基于數據要素驅動的國際貿易比較優勢研究

高 越，張淑婷

（山東理工大學 經濟學院，山東 淄博 255000）

一、引言

當前，世界正進入數字時代，數據要素成為各國經濟增長的重要推動力。2021 年，國務院在《“十四五”數字經濟發展規劃》中，強調“數據要素是數字經濟深化發展的核心引擎，數據對提高生產效率的乘數作用不斷凸顯，成為最具時代特征的生產要素”。瑞士管理發展研究院（IMD）世界競爭力中心把數據要素劃分為數字技術、數據知識和數字化轉型能力三個維度，其中：數字技術指物聯網、人工智能、云計算、區塊鏈等的應用，是數字經濟發展的重要標志；數據知識反映一個國家或地區開發、理解、學習數字技術的能力，不僅能夠作為勞動工具，帶來生產效率的提高和生產能力提升，還可以作為勞動對象，具備價值和使用價值；數字化轉型能力指標刻畫了國家層面應對數字經濟進行轉型升級的能力。當前，數字經濟發展繁榮，制造業企業要利用好數據要素，這對于行業的數字化轉型和企業的生產率提升都具有重要意義。同時，探尋新時代下的比較優勢來源有助于鞏固和進一步擴大我國國際競爭力，實現更高水平的對外開放。基于此，本文研究數據要素是否為構成比較優勢的來源，明確數據要素的重要作用并闡明其作用機制，旨在為制造業行業和國家經濟高質量發展提供新的思路。

數據要素對企業生產、社會經濟發展都將產生廣泛而深遠的影響。對于企業來說，數據要素不僅作為生產要素直接參與生產，還能優化企業的要素配置，促進企業出口產品質量升級，提升產品競爭力。與傳統要素相比，數據要素通過不同渠道、方式進入生產過程和資本積累過程，更有利于全要素生產率的提升（徐翔和趙墨非，2020）［1］；黨琳等（2021）［2］認為，制造業數字化轉型可以促進出口技術復雜度的提高；肖旭和戚聿東（2019）［3］發現，數據要素的應用有利于推動產業結構升級。與已有研究不同，本文主要研究數據要素在國際貿易中的地位，即數據要素是否是比較優勢的一個驅動要素，或者說是否構成比較優勢的一個來源。如果答案肯定，就為經濟體的產業結構升級提供了一個途徑，這一研究對于加快數據要素積聚、優化要素配置，在國際市場上實現更大競爭優勢具有重要意義。

現有相關文獻主要集中在對比較優勢來源的研究，基于比較優勢思想，利用計量分析工具驗證某一比較優勢驅動要素。Debaere（2014）［4］研究了水資源；Wang和Li（2017）［5］考察了信息與通信技術；Freund 和Weinhold（2004）［6］研究了互聯網；Manova（2013）［7］分析了金融制度；Cai 和Stoyanov（2016）［8］研究了人口年齡結構。在計量分析中，大多使用經濟體的要素稟賦變量和行業要素密集度變量的交互項作為核心解釋變量，要素稟賦變量度量一個經濟體某種要素的豐裕程度，要素密集度變量度量一個行業某種要素投入比例高低。若該交互項系數為正，則得到該要素是比較優勢驅動要素的結論。以上結果表明，這些要素都是比較優勢的驅動要素。

本文的邊際貢獻在于對基于數據要素驅動的國際貿易比較優勢進行了研究，驗證了數據要素也是比較優勢的驅動要素之一。與本文最接近的是信息與通信技術（Wang 和Li，2017）［5］、互聯網（Freund 和Weinhold，2004）［6］對國際貿易影響的研究，但這些研究只關注信息經濟的某一方面，未在數字經濟背景下，從數據要素角度研究比較優勢的新來源。本文在數字經濟背景下，考慮數據要素的重要性，用數據要素指標度量了一個國家或地區的數據要素稟賦，還測算了各行業的數據要素密集度，首次驗證了數據要素也是比較優勢的驅動要素，即數據要素越豐裕的經濟體出口越多的數據要素密集型產品。本文的啟示是可以通過積累數據要素來培育高端產業比較優勢，并就我國如何積聚數據要素、提高數字競爭力提出了應對策略。

