数据要素的性质、定价及配置
摘要：
作为数字经济的“原料”和”加工对象”，数据在经济发展中变得越来越重要。随着信息技术的发展，几乎一切都在数据化，数据几乎无所不在。数据作为一种新的要素，与土地、资本、劳动力和技术相比存在着一些根本性的差异，其中最为突出的特征是非竞争性、互补性、外部性与指数级增殖性。而数据要素定价是数据价值链的核心。数据定价模式十分复杂，还需要充分考虑到效率和隐私安全的平衡。此外，实现数据要素的开放共享，对于促进经济持续增长和转型至为关键。但在数据要素的实际利用过程中，存在“数据孤岛”“数据烟囱”“数据垄断”“数据黑市”等问题，只有实现效率、公平和隐私三者之间的平衡，满足可行的产权认定、有效的隐私保护、合理的收益分配机制、必要的关键信息等前提条件，并且有效结合政府规则、社会和市场自发力量，才能促进数据要素有效配置。
1
数据是什么
作为一种新的要素，数据日益受到重视。那么，数据究竟是什么？具有哪些主要的特征？学术界和实务界均有很多分析。一个可以借鉴的分析框架是Ackoff（1989年）提出DIKW框架，其中D表示数据（data）、I表示信息（Information）、K是知识（Knowledge）、W是智慧（wisdom）。之后，不少学者（Bellinger等，2004；Rowley， 2007；徐忠、邹传伟，2020）对此框架进行了拓展和完善，对数据、信息、知识和智慧的特征做了分类。
数据是一种符号（Symbol）、记录，具体形式可以是一篇文章、一段声音、一张图片。国际数据管理协会认为，“数据以文字、数字、图形、图像、声音和视频等形式呈现事实”（DAMA，2020）。数据往往产生于人与人、人与物、人与自然的互动过程。在万物互联的时代，物联网大行其道，物物互动也会产生海量数据。
而信息是经过处理的有用数据，目的是用于消除不确定性。信息（Information）是指一些能够回答在什么环境、是什么人、发生了什么事情等问题的事实或细节。比如明天会很热，这一段话就是一段信息，能够将明天天气变化的不确定性转为一定的确定性，这也是信息的价值所在。North在《理解经济变迁过程》（2007）当中，讨论不确定性时，也对信息和知识也进行过区分，而且给定现有的知识存量，可以通过增加信息的方式减少不确定性。
知识是物质和社会环境规律、模式的累积，基于数据和信息形成的有组织或有逻辑的解释，能够创造新的价值。知识可以分为可编码知识（显性知识）和不可编码知识（隐性知识）。从信息到知识，则是人认知的一种升华，是从外在体验转为内省感悟的一个过程。毫无疑问，尽管数据或信息是海量的，但转化为对世界的认知，以及改造世界的知识，是需要更多努力和投入的。通过海量数据或信息得到算法、模型可以视为一种知识。或者说，知识类似生产函数，而数据类似生产函数的一种投入要素（Jones和Tonetti，2020）
沿着Romer(1990)、Aghion和Howitt(1992)的分析范式，本文将上述DIKW四分类再进一步渐简化为数据和知识两个维度。其中，数据是一种要素投入，而知识则是一种生产函数。后续讨论大体上按照这种框架展开。
数据要素的基本特性（一）非竞争性数据容易存储，而且可复制性强。如果不考虑运行维护和存储成本，几乎可以无限制复制。无论是统计机构发布的调查数据，还是各种互联网平台收集的个人数据，都可以同时被多个用户使用，物理意义上说不会产生任何损失，同时也不会相互影响，非竞争性特征明显。一个典型的例子就是Kaggle设立的机器学习竞赛，相关数据就可以被不同参赛者使用。因此，数据和石油等自然资源不能简单类比，因为后者竞争性，多开采一桶石油，地球上石油储存量就少了一桶（Varian，2019）。反倒是将其比作阳光，似乎更为恰当。当然，实际使用过程当中，数据的获取需要必要的付出及条件，不像获取阳光那样无成本，所以数据仍然存在一定排他性特征（Partially Excludable; Carriere-Swallow和Haksar，2019）。正因为如此，根据非竞争性和一定的排他性，数据可以视为一种准公共产品或者公共品。
