章 睿 李德芬（清华大学全球证券市场研究院；中国城市和小城镇改革发展中心）
摘 要：数字经济背景下，数据要素市场化配置亟须精准识别高价值数据产品，而传统评估方法存在价值拆分不精准、动态适应性不足等问题。本文引入“数据双轴模型”视角，构建高价值数据产品专项评估方法，以孪生数据质量、生态融合能力、技术驾驭能力为核心影响因素，遵循“孪生数据为原点、横向场景融合拓价值、纵向技术深耕挖内核”的释放路径，并通过“客户痛点—精准场景—数据获得 × 技术驾驭—价值输出”的创造路径实现高价值数据产品识别。交通行业案例验证表明，该体系可有效识别高潜力场景，规划高价值数据产品，实现“数据—场景—产品—价值”闭环。研究破解了传统方法短板，为数据资产优化配置提供了兼具理论与实践价值的支撑。
关键词：数据价值；孪生数据；价值双轴模型；高价值数据产品；DIKW 模型
一、引言
数字经济浪潮下，数据作为核心生产要素的战略地位愈发凸显，被视为驱动经济社会高质量发展的关键引擎。国家层面高度重视数据要素价值释放，《关于构建数据基础制度更好发挥数据要素作用的意见》《“十四五”大数据产业发展规划》《“数据要素 ×”三年行动计划（2024—2026 年）》《关于完善数据流通安全治理 更好促进数据要素市场化价值化的实施方案》等政策密集出台，明确提出建立数据价值体系、培育数据要素市场，推动数据向资产化、资本化转型。在政策引导与技术创新的双重赋能下，政府、电网、金融、互联网等领域加速数字化转型，海量数据在生产经营、公共服务、社会治理等环节持续沉淀，形成了覆盖多场景、多维度的数据产品矩阵。这些数据产品不仅成为优化资源配置、提升运营效率的重要支撑，更在产业升级、创新驱动中展现出巨大潜力。
数据价值呈现显著异质性特征，海量数据中既包含具备高应用价值、高增值潜力的核心数据产品，也存在效用有限的冗余数据。高价值数据产品往往凭借质量可靠、场景适配性强、增值空间大等优势，在精准决策、高效服务、创新赋能等方面发挥关键作用，但当前其价值常被数据总量的规模化效应所掩盖。传统评估方法或侧重成本核算，或依赖收益推测，难以充分体现数据的多维价值构成与动态演化特征，导致优质数据产品难以被精准识别与高效配置，制约了数据要素价值的深度释放。
如何从海量数据中科学识别、精准评估高价值数据产品，成为破解数据要素市场化配置难题的关键。基于此，本文立足数据要素价值化发展需求，引入“数据双轴模型”视角，构建数据产品价值评估方法。该方法从数据质量与应用效能双维度切入，兼顾数据的固有属性与场景价值，旨在建立科学、可行的数据价值识别评估体系，为数据产品规划、资源优化配置提供理论支撑与实践参考，助力数据要素市场高质量发展。
二、文献综述
数据价值评估作为数据要素市场化配置的核心环节，始终是数字经济领域的研究热点。现有研究围绕传统评估方法优化、专项评估模型构建及多方法融合应用三大方向展开，形成了多元化的研究格局，但仍存在普适性不足、价值贡献拆分困难、动态适应性欠缺等问题，尤其缺乏对“以孪生数据为原点、场景融合与技术驾驭为双轴”的价值升级逻辑的系统性回应，为本文研究留下了拓展空间。
传统三大评估方法（成本法、市场法、收益法）为数据价值评估提供了基础框架，学者们针对数据非实体性、价值波动性等特征进行了针对性优化。成本法聚焦数据全生命周期成本核算，邹贵林等（2022）提出两阶段修正成本法，通过界定数据成本范围并结合市场价格对比确定价值区间，为孪生数据（高质量数据）的基础成本量化提供了参考；林飞腾（2020）将数据采集、存储、加工等直接成本与管理、安全等间接成本纳入评估体系，提升了数据原点构建阶段成本核算的全面性。市场法侧重交易案例匹配与参数修正，刘琦等（2016）通过层次分析法构建技术、价值密度等多维度调整指标体系，为横轴场景融合中不同领域数据的可比性问题提供了解决方案；左文进等（2019）结合 Shapley 值法与破产分配法，实现了数据组合收益的拆分估值，适配了跨界融合场景下的价值分配需求。收益法注重未来收益的精准测算，陈芳等（2022）基于多期超额收益法，引入客户留存率参数修正折现率与收益期，契合了纵向技术驾驭带来的价值递增规律；嵇尚洲等（2022）将收益倍增模型与情景分析法结合，通过构建高、中、低三种情景与用户倍加系数，量化了数据在双轴驱动下的潜在增值空间。
