數據要素、新質生產力與數字經濟理論分析

【摘 要】 發展新質生產力是推動經濟社會高質量發展的重要著力點。目前學界尚缺乏對數據要素賦能新質生產力發展，進而推動數字經濟、宏觀經濟高質量發展的系統性全鏈路理論分析。文章立足我國數字經濟發展實情，以綜述研究的方式，聚焦數據要素促進全要素生產率提升的路徑機制和理論模型構建，系統性分析了數據要素作用于新質生產力發展并促進經濟增長的理論框架。在此基礎上，分析了數字經濟對經濟全球化、GDP福利測度、勞動力市場、貨幣政策以及企業微觀動態的影響機理，力圖為構建結構模型開展實證分析提供理論參考。文章從數據產權建設、多要素融合以及數字科技發展等角度提出了相關建議，為相關政策制定提供參考。

【關鍵詞】 數據要素； 新質生產力； 數字經濟

【中圖分類號】 F124" 【文獻標識碼】 A" 【文章編號】 1004-5937（2025）12-0140-08

一、引言

黨的二十大報告強調“高質量發展是全面建設社會主義現代化國家的首要任務”，而發展新質生產力是推動高質量發展的內在要求和重要著力點[1]。習近平總書記指出，新質生產力是創新起主導作用，擺脫傳統經濟增長方式、生產力發展路徑的先進生產力質態；它由技術革命性突破、生產要素創新性配置、產業深度轉型升級而催生，以全要素生產率大幅提升為核心標志。經濟發展的動力來源于全要素生產率的提升，數據作為第五大生產要素影響著全要素生產率的發展，進而作用于數字經濟發展和宏觀經濟增長。數據要素、新質生產力與數字經濟高質量發展是逐層遞進的傳導機制和路徑演進。

近年來，關于數字經濟的研究，國內涌現出了豐富的研究成果。從產業升級來說，以新一代信息與通信技術為特征的數字技術發展，作用于生產部門將能助力其深化產業數字化轉型，作用于金融部門有利于緩解融資約束的同時帶動產業升級[2]；數字金融的深化發展不僅在落后地區發展更快，而且還顯著提升了農村低收入家庭的收入，并使得創業機會打破區域限制變得更加均等化[3]。勞動力市場中，數字經濟通過作用于創業、激發大眾創業的積極性能夠很好地釋放高質量發展的紅利[4]。數字經濟發展的一個重要特征是企業的數字化轉型。數字化轉型能夠通過降低企業面臨的外部交易成本進而促進企業的專業化分工[5]，并通過提升對高技能勞動力的需求、降低低技術含量勞動力的需求提升整體的勞動收入份額[6]；當企業積極開展數字化轉型并融入全球創新網絡中，將有助于提升其創新績效，且在資源相對薄弱的地區，這樣的提升作用更加顯著[7]；此外，企業數字化轉型通過全面提升企業的組織協同、預算聯動等能力可進一步實現企業財務管控領域的創新[8]，形成正向循環的創新協同機制。數字經濟的發展離不開數字經濟的創新，技術革命性突破是催生新質生產力的一大動因。數字技術創新通過管理、投資、運營與勞動等多層面的綜合賦能，有助于其降低內控成本，提高企業經營效率，從而推動企業全要素生產率的增長[9]。服務業的發展帶動就業的同時促進了經濟結構化轉型，數字經濟的深化又通過提高生產要素的效率助力了服務業本身的結構升級，且這樣的促進作用在服務業較發達的區域更明顯[10]。黨的二十大報告提出，加快發展數字經濟，促進數實融合深度發展。數實融合是數據要素、數字科技、數字化平臺型經濟以及共享經濟與實體經濟之間的深度融合，通過構建技術創新機制、數智賦能機制、能力提升機制等基礎能力打造完善的生態系統能夠有效促進其發展[11]。國內學者擅長從我國經濟發展的實踐出發，結合現實數據進行實證分析來驗證數據要素對新質生產力以及數字經濟對經濟發展中宏觀、微觀等方面的影響。

國外研究較注重理論模型構建，并在此基礎上進行宏微觀機制探討。宏觀機制通過微觀主體進行傳導。成本是阻礙經濟活動的重要因素之一。Goldfarb et al.[12]定義數字科技是以比特為單位來表示信息的技術，該技術降低了數據存儲、計算和傳輸的成本；數字經濟學研究則是探討數字技術是否以及如何影響經濟活動。他們討論了搜尋成本、復制成本、運輸成本、追蹤成本、驗證成本下降在經濟學模型中的作用機制。數據要素與數字科技相關但又有區別。Veldkamp et al.[13]則分析了數據要素如何與經典的經濟學框架相結合，并比較了數字經濟學與創意、專利和“干中學”等經濟學研究目標的區別。

