查看原文
其他

华东政法大学高富平:数据合规监管可“合并同类项”,统一合规体系将降低企业成本

合规君 合规科技研究 2024-01-09


去年12月,中共中央、国务院发布《中共中央国务院关于构建数据基础制度更好发挥数据要素作用的意见》(以下简称“数据二十条”),成为指导我国如何最大化释放数据要素价值的战略指引。在实践中,如何实现“数据二十条”中数据资源持有权、加工使用权、产品经营权“三权分置”的运行机制,解决当前数据流通交易中的难点与堵点,仍阻碍着数据要素价值的进一步释放。


7月13日,2023全球数据合规年度论坛在上海举办。会上,多位关注数据要素领域的专家学者、律师代表与企业代表围绕数据要素价值化、市场化与数据合规等焦点话题展开探讨。


会议期间,华东政法大学数据法律研究中心主任高富平发表了题为《治理范式下的数据产权与数据治理权之争:数据要素市场》的演讲。高富平认为,数据持有权旨在数据控制利用与开放利用间求得平衡,创制数据可重用秩序,以最大化实现数据要素的社会价值,促进数据要素化、产业化、资产化,形成数据驱动创新发展的社会运行机制。


会后,高富平接受了南方财经全媒体记者(以下简称“南方财经”)专访,就如何通过区块链、隐私计算等技术应用推动数据要素市场建设进一步阐释了自己的观点。


(受访者供图)


南方财经:据您观察,“数据二十条”发布以来,自监管至市场展开了哪些维度的数据开发、交易与应用探索?这些探索中有哪些值得借鉴的经验与不足之处?


高富平:首先,“数据二十条”发布之后,各地掀起了新一波数据交易所建设热潮,以此作为打造数据要素市场的引擎。但直到现在,大部分数据交易所还没有探索到一种真正能推进数据交易的模式。


问题的关键在于没有做好数据产品化与标准化。数据是在特定场景下产生的,如果数据从一个领域到进入到另一个领域,即出域交易,就需要做好标准化工作,否则数据就难以真正构成一个可交易流通的产品。目前,数据交易所的瓶颈在于不明确什么样的数据能够标准化,缺乏“数据二十条”所要求的高质量可重用的数据。


其次,数据要素市场生成之后,各地也都在推行公共数据开放。其中,最主要的问题是对于“公共数据”的概念认知不清晰。


什么是“公共数据”?在地方实践中,通常采用的是宏观的“公共数据”概念,即凡是政府和公用企事业单位生产出来的数据都是公共数据,参照经济学“公共产品”的概念,这些数据是应该公布出来给社会免费使用的。


但实际上,即便是由公用事业生产出的数据,也不一定属于“公共数据”的范畴,即使初始业务具有公共性,其生产的数据也不一定具有公共性。将数据作为生产要素,就应符合经济规律 ,坚持“谁生产(创造价值),准持有,谁使用,谁担风险”的原理来处理,同时根据数据使用的目的(是否为公益)或是否为大众所需来确定数据持有者的数据是否应该定位为公共数据,否则因为主体或主体的业务具有公共性就认定其生产的数据也属于公共数据(就应当纳入政府公共数据开放范畴),就会挫伤这些主体治理数据,并向社会提供数据的积极性。公共数据概念的模糊,责任主体的不明妨碍着向社会提供高质量公共数据要素。


再者,“数据二十条”发布后,大家还在做一件事情,就是数据产权登记,实现数据交易中的确权。然而,数据是在不断流动中产生价值的,其生命周期非常的短暂。与之相反,产权是比较稳定的归属机制,凡是纳入产权登记的往往是价值稳定、形态稳定的,因而产权登记模式并不适用于数据资源。


数据知识产权的登记也面临同样的问题。知识产权保护的一大原则在于其只保护创新,不保护事实,而数据是一种事实,发现数据与数据之间的关联关系才是创新,在将知识产权引入到数据治理领域需要明确这一原则。


在这方面,国外的数据治理经验值得借鉴。例如“数据目录”(Data Catalog)模式,所谓“数据目录”会对每一个数据集的结构设置唯一ID,然后再用互联网技术将数据目录加以链接,需求方可以直接在互联网上查询,与对应数据持有方进行对接。


“数据目录”是一种登记形式,但不属于产权登记,它实际上便于资源查询的一种方式,目的在于展示数据持有方的数据能力,提升供给与需求的对接效率。


南方财经:在当前的数据交易实践中,存在需求侧“一数难求”的情况,对于提升企业尤其是数据持有方参与数据交易的入场积极性,您有何建议?


