---
schema_version: "library-reader-v1"
source_type: "original_book"
title: "数据要素五论：信息、权属、价值、安全、交易"
author: null
edition: null
publisher: null
year: null
isbn: "9787301332191"
library_document_id: "e15cef9b-a00b-4230-8ad6-386b4a5a8888"
source_sha256: "53810151409244a84e00f024dab97d0128410aca823a5f3cfc1b191cfbfc2acf"
pdf_physical_page_count: 267
pdf_physical_page_index_base: 0
range_start: 60
range_count: 10
html_url: "https://workshop.closeclaw.top/api/ai/read/e15cef9b-a00b-4230-8ad6-386b4a5a8888?start=60&limit=10"
markdown_url: "https://workshop.closeclaw.top/api/ai/read/e15cef9b-a00b-4230-8ad6-386b4a5a8888.md?start=60&limit=10"
previous_url: "https://workshop.closeclaw.top/api/ai/read/e15cef9b-a00b-4230-8ad6-386b4a5a8888.md?start=50&limit=10"
next_url: "https://workshop.closeclaw.top/api/ai/read/e15cef9b-a00b-4230-8ad6-386b4a5a8888.md?start=70&limit=10"
---
# 数据要素五论：信息、权属、价值、安全、交易
> 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。
## PDF_PHYSICAL_PAGE_INDEX=60 | PRINTED_PAGE=NOT_DETECTED
② 企业数据库 包括企业生产经营数据 客户数据 竞争对手数据行业数据等，这些数据主要存储在企业的计算机系统中
③ 政府数据库 这是指存储在政府计算机系统中的数据库
④ 公共数据库 这主要是指存储在公共网站上的数据 这些数据能够通过搜索引擎访问
（2）数据的组织形式
数据的组织形式主要有：
①专用格式数据 有相当多的数据由专用数字化设备产生，如医学影像数据（X光 B超 CT等），还有GIS 多媒体等数据 这些数据的处理需要专门的设备或专门的软件
② 通用格式数据 在信息化早期，大多数数据被存储在通用数据库中，由通用的数据库管理系统（如Oracle DB2等）来管理 这些数据库结构清晰，处理方便
③ 互联网数据 互联网上的数据，其门类和格式繁多，还包括很多数据垃圾 病毒 由于互联网数据的形成，计算机系统中的数据更加显现出自然界的一些特征
3. 数据的体量
从数据的体量来看，可以归纳出四种属性
一是规模性 这主要体现在两个维度：样本容量大，样本容量大大超过解释变量的数目，这称为“高大数据”；变量数量多，解释变量的数量超过样本容量的数量，这称为“庞大数据”，是一种高维或超高维数据 这两种数据既给计量经济建模提供了很大的灵活性，也带来了“维度灾难”（Curse of Dimensionality）的挑战
## PDF_PHYSICAL_PAGE_INDEX=61 | PRINTED_PAGE=NOT_DETECTED
二是多样性 这是指大数据既有结构化数据，又有非结构化数据 非结构化数据提供了传统数据所没有的丰富信息，极大地拓展了经济学研究的边界与范围
三是高速性 这是指高频数据甚至实时数据的可获得性
四是准确性 这是指大数据容量很大，噪声可能很大，因此信息密度较低，这使得统计学的一些基本原理如充分性原理和降维原则，在总结 提取数据信息时就显得非常有用 同时，由于大数据结构复杂形式多样，信号噪声通常比较大，传统的统计充分性原理和降维原则需要有所创新与发展
4. 新型生产要素
数据已被作为一种新型生产要素，从这个角度来看，可以归纳出四种属性。
一是非排他性 非排他性即非独占性，即可复制 可共享 可交换可多方同时使用，共享增值
