宏观经济增长框架中的数据生产要素:历史、理论与展望∣企鹅经济学

发布时间:2020-11-14   来源:黄冈视窗   

  • 最新
  • 精选
  • 区块链
  • 汽车
  • 创意科技
  • 媒体达人
  • 电影音乐
  • 娱乐休闲
  • 生活旅行
  • 学习工具
  • 历史读书
  • 金融理财
  • 美食菜谱

宏观经济增长框架中的数据生产要素:历史、理论与展望 ∣ 企鹅经济学

腾讯研究院 腾讯研究院 2020-06-11

作者 | 陈维宣 腾讯研究院博士后
作者 | 吴绪亮 腾讯研究院首席经济学顾问
作者 | 呼丽梦 腾讯研究院助理研究员
作者 | 张    旻 腾讯研究院助理研究员

精彩观点抢先看


  • 对生产要素的重视贯穿了经济增长理论发展的始终。古典增长理论奠定了经济增长源泉研究的思想基础,将劳动和资本要素纳入对经济增长源泉的考察中来;新古典增长理论在将古典增长理论模型化的同时,将外生的技术要素纳入增长源泉的范畴;内生增长理论则进一步将技术进步内生化,对经济增长源泉的研究也从要素数量的增加深化到要素质量的提升。


  • 依靠传统生产要素投入规模的扩大来拉动经济增长的潜力越来越小,尤其是劳动和资本等具有边际产出和规模报酬递减特征的传统生产要素。内生的技术进步、投入要素质量的提高以及新的数据要素具有边际产出和规模报酬递增的特征,将成为数字经济时代驱动经济增长的关键动力与核心力量。单独依靠某一种生产要素将很难实现对经济增长的推动作用,需要构建更加完善的要素协同机制,通过要素之间的融合与协同,促进经济的长期增长与高质量发展。


  • 我们从要素类型的角度提出数据偏向性技术进步(Data Biased Technological Progress)的概念,认为以人工智能、大数据、云计算、物联网等新一代信息技术族群为代表的通用目的技术创新表现出显著的数据偏向性技术进步特征,完全符合阿西莫格鲁的偏向性技术进步定义。数据要素将像劳动、资本和技术在产业革命中的作用一样,大规模地应用于生产、分配、交换、消费各环节以及制造与服务等各场景,推动经济长期持续增长。


  • 我们认为,数据密集型产业将成为产业划分的新内容。数据密集型产业是指在将数据要素独立为一项单独的生产要素后,由于部分行业具有的技术特性能够大规模地密集生产和使用数据要素,从而表现出与资源密集型、劳动密集型、资本密集型和技术密集型产业的不同特征,可以被称之为数据密集型产业。数据密集型产业的增长率高于非数据密集型行业,数据要素的大规模应用推动了行业的快速发展。


  • 要素市场培育需要推动政府数据开放共享,在政务信息公开、共享的基础上扩大数据开放,并由政府数据开放逐步延伸至公共数据开放;加速促进大数据产业发展,理顺产业政策与产业发展之间的关系,加强数字基础设施建设;积极培育数据要素市场,加强数据要素的分类与统计,破解数据要素定价的难点;大力推动产业互联网发展,加快实施产业互联网国家战略,推动数据密集型产业发展。


以下为全文:
 

一、

宏观经济增长历史进程中的生产要素

生产要素是经济学的基本概念,是对经济活动投入资源的形象概括。随着经济发展时代特征的变化,生产要素的概念范畴也经历过从二元论到五元论的不同发展阶段(王建冬,童楠楠,2020)[1]。第一次产业革命之前,人类社会在漫长的数千年时间里始终处于农业经济时代。在这一阶段,渔猎耕种与家庭手工业是最主要生产方式,而土地和劳动力则是最为重要的生产要素。关于这一观点的最经典的论断是英国古典政治经济学家威廉·配第给出的:“土地为财富之母,而劳动则为财富之父和能动的要素”[2]。但是这种高度分散的组织方式只能获取有限的规模经济,无法持续进行扩大再生产。如下图1所示,在产业革命之前的1700年的时间里,世界GDP总量仅从公元元年的456亿美元增长到3664.6亿美元,经济总量仅增长了8.04倍[3]。

图1  世界经济增长千年史(1000-2016)
注:单位为万亿美元,根据2011年价格水平调整。
来源:Maddison Project Database,OurWorldinData,腾讯研究院

18世纪70年代爆发于英国的第一次产业革命才真正拉开了人类经济高速增长的序幕,如图1所示,世界经济总量从1700年的3664.6亿美元增长到1970年的26.71万亿美元,在不到300年的时间里,GDP总量增长了72.89倍。以纺织机和蒸汽机等为代表的机械设备开始大规模投入工业生产,使得机械化生产成为当时经济增长的重要特征,作为物质资本的机器设备也成为当时经济发展的第一生产要素。19世纪60年代后期,电力和内燃机的出现带来了第二次产业革命,经济社会发展从机械化过渡到电气化阶段,使得资本在经济生产中的作用随着社会化大生产而不断强化,成为经济增长不可或缺的生产要素(李政,周希禛,2020)[4]。
产业革命对经济增长的深远影响不仅在于将机器资本引入经济生产,而且还在于使技术创新成为推动长期经济增长的关键要素。技术进步并不是中立的,而是在方向上表现出明显的要素偏向性,分为劳动偏向性技术进步和资本偏向性技术进步。大量实证研究结果表明,20世纪以来,美国、欧盟、日本等世界技术前沿国家的技术进步总体上表现为资本偏向特征(Klump et al,2007[5];雷钦礼,2013[6])。对中国技术进步方向的测算表明,1978年改革开放以来,中国技术进步在总体上也呈现出显著的资本偏向特征(戴天仕,徐现祥,2010[7];陆雪琴,章上峰,2013[8];雷钦礼,2013[9];雷钦礼,徐家春,2015[10]),而且全要素生产率的大部分增长都可以由资本偏向性技术进步解释(李小平,李小克,2018)[11]。
20世纪60年代末,数字革命开始在美国等西方发达国家产生,并以此为核心向全球扩散,数字经济逐渐兴起并蓬勃发展。如图1所示,世界经济总量从1970年的26.71万亿美元迅速增长到2016年的113.50万亿美元,在不到50年的时间里,GDP总量增长了4.25倍,这其中数字经济的贡献非常关键。方兴东等(2019)[12]将上世纪60年代以来至21世纪20年代全球互联网七十年的发展历程以每十年为一个阶段,划分为基础技术、基础协议、学界全球互联网、Web1.0、Web2.0、移动互联、智能互联等七个阶段。在前六个阶段,数字技术主要应用于学术、商业与消费等领域,属于数字经济的消费互联网阶段。近年来,数字经济逐渐从消费互联网走向产业互联网这个高级阶段,数据要素越来越成为驱动数字经济发展的新“石油”(马化腾,2010)[13]。
数据要素不仅是所有迅速出现的数字技术的核心(UNCTAD,2019)[14],而且将赋予其它生产要素更多的能量,其对生产力发展所带来的影响在某种意义上将超过其他几个生产要素(李政,周希禛,2020)[15]。以人工智能、大数据、云计算、物联网等新一代信息技术族群为代表的通用目的技术创新表现出显著的数据偏向性技术进步(Data Biased Technological Progress)特征,数据要素将像劳动、资本和技术在产业革命中的作用一样,大规模地应用于生产、分配、交换、消费各环节以及制造与服务等各场景,推动经济长期持续增长。

 

