数据要素、新型基础设施与产业结构调整路径

朱晓武 魏文石 王靖雯

* 朱晓武（通讯作者），中国政法大学商学院，E-mail：zhuxiaowu@cupl.edu.cn，通讯地址：北京市海淀区西土城路25号；魏文石，清华大学社科学院，E-mail：wei_wenshi@163.com；王靖雯，中国政法大学商学院，E-mail：wangjw_410@163.com。作者文责自负。

基金项目：本文受中国政法大学科研创新项目、中央高校基本科研业务专项（10823560，ZFYZ63002）：国家社会科学基金项目（23BJY209）资助。

1 见CNNIC发布第50次《中国互联网络发展状况统计报告》。

1 荣健欣、王大中（2021）对数据要素的特性、市场化机制和经济价值相关文献做了综述。

1 2018年8月腾讯云曾因磁盘静默错误造成数据损失且无法找回：https：//tech.sina.com.cn/i/2018-08-06/doc-ihhhczfc6574639.shtml

2 程啸（2018）和申卫星（2020）等研究具体分析了数据权利，在实践中，《中华人民共和国个人信息保护法》、“数据二十条”等提出了具体要求。

1 2020年4月20日国家发改委明确新型基础设施建设的具体范围：http：//www.scio.gov.cn/xwfbh/gbwxwfbh/xwfbh/fzggw/Document/1677563/1677563.htm

2 以信息网络为基础的城际高速铁路和城市轨道交通也可以为数据收集做出贡献。后文模型强调新基建与数据相联系、在不同产业非竞争利用这两个特征。因此，无论是大数据中心还是交通基础设施，只要符合上述两个特征，都可以利用本文模型进行分析。

1 本文强调数据要素和新型基础设施通过影响生产（即供给侧）来驱动产业结构调整，因此简化需求侧参数对于主要模型并没有太大影响，这种方法在Jones（2016）也被使用过。

1 [αi=βi=1]可以有效简化判定式，并和后文动态模拟对应。

1 国家统计局公布2021年第三产业占比53.3%。

1 敏感性分析中，不同的折旧率并不会显著影响数值模拟。

摘 要：数据要素和新型基础设施在各个产业发挥日益重要的作用。不同产业对数据要素和新型基础设施的应用方式和利用效率存在差异，影响产业结构调整路径。文章构建包含两个生产部门的动态一般均衡模型，用于代表不同产业或同一产业内的不同企业。每个部门将数据作为新生产要素、将新型基础设施作为数据扩展型技术，与传统生产要素结合形成新的生产函数。不同部门的数据产出弹性、数据和传统要素的替代弹性存在差异，这是影响产业结构调整路径的重要因素。通过理论模型推导和数值模拟研究，文章发现：在不同产业之间，由于产品替代弹性较低，提高数据要素和新型基础设施的数量会导致数据产出弹性较高、数据和传统要素的替代弹性较高的产业产出提高，但其产品价格和名义产出降低，促使资本和劳动力流向数据利用效率低的产业。这一过程将改变资本和劳动力的价格，影响劳动收入份额。在同一产业内部，由于不同企业间的产品替代弹性较高，数据要素和新型基础设施导致资本和劳动力流向数据利用效率高的企业，优化生产要素配置，推动整个产业的数字化转型。新型基础设施建设对产业结构调整的推动作用受到数据要素的调节，且最终的影响方向和路径与数据要素一致，可以通过调整需求结构引导更具针对性和长效的产业结构调整。最后，文章提出数据要素、新型基础设施建设的相关政策建议，并对产业结构调整可能导致的问题提出对策。

关键词：数据要素 新型基础设施 产业结构调整 替代弹性

DOI：10.19592/j.cnki.scje.401946

JEL分类号：O14，O33   中图分类号：F124

文献标识码：A   文章编号：1000 - 6249（2024）01 - 107 - 17

一、引 言

数据是数字经济的关键生产要素，而新型基础设施是利用数据的基础。数据要素及新型基础设施的有效利用决定了下一阶段中国经济增长。截至2022年6月，我国已有10.51亿互联网用户和丰富的数据储量1，大数据中心、“东数西算”工程等也在加快建设；而在结构上，不同产业对数据的利用效率、使用方式、应用前景存在较大差异（肖静华等，2018）。依据产业结构转型的相关理论（Acemoglu and Guerrieri，2008），总量上的丰富和结构上的分化将使数据要素和新型基础设施成为推动产业结构调整、生产要素再分配和收入分配变化的新动力。然而，目前鲜有文献从理论角度探究数据要素、新型基础设施对产业结构转型的影响。

基于上述背景，本文从产业间的结构和产业内部的结构两个角度，探讨以下三个问题：数据要素和新型基础设施通过何种路径调整制造业和服务业的产业结构？同一产业内部，二者如何调整资本密集型企业和劳动密集型企业的结构？伴随产业结构调整过程，以劳动收入份额为代表的收入分配比例会如何变化？

