欧阳日辉 龚伟

摘   要：数据产品是数据资源商品化后的标准产品或服务，是数据价值化、资产化的载体，也是数据要素市场的主要交易标的。数据产品定价是数据要素交易的基础。数据要素定价机制是一系列制度安排，数据要素价值和市场评价贡献是其核心因素。数据要素定价机制沿着“价值形成—价格发现—竞价成交”的路径演进，包括数据要素价值的形成机制、发现机制和竞价机制。数据要素的价值在交易场景和非交易场景下形成，基于场景的交易是数据要素价值变现的主要途径。场景、供求关系、定价方法和定价估值体系，是数据产品价格的主要量化和发现渠道。数据要素市场竞价机制发挥作用，主要依靠多层次交易市场、合理的竞价模式和有效的交易监管体系。建立健全数据要素定价机制，应加快数据交易的技术、产品和管理的“标准基建”，构建科学的数据资产估值指标体系，培育和建设多层次数据交易市场，建立健全政府对数据要素价格的监督和调控机制。

关键词：数据要素价值;市场评价贡献;定价机制;价格发现机制;竞价机制

中图分类号：F49   文献标识码：A   文章编号：1003-7543（2022）03-0039-16

数据是数字经济时代的关键生产要素。2020年4月，中共中央、国务院发布的《关于构建更加完善的要素市场化配置体制机制的意见》提出，完善主要由市场决定要素价格机制，健全生产要素由市场评价贡献、按贡献决定报酬的机制，丰富数据产品，充分体现数据要素的价值。2021年9月1日起施行的《中华人民共和国数据安全法》第十九条明确规定：“国家建立健全数据交易管理制度，规范数据交易行为，培育数据交易市场。”2021年11月，工业和信息化部发布的《“十四五”大数据产业发展规划》提出，加快建立数据要素价值体系，健全数据要素市场规则，提升数据要素配置作用，加快培育数据要素市场。数据要素定价机制是数据交易管理制度的重要内容，是培育数据交易市场的重点之一。建立健全数据要素定价机制是建设数据交易市场的重要课题，对提升数据资源价值、提高资源配置效率、完善要素市场分配理论具有重要意义。

一、数据要素定价机制的理论分析框架

数据产品是一种产权可界定、可交易的商品，是数据要素市场的主要交易对象和标的。中央提出的“由市场评价贡献、按贡献决定报酬的机制”，有助于发现数据要素的价值，为建立健全数据要素定价机制指明了方向。

（一）从数据到数据要素、数据产品

《中华人民共和国数据安全法》将数据界定为“任何以电子或者其他方式对信息的记录”。以二进制代码形式存储于计算机设备等介质中的信息，是数字经济时代“数据”的主要存在形式，具有物理属性、存在属性和信息属性。原始数据的价值密度低，且可能存在侵犯隐私权的风险，因而通常不能用于交易。“比特数据”成为生产要素，需满足两个条件：一是具备基础性生产资料的市场特性，能够商品化，有价格形成机制和交易规则，方便进行大规模交易;二是具备潜在价值，能在参与社会生产经营活动中创造价值，如提高生产效率、辅助决策。数据成为数字经济的关键生产要素，在资源优化和价值创造中发挥着关键作用。

有学者指出，数据要素的新特征包括非稀缺性、非均质性、非排他性、虚拟性、规模报酬递增、强正外部性、隐私负外部性等[1]。从交易和定价的视角考虑数据，与不作为生产要素的数据和传统生产要素相比，最显著的特征是虚拟性、准公共产品属性和异质性。“虚拟性”是“比特数据”与传统“数据”的核心区别[2]。网络空间中的虚拟形态意味着数据极易被复制与共享，准公共产品属性、规模效应和外部性显著。“异质性”是数据要素与传统生产要素的关键区别，突出体现为价值异质性。一方面，相同体量的数据价值异质，如有用信息和垃圾信息;另一方面，同一份数据对于不同的使用主体和业务应用场景的价值是不同的，比如，历史浏览和消费记录对用户来说价值不大，但对电商平台企业来说，则可以显著提高供需匹配效率，优化企业资源配置效率，提升服务质量。

企业或者第三方机构通过数据采集、整合、加工、分析后形成的数据产品，蕴含着丰富的经济效益和社会价值，是数据要素市场的主要交易对象。数据集、可视化的数据报告、应用程序接口服务、数据索引等数据产品，经过数字劳动完成数据商品化，蕴含丰富的应用价值和交换价值。这里认为，数据产品是数据资源化、商品化、价值化、资产化后的劳动产品。数据要素市场上交易的数据产品，可分为两大类：初级数据产品和高级数据产品。典型的初级数据产品包括数据API（应用程序接口）、数据云服务、技术支撑、离线数据包等;高级数据产品包括可视化的数据分析报告等解决方案、针对特定业务场景的数据应用系统与软件、与云融合的各类大数据技术产品等。

（二）数据要素价值与市场评价贡献

数据要素本身不能单独创造价值，而是一剂良性催化剂。一方面，数据要素与资本、土地、技术等传统生产要素深度融合，借助算力、算法、模型等技术手段，将现实世界与数字空间连接，使虚体与实体实现有机结合[3]，实现单一要素价值倍增效应，推动传统生产要素革命性聚变与裂变，优化资源配置，提高产品、商业模式的创新能力，以及个体及组织的创新活力，推进供求动态匹配，用更少的要素投入创造更高的价值[4]。另一方面，数据要素具有商品属性，数据产品是数据业务模式的拓展，可以通过市场评价和市场交换进行有效配置，实现“潜在价值—價值创造—价值实现”的价值形态演进[5]。交易后的数据产品进入经济运行中，推进经济生产方式和模式变革，推动质量变革、效率变革和动力变革，使数据要素价值转变为社会价值。

非劳动要素是否创造价值，曾经在我国理论界被广泛讨论。蔡继明等认为，各种生产要素都参与了价值创造，非劳动要素同样参与价值创造，“要素贡献”是指生产要素在价值创造中所作的贡献大小[6]。这里认为，商品化之后的数据要素，包含了数字劳动，通过市场化配置，与其他生产要素融合在经济活动中产生了价值。数据要素“市场评价贡献”的内涵是，数据要素在市场评价和市场交易中测算贡献、形成价格，由市场评价的数据要素参与生产经营活动产生的价值增值，外在表现为数据产品的“社会需要程度”和市场稀缺度。

