当前位置:舍宁秘书网 > 专题范文 > 公文范文 > 我国数据交易机构高质量发展:现实问题、理论逻辑与实现路径*

我国数据交易机构高质量发展:现实问题、理论逻辑与实现路径*

时间:2024-01-07 09:30:01 来源:网友投稿

李勇坚

随着数字经济的快速发展与数字技术对社会经济的快速渗透,数据作为数字经济的核心生产要素的重要性日益凸显,数据开放共享下的数据流通也成为社会与学界高度重视的问题。①高富平:《数据经济的制度基础——数据全面开放利用模式的构想》,《广东社会科学》2019年第5期。数据交易机构作为数据交易的重要场所,能否实现高质量发展对解决数据要素交易难题、发挥数据要素效用价值、促进数据要素高速流通具有重要意义。②欧阳日辉、杜青青:《数据要素定价机制研究进展》,《经济学动态》2022年第2期。

目前,我国虽建立了起一批数据交易机构或平台,但在实际发展过程中存在着诸多现实困境与问题。对此,学界展开了一定的研究。茶洪旺和袁航(2018)认为,目前国内几家数据交易组织机构在数据交易规则和交易标准方面呈现“碎片化”“孤岛”现状,并且存在隐藏的数据盲点与误区,大大增加了数据交易成本。①茶洪旺、袁航:《中国大数据交易发展的问题及对策研究》,《区域经济评论》2018年第4期。刘吉超(2021)认为,目前我国数据交易机构在技术创新和模式创新上取得了一定的突破,但依旧没有突破数据确权、资产定价、技术创新等方面的桎梏,因此也导致了我国数据交易机构经营状况欠佳。②刘吉超:《我国数据要素市场培育的实践探索:成效、问题与应对建议》,《价格理论与实践》2021年第12期。总体来说,学界与社会范围内对数据交易机构建设的研究还相对缺乏,目前已有的研究也是聚焦于数据要素市场培育的整体视角,针对我国数据交易机构的建设现状与发展问题认识不全面,对于如何促进我国数据交易机构高质量发展的现实路径还需要进一步探讨。因此,本文将从我国数据交易机构发展现状及问题出发,对数据交易机构的理论基础进行分析,进而提出数据交易机构高质量发展的路径与政策建议。

(一)数据交易机构的界定及分类

1.数据交易机构的概念

目前,学界并没有形成统一、明确的数据交易机构的概念界定,大部分研究认为数据交易机构是一种数据交易市场中的第三方组织。吴洁和张云(2021)认为,数据交易平台是数据合法交易的具体场所,最核心的功能就是作为数据交易的中介组织,连接、监督和撮合数据要素的交易。③吴洁、张云:《要素市场化配置视域下数据要素交易平台发展研究》,《征信》2021年第39期。赵子瑞(2018)则认为,数据交易机构是一种数据交易活动的载体,也可以衍生出数据分析等相关活动。④赵子瑞:《我国大数据交易模式研究》,硕士毕业论文,上海社会科学院,2018年,第6页。从职能的角度出发,数据交易机构的内涵则是指提供集数据交互、整合、交换、定价、交易以及数据衍生出的其他相关服务等为一体的虚拟化场所。⑤宋梅青:《融合数据分析服务的大数据交易平台研究》,《图书情报知识》2017年第2期。从市场的角度出发,数据交易机构则是多方数据主体职能的集合生态系统,包括数据资源供给方、数据加工治理方、数据中介服务方、数据产品需求方、数据合规认证方、数据流通监督方等。⑥陈舟、郑强、吴智崧:《我国数据交易平台建设的现实困境与破解之道》,《改革》2022年第2期。本文在整合学界定义的基础上提出,数据交易机构是一种促进数据流通交易、提供数据相关服务、保障数据交易机制的独立第三方数据交易服务主体和载体。

