建设全国统一数据要素大市场的关键因素分析及政策建议_王静云.pdf

管理现代化146理论评述Summery in Theory农业经济时代，劳动力和生产工具成为最早的生产要素；工业经济时代，资本和技术又成为重要的生产要素；数字经济时代，数据顺理成章地成为第五个生产要素。2019 年，在党的第十九届四中全会决议上，数据被增列为生产要素，同时建议该要素的报酬由市场来决定。2022年 4 月 10 日，中共中央、国务院印发了 关于加快建设全国统一大市场的意见 1，明确提出要培育全国统一的数据要素大市场。至此，构建全国统一的数据要素市场，从决策层的概念驱动、因势利导，转变为各地区、各部门的积极探索和实操落地。本文旨在分析建设全国数据要素统一大市场的关键因素。一、构建数据要素市场在全国统一大市场中的重要性建设全国统一大市场是当前我国重要的战略举措，有助于推动我国由“大市场”到“强市场”转变，进一步释放经济单一超大规模的市场潜力，进而形成对世界经济强大的牵引力2。数据要素的统一市场不仅是全国统一大市场的重要一环，而且是提升其他要素市场效率的重要抓手。数据要素本质上没有物理实体、连接成本低，容易做到全国一盘棋。土地、劳动力、资本、技术等实体要素和数据要素融合以后，更加便于流动且释放动态化红利，并由此打通制约效率提升的关键堵点，具有重要意义。第一，提供市场建设的新路径。数据要素市场可以突破空间限制，让市场范畴无限扩大。通过数字信息共享，可以实现更高效的互联互通和市场资源配置。同时，数据要素与实体经济的融合，可以进一步拓宽包括企业在内市场经济主体的横向联系和产业间的纵向延伸，推动市场向结构更优、质量更强的方向发展。此外，数据要素也可以助力政府在监管中更加有序规范，推动过去依靠行政手段的市场建设路径过渡到数据治理路径。第二，成为市场流通的新活力。流通不畅依然是中国经济的堵点之一，如农业领域经常出现的“谷贱伤农”现象。通过数据要素市场的培育，可以进一步解决传统产业信息中存在的不流通、不可信、不及时等问题。第三，助力新模式新业态发育。可以看到，当前数据已经初步与传统产品及传统服务产生了融合，如智能家居、智能互联网汽车、产业链金融、定制化医疗服务等，由于数据具有开放共享的特征，因此发展数字经济，未来将进一步推动社会生产方式、经营组织模式和商业运行范式的深层次变革，随着全社会数据实现开放共享，还可催生零工经济、共享经济等新业态。二、数据要素市场的研究现状数据要素具有资源属性和使用价值，只有确权才能完成从资源到要素的转变，然后通过市场交易完成“变基金项目2022 年国家社科基金重大项目，健全互联网领导和管理体制研究（22ZDA079）。DOI：10.19634/ki.11-1403/c.2022.06.019建设全国统一数据要素大市场的关键因素分析及政策建议王静云吕本富（1.中共安徽阜阳市委党校，安徽阜阳236008；2.中国科学院大学，北京100049）摘要建设全国统一数据要素大市场是当前一个重要任务。产业界和学术界都认为，市场建设、数据确权和数据定价是建设数据要素市场的关键要素。通过分析数据要素市场建设的时代背景，本文提出数据要素市场建设的全局图，从主体线、流通线、监管线、技术线等角度，对数据要素市场进行全流程分析。结果表明，市场建设、数据确权和数据定价仅仅是部分关键要素；数据供应方的入场意愿、交易主体之间的互动、数据精炼服务、数据资源开放和标准化、公共数据专区建设、一站式监管、密态交易技术等反而是急迫而关键的要素，只有解决上述问题，数据要素市场才能真正落地。基于此，系统提出综合性政策建议。关键词数据要素；数据交易所；关键因素；全局分析 中图分类号F49文献标识码A文章编号1003-1154(2022)06-0146-071472022年第 期6理论评述Summery in Theory现”；数据要素和应用场景进行匹配，才能决定数据要素的价格，只有形成稳定价格以后，数据才能流向最有价值领域，进而成为经济社会高质量发展的重要动力。因此，数据要素的市场建设、数据确权和数据定价，成为建设全国统一数据要素大市场的关键因素。（一）数据要素统一市场建设关于数据要素统一市场的定义多种多样。本文认为：数据要素市场是数据要素供需双方交易的场所，以市场调配机制为基础，实现数据要素完全由市场配置，让数据在流动中产生价值，以及实现数据流动本身的价值。