數據要素、新型基礎設施與產業結構調整路徑

朱曉武 魏文石 王靖雯

* 朱曉武（通訊作者），中國政法大學商學院，E-mail：zhuxiaowu@cupl.edu.cn，通訊地址：北京市海淀區西土城路25號；魏文石，清華大學社科學院，E-mail：wei_wenshi@163.com；王靖雯，中國政法大學商學院，E-mail：wangjw_410@163.com。作者文責自負。

基金項目：本文受中國政法大學科研創新項目、中央高校基本科研業務專項（10823560，ZFYZ63002）：國家社會科學基金項目（23BJY209）資助。

1 見CNNIC發布第50次《中國互聯網絡發展狀況統計報告》。

1 榮健欣、王大中（2021）對數據要素的特性、市場化機制和經濟價值相關文獻做了綜述。

1 2018年8月騰訊云曾因磁盤靜默錯誤造成數據損失且無法找回：https：//tech.sina.com.cn/i/2018-08-06/doc-ihhhczfc6574639.shtml

2 程嘯（2018）和申衛星（2020）等研究具體分析了數據權利，在實踐中，《中華人民共和國個人信息保護法》、“數據二十條”等提出了具體要求。

1 2020年4月20日國家發改委明確新型基礎設施建設的具體范圍：http：//www.scio.gov.cn/xwfbh/gbwxwfbh/xwfbh/fzggw/Document/1677563/1677563.htm

2 以信息網絡為基礎的城際高速鐵路和城市軌道交通也可以為數據收集做出貢獻。后文模型強調新基建與數據相聯系、在不同產業非競爭利用這兩個特征。因此，無論是大數據中心還是交通基礎設施，只要符合上述兩個特征，都可以利用本文模型進行分析。

1 本文強調數據要素和新型基礎設施通過影響生產（即供給側）來驅動產業結構調整，因此簡化需求側參數對于主要模型并沒有太大影響，這種方法在Jones（2016）也被使用過。

1 [αi=βi=1]可以有效簡化判定式，并和后文動態模擬對應。

1 國家統計局公布2021年第三產業占比53.3%。

1 敏感性分析中，不同的折舊率并不會顯著影響數值模擬。

摘 要：數據要素和新型基礎設施在各個產業發揮日益重要的作用。不同產業對數據要素和新型基礎設施的應用方式和利用效率存在差異，影響產業結構調整路徑。文章構建包含兩個生產部門的動態一般均衡模型，用于代表不同產業或同一產業內的不同企業。每個部門將數據作為新生產要素、將新型基礎設施作為數據擴展型技術，與傳統生產要素結合形成新的生產函數。不同部門的數據產出彈性、數據和傳統要素的替代彈性存在差異，這是影響產業結構調整路徑的重要因素。通過理論模型推導和數值模擬研究，文章發現：在不同產業之間，由于產品替代彈性較低，提高數據要素和新型基礎設施的數量會導致數據產出彈性較高、數據和傳統要素的替代彈性較高的產業產出提高，但其產品價格和名義產出降低，促使資本和勞動力流向數據利用效率低的產業。這一過程將改變資本和勞動力的價格，影響勞動收入份額。在同一產業內部，由于不同企業間的產品替代彈性較高，數據要素和新型基礎設施導致資本和勞動力流向數據利用效率高的企業，優化生產要素配置，推動整個產業的數字化轉型。新型基礎設施建設對產業結構調整的推動作用受到數據要素的調節，且最終的影響方向和路徑與數據要素一致，可以通過調整需求結構引導更具針對性和長效的產業結構調整。最后，文章提出數據要素、新型基礎設施建設的相關政策建議，并對產業結構調整可能導致的問題提出對策。

關鍵詞：數據要素 新型基礎設施 產業結構調整 替代彈性

DOI：10.19592/j.cnki.scje.401946

JEL分類號：O14，O33? ?中圖分類號：F124

文獻標識碼：A? ?文章編號：1000 - 6249（2024）01 - 107 - 17

一、引 言

數據是數字經濟的關鍵生產要素，而新型基礎設施是利用數據的基礎。數據要素及新型基礎設施的有效利用決定了下一階段中國經濟增長。截至2022年6月，我國已有10.51億互聯網用戶和豐富的數據儲量1，大數據中心、“東數西算”工程等也在加快建設；而在結構上，不同產業對數據的利用效率、使用方式、應用前景存在較大差異（肖靜華等，2018）。依據產業結構轉型的相關理論（Acemoglu and Guerrieri，2008），總量上的豐富和結構上的分化將使數據要素和新型基礎設施成為推動產業結構調整、生產要素再分配和收入分配變化的新動力。然而，目前鮮有文獻從理論角度探究數據要素、新型基礎設施對產業結構轉型的影響。

基于上述背景，本文從產業間的結構和產業內部的結構兩個角度，探討以下三個問題：數據要素和新型基礎設施通過何種路徑調整制造業和服務業的產業結構？同一產業內部，二者如何調整資本密集型企業和勞動密集型企業的結構？伴隨產業結構調整過程，以勞動收入份額為代表的收入分配比例會如何變化？

本文界定了數據要素配置、定價、增量和折舊四個概念，并將數據作為獨立的生產要素、將新型基礎設施作為數據擴展型技術，引入了動態一般均衡模型。該模型同時包含了兩個生產部門，用于表示在數據利用效率和生產函數結構存在差異的不同產業或同一產業內的不同類型企業。基于該模型，本文通過理論分析和數值模擬回答了上述三個核心問題，并就如何圍繞數據要素和新型基礎設施推動產業結構轉型提出政策建議。

本文可能的邊際貢獻包括以下三方面：第一，數據要素的現有研究主要集中于探究價值實現路徑、產權、隱私和定價等問題1，例如Jones and Tonetti（2020）、Cong et al.（2021）等學者探討了數據要素推動經濟增長的內在機制。而本文將研究視角拓展到產業結構層面，拓寬了對數據要素經濟影響的研究范圍。第二，本文從數據擴展型技術的視角給予了新型基礎設施在理論模型中的定義，并指出了新型基礎設施與數據要素的內在聯系，強調了二者協同對產業結構調整的作用，為新型基礎設施的研究提供了新的視角。第三，在理論貢獻上，郭凱明（2019）和郭凱明等（2020）拓展Acemoglu and Guerrieri（2008）的工作，分別將人工智能、基礎設施引入理論模型，而本文將上述三個模型統一，并引入數據要素和新型基礎設施，闡明了二者區別于傳統要素的新特征，構建了一個集成的動態一般均衡模型。

