数据价值释放：现状、问题和建议

摘 要：数据要素作为一种新兴生产要素，是新质生产力发展的重要动力。我国当前面临数据价值释放不充分的问题，有必要从完善数据要素市场的视角拓展至促进数据价值释放的更一般的理论体系。数据要素的价值释放总是经历供给、需求、供需匹配三个基本环节，并依赖政策法律形成全面健康的价值释放生态。提高数据要素价值释放效率，需正视并解决当前我国数据价值释放过程中面临的诸多现实问题，如数据供给成本高且开发激励不足、数据利用能力不够、供需匹配机制与相关制度法规尚不完善等。针对这些问题所反映出的市场失灵与政策失灵，政府应把握数据要素在价值创造与释放过程中的核心规律，兼顾交易交互两大主线，保障市场有效运行，健全定价与收益分配体系，推动数据价值的充分释放。

关键词：数据价值释放；数据要素；数据流通；数据交互；新质生产力

中图分类号：F49 文献标识码：A 文章编号：1003-7543（2024）08-0045-15

数据要素是数字经济时代最为重要的生产要素之一，是新质生产力发展的重要动力［1-2］。我国高度重视培育数据要素市场，出台多项政策文件促进数据价值流通释放。2023年12月国家数据局等十七部门联合印发的《“数据要素×”三年行动计划（2024—2026年）》指出，要推动数据要素应用广度和深度大幅拓展，发挥数据要素的放大、叠加、倍增作用，提升数据要素赋能经济社会发展的增长动能。据测算，2023年全国数据生产总量达32.85ZB，同比增长22.44%，2024年数据生产量增长预计将超过25%［3］。我国数据规模优势正在逐步扩大，并将保持快速增长趋势，这引发了生产力和生产关系的深刻变革与重塑，高质量数据资源将成为经济增长的重要源泉［4-5］。

然而，我国数据要素管理与利用目前尚处于起步阶段，海量数据优势潜力急需释放［6］。数据要素价值释放的组织形式与监管机制需要更加多元化，以匹配数据存量与应用场景的高速增长。本文立足我国当前数据要素价值释放各环节中存在的诸多现实问题，剖析数据价值释放的基本机制，就实现数据价值的高效转化提出针对性建议。

一、我国数据价值释放的现状

自2014年起，我国数据流通交易经历了逐步建立、规范整顿再到繁荣有序的发展过程，多地建立数据交易平台，各数商和互联网企业也纷纷探索数据流通交易的多种模式。随着对于数据价值释放的认知与实践不断丰富，我国于2023年成立国家数据局，统筹推进数据要素流通利用。随后，数据要素相关产业活跃度显著提升，总体规模不断上升，现已形成纵向联动、横向协同的数据工作体系［7］。总体来说，我国当前数据价值释放呈现多主体参与、多维度分布、多政策协同的态势。

（一）数据价值释放的多主体参与

我国当前数据价值释放是一个多元主体参与的过程，参与主体范围仍在随着价值释放方式的不断丰富而扩张。各级政府、各类企业甚至公众个体共同参与，共同完成数据价值的实现过程。以数据交易所功能演变为例，目前我国数据交易所已从单纯的交易撮合平台发展为集流通交易规则制定、市场主体登记、数据要素登记确权、数据产品服务提供、各方资源整合、交易全流程数据安全把控等职能于一身、贯通产业链上中下游的综合性服务中心，使得更多类型的数商或数字化企业能够参与到数据价值释放过程［8］。此外，数商的范围和功能也在不断扩展。目前，数商企业的具体业务正在经历从传统的数据分析、资源集成、咨询治理业务向产品开发、交易经纪、评估仲裁等更深层次多元领域业务拓展的过程。现阶段，通用型数商（如普元信息、美林数据、华为云、阿里云等）与专攻金融、钢铁、智能制造等某一领域或某一产业链的行业型数商（如万得等金融软件服务企业以及欧冶云商等产业互联网厂商）并存经营、协同发展。

同时，参与数据价值释放的政府主体也日渐丰富。云南融资信用服务平台通过直接用数、信用报告及联合建模三种模式与银行共享数据，其数据归集位居全国前列。四川省文化和旅游厅规划构建“人在游、数在转、云在算”智慧文旅新格局。从各地构建数据交易所向各地发挥地域优势，地方政府开始从自身经济关键领域以新的路径和形式通过数据赋能地方经济，充分表明我国数据价值释放进入多元主体新阶段。

除政府部门与数据相关企业外，我国各类科研机构、算力中心、行业协会也参与到数据价值共创过程中。表1（下页）总结了我国当前各类主体参与数据价值释放的典型类型与案例，以及各类型主体参与价值释放的主要形式。数据价值释放多元主体参与成为我国数据要素价值实现在当前阶段的新特征。

（二）数据价值释放的多维度分布

数据价值释放的多元性不仅体现在参与主体上，而且体现在其释放逐渐向多领域、多地域拓展上。由国家数据中心及大型平台企业作为大型数据枢纽，各细分领域数据流通逐渐向专业化发展，呈现“多极散布”的新特征。数字中国建设峰会官网整理了当前我国“数据要素×”多个典型案例［9］。在物流领域，浙江四港联动发展有限公司打造智慧物流云平台，集成全省多维度物流大数据，加快物流行业转型升级；在材料科学领域，合肥机数量子科技有限公司建立高质量化学和材料科学数据库，打造基于数据的材料研发新模式，大幅增强相关产品市场竞争力；在电子信息领域，四川长虹电子控股集团有限公司通过建立工业数据空间，打通生产全流程以及供应商资信和历史交易记录等数据，实现产业链供应链高质量协同发展。此外，大量专业细分领域数据交易所开始涌现，如中关村医药健康大数据交易平台、海南国际知识产权交易所、全国文化大数据交易中心、青岛海洋数据交易平台等。

