刘守英教授发表主旨演讲

数据产权问题，实际上是我进到这个领域以后一直困惑的一个问题。我们看从政策决策到理论研究来讲，最热的是两个词，一个是数据要素，就是宣布数据是一种要素，要靠它来促进增长，提供新的动能。另一个就是数据产权，之所以重视这一点，是希望通过界定数据产权来促进交易，实现增长。这两者似乎不言而喻的，不需要讨论的。我今天要提出的问题是，关于数据产权，我们恰恰要回到基本问题，即为什么要对数据产权进行界定，如果数据产权界定问题很重要，我们应该如何界定数据产权，界定数据产权的依据是什么。

一、工业经济形态的产权理论

科斯、阿尔钦、德姆塞茨开创的产权经济理论是讨论工业经济形态的产权问题。在工业经济形态下，资源高度稀缺性，需要系统性、法律化的产权界定来解决资源的有效配置问题。工业经济形态下讨论的产权问题，我把它概括为以下几点：

一是通过产权界定解决外部性问题。传统经济学面对外部性，即私人产品与社会产品不一致，私人成本小于社会成本时的解决办法是管制，科斯提出外部性问题是一个谁有权做什么的问题，不是是否允许甲损害乙，而是一个受益和受损的权利界定问题，通过权利界定将外部性内部化。也就是说，在工业经济形态下，产权界定是用来解决外部性的，是界定如何受益、如何受损以及谁必须向谁提供补偿的制度安排。

二是通过产权制度来限制竞争。经济学的基本假定是存在稀缺性。一种物品在使用的过程中有多种使用，多种使用就产生了竞争，竞争性使用需要产权制度安排来制定竞争规则。也就是说，产权制度是一种限制竞争的规则。

三是通过产权来实现交易。没有交易就不需要产权。在一个市场交易成本为零的世界，权利安排是不重要的。传统经济理论的市场交换只讨论物品之间的交换，事实上任何两个物品之间的交换内含着两束权利的交换。这就引出了所谓科斯定理，即产权界定是市场交易的前提。

四是需求变化促进权利价值的提高。需求的增加提高资源和物品的价值，也带来更清晰界定产权的需要，也带来权利价值的增值。

五是权利分割提高资源配置效率。产权是一束权利，包括使用权、收益权和转让权，权利的分割与处置是产权的基本特性，旨在促进资源的有效配置。

二、现有数据权利讨论的问题

回到数据产权。现有理论的数据产权的研究本身就值得讨论。

第一类是指出了科斯定理的不足。科斯定理讲初始产权是不重要的，数据经济研究注意到了不同的数据初始产权分配是会对福利带来影响的，强调了数据初始产权分配是非常重要的。一是对福利产生影响，二是对收入分配产生影响。例如Jones and Tonetti 2020年那篇产生很大影响的文章，讨论了把数据权利界定给消费者还是给企业哪种效果会更好，他们从更有利于社会福利的角度提出，将数据权利界定给消费者更有利于社会福利的增进，也就是，他们不问题数据的形成和特性，就直接进到了如何进行权利安排，而不问为什么要进行这样的安排。

第二类是只讨论消费者数据的隐私权。这有点类似于讨论人权和产权的问题。隐私权是消费者的基本权利，应该属于人权讨论的范畴，但是从经济学的角度来看，作为人权的个人数据隐私权不能等同于个人对数据的产权。我们看大量西方已经发表的文献，关于消费者的权利是不讨论他们的数据产权的，只讨论隐私权。

第三类是从促进数据交易出发提出界定数据产权。我们现在看到的文献基本上依据工业经济形态的产权讨论，为什么要界定产权？就是为了促进交易，因为界定产权以后才能做交易，因为产权是交易的前提。这里暗含的一个假定是，数据也是只有交易才产生价值，你必须先界定产权。但是，数据是否都一定要通过交易才能产生价值？数据的需求来源是什么？第五个是忽视了数据的形成和特性。第六个是整个现在的关于数据的研究实际上是只注重了数据的增长效应，但是不讨论数据的分配效应，这个基本上是沿着传统的产权经济学的逻辑过来的。这是我想讲的现有讨论的问题。

第四类是讨论数据权利的分割。这是国内数据产权讨论的主要领域。就是从数据的生产过程讨论权利的分置，如何将数据权利进行分割和分别赋权，促进数据的使用与交易。这类讨论基本沿袭产权的可分割性实现资源配置效率。问题是，数据权利的分割是否遵循工业经济形态的资源或物品产权分割一样的原则？数据的所有权问题是否可以忽略？

概言之，现有关于数据产权的讨论仍然是沿袭工业经济形态的产权范式，也就是不问数据的形成和特性，要么直接进到数据利用的福利化效果，要么直接进入如何分权问题。

三、有必要界定数据的产权吗？

先来看看数据的特性。迄今为止经济学家对数据特性的研究形成以下三点共识。

一是数据的流通和使用可能会带来复杂的外部性。一方面，随着数据要素规模增长、类型扩大，其形成的知识和信息会随之持续积累，正外部性也会快速增强，进而发挥规模效应。数据要素达到一定规模后，对所有企业生产率提升都有促进作用，而企业并不需要对这一正向作用支付成本。另一方面，数据的流通与使用也可能带来一系列负外部性，如隐私泄露、算法歧视以及数据垄断等问题。

