Zou Chuanwei: Nghiên cứu bước đầu về đặc điểm, giá trị và cơ chế cấu hình của các phần tử dữ liệu

Đọc bài viết này mất 92 phút

Công nghệ chuỗi khối được sử dụng để lưu trữ và ủy quyền sử dụng dữ liệu và đóng vai trò chính trong việc xác định quyền sở hữu dữ liệu.

Tiêu đề gốc: "Zou Chuanwei: Nghiên cứu sơ bộ về đặc điểm, giá trị và cơ chế cấu hình của các phần tử dữ liệu"

Nguồn gốc: PlatON

Ngày 9 tháng 4 năm 2020, ĐCSTQ Ủy ban Trung ương và Hội đồng Nhà nước đã ban hành "Ý kiến về xây dựng hệ thống phân bổ và cơ chế các yếu tố theo định hướng thị trường hoàn hảo hơn", trong đó lần đầu tiên liệt kê dữ liệu là một trong những yếu tố bên cạnh các yếu tố truyền thống như đất đai, lao động, vốn, và công nghệ, đồng thời đề xuất đẩy nhanh việc phát triển thị trường yếu tố dữ liệu, bao gồm thúc đẩy Ba khía cạnh công việc bao gồm chia sẻ mở dữ liệu của chính phủ, nâng cao giá trị của tài nguyên dữ liệu xã hội và tăng cường tích hợp tài nguyên dữ liệu và bảo vệ an ninh.

Dữ liệu với tư cách là một phần tử là một đề xuất mới và có rất nhiều vấn đề tiên tiến cần được nghiên cứu. Trong tài liệu, các vấn đề liên quan đều thuộc phạm trù Kinh tế dữ liệu. Nền kinh tế dữ liệu đề cập đến hệ sinh thái kinh tế bao gồm các hoạt động thu thập, tổ chức, sử dụng, chia sẻ, lưu thông và quản lý dữ liệu.

Deloitte và Viện nghiên cứu Alibaba (2019) cho rằng tài sản dữ liệu không đáp ứng đầy đủ các định nghĩa về “tài sản” và “tài sản vô hình” trong chuẩn mực kế toán. Báo cáo nghiên cứu “Giá trị của dữ liệu” của Đại học Cambridge (BIPP, 2020) cung cấp đánh giá toàn diện về các vấn đề lý thuyết, thực tiễn và chính sách của nền kinh tế dữ liệu. Li Xiaojia (2020) đề xuất thành lập liên minh công nghiệp hóa phần tử dữ liệu để giải quyết tám vấn đề quan trọng trong nền kinh tế dữ liệu. Yu Shiyang và cộng sự (2020) đã phân tích những thách thức mà đất nước tôi phải đối mặt trong việc tăng cường phân bổ các yếu tố dữ liệu theo định hướng thị trường và đưa ra các đề xuất chính sách trong việc xây dựng nền tảng công cộng, cải thiện điều kiện thị trường, nghiên cứu các chính sách hỗ trợ, thúc đẩy liên kết hợp tác và tối ưu hóa cấu trúc thị trường. Tuy nhiên, đánh giá từ nghiên cứu trong và ngoài nước, kinh tế dữ liệu là một lĩnh vực mới nổi và nghiên cứu học thuật hơi tụt hậu so với thực tiễn ngành và quy định. Có nhiều khái niệm mới, vấn đề mới và cơ chế mới đáng để phân loại.

Bài viết này tiến hành thảo luận sơ bộ về ba câu hỏi sau:Đầu tiên, các đặc tính kinh tế và kỹ thuật quan trọng của các thành phần dữ liệu là gì? Thứ hai, nội hàm và phương pháp đo lường giá trị dữ liệu; thứ ba, cơ chế cấu hình các phần tử dữ liệu.

1. Đặc tính kỹ thuật và kinh tế của các thành phần dữ liệu

(1) Đặc tính kỹ thuật của dữ liệu

Dữ liệu là gì? Trái ngược với suy nghĩ thông thường, đây là một câu hỏi cơ bản nhưng phức tạp trong khoa học thông tin và không có câu trả lời rõ ràng. Sự hiểu biết về dữ liệu không thể tách rời khỏi việc phân tích các khái niệm liên quan như thông tin và kiến thức. Ackoff (1989) đề xuất mô hình DIKW (Hình 1), trong đó D ám chỉ dữ liệu, I ám chỉ thông tin, K ám chỉ kiến thức và W ám chỉ trí tuệ. Mô hình DIKW được sử dụng rộng rãi trong các lĩnh vực quản lý thông tin, hệ thống thông tin và quản lý tri thức, và các nhà nghiên cứu khác nhau đã đưa ra những cách giải thích khác nhau từ những góc nhìn khác nhau, như Rowley (2007) đã xem xét. Bài viết này không thảo luận sâu về mô hình DIKW mà chỉ sắp xếp các đặc tính kỹ thuật của dữ liệu phù hợp nhất với phân tích kinh tế dựa trên Rowley (2007).

Hình 1: Mô hình DIKW

Đầu tiên, giữa trí tuệ, kiến thức, thông tin và dữ liệu Có sự phụ thuộc từ khẩu độ hẹp đến khẩu độ rộng. Thông tin có thể được trích xuất từ dữ liệu, kiến thức có thể được tóm tắt từ thông tin và trí tuệ có thể được thăng hoa từ kiến thức. Việc trích xuất, tóm tắt và thăng hoa này không phải là các quy trình cơ học đơn giản và dựa vào các phương pháp khác nhau và đầu vào bổ sung (chẳng hạn như các kịch bản ứng dụng và kiến thức nền tảng của các ngành liên quan). Vì vậy, mặc dù thông tin, kiến thức và trí tuệ cũng thuộc loại dữ liệu nhưng chúng là dữ liệu “bậc cao”.

Thứ hai, dữ liệu là sản phẩm của quá trình quan sát. Đối tượng quan sát bao gồm các đối tượng, cá nhân, tổ chức, sự kiện và môi trường của họ, v.v. Các quan sát được thực hiện dựa trên nhiều quan điểm, phương pháp và công cụ khác nhau, đồng thời đi kèm với các hệ thống biểu đạt biểu tượng tương ứng, chẳng hạn như đơn vị trọng lượng và thước đo. Dữ liệu là sản phẩm của việc sử dụng các hệ thống biểu đạt biểu tượng này để ghi lại các đặc điểm và hành vi của các đối tượng được quan sát. Dữ liệu có thể ở dạng văn bản, số, biểu đồ, âm thanh và video. Về hình thức tồn tại, dữ liệu có thể ở dạng số (Digital) hoặc phi số (như ghi trên giấy). Tuy nhiên, với sự phát triển của công nghệ thông tin và truyền thông (ICT), ngày càng có nhiều dữ liệu được số hóa và thể hiện dưới dạng nhị phân ở lớp dưới cùng.

Thứ ba, dữ liệu được xử lý thông qua quá trình nhận thức để thu thập thông tin, đưa ra Câu trả lời các câu hỏi như Ai, Cái gì, Ở đâu và Khi nào. Thông tin là dữ liệu được tổ chức và cấu trúc phù hợp với các mục tiêu và tình huống cụ thể và do đó có giá trị và ý nghĩa. Ví dụ, theo lý thuyết thông tin, thông tin có thể làm giảm độ không đảm bảo đo bằng entropy.

Thứ tư, So với dữ liệu và thông tin, kiến thức và trí tuệ khó hơn để xác định chính xác. Tri thức là việc áp dụng dữ liệu và thông tin để đưa ra câu trả lời về cách thực hiện điều gì đó (How). Trí tuệ có một ý nghĩa riêng biệt là sự phán xét giá trị và trong nhiều trường hợp có liên quan đến những dự đoán và định hướng giá trị cho tương lai.

