2025年商业银行数据要素市场化建设与应用研究报告-北京金融科技产业联盟

商业银行数据要素市场化建设与应用研究报告北京金融科技产业联盟版权声明本报告版权属于北京金融科技产业联盟，并受法律保护。转违反上述声明者，将被追究相关法律责任。编制委员会晋乐乐胡婧宋雨余功菊顾羿煌李丹妮杨明皓潘学芳李晓歌张鹤苧林勇温国梁高强裔吴紫园杜啸争李娜娄磊李杰参编单位：中国银行股份有限公司交通银行股份有限公司中国光大银行股份有限公司中国邮政储蓄银行股份有限公司北京国家金融科技认证中心有限公司中电金信软件有限公司华控清交信息科技（北京）有限公司蓝象智联（杭州）科技有限公司蚂蚁科技集团股份有限公司深圳市腾讯计算机系统有限公司上海富数科技有限公司 1 1 1 1 2 3 3 7 10 10 12 17 17 19 21 23 24 26 29 29 30 32 33 35 35 35 36 36 38 39 40 42 42 42 43 44 44 45 46 47 48 48 49 49 49 50 51 53 53 54 56 57 59 59 61 62 64摘要：中共中央、国务院《关于构建数据基础制度更好发挥数据要素作用的意见》提出，数据基础制度建设事关国家发展和安全大局。数据要素市场化的探索与发展，有助于数据要素流通效率和市场活力的提升，努力使数据成为推动经济高质量发展的新动能。当前，数据要素市场化处于初步探索阶段，本课题对数据要素市场政策背景、发展现状进行综合概述，同时对比国内外市场的发展现状探索发展趋势，并进一步对数据要素市场化内探求商业银行数据要素市场化重点建设方向，提出我国商业银行针对存在的问题提出相应的解决建议，以推动数据要素流通及价值释放，构建数字经济新生态。1第一章深度透视：政策背景演变与发展趋势一、数据要素市场政策背景演变回顾随着信息技术的飞速发展，数据作为一种新型生产要素，其重要性日益凸显。中国在数据要素市场的政策制定方面经历了一系列的演变，以适应时代发展的需求。2014年3月，“大数据”首次写入《政府工作报告》，这标志着大数据开始受到国家层面的关注，为新兴产业迎来了发展契机。2015年8月，国务院印发《促进大数据发展行动纲要》，全面推进我国大数据发展和应用，大数据正式上升至国家战略层面。此阶段主要以对原始数据的“粗加工”交易为主，缺乏统一规范体系，数据成交率和成交额较低，同时面临数据定价、确权等难题。2016年，《中华人民共和国国民经济和社会发展第十三个五年规划纲要》和《大数据产业发展规划（2016—2020年）》正式提出实施国家大数据战略。2019年，党的十九届四中全会将数据作为一种新的生产要素，与土地、劳动力、资本、技术并列。在此期间，国家和地方政府陆续出台政策文件，致力于理顺各种关系。上海、深圳、北京、湖南等多地在政府牵头下加快布局数据交易所，聚焦解决确权难、定价难、互信难、入场难、监管难等共性问题。22020年，《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》首次明确提出要培育数据要素市场，从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三个方面提出要求。同年，《中共中央国务院关于新时代加快完善社会主义市场经济体制的意见》进一步提出建立数据资源清单管理机制等内容。2021年，中共中央办公厅、国务院办公厅印发《建设高标准市场体系行动方案》以及国务院印发《“十四五”数字经济发展规划》，加快培育发展数据要素市场，提出建立健全数据要素市场规则等内容。工信部发布《“十四五”大数据产业发推动建立市场定价、政府监管的数据要素机制。2022年，国务院办公厅印发《要素市场化配置综合改革试务院关于加快建设全国统一大市场的意见》要求加快培育统一的技术和数据市场。中央全面深化改革委员会第二十六次会议审议通过《关于构建数据基础制度更好发挥数据要素作用的意见》，创新提出“数据要素”的数据产权制度。2023年，中共中央、国务院印发《数字中国建设整体布局规划》，明确数字中国建设框架，完善法律法规体系等。财政部印发相关规定推进企业数据资源入表等工作。2024年，发布《“数据要素”×三年行动计划（2024-2026年）》，充分发挥数据要素乘数效应，赋能经济3社会发展。从政策演变可以看出，中国对数据要素市场的重视程度不断提高，政策不断完善和细化，从最初的关注大数据发展，到将数据确认为生产要素，再到构建数据基础制度、完善市场规则以及发挥数据要素的乘数效应等。这些政策的出台为数据要素市场的健康发展提供了有力保障，推动我国数字经济不断向前迈进。二、数据要素市场发展情况（一）国内外数据要素市场化发展现状1.国外发展现状国外积极完善数据要素政策与法律框架，争夺数据要素市场发展主动权。其中，欧美等发达国家已建立了相对完善的数据市场法律体系，为其发展提供严格的法律保障，如美国颁布的《美国数据隐私和保护法案》《联邦数据战略与2020年行动计划》《开放政府数据法案》等政策法规，欧盟出台的《通用数据保护条例》《数据法案》《开放数据指令》《数据治理法》等法律，以建立数据交易市场、促进政府数据开放、推动数据开发利用、提升数据治理能力、保障数据隐私和安全等。美国通过一系列法律强调数据的财产权利，确保数据市场的规范运作。而欧盟则聚焦隐私保护，通过《通用数据保护条例》（GDPR）等法规提升数据治理能力，同时促进数据开放与利用。尽管两者都有各自的优势，但欧盟的隐私导向可能抑制了数据产业的活力，这也说明权责明确、市场行为规范和数据开放是推动数据市场健康发展的关4键因素，但同时也需平衡隐私与创新之间的关系。同时，迅速发展的数据基础设施成为各国占领市场的关键。全球数据基础设施正迅速发展，成为各国竞争的战略重点。如美国、欧盟、英国、日本等纷纷推出相关战略计划，积极投入资金和资源推进数字基础设施建设。美国基于数据全生命周期建立多种网络中心或数据平台，提升数据处理和交换的效率。欧盟推出的“欧洲共同数据空间”旨在构建统一数据市场，推动不同领域内的数据自由流通。英国在《英国数据战略》提出“推出世界级数据中心投资激增，已建11座大型中心，且数量还在持续增加。国外数据基础设施的深入建设成为各自在全球市场中获取竞争优势的关键所在，也为其他国家数据基础设施的发展提供借鉴。国外多样化的交易模式也不断促进数据要素市场的活跃。2021年全球数据交易流通市场规模在千亿美元左右，其中北美市场占比约48%，欧洲市场占比约为25%1。欧美市场在数据交易市场中占据主导地位，北美交易模式多样，主要采用数据平台C2B分销、B2B集中销售和B2B2C分销集销三种运营模式。其中，B2B2C模式最为普遍，即数据平台作为数据经纪商，收集数据后进行销售给个人或公司。而欧洲市场强调数据拥有者和数据需求者之间的信任关系，强调数字主权和数字伦理等因素，为此构建了数据中介体系。数据中介服务供应商保持相对独立，并在政府5全过程的监管下提供符合制度设计的服务。此外，日本基于本国国情采用“数据银行”交易模式，将个人数据的价值最大化地释放出来，增强数据交易和流通市场的活力。国外数据交易模式的多元化、法制化、市场化等特点为国内数据市场发展给予了一定的思路导向。国外数据要素市场发展在政策法规的加持下，通过基础设施建设和数据交易模式的探索，加强技术创新与应用，推动数据市场快速发展。同时数据安全与隐私保护并重，通过共同制定国际标准和规范，推动全球数据安全防护水平的提升，为国内数据市场发展提供合理思路。2.国内发展现状国内顶层设计日益完善，数据要素市场持续壮大。党中央、国务院对数据基础制度建设高度重视，特别是国家数据局的成立，为数据工作体系的构建奠定了基础。