曹硕 廖倡 朱扬勇

“十四五”规划提出营造良好数字生态，激活数据要素潜能。数据资产具有权属不明确、难以分割的特性，其长期大额融资难的问题须重点解决。基于数据与知识产权的可类比性，借鉴知识产权金融现有模式，本文提出了“类知识产权”形态数据的概念，讨论其证券化的方法和实践路径，并提出了相关政策建议。

目前，全球处于从工业经济向数字经济转型的阶段，数据作为数字经济的核心要素，需要有效流通才能发挥其巨大的生产力。2021年3月13日发布的《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》（以下简称“十四五”规划）提出，“迎接数字时代，激活数据要素潜能”，“充分发挥海量数据和丰富应用场景优势，促进数字技术与实体经济深度融合，赋能传统产业转型升级，催生新产业新业态新模式，壮大经济发展新引擎”。其中，加快建立数据资源产权、交易流通等基础制度和标准规范，对于促进数据要素市场长远、健康和有序地发展有重要意义。当前，各级政府也正在鼓励和支持探索基于知识、技术、数据等生产要素的担保融资方式，发展相关要素交易的市场运营体系。

数据交易与通常的商品交易有着本质上的不同，数据所有权的转移并不是数据交易的重点，有些关键问题还有待解决。一是数据资产权属不明确，数据交易标的可复制性强，数据使用权难以多次转移或转授;二是数据资产难以分割，数据交易更多是数据使用权的一次授予行为，数据资产的长期大额融资存在困难。笔者在《数据要素的证券属性设计研究》中提到，目前尚未发展出能够推动数据深度加工与数据金融产品相适应的交易形式，现有的数据交易市场的数据成交率和成交额都偏低。数据要素市场建设应充分发挥金融工具对实体经济的支持作用，推动数据要素与资本融合发展，以更好地释放长期经济增长的动力。基于以上观点，本文进一步探索数据要素与金融工具的深度结合，利用金融工具天然的风险共担、收益共享等特征，为数据资产提供价格锚，提高数据流通交易效率。

背景与定义

数据的交易意味着数据（商品）各种权利的转移或授予。就可交易性而言，如图1所示，可供交易的数据要素权属主要有所有权、使用权、收益权等。当前主流的数据交易模式为协议转让、挂牌、应用竞赛等，但这些模式下的数据交易并不活跃，对同类型数据的参考价值不高，不利于进一步提高数据资源配置效率和数据要素价值。关于数据要素具体制度的建设，应该立足于数据性质界定和数据归属界定，追求数据资源应用价值的最大化。

数据归属、确权、交易与融资等问题，可借鉴知识产权的权属制度和金融模式进行分析。由于知识产权相关制度已经较为明晰，不同发展阶段的创新企业能够通过知识产权金融的方式进行融资，而且随着制度的逐渐完善，知识产权资产的流动性不断加强，为解决数据要素市场发展问题提供了有益参考。其中，知识产权证券化作为知识产权金融的典型模式，将缺乏流动性或可交易性的底层资产转化为证券，有利于降低长期融资的成本，提高实际可用资金的数额。截至2021年3月底，我国交易所市场共有21单、总融资额约200亿元的知识产权证券化产品获批。综合多个成功案例和相关实践经验，我们认为知识产权证券化的模式有利于为权属明确的资产解决长期大额融资的问题。

