数据交易机制初探——新制度经济学的视角

（清华大学社会科学学院，北京100084）

引 言

数据交易以及相关的产权问题，是现在大数据产业的热点话题。对这一问题进行分析，有助于形成业界惯例和社会共识，为制定相关法律法规提供参考和依据。数据，就是事物和行为的显现，并且是被记录的、有待分析的显现。当前，数据的重要性日益凸显。一方面，人们进行科学研究，处理复杂的经济、社会和政治事务，都需要大量数据支持，数据需求不断增加；另一方面，计算机技术的发展、自然科学和社会科学知识的积累，以及社交网络、云计算、移动终端的发展等因素，使得数据的价值能够被人们所认识和利用。对于现在流行的大数据这一概念，人们已经从各个角度描述了它的特点，其中有两点值得注意：一是大数据突破了以往人们对数据的认知，以前不被人们当成是数据的资料，现在也可以以量化方式进行处理，以前被人们认为无法分析的数据（大多是非结构数据），现在也可以用来分析。二是与大数据相关的数据挖掘技术呈现了事物之间一些以前从未想象过的深层次联系，这使得人们产生了更大的兴趣去收集、分析数据，从而发现并利用这些隐秘的联系。

大数据在商务智能、社会治理等领域的应用不断扩展，并且在逐渐改变原有的产业结构和经济结构。与此相伴随的是，大数据相关产业也在快速发展，并且得到了许多国家公共部门的关注和支持。数据的重要地位使得越来越多的人将数据看作是继土地、资本和劳动力之后的第四种生产要素。数据作为一种生产要素，理应像其他生产要素一样得到合理配置，从而对生产发挥最大效用，而这就涉及到了数据交易问题。从市面上不断增加的与数据相关的产品（如电子导航地图、人脸识别设备）以及与数据交易相关的企业不断扩展的业务看来，数据交易数量在快速增长，数据市场潜力巨大。

然而，当前数据交易的发展还面临诸多困难。除了很多企业经营者对计算机技术缺乏了解、缺少资金、经营理念等因素外，人们不愿购买和使用数据的一个重要原因就是高昂的交易费用——而其他因素或多或少都与这一点有关。数据交易的本质，就是对数据的产权，即数据的拥有权、使用权、收益权等权利的转让。而转让数据产权的前提，当然是界定产权，但目前数据产权界定的状况并不尽如人意。一方面，事物越是有价值，人们越是倾向于清晰地界定其产权归属。数据的价值不断显现，使得人们为了增加收益或避免损失，而迫切要求明确产权。另一方面，由于数据与其他产品相比又有一些比较突出的特点，使得与产权相关的交易费用较高，从而阻碍了产权的界定。这些特点体现在以下几个方面。

第一，数据同时具有绝对的非排他性和相对的排他性。绝对的非排他性是指数据能被无数次复制和使用，一个人的使用并不会使数据有所减少。相对的排他性是指以下几种情况：首先，有些数据如果被多个使用者使用，它对每个人的价值会比个人单独使用时要少。比如，多个电商掌握同一套数据，得出了相近的分析结果，并据此进行商品推送，结果每个电商都没有达到预想的效果。其次，对一些公开数据，可能会有企业设法让它暂时无法公开，在短时间内占有它，从而使自己基于数据的产品或服务能在短时间内获得垄断利润。

第二，数据交易涉及的主体多，包括数据拥有者、数据采集者、数据中介、数据使用者等。在法律法规不完善的情况下，每一方都有理由主张对数据的某项权利，引发纠纷的可能性较大。