与此同时，数据价值释放存在地域差异，但已呈现区域间互动融合趋势。目前，我国华东、华北、华南地区共有近30家数据交易所或交易中心，而东北、西北地区仅有两三家正常运行，体现了数据资源与价值释放发展的地区间不平衡。2023年底，广州数据交易所依据广东省数据要素“一所多基地多平台”体系，在新疆喀什地区成立喀什服务基地，成为新疆第一所数据交易所，促进了跨省跨区域数据流通。从国家政策来看，2023年12月印发的《数字经济促进共同富裕实施方案》开始重视数据要素价值实现的再分配效应，提出立体化实施“东数西算”工程，引导数据要素跨区域流通融合。从地方政府政策来看，当前各区域正聚焦数字经济体系中具备一定经济优势的关键领域，如四川省优先发展智慧文旅和智慧医疗，安徽省将公共数据授权试点作为数据要素价值释放重心之一等。

产业上多极散布、区域上互动融合成为现阶段我国数据价值释放的重要特征。由于数据要素具备产业与地区上的集聚效应［10］，发挥数据的倍乘效应，就需要重视我国数据要素应用发展中的新规律。

（三）数据价值释放的多政策协同

我国当前数据价值释放状况是新旧数据相关政策实施的动态结果，体现了中央与地方政策共同作用的基本成效。我国有关数据价值释放的政策演进可以分为三个阶段（见表2，下页）。

第一个阶段是大数据发展探索期（2014—2019年）。2014年大数据首次被写入中央政府工作报告，拉开了我国数据要素市场建设的序幕。这一时期，政策以鼓励大数据发展为主，强调“互联网+”概念，推动大数据技术在不同产业中广泛应用，国家出台了一系列政策鼓励培育新兴产业集群。这一阶段的政策使得数字技术日益成为国家规划及企业发展的重心之一，积累了大量数据与数据生产技术，为数据要素价值释放打下基础。

第二个阶段是数据要素市场建设期（2019—2022年）。2019年首次将数据要素作为生产要素的重要组成部分。这一时期，政策重点是加快培育数据要素市场，推动政府数据开放共享，并为数据流通和交易的基础制度建设指明了方向。与此同时，开始关注数据安全问题，先后出台多部法律法规为数据要素市场健康发展提供保障。这一阶段的政策鼓励大数据相关平台与机构的试点、建立和完善，这些平台与机构是当前数据要素价值释放生态中不可或缺的组成部分。

第三个阶段是数据要素价值释放期（2023年至今）。2023年是我国数据要素市场建设的重要一年。国家发布了一系列政策文件，为深化数据要素市场建设、持续推进数字中国战略提供了坚实的政策支撑。随着这些政策的深入实施，我国数据要素市场迎来更加广阔的发展前景。2023年，我国成立了国家数据局，更是标志着我国数据要素流通利用进入全新的发展阶段。与此同时，我国各省（区、市）积极出台相应配套文件，激发数据要素创新活力，推动数据要素市场快速发展。

随着政策的逐步演进，数据价值释放的理论基础不断深化。首先，数据作为一种独立的、具有重要价值的生产要素，其真正的价值在于参与到生产要素的组合与升级过程中，激发更大的经济活力和创新动力。数据价值释放的精髓在于其在实体经济发展中扮演关键生产函数的角色，成为推动高质量发展的核心引擎。其次，数据要素市场是实现数据价值释放的途径之一，但并非唯一。因此，需要从多元化的角度出发，通过多种方式充分挖掘数据要素的潜在价值。根据最新政策导向，数据价值的释放应与多样化的应用场景紧密结合，通过数实融合，探索数据价值释放的新机制、新路径［11］。最后，数据价值释放的主要途径，是否通过中心化的数据交易中心或数据交易所来实现，是一个值得深入思考和探讨的问题。从理论角度出发，需要重新审视这一观点，因为在实际操作中，先前各地大数据交易所的模式似乎并未完全展现数据价值释放的最佳效果。因此，不应局限于传统的交易中心或者交易所模式，而应探索更多元化、灵活化的数据流通和价值实现方式，以确保数据能够更有效地为实体经济和社会发展贡献力量。

二、数据价值释放的基本机制

数据价值的释放，需经历从资源化到数据共享、交易流通再到分析应用的过程，这一过程依赖云服务、隐私计算、人工智能等数字技术和数据中心等基础设施的支撑，需要清晰、透明、一致的监管政策来保障市场秩序［12］。根据数据的不同供给类型与应用需要，达成供需匹配的具体形式也需要灵活变化。在供给、需求与匹配这三个环节中，政策法规均扮演了重要角色，支撑了数据价值更好实现。

（一）数据供给是数据价值产生的起点

数据供给构成数据生命周期的起始阶段，包含数据生产、存储与清洗等环节，是数据加工、分析及应用的先决条件。只有充足且高质量的数据供给得到保障，数据的潜在价值才有望得到充分释放。为了使数据要素的价值最大化，必须提供全面、多样、合规且有效的数据。一方面，为适应多样化的业务需求，数据供给应涵盖个人数据、科研数据、公共数据等多种类型。各类数据源于不同的渠道、用途和特性，对数据的质量和供给方式自然有着不同的要求。特别是对于公共数据这类价值高但敏感性强的数据，需探索合法合规的利用策略以释放其潜在价值。另一方面，数据质量直接决定了数据价值实现的可能性。数据供给的质量不足，如数量有限、精度不高、更新缓慢或内容不完整，都会影响数据的有效利用［13］。因此，提升数据收集与初步整理加工的能力和技术，也尤为重要。

