充分发挥人工智能在数据定价和交易领域的赋能作用

卢延纯 吕指臣 马凤娇

2024年，全国数据市场交易规模预计超1 600亿元，比上年增长30%以上，其中，场内市场数据交易（含备案交易）规模预计超300亿元，比上年增长1倍。在此背景下，构建科学可行的数据价值评估体系和建立高效安全的数据要素交易机制，成为推动数据要素市场化配置、支撑数字经济高质量发展的基础前提。2025年8月，《国务院关于深入实施“人工智能+”行动的意见》印发，明确将人工智能定位为培育发展新质生产力、基本实现社会主义现代化的重要支撑力量。2025年10月，党的二十届四中全会《建议》要求，加快人工智能等数智技术创新，突破基础理论和核心技术，强化算力、算法、数据等高效供给。这为深化数据资源开发利用指明了发展方向，也为人工智能深度参与数据定价和交易提供了根本遵循。

一、人工智能与数据定价和交易的关系及研究

（一）二者关系

人工智能与数据定价和交易存在两方面关系。

一方面，人工智能是数据价值化的“倍增器”和“发动机”。人工智能通过实现数据价值的精准量化，交易流程的自动化与智能化，交易过程的可信化，深刻改变数据定价与交易的方式，成为驱动数据要素市场从“资源化”向“资产化”“资本化”迈进的关键引擎。《全国数据资源调查报告（2024）》显示，2024年共有238款人工智能服务在国家网信办新增备案，开发或应用人工智能的企业数量比上年增长36%，利用大模型的数据技术企业、数据应用企业数量分别增长57.2%、37.1%。

另一方面，我国海量数据资源和丰富应用场景为人工智能的发展提供了高质量“燃料”与“试验场”，这也是我国在全球人工智能竞争中的独特优势。

近年来，我国人工智能行业发展迅猛，产业主体持续壮大，截至2025年9月，人工智能企业数量超5 300家，全球占比达到15%，形成覆盖基础底座、模型框架、行业应用的完整产业体系。同时，产业规模持续扩张。据测算，2024年我国人工智能产业规模已超9 000亿元，比上年增长24%。人工智能大模型作为新质生产力的重要驱动载体，在提升数据利用效率、重构生产方式和培育新增长点方面具有战略意义。但也应认识到，人工智能在数据定价与交易领域的应用仍面临诸多挑战，包括算法可解释性不足、标准体系不健全、安全合规压力日益增大、数据安全风险加剧、市场接受度不足和人才储备匮乏等问题。

未来，隐私计算与人工智能深度融合、数据定价向基于效果的多维动态模式演进、数据生态构建向垂直行业渗透、数据基础设施全球互联互通、数据市场规模化加速普及、数据监管与标准体系日趋完善将成为主流趋势。

（二）相关研究

学界围绕数据定价机制理论创新与数据交易体系结构优化两大核心领域，形成了较为系统的研究成果。

在数据定价领域，现有研究基于数据要素的独特属性，着重探讨数据定价的难点突破与机制创新。数据资产具有非竞争性强、边际成本低和价值不确定性大等特性，其价值与使用场景、使用者能力及数据质量密切相关，且存在信息悖论等固有矛盾。

针对上述属性导致的成本核算困难、价值评估模糊等问题，学者们围绕数据定价原则及定价方法展开了广泛而深入的探讨。就定价原则而言，对公共数据，应遵循公益普惠、分类管理和协同推进的原则，实行政府指导价、最高准许收入核定等具体措施；对企业数据，则应依托供需关系与贡献度实现差异化定价。就定价方法而言，涌现出基于查询的定价、基于Shapley值的定价、基于数据市场的定价、基于模型贡献的定价等方法，通过量化模型实现精准定价。

面向新一代人工智能，相关研究进一步指出大模型对高质量、大规模、多样性数据集的依赖放大了质量异质性、合规风险与交易不确定性，进而提出质量基准、贡献增值、场景定制和动态溢价相结合的综合定价模型。

