基于区块链的大数据定价机制及交易模式探究
程 琳 黄广玉 王 政 严 欢
(上海对外经贸大学，上海 201620)
摘要： 大数据具有与工业商品完全不同的属性：首次创作成本高、边际成本为零、无形、价值不确定性、交易安全性低、多样性等，基于传统工业商品属性所建立的一手交钱一手交货的定价机制和交易模式，显然不能适应大数据交易的需要。本课题引入区块链的共识机制、时间戳、智能合约和通证激励，试图降低买卖双方的交易成本并激励大数据买卖。同时引入期望值EU和一整套信用评分系统，优化效用定价，以解决大数据商品难以定价的问题。
关键词： 大数据；区块链；效用定价；智能合约；通证激励
在2018中国国际大数据产业博览会开幕式上，国家主席习近平指出要高度重视中国大数据产业发展，加快数字中国建设，并强调了国家大数据战略对于中国经济社会发展的重要地位和时代意义。由于信息商品高生产成本、零边际成本以及易复制等特性，使得目前大数据交易市场还缺乏一个相对合理、完善的定价机制，这导致数据总体量在大规模增长的同时，流通性仍不活跃。
区块链作为近几年的新兴技术，其自带透明、公正和防篡改的属性，可天然和数据相结合，为解决大数据在定价和交易过程中出现的问题提供了新的思路。因此，本文将试图从大数据商品的属性出发，结合区块链技术，优化传统效用定价模型，试图探讨出一个合理的定价机制，从而打破“数据孤岛”，促使大数据在交易市场上流转起来，发挥真正的价值。
活血化瘀方（SE）由三棱、莪术组成，赵外荣等[10]发现斑马鱼在给药48 h之后，SE可以促进SIVc出芽，呈现浓度优势性。用VEGF受体抑制剂（VRI）诱导斑马鱼血管损伤后，内皮细胞EA.hy926增殖受到抑制，当SE干预时，均可明显促进EA.hy926增殖。通过对斑马鱼VEGF受体fltl、kdr、kdrl基因表达的观察，发现不同浓度SE均可提高基因表达量。
一、构建大数据定价和交易的理论基础
1.基于区块链技术解决数据隐私保护的研究
区块链技术是利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式。根据《2018年中国区块链产业发展蓝皮书》显示，区块链作为数据经济重要的组成部分，天然具备可靠、透明、安全等特点，在降低信用成本、简化业务流程、提高交易效率等方面，为数字治理和数字经济提供了重要技术基础。
目前，由于数据隐私泄漏、数据使用中被恶意修改、数据被盗取等问题，大部分企业的数据都各自存储，缺乏连接和互动，导致合作难于开展，造成巨大的资源浪费。区块链可构建一个去中心化的多数据中心平台，实现多企业在相互看不到对方原始数据的前提下，使用对方数据进行联合计算，实现数据可信不可见，从而打破数据孤岛，保护企业数据和用户数据隐私，实现数据价值最大化。
基于效用定价的特性，大数据买方在拿到数据并使用之后，将根据这份数据给买方带来的实际效用来决定卖方的收益。但对卖方来说，这种交易方式却存在一定违约的风险。基于此，本文引入了信用值和保证金，提高了买方虚报期望值、无故毁约的成本，在一定程度上保障了卖方的利益，促进大数据交易平稳健康发展。保证金的计算公式如下：
2.基于时间戳保障数据交易的研究
时间戳(Timestamp)是一个能够证明数据电子文件在一个时间点是已经存在的、完整的、可验证，具备法律效力的电子凭证，主要用于确定电子文件产生的准确时间，防止电子文件的篡改和事后抵赖，因此其作为证据使用，具有权威性、可信赖性。在区块链中，时间戳扮演公证人的角色，比传统的公证制度更为可信。区块链将包含数据信息的区块的哈希值广播至全网所有节点生成时间戳，证明该数据信息在哈希时的时间已存在，之后生成区块的时间戳包含之前的时间戳，环环相扣形成时间序列，不断加强对前面区块时间戳的认证。