2.数据交易机构的分类

目前,国内外学界对于数据交易机构的分类有多种方法,例如以构建主体、价值链、交易模式等不同条件而划分的。根据构建主体的不同,可大致分为政府牵头或具有政府背景的交易所、行业机构为主的行业数据交易模式、大型互联网公司和大型IT厂商为主导的数据交易平台以及垂直数据服务商主导的市场化数据交易模式。按照所处数据价值链环节的不同,数据交易机构可以分为仅提供交易渠道和数据交易最低要求的“纯数据”平台,⑦Kean Birch,DT Cochrane,Callum Ward,“Data as Asset?The Measurement,Governance,and Valuation of Digital Personal Data by Big Tech,”Big Data&Society,vol.8,no.1,2021,pp.23-48.提供清洗、脱敏、分析和挖掘数据价值的数据交易平台,以及转卖的数据平台。按照交易模式的不同,可以划分为分析结果交易平台、数据产品交易平台、交易中介平台三类;
①庄金鑫:《三类大数据交易平台模式和优劣势分析》,《中国工业评论》2016年第10期;
Markus Spiekermann,“Data Marketplaces:Trends and Monetisation of Data Goods,”Intereconomics,vol.54,no.4,2019,pp.208-216.按照交易主体的不同,可以划分为B2B、C2C、B2C、C2B四类数据交易平台。②丁道勤:《数据交易相关法律问题研究》,《信息安全与通信保密》2016年第10期。

(二)我国数据交易机构建设和发展历程

总体而言,我国的数据交易起步并不晚。2014年即成立了中关村大数据交易中心,2015年成立了贵阳大数据交易所,之后全国各地争相成立数据交易机构。截至2022年8月,我国由地方政府发起、主导或批复的数据交易机构或平台已有44家(不含港、澳、台)。③详见国家工业信息安全发展研究中心发布的《2022年数据交易平台发展白皮书》,第5页。从发展历程来看,我国数据交易机构的发展可分为两个阶段。

1.第一阶段:数据交易机构建设的探索阶段(2015—2019年)

2015年,党的十八届五中全会提出“实施国家大数据战略,推进数据资源开放共享”的政策指引,全国各地形成了一股建设数据交易所的热潮。据统计,在此期间各地成立了30家数据交易机构,其中以贵阳大数据交易所建立为标志。在这一阶段,对数据交易的特殊性认识不足,很多交易所的经营模式主要是为供需双方搭建集中交易平台,提供交易撮合服务,整体经营水平和业务量水平普遍较低。例如,成立最早的贵阳大数据交易所到2020年的交易规模仍停留在亿元水平。此阶段也有一些平台尝试以数据为中心,引入数据价值链上各个环节的市场主体,从而为客户提供数据创新服务,形成数据技术创新联合体,如东湖大数据交易中心。

2.第二阶段:数据交易机构建设的创新阶段(2020年至今)

2019年,党的十九届四中全会明确了“数据作为一种生产要素”,之后出台了不少促进数据流通交易的政策文件。这一时期新成立的16家交易所都在不同程度上有所创新,可称之为数据交易所2.0版。其中的两个重要代表就是北京国际数据交易所(简称“北数所”)和上海数据交易所(简称“上数所”)。“北数所”强调利用技术解决数据交易中所存在的问题。例如,针对数据交易过程中的信任问题、数据交付后的控制问题等,“北数所”提出要利用隐私计算等技术手段,实现数据可用不可见。针对数据交易过程中,配套服务不能跟进的问题,“北数所”利用区块链技术,通过发布“数字交易合约”,达成数据提供商、应用商和服务商的数字交易约定,使交易对象扩展到数据、算力、算法、数据见解等与数据相关的资源及其组合。另外,“北数所”重视数据的合规性,建立对进场交易的数据进行合规性审查。“上数所”则是重视数据交易生态的形成,强调要形成一个包括数据价值链各个环节主体的数据交易生态,并提出了“数商”的概念。同时,“上数所”针对数商及数据交易生态制订各类规范、指引、标准等,确立了“不合规不挂牌,无场景不交易”的基本原则。在交付方面,“上数所”强调将数据交付与场景联系起来,综合数据使用场景和数据等级,形成数据交付的条件和模式,这样避免了数据供给者在数据交付后对数据失去控制的问题。总体上看,2.0版本的数据交易所在商业模式上均有所创新,其收入从单一的收取交易服务费或佣金,扩展到了提供增值服务、形成生态并获得收入等,④例如,上海数据交易中心提供基于数据的普惠金融信用画像、精准营销等增值服务;
华东江苏大数据交易中心提供统计分析、机器学习、数据处理等算法服务。但这些交易所成立时间还较短,其创新做法的具体成效仍有待进一步观察。

