數據要素市場化配置效率評價研究

喬 晗 李卓倫

1 中國科學院大學 經濟與管理學院 北京 100190 2 中國科學院大學 數字經濟監測預測預警與政策仿真教育部哲學社會科學實驗室（培育） 北京 100190

數字經濟時代，數據成為新型生產要素和戰略性資源，促進數據要素市場化配置，有助于充分釋放數據要素價值，深化數字經濟和實體經濟融合，為經濟高質量發展提供新動能[1]。2015年貴陽大數據交易所正式掛牌運營，率先開始探索數據的流通和交易模式。2019年黨的十九屆四中全會首次提出數據是數字經濟時代的新型生產要素；2020年我國首份要素市場化配置中央政策文件——《中共中央 國務院關于構建更加完善的要素市場化配置體制機制的意見》發布，要求加快培育數據要素市場。

當數據成為生產要素，就需要通過市場化配置以實現價值[2]。數據要素市場化配置的過程就是通過制度或技術促進市場化交易，以釋放生產要素價值的過程[2]。Pantelis 和 Aija[3]提出政府公共數據的開放、市場化主體之間的數據共享和數據交易是數據要素市場化配置的 3 種主要途徑。楊艷等[4]認為數據交易平臺的建設是推進數據要素市場化配置的重要手段之一，且數據交易平臺的有效性和可推廣性反映了數據要素市場化配置效率的高低。隨著相關政策的落地和改革成效的初步顯現，現階段我國數據要素市場化配置效率水平究竟如何，不同地區間的數據要素市場化配置效率有何差異，制約數據要素市場化配置效率的主要因素有哪些，數據要素市場化配置效率是否會影響以及如何影響數字經濟高質量發展等問題，逐漸成為學術界和實踐界共同關注的焦點。科學探究上述問題，可以為各級政府因地制宜地制定數據要素市場化建設方案，以促進數據要素充分參與市場配置，賦能經濟高質量增長提供有益借鑒和決策參考。

1 數據要素市場化配置效率的測算方法

1.1 數據要素市場化配置的理論過程

推進數據要素市場化配置的過程就是通過制度或技術促進市場化交易，以釋放生產要素價值并實現經濟增長的過程[2]。首先，云計算、區塊鏈等新一代信息技術的應用不僅降低了數據傳輸成本、提高了數據傳輸效率[5]，而且為數據流通和交易提供了安全性保障。其次，在打牢數據要素市場化配置技術根基的同時，也需要從交易規則、開放共享機制等方面提供制度性保障[2]。最后，數據要素的價值在于其對數字經濟高質量發展的貢獻。數據要素本身具有強協同性，數據價值實現需要與傳統生產要素相結合[2]，且結合后會產生價值倍增效應[6]。根據數據價值鏈理論，采集的數據實現價值增值還需要經過流通、存儲、分析和應用等環節，而上述各環節均需要其他生產要素的投入。因此，實現數據要素市場化配置首先需要通過技術和制度促進數據要素的流通和交易，然后市場化的數據要素通過與其他生產要素協同作用，以實現價值轉化和促進數字經濟高質量發展（圖 1）。

1.2 數據要素市場化配置效率的測算模型

根據數據要素市場化配置的理論過程（圖 1），可以將數據要素市場化配置過程劃分為 2個階段，第 1 階段為數據要素市場化建設階段，反映通過技術和制度促進數據要素市場化流通和交易的過程；第 2 階段為數據要素價值化配置階段，刻畫數據要素與其他生產要素協同聯動，實現數據要素價值轉化，促進數字經濟高質量發展的過程。

圖1 數據要素市場化配置的理論過程Figure 1 Theoretical model of market allocation of data elements

基于上述數據要素市場化配置的特點，本文采用追加中間投入的網絡 DEA（data envelopment analysis）模型對數據要素市場化配置效率進行測算。DEA 效率測算模型將經濟活動視為由多項投入和產出指標構成的生產活動系統，以最大化產出投入比為目標，通過求解線性規劃，對生產活動系統的效率進行測算。選取該方法進行數據要素市場化配置效率測算，主要有 3 個原因：① DEA 方法與模糊綜合評價法等其他效率評價方法相比，不僅具有非參數優勢，而且有效減少了主觀因素帶來的效率評價偏差[7]。② 數據要素市場化配置過程具有明顯的階段性特征，網絡 DEA 模型[8]考慮了生產過程不同階段的關聯特征，使效率評價更加合理和全面[9]。③ 追加中間投入的網絡 DEA[10]模型結構可以更加系統地刻畫數據要素與其他生產要素的協同過程。