对于大数据交易而言，时间戳必不可少。首先，数据质量和效用与时间关联性强，大数据的应用对数据的及时性要求非常高。其次，数据交易市场具有很强的时序性，大数据交易流程涉及一系列具有先后关系的次序，包括产生、确权、交易、应用，环环相扣，不可颠倒。因此大数据交易需要精确度高、可信度高、效率高的时间戳服务。
3.基于智能合约提高交易效率的研究
1994年，SZABO首次提出了智能合约(Smart contract)的概念：智能合约就是执行合约条款的可计算交易协议。简单来说，智能合约是描述商业逻辑的程序代码，把买卖双方、交易协议和网络之间的复杂关系程序化，达成一种计算机协议，基于智能合约的“事件触发”机制，协议一旦部署就能自动执行。目前的大数据交易依靠的是传统纸质合同形式达成的契约关系，数据的流转信息仍保留于各个数据主体之间，交易双方应遵守的行为规范难以在实际数据流转过程中得到合规保障与监督。
此外，买方将通过加密的方式给出卖方a%的大小，以避免买方的恶意竞争，使得卖方预期利润EP趋向于一个定值。卖方在后台接受到a%后，直接通过系统算法和买方列出的预期效用EU相乘，得出预期利润EP呈现给卖方。
4.基于通证的激励机制研究
在区块链领域中，通证(Token)是指可流通的加密数字权益证明。而实体通证是凝结了实体贡献值的通证，即实体企业运用区块链技术，根据用户创造价值的行为，向用户发放的激励通证。通证作为一种数字化凭证，需要具备三个特点：可流通、可证明、有价值。
本文基于区块链技术在平台上发布三种通证:DIC、DEC和DTC。
DIC(Data incentive coin)作为平台上以激励为主的货币，50%用于激励交易，20%作为持有DEC的分红，20%作为平台上矿工见证交易的奖励，10%作为对数据质量的鉴定费。发行数量不固定，基于每天DTC产生的数量成比例。买方在平台内买数据、评价数据、注册会员会有一定的奖励，同时参考买家交易频率、单笔平均交易金额、数据购买的先后顺序和信用值等，奖励一定的代币。对于币的奖励，包括50%的为DIC和50%的DEC或者100%的DEC。DIC也可以通过二级市场购买获得。平台用户持有的DIC可以用来支付买卖大数据时产生的交易手续费。
DEC(Data equity coin)作为平台内部的权益币，无法直接进行买卖，可通过DIC转换或由平台内的奖励获得。对于DEC我们希望用户能够长期持有并持续贡献，获得的DEC有13周的锁定期，只有在13周之后才能进行转换。DEC代表一种权益，类似于公司的股份，个体持有量会影响后期平台的分红。同时，DEC与信用值挂钩，储存的DEC越多，企业同等的经济行为对信用值的影响越大，交易时获得的奖励也更多。
DTC(Data trading coin)作为平台内的稳定币，可在大数据交易平台上流通。DTC发币的基础是与美元锚定，1DTC≈1美元。DTC可以通过DIC进行转换，或通过二级市场购买。作为稳定币的DTC，可用来对冲风险，当DIC价格降低的时候可以通过将DIC转换成DTC保护企业利益。企业持有DTC，将会获得一定的利息。
其中，整个通证机制的价值来源为：一是如果有数据卖方希望宣传自己的数据，让买方都看到，数据交易平台则可收取相应的广告费；二是在数据交易过程中，平台可按照一定比例收取的交易费用；三是对于平台内进行的数额较大或对买卖双方要求比较高的交易，可针对这一部分特殊群体收取相应的会员费。
5.基于SVM算法构建信用体系的研究
(1)支持向量机(Support Vector Machine，SVM)基本原理
另外，在培训员工的过程中，可以通过建立奖励制度来发挥激励员工的作用。例如，企业可以以给在经济管理中表现优异的员工表扬，在树立榜样的同时给予其奖金奖励或晋升的机会。