綜上可知，目前尚缺乏從我國實際出發，對數據要素賦能新質生產力發展，進而推動數字經濟、宏觀經濟高質量發展的系統性全鏈路理論模型分析。本文聚焦數據要素促進全要素生產率提升的路徑機制和理論模型構建，系統性分析了數字經濟所帶來的宏觀機制變化。構建數字經濟數學理論模型的重要原因，一是在我國經濟正處于轉型升級之中，數字經濟的發展是新時代的重要特征，實證研究是采用過去趨勢對未來的推斷和預測，但經濟轉型中，未來與過去的經濟運行機制會發生變化，需要新的理論模型做支撐；二是有利于分析引入數據要素后，產業政策、貿易政策、貨幣政策等宏觀政策對微觀世界作用機制的變化，為新的實踐發展提供參考。

二、數字經濟理論框架分析

數據要素是經濟發展中不可或缺的一個重要組成部分，是數字經濟深化發展的核心引擎。它既是經濟活動中的投入，也是經濟活動的副產品。一個完備的經濟學模型需要考慮融合這兩種特征的均衡分析。已有經濟理論研究中，數字經濟宏觀理論模型主要從三個視角展開。第一類模型假設數據是經濟交易的副產品，能夠幫助企業優化業務流程，進而提升企業生產力水平。Farboodi et al.[14]基于此思路構建了一個理論模型，將數據要素視為預測未來未知狀態的信息，但由于企業效能改進的空間會存在天花板，數據要素會出現收益遞減從而導致數據驅動的增長停止。此類模型適用于經濟活動中數據要素的效能已經被充分發揮，數字化轉型達到一定高度后的理論分析，并不適合我國國情。第二類模型將數據視為研究活動和知識創造的生產要素之一，并假設數據要素的消費和生產過程是一體的。數據是經濟活動的副產品，因此其生產依賴于宏觀經濟；同時，企業利用數據來提高生產力，反哺經濟增長。第三類模型則是在數據生產和使用過程中加入了中間態，該環節中數據要素作為輸入，與勞動等其他生產要素相結合共同推動生產力發展。本文將重點分析后兩類模型的理論框架。

（一）數據要素促進生產力發展，推動宏觀經濟增長

Jones et al.[15]將數據看作是經濟活動的副產品和發展生產力的投入，構建了宏觀經濟增長模型。假設時間是無限且連續的，在每個時間點t，由Nt個企業生產Nt種消費品。假設一個代表性消費者，其對數效用函數如下：

其中，ct是個體消費量，xi，t是企業i在生產商品i時使用來自該消費者自身數據的比例，■i，t是消費者在商品i上的數據被并非生產商品i的其他企業共享的比例。隱私保護成本被納入了二次損失函數，k和■分別代表了隱私保護與消費之間的平衡權重。個人從商品消費中獲得正效用，而在企業對其數據的直接使用和與其他企業的共享中產生了負效用。企業i的生產函數為：

其中，Ωi，t是生產商品i時用到的總數據量，Li，t是勞動投入。可以發現，當同時考慮勞動和數據要素的投入時，該生產函數呈現出了規模報酬遞增的效應，根源在于數據要素的非競爭性。一家企業的所有員工均可在不對數據要素發生任何實質性侵害的情況下對同一數據資源池進行操作。如前所述，數據是商品消費這一經濟活動中的副產品，定義ni，t是商品i所產生的數據總量：

企業所使用的總數據量Ωi，t滿足：

其中，第一項代表企業i能夠用來生產商品i的數據量，Bt則是被其他企業在生產其他商品時所共享的數據量。

其中Ωs，i，t=■i，tni，t是其他企業用來生產其自身產品時共享的關于商品i的數據量。因為數據要素具備非競爭性，Bt能夠同時被其他企業在不對數據資源池本身造成實質性侵害的情況下使用。但是假設消費者持有該數據，他們可對企業使用的數據量進行限制。進一步假設，企業存在隨機死亡的可能性，且此概率依賴于企業自身與其他企業共享數據的程度。假如一個企業將自身的數據與其他企業進行充分的共享交換或者市場化交易，那么該企業將喪失其部分競爭力從而導致其存續的概率降低。該假設意味著并非所有的企業都愿意共享其數據。