二、

生产要素促进宏观经济增长的理论分析

(一)生产要素与经济增长理论的研究综述
经济增长理论200余年的发展历史其实就是经济学200多年的发展史(沈坤荣,2006)[16],对经济增长与财富创造的研究始终处于经济学发展的核心位置,而对生产要素的重视,则贯穿了经济增长理论发展的始终。
1.要素投入与经济增长
通常认为,经济增长理论的发展至少经历了三个阶段,分别是古典增长理论、新古典增长理论和新增长理论(或内生增长理论)。古典增长理论的诞生可以追溯到亚当·斯密在18世纪70年代创立经济学之初,将劳动和资本要素同时纳入到对经济增长源泉的分析中来。如前所述,18世纪70年代英国率先爆发产业革命,技术的突破性创新与工厂的建立使得大规模地进行劳动和机器资本等的投入成为可能,这为古典增长理论的创立奠定了现实条件。斯密通过对欧洲多国经济增长的考察,在其经典著作《国富论》中从劳动分工的角度指出,经济增长的根本源泉首先是劳动生产率提高,其次是劳动要素投入数量的增加;同时认为资本是经济增长的基础,资本积累将通过影响分工与专业化,对经济增长产生重要作用(谢识予,2005)[17]。
新古典增长理论在思想上继承了古典增长理论中对要素投入地重视,并在研究方法上实现重大突破。一方面,经济学家在重视劳动与资本要素投入的同时,对经济增长源泉的探索进一步深入到技术创新与全要素生产率的提高。另一方面,通过建立不同的增长模型,从理论上解释并检验促进经济增长的动力源泉,并按照生产函数的形式揭示生产要素对经济增长的贡献(沈坤荣,2006)[18]。
20世纪40年代,哈罗德—多马模型的出现标志着新古典增长理论的产生,他们将经济增长与资本积累联系在一起,表明一国的经济增长率等于该国的储蓄率除以资本—产出比,或增长率等于储蓄率乘以资本生产率,两者是等价的。但是遗憾的是,该模型并未将技术进步的因素纳入其中。直到50年代中期,诺贝尔经济学奖得主罗伯特·索洛在柯布—道格拉斯生产函数的基础上,建立起新古典增长模型,该模型表明,经济增长依赖于技术要素的进步与劳动和资本要素投入的增加,经济增长率等于技术增长率与劳动和资本投入增长率的加权和。索洛利用1909-1949年美国数据研究表明,高达87.5%的经济增长可以归因于技术变革(Solow,1957)[19],这一数值又被称为“索洛剩余”。丹尼森则详细分解了影响经济增长率的各项因素,指出1929-1982年间美国整体经济增长率为年均2.9%,其中劳动和资本要素投入增长的贡献分别占32%和19%,技术进步的贡献占42%,其余部分则来自要素配置的改进,同时认为土地要素对经济增长的贡献为0(丹尼森,1985;石景云,2001[20])。
内生增长理论在模型形式上基本上继承了新古典增长理论的函数设定,但是在理论内核和基本结论方面则在新古典增长理论的基础上实现了突破。一方面,根据新古典增长理论,要素投入遵循边际产出递减与规模收益递减规律,各国经济最终将实现稳态均衡并走向趋同,但是这一结论无法解释国家经济的持续增长,以及各国增长差距的扩大。另一方面,新古典增长理论虽然强调技术进步是经济增长的源泉,但是却将技术进步视为外生给定的,没有进一步解释技术进步的动力来自何处。内生增长理论通过将内生的技术进步纳入到生产函数,突破新古典增长理论的规模报酬递减规律,指出通过知识积累与溢出、R&D;投资、人力资本积累等实现内生技术进步,此时规模报酬不再是递减的,而是递增的。由此可见,内生增长理论并没有改变新古典增长理论的基本函数形式,只是将新古典增长理论模型中的变量进一步拓展,更重要的是,内生增长理论对经济增长的源泉的研究,逐渐从要素数量的增加转向要素质量的提升。例如,巴罗利用多国数据证实人力资本积累能够显著推动经济增长,受教育年限每增加一年将使经济增长率提高0.44%(Barro,2001)[21]。
2.要素配置与经济增长
生产要素对经济增长的作用不仅直接来自要素投入的增加,而且要素配置的改善也将对经济增长产生间接的促进作用。生产要素从低生产率行业流向高生产率行业,即通常所谓的“结构红利”;反之就会出现要素错配或要素配置扭曲,产生“结构负利”。改革开放以来中国的经济改革历程为研究要素配置或要素错配对经济增长的作用提供了丰富的证据。
综合现有文献来看,我国的要素配置扭曲或要素错配表现为要素拥挤与稀缺现象并存的基本特征,劳动和资本要素在不同的行业呈现出不同错配结构和扭曲程度,要素错配对经济增长产生明显的抑制或阻碍作用。部分经济学家研究表明,改革开放后,总体上存在显著的劳动和资本要素的“结构红利”效应,但资本要素的红利效应比较微弱,全要素生产率的增长主要是由产业内部增长效应推动(王鹏,尤济红,2015)[22],而且2001年后要素配置效率的下降也成为同期全要素生产率增长贡献份额下降的主要原因(张军等,2009)[23]。
但是,更多的经济学家认为,只有劳动要素的配置表现出结构红利,资本要素的配置则表现出结构负利,甚至劳动和资本要素在配置过程中同时表现出结构负利现象,且资本错配程度比劳动要素更深。姚战琪(2009)[24]和赵春雨等(2011)[25]的实证研究结果表明,要素配置效应对经济总体和工业部门增长的贡献都较低,劳动要素的结构变化或配置效率伴随着经济的生产率增长而增长,但工业部门生产率的总配置效应为负值,而且工业部门和经济总体的资本生产率配置效应均为负数。劳动要素的行业配置可以解释劳动生产率提升的18.4%,而资本要素的配置效应可以解释资本生产率下降的77.4%;而且对于全要素生产率而言,劳动结构效应持续为正,而资本结构效应则以负值为主;尤其是自2008年国际金融危机以来,资本结构效应的严重下滑,解释了全要素增长率增速下降的近50%,且年均降低GDP增长率的7.5%(贺京同,何蕾,2016)[26]。
因此,消除或降低生产要素的配置扭曲,将对经济增长产生显著的推动作用。曹玉书和楼东玮(2012)[27]研究发现,如果消除所有错配年份的错配因素,则可以使我国GDP增长率平均每年提高0.90个百分点。更具体地,资本错配改善平均能使产出效率提高1.37%;而劳动错配改善的提升作用为0.91%(姚毓春等,2014)[28]。上述结论具有明确的政策含义和指向,即在短期内提升经济增长率和全要素生产率的重要途径之一,就是减少要素流动障碍并抑制价格扭曲,消除要素错配的影响(王林辉,高庆昆,2013)[29]。

(二)生产要素与经济增长的统计分析
上述分析表明,一方面,生产要素不仅能够通过投入数量的增加和质量的提升直接推动经济增长,而且还可以通过改善要素配置结构对经济增长产生间接的促进作用。但是,另一方面,新古典增长理论和内生增长理论的研究结论也表明,随着经济的发展和进步,传统生产要素对经济增长的拉动作用也在逐渐减弱,技术要素的贡献越来越大于劳动和资本要素。
1.土地要素
第一,近年来世界耕地面积持续减少,利用农业用地拉动经济增长的发挥空间遭到挤压。如图2所示,近年来美国和欧盟农业用地占土地面积的百分比大幅下降,分别从1962年的48.48%和56.08%下降到2016年的44.37%和43.04%,世界耕地面积比例长期低于40%,而且自1992年以来长期维持在37-38%之间的水平。中国的农业用地所占比重在经历了上世纪80年代的快速增长后[30],在之后的近三十年间里,耕地比重发展也趋于平稳,非但没有延续大幅提升之势,而且呈现出稳定的下降趋势,只是在近几年有所提升[31]。
第二,世界各国城镇化率普遍提高,导致工业或城市用地的使用成本也愈发增长,因此,利用工业或城市用地大幅度拓展经济空间的可能性不断降低。如图3所示,世界城镇化率水平已从1960年的33.61%增至2018年的55.27%[32],美国和欧盟的城镇化率在近60年的时间里,分别仅提升了11.88%和15.30%,进一步提升的空间变得十分有限,而且难度越来越大。中国的城镇化率自改革开放以来持续提升,2013年时超过世界平均水平,至2018年时已达到59.15%。与美国和欧盟地区相比,虽然还存有约15-23%的空间,但是伴随着城镇化率的提高以及经济增长阶段的转换,在高质量发展阶段利用城镇化推动经济增长的机制将越来越难以实现。
第三,房价的不断攀升,不仅推高了用地成本,而且也让经济高质量发展面临更多不确定性(郭文伟,李嘉琪,2019)[33]。图4的数据表明,与2010年相比,截至2019年第4季度,主要经济体住宅房地产市场实际价格都有所增长,其中,发达经济体平均上涨18.80%,欧元区国家平均上涨5.42%,新兴经济体国家也平均上涨了14.24%,美国甚至上涨了31.39%[34]。房价上涨虽然能够通过挤出低附加值产业,在一定程度上推动产业结构升级,从而对经济增长产生正向作用;但是,更多的效应则是推高企业的人力成本,挤出企业研发部门的资源投入,降低企业利润率与行业全要素增长率,进而抑制经济增长。对中国房价上涨的实证研究结果发现,住房价格上涨1倍,企业人力成本占工业增加值比重上升16.3个百分点,利润率下降20.9个百分点,经济增长率下降4.1个百分点,住房价格上涨导致2000-2007年间的经济增长率下降了2.5个百分点(陈斌开等,2018)[35];而且房价收入比每提高10%,将导致行业全要素生产率下降2.56%,这说明高房价并没有通过流动性效应改善资源配置效率,反而导致要素配置扭曲程度加大,抑制了企业全要素生产率的改善,进而制约潜在经济增长(余静文等,2017)[36]。
2.劳动要素
第一,与土地相似,劳动要素对经济增长的拉动作用也在减弱。全球范围内人口红利正逐渐消失,虽然劳动力人数仍在增加,但是增速正在放缓。如图5所示,相比于1995-2001区间,2001-2007、2007-2013及2013-2019时间段内,世界劳动总人口增加值由26062.65万人降至25786.98万人、19568.93万人和20898.71万人,而2019年中国劳动力总人口甚至低于2013年的78221.52万人[37],这样的趋势对于未来经济的健康可持续发展也将成为一大挑战。
图6的数据也可以看出类似的趋势。自上世纪60年代以来,全球人口增长率呈整体下滑趋势(低收入国家从90年代开始)。截至2018年,世界人口平均增长率下降到1.10%,其中,高收入国家下降到0.47%,中高收入国家下降到0.68%。中国的人口增长率从1975年开始就下降到世界平均水平以下,并在2002年进一步下降到高收入国家平均水平之下,2018年人口增长率为0.46%。人口增长率的下降意味着潜在劳动力增长的放缓。不仅如此,国家统计局数据显示,自2012年起,我国劳动年龄人口的数量和比重连续7年出现双降,7年间减少了2600余万人;同时,受劳动年龄人口持续减少的影响,劳动力供给总量下降,2018年末全国就业人员总量也首次出现下降,预计今后几年还将继续下降(李希如,2019)[38]。
虽然劳动力总量是决定人力资本和市场规模的重要因素,但人力资本发展对经济中长期增长具有关键性影响(林楠,2019)[39]。如图7和图8所示,绘制出了1960-2018年间世界平均水平的高等教育入学率与经济增长之间的关系,其中GDP以现价表示的万亿美元衡量,人均GDP以现价表示的千美元衡量。高等教育入学率与经济增长之间存在长期稳定的正向关系,意味着人力资本积累确实是长期经济增长的重要源泉。利用中学入学率数据也到类似的结果。因此,虽然劳动要素投入数量难以进一步推动经济增长,但是通过提高国民的受教育程度促进劳动要素质量的提升,依然是长期内实现经济高质量发展的重要内涵。
3.资本要素
资本要素贯穿近二百年来的世界经济发展,不过,近年来该要素对于经济增长的直接拉动作用日趋陷入瓶颈。现代宏观经济学的基本观点之一就是劳动与资本等传统要素服从边际产出与规模报酬递减规律,即在保持技术与劳动等要素投入不变,或劳动、资本与技术等要素同等增加的情况下,产出并不能成比例增加。如图9所示,全球资本形成总额虽然在2018年时已达到约225176亿美元,是1970年的近28倍,但是其占GDP的百分比却呈波动下降的趋势,在2018年时占比已不足四分之一[40]。
资本投资结构的变化表明,单独依靠资本要素推动经济增长变得十分困难,资本要素需要技术要素和数据要素的深度融合才能发挥更大作用,要素融合发展将是大势所趋。图10和图11分别以ICT产业投资占比和全球市值最大的十家企业的变迁历程为这一观点提供了典型证据。从图10中可以看出,近三十年来G7(七国集团)国家ICT产业投资占非住宅固定资本形成总额百分比的变化,除意大利和德国外,其余国家均呈现较为明显的波动上升趋势。以30年为观察周期,2005年日本的ICT产业投资占非住宅固定资本形成总额的百分比,相较于1985年,上涨了约94.2%,英国也上涨约76.4%,达到24.6%[41]。
全球市值最高的公司所属行业类型的变迁历程同样说明资本市场对技术和数据要素密集行业的依赖。如表1所示,20世纪末在全球市值排名最高的10家公司中,数字技术行业的公司有5家,数量和市值占比分别为40%和43.57%,其余5家主要涉及电气、零售、石油等行业。但是在经过2000-2001年的互联网泡沫和2008-2009年的国际金融危机的打击后,到2009年底时,全球市值最大的10家公司中,数字技术行业中仅有微软和苹果两家,数量和市值占比分别为20%和19.10%,其余8家仍然主要分布在石油、银行、零售等领域(泰康研究院宏观组,2020)[42]。此后,世界互联网产业经历了近十年的移动互联网和消费互联网的高速发展,数字技术在全球范围内加速扩散,截至2019年底,全球市值最高的10家公司中,除伯克希尔·哈撒韦公司和摩根大通外,其他8家公司都与科技直接相关,亚马逊、脸书、腾讯等更是典型的互联网公司,数字技术行业中企业数量和市值的占比分别达到80%和86.56%,呈现出与2009年完全相反的局面[43]。
4.技术要素
在科技革命、信息革命的影响下,技术实现了突飞猛进的发展。以专利为例,专利申请总量的不断增加既体现了对知识产权保护,也反映了技术的持续创新与进步。如图11所示,20世纪80年代以来,非居民和居民部门的专利申请量都大幅增加,其中非居民申请的专利量在1993年之后便开始高速增长,截至2018年已达到84.54万,是1985年的3.86倍;居民申请的专利量更是在2009年之后节节攀升,截至2018年,当年的专利申请总量比2009年的2倍还要多[44]。自产业革命以来,技术创新是经济社会实现飞跃发展、让社会完成阶段转换的中流砥柱。
自第三次产业革命以来,技术进步的方向便开始偏向于数据要素,但是由于在相当长的时间内,数据要素并没有体现出对经济增长的决定性意义,因此,技术进步的这种数据偏向性也被学界和业界长期忽视。如今,我们回顾这段历史,便可以发现,第三次产业革命以来的技术进步方向不只有资本偏向性技术进步,更重要的是数据偏向性技术进步[45]。
在信息通信技术或数字技术的许多领域中,技术进步都呈指数增长。通常,人们使用“摩尔定律”这一专业词汇来描述计算机性能的变化速度。除此之外,人们还发现,在过去的六十年中,固定计算负荷的能源消耗每18个月减少一半。图12和图13分别展示了1970年以来计算效率和1990年以来计算能力的技术进步的速度。如图12所示,各种处理器的计算效率随时间的变化,主要包括弗兰兹、英特尔和斯迈拉吉奇三家企业。我们以计算机每秒执行一百万条指令所需的瓦数即每MIPS的瓦数来表征计算效率,能耗从1971年的3.75降低到2015年的0.000008,四十多年的时间里提升了六个数量级[46]。
图13从另一个角度得出与图12基本一致的结论,通过利用最大的超级计算机每秒执行的浮点操作数(FLOPS)变化来衡量计算机计算能力的增长速度,超级计算机的计算能力从1993年的1240亿增长到2017年9300万亿,24年的时间里提升了75000倍[47]。无论是计算效率的提高还是计算能力的增强,在本质上都是计算机性能和速度成倍增加,都是数据处理效率和能力的提升,技术进步的方向明显是走向了大规模和高效率处理和应用数据的方向。

