【摘要】隨著數(shù)據(jù)規(guī)模的不斷擴(kuò)大， 數(shù)據(jù)質(zhì)量問(wèn)題不斷涌現(xiàn)。數(shù)據(jù)質(zhì)量究竟如何評(píng)估才能合理體現(xiàn)數(shù)據(jù)實(shí)際適用情況， 適應(yīng)數(shù)據(jù)要素市場(chǎng)化需要， 為數(shù)據(jù)資產(chǎn)定價(jià)、 估值提供合適的評(píng)估方法。本文從應(yīng)用場(chǎng)景出發(fā)， 構(gòu)建數(shù)據(jù)質(zhì)量指標(biāo)體系， 根據(jù)指標(biāo)累計(jì)權(quán)重剔除低影響的指標(biāo)。在簡(jiǎn)單比率法的基礎(chǔ)上， 構(gòu)建異質(zhì)偏好效用函數(shù)對(duì)不同維度的數(shù)據(jù)質(zhì)量進(jìn)行評(píng)估， 并采用組合賦權(quán)法確定權(quán)重， 計(jì)算綜合評(píng)估得分。最后以我國(guó)碳試點(diǎn)市場(chǎng)公布的交易數(shù)據(jù)為例進(jìn)行實(shí)證分析， 結(jié)合CNN-LSTM模型估計(jì)數(shù)據(jù)效用， 降低評(píng)估過(guò)程中的主觀性。研究結(jié)果表明， 在數(shù)據(jù)應(yīng)用過(guò)程中， 數(shù)據(jù)使用者對(duì)不同維度的數(shù)據(jù)質(zhì)量問(wèn)題具有不同的容忍度， 即存在異質(zhì)風(fēng)險(xiǎn)偏好。該方法能夠有效反饋數(shù)據(jù)真實(shí)適用程度， 為數(shù)據(jù)資產(chǎn)價(jià)值評(píng)估提供依據(jù)。本文立足于數(shù)據(jù)可用性， 結(jié)合效用提出非線性的數(shù)據(jù)質(zhì)量評(píng)估方法， 以期為數(shù)據(jù)質(zhì)量評(píng)估提供新思路。

【關(guān)鍵詞】數(shù)據(jù)質(zhì)量；綜合評(píng)估；效用函數(shù)；組合賦權(quán)；CNN-LSTM

【中圖分類號(hào)】 F810.6" " "【文獻(xiàn)標(biāo)識(shí)碼】A" " " 【文章編號(hào)】1004-0994（2024）16-0110-7

一、 引言

2020年3月《中共中央 國(guó)務(wù)院關(guān)于構(gòu)建更加完善的要素市場(chǎng)化配置體制機(jī)制的意見(jiàn)》出臺(tái)， 首次把數(shù)據(jù)要素單列出來(lái)， 并將數(shù)據(jù)作為與土地、 勞動(dòng)力、 資本、 技術(shù)并列的生產(chǎn)要素， 要求加快培育數(shù)據(jù)要素市場(chǎng)， 促進(jìn)重點(diǎn)領(lǐng)域政府開(kāi)放和數(shù)據(jù)資源有效流動(dòng)。但隨著數(shù)據(jù)規(guī)模的不斷擴(kuò)大， 數(shù)據(jù)質(zhì)量問(wèn)題不斷涌現(xiàn)， 嚴(yán)重阻礙了數(shù)據(jù)要素市場(chǎng)化進(jìn)程。一方面， 數(shù)據(jù)質(zhì)量評(píng)估過(guò)程中， 以人工評(píng)估為主， 評(píng)估成本高、 效率低， 存在較大的主觀隨意性， 導(dǎo)致數(shù)據(jù)交易所在數(shù)據(jù)質(zhì)量評(píng)估把控尺度上松緊不一， 影響數(shù)據(jù)要素自由流動(dòng)（王琪，2023；姜琪等，2024）。另一方面， 數(shù)據(jù)質(zhì)量評(píng)估方法多聚焦于數(shù)據(jù)綜合治理角度， 忽略了數(shù)據(jù)應(yīng)用場(chǎng)景， 在數(shù)據(jù)價(jià)值評(píng)估中存在“水土不服”的現(xiàn)象， 這給數(shù)據(jù)要素的交易價(jià)格確定帶來(lái)了難題， 導(dǎo)致數(shù)據(jù)交易中買方支付的意愿通常較低（Spiekermann，2019）。

2022年6月中國(guó)資產(chǎn)評(píng)估協(xié)會(huì)下發(fā)的《數(shù)據(jù)資產(chǎn)評(píng)估指導(dǎo)意見(jiàn)（征求意見(jiàn)稿）》指出， 數(shù)據(jù)質(zhì)量評(píng)估是數(shù)據(jù)資產(chǎn)評(píng)估的基礎(chǔ)。2023年12月財(cái)政部印發(fā)的《關(guān)于加強(qiáng)數(shù)據(jù)資產(chǎn)管理的指導(dǎo)意見(jiàn)》提出， 數(shù)據(jù)質(zhì)量是數(shù)據(jù)資產(chǎn)價(jià)值的屬性之一， 并進(jìn)一步明確了數(shù)據(jù)質(zhì)量在數(shù)據(jù)價(jià)值評(píng)估中的應(yīng)用方法。這是因?yàn)閿?shù)據(jù)質(zhì)量反映了數(shù)據(jù)的適用水平， 直接影響數(shù)據(jù)價(jià)值轉(zhuǎn)化的順利與否。故本文依托于數(shù)據(jù)應(yīng)用場(chǎng)景， 落腳于數(shù)據(jù)資產(chǎn)估值與定價(jià)， 構(gòu)建基于效用的數(shù)據(jù)質(zhì)量評(píng)估模型。本文的主要貢獻(xiàn)體現(xiàn)在以下三個(gè)方面： 第一， 本文從效用角度入手， 構(gòu)建異質(zhì)偏好效用函數(shù)來(lái)厘清不同維度數(shù)據(jù)質(zhì)量問(wèn)題的容忍程度， 通過(guò)風(fēng)險(xiǎn)偏好因子來(lái)體現(xiàn)不同應(yīng)用場(chǎng)景下使用者對(duì)數(shù)據(jù)質(zhì)量要求的變化， 使得評(píng)估結(jié)果隨應(yīng)用場(chǎng)景而變化， 能夠滿足實(shí)際需要， 即同一份數(shù)據(jù)在不同的應(yīng)用場(chǎng)景下有著不一樣的評(píng)估結(jié)果。第二， 利用機(jī)器學(xué)習(xí)、 主客觀組合賦權(quán)方法對(duì)數(shù)據(jù)資產(chǎn)進(jìn)行實(shí)證分析， 降低數(shù)據(jù)評(píng)估過(guò)程中的人工參與度， 保證評(píng)估結(jié)果的客觀性， 提高評(píng)估效率。同時(shí)， 改進(jìn)數(shù)據(jù)質(zhì)量指標(biāo)選取的方式， 通過(guò)事先確權(quán)來(lái)剔除低影響指標(biāo)、 保留高價(jià)值指標(biāo)， 提高評(píng)估效率， 突出數(shù)據(jù)評(píng)估重點(diǎn)。第三， 適應(yīng)數(shù)據(jù)要素市場(chǎng)化需要， 為數(shù)據(jù)資產(chǎn)定價(jià)、 估值提供合適的數(shù)據(jù)質(zhì)量評(píng)估方法， 進(jìn)一步提高買賣雙方溝通效率從而促進(jìn)數(shù)據(jù)資產(chǎn)自由流通。