《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》将数据分为公共数据、企业数据和个人数据三大类型，但从实际应用角度来看，个人数据价值释放场景相对较少，因而可以将数据供给主要分为公共数据供给与企业数据供给两个部分。公共数据是数据要素的重要组成部分，政府通过对外开放这些数据资源，并授权相关企业进行运营，可以为社会提供高质量的公共数据服务［14-15］。这种做法不仅促进了数据的有效利用，而且能推动社会的整体进步和经济发展。据统计，自 2017年起我国公共数据开放平台持续增加，截至2023年8月，我国已有226个省级和城市的地方政府上线了数据开放平台。在我国27个省级行政区（不含直辖市和港澳台）政府中，已经有80%以上的政府上线了公共数据开放平台。整体上，呈现从东部向其他地区发散的状况［16］。公共数据在促进社会公益和提高公共服务效率方面发挥着关键作用，通过合理利用和分析这些数据，可以更好地提升社会福利。此外，政府对公共数据的开放和授权运营，可为企业提供宝贵的信息资源，帮助它们提升生产效率、改进生产技术、优化经营管理策略等，从而在更大程度上赋能经济社会发展。在企业的生产经营活动中，也会产生大量数据。在保障数据安全和隐私的前提下，企业数据的利用不仅能够提升企业的运营效率和创新能力，而且能广泛地服务于社会公益和商业发展，促进社会的整体进步和经济的繁荣。随着信息通信技术的快速发展，对数据进行采集、存储、加工和开发应用的能力不断提升，企业数据的规模迅速扩大、种类不断扩增、应用场景越发丰富，在经济社会发展中开始发挥越来越重要的作用。我国高度重视企业数据的开发应用，出台了一系列政策，支持数据产业发展，推动互联网、电信、金融等领域的企业进行数据开放共享，提升数据供给数量和质量，提高大数据应用水平，加快我国数据要素市场建设，促进数字经济和实体经济融合发展［17-18］。

此外，我国制定了多项政策法规保护个人信息安全，如何在满足这些政策法规要求的前提下实现个人数据有效供给是数据交易面临的一大难点。2023年4月，贵阳大数据交易所联合某公司探索个人简历数据流通交易全新商业模式，完成全国首笔个人数据合规流转交易，创新了数据交易模式，为个人数据合规交易、合法创收提供了参考。

（二）数据需求是数据价值释放的终点

数据需求代表了市场和用户对数据的期望和依赖，是推动数据流动和交易的关键动力。只有当数据供给能够精准匹配并满足市场和用户的需求时，数据的潜在价值才能得到实现和转化。因此，理解并满足数据需求是数据价值链的终点，也是数据资产化和资本化的最终目标。从数据需求来源的丰富性来看，数据需求来源于不同的行业和领域，包括但不限于商业智能、市场分析、产品开发、客户服务等。随着数字化转型的深入、公共数据授权运营的推进、数字技术和实体经济的融合，这些需求变得更加丰富而紧迫。企业需要通过深入分析市场趋势和消费者行为，准确把握数据需求，来指导数据的采集、处理和分析工作。从数据需求实现价值的途径来看，数据要素可以通过优化决策、提高生产效率、降低生产成本、增强产品和服务性能或创造新需求等方式实现最终价值［19］。

根据用途不同，可以将数据需求分为公益需求和商业需求两个部分。用于公益用途的公共数据范围广泛，如政府卫生部门利用公共数据监测传染病的暴发和传播；气象部门通过分析公共气象数据，提供台风、地震、洪水等自然灾害的预警；城市规划者使用公共数据分析人口增长趋势、城市扩张模式，以及制定长期的城市规划和发展战略等。企业数据种类多元、需求多样，探索不同情景下的定价收费模式，是交易实践中亟待解决的问题。此外，企业生产经营的数据信息可能具备较高的公共属性，如一些与国家安全、社会秩序息息相关的数据，因而在运用时尤其要注意公共利益的维护［20］。需要注意的是，用于公益用途和商业用途的数据之间并不存在明显的分界。例如，政府卫生部门的数据，既可以用于公益用途，进行传染病监测；又可以用于商业用途，为医药制造公司研发产品提供数据支撑。但是，不同来源和不同用途的数据在权责确定、流通使用规范等方面存在差异，因而发展重点有所不同（见图1，下页）。

随着数字经济的飞速发展，政府和企业对数据的需求日益旺盛，数据应用场景不断拓展，涵盖公共服务、教育医疗、气象交通、金融娱乐等多个领域。除了综合性或专业性数据交易平台（中心）外，我国数据交易机构还包括以数据堂、美林数据等为代表的集数据生产、采购、加工、销售于一体的平台机构，以及由互联网巨头派生出的交易平台，如京东万象、阿里数据等［21］。

（三）数据供需匹配是数据价值释放的路径

供给和需求的匹配，即价值真正释放的环节，可以通过交易或交互两种方式来进行［22］。在交易过程中，一般来说供需双方需要依托数据交易平台提供相应的数据确权、资产定价等服务来达成交易；但在现实情况中，由于法律法规和监管制度的不完善，大部分企业会选择直接进行交易，越过平台这一环节。这在一定程度上影响了数据交易的规范性和安全性。在交互过程中，双方并不需要通过市场机制来达成合作，而是通过数据开放共享来互利共赢，某种程度上实现了部分一体化，因而在产业链中数据交互十分常见。

交易模式分为场内交易和场外交易。场外交易也称企业间直接交易。目前，我国数据交易市场呈现场内冷清而场外火热的状况，场外数据交易规模占整个数据交易的95%左右。在场外交易模式中，数据的供应方和需求方通过初期的互动和供需匹配进行沟通，就价格和合同细节进行协商。双方达成一致后，即签订相应合约并执行，以完成数据交易。场内交易则由数据交易平台参与交易，链接数据产品的买方和卖方。我国数据交易平台的盈利方式主要分为以下几种：一是交易撮合，通过链接数据买方和卖方以收取相应佣金；二是提供数据产品，包括数据集、数据服务、数据应用等；三是产业链整合，对数据供给、数据需求、供需匹配、技术支撑、合规安全审查等全领域进行赋能。以上海数据交易所为例，上海数据交易所制定了一系列数据交易配套制度，构建了一体化数据流通智能系统技术框架，其交易服务流程涵盖交易前、交易中和交易后三个阶段，共包含九个服务功能。在交易前阶段，必须满足合规要求，具体包括数据治理、产品登记和产品挂牌等步骤。交易中阶段则包括交易测试、签订交易合约、产品交付以及结算和清算等环节。交易后阶段则涉及发放交易凭证和解决可能出现的纠纷。北京国际大数据交易所构建了全国首个大型数据商圈，建成国内首个数据要素服务中介体系。其交易流程由交易申请、交易磋商、交易执行和交易完结四个环节组成，除了提供数据交易撮合服务外，还提供资产评估、法律咨询和数据审计等衍生服务。在数据交易定价方式方面，公共数据与企业数据有所不同。目前授权运营单位的公共数据定价主要分为两类：一是制定公开的公共数据定价目录，纳入政府指导定价范畴；二是采取一对一议价方式收取相关费用。企业数据流通交易机制丰富，已形成协议转让、挂牌拍卖等多种形式并存的局面。产品定价和收益分配方面，已形成协议定价、拍卖定价等多种定价方式，以及订阅式收费、从量从次收费等多种收费模式。企业数据种类多元、需求多样，使得探索不同情景下的定价收费模式成为交易实践中亟待解决的问题。