二、文獻綜述

數據要素在多個產業中發揮著日益重要的作用，不同產業對數據的應用方向也存在差異。例如，醫療服務業利用患者就醫數據提高醫療質量（Acquisti et al.，2016）；航空業利用客戶調查數據和購票數據提高客運效率（Dana and Orlov，2014）；服裝業利用特殊消費者和普通消費者數據改進產品研發設計（肖靜華等，2018）；金融業通過數據緩解交易雙方的信息不對稱（李繼尊，2015）；廣告業將消費者數據作為劃分消費群體、識別需求偏好的重要依據（Erevelles et al.，2016）；制造業企業通過識別需求推動個性化與智能化制造（吳義爽等，2016），利用數據和信息技術提高生產率（Bloom et al.，2012）。此外，謝康等（2020）、Wu等（2020）強調，由于技術缺陷、組織結構等因素，許多企業難以從數據要素的使用中獲益。這些差異與產業結構調整有內在聯系。然而，現有研究大多集中在某一產業或行業，無法從全局掌握數字經濟與產業結構轉型的情況。

現有文獻關于產業轉型升級內在動因的考慮已經涵蓋多個方面，例如產業間要素密集程度差異（Acemoglu and Guerrieri，2008）、產業間替代彈性與增長速度差異（Baumol，1967）、技術選擇（黃茂興、李軍軍，2009）、經濟制度（鄭若谷等，2010）等。然而，由于產業對數據要素的需求和利用存在不均衡性，數據要素自然成為了產業轉型的新動因。徐翔、趙墨非（2020）、肖靜華等（2018）、楊善林、周開樂（2015）、Muller et al.（2018）等研究簡要提到了數據要素在產業結構調整中的積極作用，但并未進行具體分析。

在新型基礎設施方面，郭凱明等（2020）將新型基礎設施視為資本的擴展性技術。然而，與傳統基礎設施相比，新型基礎設施在具體內容和功能上存在差異（歐陽艷艷、張光南，2016）。與郭凱明等（2020）不同，本文將新型基礎設施視為數據這一新生產要素的擴展型技術，強調了新型基礎設施與數據之間的密切關系。

三、數據要素、新型基礎設施的概念界定

（一）數據要素的增量、折舊、定價和配置

1.數據要素的“增量”與“折舊”

數據要素的“增量”指投入成本形成的數據增量，這與徐翔、趙墨非（2020）強調的數據資本定義有相似之處。除了每期的采集、存儲等成本消耗以外，數據要素所蘊含的有用價值相對于其規模來說是稀缺的，直接采集的數據往往無法直接應用于企業的生產（楊善林、周開樂，2015），需要經過進一步的整理、清洗和細分處理。此外，還有相當一部分數據要素并不是公司通過采集獲取，而是通過公司直接投資產生，例如模擬數據、實驗數據等。為了描述這一情況，本文引入了一個抽象的數據生產部門，其功能是投入資源產生新數據。

數據要素的“折舊”問題目前還存在爭議，Jones and Tonetti（2020）、Cong et al.（2021）假設數據完全折舊，而徐翔、趙墨（2020）假設數據無折舊。本文依據數據要素的具體特征，采取折中的方式。數據要素的折舊包括了以下幾個方面：首先，由于錯誤漏洞而無法找回的數據1；其次，由于時效性降低而價值減少的數據；此外，由于數據激增和復雜化帶來的決策風險等（劉業政等，2020）。

2.數據要素的“配置”與“定價”

Acquisti et al.（2016）將數據要素的配置分為四個市場，包括數據收集者向其他企業組織購買和售出數據的市場，個人提供數據以換取“免費”產品或服務的市場，個人提供數據以換取金錢的市場，個人購買保護服務防止隱私侵犯的市場。隱私經濟學的研究為個人數據定價提供了理論和實證支持。個人可以有效權衡交易他們的數據所產生的隱私風險和收益（Kahn et al.，2000），并對個人數據進行有效的定價。

基于以上研究，本文對數據要素的“配置”做如下定義：在外生的數據產權制度框架下2，數據要素的“配置”是指消費者作為數據提供者，投資并積累數據，在權衡披露隱私的負效用后，將數據要素出售給數據需求者（生產者），以供其進行生產經營。在數據要素市場出清的情況下，形成數據要素的“定價”。數據提供者（消費者）承擔了一系列隱私泄露的后果成本，而他們獲得的回報包括服務和金錢等形式。

（二）新型基礎設施作為數據要素擴展型技術

2020年4月20日，國家發改委指出新型基礎設施是“以信息網絡為基礎，面向高質量發展需要，提供數字轉型、智能升級、融合創新等服務的基礎設施體系”1。具體包括以下三方面：首先，物聯網、5G等基礎設施極大豐富了數據收集的范圍種類和傳輸速度，為高質量數據積累提供了支撐2。其次，大數據、人工智能、云計算等提高了各產業的數據分析能力，使數據洞察與業務價值高效聯系。此外，區塊鏈有助于解決數據登記追溯問題，便于數據要素市場的審計與管理，并提供了數據共享的新模式，提高數據市場配置效率。綜上所述，新型基礎設施與數據要素利用效率在供給側有著密切聯系。因此，本文將新型基礎設施作為數據要素的擴展型技術變量引入模型中，以考慮其對產業結構調整的影響。

四、構建動態一般均衡模型

在完全競爭市場中，兩個產業的代表性企業[i∈{1，2}]采用常替代彈性生產技術，生產最終產品：

[Q1t=[σ1（Ad1tEtλD1t）（α1-1）/α1+（1-σ1）（Y1t）（α1-1）/α1]α1/（α1-1）] （1）

[Q2t=[σ2（Ad2tEtλD2t）（α2-1）/α2+（1-σ2）（Y2t）（α2-1）/α2]α2/（α2-1）] （2）

下標[t]表示時間，[Qit]表示產業[i]在第[t]期的產量，其價格為[Pit]。[Dit]為產業[i]投入的數據要素，[Yit]為產業[i]通過資本和勞動力生產的增加值投入，[Et]為新型基礎設施，[Adit]表示數據擴展型技術。與數據要素、資本和勞動力不同，新型基礎設施[Et]沒有產業下標[i]，這反映了新型基礎設施具有非競爭性，同時影響兩個產業的數據要素生產效率，[λ∈（0，1]]反映新型基礎設施的效率。

