一、导言
数字经济时代，随着信息技术高度发展及其向经济社会各领域的渗透扩散与深度融合，各行各业迎来数据爆发式增长。新一代信息技术的发展使得数据采集、传输、存储、处理、利用能力不断提高，数据在价值创造中发挥越来越重要的作用，并成为数字经济时代具有基础性和战略性意义的生产要素。党的十九届四中全会通过《中共中央关于坚持和完善中国特色社会主义制度推进国家治理体系和治理能力现代化若干重大问题的决定》明确提出，“健全劳动、资本、土地、知识、技术、管理、数据等生产要素由市场评价贡献、按贡献决定报酬的机制。”第一次在党的文件中明确了数据作为生产要素的地位。《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》进一步明确提出，“加快培育数据要素市场”“提升社会数据资源价值”，为充分挖掘数据价值指明了方向。
在数字经济时代，数据成为影响企业成长和提升国家全球竞争地位的关键资源。在企业层面，对数据的占有和利用能力成为提升企业竞争力的重要引擎，企业纷纷加强数字化改造、推动生产环节的数字化连接、打通各部门各环节的数据共享，汇集数据的互联网平台企业更成为数字经济的枢纽，为其所有者创造巨大财富。在国家层面，不仅世界各国纷纷加快数字技术创新、推动各行业数字化转型、加强数字保护立法，甚至围绕数据资源的控制与争夺而发生激烈的经贸冲突。随着数据对于价值创造的重要性不断提高，数据沿着生产链条的流动也引起学者的关注。由于数据的流动过程也是价值的创造过程，因此传统价值链理论被拓展为数据价值链，其关注的重点也呈现出从实物到数据、从单向到闭环、从组织内部到跨界融合的转变。数据价值链的研究刚刚起步，数据作为数字经济时代重要的生产要素并贯穿于生产过程的始终，但关于数据价值链的内涵、数据的价值创造机制、影响数据价值创造的因素等问题尚未厘清，有待深入探索。
二、数据价值链的提出及内涵
数据价值链是数字经济时代企业价值创造活动中出现的新现象，是对价值链理论的发展，但同时也具有不同于传统价值链的内涵与特征。
（一）数据价值链的提出
价值链理论是分析价值创造活动和企业竞争优势来源的重要理论，该理论认为企业的任务是创造价值，价值和价值活动构成价值链的分析基础。价值链的概念由迈克尔·波特提出，他认为价值链是由设计、生产、销售、发送等所有向用户交付产品或服务所需的一系列生产活动及相关辅助活动构成的体系。在价值链理论的基础上，学者又相继提出了商品链、全球商品链、知识价值链、虚拟价值链等相关概念。霍普金和华勒斯坦（Hopkin and Wallerstein）在提出世界体系理论的同时也提出了商品链概念，“一个由劳动和生产流程构成的网络体系，其终点是一件完成的商品”，即商品链指最终产品的劳动和生产过程体系，反映了商品生产的内在价值关联机理。格列夫（Gereffi）等在经济全球化持续深入发展的背景下，提出了全球商品链的概念，将分析的视野拓展到全球。为摆脱“商品”一词的局限，研究者又提出“全球价值链”取代“全球商品链”。史维奥克拉和瑞波特（Sviokla and Rayport）提出“虚拟价值链”，将企业的竞争环境分为物质世界和虚拟世界，后者通过虚拟价值链开展价值创造活动，重新定义了企业边界和规模经济，突破了传统价值链仅涵盖实物的范畴，为企业建立起传统实物和虚拟空间两条平行的价值链。李庆琦和杨杰（Ching Chyi Lee and Jie Yang）构建了由知识管理基础和知识过程管理组成的知识价值链模型，展示了信息、知识、数据等虚拟价值链能够从整体上对要素和传统价值链进行可视化的优化和整合，并带来低成本和高增值等竞争优势。纵观价值链相关理论演变历程可以发现，知识、信息和数据等非实物性质的资源在价值创造中的作用逐步被认识和重视。
