火石创造过去9年一直在探索产业数据如何实现价值化的路径。从产业实践的角度来看，我们深切体会到一个产业的发展、理论体系的形成和市场的建立，并不总是按部就班、线性推进的。相反，很多时候是同时进行，并行发展的。因此，我们在实践中经历了许多困惑，提出了许多问题，也找到了一些答案。
对魏江老师提出的观点我特别有共鸣。他把数据比喻成“空气”，空气是免费的，需要投入大量基础设施来开发制氧设备，最终可能一瓶氧气只能卖一两百块钱。因此供需两侧严重不匹配，也就产生了许多难题，这也是数据价值化过程的难题。
为什么要进行产业数据的价值化？我们发现很多问题都源于数据无法很好地流通。2014年，我刚从北京到杭州，创建了一个众创空间。在众创空间里，我们密集地见了来自中国各地的两三百位投资人和1000多个创业项目。我们发现创业者和投资人在某种程度上都存在一定的盲目性。许多创业者并不自己的领域内全世界有多少人在进行类似的创业，以及哪些技术和模式已经被验证失败了，还在不断投入资源重复别人的失败。同样，对投资人而言，也缺乏足够有效的数据提供赛道的研究和项目判断。因此，产业数据对整个经济和产业的发展以及社会资源的高效配置和利用有着巨大的价值。
在过去的探索中，我们总结出了产业数据价值化的6条路径：1.数据智能支撑决策智能；2.流程数字化实现多跨协同；3.激活其他生产要素；4.提升生产要素的配置效率；5.数据+要素形成新业态，比如数据和能源结合形成数字能源、智慧能源服务；数据和金融结合，产生新型的金融形态，比如数字金融。6.数据直接用于交易，产生的资本化价值。
路径一：数据智能支撑决策智能
在政府产业治理或城市产业治理中，数据智能如何支撑决策智能是非常重要的议题。政府出台各种政策的背后往往有着丰富的数据支撑，但如果没有足够的数据驱动和回流，政府就难以明智地制定有效的政策。政府的政策本质上是其手中的重要资源，对市场主体和经济发展有着巨大的影响。
举例来说，政府可以通过数据智能来支持决策制定的过程。比如，政府要投资100亿用于支持民营企业，数据智能可以帮助政府更准确地了解应该向哪些企业投资，以及投资后可以带来什么样的效益和影响。数据智能可以帮助政府进行更精准的政策制定，从而更好地支持存量企业培育和增量企业招引。
此外，在区域发展战略方面，比如长三角一体化，数据智能也可以发挥重要作用。政府需要了解各个地区的产业结构、发展趋势以及长三角一体化的差异化竞争优势，以便做出合适的决策。只有通过数据智能，政府才能够做出英明的决策，从而实现各个地区产业协同发展、优势互补，达到效益最大化的目标。因此，数据智能对于政府产业治理和城市发展至关重要，它不仅支撑着决策的智能化，也是实现政府治理效能和促进经济社会发展的关键工具之一。
路径二：实现多跨协同
数字化改革其本质业务流程再造实现多跨协同。这也是数字化与信息化的区别。信息化将线下做的事放到线上再做一遍，而数字化改革则更强调基于数据实现跨业务、跨部门、跨层级、跨系统等多跨协同，重新塑造横向、纵向的流程，从而提高协同效率。因此数字化改革不仅仅是搞软件或信息化工程项目，而是对整个流程和组织进行重塑的改革，其意义在于提高效率和效能。
长期以来，我国存在科技成果转化率低的问题，主要原因是缺乏产业链与创新链、人才链等的高效协同，产业链薄弱环节、产业界的需求未能转为科技创新主体的科研方向。由于缺乏跨部门协同，很多指南或政策制定者并不了解产业链中的薄弱环节，无法有效引导成果转化。例如，组织部门在引进人才时往往只注重人才的级别和数量，没有很好地对应产业发展所需的专业和技术方面的需求。
数字化改革的核心是通过数据实现跨部门多跨协同，从而提升效率和效能。在公共服务方面，数字化改革可以通过一体化的服务模式，类似“一件事”的办理，实现跨部门的协同，大大简化办事流程，提升效率。比如，通过“一件事”办理工业投产手续，能够快速完成相关审批流程，使得开工时间大大缩短。这种跨部门的多跨协同正是数字化改革的重要内容之一，也是提升政府治理和产业发展效率的重要途径。
路径三：数据激活其他生产要素
数据作为一个生产要素，由于其依附性的特征以及还处于发展的早期阶段，需要与其他要素相互协同，方能形成更大价值闭环。比如数据与金融要素、与土地空间、能源等要素结合，激活这些要素的潜力，实现价值最大化的效应。
路径四：提升生产要素配置效率
要素服务的精准化意味着要素基于数据能够实现精准匹配。从形态上来说，市场化的表现之一是产业互联网平台，它是双边的、多边的市场。消费互联网并非双边市场，而产业互联网则是双边市场，它涵盖供应链的整体生产和C to M双边资源整合，从而改变了新型的生产组织方式。
政府主导的一个创举是过去十年浙江从实现行政审批“一次不用跑”“最多跑一次”“四张清单一张网”等目标到浙江去年提出的政务服务增值化改革。政府的行政效率得到了很大提升，但这种效率提升的边际效应已经相对较低。例如，将办证时间从几个月缩短到三天时，对企业来说是一个很大的改善，但将其再缩短到3个小时的意义已经相对较小。因此，企业需要的服务范围从主动服务扩展到更多生态的整合，服务生态涵盖政府、社会机构和专业化市场主体，共同构建数据驱动的八条赛道，以精准赋能企业，提高配置效率。
以生物医药行业为例，数据赋能发生在药物研发生产的全生命周期中，从靶点的发现、化合物的筛选、病理学、毒理学分析、临床前研究、临床试验，一直到生产和数字化营销，以及患者依从性跟踪，所有环节都涵盖了全流程的数字化。在这个过程中，数据赋能每个环节都有很多成功案例和实践。
产业数据的价值化面临着诸多问题和挑战。刚才提到了数据要经历从数据源到资源、再到资产、资本的整个过程。各地在进行产业数据资产化和增值化的方法上已经演变出不同的平台和工具，推动了整个价值化的进程。增值化确实存在着一些场景，这些场景之所以难以实现，就像我们国家提“数实融合”一样。因为对场景的理解需要业务专家、产业专家的参与，而不仅仅是数据和IT人士。要让数据和IT人员进入产业，可能需要10年的时间，所以“数实融合”的最后一公里实现起来相对困难。我认为博士具备数字化技能是可能的。因此，跨学科融合的复合能力将变得非常重要。
路径六：产生资本化价值
产业数据价值化的第六个路径是数据交易产生的资本化价值。今年的1月1日，企业数据资产入表正式实行，数据从成本或表外资产确认为表内资产。各地在试点落地的过程，都还面临着一系列有待破题的问题，包括企业所担心的第一次入表是不是会产生税收影响现金流，以及入表成为资产后要是无法变现，后续产生摊销、摊薄未来利润等等。
总而言之，产业数据价值化是一个复杂的过程，涉及到政策、技术、法律、市场和组织等多个方面。随着技术的发展和市场的变化，数据价值化的路径也需要不断创新。企业和行业应持续探索新的数据应用模式和商业模式，以适应变化的需求。
