廠商運用大數據和人工智能的經濟學分析

何大安

摘? ?要： 大數據、互聯網、云計算、機器學習、物聯網、區塊鏈等人工智能技術，正在改變個人、廠商和政府投資經營策略。針對廠商預測和規劃、提供產品和服務手段的變化，經濟學至少要關注以下問題：一是大數據和人工智能的廣泛運用對廠商決策會產生怎樣的影響，如何對這些影響做出經濟學意義上的一般理論概括和描述;二是要說明廠商運用大數據和人工智能的程序、路徑和過程，使之得到經濟學理論的分析性解釋;三是探討未來大數據和人工智能的運用前景，通過前瞻性研究對大數據和人工智能有可能重塑經濟學理論做出一些有依據的推論。經濟學家在大數據和人工智能時代要完成的重要任務，是研究廠商運用新科技搜集和處理大數據會在哪些方面影響產量和價格，改變競爭和壟斷路徑從而改變產業組織結構。

關鍵詞： 數字經濟;智能經濟;機器學習;物聯網;區塊鏈;產業組織理論

中圖分類號：TP18? 文獻標識碼：A? 文章編號：1004-8634（2021）03-0074-（10）

DOI：10.13852/J.CNKI.JSHNU.2021.03.007

一、問題思考和領悟

經濟學發展到今天，就企業的投資經營或產供銷活動而論，新古典經濟學的廠商理論以及現代經濟學的產業組織理論，一直被看成經濟學的正脈。1 撇開這兩大學說學理承接和理論見解的差異，它們分析廠商產供銷活動有一個共同點，那便是沒有真正將科技因素作為分析廠商決策的內生變量納入模型。出現如此情形的主要原因，概括來講，或許是經濟學家沒能在科技領域找到可以測度經濟行為變動的基本要素，這樣的要素必須具有既覆蓋整個科技領域同時又可衡量科技水平層級的功能。工業化時代的科技進步大大提高了勞動生產力，但科技界沒有向經濟學家提供執經濟發展牛耳的基本科技要素。隨著通信技術從3G、4G到5G的發展，信息傳輸速度和范圍呈現出指數級的加快和擴大態勢，互聯網“時空錯開、同步并聯、客戶拉動、實時評價”提供的交易平臺，移動設備、傳感器、社交媒體、定位系統等搜集大數據功能的擴張，以及云平臺、云計算、機器學習、物聯網、區塊鏈等人工智能技術對大數據的匹配，使大數據成為廠商投資經營決策的基本分析要素。

大數據是指大自然和人類活動留下的數字化數據與非數字化數據之和，它被看成廠商投資經營的基本分析要素，是因為人類可以通過大數據分析使自然現象和人類活動的因果關系鏈得以揭示。從新科技發展看，人類借助發達通信系統和移動互聯網來建立大數據云平臺，運用云計算、機器學習、物聯網、區塊鏈等人工智能技術對自然現象和人類活動之因果關聯密碼進行破譯，標志著以大數據為基本分析要素的科技人文主義的到來。作為新科技廣泛運用所產生的一種思想潮流，科技人文主義認為萬事萬物的形成和發展都可以看成數據流，強調一切自然現象和人類活動都可以解析為“算法”。1 如果把廠商投資經營與科技人文主義聯系起來，我們至少在兩個大方向上會有思考和領悟：其一，科技人文主義是大數據、互聯網和人工智能相融合的產物，在這樣的背景下，廠商的投資經營需要以大數據為基本分析要素，以互聯網為運作平臺，以人工智能為操作手段;其二，廠商如何通過大數據分析以及運用人工智能技術，相對準確地規劃和確定產品和服務。我們圍繞以上兩大方向，大體上可以對廠商運用大數據和人工智能技術做出經濟學分析。

廠商投資經營以大數據為基本分析要素，表明廠商改變了思維和決策的依據。從思維依據改變看，廠商開始以大數據思維取代過去以部分信息推論全體的因果邏輯思維，2 這種改變在經濟學分析中具有經濟哲學意味。以決策依據而言，廠商通過對大數據的搜集和處理，力圖掌控投資經營的準確信息，這種改變在經濟學分析中具有基礎理論分析價值。廠商以互聯網為運作平臺，以人工智能為操作手段來進行投資經營，直接涉及經濟學的產業組織理論。從互聯網平臺考察，廠商借助互聯網平臺進行產供銷活動，不僅反映廠商投資經營路徑和方法的與時俱進，更重要的是留下了廠商與廠商、廠商與消費者之間行為互動這一研究主題。經濟學家研究這種行為互動，不應繞避廠商決策行為以及廠商之間關聯到產業組織變動的網絡協同;就人工智能操作手段而論，廠商在掌握云計算方法的基礎上，通常會運用機器學習、物聯網、區塊鏈等人工智能技術對產品和服務的供給及需求做出預測。凡此種種，都要求經濟學家必須對產業組織理論等有新解釋。

