二、数据生产要素与经济增长

（一）GDP统计中缺失的数据生产要素

国内生产总值 （GDP）衡量了一国生产的所有最终产品的货币价值，反映了一个经济体的经济实力、生产能力与市场规模。然而，在当前的GDP核算体系中，数据生产要素的规模及其创造的经济价值均未得到充分体现。其主要原因在于，现有GDP测算大多基于人们为商品和服务支付的费用，包括数据在内的、没有货币价格的商品（或称零价商品）在统计上不会对GDP产生任何贡献。然而，这些零价商品充斥于整个国民经济和人们的生活中，创造了大量的经济价值。从这个角度来说，现有的国民经济核算方法已不再适用于以数据作为核心生产要素的数字经济，根据此方法得出的GDP指标不能很好地反映一国经济的真实情况（金星晔等，2020）。

一些已有研究开始尝试测度各类虚拟生产要素对于总产出的贡献。Hulten & Nakamura （20 17）扩展了传统的增长核算模型，允许技术直接影响消费者福利，使技术进步除了在传统意义上以提高全要素生产率的方式“节约资源”之外，还产生了“节约产出”的效应。例如，ICT技术推动的电子商务等新经济模式的发展减少了对于传统商品和服务（如交通运输）的需求，而电子商务本身又因为缺乏明确价格没有被统计进GDP指标中，因此可以说作为虚拟生产要素的电子商务绕开GDP直接创造了消费者剩余。通过估计此类产出节约型技术的价值并计入GDP，可以实现对传统GDP核算框架的扩展。数据生产要素也体现出类似的性质，对于大数据的使用减少了企业对于传统商品服务的需求。例如，金融企业使用大数据建立的用户图像能够帮助其发掘潜在借款人，而无须客户经理主动联系客户。因此，与技术类似，数据生产要素也产生了额外的生产者剩余和消费者剩余，应被纳入GDP核算体系之中。

Brynjolfsson et al （2019a）考虑到数字经济中新商品的频繁引入和零价商品的不断增加，在传统GDP的基础上提出了一个新的度量标准——“GDP-B”，其中包含了具有隐含价格的免费数字商品，通过量化和捕捉这些商品对福利的贡献，改善了传统GDP核算中对于数据生产要素的遗漏和误测。Byrne & Corrado （2020）认为，家庭是数字革命的主要阵地，在内容上不断创新的数字服务作为一种免费商品，通过ICT技术传输给连接的用户，成为ICT资本所产生的服务。他们建立了一个框架来衡量ICT资本数字服务创新和增长的价值，作为现有GDP中个人消费部分的有效补充。

上述研究所描述的现有GDP统计对数据生产要素的低估或忽视，有助于我们更好地理解近年来统计数据所显示的生产率增速的放缓。自2005年起，发达经济体的劳动生产率增长速度开始下降，此后一直保持较低水平。2005—2016年间，美国的总体劳动生产率平均年增长仅为1.3％，远低于1995—2004年间2.8％的年平均增长率。在经合组织编制的29个其他国家的生产率数据库中，有28个国家的增长率数据出现类似的下降。1995—2004年间，这些国家的未加权平均年劳动生产率增长为2.3％，而2005—2015年间的这一数据仅为1.1％。这些统计数据反映的生产率下滑与人们在经济生活中感受到的技术进步与生产率提升并不相符，被定义为索洛提出的生产率悖论的新版本，即“现代生产率悖论”。

一些实证研究提出，如果能够将ICT技术与数据等新生产要素带来的潜在经济价值计入GDP中，实际生产率就会高于以当前统计数据为基础计算出的水平，“现代生产率悖论”将不攻自破。也有研究反对这一观点，认为数字产品所制造的生产者剩余和消费者剩余的规模不足以解释大部分的生产率增速放缓，主要有三个方面的理由：其一，即使ICT技术和数据分析带来的消费者剩余都以某种方式计入GDP，未必能够弥补生产率增速下降所造成的GDP损失。其二，销售ICT产品的企业会将零价商品（如数据服务和相关软件）的价值计入互补性商品的价格中。其三，消费者在非工作时间使用ICT服务并从中获得剩余，但非工作时间的收益增加并不能表明生产过程中的生产率被低估。上述三个原因在现实中确实存在，但是其中涉及的主要是数字化零价产品带来的消费者剩余。考虑到企业使用零价数据和知识获得的大量生产者剩余，劳动生产率仍有可能是被低估的，将数据等零价产品引入GDP核算仍能在一定程度上解决“现代生产率悖论”。

