信息生態視角下數據要素價值化驅動因素及發展路徑研究

關鍵詞：數據要素價值化；信息生態理論；驅動因素；地區發展型態；系統化路徑

隨著數字時代來臨，科學技術的發展使得海量數據的采集、標注、分析、應用等能力迅速提升，數字技術和數據資源對傳統產業的賦能作用逐步顯現。2019年，我國首次提出將數據增列為一種新型生產要素，將全社會各行業各領域中不同類型、不同形態并發揮不同作用的數據統稱為數據要素。這一戰略導向明確了數據在提升生產力和優化生產關系中的基礎性作用，推動了數據價值向顯性化、可計量、可倍增發展，意味著對數據要素價值釋放提出更高要求。數據作為新型生產要素，是數字化、網絡化、智能化的基礎，已快速融人生產、分配、流通、消費和社會服務管理等各環節，深刻改變著生產方式、生活方式和社會治理方式，推動了數字經濟高質量發展并且在國民經濟中的地位愈發突出。數據價值化、數字產業化、產業數字化、數字化治理共同組成了數字經濟的“四化框架”，其中，數據價值化成為核心驅動因素。為全面推動數據要素的價值化開發，國家政府層面做出了一系列頂層設計。《關于構建數據基礎制度更好發揮數據要素作用的意見》（以下簡稱“數據二十條”）提出構建我國數據基礎制度的“四梁八柱”。十七部門關于印發《“數據要素×”三年行動計劃（2024-2026年）》的通知，具體聚焦到12個重點產業和領域，提出探索多樣化、可持續的數據要素價值釋放路徑。為切實貫徹國家數據要素發展戰略，各地廣泛實施掛牌數據管理部門、組建數據交易機構等舉措開展數據要素市場培育，構建了各具特色的地區化數據要素價值化發展路徑。但由于各地政策傾斜度、數字經濟基礎、數據資源稟賦等存在參差，數據要素價值化實施路徑及成效呈現地區差異，地區間進一步出現了“數字鴻溝”式的數據要素價值化發展差距。同時，各地區也面臨著數據要素市場整體不活躍，數據要素價值難以充分釋放的共性發展瓶頸。因此，亟需圍繞數據要素價值化核心議題，探索多方驅動因素及其作用效應，識別地區發展型態，結合實踐優化發展路徑，最終促進數據價值釋放及實現。

1相關研究進展

1.1數據要素價值化

價值泛指客體對于主體表現出的積極意義和有用性，包括使用價值和交換價值。單一的數據本身沒有價值，但是經過數量積累和質量提升的數據資源具有潛在使用價值，對數據資源開發利用形成數據產品，數據產品進入市場成為能夠流通交易的數據商品，數據商品則具有交換價值。數據要素價值不一定直接體現為貨幣價值，也可以是提升產品和服務質量、創造社會效益等綜合價值，可被分解為經濟價值、政治價值和社會價值，其中經濟價值占主導地位。同時，數據要素價值被認為是一種動態性的作用表現，難以準確量化，因此常采用市場法、成本法或二者結合的方法進行間接評估。數據要素價值化是在數據要素市場化配置背景下，以釋放數據要素價值為核心目標，表征了將低質量、碎片化的原始數據轉化為可流動的數據資本，實現數據要素價值增值的動態過程。相關研究以定性分析為主，目前初步形成了從宏觀機制、中觀路徑到微觀場景的研究脈絡。

在宏觀視域下，討論了數據要素價值化實現機制，著眼于數據要素與傳統要素的相互作用機理。如互補性資產理論視角下數據與勞動、技術、資本傳統生產要素的結合機制：數據生產要素與傳統生產要素協同的價值共創機制，數據不僅可作為獨立生產要素參與經濟活動，產生價值創造效應，也能促進其他生產要素高效配置，通過乘數效應提升要素價值。從中觀視域對數據要素價值化路徑的探討中，有學者從制度、市場、生態、技術各維度對實現路徑進行分析：或者立足于數據本身解構數據要素價值化所包含階段，主要有兩類，第一類是依據數據生命周期視角，例如，中國信息通信研究院發布的《中國數字經濟發展白皮書（2021年）》中指出，數據價值化包括但不限于數據采集、數據標準、數據確權、數據標注、數據定價、數據交易、數據流轉、數據保護等，涵蓋了數據要素價值釋放所涉及的環節和過程。類似地還有，企業數據研發、制造、營銷和服務閉環；數據采集、存儲、分析三階段模型，數據生成、采集、分析、交換四階段模型，數據采集、分析、管理、存儲、利用五階段模型。第二類從數據要素形態的視角，如數據要素的價值創造與實現過程被視為從原始數據到數據產品的整體耦合過程：數據要素價值化是在“數據資源化一數據資產化一數據資本化”的各個階段中實施數據價值鏈行為：數據要素在價值化過程中經歷了數據資源、數據產品、數據商品、數據資本等形態的演變；也有學者基于價值發現、價值創造和價值捕獲，構建了大數據供應鏈管理框架。微觀視域則將數據要素價值化置于不同的應用場景中進行討論，例如，價值驅動的政府數據開放、大數據企業戰略、數據分析和業務流程改進、數字技術創新、產品創新，在數據銀行模式下對大數據開展匯聚、確權、治理、交易和應用等。