数据价值链的提出是以信息技术的进步和产业化为前提的。随着新一代信息技术的广泛应用及其与其他产业的深度融合，企业的生产活动日益呈现数字化、网络化、智能化的新特征，数据无论是在数字经济本身的发展（即“数字的产业化”）还是在既有产业的数字化转型（即“产业的数字化”）过程中的重要性都愈发突出，数据沿企业生产过程的流动及对价值创造的作用受到广泛关注。对已有文献的检索发现，数据价值链的概念最早在2013年被提出。米勒和彼得（Miller and Peter）认为数据价值链是从数据获取到做出决策整个数据管理活动、提供支撑辅助的各种利益相关者和相关技术构成的框架，并将其划分成数据发现、数据集成和数据探索三大过程。此后，学者对数据价值链开展了一系列研究。古斯塔夫森和芬克（Gustafson and Fink）将数据价值链划分为数据获取、数据存储、数据分析及数据应用四个基本阶段；与之类似的研究还有库瑞斯塞恩（Kriksciuniene）等提出的四环节模型、库里（Curry）提出的五环节模型等。贝克尔（Becker）等提出，数据价值链可将大数据系统中的信息流描述为从数据中产生价值和有用见解所需要的一系列步骤。张影等将数据价值链划分为八大基本管理活动和三类辅助支持性活动构成的框架。福瑞克林（Faroukhi）等将数据价值链作用机制定义为从原始数据到产生真正见解的整个数据生命周期中，一步步地提取数据价值的可重复过程，包含生成、采集、分析、交换四个阶段。从这些研究可以看到，国内外学者大都从数据生命周期的角度来定义并分析数据价值链，将其概括为数据从生成到利用（利用时会创造经济价值）的一系列环节。数据的价值创造离不开企业具体的生产活动，数据是伴随企业生产活动的各个环节而不断流动的，上述研究将重点放在了数据本身如何利用，偏向于技术应用的视角，而鲜有对企业价值实现过程的分析及从经济学视角的解读。
（二）数据价值链的内涵与特征
1．数据价值链的内涵。数据价值链是沿着企业生产链条数据流动与价值创造相伴而动的过程。随着生产过程从研发到生产、从销售到服务和使用的环环递进，数据不断流动，经济价值也被创造出来。沿着从研发设计到最终产品回收的整个生产过程，价值不断增值，同时也伴随着数据的流动。价值创造的每一个环节都涉及数据的生产、传输、收集、储存、分析和利用。值得关注的问题是，数据如何在沿着生产链条流动的过程中创造价值？由于数据在价值创造中的作用不断加强，在数字经济时代，将数据链和价值链有机结合起来，才能更全面地分析价值创造的机制。
2．数据价值链的特征。数据价值链与传统价值链同样关注沿着企业生产过程的价值创造，但在数字经济时代，企业的价值创造与工业时代或商品时代不同，因而数据价值链与传统价值链呈现出一系列不同的特征。
第一，从关注的重点来看，传统价值链关注各种基本生产活动，这些生产活动以有形的形态存在，一环紧扣一环地向最终交付产品和服务、实现产品和服务的价值演进。数据价值链则强调数据沿着生产过程及各生产经营部门的流动，在各个生产环节通过与生产工具、生产要素相结合创造出价值。
第二，从流动方向来看，传统价值链中的物质产品或服务沿着生产过程单向流动，有限的信息同样也是沿着生产过程单向流动。而在数据价值链中，数据呈现多向流动的特点，并形成流动的闭环。一是正向数据流动。类似于传统价值链中，沿着生产过程各环节的数据伴随着产品或服务进入到下一个环节。如，研发设计环节的数据会作为具体的生产参数分别进入零部件生产、局部装配、总装等生产环节。二是逆向数据流动。数据不像实体产品的传输需要耗费时间和金钱，可以快捷且以接近零成本地从生产的下游环节反向传输到生产的上游环节，由此形成数据流动的闭环，生产过程后续环节能够对前序环节产生影响。如，当某件商品热销时，销售环节就会对供应链和生产环节发出指令，组织物流采购和生产排产。三是环节内数据流动。在同一生产环节内部，前一时段形成的数据可以成为下一时段生产活动的投入要素，形成数据在同一生产环节内部的流动。四是外部数据的注入。企业生产过程之外的政府部门、中介组织、供应链伙伴乃至其他企业拥有的数据，都可能作为该企业的生产要素注入某一个生产环节，帮助企业创造更大的价值、获取更大的利润。五是内部数据的输出。企业生产经营活动中产生的数据可以作为其他企业的生产要素并创造价值。
