《中国金融》刊发北京市社会科学院范文仲研究员学术文章

作者：范文仲

北京市社会科学院党组成员、副院长、研究员

· 原文发表于《中国金融》2025年第3期

创新“数智经济”发展

习近平总书记多次强调，要加快发展新质生产力，扎实推进高质量发展。新质生产力代表着生产力的跃迁，是科技创新在其中发挥主导作用的生产力。新质生产力的“新”，锚定在关键性和颠覆性技术的突破，以新技术、新经济、新业态为主要内涵；所谓“质”，是强调在坚持创新驱动本质的基础上，通过关键性和颠覆性技术的突破，为生产力发展提供更强劲的创新驱动力。未来20年，由数字经济和人工智能结合形成的“数智经济”创新，将成为新质生产力发展的强力引擎，也是一个国家和地区经济发展的核心竞争力。在这个领域，中国具有一定的先发优势，但进一步推动“数智经济”发展，需要破解一系列内外部的体制、机制障碍，形成具有中国特色的创新发展路径。

积极推动数据要素释放内在经济价值

数据作为新型生产要素和基础性战略资源，实现从原始数据资源到数字资产再到数字资本的价值跨越，将显著促进生产资料的提质升级，推动新质生产力发展和经济全领域深刻变革，这是我国数字经济发展的核心目标，也将为未来经济增长提供强大的资本来源。目前数据虽然具有普遍的使用价值，但大部分仍然停留在社会资源层面，内涵价值没有充分释放。数字资源只有通过登记、评估后，才会转变成可量化的数字资产，进而通过交易流通，实现市场定价，上升为生产性的数字资本，真正释放其内在经济价值和社会价值。

企业数据价值创造面临的难点问题

以企业数据为例，在数据要素价值创造的过程中，企业数据资源通过登记、确权和价值评估，可以转变为净资产，降低企业资产负债率，提升融资空间。可流通数据实现交易后，将进一步增加企业收入和利润，改善现金流，扩大政府税源种类和税收规模，带动地区生产总值持续增长。但是，实现上述数据要素价值化目标还存在不少问题和挑战。

一是企业对数据资产的价值认识不足，数据治理能力不高，导致数据清核登记工作基础薄弱。数据资源的清核登记是数据要素市场建设和价值化的前提，但受到整个数据要素市场发展进程的影响，数据资产价值的实现路径尚不清晰，加之企业数据清核登记等工作存在一定的治理成本，企业对数据价值化重要性的认识和参与意愿还有待提高。此外，大部分企业对数据资源的治理能力不高，除互联网等个别数据利用起步较早的行业外，企业数据治理现状普遍不理想。这些不利因素阻碍了数据要素的价值化进程，造成企业数据资产价值化工作基础薄弱。

二是数据资产评估缺少统一明确的标准和程序，各地企业数据资产入表的实践操作差异较大。数据资产不同于传统资产，数据资产评估不能完全复制传统资产评估的体系和方法。目前，数据资产入表虽已取得初步共识，财政部和行业协会也发布了相关会计处理规则和指引，但已有的数据资产评估程序和标准尚不能满足市场对数据价值评估的需要，各地实际操作的方式存在不少差异，亟待研究发布相关国家标准。

三是数据资产入表和数据资产交易没有形成联动，容易造成潜在的资产泡沫。不是所有的企业数据都应入表，只有在建立企业数据资源报表体系的基础上，企业合法拥有或控制且通过商业化场景可以给企业带来经济利益的数据资源才可以入表。同时，数据资产的价值评估一定要审慎，应将数据资产入表和数据产品交易统筹考虑。那些具有真正的交易需求并能形成稳定透明市场价值的数据资产入表才有实质意义。

四是推动数据资产进场交易的制度体系没有建立起来。从理论上讲，进场交易可以增加互信，提高数据价值评估的透明度，便于后期进行金融创新和价值挖掘。同时，进场交易有利于加强交易合规性，防范数据风险，实现全流程监管和风险隔离。此外，进场交易还能强化对核心资源的管理，降低整个社会经济的运行成本，提高社会公共福利水平。因此，高敏感、高价值的数据应通过具备公信力的专业持牌交易场所开展进场交易，但是目前相关的法律制度体系还没有建立起来，真正实现进场交易的数据资产占比依然较低。

