编者按：文章将经济系统分解为五个深度关联的模块，阐述了数据要素进入宏观经济机器后如何微观地影响系统里各个模块的运转，包括进入科斯的企业黑箱产生“边界效应”，进入需求侧产生“匹配效应”与“扩张效应”，进入供给侧产生“生产效率”与“配置效率”等等。作者认为，数据要素进入宏观经济机器，必将改变甚至重构许多已经被反复验证的农业和工业时代的商业模式、经济规律和治理规则，理论上存在大量的研究空白亟需填补。
从土地、劳动到资本、数据，从刀耕火种到机械化大生产，从工业经济、信息经济到数字经济，生产要素的类型及其运作机制是随着技术进步和经济发展而不断丰富演化的，这也反映了人类从石器文明、农耕文明到工业文明、数字文明不断跃迁的经济社会形态。
当前全球正在开启以数字技术为主要推动力的新一轮产业变革浪潮，数据日益成为一种不可或缺的核心经济要素。当然，从数据的本质来说，它是对物品、服务或经济主体等相关信息的电子或非电子形式的记录，是描述和认知客观世界的载体，因此至少从结绳记事开始就有了数据。但是人类进入数字经济时代后，数据从感知、采集、存储、传输和智能化使用等各个方面均有了质的飞跃。特别是海量的数据被网络化、智能化和云化后，企业微观层面可以推动流程重组、商业模式创新和发展战略重构，宏观经济层面可以推动行业价值链整合、经济生态体系更新和整个经济配置方式转换，因此数据要素不断融入宏观经济机器并对其运转产生深刻影响。
在古典经济学的完美世界里，所有参与者均具有完全信息和完全理性，因此不存在不确定性。而此后的主流经济学沿着对这一假定条件的放松而不断展开和丰富的，比如有限理性、理性预期学派、合约理论、博弈论与信息经济学、激励理论、机制设计理论、新规制经济学等等，可以说对不确定性问题的解释是现代经济学最丰富的矿藏之一。而数据要素的最大价值就在于其能提供丰富的信息，大幅降低甚至在一定程度上消除不确定性，因此其进入经济系统无疑会对经济运行规律和经济管理理论产生重大影响。
数据单独无法创造价值，其必须进入宏观经济机器里，与其它生产要素微观地相结合并进行互动和循环，才能为经济增长做出贡献。不管是从经济理论演绎还是从行业经验归纳层面，关于数据要素到底如何进入复杂的经济系统，如何与其它经济要素进行相互作用，如何改变甚至重构许多已经被反复验证了千万次的农业和工业时代的商业模式、经济规律和治理规则，都存在大量的研究空白需要去填补。
从大的方面来说，我们可以将经济系统分解为五个深度关联的模块：供给、需求、交易、制度环境与开放经济。当数据要素进入经济系统后，它就成为经济要素而内生地影响系统里各个模块的运转，如图所示。在需求环节，数据与千家万户被深度移动数字化的消费者建立实时联系；在供给和交易环节，数据和土地、劳动、资本和技术一样作为生产要素，进入生产函数和成本函数里发挥作用；数据要素会对经济社会的运行方式产生深远影响，传统的制度环境需要按照数据要素的应用规律进行适应性创新，并以此提高宏观调控能力、国家治理能力和降低市场交易成本；未来数据还会通过推动跨境数字贸易、打造全球智能工厂和构建世界数字经济规则，成为进一步融通开放经济与封闭经济的重要动力。
数据要素应用发展的战略底座是以云计算为典型代表的新型基础设施。云计算可分为IaaS（基础设施即服务）、PaaS（平台即服务）和SaaS（软件即服务）三个层面，具有快速部署、弹性产能和快速迭代等核心能力，高速驱动数据要素融入经济系统并推动各行各业进行数字化转型升级。但我国云计算能力以及其所推动的产业互联网发展存在不充分不均衡问题，并且国际化水平不高，已成为制约数据要素进一步融入经济系统的重要短板。比如在云基础设施服务市场，前三家均为美国公司亚马逊、微软和谷歌，其中仅亚马逊AWS一家的市场份额近几年始终都保持在三分之一以上，微软Azure也快速上升到五分之一左右的市场份额，并且其办公软件的SaaS化转型产品office365也大获成功。据Gartner公司测算的数据，中国企业上云率还不到美国的一半，需要加快追赶速度。
