我国是数据要素资源大国，数据要素利用实践已走在世界前列，时代呼唤数据要素相关理论的完善。本文将从数据要素特征、促进经济高质量发展路径、阻碍数据要素发挥作用的因素等方面进行阐述，并提出相应政策建议，以期为继续发挥数据要素在经济高质量发展中的推动作用提供参考。
数据具有的新型生产要素特征
数据、信息和知识是互相联系又有区别的一组概念。2021年出台的《中华人民共和国数据安全法》第三条规定，数据是指任何以电子或者其他方式对信息的记录。由此可见，数据的本质是一种对事实或信息的记录，而数据的载体随时代发展有所变化。数字时代的数据更多以电子形式或称可机读形式，即可被机器识别的0、1字符串形式记录在电子设备中。从人类认知的角度出发，从数据到信息再到知识的飞跃体现了精炼与递进的过程。
Ackoff（1989）以信息论的视角，提出从data（数据）、information（信息）、knowledge（知识）到wisdom（智慧）的DIKW金字塔体系，其中数据是关于事实的记录，最为基础，越往上数据的组织性、关联性就越强，价值也越高，而智慧包含了价值判断和逻辑推演的能力。层层递进的演化过程体现了人类对数据认识的深化，也蕴含了数据发挥价值创造功能的途径。数据是无组织、无意义的原始事实记录，经过主体的加工、提炼和分析，才能转变为对人类有用的、具有特定功能的信息。
因此，研究数据要素特征可以参考知识要素，同时也要注意数据在价值密度、排他性等方面与知识的不同之处。数据要素的经济学特征主要包括：
一、非竞争性
这是数据要素的核心特征，是数据要素在应用层面与传统生产要素相异的最根本因素。数据要素的非竞争性源于其易复制性，得益于技术发展，数据可低成本传播给多个主体，被多个主体同时使用而不会被消耗，称为非消耗性或无限性。数据被开发为有用状态后边际成本接近于零，可突破资源稀缺性的限制。传统生产要素具有竞争性，使用价值会衰减。数据要素的非竞争性使小微市场主体也能分析利用数据要素，提升市场竞争公平性。此外，数据的生产环节也具有非竞争性，同一行为产生的数据可被不同数据收集方收集。
二、部分可排他性
排他性指排斥其他主体消费的可能性，适于采用排他性产权安排进行分配处置。但数据具有非排他性特征，易于复制，销售商无法防止数据再次出售。然而，拥有大量用户数据的互联网企业可利用加密技术“窖藏”数据，使数据具有排他性。因此，数据具有部分可排他性。非排他性有利于多主体公平利用数据，排他性则有利于激励数据生产商整理加工数据。实践中需权衡和调节数据的非排他性和排他性属性，以平衡数据的共享和保护，确保公平利用和创新激励。
三、协同性
协同性是数据要素的明显特点，数据本身是原始信息，价值密度低，需要与其他生产要素整合加工才能发挥作用。协同性源于数据的虚拟性，必须以其他生产要素为载体才能发挥价值。数据通过与其他生产要素的协同融合，提高全要素生产率，突破传统生产要素发挥作用的瓶颈。但数据的协同性也意味着数据能产生多大价值、潜力能在多大程度上释放与数据使用主体的处理技术、挖掘能力密切相关，这给数据资产价值评估带来了挑战。
四、规模报酬递增
一般认为，数据要素的非竞争性和非排他性导致数据的规模递增效应，表现为强大的规模经济、范围经济和网络效应。非竞争性使长期平均成本随投入增加下降，表现出规模经济特征。范围经济特征体现在互联网平台企业利用主营业务积累的客户黏性资源，增加服务产品种类且单位成本下降。消费者行为数据构成企业优化算法的数据集，越大则提供更好的产品体验，形成生产与消费端的良性互动网络效应。