Phần sau đây sử dụng kinh tế lượng làm ví dụ để minh họa cho mô hình DIKW. Kinh tế lượng là phương pháp phân tích thực nghiệm chính trong kinh tế học. Phân tích thực nghiệm dựa trên sự quan sát và trả lời câu hỏi “cái gì”. Trong kinh tế lượng, đối tượng quan sát thường được gọi là mẫu, có thể là một cá nhân, một tổ chức, một khu vực hoặc thậm chí là một quốc gia. Việc quan sát mẫu từ các góc độ khác nhau tương ứng với khái niệm các biến trong kinh tế lượng. Việc quan sát một nhóm mẫu từ các góc khác nhau sẽ mang lại dữ liệu cắt ngang, trong khi quan sát liên tục một nhóm mẫu từ các góc khác nhau tại các thời điểm khác nhau sẽ mang lại dữ liệu chuỗi thời gian. Những loại dữ liệu này là dữ liệu có cấu trúc. Với ngày càng nhiều dữ liệu được số hóa và sự phát triển của trí tuệ nhân tạo và các phương pháp phân tích dữ liệu lớn, dữ liệu bán cấu trúc và dữ liệu phi cấu trúc ngày càng được sử dụng nhiều trong kinh tế, chẳng hạn như duyệt Internet, nhấp chuột và các dữ liệu khác.

Kinh tế lượng trích xuất thông tin từ dữ liệu, chủ yếu bao gồm: Thứ nhất, Khám phá các quy luật và các mẫu ẩn trong dữ liệu; thứ hai là ước tính mô hình; thứ ba là kiểm tra giả thuyết. Điều này tương ứng với hệ thống phân cấp thông tin của mô hình DIKW. Ví dụ: thực hiện thống kê mô tả dữ liệu, tính giá trị trung bình, độ lệch chuẩn của các biến và hệ số tương quan giữa các biến là một trong những cách đơn giản nhất để trích xuất thông tin từ dữ liệu. Kinh tế lượng thường giả định rằng dữ liệu tuân theo một quy trình tạo dữ liệu (Data Generation Process), nhưng dạng mô hình và các giá trị tham số của quy trình tạo dữ liệu là không xác định và sự can thiệp ngẫu nhiên có thể gây ra lỗi cho các quan sát. Kinh tế lượng sử dụng dữ liệu quan sát được để ước tính quá trình tạo dữ liệu và sau đó kiểm tra các giả thuyết dựa trên dữ liệu này. Các phương pháp phân tích trí tuệ nhân tạo và dữ liệu lớn linh hoạt hơn trong việc xử lý dữ liệu và được chia thành phân tích dự đoán và phân tích mô tả. Phân tích dự đoán là dự đoán giá trị của các biến khác dựa trên giá trị của một số biến. Phân tích mô tả là quá trình rút ra và tóm tắt các mẫu kết nối cơ bản trong dữ liệu, bao gồm các mối tương quan, xu hướng, cụm, quỹ đạo và sự bất thường. Hai loại phân tích này được thể hiện bằng các phương pháp cụ thể như phân loại, hồi quy, phân tích tương quan, phân tích cụm, hệ thống khuyến nghị và phát hiện bất thường.

Đề xuất các khuyến nghị chính sách dựa trên kết quả phân tích kinh tế lượng, tương ứng với trình độ hiểu biết của mô hình DIKW. Nhiều nghiên cứu chính sách là phân tích quy phạm, trả lời câu hỏi “nên là gì?” Những hiểu biết sâu sắc về kinh tế học về cân bằng kinh tế, tăng trưởng kinh tế, kiểm soát vĩ mô, cơ chế giá cả, khuyến khích vi mô và định giá rủi ro tương ứng với mức độ hiểu biết của mô hình DIKW.

Nói chung, các đặc tính kỹ thuật của dữ liệu chủ yếu bao gồm các thứ nguyên sau:

* Phân phối mẫu, phạm vi thời gian và các biến/thuộc tính/trường dữ liệu, v.v.
* Dung lượng dữ liệu, chẳng hạn như số lượng mẫu, số lượng biến, độ dài chuỗi thời gian và không gian lưu trữ bị chiếm dụng, v.v.
* Chất lượng dữ liệu, chẳng hạn như mẫu có mang tính đại diện hay không, dữ liệu có đáp ứng các thông số và tiêu chuẩn được xác định trước hay không, mức độ chi tiết, độ chính xác và lỗi của quan sát và tính toàn vẹn dữ liệu (chẳng hạn như liệu có dữ liệu bị thiếu hay không).
* Tính kịp thời của dữ liệu. Cho rằng các đặc điểm và hành vi của đối tượng được quan sát có thể thay đổi theo thời gian, liệu dữ liệu có còn phản ánh đối tượng được quan sát không?
* Nguồn dữ liệu. Một số dữ liệu đến từ quan sát trực tiếp, một số dữ liệu được cung cấp bởi những người quan sát trực tiếp và một số dữ liệu được lấy từ dữ liệu khác. Dữ liệu có thể đến từ các thử nghiệm được kiểm soát và khảo sát mẫu, cũng như từ Internet, mạng xã hội, Internet vạn vật và Internet công nghiệp. Dữ liệu có thể được tạo ra bởi con người hoặc máy móc. Dữ liệu có thể đến từ trực tuyến hoặc ngoại tuyến.
* Loại dữ liệu, bao gồm dữ liệu kỹ thuật số hay phi kỹ thuật số, có cấu trúc hay không có cấu trúc và hình thức tồn tại (văn bản, số, biểu đồ, âm thanh và video, v.v.).
* Khả năng tương tác và kết nối giữa các bộ dữ liệu khác nhau, chẳng hạn như liệu các ID mẫu có hợp nhất hay không, liệu các định nghĩa biến có nhất quán hay không và liệu các đơn vị dữ liệu có thống nhất hay không nhất quán và như vậy.
* Cho dù đó là dữ liệu cá nhân. Dữ liệu cá nhân có nhiều điểm đặc biệt trong việc bảo vệ quyền riêng tư cần được thảo luận đặc biệt.

(2) Đặc tính kinh tế của dữ liệu

So với các đặc tính kỹ thuật của dữ liệu, các đặc tính kinh tế của dữ liệu phức tạp hơn nhiều. Dữ liệu tạo ra giá trị (xem bên dưới) và do đó có thuộc tính tài sản. Dữ liệu có đặc điểm của cả hàng hóa và dịch vụ. Một mặt, dữ liệu có thể được lưu trữ và chuyển giao, tương tự như hàng hóa. Dữ liệu được tích lũy và không bị suy giảm hoặc bị hỏng về mặt vật lý. Mặt khác, nhiều dữ liệu là vô hình và giống như dịch vụ. Dữ liệu với tư cách là tài sản có nhiều đặc thù, có thể được phân tích từ góc độ của Bảng 1:

Bảng 1: Phân loại hàng hóa công, hàng hóa bán công và hàng hóa tư

Không cạnh tranh Có nghĩa là khi một người tiêu dùng một sản phẩm nào đó thì không làm giảm hoặc hạn chế việc tiêu dùng sản phẩm đó của người khác. Nói cách khác, chi phí cận biên của mỗi người tiêu dùng thêm sản phẩm bằng 0. Hầu hết dữ liệu có thể được tái sử dụng mà không làm giảm chất lượng hoặc dung lượng dữ liệu và có thể được nhiều người khác nhau sử dụng cùng lúc, khiến dữ liệu không có tính cạnh tranh.

Không độc quyền có nghĩa là khi ai đó trả tiền để tiêu dùng thứ gì đó Khi mua một sản phẩm sản phẩm, bạn không thể loại trừ những người khác chưa trả tiền cho sản phẩm đó khỏi việc tiêu dùng sản phẩm đó hoặc chi phí loại trừ rất cao. Nhiều dữ liệu không độc quyền, chẳng hạn như dữ liệu dự báo thời tiết. Nhưng thông qua công nghệ và thiết kế thể chế, một số loại dữ liệu có thể bị loại trừ. Ví dụ: một số thiết bị đầu cuối thông tin truyền thông được trả phí và chỉ những thành viên trả phí mới có thể đọc chúng.

Theo Bảng 1, nhiều dữ liệu là hàng hóa công cộng và có thể được bất kỳ ai sử dụng, chuyển đổi và chia sẻ một cách tự do vì bất kỳ mục đích nào. Ví dụ: số liệu thống kê kinh tế và dữ liệu dự báo thời tiết do chính phủ công bố. Một số dữ liệu là sản phẩm của câu lạc bộ và là hàng hóa gần như công cộng, chẳng hạn như thiết bị đầu cuối thông tin phương tiện truyền thông trả phí đã đề cập trước đó. Hầu hết dữ liệu là không có tính cạnh tranh và do đó ít dữ liệu là hàng hóa tư nhân và tài nguyên công cộng.

