2025年3月“數據要素×”典型場景指引編寫模板數據要素典型應用場景指引 2 4 6 五、醫療健康領域典型場景 五、醫療健康領域典型場景 七、工業制造領域典型場景 八、綠色低碳領域典型場景 八、綠色低碳領域典型場景 21 九、現代農業領域典型場景 九、現代農業領域典型場景 十一、城市治理領域典型場景 十二、金融服務領域典型場景 1數據要素典型應用場景指引按照問題導向、應用牽引原則，圍繞“用什么數一怎么用數一數用在哪一有什么用”,從數據類型、治理分析、應用場景、應用成效等幾個方面展開，重點體現場景的適用性、價值性。框架如下：1.數據類型。描述“用什么數”,即推進場景應用所需數據范圍，涵蓋了從各種來源和渠道獲取數據的過程。2.治理分析。描述“怎么用數”,即為達成場景目標，企業對數據如何進行治理、處理分析和開發利用。3.應用場景。描述“數用在哪”,即數據應用在哪些領域或業務環節應用，如何優化提升，為企業實施提供參考性建議。4.應用成效。描述“有什么用”,即場景應用取得的客觀成效，體現場景應用價值，以價值牽引企業合理決策。2一、商貿流通領域典型場景場景名稱：海量消費數據賦能傳統零售業智能補貨零售行業在物流和供應鏈方面面臨著業務環節和參與主體之間信息溝通不暢、協同合作困難等問題。例如，供應商、經銷商和零售商之間信息孤島，導致需求預測不準確、庫存積壓或缺貨等問題。本場景通過有效整合零售行業采購、供應、銷售、服務等全鏈路數據，有效解決傳統零售企業面臨產業鏈上下游不匹配、消費者需求響應不足、運營管理效率較低等問題。2.數據獲取范圍：依法合規獲取用戶瀏覽、搜索、購買、評價等數據，庫存、物流、價格等上游供應商數據，銷售、庫存動態等下游零售商的數據。二、治理分析一是數據監測分析。依法合規采集產業鏈上下游相關數據，通過分析顧客年齡分布、購物頻次、偏好品牌、熱門時段、歷史銷售等數據，構建消費偏好圖譜，持續形成對市場趨勢、消費者偏好、競爭態勢等的監測和分析。二是數據預測模型。通過動態監測市場需求、庫存水平、銷售趨勢等情況，輔助日常采購計劃、庫存管理3構建智能配補調系統，為智能補貨提供精準支撐。支持智能庫存管理，實時監控庫存，動態調整庫存水平，精確預測銷售需求，自動生成補貨計劃和時間表，自動補貨提醒，減少缺貨與過剩；支撐個性化推薦，基于購物歷史，推送個性化商品推薦；輔助數據分析決策，銷售數據可視化，輔助決策制定。有效提升運營效率和決策精準度，提高客戶轉化率，直接帶動整體銷售額大幅增長，提升庫存周轉效率、資金使用效率、供應鏈協同效率，節省庫存成本。通過訂單數量、訂單類型等數據共享和分析，幫助產業鏈上下游企業精準對接產品供應企業和消費客戶群體，加快業務流程響應速度，實現供應鏈精細化管理，有效縮短訂4二、交通運輸領域典型場景場景名稱：交通運輸行業多式聯運數據融合應用多式聯運涉及鐵路、公路、水路、航空等多種運輸方式，以及眾多的承運商、貨運代理、港口碼頭、海關等部門，包括運輸計劃安排、運輸路線制定、精準運費報價、快速合同簽訂、貨物實時定位和狀態監測、中轉銜接等環節，由于涉及主體多元、環節復雜，通過推動多式聯運各參與方數據共享及信息互通，運用大模型技術，形成運輸路徑和調度策略優化、貨物實時追蹤和狀態監控、預算管理及智能預警等多個高價值應用場景，有效解決各種交通運輸方式之間融合程度低、綜合運輸效率不高、運營成本居高不下等問2.數據獲取范圍：貨主、承運商、港口、海關等數據。一是統一多方數據標準，面向多類主體，統一制定多式聯運業務數據標準和接口規范，依法合規采集數據，實現貨主、承運商等參與方數據的可信匯聚及信息互通。