数据中台驱动公共资源交易数据盘活

新一轮科技革命与产业变革下，数据已成为重要的生产要素，围绕“一切业务数据化、一切数据业务化”的数字化转型席卷了各行各业。自平台整合改革以来，公共资源交易行业通过搭建数据仓库、大数据平台、数据中台等开始了数据价值的发现之旅。以构建数据资产体系、释放数据资产价值为核心的数据中台，作为一种数据优先思维，渐渐成为行业高频词，被推到了广阔的舞台中央。

数据中台一直没有统一、明确的定义，可借鉴《数据中台：让数据用起来》与《数据中台建设：从方法论到落地实战》两书所下的定义。前者认为，数据中台是一套可持续“让企业的数据用起来”的机制，是一种战略选择和组织形式，是依据企业特有的业务模式和组织架构，通过有形的产品和实施方法论支撑，构建的一套持续把数据变成资产并服务于业务的机制；后者认为，数据中台是一种数据优先的大数据思维和强调数据业务化的价值理念，包含企业自上而下制定的数据战略、匹配的组织架构，以及实现数据高复用性、高可用性和高价值的有机结合体，强调数据服务和数据智能，做到数据可用、易用、好用、可追溯、可复用和可管理。综上所述，数据中台是数字化的一种思维、一个理念、一套机制、一组方法论体系和一站式综合解决方案，对公共资源交易行业数字化转型意义重大。

数据中台体系架构

数据中台是将企业全域数据资源化、要素化、标准化、资产化、价值化的过程，具有数据资源“采集器”、数据要素“存储器”、数据标准“生成器”、数据资产“沉淀器”、数据价值“转化器”功能，形成了以数据价值框架为核心，覆盖数据“采”“存”“治”
“管”“算”“用”全生命周期的内容体系，并据此搭建数据中台总体架构，实现为其他中台赋能并最终为前台应用赋能，对公共资源交易平台同样适用。

数据中台价值框架

公共资源交易机构普遍存在数据孤岛现象、面临数据治理难题，希望通过建立一套数据管理机制解决数据共享不充分、数据质量不合格等问题。数据中台不仅提供了上述价值，作为新一代信息基础设施，将有力支撑技术融合、业务融合和数据融合，实现跨层级、跨地域、跨系统、跨部门、跨业务的协同管理和服务（“三融五跨”）。数据中台具有业务价值、技术价值和资产价值，构造了让数据持续用起来、越用越多、越用越好的价值框架。

第一，数据中台具有业务价值。数据中台突出以客户为中心，优化客户全生命周期理解，提高客户体验感和满意度；深刻洞察客户需求，提供个性化和智能化产品和服务。数据中台突出以数据为基础，提供标准的数据访问能力，简化集成复杂性，提升业务适配，快速构建服务能力，加快商业模式创新。数据中台突出以领先为目标，充分利用内外部海量数据，打破数据孤岛现状，盘活全量数据，降低数据服务门槛，繁荣数据服务生态，构筑数据竞争优势的坚实壁垒以持续领先。

第二，数据中台具有技术价值。数据中台可针对不同的数据应用场景，能快速应对多数据处理的需求，如实时在线监管要求和各种离线/实时查询计算需求等。数据中台可丰富数据标签和主题域，快速定义各类主数据、参考数据、指标数据等数据标准并对数据标签和主题域进行有效管理，支持全域跨主题域的数据访问。数据中台可灵活定义数据标签并清晰数据血缘链路，获取数据在不同应用场景中的价值和热度，快速复用数据能力，适应不同数据应用场景需求。

第三，数据中台具有资产价值。数据中台是“数据即资产”共识下的迫切需求，是企业级数据资产价值实现的过程和方式。数据中台建立在统一的数据发展战略和数据资产规划下，有利于数据资产全局性开发和体系化建设；建立统一的数据标准体系，有利于实现数据资产流水线生产和规模化复制；建立统一数据模型体系，有利于实现原始数据向数据资产转变；打造系列数据工具集合，有利于提高数据资产应用效率；打造数据即服务平台，有利于实现数据资产复用。