二是非竞争性。该特性指的是多个用户或企业可以同时使用相同的数据资源而不影响对方的使用。任何数量的公司、劳动力或机器学习算法都可以同时使用同一数据，而不会减少其他任何人使用的数据量。这种非竞争性会导致报酬递增。对于数据要素的额外使用的边际成本为0，这是数据与其他生产要素之间的一个主要差异。

三是零成本/低成本复制。数据要素的成本主要在于前期的数据获取、研究开发阶段，因此初创数据资产的成本很高，但此后的产品由于可无限复制，其边际成本趋于零。数字技术发展使数据要素一旦形成，其传输、复制和使用产生的可变成本大幅降低，甚至接近于零成本，同一数据可被不同企业或不同主体同时使用。数据的低复制成本使得信息可以快速地分发和存储，增强信息的即时访问性和可用性，从而促进创新和增长。

问题来了，如果沿袭工业经济形态的产权讨论，数据有必要界定产权吗？回到我们前面提炼的产权界定原则，工业经济形态为何要界定产权，产权要解决的问题，恰恰是因为外部性、竞争性和交易成本。如果经济学家对数据特性的认识正确的话，就需要讨论数据界定产权的必要性了，尤其是因为它许多情境下具有正外部性，传统产权理论讨论的因为外部性的存在才界定产权的需求就不存在了，当然对于存在外部性的场合还需要界定产权，至于它的非竞争性特性，也挑战了用限制竞争实施产权安排的功能，零成本或低成本带来交易成本问题的解决，传统理论以交易成本的存在界定产权的必要性也受到挑战。看来，要么需要进一步研究数据的特性，搞清它与工业经济形态下的要素特性的异同，要么需要另辟蹊径研究数据的产权问题。

四、数据的形成、价值实现与数据产权

        但是，我们绝不可由此得出数据因为其特殊就不需要界定和实施产权。怎样找到数据产权界定与权利分配的路径，是数据经济学研究的重要问题。回过头来看，科斯创立的从交易费用出发研究产权经济学传统值得反思，他们强调了产权界定对于经济交易和福利效果的重要性，但是忽略了权利形成与权利价值分配问题。如果沿袭这一传统，来讨论数字经济形态下的产权问题，要么无的放矢，要么本末倒置。我们提出，从数据形成于价值增值角度讨论数据产权可能是一个进路。

（一）数据的形成与价值实现。数据如何从资源变成数据要素？数据要素最后怎么变成资本从而实现增值？

1、数据成为要素。涉及到两方面，一是数据是消费活动的副产品，是由消费者生成的，数据要成为要素依赖每一个消费者的消费；二是数据被一条条记录进入数据库，就成为了要素。

2、数据成为有价值的要素。数据有价需要经过数据的生产过程，包括数据的采集、存储、传输、加工、分析。无论是数据企业用于交易的数据，还是平台利用数据的价值实现与增值，都必须经历数据的生产。

3、数据的价值增值。数据价值增值的途径并非都通过交易来实现。一种是通过数据交易实现价值增值，另一种是在平台生态下，平台中枢和平台企业利用数据的价值增值，三是数据与算力、算法的组合。

因此，我的初步认识，要研究数据的产权问题，不能沿袭工业经济形态的产权经济学，从数据特性去讨论数据产权问题，而应从数据形成和价值增值中去讨论数据产权问题。我这里抛出几个要研究的数据产权问题：

一是数据个人权利。当消费者通过消费形成数据以后，消费者是不是只对形成的数据要素有隐私权？消费者个人对利用数据产生的价值到底有没有个人权利？这里涉及到消费者是只通过平台或其他组织获得消费的需求满足，还是对数据权利价值也有份；还涉及到平台中的企业和平台中枢利用消费者数据的权利问题。数据个人权利、不仅是一个数据产权的元问题，而且涉及到被工业经济产权经济学长期忽视的数据权利分配和数据治理问题。

二是数据价值形成中的权利结构与权利价值分配。数据从资源变成要素，形成价值和价值增值，是一个复杂的生产过程，包括数据的记录，数据的存储，数据的加工，数据的处理、数据的分析等等，每一个过程都对数据权利价值的形成产生作用，每一个环节对权利量的贡献是不一样的，由此形成复杂的数据产权结构，这里既涉及到数据产权的分割与权利价值衡量，也涉及到数据权利的分配问题。

三是平台数据产权与权利价值分配。平台的核心竞争力是数据驱动，无数据就没有平台的生命。平台数据涉及到消费者在平台商家的消费数据，商家利用消费数据的价值增值，以及平台利用商家和消费者数据的价值增值。这里涉及的产权问题包括，消费者是否有权主张平台商家和平台中枢利用数据产生的价值？平台商家是否有权主张平台中枢利用数据产生的价值？

四是数据要素组合与权利价值。数据价值的实现与增值依赖于算力和算法，但是目前数据、算力、算法的组合是一个黑箱，它们是如何组合的？算力和算法的作用方式，数据如何通过算力和算法形成核心要素的？这个黑箱不仅涉及生产函数的构建，也涉及到数据权利的产权、权利价值衡量和分配问题。

我今天的发言只是将一些疑惑提出来，没有答案。期待进一步的研究能解开数据产权之谜。

谢谢大家！