朱扬勇、叶雅珍在《从数据的属性看数据资产》中提出，数据资产兼有无形资产和有形资产、流动资产和长期资产的特征。考虑到这些特征，数据和知识产权事实上存在可类比性，其联系与区别有必要论述清楚。在法律权益界定上，数据权属和知识产权存在交叉，部分数据符合知识产权保护的范畴。知识产权是基于创作性智力成果依法产生的权利，也包括对生产经营活动中的标记依法享有的权利。如图2所示，按照经典的DIKW（Data，Information，Knowledge，Wisdom）理论，数据（Data）、信息（Information）、知识（Knowledge）和智慧（Wisdom）之间存在逐级递升的关系。数据被记录、存储后，经过算法加工、计算、聚合等手段，形成更“高阶”的数据，即信息、知识和智慧，其性质上属于智力成果，可作为知识产权客体。何敏在《知识产权客体新论》上提出，“知识产权的客体是指基于对知识产权的对象的控制、利用和支配行为而产生的利益关系或社会关系”，因此，采取知识产权路径保护数据相关权益有助于解决数据权属问题。从境外经验来看，若数据库是依照算法、程式、规则而产生的智力成果，符合相关知识产权的构成和特性，应被纳入知识产權法律范畴。欧盟于1998年通过的《数据库指令》规定，选择和编排上有独创性的数据集，符合可版权性要求，则应予以保护。

值得注意的是，数据所具有的无形资产特征与知识产权的不同之处在于，数据的价值来源于汇集、流通及运用，而知识产权的价值来源于其创造性。杨立新、陈小江在《衍生数据是数据专有权的客体》中也提出，数据具备传统知识产权客体无形性、专有性、可复制性的特点，但不具备传统知识产权的地域性、时间性的特点，是一个新型的权利类型。将“具有独创性、属于智力成果、有固定载体”的数据形态作为一种知识产权客体，既丰富了知识产权权利类型的内涵，又扩展了其外延。在本文中，我们把此类形态的数据统称为“类知识产权”形态数据。

“类知识产权”数据金融化模式

随着数据要素的重要性不断提高，越来越多的资本通过抵押、按揭、信托、基金等各种金融形式介入数据资产领域，涉及银行、保险、证券等重要金融行业。其中，一个关键的问题是如何通过合适的数据要素金融化方式，加强数据资产的可交易性和流动性，促进要素资源的市场化配置。

广义来说，知识产权金融化是指以资金需求方、供给方和中介服务机构为主体，采用质押、证券化等模式完成知识产权相关投融资业务。在知识产权金融的各类模式中，质押融资的发展已经比较成熟，指的是企业或个人以合法拥有的专利权、商标权、著作权中的财产权经评估后作为质押物，向银行或其他金融机构申请融资。同样，权属明晰的“类知识产权”数据资产也可作为质押物进行融资，这使数据要素获得了金融属性，数据潜在价值通过金融的方式得以转移和流通。当然，大部分企业缺少适合用于抵押、价值容易计量的数据资产，而且相关投资风险和权属风险较高;在没有显著激励的前提下，金融机构也许不愿介入此类业务。未来需要建立市场化的风险补偿机制，降低金融机构贷款风险，减少资产处置成本，才能有效解决质押融资中存在的违约风险处置等问题。

资产证券化是另外一种比较可行的“类知识产权金融”方式，有利于打开数据资产商业化和产业化的空间。可利用证券化创新模式，有机地结合资本要素和数据要素，为新型的数据资产提供价格锚，提高数据要素市场配置效率。与知识产权类似，数据资产的证券化可以简单理解为以数据资产作为基础资产，以资产预计产生的未来现金流为偿付发行证券，从而使数据要素进入资本市场。数据资产证券化的方案设计，涉及数据资产收益或许可标准化合约的价值评估，须对一段时期内的市场内数据资产证券的价格波动进行测算。这就要求相关机构充分借鉴境内外知识产权证券化的成功经验，解决无形资产现金流的折现定价问题。此外，数据资产证券化相关业务，还包括围绕产品挂牌、融资、交易、登记、托管和结算等一系列制度设计和服务。围绕证券化中“底层资产”和“现金流”两大关键元素，可探索将部分规范化程度高、预期收益较稳定的数据资产作为证券化产品的基础资产，如图3所示。