該生產函數描述了數據要素在微觀層面改變傳統生產方式的能力，對勞動力和資本同時產生替代，具體替代關系通過[Dit]與增加值投入[Yit]的替代彈性[αi∈[0，+∞）]體現。[σi∈（0，1）]表示數據要素及其擴展型技術在生產中的權重，[σi]越高，該產業的數字化水平越高。當[αi=1]時，生產函數轉換為Cobb-Douglas形式[Q=（AdEλD）σ（Y）1-σ]，此時[σi]還可以解釋為產業[i]的數據要素產出彈性和收入份額。

增加值投入[Yit]由產業[i]通過資本和勞動力生產，生產函數為常替代彈性生產函數形式：

[Y1t=[gk1（Ak1tK1t）（b1-1）/b1+gl1（Al1tL1t）（b1-1）/b1]b1/（b1-1）]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

[Y2t=[γk2（Ak2tK2t）（β2-1）/β2+γl2（Al2tL2t）（β2-1）/β2]β2/（β2-1）]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （4）

其中，[Kit]和[Lit]分別表示資本和勞動力，[Akit]和[Alit]表示對應的擴展型技術。資本和勞動力的替代彈性為參數[βi∈[0，+∞）]。資本權重[γki∈（0，1）]，勞動力權重[γli=1-γki]。當[βi=1]時，[γki]、[γli]分別表示資本和勞動力的增加值投入產出彈性。

[rdt]、[rkt]和[wt]分別表示數據要素價格、資本租金和勞動力工資。在完全競爭市場，代表性企業的利潤最大化問題可以表示成如下目標函數：

[max{PitQit-rdtDit-rktKit-wtLit}] （5）

對應的一階條件為：

[rdtDit=σi（AditEtλDit）（αi-1）/αiPitQit1αi]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （6）

[rktKit=（1-σi）γki（AkitKit）（βi-1）/βiPitQit1αiYit（1/βi-1/αi）]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（7）

[wtLit=（1-σi）γli（AlitLit）（βi-1）/βiPitQit1αiYit（1/βi-1/αi）]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（8）

每一期，數據要素、資本和勞動力的總供給分別為[Dt]、[Kt]和[Lt]，生產要素市場的出清條件分別為[Dt=D1t+D2t]、[Kt=K1t+K2t]、[Lt=L1t+L2t]。

投資品生產部門分為數據要素投資品[Idt]、資本投資品[Ikt]和新型基礎設施投資品[Iet]三個部門，價格[Pjt]為投資品[Ijt]的價格（[j∈{d，k，e}]）。投資品生產部門以兩個產業的最終產品作為投入，其生產函數如下：

[Ijt=[ωj1εj（Ij1t）（εj-1）/εj+（1-ωj）1εj（Ij2t）（εj-1）/εj]εj/（εj-1）]，[j∈{d，k，e}]

[Ij1t]和[Ij2t]分別表示用于生產投資品[Ijt]所需的產業[i=1]和產業[i=2]的最終產品。產業[i=1]產品的投入權重為參數[ωj∈（0，1）]、替代彈性[εj∈（0，+∞）]為常數。

在完全競爭市場，投資品生產部門[j]的利潤最大化問題如下：

[max{PjtIjt-P1tIj1t-P2tIj2t}]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（9）

對應的一階條件為：

[P1tP2tIj1tIj2t1εj=ωj1-ωj1εj]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （10）

新型基礎設施[Et]、數據要素[Dt]和資本[Kt]的轉移方程如下：

[Et+1=1-δeEt+Iet]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（11）

[Dt+1=1-δdDt+χDt+Idt]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（12）

[Kt+1=1-δkKt+Ikt]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（13）

其中新型基礎設施[Et]、數據要素[Dt]和資本[Kt]的折舊率分別為參數[δe]、[δd]和[δk]。在數據要素邊際報酬遞減的條件下，通過設定數據要素固定的折舊率參數[δd]，數據要素的積累能夠實現均衡增長。具體而言，在式中，[χDt+Idt]表示數據的新增量，其中，[Idt]表示數據投資品，而[χDt]則表示數據不需要數據投資品，可直接應用于企業生產的增量部分[χ∈（0，∞）]。這是因為數據可以以零成本進行復制，從而在[t+1]期增加兩個產業可用的數據量。然而，這也導致了數據濫用和隱私侵犯的效用損失。在下文中，家庭部門的效用函數將反映這一情況。

在需求側，家庭部門的收入包括資本收入[rktKt]、勞動收入[wtLt]和數據要素報酬[rdtDt]，在征收總量稅[Gt]后被用于消費、資本投資和數據投入，兩個產業的最終產品消費量分別為[C1t]和[C2t]。每一期，政府稅收[Gt]用于新型基礎設施投資[PetIet]。預算約束如下：

[P1tC1t+P2tC2t+PktIkt+PdtIdt=rktKt+wtLt+rdtDt-Gt]? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（14）

消費決策旨在實現效用最大化，因此家庭的效用函數可以表示為：

[t=0∞ζtCt1-η-11-η-??（Dt）χ]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（15）

其中，[ζ∈（0，1）]表示效用的貼現因子，[η]表示跨期替代彈性的倒數。[??（Dt）χ]可解釋為家庭出售數據需要承擔的隱私風險，參數[?∈0，∞]。[Ct]為復合消費品：

[Ct=[ωc1εc（C1t）（εc-1）/εc+（1-ωc）1εc（C2t）（εc-1）/εc]εc/（εc-1）]? （16）

其中參數[εc∈[0，+∞）]表示產業間最終產品的消費替代彈性，參數[ωc∈（0，1）]。通過求解家庭效用函數的最大化問題，得到歐拉方程和消費結構如下：

[Ct-η=ζCt+1-ηPkt+11-δk+rkt+1ωcP1t1-εc+（1-ωc）P2t1-εc-1/（εc-1）PktωcP1t+11-εc+（1-ωc）P2t+11-εc-1/（εc-1）=ζCt+1-ηPkt+11-δd+χ+rdt+1ωcP1t+11-εc+（1-ωc）P2t+11-εc-1/（εc-1）-?χDt+1χ-1ωcP1t1-εc+（1-ωc）P2t1-εc-1/（εc-1）Pdt]? ? （17）

