魏江发表主旨演讲

各位老师、同学，大家好！

我的报告题目是《走出数据陷阱》。

今年，“杭州六小龙”的“出圈”，带动了杭州这座城市、浙江大学的全球“出圈”，这是大家没想到的。如果来深入分析这种现象，既是意料之外，也是情理之中。比如，梁文锋等人之所以能够成功创业，有几个前提条件：一是民营科技力量的崛起，二是青年科技人才的集聚，三是民间风险资本的积累。DeepSeek的研发需要高额资金投入，梁文锋团队在前期创办幻方量化金融时，做好了资金储备，成为风险投资的保障，正如刚才彭文生老师所指出，这是DeepSeek区别于国有企业、大型制造企业或阿里巴巴等巨头的重要因素。加上浙江大学等著名高校培养了一批敢于创新、甘冒风险的青年才俊，再依托浙江和杭州活跃的民营经济生态，共同构成了DeepSeek成功的创新生态环境。

众所周知，国有企业对于这种高风险科技产业投资会相对更加审慎，因为风险很大。试想，如果投入数亿甚至数十亿资金后出现亏损，谁负责任？大型制造企业参与可能性较低，一方面是因为资金有限，更重要的是，它们即便拥有资金，也难以通过董事会的投资决策。同样地，云深处、宇树科技等专注于人工智能和智能机器人研发的企业，之所以选择落户杭州，在我看来，他们主要是基于对市场机制、创新生态的深入考量，因为在深圳、杭州这样的地方，民营经济非常强大，市场环境相对宽松，浙江政府持续优化营商环境，就为市场机制作用发挥的有效性提供了有利条件。

纵观全国，我认为最具备实现科技从0到1，实现产业化的地方，深圳和杭州这样的地方相对比较突出。我愿意对背后的深层原因分析，希望能对其他地区有所启示。

首先，浙江和杭州的民间创新要素配置力极强。每个成功的企业背后，都离不开大量的风险投资和产业投资支持，其中高风险科技创新也更依赖私有资本。广东、深圳和浙江、杭州的民间资本尤为活跃，相比之下，江苏等地虽然经济总量庞大，但由于“苏南模式”的特点决定其民间资本力量相对较弱。比如，尽管江苏省的GDP总量比浙江省高1/3，苏州市的GDP总量也是杭州市“望尘莫及”的，但从个人财富500强上榜人数来看，浙江长期稳居全国第一，几乎占了全国的1/4，江苏明显落后。大家知道，从风险资本构成看，私有资本是第一来源，正是杭州民间资金的充裕，为科技创新提供了难得的融资土壤。

其次，浙江和杭州的科技创新动力足。我在30年前就提出，民营企业具有较强的创新活力，但民营企业人才和资源配置是远远比不上国企的，导致民企国企在创新方面存在差异。随着过去40多年的发展，民企的创新能力也积累起来了，就会持续涌现出一批关键核心技术创新的主力军。毫无疑问，浙江、广东又是民营企业最强的，从民企500强数量看，浙江远超上海等地（上海大概有30-40个左右，而浙江有100-120个），显示出浙江民营企业的强大实力。我们对于民营企业创新发展要给予充分信心和信任，创新是个长期积淀的过程，需要“让子弹多飞一会”。

再次，浙江杭州的数字经济发展土壤较为肥沃。由于阿里巴巴等企业出现在杭州，杭州积累了数据要素和数字技术，特别是数字人才，这十分宝贵。如果单纯从数据要素规模看，杭州是达不到北京、上海的体量的。例如，五大银行、三大运营商等这些大企业几乎全部汇聚北京，按照传统生产要素理论去讲，这些企业应该可以利用如此规模海量数据来创造竞争优势呀。事实上并非如此，因为拥有海量数据，并不意味能转化为竞争优势和经济效益。

接下来，我以自己提出的“数据基础观”理论来回答“为什么拥有最多数据的，并不意味能获取经济价值”。为什么杭州能出现“六小龙”“七小龙”之类的企业？除了外部环境外，还有数字科技创新的内在规律，那就是数据产业生态系统的作用。数据是原材料，本身并不一定具有价值，数据要创造价值，需要完善的数据产业生态系统支撑。有了数据产业生态系统，就能生态化合作来解决数据要素化、数据资本化、数据价值化等问题。