数据要素市场的核心功能是数据作为资产（由组织或个人合法拥有或控制，能够为组织或个人带来经济利益的数据资源）能够实现交易（通过等价有偿的方式让渡数据资源的所有权、使用权或收益权）。通俗地讲，就是让数据在全国不同行业、不同地区之间，实现有序地流通和交易。如何构建数据要素统一市场，国内学者有三种设计方案：第一种是建立统一与分散相结合的数据要素市场。陈兵和赵秉元3提出，要建立管理集中和运营分散的全国统一数据要素市场，即将全国性的数据交易所、数据要素市场管理规则收归中央政府，平台运营实行分散化布局。然后，将全国数据交易所平台联通起来，类似现在央行的清算系统。欧阳日辉4提出，需要统筹考虑全国性市场与区域性市场、场内市场与场外市场、一级市场与二级市场、综合市场与专业市场、境内外市场相结合的建设思路。第二种是建立数据要素的分级市场体系。陆志鹏5提出，建立数据“资源-元件-产品”的三级市场，资源就是将政府、企业、社会组织、个人等主体的数据进行归集，形成一级市场；元件就是通过数据清洗治理、元件开发，将数据资源转化为数据元件，作为安全流通、公允定价的数据中间态，建立链接数据元件开发商和数据应用开发商的数据元件市场，形成二级市场；产品用来链接数据应用开发商和政府、企业、个人等各类终端用户，以点对点方式完成数据产品及服务的交易，形成三级市场。第三种是构建类似股票市场的交易体系。陆岷峰和欧阳文杰6借鉴股票市场的运行原理，首先构建数据资产的采集市场，服务于数据资产采集和价值分配；其次构建数据资产流通市场，服务于数据资产使用；最后将采集市场和流通市场统一纳入数据资产交易所平台统一管理。在数据资产交易所综合体制框架下，融合数据资产估值和定价两大功能模块，附加一套公共使用系统，从而打通数据资产生产供给、权益分配、交易结算和集约使用的链接通道。有关数据市场的运营问题，田杰棠等7在全面论述数据市场涉及的交易模式、交易界面基础上，围绕数据可交易范围、数据交易法律法规和监管、数据服务业态培育等方面提出了建议。杨锐8从数据价值链的视角，提出应培育多元化数据供给主体，激发其他行业对数据的应用需求，成立专门机构统筹推动数据要素市场培育，并探讨了数据交易超越数据服务，成为一种基于数据产品本身的商品交易，甚至成为一种类似证券的高频交易的可能性。（二）数据确权方式数据确权指依照法律、政策的规定，经过申报、权属调查、审核批准、登记注册、发放证书等规定程序，确认某一数据资产的所有权、使用权的隶属关系和他项权利。目前，以“隐私权”为导向的欧洲体系和以“财产权”为导向的美国体系，是全球数据立法规制的主要体系，但这两大体系也存在明显缺陷。欧洲体系中由于对数据进行过度保护，从而会导致数据产业的发展活力出现不足，而美国体系中存在的问题是，片面强调市场规则，从而会导致公民的个人隐私权难以得到充分保障。当前，我国关于数据的立法原则是参考两大体系特点，同时介于两者之间的。数据作为一种虚拟环境物品，其权利体系的构成和界定与传统现实物品差异很大，数据权属生成具有主体多元、过程多变的特点，且同时存在国家主权、产权和人格权三种确权视角9-11。对数据要素市场培育面临的权属确认、合规交易、制度保障等问题，学者们给出了多视角、多维度、跨学科、跨领域的学术回应和思考12-15。戎珂等16研究了数据要素市场进行分级授权问题，并给出了相应的理论模型。按照工业经济时代的观点，实现产权清晰是保障市场经济活动有序进行的基础，以法律形式来确定不同来源数据的产权归属，可以有效避免“搭便车”等行为。然而，丁晓东17从阿罗信息悖论的角度，对数据确权进行了严格论证，认为即使解决了数据确权问题，也不能解决交易量问题。既然确权并非解决数据交易困境的药方，那么数据交易的困境如何破解？只能从真实数据交易场景出发进行逐渐试错，再进行总结和迭代更新。在真实的交易场景中，北数所首先把“农贸市场”1.0模式升级为“分级分类”2.0 交易模式，通过对数据来源和数据用户的分级分类，针对敏感度不同的数据匹配相应的交易类别，按照数据不同性质，实现“门当户对”的交易。通过把确权问题变成审查交易资格，以曲线方式让问题得以解决。（三）数据定价机制为充分体现处理或非处理数据集的真实价值，平衡买方效用和卖方收益，统一估值成为一个关键问题。