针对特定行业或场景的数据特征，专项评估模型的创新探索不断推进，部分研究已初步触及双轴模型的核心逻辑。在政府开放数据领域，赵需要等（2022）基于“数据势能”理论，从数据开发价值与潜在价值双维度构建评估模型，其潜在价值维度涵盖了场景拓展与技术深化的双重考量，与双轴模型的核心思想具有契合性。在电网企业领域，于艳芳等（2023）采用组合赋权法（层次分析法 + 熵权法）结合模糊综合评价法，从数据数量、管理、质量、应用、风险五个维度建立指标体系，既强调了数据质量是基础，又兼顾了应用场景的价值转化，适配了电网数据多源异构的特征；丁正凯等（2026）系统梳理电力数据价值化四阶段（资源化、资产化、商品化、资本化）的关键问题，提出指标评估法、效用法、Shapley 值法等适配不同阶段的评估方法，其中资产化阶段的特征分析与商品化阶段的交易定价逻辑，分别呼应了纵向技术驾驭与横向场景融合的价值实现路径。在互联网与金融领域，王娟娟等（2023）基于盈利模式差异，为广告推荐模式、服务付费模式、数据产品模式分别构建收益法、DEVA 模型、成本法适配框架，其数据产品模式的评估逻辑体现了“场景融合 + 技术深化”的双轴驱动特征；张俊瑞等（2025）针对商业银行数据，将增量收益法与层次分析法、蒙特卡洛模拟相结合，精准拆分了数据在利息收入、投资收益、成本节约中的贡献比例，为双轴驱动下的价值拆分提供参考。
为应对数据价值的复杂性与动态性，多方法融合成为研究热点，逐步向双轴模型的系统逻辑靠拢。模糊决策与综合评价融合方面，宋杰鲲等（2021）将精确数、区间数、语言变量统一转换为直觉模糊数，结合集结算子、TOPSIS、灰色关联分析等模型构建组合评价体系，既保障了孪生数据的质量量化精度，又提升了场景融合与技术深化过程中评估的抗干扰能力；李菲菲等（2019）基于信息生态视角，通过层次分析法赋权与模糊综合评价，构建了供电企业数据管理与价值评估一体化模型，实现了从数据质量到应用价值的全链条评估。动态评估框架构建方面，刘雁南等（2023）提出数据多维动态评估框架，根据数据状态、持有目的、开发程度等维度灵活选择评估方法，兼顾了数据在双轴驱动下的时间演化与场景适配性；朱泽等（2021）基于系统动力学构建政府数据价值评估模型，模拟了数据在价值化过程中的产生与转移机制，为“数据→信息→知识→智慧”的纵向价值升级循环提供了动态模拟工具。
由上述文献分析发现，当前数据价值评估仍处于探索阶段，学术界虽已形成多元化的评估方法体系，但暂未形成适配数据价值动态演化特征的标准化评估框架，对高价值数据产品的识别也缺乏统一的标准。总体而言，目前尚未形成一套能够精准拆分多元价值贡献、动态适配数据价值演化规律的完整评估体系，现有方法在剥离场景融合与技术驾驭的独立价值、凸显孪生数据基础支撑作用等方面存在明显不足。无论是理论层面还是实证层面，都需要对数据产品价值的评估体系进行进一步的探索和完善。
三、数据产品价值评估体系构建
（一）数据产品价值影响因素
数据产品价值的实现受多重核心因素驱动，其中孪生数据质量、生态融合能力与技术驾驭能力构成关键支撑维度，共同决定数据价值的释放潜力与转化效率。
