登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《数字化转型视域下的数据价值研究综述：内涵阐述、作用机制、场景应用与数据创新》

  • 来源专题：数智化图书情报
  • 编译者： 黄雨馨
  • 发布时间：2023-09-17

  • 数字化转型视域下的数据价值研究综述：内涵阐述、作用机制、场景应用与数据创新

    马捷 / 郝志远 / 李丽华 / 张羽

    图书情报工作.2023 Vol.67 (15): 4-13.

    摘要： [目的/意义] “数据价值”作为数字化转型视域下一种不断深化的概念，当前与之直接相关的研究尚处探索阶段。对既有研究进行解构梳理、认知辨识，有利于开掘激发数据潜力、释放数据活力的全新数字化范式。[方法/过程] 在数字化转型背景下探索数据价值的概念内涵，并结合数字化转型的现实特征以及既有研究所呈现出的热点态势，明晰数据价值的作用机制，厘清数据价值在不同外化场景中的应用表现，同时洞悉数据价值驱动下的数据创新行为，最终剖析出当前数据价值研究存在的局限与桎梏。[结果/结论] 当前关于数字化转型视域下的数据价值研究总体呈现出分散化、模块化的态势特征，相关研究的聚焦性不强、侧重性不明显。未来还需要在数据成为生产要素的价值特征、数据价值“形成、释放、实现”的理论逻辑以及科学设计数据价值驱动的数据创新路径与实现模式等方面深入探索。

  • 原文来源：https://mp.weixin.qq.com/s/TOoz-KEZVyOdTC_gZns8Yw
432浏览量
原文链接
相关报告

  • 《国内外数据要素市场研究进展：系统性文献综述》
    • 来源专题：数智化图书情报
    • 编译者：闫亚飞
    • 发布时间：2023-09-26
    • 大数据时代的到来催生数字经济蓬勃发展，数据已成为世界各国高度重视和争相获取的重要战略性资产。近五年来，英国发布《国家数据战略》、德国出台《联邦政府数据战略》、日本制定《创建最尖端数字化国家宣言? 官民数据活用推进基本计划》、美国颁发《数据经纪商法案》……激活数据要素价值、培育数据中介与数据信托等市场主体、发展数据要素市场、赋能科技进步与产业发展已成为各国政策框架的核心内容，并形成各具特色的数据要素市场治理体系与实践探索，推动全球数据要素市场呈现出快速发展的积极态势。 党的十九届四中全会首次将数据纳入生产要素，十九届五中全会提出推进数据要素市场化改革，为加强数据要素市场建设，国家先后颁布《关于构建数据基础制度更好发挥数据要素作用的意见》等重大政策，多次部署加快培育我国数据要素市场的重要任务，表明我国的发展重心逐步由单点大数据能力建设向数据要素市场全局优化配置转化。在此背景下，系统梳理国内外数据要素市场建设的研究文献，探索其基本理论，分析其运行中存在的现实问题，不仅有助于发现数据要素市场运行规律，还能够为我国数据要素市场的高质量发展提供有益参考。 数据要素市场相关主题是近几年国内外研究热点，已有部分综述性文章对其予以分析。其中，国内学者多从经济学和信息学角度对数据要素流通的权属、交易、定价等市场行为进行研究。例如，付熙雯等对国内数据交易研究进展进行回顾；熊巧琴等对国内外数据要素确权、交易和定价研究展开综述；荣建欣等 从经济学角度，着眼于数据要素特性，对数据要素市场化机制和经济价值研究进行总结。相比较而言，国外学者更加关注数据市场建设的技术问题和场景应用，如Driessend等阐述数据市场的主要应用领域，结合数字技术发展，为数据市场的运行提供设计方案；Gonzal等对物联网领域的数据隐私技术及其产业进行概述；Andrej等论述大数据技术和机器学习技术对营销行业数字化转型的影响。