數字經濟背景下的人力資本積累新模式探究

摘 要 新興數字技術正重新定義著包括人力資本積累在內的經濟生活各個方面，但目前還未有文獻從理論層面探討數字經濟核心要素數據的人力資本效應。本文將數據作為一種新的關鍵要素引入人力資本的積累過程，在動態一般均衡模型框架內探究數字經濟背景下人力資本的周期性以及數據要素對人力資本積累的影響，并討論了目前文獻中所提及的不同來源類型的數據在該過程中發揮的不同作用。研究發現，數據的引入提升了人力資本積累的效率，使其出現了從傳統的逆周期變動向順周期變動逐漸轉換的趨勢。進一步地，相較于來自消費的數據會受到隱私問題的制約，來自生產過程的數據則更能推動人力資本周期性的轉變，且后者能夠使經濟達到更高的穩態福利水平。

關鍵詞 數字經濟;數據要素;人力資本積累;動態一般均衡模型

0 引言

人力資本是一國綜合實力和核心競爭力的體現，在推動經濟社會實現可持續發展的過程中具有重要意義和巨大潛力。自改革開放以來，中國的“ 人才強國戰略”取得了顯著成效，以受教育年限和人口預期壽命為代表的人力資本水平得到了明顯提升①。中國是世界第一人口大國②，然而不同于過去幾十年的是，當前的經濟發展形勢正面臨“人口紅利” 消失的重大挑戰與由“人口紅利”轉向“人力資本紅利”的歷史轉折點，勞動力市場開始呈現出數量供給減少但質量不斷提升的新趨勢（張同斌，2016;柏培文和張云，2021）。人力資本投資是提供人才支撐、釋放人才紅利、挖掘增長潛能的關鍵切入點，為回應新時代經濟高質量發展的要求，推動人力資本積累勢在必行。

與此同時，數字經濟在中國經濟生活中的作用日益凸顯，以大數據技術為代表的一系列新興技術逐步登上時代舞臺。2017 年，“數字經濟”、“人工智能”等新詞匯首次被寫入國務院政府工作報告，并在隨后幾年時間里，“數據” 一詞被中央文件多次提及，最終被正式納入生產要素范疇①。2022 年12 月，中共中央、國務院對外發布《關于構建數據基礎制度更好發揮數據要素作用的意見》（簡稱“數據二十條”），旨在構建數據基礎制度，以更好地發揮中國海量數據規模的優勢、充分激活并釋放數據要素潛能、做強做優做大數字經濟，為中國經濟增長注入澎湃動力。中國的數字經濟發展迅猛②，成為推動經濟增長的新的重要引擎（ 蔡躍洲和牛新星，2021），此外，中國還擁有巨大的數據資源潛在儲量③。在這樣的時代背景下，如何利用數據要素賦能經濟高質量發展，已經成為當前經濟領域的重要研究課題之一。高質量發展意味著兼顧生產效率與“人民日益增長的美好生活需要”，數據作為數字經濟的核心要素在提升生產效率、滿足消費需求、實現供需匹配等多方面發揮著關鍵作用，有望與經濟高質量發展的要求協調統一（蔡躍洲和馬文君，2021）。

數字技術和海量數據固然重要，但人力資本才是數字經濟發展的真正決定因素。新興數字技術的創新，以及全球數據量的激增，為教育等眾多行業帶來了向數字化和信息化轉型的新的變革機遇。在此背景下，各行各業對數字人才的需求急劇增加，人力資本的概念逐漸擴展到數字思維和特殊技能④。為進一步引導和培養數字方向的新型人才，為中國經濟高質量發展提供有力的人力資本支撐，促進數字經濟與人力資本的融合至關重要。

有鑒于此，本文將致力于通過建立理論模型，針對數字經濟背景下人力資本積累的新模式進行研究，并就數字經濟時代經濟建設中可能面臨的一系列問題，提出相應的政策建議。具體而言，本文將主要參考數據經濟長期增長理論領域中的兩篇開創性文獻Jones and Tonetti（2020）和Cong et al. （2021b） （以下稱為CXZ 模型），并沿用最新的工作論文Xie and Zhang（2023）中所提出的針對數據生產函數的建模方法，依托人力資本投資理論將數據要素納入包含教育投資的人力資本積累方程，從而在動態一般均衡模型的分析框架下，探究人力資本的周期性以及數據要素參與人力資本積累過程的新模式。研究發現，當經濟中發生正向全要素生產率沖擊時，產出增加且數據產生量也隨之增加，數據要素在經濟中的使用水平明顯提升，積極推動人力資本積累進程，使得人力資本存量由傳統的逆周期變動趨勢轉變為順周期趨勢。因此，數據要素的加入能夠大幅提升人力資本積累的效率，促使人力資本順周期變動。

