封面故事 | 韩乾：数实融合背景下“数据要素x”金融服务的创新发展路径与策略

图 | 由作者提供

本文旨在探讨数实融合背景下“数据要素×”金融服务的创新发展路径与策略，以提升金融业竞争力和促进实体经济繁荣。研究发现，尽管金融业取得了金融产品创新呈现多元化、金融服务效率提高、风险管理能力增强等积极成效，但数据要素市场发展不完善、技术应用能力不足、法律法规与监管滞后等问题依然存在。

为此，本文提出完善数据要素市场建设、提高金融机构技术应用能力、健全法律法规与监管体系、促进行业间数据融合与协同发展、提升落后行业金融化水平等策略建议。研究指出，通过这些举措，金融业能够充分发挥数据的乘数效应，实现金融服务的创新升级，为实体经济提供更精准、高效的金融支持，最终推动经济高质量发展。

一、引言

党的二十大报告明确指出，“加快发展数字经济，促进数字经济和实体经济深度融合”。《中共中央关于进一步全面深化改革 推进中国式现代化的决定》提出，“健全促进实体经济和数字经济深度融合制度”，“完善促进数字产业化和产业数字化政策体系”。数实融合是指数字经济与实体经济在技术、数据、生态等多个层面的相互渗透、相互促进和深度融合。数实融合不仅关乎经济结构的优化升级，更是推动经济实现质的有效提升和量的合理增长的统筹协调的重要途径。

在数实融合的时代浪潮中，数据要素已成为驱动经济增长的核心力量。金融服务作为经济运行的关键环节，如何深度融合数据要素实现创新发展，对于提升金融业竞争力、促进实体经济繁荣具有深远意义。党和国家的相关政策为推动数实融合和金融创新提供了战略指引，在此背景下，深入研究“数据要素×”金融服务的创新发展路径与策略显得尤为重要。

二、“数据要素×”金融服务的

理论内涵与逻辑关联

（一）理论内涵

1.数据要素的新质生产力属性。

数据要素在金融服务中展现出独特的新质生产力特征。与传统生产要素不同，数据具有可复制性、共享性、协同性、边际成本趋近于零等特性。在金融领域，这些特性使专家视角其能够以极低的成本被广泛应用和传播，为金融服务创新提供无限可能。例如，金融机构可以利用海量的消费者数据进行风险评估和产品设计，而数据的复制和共享几乎不增加额外成本，却能大幅提升金融服务的效率和精准度。

此外，将客户交易数据、信用数据、行为数据等多种数据进行组合运用，能够发挥协同效应，实现对客户风险的精准评估，有效降低坏账率；同时，通过对这些数据的深入挖掘，可以优化业务流程、精准营销等，从而提高工作效率和收益。

因此，数据要素作为第五大生产要素，对于企业生产函数起到的是乘数效应，即在给定其他生产要素的水平下大幅提高产出，提升企业全要素生产率。在政策层面，国家数据局会同其他部门联合印发的《“数据要素×”三年行动计划（2024—2026年）》明确提出要充分发挥数据要素的乘数效应，推动其在金融服务等领域的应用。这为金融机构利用数据要素的新质生产力属性提供了政策支持和方向指引，鼓励金融机构积极探索数据要素在金融服务中的创新应用，提升金融服务实体经济的能力。

2.数据要素对金融服务创新的赋能机制。

数据要素在金融服务中的应用不仅能够提高金融服务的效率和精准度，还可以促进金融产品的创新和风险管理能力的提升。一方面，数据要素为金融机构提供了更全面、深入的客户洞察，打破了传统金融服务中信息不对称的局限。金融机构可以基于客户的行为数据、偏好数据等，精准定位客户需求，开发个性化金融产品，如基于个人消费习惯的定制化信用卡服务。另一方面，数据要素驱动金融服务流程优化，利用大数据分析和人工智能技术，可以实现金融业务的自动化处理、智能决策和风险预警，提高金融服务的质量和效率。

近期，中国人民银行等七部门联合印发《推动数字金融高质量发展行动方案》也进一步强调了加快数字金融技术创新和应用的重要性，旨在推动金融服务流程再造和业务模式创新。这为金融机构利用数据要素赋能金融服务创新提供了政策保障，鼓励金融机构积极探索基于数据要素的新型金融服务模式，提升金融服务的智能化、精准化水平。