2019年，《中共中央關于堅持和完善中國特色社會主義制度 推進國家治理體系和治理能力現代化若干重大問題的決定》提出“健全勞動、資本、土地、知識、技術、管理、數據等生產要素由市場評價貢獻、按貢獻決定報酬的機制”，數據首次被確立為生產要素，故本文以 2019年為研究起點。同時考慮數據的可得性，本文搜集了 2019—2020年2年的數據，對具有數據可得性的 30 個省（區、市）的數據要素市場化配置效率進行測算。基于網絡 DEA 效率測算模型的數據市場化配置效率評價指標體系及數據來源見表 1。

根據數據要素市場化配置的 2 個階段劃分和效率評價指標體系（表 1）可以將數據要素市場化配置過程模型化為以下 2 階段關聯的 DEA 生產活動系統（圖 2）。

表1 數據要素市場化配置效率評價指標體系Table 1 Evaluation index of market allocation efficiency of data elements

以最大化數據要素市場化配置 2 個階段（圖 2）的產出與投入之比為目標，在約束條件下，求解每個階段的最優產出投入比，將 2 個階段的最優產出投入比之積作為數據要素市場化配置的效率測度。

2 數據要素市場化配置效率評價與動態分析

2.1 數據要素市場化配置效率評價

2.1.1 中國數據要素市場化配置整體效率分析

本文應用追加中間投入的網絡 DEA 模型（圖2），對 2019年和 2020年具有數據可得性的 30 個省（區、市）的數據要素市場化配置效率進行測算，結果見表 2。其中，DEA 效率測算值等于 1，表明達到有效狀態；效率值小于 1，說明由于存在投入冗余和產出不足，而未達到有效狀態，且該值越小表明越低效。整體來看，2019年30 個省份數據要素市場化配置平均效率為 0.420，2020年該值為 0.528，表明在研究期內我國數據要素市場化配置效率呈現上升趨勢。

圖2 數據要素市場化配置的追加中間投入的網絡DEA系統Figure 2 Network DEA system with additional intermediate inputs of market allocation of data elements

不同地區對比來看，東、中、西部②東部地區：北京、天津、河北、上海、江蘇、浙江、福建、山東、廣東、海南、遼寧、吉林和黑龍江；中部地區：山西、安徽、江西、河南、湖北和湖南；西部地區：內蒙古、廣西、重慶、四川、貴州、云南、陜西、甘肅、青海、寧夏和新疆。地區 2020年數據要素市場化配置效率均值都超過 2019年均值，且東部地區效率均值最高，說明我國不同地區都實現了數據要素市場化配置效率的提升，且東部省份對數據要素市場化改革響應更加迅速。從各省份來看，不同省份之間數據要素市場化配置效率具有顯著差異。具體而言，2019—2020年我國數據要素市場化配置效率均值在 0.800 以上省級行政區共有 5 個，分別為貴州、山東、北京、廣東和上海，表明該部分地區在數據要素市場化配置中的投入與產出相匹配，對數據等生產要素的利用較為充分。對比發現，內蒙古、云南、遼寧、甘肅和山西為整體平均效率較低的地區，說明該部分地區在數據要素市場化配置中存在投入冗余和成效不足的問題。