上述综述性文章为当前数据要素市场研究提供了有益参考，但多从单一学科或较为微观视角切入，缺乏对国内外数据要素市场研究现状的整体性评述，且多采用归纳与概括的定性研究方法，缺少对文献特征和关键词等客观数据的定量描述和分析。基于此，本文结合文献计量分析结果，基于文本内容从数据要素基本理论、数据要素市场运行机制、数据交易机构三个方面对国内外数据要素市场研究进展进行系统性总结和回顾。 （1）国内研究关键词共现与时序变化分析 根据关键词共现图谱，国内研究主要集中于“数据要素”“数字经济”“大数据”“数据交易”“数据治理”“生产要素”等主题，主要聚焦点包括以下内容：①数据要素基本理论研究，如数据作为生产要素的演进历程、数据要素市场培育与数字经济发展的内在联系、数据要素相关概念及特征辨析、数据要素价值等；②数据要素市场运行机制及其体系构建研究，该主题是研究者们关注的重点，主要研究内容涉及数据流通、数据供给、数据定价、数据产权、隐私保护和市场反垄断等；③数据交易平台建设研究，包括交易平台、数字平台、平台型企业及其数据获取与交易规制等主题。本文的研究框架主要基于这三方面的内容展开。 从国内数据要素市场研究的主题演进来看，2015年至2018年，国家发布《促进大数据发展行动纲要》，数据成为国家基础性战略资源，贵阳大数据交易所等一批数据交易机构相继成立，激活了我国数据市场的流通与交易，“数据资产”“数据交易”“交易平台”与“数据流通”“数据治理”成为这一阶段的研究重点。随着个人数据意识的觉醒，数据交易流通中的个人数据、个人信息保护等问题也开始受到学界关注。2019年，十九届四中全会把数据列为新的生产要素，数据要素市场相关研究密集性增长，“数据要素”“数据产权”“数字经济”“数据市场”等成为高频热词。立足数字经济的时代背景，我国学者的研究主要集中在：一是数据要素与数据资产、数据资源等概念辨析，探究数字技术环境下数据成为生产要素的基本条件与属性特征。二是高度关注数据权利，数据产权、数据权属、数据权益以及数据交易中的利益平衡等问题。三是重视数据产品及其流通中的数据定价、平台经济与反垄断、数据安全与隐私保护等数据要素市场关键问题研究。 （2）国外研究关键词共现与时序变化分析 由于国外数据要素市场研究起步较早，伴随欧盟公共部门信息市场化再利用步伐，国外一直关注数据质量、数据市场供需与价格、市场竞争、收益测度等基 本问题，并延续至今。相比我国学者更加关注数据要 素市场基本理论、市场运行机制等重大问题。2015 年以后国外更关注“大数据”引发的“技术”如“机器学 习”“系统”“算法”对于数据要素市场运行所发挥的作用。整体分布较国内研究更为深入，主要聚焦以下主题的研究：①数据要素市场运行基本问题， “质量”“竞争”“定价”“风险”“需求”“效率”等成为关注重点；②以“大数据”“模型”“数据分析”“数据挖掘”“机器学习”等数字技术与方法在平台经济中的广泛应用为研究对象，分析其应用场景、网络效应与效率影响。 从主题发展的动态演进来看，随着数字经济研究的深入以及人工智能技术的应用，国外数据要素市场研究呈现出“具象化”“场景化”的趋势。2015-2018年间，数字经济发展的技术应用、算法、网络在数据市场竞争中的作用受到关注，涉及数据挖掘、数据分析以及算法应用等不同场景下数据要素价值实现的技术要求、市场风险与数据需求、定价收益、市场波动性等问题。同时，数据要素市场的隐私风险、个人数据保护、数据政策以及股票市场、金融市场等对于数据要素市场的影响也成为学界研究的重要问题。