数据作为数字经济时代最为核心的生产要素，在社会生产、生活中的巨大价值已经不言而喻。数据要素价值的充分发挥在于其的有效流通共享，亦已经成为了人们的共识性认识。早在2015年10月召开的十八届五中全上，“实施国家大数据战略，推进数据资源开放共享”便被正式提出。2020年1月，农业农村部、中央网络安全和信息化委员会办公室制定发布《数字农业农村发展规划(2019-2025年)》中提出应以数字化引领驱动农业农村现代化，为实现乡村全面振兴提供有力支撑。随着人工智能、物联网、大数据等新一代信息技术的崛起以及应用成本的合理化，让农业产业数据要素的产生和应用得到了质的飞跃。2020年4月，中共中央、国务院印发《关于构建更加完善的要素市场化配置体制机制的意见》，将数据列为生产要素，明确指出了市场化改革的内容和方向。数据要素市场的培育将消除信息鸿沟、信任鸿沟，促进数据资源要素化体现，推进各方对数据资源的合作开发和综合利用，实现数据价值最大化，以新动能、新方向、新特征开启数据生态体系培育新征程。2021年11月，工信部印发《“十四五”大数据产业发展规划》中进一步指出“培育大数据交易市场，鼓励各类所有制企业参与要素交易平台建设”。2022年1月，国务院印发《“十四五”数字经济发展规划》，规划提出数据要素是数字经济深化发展的核心引擎。数据对提高生产效率的乘数作用不断凸显，成为最具时代特征的生产要素。数据的爆发增长、海量集聚蕴藏了巨大的价值，为智能化发展带来了新的机遇。协同推进技术、模式、业态和制度创新，切实用好数据要素，将为经济社会数字化发展带来强劲动力。2022年12月，中央发布《关于构建数据基础制度更好发挥数据要素作用的意见》中提出数据作为新型生产要素，是数字化、网络化、智能化的基础，已快速融入生产、分配、流通、消费和社会服务管理等各环节，深刻改变着生产方式、生活方式和社会治理方式。引导企业和科研机构推动数据要素相关技术和产业应用创新。支持有条件的部门、行业加快突破数据可信流通、安全治理等关键技术。2023年2月，中央发布一号文件《关于做好2023年全面推进乡村振兴重点工作的意见》中提出深入实施数字乡村发展行动，推动数字化应用场景研发推广。加快农业农村大数据应用，推进智慧农业发展。

政策的发布开启了数字农业发展的新局面，通过数字信息化技术，让农业产业的核心要素真正聚合打通。近年来，农业产业数据的研究和应用引起社会各界的广泛关注，特别是人工智能、物联网、大数据等新一代信息技术的崛起以及应用成本的合理化，让农业产业数据要素的产生和应用得到了质的飞跃。那数据作为要素如何在产业的生产力和生产效率的提升中发挥价值，如何通过数据要素驱动现代农业产业升级，唯恒作为创立之初就设立让数据服务农业产业为目标的探索者，对农业产业数据要素价值化具有一些思考、实践和分享。

1.DIKW模型

1988年，知名组织理论家罗素·艾可夫（Russell Ackoff）在就任国际一般系统研究学会（International Society for General Systems Research）主席的发言中，提出了数据（Data）—信息（Information）—知识（Knowledge）—智慧（Wisdom）（DKIW，data-information-knowledge-wisdom）的知识金字塔模型。DIKW模型将数据、信息、知识、智慧纳入到一种金字塔形的层次体系，每一层比下一层都赋予的一些特质。原始观察及量度获得了数据、分析数据间的关系获得了信息。在行动上应用信息产生了知识。智慧关心未来，是建立在如何使用知识的基础上对未来的影响。（《DIKW：数据、信息、知识、智慧的金字塔层次体系》谢志昆）。为了便于理解，把DKIW模型的金字塔层次关系转化为一组演进图，便如下所示：

在数据科学取得了长足发展的今天，DIKW模型对于理解原始数据如何转化为有用信息，进而转化为知识与智慧具有重要的意义。而对这个转化的过程的理解，也正是理解数据要素如何递进实现价值化的一个具有建设性的思路。

2.数据要素价值化的实现

基于DKIW模型，我们可以理解从最初的原始数据，到最终的智慧，数据作为基础要素贯穿始终，并且每一步的转化都是一次价值的跃升。具体到行业来说，数据要素价值的释放，也总是循序渐进的。首先，我们需要具有高效的观测和度量手段来进行数据的收集，尽可能的将现实世界的情况映射为数据，形成价值化的要素基础。之后，结合行业的发展和数据技术的发展，分步骤分层次的释放数据价值。这里的重点在于分步骤、分层次实现，每一步转化的达成都是具有价值的、不可忽视的。因为在市场化的行业实践中，如果没有长期价值和短期价值的平衡，没有阶段性的价值反馈，数据技术很容易陷入“索洛悖论”，从而使整个数据价值化过程停滞不前。