高富平:数据最终是服务业务研发或市场需求的,只有清楚描述需求,才能进行供给匹配,从而实现数据交易。换言之,数据交易是由需求驱动的,需要通过需求找供给,而不是一味驱动数据挂牌。


在一些数据交易所建设早期,初始的挂牌数据主要有几类:一类是数据库,属于非常传统的数据服务;一类数据是企业信用;还有一类是基于数据形成的模型,其本质上属于一种数据结构。


个人信用服务是大数据带给社会的红利,但是现在出现了人为阻碍数据应用的现象:“有牌照的主体缺乏数据,有数据的主体没有牌照”。未来,要在风险控制的基础上,推动相关个人信用服务资质的开放,这样才有利于市场的开放与活跃,提升交易积极性。


南方财经:在数据使用层面,部分企业对法律法规了解不全面,企业面临“法无明确不敢为”的现实困境,数据合规成本高,您觉得应如何解决相关问题?


高富平:当前,企业可采用技术手段、管理手段、监测手段来预防风险,但当企业采取了合规与保障措施,却依然无法完全规避风险的时候,监管部门应当对其有所包容。


此外,合规成本高的另一原因在于我国的数据合规监管是分部门分条线进行的,一些法律法规中存在部分重复冗余的监管内容,增大了企业进行数据合规的成本负担。


这就要实现法律规则的并轨,例如很多数据安全要求本身就属于网络安全保障范畴,能否将其监管审查流程合并到网络安全登记保护中,合并同类项。如果能用一个统一的架构统合各领域合规体系,让企业可以“单一合规”,将极大程度降低企业的合规成本。


南方财经:人工智能大模型时代,对数据数量、质量、类型的需求进一步提升,尤其是跨领域数据融合开发、应用需求愈加迫切,但不同主体、平台间的数据孤岛、数据壁垒依然存在,对于进一步打磨数据隔阂提升数据流通利用效率您有何建议?


高富平:数据的价值在于汇集,大模型的出现就是建立在对大规模汇聚的多领域数据资源进行开发利用的基础上,人工智能大模型之所以能够生成,就是基于数据自由、开放、流动的理念。数据是可共享的公共性社会资源,这应当是人工智能时代的社会共识。


不过,数据开放和自由流动应当是有序的。比如爬虫,爬虫本身是一种有效的数据收集手段,现在需要做的是消灭未经允许进入底层非法挖掘数据的爬虫。要让数据有序流动,在创造数据价值的同时实现每一个参与者的价值,进而分配权利,以多方协作的形式实现数据资源的开发利用。


德国在2015年提出的数据空间或许是一种有效的数据协作模式,空间内与空间之间可以参照不同的规则与标准进行数据交换,不同的流动标准与交易成本取决于具体的应用场景,实现有序的数据流动。对应到人工智能领域,一个数据空间可以视作一个模型,模型与模型之间进行交换,大家遵循共同的规则汇集数据。未来,数据应当是生态化、有组织化。


记者 |  吴立洋 实习生蒋泓怡   

编辑 |  张雅婷 冯恋阁


- 点击关注 -

微信号| ComplianceTech

高速发展的时代背景下,一方面行业分工在层层细化,一方面跨学科的交叉研究又越来越不可或缺。科技与法律表面上是两个相去甚远的专业领域,但就数据治理与隐私保护而言,只有跨界互通才可能找到最佳的解决方案。


“合规科技专题文章”旨在兼顾科技与法律的双重视角,深度解读数据技术的逻辑原理与数据合规的法律要求,从而促进技术人与法律人的双向理解,探讨数据利用与个人权益协调发展的可行方案。

继续滑动看下一个

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存