SVM的分类思想是通过非线性变换，从低维空间输入特征数据映射到高维空间，使原来不易区分的特征可分性更高，并在高维空间中寻找最优分类超平面。大数据买卖双方的信用值m可划分为0～100之间的正整数,m值越大表示企业的信用值越高，根据大数据交易所以往的交易数据对SVM分类器进行训练，输出的结果m∈(0,100),进而构建一个成熟的信用评价体系。
针对效用可具体量化的情况，总公式如下：
f:Rn → R yi = f(xi)
根据SVM理论，企业信用评价模型的建立即寻求如下表达式成立,
此刻的阿里除了母亲，什么都不想要了。他转圈速度越来越快。阿东有些害怕，紧紧搂着他。阿里便伸手抓自己的头发，嘴里发出野兽一样的嚎叫。不知道这声音是什么意思，但人人都能听出，他在愤怒，同时也饱含悲伤。阿东有点抓他不住，他不停地说：“阿里，乖，安静点。你听我说。你听我说。”
其中，XiTX=k(X1,X2)为核函数，表达式为 :
(2)基于支持向量机的信用评价步骤
①收集大数据买卖企业信用评价指标数据。交易信用部分的数据可通过现有的大数据交易所获得，公司运营信用的数据来源于公司公布的财务报表。
那时，北京工商大学还是当时的北京轻工业学院，毕业留校的孙宝国决定把两种香料的研制当成自己留校后攻克的第一道难关，他开始了“夜以继日”的工作模式，一日三餐常常吃在实验室。那时的他，一天大部分时间都扎在实验室，晚上实验楼要关门，他就从厕所的窗户爬出来，久而久之，竟轻车熟路起来。对于孙宝国而言，这只是可以忽略不计的小事，他有着更重要的事——把价如黄金的香料做出来。
②数据预处理。对收集的原始数据进行归一化处理，将处理后的数据分为训练样本和测试样本。
适用条件：套压大于0.2 MPa的套管气，可以启动自力增压系统。最高输出压力及流量：2倍套压；流量可设置。套管气自力驱动：不用电源，自动保压，无热量产生，没有火花危险源。
③构建企业信用评价模型。用训练样本数据训练出SVM 模型，得到企业信用评价模型。
④测试样本信用值评价。利用训练好的评价模型对测试样本进行信用值评价。
表1 大数据买卖企业信用评价指标
二、数据效用可量化时大数据定价分析
D=EP*b%
由于企业信用值与很多因素相关，假设xi cRn 为影响企业信用值的因素，本文采用如表1所示的十二种指标，yi为企业信用值。基于支持向量机的企业信用评价模型就是寻找xi、yi之间的关系。
UP=C+RP-D
其中UP(utility price)是以效用定价为主体得出的买方支付给卖方的交易费用；C(Cost)为单份大数据的动态成本；RP(Real profit)是买方使用数据后愿意给卖方的利润；D(Deposit)为买方根据信用值的高低所缴纳的保证金。接下来我们将分别讨论变量C、D和RP。
1.动态成本C变量分析
基于大数据商品获取成本高、边际成本低的特征，本文采用了动态成本定价模型：随着购买该数据的人数增多，买方所负担的成本C会随之下降。同时，结合上文提到的DIC通证，对最先购买数据的企业进行相应的激励，保障最先购买者的收益，激发人们购买数据。动态成本的计算公式如下：
C=(TFC+TVC)*kn=TC*kn
其中TC(Total Cost)为数据的总成本，由TFC(Total Fixed Cost—总固定成本)和 TVC(Total Variable Cost—总可变成本)共同组成，主要体现在大数据商品的研发费用，设备购置，维护及升级费用等。在通常情况下，大数据的固定成本远大于其可变成本。k为一个0到1的常数，n是购买此数据的总人数。
2.保证金D变量分析
我和李咏虽说不是青梅竹马，也算得上一块儿长大。当年我十八，他十九，我属鸡，他属猴，进大学没俩月就谈上了恋爱。我爸一提起这事儿就忧心忡忡：“老话说，鸡猴不到头儿。你们啊，哎……”
谣言从“无知”发展到“无畏”，现在又进入到“无耻”阶段，也难怪我们已经迎来了一个网络谣言爆发的时期。从本质上讲，食品安全谣言的“无畏”“无耻”都属于“以谣生利”，在利益驱动下，而且看起来又不需要付出太大的造谣成本，还有什么不能发生？