二是構建智慧物流大模型，實時監測路況、天氣等情況數據，動態調整調度和配載方案，優化運輸路徑。三是建設多式聯運數據生態，廣泛聯合物流公司、物聯網設備等合作伙伴，拓展數據網絡，開展差異定制化服務。5主要應用于運輸路徑和調度策略優化、貨物實時追蹤和狀態監控、預算管理及智能預警等多個應用場景，保障聯運高效暢通。支持客戶在線上進行貨物的信息查詢、交易撮合、金融服務申請以及物流服務的預約與跟蹤，提升物流效率和服務質量。有效降低物流企業物流成本，提高運輸過程透明度和聯運效率，實現承運人時間成本大幅下降，提升倉庫空間利用率，減少決策和執行時間。促進了各種運輸資源的無縫對接和高效協同，形成了集區域性公鐵聯運、大宗物資鐵水聯運、城市群河江海聯運為一6三、科技創新領域典型場景場景名稱：科技創新行業海洋科研數據價值轉化科研數據是科研過程中產生和收集的有關科研對象的實驗數據、觀測數據、模擬數據和分析數據等，科研數據管理涉及數據生成與采集、數據存儲與安全、數據整合與集成、數據處理與分析、數據共享與再利用等環節，隨著科研數據的數量和多樣性不斷增加，科研數據的可重用性和價值轉化需求愈發迫切。當前，科研數據的開發利用面臨數據質量低、數據處理應用難、科技成果轉化難等問題。通過多渠道匯聚海洋科研數據驅動海洋大模型產品研發，有效推動了海洋氣候模擬與預測、海洋環境保護等領域海洋科學研究，促進了海洋科研數據的價值轉化和流通增值。2.數據范圍：包括海洋衛星、浮標、臺站、航空遙感、船舶觀測等多源異構類型數據。一是建設高質量科學數據集。建設自主數據觀測體系，通過互聯網數據采集等渠道，依法合規采集數據，打造高質量數據集。二是訓練大模型并開展算力調優。以數據集作為訓練數據開發海洋環境預報大模型，依托海洋科研文獻訓練大模型，面向算力平臺進行模型適配與優化，服務科學研究。三是促進科研數據流通交易。構建數據交易服務平臺，創新數據存證溯源、數據質量評估、數據定7重點服務海洋氣候模擬、預測、環境保護等領域的海洋科學研究，輔助科研人員快速處理和提取科研文獻關鍵信息。廣泛應用于海洋防災減災、海洋漁業安全、海洋水產養殖、海洋經濟發展、海洋產業發展、海洋科技創新、海洋漁業執法、海洋資源管控業務環服務省市海洋信息化建設，提高漁船網格化精準調度能力、災害治理處置效率，實現海洋環境全面感知、海洋資源全量匯聚、海洋數據全維挖掘、海洋業務全域統籌，形成高效、透明、智能的新型海洋管理與服務模式，有效提升海洋數據智慧處理能力和科學決策水平。8【引言】(一)文物數據傳承保護和價值開發文物數據的保護與開發一是通過高清影像拍攝、激光掃描、三維數字重建、視音頻采集等手段采集挖掘文物數據。二是按照統一數據標準，以機器自動標注與人工校對結合的方式給數據貼“標簽”,匯聚處理數據。三是對數據生產流程追蹤、數據傳輸校驗、數據存儲監控、文件備份及容災系統建設等，保障文物數據全生命周期安全。四是通過利用區塊鏈、數字水印等技術，引進專業律師團隊，促進數據內外部進行合規開放共享。一是文物數據授權開發，通過簽署整體授權或單項合作開發協議，構建開放平臺并按照約定比例通過平臺分賬系統自動分賬等方式，推動各主體利用文物數據進行融合創新，開發文創產品、圖書通過傳感器數據，實現對文物風化等損壞速度定量監測，為文物保護決策提供數據支持，并借人工智能技術，模擬修復路徑。9可進一步挖掘文物數據價值，弘揚中華優秀傳統文化，實現文物數據的規模化應用，有效推進文物數據資源的挖掘與傳播。