（二）互补性
不同来源的数据相互融合，可以提高揭示潜藏线索或者规律能力，增加单一数据源的边际价值,一定程度上可以使数字要素具备规模报酬不变甚至递增的特征。规模报酬不变、网络外部性是经济实现内生增长的重要源泉。Krugman、Romer是为数不多的认识到收益递增的主流经济学家，而圣塔菲研究所的Arthur对此有很系统的研究（复杂经济学，2018）。
也有观点认为，数据作为一种投入要素，边际回报仍然呈现递减特征，这和其他要素没有什么本质的不同。Varian（2019）举例说明，图像识别的精确度会随着训练时投喂的数据量提高而增加，但改进的速度会逐步放缓。但这样的观点只是强调了数据要素的单一应用。尤其值得重视的是，由于数字技术的发展，使得原来很难数字化的行为或事物都可以数字化，真正实现了古老哲学中的“万物皆数”，这就为跨界数字融合创造了前所未有的条件，使原来不相干的领域实现了联结。这也是数字时代创新和价值创造不同于工业时代的重要特征。数据具有非竞争性，能够被用于多个用途，而且后续使用边际成本会不断下降，加上互补性和网络性以及学习效应，数据要素仍可能具有规模报酬递增的特点。
（三）外部性
数据分享的确有助于促进研发、改进产品和服务质量，提高效率，但同时，由于存在信息不对称和平台的市场垄断地位，分享数据的一方未必能够获得足够补偿, 由此产生了隐私外部性（Carriere-Swallow，Haksar,2019）。比如，消费者数据可能在不知情的情况下转移给第三方，导致更多垃圾信息骚扰或不利的价格歧视（Odlyzko，2003）。这些负外部性很难被消费者和数据采集企业内部化。
由于不同数据之间具有关联性，可以用线性规划等方法，从一类已知的数据推断未知数据，从一组用户的行为数据可以推断另一组用户的行为。这样，就可能造成数据公开分享过程当中，用户隐私泄露，引发数据伦理问题。而且还会导致数据过度供给，数据价格过低，从而降低数据市场效率（Acemoglu等，2019）。这也决定了数据要素的安全共享使用，与加密技术的发展密切相关。
另外，数字化企业可能依靠网络外部性，过度集中数据，并获取大量超额收益。掌握或拥有独有的数据，就像掌握了独有的专利和技术一样，可以使数据的掌控者获取一种超额收益。这样，就会强化数据的私有属性，阻碍数据的分享和融合。某种程度上，申请专利和获取独有数据，都是市场主体建立竞争力或护城河的重要方式。
（四）指数级增殖性
数据可以看成是各种有意识或者无意识活动的附属品。数据的应用过程，本身可以产生更多新的数据，加快决策或者算法的迭代。例如，无人驾驶汽车，由基于数据训练得到的算法控制，行驶里程越长，将产生更多场景数据，反过来可以促进算法的进一步优化，形成“数据—算法—数据”的自我积累增长过程。随着整个经济社会数字化的程度提高，智能手机的普及，传感器的广泛应用，宽带传输技术的升级，算力的不断增强，全球互联，万物互联，数据要素呈现指数增长态势。根据IDC估计，到2025年，全球数据预计将达到175ZB，与2019相比，年均增长27%，相当于数据规模三年翻一番。数据规模是经济规模的增函数，超大规模经济体可能因此积累更多数据优势。
