数据要素市场化的理论内涵、现实挑战和实践路径
发布时间: 2022-09-29
数据要素市场化的理论内涵、现实挑战和实践路径
鲁泽霖 陈岩
（北京邮电大学经济管理学院，北京 100876）
摘要：数据要素是数字经济时代的全新生产要素，数据要素市场化在数字经济推进经济高质量发展中具有显著的战略意义。目前，全球对于数据要素的认识仍然处在积极探索中，正确把握数据要素市场化的新内涵、新特征、新要求、新挑战至关重要。在对数据要素市场化的理论内涵和重大意义进行系统阐述的基础上，通过数据要素市场化指数测度发现我国当前数据要素市场化起步晚、起步缓，面临数据产权确权难、数据价值评估难、数据交易流通难、数据保护监管难等挑战，从而从加快数据汇聚、推动数据流通、深化数据应用、强化数据安全等方面提出具有实践价值的解决路径。
关键词：数据要素市场化；数据流通；数据交易；数据安全
0 引言
完善的要素市场化配置是建设高标准市场体系的重要组成，2021年1月中共中央办公厅、国务院办公厅印发的《建设高标准市场体系行动方案》提出要“推进要素资源高效配置”[1]。理论上，要素流动性的改善和市场价格机制的成熟有利于改善资源错配，促进经济结构调整，提高资源利用效率[2,3]，也为我国供给侧结构性改革提供了中长期的实践路径[4]。为加快要素市场化改革，就要确保要素交易、流通、分配的市场体系更加完善，让市场在要素资源配置中起决定性作用，这对构建新发展格局具有重要的战略意义[5]。
数据要素作为一种非竞争性生产要素，不同于传统工业经济时代的生产要素，具备更多的新经济特点。当前数据要素市场化配置面临着诸多挑战，数据确权、定价、交易、流通和保护等推进困难。为更好地实现数据要素市场化配置，有必要对数据要素性质和数据要素市场化理论内涵进行剖析，认清数据要素市场化面临的挑战，针对性地提出数据要素市场化的具体实践路径，提高数据要素市场配置效率，推动数字时代经济发展的质量变革、效率变革、动力变革。
1 数据要素市场化理论内涵
1.1 数据要素的主要特征
数据是一种虚拟性的资源，要发挥其价值，需要经过数据处理的过程以形成信息和知识，将数据、数据处理技术和方法、数据处理的结果用于生产经营活动中，数据就转换成一种重要的生产要素。数据要素市场化配置与传统的生产要素（土地、劳动力、资本等）市场化配置存在明显不同，根本原因在于数据要素的特征决定了其运行机制和价值形态更加复杂，带来数据产权界定不够明确、数据开放与共享水平较低、数据交易机制不够健全、数据安全意识较为薄弱等诸多问题[5]。
数据既具有完全的非竞争性也具有部分的排他性。在理想的状态下，一组数据可以被多个个人或企业同时使用，但是这并不会减少其他使用者对这组数据的使用，即数据额外使用的边际成本为0。Hal[6]强调数据的非竞争性意味着数据很少被购买并像其他商品或服务一样出售，但被许可用于特定用途，Hal对数据非竞争性的强调，意味着数据访问权比数据所有权更重要。Charles和Christopher[7]研究了数据进入生产过程的基本模式，“数据”可以被视为“信息”中不属于“创意或想法”的部分。作为生产要素的数据，其本身不能被直接用于生产经济物品，但是却能在生产过程中发挥作用——如创造新的想法或者形成对于未来的预测，进而指导经济物品的生产。通过构建一个带有数据生产和制度安排的理论模型可分析数据的不同所有权是如何影响社会产出、个人隐私和消费者福利的。理论结果表明，数据的非竞争性会带来收益递增。苏京春和许静指出非竞争性要素由于具有质变特征，是提升全要素生产率的主要来源，有利于揭示经济长期增长的原因[8,9]。同时，Carriere-Swallow和Haksar[10]指出数据具有部分排他性，这取决于数据持有者在多大程度上保护数据。当数据的规模足够庞大、内容足够复杂和广泛时，数据生产要素就表现出高度的排他性，拥有数据的企业和机构会选择“窖藏”而非分享数据[11]。
