论数据要素市场参与者的培育

李金璞,汤 珂

清华大学 社会科学学院,北京 100084

数据已成为数字经济时代中国经济建设中的核心生产要素。构建全国统一的数据要素市场,加快推进数据要素市场化配置,是党和政府推动数字经济深化发展的重要部署。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》(下文简称“数据二十条”)要求“培育数据要素流通和交易服务生态”。国家发展和改革委员会发布的《关于构建数据基础制度若干观点》建议“进一步完善和规范数据流通规则,构建在使用中流通、场内场外相结合的交易制度体系”,并强调“围绕数据要素流通交易需要,培育一批数据服务商和第三方专业服务机构,壮大数据产业”。

中国的数据交易实践起步较早,机构数目众多。2014—2021年各地方政府共同发起成立了31个数据交易机构,目前仍有12个处于拟建状态[1]。遗憾的是,无论是数据的交易规模还是数据交易所的经营业绩,目前均未能达到预期效果。据估计,中国2023年数据总量将达到40ZB,数据要素市场规模约1 144亿元,和数据交易所的实际成交额相比具有量级上的差距(1)数据来源于国际数据公司(IDC)和国家工业信息安全发展研究中心《中国数据要素市场发展报告(2020—2021)》。。首先,这说明中国数据要素市场建设面临的问题并非数据资源供给不足,而是高质量数据要素供给不足,或数据的有效供给不足。有海量的个人数据和非个人数据随消费者和企业活动不断地被生产出来,但没有得到及时、准确、合规的收集和开发,即大量数据源未得到激活。其次,这意味着中国的传统信息技术服务市场已经走向成熟,但数据要素的交易市场尚不活跃(2)在上述数据测算中,数据采集、存储、加工、分析、流通、基础设施等环节均计算其中。除流通环节外,其他环节均可视作企业内部开发数据的商业行为,该服务市场已形成良好的商业生态。。最后,这映射出庞大的“场外市场”规模,数据的“地下市场”甚至是“数据黑市”野蛮生长。

数据要素的有效供给不足、市场参与者动力不足是中国数据交易场内市场不活跃的主要原因,也是当前培育数据要素交易市场亟待解决的现实问题。面对数据要素市场的建设困境,现有研究侧重从数据要素的新特征出发阐述数据确权难、定价难、互信难等挑战,或在宏观层面论证数据要素市场的层次结构、演进路径等,对于微观视角下市场参与者参与动机、商业模式、成长路径的关注不足。事实上,数据要素的供给方、需求方及第三方服务商等市场参与者是数据要素市场的基础组件,也是市场形成的决定因素。一方面,数据有效供给不足现象的微观逻辑正是市场供给侧企业缺乏能力或激励进场交易;另一方面,场内市场活跃度低的重要原因是交易环节中起关键作用的服务商的缺失或发育不足。因而,培育数据要素市场的着力点正是激励包括供给侧和第三方数据服务商在内的市场主体主动、充分地参与市场,进而促进数据生态良性演化。研究数据要素市场参与者的激励和培育机制,对于建设全国统一的数据要素大市场、深化数字经济发展具有紧迫、必要的战略意义。

一、研究综述:数据要素市场参与者

(一)文献回顾

交易模式决定数据要素市场的形态,也影响市场参与者的类别。黄丽华等[1]根据数据产品的流通特性总结出五种代表性的电子市场交易模式:数据管道、需方主导的数据集市、供方主导的数据集市、平台市场以及做市商市场。数据管道模式下,供需双方通过签订长期契约实现一对一传输;单边集市模式下,市场主导方或拥有特定的服务需求,或垄断特定的数据资源;平台市场模式为多数大数据交易所采纳,通过提供集中的流通环境供买卖双方搜寻匹配;而在做市商市场模式下,数据做市商(data market maker)作为中介方撮合交易。

数据管道模式和单边集市模式俱是典型的场外交易市场。场外交易的优势是在特定的商业生态圈内易形成较稳定的合作关系,从而降低由于信息摩擦等因素引致的交易成本。但同时,这一特征限制了场外市场中数据流动的充分性,引发行业间甚至是核心企业主导的商业生态圈间的市场割裂现象。例如,Elsaify等(3)ELSAIFY M,HASAN S.Some data on the market for data[EB/OL].(2020-04-13)[2022-12-10].https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3568817.通过实证研究发现,数据流通主要通过交换协议的方式进行,且绝大多数交易发生在同一行业内以及具备数据科学能力的企业间。此外,场外交易的安全风险高,监管难度大。供需双方交换数据的意愿很大程度上以商业合作中形成的互信关系为基础,从整体上看便形成众多“数据流通孤岛”。

国内外的实践表明,以平台市场为主要交易模式的场内市场并不如预期一般繁荣,数据供方数量、数据产品种类和成交量有限。例如,亚马逊数据交易所上线的3 500余个数据集中,产品质量良莠不齐,价格方差巨大;国内成立的30余个大数据交易所中,超过半数已处于停止运营状态。数据交易场内市场出现了“有数无市”“有市无数”的现象,“进场企业少、交易数据少、成交金额少”[2]。

针对数据要素市场的建设困境,多数研究以数据要素的新特性为出发点分析数据交易的痛难点。其一,数据的可复制性直接导致数据流通过程中存在泄露和转售问题,数据的供方难以从交易中获得持续的收益流,从而缺乏动力提供数据(4)ALI S N,CHEN-ZION A,LILLETHUN E.Reselling information[EB/OL].(2020-04-03)[2022-12-10].https://arxiv.org/abs/2004.01788.。其二,数据交易的责任风险高。根据阿罗的信息悖论,数据的需方在获得数据前无法获知数据的详细内容,而一经交易后数据无法“退货”[3]。如果数据中涉及非法信息,则买方也难辞其咎。进一步地,数据内容如涉及个人隐私、商业秘密甚至国家机密,则会造成多重损害。此外,也有研究认为数据的强外部性是市场失灵的重要原因。出于遏制竞争对手的考虑,厂商没有动力将自身掌握的消费者数据充分地转让给其他厂商,导致数据使用上的无效率[4]。

