来源/白话物流（ID：Tawangch）

作者/白光利 中粮科工商管中心 副总经理

原标题/中国物流产业数据要素价值化的实现路径

2024年最后两个月，我国政府针对物流与供应链的发展陆续出台了多个文件，包括“中共中央办公厅、国务院办公厅印发《有效降低全社会物流成本行动方案》”、“商务部、农业农村部、供销合作总社等9部门印发《关于完善现代商贸流通体系、推动批发零售业高质量发展的行动计划》”、“交通运输部联合有关部门印发《交通物流降本提质增效行动计划》以及铁路、公路、水运、民航、邮政分领域实施方案”。

所有的方案和行动计划都是围绕着力争“到2027年，社会物流总费用与国内生产总值的比率力争降至13.5%左右”这一目标展开。

在三大行动计划和方案中，无一例外地都提到了关于全社会物流和供应链、商贸产业的数字化、智能化和智慧化的发展。通过数智化有效推动产业各环节的链接、柔性发展，最终实现全社会物流成本的降低。

与之配套的是国家数据局在年终总结时提到“围绕影响数据事业发展的重点问题，谋划并组织实施一批具有示范带动作用的重大项目......要统筹自上而下和自下而上，确保项目质量。充分考虑不同行业、不同地区的发展情况......在统筹抓好“硬投资”和“软建设”、发挥政策组合效应方面，要把项目建设和数据领域的配套改革结合起来，充分发挥规划引领作用，推进适数化改革，出台有针对性和操作性的配套制度和政策”。    

我国社会物流总成本占国民生产总值的比重过高，是多方面原因所造成的，纯粹的物流成本占比实际是低于欧美等国，但是依然存在下降的空间，这一空间主要是全社会物流总成本的降低，而有效解决这一关键目标必然需要数字化和智能化、智慧化的赋能。

然而，针对数据资产和数字化，虽然物流产业的数字化推动历经多年但并没有真正有突飞猛进的效果。大多是极个别有代表性的企业案例，从供应链的全链路角度而言，极少有产业链方面的优化。

对于数字化的发展更多的还是在模型、意义探讨环节，即使是数字化最基础的数据要素也都还没有实现全链路的突破，根源何在？即使是已经开始有企业将数据资产进行并表，可是，并没有实现全面的数据资产化，而有些企业甚至连数据要素价值化到底是什么都还没有搞清楚。

笔者在与一家专注于数字化转型赋能和数字资产能力建设的软件公司沟通数据要素价值化的过程中，充分认识到数据价值化意味着将数据要素转化为能够带来经济利益的资产，进而通过流通、交易等手段实现其价值，涵盖数据资源化、数据资产化和数据资本化三个阶段：

数据资源化——这是数据价值化的起点，指的是将原始、无序的数据通过采集、整理、聚合、分析等手段，转化为有序、有使用价值的数据资源的过程。

数据资产化——在数据资源化的基础上，通过市场流通交易，推动数据资源为使用者或所有者带来经济利益，从而成为数据资产。这个阶段的本质是形成数据的交换价值，是实现数据价值的核心。

数据资本化——实现数据资产化后，数据可以通过金融手段进一步转化为数据资本。利用数据信贷融资、数据证券化等方式，使数据资产未来产生的现金流通过结构化设计进行信用增级，发行可出售流通的权利凭证，实现融资。    

明易达：数据要素赋能数据价值实现

而实现这一过程的前提条件就是要实现“场景数字化、业务数字化、产业数字化”，所有的一切最终都要还原到最小要素单位，如“温湿度控制、仓储与库存数据、运输和配送数据、客户与订单数据、质量与安全数据、成本与收益数据”，甚至到天气、交通状况等颗粒度信息的收集。

正如谚语所讲“罗马不是一天建成的”，根据笔者长期针对物流产业发展的跟踪和研究，我国物流产业数据要素价值化的最基础的数据要素还没有实现全链路的突破，这成为阻挡数据要素价值化最大的拦路虎。当前，在数据要素收集方面主要存在如下问题：

第一、信息孤岛现象较为严重。物流产业作为生产辅助型产业，从属于供应链环节，不同的产业链基础不一样，对于信息的重视程度不一样，比如像汽车产业，其供应链上下游企业的信息化程度较高，而大多数的产业整体信息化程度还较低，从而造成各个链路、节点都呈现出孤岛现象。    

孤岛现象主要体现为供应链链主信息化程度较高，但是链路上各个节点的信息化程度较低，从而不能实现全链路的互联互通，最终不能实现信息有效连接，依然存在大量通过纸质单据、邮件传递信息、即时沟通工具传递信息的情况。