如何去认识数据产业生态系统？我在2023年7月清华大学举办的中国数字经济发展和治理学术年会上，提出了“数据基础观”的框架。该框架聚焦于数据要素的价值实现、数据企业的优势创造展开分析。今天由于时间问题，不能再阐述数据要素化、资本化和价值化的具体细节，而是通过数据基础观框架，来揭示目前实践中存在的陷阱。如果学理逻辑不能打通陷阱背后的基本逻辑，就会让企业、产业和政府落入发展困局。

我提出了六个“陷阱”，分别是数据要素化陷阱、数据交易陷阱、数据资产化陷阱、数据产业化陷阱、数字社会化陷阱和数字治理陷阱。我试图去分析这些陷阱的本质和成因，以更好地解决这些问题，当前全球只有中国提出“数据是生产要素”，所以，我们有责任把可能出现的陷阱讲清楚。今天时间有限，我只能讲前面四个陷阱。社会化陷阱和治理陷阱留到以后我再汇报，因为这两个陷阱更加宏观，与企业关联较小。

首先，讨论潜在的数据要素化陷阱。当我们讨论数据时，需要认识到原始数据本身并不直接创造价值，而是在特定的人或企业手中才能发挥出巨大的潜力。而数据能够转化为生产要素，条件在于数据的稀缺性、加工能力的稀缺性、数据应用能力的稀缺性。所以在探讨DeepSeek这些企业时，需要关注为什么这些企业能够创造这些稀缺性。同时，我们也要看到数据在不同企业和行业中的差异性，企业要因企制宜地发展数据要素化。

其次，要识别数据交易过程的陷阱。目前为止，我国数据交易市场的现状很惨淡，最典型的例子是贵阳数据交易市场，作为全国56个区域性数据交易市场中最受关注的市场，在过去8年交易仅2248笔，10年交易额仅49亿元。此外，尽管我国数据资源体量庞大，但2022年数据交易市场规模为876.8亿元，场内交易占比仅为2%（根据《2023中国数据交易市场研究分析报告》（上海数据交易所，2023））。为什么如此？原因在于能市场化交易的数据非常有限，只有将原始数据加工为数据元件、数据产品和数据应用后，在场内开展数据交易才有可能。这一过程需要根据不同的数据及其特点，去设计数据市场标的、产品和服务。

第三，要把握数据资产化陷阱问题。很多人认为，数据成为生产要素后，就应该出现数据交易市场和数据产业。事实上，数据要素要资产化，离不开数字技术、应用市场、互补要素的交互作用，数据要素要创造价值，一旦离开创新性的互补性企业，数据就成为“垃圾”。回到前面比较过的国家五大银行、区域性股份制银行，他们为什么在数据要素化方面没有办法与民间金融机构比较，金融科技创新能力也难以与“缺乏合法性”的民营企业竞争？因为国有机构难以与大量开放的、高风险的民间数商企业合作，自然就不可能实现数据资产化。我认为，数据资产价值难以市场化背景下，依靠第三方评估数据价值来入表存在明显缺陷。试想，当入表后公信力存在缺陷，依靠信息不对称完成数据交易，就有可能出现商业欺骗。按照此逻辑去判断“六小龙”的价值，就需要从数据基础设施、数实融合角度去研判。离开应用场景和实体经济需求，是难以揭示DeepSeek这样企业的真实价值的。

第四，分析数据产业化陷阱。在数据要素和数字技术叠加作用下，导致今日之各类产业结构发生深刻变化，从过去的供应链、产业链向一体化生态融合的方向发展。这种变化将催生万亿规模的市值或产值。这一过程中会产生潜在数据产业化陷阱，因为在产业边界、企业边界和客户边界扩张边际成本趋近于0的情况下，企业会高度分化。对此，我们需要深入剖析不同产业内的交易关系、上下游关系和产业链关系等，以更好地适应数字经济发展需求。

最后，我要强调一点，数智技术的发展给社会带来了机会，也给老百姓带来挑战和焦虑，我相信数字技术的快速发展并不会危及人的生存和发展，而确实加速了社会变革。因此，管理的目标在于减缓这种变革的速度，保护人类的利益和福祉。

谢谢大家。

来源：清华服务经济与数字治理研究院公众号

编辑：徐牧谣、田腾骧

审核：卢彤菲、孙景宇