然而,仅从数据要素特点的角度解析数据流通的痛点难以回答数据的供需双方进场交易意愿低的原因,因为在场外市场上这些交易标的具备同样的特征。正如高富平等[5]指出的,建设场内交易市场的关键并不在于交易场所本身,而是契合数据要素特点的基础性制度机制,即激活数据产品供给、发展数据流通服务、促进数据要素使用。合法合规、高质量数据要素供给的匮乏是现阶段制约数据要素市场发展的首要问题。黄朝椿[2]通过问卷调研发现目前市场上主营业务为数据要素生产的厂商稀缺,导致数据供给存在天然缺陷。魏凯等[6]指出大量中小企业、传统行业企业在数据获取和数据管理等方面能力不足,无法将作为生产附属产物的原始数据开发成为可计算、可重用的数据要素。田杰棠等[7]基于交易合法性视角,指出可交易数据源的范围尚不明晰,场内市场并未对厂商和数据产品提供合规保障,从而削弱了企业进场成为数据要素供方的意愿。黄益平等[8]则认为海量公共数据资源尚未得到充分利用,完善公共数据开放共享机制将有效缓解数据有效供给不足问题。

数据流通服务的完善也有助于吸引供需双方进场交易。鉴于数据要素具有多元主体性的特征,数据的流通应是服务合作型的,与商业超市中商品的标准定价交易模式以及证券交易所中股票的集中竞价模式均有区别[9]。中国第一批成立的大数据交易所纷纷倒闭的事实说明,参照证券交易所模式建设的数据高频交易模式违背了数据要素流通的规律。考虑到数据的非标准化、价值易变等性质,数据流通过程需要多重评估,涉及多方参与者。Martens等(5)MARTENS B,DE STREEL A,GRAEF I,et al.Business-to-business data sharing:an economic and legal analysis[EB/OL].(2020-08-31)[2022-12-10].https://papers.ssrn.com/sol3/papers.cfm?abs-tract_id=3658100.认为第三方服务中介的引入有益于缓解数据要素市场失灵问题,具体表现为通过引入数据信托等机构降低交易风险、通过对交易标的及合约内容的标准化降低交易成本等。数据要素从供给到需求的全链路上,登记确权、质量评价、产品配置、合规审计、价值评估、交易经纪、交易仲裁等相关服务都应纳入数据的流通交易环节。由此,数据要素市场不仅包括数据供需双方和交易平台,还应纳入功能多样的服务中介,例如资产评估商、审计服务商、数据经纪商、交易仲裁服务商等。

(二)实践进展

“数商”概念在2021年全球数商大会上由黄丽华教授首次提出,指“以数据作为业务活动的主要对象或主要生产原料的经济主体”。数商是数据要素市场参与者的总称,数据流通交易各环节的企业与机构,都是数商的组成部分,如数据的供给者、需求者以及流通过程中的各类服务商。

数商的功能定位与数据要素交易流程密切相关。根据上海数据交易所的实践,数据要素交易可分为数据资源生成、数据资产化、数据产品化(或服务化)、数据交易、市场运维等环节;依照各环节所需求的业务功能,数据要素市场参与者可细分为15类(6)参见:上海数商协会,上海数据交易所,复旦大学,等.全国数商产业发展报告(2022)[EB/OL].(2022-11-27)[2022-12-01].https://mp.weixin.qq.com/s/JfkHSnyeWMPAmdUeZp7q7A.报告总结的15类数商分别是:基础设施提供商、数据资源集成商、数据加工服务商、数据分析技术服务商、数据治理服务商、数据咨询服务商、数据安全服务商、数据人才培训服务商、数据产品供应商(数据要素型企业)、数据合规评估服务商、数据质量评估商、数据资产评估服务商、数据经纪服务商、数据交付服务商、数据交易仲裁服务商。。从数商的类别看,其概念范畴并未囿于狭义的交易环节,而是同时涵括了从原始数据到要素产品再到交易商品这一全生命周期中数据价值的创造、交付和实现过程。数商既包括在传统信息服务市场中业已成熟的企业主体(如数据加工服务商),也涵盖数据交易生态中新出现的组织机构(如数据交易仲裁服务商)。

数据要素市场上,不同类型数商的经营现状和成长趋势呈现出显著的异质性。上海数据交易所的调研结果表明,目前企业样本数最多的类别分别是数据咨询服务商、数据资源集成商和数据分析技术服务商,而样本数最少的类别包括数据治理服务商、交付服务商、交易仲裁服务商和经纪服务商;从发展趋势看,数据产品供应商数量增速最缓,而数据资产评估、合规性评估、咨询服务企业数量增长态势迅猛;融资规模方面,数据咨询服务、资源集成等市场占有率较高、成长速度较快的数商类别也获得更高的融资金额。由此可见,数据要素市场存在较明显的“短板效应”和“级联效应”。数据产品供应商数量稀少、发展迟缓,是数据要素有效供给不足的微观体现;上游供给端的发展迟滞,直接影响到交易环节各类服务商成长的可能性;而数据经纪、数据交付等重要环节服务机构的稀缺则进一步降低了市场的活跃度,阻碍了数据要素产品的流通。

