1月10日，中国人民银行公布的2022年金融统计数据报告显示，全年人民币存款增加26.26万亿元，其中住户存款增加17.84万亿元。
更进一步说，在做大做强自身的同时打压主要竞争对手便会成为一种理性的策略选择。其中，后一点又将全球经济政治学和国际经济学区分开来。
在这一过程中，全球经济政治学或许可以帮助我们在面临挑战时做出更为理性的选择。国家和企业或机构的差异性构成了全球经济政治学研究对象的独特性。主权国家林立本身和全球治理赤字常态化存在标志着国家间交往缺乏全面和统一的全球准绳。然而在世界范围内，绝大部分海洋或海底及水体资源之产权均未被或许永远也不会被严格界定，太空、极地和二氧化碳排放权等与之类似。在特定国民经济中，经营好的企业会发展壮大，经营差的企业则被市场淘汰。
与以利润最大化为主要目标的企业不同，国家尤其是大国的目标通常既包括经济利益又包括政治权力的最大化。世界政府缺位是全球经济政治学不同于国民经济学的本质特征之一。第三类是数据集市模式，构建数据交易的平台，数据交易所是数据集市模式的一种形式。
从业界经验看，头部审计公司也积极参与到算法审计中，如德勤对外，尤其是对政府客户推出的算法审计服务，设立了算法审计师、并明确算法审计工具箱等安排。点对点可行，是因为供需双方见面，供需直接匹配。12月19日，中共中央、国务院《关于构建数据基础制度更好发挥数据要素作用的意见》(下简称《数据二十条》)正式发布，首次明确提出了数据产权、数据流通和交易、数据要素收益分配和数据要素治理等四个方面的制度框架。五是个人信息保护和数据安全方面的安排。
这个框架充分考虑了数据要素不同于传统生产要素的特征在供给、需求和交易环节造成的挑战。最突出的问题可能是数据有效供给不足，品牌数据缺乏。
在重视输入输出和结果的审计安排中，输入审计是指要求平台明确，在个性化服务的时候，依据的是哪些重点维度。而Grand View Research 的统计显示2021年全球数据集市的市场规模为7.8亿美元(其中B2B数据集市占据了58%的收入份额)，预计2030年将达50.9亿美元。现在数据交易市场体系刚刚开始建立，不妨让有效市场和有为政府共同发挥作用，如果数据商有能力解决问题，那就不必过分纠结场内还是场外，当然，对场外交易也要做到监管全覆盖。这一安排的弊端在于，可能会涉及被审计企业的核心商业机密而被拒绝，而审查机构也无从知晓所提供的算法是否就是实际使用的算法。
数据商占主导，是因为中介可以帮助降低信息不对称、增加信任。这个三权分置的框架不纠结于数据归谁所有这一传统视角，而是从数据的三种形态出发，明确对应的持有权、加工使用权和经营权。算法审计一般有两种思路，一种重视算法代码透明化，另一种重视对输入输出和对结果的评估。因此，算法审查是保证合法合规经营的重要一步。
未来一条可行的路径是由监管部门设定规则、市场机构具体执行的算法审计。目前比较常见的数据交易模式有三类：第一类是点对点模式，主要是企业之间自发签订合同对数据或数据开发进行交易。
二是怎样评估数据质量。另外，算法审计可以考虑一些基本的指标，包括歧视、有效性、透明度、直接影响、安全性和可获得性等。
以三权分置为主线，从公共数据、企业数据和个人数据这三个维度，界定谁的数据。从准确理解数据的特性与功能，还可以进一步明确数据三态，数据资源包含了存在于公共机构、自然界、企业、个人等多方的可以以数据形式记录的信息。与此同时，算法黑箱、算法歧视等问题也时有所闻，关键是数字经济企业的大部分合作者和消费者完全无法判断算法的公平性，监管部门在现行政策框架下也很难真正做到穿透式监管。四是数据流通在什么样的场所完成。《数据二十条》从增加有效供给和提高数据交易效率这两个维度破局，同样具有很强的创新性，而且也留下发展空间。从全球的经验看，数据集市不容易做，规模也小。
算法使用机构应该从多个维度报告算法安排：一是预测或优化目标以及具体指标，阐明算法设计时对不同利益相关方的利益的考量五是个人信息保护和数据安全方面的安排。
《数据二十条》是在明确数据成为新的生产要素之后又一个历史性的政策文件，在数据确权、数据交易和数据治理等领域的重要创新，将对中国数字经济发展格局产生深远影响。在可预见的将来，可能需要特别重视场外交易的重要性，至少是作为正规交易所场内交易的重要补充。
从准确理解数据的特性与功能，还可以进一步明确数据三态，数据资源包含了存在于公共机构、自然界、企业、个人等多方的可以以数据形式记录的信息。数据产品是采集、清理和加工数据资源所形成的成果。
中国可借鉴国际经验，进一步明确算法审计的路径、具体框架和评估尺度，构建算法审计制度。而Grand View Research 的统计显示2021年全球数据集市的市场规模为7.8亿美元(其中B2B数据集市占据了58%的收入份额)，预计2030年将达50.9亿美元。输出审计是指要求平台报告依据算法，最主要追求的是什么样的目标，比如公平究竟是什么。数据商占主导，是因为中介可以帮助降低信息不对称、增加信任。
这一安排的弊端在于，可能会涉及被审计企业的核心商业机密而被拒绝，而审查机构也无从知晓所提供的算法是否就是实际使用的算法。美国总统办公室在2016年的一份报告就明确了推动算法审计的方向。
六是如何做数据质量控制。从业界经验看，头部审计公司也积极参与到算法审计中，如德勤对外，尤其是对政府客户推出的算法审计服务，设立了算法审计师、并明确算法审计工具箱等安排。
算法使用机构应该从多个维度报告算法安排：一是预测或优化目标以及具体指标，阐明算法设计时对不同利益相关方的利益的考量。当然，在具体的执行过程中可以根据业务的特点对评估指标做一些特定的选择与安排。
当然，建立数据制度是一个全新的挑战，现在开了一个好头，还有不少问题值得进一步讨论，数据制度也可以在探索中不断完善。四是算法运行效果，包括预测精准度和利益相关方的利益。数据需求不少，但是交易或流通收益少、合规风险和安全风险大，导致数据供给方不想卖、不敢卖。另外，算法审计可以考虑一些基本的指标，包括歧视、有效性、透明度、直接影响、安全性和可获得性等。
算法审计是指收集有关算法在特定环境中使用时的数据，并据此评估算法的合法性和公平性。数据资产则是数据产品应用于经营活动时的形态。
数据显示，目前的主流模式是依托于品牌数据经纪商的数据交易。因此，算法审查是保证合法合规经营的重要一步。
算法对于数字经济中经营效率的提升和信用风险的管控作出了重大贡献。这个框架充分考虑了数据要素不同于传统生产要素的特征在供给、需求和交易环节造成的挑战。