一、数据要素何以赋能新质生产力

从2020年4月由中共中央、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》中首次提出数据要素概念,到2022年12月中共中央、国务院在《关于构建数据基础制度更好发挥数据要素作用的意见》(以下称“数据二十条”)中提出建立“三权分置”的数据产权制度,再到2023年12月由国家数据局等17部门联合发布的《“数据要素×”三年行动计划(2024—2026年)》中指出要充分发挥数据要素的乘数效应,这些政策文件体现出我国对“数据要素”的支持与推进态度。同时,2024年3月两会期间政府工作报告中提出“大力推进现代化产业体系建设,加快发展新质生产力”,强调了对新技术产业的支持,促进新兴产业的发展和传统产业的转型升级。结合数据要素的作用来看,基于数据资源的新兴产业和数字技术,不仅将是实现国家战略目标的核心关键,亦是推动新质生产力形成与发展的重要支撑。

当前学界关于数据要素赋能新质生产力之研究,仍存在不足之处:第一,未从理论层面深入阐释数据要素与新质生产力的内在机理;第二,未深入分析数据要素赋能新质生产力的过程中将面临哪些障碍阻力;第三,现有研究视角尚未展开,尤其是在法学领域,未充分考虑到“以高质量法治助推新质生产力发展”。

简言之,当前大多数学者仅是在分析新质生产力时附带提到数据要素问题,亦或是有所研究,也是较为零碎化,没有进行体系化研究,导致难以提供具有针对性、精准性的理论指导框架。职是之故,本文拟基于我国数据要素赋能新质生产力的发展现实与未来需要,深入剖析其内在机理,并在审视其现实困境的基础上,提出契合本土实情的应对路径,以期为新质生产力发展提供智识借鉴,推进中国特色社会主义现代化建设进程。

二、数据要素赋能新质生产力的内在机理

如今,中国经济正处于关键的战略转型时期,加快形成新质生产力成为实现经济高质量发展和中国式现代化的关键任务。新质生产力代表了一种先进的生产力形态,“新”体现在新技术、新模式、新业态和新动能的融合,而“质”则强调在数量扩张的基础上实现质的飞跃,即是一种通过数字化和科技创新推动的高质量生产方式和发展模式(张辉、唐琦,2024)。而在数字经济时代,数据的角色也经历了根本性的转变,不再仅仅是测度或统计的结果,而是成为信息的一种表现形式和数字化载体,具有丰富的信息化内涵。在此前提下,亟需深入分析数据要素如何促进新质生产力的形成,系统阐释其内在机理,为促进新质生产力形成与发展提供有力的理论基础。

(一)数据要素促进新质生产力形成的理论逻辑

数据要素作为一种新型生产要素,因其独特的可再生性、包容性及与传统生产要素融合后的乘数效应,对新质生产力的形成起到了至关重要的作用。在一定意义上,新质生产力是在科技创新与数据要素的催化下,生产力结构、性质和发展模式发生根本性转变的崭新形态。为了深入剖析这一转变过程,应从传统生产力三要素—劳动资料、劳动对象、劳动力三个维度进行探讨,三者在数据要素作用下的演变,恰恰揭示了新质生产力形成的内在逻辑。

1.数据要素催生新质劳动资料

数据要素独特的渗透性、低成本的可复制性以及非竞争性等特征,使得其与生产生活的各个领域实现深度融合。这种融合不仅优化了生产要素的比例和配置方式,而且促进了资源的合理有效分配,激发产业的数字化转型。具体来说:

第一,数据要素与数字平台共同构成了数字经济时代的新型生产工具。通过经济主体之间的数据化互动,实现了从生产前的设计、原材料采购,到生产中的工艺优化、质量控制,再到生产后的销售、服务等全过程的渗透。例如,数据的实时分析和反馈机制,使得生产决策更加精准,资源配置更加高效。又如,数据的可复制性和非竞争性,使得同一数据集可以被多个经济主体共享,从而降低生产成本,提高生产效率。

第二,数据要素与数智技术的结合,推动传统机械生产工具的颠覆性创新。通过引入智能化控制系统和自适应算法,传统设备得以实现智能化改造,提升了生产过程的自动化和智能化水平。同时,这种结合还促进了企业从线性分工的“串行生产”向网络化分工的“并行制造”的转型,企业内部的各个生产环节通过数据的实时流通和共享,实现更加紧密的协同和集成,激发架构创新和模块化生产(徐政、张姣玉,2024)。这种生产模式的转变,既提高了生产效率,亦加快了新产品的研发和上市速度。