数据资产证券化市场体系

“十四五”规划要求，“建立健全数据产权交易和行业自律机制，培育规范的数据交易平台和市场主体，发展数据资产评估、登记结算、交易撮合、争议仲裁等市场运营体系。”数据资产证券化业务，既涉及数据资产权属认定、许可使用及交易流转，又涉及常规资产证券化业务的基本架构、增信措施、产品要素。针对数据资产的特点，需要在产品创新、参与人管理、市场培育、信息披露和数字化技术等方面建设市场体系，全面、专业地支撑证券化业务发展（图4）。

产品创新

为了更好地衡量不同层次数据的价值，可以将数据产品进行市场分层，主要包括一般数据和成熟数据。其中成熟数据权属比较明确，能应用于生产，适合进行证券化产品开发，可实现标准化、份额化交易。特别地，部分高价值数据的创新水平高、权利状态稳定、市场竞争力强，可以探索基于数据资产收益的证券化产品，形成标准化合约交易产品。具体而言，以数据资产的未来预期收益为标的，发行可以在市场上流通的证券进行融资，引入产权评估专业机构进行评估，确定数据资产池份额的定价，并面向特定投资者进行发行。此外，可以引入数据许可市场在合同制定、许可费收取等方面相对成熟的模式，推出独占许可、独家许可、普通许可、分售许可和交叉许可等权利许可交易方式。在提升增信层级方面，允许发行人以风险金、超额现金流覆盖、差额支付承诺等方式作为信用增级措施，并可要求提供评级、担保等外部增信方式，以加强资产端和资金端的风险收益匹配能力。

参与人管理

针对数据要素证券化市场特点，需要打造一个包含推动数据要素和资本要素深度融合的参与群体，提供类别齐全、功能强大的全链条服务。参与人体系包括数据源提供方、算法参与方、场景参与方、技术支撑方、数据交易服务方等多方参与者，覆盖上市公司、初创企业、跨国企业等，以及以风险投资（VC）/私募股权投资（PE）为代表的专业投资机构、政府引导基金等。同时，针对数据要素证券化的特殊性，还需要加强对数据资产评估、法律、公证、拍卖、保险、担保等市场中介的培育，提升中介对数据转化的服务覆盖面和服务能力。例如，提高中介机构的公信力与透明度，制定灵活的准入条件、交易机制，引入保险或衍生增信工具，促进数据资产证券化市场有序、健康发展。

市场培育

当前，尚缺乏充足的可供证券化的底层数据资产。一定程度上是因为数据具有非标、低频、私密的特性，但培育体制机制不完善也是重要原因之一。数据要素全生命周期产业串联着数据源、硬件支持层、技术层、应用层、交易层、衍生层等层面，每个层面又都无限向外延伸，形成了大数据产业的内聚和外延。在培育过程中，需要发挥平台的示范引导作用，建立会员服务体系，制定准入和评价标准。此外，数据要素流动的显著特征是要求高度的数字化，否则可能会存在数据产品生产者难以直接面向终端用户的问题。针对该问题，可采用“两阶段授权”的培育模式，即生产者将数据产品授权给运营商，运营商再将数据产品授权给终端用户。

信息披露

按照“以信息披露为核心”的监管理念，也需要对数据证券化完善以信息披露为核心的规则制度。数据资产证券化涉及的主体较多，不确定因素也相应增加。从传统资产证券化的信息披露制度来看，无论是信息披露内容还是信息披露义务人都较为具体。而数据信息披露的流程，既要保证不泄露商业秘密，又要便于参与方理解。针对数据要素的特殊性，还需要对数据信息披露的格式、内容、披露的程度及披露时间等进行相应的规定，覆盖数据要素“生产、交易、应用、标准、安全”等流程体系。例如，可考虑在数据资产证券化合约中，明确阐述在产品存续期内出现风险事件时的处置措施，以及相关的担保条款、对赌协议或期权条款，使数据权利存量许可或授权的价值能够得到更全面的评估。