第四，数据中台闭环价值框架。数据中台是把数据这种生产资料转化为数据生产力，让成为资产的数据作为生产资料融入业务价值创造过程，持续产生价值。数据中台作为转化器，通过中台能力和业务对数据的不断滋养，实现业务数据化；数据建模沉淀为数据资产，实现数据资产化；资产开发形成数据服务，实现数据服务化；服务直接赋能业务应用，实现服务业务化。数据中台通过这种循环往复机制，不断迭代升级，让数据成为以业务价值为核心的战略资产（见图1）。

图1　数据中台闭环价值框架模型

数据中台内容体系

公共资源交易机构积累了大量的数据，需要搭建数据中台实现数据体系化、标准化的“采”“存”“治”“管”“算”
“用”。数据中台一般包括数据采集、数据集成、数据治理、数据应用和数据资产管理，还有诸如数据标准和指标建设，以及数据仓库或大数据等技术应用。数据中台以企业全面数据化为蓝图，要求企业共用一个数据技术体系、共建一套数据体系标准、统一数据运营管理体系，共享数据服务能力，实现数据最大化价值利用，由技术体系、数据体系、管理体系、运营体系、服务体系等共同构成。

第一，技术体系。技术体系是数据中台的基础支撑，分为大数据存储计算技术和数据中台工具技术组件两个层面。大数据存储计算技术产品相对比较标准和成熟，无需自身建设，合理选型即可，一般以分布式数据仓库产品为主。数据中台工具技术组件包括计算存储引擎、数据服务引擎、实时/离线开发套件、数据资产管理套件、数据质量管理套件等，也有成熟软件可用，让数据中台成为企业数据“采”“存”“治”“管”“用”的技术场所和工具平台。

第二，数据体系。数据体系是数据中台的核心要素，是在全域原始数据基础上，进行标准定义及分层建模，最后呈现出一套完整、规范、准确的数据体系，支撑数据应用。数据体系是一个体系化的数据层次架构，需要统一数据建模，形成数据模型分层框架。数据模型分层架构一般自下而上涉及四个数据分层：ODS（Operational Data Store，贴源数据层）、DW（Data Warehouse，数据仓库层）、TDM（Tag Data Model，标签数据层）、ADS（Application Data Service，应用数据层）。其中，DW又可细分为DWD（Data Warehouse Detail，数据明细层）、DWM（Data WareHouse Middle，数据中间层）、DWS（Data Warehouse Summary，数据汇总层）。此外，根据需要，也可增加TMP（Temporary Data Layer，临时数据层）和DIM（Dictionary Data layer，公用数据层）。

第三，管理体系。管理体系是数据中台的重要职能，在数据中台架构中处于中间位置，介于数据开发和数据应用之间，处于承上启下的重要地位。数据（资产）管理体系一般包括数据标准管理、模型管理、元数据管理、参考数据和主数据管理、质量管理、安全管理、价值管理、共享管理、生命周期管理、标签管理以及资产类目管理等职能内容。工业和信息化部牵头提出的DCMM（Data Management Capability Maturity Assessment Model，数据管理能力成熟度评估模型）已被国内越来越多的政府和企业接受成为数据（资产）管理体系的重要依据，评估涵盖数据战略、治理、架构、标准、质量、安全、应用、生命周期8个核心领域及28个过程域，重点关注数据管理过程和方法。

第四，服务体系。服务体系是数据中台的价值所在，通过数据中台的服务组件能力，把数据变为一种服务的能力，可以更方便地以服务化的方式支撑业务。数据服务作为数据中台实现资产服务化的核心能力，通过服务接口方式对数据进行封装和开放，快速、灵活地满足上层应用需求，常见的有基础数据服务、标签画像服务及算法模型服务，需要抽象成可管理、可复用、可监控的统一标准下的数据服务体系。数据服务体系一般由服务生成、服务组合、服务授权、服务调用、服务管理、服务迭代等组成。

第五，运营体系。运营体系是数据中台的持续保障，与管理体系相互促进、相辅相成，是数据中台得以健康、持续运转的基础，其通过运营管理策略，让数据中台产生的结果数据发挥最大业务价值。运营体系包括数据中台流程规范执行监督、资源占用监督及优化推动、数据质量监督及改进推动、数据价值评估、数据服务推广、稽查排名等。运营体系的主要目标是实现数据资产可阅读、易理解、好使用、有价值，通过数据资产运营实现数据资产的看、选、用、治、评链路。公共资源交易机构往往在数据运营体系上重视不足，数据中台的数据价值会因为对业务系统安全稳定运行的担忧而难以真正贯穿到业务当中。