在交互模式下，数据的供给和需求方之间进行数据的共享［22］。原始数据的提供方向另一方开放数据集或数据服务的部分使用权。例如，政府在运行过程中积累了大量覆盖社会服务、教育医疗、环境交通等多个关键领域的数据。政府通过建立数据开放中心，进行跨部门跨区域的数据共享，并授权相关企业进行运营，可以为社会提供高质量的公共数据服务。又如，淘宝、京东等大型网购平台常采取与电商开放消费者数据的方式来吸引消费者或进行价格歧视，以提升商家的销售额，进而提升自身收益。以浙江省数据开放平台为例，一方面提供了高质量的开放数据集，用户可以通过它直接下载或申请接口来获取；另一方面，通过开展数据开放创新应用大赛等方式鼓励社会力量有效利用开放数据，积极参与城市治理，为公众提供更便捷的服务。目前，应用成果分为移动App、小程序、Web应用、研究成果四个类型，为社会生产生活的方方面面提供了高质高效的数据服务。在数据交互模式中，常见的数据共享方法是提供API接口服务。数据供应方可以直接向需求方提供API接口，或者通过数据中介平台将数据供需双方纳入其网络，并为他们提供相应的服务及API接口。在这一过程中，可以没有数据交易发生，仅仅是数据的流通和共享。这种模式减轻了企业在数据确权、入表等方面的成本，但对企业的数据开发技术提出了更高的要求。目前，API模式主要包括消费者平台数据共享和产业互联网企业数据共享两种形式。API模式应用广泛，无论是产业链上下游之间进行业务沟通提升效率，还是公共数据的开放共享，抑或大模型的开发利用，都偏好采用API模式进行数据流通。与此同时，API模式在数据交易中也发挥着重要作用。我国多家数据交易平台都提供基于API的信息服务类产品，包括北京国际大数据交易所、上海数据交易所等数据交易所，以及聚合数据、数据堂、阿里云API平台、京东万象等数商。

由于来源和用途的不同，数据产品流通产生了丰富的形态。出于对数据可控性及可用性的考虑，很少有数据是以原始形态直接交付的。我国数据产品或服务的主要形式包括标准数据集、数据模型或分析结果、数据应用解决方案。数据集主要通过介质传递、开放下载、接口调用、终端平台、定制服务等方式交付，而数据模型或分析结果主要以接口调用或分析报告的形式给出结果。数据应用解决方案则根据客户的不同需求提供相应的定制化产品或服务，如终端平台等［23］。数据流通还包括数据确权、数据定价、数据交付等。其中，数据交易所和数商扮演了关键的平台角色，承担基础设施搭建、等级审批、合规监管、交付应用等职能；第三方企业则参与确权、定价、评估等环节，提供专业服务。

根据科斯的观点，供需匹配的最优模式应该以最小化交易成本的形式来承担，这个最优形式决定了是采用市场机制还是其他的协作机制［24］。数据要素本身具备诸多不同于过去生产要素的特征，目前还需要进一步探索和发现更加合理的匹配机制。数字技术发展本身也提供了诸如智能合约等新式合作工具，使得数据价值实现的途径不断改良升级［25］。

（四）相关政策法规是数据价值释放的支撑

实现数据价值的最大化，需要有健全的政策法规支持。这包括数据评估、交易监督、权益保障等多个阶段，涉及个人数据权利的保护、商业数据的合法使用、防止不正当竞争行为、确保数据安全等多个方面。健康有序的政策法规支持可以提升数据供给、数据需求与数据供需匹配三个环节的价值释放效率。

在供给端，政策法规为数据要素生产提供保护和激励，以及制定数据要素的规范化标准。例如，数据资产如何入表是当前关注的重点之一［26］。又如，通过数据确权，保护数据生产相关主体的数据权益，尊重和保护数据制造者的劳动成果［27］。

在需求端，政策法规为数据购买者提供场景范围与使用保障。政策制定者需要抑制不合规的数据使用方式，保护并支持企业数字化转型升级。同时，通过建立健全的数据评估体系，数据买方可以更加准确地评估数据的价值，从而促进数据价值最终实现。

在匹配端，通过加强交易监督，可以确保数据交易与交互的公平性和规范性。通过完善权益保障机制，可以更好地保护数据提供者和使用者的权益，促使交易双方减少因信息不对称等而产生的担忧。另外，政府相关部门还可以统筹规划，提供包含交易在内的交流、分享、磋商、合作等多种数据价值实现沟通机会，激发更具创新性和合理性的匹配机制。

基于对其他三个环节的综合影响，政策法规需统筹数据价值实现过程的各个方面，塑造最适合我国数据环境的价值实现生态，激发数据要素潜在活力，实现增量价值提升。

三、我国数据价值释放面临的问题及其成因

数字技术更新迭代频繁，数据要素使用方式变化迅速，世界各国对数据价值释放还处于探索之中，我国当前仍在不断提升数据价值转化效率。从数据价值释放的现状来看，在四个基本环节中，我jJmqvaoBH8JDalKzTsPl+Q==国数据价值释放仍面临一些亟待解决的现实问题。