[P1tP2tC1tC2t1εc=ωc1-ωc1εc]? ? （18）

此外，在每一期，產業的最終產品被用于家庭消費、資本投資、數據投入和新型基礎設施投資中，可以得到產品市場出清條件為[Qit=Cit+Ikit+Idit+Ieit]。

五、理論分析

（一）靜態均衡下的變量關系

比較靜態分析著重對比兩種產業的均衡狀態，因此這一部分省略各變量的下標[t]，以便簡潔直觀地進行理論分析。定義[θdi]為產業[i]的數據要素的產出彈性和收入份額，并表示如下：

[θdi?rdDiPiQi=σi（AdiEλDi）（αi-1）/αiσi（AdiEλDi）（αi-1）/αi+（1-σi）（Yi）（αi-1）/αi]? （19）

定義[θki]和[θli]分別為產業[i∈{1，2}]的資本和勞動力的產出彈性和收入份額：

[θki?rkKiPiQi=（1-σi）γki（AkiKi）（βi-1）/βiYi1/βi-1/αiσi（AdiEλDi）（αi-1）/αi+（1-σi）（Yi）（αi-1）/αi]? （20）

[θli?wLiPiQi=（1-σi）γli（AliLi）（βi-1）/βiYi1/βi-1/αiσi（AdiEλDi）（αi-1）/αi+（1-σi）（Yi）（αi-1）/αi]? （21）

定義[μki]和[μli]分別為產業[i∈{1，2}]的資本和勞動力的增加值產出彈性：

[μki??logYi?logKi=γki（AkiKi）（βi-1）/βiγki（AkiKi）（βi-1）/βi+γli（AliLi）（βi-1）/βi]? （22）

[μli??logYi?logLi=γli（AliLi）（βi-1）/βiγki（AkiKi）（βi-1）/βi+γli（AliLi）（βi-1）/βi]? ? （23）

根據要素市場出清條件，定義產業[i=1]各生產要素占比為[xdt?D1tDt]，[xkt?K1tKt]，[xlt?L1tLt]。在均衡狀態下可知[μk1>μk2?xk>xl]，換句話說，若產業1的資本增加值產出彈性更高，則其資本占比高于勞動力占比，更偏向資本密集型。

聯立方程式，得到均衡狀態下有：

[σ1（Ad1）（α1-1）/α1（xd）-1/α1σ2（Ad2）（α2-1）/α2（1-xd）-1/α2（EλD）1/α2-1/α1K1/β2-1/β1=（1-σ1）γk1（Ak1）（β1-1）/β1Y11/β1-1/α1（xk）-1/β1（1-σ2）γk2（Ak2）（β2-1）/β2Y21/β2-1/α2（1-xk）-1/β2] （24）

聯立方程式，得到均衡狀態下有：

[γk1（Ak1）（β1-1）/β1（xk）-1/β1γk2（Ak2）（β2-1）/β2（1-xk）-1/β2KL1/β2-1/β1=γl1（Al1）（β1-1）/β1（xl）-1/β1γl2（Al2）（β2-1）/β2（1-xl）-1/β2] （25）

為了便于分析數據要素在供給側調整產業結構的機制，本文簡化需求側的參數假設，假設：[ωd=ωk=ωe=ωc=ω]，[εd=εk=εe=εc=ε]1。根據、：

[Ik1Ik2=Id1Id2=Ie1Ie2=C1C2=P1P2-εω/1-ω] （26）

根據產品市場出清條件，可以進一步得到：

[Q1Q2=P1P2-εω1-ω] （27）

聯立方程式，得到均衡狀態下有：

[ω1-ω1εQ11/α1-1/εQ21/α2-1/ε=σ2（Ad2）（α2-1）/α2（1-xd）-1/α2σ1（Ad1）（α1-1）/α1（xd）-1/α1（EλD）1/α1-1/α2] （28）

（二）數據要素與產業結構調整的比較靜態分析

產業結構調整具體體現在各產業生產要素占比（或稱生產要素密集程度）的變化和各產業名義產出比例的變化。[xk]和[xl]體現了產業1的生產要素占比，在資本和勞動力總量不變時，[xk]和[xl]的變化反映了資本生產要素和勞動生產要素在產業間的流動方向，即要素的再分配過程。依據Herrendorf et al.（2013）等實證證據，制造業、服務業產業間的產品替代彈性通常較低，不妨假設[ε≤α1且ε≤α2]，聯立方程式，得到均衡狀態下有：

[dlogxkdlogD=θd1ε-α1-θd2ε-α2CxkBxd-CxdBxk1α11α21ε1-xk] （29）

其中，

[Cxk=1β1（1-xl）+1β2xl-1-1β1（1-xk）+1β2xk1β1（1-xl）+1β2xl+（1β1-1α1）μk1（1-xk）+（1β2-1α2）μk2xk1β1（1-xl）+1β2xl+（1β1-1α1）μl1（1-xl）+（1β2-1α2）μl2xl1β1（1-xk）+1β2xk]，

[Bxk=1β1（1-xl）+1β2xl-11α1-1ε（1-θd1）μk1（1-xk）+1α2-1ε（1-θd2）μk2xk1β1（1-xl）+1β2xl+1α1-1ε（1-θd1）μl1（1-xl）+1α2-1ε（1-θd2）μl2xl1β1（1-xk）+1β2xk]，

[Cxd=1α1（1-xd）+1α2xd]，[Bxd=1α1（θd1-1）（1-xd）+1α2（θd2-1）xd-1εθd1（1-xd）-1εθd2xd]

依據以上式可知[dlogxldlogxk>0]，結合以上式，得到如下定理。

定理1：若[ε≤α1]且[ε≤α2]，若[θd1ε-α1-θd2ε-α2>0]，則[dlogxldlogD>0]且[dlogxkdlogD>0]；若[θd1ε-α1-θd2ε-α2<0]，則[dlogxldlogD<0]且[dlogxkdlogD<0]。

定理1說明數據推動的生產要素流動方向由三種彈性決定，分別為：數據要素產出彈性[θdi]、需求側兩產業間的替代彈性[ε]、數據要素和增加值投入（代表傳統生產方式）的替代彈性[αi]。當需求側替代彈性[ε]一定時，數據要素數量提高會推動生產要素流向數據要素產出彈性[θdi]越低或數據要素和增加值投入的替代彈性[αi]越低的產業。為使得定理1的經濟機制更加簡潔，控制替代彈性[αi=1]，生產函數轉化為規模報酬不變的Cobb-Douglas生產函數形式，簡化定理1得到如下特殊情形。