二、數據要素影響生產和貿易成本的理論分析

在數字經濟背景下，數據以其特有的滲透性參與經濟的各方面，數據要素與制造業的高度融合影響制造業的生產和貿易成本，從而對一個經濟體的比較優勢產生影響。

在生產方面，數據要素既可以直接作為生產要素催生出新興產業，比如大數據、人工智能等產業，涵蓋數據源、數據產品和數據服務等環節從而形成完整的產業鏈；又可以與傳統生產要素相融合，參與生產過程。在產品生產過程中，一方面，隨著數據要素的投入使用，投入越高的行業成本下降越大，數據要素對勞動等傳統生產要素存在一定的替代效應，正是在數據要素賦能勞動要素和資本要素的過程中，實現了數據的要素化。Brynjolfsson 和Mcelheran（2016）［9］認為，數據要素的應用使管理者傾向于由數據驅動做出決策，從而提高生產管理效率。從這個角度看，數據要素與勞動要素的結合實現了勞動力才能和效率的擴展與延伸。資本要素比勞動要素更為稀缺，因此，資本的高效利用是經濟可持續發展的必然要求。呂鐵和李冉（2022）［10］認為，數據要素的引入會使企業在原材料采購、產品產出、產成品庫存等環節優化銜接，能夠獲得實時反饋，便于及時調整，確保資源得到合理配置。數據的非競爭性、可復制性使其邊際成本接近于零，打破了傳統生產要素的稀缺性和難以替代性，沖破了傳統要素聚集的空間約束和地理限制。另一方面，數據要素投入提高了生產效率，數據的快速流動緩解了信息不對稱帶來的資源錯配問題，一定程度上減少不確定性帶來的損失，有助于企業更好地進行生產和研發決策。以大數據分析為例，Müller 等（2018）［11］證實，大數據可以使企業平均生產力提高3%～7%，并且數據的流通速度對企業創新的促進作用顯著優于數據的多樣性和數量的促進作用。這說明數據要素的市場化同樣重要，要最大限度地實現數據要素的流動和共享，只有數據“跑”起來，效益才能“聚”起來。徐翔和趙墨非（2020）［1］引入內生增長模型，分析數據要素對于經濟增長的直接影響和溢出效應，證實了數據要素拉動宏觀經濟增長的潛在能力；Farboodi 和Veldkamp（2021）［12］將數據要素納入增長模型，發現數據要素投入有助于獲取信息，通過減少不確定性帶來生產效率提升，證實了數據要素投入在生產中的作用。

在貿易成本方面，數據要素在嵌入貿易環節的過程中降低交易成本。主要體現在四個方面：一是降低信息成本。數據要素能夠改善交易雙方信息的不完全、不對稱情況，降低搜尋和匹配成本，減少逆向選擇和道德風險，有效緩解價格扭曲等市場失靈現象，降低出口商的信息成本。二是降低支付成本。第三方支付平臺提供擔保服務，承擔并分散風險，降低了出口商因支付問題帶來的成本。三是降低證明成本。數據要素的應用精簡了貿易國間復雜的報稅、核查、審批等手續，從而降低出口成本。四是降低入場成本。數據要素的存在減弱了時間和空間的限制，減少企業出口固定成本支出，降低產品出口門檻，有利于中小企業的產品進入出口市場。Abeliansky 和Hilbert（2016）［13］發現，IT 技術可以降低交易成本但對不同國家的作用有差異，對發達國家影響較小而對發展中國家影響較大；Lak?kakula 等（2020）［14］研究了區塊鏈技術對美國向中國出口大豆的影響，發現區塊鏈技術可以使交易成本顯著降低，交易時間也顯著縮短；Brynjolfsson 等（2018）［15］發現，eBay 能夠有效降低搜索成本；鞠雪楠等（2020）［16］研究“敦煌網”的交易數據，發現跨境電商能夠有效降低貿易固定成本。這些研究都表明，數據要素的使用對貿易成本具有顯著降低作用。

綜上，數據要素不僅能夠促進生產，也能降低出口成本。根據比較優勢理論，數據要素豐裕的經濟體通常在數據要素密集型產品上具有比較優勢。

三、數據要素影響國際貿易的計量模型和變量

本文根據比較優勢理論設定計量模型，介紹解釋變量和被解釋變量的度量方法和數據來源。

（一）計量模型的設定

依據比較優勢理論，一個國家或地區在密集使用其豐裕要素生產的產品上具有比較優勢，而在密集使用其稀缺要素生產的產品上具有比較劣勢。因此，數據要素豐裕的國家或地區在數據要素密集型產品上具有比較優勢。參考Cai 和Stoyanov（2016）［8］、Wang 和Li（2017）［5］等的方法，本文使用交互項的形式來識別比較優勢的驅動要素。

