| 5,282 | 74 | 117 |
| 下载次数 | 被引频次 | 阅读次数 |
数据要素已成为5大基础性生产要素之一，但其对经济增长的作用需进一步明晰。本文从人工智能技术入手，建立数据要素影响经济增长的内生增长模型，构建数据要素的产生路径和价值路径，并据此估算1999—2018年我国省级层面的新增数据要素价值。在理论分析和实证检验的基础上，明确了数据要素对我国经济增长具有“双维驱动”作用，即数据要素既能通过自身的经济增长效应直接驱动经济增长，也能通过促进技术进步间接驱动经济增长。进一步，本文进行三项扩展性讨论，结果表明，地方政府大数据交易平台能够提升数据要素的规模价值进而促进经济增长；在省级层面，数据要素可以通过降低经济政策的不确定性以促进经济增长；此外，1999—2018年数据要素的产出弹性呈“倒U型”演化趋势。
Abstract：Data factors have become one of the five most essential factors of production, but its role in economic growth has always been ambiguous. Starting from artificial intelligence technology, this paper establishes an endogenous growth model of data factors affecting economic growth, constructs the generation path and value path of data factors, and measures the value added of data factors at the provincial level in China from 1999—2018 accordingly. Based on theoretical analysis and a series of empirical tests, it is clear that the data factor has a “two-dimension driving effect” on China's economic growth, i.e., the data factor can drive growth both directly through its own economic growth effect and indirectly by promoting technological progress. Furthermore, this paper has three extended discussions. The results show that the local government big data trading platform can promote economic growth by increasing the scale value of the data factor; at the provincial level, the data factor can promote economic growth by reducing economic policy uncertainty. In addition, the output elasticity of factor for the years 1999—2018 showed an “inverted U-shaped” evolution trend.
[1]蔡跃洲,马文君.数据要素对高质量发展影响与数据流动制约[J].数量经济技术经济研究, 2021, 38(3):64?83.
[2]廖祖君,王理.城市蔓延与区域经济高质量发展——基于DMSP/OLS夜间灯光数据的研究[J].财经科学, 2019(6):106?119.
[3]彭国华.中国地区收入差距、全要素生产率及其收敛分析[J].经济研究, 2005(9):19?29.
[4]饶品贵,岳衡,姜国华.经济政策不确定性与企业投资行为研究[J].世界经济, 2017, 40(2):27?51.
[5]王谦,付晓东.数据要素赋能经济增长机制探究[J].上海经济研究, 2021(4):55?66.
[6]徐翔,赵墨非.数据资本与经济增长路径[J].经济研究, 2020, 55(10):38?54.
[7]闫雪凌,朱博楷,马超.工业机器人使用与制造业就业:来自中国的证据[J].统计研究, 2020, 37(1):74?87.
[8]杨艳,王理,廖祖君.数据要素:倍增效应与人均产出影响——基于数据要素流动环境的视角[J].经济问题探索, 2021a(12):118?135.
[9]杨艳,王理,廖祖君.数据要素市场化配置与区域经济发展——基于数据交易平台的视角[J].社会科学研究, 2021b(6):38?52.
[10]于文超,梁平汉.不确定性、营商环境与民营企业经营活力[J].中国工业经济, 2019(11):136?154.
[11]赵涛,张智,梁上坤.数字经济、创业活跃度与高质量发展——来自中国城市的经验证据[J].管理世界, 2020, 36(10):65?76.
[12] Aghion P, Jones B F, Jones C I. Artificial Intelligence and Economic Growth[M]. University of Chicago Press, 2019.
[13] Agrawal A K, McHale J, Oettl A. Finding Needles in Haystacks:Artificial Intelligence and Recombinant Growth[J]. NBER Working Paper,2018.
[14] Beck T, Levine R, Levkov A. Big Bad Banks? The Winners and Losers from Bank Deregulation in the United States[J]. The Journal of Finance,2010, 65(5):1637?1667.
[15] Cong L W, Xie D, Zhang L. Knowledge Accumulation, Privacy, and Growth in a Data Economy[J]. Management Science, 2021, 67(10):6480?6492.
[16] Farboodi M, Veldkamp L. A Growth Model of the Data Economy[R]. National Bureau of Economic Research, 2021.
[17] Farboodi M, Mihet R, Philippon T, et al. Big Data and Firm Dynamics[J]. American Economic Association Papers and Proceedings, 2019, 109:38?42.
