readlk

《金融科技概论》ch05《如何建立合规有效的数据要素市场？》学习笔记

1 本章解决的问题

本章讨论：数据为什么能够成为一种要素，数据具有什么技术与经济学特征，数据价值如何形成和计量，以及在数据所有权复杂、数据价值难以客观衡量、数据具有非竞争性和外部性的条件下，如何建立合规有效的数据要素配置机制和市场。

2020年4月9日发布的《关于构建更加完善的要素市场化配置体制机制的意见》，首次将数据与土地、劳动力、资本、技术等传统要素并列，提出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方面工作（p.62）。本章进一步指出，市场化配置不等于简单的市场交易，因为许多数据并不适合直接买卖（p.70）。

核心难题包括：

  1. 数据的所有权、使用权和控制权难以清晰区分，尤其是个人数据。
  2. 数据对不同使用者、不同场景和不同时间的价值不同，缺乏统一的客观价格。
  3. 数据具有非竞争性，且常常具有非排他性，传统商品市场的交易和定价方式不完全适用。
  4. 数据使用涉及数据主体、数据生产者、平台、数据使用者和监管者等多个利益相关方，存在信息不对称和非完全契约。
  5. 数据共享可能创造公共价值，也可能侵犯隐私、造成数据滥用或形成平台垄断。

2 核心结论与逻辑主线

本章的逻辑主线是：

数据观察现实对象形成数据 → 数据经过组织和认知形成信息、知识与智慧 → 数据与场景、分析方法及其他数据结合产生价值 → 数据的非竞争性、外部性和产权复杂性使传统市场机制失灵 → 应按数据类型和应用场景选择公共供给、开放银行、数据信托、PIK模式改进、密码学交易、合资共享等配置机制 → 以技术和制度共同界定数据产权，并在隐私保护和数据共享之间取得平衡。

第一，数据不是天然具有固定价值的物品。数据价值取决于使用者、任务、时间、制度和政策环境。相同数据对不同人的价值可能差异很大，数据容量增加也不必然增加价值（p.67–68）。

第二，数据价值链不是原始数据到价格的直接转换，而是“原始数据—处理与整合—分析—可行动洞见—行动—价值”的过程（p.66）。因此，价值往往在数据加工、组合和应用中产生。

第三，数据要素市场不能简单复制石油、股票等私人产品市场。作者认为，把数据比喻成“石油”并不准确，因为许多数据更接近公共产品或准公共产品，所有权难以界定；“阳光”是更合适的比喻（p.66）。

第四，合规有效的数据市场需要技术和制度共同作用。可验证计算、同态加密、安全多方计算和区块链可以支持数据使用权交易、数据存证和授权；法律制度则通过被遗忘权、可携带权、有条件授权和最小化采集原则等方式细化产权（p.74–75）。

3 关键概念

3.1 DIKW模型

DIKW分别指数据（Data）、信息（Information）、知识（Knowledge）和智慧（Wisdom）。从数据中可以提取信息，从信息中总结知识，从知识中升华智慧，但这些过程依赖方法论、应用场景和相关学科背景，并非机械转换（p.63）。

3.2 数据的技术特征

主要包括样本分布、时间范围、变量类型、容量、质量、时效性、来源、数据类型、互操作性和可联接性，以及是否属于个人数据（p.64–65）。

数据质量不仅包括准确性，还包括代表性、规范性、颗粒度、精度、误差和完整性。不同数据集能否联接，还取决于样本识别、变量定义和数据单位是否一致。

3.3 数据的经济学特征

数据具有资产属性，同时兼有商品和服务的特征：可以存储、转移和积累，又有无形性。大部分数据可以重复使用，具有非竞争性；一些数据可以通过技术和制度设计实现排他性（p.65）。

许多数据属于公共产品或准公共产品。数据的所有权尤其是个人数据的所有权难以清晰界定，因为数据可能被未经授权地收集、复制、汇集和加工，且加工后还会产生新数据（p.66）。