数字化技术

数据要素的经济活动需要嵌入真实应用中运行，需要依托先进的数字化技术支撑数据资产证券化市场发展。一方面，需要为各类市场参与人提供交易基础设施和配套服务，包括定价交易、协议交易、竞价交易等多种交易方式，对应的登记结算系统和运行监测系统，实现交易过程、资金结算的实时跟踪统计。另一方面，建立可管控、可驗证、可保密的底层基础设施。例如，构建规范的数据产品库，利用区块链技术、数据安全沙箱、多方安全计算等方式，全面提升数据登记的安全性、合规性、保密性，实现“数据可用不可见”。为了更好地赋能数据要素的证券属性设计，数字化技术体系应考虑到培育过程数据资源的可开发性、评级过程产品价值的可评估性、存续过程产品风险的可监测性、全生命周期的可保密性等相关特性。

相关政策建议

将数据交易业务和资本市场联系起来，目前在境内外尚无成功经验，存在较大的挑战。本文提出的数据资产证券化的“类知识产权”方法，对特定类型数据的金融化业务进行了较为全面的讨论，有利于相关监管制度的建设与完善。从市场组织和监管视角出发，可在监管制度安排、创新机制引入和配套政策支持等方面，推动“类知识产权”数据资产证券化发展。

监管制度安排

“类知识产权”数据属于知识产权范畴，其权属等相关法律问题已经过较长期的讨论，有较完备的法规制度可供参考，但其他类型数据的相关法规还有待完善。针对数据本身的易复制性、隐私性、易改性、传播性、重复性等特征，可从数据的收集、运用、流通、交易、保护以及登记备案等方面，制定配套的法律法规对相关问题和权属予以明确和保护。

从明确数据（产权）交易市场的金融属性出发，应将其纳入金融交易场所的统一监管当中。一是有利于借鉴金融交易场所的监管经验，提高数据要素市场的监管精细度;二是有利于提高金融市场参与方对数据要素市场的信任和了解，动员其入场交易;三是有利于发挥多层次资本市场对数据要素市场的支持和协同发展作用。考虑数据要素市场的专业性，可由相关监管机构组成部际联席会议实施联合监管。

“保险+期权”机制引入

从作为基础资产的特性来看，数据资产本身的不稳定性和证券化所要求的现金流的稳定性是一组矛盾。因此，须针对数据要素的高风险属性设计外部增信机制，在现有的数据资产证券化保护体系基础上再增加一层“防护网”，对传统的金融产品结构进行优化研究。在无形资产领域，国外已有保险机构进行了有益尝试，例如美国怡安保险于2020年引入非股权稀释（Non-Dilutive）的资本市场工具，向印度一家药品研发公司提供了超過1亿美元的知识产权质押担保。针对数据资产，亦应鼓励创新的产品模式设计，例如引入基于授权的融资租赁模式，即出租人可赋予承租人权利，允许其在出租期满后决定是否购买承租标的，这有利于需求方对资产价值进行充分的评估。

配套政策制定

虽然诸多金融机构均有涉足数据产品交易和服务等方面，但是我国还缺乏较为完整的产业链，宏观层面也缺乏战略性的研究，相应的政策工具不足。其中，我国税收制度规定证券化业务中，原始权益人、特殊目的机构（SPV）和投资者须缴纳不同类型税费，税收成本仍然比较高，影响融资需求企业参与的积极性。此外，具有融资需求的中小数字型企业囿于成本太高、资质不够，数据资产证券化难度较大。更重要的是，在数据证券化中，需要拥有评估分析、转让谈判、商业化运作管理、数据科学等领域各类人才支持。为此，需要增加对数据资产保护、数据资产证券化产品创新的政策支持力度，包括交易市场培育，支持企业以数据资产出资入股，鼓励金融机构开展数据资产证券化，对特定人才、特定企业实行奖励政策、绿色通道等方面支持。

（曹硕为深圳证券交易所综合研究所（金融创新实验室）研究员，廖倡为深圳证券交易所证券期货业金融科技研究发展中心（深圳）研究员，朱扬勇为复旦大学计算机科学技术学院教授、上海市数据科学重点实验室主任。本文编辑/秦婷）