2.1.2 中國數據要素市場化配置分階段效率分析

數據要素市場化配置包括市場化建設和價值化配置 2 個階段，且 2 個階段相互關聯，共同影響數據要素市場化配置的整體效率（圖 2）。

總體來看，30 個省份的數據要素市場化建設階段平均效率為 0.541，小于價值化配置階段的平均效率 0.900（表 2）。分地區對比，東、中、西部地區的市場化建設階段平均效率也都明顯小于價值化配置階段的平均效率。說明數據要素市場化建設階段效率與價值化配置階段相比有更大的提升空間。這一結果反映出我國數據要素市場化建設工作在數據開放和數據交易 2 個方面需要進一步提高。①數據開放方面。現階段主要以公共數據開放為主，一方面缺乏社會數據的有效補充，另一方面地方政府數據開放平臺建設不完善、開放數據實用性不強等問題還比較突出①復旦大學數字與移動治理實驗室（復旦DMG）與國家信息中心數字中國研究院聯合發布的《中國地方政府數據開放報告（2021）》. (2022-01-20)[2022-08-04]. http://www.dmg.fudan.edu.cn/?p=9278.。②數據交易方面。自 2014年以來，出現在公眾視野里的數據交易平臺中，已有過半數的平臺處于停業狀態[11]。實際運營中的數據交易平臺還存在著交易制度不完善、交易標準不明晰等諸多問題，使得平臺作為數據流通和交易的載體功能并不能充分發揮。

表2 數據要素市場化配置效率Table 2 Market allocation efficiency of data elements

同時，由圖 3中不同地區 2年的平均效率對比可以發現，東、中、西部地區的市場化建設階段效率具有明顯差異——平均效率從高到低依次是：東部、中部和西部，說明在政府越關注、信息基礎設施越完備、經濟越發達的地區，數據開放和交易平臺的建設效率越高。而東、中、西部地區的價值化配置階段效率相當，都維持在 0.900 的效率值左右，說明我國不同地區數據要素價值化配置階段效率不存在明顯差異，各省份數據要素與其他生產要素的協同聯動能力普遍較強。

圖3 東、中、西部地區平均效率Figure 3 Average efficiency in eastern, central, and western regions

根據市場化建設階段效率的測算結果（表 2），在該階段連續 2年達到有效狀態的省份有 3 個，分別為山東、湖北和黑龍江，說明這 3 個省份在數據要素市場化建設過程中，不存在投入冗余，產出與投入水平匹配較好，數據要素市場化建設活動相比其他省份是高效的。

根據價值化配置階段效率的測算結果（表 2），在該階段連續 2年達到有效狀態的有廣東、北京、上海、江蘇、江西、河南、山西、內蒙古、云南、青海共 10 個省份。

2.2 數據要素市場化配置效率動態分析

Malmquist 指數分析[12]是對 DEA 效率靜態比較的補充，能夠反映 DEA 效率的跨期動態變化情況。為此，本文進一步計算了數據要素市場化配置效率的 Malmquist 指數，并對以 Malmquist 生產率指數表示的全要素生產率的變化率進行了分解[13]（計算結果見表 3）。

在表 3 所示的指數分解結果中，TFPCH 表示全要素生產率的變化率，若 TFPCH＞1，說明當期與前期相比得到了提高。同時，TFPCH 可以被分解為技術進步率（TECH）和數據要素市場化配置效率變化率（EFFCH）2 部分。TECH 表示生產技術邊界的推移，反映技術進步率，當 TECH＞1 時，表明當期與前期相比，實現了技術創新能力的提高和技術進步。EFFCH 主要反映數據要素市場化配置效率的變化率，若 EFFCH＞1，說明當期與前期相比得到了提高。

2.2.1 各地區數據要素市場化配置效率變化情況（EFFCH）分析

根據表 3 和圖 4，30 個省份中，共有 18 個省份的數據要素市場化配置效率變化率大于 1，占比為 60%，表明大多數省份的數據要素市場化配置效率在研究期內都有提高。其中，效率提升幅度最大的是重慶，數據要素市場化配置效率變化率為 8.399；提升幅度最小的為河南，變化率為 1.002。重慶 2020年數據要素市場化配置效率雖然與 2019年相比有了大幅的提高，但提高后的數據要素市場化配置效率為 0.233，仍處在較低水平，原因在于數據要素市場化建設階段的效率不高（表 2）。東部、中部和西部 3 個地區的平均市場化配置效率變化率都大于 1，說明研究期內我國總體數據要素市場化配置效率得到了提高。

圖4 各地區數據要素市場化配置效率變化情況Figure 4 Changes in market allocation efficiency of data elements

2.2.2 各地區技術進步率變化情況（TECH）分析

根據表 3 和圖 5，具有數據可得性的 30 個省份中，共有 16 個省份的技術進步率大于 1，占比為 53%，說明超過半數的樣本省份在 2019—2020年實現了和數據要素市場化配置密切相關的新一代信息技術的快速發展和進步。同時，東、中、西部 3 個地區相比，中、西部地區的技術進步率均大于 1，且中部地區的技術進步率最大，說明中、西部均實現了信息技術創新能力和信息技術水平的提高，且中部地區技術進步最為明顯。