数据的指数级增长，会对经济增长产生何种影响，存在一定争议。一种观点认为，数据增加有增长效应（Growth Effect），即数据的规模报酬递增或不变特性，可以实现持续经济增长。由于存在数据反馈环（Data Feedback Loop），企业收集数据，就能够获得更大的市场地位，并因此获得更多数据（Farboodi等，2019）。巨大的门槛效应以及网络外部性，有助于实现规模经济。此外，围绕数字化产生更多类型的产品和服务，扩大了现有的产品服务空间，从而推动经济的可持续增长。但也有反对的观点，认为数据增加仅有水平效应（Level Effect），或者说受制于边际报酬递减，更多的数据并不会使得经济增速的路径发生改变。即使存在规模报酬递增，这种效应也只存在企业内部，无法适用于整个经济。Bajari等人（2018）应用亚马逊的数据进行了实证，表明来自数据规模增加的收益存在上限。
数据要素如何定价
数据作为一种要素，其价值实现关键在于连接融合和开放共享。数据要素和其他要素结合，必然会创造新的价值。数据价值链涉及到数据的生成、收集、交易、使用等环节，其中数据要素定价是数据供应链的核心。在讨论数据定价之前，需要先区分数据产品（Data products）和数字化产品（Digital products）。前者是指人类活动的客观历史记录，比如人口普查数据、商业型数据库。后者则是以数字化形式呈现的商品或服务，比如一本电子书、一部数字电影，一张数字化的地图，一个数字化的生产解决方案，等等。数字化产品中的生产和使用过程中又会衍生出更多新的数据。下面，分别从数据产品和数字化产品两个角度讨论数据价值的实现。
图1 数据供应链示意图
（一）数据产品
从数据供应链的视角看，数据售卖基本处于数据供应链的前端，具体数据在售卖之前，可能涉及到数据收集、清洗、储存、可视化等环节。像Bloomberg 、Wind、CEIC、邓白氏这样大家比较熟悉的数据公司，主要业务就是收集、整理、汇集不同来源或者特定领域的数据，然后卖给下游客户。相关数据有的来自传统统计或调查机构，比如政府统计机构、行业协会，有的来自企业生产经营状况，有的则是个人各种行为调查。从规模上看，更多数据来自电商平台、工业互联网平台。数据的客户包括金融机构、政府单位、企业、科研机构等。现实当中，也存在一些非正规甚至不合法的数据交易，这些数据往往通过正规、公开渠道很难获得。
数据的价值，往往与数据的可替代性、更新频率、数据颗粒度、完整性、可获得性等特征有关。但与一般商品不同，数据复制的边际成本接近零，数据定价更多依赖需求方的价值评估，而非成本加成，数据定价模式也更为复杂。有时候，数据使用者创造的价值或价值实现的范围，反过来决定了数据定价，表现为事后定价。当下，常见的定价模式包括免费、免费+付费增值、按需收费、固定费率等方式。其中，政府事业单位或者其他公共机构的公开数据多为免费。采取免费+付费的方式，多是用免费数据吸引潜在的客户群体，付费购买价值更高的数据或者数据增值服务。免费数据，通常及时性不强、颗粒度较粗。按需收费方式，一般是通过API接口传输数据，按照具体使用量收费，常见于金融等高频场景。固定费率则是客户购买账号，然后获得一定期限内数据的使用权限。后两种方法也可以结合起来，形成两部定价模式，这种模式更能实现收入最大化，在一般的数据销售当中也比较常见（Wu和Banker，2010）。
随着数字经济的发展，收集和利用微观个体的信息更为便利，但与此同时，人们对加强个体隐私保护的期待也更为迫切。数据定价需要充分考虑到效率和隐私安全的平衡。前面提到过，数据不是普通的私人物品，如果不考虑非竞争性、隐私外部性，数据定价就存在扭曲。例如，如果某个要进行的查询（Query）是其他查询的线性组合，或者通过其他查询推断得到，购买这个查询就存在套利行为。又比如，由于存在社会网络，不同消费者的个人信息往往具有一定相关性，购买一部分消费者的数据，或许就能推测别的消费者信息。因为这种负外部性，会出现数据的过度供给，导致数据价值被严重低估（Accemoglu，2020)。
图2 数据要素的无套利定价
