机器学习和人工智能的广泛应用带来了数字经济的蓬勃发展，许多学者和媒体都把数据看作是当前驱动变革的新“石油”。党的十九届四中全会将数据加入到传统生产要素（如劳动、资本、土地、知识、技术等）当中。而去年4月的《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》进一步强调，需要探索由市场评价数据生产要素贡献的机制。这一主题也吸引了来自多个学科的研究人员的关注和讨论，共同研究数据作为生产要素和培育数据市场之间的密切联系。
近期，复旦大学黄丽华教授领衔的团队在国家自然科学基金委主管、主办的Fundamental Research 期刊上从市场角度对于数据作为生产要素的机制进行了探讨。文章的核心观点包括两方面，一无法实现流通和交易的“孤岛”数据不具备生产要素的基本特征；二是当前数据交易市场发展面临一个主要矛盾，即看似丰富的数据供给普遍处于原始的未经脱敏、清洗和分析的原始形态，而数据需求又是针对能够非常符合具体应用场景的并且可以合法流通的数据——二者虽然都是数据，其实存在巨大的差异。
本文随后提出从数据生命周期成熟度与数据资产专用性两个维度来看待数据交易市场的发展。一方面，数据生命周期成熟度指原始数据经过处理的程度，起点是原始数据，最终阶段是数据经过清洗、封装、处理和分析的数据产品和服务。另一方面，数据资产专用性体现在数据商业价值的发挥依赖于特定的应用场景，包括场地专用性、实物资产专用性与人力资产专用性，分布代表了对特定位置、物理配置和人力技能的需求。在上述两个维度基础上，该文提出了一个理论框架即受数据属性影响的数据交换模型(DADE model)。DADE 模型的核心要义是原始数据的供应与高度专用的数据产品和服务的需求之间总是会出现不匹配。当数据供应对于特定领域的生产（例如数据产品和服务）足够成熟时，交易过程就会接近完全可合约化的阶段（例如定价、交付和补偿）。然而，匹配原始数据供应和低专用性需求存在许多困难，其中数据交易通常不完全可合约化，主要源于交易不确定性。基于以上讨论，文中提出了四种解决路径（如图1）。
-
路径1：市场设计，这种方法是将原始数据的供应直接与低专用性的市场需求相匹配，这往往需要复杂的机制设计和配套的基础设施来保证数据交易的公平性和合法性。这也是今天的数据市场在建立时大量涉及法律问题和隐私保护等问题的原因，从而也不得不寻求更加复杂的技术解决手段，如隐私计算、联邦学习等；
-
路径2：数据工程，这种方法是利用数据工程技术沿着数据生命周期推进——从原始数据到清洁数据，最终到封装的数据产品和服务，这个过程可以不依赖于具体的应用场景——一旦形成成熟的数据服务接口、数据产品或载体，数据交易本身的法律风险和技术门槛也会大大降低，如天气数据的API等；
-
路径3：数据科学，这种方法侧重于针对特定数据需求的模型/算法设计，使用数据科学为特定业务场景转换数据。通过建模分析，结合特定需求场景形成数据供应，例如用于广告业的标签数据和用于金融保险业的征信评价等；
-
路径4：综合方法，这种方法同时提高数据供应准备和需求特异性，虽然这无疑是困难的，但在某些数据供应量激增、特定数据需求正在形成的场景下，仍然是可能的。例如天眼查等数据服务产品，将分散的数据资源整合形成服务能力，并且可能应用于各类业务的数据查询需要。
