场内数据交易为什么成效不佳：从复旦报告点出的"制造交易量"说起
摘要
各地数据交易所建了不少，挂牌量与交易额数字也可观，但场内交易的真实成效一直存疑。本文从复旦研究报告点出的"制造交易量"现象切入，拆解数据交易四个结构性错配，给出治理团队可执行的四件事与一份踩坑清单，并对比三种数据流通模式的适用边界。
前言
这两年跑数据治理项目，几乎每个客户都会问到同一句话："我们的数据能不能上交易所挂牌？"
问的时候，参照系通常是新闻里的表述：某交易所挂牌产品多少个、交易额多少亿、累计交易多少笔。数字看起来都很热闹。
但复旦大学年初发布的一份研究报告，把这件事的另一面摆了出来------《"场内"数据交易机构缘何成效不佳》。报告的核心结论并不委婉：全国各地建成的数据交易所，"场内"交易实际成效普遍不佳；在缺少真实交易量的情况下，部分机构甚至不得不制造交易量。
一个行业需要"制造交易量"来维持报表，说明供给侧和需求侧之间有一段路没接通。这不是交易所单方面的问题，也不是企业单方面的问题，而是把数据当成标准化商品来交易这个假设本身出了问题。
本文不讲宏观判断，站在企业数据治理团队的角度，把这件事拆开看：现象背后的结构性错配是什么，我们真正能做的是什么。
一、三个"看起来成立"却经不起推敲的假设
假设一：数据供给越多，交易越活跃
现实中经常看到这样的推进方式：先动员企业登记数据资源、挂牌数据产品，用挂牌数量冲指标。某省登记在册的数据资源和产品已经超过三十万项，覆盖全部九十多个国民经济大类------供给规模不可谓不大。
但供给规模的另一面是：大部分挂牌产品缺少明确的买方。登记解决的是"我有这个东西、权利清楚"，不回答"谁需要它、拿去干什么、愿意付多少钱"。供给先行、需求缺位，交易自然起不来。
假设二：场内比场外更规范，所以企业应该到场内来
逻辑上没错，但企业算的是另一笔账。场内交易意味着：数据要过平台、要登记、要走合规审核、要按平台规则交付------链路上每一环都增加时间成本和披露成本。而场外交易，一份数据服务合同加一个接口对接就能完成。
规范是有代价的。 只有当规范的收益（权属清晰、纠纷可溯、合规背书）大于它的代价时，企业才会主动选择场内。目前多数场景下，这笔账算不平。
假设三：数据是标准化商品，可以挂牌待价而沽
这是最根本的一个假设，也是复旦报告点破的那个：数据交易具有非标准化特性。报告里有个很直白的例子------同一个医疗数据集，用于商业保险定价和用于新药研发，价值完全不同。
传统大宗商品有相对稳定的市场公允价，因为用途收敛、品质可检。数据的用途是发散的：同一份数据，对 A 公司是核心生产资料，对 B 公司一文不值。一数一价、一次一议，这决定了"挂牌---撮合---成交"的经典交易所模式在数据这里天然低效。
把三个假设放在一起，可以看到数据交易和商品交易的本质差异：
| 维度 | 大宗商品交易 | 数据交易 |
|---|---|---|
| 标准化程度 | 品质可检、规格统一 | 非标，一数一价 |
| 定价方式 | 市场公允价 | 依赖使用方场景，一次一议 |
| 交付特征 | 转移即灭失（所有权转移） | 交付即复制，卖出后仍持有 |
| 权利结构 | 所有权清晰 | 持有权/使用权/经营权可分立 |
| 价值评估 | 成本加成即可近似 | 成本法严重低估，收益法依赖假设 |
二、四个结构性错配
假设之下，是供需两侧的四个错配。
其一，需求侧错配：企业要的不是数据集，是能进流程的东西。 业务部门拿到一份原始数据集，还需要清洗、映射口径、建接口、过合规，才能真正用起来。这中间的工作量和不确定性，让"买数据"不如"自己攒"或"找服务商"。
其二，定价错配。 成本法只反映加工成本，严重低估数据在特定场景的价值；收益法在理论上正确，但收益预测依赖场景假设，买卖双方很难对齐。评估报告可以出，但报告上的数字很难直接变成成交价。
其三，交付错配。 场外交付可以按双方约定的方式灵活进行；场内交付要适配平台规则，反而多出改造成本。对高频、小额、定制化的数据服务场景，这个成本差足以把交易推回场外。
其四，权属错配。 数据产权登记凭证证明的是权利状态------谁持有、谁可以使用、谁可以经营。但"权利清楚"不等于"可以自由流通"：涉个人信息的数据仍受个人信息保护法规约束，登记不能替代合规审查。部分企业把登记凭证当流通许可证用，这是认知误区。
三、治理团队真正该做的四件事
结构性错配短期改不了，但企业内部有四件事是数据治理团队可以直接推动的。
3.1 把"可交易数据"和"自用数据"分开
不是所有数据都适合交易。建议对拟流通的数据做四道筛：
| 筛选项 | 判定标准 | 不通过的处理 |
|---|---|---|
| 权属清晰 | 来源合法、权利边界明确，最好有登记凭证 | 先确权，确不下来不外流 |
| 脱敏合规 | 不含可识别个人信息或已充分脱敏 | 走合规审查，宁可不流通 |