第三，存在数据造假的可能性，保障数据真实性和进行鉴别的成本较大。至于造假的原因，可能是弥补统计上的疏忽、降低提供数据的成本，或是有意扰乱客户的研究分析。

第四，一些数据的有用性无法事先确定。多数商品的了解过程和使用过程是分离的。比如，在购买冰箱之前，虽然我还没有用它，但我了解它将给我带来好处。对一幅画来说，了解过程和使用过程最初会重合：在评价它并最终下决心买下它的过程中，我同时也得到了美的愉悦——如果没有得到这种享受，我根本不会购买它；但是了解和使用过程仍然会分离，因为我更多地是在购买之后反复欣赏的过程中得到愉悦的。然而，数据就不同了。一方面，有些数据的了解和使用过程确实是分离的，比如，在我确信男女比例会对产品的销售有影响时，购买各地的男女比例数据，并据此安排销售工作。在另外一些情况下，通过了解和分析数据样例，买方也能判断数据的有用性。另一方面，对有些数据分析工作——特别是研究设计工作——来说，了解数据的过程就是使用过程。比如，我猜测某商品的销售量与当地个人手机话费有关，并希望据此优化营销行为。如果两个变量间的关联程度达到了我设定的标准，那就证明这套数据对我是有用的，否则这套数据对我来说就没有意义了。矛盾在于，只有当我拥有并分析了这套数据之后，我才能了解它的有用性的大小，才能决定是否购买它；但也只有在我了解它的有用性的情况下，才能决定它是否值得购买和拥有。此时，了解过程和使用过程是重叠的。

正是这些特点，使得数据交易者在产权问题上发生矛盾的可能性较高，使得交易费用无法降低，进而，使得原本能成功的交易，由于金钱、时间等成本太高而无法发生。这造成的后果是：首先，数据交易的低效率会影响数据资源的优化配置，阻碍数据资源发挥应有的作用，特别是会导致许多企业，尤其是中小企业不想、不敢使用数据，从而无法从数据中获益，无法跟上大数据时代的步伐；其次，如果数据交易的不畅导致数据的利用难以扩大的话，数据平台和与数据相关的基础设施也难以更好地实现规模效益。

数据交易成本高，还可以从一个现象看出来：目前在国内，在数据研发和应用方面远远走在前边的是百度、阿里和腾讯。为什么？首先，不可否认的是，三个IT巨头本身拥有海量数据和雄厚的资本，在相关领域具有绝对优势。但是，交易费用恐怕也是一个重要因素。数据买方（即依靠数据产出商品或服务的人）需要集合数据资源、算法、交易中介以及数据基础设施等要素，才能有效利用数据资源。在交易不顺畅的情况下，光是买方和卖方的互动就会产生很高的交易费用，更别提与其他资源的协调配合了。而如果通过市场机制整合资源的交易成本较高，那就只能转向企业机制了，因为在企业内部，可以通过命令的形式强制几种资源相互配合并为各团队规定收益分配方式。与上述这三个大企业不同的是，多数企业只拥有少量，或是完全没有与数据相关的资源，如果有心利用数据，也只能通过市场机制配置资源，因而，受制于较高的交易费用。

由此可见，我们有必要分析数据交易中的产权和交易费用问题，从而为优化交易机制和制定相关法律法规提供参考。

1 交易费用和产权

我们分析数据交易的工具是新制度经济学中的交易费用理论和产权理论。在新制度经济学看来，具有稀缺性和价值的，不仅有被交易的商品或服务，而且还有交易本身。交易的类型，除了有市场型（利用价值机制）、管理型（利用企业内部机制）和政治型（利用政治权力）这三类外，还有诸多形式。从权利的角度讲，交易就是对于商品或服务的产权，即拥有权、使用权、收益权、让渡权等权利的转让。至于交易成本或交易费用，就是“与转让、获取和保护产权有关的成本”。[1]3交易成本包括为促成交易而产生的各种花在搜寻信息、沟通、谈判、监督等行为上的金钱、精力和时间成本——当然，实施这些行为本质上都是为了在转让产权过程中界定和保护产权。新古典经济学假定交易信息是对称的，产权要么不用界定要么是被完美地界定了的，价格机制可以在瞬间使市场自动达到均衡，因此，不存在交易费用。但是在新制度经济学看来，一个事物的多种属性意味着有多个产权。由于界定产权需要交易费用，而这些产权中有一些是没被界定的，因此，可能会导致钻空子、过度使用等行为。

