数字化浪潮席卷全球，“数据”已经成为新的经济资源。数据要素的开发利用，数据资产的价值愈发凸显。当前，我国数据要素市场正处于初期发展和培育的关键时期，数据要素展现出前所未有的复杂特性。

交通行业数据要素市场化已经有不少的案例，但是从数据资源到数据产品再到数据资产整个路径中仍然有一些需要厘清的问题。

本文重点梳理行业内目前比较关注的相关交通数据要素问题。

数据要素市场化的实施路径

首先是数据资源化，涉及到原始数据的获取以及数据后期的加工，包括数据标准、数据质量、数据安全、数据模型等，形成数据资源目录和可用的标签体系。由数据价值梳理和数据安全治理这两大体系共同构成数据资源化的内容。

其次是数据产品化，在数据资源化之后，已经形成了较高质量的数据基础，接着可以基于客户场景业务应用的产品化过程，以产品为基础构建发挥数据价值的闭环。在数据产品化阶段开展数据要素场景化应用体系的建设。

第三是数据资产化，在完成产品化，具备面向场景的可用数据产品，形成产品之后，可通过数据的资产确权评估、交易流通以及共享开放等，最终实现数据资产在法律上的确权、在财务上的入表，并构建数据资产管理的全链条体系。在此阶段将产品变成了资产。

最后是数据资本化，在资产化的基础上形成资本化。基于数据资产，可以开展信贷融资和证券化等相关工作，让数据能够进入到金融领域，产生更大的资本效能。

企业打造数据产品进行交易，业主来购买数据产品，这种形式与购买服务有什么区别？

数据产品是以数据为核心，是一种新的模式，是标准化商品，提供的是数据服务，它的本质是数据的流通交易，而不是传统的人工服务或者SaaS服务，购买服务本质上是购买劳动人力。

目前国内数据交易市场背景。国内数据交易所提供的数据产品形式多种多样，以满足不同行业和企业的需求。以下是一些常见的数据产品形式：

1.API接口：数据交易所通过提供API接口，使得数据需求方能够实时获取所需的数据。这种形式的数据产品可以满足企业对实时数据的需求，例如股票价格、天气信息、交通数据等。

2.数据包：数据包是预先整理好的、以文件形式存在的数据集合。这些数据包可能包含结构化数据、非结构化数据或混合数据，并根据特定主题或业务需求进行组织。企业可以购买这些数据包，用于内部分析、数据挖掘或机器学习等目的。

3.数据集：数据集通常指的是大规模、经过清洗和标注的数据集合。它们可以用于训练机器学习模型、进行大数据分析或构建数据仓库。数据交易所会提供不同领域的数据集，例如医疗、金融、零售等。

4.数据报告：数据报告是基于数据分析结果生成的文档，其中包含了对数据的解读、可视化展示以及业务洞察。这些报告可以帮助企业了解市场趋势、竞争对手情况或业务运营状况，从而制定更有效的战略决策。

5.数据服务：除了直接的数据产品，数据交易所还提供一系列的数据服务，如数据定制、数据标注、数据治理和算法建模等。这些服务可以帮助企业根据实际需求定制数据产品，提升数据质量和利用效率。

6.数据解决方案：针对特定行业或场景，数据交易所还提供综合性的数据解决方案。这些方案可能包括数据整合、数据可视化、数据分析和预测等功能，旨在为企业提供一站式的数据服务。

数据产品交易与购买数据服务的区别。由上述第5点可见：数据服务也囊括在数据产品交易的范畴，但目前基本是针对某一特定场景的定制化服务，两者的主要区别有：

1.数据产品与数据服务的本质区别：数据产品：数据产品是企业基于大量数据资源进行深度加工、分析和处理后形成的一种无形资产。它通常具备特定的功能、格式和用途，旨在满足用户在数据分析、决策支持等方面的需求。数据产品可以是一次性的交付物，也可以是持续更新和优化的服务。

数据服务：服务的定义则是一种无形的交付，通常涉及人力、技能、知识和时间的投入。服务提供者通过特定的行动、过程或结果来满足客户的特定需求。数据服务往往是持续性的，需要在双方的合作过程中不断进行调整和优化。

2.交易方式的差异：数据产品交易：数据产品的交易通常涉及产品的定价、交付和售后支持等方面。企业会根据数据产品的价值、稀缺性、市场需求等因素来制定价格策略。交付方式可以是线上下载、云存储访问或物理介质传输等。售后支持可能包括数据更新、技术咨询和培训等。

数据服务的购买：数据服务的购买则更注重服务过程的质量和效果。业主会与服务提供者签订合同，明确服务内容、期限、质量标准等。服务提供者需要按照合同要求提供服务，并确保服务过程中与业主保持有效的沟通和协作。

3.知识产权与保密性：对于数据产品，企业通常会拥有其知识产权，包括数据的采集、处理、分析和呈现等方面的技术和方法。业主在购买数据产品时，需要尊重企业的知识产权，并遵守相关的使用协议。