典型案例：敦煌研究院：數據資源共享助力文物保護、藝術傳承、文化云岡石窟：數據資源匯聚融合，賦能文物保護利用2024年“數據要素×”大賽案例五、醫療健康領域典型場景【引言】(一)醫療健康數據輔助基層醫療基層醫療診治一是與權威機構合作或購買，匯聚疾病知識、癥狀體征、檢驗檢查、藥物信息、臨床路徑、診療規范及指南等公開脫敏數據等外部數據，構建多類別知識庫。二是搭建統一數據標準，對電子病歷、檢查、檢驗等多種模態數據進行標準化、后結構化等處理，構建高效、便捷的取數、治數、用數的數據要素挖掘體系。三是將內外部數據融合，通過搭建平臺、構建系統、建設AI模型等方式，將病歷、影像、公共衛生等醫療衛生數據及知識庫實現融合互通。四是將模型、平臺與醫院信息系統對接，依托數據脫敏、數據加密、數字水印、區塊鏈和隱私計算等安全技術，構建可信網絡環境，以“數據不出本地局域網”等方式匯聚分析患者病歷數據及歷史健康信息數據，為基層醫生提供智能輔助決策服務。一是科學問診，實現在醫生問診過程中，根據問診邏輯提示病情問診。二是精準診斷，在診斷過程中，對患者病歷數據進行智能化分析和判斷，協助醫生對病情進行合理診斷。三是病歷書寫，病歷書寫過程中，給予智能分析與提示，協助醫生提升病歷書寫規范性和質量。四是合理用藥，在醫生下處方和檢查檢驗時，及時給出常見用藥和常見檢查檢驗建議，并將異常診斷結果數據及時報送醫療主管部門復核。五是智能隨訪，替代傳統人工撥打電話溝通的方式，實現智能語音呼叫隨訪對象，開展隨訪溝通，并將隨訪結果自動寫入健康檔案系統中等。三、實現成效提升基層醫療服務水平，解決基層醫生診療能力不足、資源不足、人才不足等問題。滿足廣大群眾對醫療服務的需求。諸暨市衛生健康局：人工智能助力醫療健康數據融合應用全訊飛醫療：醫療數據智能化分析輔助提升基層診療水平五、醫療健康領域典型場景2.數據獲取范圍：一是掛號平臺業務數據、掛號系統埋點日志數據；二是掛號用戶信令位置數據、用戶屬性標簽數據。二、數據分析一是進行數據歸集和存儲。對掛號業務系統數據和用戶移動通二是構建用戶特征識別模型指標。掛號訂單量高、單位時間內乏登錄信息但存在掛號行為且掛號次數較多等表現符合對黃牛人群的特征。三是建立反黃牛模型指標。結合用戶軌跡和標簽數據，分析賬戶對應就診人的年齡性別等用戶屬性信息、就診人號源對應疾病信息、就診人職住位置分布等相關數據，建立模型對疑似黃牛人群進行綜合研判，確定具體指標的閾值、進行人群積累，并與黃牛庫中的黃牛數據相互驗證，不斷對模型進行優化迭代。三、應用場景醫療機構預約掛號平臺使用該模型識別疑似電子黃牛用戶，將系統中難以判定的用戶行為與真實世界的用戶行為相結合，在反黃牛模型中提供了真實的位置信息，用以判斷用戶是否本人線下就醫，保障群眾就醫，維護醫療秩序，最大限度確保號源可以第一時間準確發現并阻止“電子黃牛”在系統上的掛號行為，使預約掛號平臺系統在安全性及使用公平性上得到進一步提高，減小因黃牛帶來的市場混亂，降低醫療資源不平衡問題。供線索，助力公安部門精準鎖定號販子，同時也為政府相關部門的工作決策提供參考，為政府強化監管執法提供依據，為民眾公平享案例經驗：北京市預約掛號統一平臺(聯通(北京)產業互聯網有限公司協助建設)五、醫療健康領域典型場景場景名稱：構建醫療用戶畫像2.數據獲取范圍：一是就診用戶個人數據，如性別、年齡、地一是融合醫療相關數據，覆蓋多維度數據，如性別、年齡、地患者、腫瘤患者、互聯網診療患者、復診患者、特殊人群患者、醫美用戶、體檢用戶等豐富的特征標簽。為個性化推薦提供有力支持。三是標簽體系構建，通過對用戶數據進行分類和標記，形成一系列具有代表性的特征標簽。理和互通共享。