深度 | 从垂直场景切入,探索数据产业化和推动大数据交易所转型升级

来源 | 数据经济评论作者 | 刘新海 许伟数字经济已经成为主要国家争夺的战略制高点,各国纷纷把数据产业作为战略性新兴动能加以培育。而国内受数据共享不足、应用场景有限、应用专业化水平不高等限制,数据要

深度 | 从垂直场景切入,探索数据产业化和推动大数据交易所转型升级

来源 | 数据经济评论

作者 | 刘新海 许伟

数字经济已经成为主要国家争夺的战略制高点,各国纷纷把数据产业作为战略性新兴动能加以培育。而国内受数据共享不足、应用场景有限、应用专业化水平不高等限制,数据要素市场发展尚处于初级阶段,数据产业链水平不高,加快数据产业化应用模式的探索创新更为紧迫。沿着产业链纵向推进的垂直场景应用,主体对象明确,数据集成便捷,服务精细专业,激励形成闭环,监管更容易穿透,同时也更多国际成功案例可借鉴,能够为数据的延展和综合性创新打下坚实基础,是加快我国数据产业化和推动大数据交易转型升级的有力抓手。

作为一个新兴的战略性领域,数据产业专业性强,无论是理论还是应用实践,目前全球还在积极探索。数据产业本身是高科技发展一定阶段的产物,不仅需要信息技术的应用,而且还要大量统计分析。数据产业投入高,而且要达到一定规模效应、经过一段时期的探索和积累,才能盈利。受制于认知和经济规律的局限,数据产业发展很难全面铺开,需要找准切入点。沿着产业链纵向推进的垂直场景应用,主体对象明确,数据集成便捷,服务精细专业,激励形成闭环,监管更容易穿透,同时也更多国际成功案例可借鉴,能够为数据的延展和综合性创新打下坚实基础,是加快我国数据产业化和推动大数据交易转型升级的有力抓手。

一、与垂直场景深度融合是发挥数据价值的重要切入点

数据要素价值发挥关键在用,而用的关键又在于和不同场景的深度融合。随着互联网发展逐步迈入场景时代,可穿戴设备、大数据、传感器、社交媒体、定位系统等五大关键技术,将大规模改变社会生活方式和商业形态。特定的数据流动和分享,应该与具体的场景化数据模式相匹配,场景化的设置将最大限度地激发相应数据的潜在价值。而且,同样的数据置于不同场景当中,可交易性以及价值都会存在差异。即便在数据保护方面,也有必要基于场景对“数据安全”、“隐私信息”进行具体限定。

沿着产业链纵向推进的数据垂直场景应用,是加快数据产业化进程的重要方向。垂直场景主要指聚焦具体应用领域,明确特定数据主体对象,以及基于该主体某些信息集合而形成的数据产业生态闭环。与社交、电商平台等其他融合方式相比,垂直数据融合不追求大、多、全,而是更加强调做好细分领域,打造专业信息平台,沿着产业链纵向分布,更加追求精、深、细,深入挖掘该领域的潜在价值。

与全方位综合应用场景比较而言,垂直应用场景至少具有以下四方面的优势。一是小切口,数据产品服务的对象更容易聚焦,便于发挥领域内的专业知识,加快产品设计和开发。而且数据产品技术标准化更容易,更有利于产品迭代升级。二是容易形成信息闭环,市场主体可以从垂直的场景中自动产生信息激励,以促进可持续的信息供给、应用及其价值分配。三是可扩展性好,以某个领域为核心向周边扩展的同一类型或有统一共性的产品或者服务,能够有效地将具体领域的专业性和数字化的规模效应有效结合。四是问题清晰突出,垂直场景下数据产业的问题更容易识别,进而更好满足监管穿透的要求。

深度 | 从垂直场景切入,探索数据产业化和推动大数据交易所转型升级

图1 全方位数据应用和垂直数据应用场景的比较

从国内外的实践上来看,欧美的数据经济也是从一些垂直领域开始起步发展。垂直场景的数据公司,例如专业性的征信公司在美国和欧洲已经成功运营多年。垂直领域的数据公司更能提供专业和聚焦的精细化服务。从更长远的角度看,当各种垂直场景的数据应用进行得越扎实,越能够给范围更宽、领域更综合的数据产业应用提供基础。