二是非竞争性 非竞争性即开发成本高，在动态使用中发挥价值，边际成本递减
三是非稀缺性 非稀缺性即万物数据化，快速海量积累，总量趋近无限，具有自我繁衍性
四是非耗竭性 非耗竭性即可重复使用 可组合 可再生，在合理运维情况下可永远使用
## PDF_PHYSICAL_PAGE_INDEX=62 | PRINTED_PAGE=NOT_DETECTED
三 数据和信息的关系
数据要素应用于经济和社会领域，需要经历多次处理与挖掘：原始数据的价值无法直接展现，需要将其转化为有价值的信息。因此，我们需要对数据与信息之间的关系进行分析，从基础原理的角度对数据要素如何推进经济发展进行阐释。本部分将从四个角度阐释数据和信息的关系。
（一）信息学角度
1. DIKW模型
在信息学领域，DIKW模型是经典的关于数据、信息、知识及智慧的价值链条。它最早由英国诗人托马斯·艾略特（Thomas S. Eliot）提出。1982年，美国教育学家哈伦·克利夫兰（Harlan Cleveland）在其发表的文章《信息即资源》（“Information as a Resource”）中引用了艾略特的诗句。后来，米兰·泽莱尼（Milan Zeleny）和罗素·阿科夫对这一模型不断加以扩展。
简单来说，DIKW模型将数据、信息、知识和智慧纳入一个金字塔形的层次体系，展示上述四者在组织形式上的关系，如图1-2所示。
## PDF_PHYSICAL_PAGE_INDEX=63 | PRINTED_PAGE=NOT_DETECTED
实际上，从罗素·阿科夫的定义出发，DIKW模型蕴含数据、信息、知识和智慧的相关关系。他指出 ：
数据是与事件有关的一组离散的、客观的事实描述，是构成信息和知识的原始材料。
信息是经过处理且有用的数据，是有意义的、有价值的、有关联的，是回答“谁”“什么”“在哪里”和“何时”等问题的答案。
知识是被处理、组织过的信息，是回答“如何”问题的答案。
智慧属于最高层次，它包含对事物的理解。
## PDF_PHYSICAL_PAGE_INDEX=64 | PRINTED_PAGE=NOT_DETECTED
如果聚焦于本章讨论的数据和信息的关系，可以发现，DIKW中的数据是广义的。它可以是数字、文字、图像和符号等，直接来自现实，可以通过原始观察和度量来获得。但同时，尽管数据的存在形式可以多种多样，DIKW模型中的数据仅代表数据本身，并没有任何潜在的含义。例如，小区燃气表每月的数据，仅仅是一种存在形式，并不具备任何更深层次的意义。
相比之下，DIKW模型中信息的概念更容易被人接受。它主要聚焦于数据来源（或者是现实来源），可以表示最基本的规律。通过某种方式组织和处理数据要素，分析数据间的关系，原先的数据就变得有意义起来。从DIKW模型的定义出发，这种有意义的数据就是信息。这些信息可以回答一些简单的问题，比如“谁”“何时”“在哪里”等，所以有学者也将信息看作被理解的消息。
Ackoff R L.From data to wisdom[J].Journal of applied systems analysis，1989，16（1）：3-9.
在DIKW模型中，数据和信息的关系可以总结为：“数据是一系列互不关联的事实和观察结果，可以通过选择、排序、总结或其他一些组织数据的方式转换为信息。” （见图1-3）
## PDF_PHYSICAL_PAGE_INDEX=65 | PRINTED_PAGE=NOT_DETECTED
吉恩·贝林杰等 也提出了类似DIKW模型的相关理论，他们将DIKW模型置于“联系”和“理解”构成的坐标轴，并把数据作为联系和理解的原点，随着加工的深入（数据—信息—知识—智慧），产物的“联系”和“理解”也会不断增强。（见图1-4）这里的联系和理解可以视同对现实事物规律准确判断的程度。他们指出：最原始的便是数据，它来自现实，不存在与任何规律的联系，也谈不上理解，但是通过把握数据间的逻辑关系就形成了知识，对规律的判断也会进一步增强。所以，信息是根据关系连接并附有意义的数据，其对现实规律的判断相比数据而言得到了加强。
## PDF_PHYSICAL_PAGE_INDEX=66 | PRINTED_PAGE=NOT_DETECTED
Krishen A S，Petrescu M.Analytics from our scholarly closets：the connections between da-ta，information，and knowledge[J].Journal of marketing analytics，2018，6（1）：1-5.
