數據確實是資源，確實是資產，確實是生產要素，但針對數據的市場化配置卻不容易實施，因為數據要素作為一種新型要素與傳統生產要素相比較有其鮮明的特質，這是我們推動數據要素市場化配置必須了解和研究的規律。

    首先是數據要素價值的個性化，由于每個組織或個人在社會活動中所需要的信息都是獨特的，信息需求總是與其活動所處的特定情境相關聯，同樣的數據對不同的主體體現的價值不同，在不同情境中對相同主體的價值也不同。

    其次是數據要素具有融合性，數據能夠與不同行業、產業等各領域的生產要素、資源和能力結合，創造性的價值融合對其他要素發揮價值甚至具有乘數作用，這里又涉及到數據要素如何與其他生產要素相融合、如何發揮其乘數效應的應用場景創設問題。

    第三是數據要素是時效相關的，雖然數據要素也不會因為使用而損耗，但隨時間變化數據價值也會發生變化，時間越久遠，數據的可參考利用性往往越低。

    第四是數據要素需要有維權和保密措施，數據資源更容易突破時間和地域差異被廣泛復制和共享，如果被不當或者違規使用，則會給數據源主帶來信息安全和侵權的隱患。

    還有最重要一點是數據要素具有時代革命性，在當前第四次工業革命中，數據資源已經不僅僅是生產要素了，通過網絡，數據也映射了新的生產關系，數據本身就是新工業革命最活躍的要素，數據的利用對于傳統的生產組織方式必然會產生外部性問題，而基于網絡的新生產組織方式是通過數據的流動來建立生產的社會化協同。

     以上幾點數據要素自身具備的鮮明特性，讓數據要素市場化配置工作遠遠不是傳統商品市場的商品交易這么簡單，我認為數據的本身并不適合作為一種商品進行買賣。

     實際上，早在1963年，諾貝爾經濟學獎得主肯尼斯·阿羅就在《不確定性與醫療保健經濟學》一文指出：信息（數據）與一般商品迥然有異，它有著難以捉摸的性質，買方在購買前因為不了解該信息（數據）無法確定信息的價值，而買方一旦獲知該信息（數據），就可以復制，從而不會購買，故而信息（數據）是無法完全市場化的，這就是信息經濟學的“阿羅悖論”。

    “阿羅悖論”實際上是凸顯了供需雙方的信任對數據市場的重要意義在數據交易中，數據需求方因為難以判斷數據的質量和價值，可能花了大價錢，卻沒有獲得能實現預期目標的數據；數據提供方也因為缺乏有關需求方的信息，而低報了數據的價格，更不用說其對數據安全和數據濫用的擔憂。

     面對數據交易的雙邊信任困境，與其說數據供需雙方是在做交易，不如說他們要建立一種長期的數據交換與共享合作伙伴關系，他們在長期的數據交換與共享合作中滿足各自的需要、實現各自的價值，一次性的購買行為明顯無法給雙方帶來確定的好處。

     這里又給數據要素的市場化帶來交易成本方面的問題，尋找合適的合作伙伴遠比商品交易的一錘子買賣困難許多，所謂知人口面不知心，雙邊的信任也需要大量的溝通和合作經驗來奠定，往往還沒開展實際的數據要素流轉，消耗了大量的互相試探也導致合作無功而返，這又給數據交易蒙上巨大的心理障礙。

     在這種困境下，數據要素市場的發展出路在哪？根據我的前期研究，我認為有以下四步組成的路線：

     第一步是政府的數據開放，《中共中央、國務院關于構建更加完善的要素市場化配置體制機制的意見》就明確指出要推進政府數據開放共享，政府數據開放對數據要素市場化是如此之重要，因為政府自身所具備的公信力，政府所開放的數據資源可以認為是數據要素市場中高可信高價值的原始股，而政府開放的數據資源理論上可以看成全民所有的普惠福利，這是數據市場的基石或者說是種子投資，早期的數據要素市場化工作可能就是圍繞政府開放數據的相關合作和服務展開，因為數據開放數據也涉及到投入和成本，這些投入和成本也不應該全部無差異地由納稅人來負擔，對于一些數據資源的個性化需求，應該給一些可以滿足這些需求的數據服務商以商業機會，從而衍生出一個生態環境，這也是市場化的重要形式。

