基础概念

数据要素——

数据要素是指，参与社会生产经营活动，并为所有者或使用者带来经济效益的数据资源。数据作为信息化、智能化技术革命背景下诞生的全新生产要素，其与传统的土地、劳动力、资本等生产要素一样是经济发展中不可或缺的一部分。

相比传统生产要素，技术层面，数据要素具有主体多元、非标准型以及无形性等特点；经济学层面，数据要素又具有确权困难、非竞争性、难排他性、异质性等特点。

数据要素市场——

数据要素市场，指以数据产品或服务为交流对象，以数据供需方为核心主题，通过流通实现参与各方诉求的场所，开放、供需、交易等均属于数流通的形式。简单理解，可以将数据要素市场看为是数据要素到数据产品的形成过程，核心内涵在于数据要素价值创造全过程。

《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》中，首次提出加快培育数据要素市场，并从推进政府数据开放共享、提升社会数据资源价值、加强数据资源整合和安全保护三个方面提出具体要求。

由此看出，数据要素市场的内涵不仅使数据要素在交换或流通过程中形成的市场，更包含了数据价值创造的全过程。因此，培育数据要素市场的核心目标在于，正确认识和深刻把握数据要素的价值创造机理，并通过市场化手段实现数据要素的全局最优配置。

国内数据要素市场发展历程

起步阶段：

2014年3月，“大数据”首次写入《政府工作报告》，标志着大数据作为新兴产业开始受到国家的重视；2015年，国务院印发《促进大数据发展的行动钢要》，旨在全面推进我国大数据发展和应用，标志着大数据正式上升至国家战略层面。

该阶段主要对原始数据进行“粗加工”交易，以单纯的原始数据交易为主，缺乏全国统一的数据规范体系，数据成交率和成交额不高，难以满足社会的需求。同时，数据交易过程中面临诸如数据定价、确权等难题。

图源：亿欧智库

全面突破阶段：

2016年，接连发布了《大数据产业发展规划（2016-2020年）》、《国民经济和社会发展第十三个五年规划纲要》正式提出实施国家大数据战略；2019年，十九届四中全会中，正式将数据作为一种新的生产要素；2020年，国务院发布《关于构建更加完善的要素市场化配置体制机制的意见》，首次明确提出要培育数据要素市场。

此阶段，数据要素市场发展进入了全面突破阶段。国家和各地方政府陆续出台政策文件，致力于理顺政府和市场的关系、厘清数据要素市场主体间的关系、平衡数据有序流动与数据安全之间的关系。在政府牵头下，上海、深圳、北京、湖南等多地加快布局数据交易所，聚焦解决确权难、定价难、互信难、入场难、监管难等共性问题。

深化发展阶段：

2020年，国务院在“加快完善社会主义市场经济体制的意见”中提出加快培育发展数据要素市场；2021年，《“十四五”规划和2035年远景目标纲要》中，提出要建立健全数据要素市场规则；2022年，国务院正式印发“数据二十条”，从数据产权、；流通交易、收益分配、安全治理四个方面初步搭建我国数据基础制度体系；2023年，10月国家数据局正式挂牌；2024年，发布《“数据要素x”三年行动计划（2024-2026年）》，充分发挥数据要素的放大、叠加、倍增作用，构建以数据为关键要素的数字经济。

随着政策支持力度和市场需求的增加，数据要素市场在供给和需求两端逐渐趋向成熟。数据供应方通过高效的数据处理技术和精准的数据匹配算法提供多样化的数据产品；数据需求方，则通过应用场景的拓展和商业模式创新挖掘数据价值。由于相关法律法规和标准体系逐渐完善，数据交易的合规性和安全性更具保障。

数据要素市场发展现状

当前，数据要素市场呈现多方合力驱动发展，助力数据要素步入市场化“快车道”。即国家政策引领，地方试点推进、企业主体创新、关键技术创新等多方合力的作用下，我国数据要素市场不断探索和创新，步入高速增长阶段。根据国家工信安全发展研究中心数据，2021年我国数据要素市场规模达到815亿元，预计“十四五”期间市场规模复合增速将超过25%，到2025年规模有望接近2000亿元。

图源：工信数通

特别是国家数据局正式挂牌成立半年来，多部门统筹推进数据要素流通利用，数据要素市场化进程也随之加速。从产业规模上看，2022年中国大数据产业规模达1.57万亿元，同比增长18％；中国数据交易行业市场规模达到876.8亿元，占全球数据交易市场规模的13.4％.....数据显然已经成为经济发展的重要生产要素。

当前数据要素流通交易的主要模式

1、企业间直接交易数据

企业之间直接进行数据交易的模式，大致需要经历早起互动、供需匹配沟通、价格和销售合同谈判、合约达成、履约五个阶段。

早期互动阶段，一方有数据资源，另一方有数据需求；

通过供需匹配沟通阶段，通过展示方案，合作建模，数据样本试用等流程，将最终达成共识；

价格和销售合同谈判阶段，企业间进行个性化报价、议价谈判和服务方式进行沟通；

随后就能进入到合约达成阶段和履约阶段。

2、数据交易平台撮合

目前，数据交易平台模式尚未形成较为成熟的平台模式，但普遍存在一种线上线下结合的平台交易模式。例如，北数所交易服务参考模型（如下图所示）

由于交易的复杂性，完全在线上完成所有交易活动上尚不可行，目前多数交易仍需线下谈判和合约备案。因此，未来的交易模式预计仍将是线上线下的结合，尽管两者的功能配置程度与当前可能有所不同。