1.2數據要素價值化影響因素

關于數據要素價值化影響因素，有學者采用內部因素和外部因素，或驅動因素與阻礙因素的二分法分類羅列，或在數據價值共創邏輯下按照主體、客體、環境的三分法分析，也有學者基于WRS（物理一事理一人理）進行梳理。根據對已有研究成果的梳理，本研究從數據本身及技術、組織、環境等各層面對數據要素價值化影響因素進行歸納分析。

在數據層面，數據質量是影響數據要素價值的首要因素，數據多樣性和迭代速度是實現數據價值創造和產生創新效用的附加因素，數據價值鏈中流動的數據的顆粒度、鮮活度、連接度、反饋度、響應度和加工度都會影響數據在鏈中的價值創造。在技術層面，技術影響了數據質量和數據應用效果，是數據要素價值化的基礎，具體指系統質量、供應商支持、IT和數據基礎設施、大數據、云計算、區塊鏈、人工智能等，可歸納為數據收集、數據分析、數據描述、數據傳遞、數據安全、數據創新等數字技術能力，技術成熟度、技術使用能力、技術人才數量等對價值化也有影響。在組織層面，引領型政府部門、企業、用戶之間的互動關系，數據人才支撐、政府能力和企業能力是影響數據要素價值化的因素。組織的規模、文化、結構、成本投入直接影響企業利用數據創造價值，企業內部生產鏈中的數據協同和企業外部與政府、企業、個人之間的數據共治起到間接影響作用。在環境層面，政策激勵和清晰的數據產權能促進大數據產業的發展，還包括市場競爭壓力、外部支持、行業集中度、環境動態性、數據市場活力等。

1.3信息生態理論及相關研究

信息生態理論是由美國學者Horton F W于1978年提出，以生態學的觀念解釋信息的創造、流動與作用，將信息與生命體及其周圍環境看作相互聯系并相互作用的有機系統。信息生態理論逐漸發展成為一個復雜的系統分析框架，基于系統觀、互動觀、平衡觀、循環觀和人本觀等核心理念研究系統中的構成要素及要素間的關系。

數字技術發展實現了從以信息到以數據來刻畫現實世界的過渡，社會數據總量持續增長，將信息生態理論應用于數據要素研究成為當前信息資源管理學科的新熱點。丁波濤構建了數據要素市場的數據生態系統框架，運用信息生態理論剖析數據要素市場構成和演變邏輯。張會平等討論了數據要素市場化流通生態系統建構與運行。沈校亮等根據信息生態四要素框架，分析了各要素維度下的數據要素治理困境。顧潔等基于信息生態理論，構建了數據要素市場就緒度評估指標。這些研究集中于構建或完善數據要素市場的討論，尚未延伸至數據要素價值化及驅動因素層面。

綜上，在數據成為社會關鍵生產要素背景下，如何釋放數據要素價值也成為學者們研究的焦點。數據要素價值化的知識脈絡和研究邊界逐漸明晰，但存在以下3個方面的問題：其一，關于數據要素價值化路徑的解析，數據生命周期視角有助于理解數據釋放價值的過程化步驟，數據形態視角則貼合了數據價值化的市場邏輯，但兩者的關注點都僅針對數據本身這一客體，注重線性視角。數據要素價值化應該是一個系統循環過程，從生態視角結合多維度要素進行討論或許更能深入揭示數據要素價值化實現的機理。其二，關于數據要素價值化影響因素，現有研究從政策、技術、環境、組織、能力等方面討論列舉了數據價值化影響因素，但尚未體現各因素在數據要素價值化中的作用效應，也缺乏對于各維度影響因素間系統耦合關系的深入探索。其三，已有數據要素價值化的相關研究中，研究視角和落腳點都較為宏觀，多是理論模型或實踐思路的探討，主觀性較強，且理論與實踐發展之間的契合度還需進一步的實證檢驗。

