN中从分散的节点中高效地聚集信息，即数据收集，成为一项重要的具有挑战性的工作。（6）高速高精度数据获取系统：设计适用于特定应用的高速高精度的数据获取系统，采用先进的控制核心和数据处理技术，以满足特定领域的高精度要求。（144、7）远程数据采集系统：能够实现远距离的数据采集功能，并采用差错控制技术和软件进行编码和译码工作，提高了通信的可靠性。（8）编程录入和电子扫描文档数据收集：介绍了收集数据的常用方法，如编程录入结构化数据、电子扫描文档数据、从其他库中导入等。2.数据获取工具数据获取工具可以分为以下几类：（1）调查问卷工具：通过设计和分发问卷来收集数据，常见的有在线问卷平台、纸质问卷等。（2）观察法工具：通过直接观察或视频监控等方式记录数据。例如，使用摄像头进行实时监控或通过现场观察获取数据。（3）实验法工具：通过控制变量进行实验，以获取因果关系的数据。常见的有实验室实验设备和软件。（4）社交媒体分析工具：利用社交145、媒体平台的数据接口，自动化地抓取和分析用户生成的内容。（5）数据挖掘工具：通过算法从大量数据中提取有价值的信息。常见的有机器学习库（如 Python 的 scikit-learn）、商业智能软件（如 Tableau、PowerBI）等。（6）日志分析工具：通过分析系统日志文件来获取操作数据。常见的有 ELKStack（Elasticsearch、Logstash、Kibana）等。（7）爬虫工具：用于自动化地从网页上抓取数据。例如，爬山虎采集器是一款简单易用的网页数据采集工具。（8）元数据采集工具：用于自动获取和管理元数据信息。这些工具各有特点，适用于不同的数据获取需求和场景。选择合适的工具可146、60以帮助提高数据获取的效率和准确性。（五）数据存储1.数据存储技术数据存储是将数据保存在计算机或其他设备上的过程，有多种方法和技术的支持。以下是一些常见的数据存储技术：（1）本地存储：将数据保存在计算机或其他设备的硬盘驱动器或其他存储介质中。这是最基本的存储方式，但是由于硬盘驱动器容量有限，数据可能会随着时间的推移而逐渐减少。（2）网络存储：将数据保存在远程服务器上，可以通过网络访问。这种存储方式的优点是可以增加存储空间，并且数据可以在多个地点备份，从而提高数据的可靠性和可用性。（3）云存储：将数据保存在基于云计算的服务上，这种存储方式可以实现无限的存储扩展和备份，同时还可以提供高可用性和灵147、活性。（4）分布式存储：将数据分布在多台计算机上，以便通过网络访问和管理。这种方式可以提供更强大的性能和高可用性，适用于大型数据中心的场景。（5）对象存储：类似于网络存储，但每个数据块都被视为一个独立的对象，并以不同的方式进行组织和存储。这使得数据管理更加灵活，同时也提供了更好的容错性和安全性。（6）时序存储：主要用于保存时间序列数据，如 IoT 设备产生的数据。它可以确保数据按照时间顺序排列，并提供更高的写入 throughput 和更快的查询速度。以上仅是一些常见的数据存储技术，实际应用中还有许多其他技术和方法可供选择。具体的存储方案应该根据业务需求、数据规模、预算等因素来进行评估和决策。148、2.数据存储工具数据存储工具可以根据不同的分类标准进行划分，主要包括以下几种类型：（1）关系型数据库：这种类型的数据库以结构化数据表的形式存储数据，适用于数据结构稳定、事务性强、数据量较小、需要支持高并发访问的场景。61（2）非关系型数据库：非关系型数据库适合存储半结构化或无结构化的数据，能够处理大规模数据集，并且具有良好的扩展性和灵活性。常见的非关系型数据库包括键值存储、文档存储、列式存储和图数据库等。（3）文件存储：文件存储系统将数据作为独立的文件进行管理，通常用于存储非结构化的文本、图片、视频等文件数据。文件存储系统可以是基于网络的（NAS）或基于存储区域网络（SAN）的。（4）对象存储149、：对象存储将数据视为对象，每个对象包含数据本身以及元数据和全局唯一标识符。对象存储适用于云原生应用，因为其访问速度快且成本较低。（5）分布式存储：分布式存储通过将数据分散存储在多个节点上，实现了高性能、高可靠性和灵活的数据访问方式。它常用于云计算和大数据分析等领域。（6）云存储：云存储是一种通过互联网提供数据存储服务的方式，用户可以通过网络随时随地访问自己的数据。云存储解决方案可以包括公有云、私有云和混合云等多种形式。（7）大数据存储技术：大数据存储技术面向的是海量、异构数据，需要提供高性能、高可靠的存储和访问能力。常见的大数据存储技术包括 Hadoop 分布式文件系统（HDFS）、列式数据库150、（如 HBase）等。（8）异构存储技术：异构存储技术是指将不同类型的存储介质（如磁盘、闪存、内存等）组成存储系统，通过将数据存储在最合适的介质上实现高效的存储。（六）数据加工1.数据加工技术数据加工是对原始数据进行清洗、整理、转换和汇总等一系列处理的过程，目的是将数据转化为适合分析和使用的形式。以下是一些常见的数据加工技术：（1）数据清洗：检测和修复数据集中的错误、缺失值和异常值，以确保数据的准确性和完整性。（2）数据整合：将来自不同来源的数据集成到一个统一的数据集中，以便进一步的处理和使用。62（3）数据转换：将数据从一种格式转换为另一种格式，以便在不同的系统之间进行传递和分析。（4）特征151、工程：从数据中发现有用的特征，并将它们提取出来，以便在模型中使用。（5）数据规范化：将数据转换为其相应的数值范围，以便在不同变量之间进行比较和建模。（6）数据降维：减少数据集中的维度，以降低计算复杂度和避免过拟合。（7）数据可视化：将数据呈现在图表和图形中，以便更好地理解其结构和模式。（8）大数据技术：针对大规模数据集的开发和处理技术，如 Hadoop、Spark、Flink 等。（9）人工智能技术：利用机器学习和深度学习等技术对数据进行挖掘和分析2.数据加工工具数据加工是一个重要的步骤，可以帮助我们更好地理解和利用数据。正确地进行数据加工可以使我们的模型更为准确和有效，进而获得更有价值的结论152、和建议。这些工具主要用于对数据进行抽取、清洗、转换和加载（ETL），以整合零散、不标准的数据，从而提高数据的质量和可用性。ETL 工具是数据处理的必备利器，通过其基本功能：抽取（Extract）、转换（Transform）和加载（Load），用户可以将数据从不同的源中提取出来，并进行必要的处理后加载到目标系统中。此外，数据加工工具还包括一些专门的数据库管理工具，如 MySQL Workbench、SQLite Expert 等，这些工具提供了数据建模、SQL 开发和全面地管理功能，帮助用户更好地管理和操作数据库。数据加工工具在数据存储及管理技术中主要负责数据的抽取、清洗、转换和加载，确保数据的153、一致性、准确性和完整性，从而为数据分析和决策提供可靠的基础。63（七）数据分析1.数据分析技术数据分析是指运用各种技术和方法来探索和解释数据，从中发现有价值的信息和知识。以下是一些常见的数据分析技术：（1）描述性统计学：通过对数据进行数学变换和计算，得到数据的中心趋势、方差、标准差等统计量，帮助人们了解数据的分布和特点。（2）可视化：将数据绘制成直方图、散点图、折线图等形式，以便更直观地展示数据的分布和变化规律。（3）推断性统计学：通过对样本数据进行推导，得出关于总体的结论和预测。例如回归分析、假设检验等方法。（4）分类和聚类：将数据分成不同的类别或群体，以便进一步地研究和分析。例如 K-me154、ans、决策树、朴素贝叶斯等算法。（5）时间序列分析：对时间序列数据进行分析，以便预测未来的发展趋势和趋势变化。例如 ARIMA、LSTM 等算法。（6）文本分析和情感分析：对文本数据进行分析，以便了解人们的观点和情绪，以及识别出积极或消极的内容。（7）推荐系统：利用历史用户行为数据和其他相关信息，向用户推荐可能感兴趣的产品或服务。（8）机器学习：通过训练和学习算法，让计算机自动学习数据中的模式和规律，以便进行预测和分类等任务。（9）数据分析是一项重要的技能，可以帮助我们从海量的数据中发现有价值的信息和知识，为企业和社会的发展做出贡献。2.数据分析工具（1）统计分析工具：SPSS：广泛用于社会155、科学研究，提供频数分析、描述性分析、正态性检验、分类汇总、t 检验、方差分析、卡方检验、相关分析、回归分析等。R 语言：一种开源的编程语言和软件环境，适用于统计计算和图形表示。Python：一种高级编程语言，常用于数据科学和机器学习领域。64 SAS：一种强大的统计分析软件，广泛应用于商业和科研领域。（2）商业智能（BI）工具：Tableau：一款强大的数据可视化工具，支持拖拽操作，适合快速生成美观的图表和仪表板。PowerBI：微软推出的 BI 工具，支持连接多种数据源，进行数据可视化和报表制作。FineBI：一款国产的 BI 工具，支持多数据源连接和复杂的数据分析。QlikView：通过简156、单的点击操作即可对多个数据源进行合并、搜索、可视化和分析。（3）大数据分析工具：Hadoop：一个开源框架，用于在分布式存储系统上进行大规模数据处理。Spark：一个快速、通用的大数据处理框架，支持多种编程语言。Flink：一个流处理框架，适用于实时数据处理。（4）其他数据分析工具：MATLAB：一种数学计算软件，常用于工程和科研领域的数据分析。Minitab：一款功能强大的统计软件，常用于质量管理和改进。GraphPad Prism：一款易于使用的生物统计学软件，适用于生物学和医学研究。这些工具各有优缺点，选择时应根据具体需求和使用场景进行考虑。（八）数据资产运营的保障评估数据资产运营的主要157、技术与工具的效果是一个复杂的过程，需要综合考虑多个方面。以下是对上述提到的评估方法的详细展开：1.性能指标：处理速度：评估系统处理数据的速度，包括数据导入、查询、分析等操作所需的时间。查询响应时间：对于数据库和数据仓库系统，查询响应时间是衡量系统性能的重要指标。系统吞吐量：评估系统在单位时间内能够处理的数据量，特别是在高并发场景下的表现。652.准确性：预测模型的准确率：对于机器学习和人工智能模型，评估其预测结果的准确率，如分类问题的准确率、回归问题的均方误差等。召回率：在数据挖掘和异常检测中，召回率是评估模型发现所有相关实例的能力。3.数据质量：完整性：评估数据集是否完整，是否有缺失值或异常158、值。一致性：评估数据在不同来源和系统中是否保持一致性。准确性：评估数据的准确性，包括数据清洗和数据验证过程的效果。4.用户体验：易用性：通过用户调查和反馈，评估工具的界面设计、操作流程和用户友好性。用户满意度：通过用户调查和案例研究，了解用户对工具的整体满意度。5.业务影响：增加收入：评估工具是否帮助企业增加了收入，如通过精准营销、产品推荐等。降低成本：评估工具是否帮助企业降低了运营成本，如通过自动化流程、减少人工干预等。提高效率：评估工具是否帮助企业提高了工作效率，如通过快速的数据分析和决策支持等。6.成本效益分析：投资回报率（ROI）：计算工具的投资成本与其带来的收益之间的比率，以评估其经159、济可行性。成本节约：评估工具在长期运营中是否能够节约成本，如减少人力资源、降低 IT 基础设施成本等。7.可扩展性和灵活性：可扩展性：评估工具是否能够随着数据量的增长和处理需求的增加而扩展，66如支持更多的用户、更大的数据集等。灵活性：评估工具是否能够适应不同的业务需求和技术环境，如支持多种数据源和格式、易于集成等。8.安全性和合规性：数据保护：评估工具是否具备数据加密、访问控制和审计等功能，以保护数据的安全。合规性：评估工具是否符合相关的数据保护法规和标准，如 G（4）PR、HIPAA 等。9.创新和竞争优势：新洞察：评估工具是否能够提供新的洞察和业务机会，如通过数据挖掘和机器学习发现新的市160、场趋势等。竞争优势：评估工具是否能够增强企业的竞争力，如通过优化决策、提高运营效率等。10.可靠性和稳定性：正常运行时间：监测系统的正常运行时间，评估其稳定性和可靠性。故障频率和恢复速度：评估系统发生故障的频率和从故障中恢复的速度，以评估其健壮性。评估这些技术和工具的效果需要综合运用定量和定性的方法。定量方法可以通过数据和统计分析来衡量性能指标和效果，而定性的方法可以通过用户反馈、案例研究和专家评审来获取更全面的评估结果。通过这些评估方法，企业可以更好地了解其数据资产运营的效率和效果，并据此做出优化和改进的决策。（九）数据资产运营技术的未来趋势数据资产运营的主要技术与工具的未来趋势和要点将集中161、在以下几个方面：1.智能化与自动化：随着人工智能和机器学习技术的进步，数据资产运营将更加智能化，自动化执行重复性任务，提供预测性分析和决策支持。2.云计算与边缘计算：云计算将继续扩大其影响力，提供弹性和可扩展的基础设施。同时，边缘计算将允许更接近数据源的实时处理和分析。673.数据安全与合规性：随着数据保护法规的加强，数据安全和合规性将成为技术发展的重点，包括更强的加密、访问控制和隐私保护措施。4.数据治理与质量：数据治理将成为数据资产运营的核心，确保数据的准确性、一致性和可靠性。数据质量将成为衡量数据资产价值的关键指标。5.实时数据处理：实时数据处理和分析将成为企业获取即时洞察和快速响应市场162、变化的关键能力。6.数据交换与共享：随着区块链等技术的发展，数据交换和共享将更加安全、透明和高效，促进跨组织的数据合作和价值的最大化。7.数据可视化与故事化：数据可视化工具将继续发展，使得非技术用户也能轻松理解数据。数据故事化将成为沟通数据洞察和推动决策的重要手段。8.集成与互操作性：随着企业中数据系统的增多，技术的集成能力和互操作性将成为关键，以确保不同系统之间无缝的数据流动。9.可持续性与绿色计算：随着对环境影响的关注增加，数据资产运营技术和工具的可持续性将成为一个重要考量，包括能源效率和减少电子废物。10.个性化和定制化：随着用户对个性化和定制化服务的需求增加，数据资产运营将更加注重提供163、个性化的数据产品和服务。总体而言，数据资产运营的主要技术与工具的未来将更加智能化、安全化、实时化和个性化，同时注重数据治理、质量、交换和共享，以支持企业的数字化转型和持续创新。二、运营风险管理（一）数据资产运营风险的概念数据资产运营风险是指企业在数据采集、存储、处理、分析和应用过程中，由于内部因素或外部因素导致的潜在威胁和损失。这些风险可能对企业的数据资产安全、业务运营、声誉和合规性及运营效益产生负面影响。（二）数据资产运营风险的识别数据资产作为重要的生产要素和关键资产具有巨大的价值已成为普遍共识，但是数据本身具有的特质就不可避免给数据资产带来风险隐患。数据资产运营风68险既有基于数据本身隐含164、的风险，也有企业运营过程中产生的商业风险等。1.内部风险数据资产运营的内部风险主要是数据本身隐含的风险，这些风险包括数据安全风险、数据质量风险、技术风险、人员及管理风险等。（1）数据安全风险。数据作为企业核心资产之一，数据安全风险随之成为企业关注的重点问题，尤其是数据泄露、数据篡改和数据丢失等安全事件，它们可能导致企业敏感信息泄露，给企业带来严重的经济损失和声誉损害。数据资产安全风险具体又包括数据泄露风险、数据篡改风险和数据丢失风险。a.数据泄露风险。数据泄露是指未经授权的第三方获取到企业的敏感数据。