胡东兰 李勇坚
精华速览：
数据要素已成为驱动科技创新与产业创新深度融合的核心战略资源与关键赋能变量。当前，我国已在科技创新与产业创新双向循环、数实融合基础设施建设及数据资源规模化发展等方面奠定坚实基础。其作用机制根植于数据要素的独特属性，通过协同联动、场景融合与流通赋能，系统性重构创新资源配置逻辑与价值创造路径。同时要看到，当前科技创新与产业创新融合进程仍面临市场化机制不健全、数据质量与安全风险、技术集成能力不足及制度协同滞后等制约因素。为此，需系统性构建数据基础制度、强化技术设施与能力、深化重点领域应用示范，并优化人才、资金与安全协同保障体系，以充分释放数据要素的乘数效应， 加快培育新质生产力。
在全球科技革命与产业变革浪潮中，科技创新与产业创新的深度融合已成为塑造发展新动能、赢得竞争优势的关键。习近平总书记指出，科技创新和产业创新，是发展新质生产力的基本路径。习近平总书记还强调，推动科技创新和产业创新深度融合。党的二十届三中全会对推动科技创新和产业创新融合发展作出明确部署，党的二十届四中全会和2025 年中央经济工作会议进一步强调了加强原始创新和关键核心技术攻关， 推动科技创新和产业创新深度融合的重要性。
推动科技创新与产业创新深度融合具有双重意义：科技创新为产业创新提供源头活水，产业创新则成为科技转化的价值放大器（杨逸隆，2025）。在这一融合进程中，数据要素正扮演着日益突出的驱动者角色。作为新型生产要素， 数据以其非竞争性、零边际成本和强协同性，不仅深度渗透科技创新各环节， 为研发提供新范式与新工具，也在全面重塑产业创新模式，优化资源配置与生产效率。本文旨在系统分析数据要素赋能科技创新与产业创新深度融合的基础、机制与制约因素， 并提出具有针对性的政策建议， 以期为加快发展新质生产力、推动经济高质量发展提供参考。
数据要素促进“科技—产业”创新深度融合的现状
（一）科技创新与产业创新双向循环格局加速形成
我国雄厚的制造业基础与完整的产业体系，不仅为科技创新提供了规模庞大的应用场景和快速迭代的试验场，更通过产业创新的真实需求与市场反馈， 为科技创新指明了方向并持续注入动力。当前，科技创新与产业创新之间已呈现出明显的“供给牵引”与“需求反馈” 双向增强的循环态势。
1. 科技创新供给能力持续增强，为产业升级注入核心动能
企业创新主体地位凸显，研发投入与产出质量双升。据工业和信息化部数据，截至2025 年，我国累计培育专精特新“小巨人”企业1.76 万家、专精特新中小企业超过14 万家、科技和创新型中小企业超过60 万家。据科技部2025 年9 月公布数据，我国高新技术企业数量超过50 万家。企业研发投入持续增加。工业和信息化部数据显示，“十四五”期间， 我国规模以上制造业企业研发经费占营业收入比重超过1.6%，570 多家工业企业入围全球研发投入2500 强。国家知识产权局发布的《2024 年中国专利调查报告》显示，我国企业发明专利产业化率达53.3%，连续5 年保持增长，呈现出创新成果加速向现实生产力转化的良好态势。
国家战略科技力量强化，前沿领域取得一系列突破。据国家统计局数据， 2025 我国全年研究与试验发展（R&D） 经费支出39262 亿元， 比2024 年增长8.1%。在人工智能、量子信息、集成电路、生命健康等前沿领域，创新能力持续突破。我国研究人员在人工智能领域发表论文数量连续多年居世界第一，在5G、电动汽车、机器人等多个技术领域处于全球领先地位。据国家知识产权局数据，2025 年我国共授权发明专利97.2 万件； 截至2025 年底， 我国国内发明专利有效量达532 万件，每万人口高价值发明专利拥有量达16 件。