設定回歸模型，見式（1）。

其中：exportijk為出口國i向進口國j在行業k上的出口；DPIk為行業k的數據要素密集度；Scorei為出口國i的數據要素指標，即數據要素稟賦；DPIk與Scorei的交互項用來識別比較優勢要素，該交互項的系數β3是被解釋變量exportijk對DPIk與Scorei的二階混合偏導數，其中，的含義為數據要素稟賦對出口影響的邊際效應，（即β3）的含義為行業的數據要素密集度對上述邊際效應的影響。若β3為正，則說明數據要素密集度越大的行業，經濟體數據要素稟賦的出口促進效應越大，驗證了比較優勢的思想。綜上所述，若回歸系數β3大于0，則說明數據要素是比較優勢的來源之一，即比較優勢的驅動要素之一。

與的交互項為表示比較優勢其他來源的控制變量，包括實物資本和人力資本；出口國固定效應μi和進口國固定效應γj控制了雙邊距離、文化差異、雙邊關系等因素；行業固定效應δk則控制了行業大小和生產率等因素；εijk為隨機擾動項。

本文選取了2019 年62 個經濟體的84 個制造業行業的出口數據，使用各行業的數據要素密集度DPIk、各經濟體的數據要素稟賦指標Scorei等變量進行回歸。其中，行業層面的控制變量為資本密集度Cap_intk和技能密集度Skill_intk，經濟體層面的控制變量為實物資本Cap_abui和人力資本Skill_abui。考慮出口國也許會根據在出口市場上的表現來調整其數據要素稟賦，可能存在內生性問題，因而在穩健性分析部分，本文分別將2017年的數據要素指標、工業機器人使用量作為數據要素指標的工具變量進行回歸。

（二）變量計算方法及數據來源

1.貿易數據（exportijk）

兩國間2019 年貿易數據exportijk來自CEPII 的BACI數據庫，單位為千美元。BACI數據庫中貿易數據按照HS 編碼進行統計，為與行業數據要素密集度中的行業相一致，把HS 編碼貿易數據加總到4位NAICS編碼的84個制造業行業，Pierce和Schott（2012）［17］提供了HS 編碼與NAICS 編碼的對應關系。出口國包括IMD 列明的62 個國家或地區，進口國為BACI 數據庫中與上述62 個國家和地區有進口關系的225個國家或地區。

2.行業數據要素密集度（DPIk）

關于行業數據要素密集度（DPIk），本文參考Marel 等（2016）［18］的方法，用數據和信息生產型行業的投入占總投入的比重來表示，計算方法見式（2）。其中：l表示數據和信息生產型行業；分母表示行業k的所有中間投入；分子為行業k來自數據和信息生產型行業的投入。

根據式（2），計算行業數據要素密集度需要使用投入產出表數據。各國經濟體系在統計制度及行業分類方法上的差異，導致投入產出表也存在較大不同。在這種情況下，使用美國數據進行行業水平測量是國際貿易文獻中常見的方法。本文使用美國商務部經濟分析局（BEA）2019 年公布的405個NAICS 編碼的行業投入—產出使用矩陣表。其中，數據和信息生產型行業根據BEA“數字經濟的定義與測量”（Barefoot 等，2018）［19］來確定，主要包括軟件和服務行業、電信與信息虛擬產品和服務行業、電子商務與數字媒體行業等三類。

表1 列舉了通過計算得到的數據要素密集度最高和最低的各10個行業；數據要素密集度最高的行業為工業機器制造，其他行業依次為金屬加工機械制造、商業及服務業機械制造、電腦硬件制造、其他通用機械制造等；數據要素密集度最低的行業包括果蔬保鮮與特色食品生產、糖和糖果制品制造、奶制品加工等。數據要素密集度較高的行業通常是技術含量和增值率較高的行業，而數據要素密集度較低的行業通常是技術含量和增值率較低的行業。

