一种数据要素流通市场中数据产品质量评估模型探究

　　摘要：互联网时代，个人数据信息安全成为重要议题。将数据与信托概念融合，或许是一个好的解决方案。本研究分为两部分。首先构建八角色五阶段的数据信托运行机制流程，然后聚焦监管部门，尝试利用层次分析法，以数据源质量、数据录入方式、产品化技术手段、业务处理流程和管理制度四项标准给每个数据产品进行评分，构建数据产品质量量化评估模型。

　　引言

　　《“十四五”数字经济发展规划》指出，数字经济是继农业经济、工业经济之后的主要经济形态。在此背景下，数据信息的安全成为关乎每个个体切身利益的重要问题[1]。然而，信息泄露、科技公司通过贩卖数据信息赚取利润等不正当事件屡见不鲜。在相关法律制度进一步完善的同时，建立市场的自发约束机制也十分必要。数据信托作为一种新型数据管理机制，也许正是解决这一问题的方法。本文将探讨数据信托的机制总流程以及数据资产的评估模型。

　　1. 研究现状

　　1.1 数据信托的起源与现状

　　“数据信托”最早起源于英美国家。第一种理论是美国巴尔金的“信托受理人”理论。巴尔金发现，信息平台大量收集、分析、使用、销售、分发个人信息，必然会侵犯个人隐私，甚至威胁西方民主政治。因此，巴尔金通过另外类比的方式，指出“信息受托人”是一个法律实体，“是指因与他人的关系而对在关系中获得的信息承担特殊责任的个人或企业”。在信托制度的起源地英国，存在着另一种数据信托理论和实践。这里的数据信托并非法律实体，而是一套以一个可重复的框架为基础的关系，符合各方义务，以公平、安全和平等的方式共享数据，但是当时的数据信托模式只适用于人工智能的语境[2]。信托机构作为第三方介入，并非以政府身份进行自上而下的监管，从而使得不平衡的权力关系因数据受托人的介入变成一种平衡的权力关系。

　　目前我国正在努力健全数据产权管理机制，促进数据要素的市场化配置已成为国家的基本政策导向和重要战略方向。举国一盘棋，我国各部门正加快步伐向数字化转型。在数据消费者和数据提供者之间搭建桥梁建立中介十分必要，信托机构就是很好的选择。个体作为委托人将自己的数据信息委托给数据信托机构，信托机构聘请专业的数据服务商对零散数据整理分装打包，形成消费者方便使用的、针对不同客户群体的数据产品，吸引更多消费者购买，从而赚取更多利益。传统的信托概念与数据相结合，信托机构作为中介通过合理制定价格也能获得可观的利润，可谓共赢。

　　1.2 数据资产的评估方式

　　有关对数据资产的评估模型，不乏前人研究。以张志刚（2015）、梁文等（2016）、魏晓菁（2015）为代表的学者提出用层次分析法对数据资产进行价值估计[3]。董祥千等（2020）则采取更加数理的方法，从参与者角度，将数据提供者看作价格决定者，亦即博弈的领导者；将数据市场和数据消费者看作价格接收者，亦即博弈的跟随者，设计模型并求解。还有其他论文所提到的市场法，是指通过市场上已有资产的价值来估测目标数据资产的价值，这种方法以刘琦等（2016）为代表。灰色关联分析法在李永红（2018）的论文中有提及，是对市场法的一种具体阐述，将可比数据资产和被评估数据资产之间的关联性量化，通过专家打分法给出各因素的关联系数，并将它们进行整合，给出一个值，以此来表示参考数列与比较数列之间的关联程度[4]，如图1所示。借鉴类似的分类评估方式，在进行数据资产的流通评估时，本文从源头和运营两方面来进行评估。