图12  计算效率的指数式增长(1971-2015)
来源:Ray Kurzweil,OurWorldinData,腾讯研究院

图13  超级计算机计算能力的增长(1993-2017)
来源:TOP500 Supercomputer Database,OurWorldinData,腾讯研究院
5.数据要素
数据遍布于世界的所有角落,随着数据被以前所未有的速度生产和消费,以及数据在经济与社会发展中起到越来越重要的作用,由数据要素所推动形成的数字革命和数字经济将成为新时代的标签。数据要素是数字世界和数字经济的核心关键要素,其对经济社会发展的无限价值与潜能主要体现在物理空间和数字空间两个层面和新资源、新资产、新资本三个层次上(罗培,王善民,2020)[48]。数据要素作为一种继土地、劳动、资本之后的新型生产要素,正逐渐成为全球数字经济竞争的新赛道,也是新时代体现国家综合实力、重塑国际竞争优势的关键要素(吴志刚,2020)[49]。但是,同时需要指出的是,大部分数据要素的价值尚未实现,仍在等待被深入挖掘。
联合国贸发会和世界银行都一致认为,数据要素可以被用于发展的目的,通过多种渠道改善穷人的生活和落后地区的局面,同时也可以用于解决社会问题(UNCTAD,2019[50];World Bank,2020[51])。
首先,在数据要素和数字技术的推动下,将赋予传统的土地、劳动、资本和技术等要素新的内涵(罗培,王善民,2020)[52]。与土地、资本等要素一样,单纯的数据资源只是可能的生产要素,数据成为新生产要素并非只是生产要素种类或数量的增加,更是促进现有生产要素之间形成更密切的交互关系,要成为现实生产要素需要与其他要素或资源相结合,尤其是劳动构成数据成为现实生产要素的必要条件之一,与此同时,还受到技术基础设施条件、知识与管理等因素的制约(谢康等,2020)[53]。
其次,数据要素成为推动技术创新和生产力增长的动力。一是通过平台促进交易、建立网络以及信息交换;二是从商业角度来看,通过实现所有部门和市场的数字化转型,可以促进以更低的成本生产更高质量的商品和服务;三是数字化正在以不同的方式改造价值链,并为增值和更广泛的结构变革开辟新的渠道(UNCTAD,2019)[54]。
最后,数据要素可以用于检验和评估政府的政策效应。一是由各国政府和国际组织产生或储存的数据,可以用于支持基于证据的公共决策;二是私营企业产生的数据,是促进增长的生产要素,但也可以被重新利用,以支持发展目标;三是通过向社会提供数据,以更好地监测政府政策的效果,并向个人提供数据,使他们能够获得符合其需求的公共和商业服务;四是通过促进数据在公共部门、私营企业和社会渠道之间的流动,以产生更广泛的发展影响(World Bank,2020)[55]。
通过上述论述可得到如下基本观点:第一,依靠传统生产要素投入规模的扩大来拉动经济增长的潜力越来越小,尤其是劳动和资本等具有边际产出和规模报酬递减特征的传统生产要素。第二,内生的技术进步、投入要素质量的提高以及新的数据要素具有边际产出和规模报酬递增的特征,将成为数字经济时代驱动经济增长的关键动力与核心力量。第三,单独依靠某一种生产要素将很难实现对经济增长的推动作用,需要构建更加完善的要素协同机制,通过要素之间的融合与协同,促进经济的长期增长与高质量发展。第四,前文已经零散的提及数据偏向性技术进步与数据(数字)密集型产业这两个概念,此处将对它们做出较为具体的说明。
偏向性技术进步是与中性技术进步相对的一个概念,阿西莫格鲁(Acemoglu,2002)[56]从要素多用的正向角度重新定义了偏向性技术进步的概念:即如果技术变革使得某种要素的边际产出相对于其它要素的边际产出的增长幅度较大,那么技术变革就是偏向该要素的(雷钦礼,韩天琪,2019)[57]。当前,新一轮科技革命和产业变革正在世界范围内蓬勃兴起,以大数据、物联网、云计算和人工智能为核心的新一代信息技术族群正在加速融合,其中最核心的技术就是大数据、云计算和人工智能构成的新一代信息技术“铁三角”(杜传忠等,2018)[58]。实际上,这些新兴的数字技术都是围绕着数据要素的生产与使用进行的,数据要素的大规模使用将产生规模报酬递增效应,完全符合阿西莫格鲁的偏向性技术进步定义,因此,可以认为数字技术或新一代信息技术是特征明显的数据偏向性技术进步。
如果按照要素使用密集程度对行业进行划分,通常可以分为资源密集型、劳动密集型、资本密集型和技术密集型四大类型行业,在数据要素成为关键生产要素后,数据密集型产业将成为产业划分的新内容。本文认为,数据密集型产业是指在将数据要素独立为一项单独的生产要素后,由于部分行业具有的技术特性能够大规模地密集生产和使用数据要素,从而表现出与其他四种类型行业的不同特征,这些行业就可以被称之为数据密集型产业。现阶段,根据麦肯锡(2017)[59]和OECD(2018)[60]等的研究成果,数据密集型产业通常是指数字化转型程度较高的行业。麦肯锡(2017)和OECD(2018)一致认为,ICT行业、金融业、零售业、公用事业等行业属于数字化程度较高的行业或数据密集型行业,而低端制造业、农业、建筑业等行业则属于数字化程度较低行业或非数据密集型行业。如图14所示,图中展示了2015-2017年间中国分行业增加值的三年平均增长率,数据密集程度越高或数字化程度越高的行业,其年均增长率越大,如ICT产业、公用事业等;而数据密集程度越低或数字化程度越低的行业,其年均增长率也就越小,如农业和采矿业。因此,可以认为数据密集型产业的增长率高于非数据密集型行业,数据要素的规模应用推动了行业的快速发展。