重點服務醫療機構給用戶進行畫像，豐富用戶特征標簽，如慢病患者、中醫患者、腫瘤患者、互聯網診療患者、復診患者、特殊人群患者、醫美用戶、體檢用戶等。通過精準的用戶畫像，為醫療機構提供了個性化服務方案和科學決策支持，推動了醫療行業的數字化轉型。通過這一舉措，不僅能夠達成醫療資源更為科學合理的優化配置，為醫療機構提供準確的決策支持，為患者帶來更貼合個人需求的診療方案，讓有限的醫療資源發揮出最大的效益，還能切實提高醫療服務的效率與質量，為患者提供更加優質、高效的醫療體驗。同時，這也有助于降低醫療成本，減輕患者及社會的經濟負擔，進而極大地增加患者的滿意度，構建起更為和諧、信任的醫患關系。典型案例：北京市預約掛號統一平臺用戶畫像(北京聯通+京通健康大數據平臺)六、應急管理領域典型場景【引言】(一)數據支持鐵路大風災害防治。大風災害預測(強風對列車運行具有嚴重影響，易損害基礎設施、影響供電設備安全，嚴重的可能造成列車脫軌或傾覆)一是通過在鐵路沿線建設監測站實時采集氣象數據，融合鐵路沿線周邊氣象部門的氣象監測數據，形成大風災害風險精準預報研究的數據庫，實現觀測數據實時共享。二是通過建設預測系統、開發預測數據產品，支持開展大風災害防治。一是支持防風工程建設，將氣象風險區劃數據與鐵路重大工程建設數據深度融合，提前開展氣象風險評估，支持鐵路線路選址和防風工程建設，從源頭防范和減輕大風極端天氣的影響。二是保障列車安全運行，氣象部門可與鐵路部門聯合建設鐵路大風精細化預報系統，接入天氣預報數據、鐵路沿線地形數據，并納入鐵路調度揮行車，建立安全風險超前防范機制。降低鐵路行車安全風險，提升鐵路客運產品的核心競爭力和鐵典型案例：構筑鐵路安全新防線——“數據要素×”典型案例七、工業制造領域典型場景據要素×”三年行動計劃(2024年—2026年)》有關部署和要求，梳理總結數據要素賦能工業制造領域的一批典型場景案例。一、企業生產管理優化場景1名稱：多品種小批量離散可重構制造效率提升1.場景描述：聚焦多品種，小批量離散制造，以全要素數據整合為基礎，算法創新為突破點，流程協同優化為落腳點，構建覆蓋“設計-生產-供應”全鏈條的智能閉環體系。全面提升離散制造生產 2.適用范圍：定制型機械制造、電子信息產品中試制造打樣等多品種、多工序、小批量離散制造人員要素狀態數據實時采集，并融合ERP、PLM、MES、SRM、QMS等管理系統，拉通設計、工藝、供應、質檢、物料轉運、人員、制造設備、生產進度等多維數據。具體包括但不限于設計數據、工藝數據、技術要求數據、物料清單數據、物料庫存數據、出入庫狀態、實時物料位置、臨時存放狀態、半成品實時位置和狀態數據、加工單元健康狀態、加工單元實時運行狀態、吊裝和轉運設備運行狀態、操作人員到崗計劃和實到狀態、質量檢測計劃、檢測結果數數據使用：一是利用數字孿生構建動態模型，將設備布局、工藝路徑、資源約束等要素數字化映射為虛擬仿真模型，為運籌優化提供底層邏輯支撐。二是部署運籌求解器算法，采用面向多目標 (如訂單交期、設備利用率、能耗成本)的智能排產引擎。通過數據驅動深度學習分析歷史生產數據中的設備效能波動、工序耦合關系等規律，結合強化學習動態調整排程策略，實現快速響應插單、換線等復雜制造需求，革新離散制造系統傳統人工排產模式。實現5.預期成效：提高離散制造生產響應速度，提升設備綜合效率(OEE),提高制造齊套率和設備利用率，全面提升制造效率。八、綠色低碳領域典型場景外購熱力、工業生產過程(能源、原輔料、主副產品、廢棄物、運輸)等多道工序碳數據。