创新载体与集群建设成效显著，协同网络初具规模。2025 年9 月世界知识产权组织发布的“2025 年全球百强创新集群排名”显示，我国全球百强科技创新集群数量达24 个，连续第三年位列全球第一。2024 年，我国在新型储能、微纳制造、分子药物、人形机器人、具身智能机器人等领域新增布局5 家国家级制造业创新中心，累计达到33 家。我国在突破关键共性技术、孵化企业方面成果丰硕。国家先进制造业集群总数达80 个，创新要素呈现显著的集聚趋势。
2. 产业创新需求反馈效应凸显，为科技创新提供精准导向
产业应用场景为前沿技术提供了“练兵场”，牵引研发资源定向聚集。战略性新兴产业与未来产业的规模化发展，明确了关键技术的攻关方向。以新能源汽车产业为例，据中国汽车工业协会数据， 2025 年我国新能源汽车出口261.5 万辆， 居全球第一，其庞大的市场规模与激烈的国际竞争直接转化为对下一代固态电池、碳化硅功率器件、高端车规芯片、智能驾驶系统的迫切需求，引导国家科研项目与企业研发资金向这些领域高度集中。
规模化生产与复杂工程环境成为技术优化的“终极试金石”，倒逼核心能力持续突破。实验室技术迈向产业化，必须在真实的生产流程、严苛的工况和成本约束下来验证其可靠性、经济性与适配性。例如，在高端装备、航空航天等领域，对设备可靠性、加工精度和极端环境适应性的极致要求，不断倒逼上游的精密传感器、高性能伺服系统、特种材料及核心工业软件实现迭代升级。据工业和信息化部2025 年9 月公布数据， 我国工业互联网重点平台工业设备连接数超过1 亿台（套）。海量的设备运行与工艺数据为仿真模型优化、预测性维护算法改进提供了难以替代的验证场景和训练资源。
产业创新带来的市场收益为可持续研发提供了关键资金支持。成功的产业化应用不仅验证了技术路径，更创造了利润，支撑领先企业将部分收益持续反哺至前沿技术探索和基础研究。据国家统计局数据，2025 年，我国规模以上高技术制造业增加值同比增长9.4%，部分头部科技企业年度研发投入超千亿元， 其资金主要来源于成熟业务的市场回报， 显著增强了科技创新的内生动力与抗风险能力。
（二）数实融合为“科技—产业”创新融合搭建高速通道
数字经济与实体经济的深度融合， 是数据要素价值释放的主战场，也是连通科技创新与产业创新的高速公路。数字技术与实体经济的广泛渗透与有机结合，不仅催生了新的经济增长点，更通过夯实数字底座与丰富多元的应用生态重塑了创新要素的配置方式与价值实现路径。
1. 数字经济成为增长主引擎，构建融合的广阔市场
数字经济的蓬勃发展本身即是科技创新的结果，也为传统产业升级创造了巨大需求。《中国数字经济发展研究报告（2024 年）》显示，2023 年我国数字经济规模达53.9 万亿元， 占GDP 比重为42.8%，对经济增长的贡献率达66.45%。数字经济的蓬勃发展既直接推动了大数据、云计算、人工智能等数字技术的迭代创新，也持续吸引了资本和人才投入相关技术研发，使科技创新与产业创新在深度融合中相互促进。
2. 基础设施实现跨越式发展，筑牢融合创新底座
覆盖广泛、技术先进的数字基础设施是“科技—产业”深度融合的前提。据《国家信息化发展报告（2024 年）》数据，截至2024 年底，我国已建成全球规模最大的5G 网络，基站总数达425.1 万个，并建成207 个千兆城市，移动物联网终端用户占比达59.7%，实现了“县县通千兆、乡乡通5G”的广泛覆盖。同时，算力基础设施规模快速增长。工业和信息化部数据显示，2024 年全国算力总规模达280 EFLOPS，智能算力占比提升至32%，算力中心在用标准机架数量超过900 万架，全国一体化算力体系加快构建，为海量数据的处理与智能模型的训练提供了强大底座。