在政策规划方面，强调加快培育数据要素市场，着力破除阻碍数据要素供给、流通、使用的体制机制障碍。在法律法规方面，国家先后颁布《中华人民共和国网络安全法》《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》，为数据安全保护、数字经济健康发展提供了法律基础。在地方实践方面，深圳、上海等地区发布相关条例，从数据权益、数据开放与开发利用、数据交易等方面创新地方法规制度体系。近年来，各地纷纷抢占数据交易发展先机，成立各具特色的数据交易平台，如上海数据交易所构建“1+4+4”体系：6紧扣建设国家级数据交易所“一个定位”，突出准公共服务、全数字化交易、全链生态构建、制度规则创新“四个功能”，体现规范确权、统一登记、集中清算、灵活交付“四个特征”；2023年数据交易额超11亿元，累计挂牌数据产品2100个。北京国际大数据交易所实现了全国首个新型交易模式、交易系统、交易合约、交易场景、交易生态的落地，截至2023年11月，数据交易国家数据局正积极研究和制定“十五五”规划，围绕数据要素化和市场化的全生命周期进行系统性设计与建设，旨在构建以行业和城市数据基础设施为主体的综合体系。然而，当前数据要素市场流通机制不健全，交易卡点障碍亟待解决。数据权属的复杂性使得确权问题显得尤为突出，由于数据的无形性和可复制性，数据的所有权、使用权和流通权在法律和实践中难以明确界定，导致权属关系模糊不清。同时，市场缺乏权威和统一的数据可信流通基础环境，交易双方的信任机制难以建立，数据质量参差不齐，导致后续数据使用的控制也相对困难。另外，数据要素市场缺乏有效的数据定价机制，公共数据和企业数据的定价体系不健全，制约了数据交易的规模化发展。与此同时，数据要素市场化配置涉及到多方利益，包括数源单位、运营机构、经营主体、数据需求方、第三方服务机构等。如何在依据上海数据交易所、北京国际大数据交易所平台交易数据信息分析。7保障数据安全的前提下，实现合理收益分配，既能够激励数源单位、运营机构等相关主体积极投入，保障其享有收益的权利，又能够确保数据价值的实现，是需要解决的实际问题。上述所提问题也是国内数据要素市场化亟须解决的重点。（二）数据要素市场发展价值1.数据要素的分类与价值转化促进数据治理与合规性。通过数据分类，商业银行可以识别并区分不同类型、不同来源的数据，从而采取针对性的数据清洗、转换和整合措施，提升数据的准确性和完整性，整体增强数据质量，助力银行在业务决策和风险管理中依赖更加可靠的数据基础。同时数据分类还有助于商业银行遵守相关法律法规和监管要求，银行可以明确哪些数据是敏感数据，需要采取额外的安全措施和隐私保护措施，从而确保数据的合法、合规使用。优化数据资源配置与利用。由于不同类型的数据在商业银行中的价值各不相同。基于数据分类，银行可以更加精准地评估各类数据的价值，从而优化数据资源的配置。高价值的数据资源可加大投入进行深度挖掘和应用，对于低价值的数据资源，则可以采取适当的措施进行整合或淘汰。另外，数据分类有助于商业银行建立高效的数据管理和利用体系。银行可以根据不同类型的数据特性，选择合适的存储、处理和分析方法，从而提高数据的利用效率。例如，对于实时性要求高的交易数据，可以采用流处理技术进行实时分析；对于历史数据，则可以采用批量处理技术进8行离线分析。支持精准营销与风险管理。通过数据分类，商业银行可以更加精准地了解客户的行为和需求，从而制定个性化的营销策略。例如，银行可以根据客户的消费习惯、信用评级等数据，推送符合其需求的金融产品和服务，提高营销效果和客户满意度。在商业银行的风险管理中数据分类也发挥着重要作用。银行可以通过对客户信用状况、历史交易记录等数据的分类和分析，评估客户的信用风险，并制定相应的借贷政策和风险控制措施。同时，通过对市场数据的分类和分析，银行可以及时发现潜在的市场风险，并采取相应的风险管理措施。推动业务创新与发展。数据分类有助于商业银行发现新的商业机会和应用场景。通过对不同类型数据的深入挖掘和分析，银行可以发现新的市场需求和趋势，从而推出符合市场需求的金融产品和服务。银行也可以根据不同类型的数据特性，开发新的数据分析模型和应用场景，如智能风控、智能投顾等，从而提升银行的竞争力和市场地位。综上所述，数据要素的分类在商业银行中具有极其重要的价值。它不仅有助于提升数据质量、加强数据合规性、优化数据资源配置与利用，还支持精准营销与风险管理以及推动业务创新与发展。因此，商业银行高度重视数据要素的分类工作，并不断完善和优化数据分类体系。92.数据流通在商业银行中的价值提升决策效率与准确性。通过数据流通，商业银行能够及时获取全面的市场信息、客户数据和交易记录，支持管理层作出更科学的决策。这些数据不仅帮助银行深入了解市场动态和客户需求，还在信贷业务中加强了风险评估能力。整合内外部数据资源后，银行能构建更为精准的风险评估模型，降低不良贷款率，提升风险管理水平。促进金融产品与服务创新。数据流通使银行能够根据客户的行为和偏好进行精准营销，定制化金融产品与服务，以提高客户满意度和忠诚度。同时，借助大数据与人工智能技术，商业银行可以为客户提供智能投顾服务，通过分析客户的财务状况和投资目标，制定个性化的投资建议和资产配置方案。优化资源配置与运营效率。通过数据流通，商业银行能够更有效地配置信贷资源，优先支持潜力行业和企业，促进实体经济发展。此外，数据的整合推动了银行内部业务流程的优化与自动化，实现跨部门、跨业务线的数据共享与协作，显著提高了运营效率和服务质量。推动数字经济发展与金融创新。商业银行的数据流通直接影响数字经济的健康发展。通过加强数据共享，银行能够促进数字经济与金融创新的深度融合，为经济增长注入新动力。同时，数据流通也为银行金融创新提供了丰富的素材，助力探索新的业务模式、服务渠道和产品形态，提升市场竞争力。总而言之，数据流通在商业银行中至关重要，不仅提高了决策效率和准确性，促进了产品与服务的创新，还优化了资源配置与运营效率，并推动了数字经济与金融创新的发展。因此，商业银行应重视数据流通，强化数据治理和隐私保护，促进数据要素市场的健康发展。三、商业银行数字化基础能力建设（一）数据要素基础能力建设的必要性从数字中国战略，到数据要素市场布局，再到企业数字化转型实践和数据资源“入表”探索，数字经济和数据要素驱动千行百业创造了新的业务模式、新的产业生态和新的认知洞察。数据作为新型生产要素，是我国在数字经济时代一项重要的制度创新。2022年，中共中央、国务院印发《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》为深化数据要素市场化配置改革，释放数据要素价值，推动数字经济高质量发展提供了方向指引。中国人民银行发布的《金融科技发展规划（2022-2025年）》（银发〔2021〕335号文印发原中国银行保险监督管理委员会发布的《中国银保监会办公厅关于银行业保险业数字化转型的指导意见》，为金融机构开展数字化转型、业务经营管理数字化和数据能力建设等五大领域提供了落地指导。此外，根据《全国数商产业发展报告(2023)》中介绍的数据要素全链路12类数商，其中数据采集服务商、数据治理服务商、数据安全服务商、数据产品开发/资产管理服务商是围绕数据要素加工、治理、应用，使其产品化的服务商，其中自身拥有数据资源，并能形成数据产品，进而资产化的企业主要是数据产品供应商，又可以称作为数据要素型企业。银行业是典型的数据要素型行业。银行通过长期多轮信息化和数字化建设，从业务经营、客户服务、生态伙伴中积累了海量数据，数据技术储备充分，并较早开展了数据治理工作，形成了一批用于企业经营分析、营销获客、风险评估、运营提效等数据应用。