（一）数据价值释放面临的问题

1.数据供给成本高且开发激励不足

第一，海量数据采集存储成本过高。部分企业不能以较低成本筛选和处理海量数据，导致大量数据价值丢失，难以挖掘复用。根据2023年《全国数据资源调查报告》，全国数据产存转化率仅为2.9%［3］。考虑到大量数据在应用上还存在时效性要求，这些数据产能因为未能及时转换为数据供给而贬值或消失。尽管近年来发展了诸如分布式计算、缓存技术、并行算法、增量处理、流式处理等高效处理海量数据的方法，但新诞生的诸如生成式AI大模型等新型数据应用场景对数据采集和存储提出了更高的要求。数据供给端降本增效的速度往往慢于数据需求端的技术革新速度，使得海量数据采集存储成本成为数据供给端面临的重要问题。

第二，各类数据合规成本过高。数据要素相较于其他生产要素具有更高的非标准性、易修改性和可复制性，这些特性使得数据在流通过程中面临更多安全与隐私保护的挑战。相关政策法规往往要求对数据进行严格完善的全流程监管，对数据供给方造成较大的合规压力。以《中华人民共和国网络安全法》为例，司法解释规定了十种入罪情形，对信息保护设定了明确的界限。具体来说，非法获取、出售或者提供超过50条通信信息的行为即可构成犯罪。这些规定在保护隐私权益的同时，显著增加了企业在数据交易和流通中的责任风险，迫使企业在处理数据时必须非常谨慎，以避免违反法律规定。

第三，个人数据开发利用激励不足。其一，获取个人数据的合法授权是一个复杂且成本高昂的过程。尤其是当涉及大规模个人数据的收集时，获取每个数据主体的明确同意变得尤为困难。例如，商业保险公司可能希望使用群体健康数据来开发新的保险产品，但面临数据授权方面的障碍。其二，个人数据的匿名化处理缺乏统一和明确的标准。在人工智能和机器学习领域，大量的个人数据被用于训练算法模型。目前，数据的脱敏处理通常包括去除电话号码、姓名、身份证号码等个人信息，但这种做法是否能够完全符合隐私保护的要求，仍然缺乏清晰的指导和法规支持。其三，个人数据共享的经济激励机制尚未充分建立。由于分享个人数据难以获得直接的经济回报，个人数据的流通和利用缺乏足够的内在动力。同时，由于隐私悖论①的存在，难以建立由消费者个体组成的个人数据要素市场。

第四，公共数据开发共享激励不足。当前，政府和公共机构尚未确立清晰的收费项目和标准，用以向进行公共数据授权运营的实体收费。尽管自2020年起，中央网信办已在8个省份（包括上海、江苏、浙江等）启动了公共数据资源的开发利用试点项目，并涌现出多样的授权运营模式，但作为数据资源的持有者，政府并未向这些运营实体收取费用。这背后的主要难题在于缺乏明确的收费项目和收费标准，这些项目的设立层级、审批流程以及如何确定费率等，都需要进一步的探讨和明确。否则，可能会引起政策执行上的偏差，导致相关部门在收费环节中不敢收、不会收，进而产生国有资产流失风险。此外，大型科研机构和高校虽然在研究过程中收集和存储了大量数据，但在项目结束后主动共享数据的意愿并不强烈，导致了数据孤岛现象，阻碍了科研数据潜在价值的充分利用和释放［28］。

2.需求侧数据利用能力与有效需求动能缺乏

第一，许多公共数字化应用场景尚未对市场充分开放。这也进一步限制了数据需求方动能的增长。《2022中国地方政府数据开放报告》显示，目前全国地级、副省级和省级开放平台仍然只占全国覆盖率的50%，且在已上线的平台中，开放数据在数量上还相对较少，容量也较低［29］。此外，国有企事业单位掌握的公共交通、气象服务等具有较高价值的数据同样开放有限，这在一定程度上抑制了市场对数据需求的增长和创新应用的发展。

第二，部分企业对数据应用价值的理解不足。我国一些企业对数据的潜在价值缺乏足够的理解，未能充分发挥数据在推动业务决策和创新方面的作用，部分企业数字化转型进程缓慢。根据埃森哲2022年发布的《中国企业数字化转型指数报告》，2022年中国只有不到20%的企业在数字化转型上取得了显著成效［30］。中小企业面临三大障碍：缺乏转型的能力、缺乏转型的意愿、对转型风险的担忧，这些问题共同阻碍了中小企业的数字化转型进程。

第三，众多企业在数据的分析应用上存在短板。尽管企业积累了海量数据资源，但未能将这些数据转化为实际的业务价值。全国信息技术标准化技术委员会在2020年9月发布的调研分析报告中指出，多数大中型企事业单位虽然开始认识到数据的重要性，并尝试通过数据治理来提升数据价值，但仍普遍面临组织结构、战略规划、标准体系不完善，以及技术工具不足、数据治理能力有限等问题。就中小企业而言，数据治理的问题则更为严峻［31］。从整体来看，大多数企业在数据开发和利用方面仍有较大的提升空间。

3.供需匹配的实现机制尚待完善

第一，“有数无市”和“有市无数”并存。前者是指数据丰富但缺乏流通市场。以医疗健康领域为例，医院和医疗机构积累的大量医疗数据对于医学研究和健康服务具有重要价值，但由于隐私保护的严格要求和数据标准化程度不足，这些数据难以在市场上自由流通，导致数据拥有方难以找到合适的交易对象，形成数据存量丰富但市场交易不活跃的现象。“有市无数”则是指市场上的数据供应商主要提供未经深度加工的原始数据，缺乏满足特定需求的定制化服务。当前我国数据交易还停留在基础的匹配阶段，未能充分挖掘数据的深层价值。尤其在工业领域，制造企业需要根据自身生产需求定制化的数据服务来优化生产流程，但市场上的数据服务往往无法提供这种个性化解决方案，导致企业难以有效利用数据资源来提高生产效率。

