观点 | 数据要素市场高质量发展的内涵特征与推进路径
作者：
刘小鲁 中国人民大学经济学院教授
伴随着互联网大数据等新一代信息技术的蓬勃发展与应用，数据成为数字经济时代的关键生产要素，是产业数字化、智能化、网络化的基础，但其本身具有的学理特征，也对生产要素的市场化提出了新的挑战。数据被称为数字经济时代的“石油”，原因之一就是其作为赋能者，能够与传统生产要素结合，推动管理精细化与决策科学化，加速科技与生产融合，革新劳动工具，提升全产业链劳动生产率，降低企业搜索、复制、追踪、验证等成本。与其他生产要素不同的是，它蕴含着个人的智力劳动，对其他生产要素有较强的协同依赖性，同时可在不影响自身价值的前提下无限复制和共享，可能带来隐私侵犯和商业秘密泄露等风险。基于此，本文基于数据要素特性，提炼出数据要素市场高质量发展的内涵，并对应这四点内涵，分析当前数据要素市场价值层、政策层、支撑层存在的问题，给出针对性政策建议。
一、作为关键生产要素的数据
2010年前后，以大数据、3G/4G/5G通信、云计算、人工智能为代表的新一代数字技术陆续开始大规模商业化应用。这些技术层叠在基于TCP/IP的基本互联网之上，形成了浏览器、搜索引擎、在线购物、社交网络、客户关系管理系统等新业态新技术，大大提升了数据的收集与使用效率。数据对个人行为、企业决策、产业升级以及宏观经济增长的影响与日俱增，正成为新一代科技革命和产业革命的关键生产要素。
（一）数据要素发挥要素作用的途径
数据生产要素是从知识和信息中派生出来的，是信息的特殊存在形式，是由人类劳动行为产生的原始数据经由加工处理转化而来的。有别于数据本身，数据要素一方面作为生产要素，与其他生产要素共同参与社会生产经营活动、为使用者或所有者带来经济效益，另一方面，数据要素从根源上蕴含着个人的劳动，所以从某种意义上是从属于劳动的。因此，区别数据要素与普通数据的依据就在于是否创造经济效益，发挥要素作用。
数据要素发挥要素作用、促进经济增长的微观机制可归纳为：数据驱动决策、提升生产效率、降低企业成本。
第一，大数据技术的迅速发展与应用，促使企业与政府从管理者主导的经验型决策转向依赖数据分析的“数据驱动型决策”（data-driven decision making，简称为DDD模式）。一方面，更大量和精细的数据包含了更多可用的信息，基于大数据的管理信息系统有助于提高管理者的信息处理能力，提升管理者决策的质量；另一方面，数据可以提高企业、工人和流程绩效的清晰度，促进围绕共同目标的协调，并为“关系合同”提供框架，同时，企业在转向DDD模式的过程中，会自发倾向于将一些隐性信息转变为客观信息并储存为可访问的数据集，形成数据驱动的正反馈过程。此外，数据要素既能改变企业决策过程，又能改进政府决策质量。除提升政府决策质量外，数据分析还可以帮助政府在政策周期的每个阶段知晓政策实施的进展，设想替代方案或制订提前退出的计划，提高政策实施的效率。
第二，数据要素能够直接提升生产效率。这有赖于三个机制的实现：其一，企业能够利用大数据刻画出更复杂、更完整的客户画像，从而有针对性地提供更准确的定制产品和服务，提升生产效率，更高的生产效率又使得企业可以进行更多的投资，生成更高质量的数据，形成“数据正反馈”过程。其二，数据生产要素能够推动技术进步和产品优化。目前，企业已经开始广泛地基于大数据和田野实验来进行生产过程优化、产品改进和新产品的开发与测试。例如，宝马公司通过样车试驾、车间报告和其他来源的数据，发现潜在的产品漏洞，并在新车型推出前解决这些问题。其三，数据要素促进了新商业模式和创新服务的形成。例如，利用车辆传感器和大数据可提供车辆诊断与安全警告服务。此外，基于大数据的个性化推荐和精准营销可以提高供需双方的匹配效果。
