數據要素市場高質量發展的內涵特征與推進路徑

李三希 李嘉琦 劉小魯

摘? ?要：從數據成為關鍵生產要素的演變過程，以及數據要素非競爭性、強協同性、衍生性與隱私負外部性等學理性質出發，提煉出高質量數據要素市場的四維內涵，即統一大市場、數據共享開放、專業市場主體、有序市場生態。當前數據要素市場價值層、政策層、支撐層分別面臨績效欠佳、監管混亂、基礎設施及技術支撐不足的問題，需通過完善規制與確權、優化數據要素供需結構、引入多層次交易模式、打造數據市場“新基建”以實現“有為政府”和“有效市場”高效融合，激發內驅力。

關鍵詞：數據要素；高質量發展；市場監管；數據流通交易；數字經濟

中圖分類號：F49? ?文獻標識碼：A? ?文章編號：1003-7543（2023）05-0029-12

2020年3月，中共中央、國務院發布《關于構建更加完善的要素市場化配置體制機制的意見》，明確了數據的生產要素地位。2022年12月，中共中央、國務院印發《關于構建數據基礎制度更好發揮數據要素作用的意見》，提出構建數據產權、流通交易、收益分配、數據要素治理等基本制度，初步形成我國數據基礎制度的“四梁八柱”。伴隨著互聯網大數據等新一代信息技術的蓬勃發展與應用，數據成為數字經濟時代的關鍵生產要素，是產業數字化、智能化、網絡化的基礎，但其本身具有的學理特征，也對生產要素的市場化提出了新的挑戰。

數據被稱為數字經濟時代的“石油”，原因之一就是其作為賦能者，能夠與傳統生產要素結合，推動管理精細化與決策科學化，加速科技與生產融合，革新勞動工具，提升全產業鏈勞動生產率，降低企業搜索、復制、追蹤、驗證等成本。與其他生產要素不同的是，它蘊含著個人的智力勞動，對其他生產要素有較強的協同依賴性，同時可在不影響自身價值的前提下無限復制和共享，可能帶來隱私侵犯和商業秘密泄露等風險?；诖?，本文基于數據要素特性，提煉出數據要素市場高質量發展的內涵，并對應這四點內涵，分析當前數據要素市場價值層、政策層、支撐層存在的問題，給出針對性政策建議。

一、作為關鍵生產要素的數據

新熊彼特主義認為，技術經濟新范式的構建往往伴隨著新的低成本生產要素的出現，并成為創新與投資的新引擎。Perez等人認為，工業革命以來已經確定發生過的技術革命有五次，分別是：18世紀70年代的工業革命，19世紀20—30年代以蒸汽機廣泛應用為代表的“蒸汽鐵路革命”，19世紀70年代的“鋼鐵、電力與重型工程革命”，20世紀初以石油化學、汽車制造為標志的“石油、汽車革命”，20世紀60—70年代以集成電路和計算機微處理器為代表的“信息與電信革命”［1］。在歷次技術革命中，蒸汽機、鋼鐵、電力、石油等經歷了成本大幅下降和廣泛應用，共同支撐起各自工業條件下的大規模、標準化、低成本的新技術經濟范式，成為新的生產要素［2］。2010年前后，以大數據、3G/4G/5G通信、云計算、人工智能為代表的新一代數字技術陸續開始大規模商業化應用［3］。這些技術層疊在基于TCP/IP的基本互聯網之上，形成了瀏覽器、搜索引擎、在線購物、社交網絡、客戶關系管理系統等新業態新技術，大大提升了數據的收集與使用效率［4］。數據對個人行為、企業決策、產業升級以及宏觀經濟增長的影響與日俱增，正成為新一代科技革命和產業革命的關鍵生產要素。

（一）數據要素發揮要素作用的途徑

數據生產要素是從知識和信息中派生出來的，是信息的特殊存在形式，是由人類勞動行為產生的原始數據經由加工處理轉化而來的。有別于數據本身，數據要素一方面作為生產要素，與其他生產要素共同參與社會生產經營活動、為使用者或所有者帶來經濟效益①［5］，另一方面，數據要素從根源上蘊含著個人的勞動，所以從某種意義上是從屬于勞動的［6］。因此，區別數據要素與普通數據的依據就在于是否創造經濟效益，發揮要素作用。