建設指引：借助5G、物聯網、區塊鏈等技術，通過智能數采實現多道工序的碳數據采集；通過界定核算邊界，應用排放因子法和監測法，計算出實時生產數據的碳排放量；通過區塊鏈結合物聯碳盤查報告以及符合歐盟碳邊境調節機制上報要求的報告等。應用成效：聚焦鋼鐵企業減排降碳難題，依托全流程“采碳—算碳—降碳”數字化方案，建立多維多尺度能效提升和碳減排評價體系，科學制定碳減排措施，助力企業履行減污降碳責任。典型案例：河鋼數字技術股份有限公司：基于智能數采的碳中和數字化解八、綠色低碳領域典型場景綠色低碳發展是推進美麗中國建設的應有之義，是實現碳達峰碳中和的關鍵路徑。一批園區和供電公司利用能源數據、公共數據、企業數據等進行分析利用，有效提升能源使用效率和能源管理水場景名稱：異構用能數據加速工業園區能源利用效率提升一是子系統和傳感器數據，包括光伏發電系統、儲能系統、用電設備等子系統和數據監測點數據；二是公共數據，包括天氣預報數據；三是企業數據，包括上下游廠商的生產管理數據、虛擬電廠一是數據互通，采用異構直連技術結合標準協議與API(應用程序接口),實現數據流通。二是數據分類，對數據進行分類和優先級處理，確保數據處理的時效性和資源利用率。三是光伏發電和用電負荷預測，通過AI深度學習算法、影響因子迭代擬合等技術，開展光伏發電量和園區負荷精準預測及智能調度、光儲波動調節以及綠碳指標評價等。四是預測用能指標優化能源管理。如，根據天氣預測和光伏組件狀態等數據，預測光伏發電功率，優化儲能系統充放電策略和生產用電策略；結合生產計劃和天氣等數據，預測園工業園區能源利用效率提升、能源管理優化；光伏與柔性負荷預測調控；園區用能智能調度、光儲波動調節；儲能系統調節；園區用能評價；園區綠色金融創新。通過對多元異構能源數據匯集、分析，實現了工業園區用能總量下降、碳排放量下降，能源管理優化。同時，減少了電網公司配電網的建設投入，支撐電網安全經濟運行。九、現代農業領域典型場景依據《中共中央、國務院關于進一步深化農村改革扎實推進鄉年)》有關部署和要求。梳理總結數據要素賦能“三農”工作領域的場景1名稱：北斗+智慧農業技術助力主要作物大面積單產提1.場景描述：聚焦玉米、大豆、小麥、油菜等主要糧油作物，依托農業生產全過程數據要素積累，建立作物生長模型和農藝數字標準庫，實現耕種管收全環節智能決策，有效提升土地產出率、資2.適用范圍：大面積農田作物的科學規模化生產3.涉及數據：集成應用北斗導航數據、氣候趨勢數據、田間溫度、濕度、風力、風向、光照、蒸發量等氣象數據、土壤含水量、相對濕度、土壤容重、土壤質地、土壤溫度、土壤電導率、土壤熱通量等墑情數據、無人機多光譜數據、土壤元素檢測數據等。4.數據使用：通過田間氣象站、智能傳感、物聯網等設施，構建"空天地"一體化數據采集網絡。通過北斗自動駕駛系統實現厘米級精準導航，配套水肥一體化智能灌溉裝備、多光譜無人機巡檢系統、智能變量播種機械等數字化設備，開展精準播種、變量施肥、智能灌溉、高效植保、無人收割等全程機械化作業。構建北斗農機智能作業系統，實現農機具高精度定位導航、路徑規劃、作業監測等功能，確保播種密度、耕作深度等農藝指標精準執行。同時推廣變量作業技術裝備，集成土壤墑情監測站、作物長勢遙感監測、氣象預警等數據源，建立水肥藥智能決策模型。并在大田廣泛部署智能傳感終端，實現環境數據分鐘級采集更新。建立農機作業數據與農藝標準交互機制，制定數字化種植規范，形成北斗精準播種、耐密品種與水肥調控融合方案，并整合耕地地力、氣象環境、作物長勢、病蟲草害等數據，構建基于機器學習的單產預測模型，開展不同種植模式的數字化仿真驗證。