从实证研究的角度来看，数据要素对经济系统运转的效率贡献需要进行测算，但目前尚存在统计上的困难。不同于资本、劳动等可以进行经济核算，目前对于数据的统计核算工作还处于刚刚开始探索阶段。从数量上来看，数据要素存在非常明显的多源异构性和场景异质性，如果只是简单进行数据量的核算加总，可能很难界定出其经济价值；从价值上来看，数据要素的主要贡献不在于数据产业或数字经济核心产业本身，而在于其对各行各业的效率提升。从上世纪50年代罗伯特·索洛的研究开始，对于这些难以剥离出来的生产要素的影响，经济学家统统将其归为一类，用综合要素生产率或全要素生产率来概括，更有学者将能源消耗和环境污染问题考虑在内提出绿色全要素生产率的概念。因此，数据对经济系统的效率影响测算，从实证研究角度来说目前可能更多地体现在全要素生产率的提升，未来更精准的价值剥离则依赖进一步的统计和实证分析技术创新。
在新古典经济学中，企业一直被当作一个黑箱，各种生产要素填入其中，通过有效率地转换形成经济产出，然后进入市场进行等价交换以实现利润最大化。1937年，罗纳德科斯在其《企业的性质》一文中首次指出，企业和市场在本质上其实是两种可以相互替代的资源配置方式，当企业内部的组织管理成本低于市场主体之间交易成本的时候，企业就诞生了，这就为企业与市场划了一条至少理论上非常清晰的边界。科斯的企业理论被认为是打开了企业运作的黑箱，同时也打通了经济学与管理学的研究界限。
数据要素进入经济系统后，数据流带动技术流、资金流、人才流和物资流进行重构，会对市场与企业的边界划分产生深刻影响，可以称之为“边界效应”。数据要素既降低了市场的交易成本，又降低了企业的组织管理成本，因此这种边界效应是不明确的，需要依据具体场景进行实证研判。智慧交通领域的近期发展是一个很好的例证。比如腾讯未来交通解决方案以动态感知、实时数据为基础，运用数字孪生技术将物理世界与信息世界连通，坚持平台即孪生、数据即治理、智联即服务、生态即共创的理念，构建以人为中心的，人、车、路、云、网五位一体的交通生命体，企业、市场和公共服务的边界都被将被打通。
更重要的是，数据要素大量使用的同时伴随着平台经济模式的兴起。比如，TAPD敏捷研发协作和管理平台支持敏捷需求规划、迭代计划跟踪、测试与质量保证、持续构建交付等全过程研发实践，一方面能帮助企业内部整合研发资源和提升研发效能，降低研发管理的组织成本，另一方面还可以通过API接口连接外部技术社区和客户，将社区合作伙伴的差异化能力和客户的体验诉求持续沉淀在产品中，形成共同成长的生态，从而不仅模糊了企业内部研发与技术市场交易的边界，也模糊了技术市场交易与研发平台协作的边界。可见，平台的功能一方面在很大程度上是对市场的替代，使得外部交易平台化或准内部化，另一方面也是对企业组织定义的重塑，很多企业通过让渡部分经营管理权而成为平台经济系统的一部分，形成了以平台为核心的共生共荣的数字经济生态圈。因此，数据要素进入经济系统后，会对科斯的企业理论产生非常复杂的影响，市场与企业的边界再次模糊起来，平台与市场和企业的边界成为未来企业理论研究的重点，可以预期将迎来新一轮的经济学和管理理论创新。
从需求侧来说，数据要素对经济系统的影响可以总结为两大类效应，一类是“匹配效应”，即通过人货场融合、全链路数字化来降低信息不对称、提高供需匹配效率和增加交易，也就是实现均衡点在需求曲线上的移动和优化；另一类是“扩张效应”，即直接提升需求水平，或者说需求曲线向外扩张。微观个体的需求扩张，加总到宏观就是扩大国民经济内需，提升社会总需求水平。此外，这两种效应不仅作用于产品市场，也同样作用于金融、人力资源等要素市场。