特殊情形1：若[αi=1]且[ε≤1]，若[σ2>σ1]，則[dlogxldlogD>0]且[dlogxkdlogD>0]；若[σ2<σ1]，則[dlogxldlogD<0]且[dlogxkdlogD<0]。

特殊情形1說明當最終產品生產函數滿足Cobb-Douglas形式時，隨著數據要素[D]增加，數據要素產出彈性[σ]更大的產業對應的實際產出[Q]上升更多，相對價格[P1P2]下降。當替代彈性較低時，相對價格下降幅度大于實際產出上升幅度，導致產出彈性較高產業的相對名義產出下降，生產要素會流向產出彈性較低的產業。此時數字化水平較低的產業可能成為當前數字經濟增長的短板，所以應率先加快其內部的數字化和結構調整。

（三）數據要素與勞動收入份額的比較靜態分析

聯立方程式，并取對數和全微分，得到勞動收入份額變化的決定因素如下：

[dlogrkKwL=（β1-1）xlβ2（1-xl）+β1xldlogAk1Al1+（β2-1）（1-xl）β2（1-xl）+β1xldlogAk2Al2+xk-xlβ2（1-xl）+β1xldlogxk1-xk+（β1-1）xl+（β2-1）（1-xl）β2（1-xl）+β1xldlogKL] （30）

根據以上式，產業的資本占比[xk]會影響勞動收入份額，結合定理1得到如下定理。

定理2：若[ε≤α1]且[ε≤α2]，若[xk-xldlogxkdlogD>0]，則[dlogrkKwLdlogD>0]；若[xk-xldlogxkdlogD<0]，則[dlogrkKwLdlogD<0]。

假設[xk>xl]，即產業1為資本相對密集的制造業、產業2為勞動力相對密集的服務業，則定理2表明，要使數據要素推動勞動收入份額改善，須有[dlogxkdlogD<0?θd1ε-α1-θd2ε-α2<0]成立。當[αi=1]時，得到如下特殊情形。

特殊情形2：在[xk>xl]、[αi=1]且[ε≤1]的條件下，若[σ1<σ2]，則[dlogrkKwLdlogD>0]；若[σ1>σ2]，則[dlogrkKwLdlogD<0]。

當資本密集型的制造業的數據要素產出彈性較高時，增加數據要素會推動資本和勞動力流入相對資本密集度較低、勞動力密集度較高的服務業，提高對勞動力的需求，進而改善勞動收入份額。相反，若資本密集度較低的服務業的數據要素產出彈性較高，增加數據要素則會推動生產要素流入制造業，提高對資本的需求，惡化勞動收入份額。

（四）新型基礎設施的比較靜態分析

聯立方程式，得到靜態均衡下：

[dlogxkdlogE=λθd1ε-α1-θd2ε-α2CxkBxd-CxdBxk1α11α21ε1-xk] （31）

定理3：在[xk>xl]、[ε≤α1]且[ε≤α2]的條件下，若[θd1ε-α1-θd2ε-α2>0]，則[dlogxldlogE>0]，[dlogxkdlogE>0]且[dlogrkKwLdlogE>0]；若[θd1ε-α1-θd2ε-α2<0]，則[dlogxldlogE<0]，[dlogxkdlogE<0]且[dlogrkKwLdlogE<0]。

定理3說明盡管新型基礎設施作為各產業通用的數據擴展型技術，以相同水平同時參與不同產業的生產活動，但由于各產業對數據要素的利用效率和應用方式存在差異（表現為數據要素產出彈性和替代彈性差異），新型基礎設施對產業發展的推動作用會受數據要素的調節。在數據要素產出彈性、與增加值投入的替代彈性和需求側產品替代彈性的共同作用下，新型基礎設施建設可以推動產業結構調整，并改善勞動收入份額，具體的影響機制與數據要素類似。此外，新型基礎設施的推動作用還受效率[λ]影響。

（五）產業內結構調整的比較靜態分析

數據要素作為數字經濟下各個企業的關鍵生產要素，其發展不但推動了制造業和服務業兩個產業之間的結構調整，還會對各產業內部的結構產生影響。依據資本要素和勞動要素占比的差異，可以將每個產業內部劃分為勞動密集型和資本密集型的企業，并且這兩類企業對數據要素的應用程度存在差異。思路與前文關于制造業和服務業的分析類似，但定理1—3及其特殊情形的判別式前提分別為[ε≤αi]和[ε≤1]，僅在服務業和制造業產品間替代彈性極低的背景下成立。每個產業內部不同類型企業的產品之間可能具有較高替代彈性（Broda and Weinstein，2006），存在[ε>αi=1]，無法滿足條件1，郭凱明（2019）對這一條件并沒有分析。考慮同一產業內部的兩個企業[i∈1，2]，若產品間替代彈性較高，假設[ε>αi=βi=1]以簡化計算1，式30變形為

[dlogxkdlogD=ε-1σ1-σ2-B′xd-B′xk1ε1-xk] （32）

其中，

[B′xd=1-1εσ1（1-xd）+σ2xd-1]

[B′xk=1-1ε（1-σ1）（1-γk1xk-γl1xl）+（1-σ2）（γk2xk+γl2xl）]

此時，式31大小由[B′xd]和[B′xk]決定，當[ε≤2]時，[-B′xd-B′xk>0]恒成立。

定理4：在[xk>xl]且[2>ε>αi=βi=1]的條件下，若[σ1>σ2]，則[dlogxldlogD>0]，[dlogxkdlogD>0]，[dlogxldlogE>0]，[dlogxkdlogE>0]，[dlogrkKwLdlogD>0]，[dlogrkKwLdlogE>0]；若[σ1<σ2]，則[dlogxldlogD<0]，[dlogxkdlogD<0]，[dlogxldlogE<0]，[dlogxkdlogE<0]，[dlogrkKwLdlogD<0]，[dlogrkKwLdlogE<0]。

定理4與定理1—3相反，當同一產業內部產品替代彈性大于1時，數據要素提高會促使生產要素流向數據產出彈性較高的企業，從而調整產業結構，推動產業內部不同企業的轉型升級。隨著數據要素產出彈性更高的企業實際產出增加，相對價格下降，在最終產品的替代彈性大于1時，相對價格下降對名義產出的負面影響小于實際產出增加的正面影響。最終，數據要素產出彈性更高的企業的名義產出增加，提高對資本、勞動力的需求。若該企業同時為勞動力密集型，則勞動收入份額會有所提高。定理4可以解釋數字化優勢明顯（即數據要素產出彈性高）的企業隨著數據要素積累而逐漸擴張，形成生產要素的聚集，從而帶動整個產業數字化和結構調整。