目前讨论比较集中的一个领域是无套利定价（Arbitrage-free pricing）。图2给出了无套利定价示意图。数据要素的均衡价值E取决于隐私和数据价值之间的平衡。一方面，数据购买方的支付意愿随着数据质量变化，即价值曲线。数据质量更高，能够揭示的信息更多，数据价值就更高。另一方面，数据拥有方（比如个人）一般对隐私比较看重，透漏个人信息需要得到相应补偿，即补偿曲线。要想数据拥有方面提供更多私人的真实信息，就需要支付更高补偿。这种定价方式，超越了原来把隐私保护绝对化的做法，对隐私的保护和数据使用有效结合了起来。在均衡点E的价格，既能够根据数据质量，给予不同来源数据合适的补偿，同时又能够克服数据购买过程当中的套利行为。当然，要实现这种无套利行为，还需要发展相关加密技术，比如隐私计算。
作为一种隐私计算方法，安全多方计算（Secure Multi-Party Computation，MPC）近年来备受关注。随着机器学习和人工智能的普及，一种算法的训练和应用，往往需要采用不同来源的数据，这就涉及到如何保护各自隐私安全、同时又能确定不同来源数据贡献的问题。安全多方计算可以打破数据孤岛，实现数据的可控共享，同时最小化数据泄露风险，具有重要的理论和现实意义。安全多方计算由1986年由姚期智提出(Yao, 1986)。进入互联网和数字化时代以后，数据共享需求更为迫切，安全多方计算也得到了进一步发展，到2018年，谷歌、阿里等大科技公司已经实现了一些商业案例（Hong等，2020）。
当然，不少掌握数据或者大数据的企业，并不会简单销售数据，更多是通过提供数据相关的增值服务，数据本身并未发生转移。电商平台、社交平台或电信基础运营商，掌握大量的用户信息，有时候可以利用数据，对个人、企业或者机构进行精准画像，从而为数据的购买者提供引流、价格歧视等服务。比如一家广告商可以在搜索引擎上面通过竞价排名，定向投放广告，同时支付一定的费用。又比如，互联网平台公司可以通过产业链促进信息共享，菜鸟物流与不同快递物流公司的数据对接，优化物流路径，以解决“双十一”期间物流拥堵的问题。利用大数据精准定位政策作用对象，政府也可以进一步改善治理，比如识别低收入群体发放消费券，识别活跃市场主体实施针对性支持政策等。不少公司，通过整合数据，融入自身的智力，通过人工智能、机器学习的方法，提供数据分析服务，比如一些大数据公司提供大数据征信业务。这一类服务定价，由于涉及到数据增值部分，定价方式更难统一。
（二）数字化产品
从经济学角度看，数字化产品具有赢者通吃、高固定成本-低可变成本、更加强调体验、收入变现渠道更多元等特点。
谁应当拥有数据：从产权到可及性
通常，清晰明确的产权界定是资源有效配置的基础。Coase认为，最初产权分配并不重要，只要存在充分竞争，相关的收益和成本能够完全内部化，资源就能实现有效配置（Coase，1960）。如果把隐私也看成一种权利，那么隐私权利在消费者和作为数据收集方的企业之间如何配置，并不重要。这也是芝加哥学派基于产权的观点(Laudon, 1997)。但从数据要素具有非竞争性、隐私外部性、互补性等特点，过度采取采集数据、侵犯隐私、利用数据优势谋求市场垄断权力现象频频发生，一定程度上说，科斯定理并不适用于数据要素。当然，如果因为隐私保护，严格限制数据使用，又不能发挥数据的规模经济优势（Jones和Tonetti,2020）。在实践当中，平衡效率、公平和隐私等多重目标，实现数据的有效利用，数据产权归属并不是非黑即白，更可能是在上述两类观点之间存在一个广泛的谱系。