數據要素價值化是數據價值產生和倍增的關鍵過程，成為國家數據要素市場化配置戰略統籌下涉及多個方面因素的新型系統化復雜問題。信息生態理論為理解數據要素價值化相關問題提供了一個整體性視角，其與本研究具備較強的適配性。首先，數據要素價值化涉及多元主體、數據資源、外部環境的相互聯系和作用，也需討論扮演數據供給方、需求方、服務方、監管方等不同角色主體之間的互動關系。其次，確保驅動因素的全面性和邏輯完整性，將數據要素價值系統劃分為本體、主體、技術和環境幾大構件，相互聯系相互作用，強調各要素之間的聯動效應，以此為依循探究數據要素價值化過程中的數據資源供給度、組織主體驅動度、技術能力支持度和內外環境促進度等方面產生的綜合作用效應。因此，本研究引入信息生態理論探析數據要素價值化，建立數據要素價值化驅動因素模型，以27個省（自治區）為實證對象，利用模糊集定性比較分析方法識別關鍵驅動因素和多重變量的協同交互效應，發現現階段各地區數據要素價值化實踐型態，并結合相關案例經驗分析，為地區數據要素價值化實踐提供優化思路，討論形成完善的數據要素價值化發展路徑。

2信息生態視角下數據要素價值化驅動因素模型

本研究基于信息生態理論“四要素說”，從信息本體、信息主體、信息技術、信息環境4個維度構建數據要素生態。本體層包含所有類別和形式的數據要素，按數據加工程度可分為原始數據、數據集、數據產品、數據服務等，按數據形態可分為數據資源、數據資產和數據資本；主體層包括政府部門和參與到數據要素市場中的企業和個人，形成了數據供給方、數據需求方、數據服務方和數據監管方等不同角色：技術層面包含支撐數據采集、治理、流通、利用、創新全生命周期價值開發的技術能力；環境層包括社會、政治、經濟、文化等方面帶來的推動作用。系統內各層面要素相互聯系、相互作用，形成多層次互動關系，產生聯動效應，共同維持數據要素生態系統的動態平衡與發展。在數據要素生態觀的總體視角下解析數據要素價值化，從本體層、主體層、技術層和環境層構建數據要素價值化的驅動因素分析框架，如圖1所示。

2.1本體層

本體層驅動因素為數據要素資源稟賦。原始數據的易得性、可得性、可用性和持續供給是數據資源化的基礎，也是數據要素參與到價值化活動的起點。大量供給的數據要素能夠滿足不同用戶的需求，促進數據要素的交易和流通，數據的優質性、多樣性、規模性直接關系著數據要素價值化成效。作為數據要素生態系統中的基礎性資源，需要保證多來源、多類型的數據持續供給，夯實數據資源體系，才能形成具有優勢的數據資源稟賦。數據資源稟賦是參與到數據要素市場進而釋放數據要素價值的基礎性決定因素。

2.2主體層

主體層包含引領型組織、支撐型組織和市場供需主體3個因素。數據要素的價值實現需要政府和市場的相互作用，政府在數據要素價值創造和收益分配中承擔引導調節作用，政府主體機構的專業化程度對數據產業的發展具有關鍵促進作用。數據中心承擔著數據存儲、計算和應用的關鍵作用，數據交易機構則是數據要素市場的推動者。我國數據要素市場尚處于培育期，數據要素價值化的活躍度和成熟度較低，大數據管理局等政府主管部門、區域性數據中心和數據交易機構等組織在數據要素生態中扮演了數據監管方和數據服務方的多重角色，其引領性作用不可忽視。具備數據采集、數據治理、數據安全、數據開發等能力的數據商和具備數據經紀、數據交付、數據評估等能力的第三方專業服務機構統稱為數商，數商是重要的數據要素開發方和服務方，成為支撐數據要素價值化各環節的中堅力量。供求理論認為，供給和需求屬于相互影響關系，供給創造需求，有效需求反過來又促進供給。大數據企業擁有數據資源優勢和數據開發技術，在數據要素市場中扮演著供給端和需求端的雙重角色，當有更多的企業參與時，數據要素市場活躍度顯著提升，會產生巨大的社會收益。