在数据交易领域，已有研究从微观交易结构、中观市场培育到宏观经济增长3个层面展开。

从微观层面看，数据交易不仅是一次性的交换行为，更是数据资产化、服务化与生态化的系统工程，需要平台机制、行业场景与制度环境的共同支撑。

从中观层面看，我国数据交易市场目前面临场内合规成本高、场外黑灰交易盛行、国际话语权缺失等问题，应通过制定标准体系、培育合规师、引入信用机制及借助人工智能等方式构建起多层次、多元化的数据交易合规生态体系。此外，将数据交易置于安全可信的数据空间环境中，有助于提升跨部门、跨层级、跨区域的数据流通质量，在培育全国一体化数据要素市场中发挥着重要作用。

从宏观层面看，数据交易通过直接提升产出和间接提高效率发挥对经济增长的“双维驱动”作用。此外，专业化人工智能服务主体能提高数据利用效率与交易意愿，在提升短期产出的同时强化数据要素对经济体系的支撑作用。

总体上看，尽管现有研究在定价机制与交易体系方面已取得较为系统的进展，但大多聚焦于传统定价模型的优化与交易流程的规范，对人工智能如何深度融入并重塑数据定价与交易生态的探讨相对匮乏。

基于人工智能在数据定价和交易领域应用的现状，深入剖析其在技术与标准、合规与伦理、市场与生态、人才等方面面临的挑战，进一步探讨未来发展趋势，提出人工智能在该领域应用的政策建议，可为主管部门统筹推进数据要素市场建设提供决策依据。

二、人工智能在数据定价和交易领域应用的现状

目前，人工智能已深度渗透到数据定价与交易的全链条，将有效解决传统模式下的诸多痛点，其在不同环节的应用情况如下。

（一）推动数据价值评估与定价从“成本导向”到“价值导向”转型

传统的数据定价模式大多依据数据采集和存储的直接成本，通常采用按数据量或简单模型进行定价的方式。这不仅难以体现数据的潜在实际应用价值和市场稀缺性，甚至会引起“用得多不如用得巧”的错位激励。人工智能将从定价模型、定价策略和定价模式3个方面重塑数据价值评估与定价。

1.基于多维度特征分析的定价模型构建。人工智能在数据定价中不仅进行计算，更重要的是对数据内在价值的深刻洞察。人工智能通过机器学习、深度学习等技术手段，可对数据质量（如准确性、完整性、时效性、一致性等）、应用场景（如金融风控、精准营销、智能驾驶等）、稀缺性（如行业专属数据、高维度行为数据等）以及合规性（是否符合相关法律、法规等）等数十乃至上百个维度的特征量化分析，从而构建更为科学的价值评估模型。如，北京银行在信贷风控建模过程中引入人工智能，通过融合多维度数据优化模型架构，不仅大幅压缩信贷审批周期，由原先的5天缩短至2.5天，而且显著提升信贷风控能力，使欺诈交易识别准确率从95%提高至98.7%。

2.动态化与个性化的定价策略优化。依托机器学习、深度学习算法、实时数据处理技术、特征工程建模、用户画像分析系统等，人工智能能够依据市场供需状况、数据新鲜度的衰减曲线以及买家的历史使用效果等因素，实现数据的动态化和个性化定价，从而最大化数据资产的收益。

3.结果导向的定价模式创新。这一模式被视为人工智能赋能下数据价值评估与定价的最具颠覆性与前瞻性的发展方向。它彻底打破传统按数据量或时长收费的定价逻辑，将数据价格与客户的业务成果直接挂钩，如按疗效付费的人工智能医疗顾问、按胜诉率付费的人工智能律师、按销售额提升付费的人工智能营销顾问等。在该模式下，客户无需担心“买了没用”，供应商承担全部风险，这种“敢为成果买单”的态度是对产品价值的最佳背书。同时，供应商与客户的利益紧密绑定，双方从传统的“交易关系”转变为“共赢伙伴”，从而在根本上解决数据价值难以量化、供需双方利益难以对齐的现实难题。

（二）驱动数据交易流程的智能化升级与自动化落地

人工智能优化数据交易环节，提升市场效率。

1.智能匹配与推荐功能。平台借助先进的人工智能算法，高效衔接数据供需双方，精准剖析数据需求方的画像及偏好，为其智能匹配并推荐最契合的数据产品与服务，从而大幅降低搜寻成本。