虽然大部分银行参与数据要素生态是以数据需求方的角色出现，较少作为数据产品供应商，但在数字化转型过程中，银行的数据搜集和应用能力得到进一步提升。随着银行金融科技能力的提升和数据资产化进程的深入，在安全合规的框架下，银行可与专门的金融科技公司，或与第三方金融科技公司联合，将有场景需求的行业级数据产品通过数据要素市场挂牌，以数据产品供应商的角色参与数据要素市场交易，探索并引领金融数据产品创新。当然，银行作为金融机构，还可以通过数据交易清结算、数据资产抵质押融资、数据资源受托开发、数据咨询服务等多种角色，借助金融资源和专业服务参与数据要素市场交易，护航数据要素的金融属性发展。综上，强化内外部数据要素协同，积极开展数据要素基础能力建设，已然成为银行下一阶段核心竞争力构建的关键。商业银行需以数据为关键生产要素，通过建设数据要素基础能力，来提升数据要素的管理与市场化配置能力，不断探索适应数字经济时代的数字化转型可行路径。（二）数据要素基础能力建设的需求面数据要素基础能力建设既包括了传统意义上的数据处理平台、数据治理平台的建设，也包括了新近所需的数据资产管理平数据处理平台是采数、存数、用数、管数的基础，数据治理平台是为了输出更高标准、更高质量的数据，数据资产管理平台迈出了数据资源向数据资产的关键一步，使得数据要素市场建设有了基础条件，最后通过数据共享服务或数据开放流通等平台将银行的数据资产作为一种生产要素在更广大的范围进行流通流动。1.数据处理平台的建设商业银行普遍已经完成了数据处理平台的基础建设，从技术演进轨迹来看，经历了大致三个阶段，包括数据库、数据仓库和数据湖平台。数据库阶段通常使用关系型数据库来处理业务数据，数据仓库阶段通常使用分析型数据库来处理业务数据和进行数据分析，数据湖平台阶段通常会使用Hadoop生态技术来处理海量异构的结构化、半结构化和非结构化数据。目前，银行业开始积极探索数据湖技术与数据仓库技术有机结合的“湖仓融合”平台建设，旨在进一步提升数据处理的效率。例如，中国银行在2017年就开始了基于Hadoop生态技术的全行级数据湖平台建设，目前已形成在统一元数据下的多个数据湖集群、多个数据仓库集群的架构，旨在处理不同业务需要的海量数据。此外，中国银行也正在积极探索湖仓融合的新一代数据处理架构。2.数据治理平台的建设商业银行普遍已经完成了数据治理平台的初步建设，通常包括元数据管理、数据标准管理、数据质量管理和数据安全管理等能力，而在执行流程上各银行的发展步伐稍有不同。大部分银行处于“事先建立治理标准、事后执行治理动作”的阶段，数据治理工作通常滞后于数据开发和处理。而少部分银行业的先驱者在数据研发运营一体化（DataOps）理念的指导下，开始了“事先该种尝试推动了数据治理平台的各个模块从过去的分割逐步走向了统一，数据治理平台不再只是数据处理平台的下游系统，而是与其有机结合成为一个整体，不仅提升数据工作的敏捷，也提升了数据处理和治理间的协同。例如，上海农村商业银行在2021年开始在数据湖平台的基础上，搭建全行级的数据治理平台。基于一体化的数据开发治理事前建设数千个数据标准项，并在事中数据建模的过程中将上述标准项落实到数据表结构中，促进了开发和治理工作的协同。3.数据资产管理平台的建设中国信通院在《数据资产管理实践白皮书7.0》中对数据资产管理的定义是：“对数据资产进行规划、控制和提供的一组活动职能，包括开发、执行和监督有关数据的计划、政策、方案、项目、流程、方法和程序，从而控制、保护、交付和提高数据资产的价值。数据资产管理须充分融合政策、管理、业务、技术和服务，确保数据资产保值增值。”数据资产管理在其广义上应当包含数据资源化和数据资产化两个环节，通过将原始数据转变为数据资源和数据资产，逐步提高数据的价值密度，为数据要素化奠定基础。而在实际建设过程中，前者通常由数据处理平台和数据治理平台来完成，而狭义上的数据资产管理平台主要服务于数据的资产化，确保数据资产的保值和增值。数据资产管理平台的基本能力落地在业界已经有非常多的实践与案例，例如数据资产目录、资产盘点、资产血缘分析、数据资产评分等，但其本身还并非完善。其原因是数据资产价值评估体系的具体落地模式在不同行业之间存在较大的差距，在银行业仍需更多的实践案例。对数据资产价值的确定通常需要考虑内在价值、成本价值、经济价值与市场价值四个价值维度，而确定这些价值又牵涉到数据确权、价值计量、运营模式等方面，这恰恰又是全球范围内数据资产化难以完美落地的直接原因。4.数据共享开放与流通平台的建设数据共享开放与流通平台的建设，可以被视为在数据要素全面市场化时代，最不同于以往数据平台建设的一个环节，是商业银行数据要素市场化建设的重要且关键组成部分，需要以满足数据要素的市场化流通为出发点，以实现商业银行数据要素生态价值为立足点。数据共享开放与流通平台的建设关键在于共享、开放和流通这三个要素。共享的目的是满足数据要素的供求关系。目前商业银行普遍先从行内企业级的数据共享服务平台做起，推动内部业务数据化、数据资产化、资产服务化，并通过数据要素经营体系促进数据流通。例如，中国银行建立了企业级数据资产目录，形成了标准化的质量管理体系，为数据共享与流通奠定了基础。开放的目的是使数据要素中包含的潜在价值能被更多的社会组织开发和再利用，带来更多的社会效益与经济效益，还能为更多的组织创造平等的数据权利，缩小不同产业之间存在的数据鸿沟。目前商业银行的数据开放还停留在企业级，先解决本行内的数据平等问题、先弥补本行内所存在的数据鸿沟问题。以中国工商银行为例，由总分行业务部门、数据部门和技术部门协同参与，通过需求驱动、技术驱动和数据驱动多角度创新数据产品，实现数据产品高效供给。依托数据中台，通过组装、加工数据服务，创新孵化智慧地图、基金透视和客户灵犀等数据产品。例如商业银行通过与政府相关部门对接，引入政务数据，加速推进智慧政务和便民金融服务建设，同时深化内部数据与教育、交通、旅游等行业数据的相互融合。数据流通平台的建设不同于其他类型数据平台，除了数据技术，还涉及到隐私保护计算、区块链等技术。当前，商业银行数据流通平台深入探索的实践相对较少，这一领域建设具有丰富的探索空间。5.数据标签平台的建设数据标签平台集成了数据标签定义、管理、应用和分析的综合系统，旨在为企业提供高效、统一的数据标签管理体系，通过标签平台，企业可以方便地创建、管理和应用数据标签，实现对数据的深度挖掘和利用。当前，商业银行已逐步开始数据标签平台的建设，根据客户标签分类形成个人客户标签和对公客户标签，并按照业务需求，支持自定义数据标签的类型、取值范围等属性，也同步支持标签的层级结构和分类，便于标签组织与管理。各商业银行通过将标签应用于数据集或数据对象，实现数据的分类和标记，另外也进一步通过标签的分布、关联性、趋势等提供标签的统计和分析功能，并加以数据挖掘和机器学习应用，深入数据洞察。现有标签平台，通过标签的定义和管理，可确保数据的准确性和一致性，提高数据质量，同时支持跨部门的标签共享和协作，促进业务部门间的协同和数据共享，为商业银行灵活用数提供工具支撑、业务数据要素价值发挥奠定基础。第二章由表及里：数据要素市场化内核剖析一、数据要素化的实施路径分析（一）数据要素化的核心从微观角度看，数据要素化通过对数据进行清洗、加工和整理，把数据变成可“机读”且具备生产使用条件，并通过流通使之进入社会化大生产的过程。从宏观角度看，数据要素化是推动我国数据资源通过市场化配置实现数据要素在全社会范围内的广泛流通，全面进入社会化大生产的过程，这涉及我国数据要素市场基础制度，其中更覆盖基础设施、标准规范、技术创新、产业应用等方面，各行业各领域都是该过程的参与者、推动者和受益者。数据要素化的本质是流通。数据要素的合规高效流通使用是我国建设数据基础制度、促进要素价值发挥的核心任务。