孪生数据作为数据产品价值的根基，是实体产业运营中经物联感知与业务系统自然沉淀，与物理世界或业务流程高度镜像对称、高质量的业务数据。其通过系统化治理实现物理空间与数字空间的深度动态耦合，真实反映企业业务发展状况，具备高真值性、高实时性与高关联性三大核心特征。高真值性源于真实业务过程，确保数据可信；高实时性体现为随业务持续更新的强动态性，彰显时效价值；高关联性则覆盖关键业务实体与流程节点，蕴含丰富业务逻辑与上下文关系。这些特征使孪生数据成为数据价值释放的核心引擎，因此数据价值评估需优先对其质量进行系统性考量。
生态融合能力是数据价值拓展的关键，指主体将自有孪生数据与外部多元数据源进行连接、融合及协同计算，以拓展数据价值广度、创造融合价值与网络价值的核心能力。其核心在于打破数据壁垒、推动协同发展，严格遵循“做稳、做大、做强、做活”的递进逻辑，是数据价值从单一主体向多元生态延伸的重要支撑。具体而言，先整合上下游关联数据夯实业务基础，再融入行业内多元合规数据拓宽覆盖范围，进而推动跨行业跨领域数据融合构建竞争优势，最终依托持续协同形成开放创新的数据生态体系，实现价值规模化释放。本质上，该能力旨在扩大数据价值影响范围，推动其从单一价值向生态价值跃升，为主体长远发展提供可持续数据动力。
技术驾驭能力体现主体数智化转型成熟度，是运用数智技术驱动数据沿“数据→信息→知识→智慧”路径实现层级跃迁与价值升维，进而锤炼数据价值内核、深度挖掘数据价值的核心能力，反映主体在数据处理、价值转化与发展赋能方面的综合水平。实践中，主体借助大数据技术完成从数据到信息的转化，通过机器学习、人工智能等技术深度挖掘信息，提炼具有指导意义的知识，再结合知识图谱、智能决策等技术将知识转化为可落地执行的智慧方案，构建数据价值持续挖掘的良性循环。每一次跃迁都意味着数据产品在决策科学性、预测准确性与执行高效性上的突破，该能力直接决定数据产品的技术含量与智能水平，影响数据价值挖掘的深度与效率，是主体核心竞争力的重要组成部分。
（二）数据价值释放路径
数据价值的有效释放以高质量孪生数据为核心前提，遵循“以孪生数据为原点、横向场景融合拓价值、纵向技术深耕挖内核”的双轴框架，形成价值持续升级的完整循环，其核心优势在于精准对接客户痛点与潜在场景，实现数据资源向业务价值的高效转化，而通过数据价值释放路径，能够深入识别客户痛点以及潜在的场景，为后续创造数据价值、识别高价值数据产品奠定坚实基础。
图 1 数据价值释放体系
孪生数据作为价值释放的原点，是企业日常运营中自然沉淀的高质量业务数据，与实体产业实际高度匹配，并非刻意构建的虚拟资源。其核心作用是帮助企业以低成本、高效率挖掘自有数据资产，无需额外投入大量资源获取无关数据，为价值释放奠定基础。
横向维度聚焦场景融合，核心逻辑是打破行业数据壁垒，整合生态数据以弥补单一企业数据局限，挖掘跨领域价值。实践中需结合数据可获得性、获取成本及业务贴合度等因素，逐步整合上下游关联数据、同行业数据与跨界数据，形成“做稳基础、做大规模、做强能力、做活生态”的递进格局。这种融合以客户痛点与应用场景为导向，确保整合数据能切实解决业务问题，提升实际应用价值，同时进一步精准识别潜在场景与未被满足的客户需求。
纵向维度侧重技术深耕，通过数智技术构建“数据→信息→知识→智慧”的阶梯式价值升级循环，既是数据价值提升的过程，也是组织数智技术驾驭能力的直接体现。纵向深耕需围绕客户痛点发展智能化应用，将数据转化为指导决策、解决问题的有效信息与知识，最终形成自主优化、适配场景需求的智慧化应用，强化数据与业务的深度绑定，同时依托技术赋能精准捕捉潜在场景，推动价值释放的持续升级（见图 1）。
在双轴框架下，数据产品体系覆盖数据、信息、知识、智慧四大类型，构建持续演进的智能生态。对内优化企业运营流程，实现降本增效；对外拓展服务边界与场景，挖掘潜在需求，推动数据产品规模、价值与竞争力同步提升，最终完成从数据资源到业务价值的闭环转化，进一步深化对客户痛点与潜在场景的识别与把控。