[18] Goldsmith-Pinkham P, Sorkin I, Swift H. Bartik Instruments:What, When, Why, and How[J]. American Economic Review, 2020, 110(8):2586?2624.
[19] Henderson J V, Storeygard A, Weil D N. Measuring Economic Growth from Outer Space[J]. American Economic Review, 2012, 102(2):994?1028.
[20] Jones C I, Tonetti C. Nonrivalry and the Economics of Data[J]. American Economic Review, 2020, 110(9):2819?2858.
[21] Lu C H. The Impact of Artificial Intelligence on Economic Growth and Welfare[J]. Journal of Macroeconomics, 2021, 69:103342.
[22] Lucas Jr R E. On the Mechanics of Economic Development[J]. Journal of Monetary Economics, 1988, 22(1):3?42.
[23] Nielsen M. Reinventing Discovery:The New Era of Networked Science[M]. Princeton, NJ:Princeton University Press, 2011.
[24] Statistics Canada. Canada Data Framework Investment in Data, Databases and Data Science:Conceptual Framework[EB/OL]. https://www150.statcan.gc.ca/n1/pub/13-605-x/2019001/article/00008-eng.htm, 2019a.
[25] Statistics Canada. The Value of Data in Canada:Experimental Estimates[EB/OL]. https://www150.statcan.gc.ca/n1/pub/13-605-x/2019001/article/00009-eng.htm, 2019b.
[26] Varian H. Artificial Intelligence, Economics, and Industrial Organization[M]. University of Chicago Press, 2019.
[27] Veldkamp L, Chung C. Data and the aggregate economy[J]. Journal of Economic Literature, 2019.
(1)数据来源：中国信息通信研究院《数据价值化与数据要素市场发展报告（2021）》。
(2)徐翔和赵墨非（2020）认为数据资本是“以现代信息网络和各类型数据库为重要载体，基于信息和通信技术的充分数字化、生产要素化的信息和数据”，这种定义更接近于数据要素内涵。根据中国信息通信研究院《数据价值化与数据要素市场发展报告（2021）》，原始数据需要依次通过资源化、资产化和资本化才能成为数据资本。数据资本主要包括数据信贷融资与数据证券化。
(1)部分文献也将数据设定为资本的产出。例如Farboodi和Veldkamp(2021)提出了数据点的概念，认为企业在每一时期末观察到的数据点的数量取决于资本产出。本文沿用了Jones和Tonetti(2020)的做法，将数据要素作为消费的副产品，主要目的在于简化分析，无需在资本积累过程考虑数据要素。
(1)尽管数据可以积累并且不会像机器设备、建筑物、自然资源等一样自然衰减或消耗（Farboodi等，2019），但对于大多数经济活动，数据要素的效用会随时间的推移而降低，其经济价值可能会贬值。因此，为了避免分析中出现过多的状态变量，本文做出了数据要素在每一期使用后会完全折旧的假设。
(2)因篇幅所限，详细的推导过程以附录A展示，见《统计研究》网站所列附件。下同。
(1)社会中有海量的公共数据因涉密或涉及个人隐私，例如医保、社保、公共医疗等数据，暂无法在市场中进行出售。
(1)非结构化数据是数据结构不规则或不完整，没有预定义的数据模型，不方便用数据库二维逻辑表来表现的数据，包括所有格式的办公文档、文本、图片、XML、HTML、各类报表、图像和音频/视频信息等。源自百度百科：https://baike.baidu.com/item/%E9%9D%9E%E7%BB%93%E6%9E%84%E5%8C%96%E6%95%B0%E6%8D%AE/309808?fr=aladdin。
(2)因篇幅有限，数据要素的产生路径与价值路径以附图1展示。
(3)基于第二部分中的理论假设：“每一期数据要素在使用后完全折旧，并不会积累成为数据资产”。因此，本文只估算每一年新增数据要素的价值，不考虑数据资产的存量价值，并将估算出的年度新增数据要素的价值作为后续实证分析中数据要素的代理指标。
(4)非直接人工和其他成本大致包括相关的水电、建筑维护与租用、电信服务、社保、医保、办公设施以及人力资源管理等费用。
(5)因篇幅有限，职业、平均有效工作时间、非直接工资和其他成本平均占比以附表1展示。
(6)20家机构包括大学、科研事业单位、政府部门、省级大数据中心、大数据企业、电信运营商和部分金融机构。
(7)从访谈内容来看，尽管各职业的工资会随年份不断提高，但历年来的“每天平均有效工作时间（小时）”与“非直接工资和其他成本占工资的平均比重（%）”这两个平均值始终在一定范围内，不会有大幅度的波动。因此，本文假定其不随时间变化，没有下标t。
(8)因篇幅所限，所有省份年度新增数据要素价值的估算结果以附录B展示。
(9)关于2013年是大数据元年这一提法的来源:熊建,黄碧梅,林琳,等. 2013大数据元年[N].人民日报, 2013-12-25(10).