此外，本文還通過研究和對比文獻中關于數據要素的不同解讀，通過不同的組合形式描繪出人力資本積累由傳統的逆周期性向順周期性發展的變化趨勢。以往有關人力資本和經濟周期的大部分文獻都指出人力資本具有逆周期性，然而，本文在動態一般均衡模型框架下通過將數據要素加入人力資本的積累過程，發現數據要素水平上升的同時能夠驅使人力資本順周期變動，由此為人力資本的周期性以及數據經濟的相關研究做出了一定的補充。最后，本文從推動數據共享平臺的建立、發揮數據要素的關鍵作用，以及鼓勵教育投資和人力資本積累方式的創新三個方面提出相關的政策建議，為數據要素推動人力資本積累、促進經濟高質量發展提供參考。

由于近年來數字經濟的迅速發展以及人力資本在經濟中的重要地位，國內一些學者已經開始關注數字經濟（包括數據要素）對人力資本的影響，這其中大致可從就業結構、勞動力技能結構和人力資本水平三個視角洞悉：首先，數字經濟催生了新業態、新產業和新職業，在優化就業結構的同時能夠改善勞動者就業環境并提升就業能力，有助于增強知識技能、促進工作效率和提升人力資本水平（戚聿東等，2020）。具體而言，數字經濟推動就業結構向第三產業服務業、知識與技術密集型行業和高技能職業方向轉變，人力資本存量在該過程中發揮著緊要的中介作用，賦能數字經濟實現對勞動力市場和就業結構影響的飛躍式提升（葉胥等，2021）。其次，具有高邊際產出特征的信息和通信技術一方面通過“替代效應”淘汰過時技能①，另一方面通過“提升效應” 督促勞動者掌握新型技能，讓技能結構得以吐故納新（ Michaels et al. ， 2014）。李夢娜和周云波（2022）的研究同樣發現，數字經濟發展與人力資本結構高級化顯著相關，為實現人工智能領域的人機互動和合作提供便利。數字經濟增加了對勞動者數字化思維、數據處理分析和數字技術應用技能的需求，從而不斷推動人力資本結構轉向高級化。再次，數據要素激發了人力資本潛力，賦能人才要素助力經濟高質量發展。當前時代正不斷從知識經濟轉型為數字經濟，而實現人力資本從“量”到“質”轉變的核心要義是把握數據要素，通過數據要素培養數字思維人才，深化人力資本時代價值，推動經濟高質量發展（陶小龍和肖培，2021）。數據要素有助于充分挖掘人力資本價值，在現有人力資本存量的基礎上提高人力資本質量。在中國經濟發展過程中，人才要素和數據要素之間應當形成互為促進、共同提升的良好態勢，數字經濟發展同人力資本優勢相結合能夠真正發揮最大效用（俞伯陽和叢屹，2021）。

由此可見，數字經濟以及數據要素對人力資本產生了不可估量的影響，使其成為最具潛力和競爭力的獨特資源。然而，以上文獻對數字經濟的研究只停留在定性分析和實證分析的層面，對數據要素作用與價值的探索還不夠深入。

面對數字經濟的興起，國外一些研究則開始嘗試從理論模型層面刻畫數據要素的作用機制，這些研究大致可分為信息摩擦和經濟增長兩個主要領域。對于前一類研究，數據被看作一種信息載體，能夠減少未知結果的不確定性;而對于后一類研究，數據則被視為一種生產要素或技術并加入經濟運行過程，這類要素的收益遞增性質為經濟增長提供了關鍵的驅動力量。

數據本質上是信息的一種存在形式，為經濟活動提供了記錄和證據，并有效提高了企業分析預測的科學性和準確性。Farboodi and Veldkamp（2021）參照索洛模型中資本積累的思想構建了企業數據積累模型，從而發現數據能夠降低預測誤差，為企業選擇生產技術和優化運營提供必要信息，提高了企業的生產效率和盈利能力。數據引導完美的預見、遠見使企業更有利可圖。互聯網和移動設備的普遍應用將個人行為在數字和物理環境中細粒化、數據化，形成了涵蓋豐富信息的“數字足跡”①。數字足跡為金融從業人員監控、了解和優化個體投資決策提供了新的視角，有助于優化服務流程、預測未來業績、制定發展戰略，從而提高金融機構的盈利能力和經濟效益（Cong et al. ，2021a）。然而從長期來看，數據的這一作用同其他要素類似也會遵循邊際收益遞減規律，由此對微觀運行效率的提升作用逐漸減弱而無法維持長期增長（Veldkamp and Chung，2019）。其他學者如Ichihashi（2020，2021a，b）還從數據的非競爭性和數據平臺或中介競爭的角度對數據要素的特性展開了研究。此外，國內學者如徐翔和趙墨非（2020）采用了產業組織的創新模型為數據資本構建了進入經濟運行過程的微觀基礎，也是對于數據要素和數字經濟建模的一個重要嘗試。