基于市场参与者发展视角,建设数据要素市场的有效措施在于“补齐短板”,重点培育市场的供给侧,以及扶植数量匮乏、成长迟缓的市场服务机构。“数据二十条”为市场供给侧参与者的功能定位提供了政策方向,提出“数据商”概念,并指出其市场功能在于为交易双方提供数据产品开发、发布和承销和数据资产的合规化、标准化和增值化服务。作为高度非标准化产品,原始数据如果不经过汇集和清洗,会呈现出碎片化和非结构性的特征,无法通过任意一种渠道参与生产创造价值,因此并非所有的数据都可称作“数据要素”[10]。“数据要素”概念强调数据在经济生产中的可用性和价值创造的能力。在这个意义上,数据要素市场生态中需要数据商提供数据资产化服务和数据产品的研发、挂牌上市等服务,帮助原始数据的供方完成资源汇集、资产管理与登记、产品咨询与上市等环节,实现数据资源的“要素化”。

此外,“数据二十条”提及“培育一批第三方专业服务机构”,以提升数据交易全流程的服务能力。第三方专业服务机构指的是市场供给侧(包括原始数据供方和数据商)、需求侧(数据要素产品的使用方)以及数据交易所之外的市场参与者,也即“市场交易侧”的各类数商。其中,数据经纪服务商的市场角色受到广泛关注。“数据经纪商”(data broker)概念起源于美国,联邦贸易委员会将其定义为“从各种来源收集信息(包括消费者个人信息)并转售给目标客户的公司”(7)Federal Trade Commission.Protecting consumer privacy in an era of rapid change: recommendations for businesses and policymakers[EB/OL].[2022-12-01].https://www.ftc.gov/reports/protecting-con-sumer-privacy-era-rapid-change-recommendations-businesses-policymakers.。美国的数据经纪模式可按照商务模式划分为“消费者—企业”(C2B)、“企业—企业”(B2B)和“卖方—平台—消费者”(B2B2C)三类,当前B2B2C分销集销模式已成为美国主要的数据经纪模式[11]。美国的经纪模式萌生于场外交易市场,数据经纪商的角色复杂多元,不仅承担数据挖掘、管理和开发任务,还负责产品的营销任务,因此至今都没有权威、统一的角色定位,“数据经纪商”被混用于称呼数据供应商和数据中介[12]。在中国,“数据经纪人”概念首次于《广东省数据要素市场化配置改革行动方案》中提出,设定为数据交易场所的配套机构,作为服务中介助推数据要素充分流通(8)广东省人民政府.广东省数据要素市场化配置改革行动方案[EB/OL].(2021-07-05)[2022-12-03].http://www.gd.gov.cn/xxts/content/post_3342648.html.。广州海珠区在电力、金融和电商等领域先行开展制度试点,率先推出全国首批“数据经纪人”名单,并赋予其“受托行权、风险控制、价值挖掘”三大职责(9)广州市海珠区政务服务数据管理局.广东首创!全国首批“数据经纪人”在海珠诞生[EB/OL].(2022-06-01)[2022-12-03].http://www.haizhu.gov.cn/gzhzzs/gkmlpt/content/8/8315/post_8315776.html #2153.。此外,北京国际大数据交易所提出“数字经济中介服务商”概念,拟建设“数据托管”与“数据经纪”两大体系,其中数据经纪体系侧重数据要素产品的场景化应用,数据经纪商被赋予撮合进场交易、对接数据资源、解决客户需求等角色。总结而言,在场内交易中,数据经纪服务商首先具备信息搜寻的功能,即获知数据使用者的需求,匹配业务相合的供方,并辅助合约的订立;其次,发挥中介担保作用,缓释交易前的逆向选择和交易后的道德风险,增强市场主体的信任感;最后,承担生态协同的角色,作为数据流通的组织者联通数据价值链条和交易链条。

综上所述,在中国数据要素市场建设的探索阶段,数据有效供给不足、场内交易数据流通不畅等问题受到了政策、产业和学界的共同关注,面向市场供给侧对于原始数据供方和数据商的培育以及面向交易侧对于专业服务商的培育逐渐形成共识。然而,现有研究多基于由数据要素新特征引致的权属、定价等难题阐发主张,或从宏观视域围绕数据要素市场的顶层设计、价值逻辑、组织结构等展开论证,但在微观层面对于企业的市场角色、参与动机和培育机制研究不足。本文借鉴电子市场框架和商业生态系统理论,解析数据要素市场“参与难”问题背后的理论因素,并提出针对关键市场主体的培育方案。

二、市场参与者的动力机制

鉴于数据作为生产要素的属性,数据要素市场的主要商业模式是B2B。Grewal等[13]曾提出面向B2B电子市场的供给方和需求方的“动机—能力”的分析框架,认为企业的动机、能力以及环境动态都会影响到企业参与电子市场的程度。Grewal等将企业动机进一步区分为“效率动机”与“合规性动机”,其中效率动机是指企业有激励进入市场以实现交易有效性和效率的提升,而合规性动机则是指企业的市场行为和表现应符合社会规范及制度期待。企业能力被细分为“学习能力”和“信息技术能力”,其中学习能力是指企业基于经验和努力取得市场知识的能力,而信息技术能力则帮助企业在市场上建立比较优势、降低不确定性。环境动态是指由需求和市场技术特征带来的不确定性。