“市场评价贡献”可以直接或间接量化数据产品价值。一方面，数据产品对产出的贡献能够剥离与计量[7]，主要方法包括两种：一是数理经济模型的规范分析，如边际分析法。针对具体的业务应用场景，在保证其他要素投入不变的情况下，测算单独改变数据要素投入量所带来的价值增值。二是计量经济模型的实证分析，如基于生产效率的测算方法。数据要素的贡献为企业投入数据要素后生产效率提升引致的价值增值或收益增量。比如，Müller et al. 基于814家美国企业的相关数据，测算得到企业通过应用大数据，平均生产率提高了4.1%[8]，这就是该应用场景下的数据要素贡献。但是，数据要素的度量指标选取是一个难题，市场客观评价与人为主观估算数据要素贡献之间的矛盾、生产要素间的“多重共线性”，都增加了剥离和计算数据要素贡献的难度[9]。另一方面，数据产品在特定应用场景和交易场景中呈现高度的排他性和稀缺性，能以出售数据使用权或所有权的方式获得经济收益[10]，从而通过市场评价来量化数据产品基于场景的市场价值。

综上，数据产品是数据要素与劳动相结合的形态演进[5]，可以沉淀为企业内部的数据资产，通过市场评价来量化价值贡献。在数据要素市场中，依托市场规则、市场交易和交易竞价来评价贡献，数据产品的价值转化为价格。同时，数据产品的供求关系反映其“市场评价贡献”，进而影响和调节数据产品价格。

（三）数据要素定价机制的理论框架

国内外数据要素市场均在实践中探索定价机制，但对于数据要素定价机制并没有给出明确的定义，大部分文献将数据要素定价机制等同于定价模型。这里认为，数据要素定价机制不仅仅是定价方法、模型和策略，而是与场景、交易制度、数字技术密切相關的一系列制度安排。首先，数据要素价值高度依赖于应用场景，数据产品定价与交易场景、交易模式密切相关，均衡价格需要在具体的交易场景中实现。其次，制度设计是数据要素定价机制的关键，交易模式、交易契约和交易规则等制度设计，能够降低交易成本，促进买卖双方激励相容。创造更多的交易场景，吸引更多的市场主体进入市场，促进数据要素流通和交易，是制度设计至关重要的工作。最后，人工智能、区块链等数字技术是数据要素市场的核心基础设施，影响着数据要素的交易制度和估值定价方法。数据要素定价机制是以数据要素价值和市场评价贡献为核心，基于场景对数据要素进行估值定价的制度安排。

一般而言，市场价格机制包括“市场决定价格”的价格形成机制和“市场在资源配置中起决定性作用”的价格作用机制[11]。基于价值和市场评价贡献的数据要素定价机制，是“价值形成—价格发现—竞价成交”的过程。在数据要素价值形成的基础上，数据产品依托基于场景的定价激励机制，在市场竞价中形成均衡价格。区别于期货市场以竞价方式发现价格，数据要素的“价格发现”更侧重于评估与调节，既能通过估值模型和定价方法，量化数据要素价值，发现数据产品价格，也能基于场景和“市场评价贡献”，反映和影响供求关系。“价格发现”搭建起数据要素内在价值外化为数据产品价格的桥梁，促进数据要素的有效配置。

综上，数据要素定价机制是数据要素价值沿着“价值形成—价格发现—竞价成交”的演进路径，外化为数据产品价格的过程。基于价值和市场评价贡献的数据要素定价机制包括三部分：价值形成机制、价格发现机制和竞价机制。其中，价值形成机制是理论基础，价格发现机制是量化价值、发现和调节价格的方法与模型，竞价机制是形成均衡价格的激励机制（见图1，下页）。

二、数据要素价值的形成机制

数据经过加工将资源价值转移到数据产品，数据产品是数据资源价值化的主要载体。数据要素价值的形成机制主要包括两部分：数据价值主要取决于其包含的数据质量和数据量，原始数据依托数据价值链，完成从数据资源要素化到数据商品化的价值增值过程;数据要素的价值体现在使用者手里，数据产品不能直接创造经济和社会价值，而是基于应用场景通过优化资源配置、影响经营决策、倍增要素价值等方式间接创造价值，实现从数据商品化到数据资产化的价值变现。企业自有的数据要素和购买的数据产品是企业的数据资产（见图2）。

（一）数据商品化实现数据资源增值

数据资源的价值增值是数据要素价值形成过程中的基础环节，是数据资源通过数据价值链形成蕴含价值和独特使用价值的数据产品的过程。数据价值链是企业全生命周期中数据资源相互关联来直接或间接创造价值的一系列流程[12]，包含数据采集、数据处理、数据分析、数据应用和数据循环五个环节，共同构成数据价值从增值到变现的完整闭环。数据生产是一种劳动，数据产品是一种劳动成果，数据商品化过程是劳动和数据相结合的过程，它不仅可以降低数据利用的门槛，而且能通过市场机制激励数据创造价值。数据产品的价值是凝结在商品中的无差别的人类劳动。合法渠道采集的原始数据经过脱敏化、标准化处理后形成初级数据产品，初级数据产品经过人工智能技术和算法模型深度分析后形成高级数据产品。初级数据产品和高级数据产品在具体业务应用场景和交易场景中创造价值与实现价值，是数据资源的“惊险一跃”。

（二）数据资产化实现数据产品价值

数据从资源化到商品化，再到资产化，是数据产品的价值实现过程。数据产品在使用和流动过程中创造价值，并为企业和社会带来预期经济和社会收益，实现了数据产品价值。数据产品本身不能独立地创造价值，数据商品化之后，在生产、分配、流通和消费环节，与算法、算力、劳动、资本、土地结合，通过替代、渗透和协同机制赋能创造价值[13]。在生产环节，数据产品可以替代和深度赋能传统生产要素，以挖掘有效信息、协同企业创新和改善产品质量等方式提升企业生产效率，低成本、高质量地实现要素价值倍增[14]。在分配环节，数据链联结创新链、激活资金链、培育人才链，有效突破地域、产业和企业的边界限制，促进产业链不同环节、不同企业间的数据融合、业务融合和价值融合，推动社会资源配置从局部最优向全局最优演进[15]。在流通环节，数据交易平台打通数据产品供给、存储、权益分配、交易结算和交割的链接通道，拓展物与物、物与人、人与人联结的广度与深度，建立新型信任机制，促进数据要素供需双方精准高效匹配。在消费环节，企业利用数据产品，基于算法模型和大数据分析技术，精准洞悉用户需求，利用“用户画像”实施精准营销，创新生产模式和商业模式，实现从规模经济向范围经济转型。此外，企业积淀了大量业务数据，其虽然不能直接用于交易，但作为生产要素不仅能在企业经营中发挥价值，而且可以在企业之间的数据交换共享、兼并收购或战略合作中体现价值，是企业的重要资产。