对于数据服务，服务提供者可能需要接触到业主的敏感信息或商业机密。因此，在服务过程中，服务提供者需要承担严格的保密义务，确保业主的信息安全。并且往往数据服务产生的新的知识产权归服务购买方所有。

哪些数据可以作为资产进行描述？

经过标准化处理、会计审计和法律风险评估，最终确权后，具有使用价值的数据都可以作为资产。

无论是高速公路还是交通运输、车联网等领域每天都会产生大量的原始数据资源，其中大部分数据无法直接产生资产化的价值，需要经过数据治理将数据资源转变为可用的数据资产，而这一过程需要一个载体。数据产品、数据集、数据软件都可以作为从数据资源到数据资产的载体。在数据资源成为数据资产之后，最能体现其资产化属性的一步，就是进行数据资产的入表。

公共数据的具体落地商业模式？

公共数据运营主要有三种模式：

一是行业数据管理机构授权企业统一运营。由国有企业提供统一的公共数据运营服务的“建管运一体化”模式。行业数据管理机构是监管者，委托授权行业、地方成立的国有全资或国有资产控股的大数据企业来作为公共数据统一运营机构。（如中航信将民航相关数据统一委托给航旅纵横）。

二是地方数据整体授权综合数据运营方。以区域内数据管理方统筹建设公共数据管理平台，并整体授权给综合数据运营方开展公共数据运营平台建设，形成多领域数据资源池。（如易华录和抚州政府成立合资公司，整体运营抚州公共数据）。

三是地方数据分类授权垂直领域数据运营方。由地方政府中数据归口管理部门制定实施相关管理制度，统筹建设公共数据管理平台，并通过多次分类授权引入垂直领域数据运营方运用公共数据管理平台开展相关数据服务。（如北京将金融数据授权给北京下属国企金控统一运营）。

收益权如何分配？

总体思路：根据“数据二十条”，按照“谁投入、谁贡献、谁受益”原则，着重保护数据要素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，探索个人、企业、公共数据分享价值收益的方式，建立健全更加合理的市场评价机制，促进劳动者贡献和劳动报酬相匹配。

推动数据要素收益向数据价值和使用价值的创造者合理倾斜，确保在开发挖掘数据价值各环节的投入有相应回报，强化基于数据价值创造和价值实现的激励导向。通过分红、提成等多种收益共享方式，平衡兼顾数据内容采集、加工、流通、应用等不同环节相关主体之间的利益分配。地方公共数据运营分配后获得收益纳入财政收入。

目前实操方式：地方政府和数商直接约定收入分配比例，或者成立合资公司，在分配收入基础上，合资公司利润再按股比进行分配。

数据产品的合规性如何被证明?

最好的办法是做好数据授权、确权，提供数据合规相关工作机制及佐证材料（例如数据采集过程中的用户的授权协议或者知情同意，数据使用过程中获取数据加工使用权和数据产品经验权授权协议，数据确权法律意见书等）。

参与数据资产化，不同数据资源持有者当前聚焦的应用场景包括哪些？

随着数字经济的快速发展和AI技术的广泛应用，数据已经成为驱动企业创新和竞争的重要资源。

首先，数据应用场景主要聚焦于市场分析、用户行为分析、产品优化等方面。通过对海量数据的挖掘和分析，企业能够更准确地了解市场需求和消费者偏好，进而优化产品设计、改进营销策略，提高市场竞争力。

其次，政府机构作为公共数据资源的管理者，其应用场景主要聚焦于公共服务、社会治理和决策支持等方面。例如，通过整合和分析交通、医疗、教育等领域的公共数据，政府可以优化公共服务资源配置，提升社会治理效率，为政策制定提供科学依据。

此外，科研机构也是数据资源的重要持有者之一，其应用场景主要聚焦于科学研究、技术创新和成果转化等方面。科研机构通过对特定领域的数据进行深度挖掘和分析，能够推动科学研究的进展，加速技术创新和成果转化，为经济社会发展提供有力支撑。

最后，个人用户作为数据资源的产生者之一，其应用场景主要聚焦于个性化服务、智能推荐和隐私保护等方面。随着大数据和AI技术的发展，个人用户的数据被广泛应用于各种智能服务和应用中，如个性化推荐、智能助手等。同时，个人用户也越来越关注数据隐私保护问题，要求数据资源持有者加强数据管理和保护，确保个人信息安全。

综上所述，不同数据资源持有者当前聚焦的应用场景各具特色，但都离不开对数据的深度挖掘和有效利用。随着技术的不断进步和应用场景的不断拓展，数据资产化的前景将更加广阔。