值得注意的是，在传统经济时代，市场是完成交易的主要场所，买卖双方以价格、产量和质量等为主要变量的动态竞争是市场运转的典型机制。但随着数字经济兴起，平台将越来越替代市场一跃成为匹配供需和促成交易的主流商业形态。因此，在数字经济时代，数据要素对交易匹配效率的提升和需求扩张主要是通过对平台的影响来实现的，并且因为数据技术前所未有的强大能力而推动平台交易机制的变革，流量、用户体验等新的变量逐步成为竞争关注的焦点。
数据要素的匹配效应不仅能促成交易，而且还能够进一步反馈至生产环节，将人、数据和生产能力结合起来，重构产业流程，从而形成需求牵引供给、供给创造需求的更高水平动态平衡。比如，作为一款云端部署的数字工厂APP，云端智造协同平台在手机、平板和电脑端均可敏捷使用，连接消费端、流通端、生产端和供应链，对采购、排程、生产、物料、质检、设备等核心制造流程进行全链路数字化管理，通过数据要素应用来全面提升行业协同运营效率，帮助工厂实现从客户下单、原料入厂到成品出厂“一气呵成”，从而实现数据连接供需、需求牵引制造、云端制造协同。
从供给侧来说，数据要素对经济系统的影响主要是提高经济效率。经济效率一般分为“生产效率”和“配置效率”两种。当然，经济学意义上的“生产”并非只是制造业，而是包括农业、制造业和服务业等在内的各种经济活动的统称。生产效率是指在要素投入数量和配置方式既定的情况下，所能得到的最有效率的产出，技术进步、降本增效往往是提高生产效率的主要因素。比如，腾慧飞瞳AI质检仪利用联网样本数据、工业AI引擎和物联网等技术，突破电子零部件产品外观检测自动化的瓶颈问题，实现了成像、检测、稳定性、安全性等多方面的算法创新，从而大幅降低检测成本和提升生产效率。
如果通过优化生产要素的配置方式，特别是通过制度设计让资源从生产效率低的地方流向生产效率高的地方，从而使得在要素投入数量没有增加的情况下，产出水平依然可以大幅提高，则为配置效率。一般理解，微观经济活动更多关注的是生产效率，而配置效率则主要体现在跨行业领域的宏观经济活动中，比如经济体制改革带来了巨大的配置效率提升。
一种要素投入如果只是单纯提高生产效率，并没有改变基本商业模式或资源配置方式，我们可以将之视作量变；如果它同时还促使基本商业模式或资源配置方式进行重构，提高配置效率，则可以说是产生了质变。数据要素的使用既会产生量变，又能推动质变，量变和质变渐次发生且相互促进。这是由于数字技术具有通用目的属性，因此数据要素进入经济系统后，不仅微观地赋能于每一个生产要素，对各行各业均能产生明显的生产效率提升效应，更重要的是能宏观地推动各种生产要素的配置方式发生本质性改变，从而提升整个经济社会的资源配置效率，克服所谓的“鲍莫尔成本病”。
就数据对其它生产要素的赋能而言，这种影响应该不是中立和均质的，但究竟对哪种生产要素的影响更大，则是一个需要进一步实证的问题。德隆·阿西莫格鲁提出了偏向性技术进步理论来刻画一项技术应用会更 “青睐”（偏向）于何种生产要素。比如大量实证研究结果发现，20世纪以来欧美等国的技术进步总体上表现为资本偏向性技术进步的特征，即技术进步带来了更多的资本投入。我们也可以按照同样思路提出“偏向性数据使用”的分析框架，考察数据要素进入经济系统后会更“青睐”何种生产要素，相信今后会有很多这方面的高水平研究成果产生。
我们还可以从创新的角度来审视数据要素在供给侧的价值。生产函数和成本函数的联立组合就是多种生产要素的协同配合并形成产出的供给侧效率机制。数据可以推动生产函数和成本函数本身的跃迁来形成更高水平的产出，而这正是熊彼特对创新的基本定义，因此可以说数据要素可以通过促进创新而推动经济效率的不断提升。