这可能发生在数据传输、存储和处理过程中。黑客攻击、内部人员泄露、第三方供应商安全漏洞等都可能导165、致数据泄露。b.数据篡改风险。数据篡改是指未经授权的第三方对企业的数据进行修改、删除或插入。数据篡改可能导致企业决策失误、业务中断和声誉损害。c.数据丢失风险。数据丢失是指企业数据因硬件故障、人为错误、自然灾害等原因而永久性丢失。数据丢失可能导致企业业务中断、运营困难和经济损失。数据资产运用的安全风险是企业在数字化时代面临的重要挑战之一。企业应充分认识数据安全风险，采取有效的应对策略，保护企业敏感信息，防止数据泄露、篡改和丢失，确保企业业务的正常运行和可持续发展。（2）数据质量风险。数据质量是对数据的准确性、一致性、完整性和及时性的评估。高质量的数据是有效运营的基础。然而，数据质量的不确定性带166、来的风险不容忽视。数据质量不高、数据不一致、数据重复等问题可能导致数据分析结果失真，从而影响企业决策效果。数据质量风险主要体现在以下几个方面。a.数据质量参差不齐。数据质量不高可能源于数据采集不准确、数据录入错误、数据更新不及时等原因。低质量的数据可能导致企业对市场、客户和运营状况的错误理解，从而做出错误的决策。b.数据不一致。数据不一致可能发生在不同系统、不同部门或不同时间点的69数据之间。数据不一致可能导致企业对业务状况的评估出现偏差，影响决策的准确性。c.数据重复。数据重复可能导致企业对同一业务对象或事件重复计算，从而高估其重要性或影响。数据重复还可能导致资源浪费，降低数据处理的效率。数167、据质量风险是企业在数据分析和决策过程中面临的重要挑战之一。企业应充分认识数据质量风险，采取有效的应对策略，提高数据质量，确保企业决策的准确性和有效性。（3）数据合规风险。数据合规风险主要包括数据隐私保护、数据跨境传输和数据生命周期管理等合规性问题，一旦违反相关法律法规，企业将面临巨额罚款和声誉损失。数据合规风险包括以下几个方面。a.数据隐私保护。数据隐私保护是指企业在收集、存储、处理和传输个人数据时，必须遵守相关法律法规，保护个人隐私权益。例如，欧盟的通用数据保护条例（GDPR）对个人数据的保护提出了严格的要求。b.数据跨境传输。数据跨境传输是指企业在不同国家和地区之间传输数据时，必须遵守相关168、法律法规。例如，欧盟的 GDPR 对个人数据的跨境传输提出了严格的要求，要求企业在跨境传输个人数据时必须确保数据接收国的数据保护水平与欧盟相当。c.数据生命周期管理。数据生命周期管理是指企业在数据的整个生命周期内，从数据的创建、存储、使用到销毁，都必须遵守相关法律法规。例如，欧盟的GDPR 要求企业在数据处理过程中必须实施适当的技术和管理措施，确保数据的安全性。（4）数据技术风险。数据技术风险主要包括数据存储、数据处理和分析技术等方面的风险。技术更新迭代、技术选型不当等因素可能导致企业数据资产无法满足业务需求，甚至影响企业核心竞争力。a.数据存储风险。数据存储风险主要涉及数据存储的稳定性、可靠169、性和安全性。硬件故障、软件漏洞、不当的备份策略等都可能导致数据丢失或无法访问。b.数据处理分析技术风险。数据处理风险主要涉及数据的采集、清洗、转换70和加载等过程。不当的数据处理流程、过时的数据处理工具、缺乏有效的数据质量监控等都可能导致数据处理结果失真。数据分析技术风险主要涉及数据分析模型的选择、验证和应用。不合适的数据分析方法、不准确的数据分析模型、缺乏对数据分析结果的正确解读等都可能导致企业做出错误的决策。c.技术更新迭代风险。技术更新迭代风险主要涉及企业数据技术的升级和维护。技术更新迭代速度过快可能导致企业难以跟上技术发展的步伐，而技术更新迭代不及时又可能导致企业技术落后，无法满足业务170、需求。d.技术选型风险。技术选型风险主要涉及企业在选择数据技术时的决策。不当的技术选型可能导致企业数据资产无法满足业务需求，甚至影响企业核心竞争力。（5）人员与管理风险。人员与管理风险主要包括数据操作人员能力的参差不齐导致数据管理流程中出现的失误、差错等导致的数据治理、数据架构、数据标准和数据流程管理等方面的风险问题。数据资产的人员管理不善可能导致数据资产无法有效支持业务发展，降低企业运营效率。a.人员管理风险。数据资产是一种新型资产，社会公众和企业人员对数据资产的认知参差不齐，负责企业运营数据资产的人员知识技能和操作水平亦有差异，特别是技术水平差异性较大，对数据资产的确权、定价、标准和流程管171、理不可避免存在管理不善的问题，引发数据资产管理风险。b.数据架构风险。数据架构风险涉及企业数据模型的设计、数据库的布局、数据集成和数据存储解决方案的选择。不当的数据架构可能导致数据孤岛、系统兼容性问题、数据不一致性，从而降低数据的可用性和准确性。c.数据标准风险。数据标准风险涉及企业如何定义和实施数据元素的命名规则、数据格式、数据类型等。缺乏统一的数据标准可能导致数据集成困难、数据分析错误、业务流程中断，从而影响企业的运营效率。d.数据流程风险。数据流程风险涉及企业数据的采集、存储、处理、分析和共享等环节。不清晰或不合理的数据流程可能导致数据延迟、数据丢失、数据重复，从而降低企业的响应速度和决172、策质量。e.数据治理风险。数据治理风险涉及企业如何制定和执行数据策略、数据质71量标准、数据安全和隐私政策等。数据治理不善可能导致数据质量低下、数据安全漏洞、合规性问题，从而影响企业的决策和运营效率。（6）数据资产确权风险。数据资产确权风险是指对数据资产的所有权、使用权和其他相关权利确认不清晰、界定模糊带来的风险。随着财政部企业数据资源相关会计处理暂行规定的实施，数据资产的确权问题被推到了理论和实践的前沿。这一规定要求企业在数据资源入账前必须经过确权流程，以确保企业合法拥有或控制这些数据资源。确权的意义在于，它不仅是数据资产入账的前提，还涉及数据资源在流通、交易和应用过程中的权属问题。如果存在173、权利瑕疵，可能会直接导致经济损失和第三方索赔风险。目前，数据资产确权风险主要因为缺乏法律依据、数据溯源无法实现、合规体系尚未建立等。如中国的民法典数据安全法网络安全法和个人信息保护法等对数据资产权利主体变更有着相应的法定限制性规范。这些法律和监管要求对数据资产出资入股的合法性和有效性提出了更高的要求。而在实践中，数据资产的确权还涉及出资争议、权利主体变更等多个方面。如以数据资产出资入股时，如果评估价格虚高或评估方法不合理，可能导致股东被认定为未全面履行出资义务，进而需要承担相应的补足责任和赔偿责任。此外，数据资产的权利主体变更需要满足一系列法律和监管要求，否则将直接影响股东是否已履行出资义务的174、判断。简言之，数据资产确权风险将影响数据的合法使用、数据交易和流转等，直接影响数据资产的运营。2.外部风险数据资产运营的外部风险是指由于市场、法律和经济环境变化而引发的，主要包括市场风险、法律风险等。（1）市场风险。市场风险是指因市场竞争、数据资产定价不准确、行业方向转换等原因带来的运营风险等。a.市场竞争风险。市场竞争是企业面临的一种常见风险。随着市场的不断变化和发展，新的竞争对手可能会出现，或者现有竞争对手可能会采取更具侵略性的市场策略。这可能导致市场份额的丧失、价格的下降和利润的压缩。企业需要72持续关注市场动态，并对自身的市场定位和策略进行及时的调整以应对竞争压力。b.数据资产定价不准175、确风险。数据资产是现代企业的重要资产之一。然而，数据资产的定价可能非常复杂，因为它涉及到数据的数量、质量、独特性、使用范围和潜在价值等多个因素。如果数据资产定价不准确，可能会导致企业在交易中遭受经济损失，或者无法充分利用数据资产的价值。c.行业方向转换风险。行业方向转换是指由于技术进步、消费者偏好变化、法规变化等因素，整个行业的发展方向和趋势发生了变化。这种转换可能会使企业原有的产品或服务变得过时，或者使企业面临新的竞争对手和市场需求。如果企业未能及时适应这些变化，可能会失去市场地位和竞争力。（2）法律风险。数据资产法律风险主要因为目前与数据资产管理相关的法律法规体系尚不健全，数据资产管理很多176、时候缺乏详细的法律依据，数据溯源无法实现、合规体系尚未建立等。与数据资产有关的法律包括民法典数据安全法网络安全法和个人信息保护法等，主要对数据资产权利主体变更做了相应的法定限制性规范，但完全不能满足作为新质生产力要素的数据资产管理需求，也不利于对数据资产定价交易的监管。（三）数据资产运营风险管理措施1.内部风险管理措施（1）加强数据安全管理。对于数据资产安全风险的管理，建议从以下几个方面入手。a.加强数据安全意识。企业应加强员工的数据安全意识培训，让员工了解数据安全风险，并掌握基本的数据安全防护技能。指导意见在多个环节作出要求。比如，公共管理和服务机构授权运营主体对其持有或控制的公共数据资产进177、行运营前，“要充分评估授权运营可能带来的安全风险，明确安全责任”；对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”；在跟踪监测公共数据资产时，要及时识别潜在风险事件，第一时间采取应急管理措施，有效消除或控制相关风险。b.建立完善的数据安全管理制度。企业应建立健全的数据安全管理制度，包括数据分类分级、数据访问控制、数据加密、数据备份等。企业应建立健全数据73安全管理制度，采取加密、脱敏、访问控制等技术手段，确保数据在采集、存储、处理、分析和应用过程中的安全性。同时，加强员工数据安全意识培训，提高企业整体数据安全防护能力。c.采用先进的数据安全技术和工具。企业应采用先进178、的数据安全技术和工具，如数据加密技术、数据脱敏技术、数据防泄露技术等，以提高数据安全性。d.加强数据安全审计和监控。企业应定期进行数据安全审计，及时发现和解决数据安全问题。同时，加强数据安全监控，实时监控数据访问和操作行为，防止数据泄露和篡改。e.建立应急预案。企业应建立数据安全应急预案，一旦发生数据安全事件，能够迅速采取措施，减轻损失。（2）提升数据资产质量。企业应建立数据质量管理机制，对数据来源、数据清洗、数据整合等环节进行严格把控，确保数据质量满足业务需求。此外，加强对数据分析团队的培训和支持，提高数据分析准确性。建立数据质量管理框架.企业应建立数据质量管理框架，明确数据质量标准和评估方179、法，定期对数据质量进行监控和评估。具体来说，包括以下步骤。第一，进行数据质量评估。首先需要明确数据质量的标准，包括准确性、完整性、一致性、时效性、可信度和可解释性等。第二，进行数据质量检测。使用自动化工具或手动检查数据，识别存在的问题，如缺失值、异常值、重复记录、不一致的格式等，确保数据源的质量不断优化。第三，实行数据质量报告。定期生成数据质量报告，展示数据的质量状况，包括问题的严重程度和影响范围。第四，进行数据质量管理。创建一个跨部门的数据治理团队，负责制定数据策略、标准和流程。建立实时数据监控系统，持续跟踪数据质量，及时发现和解决问题。第五，实施数据质量改进计划。根据数据质量报告，制定改进180、计划，并分配责任人和截止日期。第六，进行数据清洗和处理。对检测到的数据问题进行清洗和处理，如纠正错误、填补缺失值、去重等。74第七，技术提升。采用先进的数据管理技术和工具，如数据仓库、数据湖、数据质量管理平台等，以提高数据处理的效率和准确性。通过上述步骤，企业可以系统地评估和提高数据质量标准，从而确保数据资产能够更好地支持业务发展和决策制定。（3）遵循数据合规要求。数据合规风险是企业在数字化时代面临的重要挑战之一。企业应充分认识数据合规风险，关注国内外数据合规动态，严格遵守相关法律法规，建立健全数据合规体系。在数据跨境传输、数据生命周期管理等方面，确保企业数据合规风险得到有效控制。a.加强数据181、合规意识.企业应加强员工的数据合规意识培训，让员工了解数据合规风险，并掌握基本的数据合规知识。b.建立完善的数据合规管理制度.企业应建立健全的数据合规管理制度，包括数据分类分级、数据访问控制、数据加密、数据备份等。c.采用先进的数据合规技术和工具.企业应采用先进的数据合规技术和工具，如数据加密技术、数据脱敏技术、数据防泄露技术等，以提高数据合规性。d.加强数据合规审计和监控.企业应定期进行数据合规审计，及时发现和解决数据合规问题。同时，加强数据合规监控，实时监控数据访问和操作行为，防止数据泄露和违规。e.专人司职合规性法律问题。企业应聘请专业人员司职数据资产合规性相关法律问题，一旦发生数据合规182、事件，能够迅速采取措施，尽可能降低风险损失。（4）优化数据技术选型与应用。企业应根据业务需求和发展战略，合理选择数据技术，避免技术更新迭代带来的风险。同时，加强数据技术团队建设，提高数据技术应用能力。a.加强数据技术研究和评估。企业应加强数据技术研究和评估，及时了解和掌握最新的数据技术动态和发展趋势，以便做出合理的技术选型。b.建立完善的数据技术管理体系。企业应建立健全的数据技术管理体系，包括数据技术选型、数据技术更新迭代、数据技术培训等。确保企业数据资产能够满足业务需求，提高企业核心竞争力。c.采用先进的数据技术工具和平台。企业应采用先进的数据技术工具和平台，提高数据存储、数据处理和分析的效183、率和质量。75d.加强数据技术团队建设。企业应加强数据技术团队建设，培养专业的数据技术人才，提高企业的数据技术能力。e.建立应急预案。企业应建立数据技术应急预案，一旦发生数据技术风险，能够迅速组织团队商讨解决措施，给企业降低可能带来的经济损失。f.完善数据管理体系。企业应建立健全数据资产管理体系，明确数据架构、数据标准和数据流程，确保数据资产的有效管理和利用。此外，加强对数据管理团队的培训和支持，提高数据管理效率。g.建立健全的数据治理框架。企业应建立健全的数据治理框架，明确数据治理的职责、流程和标准，确保数据治理的有效实施。h.优化数据架构。企业应优化数据架构，确保数据的结构化和非结构化存储184、、数据集成和数据交换的能力，以支持业务的灵活性和可扩展性。i.制定统一的数据标准。企业应制定统一的数据标准，确保数据的准确性和一致性，提高数据的可用性和可信度。j.优化数据流程。企业应优化数据流程，确保数据的及时性、完整性和可靠性，提高数据的处理速度和决策质量。k.加强数据管理团队建设。企业应加强数据管理团队建设，培养专业的数据管理人才，提高企业的数据管理能力。定期开展数据质量管理培训，提高员工对数据质量重要性的认识和处理数据的能力。建立数据驱动文化，鼓励员工使用数据来支持决策，建立一种重视数据质量和数据分析的企业文化。2.外部风险管理措施（1）加强市场风险管理。为了应对数据资产运营的市场风险185、，企业可以采取以下措施。（2）增强市场情报和竞争力分析。通过持续的市场监控和竞争分析，企业可以更早地识别市场变化和竞争威胁，从而做出及时的应对。（3）建立有效的数据管理和定价机制。企业需要建立一套科学的数据管理和定价机制，以确保数据资产的价值得到准确评估和充分利用。（4）灵活调整战略和业务模式。企业需要具备快速适应市场变化的能力，包括调整产品线、服务范围和业务模式，以应对行业方向转换带来的挑战。（5）完善相关法律法规体系。完善数据资产相关法律法规体系是推动数据76经济发展和保护数据主体权利的重要措施。a.明确数据资产的定义和分类。