数据产权的分布对福利有显著影响。数据是经济活动的副产品，企业若能拥有和客户打交道过程获得的个人数据，则有助于其加大数据收集、分析和利用方面的投资。不利之处在于，企业不一定会尊重客户隐私。同时，由于担心出现创造性破坏，更不愿意与其他企业分享数据。凭借数据优势，企业可以拥有更大的市场力量，并可能妨碍其他企业进入，影响竞争公平性。有研究表明，如果不能够发挥数据非竞争性特点，通过连接、融合和共享，实现规模经济效应，全社会福利成本的损失是巨大的。尤其是完全禁止数据分享，会导致社会福利比最优水平减少近60%（Jones和Tonetti，2020）。从目前理论研究和实践发展的角度看，如果数据要素归属消费者，消费者则可以自行权衡隐私效用与交换个人数据所带来的经济收益，从而实现数据要素的更有效配置，提升全社会福利。近年来，金融监管者开始意识到这一点，赋予个人更多数据权利，积极推动开放银行（Open Banking）的发展，加大金融数据的开放共享，促进了金融创新和竞争。
私人物品强调产权归属，但数据要素具有非竞争性和部分排他性，具有更强的公共品或准公共品性质，可及性（Access）可能更为重要（Varian，2018）。过度强调数据要素的产权归属，会限制数据的流动、共享和再利用，无法释放潜在价值。同时，有些设计，实用性并不一定强，比如“个人数据的可携性”，数据主体不仅有权知悉、访问、更正数据控制者个人被采集的数据，也有权将这些数据转移给第三方。但这可能会导致财产权和人格权的冲突。与数据的人格权益归属存在较多共识不同，数据的财产权益归属问题，目前各方面争议较多。为此，数据可及性，才是数字经济时代促进市场竞争、充分发挥数据价值的重要变量（Cremer等，2019）。实际上，保护个人隐私严格的欧盟，意识到数字经济发展落后美国，已经在GDPR生效以后，进一步制定《欧盟数据战略》，推出《数字服务法案》、《数字市场法案》，试图在保证数据安全的前提下，促进个人和非个人数据开放共享。
增强数据的可携带性和不同数据基础设施接口的转换便利性，有助于提高可及性。尤其是物联网加快发展，对基于通用性、标准化程度高的接口，实现安全可行的数据交换途径变得更为迫切。具体实践当中，已经数据空间、数据银行、我的数据（My data）等应用模式。但也需要注意，由于数据具有非竞争性特征，加强数据的共享，可能会因为规模效应、网络外部性，进一步强化在位企业的数据优势，反过来损害竞争。
5
如何促进数据开放共享
数据要素是一种基础性战略性资源，实现数据的开放共享，对于促进经济持续增长和转型至为关键。但在数据要素的实际利用过程当中，既存在“数据孤岛”、“数据烟囱”，受部门利益阻隔，公共数据资源闲置浪费现象严重；也存在“数据垄断”，在位企业滥用数据优势，阻隔数据价值链；还存在“数据黑市”，个人信息被过度收集，隐私得不到有效保护，导致了严重的社会伦理问题。只有达到效率、公平和隐私三者之间的平衡，满足可行的产权认定、有效的隐私保护、合理的收益分配机制、必要的关键信息手段等前提条件，有效结合政府规制、社会和市场自发力量，才能促进数据要素的更有效配置。
（一）发挥政务大数据第一撬动效应，加快数据开放共享步伐
政府职能部门及其部分事业单位在日常事务当中积累沉淀了大量数据，涉及经济社会运行的各个方面，数据来源稳定、规模可观，而且真实性、完整性、互补性好。随着电子政务的发展，政府掌握了全社会大约80%的信息资源。政务大数据公共属性最强，对于谁应该拥有数据，争议和纠纷相对较少。政府开放数据，具有很强示范意义，能够更好推进全社会数据开放共享。美国于2009年上线了DataGov网站，加大政府数据开放力度。2019年则发布了《联邦数据战略与2020年行动计划》，推动数据的保护、共享和开放。英国在其数字战略当中也提到要转变对政府数据的使用。国内数字政务推动也比较快，其中不乏一些比较好的案例。比如浙江成立了“最多跑一次”改革办公室，打通公安、社保、房产、税收、教育等部门数据，让数据多跑腿，群众少跑腿。