(三)我国数据交易机构发展存在的问题

1.数据交易机构建设的数据要素困境

一是数据质量的量化问题。数据由于其使用特性,其价值不仅难以挖掘和评估,还极容易产生“阿罗悖论”。很多拥有大量数据的数字平台企业倾向于采取数据“自留行为”,不愿意参与数据交易活动,而中小企业因为缺乏数据发挥作用的协同要素,没有能力参与数据交易活动。①Nestor Duch-Brown et al.,“The Economics of Ownership,Access and Trade in Digital Data,”SSRN Electronic Journal,2017.这要求数据交易机构具备对数据质量进行控制的能力。由于数据来源的多样化与数据价值的不确定性,依赖于交易机构声誉、控制卖方的资格及卖方的声誉等来实现交易的传统质量控制机制难以发挥作用,而是需要交易机构付出相应的成本去验证数据的质量与来源的可靠性,提供与数据相关的“元数据”,这会使交易成本大幅度增加。②P.Koutroumpis,A.Leiponen,L.Thomas,“The(Unfulfilled)Potential of Data Marketplaces,”The Research Institute of the Finnish Economy.Working Paper,2017.

二是数据涉及个人隐私等合规问题。尽管数据可以分为机器生成的数据和用户直接的数据。然而,直接和间接用户数据源之间的界限尚不清楚,许多机器生成的数据都有直接或间接的人类来源,合规性难以判定。另一方面,对包含有个人信息的数据而言,一般都要求进行匿名化处理后再进行交易,再与其他数据聚合,能够产生相应的价值。但有研究表明,集合一些个人匿名化数据,能够对个体特征进行全面分析,从而识别出特定的个体,③OHM P.,“Broken Promises of Privacy:Responding to the Surprising Failure of Anonymization,”UCLA Law Review,vol.57,no.6,2010,pp.1701-1731.甚至反推出个人信息。对此,尽管我国法律做了数据来源和跟踪的要求,但在实践中,数据合规性的要求缺乏相应的标准,数据交易机构在数据交易中的地位和作用以及相应的权力、责任和义务等缺乏明确的规定。

三是数据特殊的交易机制问题。一方面,数据不同于信息和知识对经济增长的作用,容易产生市场失灵问题。信息和知识使创新企业能够暂时对所获得的新知识保密,随着信息和知识的扩散,所有企业经过学习都可以理解新知识。但是数据需要计算机和算法的参与才能提取数据价值,因此人机之间的信息不对称容易出现市场失灵。此外,这种不对称性还将导致数据定价的困难。机器学习的工业化所需要投入的大量前期投资,产生了数据战略行为和数据权利持有人之间的讨价还价,这加大了对数据价值评估的难度。另一方面,要保持数据价值的有用性,有时会要求数据的即时性和实时可用性,这需要数据用户与提供商持续不断互动,并对数据来源进行详尽的描述,或提供“元数据”。然而,现有的数据提供者为了保守数据的秘密,仅提供简短的书面或脱离上下文的查询示例,这使数据消费者将花费大量精力和下游成本来评估数据集,从而增加了数据交易成本。