二、垂直场景下数据产业应用化的一个分析框架

从全方位综合应用到垂直应用场景,数据的产业化应用得到了简化和聚焦。而且,传统产业数字化的推进,又为数据的产业化应用提供更为丰富、更为广阔的垂直场景。与其他要素相比,数据要素具有不同的技术和商业属性,这也决定了不同垂直场景下,产业化应用模式可能存在较大差异。

从数据的技术属性看,数据复用性高,带有一定的准公共品特性,只有通过一定的技术手段,才能把数据产品变成私人物品,才能进行交易。而且,这种私人物品是否标准化,决定了是否能够开展大规模批量化的处理。不同领域数据的标准化程度与数据产品形态有关,更与信息技术有关,背后涉及到数据公司的研发成本。容易标准化的数据领域方便切入,例如个人征信领域,该领域数据报送格式相对标准,而且符合大数定律,一个模型可以覆盖上百万人。而非标准化的数据领域,研发成本比较高,例如企业征信公司,不同领域、不同规模的企业很难用同一种模型来描述。又比如,医疗数据标准化程度比较低,不同医院的数字化水平差异很大,数据打通的难度更高。

从数据的商业属性看,数据的价值与商业化程度相关,是否有人买单,影响到数据公司的实际商业回报,关乎数据应用模式是否可持续。商业化程度高的数据领域,更为市场化机构所青睐,愿意投入和布局。例如,个人信贷数据和个人健康数据,市场空间广阔,潜在的商业价值较大。商业化程度低的数据领域,市场化的数据公司很难涉足。当然,有些领域的数据具有社会价值较高,例如推动政务数据开放共享,不仅可以保持政府的透明度,提高社会大众的知情权,同时也有助于加快数据产业培育。为此,政府或国有部门可以介入政务数据相关的平台建设。

因此,一个成功的数据产业化应用模式,既需要考虑商业价值,同时又离不开技术支持。按照技术标准化程度和商业化程度的高低,可进一步将垂直场景下的数据产业化应用模式划分为四种类型,如图2所示。

深度 | 从垂直场景切入,探索数据产业化和推动大数据交易所转型升级

图2 垂直场景下数据产业发展的四种模式及演变

其中,第一类模式(I)适用于技术标准化难度高、商业化程度低的场景。该场景下,公共服务属性往往比较强,社会价值高,但由于商业程度不高,技术实现有难度,市场力量短期内不易进入,早期需要政府加大相关投入,例如针对老年人或未成年人的信息共享、农村普惠金融和信用体系等。涉及社会安全和国家安全的敏感领域也可以归入此类,而且政府还要参与数据价值的开发应用,或者实施严格监管。比较典型的场景是反洗钱。当然,除了政府以外,其他行业组织、非营利性组织也可以参与其中,培育和丰富具体的场景应用。

第二类模式(II)适用于技术标准化程度高、商业化程度较低的场景。这一类场景主要和政务、公用事业相关。政府部门沉淀的数据,大多产生于政务流程,数据格式规范和标准,数据质量较高,例如企业注册、税务、法律诉讼等方面的信息。但受制于数据孤岛、数据壁垒,数据应用有限,商业化程度较低。相关数据产生自纳税人或者缴费人,一定程度需要取之于民、还之于民。不少发达国家的做法是,构建政务数据开放平台,分层分级推动数据的共享,而且公开是惯例,不开放是例外。这些信息可以在脱敏之后向社会公开,在应用过程中能够创造更多商业价值,有效发挥对数据产业的助推作用。

第三类模式(III)适用于技术标准化程度低、商业化程度高的场景。目前大量的数据应用都属于此类场景。这一类场景当中,数据应用潜力广阔,数据价值的发掘高度依赖数据与具体场景的整合。而这种整合,很难说有放之四海而皆准的标准模式。在医疗、影视、创投等具体细分领域,国内外都有不少典型案例,比如BVD公司、彭博、汤森路透、Preqin、FactSet、万得数据、百度医疗、烯牛数据、见微数据和小土科技等。这类场景,依赖于技术推动、资本驱动和数据处理经验的整合,充分发挥数据服务商等市场主体的积极性,通过多次深入试错,实现数据应用的突破。

第四类模式(IV)适用于技术标准化程度高、商业化程度高的场景。这一类场景下,数据产品往往是标准化的服务,需求量大,重复性高,交易集中,可以批量处理。个人征信模式或者交易所模式,往往就对应这种场景。而且,往往涉及大量个人数据,可以采取特许机构经营的方式,以保证个人信息保护和网络信息安全。这一类场景,一定程度上类似成熟度较高的标准化商品交易。