六、數值模擬

數值模擬關注四個方面：第一，在不同替代彈性的背景下，模擬初始數據要素數量改變對產業結構調整和產業內結構調整的影響（對應定理1、2和4）；第二，控制新型基礎設施的投資率一定，僅改變初期新型基礎設施數量模擬其作為擴展型技術在供給側對產業結構調整的影響（對應定理3）；第三，僅改變新型基礎設施投資品的產品投入權重，模擬新型基礎設施投資在需求側對產業結構的拉動作用；第四，改變產業生產函數參數，模擬數據要素、新型基礎設施對生產的重塑作用，并作為敏感性分析。

（一）初始參數設定

將兩個產業分別設為制造業[i=1]和服務業[i=2]，參考郭凱明（2019）、Herrendorf et al.（2013），在需求側的消費活動和投資活動中，不同產業的產品替代彈性接近于0，所以設產品替代彈性[εd=εk=εe=εc=0]。將生產函數設定為替代彈性為1的Cobb-Douglas型，即[α1=α2=β1=β2=1]。參考顏色等（2018），利用國家統計局投入產出表，計算制造業和服務業的資本報酬比重平均為[γk1=0.65]和[γk2=0.55]（制造業資本密集程度更高）。實際數據中服務業產業占比約為50%1，依據顏色等（2018）統計，資本投資品的需求結構相較于家庭部門消費結構更偏重制造業產品，設[ωk=2/3]，[ωc=0.5]；假設數據要素和新型基礎設施對應投資品的生產需求結構與家庭消費結構相同，設[ωd=ωe=0.5]。

依據金戈（2016）統計，資本和基礎設施折舊率約為8.51%—9.73%，本文將資本、新型基礎設施和數據的折舊率均設定為10%1。依據國家發改委對新型基礎設施的定義和尚文思（2020）采用的度量，并結合《中國固定資產投資統計年鑒》和《中國統計年鑒》，選用“計算機、通信和其他電子設備制造業”“科學研究、技術服務和地質勘查業”“信息傳輸、計算機服務和軟件業”三個行業的固定資產投資作為新型基礎設施的投資范圍，計算得到從2018—2021年的新型基礎設施投資占全社會固定資產投資的6.75%—8.53%。此外，統計數據在2018年包含“數據處理和存儲服務”投資，占當年總投資的0.15%，假設該項在“信息傳輸、計算機服務和軟件業”占比不變，估算數據投資占比。最終，本文依據2018—2021年實際數據的平均值，將總投資率設為40%，其中新型基礎設施占總投資率的7.5%，數據投資占比0.1%。

假設勞動力供給為1，所有擴展型技術和新型基礎設施效率固定為1，初期數據量設為0.5，數據增長和隱私的參數[χ]為5%。依據Jones and Tonetti（2020），假設通過數據降低的錯誤率可以對應轉化為生產效率，數據的產出彈性約為3.3%—14.3%，對此，本文將產業[i]數據要素產出彈性[σi]初始值設定為5%和10%，分別對應數據占產出份額的5%和10%。依據陳夢根、張鑫（2022），在2002—2018年，數字資本服務約占總資本服務的9.12%，結合投資率的估計，本文設定初始新型基礎設施占總資本的10%。調整初期資本的取值，使得服務業名義產出占比約為實際數據中的50%。

在不同的場景下模擬30期，關注服務業的就業占比（[1-xl]）、制造業的名義產出占比[P1Q1/（P1Q1+P2Q2）]、勞動收入份額[wL/（wL+rkK）]的變化。

（二）不同替代彈性下，提高初期數據要素數量

設定制造業[i=1]和服務業[i=2]的數據要素產出彈性分別為5%和10%，以模擬服務業數據要素產出彈性更高的環境；反之分別為10%和5%以模擬制造業數據要素產出彈性更高的環境，兩個環境分別對應圖1的第一行和第二行。基準模型中，初期數據要素數量為0.5，并分別提高到1和2。表1匯總了第1期數值模擬結果。

根據圖1所示，在服務業和制造業產品替代彈性較低的背景下，當服務業數據要素產出彈性較高時，初期數據量提高會推動勞動力流入制造業，制造業名義產出占比提高，勞動收入份額下降；相反，當制造業產出彈性較高時，數據要素會起到和資本深化相同的效果，勞動力從制造業流出，服務業名義產出占比上升，勞動收入份額改善。表1模擬結果僅改變數據量，控制了資本、新型基礎設施影響，與定理1、2一致。以服務業數據要素產出彈性較高的環境為例，模擬結果表明數據量提高到2后，服務業資本占比和就業占比分別下降1.67%和1.71%、實際產出占比上升0.047%，制造業名義產出比重上升1.71%，勞動收入份額下降0.17%。

為模擬產業內部資本密集型和勞動密集型行業間的結構調整情形，設資本密集型[i=1]和勞動密集型[i=2]，將產品間替代彈性參數設定為[εd=εk=εe=εc=1.5]，以表示較高的產品替代彈性，其他參數不變。

模擬結果表明，若勞動密集型和資本密集型的產品替代彈性較高，數據要素提高會促使資本和勞動力流向數據要素產出彈性較高的行業，若擴張的行業屬于勞動力密集型，則改善勞動收入份額，與定理4理論推導吻合。

（三）提高初期新型基礎設施數量

為模擬定理3刻畫的新型基礎設施作為數據擴展型技術在供給側發揮的作用，在制造業和服務業的背景下（產品替代彈性為0），保持新型基礎設施投資率、初始資本等參數不變，將初期新型基礎設施與資本的比例從10%提高到20%。模擬結果顯示，初期新型基礎設施對產業結構調整的推動方向和數據類似，符合定理3的分析結果。圖3的演示路徑表明，簡單地提高新型基礎設施的數量可能只會帶來短期的產業結構調整效果。為更好發揮政府在數字經濟中的引導作用，應采取更長效的數字經濟產業政策。