　　2. 框架设计

　　2.1 构建全方位、全角色的数据信托机制

　　数据信托的总流程分为五个阶段——生产阶段、产品化阶段、推广营销阶段、交易阶段、产品评估改进阶段，以及四种主要角色，其主要职责是营销部门找客群、产品部门造产品、服务部门做服务、风险部门控风险。我们通过数据产品化、数据商业化、数据市场化的步骤将数据价值释放，以数据信托为核心，仿照传统信托方式构建全周期的流程架构，让信托公司成为数据保值、增值、价值释放的中介机构。

　　2.2 前期准备阶段

　　数据生产、产品化、推广营销属于前期准备阶段。将委托人分为个体委托人和名义委托人两类。个体委托人以直接生产数据的消费者和个体企业、部门为代表，名义委托人可视为个体委托人的代理。受托人即信托公司。在数据生产阶段，数据生产个体将数据管理权利授予数据生产商，由后者集体托管，对零散数据整理打包，并统一在信托公司的产品部门注册、登记、备案。数据注册成功后进入产品化阶段。注册后的数据根据需求被分别产品化为货币、证券、期权、指数的形式。

　　数据货币化——数据生产者可将数据作为一种虚拟货币，从而将数据价值转化为现实资金。如图2所示。这个过程需要政府部门或其他非营利性机构的监管，使数据生产者获得应有的利益，一方面能有效保护消费者信息安全，另一方面合理利用将数据价值转化为现实利益[5]。

　　数据证券化（DBS，Data Backed Securitization）——信托公司，即数据生产商对个人及数据生产者的数据收集整理后，将数据信息作为一种债权进行融资。如图3所示。为了确保融资的有效性，此类数据期权需要有大型央企或政府的背书。

　　数据期权化——信托公司联合数据运营商受数据生产商的委托向社会发行数字期权。需求方若想获得数据使用权，需购买相应期权，并按照约定向数据生产商定期返还资金，这些资金在监督下进行合理分配，如图4所示。

　　数据指数化——该方法解决了数据散乱繁杂的问题。信托公司结合专业数据运营商持续与数据生产者合作，将零散的数据整理、分析，进行指数化处理，得出更宏观的信息及结论（如趋势、预测数据等）。如图5所示。这一过程同样也需要监管部门的介入，保证信托公司的数据处理的可靠性与正当性。

　　如何对源数据针对性产品化？这需要推广营销阶段的协助。营销部门对数据需求群体进行市场细分，了解每种数据类型最佳的产品化方式。产品部门对每种产品类型进行对点宣传推广，便于受益人挑选最适合他们的数据产品，帮助各方做好交易准备。风险部门在此阶段要先对数据产品进行风险评估，若实际情况与预估不符，则在后期评估阶段反馈修改。

　　2.3 交易阶段

　　交易阶段是信托执行的核心阶段。经过推广营销阶段中交易双方的推广和筛选，数据产品进入市场。收益人购买符合需求的数据产品，数据则以债权、期权、指数、文字信息等形式交给数据服务商，数据服务商返还现实资金[6]。信托公司得到利益后，将扣除成本后的利益转交名义委托人，名义委托人再将利益合理分配给个体数据生产者。

　　2.4 后期评估阶段

　　数据信托机制的最后一个阶段为产品评估及改进阶段。根据一段时间的交易数据和委托人、受益人双方的反馈情况，信托公司风险部门总结交易情况，提出产品修改意见。风险部门将情况如实反映给产品部门和营销部门，及时调整营销策略和产品结构，扩大受众。

　　3. 评估模型研究

　　在整个数据信托机制执行的过程中，监管部门在每个阶段都起着重要的作用。但具体而言，监管部门应该如何监管，最重要的是做到消费端和委托人原则制定时数据渠的一致性。

　　3.1 变量选取

　　数据产品质量标准变量及解释见表1。

　　3.2 层次分析法

　　层次分析法（Analytic Hierarchy Process，简称AHP），是T.L.Saaty于20世纪70年代提出的一种系统化、层次化、定性和定量相结合的思路和手段。这种方法利用成对比较矩阵和特征向量确定下层元素对上层元素的权重，并进行一致性检验[7]。