（三）数据价值创造路径
数据价值创造遵循“客户痛点→精准场景→数据获得 × 技术驾驭→价值输出”的逻辑路径，通过全流程场景落地与价值转化，精准识别高价值数据产品，而通过数据价值创造路径，能够深入识别出高价值数据产品，为数据要素市场化应用提供明确导向，同时衔接数据价值释放路径所识别的客户痛点与潜在场景，形成价值闭环。
价值创造始于对客户痛点的洞察，脱离实际痛点的价值创造无法形成有效数据产品，而这种痛点洞察需依托数据价值释放路径所积累的场景认知，确保痛点识别的精准度与针对性。
客户痛点驱动精准场景构建，场景是识别高价值数据产品的核心载体。基于不同主体的需求差异，形成多元化场景。这些场景既承接数据价值释放路径所识别的潜在场景，也针对具体痛点提供解决方案落地载体。明确数据产品的应用范围与价值指向，适配场景需求、解决核心痛点的数据产品具备高价值潜力。
场景落地过程中，数据获得与技术驾驭形成乘数效应，是价值转化的核心环节。数据获得作为基础前提，来源涵盖企业内部沉淀、供应链关联及行业公共数据等，其完整性与针对性决定产品价值潜力；技术驾驭作为核心支撑，通过数据中台、人工智能算法等手段对数据进行治理建模，并将其转化为有效信息。二者相辅相成，数据覆盖广度决定价值空间，技术应用深度影响转化效率，协同水平直接决定产品价值高低，同时衔接数据价值影响因素中的技术驾驭能力与生态融合能力，确保价值转化的可行性。
价值输出形成完整闭环，最终确认高价值数据产品核心价值。对内赋能企业运营流程，实现降本增效；对外精准对接多元客户需求，提供针对性解决方案与服务体验。在此过程中，稳定输出高价值、适配多场景、解决核心痛点的数据产品，即为高价值数据产品。 高价值数据产品是以数据要素为核心驱动、经技术封装形成的标准化服务或解决方案，具备场景驱动、价值可衡量、可持续演进三大特征，其识别与培育为数据要素市场化发展提供重要支撑，同时反向推动数据价值影响因素的优化与数据价值释放路径的完善（见图 2）。
四、案例分析：以交通行业为例
（一）案例背景
在交通行业数字化转型加速推进的背景下，某区域交通领域核心运营主体依托其在长期实业运营中沉淀的全链条业务数据，构建了覆盖政府与监管机构、企业客户、个人用户三大核心群体的服务体系。该主体聚焦交通行业跨部门协同不畅、运营效率偏低、数据价值转化不足等核心痛点，以高质量孪生数据为基础，通过生态融合与技术驾驭能力的双重提升，形成了“数据—服务—价值”的完整闭环，为数据资产价值评估提供了典型实践样本。
（二）数据产品价值影响因素表现
该主体在数据产品价值影响因素方面具备显著优势：孪生数据源于高速公路运营、车辆通行、设施监测等真实业务场景，经路侧设备、车载终端等多源校验保障高真值性，毫秒级动态更新彰显高实时性，全面覆盖“人—车—路—场”全业务链条实现高关联性，为数据应用奠定坚实基础。生态融合严格遵循“做稳、做大、做强、做活”的递进逻辑，先整合内部路网运营、养护管理等关联数据，再接入行业内多元合规数据，进而推动交通与金融、文旅、跨境贸易等跨领域数据融合，构建起开放协同的生态体系。技术驾驭能力成熟，能够熟练运用大数据、人工智能、知识图谱等数智技术，推动数据沿“数据→信息→知识→智慧”路径稳步升维，既实现了数据的结构化处理与规律挖掘，也形成了可落地的智能决策方案，大幅提升了数据产品的技术含量与决策价值。
图 2 数据价值创造路径（以交通行业为例）
资料来源：作者自制。
（三）基于数据价值释放路径的高潜力场景识别
1.场景识别逻辑