数据既存在规模报酬递增现象也存在规模报酬递减现象。短期内数据的积累过程可能会获得递增的回报，但从长期来看，数据生产要素的回报率仍可能呈递减的趋势。当数据量积累到一定程度时，收益递减的力量就会占据主导地位。而在数据量不够充足时，“数据反馈循环”将会产生递增的回报——拥有更多数据的企业会生产更高质量的产品，这又会促使这些企业增加投资、生产和销售，进而生成更多数据。Maryam和Laura[12]建立了一个企业积累数据而非资本的增长模型，讨论具有非竞争性数据要素积累对于数据经济与宏观经济的整体影响。其中，数据包含3个关键特征：经济活动的副产品；用于预测的信息；减少不确定性，提高了公司的盈利能力。该理论模型结果显示，数据积累根据其绝对水平的高低，会产生收益递减和收益递增两个相反方向的影响：企业在利用大数据进行预测时，预测误差最多只能被降低到0，这一自然界限加上经营过程中不可预测的随机性，使得数据在规模够大时必然具有递减的收益；而在数据量不够充足时，数据则具有递增的收益：更多的数据使企业更具生产力，从而产生更多的生产和交易，而这又创造出更多的数据，并进一步提高生产力和数据生成，形成“数据反馈循环”的过程。这种递增的收益会反过来造成所谓的“数据贫困陷阱”，使得那些数据拥有量低的企业、行业或国家长期局限于少量的数据生产和交易，从而无法取得进一步发展。
数据既具有正的外部性也具有负的外部性。对于消费者而言，当一个消费者通过主动选择或默认选择加入数据共享时，该消费者的数据允许卖家推断其他消费者的偏好，对于愿意选择加入数据共享的消费者来讲，数据存在正外部性，但是对于不愿意加入数据共享的消费者来说，数据存在负外部性。对于生产者而言，数据收集会带来企业生产效率的提升，例如雅虎搜索引擎的用户越多和搜索数据数量越多，两者带来的直接网络效应会显著改进该搜索引擎的搜索质量，进而产生很强的正外部性[13]。Acemoglu[14]等通过研究隐私与数据市场间的关系发现，数据的负外部性会带来过度的数据共享，造成数据市场失败并降低数据的价格。换句话说，如果用户怀疑存在信息泄露，用户就没有理由保护自己的数据和隐私，通常以非常低的价格出售数据。然而，平台之间的竞争并不能解决数据价格过低和数据共享过度的问题，反而会进一步降低福利。随着人、流程、技术和数据之间相互联系和互操作性的不断增强，数字经济的网络外部性推动了共享的实现。2019年，Chen和Wang[15]进一步指出共享经济的关键特征不是其众包性质，而是其数字经济性质，数据现在被视为是推动市场组织和运作方式的关键要素。
1.2 数据要素市场化理论内涵
市场配置生产要素是市场经济的本质特征，数据作为生产要素只有通过市场来配置才能够真正地让数据要素流通起来，更好地发挥数据要素的价值，创造更大的经济效益[16]。数据要素市场化配置是指数据要素供求通过市场交易来实现，数据要素价格在价值决定基础上通过市场来形成。李直和吴越指出，数据要素的特殊使用价值和存在形态导致其具有3种不同于一般商品和生产要素的特性[17]：一是数据并不直接形成具有使用价值的物质形态，也不具有直接的使用价值，而必须经过计算机算力和算法提炼才能用于指导和调节社会生产与再生产过程；二是数据要素的再生产过程不需要耗费额外的劳动，就能以极低成本无限复制；三是数据要素的利用具有天然的非竞争性和规模经济效应。这3点正是数据生产要素的典型特征带来的最直接后果。