配套建設小型氣象站、土壤墑情監測站、蟲情測報燈等物聯網設備，確保農機自動駕駛、無人機巡田等場景通信覆蓋率100%,并運用北斗自動駕駛加水肥一體化、無人機等其他智慧農業技術，實時采集并充分利用各種數據，進行玉米、大豆、小麥、油菜等主要作物耕種管收全過程的精準作業。5.預期成效：實現農業生產的精準化、高效化、綠色化。大面積單產提升，提高田間作業效率，減少化肥、農藥過量使用，降低環境污染。構建智慧農業數據底座九、現代農業領域典型場景場景名稱：養殖場疾病預警一是過生物技術與信息技術的創新融合應用，融通數據要素，以畜禽臨床數據為基礎，將每種疫病特征數據進行分層、排列、組合、編號，計算每種組合病狀的出現概率，實現大量疫病數據的特征標定。采用高階多標記方法，計算每種組合病狀出現概率。二是建立深度學習+智能演進知識圖譜的疫病推理模型，形成了疾病數據庫、癥狀數據庫以及診斷方案庫。用戶僅需篩選相應癥狀，系統秒出診斷、預防和治療的全套方案。三是利用智慧獸醫智能診斷功能所積累的數據，采用神經網絡算法，構建智能疾病預警模型，展現全國及所在地區的近30天和近3個月內的疾病流行情況，幫助養殖場及時掌握疾病的流行狀況，進而采取相應的預防措施，降低養殖風險。撐。幫助養殖場(戶)及時發現和處理養殖過程中存在問題，有效的疾病防控，死亡率降低、產量提升，提高養殖場收益。典型案例：北京沃德博創信息科技有限公司蛋雞養殖產業互聯網平臺九、現代農業領域典型場景場景名稱：數據賦能家庭農場風險評估與智能授信決策體系創新隨著數字技術與生產要素加速融入農業農村領域，家庭農場作為鄉村振興的核心主體之一，其融資需求日益增長。然而，傳統普惠金融覆蓋不足，信貸模式面臨多重瓶頸，如抵押物缺失、風險評估效率低下等。為此通過整合多源數據，包括農業農村涉農數據、衛星遙感監測、央行征信數據構建精準化的信用評估模型與智能授據驅動風控”轉型，系統性破解家庭農場與金融機構間的信息不對稱難題。數據主要來源：農業農村涉農數據主要來源于農業農村部政務服務平臺和省級農業農村大數據中心，衛星遙感數據主要來源于政府航天機構、商業衛星公司、國際組織及科研機構，央行征信數據主要來源于中國人民銀行征信中心。數據獲取范圍：農業農村涉農數據，包括家庭農場經營規模數據、經營效益數據、發展能力數據、品牌資質數據、土地基礎權益技術、土地交易數據等。衛星遙感數據涵蓋大面積農田的監測與管理信息，為家庭農場主生產經營提供輔助支撐，記錄家庭農場中實際種植面積、種植作物類型、作物長勢等。央行征信數據記錄家庭農場主的放款數據、還款數據、逾期數據等。對與家庭農場主體相關的農業農村涉農數據、衛星遙感數據、央行征信數據進行數據統計分析，系統揭示家庭農場的經營分布特征與核心指標規律。依托邏輯回歸算法構建動態風險評估模型，生成量化信用評分。結合農業收入、耕地面積等核心參數，通過智能授信決策引擎輸出差異化額度，實現“數據驅動-風險分層-精準授信”全鏈路閉環。各省市的分布，家庭農場經營規模分布、經營收入分布、家庭農場核心數據的統計分布(眾數、眾數、平均值、標準差、最大值、最小值、分位數)等，從數據了解家庭農場總體情況。第二，動態風險評估模型。使用邏輯回歸算法建立評分卡模型，輸入可以入模的特征變量，輸出家庭農場信用評分，分數越高的家庭分數越低的家庭農場信用越差。第三，智能授信決策模型。根據農業收入、耕地面積、利潤結合評分卡模型給出智能授信額度，收入越高、耕地面積越多的信用越好的家庭農場獲得的授信額度越高，反之獲得的授信額度低甚至不進行授信。以某股份制商業銀行家庭農場信用貸款審批場景為例，具體說明應用。