数据确实是资源，确实是资产，确实是生产要素，但针对数据的市场化配置却不容易实施，因为数据要素作为一种新型要素与传统生产要素相比较有其鲜明的特质，这是我们推动数据要素市场化配置必须了解和研究的规律。

    首先是数据要素价值的个性化，由于每个组织或个人在社会活动中所需要的信息都是独特的，信息需求总是与其活动所处的特定情境相关联，同样的数据对不同的主体体现的价值不同，在不同情境中对相同主体的价值也不同。

    其次是数据要素具有融合性，数据能够与不同行业、产业等各领域的生产要素、资源和能力结合，创造性的价值融合对其他要素发挥价值甚至具有乘数作用，这里又涉及到数据要素如何与其他生产要素相融合、如何发挥其乘数效应的应用场景创设问题。

    第三是数据要素是时效相关的，虽然数据要素也不会因为使用而损耗，但随时间变化数据价值也会发生变化，时间越久远，数据的可参考利用性往往越低。

    第四是数据要素需要有维权和保密措施，数据资源更容易突破时间和地域差异被广泛复制和共享，如果被不当或者违规使用，则会给数据源主带来信息安全和侵权的隐患。

    还有最重要一点是数据要素具有时代革命性，在当前第四次工业革命中，数据资源已经不仅仅是生产要素了，通过网络，数据也映射了新的生产关系，数据本身就是新工业革命最活跃的要素，数据的利用对于传统的生产组织方式必然会产生外部性问题，而基于网络的新生产组织方式是通过数据的流动来建立生产的社会化协同。

     以上几点数据要素自身具备的鲜明特性，让数据要素市场化配置工作远远不是传统商品市场的商品交易这么简单，我认为数据的本身并不适合作为一种商品进行买卖。

     实际上，早在1963年，诺贝尔经济学奖得主肯尼斯·阿罗就在《不确定性与医疗保健经济学》一文指出：信息（数据）与一般商品迥然有异，它有着难以捉摸的性质，买方在购买前因为不了解该信息（数据）无法确定信息的价值，而买方一旦获知该信息（数据），就可以复制，从而不会购买，故而信息（数据）是无法完全市场化的，这就是信息经济学的“阿罗悖论”。

    “阿罗悖论”实际上是凸显了供需双方的信任对数据市场的重要意义在数据交易中，数据需求方因为难以判断数据的质量和价值，可能花了大价钱，却没有获得能实现预期目标的数据；数据提供方也因为缺乏有关需求方的信息，而低报了数据的价格，更不用说其对数据安全和数据滥用的担忧。

     面对数据交易的双边信任困境，与其说数据供需双方是在做交易，不如说他们要建立一种长期的数据交换与共享合作伙伴关系，他们在长期的数据交换与共享合作中满足各自的需要、实现各自的价值，一次性的购买行为明显无法给双方带来确定的好处。

     这里又给数据要素的市场化带来交易成本方面的问题，寻找合适的合作伙伴远比商品交易的一锤子买卖困难许多，所谓知人口面不知心，双边的信任也需要大量的沟通和合作经验来奠定，往往还没开展实际的数据要素流转，消耗了大量的互相试探也导致合作无功而返，这又给数据交易蒙上巨大的心理障碍。

     在这种困境下，数据要素市场的发展出路在哪？根据我的前期研究，我认为有以下四步组成的路线：

     第一步是政府的数据开放，《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》就明确指出要推进政府数据开放共享，政府数据开放对数据要素市场化是如此之重要，因为政府自身所具备的公信力，政府所开放的数据资源可以认为是数据要素市场中高可信高价值的原始股，而政府开放的数据资源理论上可以看成全民所有的普惠福利，这是数据市场的基石或者说是种子投资，早期的数据要素市场化工作可能就是围绕政府开放数据的相关合作和服务展开，因为数据开放数据也涉及到投入和成本，这些投入和成本也不应该全部无差异地由纳税人来负担，对于一些数据资源的个性化需求，应该给一些可以满足这些需求的数据服务商以商业机会，从而衍生出一个生态环境，这也是市场化的重要形式。

