“数据要素x”行动中，工业制造为何排首位？信通院朱敏解析
自国家数据局去年10月正式挂牌以来，数据要素领域的顶层设计不断深入，利好数据要素市场发展的政策信号也在不断释出。其中最重磅的，当属今年1月由国家数据局等17部门联合印发的《“数据要素×”三年行动计划（2024—2026年）》（下称《行动计划》）。
《行动计划》先期选取了12个典型行业和领域，包括工业制造、商贸流通、科技创新等，推动发挥数据要素乘数效应，从提升数据供给水平、优化数据流通环境、加强数据安全保障等三方面，强化保障支撑。值得注意的是，这12个重点行业和领域里，“数据要素X工业制造”被排在第一位。
工业是我国经济命脉所系，就《行动计划》将如何深化工业数据应用，激活数据要素潜能，中国信息通信研究院信息化与工业化融合研究所所长朱敏分享了她的观点。长期从事工业经济、数字经济等方面研究的她表示，目前工业数据要素价值释放还面临数据治理缺位，缺少制度机制引领与安全技术保障等问题，《行动计划》将从供给、流通和应用三方面构建数据驱动的新型工业制造体系。
朱敏 图源新华社
数据驱动研发创新、生产、资源配置效率提升
问：在《行动计划》明确的12个重点行业和领域中，“数据要素X工业制造”被排在第一位。可能是基于哪些背景？
朱敏：工业数据是基础性战略资源，是产业经济发展的重要驱动力，蕴藏着巨大潜能。在加快推进新型工业化的大背景下，工业数据已成为新型生产要素，数据规模快速增长，数据产业链初步形成，数据与工业行业融合应用不断加深。
问：据你观察，目前数据与工业行业的融合应用体现在哪些方面？
朱敏：主要体现在三个方面。
一是数据驱动研发创新效率提升。传统的技术创新活动周期长、费用高、风险大，“生成式人工智能”、“模拟择优”等基于数据的研发方式能够对传统物理试错方法形成有效补充，大幅缩短新技术产品从研发、小试、中试到量产的周期。
产品和工艺研发方面，以“数据+知识+AI”方式，从知识库中学习生成设计规则和模型算法，加速新品研发。例如在药品研发领域，应用人工智能可节省50%研发时间。工程设计方面，应用数字样机等工具，代替物理样机试验验证，实现贯穿全生命周期的设计管理、优化和追溯，提升设计效率和质量。例如在航空制造领域，基于数字样机实现工程设计与制造的紧密连接。
二是数据驱动生产效率提升。工业企业通过设备智能化改造，实时采集分析生产制造各环节数据，实现对前端市场需求、产线设备状态、生产制造流程的敏锐感知和快速决策。工业数据要素的融合应用不仅节约了原有要素的投入，而且提升了产出效率，实现降本增效。
例如，鞍山钢铁一方面基于装备智能化、控制集中化等改进，应用“机理+数据”构建智能工艺模型深度优化炼钢、轧制等过程；另一方面基于数据平台采集生产数据，应用质量模型实现在线质量诊断追溯，实现其智能工厂质量损失率降低2.5%，劳动生产率提升7%。
三是数据驱动产业链资源配置效率提升。基于统一数据标准实现工厂之间的信息互操作和产能、资源共享，能够有效打破企业、地域边界，协同产业链上下游企业，打造具备更高水平韧性和稳定性的产业链供应链网络，从而能产生更广泛、更持久的价值创造。
例如，东方电气联合电信运营商、中国信通院合作开发工业数据空间测试床，实现了高端装备制造行业中研发模型跨区域、跨企业的安全可信传输，有力促进了产业链高价值数据资源的跨企业安全流通，以及基于数据共享的跨区域业务协同。
工业数据治理缺位，价值挖掘深度广度不够
问：可见数据要素已成为新型工业化发展的新动能。那么，在释放工业数据要素价值方面，是否也存在难点？
