下载掌阅APP，畅读海量书库
立即打开
在信息时代，数据被赋予了前所未有的价值。与传统的生产要素数据，数据具有独有的特征，例如获得的非竞争性、使用的非排他性、价值的非耗竭性、源头的非稀缺性等。由于这些独有的特征，数据作为生产要素在涉及产权、流通、共享、定价、使用、获益、安全和隐私保护等方面，不仅存在制度障碍，还缺乏有效的技术支撑。而数据要素化和要素数据化则是数字化转型过程中有效管理和利用数据的两个重要的方式：数字经济的不断发展需要人们充分了解数据要素化中的经济规律，数据要素化的重点是将数据转化为可重复使用的资源，以实现数据价值的最大化；要素数据化则强调将实体经济中的要素转化为数字化的信息，实现要素的高效管理和利用。一些传统要素在大数据、人工智能等技术的支持下，能够得到配置上的优化，并充分释放数据的价值。
数据要素化在当前经济运行中具有非常重要的意义。随着数字化转型的加速，越来越多的业务决策和创新依赖于数据。数据要素化通过将数据转化为可重复利用的资源，能够为组织提供更准确、更可靠和更有价值的信息，进而提高决策效率和竞争力。数据要素化是一个动态发展的过程，即运用全面的、联系的、运动的观点，把握数据特性及其价值运动规律，促进数据流动，并建立数据要素的流通共享机制，更好地发挥数据资源的作用，更高效地激发数据的潜在价值。
数据要素化根据其参与社会生产经营活动的过程，可分为递进的3个阶段：一是资源化，即认识数据的资源属性，这是数据价值释放的前提；二是资产化，即在法律上确定数据的资产属性，这是要素价值得以保障的根本；三是资本化，即实现数据的资本属性，这是要素价值得以释放并创造新价值的途径。
数据要素化在各个领域都有广泛的应用场景。例如，在金融领域，银行、证券、保险等金融机构利用数据要素化进行风险评估、信用评级、资产配置和投资决策等，以提高效率、降低风险以及优化资源配置。在智慧教育领域，利用数据要素化可以精准地描绘学生的学习画像和教师的教学画像，诊断学生的学习问题和教师的教学问题，并为学生提供个性化的学习路径和学习资源。在智慧城市领域，城市管理部门利用数据要素化监测和分析城市交通、环境、公共安全等方面的数据，精准判断城市管理问题并提供解决方案，以提高城市管理的智能化水平。在新基建领域，5G通信技术、人工智能、工业互联网等充分利用数据要素化，通过采集、传输、存储和智能化处理数据，建设和优化基础设施，推动数据服务应用场景发展。
数据要素化是一个国际性难题，需要一系列关键技术的支持。 一是数据采集与存储技术。 数据采集是数据要素化的第一步，它涉及如何从各种数据源中获取、转换数据，并使其标准化。数据存储则需要选择合适的存储介质和方式以保障数据的安全性、可靠性。 二是数据处理和分析技术。 需要解决数据准确性、完整性和一致性等问题，还需要采用适当的数据挖掘、深度学习等数据分析方法和模型，从海量数据中提取有价值的信息，并进行深入分析和预测。 三是数据安全与隐私保护技术。 在数据采集、存储和处理的过程中，需要采取加密技术、访问控制技术、身份认证技术等一系列的技术手段保障数据的安全性和隐私性。 四是数据流通与交易技术。 数据流通和交易是实现数据要素化的关键环节之一。在数据流通方面，需要制定相应的规范和标准来促进数据的交换和共享。在数据交易方面，需要建立完善的数据确权与交易的平台和机制，以便完成数据的定价、交易和结算。
要素数据化在数字化转型过程中扮演着非常重要的角色。将社会、科技、经济等领域的各类要素转化为可度量、可机读的数据，能够使各类要素变得更加透明，可追溯、可预测和可利用，进而实现更加精确和高效的管理与决策。此外，要素数据化还能够促进信息技术与实体经济的深度融合，推动各行业的数字化转型。
传统的社会、科技、经济等领域的各类要素在数字时代，由于有了大数据、云计算、人工智能等技术，其配置方式也将发生巨大变化。传统要素在数据要素化过程中有3个方面重要作用：一是促进高标准市场体系建设，这是市场配置各类要素资源的决定性作用；二是深化供给侧结构性改革，这是要素数据转化和统一标准有利于数据业务流通的作用；三是创新更完善的业务市场，充分发挥数字技术的赋能作用。
要素数据化将传统要素与大数据技术相结合，充分地发挥传统要素的特征，应用范围广泛。例如，在供应链管理领域，企业可以利用要素数据化来实时监控和优化供应链的各个环节，提高供应链的透明度和响应速度。在现有供应链管理的基础上，依靠大数据等新一代信息技术，可以解决一些企业在电商经营中出现的问题。在轨道交通领域，将轨道交通工程档案数字化，使用知识图谱等方法深度挖掘轨道交通档案，通过分析数据的内在规律，辅助交通工程建设与效能提升。在社会治理领域，政府可以利用要素数据化进行数据协同和服务共享，提高防范风险和应对突发事件的能力，提升政府的服务效率。
要素数据化是将各种要素通过数字化、标准化的方式转化为数据的过程。在这个过程中，存在一系列关键技术。 一是特征提取与表示技术。 要素数据化需要采用特征提取和表示技术，提取各种要素，并转化为计算机可识别的形式。例如，可以通过图像分割、边缘检测等技术提取图像中的各种特征；可以通过匹配文本特征来提取文本中的语义信息。 二是数据建模与预测技术。 要素数据化的目的是从数据中获取有价值的信息，这需要采用数据建模和预测技术对数据进行深入分析和挖掘。例如，可以通过机器学习、深度学习等技术对数据进行分类、聚类和预测，以便发现数据中的规律和趋势。 三是数据可视化与交互技术。 数据可视化是将数据以图形或图像的形式呈现，以便人们更好地理解和分析数据。同时，还需要采用交互技术增强用户与数据之间的互动性。
从前边的研究可以看出，数据要素化与要素数据化是不同的。数据要素化侧重于将数据转化为可重复利用的资源，以实现数据价值的最大化。数据要素化主要关注数据的挖掘和分析，从大量原始数据中提取有用的信息，并将其转化为可理解的要素，以支持决策制定和预测分析。数据要素化的主要目的是提高数据的利用效率和价值，本质是让数据通过流通实现规范的社会治理，以提高人民的生活水平。
要素数据化则关注将现实社会、科技、经济等领域中的各种要素（例如，人、财、物、信息等）转化为数字形态，以便进行数据处理和分析。要素数据化的主要目的是针对要素开展智能化管理，以提高经济社会的数字化水平和运行效率。
数据要素化和要素数据化是相互联系、相互促进的过程，共同推动数字化转型。数据要素化可以为要素数据化提供必要的数据支持和指导，将现实社会、科技、经济等领域中的各种要素转化为数字化信息。同时，要素数据化也可以为数据要素化提供更广泛的数据源和更准确的数字形式，促进对数据的深入挖掘和分析。