法律法规应明确数据资产的定义，包括个人数据、企业数据、公共数据等186、不同类型，并对这些数据资产的权利归属、使用范围和条件进行具体规定。b.确立数据资产的所有权和使用权。法律应明确规定数据资产的所有权归属，以及使用权的范围和限制。这包括个人数据的所有权属于个人，企业数据的所有权属于企业，以及数据在合法授权下的使用规则。c.制定数据交易的规则和标准。法律法规应制定数据交易的规则和标准，包括数据交易的合法性、数据交易的主体资格、数据交易的方式和程序等，以促进数据交易的便利和安全。d.加强数据安全和隐私保护。法律法规应加强对数据安全和隐私的保护，包括制定数据加密、数据备份、数据访问控制等安全措施，以及严格规定个人数据的收集、使用和共享的条件和程序。e.明确数据侵权和纠187、纷解决机制。法律法规应明确数据侵权的认定标准和责任追究机制，以及数据纠纷的解决途径和程序，以保护数据主体的合法权益。f.促进数据共享和开放。法律法规应鼓励和促进数据共享和开放，包括建立数据共享平台、制定数据共享的标准和规则，以及推动公共数据的开放和利用。g.加强国际合作和跨境数据流动。法律法规应加强国际合作，推动跨境数据流动的规范和便利化，同时保护国家安全和社会公共利益。通过完善数据资产相关法律法规体系，可以促进数据资源的合理利用和流转，推动数据经济的发展，同时保护数据主体的权利和利益。总之，数据资产运营风险防范是企业实现数据驱动发展的重要保障。企业应充分认识数据资产运营风险，建立健全风险防范188、体系，确保数据资产安全、合规、高效地支持业务发展。构建市场主导、政府引导、多方共建的数据资产治理模式数据对其他要素资源具有乘数作用，可以放大劳动力、资本等生产要素在社会各行业价值链流转中产生的价值。培育和发展数据资产市场，对推动我国经济高质量发展具有重要战略意义。77三、第三方相关城投（一）城投企业数据资产基础数据资产的范畴与分类：聚焦城市基础设施、公共服务、财务健康等关键领域。城投企业作为城市建设和运营的核心力量，其数据资产广泛覆盖并深刻影响着城市发展的各个方面，主要可细分为以下几个关键领域：1.城市基础设施数据包括道路桥梁、公共交通、给排水系统、电力网络、通信基站等基础设施的建设档案、维护189、记录、实时运行状态数据。这些数据对于基础设施的日常维护、故障预防、效率评估及未来的规划扩建至关重要。2.公共服务数据涉及教育设施、医疗卫生服务、公园绿地、公共安全、社会保障等多个方面，包含服务提供量、使用频次、用户满意度等信息。通过分析这类数据，城投企业能够更好地理解公众需求，优化资源配置，提升公共服务质量和可达性。3.财务健康数据财务报表、预算执行情况、项目投资回报率、资产负债表等，反映了企业的财务状况和经营成果。对这些数据的细致分析，有助于城投企业进行财务风险控制，合理安排资本结构，确保长期财务稳定。4.项目管理数据项目立项、设计、施工、验收全周期的信息记录，包括进度、成本、质量控制等。对190、项目管理数据的有效管理，可以提高项目执行效率，降低建设成本，保证项目按期高质量完成。5.市场与经济数据地区经济增长、房地产市场动态、居民消费行为等宏观经济指标和市场趋势数据。帮助城投企业准确把握市场动向，为投资决策提供依据，促进企业战略与市场需求的紧密对接。78（二）城投数据资产的潜在价值提升项目规划科学性、优化资本配置、增强服务效能1.提升项目规划科学性利用历史项目数据和市场预测数据，城投企业能够进行更精确的项目需求预测和风险评估，确保新项目的规划既符合城市发展需求，又具有经济合理性，减少盲目投资。2.优化资本配置通过分析财务和项目管理数据，企业能识别出投资回报率高的项目，合理安排资金流向，191、避免资源浪费，确保每一笔投资都能产生最大的经济效益和社会效益。3.增强服务效能公共服务数据的实时监控和分析，使城投企业能够快速响应市民需求变化，调整服务策略，提升服务的针对性和有效性，从而增强市民的幸福感和满意度。4.促进内部管理效率数据资产的整合与分析，有助于提升企业内部管理的透明度和效率，比如通过数字化手段优化供应链管理、人力资源配置等，降低成本，提高运营效率。5.辅助决策支持数据资产的深度挖掘和可视化展示，为决策层提供了有力的数据支持，使决策过程更加数据驱动，减少主观判断带来的不确定性，确保决策的科学性和前瞻性。综上所述，城投企业的数据资产不仅涵盖城市基础设施、公共服务、财务健康等核心领192、域，而且其潜在价值在于通过数据的科学管理和高效利用，推动项目规划更加科学合理，资本配置更加高效精准，服务效能显著增强，最终助力城投企业成为城市智慧化发展的强大引擎。79（三）数据资产管理与组织架构数据资产管理是城投企业转型升级、实现数据资产价值最大化的核心环节。构建高效、实用的数据治理框架，优化组织结构与流程，以及培养积极向上的数据文化，是推进数据资产运营的三大支柱。1.数据治理框架概览：轻量化路径，注重实用与效率在设计数据治理框架时，城投企业应遵循轻量化原则，注重框架的灵活性与操作性，避免过度复杂的制度和流程阻碍数据的流动与应用。对此，城投企业数据治理的轻量化路径体现在如下方面：2.简约化政193、策制定：制定易于理解和执行的数据管理政策，聚焦于数据质量、安全、共享与合规等关键领域，确保政策的实用性和可操作性。3.敏捷响应机制：建立快速响应的治理机制，能够迅速适应业务变化和市场环境，利用敏捷方法论持续优化数据治理流程，提升效率。4.工具自动化：利用自动化工具和平台简化数据治理任务，如自动化的数据质量检查、元数据管理等，减少人力投入，提高治理效率。5.组织结构与流程优化：设立数据管理部门，明确职责与协同机制组织结构的优化和明确的职责分配是数据治理成功的关键。对此，城投企业的组织结构与流程优化涉及以下方面：1.设立数据管理部门：成立专门的数据管理部门，作为数据治理的中枢，负责制定数据治理战略194、、标准和流程，协调跨部门数据管理活动。2.明确职责与协同：清晰界定数据管理部门、业务部门、IT 部门等在数据生命周期管理中的角色与责任，通过建立跨部门协调小组，促进数据管理流程的无缝衔接与高效协同。3.流程标准化与优化：对数据采集、处理、分析到应用的全链条流程进行标准化，通过流程优化去除冗余步骤，提升数据处理效率。（四）数据资产入表对城投集团的价值分析大部分的城投类企业是典型的“数据一级开发商”，集团拥有的多元化海量数据经过整理、清洗和脱敏，形成数据资产，在数据不出域、用数不见数的原则下，可以吸引各类数据二级开发商合作，开发各类应用场景，通过数据资产80交易获取收益。从全国范围来看，数据资产总195、规模达 8.6 万亿元，潜在市场高达60 万亿元，未来将接棒土地财政。1.有助于改善财务报表（1）数据资产入表能够将集团数据采集、治理、加工等费用转化为资产投入性支出，改善企业经营和财务状况；（2）通过减少部分当期支出并增加部分资产，数据资产入表能够优化资产与负债结构。这些将对集团财务报表产生正向影响，提升集团估值与融资能力。（3）数据资产入表可以做大资产规模，有助于改善城投集团财务报表，边际降低财务杠杆水平，进行新的融资。2.有助于整体数字化转型升级数字化部门过去更多的会被视为成本部门，数据资产可以入表之后，除了服务于自身经营决策、业务流程，实现降本增效，数据资源入表后可进行质押融资，投资入196、股，金融信托，变成资产参与到经济分配中，成本费用真正变成了资产，有助于城投集团加大数字化转型升级的投入，加快转型升级的步伐，为企业发展打下坚实基础，为集团未来发展占据有利位置。（五）城投类企业可以入表和交易的数据资产1.基于建设投入的内容基于城投集团未来数字化规划建设投入（含未来数字化投入预算计划，根据实际情况分批转入数据资产），根据自身发展的目标与定位建立智慧城投体系架构，以集团级别统一数字化管控平台为载体，以 PC 端、移动端、大屏应用为依托，以 N 个业务应用领域互联互通为抓手，全面推进综合管控一体化、应用场景多元化、业务流程协同化；从 2024 年 1 月起，企业对于数字化系统建设过程197、中所外购的系统产品及服务发生的购买价款、相关税费，还可能包括数据合规成本、治理成本、权属鉴定、登记成本以及需要分摊的间接成本等可以按数据资产（无形资产）入表。2.基于数据管理的内容基于城投集团在主数据管理（标准数据指标）及投资测算数据、运营分析数81据、财务数据应用等分析模型，结合项目管理全过程所发生的业务管理数据，如投资项目健康度、项目投资退出机制等一系列逻辑算法并应用于实际业务管理过程中的算法模型等可进行数据资产（无形资产）入表。3.基于平台建设的内容以“智慧城投”数据一体化为契机，集团统筹建立智慧城投数据资产体系。通过城投大脑汇聚数据资源辅助决策，以集团城市建设服务、文化旅游、金融投资、198、智慧基建四大主营业务为导向，围绕人、财、物，打通集团所有部门的信息通道，为领导层提供对外汇报形象展示和对内精细管控运营动态的统一决策分析应用视图；集团统筹相关数据基础工作，盘清数据资源家底。各业务系统数据通过算法及数据分析模型，完成业务系统数据采集、加工、汇总，形成数据资产，通过持续可靠的会计计量和披露、数据确权等完成数据资产入表。4.具体模型方向举例（1）集团房地产行业数据资产：在房地产行业，这些数据可能涵盖了市场动态、客户需求、项目进展、销售数据等各个方面。这些数据资产对于集团房地产行业的运营至关重要，因为它们提供了决策支持、市场分析和趋势预测的基础。另一方面保障性住房是指政府为中低收入住199、房困难家庭所提供的限定标准、限定价格或租金的住房。这类住房的建设和管理过程中，同样会产生大量的数据资产，如项目规划、建设进度、资金使用、申请审核等方面的数据。这些数据资产对于保障房的建设和管理具有重要的支撑作用，能够帮助政府更好地掌握项目情况，确保项目的顺利进行，同时也能够为中低收入家庭提供更加优质、便捷的住房服务。再一方面基于物业管理基础数据：如产权归属、产权年限、产权状态等产权信息。建筑物的面积、楼层高度、建筑风格等建筑信息。物业地理位置，包括街道名称、门牌号、周边设施等。物业运营数据：物业出租率，包括当前出租的房间数、空置房间数等。物业租金水平，包括不同类型房间的租金价格、租金调整记录等200、。物业经营收入与支出，详细记录收入来源、支出项目及金额等。该部分数据脱敏之后可以用于数据交易；也可以与政府相关数据互补形成区域型的管理指导参考价、保障房指导意见等，提升区域运营活力，提升出租率。（2）集团资产经营数据资产，旨在对集团各类资产的经营情况建立分析模82型，详细分析项目基础数据、营收、成本、利润、出租率、租金收缴率、开业率、空置率等数据指标，通过分析模型实现统一资产管理标准，盘清集团资产家底，资产状况全局掌控，通过资产持续运营，盘活各类资产，优化运营模式，实现国有资产保值增值；该部分数据脱敏之后可以用于数据交易；比如可出租商铺资源、租赁均价等数据可以交易给中介类公司、承租公司；也可以201、与政府相关数据互补形成区域型的租赁指导参考价，提升区域运营活力，提升出租率。（3）文投文化旅游数据，如文投产生的数据，依托位置数据，融合客户画像标签数据等多源数据，实现对旅游相关客流量、客流来源地、游客属性、游客消费能力、游客旅游行为、OTA 评论等数据的统计分析和可视化展示。该部分数据脱敏之后可以用于数据交易；（4）金融投资板块投资企业经营数据，转化为融资信用，应用于征信中的放贷、风控等场景，经隐私保护计算后加工形成，通过数据加工成数据产品，在合规审查登记后可以进场交易，为金融机构发放信贷产品提供融资信用支持。（5）城市用水数据。举例 1 月 24 日，南京扬子国资投资集团有限责任公司完成首202、批 3000 户企业用水脱敏数据资产化入表工作，成为水务行业全国首单数据资产入表案例。水投可以将相关企业用水数据脱敏，输出月份、月度日均用水量、年度、年度最高日用水量、年度日均用水量等数据，该部分数据脱敏之后可以用于数据交易。（6）充电桩能源企业用电数据。能源可以将相关充电桩用电数据脱敏，输出月份、月度日均用电量、年度、年度最高日用电量、年度日均用电量等数据，该部分数据脱敏之后可以用于数据交易。（7）智慧基建宽带类用户数据，融合客户画像标签数据等多源数据，实现对宽带客户量、使用习惯、用户属性、用户消费能力等数据的统计分析和可视化展示。该部分数据脱敏之后可以用于数据交易。（8）智慧停车应用场景数203、据。智慧停车应用场景数据资产入表，基于该数据资产可以进行汽车交通流量和停车需求分析。该部分数据脱敏之后可以用于数据交易。许昌市投资集团有限公司开发的智慧停车应用场景数据资产完成入表，基于该数据资产推出的新能源汽车交通流量和停车需求分析，数据产品已实现83市场化流通，系智慧停车行业首单。（9）园区数据能源管理数据，可以将相关用户的用水、用热的情况数据脱敏，输出月份、月度日均用水量/用热量、年度、年度最高日用水量/用热量、年度日均用水量/用热量等数据，该部分数据脱敏之后可以用于数据交易。（10）城市基础设备企业的运维保障公共设备的数据，包括设施运行情况、维护记录、工作流程等数据，通过数据分析可以对204、设施运行状况进行全面的评估，为故障分析与预测，维护计划优化，优化资源分配与调度等方面决策提供参考依据，提升维护工作的科学性和精细化水平，提高维护效率和质量。该部分数据脱敏之后可以用于数据交易。（11）城投集团科研数据及城市规划设计数据，包括：城投集团科研数据资产，城投集团的科研数据资产主要包括在科研项目、技术创新、产品研发等过程中产生的数据资源。这些数据资源涵盖了从项目立项、方案设计、实验过程、数据分析到成果输出等全过程的数字化信息。这类数据资产对于城投集团的技术创新、产品研发以及市场竞争力提升具有关键作用。通过对这些数据的挖掘和分析，城投集团可以不断优化科研过程，提高科研效率，推动技术创新和205、产品研发的持续发展。城市规划设计数据资产：城市规划设计数据资产是城投集团在进行城市规划、设计、建设等过程中产生的具有经济价值的数字化资源。这些数据资产涵盖了城市规划、建筑设计、交通规划、市政设施规划等多个方面的数字化信息。这些数据资产对于城市规划设计的质量、效率以及城市的发展具有重要意义。通过对这些数据的收集、整理和分析，城投集团可以更加精准地把握城市规划设计的方向，提高规划设计的科学性和合理性，为城市的可持续发展提供有力支持。同时，这些数据资产还可以为政府决策、城市规划咨询等领域提供有价值的信息支持。该部分数据脱敏之后可以进行数据资产入表。（六）如何做城投集团数据资产入表1.规范数据资源的核206、算，使得数据资源成本能够“看得清，算得准”实现数据资源的“入表”，则必须满足“成本能够可靠地计量”的前提条件。由于数据资源形态的特殊性，如何进行合理的成本归集和分摊以确保数据资源成本的完整性和准确性是当前的实务难点。84建立成本归集与分摊机制：对数据资源产生过程中所占用的企业资源进行梳理，并结合相关规定和企业实践建立一套合理的数据资源相关成本归集与分摊机制，并可以支持上述机制在系统中落地。优化数据管理流程与控制：对数据管理流程进行优化设计，明确业务部门、财务部门操作流程、操作规范及控制节点、稽核内容等，设计业务流程表单，明确审核内容及责任人等内容。识别目前业务执行过程中面临的瓶颈和效率低下的环207、节，在控制和效率之间平衡的基础上提出优化建议，增强部门间的协同。