數據要素發揮要素作用、促進經濟增長的微觀機制可歸納為：數據驅動決策、提升生產效率、降低企業成本。

第一，大數據技術的迅速發展與應用，促使企業與政府從管理者主導的經驗型決策轉向依賴數據分析的“數據驅動型決策”（data-driven decision making，簡稱為DDD模式）［7］。一方面，更大量和精細的數據包含了更多可用的信息，基于大數據的管理信息系統有助于提高管理者的信息處理能力，提升管理者決策的質量；另一方面，數據可以提高企業、工人和流程績效的清晰度，促進圍繞共同目標的協調，并為“關系合同”提供框架［8］，同時，企業在轉向DDD模式的過程中，會自發傾向于將一些隱性信息轉變為客觀信息并儲存為可訪問的數據集，形成數據驅動的正反饋過程［9］。此外，數據要素既能改變企業決策過程，又能改進政府決策質量。除提升政府決策質量外，數據分析還可以幫助政府在政策周期的每個階段知曉政策實施的進展，設想替代方案或制訂提前退出的計劃，提高政策實施的效率［10］。

第二，數據要素能夠直接提升生產效率。這有賴于三個機制的實現：其一，企業能夠利用大數據刻畫出更復雜、更完整的客戶畫像，從而有針對性地提供更準確的定制產品和服務，提升生產效率，更高的生產效率又使得企業可以進行更多的投資，生成更高質量的數據，形成“數據正反饋”過程［11］。其二，數據生產要素能夠推動技術進步和產品優化。目前，企業已經開始廣泛地基于大數據和田野實驗來進行生產過程優化、產品改進和新產品的開發與測試。例如，寶馬公司通過樣車試駕、車間報告和其他來源的數據，發現潛在的產品漏洞，并在新車型推出前解決這些問題［12］。其三，數據要素促進了新商業模式和創新服務的形成。例如，利用車輛傳感器和大數據可提供車輛診斷與安全警告服務［13］。此外，基于大數據的個性化推薦和精準營銷可以提高供需雙方的匹配效果［14］。

第三，數據要素能夠降低經濟運行的成本，包括搜索成本、復制成本、追蹤成本和驗證成本［4］。搜索成本的降低，擴大了潛在的搜索范圍和質量，導致基于平臺的企業數量以及平臺企業的規?？焖僭黾?，提升了勞動力與資本等要素市場以及產品市場的匹配效率。數據接近于零的復制成本，可使其表現出規模報酬遞增的特點。從企業的角度看，其所擁有的數據可以被每一名員工無成本使用，因而數據規模越大，產生的信息和知識也就越多，帶來的經濟效益也越可觀［15］。此外，以比特存儲的數據運輸成本接近于零，大大減弱了地點對經濟活動的限制，低追蹤成本使得根據個人信息的精準營銷成為可能。驗證成本的減少得益于在線反饋機制的建立，這促進了網絡信任環境的營造，使得聲譽機制更好地發揮作用，大大提升了交易的效率［16］。

（二）數據要素的特性

作為數字經濟時代涌現的關鍵生產要素，數據具有與其他關鍵生產要素相同的變遷特征，即生產成本的下降性、供給能力的無限性和運用前景的廣泛性［17］。但與此同時，數據和傳統的勞動、資本等生產資料在多個維度上存在差異。具體來看，數據要素具有非競爭性、強協同性、衍生性、隱私負外部性等特質。

一是非競爭性。數據的本質是一種信息的載體和表現形式，其本身具有可復制、可無限分享的特性，即使用者的增多不影響數據資產本身的價值［18］。這就使其可以被多個市場主體同時重復使用，一方的使用不影響另一方使用，即具有非競爭性。此外，數據還可以產生新知識，其產生的新知識可以在當期和未來無限期重復使用，具有“動態的非競爭性”［19］。隨著數字技術的蓬勃發展，數據的復制、傳輸成本快速降低，近乎零邊際成本的特性結合非競爭性，共同為經濟增長帶來規模效應和范圍效應。

二是強協同性。數據要素作為協同要素，只有與技術、勞動、資本等其他生產要素深入融合，才能更好地發揮對經濟增長的溢出效應。數據嵌入實體經濟中的各類數字化基礎設施中，通過數據庫、數據服務、數據中心、網絡等軟硬件環境加速人才、資本、創新等要素的融合，并最終實現全產業鏈的數字化［20］。其與勞動結合能夠提升勞動技能、革新勞動工具，提高勞動生產率；與科技結合能推動科技發展，加速科技與生產融合；與管理要素結合，能夠減少不確定性沖擊，推動經濟管理精細化和決策科學化［21］。

三是衍生性。一方面，數據之間進行關聯融合后，可以產生更大的價值；另一方面，原發數據作為非結構化的字節，需要轉換為具有實際應用價值的信息來發揮價值。原發數據可通過算法的加工處理與定制化服務，形成衍生性的數據產品，其性質屬于智力創造的成果。例如，一份自動記錄的賬表不能直接作為數據指導生產經營，而對其進行挖掘、清洗、處理、整合、轉換，以及一定的分析，就可能成為數據資本，這些操作就是數據和信息的生產要素化［22］。