第三，数据要素能够降低经济运行的成本，包括搜索成本、复制成本、追踪成本和验证成本。搜索成本的降低，扩大了潜在的搜索范围和质量，导致基于平台的企业数量以及平台企业的规模快速增加，提升了劳动力与资本等要素市场以及产品市场的匹配效率。数据接近于零的复制成本，可使其表现出规模报酬递增的特点。从企业的角度看，其所拥有的数据可以被每一名员工无成本使用，因而数据规模越大，产生的信息和知识也就越多，带来的经济效益也越可观。此外，以比特存储的数据运输成本接近于零，大大减弱了地点对经济活动的限制，低追踪成本使得根据个人信息的精准营销成为可能。验证成本的减少得益于在线反馈机制的建立，这促进了网络信任环境的营造，使得声誉机制更好地发挥作用，大大提升了交易的效率。
（二）数据要素的特性
作为数字经济时代涌现的关键生产要素，数据具有与其他关键生产要素相同的变迁特征，即生产成本的下降性、供给能力的无限性和运用前景的广泛性。但与此同时，数据和传统的劳动、资本等生产资料在多个维度上存在差异。具体来看，数据要素具有非竞争性、强协同性、衍生性、隐私负外部性等特质。
一是非竞争性。数据的本质是一种信息的载体和表现形式，其本身具有可复制、可无限分享的特性，即使用者的增多不影响数据资产本身的价值。这就使其可以被多个市场主体同时重复使用，一方的使用不影响另一方使用，即具有非竞争性。此外，数据还可以产生新知识，其产生的新知识可以在当期和未来无限期重复使用，具有“动态的非竞争性”。随着数字技术的蓬勃发展，数据的复制、传输成本快速降低，近乎零边际成本的特性结合非竞争性，共同为经济增长带来规模效应和范围效应。
二是强协同性。数据要素作为协同要素，只有与技术、劳动、资本等其他生产要素深入融合，才能更好地发挥对经济增长的溢出效应。数据嵌入实体经济中的各类数字化基础设施中，通过数据库、数据服务、数据中心、网络等软硬件环境加速人才、资本、创新等要素的融合，并最终实现全产业链的数字化。其与劳动结合能够提升劳动技能、革新劳动工具，提高劳动生产率；与科技结合能推动科技发展，加速科技与生产融合；与管理要素结合，能够减少不确定性冲击，推动经济管理精细化和决策科学化。
三是衍生性。一方面，数据之间进行关联融合后，可以产生更大的价值；另一方面，原发数据作为非结构化的字节，需要转换为具有实际应用价值的信息来发挥价值。原发数据可通过算法的加工处理与定制化服务，形成衍生性的数据产品，其性质属于智力创造的成果。例如，一份自动记录的账表不能直接作为数据指导生产经营，而对其进行挖掘、清洗、处理、整合、转换，以及一定的分析，就可能成为数据资本，这些操作就是数据和信息的生产要素化。
四是隐私负外部性。从数据安全和隐私保护的角度来看，频繁的数据流通将使数据泄露不再是一次性事件，非敏感数据的聚合和分析可能形成具有敏感数据的衍生品，这可能会透露消费者个人信息，由此带来隐私负外部性。此外，隐私负外部性还体现于隐私泄露可能引发的价格歧视对于消费者福利的客观侵害，以及数据市场的持续低效率（压低数据价格和隐私损失）。
二、数据要素的市场运行机制
数据要转化为生产要素，发挥要素作用，需经过资源化、数据共享、交易流通和分析应用的数据价值化过程，依赖云服务、隐私计算、人工智能等数字技术和数据中心等基础设施支撑，并需要清晰、透明、一致的监管政策保障数据要素市场秩序。本文将数据要素市场分为三个层级：价值层、政策层、支撑层。
（一）价值层：数据价值化
在价值层，原发数据转化为数据要素，成为促进生产率提升、驱动产业升级的重要生产要素。一方面，数据作为商品和劳动对象本身，经过海量数据处理、流通交易和再利用等环节，具备了价值和使用价值。另一方面，数据深入参与社会生产生活的各个环节，推动土地、资本、技术、劳动力等传统生产要素优化重组，赋能农业农村、工业生产、服务消费、货币金融、公共治理等领域，培育新产业、新业态与新模式。
