DOI：10.12154/j.qbzlgz.2026.02.001 1 引言 随着数字经济的蓬勃发展，数据作为新型生产要素的重要性日益凸显，其价值实现依赖于在高效、高质的流通与配置中与传统要素实现全要素融合[1]。从2019年明确数据生产要素地位以来，国家层面陆续出台一系列政策文件，构建起数据要素市场化的四梁八柱，明确要求“强化高质量数据要素供给”。2025年，国家数据局发布《数字中国建设2025年行动方案》[2]，以数据要素市场化配置为主线，部署了八大战略行动，数据要素价值链流通从“规模扩张”逐步进入“质量提升”新阶段。与此同时，人工智能领域的竞争也逐渐从规模转向数据质量与垂直场景，高质量数据集已成为决定技术优势的重要因素[3]。 然而，目前数据要素市场从“量”到“质”面临着多重挑战。一方面，交易流通陷入双重困境：数据质量问题广泛存在[4]与供需双方“互信难”[5]。据IBM公司估算，数据质量问题每年给美国带来的经济损失高达3.1万亿美元，约占同年美国GDP的16.7%，约等于同年德国的GDP总量[6]。同时，供需双方存在“互信难”梗阻，陷入柠檬市场困境[7]，导致市场交易不确定性和信任成本上升。另一方面，场内交易作为国家培育规范化数据要素市场的主要政策抓手，却依旧处于外热内冷的状态[8]。究其根源，对数据要素质量的不确定性与由此引发的信任缺失是制约的核心瓶颈。与传统数据不同，当数据资源成为生产要素流入市场，作为交易标的，其质量内涵在继承传统数据质量维度的基础上，还强调其在市场化配置中所必需的可溯源、可信性、合规性与可交易性等。 立足上述背景，本研究从场内数据要素交易出发，考虑需求方反馈机制，运用演化博弈模型，分析相关利益者间在数据质量提升过程中的策略互动机理，探讨在不同激励约束机制下各方策略的动态演化过程，旨在揭示多元协同治理下数据质量提升的内在逻辑与演化规律，为推动数据红利向数字生产力的有效转化提供理论支撑与实践参考。 2 概念界定与相关研究 2.1 概念界定 国内外对数据质量的定义已形成相对成熟的体系。我国国家标准《信息技术数据质量评价指标》（GB/T 36344-2018）将数据质量定义为“在指定条件下使用时，数据的特性满足明确的和隐含的要求程度”，涵盖规范性、完整性、准确性、一致性、时效性以及可访问性，关注数据内在技术属性。相关学术研究则呈现多视角特征：从数据需求者角度，其被定义为“数据适合于数据消费者使用的程度”[9]，强调可用性；从数据生产者角度，则关注完整性、可靠性、准确性等[10]供给侧质量属性；而在大数据环境中，数据质量进一步被理解为满足特定分析场景需求的能力[11]，取决于数据使用场景和使用者需求[12]。 然而，当数据从静态资源转变为参与价值创造的生产要素时，其质量内涵发生了改变，目前却暂未有较为统一的界定。国家数据局在《数据领域常用名词解释（第一批）》中明确数据要素是“投入生产经营活动、参与价值创造的数据资源”，凸显其经济属性。相应地，《关于构建数据基础制度更好发挥数据要素作用的意见》[13]提出建立“数据来源可确认、使用范围可界定、流通过程可追溯、安全风险可防范”的数据可信流通体系，并在质量提升方面强调“可用、可信、可流通、可追溯”等复合要求。在地方实践层面，上海市数据交易标准进一步将高品质数据产品要求具体化，针对A级数据产品明确提出应“全面满足数据需求方的需求，确保高质量和高满意度，具备出色的数据产品性能”，并强调需“在多场景发挥关键性作用，为组织创造长期且显著的回报，展现出卓越的数据产品价值”。 基于上述脉络，数据要素的质量内涵已不再局限于数据本身的技术属性，而是伴随其市场配置进程，逐步拓展为涵盖制度保障与经济价值实现的复合范畴。因此，本文综合考量数据要素的基本定义、国家相关制度规范、地方实践准则，并延续传统数据质量中与要素化过程相关的技术属性，将“数据要素质量”界定为：数据作为可交易生产要素，在流通与使用过程中为实现其经济价值所应具备的制度相容性、技术实现性与价值可行性的综合体现。其中，制度属性维度包括可溯性、可确权性与合规性，反映数据在国家制度框架下的合法流通基础；技术属性维度涵盖可用性与可信性，延续并拓展了传统数据质量的技术要求，高质量和高满意度是该维度在交易层面的核心目标；经济属性维度则体现为可交易性与价值实现性，指向数据在市场配置中的价值潜能。该界定将数据本身质量与数据供给质量统一纳入分析框架，并将数据要素供给质量用于交易流通中评估数据要素质量高低的重要参考信号。 2.2 数据质量协同治理相关研究 数据治理是释放数据要素价值的前提与保障[14]，而数据质量作为数据要素交易市场的基础，其提升路径是数据治理的核心目标之一。伴随数据要素市场化配置改革深入，数据质量治理范式逐步从单一主体内部管理向多元主体协同共治演进[15]。当前，围绕数据质量协同治理的相关研究主要聚焦于政府数据、科研数据及企业场景，总体上表现为从政策引导向机制设计深化和实践路径探索的趋势。 在政府数据治理方面，学者们从不同切入点构建协同机制。例如以需求为导向，提出“数据质量反哺模型”，依托可信数据空间促进政企数据融通与质量提升[13]；或从智慧城市视角出发，构建政府数据质量优化反馈机制，强调制度、法律与AI技术的融合应用[16]。科研数据治理则更关注动态协同，有研究引入博弈论，通过三方演化博弈和仿真揭示主体协同机制，为科研大数据质量的动态控制提供路径支持[17]。在企业场景中，学者提出“企业内协同工作—企业外协同共治”双轨路径，以平衡数据价值链中多元主体的利益诉求[18]，并强调需通过政府监管与市场培育的协同，突破“条块分割”困境，构建系统性治理生态[19]。此外，也有学者在主体协同效能上展开进一步研究，指出政府应通过政策标准化与跨部门协调发挥主导作用，非政府主体承担数据提供、传播与监督等职能[20]，且创新性构建主体注意力趋同分析模型，量化分析主体认知差异对治理质量的影响，以优化协同效率与平衡利益[21]。