四是隱私負外部性。從數據安全和隱私保護的角度來看，頻繁的數據流通將使數據泄露不再是一次性事件，非敏感數據的聚合和分析可能形成具有敏感數據的衍生品，這可能會透露消費者個人信息，由此帶來隱私負外部性。此外，隱私負外部性還體現于隱私泄露可能引發的價格歧視對于消費者福利的客觀侵害［23］，以及數據市場的持續低效率（壓低數據價格和隱私損失）［24］。

二、數據要素的市場運行機制

2017—2021年，我國數據產量從2.3ZB增長至6.6ZB，占全球的比重達9.9%，位居世界第二［25］。據IDC預測，2025年我國數據圈將占全球的27.8%，位列世界第一，具備構建超大規模數據要素市場的潛力和條件［26］。然而，數據要轉化為生產要素，發揮要素作用，還需經過資源化、數據共享、交易流通和分析應用的數據價值化過程，依賴云服務、隱私計算、人工智能等數字技術和數據中心等基礎設施支撐，并需要清晰、透明、一致的監管政策保障數據要素市場秩序。參考王璟璇等提出的數據要素市場體系架構［27］，本文將數據要素市場分為三個層級：價值層、政策層、支撐層。

（一）價值層：數據價值化

在價值層，原發數據轉化為數據要素，成為促進生產率提升、驅動產業升級的重要生產要素。一方面，數據作為商品和勞動對象本身，經過海量數據處理、流通交易和再利用等環節，具備了價值和使用價值。另一方面，數據深入參與社會生產生活的各個環節，推動土地、資本、技術、勞動力等傳統生產要素優化重組，賦能農業農村、工業生產、服務消費、貨幣金融、公共治理等領域，培育新產業、新業態與新模式。

數據供應商、數據交易機構和數據分析應用方是此環節的主要市場主體。數據供應商通過對數據的采集、存儲、整理、初步加工，形成可采、可信、標準的高質量數據資源，并通過數據共享進入數據交易市場。數據交易機構作為銜接數據供需方和提升數據要素市場化配置效率的核心載體，既包括政府和行業聯盟發起的數據交易平臺，如上海數據交易所、中關村大數據產業聯盟等，又包括為場外自主交易提供撮合交易等中介服務的數據服務商，如數據堂、聚合數據等。數據分析應用方深入社會生產各個領域，實現數據要素價值創造，例如在企業內部使用數據來改進業務流程，并為戰略決策提供信息［28］，對用戶數據畫像以實現精準營銷，利用物聯網實時數據指導柔性生產，借助海量數據訓練人工智能模型等。

（二）政策層：科學監管

市場和技術本身是中性的，可以改進市場效率，但無法解決規范發展的問題。在政策層，政府應提供科學的監管措施，打破數據孤島，推動公共數據開放，激勵市場主體數據共享，科學界定數據產權，維護各參與主體權益，保障數據要素市場公平秩序和健康運轉，發揮“有為政府”作用。數據要素市場的總體運行機制如圖1（下頁）所示。

需強調的是，不同市場主體間不應是割裂的，在現實中很多企業都不止以一種渠道參與數據要素市場。同時，一條完整的數據產業鏈并不一定需要包含數據價值化的所有主體，如并非所有數據交易都需通過數據交易機構?；诰唧w行業領域的大量的定制數據、衍生數據產品，當供需雙方能夠達成一致時，可以繞過數據交易機構，在合規范圍內進行場外交易。

（三）支撐層：技術與基礎設施

數據要素市場的高效運行，需要搭建支持數據供給、流通、應用的基礎設施和技術環境，而數據價值化的不同環節也對支撐層提出了獨特要求。數據供給環節依賴埋點檢測、云服務與數據庫等收集存儲技術，更關注數據質量與調用實時性；交易流通環節作為數據要素市場的核心，依賴“數據可用不可見”“數據可算不可識”技術，以期在數據安全的情況下實現可信交易；分析應用環節依賴云計算、人工智能等數字技術與數據分析技術，重點在于數據的價值實現。在支撐層，一系列技術服務的供給商與大數據中心等基礎設施參與進來，作為數據要素市場的“使能者”，促進數據的處理、流通、分析、應用，發揮數據潛在價值。

此外，在支撐層，需重點關注數據交易流通所需的新興技術，如區塊鏈、隱私計算等，此類技術在數據流通乃至整個數據要素市場中發揮著新型基礎設施的作用，但不與企業盈利直接相關，更易出現激勵不足的問題。