(1)个体类指标的数据均来源于EPS(Easy Professional Superior)数据平台中的宏观经济数据库，有统计数据的年份尽管不同但时间连续，且数据无缺失。后2个综合类指标数据的年份是2011—2018年，且数据无缺失。因此，用不同类别不同时间段的指标检验年度新增数据要素价值估算结果的合理性，会更有说服力。
(2)因篇幅所限，第一、二类指标的合理性检验结果以附录C展示。
(1)《中国专利全文数据库（知网版）》包含发明专利、实用新型专利、外观设计专利三个子库，准确地反映中国最新的专利发明，可以通过申请号、申请日、公开号、公开日、专利名称、摘要、分类号、申请人、发明人、优先权等检索项进行检索，http://cn.oversea.cnki.net/kns55/brief/result.aspx?dbprefix=scpd。
(2)“企查查”是官方认证的全国企业信用查询系统，https://www.qcc.com/。
(3)1999—2018年本文各样本省份市场化指数详细来源：1999—2007年数据源自《中国市场化指数——各地区市场化相对进程2009年报告》，2008—2016年数据源自《中国分省份市场化指数报告（2018）》,2017—2018年数据是基于《中国分省份市场化指数报告（2018）》和前文方法计算得到。
(4)本文研究样本不含西藏和港澳台地区。因篇幅所限，主要变量的描述性统计以附表2展示。
(1)1959—1978年国企单位人均工资的数据来源于《新中国60年统计资料汇编》。其中，辽宁省的整体数据缺失，本文用吉林和黑龙江数据的均值作为替代。其余少量缺失数据通过插值法补齐。
(1)《东西中部和东北地区划分方法》，国家统计局，2011年06月13日，http://www.stats.gov.cn/ztjc/zthd/sjtjr/dejtjkfr/tjkp/201106/t20110613_71947.htm。
(1)两类卫星灯光影像数据来源于：https://www.ngdc.noaa.gov/ngdc.html。
(2)因篇幅所限，基于夜间人均灯光强度数据的检验结果以附表3展示。
(3)因篇幅所限，基于IFR工业机器人数据的检验结果以附表4展示。
(1)《财经文本大数据基础数据库》地址：http://cedcdata.cufe.edu.cn/cedc/metadata/list.html?。
(2)因篇幅所限，推导过程和估算方法以附录D展示。
(3)2015—2017年，国家开始采取一系列措施支持大数据行业发展：2015年4月，全国首个大数据交易所（贵阳大数据交易所）正式挂牌运用；2015年8月，国务院发布《促进大数据发展行动纲要》；2016年1月，全国第一部大数据地方法规《贵州省大数据发展应用促进条例》出台；2016年10月，国家同意在京津冀、珠三角、上海、重庆、河南等7个区域推进国家大数据综合试验区建设；2017年1月，工业和信息化部印发《大数据产业“十三五”发展规划》。
基本信息:
DOI：10.19343/j.cnki.11-1302/c.2023.04.001
中图分类号:F49
引用信息:
[1]杨艳,王理,李雨佳等.中国经济增长：数据要素的“双维驱动”[J].统计研究,2023,40(04):3-18.DOI:10.19343/j.cnki.11-1302/c.2023.04.001.
基金信息:
2022年度国家社会科学基金项目“‘市场+政府+社群’协同治理框架下数据要素高质量供给的系统规制研究”（22BJL033）; 四川省社会科学研究“十四五”规划2021年度课题重大项目“资源要素市场化配置下城乡融合发展的‘成渝方案’研究”（SC21ZDCY007）;四川省社会科学研究“十四五”规划2021年度课题“要素市场化配置视角下四川省政府数据与企业数据的开放、融合及高效应用研究”（SC21TJ007）