（四）調整新型基礎設施產品投入權重

新型基礎設施具有新的投資品需求，與傳統基礎設施相比，前者投資品更多來源于服務業，例如“信息傳輸、計算機服務和軟件業”等。這使得新型基礎設施建設在需求側對產業結構調整具有指導作用，形成具有數字經濟特征的新型基礎設施產業鏈。為模擬新型基礎設施投資品在需求側對產業結構調整的推動作用，在制造業和服務業產品替代彈性為0的條件下，將新型基礎設施投資品的產品投入權重參數[ωe=0.5]設為基準模型，分別降低到0.3和0.1以刻畫提高服務業產品權重所帶來的影響。

模擬結果顯示，對新型基礎設施投資品產品投入權重的調整，會從需求側有效地拉動產業結構調整。若新型基礎設施投資品提高對服務業產品的投入權重[ωe]從0.5降低至0.1，在服務業數據產出彈性較高的情況下，制造業名義產出占比將下降1.12%；在制造業數據要素產出彈性較高的情況下，制造業名義產出占比將下降1.26%。更重要的是，與提高初期新型基礎設施數量相比，新型基礎設施投資品的結構性調整具有更持續的影響。

（五）調整生產函數參數

數據要素可以重塑商業模式和生產方式，而新型基礎設施建設可以形成新產業鏈，還可以通過外溢性提高其他生產要素擴展型技術。本文通過生產函數的參數調整來反映這種生產方式的轉變，并作為參數選取的敏感性分析。參數設置和表1一致。

本文模擬了三種服務業生產方式的轉變，每種方式僅改變一個參數，其他參數控制不變：第一，將服務業資本與勞動力的替代彈性[β2]從初始設定1提高到1.5；第二，將服務業勞動力權重[γl2]從0.45提高到0.65；第三，將服務業勞動力擴展型技術[Al2]從1提高到1.25。

表5展示了改變參數設置后的第1期模擬結果。對比表1，提高服務業的資本與勞動力替代彈性[β2]、勞動力權重[γl2]可以增加初期服務業的規模。此外，模擬結果對參數變化不敏感，表5結果與表1差別較小，且所有結果影響方向沒有變化，可見前文理論分析和數值模擬的結論具有一定穩健性。

七、總結與啟示

當前國家大力推進東數西算工程，力圖解決數據要素與新型基礎建設的匹配問題。在此過程中，數據要素和新型基礎設施如何影響產業結構調整？產業結構調整帶來生產要素流動，對勞動收入份額產生怎樣的影響？本文界定數據的相關概念，把數據要素納入生產函數，將新型基礎設施作為一種數據擴展型技術，構建動態一般均衡模型，通過討論不同替代彈性對產業結構調整的影響，從理論上回答上述問題，得到如下結論和建議。

首先，數據要素與新型基礎設施可以推動產業結構調整，具體產業結構調整的路徑取決于三種彈性：數據要素產出彈性、需求側產品替代彈性、數據要素和增加值投入的替代彈性。增加數據要素投入會擴大數據要素產出彈性高的產業的實際產出，并降低該產業的相對價格。服務業和制造業產品的需求替代彈性通常較低，相對價格的下降幅度會大于實際產出的提高幅度。這導致產出彈性高產業的名義收益降低，從而引導生產要素流向數據要素產出彈性較低的產業。具體來說，若制造業的產出彈性較低，增加數據要素投入可能會擴張制造業規模，進而導致勞動收入份額下降。新型基礎設施作為非競爭的數據擴展型技術，可以同時參與不同產業的生產，但由于不同產業的數據要素產出彈性和替代彈性不同，新型基礎設施對產業結構調整的推動作用受到數據要素的調節，且最終的影響方向和路徑與數據要素一致。

其次，在同一個產業內部，不同企業的產品替代彈性通常較高。此時相對價格的下降幅度小于實際產出的增加幅度，因此產出彈性高的產業的名義收益會得到提高。數據要素和新型基礎設施促使生產要素流向數據要素產出彈性較高的企業，推動其進行規模擴張，從而提高整個產業的數字化水平，優化生產要素配置。

基于本文研究結論，可以得到如下政策建議：第一，數據與經濟活動密切關聯，在公共領域（如教育、醫療、交通等），可以鼓勵在保護個人信息和隱私的前提下積極展開數據采集，通過政企合作的方式實現數據的廣泛共享，推動產業結構調整。尤其是在新型基礎設施建設中，由于數據具有非競爭性，政府各部門可以通過分享數據的方式降低設備采購的成本，這既能充分發揮數據要素潛力，還能實現財政節流。第二，增加新型基礎設施的數量對產業結構的影響是短暫的，并且受數據要素生產效率的調節影響。因此，政府相關部門應該合理設置新型基礎設施的投資種類，積極從需求側發揮對產業結構調整的指導作用，同時努力實現新型基礎設施與數據要素協同效果，使新型基礎設施的經濟效益實現最大化。第三，產業結構調整可能伴隨生產要素流向落后產業、勞動收入份額下降等問題。現實中的市場摩擦可能進一步導致勞動生產率下降、失業、收入差距擴大等問題。這意味著政府不僅要考慮增長問題，還要考慮產業結構和分配問題。除了傳統的分配政策、就業政策之外，數據要素為改善收入分配提供了新的視角。因此要加大消費者數據權益的保護力度，家庭部門可以通過數據獲取收入或產品服務，實現收入分配的改善。