三、高質量數據要素市場的內涵及特征

從數據要素市場運行機制及數據成為關鍵生產要素的變遷過程可以看出，數據具有有別于傳統生產要素的特性，這使其在供給、需求、交易流通以及監管過程中產生了一些新問題。因此，推動數據要素市場高質量發展，首先要厘清何為高質量的數據要素市場。這就需要從數據要素特性入手，對高質量數據要素市場的內涵提供明確的學理指引。數據要素的非競爭性、強協同性、衍生性、隱私負外部性要求在培育數據要素市場時采取新的評價體系（見圖2），特別是需要考慮：第一，數據的非競爭性，使其復制、傳播和使用可不受時空限制，因而廣泛使用數據可帶來巨大的經濟收益，這就提出了數據互聯互通和開放共享上的效率要求。第二，數據的強協同性，關鍵在于數據自身與其他生產要素的融合，需要實現數據收集、分析系統的互聯互通，強化數據標準化與可訪問性。第三，數據的衍生性，需要合理設計激勵機制，鼓勵企業整合處理數據以最大限度地發揮數據價值。第四，數據有隱私負外部性。個人數據涉及隱私問題，過度開放可能導致隱私損失和市場低效率。商業數據也可能由于共享和數據挖掘而產生商業秘密泄露的風險。因此，需從政策層指引數據要素市場安全有序運行。

基于以上四點，本文認為高質量的數據要素市場具有四層內涵，即統一、開放、專業、有序。具體來看，數據的非競爭性與強協同性要求數據要素市場統一、開放，數據的衍生性要求數據開放共享和專業的市場主體，數據的隱私負外部性要求數據要素市場規范有序（見圖3，下頁）。

統一是指構建全國統一大市場，具體是指部署統一、標準統一。一方面，政策層要從全國層面統一部署，破除數據流動的區域壁壘，推動數據的跨市、跨省共享，充分發揮區域優勢，優化數據產業的地區布局，推動數據標注、清洗等人力密集型產業向圍繞中心經濟帶的欠發達地區轉移。同時，構建協同一體化的監管體系，從國家層面防范隱私泄露與數據非法跨境流動，筑牢數據安全之墻。另一方面，兼容決策的私人激勵往往小于社會激勵，使得互聯互通程度小于社會最優，損害消費者剩余與社會總福利［29］。因此，需要從頂層設計構建允許系統互聯互通的通用標準，推動各地區、各行業之間的數據資源匯集整合，提升數據質量，為參與數據要素市場的各類主體提供可信流通環境和共性公共服務。

開放是指數據開放共享。由于數據具有非競爭性，消費者的非敏感信息應在廠商中公平共享，以達到更高的福利水平［30］。因此，政府應激勵同類行業各商家間共享用戶非敏感數據，經過復制、重組、分析處理后發揮更大價值。此外，公共數據同樣具有非競爭性、強協同性與衍生性，可基于多種目的而被開放與利用，創造多樣性的服務產品和衍生價值［31］。政府除作為政策指導者外，還可作為數據供應方參與數據要素市場建設，進一步推動公共數據開放，促進授權訪問和公平利用。

專業是指市場參與主體專業。專業的市場主體可以降低交易成本，從全球范圍來看，數據要素交易模式主要有數據經紀商、數據信托、數據空間等模式。以美國為例，在其發達的信息產業形成強大數據供需的背景下，數據經紀商們從各種來源收集、匯總、分析和共享消費者原始信息或衍生信息，已經形成扎根商業營銷、地理、物聯網等多個具體行業的利基數據市場（Niche DM），如基于汽車互聯的Caruso、能源與運輸領域的Veracity、提供AL/ML算法的Mechanical Turk和DefinedCrowd、交易物聯網實時傳感器數據IOTA和Terbine［32］。相較而言，我國數據交易機構仍停留于簡單數據聚合和撮合交易模式。培育高質量的數據要素市場需要建設專業的市場主體，一是為現有數據交易機構引入多層次的交易模式，二是有植根于具體行業的特定數據要素市場以滿足多重需求。

有序是指有序的市場生態。其一，由于數據具有非競爭性、衍生性和隱私負外部性，對其設置排他性產權具有現實難度，數據共享效率最大化、數據處理激勵和隱私保護的三維目標構成數據確權的“不可能三角”，產權不明會帶來巨大的交易成本，引致市場低效率。其二，數據具有隱私負外部性，云計算、移動消費產生的海量平臺數據中包含大量個人信息，如果對這些數據的匿名處理不完善，從相關數據中仍可了解個人的相關信息和隱私，該類數據的共享就可能侵犯個人隱私。其三，持有海量數據的互聯網平臺往往具有市場支配地位，可能具有濫用市場勢力的行為，包括市場排斥戰略、掠奪性定價、獨家交易、平臺最惠國待遇以及捆綁銷售，容易產生壟斷［33］?；诖?，需要從制度層面完善數據產權制度、數據安全規制和壟斷規制［14］。

四、當前我國數據要素市場建設存在的問題

我國數據要素市場初步建立，目前仍處于高速發展階段，僅考慮其中數據采集、數據存儲、數據加工、數據流通、數據分析和生態保障六大板塊，2017年、2018年、2019年和2020年的市場規模增長率分別約為71.0%、95.3%、81.2%和45.3%。然而，數據要素市場價值層、政策層、支撐層仍然面臨一些問題。