廠商大數據分析可分為搜集和儲存、整合和分類、加工和處理三個階段。廠商能否高效地運用人工智能技術匹配大數據，從而相對準確地規劃和確定產品與服務，取決于他們掌握和駕馭人工智能技術水平的高低，這便決定了對廠商處于以上哪一階段的定位問題。廠商運用人工智能技術匹配大數據的具體技術操作，是計算機專家和人工智能專家關注的事;經濟學家需要研究的是廠商的數據智能化催生的投資經營模式，以及研究該模式有可能導致的微觀經濟基礎變化。基于廠商的數據智能化以大數據、互聯網和人工智能等融合為前提，廠商的技術層級便反映在加工和處理大數據上。3 經濟學家對這種技術層級研究的任務，是判斷或推論廠商能在多大程度和多大范圍內提供適合社會有效需求的產品和服務，這會關聯到大數據時代微觀經濟理論的建構。

社會物理學家和未來學家對大數據和人工智能發展的憧憬，計算機和人工智能專家有關大數據和人工智能無所不能的一些描述，無疑給經濟學家帶來了激勵。社會物理學家和未來學家認為，未來的數據關系會取代依據部分信息而推斷的因果關系，大數據思維將取代因果思維，事物因果關聯的構成都可以通過“算法”來揭示。4 計算機和人工智能專家認為，人類在通過互聯網、移動設備、傳感器、社交媒體、定位系統等獲得大數據的同時，可以運用云計算、機器學習、物聯網、區塊鏈等人工智能技術把萬事萬物統統還原為數據流。1 大數據和人工智能果真有如此功能，經濟學家便可以把廠商投資經營視為數據流，市場出清意義上的產品和服務的供給量與需求量就有可能實現。

對廠商運用大數據和人工智能展開經濟學分析，重點不是解說廠商運用大數據和人工智能技術的具體操作過程，而是要說明廠商通過大數據分析有沒有可能獲取準確信息，以及廠商主要通過哪些人工智能技術匹配大數據來取得準確信息。這里所說的準確信息是指廠商投資什么、投資多少、生產什么和生產多少的確定信息，這個問題上升到宏觀層面就是社會總供給和總需求的平衡。基于這樣的理解，本文第二部分展開廠商投資經營的大數據分析，按照經濟學規范做出相關評說;第三部分討論廠商投資經營的人工智能技術選擇及其運用，解讀廠商運用機器學習和物聯網等人工智能技術獲取準確信息的可能性;第四部分則對廠商運用大數據和人工智能技術的未來予以展望。

二、廠商大數據分析的經濟學解讀

在問題解讀之前，我們概要討論一下“究竟是先有大數據還是先有信息”，這個問題對于大數據和人工智能運用的經濟學分析的重要性在于，解答“究竟是信息來源于大數據還是大數據來源于信息”。一種觀點認為大數據是工具，它來源于信息;另一種觀點認為信息的外延比大數據小，它來源于大數據。這兩種觀點的分歧在于對信息和大數據之客觀存在的不同理解。其實，撇開它們的性質規定，最直觀、最樸素的解釋是看兩者誰覆蓋誰。大數據是數字化數據與非數字化數據之和，不管發現或感知與否，大數據不依人的意識而存在，但信息通常是人們發現或感知的產物，因而大數據的外延明顯大于信息。事實上，大數據在宇宙中一直存在，只是人類科技水平達不到一定高度時沒有大數據這個概念罷了。經濟學對信息不完全、不對稱、扭曲或失真等會降低效用函數的研究，是以工業化時代廠商搜集和處理信息的科技能力為背景的;廠商在大數據時代獲取準確信息的能力顯著提高，但廠商是如何通過大數據分析來獲取準確信息的呢？經濟學必須回答這個問題。

1.大數據分析之于廠商投資經營是新科技運用的起點，廠商在大數據分析的不同階段有不同內容

從數字經濟視角看，廠商的投資經營活動可以解說為廠商與廠商以及廠商與消費者之間紛繁復雜的行為互動。廠商無論是購買原材料、交易中間品，還是銷售最終產品和提供服務，這些互動都會留下大量的數字化數據和非數字化數據。廠商通過什么樣的途徑來搜集這些大數據，采取什么樣的技術手段來處理這些大數據，以及能在多大程度和范圍內運用這些大數據規劃投資經營，直接關系到廠商能否準確捕捉社會的有效需求，直接關系到廠商產品和服務的產量及價格決定，直接關系到廠商是否具有優勢競爭地位，直接關系到廠商效用函數的大小。事實上，廠商展開大數據分析，正在逐步改變過去主要依靠諸如供求波動和價格信號等市場機制進行決策的傳統，他們通過何種途徑、方法和手段來搜集、加工、處理大數據，會在反映他們新科技水平的同時顯露出投資經營的經濟學機理。經濟學家的任務是描述和揭示這些機理，使廠商經由大數據分析而產生的選擇行為得到經濟學解釋。