数据流通的基础含义是数据参与社会化大生产的流动过程。在这个流动中，数据持有方提供数据参与融合计算得到计算结果，数据使用者在生产活动中使用该结果获得业务价值，从而完成数据参与社会化大生产的过程。数据流通涉及数据从提供端转换到使用端整个过程中的各个方面，包括流通对象（原始数据、数据价值、数据产品、数据服务等）、流通组织（数据交易所和交易机构、数据共享开放平台等）、流通基础设施（企业级、行业级、国家级数据流通网络和算力平台等）、流通技术（数据隐私保护技术、数据流通使用可控技术、区块链、人工智能等）、流通环境（数据权属界定、流通、交易、应用、安全保护、监流通是数据进入社会化大生产并成为数据要素的必要条件。数据只有流通，才能为优化自然资源、社会资源使用和分配提供支撑。在数据要素化程度较低时，整个社会的数据资源配置处于一种以数据持有方为主导地位，把应用“堆积”在数据上的低效状态。此时，数据丰富的领域自然吸引资本、技术、人才等要素“集聚”，并依托丰富的数据进行数据开发和应用；数据应用反过来产生新的数据，并再度堆积新的应用，周而复始。这种循环往复的数据应用和堆积模式反过来又强化了数据持有方的资源优势，久而久之便会形成数据垄断，导致数据实际上被“圈禁”于“圈禁”，流动低效。因此，国家把数据上升为生产要素，就是要打破这种低效的数据配置状态，让数据自由有序地流向应用、流向更多的企业组织、流向不同的行业和地域、流向社会生产和人民美好生活需要的地方。推动数据流通，通过数据资源市场化配置、实现更充分的供需定价，有序扩大数据流通规模，这是打破数据垄断、实现全社会高效数据资源配置的手段。数据要素化的目的是让数据通过流通进入社会化大生产，从而提高劳动生产率、提高社会治理能力和提高人民生活水平。进入流通的数据在提高劳动生产率方面，能够对劳动力、资本、土地、技术、管理等要素产生化合反应，实现乘数效应，降低资源消耗量和生产成本，创造更多价值；在提高社会治理能力方面，能够促进社会治理决策科学化和治理方式精细化、动态化、立体化，促进社会治理从经验治理向数据治理、从被动响应型治理向主动预见型治理转变；在提高人民生活水平方面，能够释放更广助残等重点领域的数字化服务普惠应用，打造智慧共享、和睦共治的新型数字生活，构筑人民美好数字生活新图景。（二）商业银行的数据要素化路径1.引入外部数据赋能业务发展近年来，商业银行在引入外部数据赋能自身业务发展方面，已经形成较为成熟的经验。中国政府采购网公示的国有商业银行招投标信息表明，银行的数据积累不断丰富，数据池体系建设日趋完善。其中2016—2021年国有商业银行数据服务和数据库建设相关采购项目年均复合增长率超过39%，行业整体数据池规模大幅度扩张。2022年起，随着原始数据积累的完成，商业银行外部数据需求逐渐饱和，对外部数据引入过程放缓，银行业数据池规模化扩张已经基本完成。2.在机构内部实现数据流通银行业是强监管的行业，合规是银行业的“生命线”。银行数据的敏感性、私密性要求银行对数据实现全面自主可控，不仅要做好用户关键敏感数据的去除和替换，还要保证数据不出域、模型不联网，确保数据使用的安全合规。因此，先在银行金融等企业集团内部实现数据流通，在合规管理上有着一定优势，也能助力实现内部的高效协同数据生态建设。目前，一些大型银行机构以现有数据智能平台为基础，加强企业级数据流通能力统筹规划，探索建设企业级数据流通平台。此类平台定位于打造符合自身需要的数据共享基础设施，避免不同业务部门重复建设，降低技术应用试错成本，高效集约推动企业内部数据共享。通过平台建设逐步实现最大化金融行业内部数据资源的价值，已落地了机构内数据跨部门应用，如智能资产管理、重复借贷、沉默客户唤醒、穿透式绩效考核、跨境理财通监管等场景。3.在行业层面实现数据流通在整个行业层面实现数据流通，可以支撑金融业共荣共生。近年来，随着信息技术金融应用步伐提速，金融风险交叉性、传染性及隐蔽性日益凸显，金融机构共享风险信息有着天然动力。建设行业级数据生态可推动金融机构补齐短板、筑牢底线、实现风险联防联控。目前，已在同业跨机构间的数据协同开展典型应用，包括个人合格投资者认证、跨行对公资金流水核验、跨行资金流向监控等。4.赋能其他行业数字化转型初步来看，银行业目前都是作为数据需方参与数据要素化。作为供方角色，还需要较大突破。随着我国数据要素市场建设进程加快，北京、上海、海南等多地积极筹建数据交易平台。银行业可通过这些权威平台，为其他行业提供数据收集、整理、交易及应用服务。从根本上来说，构建跨行业多方共赢数据生态才是创新数据交易模式、实现数据要素市场化配置、探索数字经济新发展的必要前提。当前，我国数据要素化面临数据责任和数据权属界定尚不明晰、数据相关定价和流通机制还不完善、数据安全流通技术应用无法有效管控数据使用目的和方式，无法厘清数据相关方之间的“责、权、利”；再比如，数据所有权及其相关的使用权、受益权和处置权的定义与含义在法律上也还未得到明确，数据权属难有定论。随着国家间数字经济竞争日益激烈，国内新旧动能加速转换，需要各界不断加大讨论力度，加快凝聚共识，为顺畅解决这些问题提供支持。1.数据要素化的合规路径尚不清晰由于数据本身的特征，通过传统的方法流通很容易造成信息泄露，因此不敢流通、不愿流通、不会流通是数据流通过程中的重要阻碍。其中，不愿流通、不会流通可以通过市场手段和技术手段来解决，不敢流通是数据流通中的核心的、根本的障碍。阻碍不敢流通的根本核心，在于数据要素化的合规路径尚不清晰。共同构建银行数据流通监管合规、技术产品合规、业务合规的数据流通合规体系，是商业银行推动或参与数据要素市场化发展的基础。商业银行应正确认识隐私保护计算技术在数据要素化中的作用，一是作为一项数据安全融合的重要工具，需积极融入现有数据安全、个人信息保护法律法规要求；二是使用隐私保护计算也要采取充分的业务合规措施、必要的风险评估，如果数据流通全程有个人信息明文暴露，则需用户授权，防止侵害个人金融消费者权益；三是当技术创新服务于银行业务的数字化转型时，这个过程可能引起业务模式变革或创新，无论是模式创新还是业务创新，都需符合金融业务的监管规则，即技术不能解决业务合规问题；四是数据跨领域跨行业流通亟需相关机构构建针对数据广泛跨域流通的管理协调机制，产业也可积极参与推动制定数据流通生态的权利、义务和责任规定。2.数据流通的权责不匹配多家银行新设数据管理部，数据治理与安全工作仍是难题。银行内部不同部门的数据源不同，不同主体的利益不一致，导致不同部门之间的数据存在阻隔。而拆除这些阻隔实现数据整合的成本相对较高。而且，银行组织对于数据治理的内部权责划分并不十分明显，这体现在IT系统人员、法务合规人员以及数据治理专门部门的责任存在重叠，也体现在业务部门调取、使用相关数据时权限不明朗。目前，多数银行已在组织、人才等方面规划布局，但与此同时，数据治理、数据安全问题也愈加严峻。银行一边渴望利用好数据，加强相关布局建设；另一边却是安全合规的约束，让银行在数据流通方面慎之又慎。在这种情况下，银行像是戴着镣铐跳舞。3.数据流通基础设施不完备银行业数据流通基础设施建设的区域不平衡现象较为突出。一些国有大行、股份制银行、先进城商行的设施先进完备，而较多中小银行的基础设施建设则相对滞后。不同银行之间基础设施之间的兼容性和互操作性不强，导致数据在跨平台、跨机构流通时面临障碍。数据流通基础设施建设应渐进推进，顶层设计着重突出以下几方面内容1）对数据进行分类分级管理。（2）增强其技术通用性，优化数据流通枢纽节点配置。基础设施建设前期投入较大，承载的数据流通体量达到一定程度才能实现规模经济。通用性强的基础设施可承载多样化数据流通方式，提升基础设施使用率，加快降低边际成本。（3）充分利用已有的云计算平台算力。