（三）数据产品价值变现必须结合场景

数据产品价值在应用和交易中变现，需要基于场景。数据产品的价值取决于经济主体的业务需求，而业务需求与应用场景密切相关。不同应用场景下影响价值的因素不完全相同，数据产品价值也会不同。商业价值创造与场景相互依赖、相互促进，价值实现方式也与应用场景密切相关[16]。因此，数据要素创造价值和数据产品价值实现都必须依托场景。在数据要素价值形成的过程中，场景是指在价值创造和价值实现过程中涉及的、涵盖行为情境、空间环境和情感情境的一系列元素集合，可分为业务应用场景和交易场景。数据产品在业务应用场景中形成独特使用价值和价值，在（非）交易场景中实现（潜在）价值。

数据成为生产要素是一个渐进的过程，数据产品价值是在生产和交易中不断融合培育出来的。数据产品价值基于场景的多元变现路径包括三部分：一是数据产品在业务应用场景中融合业务应用实现价值变现。数据要素异质性明显，其价值高度依赖于应用场景，脱离具体业务应用场景来谈数据产品价值毫无意义。二是数据产品在交易场景中变现价值。交易是进行价格确定和价值核算的关键环节，数据产品在特定场景和时间节点上呈现极高的稀缺性和排他性，且价值差异明显，这是作为商品参与市场交易的数据产品核心特征。三是非交易场景下的价值变现。公共数据开放、并购、申请破产、收购、诉讼等非交易场景下的数据，虽然没有在市场中交易，但蕴含着丰富的潜在价值。

（四）非交易场景下的数据要素估值定价

除市场交易外，非交易场景下的数据也能实现潜在价值变现。部分无法或没有进行市场交易的数据也具有价值，比如，作为战略资产的存量价值、预期的未来价值等[17]。非交易场景下的数据可视为一种广义上的资产，其定价本质上属于潜在价值评估。比如，在并购、申请破产、收购等过程中，存量数据会产生预期收益，可以通过实物期权法评估其未来价值。诉讼场景下的数据可以参考成本法、市场法、收益法等无形资产的估值定价方法来评估其价值。数据共享通常发生在行业或产业生态圈内部，共享对象是数据的限制性使用权。该场景下数据的价值较难评估，可以尝试用所有共享主体应用数据引致的价值增值总和来衡量。

公共开放数据具有外部性、普惠性和独特性，常规的数据资产估值方法并不完全适用，其估值在全球范围仍停留在理论探讨层面。2021年7月，上海数据交易中心和普华永道会计师事务所探索性提出“数据势能”的概念，并建立了公共开放数据估值逻辑[18]。具体公式为：公共开放数据价值=公共数据开发价值（准确性、完整性、及时性、时效性、唯一性）×潜在社会价值（公共开放数据实际累计下载量）×潜在经济价值（应用场景的数目、涉及的行业）。“数据势能”模型测算出我国18个省份的公共开放数据资产潜在价值超过1 000亿元，潜在社会价值占总价值的65%，潛在经济价值占35%。北京市、上海市、广东省、浙江省、四川省、山东省的公共开放数据实际下载量和应用场景多样性均领先于其他省市。当前，基础设施、民生、金融、医疗、教育领域的公共开放数据最具潜力，完善公共数据估值有利于促进开放。

三、数据要素价格的发现机制

不同于期货市场通过公开竞价发现价格，数据要素的价格发现首先是基于场景和“市场评价贡献”对数据产品供求关系的反映，引导和调节数据产品价格。数据要素价格发现机制可以分解为四部分：一是基于场景的数据产品定价，探讨业务应用场景和交易场景对数据产品价格发现的影响;二是基于市场供求关系的价格发现机制，探讨成本、市场结构和数字技术对数据产品价格发现的影响;三是主流的数据产品定价方法和策略，发现数据产品价格;四是建立标准化的数据要素价值评估指标体系，量化数据要素价值。（见图3，下页）。

（一）基于场景的数据产品定价

各行业不同应用场景下的数据产品属性、功能、价值存在差异，与之匹配的度量方法也会有所差异，进而影响数据产品量化定价。场景与交易机制相匹配、相关联，对数据产品定价影响显著。与数据产品价值变现相对应，数据产品基于场景定价的实现路径包括两部分：一是业务应用场景下的数据产品定价，即“场景化”定价;二是交易场景下的数据产品定价，即交易机制设计。

数据要素市场交易的数据产品，因企业业务类型、使用能力和应用场景的差异，会在数据业务化中产生不同的价值。第一，数据产品类型决定应用场景，进而形成相适应的估值定价方法。比如，证券公司发布的行业研究报告一般采取订阅定价或固定定价;贵阳大数据交易所提供的定制化数据服务，部分采用基于查询的定价模型。第二，基于具体业务应用场景，卖家可以根据买家需求、购买能力和风险偏好，制定“个性化”数据产品定价策略，形成有效的版本划分、群体区分与买家自选择机制。典型的价格歧视定价策略，如基于产品版本划分的二级价格歧视定价，以及基于买方群体差异化的三级价格歧视定价。第三，具体交易场景下的数据产品定价主要取决于产品类型、市场结构、卖方策略和信息对称情况等，本质上是一种根据买家异质性和产品差异化的定价方法，如算法模型、博弈论模型、招标式拍卖、联邦学习定价、模糊综合评价法等。比如，银行业根据业务价值的关联程度，将算法模型类资产分为直接收益模型和全领域通用模型两大类型。

数据产品广泛应用于零售、金融、制造业、物流业、农业种植等行业，深度渗透到企业的精准营销、智能制造、风险规避和广告推送等应用场景。比如，金融行业运用数据产品进行用户画像、根据风险指数的曲线（即风控模型）构建信用等级、发展数字信贷、防范金融诈骗等。制造业利用工业大数据进行产品故障诊断、改进生产工艺流程等。零售业运用可视化的数据产品实现供需匹配、消费预测和广告投放等。业务应用场景作为重要元素被嵌入数据产品定价策略。根据数据产品功能、性能、时效上的差异，买卖双方或专业的数据价值评估机构设定不同的度量方法和定价模型。比如，Yang等研究了隐私数据的度量方法，并提出基于用户隐私态度的补偿机制[19]，有助于进一步构建基于隐私度量的定价模型。再比如，根据不同场景下的数据度量维度，探索离散型、连续型和组合型的测度方法，构建离散、连续、乘积测度空间上的数据产品定价模型。