圖5 各地區技術進步變化情況Figure 5 Changes in technology development level

2.2.3 各地區全要素生產率變化情況（TFPCH）分析

根據表 3 和圖 6，總體來看，具有數據可得性的 30 個省份的全要素生產率變化率均值為 1.644，大于 1，說明我國 2020年全要素生產率與 2019年相比有了顯著提升，充分體現了自十九大報告首提“推動經濟發展質量變革、效率變革、動力變革，提高全要素生產率”③《習近平：決勝全面建成小康社會 奪取新時代中國特色社會主義偉大勝利——在中國共產黨第十九次全國代表大會上的報告》. (2017-10-28)[2022-08-04]. http://cpc.people.com.cn/GB/n1/2017/1028/c64094-29613660.html.以來，我國經濟由要素投入式增長向優化配置式增長轉型取得的階段性成效。數據要素市場化配置效率變化率和技術進步率 2 項指標均值都大于 1，說明數據要素市場化配置效率的提高和技術進步均對提升全要素生產率具有正向作用。同時，對比30個省份的技術進步率均值（1.054）和數據要素市場化配置變化率均值（1.656），說明相比于研究期內技術的小幅進步，數據要素市場化配置效率的提高更加顯著，對于推動全要素生產率提升更為關鍵。數據要素的市場化配置能夠通過賦能其他生產要素，使得其他生產要素在投入既定的情況下，生產力和生產效率得到進一步提高。在微觀層面，生產環節中數據要素的投入優化了人員配置、改進了生產技術[14]；流通和交換環節中，包含有效信息的數據傳遞降低了供需匹配的搜尋成本、緩解了信息不對稱帶來的資源配置低效[14]。在宏觀層面，數據要素市場化配置效率的提高，有效推動了產業結構優化和企業數字化轉型，賦能了國民經濟各部門發展[15]。

圖6 各地區全要素生產率及其分解結果的變化情況Figure 6 Changes in total factor productivity and its decomposition results

表3 2019—2020 Malmquist 指數測算結果Table 32019—2020 Malmquist index

同時，在 30 個樣本省份數據中，共有 19 個省份的全要素生產率變化率大于 1，占比 63%，說明 2020年近 6 成的樣本省份全要素生產率與 2019年相比，得到了不同程度的提高。全要素生產率提高的 19 個省份中，又有 14 個省份的數據要素市場化配置效率變化率超過技術進步率，占比 74%，也說明數據要素的協同性明顯，數據要素市場化配置效率的提高已經成為提升全要素生產率的關鍵。

3 主要結論與政策啟示

本文從理論上構建了數據要素市場化配置模型和數據要素市場化配置效率評價指標體系，并應用追加中間投入的網絡 DEA-Malmquist 方法對我國 30 個省（區、市）的數據要素市場化配置效率進行評價和動態分析。發現研究期內我國數據要素市場化配置效率整體上升，但仍有較大提升空間。數據要素市場化配置過程的 2 個階段相比較，數據要素市場化建設階段效率顯著低于數據要素價值化配置階段效率。通過 Malmquist 指數分析發現，在數據要素市場化配置效率提升和技術進步的共同驅動下，研究期內過半數樣本省份的全要素生產率實現了提升，且與技術進步相比，提高數據要素市場化配置效率對推動全要素生產率提升的影響更大。

基于以上研究結論，本文的政策啟示和建議主要有以下 3 個方面：

（1）加快培育數據要素市場是現階段提升數據要素市場化配置效率的重點。實證結果表明，我國各省份數據要素市場化配置效率提升的瓶頸在于市場化建設階段的效率不高。建議：未來應從數據、平臺、制度3個方面，加強數據要素市場化建設。① 強化高質量的數據供給是加強數據要素市場化建設的工作重點。數據供給應兼顧數量和質量——既要擴大數據供給的類別，拓展數據資源的應用場景，又要細化數據供給的顆粒度，增強數據資源的實用性。② 加強數據要素市場化建設，要求數據開放和交易平臺充分發揮好實現數據有序開放的載體功能和撮合數據高效交易的中介功能。③ 加強數據要素市場化制度建設，重點在于強化數據要素產權制度建設和數據要素流通與交易制度建設——既要完善數據分類分級確權授權使用機制，又要制定科學的數據交易市場準入機制和數據合規評估標準。