如前所述，大數據是數字化數據與非數字化數據之和，廠商運用大數據和人工智能技術要經歷三個階段。就廠商投資經營活動的起點和終點而論，在第一階段，廠商主要利用互聯網來搜集影響、決定產品和原材料供求的大數據，這些大數據與廠商投資經營活動直接相關，它們是廠商與客戶、消費者相關的數字化數據，我們通常所說的互聯網+企業發展到一定程度就具備這樣的大數據搜集能力。在第二階段，要儲存、整合和分類這些與客戶和消費者相關的數字化數據，廠商要有運用軟件和云計算的能力，建立云平臺或至少能夠利用公共云平臺的能力。在第三階段，廠商必須對這些與客戶和消費者相關的數字化數據進行加工和處理，具體過程是運用云計算和人工智能技術來匹配大數據。有關大數據的匹配，涉及采用什么樣的人工智能技術來篩選和甄別真實反映供求關系的數據，以提取可以產生最大化效用的信息，它是廠商運用大數據和人工智能展開投資經營活動的終點。以上有關廠商大數據分析的階段性描述是針對數字化數據而言的，當我們考察廠商對非數字化數據的分析時，將會有更深邃的經濟學解讀。

2.互聯網+企業轉變成人工智能+企業的顯著標志是，能夠運用人工智能技術加工和處理那些間接包含產品和服務之供求信息的非數字化數據

經濟學家曾對投資和消費的偏好、認知、效用等進行過深邃的基礎理論分析，1 他們在此基礎上對產品、服務的供求數量變動和對其他經濟事件的研究，主要是通過各種社會調查取得的樣本數據以及依據各類統計報表匯總的數據來展開的，這些數據都是數字化數據。我們且不說這些數字化數據不全面，僅就它們不包括以圖片、圖書、圖紙、視頻、聲音、影像等為載體的非數字化數據而論，廠商要從互聯網+企業轉變成人工智能+企業，必須能夠在云計算基礎上運用諸如機器學習、物聯網、區塊鏈等人工智能技術把非數字化數據轉化成數字化數據。廠商的這些新科技努力至少要包括以下內容：其一，采取什么樣的路徑和方法獲取非數字化數據;其二，運用什么樣的人工智能手段使非數字化數據轉化成數字化數據;其三，大數據是已發生的歷史數據、正在發生的現期數據以及將來可能會發生的未來數據這三大塊數據之和，廠商的人工智能+水平達到何種高度才能處理現期數據和未來數據。很明顯，這些內容將是經濟學家對廠商運用大數據和人工智能做出經濟學分析的重點。

眾所周知，經濟學無論是對微觀經濟領域還是對宏觀經濟領域進行研究的理論歸宿，都是試圖解決由供求變動引發的產量和價格決定的均衡問題。在大數據、互聯網和人工智能等沒有問世前，或新科技出現的初期，廠商難以對投資經營的數字化數據做出搜集、加工和處理，更遑論非數字化數據的搜集、加工和處理，這種狀況使經濟學家不可能聯想到大數據和人工智能等新科技的作用。經濟學家以新科技手段作為推論產量和價格決定的依據，要研究廠商如何運用科技來匹配大數據，互聯網+企業轉變成人工智能+企業的條件配置，新科技未來發展將會導致的微觀經濟領域和宏觀經濟領域的新格局。這些問題的研究上升到經濟理論分析層面，涉及微觀經濟學和宏觀經濟學的重塑。經濟學家把握廠商如何搜集、儲存、整合、分類、加工和處理大數據，從而把握廠商投資經營決策做出符合新科技實踐的過程，是經濟學家重塑微觀經濟學和宏觀經濟學的分析過程。

3.廠商大數據分析的最大困難是對非數字化數據的搜集、加工和處理，經濟學家只有對這種狀況做出解析，才有可能對廠商運用新科技的投資經營做出全面的經濟學解讀

廠商投資經營的非數字化數據主要來自廠商產供銷活動的信息流動及反饋，2 既包括廠商之間在契約形成過程中的意向、談判、制訂、修改、執行、再調整等，也包括廠商投資經營的選擇偏好、認知和效用期望變動等;不僅包括廠商、中間商和消費者之間的信息流動及反饋，而且還包括他們投資經營和消費的心理、傾向、體驗、目標追求等信息。這些呈非數字化數據的信息通常以隱性方式存在，它們能在多大程度和范圍內被廠商搜集、加工和處理，取決于廠商大數據分析和人工智能運用水平。從搜集這些非數字化數據的手段看，隨著全覆蓋、低時延、萬物互聯的5G通信技術的飛速發展，廠商利用移動互聯網、社交媒體、傳感器、定位系統等的搜集能力會逐步增強。不過，能夠搜集到非數字化數據是一回事，能在多大程度和范圍內把它們轉化成數字化數據卻是另一回事。經濟學家要解釋這個問題，離不開對廠商數據智能化水平的經濟學分析。