3. 融合应用从试点示范走向规模化推广，赋能千行百业
工业和信息化部2025 年数据显示， 我国5G 应用融入97 个国民经济大类中的86 个， 案例总数超13.8 万个。2024 年， 我国“5G+ 工业互联网” 建设项目超过1.5 万个， 建设5G 工厂超过4000 家，工业互联网核心产业规模突破1.5 万亿元。工业和信息化部2024 年10 月公布数据显示，我国灯塔工厂数量达72 家，占全球比重超过40%。我国数字化研发设计工具普及率、关键工序数控化率等指标持续提升，数字化转型正从单点应用向全流程、全产业链协同演进。
（三）数据要素为“科技—产业”创新融合提供核心驱动力
数据作为新型生产要素， 其规模、算力基础和开发应用水平直接决定了赋能创新的潜力。当前，我国数据要素市场正步入规模化发展的快车道。这不仅为科技创新提供了海量“燃料”，也成为产业创新的智能“引擎”。
1. 数据资源规模与结构双优化， 提升了研发效率与产业决策的精准度
根据《全国数据资源调查报告（2024 年）》，我国数据产能持续跃升， 2024 年全国数据生产总量达41.06 ZB， 同比增长25%。结构化数据同比增长36%，增速大幅超越非结构化数据，占存储总量的比重持续提升至18.70%。这一结构性转变表明， 数据的可机读性、可分析性显著增强，为复杂建模与深度分析提供了可直接利用的高质量原料，数据资源开发利用的深度和效率在提升。
2. 数据流通与应用生态持续繁荣， 放大创新融合的网络效应
在公共领域， 政务数据共享持续深化。据《国家电子政务发展报告（2014—2024 年）》，全国一体化政务数据共享枢纽平台发布3.2 万类数据资源， 支撑各地区各部门共享调用5400 亿次，有力支撑了“高效办成一件事” 改革，为跨部门协同创新（如智慧交通、应急管理、公共卫生监测等）扫清了信息壁垒。在市场端，数据要素正从辅助工具演变为核心生产资料。据《全国数据资源调查报告（2024 年）》，66.1% 的行业龙头企业已通过购买或交换方式获取外部数据，企业内部活跃数据占存储总量的比例达62.04%。数据在技术研发、生产协同等关键环节的作用日益重要。
3. 数据与人工智能互促共进，催生新范式新应用
据《全国数据资源调查报告（2024 年）》，2024 年我国开发或应用人工智能的企业数量同比增长36% ； 高质量数据集数量同比增长27.4%， 为AI 训练提供了丰富“燃料”。以大模型为代表的技术普及， 催生了全新的产业生态。利用大模型的数据技术企业和数据应用企业数量同比分别增长57.21% 和37.14%，标志着数据驱动的智能化应用进入爆发期。
数据要素促进“科技—产业”创新深度融合的机制
（一）数据要素的特性是赋能“科技—产业”融合的基础条件
数据的非竞争性与重复使用增效特性能够降低“科技—产业”融合成本。数据一经采集加工，可在科技创新的理论验证、产业创新的产品试产等多个场景重复使用，无需额外增加边际成本。例如，气象数据既可为农业科技研发提供环境参数支撑，也能为农产品深加工产业的生产调度提供决策依据，实现单一数据资源的多场景价值释放，避免相关环节的资源投入浪费。
数据的规模报酬递增特性能够放大“科技—产业”融合效能。随着多源数据的持续汇聚，数据规模的扩大将催生出更精准的知识发现与更高效的技术方案。当科研数据与产业生产数据、市场需求数据深度融合时，能够突破单一数据维度的局限，形成“1+1 ＞ 2”的效应，为创新提供更全面的决策支撑。