值得注意的是,上述四种模式适应的场景并不一成不变,不同场景也是可以迁移的,垂直场景下的产业化应用可以选择合适模式切入。例如,个人征信行业,最初商业化水平比较低,技术标准化程度也不高,但经过多年发展,随着市场化主体增多,逐步由第一类模式向第四类模式转化。总的来看,第一种模式通常是数据产业发展最初的模式,产业应用更多需要从个案入手。而技术标准程度高、商业价值大的第四种模式,可实现数据产品的大规模生产和交易。当然,多数应用场景介于两者之间,数字转型当中积累的大量数据要素,需要在众多垂直场景当中进行个案试点,共性研究,挖掘价值。一个总的原则是,对于商业价值高的,应该让市场来做。对于收入高的市场化机构,可以提高监管门槛和征收数字税来实现经济调节和平衡。

三、垂直场景应用的四类典型案例

关于不同类型的垂直数据场景应用,国内外都有不少探索,积累了不少具有参考意义的案例实践。既涉及个人数据,也包括行业数据。既有金融领域,也有电信和影视领域。既有欧美案例,也有国内大数据企业的探索。从监管的角度看,有些探索受到严格的专门监管,例如年收入较多的个人专业征信机构。有的则不受专门监管,例如房产和影视大数据公司,而是和普通公司一样,受相关基本法律约束。

第一类应用模式案例:国内农村信用体系

农村信用体系建设对于促进“三农融资”、推动农村发展意义重大。而完善农村信用体系的一个关键是建设农村信用信息基础数据库。近年来,全国各地以县市为主体加快推进农村信用体系建设,开发农村信用信息平台(以下简称“信用平台”),建立信用信息共享应用机制,充分发挥信用信息服务对农村普惠金融的支持。

但与此同时,农村信用数据标准化程度低、商业价值也比较低,构建农村信用体系是全球性难题。农村经济主体分布分散且数量较多,农村常住人口尤其是青壮年劳动力大量外出,部分涉农信息采集难度较大、成本较高。即使采集了一时的信息,也难以实现信息的持续更新。信息缺失往往比较严重。而且,农村居民收入流并不稳定,缺乏合适的抵押担保物,信用风险高,商业价值回报率低,市场化激励机制不足。

从目前的实践看,建设农村信用体系,主要参与方包括地方政府、央行、专业服务机构和涉农金融机构。具体模式大体上分为四类。一是政府主导模式,地方政府统一推进信息采集、共享和应用。二是“政府+人民银行”模式,在当地政府的支持下,人民银行分支机构联合多部门共同推进信息采集与共享。三是 “政府+专业服务机构”模式,政府牵头推进信息采集与共享,并成立专业化机构负责具体信用平台的开发和运维。四是人民银行或其他涉农金融主管部门主导模式。主要由涉农金融机构主导信用平台的建设和运维,协调各部门采集和应用信息。

总的看,农村信用平台建设,短期内缺乏经济效益,开发成本较高,但是有较强的社会价值,如果政府发挥主导作用,并紧密依靠农户、农民专业经济组织和涉农企业,通过更细致的垂直场景划分(如表1所示),在局部区域内可以取得较好成效,更有效推进农村信用平台建设。

表1 细分农村信用场景

深度 | 从垂直场景切入,探索数据产业化和推动大数据交易所转型升级

资料来源:陈鹏,刘新海,《利用大数据征信发展农村金融业务的建议》,北京大学金融智能研究中心,2016年。

第二类应用模式案例:政务大数据开放共享

对于一些数据标准化程度高,但商业化程度不够的数据,例如政府数据,需要进一步加大开放和共享力度。从全球数据产业发展的经验看,开放政务大数据,对于培育和壮大数据产业链十分重要。即便是已经拥有众多数据来源的银行机构,也希望能够公开获取政务大数据,优化自身的风控模型。

国内政务数据缺乏统一的开放共享平台,获取渠道单一,而且能够获得的数据颗粒度、时效性也不够。海关、企业注册、税务、通信、医疗、交通、信用、社保等不同领域的数据很难相互打通,大数据融合优势难以发挥。从国内外实践看,政府需要搭建基本平台,提供数据基础设施服务。目前,已经有一些纵向的探索,即业务主管部门可以在自己的管辖范围和下属机构内整合相关数据,然后搭建一个开放平台。例如,市场监督总局的国家企业信用信息公示系统、全国组织机构统一社会信用代码数据服务中心提供的统一社会信用代码公示查询平台、海关的货物进出口贸易查询平台等。其中,部分平台数据已向社会公众开放。围绕这些数据,一些数据服务机构也开展了相关的商业化服务,比如企查查和量子数聚等。