2.3技術層

技術層選取數據安全能力和技術創新能力兩個因素。基于多方安全計算、差分隱私、聯邦計算等解決技術授權訪問、數據交易隱私保護的技術不成熟往往會導致很多數據擁有者因個人隱私或企業機密泄露風險而回避參與數據流通環節，甚至拒絕開展數據交易。為了建立數據安全可信流通環境，需要將隱私計算、區塊鏈等技術應用于數據要素流通過程，形成具備風險感知能力、隱私保護能力、應用加固能力、安全防御能力的綜合數據安全能力體系。此外，發揮數據要素價值，需要探索利用新技術形成數據安全解決方案，挖掘各行業數據要素應用場景，創新性應用數據賦能傳統生產經營環節，在此過程中，技術創新能力起著重要作用。

2.4環境層

信息生態中的環境因素主要涉及組織面臨的社會、文化、政策環境等方面。政府政策激勵和制度規范是引導市場參與、規范市場行為的關鍵，能有效激勵政府部門、市場企業、個人用戶積極建設數據要素市場，參與數據要素價值化活動。例如：數據安全或價值向度下的數據分類分級制度能夠指引數據安全流通和合理定價：數據確權制度可以明確數據要素各方參與者的權益，激發相關主體參與數據開放共享和交易，平衡數據價值分配。因此，采用政策制度驅動描述數據要素價值化的外部環境影響因素。

3數據采集與模型實證

3.1研究方法

數據要素價值化受到數據要素生態系統內各層面因素的協同作用，分析數據要素價值化過程中的復雜整體性問題時，需要從線性分析視角向非線性、非對稱的組態視角進行轉變。定性比較分析方法（Qualitative Comparative Analysis，QCA）是一種基于案例的導向型研究方法，有效結合了定性分析和定量分析的優勢，能針對小規模（10～60個）樣本案例構建出研究問題涉及的各因果變量之間的復雜關系，識別現象或結果背后的多因素聯動效應，幫助人們理解不同案例場景下導致結果產生的差異化驅動機制。其中，模糊集定性比較分析方法（fuzzy-set Qualitative Comparative Analysis，fsQCA）能夠提高數據細粒度，最大限度地反映樣本案例中的信息，從而有助于在分析中更接近問題本質。本研究利用該方法進行組態分析，以呈現本體層、主體層、技術層、環境層各方面因素對數據要素價值化的驅動，并解釋各個因素之間的組態作用效應，從而探索數據要素價值化提升路徑。

3.2變量選擇、賦值和校準

在全國34個省級行政區中，除北京、上海、天津、重慶4個直轄市和港澳臺地區外，選取其余27個省（自治區）作為分析樣本。主要原因如下：國家戰略驅動下，重視數據要素、發展數字經濟成為共識，各地區多從省級層面展開布局；北京、上海、天津、重慶4個直轄市在開展數據要素相關工作中雖均具有領先效應，但本研究認為將其放在城市視域下結合深圳、杭州等地發展情況開展比較研究更具針對性：此外，由于數據可得性限制，部分指標尚未包含港澳臺地區的數據。考慮到技術層和環境層的相關條件變量對結果變量的影響可能具有一定時滯性，但根據創新擴散理論，數據要素價值化作為數字經濟時代的新熱點課題，市場已然產生了對相關創新性技術和政策制度的巨大需求，會迅速轉化有關科技成果和響應政策，因此，相關變量產生的時滯性實際較短。參考以往相關研究的做法，最終條件變量采用2021年或2022年公布的數據，結果變量采用2023年公布的數據。數據均來源于國家統計數據、政府官方平臺、權威研究機構以及北大法寶數據庫等，如表1所示。