但另一方面，由于职能部门数据共享开放制度不健全、信息基础设施不完备，对数据安全和风险的担忧突出，消除数据孤岛，进一步打通数据链还有很大空间。不同政府职能部门之间的行政性壁垒往往也很难打破，数据难以实现共享，或者仅仅限于统计级、相对陈旧的有限数据共享。跨部门获取数据，有时候经过主要负责人协调，各个职能部门依旧能拒绝、拖延或者缩水提供。此外，不少地方的数据归集到了一起，受编制、经费等限制，开发利用远远不够。
下一步，应把数字化政府建设作为一把手工程，完善不同层级、不同部门、不能职能之间数据共享的沟通协调机制。出台并完善数据共享清单，分步骤分层次扩大数据开放，同时建立相关绩效考核机制。加强数字化转型培训，推广各地良好做法，增强数据共享意识，提升政府部门的数字技能。加强政府数据和信息采集、加工和存储标准化，完善政务大数据使用收费机制，健全数据共享基础设施，增强安全防护能力。
（二）培育第三方数据市场，壮大数据产业
培育和壮大第三方数据市场，是数字产业链分工深化、数据价值充分释放的必然要求。数据的实际利用过程当中，从数据产生、采集到数据最终需求方，中间可能会经历多道环节，而每一个环节都需要具备相应的专业知识。例如，银行和贷款人之间，贷款人可以直接提供信息给银行，而银行能够根据贷款人的信息，决定是否发放贷款。但与此同时，银行也可以从第三方征信公司购买贷款的征信信息，辅助决策。征信公司就承担了收集、整理和分析数据的职能。当然，相关环节采用的数据挖掘工具或技术又来自其他企业。
国内第三方数据近年来发展较快，同时也涌现了一批相对专业的大数据公司。部分地方也成立大数据交易所或者交易中心，在数据开发和利用方面取得了一定进展。但总体上看，国内数据服务企业发展相对滞后，数量超过3000家但规模小。还缺乏类似路透、彭博、邓白氏、励讯（RELX）这样的数据领军企业。像彭博、励讯这样的数据企业，年收入都超过100亿美元。数据市场建设也不完善，市场活跃度和参与度不高，数据价值得不到充分释放。大量数据非法进入地下数据交易链，数据安全事件频发，企业和个人的隐私权益得不到有效保护。
下一步，要进一步鼓励企业提高对数据要素的管理综合能力，并通过行业性组织搭建数据共享平台，制定数据共享标准，不断增加高质量数据要素供给。充分考虑数据要素的特点，积极探索可信第三方、Paid-in-Kind、俱乐部模式、数据市场等数据共享方式，促进数据要素与各种具体场景的深度融合。加快面向隐私保护的计算技术研发，推动隐私计算与区块链的结合，实现数据在开放共享过程当中“可用不可见”，以满足更多复杂和多元的数据需求。通过税收、政府采购、金融和数据开放等措施，积极培育数据服务企业。
（三）加强国内数据立法和监管，提高数据治理水平
随着数据安全治理成为一个不可忽视的焦点，各主要经济体都加强了数据立法实践，加强对信息权利保护。欧盟的通用数据保护条例（GDPR）为保护消费者的数据权利提供了一个范例。2018年5月，欧盟GDPR正式生效，旨在为各类企业和机构在业务活动当中收集和利用个人信息提供法律指引。与之前的数据保护法规相比，GDPR扩大了数据主体（Subject）的权利，增加了数据控制和管理方的义务和责任。GDPR赋予了数据主体七项权利，其中最引人关注的是删除权或者被遗忘权（The right to erasure），当出现“个人数据对于实现其被收集或处理的相关目的不再必要”等六种情形之一时，数据主体有权要求数据控制者及时删除其个人相关数据。由于欧盟的经济体量大，GDPR也产生了明显的外溢效应。
欧盟立法具有一定示范效应。美国加州、印度、巴西都在GDPR生效以后，也逐步开始数据立法。我国也积极从国家和地区层面都完善个人信息和数据权力的立法。其中，2020年10月21日，全国大人常委会法工委发布了《中华人民共和国个人信息保护法（草案）》征求意见稿，就个人信息保护有关的立法问题向社会公开征求意见。不同经济体关于数据立法的实践，一定程度上都体现了更加突出个体对数据的权利和主张。地方层面也加强了数据利用的规范。2021年6月29日，深圳通过了《深圳经济特区数据条例》，涵盖了个人数据、公共数据、数据要素市场、数据安全等方面，是国内数据领域首部基础性、综合性立法，并且首次提出了数据权益，明确了个人对数据享有人格权益，以及企业对基于数据形成的产品和服务享有财产权益。