不过,由于平台之间无法打通,而且有些平台公布格式不友好,政务大数据价值尚未得到充分释放。此外,部分数据应用仍然处在合规和违规的模糊边界,数据开放政策也可能前后不一致,企业开展数据分析业务面临较大不确定性。比较而言,美国联邦政府的DataGov平台,英国政府的数据开放平台(data.gov.uk)共享程度更高、界面更为友好、商业应用案例也更成熟。总的看,进一步加大政务大数据开放,充分调动市场化机构积极性,丰富数据应用和加深数据融合,是进一步提升数据商业价值的重要前提。

第三类应用模式案例:医疗大数据公司

目前,全球医疗健康数据规模已有数百EB,并且还在加速增长。从大规模基因组测序到人工智能辅助的临床决策支持系统,大数据正在改变着医学研究与实践。同时,医疗大数据也带来了大量的商业机会,通过医学机构和产业伙伴的合作,可以开展电子病历表型提取、临床决策支持、精准医学等方面的前沿学术研究和行业实践。

医疗大数据是医疗活动产生的数据集合,包括个人从出生到死亡的全生命周期过程中,因免疫、体检、治疗、运动、饮食等健康相关活动所产生的大数据,涉及医疗服务、疾病防控、食品安全、养生保健等方面的应用。医疗大数据非结构化特征突出,大约80%的医疗数[x1] 据是自由文本构成的非结构化数据,其中不仅包括大段的文字描述,也包含非统一文字的表格字段[5]。虽然电子化的医疗数据方便了存储和传输,但是并未达到进行数据分析的要求。通过医学自然语言理解技术,将非结构化医疗数据转化为适合计算机分析的结构化形式是医疗大数据分析的基础。

另外,如此海量、非结构化的数据,使得医疗大数据在捕捉、存储、管理和处理分析上存在诸多困难,加上数据来源复杂和数据孤岛现象严重,国内医疗数据产业尚处于起步阶段。据初步统计,目前国内有超过20家的医疗大数据公司,比如提供健康管理服务的公司有碳云智能、妙健康、必拓狮、腾迈智医和企医,提供临床决策支持系统(包括医学影像、X光、CT、MRI、医疗专家数据库)的联众医疗、泰立瑞、好卓数据、拍医拍、百度医疗大脑等。比较而言,美国医疗大数据公司数量众多,例如使用肿瘤临床数据的Flatiron、运用肿瘤人工智能辅助决策的IBM Watson Oncology、使用肿瘤全景数据的IMS Health Oncology和运用医疗公众资源数据的Palantir。

医疗大数据领域具有很好的商业应用场景,无论国内和国外的医疗大数据领域,资本都乐意投入,高科技公司积极跟进,很多创业公司在医疗垂直领域进行探索,而且不乏一些已经成功上市的企业。但也要看到,海量非结构化数据给技术标准化带来挑战,而且B端的医疗机构、药企和保险公司是医疗数据主要的买单方,让C端的病人和医生为数据付费还未成为现实。实际上,这种场景商业化程度高,但数据本身呈现多源、异构 、海量特征的场景还有很多。未来在数据采集和记录方面,未来可通过手机APP、可穿戴设备以及物联网,保证数据的完整性、连续性和准确性,实现大数据的自动采集、高效存储、深度分析与智慧应用,提供涵盖垂直场景下全产业链的基础信息化支撑 、数据价值挖掘和资金风险管控能力。

第四类应用模式案例:美国电信数据交换中心[6]

在美国,电信运营商每年被拖欠的通信费用达到十亿美元。为了减少消费者拖欠费用的风险,一些具有商业远见的电信公司高层们联合组建了一个全国性的电信与公共事业信息交换中心(National Consumer Telecom & Utilities Exchange,简称NCTUE)。该组织成立之初,只包括电信行业企业,后来付费电视和公共事业服务公司也陆续加入,使其发展成为会员制的公司。会员之间共享消费者客户的数据,识别高风险消费者。

