数据安全与隐私计算：数据流通的合规安全前提与技术底座研究报告

数据安全与隐私计算：数据流通的合规安全前提与技术底座研究报告

摘要

数据作为新型生产要素，其价值的实现取决于能否在安全可控的前提下高效流通。本报告的核心判断是：数据流通必须以合规安全为前提，合规是数据要素化的前置条件，安全是数据流通的生命线；隐私计算则是兼顾"数据价值释放"与"隐私权益保护"的技术底座，是打通数据孤岛、实现"可用不可见、可控可计量"的关键路径。

支撑这一判断的关键事实包括：其一，数据基础制度层面，2022年12月《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》（即"数据二十条"）正式出台，作为全球第一份系统构建数据基础制度的政策文件，从数据产权、流通交易、收益分配、安全治理四个方面搭建起制度框架，确立了"合法合规是数据产权取得的前置条件"这一根本原则。其二，法律法规层面，我国已形成以《网络安全法》《数据安全法》《个人信息保护法》为重点、《网络数据安全管理条例》为重要补充的"三法一条例"体系，为数据分类分级、跨境流动、个人信息保护提供了刚性约束。其三，产业实践层面，隐私计算正从技术验证走向规模商用：据IDC统计，2024年中国隐私计算平台市场规模达9.8亿元、同比增长10.1%，市场增长主要由数据要素项目建设驱动；据艾瑞咨询测算，2025年中国隐私计算市场规模约145.1亿元，2025—2030年市场规模复合增长率约20%。其四，数据要素流通规模快速放量：据国家数据局数据，2025年全国活跃数据总量1.67泽字节（ZB）、同比增长28.46%，企业数据产品和服务数量同比增长29.29%、交易额同比增长39.8%。

本报告的主要约束与风险在于：隐私计算技术体系仍存在性能开销、安全与效用平衡、标准互认等挑战，市场规模测算因机构口径不同存在差异，政策与商用路径仍处于动态演进之中。报告据此提出优先动作：以合规治理为纲、以隐私计算技术为器，围绕可信数据空间等新型基础设施，构建"制度—技术—应用"三位一体的数据流通安全体系。

绪论：数据要素化背景下的安全与价值之问

数字经济的底层逻辑正在发生深刻转变。数据不再仅仅是信息系统的副产品，而是与土地、劳动力、资本、技术并列的新型生产要素，成为驱动经济社会发展的关键资源。2025年，全国活跃数据总量已达1.67泽字节，同比增长28.46%；企业数据产品和服务数量同比增长29.29%，交易额同比增长39.8%。数据的巨大价值，只有在充分流通、跨主体共享、跨场景复用中才能被真正释放。

然而，数据的价值属性与风险属性天然并存。一方面，数据具有非竞争性、可复制性和规模报酬递增等特性，复制和共享的成本极低、边际收益极高，这决定了"流通"是数据价值实现的内在要求；另一方面，数据往往承载着个人隐私、商业秘密、重要数据乃至国家安全信息，一旦发生泄漏、滥用、篡改，将造成不可挽回的损失。数据安全与数据流通之间的矛盾，构成了数字经济时代最核心的治理难题。

正是在这一背景下，"数据流通必须以合规安全为前提"成为普遍共识，而"隐私计算"作为一项使数据"可用不可见"的技术体系，被寄予厚望。本报告旨在系统梳理数据安全与隐私计算的制度框架、技术体系、应用实践与产业趋势，论证"合规安全是前提、隐私计算是底座"这一核心命题，并就数据要素市场化价值化的可行路径提出研判。

放眼全球，数据治理已成为大国战略竞争的重要维度。欧盟以《通用数据保护条例》为基石，确立了全球在线隐私规则的事实标准，对基因、生物识别及健康数据等敏感信息施加最高级别保护；美国以行业性、州级立法为主，形成HIPAA、加州CCPA等碎片化合规要求，偏好灵活、可适配不同管辖区的技术栈；我国则以"三法一条例"为框架，走出一条"统筹发展与安全、以制度促流通、以技术保安全"的独特路径。不同治理模式背后，是对"数据自由流动价值"与"个人隐私、国家安全保护"的权重取舍。而隐私增强技术（PET）——包括安全多方计算、机密计算、同态加密等——正在全球范围内被广泛接受为化解这一张力的关键桥梁，这也构成我国隐私计算产业发展的宏观背景。