数据中台总体架构

笔者参照国务院办公厅《全国一体化政务大数据体系建设指南》（国办函〔2022〕102号）提出的八个“一体化”（统筹管理一体化、数据目录一体化、数据资源一体化、共享交换一体化、数据服务一体化、算力设施一体化、标准规范一体化、安全保障一体化）主要任务要求，借鉴阿里数据中台“One Click”（统一数据采集）、“One Data”（统一数据建模）、“One ID”（统一数据标签）“One Service”（统一数据服务），基于数据中台价值框架和内容体系，覆盖数据采集－数据存储－数据处理－数据服务－数据管理－数据运营全生命周期链条，以能力中心为核心，提出公共资源交易数据中台的总体架构参考框架图。虽然具体的数据中台架构可能因组织形式和技术选择有所不同，但一般都要包含上述主要能力中心的内容，只是在技术中台与数据中台之间的摆放有所不同。

图2为公共资源交易数据中台总体架构参考框架图。“采”，公共资源交易数据中台通过采集中心采集来自业务系统、管理系统的内部数据和连接政务大数据和商务、金融大数据等外部数据，实现数据中台的全域数据采集，达到“统一采数据集”目的。“存”，通过存储中心将来自业务数据库、管理数据库、外部数据库的数据统一存储在数据仓库中，对数据进行统一处理，达到“统一数据存储”目的。“治”，通过治理中心、算法中心、标签中心对数据进行统一建模，实现数据标准化，按需取用，达到“统一数据资源”目的。“管”，通过管理中心、运营中心对元数据、主数据等各类数据资产进行统一质量、安全、成本、任务等运营管理，实现“统一数据运营管理”的目的。“用”，通过智能中心、服务中心、共享中心对数据服务进行统一调配，供前台应用和其他中台调用，达到“统一数据服务共享”的目的。

图2　公共资源交易数据中台总体架构参考框架图

数据中台建设路径 

根据不同情况和对象，数据中台建设有“三步走”“四步走”“五步走”和“七步走”等多种策略可供选择。这些策略基本涵盖数据资源、数据资产、数据应用、数据管理和数据运营等主要维度，大致囊括了现状、定战略、立架构、建资产、强应用、建组织、做运营等关键步骤，为数据中台建设提供方法论和指引。此处不再赘述中台战略、中台组织、中台架构等前期规划以及数据治理、数据管理和数据运营等后期运维内容，着眼当前公共资源交易大数据分析应用需求，着重从盘资源、强应用、建资产三个最为核心的关键步骤出发，基于最小化可行产品建设路径，为行业提供数据中台建设的参考策略。

数据资源盘点

交易中心作为数字原生企业，交易系统是其主要生产工具，已经积累了大量的电子数据，并伴随着“互联网+”“大数据+”数字化转型进程，每天都在产生大量的数据信息，不仅有线上的，还有线下的。如何盘活利用这些数据资源成为各交易中心的迫切需求，同理，也让盘点数据资源成为交易中心数据中台建设的首要任务。公共资源交易数据资源按照不同视角可以划分为不同种类，不同的分类方法也对应不同的使用需求、不同的采集存储方式或对应不同的技术要求。

第一，按照数据格式划分，有结构化数据、半结构化数据、非结构化数据。结构化数据一般是表数据，如Excel，存储于关系型数据库（分布式数据库）中，易于采集处理；半结构化数据大多是XML（可扩展标记语言）格式的数据，如日志记录（数据库日志、中间件、系统日志、其他日志），可用数据仓库技术处理；非结构化数据没有明确的数据格式或格式类型非常多，如文本（资质证书）、图片（电子证照）、HTML（超文本标记语言）、各类报表（报价清单）、图像以及音视频信息（行为轨迹）等，就需要数据湖（池）等预处理技术转换为结构化数据才利于标准化处理。同时，按照对应存储形式划分，有数据库数据、文件数据、流存储数据和数据服务数据。