二、 相關(guān)研究現(xiàn)狀述評(píng)

1. 國(guó)外研究?？v觀國(guó)內(nèi)外研究現(xiàn)狀， 國(guó)外相關(guān)學(xué)者對(duì)數(shù)據(jù)質(zhì)量的研究較早， 數(shù)據(jù)質(zhì)量評(píng)估涉及三個(gè)主體角色， 即數(shù)據(jù)生產(chǎn)者、 數(shù)據(jù)管理者和數(shù)據(jù)消費(fèi)者（Strong等，1997）。起初對(duì)于數(shù)據(jù)質(zhì)量評(píng)估多是基于數(shù)據(jù)生產(chǎn)者或管理者的主體角度 （Wang等，2003；Arazy和Kopak，2011）， 但隨著數(shù)據(jù)技術(shù)的發(fā)展， 基于該視角進(jìn)行評(píng)估已經(jīng)無(wú)法滿足實(shí)際需求。因?yàn)閿?shù)據(jù)質(zhì)量是一個(gè)多維和主觀的問(wèn)題， 其定義和評(píng)估嚴(yán)格取決于所涉及的內(nèi)容和用戶。因此， 在考慮數(shù)據(jù)質(zhì)量時(shí)， 應(yīng)始終將用戶的感受視為基礎(chǔ)（Batini等，2009）。即同一份數(shù)據(jù)有多種用途和用戶， 這會(huì)導(dǎo)致有一些人認(rèn)為數(shù)據(jù)質(zhì)量高， 另一些人認(rèn)為數(shù)據(jù)質(zhì)量低（Sundararaman，2011）。而關(guān)于數(shù)據(jù)質(zhì)量的評(píng)估量化， 有學(xué)者對(duì)數(shù)據(jù)的商用價(jià)值建立了效用驅(qū)動(dòng)的數(shù)據(jù)質(zhì)量評(píng)估模型， 并利用數(shù)據(jù)實(shí)際效用與潛在最大效用之比來(lái)衡量數(shù)據(jù)質(zhì)量（Even和Shankaranarayanan，2007）。但效用值需要人工評(píng)估， 效率較低且評(píng)估結(jié)果主觀性強(qiáng)。也有學(xué)者借助“預(yù)測(cè)市場(chǎng)”來(lái)建立類似股票期權(quán)的數(shù)據(jù)質(zhì)量衍生品， 根據(jù)用戶交易結(jié)束后最終形成衍生品市場(chǎng)的交易價(jià)格評(píng)估數(shù)據(jù)質(zhì)量（Pierce和Thomas，2007）。該方法需要將數(shù)據(jù)公布給大眾， 本質(zhì)上也是用戶反饋調(diào)查的一種。受限于人工評(píng)估的不便， 開(kāi)始有學(xué)者從數(shù)據(jù)應(yīng)用角度對(duì)數(shù)據(jù)質(zhì)量進(jìn)行評(píng)估， 以客觀量化評(píng)估為主。如從信息價(jià)值的角度出發(fā)， 將擾動(dòng)圖像傳送到模型以計(jì)算預(yù)測(cè)概率的熵， 稱為擾動(dòng)熵。擾動(dòng)熵可以從信息價(jià)值的角度區(qū)分好數(shù)據(jù)和壞數(shù)據(jù)， 將其視為圖像數(shù)據(jù)質(zhì)量得分（Li等，2022）。也有學(xué)者從數(shù)據(jù)信息量角度進(jìn)行評(píng)估， 采取距離熵方法來(lái)選取高質(zhì)量的數(shù)據(jù)樣本， 即距各個(gè)中心點(diǎn)距離較遠(yuǎn)的樣本具有較大的信息量（Yang等，2022）。而這些方法對(duì)數(shù)據(jù)質(zhì)量的解釋性仍存在一定的問(wèn)題， 僅僅從單個(gè)角度對(duì)數(shù)據(jù)質(zhì)量展開(kāi)量化評(píng)估。

2. 國(guó)內(nèi)研究。國(guó)內(nèi)學(xué)者多以綜合評(píng)估為主。綜合評(píng)估是對(duì)評(píng)估對(duì)象做出價(jià)值判斷的一種方法， 它既能發(fā)揮主觀能動(dòng)性， 又能相對(duì)客觀地給出評(píng)價(jià)（蔡莉等，2021）。常見(jiàn)的綜合評(píng)估方法包括模糊綜合評(píng)價(jià)法模糊層次 （孔敏等，2023）、 層次分析法（莊計(jì)龍和陳敏剛，2019）、 德?tīng)柗品?（孫嘉睿和安小米，2022）和扎根理論（撒旭等，2020）。通用的數(shù)據(jù)質(zhì)量評(píng)估方法雖然適用性強(qiáng)， 但具體的應(yīng)用效果依舊不盡如人意（劉桂鋒等，2021）。就此情況， 有學(xué)者根據(jù)數(shù)據(jù)應(yīng)用場(chǎng)景開(kāi)發(fā)有特色的數(shù)據(jù)質(zhì)量評(píng)估方法， 從而提高評(píng)估結(jié)果的針對(duì)性。如為加強(qiáng)數(shù)據(jù)質(zhì)量管理， 在對(duì)電力數(shù)據(jù)進(jìn)行評(píng)估時(shí)， 根據(jù)線損數(shù)據(jù)質(zhì)量差異問(wèn)題， 建立基于懲罰變權(quán)的“秩和”數(shù)據(jù)質(zhì)量評(píng)估模型， 能有效提高整體數(shù)據(jù)管理水平（王方雨等，2020）。而對(duì)于政府開(kāi)放數(shù)據(jù)， 有學(xué)者針對(duì)當(dāng)前政府開(kāi)放數(shù)據(jù)質(zhì)量不高、 用戶需求得不到滿足的問(wèn)題， 從數(shù)據(jù)內(nèi)容、 數(shù)據(jù)表達(dá)、 數(shù)據(jù)獲取、 數(shù)據(jù)效用四個(gè)維度構(gòu)建了政府開(kāi)放數(shù)據(jù)質(zhì)量評(píng)價(jià)指標(biāo)體系（宋暮凡，2022）。此外， 為提高評(píng)估的效率， 針對(duì)數(shù)據(jù)主要應(yīng)用場(chǎng)景， 從欠費(fèi)挖掘的角度對(duì)電信數(shù)據(jù)展開(kāi)評(píng)估， 根據(jù)缺失、 離群數(shù)據(jù)對(duì)挖掘結(jié)果的影響實(shí)現(xiàn)對(duì)數(shù)據(jù)質(zhì)量的量化（王曉華，2010）。 總體來(lái)說(shuō)， 針對(duì)具體需求所提出的數(shù)據(jù)質(zhì)量評(píng)估的應(yīng)用效果有所提升， 但當(dāng)下數(shù)據(jù)爆炸性增長(zhǎng)， 針對(duì)性的數(shù)據(jù)質(zhì)量評(píng)估方法存在捉襟見(jiàn)肘的困境。故亟需提出一種既能夠滿足應(yīng)用場(chǎng)景又適用廣的數(shù)據(jù)質(zhì)量評(píng)估方法， 從而滿足數(shù)據(jù)增長(zhǎng)的新需要。

