我們?nèi)绾慰创龜?shù)據(jù)共享？劍橋分析公司(CambridgeAnalytica)的丑聞突顯出，社交媒體平臺允許企業(yè)從共享數(shù)據(jù)中推斷用戶和非用戶信息的復(fù)雜方式。本專欄展示了平臺用戶和非用戶特征之間的相關(guān)性，這意味著企業(yè)可以以低于均衡價格獲得數(shù)據(jù)，意味著個人福利效率低下。作者對監(jiān)管提出了一些建議，可以提高這些平臺中用戶和非用戶的數(shù)據(jù)共享效率。目前，數(shù)以億計的用戶正在使用社交媒體平臺并分享他們的數(shù)據(jù)(單是Facebook就有超過25億的月活躍用戶)。這些數(shù)據(jù)通過日益復(fù)雜的機器學(xué)習(xí)和人工智能方法處理，以提供在線服務(wù)，以及社交媒體平臺和第三方進行個性化廣告。大多數(shù)經(jīng)濟學(xué)家和技術(shù)專家強調(diào)，通過改善消費者選擇，并將數(shù)據(jù)投入到更多、更好的創(chuàng)新中去，數(shù)據(jù)對用戶和整個社會都有好處。然而，所有這些數(shù)據(jù)都有不好的一面。至關(guān)重要的是，社交媒體和其他平臺上的數(shù)據(jù)共享不僅損害了數(shù)據(jù)共享的用戶的隱私，也損害了其他積極不參與此類數(shù)據(jù)共享的用戶的隱私。劍橋分析公司(CambridgeAnalytica)的丑聞?wù)f明了大規(guī)模數(shù)據(jù)收集和共享的一些成本。Facebook允許劍橋分析公司從約27萬名Facebook用戶共享的數(shù)據(jù)中獲取數(shù)百萬人的私人信息。這些用戶自愿下載了一款名為“這是你的數(shù)字生活”(Thisisyourdigitallife)的應(yīng)用程序，來描述他們的個性特征。該應(yīng)用程序訪問了用戶的新聞提要、時間軸、帖子和消息，并顯示了這27萬人所連接的其他Facebook用戶的信息。劍橋分析公司最終推斷出了5000多萬Facebook用戶的詳細信息。隨后，該公司將這些數(shù)據(jù)用于設(shè)計個性化的政治信息，并在英國脫歐公投和2016年美國總統(tǒng)大選中，分別為脫歐陣營和共和黨人候選人特朗普進行廣告宣傳。劍橋分析公司只是涉及整個行業(yè)類似做法的冰山一角。Facebook本身和其他第三方也采取了類似的策略。更重要的是，預(yù)測性大數(shù)據(jù)方法的本質(zhì)是通過樣本共享的數(shù)據(jù)來預(yù)測個體群體的行為或特征。這些方法的好處的提倡者強調(diào)，一個人分享的關(guān)于他們的偏好或健康問題的信息，對于理解影響其他具有相似特征的人的行為和疾病非常有用。但同樣的邏輯也適用于隱私問題。當(dāng)Facebook或其他公司能夠預(yù)測那些沒有分享數(shù)據(jù)的個人的行為時，這就相當(dāng)于侵犯了隱私，而這些個人并沒有同意這么做。以Facebook和其他社交媒體平臺的數(shù)據(jù)為例，這些數(shù)據(jù)被用來預(yù)測誰會出現(xiàn)在反對政府的抗議活動中。不那么極端但同樣重要的是，企業(yè)能夠根據(jù)個人的位置、國籍、年齡和性取向來預(yù)測他們的行為。這可能會導(dǎo)致隱私的喪失，也可能帶來潛在的好處（想象一下，例如，公司預(yù)測你哪天晚上會去哪家餐廳或酒吧）。即使存在這些擔(dān)憂，科技行業(yè)的許多人（以及專家）可能仍會辯稱，它們的重要性不足以抵消數(shù)據(jù)帶來的有利好處，因為他們的假設(shè)是，隱私擔(dān)憂并不重要。這是以現(xiàn)有研究為基礎(chǔ)的，大多數(shù)用戶為保護自己的隱私而付費的意愿相對較低。然而，這一推論（隱含地）取決于這一假設(shè)，即這些揭露的支付意愿指標能夠反映隱私的真正價值。當(dāng)一個人的信息被別人披露時，情況就不一定是這樣了。我們的新論文開發(fā)了一個研究這些問題的概念框架。我們提出了一個模型，在這個模型中，一個壟斷平臺或一組相互競爭的平臺可以從用戶那里購買數(shù)據(jù)（明確地為數(shù)據(jù)付費，或含蓄地提供免費服務(wù)來交換用戶的數(shù)據(jù)）。