（二）数据生产要素的规模估计

为了克服GDP统计中存在的不足，Brynjol fsson et al （2019a）采取大规模线上选择实验来估计零价商品（如Facebook提供的免费社交服务）所创造的经济价值，并将其作为GDP-B的组成部分。在该项实验中，受试者需要在两个选项里做出“二选一”：保留某种数字产品的使用权，或者放弃某种商品以换取特定金额的货币补偿。该实验只要求每位消费者回答这一个问题，并通过对每次实验的数千名消费者赋予不同的货币补偿，从而估计出消费者对于数字产品的支付意愿，并作为该产品的价值估计。根据这一实验，Facebook用户样本愿意接受的单月补偿金额中位数为48美元，可以被视为Facebook提供的数字化服务的隐性价格。Brynjolfsson & Collis （20 19）在上述结果的基础上估计出了Facebook提供的免费社交服务每年创造的经济价值：2004—2017年间美国消费者通过使用Facebook获取了2310亿美元的剩余。如果将这部分消费者剩余加入GDP，会使美国的GDP增长平均每年增加0.11%。与之相对，美国在此期间（2004—2018年）年平均GDP增速仅为1.83%，这就意味着经济增长中的6%来源于Facebook提供的免费服务。除了Facebook提供的社交服务外，Brynjolfsson et al （2019b）还利用谷歌市场调研工具对美国互联网用户的代表性样本进行了更大规模的在线实验，估计了用户对于不同类型的数字化产品和服务的接受意愿（WTA）。实验结果显示，搜索引擎是最有价值的数字商品（平均价值为17530美元/年），其次是电子邮件（8414美元/年）和数字地图（3648美元/年）。

从企业生产的角度，一些研究将具有虚拟性的数据生产要素视为企业的一种无形资产。为了研究无形资产对企业市场价值的影响，Belo et al （2019）建立了一个广义的新古典主义投资模型，其中包含有四种类型的准固定投入，两种有形资本：实物资本（机器、厂房）和劳动力（工人），以及两种无形资本：知识资本（创新活动的累计投资）和品牌资本（提升品牌知名度的累计投资）。计算结果表明，在过去的几十年里，对于整体经济尤其是高科技产业来说，物质资本对企业价值的重要性不断下降，而知识资本的重要性逐渐上升，在总资产价值中的占比从1970年的24.9%大幅增加到2010年的44.8%。数据生产要素被定义为信息中非知识的部分，因此也可以采取类似的方法予以估计。也有一些研究将数字经济中的“零价商品”看成是互联网用户的ICT资本所产生的一种资本服务，其价值取决于用户使用ICT资本消费网络供应内容的强度，其规模取决于ICT资本的质量。根据Byrne & Corrado （2020）的估计，1987—2017年间，数字服务内容的创新使美国每个互联网用户每年的消费者剩余增加了近2000美元。2008—2017年间，数字服务内容的创新使得美国的每年实际GDP增速提高了0.3～0.6个百分点。

Reinsdorf & Ribarsky （2019）总结了从宏观视角衡量数据经济价值的三种可能方法：（1）市场法。数据资产的价值由市场上可比产品的市场价格来决定。例如，企业收集的关于所在行业的数据的价值，取决于企业直接购买相应的数据或信息所需要支付的市场价格。（2）成本法。数据资产的价值取决于生产信息时的成本是多少，这一方法直接度量企业获取、收集、整理、分析与应用数据的成本。（3）收入法。数据资产的价值取决于对未来能够从数据中获取的现金流数额的估计。这种方法将数据资产类比为金融资产，用贴现的办法度量其价值。

加拿大统计局采用成本法的思路，用劳动力成本的数据来估计数据资产的价值。该方法首先在加拿大国家职业分类中筛选出与数据生产有关的职业，并分别假设各职业在生产数据资产上耗费的工作时间占比，作为各自生产数据的机会成本占直接劳动力成本的权重。在估计出各职业在数据生产上的机会成本后，设定总工资成本的50%为间接劳动力成本和其他成本之和，并附加一个3%的增值（markup）作为资本形成的额外价值，进而得到对数据资产的价值估计。其估计的结果是，加拿大在数据资产上的投入自2005年起年均增长5.5%，占全国固定资本形成总额的5.9%～8.0%。从存量上看，加拿大统计局估计的2018年该国数据净资本存量为1570亿～2170亿美元，占非住宅建筑、机器设备以及知识产权总量的6.1%～8.4%，占知识产权净资产存量的68.9%～95.2%。按照这一估计结果，数据生产要素已经成为加拿大拥有的知识产权的核心内容。