3.2.1結果變量

數據發展水平與地方經濟水平呈正相關。數字經濟是以數據作為關鍵生產要素，以數字技術為核心驅動力量，以現代信息網絡為重要載體，通過數字技術與實體經濟深度融合，不斷提高經濟社會的數字化、網絡化、智能化水平，加速重構經濟發展與治理模式的新型經濟形態。數據要素作為數字經濟的核心基礎性資源，一方面推動了傳統生產要素的數字化變革與重組：另一方面與傳統產業融合實現了生產效率的大幅提升。數據要素價值化則表征了政府和企業共同配合實施數據價值鏈行為，將數據要素納入經濟系統并與傳統要素深入結合，促進數據要素流通，從而激發數據自身價值、經濟價值和社會價值的全過程，對數字經濟發展具有乘數效應。因此，從結果導向可通過地區數字經濟發展情況反映數據要素價值化水平。本研究選取工信部在2023年8月發布的《中國數字經濟發展指數報告（2023）》中的各省（自治區）數字經濟發展指數作為測量數據要素價值化結果變量的指標。該指數根據《“十四五”數字經濟發展規劃》和國家統計局發布的《數字經濟及其核心產業統計分類（2021）》搭建了涵蓋數字基礎設施能力、數據要素基礎服務、數字經濟產業、數字經濟企業、數字生產生活水平等指標的評價體系，且以工信部和地方公開數據為數據來源，結果具有科學性和權威性。報告顯示，數字經濟指數處于第一梯隊的省份分值在65～100之間，本研究以該分數段中位數87.5對處于第一梯隊的省份賦值，同理，第二梯隊省份賦值為60，第三梯隊省份賦值為50。

3.2.2條件變量

國家互聯網信息辦公室發布的《數字中國發展報告（2022年）》指出，我國數據資源體系加快建設，數據資源規模快速增長，由此形成了良好的數據要素資源稟賦。因此，將此報告中排名前十省份的數據資源稟賦賦值為1，其余為0。

采用省級大數據管理局、人選工信部《國家新型數據中心典型案例名單（2022年）》的數據中心數量、區域內成立的數據交易所數量三者總和作為數據要素價值化中引領型組織的評估指標。采用《全國數商產業發展報告（2022年）》中各省份數商企業規模測量數據要素價值化中的支撐型組織。采用《中國大數據產業發展白皮書（2021-2022）》中統計的各省份大數據企業數量來測量市場供需主體數量。

采用《大數據藍皮書：中國大數據發展報告No．6》中的各省份數據安全能力指標反映地區數據安全流通的技術保障能力。政府和企業往往大力投入研發試驗經費開展創新性研究和專利申請，發明專利授權數量代表了創新應用成果，是技術創新能力的體現，因此發明專利數量常被用來評估企業或地區創新能力。采用國家統計局發布的《中國科技統計年鑒（2022年）》中各省份年度授權發明專利數量來反映地區數據創新的技術能力。

參考黎江平等采用有關大數據的規范性文件數量來測度政策關注度對省級政務大數據發展水平的研究，關鍵詞為“數據”或“數字經濟”，時間限制為2022年12月31日以前，效力位階范圍選擇地方性法規、地方政府規章、地方規范性文件，在北大法寶數據庫中進行檢索及篩選，以最終檢索結果數量反映各省份對數據要素價值化的政策制度驅動。

3.2.3變量校準

定性比較分析方法中需要對變量的測量數據進行校準轉換為集合概念，Ragin C C提出了3種校準方法：直接賦值、直接校準法和間接校準法。參考馮媛等的研究，數據要素資源稟賦變量屬于二分型非連續變量，采用變量原始數據的最大值、最小值及二者均值作為完全隸屬、不完全隸屬和交叉點。對于其余變量，將各變量的95%、50%、5%分位數分別設定為完全隸屬、交叉點、完全不隸屬的錨點，使用fsQCA3.0軟件進行變量校準，當案例條件的模糊集隸屬度為0.5時，為其加上0.001常數，以避免出現因難以對相應案例進行歸類而不被納入分析的情況，表2展示了各個變量的校準錨點。

3.3必要性條件分析

在進行必要性條件分析時，需要同時考慮單個條件存在與不存在狀態，而是否分析結果不存在的必要條件則視研究問題的需要而定。當一個條件總在某個結果存在時出現，那么該條件對結果產生具有必要性，通常認為，必要條件的一致性分數達到0.9則意味著該條件是結果產生所必需的。本研究旨在探索促進數據要素價值化的驅動因素，因此僅分析了各條件變量對產生高水平數據要素價值化結果的必要性，如表3所示，發現充分性一致率均小于0.9，說明單個條件變量對結果變量的獨立解釋能力較弱，需要進一步探尋多個條件變量對結果變量的組態效應。