數據智能化是對廠商搜集、儲存、整合、分類、加工和處理大數據能力的一種綜合描述，該能力高低是廠商大數據分析水平高低的標志。如前所述，我們曾依次把廠商搜集和儲存大數據、整合和分類大數據、加工和處理大數據劃分為技術層級的三個階段，若以廠商能否駕馭數字化數據和非數字化數據作為判斷依據，很明顯，那些能夠搜集、儲存、整合、分類、加工和處理非數字化數據的廠商，要比那些只能駕馭數字化數據的廠商具有更高的數據智能化水平。無論廠商是搜集、儲存、整合、分類、加工和處理數字化數據還是非數字化數據，人工智能技術的掌握和運用都貫穿其間。換言之，廠商數據智能化水平的高低終究還是要體現在人工智能的運用高低上，這便要求經濟學家結合人工智能運用對數據智能化水平不同廠商的預測供給和需求情形做出一般性分析。基于此，經濟學家可考慮先對只能應付數字化數據的廠商進行分析，通過分析這類廠商在不同數據智能化階段的供給和需求的預測能力，對不同數據智能化水平的廠商做出一般的理論概括;然后再對既能應對數字化數據又能應對非數字化數據的廠商進行分析;以致能夠對不同數據智能化水平廠商預測供給和需求狀況加以模型化，從而勾勒廠商大數據分析之經濟學解讀的一般圖景。

其實，較之工業化時代廠商獲取信息和處理信息的情形，我們在廠商只能搜集、儲存、整合、分類、加工和處理數字化數據的框架內考察其投資經營，即便只是對處于搜集和儲存數據階段進行考察，廠商數據智能化水平也大大高于工業化時代。具體地說，廠商會通過互聯網和云平臺來搜集、儲存大量有關產供銷的數字化數據，并從這些大數據中獲得比工業化時代花費同樣成本要多得多的信息;當廠商具備整合和分類數字化數據的能力時，從大數據中甄別、刪除和篩選錯誤信息、失真信息、扭曲信息的數據智能化水平便達到了一定的高度，就能夠獲取更多的產供銷的準確信息;當廠商具備加工和處理數字化數據的能力時，意味著廠商能夠利用云平臺和云計算以及其他初級人工智能技術來匹配大數據，以致能更多、更準確地獲取產供銷信息。當廠商能夠搜集、儲存、整合、分類、加工和處理非數字化數據時，這個分析框架與數字化數據分析框架的內容類似，只是數據智能化水平差異導致廠商從大數據中獲取信息量及其準確性有所不同。

經濟學家對廠商運用大數據而形成的數據智能化水平進行經濟學解讀的重點，是要通過大數據分析來說明廠商預測產品和服務之供求數量準確性的提升，并通過這種說明為重塑微觀經濟分析框架奠定理論基礎。同時，經濟學家要解釋大數據分析有可能改變社會經濟運行格局，也就是要解釋人們所說的經濟運行怎樣進入數字經濟時代。關于這個問題的解釋，需要說明廠商運用什么樣的人工智能技術匹配大數據才能實現經濟運行模式的轉型。而要說明這個轉型過程的發生，經濟學家必須對廠商運用人工智能技術做出經濟學分析。

三、廠商運用人工智能技術的經濟學分析

人工智能技術在社會經濟、政治、文化等領域的廣泛應用正在推動數據主義的盛行。1 我們姑且不論數據主義關于宇宙萬物都可解析為“算法”的觀點未來能不能經得起檢驗，僅從數據智能化引致人類決策的新路徑和新方法看，數據主義的前瞻性或多或少具有一定程度的說服力。正像經濟學資源配置理論、產業組織理論等所描述和揭示的那樣，廠商投資經營會面臨投資什么以及投資多少的決策，解決產量、價格的決定以及競爭路徑的選擇。這些問題涉及信息的搜集和處理，通常需要廠商運用科技手段來預測和解決。大數據作為信息來源和新科技的基本分析要素，是以顯性和隱性兩種形式存在于人類活動和自然現象之中的，廠商要獲取完備和準確的信息，就必須在掌握和運用大數據的基礎上按投資經營目的對大數據進行匹配，這便關聯到人工智能技術發展和采用何種人工智能技術手段等問題。