第三,数据资源和集成平台作为创新活动的核心支撑,催生富含先进技术和绿色创新特质的新型劳动工具。例如,数字网络通信技术的发展,使得信息传输更加迅速和准确,为企业提供了强大的信息处理能力。又如,工业机器人、自动化生产线等高端智能设备的应用,既提升了生产效益,也降低了能耗和排放,推动企业的数智化和绿色化变革。简言之,新型劳动工具的应用,延伸和更新了传统的产业链,推动传统产业的数字化转型,进而实现产业结构的优化和升级。

2.数据要素孕育新质劳动对象

在数字产业化和产业数字化的双重推动下,数据已经成为新质劳动对象的重要组成部分,不仅推动了传统劳动对象的转型,也促进了高质量发展的新质生产要素的形成(任保平,2023)。具体而言:

首先,数据作为新型劳动对象,通过在多个场景中的应用和多主体的复用,有效地突破了传统生产活动在时间和空间上的限制。这种突破不仅为生产活动带来了前所未有的灵活性,也为价值创造提供了新的可能性。此外,数据的流通和交易也为数字经济的发展提供了新的动力,推动了数据服务、数据产品和数据应用等新兴业态的蓬勃发展,促进了商业模式、产业形态和体制机制的协同创新。

其次,数据要素的嵌入,使得劳动对象的概念得到了极大的拓展和深化。传统的劳动对象主要是实体的自然物,而在数据要素的推动下,劳动对象已经从单纯的实体自然物,转变为“自然物+人造自然物+虚拟的数字符号物”的复合体。这种转变不仅丰富了劳动对象的内涵,也使得生产活动可以更加灵活地适应多变的市场环境。易言之,基于数据要素的支撑,高新技术得以对传统劳动对象进行绿色化改造,推动绿色合成材料的创新和新能源的开发,加速了传统能源的替代使用。这些变革催生了一系列绿色新业态,亦推动了绿色低碳的现代化产业体系的形成,为实现经济可持续发展提供了强有力的支撑。

再者,数据要素对竞争优势的重构同样不容忽视。在数据智能的驱动下,传统资源禀赋优势正在逐渐被数字智能优势所取代。这意味着,区域发展的核心竞争力不再仅仅依赖于自然资源的丰富程度和产品的生产能力,而是更加注重创新效率和数智生产力的提升。这种转变引发了技术创新和智能制造在空间分布上的重大变化,促进了以创新集群为核心的新增长极的形成。这些新增长极不仅推动了区域经济的快速发展,也为全球经济的均衡发展提供了新的机遇。

3.数据要素培育新质劳动力

在当代经济格局中,数据要素与数智化技术的结合已经成为推动生产力发展的关键因素。也就是说,数据要素通过与劳动力要素的深度融合,将显著提升劳动者的素质和生产潜能,促进劳动生产率的提高和劳动力结构的优化升级。具言之:

其一,数据要素与劳动力要素的结合,为劳动者提供了新的工作方式和思维模式。在数字化劳动环境中,劳动者需要具备处理和分析大量数据的能力,这种数据思维的培养和数字化技能的提供,使得劳动者能够更有效地进行生产活动(曾晶等,2024)。数据要素的渗透使得劳动过程更加智能化和精准化,劳动者能够在同样的时间内创造更多的价值,从而提高劳动的边际产出和再生产水平。

其二,数据要素的融合和应用,使得生产力要素的主体不再局限于人类劳动者,而是扩展到了人与AI相结合的新型劳动主体。随着AIGC时代的到来,机器已能够在一定程度上替代人类进行某些工作,同时也为人机协同提供了可能。人机协同基于数据要素,能够突破人类固有的认知模式,拓展知识边界,创造新的组织学习方式,极大地提升劳动效率和质量。此外,数据要素的发展还催生了“零工经济”模式下的新型自由职业者,这些新型劳动者利用数字平台进行灵活就业,拓宽了劳动主体的边界,为劳动力市场注入了新的活力。