在进行数据交易的过程中，采集、存储数据固然是有成本的，但数据交易本身的成本也不容忽视——包括买方花在了解数据、寻找数据、评估数据质量、卖方寻找和说服买方、进行广告宣传的成本，以及双方谈判、讨价还价、履约等所需要的各种成本。基于以上对数据特殊性的分析，我们可以进一步探究影响数据交易的交易费用的因素主要有哪些，以及这些因素又会相应地产生哪些不利影响。

第一，鉴于数据的信息价值、质量和成本具有高度不确定性，买卖双方都需要在收集信息、定价、调整估价等方面付出大量成本。首先，数据的质量如何？所购数据能带来多少有用信息？不同卖方的同类数据有哪些实质差异？与质量较低的数据相比，质量较高的数据能使精确性提高多少？……对于这些问题，数据购买者在完成交易并实际使用数据之前，是难以得到准确答案的。其次，由于技术手段和相关政策的不断变化，数据收集工作的成本在不同时期是有差异的，双方在签订合同时难以对此进行准确预估。企业要了解自己需要什么数据，要能找到这些数据，要从采集方法、完整性、有用性等方面评价数据质量，要比较各卖方的出价，要了解卖方的信誉。在这一过程中，买方掌握的信息可能少于卖方，因此要努力防止被欺骗。又比如，卖方也要摸清买方购买数据的用途。如果卖方了解到买方借这套数据能够获得较大收益，卖家就会抬高出价。买方既要向卖方传达需求，又要努力隐瞒自己购买数据的意图，以便压低价格。这样复杂的过程当然会耗费大量时间精力。

第二，履约和监督的难度是推高交易成本的重要因素。首先，数据质量与设备仪器的质量、抽样的科学性、企业的执行能力和诚信水平等因素高度相关。其次，如果涉及的是需在较长时间内进行多次交付的交易，那么交易双方还需处理与突发事件、技术标准的变化等相关的问题。再次，卖方可以在合同中限定买方使用数据的方式，买方也可以对卖方未来销售同一套数据的行为进行限制。以上三点意味着买卖双方都希望对对方进行适当监督，在发现问题矛盾时能够顺利沟通或诉诸法律手段，而这些行为都会产生交易成本。

第三，数据使用者要解决数据与算法的相互对接、相互协调的问题。数据买方不仅要与卖方沟通，而且要与数据分析或算法提供者（其他公司或科研机构）打交道，后者自然也会从技术的角度对数据提出要求。另外，买方还要考虑数据和算法的要素价格和边际产品，找到一个均衡点并不容易。因此，买方要在各方之间周旋。如果数据使用者要组建自己的算法团队，也是要花组织成本的，这一成本属于管理型交易费用的范畴。

第四，数据提供者希望通过与公共部门打交道来获得声望。为了确保能获得较高质量的数据并减少受到欺骗和产生纠纷的可能，数据买方更愿意与口碑好、值得信赖的企业进行交易。而数据提供者也了解这一情况，并渴望借助宣传、获取资质等方式获得或维持声誉。这其中一个重要方式是与公共部门打交道。首先，企业为了展示自己的实力和可信性，会争取与公共部门进行交易或开展合作，即使这些交易或合作并不能为其带来较大收益，而由此产生的部分机会成本应算作交易成本。其次，企业可能会不惜利用违法、违规手段获取与公共部门合作的机会，或某种认可和资质，这些行为的成本也应算作交易成本。