第二，数据要素价格发现机制不完善。其一，公共数据的定价机制尚未成熟。《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》虽然提倡公共数据依据政府的指导性定价进行有偿使用，但目前全国范围内尚未建立一个统一且成熟的公共数据定价模式。其二，企业数据的价格形成机制不够完善。当前，企业数据的交易多以私下协商为主，采取的是卖方提出价格、双方进一步协商的模式。在缺乏规范的价格形成机制的情况下，企业数据的定价存在较大的主观随意性，不能准确体现数据的真实市场价值。

第三，供需双方高度信息不对称。在搜索阶段，市场主要发挥着数据展示的功能，但潜在买家在筛选和识别对自己有用的数据集时需要投入相当的搜索成本。他们往往依赖卖家提供的元数据，这就要求卖家必须具备足够的专业知识来详细解释数据的结构和内容。此外，存在数据质量和价值的信息不对称问题，卖家通常掌握更多关于数据质量的信息，而买家则对数据的潜在价值有更深刻的理解。进入交易阶段，买卖双方在价格协商上也需要投入大量的时间和精力。同时，确认数据的合规性和安全风险等不容忽视的关键问题也需要双方付出相当的时间和成本，其中也存在着显著的信息不对称问题。

4.相应制度与法规仍不健全

第一，数据权属分置问题。在数据权属的界定上，理论和实际操作都面临重大挑战。首先，数据的分级和分类问题尚未得到有效解决，这包括个人数据、企业数据、政务公共数据，以及原生数据和衍生数据等不同类别。其次，数据所有权的归属问题复杂，若将所有权归集于数据收集者（如企业），可能难以充分体现产权的全面意义；而若将所有权归属于数据被收集者（如用户个人），则可能对数据产业的健康发展产生不利影响。此外，法律层面对数据权属的确权尝试成效有限。尽管全球范围内的立法活动日益增多，涉及数据的规定也在不断增加，但目前还没有对数据产权问题提供清晰的解决方案。在中国，虽然《中华人民共和国民法典》提出了对数据财产进行法律保护，一些地方性法规也对数据权属进行了初步探索，但这些尝试尚未取得显著成效。

第二，数据安全合规问题。数据交易市场的发展受到合规性和安全性风险的制约，这些因素增加了交易成本，影响了买卖双方的交易积极性，进而导致市场流动性不足。根据《中华人民共和国数据安全法》《中华人民共和国网络安全法》《中华人民共和国个人信息保护法》的规定，数据交易必须确保合规性，同时保障网络安全和个人信息的合法保护。上海数据交易所提出的“不合规不挂牌，无场景不交易”的方针进一步体现了对合规性的严格要求。这些规定和原则提高了市场准入门槛，使得数据交易的参与者必须更加谨慎，最终影响了市场的活跃度。

第三，数据要素流通市场建设的相关制度不健全。其一，国内的数据交易平台尚未形成统一的标准，多种模式共存，各自制定规则，这导致数据标准化水平不高，且数据交易的登记和结算系统尚未健全，各平台间资源共享与整合面临困难。其二，数据交易领域缺乏一个明确的监管主体，导致市场准入、数据安全、数据滥用、交易纠纷等问题监管不足。其三，目前还没有专门针对数据交易和应用的法律法规，这增加了交易的不确定性和风险。

第四，在数据监管上缺乏判断数据垄断的标准。探讨数据领域是否存在垄断现象，关键在于如何对数据垄断进行识别。在数据流通领域，反垄断法的适用性需结合具体情况分析。数据使用的广泛性能够提升其静态效率，但过度广泛可能会减少对数据采集的激励，影响动态效率。在数据的生产与共享之间寻求静态与动态效率的平衡是一个复杂议题，是否判定广泛使用数据为数据垄断也存在争议。数据垄断作为一个亟待解决的问题，其重要性不言而喻。

（二）数据价值释放面临问题的成因分析

我国数据价值实现过程中面临的诸多困境可以归结为市场失灵、政策失灵两个方面。

第一，市场机制失灵。一是信息不对称，这主要体现在供需双方缺乏对数据需求的精确描述以及对数据质量的准确信息。二是负外部性，数据流通过程中可能会带来隐私泄露、商业机密泄露等数据安全问题。三是垄断问题，企业出于保护商业秘密和维持竞争力的考虑，可能会严格限制数据的流通和共享，这无疑阻碍了数据价值的最大化。四是协调失灵，产业链上的各企业甚至单个集团公司内部的不同部门在进行数字化转型时都可能出现协调失灵问题，影响数据高效流通。

第二，政策手段失灵。首先，数据交易所的重复建设现象普遍，各省（区、市）竞相设立大数据交易所，但多停留在“一把手”工程，往往因缺乏统一规划和有效管理而出现资源浪费、效率低下、经营不佳等问题。其次，政策制定者在推动数据流通与保护数据安全之间面临两难抉择，这种发展与安全的二元矛盾使得政策制定变得复杂而困难。中央和地方存在多个负责大数据流通交易的管理部门，关注重点的不同容易产生在发展和安全之间的政策矛盾，导致政策和规则不统一，易造成数据跨行业、跨地区流通应用的阻碍。同时，政策的不明确和不稳定使得企业难以形成稳定预期，会采取“法无授权不可为”的策略来规避政策风险，从而抑制企业的发展活力。最后，公共数据缺乏数据共享激励机制，使得政府部门在公共数据授权运营过程中，将部分本应服务于公共利益的数据转为授权运营，不仅减少了公众免费获取公共数据的渠道，还增大了社会运行的整体成本。