表1 數據要素密集度最高和最低的各10個行業

3.數據要素稟賦（Scorei）

IMD 的世界競爭力年鑒（World Competitive?ness Yearbook）使用了330 多個競爭力標準評估60 多個國家和地區的世界競爭力，從1989 年至今已連續出版30 多年。IMD 的世界競爭力數據為各國或地區分析各自競爭力狀況提供了較為全面的國際視角，其在現有研究中被廣泛應用，如楊默等（2016）［20］、高紅蕾等（2020）［21］、趙彥云和甄峰（2003）［22］等，國務院體改辦經濟體制與管理研究所《中國國際競爭力研究小組》（2002）［23］和中國教育科學研究院國際比較教育研究中心（2013）［24］也引用了該數據。IMD 競爭力中心還發布了更為細分領域的報告，如世界人才排名、智慧城市指數和世界數字競爭力排名等。瑞士IMD 世界競爭力中心發布了2019 年63 個國家或地區的數據要素指標，包括總體指標和數字技術、數據知識、數字化轉型能力3 個分項指標。基于IMD 在國家競爭力領域中的代表性，本文采用該指標來度量各經濟體的數據要素稟賦。在本文的計量分析中，除使用數據要素總體指標，還使用了3 個分項指標作為核心解釋變量。

4.其他解釋變量

行業資本密集度（Cap_intk）用該行業總資本支出與總就業人數的比值來表示，該指標數值越大，行業資本密集度越高。行業的技能密集度（Skill_intk）用該行業的非生產性工人數與總就業人數的比值來表示，該指標數值越大，行業技能密集度越高。計算行業資本密集度、技能密集度所需數據來自NBER-CES 制造業數據庫。國家或地區的實物資本水平（Cap_abui）、人力資本水平（Skill_abui）分別度量各個國家或地區的實物資本和人力資本豐裕度，兩個變量的數據均來自Penn World Table 的PWT 10.0，Skill_abui使用其中的Hu?man capital index 指標（基于上學年數與教育回報率），Cap_abui使用其中的rnna指標（按照2017年不變價格計算的資本存量）的自然對數。

IMD 的數字經濟競爭力報告涵蓋63個國家或地區，因為缺乏中國臺灣地區的出口數據，本文計量分析中剔除中國臺灣地區，使用其余62 個國家或地區的數據。行業為4 位NAICS 編碼的84 個制造業行業，主要變量的時間為2019年。

各變量的描述性統計見表2所列。

表2 主要變量描述性統計

四、計量模型回歸結果

（一）基本回歸結果

基本回歸結果見表3所列。列（1）中，解釋變量包括本文關注的行業數據要素密集度、各經濟體數據要素稟賦以及它們的交互項，回歸結果顯示交互項的回歸系數顯著大于0，與本文預期一致，說明數據要素也是比較優勢的驅動要素，即數據要素越豐裕的經濟體，出口的數據要素密集型產品越多。數據要素密集度較高的行業通常是技術含量和增值率較高的行業，因而數據要素豐裕的經濟體從出口中獲益也較多。列（2）中，加入控制其他比較優勢來源 的 兩 個 交 互 項Cap_int×Cap_abu、Skill_int×Skill_abu 后，交互項DPI×Score 的回歸系數依然顯著大于0，回歸結果保持穩定，新加入的兩個交互項的回歸系數也都顯著為正，同時驗證了比較優勢的傳統來源要素，即實物資本和人力資本也是比較優勢的決定因素，與Wang和Li（2017）［5］等的研究結論一致。在列（3）（4）（5）中，分別加入出口國固定效應、進口國固定效應和行業固定效應，雖然兩個比較優勢傳統要素的回歸系數有所變化，但本文主要關注的DPI×Score的回歸系數顯著大于0，即在控制了國家、行業層面的固定效應后得到的結論與本文預期仍然一致。與Wang 和Li（2017）［5］、Freund 和Weinhold（2004）［6］的研究相比，本文把信息與通信技術、互聯網等因素對國際貿易比較優勢的影響擴展到了數據要素，得到國際貿易比較優勢的新來源。

表3 基本回歸結果

續表3

（二）使用細分數據要素指標的回歸結果

本文使用數據要素指標的三個構成要素，包括數字技術（Technologyi）、數據知識（Knowledgei）、數字化轉型能力（Futu_readinessi）以及它們與DPI的交互項分別作為解釋變量進行回歸，回歸結果見表4所列。

