数字经济正在成为经济发展的核心驱动力，而数据要素正在成为推动数字经济发展的关键要素。为了深刻理解数据要素在数字经济时代的核心作用及其背后的经济学逻辑，互联网经济学研究联盟、中国人民大学数字经济研究中心、腾讯研究院企鹅经济学工作坊、中国工业经济学会互联网经济与产业创新发展专委会等单位，于2020年7月7日举办数据要素的定价模型、统计核算与经济学理论创新学术研讨会。
北京师范大学统计学院宋旭光院长、中国信通院政策与经济研究所何伟副所长、赛迪研究院电子信息研究所陆峰副所长、万向区块链首席经济学家邹传伟博士、中国人民大学数字经济研究中心程华副主任、《比较》研究部主管陈永伟博士、腾讯研究院首席经济学顾问吴绪亮博士等嘉宾作了主题演讲。中国科学院大学管理学院吕本富教授对会议内容进行了总评。腾讯研究院博士后陈维宣主持会议。
会议主持人陈维宣
在不同的经济发展时代，都有着与其相适应并主导经济发展的关键生产要素。在农业经济时代，土地和劳动是主导农业经济发展的关键生产要素；进入工业经济时代后，技术和资本取代了土地和劳动，成为主导工业经济发展的关键生产要素。目前，随着技术的创新，我们逐渐进入数字经济时代，相应地，数据成为主导数字经济发展的关键生产要素。党的十九届四中全会决议中首次将数据增列为生产要素，并在今年3月份发布了专门发布《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》，为数据要素市场改革提供了方向。
数据要素在长期经济增长中的作用，可以从微观和宏观两个层面，规模、质量与结构三个角度来考察。在微观层面上，我们主要集中考察企业如何利用数据进行生产与经营活动。从规模上讲，数据要素具有规模报酬递增特征与正反馈效应；但是，同时也需要注意到并非绝对如此，数据质量也具有决定性的作用，只有高质量的数据才能具有报酬递增与正反馈的特征，而低质量的数据投入规模越大，对企业的干扰也越大。在宏观层面上，我们考察数据要素如何推动长期经济增长。与劳动和资本一样，数据要素也会在规模上表现为不同国家和行业间的数据要素禀赋结构，产生数据丰裕型国家与数据密集型产业，并对产业结构演进、国际竞争格局与全球价值链分工产生深远影响。这背后还隐含的一层意思就是数据偏向性技术进步，这是我们在之前的一篇文章中提出的概念，推动数据偏向性技术进步是大规模利用数据要素的技术基础。
同时，数据要素的规模化、高效率利用离不开有效的数据要素市场与数据统计核算，更进一步地涉及到数据权属的划分与分配。这些都是非常重要并且非常基本的经济学问题，我们今天的研讨会正是聚焦于此，希望能够推动对这些问题的研究与经济学理论的创新发展。
以下为与会专家主题演讲的精彩观点汇编（按发言顺序）：
宋旭光 北京师范大学统计学院院长
数字技术创新一直在推动着国民经济核算的发展，国民经济核算也有义务为数字经济研究提供相应的数据基础，它们二者是一个相互促进的关系。
数据被纳入生产要素参与分配进一步强调了数据的重要性。但是由于理解上面的偏差，或者沟通上面的不够，人们对国民经济核算如何提供数字核算的产品还没有达成共识。
从客观上说，数据技术的创新目前是超前于国民经济核算理论的发展的。最大的问题就是缺少微观的数据基础，我们知道，土地、资产、劳动等等这些生产要素，在微观的所有权上是非常明确的，微观的会计核算、统计核算基础是比较好的。但是数据目前还不具备这样一个特点，如果想要其他的生产要素那样比较全面、比较扎实的数据，还有非常长的路要走，还有很多困难要克服。
从国际上来看，数据资产的核算也是一个全新问题，目前没有哪个国家能够全面地来核算数据的资产，缺少可供借鉴的经验，而且我国的数字经济发展是处于全球领先地位的，在此情景上，也必须开拓创新我们的数据核算方法。值得指出的是，我们不能把对现行对数据库的核算等同于对数据的核算。受到技术条件的限制，目前对数据库的核算还远远不能涵盖我们目前中央提出的数据作为生产要素的深刻内涵。并不能全面反映当前的数字经济发展中数据的重大价值。
