數據要素倍增效應的理論機制、制約因素與政策建議

摘 要：近年來，數據要素已快速融入生產、分配、流通、消費和社會服務管理等各環節，逐漸成為數字時代的基礎性資源、重要生產力和關鍵生產要素。構建以數據為關鍵要素的數字經濟，充分發揮數據要素的放大、疊加和倍增作用，是經濟高質量發展的必然要求。本文界定了數據要素倍增效應的概念，基于轉換倍增和循環倍增路徑推導了數據要素倍增效應的模型，構建了鏈式決策優化的分析框架，論證了數據要素通過在宏觀層面驅動要素配置決策和在微觀層面驅動企業運行決策兩條路徑產生倍增效應。在實踐中，數據要素積累不充分、運用不完善和規制不健全等因素制約了數據要素的價值釋放。為充分發揮數據要素倍增效應，釋放數據要素價值，必須在要素層健全數據整合機制、在產業層豐富數據應用場景、在制度層完善規章制度，強化數據要素供給和利用。

關鍵詞：數據要素倍增效應；數據要素價值；數字經濟；決策優化；數據要素倍增制約

中圖分類號：F49 文獻標識碼：A 文章編號：1000-176X（2024）03-0003-16

一、問題的提出

云計算、物聯網、大數據、人工智能和5G等數字技術在生產生活中的應用，既促進了數據的海量生產、流通和使用，又為數據的要素化和開發利用提供了高效可靠的技術支撐。2017年12月，習近平總書記在主持中共中央政治局第二次集體學習并講話時指出，“大數據是信息化發展的新階段。”“要構建以數據為關鍵要素的數字經濟。”“發揮數據的基礎資源作用和創新引擎作用，加快形成以創新為主要引領和支撐的數字經濟。”［1］黨的十八大以來，中國數字經濟高速發展。《數字中國發展報告（2022年）》顯示，2022年，中國數字經濟規模達50. 2萬億元，總量穩居世界第二，同比名義增長10. 3%，占GDP的比重提升至41. 5%［2］。數字經濟在國民經濟中的地位愈發突出，已逐漸成為穩增長、促轉型的重要引擎。數據是數字技術和數字經濟發展的產物，中國具有數據生產和應用優勢。IDC發布數據顯示，中國數據量規模將從2022年的23. 88ZB增長至2027年的76. 6 ZB，年均增長率達到26. 3%，居世界第一［3］。近年來，數據要素正逐漸成為繼勞動、資本和技術之后驅動經濟發展的新生產要素，已快速融入生產、分配、流通、消費和社會服務管理等各環節。可見，加快構建以數據為關鍵要素的數字經濟取得了顯著進展。

黨和政府高度重視數據要素的作用，強調數據是數字經濟時代的基礎性資源、重要生產力和關鍵生產要素。2020年4月，《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》要求，加快培育數據要素市場。2022年1月，《“十四五”數字經濟發展規劃》對充分發揮數據要素價值作出重要部署，并提出數據要素是數字經濟深化發展的核心引擎。2022年6月22日，習近平總書記在主持召開中央全面深化改革委員會第二十六次會議時強調，“數據基礎制度建設事關國家發展和安全大局，要維護國家數據安全，保護個人信息和商業秘密，促進數據高效流通使用、賦能實體經濟，統籌推進數據產權、流通交易、收益分配、安全治理，加快構建數據基礎制度體系。”［4］ 2022年12月，《中共中央 國務院關于構建數據基礎制度更好發揮數據要素作用的意見》進一步指出，“構建適應數據特征、符合數字經濟發展規律、保障國家數據安全、彰顯創新引領的數據基礎制度”“充分發揮我國海量數據規模和豐富應用場景優勢，激活數據要素潛能，做強做優做大數字經濟，增強經濟發展新動能，構筑國家競爭新優勢”［5］。學術界普遍認為，數據要素具備某種特殊的倍增效應，能在經濟系統中釋放出數倍于初始系統的倍增價值，但鮮有文獻從理論上論述數據要素如何發揮倍增效應，也缺乏對其內在邏輯與作用機理的深入論證。基于此，本文研究的問題是：數據要素如何發揮倍增效應？數據要素如何釋放潛能和價值？如何最大程度地發揮數據要素倍增效應？本文在理論分析的基礎上，研究了影響數據要素發揮倍增效應的制約因素，并從要素層、產業層和制度層提出了政策建議。

二、文獻綜述

《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》明確將要素納入生產要素體系之中，部署加快培育數據要素市場。數據要素作為新型生產要素，是數字經濟的關鍵生產要素，是網絡化、數字化和智能化的基礎，在技術—經濟新范式的構建中具有重要價值。這是生產要素和經濟增長領域的重大理論創新，是推動數字經濟發展的理論支撐。學術界關于數據要素價值及其實現機理的研究主要基于以下三個視角：

其一，關于數據要素價值認知的研究。蔡躍洲和馬文君［6］認為，數據要素區別于原始數據，是一種具有生產效應、可描述的、更小范圍的、能作用于其他客體的、具備特殊作用的有效信息。佩蕾絲［7］認為，數據要素具備非要素性數據缺乏的創造力和實現價值的能力。一方面，數據本身具有顯著的大規模可得性與低成本性，具備成為關鍵生產要素的前提條件。數據要素的使能性（Enabling Technologies） 促使使用者加大對數據的投入，有利于現有條件下生產狀況的改善與技術水平的進步［8］。隨著此類通用目的技術（General Purpose Technologies，GPTs） 的演變、發展和應用，傳統產業運用數據提升生產效率將有更廣闊的空間［9］。另一方面，數據來源于生產和生活，以生產要素形式存在的數據是經人類勞動行為加工所產生的副產品，Agrawal等［10］認為，數據的使用有利于新知識和新思想的形成，數據要素通過關聯相關知識產生決策信息，繼而促使生產活動的路線更加明確，降低生產的不確定性，是提高生產效率的有力路徑［11］。