核心概念界定

数据安全

数据安全是指通过采取必要措施，确保数据处于有效保护和合法利用的状态，以及具备保障持续安全状态的能力。依据《数据安全法》，数据安全的核心在于"保护"与"利用"的平衡，既防止数据被窃取、篡改、泄露、破坏，又促进数据依法合理有效利用。数据安全不是静态的合规动作，而是一套贯穿数据全生命周期——采集、存储、使用、加工、传输、提供、公开、删除——的动态治理能力。

需要强调的是，数据安全与传统网络安全在对象与边界上存在显著差异。网络安全以"信息系统与网络空间"为保护对象，关注机密性、完整性、可用性三性；数据安全则以"数据本身及其承载的价值"为核心，除传统三性外，更强调数据分级分类、数据主权、数据资产权属与合规利用。随着数据从"系统的附属物"转变为"独立的生产要素"，数据安全的范畴也从"防入侵、防泄露"扩展为覆盖数据确权、流通、交易、跨境的全方位治理，其战略地位随之提升。

隐私计算

隐私计算（Privacy-Preserving Computing，PPC）是指在保护数据本身不对外泄露的前提下，在多方之间进行协同计算、数据分析或建模的技术的统称。其核心目标是实现数据的"可用不可见"——数据提供方无需向对方暴露原始数据，即可共同完成特定计算任务并获得有用结果。隐私计算并非单一技术，而是多方安全计算、联邦学习、可信执行环境、同态加密、差分隐私等一系列技术的集合。

"可用不可见"的实现，依托于"过程保护"与"结果保护"两类手段。过程保护侧重于确保计算过程中参与方的原始输入不被其他参与方获知，多方安全计算、可信执行环境、同态加密主要解决这一问题；结果保护则针对计算结果的发布环节，防止攻击者从输出结果反推个体信息，差分隐私是目前能提供严格数学证明的结果保护手段。理想的隐私计算方案，应当将两类保护手段有机结合，形成"过程可控、结果安全"的完整闭环。此外，隐私计算正与区块链、数据沙箱、匿名凭证等技术融合演进，逐步从单一技术走向"融合技术栈"，以覆盖更复杂的流通与交易场景。

数据流通与数据要素

数据流通是指数据在不同主体之间进行交换、共享、交易等活动的总称，包括跨机构、跨区域、跨领域的流通，以及跨境流动。数据要素则强调数据作为生产要素，参与生产、分配、流通、消费各环节，并依贡献获得相应回报。数据要素市场化价值化的前提，是数据能够安全、合规、高效地"流得动、管得住、用得好"。

可信数据空间

可信数据空间是国家数据局倡导的新型数据流通利用基础设施，指"基于共识规则，联接多方主体，实现数据资源共享共用的一种数据流通利用基础设施"。它以一组各方共同认可的身份、数据目录、使用策略与追溯机制为纽带，将数据提供方、需求方、服务方与监管方组织进一个可信、可控、可追溯的协作生态。可信数据空间被定位为支撑构建全国一体化数据市场的重要载体，国家已部署63个创新发展试点项目，为跨区域、跨层级、跨领域数据安全高效流通提供基础设施支撑。隐私计算是可信数据空间中保障"可用不可见"的核心技术组件，二者相互支撑、协同演进。

数据流通必须以合规安全为前提

合规是数据价值实现的前置条件

数据要素价值的实现，建立在数据来源合法、获取方式正当的基础之上。国家数据局明确指出，数据产权的合法性建立在数据来源合规、获取方式正当的前提之上，各类主体对违法违规获取的数据不享有数据产权。无论是企业生产经营积累的商业数据，还是个人用户数据，其数据产权的确认，都应当以符合《数据安全法》《个人信息保护法》等法律法规为前提。这一原则意味着：合规不是数据流通的"成本项"或"附加项"，而是数据能否进入流通体系、能否产生合法收益的"门槛项"。没有合规，数据即便流通也无法形成可持续的价值闭环。