从理论上看，陶卓[18]等提出数据要素市场化配置的理论框架包含4个维度，分别是数据要素维度、数据主体维度、数据载体维度和制度机制维度；何玉长和王伟[16]认为数据要素市场化的要件至少要包括数据要素市场定价、数据要素市场交易、数据要素市场竞争和数据要素市场制度等方面。从实践上看，2021年8月，广东出台全国首个数据要素市场化配置改革行动方案，提出“1+2+3+X”的改革思路和五大类任务，其中强调了完善法规政策，优化制度供给，构建两级数据要素市场结构，围绕数据集聚、运营和交易等环节，推动数据新型基础设施、数据运营机构、数据交易场所三大枢纽建设，打通供需渠道，保障数据要素生产、分配、流通、消费各环节循环畅通。从全国范围看，我国数据要素市场化程度不仅滞后于传统生产要素市场，也滞后于市场经济和数字经济的发展。严格意义的数据要素市场尚未建立，数据确权、定价、交易、流通等市场环境尚未形成，严重制约数据要素价值化作用的发挥，加快培育数据要素市场，才能抢抓数字经济发展战略机遇期，塑造数字经济时代竞争新优势。
2 数据要素市场化战略意义
2.1 数据要素市场化是助推经济高质量发展的主要抓手
数据是数字经济的核心生产要素，数据要素的集聚与流动是实现产业数字化、网络化、智能化改造的动力来源。数据要素市场化从源头上有效提高数据供给能力、控制数据应用成本并推进数据效益最大化。数据要素市场化推动要素质量提升，通过数据要素市场与其他要素市场的协同联动，实现对劳动力、技术、资本等各方面生产要素流转的全面数字化智能化改造，提高实体经济的要素投入数量和质量；数据要素市场化推动实体经济向精细化配置、精准化服务和柔性生产的方向转型升级，如设计环节的大规模定制、生产环节的智能制造、营销环节的精准推送等，都在不断增加行业生产率和附加值水平；数据要素市场化推动实体经济动能转换，通过市场化配置，发挥数据低成本流通、规模报酬递增等优势，克服传统要素资源的总量限制，形成规模报酬递增的经济发展模式。
2.2 数据要素市场化是构建“双循环”新发展格局的现实需要
“双循环”新发展格局的重点在于打通生产、分配、流通和消费各个环节，通过畅通国内大循环、促进国内国际双循环，培育新形势下我国经济发展的新动能和新优势。生产环节，数据市场化有力促进企业生产数字化转型，加快产业结构转型升级；分配环节，数据的高效流动和合理配置可缓解信息不对称问题，提高资源配置效率和经济运行效率，破解区域及城乡发展失衡、资源错配、市场分割等难题；流通环节，数据资源的整合和数据平台的建立能有力打破流通环节壁垒，实现信息交流共享，将资源比较优势转换为经济优势，提升国内资源循环质量，减轻产业外迁的压力；消费环节，数据要素市场化能有效提升传统要素的价值转化效率，扩大有效需求，推动信息消费、智能消费等新消费业态发展，促进数字贸易发展，带动国内国际双循环良性发展。
2.3 数据要素市场化是完善社会主义市场经济体制的主要内容
党的十九届四中全会首次将按劳分配为主体、多种分配方式并存和社会主义市场经济体制纳入我国社会主义基本经济制度，“多种分配方式并存”关键是要解决好按生产要素参与分配的问题。数据作为生产要素参与收益分配是关键之一，也是数字经济时代分配制度的与时俱进，是一项重大的理论创新。数据要素市场化是推进数据要素参与收入分配、完善要素分配体系的重要举措，通过数据要素市场化可以加快形成兼顾包容性、开放性和发展性的数据产权体系，形成科学合理的数据要素价格形成机制，科学量化多元数据主体的要素贡献，有利于完善市场评价数据要素贡献、贡献决定数据要素回报的机制，确保数据要素收入初次分配高效公平，让企业和个人有更多活力和更大空间去利用数据要素发展经济、创造财富。