NCTUE起步于电信信息垂直领域,之后又拓展到相关的公共事业信息领域,其数据的特点是数据商业价值大,可以直接用于解决行业和会员之间信用风险问题,同时数据标准化程度高,经过不断发展和完善,会员报送的数据已经形成系列标准化的数据产品,例如个人数据报告和个人评分。同时,该机构的数据产品标准化程度,还与其他数据公司,例如全国性的征信公司,开展大规模的交易。

目前,NCTUE的成员机构包括全国性的、区域的和当地的公司,覆盖了有线电视、电力、气、互联网、市话、长途电话、卫星电视、水、无线电话等行业。NCTUE有3.42亿消费者记录(其中的2500万消费者没有信用记录),包括电信、水、电、煤气等新申请、账户历史、偿还历史、违约和欺诈等60多种数据。NCTUE逐渐发展成为美国的一个提供运营商数据和公共数据的特殊征信机构(Speciality Credit Reporting Agency,简称SCRA),受美国消费者金融保护局(CFPB)监管。

除了电信大数据以外,在个人消费生活场景下,还有不少这种商业价值大、技术标准化程度高的典型案例。如图3所示,这些典型场景包括教育支出、就业、开立银行账户、申请信用卡、网上购物、租房、付手机费、付公用事业费(水/电)、购车、开车、购房及度假等。比较有代表性的案例是类似于上述NCTUE的多家美国专业个人数据公司和英国的房租消费者数据公司Keysafe Tenant Vetting[8],等等。该模式也适合用于一些互动较为高频的行业数据,典型的例子有融合了投资基金数据的EPFR。

深度 | 从垂直场景切入,探索数据产业化和推动大数据交易所转型升级

图3 消费者的生活场景

综合上述四类典型应用案例,可以看出,从垂直场景切入数据融合和产业化应用,符合数据产业发展和创新的逻辑。垂直场景下的数据产业化应用既适合个人数据,也适用于企业和行业数据。在数字经济的发展过程中,不同场景将会不断涌现,随之将出现各种类型的商业数据平台,垂直场景数据融合为数据要素市场良性互动、数据产业有序发展提供了重要方向。

四、垂直场景应用模式框架下看大数据交易所升级转型

国际数据公司(IDC)预测,从2018到2025年中国产生的数据将从7.6ZB增加到48.6ZB,潜在的数据交易需求旺盛。当前,各地都在积极投入的大数据交易所的设立,希望数据要素可以像普通商品一样进行分类定价和交易,进而加大数据资源的共享和利用。大数据交易所正是建立一个庞大数据市场的最新尝试。但是现实的问题是,国内主要数据交易平台实际运营情况都不太理想,大量数据无法进场交易,商业收入泛善可陈。多数平台数据交易规模狭小。有的交易流水虽然很大,但利润十分单薄[10]。很多只是通过平台“走单”,甚至平台为了积累交易流水采取完全不收费的策略。很多数据公司同时又“无米下锅”,只能依靠场外一对一甚至灰色方式获取数据。

这背后既有数据供给方交易意愿不足,也有交易所商业模式过于宽泛、技术标准化程度不够,还有数据需求端定位不准、应用场景太宽、产业链环节太多等问题。归结起来,大数据交易所甚至整个数据要素交易,当前面临的挑战仍然是两个方面。一是数据的商业价值未得到市场的充分认可。很多领域的数字化并不深入,对于不同场景下数据价值的认识不足,数据的成熟应用和价值实现有一个过程。二是数据的标准化程度不足,不能形成大规模生产。数据产品的标准化也需要一个过程,既依赖于对于数据的理解,也需要信息技术进步的推进。实际上,不同的数据的产品标准化程度差异很大,不放在具体场景下,很难有确定的结论。

不过,前述垂直场景下产业化应用模式的优势,加上国内丰富的应用场景,为当前大数据交易所加快转型、走出困境提供了一个可行务实的方向。即大数据交易所可以从垂直场景切入,定位为第三方数据平台,聚焦具体的数据产品和服务,扩大数据产品的供给。具体来看,大致需要做好以下三点。

一是根据具体应用场景选择合适技术路线。目前国内的大数据交易所具备一定的技术基础,也做了相关的资源整合。可以根据数据领域的商业成熟度和技术标准化程度,从具体垂直场景的切入,选择市场化机制、或者政府支持+市场机构相结合的方式。当数据行业的产品与服务在商业上价值被认可,成熟度较高,而且技术方面的标准化问题完备的情况下,可以在大数据交易所进行大规模、批量的交易。具体的路线可以参考图2的模式IV。当然,大部分场景要么是商业价值不大、要么技术标准化程度不够高,这种情况下可以借鉴其他三种模式作为切入点,之后再逐步向第四类大规模交易模式靠近。