其三,数据要素对劳动力就业的影响是复杂而多维的。一方面,数据要素与高技能、复杂劳动之间存在正向互补关系,其能够提升这些劳动的效率和质量,从而推动劳动力结构向更高级的形态发展。另一方面,数据要素也能对简单和常规性劳动产生替代效应,这可能导致某些低技能劳动岗位的减少。同时,数据要素还能依托数字平台衍生出高附加值的就业新形式,促进劳动力资源的优化配置和劳动技能的整体提升,进而推动劳动力结构向高级化发展。

综上,数据要素作为新型生产要素,在我国经济高质量发展中发挥着关键作用,其通过促进劳动资料的智能化、劳动对象的数字化以及劳动力素质的提升,推动了生产方式的变革和产业结构的优化。同时,数据要素的融合应用提高了劳动生产率,还促进了劳动力结构的高级化,为新质生产力的形成提供了强有力的“数据支撑”(理论逻辑见图1)。

(二)数据要素推动新质生产力发展的作用机制

新质生产力不仅仅是生产技术的进步,其涵盖了生产、流通、消费和分配等社会再生产的全部环节,这些环节相互联系、相互作用,共同构成了经济发展的动态系统。而数据要素在各个环节中的作用机制亦是多维度和系统性的。具体展开而言:

1.数据要素在生产环节的作用

第一,数据要素作为一种新兴的生产要素,与土地、劳动力、资本和技术等传统生产要素相结合,既改变了这些传统要素的功能和形态,也催生了新的生产要素表现形式。数据要素的引入,使得生产过程更加智能化、精准化,通过数据分析和处理,可以对生产要素进行优化配置,提高资源利用效率,从而驱动传统生产要素的创新和升级。

第二,数据要素在设计研发阶段的深度介入,为创新活动提供了强有力的支持。通过大数据分析、AI等技术手段,可以在设计研发阶段进行模拟测试、性能评估和市场预测,从而指导、修订和校正设计与研发方向,缩短设计研发周期,提升设计研发成果的转化成功率。

第三,数据要素在生产制造全链条中具有推动作用。数据要素的流通和共享,促进了制造产业链各企业主体之间的协同作业,实现了信息的透明化和流程的优化。

2.数据要素在流通环节的作用

首先,数据要素的应用打破了传统流通模式下的数据孤岛现象。在传统的流通体系中,信息的不对称和不充分往往导致资源配置的低效和市场反应的迟缓。而数据要素的整合能力,使得供应链上的各个环节能够实现数据的共享和流通,从而优化了库存管理、需求预测和物流配送等关键环节。这种数字化的流通过程不仅提高了市场响应速度,还降低了因信息不对称而产生的交易成本和风险。

其次,数据要素的海量获取、丰富类型和可重复使用性,极大地降低了数据相关的收集、处理、分析和传输成本。在流通环节中,数据作为一种生产要素,其成本的降低意味着企业可以更加高效地利用数据进行市场分析、消费者行为研究和产品定位。这种低成本的数据使用不仅提高了企业对市场变化的敏感度,还促进了企业间的竞争和合作,推动了整个流通领域的创新和发展。

再者,数据要素通过数字化商品流、物流和信息流,推动供应链体系向数字化、智能化和柔性化的方向发展(欧阳日辉,2024)。在数字化的供应链中,各个环节的数据实时更新和共享,使得供应链管理更加透明化、精准化。这种数字化的供应链不仅减少了交易环节,降低了交易成本,还提升了供应链的协同效率。同时,数字化供应链的柔性化特征,使得企业能够快速适应市场变化,实现个性化定制和按需生产,增强了供应链的敏捷性和协同性。

3.数据要素在消费环节的作用

其一,数据要素通过深度挖掘和分析消费者的在线行为、购买偏好和消费历史等信息,能够实现对市场消费需求的精准预测。这种基于数据的消费者洞察,使得生产者能够更好地理解市场需求,从而优化产品设计、调整生产计划,并提供更加符合消费者期望的产品和服务。

其二,数据要素结合数字技术,推动了消费场景的创新。例如,跨境网购(如淘宝、京东等)的发展使得消费者可以轻松购买到全球各地的商品,直播购物(如主播带货等)的兴起则为消费者提供了一种全新的互动式购物体验。这些新兴的消费场景不仅丰富了消费者的选择,也为企业开拓市场、提升品牌影响力提供了新的途径。

