Page 291 - 《软件学报》2026年第6期

2610 软件学报 2026 年第 37 卷第 6 期

1) 将数据发布独立为一大阶段, 即明确区分数据发布的技术过程与数据发布的价值实现过程, 更精准地刻画
数据作为生产要素向社会提供服务的关键环节.
2) 将数据溯源提升为关键阶段, 即强调溯源不仅是事后追责的技术手段, 更是贯穿始终、保障全链路可信的
基石, 是解决多主体协作信任问题的核心.
1.1 数据要素流通的特点
● 多场景. 数据要素因其可塑性与可移植性, 被广泛应用于工业、金融等多元化场景. 然而, 不同场景对数据
敏感度、合规性及保护机制的要求各异 (如医疗重隐私, 金融重追溯), 导致统一的安全治理体系难以建立.
● 多主体. 数据要素流通涉及数据提供方、使用方、平台方和监管机构等多个角色, 构成一个主体间高度依
赖但耦合松散的生态. 各方在权限、责任和利益分配上的认知差异, 易导致信任链断裂, 引发数据越权使用或泄露
后责任不清等问题.
● 动态性. 数据在格式、内容和应用环境 (跨平台、跨组织) 上不断变化, 呈现高度动态性. 传统的静态边界防
护 (如端到端加密) 难以应对这种动态特征, 导致在处理等阶段可能出现安全盲区.
● 价值驱动. 数据的增值与可复用性是其流通的核心驱动力, 催生了数据市场和平台经济. 但高价值也放大了
攻击收益预期, 催生了数据投毒、模型污染等新型攻击, 并加剧了数据篡改、非法变现等风险.
1.2 数据要素流通模式
在数据要素成为重要生产要素以及云计算、大数据等信息技术不断发展的背景下, 数据要素流通的方式逐步
多样化. 根据不同的参与主体、技术手段和流通方式, 主流模式可分为以下 4 类. 表 2 总结了不同流通模式在组织
形态、激励机制和安全需求上的显著差异.

表 2 典型数据要素流通模式

流通模式 优势 局限 典型应用场景 主要挑战
组织内部 数据归属清晰, 治理集中, 整 缺乏激励, 跨域协作难, 企业集团内部、政府机关等 部门壁垒、权限管理复杂、
流通 合效率高 易形成内部孤岛 内部滥用风险
数据质量难评估, 交易可 合规风险高、隐私泄露风险、
数据交易 激励机制强, 促进数据资产化 数据市场、第三方平台等
信度不高, 追责机制薄弱 监管缺失
授权控制难, 隐私保护不 公共服务、行业协同 (如医 共享意愿不足、责任边界模
数据共享 降本增效, 促进协同合作
足, 信任关系难建立 疗、交通) 糊、安全机制不完善
推动全球协同, 促进国际数据 法规冲突大, 合规成本高, 跨国企业、国际平台、数据 组织形态复杂, 合规、跨国监
数据跨境
价值释放 技术体系差异显著 出海 管难, 责任追溯困难

● 组织内部流通. 该模式旨在通过内部数据共享提升运营效率与决策支持, 数据中台是其典型实践, 例如 Lyu
等人 [14] 基于微服务架构构建电网数据中台, 解决了数据隔离与重复开发问题, 提高了开发与迭代效率; 李炳森等
人 [15] 设计了具有贴源、共享、分析这 3 层服务架构的数据中台, 支撑内部决策分析与外部需求响应; Liu 等人 [16]
整合多源异构数据, 构建可扩展的数据服务平台, 规范化管理数据资源并推动其增值. 实践表明, 组织内部模式通
过优化数据要素流通机制, 为数字化转型与高效运营提供了重要支撑. 此模式下组织边界清晰, 但存在由激励不足、
跨部门协同难所导致的数据孤岛问题.
● 数据交易. 该模式通过市场机制匹配供需, 是数据资产化的重要途径. 去中心化平台近年来受到广泛关注,
例如, Lu 等人 [17] 构建了基于区块链的物联网数据交易系统, 该系统使企业能够通过购买数据提升服务质量, 同时
帮助数据所有者实现数据变现. Hu 等人 [18] 基于智能合约完善数据质量评估与收益分配机制, 以提升交易公平性.
该模式激励明确, 但对交易过程的合规透明及使用后的责任追溯提出了更高要求.
● 数据共享. 该模式旨在打破数据孤岛, 常以无偿或低成本方式进行. 为解决隐私保护、共享效率和用户自主
性问题, 研究者提出了多种技术方案. Lyu 等人 [19] 基于数据胶囊范式的系统赋予个人数据共享自主权, 数据所有者
可完全掌控数据共享. Lu 等人 [20] 利用联邦学习和区块链架构提升车联网数据共享的隐私性与效率, 促进车辆数据
协作和服务优化. Chatziantoniou 等人 [21] 采用基于图的概念模型数据虚拟机, 简化数据操作流程, 提升数据共享的