如何形成数据

DIKW模型里的数据的含义是对现实世界的映射，是“有根据的数据”，它仅仅代表数据本身，不包含任何潜在的含义。因此，数据的形成的核心在于准确而高效的观测和度量。只有观测和度量具备准确性和高效性，我们才能形成具有普遍性、集中性、全面性、连续性的数据，而这将是数据可以作为要素进行价值化的基础。例如，我们对土地的测量，对天气的观测，对作物生长过程的监测，都是数据形成的方式。而得益于3S、物联网、大数据等新一代信息技术的崛起以及应用成本的合理化，对数据进行准确高效的观测度量，已经渐渐不再是难以跨越的障碍。

如何转化为信息

当数据被赋予了时序、属性等特殊条件，并通过某种方式进行了组织、分类、处理与提炼，它就变成了信息。信息可以被看做具有客观性、组织性、逻辑性、表达性的数据，是数据的含义，是对现实世界的抽象描述。在信息阶段，人的主观经验及理解力等还没有介入参与，因此，信息更多的只有客观描述的价值。虽然信息只有描述的价值，但我们不应该忽视这个价值，对行业实践来说，在产业分工如此明细的今天，一份对行业领域准确的描述，是我们快速打开对这个领域认知的关键，因此，随着现实世界的分工越明细，信息量越爆炸，信息对我们打开领域认知的价值就越大。数据要素价值化的第一步，在此绽放。

如何转化为知识

对于知识来说，具有非常多的定义和解释，在DIKW模型中，我们把知识理解为信息融合了人的主观经验、理解力等因素，通过过滤、提炼、加工和抽象等到了数据与信息、信息与信息之间具有意义的关系，形成结构化、载体化信息关联体系。数据和信息都是客观存在的，数据是现实世界的直接映射，信息是现实世界的客观描述，它们都是在描述客观事实，而知识，开始结合主观意识和分析，去寻找潜在的、有意义的联系。而这些联系，正是世间万物如何运转的本质。站在行业实践来说，理解了行业运转的本质和规律，我们就可以更高效的组织资源、建立关系、寻求行业价值增量，我们就可以在行业立足，建立符合行业的商业模式。数据要素价值对行业的影响，在这一步显现巨大差异，掌握更多更全知识的人，更有可能把事情做对，形成在行业的原始积累，而另一部分人，如果没有更大的变量因素，将很难抹平这个差异，最终慢慢被行业淘汰。

如何转化为智慧

前面提到的想要抹平因知识引起的差异，需要更大的变量因素，而智慧可以算这个更大变量因素的其中之一。知识的价值是把事情做对，但想把事情做好，可能还有一段距离。如果说知识是基于过往经验的积累和总结，对现状进行判断决策，那么，智慧可以理解为通过对已有的知识做总结，对未来做预判。基于对未来的预判，我们就可以提前选择最佳路径，让我们以更高的效率、更低的成本来解决问题。这里面最重要的事情是基于我们储备了足够多的知识，然后对知识的元知识进行拆解和储存，把每个知识能够解决问题的边界和框架梳理清楚，那些是相似的，那些是不同的，把各种知识进行有效连接，当面对不同问题时，能在问题还处于框架阶段就能快速形成解决方案或规避问题。站在行业实践来说，对于行业需求或危机还处于趋势阶段的时候，我们就可以更快更有效的响应需求或解除危机，在整个行业发展历程中总是能处处快人一步，这便是将数据要素直接转化为稳定的企业竞争力乃至产业链竞争力，也就实现了数据要素价值化的最高境界。

那既然大家都共识我们把数据转化为智慧，能实现数据要素价值的最大化，那为什么我们总是在这个过程中举步维艰呢？那是因为每次一转化都需要巨大的积累，特别是越往后的跃迁，这种积累越是指数级的增长。因此，在行业实践中，抛开成本谈价值实现是没有意义的，正向的投入产出比才是行业本身存在的基石。也正因此，不同的行业处于不同的经济阶段，所能实现的数据要素价值化也不尽相同。但无论任何阶段的数据要素价值化的实现，都是积累，皆为可贵。