第三，从资源配置范围来看，价值链理论着重于企业内部资源的配置，而数据价值链突破了企业组织边界的限制，不仅供应商、用户的数据能够通过与企业内部数据的连接交互来创造价值，而且政府、互联网平台乃至其他企业的数据也能够与企业研发、生产、用户服务等生产活动产生关联，成为创造额外价值的投入要素。如，电商平台聚集了海量的用户搜索、交易、评价数据，通过对这些数据的分析挖掘，可以发现消费热点、潜在趋势，这些数据如果和生产企业、网店对接，就可以为他们开发新产品、采购畅销商品提供参考，从而增加销售收入和利润。
第四，从推动因素来看，传统价值链的价值创造主要依赖于行业特定的知识和技术。如，利用行业知识构造生产线、优化工艺参数。而数据价值链则是行业特定技术与作为通用目的技术的新一代信息技术高度融合来创造价值，信息技术起到为传统行业赋能，发挥行业特定技术价值创造的放大器、加速器的作用。传统价值链中也会产生大量的信息，但是由于信息技术发展水平低，对这些数据的采集、传输、处理的难度大、成本高，因此企业不得不进行权衡，在技术和成本的约束下，采用汇总或抽样的数据资料用于生产经营决策，大量的信息被放弃，数据的颗粒度大，大量的细节被丢失。新一代信息技术的发展则为数据的采集、传输、存储、处理提供了连接、算法、算力等方面的支持，极大地提高了生产各环节数据生产、采集、传输、存储、处理和利用的能力和效率。如，物联网、移动互联网将人、物、场景等连接起来，打破了连接的时间和空间限制，人、物、场景中产生的数据可以被泛在网络实时采集和传输；数据中心、云计算中心等新型数字基础设施，降低了数据存储、分析的技术门槛和成本支出；大数据和人工智能技术则贯穿数据价值链的始终，实现对大数据的自动化、智能化的分析和处理。可以说，新一代信息技术和数字基础设施成为数据价值链运转和数据价值创造的基础。
三、数据价值链的价值创造机制
在企业生产活动的每一个环节，数据都有可能与其他生产要素发生作用，创造出新的经济价值。企业的生产活动包括多个环环相继的阶段，在数据价值链中，数据既有沿着生产方向的正向流动，同时也存在生产的后续环节向前向环节的反馈，形成全流程的数据闭环。本文重点考察研发、制造、营销、服务等四个主要生产环节中数据创造价值的机制。
（一）研发环节
创新能够帮助企业形成先行者优势和差异化，为企业带来高额利润，因此，市场竞争机制推动企业纷纷加大研发投入。企业的创新活动主要不是以科学发现为目标的探索性活动，而是有着明确的利润导向的创新活动，只有那些能够为企业带来市场和利润的创新才是企业的主要投入方向。然而，企业的研发活动投入大、失败率高，面临着巨大的风险。数据在研发环节的价值创造作用表现在两个方面：一是提高研发效率，降低研发成本。研发投入大的原因在于新产品开发的设备、人才、耗材投入大且周期长，需要繁琐的试验过程和反复的试错才能得到理想的结果。但实际上，许多企业的研发环节积累了大量能够解决研发效率低、投入高问题的数据，却没有得到有效应用。在人工智能技术支持下对研发数据进行分析，可以大幅缩减研发周期，降低研发成本。如，新药的研发往往需要几十年时间，同时耗资巨大，基于人工智能技术的虚拟测试和药物筛选可以快速发现疾病的药物靶点，从大量化合物中发现先导化合物，大幅降低新药开发的成本。二是提高研发针对性，降低研发风险。企业研发活动面临的高失败率，除了由于技术（特别是前沿技术）本身就存在着高度不确定性之外，企业缺乏对用户需求特征和市场趋势的准确研判也是非常重要的原因，而这又受制于对数据的占有和分析能力。通过对用户购买、搜索、使用、评价等各方面海量数据的收集和分析，企业能够更准确地把握市场形势、了解用户喜好、预测需求变化，从而提升市场化导向的研发活动的精准度，将来自市场信息不对称的影响降到最低。