三、 相關(guān)理論分析

1. 數(shù)據(jù)質(zhì)量。關(guān)于數(shù)據(jù)質(zhì)量的定義大都集中在數(shù)據(jù)的適用性上（Tayi和Ballou，1998；Huang等，1999）。從用戶角度來(lái)看， 數(shù)據(jù)質(zhì)量的高低取決于用戶是否可以高效地使用數(shù)據(jù)（Ismael等，2016；宋立榮，2016）。隨著研究的不斷深入， 有學(xué)者將數(shù)據(jù)質(zhì)量與數(shù)據(jù)質(zhì)量維度結(jié)合起來(lái)， 進(jìn)一步將數(shù)據(jù)質(zhì)量的定義具象化， 主要包括時(shí)效性、 完整性、 及時(shí)性、 準(zhǔn)確性、 一致性、 可訪問(wèn)性等維度（Strong等，1997；李永紅和張淑雯，2018；王博和溫繼文，2021）。在數(shù)據(jù)應(yīng)用過(guò)程中， 低質(zhì)量的數(shù)據(jù)不但無(wú)法產(chǎn)生經(jīng)濟(jì)價(jià)值， 甚至?xí)斐刹豢珊鲆暤膿p失。比如重復(fù)數(shù)據(jù)不但會(huì)導(dǎo)致機(jī)器學(xué)習(xí)模型的性能下降， 還會(huì)導(dǎo)致模型過(guò)度擬合訓(xùn)練數(shù)據(jù)。又如就準(zhǔn)確性而言， 數(shù)據(jù)準(zhǔn)確性問(wèn)題導(dǎo)致企業(yè)普遍提高了數(shù)據(jù)庫(kù)數(shù)據(jù)獲取、 數(shù)據(jù)預(yù)處理、 用戶分析等各個(gè)環(huán)節(jié)的工作量和難度（王禹，2023）。再如， 如果數(shù)據(jù)標(biāo)準(zhǔn)不一致、 數(shù)據(jù)質(zhì)量不高， 智能財(cái)務(wù)系統(tǒng)就很難對(duì)數(shù)據(jù)進(jìn)行分析和預(yù)測(cè)， 從而使得企業(yè)財(cái)務(wù)大數(shù)據(jù)在智能財(cái)務(wù)中無(wú)法發(fā)揮作用（陸興鳳和曹翠珍，2022）。

2. 數(shù)據(jù)的效用。數(shù)據(jù)本身沒(méi)有價(jià)值， 需要通過(guò)數(shù)據(jù)挖掘技術(shù)獲取有用的信息， 并將信息應(yīng)用于具體任務(wù)時(shí)才會(huì)產(chǎn)生價(jià)值。機(jī)器學(xué)習(xí)是目前應(yīng)用較廣的數(shù)據(jù)挖掘模型， 能夠從大量的數(shù)據(jù)之間尋找到某種規(guī)律， 從而輔助人們?cè)谀稠?xiàng)工作或生活需求中做出決策。數(shù)據(jù)預(yù)測(cè)結(jié)果常常依賴于數(shù)據(jù)本身， 提高數(shù)據(jù)質(zhì)量能夠有效地降低預(yù)測(cè)誤差（Nespoli等，2020）。在數(shù)據(jù)的建模、 訓(xùn)練過(guò)程中， 數(shù)據(jù)質(zhì)量越高， 所訓(xùn)練出來(lái)的模型質(zhì)量越好， 模型準(zhǔn)確度就越高。模型準(zhǔn)確度體現(xiàn)的是數(shù)據(jù)的貢獻(xiàn)， 可以將其定義為數(shù)據(jù)的效用（Niyato等，2016）。數(shù)據(jù)的效用與各影響因素之間并非線性關(guān)系（嚴(yán)鵬等，2023）。例如在圖片識(shí)別的深度學(xué)習(xí)模型中， 由于數(shù)據(jù)集存在冗余度問(wèn)題， 此時(shí)較低的數(shù)據(jù)量就可以達(dá)到與完整數(shù)據(jù)集相似的測(cè)試精度（Yang等，2022）， 故增加數(shù)據(jù)的完整性帶來(lái)的對(duì)預(yù)測(cè)精度的提升效果會(huì)大大減少， 即完整性存在邊際效用遞減的情況。再比如天氣預(yù)測(cè)領(lǐng)域中， 短期預(yù)測(cè)的效果往往會(huì)大大優(yōu)于長(zhǎng)期預(yù)測(cè)的效果， 從而對(duì)數(shù)據(jù)及時(shí)性要求較高， 僅當(dāng)數(shù)據(jù)及時(shí)性達(dá)到一定水平后， 預(yù)測(cè)結(jié)果才能夠有一個(gè)較好的表現(xiàn)， 即及時(shí)性存在邊際效用遞增的情況。

四、 基于效用的數(shù)據(jù)綜合評(píng)估模型構(gòu)建

效用刻畫(huà)的是消費(fèi)者擁有消費(fèi)商品或服務(wù)對(duì)欲望的滿足程度， 數(shù)據(jù)資產(chǎn)本身也是一種商品或某種服務(wù)， 用效用評(píng)估數(shù)據(jù)質(zhì)量， 既能保證可量化性， 又能契合數(shù)據(jù)質(zhì)量的含義。故本文結(jié)合數(shù)據(jù)應(yīng)用場(chǎng)景， 從數(shù)據(jù)效用角度出發(fā)， 對(duì)數(shù)據(jù)質(zhì)量進(jìn)行綜合評(píng)估， 具體流程如圖1所示。

1. 數(shù)據(jù)質(zhì)量評(píng)估指標(biāo)的選取。本文綜合《信息技術(shù) 數(shù)據(jù)質(zhì)量評(píng)價(jià)指標(biāo)》（GB/T 36344-2018）標(biāo)準(zhǔn)及《系統(tǒng)與軟件工程系統(tǒng)與軟件質(zhì)量要求和評(píng)價(jià)CSQuaRE第24部分：數(shù)據(jù)質(zhì)量測(cè)量》（ISO/IEC 25024-2015）標(biāo)準(zhǔn)， 共選取10個(gè)一級(jí)指標(biāo)， 每個(gè)一級(jí)指標(biāo)下的二級(jí)指標(biāo)作為評(píng)估規(guī)則建立的依據(jù)， 由于相關(guān)標(biāo)準(zhǔn)中已經(jīng)對(duì)指標(biāo)定義進(jìn)行了詳盡闡釋， 本文不再贅述。具體指標(biāo)體系如圖2所示。