2.提升交易信任与安全性。隐私计算技术（如联邦学习、安全多方计算）能够在不泄露原始数据的情况下完成计算和分析，实现“数据可用不可见”，有效降低敏感数据流通的风险。此外，区块链技术为数据交易提供存证、追溯及审计功能，保障交易过程透明且不可篡改。

3.自动化交易与结算。依托区块链技术的智能合约能够自动执行交易条款，这些条款可被编码为程序形式，一旦达到预设条件（如数据交付验证通过），支付、清算等环节将自动进行，无需人工干预，不仅能显著提升交易效率，而且能有效降低纠纷风险。

4.推进智能化数据交易平台的建设。部分数据交易所及数据要素市场试点平台已引入人工智能进行智能撮合，显著提升了供需匹配的效率。如，深圳数据交易所积极探索人工智能训练数据的规范化管理和资产确认，为企业提供数据资源盘点、数据价值挖掘、数据产品孵化、产品上市流通与交易撮合服务，进一步放大数据资产价值，在此基础上促成数据资产融资需求企业与银行对接，推动企业数据资产融资进程。此外，人工智能算法在数据合规性审核、敏感信息识别以及数据脱敏处理等方面得到广泛应用，有效降低了交易风险。

（三）支撑数据资产化实践与金融服务场景拓展

2025年3月，中国人民银行明确提出，加快金融数字化智能化转型，安全稳妥有序推进人工智能大模型等在金融领域应用。

1.为数据资产化提供技术支撑。自2024年1月1日起，《企业数据资源相关会计处理暂行规定》正式施行，标志着数据要素在会计报表中的显性化进程正式启动。以往被企业视作费用处理的数据资产，从此在资产负债表中独立列示为专项条目，真正意义上实现了“数据资产入表”。人工智能在数据价值评估、合规审查等方面的特有优势保证数据资产入表的准确性与合规性，为数据成为可抵押、可融资的“资产”提供技术背书。如，利用机器学习算法对海量历史数据分析，能够更科学地预测数据未来收益，为企业数据资产定价提供有力依据；利用自然语言处理技术自动识别数据中的潜在合规风险，如数据来源是否合法、数据使用是否超出授权范围等，能够有效降低企业因数据合规问题引发的法律风险。

2.为数据资产化拓宽融资渠道。金融机构借助人工智能，能够更全面、深入地评估企业数据资产的质量与价值，开发出更多基于数据资产的金融产品与服务，如数据资产质押贷款、数据资产证券化产品等。此外，人工智能能实时监控数据资产的价值变化，金融机构可根据数据资产价值的波动情况，灵活调整融资额度和风险控制策略，提高金融服务的精准性和灵活性。

（四）夯实数据流通与安全保障

1.隐私保护与数据合规。一方面，人工智能结合隐私计算、安全多方计算、联邦学习、差分隐私等技术，实现数据“不出域”“可用不可见”，开展联合建模和分析，保障交易双方的隐私权益，从根本上破解数据共享与隐私保护之间的矛盾。另一方面，在跨境数据流动与交易场景中，人工智能已成为检测和监控合规风险的关键工具。具体而言，人工智能能够实时分析跨境数据流动的路径、规模及频率，通过与预设的合规规则库进行比对，自动识别潜在的数据泄露、非法传输等行为。此外，人工智能显著提升了跨境便利化，助力国际贸易发展。如，北京国际大数据交易所批量引入共建“一带一路”国家和地区的3亿家企业征信数据，为企业走出去提供风险决策支持。同时，打造涵盖超过5万辆二手车历史记录的数据产品，成功将二手车出口市场拓展至中东等地区。

2.区块链存证与追溯。区块链与人工智能的协同，正推动数据交易监管从被动响应向主动预判的模式演进，为构建可信数据要素市场提供关键技术支撑：区块链技术通过其分布式账本与智能合约机制，为数据交易的授权、流程及结果提供不可篡改、全程可追溯的存证基础，从源头上强化数据要素流通的合规性与可信度；人工智能则能对链上记录的海量交易数据深度挖掘与智能分析，动态识别异常模式，如跨地域高频小额转账、地址行为异常等，从而实现对欺诈行为、违规操作的精准预警与高效拦截。目前，建立在可信赖、可共享的区块链数据基础之上的人工智能决策，已取得一定实践成果。以智慧城市场景为例，依托区块链数据存储，城市的医疗卫生、资源环境、交通设施、社会保障等各领域数据能够在明确数据权限的前提下，实现较大程度的共享，从而显著提升人工智能的决策质量。