3.4條件組態分析

條件組態的充分性分析依賴于真值表，借助軟件的真值表算法得到邏輯上可能的條件組態及其原始一致性分數、PRI一致性分數及所屬案例數量等，然后將覆蓋的案例數設定為1，原始一致性閾值設定為0.8，PRI -致性閾值設定為0.7，得到完善的真值表。對真值表進行標準化分析得到復雜解、中間解和簡約解，通常結合中間解和簡約解來識別核心條件和邊緣條件，同時在中間解和簡約解中出現的為核心條件，僅出現在中間解中的為邊緣條件，中間解被認為是反映組態結果的首選。

如表4所示，各層面因素對數據要素價值化產生了3種不同的組態效應，其中每種組態解的一致性均大于0.9，說明每種組態均為結果產生的充分條件。總體解的覆蓋度為0.645，大于0.5，表明該3種條件組態能夠解釋64.5%省份案例的數據要素價值化組態效應，表現出了較強的解釋力。總體解的一致性為0.979．表明在這3種組態效應下的省份案例中，97.9%的省份數據要素價值化呈現了較高水平。數據要素資源稟賦、引領型組織、支撐型組織和政策制度驅動是促進地區產生高水平數據要素價值化的核心條件。當下我國正處于數據要素市場培育初期，數據要素資源稟賦是實現數據要素化和價值化的基礎，政府管理部門、數據交易場所和區域性數據中心等引領型組織具備關鍵帶頭作用，完善的支撐型組織有助于形成執行數據要素價值化各環節任務的產業能力體系，相關政策制度起到了繁榮和規范數據要素市場的重要作用。

3.5穩健性檢驗

QCA研究結果的穩健性主要涉及變量選擇科學性和參數設定合理性兩個方面。針對變量選擇科學性，本研究以信息生態理論為理論依據，論證了其與研究問題的適配性，從本體層、主體層、技術層和環境層選取了7個條件變量，也滿足了當案例樣本數小于40個時，為避免出現嚴重的有限多樣性問題，條件變量需要控制在8個以內的要求。對于參數設定合理性，調整PRI一致性閾值為0.85，得到的組態結果和原有組態一致：將覆蓋案例數由1調整為2，得到的組態結果是原有組態的子集。由此說明本研究結果較為穩健。

4數據要素價值化地區發展型態及系統化路徑

4.1數據要素價值化地區發展型態

將組態分析結果和代表案例地區的實踐經驗相結合，發現目前地區數據要素價值化實踐主要存在成熟引領型、全力追趕型和政府引導型3種型態，如表5所示。

4.1.1成熟引領型

組態1中的條件涉及本體層、主體層、技術層，數據要素資源稟賦、引領型組織和支撐型組織是核心條件。說明擁有豐富的數據要素資源基礎，引領型組織、支撐型組織、市場供需主體密切配合形成完善的產業體系和活躍的市場氛圍，加之數據安全能力和技術創新能力促進數據流通和開發，能夠推動高水平數據要素價值化。雖然組態條件中未包含政策制度支持變量，但根據統計資料發現，該組態下的典型省份發布的數據要素相關政策制度總體數量位于全國前列，但在發布時間上具有領先性，主要在2018-2020年就發布了一系列文件重視數據要素價值，奠定了較為完善的數據要素發展政策制度體系，其推動作用已經得到了充分發揮，但這并不意味著在之后的發展中就可以將其忽略，而是需要根據實踐發展跟進制度創新和完善。浙江、山東、廣東、江蘇、福建和貴州是該型態下的典型案例，包含5個東部地區省份和1個西部地區省份。《數字中國發展報告（2022年）》顯示該5個東部地區省份綜合數字化發展水平排名均位于全國前十，說明其在數據資源體系、關鍵數字技術能力、數據應用場景和外部環境等方面已然奠定了較好的數據要素發展基礎，并且迅速響應國家數據要素發展戰略，統籌推進數據要素價值化，成為數據要素價值化“排頭兵”。貴州之所以能進入全國數據要素價值化引領行列，來自其最早實施大數據戰略行動，成立了全國首個省級大數據管理機構和大數據交易所，培育了較完善的數據產業生態、技術能力和活躍的數據交易市場。該發展型態下的地區在數據資源化階段打下了良好基礎，并依靠政策、技術和產業優勢穩步推進了數據資產化，其發展重點應轉移到數據資本化，集中精力激活數據要素流通交易市場，促進數據多組織開發和多場景賦能。在本體層聚焦公共數據和企業數據，加大政府公共數據開放和授權力度，鼓勵央企、國企和大數據企業開放具有公共屬性的數據、交易脫敏后的企業內部數據。在主體層建設區域性算力中心、網絡中心、數據中心集群，打造國家級數據交易場所和引育各類型數商企業，打通數據要素開發和流通基礎設施體系；建設大型數據要素產業園，形成數據要素產業集聚效應，提升數據要素市場供需活力，完善數據要素產業生態體系。在技術層重點打造數據安全流通支撐環境和數據賦能的創新應用場景，提高相關領域Ramp;D活動投入強度，舉辦數據創新應用大賽，推動產學研共建數據流通交易平臺和共創各行業品牌數據產品。在環境層需要政府部門出臺數據要素流通交易激勵政策，并面向數據確權、價值評估等瓶頸問題試行一批創新性政策制度，形成有價值的實踐經驗。