效用价格论认为决定大数据价格的是其使用价值，即使用大数据前后的预期收益(或损失)的差值是最高价格，认为卖方可根据卖出每份数据所产生效用大小的不同，对每份数据收取不同的价格，使用差异化定价，有效减弱长尾理论带来的困境。
其中EP为卖方的预期利润。在卖方给买方提供大数据之前，买方需要将预期利润的b%作为保证金提前支付给卖方，b的大小直接受信用值m的影响。对于信用值高的企业，b可能很小甚至为零；而对于信用低的企业，为维护卖方的权益，需要支付较高的保证金以促进交易的达成，此时b相对较大。根据上文中SVM所构建的信用算法体系，买方可根据多个维度的评定获取自己的信用值m，且卖方可以根据信用值在的区间来确定b的具体值。比如，信用值在75～85之间的企业，可以收取买方预期利润的30%作为保证金；信用值在95～100的企业，b可以仅为5%或者更少；而信用值过低的企业，卖方则有拒绝交易数据的权力，从而实现数据市场的双向选择。
3.数据实际利润RP变量分析
(3)效用分成百分数a%——买方愿意给卖方效用分成的比例，在确定交易之前确定，由买方通过加密方式给出，卖方在后台可以看到所有买方给出的a%(之所以让买方选择加密的方式给出a%，是为了防止恶性竞争)。如买卖双方确定交易，a%将写进智能合约。
(1)买方预期效用EU(Expected utility)——买方预测得到数据后，可为自己带来多少效用的一个大概值。
(2)买方实际效用RU(Real utility)——买方得到数据后，可为自己带来多少效用的一个确定值。
An Analysis of the Historical and Present Situations of the Public Ecological Products Lin Xuechun
下面将分析数据实际利润RP。由于RP是一个在数据产生效用后才能决定的数值，为保障前期买卖双方交易的进行，本文在交易过程中引入以下参数，并呈现给买卖双方：
我国市场经济的不断发展，使高校的管理体制也从之前的以管为主逐渐向服务型管理模式转变，但是，高校的很多管理体制仍旧存在较多的漏洞和弊端，这些问题的出现很难满足新时代学生的管理需求。
(4)卖方预期利润EP(Expected profit)——卖方预期将数据卖给买方后，可分成获得的利润，其中EP=EU*a%。
(5)卖方实际利润RP(Real profit)——卖方实际获得的数据产生的效用的分成利润，其中RP= RU*a%。
在交易前，卖方会在数据交易平台挂出一份大数据，确定C的值，并在后台设置可接受最低信用值m和最低预期利润EP。假设卖方设置的m0=55，EP0=3w，则经过平台筛选后，出现三位符合条件的买方：甲、乙、丙。
表2 数据交易平台上显示的买方数据
买方在知道卖方会设置一个最低信用值m和最低预期利润EP后，可有效激励买方为增加自己信用值m而自觉遵守信用的行为；同时，买方更愿意将获取数据后产生的利润尽可能多的分给卖方，以期卖方愿意达成交易。
实际上，天脊硝酸磷肥是氮磷二元复合肥，在为作物提供氮营养的同时也能为作物提供磷及其他营养元素。磷铵的生产工艺是硫酸分解磷矿，在这个过程中，磷矿中很多有用的元素，比如钙、镁、铁、锌等，全部是以硫酸盐的形式存在的。由于硫酸盐不溶于水，因此无法被作物吸收利用。但是硝酸磷肥生产工艺是硝酸分解磷矿，矿石中的钙、镁、铁、锌等元素与硝酸作用后以硝酸盐的形式存在，这些都是可水溶的，因此硝酸磷肥在给农作物补充氮磷大量元素的同时还可以补充中微量元素。
表3 卖方在数据交易后台可看到的数据