数据要素对经济系统中不同区域、不同行业和不同企业的影响都是有差异的，或者说存在明显的异质性。区域的发展水平、行业的竞争结构、企业的组织形态和产品的技术经济特征等等因素都会影响数据要素发挥作用的速度、深度和广度。其中很重要的一点是，数据要素与其它生产要素之间相对价格的变动走向，这是数据推动各行各业创新背后的一个关键变量。
就行业领域来说，目前数据要素在服务业和公共治理等领域的应用比较广泛，比如零售、文旅、金融、医疗、教育、交通出行、数字政府等都取得了很多标志性的成果。工业领域是未来数据要素应用的主战场，市场规模会非常大。工业领域很早之前就已经搭建了相对较为完善的信息化架构，但这些信息化基础有可能反而会成为这个领域进一步向数字化、网络化和智能化转型的包袱。因此需要学会用沉没成本的视角来看待和进行管理决策，关键在于推动领军企业核心业务系统的云化平台化改造，以此带动整个产业链的云端迁移。数据要素进入能源领域对于绿色发展与碳中和目标达成具有独特意义，因此需要加快能源互联网建设，以数字技术和分布式能源网络来提高能源整体利用效率。
相对而言，农业领域的数据要素应用目前基本还是一张白纸，也是一个广阔的蓝海，虽然起步比较慢，但一旦达到一个市场应用的临界点，反而有可能出现爆发式的增长。当前阶段的关键问题是要加快补齐农业农村网络发展短板，搭建基于云平台的“空、天、地”一体化农业数据采集系统、农业生产模拟仿真和病虫害监测预警系统、生产资料数字化服务平台和农产品交易管理平台。比如腾讯正在和广东粤旺农业集团、新希望集团等农业企业开展战略合作，携手打造智慧农业平台和数字城乡生态圈。
数据要素进入经济系统离不开数字技术支撑，特别是基础和前沿技术。现在的基础技术是过往的前沿技术，现在的前沿技术将成为未来的基础技术。就数据要素应用发展来说，基础技术主要包括三部分，分别为5G和卫星通信等信息基础设施，高端芯片、存储器、服务器和传感器等基础硬件，操作系统、中间件、数据库和云计算系统等基础软件。前沿技术具有高度不确定性，目前各国竞争的热点主要集中在量子计算、量子通信、人工智能关键算法、自动驾驶、沉浸式媒体、产业区块链、脑机接口等领域。夯实基础技术能力，紧跟乃至引领前沿技术潮流，是当前支撑数据要素融入经济系统的两大短板，也是未来主攻方向。
补齐基础和前沿技术能力短板的关键不在于技术难度本身，而在于技术生态体系搭建，这是由数据要素应用创新的发展规律所决定的。一方面，需要借鉴美国上世纪九十年代的NII计划的战略经验，搭建“基础通信网络+关键硬件设备+应用软件/APP”完整技术生态体系，并支持数字技术开源社区等创新联合体发展，完善底层软硬件标准体系和开源知识产权保护体系，推动国内数据要素生态体系的国际化融合；另一方面，需要高度重视当前数字技术与传统产业深度融合的新趋势，推动数字技术与新能源技术、生物技术、制造技术等传统领域协同发展，将领先的平台经济优势、完整现代工业体系和超大规模市场需求串联起来，探索以“NB-IOT+云计算”为核心的“技术+产业+应用”新型技术生态体系。
由此可见，数据要素进入经济系统是一个持续渐进、逐步深入、非均衡发展的过程，既有与其他要素的复杂作用，也会对供给、需求和交易产生多重效应，还有对制度环境和开放经济所带来的深刻影响。目前推动我国数据要素进一步融入经济系统还存在一些障碍，择其要者可以归纳为“四个面向”：（1）面向基础和前沿的数据技术处理能力薄弱；（2）面向云与产业互联网的数据要素应用发展不充分不均衡；（3）面向社会总福利最大化的数据制度框架构建滞后；（4）面向开放经济的数据要素跨境创新明显不足，需要从战略高度加以重视和谋划解决。
本文首发于《清华管理评论》2021年第11期，原题为《数据要素如何进入经济系统》，部分内容于2021年12月26日曾在中国工业经济学会互联网专委会数字经济高峰论坛上演讲交流。
关注小程序