规模报酬递增解释了平台企业和“超级明星”公司的崛起。但存在规模报酬递增上限的例外情况，如搜索引擎中保留更多历史搜索记录并没有影响搜索准确性。因此，数据的爆炸性增长不会导致经济效率的无止境增长。
五、外部性2
数据具有外部性特征，个人使用电子平台产生的数据进行分析处理，提升用户体验和供需匹配度属于正外部性，榨取用户经济价值和恶意侵犯隐私属于负外部性。数据具有价值溢出性，企业收集和分析数据优化生产过程，提高效率，推动产品和服务的优化升级，改善消费者体验。但个人隐私泄露问题也时有发生，可能遭受企业价格歧视、身份盗窃、电信诈骗、网络攻击带来的经济损失，甚至对人身安全构成威胁。此外，数据平台运用成瘾性手段控制用户注意力也属于负外部性。在数据要素创造经济新业态、拉动GDP增长的同时，不能忽视其可能造成的负外部性。
数据要素推动经济高质量发展的理论逻辑
微观层面：数据要素用于生产消费决策
微观层面，数据的非竞争性和非排他性使得市场主体低成本利用数据成为现实，数据广泛应用于生产消费决策。
从生产端而言，企业可以利用数据挖掘结果，做出及时、智能的生产决策，提高决策能力和水平，发现潜在的蓝海领域并及时规避风险。企业内部能够实现数字化规划、生产和运营业务流程，提升效率。数据要素的规模经济效应使企业能够扩展产品经营范围，降低平均成本。企业能够更迅速、精确地响应消费者需求变化，减少供需摩擦。
从消费端而言数据的搜集和整合减少信息不对称，更好地满足消费者需求。数字经济时代，数据复制和传播成本极低，消费者能享受大量“免费”商品，如社交平台的使用，增加了消费者剩余。数字经济时代产品品种极大丰富，提高供需匹配效率，满足小众、个性化需求，激发“长尾效应”，显现出需求方的规模经济。
中观层面：数据要素促进产业发展
中观层面，数据要素对产业发展的促进作用体现在其不仅可以促进产业优化升级，还可以促进产业融合关联。
数据要素的广泛应用促进了新兴数据产业的发展和传统企业的数字化转型，主要体现在数据产业化和产业数字化两个方面。我国数字基础设施超前部署，5G网络、数据中心、云计算产业快速发展，为高效利用数据提供了有力支撑。数据要素替代其他要素并与其它要素协同，使传统制造业生产加工出售的全产业链更加智能化，形成数实深度融合的新模式。数据要素还改变了要素聚集形态，使实体经济的传统生产要素从原来的地理空间集聚变为虚拟网络集聚，形成非空间聚集，优化了产业布局。
数据要素的充分利用推动了产业关联融合。数据要素的流动有助于产业链上下游企业、不同产业链之间的互联互通，降低沟通成本和匹配成本，形成更紧密的产业链协同机制。数据要素沿产业链高效流动，促进产业协同合作，并不局限于单一产业链内流动，还能跨越产业间地理隔阂，促进产业间交叉创新。数据要素的应用使产业边界变得模糊，有关联产业间互动联通乃至融合，形成价值共创生态系统。在这个生态系统中，产业链和创新链紧密联系在一起，释放出巨大的价值共创潜力。
宏观层面：数据要素提高资源配置效率
宏观层面，数据要素通过提高资源配置效率与全要素生产率的方式推动经济增长。
传统资源配置过程中存在信息不足和不对称问题，导致资源浪费和错配。数据要素的引入提供实时市场信息，提高资源配置效率。数据流动共享传递商业信息，降低市场准入门槛，降低进入市场的风险和成本，提高闲置资源利用效率。数据要素具有非竞争性，拓宽了生产可能性边界。