第二，按照数据描述划分，有实体数据、交易数据、行为数据、统计数据。实体数据是描述一个客观实体和与实体相关的属性数据，即“人”“物”“关系”数据，以各类市场主体信息为主，在数据库中体现为枚举数据、参照数据，在数据仓库中体现为维度数据；交易数据是公共资源交易流程行为数据，数据记录规范严谨；行为数据是描述实体的一个行为的数据，如专家轨迹、行政处罚、诚信数据等；统计数据则是指以上述数据统计计算出的数据，一般常见于统计报表当中。一般以实体数据作为基础数据，建立唯一编码，涵盖交易数据、行为数据，联通外部数据，形成数据字典，保持基础数据的完备性、一致性、准确性、全面性。

第三，按照数据归属划分，有内部数据和外部数据。内部数据易于理解，是指交易机构内部的各类数据，有市场主体根据交易规则提供的数据和交易过程中产生的数据，也包括企业管理过程中产生的各类数据；外部数据则比较宽泛，需要交易中心根据数据服务需要对可能使用到的外部数据进行详细规划，外部数据可以通过对接政务大数据采集，也可通过爬虫等公共软件在互联网采集，还可通过购买第三方数据服务商的数据采集。交易中心对内外数据进行初步盘点后，在构建业务主题的过程中，还会按照核心实体和业务过程进行主题划分，如划分为市场主体主题域、支付结算主题域、项目生命周期主题域等等。

数据资源盘点有成熟的工具软件，通过数据血缘、数据地图探查系统数据库、文件服务器、中间件、数据服务和网络、IoT（Internet of Things，物联网）中的数据，形成元数据列表和数据字典。同时，要根据上述数据分类进行重复盘点，对盘点后的数据资源进行统计，了解交易中心的数据资源整体情况、数据明细情况和数据属性内容覆盖度，保证数据颗粒归仓，以免遗漏。数据中台全域数据在数据资源全面盘点基础上根据适用目的分批进入。

数据应用规划

数据中台面向数据应用，建设中台之初就要明确有哪些数据需求、针对数据需求构建哪些数据应用、这些数据应用按照什么顺序实现。为此，交易中心要基于现有技术条件和实际，梳理数据需求，围绕数据需求进行相对完整的数据应用规划，构建数据应用规划体系。系统化的数据应用规划一般包括业务架构梳理描述、数据应用场景规划、指标和标签体系规划以及数据应用建设评估四部分内容。

第一，业务架构梳理描述。业务架构梳理对业务中台和数据中台建设都起到不可或缺的作用。交易中心在建设大数据平台时，往往会忽视梳理业务架构，存在大数据平台与前台应用系统之间各自为政的现象。业务架构梳理可借鉴数字重庆建设的综合“V”模型方法，自上而下进行企业级业务拆解，自下而上进行企业级业务集成。中台服务商有业务架构梳理工具，但要交易中心为主体使用，通过业务流程、业务能力、业务场景、业务地图等框架图梳理，运用企业价值链业务行为分析方法，对业务架构进行完整描述，与数据中台开发团队保持一致。

第二，数据应用场景规划。公共资源交易中心大都建有数据大屏，以及大数据平台，具有数据查询、数据分析、数据报表等功能，具备数据应用规划雏形。以重庆公共资源交易中心为例。其规划并构建了涵盖数据统计、数据决策、数据监管、数据画像、数据管理、数据服务等大数据智能分析应用体系，数据应用场景有报表、BI（Business Intelligence，一种数据分析工具）、API（Application Program Interface，应用程序接口）、大屏等工具，背后利用了数据统计、数据分析、数据挖掘、机器学习与深度算法等技术，供具体业务场景和围绕实体标签使用。数据应用场景规划突出业务价值优先，可借助专家经验，分批规划、不断迭代。

第三，指标和标签体系规划。交易中心业务指标体系相对健全，但与数据应用的深度和广度还有差距，可通过整合业务流、数据流、管理流进一步梳理完善。例如，市场主体“全息画像”、项目“全程画像”、服务“全景画像”以及政策效果评估等数据应用关键在实体标签体系规划设计。标签作为数据资产的逻辑载体，有了标签对物理数据的逻辑映射，数据对于使用人员来说就变成了简单易用的数据产品。要想快速建立一套科学的实体标签体系，需要丰富的技术经验和智能工具或平台支撑，市面上有很多数商可以提供此类服务并可以帮助完成数据治理。