“动机—能力”理论框架同样可用于分析数据要素市场,如图1所示。

图1 数据要素市场的“动机—能力”分析框架

(一)企业参与动机

1.效率动机

企业参与市场的效率动机受到交易成本的影响[13]。参考Williamson[14]的交易成本理论,数据要素的交易成本主要由搜寻匹配成本、数权保护成本、数据资产或产品的估值成本,以及契约实施成本等组成。有学者用婚姻市场类比数据交易市场[9],指出数据交易的市场环境应该纳入撮合供需双方的功能,降低需求方寻找符合要求的数据产品的信息成本。此外,交易合约的制订及实施对于数据产品而言同样复杂。数据要素具有场景依赖性,这使得供需双方在交易前难以精准估计数据的应用价值,因而签订的合约并不完备[15],进一步推高交易成本。所以说,激励企业充分参与市场,首先要围绕降低交易成本的原则完善场内交易的制度设计,通过引入第三方专业服务商解决数据资产确权登记,数据产品估值、审计,以及数据交易合约订立、实施等问题。由此建立数据要素场内交易的比较优势,吸引大量此前通过场外交易的企业入场交易。

2.合规性动机

与电子市场等传统市场相比,数据要素市场是一个低信任、高不确定性的市场。在数据交易所出现以前,数据的流通既没有固定场所,没有溯源技术支持,也没有审计标准,是一个典型的“地下市场”。数据的场外交易往往通过点对点方式进行,交易标的物的来源没有合规性认定,无法验证其是否符合社会规范和制度期待。事实上,数据交易的安全与合法性一直以来都是备受诟病的问题,网络黑客跨境窃取数据库以转售个人信息的案例屡见不鲜,震惊世界的“剑桥分析”丑闻则为数据的非法转售提供了有力例证[16]。因此,对于数据要素市场的供给者而言,自身是否具有被许可的营业资格,其供应的数据要素产品是否符合法律和监管者的要求,关系到其加入市场的动力;而对于需求方而言,与供方之间的交易行为是否可溯可查,其使用的数据是否牵涉消费者隐私等,同样具有事前不确定性。简而言之,数据交易合规保障制度的缺失造成企业“不敢入场”。

(二)企业参与能力

1.技术能力

与其他要素不同,对数据的需求不会自动带来高质量要素产品的供给,也就无法自发形成市场价格体系。数据在很大程度上是包括生产与生活在内的经济活动的衍生品,自然人、分布于各行业的企业、公共部门都承担着原始数据生产者的角色,但是大多行业、类别的数据主体不具备数据的采集能力,因而无法完成数据价值链的第一步,即汇集形成数据资源。互联网巨头、高科技公司作为数据的加工使用者和经营者,持有大规模的用户数据和生产数据,但此类企业的核心商业模式是“数据驱动型”(data-driven)或“数据使能型”(data-enabled)的。数据驱动型企业是指以数据核心投入以支撑企业决策管理、价值创造以及商业模式更新的企业(10)麦肯锡咨询公司发布的研究报告The data-driven enterprise of 2025,指出“数据驱动型”企业的七个核心特征,包括:数据植根于企业决策、组织交互和生产过程中;数据得到实时处理和传送;灵活的数据存储赋能整合可利用的数据;数据操作模型将数据作为一种产品;首席数据官的角色扩展为创造价值;数据生态合作成员关系成为常态;数据管理首要与默认的三个前提:隐私、安全和弹性。;而数据使能型企业则被诠释为以数据作为关键生产要素、缺乏数据将难以运营的“数据原生”企业[17]。在这一意义上,互联网与高端制造业企业的市场角色更适合被界定为数据要素的使用者。这类企业即便在经营过程中收集到充足的数据,其对于数据的开发及应用路径也主要是自给自用而非对外出售[18]。由欧盟委员会委托的一项调研发现,受访公司中有78%表示在公司内部或由分包商生成和分析数据,但仅有4%声称参与到企业间数据交易中(11)GSMA.The data value chain[EB/OL].(2018-06-22)[2022-12-03].https://www.gsma.com/publicpolicy/wp-content/uploads/2018/06/GSMA_Data_Value_Chain_June_2018.pdf.。此类企业的主营业务以广告服务、软件产品、金融产品等为主,而并非数据要素产品的销售,因而在数据要素产品研发技术上投入不足,进而无法成为数据要素的实际供给者。如果制度激励力度不足,这些企业或许更愿意沿循此前已经相对成熟的商业模式经营,而缺乏动力在前期大额投资用于数据产品研发的固定资产。

与数据要素产品直接相关的技术包含数据元件技术、隐私保护技术、可信计算技术等。数据元件是原始数据与数据应用二者的“中间态”,依照数据治理工序经由模型处理后的交易标的物(12)全国信标委大数据标准工作组.数据要素流通标准化白皮书(2022版)[EB/OL].(2022-11-27)[2022-12-03].https://mp.weixin.qq.com/s/vFRfpOoY2LIiRmQpw6R5qA.。数据元件是数据标准化技术体系支撑下的加工成果,满足可控制、可计量、可审计、可安全流通等要求,企业在开发数据元件等要素产品时在技术维度需要遵循《数据质量评价指标》等规范。此外,基于算法和现代密码学的数据脱敏、差分隐私等隐私保护方案,也构成要素产品供方的技术能力。在数据产业的发展现状下,技术前沿由少部分数据科技公司掌握,而数据资源则主要由互联网及制造业企业持有,资源禀赋和技术禀赋的错配,阻碍了供给端参与市场。