该主体以数据价值释放路径为核心指引，结合自身业务特点，确立了“双维度对齐”的场景识别逻辑：需求维度紧密匹配内外部客户核心痛点，确保场景具备真实业务价值和市场牵引力；资源维度充分依托主体在实业运营中易于沉淀的特色数据资源，如交通运营数据、用户出行数据等，确保场景具备坚实的数据基础和落地可行性。
其底层构建逻辑遵循“双循环驱动、资产化落地”：对内聚焦运营效率提升，形成 “数据—决策—效益”的价值闭环；对外辐射产业链上下游及跨界领域，构建“数据—服务—生态”的开放循环，最终以“沉淀可定价、可复用的数据资产”为核心目标，确保场景价值持续转化。
表 1 覆盖交通全产业链的八大高潜力应用场景
| 客户类型 | 客户痛点 | 应用场景 |
| 政府与监管机构 | 跨部门数据标准不一，形成“数据孤岛”，制约全域交通态势感知能力的提升 | 安全应急治理预警应用场景、集团交通运营经营决策支撑场景 |
| 突发应急事件缺乏高效跨部门协同机制，影响指挥调度效率 | 安全应急治理预警应用场景、跨境数据服务应用场景 | |
| 宏观决策依赖经验判断，缺乏基于实时全量数据的分析和推演能力 | 集团交通运营经营决策支撑场景 | |
| 企业客户 | 运输与物流公司：路径规划精准度不足，在途状态不透明，突发事件预警延迟，推高运营成本 | 现代物流与供应链应用场景、安全应急治理预警应用场景、跨境数据服务应用场景 |
| 车企与自动驾驶公司：单车智能感知局限，高精地图更新频率不足，真实路采数据匮乏 | 智能网联与自动驾驶应用场景 | |
| 保险与金融机构：产品同质化，缺乏精准定价和动态风险评估手段 | 金融保险创新应用场景 | |
| 商业服务商与文旅机构：客流预测不准，难以识别高价值客户，导致营销资源错配 | 衍生数据服务应用场景、公众增值出行服务应用场景 | |
| 出行平台与互联网企业：数据来源分散、质量差，缺乏有 SLA 保障的稳定数据供给 | 智能网联与自动驾驶应用场景、公众增值出行服务应用场景 | |
| 跨境贸易企业、物流商及口岸管理部门：通关核验慢、多式联运信息断层，影响跨境效率 | 跨境数据服务应用场景、现代物流与供应链应用场景 | |
| 个人用户 | 出行信息碎片化且不准确，服务缺乏个性化 | 公众增值出行服务应用场景 |
| 跨模式出行衔接体验不佳 | 公众增值出行服务应用场景、跨境数据服务应用场景 |
2.高潜力应用场景识别
通过数据价值释放路径中的横向场景融合与纵向技术深耕，结合客户痛点精准识别，构建了覆盖交通全产业链的八大高潜力应用场景（见表 1）。
（四）基于数据价值创造路径的高价值数据产品规划
1.产品识别逻辑
该主体严格遵循数据价值创造路径“客户痛点→精准场景→数据获得 × 技术驾驭→价值输出”，结合高价值场景核心定义标准，即聚焦刚性痛点与可量化目标、确保数据可行与决策闭环、突出商业价值与方案可复制性，构建“价值高低”场景判断分析模型，从财务价值、战略价值、社会价值、实施可行性四个维度综合评估，最终筛选出高价值数据产品。
高价值场景核心公式为：高价值场景 =客户强烈痛点× 数据可行性× 明确商业价值，三者互为支撑，同时结合数据资产入表要求，确保产品“实用化”与“价值正向”。
表 2 依托交通全产业链八大高潜力应用场景规划的高价值数据产品
| 序号 | 应用场景名称 | 数据产品名称 |
| 1 | 安全应急治理预警场景 | 高速公路巡查数据产品；交通设施智慧巡检数据产品；桥梁结构安全动态预警数据产品；高速公路团雾风险动态预警数据产品；高速公路危化品车违规行驶预警数据产品；隧道安全监测预警数据产品；高速公路路基沉降风险动态预警数据产品；高速公路行人 / 非机动车闯入预警数据产品；高速公路恶劣天气（暴雪 / 冰冻）行车安全预警数据产品；边坡安全预警与防治数据产品；施工车辆慢行安全提醒数据产品；路况事件（含施工占道）发布数据产品 |