3 我国数据要素市场化的现实挑战
我国拥有的数据量居世界第一，但是数据的价值尚未被最大程度地开发出来，当前我国的数据要素市场滞后于市场经济和数字经济的发展，成为市场体系的短板。因此，培育数据要素市场成为促进数据价值有效利用的必然选择[19]。
3.1 数据要素市场化发展起步晚起步缓
当前，国内尚未有构建数据要素市场化指数的研究，这给理解我国数据要素市场化发展的现状带来了困难。为更好地对当前我国数据要素市场化配置所处阶段进行分析，本文首先构建了数据要素市场化指数，以直观展现数据要素市场化配置的整体发展状况。
借鉴《中国分省份市场化指数报告（2018）》[20]的研究思路，数据要素市场化指数包含3个一级指标，分别是产业发展、发展环境、数据治理3个维度，8个二级指标，分别是数字产业化规模、产业数字化规模、市场化发展程度、新型基础设施发展程度、数据交易中心、数据要素市场发展规划、数据治理和监管基础、地方政府数据开放水平。由于原始数据指数间量纲不同，为使其具有可比性，本文对数据进行极差标准化处理；同时，赋予每个指标相同的权重，以该分项数据要素市场化程度最高的省份为1，最低的省份为0，将加权后的数据要素市场化指数标准化为10。所有指标均为正向指标，利用各省份数字经济规模占GDP的比重作为调整系数，调整后数值越大反映该省份数据要素市场化程度越高。整体来看，数据要素市场化指数最高的省是广东，其数值仅为3.70，这意味着全国数据要素市场化配置规模较低，潜在制约因素仍然较为突出，完善的数据要素市场建立仍然面临较大挑战。分区域来看，我国东南沿海省份数据要素市场化指数相对较高，其数据要素市场化配置正处于加速起步阶段，东南沿海地方政府积极推进政府数据开放共享，挖掘数据要素市场化深度，数据要素红利逐渐得到释放，有助于推动新模式新业态不断涌现；相反，我国中部、东北、西北和西南部分省份数据要素市场化发展水平存在明显滞后，数据要素市场化配置面临统筹力度弱、交易市场瓶颈大等问题。分省份来看，浙江、北京和上海数据要素市场化指数排在2~4名，分别为3.64、3.58和3.49。江苏、山东、天津和福建数据要素市场化指数排在5~8名。湖北数据要素市场化发展程度在中西部地区排名最靠前，在数据交易中心建设方面,湖北已经建成华中大数据交易所、东湖大数据交易中心和长江大数据交易所，是全国唯一一个拥有3个数据交易所（中心）的省份，这在很大程度上有力支撑了湖北数据要素市场的建设和完善，为湖北数据要素市场化快速发展打下坚实基础。同时，云南、青海、新疆、甘肃等省份数据要素市场化指数排名靠后，数据要素市场化培育较慢，具体表现为数字经济基础设施投入少、数字经济规模较小、数据治理和监管环境不完善、数据要素发展规划不充分等特点。
3.2 数据要素市场化配置面临诸多挑战
从数据要素市场化指数来看，我国数据的要素化和价值化进程依然处于起步阶段，数据确权、数据定价、数据交易、数据流转、数据保护等环节依旧需要大量的实践探索，数据要素化和数据价值化的相关问题仍未得到很好的解答。
（1）数据产权确权难。围绕数据生产者（如消费者）和数据控制者（如平台企业）哪一方应该拥有数据的所有权，即个人用户数据的归属问题仍然存在争议。对于数据处理者或控制者而言，既然付出了劳动和资本，那么权力应该得到相应的保障。但数据本身蕴含着个人、企业等主体的信息，会涉及相关当事人的物权、人格权、民事权、隐私权等多种权力，因此确认数据产权的权利归属难度较大[21]。同时，数据的非竞争性和低成本复制性使得数据要素不同于其他生产要素，数据要素产权保护也更加困难。