 

三、

数据生产要素的描述性统计分析

(一)数据要素政策的发展历程
2015年10月,十八届五中全会提出了要实施“国家大数据战略”,标志着大数据战略正式上升为国家战略。此后,中国先后出台了《促进大数据发展行动纲要》、《国家信息化发展战略纲要》等文件,为数字经济的发展提供了政策保障。2016年的二十国集团杭州峰会通过了《二十国集团数字经济发展与合作倡议》,这是第一个具有全球意义的数字经济合作倡议。
习近平总书记高度重视数据要素在促进经济高质量发展中的作用,在2017年12月8日主持中共中央政治局第二次集体学习时指出:“要构建以数据为关键要素的数字经济”。2019年,《2019年政府工作报告》中再次提出,要“促进新兴产业加快发展。深化大数据、人工智能等研发应用,培育新一代信息技术、高端装备、生物医药、新能源汽车、新材料等新兴产业集群,壮大数字经济”。同年10月,党的十九届四中全会通过的《中共中央关于坚持和完善中国特色社会主义制度 推进国家治理体系和治理能力现代化若干重大问题的决定》中明确指出“健全劳动、资本、土地、知识、技术、管理、数据等生产要素由市场评价贡献、按贡献决定报酬的机制”,将数据确认为生产要素。这标志着我国正式进入“数字经济”红利大规模释放的时代,“数据”作为生产要素,已经从投入阶段发展到产出和分配阶段,是中国特色社会主义政治经济学的重要理论创新(谢康等,2020[61];王建冬,童楠楠,2020[62];李政,周希禛,2020[63])。
更进一步地,2020年4月9日,中共中央、国务院公布《关于构建更加完善的要素市场化配置体制机制的意见》(下称《意见》),这是中央颁布的第一份关于要素市场化配置的文件。《意见》分别指出了土地、劳动力、资本、技术、数据五个生产要素领域的改革方向,其中涉及数据要素的具体三个方面是:推进政府数据开放共享、提升社会数据资源价值、加强数据资源整合和安全保护。《意见》为深化要素市场化配置改革明确了方向和原则,体现了加快完善社会主义市场经济体制的内在要求,对推动经济高质量发展具有重要意义(袁舒婕,2020)[64]。2020年5月22日,李克强总理在《2020年政府工作报告》中提出,要“培育技术和数据市场,激活各类要素潜能”。可见,数据已和其他要素一起融入经济价值创造过程之中,对生产力发展具有广泛影响。
在国际方面,随着大数据战略和开放政府数据战略的全球推进,特别是对数据资产价值认识的不断深化,各国纷纷出台一系列政策举措来推进政府数据的开发利用。一是进行战略层面的统筹规划与宏观指导,如英国的《开放数据白皮书》、澳大利亚的《公共数据政策宣言》、新西兰的《新西兰数据和信息管理原则》;二是健全信息法律制度,如英国的《一般数据保护法规》、美国的《国家网络安全保护法》;三是建立政府数据治理组织体系,如美国各部门和多个州都设立了政府首席数据官/首席分析官办公室,还根据需要设置数据管理员、数据分析师、数据建模专家、数据架构师以及安全分析师等不同职位。各国的政策虽然并没有系统性地提出政府数据治理的概念体系,但无论是宏观层面的数据战略意识,还是中观层面的数据法规制度,乃至微观层面的数据实践,都充分体现了政府数据治理理念和数据治理的行为典范,具有普遍借鉴意义(夏义堃,2018)[65]。

(二)数据要素的总量与结构特征分析
1.全球数据要素规模迅速扩张
自21世纪开始,全球范围内使用互联网的人数不断上涨,图15展示了2001-2019年全球使用互联网的人数变化以及每100名居民使用互联网的人数。就使用互联网的人数而言,从2001年的近5亿人增加到2019年的41亿人,这已经是21世纪初的8倍。就使用互联网的人群比例而言,2001年每100名居民中仅有8人使用互联网,而到2019年预计每100名居民中已有53人使用互联网。“We Are Social”和“Hootsuite”披露的数据也证实了这一点,他们指出2018年全球互联网用户数已经快突破40亿大关,而同期的全球人口数量大约为76亿,证实了全球有一半的人口“触网”[66]。
互联网用户的高速增长推动了全球数据量的急剧扩张。IDC公司将数据量或数据要素的规模称之为全球数据圈,是指被创建、采集或是复制的所有数据的集合。图16展示了IDC测算的2010-2025年全球产生的数据量及其年增长率。2010年全球产生的数据量仅为2ZB,到2025年全球每年产生的数据将高达175ZB,相当于每天产生491EB的数据;就增长率而言,近几年数据量的增长都稳定在20%以上,预计2025年增长率将超过30%[67]。对于当前庞大的数据基数而言,未来的数据量将继续呈现“爆炸”式增长。代表数据流量大小的全球互联网协议(IP)流量从1992年的约100GB/天增长到2017年的45000GB/秒,但这个世界还只是处于数据驱动经济的早期,在首次上网的人越来越多和物联网扩张的推动下,如图17所示,到2022年,全球IP流量预计将达到150700GB/秒(UNCTAD,2019)[68]。