大数据的固定成本高且为沉没成本，边际成本趋近于零，也无法“先尝后买”，其了解过程与使用过程重叠，数据可用性无法事先确定18，导致传统商品定价机制失效。买卖双方对于数据价值的评估存在“双向不确定性”19，导致定价困难。针对此问题，国内外学者已经有解决方管理现代化148理论评述Summery in Theory案，如刘枬等20系统总结了大数据的 6 种定价模型。目前产业界普遍采用两类定价机制：一是协议定价，即交易双方通过反复协商达成一致价格。如中关村数海大数据交易平台的买卖双方自由定价，交易平台撮合。协议定价简单可行，但交易效率低。中关村数海大数据平台曾有一笔交易，达成协议花费了近一个月时间。二是根据数据价值和应用场景，交易所自动定价，买卖双方接受。此方法效率高，关键是最终价格必须是参与博弈各方所能接受的平衡点，对技术水平要求非常高。姚期智21应用博弈论、经济计量模型等，为深圳大数据交易所开发了自动定价技术，其基本原理是：经营主体利用数据进行有效决策，根据应用场景建立自己的决策模型。经营主体获取最好经济价值的目标可以抽象为功效函数，基于经济学理论与数学推导建立起经营主体的功效函数与决策模型精度的直接联系。在数据交易过程中，涉及到数据控制者、数据生产者、数据交易者、数据使用者等参与者，通过应用合作博弈理论，可以根据在决策模型中不同数据的贡献度，确定数据要素的价值（价格）。这个自动定价模型正在接受实践检验。（四）数据市场建设实践从实践的角度看，当前，我国的全局性数据要素大市场还没有建立，但已经出现很多局部的数据交易“小市场”。需要特别指出的是，国际上目前也没有数据要素交易的统一大市场。国外有很多数据交易平台22，例如，BDEX、Ifochimps、Mashape、RapidAPI、Factual、Quandl、GE Predix 等，其数据产品主要集中在消费者行为趋势、位置动态、商业财务信息、人口健康信息、医保理赔记录等垂直领域，而不是全域、全局数据交易。在 2014-2018 年期间，我国出现建设大数据交易平台的第一轮热潮。2014 年 2 月，我国首个大数据交易平台中关村数海大数据交易平台正式启动，由中关村大数据交易产业联盟承建。这轮交易所建设可以归纳为四种类型：一是政府牵头或背书的交易所（中心），如贵阳大数据交易所等；二是产业联盟或行业机构牵头建设的行业数据交易模式，如交通大数据交易平台（TDEP）等；三是大型互联网平台建设的数据交易平台，如阿里云市场、京东万象数据服务商城、百度智能云服务平台等；四是数据服务商主导型交易模式，如九次方、数据堂、天眼查等。这轮交易所的交易模式类似“农贸市场”，买卖双方自行选择交易对象，交易所只是简单的撮合，主要盈利模式为佣金分成。由于只是简单撮合模式，对商业性的数据服务商来说，除了增加交易成本，增值服务不大，进场意愿不足；对于公共数据的拥有方，由于担数据安全等问题，进场意愿也不高。所以，第一轮交易所鲜有成功的案例。2020 年后，我国数据交易所（中心）建设、进入了第二轮的爆发期，截至目前，全国各地已陆续建成了超过 30个大数据交易所（中心）23。吸取了上一轮的建设教训，各地加快培育数据要素市场生态，积极探索和创新政府主导型区域性数据交易所，积极探索数据开发方式、交易模式和治理模式，呈现“八仙过海”的局面。第二轮交易所建设过程中，上海大数据所提出了“数商”的概念，深圳交易所探索基于人工智能的定价机制，北京国际大数据交易所（下称北数所）推出了“公共数据专区”，都在重点发展数据生态和数据服务而不是单纯的数据交易。这类以培养数据生态为核心的可以称为 2.0 版的交易所。目前，大部分数据交易所（中心）还是只提供“粗数据”，交易模式以撮合为主，主要盈利模式为佣金分成23。然而受限于制度不全、技术不强、分配不当等各种问题，社会主体参与度低，整体交易一直处于低迷状态24。例如，贵阳大数据交易所交易量始终不温不火，“雷声大雨点小”，2020 的交易量已经萎缩到 500 万元25。即使 2020年后建立的 2.0 版交易所，也存在布局失衡的问题26。总之，在建立数据要素统一大市场的过程中，对于市场建设、数据确权、数据定价等关键因素，已经有很多理论探讨和落地实践。但是，数据交易依然不温不火，交易量一直上不去。全国政协组织专门小组进行调研27，力图从国家宏观策略给出解决方案。