云计算具有可扩展性、高伸缩性、高可靠性等特点，用于数据流通基础设施建设可增加建设路径的灵活性，避免初期投入过大、废而不用、造成浪费。（4）适时推进数据流通平台间的互联互通标准建设和实施，实现数据流通的网络效应和有机生长，推动实现全社会范围内的规模经济。二、数据要素市场化的本质剖析（一）数据要素市场化的内涵生成数据价格，并通过货币这种特殊媒介实现大规模交易。数据交易是数据流通的一种特殊方式，其特点以货币为对价。在当前阶段，数据交易还处于起步阶段，未来需要实现数据资源在庞大的市场中，通过需求与供给的相互作用及灵敏的价格反应，实现自由、高效、合理的分配、组合及再分配与再组合。数据交易使数据价值通过市场供需关系得到社会普遍认可，使数据持有者、数据处理者、数据运营者和数据应用者等产业链参与方投入的各种资源得到有效利用，让数据价值、数据产品或服务能真正为实际场景所需、为实际生产所用，数据资源的价值也就可以在更广泛的时空范围内得以释放。除市场化流通方式外，数据流通也可以是非市场化、非商业性的，如数据赠送（为公益事业提供数据）、数据公开（如政务数据开放）、数据调配（如省市职工医保账户数据的实时接口传输）、数据继承（死者遗嘱指定亲属继承其社交网络数据）、司法判定等。在数据要素市场化过程中，非货币化的市场化数据流通，如以数据交换数据，这种方式类似古代“以物换物”的商品交换，其范围和规模受到提供方、需求方间精准匹配的限制，更适合小范围内的数据流通。（二）商业银行参与数据要素市场化1.作为数据需求方参与数据是银行业最核心的要素之一。由此可知，银行业是数据要素市场化的主力需方。随着我国数据要素市场逐步建立，商业银行作为“数据需求方”，通过数据交易所或者持牌征信机构，加大探索数据产品的挖掘和价值释放。《21世纪经济报道》记者报道，随着全国各地数据交易场所成立，提供了合规交易的平台，金融数据流通交易从场外走向场内。如上海数据交易所自成立以来，金融板块是数据产品流通最为活跃的行业，其2023年金融板块涵盖了20种类型近200个数据产品。2.作为数据供给方参与作为数据要素市场化的高级阶段，金融机构还应该从数据产品需求方转变为数据产品共享方。目前而言，商业银行在数据开放方面的意愿始终不足。一方面，银行业数据合规要求管理高，一直以来银行数据有着“不出域”的行业铁律和共识。因此，对于监管高度严格的银行业而言，在立法尚未完全覆盖相关领域时，商业银行难以对外实现数据和数据产品共享。虽然隐私保护计算等技术已初步应用，但其对传统IT架构提出更高内控要求和效率要求，在业务场景应用落地方面机构难以评估投入产出比，使得合规体系下的数据供给场景仍然较难开拓。另一方面，其背后是数据确权难题下的数据定价难，导致金融数据产品交易的价值难以评估。为探索隐私保护计算、人工智能等技术，探索建设数据平台和数据建模相关能力，银行机构需要培养一支专业的数据人才队伍，如某家银行数据建模分析师有500人，但如何衡量这一投入产出比，相关数据产品的开放是否真正能赋能到业务侧并不确定，这也是大多数中小金融机构数据开放意愿不足的原因。1.数据产权尚无清晰界定数据权利主体多元化，权利归属问题难解决。数据作为法定财产类型，不仅包含了合法持有者利用数据获取经济利润和商业价值的权益，可能还包括涉及个人信息保护的个人权益以及促进数据流动的社会公共利益。因为数据的经济价值并不是依循传统观点的买卖逻辑所创造，实践中大多是由多方主体通过相互协作完成数据经济活动，此时的经济利益难以界限分明地予以分隔，权利归属问题难以有效解决。比如，商业银行在展业过程中需要用到大量的外部数据，如个人征信数据、产业链数据等，但由银行加工后就成为了敏感的金融数据。在消费者权益保护和金融风险监管下，数据及数据产品在加工后，到底是银行的还是客户的？哪些产品机构有权对外开放使用？在当前数据权属尚未明确的情况下，银行机构对开放数据保持谨慎态度。2.数据流通交易的定价尚不成熟数据的使用价值取决于具体场景。但是在具体场景中，场景的影响效应难量化。目前广泛存在的数据交易方式尚处于探索阶段，包括直接交易数据模式、数据交易所模式、资源互换模式、会员账号服务模式、数据云服务交易模式、API接口访问模式等。在具体交易过程中，决定数据经济价值的要素除了数据本身之外，使用方的应用场景往往更决定数据的经济价值，可能导致卖方根据买方所处行业的特性采取歧视性价格策略，弱化数据交易活动所能带来的社会数据资源再创造的经济目标。因此，市场主体之间往往难以就数据的市场价值认定达成共识。同时，业界没有一套公开认可的数据资产估值体系。特别是在数据产品经过加工后如何确权，确权后如何定价，如何建立估值体系等问题，都没有很好的答案。这使得银行数据流通面临较大挑战。3.收益分配机制尚不完善数据要素市场化配置涉及到多方利益，包括数源单位、运营机构、经营主体、数据需求方、第三方服务机构等。如何在保障数据安全的前提下，实现合理收益分配，既能够激励数源单位、运营机构等相关主体积极投入，保障其享有收益的权利，又能够确保数据价值的实现，是需要解决的实际问题。财政部在《关于加强数据资产管理的指导意见》中强调“畅通数据资产收益分配机制。完善数据资产收益分配与再分配机制。按照‘谁投入、谁贡献、谁受益’原则，依法依规维护各相关主体数据资产权益。支持合法合规对数据资产价值进行再次开发挖掘，尊重数据资产价值再创造、再分配，支持数据资产使用权利各个环节的投入有相应回报。”该《指导意见》为全国数据交易的收益分配提供了指导性规范。国内各地的数据要素市场化配置相关管理办法大多强调收益分配应坚持“谁投入、谁贡献、谁获益”的原则，主张保护各行）》中规定“按照‘谁投入、谁贡献、谁受益’原则，保护公共数据授权运营各参与方的投入产出收益，依法依规维护数据资源资产权益。鼓励多方合作开展数据产品和服务市场化运营，探索成本分摊、利润分成、股权参股、知识产权共享等多元化利益综合前述章节所述，数据要素市场化的本质是流通，数据有序共享与流通亦是商业银行参与要素市场化的突破口，而流通中涉及的数据产权、数据定价、数据安全等关键挑战已成为数据要素市场化的核心问题。第三章中流砥柱：数据要素核心技术分析一、数据元件技术分析数据元件技术是通过对数据脱敏处理后，根据需要由若干相关字段形成的数据集或由数据的关联字段通过建模形成的数据特征。数据元件技术的核心在于构建数据的“中间态”，以解决数据要素市场化过程中的效率低、定价难、成本高和安全风险大等问题。这种技术通过将原始数据加工成数据元件，实现了数据的脱敏处理，并保持了数据的可用性和价值。数据元件具有可控制、可计量和可定价的特点，它们可以作这种“中间态”有助于破解数据安全与流通之间的对立，同时解决了数据要素化过程中的痛点，如确权、估值和定价。数据脱敏处理：在安全计算环境下，通过模型函数消除原始数据中的隐私安全风险，使得数据元件作为安全的交易标的物。数据特征提取：数据元件通过对原始信息提取加工，实现了数据到信息的转换，具备消除数据应用中“不确定性”的价值。数据元件的分类：数据元件可以分为标准数据元件和定制数据元件。标准数据元件是根据通用要求提前加工的，而定制数据元件则是根据不同应用需求开发的。服务方式：数据元件支持多种数据形态，包括结构化数据、半结构化文件和非结构化文件，可以通过API接口、库表、文件等方式提供数据服务。应用特点：数据元件具备可确权、可计量、可定价、可监管的优势，可作为交易标的物。数据元件的定价基于其所蕴含的信息量，采用成本法、收益法、市场法等方法进行评估。数据元件技术的应用，不仅能够提升数据的安全性和流通效率，还能够推动数据资源化、资产化和资本化，从而激发数据要素在数字社会发展中的基础性和支撑性作用。这一技术的发展和应用，对于推动数字经济的创新和转型具有重要意义。