数据量的这种增长是由四种力量所推动的,一是智能手机的普及导致人们正在向数字连接的生活消费方式转变,这意味本地数据消费激增;二是企业的经营策略正逐步转向数据分析,以确定关键的消费者行为和偏好,并越来越倾向于将数据中心服务外包;三是全球内容提供商正在采用一种更具区域性的托管策略,加强了国际间的数据流动;四是政府建立或提升国家数字生态系统的举措,也将推动对数据生产、存储和消费的需求(PwC,2017)[69]。
云计算技术的快速变革与数据要素规模的加速扩张推动了数据中心数量的大幅增长,数据中心已经成为数字经济发展的基础设施与重要支撑。但是不同机构对“超大规模”的定义各不相同,如IDC认为超大规模数据中心至少需要5000个服务器和10000平方英尺的可用空间;而Synergy Research则将“超大规模”定义为拥有几十万台甚至是数百万台服务器。图18展示了2015-2019年全球超大规模数据中心的数量,根据Synergy Research的报告,2019年全球超大规模数据中心已超过500个,已经是2015年的两倍,并且丝毫没有放缓的趋势。
数据量扩张与数据中心增长的必然结果就是使得全球数据中心中存储的数据迅速增加。图19展示了2015-2021年全球数据中心存储的大数据量,与前文全球数据圈和数据中心的增长趋势保持一致,2015年时全球数据中心大数据存储量仅为25EB,到2021年预计这一规模将达到403EB,增长16.12倍,年均复合增长率约为48.76%。
2.数据要素的全球分布结构特征
如今的经济发展高度依赖于数据要素,对数据要素依赖性不断加强的结果就是全球数据圈的规模不断扩大,但是数据要素在世界不同地区的分布并不均匀,在国际间呈现出不同数据要素禀赋结构。图20展示了2014-2025年全球各地区的数据圈规模的发展情况,到2025年,欧洲、中东和非洲地区的数据圈约占全球数据圈的1/4,亚太和日本的数据圈约占全球数据圈的1/5,美国数据圈约占全球数据圈不到1/5,而中国数据圈目前发展最快未来规模也将最大,从2015年到2025年,中国数据圈以14倍的速度扩张,2025年中国将拥有全球最大的数据圈,约占世界数据圈的28%[70]。
思科公司发布的《视觉网络指数》报告也得出类似的结论,预计2022年全球网络流经的IP流量将超过从互联网元年到2016年底全部32年间的流量总和。图21展示了2017-2022年全球各地区的消费者IP流量,亚太地区的IP流量一直保持高速增长,从2017年的每月35EB上升到2022年的每月147EB,预计将实现4.2倍增长;北美地区一直保持第二大份额,从2017年的每月35EB增长到2022年的每月90EB,预计将实现2.5倍增长;西欧地区一直保持第三大份额,从2017年的每月15EB增长到2022年的每月41EB,实现了2.7倍增长;其余地区流量较低,预计到2022年每月流量不超过20EB[71]。普华永道也预计,2015-2020年间,亚太地区的数据消费增长率将达到每年30-60%,将有更多的数据将被数字化地生成、交换、存储和消费(PwC,2017)[72]。
但是,与数据规模的全球分布结构不同的是,超大规模数据中心在全球的分布呈现出不同的特征。图22比较了2017-2019年全球范围内超大规模数据中心地理位置的分布,绝大多数超大规模数据中心仍位于美国,占比遥遥领先全球其他国家和地区,中国位居第二,其次是日本。2017年美国有44%的超大规模数据中心,2018年为40%,2019年缩减到38%,与此对应的是中国由2017年的8%增长到2019年的10%,日本从2017年的6%增长到2019年的7%。
这一方面反映了未来超大规模数据中心分布的趋势,超大规模数据中心将在世界范围内“遍地开花”;另一方面也反映了中国数据量扩张与数据中心建设之间规模和速度上的不匹配,进一步表明加速新型基础设施建设,尤其是数字基础设施建设的必要性和紧迫性。普华永道通过援引Markets and Markets(2016)的指出,虽然亚太地区的数据中心市场规模目前仍落后于欧洲和北美,但预计到2021年将赶超欧洲市场,与欧洲和北美分别13%和12%的增速相比,亚太地区的数据中心市场规模增长率将达到27%(PwC,2017)[73]。
3.数据要素的行业分布结构特征
数据要素的分布不仅在国家间呈现不同的结构,在不同行业和细分领域间同样呈现出明显的行业异质性特征。图23展示了2018年按行业划分的全球企业数据的规模,制造业拥有的数据要素规模最大,为3584EB,占比为20.87%;零售批发和金融服务分别为2212EB和2074EB,分别占比12.88%和12.08%;其后是基础设施建设、媒体与娱乐、医疗保健,规模为1555EB、1296EB和1218EB,占比为9.05%、7.54%和7.09%。
数据要素在细分领域里也呈现出不同的分配结构。图24展示了数据中心存储容量在各部门的分配。到2021年,企业工作负载将占据数据中心总负载的72.6%,2016年为75.86%,企业工作负载的两个主要贡献者为占据28.14%的计算和占据23.95%的协作,在这一领域,增长最快的将是计算,预计将达到2016年的三倍。用户工作负载将占据数据中心总工作负载的27.4%,2016年为24.14%,用户工作负载的两大贡献者为占据28.57%的视频流和占据25.39%的社交网络,增长最快的将是视频流,预计将达到2016年的3.6倍。
对消费者流量数据的统计则显示出,网络视频将是数据消费的最大领域。图25展示了2017-2022年全球按细分领域的消费者互联网流量数据量,网络视频一直是互联网流量的主要消费领域,由2017年占比72.72%预计增长到2022年的81.91%;网络、电子邮件和数据占比第二,由2017年的15.58%预计降低到2020年的10.58;在线游戏增长迅速,由2017年的每月1EB预计增长到2022年每月15EB,超过文件共享。
4.数据要素的来源渠道结构特征
全球数据圈的高速扩张得益于近十几年来联网设备的高速发展,根据来源渠道的不同,可以将数据要素生产和消费和渠道分为固定宽带、托管IP和移动宽带三种类型。图26和图27分别展示了2014-2019年各季度全球移动数据消费量的进程与2014-2024年智能手机和平板电脑的月度数据消费流量。如图26所示,2014年一季度全球移动数据消费量仅有23亿GB,从2018年第一季度开始加速增长,到2019年第四季度,全球移动数据消费量已达到396亿GB,五年时间里增长了17倍以上,而且未来全球移动数据消费量仍将继续快速增长[74]。
移动数据的生产和消费主要来自智能手机和平板电脑。图27展示了2014-2024年全球每部智能手机和每台平板电脑的月度平均数据流量。随着智能手机的高速发展,再加上轻便、易携带的优点,未来智能手机产生的数据流量将超过平板电脑,并且二者差距将会逐渐扩大,到2024年,预计每台智能手机每月产生的数据流量将达到20GB[75]。
Newzoo对全球智能手机用户数的统计数据支持了上述观点。图28展示了2016-2021年全球智能手机用户数量,2016年全球智能手机用户有25亿人,到2021年预计将达到38亿人,平均每年上涨约3亿人,并且这一趋势将在未来持续下去,智能手机将成为重要的数据来源[76]。
虽然移动数据增长迅速,但是如图29所示,2017-2022年全球消费者按连接类型分的IP流量中,移动宽带数据的体量相对固定宽带数据而言仍然较小。预计到2022年,全球消费者IP流量将达到333EB/月,其中固定宽带数据和移动宽带数据分别占67.57%和20.42%的份额,这意味着短期内固定互联网宽带仍将是数据要素的主要来源。
5.中国数据要素的增长与分布
作为全球人口和计算设备保有量的最大的国家,我国每年所能产生的数据量也极为庞大。图30展示了IDC对2015-2025年间中国数据圈的增长以及消费者和企业的数据份额。据IDC预测,2018-2025年中国的数据圈将以30%的年平均增长速度领先全球,比全球平均增速高3%[77]。2015年,中国的数据规模仅仅不到5ZB,2018年,中国数据量已占全球数据量的23.4%,预计到2025年,中国的数据量将增长到近50ZB,将占全球数据量的27.8%,成为世界上最大的数据圈。同时,得益于产业互联网的发展,企业数据所占比重将从2015年的49%迅速增长到2025年的69%,消费者数据虽然也有一定程度的增长,但是所占比重将持续下降,表明未来企业数据将具有越来越重要的地位。
上图30的数据同时表明,在2020年之前,消费者数据一直在数据总量中占优势地位,这主要是因为中国从2010年左右开始同时进入移动互联网和消费互联网时代,智能手机的普及与移动互联网用户规模的扩张促进了消费者数据的大规模增长。下图31展示了2008-2020年中国移动互联网用户数量与渗透率,中国移动互联网用户从2008年的1.1亿人增长到2020年的8.9亿人,渗透率自2015年就达到90%,2019年达到99%,移动互联网的影响越来越大[78]。智能手机作为移动互联网的重要一环,在人们的日常生活中,技术越来越先进、功能越来越强大的智能手机让人们可以轻松拍摄视频、分享影像、发现及观看其他人的作品,并且可以随时随地与他人进行互动,智能手机成为人们生活不可或缺的重要工具。
对数据消费和数据流量的统计也证实了数据规模迅速扩张的结论。图32展示了2013-2020年中国互联网数据消费量和移动互联网接入流量。就互联网数据消费量而言,2013年为102.4亿GB,预计到2020年将是2013年的18倍,达到1853.44亿GB[79]。就移动互联网接入流量而言,2013年为12.7亿GB,2019年达到了1220亿GB,已是2013年的100倍,增长速度迅猛,同时可以发现2017年之后移动互联网的接入流量的增长速度显著快于2017年以前[80]。
目前,我国数据中心主要分布在北上广深一线城市和沿海发达省份。图33展示了2018年中国大规模数据中心的区域分布,广东的大规模数据中心最多,占全国20.8%;排名第二和第三的是上海和北京,分别占12.8%和9.6%;内蒙古、浙江、江苏、贵州紧随其后,分别占8.0%、7.2%、6.4%和4.8%[81]。随着5G以及物联网的快速发展,社会的数字化进程必将会进一步深化,数据中心的地位也将更加突出。
6.新冠肺炎疫情对数据要素生产和消费的影响
新冠肺炎疫情的爆发不仅没有阻碍数据要素规模的增长,反而加速了这一进程。图34展示了疫情期间按设备分的家庭数据消费的同比增长率,平均来说,2020年一月和二月同比增长了为16%,三月的同比增长率为18%;相比而言,手机的增长是最快的,在三月同比增长达到34%,电视产生的数据每月同比增长均在20%以上,智能扬声器在二月同比下降4%,在三月同比增长30%,而PC与MAC一到三月都呈现下降的趋势[82]。
疫情期间数据量的增长这是因为疫情导致居家远程办公的员工数量和工作内容爆发式增长,促进了视频等数字内容消费的激增;同时,全球数据要素规模的增长更多地是由人们消费和分析的数据增长所驱动,而不是由人们创建的数据增长所驱动。新冠疫情对全球数据要素规模的增长趋势产生深远影响,尤其是在2020-2021年最为明显,预计2020-2024年的五年复合年均增长率为26%[83]。
通过对疫情期间各年龄段人群是否花了更多的时间使用社交媒体/MSN/在线购物的调查统计,可以发现不同年龄段人群对数据规模增长的贡献,其结果如下图35所示。总体而言,各个年龄段的人群均有至少30%更多地使用了社交媒体/MSN/在线购物,相比而言,16-24的青少年组最为活跃,而55-64的中老年组相对影响较小。在使用社交媒体/MSN方面,随着年龄增加比例逐渐递减,超过50%的16-24岁的青少年更多地使用了社交媒体/MSN,而这一比例在55-64的人群中约为30%;在在线购物方面,超过50%的25-44岁的人群花费了更多时间,16-24岁的青少年的比例为46%,这可能因为不同年龄段经济能力有所差异。
7.数字经济对GDP的贡献
我国将数字经济描述为通过将数字化知识、信息网络及通信技术有机结合并推动经济结构优化的一系列经济活动。从技术层面的大数据、物联网、云计算、区块链,到应用层面的数字金融、智慧零售、智慧城市等,都属于数字经济的范畴。近年来,云计算、大数据、人工智能等新技术的飞速发展,以及与传统产业深入融合,为数字经济发展站上创新高地“换道超车”提供了新的机遇。数字经济对经济社会的发展的贡献,表现在以下三个方面:
一是数字经济助力GDP增长。图36展示了2014-2019年中国数字经济规模与占GDP比重。从经济规模和对GDP的拉动作用来看,自2014年以来我国数字经济规模持续扩大,快速发展,特别是在当前经济下行压力加大背景下,数字经济仍然保持强劲的增长势头,2019年我国数字经济总体规模达到35万亿元,占GDP比重超过1/3。2017年我国数字经济发展对GDP增长的贡献率为55%,2018年贡献率达67.9%,同比提升12.9%[84]。数字经济蓬勃发展,推动传统产业改造提升,为经济发展增添新动能,成为带动我国国民经济发展的核心关键力量。
二是数字经济助力产业结构优化升级。扩大数据要素投入的数量与提高数据要素的投入质量,一方面可以加快传统产业的数字化、网络化、智能化转型升级,另一方面会促进新产业、新业态和新商业模式的创新与完善(黄群慧,2020)[85]。数字经济探索了产业发展新内涵,开拓了产业发展新空间,催生了产业发展新领域,成为经济增长的动力源泉、新旧动能转换的核心关键、转型升级的驱动力和全球新一轮产业竞争的制高点(张于喆,2018)[86]。从数据上来看:2018年数字产业化规模达到6.4万亿元,占GDP比重为7.1%。其中,软件和信息技术服务业、互联网行业增长较快,收入同比分别增长14.2%和20.3%[87]。数字经济领域中数据消费、投资与贸易等的发展潜力正在加速释放,深刻推动我国供给侧结构转型与宏观经济高质量发展。
三是数字经济助力实现稳就业目标。数字经济的快速发展,引发就业深刻变革。一方面催生灵活就业新模式,一方面推动就业优化升级。据中国信通院的初步测算表明,2018年我国数字经济领域就业岗位达到1.91亿个,占全年总就业人数的24.6%。在全国总就业人数同比下降0.07%的背景下,数字经济领域就业岗位实现了两位数的高速增长,同比增长11.5%[88]。
8.数据要素统计核算的难点
数据要素是数字经济的核心,没有数字要素,数字经济将成为无源之水无本之木。虽然数据要素是对现代经济增长和个人价值具有重要价值,但是数据要素巨大潜力的发挥仍需要进一步发掘探索,其如何参与经济生产与收入分配,仍需进一步完善对数据要素的统计核算规则。
目前,数据要素的统计核算工作刚刚开始探索,存在很大技术困难。比如,关于数据生产要素的内涵、外延和分类需要进一步研究和界定;如何衡量数据生产要素作为无形资产的价格(很多互联网产品体现为免费服务)和价值量以及增加值核算;由于掌握数据内容、数据采集、数据分析等各环节的参与者并不相同,因此在分配时需要兼顾多方的利益,特别是数据采集者、加工者与内容所有者的产权确认;在加强数据共享利用同时如何做好隐私保护问题,既要依法保护私有数据产权,又要促进公共数据向社会开放,加强数据共享(李卫东,2020[89]);如果数据流量归属地难以界定,则数字经济贡献的归属地也存在识别困难(Bean,2016;续继,唐琦,2019[90])。