（一）價值層：市場動能不足

長期以來，我國數據要素市場都存在數據流通環節缺位、數據交易所存續能力差的問題。全國43個交易平臺中，有10家處于停運狀態，8家沒有網站，11家處于擬建狀態，約有2/3的平臺沒有正常運營。根據國家工業信息安全發展研究中心的測算，2020年場內數據交易只占總體交易市場規模的4%，2021年也未超過5%［34］。究其原因，主要是市場動能不足、交易成本高、供需錯配。

數據要素的共享流通是市場高效運轉的前提，然而，企業普遍缺乏數據共享的激勵。由于網絡效應的存在，大型互聯網平臺積聚了海量數據，在經營上具有優勢，而開放共享數據可能導致其喪失在市場競爭中的優勢地位，因而它們不愿意共享數據，甚至會采取平臺封禁來阻止數據共享。平臺封禁等行為會產生“數據孤島”與“數據黑洞”，加劇數據要素市場分割。

同時，由于數據本身的非競爭性以及權利主體的多元性，針對數據產權的原則性界定和司法實踐極為困難。當前數據權利不明使得數據相關權利者需要對每一項數據包含的復雜權利內容進行協商，這就產生了巨大的交易成本，易造成入場交易意愿不足，甚至引發私下“利益勾兌”。數據的異質性又使其價值高度依賴于數據結構、采集主體、應用場景，以致難以形成統一的定價機制，這進一步阻礙了交易的進行［35］。

此外，數據供需不對稱使得數據供給難以滿足有效需求，造成“有數無市”和“有市無數”。數據供應商多以提供“粗加工”的原始數據為主，缺少個性化定制模式，數據規模小，整體較為分散、零碎，無法有效覆蓋需求。數據交易機構仍多停留于簡單的撮合交易模式，而缺乏深度價值挖掘。相較于美國可提供風險識別、解決方案咨詢、定制化服務的數據經紀商模式，以及英國的數據信托、開放銀行等多種數據交易模式，我國數據交易模式較為單一。

（二）政策層：監管職能重疊，規制不完善

監管責任方面，據公開信息，當前我國已有18個地區設立省級大數據管理機構，負責地區內數據監督管理工作；部委層面，也有國家發展改革委、國家市場監督管理總局、中央網信辦、國家金融監督管理總局等多個涉及大數據流通交易的管理部門，存在多頭監管問題。此外，各省市紛紛設立大數據交易所，但多停留在“一把手”工程，數據交易所存在重復建設和經營不佳的問題。不同行業和不同省市的數據相關條例陸續出臺，但規則不統一，易造成數據跨行業、跨地區流通應用的阻礙。

此外，涉及數據要素市場具體領域及事項的規制不完善。例如，歐盟與美國已經通過一系列法律對數據采集、存儲、處理中的算法進行規制。2017年，美國加利福尼亞州開始推動關于“算法審計”的立法，試圖對算法可靠性進行規制。歐盟的《一般數據保護條例》（GDPR）引入算法解釋權的概念，而《金融工具市場指令》（MiFID II）更是對高頻交易算法進行規制［36］。我國雖通過了《中華人民共和國數據安全法》《中華人民共和國個人信息保護法》等法律，以及《網絡安全審查辦法》《互聯網信息服務算法推薦管理規定》等規范性文件，但對于具體領域和具體實現的針對性規制仍處于起步階段。

（三）支撐層：數據基礎設施及技術支撐不足

由于隱私保護限制，大部分數據交易平臺只允許交易經過處理和脫敏的數據。因此，數據供應商只能通過隱私計算等技術才能參與交易。隱私技術對算力、算法效率、部署環境、軟硬件的技術水平與創新能力均提出了很高要求，技術環境較難滿足，這也是數據要素市場不活躍的原因之一。區塊鏈以去中心化存儲構建了一種新型信任機制，可以從交易模式上改變當前數據交易權屬難界定、信任機制難建立引致的數據流通不足問題［37］。但是，我國目前在共識機制、算法等核心技術方面仍與歐美發達國家存在一定差距。此外，我國數據基礎設施建設存在不足。以大數據中心為例，受傳統架構和成本的影響，物聯網數據、視頻數據、圖片數據等大量非結構化數據以及一些新型數據尚無法進入國內大數據中心的系統［38］。

五、數據要素市場高質量發展的推進路徑

2022年6月22日，習近平總書記在主持中央全面深化改革委員會第二十六次會議時強調，數據基礎制度建設事關國家發展和安全大局，要維護國家數據安全，保護個人信息和商業秘密，促進數據高效流通使用、賦能實體經濟，統籌推進數據產權、流通交易、收益分配、安全治理，加快構建數據基礎制度體系［39］。運行機制分析明確了數據要素市場發展的內在動力和外在支持，高質量數據要素市場內涵的厘清有助于數據要素市場的培育。針對當前面臨的主要問題，這里提出數據要素市場高質量發展的推進路徑。