根据数据产品加工的精细程度，数据交易分为直接交易和间接交易。直接交易模式是指卖家直接提供经初步加工后形成的初级数据产品。直接交易的数据产品可辨认、价值可预期，如脱敏处理后的数据集等，可以采用捆绑销售、订阅租赁以及各种拍卖方式定价[20]。在数据匿名化和标准化的基础上，卖方对数据产品按“盒”或“条”等方法估值，然后计件定价。间接交易模式的交易对象为高级数据产品和部分初级数据产品。数据交易中心和数据类企业通常采取间接交易模式，把高级数据产品交易作为核心业务之一，其中数据类企业往往以出售自有数据或数据结果为主。比如，数字平台企业向商业银行出售数据应用系统与软件，在消费金融、场景营销等领域开展合作。间接交易模式可以较好地实现数据产品与应用场景结合。交易平台根据特定业务以API接口形式交易并按调用量收费，买卖双方也可以通过数据交易中心对接后按照应用场景中所需的数据产品进行估价和交易。直接和间接交易的数据产品都可以采取基于版本划分和群体区分的价格歧视定价方法，如两部定价法（固定费用和从量使用费用相结合）、拍卖定价法等。

（二）由市场供求关系决定的数据产品价格

标准化的数据产品可作为商品进行流通交易，除自身价值外，成本和市场结构也是影响价格发现的重要因素。其中，成本通常作为数据产品定价的下限[21];市场结构主要由供求关系决定，与交易模式密切相关，对价格发现产生影响;同时，数字技术的运用不仅能影响市场结构，而且能降低数据产品价格发现的成本。

基于客户感知价值的定价模型是一种可行的价格发现方法。数据产品消费是一个因人而异的主观体验过程，需求者在比较购买数据产品带来的综合效用和付出的所有成本后，形成对该数据产品的主观价值评价。需求者的意愿支付价格是数据产品市场价值、特殊使用价值和服务价值的“客户感知价值”的综合体现，具体包括数据产品的市场价格、需求方的偏好程度和满意度、供给方或中介平台的服务水平等。比如，熊励、刘明明、许肇然基于“客户感知价值”的五个维度（价格价值、功能价值、竞争价值、情感价值和社会价值），提出了数据交易平台与供应方协同议价、需求方与供给方博弈定价的数据产品定价机制[22]。与此同时，随着消费模式的个性化、定制化和多元化，以及生产方式的柔性化、数智化和敏捷化，客户感知价值在卖家定价策略中的权重越来越大。

双边和多边市场结构会影响数据产品的价格发现。数据交易中介是双边或多边市场结构中的核心和供需匹配“桥梁”，如数据经纪人、数据交易所。数据交易中介基于交叉的网络外部性和非中性的价格结构，促进数据买卖双方精准高效匹配，以及数据买家、数据提供商、数据交易中介之间的相互合作与竞争博弈，最终形成合理的数据产品价格发现方法。若市场结构不同，交易模式和价格发现方法也会不同。基于具体的市场结构，数据买卖双方（多方）可以采取通过数据交易中介进行集中间接交易，或者直接以“点对点”交易模式发现、调节数据产品价格。比如，对于交易频次高、交易人数多的双边或多边市场，数据交易平台充分发挥市场决定价格作用，采取买卖双方自由定价、协议定价等价格发现方法;对于“N对N”的多边市场，博弈竞价和拍卖则是较好的价格发现方法。“点对点”交易模式效率低，适用于非标准化、成交量小且分散的数据产品交易;集中交易模式则适用于标准化程度高的数据产品[23]。

数字技术深度赋能数据产品价格发现。价格发现是市场机制的基本功能，但目前常规的数据产品价格发现手段成本高、准确度和精准度低。人工智能和区块链等数字技术为更优的价格发现方法提供了底层技术支撑。人工智能技术是驱动数据在计算机软件中流动、运算和价值形成的内在动力，有助于开拓应用场景、优化定价模型，运用智能合约发现价格。区块链技术为建立买卖双方间的信任机制和“链上交易”机制提供底层技术支撑，基于联盟链的新型大数据交易模式平台可以分别实现数据使用权的交易定价和数据所有权的交易定价[24]。

（三）数据产品的主流定价方法和策略

数据产品作为企业特殊的资产，既具有无形资产的部分特征，又呈现独特的资产属性。数据资产目前尚未体现在企业的财务报表上，部分企业已经确认的数据资产只能以专利形式纳入无形资产条目中。实践中，数据产品的定价方法大致可以分为三大类。

1.基于会计视角的定价

学者们参考无形资产的估值定价思路，提出了成本法、收益法、市场法等会计学的估值定价方法。成本法关注数据产品的历史成本和重置成本，相当于预估数据产品的保留价格，是一种相对简单的估值定价方法[22]。成本法容易造成数据产品成本与真实价值之间的弱对应关系。收益法强调数据产品预期收益或效用的现值，是无形资产价值评估的常用方法。但数据产品的预期收益、有效使用年限和收益贴现率通常难以选择与估算。市场法是“自上而下”的估值方法，主要参考可比数据产品的市场交易价格，适用于活跃数据市场中以交易为目的的数据产品，但可比的市场交易参考案例通常难以找到。

2.基于商品视角的定价

标准化的数据产品可以参考一般商品的估值定价方法。一是参照数字产品的定价方法。价值可预期、负外部性小、买方异质性高的数据产品，其定价方法与数字产品具有相通性，可采用捆绑定价、订阅定价、协议定价等[25]。二是可信第三方定价方法。比如，Azure、Datamarket、Factual、上海、貴阳等大数据交易所主要采用可信第三方定价、实时定价和协议定价。三是侧重于数据产品流通、交易过程的估值定价方法，如基于效用的定价、基于博弈论的讨价还价、基于生命周期理论的动态定价等。

3.基于数据资产特点的定价

数据产品是企业的特殊资产，其估值定价方法呈现独特性。一是数据资产估值定价模型的优化与修正。学者们建议引入层次分析法、灰色关联分析法、博弈论分析法、专家评价打分法、信息熵法等定量和定性方法[26-27]，来修正和细化数据资产价值的影响因素和权重大小;或者引入破产分配法、Shapley值法、实物期权法等来预估收益和分配利益[28]。二是数据资产估值定价方法的有机结合、融合创新。例如，利用综合成本法、收益法和市场法三种定价方法来构建数据资产定价模型。三是数据资产估值定价方法与数字技术的深度融合。充分发挥数字技术在数据资产估值定价中的重要作用，构建数据资产一、二级市场，将交易环节集中于二级市场的使用权出售，一级市场主要功能在于数据要素估值，二级市场形成供需平衡状态下的市场出清价格[29]。