 

四、

推动数据生产要素健康发展的政策建议

庞大的数据量蕴含着巨大的价值,同时也代表着机遇与挑战并存,数字经济的发展需要非常规的经济思维和政策分析,需要调整现有的政策、法律和法规,并在许多领域采用新的政策、法律和法规(UNCTAD,2019)[91]。正如腾讯研究院资深数据专家王融所言,我们目前正处于一个微妙的历史变化期——从“个人信息保护”向“数据治理”转变,“数据治理”正在以更宏大的议事命题浮现,形成了围绕数据资产的隐私保护、创新竞争、安全主权等更复杂化、更多维的公共政策讨论场(王融,余春芳,2019)[92]。为了充分挖掘并发挥数据要素的潜能,推动数字经济的高速发展以及国家数字竞争力的提升,需要政府迅速做出恰当的政策反应。关键的政策问题包括推动政府数据开放共享,加速促进大数据产业发展,积极培育数据要素市场,大力推动产业互联网发展等措施。
1.深入推动政府数据开放共享
(1)在政务信息公开、共享的基础上扩大数据开放。之所以需要政府率先垂范,是因为政府数据开放与信息公开一脉相承,借助政府长期推行的这一政策可以让开放数据较快地得到落实。但需要注意的是,数据开放不是信息公开的简单延伸和扩展,而是适应数字时代的一项公共政策,因而要从满足公民知情权转为着眼于数据的可开发利用性,进而促进数据创新,“释放经济价值和社会效应”(高富平,张晓,2017)[93]。
(2)进行法律授权,搭建规则架构。要使得数据最大程度地开放,完善的法律必不可少。一方面,需要在法律层面明确政府数据开放是一项其应履行的责任,督促政府重视数据的可持续性,提升开放数据的质量和数量,从数据采集、公开、应用等各个环节明晰职责,真正落实相关规定(刘瑾,2020)[94]。另一方面,加强数据开放方面的立法也能保障数据开放过程中的有序性、标准性和安全性,以法律的方式明确数据开放的范围和边界,建立开放指南和开放目录,规范数据分类分级,方可达到既满足公众对于数据的需求,又避免数据滥用危害的目的。
(3)由政府数据开放逐步延伸至公共数据开放。在联合国教科文组织起草的《发展和促进公共领域信息的政策指导草案》中,公共数据资源被定义为“不受知识产权和其他法定制度限制使用,以及公众能够有效利用而无需授权,也不受制约的各种数据资源”,因此,要激活数据的价值,以数据创新引领经济社会发展,政府数据开放仅是第一步(杜振华,2020)[95]。加强公共数据开放的顶层设计,加快构建公共数据开放的法律和制度框架,激励公共数据资源的开放和利用,才能鼓励更多社会化力量广泛参与数据创新,形成广泛的内外部交流平台,最终构建出多元协同的创新文化生态,充分发挥数据的经济社会效益(李平,2018)[96]。
2.加速促进大数据产业发展
(1)理顺产业政策与产业发展之间的关系。截至目前,我国有37个省(区、市)已专门出台大数据发展规划或计划,包括了16个省级规划与21个城市规划(李向阳,2020)[97]。但是,从政策供给与需求的匹配角度看,政策工具结构在一定程度上失衡,在不同生命周期的企业以及不同类型人员之间的政策供需匹配度偏低,且政策知晓度及利用度呈现双低现象(王秀秀,2019)[98]。从政策文本和政策行动协调程度看,在政策文本方面,内容上存在政策工具使用不当、政策文本与现实问题有所偏差等问题;在政策执行过程中,各主体之间在利益关系的作用下形成互相博弈的关系圈,呈现出不稳定性的多边形特征(吴杨,2020)[99]。因此,需要进一步理顺大数据产业政策供给与产业发展需求之间的关系,在宏观层面构建分级分类、结构合理、措施完备的政策体系(王秀秀,2019)[100];在微观层面,从政策工具与政策网络、政策文本与政策主体、政策执行者与政策受众、政策文本与社会现实四个层面推动产业政策的协同运行(吴杨,2020)[101]。从而,加速促进大数据产业发展,为数据要素的生产、储存、分析与应用提供稳定可靠的技术支持。
(2)加强数字基础设施建设。尽快出台国家新型基础设施投资计划,明确投资范围与项目清单,建立统一规范的数字基础设施投资管理规范,通过增加中央投资带动地方投资和民间投资。适当拓宽投资主体范围,降低数字基础设施投资的进入壁垒,破除对民营企业进入新型基础设施投资的隐性障碍或者价格管制,积极引导民营资本进入,优化投资主体结构。在已有产业互联网生态建设基础上,进一步加强产业链上下游企业的协同发展,鼓励在技术、资本和市场方面相关性较高的企业共同构建包容开放的生态共同体,并充分发挥产业联盟等社会中介组织的协调作用,搭建政产学研金用六位一体的合作交流平台(陈维宣,吴绪亮,2020)[102]。
3.积极培育数据要素市场
(1)加强数据要素的统计与分类。一方面,建立完备的数据要素市场统计制度。一是完善要素总量统计制度,尽快研究制定数据要素的统计框架与方法,在经济治理基础数据库中嵌入数据要素数据库模块;二是创新数据要素核算统计制度,着力健全数据资产的统计体系,将数据资产增值纳入国内生产总值核算当中;三是构建数据要素统计管理制度,构建政企合作的要素大数据统计机制(曾铮,2020)[103]。另一方面,关注数据要素市场的分类与融合。一是,从数字经济统计学的角度,对数据要素市场进行分级分类;根据数据要素密集程度的不同,划分成各种不同类型的数据要素市场;以便对数据要素市场进行统筹研究、规划和管理;二是数据要素市场不是一个单独的要素市场,数据要素市场对传统要素市场具有很强的依赖性,通过加强传统要素市场与数据要素市场的融合,促进传统要素市场的数字化升级并创造新的价值,这是加快培育分类数据要素市场,全面提升数据要素价值的关键所在(王春晖,2020)[104]。
(2)构建完善的数据要素价格制度。改革开放以来,我国持续推进市场化制度改革,但是与产品市场相对充分的竞争程度相比,要素市场的改革相对落后,而要素市场化改革就是要让价格制度在要素定价和配置中发挥决定性作用(刘业进,2020)[105];同时,需要注意的是,要素市场化配置改革不是简单的放松价格管制,而是要构建完善的竞争性要素市场体系,形成真正意义上的竞争性市场价格(陈彦斌,2020)[106]。数据要素作为承载信息的虚拟物品,其价格设定受到数据收集难度、数据质量高低、特定应用场景、数据异质性与非标准等的影响,比传统要素的定价难度更高,从而制约了数据要素市场的形成与发展;因此,可考虑从建立多层级多种类的数据交易市场入手,让市场探索数据定价模型,在多类别市场主体互动中明晰数据要素定价规则和定价标准,探索构建完善的数据要素价格制度(乔瑞庆,2020)[107]。
4.大力推动产业互联网发展
(1)加快实施产业互联网国家战略。2020年4月7日,国家发展改革委与中央网信办联合印发《关于推进“上云用数赋智”行动培育新经济发展实施方案》,明确提出要“构建多层联动的产业互联网平台”。产业互联网为数据要素的生产与消费提供了海量的应用场景,通过将数据要素与产业互联网结合起来,能够迅速实现数据应用迭代与价值创造。因此,需要大力推进云计算创新发展和普及应用,加快推进企业生产经营管理数字化转型,积极发展面向企业的专业信息技术服务,加快突破产业互联网发展核心技术,构建产业互联网发展生态圈(陆峰,司晓,2019)[108]。全国人大代表马化腾先生则在2020年两会上提出《关于加快制定产业互联网国家战略 壮大数字经济的建议》,明确建议要加强顶层设计,制定系统推进产业互联网发展的国家战略。
(2)积极推动数据密集型产业发展。如前所述,数据要素已经成为数字革命的关键核心要素,数据密集型产业能够通过发挥结构效应、技术效应与配置效应等作用,有效推动产业互联网发展。一方面,鼓励电信、信息技术与服务等数据密集型行业发展,加快数据密集型行业分类研究,在《产业结构调整指导目录》等产业政策中明确对数据密集型产业发展的支持。另一方面,选取医疗、教育、汽车制造等典型行业和企业实施产业互联网发展专项计划,以典型案例和解决方案发挥行业示范效应。从数据处理利用环节看,呼吁审慎包容监管,为数据创新留有充分空间;同时,在日益激烈的数据市场竞争中,也需要形成健康有序的数据竞争秩序(郭凯天,2020)[109]。

参考文献及来源:

[1] 王建冬,童楠楠:《数字经济背景下数据与其他生产要素的协同联动机制研究》,《电子政务》2020年第3期,第22-31页。

[2] 威廉·配第:《赋税论》,陈冬野等译,商务印书馆1978年版,第66页。

[3] Maddison Project Database, version 2018. Bolt, Jutta, Robert Inklaar, Herman de Jong and Jan Luiten van Zanden (2018),“Rebasing ‘Maddison’:New Income Comparisons and the Shape of Long-run Economic Development”, Maddison Project Working Paper 10. https://www.rug.nl/ggdc/historicaldevelopment/maddison/releases/maddison-project-database-2018.

