数据要素价值评估方法研究.docx

数据要素价值评估方法研究.docx

《数据要素价值评估方法研究.docx》由会员分享，可在线阅读，更多相关《数据要素价值评估方法研究.docx（10页珍藏版）》请在冰点文库上搜索。

数据要素价值评估方法研究

数据要素价值评估方法研究

摘要：

随着数字技术手段的日益成熟，数据应用场景的边界不断拓展，数据的变现能力逐渐增强，数据要素对经济社会发展的乘数效应日益凸显。

基于市场和非市场角度，分析数据要素的经济价值和社会价值，探究数据要素价值的影响因素，并对现有的数据要素价值评估方法进行前瞻性分析，为今后我国建立数据价值评估框架和健全数据要素市场体系提供发展思路和政策建议。

关键词：

数据要素；数据资产；数据价值；数据安全

1 引言

2020年4月，中共中央、国务院发布《关于构建更加完善的要素市场化配置体制机制的意见》（简称《意见》），首次将数据纳入生产要素范围，与土地、劳动力、资本、技术等传统要素并驾齐驱。

《意见》明确“加快培育数据要素市场，推进政府数据开放共享，提升社会数据资源价值”。

这是对数据要素价值的充分认可,也是推动数据成为我国经济高质量发展新动能的重要引领。

随着数据的基础性战略资源地位的日益凸显，加快进行数据要素价值评估有利于帮助我国用好数据新生产要素和算力新生产力，全面释放数据要素红利，将数据资源优势转化为经济增长发展优势，推动我国经济迎来更广阔的蓝海。

2 数据要素价值的影响因素

作为人口大国与数字经济强国，我国拥有显著的数据资源优势。

2018年，我国数据规模为7.6ZB，约占全球的23.0%，预计到2025年增长至48.6ZB，约占全球规模的27.8%，成为全球最大的数据圈[1]。

基于市场角度，数据要素加快各个产业的数字化转型，推动新模式、新业态走向成熟，为经济增长注入创新与发展活力。

基于非市场角度，数据要素成为政府管理和社会治理模式创新的重要驱动力，对提升政府公信力、增进人民福祉、促进社会发展等发挥了重要作用。

2.1 数据的市场价值体现

当前，数据要素的市场潜力正在释放，全球数据市场价值呈现高速增长态势。

2019年，全球大数据市场总体价值约490亿美元，2025年将增长至900亿美元，整体实现翻一番[2]。

数据要素的市场价值主要通过以下3种方式变现。

2.1.1 数据驱动型企业的内部优化

对于企业自身而言，数据驱动型模式的优势在于提高其自主性调节能力和商业生产力。

对数据的分析和应用服务于企业内部的经营决策、业务流程和生产效率，帮助企业提高盈利能力和/或降低运营成本。

以制造业为例，制造业企业间通过共享生产设备数据，可延长机器的正常运行时间，解决产品质量、能源损耗等问题，以达到优化企业资产的目的。

此外，企业通过数据技术实时跟踪产品及零部件的供应链，可以及时调整生产计划，降低库存水平，应对突发事故[3]。

2.1.2 数据业务的外部商业化

相对于数据对企业内部的自我优化，数据要素的外部作用主要体现在数据业务模式的拓展。

通过打破信息壁垒，数据帮助第三方企业根据市场环境变化采取更加合理的商业行为和策略，进而优化市场供求结构。

例如，大型电子商务企业基于其庞大的用户基数，建立了消费者统一的身份识别体系，通过收集分析用户数据，了解用户的消费需求、品牌认知、品牌忠诚度等特征，建立消费者用户画像图册，以此为品牌商提供数字营销策略，并在其渠道矩阵上实现精准广告投放。

2.1.3 数据交易的产业化发展

2013年，英国数据档案馆（UKDataArchive）提出“数据生命周期”（DataLifeCycle）概念，即数据价值的开发和利用过程，包含数据的创建、处理、分析、保存、访问、复用共6个循环往复的环节[4]。