（二）制造环节
制造环节涉及生产线设计、工艺参数设定、物流供应、人与机器协同等诸多业务活动，是一个非常复杂的系统，某一个局部或几个局部的衔接状况都会影响制造系统的产量与成本。数据在制造环节的价值增值作用可以通过多种途径实现。一是提高生产线局部的效率。通过对积累的产业知识的软件化或者通过机器学习掌握生产过程中的规律，可以用人工智能系统替代过去机械化或人工从事的工作，大幅提高设备运行效率。如，图像识别是人工智能相对成熟的细分领域，通过对制造过程中的产品（钢水、液晶面板等）图像与其质量关系的历史数据进行分析，可以生成一套用于该工序的人工智能算法，通过图像识别就可以判断产品的质量。二是通过整个制造过程的数字化、智能化，将工厂改造为无人工厂、黑灯工厂，实现数据和算法驱动下的智能制造。三是通过对生产过程各种设备、各个环节产生的数据进行分析，进行参数优化，提高产品的良品率，降低物料损耗。如，美国通用电气公司（GE）在《工业互联网：打破智慧与机器的边界》白皮书中提出“1%的威力”（the Power of 1 Percent）概念，即通过数据优化为制造企业带来各种收益。阿里云通过帮助保利协鑫苏州多晶硅切片工厂优化工艺参数，使切片工厂的良品率提高1个百分点，实现每年节约成本1亿元。四是通过销售、库存等供应链各环节数据的追踪和实时分析，合理安排物流采购和生产排产，实现产销精确对接，尽可能地做到用户采购时不缺货、商品下市时没有尾货库存。
（三）营销环节
营销的任务是向用户创造、推广、传递商品和服务，其中关键一点是如何将商品信息传递给用户并使用户产生购买意愿。在传统的广告宣传中难以准确地将商品信息传递给潜在目标用户，产生这一问题的重要原因在于对用户进行画像的数据过少，只有少数指标可以采用。如，根据年龄、性别、学历、居住地等粗线条的指标将用户划分为不同群体并进行广告投放。数字经济的发展及大数据的普遍采用使得用户特别是个人消费者在互联网上的活动产生大量可以被记录的踪迹。如，消费者在访问网站和使用APP时会留下注册信息、搜寻、购买、评论、使用等各种记录。通过对这些大数据的分析，企业就可以更精确地对用户进行多维度画像，在此基础上对用户进行细分，甚至可以细分到单个消费者。企业对用户进行画像的数据既可以是来自企业自身用户的数据，也可以来自外部互联网平台。前者如电商平台基于其所拥有的海量用户数据及先进的数据挖掘技术，为用户提供个性化内容推荐，增加用户购买、使用的可能性；后者如互联网平台根据广告客户所要推广的商品特点，通过消费者使用该平台的海量数据进行多维度画像，有针对性地选择具有特定特征的消费者进行广告推送。
（四）服务环节
用户所需要的并不是产品本身，而是产品所提供的使用价值或带给用户的效用。因此，为了满足用户需求同时获得销售收入，企业既可以向用户销售产品，也可以提供基于该产品的服务。随着产品复杂度的提高，用户越来越难以掌握使用、维护产品所需要的专业知识和技能；同时，用户个性化需求也随着收入水平的提高不断增长。从企业的角度看，产品的同质化加剧了企业间的市场竞争，要求企业在产品之外寻找差异化途径，服务化转型成为企业应对挑战和变化的方向。数据价值链为生产企业更好地优化增值服务提供了条件。通过对产品运行状况的实时分析，企业可以提供远程监控、预防性维护等服务，避免产品突发故障造成重大损失；通过对用户使用状态的监控，结合企业的专业知识积累，可以为用户提供更加贴心、个性化的使用建议，从而改善用户体验、提高用户满意度；通过对用户需求的实时响应，使产品基于软硬件结合为用户提供个性化的功能；在柔性化制造系统的支持下，企业还可以让用户直接参与产品设计过程，以接近规模化生产的成本为用户提供个性化定制生产的产品，实现“千人千面”的差异化。