Jones et al.[15]的研究表明，歸咎于偏好的多樣性和數據要素非競爭性導致的規模報酬遞增，人均產出與社會經濟規模成正比。能夠生產更多數據的大型經濟體能夠獲得更大的收益，因為其數據可以被企業用于增加產量。隨著數據要素在經濟發展中的重要性增加，更多的資源將被投入到創造更多數據的生產經營活動中，而不是投入到不帶來數據體量增加的活動中。該框架的不足之處在于，假設每期結束時，數據要素完全折舊，以刪除數據的方式簡化了模型，允許分析數據要素流通價值的同時，卻未能將數據作為資產進行價值評估。

此外，一些文獻將人工智能納入分析框架中以解決類似Farboodi et al.[14]所提出的數據要素規模報酬遞減的問題，通過AI技術允許數據積累來維持可持續的增長。但增長幅度很大程度上取決于數據要素對知識創新的貢獻度。Cong et al.[16]構建了一個內生增長模型，其中數據要素被作為研究的投入之一。這里，數據要素既不等同于技術，生產率也并非固定不變的。生產中間品的企業通過對勞動力進行再分配結合數據要素的使用豐富了產品多樣性，進而促進經濟增長。不同的是，Aghion et al.[17]就曾分析過人工智能技術本身并無法改變收益遞減的情形發生。

（二）生產要素創新性融合配置，推動高質量發展

上述分析從模型簡化的角度將數據要素的產生和消費過程假設為一體。實際上，挖掘數據要素價值的過程，還需要程序員、數據分析師、數倉管理員等的共同推動才能完成。數據要素的產生和使用在業務流程中往往是分割開的不同階段。

Abis et al.[18]探討了新的數字科技技術如何改變生產知識的函數。他們并沒有直接將資本和勞動映射到商品生產中，而是考慮將數據要素與勞動相結合，對生產要素進行創新性融合配置以生產知識，知識再以更高的效率作用于商品和服務的生產過程。知識的融合生產函數為：

其中，PAI是利用新的數字科技產生的知識，AAI是隨時間變化的生產率參數，D是結構化數據，L是包含融入新的數字科技力量在內的勞動投入。在沒有利用新的大數據和機器學習等分析能力情況下，舊的生產函數為：

其中，POT是使用這些數據進步之前存在的舊技術產生的知識，l是傳統的勞動力投入。式6和式7在形式上是相同的，但生產率和收入份額是不同的。Abis et al.[18]采用招聘和工資數據對α和γ進行了結構估計，結果發現，數據革命是與工業革命一樣的巨大技術變革。該框架提供了一種宏觀經濟學方法來理解經濟增長和知識生產背景下數據、資本、勞動等生產要素的融合作用機制，更從理論模型構建上驗證了通過數據賦能推動新質生產力的發展從而促進數字經濟高質量發展這一舉措的正確性。

三、數字經濟理論框架下的延伸分析

數字經濟的發展影響了宏觀經濟研究的方方面面。基于前述模型框架，進一步討論數據要素對宏觀經濟中不同研究點的差異化影響。數字經濟發展的全球化進程正處于方興未艾之中，新經濟現象不斷涌現，理論研究更處于早期階段，諸多問題有待進一步深化研究。

（一）全球化背景下數字經濟的增長、發展與貿易

數字經濟的發展進一步降低了地區之間語言和地理的障礙從而加速了全球經濟的流動。數字經濟時代為新興國家成為世界經濟舞臺上的核心參與者提供了機會。與此同時，各國之間聯系的增加也引發了人們對一個關鍵問題的思考和討論，那就是如何建立更好、更適宜的監管體系以應對日益增加的數據跨境流動。

數字經濟的發展已經影響到了當下貿易談判中關于出口和關稅政策的商定。數據要素的跨境管制變成了貿易談判中的一個重要問題點。假設消費者的數據沒有被明確定價，與外國企業的每筆交易都會基于消費者的消費行為而產生一筆數據資產，且被無償贈予該外國企業。現代貿易理論中，支持提高關稅的一個論點在于，關稅可以為被轉移到國外而未被明確定價的數據向本國進行價值補償。另一方面，Goldfarb et al.[19]從規模、競爭、知識創造和知識傳播對比較優勢的作用機制展開分析，認為數據要素帶來的規模經濟以及人工智能創新產生的范圍經濟、知識外部性可以為國家層面的租金和戰略性貿易政策創造機會。此外，全球數字經濟的興起使得國際法變得更加復雜。一定程度上，數據要素類似于知識產權，它們都是非競爭性的，可以在購買和轉售時被低成本復制。這使得國際貿易中關于知識產權保護的研究與貿易政策中關于數據保護的探討變得相關聯。