其二，關于數據要素價值倍增方式的研究。研究者將數據要素增值方式的具體路徑歸納為直接增值和間接增值。第一，直接增值是數據要素直接釋放價值的一種能力。數據要素從根源上蘊含個人的勞動，亦可視之為勞動的從屬，其本身具有價值屬性，在生產活動中能直接釋放經濟價值［12］。這主要依賴于三種方式：一是數據要素直接促進知識的生產。數據要素通過疊加與積累的過程，推動一系列經濟活動中的知識水平上升到新的層次，在生產與組織管理中能顯著提升價值創造的效率［13］。二是數據要素直接優化匹配效率。數據要素的流通意味著有效信息的傳遞，云計算、物聯網、大數據、人工智能和5G等數字技術的發展與應用能擴大信息的交互、減少供需雙方的信息壁壘。在此基礎上，企業能準確地為用戶提供更為精細化的服務與產品，消費者能在市場中完成更高質量的交易與反饋［14］。三是數據要素直接推動科技研發和技術水平躍升。2010年以來， 云計算、物聯網、大數據、人工智能和5G等數字技術逐步深入應用，推動傳統產業網絡化、數字化和智能化，催生了一系列新產業、新技術、新服務和新模式。數據要素是數字技術應用的副產品，作為新型生產要素，在推動數字產業化和產業數字化中發揮了重要作用。第二，間接增值是指數據要素與其他要素結合輔助價值釋放的一種過程，是實現數據價值增值的關鍵途徑。數據要素基于算力、算法和模型才能創造價值，數據要素創造價值的基本路徑有三條：價值倍增（提升傳統單一要素生產效率）、資源優化（優化傳統要素資源配置效率） 和激發創新（激活其他要素替代傳統要素的投入和功能）［15］。一方面，數據要素融入生產、分配、流通、消費和社會服務管理等各環節，與勞動、資本和技術等傳統生產要素融合，推動最終產品的生產［16］，提高單一要素的配置效率和生產效率，在生產中完成樣本數據的擴充與要素賦能，繼而實現價值倍增的良性循環。另一方面，數據要素與其他要素結合形成數據資本，數據資本的“兩重創新性”是生產力提升的關鍵。這不僅作為生產要素直接促進經濟增長，也可以通過促進其他生產要素的高效配置，間接提升其他生產要素的使用效率［17］。

其三，關于數據要素作用效果的研究。研究者從微觀、中觀和宏觀層面展開了探索。在微觀層面，數據要素作用機理的主要表現形式是生產效率的提高。數據要素借由搜集、挖掘、分析和處理等方式釋放其承載的價值信息，通過調整投入—產出比例來提高要素層面資源的協同與配置效率［18］，主要有三個途徑：第一，數據要素推動信息的挖掘與處理，減少經濟活動中的不確定性，有利于企業掌握精準情報，從而提供專門化的產品和服務［19］。第二，數據要素激發企業創新活力，企業間的協同、交流和共享行為能最大化地提升創新效率，為生產效率的提升奠定基礎［20］。第三，數據要素優化技術選擇，數據動態反饋機制便于生產方適應消費端的偏好變化，促使高數據存量企業能以最優技術進行高效率的生產［21］。在中觀層面，成本控制是影響數據要素作用價值的重要邏輯。數據要素的運用使搜尋、復制、運輸、追蹤和驗證等成本降低，使經濟系統的運行更有效率。成本的降低意味著生產、分配、流通、消費和社會服務管理全流程的優化，運用數據要素的產業和企業將在潛移默化中完成數字化蛻變。數據要素的動態生產周期演變能激發產業的信息、流程、業務和生態的數據化，促進新興數字化產業鏈、物流鏈、服務鏈和價值鏈的形成［22］，在推動數字化轉型的同時，亦能為傳統產業帶來更高的經濟效益。在宏觀層面，規模經濟、范圍經濟、網絡效應和長尾效應是數據要素促進實體經濟平穩增長的機理。一方面，以數據為關鍵生產要素的數字經濟推動各類資源要素快捷流動、各類市場主體加速融合，提升經濟社會各領域資源配置效率，增強經濟發展動能、暢通經濟循環。數據要素倍增的機制主要是通過促進企業高質量決策、增進市場高效運行、提升多要素合成效率、驅動高效率創新等，實現內生性經濟增長［23］。另一方面，數據網絡效應不同于平臺網絡效應，當產品的價值隨數據增多而增加，且數據伴隨該產品的使用而增多時，就會產生數據網絡效應［24］。隨著聚合數據的不斷增加，數據對每一位用戶的價值也隨之提高，更多的數據會繼續幾乎無限期地產生價值，并給平臺經濟帶來顯著的競爭優勢與經濟價值，進而促進經濟高質量發展［25］。因此，國家發展和改革委員會［26］認為，激活數據要素價值，不僅有利于提高全要素生產率，增強經濟發展動能，加快推進質量變革、效率變革和動力變革，而且有利于賦能實體經濟，促成新舊動能加快轉換，是傳統產業轉型升級的新支點，是建設現代化經濟體系的重要引擎。

綜上，現有文獻對數據要素的價值認知、增值方式和作用效果等問題進行了深入系統的研究，但是關于數據要素倍增效應的界定、數據要素倍增效應機制的文獻則相對較少。雖然部分文獻中涉及了數據要素倍增效應，但鮮有文獻明確界定數據要素倍增效應的概念，尤其對發揮數據要素倍增效應的底層邏輯和路徑的研究不夠深入。基于此，本文的邊際貢獻在于：首先，系統地梳理了數據要素的倍增框架，清晰界定了數據要素倍增效應的概念，并構建了數據要素倍增效應的模型，豐富和拓展了有關數據要素倍增效應的理論研究。其次，從宏觀和微觀兩個層面分析了發揮數據要素倍增效應的機理，揭示了數據要素通過驅動要素配置決策和驅動企業運行決策實現價值倍增的特征事實。最后，從數據要素積累不充分、運用不完善和規制不健全等方面探討了發揮數據要素倍增效應的制約因素，并提出應在要素層健全數據整合機制、在產業層豐富數據應用場景、在制度層完善規章制度等政策建議。

三、數據要素倍增效應的理論機制

隨著數字技術與實體經濟融合、數字經濟與實體經濟融合進一步加深，大數據技術加速發展并不斷深入行業應用，數據作為生產要素的價值不斷凸顯。為了落實黨和政府關于數據要素的相關政策，學術界和實務界都在討論如何激活數據要素潛在價值、如何推動數據生產要素與傳統生產要素疊加和融合從而發揮倍增效應等問題，然而對于發揮數據要素倍增效應的本源問題缺乏深入研究。本文從概念界定入手，揭示數據要素倍增效應的理論機制。

（一） 數據要素倍增效應的概念界定與理論推導

⒈數據要素倍增效應的概念界定

倍增效應源于電磁物理學。法恩斯沃思觀察到在真空管內的某些區域會累積帶電粒子，并提出了倍增器的概念和倍增效應。這個現象被后人稱為二次電子倍增效應，其體現的是高頻腔內電子的一種反復振蕩放大的過程。經濟學中的倍增效應衍生于乘數效應，乘數效應用以反映經濟活動中某一變量的增減引起經濟總量變化的連鎖反應程度。筆者認為，經濟學中的倍增效應是指，在給定經濟周期中，各類生產要素通過規律性的協同整合進入經濟系統，產生的經濟總量遠大于（數倍于） 單一生產要素產出的現象。例如，要素生產率是指考慮某種或者某幾種要素投入帶來的產出變化，全要素生產率是指各投入要素（土地、勞動、資本） 保持不變的情況下所產生的產出增加，其通常被視為技術進步對經濟發展作用的綜合反映。