四是数据经济学性质产生的交易客体问题。一方面,数据的使用具有非竞争性和部分非排他性,这种非竞争性容易引发搭便车和所有权保护的问题。同时,数据产品具有较高的固定成本和几乎为零的边际成本,后者导致买方可以很容易地生成副本并以较低价格转售,从而引发数据盗版问题,损害数据所有者或控制者的权益,这使数据所有者或持有者对出售数据会心存顾虑,而倾向于数据自留行为。另一方面,数据在一定程度上具有范围经济和规模经济,因此在交易之前,买家无法了解到所购买的数据能否与其现有的算法或数据资源形成规模经济与范围经济的协同效应,难以对数据集的价值做出准确评估,从而不会轻易外购数据。此外,数据要素的性质也会导致数据定价问题的复杂性,市场法、收益法、成本法等传统的资产定价方法无法适用。市场法将由于难以通过市场交易的方式形成价格标准的原因失效,收益法也会由于数据收益不确定性难以确定数据估值和定价,成本法则是因为数据成本难以从生产经营活动中剥离出来而使定价复杂化。

2.数据交易市场存在的问题

一是服务职能与模式单一。我国数据交易机构大多将自身定位于数据产品上架、交易撮合等功能,缺乏定价咨询、数据产品化、标准化等方面的职能。此外,就交易数据产品和数据服务而言,大部分平台的产品相似度高,开发程度及附加值较低,交易的数据主要来自少数主流数据供应商,仅有部分平台提供数据加工、数据应用、解决方案、数据质量评价、行业报告等产品和服务。①王璟璇、窦悦、黄倩倩、童楠楠:《全国一体化大数据中心引领下超大规模数据要素市场的体系架构与推进路径》,《电子政务》2021年第6期。交易机构还应该承担数据来源验证、尽责调查、数据用途跟踪等职能,而这些职能的权力来源、行使方式等方面还缺乏相应的标准,这使数据交易机构的定位不清晰。此外,就交易模式而言,超过95%的数据交易均为零散的“一对一”交易甚至数据“灰市”和“黑市”交易,场内数据交易仅占数据市场总规模的4%,场内正规交易缺乏吸引力。

二是顶层设计缺乏。数据的交易需要一套特殊的规则体系,但目前我国政策法规中在实施层面未就数据产品的性质、交易监管、交易技术标准等建立起相应的规则体系,这使数据交易机构在发展过程中无规可依,尤其是对企业数据的权利定位尚不明确,②赵新潮:《企业数据财产权利定位及其保护》,《广东社会科学》2022年第5期。企业与个人之间、企业之间、企业与政府之间关于数据的权利界定仍没有明确可行的规则。同时,从监管部门来看,涉及大数据流通交易的管理部门众多且繁杂,监管职能分工有待进一步清晰化。

三是数据交易生态有待完善。数据交易是一个复杂的过程,涉及卖方、买方、数据集成、数据标准化、数据分析、数据质量评估、数据估价、数据经纪、数据验证等方面,需要一个完整的生态系统。但目前,由于我国数据交易体量本身不足,没有突破数据交易机构发展所需要的数据需求方和数据供给方的临界用户数量,③Markus Spiekermann,“Data Marketplaces:Trends and Monetisation of Data Goods,”Intereconomics,vol.54,no.4,2019,pp.208-216.这导致了数据交易生态无法形成完整的数据价值链网络,制约了数据交易机构的整体发展。而数据交易机构发展受限又会进一步地制约数据交易生态内的供需匹配、数据服务供给、数据定价等服务和职能的发展,严重阻碍了我国的数据交易生态的建立和完善。