1.相對于物聯網和區塊鏈等人工智能技術，機器學習是廠商加工和處理產供銷大數據的主要人工智能技術手段

大數據、5G通信、移動互聯網、云計算以及機器學習、物聯網和區塊鏈等人工智能技術，正在打造數字經濟、智能經濟、共享經濟和體驗經濟等新業態;廠商運用云計算對不同特征數據流的加工和處理，1 以及建構和運用智能模型來代替人腦選擇的一些成功嘗試，在宣示著新科技有可能比市場機制更高效率調節產量和價格的同時，也在激勵著經濟學家對廠商運用大數據和人工智能展開新探索。以產量和價格的決定而論，廠商在達到云計算技術要求的前提下，要完成對產供銷大數據的加工和處理，需要事先制定學習目標和訓練算法迭代，把數據格式化和過濾掉無關數據，以完成對產量、價格大數據進行挖掘和處理的機器學習過程。相對物聯網和區塊鏈等人工智能技術，機器學習借助云平臺和云計算對廠商產供銷大數據進行的加工和處理，是一個更加直接運用人工智能匹配大數據的過程;機器學習作為一種預測廠商產供銷數量的人工智能方法，直接關聯于產量和價格決定。

經濟學運用齊次方程組揭示產品和服務數量及其結構的一般均衡分析，是以供求關系和價格機制調節產品、服務為分析基礎的，2 這一分析落實到廠商的產品和價格決定上，可謂一種高度抽象的描述;而后期理論對產品和價格決定的研究，同樣沒有跳出一般均衡分析的抽象理論框架。理論分析從抽象走向具體，廠商要準確決定產品數量和價格，關鍵在于準確預測客戶需求;客戶需求在大數據上表現出明顯的多維度，這些多維度的大數據既包含不同層次和側面的需求信息，也包括表征需求的真實信息、扭曲信息和錯誤信息;廠商要在解析這些反映多維度需求大數據的基礎上做出預測，機器學習是目前最有效的人工智能技術手段。物聯網是融合了互聯網技術、通信技術和信息技術的跨領域人工智能平臺，作為一種網絡物理系統（Cyber Physical System），盡管其具有數據采集、處理和智能運用等功能，但它并不能直接對投資、生產什么以及投資、生產多少做出預測。同理，區塊鏈本質上是價值互聯網，盡管它具有分布式賬本、去中心化信任、時間戳、非對稱加密、智能合約五大技術特征，但它同樣不能直接對投資、生產什么以及投資、生產多少做出預測。

經濟理論的學術價值和實踐價值，在于解釋經濟現象的因果關聯、運行機理，并在此基礎上通過大數據分析展開預測。就大數據的加工和處理而論，機器學習從監督學習、無監督學習走向深度學習、強化學習，標志著人類預測能力的提高。廠商運用機器學習方法來預測產品、服務的供給、需求及其結構，是以掌握極大量、完備性的產供銷大數據為前提，以多維度的產供銷大數據為主要分析對象的，因此，機器學習在分析程序、方法和過程等方面明顯不同于物聯網和區塊鏈，這便給經濟學家展開對廠商運用人工智能的經濟學分析劃定了既定的對象和范圍。

2.廠商運用機器學習方法進行產供銷預測的最大困難，是對供給和需求之多維度大數據的加工和處理，而解決這一困難的途徑在于對非數字化數據的匹配

機器學習方法是一種與計量經濟學有交集但突破了其過度注重對經濟現象進行統計計量的人工智能技術。與計量經濟學關注估計結果的無偏性和一致性不同，機器學習以決策樹（Decision Tree）、支持向量機（SVM）等模型為支撐，試圖解決預測問題。機器學習廣泛運用原先因樣本數據限制而在計量經濟學中很少運用的嶺回歸（Ridge Regression）、套索算法（LASSO）等方法。3誠然，機器學習有取代計量分析方法的趨勢，但廠商運用機器學習仍然難以預測產量、價格決定。具體地說，現有的機器學習技術在尚不足以全面搜集、整合、儲存、分類、加工和處理數字化數據的情況下，根本無法應對非數字化數據。不過，現階段廠商運用機器學習技術難以預測產量和價格是一回事，在理論上闡釋未來廠商運用機器學習方法有可能準確預測產量、價格的機理卻是另一回事。經濟學家必須關注這一機理的研究。

對于廠商而言，掌握客戶需求大數據是至關重要的。從理論上講，客戶需求大數據可分為直接需求大數據和間接需求大數據。1 前者通常反映為廠商提供的產品、服務數量，這部分數據又可分為已發生交易的大數據和馬上產生交易的潛在大數據;后者則是由大眾投資、消費其他產品和服務（甚至包括與投資、消費無關的活動）所折射出來的反映這部分需求的大數據。關于直接需求中已發生交易的大數據，廠商可以依據已完成交易的產品、服務量對大數據進行搜集、整合、儲存、分類、加工和處理，運用監督學習、無監督學習、深度學習和強化學習等機器學習方法來預測后續期應該提供的產品、服務數量。廠商運用人工智能技術預測產品、服務的供應量并由此決定產量、價格，會在一定程度上改變市場機制的調節方式。針對市場調節方式的改變，經濟學家要圍繞資源配置機制來展開分析，研究廠商運用大數據和人工智能會在哪些方面減弱市場價格機制調節產量的功能，并在理論上修正或創新廠商的供給函數和需求函數。