由于数据供给方和需求方难以匹配成功，数据资源无法得到有效配置，数据生命周期的运转往往不通畅[5]。

在此背景下，大数据交易产业应运而生，大数据交易平台成为数据供给方和需求方进行数据资源交易的重要载体。

据贵阳大数据交易所预测，2020年我国大数据交易市场规模将达到545亿元，是2015年市场规模的16倍[6]。

现存的数据交易平台主要分为3种类型：

一是数据经纪商模式。

数据经纪商的平台业务不仅包括数据收集，还囊括了数据处理、数据加工、数据分析等个性化增值服务。

例如，美国数据服务商IDAnalytics通过收集和处理个人信用数据，为政府和商业机构提供以身份认证、交易欺诈检测和认证为目的的数据分析服务。

二是众包数据服务商模式。

数据服务商凭借其数字技术能力，基于众包模式为用户提供数据标注、制作、采集服务。

例如，数据堂、XX数据众包平台等服务商利用其数据处理技术和人才优势，从智能安防、智能驾驶、智能家居等多种复杂场景采集和提取数据，为人工智能企业提供数据采集和标注服务。

三是第三方数据平台模式。

数据平台主要扮演中介的角色，以提供数据交易撮合服务和健全数据交易标准为主要业务。

数据提供方和数据购买方经数据平台的审核认证，进行数据定价和买卖。

例如，贵阳大数据交易所接入225家数据源，为买卖双方提供脱敏脱密、安全认证的数据交易场所，以及数据确权、定价、结算、交付、安全保障、资产管理等配套服务。

2.2 数据的社会价值体现

2019年，OECD提出“政府数据价值周期”（GovernmentDataValueCycle）模型[7]，为数据的公共价值奠定了理论基础。

该模型提出了政府数据的4个阶段：

一是数据的收集和生成；二是数据的存储、保护和处理；三是数据的共享、策划和发布；四是数据的使用和重复使用。

这4个阶段并非线性方向进行，而是通过反馈循环和更新迭代进行的。

根据“政府数据价值周期”模型，在最后两个阶段，即在数据的共享、策划、发布、使用与重复使用的过程中，数据的社会价值得以充分释放。

“数据驱动的公共部门”（Data-DrivenPublicSector，DDPS）是最具代表性的例证。

如图1所示，数据的开放共享和循环使用对于提高政府决策能力、治理水平和服务效率起到关键作用。

图1 “数据驱动的公共部门”（DDPS）流程图（来源：

OECD）

一是公共部门对数据的使用能帮助其从经验决策走向科学决策，提高决策的精准性、科学性和预见性。

例如，2017年美国政府将地理信息和犯罪数据相结合分析，帮助警方进行风险地形建模，有效配置警力资源，从而推动新泽西州纽瓦克市的枪支暴力事件下降35%，亚利桑那州格伦代尔市的犯罪率下降40%[8]。

二是公共部门通过数据不断提升行政管理、社会治理效能，使政策措施能落到实处，执行到位，并削减不必要的开支。

例如，我国通过构建大数据扶贫系统和服务平台，准确界定符合救助标准的贫困人口数量、分布地区等信息，对扶贫范围内的对象进行准确的需求评估，从而保证扶贫措施能够精准到户。

三是政府数据的开放共享能有效改善居民的生产方式和生活水平，为社会发展带来间接的经济效益。

欧盟数据门户预测，截止到2020年年底，欧盟28个成员国的私营部门将因政府数据开放而增加近10万个工作岗位需求。

交通数据的实时共享每年能帮助居民节省6.29亿小时的道路等待时间，减少5.5%的道路交通死亡人数和16%的能源消耗[9]。

2.3 数据要素价值的影响因素

数据要素价值能否得到有效开发和利用主要取决于3个因素。

一是数据的基本特征，即数据的容量（Volume）、时效性（Velocity）、多样性（Variety）、价值密度（Value）、真实性（Veracity）5个维度。