在國際貿易中，數據可以通過減少語言摩擦和降低運輸成本來減少邊境摩擦。這兩者均可以幫助貧窮、偏遠的國家從數字經濟發展中受益。Brynjolfsson et al.[20]以易貝（eBay）為研究樣本，發現機器翻譯系統的引入顯著增加了國家貿易，通過降低與翻譯相關的搜索成本，出口增長了10.9%。數據和數字化商品的運輸成本與傳統商品的運輸成本有很大的不同。傳輸數據需要在國家層面投入大規模的IT基礎設施建設。目前世界范圍內，即使在許多最貧窮的國家，用于傳輸數據的私有移動電話網絡也已經形成。盡管使用這些網絡不是免費的，但其成本卻遠低于陸運、海運、空運等傳統實物貨運的成本。

許多偏遠國家因無法將傳統實物從本國運輸到國外消費市場而遭遇經濟發展困境。如果這些國家能夠投入人力資本在生產數字化商品和服務上，他們可能能夠克服其地理位置和物理基礎設施上的障礙。實際上，IT基礎設施對許多國家都產生了重大而深遠的影響。Hjort et al.[21]利用海底互聯網電纜逐漸到達海岸和陸地電纜網絡的地圖，對非洲12個國家的就業進行了估計；研究表明，互聯網對就業率產生了積極影響，即使對受教育程度較低的工人群體也是如此，且失業率很小，平均收入顯著增加。一方面降低了語言障礙，另一方面運輸數字商品的邊際成本基本可以忽略不計，數字經濟所帶來的優勢擺脫了傳統經濟增長方式，幫助很多國家實現了跨越式發展。

（二）數字經濟與GDP的福利測度

數字經濟的規模是龐大的。然而，當前GDP的測度指標并未能充分反映出數據要素在促進數字化產品和服務生產中所帶來的福利。

國民經濟統計賬戶中缺失的一個重要組成部分是對零售價格商品的價值測度，而這類商品在數字經濟中卻普遍存在，例如，通過免費的搜索引擎獲得信息、免費的視頻影視服務等等。Brynjolfsson et al.[22]引入了一個新的指標，即GDP-B，它量化了免費的數字經濟新產品帶來的福利貢獻；并通過激勵兼容選擇實驗估算，Facebook帶來的福利收益將使美國每年的GDP-B增長增加0.05到0.11個百分點。然而，傳統GDP統計中未能充分反映數字服務創新。Byrne et al.[23]提出了一個衡量數字服務改進所帶來的福利提升的分析框架；通過他們的估算表明，企業在消費者內容交付方面的創新對經濟發展很重要；從1987年到2017年，這些創新使得消費者剩余增加了將近2 000美元，并在過去十年中每年為美國實際GDP增長貢獻0.6個百分點。這充分驗證了第三產業數字化轉型升級對經濟發展的重要作用。

將數據驅動決策（Data-Driven Decision-Making，DDD）定義為基于外部和內部可收集到的數據進行分析后作出業務決策的過程。Brynjolfsson et al.[24]通過對179家大型上市公司的業務實踐和信息技術投資的詳細調查數據進行建模分析發現，采用DDD的公司其產出和生產率比考慮其他投資的公司高出5%～6%；且DDD與績效之間的關系也出現在資產利用率、股本回報率和市值等指標中。數據要素顯著提升了企業的財務表現，促進了經濟發展和社會福利的獲得。

數字經濟領域福利測度中另一個比較活躍的話題是，對數字經濟進行測度的難度是否可以一定程度上解釋生產率的放緩。Brynjolfsson et al.[25]提出雖然人工智能的系統在越來越多的領域中出類拔萃，但是經數據分析后的生產率增長卻下降了一半。他們提出了四種可能的解釋：虛假希望、錯誤衡量、重新分配和實施滯后，其中實施滯后被認為是造成統計悖論的最大因素，因為AI和其他技術一樣，其全部效果的呈現需要一波又一波的互補性創新才能實現。這也是數據要素、AI技術作用于經濟發展的客觀規律。

（三）數字經濟對勞動力市場的影響

數字經濟的發展如何影響對勞動力的需求和分配，是宏觀機制研究的一個重要領域。一種可能的影響在于數據要素以及數字科技的發展可以促進雇主與雇員之間的匹配。Martellini et al.[26]使用搜索模型分析了如何保持失業率穩定，認為雖然失業工人和招聘企業之間的接觸更多，但數字化的搜索技術使雙方在匹配質量方面更具選擇性，因為雙方都有很多機會接觸到可替代的合作伙伴。研究表明，搜索技術進步對失業沒有影響，但這些進步確實提高了匹配質量并在經濟增長中發揮了積極作用。