根據生產要素在經濟系統中的實際效應，本文將生產要素分為三類：第一，基礎要素。指維持生產活動所必須的最基礎要素（土地、勞動），缺失此類要素會直接影響生產活動的進行。第二，催化要素。其能從效能和產能等方面間接促進生產力的提升，缺失此類要素不利于生產活動正常進行，但仍能維持一定程度的低效產出，其中資本引導與技術賦能則是催化要素促進生產力提升的主要增長路徑。第三，運轉要素。其通常不直接作用于生產，但在生產循環中占據樞紐地位，并通過流通傳導反饋生產狀況、傳遞生產需求、直接或間接地影響生產活動中的其他要素。數據要素是數字經濟時代的重要運轉要素，是進一步促進產業數字化轉型的關鍵。單獨依靠某一種生產要素難以推動經濟增長，數據要素創造價值的功能主要體現在協調整個經濟系統內的資源配置。數據要素是其他生產要素聯通運轉的橋梁，資本推動技術突破、技術反哺資本利潤，數據是要素間的傳輸紐帶并具有優化基本要素配置、放大催化要素增力的功能。在此基礎上，數據要素通過價值倍增、資源優化和投入替代等方式［14］創造價值。

數據要素是數據生產要素的簡稱。數據要素進入經濟系統，對生產力水平的提高、經濟活動效率的提升、技術水平的改進和運行成本的控制等各方面均會產生影響。數據要素能在經濟活動中釋放價值，得益于其通常借助非線性的協同作用與其他要素有機結合，繼而相互影響并實現全要素生產率的幾何倍增［27］，在整體經濟效益提升的過程中體現其價值倍增的能力。為了更清晰地厘清數據要素價值倍增的基本原理，界定數據要素倍增效應的實質，本文從生產要素角度出發，通過對比數據要素未參與的簡單生產循環與數據要素參與的優化生產循環，分析數據要素倍增效應對生產系統整體經濟價值產生的影響，具體如圖1和圖2所示。

如圖1和圖2所示，假設在經濟系統中僅考慮勞動（L）、資本（K）、技術（A） 和數據（D）這四種生產要素，則在一個其他條件恒定的生產周期內，可以得到數據要素未參與的簡單生產循環流程（圖1） 和數據要素參與的優化生產循環流程（圖2）。在數據要素未參與的生產周期內，給定技術水平A的條件下，原始投入K和L在經過一系列生產環節后所得到的產出Y可分為三個部分：①擴大再生產部分，即運用剩余的生產性積累維持后續生產或擴大生產規模的再生產部分。②其他要素流向部分，即經過該生產循環創造出的、在后續循環中不繼續參與該生產的、可直接流向其他生產系統中的流動產出。顯然，其他要素流向部分與擴大再生產部分均是可直接觀測的、可直觀由實體產出展現自身價值的部分，本文將其定義為顯性產出。③伴隨生產過程產生的數據要素部分，即經過一系列生產過程自然而然積累的數據要素，其實質是與經濟生產相關聯的有效信息的合集，亦可看作生產經驗和技術學習的累積。則無論是否運用數據要素開展生產，數據要素的積累依舊是持續的，由于此部分產出不易被量化觀測，本文將其定義為隱性產出。

如圖1所示，當數據要素未參與生產循環時，伴隨生產過程產生的數據要素處于一種未開發的孤立狀態。如圖2所示，當數據要素參與生產循環時，作為關鍵生產要素，由數據要素主導的數字化生產推翻了原本的生產模式，與數字化相關聯的新技術、新流程、新業態和新模式的持續性滲透并深刻地改變了生產循環和產業鏈構成。此時，更低的成本、更好的服務和更優的產品成為數字化產業的標志，全產業鏈的勞動生產率大幅提升，數據要素的倍增效應也得以充分展現。數據要素的倍增效應可分為兩個部分：第一，數據要素的轉換倍增效應，即數據要素的初次價值倍增，指數據要素在單一生產周期中將其他要素轉換為具備更高價值生產要素的過程。在單次的生產循環中，數據要素能通過與勞動、資本和技術等的有機結合實現單一要素的價值倍增，產業鏈的生產率也因此得到提升。第二，數據要素的循環倍增效應，即數據要素的再次價值倍增，指充分發揮數據要素循環生產的特性，將伴隨上一次生產過程的隱性產出（數據要素） 再次并入已有的數據集合中，在豐富數據集廣度的同時提高后續數據要素在轉換倍增中賦能的強度。在逐次疊加的過程中，數據要素助力其他生產要素更大化地釋放價值，其他生產要素亦在豐富積累的過程中反哺數據要素，使數據要素的積累形成飛輪效應，在新一輪的生產過程中發揮更大的作用。

由上述生產循環過程的推導可知，數據要素并非是一種“無中生有”的全新要素，只是并未在簡單生產循環過程中得到充分運用。數據要素的倍增效應并非是孤立的，其作用于經濟系統層面的增長。這里的“倍增”是與傳統經濟系統相較而言的，是數據要素參與到新的生產過程中所發揮的特殊價值。因此，本文對數據要素倍增效應界定如下：在穩定的經濟系統中，伴隨經濟活動產生的數據在數字技術支撐下持續迭代積累、重復使用和協同優化，并使數據價值倍增的現象。在這個界定中，筆者認為，數據要素倍增效應由兩部分組成：第一，提高單一要素價值，產生瞬時的轉換倍增效應。第二，優化經濟系統循環，產生持續性的循環倍增效應。在這兩種效應的共同作用下，數據要素能動態持續地作用于其他要素并產生更多的數據，數據要素倍增帶來要素投入增加和要素投入產出效率提升，最終促進全要素生產率和經濟效率的提升。

⒉數據要素倍增效應的理論推導

為了明晰數據要素倍增效應的深層內涵、完善數據要素的理論框架，本文借助柯布—道格拉斯生產函數，推導數據要素倍增效應的一般表達形式。

柯布—道格拉斯生產函數的一般表達形式為：

Y = f（A，K，L） = A（α）KβLχμ （1）

其中，A（α） 表示綜合技術水平，β和χ分別表示資本與勞動的彈性系數，μ表示誤差參數。鑒于數據要素轉換倍增效應的存在，勞動、資本和技術等要素在給定的經濟系統中與數據要素存在顯著的相互作用關系，現將數據要素引入該生產函數之中，可構建α = D1 （d），β = D2 （d），χ =D3 （d），d ∝ Y，分別表示數據要素與其他要素的關聯函數。為排除誤差項的干擾，令μ = 1，最終得出新生產函數如下：

Y = F（A，K，L，d） = A[D1 （d）]KD2 （d）LD3 （d） （2）

分別對新生產函數Y關于勞動、資本、技術、數據各要素進行求導，可得：

此外，數據要素的倍增效應在給定生產周期內具備時序性，數據要素完成上一輪生產倍增賦能的同時會持續影響下一輪生產的進行，其循環倍增效應表現為，在往復迭代累積的過程中不斷提升經濟系統內整體的要素價值，這與前文關于數據要素倍增效應的分析是吻合的。

（二） 基于決策的數據要素倍增機制

從前文數據要素倍增效應的界定與理論分析可知，數據要素并非獨立作用于經濟系統，其倍增效應的發揮往往伴隨著與其他生產要素的相互協同、數據重復使用和融合驅動創新，這也是數據要素實現價值倍增的必要環節。具體到實踐中，經濟決策效率提高是其主要表現形式，鏈式決策優化則是發揮數據要素倍增效應的深層機制。