四、促进我国数据价值释放的思路和建议

（一）促进数据价值释放的基本思路

第一，明确有效市场是数据要素市场发展的基础，政府的作用是在市场失灵时进行补充和引导，政策制定需要且应当遵循市场规律和原则。当下的数据要素市场建设，要尽快明确相应政策（尤其是安全政策），划清红线，以及可以探索“尽职免责”的方案，打破当下已经形成的“法无授权不可为”的市场预期。要充分利用市场力量。数据交易平台的建设，可以对市场放开，不一定要由政府来主导，谨防形成行政垄断。当前，一些互联网平台提供的数据平台服务已经展现出显著的市场效果，未来应进一步借助市场的力量，推动公共数据的应用场景向市场开放；在需求端提升各行业的数字化水平，丰富数据要素的需求与应用场景；提升人才的数字素养，加强数字经济人才培养。

第二，充分理解数据作为生产要素的价值。数据要素作为创造新质生产力的关键生产资料，对我国经济增长具有重要意义［32］。数据要素的经济效益体现在促进产品和服务质量提升、降低成本、激发创新上，其核心价值源自数据的深度开发与应用［33］。因此，在构建数据基础制度时，重点应放在如何使数据得到充分利用，而非单纯追求数据交易的数量和金额。此外，将数据视作一种资产进行会计处理、抵押或融资等金融操作时，需持谨慎态度，以确保数据资源的合理利用和风险控制。

第三，兼顾交易和交互两大主线，寻找数据要素高效流通模式。一方面，探索多样化的数据交易模式，培养市场的专业参与者（如考虑第三方机构的参与），并尝试数据信托等新型模式。具体可参考北京国际大数据交易所“数据可用不可见，用途可控可计量”的创新做法，以及上海数据交易所推广的数商新业态和数据产品登记凭证。同时，提供包括质量评估、合规性审查、资产评估和仲裁等在内的综合服务，增强数据的可追溯性和交易的可靠性。另一方面，发挥数据交互在数据流通中的关键作用。数据交互允许各方通过共享数据来支持业务协同和价值创造，共同分享业务增长的成果。在这种模式下，数据的流通和使用不必依赖于复杂的所有权确定、定价和交易过程。此外，还需解决包括匿名化标准、隐私保护责任、数据跨境传输、数据安全技术、大型企业数据垄断等挑战。

第四，有效保护数据投资激励。数据的利用和共享并非越广泛就越好，这一点与技术和知识共享相似。尽管数据的非竞争性从理论上讲支持更广泛的共享，但这可能会削弱对数据收集和处理的投资动力。同时，评估数据共享是否充分的标准也值得深入探讨，以确保共享的合理性，从而使社会福利最大化。

第五，重视应用数据能力的提升。数据有效利用的关键在于技术和服务能力，而不仅仅是数据本身。在众多拥有大量数据资源的巨头企业如阿里巴巴、京东和腾讯的竞争环境下，拼多多和字节跳动的成功突围，以及ChatGPT在美国的崛起，均体现了技术和创新体系、制度与经济环境的共同影响，这些因素往往比数据量本身更为关键。技术和有利于创新的外部条件比单一的数据规模更具决定性作用。

（二）促进数据价值释放的建议

第一，尊重数据要素市场运行规律，建立有效开放的数据流通与应用体系。首先，建立激励机制以提升数据产品的品质和吸引力，同时在需求端提高各行业的数字化水平，以促进数据要素需求和应用场景的拓展。其次，优化数据流通和交易模式，减少市场摩擦，特别是要重视数据交互的流通方式，并促进数据交易、数据交互两种流通渠道的发展。再次，鼓励社会资本的投入，为避免形成行政垄断，可考虑对某些公共数字化应用场景进行市场化开放。最后，政府应加强技术研发、人才培养，并完善数据安全和合规交易的机制［34］。

第二，以发展数据交易平台为抓手，进一步加强数据要素价值释放生态建设。数据交易平台应定位为全面的服务提供者，要不断提升服务质量和建设能力，专注于规则制定、生态建设、技术进步、机制创新和安全保护等支持性服务，以实现其中介功能。通过建立互信机制，利用技术和业务模式创新，连接数据产业的各个环节，促进数据价值在产业链中的流动，实现数据生产和交易的闭环。

第三，探索更加完善的数据要素定价和收益分配体系。综合运用多种定价策略［35］，实施差异化定价策略，以扩大数据交易的应用范围。对于标准化程度高、成本和价值容易衡量的数据产品，可以采用成本法进行定价，即基于生产过程中的劳动和资本投入来确定价格。对于稀缺性高、市场价值大、受市场供需影响显著的数据产品，可以采用拍卖法进行实时定价。而对于定制化的数据产品或服务，可以通过协商的方式来确定价格。企业数据用于商业目的时，其定价应由市场供需关系决定，以最大化数据的经济价值。对于企业数据和公开数据在公益领域的应用，建议设置价格上限，以降低成本，促进这些数据在公益用途中的广泛应用，从而提升社会福利水平。公共数据的商业使用需要处理好效率和公平的关系，可通过设定最低价格限制来指导。此外，数据交易平台应不断优化数据交易的定价规则，同时鼓励和支持第三方权威数据资产评估机构的发展，以提高数据市场价格发现的效率，促进定价机制的透明化和规范化。 [Reform]

参考文献

［1］周文，许凌云.论新质生产力：内涵特征与重要着力点［J］.改革，2023（10）：1-13.

［2］王文泽.以智能制造作为新质生产力支撑引领现代化产业体系建设［J］.当代经济研究，2024（2）：105-115.

［3］国家工业信息安全发展研究中心.全国数据资源调查报告（2023年）［R/OL］.（2024-05-24）［2024-06-20］.https：//www.cics-cert.org.cn/web_root/webpage/articlecontent_101006_1

793458699935682562.html.

［4］李三希，黄卓.数字经济与高质量发展：机制与证据［J］.经济学（季刊），2022（5）：1699-1716.

［5］任保平，王子月.数字新质生产力推动经济高质量发展的逻辑与路径［J］.湘潭大学学报（哲学社会科学版），2023（6）：23-30.

［6］丁波涛.我国数据要素市场治理的模式、现状与对策［J］.信息资源管理学报，2024（2）：29-40.

［7］陈思.培育数据要素市场的逻辑理路、安全困境与应对策略［J］.当代经济管理，2023（3）：24-31.