數(shù)據(jù)指標(biāo)是對(duì)數(shù)據(jù)質(zhì)量的具體化， 但指標(biāo)選取過(guò)少易導(dǎo)致數(shù)據(jù)評(píng)估結(jié)果不夠全面。而指標(biāo)選取過(guò)多又容易攤平指標(biāo)權(quán)重， 同時(shí)也會(huì)導(dǎo)致客觀賦權(quán)法應(yīng)用效果不佳， 不能實(shí)際突出反映數(shù)據(jù)問(wèn)題的存在， 增加評(píng)估成本。故本文通過(guò)事先確權(quán)的方法來(lái)改進(jìn)指標(biāo)選取， 即在評(píng)估前通過(guò)層次分析法主觀賦權(quán)， 計(jì)算累計(jì)權(quán)重， 剔除權(quán)重小的指標(biāo)。如此在保留高價(jià)值指標(biāo)的同時(shí)降低評(píng)估成本， 突出該類數(shù)據(jù)的質(zhì)量問(wèn)題。具體步驟如下：

第一步， 根據(jù)所選的一級(jí)指標(biāo)構(gòu)建層次結(jié)構(gòu)模型， 對(duì)層次結(jié)構(gòu)模型中指標(biāo)之間的相對(duì)重要性進(jìn)行判斷和比較， 按照1 ～ 9標(biāo)度方法形成判斷矩陣B。

[B=bijn×n=b11" b12" …" b1nb21" b22" …" b2n…" " …" "…" …bn1" bn2" …" bnn]

其中， bij×bji=1。

第二步， 利用方根法計(jì)算出各個(gè)指標(biāo)的權(quán)重W（w1，w2，…，wn）T， 并進(jìn)行一致性檢驗(yàn)， 如果未通過(guò)就重新構(gòu)建判斷矩陣。

第三步， 將權(quán)重從大到小排序， 生成新的指標(biāo)權(quán)重向量W（w1，w2，…，wn）T。

第四步， 計(jì)算累計(jì)權(quán)重。

（1）

記最小的i使得Ei≥α， α即累計(jì)權(quán)重閾值， 其值越大保留的指標(biāo)越多， 一般根據(jù)指標(biāo)情況， 取值范圍為α∈［0.8，1］。

根據(jù)i值更新權(quán)重向量。

（2）

得到新的權(quán)重向量" " " " " " " " " " " " " " " " " " "。其中賦值為0的指標(biāo)便是被剔除掉的指標(biāo)。

2. 數(shù)據(jù)效用評(píng)估函數(shù)構(gòu)造。在不同應(yīng)用場(chǎng)景下， 隨著不同維度數(shù)據(jù)質(zhì)量水平的提高， 對(duì)數(shù)據(jù)使用者效用的邊際增長(zhǎng)也會(huì)變化。針對(duì)這一特性， 本文從風(fēng)險(xiǎn)偏好角度構(gòu)建效用函數(shù)評(píng)估不同維度數(shù)據(jù)質(zhì)量。效用函數(shù)內(nèi)含了個(gè)體的主觀感應(yīng)（價(jià)值判斷）， 不同個(gè)體（不同應(yīng)用場(chǎng)景）對(duì)某測(cè)評(píng)的需求欲望存在差異性， 分別是風(fēng)險(xiǎn)中性型、 風(fēng)險(xiǎn)偏好型和風(fēng)險(xiǎn)規(guī)避型（尹薇，2021）。即對(duì)不同維度數(shù)據(jù)質(zhì)量水平， 使用者對(duì)其抱有的態(tài)度是不同的， 從而構(gòu)造異質(zhì)偏好效用函數(shù)來(lái)對(duì)數(shù)據(jù)各個(gè)指標(biāo)進(jìn)行評(píng)估。

效用函數(shù)的擬合常見(jiàn)的形式有線性函數(shù)型、 冪函數(shù)型、 對(duì)數(shù)函數(shù)型和指數(shù)函數(shù)型等?？紤]到指數(shù)函數(shù)能夠更好地?cái)M合各個(gè)形狀從而刻畫(huà)偏好要求， 故選取指數(shù)函數(shù)型效用函數(shù)作為數(shù)據(jù)質(zhì)量評(píng)估函數(shù)。具體如下所示：

（3）

其中： ui（sij）指的是第i個(gè)維度下第j個(gè)二級(jí)指標(biāo)對(duì)應(yīng)的質(zhì)量評(píng)估分?jǐn)?shù)， 其值越大代表數(shù)據(jù)質(zhì)量越高。λi反映數(shù)據(jù)使用者對(duì)該數(shù)據(jù)維度的風(fēng)險(xiǎn)偏好： λi小于0時(shí)為風(fēng)險(xiǎn)規(guī)避型； λi大于0時(shí)為風(fēng)險(xiǎn)偏好型； λi趨近于無(wú)窮大時(shí)為風(fēng)險(xiǎn)中性型， 此時(shí)等價(jià)于ui（sij）=sij。sij是二級(jí)指標(biāo)的量化值， 本文采用簡(jiǎn)單比率法（Pipino等，2002）進(jìn)行度量。該方法計(jì)算簡(jiǎn)單、 具有較高的穩(wěn)健性。具體公式如下所示：

（4）

其中， Nij表示數(shù)據(jù)集中符合數(shù)據(jù)質(zhì)量規(guī)則要求的數(shù)據(jù)量， Mij為所檢測(cè)的數(shù)據(jù)量或用戶期望的值。sij越大說(shuō)明數(shù)據(jù)質(zhì)量問(wèn)題越少， 反之越多。

3. 綜合評(píng)估模型與權(quán)重的確定。數(shù)據(jù)質(zhì)量的各個(gè)指標(biāo)體現(xiàn)的是數(shù)據(jù)使用者對(duì)數(shù)據(jù)各個(gè)方面的要求， 這些指標(biāo)共同作用從而實(shí)現(xiàn)數(shù)據(jù)的價(jià)值。故指標(biāo)之間不存在完全替代性， 即數(shù)據(jù)某個(gè)維度質(zhì)量問(wèn)題較為嚴(yán)重時(shí)， 哪怕其他維度質(zhì)量較高， 其實(shí)際適用程度也將會(huì)是較低的?；诖诉x取乘法合成作為綜合評(píng)估模型能更好地刻畫(huà)數(shù)據(jù)質(zhì)量不同指標(biāo)之間的關(guān)聯(lián)關(guān)系。其具體公式如下：

（5）

其中： G稱為效用評(píng)估得分， 在數(shù)據(jù)質(zhì)量的綜合評(píng)估中， 權(quán)重反映的是指標(biāo)之間的相對(duì)重要性， 會(huì)直接影響綜合評(píng)價(jià)的結(jié)果。指標(biāo)選取中的層次分析法屬于主觀賦權(quán)法， 受評(píng)估專家偏好影響。為降低評(píng)估結(jié)果的主觀性， 本文根據(jù)評(píng)估數(shù)據(jù)集分別選取合適的主觀賦權(quán)法及客觀賦權(quán)法確定主觀權(quán)重w1和客觀權(quán)重w2， 引入博弈理論對(duì)二者進(jìn)行組合優(yōu)化， 確定主客觀權(quán)重在綜合權(quán)重中所占比例， 求解最優(yōu)線性組合系數(shù)， 達(dá)到穩(wěn)定均衡效果， 得出更為科學(xué)合理的組合權(quán)重（黃耀倞等，2021）。