规模报酬递增、规模经济、范围经济和网络效应在宏观层面更明显，微观层面的供需灵活匹配在宏观层面更充分体现。数据要素高效贯通生产、交换、分配和消费环节，提高沟通效率和衔接流畅度。政府治理模式变革，通过海量经济数据了解市场运行真实情况，增强宏观调控前瞻性和稳定性，推动治理能力现代化转型升级。数字贸易以数据要素为基础，克服距离限制，扁平化、复合化贸易模式，缩减匹配成本并提升交易效率，推动更高水平对外开放。
推动经济高质量增长的现实阻碍
数据要素是数字经济时代的关键生产要素，但尚未充分发挥作用。市场是资源配置的有效手段，但数据要素资源尚未实现市场化配置，数据交易市场规模远小于数据资源总量。我国数据产量达到6.6ZB，但真正开放、共享和使用的数据资源很少，制约了数据要素的价值实现。主要原因是数据要素市场建设不完备，其表现包括以下几个方面：
一、确权制度仍不明确，产权归属模糊
数据确权指确定数据的权属问题，包括所有权、使用权、收益权、处置权等复合权利。数据确权是交易和市场形成的理论和实践前提，但存在争论。数据具有非竞争性和部分可排他性，导致产权来源不明晰与“搭便车”困境。有人认为数据要素通过建立产权的方式进行保护的实际意义不大，私有产权过多导致数据利用不足，阻碍创新和发展。数据要素必须采用创新性产权安排，在保护个人数据权益和促进数据利用之间取得平衡。
另外，数据要素不等同于公共品却具有非竞争性，其生产加工过程需经多个主体协作而成，导致数据产权在多元主体间的分配引起很大争论。数据要素形成并发挥作用的数据价值链一般遵循数据主体行为留痕、数据处理者对原始数据加工挖掘、数据消费者享受数据服务的典型模式。分配给数据主体的产权可能导致交易成本高、数据处理者开发激励不足的问题；分配给数据处理者的产权可能导致数据处理厂商不与竞争对手分享数据的问题。如何将数据产权在数据要素化过程中的多元主体间按照合理比例进行分配，亟待进一步解决。
二、价值评估缺乏实践，定价机制不完善
估值定价是数据要素流通市场化的关键环节，直接影响生产加工者的生产意愿与潜在需求方的购买意愿。数据估值根据数据本身的特点进行价值评估，为定价提供参照基准；数据定价以市场需求和市场竞争为导向确定交割时的价格。2023年8月，财政部印发《企业数据资源相关会计处理暂行规定》，数据要素将作为无形资产或存货入表，数据资产价值评估方法需完善。数据要素具有协同性，发挥经济效益需与其他要素结合，从最终收益中分离出数据要素贡献评估价值最大是困难所在。
传统会计学的估值方法包括市场法、成本法和收益法，但市场法因数据要素交易市场不完备缺乏参考交易价格；成本法因数据是从消费者消费行为衍生而来，不易确定生产成本且忽略未来数据发生增值的情况；收益法因使用数据要素获取的收益与数据处理水平和使用者应用场景相关，存在高度不确定性且使用年限和相应贴现率很难评估。
因此，传统定价方法与新型数据要素存在不契合之处。《指导意见》给出的评估方法是“收益法、成本法和市场法三种基本方法及其衍生方法”，但并未对衍生方法提出具体要求。这凸显了数据估值问题的复杂性，业界依然需要使用实际操作存在较大不确定性的传统方法估值，在实践中摸索成熟模式。
数据估值的不确定性对定价机制意味着复杂的挑战。数据具有协同性，而数据处理者的处理水平不同，挖掘有用信息的技术能力存在差异，这使得数据价值释放存在很强的消费者异质性。如果数据卖家采用差异化定价方式，可能存在价格歧视问题，数据提供商通常拥有更多的市场信息和数据资源，而数据使用者往往处于信息不对称的劣势。这种信息不对称严重干扰了数据要素市场价格发现功能的实现。
三、交易体系有待健全，优质数据供给不足