2.市场能力

企业在数据交易中的市场能力主要体现为价值创造、价值交付和价值捕获的能力。本文以数据价值链的关键环节为串联,解析数据供方所需要的市场能力。数据生成阶段,参与者主要通过其收集数据的规模和独特性建立比较优势。在数据采集的规模方面,行业数字化程度、企业在行业内的市场地位与商业资源等都构成影响,例如互联网平台等双边市场中占据优势地位的企业更容易形成高度不对称的“数据势力”;在独特性方面,企业需要以较低成本获取具有排他价值的原始数据的渠道,其可得性同样依赖企业的市场地位、商业战略等。小微企业的初始数据存量低,数据生产的渠道窄,则有可能在动态反馈循环中堕入数据的“贫困陷阱”,与数据富集的大企业间的差距不断扩张,从而难以成为合格的数据供方[19]。产品开发阶段,企业需履行原始数据的资源化、资产化和产品化三个步骤,这对企业的数据管理能力、分析能力和营销能力提出要求。从数据资源到数据资产的过程,是数据价值货币化的过程,但调研显示中国上市公司中将数据作为资产实现科学管理的企业尚不足3%,说明整体上数据管理的成熟度还有待提升(13)中国信息通信研究院政策与经济研究所.数据资产化:数据资产确认与会计计量研究报告(2020年)[EB/OL].(2020-12-09)[2022-12-03].http://www.caict.ac.cn/kxyj/qwfb/ztbg/202012/P02020120-9374734599565.pdf.。同时,数据产品研发的过程也是企业部署商业战略的过程。数据要素产品的交易,不仅包含结构化数据集的直接出售,也包括算法模型、应用程序接口(API)订阅、应用分析等服务的间接销售。供方对产品类型和应用场景的权衡取舍会产生资产专用性,使其锚定于特定商业模式的细分市场;而在细分市场中是否能准确识别平台的价值主张、交易模式、定价模型,关系到其业务发展的可持续性[20]。商品交易阶段,买方对数据产品的需求与自身的业务导向、项目特点甚至是企业规模等因素密切相关——对于同一数据集,买方的支付意愿呈现出高度的异质性(14)FARBOODI M,SINGAL D,VELDKAMP L,et al.Valuing financial data[EB/OL].(2022-03-30)[2022-12-18].https://www.nber.org/papers/w29894.。供方能否定位到潜在买家,能否根据数据的“体验品”性质实现产品差异化和服务定制化,能否形成稳定的收益流并且控制数据产品的研发成本等问题,都是其市场能力的反映。

总结而言,尽管数据生产的主体多、源头广,但并非所有企业都可作为市场交易中的数据要素提供者。一方面,鉴于交易效率与合规性考量,企业不愿进场、不敢进场,但更本质的原因在于企业缺乏关于数据要素产品的研发技术,或者不具备精准切入市场将技术优势转化为商业优势的能力。数据要素市场存在参与者意愿不足、能力不足、规模不足的难题,市场自发地处于失灵状态,此时便需要对市场参与者尤其是数据要素供给者进行培育。

三、数据要素型企业

(一)数据要素型企业的定义与内涵

从中国数据要素市场的建设现状看,以数据要素供应方参与动机匮乏为微观机理的数据要素有效供给不足是市场不活跃的首要原因。为进一步说明培育市场供给端的必要性,本文将数据要素市场视作一个处于萌芽期的商业生态系统。商业生态系统被定义为“以组织和个人相互作用为基础的经济联合体”[21],包括主要生产者、消费者、竞争者、监管者、金融机构及其他风险承担者等。这些功能各异的成员构成价值链,价值链交织形成价值网络,网络上各节点通过价值与利益交换实现共生共演。在一个商业生态系统中,“关键物种”是主要生产者,因为如果主要生产者无法提供足量、持续的供给,整个价值链将从根源上断裂。这好比在生物系统中如果绿色植物的光合作用功能丧失,可以预见地球生态圈将面临崩溃。正如前文所分析,在萌芽阶段的数据要素生态便面临主要生产者匮乏的问题,即生态中并没有自发涌现出成长迅速的以数据资源要素化为核心业务的企业。事实上,并非所有的商业生态系统都能够自力更生实现良性演化。2014—2017年中国数据要素市场建设第一批尝试的失败经验提醒人们,数据要素生态的健康发育需要外力介入,市场参与者需要科学培育。

基于对市场供给端参与者动机匮乏现状的反思,本文提出“数据要素型企业”概念,将其定义为“数据要素市场中直接参与数据资源要素化的企业”。数据要素型企业应在数据要素生态中参与数据生产的链条,链条的最终产物是数据要素产品。

并非所有的数据资源都可作为生产要素投入到经济活动中。数据资源需要经过汇集、预处理、分析等一系列开发活动提升质量、增加可机读性和可用性,从而转化为数据生产力,这一过程称之为数据的“要素化”[22]。图2展示了数据价值链视角下数据要素市场的逻辑链路。从原始数据到达需求端,经历了“数据资源要素化”以及“数据要素市场化”两大阶段。在数据资源要素化阶段,企业通过爬取、采集等方式得到原始数据,经过汇集形成数据资源,而后通过存储、管理,以及登记形成数据资产,最后通过研究开发得到质量较高的具备可用性的数据要素产品。数据资源要素化的过程贯穿整个数据价值链,实现“数据采集→数据存储→数据处理→数据应用”中的一个或多个价值创造环节的发展。从这个意义上讲,数据要素型企业的内涵在于具备数据资源要素化过程中的价值创造和价值实现的能力。

图2 数据要素供给侧与数据要素型企业

数据要素型企业并不特指某一类型的数据商,而是强调以数据要素产品为产出的业务能力。数据资源要素化过程中的原始数据供应企业、数据采集商、数据资源集成商、数据加工处理商、数据要素产品供应商等类型的企业都是数据要素型企业的候选者。在实践中,有企业同时具备数据采集、集成、加工、产品研发等数据价值链全链路的技术能力和市场能力,称之为“数据价值链企业”。数据价值链企业的代表有易华录、数据堂、零点有数等。以数据堂为例,其核心业务是面向人工智能领域提供高质量的数据要素产品及服务,数据堂持有图像、语音识别、自然语言等训练数据集作为外售产品,此外提供数据采集和标注的定制化服务。以数据堂等为样板的数据价值链企业,垂直整合了数据资源要素化的全过程,是典型的数据要素型企业。