| 质量达线 | 完整性、准确性、时效性达到承诺水平 | 先治理，质量是交易的生命线 |
| 场景明确 | 有清晰的目标使用方和使用场景 | 无场景不上架，避免无效挂牌 |
第四道筛最容易被跳过------"先挂上去再说"的结果就是挂在架子上无人问津，还消耗了登记和维护成本。
3.2 以"数据产品"而非"数据集"为交易单位
原始数据集难卖，是因为买方拿到手还要做大量加工。把交易单位从"数据集"升级为"数据产品"，要做三项改造：
- 加语义：附上字段字典、口径说明、更新频率，让买方不用猜；
- 加服务：以 API 或订阅方式交付，按调用量计费，而不是一次性拷贝；
- 加承诺：明确质量承诺与违约处理，把"数据好不好"变成可追责的契约条款。
这三项改造，本质上就是把治理成果封装成可消费的形态------治理做得越扎实，数据产品的交付成本越低。
3.3 建立内部计价机制，让用数有成本感
场外交易冷清，很多时候是因为企业内部数据流转也没有价格信号。建议在集团内部先建立数据服务的转移计价：使用方按调用量或订阅期向数据供给方结转成本。
| 计价方式 | 适用场景 | 示例 |
|---|---|---|
| 按调用计费 | API 类数据服务 | 每次 0.5~5 元，按月出账 |
| 按订阅计费 | 数据集定期更新 | 按季度/年订阅，含 SLA |
| 按项目分摊 | 一次性分析场景 | 项目预算内按实际用量分摊 |
内部计价不是为了让数据部门盈利，而是让供需双方的成本和收益显性化：使用方会开始评估"这个数据值不值得调"，供给方会开始关注"我的数据被谁用、用得怎么样"。这套机制跑通了，对外交易的定价谈判也就有了参照系。
3.4 把确权登记做成"一次申请、多证联办"
企业不愿意走场内流程，一大原因是手续繁琐。温州数安港的做法值得借鉴：企业只提交一次申请，即可一次性办理数据产权登记、数据知识产权登记、数据资产登记和数据安全合规评审四项业务，大幅压缩办理时限。这个机制运行几年下来，入驻的数据生态企业已超过一千二百家------而五年前只有二十六家。
对治理团队而言， actionable 的一点是：把确权、登记、合规评审的材料做成一套底稿、多种输出。登记要的权利来源说明，合规评审要的脱敏说明，资产登记要的质量说明，底层其实是同一份治理台账。材料一次备齐，四项业务一次办结，成本自然降下来。
四、另一种解法：不交易数据，共享模型价值
宁波的石化化工行业中试基地给出了一个思路：制造企业担心商业秘密泄露、不愿把数据拿出来交易或参与模型训练，那就不交易数据本身，共享模型价值------数据留在企业本地参与训练，流通的是训练后的模型能力。
三种流通模式的对照：
| 模式 | 流通对象 | 适用条件 | 主要风险 |
|---|---|---|---|
| 原始数据交易 | 数据集本身 | 权属清晰、可充分脱敏 | 泄露后不可控、复制难追责 |
| 数据产品交易 | API / 订阅服务 | 有持续更新与运维能力 | 服务中断、质量波动 |
| 模型价值共享 | 训练后的模型能力 | 数据敏感度高、单方数据不足以训练出好模型 | 模型逆向、效果难界定 |
模型价值共享不是万能药：模型可能被逆向还原训练数据，效果归属和收益分配也更难界定。但它确实绕开了"数据出域"这个最硬的顾虑，在涉密、涉隐私场景值得优先评估。
五、踩坑清单
- KPI 只挂挂牌数量：挂牌多不等于交易活跃，会诱导无效上架。应同时看复购率、实际调用量、交易后的增收降本与风险事件率。
- 为"首单"而做单：行业里不缺"全国首单"的报道，缺的是第二单、第三单。首单是里程碑，不是商业模式。
- 把登记凭证当流通许可证：凭证证明权利状态，涉个人信息仍须另行合规审查。
- 只做确权不做质量：权属清楚了，数据却是脏的，交易一次就失去买方信任。质量是交易的生命线。
- 场内外两套台账互不认账：对外挂牌的产品与内部数据资产台账脱节，交付出了问题查不到源头。
- 忽视交付运维：签了合同没人维护接口，数据更新停了，买方流失比获客快得多。
总结
场内数据交易成效不佳，短期看是交易所的运营问题，长期看是"数据是标准化商品"这个假设与数据非标本质之间的矛盾。作为企业数据治理团队，与其等市场环境改善，不如先做三件能落地的事：
第一，把可交易数据和自用数据分开 ，用四道筛避免无效挂牌；第二，把交易单位从数据集升级为数据产品 ，用语义、服务和承诺降低买方的使用门槛；第三，把确权登记的底层材料做成一套底稿，让一次准备支撑多项业务，把合规成本压到最低。市场 cold start 的问题我们改变不了，但"让自己成为可被信任的供给方"这件事，完全在自己的掌控范围内。
你们所在的企业或客户，走通过场内数据交易吗？卡在哪一环------确权、定价，还是交付？欢迎评论区交流。
标签：数据交易、数据要素、数据资产、数据治理、踩坑复盘