为了做好下一步的工作，我们首先要关注工商会计数据基础变化对国民经济核算的影响。尤其是区块链技术出现后，工商会计核算出现一些新的动向，这将非常显著地影响到国民经济核算未来的发展。其次是数据确权的问题。除了少量资产权益比较明确的数据资产以外，还有大量的数据的所有权、处理权和收益权是不明确的，明确这些权益是数据核算的基础。第三，我们国民经济核算的框架都是中心化的，未来去中心化可能会成为数字核算的主题。这意味着有更多的生产者、用户参与到国民经济核算之中。另外，要关注微观数据的大规模应用。国民经济核算在数据的加工、处理、汇总过程中难免数据损失，更为有效的方法就是直接开发应用微观的数据，未来基于微观数据的数据资产核算会成为一个主流。
总之，数据要素核算需要一个比较长期的准备过程，这个过程中不仅需要统计界专家贡献力量，还需要社会各界一起努力，共同推动核算方法的进步。
何伟 中国信通院政策与经济研究所副所长
我主要谈三个方面的内容，和大家做一个交流。第一个方面，从政策框架看，数据要素的作用凸显。从数据资源到数据要素，数据重要性的战略高度不断提升，数字经济的政策框架也在不断深化。中国信通院2017年发布的《数字经济白皮书》，从生产力角度提出了数字经济“两化”框架，即数字产业化和产业数字化。2019年，从生产力和生产关系的角度提出了数字经济“三化”框架，即数字产业化、产业数字化和数字化治理。到了今年，我们又提出“四化”框架，增加了“数据价值化”。一方面，价值化的数据要素将推动技术、资本、劳动力、土地等传统生产要素发生深刻变革与优化重组，赋予数字经济强大发展动力。另一方面，数据价值化直接驱动传统产业向数字化、网络化、智能化方向转型升级。
第二个方面，从推进路径看，数据价值化按照资源化、资产化、资本化加速推进。数据资源化是激发数据价值的重要基础。对处于“原料”状态的数据进行初步加工，形成可采集、可利用的高质量的数据，就是数据资源化的过程。没有经过资源化提升数据质量的过程，后续的价值化就无法实现。数据资产化是实现数据价值的核心环节。只有把数据与具体的业务融合，才能在引导业务效率改善中实现这些潜在价值，这个过程就是资产化。其本质就是数据驱动业务变革，实现数据价值的过程，更多体现为一个产业经济过程。数据资产化是数据价值创造过程中的一种质变，真正体现了、实现了数据的价值。数据资本化是拓展数据价值的根本途径。数据的资本化可以概括为通过数据交易、流通等活动实现数据要素的社会化配置的过程，这更多体现为一个经济社会过程，能够极大地提升数据的使用价值和交换价值。数据资本化关乎数据价值的全面升级，是实现数据要素市场化配置的关键所在。
第三个方面，从实践探索看，我国在数据确权、定价、交易方面取得积极进展。在数据采集、数据标注、时序数据库管理、数据存储、商业智能处理、数据挖掘和分析、数据安全、数据交换等各环节形成了数据产业体系，数据管理和数据应用能力不断提升。数据权属界定探索不断加快，目前，我国进行数据确权的主要有大数据交易所（平台）、行业机构、数据服务商、大型互联网企业等四种形式。数据定价规则尚处于初期实践之中，目前，国内外数据定价方法大致包括三种：一是可信第三方定价，二是自由定价，三是自动计价。当前，国内外大数据交易平台普遍采取可信第三方定价。数据要素市场尚未广泛建立，但已有一些数据交易平台，大致可以分为两类：一类是以数据生产或数据服务类企业为主导、商业职能为主的数据交易平台，另一类是地方政府联合其他主体投资、第三方撮合性的数据交易平台。
陆峰 赛迪研究院电子信息研究所副所长