[4] 李政,周希禛:《数据作为生产要素参与分配的政治经济学分析》,《学习与探索》2020年第1期,第109-115页。

[5] Klump,R.,McAdam,P.,and A.Willman(2007),“Factor Substitution and Factor-augmenting Technical Progress in the United States:A Normalized Supply-side System approach”,Review of Economics and Statistics,No.89,pp.183-192. 

[6] 雷钦礼:《偏向性技术进步的测算与分析》,《统计研究》2013年第30卷第4期,第83-91页。

[7] 戴天仕,徐现祥:《中国的技术进步方向》,《世界经济》2010年第11期,第54-70页。

[8] 陆雪琴,章上峰:《技术进步偏向定义及其测度》,《数量经济技术经济研究》2013年第8期,第20-34页。

[9] 雷钦礼:《偏向性技术进步的测算与分析》,《统计研究》2013年第30卷第4期,第83-91页。

[10]     雷钦礼,徐家春:《技术进步偏向、要素配置偏向与我国TFP的增长》,《统计研究》2015年第32卷第8期,第10-16页。

[11]     李小平,李小克:《偏向性技术进步与中国工业全要素生产率增长》,《经济研究》2018年第10期,第82-96页。

[12]     方兴东,钟祥铭,彭筱军:《全球互联网50年(1969-2019):发展阶段与演进逻辑(上)》,《互联网天地》2019年第10期,第12-23页。

[13]     马化腾:《推动上“云”用“数” 建设产业互联网》,《人民日报》2020年5月7日。

[14]     UNCTAD,“Digital Economy Report 2019——Value Creation and Capture:Implications for Developing Countries”,4 September 2019.

[15]     李政,周希禛:《数据作为生产要素参与分配的政治经济学分析》,《学习与探索》2020年第1期,第109-115页。

[16]     沈坤荣:《经济增长理论的演进、比较与评述》,《经济学动态》2006年第5期,第30-36页。

[17]     谢识予:《斯密经济增长思想的理论内涵及现实意义》,《复旦学报(社会科学版)》2005年第3期,第162-168页。

[18]     沈坤荣:《经济增长理论的演进、比较与评述》,《经济学动态》2006年第5期,第30-36页。

[19]     Robert M. Solow,(1957),“Technical Change and the Aggregate Production Function”,The Review of Economics and Staticstics,Vol.39,No.3,pp.312-320. 

[20]     石景云:《现代经济增长理论的演进》,《经济评论》2001年第3期,第3-6页。

[21]     Robert J. Barro(2001),“Human Capital and Growth”,The American Economic Review,Vol.91,No.2,pp.12-17. 

[22]     王鹏,尤济红:《产业结构调整中的要素配置效率——兼对“结构红利假说”的再检验》,《经济学动态》2015年第10期,第70-80页。

[23]     张军,陈诗一,Gary H .Jefferson:《结构改革与中国工业增长》,《经济研究》2009年第7期,第4-20页。

[24]     姚战琪:《生产率增长与要素再配置效应:中国的经验研究》,《经济研究》2009年第11期,第130-143页。

[25]     赵春雨,朱承亮,安树伟:《生产率增长、要素重置与中国经济增长——基于分行业的经验研究》,《中国工业经济》2011年第8期,第79-88页。

[26]     贺京同,何蕾:《要素配置、生产率与经济增长——基于全行业视角的实证研究》,《产业经济研究》2016年第3期,第11-20页。

[27]     曹玉书,楼东玮:《资源错配、结构变迁与中国经济转型》,《中国工业经济》2012年第10期,第5-18页。

[28]     姚毓春,袁礼,董直庆:《劳动力与资本错配效应:来自十九个行业的经验证据》,《经济学动态》2014年第6期,第69-77页。

[29]     王林辉,高庆昆:《要素错配水平及其对全要素生产率作用效应的研究》,《经济学动态》2013年第6期,第61-67页。

[30]     [2]20世纪80年代中国耕地数量的大幅增加,实际上得益于当时开展的全国性土壤普查和遥感等技术的应用。参见封志明,刘宝勤,杨艳昭:《中国耕地资源数量变化的趋势分析与数据重建:1949-200》,《自然资源学报》2005年第0卷第1期,第35-43页。

[31]     The World Bank: Agricultural land (% of land area),1961-2016,https://data.worldbank.org/indicator/AG.LND.AGRI.ZS

[32]     The World Bank: World Urbanization Prospects: 2018 Revision, https://data.worldbank.org/indicator/SP.URB.TOTL.IN.ZS

[33]     郭文伟,李嘉琪:《房价泡沫抑制了经济高质量增长吗?——基于13个经济圈的经验分析》,《中国软科学》2019年08期,第77-91页。

[34]     Bank for International Settlements: Real residential property price developments in selected economies, https://www.bis.org/statistics/pp.htm?m=6%7C288 

[35]     陈斌开,黄少安,欧阳涤非:《房地产价格上涨能推动经济增长吗?》,《经济学(季刊)》2018年第17卷第3期,第1079-1102页。

[36]     余静文,谭静,蔡晓慧:《高房价对行业全要素生产率的影响——来自中国工业企业数据库的微观证据》,《经济评论》2017年第6期,第22-37页。↑

[37]     世界银行:劳动力,总数,https://data.worldbank.org.cn/indicator/SL.TLF.TOTL.IN

[38]     李希如:《人口总量平稳增长 城镇化水平稳步提高》,国家统计局,http://www.stats.gov.cn/tjsj/sjjd/201901/t20190123_1646380.html.

[39]     林楠:《劳动力总量趋势性下滑对大国长期竞争力的影响——基于联合国人口展望报告(2017)的国际比较研究》,《宏观经济管理》2019年第3期,第31-37页。

[40]     世界银行:资本形成总额(现价美元),https://data.worldbank.org.cn/indicator/NE.GDI.TOTL.CD;资本形成总额(占GDP的百分比)https://data.worldbank.org.cn/indicator/NE.GDI.TOTL.ZS

[41]     根据OECD的定义,ICT投资是指购买在生产中使用一年以上的设备和计算机软件。ICT由三个部分组成:信息技术设备(计算机和相关硬件),通讯设备和软件。该指标以非住宅固定资本形成总额的百分比来衡量。数据来源:OECD (2020), ICT investment (indicator). doi: 10.1787/b23ec1da-en (Accessed on 28 May 2020),或者https://data.oecd.org/ict/ict-investment.htm。

[42]     泰康研究院宏观组:《构建数据时代的新图景》,泰康研究院公众号,2020年5月31日,https://mp.weixin.qq.com/s/78vPmCrWXeuyY2kFSFEKbQ.

[43]     数据来自于Financial Times“全球企业500强”榜单。

[44]     世界银行:专利申请量(居民):https://data.worldbank.org.cn/indicator/IP.PAT.RESD;专利申请量(非居民):https://data.worldbank.org.cn/indicator/IP.PAT.NRES

[45]     如果把数据认为是一种资本形式的话,那么数据偏向性技术进步也可以称之为资本偏向性技术进步。但是,根据学术界的普遍共识与2019年中共十九届四中全会决议《中共中央关于坚持和完善中国特色社会主义制度 推进国家治理体系和治理能力现代化若干重大问题的决定》以及2020年《中共中央 国务院关于构建更加完善的要素市场化配置体制机制的意见》等文件的界定和分类,将数据要素与资本要素、数据偏向性技术进步和资本偏向性技术进步加以区分将更加具有合理性。

[46]     数据来自:http://www.singularity.com/charts/page129.html.

[47]     数据来自:https://www.top500.org/statistics/perfdevel/.

[48]     罗培,王善民:《数据作为生产要素的作用和价值》,清华大学互联网产业研究院公众号,2020年6月4日。

[49]     吴志刚:《加快数据要素市场培育 有效激活数据潜在价值》,《网络安全和信息化》2020年第5期,第23-25页。

[50]     UNCTAD,“Digital Economy Report 2019——Value Creation and Capture:Implications for Developing Countries”,4 September 2019.

[51]     World Bank,“World Development Report 2021:Data for Better Lives(Concept Note)”,May 5th, 2020.

[52]     罗培,王善民:《数据作为生产要素的作用和价值》,清华大学互联网产业研究院公众号,2020年6月4日。

[53]     谢康,夏正豪,肖静华:《大数据成为现实生产要素的企业实现机制:产品创新视角》,《中国工业经济》2020年第5期,第42-60页。

[54]     UNCTAD,“Digital Economy Report 2019——Value Creation and Capture:Implications for Developing Countries”,4 September 2019.