数据的跨域流动性特性能够打通“科技—产业”融合壁垒。数据作为创新活动的“数字血液”，能够突破地域、行业、组织边界， 实现科技创新主体与产业创新主体间的信息互通。科研机构的技术研发数据、企业的生产运营数据、市场的消费需求数据通过流通形成完整数据链条，能够让科技研发更贴合产业实际，产业创新更精准地对接技术前沿。
（二）数据要素的协同联动机制重构了创新资源配置逻辑
数据要素通过与技术、资本、人才等传统生产要素的协同联动，优化创新资源配置效率，推动科技创新与产业创新形成合力。
数据与技术协同加速创新迭代，数据驱动创新范式逐步确立。数据为人工智能、大数据、区块链等数字技术提供训练素材与应用场景，而数字技术则为数据的清洗、分析、价值挖掘等提供工具支撑。这种协同关系使得科技创新成果能够快速适配产业场景，同时产业场景中产生的问题能够通过数据反馈推动技术优化，形成技术研发与产业应用的双向迭代。
数据与人才协同提升创新精准度。通过数据要素的赋能，科研人员能够精准把握产业技术痛点与市场需求导向， 避免研发活动的盲目性；产业从业者则可借助数据工具增强对前沿科技成果应用价值的认识，提升技术转化的实操能力，实现创新人才在科研与产业领域的能力互补。
数据与资本协同降低创新风险。数据的可追溯性与可预测性能够为资本流向提供决策依据， 引导资本向高潜力科技领域与产业创新项目倾斜。同时，通过数据对创新项目全流程的动态监测， 可实时评估项目进展与市场反馈， 降低投资方在技术转化过程中的投资风险， 保障创新链与产业链的资金供给。
（三）数据要素的场景融合创新机制催生跨领域价值创造
数据要素通过深度融入创新全流程，构建多元化应用场景，推动科技创新与产业创新从“单向转化”向“双向融合”升级，催生新产业、新业态、新模式。
在科技创新阶段，通过引入产业生产数据、市场需求数据来优化研发方向， 将产业实际问题转化为科研课题，使技术研发更具实用性。例如，在新材料研发中，结合制造业生产数据明确材料的耐温、抗压等实际需求参数，能够缩短从实验室研发到产业应用的周期。
在产业创新过程中， 运用科研数据优化生产流程、改进工艺技术， 通过数据驱动的智能化生产实现降本增效。工业互联网平台通过汇聚设备运行数据与技术优化数据， 实现生产设备的预测性维护与生产工艺的动态调整， 体现了科技成果向现实生产力的高效转化。
市场场景的融合促进形成创新闭环。通过市场消费数据、流通数据反馈产业创新效果，为科技创新提供迭代方向。例如，通过分析智能产品的市场使用数据，发现产品功能与性能优化空间，引导科研机构开展针对性技术攻关，形成“研发—生产—市场—再研发”的闭环创新生态。
（四）数据要素的流通赋能机制保障“科技—产业”融合全链条贯通
数据供给侧夯实“科技—产业”融合基础。通过构建公共数据、企业数据、个人数据的多元化供给模式，激活“沉睡”的数据资源，为科技创新与产业创新提供丰富的数据源。公共数据的开放共享为科研机构提供基础数据支撑，企业数据的合规流通为产业创新提供实践素材，多源数据的协同供给为“科技— 产业”融合创新奠定数据基础。
数据流通侧打通融合壁垒。依托数据基础设施建设，进一步破除数据的流通障碍，实现数据在创新全链条的自由流动。通过隐私计算、联邦学习等技术手段，在保障数据安全的前提下，实现跨主体、跨领域的数据共享与协同分析， 促进科研数据与产业数据高效对接。
数据应用侧释放融合价值。推动数据在创新各环节深度应用，让数据“用得好”成为融合创新的落脚点。科研机构利用流通数据优化研发方案，企业借助数据工具转化科技成果，市场通过数据反馈优化创新方向，形成由数据驱动的全链条融合创新格局，最大化释放数据要素的乘数效应。