陆峰副所长做了题为《数据要素市场的机制设计与培育模式》主题交流。陆峰认为数据要素市场改革的目的是要以数据流带动技术流、资金流、人才流、物资流，促进资源配置优化，促进全要素生产率提升，为推动创新发展、转变经济发展方式、调整经济结构发挥积极作用。陆峰认为培育数据要素市场，要借鉴土地、劳动力、资本、技术等市场体系建设的经验，根据数据要素与其他生产要素的不同特点，从破除体制机制、扩大配置范围、健全市场体系和推进市场制度建设等四个方面入手。
关于破除体制机制方面。要破除政务信息孤岛，推进政务数据资源统一规划、统一存储、统一交换等。要破除公共数据资源为部门资产的弊端，切实发挥公共数据资源公共服务属性。要破除部门打着行业数据资源涉密的旗号阻碍行业数据资源的开发利用等行为。
关于扩大配置范围方面。促进政务数据资源共享交换，提高对“一网通办”、协同监管、综合决策等支撑能力。促进公共资源开放开发，提高对智慧城市建设、数字公共服务发展、数字经济发展、创新创业等支撑能力。促进企业间数据流通交易，支持社会数据流通交流平台建设，降低企业运行成本，促进产业协同，提高对创新创业支撑能力。
关于健全市场体系方面。健全价格形成体系，建立数据价格的定价和计价机制。健全交易规则体系，对数据来源、交易主体、使用目的、使用范围、使用时间、交易过程、平台安全保障等加以规范。健全数据清洗、数据挖掘、产权界定、价格评估、流转交易、担保、保险等配套服务体系。完善反垄断、反不正当竞争、信用体系、行业管理、安全管理等市场监管体系。
关于推进市场制度建设方面。要加快推进政务数据、公共数据、企业数据等各类数据在采集、存储、流通、开发、利用各等环节的法律法规、标准规范等。
邹传伟 万向区块链首席经济学家
数据具有多维的技术特征，而数据的经济学特征更复杂。很多数据属于公共产品。因为大部分数据是非竞争性的，属于私人产品和公共资源的数据较少。数据的所有权不管在法律上还是在实践中都是一个复杂问题，特别对个人数据。把数据比喻成石油，不如把数据比喻成阳光更为合适。
数据经过处理并与其他数据整合后，再经分析形成可执行的决策，最终由行动产生价值。数据价值在微观层面体现为对使用者效用的提高，在宏观层面体现为对全要素生产率的提高。数据价值缺乏客观计量标准，主要有三方面原因：一是同样数据对不同人的价值可以大相径庭；二是数据价值随时间变化；三是数据会产生外部性。
数据价值的计量包括绝对估值和相对估值。数据绝对估值比较难，没有公认方法。目前行业主要使用成本法、收入法、市场法和问卷测试法，但都有缺陷。数据相对估值要简单一些。针对定量的数据分析任务，可以使用Shapley值进行相对估值。
数据有多种类型和不同特征，产生了不同的配置机制，主要有四种。第一，作为公共产品的数据，一般由政府部门利用税收收入提供。政府部门应该在不涉密的前提下，尽可能向社会和市场开放政府数据。
第二，作为准公共产品的数据如果在所有权上较为清晰，并且具有排他性，可以采取俱乐部产品式的付费模式、开放银行模式以及数据信托模式。
第三，在互联网经济中，很多个人数据的所有权很难界定清楚，现实中常见PIK（Pay-in-kind）模式，本质上是用户用自己的注意力和个人数据换取资讯和社交服务，但PIK模式存在很多弊端。
第四，很多数据因为有非排他性或非竞争性，不适合参与市场交易。现实中并不存在一个集中化、流动性好的数据要素市场。数据的点对点交易（类似场外交易）尽管一直在发生，但很不透明且非标准化，并且非法数据交易是一个不容忽视的问题。
数据产权界定是数据要素有效配置的基础。可验证计算、同态加密和安全多方计算等密码学技术支持数据确权，使得在不影响数据所有权的前提下交易数据使用权成为可能。基于密码学的数据要素市场将不同于传统市场，不会采取“对同一商品，多个买方竞价，价高者得”的要素配置模式。