（1）根據(jù)評(píng)估數(shù)據(jù)集分別選取合適的主觀賦權(quán)法及客觀賦權(quán)法確定主觀權(quán)重w1和客觀權(quán)重w2， 進(jìn)行線性組合求取組合權(quán)重w， 表達(dá)式如下：

（6）

其中， β1、 β2分別表示主觀權(quán)重和客觀權(quán)重的線性系數(shù)。

（2）利用博弈論思想求取權(quán)重納什均衡點(diǎn)， 即：

（7）

（3）對(duì)式（7）求導(dǎo)， 其最優(yōu)解滿足下式：

（8）

（4）根據(jù)上式求得權(quán)重系數(shù)β1和β2， 并按下式進(jìn)行歸一化處理：

（9）

從而得到組合權(quán)重：

（10）

五、 實(shí)證分析

2014年前后， 北京、 天津、 上海、 重慶、 湖北、 廣東、 深圳七省市試點(diǎn)碳排放權(quán)交易市場(chǎng)陸續(xù)建成運(yùn)行， 隨后2021年全國(guó)碳排放權(quán)交易市場(chǎng)正式上線。在缺乏透明和廣泛可獲得的市場(chǎng)信息的情況下， 碳市場(chǎng)價(jià)格發(fā)現(xiàn)可能會(huì)失敗， 市場(chǎng)參與者無(wú)法做出正確的交易決策（霍學(xué)靜，2020）。獲取充分和相關(guān)的信息可確保企業(yè)有效參與碳市場(chǎng)交易。其中部分碳試點(diǎn)交易數(shù)據(jù)存在登記錯(cuò)誤、 空缺不完整、 更新不及時(shí)等數(shù)據(jù)質(zhì)量問(wèn)題， 使得市場(chǎng)信息無(wú)法有效地在投資者與企業(yè)間傳達(dá)。因此， 本文選取我國(guó)碳試點(diǎn)市場(chǎng)所公布的交易數(shù)據(jù)進(jìn)行數(shù)據(jù)質(zhì)量評(píng)估， 研究我國(guó)碳市場(chǎng)信息披露情況。

1. 數(shù)據(jù)來(lái)源。根據(jù)各碳交易市場(chǎng)交易官方網(wǎng)站， 通過(guò)python爬蟲(chóng)技術(shù)逐一采集該市場(chǎng)碳排放權(quán)配額的歷史交易數(shù)據(jù)， 若有多個(gè)碳排放權(quán)配額進(jìn)行交易， 則僅采集交易時(shí)間最長(zhǎng)的碳排放權(quán)配額， 采集時(shí)間截止至2023年1月10日。由于重慶碳市場(chǎng)的官網(wǎng)中間出現(xiàn)過(guò)較大的調(diào)整， 故不納入數(shù)據(jù)質(zhì)量評(píng)估中。共選取廣東、 湖北、 上海、 天津、 四川、 北京、 深圳七個(gè)碳排放權(quán)交易試點(diǎn)地區(qū)的交易數(shù)據(jù)。

2. 數(shù)據(jù)質(zhì)量指標(biāo)選取。根據(jù)數(shù)據(jù)實(shí)際應(yīng)用問(wèn)題， 選取相關(guān)專家， 使用層次分析法確定權(quán)重， 剔除部分指標(biāo)， 步驟如下：

第一步， 根據(jù)專家意見(jiàn)， 構(gòu)建如下指標(biāo)判斷矩陣：

[B=12…5121…5…………1515…1]

第二步， 通過(guò)方根法計(jì)算得到權(quán)重向量為：

W=（0.218，0.130，0.080，0.234，0.072，0.100，0.033，0.049，0.045，0.038）

其CR=0.0766lt;0.1， 故通過(guò)一致性檢驗(yàn)。

第三步， 將指標(biāo)權(quán)重向量W重新排序得到新的權(quán)重向量W'：

W'=（0.234，0.218，0.130，0.100，0.080，0.072，0.049，0.045，0.038，0.033）

第四步， 計(jì)算累計(jì)權(quán)重， 設(shè)定權(quán)重閾值α=0.85， 根據(jù)式（1）， 記最小的i使得Ei≥α， 求得i=7。

第五步， 根據(jù)式（2）更新權(quán)重， 并且恢復(fù)順序：

W''=（0.247，0.147，0.091，0.265，0.082，0.113，0.000，0.055，0.000，0.000）

即剔除可恢復(fù)性、 可信性、 效率性三個(gè)一級(jí)指標(biāo)。

3. 數(shù)據(jù)指標(biāo)量化。上文通過(guò)累計(jì)權(quán)重剔除了3個(gè)一級(jí)指標(biāo)， 故選取剩下的6個(gè)一級(jí)指標(biāo)、 12個(gè)二級(jí)指標(biāo)構(gòu)建碳市場(chǎng)交易數(shù)據(jù)評(píng)估指標(biāo)體系， 如圖3所示。

本文根據(jù)各碳排放權(quán)交易市場(chǎng)的交易規(guī)則， 定義各個(gè)二級(jí)指標(biāo)中具體評(píng)估規(guī)則描述如表1所示。

參考?xì)W洲碳市場(chǎng)、 全國(guó)碳市場(chǎng)公布的數(shù)據(jù)格式及數(shù)據(jù)挖掘?qū)?shù)據(jù)量的要求， 本文設(shè)定屬性期望個(gè)數(shù)為6個(gè)， 而考慮到最早的碳試點(diǎn)市場(chǎng)距今已經(jīng)運(yùn)行9年之久， 故數(shù)據(jù)期望記錄為2000個(gè)。期望交易數(shù)據(jù)更新時(shí)間為12小時(shí)， 期望更新頻率為一周5次， 數(shù)據(jù)值精確到百分位。根據(jù)各個(gè)二級(jí)指標(biāo)的規(guī)則進(jìn)行量化， 得到量化值sij， 結(jié)果如表2所示。各市場(chǎng)的交易數(shù)據(jù)準(zhǔn)確性、 一致性等指標(biāo)的問(wèn)題較少。而數(shù)據(jù)完整性、 更新及時(shí)性量化評(píng)估結(jié)果差異較大， 其中： 四川交易所屬性完整性最差， 該市場(chǎng)只公布累計(jì)交易量數(shù)據(jù)； 從數(shù)據(jù)值完整性來(lái)看， 該市場(chǎng)開(kāi)市較晚從而記錄交易數(shù)據(jù)長(zhǎng)度較短。此外深圳、 天津市場(chǎng)由于有多個(gè)碳排放額交易標(biāo)的， 較早發(fā)現(xiàn)的交易標(biāo)的隨時(shí)間逐漸退出交易舞臺(tái)， 從而導(dǎo)致采集的數(shù)據(jù)記錄較短。在更新及時(shí)性上， 北京碳市場(chǎng)問(wèn)題較嚴(yán)重， 在更新延遲久、 停止交易較久后才公布當(dāng)天交易數(shù)據(jù)， 且常常因?yàn)闊o(wú)交易而停止更新數(shù)據(jù)。