2018年以后，数据流通与价值释放的技术路径依赖更为明显，“大数据”“人工智能”“机器学习”“深度学习”等技术应用成为数据要素市场研究的聚焦点，既有学者专注于数字技术创新引发的数据要素价值实现的不确定性，如数据市场信任机制、经济增长的波动性等，也有学者将数据要素市场与智慧城市、医疗健康、新能源等具象化场景需求相结合，还有学者关注到高频数据、平台型企业数据获取、数据开发利用能力等问题。 在定量分析的基础上，通过参考高被引论文和人工筛选主题高相关度的文献，进行深入分析和系统梳理。具体筛选标准包括：主题相关性排名前10%的文章，排除其中“基于面板数据的其他要素市场”研究等相关度不高的文章以及报道性或评论性等价值含量较低的文章，共筛选出36篇中文文章和35篇英文文章。依据上述文献计量分析结果，进一步从数据要素市场运行机制和数据交易机构两个方面深入分析其具体研究内容。
    1944浏览量
    原文链接

  • 《装备制造业智能化升级与数字化转型路径研究》
    • 来源专题：数控机床与工业机器人
    • 编译者：icad
    • 发布时间：2020-05-19
    • 装备制造业为实现产业升级，需要产品与运营两手抓。一方面通过研发的资源投入和产品的服务化拓展实现产品本身的迭代升级;另一方面，需要借力数字化、网络化和物联化等技术的发展，实现内部数字化运营能力和产业协同运营能力的阶段性提升。 综述 作为机械工业的核心部分，装备制造业是先进生产力的代表和竞争力的关键，其发展程度已成为体现国家综合国力的重要因素。 根据《中国制造2025》的“三步走”战略目标：到2020年，基本实现工业化，制造业大国地位进一步巩固，制造业信息化水平大幅提升。掌握一批重点领域关键核心技术，优势领域竞争力进一步增强，产品质量有较大提高。制造业数字化、网络化、智能化取得明显进展。 基于这一战略目标，装备制造业为实现产业升级，需要产品与运营两手抓。一方面通过研发的资源投入和产品的服务化拓展实现产品本身的迭代升级;另一方面，需要借力数字化、网络化和物联化等技术的发展，实现内部数字化运营能力和产业协同运营能力的阶段性提升。 智能化产品升级 1研发先行 现状： 作为集资金、技术和劳动为一体的密集型产业，装备制造业在研发领域普遍具有专业性强、技术含量高的特点。从全球来看，装备制造业相关的创新技术研究活动较为频繁;并且，随着大量新技术、新工艺的渗入应用，装备制造业对研发的要求将不断被强化。 借助人口红利带来的低劳动成本，我国装备制造业在生产规模和速度上一度处于全球先进水平。但目前来看，我国的装备制造水平仍旧处于“大”而不“强”的阶段，低成本的比较优势也正在逐渐消失，发达国家和新兴经济体正纷纷抢占制造业发展先机。究其根本，我国装备制造业在部分关键领域和关键零部件的核心技术上受制于人的现象较为普遍(表一)，依靠设备进口和技术引进的发展模式势必会受到国际贸易环境的牵绊。因此，提高关键技术的研发水平和创新能力是我国装备制造业形成国际竞争优势的必要要求。 措施： 根据2019年10月工信部等十三个部门联合印发的《关于印发制造业设计能力提升专项行为计划(2019-2022)的通知》，“强化高端装备制造业的关键设计”被作为重点设计突破工程的首要任务(表二)。 一方面，以市场机制为纽带，推动“产、学、研、用”一体化发展，是坚持创新驱动发展、加强创新体系和创新能力建设的一项重要内容。装备制造业产业链长，各环节关联性强，利用“产、学、研、用”的协同力量促进研发创新是必然选择。在“产”的环节，企业应主动担起主要行动者和执行者的角色;在“学”和“研”的环节，创新人才和研发能力的培养是重要推动力，推动从源头上补足装备制造业人才短板;在“用”的环节，通过有效的市场反馈、体验参与和局部微创等方式，拉动创新系统的前进。 