“数据二十条”提出“数据商”概念,指出其在供需双方交易环节为数据资源的资产化、产品化提供的服务角色。相较之下,数据要素型企业概念将从原始数据到数据产品这一资源要素化过程整体化为数据要素市场的供给侧,因而对数据要素型企业能力的研究,并不局限于某一类服务商技术特征和商业模式,而是基于数据价值链特征探析原始数据供方、加工处理者、产品供应者等参与者的业务联系和竞合关系。在联系的视角下,数据要素供给侧构成一个商业生态系统,其中互联网企业、大型国有企业等数据密集型企业发挥资源禀赋优势,数据商提供加工处理等技术服务和产品定位等市场战略服务。在这一意义上,对数据要素型企业的培育,也不仅限于对单个企业技术投资和组织管理能力的支持,同时需要理解供给侧生态内部的商业关联。

此外,数据要素市场中除承担主要生产者角色的数据要素型企业外,还存在多种类型的第三方专业服务机构。例如,在数据的资产化环节需要评估机构为数据资产估值,在产品研发过程中需要咨询机构协助数据要素型企业了解和定位市场,在交易过程中分别需要审计服务商、数据经纪商以及仲裁服务商等机构提供合规性检验、撮合议价、事后仲裁等服务,以保证交易的安全可信、公正公允。值得强调的是,第三方专业服务机构在数据要素市场化阶段发挥着尤其重要的作用,同样是本文关注的培育对象。

(二)数据要素型企业的成长与培育

企业成长模式是指企业在能力与价值成长历程中体现出的本质性的特征、价值创造逻辑和路径[23]。Penrose[24]1-27创立了“资源—能力—成长”框架,认为企业成长是资源、能力的积累过程。Teece等[25]建立了“动态能力”方法(dynamic capabilities approach),提出企业的动态能力是指企业通过适应、整合和再配置内外部资源、技艺、竞争力等方式建立新型比较优势以适应不断变化的市场环境的能力,企业动态能力的建立需要内部战略管理水平的提高,也需要外部环境的支持。对于数据要素型企业而言,其成长模式依赖对数据价值链特征的解析以及作为统一整体的数据要素生态的认识。

从创业发展的路径看,数据要素型企业与以“硬科技”为代表的高新技术企业有一定相似性。一方面,“硬科技”企业在初创阶段需要较长时间的科研投入,投资风险较高;而数据要素产品开发同样需要高昂的固定成本投入,并且面临产品应用场景不确定性等风险。另一方面,“硬科技”企业和数据要素型企业的核心比较优势都在于技术能力。研究认为“硬科技”创业企业的成功经验首先表现为企业对核心技术研发的重视,此外还重视用户需求的深度挖掘,以及成熟的科创生态系统[26]。该经验同样适用于数据要素型企业的成长路径。数据资源的要素化不是一个简单的数据集整理的过程,数据价值链增值的途径是技术密集型的。数据要素产品的形态是多样的,包括可重用的结构化数据集、数据算法模型、知识智能服务等,因而开发产品所需的能力也不仅仅是单一的数据加工处理技术,人工智能、高端制造、金融等行业领域的知识和人力资本对于企业成长同样重要。而技术领域的选择则依赖数据要素型企业的战略市场定位。当今全球范围内数据要素市场的一大演化趋势是,针对行业和数据类别细分的交易市场日渐壮大。例如,市场营销领域的代表性平台有Acxiom、Experian等,机器学习领域的代表性平台有Mechanical Turk、DefinedCrowd等,物联网领域的代表性平台有IOTA、Terbine等。这对数据要素型企业准确切入市场的能力提出了更严格的要求,因为在初创期,企业的核心产品尚未定型[26]。能否结合自身的技术特征和资源禀赋确立其在特定市场中的比较优势,是数据要素型企业是否具备持续成长能力的基础。

数据价值链区别于商品链等传统价值链的特性,也决定着数据要素型企业的成长路径区别于传统制造业企业。从资源配置的特点看,传统价值链上易形成鲜明的上下游关系,资源的权属及流动方向都较为明确;而数据价值链突破了组织边界限制,价值共创的属性较为突出[27]。数据作为生产和消费行为的衍生品,其来源与企业所处的行业、在行业内的市场地位,以及所采用的商业模式等都相关。这一定程度上造成了数据资源在市场中的错配,即以数据要素产品开发为主营业务的数据要素型企业缺乏市场能力接触到足够规模的原始数据,而蕴藏海量数据的互联网数字企业未必有意愿和技术能力将其汇集的数据资源要素化和市场化,具体体现为普遍的数据“自留”或“自用”现象。因此有必要运用政策促进数据资源富集企业和数据要素型企业建立生态伙伴关系,即发展“政策引导+产业链”的驱动模式。需要补充说明的是,数据的虚拟性、无形性决定了工业产业园的集聚思路可能不适用于数据要素型企业的培育,但是可以考虑在网络空间中建设数字产业集群,形成围绕数据要素生产和消费的社群生态圈。