(一)数据交易市场发展的理论支撑

1.数据要素理论

根据数据要素理论,数据要素具有使用部分非排他性与非竞争性、负隐私外部性、跨领域使用等特点,①李勇坚:《数据要素的经济学含义及相关政策建议》,《江西社会科学》2022年第3期。使得数据交易机构可以在一定程度上解决数据要素市场的一些问题。首先,数据使用的部分非排他性和非竞争性,使数据交易完成之后,还需要对数据的使用场景与具体用途进行跟踪,这要求数据交易必须在一个中间服务机构完成,并由第三方对用途和去向进行监管。其次,数据的负隐私外部性要求数据来源的验证和数据交易标准的建立,这也可以由数据交易机构来承担。再次,数据的可跨领域使用性,需要数据交易机构来作为多个卖家和多个买家进行交易的平台,从而实现数据的网络效应和规模效应。②Markus Spiekermann,“Data Marketplaces:Trends and Monetisation of Data Goods,”Intereconomics,vol.54,no.4,2019,pp.208-216.此外,数据要素的价值与技术相关,很难测度数据的价值来源。通过数据交易机构,能够吸引更多具有相应技术的企业来购买数据,挖掘数据更大的价值。最后,数据作为一种具有特定性质的生产要素,还会对市场结构产生影响,可能会出现数据垄断问题。③李勇坚:《互联网平台数据垄断:理论分歧、治理实践及政策建议》,《人民论坛·学术前沿》2021年第21期。通过数据交易机构,可以使很多创业企业能够获得更多的数据来源,从而提高市场竞争水平。

2.数据价值链与数据生态理论

数据作为一种生产要素,其作用和价值发挥可以从价值链框架的角度进行分析,即“数据价值链”。④Miller,H.,& Mork,P.,“From Data to Decisions:A Value Chain for Big Data,”IT Professional,vol.15,2013,pp.57-59.数据价值链可以分解为四个部分,即生成、收集、分析与交换。⑤GSMA,“The Data Value Chain”,2018.网址:https://www.gsma.com/publicpolicy/resources/the-data-valuechain,引用日期2022年11月24日。但数据在价值链的前进过程中完全不同于传统价值链。在数据价值链中,很多企业采取数据自留行为,通过向外购买特定的支持服务以完成数据价值创造过程,这是因为数据价值的高度不确定性很难给每段价值链环节带来有形价值。GSMA(2018)认为,随着对数据价值链的深入研究,通过对聚合了多个来源数据的大型数据集进行价值挖掘,能够发现输入或源数据的真实价值,甚至发现哪些数据片段对输出做出了贡献,哪些数据未被使用。OECD(2020)的研究也指出,通过聚合大量数据并用在全球市场中,对数据价值的发挥具有重要意义。⑥Nguyen D,Paczos M.“Measuring the Economic Value of Data and Cross-border Data Flows:A Business Perspective,”OECD Digital Economy Papers,2020.数据交易机构正好可以通过将很多来源的数据进行汇聚,有利于对数据的价值进行分析确定。

此外,在数据价值链实现过程中,各个主体之间相互作用将形成数据生态。⑦Curry,Edward,What are Data Value Chains?网址:https://www.reach-incubator.eu/what-are-data-valuechains/,引用日期2022年11月24日。数据生态就要求数据价值链过程中需要更多的参与者,数据交易机构则可以承担起汇聚、协调生态中的各个主体和利益相关者的作用。此外,数据交易机构可以通过将数据与数据驱动的商业模式结合,将数据价值链过程中的“废气数据(the exhaust data)”充分利用起来,发挥更大的价值。可以说,数据生态的存在要想形成高效的数据价值链网络(data value chain network),并带来巨大的数据价值效率提升,就需要数据交易机构来组织、协调这个数据生态和数据价值链网络。①Faroukhi A Z,Alaoui I E,Gahi Y,et al.“Big Data Monetization Throughout Big Data Value Chain:A Comprehensive Review,”Journal of Big Data,vol.7,no.1,2020,pp.1-22.

3.双边市场理论

双边市场是指市场内存在的两个用户群体可以相互提供网络收益的网络经济结构,一个重要特征就是平台上从彼此获得价值或收入的客户之间的效应具有相互依赖性。在这个数据需求方和数据供给方大量存在的数据要素市场中,数据交易机构充当了中介的角色并使得数据交易市场变成了典型的双边市场。数据交易机构通过平台不断链接、聚合多个参与者主体,利用标准化的接口和服务实现更有效的交互,不仅能够更高效地利用市场完成交易,满足不同企业对数据的需求,还可以聚集更多的数据资源,实现数据互补从而提高数据的网络效益和利用率。②Hovenkamp Erik,“Platform Antitrust,”Journal of Corporation Law,2019.Available at SSRN:https://ssrn.com/abstract=3219396.