（2）数据价值评估难。数据价格与数据质量、收集难易度、特定应用场景有关，数据本身的价值难以衡量，比如一部质量好的纪录片和一部质量一般的纪录片，两部纪录片文件大小都是10 GB，但其价值可能千差万别。又如，数据生命周期分为数据生产信息和知识、数据产品应用两个阶段，原始数据、加工整理后的数据、计算分析后的数据等虽然最终都会逐步转化为信息或知识，但是不同形式的数据，其价值是不一样的。此外，大部分平台企业都采用消费者免费使用的模式，给数据产品或服务定价监管带来新挑战。
（3）数据交易流通难。各类数字经济企业累积的大量互联网、物联网数据目前大多数处于互相割裂、难以流动、无法打通的“数据孤岛”状态。尽管在经济社会全面数字化转型过程中，需要大量的数据资源参与生产过程，但是由于没有相关的法律法规和交易规则，因而难以实现大数据的充分扩散、大范围共享和市场化流通。由于缺乏数据确权可行技术手段，交易主体无法清晰界定，导致现有的大数据交易所普遍面临质量低、交易额度低等问题，市场化数据交易生态系统的建立受到严重阻碍，数据交易市场规模化发展仍然不够充分。
（4）数据保护监管难。数据开放和共享造成新的安全问题，降低了政府部门和社会机构对数据开放共享的积极性。数据集本身可能是脱敏的、安全的，但不同数据集的整合却可能侵犯个人隐私权，泄露企业商业秘密或国家秘密。Richards和King[22]强调了关于大数据的3个悖论，即透明度悖论、身份悖论和权力悖论。透明度悖论表明大数据虽然广泛地收集各种各样的私人信息，但大数据的操作本身几乎完全笼罩在法律和商业秘密中；身份悖论说明大数据支持者认为大数据虽然能够得到有价值的结论，但大数据往往以牺牲个人和集体身份为代价进行身份识别；权力悖论意味着尽管大数据有能力进行社会变革，但大数据的权力效应以牺牲普通个人权力为代价，让大型政府和企业实体享有特权，对数据安全责任风险的担忧阻碍了公共数据的共享和开放。
4 数据要素市场化实践路径
4.1 加快数据汇聚，夯实市场化基础
把数据资源高质量采集上来、汇聚起来，是数据要素市场化的前提和基础[23]。作为人口大国、制造大国、网络大国，我国数据资源极为丰富，多举措推动数据高质量采集汇聚，可为培育和发展数据要素市场打好坚实的基础。在企业层面，要引导企业加强数据采集、标注、传输、存储、分析、应用等全生命周期管理，推动工业设备互联互通，制定关键设备数据接口标准，逐步实现数据全面采集、高效互通和高质量汇聚。在国家层面，要建好管好基础数据资源体系，不断丰富人口、法人、信用、宏观经济治理、自然资源和空间地理等基础数据库，开展数据资源统计调查，引导政府部门、公共机构、企业开展数据资源编目工作，制定规范的数据质量评估监督、响应问责和流程改善方案，形成数据质量管理机制。
4.2 推动数据流通，完善市场化能力
数据自主有序交易流通，是数据要素市场化建设的关键，是激发数据要素价值、扩大数据生产力乘数效应的重要途径。为逐步推动数据更大范围、更加充分和有序地交易流通，一要建立数据确权机制，加快探索数据“所有权”与“使用权”的分离，通过数据登记确权平台及区块链等技术手段，实现对不同数据的权属类型界定；二要建设数据资产价值评估体系，鼓励高校、研究机构、大数据交易所等加快研究开发数据资产价值评估模型，在实践中逐步建立和完善能准确评估数据价值的方法，健全数据询价、报价、定价、竞价机制，促进数据交易和流通；三要培育数据交易环境，鼓励企业间共建共用安全可信任的数据空间，研究制定公平、开放、透明的数据交易规则，加强市场监管和行业自律，培育营造包容审慎的数据市场化环境[24]。