第四，数据应用建设评估。交易中心数据应用思维（规划）往往比较超前，但真正到数据供给落地时会犯难，如都想实现项目自审批备案到竣工验收的工程全生命周期画像，但交易中心的数据资源短时间还不足以支撑。在数据应用建设时评估也很必要，要充分考虑数据资源的可实现性、数据获取的成本、数据应用的技术实现难度、数据应用的业务价值以及数据应用重要紧迫程度等。数据应用规划并不需要一开始就大而全，可以根据交易中心实际进行底层基础数据平台的建设，不断完善中台功能，为迎接数据全面应用做好充分准备。

数据资产建设

数据中台的作用就是从内部业务系统和外部平台中获取数据资源，建立统一的企业级数据标准指标体系，解决数据来源多元化和标准不统一的问题，将标准化处理的数据资源变成数据资产，再统一打通、统一建模、统一对外提供数据服务。数据资产是能给业务带来经济价值的数据资源，数据中台建设从狭义上讲就是数据资产建设，核心是数据体系建设。数据资产建设包括产品选择、技术方案设计、数据资源了解、数据仓库模型设计、数据开发规范制定、数据仓库建设以及数据应用支撑等。

第一，数据标准制定。数据标准是指定数据中台各层数据接入、存储、处理、汇聚、分类、编码、交换、迁移、建模、应用的统一管理规则，实现数据应用全流程有法可依和整齐划一。数据标准的作用是统一组织内的数据口径，指导数据中台和数据资产建设。数据标准可分为业务术语标准、元数据标准、参考数据和主数据标准或基础数据标准、数据模型标准和指标标签数据标准等。交易中心可按照数据标准管理流程，梳理数据标准、编制数据标准、审查数据标准和发布数据标准，再根据数据标准要求建设数据中台。但是，要充分认识到数据标准化的难度。可考虑先按照数据中台架构搭建好数据中台，然后建立数据标准化的制度和流程，并持续性改进，逐步实现规范有序地完成数据采集、数据建模、数据分析、数据集成、数据应用和数据资产管理。第二种方式对于建有数据平台的交易中心更经济。

第二，数据模型设计。数据体系中已对数据模型分层架构做了介绍，这里结合数据中台架构对数据域（主题域）、指标设计、标签设计和应用数据表设计等数据模型设计进一步阐释。数据域是指面向业务和数据进行的本质分析，一般将企业业务核心的实体和经营过程概括为主题域，如按照“人”“货”“场”分类将交易中心数据域划分为市场主体、员工、组织、项目、交易、场地等主题域，这也是制定主数据标准的主要依据。指标是指业务运转过程中产生的度量事实，由原子指标、复合指标和派生指标构成，形成一致性指标，并通过一致性指标设计维度表和事实表。标签中心是面向对象（实体数据）建模，把一个对象各种标识打通归一，把跨业务板块、数据域的对象数据在同一粒度基础上组织起来打在对象上；一般通过标签（数据）类目体系进行标签（属性）设计，包括标签名、标签定义、标签逻辑、标签取值、标签适用场景、标签调用量、标签质量、标签价值等使用属性设计。指标和标签体系相对稳定，并不一定满足智能中心、服务中心、共享中心数据应用需求，需要增加设计应用数据表来支撑应用数据场景化，可通过个性化加工，组装大宽表、K-V表等来满足应用数据需求。如果数据仓库足够雄健，建模都可在数据仓库完成。

数据资产建设主要由数据资源采集层、指标建模层、标签建模层、应用数据层、数据产品层（服务引擎）和数据资产管理层建设共同构成，数据资产管理层又由数据标准管理、元数据管理、主数据管理、数据质量管理、生命周期管理和数据安全管理等构成，保障数据中台数据资产低冗余、高复用，实现数据可见、可懂、可用、可运营。 

数据中台三个澄清

数据中台是实现企业全面数据化的一个解决方案，是一套支撑企业全面数据化的架构体系，是企业开展全面数据化建设的基础设施。虽然交易中心或许没有提及数据中台概念，但实际已经在数据开发应用中使用了数据仓库、数据平台（大数据平台）、智能平台等数据中台的部分技术。为帮助交易中心进一步了解数据中台的价值和意义，有必要对可能引起对数据中台误解或与数据中台混淆的数据仓库、数据平台（大数据平台）、AI（Artificial Intelligence，人工智能）中台三个概念做进一步阐释澄清，以有利于交易中心建立与自身能力相适应的数据研发、分析、应用和资产管理技术体系，结合企业自身技术能力和数据应用场景，选择合适的技术体系和适当的建设路径构建数据中台。