對廠商運用人工智能技術加工、處理間接需求大數據的分析，是一個很困難的問題。基于間接需求大數據主要是非數字化數據，廠商搜集這類大數據需要借助移動通信（網）、傳感器、社交媒體、定位系統等新科技手段，而廠商加工、處理這類大數據則需要掌握能夠將非數字化數據轉化為數字化數據的尖端人工智能技術。例如，針對大眾的消費傾向、消費偏好、消費時尚等的變化，廠商需要具備諸如邏輯推理、專家系統、概率推理、語音識別、自然語言處理等人工智能技術，能夠讓機器學習融合邏輯推理、概率推理等，并能夠在此基礎上通過提升深度學習、強化學習手段對這些間接需求大數據展開多維度分析，以嘗試將類似于消費傾向等的非數字化數據轉化為數字化數據。2 在未來，廠商運用人工智能技術對非數字化數據進行的加工和處理，是微觀經濟分析不可忽視的重要環節，經濟學家要將這種轉化納入理性選擇理論;事實上，當廠商能夠運用人工智能技術實現這種轉化時，理性選擇理論的偏好函數就出現了新內容，從而也就規定了認知函數和效用函數的新內容。

3.物聯網技術與機器學習技術在廠商投資經營活動中有著相同的基質，都是廠商數據智能化的體現，共同改變著廠商投資經營的路徑和策略

廠商投資經營的數據智能化，是指廠商利用互聯網和云平臺、云計算和機器學習等人工智能技術的投資經營過程。與機器學習一樣，物聯網作為人工智能技術所展現的數據智能化，是數據采集、數據處理和數據智能運用。當物聯網經由機器學習助推而達到較高的技術層級時，對于產量和價格確定，或者說，投資和生產什么，投資和生產多少，消費者需求什么、需求多少以及偏好于何種需求方式等，廠商都可以運用機器學習、物聯網而在一定程度和范圍內揭示。通過參數選擇和模型設置建構，物聯網可以通過企業之間的互通互聯來匹配大數據。它是具備一定技術層級的數據智能化和網絡協同化（下文將討論）的網絡平臺。物聯網可經由產品、服務的供求結構變動來導引廠商適應和選擇經營場景，它的廣泛運用會改變廠商投資經營的路徑、策略，以致引起產業組織變動。經濟學需要在物聯網、機器學習和網絡協同化相融合的背景下，加深、拓寬對廠商投資經營路徑、策略的研究。

廠商投資經營路徑、策略是以效用最大化為目標的，當機器學習、物聯網等新科技能夠使廠商實現效用最大化時，數據智能化就會成為廠商在充分競爭條件下投資經營的主要路徑、策略。無論是從機器學習還是從物聯網來考察，廠商借助云平臺和云計算進行機器學習、物聯網操作的過程，皆是運用人工智能匹配大數據的過程。現階段廣泛運用的深度學習、強化學習通過多層次神經網絡的設計，是結合低層級特征數據與高層級特征數據來揭示大數據分布特征的。1如前所述，大數據是歷史數據、現期數據與未來數據之和，由此可推論，當前機器學習、物聯網的發展方向是在加工、處理歷史數據的基礎上走向加工、處理現期數據，將來的發展方向是加工、處理未來數據。這兩大發展方向蘊含著廠商投資經營路徑、策略的機理構成，經濟學家需要從廠商與客戶之間的行為互動中做出解說，以創新大數據、互聯網和人工智能等相融合背景下的產業組織理論。

4.網絡協同化是廠商運用大數據和人工智能進行交易的必然結果，網絡協同化的核心是經濟學需要關注的廠商與客戶之間的行為互動

數據智能化既是物聯網的基礎也是網絡協同化的基礎，但這并不妨礙物聯網與網絡協同化之間的邏輯關聯，即物聯網會從行業運營擴張到全社會，并與互聯網交易一起導致網絡協同化。大數據和人工智能專家通常關注物聯網的具體操作，2經濟學家則關注物聯網從行業擴張到全社會所推動的網絡協同化。物聯網依據自下而上的“數據和算法”形成的執行指令對廠商投資經營的功能性影響，是把傳統企業逐步改變成基于數據和算法的智能企業;當我們把物聯網執行指令與產品和服務交易過程綜合起來考察，可以發現這些經過參數和模型預先設計而產生的執行指令，會通過產品、服務交易，打破企業原先依據價格信號和供求關系進行選擇的市場秩序。不過，對于經濟理論研究來說，應該重視伴隨這些執行指令的產品、服務交易背后的廠商與客戶的行為互動，即廠商投資經營過程中的網絡協同化。