Arrieta-Ibarra et al.[27]認為在數字經濟中，用戶數據通常被視為由企業從其服務的客戶身上創造的資本。這忽視了用戶在生產數據方面的作用，降低了用戶的激勵，不公平地分配了數字經濟的收益，并引發了對自動化的恐懼。他們主張將那些用個人數據換取數字服務的用戶視為勞動者和數字商品的生產者，而不是簡單的消費者。通過競爭、數據勞工工會或鼓勵向提供數據的用戶支付報酬的監管措施來抵消當前數據壟斷主導的體系，將極大地有助于解決勞動力市場問題、政治問題以及二者交叉引起的問題。

隨著數字經濟和人工智能技術的發展，越來越多的文獻研究了人工智能和機器人技術對勞動力市場的影響。Acemoglu et al.[28]總結了一個研究自動化和人工智能對勞動力、工資和就業需求影響的框架。他們強調了自動化產生的替代效應，因為機器和人工智能取代了過去由勞動力執行的任務。這種替代效應往往會減少對勞動力和工資的需求。但它會被生產力效應所抵消，這是由于自動化產生的成本節約增加了對非自動化任務的勞動力需求。自動化也會使每個工人的產出增加超過工資，降低了勞動力在國民收入中的份額；對抗自動化的更強大的抵消力量是創造新的勞動密集型任務，這會使勞動力重新參與新的活動。他們還指出，新技術的技能要求不匹配以及自動化引入速度過快可能會阻礙經濟和勞動力市場向數字化轉型。

（四）數字經濟對貨幣政策的影響

企業使用數據的一個原因在于定價。例如，網店可以利用自動化算法調整其產品價格。定價技術的變化提高了價格靈活性。但貨幣政策的效力取決于價格剛性。數字經濟的發展可能會降低貨幣政策效力。Gorodnichenko et al.[29]發現與普通商店的價格相比，在線市場的價格更靈活，對名義匯率變動的傳導性更強，收斂速度更快。商品、賣家和市場的屬性與國際價格差異的傳導和價格調整速度有系統性的關系。價格靈活性的提高可能會改變貨幣政策的實際效果。此外，數據要素也正在促進個性化定價，這將或多或少地對貨幣政策的變化產生影響。例如，Jin et al.[30]研究了美國一家大型汽車保險公司的自愿監控計劃，使公司能夠從消費者那里獲取詳細行為數據，并利用這些信息為每個個人提供個性化的保險費用，為更安全的駕駛員提供折扣，向風險更高的駕駛員收取附加費。這樣的定價策略改變了企業面臨的相關價格彈性。

數據要素、數字經濟與貨幣政策交互作用的另一種途徑是通過銀行部門。Vives[31]分析了金融科技的發展及其對效率、銀行市場結構、現有企業和進入者的戰略以及金融穩定的影響。他認為金融科技具有提高福利的顛覆性能力，但需要監管介入以便新技術能夠在不危及金融穩定的情況下實現社會福利的提升。Vives[32]進一步探討了數字技術如何提高銀行業的效率和服務，以及如何引發消費者對數據保護的擔憂，需要監管者在行業數字化轉型時平衡創新和隱私保護的需求。

數據可獲得性的提高可能會導致定價偏差和成為貨幣非中性的新來源。Martin et al.[33]的研究表明，當現代投資者面臨著高維預測問題，即能夠接觸到數千個可觀測到的預測變量時，常用的收縮估計量（Shrinkage Estimator）會在股票價格預測中引入系統性偏差。同樣的道理也適用于企業定價。通過降低新觀測變量的權重，收縮估計量的廣泛使用可能會降低企業對貨幣政策的敏感性。

（五）數字經濟宏觀機制中的企業動態變化

宏觀經濟的一個普遍趨勢是企業規模不斷擴大。雖然所有企業都可以從新的數字科技中獲益，但是有些企業將獲益更大，尤其是規模較大、存續較長的企業。數字科技的發展在提高企業競爭力的同時，使得規模較小的初創型企業面臨更難的競爭環境。Farboodi et al.[34]的研究表明這種力量將導致公司規模分布出現分化。他們指出，數據積累會影響企業動態變化，隨著大公司產生更多數據并投入更多資金挖掘數據的應用價值，這會增加公司規模分布的偏離度。但另一方面，精通數據的小型企業只要能夠為其初創階段的虧損尋找到資金支持，它們也可以超越傳統的在位者。