数据要素促进“科技—产业”创新深度融合面临的挑战
尽管数据要素在驱动“科技—产业” 创新融合中具有关键作用，但其效能发挥仍面临一系列结构性、制度性与技术性制约。这些制约因素相互交织，一定程度上阻碍了数据要素的充分流通、高效配置与深度价值释放。
（一）数据要素市场化流通机制有待健全
数据要素的市场化配置尚处于探索阶段，缺乏统一、规范的交易规则、定价机制与合规框架。数据权属界定有待清晰，影响数据持有者供给意愿，市场交易成本高企。同时，数据交易平台建设相对滞后，权威、安全、具有公信力的数据流通基础设施不足，制约了数据要素在创新链与产业链间的有序流动与高效聚合。
（二）数据质量与标准化体系有待完善
科技创新与产业应用对数据的准确性、完整性、时效性与一致性要求极高。然而，当前大量数据存在来源分散、格式不一、标准缺失、质量参差不齐等问题，导致数据融合困难，影响分析的可信度。跨领域、跨行业的数据标准与互操作性框架尚未建立，限制了数据在“科技—产业”交叉环节的协同利用与价值挖掘。
（三）数据安全、隐私与合规风险突出
数据的大规模流通与共享加剧了隐私泄露、数据滥用、网络安全等风险。现行法律法规体系在数据分类分级、跨境流动、安全审计等方面的规定仍待细化，企业面临较高的合规不确定性。这种风险规避倾向导致数据持有者往往“不愿流、不敢流”，形成“数据孤岛”，阻碍了产学研用之间的数据协作与创新集成。
（四）技术融合与集成应用能力不足
将数据要素转化为产业创新动能， 依赖于先进的数据处理、分析技术与行业知识的深度融合。目前，部分产业主体，尤其是传统中小企业，缺乏数据挖掘、人工智能等关键技术能力与配套人才。同时，面向特定产业场景的数据模型、工具链和解决方案尚不成熟，制约了数据驱动的研发创新、工艺优化与商业模式变革。
（五）制度协同与治理体系相对滞后
数据要素的跨域流动涉及科技、产业、金融、监管等多个政策领域，跨部门协同治理合力待加强。在数据开放共享、知识产权保护、收益分配、伦理审查等方面，需要完善适应“科技—产业” 创新融合需求的制度或政策，推动数据要素在“科技—产业”循环中实现激励相容与可持续发展。
（六）基础设施与生态支撑体系薄弱
支撑数据要素全生命周期管理的基础设施，如算力网络、分布式存储、隐私计算平台等，仍存在布局不均、性能瓶颈、服务成本较高等问题。此外，围绕数据要素的第三方服务生态（ 如数据审计、质量评估、合规咨询等）尚待成熟。
推动数据要素更好赋能“科技—产业”创新深度融合的政策建议
（一）构建数据基础制度体系，激发要素市场化配置活力
1. 深化数据产权制度改革
加快探索并试点数据资源持有权、数据加工使用权、数据产品经营权“三权分置”的产权运行机制。优先在重点科研领域和重点产业链开展数据产权登记与界定试点，明确公共数据、企业数据、个人数据的权属边界与流转规则。
2. 创新数据流通交易模式
加快推动全国一体化数据市场培育，发展数据资产评估、登记结算、争议仲裁等服务。推动在国家级科研平台、国家制造业创新中心等机构设立“数据资源专区”，鼓励科研数据、实验数据、产业工艺数据在可控范围内有序流通与共享。支持跨区域、跨行业的数据交易场所建设， 探索基于“ 原始数据不出域、数据可用不可见” 技术的新型交易范式。
3. 健全数据要素收益分配与激励机制
研究制定数据要素由市场评价贡献、按贡献决定报酬的机制。鼓励企业将数据资产合规“入表”，探索数据资产质押融资、数据保险等金融领域创新，使数据产生的经济效益可衡量、可分配，激发各类主体供给和开发数据的积极性。