Quyền sở hữu dữ liệu là một vấn đề phức tạp cả về luật pháp và thực tế, đặc biệt là đối với dữ liệu cá nhân. Dữ liệu có thể dễ dàng được thu thập, lưu trữ, sao chép, phổ biến, tổng hợp và xử lý mà không có sự cho phép hợp lý, đồng thời việc thu thập và xử lý dữ liệu đi kèm với việc tạo ra dữ liệu mới. Điều này gây khó khăn cho việc xác định rõ ràng quyền sở hữu dữ liệu và bảo vệ dữ liệu một cách hiệu quả. Ví dụ, trong nền kinh tế Internet, các nền tảng Internet ghi lại các lần nhấp chuột, lịch sử duyệt web và mua sắm, v.v. của người dùng, đây là những dữ liệu rất có giá trị. Mặc dù dữ liệu này mô tả các đặc điểm và hành vi của người dùng nhưng nó không được người dùng cung cấp như thông tin nhận dạng cá nhân của người dùng và rất khó để nói rằng nó thuộc sở hữu của người dùng. Mặc dù nền tảng Internet ghi lại và lưu trữ dữ liệu này nhưng dữ liệu này có liên quan chặt chẽ đến quyền riêng tư và lợi ích của người dùng, rất khó để nền tảng Internet sử dụng và xử lý dữ liệu này mà người dùng không biết nên nền tảng Internet không có đầy đủ quyền sở hữu.

Do đó, quyền của người dùng với tư cách là chủ thể dữ liệu và nền tảng Internet với tư cách là người kiểm soát dữ liệu cần phải được xác định cẩn thận thông qua thiết kế thể chế và công nghệ mã hóa. Điều này sẽ có tác động đáng kể đến lợi ích kinh tế của họ.

Nhiều bài viết so sánh dữ liệu với dầu mỏ của nền kinh tế mới. Phép ẩn dụ này thực sự không chính xác. Dầu có tính cạnh tranh và có tính loại trừ, quyền sở hữu của nó có thể được xác định rõ ràng.Là một sản phẩm tư nhân, dầu đã hình thành các mô hình giao dịch thị trường phức tạp như giao ngay và tương lai. Khó xác định rõ ràng quyền sở hữu của nhiều dữ liệu và khó tham gia hiệu quả vào các giao dịch thị trường dưới dạng hàng hóa công hoặc hàng hóa bán công. Vì vậy, việc so sánh dữ liệu với ánh nắng mặt trời sẽ phù hợp hơn.

2. Ý nghĩa và cách đo lường giá trị dữ liệu

(1) Ý nghĩa của giá trị dữ liệu

Theo mô hình DIKW, thông tin, kiến thức và trí tuệ được trích xuất từ dữ liệu, hàm ý khái niệm chuỗi giá trị dữ liệu. Sau khi dữ liệu thô được xử lý và tích hợp với dữ liệu khác, dữ liệu đó sẽ được phân tích để hình thành những hiểu biết sâu sắc có thể hành động và cuối cùng các hành động sẽ tạo ra giá trị.

Giá trị của dữ liệu có thể được hiểu ở cả cấp độ vi mô và vĩ mô. Ở cấp độ vi mô, thông tin, kiến thức và trí tuệ không chỉ có thể thỏa mãn sự tò mò của người dùng (nghĩa là sản phẩm cuối cùng) mà còn cải thiện nhận thức của người dùng và giúp họ đưa ra quyết định tốt hơn (nghĩa là sản phẩm trung gian). là nâng cao hiệu quả của chúng. Việc cải thiện tiện ích dữ liệu cho người dùng phản ánh giá trị của dữ liệu. Ở cấp độ vĩ mô, thông tin, kiến thức và trí tuệ giúp nâng cao năng suất nhân tố tổng hợp và đóng vai trò cấp số nhân, đồng thời là hiện thân của giá trị dữ liệu. Bài viết này chủ yếu thảo luận về giá trị của dữ liệu ở cấp độ vi mô, có các đặc điểm chính sau.

1. Giá trị của cùng một dữ liệu đối với những người khác nhau có thể rất khác nhau

Đầu tiên, Những người khác nhau có các phương pháp phân tích khác nhau và thông tin, kiến thức và trí tuệ được trích xuất từ cùng một dữ liệu có thể khác nhau rất nhiều. Ví dụ, trong lịch sử khoa học, nhiều nhà khoa học đã tiến hành nghiên cứu chuyên sâu về những hiện tượng mà công chúng coi là đương nhiên và có những khám phá quan trọng. Tác động của vật nặng rơi xuống đất đối với Newton, tia sét đối với Franklin, màu xanh của nước biển đối với Raman, và giá trị của chúng đối với công chúng là hoàn toàn khác nhau. Một ví dụ khác, trong kinh tế học, các nhà kinh tế khác nhau thường giải thích cùng một dữ liệu kinh tế theo những cách hoàn toàn khác nhau.

Thứ hai,Những người khác nhau ở trong những tình huống khác nhau và đối mặt với những vấn đề khác nhau. Tương tự như vậy , cùng một dữ liệu có tác dụng khác nhau đối với chúng. Dữ liệu tương tự có thể là rác đối với một số người, nhưng nó có thể là kho báu đối với những người khác. Ví dụ, những khám phá khảo cổ học có thể có giá trị lớn đối với các nhà nghiên cứu lịch sử nhưng chúng có thể có ít giá trị đối với các nhà đầu tư tài chính. Ví dụ: dữ liệu thay thế bao gồm dữ liệu cá nhân, dữ liệu quy trình kinh doanh, dữ liệu cảm biến, v.v. Dữ liệu này có thể giúp các nhà đầu tư đưa ra quyết định đầu tư nhưng nó ít có giá trị đối với các nhà đầu tư phi tài chính. Những người khác nhau có thể sử dụng dữ liệu ở các khoảng thời gian khác nhau. Ví dụ: một số người đánh giá quá khứ, một số phân tích hiện tại, một số dự đoán tương lai và một số thực hiện kiểm tra lại. Các mục đích sử dụng khác nhau có các yêu cầu khác nhau đối với dữ liệu và cùng một dữ liệu có nghĩa là các giá trị khác nhau.

Thứ ba,Các hệ thống và khung chính sách khác nhau có những hạn chế khác nhau đối với việc sử dụng dữ liệu. Thứ nhất, nó cũng sẽ ảnh hưởng đến giá trị của dữ liệu. Nói cách khác, giá trị dữ liệu là nội sinh đối với các thể chế và chính sách. Ví dụ: các quốc gia khác nhau có mức độ bảo vệ dữ liệu cá nhân khác nhau và các trường hợp thu thập và sử dụng dữ liệu cá nhân cũng như giá trị được tạo ra cũng khác nhau rất nhiều giữa các quốc gia. Nền tảng Internet được xếp hạng hàng đầu ở đất nước tôi đã tung ra các sản phẩm tín dụng trực tuyến dựa trên dữ liệu hành vi của người dùng, điều này không phổ biến ở các quốc gia khác. Sau khi nền tảng Internet thu được dữ liệu người dùng, nếu nó không bảo vệ và sử dụng dữ liệu đó đúng cách cũng như không tôn trọng quyền riêng tư của người dùng thì điều đó sẽ ảnh hưởng đến hình ảnh thương hiệu và niềm tin của người dùng, đồng thời có tác động tiêu cực đến giá trị của dữ liệu và giá trị của công ty. Vào tháng 4 năm 2020, một tòa án liên bang Hoa Kỳ đã phê chuẩn khoản thanh toán trị giá 5 tỷ USD của Facebook với Ủy ban Thương mại Liên bang Hoa Kỳ về vụ bê bối Cambridge Analytica.

2. Giá trị dữ liệu thay đổi theo thời gian

Đầu tiên, dữ liệu được cung cấp kịp thời. Sau một thời gian, giá trị của nhiều dữ liệu sẽ giảm đi do không thể phản ánh tốt thực trạng của đối tượng được quan sát. Hiện tượng này được gọi là khấu hao dữ liệu. Sự khấu hao dữ liệu rất rõ ràng trên thị trường tài chính. Ví dụ: một tin tức mới có thể có tác động lớn đến giá chứng khoán khi nó được phát hành lần đầu tiên, nhưng một khi giá chứng khoán phản ánh tin tức đó thì giá trị của nó đối với đầu tư tài chính sẽ giảm mạnh xuống 0. Trong mô hình DIKW, dữ liệu được tinh chỉnh thành thông tin, kiến thức và trí tuệ, và mức độ tinh chỉnh càng cao thì khả năng chống khấu hao dữ liệu càng cao.