　　3.2.1 层次结构图

　　决策问题一般都可以自上而下地分为目标、准则、方案3个层次，并直观地用层次结构图表示。最下层是方案层（一个个数据产品），中间的准则层既影响目标，又支配方案。数据产品的质量由数据源质量、数据录入方式、产品化技术手段、业务处理流程和管理制度四个准则决定。每个产品就这四个方面进行评分，按照一定比例加权，最终给出综合分数，如图6所示。

　　图6 层次结构图

　　3.2.2 成对比较矩阵和特征向量

　　成对比较矩阵是指同一层元素之间两两比较重要性的矩阵。假设影响数据产品的四个因素分别为X1，X2，X3，X4。数据产品质量为Y。将Xi和Xj对Y的重要性之比用aij表示，4个影响因素两两成对地对Y的重要性之比用成对比较矩阵

　　Saaty提出，成对比较矩阵并不需要对aij=1/aji这一条件有严格限制，可以在一定范围内有误差。

　　若矩阵A满足

　　aij·ajk=aik，i,j,k=1,2,3,4

　　则称成对比较矩阵为“一致阵”。这样的矩阵有以下性质：秩为1，唯一非零特征根为4，任意列向量都是对应特征根4的特征向量。我们取归一化后的特征向量w=(w1,w2,w3,w4)为各个元素的权重占比。若矩阵A不是一致阵，取A的最大特征根（记作λ）的特征向量（归一化后）为权向量w。

　　由于成对比较矩阵是通过定性比较得到的相当粗糙的结果，所以精确计算特征向量和特征根是不必要的，可以用近似值代替。

　　3.2.3 一致性检验

　　数学上已经证明，对n阶成对比较矩阵A，其最大特征根λ≥n，且A是一致阵的充分必要条件为λ=n。λ和n相差越多，说明矩阵A与一致阵相差越远，用特征向量作为权向量引起的判断误差越大。因此，我们用CI=作为一致性指标，CI越大，A越不一致。

　　再引入“随机一致指标”RI。对每个n随机模拟大量成对比较矩阵，计算这些矩阵的一致性指标CI，取平均值即为RI。Saaty给出的RI如表2所示。

　　令。若CR<0.1，则认为A的不一致程度在容许范围之内。一致性检验通过，归一化的特征向量即可作为权向量，从而给每个数据产品评分加权，对其进行量化监管。

　　结语

　　数据信托机制构建和数据信托产品的质量评估模型，对我国完善信息安全体制具有重要意义。本文主要聚焦监管部门对数据产品的监管前提——产品质量评估。利用层次分析法，以数据源质量、数据录入方式、产品化技术手段、业务处理流程和管理制度四个准则给每个数据产品进行评分，画出成对比较矩阵后确定每个因素的重要性占比，最后评分加权综合得出产品的最终质量评价。信托机制的机制构建和产品评估，为数字经济发展中的安全问题提供了一种可能的解决方案，具有重要意义。

　　参考文献：

　　[1]翟志勇.论数据信托：一种数据治理的新方案[J].东方法学,2021,(4):61-76.

　　[2]魏晓菁,陈峰,董媛媛.数据资产可信度评估模型研究[J].计算机应用,2015,35 (S2):170-173.

　　[3]张志刚,杨栋枢,吴红侠.数据资产价值评估模型研究与应用[J].现代电子技术,2015,38(20):44-47,51.

　　[4]李永红,张淑雯.数据资产价值评估模型构建[J].财会月刊,2018,(9):30-35.

　　[5]刘琦,童洋,魏永长,等.市场法评估大数据资产的应用[J].中国资产评估,2016, (11):33-37.

　　[6]梁文,刘夫新,崔梦枭,等.基于数据资产的数据质量评估模型研究及应用[J].电脑知识与技术,2016,12(30):241-242,245.

　　[7]董祥千,郭兵,沈艳,等.基于利润最大化的数据资产价值评估模型[J].大数据, 2020,6(3):13-20.

　　作者简介：张馨月，本科，研究方向：经济学（数理经济与数理金融）。