数据合规：数据产权

可视化演示

交互展示AI时代数据产权的三层架构：用户数据权利、平台加工权利和AI公司使用权利，厘清数据从产生到交易的产权归属。

数据资产属性

菜园里的魔法蔬菜，今天摘下一颗，明天又长出一颗；掰下一根枝条插进土里，过几天就是一片新菜。最神奇的是，把一颗番茄分给十个邻居，你自己的那颗一个都不会少。数据正是这样的“魔法资产”——它被分享的次数越多，总价值反而越大。

传统经济学里，土地、厂房、机器都是排他性资产：这块地我盖了厂房，你就没法同时种庄稼。数据完全不同，它具有非排他性（non-rivalrous）——同一份数据可以同时被千万家公司使用，大家互不耽误。所以经济学家说，数据是“新时代的石油”，但比石油慷慨得多。

数据的资产特征可以概括为三点：一是非排他性，多方可同时持有使用；二是可复制性，复制操作几乎瞬时完成；三是边际成本趋近于零，多生产一份数据副本几乎不消耗资源。这三点让“数据到底归谁”变成了一个全新难题：既然谁都能轻松复制一份，那“拥有”数据究竟意味着什么？

$$\displaystyle MC = \frac{\Delta C}{\Delta n} \approx 0$$

1. MC（边际成本）：指每多生产或复制一份数据，总成本增加的部分。数据世界里，复制一份只需点一下复制粘贴，几乎不花成本。

$$MC$$

2. ΔC（成本增量）：总成本的变化量。当数据份数从 n 变成 n+1 时，总成本产生的差值。

$$\Delta C$$

3. Δn（数量增量）：数据份数的变化量，这里的 n 指数据被复制的总份数。

$$\Delta n$$

4. ≈ 0（趋近于零）：数字复制不消耗物理物资，不像种菜还要买种子、浇水施肥，因此边际成本无限趋近于零。

$$\approx 0$$

回到菜园，如果魔法蔬菜可以无限扦插，你就不能再像普通菜地那样理直气壮地说“这块地是我的，谁都不许碰”。过去靠圈地划定财富，数据时代靠规则分享价值——这份资产属性的认知，正是后面所有产权讨论的地基。

用户数据权益

蔬菜的种子是最初撒进土里的居民撒下的。你每天在 App 上留下的浏览记录、输入框里的每一句话、支付时的每一笔订单，都是你亲手种进数字菜园的种子。种子既然是你种的，法律首先就要护住“种菜人”的权利。

个人信息保护法给用户发了三张“护身符”。第一张是知情同意——平台收集数据前必须告诉你要什么、干什么用，得到你明确点头；第二张是数据可携带——你可以把自己的数据从一家平台搬到另一家，带着“菜篮子”换园子；第三张是删除权——你可以随时要求平台把数据清得干干净净。

三项权利中，知情同意是总开关。没有知情同意的采集，后面全都不合法；可携带权打破了平台的数据锁定，防止“种了菜却不许带走”；删除权给了用户最终撤回权。对企业来说，这三张护身符意味着：收集要有凭据、存储要可导出、删除要有流程。

$$\displaystyle L = I \times C, \quad I, C \in \{0, 1\}$$

1. L（采集合法性）：数据收集行为是否合法的总判断，L=1 表示合法，L=0 表示不合法。

$$L$$

2. I（知情）：用户是否充分了解谁在收集、收集什么、用于什么目的。I=1 表示知情，默认勾选不算是真知情。

$$I$$

3. C（同意）：用户是否明确表示同意。C=1 表示同意，注意“不同意就禁止使用 App”的强迫同意也不作数。

$$C$$

4. ×（乘法与运算）：表示“且”的关系，I 和 C 必须同时为 1，L 才为 1，缺一不可，这就是“先问后摘”的数学表达。

$$\times$$

居民把种子撒进园子，不等于园子可以随手摘菜。任何采摘行为，都得先问一句“你同意吗”——这就是数据世界的“先问后摘”。企业把这条规矩刻进流程里，才能避免在合规上摔跟头。

平台数据权属

光有撒种的人，菜园长不成。园丁们挖了水渠、支了防虫网、给每株菜挂了成长档案，没有这些投入，种子不过是一片野草。平台就是数据菜园的园丁，它们建服务器、写算法、搞运营，把散落各处的数据点变成了井井有条的数据资源。

法律和司法实践逐渐承认了园丁的“劳动回报”。平台在数据收集、整理上投入巨大，理应获得相应权益。最典型的就是“反爬虫”诉讼——竞争对手不劳而获，用爬虫把平台辛苦攒下的数据整库抓走，法院依据反不正当竞争法判平台胜诉。