明确数据管理岗位职责：从实施有效管控的角度，清晰定义各组织层次在相关流程中所扮演的角色及相关流程的主要责任人，明确各相关部门在流程中的职责定位和工作内容，并对不相容的岗位进行隔离。2.加强数据资源管理，夯实企业数据基础选择专业数据资产入表合作伙伴，在盘清集团所持有数据资源的基础上，加强集团相关数据资源的管理，为后续持续可靠的会计计量和披露打下坚实的基础。可从以下角度进行数据资源管理体系的优化，推动企业数据质量管理，为数据应用打下坚实的基础。建立统一规范的数据标准分类制度：从数据的基础属性、业务属性、技术属性和管理属性等各方面实现业208、务数据与管理数据的标准化管理，为后续数据质量管理提供依据。建立数据质量稽核规则：从企业的数据质量管理需求出发，定制化地进行规则设置并根据规则进行数据校验，对规则校验的结果进行监控和分析，实现数据向优质资产的转变。建立数据资源管理制度：以厘清管理现状和制定未来管理目标为出发点，制定相关数据资源管理制度的优化方向，明确各级流程划分，全面梳理需纳入数据资源管理制度体系优化的事项。重点关注业财融合的领域，为企业提供更具价值的管理举措和可行的落地方案。3.盘清数据资源现状，保证数据的合规与确权暂行规定的适用范围明确了数据资源应由企业“合法拥有或控制”，我85国近年来也陆续出台了一系列数据产权制度，可见数209、据资源合规与确权的重要性。集团应盘清数据资源现状，从以下方面保证数据的合规与确权：数据合规：企业应从数据来源、数据内容、数据处理、数据管理及数据经营等五个主要维度对存量数据资源进行梳理，明确各类数据资源的定义，形成企业统一的数据账和数据资源目录。同时，通过建立数据合规管理机制，确保数据资源的合法、合规。数据确权：企业应基于数据资源来源，梳理其完整授权链。此外，企业应建立数据权属监督管理机制，日常维护数据资源的权属变更情况，如企业获取数据授权存在期限，应在资产使用寿命估计中予以合理反映和披露。对于数据资产的整体建议：做好三要三不：要明确边界（权属关系、合规合法、安全应用、使用范围与使用条件），要210、明确目的（做好入表、交易、运营的主要方向，根据不同的目的进行相应的登记与评估方式），要明确价值（需要确认是否可进行货币计量，是否带交易属性）。三不是无数量不入表、无场景不入表、无产品不入表。这将有助于明确数据资产的法律属性、确权登记交易规则以及公允的估值体系等。四、第三方相关公共服务平台公共数据运营日益成为推进数据要素化改革的工作重点之一，如何构建科学合理的制度体系至关重要。公共服务平台的数据资产运营是指在政府或公共服务机构建立的平台上，对各类数据资源进行整合、管理、分析和利用的过程，旨在提升公共服务效能、促进经济发展和创新社会治理模式。以下是公共服务平台数据资产运营的几个关键方面：1.数据收211、集与整合：公共服务平台通常拥有来自多个渠道和来源的数据，包括政府数据、企业数据、社会数据等。数据收集过程中需要确保数据的准确性、完整性和及时性。数据整合则涉及将不同来源的数据进行清洗、转换和标准化，以便后续的分析和应用。2.数据分析与挖掘：利用先进的数据分析技术和算法，对整合后的数据进行深度分析和挖掘，发现数据中的价值。数据分析可以帮助公共服务平台了解用户需求、市场趋势、政策效果等，为决策提供支持。863.数据合规数据管理：当前关于合规管理的各项研究主要是从法学的角度对公共数据运营正式启动前的授权机制的合规性进行探讨，侧重于公共数据授权运营的“事前”范畴，但所依据的法律内容略有不同。数据管理包212、括数据的质量管理、安全管理、存储管理等。需要建立完善的数据管理制度和流程，确保数据的安全、可靠和高效利用。特别是对于敏感数据，需要采取加密、脱敏等措施，防止数据泄露和滥用。4.数据价值实现：通过数据分析和挖掘，发现数据中的价值，并将其转化为实际的应用和服务。例如，可以根据用户行为数据优化服务流程、提升用户体验；可以根据市场趋势数据制定营销策略、推动经济增长等。5.标准化与规范化：公共服务平台数据资产运营需要遵循一定的标准和规范，确保数据的质量和价值。例如，可以制定数据分类分级标准、数据质量标准、数据交换标准等，促进数据的共享和流通。6.政策与法规支持：政府应出台相关政策和法规，支持公共服务平台213、数据资产运营的发展。例如，可以制定数据保护法规、数据交易规则等，为数据资产运营提供法律保障。目前已有一些成功的公共服务平台数据资产运营案例，如深圳钱诚数据资产科技有限公司的数据资产公共服务平台。这些平台通过提供政策研究与解读、理论研究与创新、数据资产会计与评估、数据资产交易与融资等服务，为企业和社会提供便捷的数据交易渠道和融资途径。中国软件评测中心联合国家信息中心等单位发布的公共数据运营模式研究报告汇集了全国近 20 个典型案例，总结提炼了三种运行模式，提出了“一座”“两场”“三域”“四链”的公共数据授权运营体系架构。当前公共数据运营工作在启动阶段，普遍的关注焦点是公共数据授权问题。当数据运营214、机构获得了第一批数据授权之后，更大的数据源瓶颈问题就会日益突出，数据运营涉及的实体类型众多，不同实体的诉求不同，分角色视角的机制研究目前尚不充分，如何将不同实体的诉求统一到一个共同的目标之下形成合力值得深入研究。87五、挑战与机遇（一）数据资产运营的现状简况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215、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216、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。88（二）当前数据资产运营面临的挑战数据要217、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218、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219、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89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220、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。2.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221、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222、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90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223、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224、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。3.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225、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。4.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91见”等都是开展数据要素流通交易制度建设的重要内容，226、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227、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228、证，增加其认证检查的成本和时间成本。5.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。926.跨境数据流动的挑战跨境数据流动对全球229、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230、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。”7.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，231、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93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232、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。8.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233、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。（三）数据资产运营的机遇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234、、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。94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235、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236、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237、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。95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238、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239、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，240、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。96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241、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。4.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242、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。5.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243、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，97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。6.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244、（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（20242026 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6 245、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。六、运营实际案例案例一 交通领域数据资产入表和授信融资案例高颂数科助力某市属国有企业对其所持有的数据资源进行了全面、细致地梳理与辨析。该国有企业通过对数据梳理/治理、登记与确权、合规评估、经济利益及场景分析、成本归集与分摊、入表及披露、银行授信融资贷款等诸多环节严格的审核和确认，成功将符合资产定义的数据资源纳入企业财务报表并获得授信融资。该国有企业在全省范围内率先完成了市属国有企业数据资产入表和授信融资贷款全流程服务，真正实现了数据资产化和数据价值化，在国资国企数据资产入表和授信融资进程中迈出246、从 0 到 1 的关键步伐，打通了数据要素“资源化资产化资本化”路径，真正实现数据价值化闭环。高颂数科联合会计师事务所对 2024 年 1-5 月份企业信息化投资和支出类科98目进行了梳理，企业共发生了以下相关支出。相关支出将确认为“无形资产”，不涉及“存货”。项目组指导企业财务部门进行了如下账务处理：1.为了开发数据产品，该公司开展了有计划的调查，针对数据的应用场景进行资料及相关方面的准备，此阶段属于数据产品研发过程中的研究阶段，研究阶段的支出人工成本 10 万，不能作为无形资产（数据资产）入表，应当计入管理费用：借：研发支出费用化支出10贷：应付职工薪酬等102.当数据产品研发同时满足下列247、条件：（1）完成该无形资产以使其能够使用或出售在技术上具有可行性；（2）具有完成该无形资产并使用或出售的意图；（3）无形资产产生经济利益的方式，包括能够证明运用该无形资产生产的产品存在市场或无形资产自身存在市场，无形资产将在内部使用的，应当证明其有用性；（4）有足够的技术、财务资源和其他资源支持，以完成该无形资产的开发，并有能力使用或出售该无形资产；（5）归属于该无形资产开发阶段的支出能够可靠地计量。此时，数据产品研发进入了开发阶段，开发该数据产品投入的 10 万的劳务成本、委外开发投入 85 万、使用的材料费 2 万、其他费用支出 6 万等都可以作为数据资产的成本，期间共发生的费用均通过银行248、支付。借：研发支出-资本化支出-XX 数据产品103贷：银行存款1033.2024 年 6 月，企业组织专家对该数据产品进行了质量评价，并登记挂牌，发生服务费用 20 万。借：研发支出-资本化支出-XX 数据产品20贷：银行存款204.当数据产品研发完成并验收上线，达到预定用途，符合无形资产定义和入表条件，符合资本化条件，财务部门将“研发支出资本化支出”结转入“无形资产数据资源”：99借：无形资产数据资源-XX 数据产品123贷：研发支出资本化支出1235.在数据资源入表当月，按照无形资产会计准则要求，自入账当月（2024年 6 月）进行摊销。该数据产品预计生命周期为 10 年，因此确定无形资249、产按 10年摊销，摊销方法为直线法。具体账务处理如下：借：管理费用无形资产-数据资源摊销1.025贷：累计摊销-无形资产-XX 数据产品1.025至此，该企业已完成数据资产入表前的账务处理，合计入表金额 123 万元，入表当月摊销 1.025 万元。案例二 多源交通大数据融合驱动的机动车碳排放监测与管控效益评估（一）背景我国交通运输领域，特别是道路交通领域的二氧化碳排放占全国二氧化碳排放总量的 8.1%左右（2020 年数据），是实现双碳目标的重要影响因素之一。