另一方面，装备制造业应借力数字孪生、3D打印等技术，实现在产品设计、建模仿真、样机制造和设计反馈等阶段的数字化转型。通过实现产品全三维数字化设计，建立产品工艺布局、加工流程、装备和实验等环节的虚拟仿真;通过五维仿真技术，补足传统三维模型无法承载的作业环境的信息和时间维度信息，实现不同时间不同地理环境与产品的耦合动态。 2服务共赢 现状： 消费升级的大背景下，中国社会的经济形态正在经历从“工业经济”到“服务经济”的转型更迭。作为制造业与服务业深度融合的重点发展领域，装备制造业不断在探索“服务化”的发展路径模式。但由于其所涉及到的设备复杂度和多元性，装备制造业产业服务化的进程相对于其他产业较慢，行业内厂商更多的仅是将服务作为后市场层面“附加价值”的载体，还未实现“产品服务化”，甚至“活产品”的产业模式。 对于传统的大型复杂装备制造领域，例如轨道交通、航天航空以及船舶海工等，核心设备的检维修都已逐步产业化，形成完整的后市场服务产业链，但这样的服务更多是以针对特定产品的故障维修工作和定期的预防性维护工作为主，从而导致成本虚高、服务不及时性等多种问题的出现，整体后市场的服务质量和收益情况并不乐观。 从市场需求来看，“成果性经济”盛行的时代即将来临，实体产品越来越无法满足客户的需求，除了单纯的硬件产品，对产品相关的信息和数字化服务已经逐步从后市场步入前端需求;从产品的生命周期来看，装备制造业产品由于其产品复杂度，在其工艺设计、加工制造过程、部件装配过程、维护维修过程到再制造过程都需要产品制造商提供大量支持。因此，提供“成果”而非单纯产品是装备制造业“产品及服务”这一转型路径的重中之重。 措施： 随着以传感、识别、通信以及物联技术为基础的智能装备制造业的大力发展，设备状态的实时监控与数据采集逐渐成为可能。智能产品与平台服务的连接，将实现以数据为核心的泛力生态系统。在“成果经济”的推动下，数据和基于数据的洞察与决策将成为工业的价值驱动力，而作为企业能融入这一生态系统，将是立足数字化市场的根本。 例如，在产品使用过程中，装备制造厂商可利用产品回传的数据，有针对性地实现设备状态信息、环境信息等各种数据的实时监控，再通过机器学习和大数据分析的推演，建立数理模型，对设备的健康状况做出评估，并对可预测性故障发生频次、程度等进行提前预测分析。 这些分析数据一方面可以提高内部运营的效率，增强市场响应能力，在指导产品备件的及时采购和产品可靠性的优化升级等方面均能产生决策性影响。 另一方面，也是更重要的，数字化价值链的形成需要各环节企业共同参与与决策制定，快速实现外部变化的根本是在专注自身核心竞争力的同时，开展并引导彼此的合作，而物联生态系统则是促成合作的桥梁。设备数据的积累将逐步加速产品数据的资产化进程，利用设备监测与机器学习带来的大数据资产，制造厂商可研制出设备全生命周期管理等服务方案，实现从设备产品提供商到 “活产品”提供商的转型升级，成为可为客户提供设备状态监测、大数据分析等配套服务的合作伙伴。 数字化运营转型 现状： 高新技术的突破，促进装备制造业发展提速。传统装备制造业的数字化改造是重中之重，这决定着中国制造业的整体价值。 大数据产业的快速发展，为装备制造业注入新的生产源动力。一方面，大到全球性互联网巨头、咨询公司，小到科技类创业公司，都在不断探索“大数据+”等相关新兴技术在制造行业中的数字化转型解决方案;另一方面，工业巨头也立足于深耕多年的产业链，拥抱新技术为生产运营带来的红利。在此格局下，“新制造”已经成为不可阻挡的未来。 相较于数字化发展如火如荼的零售业，装备制造业在数据管理和分析能力上一直存在短板。