數據產生于消費和生產過程，是數字經濟的關鍵生產要素，也是經濟增長的新型驅動力。數據在經濟中具有多種用途，除了以上提到的提高預測準確度之外，還可作為投入要素進入生產或創新過程。Jones and Tonetti（ 2020） 在Romer（1990）內生增長模型的基礎上開創性地構建了一個數據經濟理論模型，指出具有非競爭性的數據是消費活動產生的副產品（比如駕駛汽車產生的行駛數據），數據作為可提高想法質量的一種中間投入要素直接參與最終品的生產過程，分析發現被廣泛使用的數據將會帶來巨大的社會收益。Cong et al.（2021b）則把消費者產生的數據看作知識積累的關鍵因素，允許創新型中間品生產商在研發過程中利用數據，并由此分析數據在推動經濟長期增長的過程中所涉及的隱私保護等問題。在后續研究Cong et al. （2022）中，作者們還在一個完全內生增長模型的框架下進一步分析和對比了數據在生產和創新過程中的不同作用，成功地將以上兩個模型聯系在一起。產生于消費過程的數據是目前數據經濟研究中的主流設定，然而最新的工作論文Xie and Zhang（2023） 指出，數據也可來自工業企業的生產過程（如工業物聯網①），此類數據不會對消費者隱私造成侵害，能夠將經濟增長推至更高的水平。現實中“數字孿生”技術的應用，正是生產者數據影響人力資本積累的典型案例②。本文根據人力資本積累的獨特性質，將主要參考此研究的設定方式，同時對以上所述兩項研究中的設定進行對比和討論。

本文首次從理論層面探討數字經濟的人力資本效應，通過將數據引入人力資本投資過程，研究數據要素在人力資本積累過程中的作用與機制。本文的主要貢獻體現在以下三個方面：第一，創造性地提出了包含數據要素的人力資本積累方程，并通過數值模擬展現數據要素對人力資本積累的重要性，同時也為其他相關研究提供了基礎性框架。第二，基于數據的產生渠道設定了同時包含生產者數據和消費者數據的數據組合公式，并通過討論這兩種數據的不同替代方式以體現它們的區別以及各自對經濟運行的效應。第三，通過構建動態一般均衡模型并引入各類外生沖擊進行政策實驗，從而揭示了數據要素在推動人力資本積累方面所能夠發揮的更突出于教育投入的作用，體現了發展數字經濟、激發數據潛能的實踐意義。

文章的剩余部分安排如下：第二部分描述模型設定，其中包括只含有來自生產過程的數據基準模型、只含有來自消費的數據對照模型，以及同時含有兩種數據的綜合模型。第三部分在參數設定的基礎上，對單一數據模型的穩態效用、綜合模型中各變量的穩態值，以及各類外生沖擊的脈沖響應模式進行數值模擬和分析。最后，第四部分進行總結并提出相應的政策建議。

1 模型設定

本節建立一個包含人力資本的動態一般均衡模型，并將數據作為除教育以外的重要因素引入人力資本積累方程。根據現有文獻中使用的兩種不同來源的數據類型，即來自生產過程的數據和來自消費的數據設定只含有來自生產過程數據的模型，并將此看作基準模型。緊接著考慮只含有來自消費數據的模型以及同時包含兩種數據的綜合模型，與基準模型形成對照，便于體現數據對人力資本積累的作用。在現有的數據經濟理論研究中，Jones and Tonetti（2020）將數據視作生產要素，Cong et al. （2021b）將數據視作創新投入要素。而在本文的模型設定中，數據是人力資本的投入要素，直接參與人力資本積累進而間接參與商品生產過程，這是本文與已有文獻的不同之處。

在構建模型之前，我們有必要對數據與數據要素的含義進行界定和區分。

數據是一種在經濟活動中不斷產生、反映一定事實或概念的符號總稱，是無序的、未經加工處理的原始素材，表現形式包括數字、文字、文件、圖像、聲音和視頻等。只有經過處理分析并以要素身份投入到經濟運行過程當中的數據，才轉變為具有經濟價值的數據要素。數據要素是一種參與社會生產經營活動、為使用者或所有者帶來經濟效益的基礎性數據資源，擁有豐富的表現形式和應用場景，并且通過與其他要素協調配合，數據要素提升了整體要素效益和資源配置效率。數據要素屬于經濟學范疇，在后續研究中，我們將重點關注數據要素，對于“數據”一詞的表述，則均為數據要素的含義。在本文的設定下，數據是一種能夠擴展人力資本的要素。這是因為個體為了積累人力資本，除了投入時間和精力在學校或培訓機構接受教育和掌握技能，還會購入學習資料以輔助知識水平的提升。學習資料來自經濟活動的各個方面且表現形式多樣，可以由本文所研究的數據整理而成。