（二）逻辑关联

数实融合为“数据要素×”金融服务创造了广阔的发展空间。实体经济的数字化转型产生了海量数据，这些数据流入金融领域，成为金融服务创新的重要源泉。例如，制造业企业在生产过程中产生的设备运行数据、供应链数据等，为金融机构开展供应链金融、设备融资租赁等服务提供了数据支撑。同时，金融服务创新也反哺实体经济，通过提供资金支持和风险管理工具，促进数实融合的良性循环。

金融服务基于数据要素的创新开发，能够更有效地配置金融资源，引导资金流向实体经济中最具潜力和需求的领域。例如，通过对新兴产业数据的分析，金融机构可以提前布局，为科技创新企业提供风险投资、股权融资等服务，助力实体经济产业升级。实体经济的发展又进一步产生更多数据，丰富数据要素市场，推动金融服务持续创新，形成相互促进、协同发展的逻辑关系。

值得一提的是，数据要素作为生产要素的提出，与金融科技（Fin-Tech）的发展有着密切联系。从网上银行的出现，到移动互联网的普及，再到近年来以人工智能、大数据分析、区块链等技术为核心的金融科技发展，数据要素在金融服务中的作用不断深化。在网上银行时代，数据作为辅助工具提升了业务效率；在移动互联网时代，数据成为精准营销的重要资源；而在金融科技阶段，数据逐渐从“资源”转化为“资产”，被纳入企业核心生产要素。如今，在“数据要素×”的概念下，银行等金融机构通过对数据资产的开发和综合利用，正逐步实现了从“技术驱动”到“数据驱动”的转型。

三、“数据要素×” 金融服务的

实践现状分析

（一）取得的成效

在金融科技的赋能下，数据要素已经渗透到银行业务的各个环节，比如智能风控、个性化营销以及高效支付系统等领域，显著提高了金融服务的效率。

1.金融产品创新多元化。

在数据要素的推动下，金融产品创新呈现出蓬勃的态势。符合《小额贷款公司监督管理暂行办法》的互联网金融产品不断涌现，如基于大数据分析的智能投顾产品，能够根据投资者的风险偏好、财务状况和投资目标，提供个性化的投资组合建议，使投资决策更加科学、精准。此外，消费金融领域也借助数据要素开发出多样化的产品，如小额消费贷款产品，通过对消费者消费行为和信用数据的分析，实现快速审批和精准授信，满足了消费者的即时消费需求。这些创新金融产品通过数据要素的赋能，进一步提升了金融服务实体经济的质效，体现了金融服务在数字经济中的重要作用。

2.金融服务效率显著提升。

数据要素的应用极大地提高了金融服务的效率，这一过程体现出金融科技从“网上银行”到“移动互联网银行/手机银行”的继承与发展。线上金融服务渠道日益完善，客户可以通过手机银行、网上银行等平台便捷地办理各类金融业务，如转账汇款、理财购买、贷款申请等，许多业务实现了实时处理。

根据QuestMobile的数据，截至2024年8月，手机银行行业月活用户规模达到5.45亿。同时，金融机构广泛利用数据分析技术优化内部业务流程，减少人工干预，降低运营成本，提高了整体运营效率。例如，在信贷审批流程中，金融机构通过大数据分析自动评估客户信用风险，缩短了审批时间，提高了信贷投放的及时性。此外，金融机构通过对数据资产的综合开发利用，进一步提升了金融服务的智能化水平，如利用区块链技术实现数据的不可篡改和可追溯，增强了交易信任。

3.金融行业数据采购与应用成效。

金融行业在数据采购方面取得了显著进展。根据2024数据要素发展大会中公布的《数据市场培育的现状与展望》统计，截至2024年，金融行业数据供应商数量达2216家，采购合同超1万份，交易活跃。数据产品涵盖个人信息类（如个人征信、身份认证）和企业信息类（如企业经营、投融资情况），其中个人信息类占比达70%。这些数据广泛应用于信贷风控和营销获客等场景，为金融机构业务发展提供了助力。

4.风险管理能力增强。

数据要素为金融风险管理带来了创新手段。金融机构通过收集和分析多维度数据，构建了更为精准的风险评估模型。在信用风险管理方面，除了传统的信用评分模型，还融入了社交网络数据、网络消费数据等非传统数据，更全面地评估客户信用状况，降低信用风险。在市场风险管理中，利用高频数据和复杂的分析算法，实时监测市场波动，及时调整投资组合，有效应对市场风险。例如，在股票市场中，金融机构可以根据实时交易数据和舆情数据，提前预警市场风险，采取相应的风险对冲策略。