数据价值链的整合程度同样影响数据要素型企业的发育路径。一般而言,价值链整合程度更高的企业技术能力和市场能力更强。这是因为对数据价值链的垂直整合能够实现更精益的成本控制与更高效的组织管理,达成数据流、财务流与工作流合一的业务模式。与传统价值链不同,数据价值链上的数据是多向流动的,上游生产环节影响下游环节的同时,下游环节也能够低成本地形成反馈机制[27]。对于垂直整合程度高的数据价值链企业,其一端指向原始数据市场,另一端联络数据要素产品市场,在资源收集渠道、生产技术种类以及商业模式选择等方面具有更高的灵活性和成熟度,更容易建立核心竞争优势。因此,培育数据要素型企业建议以易华录、零点有数等数据要素型企业的龙头单位为样板,推动数据价值链的融通和整合,扶植形成技术水平高、市场能力强的市场领军企业。

数据要素型企业直接参与数据要素产品的生产,这意味着数据资产化对数据要素型企业尤为重要。数据资产化是指将数据纳入企业财务报表的资产项以体现其贡献与价值、并实现科学管理支配的过程。资产最核心的特征是能够在未来产生排他性的收益,所以说数据资产的登记确权能够从制度上保护数据要素型企业收益流的排他性、稳定性和可持续性。此外,虑及由数据多主体性、可复制性引致的市场的安全脆弱性,对于数据要素型企业的自主知识产权以及研发产品的保护同样不可或缺。在此用软件著作权的保护制度以及软件产品的登记制度作类比。《中华人民共和国计算机软件保护条例》第十四条规定,“法人或者其他组织的软件著作权,保护期为50年”。工业和信息化部《软件产品管理办法》规定“软件产品实施登记和备案制度”(15)软件产品登记制度2015年及之后被弃用。《关于取消和调整一批行政审批项目等事项的决定》规定“取消软件企业和集成电路企业认定及产品的登记备案”,不再颁发软件产品登记证书。但是软件产品登记测试报告仍具有有效性,可用于减税退税、高新技术产品认定等优惠政策。,企业在取得知识产权证明及软件产品检测证明后可进行登记,软件产品登记的有效期为5年,期满后可申请延续。在数据要素型企业的初创期,可运用专利制度、软件著作权制度保护企业开发或拥有的自主知识产权;同时,建议设立数据要素产品的登记制度,数据要素型企业研发的产品经由第三方审计服务机构就数据的质量维度、应用维度、风险维度和市场维度等评估并出具检验报告,而后进入交易机构挂牌上市。

四、市场参与者的培育机制

数据要素市场培育的着力点是建立系统性的、激励相容的市场参与者培育机制,引导市场主体入市交易,扶植代表性企业成长壮大。在数据要素市场中,数据要素型企业是主要生产者,数字化转型背景下的各行业企业是需求者,还有数据经纪商、信托服务商等各类专业服务机构。数据要素市场参与者的培育需要多方发力,提供多样资源,重点培育数据要素型企业运用数据资源进行价值创造的技术能力和价值实现的市场能力,同时扶植各类数据服务商提供专业、合规的匹配撮合、商业代理等服务,刺激需求端企业对数据要素的“消费”能力。结合上文中运用“动机—能力”框架对市场参与者动力机制的剖析以及对数据要素型企业内涵的解读,本文构建以下数据要素市场参与者的培育机制。

(一)生态互联,助力数据要素生态良性演化

数据要素市场不是一个独立繁育出的商业生态。在数据要素交易生态出现以前,以信息通信技术(ICT)为核心要素的技术商业生态以及以商业模式创新为主要特征的互联网商业生态已经进入成熟阶段。在这两大商业生态的演化过程中,作为生态主导者的核心企业及其合作伙伴的数字化程度持续深化,对数据规模和质量的要求也在不断提升,最终衍生出对数据要素交易的需求。可以说,数据要素交易生态是在数字经济时代背景下基于ICT、互联网等成熟商业生态系统成长起来的新型生态圈。

如图3所示,数据要素交易生态与ICT生态以及互联网生态呈现出交互融汇、共生共演的关系。在第一个层面,以云计算、数据库、软件产品、电子元器件开发等技术为代表性因子的ICT生态与以平台企业、用户创造、共享模式、数字服务为核心属性的互联网生态实现交互,表现为对数据资源、技术和产品需求的互联互通。在第二个层面,ICT生态为数据要素交易生态提供底层的技术基础设施支持,例如云计算中IaaS层的建设,联邦学习等技术的开发等;同时,数据要素交易生态通过数据资源再配置的方式反哺ICT生态中的数据库等企业。在第三个层面,作为知识经济产物的互联网生态呈现出价值多方创造和共享的特点,Web1.0向Web3.0迈进的过程同时也是数据科学领域人力资本积累的过程,因此互联网生态能够为数据要素交易生态提供高质量的数据科学人才;而从另一角度讲,数据要素流通会加快互联网生态向Web3.0转型的速度,推动人工智能、大数据分析等领域高水平劳动力的出现。

图3 商业生态系统的构成和关系

综上所述,数据要素市场及其参与者的培育问题应置于生态互联的视域下考察。借助ICT、互联网等成熟生态赋能数据要素市场新生态,通过技术基础设施和人力资本的支持,助推数据要素型企业和数据交易服务商技术能力和市场能力的养成,实现“以大促小”,从而协助数据要素交易生态的良性演化。

(二)资质认定,给予市场参与者合规性保障

数据要素市场具有低信任、高风险等特点,数据要素的交易不仅面临安全脆弱性问题,还缺乏合规性保障。因此,对市场主体的资质认定及对交易过程的合法性许可是推动市场参与者“敢参与”“敢交易”的制度保障。对市场主体的资质认定首先需要甄选出业务能力强、服务质量高的数据要素型企业和数据交易服务商,通过发布数据生产或交易相关的营业牌照,肯定其商业模式的合法性。而针对数据交易全流程,建议通过建立数据知识产权和产品登记制度声明开发者的合法权益。