四、影响数据价值链价值创造的因素
数据价值链与价值链耦合而生，但影响数据在价值链创造中的因素更为复杂，除数据本身的数量和质量外，还要考虑数据在生产链条中流动的影响。数据价值链价值创造的影响因素可概括为以下六个方面。
（一）颗粒度
数据的颗粒度指数据的精细化程度。在新一代信息技术广泛应用之前，对精细数据采集的成本高昂，而且也缺乏对海量数据进行加工分析的手段，企业不得不放弃大多数可能采集到的数据，而只能对少量数据进行大颗粒度地采集和利用。如，生产企业通过小批量的抽样调查和试用来了解用户的潜在需求及对新产品的评判。但大颗粒度、局部和非实时的数据会造成企业对用户需求的洞察仍然是比较粗略的，准确度不高。企业通过物联网、移动物联网将人、物、场景连接起来，可以实现生产经营过程和产品使用生命周期中数据的全本采集，并利用大数据、人工智能等技术进行分析洞察。一是更加精准地发现生产经营中的规律、趋势，并据此进行优化调整，甚至可以细化到具体的生产设备、场景和用户。二是使优化调整更具有实时性，进一步提高企业对外部环境、用户需求等方面的变化做出反应的速度。但是也要注意到，数据的颗粒度越小，对数据传输、存储、分析等设施和系统的处理能力及相应的投资或租赁成本也会显著提高，企业需要在数据精细化带来的收益与要付出的成本之间做出权衡。
（二）鲜活度
尽管对数据的占有是企业市场竞争力的重要来源，但由于企业内外部环境的迅速变化，不同时段的数据具有不同的价值。一般来说，越靠近当前的数据价值越高。“随着时间的推移，大多数数据都会失去一部分基本用途。在这种情况下，继续依赖于旧的数据不仅不能增加价值，实际上还会破坏新数据的价值。”如，由于收入水平的提高、商品和服务日益丰富、多次元文化的发展，消费者更加善变，造成数据的生命周期越来越短。数据的新鲜度是衡量数据价值尺度的重要指标，刚生成的数据被采集和分析更可能在多个环节上产生价值并最终影响企业决策的效果，甚至被持续拉长并传递到整个产业系统，发挥更大价值。在不同的业务场景中，数据使用者对数据新鲜度的要求不尽相同。城市信息发布、智慧交通等场景要求对道路信息实行动态、实时监测；相反，由于消费者偏好在短期内难以改变，因而反映消费者需求的数据价值持续的时间相对较长。数据的鲜活度既体现在存量上，也体现在增量上。某一个设备、用户、场景的数据更新可能是连续的，实时会发生数据的更新，也可能是离散的，有规律或无规律地在不同时间长度内（如一小时、一天、一月等）产生新的数据。为了能够获得全本数据、保证数据的鲜活度，企业需要建立人、物、场景之间的连接，并且使数据采集、传输、存储系统保持在随时待机状态。
（三）连接度
数据之所以在价值链中发挥价值创造作用，很重要的原因在于数据在企业生产各环节、产品全生命周期各阶段及产业生态各组成部分之间的流动。数据的高效连接打破了各环节的信息孤岛，通过对数据价值链中数据的分析，可以发现生产各环节、产品全生命周期各阶段及产业生态各组成部分之间的联系，发现价值增值的空间。在传统价值链中，各个环节之间虽有联系，但彼此之间却是界限分明、相对孤立的，供应商、企业、消费者的数据不能及时、准确地共享，造成信息不对称；在数据价值链中，各个环节的信息都被数字化，更加便于环节间的数据流动。在生产经营活动中，数字连接度越高，各方联系就越广泛越紧密，创造的价值空间就越大。