下一步，数据立法和监管，还需要处理好三重平衡。一是发展和安全的平衡。我国数字化发展走在相对前列，遇到的挑战有不少也是前所未有的，在数据规范方面理应结合国内实际，提出更多创设性主张。数字经济是全球主要经济体必争之地，数据价值不能得到充分发挥，数据产业发展滞后，数字竞争优势不足，数字化动能减弱，才是最大的风险。二是技术创新和技术伦理的平衡。数字领域是目前创新最为活跃的领域之一，需要实施相对包容审慎的监管，增加容错率，鼓励更多数字前沿的探索。但是，大数据、算法推荐、人脸识别等技术应用给每个人生活带来便利的同时，也给隐私保护带来了挑战，个人隐私保护需要贯彻数据应用和治理始终。三是政府和社会力量的平衡。数据利用往往涉及多主体、多环节、多来源，在补齐政府监管短板、明确数据权属和竞争规则的同时，必须要充分发挥行业协会、联盟等社会性组织的作用，加强行业自律和规范，提升企业数据管理能力，减少安全隐患。
（四）构建高水平的跨境数据流动政策体系，避免被“规则合围”
数据的价值在与流动、连接、融合和共享。促进数据要素跨境有序和便利化流动，是维护全球数字供应链产业链创新链、提升投资贸易和营商环境水平、促进全球数字合作的重要前提。有研究表明，双边数字联系增强10%，货物、服务贸易将分别提高大约2%。如果和区域贸易协定（RTA）相结合，贸易额还可以额外提升2.3%（Lopez-Gonzalez & Ferencz,2018）。但与此同时，过时管制规则、数据流动限制、本地存在要求、网络安全隐患、知识产权保护等阻碍了数字联系，抑制了数字创新。
促进数据要素有序和便利化流动，离不开国际合作。但目前并没有形成全球性的数据跨境规则体系，现有跨境数据规制更呈现出俱乐部化的特点。如果从隐私保护、企业竞争、数字创新、国家安全等维度看，各国数据跨境流动规制大体上分为四类。第一类是美国在APEC框架下推动跨境隐私保护规则（Cross-Border Privacy Rules，CBPR），更加强调数据的自由流动和全球化。第二类是欧盟基于GDPR以及后续法案构建的规制体系，更加强调个人隐私保护和数据本地化。第三类是部分发达国家和新兴市场国家，更加强调本地化，同时又尽量向欧盟或者美国的规制标准靠拢聚集。我国可以单独归为一类，总体上强调数据本地化，但也倡导数据安全、有序跨境流动，采取的是本地化+安全评估机制。
从趋势上看，尽管欧美对数据跨境流动规则存在较大分歧，但也要看到欧美之间协调在不断加强。2021年2月G7发布联合声明，将推动数据的自由、可信任流动，完善数字经济治理。此外，日本、新加坡、瑞士等国在规则上逐步向欧美靠拢，希望进一步融入数据自由流动圈。OECD的研究表明，从国别比较看，我国数字贸易限制程度在44个样本经济体当中最高，面临被“规则之墙”合围、数字经济竞争力受限的风险，需要内外结合，积极构建高水平的数据跨境流动规则。要完善数据跨境流动的分类分级管理体系，进一步明确数据安全评估标准、程序等具体操作指南。充分发挥自贸区港的制度便利性，开展数据跨境流动规则试点。充分利用参与G20、WTO等多边平台，借助RCEP等区域性贸易协定落实和可能加入CPTPP谈判的机会，参与国际数据流动规则制定，更好平衡数据流动与数据安全。来源：《数字宏观：数字时代的宏观经济管理变革》一书 第六章（作者：陈昌盛、许伟 ）
版权归属原作者，分享仅供学习参考，如有不当，请联系我们处理。
END
# 往期回顾 #
欢迎关注
数据要素开放生态社区！