当前机动车碳排放监测多采取监测站分散采样或单车检测设备，汇总上传的方式，无法实现全天候、全路网、全车辆、高时效的精细化监测。本案例基于250、浮动车轨迹数据、卡口过车检测数据、电子导航地图数据、车型比例等多源数据，通过构建不同车型的碳排放因子体系，实现了基于互联网路况的机动车碳排放测算算法，从而可对全路网任意空间、全量机动车的碳排放进行监测，并能够以分钟进行高频更新，掌握更为精准的机动车碳排放量变化趋势，为降低碳排放相关政策措施的制定提供数据支撑。（二）解决方案路网机动车碳排放量即为单车碳排放量的累积，而单车碳排放受其车型、运行速度、车辆工况等因素决定。本方案通过浮动车轨迹数据、卡口过车检测数据融合分析，得到道路交通流运行速度，通过车载实验，获取机动车碳排放因子体系，对全量交通流进行集计分析，得到指定时空范围内的碳排放量。100基于251、多源交通数据的机动车碳排放监测方案技术流程大致可分为以下 3 步：1.互联网路况数据生成对浮动车轨迹数据进行清洗处理后，定位至栅格化的空间网格中，提取网格内的地图数据，根据连续轨迹点的行进角度，完成轨迹数据与地图数据的匹配。通过匹配结果可得到相邻轨迹点之间的距离与时间差，从而可得到单车在该路段的平均速度。对车辆进行离群点和完走率过滤后，采用状态加权平均的方式计算得到路段平均通行速度，对单路段路况进行时间填补、特殊路段处理，得到全域互联网路况。2.路况融合品质提升根据经纬度将卡口设备绑定到路口，并按照地图拓扑关系，生成卡口对，获取卡口对间的道路里程，依靠全量的卡口过车检测数据，可得到卡口对间的平252、均通行速度。参考卡口对间的过车数、信控路口数，确定卡口路况置信度；参考浮动车路况所依赖的浮动车数量，确定互联网路况置信度，通过两者置信度高低，将卡口数据的路况与互联网路况进行融合，得到更高品质的路况信息。3.机动车碳排放计算为获得大路网范围的流量数据，弥补现有监测流量覆盖范围的不足，基于前述道路路况信息和速度流量关系模型，研究建立本地化各等级道路的流量预测模型，进而获得大路网的交通流量数据，用于建立路网的动态排放清单。通过车载实验获得的碳排放率和工况数据获得的 VSP 分布计算获得机动车碳排放因子库，包括车辆类型、道路类型、排放标准、燃料类型、速度区间、碳排放因子等 6个关键字段，结合流量、道253、路长度、交通流构成，根据下式可得到路网机动车碳排放量：=?式中：机动车碳排放量（kg）；道路长度（km）；第 i 种车辆的比例；路段车流量（veh）；车辆类型为 i 时的碳排放因子，k车辆类型。依据碳排放量计算算法，输入指定空间路网数据与路况数据，可得到分钟级路网机动车碳排放量，根据业务需求，可输出不同车型排放量占比、不同道路排101放量排名、重点车辆排放量分布等，并以热力图形式直观展示碳排放时空分布。依据上述技术流程，本案例开发了全国路网交通碳排放监测平台，如下图所示：图图 4-24-2 全国路网交通碳排放监测平台界面（全国）全国路网交通碳排放监测平台界面（全国）图图 4-34-3 全国路网254、交通碳排放监测平台界面（北京市）全国路网交通碳排放监测平台界面（北京市）该平台对全国高速、国省道等主干道路的碳排放量进行监测，在全国维度下，进行各省份横向对比；在各省市维度下，进行逐月及单日逐小时排放变化分析，对各条道路进行横向对比，对该省份机动车车型比例、不同车型排放比例、不同车型排放标准比例进行分析，并对重点车辆进行专题分析。支持原始路况数据、地图数据，及计算碳排放结果数据的导出。可用于高校等科研院所进行机动车碳排放分析计算研究，也可支持交通、交102管、环保、车企等部门对道路机动车碳排放量进行监测、管理，如制定货车限行措施、单双号限行措施、排放标准更新等，亦可进行不同城市、区域间的横向对255、比，合理制定机动车减排方案。平台通过路网、热力等多种形式对全国路网碳排放量进行可视化展示。（三）应用成效基于多源数据的机动车碳排放测算案例的经济和社会效益主要体现在以下三点：1.降低排放监测成本本案例所提出的碳排放监测技术路线，无需进行硬件设备的安装，均采用当前既有且成熟的数据资源进行融合分析，成本仅为数据制作分摊成本、系统开发成本。2.精准评估政策效益当前各政府部门均出台了机动车碳排放管控相关的政策措施，但如何评估政策效果，成为困扰行业的主要问题。该方案支持对区域、道路、路段等空间对象在不同时期的碳排放的对比，从而定量分析政策实施前后碳排放效果对比，及时进行政策调整。3.助力双碳目标实现通过256、对机动车碳排放的精细化核查和监控，指导和推动机动车排放的减量工作。通过对具体路段、时间段的碳排放数据分析，测算平台提供的数据可以为政府制定相关环境保护政策提供科学依据。基于实际的碳排放数据，政府可以更准确地调整交通管理政策、推动清洁能源车辆的发展、促进公共交通的建设，从而达到减少碳排放的目标。企业可以利用测算平台的数据了解自身车辆的碳排放情况，优化运输路线、车辆配置和调度计划，实现减排目标，同时也可以提升企业形象和竞争力。（四）创新点本案例提出了一种新的全时空、高精度的机动车碳排放核算技术，不受地域、103时间、天气等外界条件限制，面向自动化计算程序开发，通过全路网的速度数据、流量数据、车型结257、构数据和排放模型，实现路网机动车碳排放量计算，为不同时空粒度排放清单的集计分析提供数据支撑。这项技术突破了传统的采样站或车端检测器安装成本高、抽样误差大、系统鲁棒性差等弊端。通过该技术，可以全面准确地获取机动车排放的碳量数据，不再局限于特定地点和特定时间范围内的监测，满足了对于碳排放监测的全方位需求。这一技术实现了对整个城市、区域、道路等宏观、中观、微观范围内机动车排放的实时监测与核算，为制定环保政策、评估交通运输规划、推动低碳交通发展提供了更加精准的数据支持。同时，该技术的全时空、高精度特性也使其在应对气候变化、环境管控等方面具有重要的应用前景，为建设更加低碳、绿色的社会做出了积极的贡献。案258、例三 多源数据融合驱动的道路安全风险防控策略研究（一）背景道路交通安全不仅是交管行业所关心的重点问题，更是关乎社会民生的重要因素。近年来，随着信息技术在交通行业广泛地应用，交管部门、互联网厂商、运输公司等政企逐渐积累了包括事故、地图、路况、气象在内的大量真实鲜活的数据。通过一定技术手段融合这些数据，并对融合后的结果进行深入挖掘，便能找到道路高危、事故发生的客观规律，从而更好地提高道路交通安全管理能力。在以往的道路交通安全防控中，防控时段、防控地点、防控措施大多基于经验决策，这样的做法往往存在受经验储备参差不齐、主观意志影响大、安全要素考虑不全、要素鲜度掌握不准等问题影响。通过融合上述数据源、挖259、掘应用多源数据中隐藏的客观规律，能为交管部门改善道路交通安全问题提供更好的方案。（二）解决方案为改善道路交通安全问题，挖掘数据要素价值，提出并实践了以下数据应用方案。方案综合使用了地图数据、事故数据、路况数据、气象数据以及道路事件数据，数据计算流程可顺序拆解为以下五步，各步的计算结果均可赋能交通安全104管理与安全防控。1.路网风险因子识别利用地图数据、融合互联网路况，根据路网中的道路属性、几何形状、拓扑关系，基于公路路线设计规范（JTG D20-2017）、公路安全生命防护工程实施技术指南（试行）等规范，识别出共 14 种路网风险因子，包括急弯陡坡、桥梁隧道、临水临崖、穿村过镇等。此类识别结260、果可用于上图展示、区域统计等，从而使交管部门全面认识路网结构风险点，为开展道路隐患治理提供翔实的道路数据支撑。2.路网风险因子重要度打分此部分用到了步骤（一）中的计算结果及历史道路交通事故数据。首先在公安网中提取近三年的交通事故历史数据，而后将其匹配至风险因子识别结果上，从而获取事故与路网特征之间的空间分布关系。同时利用事故数据中的死亡人数、受伤人数、财产损失，参考中华人民共和国民法典对历史事故进行分级，量化为轻微、一般、重大、特大事故。接着根据全量事故数据的空间分布、严重事故数据的空间分布，量化各风险因子对其附近可达区域事故发生频率的影响、各因子对周边区域事故发生严重程度的影响，得到各指标的261、事故频率影响系数矩阵1和事故权重影响系数矩阵1，矩阵中各元素即为隐患单因子频率重要度打分及隐患单因子等级重要度打分。3.高危风险因子组合提取关联步骤（一）提取出的路网因子数据及事故数据，采用 Apriori 数据挖掘算法，挖掘各隐患因子间关联关系，提取对事故频率、事故严重程度影响显著的高危隐患组合因子。具体实施方式如下。首先，根据历史事故分布与指标分布的关联情况，得到每起事故周围各指标的独热矩阵。接着计算各个指标、各个指标组合的支持度值、置信度值。根据算出的值，提取置信度排名 TOP10 的隐患因子组合，作为对事故频率影响显著的高危隐患组合因子。然后，筛除事故量化等级为 0 的事故，重新建立每262、起严重事故周围各指标的105独热矩阵。在该表中用同样的方法提取置信度排名 TOP10 的隐患因子组合，作为对事故严重程度影响显著的高危隐患组合因子。最终，根据个隐患单因子在路网个路段上的分布情况，得到路段各指标的独热矩阵1111。基于事故频率影响系数矩阵和事故权重影响系数矩阵，对独热矩阵中出现的高危隐患组合进行权重惩罚，得到路网中各个指标对事故频率的影响系数矩阵1111和各个指标对事故等级的影响系数矩阵1111。隐患单因子重要度、高危隐患因子组合 TOP10 代表了各类隐患因子在单独出现、叠加出现时对事故发生概率、严重程度的贡献值。这一结论可帮助民警更全面地认识特定区域的事故诱因，掌握事故发生263、的客观规律。在民警对路段不同隐患进行批量整治时，这一指标可为相关部门提供科学准确的整治优先级，提供路网优化辅助决策。4.路段隐患指数计算基于上一步中计算的路段隐患因子分布矩阵、指标对事故频率的影响系数矩阵、指标对事故等级的影响系数矩阵，将全部隐患因子叠加至路网上，根据式（1）、式（2）计算出路网上各个路段的隐患系数，再将其归一化至 0-1 区间内。11111111=?1?0 1 归一化?1（式 1）11111111=?1?0 1 归一化?1（式 2）在结果矩阵中，代表第个路段的事故频率隐患系数，代表第个路段的事故等级隐患系数，将二者进行 F1 调和平均计算，得到路段隐患值矩阵1。步骤（二）、（264、三）、（四）中识别出的隐患因子重要度、高风险隐患组合、隐患路段识别结果，实现了隐患识别、隐患分析、隐患治理的管理流程闭环，可进行隐患自动识别、智慧化分析，避免人工采集由于隐患区域广、内容多、人力106不足而导致的易遗漏和误判等问题。5.道路实时、未来风险计算接入实时路况、动态气象、预测路况、预测气象、道路事件等数据，将这些数据匹配至地图路网上并打分，打分标准参考 公路交通安全态势评估规范（GAT960-2011）。完成打分后，结合上述指标与路段隐患指数、路段历史事故，计算城市实时及未来一段时间内的交通安全风险分布情况，参照上述规范中的阈值对高危路段进行报警，实现道路交通安全风险的精准监测、精准265、预防。（三）应用成效基于上述数据应用方案，开发了道路安全风险防控平台，并与广东交警总队、吉林交警总队、广州交警支队、湛江交警支队等单位进行了深度合作，在上述区域实现了道路安全风险防控平台的落地应用，为交管部门在交通安全领域的减量控大提供了强有力的支撑。应用成效具体体现在以下几个方面：1.全面认识路网结构隐患，助力设施设备布设优化通过图 4-4、图 4-5 界面展示路网单因子隐患分布、组合隐患分布、隐患打分、整治建议等，帮助交警解决道路风险点认知不全面的问题，识别出路网结构风险点并与事故数据、违法数据关联，分析路网结构与事故、违法事件之间的关系，为交警提供路网、设施设备布设优化辅助决策，从而降低266、风险隐患。图图 4-44-4 路网单因子隐患分布展示界面路网单因子隐患分布展示界面107图图 4-54-5 路网组合隐患分布展示界面路网组合隐患分布展示界面2.感知、预测路网安全风险，引导事故预防策略、警力布控策略制定通过对多源数据进行汇总碰撞，建立安全风险预警预测模型，对当前、节假日、重大活动的道路安全风险进行预测预警，并在图 4-6 界面进行展示，辅助交警提前感知风险，明晰诱因，制定预案，降低道路安全风险。图图 4-64-6 高风险点段预警展示界面高风险点段预警展示界面（四）创新点1.以地图数据为底座，广泛汇聚交通安全领域中的人、车、环数据，利用数据驱动算法，从多源数据中融合结果中充分挖掘267、客观规律，得出的结论真实合理，不受主观判断影响，可参考价值大。1082.量化了历史事故频率、等级，并对二者进行了调和平均，以综合考量路网结构对事故发生概率、事故发生严重程度的影响。这种历史事故量化方式，相较于传统方案中针对事故多发点或重大事故的研究，更能全面客观地反映路段安全隐患水平。3.考虑了组合因素带来的风险陡增情况。在识别路段隐患风险前，通过数据挖掘算法提取出了高危隐患组合，更好地反映了现实情况中不利行车条件的叠加导致的风险陡增情况。不仅使得结果更为真实准确，也有利于交管部门后续对路段隐患进行有针对性地排查整治。七、未来展望目前，数据资产正逐渐成为企业重要的资产形态和价值来源。数据资产运268、营的未来展望显示出更广阔的发展空间和更重要的战略地位。随着技术的进步和政策的完善，数据资产有望成为推动经济发展的重要动力。数据资产运营的发展趋势与未来展望紧密相连，我们可以从以下几个方面进行综合分析：1.推动技术革新与智能化随着大数据、人工智能、区块链等技术的持续发展，数据资产运营将更加智能化和自动化。这些技术将提高数据处理和分析的效率，实现更精准的数据应用，同时也能增强数据的安全性和透明度。2.加强数据价值的深度挖掘数据的价值在于应用场景的突破，企业将更加注重数据资产的价值挖掘，通过深入分析和应用数据，发现新的商业模式和增值服务，从而提升企业的市场竞争力。3.会更加重视合规性与隐私保护随着全269、球对数据隐私和安全的关注日益增加，数据资产运营将更加重视合规性和隐私保护。企业需要在遵守法律法规的同时，确保数据的安全和用户的隐私。4.促进跨界合作的加强数据资产运营将促进不同行业和领域之间的合作。通过数据共享和跨界合作，109企业能够实现资源的优化配置，创造更大的商业价值。5.推动数据资产交易市场的成熟预计未来将出现更加成熟和规范的数据资产交易市场，为数据资产的买卖、交换和共享提供平台，促进数据资产的有效流通和利用。6.企业数据治理体系的持续完善企业将不断完善数据治理体系，确保数据的质量、安全和合规性。这包括建立有效的数据管理框架、流程和政策，以及采用先进的数据治理工具和技术。7.推动数据驱270、动决策的普及数据资产运营将推动企业更加依赖于数据来做出决策。数据驱动的决策将帮助企业更好地理解市场和客户需求，提高决策的准确性和效率。8.重视数据伦理和责任的强调随着数据经济的发展，企业将更加重视数据伦理和责任。这包括对数据的合法收集和使用、对数据泄露的防范和处理，以及对数据滥用的社会责任。9.持续推进数据资产化的创新实践数据资产化的创新案例深度剖析将展示其实际应用效果。未来趋势预测包括技术创新、行业标准建设、数据资产登记平台完善等方面，预示着行业的长远发展前景。