按照全国政协调研组的观点，构建数据要素统一大市场依然处在“无人区”27。因此，需要从时代背景来考虑数据交易问题，探索数字经济和工业经济在交易中，有什么本质差别。也就是从全局的角度，而不是单一交易的角度，来寻找市场建设中的关键要素。三、数据要素市场的全局分析我国是世界数据量最大、数据种类最丰富的国家之一。据 IDC 测算，到 2025 年，中国的生产力数据（大数据和元数据）和物联网数据将增长迅猛，拥有的数据量将达到 48.6ZB，占全球数据圈的 27.8%，成为全球最大的数据圈，远高于美国的 17.5%28。各大互联网公司的活跃用户每天都在产生巨量数据。如果以当前的数据交易所为起点，作为数据要素统一大市场的建设基础，需要从发展数字经济全局认识现存问题。（一）数据要素市场的全局图在数据交易的过程中，数据确权和数据定价只是交易过程中的关键节点，还需要很多环节配合。例如，数据确权必须有明确的对象，数据资源的透明化非常重要。如果数据供需双方都明确但定价无法达成，一定存在交易障碍。数字经济离不开对数据本质的认识，也离不开技术支撑和合规监管，因此，数据交易的全局问题可以分为四类：第一要考虑各参与主体的意愿，称为主体线；第二是数据流通机制，就是数据资源的变现过程，称为流通线；第三1492022年第 期6理论评述Summery in Theory是对交易主体和流通过程的合规性审查，称为监管线；第四是整个交易过程的技术支撑，称为技术线。基于文献研究和实践总结，提出数据要素交易全局图，见图 1。主体线 开源数据 流通线 监管线 技术线 图 1数据要素交易全局图根据图 1，可以组合出不同的数据交易市场。从“粗数据”直接到“需求方”就是“数据灰市”甚至“数据黑市”；从供应方直接到需求方就是点对点市场。2.0 版的数据交易所，包含了图中的所有要素。（二）数据要素市场的主体线数据要素的四个参与主体中，数据的供应方和需求方是直接参与者，第三方指运营交易市场的机构，而用户行为的记录是数据最原始来源。用户和第三方都是间接参与者。1.用户大数据被称为数据时代的“石油”。石油是动物残骸的沉淀裂变，大数据就是人类各种行为的历史记录。凡是有行为记录被保留下来的人群都可以被称为用户，各种平台就是采集了个人数据才形成各种产品和服务。从数据要素市场的全局看，有关用户的两个问题值得关注：一是“数据遗忘权”，用户有权要求平台不能记录自己的行为，欧盟的有关法律已经有此项内容，从源头上掐断数据交易的风险。二是用户是否参与数据价值的分成，黄奇帆在一次会议上提出平台应当将数据交易收益的 20%30%返还给用户。国外也有人主张以“数据税”来代替用户应对的分成。这两个问题都是中长期的，现在不必考虑过细。2.供应方我国数据要素市场的供应方主要有四类：政府部门和公用事业部门（基础设施运营商）、商业化平台（互联网企业、各产业头部企业）和专业数据采集商。数据交易所不是数据供应方，可以为数据交易的供应方发放数据产品登记凭证，为此，上海数据交易所首次推出了“数商”概念。当前，互联网平台公司组建了专门数据交易公司，如阿里数加、京东万象、腾讯大数据、百度 AI 等。专业化的数据采集商收集大量的语音、图像与文本数据，为客户提供数据标注、数据清洗与数据定制服务。但政府部门和公用事业部门还没有组建专门的数据服务机构，或者即使有机构也只是内部使用。从数据要素市场的全局看，数据控制者的意愿对数据交易发挥着关键作用，而很多大型企业在数据收益不确定时，会普遍出现数据自留行为，入场的意愿偏低；中小企业的数据合规成本增高，交易收益逐渐萎缩，入场意愿也在降低。如果数据流通存在较高的交易成本，数据控制者更愿意独享数据利益。因此，解决数据供应方的入场交易意愿是一个迫切问题。3.第三方第三方就是数据交易的组织者。很多地方政府认为数据交易所和证券交易所类似，将是一种重要的“壳资源”，非常热衷成为数据交易的第三方，因此在第二轮的交易所建设中，政府主导的数据交易所逐渐成为主流。北上广深的数据交易所都是国资为主要股东。国有股东作为第三方有一定的优越性，保证了交易的可信性。利用政府的公信力，让数据在北京金控集团、上海数据集团等国有控股企业掌控下进行合规的治理、流动、交易，确实能够启动市场。但从长期看，交易市场活跃以后，交易所的股东更加多元化，才会有完善的治理结构。