这5个维度决定了数据资源能否有效发挥作用，产生洞见。

其中，数据的价值密度和真实性是数据业务增值的重要因素，决定了数据使用者能否及时准确地进行决策分析，而数据的容量和多样性则是对数据价值变现的考验。

在数字经济时代的背景下，数据规模急剧增长，数据结构复杂多样。

能否从庞大和杂乱的数据“洪流”中提取有效信息，是影响数据质量的关键。

二是数据的经济属性，即数据是否作为一种公共产品存在。

公共产品的特点包括非竞争性和非排他性。

前者指对某一产品的消费不会影响他人对其消费，后者指对某一产品的使用不会排斥他人对其使用。

作为一种生产要素，数据具有部分非竞争性，绝大部分数据可以被重复使用，且不影响其容量和质量。

这意味着数据可以供多个主体重复使用，数据要素新增的产出或收益不随数据的使用次数而递减，其边际成本非常低。

但数据是否具有非排他性的关键在于其所有权问题。

如果数据属于私有资产，数据所有者有权阻止他人访问和使用其数据库，则数据具有排他性。

由于目前数据的所有权、使用权等尚未得到法律充分认同和明确界定，这将对数据资源的市场交易和广泛利用产生影响。

三是外部技术环境。

作为一种“原材料”，数据要素资源只有得到有效处理和提纯，才能产生经济价值，成为用于生产商品和服务所需要的中间产品，即数据资产。

这意味着从数据资源转换成数据资产需要外部技术环境的支持，即数字技术手段的成熟度、数字技术的使用能力、数字技能的人才数量等外部因素。

尽管数据对经济增长和社会转型的重要意义受到普遍认可，但数据自身的无形性、虚拟化特征以及数据对各个领域的渗透作用增加了数据要素价值评估研究的难度。

目前，数据要素价值的评估方法仍在初步探索阶段，主要从市场和非市场两个角度出发，分别衡量数据要素的市场价值和社会效益。

3 基于市场角度的数据要素价值评估方法

对数据要素的市场价值进行评估的前提是假定数据为一项资产，通过借鉴实物资产评估通用的方法进行价值衡量。

在此理论基础上，本文按照市场法、收益法和成本法3种通用形式对已有的价值评估方法进行归纳分类和可行性分析。

3.1 市场法

市场法主要指代数据资产在交易市场上的价格或数据密集型企业的市场溢价。

一方面，通过直接观察某一类数据集的市场定价来估算特定数据资产的价值。

Wayman和Hunerlach[10]认为这种方法具有“自上而下”的特点，具体而言，先假定数据的价值建立在其量的大小、内容、性质、可用性、成熟度、唯一性和质量等多项内在要素的基础上，再通过观察到的市场定价来“向下”推出数据各要素的价值，进而估算同等可比数据资产的价值。

例如，2018年美国制药巨头GSK为研发新药和治疗方法，花费3亿美元从加利福尼亚一家DNA测试公司购买了对500万人基因组数据库的独家访问权，由此可估算个人遗传数据的市场价值为60美元。

该方法的优势在于数据直接来源于市场交易，具有一定的可靠性和市场敏锐性；局限性在于，由于数据交易的合法性有待商榷，数据交易市场存在复杂性和不透明性，直接观察特定数据资产买卖价格存在困难。