1.4 參數設定

本文模型中的參數取值主要通過借鑒其他文獻加以設定。首先，采用相關文獻中的數值（梅冬州和龔六堂，2011;朱超等，2018）：家庭效用的主觀貼現因子β 為0. 99（對應于4%的年利率），相對風險厭惡系數σ 為2，勞動力供給彈性的倒數η 為0. 3，閑暇的重要性Ω 為1. 315。其次，借鑒人力資本研究的相關文獻（DeJong and Ingram，2001;Alessandrini et al. ，2015），設定物質資本折舊率δK為0. 06，人力資本折舊率δH 為0. 01，教育的彈性系數（1-θ）為0. 8（即數據的貢獻度θ 為0. 2，還將在下一小節對該參數的取值進行討論）。為了進一步校準參數θ，使用WDI 數據庫中的人力資本指數（Human Capital Index），該指數較為客觀準確地衡量了教育和健康對勞動生產力的貢獻。根據本文的設定，數據是除教育以外的影響人力資本積累的重要因素，故而這里關注數字經濟發展相對迅速的經濟體，以估算數據的貢獻程度。參考聯合國貿發會發布的《2019 年數字經濟報告》①，選取ICT 行業增加值排名前10 的國家與地區并計算人力資本指數的三年平均值②，由此得到數據的貢獻程度約為0. 26。考慮到影響人力資本積累的因素不只教育和數據，這里將參數θ 的數值設定為0. 2。最后，關于消費者對數據隱私泄露問題的厭惡程度，在CXZ 模型中參數τ 位于指數位置，作者們將其設定為1. 5，并且還討論了其他取值的情況。但在本文的模型設定中，參數τ 位于系數位置，對此，這里先給參數τ 賦值0. 3，然后在數值模擬部分給出了不同取值的對比（分別為0. 4 和0. 5），發現不同取值的τ 將會給效用穩態值帶來不同的影響。具體地，參數設定結果見表1。

2 數值模擬與政策實驗

2.1 基準模型與對照模型的穩態效用對比

在確認各參數取值后，本文首先從代表性家庭的角度比較了基準模型與對照模型的穩態效用水平。具體來說，本文計算了數據貢獻程度θ 從0 到1 不同取值下的效用穩態值（圖1）。從圖中可以看出，隨著數據對人力資本積累的貢獻程度不斷增大，生產者數據模型的效用水平逐漸上升，其上升趨勢相對于消費者數據模型的變動較為緩慢，而消費者數據模型的效用水平不斷下降，兩種模型的效用差距越來越大。消費者數據隱私問題造成的負面影響注定使其處于弱勢地位，而生產者數據成功避開了此類問題，故而生產者數據模型能夠實現更高的效用水平。因此，從穩態效用水平來看，生產者數據具有更明顯的效用促進價值。

另外，本文還考慮了數據風險偏好τ 的不同取值（分別為0. 3、0. 4 和0. 5）對家庭效用的影響。總體來看，隨著數據風險偏好的不斷增加，效用水平值逐漸遞減，體現了隱私泄露風險給消費者帶來的負面影響。分開來看，當數據貢獻程度θ 數值較小時，家庭選擇使用更多的消費來彌補數據隱私問題引致的效用損失，因此τ 取值0. 5 的曲線位于最上方，此時數據風險偏好數值越大，效用穩態值越高。隨后，當數據貢獻程度逐漸增加，即數據占比逐漸提高后，數據使用帶來的負面影響也更加顯著，并超過了消費帶來的正面影響，此時數據風險偏好τ 數值越大，效用穩態值越低。換句話說，隱私損失越少，福利水平越高。

由此可見，數據使用對家庭效用的影響隨著數據貢獻程度θ 和數據風險偏好τ取值呈現出非線性的關系。

2.2 綜合模型中主要變量的穩態值

接下來，本文將生產者數據與消費者數據結合起來，重點關注同時包含兩種數據的綜合模型。具體而言，計算了替代彈性ρ 從0 到10 不同取值下的主要變量的穩態值（圖2）。生產者數據和消費者數據之間的替代彈性ρ 決定了哪種數據占主導的問題，ρ 取值小于1 代表數據的替代缺乏彈性，即兩類數據難以相互替代，復合的數據集由數量較少的一類數據所主導。ρ 取值大于1 則代表數據的替代富有彈性，即兩類數據比較容易相互替代，復合的數據集則由數量較多的一類數據所主導。參數ρ 取值從0 到10 正是兩種數據從缺乏彈性向富有彈性的替代的過渡，針對此參數的變化進行比較便于觀察每種數據主導情況下各變量穩態值的變動趨勢。