数据产权还可以通过制度设计来界定。GDPR建立了数据管理的制度范式，相关做法被欧盟以外的很多国家和地区所采纳。个人数据管理的核心问题是隐私保护。对个人数据，控制权和隐私保护的重要性超过所有权。
程华 中国人民大学数字经济研究中心副主任
我的题目是“市场失灵视角下的数据要素市场构建”。在微观经济学中，市场失灵大致有这样三个原因：不完全竞争、信息不完全和外部性，宏观经济运行的问题都有着与这些因素相关的微观基础。一般来说，一种产品或服务的市场交易中，涉及的市场失灵因素越多，其运行良好的市场构建就越困难。
第一，关于数据要素的竞争问题。首先是政府数据。因为某些行政部门及国有企业的独特功能，政府是一些基础性重要数据的独家拥有者。这一类数据具有公共产品的属性，政府部门应该在保护隐私及国家安全的前提下进行开放，供全社会使用。在这些数据的处理上，政府的主要职责是打破部门阻隔，建立统一、开放的数据库。其次是大型在线平台的数据竞争，针对这一问题的争议较多。在这里，我想强调的是，导致平台型企业拥有大量数据资源的主要原因是数字经济中广泛存在的网络效应，具体到数据市场，一个企业拥有的数据越多维、颗粒度越高，数据价值越高，就可以为用户提供更好的产品和服务，从而吸引更多用户，拥有更多数据资源。需要注意的是，在网络效应的强烈作用下所形成的高市场集中度，与传统的由规模经济、准入限制及独占稀缺资源所形成的垄断，在本质上是有差异的，社会福利分析的结论也是不同的。大型互联网平台的出现，促进了互联互通、标准化的数据资源形成，减少了数据孤岛现象，对于整个社会数据要素的快速积累是有益的。
第二，关于“非排他性+非竞争性”叠加引发的市场失灵。这一点，数据要素与技术要素有相似之处。在技术要素市场的长期探索中，各个国家通过“专利制度 + 有限期的保护”的制度安排来平衡技术的研发激励和使用扩散之间的社会福利取舍，在发达国家基本形成了健康的技术要素市场。但显然，数据要素市场更加复杂，数据的产品界定、所有权归属、价值评估、交易方式设计等环节的问题都没有得到解决。因此，可以想象，数据要素市场的构建需要更加复杂的规则、法律、服务体系等的建立和完善才可以实现，是一个长期的探索过程。
第三，关于数据安全和隐私保护。这是涉及到数据的生产、交换、消费行为产生的负外部性问题。在传统的生产要素中，资本市场和劳动力市场涉及较为重要的外部性问题，如金融危机导致的实体经济衰退，劳动力市场的失业和收入差距导致的社会不稳定等。在现实中，各国通过对金融体系的严格监管和针对个人的社会福利制度等来克服上述负外部性，国际上形成了相对有共识的应对办法。但对于要素市场，需要注意的是，各国的消费者文化、价值观念有差异，信息泄露和隐私保护问题产生的社会影响是不确定，边界也不清晰。因此，基于历史和消费者习惯的保护规则制定，可能是必须的。过严、过早的规则制定和执行可能造成“劣币驱逐良币”的不良竞争环境。
陈永伟 《比较》研究部主管
先定产权还是先定价格？这是一个问题
近年来，随着技术的发展，数据已经从一种单纯的信息载体发展成为了一种关键的生产要素。为了让这种要素能够更好得到配置，探索建立数据市场已经成为了当务之急。
在建立数据市场的过程中，有两个问题是最需要关心的：一是数据产权的确定；二是数据定价机制的建立。按照流行的观点，前一个问题应该是优先进行的，因为没有确定的产权就难以进行交换，市场就无法真正运行。然而，这个思路却存在一个很大的缺陷：如果数据的价值不能被体现，那么与数据相关的各利益相关主体就不会有积极性去参加确权谈判，要真正实现数据产权的清晰也就十分困难。从这个角度看，在探索建立数据市场的过程中，我们不能固持一种先后观念，认为只有清晰确定了数据产权才能探索定价问题，而应该学习中国经济改革的经验，用两条腿走路，在思考数据产权问题的同时，加快对数据价格形成机制的探索。