因运营资本较重、运营流程复杂等原因，行业内企业信息系统众多，系统管理相互独立，数据存储分散。因此，在运营的数字化发展上，装备制造业仍然沉浸在将数据作为管理辅助工具的阶段。 措施： 借鉴其他行业的先进管理模式，我们认为企业数据运营往往需要经历三大阶段(表三)。而作为数据化程度相对较弱的装备制造业，需要通过前、中、后端的变革逐步实现阶段性突破。 1后端：全量化大数据挖掘 所谓全量化大数据，则是相较于传统的局部性小数据，综合了图像、音频等非结构化数据，综合了企业内外部不同来源数据的数据集合总称。上一个十年，随着ERP、CRM等企业系统应用的兴起，装备制造业的信息化水平大幅度提升，“业务数据化”的工作已逐步完善。虽然业务人员对数据有了一定的认识，但这种认识大多数仅停留在对业务系统中简单结构化的理解上。因此，从两个方向上拓展多元化大数据是企业数字化决策实现的基础。 一方面，通过网页和社交媒体等相关平台中的数据获取，可以帮助装备制造企业打破2B局限，直面最终用户。数字时代下，企业讲求“以人为本”，客户作为有温度的个体，需求应当得到察觉并给予充分响应;装备生产也一样，最终落地的体验还是在人身上。但相较于2C行业，装备制造业很难直接获取到较为明确的2C端市场用户意愿。在全量化大数据的思路下，越过2B的屏障，直接通过人产生的数据理解群体思想，能更好地帮助装备制造企业跳出2B的局限。 另一方面，装备制造业涉及较多传感技术与物联设备，高效利用机器生成的数据，可以大大提升装备制造业生产能力。智能化时代下，多种设备前端的数据收集系统已逐步自动化，加上物联与互联网的发展，庞大而丰富的数据源有待被开采。行业特点决定了行业优势，通过采集设备的第一手数据抢占先机，将是装备制造业智能化路径的重要里程碑。 2中端：战略性数据中台 从数据处理层来看，以BW/BO系统为主的企业数据分析工具已在各行业被广泛使用;但就实现情况而言，在装备制造业，大部分的BW/BO应用仅能基于以ERP为主的业务系统数据，提供事后分析报表，这些报表大多强调业务的标准化和规范性。但由于市场需求多样化和生产模式多元化的快速发展，这类标准报表已无法满足企业发展所需的数据支持。在装备制造业，系统数据各自独立、数据服务效率不高以及业务诉求不匹配等问题成为常态。 随着数字产业化逐步从C端走向B端市场，以Hadoop、Spark等分布式技术和组件为核心的“计算&存储混搭”的数据处理架构为主体的数据中台战略，将在制造业兴起并日渐成熟。数据中台的出现使得企业对于多源异构数据的预测性分析、实时性分析和主动性分析成为可能。 3前端：场景化数据决策 在数据的前端展现层面，传统的单一报表或简单图表输出模式已无法满足目前企业的业务决策。 在硬件与软件的优化升级中，多样化的数据展示应用已逐步形成，管理驾驶舱、即席分析、生产看板、自助报告、数据大屏、预警通知等，企业可以根据不同的使用场景，例如高管办公室、会议室、生产车间等，选择适当的数据展示方式。除了展示方式的场景化，数据决策过程的场景化更重要，不再是传统的基于单向流程的基础性数据展示，而是双向的使用和反馈，并通过闭环的场景化过程形成新一轮的业务数据化，从而实现不断优化的智能模式。 对于零售业和服务业等第三产业，往往更注重满足“千人千面”的用户个性化需求;但对装备制造业来说，需要清晰地认识到，场景化数据决策的建立不仅仅取决于技术的发展，更重要的是需要对业务场景的明确把握。一方面，决策者应该明确将数据决策的过程嵌入运营环节，深入现场，而非闭门造车;另一方面，也需要在必要的时候借助业务专家对发展趋势和业务重点给予专业的建议，从而真正实现从“数据辅助业务”向“数据驱动业务”的转变。
    306浏览量
    原文链接