這里比較了與產出相關的變量（ 產出Y、物質資本K 和人力資本H）、兩類數據及由它們組合而成的復合數據集（消費者數據DC 、生產者數據DP 和數據集D），以及三類勞動力水平（產品生產部門勞動力LE 、數據生產部門勞動力LD和教育投入E）。首先，對于第一組變量，可以觀察到它們隨著參數ρ 的增加而增加，并在ρ 約為4 之后進入平臺區域。其次，由第二組變量的變化趨勢可以看出，隨著參數ρ 不斷增加，消費者數據減少而生產者數據增加，而從消費者數據到生產者數據轉變的過程中，數據總量不斷增加。生產者數據占據主導地位，在推動人力資本積累的過程中擔負主要職責，人力資本存量的變動與生產者數據的關系更加密切。再結合第一組變量中產出和物質資本水平也不斷上升的變動趨勢，說明無論是從生產者角度還是消費者角度看，生產者數據都具有更重要的意義。最后，由第三組變量的變化趨勢可知，更多的勞動力從產品生產部門流向了數據生產部門，生產者數據提高了數據副產品的生產效率。教育投入在較小的范圍內波動，替代彈性對其影響較小。結合前一小節的分析，無論是從穩態效用水平角度還是人力資本積累角度出發，生產者數據相對于消費者來說都具有更重要的作用與價值。

2.3 脈沖響應分析

在討論完綜合模型處于穩態時的各類重要情形之后，本文轉而進行脈沖響應分析。具體來說，選取四個主要的外生沖擊：全要素生產率沖擊、人力資本積累效率沖擊、生產者數據生產效率沖擊，以及消費者數據風險偏好沖擊。這四類沖擊涵蓋了本模型從生產到人力資本積累，再到兩類數據各自的產生過程，對理解模型具有重要意義。

2.3.1 全要素生產率沖擊

首先在模型中引入正向全要素生產率沖擊（即式（13） 中的At ），得到脈沖響應函數來描述在受到沖擊后至經濟重新進入穩態的動力學過程，如圖3 所示，該圖展示了一些重要變量在沖擊后的百分比變動情況。每個小圖包含6 條曲線，分別對應替代彈性ρ 取值為0. 1、0. 5、1. 5 和10 的綜合模型，以及只包含生產者數據的基準模型和只包含消費者數據的對照模型。

從圖3 可以看出，全要素生產率正向沖擊提升了產出、消費和物質資本水平，參數ρ 不同取值下的綜合模型連同基準模型和對照模型的結果都較為一致，變動幅度差別不大。然而，人力資本的變動情況稍顯復雜。當ρ 數值較小時，消費者數據和生產者數據之間的替代彈性較低，總數據更偏向于消費者數據，而此時消費者數據的使用量處于較低水平，故而綜合模型的脈沖響應函數呈現出不完全的漸進變化趨勢。來自消費過程的數據受隱私問題的干擾，難以帶動總數據水平提升，故而數據要素對人力資本的促進作用受限，人力資本存量在初期出現下降，與其他變量的變動趨勢相反。與之相對地，當ρ 數值較大時，消費者數據和生產者數據之間富有替代彈性，總數據更偏向于生產者數據，且此時生產數據的使用量處于較高水平，故而綜合模型接近于生產者數據模型，從ρ 等于10 時綜合模型與基準模型幾乎重合的脈沖響應函數也可看出。

作為生產過程的一種副產品，生產者數據與生產率密切相關，于是在正向全要素生產率沖擊下脫穎而出并占據主導地位，由此總數據水平明顯提升，能夠有效發揮人力資本積累促進效應。因此得到如下結論，當替代彈性較小時，人力資本存量逆周期變動，然而隨著替代彈性不斷變大，生產者數據逐漸占據主導地位，數據使用水平顯著提升，隨之而來的數據價格下降使得人力資本積累更加合算。因此，數據（尤其是生產者數據）的引入能夠顯著提升人力資本積累的效率，促使人力資本呈現出順周期變動的趨勢。

以往研究人力資本周期性的文獻表明（ DeJong and Ingram，2001;Méndezand Sepúlveda，2012;Alessandrini et al. ，2015），正向TFP 沖擊在提高工作收入的同時增加了教育的機會成本，導致人們減少學習時間而增加工作時間，因此與人力資本積累相關的技能獲得活動和學校入學率具有逆周期性。從圖3 同樣可以看出，正向TFP 沖擊使代表性家庭減少了教育時間而增加了工作時間，與之前文獻的結果相似。常見的人力資本方程主要由教育投入或教育和健康投入組成（楊建芳等，2006;余長林，2006），人力資本對產出的影響存在延遲效應，當期積累的人力資本等到下期才能決定生產，因此面臨生產率正向沖擊時，人們傾向于將更多的時間分配到工作生產而不是學習教育中。然而在本文的模型設定中，人力資本積累方程由教育投入和數據要素共同組成，人力資本存量在教育投入減少時仍然能夠提升，正是數據要素（尤其是生產者數據）在背后驅動的結果。生產率沖擊在刺激產出的同時增加了數據副產品的生成，使其充分發揮對人力資本積累的推動作用，最終人力資本存量順周期變動，這是與之前研究不同的結果。產生于生產和消費過程的數據被家庭用來提升人力資本水平，其活力與價值被更大程度地激發了出來。