安全是数据流通的生命线

数据流通越活跃，安全风险越集中。跨机构、跨区域乃至跨境的数据流动，扩大了数据的暴露面，也放大了攻击、泄露、滥用的风险。尤其是涉及个人信息和重要数据的场景，一旦安全防线失守，不仅损害个体权益，还可能危及国家安全与公共利益。因此，"安全可控、弹性包容"成为数据要素治理制度的重要目标，国家要求在政府层面强化数据安全监督管理，在产业层面建立分类分级保护机制。数据流通必须在安全框架内进行，安全水平直接决定流通的深度与广度。

合规安全前提下的"可用不可见"

传统的数据共享模式，要么"给出数据"换取协作，面临隐私与商业秘密泄漏风险；要么"不给数据"导致数据孤岛，价值无法释放。隐私计算提供了第三条路径：各方数据留在本地，通过加密或可信执行环境等手段完成协同计算，最终只输出计算结果或模型参数，原始数据不出域。这种"可用不可见"的模式，既满足了合规安全的前提要求，又释放了数据的协作价值，从而成为数据流通的技术底座。

制度与政策框架：数据流通合规安全的制度供给

"数据二十条"：数据基础制度的顶层设计

2022年12月，中共中央、国务院印发《关于构建数据基础制度更好发挥数据要素作用的意见》（"数据二十条"），这是全球第一份系统构建数据基础制度的政策文件。文件从数据产权、流通交易、收益分配、安全治理四个方面构建起数据基础制度体系，提出建立安全可控、弹性包容的数据要素治理制度，明确政府在数据安全监督管理方面的关键作用。"数据二十条"确立了"承认和保护依照法律规定或合同约定获取的数据加工使用权""充分保障数据处理者使用数据和获得收益的权利"等原则，为数据流通提供了制度依据，也为隐私计算的应用开辟了空间。

"三法一条例"：数据安全的法治保障

我国已形成以《网络安全法》《数据安全法》《个人信息保护法》为重点、《网络数据安全管理条例》为重要补充的"三法一条例"法律体系。《数据安全法》确立了数据分类分级保护制度，规定数据全生命周期安全责任；《个人信息保护法》确立个人信息处理的最小必要、告知同意、目的限制等原则，对敏感个人信息施加更严格保护；《网络数据安全管理条例》进一步细化数据分类分级、跨境流动、个人信息保护等实操规则，实现了数据发展与安全的统筹兼顾。这一体系为数据流通划定了明确的合规边界。

数据跨境与数据基础设施的制度安排

在数据跨境流动方面，《促进和规范数据跨境流动规定》明确数据出境的安全评估、标准合同、认证等合规路径，在保障安全的前提下促进数据依法有序自由流动。在基础设施方面，国家部署了由18个城市、34个地方和31个领域三层级节点组成的数据基础设施示范工程，以及63个可信数据空间创新发展试点，为跨区域、跨层级、跨领域数据安全高效流通奠定了基础。可信数据空间被定义为"基于共识规则，联接多方主体，实现数据资源共享共用的一种数据流通利用基础设施"，成为支撑全国一体化数据市场的重要载体。

政策驱动的产业红利

2024年以来，我国先后出台《关于促进企业数据资源开发利用的意见》《关于促进数据产业高质量发展的指导意见》等政策，推动隐私计算在多领域应用。据国家数据局数据，2024年全国数据企业数量超过40万家，数据产业规模达到5.86万亿元；2025年主要数据交易机构新上架数据产品数量同比增长显著。政策的持续加码，为数据流通合规安全体系建设和隐私计算产业发展提供了强劲动能。