同时,区分场内、场外交易市场,赋予场内市场更高程度的合规性认定。对于场内市场,遵循培育壮大的思路,鼓励各类数商进场交易。场内市场可采用“备案+负面清单”的形式设计准入方案:参与方在统一的备案系统中填报营业资格、主营业务等基本信息后加入交易所,后续业务中如因产品违规或由于受到举报纳入负面清单,视严重程度给予整顿机会或移出市场。该方案的优点是,准入门槛较低,有利于降低场内交易者入场成本。场外市场一般由生态圈中的核心企业主导,在业务网络内与竞合对象交易,形成企业间数据交易的“通道”,监管难度大、成本高。场外市场的管理应本着规范引导的思路,加强对数据黑市的打击,关注交易产品的合法性,侧重事后仲裁制度的设计。

此外,数据要素市场的健康发育离不开科学的监管体系。针对市场参与者的监管机制对尚处于发展初期的数据要素市场的影响是双重的:一方面,由于数据可复制、产权不明晰,监管措施缺位导致数据非法收集和转售行为泛滥、黑市猖獗,正规的要素市场将被扼杀在萌芽阶段;另一方面,如果监管方案过于严苛,会使得本就缺乏参与者数量和交易活跃度的市场愈加冷清。监管机制的有效性依赖监管维度的梳理以及监管方法的选择。就监管维度而言,需关注市场主体的行为合法性和交易标的物的合规性。防范交易市场的多重风险,例如哄抬价格、刷单交易、虚假申报等市场风险,违规转售、泄露数据等安全风险,以及由数据的主体多元性带来的责任风险、由数据交易链条难以追踪造成的信用风险、因不可“退货”引发的操作风险等。就监管方法而言,需充分运用技术方法和政策手段,组合多种工具针对性地选择监管方案。例如,对于交易者资质问题,在场内使用“备案+负面清单”方案,在场外市场设立监管沙箱,开展试点工作;针对交易标的合规性质问题,借鉴财务会计领域的审计制度,设立面向算法、数据内容和衍生数据的“数据审计”制度规制数据交易流程;对于交易市场风险,完善交易所规则约束交易各方行为等;针对事后纠纷,建立和完善数据登记体系和争议仲裁制度等。

(三)财金联动,扶植代表主体成为行业龙头

数据要素市场作为一个“弱商业化”的交易生态,难以通过市场参与者内部能力的更迭实现自生,此时需要有为政府发挥纠正市场失灵的作用,运用财税和金融工具箱来引导产业发展。数据要素市场参与者的财税金融政策,可参考针对高新技术企业的扶植方案,面向数据产业集聚中的代表性企业及其研发的产品或服务实施税收优惠,并引流社会资本趋向数据要素新生态。

具体地,建立相应的财税综合支持制度。首先,运用财政手段夯实市场环境基础,比如政府采购大数据技术和服务基础设施,出台配套服务优惠政策等。其次,加快推出数据产品和服务供给、数据交易流转等相关企业的税收优惠与减免政策,对符合资格认证或交易标准的企业实行相应的企业所得税优惠政策,对具有良好市场发展前景的相关初创企业进行资格认定后纳入财税优惠政策扶持,对具有创新商业模式和技术应用的数据产品及服务企业施行财税加计扣除政策,引导初创企业、数据要素型企业“专精特新”发展。

在税收减免政策的基础上,为增加数据交易市场上的要素类产品供给和服务供应,可考虑建立相应的财政专项扶持基金。设立数据要素类产业发展基金以提升市场参与者的投融资能力,例如为数据交易流转环节中基础性和关键性的主体设立重点扶持基金,为数量少、规模小的数据服务商设立专项成长基金等。此外,设立相应的风险投资基金与股权投资基金以引导社会资本投资于有成长潜力的数据要素型企业,借助“孵化器”体系培养出行业龙头、市场标杆。

(四)应用激发,推动市场需求侧数字化转型

数据要素市场短期内面临的主要问题是有效供给不足,因而建议重点培育数据要素型企业以促进数据资源要素化。但从长期来看,数据要素市场根本上还是一个需求驱动型的市场。数据要素最终进入生产部门与劳动、资本、知识、技术、管理等其他生产要素有机结合才能创造经济价值,实现长效增长。所以说,市场需求侧企业是否厘清数据要素参与经济生产的路径机理,是否明晰其所属行业、所采用商业模式下数据要素价值创造的方法模式,是否具备数据战略管理及连续开发的能力,都将影响数据要素市场的活跃度。

需求方的市场能力不足也是数据要素市场发展迟缓的一大原因。需求不足的原因是多重的:其一,需求方消费数据的能力不足,大量企业的数字化转型程度有限,很多管理者并不清楚企业需要何种类别、何种场景的数据;其二,企业的数据资产管理水平有限,内部数据尚未得到有效开发,更不用提及外部数据;其三,需求方往往寻求不到符合己方个性化要求的数据产品或服务,无法与供给方建立持续的商业关系。

市场参与者的培育同样需要关注需求侧企业。数字化转型正是以数据要素作为核心驱动因子,依托互联网、人工智能、云计算等数字技术改造升级传统业务,实现信息数字化、流程数字化和业务数字化。从国家战略层面推动企业数字化转型,是培育数据要素市场需求侧企业技术能力和市场能力的重要举措。建议积极培育新业态,依托试点打造跨行业、跨领域的工业互联网平台、数据平台等,引进数字化转型服务商引导企业用好数据。