教育投入首先出現下降但隨后逐漸上升，表明數據提高了人力資本投資回報，使其在正向TFP 沖擊下依然保有一定的效益，故而人們愿意將更多的時間投入到學習教育中，最終數據要素與教育投入共同推動人力資本積累。Lu（2021）在探究人工智能的經濟增長效應時，提出了人工智能可以改善人力資本積累的觀點，于是在標準的Lucas（1988） 人力資本積累模型中加入了人工智能因素。研究發現隨著人工智能自我積累效率的提升或人工智能在CES 生產函數中替代彈性的提高，家庭將在教育方面投入更多時間，人工智能通過多途徑促進人力資本積累，這與本文的結論不謀而合。

2.3.2 人力資本積累效率沖擊

在對全要素生產率沖擊進行分析之后，本文轉而分析人力資本積累沖擊（即式（7）中的Bt ）以更直接地反映數據在此過程中的作用，相應的脈沖響應函數見圖4。在受到沖擊后，人力資本存量、數據要素（包括復合數據集、消費者數據和生產者數據）以及教育投入均明顯增加，產品生產部門勞動力減少而數據生產部門勞動力增加。產出、消費和物質資本先下降后上升，因為勞動力從產品生產部門集中到了數據生產部門，資源從物質資本領域流向了人力資本領域，導致在沖擊發生初始時產出、消費和物質資本出現下降。但隨著人力資本積累的作用逐漸顯現，轉而會促進產出并刺激物質資本積累，于是產出、消費和物質資本水平又逐漸回升。以上結果表明，在人力資本積累效率的正向沖擊下，數據要素與教育投入共同推動人力資本積累，人力資本存量呈現出先于產出水平變化的變動趨勢。

2.3.3 數據生產效率沖擊

針對生產者數據，本節還對其生產過程中可能產生的沖擊進行分析（ 即式（15）中的vt ），相應的脈沖響應函數見圖5。在本節的分析中，由于在只含有消費者數據的對照模型中并不涉及此種沖擊，故不將其納入討論范圍。從圖中大致可以看出，替代彈性ρ 等于10 的綜合模型脈沖響應函數和生產者數據模型的幾乎完全重合，再次印證了生產者數據占據主導地位時發揮的重要作用，并且參數ρ 不同取值下的綜合模型脈沖響應函數連同只含有生產者數據的基準模型脈沖響應函數均體現出明顯的漸變趨勢。人力資本、數據要素和教育投入明顯增加，生產者數據相比消費者數據受到更大的影響。產品部門勞動力減少而數據部門勞動力增加，這意味著代表性家庭縮短了工作時間，于是產出、消費和物質資本短期內出現下降。但從長期來看，人力資本的加速積累最終推動產出和物質資本水平不斷回升。此外，從綜合模型的脈沖響應函數能夠發現，替代彈性ρ 數值較小時，數據生產效率的正向沖擊縮減了數據生產部門的勞動力規模;但隨著ρ 數值變大，生產者數據產量逐漸攀升，數據生產部門的勞動力隨之也不斷增多。以上結果表明，在數據生產效率的正向沖擊下，數據要素（尤其是生產者數據）通過刺激人力資本加速積累，進而使得產出在經歷短暫的下降之后回升到比原來更高的水平。

2.3.4 消費者數據風險偏好沖擊

最后，我們還將針對消費者數據對其產生過程中涉及的風險偏好沖擊進行分析（即式（23）中的zt ），相應的脈沖響應函數見圖6。由于此處的偏好沖擊屬于成本增加沖擊而非前三小節中所涉及的效率提升沖擊①，由圖可知，人力資本、數據要素和教育投入明顯減少，消費者數據相比生產者數據受到更大的負面影響，這些變化都與消費者數據面臨的隱私泄露問題直接相關。勞動力停留在產品生產部門而未出現明顯的流動情況，代表性家庭增加了工作時間而縮短了學習時間，于是產出、消費和物質資本短期內明顯上升。一方面，從綜合模型的脈沖響應函數能夠發現，隨著ρ 數值變大，消費者數據不斷減少而生產者數據不斷增加，有一部分勞動力從產品生產部門流向了數據生產部門，更關鍵的是人力資本的逆周期性逐漸減弱。另一方面，當ρ 較大時，圖中所示的各變量在沖擊下均變得幾乎無變化，這也說明了此種情形下消費者數據對經濟的影響已幾乎被生產者數據所主導。由此可見，消費者數據的隱私問題注定使其處于弱勢地位，而能夠占據主導地位的生產者數據更具有人力資本效應，促使人力資本存量順周期變動。