Thứ hai, dữ liệu có giá trị tùy chọn. Cơ hội mới và công nghệ mới sẽ tạo ra giá trị mới cho dữ liệu hiện có. Trong nhiều trường hợp, dữ liệu được thu thập không chỉ cho nhu cầu trước mắt mà còn để cải thiện phúc lợi trong tương lai.

3. Dữ liệu sẽ tạo ra các tác động bên ngoài

Đầu tiên, giá trị của dữ liệu đối với cá nhân được gọi là giá trị riêng tư và giá trị của dữ liệu đối với xã hội được gọi là giá trị công cộng. Dữ liệu không thể loại trừ hoặc không có tính cạnh tranh sẽ tạo ra các tác động bên ngoài và tạo ra sự khác biệt giữa giá trị riêng tư và giá trị công cộng. Ngoại tác này có thể tích cực hoặc tiêu cực và không có kết luận cuối cùng.

Thứ hai, giá trị của dữ liệu và sự kết hợp dữ liệu có thể khác với chúng Tổng các giá trị tương ứng của chúng là một ngoại ứng khác. Nhưng vẫn chưa rõ liệu việc tổng hợp dữ liệu có tăng thêm giá trị hay không. Một mặt, có thể có lợi nhuận tăng dần theo quy mô, chẳng hạn như có nhiều dữ liệu hơn để lộ rõ hơn các mô hình và xu hướng ẩn giấu. Mặt khác, có thể có hiệu suất giảm dần theo quy mô, chẳng hạn như nhiều dữ liệu hơn gây ra nhiều nhiễu hơn. Nhưng nhìn chung, dung lượng dữ liệu càng lớn thì giá trị của dữ liệu càng cao không nhất thiết, nội dung của dữ liệu cũng rất quan trọng. Ví dụ: trong 1 giờ dữ liệu giám sát video, dữ liệu có giá trị có thể chỉ là 1-2 giây.

(2) Đo giá trị dữ liệu

1. Định giá tuyệt đối

Cho ba chìa khóa cho giá trị dữ liệu Đặc điểm và việc định giá tuyệt đối dữ liệu là rất khó và không có phương pháp nào được chấp nhận rộng rãi. Có một số phương pháp chính trong thực tiễn ngành hiện nay, nhưng chúng đều có những nhược điểm (BIPP, 2020; Deloitte và Viện nghiên cứu Alibaba, 2019).

Đầu tiên, phương pháp chi phí, nghĩa là thu thập , chi phí lưu trữ và phân tích dữ liệu làm chuẩn định giá dữ liệu. Các chi phí này bao gồm từ phần mềm và phần cứng đến sở hữu trí tuệ và nguồn nhân lực, cũng như các chi phí dự phòng do sự cố bảo mật, mất thông tin nhạy cảm hoặc tổn hại về danh tiếng. Việc thu thập và phân tích dữ liệu thường có chi phí cố định cao và chi phí cận biên thấp, dẫn đến tính kinh tế theo quy mô. Mặc dù các phương pháp chi phí rất dễ thực hiện nhưng rất khó tính đến sự khác biệt về giá trị của cùng một dữ liệu đối với những người khác nhau, tại các thời điểm khác nhau và khi kết hợp với các dữ liệu khác. Ngoài ra, Deloitte và Viện nghiên cứu Alibaba (2019) đã chỉ ra rằng một số dữ liệu là sản phẩm bổ sung của hoạt động sản xuất kinh doanh của doanh nghiệp và chi phí mua lại thường khó tách biệt khỏi doanh nghiệp và khó đo lường một cách đáng tin cậy. Rõ ràng, giá trị của dữ liệu không nhất thiết phải cao hơn chi phí, điều đó có nghĩa là không phải dữ liệu nào cũng đáng được thu thập, lưu trữ và phân tích.

Thứ hai, Phương pháp thu nhập, là dữ liệu đánh giá. tác động kinh tế và xã hội, dự đoán dòng tiền trong tương lai và sau đó chiết khấu dòng tiền trong tương lai về hiện tại. Phương pháp thu nhập về mặt logic tương tự như phương pháp dòng tiền chiết khấu trong định giá công ty, có thể xem xét ba đặc điểm chính của giá trị dữ liệu, về mặt lý thuyết tương đối đầy đủ, nhưng lại gặp nhiều trở ngại trong quá trình thực hiện. Một là khó khăn trong việc mô hình hóa các tác động kinh tế và xã hội của dữ liệu. Thứ hai là làm thế nào để đánh giá giá trị tùy chọn của dữ liệu. Định giá quyền chọn thực là một phương pháp tùy chọn, nhưng nó không hoàn hảo.

Thứ ba, cách tiếp cận thị trường, tức là dựa trên dữ liệu Giá thị trường được sử dụng làm chuẩn để đánh giá giá trị của dữ liệu không có trên thị trường. Phương pháp thị trường tương tự như phương pháp định giá tỷ lệ giá trên thu nhập và tỷ lệ giá trên sổ sách của thị trường chứng khoán. Bất cập của quy luật thị trường là có nhiều dữ liệu không độc quyền, không cạnh tranh, gây khó khăn cho việc tham gia giao dịch thị trường. Hiện tại, có một số nỗ lực trong thị trường phần tử dữ liệu, nhưng độ dày và tính thanh khoản của thị trường là không đủ, chức năng khám phá giá cũng không hoàn hảo. Ngoài ra, giá của một số vụ mua bán và sáp nhập công ty bao gồm cả việc định giá dữ liệu nhưng không dễ để tách rời nó.

Thứ tư, Phương pháp kiểm tra bảng câu hỏi. Phương pháp này chủ yếu nhắm vào dữ liệu cá nhân, sử dụng bảng câu hỏi để kiểm tra xem các cá nhân sẵn sàng tính phí bao nhiêu để truyền dữ liệu của họ hoặc họ sẵn sàng chi bao nhiêu để bảo vệ dữ liệu của mình, từ đó đánh giá giá trị của dữ liệu cá nhân. Phạm vi ứng dụng của phương pháp này rất hẹp và chi phí thực hiện cao.

2. Định giá tương đối

Mục tiêu của việc định giá tương đối dữ liệu là để, với một tập hợp dữ liệu và một nhiệm vụ chung, đánh giá sự đóng góp của từng bộ dữ liệu trong việc hoàn thành nhiệm vụ. So với định giá tuyệt đối, định giá tương đối đơn giản hơn, đặc biệt đối với các nhiệm vụ phân tích dữ liệu định lượng.

Trong định giá dữ liệu tương đối, các phương pháp nhóm dữ liệu phổ biến bao gồm: thứ nhất, các biến/trường giống nhau, nhưng thuộc về các mẫu quan sát khác nhau ; Mẫu thứ hai là cùng một mẫu quan sát nhưng có các biến/trường khác nhau. Khoa học thống kê và dữ liệu đã thiết lập các số liệu đánh giá định lượng cho các nhiệm vụ mô tả và dự đoán chung. Ví dụ: đối với các nhiệm vụ dự đoán, cần phải thử nghiệm ngoài mẫu để đánh giá các lỗi dự đoán. Khi biến dự đoán là rời rạc, các chỉ số như độ chính xác, tỷ lệ lỗi và diện tích dưới đường cong Đặc tính hoạt động của máy thu (ROC) thường được sử dụng. Sai số chuẩn thường được sử dụng khi biến dự đoán là liên tục. Đối với các nhiệm vụ mô tả, dữ liệu mẫu cần được sử dụng để đánh giá hiệu quả phù hợp của mô hình. Các mô hình tuyến tính thường sử dụng R bình phương và các mô hình phi tuyến thường sử dụng hàm khả năng (giả sử cần thực hiện phân bố các mục nhiễu).