表4 使用細分數據要素指標的回歸結果

列（1）以數字技術為解釋變量，交互項DPI×Technology 的回歸系數顯著為正值，與本文預期一致；列（2）（3）分別以數據知識、數字化轉型能力為解釋變量，其與DPI 交互項的回歸系數也顯著大于0。進一步證明了數據要素及其細分指標是比較優勢的驅動要素。

當數字技術、數據知識、數字化轉型能力各變化1個標準差，并在DPI位于均值水平時，根據表4的回歸結果計算出三者對出口的凈影響，結果顯示數據知識帶來的影響最大。當數據知識增加1 個標準差時，出口增加75.3%；而當數字技術和數字化轉型能力分別增加1個標準差時，出口分別增加55.9%、66.4%。數據知識作為生產工具，能夠促進生產能力提高，同時與其他要素結合，能夠帶來生產效率的提升，因此，數據知識的創造和積累具有重要的意義

（三）區分不同類型貿易伙伴的分析

根據國際貿易理論，發達國家間的產業內貿易較多，發達國家與發展中國家之間的產業間貿易較多。產業內貿易主要用規模經濟和多樣化偏好來解釋，而產業間貿易主要用比較優勢理論來解釋。為研究數據要素是否為各類型貿易的重要影響因素，本文將62 個國家或地區劃分為發達經濟體和發展中經濟體。對于兩者的劃分有多個標準，本文將同時滿足聯合國人類發展指數評級為“高”、世界銀行定義的高收入經濟體、IMF認定的發達經濟體3 個條件的33 個經濟體確定為發達經濟體，其余29 個經濟體界定為發展中經濟體。根據貿易對象的不同，將樣本分為3組，組1為發達經濟體之間的貿易，組2為發展中經濟體之間的貿易，組3為發達經濟體與發展中經濟體之間的貿易。

表5 列出了對3 組樣本分別進行回歸的結果。3 組回歸結果中的交互項DPI×Score 的回歸系數都顯著為正值，說明發展水平接近的國家或地區之間、發展水平差距較大的國家或地區之間的貿易發展水平，都受到數據要素的影響，數據要素對于他們之間的貿易都具有一定解釋能力。在三組回歸結果中，組1 中DPI×Score 的回歸系數最大，組2 和組3 的回歸系數較小，說明在數字經濟時代，發達經濟體之間的貿易在更大程度上由數據要素驅動的比較優勢決定。可能的原因在于：發展水平具有明顯差異的國家在開放程度、價值鏈位置、工業水平等方面存在一定差距，數據要素難以完全釋放其驅動作用；此外，數據要素的應用以實體經濟為基石，因而發達經濟體間的貿易更容易受到數據要素的積極影響。

表5 區分不同類型貿易伙伴的回歸結果

（四）內生性分析

出口國可能會根據某個行業在國際市場上的表現調整該行業的數字化投資，因而可能存在內生性問題。為解決這個問題，本文首先使用2017年數據要素指標作為2019 年該指標的工具變量進行回歸，回歸結果見表6 列（1）。回歸結果顯示，交互項DPI×Score 的回歸系數依然顯著大于0，回歸結果保持穩定。

考慮國家或地區層面的數字經濟競爭力指標與行業層面的數字密集度指標交乘后，還是可能存在遺漏變量等問題導致內生性影響，本文使用工業機器人使用量作為工具變量，以更加準確地捕捉數據要素與制造業行業深度融合的情況。國際機器人聯合會（IFR）沿用國際標準化組織（ISO）對于工業機器人的定義，即可以在多個軸上實現自動控制、重新編程和多用途的工業機器人，統計了世界各國工業機器人的使用量。該指標衡量了各個國家在工業中應用機器人的數量規模，也在一定程度上反映了各國的工業規模和智能化規模，特別體現了由數據要素實現的編程、自動控制等技術在工業行業中的應用程度。本文使用IFR 世界工業機器人數據庫的工業機器人使用量作為數字要素指標的工具變量，使用兩階段最小二乘法進行回歸分析，結果見表6 列（2）。可以看出核心解釋變量DPI×Score 的估計系數顯著為正，這表明在緩解內生性問題后，上述結論依舊穩健。