值得注意的是，交易费用较高的一个后果就是，目前数据交易中的人际成本比较高，交易双方经常是朋友、熟人、老客户，或至少是信息技术领域的“圈儿里人”。熟识的人之间相互信任，能够进行充分交流，只要谈得差不多就能做出决定了。然而，首先，维持良好的人际关系也要花费不少成本；其次，这种情况限制了其他组织对数据的购买，这些组织要么因缺少关系而无法得到数据，要么不得不为了买到放心的数据而付出成本建立这种关系。要想扩大数据市场的规模，降低整体交易费用，就必须更多地依靠机制，而非人际关系。

2 数据交易机制分类

什么样的数据交易机制好？回答这个问题需认清两点：首先，存在不同类型的数据和不同类型的产权，比如，有时买方一次性购买一套数据，有时则需供应方在较长时间内提供实时数据；有的数据容易采集，有的数据采集则难度较大，等等。数据和产权类型不同，交易中的收益分配以及监督、履约方式也会有所不同。因此，要发展出多种不同的数据交易形式与之相适应。

其次，不同的人对什么样的交易形式是好的有不同看法。经济学家当然会强调数据资源配置的高效率；管理部门强调数据安全；交易平台组织者集中关注能够盈利的商业模式；重要数据的拥有者希望有设租空间。不过，对那些在业务中需要数据的机构，特别是中小企业来说，以下几点是必不可少的。

第一，能够及时、便捷地寻找并了解所需要的数据，对多种可选择的数据的质量和价格进行对比。

第二，数据的真实质量有保证，没有造假现象。人们能够根据需要长期、有保障地得到数据，不会被“敲竹杠”。被“敲竹杠”的可能来自资产专用性。资产专用性就是“在不牺牲生产价值的条件下，资产可用于不同用途和由不同使用者利用的程度”。[2]比如，A公司花巨资开发了一款用途单一的APP产品，这个产品依赖于B公司连续不断提供的数据。在这种情况下，A的资产专用性较高，如果B违约或威胁提高数据的价格，那么A的风险就较大。

第三，从购买的数据中洞察到有价值的信息，在一定程度上像是赌博，因为很有可能从数据中挖掘不出任何有价值的信息。因此，买方当然希望降低风险，即使最终发现数据没有价值，也不会损失太多。

第四，交易机制尽可能规范、简洁、程序化，减少人为因素。

下面我们对已存在或可能产生的数据交易形式进行分类，并分析它们各自的优缺点。

（1）按产权占有程度分类。在很多数据交易中，买方获得了数据的所有权、使用权和收益权。此时买方能最大程度地独享数据的价值，但缺点是数据的要价会很高，而且为了避免买下不合适的数据，买方必然要把大量成本花在了解数据上。在另外一些交易中，数据的版权仍留在卖方手中，买方只拥有无限的使用权。此时，数据的价格较低，且能满足买方的使用需要，这有助于扩大数据市场的整体规模。而且，卖方在保留版权的同时压低价格，意味着必须把数据卖给许多人，而买方越多，数据中的错误越可能被发现，这实际上就是在督促卖方自觉提高数据质量，因而是为买方减少了监督成本。但买方的代价是，不能阻止数据被卖给其他人，包括竞争对手。

进一步降低数据价格的方法，是只买卖有限的使用权。比如，买方利用少量资金获取对一套数据中的所选字段进行五次操作的机会。这种交易方式对于资金有限的买方来说可谓是福音，因为这就避免了买到无用数据的可能，在没有产生期望的分析结果的情况下，也不会损失太多。另一种方法是限制买方分析数据的算法。卖方只允许买方用有限的几种算法来分析数据，按算法的种类和使用次数收费，并且越是可能产生有价值洞察的算法，收费越高。这种做法对卖方有利，因为大数据的特点就是可能揭示出意想不到的隐秘联系，而能否发现这些联系，在较大程度上依赖算法。如果对数据的所有使用者收取相同的价格的话，那么那些有能力使用更高级算法，并且本来愿意接受更高价格的人，就会获得超出平均水平的收益，实际上就是占有了未被界定的产权。另一方面，有些买方需要的本来就只是简单的计算结果而已，对他们收取较低的费用，也是合理的。