（一）價值層：優化數據要素供需結構，激活市場內驅力

第一，激活數據要素市場內驅力，重點在于解決數據共享流通困境，讓數據交易“有米下鍋”“有數有市”。要繼續深化“上云用數賦智”，推動產業數字化與數字產業化，支持產業互聯網建設和消費互聯網升級，通過為數據要素市場提供高質量數據基礎，擴大數據應用體系，形成從數據到智能產業再到數據回傳的良性循環。此外，要積極培育數據服務新業態，將數據服務業納入現有高新技術企業、科技型中小企業優惠政策的支持范圍，激勵數據的融合創新利用。

第二，激勵企業數據共享流通。針對一些數據資源型企業，應維護企業正當權益和商業秘密，保證共享后的數據合法利用，探索“以數抵稅”等數據財政政策。同時，要掌控好執法尺度，防止企業因執法過嚴而不敢共享。由于數據交易尤其企業間數據共享存在一些灰色地帶，在保障數據安全的同時，可對企業間數據分享和數據再使用的行為設置豁免條款。例如，上海就對公共數據開放主體設置了“豁免條款”，規定在合法開放并按規定履行監管義務后，由數據質量問題導致數據利用主體和第三方損失的，可免除承擔相應責任［40］。之后，應探索該類條款應用于社會數據共享主體。

第三，為適應多元化的數據需求，促進數據要素的供需匹配，應嘗試多層次的交易模式，培育專業的數據要素市場參與主體。例如，可試點數據信托模式，引入第三方專業機構。目前，數據信托主要在英國實踐，其特點是在數據控制者和數據主體之間引入第三方機構作為地位獨立的受托人，受數據主體委托管理個人數據。該模式旨在保障數據主體的權利和滿足個性需要，同時推動數據流通，促進AI產業的發展。有學者認為，英國數據信托理論和實踐表明，可以在暫不糾結數據所有權的情況下，基于個人或企業的數據收益權設立數據信托，通過第三方管理和隱私計算等技術手段，確保數據流通和交易過程中的隱私保護和數據安全，促進數據流通交易［41］。因此，可以自上而下在具體領域和區域進行數據信托試點，可參考的例子是谷歌人行道實驗室在多倫多的“公民信托試點”。而對于當前已有數據交易機構，應借鑒國內實踐的成功經驗，如北京國際大數據交易所的“數據可用不可見、用途可控可計量”的交易模式，以及上海數據交易所的數商新業態與數據產品登記憑證。要積極提供質量評估、合規性評估、資產評估和糾紛仲裁等配套服務，推動數據溯源和可信交易。

此外，隨著物聯網等新技術的發展應用，跨時空數據、傳感器數據等多種新型數據的產生涌現出新需求、新價值。針對具體行業領域的大量定制數據、衍生數據產品，除通用數據交易平臺外，還應鼓勵行業領先企業和產業聯盟，建設利基數據市場或數據空間，在更窄范圍內關注數據要素價值實現。

（二）政策層：規制為主、確權為輔，規范數據要素市場秩序

數據權屬不明是數據要素市場培育的“攔路虎”。但是，數據產權制度構建并非朝夕之功，目前數據分類與確權在法理上仍處于理論構想階段，頂層立法設計尚難以滿足數據交易的相關要求。因此，不能寄希望于一開始就由頂層設計來提供盡善盡美的制度，而應采取規制為主、確權為輔的方式規范數據要素市場秩序。具體來看，可采取“三步走”的策略。

第一步，在數據要素市場建設初期，暫不糾結于數據所有權歸屬，而是從實際場景和案例出發，將數據確權納入隱私保護、知識產權保護、反不正當競爭等法律體系，細化政策與機制設計，在實踐中完善個人信息保護機制。需要明確的是，個人隱私保護不是限制個人數據的使用，而是保護個人不因數據流通和使用而受傷害。要在保障數據流通的情況下保護個人權益，依據具體場景，對數據經營者可能造成的對個人數據的不當利用和濫用市場支配地位的行為進行規制，如“算法歧視”等問題。

第二步，逐漸完善數據“溯源”工作，引入數據公證制度和數據登記制度。數據交易所應提供數據登記核準和校驗服務，確保數據主體與數據來源合法合規，如上海數據交易所憑借實現數據產品一數一碼，可登記、可統計、可普查，在技術上保證了數據產品交易流程的可追溯性與可控性。同時，完善交易信用體系，在數據權屬不明的情況下以合同的方式確保數據主體權益，加強事后監管，完善數據交易中失信行為認定、失信懲戒、異議處理和信用修復等機制，建立數據交易“黑名單”機制。

