NEWS
媒体报道实现物流产业数据要素价值化，这五方面不容忽视
发布时间：2025-02-13
中国物流产业数据要素价值化面临多重挑战，包括信息孤岛、标准不统一等问题。要实现数据资源化、资产化、资本化，需加强数字化意识、提升企业信息化水平、推动自动化与智能化发展，并搭建数据要素生态圈，以优化产业结构、降低物流成本。
▍降低成本需数字化赋能
2024年底，我国政府针对物流与供应链的发展密集出台了一系列政策文件，包括中共中央办公厅、国务院办公厅印发的《有效降低全社会物流成本行动方案》，商务部、农业农村部、供销合作总社等九部门联合发布的《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》，以及交通运输部联合相关部门推出的《交通物流降本提质增效行动计划》等。
这些方案和行动计划均围绕一个核心目标：到2027年，将社会物流总费用与国内生产总值的比率降至13.5%左右。在这些政策文件中，数字化、智能化和智慧化的发展被反复提及，并被视为推动产业各环节高效链接、柔性发展的关键手段，是实现全社会物流成本降低的重要途径。
与此同时，国家数据局在2024年年终总结时强调，要围绕影响数据事业发展的重点问题，组织实施一批具有示范带动作用的重大项目，统筹抓好“硬投资”和“软建设”，将项目建设和数据领域的配套改革结合起来，推进适数化改革，出台有针对性的配套制度和政策。
尽管物流业的数字化进程已推进多年，但实际效果并不显著，大多仍停留在个别企业的示范案例上，全链路的优化鲜见成效。这主要归因于数据要素价值化过程中，面临诸多挑战。
数据要素价值化意味着将数据转化为能够带来经济利益的资产，并通过流通、交易等手段实现其价值，这一过程可分为数据资源化、数据资产化和数据资本化三个阶段。
一是数据资源化。这是数据价值化的起点，涉及原始、无序数据的采集、整理、聚合和分析，将其转化为有序、有价值的数据资源。
二是数据资产化。在数据资源化的基础上，通过市场流通交易，使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。这一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。
三是数据资本化。数据资产化后，可通过金融手段进一步转化为数据资本，如数据信贷融资、数据证券化等，实现融资和价值最大化。
▍数据要素全链路化仍存瓶颈
正如谚语所言：“罗马不是一天建成的”。我国物流产业数据要素价值化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。
一是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就不一样。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。
二是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；大多数中小企业则以采用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，有的从生产企业转型角度、有的从咨询企业转型角度，还有的是专业提供某一板块随后逐渐扩充至物流、供应链全链路软件等。其中值得注意的是，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，也很难做到有效连接，依然是通过表单格式导入导出数据，导致传递成本较高。
三是数据断链造成链条不完善。因为孤岛现象、标准不统一等原因，数据链极易断链，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支撑。
四是业务链过长，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，所以对于收集方法及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重构，更多的还是在原有的底层架构进行删减或增加，从而造成了数据收集存在各种各样的问题。
五是信息失真，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。
六是信息或数据延时情况较为普遍。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，滞后现象时有发生。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。
▍数据要素价值化的实施路径
数据要素价值化以数据要素或者信息的“真实、准确、实时、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，进而不断地提升物流全环节、供应链全链路的运作效能。因此，各方应要协同突破上述瓶颈，实现数据要素价值化，需采取以下措施。
第一，数字化意识不够，对数智时代理解不深入的企业，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概念快速推进，并在各场景落地。如直立型机器人、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对业务运作，带来不可估量的帮助。
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。因此，企业应强化流程化、标准化和信息化的建设。尽管当下各种新技术不断发展，但技术红利鲜有惠及全行业的基层作业领域。有数据显示，我国物流产业整体信息化完整率应用度不足20%。
第三，企业不应过度关注宏大叙述，应脚踏实地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，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，只有将抽象的数据纳入到具体的业务应用场景，才能让从业人员更了解，也更能发挥价值。
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。近些年，虽然我国在自动化、智能化装备方面取得了较大的发展，但是从物流行业整体发展来看，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，可以最大限度地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，企业应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、服务方等方面展开。
在数据要素产业链条中，各方扮演着不同的角色，具体可分为供给-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，数据服务商应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。
随着AI时代的来临，智能装备在民生领域逐渐普及，物流等行业也将依托场景化和信息化，实现场域、个域、体域的“三域合一”，串联作业活动与个体信息和智能设备的数据，打通供应链上下游断点，最终迈向“智能原生”状态。而智能原生的发展，将推动业务智能体在大数据和大算力的加持下进入“自智时代”，实现从数智时代向算智时代的跨越。在算智时代，数据要素的实时化、准确化、真实化、全程可溯化将逐一实现，数据要素价值化道路上的障碍将被逐个击破。
未来的物流行业将利用大算力对数据要素进行有效分析、处理和应用，转化为对经济活动有益的洞察和知识，通过数据要素生态圈充分发挥其价值。这不仅将直接或间接产生社会价值和经济价值，更将有效推动物流和供应链产业结构的优化和升级，提高生产效率，促进物流产品和服务的创新，极大提升全社会货物周转率，有效降低全社会物流成本。（作者系中粮科工商管中心副总经理）