数据资产运营的发展趋势与未来展望是一个技术驱动、价值导向、合规优先、合作共赢的发展趋势。企业需要不断创新，适应这些变化，以充分利用数271、据资产带来的机遇。110第五部分第五部分 数据资产入表数据资产入表一、数据资产入表概述（一）数据资产入表数据流转过程数据在每个阶段都有不同叫法。比如，在数据资源之前叫原始数据，原始数据其实就是信息化过程中沉淀的数据，像订单数据、客户数据，还有一些设备数据，都是偏明细数据。有了原始数据，经过一定的加工处理，包括治理、统一汇聚等，会形成数据资源。数据资源之后是数据资产，再者是数据产品，可以上架流通。基于流通，我们能够通过估值将数据资本化，比如融资授信，这是整个数据流转的流程。数据资源经过治理之后，输出更多的是一个模型或者一些 API，这部分内容通常是对内服务，可以理解为数据内循环。比如，生成的分析272、模型、可视化报告，或者用户标签画像，都是企业内部数据应用的场景，它产生的价值对于企业决策有帮助，可以认为其就是数据资产。在数据产品层面，更多是对外的，即所谓的外循环。简单来说，企业可以把数据产品上架到数据交易所、数据交易平台，让下游用户或者供应商用户去购买，也就是将数据以商品的形式上架并且交易流通。图图 5-15-1 数据资产入表及运营全流程数据资产入表及运营全流程（二）数据资产入表数据梳理关于第一个阶段数据资源梳理，具体要做的事情，可以总结为五个步骤。1111.明确梳理范围：企业到底要梳理哪些业务系统的数据，即确定数据梳理的组织范围、业务范围、系统范围，统一数据资源梳理模板。2.梳理数据资源273、内容：整理和编写数据资源内容，包括实体、数据项、指标、模型等，以及数据血缘、更新、存储、运维情况。3.评审数据资源清单：基于内部数据管理制度，确定评审机制，评审数据资源有效性、完整性、一致性等，并管理评审问题。在做评审时，要确保数据资源是经过治理的、准确的、一致的。4.优化改进调整：依照问题对梳理内容、定义及模板进行优化改进。5.发布数据资源清单：通过业务评审，发布数据，资源清单，数据资源目录、数据来源、业务口径、技术属性等。图图 5-25-2 数据资源梳理五步法数据资源梳理五步法（三）数据资产入表资产化三部曲第一：资源化：即数据资源的梳理，包括合规确权，还有确权之后的治理和管理，从而输出数据274、资源。第二：数据资产化：数据资产化基本上是以场景为驱动，比如可视化报表，或者预测模型，这些就是企业的数据资产，而可视化报表后端也有对应的宽表分析模型，因此可以认为资产就是数据模型化的输出产物。数据资产化要做 4 件事情：1.质量评估：要评估数据的好坏，它的一致性、准确性，都要做评估；2.成本归集和分摊：根据财政部企业数据资源相关会计处理暂行规定，112基本上都要用成本法入账，即搞清楚每个数据对象或者数据表，消耗的人工成本、服务器成本、存储成本、计算资源成本，以及相关的确权维护成本等等；3.列报：将它在资产负债表里进行展示和披露，这个过程是需要审计的，所以需要会计事务所参与进来；4.数据产品的孵275、化：目的是输出有价值的数据应用场景，使数据资产的价值增值，再往后就是具体产品化的增值价值。举个例子，企业有款数据产品每年卖给运营商，收入有 100 万，那么就可以通过收益法对产品做估值，然后预估这个产品的增值，这个增值是可以做产品抵押授信的，通过将数据产品抵押给银行，由银行授信 1000 万的贷款额度。第三，产品化的流通和交易环节：这个环节也需要数据交易所参与，通过把商品上架到数据交易平台，找到数据消费者、数据购买者，实实在在地产生数据交易带来的收入。（四）数据资源入表角色及注意事项整个入表过程涉及环节较多，包括资产梳理、合规确权、数据治理、质量评估、资产评估、成本分摊、入账审计，以及资产交易276、评估、数据上架等等。每个阶段都需要有法律依据，还有内外部的参与方，需要输出阶段性成果。具体可以参考下图：图图 5-35-3 数据资源入表及运营各阶段参与方数据资源入表及运营各阶段参与方113有以下几点需要注意：在数据资源梳理阶段，更依赖企业内部的开发规范，包括基础数据的维护和管理细则等，相当于是数据标准制定的依据，主要由 IT 部门牵头，业务部门负责提供系统信息。而作为牵头团队，IT 通常要对接数据厂商，搞清楚企业到底有哪些数据资源，最终输出的数据字典，以及数据资源的分类分级，最终输出数据资源目录等信息。对于数据价值评估，需要明确它是不影响入表的，那为什么要做这件事情？主要是判断数据有没有减值277、。正常入表是成本法和收益法两者取较低值，换句话说，如果评估该数据没有价值，就算成本比较高，也不能按照成本法来入账。财政部这样规定，是为了避免数据资产虚高的情况。因此，即使企业在某个项目的存储、管理上都投入了成本，但它的价值评估是 0，这种情况也是存在的。数据产品孵化运营，主要是基于国家数据局颁发的“数据要素”3 年行动计划里面的内容，涉及 12 大场景。比如针对交通、农业，输出相关应用产品，或者把企业物流数据、供应链数据，甚至是研发数据，包装成产品去服务客户。（五）数据资产入表资源盘点数据资产盘点是数据资产管理的前提，只有对数据资产完成规范化的、系统化的归并、整理、分类等操作，才能达到有效利用278、的程度。盘点就是将不同来源、不同类型的数据按一定标准进行分类整理，所有的数据都按统一的形式展示，方便后续使用。明确需要盘点的数据资产之后就可以制定统一风格的数据内容模板，然后按照模板格式，进行数据资产内容编写和盘点工作，最后得到大量便于使用、查看的数据资产。以下为具体步骤：1.制定统一的模板：例如设计医疗、港口、金融、社保、交通等行业的业务模板，并按照标准对各行业数据字典进行梳理，统一了数据口径。企业可以根据所属行业和内部特征，选择合适的行业模板进行梳理和盘点。2.企业内部数据存储位置的探查和发现：数据资产盘点的前提是知道数据存储在哪里。随着时间的积累企业的数据会散布在各个角落，依靠人工的力量279、可能无法理清全部数据的存储位置。企业的数据资产主要分布在数据库、云、大数据114平台、文件服务器、电脑等终端。3.数据含义的自动识别和解析：通过内置的业务模板和数据标准，自动识别数据格式，在此基础之上，通过自然语言处理和特征分析等方法，对数据进行语义内容识别；另外还实现了表格分类和关联关系的分析，使得数据内部关系透明化。4.分类展示数据，划分敏感等级：采用规范的数据分类方案对数据进行分类管理，并根据敏感程度划分敏感等级，帮助企业全面清晰地厘清数据资产、确定数据重要性以及敏感程度，对数据资产实现规范化管理，更好地完成对数据的维护和扩充5.生成可视化数据报告：系统最终将会生成完整、全面、直观的可视280、化发现报告，包括：数据分级分类报告、数据质量报告、数据资产报告等，并提供导出功能，帮助用户清晰地了解企业内部数据情况，掌握数据资产状况，快速完成对数据资产的盘点。6.数据结果合理应用，实现规范化管理：一方面，根据数据资产盘点的结果可以运用于企业内部经营管理和决策分析，发挥数据价值；另一方面，根据分级分类的结果，针对性地采取适当、合理的管理措施和安全防护措施，在保证数据安全的基础上完成数据的共享；此外还可以根据数据质量的分析针对性地进行数据治理提高整体数据质量，在企业内部形成安全可靠、高质量的数据环境，最终实现对数据资产的规范化管理。二、数据资产入表案例研究（一）研究背景在当今时代，数据已成为驱281、动经济社会发展的关键生产要素，其重要性不言而喻。随着中国数字经济的高速发展，数据的价值日益凸显，不仅促进了产业结构的优化升级，还催生了新业态、新模式的不断涌现。据全国数据资源调查报告（2023）中国数字经济发展研究报告（2023 年）综合显示，我国 2023年数据生产总量为 32.85ZB，全国 2200 多个算力中心的算力规模约为 0.23 十万亿亿次浮点运算/秒（ZFLOPS），算力总规模位列全球第二，并且数字经济已占到 GDP 比重的 44%，数字经济核心产业增加值占国内生产总值（GDP）的 10%，成115为推动经济增长的主要引擎。从 2017 年第一次提出“促进数字经济加快发展”，到282、 2022 年将“促进数字经济发展”单独成段，再到 2023 年的“大力发展数字经济”，2024 年的政府工作报告中再次提出“深入推进数字经济创新发展”，并且提到制定支持数字经济高质量发展政策，积极推进数字产业化、产业数字化，促进数字技术和实体经济深度融合。在此背景下，数据作为新型生产要素的地位得到了前所未有的重视，如何科学合理地进行数据资产管理，成为理论界和实务界共同关注的焦点。2022 年底，中共中央、国务院发布的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”）政策文件，明确提出了要构建数据基础制度，加快培育数据要素市场，这标志着我国在数据要素市场化配置改革方面迈出了坚283、实的步伐。其中，对于数据产权、流通交易、收益分配、安全治理等方面进行了系统性的顶层设计，构建了我国数据要素基础制度的“四梁八柱”。与此同时，财务部企业数据资源相关会计处理暂行规定的发布，填补了数据资产在会计核算体系中的空白，为企业将数据资产纳入资产负债表提供了指导思路。此外，财务部关于加强数据资产管理的指导意见的通知则从宏观层面强调了数据资产管理的重要性，要求各地区、各部门、各企业建立健全数据资产管理机制，提升数据治理能力，确保数据安全，促进数据开放共享，推动数据资产的有效利用和价值最大化。这一系列政策的出台，为数据资产的规范化管理提供了坚实的制度保障，也为数据资产入表的研究提供了丰富的实践案284、例和理论素材。综上所述，当前中国正处于数据要素市场建设的关键时期，数据资产的入表不仅是企业财务管理创新的重要内容，也是国家数字经济战略实施的重要环节。本报告旨在深入探讨数据要素新赛道、数据要素全产业链服务模式和未来的展望思考，期待为我国数据要素市场的健康发展贡献智慧，推动数据资产价值的有效释放，助力数字经济高质量发展。（二）研究目的和意义中国作为数字经济大国，正致力于建设数字社会、数字政府，打造数字中国，推动经济社会全面数字化转型，其中数据资产入表是实现这一目标的重要一环，116本次研究旨在深入探索数据资产入表的意义、数据要素全产业链发展路径，并以企业、服务、审计、监管等不同视角进行研究与分析285、，从企业视角、数商视角、审计视角、监管视角（统称为“四视角”）对数据要素全产业链进行研究与论述，具体研究目的如下：1.企业视角数据资产入表是数据资本化的前提，旨在帮助企业更好地管理和激活数据资产，从而提升企业声誉，推动企业数字化转型。对于企业而言，数据资产的量化不仅能够揭示其在数字时代的核心竞争力，还能为投资者、债权人和其他利益相关方提供更全面的价值评估依据。企业可借助数据要素全产业链的咨询服务，构建完善的数据战略规划、数据合规体系、数据治理体系、数据安全体系，建设牢固的数据资产发展地基，并结合自身特点和优势，设定长远的发展目标，带动企业数字化转型和产业结构升级。2.数商视角2024 年被视为286、数据资产入表“元年”，预示着巨大市场机遇。通过提供数据合规评估、会计审计与账目设计、数据资产评估、数据资产入表咨询、数据资产入表审计、数据清洗与产品加工、数据确权、数据资产培训、数据相关产业研究、数据资产运营生态研究等专业服务，满足企业数据资产价值最大化的需求，同时有助于服务商资源整合、拓展客群、增项新收入，还能促进中国产业集群化发展，促进行业良性竞争，推动数据安全、数字化转型、区块链、人工智能等多个产业的发展，为我国的数字经济发展贡献智慧。3.审计视角数据资产入表与价值交易对于审计机构具有很大的机遇与挑战，随着数据资产逐渐成为企业资产的重要资产部分，审计机构则需紧跟时代步伐，深入研究数据资产287、理论、实践经验，总结并探索针对数据资产新的审计方法、审计要点和工具，以适当数据资产的复杂性和多变性，希望本次研究有助于推动数据资产审计行业的整体发展，研究将帮助审计机构理解数据要素全产业链运作的特性和风险，设计出更加精准和高效的审计要求，确保数据资产的准确计量和披露，从而提升审计工作的质量和效率，维护数据要素市场的公正性。1174.监管视角（1）数据要素发展需要健全国家法规与市场监管两大体系，本次数据要素的研究将促进数据要素市场规则的完善和市场监管机制的健全。希望国家可以尽快出台有关数据资产确权、数据资产估值、数据要素交易分配、数据市场交易规则等国家法规，从法律层面健全数据要素法律体系，监管机288、构穿透企业，做好垂直监管，确保数据要素市场合法交易和数据资产的有序流通。同时，研究还将探索数据要素全产业链的风险隐患，对于防范数据滥用、数据泄露、违规交易、虚高估值等方面起到引导作用，保护数据主体权益，维护数据要素市场的公平竞争秩序，促进数字经济的健康可持续发展。（三）研究路线和方法本次研究思路主要是在分析我国数字经济发展的总体趋势、我国数据资产相关的法规政策，并总结研究数据资产新赛道和数据资产化实施路径，借助科学的理论和研究方法，提炼并总结研究成果。本次研究一系列的演化过程，如图 5-4所示：图图 5-45-4 主要研究路线图主要研究路线图主要根据中小银行信息科技外包风险监测与评估模型定性和289、定量相结合的要求，分析并选择了合适的方法，以下将介绍几种本课题研究的主要方法如下表。118表表 5-5-1 1 研究方法研究方法序号序号研究方法研究方法方法描述方法描述1.文献研究法本次研究将搜集一定的文献资料，分析我国数字经济发展趋势、数据要素市场变化，了解数据资产相关政策，为整体研究打下“坚实地基”。2.业界动态法通过关注数字经济发展和数据要素产业的新动态，及时发现新的市场机遇和产业挑战，利用业界的优秀成果，实现本次研究的“兼容并包”。3.行业交流法通过与会计师事务所、律师事务所、生态研究机构等人员的广泛交流，了解数据要素新赛道的市场模式，为数据要素生态发展“集思广益”。4.经验总结法在实290、践中总结经验和方法，进行归纳与提炼，使之系统化、专业化，进而上升为一种实施方法论，推动行业发展，并成为“沟通桥梁”。5.实践分析法通过对数据资产化实施路径的研究，总结并提炼各类指标体系，兼顾合理性、专业性和实用性，致力推动数据要素产业的“融合发展”。三、数据要素市场新赛道在数字中国、数字政府、数字社会、数字生态的大背景下，企业数据资产将成为新的赛道发展点，各行业均在此有较大的市场机会，同时也面临着严峻的挑选，而律师事务所、会计师事务所、资产评估公司、咨询审计公司以及数据服务公司等专业机构正扮演着不可或缺的角色。随着数据被正式确认为生产要素，这些机构不仅为企业提供数据合规、数据资产入表、价值评估291、、审计咨询等服务，还助力构建健康的数据要素市场。这一趋势不仅催生了数据合规、数据确权、数据产品设计、数据交易、数据资产审计等新兴服务，还推动了传统行业向数据驱动型转型，共同塑造数字经济的新格局。下面仅对部分与数据资产新赛道有关的企业和机构可从事的服务和工作事项进行简要论述，希望各行业都可以找到数据要素市场新赛道的发展机遇，共同为我国数字经济发展贡献自己的力量。119（一）律师事务所 数据合规咨询：提供数据合规、数据确权、数据资产入表等方面的法律意见。数据资产法律咨询：数据金融化/资本化、数据跨境、公共数据授权运营。合同审核与起草：涉及数据交易、数据授权使用、数据处理协议的法律文书准备。