| 2 | 金融保险创新场景 | 汽车保险 – 风控模型分产品；金融借贷 – 货车、物流企业风控模型产品；金融借贷 – 过路费 / 运费贷产品；保险 – 高速里程保产品 |
| 3 | 现代物流与供应链场景 | 货运车辆高速路径智能优化与成本管控数据产品；高速公路冷链物流温控与路径协同数据产品；广东省高速公路多式联运数据产品 |
| 4 | 跨境数据服务应用场景 | “港车北上”高速公路智能监管与服务数据产品；粤港跨境高速公路货车信用监管与通行便利数据产品 |
| 5 | 智能网联与自动驾驶场景 | 高速公路车路协同自动驾驶感知数据服务产品；高速公路自动驾驶测试数据管理与分析产品 |
| 6 | 公众增值出行服务应用场景 | 智慧服务区运营优化数据产品；高速公路出行服务精准推送数据产品 |
| 7 | 衍生数据服务应用场景 | 营销分 – 换车产品；营销分 – 二手车买卖产品；营销分 – 信用卡推广促活产品；交通 – 电网协同规划智能选址服务；交通能源投资业主响应虚拟电厂调度 |
| 8 | 集团交通运营经营决策支撑场景 | 路面养护决策支持数据产品；收费管理智能优化数据产品 |
2.高价值数据产品规划
依托八大高潜力应用场景，通过数据获得与技术驾驭的乘数效应，规划 32 个系列高价值数据产品（见表 2）。
（五）案例价值验证
该主体以孪生数据为原点，通过横向场景融合将数据应用于八大核心场景，纵向技术深耕推动产品价值升维，形成“数据资源—场景应用—价值输出”的释放闭环；同时遵循价值创造路径，从客户痛点出发，通过场景构建、数据与技术协同，输出 32个高价值数据产品，对内实现降本增效，对外精准对接多元需求，完成“痛点—场景—产品—价值”的完整闭环。数据价值影响因素的有效落地，既保障了场景与产品的可行性，也提升了价值转化效率，充分验证了该数据价值评估体系在交通行业的实践有效性，为同类企业的数据资产价值挖掘提供了可参考的路径范式。
五、结论
本文立足数据要素市场化发展需求，引入“数据双轴模型”视角，构建了涵盖价值影响因素、释放路径与创造路径的高价值数据产品专项评估体系。研究表明，数据产品价值由孪生数据质量、生态融合能力与技术驾驭能力共同驱动，遵循“孪生数据为原点、横向场景融合拓广度、纵向技术深耕挖深度”的双轴释放逻辑，通过“客户痛点—精准场景—数据获得 × 技术驾驭—价值输出”的创造路径可实现高价值数据产品的精准识别。交通行业案例验证显示，该体系能够有效落地潜力应用场景，衍生高价值数据产品，实现“数据—场景—产品—价值”的完整闭环，为数据资产交易流通、资源优化配置提供了兼具理论严谨性与实践可操作性的支撑。
本研究结果与赵需要等（2022）“数据势能”理论、丁正凯等（2026）价值阶段论相呼应，验证了孪生数据与双轴驱动的价值逻辑。创新之处在于精准拆分了场景融合与技术驾驭的独立价值贡献，嵌入动态调整机制，弥补了传统评估方法静态化、价值拆分模糊的短板。同时，研究也存在一定局限，案例仅聚焦交通行业，对中小主体数据基础薄弱的场景适配性不足。未来可拓展多行业样本，纳入数据安全合规权重，结合区块链技术强化价值追溯，完善中小主体轻量化评估模块，进一步提升研究的实践应用价值。
参考文献
[1]陈芳 , 余谦 . 数据资产价值评估模型构建—基于多期超额收益法 [J]. 财会月刊 ,2021,(23):21-27.
[2]丁正凯 , 颜剑峰 , 王蓓蓓 . 电力数据资产价值化评估：研究框架与展望 [J]. 电工技术学报 ,2026,41(5):1425-1449.
[3]嵇尚洲 , 沈诗韵 . 基于情景法的互联网企业数据资产价值评估—以东方财富为例 [J]. 中国资产评估 ,2022,(2):29-38.