（四）数据要素价值评估指标体系

构建标准化的数据要素价值评估指标体系，有助于消除数据应用价值的“不确定性”和“异质性”，推动交易主体达成“价值”共识。数据要素价值评估是对其使用价值和价值的静态度量，是数据产品价格发现和形成的基础。根据指标体系的适用对象，数据要素价值评估指标体系的构建大致有以下两种思路：

一是普适性的数据要素估值指标体系。学者们普遍认为，数据要素价值主要受自身质量、成本和应用场景的影响，并从质量、应用、成本、风险等维度构建数据要素估值体系。不同估值体系中各维度的衡量指标不完全相同。比如，张志刚等从数据成本和数据应用两个维度构建估值体系：成本维度包括建设费用和运维费用，应用维度包括资产类别、使用次数、使用对象和使用效果评价[30]。李永红等从数据量与数据质量、数据分析能力等维度构建估值体系，强调了人才技能、消费者需求对数据要素价值的影响[31]。上海德勤资产评估有限公司、阿里研究院从质量、应用和风险三个维度构建估值体系：质量維度包括完整性、真实性等，应用维度包括时效性、场景经济性等，风险维度包括法律限制和道德约束[32]。

二是针对特定领域和行业的数据要素估值体系。互联网、金融、通信等领域的数据体量大、应用场景多，这些领域的数据要素估值体系具有一定的指导和示范效应。比如，2021年8月，瞭望智库和光大银行以货币度量估值方式，探索性地构建了商业银行数据资产的估值体系。以算法模型类数据资产为例，基于业务应用场景的估值体系由直接收益模型和全领域通用模型两部分构成，直接收益模型又包括营销类、运营类和风险管理类。

四、数据产品的竞价机制

与股票市场和期货市场类似，数据要素市场应该建立竞价机制，但数据产品的竞价机制是基于不同场景的定价激励机制。在竞价交易机制中，数据产品的初始价格由集中撮合形成，随后的交易价格在交易主体竞价中形成。竞价机制最主要的功能是公平、公开、公正地确定数据产品的价格。高效的交易平台、合理的竞价模式和有效的竞价监管是保障竞价机制有效运行的主要因素。其中，交易平台是载体，竞价模式是手段，竞价监管是保障（见图4）。

（一）多层次的数据产品交易平台

数据产品定价必须在交易中完成，交易平台是激励相容的竞价机制的“中心枢纽”。在数据交易市场中，参与交易的买卖双方之间通常存在信息不对称和利益冲突。一方面，数据卖方不完全了解买方的需求、购买能力和风险偏好，但希望以尽可能高的价格出售数据产品;另一方面，数据买方也无法掌握被交易数据产品的质量、效用和真实价值，但倾向于以不超过其估值的价格购买数据产品。由于存在潜在的收益损失，买卖双方都不会主动披露自己真实价格信息的动机。交易平台在政策、数据、技术等方面具有优势，可以基于具体场景采取相应的激励措施和具有约束力的合作协议，如提高买卖双方合作时与贡献率相符的收益分成，鼓励买卖双方积极参与到数据交易中，并激励双方提供真实信息。同时，交易平台也可以通过建立有效的联结机制和信任机制，提供公正、透明、高效、安全的竞价场所，保障定价激励机制顺利实施。典型的激励相容的竞价模式包括博弈竞价和拍卖竞价。根据业务内容的不同，国外数据产品交易平台大致可分为两大类：第三方中介平台和综合数据服务平台[33]。第三方中介平台撮合交易，提供API、数据包等数据产品，对交易全流程进行监管，但自身不采集、处理、分析和存储数据。比如，BDEX、Azure、Data plaza等。综合数据服务平台不仅撮合买卖双方进行交易，更基于场景和用户需求，以数据经纪人的身份通过数据价值链形成综合解决方案，提供可视化数据分析报告和定制化数据服务等。比如，Factual、Infochimps等。

我国数据产品交易平台主要包括大数据交易所（中心）、行业大数据交易平台、大型互联网公司主导创办的数据交易平台、第三方数据服务提供商。大数据交易所（中心）是匹配数据供需双方和交易竞价的重要场所。据不完全统计，截至2021年8月，我国已设立21家数据交易所（中心）。这些平台大多采用会员制，主要服务方式为撮合数据交易和提供数据增值服务，主要采用捆绑定价、协议定价、实时定价、可信第三方定价、自由竞价等定价方法[34]。比如，贵阳大数据交易所主要采用可信第三方定价、实时定价和协议定价方式。上海数据交易中心根据历史数据、相关模型给出官方指导价格区间，并为供需双方提供线上竞价平台来形成价格。行业大数据交易平台是为特定行业领域提供数据撮合竞价服务的载体。比如，山东工业大数据交易平台，为山东省能源、化工、冶金、制造等特色工业产业的数据登记、流通、交易提供专业可靠的数据服务。由于具体行业领域可用于交易的高质量数据体量小，行业大数据交易平台的发展规模往往不大。大型互联网公司主导创办的数据交易平台，拥有海量的业务沉淀数据、先进的大数据平台搭建技术和数据处理、分析技术，不仅可以智能匹配供需和撮合交易，还能提供数据云服务、解决方案、应用程序接口服务等初级和高级数据产品。第三方数据服务提供商主要为数据服务类企业，强调数据产品的商业价值，倾向于聚焦特定领域和具体应用场景来提供数据服务和技术支撑的阶段性使用权。比如，数据堂收录了超过1.8亿家社会实体信息、90个维度实时数据信息，专注于人工智能数据服务。

（二）基于博弈论的数据产品竞价模式

博弈竞价是有效的激励相容的定价模式。当买卖双方之间存在信息不对称，且对数据产品估值不一致时，交易平台通过设计某种特定的博弈规则，让交易参与者进行协议定价，激励他们从所有可行的方案中作出最有利于自己的选择，达到纳什均衡，并形成最终的数据产品价格。较适合于数据产品定价的博弈类型包括Stackelberg博弈和讨价还价博弈。其中，Stackelberg博弈适用于寡头垄断的市场结构，通常发生在卖家之间或卖家、交易平台、买家之间;讨价还价博弈则适用于双边或多边市场结构，博弈主体为参与数据交易的买家和卖家。