3.4 数据价值的三个特征

3.5 绝对估值与相对估值

绝对估值试图评估数据本身的价值，目前没有公认方法，主要包括成本法、收入法、市场法和问卷测试法，但各有明显缺陷（p.69）。

相对估值是在共同任务下，评估不同数据集对任务完成的贡献。沙普利值符合直觉，但数据集数量增加时计算量呈指数上升（p.70）。相对估值还说明，偏离数据集合“主流”的异常值可能具有较高价值。

3.6 数据产权

数据产权主要包括所有权、使用权和控制权。控制权涉及谁能使用数据、如何使用数据、能否继续向外分享数据。数据所有权和控制权可以分离，尤其适用于所有权不清晰的个人数据（p.75）。

4 重要论据

  1. 数据不是简单的私人商品。
    大部分数据具有非竞争性，同一数据可以同时被不同人使用；许多数据还具有非排他性。因此，数据交易无法完全依照传统私人产品的产权和价格机制运行（p.65–66）。

  2. 数据价值并不等于数据规模。
    数据容量越大，价值不一定越高。更多数据可能揭示规律，也可能引入噪声；1小时的视频监控数据中，真正有价值的内容可能只有1–2秒（p.68）。

  3. 数据价值内生于制度和政策。
    不同国家对个人数据的保护程度不同，数据收集、使用和商业化的空间也不同。数据滥用还会损害用户信任、品牌形象和公司价值（p.67–68）。

  4. 绝对定价存在结构性困难。
    成本法无法充分反映不同使用者、不同时间和数据组合带来的价值差异；收入法难以建模社会经济影响和期权价值；市场法受限于数据交易不足、市场厚度不足和价格发现不健全；问卷测试法适用范围窄且成本高（p.69）。

  5. 配置机制首先要解决信息不对称与非完全契约。
    数据主体不清楚数据何时、为何及产生何种后果；数据生产者不清楚数据使用者的价值判断；使用者事前也难以完全了解数据价值。由于数据应用场景丰富、价值链条较长，契约很难事先覆盖所有情况（p.70）。

  6. 技术只能解决部分问题。
    密码学技术能够使数据以密文形式使用，支持数据确权和使用权交易，但加密后同一数据仍可同时向多方提供，数据仍具有非竞争性。因此，密码学市场不会自然形成“多个买方竞价，价高者得”的模式（p.74）。

5 具体案例

5.1 百行征信的合资共享模式

**背景：**金融科技机构拥有大量用户数据，但这些数据是核心商业秘密。机构之间存在竞争关系，彼此直接共享用户数据的激励不足（p.74–75）。

**机制/做法：**多家金融科技机构成立合资公司，按照数据贡献比例分配合资公司股权。各机构把用户数据共享给合资公司，由合资公司整合成数据产品，对外销售，例如用户信用分析和不良用户黑名单。

**论证结果：**该模式通过股权利益绑定，使各机构既不用直接向竞争对手交出用户数据，又能获得完整用户信息，并作为股东分享合资公司利润；数据整合还可能形成“1+1＞2”的效果，从而缓解数据共享中的激励相容问题。原文将我国个人征信市场的百行征信公司列为代表（p.75）。

**边界：**该模式不能消除个人数据产权、隐私保护和数据使用授权问题，也不能证明所有数据整合都会产生规模报酬递增。原文只说明其在金融机构竞争与共享之间提供了一种配置安排，不应扩大解释为普遍适用的唯一模式。

5.2 政府数据开放

美国联邦政府于2009年推出Data.gov，将原本分散于不同机构网站的数据统一托管；2019年《开放政府数据法案》要求，除国家安全和其他特殊原因外，联邦政府应在线发布其拥有的数据，并采用标准化、机器可读形式（p.71）。

其机制是：政府作为公共数据的提供者，在不涉密前提下开放数据，以发挥数据公共价值。边界在于，国家安全等特殊原因可以构成不公开的限制；开放数据也需要标准化和机器可读形式，不能只停留在形式上的发布。