另一方面，通过股票市场估值来间接衡量数据的价值。

研究发现，同一行业内数据驱动型企业的市场估值往往高于其他企业的估值[11]，其市场溢价应被视为数据资产的价值。

例如，2011年Facebook上市时的资产价值仅为66亿美元，但其市值超过1000亿美元。

在不考虑其他因素的前提下，Facebook隐形的“数据资产”，即8.45亿的月活跃用户量，市场价值超过900亿美元。

2012年，Facebook宣布以10亿美元收购Instagram。

收购时后者拥有活跃用户数量超过4000万，注册用户数突破1亿。

2016年，微软以262亿美元收购资产价值仅为30亿美元的职场社交平台领英，后者拥有4亿用户职场信息，市场溢价为232亿美元。

该方法的局限性在于较难确定市场在评估这类数据密集型企业时是否同时考虑其他重要因素，如企业自身的数据分析能力和其他技术条件。

3.2 收益法

收益法主要指计算价值链上因数据资产产生的增量现金流，即收入增量、成本降量或两者兼而有之。

以电子商务平台为例，作为一个循环链，数据价值链包括3个主体和4个价值创造/变现环节：

消费者为平台贡献了消费数据和用户信息；平台以其庞大的数据库和数据分析能力为第三方卖家提供更加准确的需求预测、咨询和管理服务、数据定制服务；第三方卖家为平台贡献了佣金、广告收入和其他数据定制服务收入；平台为消费者提供更加物美价廉的商品和更优质的服务（见图2）。

在数据价值链上，衡量数据价值最直接的方法是观察第3个环节，即平台通过变现用户流量而获得的佣金、广告收入、其他定制化数据服务收入。

具体而言，平台通过收集、处理、分析用户数据，为第三方商家提供用户画像精准营销服务和其他服务，从而赚取相关费用。

例如，2020年第一季度，Facebook营收达到177.37亿美元，其中广告收入为174.4亿美元，占比高达98.3%。

该方法的局限性在于无法捕捉到数据价值链上其他3个环节数据创造的价值，如平台利用数据对搜索引擎算法做出改进，进而提升的用户体验。

图2 电子商务平台数据价值链——以亚马逊为例（来源：

ResearchInstituteofEconomy，TradeandIndustry）

3.3 成本法

成本法指的是衡量数据价值创造所需要的成本，即将数据对经济贡献的价值纳入国民经济核算体系中。

Coyle等认为[12]，绝大多数数据的价值体现在其他商品和服务的产出中，而传统国民经济统计方法只能捕捉到处理数据的成本，且主要是人工成本，而非生成数据的成本。

因此，其建议扩大传统统计范畴，将企业对有用数据的创造视为对数据资产的投资，并将创造有用数据的成本视为数据资产的价值，该方法的局限性在于数据的价值可能远超过生成数据的成本。

德勤、阿里研究院则提出了另一种思路[13]，将数据的价值视为重置成本和贬值因素的差值（即数据的价值=重置成本-贬值因素）。

对于企业内部生成的数据，重置成本指的是收集、存储、处理数据所需的人力和设备成本（如本地储存硬件的维护成本或云储存服务器的租用成本），以及数据服务业务所需的研发和人力成本（如雇佣数据分析师的成本），而贬值因素指的是由于数据的时效性或准确性减弱引发的贬值。

该方法的局限性在于生成数据资产的成本难以切割，如搜索网站可用于收集数据，但对网站的维护成本能否纳入对生成数据的投资还有待商榷。

4 基于非市场角度的估值

作为一种新型生产要素，数据对经济社会发展的重要性日益凸显。

然而，数据本身的特殊性和复杂性决定了数据价值的评估面临巨大挑战，单从市场角度很难捕捉到数据对社会产生的无形效益和影响。

为此，Coyle等提出了条件价值法（ContingentValuationMethods）来评估数据对社会的溢出效应[12]，具体方法是利用问卷调查直接考察受访者在假设性市场里的经济行为，以得到消费者/用户支付意愿来对数据价值进行计量的一种方法。

以2017年伦敦交通局开放数据价值的调查研究为例，该研究通过对乘客、伦敦经济、伦敦交通局3个目标对象展开问卷调查来估算开放数据产生的社会价值。

对乘客而言，伦敦交通局大数据开放平台的实时交通信息和路线规划服务帮助乘客每年节约7000万英镑~9000万英镑的出行时间成本，并为此前订阅了收费短信提醒的乘客省去了200万英镑的订阅费用。