[4]李 菲 菲 , 关 杨 , 王 胜 文 , 等 . 信息生态视角下供电企业数据资产管理 模型及价值评估方法研究 [J]. 情报科 学 ,2019,37(10):46-52.
[5]李清逸，罗敬蔚 . 数据价值链视角下数据要素定价机制研究 [J]. 价格理论与实践，2022,(3),94-97.
[6]李永红 , 张淑雯 . 数据资产价值评估模型构建 [J]. 财会月刊 ,2018,(9):30-35.
[7]林飞腾 . 基于成本法的大数据资产价值评估研究 [J]. 商场现代化 ,2020,(10):59- 60.
[8]刘莉 . 数据资产要素市场化配置的困境与对策研究 [J]. 中国管理信息化， 2020,23(14),162-163.
[9]刘琦 , 童洋 , 魏永长 , 等 . 市场法 评估大数据资产的应用 [J]. 中国资产评估 ,2016,(11):33-37.
[10]刘雁南 , 赵传仁 . 数据资产的价值构成、特殊性及多维动态评估框架构建[J].财会通讯 ,2023,(14):15-20.
[11]普华永道 . 数据资产化前瞻性研究白皮书 [EB/OL].(2022-01-04)[2026-03-13].
https://www.doc88.com/p-78047569365473. html?s=rel&id=5.
[12]司林波 , 刘畅 , 孟卫东 . 政府数据开放的价值及面临的问题与路径选择 [J]. 图书馆学研究 ,2017,(14):79-84.
[13]宋 杰 鲲 , 张 业 蒙 , 赵 志 浩 . 企业数据资产价值评估研究 [J]. 会计之 友 ,2021,(13):22-27.
[14]谭海波, 张楠. 政府数据开放: 历史、价值与路径 [J]. 学术论坛 ,2016,39(6):31- 34+53.
[15]王娟娟 , 金小雪 . 互联网信息服务平台数据资产评估方法—基于盈利模式差异的视角 [J]. 科技管理研究 ,2023,43(22):83-94.
[16]尹传儒 , 金涛 , 张鹏 , 等 . 数据资产价值评估与定价：研究综述和展望 [J]. 大数据 ,2021,7(04):14-27.
[17]尹西明 , 林镇阳 , 陈劲 , 等 . 数据要素价值化动态过程机制研究 [J]. 科学学研究 ,2022,40(02):220-229.
[18]于艳芳 , 孙俊烨 . 电网企业数据资产价值评估研究—以国家电网有限公司为例 [J]. 财会通讯 ,2023,(20):89-97.
[19]张俊瑞 , 秦小桅 , 屈雯 . 商业银行数据资产价值评估研究—以 X 银行为例 [J]. 财会月刊 ,2025,46(23):3-12.
[20]赵需要 , 郭义钊 , 姬祥飞 , 等 . 政府开放数据生态链上数据要素价值分析及评估模型构建——基于“数据势能”的方法[J].情报理论与实践 ,2022,45(12):50-59.
[21]中共中央、国务院关于构建数据基础制度更好发挥数据要素作用的意见 [J]. 科学中国人 ,2023,(2):60-64.
[22]中国信息通信研究院政策与经济研究所 . 数据价值化与数据要素市场发展报告 (2021 年 )[EB/OL].（2021-05-27）[2026-03-11].https://www.caict.ac.cn/kxyj/qwfb/ ztbg/202105/P020210527392862309670.pdf.
[23]朱泽 , 段尧清 , 何丹 . 面向政府数据治理的数据资产价值系统仿真评估 [J]. 图书馆论坛 ,2021,41(6):100-105.
[24]邹贵林 , 陈雯 , 吴良峥 , 等 . 电网数据资产定价方法研究—基于两阶段修正成本法的分析[J]. 价格理论与实践,2022,(3):89- 93+204.
[25]左文进 , 刘丽君 . 大数据资产估价方法研究—基于资产评估方法比较选择的分析 [J]. 价格理论与实践 ,2019,(8):116- 119+148.
（章睿系清华大学全球证券市场研究院数智价值负责人；李德芬系中国城市和小城镇改革发展中心智慧低碳发展部主任）