价值链各节点数据的无缝连接和高度共享是智能制造的基本要求，德国“工业4.0”所提出的纵向集成、端到端集成、横向集成的基础就是制造业网络中相关节点数据的广泛连接，基于实时泛在连接，企业才有可能开展智能生产、提供智能服务。目前，业界已认识到数据连接的重要性并对此做出了积极探索，通用电气、西门子、特斯拉、海尔等制造业领军企业都在积极推动工业互联网平台或智能工厂建设。如，海尔的智能互联工厂将用户需求与工厂无缝连接起来，即前联研发，后联用户，把企业的研发部门、制造部门、营销部门与客户等并联在同一系统内，用户可以将自身需求直接发送到生产线上，并通过生产线上的上万个传感器随时查看产品的生产进程。
（四）反馈度
数据价值链中的数据并不是单向流动的，还存在着后续环节向前序环节的数据反馈，由此形成数据的闭环循环。数据价值链不同环节之间的连接越多、数据的反馈越频繁，就越容易从各节点数据构成的数据集中发现价值增值的空间。由于产品最终通过销售才能实现经济价值，因此链条中用户数据反馈是最重要的反馈路径之一。企业可以将对用户使用反馈数据的分析结果作为改进产品设计、优化生产、制定发展战略的决策依据，并且基于这些数据开发更多的增值服务，在提高用户满意度的同时，增加企业的收入和利润。来自用户的收入可以再投资于提高服务质量和吸引更多用户等方面。新成长起来的数字科技企业高度重视用户的反馈特别是消费者的体验，通过各类自媒体和线上社群与产品用户进行沟通，搭建起“用户—企业—创新—用户”的双向沟通和协同创新系统。在这个系统中用户反馈的信息及时被企业收集，企业也通过改善产品和服务及时回应用户诉求，从而降低了新产品研发的试错成本和营销阻力。因此，企业越重视用户价值，其用户忠诚度越高，产品的更新迭代速度越快，创造的价值也越高，这种价值创造方式就是高反馈机制作用的体现。
（五）响应度
现代经济活动是一个环环相扣的有机整体，一个环节的变化势必对另一个环节产生影响。经济发展和信息化水平提高，分工协作不断加强，实际上也意味着整个经济社会活动更加瞬息万变，这就要求企业必须对内外部的变化做出迅速响应。在市场方面，要求企业以比竞争对手更快的速度响应市场变化，从而抢占先机；在企业内部，需要企业对各部门的指令、各生产环节的变化做出及时响应，从而提高效率、降低成本。内外部环境的变化都是通过数据传递信息，因此对数据的响应速度成为企业成功的关键。数据的响应度是指数据在价值链各环节传输及各环节对数据的变化做出分析和处理的速度。由于各价值活动主体之间存在一定的时空距离，信息的传递及内在价值的挖掘都会花费时间，而此时环境可能又发生新的变化，因此企业要想获得更多的价值增值，就必须具备快速的数据响应能力，对数据响应越快，创造的价值越大。快速的数据响应对传输、算法、存储等信息技术及其基础设施水平提出了更高要求。数据处理中有所谓的“1秒定律”，即对处理速度的要求，一般要在秒级时间范围内给出分析结果，时间太长就失去价值。在无人驾驶、远程医疗、工业生产等领域，必须在毫秒级甚至微秒级的时间内做出正确响应，否则就可能造成生命财产损失。
（六）加工度
数据加工指运用数据技术手段对海量数据进行分析，以挖掘数据背后蕴含的潜在价值。未经加工的原始数据非常庞杂，数据格式多样，不同指标、参数之间缺乏直观的联系，这样的数据经济价值很低甚至不具有价值。原始数据是未经分析与提炼的事实，经过分析与合成原始数据将其转化为信息，而对信息的进一步解析形成知识即业务问题解决方案，最终强化数据分析对企业经营决策的支持，在此过程中，数据价值密度越来越高。因此，数据必须要通过汇总、筛选、分析等加工过程，才能得到对正确决策有用的信息，才会产生巨大的经济和社会价值，而且对数据的加工、分析越深入，更多的经济价值就会被挖掘出来。“数据就像是一个神奇的钻石矿，在其首要价值被发掘之后仍能不断产生价值。数据的真实价值就像漂浮在海洋中的冰山，第一眼只能看到冰山一角，而绝大部分则隐藏在表面之下。”对于企业而言，仅仅拥有海量数据是远远不够的，必须具有对数据进行加工、分析的能力，才能完成“数据—信息—知识—决策”的转变，进而实现数据价值倍增。
