Seleccionar objetos representativos de un conjunto de datos a gran escala es una tarea importante para comprender el conjunto de datos. Skyline es una técnica popular para seleccionar objetos representativos de un gran conjunto de datos. Es obvio que el cálculo del skyline a partir de las bases de datos colectivas de múltiples organizaciones es más efectivo que el skyline calculado a partir de la base de datos de una sola organización. Sin embargo, debido a la conciencia sobre la privacidad, cada organización también está preocupada por la seguridad y la privacidad de sus datos. En este sentido, proponemos un método eficiente de cálculo seguro de skyline multi-partido que calcula el skyline sobre datos encriptados y preserva la confidencialidad de los objetos de la base de datos de cada parte. Aunque se han propuesto varios métodos de cálculo distribuido de skyline, muy pocos de ellos consideran los problemas de privacidad y seguridad de los datos. Sin embargo, las técnicas de cálculo de skyline multi-partido que preservan la privacidad no son lo suficientemente eficientes. En nuestro método propuesto, presentamos un modelo de cálculo seguro que es más eficiente en comparación con los modelos existentes de cálculo de skyline multi-partido que preservan la privacidad en términos de complejidad de cálculo y comunicación. En nuestro modelo de cálculo, también introducimos MapReduce como un marco distributivo, escalable, de código abierto, rentable y confiable para manejar datos multi-partido de manera eficiente.