4.1.2全力追趕型

組態2顯示了在數據要素資源稟賦稍顯落后時，主體層、技術層和環境層的所有因素共同發力促進地區數據要素價值化，引領型組織、支撐型組織和政策制度驅動是該組態下的核心條件。說明充分發揮政策制度的驅動作用，促進政府部門和企業等各類型主體積極參與數據要素市場，利用以數據安全和創新為核心的技術能力，能夠全力彌補數據要素資源稟賦弱勢，提升數據要素價值化水平。安徽、湖北、河南是該發展型態下的典型代表省份。以河南省為例，在政策環境方面，2022年陸續發布《河南省數據條例（草案）》《河南省數字經濟促進條例》《河南省大數據產業發展行動計劃（2022-2025年）》《2023年河南省數字化轉型戰略工作方案》等10余項文件。在技術層面上，實施數據安全“鑄盾”行動，提出以突破核心技術和建設創新平臺為落腳點提升產業創新能力。在主體層面上，培育和引進大數據企業，打造“中原數谷”，組建河南省大數據管理局，成立鄭州數據交易中心。該發展型態下的地區在全力推進數據資產化和資本化進程中，可參考借鑒成熟引領型地區的經驗，適度超前布局，但是需要及時鞏固提升數據資源化，針對性出臺一批專項政策，擴大數字基礎設施建設和各領域數字化轉型，鼓勵實施數據治理相關國家標準和開展數據資產人表，打實數據資源基礎。

4.1.3政府推動型

組態3體現了在數據要素資源基礎、技術優勢和活躍的市場供需關系缺位時，引領型組織和政策制度驅動能共同提升地區對數據要素價值的關注度，依托區域內數商產業建設數據要素市場，推進數據要素價值化。代表省份有廣西、江西，已有研究發現，江西省在公共數據開放中也屬于數字組織驅動型，依靠政府注重經濟產業數字化轉型來推動企業“智改數轉”。《2023中國大數據產業發展指數報告》顯示，相比于東部地區省份，廣西和江西所位于的中、西部地區大數據產業發展較為落后，因此尚未形成深厚的高新數字技術能力和活躍的數據要素市場供需關系。在國家大力發展數字經濟、培育數據要素市場的背景下，需要政府部門及時引導推進，以數據資源化為起點，利用項目規劃、政策宣貫、財政獎勵補貼等措施統籌推進數據要素價值化，充分發揮政策紅利。政府部門、數據交易機構等引領型組織與各類型數商等支撐型組織通力合作，構建完整的數據要素市場能力鏈條。面向各行業挖掘潛在數據應用場景，打造行業化、場景化的數據要素價值釋放解決方案，吸引位于數據供需兩端的企業組織重視數據要素價值，參與數據要素市場。針對本體層數據要素資源稟賦較差、技術層數據安全能力和技術創新能力不足的地區發展短板，相關地區要重點推進產業數字化和數字產業化，完善數據基礎設施建設，培育高新技術企業，提升區域科技創新能力：以公共數據開放共享和授權運營為抓手，刺激地區數據要素發展活力。

4.2數據要素價值化系統發展路徑

數據要素價值化的地區發展型態顯示出了明顯的階段化特征和多因素聯動效應。數據要素價值化是在數據要素生態系統有序運行下實現數據價值積累、實現、倍增、循環的過程，其系統化發展路徑應是本體、主體、技術、環境因素共同驅動，根植于數據本體并依賴各類型主體實現數據資源化一數據資產化一數據資本化的逐層躍遷和循環迭代，在業務邏輯上體現為數據采集、治理、開發、流通、應用的全流程，需要具備以數據安全能力和技術創新能力為核心的多方面數字技術能力，發揮政府政策制度和數字政府、數字社會、數字經濟等應用場景需求在價值化不同階段的主要驅動作用，從而實現數據要素在系統中的持續流動和價值釋放。