另一类第三方为数据经纪商。事实上，当前的数据撮合类业务主要还是“一对一”场外交易，主要依赖经纪商而不是交易所。对于数据来源需要进行合规证明，牵扯到数据安全和个人隐私的交易，可以由专门的持牌数据经纪商负责。交易所可以颁发专门数据经纪商规则，把经纪商的场外交易也进行备案。如何发展持牌经纪商，并和交易所形成良性互动，值得认真研究，北数所正在进行这方面的实验。4.需求方数字经济的新业态对数据的需求非常强烈。在产业数字化方面，银行或贷款机构在发放贷款之前，会利用数据手段来判断借款人的信用，从而降低发放贷款的风险；研制新冠肺炎疫苗的医药企业需要大量病人的临床数据；自动驾驶开发者需要大量场景数据，通过标注现实生活场景中的车辆行驶轨迹，为自动驾驶提供训练数据。在数字产业化方面，网约车企业在审核签约司机时、外卖企业在审核快递员时，都希望获得有关应聘者的犯罪记录或严重违法记录；智能客服类企业需要收集大量的不同方言、不同音色的语音数据，从而为人工智能识别不同语音提供训练数据；智能安防类企业需要大量的人脸信息，并通过标注为相关企业提供人脸识别训练。当前数据要素市场提供的数据往往达不到需求方的要求，大部分机构不得不采取费时费力的自我收集。但根据文献 29 对 121 知名学者数据需求的调查，受访者管理现代化150理论评述Summery in Theory及其所在单位直接采购数据服务尚不足 30%。对数据需求方真正有价值的不是粗数据，而是对粗数据清洗和加工以后的有效数据，好比原油对汽车是没有用的，必须将原油炼化为汽油。当前，数据的“炼化”能力非常稀缺。（三）数据要素市场的流通线流通这条线包括平台、粗数据、数字资源、数据要素、交易市场、应用场景六个环节。这六个环节就是数据价值的实现过程。1.平台和粗数据平台性公司汇集了用户消费者在日常生活、出行社交、购物消费等各项行为的数据记录，并可以通过这些记录来对用户进行“精准画像”。以美团外卖为例，2021 年度交易用户达 5.7 亿，用户每天通过外卖订单等，可以产生大量消费数据，而通过智能技术对这些数据深度挖掘，可以为用户提供更加个性定制、精准匹配的产品和服务。当前，我国互联网公司经过不断竞争与合作，逐渐划分为“阿里系”、“腾讯系”、“百度系”和“头条系”等几大数据共享阵营，然而这些数据阵营彼此之间的壁垒很是森严。例如，淘宝基于对自身数据的分析，打造了“生意参谋”数据库，为淘宝内的商家提供有偿服务，但无法从外部调用这些数据。阵营之间的壁垒阻碍了数据要素市场的一体化步伐，从长期来看，也是一个需要解决的问题。2.数据资源从粗数据变成数据资源，首先要解决数据的开放问题。文献 30 表明：全国开放数据集规模仅为美国的约11%，企业生产经营数据中来自政府的仅占 7%。理论上说，凡是财政经费支持采集的数据，在安全保密的情况下，都应该开放共享。但我国缺乏明确推动数据开放和共享的全国性法规政策。2021 年是地方政府全面启动培育数据要素市场的一年。上海、深圳、福建、山东、广东、安徽、浙江、吉林、山西、海南、天津以及贵州共 12 个省市正式颁布数据条例。其中，深圳经济特区数据条例 和 上海市数据条例 用专章规定数据要素开放事项。此外，数据提供方遵循开放标准也非常重要。当前我国数据开放共享标准规范比较缺乏，国家标准仅有全国信标委大数据标准工作组研制的 3 项，地方层面仅有山东、上海、广东等部分省份和城市出台了有关数据开放的地方标准和指南。而在行业层面，我们同样缺乏关于数据开放和共享的相关管理规则与技术规范。另外在企业层面，大多数企业目前并没有建立内部数据去壁垒化和对外数据开放的相关制度和机制。对于数据资源，也需要建立针对性的索引。以“数据堂”为例，其“成品数据集”覆盖 20 万小时语音数据、50万 ID 图像视频数据、4.5TB 文本数据等，涵盖 80 多种语言及方言，才能为各种人工智能公司提供语音识别服务。3.数据要素数据资源进行确权以后就变成数据要素。有些数据资源属于公共服务范畴，就成为全社会的“开源数据”，如气象大数据就不在数据要素交易的范畴。有些数据资源有商业价值，通过确权、登记、注册，就成为数据要素。北数所在数据要素的组织方面值得参考。北数所与北京市政务资源网实现联通，对接全市公共服务、城市管理等数据，并推动北京金融公共数据专区数据进场。