数据价格如何定，场景很关键
在不同的场景之下，我们说到数据价格时，指的意思有很大不同。如果我们涉及到的问题是交易场景，那么这时谈到的价格就是一种交易价格；而如果我们谈到的是非交易场景，则提到的价格则更多是对数据资产的一种估值。很显然，在这两种场景下，数据价格的含义是不同的，其形成过程也会有很大不同。
交易场景
所谓交易场景，就是数据的买家和卖家直接对数据资源进行了交易。根据市场结构的不同，应该采用不同的价格生成机制。
（1）买卖双方数量都很大、高频次调价：如果市场上存在着很多的买家和卖家，且交易的频次很高（例如物联网普及后的情形），那么这时的市场就类似于经济学中理想的市场情形。对于这种市场，只要直接放开市场，让市场自发探索价格形成即可。
（2）卖方市场情形：如果卖方数量少、调价频次低，例如现在很多通过API接入调用数据的情形，那么在这种情况下，阻碍市场上交易发生的力量主要是卖方的市场力量。这时，主要的问题应该是引导卖方肯出售数据，让数据可以有效地流动起来。对于这种情况，成本加成的定价方案或许是一个可行的选择。
（3）买卖方双边垄断的情形：这时，可以考虑用拍卖模式来解决问题。当然，取决于我们希望的社会福利目标，可以采用不同的拍卖模式。
非交易场景
在非交易场景之下，数据的价格本质上是一种对于数据价值的评估。根据不同的具体情形，可行的定价方式也各不相同。
（1）并购场景：这时，人们关注的问题是向前看的，并购双方关心的问题主要是未来的经营状况。为了配合这类场景，可以采用收益流定价、实物期权等定价方案。为了剥离各种因素的影响，突出数据本身的价值，在必要时可以采用Shapley值定价。
（2）诉讼场景：这时，人们关注的问题是向前看的。此时，成本法和比较法将是比较好的思路。需要指出的是，在采用比较法时，可能找不到可供比较的对象。对于这种情况，我们可以采用知识产权领域对标准必要专利许可费定价中的Georgia-Pacific方法，这样就可以根据各种具体情形，在可供选择的基准的基础上进行价格，以确定数据的价格。
吴绪亮 腾讯研究院首席经济学顾问
我主要分享三个方面的内容：第一个是关于数据要素的技术经济特征，第二个是关于数据要素的定价机制，第三个是关于它的统计核算。
数据要素作为中间品投入，其经济价值分析、定价机制设计和统计核算困难的地方，主要不在于其无形性，而在于其异质性。此外，数据要素很多时候在以实时的流量形式存在时更有价值，而存量形式的价值可能会锐减。数据要素还有三个重要的技术经济特征值得重视，其一，数据要素具有完全的非竞争性；其二，数据要素的非排他性存在不确定性；其三，数据要素的外部性特征非常复杂，涉及隐私保护、网络效应、数据互补性、信息拥堵等等。
关于数据要素的价格形成机制，最重要的一点是交易，因为竞争性的交易是定价的基础，如果没有竞争性的交易是很难进行价格形成的。交易有不同的形态，最普通的就是市场交易，此外还有拍卖、合作博弈等等。对于每一个市场主体来说，定价决策的时候需要考虑数据生产成本、重置成本、加成幅度、未来收益贴现、同类相对估值、讨价还价能力等。
关于数据要素的核算，目前主要有统计核算和会计资产核算两个视角。主要难点在于异质性所带来的价值估算困难，以及统计主体确定的困难等等。因此，一定不能像一般生产要素那样进行泛泛地核算，而是要抓住若干典型应用场景去进行有针对性地核算。
总评嘉宾观点分享
吕本富 中国科学院大学管理学院教授
很高兴参加本次研讨会，通过这个研讨会我有两个基本的发现：第一，你要想学习就当点评人，而且是强制性学习，如果不好好学习，就没法点评。所以，听众们都要主动申请当点评人。第二，懒人容易摊上勤快活，我本来认为点评人是个最闲的闲差，不做PPT了，没有想到最累。