知识产权292、保护：数据相关的专利、版权、商标等知识产权注册与维权。争议解决：处理数据侵权、数据合同纠纷等法律问题。（二）会计师事务所 财务审计：验证数据资产的财务记录，确保其准确性和完整性。财务咨询：提供数据资产入账、折旧、摊销等会计处理建议。税务规划：针对数据资产的税务优化，包括资本利得税、增值税等方面。并购与重组：在企业并购或重组过程中评估数据资产价值。（三）资产评估机构 数据质量评估：检查数据的准确性、一致性、完整性等，出具数据质量评估报告。数据价值评估：量化数据资产的市场价值，用于投资、交易或财务报告，出具 数据资产价值报告。数据资产组合分析：帮助企业了解其数据资产的整体状况和潜在价值。（四）咨询293、审计机构 数据质量评价：依据政策要求，对数据准确性、完整性、一致性、可访问性等进行评价，并出具数据质量评价报告。数据战略与治理咨询：提供数据现状分析、数据战略规划、数据合规/治理/安全体系建设。120 数据要素全产业链咨询：指导企业按照暂行规定实施数据资产入表全链路服务，包括数据规划与盘点、数据治理与安全、数据合规、数据确权、数据质量与价值评估、数据资产入表、数据运营监控与审计等。其他数据专项审计：数据合规审计、数据治理审计、数据安全审计、数字化转型审计等，均可单独出具专项审计报告。（五）数据确权公司 数据产权登记：为数据资产提供确权服务，明确企业的数据资源持有权、数据加工使用权、数据产品经营294、权。争议解决：处理数据确权和交易过程中的纠纷，提供数据溯源支持。（六）数据服务公司 数据集成与处理：将原始数据转化为可供分析和使用的数据集。数据产品设计：开发数据可视化工具、数据 API、数据订阅服务等产品。定制化解决方案：根据客户需求，提供个性化数据产品和数据服务。数据清洗与整合：清理和标准化数据，准备用于分析。数据分析与挖掘：提取数据中的洞察点，支持业务决策。数据平台搭建：构建数据仓库、数据湖等基础设施。AI 与机器学习应用：开发智能数据处理算法和模型。（七）数据安全公司 数据加密与解密：提供数据传输和存储的安全解决方案。数据泄露防护：提供数据防泄漏一体化解决方案。身份与访问管理：提供数据295、授权访问控制解决方案。（八）数据运营公司 数据资产管理：帮助企业建立数据资产目录，优化数据存储和使用。数据价值挖掘：通过分析和建模，提炼数据中的商业价值。数据资产平台建设：提供数据资产运营平台建设，包括目录、地图、场景和成本计量。121（九）研究院机构 数据资产理论研究：开展数据资产定义、分类、确权、价值评估等基础理论研究。政策与标准制定：参与制定数据资产确权、估值、管理、交易、安全等领域的国家政策与行业标准。技术前沿探索：研究数据隐私、数据加密、区块链、人工智能等关键技术在数据资产中的应用，推动新技术创新。（十）数据生态公司 数据资产运营基地：布局全国数据资产运营新赛道，在北京、石家庄、粤港296、澳等地成立数据资产运营基地。数据要素生态图谱：推动数据要素产业发展，布局产业生态，启动数据要素生态图谱建设。数据要素市场化改革：从供给侧、业务侧的角度入手，推动数据要素产业发展和市场改革，发起数据要素市场化配置改革活动。数据资产生态大会：从生态发展、市场推动、行业规范化等多个视角组织数据资产生态大会，促进生态交流、市场交流、行业交流。（十一）数据投资公司 数据投资策略咨询：分析数据行业趋势，国家政策走向，为投资者提供数据驱动的市场洞察，帮助他们做出明智的投资选择，制定数据投资组合策略，分散风险，实现收益最大化。并购与重组顾问：在数据驱动型企业间的并购活动中担任顾问，评估目标公司的数据资产价值，297、协助企业整合数据资源，优化数据资产组合。并提供并购与重组方案，释放数据资产的潜在价值。数据创新孵化与投资：支持数据初创企业，提供资金、资源和指导，建立孵化器，培育数据科技创业项目，并投资于有潜力的数据产业项目，参与早期数据技术和市场的商业化过程。122 数据投资培训与教育：提供数据投资相关的培训课程，提升投资者的专业知识，组织研讨会和沙龙，分享最佳实践和行业洞见，发布研究报告和白皮书，促进数据投资领域的知识传播。（十二）数据交易平台 数据资产上架挂牌：数据交易所、数据交易中心推动数据资产入表、数据产品研发、数据资产登记、上架和交易。数据资产形态建设：数据交易所、数据交易中心对数据资产分类，包括298、数据产品、数据服务、数据工具、数据资产、算力资源、增值服务等 数据要素人才培训：数据交易所、数据交易中心提供数据资产入表公益讲座、数据要素人才专项培训。数据资产撮合交易：推动数据资产场内交易，收集数据需求，举办交流会、产业推荐会、沙龙交流会等。（十三）地方政府机构 公共数据运营授权：各地方政府积极推动公共数据要素市场化，也发布相关公共数据管理办法和制度，并且广州、北京、上海、杭州、长沙等地建立了不同的公共数据运营模式，正在实践当中不断摸索。数据要素市场发展：政府机构深度解读数据二十条，不断探索数据要素市场化改革，推动公共数据授权运营，积极建立数据资产收益分配机制，不断探索和寻求数据要素市场的改299、革方法和重要举措。四、数据要素全产业链服务模式（一）数据资产入表切入产业发展2020 年 4 月 9 日，国务院印发的关于构建更加完善的要素市场化配置体制机制的意见（简称“数据二十条”），首次将数据明确列为与土地、劳动力、资本、技术并列的五大生产要素之一，强调要加快培育数据要素市场，推进政府数据开放共享，提升社会数据资源价值，加强数据资源整合和安全保护。这一政策导向，为数据资产的确认、计量和披露提供了宏观层面的支持，鼓励企业探索123数据资产化的路径。为响应“数据二十条”的政策精神，财政部于 2021 年 8 月份发布了企业数据资源相关会计处理暂行规定（简称“暂行规定”），这是我国首个针对数据300、资源会计处理的专门规定。该规定明确了数据资源的确认条件、初始计量和后续计量原则，以及减值测试和披露要求，为企业数据资产入表提供了指导原则。其中，确认条件强调数据资源必须具有可辨认性、控制权、未来经济利益流入的可能性和公允价值的可计量性；初始计量一般采用成本法，后续计量则可以选择成本法或重估价法；减值测试需定期进行，确保数据资产价值的真实反映；披露要求则强调了透明度和可比性，要求企业充分披露数据资产的相关信息。在暂行规定出台之前，很多企业的数据产品研究和开发阶段所产生的支出大都是费用化，直接计入损益表，但企业有一部分数据产品本质是满足会计准则资产确认条件的，那么在暂行规定出台之后，企业就可以把这301、部分资产在资产负债表相关科目进行列报和披露，企业在编制资产负债表时，应当根据重要性原则并结合企业的实际情况，在无形资产、存货或开发支出项目下面，以“其中：数据资源”二级科目的形式进行列报，并按照外购、自行开发加工、其他方式取得等类别，对确认为无形资产、存货的数据资源相关会计信息进行披露。数据资产入表的意义和价值图图 5-55-5 数据资产入表七大意义图数据资产入表七大意义图中国作为全球首个正式将数据确立为生产要素的国家，开创性地将数据与传统的土地、劳动力、资本、技术等要素并列，标志着数据驱动型经济时代的到来。这一举措深刻体现了数字经济对现代社会发展的影响，不仅推动了数据要素市场的建设和数据资源302、的优化配置，更促进了数据确权、交易、监管等领域的制度创新，为全球数字治理提供了中国方案，彰显了我国在数字经济领域的领导力和前124瞻性。通过将数据纳入生产要素范畴，中国正加速构建以数据为关键要素的数字经济体系，引领新一轮科技革命和产业变革，也为世界的数字经济发展贡献着中国力量。数据资产作为新质生产力的重要载体，在我国数字经济发展中起到至关重要的作用，数据资产入表作为数据资产化发展的第一步具有深远的意义，它不仅关注企业财务管理与战略决策，更是推动企业数字化转型和产业升级的关键，以下是数据资产入表的意义和价值：1.有效缓解部分企业贷款难问题企业数据资产入表，可降低企业资产负债率。数据入表后，企业的303、资产会“增厚”，从入表后第二年开始，部分数据资产将做费用化处理。由此，数据资产入表对企业资产负债表有调节作用，也能降低企业资产负债率，这可以在一定程度上解决企业贷款难问题，数据资产化后，对于企业投融资有助力作用，如数据资产可以作为非货币资产，进行质押贷款和融资等。2.有助于地方政府公共数据授权运营之前地方政府的公共数据不知道授权谁给，不知道价格如何衡量，缺乏一定的制度规范。现在数据按照资产化产品化路径去走，将数据资产盘活，通过公开作价，可以实现公共数据的授权运营，如授权给国企，国企可以对公共数据进行开发、加工，形成数据产品或数据集等数据资产，则可以通过数据资产信用贷款或质押贷款，国企可以利用无304、形资产减值期来做业务创新和资金周转，对于国企具有开创性的意义。3.有助于加快政府财政转型数据资产列入财务报表将能推动政府向数据财政转型，进一步加速释放数字经济的强大新动力。数据资产列于企业财务报告中，不仅能活跃起数据资产的交易活动，更是有效地促进了交易活动对资源的运用效果，为地方财政的转型升级提供了全新的解决策略。政府应正视并推动全面激发政府机构和各商业公司的数据资源，加大发展数字经济的力度，倡导确保数据资源的合法化以及所有权认证制度的建立和创新，从而综合提升政府数据资产的运营效率和价值挖掘能力。1254.提升企业价值衡量的准确性数据资产入表能够更真实、全面地反映企业的资产状况和市场竞争力。传305、统的企业价值评估往往侧重于有形资产和财务指标，而忽视了数据资产这一无形但至关重要的财富。通过将数据资产量化并计入资产负债表，可以更准确地评估企业的实际价值，为投资者、债权人及潜在合作伙伴提供更为全面的投资决策依据。这对于那些依赖大数据、人工智能等技术的企业尤为重要，因为它们的核心竞争力往往体现在数据资产的质量和规模上。5.促进数据资产的规范化管理数据资产入表要求企业建立完善的数据资产管理机制，包括数据的采集、传输、存储、使用、共享、删除和销毁等各个环节。这一过程促使企业审视自身数据资源的现状，识别数据资产的价值，制定相应的数据战略，完善数据合规、数据治理、数据安全等三大体系，从而实现数据资产的306、规范化管理。规范化的管理不仅有助于提高数据质量和数据安全性，还能促进数据的高效利用，避免数据冗余和浪费，最终提升企业的运营效率和市场声誉。6.激发数据资产的市场潜力数据资产入表为数据资产的交易和流通提供了合法性和透明度，有利于形成活跃的数据要素市场。当数据被视为可量化的资产并受到法律保护时，企业之间、企业与个人之间的数据交易将更加频繁，数据价值的发现和交换将成为可能。这不仅激活了数据资产的市场潜力，还促进了数据资源的优化配置，加速了数据驱动型经济的发展，更为打造数字社会、建设数字政府和数字中国做出应有的贡献。7.推动企业数字化转型和智能化创新数据资产的显性化和资本化将激励企业加大在数据技术和应307、用上的投入，推动企业向数字化、智能化转型。企业会更加重视数据的收集和分析，利用大数据、云计算、人工智能等先进技术挖掘数据价值，开发新产品和服务，创造新的商业模式。数据资产的增值循环将进一步增强企业的创新能力和市场竞争力，加速整个社会的数字化进程，同时企业数字化转型也将带动企业产业升级，尤其对于实体经济的发展将起到助推器的作用，对于我国实体经济与数字化、智能化的深度融合打下了坚实的基础。1268.提升中国数字经济的国际竞争力数据资产入表是国家数字经济战略的重要组成部分，也是新质生产力的重要载体，它有助于提升国家整体的数据治理水平和数字经济的国际影响力。在全球范围内，数字经济已成为衡量一个国家经济308、实力和创新能力的重要指标之一。通过推动数据资产入表，中国可以更好地参与全球数据要素市场的竞争与合作，提升本国企业在国际产业链和价值链中的地位，进而提升中国数字经济的国际竞争力，突显中国在国际数字经济舞台的地位和影响力。（二）数据要素全产业链服务模式目前行业常见的有数据资产入表“五步法”、数据资产入表“六步法”，上述模式重点针对企业数据资产入表而设计的路径，但缺少对数据的整体规划与布局，数据资产入表应能够成为激活企业数字化转型和产业升级的钥匙，更是企业数据治理和数字化转型的驱动力，结合数据资产入表行业实践、数据资产化实施路径、数据资本化运营路径，研发了数据要素全产业链服务模式，具体如图 5-6所309、示。图图 5-65-6 数据要素全产业链生态服务示意图数据要素全产业链生态服务示意图1.数据规划与盘点（1）主要工作内容127数据咨询与规划作为数据资产管理的重要环节，将从数据的全局视角帮助企业识别、评估企业数据的现状，使企业清晰地了解数据的价值、数据的现状、数据管理上的风险及不足，为后续建立完善的数据合规、数据治理、数据安全体系打下坚实的基础。a.数据现状评估对企业数据战略、数据组织架构、数据岗位设计、数据职责落实、数据制度建设、数据治理体系框架、数据标准、数据质量、元数据、主数据、数据安全、数据应急、数据防护、数据脱敏、数据审计、数据价值、数据产品开发等进行全面识别与评估，结合国家法规、国310、家标准、行业标准、企业制度，从治理层面、管理层面、执行层面、技术层面、产品层面的五大层面进行数据现状评估与分析，识别数据管理中的不足与机会，为后续改进提供依据。b.数据风险改进对企业数据风险改进，重点关注合规问题、数据治理问题、数据安全问题，并对所有风险建立风险清单，形成高、中、低分别分布，明确整改提升优先级，建立风险整改地图，形成从治理、管理、技术、产品等一体化的风险解决方案，提前对数据合规的检查重点进行覆盖，将风险前置化，节省合规整改时间，提升企业入表效率。c.数据战略规划结合企业的业务战略、科技战略制定长期的数据战略发展规划，内容全面覆盖数据治理组织架构、制度体系设计、数据架构设计、数据311、平台设计、数据人才规划、数据价值流通路径等，明确发展原则、发展目标、发展愿景、发展蓝图、实施路径、具体任务和保障措施，并针对数据资产形成数据资源化资源产品化产品资本化的价值流通路径，开设数据资产账户，引入内部分户账，有效管理数据资产因持续开发、应用、内外部流通带来的账面价值变化，便于持续的成本统筹和计量。d.数据资源盘点与分类数据资源盘点是数据资产管理的基础，旨在全面识别和记录企业内部所有数据资源的存在状态。它包括对数据的来源、类型、存储位置、使用频率、数据量大小、更新周期等；在盘点的基础上实现数据分类分级，根据数据使用场景、消耗方式、重要性等进行分类，常见的分类方法有按业务领域分类、按数据敏312、感度128和重要性分类、按数据应用场景等。便于后续的数据保护和合规审查。2.主要核心收益（1）核心收益 建立企业级数据资源目录。盘点具有经济利益的数据资源，通过目录、标签化、属性描述等方式准确描述数据资源，为后续的数据分类，估值与会计计量提供基础。优化资源配置：基于数据价值，企业能更高效地分配资源，提升整体运营效率。增强投资吸引力：清晰的数据资产价值有助于吸引投资者，增强资本市场信心。识别改进机会：通过评估发现数据管理中的薄弱环节，为后续改进指明方向。强化数据安全：通过风险评估和控制措施，降低数据泄露或损坏的风险。确保合规性：遵守相关法律法规，避免因数据违规使用而遭受罚款或法律诉讼。指导长期发313、展：为数据资产的长期管理和利用提供战略方向。