3、通过提供API接口进行数据服务

该模式，可以是数据供给方直接提供API接口，也可以是数据中介将数据供方与数据需方聚合在其服务联盟网络中，扮演数据经济人（交易）和部分数据交付的角色，为供需方提供标准合约、数据传输API接口以及隐私计算平台服务。

当前数据要素市场建设问题

数据要素市场可分为三个层级，即支撑层、价值层及政策层。支撑层，是数据要素的基础设施及技术支撑；价值层，包括数据供应商、数据交易机构和分析应用方；政策层，是指构建统一数据标准、推动公共数据开放、激励市场主体数据共享。科学界定数据产权等。

以下从三个层级展开分析，当前数据要素市场面临的问题。

1、支撑层

从理论上讲，区块链、隐私计算、多方安全计算等技术可以应用于数据要素流通交易业务中。然而，实践中基础设施和技术环境都离国家的战略目标、数据要素流通实践的需求、场内市场和场外市场流通环境建设的需求之间存在相当大的差距。

2、价值层

第一，国内数据供给侧问题：

①合规成本高，数据供给方面在应对严格完善的合规性评估过程，面临较大经济压力。

②个人数据开发利用成本较高，主要表现在个人授权成本高，群体个人数据授权难度大；其次是个人数据匿名化无清晰标准；个人未能在其个人数据共享中获取收益导致共享数据动力不足。

③科研类数据共享程度不足，“科研数据收割”现象严重。

④公共数据开发激励不足。目前政府和事业单位未明确向公共数据授权运营单位收取费用的收费项目和收费标准。

第二，国内数据需求侧问题：

①当前，依旧存在企业数字化转型进程缓慢或不彻底，表现在数据基础设施不完善、数据管理和应用意识、能力不足、未能充分利用数据驱动业务决策和创新。

②部分企业拥有大量数据，但缺少相应的数据分析技术和实力，数据无法转化为实际的业务价值，仅有少部分数据会得到开发利用或未开发利用的企业大于80%。

③较多公共数字化应用场景尚未对市场充分开放，也进一步限制了数据需求方动能的增长。

第三，国内数据供需匹配问题：

①“有数无市”和“有市无数”都存在，“有数无市”是指产生大量的数据但没有市场，有些数据被严格限制使用且数据的标准化程度低，缺乏成熟的市场环境进行交易；“有市无数”是指数据供应商缺少个性化定制模式，数据服务无法满足个性化需求。

②交易价格机制不完善，公共数据授权运营单位向社会服务的公共数据定价机制不健全，且企业数据价格形成机制不健全。

③交易信息不对称，买卖双方在价格谈判、数据合规、数据交易中的安全风险等问题上存在着巨大的信息不对称。

此外，各地方公共数据授权运营管理机制，所选择的技术平台或数字化平台存在差异，因而也会导致全国数据互联互通存在阻碍。

3、政策层

①数据确权等权属分置问题。

一是数据分级分类问题尚未解决；二是数据所有权难以归于单方主体；三是法律确权探索收效甚微。

②数据安全合规成本问题。

数据交易过程中面临的合规安全等风险成本，导致买卖双方的参与意愿不高，数据市场流动性不够。

③数据要素流通市场建设相关制度不健全，表现在数据交易平台缺乏标准；没有明确数据交易监管机构；没有针对数据交易和应用的针对性法律法规。

④数据垄断判断标准问题，关于是否存在数据垄断，以及如何判断等问题都仍存在争议。

数据要素市场问题应对之策

数据问题的成因主要在于，市场失灵和政策失灵两个方面。

首先，市场失灵主要表现在信息不对称、数据流通中可能会带来隐私泄露等数据安全问题、部分布局垄断问题、产业链上各企业及单个集团公司内部不同部门之间可能存在协调失灵问题。其次，政策失灵体现在数据交易所重复建设、面临发展与安全的二元政策矛盾、企业因政策不明确和不稳定而缺乏活力、公共数据缺乏数据共享激励机制。

针对市场失灵和政策失灵两方面的主因，应对问题之策如下：

1、理解数据作为生产要素的价值

数据生产要素的价值在于产生提质降本增效和促进创新的经济效益，核心在于开发和利用数据。数据基础制度设计要有利于数据的充分开发利用，而不是要最大化数据交易量和交易额。而且，要审慎对待数据作为一种资产的入表、抵押和融资。

2、寻找数据要素的高效流通模式

①尝试多层次交易模式

首先，要培育专业的数据要素市场参与主体，其次要借鉴国内实践的成功经验，最后还要积极提供质量评估等配套服务，推动数据溯源和可信交易。

②重视数据交互在数据要素流通中的作用

数据交互指通过与各方共享数据来支撑业务打通和创造新价值，各方共享业务发展带来的红利。

3、有效保护数据投资激励

数据并非共享范围越广越好，虽然数据的非竞争性意味着从事后角度来看数据分享越多越好，但这也可能会降低针对数据的投资激励。所以，需要审视用于判断数据共享是否不足的标准，以合理的共享程度为目标有助于提升社会福利。

4、掌握数据流通利用的关键

数据的价值取决于服务能力，现阶段应用数据的能力更为重要。在面临拥有海量数据的阿里、京东和腾讯微视的竞争下，拼多多和字节跳动成功崛起。ChatGPT大模型在美国崛起，也是技术和经济环境等多种因素的共同作用。比起单纯的数据量，技术和有利于创新的体系、制度和经济环境更加重要。