4. 數(shù)據(jù)效用質(zhì)量評(píng)估?？紤]到碳交易數(shù)據(jù)的主要用途， 本文選取CNN-LSTM預(yù)測(cè)每日碳交易收市價(jià)， 以其預(yù)測(cè)準(zhǔn)確性作為數(shù)據(jù)的效用。CNN具有很強(qiáng)的數(shù)據(jù)特征提取能力， 其預(yù)測(cè)效果與數(shù)據(jù)質(zhì)量相關(guān)性較強(qiáng)。而LSTM能夠提取長(zhǎng)、 短時(shí)間序列的復(fù)雜特征關(guān)系， 在處理時(shí)間序列方面具有良好的性能， 本文選取的數(shù)據(jù)為時(shí)間序列數(shù)據(jù)， 適合用LSTM進(jìn)行預(yù)測(cè)。因此， CNN-LSTM兼具對(duì)數(shù)據(jù)特征的強(qiáng)提取能力和對(duì)時(shí)間序列良好處理的能力， 更適用于解釋數(shù)據(jù)質(zhì)量與數(shù)據(jù)預(yù)測(cè)結(jié)果之間的關(guān)系。具體結(jié)果如圖4所示。

考慮到廣東碳市場(chǎng)開(kāi)市較久， 交易活躍， 數(shù)據(jù)較為完整， 將其作為原始數(shù)據(jù)。截止到2023年1月10日， 數(shù)據(jù)集總共有1927個(gè)。通過(guò)控制唯一變量的方法， 對(duì)原始數(shù)據(jù)添加噪聲、 刪除數(shù)據(jù)后生成四個(gè)系列共40個(gè)數(shù)據(jù)集" " " 。

數(shù)據(jù)集表示僅出現(xiàn)第i個(gè)維度的數(shù)據(jù)質(zhì)量問(wèn)題， 其第j個(gè)一級(jí)指標(biāo)量化評(píng)分為" "， 而" " " " " " " " " " " 。如" " " 指數(shù)據(jù)集在準(zhǔn)確性方面的評(píng)分為" "， 而其他一級(jí)指標(biāo)對(duì)應(yīng)評(píng)分為1。記數(shù)據(jù)" " "所訓(xùn)練出的模型平均絕對(duì)百分比誤差為

。為與數(shù)據(jù)質(zhì)量一致， 需將其采用最大最小值法歸一化， 即：

[yki=MAPEkimax-MAPEkiMAPEkimax-MAPEkimin]

其中： ui（0）=0，ui（1）=1。

故式（3）中a=0， b=1。以" " 為自變量、" " "為因變量， 使用非線性最小二乘法對(duì)式（3）估計(jì)參數(shù)λi， 具體估計(jì)結(jié)果如表3所示。

由表3可知， 指數(shù)效用函數(shù)能夠較好地?cái)M合數(shù)據(jù)的效用。其中及時(shí)性、 準(zhǔn)確性、 規(guī)范性、 精確性表現(xiàn)為風(fēng)險(xiǎn)偏好型， 即該維度質(zhì)量增加， 模型預(yù)測(cè)準(zhǔn)確性的增長(zhǎng)是遞增的。而完整性、 一致性、 可訪問(wèn)性呈現(xiàn)的是風(fēng)險(xiǎn)厭惡型。

將表3數(shù)值代入所估計(jì)出的效用函數(shù)（3）中， 得到各個(gè)市場(chǎng)數(shù)據(jù)效用評(píng)估得分如表4所示。相對(duì)來(lái)說(shuō)， 風(fēng)險(xiǎn)偏好型的效用函數(shù)評(píng)估值的差異會(huì)大于量化值， 體現(xiàn)數(shù)據(jù)應(yīng)用場(chǎng)景對(duì)該維度的高要求， 而風(fēng)險(xiǎn)保守型的效用函數(shù)的評(píng)分差異會(huì)小于量化值， 這意味著在數(shù)據(jù)應(yīng)用場(chǎng)景下， 對(duì)這些維度具有較高的容忍度， 即一定程度的損失對(duì)數(shù)據(jù)應(yīng)用影響不大。

5. 數(shù)據(jù)質(zhì)量綜合評(píng)估。根據(jù)所選取的數(shù)據(jù)集應(yīng)用場(chǎng)景， 采用層次分析法確定主觀權(quán)重w1， 由專家采用1 ～ 9標(biāo)度法分別對(duì)二級(jí)指標(biāo)的重要性進(jìn)行比較， 并結(jié)合一級(jí)指標(biāo)權(quán)重計(jì)算得到二級(jí)指標(biāo)權(quán)重：

w1=（0.15，0.10，0.10，0.04，0.05，0.05，0.13，0.13，0.04，0.04，0.11，0.06）

再選取熵權(quán)法確定客觀權(quán)重w2， 根據(jù)實(shí)測(cè)數(shù)據(jù)處理得到客觀權(quán)重如下：

w2=（0.08，0.05，0.14，0.16，0.01，0.15，0.10，0.07，0.02，0.02，0.02，0.13）

將w1、 w2代入式（6） ～ （9）中， 得到權(quán)重系數(shù)為：" " "=0.59；" " "=0.41。

代入式（10）中得到組合權(quán)重：

w=（0.12，0.08，0.12，0.09，0.04，0.09，0.12，0.11，0.04，0.04，0.08，0.09）

根據(jù)式（5）， 計(jì)算各個(gè)碳市場(chǎng)碳交易數(shù)據(jù)質(zhì)量綜合評(píng)估得分如表5所示。其中， 廣東碳試點(diǎn)交易市場(chǎng)數(shù)據(jù)質(zhì)量最高， 其數(shù)據(jù)披露完整， 更新及時(shí)， 格式一致。而四川碳試點(diǎn)交易市場(chǎng)數(shù)據(jù)質(zhì)量最低， 主要是由于其數(shù)據(jù)完整性低， 僅公布每日交易額， 缺乏關(guān)鍵數(shù)據(jù)， 這也導(dǎo)致在我國(guó)碳試點(diǎn)市場(chǎng)研究中該市場(chǎng)常常被忽略掉， 說(shuō)明該市場(chǎng)的數(shù)據(jù)無(wú)法滿足研究、 分析需要。

信息披露制度不完善是影響碳市場(chǎng)有效性的直接因素， 碳市場(chǎng)透明度的提高有助于緩解信息不對(duì)稱問(wèn)題， 增加碳交易價(jià)格對(duì)信息的反應(yīng)程度， 從而提高碳市場(chǎng)有效性（馬躍和馮連勇，2022）。交易數(shù)據(jù)屬于信息披露的一部分， 提高披露數(shù)據(jù)質(zhì)量能夠提高市場(chǎng)有效性。相關(guān)研究表明， 試點(diǎn)碳市場(chǎng)大致可分為三個(gè)等級(jí)： 第一等級(jí)為湖北、 廣東、 深圳； 第二等級(jí)為北京、 上海； 第三等級(jí)為天津。這與數(shù)據(jù)質(zhì)量評(píng)估結(jié)果一致（吳偉光等，2021）。

