培育数据要素市场是实现数据价值充分释放的重要机制。而数据要素市场的繁荣需要一个可持续的、健康发展的数商生态来支撑。基于数据治理价值链模型，厘清数据价值释放需要具备的基本活动和辅助活动，进而构建数商生态市场主体模型，明晰数据要素市场需要具备的核心市场主体和职能，为构建数据基础制度提供系统化分析框架，以更好地支撑数据要素市场的建设。

随着数字经济逐步成为全球经济发展的重要支撑，数字平台公司的风险治理将成为影响各国未来经济发展的重要因素。基于对风险治理概念的分析与公司治理理论的溯源，指出了数字平台公司的治理困境。梳理了中国、日本和美国的治理制度改革理念与具体的风险治理实践。比较了这3个国家的治理制度改革，并提炼出各国在多方利益相关者之间构建风险沟通渠道的治理改革共识，最后提出了数字经济在东亚与全球范围内进行区域性合作发展面临的阻碍与可行路径建议。

尝试抽象出既有大数据治理规则背后的逻辑和思维基础。具体而言，梳理了3种性质不同的基础思维，即简单类比、法律移植和规范想象。3种思维在某一特定历史阶段或多或少都存在，并非对立或者排斥关系，而是处于连续的谱系中。为了增进理解，将“路径依赖”作为参考概念。前两种基础思维属于路径依赖式思维，最后一种强调对既有路径的脱离和超越。基于对大数据治理基础思维的梳理和分析，进一步提出关于治理的顶层设计建议。首先，对传统物权（所有权）的依赖已经走到逻辑终点，如果脱离这一认知轨道，如何通过深入触及数据实践的方式设计治理规则是目前最主要的挑战。其次，法律移植是近十几年来大数据治理规则发展的主要引擎，但移植不同于翻译，移植本身也不是最终目的。审慎对待选择性借鉴的问题，以及规则和理论一体两面的问题，是目前移植实践的瓶颈和突破口。最后，与前两种路径依赖式思维对立，尝试提出规范想象的理念，指出适时脱离既有的历史轨迹和思维惯性的必要性。规范想象力的构建是一个复杂且持续的事业，需要同时跨越学科的藩篱，超越纯概念层面的认知，并形成有效的规则-理论互动。

在数字经济时代大背景下，平台经济领域金融业务不断深化发展，极大地提升了金融对实体经济的支持力度。但是平台经济领域金融业务市场垄断、数据安全等问题凸显，给平台经济领域金融业务的有序发展带来了风险，也使监管面临新的挑战。面对平台经济领域金融业务快速发展中的不健康、不规范苗头和趋势，国家相关部门提出必须坚决纠正和治理。从监管侧出发，通过观察平台经济企业金融业务的演进过程和14家代表性平台企业的金融业务现状，分析平台经济企业金融业务的风险及监管痛点，提出运用监管科技等手段构建金融风险评价模型，第一时间发现风险苗头和隐患，及时发出预警，推动平台经济监管向主动监管、穿透监管、一致性监管模式转变。

人工智能、大数据技术正快速推动着平台经济的发展。互联网平台在以“数据+算法”双轮机制为用户提供个性化、精准化信息服务的同时，也因平台的“生态垄断”、算法的应用不规范等行为对国家网络安全、市场公平竞争和用户合法利益等造成了威胁，给政府监管和平台治理带来了严峻挑战。在此背景下，探讨了平台经济中数据和算法安全的内涵、外延和研究现状，梳理了在保障安全的前提下影响平台创新发展的关键问题，并从体系架构构建、监管体系完善、核心技术突破、平台模式创新4个方面给出了促进平台经济生态创新发展的建议。

去中心化金融（DeFi）是一种基于区块链和智能合约提供金融服务的新范式，现已涉及包括借贷及其衍生品在内的众多领域。因此，作为DeFi基础的交易机制成为重要的关注点，其直接影响着上层应用的稳定性。主要讨论DeFi领域的交易机制，首先介绍与交易机制相关的概念和协议；然后通过实现方式对交易机制进行分类，分别详细讨论了基于交易委托账本、自动做市商和聚合器方法的交易机制实现，并比较归纳实现方案之间的区别与联系；最后分析并总结了去中心化交易面临的公平性、安全性、匿名性问题，提出了相关的未来研究方向。

数据要素市场的建立遵循传统生产要素市场化配置的一般规律，但是存在标的物不明确、定价和交易机制不健全等难题。通过细分数据要素市场，构建了面向不同标的物的数据要素三级市场体系，并进一步分析了影响数据价值释放的主导因素。通过对市场主体开展成本收益分析，建立了数据要素市场的经济性分析模型，并结合地方实践案例，印证了数据要素三级市场的经济性优势。

数据中介有望成为促进数据流通的中坚力量，通过多样化的创新实践，助力数据要素市场的建设。介绍了多种类型的数据中介，不同的数据中介着重解决不同的实践难题，比如数据交易平台着重解决供需双方的信息不对称问题，Plaid等开放银行服务商着重解决数据标准和数据接口的统一转换问题，数据信托可以优化“授权同意”这一个人信息分享路径。建议坚持问题导向原则，根据场景需要，积极探索、创新多元化的数据中介形式，建设良好可信的数据生态，充分释放数据要素的价值。

在联邦学习范式中，原始数据被本地存储在独立的用户客户端中，而脱敏数据被发送到中心服务器中加以聚合，这给众多领域提供了一种新颖的设计思路。考虑到传统推荐系统的研究方向集中于提高推荐效果，在资源节约、跨领域推荐、隐私保护等方面还具有很大改进空间，如何将联邦学习与推荐系统结合以解决这些问题成为当前的一个研究热点。对近年来基于联邦学习的推荐系统进行了全面的总结、比较与分析，首先介绍了推荐系统的传统实现方式及面临的瓶颈；然后引入了联邦学习范式，描述了联邦学习在隐私保护、利用多领域用户数据两方面给推荐系统带来的增益，以及二者结合的技术挑战，进而详细说明了现有的联邦推荐系统部署方式；最后，对联邦推荐系统未来的研究进行了展望与总结。

属性约简是粗糙集理论的重要研究内容之一，其主要目的是消除信息系统中不相关的属性，降低数据维度并提高数据知识发现性能。然而，基于粗糙集的属性约简方法大多没有考虑属性之间的依赖性，使得最终的属性约简结果存在一定的冗余属性。对此，提出一种基于邻域条件互信息熵的属性约简算法。首先，在传统邻域熵的基础上，针对混合型数据，提出混合型邻域互信息熵模型和混合型邻域条件互信息熵模型；然后利用这两种熵模型进行混合型信息系统的属性依赖度评估和属性启发式搜索，并设计出一种属性约简算法；最后通过UCI数据集的实验分析，证明了提出的算法具有较高的属性约简性能。

人工智能进一步提升了信息系统的自动化程度，但在其规模应用过程中出现了一些新问题，如数据安全、隐私保护、公平伦理等。为了解决这些问题，推动AI由可用系统向可信系统转变，提出了可信AI治理框架——T-DACM，从数据、算法、计算、管理4个层级入手提升AI的可信性，设计了不同组件针对性地解决数据安全、模型安全、隐私保护、模型黑盒、公平无偏、追溯定责等具体问题。T-DACM实践案例为业界提供了一个可信AI治理示范，为后续基于可信AI治理框架的产品研发提供了一定的参考。