Việc sử dụng giá trị Shapley để định giá tương đối dữ liệu theo các bước bên dưới. Bước 1: Xác định bộ sưu tập dữ liệu và các thành phần của nó. Bước 2: Xác định các nhiệm vụ cần hoàn thành. Bước 3: Lựa chọn mô hình và các chỉ số đánh giá sử dụng để hoàn thành nhiệm vụ. Bước 4: Đối với mỗi tập hợp con dữ liệu được hình thành bởi các phần tử trong tập dữ liệu (phần tử 〡N〡, nghĩa là 2〡N〡 tập hợp con dữ liệu có thể), chạy mô hình và thu được kết quả đánh giá. Bước 5: Tính toán mức độ đóng góp của từng phần tử trong việc hoàn thành nhiệm vụ dựa trên giá trị Shapley. Nhược điểm chính của phương pháp này là khi số lượng phần tử trong việc thu thập dữ liệu tăng lên thì nỗ lực tính toán tăng theo cấp số nhân. Ưu điểm chính là nó trực quan, dễ tính toán và bắt nguồn từ nghiên cứu lâu dài về kinh tế. Jia và cộng sự (2019) thảo luận về cách tối ưu hóa quá trình tính toán sử dụng giá trị Shapley để ước tính tương đối của dữ liệu.

Việc định giá tương đối của dữ liệu cho thấy rằng khi cùng một dữ liệu được sử dụng cho các nhiệm vụ khác nhau, sử dụng các phương pháp phân tích khác nhau hoặc được kết hợp với các dữ liệu khác nhau, hiệu suất Các giá trị đầu ra là khác nhau. Đặc biệt, dữ liệu lệch khỏi "dòng chính" của tập dữ liệu có thể có giá trị tương đối cao hơn dữ liệu gần với "dòng chính" của tập dữ liệu, cho thấy giá trị của "ngoại lệ".

3. Cơ chế cấu hình các thành phần dữ liệu

Trên thực tế, dữ liệu có nhiều loại và đặc điểm khác nhau nên cơ chế cấu hình cũng khác nhau. Do nhiều dữ liệu không phù hợp để tham gia giao dịch thị trường nên nhiều cơ chế phân bổ không thuộc mô hình giao dịch thị trường. Nói cách khác, phân bổ theo định hướng thị trường không bằng phương thức giao dịch thị trường.

Các cơ chế này được dành riêng để giải quyết hai vấn đề còn tồn tại trong cấu hình phần tử dữ liệu. Đầu tiên, sự bất cân xứng thông tin. Cơ chế cấu hình phần tử dữ liệu liên quan đến nhiều người tham gia có lợi ích không nhất quán. Ví dụ: chủ thể dữ liệu thường không biết dữ liệu của họ được thu thập khi nào, vì mục đích gì hoặc gây ra hậu quả gì. Người tạo dữ liệu không biết liệu chủ thể dữ liệu có tiết lộ dữ liệu một cách có chọn lọc hay không và liệu họ có điều chỉnh hành vi của mình theo cách có mục tiêu hay không khi họ biết dữ liệu của mình đang được thu thập. Họ cũng không biết giá trị của dữ liệu được tạo ra đối với những người dùng dữ liệu khác nhau. Người sử dụng dữ liệu khó có thể hiểu trước đầy đủ giá trị của dữ liệu đối với bản thân họ. Ví dụ, việc định giá tương đối của dữ liệu được thực hiện sau đó.

Thứ hai, Hợp đồng chưa hoàn chỉnh. Cơ chế cấu hình phần tử dữ liệu có thể được thể hiện dưới dạng kết hợp của một loạt hợp đồng. Tuy nhiên, ứng dụng dữ liệu có kịch bản phong phú, chuỗi giá trị dữ liệu có nhiều liên kết, giá trị dữ liệu thiếu tiêu chuẩn đo lường khách quan, những yếu tố này khiến cơ chế cấu hình phần tử dữ liệu khó có thể bao quát trước mọi tình huống có thể xảy ra. Điều này sẽ không chỉ ảnh hưởng đến động cơ khuyến khích các chủ thể dữ liệu chia sẻ dữ liệu và người tạo dữ liệu để tạo ra dữ liệu mà còn ảnh hưởng đến việc phân phối hợp lý giá trị dữ liệu giữa những người đóng góp khác nhau trong chuỗi giá trị dữ liệu.

Tiếp theo, tùy theo đặc điểm kinh tế và kịch bản ứng dụng của dữ liệu, cơ chế cấu hình phần tử dữ liệu đại diện sẽ được thảo luận.

(1) Dữ liệu là hàng hóa công

Khi dữ liệu được sử dụng như một sản phẩm công cộng, nếu được cung cấp bởi khu vực tư nhân, sẽ nảy sinh vấn đề thiếu đầu tư và không đủ nguồn cung. Dữ liệu thường được cung cấp bởi các cơ quan chính phủ sử dụng nguồn thu từ thuế. Các dự án chia sẻ và mở dữ liệu trong các cơ quan chính phủ có thể được hiểu trong khuôn khổ này. Các cơ quan chính phủ nên mở dữ liệu của chính phủ cho xã hội và thị trường càng nhiều càng tốt mà không liên quan đến tính bảo mật, để tối đa hóa giá trị công của dữ liệu chính phủ.

Năm 2009, chính phủ liên bang Hoa Kỳ đã triển khai cổng dữ liệu mở Data.gov để tích hợp dữ liệu trước đây nằm rải rác trên các trang web của chính phủ liên bang khác nhau cung cấp nền tảng hosting thống nhất. Năm 2019, Đạo luật Dữ liệu Chính phủ Mở của Hoa Kỳ yêu cầu rằng, ngoại trừ dữ liệu liên quan đến an ninh quốc gia và các lý do đặc biệt khác, chính phủ liên bang phải xuất bản dữ liệu họ sở hữu trực tuyến và những dữ liệu công khai này phải ở dạng chuẩn hóa, có thể đọc được bằng máy.

Kể từ năm 2016, nước ta đã ban hành "Các biện pháp tạm thời để chia sẻ và quản lý tài nguyên thông tin của chính phủ" và "Tài nguyên thông tin công cộng Khai mạc Kế hoạch làm việc thí điểm". Chuỗi tài liệu khởi đầu quá trình chia sẻ và mở dữ liệu của chính phủ. Hướng công việc đầu tiên được đề xuất trong "Ý kiến về xây dựng hệ thống phân bổ và cơ chế các yếu tố theo định hướng thị trường hoàn hảo hơn" là thúc đẩy việc chia sẻ cởi mở dữ liệu của chính phủ.

(2) Dữ liệu dưới dạng hàng hóa bán công

Nếu dữ liệu là sản phẩm gần như công khai có quyền sở hữu rõ ràng và độc quyền thì có ba cơ chế cấu hình chính sau.

Đầu tiên, với tư cách là dữ liệu sản phẩm câu lạc bộ, bạn có thể áp dụng mô hình đăng ký trả phí , chẳng hạn như thiết bị đầu cuối thông tin phương tiện trả phí.

Thứ hai, mô hình ngân hàng mở. Các ngân hàng mở dữ liệu người dùng cho các tổ chức bên thứ ba được ủy quyền thông qua Giao diện lập trình ứng dụng (API) để thúc đẩy việc phát triển và sử dụng dữ liệu người dùng. Ngân hàng không chỉ giới hạn dữ liệu người dùng nào có thể được mở mà còn giới hạn những tổ chức nào có thể mở. Đây thực sự là một phần triển khai tính di động của dữ liệu người dùng.

Thứ ba, mô hình tin cậy dữ liệu. Theo BIPP (2020), quỹ tín thác dữ liệu có thể có nhiều hình thức khác nhau, chẳng hạn như quỹ tín thác hợp pháp, chứng thư, công ty cũng như quỹ tín thác công cộng và cộng đồng. Mục tiêu chính của ủy thác dữ liệu bao gồm: thứ nhất, cho phép chia sẻ dữ liệu; thứ hai, thúc đẩy lợi ích công cộng và lợi ích riêng của người chia sẻ dữ liệu; thứ ba, tôn trọng lợi ích của những người có quyền hợp pháp đối với dữ liệu; thứ tư, đảm bảo rằng dữ liệu được xử lý có đạo đức và các quy tắc tin cậy dữ liệu được chia sẻ.