4.3 深化数据应用，增强市场化动力
数据融合应用是构建数据要素市场化的关键牵引力，现有数据供给与数据应用需求不匹配问题突出，成为制约数据要素市场发展的难点之一。因此，从供给端来看，应着力提升数据平台能力，以应用场景为牵引，进一步完善数据要素市场的供需对接机制，切实解决数据市场供需错配问题，强化数据应用支撑作用，助力打造数据应用生态，以数据流通降低企业特别是中小工业企业数据应用的壁垒[25,26]；从需求端来看，应加快数据全过程应用，创新应用场景，鼓励农业、工业、交通等领域充分开发利用数据，实现不同产业的研发设计、生产制造、产品运维、经营管理的业务全流程综合应用，提升企业研产供销数据应用水平，为发展数据要素市场以最大限度运用数据服务经济社会提供支撑[16]。
4.4 强化数据安全，筑牢市场化底线
安全是数据市场化过程中必须守住的底线，也是制约数据市场化发展的天花板。由于存在隐私数据被滥用、敏感数据被窃取等风险，数据市场主体在参与市场化流通时存在顾虑，掣肘了数据要素的流动和应用。为解决数据市场化中的安全问题，应建立数据安全责任体系，按照数据分类分级保护制度，确定可进行市场交易的数据目录，明确安全主体责任和防护要求，严厉惩罚数据黑市交易等触碰红线的行为；应健全数据安全管理制度，增强数据安全预警和溯源能力，提升安全态势感知、测试评估等能力，提升数据全生命周期安全保障措施，构建贯穿数据流通始终的数据安全体系[27]；应加强数据安全技术和产品研发，推进数据安全多方计算、可信计算、联邦计算等技术的攻关克难，加大技术试点工程，推进技术成果转化，全面提升数据市场化过程中防泄漏、防窃取、防篡改、防伪造等能力。
5 结束语数据要素市场化是一个系统性难题。完善数据要素市场对我国现代化经济体系的构建具有重要意义。解决这一系统性难题需要动态演进的辩证性思维，笔者认为需从底层理论的架构、面临难题的挖掘以及相应的解决之道3个方面进行拆解，并在每一环节进行细致分析。底层理论的架构实际上来自经验现实的升华，数据的非竞争-排他并存性、规模报酬递增-递减并存性，以及正负外部复杂性是数据要素市场化诸多现实难题在理论维度的提升。数据确权难、定价难、流通难、监管难，是数据本身具有的理论性质在经验现实中的下沉，“数据四难”背后均蕴含着数据本体论的3对矛盾。所有针对数据要素市场化的实践手段不仅仅要针对具体问题，更应以是否能缓解、调和数据背后的3对矛盾为考量。除丰富数据要素市场化的相关研究外，本文的意义还在于抛砖引玉地提出一套政策研究逻辑，为政策研究提供一种更具理论性的方法论。
参考文献
[1] 中共中央办公厅, 国务院办公厅. 建设高标准市场体系行动方案[Z], 2021.
[2] 刘雅婕, 熊艳艳, 姚先国. 要素市场化改革对资源错配的影响[J]. 统计与决策, 2021(11):139-142.
[3] 李明珊, 孙晓华, 孙瑞. 要素市场化、结构调整与经济效率[J]. 管理评论, 2019(5):40-52.
[4] 陈诗一, 徐颜玉. 从要素市场化看供给侧改革的中长期实践路径——基于随机前沿模型增长核算的分析[J]. 经济理论与经济管理, 2017(11):19-27.
[5] 马建堂. 建设高标准市场体系与构建新发展格局[J]. 管理世界, 2021,37(5):1-10.