數據要素可能影響企業動態的另一個原因在于，它可以擴大企業的控制范圍，這有利于大企業。Aghion et al.[35]認為20世紀90年代信息和通信技術創新使高生產率企業得以盈利性擴張。這種擴張是以勞動力和小企業為代價的，也導致了商業活力的下降，降低了勞動所占的收入份額。Lashkari et al.[36]發現企業規模和IT需求正相關，IT投入的相對邊際產量隨著規模的擴大而上升，因為IT可以幫助企業擺脫組織規模的限制。

數據要素與企業規模相互作用的另一個機制可能來源于，企業自身的財務數據可能會改變企業規模的分布。Begenau et al.[37]研究發現由于大企業擁有更多的經濟活動和更長的歷史，他們產生了更多的財務數據。隨著處理器速度的提高，豐富的數據吸引了更多的財務分析。數據分析改善了投資者的預測并降低了股權不確定性，從而降低了公司的資本成本。當投資者能夠處理更多數據時，大企業的融資成本會下降更多，從而使其能夠發展壯大。

經濟學家往往通過使用加價率（Markup）來衡量企業市場力量。那么數字經濟的發展如何影響企業的加價率？Eeckhout et al.[38]構建了一個簡單的模型來說明企業不斷增長的數據存量如何改變加價率。模型中假設，數據要素被用來進行生產預測，這使得企業的收入更具可預測性，從而降低了投資風險，使得企業以更低的價格生產更多的產品。數據也使得規模擴大更有利可圖。模型設定中，企業選擇前期投資，從而降低了未來的邊際生產成本。當數據通過預測未來需求而降低企業投資風險時，企業會加大投資。更多的投資意味著企業規模更大，邊際成本更低，并能獲得更高的利潤。

（六）數字經濟與企業數據資產價值評估

數字經濟時代最有價值的企業其價值將主要體現在其數據資產的價值上。這將使得數據資產成為金融的核心，并將改變企業的估值方式。企業數據資產化的過程是經由對原始數據資源的積累和結構化，在多種生產要素融合作用后產生可被應用的知識并投入到后續生產經營活動中的完整過程。對于企業數據資產價值的探討，當前主要從宏觀研究、微觀研究和業務操作三個層面來展開。

宏觀理論研究中，在Farboodi et al.[14]的模型中Ωi，t可以被視為企業積累的數據價值，與考慮資本貢獻的遞歸一般均衡模型相似，采用數據相關的矩估計能夠對模型進行結構化校準，從而揭示出數據的總價值。第二種方法是增加數據買賣市場。數據要素的價值將代表企業的需求度，即其支付或出售數據相關產品的邊際意愿。因此，也就可以通過使用數據產品銷售的價格來推斷模型的參數。第三種評估數據資產價值的方法是通過對勞動市場的分析來推斷的。Cong et al.[16]以及Abis et al.[12]的研究中認為企業對數據價值的判斷與企業中從事數據相關工作的從業者的工資、就業狀況相關。

Veldkamp[39]從微觀視角闡述了對企業數據資產的價值評估方法，分析介紹了包含成本法、協方差選擇、收入法、價值函數法、互補性投入以及無形資產法等在內的評估機制。數據是很難被觀察、測度和定價的。為了評估數據價值，需要采用許多不同的方法。理論的價值在于對實踐的分析和前瞻。2023年9月，中國資產評估協會印發的《數據資產評估指導意見》明確了成本法、市場法、收益法三種基本的數據資產估值方法，從實際操作上進行了規范。

四、結論與政策建議

數據要素正在改變衡量經濟價值的方式。它通過降低運輸成本和提升翻譯能力來降低國界的重要性，其對微觀定價機制的影響會進一步引起貨幣政策傳導機制的改變，并改變勞動力市場的運行機制和企業規模的分布。數字經濟理論機理探究才剛剛開始，與宏觀預測機制相應的結構化分析模型的構建還有很多需完善的領域。數據要素的非競爭性和數據產權體系的模型化構建有可能出現收益遞增的情形。結合前述的理論分析，對于數據要素市場的構建、新質生產力以及數字經濟的發展，本文提出以下政策建議供參考。