（二）强化数据基础设施建设，筑牢融合创新底座
1. 布局建设国家级科研与产业数据基础设施
在现有算力网络基础上， 优先面向人工智能、生物医药、材料科学、集成电路等前沿领域，布局建设一批高质量、高价值的国家级科学数据库与行业知识库。推动重大科研设施、大型科学仪器、重点产业平台的运行数据与国家数据中心网络互联互通， 形成支撑重大科技攻关和产业共性技术研发的“数据港”。
2. 实施关键数据技术攻坚工程
设立数据要素关键技术专项，重点突破高性能数据隐私计算、跨模态数据融合分析、数据空间互操作、数据质量自动评估与修复等底层技术。支持开源社区发展，构建自主可控的大数据技术栈。鼓励领军企业、科研院所联合开发面向垂直行业的专用数据模型和算法工具包。
3. 推动公共数据高质量开放与授权运营
制定统一的公共数据资源目录、分类分级和开放标准。聚焦科技创新与产业转型需求，优先推动科技文献、专利信息、地质测绘、气象环境、质量标准等公共数据资源向社会开放。在保障安全的前提下，通过授权运营等方式引入社会力量参与，深度挖掘公共数据价值， 开发普惠性数据产品和服务。
（三）深化数据重点领域应用，培育深度融合的新生态
1. 实施“数据要素× 科技创新” 专项行动
在国家重点研发计划、自然科学基金等项目中，增设“数据驱动”研究专项，鼓励科研团队利用产业大数据、科学大数据开展交叉研究。支持在高校和科研机构建设“数据智能实验室”，推动科研范式向数据密集型科学发现转变。
2. 开展“数据要素× 产业创新” 示范工程
在智能制造、生物医药、智慧农业、绿色低碳等重点领域，遴选一批“链主” 企业或产业集群，开展数据贯通全产业链、“驱动—研发—生产”一体化示范。支持建设“产业大脑”和“行业数据空间”，推动产业链上下游企业间安全可信的数据共享与业务协同。
3. 培育数据驱动型创新主体与服务平台
大力支持数据服务商、数据经纪人、数据科学家工作室等新型市场主体。推动工业互联网平台、科技成果转化平台向数据平台升级，汇聚研发数据、生产数据、市场数据，提供数据匹配、模型服务、验证测试等一体化解决方案，降低中小企业创新门槛。
（四）优化人才、资金与安全体系， 优化融合发展环境
1. 加快培养与引进复合型数字人才
在高等教育中加强数据科学与各工程学科、基础学科的交叉融合，设立“数据智能”细分专业方向。实施“产业数字人才提升计划”，重点培养既掌握行业知识又精通数据分析的“数字工程师” 和“首席数据官”。完善国际高端数据人才的引进与服务机制。
2. 创新多元化投融资支持机制
设立国家级数据要素产业发展基金，引导社会资本投向数据技术研发、数据产品创新和数据服务市场。鼓励银行等金融机构开发“数据信贷”“研发数据贷”等产品，探索基于数据资产和未来收益权的融资模式，解决数据驱动型创新活动前期投入大、轻资产抵押难的痛点。
3. 筑牢数据安全与治理屏障
严格落实《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》，建立覆盖数据全生命周期的安全防护体系。推动建立数据流通交易安全审计和合规认证制度。在人工智能治理、算法合规等方面加强前瞻性研究，确保数据创新活动在安全、可靠、公平的轨道上运行，构建可信的数据融合生态。
【本文得到安徽省哲学社会科学规划项目“ 数据要素推动安徽省数实深度融合发展的机理、路径与对策研究” （AHSKYY2023D047）支持】
胡东兰为合肥工业大学经济学院副教授、硕士生导师；李勇坚为中国社会科学院财经战略研究院研究员，浙江财经大学兼职教授、博士生导师