（2）提升數據要素市場化配置效率是現階段提高全要素生產率的關鍵。實證結果表明，技術進步和數據要素市場化配置效率的提高均對提升全要素生產率具有正向作用，且后者更為關鍵。建議：各級政府高度重視數據要素市場化配置對全要素生產率的推動作用，以“有為政府”助力“有效市場”高質量發展。① 通過提供公共產品的方式，搭建公共數據開放平臺，加強公共數據高質量供給；② 通過制定包容審慎的政策，鼓勵對數據要素的交易模式和價格形成機制進行積極探索和試點，以培育合規有效的數據要素市場。

（3）建設全國統一的數據要素大市場是未來的發展趨勢。現階段由于資源稟賦和地方政府對數據要素市場培育工作的重視程度不同，我國不同省份的數據要素市場化配置效率差異明顯。構建全國統一的數據要素大市場有助于通過頂層設計，統籌優化機制建設和平臺建設，進一步提高我國的數據要素市場化配置水平。建議：從機制統一和平臺統一2個層面，加快建設全國統一的數據要素大市場。① 機制層面，要在數據交易平臺的功能要求、數據交易服務的安全要求、數據交易的行為規范等方面制定統一的國家標準，以破除數據跨區域流動壁壘和促進數據要素在更大范圍內的不同主體間的流通。② 平臺層面，要加強中央對各類數據服務平臺的統籌規劃和布局。平臺建設要高標準、重質量、輕數量，可考慮以相對高效的區域性交易平臺建設替代省級交易平臺建設，充分發揮區域性組織的比較優勢，提高單個數據交易平臺的輻射范圍和經營效率，尋求以最高效的平臺建設達到最優的數據開放和流通水平。

附錄1 追加中間投入的網絡DEA效率測算模型

該效率測算模型的 2 個基本假設：① 每個階段都滿足前沿條件，即各階段效率小于等于 1；② 中間產出在關聯階段中的權重相等。本文進行效率測度所采用的網絡 DEA 系統結構，如附圖 1 所示。

附圖1 追加中間投入的網絡DEA模型Appendix Figure 1 Network DEA model with additional intermediate inputs

追加中間投入的網絡 DEA 模型的目標優化問題為：

在規模報酬不變以及各階段等權重的假設條件下，整體效率θ由第 1 階段效率θ1和第 2 階段效率θ2以乘法形式關聯構成[9]。xi

(1)表示初始投入，xh(2)表示追加中間投入，zd表示中間產出，yr表示最終產出，vi，qh，wd，ur分別為(1)，xh

(2)，zd，yr各項投入和產出指標的系數。網絡 DEA 模型中不僅要求保證第 1 階段效率值小于等于 1，同時要求在第 2 階段的效率值小于等于 1 的約束條件下，第 1 階段達到最佳有效狀態θ1max。

首先，根據 Charnes-Cooper 變換，將受約束的第1階段模型轉換為線性規劃問題：

那么整體效率θ可以表示為第 1 階段效率θ1的函數：

同時，對第 2 階段效率模型進行Charnes-Cooper變換，得到追加中間投入的 2 階段線性規劃問題：

解上述線性規劃問題可得整體最優效率θopt、第 1階段最優效率和θ1opt第 2 階段最優效率θ2opt。

附錄 2 追加中間投入的網絡 DEAMalmquist 指數

DEA 模型的結果只能反映截面數據的靜態相對效率，本文將 Malmquist 指數模型與追加中間投入網絡 DEA 模型結合起來，以揭示數據要素市場化配置效率、全要素生產率等的跨期動態變化情況。

Malmquist 指數由 4 個距離函數計算得到，結合追加中間投入的網絡 DEA 模型定義距離函數D（t,t+1）：）為例，其表示在t+1 時期，追加中間投入網絡 DEA 系統中決策單元（Decision-Making Unit，DMU0）以t時期前沿面為參考面時的相對效率值。同理可得，另外 3 個距離函數值

可進一步對以 Malmquist 生產率指數表示的全要素生產率變化率做如下分解：

其中，TFPCH 表示全要素生產率的變化率；TECH 反映技術進步率；EFFCH 反映數據要素市場化配置效率的變化率。