表6 工具變量回歸結果

（五）使用不同數據要素指標的回歸結果

為避免使用IMD數字競爭力單一指標帶來的偏差，本文以《全球數字經濟競爭力發展報告（2020）》（王振等，2020）［25］構建的全球數字經濟國家競爭力評價指標，作為數據要素稟賦的替代變量SCORE2，探究回歸結果的穩健性是否會受到評價體系的影響。該報告以數字產業、數字創新、數字設施和數字治理為主要框架，測算了全球50個主要國家的全球數字經濟國家競爭力指標，因其中3個國家的數據有缺失，本文以其余47個國家為研究對象。根據式（1）的模型設定，回歸結果見表7所列。在表7列（1）—（5）中，核心解釋變量DPI×SCORE2的估計系數始終顯著為正，說明數據要素豐裕的經濟體在數據要素密集型產品上具有比較優勢，數字經濟競爭力可轉化為數據要素密集型產品的出口競爭力。

表7 使用不同數據要素稟賦指標的回歸結果

五、結論與啟示

（一）結論

本文闡述了數據要素在企業生產提效和降低貿易成本中的作用，分析了數據要素作為比較優勢的理論基礎，使用數據要素總體指標及其三個分項指標度量各國各地區的數字要素稟賦狀況，利用投入產出表刻畫各行業數字密集度。研究結論為：①通過計量模型驗證了數據要素越豐裕的經濟體出口的數據要素密集型產品越多，首次驗證數據要素也是比較優勢的驅動要素；②區分了不同發展水平經濟體間的貿易，發現數據要素不僅能夠解釋發展水平差距較大的經濟體之間的貿易，還能解釋發展水平接近的經濟體之間的貿易。研究結果不僅豐富了有關比較優勢理論的研究內容，還拓展了數字經濟的研究范疇，具有一定的理論意義和政策含義。

（二）啟示

數據要素會影響全球分工和比較優勢，數據要素的積累可以幫助國家或地區建立貿易比較優勢，對提高在國際分工中的地位、改善出口產品結構和提高出口附加值具有重要意義。根據IMD 數字經濟競爭力報告，2020 年我國數字經濟競爭力在全球位于第16 名，雖然增長速度較快，但與美國、新加坡等國相比還存在較大差距，所以加速數據要素的開發、獲取和積累具有緊迫性和必要性。

一是從國家層面來看，要做好統籌規劃，加快數據要素積累以提升數字競爭力。首先，要在宏觀層面上做好頂層設計，加大投資力度，完善“無形”基礎設施建設，搭建具有前瞻性的數字平臺，為制造業的數字化轉型提供沃土；其次，在研發投資方面為企業提供適當的優惠政策，以緩解企業在數據要素投入階段面臨的成本壓力，有了科技實力的強勁支撐，數據要素才能夠實現快速積聚；再次，數據要素只有通過共享才能實現其要素價值，要建立健全相關法律法規，既有利于保護用戶隱私，又可以為企業提供清晰的市場標準和行為準則；最后，要在共商共建的基礎上積極挖掘與世界各國協作的著力點，在確保安全基礎上實現數據要素自由流動，優化要素配置。

二是對于制造業及企業來說，要探索與數據要素的有機結合。隨著我國“5G+工業互聯網”項目遍地開花，制造業及企業的數字化轉型需要整體網絡化提升，通過與數據要素的有機結合來實現資源配置優化。首先，要充分利用國家提供的基礎條件，利用好數據要素的同時切入生產端和運營端，在提升自身產品質量的同時積極開辟海外市場；其次，需要深化產業與企業間的凝聚和合作，要加強交流與協作，營造良好生態，開辟產業和企業融合的快車道；再次，要重視復合型技術人才的培養和引進。制造業企業的數字化轉型需要專業制造技術和數字技術的雙棲人才，這對企業的培訓和選拔工作、高等院校和職業院校的培養和教學工作、社會的人才流動和就業環境提出了更高要求，企業應主動推進產學研融合，設立人才基地，打造校企協同育才的良性循環機制；最后，要主動收集、運用數據來分析和獲取信息，實現數據要素的再生和循環利用。

值得注意的是，比較優勢理論與新貿易理論解釋不同的貿易現象，前者主要解釋基于要素稟賦差異引起的產業間貿易，后者主要解釋基于規模報酬遞增和產品差異引起的產業內貿易。數據要素對國際貿易的影響則同時包括這兩個方面，一方面，數據要素本身作為生產要素，會通過比較優勢因素影響國際貿易；另一方面，數據要素的使用以及數字要素與其他要素的結合，會帶來規模報酬從而影響國際貿易。本文只考察了前者，未來對后者的考察將是一個重要的研究方向。