3 結論與啟示

3.1 結論

提升人力資本質量，發揮人力資本紅利，是推動中國經濟實現高質量發展的關鍵環節。數字經濟下的人力資本，其內涵已經從受教育程度和基本工作能力擴展到數字化戰略思維和數據處理分析能力。與此同時，數字人才的培養和需求也達到了前所未有的高度。在這樣的時代背景下，本文嘗試將數字經濟與人力資本相結合，把數字經濟的核心要素———數據，納入人力資本積累方程，在動態一般均衡模型框架下討論數據要素對人力資本積累的影響，探究數據對人才培養和經濟發展的作用。數值模擬結果表明，作為經濟活動的副產品，數據量在正向技術沖擊下顯著提升，不僅能夠帶動教育投資的增加，還提升了人力資本積累的效率，促使人力資本存量呈現出由逆周期逐漸向順周期轉變的趨勢。因此，數據的引入改變了人力資本的周期性，有利于人力資本在經濟形勢向好的階段仍不斷積累。

在本文的模型設定中，數據要素的來源有兩個渠道，分別是基于Jones andTonetti（2020）和Cong et al. （2021b） 所描述的來自消費的數據（ 即“ 消費者數據”），以及基于最新研究Xie and Zhang（2023） 所提出的來自生產的數據（ 即“生產者數據”）。對于前者來說，數據產生于消費活動，使用這類數據將會給消費者帶來潛在的隱私風險;而對于后者來說，數據產生于生產過程，其使用雖與消費者個人隱私無關，但需要企業投入資源進行收集和清洗工作。通過設定只含有生產者數據的基準模型、只含有消費者數據的對照模型，以及同時包含兩類數據的綜合模型，本文對數據要素的構成方式以及兩種數據各自的作用機制予以進一步分析。研究發現，在提升數據總體使用量和人力資本積累效率方面，來自生產過程的數據能夠發揮出更大的作用。隨著生產者數據與消費者數據之間替代彈性的不斷增加，生產者數據的水平明顯超過了后者并逐漸占據主導地位，在提升數據總量和刺激教育投資的同時，促使人力資本存量從逆周期不斷向順周期轉變。

本文通過將數據納入人力資本投資方程，把數字經濟與人力資本有機地結合了起來，為之后的研究提供了簡明的建模思路。將數據視作人力資本積累的投入要素，剖析不同來源類型的數據對人力資本周期性的影響，得到了與以往研究不同的結論，為數字經濟時代的教育發展新模式提供了理論基礎，具有重要的實踐意義和政策含義。

3.2 政策啟示

基于本文的研究結論，可提出如下三點政策建議：第一，應當推動建立多類型數據的共享平臺。數據具有非競爭性，同樣的數據可以供不同的場景使用而不會耗盡，總量數據產生的價值總是大于單個數據價值的加總。這種特征對于釋放數據的全部價值潛力至關重要。從用戶的應用程序到企業的數字平臺，從消費者數據到工業生產數據，隨著數據來源類型的增多，從數據中獲取價值的范圍也逐漸擴大。因此，應當在實現高質量發展目標的相關領域，以尊重公民個人隱私的方式，建立一個廣泛的、包含生產者和消費者多方利益相關的以匯集多種類型數據、共享數據公共產品為目標的平臺，從而最大限度地發揮數據的價值，推動人力資本積累，促進經濟高質量發展。

第二，發揮數據要素在數字技術教育和企業技能培訓中的關鍵作用。數字基礎設施是數據要素塑造數字人才的必要條件，與之對應的充分條件則是增加數據與數字技術教育和企業技能培訓的融合度。具體而言，在學校非數字專業中增設數據科學綜合課程，對于數字專業則更新與現階段需求相適配的課程內容并增加實訓教學。讓學生在夯實數字技術知識和計算機基本操作的基礎上，不斷培養數據處理分析技能，真正掌握數字技術開發原理。另外，在企業技能培訓中增加數據分析的應用場景和實踐機會，促進勞動者傳統技能數字化轉型，鼓勵技能應用與數字技術緊密結合。

第三，應當鼓勵教育投資和人力資本積累方式的創新。教育投入的逆周期性意味著國民收入上升時教育投資反而出現下降，將會帶動人力資本積累逆周期變動，不利于教育行業的長期發展以及人才隊伍的有效供給。因此，應當在經濟形勢向好階段也同樣加大財政教育支出力度，鼓勵家庭和個人增加教育投資，充分釋放教育和知識紅利，發揮人口大國的要素稟賦優勢，促進人口紅利轉向人力資本紅利。除此之外，在數字經濟的背景下不斷探索和創新人力資本的培養與積累方式，將數字投資納入人力資本發展戰略，鼓勵數字技術與教育投資深度融合，推動人力資本結構走向多元化與高級化，為經濟高質量發展增添動力。