博弈竞价模式可以推动数据产品价格形成。在Stackelberg竞价博弈中，作为领导者的核心卖家利用市场优势地位优先制定数据产品的定价策略，通常能获得更大的收益;作为追随者的普通卖家需要根据领导者的定价策略再来确定自己最优的定价策略，也能实现自身利益最大化。典型的如两阶段的Stackelberg博弈模型，中介机构掌握数据供需双方的信息，在第一阶段竞价博弈中，中介机构作为领导者，数据供给者作为追随者，共同为数据需求者提供数据定价信息。在第二阶段竞价博弈中，基于已有的数据定价策略，数据需求者作为追随者确定自身的购买策略。最后，中介机构完成数据产品的供需匹配和撮合定价。该竞价模式中数据需求者处于较为被动的地位，数据产品的交易效率低下，实际操作难度较大[35]。在讨价还价竞价博弈中，买卖双方就待交易的数据产品分别提供自身的最优定价策略，并进行反复协商议价，最终就成交价格达成一致意见。比如，基于数据交易平台的二阶段或三阶段讨价还价博弈模型（阶段数表示买卖双方讨价还价的最高次数）。买家与卖家讨价还价的目的是为了减少数据产品价值波动带来的潜在损失。该博弈竞价模式虽然让买方掌握了一部分定价权，增加了买卖双方沟通交流的机会，但买方的信息弱势地位可能导致数据产品价格与实际价值相差较大，且交易双方反复协商与试探通常耗时费力，会极大降低交易效率。

（三）基于拍卖的数据产品竞价模式

数据使用权的交易往往采用协商定价的方式进行，数据所有权的交易则往往采用拍卖的方式进行。相较于传统商品的拍卖机制，数据产品的拍卖竞价模式具有独特性。首先，数据产品通常能被多个买家同时使用，采用“限制性使用权多次拍卖、而非所有权的一次性交易转移”的拍卖模式，更能实现数据要素资源的有效配置。其次，数据产品的拍卖价值与信息独占性密切相关，拍卖收益不一定正相关于拍卖份数或次数。数据交易平台如何将不同的数据产品以不同的价格提供给不同的买家，是评判拍卖机制设计好坏的重要标准[36]。最后，部分数据交易平台具有卖家和中介的双重身份，统筹考虑买家和卖家的信息不对称问题，激励买卖双方都报告真实的私有信息，是数据产品拍卖机制设计的核心[37]。

拍卖竞价公开透明、交易效率高，是信息不对称情况下有效的数据产品定价方式。第三方拍卖商通常采用激励方式，鼓励买卖双方积极参与并通过相互竞價获得数据产品的限制性使用权或所有权，最终形成一致的结算价格。根据拍卖参与者的相对力量，拍卖竞价可分为单边拍卖和双边拍卖。在单边拍卖中，如第一价格密封拍卖、维克里（Vickrey）拍卖、VCG（Vickrey-Clarke-Groves）拍卖等，卖方通常具有资源优势，买方则是交易的被动接受者。该类拍卖机制虽然能实现激励相容，但也会产生“赢者诅咒”、交易不公平等问题，适用于卖家少、数据产品交易频次低的市场。双边拍卖的核心思想是买卖双方同时出价和报价后，基于“价格优先、时间优先、数量优先”的原则高效批量地自动形成价格。该模式容易泄漏拍卖者隐私和数据信息，适合于标准化程度高的数据产品，以及偏好多样化、利益关系复杂的双（多）边市场结构[38]。比如，基于智能算法的集中竞价模式，对所有数据产品的买卖申报进行集中撮合和智能排序，并自动生成相应的成交价格。计算机系统能够实时收集价格信息，动态监控价格波动，及时进行定价调整，提高市场价格信息的利用效率，缩短交易时间，是讨价还价博弈竞价模式的优化。同时，智能交易平台将不同应用场景下的数据产品以合适的价格出售给不同类型的买家，实现了智能匹配。

（四）公开公平公正的数据产品竞价环境

数据要素价值增值与实现取决于数据合规使用的机制安排，数据市场交易、数据产品定价与竞价监管密不可分。营造公开公平公正的数据产品竞价环境，需要明晰的数据权属、科学的数据资产管理和完善的数据产品交易监管体系，在兼顾各利益相关方权益的前提下，有序推进数据产品在交易中完善竞价机制。

明晰的数据权属是数据产品竞价必须优先解决的难题。根据新制度经济学理论，只要初始产权明晰，且交易成本为零或极低，最终的资源配置就是有效率的。数据要素具有虚拟性，数据产品的交易成本极低。界定数据权属是数据要素市场化配置以及数据产品交易、竞价、收益分配的前提。数据权属主要包括所有权、使用权、收益权和处置权，数据全生命周期涉及数据提供者、数据采集者、数据加工者和数据应用者等利益相关主体，这几类主体理应拥有按贡献参与收益分配的权利。目前，数据参与利益分配的路径仍在不断摸索中。比如，数据采集者和数据加工者是数据产品的关键生产者，他们可以通过工资、利润分红、技术入股等方式按照贡献获取收益。总之，数据交易和利用必须注重利益相关者的数据权益保护。

科学的数据资产管理体系是数据产品竞价的重要基础。数据资产管理强调依托数字平台和数字技术对数据要素化、商品化、资产化的全生命周期进行统筹管理，重点聚焦数据源管理、数据价值管理、数据风险管理等环节。首先，数仓构建和数据采集是数据要素价值形成的源头，有效的数据源业务系统管理可以显著提高原始数据质量。其次，数据要素内在价值管理是数据产品价值形成与实现的关键，基于场景的个性化、多层次的数据管理方案可以提升数据产品的业务价值、经济价值和市场价值。最后，风险管理是数据产品竞价有序的保障。区块链、人工智能、隐私计算等数字技术的应用，可以有效识别、监管、防范数据产品交易中的潜在风险，实现数据“可用不可见”“可算不可识”“可控可计量”。

健全的数据产品交易监管体系是公平竞价的制度保障。数据产品交易监管体系是基于包容审慎监管原则的“政府—平台—行业”多主体联合监管模式。一方面，对于数据产品交易的新技术新业态新模式，监管部门需要坚持包容审慎的监管原则;另一方面，要规范和培育数据市场交易主体，形成多方主体协同发力、共建共治共享的数据交易市场。基于“场景性公正”原则，数据交易平台中数据产品交易的管理者、中介商和主要参与者，肩负交易资格审核、交易行为监管和个人隐私保护等重要职责。市场运营体系提供数据产权界定、价格评估、资产评估、登记结算、流转交易、交易撮合、争议仲裁等服务。行业协会是自律公约和自律标准的主要制定者，通过强化自律管理来营造和维护合理有序、公平竞争的数据流通交易环境。政府部门是数据产品交易监管主体，负责制定数据交易管理制度，维护数据交易市场秩序。