DIKW模型从提出到今天已经几十年了，近些年也有相关学者对此模型进行了补充。例如，阿尼亚拉·克里香等 从DIKW的视角定义了数据和信息的关系——数据是从不同传感器得到的原始字节，而信息是通过整合分析数据得到的。（见图5-1）所以，信息是通过数据分类和重组得到的。
2. DIKW模型的衍生
DIKW模型作为一个能简洁概括数据、信息、知识和智慧的不同层次关系的模型，具有很深刻的指导意义。但是，随着人们认识的不断深入，一些学者从DIKW模型出发，构建出了新的模型。新的模型可以从某些方面更好地概括数据、信息、知识和智慧的关系。
## PDF_PHYSICAL_PAGE_INDEX=67 | PRINTED_PAGE=NOT_DETECTED
博伊索特等 创建了存在“知识反馈”的信息—数据—知识—世界
（IDKW）的关系。如图1-6所示，信息仍然是凭借知识获取，同时知识也是通过信息得到的。但与传统DIKW不同的是，相比简单定义下的“分类”“重组”“筛选”等，新模型揭露了生成下一阶段产物的本质，那就是知识的作用——知识影响数据和信息的获得方式，体现为流程图中的“概念筛选”和“预期”。换言之，只有通过知识的调控，才能从数据中筛选出信息，继而从信息中得到知识，知识再反馈于之前的过程，形成反馈的机制。所以，从这个角度来讲，数据和信息的关系为“信息是通过修正某种概率分布从数据中提取的”。这个模型很好地揭示了数据产生信息背后的机制。
（二）数据科学角度
早在20世纪，信息论创始人香农就通过信息熵对信息的本质做出了定义。从通信的数学理论（MTC）以及信息论的角度来看，数据和信息并没有本质区别，它们都是根据不确定性进行衡量的。
## PDF_PHYSICAL_PAGE_INDEX=68 | PRINTED_PAGE=NOT_DETECTED
近些年，随着科技水平的不断提高，一个新的词语“数据挖掘”逐渐流行，它指的是从大量的数据中通过算法搜索隐藏于其中信息的过程。换句话说，生物产生原始数据，并非产生信息，对其进行加工和解释之后，才能称之为信息。所以从数据挖掘的定义来说，信息来源于数据。
在计算机科学交流网站“PHP中文网”上曾从计算机科学的角度给出数据和信息的关系：
数据是指对客观事件进行记录并可以鉴别的符号，是对客观事物的性质、状态以及相互关系等进行记载的物理符号或这些物理符号的组合。在计算机科学中，数据是指所有能输入计算机并被计算机程序处理的符号的介质的总称，是用于输入电子计算机进行处理，具有一定意义的数字、字母、符号和模拟量等的统称。
数据是信息的载体，也是传递信息的媒介。对于人而言，可利用符号（文字、数字、语义符号、图形等）作为数据；对于计算机而言，数据的表现形式是二进制。
前文提到，徐晋认为“数据是指对信息的数字化解构”。他提出，在大数据时代，应该对数据和信息有不同的定义和理解。在当今社会，数字化发展迅速，信息价值的重要程度不断提高，所以将数据理解为对信息的数字化分解是恰当而且符合时代背景的。
（三）语义学角度
瓦利德·萨巴从“获取信息的深刻程度”解释数据和信息的关系。他提出，数据本身无法获取信息，在数据转化为信息的过程中，需要额外
## PDF_PHYSICAL_PAGE_INDEX=69 | PRINTED_PAGE=NOT_DETECTED
的知识作为辅助，“获得信息的深刻程度不同，所需要条件也不同”。注
（四）哲学角度
通常来说，各个学科对数据和信息关系的总结，均能在各自学科中找到一定的合理性。但是在此学科之外，这种理论一般会显现出片面性和局限性。如果非要从宏观的角度大略但不失精准地概括这二者的关系，那么哲学层面的概括是合理的。因为哲学是各门学科的总结和概括，它能从更高的层次看待二者的关系。
哲学家对于数据和信息的关系也进行了不同层次的研究。从第三次工业革命以来，人们习惯性地将物质、能源、信息并列为人类社会的三大资源。美国数学家、控制论奠基人维纳在1948年第一次给出了信息在哲学层面的认知：“信息就是信息，既非物质，也非能量。”这说明了信息不是什么实体，而是一种特殊的存在——信息被认为是从来就有、无处不在的，是不依赖人类的认识而存在的，具有普遍性和绝对性。从这种思路上看，甚至在人类意识形成之前，或者地球形成之前，信息就已经存在了，只是没有人去感知它和利用它而已。这种信息定义来源于本体论信息。而数据通常被理解为人的产物，只有将人这个认识主体引入，许多本体论信息才能转化成认识论信息，也就是数据。从这种思维方式来看，数据是人类认识的产物，其范围再大，也只是认识论信息中的一种。以信息哲学和信息伦理的创始人卢西亚诺·弗洛里迪（Luciano Floridi）为代表的一派，强调关系论，指出：只有对纯粹的事物关系进行加工或者赋予意义之后，其才能够成为数据。从这种视角看，数据的概念不仅具有很强的当下解释性，而且有极强的包容性和发展性。当然，仍然有一些信息哲学家坚持数据就是客观事物的表征，即数据并不只是人类的产物，它产生于自然界，反映的是客观事物的本质，独立于人的认识。
下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/e15cef9b-a00b-4230-8ad6-386b4a5a8888.md?start=70&limit=10)