全国各地的数据授权模式及利弊比较？

行业主导模式：

该模式主要由垂直领域行业管理部门负责，授权和指导其下属机构承担本领域公共数据运营平台建设、场景开发和市场运营。

好处在于：1.专业性强：行业管理部门具备深厚的行业知识和经验，能够更精准地把握数据需求和应用场景。2.资源整合效率高：通过行业内部资源整合，有助于形成规模效应，提升数据开发利用效率。

弊端在于：1.跨行业合作难度大：不同行业间可能存在数据壁垒，导致数据共享和流通受限。2.可能存在管理盲区：行业管理部门可能过于关注本领域的数据运营，而忽视与其他领域的协同合作。

区域一体化模式：

该模式由地区数据管理机构负责，以整体授权形式委托数据运营机构开展区域内公共数据运营平台建设和市场运营。

好处在于：1.区域协同性强：有助于实现区域内数据资源的统一管理和共享，促进区域经济发展。2.便于政策推广：地区数据管理机构能够更便捷地在整个区域内推广数据授权相关政策，形成政策合力。

弊端在于：1.可能存在地域性限制：不同地区的数据授权模式可能存在差异，导致数据流通和共享受到地域性限制。2.对运营机构要求较高：需要运营机构具备较高的技术和管理能力，以应对区域内复杂的数据需求和应用场景。

场景牵引模式：

该模式基于特定应用场景，通过针对性、专业化分类授权引入专业数据运营机构，分领域、分场景激活公共数据价值。

好处在于：1.应用场景明确：有助于针对具体需求开发精准的数据应用，提升数据价值。2.灵活性高：能够根据不同场景的需求灵活调整数据授权策略，提高数据开发利用效率。

弊端在于：1.可能缺乏整体性规划：过于关注具体场景的数据应用，可能导致整体数据资源开发利用的碎片化。2.数据安全管理难度加大：不同场景下的数据授权可能涉及不同的安全要求和管理措施，增加了数据安全管理的难度。

综上所述，全国各地的数据授权模式各具特色，利弊共存。在选择合适的数据授权模式时，需要综合考虑行业特点、区域发展、应用场景以及数据安全等因素，以实现数据资源的最大化利用和价值的最大化发挥。

目前看到的数据资产入表包括部分数据产品内容主要来自交通运输领域，交通管理领域反而比较少见？

首先是交通管理领域主要承担交通安全性相关工作，数据交易对于交管部门的内部价值并没有那么大；另一方面，交警内部的数据涉及到隐私安全，多数情况是仅允许输入，不能输出。

越来越多的数据资产开始入表，如何看待这种现象？

无场景不交易，无价值不入表。

首先，数据作为第五要素，随着千行百业数字化、智能化转型升级，发展新质生产力的客观需要，数据资产入表是大势所趋，将激活各地政府、各个企业的数据活力，不仅有助于提升数据资产的价值，也为企业带来了更多的商业机会和竞争优势。数据已经成为企业运营和决策的重要依据。通过将数据资产纳入财务报表，企业可以更加清晰地了解自身的数据资源状况，从而做出更加明智的决策。

数据资产入表有助于提升数据资产的价值。通过将数据资产进行计量和披露，企业可以更加准确地评估数据资产的价值，从而更好地进行数据资产的交易和流通。这不仅有助于提升企业的市场竞争力，也有助于推动整个数智产业化、产业数智化的发展。

此外，数据资产入表还为企业带来了更多的商业机会。通过将数据资产纳入财务报表，企业可以吸引更多的投资者和合作伙伴，从而获取更多的资金支持和业务合作机会。这有助于推动企业的业务创新和拓展，提升企业的整体实力。

然而，目前如火如荼的数据资产入表也存在一些乱象：

首先，数据资产的定义和范围模糊不清。由于缺乏统一的标准和规范，不同企业对于哪些数据可以视为资产、哪些数据应当纳入财务报表等问题的理解存在差异。这导致数据资产入表的实践存在较大的主观性和随意性，难以保证财务信息的准确性和可比性。

其次，数据资产入表处于政策刚发布的先行先试期，行业对入表的路径、方法理解不统一，存在信息差。此外，数据资产的质量和可靠性问题突出。由于数据资产的来源多样、质量参差不齐，一些企业可能存在数据造假、数据篡改等行为，以美化其财务报表。这不仅损害了数据资产入表的公信力和可信度，也可能对投资者的决策产生误导。

综上所述，数据资产入表现象的增多是数字化时代的重要趋势，有助于提升数据资产的价值和推动企业的发展。然而，在推进数据资产入表的过程中，也需要关注相关的挑战和问题，企业也应当加强自律和诚信建设，积极履行社会责任，为数据资产入表的健康发展贡献力量。

参考资料：1、数据要素高研院2、梁轶涛：广东智慧高速数据要素应用与资产化实践

感谢：本文撰写工作中，得到了易华录数据资产化事业部解决方案部副总经理崔存金、零数科技汽车交通事业部解决方案总监王斯硕、同济大学博士后研究员孙拓的观点支持。

来源：赛文交通网