二、数据登记技术分析数据登记技术是将数据资源、数据产品或数据要素的相关信息按照约定的方案进行分类存储，给它们赋予唯一的标识符，用以证明该数据要素的身份以及归属。该技术主要是为了确保数据的归属明确、权利清晰，并在数据的全生命周期中进行有效地管理和控制。数据登记时需要将数据要素的基本信息、数据权利信息进行相应的编码、加工及存储，确保数据要素在相关领域内的流转、管理，避免重复冲突等各种不一致。数据登记的目的是为了后续资产更快速、安全地流转，可使用对数据资产的标识符分配、分类标签、资产指纹嵌入等技术手段。数据唯一标识符分配：是用于唯一标识和区分数据资产的代码或字符串。在数据管理和分析中，数据资产标识符起着至关重要的作用，它帮助确保数据的准确性、一致性和可追溯性。在实际应用中，应根据具体需求和场景选择合适的生成原理，以确保数据资产标识符的唯一性、可读性和安全性。数据分类与标签：数据资产的分类与标签是数据登记和后续流转中的重要环节，有助于组织和管理数据要素，提高数据的可用性，保证数据的流通效率。分类可以根据多个维度进行，包括但不限于：数据类型、数据来源、数据用途、数据敏感性等。数据资产的标签是对数据分类的有效补充，标签可以帮助数据消费者更好地理解和使用数据要素。数据要素的分类与标签是数据登记重要的辅助型工作，通过合理的分类和标签体系，可以更好地组织和管理数据资产，提高数据的价值和利用率。样例数据的数字指纹：样例数据的提供能够显著提升数据消费者的检索与利用效率，加速数据流通与交易过程的顺畅性。在数据登记阶段，一个核心考量点在于如何确保样例数据的准确无误，同时构建有效的安全机制，以防止这些数据被非法复制与传播，从而维护数据的合法性与安全性。该种技术旨在保护数字内容的版权，防止非法复制和分发。每个被分发的样例数据拷贝都会嵌入一个独特的指纹，使得发行商能够追踪到任何非法复制的源头。当发现盗版行为时，数据交易所可以通过提取盗版产品中数据登记作为数据要素生态的基石与起点，不仅确立了数据归属的清晰边界，为数据确权提供了法律上的稳固支撑；还通过规范流程促进了数据的自由流通与高效整合，推动了数据资源的广泛共享与深度利用；同时，数据登记过程也融入了先进的安全防护措施，确保了数据在全生命周期中的安全性与隐私保护，有效防止了数据泄露与滥用风险；此外，作为法律诉讼与纠纷解决的重要依据，数据登记记录为数据市场的公正与秩序维护贡献了不可或缺的力量。综上所述，数据登记是构建健康、繁荣数据生态不可或缺的三、可信数据空间分析可信数据空间是基于共识规则，联接多方主体（如企业、政府、城市、个人等实现数据资源共享共用的一种数据流通利用基础设施，是数据要素价值共创的应用生态，是支撑构建全国一体化数据市场的重要载体。可信数据空间须具备数据可信管控、资源交互、价值共创三类核心能力。可信管控能力支持对空间内主体身份、数据资源、产品服务等开展可信认证，支持对数据流通利用全过程动态管控，支持实时存证和结果追溯，确保数据在流通中的安全性、完整性和隐私保护。资源交互能力支持不同来源数据资源、产品和服务在可信数据空间的统一发布、高效查询、跨主体互认，实现跨空间的身份互认、资源共享和服务共用。价值共创能力支持多主体在可信数据空间规则约束下共同参与数据开发利用，推动数据资源向数据产品或服务转化，并保障参与各方的合法权益。可信数据空间通过核心能力，实现数据的接入与认证、数据流通管控、数据共享协作等功能，通过标准化的数据治理和安全体系，使数据在多个主体间能够透明、安全地流动，提升数据利用效率和数据要素的价值。同时促进数据的开放和流通，打破数另外，通过标准体系和技术体系的发展，形成规范的数据交易环境，支撑构建全国一体化数据市场。四、数据隐私技术分析在数据要素流通的过程中，既要解决数据供给侧的“最初一公里”，又要解决数据释放价值的“最后一公里”。数据隐私技术则是推动数据从供给端到场景端的流通利用重要保护手段。数据隐私技术主要路线包括多方安全计算、联邦学习、可信执行环境等，这些技术可以解决数据‘供得出’的问题，让高价值数据从源头供给端安全地递送到场景端。由于它们具备不同优势和局限性，因此在实际应用中，通常结合多种技术路线，进行优势互补、因地制宜，最终构成安全可控的数据隐私保护解决方案。一方面，数据隐私技术可根据数据分类分级规则，实现按需保护数据安全。具体来说，面向数据的敏感度和业务场景，设计兼顾数据安全与利用效能，实现数据的最大化利用。另一方面，数据隐私技术在搭建数据流通通道的同时，也成为数据价值的释放与价值提升的工具。基于数据隐私技术可实现数据价值探查，深入挖掘数据潜在的商业和应用价值，进而开发数据产品，提升数据的应用场景和市场价值；最终，通过数据产品交付，释放数据的实际应用价值，实现数据的再创造与增值。第四章创新无限：机遇、风险与挑战一、数据市场化的机遇我国数据市场化的机遇在于政策的大力支持、技术的进步、交易流通的活跃、资本化的探索、产权和市场准入制度的完善，以及对数据产业发展的扶持，共同促进了数据产业的快速发展。随着5G、云计算、人工智能等新一代信息技术的快速发展，数据处理和分析能力的持续提升，实现更高效、精准的数据挖掘和应用。新一代信息技术的发展，特别是5G网络的建设和应用，催生出的新应用新场景，拉动云计算、人工智能、数据中心、边缘计算等信息与通信技术的持续创新。其中数据中心和数据挖掘技术作为处理大数据的关键技术，其重要性日益凸显，如：数据挖掘技术帮助金融机构更准确地评估信用风险、预测市场趋势；电商行业可精准推荐商品和服务；物流行业可优化资源配置、降低运营成本。同时数据基础设施建设的提速，不仅为数据流通环境的显著改善提供了坚实基础，而且更为数据资源的高效配置和利用提供了强有力的支持，如全国一体化算力网、“东数西算”等工程的建设，打通了数据高速传输网络，加快实现了全国数据中心的合理布局、优化供需、绿色集约和互联互通。二、数据市场化的挑战在大数据时代的背景下，数据安全与隐私保护问题日益突出。首先，数据收集过程中存在隐私泄露的风险，非法手段获取个人通讯记录、浏览历史等个人敏感信息，严重威胁用户隐私安全。其次，数据在传输和存储过程中易受到攻击，如数据截取、篡改等，分布式存储系统虽提高了数据的可用性和可扩展性，但也增加了数据存储的复杂性和安全隐患。此外，数据处理过程中，数据可能会受到篡改、注入恶意代码等威胁，不法分子利用大数据技术进行用户画像，精准诈骗、恶意营销等违法行为，严重侵害用户权益。数据交易市场仍处于发展阶段，还面临着数据产权界定不清晰和法律地位不明晰的双重挑战。目前，我国尚未出台统一的数据交易机构运作规范，导致数据交易机构的法律地位、职能权力、法定义务等均未明确，这增加了市场准入的复杂性，并可能导致数据交易机构设置过高的市场准入门槛。此外，数据资产的评估定价也是一个难题。由于数据交易存在交付后的持续合规风险，且数据本身具有不可通约性或不完全契约性，缺乏完善的数据交易信任机制，使得卖方难以信任买方不会违约转卖数据或超出限定范围使用数据。这些问题不仅限制了数据的自由流通，也影响了数据要素市场的健康快速发展。因此，需要从制度设计、技术手段和法律保障等方面进行系统性创新，以推动数据要素在更广范围内的共享与流通。三、数据市场化的风险管理（一）风险识别与评估现阶段数据要素市场中，对数据安全的风险识别与评估依然有待提升。目前，数据安全风险的概念与界定方式主要以数据安全事件的结果来识别、定义。例如，《工业和信息化领域数据安全风险信息报送与共享工作指引（试行）》提出，数据安全风险包括但不限于数据泄露、数据篡改、数据滥用等。全国信息安全标准化技术委员会编制的《网络安全标准实践指南——网络数据安全风险评估实施指引》也列出了常见的数据安全风险类型，如数据泄露、数据篡改、数据破坏等。