数据供应商、数据交易机构和数据分析应用方是此环节的主要市场主体。数据供应商通过对数据的采集、存储、整理、初步加工，形成可采、可信、标准的高质量数据资源，并通过数据共享进入数据交易市场。数据交易机构作为衔接数据供需方和提升数据要素市场化配置效率的核心载体，既包括政府和行业联盟发起的数据交易平台，如上海数据交易所、中关村大数据产业联盟等，又包括为场外自主交易提供撮合交易等中介服务的数据服务商，如数据堂、聚合数据等。数据分析应用方深入社会生产各个领域，实现数据要素价值创造，例如在企业内部使用数据来改进业务流程，并为战略决策提供信息，对用户数据画像以实现精准营销，利用物联网实时数据指导柔性生产，借助海量数据训练人工智能模型等。
（二）政策层：科学监管
市场和技术本身是中性的，可以改进市场效率，但无法解决规范发展的问题。在政策层，政府应提供科学的监管措施，打破数据孤岛，推动公共数据开放，激励市场主体数据共享，科学界定数据产权，维护各参与主体权益，保障数据要素市场公平秩序和健康运转，发挥“有为政府”作用。
需强调的是，不同市场主体间不应是割裂的，在现实中很多企业都不止以一种渠道参与数据要素市场。同时，一条完整的数据产业链并不一定需要包含数据价值化的所有主体，如并非所有数据交易都需通过数据交易机构。基于具体行业领域的大量的定制数据、衍生数据产品，当供需双方能够达成一致时，可以绕过数据交易机构，在合规范围内进行场外交易。
（三）支撑层：技术与基础设施
数据要素市场的高效运行，需要搭建支持数据供给、流通、应用的基础设施和技术环境，而数据价值化的不同环节也对支撑层提出了独特要求。数据供给环节依赖埋点检测、云服务与数据库等收集存储技术，更关注数据质量与调用实时性；交易流通环节作为数据要素市场的核心，依赖“数据可用不可见”“数据可算不可识”技术，以期在数据安全的情况下实现可信交易；分析应用环节依赖云计算、人工智能等数字技术与数据分析技术，重点在于数据的价值实现。在支撑层，一系列技术服务的供给商与大数据中心等基础设施参与进来，作为数据要素市场的“使能者”，促进数据的处理、流通、分析、应用，发挥数据潜在价值。
此外，在支撑层，需重点关注数据交易流通所需的新兴技术，如区块链、隐私计算等，此类技术在数据流通乃至整个数据要素市场中发挥着新型基础设施的作用，但不与企业盈利直接相关，更易出现激励不足的问题。
三、高质量数据要素市场的内涵及特征
高质量的数据要素市场具有四层内涵，即统一、开放、专业、有序。具体来看，数据的非竞争性与强协同性要求数据要素市场统一、开放，数据的衍生性要求数据开放共享和专业的市场主体，数据的隐私负外部性要求数据要素市场规范有序。
统一是指构建全国统一大市场，具体是指部署统一、标准统一。一方面，政策层要从全国层面统一部署，破除数据流动的区域壁垒，推动数据的跨市、跨省共享，充分发挥区域优势，优化数据产业的地区布局，推动数据标注、清洗等人力密集型产业向围绕中心经济带的欠发达地区转移。同时，构建协同一体化的监管体系，从国家层面防范隐私泄露与数据非法跨境流动，筑牢数据安全之墙。另一方面，兼容决策的私人激励往往小于社会激励，使得互联互通程度小于社会最优，损害消费者剩余与社会总福利。因此，需要从顶层设计构建允许系统互联互通的通用标准，推动各地区、各行业之间的数据资源汇集整合，提升数据质量，为参与数据要素市场的各类主体提供可信流通环境和共性公共服务。
