全球数字化浪潮下数据资产化内涵、经验及我国发展路径探讨

导读： 随着全球数字化浪潮的加速推进，数据已成为驱动经济社会发展的关键生产要素。数据资产化到底包含哪些具体内涵和发展阶段？国际上有哪些成功经验可供借鉴？...

在数字化时代，数据资产化有着怎样的具体内涵？它历经了哪些发展阶段？它又是如何影响经济的？答案就在下面。

概念初探

数据资产化并非国际公认的概念，目前仍处于探索阶段，尚无统一的定义，在经济学领域，它注重将数据进行有效利用，使其转化为可衡量经济价值的资产，这如同以往被视作无用的数据，如今或许会成为有价值的宝贝，在金融和会计领域，则更侧重于数据密集型企业的资产评估与定价，借助不同视角，我们能够从多方面领会数据资产化的含义。

阶段划分

数据资产化包含三个阶段，分别是资源化、产品化和可测化。在资源化阶段，要对数据进行收集整合，使其变得有条理。产品化和可测化阶段是核心部分，这就如同把矿石变成精品一样，要让数据成为有市场价值、能精准衡量价值的资产。广义的数据资产化涵盖阶段二和三，其发展空间很大；狭义的数据资产化只看阶段三，它依赖于前面阶段的完成度。若产品化没做好就谈资产化，容易造成数据资产泡沫。

市场格局

当前，北美地区是规模最大的数据资产化市场，占据全球份额的32.9%，这是因为当地物联网与云计算得到普及，进而产生了海量数据。亚太地区由于拥有庞大的消费者群体与智能手机用户，再加上人工智能、物联网以及大数据分析的迅速发展，所以将成为增长最为快速的市场。不同地区数据资产化的发展，依靠的是当地的技术、市场以及政策环境。

国际探索

欧美发达国家在数据产业发展方面领先我国，在产品化程度上也领先我国，所以不太强调“数据资产”这个概念，也没有特别推行数据资产入表。即便这样，他们在数据资产化方面也是有问题的，主要问题是数据战略与执行存在差距。并且，只有十二分之一的公司完全实现了数据资产化，多数公司是因为缺乏数据收集存储的基础设施 。不过，一些欧美企业将数据应用于融资抵押，还用于搭建交易平台等，这些做法提供了宝贵经验。

国内困境

我国数据资产化面临挑战，具体表现为供给不足，需求疲弱，交易成本高。企业数字化程度低，数据开发利用及相关技术服务费用高，前期投入融资难等，这些因素制约了数据资产供给。企业在数字化转型中，要面对高费用和融资难题，所以很难全力推动数据资产化。市场对数据资产的需求尚未完全释放，这也增加了发展难度。

AI 驱动

AIGC大模型训练需要大量的数据，这些数据数量巨大，在前景广阔的领域最容易催生出数据资产化的需求。AI在不断发展，它的发展正在推动数据从资源向资产转变，数据在更多的应用当中能够创造价值。随着AI技术持续进步，数据资产化会在多个行业加快推进，从而为经济增长注入新的动力。

读完这篇文章，你会认为我国企业想要突破数据资产化供给不足的困境，那么关键应该从哪些方面着手？要是觉得文章有价值，就点赞并分享！