參考文獻

柏培文， 張云. 2021. 數字經濟、人口紅利下降與中低技能勞動者權益[ J]. 經濟研究， 56（5）： 91-108.Bai P W， Zhang Y. 2021. Digital economy， declining demographic dividends and the rights and interests of low-and medium-skilled labor[ J]. Economic Research Journal， 56（5）： 91-108. （in Chinese）

蔡躍洲， 馬文君. 2021. 數據要素對高質量發展影響與數據流動制約[ J]. 數量經濟技術經濟研究， 38（3）： 64-83.Cai Y Z， Ma W J. 2021. How data influence high-quality development as a factor and the restriction of data flow [ J]. The Journal of Quantitative amp; Technical Economics， 38（3）： 64-83. （in Chinese）

蔡躍洲， 牛新星. 2021. 中國數字經濟增加值規模測算及結構分析[ J]. 中國社會科學，（11）： 4-30.Cai Y Z， Niu X X. 2021. Scale measurement and structural analysis of the valueadded of Chinas digital economy[ J]. Social Sciences in China， （11）： 4-30. （ inChinese）

李夢娜， 周云波. 2022. 數字經濟發展的人力資本結構效應研究[ J]. 經濟與管理研究， 43（1）： 23-38.Li M N， Zhou Y B. 2022. Research on human capital structure effect of digital economy development[J]. Research on Economics and Management， 43（ 1）： 23-38. （in Chinese）

梅冬州， 龔六堂. 2011. 新興市場經濟國家的匯率制度選擇[J]. 經濟研究， 46（11）：73-88.Mei D Z， Gong L T. 2011. The determinants of exchange rate regime in the emerging economies [ J]. Economic Research Journal， 46 （ 11 ）： 73-88. （ inChinese）

戚聿東， 劉翠花， 丁述磊. 2020. 數字經濟發展、就業結構優化與就業質量提升[J]. 經濟學動態，（11）： 17-35.Qi Y D， Liu C H， Ding S L. 2020. Digital economic development， employment structure optimization and employment quality upgrading[J]. Economic Perspectives，（11）： 17-35. （in Chinese）

陶小龍， 肖培. 2021. 數字經濟時代人力資本的價值特點與開發策略[ J]. 信息與管理研究， 6（6）： 74-84.Tao X L， Xiao P. 2021. Value characteristics and development strategy of human capital in digital economy era[J]. Journal of Information and Management， 6（6）：74-84. （in Chinese）

徐翔， 趙墨非. 2020. 數據資本與經濟增長路徑[J]. 經濟研究， 55（10）： 38-54.Xu X， Zhao M F. 2020. Data capital and economic growth path[ J]. Economic Research Journal， 55（10）： 38-54. （in Chinese）

楊建芳， 龔六堂， 張慶華. 2006. 人力資本形成及其對經濟增長的影響———一個包含教育和健康投入的內生增長模型及其檢驗[J]. 管理世界，（5）： 10-18， 34.Yang J F， Gong L T， Zhang Q H. 2006. Human capital formation land its effects on economic growth[J]. Journal of Management World， （5）： 10-18， 34. （in Chinese）

葉胥， 杜云晗， 何文軍. 2021. 數字經濟發展的就業結構效應[J]. 財貿研究， 32（4）：1-13.Ye X， Du Y H， He W J. 2021. Employment structure effect of digital economy development[J]. Finance and Trade Research， 32（4）： 1-13. （in Chinese）

俞伯陽， 叢屹. 2021. 數字經濟、人力資本紅利與產業結構高級化[ J]. 財經理論與實踐， 42（3）： 124-131.Yu B Y， Cong Y. 2021. Digital economy， human capital dividend and advanced industrial structure[J]. The Theory and Practice of Finance and Economics， 42（3）：124-131. （in Chinese）

余長林. 2006. 人力資本投資結構與經濟增長———基于包含教育資本、健康資本的內生增長模型理論研究[J]. 財經研究， 32（10）： 102-112.Yu C L. 2006. Investment structure in human capital and economic growth—Endogenous economic growth analysis based on education capital and health capital[J]. Journal of Finance and Economics， 32（10）： 102-112. （in Chinese）

張同斌. 2016. 從數量型“人口紅利”到質量型“ 人力資本紅利”———兼論中國經濟增長的動力轉換機制[J]. 經濟科學，（5）： 5-17.Zhang T B. 2016. From quantitative “ Demographic Dividend” to qualitative“Human Capital Dividend”[J]. Economic Science， （5）： 5-17. （in Chinese）

朱超， 余穎豐， 易禎. 2018. 人口結構與經常賬戶： 開放DSGE 模擬與經驗證據[J]. 世界經濟， 41（9）： 26-50