(3) Mô hình PIK (Trả bằng hiện vật) của nền tảng Internet

Như đã đề cập trước đó, trong nền kinh tế Internet, nếu dữ liệu cá nhân không được người dùng cung cấp bên ngoài mà xuất phát từ việc quan sát và ghi lại các đặc điểm và hành vi của người dùng bởi chính người dùng. Nền tảng Internet thì quyền sở hữu khó được xác định rõ ràng. Trên thực tế, nền tảng Internet thường cung cấp cho người dùng thông tin và dịch vụ xã hội miễn phí, với mục tiêu mở rộng số lượng người dùng và thu hút sự chú ý cũng như dữ liệu cá nhân của người dùng (chẳng hạn như sở thích của người dùng, đặc điểm tiêu dùng và kết nối xã hội, v.v.). Trong mô hình này, có thể coi người dùng trao đổi sự chú ý và dữ liệu cá nhân của họ để lấy thông tin và dịch vụ xã hội nên được gọi là mô hình PIK (Hình 2). Một mặt, nền tảng Internet kiếm tiền từ lưu lượng truy cập của người dùng thông qua doanh thu quảng cáo; mặt khác, nó tiến hành tiếp thị chính xác và phát triển các sản phẩm tín dụng dựa trên dữ liệu cá nhân của người dùng.

Hình 2: Mô hình PIK của nền tảng Internet

Mô hình PIK có ba nhược điểm chính: Thứ nhất, trạng thái của nền tảng Internet và người dùng không bình đẳng và dễ thu thập dữ liệu người dùng mà không có sự cho phép của người dùng hoặc thu thập quá mức dữ liệu người dùng hoặc dữ liệu cá nhân được thu thập ở doanh nghiệp A được sử dụng ở doanh nghiệp B, gây ra các vấn đề xâm phạm quyền riêng tư và lạm dụng dữ liệu. Thứ hai, nếu nền tảng Internet hình thành một hệ sinh thái thu thập, nó sẽ khóa người dùng và thực sự kiểm soát dữ liệu người dùng. Người dùng gặp khó khăn khi mở dữ liệu của họ hoặc di chuyển dữ liệu của họ sang các đối thủ cạnh tranh trên nền tảng Internet. Nền tảng Internet tạo ra sự cạnh tranh không lành mạnh với các đối thủ cạnh tranh thông qua độc quyền dữ liệu. Thứ ba, khó đảm bảo người dùng nhận được mức thù lao hợp lý sau khi cung cấp dữ liệu cá nhân. Ví dụ: người dùng có tiết lộ thông tin cá nhân quan trọng để lấy thông tin ít giá trị hơn không? Tình trạng bất bình đẳng giữa nền tảng Internet và người dùng, cũng như việc thiếu cơ chế định giá thị trường trong mô hình PIK, gây khó khăn cho việc bảo vệ quyền lợi người dùng một cách hiệu quả.

Trong mô hình PIK, bên kiểm soát dữ liệu (nền tảng Internet) ở vị trí thống trị so với chủ thể dữ liệu (người dùng) và người kiểm soát dữ liệu thường Họ cũng là người sử dụng dữ liệu, nhưng chủ thể dữ liệu thiếu quyền kiểm soát dữ liệu của chính họ và có nhiều điểm mơ hồ về quyền sở hữu dữ liệu. Làm thế nào để khắc phục những tồn tại của mô hình PIK là vấn đề cốt lõi trong quản lý dữ liệu cá nhân.

(4) Thị trường yếu tố dữ liệu

Nhiều dữ liệu gặp phải những hạn chế khi tham gia giao dịch trên thị trường vì chúng không độc quyền hoặc không cạnh tranh. Mặt khác, các tác động bên ngoài gây ra bởi tính không độc quyền hoặc không cạnh tranh làm cho giá trị riêng tư và giá trị công cộng của dữ liệu trở nên khác nhau và các giao dịch thị trường có thể không nhất thiết mang lại giá trị xã hội tối đa của dữ liệu.

Trên thực tế, do tính đa dạng của các loại và đặc điểm dữ liệu cũng như việc thiếu các tiêu chuẩn đo lường khách quan cho giá trị dữ liệu nên hiện tại không tồn tại một thị trường yếu tố dữ liệu tập trung có tính thanh khoản tốt và đa dạng hóa. Nhưng giao dịch dữ liệu ngang hàng (tương tự như giao dịch không cần kê đơn) luôn diễn ra, chẳng hạn như thị trường dữ liệu thay thế. Có một số lượng lớn các nhà cung cấp dữ liệu thay thế trên thị trường này. Mức độ xử lý dữ liệu của họ có thể được chia đại khái thành nhà cung cấp dữ liệu thô, nhà cung cấp dữ liệu được xử lý nhẹ và nhà cung cấp tín hiệu từ nông đến sâu. Thị trường này đã phát triển các trung gian tư vấn, tổng hợp dữ liệu và trung gian hỗ trợ kỹ thuật, v.v., đóng vai trò là cầu nối giữa người mua dữ liệu (chủ yếu là quỹ đầu tư) và nhà cung cấp dữ liệu. Trong số đó, trung gian tư vấn cung cấp cho người mua tư vấn về việc mua, xử lý và các vấn đề pháp lý liên quan đến dữ liệu thay thế cũng như thông tin về nhà cung cấp dữ liệu. Các công cụ tổng hợp dữ liệu cung cấp các dịch vụ tích hợp và người mua chỉ cần thương lượng với họ thay vì tham gia thị trường và giao dịch với các nhà cung cấp dữ liệu rời rạc. Các trung gian hỗ trợ kỹ thuật cung cấp tư vấn kỹ thuật cho người mua, bao gồm cơ sở dữ liệu và mô hình hóa.

Có thể thấy rằng sự phát triển của thị trường dữ liệu thay thế đã rất hoàn thiện và hình thành sự phân công lao động và hợp tác phong phú, nhưng thị trường này vẫn còn rất mờ ám và chưa được chuẩn hóa. Đây là một vấn đề phổ biến mà các giao dịch dữ liệu hiện tại phải đối mặt. Điều không thể bỏ qua là hoạt động buôn bán dữ liệu bất hợp pháp, chẳng hạn như "chợ đen dữ liệu" và "ngành công nghiệp dữ liệu đen" buôn bán dữ liệu riêng tư cá nhân. Kể từ năm 2019, nước tôi đã tiến hành chấn chỉnh tập trung “ngành công nghiệp đen dữ liệu”.

Làm cách nào để thiết lập một thị trường yếu tố dữ liệu tuân thủ và hiệu quả? Một lựa chọn khả thi là sử dụng các kỹ thuật mã hóa, bao gồm tính toán có thể xác minh, mã hóa đồng hình và ="font-weight: đậm;">Tính toán an toàn cho nhiều bên (Tính toán an toàn cho nhiều bên), v.v. (PlatON, 2018) .

Đối với các nhiệm vụ tính toán phức tạp, tính toán có thể kiểm chứng sẽ tạo ra một bằng chứng ngắn gọn. Chỉ cần chứng minh ngắn gọn này được xác minh, có thể đánh giá liệu nhiệm vụ tính toán có được thực hiện chính xác hay không và không cần phải lặp lại nhiệm vụ tính toán. Theo mã hóa đồng cấu và tính toán an toàn của nhiều bên, khi dữ liệu được cung cấp cho thế giới bên ngoài, nó ở dạng văn bản mã hóa thay vì văn bản gốc, khiến dữ liệu trở nên độc quyền. Các công nghệ mật mã này hỗ trợ xác nhận quyền dữ liệu, giúp trao đổi quyền sử dụng dữ liệu mà không ảnh hưởng đến quyền sở hữu dữ liệu, từ đó xây dựng cơ sở quyền sở hữu cho các giao dịch dữ liệu và ảnh hưởng đến lợi ích kinh tế của chủ thể dữ liệu và người kiểm soát dữ liệu. Công nghệ chuỗi khối được sử dụng để lưu trữ và ủy quyền sử dụng dữ liệu, đồng thời cũng đóng vai trò chính trong việc xác định quyền sở hữu dữ liệu. Như sẽ được thảo luận sau, ngoài công nghệ, việc xác định quyền sở hữu dữ liệu cũng có thể được thực hiện thông qua thiết kế thể chế.