从宋旭光老师的发言学习了很多。核心有两点：一是数字技术带来了统计学的革命。数字技术可以记录很多数据，是不是我们的统计技术需要改变了？过去的国民经济统计过程中，比如说CPI，经常设计一个“物价的篮子”，通过电话调查获得数据。但是，现在有关“物价篮子”的数据爆棚，是不是统计技术能够上一个台阶？大数据技术是不是简单地对统计技术进行革新？可能还是要有一些疑惑。第二点是数据资产应该怎么做统计？数据资产作为一个存量资产，进入数据库以后或者集成变为C端产品后，就比较好统计。但是作为一个生产要素，作为一个流量，在创造价值中发挥作用，但是在交易过程又“隐身”了，换句话说，数据价值和交易过程、场景密切相关，恐怕没法做统计，也没法计入各种各样的固定资产。这是数据作为资产最麻烦的地方。作为流量的数据资产是有半衰期的，新鲜的数据有用，过三分钟就没有用了。流量讲新鲜，讲现场发挥作用，和场景相关，这是个统计新难题。我相信除非是场景是标准化的，这个时候才能突出数据的价值，才能统计出来。
从何伟老师那儿也学了很多。何老师是研究数据化的官方专家。发言中有“两化”“三化”“四化”之说。我认为中间这个“三化”有点多余，“四化”分两头，“四化”就是数据的价值化，所谓社会治理数字化，本质上也是价值化。“四化”的两头，一头是产业、一头是价值。在数据资源化方面，大家能够理解数据采集以后，把数据排序、整序，做成搜索引擎、标准化，然后再变成资产。这个过程的确权就变成资产。关键是资本化。资本化是有关整个行业的，这就值得思考了。举个例子，我们能不能通过调节数据生产和流通的方式来调节整个经济进程？数据作为一个行业，可以作为配置整个经济资源的工具。这恐怕还是一个难题。比如说劳动力、金融和土地等都可以作为一个配置工具，因为国家可以通过制定最低或最高工资、0利率或加息、18亿亩的耕地红线等调节资源配置。数据有这样的配置能力吗？是不是国家制定一个隐私度，为了发展经济了，就把隐私降低，为了把经济速度降下来，就把隐私的标准提高？这个隐私度可不可以作为一个调节经济的阀门呢？数据行业有没有可能？这个是值得思考的。
陆峰老师说了很多，数据要素和其他生产要素的比较。土地、劳动、资本、技术、数据，简称为土、劳、资、技、数。听完陆峰老师发言，我的最大的感觉国家应该成立大数据部，或者叫数据部。土地由国土部来管，劳动有人社部、资本有人民银行、技术有科技部，数据好像没人管。在咱们这个国家，还是有一些计划经济的成份，没有主管部门怎么配置资源呢？政府部门的数据，或者是保有量，有很重要的价值，要扩大数据配置的范围，恐怕是迈不过去的门槛。没有国家级的管理部门，配置起来扩大流通范围恐怕还是很难的。如果我们不能设立一个大数据部，是不是可以借鉴美国设立首席数据官（CDO）的做法，设立一个国家级的首席数据官，当然这个职位可以设在国家保密局，就没有冲突了。陆峰所长谈的很多政府部门打通数据孤岛，总要有一个机制性的设计才能完成这个事情。
第一次接触传伟。他对数据本身做了很多的研究，研究了技术经济特征、数据的价值，也讲到数据如何配置。数据怎么配置？不就是流动起来吗？他分了很多类，公共产品的、准公共产品的、互联网平台的、交易模式等等，这些他的观点，我还都是比较认可的。但是传伟的观点还是偏重于现在已经成为商品的，或者已经成为商品的数字化产品、数字类产品，对生产过程的分析似乎少了些。数据作为要素怎么参与生产过程，而不仅仅是消费端，需要我们获得最大的理论突破，这样才能跟上中央文件理论进展。就是把数据作为一个生产力要素进行研究，而数据的消费行为相对成熟了。但是他的分类，给我们贡献了很多基础性的知识，这个也很有价值。