平台数据权属的理论基础是“投入保护”：投入越多、整理越系统，平台的数据权益越强。但平台的权利并非无限——它不能阻止用户行使删除权、可携带权，也不能独占用户明确主张个人权利的数据。边界在于：投入的部分归平台，产生的部分归用户。

$$\displaystyle V_{\text{平台}} = I_{\text{投入}} \times E_{\text{效率}}$$

1. V（平台数据价值）：平台拥有的数据资产整体价值，是平台数据权属的经济基础。

$$V_{\text{平台}}$$

2. I（投入规模）：平台在数据收集、存储、清洗上的资本与人力投入，投入越大，权益主张越有底气。

$$I_{\text{投入}}$$

3. E（运营效率）：平台把投入转化为有序数据的能力，同样投入下，效率高的平台产出更大价值。

$$E_{\text{效率}}$$

4. ×（乘积关系）：投入与效率相互放大，任何一个为零，平台数据价值就归零——只投钱不管理，数据还是废料。

$$\times$$

园丁浇了水、除了草，自然有权从收成里分一杯羹；但如果有人想连居民口袋里的种子都抢走，园丁也无权替他点头。菜园的规矩，从来都是“谁出力、谁受益，但手不能伸过界”。平台权益的边界，就画在投入与越界的那条线上。

加工数据权利

园子丰收那天，居民种出番茄，园丁备好鸡蛋，但真正让这两样东西身价倍增的，是掌勺的大厨——原料加起来不到十块钱的一盘番茄炒蛋，端上餐桌能卖三十。AI 公司就是数据菜园里的大厨。

大厨的贡献在于“独创性加工”。AI 公司对原始数据做清洗、标注、特征提取、模型训练，生产出全新的数据产品。法律上，这种深度加工产生的增值应当归加工者享有，这正是数据加工使用权和产品经营权的法理来源。

加工成果的保护主要落在商业秘密上。模型权重、特征工程、用户画像标签体系——只要满足秘密性、价值性、采取了保密措施，就受反不正当竞争法保护。哪怕原料数据来自公开渠道，只要加工过程有实质性投入与独创性，加工成果就归加工者。

$$\displaystyle V_{\text{产品}} = V_{\text{原料}} + V_{\text{增值}}$$

1. V（产品价值）：最终数据产品的市场价值，比如一份训练好的用户画像标签库。

$$V_{\text{产品}}$$

2. V（原料价值）：原始数据的价值，通常较低，因为原始数据分散、噪声大、难以直接使用。

$$V_{\text{原料}}$$

3. V（增值价值）：加工创造的新价值，包括清洗、标注、建模带来的提升。增值越大，AI 公司的产权主张越强。

$$V_{\text{增值}}$$

4. +（加号）：两者相加组成最终价值。原料是基础，增值是飞跃——没有大厨的颠勺，番茄和鸡蛋永远只是原料。

$$+$$

没人会要求大厨把炒好的菜免费分给所有种过番茄的人。一盘番茄炒蛋之所以能卖三十块，靠的是手艺，不是运气——数据加工者凭增值贡献赢得属于自己的产权，这正是 AI 产业得以运转的激励机制。

产权制度框架

魔法菜园越来越热闹：居民、园丁、大厨，还有推着货车来进货的商贩。人一多，纠纷就多——今天你说番茄是你种的，明天他说水渠是他修的。没有一部“分菜公约”，园子迟早要打成一锅粥。数据产权制度，就是国家为数字菜园立下的分菜公约。

2022 年出台的“数据二十条”提出了三权分置：数据资源持有权、数据加工使用权、数据产品经营权。这个设计借鉴了农村土地“所有权—承包权—经营权”的分离经验，把一团乱麻的数据权利拆成三股可以独立流转的线。

三权分置的精髓在于“权利可分离”：同一份数据身上，持有权归数据持有者（平台），加工使用权归加工者（AI 公司），产品经营权归产品所有者（交易商），三者可以分属不同主体、互不冲突。它绕开了“数据到底归谁”的激烈争论，转而解决“数据怎么用起来”的现实问题。

$$\displaystyle R_{\text{数据}} = R_{\text{持有}} + R_{\text{加工}} + R_{\text{经营}}$$

1. R（数据权利集合）：一份数据上承载的全部权利总和，不是某个人的独占权利，而是一篮子可分拆的权能。

$$R_{\text{数据}}$$

2. R（资源持有权）：谁合法持有数据资源，谁就有权管理、维护这份数据，类似园丁管理菜地的日常。

$$R_{\text{持有}}$$

3. R（加工使用权）：谁有权对数据进行清洗、标注、计算，类似大厨有权使用食材烹饪。

$$R_{\text{加工}}$$

4. R（产品经营权）：谁有权把数据产品投放市场、获取收益，类似商贩有权摆摊卖菜。

$$R_{\text{经营}}$$

5. +（加法）：三个权能可以分属不同主体，合在一起构成完整的数据权利框架，互不排斥。

$$+$$

分菜公约不追求“每颗菜只有一个主人”，而是让每一方都拿到属于自己的那份权利。园子里的和气，靠的不是抢，而是分——产权清晰了，合作才长久。数据要素市场化的前提，正是这套分权框架落地生根。