第二、信息链路接口标准不统一。我国信息化供给主体对于大企业而言，以自研为主；对于中小企业大多数是以外部第三方专业化软件公司为主。而物流领域的信息化供给主体来源众多，有从生产企业转型、有从咨询企业转型，还有是专业提供某一板块随后逐渐扩充至物流、供应链全链路软件提供，并且各家提供的软件语言标准不统一、定义不统一、流程设置不统一、标准作业规范不统一等，最终造成了即使是有信息化软件，但是很难做到有效连接，依然是通过表单格式导入导出数据，造成传递成本较高。

第三、数据断链造成链条不完善。数据链因为孤岛现象、标准不统一造成断链，使得整条数据链不完善，对于供应链、产业链的优化不能起到有效的支撑。

第四、业务链过长，收集方法或工具缺失。物流产业的业务点众多，尤其是随着新消费、直播电商、内容电商等新业务模式的兴起，从2B逐步向2C转变，商流的变化导致物流发生变化，所以对于收集方法还有管理工具等都提出了新的挑战。而传统的软件公司大多数都没有进行深度的重构，更多的还是在原有的底层架构进行删减增加，从而造成了数据收集存在各种各样的问题。

第五、信息失真，甚至人为造假。数据断链既有业务链过长、收集方法和工具落后的原因，也有人为主观原因造成信息失真的情况，尤其是在冷链物流领域，此类情况比比皆是。比如冷库的温湿度数据、冷藏车辆的温度监控等信息数据失真情况大多数都是人为原因造成的。无论是冷库库温还是车辆库温理论上讲应该一直都维持在产品或者是客户约定的温度，然而要想一直维持在这种情况下，必然是要求库管或司机长期保持开机打冷的情况，所以许多冷库都是夜里打冷因为此时价格较低，白天温度回升晚上再打冷，从而造成冻化冻的三明治现象。而冷藏车在长期打冷的情况下，会更加耗油，使得成本大幅增加，因此许多司机都是出厂时打冷，中间关闭，快到目的地时再打冷，虽然现今的监控体系和设备、软件都能有效支持监控和跟踪，但依然有从业人员主观造假。    

第六、信息或数据延时情况较为普标。因为孤岛现象、业务链节点众多、工具落后、标准不统一，再加上作业主体的主客观原因，从而造成信息和数据收集传递不及时，总是有滞后的现象发生，因此对于整体链路的质量提升和优化意义不大，滞后的信息即使是有帮助，但大多数都是属于事后总结行为，只有达到信息传递实时化才会对物流运作有实际的帮助。

数据要素价值化是以数据要素或者信息的“真实、准确、时时、全程”为基础，通过构建数据模型，得出关于当前运营的现状、问题、优化点，提供优化路径，通过长周期的纵向、横向对比再不断地提升物流全环节、供应链全链路的运作质量。因此，如果不能破解数据要素价值化的这些拦路虎就更难实现最终的数据资产化、数据资本化。

第一、数字化意识不够，对数智时代的理解不深入，还没做好数字时代的到来，应加强关于概念、价值的普及。从农业时代到工业时代，再到信息时代，随之进入工业4.0的数字时代，各种新技术眼花缭乱，数字化、智能化、智慧化的主体从AI的概念向落地快速推进，以美国OpenAI为代表，以AIGC作为主要的大模型应用开始进行普及，但是更多的还是以辅助问答的形式提供业务帮助；然而，直立型机器人、辅助机器人的普及化，通过与AI技术的深度融合，智慧型机器人的到来会对业务运作具有不可估量的帮助。    

然而，国内众多从业人员到今天很多都还是处在概念知晓的程度，对于数字、数据、要素、数智、智能、智慧、AI等根本没有深入的研究或者了解。所以要想实现数据要素价值化的最基础性的工具就是提升全行业从业人员对于基本概念和知识的了解。

第二、企业本身信息化水平较低，阻拦数据要素价值化的所有问题的底层原因在于我国物流产业信息化程度依然处于低位运行，应强化流程化、标准化和信息化的建设。

从早期的Web到Web3.0、AI、AIGC、Block Chain、Digital twins等新技术的不断发展，但是这些红利极少真正落实在全行业的基层作业层面，而最根本的原因就在于我国物流产业的最基础的信息化程度依然较低，毫不夸张的说，我国物流产业整体信息化完整率应用度不足20%。

最新技术与物流产业的融合基础就是信息化的完善度，行业信息化水平低是阻拦数据要素价值化的真正原因。在信息化水平低的底层逻辑在于全行业的低门槛所造成的流程化、标准化程度较低，劣币驱除良币的现象比比皆是，所以大多数才维持在手工操作状态，不能实现电子采集、实时采集数据等，那就更不要谈所谓的区块链、AI技术了。

第三、不要过分关注宏大叙述，脚踏实地的围绕应用场景进行引导实施。虽然我国整体物流行业从业人员对于数字化等概念不甚了解，非常有必要进行概念和价值的普及宣讲，但是必须要清楚数据本身是抽象的，甚至还不如信息一词更为人所了解，因此只有讲抽象的数据纳入到具体的业务应用场景，才能让从业人员更为了解也更能发挥价值。    