五、结论与政策建议

本文基于数据要素价值和市场评价贡献两大核心影响因素，沿着“价值形成—价格发现—竞价成交”的演进路径，构建了形成机制—发现机制—竞价机制“三位一体”的数据要素定价机制。本文的学术贡献主要包括：一是界定了数据要素定价机制的概念，探讨了数据要素定价机制理论，构建了数据要素定价机制的分析框架。二是提出数据要素价值和市场评价贡献是数据产品定价的核心因素，分析了场景和“市场评价贡献”在价值形成、价格发现和竞价成交中的重要作用。三是分析了数据资源从商品化到资产化、从价值形成到价格发现的内在联系，界定了数据要素市场的主要交易对象，强调数据要素定价必须高度重视场景和数字技术的影响，为数据要素定价机制设计和数据要素市场构建提供理论支撑。

我国数据要素定价机制的研究和建设尚处于起步阶段，还存在法律法规和标准规范不健全、数据要素产权规则不清晰、交易机制不完善等问题。建立健全数据要素定价机制是推动数据产品交易、提升数据资源价值、提高数据要素配置效率、完善要素市场分配理论的重要课题，是要素市场化配置改革探索的重要任务。围绕建立健全数据要素定价机制，提出如下建议：

（一）加快数据交易的技术、产品和管理的“标准基建”

数据要素的交易和定价必须有通用标准，围绕数据要素定价规划和研制系列标准，是完善数据要素定价机制的首要工作。一是出台数据交易顶层设计，建立国家、地方、行业和团体标准四级体系，构建涵盖数字化基础设施、底层技术、数字平台、数据应用的互认互通、安全可靠的技术标准和制度规范体系。二是加快制定区块链、人工智能、隐私计算、物联网、车联网等数字技术在数据要素采集、交易和定价中的技术标准和安全规范，构建数据流通、交易和定价等环节的操作标准和规范，在金融、卫生健康、电力、物流等领域优先建立完善数据产品标准体系。三是优化数据交易所的数据格式、数据流转标准、统计标准、交割方式等，建立多层次市场主体准入机制、数据分级管理标准，建立数据交易市场产品和标准互认体系。四是加快构建公共数据共享、开放和管理的标准化体系。构建政府数据创建与汇交、选择与处理、描述与组织、关联与发布、发现与利用、管理与评估等开放共享标准体系框架，制定统一规范的公共数据分级分类标准、开放目录清单标准。

（二）构建科学的数据资产价值评估指标体系

数据资产价值评估是对数据应用价值、市场价值和社会价值的综合分析与评估，是数据要素价值量化和数据产品价格发现的重要参考，一些机构和学者提出了数据资产价值评价指标体系。比如，《电子商务数据资产评价指标体系》（GB/T 37550-2019）是我国数据资产领域的首个国家标准。建议相关部门制定统一的数据资产价值评价指标体系，为市场来指导数据定价奠定基础。一是在金融、电力、电信、农业等重点行业优先建立数据资产价值评价指标体系，积极推动重点行业的国有企业数据资产化。二是结合数据资产应用场景和范围，从特性、收益、成本、风险四个维度，建立互联网、社交媒体、APP等平台的数据资产评估体系。三是建立健全公共数据估值定价体系。探索“自上而下”和“自下而上”兼顾的评估路径，重点聚焦地理、气象、环境、教育、医疗、能源等领域，从经济效益、社会效益、环境效益、政治效益等多维度构建公共开放数据估值体系。

（三）培育和建设多层次的数据交易市场

数据交易市场是数据产品价值形成、流通交易、估值定价和安全保护的重要载体和基础设施，建立多层次的数据交易市场有助于完善数据要素定价机制。一是建立一级发行市场和二级交易市场。一级发行市场负责数据资产估值和数据交易监管;二级交易市场负责数据要素价格发现和数据产品交易定价。二是建议建设3—5家全国性的数据交易所和数据交易中心，尽快建立和完善全国核心数据要素市场。地方政府负责建设区域型数据交易平台，允许大型互联网公司、行业协会和垂直数据服务商建设行业数据交易市场。三是积极培育合规审查、估值定价、合约托管、争议仲裁等数据服务中介机构，鼓励和支持多元化数据交易主体参与探索数据要素定价机制，支持数据要素交易平台与金融机构、中介组织开展合作。四是鼓励和支持数据交易市场提升交易系统性能和体验，创新交易模式，拓展交易场景，探索多层次数据市场的运营模式和定价机制。

（四）建立健全政府对数据要素价格的监督和调控机制

建立数据要素价格的监督和调控机制，要在“市场决定价格”机制的前提下，对数据要素市场可能出现或已经存在的资源错配、价格严重偏离价值问题，进行有效监管和合理调控。完善数据要素价格管理和监督，应从如下方面着手：一是在互联网、金融、电力等数据量大、应用场景丰富的领域，优先探索建立场景化的数据要素价格常态化监测和评估机制，对质量、成本、风险等影响数据要素价格的主要指标进行全方位、多维度的动态监管与评估;二是加强对数据交易中介和数据服务商歧视定价、不正当竞争行为的监管与整治，避免数据要素价格严重扭曲;三是开展数据要素市场交易大数据分析，将典型场景下以集合竞价方式形成的价格作为数据产品的参考价格，建立价格异动和风险预警机制;四是建立健全数据要素交易信息披露制度，并进行定期更新。

参考文献

[1]田杰棠，刘露瑶.交易模式、权利界定与数据要素市场培育[J].改革，2020（7）：17-26.

[2]JONES C I， TONETTI C. Nonrivalry and the economics of data[J]. American Economic Review， 2020， 110（9）： 2819-2858.

[3]肖旭，戚聿東.数据要素的价值属性[J].经济与管理研究，2021（7）：66-75.

[4]李纪珍，等.数据要素领导干部读本[M].北京：国家行政管理出版社，2021.

[5]李海舰，赵丽.数据成为生产要素：特征、机制与价值形态演进[J].上海经济研究，2021（8）：48-59.

[6]蔡继明.论非劳动生产要素参与分配的价值基础[J].经济研究，2001（12）：27-32.

[7]任志军.论生产要素按贡献参与分配的机制[J].中南财经政法大学学报，2005（5）：71-74.

[8]MULLER O， FAY M， VOM BROCKE J. The effect of big data and analytics on firm performance： an econometric analysis considering industry characteristics[J]. Journal of Management Information Systems， 2018， 35（2）： 488-509.