Nhưng ngay cả như vậy, thị trường phần tử dữ liệu dựa trên mật mã vẫn khác với thị trường truyền thống. Thứ nhất, cùng một dữ liệu có thể được cung cấp cho nhiều bên cùng lúc sau khi được mã hóa nên vẫn không có tính cạnh tranh, trừ khi có thỏa thuận bảo mật được ký kết giữa người sử dụng dữ liệu và người kiểm soát dữ liệu, yêu cầu bên sau không được cung cấp dữ liệu. cho người khác sử dụng hoặc dữ liệu có độ nhạy cao về thời gian và mất giá trị nhanh chóng sau khi sử dụng. Nói cách khác, dữ liệu khó có thể trở thành sản phẩm riêng và do đó khó tham gia vào các giao dịch thị trường như sản phẩm riêng. Thứ hai, giá trị của cùng một dữ liệu đối với những người khác nhau có thể khác nhau rất nhiều. Điều này gây khó khăn cho việc trích xuất thông tin giá trị có giá trị từ giá giao dịch dữ liệu trong các giao dịch quyền sử dụng dữ liệu dựa trên mật mã. Do đó, thị trường phần tử dữ liệu dựa trên mật mã sẽ không áp dụng mô hình phân bổ phần tử “nhiều người mua đặt giá thầu cho cùng một sản phẩm và người trả giá cao nhất sẽ nhận được nó”.

Cần lưu ý rằng thị trường phần tử dữ liệu không nhất thiết phải đơn giản mai mối Các mô hình mua bán, các mô hình phức tạp khác có thể tồn tại. Ví dụ, mô hình của Markit (đã sáp nhập với HIS để tạo thành HIS Markit vào năm 2016) thiết lập dịch vụ dữ liệu định giá CDS (Hoán đổi mặc định tín dụng) rất đáng để nghiên cứu. Trước cuộc khủng hoảng tài chính quốc tế, CDS hoàn toàn là một giao dịch phi tập trung và việc công bố thông tin rất không hoàn hảo. Vị trí của CDS là bí mật thương mại quan trọng của các tổ chức tài chính và khó chia sẻ với các tổ chức tài chính khác. Các tổ chức tài chính tham gia thị trường CDS chỉ biết vị trí CDS của mình chứ không biết tình hình chung của thị trường. Thị trường CDS không có chỉ số tốt và mức độ bất cân xứng thông tin rất cao. Markit được thành lập vào năm 2003 và các cổ đông của nó bao gồm các nhà tạo lập thị trường CDS lớn. Các cổ đông của các tổ chức tài chính này tải dữ liệu CDS của họ lên Markit. Markit tích hợp dữ liệu thị trường CDS và cung cấp dữ liệu đó cho thế giới bên ngoài với một khoản phí, bao gồm dữ liệu giá cả và tham chiếu, sản phẩm chỉ số, dịch vụ định giá và giao dịch, v.v. Các tổ chức tài chính cổ đông của Markit không chỉ tìm hiểu về tình hình chung của thị trường CDS từ công việc của Markit mà còn nhận được thu nhập đầu tư từ sự phát triển kinh doanh của Markit mà không tiết lộ bí mật thương mại của riêng họ. Mặc dù Markit không định giá dữ liệu một cách rõ ràng nhưng nó giải quyết được vấn đề tương thích khuyến khích trong việc chia sẻ dữ liệu thông qua chức năng ràng buộc lợi ích của vốn chủ sở hữu và hiệu ứng "1+1>2" của việc tích hợp dữ liệu. Đây là một mô hình giao dịch dữ liệu phức tạp và thông minh. Công ty Thông tin Tín dụng Baihang trong thị trường thông tin tín dụng cá nhân ở nước tôi cũng có thể được hiểu theo khuôn khổ tương tự.

(5) Định nghĩa quyền sở hữu dữ liệu

Từ cơ chế cấu hình phần tử dữ liệu được giới thiệu trước đó, chúng ta có thể thấy rằng định nghĩa về quyền sở hữu dữ liệu là cơ sở để cấu hình hiệu quả các phần tử dữ liệu. Quyền sở hữu dữ liệu chủ yếu được chia thành quyền sở hữu và quyền kiểm soát. Quyền kiểm soát dữ liệu bao gồm ai có thể sử dụng dữ liệu, cách sử dụng dữ liệu và liệu dữ liệu có thể được chia sẻ thêm ra bên ngoài hay không. Trong quản trị doanh nghiệp, quyền sở hữu và quyền kiểm soát được thống nhất - các cổ đông sở hữu công ty và đại hội đồng cổ đông là cơ quan có thẩm quyền cao nhất của công ty. Tuy nhiên, quyền sở hữu và kiểm soát dữ liệu có thể được tách biệt, đặc biệt đối với dữ liệu cá nhân không rõ quyền sở hữu. Quyền sở hữu dữ liệu có thể được xác định thông qua các công nghệ, chẳng hạn như công nghệ mã hóa như điện toán có thể kiểm chứng, mã hóa đồng cấu và tính toán an toàn của nhiều bên. Quyền sở hữu dữ liệu cũng có thể được xác định thông qua thiết kế thể chế.

Vào tháng 5 năm 2018, Liên minh Châu Âu bắt đầu triển khai Quy định chung về bảo vệ dữ liệu (GDPR). GDPR trao cho chủ thể dữ liệu các quyền rộng rãi: Thứ nhất, quyền được lãng quên, nghĩa là chủ thể dữ liệu có quyền yêu cầu người kiểm soát dữ liệu xóa dữ liệu cá nhân của họ để tránh phát tán dữ liệu cá nhân. Thứ hai, quyền di chuyển có nghĩa là chủ thể dữ liệu có quyền yêu cầu dữ liệu cá nhân từ bên kiểm soát dữ liệu và tự quyết định việc sử dụng dữ liệu đó. Thứ ba, chủ thể dữ liệu ủy quyền cho bên kiểm soát dữ liệu xử lý dữ liệu cá nhân một cách tự nguyện, dựa trên mục đích cụ thể và ở vị trí cân bằng với bên kiểm soát dữ liệu, nhưng ủy quyền không có hiệu lực pháp lý vĩnh viễn và có thể bị thu hồi bất kỳ lúc nào. Thứ tư, điều kiện xử lý các loại dữ liệu cá nhân đặc biệt, chẳng hạn như dữ liệu y tế.

GDPR cũng nâng cao yêu cầu đối với người kiểm soát dữ liệu: Đầu tiên, với tư cách là người kiểm soát dữ liệu, doanh nghiệp phải thu thập dữ liệu trước và sau khi thu thập dữ liệu. hai liên kết rò rỉ thực hiện nghĩa vụ thông báo rõ ràng. Thứ hai, nguyên tắc tương ứng một-một giữa mục tiêu thu thập dữ liệu và mục tiêu sử dụng dữ liệu và nguyên tắc giảm thiểu việc thu thập dữ liệu (phạm vi, số lượng, thời gian, đối tượng liên hệ, v.v.). Thứ ba, điều kiện chuyển dữ liệu cá nhân xuyên biên giới. Nhìn chung, GDPR đưa ra các khía cạnh cụ thể về quyền sở hữu dữ liệu, bao gồm quyền bị lãng quên, quyền di chuyển, ủy quyền có điều kiện và nguyên tắc thu thập tối thiểu, v.v., đồng thời thiết lập một mô hình thể chế để quản lý dữ liệu. Những thực tiễn này đã được nhiều quốc gia và khu vực ngoài EU áp dụng. Vào tháng 5 năm 2019, Cục Quản lý Không gian mạng nước tôi đã ban hành "Các biện pháp quản lý bảo mật dữ liệu (Dự thảo lấy ý kiến)". Vào tháng 12 năm 2019, Cục Quản lý Không gian mạng Trung Quốc, Bộ Công nghiệp và Công nghệ thông tin, Bộ Công an và Cơ quan quản lý nhà nước về quản lý thị trường đã cùng ban hành "Phương pháp xác định hành vi thu thập và sử dụng thông tin cá nhân bất hợp pháp của ứng dụng".

Bảo vệ quyền riêng tư, vấn đề cốt lõi của việc quản lý dữ liệu cá nhân. Quyền riêng tư liên quan đến ranh giới giữa cá nhân và người khác, riêng tư và công cộng, đồng thời là một khía cạnh quan trọng của phẩm giá cá nhân, quyền tự chủ và tự do (Acquisti et al., 2016). Quyền riêng tư không loại trừ việc chia sẻ thông tin cá nhân nhưng yêu cầu kiểm soát hiệu quả quá trình chia sẻ và cân bằng giữa bảo vệ và chia sẻ dữ liệu cá nhân. Đối với dữ liệu cá nhân, quyền kiểm soát và bảo vệ quyền riêng tư quan trọng hơn quyền sở hữu. Điều này được phản ánh trong GDPR.