实现企业数据价值创造的相关建议

一是积极推动建立企业数据资源分类报表体系。建议企业按照不同的维度对数据资源进行梳理分类。首先，数据按照产生过程可分为三大类：管理数据，包括传统的财务数据、人员数据、科研专利数据等；生产数据，包括设备运转、工艺流程、物流仓储等数据；应用数据，产生于产品销售和客户服务的过程，包括客户对象、产品使用情况、销售维护成本等数据。部分中小企业已在发展运营期间采集了上述数据，实现数字化转型后，这些数据的颗粒度将更加精细，规模将显著提升。其中前两类数据属于企业自有数据，权属较为清晰；第三类数据由用户在使用企业物联网平台服务或生产设备过程中产生，具有较高的市场价值，但权属往往存在争议。其次，企业数据按照成熟形态可以分为原始数据、统计数据、数据产品。原始数据是没有经过加工的底层数据，统计数据是原始数据经过计算等加工形成的数据，数据产品是根据实际应用场景需求加工而成的数据应用产品。针对在数字化转型中产生的海量新型数据，企业应按照不同维度建立数字资源的管理报表体系，并明确主责部门和主责岗位（首席数字官），进行统一的数据资源规划管理。有条件的企业和地区，还可以在社会统一的数据登记中心进行数字资产上链登记，增加透明度和规范性。

二是加大企业数字资产价值的开发利用力度。企业的数字报表体系建立后，应积极推动数字资产的价值挖掘。例如，利用管理类数据，可以从信用维度、财务维度、科技竞争力维度、社会责任维度对企业进行全方位画像，从而有效支撑企业向金融机构申请普惠性融资服务。利用生产类数据，企业能够对实际生产情况和实时产能变化进行精准把控，并通过向外部机构进行数据授权来获取及时高效的供应链金融服务，实现传统商业保理和仓储票据贴现业务的数字化转型。利用应用类数据，企业除了进行客户画像、产品市场分析之外，还能够了解电子设备、农业机械、重载车辆等产品的售后运转情况。这些数据不仅对于分析特定群体偏好、行业景气度和宏观经济运行情况具有重要意义，而且在建立使用客户授权分润机制，进行合规交易后，市场需求度和数据价值量还可以得到进一步提升。

三是明确数据登记、加工、入表的统一制度规则，大力推动进场交易。建议将数据资产清核登记、确权评估、托管加工等相关环节有机融为一个整体，为企业数据治理提供便利。建立统一明确的相关政策和制度体系，为数据资产的登记和入表提供规则依据和流程规范。依托区块链等先进技术统一搭建数据资产登记和交易平台，发布数据资产凭证和数字交易合约，实现数据资产唯一性确权。同时，积极推动数据交易进场。一方面，政府部门可以出台相关制度规则，明确敏感度高、规模大的公共数据必须进场交易；另一方面，持牌的数据交易平台可以通过费用减免、提供法律合规保障、进行交易奖励等市场化机制吸引更多社会数据进场交易。在交易过程中，应重点关注以下问题。例如，应进行数据交易主体的准入管理，对数据资产内容进行分类分级，按照风险等级适配不同的数据购买者和使用者，明确合规的交易对象。此外，加强科技创新，应用隐私加密技术，实现数据“可用不可见”，探索数据使用权交易代替所有权的交易。

四是积极探索数据资产金融创新，进一步挖掘和释放数据价值。实现进场交易的数据资产，逐渐会形成稳定的市场价值，适合作为金融创新的对象。例如，数据资产质押融资是以企业合法拥有并具有透明市场价值的数据为质押物获得授信；数据资产出资入股可以显著降低缺少固定资产的中小科技型企业的资金压力，提高企业经营投资能力；数据资产转让或置换，数据资产持有人可以数据资产换取客户的非货币性资产。这些金融创新有利于发挥金融助力科技创新发展的支持作用，充分释放数据要素的活力和潜在价值。

五是审慎推进企业数字资源开发利用试点工作。中小企业数字化转型和数字资源的开发利用，在很多领域尚无先例可循和法规支撑。为了稳健推动创新，建议优先选取数据资源丰富的国有企业或是在数据治理方面有一定基础的中小企业作为试点单位，同时在会计、法律、评估等领域邀请头部专业中介机构参与联合创新。在数据要素市场建设基础好的地区开展试点，不断完善配套制度建设，待成熟之后再向全国推广，逐步建立起更为广泛的数字经济基础设施和制度体系。

大力推动人工智能与金融科技结合创新

随着生成式大模型的普及和推广，人工智能的创新受到广泛关注，对各个行业造成了深远的影响。人工智能与金融科技的结合，催生了一系列“数智金融”的新场景，提高了金融服务效率，延伸了金融服务半径，降低了金融交易成本，扩大了普惠金融的覆盖面和受益面。

“数智金融”技术的发展，将促进借贷行为在更大范围内实现，直接融资的项目风险在更大程度上分散。虽然传统金融机构还在通过分支机构获客，依靠专业员工提供投资和银行服务，但越来越多的商业银行已开始提供AI客服，资本市场也看到了智能投顾的潜力。未来的金融竞争将是以“数据+算力”为基础的模型和算法的竞争，以及智能客户服务能力的竞争，建立在通用大模型基础上的金融垂类专业模型，注定会取代那些标准化强、重复性高、有明确程序规范的传统银行、证券、保险业务。