(二)数据交易机构高质量发展的基本原则

1.市场厚度(流动性)原则

数据交易需要建立数据生态,这要求数据交易市场中的交易者和交易量都跨越临界数量,市场需要有足够的参与者。数据之间可能会有互补作用,形成数据网络效应。只有在具有足够的数据量和交易量的情况下,这种互补作用才能更好地发挥出来。

2.适度匹配速度原则

一个有效的市场需要快速交易以确保市场出清。然而,对数据交易市场而言,其交易匹配速度需要保持一定节奏,根据数据的具体情况,提供不同速率的匹配服务。对数据新鲜度要求特别高的行业,提供高效的匹配服务,而对其他行业,可以提供适当的匹配速度。数据价值难以确定,过快的匹配速度可能使数据的价格无法正确形成。

3.市场安全度原则

“安全的市场(safe markets)”是指参与者没有动机歪曲事实或采取可能降低效率的战略行动的市场。在数据市场的情况下,平台必须能够排除交易参与者绕开数据交易机构直接交易,或者进行场外交易的行为。这要求平台能够提供大量的增值服务。另外,数据交易机构还要建立起数据溯源标准,这不但能够确保数据是可交易的(例如,不存在侵害个人隐私的情况),而且,买方能够根据数据来源更好地评估数据的价值,以保证数据交易的安全。

4.市场合法性原则

数据市场应该具有合法性,不能“令人厌恶”(repugnant)。数据交易市场在社会公众中容易造成侵犯隐私,或者暴利等负面形象,这要求数据市场提供更多的透明度,并建立起相应的隐私保护等方面的制度

(一)从数据价值链视角推动数据交易机构高质量发展

根据数据价值链和交易模式的数据交易机构分类,以交易为中心的数据平台和以数据为中心的平台都对数据要素价值发挥具有重要意义。以交易为中心的平台,主要是通过提供必要的基础设施或直接交换将交易两方结合在一起,侧重于数据商品和数据服务的交换功能,例如,国外的IOTA,Streamr和DAWEX等数据交易机构,以及我国国内的大部分数据交易机构。以数据为中心的平台,除了提供交易匹配服务之外,还提供数据分析、可视化和数据清洗等服务,强调为数据需求方提供见解。这类平台能够直接面向数据的最终需求方,提供从数据中所获得的见解,或者提供标准化的数据产品,这有利于扩大数据市场,是数据市场成功的关键因素。①Markus Spiekermann,“Data Marketplaces:Trends and Monetisation of Data Goods,”Intereconomics,vol.54,no.4,2019,pp.208-216.

(二)从完善数据市场生态的维度推动数据交易机构高质量发展

数据交易过程比一般商品要复杂,要有交易基础设施(如存储设施)、数据质量测评、数据价值评估、数据合规性验证、数据匹配咨询、数据交易代理、数据经纪等许多相关服务机构,才能使数据交易顺利完成。这些机构将构成数据市场生态,是数据生态的重要组成部分,可有效解决数据交易涉及的验证、评估、预处理、集成等过程,以及解决数据交易过程中的4C问题:便利性、成本、完整性和社区。②Oliver Vagner,“The Rise of Data Exchanges,”Frictionless Integration of Third-Party Data,2020.一般而言,数据市场生态系统由数据提供商、数据购买者、第三方服务提供商和市场所有者组成。