6. 評(píng)估結(jié)果分析。若不考慮數(shù)據(jù)的效用， 忽略數(shù)據(jù)各個(gè)維度對(duì)數(shù)據(jù)應(yīng)用的非線性影響， 兩者的評(píng)估結(jié)果是不相同的。這主要是受數(shù)據(jù)的應(yīng)用場(chǎng)景影響， 不同的應(yīng)用場(chǎng)景對(duì)數(shù)據(jù)各個(gè)維度的需求是不同的， 如量化投資場(chǎng)景下數(shù)據(jù)主要用于收益率預(yù)測(cè)， 那么對(duì)于及時(shí)性的需求自然是極高的， 若數(shù)據(jù)的及時(shí)性不能達(dá)到一定的程度就會(huì)導(dǎo)致其在量化投資時(shí)失去優(yōu)勢(shì)， 則無(wú)法發(fā)揮應(yīng)用價(jià)值。再如數(shù)據(jù)的完整性， 機(jī)器學(xué)習(xí)對(duì)數(shù)據(jù)量具有一定的需求， 當(dāng)數(shù)據(jù)的完整性低于某個(gè)量時(shí)， 機(jī)器學(xué)習(xí)模型便無(wú)法得到有效的訓(xùn)練， 其模型性能自然是較差的。

將無(wú)應(yīng)用場(chǎng)景與投資預(yù)測(cè)應(yīng)用場(chǎng)景下的情況進(jìn)行評(píng)估對(duì)比， 前者由于不考慮應(yīng)用場(chǎng)景， 各個(gè)維度的數(shù)據(jù)質(zhì)量評(píng)估采用簡(jiǎn)單比率法， 即默認(rèn)風(fēng)險(xiǎn)中性。而投資預(yù)測(cè)場(chǎng)景下的數(shù)據(jù)集以預(yù)測(cè)準(zhǔn)確率作為效用， 進(jìn)行綜合評(píng)估。其對(duì)比結(jié)果如圖5所示。在考慮應(yīng)用場(chǎng)景下北京碳市場(chǎng)的數(shù)據(jù)質(zhì)量評(píng)分為0.7258， 排序第5， 而無(wú)應(yīng)用場(chǎng)景下其質(zhì)量評(píng)分為0.8310， 排序第4。這是由于北京碳市場(chǎng)的數(shù)據(jù)及時(shí)性較差， 在投資預(yù)測(cè)時(shí)北京碳市場(chǎng)的數(shù)據(jù)適用性不強(qiáng)。因?yàn)楦哐舆t的數(shù)據(jù)容易在市場(chǎng)錯(cuò)失先機(jī)， 所以在評(píng)估時(shí)數(shù)據(jù)的及時(shí)性是風(fēng)險(xiǎn)偏好型的， 對(duì)及時(shí)性問(wèn)題給予了更高的懲罰， 從而其綜合質(zhì)量評(píng)估得分較低。再如在考慮應(yīng)用場(chǎng)景下上海碳市場(chǎng)的數(shù)據(jù)質(zhì)量評(píng)分為0.8294， 而無(wú)應(yīng)用場(chǎng)景下其質(zhì)量評(píng)分為0.8206， 排序不變?？紤]應(yīng)用場(chǎng)景時(shí)上海碳市場(chǎng)的數(shù)據(jù)質(zhì)量有了一定的提升， 這是由于上海碳市場(chǎng)的數(shù)據(jù)完整性較差， 但仍包含每日開(kāi)盤價(jià)、 收盤價(jià)、 交易量等關(guān)鍵數(shù)據(jù)信息， 從而在應(yīng)用時(shí)數(shù)據(jù)仍能夠提供有效的信息， 滿足使用者的需要。在評(píng)估時(shí)， 考慮應(yīng)用場(chǎng)景下完整性為風(fēng)險(xiǎn)厭惡性， 對(duì)完整性給予了更高的容忍度， 從而較無(wú)應(yīng)用場(chǎng)景下評(píng)分更高。

基于效用的數(shù)據(jù)質(zhì)量綜合評(píng)估方法更契合數(shù)據(jù)應(yīng)用場(chǎng)景下適用性描述， 具有較強(qiáng)的針對(duì)性。該方法能夠根據(jù)不同的應(yīng)用場(chǎng)景給出不同的評(píng)估結(jié)果， 從而適應(yīng)不同用戶的評(píng)估需要， 即同一個(gè)數(shù)據(jù)集在有些用戶心目中已經(jīng)是高質(zhì)量的數(shù)據(jù)， 而對(duì)于另一部分用戶來(lái)說(shuō)可能還遠(yuǎn)不能滿足使用需要。

六、 結(jié)語(yǔ)

在數(shù)據(jù)要素流通過(guò)程中， 價(jià)值評(píng)估是必不可少的一環(huán)， 數(shù)據(jù)質(zhì)量可作為數(shù)據(jù)資產(chǎn)價(jià)值的源泉（李雪梅和趙小磊，2024）。這是由于高質(zhì)量的數(shù)據(jù)才能產(chǎn)生價(jià)值， 而低質(zhì)量的數(shù)據(jù)不但無(wú)法發(fā)揮價(jià)值， 反而會(huì)使得決策失誤， 導(dǎo)致難以估計(jì)的損失。事實(shí)證明， 數(shù)據(jù)價(jià)值評(píng)估離不開(kāi)數(shù)據(jù)質(zhì)量評(píng)估。但以往的數(shù)據(jù)質(zhì)量評(píng)估多落腳于數(shù)據(jù)質(zhì)量管理角度， 從數(shù)據(jù)的破壞性、 成本等方面進(jìn)行評(píng)估。這與數(shù)據(jù)資產(chǎn)價(jià)值評(píng)估中對(duì)數(shù)據(jù)質(zhì)量的需要有所不同。前者更注重?cái)?shù)據(jù)維護(hù)， 后者則更注重?cái)?shù)據(jù)的適用程度， 即數(shù)據(jù)是否能夠達(dá)到使用者的需求。而這種需求在不同的應(yīng)用場(chǎng)景下是變化的， 如果不能體現(xiàn)出這種變化， 必然導(dǎo)致價(jià)值評(píng)估失效。

故本文從效用角度入手， 借助機(jī)器學(xué)習(xí)模型客觀評(píng)估數(shù)據(jù)效用， 減少評(píng)估過(guò)程中對(duì)人工的依賴性。構(gòu)建異質(zhì)偏好效用函數(shù)來(lái)厘清不同維度的數(shù)據(jù)質(zhì)量問(wèn)題的容忍程度， 通過(guò)風(fēng)險(xiǎn)偏好因子來(lái)體現(xiàn)不同應(yīng)用場(chǎng)景下使用者對(duì)數(shù)據(jù)質(zhì)量要求的變化， 使得評(píng)估結(jié)果較為真實(shí)地反饋數(shù)據(jù)的可用性、 適用性。該模型評(píng)估結(jié)果更適用于數(shù)據(jù)資產(chǎn)的估值或定價(jià)， 為推動(dòng)我國(guó)數(shù)據(jù)要素市場(chǎng)化作出了一定的貢獻(xiàn)。