隐私计算：释放数据价值的技术底座

技术体系概览

隐私计算的技术体系主要包括多方安全计算、联邦学习、可信执行环境、同态加密、差分隐私等。这些技术从不同角度实现"数据不出域、计算可协同、结果可控制"，并可组合使用以满足复杂场景需求。

多方安全计算

多方安全计算（Secure Multi-Party Computation，MPC）允许多个参与方在不公开各自输入数据的前提下，共同计算某个函数的结果。它通过秘密分享、混淆电路、不经意传输等密码学原语实现，安全性有严格的密码学保证。MPC适用于参与方互不信任、需要严格保护输入数据的场景，如跨银行资金流水核验、多方联合风控等。但MPC通常通信开销和计算开销较大，对性能敏感的大规模计算构成挑战。

联邦学习

联邦学习（Federated Learning）采用"数据不出本地、模型协同训练"的范式，各参与方使用本地数据训练模型，仅上传模型参数或梯度等中间结果，由中心服务器聚合优化后下发，多轮迭代完成全局模型训练。其核心思想是"把代码带到数据那里，而不是把数据带到代码那里"。联邦学习特别适用于数据规模大、参与方多、网络分布广的机器学习场景，如跨医院医疗诊断模型、跨机构信贷风控模型等。需要指出的是，单纯联邦学习可能面临梯度逆推数据的风险，通常需结合差分隐私、同态加密等手段增强安全性。

可信执行环境

可信执行环境（Trusted Execution Environment，TEE）依托CPU硬件隔离技术，在处理器内构建一个隔离的"安全飞地"，数据和计算代码在飞地内以明文运行，外部操作系统、云服务商乃至硬件所有者均无法窥探。TEE兼顾性能与安全，适合对计算性能要求高、数据需集中处理的场景，如机密计算、数据沙箱等。其安全性依赖于硬件可信根与远程证明机制。在国际上，机密计算（Confidential Computing）正成为满足GDPR第32条、第25条"设计即保护"要求的重要技术路径。

同态加密

同态加密（Homomorphic Encryption，HE）允许在密文上直接进行加法、乘法等数学运算，运算结果解密后与对明文做相同运算的结果一致。其中全同态加密（FHE）理论上可支持任意计算，被称为密码学的"圣杯"，但当前计算开销巨大，工程落地难度高；部分同态加密（PHE）性能较好，但仅支持单一类型的运算。同态加密适合对数据外包计算、云上密态计算等场景，与多方安全计算常结合使用。

差分隐私

差分隐私（Differential Privacy）通过向查询结果或模型参数注入受控噪声，使得攻击者无法从输出中反推出任何个体信息，其保护效果可以在数学上严格证明，保护强度可通过隐私预算参数调节。需要明确的是，MPC、TEE等技术本身无法直接抵御基于结果信息量的攻击，差分隐私是针对结果发布环节的隐私保护的关键补充。但其代价是数据精度损失，需要在可用性与安全性之间权衡。

技术路线对比与融合选型

来源：中国计算机科学评论、SecretFlow、公开技术综述整理 ｜ 口径：按主要技术路线定性对比

从工程实践看，没有一种单一技术能够通吃所有场景，融合选型已成为主流趋势。技术选型需综合考量数据敏感度、计算性能要求、参与方信任关系、合规等级与成本预算等维度：对敏感度极高、参与方互不信任的场景，优先采用多方安全计算或同态加密；对数据规模大、网络分布广的建模场景，以联邦学习为主并叠加差分隐私防逆推；对性能敏感、需集中计算的场景，采用可信执行环境；而面向结果发布与公开统计，则应以差分隐私作为标准配置。真实落地往往采用"联邦学习+安全多方计算+可信执行环境+差分隐私"的组合架构，以密码学保证过程安全、以硬件加速提升性能、以噪声保护收敛结果，兼顾安全、性能与效用三者平衡。