［8］郑丁灏.中国数据交易所政策变迁、功能定位与规范配置［J］.科技进步与对策，2024（13）：113-121.

［9］国家数据局.“数据要素×”典型案例之二 | 打造工业数据空间 赋能产业链上下游发展［R/OL］.（2024-06-04）［2024-06-20］.https：//www.szzg.gov.cn/2024/xwzx/qwfb/202406/t20240604_48

36023.htm.

［10］ 王曦.数字新质生产力、国内国际双循环与经济高质量发展［J］.统计与决策，2024（10）：17-22.

［11］ 丁述磊，刘翠花，李建奇.数实融合的理论机制、模式选择与推进方略［J］.改革，2024（1）：51-68.

fa740c6c06ab9301824f8ec8773b6fc3

［12］ 李三希，李嘉琦，刘小鲁.数据要素市场高质量发展的内涵特征与推进路径［J］.改革，2023（5）：29-40.

［13］ 王超贤，张伟东，颜蒙.数据越多越好吗——对数据要素报酬性质的跨学科分析［J］.中国工业经济，2022（7）：44-64.

［14］ 吴武清，李祁恒，章柳漪，等.公共数据资源与企业全要素生产率——基于地方政府数据开放的准自然实验［J］.系统工程理论与实践，2024（6）：1815-1833.

［15］ 方锦程，刘颖，高昊宇，等.公共数据开放能否促进区域协调发展？——来自政府数据平台上线的准自然实验［J］.管理世界，2023（9）：124-142.

［16］ 复旦大学数字与移动治理实验室.中国地方公共数据开放利用报告——省域（2023年度）［R/OL］.（2023-11-01）［2024-06-20］.http：//ifopendata.fudan.edu.cn/report.

［17］ 陈雨露.数字经济与实体经济融合发展的理论探索［J］.经济研究，2023（9）：22-30.

［18］ 洪银兴，任保平.数字经济与实体经济深度融合的内涵和途径［J］.中国工业经济，2023（2）：5-16.

［19］ 杨俊，李小明，黄守军.大数据、技术进步与经济增长——大数据作为生产要素的一个内生增长理论［J］.经济研究，2022（4）：103-119.

［20］ 叶敏，范馨允.习近平法治思想指导下的中国特色企业数据产权制度构建［J］.法治现代化研究，2023（6）：37-52.

［21］朱云帆.我国数据交易统一大市场发展现状与路径思考［J］.电子技术应用，2023（5）：47-51.

［22］ 江小涓.数据交易与数据交互：理解数据要素市场特征的关键［J］.中国网信，2024（1）：32-36.

［23］ 中国信息通信研究院.数据要素白皮书（2023）年［R/OL］.（2023-09-26）［2024-06-20］.http：//www.caict.ac.cn/kxyj/qwfb/bps/202309/t2023

0926_462892.htm.

［24］ 黄丽华，窦一凡，郭梦珂，等.数据流通市场中数据产品的特性及其交易模式［J］.大数据，2022（3）：3-14.

［25］ 欧阳日辉，杜青青.数据要素定价机制研究进展［J］.经济学动态，2022（2）：124-141.

［26］ 黄丽华，郭梦珂，邵志清，等.关于构建全国统一的数据资产登记体系的思考［J］.中国科学院院刊，2022（10）：1426-1434.

［27］ 李三希，王泰茗，刘小鲁.数据投资、数据共享与数据产权分配［J］.经济研究，2023（7）：139-155.

［28］ 卢祖丹.科研数据开放共享的经济逻辑与制度安排［J］.科学学研究，2022（9）：1661-1667.

［29］ 复旦大学数字与移动治理实验室.中国地方政府数据开放报告——城市（2022年度）［R/OL］.（2023-01-10）［2024-06-20］.http：//ifopendata.fudan.edu.cn/report.

［30］ 埃森哲.数字化转型：可持续的进化历程［R/OL］.（2022-10-27）［2024-06-20］.https：//www.accenture.cn/cn-zh/insights/strategy/china-digital-transformation-index-2022.

［31］ 中国电子技术标准化研究院.数据治理发展情况调研分析报告［R/OL］.（2020-09-21）［2024-06-20］.https：//www.cesi.cn/202009/6825.html.

［32］ 焦勇，齐梅霞.数字经济赋能新质生产力发展［J］.经济与管理评论，2024（3）：17-30.

［33］ 蔡继明，刘媛，高宏，等.数据要素参与价值创造的途径——基于广义价值论的一般均衡分析［J］.管理世界，2022（7）：108-121.

［34］ 陈蕾，李梦泽，薛钦源.数据要素市场建设的现实约束与路径选择［J］.改革，2023（1）：83-94.

［35］ 欧阳日辉，龚伟.基于价值和市场评价贡献的数据要素定价机制［J］.改革，2022（3）：39-54.

Data Value Release： Current Status， Problems， and Suggestions

LI San-xi HUANG Jing-min MA Meng-yang

Abstract： As an emerging production factor， data factor is an important part of the new quality productive forces. As China is currently facing the status quo of simultaneous development of data factor transaction and interaction， and insufficient scale of data value release， it is necessary to expand from the perspective of perfecting the data factor market to a more general theoretical system that promotes the release of data value. The value release of data elements goes through three basic links of supply， demand， and the matching of supply and demand， and relies on policies and laws to form a comprehensive and healthy value release ecosystem. To improve the efficiency of data factor value release， it is necessary to cope with many practical problems faced in the current process of releasing the value of data in China， such as high data supply costs and insufficient incentive of data supply， insufficient data utilization capabilities， and incomplete supply-demand matching mechanisms and related institutional regulations. In response to the market and policy failures reflected in these issues， the government should grasp the core laws of data elements in the process of value creation and release， take into account the two main lines of data factor transactions and interactions， ensure the effective operation of the market， improve the pricing and income distribution system， and promote the full release of data value.

Key words： data value release; data factor; data circulation; data interaction; new quality productive forces