目前，北京金融公共数据专区已汇聚金融机构开展信贷业务所“亟需、特需”的工商、司法、税务等多维数据，公共数据汇聚质量和更新效率均处于全国领先水平，实现全国首个公共数据授权运营模式落地，有效解决了条块数据的融合。与此同时，北数所成立全国首个国际数据交易联盟，已吸纳大型商业银行、电信运营商、头部互联网企业、跨国机构等多家机构或企业，引导行业数据和社会数据入场。4.交易市场交易市场有多种表现形式，从可信流通和监管便利看，在第三方平台上进行的数据交易能够统一监管，称之为场内交易。交易形式之间的比较标准就是交易成本。如果场外交易比场内交易成本更低，交易所就要降低交易成本。交易所的数据定价由数据成本和交易成本两部分构成，其交易成本来自可信流通（流通过程中合规并保证安全）。另外交易市场的匹配范围越宽，越有助于降低交易成本。对于数据交易所来说，就是要通过匹配范围宽度来降低可信流通带来的交易成本，如果不能解决这个问题，交易所这种形式就会被淘汰。同时也要根据不同数据的交易性质，区分出哪些适合点对点交易，哪些适合交易所交易。各类数据经纪商最适合促成点对点交易。只有对数据经纪商和数据交易所进行统一扶持、统一监管，才能形成统一的数据要素大市场。5.应用场景应用场景就是需求方使用数据和发挥价值的场景。在具体的应用场景中，需求方可以接受 API 接口、数据包、人工智能工具、数据定制等数据产品和服务，也可以接受解决方案、数据质量评价、行业报告等高端产品和服务，关键是能够为需求方的决策提供有价值的线索。（四）数据要素市场的监管线监管线包括数据采集监管、数据确权监管、数据审查监管和算法反歧视监管。任何一项监管都是重要的，都能使数据交易停顿。在 数据安全法 和 个人信息保护法 出台以后，隐私泄露和数据滥用等成为合规的重点，对有关平台的数据采集要求越来越严。对滴滴公司的巨额罚款就是针对其违规的数据采集。有关数据确权前面已经论述，这里不再赘述。数据审查包括两个方面，一是数据内容安全审查，主要针对交1512022年第 期6理论评述Summery in Theory易主体是否符合法律法规的合规性监管。二是数据开放的审查。目前企业获取政府数据、政府获取企业数据或企业之间存在着“信息壁垒”和“数据烟囱”。数据要素的流通存在的结构性障碍主要就是“条块分割”问题。其中，“条”是指数据的行业性，而“块”是指数据的地域性，“条块分割”这一结构性障碍给数据流通造成巨大障碍。例如，当某家商业银行需要收集公共数据应用到其金融领域，但是由于涉及大量权责分类与交易结构，每省公共数据的流通都需要与数据所在省的交易中心进行沟通，并对这些障碍进行审查。算法反歧视监管主要针对需求方利用大数据决策时，是否存在歧视行为，比如大数据杀熟、二选一就属于歧视行为。随着智能决策的普及，算法歧视会越来越多，也逐渐成为监管的重点。从数据要素市场的全局看，目前的监管来自工信、网信、市场监督、公安等多个主体，交易主体疲于应付。监管也要创新，迫切需要“一站式”监管，类似现在政府的服务大厅模式。（五）数据要素市场的技术线技术线包括数据清洗技术、密态交易（安全）技术、自动定价技术和决策模型技术。1.数据清洗技术数据清洗技术已经比较成熟，主要对粗数据进行匿名化处理、缺失值插补处理等。目前数据清洗都有平台公司和专业服务商承担，不构成数据要素市场的障碍。2.密态交易技术从交易过程的技术看，内容表现形式没有发生变化，就称为明文交易。如果数据的内容形式变成不可识别，就称为密态交易。密态交易技术首先解决了数据转售问题。对于数据交易来说，一旦销售成功，就会在一定范围内公开，购买方就可以进行数据转售。由于密态交易技术给出的内容不是原始数据，就避免了转售问题。密态交易是基于隐私计算、联邦学习、区块链等技术实现的，参与方在不泄露各自数据的前提下通过协作对其数据进行联合机器学习，实现“数据可用不可见”，从而保护了数据供应方的商业秘密。3.定价技术如前所述，现在数据定价已经成为技术问题，因此数据交易所与其说是一个交易所，不如说是一个超级计算中心。正像搜索引擎爬取 HTML 网页一样，定价系统也能自动巡检各个云平台，找到自己需要的数据源。对于敏感数据，利用隐私计算、区块链等技术，对这类数据进行结构分析，并呈现为“具体可见信息”和“可用计算价值”，继而评估这些“计算价值”，从而完成自动定价。