（一）建立健全數據產權體系并在此基礎上完善公共數據開發利用機制

基于Jones et al.[15]的簡化模型分析，我們知道企業在考慮其綜合競爭力的情況下有可能不愿意共享其數據，但同時也得出結論，當更多的數據能夠被企業應用時，對于經濟發展的促進作用是明顯的。鼓勵企業開放共享其數據，首先要明確企業在其中的權利，并通過市場化交易為企業權利付費。因為雖然數據資源池本身可以幾乎被無成本的復用，但是維護該資源可被復用需要企業投入勞動力成本。此外，行政事業單位在行政服務和監管過程中積累了大量的數據要素。政府部門作為公共事業服務的提供者，其在共享和利用數據要素的過程中不存在競爭力下降的情況，會不斷產生正外部性，讓更多企業能夠獲得這一福利，進而促進經濟增長。

（二）深化推進多要素融合，加快促進數字經濟發展

基于Abis et al.[18]的框架可以看出，數據要素與其他生產要素的結合以及數字科技的創新發展對于知識變革具有重要作用。多要素融合發展的過程也是新質生產力發展的過程。可將該模型做時序上的動態擴展，考慮數據要素對知識的貢獻，通過時序變化成為企業估值的一部分在資本市場上進行融資，擴充資本規模，交替作用形成企業發展的持續動力。

（三）大力推進數字科技和數字經濟發展，實現區域跨越式發展

數字科技和數字經濟的發展促進了數字化商品和服務的誕生和應用，相較于實物貿易，該類產品和服務不受運輸成本的限制，且對受教育程度較低的人群也能產生積極效應。這為解決我國區域經濟發展的不平衡提供了基礎，為中西部欠發達地區高質量跨越式發展提供了可行之路。

（四）對數據要素型中小企業進行產業政策扶持

數據要素的積累在為大企業增強競爭力的同時，卻讓中小企業陷入了競爭困境。從經濟活動的整體來看，數據需要被共享和被更多的市場主體應用才能深度持續不斷地促進經濟增長。中小企業面臨的融資問題是其初創階段的主要問題，通過產業政策扶持幫助其渡過難關，有利于形成更加良性的市場競爭格局。

（五）加大數字科技、數字經濟領域人才的培養

從Acemoglu et al.[28]的研究中可知，迎接數字科技、數字經濟快速健康發展還需要勞動力能夠充分掌握新技術。數字中國的建設如火如荼，這其中需要人才的支撐。

【參考文獻】

［1］ 習近平.發展新質生產力是推動高質量發展的內在要求和重要著力點［J］.求是，2024（11）.

［2］ 田秀娟，李睿.數字技術賦能實體經濟轉型發展——基于熊彼特內生增長理論的分析框架［J］.管理世界，2022（5）：56-71.

［3］ 張勛，萬廣華，張佳佳，等.數字經濟、普惠金融與包容性增長［J］.經濟研究，2019（8）：71-86.

［4］ 趙濤，張智，梁上坤，等.數字經濟、創業活躍度與高質量發展——來自中國城市的經驗證據［J］.管理世界，2020（10）：65-75.

［5］ 袁淳，肖土盛，耿春曉，等.數字化轉型與企業分工：專業化還是縱向一體化［J］.中國工業經濟，2021（9）：137-155.

［6］ 肖土盛，孫瑞琦，袁淳，等.企業數字化轉型、人力資本結構調整與勞動收入份額［J］.管理世界，2022（12）：220-235.

［7］ 李雪松，黨琳，趙宸宇，等.數字化轉型、融入全球創新網絡與創新績效［J］.中國工業經濟，2022（10）：43-61.

［8］ 祝繼高，曲馨怡，韓慧博，等.數字化轉型與財務管控創新研究——基于國家電網的探索性案例分析［J］.管理世界，2024（2）：172-191.

［9］ 黃勃，李海彤，劉俊岐，等.數字技術創新與中國企業高質量發展——來自企業數字專利的證據［J］.經濟研究，2023（3）：97-115.

［10］ 戴魁早，黃姿，王思曼，等.數字經濟促進了中國服務業結構升級嗎？［J］.數量經濟技術經濟研究，2023（2）：90-112.

［11］ 洪銀興，任保平.數字經濟與實體經濟深度融合的內涵和途徑［J］.中國工業經濟，2023（2）：5-16.

［12］ GOLDFARB AVI，CATHERINE TUCKER.Digital economics［J］.Journal of Economic Literature，2019，

57（1）：3-43.

［13］ VELDKAMP LAURA，CINDY CHUNG.Data and the aggregate economy［J］.Journal of Economic Literature，2024，62（2）：458-484.

［14］ FARBOODI MARYAM，LAURA VELDKAMP.A model of data economy［D］.NBER Working Paper Series，2022.