針對大數據、互聯網和人工智能等相融合背景下出現的網絡協同化，以交易成本為核心的現代主流產業組織理論的解釋是蒼白無力的。主流經濟學的解釋力之所以會出現這樣的境況，是因為工業化時代沒有互聯網這一交易平臺，廠商不能運用大數據和人工智能技術進行投資經營，經濟學家不可能在扁平化層次上關注廠商與客戶之間的行為互動。關于網絡協同化對廠商數據智能化的要求，是一個值得經濟學深入分析的問題。這個問題至少有以下三個方面的內容：一是如何運用大數據分析來解釋廠商與客戶之間的行為互動，這是把科技因素作為內生變量引入理論研究的嘗試;二是如何在理論上解說網絡協同化與數據智能化的相關性，這需要從短期和長期來考察;三是如何依據廠商數據智能化水平來界定廠商網絡協同化層級，這是對廠商運用大數據和人工智能展開經濟學分析的重要側面。3 經濟學家對網絡協同化的進一步討論，會涉及網絡協同效應這一深邃且直面經濟學基礎理論的問題。

人類進入大數據時代出現廠商與客戶的網絡協同化，是因為廠商投資經營走向了數據智能化。網絡協同化與數據智能化是一塊銅板的兩面。一般來講，廠商數據智能化技術程度低，就難以用人工智能技術搜集、加工和處理廠商與客戶交易時由行為互動所產生的大數據，網絡協同化水平就低，反之則亦然。在市場競爭中，數據智能化技術水平低的廠商可以達到一定程度的網絡協同化，但不能實現網絡協同效應，只有數據智能化和網絡協同化水平都很高的廠商才能實現網絡協同效應。這里有一個問題需要討論，那就是具備網絡協同效應的廠商會產生市場勢力，從而具有行業壟斷的潛質。網絡協同效應問題的出現，擴大了經濟學分析廠商運用大數據和人工智能的邊界，它要求經濟學家對廠商競爭路徑、手段、行業壟斷形成等進行研究，并在此基礎上對資源配置機制、產業組織變動、政府宏觀調控等問題進行研究。顯然，這些問題的研究要受到未來大數據和人工智能技術發展的約束。

四、對廠商運用大數據和人工智能的未來展望

廠商運用大數據和人工智能未來發展的總體方向，可以從兩個方面概括：一是在實現熟練加工和處理數字化數據的基礎上，最大限度地提高加工和處理非數字化數據的水平;二是在實現熟練加工和處理歷史數據的基礎上，努力達到能夠加工和處理現期數據，并且朝著挖掘、加工和處理未來數據的方向行進。從經濟理論研究角度看問題，無論是單個廠商還是全體廠商對歷史數據的加工和處理，只是對已發生交易的產品和服務的歷史數據進行的加工和處理，或者說，是對前期供給和需求之大數據的加工和處理。經濟學在非大數據框架內對歷史數據的加工和處理曾有過很長時間的探索，但標志這種探索的經濟實證分析所做出的各種預測模型并沒有獲得令人滿意的成功。隨著大數據、互聯網和人工智能等的高度融合，廠商搜集、加工和處理歷史數據的人工智能技術日益提高，大數據分析已顯著提高了廠商預測產品、服務的供求能力。針對廠商運用大數據和人工智能的這一發展勢頭，經濟學家要結合經濟學基本原理做出一般理論分析。

經濟活動中正在發生的現期數據和尚未發生的未來數據，構成了廠商運用人工智能技術來匹配大數據的最大難點。1 相對于未來數據，現期數據的對象是人們正在進行的經濟活動留下的行為痕跡，廠商對它們的搜集、加工和處理具有直觀性，譬如，產品生產、交易、消費、物資運輸、國內外貿易、資源勘探與開發等。如果廠商數據智能化和網絡協同化水平很高，就可以通過移動互聯網、傳感器、社交媒體、定位系統等來搜集、儲存、整合和分類這些現期數據，利用云平臺、云計算和人工智能技術來加工、處理這些現期數據。撇開大數據和人工智能的各種技術規定，經濟理論對廠商試圖處理現期數據這種發展趨勢的分析，要研究廠商具備處理現期數據能力后對微觀經濟行為變化的影響，并根據這些變化來分層次地分析供求格局、產量和價格決定、競爭和壟斷、產業組織變動等，以奠定對微觀經濟學進行創新的基礎。