卖方可权衡买方的信用值m和预期利润EP决定是否交易数据。在此例中，如果卖方更注重预期利润，则会优先考虑与乙、丙进行交易；如果卖家更注重买方的信用值m，则会优先考虑甲和乙。但由于丙的信用值相对低，系统给出的买方预付保证金D数值也相应的比较大，可在一定程度上降低卖方交易风险，所以卖方仍可考虑与丙交易。如果卖方希望节约交易所花费的时间成本，也可在智能合约上直接设置信用值m和卖方预期利润EP等参数所在的范围，在数据交易市场上一旦有符合条件的买方，将自动达成交易。
当前固定资产和无形资产管理程序比较健全，最大的缺陷在于资产的效益评估上。医院固定资产和无形资产采购完成后，对资产所带来的经济效益分析目前基本上处于空白的状态。固定资产管理信息系统应与医院PACS系统、HIS系统等进行衔接，获取固定资产开机率、使用频率、收入情况等信息，进行固定资产使用及收益情况的评价。为设备的采购提供可靠的依据，避免盲目投资造成国有资产浪费。
4.基于买方预期效用EU和实际效用RU误差较大的解决方案
数据产生效用后，如果买方EU<<RU，卖方将获得额外的预期利润，系统仍遵守之前约定的效用分成比例a%，按照公式RP=RU*a%支付给卖方相应的RP；如果卖方EU>>RU，卖方的预期利润将受到损失，为保障卖方利益，在系统内引入差值比例g=(EU-RU)/EU。一旦g超过了卖方设置的浮动区间，系统会相应的扣除买方的信任值m，将影响到买方的下一次交易。基于未来是一个活跃的数据交易市场，极少存在企业只需要买一次数据的情况，因此在买卖双方都是理性人的前提下，为了长期利益，买方不会过分夸大预期效用。
三、买方数据效用难以量化时大数据定价分析
1.价值链定价
价值链定价模式适用于在市场上被广泛需求，且实际效用差别较小的大数据商品。例如内容提供类数字产品(按信息充分度、数量、及时性对价格差别化)，价值链定价模式包含时间和使用人数两个变量，公式为：P=Matx,其中，M为商家针对更大范围的买方，对该份大数据的心理预估价。t 为时间变量，数据效用会随着时间的增加而发生相应的变动(诸如热点，点击量，成交量等)，可依据不同数据产品的特性，采取诸如天、周、月等时间单位。x为近似一段时期内购买者的批次序号，即链上的节点。对于不同数据商品的规模化个性定价，a的状态会产生变动，呈指数函数形态。若产品经过长时间的演变而缓慢衰减价值，则a趋近于1，但在短时间内，a会产生大幅的波动，并趋向于0。
2.拍卖定价
在数据交易市场上，采用拍卖定价方式的有两种情况：一是某类大数据商品不能广泛传播，只能将其卖给一位或少数几位大数据买家。采用拍卖式定价，价高者得，大数据卖家的利益就得到了保证。二是如果大数据买方对所购买的大数据产品的效用价值期望值很高，并不想让竞争对手获取，便可以与大数据卖方协商拍卖式定价，对该类大数据进行垄断。在本文定价模式中，拍卖定价主要用于大数据的效用价值不可量化的情况。
方式一拍卖规则可以建立在卖方传统估价的基础上给出评价结果，之后根据此结果给出一个合理的价格区间，大数据卖方在这个价格区间内进行二次定价。这种方式相当于提供一个拍卖底价或参考价，买方和卖方的交易风险降低。方式二采用密封式二级价格拍卖，买方根据对该份大数据的估价进行报价，买方报价的极值相对更大，同样的，价高者中标，成交价是第二高价者的价格。
将原账会计科目余额表中“财政补助结转”科目余额，加上各项结转转入的预算支出中已经计入预算支出尚未支付财政资金（如发生时列支的应付账款）的金额，减去已经支付财政资金尚未计入预算支出（如购入的存货、预付账款等）的金额之差，记入新账“财政拨款结转”科目及其明细科目贷方期初余额；将会计科目余额表中“财政补助结余”科目余额记入新账“财政拨款结余”科目及其明细科目贷方期初余额。
方式一的定价方式价格浮动小，买方在粗略了解该份大数据的价值之后，为了减少损失，报价只会略高于卖方的估价，其拍卖定价的流程与方式二类似。方式二，买方会根据其拿到这份大数据后能产生多大的价值对这份大数据的价值进行预估(类似于效用价格论)(假设估价等于报价)在这种情况下，买方的报价差距会很大。