[55]     World Bank,“World Development Report 2021:Data for Better Lives(Concept Note)”,May 5th, 2020.

[56]     Acemoglu D(2002),“Directed Technical Change”,The Review of Economic Studies,Vol.69,No.4,pp.781-809.

[57]     雷钦礼,韩天琪:《技术进步及其偏向生成机制与经济效应》,《中国科学报》2019年10月30日第3版。

[58]     杜传忠,胡俊,陈维宣:《全球新产业新业态发展现状与展望》,中国国际经济交流中心专题资料汇编,《国际经济分析与展望(2017-2018)》2018年版,第353-373页。

[59]     华强森,成政珉,王伟等,《数字时代的中国:打造具有全球竞争力的新经济》,麦肯锡全球研究院,2017年12月。

[60]     Sara Calligaris,Chiara Criscuolo,Luca Marcolin,“Mark-ups in the Digital Era”,OECD Science,Technology and Industry Working Papers,October 2018.

[61]     谢康,夏正豪,肖静华:《大数据成为现实生产要素的企业实现机制:产品创新视角》,《中国工业经济》2020年第5期,第42-60页。

[62]     王建冬,童楠楠:《数字经济背景下数据与其他生产要素的协同联动机制研究》,《电子政务》2020年第3期,第22-31页。

[63]     李政,周希禛:《数据作为生产要素参与分配的政治经济学分析》,《学习与探索》2020年第1期,第109-115页。

[64]     袁舒婕:《稳步推进要素市场化配置改革》,《人民日报》2020年4月20日。

[65]     夏义堃:《政府数据治理的国际经验与启示》,《信息资源管理学报》2018年第3期,第64-72页。

[66]     We Are Social,Hootsuite,“Digital 2019:Global Digital Yearbook”,January 2019.

[67]     International Data Corporation,“The Digitization of the World:From Edge to Core”,November 2018.

[68]     UNCTAD,“Digital Economy Report 2019——Value Creation and Capture:Implications for Developing Countries”,4 September 2019.

[69]     Price Waterhouse Coopers Consulting,“Surfing the Data Wave:The Surge in Asia Pacific’s Data Centre Market”,January 2017.

[70]     International Data Corporation,“The Digitization of the World:From Edge to Core”,November 2018.

[71]     Cisco Systems,“Cisco Visual Networking Index:Forecast and Trends,2017–2022”,December 2018.

[72]     Price Waterhouse Coopers Consulting,“Surfing the Data Wave:The Surge in Asia Pacific’s Data Centre Market”,January 2017.

[73]     Price Waterhouse Coopers Consulting,“Surfing the Data Wave:The Surge in Asia Pacific’s Data Centre Market”,January 2017.

[74]     We Are Social,Hootsuite,“Digital 2020:April Global Statshot Report”,23 April, 2020.

[75]     Ericsson,“Ericsson Mobility Report”,June 2019.

[76]     Newzoo,“Global Mobile Market Report 2019”,2019.

[77]     Seagate,IDC,“The China Datasphere:Primed to Be the Largest Datasphere by 2025”,January 2019.

[78]     中国互联网络信息中心(CNNIC):《第45次中国互联网络发展状况统计报告》,2020年4月。

[79]     Price Waterhouse Coopers Consulting,“Surfing the Data Wave:The Surge in Asia Pacific’s Data Centre Market”,January 2017.

[80]     工业和信息化部历年《通信业统计公报》。

[81]     中国互联网协会:《中国互联网发展报告(2019)》,2019年7月。

[82]     Statista,“Coronavirus:Impact on the Tech Industry Worldwide”,April 2020.

[83]     International Data Corporation:“Worldwide Global DataSphere Forecast,2020–2024:The COVID-19 Data Bump and the Future of Data Growth”,April 2020.

[84]     中国信通院:《中国数字经济发展与就业白皮书(2018年)》,2018年4月。中国信通院:《中国数字经济发展与就业白皮书(2019 年)》,2019年4月。

[85]     黄群慧:《如何推进“数据要素”市场化配置》,《广州日报》2020年5月26日。

[86]     张于喆:《数字经济驱动产业结构向中高端迈进的发展思路与主要任务》,《经济纵横》2018年第9期,第85-91页。

[87]     中国信通院:《中国数字经济发展与就业白皮书(2019 年)》,2019年4月。

[88]     中国信通院:《中国数字经发展与就业白皮书(2019 年)》,2019年4月。↑

[89]     李卫东:《数据要素参与分配需要处理好哪些关键问题》,《国家治理》2020第16期,第46-48页。

[90]     续继,唐琦:《数字经济与国民经济核算文献评述》,《经济学动态》2019年第10期,第117-131页。

[91]     UNCTAD,“Digital Economy Report 2019——Value Creation and Capture:Implications for Developing Countries”,4 September 2019.

[92]     王融、余春芳,《2018 年数据保护政策年度观察:政策全景》,《信息安全与通信保密》,2019年4月。

[93]     高富平,张晓:《政府数据开放的边界如何厘定》,《人民论坛》2017年第21期,第98-99页。

[94]     刘瑾:《我国地方政府数据开放发展模式研究——以广东、山东和贵州省为例》,《情报探索》2020年第5期,第82-90页。

[95]     杜振华:《政府数据开放与创新驱动经济增长的关系》,《首都师范大学学报(社会科学版)》2020年第2期,第63-71页。

[96]     李平:《开放政府数据从开放转向开发:问题和建议》,《电子政务》2018年第1期,第94-100页。

[97]     李向阳:《大数据产业增长及效率的影响因素与实证》,《统计与决策》2020年第5期,第116-119页。

[98]     王秀秀:《破解大数据产业政策供需失配的难题》,《中国社会科学报》2019年12月27日。

[99]     吴杨:《大数据政策文本与现实的偏差及完善路径研究》,《公共管理学报》2020年第17卷第1期,第31-46页。

[100]   王秀秀:《破解大数据产业政策供需失配的难题》,《中国社会科学报》2019年12月27日。

[101]   吴杨:《大数据政策文本与现实的偏差及完善路径研究》,《公共管理学报》2020年第17卷第1期,第31-46页。

[102]   陈维宣,吴绪亮:《新型基建促进经济发展的作用与路径》,《经济日报》2020年5月8日。

[103]   曾铮:《要素市场化配置改革要重视三类制度建设》,《经济日报》2020年6月9日。

[104]   王春晖:《加快培育数据要素市场的基本方略》,《人民邮电报》2020年4月28日。

[105]   刘业进:《要素市场化改革是着眼于长期的制度改革》,《深圳特区报》2020年5月19日。

[106]   陈彦斌:《深化要素市场化配置改革》,《中国金融》2020年第9期。

[107]   乔瑞庆:《培育数据要素市场,助力数字经济高质量发展》,中国经济网,2020年4月14日,http://views.ce.cn/view/ent/202004/14/t20200414_34675581.shtml.

[108]   陆峰,司晓:《加快实施产业互联网国家战略》,《学习时报》2019年11月13日。

[109]   郭凯天:《把握数据要素新特点,点燃数字经济新动能》,《学习时报》2020年4月20日。




最近有读者反映接收不到我们的推送,推荐一个方法:需要大家更多的“在看”支持或将我们设为星标,就能第一时间接收我们的消息。



感谢大家一直对腾讯研究院的关注,我们将继续为大家提供专业深度的内容。


--END--

在看一下

    前往看一看

    看一看入口已关闭

    在“设置”-“通用”-“发现页管理”打开“看一看”入口

    我知道了

    已发送

    发送到看一看

    发送中

    微信扫一扫
    使用小程序

    取消 允许

    取消 允许

    微信版本过低

    当前微信版本不支持该功能,请升级至最新版本。

    我知道了 前往更新

    确定删除回复吗?

    取消 删除

      知道了

      长按识别前往小程序

      本站仅按申请收录文章,版权归原作者所有
      如若侵权,请联系本站删除

      微信QQ空间新浪微博腾讯微博人人Twitter豆瓣百度贴吧

      觉得不错,分享给更多人看到

      腾讯研究院 微信二维码

      腾讯研究院 微信二维码

      腾讯研究院 最新文章

      宏观经济增长框架中的数据生产要素:历史、理论与展望 ∣ 企鹅经济学  2020-06-11

      腾讯司晓:如何打造健康可持续的数据生态?  2020-06-10

      邬贺铨、韦青谈新基建 | 被疫情加速的“数字化进步”新常态线上研讨  2020-06-09

      “市民即市长”:韩国首尔的未来城市观|WeCity档案  2020-06-08

      图灵逝世66年后,AI可以自我思考了吗?  2020-06-07

      GDPR 2周年,来自欧盟内部的反思与启示  2020-06-06

      最适合摆地摊的12本产业增长“秘笈”| 腾讯研究院专题书单  2020-06-05

      文化消费走向如何?一文读懂四大关键趋势  2020-06-04

      Wecity观察丨谷歌Sidewalk折戟多伦多与智慧城市的数据“元问题”  2020-06-03

      新文创新文旅 杨丽萍担任艺术顾问QQ炫舞上线新版《雀之灵》  2020-06-03

      (function(){ var bp = document.createElement('script'); var curProtocol = window.location.protocol.split(':')[0]; if (curProtocol === 'https') { bp.src = 'https://zz.bdstatic.com/linksubmit/push.js'; } else { bp.src = 'http://push.zhanzhang.baidu.com/push.js'; } var s = document.getElementsByTagName("script")[0]; s.parentNode.insertBefore(bp, s); })(); (function(){ var src = (document.location.protocol == "http:") ? "http://js.passport.qihucdn.com/11.0.1.js?ba34c9f41d18b62312e960833b3cb4ae":"https://jspassport.ssl.qhimg.com/11.0.1.js?ba34c9f41d18b62312e960833b3cb4ae"; document.write(''); })();