本报记者 田鹏

近日，国家发展改革委党组成员、国家数据局局长刘烈宏透露，今年还将推出数据产权等10多项制度，以加快数据要素价值释放。

事实上，近年来，在一系列政策“组合拳”的引导下，数据要素价值在赋能实体经济、驱动产业变革等方面的作用持续显现，成为推动经济社会高质量发展的新引擎。特别是在金融领域，围绕数据要素价值展开的诸多探索，不但有效破解了中小微企业融资难、信用评估难等传统痛点，让金融服务更精准地触达实体经济的薄弱环节，而且加速了金融业态的创新迭代，推动形成更高效、更安全、更普惠的现代金融生态，为金融领域的长远发展注入了可持续的动能。

接受《证券日报》记者采访的专家表示，数据要素正加速赋能金融服务，推动模式创新、解决企业融资难题。不过，金融行业因涉及大量敏感信息与资金资产，且监管严格，“数据要素×金融服务”仍面临诸多挑战，如数据确权、评估、合规、安全等问题，未来需着力解决这些难题，以推动数据要素在金融领域的深入应用。

数据要素价值

在金融领域多维度释放

今年以来，受益于政策的持续规范与引导，数据要素价值在金融领域加速释放。一方面，数据要素通过入表完成从资源到资产的权属确认与价值量化，进而借助资产支持证券（ABS）、不动产投资信托基金（REITs）等资本工具，打通数据资产进入资本市场的通道，让数据的经济价值在投融资循环中充分流动。

例如，8月8日，国内首批以数据中心为底层资产的封闭式基础设施证券投资基金正式登陆资本市场。据Wind资讯数据统计，自上市以来，截至8月17日，南方万国数据中心封闭式基础设施证券投资基金和南方润泽科技数据中心封闭式基础设施证券投资基金的买入额分别为2.33亿元和3.88亿元，直观展现了市场对数据要素经济价值的认可。

另一方面，数据要素以多维度信用评估为辅助，整合企业经营数据、供应链交易数据、政务监管数据等跨领域信息，构建动态更新的企业信用画像体系，既为金融机构提供了更精准的风险定价依据，也助力中小微企业的隐形信用转化为融资能力，推动金融资源向实体经济薄弱环节高效倾斜。

以首单数据资产赋能资产证券化产品——天风中投保应收账款2期中小微企业融资支持资产支持专项计划（数据资产赋能）为例，该产品的创新在于引入了中国投融资担保股份有限公司（中投保）旗下子公司中投保信裕的核心数据资产——“中投保信裕供应链金融平台业务数据”。

上海数据交易所副总经理赵永超在接受《证券日报》记者采访时表示，上海数据交易所以全流程保障提升了基于数据资产形成的基础资产质量，赢得投资人认可并优化了应收账款类ABS资产管理；优质数据实现了资产精准识别等，降低了ABS资产风险并使其定价更合理；同时，优质数据资产可挖掘新价值、赋能智能体等，为该ABS资产及未来相关产品开拓新局面，还能降低成本、提高投资人风险认知效率。这充分证明了数据资产的核心作用，为相关产品规模化发展打开空间，也让数据要素有望成为激活资产证券化市场活力的重要引擎。

数据要素金融应用

仍存多重梗阻待破

尽管数据要素在金融领域的价值释放已初见成效，但由于金融行业的特殊性以及数据要素自身的复杂性，使得“数据要素×金融服务”在深入推进过程中，仍面临着一系列亟待解决的问题，这些问题不仅制约着数据要素价值的进一步挖掘，也给金融安全与稳定带来潜在风险。

粤港澳大湾区大数据研究院理事长杜平表示，数据价值释放过程中存在诸多突出问题：数据权属确认及其财产收益分配问题尚未得到有效解决，这在一定程度上挫伤了数据供给方的积极性；数据资源转化为数据资产的会计核算方面，现行政策与各地实践需求存在较大差距，影响了数据资产的增长及质量提升；同时，数据流通和交易价格的形成存在困难，阻碍了数据要素价值的合理变现。

“数据是无形资产，具有低成本复制、沉没成本高、时效性强、高度依赖应用场景等特征，导致数据资产估值难。估值难也就造成了交易难、抵押难。”中山大学岭南学院教授韩乾对《证券日报》记者表示，数据资产证券化市场规模的扩张需要解决两大矛盾：一是数据作为生产要素的“非标性”与金融产品“标准化”的矛盾；二是数据流通的商业价值与隐私安全、主权监管的冲突。

正是在此背景下，今年以来，各地持续出台一系列政策举措加速破解数据要素金融应用梗阻。例如，北京发布《北京市关于建设数据要素综合试验区的实施意见（征求意见稿）》，探索多种数据资产流通模式，并以公共数据专区授权运营推动金融数据流通应用；湖南出台《湖南省国家数据要素综合试验区建设方案（2025—2027年）》，发挥基金引领作用助力数据要素在金融领域深化应用等。

除了政策引导外，韩乾还建议，首先，政策需兼顾激励与约束。“重应用、轻权属”的导向虽有利于激活数据要素市场，但在鼓励数据应用的同时，必须强化对个人数据隐私的有力保护。其次，以技术赋能价值发现。通过信息技术追踪数据应用和流通过程的全环节，客观真实地把握其可能产生的未来现金流。再次，产品设计匹配风险偏好。不同类型数据的应用场景及未来现金流稳定性存在差异，可据此划分层级，对应各类投资者的风险收益需求。