所謂“決策”，狹義上指決定的策略或辦法，是人們為各種事件出主意、作決定的過程。事實上，“策”的涵蓋面非常廣，不同的生產要素投入方案、資源配置模式和生產技術使用方式實質上都是“策”，決策就是最優“策”的確定與落實，是經濟行為的根本。數據要素通過決策優化發揮倍增效應主要通過兩個機制得以實現：第一，數據要素通過決策優化提高認知能力。知識與智慧層次的飛躍使人類對世界的感知、理解、預測和控制能力提高，這有利于推動價值的發現與創造。第二，數據要素通過決策優化提高經濟行為效率，推動生產力水平的提高，催生新生產模式與變革生產方式，促使生產效率達到新的境界。已知“策”的適配能夠使經濟行為趨向帕累托最優，未知“策”的創新能夠擴展效率的可能性邊界。可見，決策優化是經濟效率提高的根本。在完整的鏈式決策中，數據要素通過尋找優“策”、輔助決“策”，最后落實決策，借決策效率的優化完成價值的釋放與增值，這就是發揮數據要素倍增效應的深層邏輯。基于此，筆者利用宏觀機理和微觀機理繪制了數據要素驅動鏈式決策優化發揮倍增效應的示意圖，如圖3所示。

1. 倍增效應的宏觀機理：數據要素驅動資源配置決策

在宏觀層面，數據要素驅動資源配置決策以發揮倍增效應。數據融入勞動、資本、技術等要素，憑借算力平臺和算法技術的輔助能夠促進資源配置趨向新的優化，通過改變要素比例或技術配置方式使等量投入產能與效能提高。在生產率提升的同時完成生產力截面的躍遷，①繼 而實現單一要素在整個生產周期中的價值倍增。在前文構建的理論框架中，引入數據要素的生產函數模型為Y = A[D1 （d）]KD2 （d）LD3 （d），下文基于數據要素倍增效應的不同類型分別討論倍增效應機制。

其一，數據要素的轉換倍增效應。數據要素能調控其他要素配置，通過優化單一生產要素的配置決策以提升其自身價值，在模型中用D1 （d）、D2 （d）和D3 （d）表示。在轉換倍增的過程中，數據要素不直接參與生產，但能深化生產認知和降低生產活動中的不確定性，逐步影響生產、分配、交換、消費和社會服務管理等各環節，通過驅動其他要素的配置與使用決策的優化實現價值倍增。以農業為例，未知病蟲害突發時，如何配置已有資源降低突發事件造成的負面影響成為破局的關鍵。數據要素的價值在于，其能夠及時傳遞有利于解決問題的有效信息，驅動要素配置決策的高效運行。具體而言，若在給定資源下應對病蟲防治的最大勞動力配給②為L1，實際生產中數據要素與算力、算法結合并作出分析決策后的投入勞動力則為L2。顯然L2 的大小與數據要素化的程度和能力相關，數據要素傳遞的有效信息越及時、越充足、越準確，病蟲害的危害面積越小，所需投入的L2 值越小，勞動要素的配置決策越精準高效。繼而有ΔL = L1 - L2，L2 ≤ L1，其中，ΔL表示數據要素驅動下單次勞動力要素配置決策所產生的要素差值，表明L2 份額勞動力投入實現了L1 份額勞動力所創造的價值，意味著融入數據要素后對勞動力要素的配置決策提升了單一生產要素的初始價值，勞動力要素的價值因此而倍增，生產力截面也由Ⅰ升至Ⅱ，具體如圖3所示。則有Lε = L +ΣΔL，其中，Lε 表示發揮數據要素倍增效應后的勞動要素總值；ε ≥ 1，ε表示數據要素對勞動力要素的轉換倍增強度；ΣΔL表示生產周期內每次勞動力要素配置決策所產生要素差值的總和，其亦是數據要素驅動要素配置決策后所創造價值的直觀體現。

創新發展將實現經濟體系的全新飛躍，生產力截面由Ⅱ升至Ⅲ，具體如圖3所示，其體現的是數據要素長期驅動決策以促進要素配置突破生產邊界的更優化過程。

2. 倍增效應的微觀機理：數據要素驅動企業運行決策

在微觀層面，數據要素驅動企業運行決策優化以實現倍增效應。數據參與企業運作的本質是通過發揮算力的優勢形成智能化閉環，及時地開展生產、處理、傳輸和分析等系列可度量、可追溯、可預測、可傳承的算法活動，憑借“數據+算力+算法”的有機結合進一步挖掘新的、具備預知性的有效信息以作用于其他要素，在信息挖掘與積累的過程中降低生產活動的不確定性，繼而推動企業決策的智能化與高效化，在發揮數據要素倍增效應的同時驅動實體經濟的數字化轉型。具體而言，初步收集的數據經整合處理后，借助可實施的決策在應用場景中釋放價值。數據要素融入場景應用，在數字平臺、數字技術等數字化工具的輔助下展現要素屬性，在決策鏈中循環往復，逐步驅使企業生產決策、管理決策與戰略決策等環節的流程優化，最終提升經濟效率。具體地，可將該流程分為三個階段：

第一階段，決策欲求產生，以“數據+算力”高度結合為主。在數字時代的高技術密度屬性下，算力服務平臺蓬勃發展，逐漸成為驅動經濟高質量發展的重要引擎。算力的提升為收集廣泛、低成本、大規模可得且存在于客觀世界中的數據提供了可能。充分發揮算力優勢，大量、多樣、高效地搜集、挖掘、分析和處理可得數據是該階段的主要內容。依托一體化的算力服務平臺，相關企業實現對算力、存儲、網絡和數據等分布資源的整合，繼而根據科學計算、工程計算和智能計算等場景需求，向用戶輸出算力、算法、數據與應用高度協同的一體化資源。在此過程中，碎片化的數據得以積累，形成海量數據并轉化為數據資源，數據資源在生產中被使用并趨向要素化，數據要素價值初顯，微觀主體對客觀事實的認知與理解亦得以深化。在“認知現狀→發現問題→提出問題→處理問題”的過程中，數據要素化與問題導向鏈的推進同步進行，繼而在問題中產生決策欲求以賦能整體流程的實時跟進，這也是企業運行決策和要素價值倍增的源頭。

第二階段，決策行為落實，以“數據+算法”高度結合為主。算力側重數據的要素化轉變，而算法關注要素價值的釋放。“數據+算力”助力決策欲求產生，“數據+算法”則是推動決策行為落實的關鍵。數據要素驅動決策包括預決策、策分析、終決策三個步驟。從計量經濟學角度來看，“策”是生產函數，“決策”即是在給定生產要素中挑選契合的生產函數。在此基礎上，預決策是生產函數的預選擇，指通過對事物的過去和現在進行科學調查分析與研究以尋找出其發展變化規律，進而利用一定的方法或技術預測未來發展的態勢和方向，最終為決策落實增加可行性與選擇性的甄別過程。策分析是對可供選擇的生產函數的期望預判，是算法技術優勢與數據要素的深度結合。以信息、網絡技術為基礎的智能算法本身具有運算強、傳輸快、全時工作、決策一致性高和失誤率低等特點。在數據要素融合和協調的驅動下，利用不斷優化的算法持續挖掘數據，使不同預測周期時效范圍內事物的普遍規律、特殊規律在同一時空內得以呈現，繼而依靠其在海量數據搜尋、數據分析、內容生成等方面的技術創新優勢，逐步形成一種針對應用場景的靶向選擇方案，能夠大幅提高決策的可實施性與合理性［28］。終決策則是權衡各方案作出的行動選擇，決策執行使數據要素的價值得以體現，是企業運行與價值倍增的重要節點。