这种自动定价过程隐含着巨大的交易成本，需要分解到每次交易中。可以预测，只有头部的交易所才能生存。4.模型技术数据就是用来建模的，不是“喂人”而是喂“机器”的。模型与场景相关联，也与需求方的收益相关联。适合场景的模型越多，对数据的需求量就越大，数据交易也更加活跃。发展各种场景模型应该成为数据要素市场的重中之重，但从目前看，对这个问题还没有找到完整的解决方法。通过对我国数据要素市场的全局分析，除了市场建设、数据确权和数据定价以外，可以发现存在下列 7 项关键而急迫的问题：数据供应方的入场意愿、数据交易所和数据经纪商的互动、数据精炼服务、数据资源开放和标准化、公共数据专区建设、一站式监管和密态交易技术。建设全国数据要素统一大市场，需要破除政策壁垒和解决技术壁垒。四、政策建议根据数据要素市场的全景图，数据交易中有 10 个关键要素。解决这些问题既需要从宏观层面进行布局，又需要激活微观层面的活力，为此提出以下政策建议。（一）建立全国范围的数据资源可交易目录要建立全国统一的数据要素市场，就必须有统一确权、统一规则、统一标准、统一安全的数据可交易目录，但是到现在为止，还没有一个全国范围内统一的可交易目录。这个目录应是透明的，需求方能够清楚在全国范围内有哪些可以参与交易的数据源。这个目录应是动态的、开放的，同时又有一定的强制性。从数据需求方的角度，就能从容评估数据资源的需求满足度。可交易目录的编制与金融、医疗、交通、地理空间等领域密切相关，需要把握这些领域自身的业务特点。实施这项政策，可以解决数据资源开放和标准化、公共数据专区建设、数据供应方的入场意愿等问题。（二）对数据交易所进行规则赋能数据要素市场的管理体制可以参考我国土地要素市场的三级管理体制，即土地管理局负责政策和宏观管理；土地收储集团负责所谓“三通一平”（把土地的自然属性变成可交易属性）；土地交易所负责挂牌交易。数据要素市场也可以设计为：数据管理局、数据收储集团和数据交易所。数据管理局负责政策制定和宏观管理。数据收储集团负责制定本地区数据可交易目录，把数据的自然属性变成可交易属性。在当前数据要素管理机制不健全的情况下，可以对交易所进行规则赋能，使交易所具有“一站式”监管功能，从而解决数据资源收储、数据确权等问题。（三）交易初期鼓励低成本定价根据数字经济的过往发展规律，初期采取低成本甚至零成本定价，通过跑马圈地迅速积累用户，跨过一个关管理现代化152理论评述Summery in Theory键点就可以确立市场地位。数据交易所也可以采取这个方式。政府拥有很多数据，整理数据的成本可以作为一个定价的基准。政府的公共数据从价值挖掘来讲有很大潜力，如果价格比较低且能在市场上交易，可以间接调控市场上其他数据的价格。初期的定价较低，可以促进数据使用，推动市场发展。但如果政府数据没有分享出来，就会使得其他数据主体持有的数据显得价值很高，造成市场中数据价格变高。通过初期的低成本定价，促进交易量上升，最后可以自然过渡到自动定价机制。（四）激活数据交易所之间的竞争现在全国范围内有 80 多个数据交易所，需要交易所之间进行竞争，优胜劣汰。唯有此，交易所才能在技术创新、模式创新下狠功夫，而不是为了占据“壳资源”。对于竞争中成为头部的交易所，国家有关部门再进行认定。但在当前阶段，各地区数据交易中心正面临同质化竞争严重的局面，同时由于“条块分割”的问题，各交易中心服务半径受到很大局限。例如武汉地区曾经同时存在三个数据交易中心，但每个交易平台都只是独立小市场，虽然“小而全”，但却阻碍了规模化发展，导致各平台服务能力不足。对于这些“小而全”的交易所可以采取股权重组的方式进行合并，实现地区间的利益共享。通过数据交易所之间的竞争，解决数据交易所和数据经纪商的互动、数据精炼服务、发展密态交易技术等问题。总之，作为数字经济时代最重要的生产要素，数据同样也是一个国家的基础性战略性资源。与此同时，数据要素市场也属于“无人区”，培育需要敢拼敢闯，也需要稳扎稳打。我们相信，通过艰辛的探索，我国一定能越过无人区，构建一个全球瞩目的统一数据要素大市场。参考文献 1 中共中央、国务院.关于加快建设全国统一大市场的意见 Z.2022-3-25.2 黄 奇 帆.如 何 理 解 全 国 统 一 大 市 场 EB/OL.https:/ 陈兵,赵秉元.