第三步，遵循因數確權原則，采取權利拆分思想，推動數據分級分類，構建中國特色數據要素產權框架。由于非競爭性和衍生性在數據產業實踐中可表現為通用性和數據處理加工的研發投入，因而可根據通用性和研發投入強度將數據初步分為四個象限：衍生性較弱、不需要算法等投入的專用數據；研發投入較強的專用型衍生數據；未經算法加工、計算、聚合，投入成本較小的通用性數據；通用性較強的衍生數據（見圖4）。將數據權利拆分為所有權、收益權、經營權，并進一步分為停止使用權、復制權、控制權、使用權、收益獲取權等，賦予不同權利訴求方，實現“市場效率最大化”“數據處理激勵”“隱私保護”目標兼容。

此外，監管多頭、執法邊界不明、標準不統一會導致合規性風險和交易成本增加。當前數據交易平臺建設混亂及效率低下的問題，很大程度上是因為缺乏統籌安排和缺失協調機制。高質量數據要素市場四維內涵的實現對政策層提出了要求，即監管政策透明、清晰、一致。

（三）支撐層：促進技術創新，打造數據要素市場“新基建”

政府在數據要素市場基礎設施建設方面的作用主要體現為加強數據中心頂層設計，構建“數網”“數紐”“數鏈”“數腦”“數盾”體系，促進數據中心集約化、規?；?、綠色化發展，降低全社會的算力獲取成本，為數據要素市場“筑基”。同時，區塊鏈、匿名算法等新型技術在數據溯源確權、促進數據可信流通和隱私保護等方面可能起到重要作用。隱私算法的優化改進可以提升數據交易流通中的隱私保護能力。應用統計技術、密碼技術、抑制技術、假名化技術等多種手段，提升數據的安全水平，可以實現“數據可用不可見”“無法反推明細”。區塊鏈與數字水印技術的結合可以實現對數據起源的確認，為數據確權提供新的技術思路和方法［42］。為此，應將隱私計算和區塊鏈技術納入數據新型基礎設施的范疇，作為數據要素市場發展的底層保障，由公共部門和私人部門合作，共同促進開發應用。此外，應使用產業政策引導資本流向核心技術創新為主的領域，結構性地扭轉重資產投資的核心技術關鍵領域與輕資產投資的商業模式炒作領域之間的相對資本回報率，形成長效的創新激勵機制。

參考文獻

［1］PEREZ C. Technological revolutions and techno-economic paradigms［J］. Cambridge Journal of Economics， 2010， 34（1）： 185-202.

［2］FREEMAN C. Continental， national and sub-national innovation systems： Complementarity and economic growth［J］. Research Policy， 2002， 2（31）：191-211.

［3］蔡躍洲，馬文君．數據要素對高質量發展影響與數據流動制約［J］．數量經濟技術經濟研究，2021（3）：64-83．

［4］GOLDFARB A， TUCKER C. Digital economics［J］. Journal of Economic Literature， 2019， 57（1）： 3-43.

［5］中國信息通信研究院政策與經濟研究所．數據價值化與數據要素市場發展報告（2021年）［R/OL］．（2021-05-27）［2022-10-16］．http：//www.caict.ac.cn/kxyj/qwfb/ztbg/202105/t202105

27_378042.htm．

［6］吳宏洛，王杰森．數據要素參與分配的邏輯機理與實踐推進——基于馬克思主義政治經濟學視角［J］．青海社會科學，2022（3）：87-96．

［7］徐翔，厲克奧博，田曉軒．數據生產要素研究進展［J］．經濟學動態，2021（4）：142-158．

［8］GIBBONS R， HENDERSON R. Relational contracts and organizational capabilities［J］. Organization Science， 2012， 23（5）： 1350-1364.

［9］BRYNJOLFSSON E， MCELHERAN K. Data in action： Data-driven decision making in US manufacturing［Z］. US Census Bureau Center for Economic Studies Paper No. CES-WP-16-06， Rotman School of Management Working Paper， 2016 （2722502）.

［10］ HOCHTL J， PARYCEK P， SCHOLLHAMMER R. Big data in the policy cycle： Policy decision making in the digital era［J］. Journal of Organizational Computing and Electronic Commerce， 2016， 26（1-2）： 147-169.

［11］ FARBOODI M， MIHET R， PHILIPPON T， et al. Big data and firm dynamics， May 2019［C］. AEA Papers and Proceedings. 2019， 109： 38-42.

［12］ KSHETRI N. Big data's impact on privacy， security and consumer welfare［J］. Telecommunications Policy， 2014， 38（11）： 1134-1145.

［13］ LUCKOW K S， PASAREANU C S， THOMSEN B. Symbolic execution and timed automata model checking for timing analysis of Java real-time systems［J］. EURASIP Journal on Embedded Systems， 2015， 2： 1-16.