第三階段，決策結果反饋，是“數據+算力+算法”的多維融合。決策落實是數據要素創造價值的開端，決策結果反饋則是實現數據要素價值增值的必要手段，以“數據+算力+算法”驅動鏈式決策優化是其本質所在。具體而言，決策執行引發新數據的產生與積累，算力、算法再次助力數據的要素化與價值化，逐漸形成往復前進的邏輯流程鏈。延續前文推導，在此過程中，第p次決策鏈式流程中的產出為：Yp = A[D1p （d）]KD2p （d）LD3p （d）。當此決策下的產出滿足預期時，決策反饋為正，表明該“策”執行成功，該場景下可供參照的決策案例與數據得到豐富，數據要素的價值通過轉換倍增得以釋放，決策的可實施性提高，該場景下的決策效率由此得到直接優化。反之，決策反饋為負，表明該“策”執行失敗，該場景下決策失敗的案例得到補充，相應的數據成為后續決策的反面參照。新的決策欲求產生，數據要素進入新一輪的決策循環之中。而當現有“策”的選擇無法滿足實際所需時，負反饋會進一步催生新生產函數（“策”） 的設計，激發創新欲求以拓寬決策的可選擇性。最終在給定周期內將形成循環往復的鏈式決策，決策產出將呈螺旋上升，有Y = max [Y1，Y2，…，Yp ]，數據要素的循環倍增得以體現，在循環的決策優化過程中實現了數據要素的價值倍增。

對企業而言，數據作為生產要素直接影響企業運行的作業決策，使資源配置、成本取舍、流通定制等環節隨數據要素的介入趨向數字化、創新能力提高、資本結構改善［29］、生產效率提升。同時，數據與算力、算法結合，進入微觀企業的業務流，使傳統人力運營升級為智能化的數據驅動、管理決策由經驗主導逐漸演變為數據主導，降低了不確定性帶來的風險，重構了企業的核心競爭力，提升了組織效率。綜上，數據要素在企業戰略決策中的地位日益提升，數字化轉型已經成為企業高質量發展的重要路徑，數據要素支撐預測與判斷，明確企業前進的方向，對提升微觀企業生產和經營效率產生深遠影響。簡言之，在轉換倍增效應與循環倍增效應的交替作用下，“數據→決策→反饋→新決策→復反饋→……”這一曲折前進的發展路徑優化了企業決策，是微觀層面發揮數據要素倍增效應最核心的運作機理。

綜上，數據要素驅動決策優化是發揮倍增效應的主要途徑，企業運行決策優化促進企業改善經營和提高效率，要素配置決策優化則推動了宏觀經濟高質量發展。數據要素貫穿鏈式決策優化的全流程，通過轉換倍增效應與循環倍增效應提升其他要素的配置效率，既促進決策改進又實現要素合理配置，不斷推動各類生產要素價值由更優化向最優化躍遷，促進經濟高質量發展。

四、數據要素倍增效應的制約因素

目前，中國數字經濟正轉向深化應用、規范發展和普惠共享的新階段，然而數據要素的作用剛剛開始發揮，對提高生產效率的乘數作用和倍增效應在要素層、產業層和制度層等各層面仍存在諸多阻礙與制約。為充分發揮數據要素作用，本文將結合前文的理論框架與典型事實，深入探究數據要素在各層面發揮倍增效應的主要制約因素。

（一） 要素層：數據要素積累不充分，要素化流程受限

要素層是發揮數據要素倍增效應的基礎。自2020年3月，中共中央政治局常務委員會明確提出“加快5G網絡、數據中心等新型基礎設施建設進度”以來，中國的數據資源供給與數據要素化能力顯著提升。2021年，政府數據開放平臺數量（193個） 較2012年（3個） 增長了63倍，大型數據中心占比超過80%，新型基礎設施建設發展趨勢向好［30］。但綜合來看，數字化建設對于數據要素的整合能力仍有待提升，距離“高存力、高算力、高運力、高安全、高能效”的新型基礎設施建設標準相差甚遠，限制了經濟決策所需的要素化數據的積累，不利于實體經濟的產業結構轉型與系統性優化［31］。

其一，從整體來看，中國傳統實體經濟的數字化轉型仍處于起步階段，信息基礎設施建設覆蓋不全面、網絡聯通協調性建設投入不穩定、算力驅動智能化建設開展不充分，致使大量數據資源不能及時完成要素化轉變，數據作為關鍵生產要素的開發利用仍有很大的提升空間。2022年，國研大數據研究院發布的《數字化采購引領中小企業數字化轉型》報告顯示，79%的中小企業處于數字化水平較低的初級探索階段，尚未發揮數據要素的倍增價值［32］。《2019中國企業數字化轉型及數據應用調研報告》顯示，有超過80%的企業數據以非結構化為主，超過90%的企業內部存在數據孤島，約80%的企業不認可自身的數據挖掘能力，同時僅有不到40%的企業采購第三方數據，多數企業缺乏對外尋求優質、合規的第三方數據供應商的意識［33］。因此，系統化建設滯后、數據管理水平低、數據質量不高等困境嚴重阻礙了數據要素的積累，是發揮數據要素倍增效應必須解決的首要問題。

其二，從局部來看，基礎性建設中的數據存力建設相對滯后，不能滿足急速增長的數據供給與要素化數據儲存需求，限制了數據作為關鍵生產要素價值的發揮。數據存力是根據不同應用環境需求，以存儲容量為核心，包含性能表現、可靠程度、綠色低碳在內的有效保存數據的綜合能力。①數據存力是發揮數據要素倍增效應并釋放數據價值的基石。中國電子信息產業發展研究院根據Gartner、IDC數據進行整理和測算得出，美國數據存力充足性領先全球，高達19. 4%；新加坡、德國為18. 8%、18. 4%，位列第二位和第三位。而中國行業全閃存占比不足12. 0%，單位GDP的存儲容量為23. 5GB，約為新加坡的50%，且新型全閃存儲占比為20. 3%，僅達全球平均水平的一半（41. 3%），與發達國家相比尚存較大差距［30］。數據存力不足限制了數據要素化的進度與量度，大量未完成要素化的數據難以被存儲，極大地降低了數據要素的平均轉化率，是制約發揮數據要素倍增效應的重要因素。