二是选择合适承担主体和参与者。大数据交易所需要发挥平台功能,吸引更多第三方的平台服务商参与。具体的实施路线可以借鉴征信的数据共享模式,建设垂直场景下第三方数据平台,充分利用市场化机构的技术创新和商业创新的力量。实际上,在长期应用中效果卓著的征信模式,为数字时代垂直领域的信息共享提供了范例。如图4所示,可以由具有公信力的第三方负责垂直场景下的数据采集和整合,并生成各种需要的信息产品,从仅包括负面信息的黑名单到屏蔽了商业机密的综合信息。同时,行业内的公司向第三方独立机构报送相关数据,由第三方机构对数据进行匹配整合和数据挖掘,生成不同层次和类型的信息产品,一方面提供给这些垂直场景下报告数据的公司分享,同时在征得相关方同意的基础上也供外部合法应用,例如基于这些数据进行行业的宏观分析、专业管理和政策决策。

深度 | 从垂直场景切入,探索数据产业化和推动大数据交易所转型升级

图4 垂直场景下利用第三方数据平台模式开展信息共享

三是搞对激励和约束机制。从早期探索看,由于数据权利类型、数据权利归属、数字所有权和使用权分离、权属保护等都不清楚,大数据交易所难以设计可持续的激励和约束机制。垂直场景下的数据产业化应用,数据更容易集中,激励更容易形成闭环,监管更容易穿透,合规和信息安全成本降低。后续需要加大技术和制度创新,例如对于多数据源的垂直场景,可采用会员俱乐部制,承认数据处理者的利益等,而对于数据单一、产业链关系简单的垂直应用场景,可以按照上下游分成的模式,实现收益共享、风险共担。

随着数字经济形态越来越丰富,将会有更多基于互联网和物联网的生产、流通、消费、社交、公共服务等垂直场景。如果能够明确发展路线、找准合适的承担和参与主体、完善相关的激励和约束机制,大数据交易所作为重要的第三方数据平台,就能够以垂直场景为起点,不断融合其他领域的数据,从行业、区域起步,逐步建设成全国性的数据交换和服务平台。

当然,本文提出的垂直数据融合的思路,并不限于大数据交易所的转型升级,也适用于区域性和行业性的数据要素交易或共享机制设计。例如,大湾区可以就某些垂直领域进行数据融合,对租房、雇佣等垂直场景进行先行先试。总之,数据产业是一个新兴的领域,并不太多定式可循,在完善数据要素市场顶层设计的同时,还要更多立足具体场景,借鉴国内外的成功案例,为数据要素价值的有效释放打下坚实基础。

(作者简介:许伟现任国务院发展研究中心宏观经济研究部研究员。刘新海现任北京信用学会副会长。)

参考文献:

Robert Scoble, Shel Israel, 即将到来的场景时代:移动、传感、数据和未来隐私( Age of Context: Mobile, Sensor, Data and the Future of Privacy),2013。

刘新海,刘志军译,《美国征信史——数据经济的崛起和个人隐私的博弈》,中国金融出版社,2022年。

李政为、吴杰,我国农村信用体系建设的基本模式及政策建议,《征信》2020年第9期。

http://www.stat.tsinghua.edu.cn/research/medical-big-data/

[5] 张聪丛, 郜颍颍, 赵畅,等. 开放政府数据共享与使用中的隐私保护问题研究——基于开放政府数据生命周期理论[J]. 电子政务, 2018(9):13.

[6] 刘新海, 《征信与大数据》,中信出版社,2016年。

https://www.consumerfinance.gov/consumer-tools/credit-reports-and-scores/consumer-reporting-companies

[8] 更详细的描述见https://www.keysafetv.com/和https://landlordcreditbureau.com/report-rent-payments/

杜丽群,英国住房租赁市场信用机制分析与中国借鉴,《人民论坛·学术前沿》2018年10月上。http://www.rmlt.com.cn/2019/0222/540146.shtml

[10] 王建冬,于施洋,黄倩倩. 数据要素基础理论与制度体系总体设计探究[J]. 电子政务,2022(02): 2-11.

End.

原创文章,作者:币圈吴彦祖,如若转载,请注明出处:https://www.kaixuan.pro/news/387408/