构建竞争优势：提前进行规划和整改，加快后续入表进程，提升核心竞争力的构建能力。b.交付成果 企业级数据资源目录：依据数据资产评估指导意见对数据资源进行盘点与分析，包括信息属性、法律属性、价值属性。数据资产价值分析报告：详细列出各类数据资产的价值场景、分析方法和结果。数据资产价值流图：展示数据流动及其对企业价值创造的贡献，包括提升企业运营效率、节省成本和对外贷款和融资等。数据现状评价报告：针对数据的治理、管理、执行、技术、产品等五个层面进行深入评价，并分别出具数据现状整体评价报告、数据质量初评报告、数据合规初评报告。数据战略规划报告：以数据资产为核心，314、明确原则、目标、愿景、蓝图、129路径、任务和措施，加速推动企业数字化转型。3.四视角主要观点（1）企业视角 关注点：企业更关注如何通过数据咨询与规划提升数据资产的利用效率，实现数据驱动的业务创新，以及如何从顶层视角构建数据整体发展规划和可持续的数据生态体系。风险点：企业资质、专业能力、服务团队、行业经验、成功案例、一体化解决方案、实施计划和交付成果等。（2）数商视角 关注点：服务商着重于展示其专业能力、服务团队和成功案例，强调能够为企业提供定制化的解决方案，以及在数据管理、技术实施、产品优化等方面的整体支持。风险点：企业配合度、数据管理成熟度、业务多样化、系统复杂度、数据资产价值共识、高管层315、重视程度等。（3）审计视角 关注点：审计机构关注数据咨询与规划服务是否符合行业标准和法律法规要求，以及企业数据治理框架的有效性和透明度。风险点：团队专业性、方案可行性、规划前瞻性、成果的全面性、法律遵从性、合规满足度等。（4）监管视角 关注点：监管机构关心的是数据咨询与规划服务是否有助于提高企业的数据治理水平，是否遵守相关法规和合规要求。风险点：数据生命周期管理的法律合规性，尤其是数据采集、同意告知、使用目的和范围等、数据泄露和篡改所引发的安全事件、数据人员能力不足等。（三）数据治理与安全1.主要工作内容数据治理与安全是确保数据资产有效管理、合规使用和安全存储的关键环节。上一步已识别数据管理存316、在的风险及不足，规划了数据的发展方向和路径，130接下来落实战略规划的具体举措，包括数据资源盘点与分类、数据资源清洗与加工、构建数据合规、治理、安全的三大体系，为数据资产持续运营和发展保驾护航。（1）数据资源清洗与加工。数据清洗是提高数据质量的关键步骤，涉及去除重复数据、修正错误数据、填充缺失值、标准化数据格式等操作。高质量的数据是数据资产化的核心，数据加工是对原始数据进行进一步处理和转换，形成更高级别的数据产品或服务。包括数据分析、数据建模、数据可视化等技术手段，数据加工是实现数据资产化的重要环节。（2）数据合规体系构建。依据国内外法规、网络安全法、数据安全法、个人信息保护法、合同法、电子商317、务法等，建立一套完整的数据合规体系，明确数据收集、传输、存储、处理、销毁等全过程的合规策略，确保数据来源、数据内容、数据处理、数据流通、数据管理、数据经营等合法合规。（3）数据治理体系构建。建立以高管层为代表的数据治理顶层架构，明确治理、管理、执行层级的职责，建设数据治理制度和流程，梳理数据标准，加强重要数据资产的血缘分析能力，形成准确的数据血缘图谱，明确数据访问规则，建立数据应急预案，推荐适用的数据治理产品和工具。（4）数据安全体系建设。建立数据安全策略和安全防护机制，从物理安全、网络安全、应用安全、系统安全、数据安全、终端安全等方面建立制度体系，确保数据隐私、数据加密、访问控制、身份认证和318、备份恢复等机制的有效落实，推荐适用的数据安全产品和工具。2.主要核心收益（1）核心收益 提升企业的数据质量：通过数据清洗和数据质量管理，确保数据的准确性、完整性和一致性等，提高数据质量和数据可信度。加速数据资产化进程。数据加工和转化为可以直接支持决策的信息或洞察，提升数据的使用价值，也是实现数据资产化的重要环节，能够直接反映数据对企业业务的贡献程度。有效降低法律合规风险：确保数据处理活动遵守所有适用的法律法规，如网络安全法、数据安全法、个人信息保护法等，避免因违规而受到罚款或诉讼。131 提升股东和投资者信心：通过系统化、规范化的数据合规、数据治理、数据安全体系建设与披露，可以有效增强股东和投319、资者对企业的信心，提升企业公信力。促进数据自由流通：合规体系的建立有助于打破数据孤岛，明确数据的访问权限和使用规则，促进数据的有序共享和高效利用。加速企业数字化转型：数据治理体系完善能够为企业数字化转型打下坚实的基础，有助于加速企业数字化转型。防范数据风险事件发生：通过防火墙、传输加密、访问控制、身份认证、数据脱敏、数据防泄露、用户行为管理等技术手段，保护数据免受外部攻击和内部滥用。（2）交付成果 高质量数据资源：在数据资源目录的基础上，对数据进行清洗和优化。合规政策手册：以数据资产为核心，构建数据合规手册，内容包括国家纲领性文件、国家法规政策文件、行业监管文件等。合规培训资料：为全体员工提供320、数据合规和保护意识的培训，包括培训PPT、培训视频、培训海报、桌面屏保等。数据合规制度：依据网络安全法数据安全法个人信息保护法等法规基础，构建数据合规制度，包括制度、流程、表单、合同、协议等。数据治理制度：数据治理管理办法、数据标准管理办法、数据质量管理办法、元数据管理办法、主数据管理办法、数据分类分级管理办法、数据共享与交换管理办法、数据模型管理办法、数据归档管理办法、外部数据管理办法等，包括制度、流程、表单、报告模板。数据安全制度：数据安全政策、数据全生命周期管理办法、数据提取管理办法、数据访问控制管理办法、数据脱敏管理办法、数据备份与恢复管理办法等，包括制度、流程、表单、报告模板。3.四321、视角主要观点（1）企业视角 关注点：企业主要关注数据治理与安全能否有效提升数据质量，降低合规风险，防止数据泄露，以及是否能促进数据的高效利用和价值挖掘。132 风险点：数据合规、数据治理与数据安全三体系对于企业的适配性、落地性、合规性和推广效果等。（2）数商视角 关注点：服务商注重展现其在数据治理与安全领域的专业能力和服务经验，提供定制化的解决方案，满足企业个性化需求，同时保持服务的高性价比。风险点：服务同质化竞争，低迷的市场内卷，企业数据合规、数据治理和数据安全成熟度较低等。（3）审计视角 关注点：审计机构关注数据合规、数据治理与安全体系健全性，企业法律法规和行业标准适配性，以及三大体系在企322、业实践的有效性和落地性。风险点：合规性、全面性、实用性、落地性和持续性。（4）监管视角 关注点：监管机构关心企业是否建立了符合法律法规要求的数据合规、数据治理与安全体系，以及该体系的实际运行情况，确保数据的合法采集、处理和使用等，保护个人隐私和公共利益。风险点：国家法规的健全性、不同行业标准的监管和指导价值、行业标准与企业落地之间的适用性等。（四）数据合规1.主要工作内容数据合规是数据资产入表的关键一步，通过律师的视角来保证数据的来源、内容、处理、流通、管理、经营等方面满足国内外法规要求、行业监管要求等，为下一步的数据确权提供法律意见，并出具正式的法律意见书。（1）数据来源合规。首先，满足网络323、安全法数据安全法个人信息保护法 等法规对于数据采集、使用目的明确、合理遵循合法正当、最小必要、告知同意等原则；其次，通过对自行生产、公开收集、直接采集、间接获取等四类来源模式进行分析，进行数据溯源和证据留存；最后，自行生产数据不存在其他利益相关方且具有数据生产全流程的有效证明，公开采集数据应确保采集的手段、方式、内容合法合规，不得损害他人利益，直接采集数据应在数据主体的授133权或协议范围内处理数据，不得超过协议约定的范畴，间接获取数据具有合规证明，包括但不限于合同、授权文件等，确保数据来源合法性，以及数据权属明晰性，确保数据来源合法可追溯。（2）数据内容合规。首先，审查数据内容，确保不涉及个324、人身份信息、敏感信息、财产信息及企业的商业秘密信息；其次，遵守版权法、商标法等相关规定，企业的数据内容不涉及著作权、商标权、专利权，避免侵犯知识产权；最后，数据内容不涉及政治、宗教、民族、色情、暴力等信息。（3）数据处理合规。重点依据数据安全法的第八条、第五十一条、第五十二条等规定，开展数据处理活动，应当遵守法律法规，尊重社会公德和伦理，遵守商业道德和职业道德，诚实守信，履行数据安全保护义务，承担社会责任，不得危害国家安全、公共利益，不得损害个人、组织的合法权益；开展数据处理活动排除、限制竞争，或者损害个人、组织合法权益的，依照有关法律、行政法规的规定处罚；违反本法规定，给他人造成损害的，依法325、承担民事责任。上述只是法规原则上的要求，在行业实践中需要遵守数据安全保护义务，主要包括：身份认证、访问控制、病毒防护、数据加密、数据脱敏、数据防泄漏等手段保证数据处理过程合规和安全。（4）数据流通合规。数据流通从大的方面可以分为场外、场内、国资无偿划转、数据资产赠予等四个方面，从资格、地域和行业又分为主体资格限制，如未获得甲级测绘资质的企业不得持有高精地图数据、地域限制，如未经法定程序认可，不得向境外提供个人信息或重要数据、行业限制，如未取得征信牌照的企业不得在征信业务中向银行提供信用信息等。需要对数据流通价值场景进行评价分析，包括数据资源的使用范围、数据资源使用场景、数据资源是否涉及跨境、数326、据资源应用对于企业的内在价值等。（5）数据管理合规。现行数据领域“三驾马车”对企业的数据管理提出了明确要求。网络安全法第十条、第二十一条、第二十五条要求网络运营者建立完善的网络运营保障体系，制定内部安全管理制度和操作规程，确定网络安全负责人，落实网络安全保护责任，制定网络安全事件应急预案，保护网络能够安全、平稳运行而不受外部的干扰和破坏；数据安全法第二十七条要求企业开展数据处理活动应当依照法律法规的规定，建立健全全流程数据安全管理制度，组织开展数据安全教育培训，采取相应的技术措施和其他必要措施，保障数据安134全。利用互联网等信息网络开展数据处理活动，应当在网络安全等级保护制度的基础上，履行数327、据安全保护义务；个人信息保护法第五十一条规定作为个人信息处理者的企业应制定内部管理制度和操作规程、对个人信息实行分类管理、采取相应的加密及去标识化等安全技术措施、合理确定个人信息处理的操作权限、定期对从业人员进行安全教育和培训、制定并组织实施个人信息安全事件应急预案、定期对其处理个人信息情况进行合规审计、事前进行个人信息保护影响评估等。（6）数据经营合规。首先，数据经营合规先保障企业主体合规，包括营业执照、纳税情况、财审报告、资产负债情况、企业信用情况、资质证明文件、公司涉诉案例等，其次，不同行业的行政许可合规，包括电信行业、医药行业、建筑行业等，最后，明确数据安全或 IT 风险事件的评级规则328、、事件处置流程和汇报机制等。2.主要核心收益（1）核心收益 风险防控与合规性保障：数据合规服务通过全面的法律法规分析，帮助企业识别潜在的合规风险点，制定相应的风险防控措施，确保数据处理活动符合国内外法律法规要求，避免因数据违规使用而引发的法律纠纷和罚款。增强企业信誉与品牌形象：合规的数据处理方式能够显著提升企业的信誉度，增强消费者、合作伙伴及监管机构的信任，进而促进业务合作，扩大市场份额，树立良好的企业形象。优化数据资产价值：数据合规服务有助于企业明确哪些数据可以合法使用，哪些数据存在合规风险，从而优化数据资产的配置和使用策略，提升数据资产的整体价值。促进数据流通与共享：在确保数据安全与隐私保329、护的前提下，合规服务支持企业建立数据共享机制，促进数据在不同业务部门或合作伙伴间的安全流通，加速数据驱动的业务创新。提升内部管理效率：数据合规服务促使企业建立健全的数据管理制度，包括数据分类、权限管理、数据生命周期管理等，提升数据管理的规范化水平，降低管理成本。135（2）交付成果 数据合规审查意见书：对企业现有的数据处理流程进行全面评估，识别存在的合规风险，并提供详细的整改建议。数据合规性改进计划：针对评估报告中指出的问题，制定详细的改进计划，包括短期和长期的整改措施，以及实施的时间表和责任人。3.四视角主要观点（1）企业视角 关注点：企业最关心的是如何在满足合规要求的同时，最大化数据的商业330、价值，避免因合规问题导致的法律风险和声誉损失。风险点：合规专业度、律师执行资格、历史案例经验等。（2）数商视角 关注点：除了关注数据合规本身的内容外，可能还需关注数据合规所带来的其他机会，如企业服务合同中关于数据资源持有权、数据加工使用权、数据产品经营权的条款设计以及数据资产交易协议的条款设计。风险点：数据源的合法合规性、数据跨境问题、个人数据的隐私保护问题、数据安全问题等。（3）审计视角 关注点：审计机构关注企业数据合规体系的健全性和有效性，确保数据处理活动的透明度和可审计性。风险点：数据合规审查主体资格，律师的执行资格和专业性，法律意见的客观性等。（4）监管视角 关注点：监管机构关心的是企331、业是否遵循相关法律法规，有效保护个人隐私和数据安全，维护市场秩序和公平竞争。风险点：数据确权法律证据、数据估值科学、合理性、数据交易流通存证等。136（五）数据确权1.主要工作内容数据合规工作结束后，则需要进行数据确权，而数据确权是数据入表的最重要步骤之一，在数据确权的实践中，我国采取了“数据三权分置”的制度设计，既鼓励了数据的开放共享和创新利用，又保障了数据权益的合理分配和有效保护，是当前我国数据确权领域的重要探索和实践成果。这种模式有助于构建一个健康、有序的数据生态体系，促进数字经济的繁荣发展，虽然目前数据确权仍缺少国家法律层面的支持，但根据国家以往政策走向和布局来看，国家鼓励先行先试，以332、实践来总结和提升法律约束，本次研究以三权分置为基础，进行学术探索和行业实践经验分享。（1）数据资源持有权。对于数据资源持有权，数据二十条有意淡化“数据资源所有权”的表述逻辑，而是更强调数据主体对数据资源占有、持有的合法性，从行业实践来看，主要体现在自主管理权、数据流转权和数据持有限制，首先，自主管理权即对数据进行持有、管理和防止侵害的权利；其次，数据流转权即同意他人获取或转移其所产生数据的权利；最后，数据持有限制即数据持有或保存期限的问题，目前人民数据基于区块链技术，能够提供数据资源持有权的确权、上链、存证等服务工作，给数据提供了合法、合规的“数据身份证”。（2）数据加工使用权。数据加工是指对333、数据进行筛选、分类、排列、加密、标注、聚合、分析、统计等一系列处理活动，数据加工使用权是数据实现价值增值的核心。根据“数据二十条”第二条之（七）规定，“在保护公共利益、数据安全、数据来源者合法权益的前提下，承认和保护依照法律规定或合同约定获取的数据加工使用权，尊重数据采集、加工等数据处理者的劳动和其他要素贡献，充分保障数据处理者使用数据和获得收益的权利。”，目前人民数据基于区块链技术，能够提供数据加工使用权的确权、上链、存证等服务工作，给数据提供了合法、合规的“数据身份证”。（3）数据产品经营权。主要是指运营商对其开发的数据产品进行运营、支配、交易、收益的权利。数据二十条指出：“保护经加工、分析等形成数据或数据衍生产品的经营权”，体现出了“谁投入、谁贡献、谁受益”原则。根据深圳市数据产权登记管理暂行办法第二条规定，“数据产品，是指自然人、法人137或非法人组织通过对数据资源投入实质性劳动形