其三，從發展來看，產業數字化程度與區域數字化推進水平的不均衡、不充分現象廣泛存在，數據要素在部分領域的挖掘、開發和吸納能力欠佳，不利于數據要素的持續性積累與倍增效應的發揮。以區域差異為例，根據《中國區域數字化發展指數報告》測算結果，中國數字化發展水平由高至低可分為全面引領型、均衡成長型和發展培育型等三個梯隊。其中，以廣東、浙江、北京、江蘇、上海等5個省份為代表的第一梯隊得分均在0. 63以上，其具有數字經濟體量大、創新要素豐裕、基礎設施完備、數字業態豐富、數字需求旺盛和政策配套完善等特征［34］。而第二和第三梯隊得分較低，其資源存量相對匱乏、產業結構失衡、技術創新不足、數據運轉流通渠道不暢、缺乏科學有效的整合能力，數據難以發揮關鍵生產要素的作用與價值。如何讓數字化發展從“盆景”演化為“全景”，讓數據要素在全產業、全地區和全領域充分完成轉化，則成為數據要素充分發揮倍增效應的要點所在。

（二） 產業層：數據要素運用不完善，決策鏈優化受阻

產業層是發揮數據要素倍增效應的關鍵。數據要素作用于產業生產，在不同場景中協調生產要素配置并不斷改進，最終趨向最優決策方案以達到期望結果。但這種關于靈活分析與運用處理數據要素的能力正是中國當下數字化建設所欠缺的，數據驅動決策所追求的最優化結果由此而受到制約，數據要素的倍增效應難以充分發揮，主要有以下三個方面的原因：

其一，數據算力限制。中國基于具體場景的算力應用與實體產業的融合層次仍有待提升，數據要素難以在決策鏈中得到充分運用。中國信息通信研究院數據顯示，截至2021年底，中國算力核心產業規模超過1. 5萬億元，關聯產業規模超過8萬億元，算力已經成為拉動中國經濟增長的核心引擎之一［35］。然而，中國的算力仍面臨需求碎片化、配套芯片不強、傳輸能力不足、無效算力增多、高端人才緊缺和協同互通困難等諸多挑戰，且算力需求增速明顯高于算力發展增速。IDC發布的報告預測，2025年全球數據總量將增至175 ZB，中國數據量規模將于2027年達到76. 6 ZB。可見，未來中國數據算力面臨的壓力將不斷增加［3］。

其二，數據算法技術的外部性。算法技術在帶動經濟增長的同時也產生了算法歧視、市場競爭限制等一系列負外部性，進一步誘發多層次的壟斷問題并造成經濟效率損失［36］。南都反壟斷研究課題組發布的《平臺反壟斷監管觀察報告（2021）》顯示，2021年1月1日至2021年12月14日，國家市場監督管理總局共公布反壟斷處罰案例118起，其中，有89起涉及互聯網企業，占總數的75. 42%［37］。可見，數字平臺壟斷趨向多樣化、隱蔽化與復雜化。主要原因在于，追求技術與效率的算法結構無法真正地實現價值中立，數據的復用性、內生性等特征引發了平臺壟斷。隨著數字經濟的發展，電商平臺“二選一”、“大數據殺熟”、隱私泄露及算法濫用等新型壟斷現象頻繁出現［38］，數據的負外部性極大地制約了數據要素倍增效應的發揮。

其三，數字要素開發利用的人力資源稀缺，具備靈活運用數據要素以驅動決策優化能力的人才隊伍亟待壯大。一是實體經濟中客觀可投入的專業化數字人才總量不足，中國信息通信研究院發布的《中國數字經濟就業發展研究報告》指出，中國數字化人才缺口約為1 100萬人，各層次、各領域和各崗位的人才供給不足問題顯著。以農業為例，2021年，數字經濟滲透率僅為8. 9%，傳統農民對數據要素的理解與運用能力嚴重缺乏，迫切需要新型數字農民引領數字農業的發展［39］。二是投身數字化建設的人才質量不高，數字化思維理念貫徹不到位，數字素養仍有待提升。從中國社會科學院信息化研究中心發布的《鄉村振興戰略背景下中國鄉村數字素養調查分析報告》看，2020年，城市居民數字素養評估平均得分為56. 3分，鄉村居民僅為35. 1分，且農民職業群體的數字素養得分為18. 6，比平均值低57%［40］。整體而言，城鄉數字素養鴻溝現象突出，人均數字素養不高。在居民數字素養不高的情況下，實現鏈式決策的最優化、最大化地發揮數據要素倍增效應的預期任重道遠。

（三） 制度層：數據要素規制不健全，規模化推廣受制

制度層是發揮數據要素倍增效應的保障。圍繞數據要素形成的數據基礎制度將進一步推動中國數字經濟治理體系和治理能力現代化，有助于加強數字經濟發展的頂層設計和體制建設，為經濟社會發展注入創新活力。如何分類規劃數字化的產業體系，建構、完善和推廣數據要素的基礎制度則是規模性發揮數據要素倍增效應的關鍵所在，目前仍存在以下三個難點：

其一，數據要素權屬界定不清晰，未定產權的數據難以用價格機制實現交易，市場存在的成本與摩擦使效益損失無法避免。例如，數據資源可能涉及多個主體，原始數據擁有者與不同階段的數據控制者及使用者之間的權屬和利益分配問題通常難以解決［41］。數據要素的強包容性決定了其產權所屬形式相對自由，但數據確權缺少權威性機構的明確規定，數據產權主體、客體和權能領域均無完善的法律法規、相關部門對數據要素的公共屬性界定不明確，公共數據的開放共享缺乏統一標準、公共數據價值無法充分體現等問題長期存在。長此以往，大量潛在的數據供給者可能會趨向封閉數據，降低數據的交易與提供意愿，不利于數據要素價值的釋放。

其二，數據要素流通不順暢，數據要素市場缺乏規范化、標準化和系統化的規則，場外交易缺乏完善的制度體系，限制了數據要素規模化增值。2014年，中國已經有數據交易平臺上線。2015年，貴陽大數據交易所掛牌運營后，超過80個大數據交易機構相繼成立。數據要素市場基礎設施及交易環境有所改善，但在數據要素的入場交易及流通等環節中仍存在多重壁壘。從業務模式來看，場內交易不規范問題較多，落地業務基本局限于中介撮合，場內交易各機構成立之初設想的確權估值、交付清算、數據資產管理和金融服務等系列增值服務未能實現。從經營業績來看，場內交易存在數據成交量低迷、數據市場開拓有限、數據流動能力不足等問題。可見，發揮數據要素倍增效應的路還很長。

其三，數據要素安全及隱私難以保障，缺乏良好的數據運作環境，阻礙數據要素化進程。IBM 發布的《數據泄露成本報告》顯示，2021年，全球數據泄露平均規模達25 575條，損失成本由386萬美元升至424萬美元，平均損失總成本增加了10%，嚴重阻礙了數據要素的高效、穩定和持續運轉［42］。在數據安全保障制度方面，《中華人民共和國數據安全法》對數據分級保護制度、數據安全應急處理機制、數據安全審查制度和數據安全風險評估制度等方面作出了相應的法律規定。《中華人民共和國個人信息保護法》也對個人數據的安全隱私保護制度作出了法律補充。然而，囿于數據要素規制與相關法律法規的適配性較差、現存法律法規對細分領域的安全保障制度尚待完善、相關規章制度不健全致使數據丟失與隱私泄露、數據用戶的安全意識薄弱等問題頻發，這些均制約了數據流通交易、開發利用效率的進一步提升。