重要的是，個人的數(shù)據(jù)不僅能提供關(guān)于其自身特征的信息，還能提供關(guān)于其他用戶（以及潛在的非用戶）特征的信息。更具體地說，信息結(jié)構(gòu)表示一個網(wǎng)絡(luò)，其中兩個個體之間的連接捕獲了他們的信息之間的相關(guān)性。每個人對隱私的重視程度也不同。信息使平臺或第三方能夠評估個人的潛在特征，而更準確的評估為平臺創(chuàng)造更大的價值。相反，從個人的角度來看，更準確的評估會導(dǎo)致更多的隱私泄露。當(dāng)一個人的數(shù)據(jù)只與她的特征、偏好或行為相關(guān)時，市場價格準確地反映了隱私的價值，平衡了數(shù)據(jù)共享的成本和收益。但當(dāng)不同用戶的信息相互關(guān)聯(lián)時，情況就不一樣了。下一個示例以簡單的方式說明這一點?？紤]一個有兩個用戶的平臺，如圖1所示。平臺可以獲取或購買用戶的數(shù)據(jù)，以便更好地評估用戶的特征、偏好或行為。兩個用戶的相關(guān)數(shù)據(jù)是相關(guān)的，這意味著一個用戶的數(shù)據(jù)可以讓平臺更準確地估計另一個用戶的特征。該平臺的目標是最小化用戶特征的估計誤差，或最大化關(guān)于用戶特征的泄露信息。假設(shè)平臺對用戶泄露信息的估值（貨幣形式）為1，而第一個用戶對其隱私的估值（同樣是對其泄露信息的估值）為1/2，第二個用戶對其隱私的估值為v>0。該平臺向用戶提供價格（通過付費或提供服務(wù)的方式），以換取用戶的數(shù)據(jù)。每個用戶可以選擇是否接受平臺提供的價格。在沒有任何數(shù)據(jù)市場或交易成本限制的情況下，第一個用戶總是會出售她的數(shù)據(jù)（因為她對隱私的估值為1/2，低于信息對于平臺的價值）。但是，考慮到兩個用戶的特征之間的相關(guān)性，這意味著平臺已經(jīng)能夠很好地估計第二個用戶的特征。例如，假設(shè)用戶數(shù)據(jù)之間的相關(guān)性非常高。在這種情況下，平臺會從用戶1的數(shù)據(jù)中獲知幾乎所有與用戶2相關(guān)的信息，這就削弱了用戶2保護自己數(shù)據(jù)的意愿。事實上，由于用戶1幾乎揭示所有關(guān)于她的信息，她愿意以非常低的價格出售自己的數(shù)據(jù)（大約為0）。但是一旦第二個用戶出售她的數(shù)據(jù)，這也揭示了第一個用戶的數(shù)據(jù)，因此第一用戶只能對她的數(shù)據(jù)收取非常低的價格。因此在這個簡單的例子中，瓶體將能夠以大約為0的價格獲取用戶的數(shù)據(jù)，即使兩個用戶都有隱私擔(dān)憂。被壓低的數(shù)據(jù)價值低于隱私價值，產(chǎn)生了分布效應(yīng)——平臺從廉價數(shù)據(jù)中獲益，用戶無法因數(shù)據(jù)得到補償。當(dāng)vWl時，由于數(shù)據(jù)對社會是有益的，均衡仍然是有效的——平臺的收益超過了隱私泄露對用戶的負效用。相反，當(dāng)v〉l時，均衡不再有效，并且事實上，它可以是任意的。這是因為第一用戶通過出售她的數(shù)據(jù)而在第二用戶上產(chǎn)生負外部性。圖1評估兩個用戶之間的數(shù)據(jù)相關(guān)性這個例子從我們的分析中獲得了兩個最重要的結(jié)論。首先，個人數(shù)據(jù)共享總是會給信息被泄露的其他人帶來負外部性。這些負面影響可能不足以抵消平臺使用這些數(shù)據(jù)帶來的好處。但即使在這種情況下，它們也會產(chǎn)生分布效應(yīng)（它們以犧牲用戶為代價為平臺帶來好處）。然而，當(dāng)其他一些用戶高度重視他們的隱私時，這些負面影響可能會超過好處，導(dǎo)致過多的數(shù)據(jù)共享。其次，或許更微妙的是，個人數(shù)據(jù)共享既改變了數(shù)據(jù)對平臺的價值，也改變了隱私對其他用戶的價值。這是因為這些數(shù)據(jù)使平臺能夠更好地估計其他用戶的特征，因此平臺本身對其他用戶的數(shù)據(jù)的使用會更少。