     第二步是打造可以承載數據經紀或者數據擔保業務的市場化平臺，數據經濟和擔保實質上是一種新型的數據咨詢服務形態，但其有別于傳統信息技術服務關鍵之處，數據經紀（擔保）人是長期從事數據交易市場服務的第三方，專業、公正、聲譽和非常嚴格的違規懲罰機制，使得數據經紀（擔保）人值得被廣泛的數據供需雙邊信賴。同時，數據經紀（擔保）人也發揮著“守門人”的功能。在遴選和甄別客戶的過程中，數據經紀（擔保）人需要有效評估數據交易雙方的履約能力和違規風險，并判斷雙方數據和業務的合法性。“數據交易所”應該就是這些數據從業開展業務的活動平臺，并非法律或者實體概念，這里，我們不妨將其界定為“為數據交易雙方或者多方提供網絡經營場所、交易撮合、信息發布等服務，供交易雙方或者多方獨立開展交易活動的自律性管理的法人。”作為第三方中介平臺，數據交易所推動之前一對一的雙邊數據市場，向“一對多”或“多對多”的網絡數據市場轉型，數據市場的規模和效率才能快速成長。

     第三步可以推動數據要素的金融化工作，由于數據要素是通過映射現實中其他生產要素的真實信息而具備真正價值的，因此這些數據要素也可以準確反映出其他要素在生產活動中的增值預期，所以很多數據要素自身就具有金融屬性，比如供應鏈金融，本質上也是通過數據要素在產業價值鏈的流動中實現的，而由于大量關乎物質生產力要素的信息只需要結合金融數學統計和大數據應用方面的技術，非常容易可以成為合理估算違約概率的信用評價模型，由此可以支撐金融機構更好地評估授信風險而做出精準的信貸服務支持，同時也大大提升了金融機構服務實體經濟的能力。

      第四步是數據要素生產機制和能力的證券化工作，其實大量的互聯網公司的資本市場之路本質上就是數據要素生產能力的提前證券化，資本市場對于互聯網公司的市場估值本身就是對其擁有的大量用戶社交數據資源的估值溢價，互聯網公司這樣的例子已經不勝枚舉，而所有完成數字化轉型后的企業也會成為互聯網企業，自然也可以參考互聯網公司的上市經驗。

     任何一個行業和領域都會產生有價值的數據，而作為傳統產業的數字化轉型工作，特別是工業，工業大數據以產品數據為核心，極大延展了傳統工業數據范圍，同時還包括工業大數據相關技術和應用。圍繞典型智能制造模式，從客戶需求到銷售、訂單、計劃、研發、設計、工藝、制造、采購、供應、庫存、發貨和交付、售后服務、運維、報廢或回收再制造等整個產品全生命周期各個環節所產生的各類數據及相關技術，和對這些數據的統計、分析、挖掘和人工智能應用都會創造出意想不到的價值和財富。

     由此每一個工業企業所積累的大數據具備雙重屬性：價值屬性和產權屬性。一方面，通過工業大數據分析等關鍵技術能夠實現設計、工藝、生產、管理、服務等各個環節智能化水平的提升，滿足用戶定制化需求，提高生產效率并降低生產成本，為企業創造可量化的價值；另一方面，這些數據具有明確的權屬關系和資產價值，企業能夠決定數據的具體使用方式和邊界，數據產權屬性明顯。工業大數據的價值屬性實質上是基于工業大數據采集、存儲、分析等關鍵技術，對工業生產、運維、服務過程中數據實現價值的提升或變現；工業大數據的產權屬性則偏重于通過管理機制和管理方法幫助工業企業明晰數據資產目錄與數據資源分布，確定所有權邊界，為其價值的深入挖掘提供支撐。

      鑒于我自身多年的金融從業經驗，只要有完成把數據變成信用的數學模型，則轉化數據要素的金融屬性就是非常靠譜的商業模式，因此數據要素的金融化應該是數據要素市場化的重要組成部分。

(2020年10月13日初稿，如需引用，請注明出處)