从原材料到资产——数据资产化的挑战与思考

数据资产化中的数据定价与交易

要推动从数据到数据产品的价值链，还有很多关键的经济问题需要考虑，其中一个核心的问题是数据作为资产的定价问题。数据与其他原材料在 4 个方面有很大不同：①数据的使用不会带来数据的消耗，数据的开发不是排他的，甚至反而是利他的；②聚合后的数据比单独的数据更有价值，也应该具有更高的价格；③同样种类的数据，不同来源的数据具有不同的价值，这点在医疗数据中尤为突出；④同样的数据在不同的使用者看来，也是价值各异。在这些特殊的条件，如何对数据资产进行定价是一个很难的问题，我们认为采用一种基于市场协商的价格或许更为现实可行。

目前大部分应用程序正在从以广告收入为主的商业模式向基于个人数据采集的商业模式过渡。但在当前的数据收集模式下，用户无法凭借其贡献的数据而获取奖励，这种模式表面上可使应用程序服务从中受益，然而考虑到潜在的法律后果，实际上是阻碍了其商业模式的可持续发展。由于用户数据的所有权不明，导致数据难以有效流通。

非法的数据交易会对个人数据等高价值信息的安全造成影响，对非法数据交易的购买方和协助方都应进行处罚。特别对于定价来说，传统的效用价格论、成本价格论等定价模式并不适用。金融资产的定价理论有值得借鉴的地方，然而供应方提供的数据很难与数据需求方的应用方向精准匹配，供需错配的问题无法解决。另外，需求方在不确定某数据资源是否能真正能给组织带来收益情况下，很难给出一个较高的价格。刘洪玉等认为在大数据交易过程中，由于缺乏足够的历史参考，其数据资源的交易价格很难确定，因此提出一种基于竞标机制的鲁宾斯坦模型，用于大数据交易双方进行讨价还价，以求达成一个交易的均衡价格。Li 和Miklau提出了数据市场定价的 3 个原则和定价函数的基本结构。Valz通过数据内容动态调整定价；翟丽丽等从资产的期权价值角度来评估大数据资源的价值，并指出数据在不断变化和更新，加上数据的非独占性等情况的出现，数据资产的价值可能会下降，最后综合这些因素构建了一个评估模型来计算数据资产的价值。市场有助于数据合理定价，Iyilade和 Vassileva提出了一种隐私保护的数据交易算法，其基本思路是应用程序之间通过市场机制来优化数据共享。

但是，这些定价方式都存在一个共同的问题：对数据交易中的安全问题和隐私泄露等有较大的担忧，大量数据源未被激活。虽然数据具有明显的商品特征，它却有很强的非传统商品属性，如复制成本接近于 0、非排他性、时效性等。这造成了近年来，虽然建立了一些数据交易所（如 2017 年关闭的微软 Azure DataMarket），但数据交易仍难以成规模，数据还很难流通并发挥价值。

有了定价，还需要交易。数据资产要产生价值，需要进行流通。早期数据流通研究是从数据可达性、分布式系统可靠性等角度出发的。然而，在数据收集和交易过程中始终存在着“信息不对称”：目前用户缺乏对数据收集的认知，因而始终处于弱势。虽然目前有一些研究提出基于法律和交易的体系解决方法，但缺乏实在的技术方案。我们在 Imperial Festival 和英国数字经济会议上的公众调查所了解到，大多数用户并不清楚自己究竟有多少数据被应用程序收集。

我们提出了一种新的移动隐私保护模型——PBD 模型（Pay-by-Data），PBD 将数据显式地作为一种应用效能的支付手段，用户和数据收集者之间达成收集和反馈的协议，通过保护隐私达到数据的合理定价。