類似地，一旦他們的信息被泄露，這些用戶可能不再選擇保護自己的數(shù)據(jù)。因此，他們可能會分享自己的數(shù)據(jù)，即使他們非常重視自己的隱私。這再次表明，在存在數(shù)據(jù)共享外部性的情況下，用戶隱私的價值不能從他們公開的數(shù)據(jù)共享決策中推斷出來。我們的分析歸納了這個例子中的洞見，并提出了新的發(fā)現(xiàn)。首先，我們提供了相當(dāng)弱的條件，在這種條件下，數(shù)據(jù)市場的均衡必然是低效率的。特別是，在平臺之間有競爭或無競爭的情況下，具有高和低價值的用戶隱私之間的相關(guān)性都導(dǎo)致低效率。雖然這一結(jié)論相當(dāng)普遍，但也有一些例外和需要加以說明。在某些情況下，這種相關(guān)性可能不足以降低效率，因為數(shù)據(jù)共享給低價值用戶帶來的好處是如此之大，以至于一個功利的社會規(guī)劃者可能寧愿犧牲其他高價值用戶的隱私。相反，即使沒有這種相關(guān)性，也可能導(dǎo)致效率低下，因為低價值用戶可能試圖通過扭曲他們的平臺選擇或其他決策來避免負外部性。更重要的是，當(dāng)只有高價值用戶相互關(guān)聯(lián)，并且每個用戶都不愿意共享她的數(shù)據(jù)時，低效率也會產(chǎn)生。但該平臺（或多個平臺）可以利用它們在數(shù)據(jù)共享決策之前設(shè)定價格的能力所賦予的先發(fā)優(yōu)勢。然后，他們可以誘使所有用戶共享他們的數(shù)據(jù)（這是因為當(dāng)其他人共享他們的數(shù)據(jù)時，數(shù)據(jù)對高價值用戶的價值會降低，因為她的更多信息已經(jīng)被泄露了）。其次，除了效率低下之外，我們還表明，在某些情況下，數(shù)據(jù)市場可能會破壞剩余，當(dāng)數(shù)據(jù)市場關(guān)閉時，（功利主義的）社會福利會更大。當(dāng)有足夠多的高價值用戶的隱私被其他用戶的數(shù)據(jù)共享決策所損害時，就會發(fā)生這種情況。第三，我們發(fā)現(xiàn)，矛盾的是，平臺之間的競爭并不需要解決這些效率低下的問題，事實上，這種競爭可能會降低福利。最后，我們提出了數(shù)據(jù)共享監(jiān)管的新思路?，F(xiàn)有的技術(shù)方法側(cè)重于匿名數(shù)據(jù)，這有助于限制共享數(shù)據(jù)的用戶的暴露。然而，當(dāng)面臨風(fēng)險的不是共享數(shù)據(jù)的用戶本身，而是與她相關(guān)的個人的隱私時，這樣的方案是沒有用的。為了解決這一問題，我們提出了一種新的監(jiān)管方案，其中數(shù)據(jù)事務(wù)以一種降低其與其他用戶數(shù)據(jù)相關(guān)性的方式進行調(diào)節(jié)的。其主要思想是實現(xiàn)“去相關(guān)性”，即降低個人數(shù)據(jù)與那些不主動共享自己數(shù)據(jù)的人的信息之間的相關(guān)性。例如，用戶不必直接與平臺共享數(shù)據(jù)，而是可以將數(shù)據(jù)透露給中介機構(gòu)，中介機構(gòu)在與平臺共享數(shù)據(jù)之前，會先清除與用戶群體相關(guān)的信息。這種間接的數(shù)據(jù)共享安排可以限制平臺了解群體內(nèi)其他人的程度。我們的論文對新興但不斷增長的數(shù)據(jù)市場和隱私經(jīng)濟學(xué)的文獻有所貢獻。在這個廣闊的領(lǐng)域里有幾個有趣的未來發(fā)展方向。首先，需要做更多的工作來研究不同平臺和在線公司之間的數(shù)據(jù)競爭的影響，特別是為了闡明競爭限制或加劇數(shù)據(jù)外部性的條件。其次，模擬在線平臺如何利用用戶信息進行歧視定價和特定廣告是重要的領(lǐng)域。在這方面，一個有趣的方向是調(diào)查用于設(shè)計個性化服務(wù)的個人數(shù)據(jù)應(yīng)用是否可以與用于侵入式營銷、價格歧視或誤導(dǎo)性廣告的應(yīng)用分離開來。第三，在限制用戶共享數(shù)據(jù)與他人