[9]于立，王建林.生产要素理论新论——兼论数据要素的共性和特性[J].经济与管理研究，2020（4）：62-73.

[10]VARIAN H. Artificial intelligence， economics， and industrial organization[Z]. NBER Working Paper， 2018， No. 24839.

[11]刘儒，郭荔.新中国70年价格机制改革：演进逻辑、显著特征与基本经验[J].湘潭大学学报（哲学社会科学版），2020（3）：96-103.

[12]FAROUKHI A Z， ALAOUI I E， GAHI Y， et al. Big data monetization throughout big data value chain： a comprehensive review[J]. Journal of Big Data， 2020， 7（1）： 1-22.

[13]馬文君，蔡跃洲.新一代信息技术能否成为动力变革的重要支撑？——基于新兴产业分类与企业数据挖掘的实证分析[J].改革，2020（2）：40-56.

[14]徐翔，厉克奥博，田晓轩.数据生产要素研究进展[J].经济学动态，2021（4）：142-158.

[15]王建冬，童楠楠.数字经济背景下数据与其他生产要素的协同联动机制研究[J].电子政务，2020（3）：22-31.

[16]尹传儒，金涛，张鹏，等.数据资产价值评估与定价：研究综述和展望[J].大数据，2021（4）：14-27.

[17]SHORT J E， TODD S. What's your data worth？[J]. MIT Sloan Management Review， 2017， 58（3）： 17-19.

[18]普华永道.开放数据资产估值白皮书[R]. （2021-07-12）[2022-02-25].http：//www.cbdio.com/BigData/2021-07/12/content_6165914.htm.

[19]YANG J， XING C. Personal data market optimization pricing model based on privacy level[J]. Information， 2019，10（4）： 123.

[20]PEI J. A survey on data pricing： from economics to data science[Z]. ArXiv Working Papers， 2020， No.2009.04462.

[21]ADLER R， STRINGER C， YAP M. The valuation and pricing of information assets[J]. Pacific Accounting Review， 2016， 28（4）： 419-430.

[22]熊励，刘明明，许肇然.关于我国数据产品定价机制研究——基于客户感知价值理论的分析[J].价格理论与实践，2018（4）：147-150.

[23]邹传伟.数据要素市场的组织形式和估值框架[J].大数据，2021（4）：28-36.

[24]李源，高宁，孙晶，等.基于区块链的大数据交易模式研究与探索[J]. 大数据，2021（4）：37-48.

[25]熊巧琴，汤珂.数据要素的界权、交易和定价研究进展[J].经济学动态，2021（2）：143-158.

[26]LUO S Z， XING L N. Neutrosophic game pricing methods with risk aversion for pricing of data products[J]. Expert Systems. 2021， 38（5）： 12697.

[27]LI X J， YAO J G， LIU X， et al. A first look at information entropy-based data pricing[C]// Proceedings of the 2017 IEEE 37th International Conference on Distributed Computing Systems. Piscataway： IEEE Press， 2017：  2053-2060.

[28]JIA R X， DAO D， WANG B X， et al. Towards efficient data valuation based on the shapley value[Z]. ArXiv Working Papers， 2019，  No.1902.10275.

[29]陆岷峰，欧阳文杰.数据要素市场化与数据资产估值与定价的体制机制研究[J].新疆社会科学，2021（1）：43-53.

[30]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（20）：44-47.

[31]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.

[32]上海德勤资产评估有限公司，阿里研究院. 数据资产化之路——数据资产的估值与行业实践[R].（2019-10）[2022-02-25].https：//www2.deloitte.com/cn/zh/pages/finance/articles/data-asset-report.html.

[33]王卫，张梦君，王晶.国内外大数据交易平台调研分析[J].情报杂志，2019（2）：181-186.

[34]陈舟，郑强，吴智崧.我国数据交易平台建设的现实困境与破解之道[J].改革，2022（2）：76-87.

[35]XU C， ZHU K， YI C Y， et al. Data pricing for blockchain-based car sharing： a stackelberg game approach[C]//Proceedings of the 2020 IEEE Global Communications Conference. Piscataway： IEEE Press， 2020： 1-5.

[36]李三希，曹志刚，崔志伟，等.数字经济的博弈论基础性科学问题[J].中国科学基金，2021（5）：782-800.

[37]王雅娟，王先甲.一种激励相容的多单位在线双边拍卖机制[J].管理科学学报，2015（8）：1-11.

[38]CAI H， ZHU Y M， YU J D， et al. Double auction for a data trading market with preferences and conflicts of interest[J]. The Computer Journal， 2019 ，62 （10）： 1490-1504.

The Pricing Mechanism of Data Elements Based on Data Element Value and the Contribution of Market Assessment

OUYANG Ri-hui   GONG Wei

Abstract： Data products are not only the standard products or services after data commercialization， the carrier of data valuation and data assetization， but also the main object of transaction of the data element market. Data transaction is based on data product pricing. The pricing mechanism of data elements is a series of institutional arrangements， the core factors of which are data element value and the contribution of market assessment. The pricing mechanism of data elements follows the evolution path of "value formation - price discovery - price formation"， including three parts of the value formation mechanism of data elements， the price discovery mechanism of data elements， and the price bidding mechanism of data products. The value of data elements is formed in transaction scenarios and non-trading scenarios. And the main way to realize data elements is transaction based on the scenarios. The main channels for quantifying and discovering the price of data products are scenarios， the market supply-demand relationship， data product pricing methods and the data element valuation system. The muti-level market， reasonable pricebidding mode and effective transaction supervision system play a role in the pricebidding mechanism of the market. To establish and improve the pricing mechanism of data element， the government should formulate unified standards of technology， product and management for data transaction， build the scientific index system of data assets valuation， cultivate and build the multilayered data element market， and establish and improve the government's supervision and regulation mechanism on the price of data elements.

Key words： data element value; contribution of market assessment; pricing mechanism; price discovery mechanism; pricebidding mechanism

基金項目：教育部哲学社会科学研究重大课题攻关项目“互联网金融的风险防控与多元化监管模式研究”（15JZD022）;国家社会科学基金重大项目“互联网平台的社会影响与治理路径”（21&ZD196）;研究阐释党的十九届五中全会精神国家社科基金重大项目“数字经济与实体经济深度融合的机制与对策研究”（21ZDA032）;北京高校卓越青年科学家计划项目（BJJWZYJH01201910034034）。

作者简介：欧阳日辉，中央财经大学中国互联网经济研究院副院长、研究员;龚伟，中央财经大学经济学院研究生。