朱敏：我把这些难点总结为数据“供不出”“流不动”和“用不好”。
“供不出”是指数据治理缺位导致数据质量与实用性不高。调查显示，我国只有不到1/3的工业企业开展了数据治理工作，66%的制造企业发现其现存数据难以访问。
“流不动”是指缺少制度机制引领与安全技术保障。“用不好”则是指数据与工业融合的广度与深度仍需提升。已有工业数据分析应用大部分还停留在可视化这一较浅层次，数据价值挖掘的深度和广度远远不够。据统计，仅有不足三成的企业涉及到较深层次的数据分析优化，数据驱动价值没有得到充分释放。
问：导致这些问题的原因是什么？
朱敏：数据“供不出”的原因有两方面。一是工业数据复杂多样，在设备和网络接口协议、数据定义和命名、数据存储格式等方面差异较大，尚未形成统一的数据口径、数据字典、数据标准和信息模型。二是大多数工业企业缺少数据治理的顶层规划和制度流程，缺乏数据管理和分析的有效工具，难以获得清洁的、高质量的工业数据。
数据“流不动”是因为企业内、企业间“数据烟囱”林立，工业数据产权界定、价值评估、流通交易等机制设计尚不健全，工业数据流通面临较高壁垒和较大阻力，局限了数据应用广度，压低了数据价值空间。
不仅如此，数据安全流通涉及诸多技术环节的协同，现阶段数据安全流通技术体系与流通环境尚未完全成熟，数据流通全生命周期可控缺乏必要的技术保障，存在数据使用不可控以及违规泄漏引起的知识产权和商业秘密的损失，整个数据流通过程不可信、不可靠、不可控和不可计量。
另外，数据与工业融合的广度与深度不够导致了数据“用不好”。受制于数据存储能力与分析技术能力，不同规模企业的数据应用水平不均衡，龙头企业开展基于数据深度分析与优化的应用，规模以上企业处于可视化等数据浅层次的应用阶段，而中小企业在数据应用工具开发与应用模式创新方面存在明显滞后。
而且，受制于数据泄露风险、商业信息保护等问题，企业不敢用，参与数据开发利用的主动性、积极性差，进而导致工业数据与工业融合应用程度处于较低水平。
建立数据要素价格形成机制，推动市场信用体系建设
问：《行动计划》为解决上述问题提供了哪些指引？其将怎样构建数据驱动的新型工业制造体系？
朱敏：我认为这份文件将从数据的供给、流通和应用三方面发挥积极作用。
首先是提高数据供给整体水平。持续推进工业信息基础设施建设提质升级，推动研发、生产、经营、服务等全环节数据的采集；持续完善基础数据标准体系，推动数据标准规范高质量落地，保障数据资源的优质供给；持续推进工业各细分领域、行业的数据资源盘点，建设完善工业行业数据资源库，实现目录清单化管理。
其次是打通数据流通堵点。一方面，推动数据流通体制机制的完善。通过试点、专项等工作探索数据产权登记制度，研究数据分类分级授权机制，建立数据要素价格形成机制，完善数据资产评估规范，优化数据交易机制，推动数据要素市场信用体系建设。另一方面，加强数据流通模式的推广。深化可信数据空间、区块链等技术应用，充分依托已有设施，面向相关行业龙头企业打造行业数据空间，遴选标杆示范场景，形成可复制可推广经验，推动工业数据跨行业跨区域流通，促进数据合规高效流通使用。
再者是完善数据应用生态。以重点行业龙头企业为核心，带动产业链上下游同频共振，打造工业数据要素政产学研用多方联动、协调发展的数据要素产业生态；纵深拓展重点行业领域应用场景，加强数据要素与技术、人才、资本等多元创新要素集聚融合，构建多形态数据产品和服务体系；培育一批贴近业务需求的行业性、产业化的数据商，提供数据采集和质量评估、数据产品开发、流通交易、场景应用等的合规化、标准化、增值化服务。
采写：南都记者 樊文扬