当前数据交易市场冷清，与丰富的数据资源形成鲜明对比。我国先后成立48家数据交易机构，但早期机构大多已停止运营或转变经营方向，新机构仍在探索交易模式。需求端以ChatGPT为代表的大模型使人工智能技术产生革命性突破，高质量数据集对人工智能大模型训练和性能至关重要，对高质量数据集的需求呈爆发式增长。早期机构停止运营的主要原因是优质数据供给不足，无法满足旺盛的数据需求，导致实际成交量远低于均衡水平。
目前市场上的优质数据产品供给严重不足，但需求日益增加。优质数据兼具实用和安全属性，要求高质量、信息密度大且通用性强，同时满足合规标准，使用过程安全性高。数据可分类为公共数据、企业数据和个人数据。公共数据价值最高，但国内开放程度不尽如人意，存在泄露隐私和国家机密的风险，相关工作人员将面临严厉惩罚，而官员对公共数据开放不积极却无需承担后果，导致公共数据开放程度迟迟不能满足市场需求，表现出区域不平衡性。企业数据存在“数据孤岛”现象，个人数据存在个人信息泄露隐患，难以满足安全要求。
推动经济高质量增长的路径选择
我国拥有丰富的数据资源，但要将其转化为竞争优势需要努力。数据要素对经济高质量增长具有重要推动作用，其流通交易方式需另辟蹊径。数据行业从业者和学术界进行了探索，但仍需改善。为充分发挥数据要素的功能，需坚持实践先行、政策赋能的方式，对参与主体公平赋予激励，以充分发挥数据要素的功能。根据上述分析，为充分发挥数据要素推动经济高质量发展的功能，提出以下政策建议：
一、回应实践要求明确数据确权规制
数据确权制度不应遵循传统生产要素惯例，而应实事求是依照市场需要制定。在数据交易市场发展背景下，“数据二十条”提出建立数据资源持有权、数据加工使用权、数据产品经营权“三权分置”的数据产权制度框架，对今后数据产权的界定与规范具有指导意义。下一步应根据数据的来源和敏感程度，细化数据权属的分级分类相关法律规定，为不同级别的数据设置相应的授权范围与保护力度。
对于数据价值链上的多元参与者，应将数据要素复合权利束进行科学拆分合理分配，实现精细化动态界权，促成多方激励相容互利共赢。在大量数据尚未完成要素化、资产化的阶段，数据加工者将价值密度低的原始数据处理加工成可被有效利用的数据产品，完成了数据要素价值蜕变的关键一环，应得到相应政策倾斜，激励更多市场主体充分挖掘数据要素价值。顶层设计与实践紧密结合，加快构建具有中国特色的数据要素确权政策体系。
二、从多种手段出发研究合理定价机制
应加强数据价值评估的研究和实践，开发有效的数据价值评估方法和工具，帮助市场主体更准确地评估数据的价值。加快会计审计研究，制定合理规范，将企业数据资产计入资产负债表。在实践中探索供需双方都能接受的方法，估算每类资产的数据资产价值调整系数，积累经验以形成可供参考的公允价值。
针对数据集本身质量等技术特征制定新型定价模式，对传统定价方法扬长避短。利用合作博弈分支下的Shapley算法，精准测定数据协作者的模型贡献度，进而对数据资产价值进行公正合理分配。根据数据质量、数据容量以及相互作用因素等多维指标综合确定数据的价值，建立多场景复合维度加权定价模型。各地数据交易所要在数据估值定价问题上加大投入，及时吸收最新研究成果，从典型应用场景出发，由点及面扩展应用范围，产学研用结合攻克定价难题。
三、鼓励探索建立安全高效交易制度
针对数据交易规模低于均衡水平的问题，需要以数据交易机构为重点进行制度探索，增加优质数据供给，推动公共数据开放，发展专业数据经纪企业，探索数据信托制度，保障数据交易的安全可靠与低成本，加强数据中心云服务新型基础设施建设，从总体国家安全观角度统筹协调数据安全治理事宜，建立健全的现代化数据治理体系，确保数据要素的流通利用能够促进经济增长并提高社会福祉。