銀行以家庭成員為主要勞動力，從事農業規模商品化生產經營的家庭農場主。銀行利用大數據將行內現有的專家家庭農場信用貸款風控模型迭代成大數據風控模型，大數據風控模型實現的目標是精準客戶畫像，差異化授信額度，即資質好的家庭農場授信額度高，資質差的家庭農場授信低額度。該場景數據應用：第一，整合家庭農場經營數據、如種植規模、收入結構、土地流轉成本、土地流轉年限、央行征信記錄、衛星遙感監測數據，構建360度全息家庭農場經營畫像。第二，通過邏輯回歸的機器學習算法構建動態風險評估模型，預測家庭農場主違約概率，實現風險客群分層。第三，通過收入比例模型、耕地面積價值模型、信用評分線性映射模型構建差異化智能授信決策體系，生該場景的應用成效主要表現在，第一，家庭農場信用貸款審批效率大大提升，審批時長從7天縮短至30分鐘，單戶處理成本從千元降至百元，人工干預率下降50%以上，顯著降低運營成本。第二，風險控制方面，該體系使得金融機構平均授信規模同比增長加倍的同時，逾期率穩定控制在1%以內。第三，在服務普惠性方面，依托數據穿透能力，服務半徑擴展至偏遠區域，使得很多分布在不同區域的小而零散的家庭農場也能獲得金融授信，單一金融機構平均服務的家庭農場數量從幾百戶增至10000戶以上，戶均授信金額從平均10萬以下升至20多萬，家庭農場主體獲貸率大大提升。第四，在經濟效益方面，以某股份制商業銀行為例，該銀行一年放款規模20億元，年FTP凈收入0.5億，年利潤2000萬元。家庭農場主平均增收30%以上，通過精準授信推動區域農業產值有所增長。建新型農業經營主體信用評價模型和授信增級應用場景2.FTP凈收入=放款總額(最高在貸額)*息差，最高在貸額20億，息差按2.5%估算。3.營業費用=放款總額(最高在貸額)*(運營成本+人工成本),運營成本和人工成本按0.5%估算。4.計提的資產減值損失=放款總額(最高在貸額)*壞賬比例*計提比例，(《銀行貸款損失準備計提指引》關注類貸款，計提比例為2%;次級類貸款，計提比例為25%;可疑類貸款，計提比例為50%;損失類貸款，計提比例為100%。壞賬比例0.5%,計提比例按照100%計算。5.其他費用=稅金及附加+所得稅±納稅及其他調整項+經濟資本占用=放款總額(歷史最高在貸額)*比例，比例按照0.5%估算。十、氣象服務領域典型場景場景名稱：氣象數據賦能港口高質量發展充分發揮數據要素與氣象服務的乘數效應，構建基于數據融合的智能決策體系，對于有效降低極端天氣氣候事件的影響，防范化解重點行業和產業的氣候風險，推動綠色可持續發展具有重要意一是通過綜合氣象觀測網采集本地氣象監測數據；二是通過中國氣象局天擎系統獲取全球模式數據、風云衛星探測數據等；三是通過合作方式獲取合作伙伴的行業數據。一是開展數據歸集整合。推動港口、氣象、海洋等部門完成數據歸集應用，實現氣象預報、氣象預警、港口地理信息等數據融合。二是強化數據質量管理。通過數據治理技術，逐日數據集，提高數據質量和安全性，并在氣象數據底座中實現統一存儲、管理和供給。三是提升數據分析能力。構建能見度預報模型預報算法、風力精細化預報方法等，對相關數據進行實時分析，滿足作業服務要求，并利用效益評估反向優化數據產品和服務。港口生產調度、輔助海事安全管制、協助企業精準防雷等應用場景，幫助港口精準應對天氣變化，提升作業時間。助力港口降低集裝箱碼頭風險，提升港口可作業時長，并協助協助海事、港口順利實施霧季交通組織，保障船舶安全進出港，推進礦石、集裝箱、原油等順利裝卸。流強港提質增效十一、城市治理領域典型場景場景名稱：公共交通數據賦能城市管理配套服務數據要素在城市治