五、促进数据价值链价值创造作用发挥的政策建议
数据价值链价值创造作用的发挥离不开新一代信息技术的发展与新型数字基础设施的支撑。因此，需要政府发挥更加积极的作用，为数字这一新型生产要素更好地发挥作用创造良好的环境。
（一）以数字化转型引领高质量发展
高质量发展是既要保持一定发展速度，更要提升发展质量和经济效益的发展。虽然近年来我国数字经济发展势头良好，并且形成一定的全球竞争力，但我国实体经济整体的数字化水平与发达国家仍然存在较大差距，在区域间、产业间、企业间发展不平衡、不充分的矛盾仍然比较突出，尤其一些企业数字化水平低，缺少数字化意识、技术和人才。在数字经济时代，无论是企业追求经济利润还是产业实现高质量发展，都需要依赖数据价值链作用的发挥。在国家层面需要加快推动产业的数字化转型，将产业数字化转型作为突破口和主阵地，抢占新一轮高质量发展“智高点”。加强对数字技术创新的支持，抢抓数字技术颠覆性变革的战略机遇，加快新技术的产业化和推广应用。加强对企业数字化改造的技术支持，通过数字化转型试点示范引导企业形成清晰的数字化转型路线图，帮助企业打通数据孤岛，推动产业链、供应链、价值链的融通，提升数据在生产和消费各环节的渗透度，不断推动以数据驱动为导向的产业生态创新与应用，形成数字经济与实体经济良性互动和协同发展的格局。
（二）促进数字化基础设施互联互通
基础设施数字化是数据价值链发挥作用、支撑产业数字化转型的基础环节。要充分借鉴美国“信息高速公路”计划的成功经验，加快数字信息技术基础设施建设步伐，完善顶层设计和建设布局，出台数字化基建的专项规划、政策措施，推进5G、物联网、人工智能、大数据、工业互联网等新型基础设施的建设，根据产业和居民需求扩大覆盖面，同时利用新一代信息技术对传统基础设施进行数字化升级改造。数据标准体系建设是保证数据价值链有效连接的关键。现实中由于价值活动主体的多样性，往往存在缺乏统一标准的问题，成为环节间价值传递和资源整合的主要障碍。因此，要进一步加强“标准基建”，完善数据格式的标准和规范，加快参与和推进工业互联网、区块链等前沿技术的国际标准制定，为数据的连接、传输、共享与高效应用提供保障，最大限度地发挥数据的价值创造作用。
（三）完善数据要素市场化配置机制
充分认识数据这一新型生产要素不同于传统生产要素的特殊性，加快制定和推出适应数据价值创造作用发挥的体制机制。大力推动数据的开放共享，加快推进数据权属立法保护工作，以政府拥有数据的开放为抓手，引导各类企业和行业组织开放数据。加快数据要素市场的培育，建立统一的数据要素交易平台、准入监管机制、定价和交易规则，探索形成市场化的数据要素定价机制，使数据资源能够合理定价、自由转移、共享增值。破除广泛存在于各市场主体间的“数据孤岛”问题，加速数据要素自由流动，优化数据资源市场化配置。
（四）进一步提升数字治理水平
统筹数字经济发展与安全，在网络安全、隐私管理、知识产权保护和数据交易等方面，加快构建多主体协作治理机制，提升数字治理水平。加强新技术在数据治理领域的应用，利用区块链认证、数据自动脱敏等技术提升数据防护水平。强化政府部门对数字产业和设施安全的监管，建立健全数据领域的法制体系，加强网络安全技术手段的研究和运用，完善应急机制和第三方组织参与治理的机制，提升数据安全运行保障能力。发挥互联网平台企业聚集海量数据的优势，探索互联网平台作为平台管理者和数据治理者的机制。积极引导公众和市场主体遵守数据交易和使用规范，防止非法侵犯公民隐私和滥用数据进行不正当竞争。