程华和我们一起研究过很多数字经济的理论问题。她也是从事数字经济理论开始破题的。大数据进入市场最大的问题是交易不起来，或者至少交易得不活跃。因为数据交易太个性化了，个性化的东西不太容易形成一个竞争，没有竞争也不太容易形成价格，这就是所谓的市场失灵问题。她从经济学的架构分析了市场失灵，把市场失灵分析了有四个垄断性的要素，还有一个是信息不对称的要素，还有一个是外部性的要素。她分析了土、劳、资、技跟数据市场所有的市场失灵问题。我认为数据市场和其他四个没有可比性。她认为数据市场受到三个因素影响，所以市场失灵。我认为数据市场受到六个因素影响，怎么说垄断的要素没有影响呢？人为的设计有影响，唯一性、供求方的规模效应、需求方的规模效应都有影响。数据产品也存在着信息不对称，数据产品怎么不存在信息不对称呢？举个例子，数据产品作为一个商品买卖，你知道数据内容以后，它就没有价值了。知道以后我还卖给谁呢？我肯定不能让你知道，你也就不知道我这个数据的价值，所以数据作为一类商品，也存在着严重的信息不对称。我专门做过信息不对称程度的研究。比如说，电影市场。任何电影都要做片花，这个片花做得太长我不去看电影了，但是片花做得太短也不能吸引我去买票。所以片花的长度，就是信息不对称存在一个最佳值。事实上所有的数据产品可能都存在这个问题。我们力图做一个最优的公式，所谓信息不对称存在一个最优度的问题。当然还存在一个外部性，外部性有正的，也有负的。正的外部性数据加和在一块会产生新的数据，负的外部性是我可以推断出你的隐私来。所以外部性也是一个数据的天然性的特征。欧盟GDPR2就是严格限制数据流通范围的。有关数据流通，第一个像跨境的数据流大家是比较关注的，比如我们看到美国和澳大利亚都在禁止抖音。第二个跨企业的数据流大家也比较关注，比如跨平台的流动，获得授权的平台是否可以把数据给其他平台用。除了跨境、跨公司，还有第三个大家很少关注的跨“圈”数据流。比如说朋友圈，转发个人朋友圈中的信息给别人是否涉及侵犯隐私？所以我们说一般来说跨个人的隐私也是我们要研究的。
陈永伟老师也是我们的老朋友，他每次开会观点都比较鲜明。我们现在理论界对数据要素，存在着一个要搞清楚是价格、还是产权的问题。法学界说产权优先，经济学界说定价优先。陈永伟老师认为价格先也需要、产权先也需要，但是这两个先都可以放在后边，交易先。先交易起来，交易起来既有价格，产权也清晰了。这个我也同意，在什么东西搞不清楚的时候，摸着石头过河这是中国人一贯的特点。先把这个交易起来，理论界就不要再争论了，交易起来这两个都有了。交易就是先从实践中来，可能比理论探索更好。交易先怎么做呢？陈永伟老师有很多办法，比如说直接交易，怎么竞争定价，间接交易怎么通过评估，反正就是两种方式。
最后，吴绪亮老师是专门研究数据价值的科班出身，他的很多观点我也同意。一是数据和量是没有直接关系，物质产品可以论量，数据不能以量论。二是数据的价值一定是和场景有关，和交易的流程有关。如果流程不存在，价值就不存在了。一旦和流程有关，这个就复杂了。流程有关就决定了我们是供给方的规模，或者是需求方的规模有的时候都不可能做得特别大，这个流程是我特有的。供给方的规模不能做得特别大，需求方的规模也不能做得特别大，既然不能做得特别大，那某种意义上这个竞争定价的策略就比较少了。
我本人也专门做有关数据的竞争问题。数据的竞争和实物的竞争确实不一样，比如说，在卖萝卜白菜市场，买方和卖方没有一个人能决定价格，竞争决定了价格。数据市场有萝卜白菜市场？没有，我力图在数据市场中找到类似萝卜白菜的供需市场，好像没有。所以在这种情况下，竞争性的定价恐怕就不太好做。可能核算类定价是我们在数据市场中要是一个主流的方式。在合作博弈中就是Shapley值的定价方式，比较哪个要素重要，作为主要的定价方式。
最后，我总结一下。通过今天的研讨会，我个人认为可能是国内有关数据定价、数据的经济学特征水平最高的研讨会，既有实践，也有理论，也提出了很多新的看法。总之，这次大会开得很成功，我的点评就完了。