[6] HAL V. Artificial intelligence, economics, and industrial organization[M]. Washington D.C.: National Bureau of Economic Research, Inc, 2018: 399-419.
[7] CHARLES I J, Christopher T.Nonrivalry and the economics of data[J]. American Economic Review, 2020,110(9):2819-2858.
[8] 苏京春, 许静. 论经济增长中的非竞争性要素[J]. 财政科学, 2019(3):9-18.
[9] 苏京春, 许静. “全要素生产率”(TFP)新解:加入新的非竞争性要素后[J]. 发展研究, 2021(1):4-16.
[10] CARRIERE S, HAKSAR V. The economics and implications of data:an integrated perspective[J]. IMF Departmental Papers/Policy Papers, 2019.
[11] 徐翔, 厉克奥博, 田晓轩. 数据生产要素研究进展[J]. 经济学动态, 2021(4):142-158.
[12] MARYAM F, LAURA V A. Growth model of the data economy[R]. Washington D.C.: National Bureau of Economic Research, Inc, 2021.
[13] MAXIMILIAN S, GEZA S. Learning from data and network effects: the example of internet search[R]. Berlin: DIW Berlin, German Institute for Economic Research, 2020.
[14] ACEMOGLU D, MAKHDOUMI A, MALEKIAN A, et al. Too much data: prices and inefficiencies in data markets[J]. National Bureau of Economic Research Working Paper Series, 2019: 26296.
[15] CHEN Y B, WANG L T. Commentary: marketing and the sharing economy: digital economy and emerging market challenges[J]. Journal of Marketing, 2019(5):28-31.
[16] 何玉长, 王伟. 数据要素市场化的理论阐释[J]. 当代经济研究, 2021(4):33-44.
[17] 李直, 吴越. 数据要素市场培育与数字经济发展——基于政治经济学的视角[J]. 学术研究, 2021(7):114-120.
[18] 陶卓, 黄卫东, 闻超群. 数据要素市场化配置典型模式的经验启示与未来展望[J]. 经济体制改革, 2021(4):37-42.
[19] 田杰棠, 刘露瑶. 交易模式、权利界定与数据要素市场培育[J]. 改革, 2020(7):17-26.
[20] 王小鲁, 樊纲, 胡李鹏. 中国分省份市场化指数报告(2018)[M]. 北京: 社会科学文献出版社, 2019.
[21] 赵刚. 数据要素: 全球经济社会发展的新动力[M]. 北京: 人民邮电出版社, 2021.
[22] RICHARDS N M, King J. Three paradoxes of big data[J]. Stanford Law Review, 2013: 41.
[23] 余晓晖. 抓住机遇、直面问题, 全力激发工业数据要素价值[EB/OL]. (2020-05-22)[2021-12-14]. https://mp.w.eixin.qq.com/s?src=11×tamp=1642060301&ver=3555&signature=YDpVPuVXieEozqoabqFQWLI-cLO78ALVWX9Ph9nUuE8xlN0DREXYN6SUiNeqYIt1oox*yZ2ActPhh8NQRBDMIoK9AfdP-aqKYWBXBIUjgCtHkN4yNOp-mr7TF1L8jxtY&new=1.
[24] 王伟玲, 刘梦冉. 激发数据流通活力释放数据潜在价值[J]. 网信军民融合, 2021(4):17-19.
[25] 王明姬. 完善七要素按贡献参与分配的路径思考[J]. 宏观经济研究, 2021(3):102-110. DOI:10.16304/j.cnki.11-3952/f.2021.03.008.
[26] 陶卓, 黄卫东, 闻超群. 数据要素市场化配置典型模式的经验启示与未来展望[J]. 经济体制改革, 2021(4):37-42.
[27] 孙克. 数据要素价值化发展的问题与思考[J]. 信息通信技术与政策, 2021,47(6):63-67.
The theoretical connotation, realistic challenges,and practical path on marketization for data
LU Zelin, CHEN Yan
作者: 鲁泽霖,陈岩