隐私计算的应用场景与实践

金融风控与联合建模

金融是隐私计算落地最成熟、价值最显著的领域。在跨银行资金流水核验场景中，北京国家金融科技风险监控中心联合工商银行、农业银行、中国银行及隐私计算服务商，运用多方安全计算技术搭建跨机构平台，在确保各方原始数据不出域的前提下验证对公客户提供的他行资金流水真实性，并与其行内历史数据关联分析，辅助授信决策。在联合风控建模场景中，银行利用自身及合作方数据共同构建风控模型，通过多方数据安全协作将模型KS值提升12%—23%，识别出超过14.5万名高风险客户，阻止数十亿元潜在信贷风险。兰州银行等机构亦围绕个人信贷场景，融合第三方征信机构数据构建定制化风险评估报告，实现信用数据在授信审批与动态风控中的有序共享。

医疗健康与公共数据

医疗健康数据敏感度高、共享价值大，是隐私计算的典型应用场景。在医保商保协同中，山东省医疗保障局指导医疗保险事业中心，聚焦惠民保投保理赔场景，构建"技术底座+精准授权+制度标准+闭环监管"四位一体安全治理体系，实现个人医保数据合规流通与便民服务提质增效。在跨医院协同方面，联邦学习可在各医院数据不出院的情况下共享诊疗数据、联合训练疾病诊断模型，提升诊断准确性。在公共数据治理中，电网公司与水务部门合作，基于联邦学习共同构建群租房识别模型，识别准确率从单一用电数据的73.49%提升至水电联合模型的更高水平。

数据交易与可信数据空间

数据交易机构是隐私计算与合规安全的重要落地载体。截至2025年年中，各地高质量数据集累计交易额近40亿元，数据交易机构挂牌的高质量数据集总规模达246PB；以北京数交所为例，高质量数据集占交易总量的比例从10%跃升到近80%。可信数据空间作为支撑全国一体化数据市场的重要载体，其创新发展报告显示，2025年可信数据空间总投资规模达132.7亿元，预计2028年突破780亿元，年均复合增长率达80.5%；2025年实现收入26.2亿元，2027年将超百亿，2028年增至245.2亿元。隐私计算作为可信数据空间的技术底座，在其中发挥着不可替代的作用。

大模型与人工智能安全

大模型时代的到来，为隐私计算带来新的机遇与挑战。一方面，大模型训练与推理需要海量高质量数据，数据的合规获取、安全使用与隐私保护成为刚性需求；另一方面，大模型持续向各行业渗透，推动隐私保护需求持续走高，在长远周期内为隐私计算的应用增长带来新动能。隐私计算有望在数据供给、模型训练中的隐私保护、数据资产的可控使用等环节发挥重要作用，实现"数据供得进、模型训得好、隐私守得住"。

政务数据开放与公共数据授权运营

政务与公共数据的开放共享是释放数据要素价值的关键一环，也是隐私计算的重要战场。公共数据往往体量大、权威性高、涉及面广，同时含有大量个人信息与敏感数据，直接开放面临较高的合规与安全门槛。通过隐私计算技术，政府部门可以在不暴露原始明细数据的前提下，向授权运营机构或社会主体开放统计聚合、特征建模等计算能力，实现"数据可用不可见、用途可控可计量"。例如在医保惠民保场景中，通过"技术底座+精准授权+制度标准+闭环监管"的安全治理体系，实现个人医保数据的合规流通与便民服务增效。这一模式正从单一领域向社保、税收、征信、环保等多领域拓展，成为公共数据授权运营的主流技术路径。

供应链与工业数据协同

在供应链与工业领域，数据分散在上下游多个主体之间，单个企业的数据价值有限，跨主体协同才能构建完整视图。隐私计算可在各企业数据不出域的前提下，实现库存预测、产能协同、物流优化、联合质量管控等应用，避免因商业数据泄露而损害企业竞争力。这一场景与我国供应链韧性建设、产业数字化转型深度契合，是隐私计算在实体产业中落地的重要方向，相关探索已在部分供应链金融、智能制造项目中初见成效。