其三,数据要素通过满足消费者个性化需求,显著提升了消费品质。在数据的驱动下,企业能够更加精准地识别和满足消费者的个性化需求,从而推动产品和服务的个性化定制和智能化升级(缪言等,2023)。例如,智能家居、个性化推荐系统等,都是数据要素与智能化技术相结合的产物。

4.数据要素在分配环节的作用

第一,数据要素与传统生产要素的融合,推动了资源配置的优化。在数据要素的引导下,资本、劳动力、技术等生产要素,能够更有效地流动和重新配置,从而实现从低效率领域向高效率领域的转移。例如,通过数据分析,决策者可以更准确地识别投资机会和市场需求,避免资源浪费,确保资源在最需要的地方得到最有效的利用。

第二,数据要素通过提升劳动生产率和创造新的商业机会,增加了整体价值的生成。数据的分析和应用能够提高生产过程的自动化和智能化水平,减少不必要的劳动和资源消耗,从而提高劳动生产率。同时,数据要素的运用也为企业家和创新者提供了新的商业模式和市场机会,为各参与主体带来更大的收益。

第三,数据要素通过解决数据鸿沟问题和推动公平分配,促进了价值的共享(张林忆、黄志高,2023)。在数字经济时代,数据获取和利用的能力差异可能导致新的不平等,故确保数据资源的公平分配和利用是实现价值共享的关键。通过政策引导和技术创新,可以促进数据资源的普惠性,使得更多的个人和企业能够享受到数据带来的红利。此外,数据要素的共享还能够促进社会协同和合作,通过开放数据平台和共享机制,不同主体可以共享数据资源,共同开发新的产品和服务,实现更广范围、更深维度的价值共同体。

综上,数据要素与其他生产要素相融合,发挥出乘积效应,并作用于生产、分配、流通、消费等环节,显著提升生产资料的质量,优化产业结构,提高全要素生产率,从而推动新质生产力发展(作用机制见图2)。

三、数据要素赋能新质生产力的现实障碍

基于上述内在机理的考量,数据要素的特有属性,使其与传统有形商品在本质上存在显著差异。申言之,传统的市场理论及分析方法将难以适应数据要素的管理和监管需求。鉴此,应深入剖析数据要素的现实制约因素,以构建适应数据要素特性的法治框架,推动新质生产力的形成与发展。

(一)数据要素规则不完善,阻碍新质生产力形成

首先,数据确权规则不清晰。我国在《民法典》第127条、“数据二十条”及相关部门法中,对于数据权属提出一些原则性规定,但仍缺乏明确的操作指南和实施细则。《北京市数字经济促进条例》《深圳经济特区数据条例》《上海市数据条例》等地方性立法,在数据权利的界定上虽有所尝试,但由于立法权限和视野的局限,其规定同样缺乏普遍性和系统性,导致数据权利的保护和行使在实践中面临诸多不确定性。不仅如此,学界对于数据确权问题亦未能形成共识。

具言之,倘若将数据权利纳入物权法范畴,则与其制度设计存在冲突(熊丙万、何娟,2023)。物权的占有、使用、收益和处分权能,在一定程度上虽可以适用于数据,但数据的非物质性、可复制性等特性,使得这些权能不能完整地映射到数据权利之上;若将数据权利纳入合同法范畴,则会忽视数据作为权利客体的独立地位,从而否定其财产属性(梅夏英,2016)。合同法的相对性原则也会限制其适用范围,难以有效解决第三方侵犯数据权益的问题;如将数据权利纳入知识产权范畴,在一些场景下确实可以保护数据权利,但并非所有数据都具备“独创性”等特征(肖冬梅,2024),大多数数据也不满足“保密性”要求(高郦梅,2021);而适用《反不正当竞争法》的一般条款,虽能界定数据相关活动的合法性,但却回避了数据权利诉求的核心问题,且可能弱化对不正当竞争行为类型规定之适用(张建文,2020)。鉴此,有学者提出将数据视为一种新型权利,以期解决数据确权及其权利行使问题(韩旭至,2020),但还是无法解决数据权益的性质、内容与归属问题。