目前，提供大型数据集的有限使用权的方式有两种：第一种是像数据堂、阿里的数据魔方等数据服务平台一样提供不同权限的数据接口，收费越高，权限越高。权限较高的接口通常会有更高的每日访问次数和更大带宽，支持更多数据格式。由于接口有有效期，所以这本质上是在提供有限使用权。第二种方式是，数据可以免费使用，但要对服务收费。付费用户可以建立自己的话题页面，获得技术支持，使用更高级的分析和可视化工具，要求系统根据分析结果自动生成幻灯片和分析报告。以提供服务的方式盈利，可以看作是间接地提供有限的数据使用权。这两种方式都不是按使用数据的套数或次数收费，而是根据功能收费。它们的局限是，为了吸引用户付费使用高端功能，数据平台必须拥有丰富的数据，要么是能以低成本收集数据，要么是有大量数据拥有者愿意分享数据。

（2）按长期、短期合同分类。有时，卖方只要一次性交付数据即可；有时，卖方需要在很长一段时间内不断为买方更新数据。长期合同可能在两方面提高履约成本：首先，如果在履约过程中买方需要调整所需数据的类型、精度等，就要与卖方协商，甚至需要重订合同，而卖方有拒绝的可能。其次，卖方可能以降低数据质量来要挟买方出更多的钱，这可能是因为买方的资产专用性较高，给了卖方“敲竹杠”的机会，也可能是因为收集数据的成本增加了。同时，买方也可能以减少购买量来要挟卖方降价，这要么是因为卖方在收集数据方面资产专用性较高，要么是因为买方认为卖方应该采取成本更低的收集方法。

（3）按哪一方有业务需要分类。数据拥有者可以单纯把数据卖给有业务需要的一方，但数据拥有者也可能希望自己发展业务或推出产品，此时又分成三种情况。假设数据拥有者要与使用数据的算法设计者合作：第一，他可以向算法设计者收取固定金额的“租金”，而产品的收益在扣除了这笔钱之后全部归算法设计者；第二，卖方与买方商定一个比例，当买方开发的产品产生收益时，双方按比例分配收益，这是目前一些数据公司经常采用的方式；第三，数据拥有者付给算法设计者工资，同时享受扣除了工资成本之外的产品收益。这三种形式，哪一种形式最可能使收益最大化？不同资源对于产出变化的影响是不同的，“随着一方对产出价值的影响上升，如果该方承担更大部分的产出变化性，那么权利就将更好地界定。”[1]76如果这个产品的收益更多地取决于算法的优劣，而与数据关系不大的话——也就是说，数据的准确性、相关性对产品所需要的数据处理结果没有太大影响的话，那么第一种形式就是合理的。这是因为，算法设计者能获得除上交金额以外的全部收入，他越是努力，自己留下的收益就越多，因此更有动力工作，而数据拥有者也就省去了监督他努力工作的成本。相反，如果数据处理结果的好坏更多地取决于数据，而各种可用的算法差别并不大的话，第三种形式就是最好的，因为只要数据拥有者积极提高数据质量，就能获得更多剩余收益，此时算法设计者也无需督促数据拥有者完善数据了。第二种形式是第一和第三种形式的折中，能使双方都有积极做好工作的动力，减少了互相监督的成本。另外，如果数据拥有者不满足一次了断的交易，而是认为这套数据能长期不断带来收益，也可以采用第二种形式；与此同时，由于开始时要付的资金相对较少，买方也能够承受。