▍降低成本需数字化赋能
2024年底，我国政府针对物流与供应链的发展密集出台了一系列政策文件，包括中共中央办公厅、国务院办公厅印发的《有效降低全社会物流成本行动方案》，商务部、农业农村部、供销合作总社等九部门联合发布的《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》，以及交通运输部联合相关部门推出的《交通物流降本提质增效行动计划》等。
这些方案和行动计划均围绕一个核心目标：到2027年，将社会物流总费用与国内生产总值的比率降至13.5%左右。在这些政策文件中，数字化、智能化和智慧化的发展被反复提及，并被视为推动产业各环节高效链接、柔性发展的关键手段，是实现全社会物流成本降低的重要途径。
与此同时，国家数据局在2024年年终总结时强调，要围绕影响数据事业发展的重点问题，组织实施一批具有示范带动作用的重大项目，统筹抓好“硬投资”和“软建设”，将项目建设和数据领域的配套改革结合起来，推进适数化改革，出台有针对性的配套制度和政策。
尽管物流业的数字化进程已推进多年，但实际效果并不显著，大多仍停留在个别企业的示范案例上，全链路的优化鲜见成效。这主要归因于数据要素价值化过程中，面临诸多挑战。
数据要素价值化意味着将数据转化为能够带来经济利益的资产，并通过流通、交易等手段实现其价值，这一过程可分为数据资源化、数据资产化和数据资本化三个阶段。
一是数据资源化。这是数据价值化的起点，涉及原始、无序数据的采集、整理、聚合和分析，将其转化为有序、有价值的数据资源。
二是数据资产化。在数据资源化的基础上，通过市场流通交易，使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。这一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。
三是数据资本化。数据资产化后，可通过金融手段进一步转化为数据资本，如数据信贷融资、数据证券化等，实现融资和价值最大化。
▍数据要素全链路化仍存瓶颈
正如谚语所言：“罗马不是一天建成的”。我国物流产业数据要素价值化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。
一是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就不一样。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。
二是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；大多数中小企业则以采用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，有的从生产企业转型角度、有的从咨询企业转型角度，还有的是专业提供某一板块随后逐渐扩充至物流、供应链全链路软件等。其中值得注意的是，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，也很难做到有效连接，依然是通过表单格式导入导出数据，导致传递成本较高。
三是数据断链造成链条不完善。因为孤岛现象、标准不统一等原因，数据链极易断链，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支撑。
四是业务链过长，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，所以对于收集方法及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重构，更多的还是在原有的底层架构进行删减或增加，从而造成了数据收集存在各种各样的问题。
五是信息失真，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。
六是信息或数据延时情况较为普遍。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，滞后现象时有发生。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。
▍数据要素价值化的实施路径
数据要素价值化以数据要素或者信息的“真实、准确、实时、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，进而不断地提升物流全环节、供应链全链路的运作效能。因此，各方应要协同突破上述瓶颈，实现数据要素价值化，需采取以下措施。
第一，数字化意识不够，对数智时代理解不深入的企业，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概念快速推进，并在各场景落地。如直立型机器人、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对业务运作，带来不可估量的帮助。
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。因此，企业应强化流程化、标准化和信息化的建设。尽管当下各种新技术不断发展，但技术红利鲜有惠及全行业的基层作业领域。有数据显示，我国物流产业整体信息化完整率应用度不足20%。
第三，企业不应过度关注宏大叙述，应脚踏实地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，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，只有将抽象的数据纳入到具体的业务应用场景，才能让从业人员更了解，也更能发挥价值。
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。近些年，虽然我国在自动化、智能化装备方面取得了较大的发展，但是从物流行业整体发展来看，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，可以最大限度地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，企业应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、服务方等方面展开。
在数据要素产业链条中，各方扮演着不同的角色，具体可分为供给-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，数据服务商应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。
随着AI时代的来临，智能装备在民生领域逐渐普及，物流等行业也将依托场景化和信息化，实现场域、个域、体域的“三域合一”，串联作业活动与个体信息和智能设备的数据，打通供应链上下游断点，最终迈向“智能原生”状态。而智能原生的发展，将推动业务智能体在大数据和大算力的加持下进入“自智时代”，实现从数智时代向算智时代的跨越。在算智时代，数据要素的实时化、准确化、真实化、全程可溯化将逐一实现，数据要素价值化道路上的障碍将被逐个击破。
未来的物流行业将利用大算力对数据要素进行有效分析、处理和应用，转化为对经济活动有益的洞察和知识，通过数据要素生态圈充分发挥其价值。这不仅将直接或间接产生社会价值和经济价值，更将有效推动物流和供应链产业结构的优化和升级，提高生产效率，促进物流产品和服务的创新，极大提升全社会货物周转率，有效降低全社会物流成本。（作者系中粮科工商管中心副总经理）
来源：物流时代周刊
注：如有侵权，请联系义乌电商博览会组委会办公室删除此文章
浙公网安备 33078202000341号