市场规模与产业生态

市场规模测算

当前对隐私计算市场规模的测算因机构口径不同存在差异。据IDC《中国隐私计算平台主要厂商市场份额，2024》报告，2024年中国隐私计算平台市场规模为9.8亿元、同比增长10.1%，市场增长主要来源于数据要素相关项目建设，蚂蚁数科以36.7%的市场占有率位居首位。据中国信通院测算，2021年我国隐私计算行业基础产品服务和数据运营市场规模分别为4.7亿元和0.2亿元，预计2025年将分别达到95.9亿元和49.2亿元。据艾瑞咨询预计，2025年我国隐私计算市场规模将达到145.1亿元，2025年至2030年市场规模年复合增长率约为20%。尽管口径各异，但市场整体处于快速增长期的判断是一致的。

产业生态与竞争格局

隐私计算产业生态由技术厂商、数据提供方、数据需求方、数据交易机构和监管机构共同构成。技术厂商主要包括互联网科技巨头（如蚂蚁、腾讯、阿里等）、专业隐私计算服务商（如华控清交、星环科技等）以及深耕行业的解决方案商。市场竞争呈现"平台化、场景化、生态化"趋势：头部厂商依托平台能力与生态优势占据领先份额，专业厂商聚焦细分场景纵深突破，多方合作共建可信数据空间等新型基础设施。2024年以来，随着可信数据空间与大模型双轮驱动，市场进入加速渗透与商业化验证阶段。

产业链与关键环节

从产业链看，隐私计算上游为基础软硬件与密码学算法，包括芯片、可信硬件（如支持可信执行环境的处理器）、密码学工具库与安全组件；中游为隐私计算平台与技术服务，提供算法引擎、联邦建模、密态计算、数据沙箱等能力；下游为金融、医疗、政务、工业等行业的应用与数据运营。隐私计算的价值不止于平台本身，更在于"数据运营"环节——即依托平台实现跨主体数据融合、场景化建模与持续运营，这也是市场增长的重要来源。据中国信通院测算，数据运营市场规模虽在基数上小于基础产品服务，但增速与占比呈快速上升态势，反映了产业正从"卖工具"向"运营价值"演进。

在可信数据空间的牵引下，产业生态进一步延伸出数据提供方、数据需求方、数据服务方、监管方与中介服务方的多方协作结构。数据交易机构（数据交易所、中心）作为枢纽，依托隐私计算平台完成数据产品的确权、登记、流通与交付，并借助"可用不可见"机制化解"上架即泄露"的顾虑，从而扩大数据产品供给。数据商与数据经纪等服务机构的兴起，进一步丰富了数据要素市场的中介生态，推动数据从"资源"向"资产""资本"演进。

挑战与瓶颈

性能开销与规模化落地

密码学类技术（MPC、同态加密）计算和通信开销较大，在面向大规模数据、高并发场景时性能成为主要瓶颈。尽管TEE在性能上具有优势，但受限于硬件生态与可信根依赖。如何在大规模、高实时性场景中实现隐私计算的工程化落地，仍是制约规模化应用的关键问题。

安全与效用的平衡

隐私计算的各项技术都面临安全性与数据效用之间的权衡。差分隐私通过噪声换取隐私保证，但损失数据精度；联邦学习的梯度可能被逆推，需叠加其他保护手段；TEE的安全性依赖硬件实现的可信度。如何在保证足够安全的前提下最大化数据可用价值，需要在具体场景中精细设计。

标准互认与互联互通

隐私计算平台之间缺乏统一标准，不同厂商的平台难以互联互通，形成新的"数据孤岛"。多方协同计算场景中，参与方若使用不同技术栈或接口，协作成本高昂。推动隐私计算国家标准、互操作协议与测评认证体系的建设，是实现生态规模化发展的必要前提。

商业模式与信任机制

隐私计算的价值往往难以量化呈现，商业模式仍待成熟。数据提供方担心数据价值被稀释，数据需求方担心效果与成本不匹配，加之信任机制、权责划分、收益分配等规则尚未完全清晰，制约了市场的快速放量。建立可信、透明、可追溯的流通与收益分配机制，是产业可持续发展的关键。