3.农业产业数据要素价值化思考

农业产业要素价值化的实现，自然也需要经历持续的积累。农业数字化建设与制造业、服务业相比，还是一片洼地。据中国信息通信研究院在《中国数字经济发展与就业白皮书（2021年）》中发布的数据，2020年我国农业数字经济占农业经济增加值的比率仅为8.9%，远低于工业21.0%、服务业40.7%的水平。以产业数字化占比超过10%的国家数量为例，服务业数字化、工业数字化和农业数字化的国家数量依次为38、23和12个，其中只有英国、德国农业数字化占比超过20%，分别为27.1%和21.9%；就中国而言，农业数字化占比仅为7.3%，而工业数字化、服务业数字化则高达18.3%和35.9%。据中国信息通信研究院在《中国数字经济发展报告（2022年）》中测算，我国31个省级行政单位共利用数字化投入10.4万亿元，第一产业数字化投入规模为183.7亿元，第二产业数字化投入规模为7.6万亿元，第三产业数字化投入规模为2.8万亿元。与2007年相比，全国数字化投入总规模增加1.85倍，第一产业数字化投入增加0.77倍，第二产业数字化投入增加1.63倍，第三产业数字化投入增加2.68倍。可见，农业数字化水平明显低于全行业数字化的平均水平，农业数字化发展明显滞后。

鉴于农业产业滞后的数字化发展，农业产业数据要素作为新型要素资源其本身的价值及应用目前具有较大的局限性，不可避免地陷入“索洛悖论”。

“索洛悖论”，可谓信息产业经济学头顶始终挥之不去的“乌云”。悖论主要描述：一方面，按日常观念，信息技术无处不在，似乎为产业带来极大的增长；另一方面，同期的劳动生产率，却没有发生什么变化。无论是企业还是产业链，数字化投资和投资回报率（ROI）之间没有明显的关联。就算是如今数字经济快速发展的浪潮之下，“索洛悖论”也普遍存在，农业产业尤为典型。

究其原因，唯恒在长期农业数字化建设的实践过程中得出一些观点。数字化技术的投入，所带来的效益大体分为两部分，一部分是通过数字化直接带来生产环节的工具化和自动化，从而实现直接劳动生产率的提升，我们把这部分称之为内驱效应。但针对单点或单环节的内驱效应所带来的生产率提升是边际递减的，总会存在一个最佳值，在超过这个最佳值之后，投资回报率急转直下。而另一部分我们称之为外溢效应，数字化技术在单点单环节的外溢对生产率不会具有任何影响，但一旦多个点多个环节实现连接，外溢效应实现联通，将带来生产过程中的另外一种方式的生产率提升，即通过资源配置优化而实现的产业链全要素生产率提升。而外溢效应相对内驱效应的特性正好相反，借助网络效应之势，越多外溢效应的投入和联通，将会带来越多的产业链全要素生产率的提升。可见，外溢效应所带来的投资回报远比内驱效应所带来的更重要、更有价值。数字化投资和生产率之间也并非没有关系，而是要实现明显的外溢效应，需要整个产业具有较高的数字化范式，而这是个非常滞后的过程，往往产业中的主体还没有坚持到这样范式的形成，就停滞了数字化投资。

由此可见，农业产业的数字化范式还处在一个远未形成的阶段，或将长期受到“索洛悖论”的困扰。因此，我们对农业数字化以及数据要素价值化的认知也将审慎而行。对此我们提出两点探索性的思考。第一，农业产业的数字化，应该是数据驱动的数字化。数据驱动的数字化与单纯的数字化的区别在于，单纯的数字化强调的是实现各点各环节的数字化本身，对于联不联通、独不独立没有显式诉求。而数据驱动的数字化，是在实现各节点数字化的基础上，更侧重数据的汇聚、流通、共享和应用，而这天然就形成外溢效应网络化的土壤，为打破“索洛悖论”奠定了基础。第二，在农业产业，我们更应该重视DIKW模型初期阶段的数据价值的释放，一味追求高阶价值化的实现，意味着我们在一个薄弱基础上进行大量的纵深投资而忽视了触手可及的、具有更高普适性的价值实现，将使农业数据要素价值化在“索洛悖论”中越陷越深。因此，我们不要忽视“知识”的价值，更不要忽视“信息”的价值。这将是我们在打破“索洛悖论”过程中，难能可贵的价值回报。而农业产业，只有打破了“索洛悖论”，才能打破数字化发展的枷锁。

以上，便是唯恒在数据驱动农业产业发展及数据要素价值化的方面的一些探索和思考。唯恒将继续深耕农业产业与数据技术，以赤诚之心和专业性探索一条有效的现代农业数字化发展之路