     第二步是打造可以承载数据经纪或者数据担保业务的市场化平台，数据经济和担保实质上是一种新型的数据咨询服务形态，但其有别于传统信息技术服务关键之处，数据经纪（担保）人是长期从事数据交易市场服务的第三方，专业、公正、声誉和非常严格的违规惩罚机制，使得数据经纪（担保）人值得被广泛的数据供需双边信赖。同时，数据经纪（担保）人也发挥着“守门人”的功能。在遴选和甄别客户的过程中，数据经纪（担保）人需要有效评估数据交易双方的履约能力和违规风险，并判断双方数据和业务的合法性。“数据交易所”应该就是这些数据从业开展业务的活动平台，并非法律或者实体概念，这里，我们不妨将其界定为“为数据交易双方或者多方提供网络经营场所、交易撮合、信息发布等服务，供交易双方或者多方独立开展交易活动的自律性管理的法人。”作为第三方中介平台，数据交易所推动之前一对一的双边数据市场，向“一对多”或“多对多”的网络数据市场转型，数据市场的规模和效率才能快速成长。

     第三步可以推动数据要素的金融化工作，由于数据要素是通过映射现实中其他生产要素的真实信息而具备真正价值的，因此这些数据要素也可以准确反映出其他要素在生产活动中的增值预期，所以很多数据要素自身就具有金融属性，比如供应链金融，本质上也是通过数据要素在产业价值链的流动中实现的，而由于大量关乎物质生产力要素的信息只需要结合金融数学统计和大数据应用方面的技术，非常容易可以成为合理估算违约概率的信用评价模型，由此可以支撑金融机构更好地评估授信风险而做出精准的信贷服务支持，同时也大大提升了金融机构服务实体经济的能力。

      第四步是数据要素生产机制和能力的证券化工作，其实大量的互联网公司的资本市场之路本质上就是数据要素生产能力的提前证券化，资本市场对于互联网公司的市场估值本身就是对其拥有的大量用户社交数据资源的估值溢价，互联网公司这样的例子已经不胜枚举，而所有完成数字化转型后的企业也会成为互联网企业，自然也可以参考互联网公司的上市经验。

     任何一个行业和领域都会产生有价值的数据，而作为传统产业的数字化转型工作，特别是工业，工业大数据以产品数据为核心，极大延展了传统工业数据范围，同时还包括工业大数据相关技术和应用。围绕典型智能制造模式，从客户需求到销售、订单、计划、研发、设计、工艺、制造、采购、供应、库存、发货和交付、售后服务、运维、报废或回收再制造等整个产品全生命周期各个环节所产生的各类数据及相关技术，和对这些数据的统计、分析、挖掘和人工智能应用都会创造出意想不到的价值和财富。

     由此每一个工业企业所积累的大数据具备双重属性：价值属性和产权属性。一方面，通过工业大数据分析等关键技术能够实现设计、工艺、生产、管理、服务等各个环节智能化水平的提升，满足用户定制化需求，提高生产效率并降低生产成本，为企业创造可量化的价值；另一方面，这些数据具有明确的权属关系和资产价值，企业能够决定数据的具体使用方式和边界，数据产权属性明显。工业大数据的价值属性实质上是基于工业大数据采集、存储、分析等关键技术，对工业生产、运维、服务过程中数据实现价值的提升或变现；工业大数据的产权属性则偏重于通过管理机制和管理方法帮助工业企业明晰数据资产目录与数据资源分布，确定所有权边界，为其价值的深入挖掘提供支撑。

      鉴于我自身多年的金融从业经验，只要有完成把数据变成信用的数学模型，则转化数据要素的金融属性就是非常靠谱的商业模式，因此数据要素的金融化应该是数据要素市场化的重要组成部分。

(2020年10月13日初稿，如需引用，请注明出处)