【 主 要 參 考 文 獻(xiàn) 】

蔡莉，李永軒，王淑婷等．基于層次分析法的眾源地理數(shù)據(jù)質(zhì)量評(píng)估研究［ J］．測(cè)繪地理信息，2021（3）：98 ～ 102．

黃耀倞，許拴梅，姜苗苗等．基于博弈論組合賦權(quán)的航道水域通航安全評(píng)價(jià)［ J］．安全與環(huán)境學(xué)報(bào)，2021（6）：2430 ～ 2437．

姜琪，孫超臣，倪碩．?dāng)?shù)據(jù)要素市場(chǎng)化進(jìn)程中的數(shù)據(jù)流通與價(jià)值創(chuàng)造——基于上海數(shù)據(jù)交易所的案例研究［ J］．金融教育研究，2024（3）：3 ～ 10．

孔敏，王風(fēng)帆，耿姍姍等．模糊層次分析法在淺剖數(shù)據(jù)質(zhì)量評(píng)價(jià)中的應(yīng)用［ J］．海洋科學(xué)，2023（10）：65 ～ 75．

李雪梅，趙小磊. 基于經(jīng)濟(jì)學(xué)視角的數(shù)據(jù)要素定價(jià)研究［ J］．河南社會(huì)科學(xué)，2024（1）：33 ～ 42．

李永紅，張淑雯．?dāng)?shù)據(jù)資產(chǎn)價(jià)值評(píng)估模型構(gòu)建［ J］．財(cái)會(huì)月刊，2018（9）：30 ～ 35．

劉桂鋒，聶云貝，劉瓊．?dāng)?shù)據(jù)質(zhì)量評(píng)價(jià)對(duì)象、體系、方法與技術(shù)研究進(jìn)展［ J］．情報(bào)科學(xué)，2021（11）：13 ～ 20．

陸興鳳，曹翠珍．利益相關(guān)者視角下的企業(yè)財(cái)務(wù)大數(shù)據(jù)治理［ J］．財(cái)會(huì)月刊，2022（1）：39 ～ 47．

馬躍，馮連勇．中國(guó)試點(diǎn)碳排放權(quán)交易市場(chǎng)有效性分析［ J］．運(yùn)籌與管理，2022（8）：195 ～ 202．

撒旭，王健，范智萱等．?dāng)?shù)據(jù)期刊同行評(píng)議視角下科學(xué)數(shù)據(jù)質(zhì)量評(píng)價(jià)指標(biāo)識(shí)別［ J］．圖書(shū)情報(bào)工作，2020（17）：123 ～ 130．

宋立榮．基層科技報(bào)告資源建設(shè)中元數(shù)據(jù)質(zhì)量評(píng)估研究——以中國(guó)科學(xué)技術(shù)信息研究所為例［ J］．中國(guó)科技資源導(dǎo)刊，2016（1）：57 ～ 66．

宋暮凡．?dāng)?shù)據(jù)開(kāi)放視角下的政府開(kāi)放數(shù)據(jù)質(zhì)量評(píng)價(jià)研究［ J］．圖書(shū)情報(bào)導(dǎo)刊，2022（8）：63 ～ 70．

孫嘉睿，安小米．開(kāi)放政府?dāng)?shù)據(jù)質(zhì)量評(píng)估指標(biāo)體系研究［ J］．情報(bào)理論與實(shí)踐，2022（6）：94 ～ 100+78．

王博，溫繼文．基于元數(shù)據(jù)的林業(yè)開(kāi)放政府?dāng)?shù)據(jù)質(zhì)量評(píng)估［ J］．情報(bào)學(xué)報(bào)，2021（2）：173 ～ 183．

王方雨，劉文穎，陳鑫鑫等．基于懲罰變權(quán)的RDA同期線損數(shù)據(jù)質(zhì)量評(píng)估模型［ J］．中國(guó)電力，2020（12）：223 ～ 231．

王琪．打通數(shù)據(jù)交易所壁壘，構(gòu)建統(tǒng)一數(shù)據(jù)交易市場(chǎng)——基于對(duì)數(shù)據(jù)交易所的比較分析［ J］．中國(guó)電信業(yè)，2023（1）：30 ～ 33．

王禹．?dāng)?shù)據(jù)資產(chǎn)的商業(yè)價(jià)值研究［ J］．全國(guó)流通經(jīng)濟(jì)，2023（19）：189 ～ 192．

吳偉光，祝雅璐，顧光同．中國(guó)試點(diǎn)碳市場(chǎng)有效性的決定因素［ J］．資源科學(xué)，2021（10）：2119 ～ 2129．

莊計(jì)龍，陳敏剛．?dāng)?shù)據(jù)質(zhì)量量化評(píng)價(jià)研究與實(shí)現(xiàn)［ J］． 智能計(jì)算機(jī)與應(yīng)用，2019（4）：71 ～ 74+78．

Arazy O.， Kopak R.. On the measurability of information quality［ J］． Journal of the American Society for Information Science amp; Technology，2011（1）：89 ～ 99．

Batini C.， Cappiello C.， Francalanci C.， et al.. Methodologies for data quality assessment and improvement［ J］． Acm Computing Surveys，2009（3）：1 ～ 52．

Even A.， Shankaranarayanan G.. Utility-driven assessment of data quality［ J］．ACM SIGMIS Database，2007（2）：75 ～ 93．

Li Y.， Chao X.， Ercisli S.. Disturbed-entropy： A simple data quality assessment approach［ J］． ICF Express，2022（3）：309 ～ 312．

Nespoli A.， Ogliari E.， Pretto S.， et al.. Data quality analysis in day-ahead load forecast by means of LSTM［C］． 2020 IEEE International Conference on Environment and Electrical Engineering and 2020 IEEE Industrial and Commercial Power Systems Europe （EEEIC/Iamp;CPS Europe），2020．

Niyato D.， Alsheikh M. A.， Wang P.， et al.. Market model and optimal pricing scheme of big data and internet of things （IoT）［C］． IEEE Internatio-nal Conference on Communications （ICC），2016．

Pierce E.， Thomas L.. Assessing information quality using prediction markets［C］． 12th International Conference on Information Quality（ICIQ-2007），2007．

Spiekermann M.. Data marketplaces： Trends and monetisation of data goods［ J］． Intereconomics，2019（4）：208 ～ 216．

Strong D. M.， Lee Y. W.， Wang R. Y.. Data quality in context［ J］． Communications of the ACM，1997（5）：103 ～ 110．

Sundararaman A.. A framework for linking data quality to business objectives in decision support systems［C］． International Conference on Trendz in Information Sciences amp; Computing，2011．

Tayi G. K.， Ballou D. P.. Examining data quality［ J］． Communications of the ACM，1998（2）：54 ～ 57．

Yang J.， Lan G，. Li Y.， et al.. Data quality assessment and analysis for pest identification in smart agriculture［ J］． Computers and Electrical Engineering，2022（103）：108322．