4. Tóm tắt

Bài viết này tiến hành nghiên cứu sơ bộ về đặc điểm, giá trị và cơ chế cấu hình của các phần tử dữ liệu. Các kết luận chính như sau.

Dữ liệu là một khái niệm cơ bản nhưng phức tạp trong khoa học thông tin. Sự hiểu biết là không thể tách rời từ việc phân tích các khái niệm liên quan như thông tin và kiến thức, và mô hình DIKW cung cấp khung phân tích phù hợp cho mục đích này. Theo mô hình DIKW, có các mối quan hệ phụ thuộc giữa trí tuệ, kiến thức, thông tin và dữ liệu theo thứ tự từ đường kính hẹp đến đường kính rộng. Dữ liệu là sản phẩm của sự quan sát. Dữ liệu được xử lý thông qua các quá trình nhận thức để có được thông tin cung cấp câu trả lời cho các câu hỏi như Ai, Cái gì, Ở đâu và Khi nào. Tri thức là việc áp dụng dữ liệu và thông tin để đưa ra câu trả lời về cách thực hiện điều gì đó (How). Trí tuệ có một ý nghĩa riêng biệt là sự phán xét giá trị và trong nhiều trường hợp có liên quan đến những dự đoán và định hướng giá trị cho tương lai.

Dữ liệu có các đặc tính kỹ thuật theo nhiều chiều, nhưng tính kinh tế của dữ liệu Tính năng phức tạp hơn. Dữ liệu có thể tạo ra giá trị và do đó có thuộc tính tài sản. Dữ liệu có đặc điểm của cả hàng hóa và dịch vụ. Nhiều dữ liệu là hàng hóa công cộng và có thể được tự do sử dụng, chuyển đổi và chia sẻ bởi bất kỳ ai vì bất kỳ mục đích nào. Bởi vì hầu hết dữ liệu là không có tính cạnh tranh nên sẽ có ít dữ liệu hơn là hàng hóa tư nhân và tài nguyên công cộng. Quyền sở hữu dữ liệu là một vấn đề phức tạp cả về pháp luật và thực tế, đặc biệt là đối với dữ liệu cá nhân. Vì vậy, việc so sánh dữ liệu với dầu sẽ phù hợp hơn là so sánh dữ liệu với ánh nắng mặt trời.

Sau khi dữ liệu được xử lý và tích hợp với dữ liệu khác, dữ liệu đó sẽ được phân tích để tạo thành thông tin chi tiết hữu ích và cuối cùng là hành động sẽ tạo ra giá trị. Ở cấp độ vi mô, giá trị của dữ liệu được phản ánh ở việc cải thiện tiện ích cho người dùng và ở cấp độ vĩ mô, nó được phản ánh ở việc cải thiện năng suất các yếu tố tổng hợp thông qua thông tin, kiến thức và trí tuệ được trích xuất từ dữ liệu. Tuy nhiên, có ba lý do chính dẫn đến việc thiếu các tiêu chuẩn đo lường khách quan cho giá trị dữ liệu: thứ nhất, giá trị của cùng một dữ liệu đối với những người khác nhau có thể rất khác nhau; thứ hai, giá trị của dữ liệu thay đổi theo thời gian; thứ ba, dữ liệu sẽ tạo ra ngoại tác .

Việc đo lường giá trị dữ liệu bao gồm định giá tuyệt đối và định giá tương đối

khoảng>. Việc định giá dữ liệu tuyệt đối là rất khó và không có phương pháp nào được chấp nhận rộng rãi. Hiện nay, ngành chủ yếu sử dụng phương pháp chi phí, phương pháp thu nhập, phương pháp thị trường và phương pháp kiểm tra bảng câu hỏi, nhưng tất cả đều có khuyết điểm. Định giá tương đối dữ liệu được cung cấp một tập hợp dữ liệu và một nhiệm vụ chung, đồng thời đánh giá sự đóng góp của từng bộ dữ liệu để hoàn thành nhiệm vụ. Định giá tương đối đơn giản hơn định giá tuyệt đối. Đối với các nhiệm vụ phân tích dữ liệu định lượng, giá trị Shapley có thể được sử dụng để ước tính tương đối.

Dữ liệu có nhiều loại và đặc điểm khác nhau, dẫn đến cơ chế cấu hình khác nhau. Các cơ chế cấu hình này được dành riêng cho vấn đề bất cân xứng thông tin và hợp đồng không đầy đủ trong cấu hình của các thành phần dữ liệu. Bài viết này chủ yếu thảo luận về bốn cơ chế cấu hình.

Đầu tiên, dữ liệu dưới dạng hàng hóa công thường được các cơ quan chính phủ sử dụng Doanh thu thuế được cung cấp. Các cơ quan chính phủ nên mở dữ liệu của chính phủ cho xã hội và thị trường càng nhiều càng tốt mà không liên quan đến tính bảo mật, để tối đa hóa giá trị công của dữ liệu chính phủ.

Thứ hai,Nếu dữ liệu dưới dạng sản phẩm gần như công khai có nhiều quyền sở hữu hơn Nó rõ ràng và độc quyền và có thể áp dụng mô hình thanh toán kiểu sản phẩm câu lạc bộ, mô hình ngân hàng mở và mô hình tin cậy dữ liệu.

Thứ ba,Trong nền kinh tế Internet, quyền sở hữu rất nhiều thông tin cá nhân dữ liệu rất khó xác định rõ ràng. Trên thực tế, mô hình PIK (Pay-in-kind) là phổ biến. Về bản chất, người dùng sử dụng sự chú ý và dữ liệu cá nhân của họ để đổi lấy thông tin và dịch vụ xã hội. Tuy nhiên, mô hình PIK có nhiều bất lợi.

Thứ tư, Nhiều dữ liệu không độc quyền hoặc không cạnh tranh. Không phù hợp để tham gia giao dịch thị trường. Nói cách khác, phân bổ theo định hướng thị trường không bằng phương thức giao dịch thị trường. Trên thực tế, không có thị trường tập trung, thanh khoản cho các yếu tố dữ liệu. Giao dịch dữ liệu ngang hàng (tương tự như giao dịch không cần kê đơn), mặc dù diễn ra mọi lúc nhưng rất mờ ám và không được chuẩn hóa, và giao dịch dữ liệu bất hợp pháp là một vấn đề không thể bỏ qua.

Định nghĩa về quyền sở hữu dữ liệu là cơ sở để phân bổ dữ liệu hiệu quả các phần tử. Các công nghệ mật mã như điện toán có thể kiểm chứng, mã hóa đồng cấu và tính toán an toàn của nhiều bên hỗ trợ xác nhận quyền dữ liệu, giúp trao đổi quyền sử dụng dữ liệu mà không ảnh hưởng đến quyền sở hữu dữ liệu, từ đó xây dựng cơ sở quyền sở hữu cho các giao dịch dữ liệu. Công nghệ chuỗi khối được sử dụng để lưu trữ và ủy quyền sử dụng dữ liệu, đồng thời cũng đóng vai trò quan trọng trong việc xác định quyền sở hữu dữ liệu. Nhưng ngay cả như vậy, thị trường phần tử dữ liệu dựa trên mật mã vẫn khác với thị trường truyền thống và sẽ không áp dụng mô hình phân bổ phần tử “nhiều người mua đấu giá cho cùng một sản phẩm và người trả giá cao nhất sẽ nhận được nó”.

Ngoài công nghệ, quyền sở hữu dữ liệu cũng có thể được xác định thông qua thiết kế thể chế. GDPR giới thiệu các khía cạnh tinh tế của quyền sở hữu dữ liệu, bao gồm quyền bị lãng quên, quyền di chuyển, ủy quyền có điều kiện và nguyên tắc thu thập tối thiểu, v.v., đồng thời thiết lập mô hình thể chế để quản lý dữ liệu. Những thực tiễn này đã được nhiều quốc gia và khu vực ngoài EU áp dụng. Vấn đề cốt lõi của quản lý dữ liệu cá nhân là bảo vệ quyền riêng tư. Đối với dữ liệu cá nhân, quyền kiểm soát và bảo vệ quyền riêng tư quan trọng hơn quyền sở hữu.