參考文獻

陳夢根、張鑫，2022，“數字經濟要素投入核算框架及應用研究”，《統計研究》，第8期，第3-20頁。

程嘯，2018，“論大數據時代的個人數據權利”，《中國社會科學》，第3期，第102-122+207-208頁。

郭凱明、潘珊、顏色，2020，“新型基礎設施投資與產業結構轉型升級”，《中國工業經濟》，第3期，第63-80頁。

郭凱明， 2019，“人工智能發展、產業結構轉型升級與勞動收入份額變動”，《管理世界》，第7期，第60-77+202-203頁。

黃茂興、李軍軍，2009，“技術選擇、產業結構升級與經濟增長”，《經濟研究》，第7期，第143-151頁。

金戈，2016，“中國基礎設施與非基礎設施資本存量及其產出彈性估算”，《經濟研究》，第5期，第41-56頁。

李繼尊，2015，“關于互聯網金融的思考”，《管理世界》，第7期，第1-7+16頁。

劉業政、孫見山、姜元春、陳夏雨、劉春麗，2020，“大數據的價值發現：4C模型”，《管理世界》，第2期，第129-138+223頁。

歐陽艷艷、張光南，2016，“基礎設施供給與效率對‘中國制造的影響研究”，《管理世界》，第8期，第97-109頁。

尚文思，2020，“新基建對勞動生產率的影響研究——基于生產性服務業的視角”，《南開經濟研究》，第6期，第181-200頁。

榮健欣、王大中，2021，“前沿經濟理論視野下的數據要素研究進展”，《南方經濟》，第11期，第18-43頁。

申衛星，2020，“論數據用益權”，《中國社會科學》，第11期，第110-131+207頁。

吳義爽、盛亞、蔡寧，2016，“基于互聯網+的大規模智能定制研究——青島紅領服飾與佛山維尚家具案例”，《中國工業經濟》，第4期，第127-143頁。

肖靜華、吳瑤、劉意、謝康，2018，“消費者數據化參與的研發創新——企業與消費者協同演化視角的雙案例研究”，《管理世界》，第8期，第154-173+192頁。

謝康、夏正豪、肖靜華，2020，“大數據成為現實生產要素的企業實現機制：產品創新視角”，《中國工業經濟》，第5期，第42-60頁。

徐翔、趙墨非，2020，“數據資本與經濟增長路徑”，《經濟研究》，第10期，第38-54頁。

顏色、郭凱明、杭靜，2018，“需求結構變遷、產業結構轉型和生產率提高”，《經濟研究》，第12期，第83-96頁.

楊善林、周開樂，2015，“大數據中的管理問題：基于大數據的資源觀”，《管理科學學報》，第5期，第1-8頁。

鄭若谷、干春暉、余典范，2010，“轉型期中國經濟增長的產業結構和制度效應——基于一個隨機前沿模型的研究”，《中國工業經濟》，第2期，第58-67頁。

Acemoglu， D. and Guerrieri， V.， 2008， “Capital Deepening and Nonbalanced Economic Growth”， Journal of Political Economy， 116（3）：467-498.

Acquisti， A.， Taylor， C. and Wagman， L.， 2016， “The Economics of Privacy”， Journal of Economic Literature， 54（2）：442-492.

Baumol， W. J.， 1967， “Macroeconomics of Unbalanced Growth： the Anatomy of Urban Crisis”， American Economic Review， 57（3）：415-426.

Bloom， N.， Sadun， R. and Reenen， J. V.， 2012， “Americans Do IT Better： US Multinationals and the Productivity Miracle”， American Economic Review， 102（1）：167-201.

Broda， C. and Weinstein， D. E.， 2006， “Globalization and the Gains From Variety”， Quarterly Journal of Economics， 121（2）：541-585.

Cong， L. W.， Wei， W. S.， Xie， D. X. and Zhang， L. T，， 2022， “Endogenous Growth under Multiple Uses of Data”， Journal of Economic Dynamics and Control， 141：104395.

Cong， L. W.， Xie， D. X. and Zhang， L. T.， 2021， “Knowledge Accumulation， Privacy， and Growth in a Data Economy”， Management Science， 67（10）：6480-6492.

Dana， J. D. and Orlov， E.， 2014， “Internet Penetration and Capacity Utilization in the US Airline Industry”， American Economic Journal： Microeconomics， 6（4）：106-137.

Erevelles， S.， N. Fukawa and L. Swayne， 2016， “Big Data Consumer Analytics and the Transformation of Marketing”， Journal of Business Research， 69（2）：897-904.

Herrendorf， B.， R. Rogerson and A. Valentinyi， 2013， “Two Perspectives on Preferences and Structural Transformation”， American Economic Review， 103（7）：2752-2789.

Jones， C. I.， 2016， “Life and Growth”， Journal of Political Economy， 124（2）： 539-578.

Jones， C. I. and Tonetti， C.， 2020， “Nonrivalry and the Economics of Data”， American Economic Review， 110（9）：2819-2858.

Kahn， C. M.， McAndrews， J. and Roberds， W.， 2000， “A Theory of Transactions Privacy”， FRB Atlanta Working Paper， No. 2000-22.

Muller， O.， Fay， M. and Brocke， J. V.， 2018， “The Effect of Big Data and Analytics on Firm Performance： An Econometric Analysis Considering Industry Characteristics”， Journal of Management Information Systems， 35（2）：488-509.

Wu， L.， L. Hitt， and B. Lou， 2020， “Data Analytics， Innovation， and Firm Productivity”， Management Science， 66（5）：2017-2039.

Data Factor， New Infrastructure and Industry Restructuring Path

Zhu Xiaowu? Wei Wenshi? Wang Jingwen

Abstract： Data and new infrastructure are playing an increasingly important role in various industries. However， there are variations in the utilization efficiency and application methods of these factors across different sectors， which influence the path of industrial restructuring. We introduce a multi-sector dynamic general equilibrium model that consists of two production sectors to represent different industries or different firms within the same industry. Each sector incorporates data as a new production factor and new infrastructure as data-enhancing technology， combining them with traditional production factors to form new production functions. Additionally， there are differences between sectors in terms of data output elasticity and substitution elasticity between data and traditional factors.

We find that data and new infrastructure can drive industrial structure transformation， which depends on three elasticities： data output elasticity， demand-side product substitution elasticity， and substitution elasticity between production factors. Specifically， across different industries， due to lower product substitution elasticity， an increase in data and new infrastructure leads to higher data output elasticity and higher substitution elasticity of production factors， resulting in increased output of industries with lower product prices and nominal output， prompting capital and labor to flow toward industries with lower efficiency in data utilization. This process will alter the prices of capital and labor and impact the share of labor income. Within the same industry， due to higher product substitution elasticity between different firms， data and new infrastructure have opposite effects， driving capital and labor to flow towards firms with higher efficiency in data utilization and promoting the digital transformation of the entire industry. If enterprises with high data output elasticity are labor-intensive， the share of labor income is likely to improve. In the numerical simulations， we highlight that from the demand side， new infrastructure development can facilitate more targeted structural transformation in the long run.

Lastly， we provide policy implications to address the growth limitations and income distribution issues associated with digital transformation. The impact of increasing the quantity of new infrastructure is influenced by the productivity of data. Efforts should be made to achieve synergies between data and new infrastructure. Besides traditional policies， data and new infrastructure provide a new perspective for improving income distribution.

Keywords： Data Factor; New Infrastructure; Industrial Restructure; Substitution Elasticity

（責任編輯：謝淑娟）