对伦敦经济而言，许多伦敦企业因使用了交通局开放的数据而增加了收入，预计每年对整个供应链和经济社会产生1200万英镑~1500万英镑的增值，并为社会贡献了近730个工作岗位。

对伦敦交通局而言，其大数据开放平台允许市场开发新的交通应用程序和服务，其APP上目前拥有1.3万多名注册开发人员，交通局不必投入开发新的应用程序，省去大量潜在成本。

此类方法能有效估算单一数据资源产生的社会效益，但形成系统性、多领域的数据要素社会价值统计体系仍有一定的操作难度。

另一个重要实践是通过调查消费者/用户为个人隐私保护的支付和接受意愿来衡量个人数据价值。

Winegar和Sunstein在对近2500名美国用户的调查中发现[14]，一般消费者每月愿意支付5美元用于维护数据隐私，但要求80美元才能允许访问个人数据，支付意愿和接受意愿存在较大差距。

现实中的例子包括：

2017年，美国保险公司Anthem因泄露近8000万客户的个人数据而遭客户起诉，最终同意对每位客户支付235美元的赔偿金；2019年，Facebook用户指控平台通过照片标记工具，未经许可收集用户照片上的人脸信息，最终双方达成和解，Facebook总共赔偿5.5亿美元，平均每位诉讼的用户能获得150美元~300美元不等的赔偿。

此外，各地法律规定的差异也会影响用户对数据赔偿的接受意愿。

例如，加利福尼亚州的《消费者隐私法案》规定企业侵犯用户隐私应赔偿不高于750美元/人，而伊利诺伊州的《生物特征信息隐私法》规定的赔偿金额为1000美元/人~5000美元/人，赔偿金额规定的不同将影响用户的接受意愿，进而影响个人数据价值判断的准确度。

5 发展建议

当前，我国数据要素市场发展仍处于起步阶段，推进数据要素市场体系建设对充分激发数据要素活力具有重要意义，也是我国将数据资源优势转化为经济增长发展优势的迫切需要，对此提出以下4点建议。

5.1 建立数据价值评估体系

数据自身具有无形化、可再生、易流通等特殊属性，加上数据应用场景的多样性，数据资产的价值评估存在复杂性。

目前，仍未形成成熟的数据要素价值评估方法和框架，现有评估方法亦存在诸多局限性。

应尽快建立数据要素价值评估基本框架，根据数据的行业、类别、属性等建立多层次的数据要素价值评估体系，为数据交易定价规则的制定提供基准，从而提高数据要素参与价值创造的效率，为数据要素市场发展营造公平合理的环境。

5.2 健全数据产权制度体系

加快健全数据产权制度体系是推进数据要素市场配置的重要基础。

目前，数据产权归属问题尚未明晰，数据的所有权、支配权、使用权、收益权等仍存在法律空白。

应加快个人数据产权的界定，明确数据主体权属的分配，规范数据主体的市场行为，保护相关数据权利主体的合法利益，为数据资源在市场上的交易流通奠定法律基础。

5.3 加强规范数据交易产业

尽管国内数据交易产业蓬勃发展，数据资产交易行为日益增多，但大数据交易产业亟待国家层面的规范引导。

应探索建立全方位、多层次的法律监管体系，根据数据分级、分类确定数据交易的边界，健全对数据资源交易流通的合规审查，为大数据交易产业发展形成健康、有序的生态圈。

5.4 构建数据要素治理体系

构建数据要素治理体系是数据安全和价值的重要保障，也是影响数据产业后续发展潜力的关键因素。

应加快构建数据要素治理体系，规范对数据的使用行为，落实个人信息保护与数据安全责任，加大侵犯公民隐私惩罚力度，加强数据安全意识，从而有效地维护公民个人权益和国家利益。