发展趋势与展望

可信数据空间：数据流通的新型基础设施

可信数据空间作为"基于共识规则，联接多方主体，实现数据资源共享共用的一种数据流通利用基础设施"，正成为支撑构建全国一体化数据市场的重要载体。随着《可信数据空间发展行动计划（2024—2028年）》的推进和63个创新发展试点项目的落地，可信数据空间将加速数据要素的价值共创，隐私计算将在其中发挥核心技术底座作用。

与人工智能深度融合

大模型与隐私计算的融合是明确的技术方向。一方面，隐私计算为AI提供高质量、合规安全的数据供给与隐私保护；另一方面，AI技术反向推动隐私计算平台的智能化、易用化。隐私计算将从"数据安全工具"升级为"AI安全底座"，在数据供给、训练保护、推理可信、模型确权等环节释放价值。

全球协同与治理共识

在国际层面，欧盟《通用数据保护条例》（GDPR）作为数据隐私体制的基石，对敏感数据施加最高级别保护，并推动"设计即保护"理念；美国HIPAA、加州CCPA等法律形成碎片化合规要求；《欧盟人工智能法案》（EU AI Act）则强化数据最小化与目的限制要求。隐私增强技术（PET）在全球范围内被广泛接受为兼顾合规与价值释放的关键路径，机密计算、安全多方计算等正被欧洲数据保护机构视为下一代合规与协作的基础。我国隐私计算产业应在吸收国际经验的基础上，加快标准建设与技术自主创新，在全球数据治理格局中贡献中国方案。

结论与建议

综合上述分析，本报告形成以下核心结论。其一，数据流通必须以合规安全为前提，合规是数据产权取得与价值实现的前置条件，安全是数据流通的生命线，"三法一条例"与"数据二十条"共同构成数据流通的制度底座。其二，隐私计算是释放数据价值的技术底座，通过多方安全计算、联邦学习、可信执行环境、同态加密、差分隐私等技术，实现数据"可用不可见、可控可计量"，在满足合规安全前提的同时释放协作价值。其三，隐私计算正从技术验证走向规模商用，市场处于快速增长期，金融、医疗、政务、数据交易等场景率先落地，可信数据空间与大模型双轮驱动未来增长。

据此，本报告提出如下建议：在制度层面，持续完善数据分类分级、跨境流动、收益分配等规则，为数据流通提供清晰合规边界；在技术层面，加快隐私计算标准互认、互联互通与测评认证体系建设，推动性能优化与规模化落地；在应用层面，以可信数据空间为牵引，围绕金融、医疗、政务等重点场景打造标杆应用，形成可复制、可推广的实践经验；在产业层面，培育数据流通服务机构和数据商，构建多方共赢、收益合理分配的产业生态，让合规安全成为数据要素化最坚实的底座，让隐私计算成为数据价值释放最可靠的引擎。

[该类型的内容暂不支持下载]

数据来源与免责声明

数据来源

本报告所引数据与资料的来源包括：国家数据局《全国数据资源调查报告(2025年)》《可信数据空间创新发展报告(2025)》、国家数据局2026年"数据要素×"新闻发布会数据、国家数据局数据流通安全治理典型案例；IDC《中国隐私计算平台主要厂商市场份额，2024》；中国信息通信研究院相关研究报告；艾瑞咨询、行业研究报告；新华社、光明网、中国日报网、上海证券报等权威媒体报道；《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》("数据二十条")、《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》《网络数据安全管理条例》等法律法规与政策文件。因机构口径与统计范围不同，各来源数据存在差异，报告已在相关章节注明。

免责声明

本报告由泷码软件（上海）有限公司、泷码软件研究院、泷码首席数据官（CDO）平台基于公开资料与公开数据编制，报告内容仅供研究参考，不构成任何投资决策、商业决策或法律合规建议。报告中引用的市场规模、增长率等数据来源于第三方机构公开报告，其口径、范围与统计方法可能存在差异，本报告不对其准确性、完整性与时效性作出保证。读者在据此作出任何决策前，应自行核实相关信息并咨询专业人士。本报告不对因使用本报告内容而产生的任何直接或间接损失承担责任。