方式二可以分成两种情况：该份大数据只卖给一个买家；该份大数据卖给少数有限的买家。如果只卖给一个买家，卖方要实现利益最大化就一定会选择报价最高的买家，卖方先把大数据上链，发布拍卖消息，买方自行报价，卖方选择最高报价方成交，交易完成。当卖方决定将大数据卖多份，由于大数据具有可复制性特点，复制成本几乎为0，卖家可以自行确定拍品份数，使自己收益越大。假设有3个竞拍者，卖方确定拍两份大数据时，竞拍者一，竞拍者二，竞拍者三的两次报价分别为[100，90]，[110，99]，[90，81]，由于竞拍者一和竞拍者二的报价更高，因此竞拍者一和竞拍者二获得拍品，那么他们将支付其余竞拍者在拍3件时的最高报价，即竞拍者三的报价81，卖方收益为W=81×2=162，这比单独卖一份数据的收益更高。一次性数据和实时性数据都可以用这些方式进行拍卖定价，但实时性数据可以考虑二次拍卖。
四、结语及展望
针对大数据交易中定价难的问题，我们基于前人的研究成果，提出了一个新的效用激励定价方案——引入区块链技术追踪数据交易；引入时间戳保障数据的不可篡改；引入智能合约降低买卖双方的交易成本；引入期望值EU对分类数据的动态效用进行相应评估；引入通证激励机制促进数据交易；引入一整套信用评分系统降低违约风险。并通过以上各机制的协同作用，促进大数据更好的流通和数据价值合理的回归，有效提高数据交易市场的活跃性和可信任性，增强平台公信力。
本文是对区块链技术在大数据定价机制和交易模式方向上的一次有益探索，虽然目前区块链底层技术架构并不完善，但不可否认，区块链的出现为信息互联网向价值互联网的转变提供了可能。本文暂未考虑个人数据确权和政府大数据定价等问题，在未来区块链应用越来越成熟、相关法律法规趋于完善的情况下，基于区块链的大数据交易将会越来越广泛，在此之前还有待专业人士做进一步研究和落实。
参考文献：
[1]《Bitcoin:A Peer-to-Peer Electronic Cash System 》https://bitcoin.org/bitcoin.pdf,Satoshi Nakamoto,2008.
[2]SZABO N. Smart Contracts[EB/OL]. http://virtualschool.edu/mon/Economics/SmartCotracts.html,2018-5-11.
[3]Steemit和币乎白皮书.
[4]董陈武.基于PCA、SVM算法实现人脸识别[J].广播电视信息，2018,(10):107～110.
[5]刘朝阳.大数据定价问题分析[J].情报、信息与共享，2018,(1):61～64.
[6]Varun Grover,Pradipkumar Ramanlal. Playing the E - commerce Game. Busi2 ness and Economic Review,2000:(1).
[7]Carl Shapiro,Hal Varian 著:张帆译.信息规则:网络经济的策略指导[M].北京:中国人民大学出版社,2000.方法[J].中国科学技术大学学报,2018,48(06):486～494.
中图分类号： F49
文献识别码： A
文章编号： 2096-3157(2019)22-0132-04
[注] 基金项目：本项目成果受“2019年度上海大学生创新创业训练计划示范校”建设经费资助
作者简介： 1.程琳，上海对外经贸大学学生。
2.黄广玉，上海对外经贸大学学生。
3.王政，上海对外经贸大学学生。
4.严欢，上海对外经贸大学学生。
亚太地区领导人有责任规划好亚太经合组织2020年后的合作愿景。中国是亚太合作的积极倡导者和坚定践行者。中国将深入参与亚太合作进程，同各方深化务实合作，为亚太地区发展繁荣作出新贡献。