数据要素市场高质量发展的竞争法治推进 J.上海财经大学学报,2021,23(02):3-16+33.4 欧阳日辉.我国多层次数据要素交易市场体系建设机制与路径 J.江西社会科学,2022,42(03):64-75+206-207.5 陆志鹏.数据要素市场化实现路径的思考 J.中国发展观察,2021(14):31-34.6 陆岷峰,欧阳文杰.数据要素市场化与数据资产估值与定价的体制机制研究J.新疆社会科学,2021(01):43-53+168.7 田杰棠,刘露瑶.交易模式、权利界定与数据要素市场培育 J.改革,2020(07):17-26.8 杨锐.培育数据要素市场的关键:数据供给的市场化J.图书与情报,2020(03):27-28.9 曹 磊.网 络 空 间 的 数 据 权 研 究 J.国 际 观察,2013(01):53-58.10 肖冬梅,文禹衡.数据权谱系论纲 J.湘潭大学学报(哲学社会科学版),2015,39(06):69-75.11 齐爱民,盘佳.数据权、数据主权的确立与大数据保护的基本原则 J.苏州大学学报(哲学社会科学版),2015,36(01):64-70+191.12 蒋洁.培育发展数据要素市场的疑难问题与法律应对 J.图书与情报,2020(03):22-24.13 尹西明,林镇阳,陈劲,林拥军.数据要素价值化动态过程机制研究 J.科学学研究,2022,40(02):220-229.14 申 卫 星.论 数 据 用 益 权 J.中 国 社 会 科学,2020(11):110-131+207.15 曾铮,王磊.数据要素市场基础性制度:突出问题与构建思路 J.宏观经济研究,2021(03):85-101.16 戎珂,刘涛雄,周迪,郝飞.数据要素市场的分级授权机制研究 J/OL.管理工程学报:1-152022-10-08.DOI:10.13587/ki.jieem.2022.06.002.17 丁晓东.数据交易如何破局数据要素市场中的阿罗信息悖论与法律应对 J.东方法学,2022(02):144-158.18 吴江.数据交易机制初探新制度经济学的视角J.天津商业大学学报,2015,35(03):3-8+20.19 刘朝阳.大数据定价问题分析 J.图书情报知识,2016(01):57-64.20 刘枬,郝雪镜,陈俞宏.大数据定价方法的国内外研究综述及对比分析 J.大数据,2021,7(06):89-102.21 姚期智.什么是数字经济的核心技术？R/OL.https:/posts.careerengine.us/p/62ba7cbe288a7d22306be681,2022-07-13.22 Liang,F.,Yu,W.,An,D.,Yang,Q.,Fu,X.and Zhao,W.A survey on big data market:Pricing,trading and protectionJ.IEEE Access,2018,6:15132-15154.23 中国电子与清华大学数据治理工程联合课题组.城市数据治理工程白皮书 R/OL.https:/ 中 国 信 息 通 信 研 究 院.大 数 据 白 皮 书 2021R/OL.http:/ 罗曼,田牧.理想很丰满现实很骨感 贵阳大数据交 易 所 这 六 年 EB/OL.证 券 时 报, 陈戈.建数据交易所切勿“一哄而上”J.中国信息界,2022(02):32-35.27 包松娅,崔吕萍.牢牢把握“数字经济”发展的春天 N.人民政协报,2022-05-17(01).28David Reinsel,武连峰,John F.Gantz,John Rydning.IDC：2025 年 中 国 将 拥 有 全 球 最 大 的 数 据 圈 R.Framingham:IDC,2019-01.29 顾天安,刘理晖,程序,许国腾.我国构建数据要素市场的挑战与建议 J.发展研究,2022,39(01):44-51.30 Sharon T,Zandbergen D.From Data Fetishism To Quantifying Selves:Self-tracking Practices And The Other Values Of DataJ.New Media&Society,2017,19(11):1695-1709.