五、結論與政策建議

本文基于數字經濟高質量發展的視角，聚焦數據要素價值釋放和數據要素倍增效應這個熱點問題，構建了數據要素價值創造和釋放的理論分析框架，提出發揮數據要素倍增效應的機理是通過鏈式決策優化實現要素配置效率與經濟運行效率的提升。

本文結論主要包括：其一，界定了數據要素倍增效應的概念，明確了數據要素與其他生產要素的聯系與區別，分析了數據要素在生產循環中的地位與作用，并將數據要素的倍增效應劃分為轉換倍增效應與循環倍增效應，在此基礎上推導了倍增效應模型。

其二，厘清了發揮數據要素倍增效應的理論機制，基于決策優化的分析框架探討了倍增效應的宏觀機理和微觀機理。決策優化是發揮數據要素倍增效應的主要路徑，由宏觀層面的數據要素驅動要素配置決策和微觀層面的數據要素驅動企業運行決策兩條路徑實現。

其三，剖析了現階段中國數字經濟發展過程中，在要素層、產業層和制度層存在的阻礙與制約，例如，數據要素積累不充分、運用不完善和規制不健全。為了激活數據要素潛能，發揮數據要素倍增效應，應健全要素層數據整合機制、豐富產業層數據應用場景、完善制度層規章制度，才能推動數字經濟高質量發展。

基于此，本文提出如下政策建議：

其一，在要素層健全數據整合機制，增加數據要素供給以穩固數字經濟發展基礎。要注重經濟生產過程中隱性產出的積累，將隱性產出中的數據資源有序整合以發揮數據要素倍增效應。一是加強和優化數據基礎設施建設。數據資源匯聚、共享、流通、交易和應用等新需求對基礎設施建設提出新的要求。在新型基礎設施建設的基礎上，應以支撐數據要素流通的各類硬件設施和軟件平臺為代表的新型數據基礎設施為著力點，堅持以點帶線、以線促面，分階段推進各行業、各領域和各地區的數據基礎設施建設，逐步提升數據要素的原始積累。二是企業要兼顧數據要素供給的穩定性與可持續性，協調數據要素的轉換倍增效應與循環倍增效應，促進數據要素資源的有序開放。具體來說，企業可以應用一站式的BI數據分析平臺，將各系統數據進行統一整合、存儲和分析，并通過搭建數據倉庫，構建按主題模型存放數據的模型層，提升數據整合的效用與科學性，構建指標層以提升基礎數據的復用程度，繼而推動數據管理有效落地，最終實現數據整合、數據管理和數據應用的良性循環，為數據的要素化轉變提供堅實基礎。

其二，在產業層豐富數據應用場景，提升要素運轉效率以探尋產業數字化高速發展契機。數據的價值在于應用，應用的關鍵在于場景。發揮數據要素的倍增效應必須以應用場景為基礎，運用大數據的理論和技術探尋解決問題的方案與實踐。一是在產業內構建全面的數據應用體系，從頂層設計著手，圍繞業務線確立自上而下的數據應用行動指南。以企業的全流程業務為思路，構建從銷售端到生產端到研發端再到支持端的全方位應用。以業務場景為核心，在算法技術與算力基礎的支持下，借助不同管理視角的數據聚焦企業關鍵業務，進行整體優化改善，繼而促使數據要素的倍增效應充分展現，實現企業在不同階段、不同場景中更高效、更準確地運行。二是豐富公共數據價值創造模式。公共數據是數據資源的重要組成部分，應加快推進各地區各行業公共數據資源的有機融合以激活公共數據的價值和潛能。應加快《中共中央 國務院關于構建數據基礎制度更好發揮數據要素作用的意見》落地落實，區分使用場景、規范授權運營，探索公益與商業相結合的開發利用機制，建立健全公共數據資源供給機制和分類分級授權使用機制，構建以應用場景為牽引的數據開發應用機制，探索公共數據開發利用和市場化運營的反哺機制，強化公共數據資源高效匯聚和公共服務能力持續提升的良性互動機制。三是重視培養細分領域的數字化專業人才，提升數據要素的運轉效率，確保數據要素在不同場景數字化應用中高效發揮倍增效應。建設包括專門領域的技術培訓中心、產學研一體化實踐基地等成熟的復合性人才培育系統，細化不同領域中數據要素的應用與發展，針對不同場景加強各種專業化的數字人才塑造，培養數字農業專精人才、智能制造專精人才和人工智能研發人才等。優化人才選拔和培養方式，加強國際技術交流與合作，加大政策支持力度，培養、吸納和激勵不同層次的數據人才，讓數字化人才融入各個領域，賦予傳統產業創新動能，為數字經濟的長遠持續發展提供強勁動力。

其三，在制度層完善各項規章制度，營造健康的數據流通產業生態，保障數據價值釋放。數據要素的規制完善是實現規模性數字化轉型的重要條件，也是確保數據要素在數據產權、流通交易、收益分配和安全治理等方面健康發展的前提［43］。一是要強化三類數據要素制度體系建設，其中，基礎類制度包括數據采集、數據產權和收益分配等推動數據要素化的規則；發展類制度包括技術應用、政府數據開放共享、流通交易、跨境流動和數據資產入表等促進數據市場化的規則；治理類制度包括數據倫理、數據質量、數據隱私、個人信息和數據安全等涉及數據安全使用的規則。二是要扎根數據場景應用，以建立健全流通交易規則為抓手，探索建設差異化的數據交易場所和多樣化的流通模式。目前，各級政府正大力推動公共數據在開放平臺和數據交易所實現流通，探索形成政務數據有序開放、公共部門端數據先行“入場”交易、企業端數據“跟隨”交易的數據流通交易模式。數據要素市場發展應遵循由簡單到復雜、由低級到高級、由單一到多層次、由境內到境外的梯度發展規律，基于數據流通場景，沿著“價值形成—價格發現—競價成交”的演進路徑對數據資源及數據產品的定價機制展開科學的資產定價評估，并鼓勵各方協力創新數據交易流通試點，盡快完善統一、有序和規范的多層次數據要素市場，形成多樣化的數據流通和開發利用模式。

參考文獻：

［1］ 習近平主持中共中央政治局第二次集體學習并講話［EB/OL］（. 2017-12-09）［2023-09-26］.https：//www.gov.cn/xinwen/2017-12/09/content_5245520.htm.

［2］ 國家互聯網信息辦公室.數字中國發展報告（2022年）［EB/OL］.（2022-05-23）［2023-09-26］.http：//www.cac.gov.cn/2023-05/22/c_1686402318492248.htm.

［3］ IDC. Worldwide global datasphere and global storagesphere structured and unstructured data forecast，2023—2027［R］.IDC Research，2023.