（4）按是否应要求收集数据分类。有时，卖方提供定制服务，在接到买方对数据内容和规格的要求后，才去收集数据。但有时，卖方会事先花一定成本采集数据，再拿出来销售。这后一种形式有两个不利因素，首先，有的数据是有时效性的，卖方必须花大量成本，在短时间内找到尽可能多的买方，只有这样才能盈利；而数据无法卖出的风险自然也会抬高其价格。其次，事先寻找数据还需要有既能洞察数据的潜在价值又了解市场的商务拓展人员，但这样的人才比较稀缺。有时仅仅是发现一套以前没被人们意识到其存在的数据，就已经算是有功劳了。

3 影响未来数据交易费用的几个因素

笔者认为未来以下几个方面的发展变化会在一定程度上降低数据交易成本。

（1）数据交易机制的完善。在新制度经济学中，机制变迁是促使交易费用降低的重要途径。从进化博弈论的角度看，促使数据交易机制发生改变的至少有三种因素：社会中的创意和实验，与具有不同文化的社会的交流，以及政府的政策性介入。[3]

第一是社会中的创意和实验，即交易主体根据数据特点和自身业务模式，打破现有的交易理念和习惯，创造性地引入新的交易方式并在应用这些方式中不断加以完善。机制创新的一个重要方面是如何更好地利用社会嵌入。所谓社会嵌入，是指“社会交换域‘嵌入’到其他域，使得某些在关联发生前不可能的策略组合成为可能”。[4]在数据交易中，与数据交易行为相关的其他方面包括，对以数据为基础而开展的具体业务的收益进行分配、交易双方在其他方面的合作、行业内的信誉和声望、技术和信息的共享，等等。与对方在其他领域形成利益关系或互动关系，对交易主体具有激励或约束作用，而数据交易机制创新的关键就是如何将这些不同领域进行合理有效搭配，使各种机制能够形成互补性，[5]从而相互作用，彼此协调。

第二是与具有不同文化的社会的交流。与数据交易市场更加成熟的国家的企业或科研机构开展的数据交易或合作，会促使相关国家企业的交易理念、习惯、流程等发生积极变化，进而有助于形成更优的交易机制。

第三是政府的政策性介入。政府介入的一个典型方式是为数据交易中介机构授予交易平台资质。交易平台的主要作用，其一是提供买卖信息，为卖方提供展示平台，让买方更方便地寻找、评价和比较不同数据；其二是发挥最基本的规范监督作用，落实相关法律法规，并督促交易双方履约。交易平台发展的一个可能方向是，国家可为符合条件的平台发放资质，增加其作为第三方的公信力，进而减少交易双方在信息、建立信任和履约方面付出的成本。然而，发放国家资质的做法也有一定局限性：如果给许多平台发放资质，相关部门再管理、监督这些平台也需要花费成本。如果只有少数平台得到资质，又会形成垄断。另外，发放资质还可能引起寻租，其一是交易平台为得到国家资质而寻租，其二是数据拥有者用各种手段与有资质的交易平台打交道，以便得到来自后者的更好评价。有鉴于此，必须允许有政府资质的平台和没有得到资质的平台共同健康发展。另外需要注意的是，除了资质问题外，交易平台的发展还体现在软硬件设施的整合上。平台要满足存储、使用数据的效率和安全性等方面的要求，因此，需要云计算等数据基础设施的配合。如果在市场中配置资源成本过高的话，平台组织者就会兼并或自己发展基础设施；另一方面，基础设施供应者也将积极向交易平台模式发展。不过，这种资源整合在降低市场交易成本的同时，也有形成垄断的可能。