其次,数据定价规则不一致。针对数据定价问题,学界提出了成本法、收益法、市场法等理论模型,每种模型都试图从不同的角度解释数据的价值构成。然而,由于存在数据重置成本无法确定,数据价值可持续挖掘等客观因素,上述理论模型均具有一定局限性,难以应用于实践。审视当下,实践中数据交易的定价机制主要包括第三方自动定价、协商定价和拍卖定价三种方式(刘枬等,2021)。就第三方自动定价而言,其通常由专业的数据评估机构或平台进行,该机制通过特定的数据质量评价指标,结合市场的供需状况,给出一个价格区间。这种方式的优势在于能够快速为大量数据提供定价参考,但可能存在评价标准不一和人为干预的风险。从协商定价来看,其是数据供需双方通过谈判来确定最终成交价格的方式。这种方式在实践中最为常见,允许双方根据数据的具体情况和需求进行个性化的定价。然而,协商定价过程中可能存在交易成本高、信息不对称和谈判效率低下等问题,进而影响数据交易的顺利进行。拍卖定价则是一种市场化的定价方式,适用于具有多个潜在数据需求方的情况。通过拍卖,数据的需求方可以公开竞价,最终通过市场竞争确定数据的价格。拍卖定价的优势在于能够充分调动市场的积极性,实现资源的有效配置。不过,拍卖定价的适用前提是存在足够多的潜在买家,且起拍价和拍卖价格增长幅度的确定仍然需要基于数据的价值评估。简言之,虽然目前存在多种数据定价的理论模型和实践方法,但科学合理且实用的数据定价方法还是欠缺。

再者,数据交易规则不统一。当前数据交易场所在制定交易规则时,往往受到自身业务模式和运营需求的影响,导致规则在质量和内容上存在显著差异。其一,数据交易规则的适用性不足。由于各交易场所的业务模式和运营需求不尽相同,因此制定出的规则通常只适用于特定的交易场景,而难以适应更广泛的数据交易活动,导致数据交易的效率降低,增加交易成本,甚至导致交易失败(陈婉玲、胡鹏鹏,2023)。其二,数据交易规则存在抄袭现象。抄袭的规则可能并不完全符合交易场所的实际情况,或者与现行法律法规存在冲突,这些都会对数据交易的合法性和安全性构成威胁。其三,数据交易规则大多停留在原则性层面。例如,“数据二十条”中虽对数据的分类、交易标准、合规性要求等方面有所提及,但缺乏对交易数据具体范围的明确界定、对交易双方资质的具体要求、对交易流程的详细安排以及对交易参与方权利与义务的具体规定等(陈兵、郭光坤,2023)。此类原则性规范,虽为数据交易提供了一定的指导,但在实操中容易因为缺乏针对性而难以发挥应然作用。尤其是涉及交易数据范围时,由于数据类型多样,不同数据的敏感程度和价值差异较大,导致交易双方在数据的使用和权益分配上产生争议。

(二)数据要素市场不成熟,制约新质生产力实现

一方面,大多数数据交易所(中心/平台)面临着严峻的运营挑战和困境。在2023年4月14日举办的“数据要素流动与治理产业高峰”研讨会上,众多领域内的专家共同指出,我国在数据流通领域正迎来新一轮的产业发展浪潮。据《2023年中国数据交易市场研究分析报告》显示,到2025年我国数据交易市场的规模有望突破2000亿元大关。早在2020年,北京、上海、深圳、广州等省市就已建立了各自的数据交易场所。然而,为何在上述数据市场规模不断扩大的背景下,如今仅剩下少数交易所在维持基本运营,其余多数则不再更新业务动态?从某种意义上而言,背后原因在于:首先,数据交易所的设立门槛相对较低,缺乏统一的行业标准和规范。尽管数据交易市场规模不断扩大,但市场主体之间的数据交换和共享并不充分,“数据孤岛”现象依然存在。以武汉市为例,同一地区就有三个数据交易所,这种情况不仅造成了资源的浪费,也阻碍了数据交易所功能的发挥和市场的健康发展。其次,许多数据交易所在职能定位上存在不明确性,缺乏清晰的业务发展方向和运营模式。例如,一些数据交易所同时承担着数据提供者和交易平台的双重角色,导致其在审核、撮合、监督等方面的职责未能充分履行,进一步削弱其市场功能和效率。再者,数据交易所的功能作用较为局限。现有的数据交易所主要专注于交易的前期准备、交易过程中的磋商以及交易完成后的交付与结算等基本环节。这种以单一业务流程为核心的市场运作模式,难以适应数据要素市场多样化、个性化的需求,尤其是在数据资源的分类、定价、质量控制等方面缺乏灵活性和适应性。