［14］ 劉小魯，王泰茗．數據要素市場中的確權與規制：研究綜述［J］．中國人民大學學報，2022（5）：92-105．

［15］ JONES C I， TONETTI C. Nonrivalry and the economics of data［J］. American Economic Review， 2020， 110（9）： 2819-2858.

［16］ DELLAROCAS C. The digitization of word of mouth： Promise and challenges of online feedback mechanisms［J］. Management Science， 2003， 49（10）： 1407-1424.

［17］ 克里斯·弗里曼，弗朗西斯科·盧桑．光陰似箭——從工業革命到信息革命［M］．沈宏亮，譯．北京：中國人民大學出版社，2007：216．

［18］ MOODY D L， WALSH P. Measuring the value of information： An asset valuation approach， proceedings of seventh European conference on information systems［C］. ECIS， 1999： 496-512.

［19］ CONG L W， XIE D， ZHANG L. Knowledge accumulation， privacy， and growth in a data economy［J］. Management Science， 2021， 67（10）： 6480-6492.

［20］ 王建冬，童楠楠．數字經濟背景下數據與其他生產要素的協同聯動機制研究［J］．電子政務，2020（3）：22-31．

［21］ 李標，孫琨，孫根緊．數據要素參與收入分配：理論分析、事實依據與實踐路徑［J］．改革，2022（3）：66-76．

［22］ 徐翔，趙墨非．數據資本與經濟增長路徑［J］．經濟研究，2020（10）：38-54．

［23］ BERGEMANN D， BONATTI A， GAN T. The economics of social data［J］. The RAND Journal of Economics， 2022， 53（2）： 263-296.

［24］ ACEMOGLU D， MAKHDOUMI A， MALEKIAN A， et al. Too much data： Prices and inefficiencies in data markets［J］. American Economic Journal： Microeconomics， 2022， 14（4）： 218-256.

［25］ 國家互聯網信息辦公室．數字中國發展報告（2021年）［R/OL］.（2022-08-02）［2022-10-28］．http：//www.cac.gov.cn/2022-08/02/c_16610665

15613920.htm．

［26］ 國際數據公司（IDC）．IDC：2025年中國將擁有全球最大的數據圈［R/OL］．（2019-01）［2022-10-28］．https：//www.idc.com/．

［27］ 王璟璇，竇悅，黃倩倩，等．全國一體化大數據中心引領下超大規模數據要素市場的體系架構與推進路徑［J］．電子政務，2021（6）：20-28．

［28］ BENIGER J． The control revolution： Technological and economic origins of the information society［M］． New York： Harvard University Press， 2009．

［29］ KATZ M L， SHAPIRO C. Network externalities， competition， and compatibility［J］. The American Economic Review， 1985， 75（3）：424-440.

［30］ 李三希，武玙璠，鮑仁杰．大數據、個人信息保護和價格歧視——基于垂直差異化雙寡頭模型的分析［J］．經濟研究，2021（1）：43-57．

［31］ 王錫鋅，黃智杰．公平利用權：公共數據開放制度建構的權利基礎［J］．華東政法大學學報，2022（2）：59-72．

［32］ AZCOITIA S A， LAOUTARIS N. A survey of data marketplaces and their business models［J］. ACM SIGMOD Record， 2022， 51（3）： 18-29.

［33］ 李三希，張明圣，陳煜．中國平臺經濟反壟斷：進展與展望［J］．改革，2022（6）：62-75．

［34］ 中新經緯．數據流通的挑戰與應對［EB/OL］ ．（2022-09-28）［2023-01-10］．http：//www.jwview.com/jingwei/html/09-28/505822.shtml．

［35］ 歐陽日輝，杜青青．數據要素定價機制研究進展［J］．經濟學動態，2022（2）：124-141．

［36］ 韓旭至．數據確權的困境及破解之道［J］．東方法學，2020（1）：97-107．

［37］ 李源，高寧，孫晶，等．基于區塊鏈的大數據交易模式研究與探索［J］．大數據，2021（4）：37-48．

［38］ 王偉玲，王宇霞，高嬰勱．基于“新基建”情境的大數據中心：意義、困境和進路［J］．行政管理改革，2020（10）：68-74．

［39］ 習近平主持召開中央全面深化改革委員會第二十六次會議［EB/OL］．（2022-06-22）［2023-01-03］．http：//www.gov.cn/xinwen/2022-06/22/content_5697155.htm．

［40］ 上海市人民政府．《上海市公共數據開放暫行辦法》（滬府令21號）［Z］．（2019-09-10）［2023-01-03］．https：//www.shanghai.gov.cn/nw45024/20200824/0001-45024_62638.html．

［41］ 翟志勇．論數據信托：一種數據治理的新方案［J］．東方法學，2021（4）：61-76．

［42］ 王海龍，田有亮，尹鑫．基于區塊鏈的大數據確權方案［J］．計算機科學，2018（2）：15-19．