（2）数据质量评价指标的完善和可操作性。为了评价一套数据的质量，可以先选定完整性、颗粒度、准确性、可用性、样本量等指标，为每个指标赋予权重，从而为这个数据打出总分。但是应注意的是，这样的指标体系并不是用来评估所有数据的：一套数据对不同的买方来说具有不同的价值和可用性；不同的研究目的对颗粒度、样本量的要求也不一样；有人要求某个字段的完整性很高，但有人则能容忍较多缺失值，……一系列原因使得一个通用的评价标准不可能存在。而且，目前也缺少具有较高科学性的评价。如果用客户打分法来评价，主观性过强，比如分析者因缺少合适的算法而未得出理想的结果，但他却可能认为这是数据质量不好造成的，因而打低分。也不可能用专家打分法，因为大数据的特点在于帮助人们发现隐秘关系，因此，即使是某个领域的专家也不可能完全了解数据的价值。如果是系统自动打分，则很难对可用性、准确性等指标打分，而只能根据设定好的程序对完整性、逻辑关系等最基本的方面打分。因此，评价指标的真正作用，在于允许需求者列出要比较的几套数据，然后根据自己选定的标准打分，分数只具有相对意义，不具有绝对意义。评价的大致过程举例如下：用户首先选出要比较的数据及关注的字段，并为每个字段选定评价所用的指标，为指标赋予权重；然后对每个字段设定标准，如理想值（或平均水平）、可接受值和相对最小值等；对于收集方法的科学性、及时性等指标，用户要为每套数据赋予一个主观分值。这样，用户就可以根据总分对多套数据进行评价了。

（3）充分的市场竞争。在很多情况下，买方需要用数据来满足复杂特殊的研发需要，对数据的规格要求较严格，数据采集和清洗难度较大。此时，买方通常需要在与卖方充分协商后才能完成交易。可以预测，大数据所涉及的领域越多，对这种数据的需要也会越多。此时买方之所以不会去利用数据平台，一是因为这些数据在交易平台无法找到；二是因为买方不愿意轻意透露自己需要哪些数据，以免他人借此信息研判其使用意图；三是因为这种交易必定需要较长的了解、沟通和谈判过程，而交易平台帮不上什么忙。也就是说，这类交易必然会有较高的交易费用。现在，不断有新的组织进入到数据产业中。在这种情况下，激烈的市场竞争能确保数据提供者改变自身运营机制，简化程序，提高传达信息和收集信息的有效性，进而降低交易成本。

（4）与外国企业进行交易。一方面，外国企业开发或推广适应中国市场的产品，必然需要相关数据。另一方面，中国与其他国家或地区的服务贸易机制正在逐步完善，这给了企业“走出去”提供数据或与数据相关的服务的良好机会。这两个方面的发展能够产生规模效应，从而降低单笔数据交易的交易成本。这里特别要强调的是与东盟国家的合作：首先，双方在服务贸易方面的政策为数据拥有者、数据交易中介在东盟地区开展数据交易业务提供了便利；其次，数据提供者可以在东盟地区开展基于数据的电子商务、咨询、研发等高端业务，使手中的数据发挥更大价值；再次，与东盟一些国家相比，中国的数据产业在机制建设、商业模式和技术方面具有优势。

（5）公共部门数据意识的增强。这主要是指相互联系的三个方面：一是公共部门更加重视采集、整理本部门自有数据；二是公共部门加强统计能力，完善统计部门建设和相关法律法规，改进统计技术和方法，增加统计数据的准确性和及时性；三是公共部门应增加透明性，扩大应公开数据的范围，落实数据公开方面的各项规定。这样不但能使数据需求者减少购买数据的成本，而且可以减少交易本身的成本；更重要的是，能避免一些公共部门利用关键数据设租。

［1］ Y.巴泽尔.产权的经济分析[M].费方域，段毅才，译.上海：上海人民出版社，2008.

［2］ 奥利弗·威廉姆森.经济组织的逻辑[C]//陈郁.企业制度与市场组织.上海：三联书店上海分店，1996：64-109.

［3］ 青木昌彦，奥野正宽.经济体制的比较制度分析[M].魏加宁，译.北京：中国发展出版社，2005：272.

［4］ 青木昌彦.比较制度分析[M].周黎安，译.上海：上海远东出版社，2001：212.

［5］ 卢现祥.新制度经济学[M].武汉：武汉大学出版社，2004：280.