［4］ 習近平主持召開中央全面深化改革委員會第二十六次會議［EB/OL］.（2023-06-22）［2023-09-26］.https：//www.ccps.gov.cn/xtt/202206/t20220622_154164.shtml.

［5］ 中共中央 國務院關于構建數據基礎制度更好發揮數據要素作用的意見［EB/OL］.（2023-12-19）［2023-12-27］.https：//www.gov.cn/zhengce/2022-12/19/content_5732695.htm.

［6］ 蔡躍洲，馬文君. 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，2021，38（3）：64-83.

［7］ 卡蘿塔·佩蕾絲.技術革命與金融資本：泡沫與黃金時代的動力學［M］.田方萌，等譯.北京：中國人民大學出版社，2007：44-56.

［8］ 王建冬，童楠楠.數字經濟背景下數據與其他生產要素的協同聯動機制研究［J］.電子政務，2020（3）：22-31.

［9］ ZIKOPOULOS P，EATON C.Understanding big data： analytics for enterprise classhadoop and streaming data［M］.New York： McGraw-Hill Osborne Media， 2011：32-46.

［10］ AGRAWAL A，MCHALE J，OETTL A. Finding needles in haystacks ： artificial intelligence and recombinant growth［J］. Nber chapters，2018，38（4）：149-178.

［11］ JONES C I，TONETTI C.Nonrivalry and the economics of data ［J］. American economic review， 2020，110（9）：2819-2858.

［12］ 李三希，李嘉琦，劉小魯.數據要素市場高質量發展的內涵特征與推進路徑［J］.改革，2023（5）：29-40.

［13］ 謝康，夏正豪，肖靜華.大數據成為現實生產要素的企業實現機制：產品創新視角［J］.中國工業經濟，2020（5）：42-60.

［14］ FARBOODI M，VELDKAMP L.A growth model of the data economy［J］. Social science electronic publishing，2020，28（4）：27-35.

［15］ 安筱鵬.數據生產力的崛起［C］// 李紀珍，鐘宏.數據要素領導干部讀本.北京：國家行政管理出版社，2021：27-28.

［16］ DANXIA X ，LONGTIAN Z. Data in growth model［J］. Social science research network electronic journal，2020（1）：1-35.

［17］ 徐翔，趙墨非.數據資本與經濟增長路徑［J］.經濟研究，2020，55（10）：38-54.

［18］ 郭周明，裘瑩.數字經濟時代全球價值鏈的重構：典型事實、理論機制與中國策略［J］.改革，2020（10）：73-85.

［19］ VELDKAMP L. Data and the aggregate economy［J］. Journal of economic literature， 2022，61（2）：1-44.

［20］ AKCIGIT U，LIU Q. The role of information in innovation and competition［J］. Journal of the european economic association，2016，14（4）：828-870.

［21］ FARBOODI M，MATRAY A，VELDAMP L， et al. Where has all the data gone？［J］. The review of financial studies，2022，7（1）：5917-5945.

［22］ 王超賢，張偉東，顏蒙.數據越多越好嗎——對數據要素報酬性質的跨學科分析［J］.中國工業經濟，2022（7）：44-64.

［23］ 唐要家，唐春暉.數據要素經濟增長倍增機制及治理體系［J］.人文雜志，2020（11）：83-92.

［24］ GRWGORY R W，HENFRIDSSON O，KAGANER E，et al. The role of artificial intelligence and data network effects for creating user value［ J］. Academy of management review， 2021，46（3）：2-40.

［25］ GRWGORY R W，HENFRIDSSON O，KAGANER E，et al. Data network effects：key conditions，shared data，and the data value duality［ J］. Academy of management review， 2022， 47（1）：189-192.

［26］ 國家發展和改革委員會.加快構建中國特色數據基礎制度體系 促進全體人民共享數字經濟發展紅利［EB/OL］（. 2023-01-01）［2023-09-26］.http：//www.qstheory.cn/dukan/qs/2023-01/01/c_1129246978.htm.

［27］ 楊艷，王理，廖祖君.數據要素：倍增效應與人均產出影響——基于數據要素流動環境的視角［J］.經濟問題探索，2021（12）：118-135.

［28］ 周慎，朱旭峰，薛瀾.人工智能在突發公共衛生事件管理中的賦能效用研究——以全球新冠肺炎疫情防控為例［J］.中國行政管理，2020（10）：35-43.

［29］ 趙宸宇，王文春，李雪松.數字化轉型如何影響企業全要素生產率［J］.財貿經濟，2021，42（7）：114-129.

［30］ 賽迪數據治理團隊.新型數據基礎設施發展研究報告［EB/OL］（. 2022-08-03）［2023-09-26］.https：//docs.qq.com/pdf/DVUZkemZXbkxNamlL？u=72a73ac1cd2c448cb36f2ct=1706682269453.

［31］ 張蘊萍，欒菁.數字經濟賦能鄉村振興：理論機制、制約因素與推進路徑［J］.改革， 2022（5）：79-89.

［32］ 國研大數據研究院.數字化采購引領中小企業數字化轉型［R］.企業數字化轉型研討會，2022.

［33］ 華夏鄧白氏，微碼鄧白氏.2019中國企業數字化轉型及數據應用調研報告［R］.數字化轉型高峰論壇，2019.

［34］ 《中國區域數字化發展指數報告（2020）》在京正式發布［EB/OL］.（2021-03-22）［2023-09-26］.http：//www.rmzxb.com.cn/c/2021-03-22/2814056.shtml.

［35］ 中國信息通信研究院.中國綜合算力評價白皮書（2023年）［EB/OL］（. 2023-09-01）［2023-09-26］.http：//www.caict.ac.cn/kxyj/qwfb/bps/202309/P020230906485351670771.pdf.

［36］ 李勇堅，夏杰長.數字經濟背景下超級平臺雙輪壟斷的潛在風險與防范策略［J］.改革， 2020（8）：58-67.

［37］ 南都反壟斷研究課題組.平臺反壟斷監管觀察報告（2021）［R］.2021啄木鳥數據治理論壇，2021.

［38］ 張蘊萍，欒菁.數字經濟平臺壟斷治理策略研究［J］.經濟問題，2021（12）：9-15.

［39］ 中國信息通信研究院. 中國數字經濟就業發展研究報告［EB/OL］.（2021-03-22）［2023-09-26］.http：//www.caict.ac.cn/kxyj/qwfb/ztbg/202103/P020210323383606724221.pdf.

［40］ 中國社會科學院信息化研究中心.鄉村振興戰略背景下中國鄉村數字素養調查分析報告［EB/OL］.（2021-03-01）［2023-09-26］.http：//iqte.cssn.cn/yjjg/fstyjzx/xxhyjzx/xsdt/202103/P020210311318247184884.pdf.

［41］ 陳蕾，李夢澤，薛欽源.數據要素市場建設的現實約束與路徑選擇［J］.改革，2023（1）：83-94.

［42］ IBM.數據泄露成本報告［R］.IBM Security Report，2022.

［43］ 劉滿鳳，楊杰，陳梁.數據要素市場建設與城市數字經濟發展［J］.當代財經，2022（1）：102-112.

（責任編輯：徐雅雯）