6 作者提出的方法

本章没有把全部内容命名为一个独立操作框架，而是按照数据的经济学特征和应用场景提出配置机制。

6.1 按公共产品属性配置

当数据属于公共产品时，私人部门可能投资不足、供给不足，通常由政府利用税收收入提供。政府应在不涉密前提下尽可能开放政府数据（p.71）。

**判断标准：**数据是否具有公共价值，私人供给是否不足，是否涉及国家安全或其他特殊限制。

**失败模式：**不加区分地开放涉密数据；只公开数据而没有标准化、机器可读形式；把政府数据开放误解为所有数据都应无条件公开。

6.2 对准公共产品采用差异化机制

  1. 具有排他性的数据，可以采用付费订购，例如收费媒体信息终端。
  2. 开放银行通过API向经授权的第三方开放用户数据，由银行限制开放数据范围和机构范围，部分实现用户数据可携带性（p.71）。
  3. 数据信托由受托机构保管多个委托人的数据，按委托人预先确定的目标使用和分享数据（p.72）。

**判断标准：**所有权是否相对清晰、是否具有排他性、是否需要授权中介和目标约束。

**失败模式：**授权范围不清；数据被用于超出原目标的业务；数据主体无法控制数据迁移和再次分享。

6.3 改进互联网平台的PIK模式

PIK模式中，用户以注意力和个人数据换取资讯和社交服务，平台通过广告、精准营销和信贷产品等方式变现（p.72）。

其主要弊端是平台与用户地位不平等、平台可能过度收集或跨业务使用数据、平台生态可能锁定用户并造成数据垄断、用户也难以获得合理报酬。

**改进方向：**需要纠正平台作为数据控制者相对于用户这一数据主体的主导地位，明确数据产权和授权边界，并保护用户隐私、迁移和合理利益。原文没有提出一个具体命名的PIK改革方案。

6.4 采用密码学与制度共同确权

**判断标准：**是否需要在不暴露明文的前提下完成计算，是否需要证明计算正确，是否需要记录授权和使用过程。

**失败模式：**误以为加密会使数据变成完全竞争性的私人产品；误以为技术可以替代隐私制度；忽视不同应用场景导致的数据价值差异。

6.5 使用相对估值辅助配置

在给定数据集和共同任务的情况下，可以用沙普利值评估各数据集对任务的贡献（p.70）。

**判断标准：**任务是否明确，数据集贡献能否比较，是否可以承受随数据集数量增长而增加的计算成本。

**失败模式：**把相对贡献误当成数据的绝对市场价格；忽视任务变化、分析方法变化和数据组合变化；忽略异常值可能具有较高贡献。

7 可能的隐含假设

8 与其他章节的联系

9 一句话总结

数据不是可以直接按石油或普通商品方式交易的同质化资产；只有结合数据类型、应用场景、产权界定、隐私保护、技术确权和利益激励，才能建立合规有效的数据要素配置机制与市场。

10 原文依据或页码

自测与参考答案（5题含答案）

  1. 为什么作者认为数据更像“阳光”而不是“石油”？
    **答案：**石油通常具有竞争性和排他性，产权较易界定；许多数据具有非竞争性、非排他性，所有权难以清晰界定，因此更接近公共产品或准公共产品（p.65–66）。

  2. 数据价值为什么不能只用数据容量衡量？
    **答案：**数据价值受使用者、任务、分析方法、时间和数据组合影响；数据越多可能增加信息，也可能增加噪声，容量越大不必然价值越高（p.67–68）。

  3. 数据绝对估值的四种方法及主要缺陷是什么？
    **答案：**成本法难以反映场景和组合价值；收入法难以建模社会影响和期权价值；市场法受交易不足和流动性不足限制；问卷测试法适用范围窄、成本较高（p.69）。

  4. 开放银行如何作为数据配置机制？
    **答案：**银行通过API向经授权的第三方开放用户数据，同时限制可开放的数据和机构范围，部分实现用户数据可携带性（p.71）。

  5. 为什么密码学数据市场不会自然形成传统的价高者得？
    **答案：**同一数据加密后仍可同时提供给多个使用者，数据仍具有非竞争性；且同一数据对不同人的价值差别很大，价格难以提供统一、有效的定价信息（p.74）。

易错点与原文疑点