通过构建丰富的现实的业务应用场景，让行业从业人员能够在干中学、学中干，不仅可以充分发挥数据的潜在价值，更能让人员了解到数据的交易和流通应用，真正体验到数据要素是可以带动相关技术和产业的发展，不仅仅为经济高质量发展注入新的动力，更为主要的是实现了在业务过程中的学习和提升。

第四、人工作业依然是物流产业的主要运作主体，而推动企业自动化、智能化发展可以有效实现数据采集的高质量效果。我国在自动化、智能化装备方面虽然说近些年取得了较大的发展，但是从物流行业的整体来看，以三方物流为代表的服务型企业的自动化、智能化装备应用度还是较低。而自动化和智能化的发展必然是以流程化、标准化为前提，可以最大程度的减少人员参与的干扰，能够实现信息和数据采集实时化、真实化、准确化，如果能够大幅提升物流行业的自动化和智能化水平，必然会促进我国物流行业数据要素的质量提升，也为数据要素价值化提供最为坚实的基础。

第五、搭建数据要素生态圈，从单点突破，逐步过渡到供应链、产业链，最终实现全平台的数据要素产业赋能。数据要素的生态圈涵盖面非常广泛，主要围绕着供给方、需求方、使用方、监管方、服务方几方面展开。

供给方一般是指信息和数据要素产生发出的业务点，需求方一般是指信息和数据要素接收应用的业务点。从供应链的角度而言，供给方和需求方基本上是同一体，本身既是供给方又称为上游信息回传或者下游信息的发出方。

使用方不仅仅是包括需求方，同时也包括第三方机构，必须购买信息的节点单位同样可以成为使用方。    

监管方更多的是链主企业、行业协会，甚至国家相关部门都可能成为监管方，尤其是涉及到加密作业、金融业务体系，监管方会有多个监管主体。

服务方涵盖的主体则更多，包括但不限于各级政府、互联网机构、金融部门、法律单位、会计单位、审计单位、电信单位、云服务机构等等。

基于以上各方所扮演的角色不同，如果从链路而言可以分成“供给——流通——应用”三个环节。从各个业务点将最基础的真实的业务数据进行汇总转化成为真正意义上有价值的资源，通过对数据进行确权登记、定价和交易，由服务商推动数据资源资产化，再通过

第六、在数据要素产业链条中，各方扮演着不同的角色，可分为供给—流通—应用三大环节：在数据供给环节，各级政府、电信运营商、大型国有企业、大型互联网公司等汇聚了海量数据，数据服务商协助这些数据提供者，进行数据采集和分析，将原始数据转化为有价值的资源，最终通过金融单位进行定价实现数据资本化。如果数据资源脱敏之后能够对社会开放，必然会加速全社会的数据资源共享和价值化，也能提升行业整体服务管理水平。最终随着场景化应用和数据资本化推进的加快，反过来又会进一步深化其在供应链各个环节的应用，从而实现物流产业赋能。

第七、概念和价值的普及仅仅是基础，更为主要的是强化跨专业人才的培养。中国的教育体制在一定程度上可以说有急功近利的现象存在，当数字化兴起之后，各个大中专院校都相继成立什么大数据专业、AI专业等等，但是纵观许多专业发现都是由当初的信息专业转过来的，而真正的数字化、智能化、智慧化，乃至于AI体系许多都是跨专业的内容，因此实现专业人才的跨学科交叉培养才是正路。    

随着AI时代的来临，智能装备从民生角度开始逐渐普及，电子手表、智能眼镜的应用以及逐渐被人接受。在物流等行业，以场景化为依托，以信息化为基础，实现场域、个域、体域的三域合一，将作业活动与个体信息和智能设备的数据相互串联，再打通整个供应链上下游的断点问题，最终必然会出现“智能原生”状态。

随着智能原生的推进，业务智能体在大数据和大算力的加持下，必然会迎来“自智时代”。由此，从早期的数值时代向算智时代的迈进是顺其自然的发展路径。

随着算智时代的来临，数据要素的实时化、准确化、真实化、全程可溯化都会逐一破解，数据要素价值化道路上的拦路虎都将会被逐个击破。未来的物流行业，将会将这些数据要素通过大算力进行有效的分析、处理和应用，转化为对经济活动有益的洞察和知识；通过数据要素的生态圈，充分发挥数据要素的价值。数据要素价值化不仅仅能够直接或间接产生社会价值和经济价值，更为主要的是一定能够有效推动物流和供应链产业结构优化和升级。从而提高生产效率，促进物流产品和服务的创新，极大地提升全社会商品周转率，有效降低全社会物流总成本。  

来源/白话物流（ID：Tawangch）

作者/白光利 中粮科工商管中心 副总经理