交易合规实践

公约立好，菜园终于开市。大厨端着一盘番茄炒蛋兴冲冲走进集市，摊主却伸手一拦：“摊位证呢？食材来源证明呢？卫生合格证呢？”数据交易所，就是数字集市的守门人。

数据交易绝不是“一手交钱、一手交文件”那么简单。买方必须确认数据从哪里来、授权链是否完整、是否经过脱敏、出了问题能否追到源头。上海、深圳等地数据交易所都要求每笔交易完成合规评估后才允许挂牌流通。

数据资产化的标准路径是“盘点—确权—评估—入表—交易”五步：先梳理企业有哪些数据家底，再明确每份数据的权利归属，然后请专业机构评估价值，2024 年起数据资产可以正式计入财务报表，最后在合规场所完成交易。每一步都绕不开审计与合规。

$$\displaystyle S_{\text{合规}} = A \times D \times T$$

1. S（合规分数）：数据交易通过审查的整体评价，S=1 表示完全合规，S=0 表示不合规。

$$S_{\text{合规}}$$

2. A（授权完整度）：数据从产生到交易的完整授权链路，每一环都必须有明确授权，缺一环就断链。

$$A$$

3. D（脱敏程度）：个人信息脱敏的彻底程度，直接关联隐私保护水平，是交易上架的前置门槛。

$$D$$

4. T（可追溯性）：交易全程能否被审计追溯，出了问题能否找到责任人，决定数据血缘是否清晰。

$$T$$

5. ×（乘法与运算）：三个维度互为前置条件，任何一个归零，整体就归零——这就是合规的“一票否决”。

$$\times$$

集市的门槛看似麻烦，却是让买卖双方都安心的护栏。合规不是数据交易的绊脚石，而是通行证——那些在园子里浑水摸鱼的人，永远进不了真正的集市。读懂产权，才能在数据江湖里既守住底线，又抓住机会。

AI 应用场景

Python 演示

class DataAsset:    def __init__(self, data_id, owner, raw):        self.data_id = data_id        self.owner = owner        self.raw = raw        self.holder = owner        self.consent = False        self.derived = []  class User:    def __init__(self, name):        self.name = name        self.data_list = []        self.gc_count = 0     def generate(self, content):        asset = DataAsset('D' + str(self.gc_count), self.name, content)        self.data_list.append(asset)        self.gc_count += 1        return asset     def grant_consent(self, asset, platform):        if asset in self.data_list:            asset.consent = True            asset.holder = platform.name            return True        return False     def request_delete(self, asset):        if asset in self.data_list:            self.data_list.remove(asset)            asset.holder = None            asset.consent = False            return True        return False  class Platform:    def __init__(self, name):        self.name = name        self.storage = []     def collect(self, asset):        if asset.consent and asset.holder == self.name:            self.storage.append(asset)            return True        return False     def transfer_to_ai(self, asset, ai_company):        if asset in self.storage:            self.storage.remove(asset)            asset.holder = ai_company.name            ai_company.receive(asset)            return True        return False  class AICompany:    def __init__(self, name):        self.name = name        self.datasets = []     def receive(self, asset):        self.datasets.append(asset)     def process(self, asset, transform):        if asset in self.datasets:            product = DataAsset(asset.data_id + '-P', self.name, transform(asset.raw))            product.consent = True            product.holder = self.name            asset.derived.append(product)            return product        return None  if __name__ == '__main__':    user = User('小明')    plat = Platform('云菜园平台')    ai = AICompany('智能厨房AI')     asset = user.generate('我今天在小区跑步5公里')    print('用户生成了数据: ' + asset.data_id)     user.grant_consent(asset, plat)    plat.collect(asset)    print('平台收集数据, 当前持有方: ' + str(asset.holder))     plat.transfer_to_ai(asset, ai)    product = ai.process(asset, lambda r: '根据"' + r + '"为你推荐跑步路线')    print('AI加工产出: ' + product.data_id)    print('产品内容: ' + product.raw)    print('产品持有方: ' + str(product.holder))    print('数据血缘: ' + asset.data_id + ' -> ' + product.data_id)

1. class DataAsset:数据资产类，用 data_id、owner、raw、holder 四个字段记录数据编号、原始所有者、原始内容、当前持有者，构成产权的“身份证”。
2. def grant_consent(self, asset, platform):用户授权方法，模拟用户点头同意平台收集，只有调用它，数据才会合法流向下游。
3. if asset.consent and asset.holder == self.name:平台入库的双重校验：用户已授权 + 当前持有人是自己，一条不满足就入库失败。
4. asset.holder = ai_company.name持有权转移的关键一行，数据从平台流转到 AI 公司，产权主体随之变更。
5. product = DataAsset(asset.data_id + '-P', self.name, transform(asset.raw))AI 加工产生新的数据产品，新编号标记“派生身份”，原始数据与产品区分开。
6. asset.derived.append(product)记录数据血缘，让交易合规审计能追踪数据的前世今生，这正是可追溯性（T）的实现雏形。

常见误区

面试题