数据交易机构可以在数据交易中承担第三方服务的角色,为数据资产增加价值的应用程序或算法。在数据交易生态中还存在着一种“数据经纪人”的特殊角色,指汇聚市场数据要素、形成丰富多样数据产品、促进数据市场竞争和价格制定等多职责的第三方数据公司,是数据的收集者、加工者和销售者。③李勇坚、刘奕:《数据经纪人制度的理论与实践》,《数字图书馆论坛》2022年第10期。目前,我国数据交易供需双方矛盾大,进场的积极性不高,数据交易机构可以承担起数据经纪人的职责,汇聚各方原始数据,并对数据进行多种形式的开发,既提供标准化的数据产品,也根据需求方的要求进行个性化定制,这将极大地扩大数据要素交易的范围,拓展其市场空间。同时还可以在一定程度上解决因负外部性、风险和交易成本以及信息不对称等因素造成的市场失灵,降低且固定交易成本和风险,有利于发挥数据范围经济和规模经济的优势。

(三)从数据全生命周期服务的跨度推动数据交易机构高质量发展

数据要素的特殊性,使其交易周期也有着特殊性,数据交易机构应为数据交易全生命周期提供相应的服务。首先是数据的集成。由于不同的数据集之间可能具有互补性,为数据需求方寻找到互补的数据集,是数据市场生态的一个重要职能。在数据交易机构中交易的数据,虽然在前期进行了标准化,但必须通过不同的数据集之间进行集成,实现个性化,更好地满足数据需求。其次是提取数据样本。数据质量很难评估,因此数据需求方需要有一些样本数据来验证数据质量及是否适用。但是如何从纷繁的数据中建立一个符合需求的样本数据集,就需要数据交易机构来完成。再次是进行数据比较。在数据交易机构中交易的不同数据集,需求方需要有机构提供专业的数据比较服务,从而使其能够购买到适用的数据集。然后是建立数据评论系统。由于数据交易过程本身不透明,数据交易机构需要通过邀请用户发表评论,才能对数据交易的成效作出评估。很多数据集能够通过持续更新产生出更大的价值,数据交易机构应引导数据交易各方就数据持续更新达成协议。在条件成熟时,数据交易机构还应当建立数据更新的标准,明确数据更新的频度与内容,从而使数据交易的价值进一步显现出来。

(四)发展特色的数据交易机构

从数据交易机构发展趋势来看,发展各种特色数据市场可能是未来的一个重要方向。例如,韩国目前在多个垂直领域建立了10个交易所,以支持其I-Korea 4.0战略,预计到2023年有30000个中小型组织在这些交易所中交易数据。具体方向如下:首先,发展基于云计算的数据交易市场。例如,亚马逊网络服务AWS在2019年11月推出了AWS Data Exchange,目前已有了来自超过160个合格数据供应商的2500余种数据产品。其次,依托大型数据持有者建立垂直数据市场也是一个重要方向。例如,梅奥诊所(Mayo Clinic)创建了一个名为临床数据分析平台的大型数字健康患者数据市场。再次,基于工业数据开发新的数据市场。随着传感器越来越普及,已经收集了大量的物联网数据,这些数据对生产力提升有着直接的作用,而且对社会经济进步有着显著的影响。但是,传感器产生的物联网数据碎片化非常严重,各个不同的厂商都试图将自己的数据处于其控制之下,缺乏数据共享或者数据交易的动力。数据市场能够提供与传感器数据互补的数据集,或者能够将传感器数据与其他数据相结合打造标准化的数据产品,从而建立起新的数据产品市场。鼓励物联网数据,尤其是与实体经济生产相关的数据进入市场交易也是一个明确的政策指向,欧盟先后发布了《数据治理法案》《非个人数据在欧盟境内自由流动的框架条例》《高质量数据集实施法案》等相关政策,鼓励非个人数据以各种方式共享,包括以交易方式实现数据在不同主体之间流动。我国工信部也发布了《工业数据分类分级指南(试行)》,鼓励企业对非敏感工业数据进行共享。最后,加快发展人工智能数据市场。人工智能对数据的依赖程度越来越高,除了原始数据之外,人工智能对标记过的数据有着越来越大的需求。人工智能技术开发企业对数据已形成了广泛的需求,这将推动数据市场生态发展。