首先，原始數據主要集中于政府、企業、研究機構等數據供給方內部，需要在數據資源化階段著眼于數據數量的積累和數據質量的提升，建立標準化數據治理體系，形成良好的數據資源稟賦。此階段是對數據要素價值的一次開發，賦予數據潛在應用價值，需要政府相關部門大力推動，出臺相關政策發揮激勵效應。

其次，進人數據資產化階段需要對數據進行確權和開發。政府和數據交易機構等引領型組織應該合力探索形成統一的數據確權制度標準和登記體系。數據開發則以應用場景需求為牽引開展數據的內部和外部資產化。技術創新能力成為驅動數據開發的核心能力，數據的特殊屬性也對數據安全能力提出了更高要求，隱私計算、區塊鏈、人工智能大模型等新技術逐漸成為應用熱點，因此要聚焦相關高技術產業發展，大力培育數據安全、開發、交付等數據要素技術型和應用型企業，并鼓勵各行業大量挖掘數據應用場景，打造數據產品和服務。此階段是對數據要素價值的二次開發，初步實現了數據要素價值在社會、政治、經濟各領域應用場景中的釋放。

最后，利用數據資本化對數據要素價值進行三次開發。在這一階段，引領型組織、支撐型組織和數據供需雙方協同配合，使數據在算力和算法的支持下形成新質生產力，發揮數據效能，在不斷地流動和應用中實現價值倍增。數據資本化產生的附加經濟價值也使得組織具有更多的實力和動力推進數字化和開展數據活動，尋找更多可實現價值化的數據，因而形成了積累數據資源一打造數據資產一形成數據資本一開發新的數據資源的系統循環路徑，以及數據價值潛在積累一顯性實現一流通倍增一持續積累的螺旋上升式產出。

5結論

本研究從系統視角探究數據要素價值化，在數據要素生態視角下建立了數據要素價值化驅動因素分析模型，以我國27個省（自治區）作為案例樣本，利用模糊集定性比較分析方法識別地區數據價值化關鍵驅動因素和發展型態，總結得到成熟引領型、全力追趕型和政府推動型3種數據要素價值化型態，結合代表省份現實發展情況深入分析，發現成熟引領型地區憑借其本來的經濟優勢以及數字技術和產業發展基礎，能夠快速回應國家數據發展戰略，全面推進數據要素價值化，從而產生領先的數字經濟效應：全力追趕型地區較成熟引領型地區雖然存在數據資源稟賦短板，但其依賴良好的技術能力和產業基礎，加之政策制度的大力支持，展現出了數據要素價值化后發之勢：政府推動型地區更加依賴政府部門、專業數商和政策制度的推動，這種自上而下的發展型態也成為大數據產業發展水平相對落后的地區開展數據要素價值化的主要模式。最后，結合地區實踐型態特征，討論了本體、主體、技術、環境因素共同驅動的數據要素價值化系統化路徑，根植于數據本體并依賴各類型主體實現數據資源化一數據資產化一數據資本化，貫穿數據要素全流程，具備數據安全能力和技術創新能力，發揮政府政策制度和應用場景需求的驅動作用，從而實現數據要素在系統中的持續流動和價值釋放。在未來，各地區應該明確自身數據要素價值化發展型態特征，從系統視角識別數據要素價值化各階段資源、技術、產業、政策等方面的優勢及短板，揚長補短，形成完善的數據要素價值化發展路徑。

本研究也存在一些不足：根據信息生態理論建立影響地區數據要素價值化的定性分析模型，在各維度變量選取上主要依靠理論解析和現實經驗，未來可借助德爾菲法、扎根理論法等系統方法挖掘影響因素。結合信息資源管理學科領域，在后續的研究中，可細分研究公共數據價值化、企業數據價值化和個人數據價值化路徑和涉及的多方因素，探索各類型數據要素價值化最優模式：也可以更深入挖掘數據要素價值化過程中資源化、資產化和資本化各階段面臨的重點、難點，針對數據質量評價、數據價值評估、數據應用場景發現等研究可行性解決方案。