另一方面,数据经纪商和第三方数据评估机构等中介机构,在市场中的作用尚未得到充分发挥。首先,当前数据经纪商发展存在显著不足。在理论上,数据经纪商应通过连接数据的供应方和需求方,以有效提高市场流动性,促进数据资源的优化配置。然而,当前数据经纪商在运营过程中往往过分强调营利性,而忽视了数据交易的合规性和风险控制。申言之,由于缺乏明确的业务规范和监督机制,数据经纪商在数据收集、处理、交易等环节可能存在违法行为,如未经授权收集和使用个人信息,或未能妥善保护数据安全,导致数据泄露和滥用(李振华、王同益,2022)。其次,第三方数据评估机构的作用受到限制。这些机构本应为数据交易提供重要的支持服务,包括评估数据的合规性、价值、质量和安全性等。但由于缺乏统一的业务资质认证和评估标准,第三方评估机构的权威性和公信力常常受到质疑,即评估结果的不一致性和不透明性,使得市场参与者难以对数据的价值和风险做出准确判断。再者,政策激励和规范的缺失。尽管数据交易市场的潜力巨大,但缺乏有效的政策支持和市场引导,使得中介机构难以扩大规模和提高服务质量。缺乏具体的业务标准和运营规范,导致市场上的服务质量良莠不齐,市场秩序混乱。

(三)数据要素监管不到位,束缚新质生产力发展

一方面,传统市场规制法(主要为“反垄断”+“反不正当竞争”)在应对日新月异的数据竞争活动时,陷入适用不足之困境。首先,数据获取与流通的规制难题。数据不当获取行为(如通过网络爬虫技术非法抓取他人数据)、数据封禁行为(如通过技术手段阻隔数据流通)等,这些行为损害了市场主体平等获取和利用数据的权利。但现行法律对此类行为缺乏清晰界定,引发法律适用的不确定性。例如,针对“网络爬虫”行为,法院基于《反不正当竞争法》第2条规定,常常作出不同判决结果,这不仅增加了企业合规成本,也影响了法律的权威性和可预测性。其次,数字化垄断与“并购”的风险问题。数字化垄断协议和数字经济领域的扼杀式并购行为,容易导致数据资源的集中和垄断,传统市场规制法在处理这类问题时亦存在诸多困难:一是在协同主体意思联络认定方面,由于数字经济中企业间合作的形式多样,传统的协同行为认定标准难以适应新的市场环境。二是在可责性认定上,数据驱动型企业的市场力量往往与其掌握的数据量和处理能力相关,这使得责任主体的界定变得复杂。再者,在经营者集中申报、相关市场认定、竞争损害评价等方面,传统市场规制法也面临着失灵风险。具言之,在经营者集中申报方面,传统申报制度未能充分考虑数据资产的特殊性,使得对数据驱动型企业集中的申报和审查存在监管盲区。在相关市场认定方面,传统市场规制法通常依赖于产品的替代性和市场的界定。然而,在数据经济中,数据产品和服务的高度互联互通使得市场界定变得复杂,数据的多面性和跨界应用特性使得传统的市场界定方法难以适应。此外,数据的规模效应和网络效应容易导致市场力量的快速集中,而传统损害评价方法难以准确评估数据集中对市场竞争的影响,从而可能引发提高市场壁垒、减弱创新活力以及损害消费者权益等风险(孙晋,2021)。

另一方面,现有数据治理监管体系的不完善,严重影响了数据治理的效率和效果。首先,政府监管体系的缺陷。虽然我国已经形成了以国家网信部门统筹、其他部门分别监管的模式,但在具体执行过程中,权责分配不明确、执法推诿等问题时有发生,使得数据治理工作难以形成有效的合力。其次,中央与地方监管机构的职责不清。国家网信部门与国务院其他部门在权力配置上存在不均衡,增加了统筹协调的难度,各部门对数据监管职责的划分不明确,造成在实际工作中出现职责重叠或监管空白的现象。同时,地方政府在数据监管机构的设立上存在混乱,缺乏统一的标准和指导,使得监管体系呈现出林立的状态。这种利益地方化和部门化的势态,不仅削弱了监管的统一性和权威性,也导致监管资源的浪费和效率的降低。再者,市场自律治理的缺位。当前数据要素市场的行业组织松散,缺乏有效的组织结构和运行机制,造成行业标准和规范难以统一,自律管理规则的质量参差不齐,难以形成有效的行业自律机制(储洁强等,2024)。数据交易所等场所作为数据交易的重要平台,其自律法人的定位尚未明确,自律治理在实际中处于缺位状态,这既影响了数据交易的公平性和透明度,也加剧了市场运行的风险。

