华东政法大学高富平：数据合规监管可“合并同类项”，统一合规体系将降低企业成本

去年12月，中共中央、国务院发布了《中共中央国务院关于构建数据基础体系更好发挥数据要素作用的意见》(以下简称《数据二十条》)，成为指导中国如何最大限度地发挥数据要素价值的战略指南。在实践中，如何实现数据资源持有权、加工使用权、产品经营权“三权分置”的运行机制，解决当前数据流通交易中的困难和障碍，仍然阻碍了数据要素价值的进一步释放。

7月13日，2023年全球数据合规年度论坛在上海举行。会上，多位关注数据要素领域的专家学者、律师代表和企业代表讨论了数据要素价值化、市场化和数据合规性等焦点话题。

会议期间，华东政法大学数据法律研究中心主任高富平发表了题为《数据要素市场治理范式下的数据产权与数据治理权之争》的演讲。高富平认为，数据持有权旨在实现数据控制利用与开放利用之间的平衡，创造数据可重用秩序，从而最大限度地实现数据要素的社会价值，促进数据要素化、产业化和资产化，形成数据驱动创新发展的社会运行机制。

会后，高富平接受了南方财经全媒体记者(以下简称“南方财经”)的采访，进一步阐述了他对如何通过区块链、隐私计算等技术应用推动数据元素市场建设的看法。

(受访者提供图片)

南方财经:根据你的观察，“数据二十条”发布以来，从监管到市场的数据开发、交易和应用探索有哪些维度？这些探索中有哪些经验和不足值得借鉴？

高富平:首先，“数据二十条”发布后，新一波数据交易所建设热潮在各地掀起，作为打造数据要素市场的引擎。然而，直到现在，大多数数据交易所还没有探索到一种模式来真正推动数据交易。

问题的关键是数据产品化和标准化没有做好。数据是在特定的场景中产生的。如果数据从一个领域到另一个领域，也就是一个领域交易，就要做好标准化，否则数据很难真正形成一个可交易流通的产品。目前，数据交易所的瓶颈在于不清楚什么样的数据可以标准化，缺乏“数据二十条”要求的优质可重用数据。

其次，数据要素市场生成后，公共数据开放也在各地实施。其中，最重要的问题是对“公共数据”的概念认识不清。

什么是“公共数据”？在当地实践中，宏观的“公共数据”概念通常被使用，即政府和公共企事业单位生产的所有数据都是公共数据。参照经济学中“公共产品”的概念，这些数据应该免费发布给社会使用。

但事实上，即使是公用事业生产的数据也不一定属于“公共数据”的范畴。即使最初的业务是公共的，其生产的数据也不一定是公共的。将数据作为生产要素，应符合经济规律，坚持“谁生产(创造价值)、准持有、谁使用、谁冒险”的原则。同时，数据持有人的数据是否应该根据数据使用的目的(是否为公益)或是否为公众所需来定位为公共数据。否则，由于主体或主体的业务具有公共性，将其生产的数据纳入公共数据(公共数据)。

再者，“数据二十条”发布后，大家还在做一件事，那就是登记数据产权，在数据交易中实现确认权利。然而，数据在不断流动中产生价值，其生命周期非常短暂。相反，产权是一种相对稳定的归属机制，所有纳入产权登记的产权往往具有稳定的价值和稳定的形式，因此产权登记模式不适用于数据资源。

知识产权登记也面临着同样的问题。知识产权保护的一个主要原则是，它只保护创新，不保护事实，而数据是一个事实。创新是发现数据与数据之间的关系。在将知识产权引入数据治理领域时，有必要明确这一原则。

在这方面，国外的数据治理经验值得借鉴。比如在“数据目录”模式下，所谓的“数据目录”会为每个数据集的结构设置一个唯一的ID，然后通过互联网技术链接数据目录，这样需求方可以直接在互联网上查询，与相应的数据持有人对接。

“数据目录”是一种注册形式，但不是产权注册。它实际上是一种方便资源查询的方式，旨在展示数据持有人的数据能力，提高供需对接效率。

南方财经:在目前的数据交易实践中，需求侧存在“一数难求”的情况。你有什么建议可以提高企业的入场热情，尤其是数据持有人参与数据交易？

高富平:数据最终是为R&D或市场需求服务的。只有明确描述需求，才能提供匹配，从而实现数据交易。换句话说，数据交易是由需求驱动的，需要通过需求找到供给，而不是盲目驱动数据上市。

在一些数据交易所建设初期，主要有几种类型的初始上市数据:一种是数据库，属于非常传统的数据服务；一种是企业信用；另一种是基于数据的模型，本质上是一种数据结构。

个人信用服务是大数据给社会带来的红利，但现在出现了人为阻碍数据应用的现象:“有许可证的主体缺乏数据，有数据的主体没有许可证”。未来要在风险控制的基础上，推进相关个人信用服务资质的开放，有利于市场的开放和活跃，提高交易热情。

南方财经:在数据使用层面，部分企业对法律法规了解不够，企业面临着“法律没有明确就不敢做”的现实困境。数据合规成本高。你认为相关问题应该如何解决？

高富平:目前，企业可以采用技术手段、管理手段和监控手段来防范风险。然而，当企业采取合规措施和安全措施，但仍不能完全规避风险时，监管部门应该对其宽容。

另外，合规成本高的另一个原因是我国的数据合规监管是分部门进行的，一些法律法规存在一些重复冗余的监管内容，增加了企业数据合规的成本负担。

这就需要实现法律规则的并轨。比如很多数据安全要求属于网络安全保障范畴，同类项目是否可以合并到网络安全登记保护中进行监管审查流程。如果各个领域的合规体系能够以统一的结构统一，企业可以“单一合规”，这将大大降低企业的合规成本。

南方财经:在人工智能大模型时代，对数据数量、质量、类型的需求进一步增加，尤其是跨领域的数据整合开发和应用需求日益迫切。然而，数据孤岛和数据壁垒仍然存在于不同的主体和平台之间。你有什么建议可以进一步打磨数据壁垒，提高数据流通效率？

高富平:数据的价值在于收集。大模型的出现是基于开发利用大规模聚集的多领域数据资源。人工智能大模型之所以能够生成，是基于数据自由、开放、流动的概念。数据是一种可以共享的公共社会资源，应该是人工智能时代的社会共识。

然而，数据开放和自由流动应该是有序的。例如，爬虫本身就是一种有效的数据收集手段。我们现在需要做的是消灭未经允许进入底层非法挖掘数据的爬虫。为了使数据有序流动，在创造数据价值的同时实现每个参与者的价值，从而分配权利，实现数据资源的开发和利用，实现多方合作。

2015年德国提出的数据空间可能是一种有效的数据协作模式。数据交换可以参照不同的规则和标准进行。不同的流动标准和交易成本取决于具体的应用场景，实现有序的数据流动。对应人工智能领域，一个数据空间可以看作是一个模型，模型和模型可以交换，数据可以按照共同的规则收集。未来，数据应该是生态和有组织的。