但是，人工智能大模型的发展需要突破两大瓶颈：一是数据，二是算力。这两个要素既耗费资源，又耗费资金，导致很多人认为只有大公司才有实力训练人工智能模型，小公司没有可能。然而，如果能够发挥我国体制机制优势，大力推动技术和制度创新，小公司也有可能训练大模型。

建设合规公共语料库打破“数据孤岛”

从数据来看，随着机器学习特别是深度学习理论的演进，人工智能大模型的训练越来越依赖合格数据的提供。中小科技企业要发展人工智能技术，通常面临三方面困难：一是缺乏数量足够大的多模态数据集；二是无法保证数据来源的合法合规性；三是数据质量不高，可用度较低。因此，为解决中小科技企业面临的数据难题，笔者提出如下建议。

一是建设公共多模态人工智能训练用大数据集。建议从国家层面建设统一的大数据集，归集包括书籍、期刊、论文、公文、新闻、会议、剧本、图片、报表、语音、视频等各类高质量数据。当前，部分省市正积极推动跨领域多模态数据集的建设，对接涵盖出版物、医疗影像、行政文书、法院判决书等各类数据资源。建议进一步发挥政府数据平台的公信力作用和数据资源汇聚能力，加强与各类数据源机构的合作，向广大人工智能机构提供统一高效的数据服务。

二是探索解决数据涉及的知识产权合规性问题。人工智能模型训练所用的部分数据，如书籍、期刊、论文等，可能存在知识产权争议。建议从法律法规层面进行研究，在知识产权部门的支持下先行先试，逐步出台明确训练用数据集合规性问题的规章制度。

三是提高训练用数据集的质量和可用度。人工智能模型训练用的数据集来源分布广泛，格式千差万别，质量参差不齐。为了达到人工智能大模型训练的要求，原始数据需要经过多次清洗加工，训练过程还需要进行人工标识和校准，上述工作均需专业人员完成。当前国内相关产业并不发达，从业人员数量不多、专业性不强，虽然拥有海量数据，但标识库质量等仍然难以满足模型训练需求。建议政府规划专项资金和引导政策，对相关产业进行扶持，构建产业生态，助力人工智能发展。

通过制度和技术创新突破算力瓶颈

随着数字经济时代的全面开启，算力作为基础支撑，赋能作用日渐凸显。然而，我国算力市场发展面临以下挑战：一是高质量算力资源不足且较为分散，进一步支撑人工智能大模型训练存在一定难度，并且逐步成为当前新的“卡脖子”问题；二是基于算力需求多样化、碎片化的特点，算力资源供需错配的情况时有发生；三是算力基础设施属于重资产和资本密集型行业，具有前期投入大、技术迭代快、建设门槛高等特点，其建设运营需要消耗巨大的时间成本和资金成本，远远超出了中小微企业的承受范围。基于此，我们提出以下建议。

一是大力发展聚合计算先进技术，解决“卡脖子”问题。面对西方国家的技术封锁，我国在积极研发自主可控高质量芯片的同时，应强化关键核心技术攻关，针对当前算力需求多样化的特点，发展异构计算、异构集成、堆栈封装等先进技术，采用不同的架构、工艺和集成组合方式，将普通芯片算力聚合起来执行高质量的计算任务。科学组合不同类型的算力单元，实现计算密度、性能和效率的大幅提升，支持人工智能大模型训练等重点场景的应用和发展，也可以大大降低企业算力成本。

二是打造统一的算力交易和调度平台，用好碎片化冗余算力。以北京为例，建议打造全市统一的算力交易市场，构建“1+N”模式，即一个综合算力交易平台和N个算力调度平台。智能统筹调度北京市以及廊坊、乌兰察布、大同等周边城市各类算力资源，并协同宁夏、青海等西部地区算力网络，通过算力交易平台智能实现算力资源的最优匹配，为大量中小人工智能企业训练大模型提供价格低廉的普惠算力，推动数字技术全产业链融合创新，支持建设全球人工智能创新高地。

三是加大金融财政支持，进一步降低中小企业算力和数据的使用成本。由于模型训练需要大量算力和数据，若按照市场零售价格付费，中小科技企业将无力承担。建议参照政府对新能源车辆补贴的模式，在产业发展初期对中小企业购买人工智能算力和数据集进行适当的资金补贴，提高购买能力，后期通过数据和算力供给质量和供给能力的不断提升，逐步降低生产加工成本，涵养和培育持久的数据和算力流通生态。

展望未来，数字经济和人工智能将成为推动新质生产力发展的双轮引擎。二者结合，将创造出强大的“数智经济”发展新动力。在这个全新领域，只要我们能坚持改革开放的总基调，勇于探索，超前规划，务实推进，就可以走出一条有中国特色的“数智经济”发展之路。