数据中台不仅是数据仓库

数据中台是企业级数据架构，数据仓库是企业级数据体系。数据仓库是数据中台的数据体系呈现，数据中台是企业架构的数据架构呈现。数据仓库是独立于业务系统数据库的另外一个数据库。数据中台支持联机事务处理（On-Line Transaction Processing，OLTP），面向交易过程；数据仓库支持联机分析处理（On-Line Analytical Processing，OLAP），面向分析应用。数据仓库更多是一种数据存储系统，数据来源以关系型数据库为主，处理的数据主要是结构化数据，根据需求针对性抽取，高度建模，为业务领域提供分析报表服务。由数据仓库还发展出数据湖技术，即将数据源的源数据全部存储于数据湖中，通过数据中台的数据加工处理建模，不仅可以处理结构性数据，还可以处理非结构性数据，为前台应用提供更多种可能的创新服务。无论是数据仓库还是数据湖，都是数据中台的一个组成部分，可以将数据中台抽象为数据仓库（数据湖）＋数据服务引擎，这样就一目了然了。

数据中台不仅是数据平台

数据中台是系统性架构，数据平台是功能性聚合。数据平台是数据中台的一部分功能，可以是数据中台以能力中心（服务中心）形式展现的各个能力平台，如数据计算平台、数据存储平台、数据模型平台、数据开发平台、数据管理平台、数据运营平台和数据服务平台等；也可以是支撑数据中台的技术平台，如云平台、大数据平台、低代码平台、数据工具平台等。数据平台抽取了所有的数据形成了数据集市，根据需求再单独提取数据子集，可视为在一个数据集市中存储于不同数据仓库中，运行不同类型的分析。

最容易产生混淆的还是大数据平台。目前，公共资源交易行业内大数据平台是以处理数据存储、计算及流数据实时计算（目前一些交易机构还并不具备）等场景为主的一套基础设施，以Hadoop、Spark、Hive（均是大数据相关的技术）等作为大数据基础能力层，在大数据组件上搭建包括数据分析、数据治理系统、数据仓库系统、数据可视化系统等核心功能。其中，大数据平台的核心功能还主要是统计分析，加载数据治理系统目的也是保证向国家公共服务平台数据报送的质量。而数据中台除了拥有传统大数据平台的统计分析和决策支持功能外，会更多聚焦于为前台一线交易类业务提供智能化的数据服务，支持企业流程智能化、运营智能化和商业模式创新，实现“业务数据化和数据业务化”。现在的大数据平台可视为数据中台的雏形，具备数据中台的大多数功能，但是与业务中台或与业务前台的联动还不大。交易中心更看重现在大数据平台的功能作用，而不关心背后嵌套的数据中台数据“采”“存”“治”“管”“用”的技术架构与技术支持。

数据中台还不是AI中台

AI中台可以看作是数据中台特定场景化的产物，把数据中台作为基础，在此基础上构建通用AI能力与特定业务场景的AI功能。AI中台需要数据中台的支撑，数据中台完成数据准备工作后，AI专注模型准备与开发，包括特征工程、模型训练、模型评估与模型应用，类似当前流行的AI大模型（如ChatGPT）等。数据中台的终极目标是通过业务数据不断滋养，逐步实现自适应性和智能化迭代能力，由此可见，数据中台的终极目标是AI中台。在数字新基建的大背景下，未来数据智能化应用将会越来越广泛，从公共资源交易场地智能化可见端倪，又以机器管招投标、智能辅助评标只差一个政策拐点等窥一斑而见全豹，AI中台会变得不可或缺。无论是交易中心还是各类企业，都会借助深度学习和人工智能等AI技术，通过数据中台和AI中台，优化业务流程，实现业务流程的智能化，实现数字化和智能化的产品运营，全面提升企业数字化智能化水平。

数据中台虽然投入成本较大，收益周期较长，但潜在商业价值巨大，是面向未来、面向数字化运营的新一代基础设施，越早启动越早受益。建议交易中心根据业务发展需求，制定好阶段性目标，分步骤、有计划地整合好现有数据平台，演进式推进数据中台建设。

（作者单位：重庆联合产权交易所集团股份有限公司）