开放是指数据开放共享。由于数据具有非竞争性，消费者的非敏感信息应在厂商中公平共享，以达到更高的福利水平。因此，政府应激励同类行业各商家间共享用户非敏感数据，经过复制、重组、分析处理后发挥更大价值。此外，公共数据同样具有非竞争性、强协同性与衍生性，可基于多种目的而被开放与利用，创造多样性的服务产品和衍生价值。政府除作为政策指导者外，还可作为数据供应方参与数据要素市场建设，进一步推动公共数据开放，促进授权访问和公平利用。
专业是指市场参与主体专业。专业的市场主体可以降低交易成本，从全球范围来看，数据要素交易模式主要有数据经纪商、数据信托、数据空间等模式。以美国为例，在其发达的信息产业形成强大数据供需的背景下，数据经纪商们从各种来源收集、汇总、分析和共享消费者原始信息或衍生信息，已经形成扎根商业营销、地理、物联网等多个具体行业的利基数据市场。相较而言，我国数据交易机构仍停留于简单数据聚合和撮合交易模式。培育高质量的数据要素市场需要建设专业的市场主体，一是为现有数据交易机构引入多层次的交易模式，二是有植根于具体行业的特定数据要素市场以满足多重需求。
有序是指有序的市场生态。其一，由于数据具有非竞争性、衍生性和隐私负外部性，对其设置排他性产权具有现实难度，数据共享效率最大化、数据处理激励和隐私保护的三维目标构成数据确权的“不可能三角”，产权不明会带来巨大的交易成本，引致市场低效率。其二，数据具有隐私负外部性，云计算、移动消费产生的海量平台数据中包含大量个人信息，如果对这些数据的匿名处理不完善，从相关数据中仍可了解个人的相关信息和隐私，该类数据的共享就可能侵犯个人隐私。其三，持有海量数据的互联网平台往往具有市场支配地位，可能具有滥用市场势力的行为，包括市场排斥战略、掠夺性定价、独家交易、平台最惠国待遇以及捆绑销售，容易产生垄断。基于此，需要从制度层面完善数据产权制度、数据安全规制和垄断规制。
四、数据要素市场高质量发展的推进路径
（一）价值层：优化数据要素供需结构，激活市场内驱力
第一，激活数据要素市场内驱力，重点在于解决数据共享流通困境，让数据交易“有米下锅”“有数有市”。要继续深化“上云用数赋智”，推动产业数字化与数字产业化，支持产业互联网建设和消费互联网升级，通过为数据要素市场提供高质量数据基础，扩大数据应用体系，形成从数据到智能产业再到数据回传的良性循环。此外，要积极培育数据服务新业态，将数据服务业纳入现有高新技术企业、科技型中小企业优惠政策的支持范围，激励数据的融合创新利用。
第二，激励企业数据共享流通。针对一些数据资源型企业，应维护企业正当权益和商业秘密，保证共享后的数据合法利用，探索“以数抵税”等数据财政政策。同时，要掌控好执法尺度，防止企业因执法过严而不敢共享。由于数据交易尤其企业间数据共享存在一些灰色地带，在保障数据安全的同时，可对企业间数据分享和数据再使用的行为设置豁免条款。例如，上海就对公共数据开放主体设置了“豁免条款”，规定在合法开放并按规定履行监管义务后，由数据质量问题导致数据利用主体和第三方损失的，可免除承担相应责任。之后，应探索该类条款应用于社会数据共享主体。
第三，为适应多元化的数据需求，促进数据要素的供需匹配，应尝试多层次的交易模式，培育专业的数据要素市场参与主体。例如，可试点数据信托模式，引入第三方专业机构。目前，数据信托主要在英国实践，其特点是在数据控制者和数据主体之间引入第三方机构作为地位独立的受托人，受数据主体委托管理个人数据。该模式旨在保障数据主体的权利和满足个性需要，同时推动数据流通，促进AI产业的发展。而对于当前已有数据交易机构，应借鉴国内实践的成功经验，如北京国际大数据交易所的“数据可用不可见、用途可控可计量”的交易模式，以及上海数据交易所的数商新业态与数据产品登记凭证。要积极提供质量评估、合规性评估、资产评估和纠纷仲裁等配套服务，推动数据溯源和可信交易。