这种以事件结果去描述数据安全风险的方式存在一定的滞后性问题，任何不安全的管理机制与业务操作都有可能衍生出数据安全风险，以事件结果去识别、定义风险，可能会造成识别不全、评估有误、处置迟滞等问题。同时，这种方法也难以推动企业建立全面、系统的数据安全风险识别处置架构。数据安全风险的未知、动态属性凸显了风险识别与评估的重要性。《中华人民共和国数据安全法》提出数据处理者应通过开展数据安全风险评估对风险进行防范，业内也普遍认为应全面识别数据安全风险信息，建立风险评估模型。但在实践中，风险识别与评估面临诸多挑战。一方面，基础设施和技术环境与国家战略目标、数据要素流通实践需求仍存在差距；另一方面，数据要素的交易市场不活跃，数据供给侧合规成本高、个人数据开发利用成本较高等问题突出，数据需求侧数字化转型缓慢、缺乏数据分析技术等问题也限制了风险识别与评估的有效性。此外，政策层面制度与法规有待进一步完善，数据权属分置问题尚未解决。综上所述，现阶段数据要素市场中，数据安全的风险识别与评估亟待加强和完善。（二）风险缓解与应对措施现阶段数据要素市场中，机构通常采取多种风险缓释以及应对风险的措施。在政策层面，加快出台全国统一的与数据产权、交易监管、数据共享等相关的法律法规至关重要。制定可交易数据的标准，建立完善数据要素分类审核制度，规定可交易数据的具体概念，确立数据脱敏标准，对数据进行分类分级管理，不同类别、不同推动建立全国统一标准的数据交易所，完善交易平台的规则，活跃市场交易。从技术层面，利用密码技术保证数据通信安全性。可利用多方安全等技术将数据所有权与使用权分离，提供可信的交易执行环境。区块链技术具有分布式、不可篡改、可溯源等功能，应重视其在数据交易中的应用，通过赋权、零知识证明完整记录交易过程，对数据交易确权，实现数据的不同权限的授权使用，对数据价值链进行全周期的记录跟踪和监督。在金融领域，商业银行在开拓数据资产新业务时，联动地方大数据交易所或交易中心等机构，根据企业数据产品的特点，制定专项风险缓释措施，做好风险处置的准备。例如，光大银行贵阳分行的“贵数贷”产品依托于“贵阳市中小企业风险资金池”的贷款风险分担机制，围绕数据商企业在贵阳数交所挂牌可交易的数据产品，向数据资产拥有方提供融资服务。此外，应践行包容审慎的监管理念，给予数据要素市场必要的发展时间和试错空间，根据风险的大小进行适时适度干预，追求效率与安全的动态平衡。新业态新模式只要不违反法律法规、不触及安全底线、不损害公众利益，本着鼓励创新原则，可以为其成长留下足够空间。对潜在风险很大、有可能造成严重不良后果的，果断采取措施。（三）内部控制与合规性现阶段数据要素市场中，机构为应对数据安全风险而通常采取的内部控制与合规手段主要包括以下几个方面。首先，加强数据分类分级管理。参考相关资料中提及的我国数据合规监管现状，机构应根据数据的敏感程度、重要性等进行分类分级，明确不同级别数据的管理要求和访问权限。例如，对于涉及个人隐私的数据，应采取更加严格的保护措施，限制访问范围，加密存储和传输。据统计，目前约有70%的企业已经开始或计划进行数据分类分级工作，但在实际操作中仍面临一些挑战，如数据定义不清晰、分类标准不一致等问题。数据备份与恢复、数据销毁等制度，确保数据在全生命周期内的安全。例如，规定员工只能在授权范围内访问数据，对重要数据定期进行备份，防止数据丢失。同时，明确数据销毁的流程和标准，确保不再使用的数据被安全销毁，避免数据泄露风险。再者，开展内部数据安全培训和教育。提高员工的数据安全意识和合规意识，让员工了解数据安全的重要性以及违规操作的后果。据调查显示，经过专业数据安全培训的员工，其违规操作强化员工的数据安全观念。最后，进行内部数据安全审计和监督。定期对机构内部的数据安全管理情况进行审计，发现问题及时整改。建立监督机制，对员工的数据操作行为进行监督，防止内部人员恶意泄露数据。例如，可以利用技术手段对员工的数据访问行为进行记录和分析，及时发现异常行为并采取相应措施。总之，在数据要素市场化的过程中，机构应不断加强内部控制与合规性建设，采取有效的措施应对数据安全风险，确保数据的安全、合规使用。（四）数据在风险监测和报告中的应用现阶段数据要素市场中，数据在机构风险监测与风险报告中的应用情况日益凸显。在风险监测方面，机构通过收集和分析大量的数据，能够实时监测潜在的风险因素。例如，金融机构利用客户交易数据、市场数据等，建立风险监测模型，及时发现异常交易行为和市场波动风险。据统计，某大型银行通过大数据分析技术，在风险监测方面的准确率提高了30%以上。同时，企业也可以通过对自身运营数据的监测，提前预警可能出现的操作风险、市场风险等。如制造业企业通过对生产数据、供应链数据的分析，及时调整生产计划，降低因原材料价格波动或供应链中断带来的风险。在风险报告方面，数据为机构提供了更加准确和全面的信息支持。机构可以利用数据分析结果，生成详细的风险报告，向管理层和监管部门汇报风险状况。风险报告不仅包括风险的类型、程度等基本信息，还可以通过数据可视化的方式，直观地展示风险的分布和趋势。例如，利用数据可视化工具制作风险热力图、趋势图等，帮助管理层更好地理解风险状况，做出科学决策。此外，随着大数据技术的不断发展，机构还可以利用人工智能、机器学习等技术，对风险数据进行深度挖掘和分析，提高风险监测和报告的智能化水平。例如，通过机器学习算法自动识别风险模式，预测未来可能出现的风险事件，为机构提前做好风险应对措施提供依据。总之，在数据要素市场中，数据在机构风险监测与风险报告中的应用越来越广泛，为机构有效管理风险提供了有力的支持。第五章鞭辟入里：数据要素市场化建设重点探索一、以数据要素交易特征为基础，探索与之适应的流通生态体系数据要素交易，作为数字经济时代的新型交易形态，展现出技术密集与金融属性并重的特征。这一特性要求构建数据要素交易流通生态体系时，必须充分考虑技术与金融的深度融合。（一）数据要素双重属性分析数据要素的技术属性是指数据要素交易依赖于先进的技术如区块链、大数据、人工智能等，以确保数据的真实性、完整性和安全性。金融属性则体现在数据作为一种新兴资产，其价值评估和交易方式需遵循金融市场规律，由于数据要素交易涉及价值交换和风险管理，需要借助金融工具和金融市场的力量，实现数据的定价、交易和结算。在构建数据要素交易流通生态体系时，可以考虑将技术属性和金融属性适当分离，但也要确保两者之间的协同和互补。例如，技术层面可以侧重于数据的安全、质量和流通效率，而金融层面则侧重于数据的价值评估、交易规则和风险管理。1.技术属性分析数据要素的高效流通依赖于先进的信息技术。区块链技术能够确保数据的不可篡改性和可追溯性，为数据确权提供坚实基础；大数据分析和人工智能技术能够挖掘数据的深层价值，实现数据的精准匹配与高效利用。这些技术共同构成了数据流通的技术底座，保障了数据的安全、高效和合规流通。商业银行需要加强数据治理，提升数据质量，确保数据的准确性、完整性和时效性。同时，积极尝试利用区块链、大数据等技术手段，构建安全、可追溯的数据流通环境。2.金融属性分析数据要素交易需要完善的金融体系来支撑其市场化进程，以及创新的金融服务的支持来实现价值转换和风险管理。商业银行等金融机构可以发挥其在资金结算、风险管理等方面的优势，为数据交易提供便捷的金融服务。如设计专门的数据资产证券化产品，为数据要素提供资产化路径；通过数据融资、数据保险等金融产品，为数据交易提供资金融通和风险管理服务。这些金融服务的引入，不仅可以丰富数据交易的品种和层次，也能够提升数据市场的流动性和吸引力。商业银行需要借鉴金融市场的交易机制，推动建立数据交易的定价、登记、结算等体系。此外，还可以探索数据资产证券化等创新金融产品，拓宽数据交易的融资渠道。