政府是宏观经济数据和金融数据的主要生产者，商业部门可以利用政府数据进行生产和投资决策、营销和库存管理以及长期战略规划，但政府数据的价值却难以准确衡量。美国经济统计局（2014）提出“政府数据密集型部门”（简称GDIS）的概念，以代表在生产过程中严重依赖政府数据的企业，并估计出2012年GDIS型企业的总产出为2208亿美元。与此同时，政府资金支持的下降可能会导致公共数据的质量及其为企业提供的价值受损。美国政府在2017财年的13个主要统计机构的预算总额为22.57亿美元，与2004—2013年间的平均预算相比，实际美元价值下降了8.7%，这就可能导致美国政府数据的质量下降，不利于企业决策与美国经济发展。

上述研究充分表明，数据生产要素的经济价值已经非常可观，且其相关投资与存量规模均呈持续增长趋势，对于经济增长的贡献亦十分显著。需要注意的一点是，上述结果是建立在数据生产要素对于经济增长的间接贡献（如促进其他生产要素的结合效率）大多是不可测度的前提之下，企业、政府和个人在数据上的实际投入也可能被低估。因此，数据生产要素对于经济增长的实际贡献可能要比上述文献中估计的更高。

（三）包含数据生产要素的经济增长理论

大多数理论研究认为，数据生产要素主要通过驱动知识生产影响经济增长。Agrawal et al （2018）构建了一个“基于组合”的知识生产函数，结合Jones （1995）的半内生增长模型，研究知识的产生过程及其对经济增长的影响。从数据生产要素的角度，大数据分析技术的进步有效提升了算法预测有用知识组合的准确度，进而提高了新知识的发现率。新知识的不断发现提高了全社会的生产效率，促进了经济增长速度的提升。这一理论研究明确了数据影响知识生产、进而影响经济增长潜力的核心机制。

Aghion et al （2019）在Agrawal et al （20 18）的研究基础上引入了企业异质性，提出了大数据等新技术的发展以及数据等新生产要素的出现导致增长下滑的潜在机制。在这一模型中，企业异质性的来源主要有二：产品质量和加工效率。ICT、大数据等技术的加速发展使得企业的成本降低，因此加工效率更高的企业（其附加值更高）会迅速扩张自己的生产线范围，进入新的市场并取得利润；而由于这种效率难以被模仿，低效的企业则很难进入市场，并会因此而减少创新，阻碍创造性毁灭的速度。他们认为，创新活力的降低导致了企业活力的衰退以及国民收入中劳动收入份额的下降，进而对经济增长产生了负面作用。

与传统的生产要素相比，数据在企业中发挥的作用更为灵活多样，通过单纯的宏观视角仍然难以有效刻画。Farboodi & Veldkamp （20 20a）建立了一个类索洛增长框架的数据经济增长模型，讨论具有非竞争性与衍生性的数据要素积累对于数据经济与宏观经济的整体影响。在这一框架下，数据积累根据其绝对水平的高低，会产生收益递减和收益递增两个相反方向的影响：企业在利用大数据进行预测时，预测误差最多只能被降低到0，这一自然界限加上经营过程中不可预测的随机性，使得数据在规模够大时必然具有递减的收益；而在数据量不够充足时，数据则具有递增的收益：更多的数据使企业更具生产力，从而产生更多的生产和交易，而这又创造出更多的数据，并进一步提高生产力和数据生成，形成“数据反馈循环”的过程。这种递增的收益会反过来造成所谓的“数据贫困陷阱”，使得那些数据拥有量低的企业、行业或国家长期局限于少量的生产和交易，从而无法取得进一步发展。与Aghion et al （2019）的判断类似，Farboodi & Veldkamp （2020a）认为数据生产要素的发展未必会提升长期经济增长率。

虽然数据经济的增长不同于传统的经济增长模式，在短期内数据的积累过程可能会获得递增的回报，但从长期来看，数据生产要素的回报率仍可能呈递减的趋势。数据积累能够提高产出，同时也能够作为技术创新的投入要素，但在长期，这二者本身都不能独自维持无限的增长，对于创新的支持与鼓励仍有必要。Nordhaus （2015）认为，虽然计算机和人工智能可以完成许多常规任务从而释放劳动力，但那些随着经济环境而变化的非常规任务却很难进行编程。Nordhaus （2015）就信息投入与传统投入之间可替代性进行了7项“替代检验”，结果表明，世界经济仍未达到持续自发增长的“经济奇点”，新生产要素仍符合边际产出递减的基本规律。因此，对于数据生产要素所驱动的经济增长也不应盲目乐观，应充分重视技术进步与知识生产等新经济增长理论强调的内生增长机制。