三、问题与挑战

（一）技术与标准

1.定价模型的可解释性不足与可信度缺失。目前，基于人工智能的数据定价模型普遍存在“黑箱”现象，决策逻辑不透明。特别是在处理小样本、高价值数据的场景中，定价模型的可靠性受到更大限制。这导致买卖双方对定价结果缺乏信任，影响交易的达成。

2.数据定价机制尚不健全，难以真实反映数据价值。由于缺乏统一的计价标准和科学的评估体系，当前市场上普遍存在“同质数据价格差异大、异质数据价值被系统性低估”的现象。数据作为无形资产具有非竞争性、复用性强等特征，其价值易受数据质量、算法偏差及使用场景多重因素干扰，进一步加大了人工智能定价的难度与不确定性。

3.关键标准缺失制约系统互操作性与规模流通。据统计，截至2025年2月，国家数据局已发布20余份数据要素领域相关政策文件，但在数据质量评估、资产计价准则、隐私计算接口规范等方面仍缺乏国家或行业层面的统一标准，不同平台、系统之间难以实现有效对接，形成新的“技术孤岛”，影响数据的跨域流通。

（二）合规与伦理挑战

1.合规压力层层叠加，企业成本与法律风险双高。一方面，从法规适配看，数据交易需同时满足网络安全法、数据安全法、个人信息保护法等法律法规及地方实施细则等多重要求，人工智能系统需持续进行合规性改造与审计，成本显著攀升。另一方面，从确权规则看，我国数据要素“三权分置”（数据资源持有权、数据加工使用权、数据产品经营权）的边界尚未完全清晰，使得人工智能辅助交易在授权链条追溯、侵权责任认定等方面面临法律适用困境，增加了市场主体的合规风险与交易成本。

2.数据安全风险加剧，技术依赖与集中交易放大隐患。过度依赖人工智能会加剧数据滥用、技术漏洞传导等风险叠加，即使采用隐私计算，技术本身仍可能存在未知漏洞。此外，数据集中交易模式使交易平台成为网络攻击的重点目标，给数据安全带来严峻挑战。

3.算法歧视问题凸显，破坏市场公平与社会信任。在数据交易撮合过程中，人工智能算法的设计缺陷或逻辑偏差，会直接引发价格操纵、算法合谋等显性问题，扰乱市场自发形成的公允定价机制，还可能催生针对交易规模、主体类型的隐性歧视，使部分交易主体难以获得平等的匹配机会与数据资源，压缩中小主体、弱势群体的生存空间，破坏市场公平竞争的底层逻辑。特别是在高频、自动化交易场景中，算法行为的不可解释性与不可预测性会进一步放大系统性风险，引发短时间内的交易异常波动，甚至迅速扩散为全市场的风险事件。此外，若训练数据本身存在偏见，人工智能定价模型会将这种偏见进一步放大，形成对特定数据类型、交易主体的系统性歧视。

（三）市场与生态挑战

1.“数据孤岛”现象依然存在。就企业数据而言，大型企业或机构出于竞争或安全考虑，缺乏开放数据的动力，数据要素市场的供给侧活力不足。就公共数据而言，主要存在2方面问题。

一是数据资源底数不清、共享应用存在梗阻。根据《国务院关于2024年度中央预算执行和其他财政收支的审计工作报告》，截至2024年底，9个省份1 091个政府部门的信息系统未按要求编制政务数据目录；9 717个政府部门虽已编制数据目录，但因未关联信息系统、未注明共享条件等，不符合规范要求，削弱了数据的赋能效果。此外，6个省份的147个数源部门以各种理由拒绝其他部门的正当共享申请，既影响政务服务效率，也损害群众切身利益。

二是公共资源交易平台体系不健全、监管不严格、收费不规范，导致相关国有权益面临较大风险，并对营商环境产生不利影响。