(四)数据要素安全不足够,抑制新质生产力增长

首先,个人信息保护的不足。在早期数据要素市场,个人信息的无序收集与滥用问题引起了社会的广泛关注。鉴此,《个人信息保护法》的颁布和实施,确立了“知情同意”规则,即针对“一般、敏感、特殊”类型个人信息的处理,提出了不同程度的“同意要求”,旨在确保信息处理活动的合法性、正当性和必要性。然而,在实践中,知情同意规则的实施效果却不尽人意:其一,知情同意的形式化问题。在网络服务过程中,用户往往在未充分阅读和理解隐私协议的情况下,匆忙勾选“同意选项”,这种形式化的同意过程,未能真正体现用户的知情权和选择权,也难以发挥其应有的保护作用(郑佳宁,2020)。同时,隐私协议的复杂性和晦涩性,也使得普通用户难以理解和判断其中的风险,进一步加剧“形式化问题”。其二,数据企业的合规负担问题。知情同意规则使得数据企业面临着更为严格的合规要求,而合规成本的增加,易对企业的运营效率和创新能力产生影响。其三,数据流通难度的加大。在现有数据分析范式下,数据处理者往往难以获得个人信息主体的直接授权,特别是在与个人信息主体无直接联系的情况下,数据流通利用的难度进一步增加。因此,如何在保障个人信息安全的前提下,实现数据的有效流通和利用,已然成为亟需解决的问题。

其次,数据安全保护的缺陷。第一,传统数据保护模式通常采取“一刀切”的做法,忽视了数据的固有属性。在数字经济时代,数据的流动和利用已成为常态,数据的价值在于其流动和交换中不断被发掘和创造。而传统模式对所有数据不加区分地采取相同保护策略,难以有效应对数据流动性带来的安全风险,导致隐私侵犯或对数据流通的过度限制。第二,现有数据分类分级保护的局限。鉴于传统保护模式的缺陷,我国《数据安全法》第21条确立了“数据分类分级”保护,其核心在于根据数据的性质、用途、敏感程度以及对个人隐私和国家安全的影响,对数据进行分类分级,并采取差异化的保护措施,以实现数据安全与利用的平衡。然而,在实际操作中仍面临诸多难题:一方面,无论是现行《网络安全法》《数据安全法》或其它法律法规和标准性文件,均尚未对数据分类分级保护的具体标准和实施细则作出明确规定。这使得不同行业、不同部门在推行数据分类分级保护时,所依据的标准和方法各异,缺乏统一性和互操作性,从而影响数据流通的效率和安全。另一方面,数据等级和保护程度的内部决定也会产生负面外部效应。例如,一些组织或企业可能为了降低合规成本,选择较低的数据保护等级,这种做法虽然在短期内减轻了企业的负担,但也易对外部环境造成不利影响,如增加数据泄露的风险,损害个人隐私权益,甚至威胁国家安全。

再者,数据安全与发展的平衡问题。“数据二十条”虽然强调了数据的开放、利用与流通,但在多数法律法规中,更倾向于强调数据安全的重要性,这在一定程度上限制数据的流通和使用。进言之,单一强调数据安全而忽视数据的开放和利用,容易导致资源的浪费和创新的受阻;反之,如果只注重数据的利用而忽视安全保护,则可能引发数据泄露和滥用等严重问题(陈兵,2024)。同时,在AIGC迅猛发展的当下,对数据的安全性与发展趋势予以重视显得尤为迫切。目前,ChatGPT、Claude等大型语言模型训练库主要是基于英语语料,这对于提升模型的训练效果并满足我国文化、意识形态及社会习俗的传播需求而言,存在一定的局限性。