（二）流通生态体系建设生态体系应包含数据提供者、数据需求者、数据处理者、数据交易平台、监管机构等多个角色。在构建“技术+金融”流通生态体系的过程中，需要政府、企业、金融机构和技术服务商等多方参与者的共同努力。数据提供者，主要包括政府、企业、个人等，他们拥有原始数据资源，是数据流通的起点。数据需求者，主要包括企业、科使其具有更高的价值。数据交易平台，旨在提供数据交易的平台和服务，确保交易的公平、公正和透明。在数据要素交易流通生态体系中，政府应制定完善的数据交易法规和标准，加强监管和协调；企业应积极开放数据资源，参与数据交易和生态建设；金融机构应创新金融产品，提供全方位金融服务；技术服务商则应持续升级技术平台，保障数据流通的安全和高效；科研机构则需持续开展技术研发，为数据交易提供坚实的技术支撑。商业银行可以发挥其在金融领域的优势，成为数据交易的重要参与者和推动者。二、以数据价值释放为导向，探索数据资产估值和核算方法商业银行实现价值释放驱动的数字化转型，不仅要从企业的实际应用需求出发，更需要主动挖掘高价值应用场景，建立数据资产估值体系，通过数字化手段来解决业务痛点，促进数据产品创新，为企业打造新的收入渠道，创造经济价值。（一）数据资产属性辨识构建数据资产价值管理体系，首先要确保企业管理的数据要素具备资产属性。一方面，数据要素需要预期给企业带来经济利益，意味着企业通过使用数据创造出直接经济价值的同时，也体现在利用数据的分析和应用帮助企业减少成本、避免风险和提高效率；另一方面，基于“数据二十条”中数据所有权、使用权和经营权独立配置的“三权分置”原则，需同步考虑数据安全与隐私保护的需求，在数据资产的流通和使用过程中，必须遵循相关（二）数据资产价值管理对象基于对资产概念的辨识，企业在开展数据资产价值管理前，需要明确价值管理的具体对象。结合《企业数据资源相关会计处理暂行规定》，依据数据的价值属性可将其分为全量数据资源、潜力型数据资产和入表型数据资产。这种分类不仅有助于明确各类数据的管理重点，也有助于制定更有效的数据应用策略。全量数据资源指企业在传统数据工作中使用到的全量数据，其中，大部分数据尚未发挥其经济价值，数据只有聚合在一起通过智能化的数字技术，应用到某个场景中，才能形成经济学或会计学对价值的认定。潜力型数据资产是指企业将数据通过智能化处理后，与特定应用场景相结合形成的数据应用，这些数智化应用通常涉及大数识别出有助于企业决策或带来新商业机会的价值点。入表型数据资产是指已被确认为潜力型数据资产的数智化应用经过严格价值验证，符合会计和财务标准后，可以在企业财务报表中以资产形式确认的数据。这些数据资产已通过实践检验，证明可以为企业带来明确经济利益。只有当潜力型数据资产满足可靠性、可量化和相关性等核心会计要求时，才能被确认为入表型数据资产。对于商业银行来说，潜力型数据资产在价值管理中占据着至关重要的地位，该类数据资产通常不直接入账为会计资产，但通过智能化处理和业务场景应用，能极大地提升商业银行的业务效率和市场竞争力。因此，商业银行数据资产价值衡量标的应为在特定场景下，通过智能技术的加持，能够释放出价值的潜力型数据资产。当这些数据通过某种智能技术被应用到某个具体场景中时，它们所产生的价值是综合的、多方面的，包括但不限于增加（三）数据资产价值分类与测算为明确量化数据资产的价值贡献程度，需要深入理解数据资产价值的多样性。数据资产价值涵盖了对内与对外、货币价值与非货币价值等多个层面，因此，可以将数据资产价值划分为服务价值、业务价值、经济价值、市场价值以及社会价值五大类别，并根据价值类型，并通过适当的计量方法，得出价值的具体量化价值类别价值定义服务价值体现数据资产本身的服务水平，侧面反映数据资产的自身质量、服务效率、需求满足程度。此类价值难以直接以货币形式量化，是企业的运营中的必要且不可分割的部分，例如在银行自动化报表编制场景中，数据资产的服务价值体现在提高报表编制效率和准确性，实时更新数据等。业务价值体现数据资产作为经营资产在场景中应用时带来的提质增效，通过数据资产化场景KPI来衡量，如高价值客户数、客户转化率等。通过深入探索和挖掘数据资产的业务价值，银行不仅能够发现新的业务增长点，还能对现有业务流程进行优化重塑，从而实现业务处理的高效化。经济价值指商业银行通过货币化指标测算数据资产为银行带来的增量经济收益，从而量化数据资产对银行整体收益的贡献程度。当数据资产应用于业务场景产生货币化价值时，需要进一步区分其中由数据资产带来的超额收益，即数据资产的经济价值。在传统业务场景中，需要通过数据贡献因子测算其准确的经济价值，以确保数值的认可度；在数据原生业务场景中，业务开展均与数据密不可分，此时经济价值可以通过场景中业务的总收益来衡量。市场价值指经过产品化封装，在市场中交易为企业带来的直接货币化收益。这一价值是以数据产品在开放市场中的实际交易价格和销量为衡量标准。社会价值指通过创新应用在践行服务实体企业、政府支持等社会责任方面的价值贡献。该类价值无法直接用经济价值衡量，可以通过应用数量和应用效果两方面衡量：应用数量即数据产品或服务的访问、浏览、下载次数等；应用效果即就业提升、生态优化、营商环境优化等。三、以数据赋能为目标，探索数据创新业务应用数据的应用是数据要素化和价值释放的基础和前提，国家政策对数据要素价值释放的方向引领，进一步强调充分发挥数据要素作用，赋能数字经济发展。在各行各业，数据应用是通过数据分析和洞察来指导企业的战略方向，从而推动业务增长和发展。数据创新业务应用价值，体现在数据要素全社会的高效流通和要素市场的繁荣发展上，新的数据要素生态下，各类企业、行业以及部门间的如何协同发展，让数据高效流通，是数据创新业务价值的新课题。通过引入包括风控、工商、税务等外部数据，在依法合规的前提下，加强内外部数据的充分融合，在信贷风险评估、交易欺诈识别、精准营销、供应链金融、运营优化、智能投顾、量化投研、风险定价、金融反欺诈、反洗钱等场景中，强化数据应用，提升金融服务水平。在风险评估中，通过对客户信用数据、交易数据等进行深入挖掘和分析，银行可以构建风险评估模型，实现对客户信用风险的精准评估。同时，银行还可以利用异常检测算法对交易数据进行实时监控，发现潜在的欺诈行为并及时采取措施；精准营销中，通过对客户数据的深度分析，银行可以构建出详细的客户画像，包括客户的年龄、性别、职业、收入、消费习向不同客户群体提供符合其需求的金融产品和服务；在产品优化中，通过对市场数据、客户数据等进行分析，银行可以发现新的市场机会和客户需求，从而开发出符合市场需求的新产品；在提升客户体验中，通过对客户反馈、交易数据等进行分析，银行可以及时发现并解决客户在使用过程中遇到的问题，提升客户满意度和忠诚度；在运营效率中，通过对业务流程、运营成本等数据的分析，银行可以优化资源配置，提高运营效率。结合数据要素，创新金融产品和服务模式。例如推出基于客户行为数据的信用贷款产品；开发基于大数据的供应链金融产品，通过对供应链上企业的数据进行分析，为上下游提供金融服务；探索基于数据资产的信贷业务等。此外，商业银行也可以探索作为数据商和第三方专业服务机构，参与数据要素的流通和共享，实现数据资产的价值变现。数据技术研发投入与数据人才培养是推动业务创新和数据赋能的重要保障。商业银行通过加大技术研发投入与人才培养，引进先进的数据分析工具和平台，为数据分析的深入应用提供有力的人才支持，实现对客户需求的精准把握和市场趋势的敏锐洞察，从而在激烈的市场竞争中立于不败之地。如商业银行可通过数据分析师的培养，强化数据分析应用及数据产品开发能力，深化数据融合应用，更好地应对复杂多变的市场环境，实现高质量发展。四、以自身优势为核心，参与数据要素市场生态建设在数据要素市场日