此外，随着物联网等新技术的发展应用，跨时空数据、传感器数据等多种新型数据的产生涌现出新需求、新价值。针对具体行业领域的大量定制数据、衍生数据产品，除通用数据交易平台外，还应鼓励行业领先企业和产业联盟，建设利基数据市场或数据空间，在更窄范围内关注数据要素价值实现。
（二）政策层：规制为主、确权为辅，规范数据要素市场秩序
数据权属不明是数据要素市场培育的“拦路虎”。但是，数据产权制度构建并非朝夕之功，目前数据分类与确权在法理上仍处于理论构想阶段，顶层立法设计尚难以满足数据交易的相关要求。因此，不能寄希望于一开始就由顶层设计来提供尽善尽美的制度，而应采取规制为主、确权为辅的方式规范数据要素市场秩序。具体来看，可采取“三步走”的策略。
第一步，在数据要素市场建设初期，暂不纠结于数据所有权归属，而是从实际场景和案例出发，将数据确权纳入隐私保护、知识产权保护、反不正当竞争等法律体系，细化政策与机制设计，在实践中完善个人信息保护机制。需要明确的是，个人隐私保护不是限制个人数据的使用，而是保护个人不因数据流通和使用而受伤害。要在保障数据流通的情况下保护个人权益，依据具体场景，对数据经营者可能造成的对个人数据的不当利用和滥用市场支配地位的行为进行规制，如“算法歧视”等问题。
第二步，逐渐完善数据“溯源”工作，引入数据公证制度和数据登记制度。数据交易所应提供数据登记核准和校验服务，确保数据主体与数据来源合法合规，如上海数据交易所凭借实现数据产品一数一码，可登记、可统计、可普查，在技术上保证了数据产品交易流程的可追溯性与可控性。同时，完善交易信用体系，在数据权属不明的情况下以合同的方式确保数据主体权益，加强事后监管，完善数据交易中失信行为认定、失信惩戒、异议处理和信用修复等机制，建立数据交易“黑名单”机制。
第三步，遵循因数确权原则，采取权利拆分思想，推动数据分级分类，构建中国特色数据要素产权框架。由于非竞争性和衍生性在数据产业实践中可表现为通用性和数据处理加工的研发投入，因而可根据通用性和研发投入强度将数据初步分为四个象限：衍生性较弱、不需要算法等投入的专用数据；研发投入较强的专用型衍生数据；未经算法加工、计算、聚合，投入成本较小的通用性数据；通用性较强的衍生数据。将数据权利拆分为所有权、收益权、经营权，并进一步分为停止使用权、复制权、控制权、使用权、收益获取权等，赋予不同权利诉求方，实现“市场效率最大化”“数据处理激励”“隐私保护”目标兼容。
此外，监管多头、执法边界不明、标准不统一会导致合规性风险和交易成本增加。当前数据交易平台建设混乱及效率低下的问题，很大程度上是因为缺乏统筹安排和缺失协调机制。高质量数据要素市场四维内涵的实现对政策层提出了要求，即监管政策透明、清晰、一致。
（三）支撑层：促进技术创新，打造数据要素市场“新基建”
政府在数据要素市场基础设施建设方面的作用主要体现为加强数据中心顶层设计，构建“数网”“数纽”“数链”“数脑”“数盾”体系，促进数据中心集约化、规模化、绿色化发展，降低全社会的算力获取成本，为数据要素市场“筑基”。同时，区块链、匿名算法等新型技术在数据溯源确权、促进数据可信流通和隐私保护等方面可能起到重要作用。隐私算法的优化改进可以提升数据交易流通中的隐私保护能力。应用统计技术、密码技术、抑制技术、假名化技术等多种手段，提升数据的安全水平，可以实现“数据可用不可见”“无法反推明细”。区块链与数字水印技术的结合可以实现对数据起源的确认，为数据确权提供新的技术思路和方法。为此，应将隐私计算和区块链技术纳入数据新型基础设施的范畴，作为数据要素市场发展的底层保障，由公共部门和私人部门合作，共同促进开发应用。此外，应使用产业政策引导资本流向核心技术创新为主的领域，结构性地扭转重资产投资的核心技术关键领域与轻资产投资的商业模式炒作领域之间的相对资本回报率，形成长效的创新激励机制。
END
# 好文推荐 #