廠商運用大數據和人工智能進行投資經營的最高境界，是能夠挖掘、加工和處理未來數據。廠商挖掘大數據與搜集大數據存在差別。前者是對現有新科技手段還難以搜集的未來大數據的挖掘;后者是現有新科技手段能夠搜集的大數據，主要是指歷史數據。對未來數據的挖掘，僅僅靠現有的移動互聯網、傳感器、社交媒體、定位系統以及云計算、云平臺等是遠遠不夠的，必須在邏輯推理、專家系統、概率推理、語音識別、自然語言處理等人工智能技術方面有長足的發展。例如，利用人工智能的尖端技術，在深度學習和強化學習的基礎上探索出更高端的機器學習方法。目前人類利用人工智能技術成功挖掘未來數據的案例是AlphaGo和Master與世界頂級棋手的對弈，人類運用人工智能技術對大約30萬幅圍棋譜的大數據進行加工和處理，并通過融合深度學習和強化學習而挖掘出人工智能支撐的新數據（未來數據），最終戰勝了世界頂級棋手。在未來，廠商運用頂級人工智能技術挖掘、加工和處理未來數據將會成為一種必然趨勢。

然則，無論將來人工智能技術運用于經濟領域獲得怎樣的發展，廠商數據智能化和網絡協同化永遠是決定這種發展不會改變的根基。從經濟學有關產品和服務的供給和需求角度考察，當廠商數據智能化達到一定高度時，就有可能準確把握市場出清意義上的產品和服務的供給端;同理，當廠商網絡協同化達到一定高度時，就有可能準確把握市場出清意義上的產品和服務的需求端。廠商出于效用最大化的內在沖動，總是力圖使自己的數據智能化和網絡協同化達到很高的水準;廠商處于外在競爭的強制，總是希望具有很強的市場實力。換言之，廠商總是希望通過大數據和人工智能技術的運用來實現讓其他廠商望其項背的網絡協同效應。網絡協同化是廠商與廠商以及廠商與消費者之間廣泛存在的行為互動，這種互動可以通過大數據和人工智能技術揭示，因而，從這個意義上來講，我們可以將“網絡協同效應”理解為數據智能化和網絡協同化的函數。盡管這個函數很抽象，但它應該成為經濟學家理論分析層面的研究對象。

關于廠商運用大數據和人工智能的未來發展，有一個理論問題值得探討，廠商要獲取網絡協同效應來爭取一定的市場實力，必須能夠運用數據智能化處理復雜的交易場景和生態。對于以在線支付、信用擔保、物流保證、客戶拉動、實時評價、風險監控、產品和服務上下游關聯等為內容的交易場景、生態，廠商要解除網絡協同化約束，必須能夠匹配那些表征交易場景、生態的大數據。這個問題的進一步討論，實際上是從特定層面對如何加工、處理非數字化數據的討論。網絡協同化之行為互動的屬性規定，使廠商很難運用人工智能技術去甄別、加工和處理那些對投資經營形成網絡協同化約束的非數字化數據，如客戶選擇偏好、認知變化、效用期望等行為方式。在交易場景和生態中，有大量間接影響投資經營的以非數字化數據形式存在的潛在大數據，廠商只有具備很高的人工智能技術水平，才能夠挖掘和匹配這些潛在大數據。事實上，網絡協同化約束的程度和范圍，與廠商加工和處理潛在大數據的能力呈反比;這種反比關系在表明數據智能化與網絡協同化相關聯的同時，也揭示了廠商要取得網絡協同效應所必須達到的條件配置要求。在未來，如何化解復雜的交易場景和生態對網絡協同化的約束，是廠商運用大數據和人工智能進行投資經營時要面對的問題。

大數據、互聯網和人工智能等的深度融合，正在全面影響投資、消費、生產經營、娛樂、醫療衛生、政府治理等人類活動。就投資經營而論，廠商運用大數據和人工智能的發展方向，是在堅持提高數據智能化水平的基礎上完善同網絡協同化的結合，以追求網絡協同效應。但對于這種以大數據和人工智能為分析主線的研究課題，尚需要從基礎概念、基本原理、運作機理等方面展開系統而細致的描述和研究，這有待經濟學家花費很大的氣力來完成。

An Economic Analysis of Manufacturers Use Big Data

and Artificial Intelligence

HE Daan

Abstract： Big data， the Internet， cloud computing， machine learning， the Internet of Things， blockchain and other artificial intelligence technologies are changing the investment and operation strategies of individuals， manufacturers， and governments. In response to changes in manufacturers forecasts and plans， and the means to provide products and services， economics should at least pay attention to the following issues. The first is how the widespread use of big data and artificial intelligence will affect manufacturers' decision-making， and how to make a general theoretical summary and description of these effects in the economic sense. The second is to explain the procedures， paths and processes of manufacturers using big data and artificial intelligence， so that they can be analytically explained by economic theories. The third is to explore the application prospects of big data and artificial intelligence in the future， and make some evidence-based inferences that big data and artificial intelligence may reshape economic theories through forward-looking research. An important task for economists in the era of big data and artificial intelligence is to study the ways in which manufacturers use new technology to collect and process big data that will affect output and prices， change the path of competition and monopoly， and change the structure of industrial organization.

Key words： digital economy， intelligent economy， machine learning， Internet of Things， blockchain， industrial organization theory

（責任編輯：蘇建軍）