（二）现存堵点痛点

1.数据要素市场发育不完善。

数据产权界定不清晰是数据要素市场发展的主要障碍之一。目前，数据的所有权、使用权和收益权等权利归属缺乏明确的法律规定，导致数据交易过程中存在诸多争议和不确定性。例如，企业在数据共享和交易时，由于担心数据产权问题，往往持谨慎态度，限制了数据的流通和共享。

数据质量参差不齐也是一个突出问题，部分数据存在不准确、不完整、更新不及时等情况，影响了数据分析和应用的可靠性。此外，数据交易市场缺乏统一的规范和标准，交易平台众多但质量良莠不齐，交易规则不明确，导致数据交易成本较高，市场效率低下。

据《2024中国金融科技指数——金融科技行业发展报告》显示，我国44%的国有银行和全国性股份制银行都在2023年年报中提到了“数据要素”这一关键词。据不完全统计，截至2024年6月末，有15个省市的商业银行落地首单数据资产融资，商业银行数据资产融资或授信总额已达4.7亿元，其中，2023年约为2.7亿元，但当前数据资产融资单笔金额基本在1000万元以下，总体数量和规模都还处于初级阶段。

2.技术应用能力不足。

部分金融机构在数据技术应用方面存在滞后性。一方面，不少金融机构的技术基础设施薄弱，难以满足大数据处理和存储的需求。例如，一些中小金融机构的数据中心建设滞后，数据处理能力有限，无法高效利用海量数据。另一方面，金融科技人才短缺，金融行业缺乏既懂金融业务又精通大数据、人工智能等新型技术的复合型人才。这加大了金融机构推动技术创新和应用的困难，难以充分挖掘数据要素的价值。例如，在开发复杂的风险评估模型和智能投顾系统过程中，由于技术人才不足，金融机构往往需要依赖外部技术供应商，增加了创新成本，也加大了相应风险。

3.法律法规与监管滞后。

法律法规在数据要素相关领域存在空白和滞后性。数据隐私保护法律法规不完善，难以有效防范数据泄露、滥用等问题，消费者数据安全面临威胁。例如，近年来频频发生的数据泄露事件，暴露出数据隐私保护的漏洞。金融监管方面，对于新兴的数据驱动金融业务，如跨境互联网券商、网络借贷平台等，监管规则不够完善，监管手段相对滞后。

4.行业间数据融合困难。

不同行业之间的数据融合存在较大障碍，数据孤岛现象严重。金融机构与实体经济企业之间的数据共享机制不健全，由于行业差异、数据标准不统一和数据安全担忧等原因，数据难以实现有效流通。例如，制造业企业拥有大量生产经营数据，但与金融机构的数据对接困难，导致金融机构难以基于企业真实数据提供精准金融服务。同时，金融行业内部各机构之间的数据也未能充分共享，影响了行业整体的风险防控和服务创新能力。

5.部分行业金融化程度低。

我国许多行业的金融化程度远远落后于国际同行水平。以农业为例，尽管我国是农业大国，但农业金融服务相对滞后。农村地区金融基础设施相对薄弱，金融机构网点覆盖不足，农业生产经营主体获取金融服务难度较大。农业数据的收集和应用也处于起步阶段，金融机构难以基于农业数据开展精准的信贷、保险等金融服务，制约了农业现代化发展。

6.数据产品定价复杂性及其挑战。

数据产品的定价方式多样且复杂，目前主要的定价模式包括按照调用条数/服务单次定价、按照合同期调研查询量区间计价等。例如，公安数据（身份验证类）的定价通常依据查询量区间来确定，且随着查询量的增加，单位查询成本大约按80%的比例递减。数据包（集）的收费区间波动较大，受服务内容、算法复杂度、数据覆盖范围等因素影响，价格从几万元到几百万元不等。数据产品定价受多种因素影响，包括数据来源多样性、数据产品模型复杂度与劳动密集度、数据产品可替代性、买方使用数据创造的潜在价值以及买方市场地位等。

这些因素的共同作用，使得数据产品定价呈现出多样性和复杂性，给金融行业在数据采购的决策和成本控制方面提出了更高要求，增加了采购过程中的不确定性和风险，金融机构需综合考虑各种因素，制定合理的采购策略，以实现数据价值的最大化。（未完，完整内容，请订阅杂志。）

文献来源：韩乾、李婉芳.数实融合背景下“数据要素×”金融服务的创新发展路径与策略[J].科技与金融,2025(1):07-14.

· 文章版权归本编辑部所有，未经授权不得转载。

· 如需获取转载、合作、采访等需求请到微信公众号菜单栏，获得相应信息。

· 您亦可在知网、今日头条、南方号等相关平台上关注我们。