(一)明确数据交易机构的性质和地位,加快推动数据交易标准制订与交易模式创新

在法律政策上,应对数据交易机构的地位进行明确,授予其对进入数据市场交易的数据进行溯源、合法性验证、使用场景监管、匿名化等权力。建立数据交易机构与数字平台企业、行业协会、公共服务部门等相关部门的合作机制,推动数据来源多元化与合规化。促进数据交易机构与政府部门、数据生产部门、行业协会等进行合作,根据数据交易的实践制订数据交易标准,包括数据产品标准、数据安全标准、数据匿名化标准、数据源同步和更新标准等。支持数据交易市场与其他机构的合作,重点试点数据交易机构与云计算服务商的合作。例如,数据交易服务商Snowflake在所有三个公共云(AWS,微软Azure和谷歌云平台)上运行,并于2019年6月推出了Snowflake Marketplace,已拥有来自近100个数据供应商的156个数据集,这个市场是完全云原生的,每个客户都可以与任何其他Snowflake客户无缝共享数据,而无需移动数据,也不需要传输文件和创建数据副本,从而提供无摩擦的数据共享体验。

(二)推动数据交易机构的兼并重组,促使数据交易市场跨越临界规模实现正循环成长

在政策层面,推动数据交易机构进行兼并重组,使数据交易市场能够突破临界规模,提升其交易效率。在前期,可以通过规范公共数据开放,扩大合法数据来源,鼓励数据进场等措施汇聚更多的需求方和供给方,从而快速扩大交易规模,更快突破临界规模。在市场生态层面,出台支持数据交易生态内主体发展的相关政策,推动数据生态快速形成,与数据交易市场的成长形成互补。针对数据交易市场的参与主体,尤其是交易生态内的主体,要考虑到其前期业务规模较小、生存压力大等问题,出台相关的扶持政策,引导和培育数据经纪、数据验证、数据战略咨询、数据合规、数据运营等服务机构成长,形成良好的数据交易生态。

(三)构建数据交易的服务体系,为数据交易机构运行提供依据和保障

建立对数据来源进行溯源的制度标准,发展数据交易机构数据溯源等相关服务,出具相应的证书文件,明确可交易数据的标准。试点建立数据使用场景的“通用”跟踪基础设施,对数据交易后的使用方向进行动态跟踪。积极试点个人数据调解员(MID,Mediators of Individual Data),对个人数据交换、使用、交易、利益分配等进行协调,推动更多的个人数据在符合各方利益的情况下进场交易。推动数据交易机构建立区块链、隐私计算等数据交易技术基础设施,推动新技术在数据交易领域的应用。

(四)完善数据交易机构的监管法律政策体系,明确数据交易机构行业统一的主管部门

数据交易机构作为数据交易市场的重要载体和场所,不可避免地涉及个人隐私、商业机密等,数据交易机构的良莠不齐将严重威胁数据安全和价值发挥。但目前数据交易的监管机构并不统一,实际治理过程也存在多头管理现象。因此,应加快推进数据交易机构的监管立法,明确监管数据交易机构的主管部门,从而规范数据交易机构的行为。

猜你喜欢交易机构一周机构净增(减)仓股前20名股市动态分析(2016年24期)2017-01-07一周机构净增(减)仓股前20名股市动态分析(2016年23期)2016-12-27大宗交易榜中榜股市动态分析(2016年22期)2016-12-27大宗交易榜中榜股市动态分析(2016年23期)2016-12-27大宗交易榜中榜股市动态分析(2016年28期)2016-11-02大宗交易榜中榜股市动态分析(2016年15期)2016-10-19一周机构净增(减)仓股前20名股市动态分析(2016年7期)2016-09-29一周机构净增仓股前20名股市动态分析(2016年4期)2016-09-29一周机构净减仓股前20名股市动态分析(2016年29期)2016-08-04机构鉴股股市动态分析(2016年29期)2016-08-04

推荐访问:高质量 路径 逻辑

猜你喜欢