［15］ JONES CHARLES I，CHRISTTOPHER TONETTI.Nonrivalry and the economics of data［J］.American Economic Review，2020，110（9）：2819-2858.

［16］ CONG LIN WILLIAM，DANXIA XIE，et al.Knowledge accumulation，privacy，and growth in a data economy［J］.Management Science，2021，67（10）：6480-6492.

［17］ AGHION PHILIPPE，BENJAMIN F.JONES，et al.Artificial intelligence and economic growth［C］.The Economics of Artificial Intelligence：An Agenda，Chicago：University of Chicago Press，2019：237-282.

［18］ ABIS SIMONA，LAURA VELDKAMP.The changing economics of knowledge production［J］.The Review of Financial Studies，2024，37（1）：89-118.

［19］ GOLDFARB AVI，DANIEL TREFLER.AI and international trade［C］.The Economics of Artificial Intelligence：An Agenda，Chicago：University of Chicago Press，2019：463-492.

［20］ BRYNJOLFSSON ERIK，XIANG HUI，et al.Does machine translation affect international trade？Evidence from a large digital platform［J］.Management Science，2019，65（12）：5449-5460.

［21］ HJORT JONAS，JONAS POULSEN.The arrival of fast internet and employment in Africa［J］.American Economic Review，2019，109（3）：1032-1079.

［22］ BRYNJOLFSSON ERIK，AVINASH COLLIS，et al.GDP-B：accounting for the value of new and free goods in the digital economy［D］.NBER Working Paper Series，2019.

［23］ BYRNE DAVID，CAROL CORRADO.Accounting for innovation in consumer digital services：it still matters［D］.NBER Working Paper Series，2020.

［24］ BRYNJOLFSSON ERIK，LORIN M.Hitt et al.Strength in numbers：how does data-driven decision making affect firm performance？［Z］.2011.

［25］ BRYNJOLFSSON ERIK，DANIEL ROCK，et al.Artificial intelligence and the modern productivity paradox：a clash of expectations and statistics［C］.The Economics of Artificial Intelligence：An Agenda，Chicago：University of Chicago Press，2019：23-57.

［26］ MARTELLINI PAOLO，GUIDO MENZIO.Declining search frictions，unemployment，and growth［J］.Journal of Political Economy，2020，128（12）：4387-4437.

［27］ ARRIETA-IBARRA IMANOL，LEONARD GOFF，et al.Should we treat data as labor？ moving beyond “free”［J］.AEA Papers and Proceedings，2018，108：38-42.

［28］ ACEMOGLU DARON，PASCUAL RESTREPO.Artificial intelligence，automation，and work［C］.The Economics of Artificial Intelligence：An Agenda，Chicago：University of Chicago Press，2019：197-236.

［29］ GORODNICHENKO YURIY，OLEKSANDR TALAVERA.Price setting in online markets：basic facts，international comparisons，and cross-border integration［J］.American Economic Review，2017，107（1）：249-282.

［30］ JIN YIZHOU，SHOSHANA VASSERMAN.Buying data from consumers：the impact of monitoring programs in U.S.auto insurance［D］.NBER Working Paper Series，2021.

［31］ VIVES XAVIER.The impact of fintech on banking［J］.European Economy，2017，2：97-105.

［32］ VIVES XAVIER.Digital disruption in banking［J］.Annual Review of Financial Economics，2019，11：243-272.

［33］ MARTIN IAN W R，STEFAN NAGEL.Market efficiency in the age of Big Data［J］.Journal of Financial Economics，2022，145（1）：154-177.

［34］ FARBOODI MARYAM，ROXANA MIHET，et al.Big data and firm dynamics［J］.AEA Papers and Proceedings，2019，109：38-42.

［35］ AGHION PHILIPPE，ANTONIN BERGEAUD，et al.A theory of falling growth and rising rents［J］.Review of Economic Studies，2023，90（6）：2675-2702.

［36］ LASHKARI DANIAL，ARTHUR BAUER，et al.Information technology and returns to scales［J］.American Economic Review，2024，114（6）：1769-1815.

［37］ BEGENAU JULIANE，MARYAM FARBOODI，et al.Big Data in finance and the growth of large firms［J］.Journal of Monetary Economics，2018，97：71-87.

［38］ EECKHOUT JAN，LAURA VELDKAMP.Data and markups：a macro-finance perspective［D］.NBER Working Paper Series，2024.

［39］ VELDKAMP LAURA.Valuing data as an asset［J］.Review of Finance，2023，27（5）：1545-1562.