本文界定了数据要素配置、定价、增量和折旧四个概念，并将数据作为独立的生产要素、将新型基础设施作为数据扩展型技术，引入了动态一般均衡模型。该模型同时包含了两个生产部门，用于表示在数据利用效率和生产函数结构存在差异的不同产业或同一产业内的不同类型企业。基于该模型，本文通过理论分析和数值模拟回答了上述三个核心问题，并就如何围绕数据要素和新型基础设施推动产业结构转型提出政策建议。

本文可能的边际贡献包括以下三方面：第一，数据要素的现有研究主要集中于探究价值实现路径、产权、隐私和定价等问题1，例如Jones and Tonetti（2020）、Cong et al.（2021）等学者探讨了数据要素推动经济增长的内在机制。而本文将研究视角拓展到产业结构层面，拓宽了对数据要素经济影响的研究范围。第二，本文从数据扩展型技术的视角给予了新型基础设施在理论模型中的定义，并指出了新型基础设施与数据要素的内在联系，强调了二者协同对产业结构调整的作用，为新型基础设施的研究提供了新的视角。第三，在理论贡献上，郭凯明（2019）和郭凯明等（2020）拓展Acemoglu and Guerrieri（2008）的工作，分別将人工智能、基础设施引入理论模型，而本文将上述三个模型统一，并引入数据要素和新型基础设施，阐明了二者区别于传统要素的新特征，构建了一个集成的动态一般均衡模型。

二、文献综述

数据要素在多个产业中发挥着日益重要的作用，不同产业对数据的应用方向也存在差异。例如，医疗服务业利用患者就医数据提高医疗质量（Acquisti et al.，2016）；航空业利用客户调查数据和购票数据提高客运效率（Dana and Orlov，2014）；服装业利用特殊消费者和普通消费者数据改进产品研发设计（肖静华等，2018）；金融业通过数据缓解交易双方的信息不对称（李继尊，2015）；广告业将消费者数据作为划分消费群体、识别需求偏好的重要依据（Erevelles et al.，2016）；制造业企业通过识别需求推动个性化与智能化制造（吴义爽等，2016），利用数据和信息技术提高生产率（Bloom et al.，2012）。此外，谢康等（2020）、Wu等（2020）强调，由于技术缺陷、组织结构等因素，许多企业难以从数据要素的使用中获益。这些差异与产业结构调整有内在联系。然而，现有研究大多集中在某一产业或行业，无法从全局掌握数字经济与产业结构转型的情况。

现有文献关于产业转型升级内在动因的考虑已经涵盖多个方面，例如产业间要素密集程度差异（Acemoglu and Guerrieri，2008）、产业间替代弹性与增长速度差异（Baumol，1967）、技术选择（黄茂兴、李军军，2009）、经济制度（郑若谷等，2010）等。然而，由于产业对数据要素的需求和利用存在不均衡性，数据要素自然成为了产业转型的新动因。徐翔、赵墨非（2020）、肖静华等（2018）、杨善林、周开乐（2015）、Muller et al.（2018）等研究简要提到了数据要素在产业结构调整中的积极作用，但并未进行具体分析。

在新型基础设施方面，郭凯明等（2020）将新型基础设施视为资本的扩展性技术。然而，与传统基础设施相比，新型基础设施在具体内容和功能上存在差异（欧阳艳艳、张光南，2016）。与郭凯明等（2020）不同，本文将新型基础设施视为数据这一新生产要素的扩展型技术，强调了新型基础设施与数据之间的密切关系。

三、数据要素、新型基础设施的概念界定

（一）数据要素的增量、折旧、定价和配置

1.数据要素的“增量”与“折旧”

数据要素的“增量”指投入成本形成的数据增量，这与徐翔、赵墨非（2020）强调的数据资本定义有相似之处。除了每期的采集、存储等成本消耗以外，数据要素所蕴含的有用价值相对于其规模来说是稀缺的，直接采集的数据往往无法直接应用于企业的生产（杨善林、周开乐，2015），需要經过进一步的整理、清洗和细分处理。此外，还有相当一部分数据要素并不是公司通过采集获取，而是通过公司直接投资产生，例如模拟数据、实验数据等。为了描述这一情况，本文引入了一个抽象的数据生产部门，其功能是投入资源产生新数据。

数据要素的“折旧”问题目前还存在争议，Jones and Tonetti（2020）、Cong et al.（2021）假设数据完全折旧，而徐翔、赵墨（2020）假设数据无折旧。本文依据数据要素的具体特征，采取折中的方式。数据要素的折旧包括了以下几个方面：首先，由于错误漏洞而无法找回的数据1；其次，由于时效性降低而价值减少的数据；此外，由于数据激增和复杂化带来的决策风险等（刘业政等，2020）。

2.数据要素的“配置”与“定价”

Acquisti et al.（2016）将数据要素的配置分为四个市场，包括数据收集者向其他企业组织购买和售出数据的市场，个人提供数据以换取“免费”产品或服务的市场，个人提供数据以换取金钱的市场，个人购买保护服务防止隐私侵犯的市场。隐私经济学的研究为个人数据定价提供了理论和实证支持。个人可以有效权衡交易他们的数据所产生的隐私风险和收益（Kahn et al.，2000），并对个人数据进行有效的定价。

基于以上研究，本文对数据要素的“配置”做如下定义：在外生的数据产权制度框架下2，数据要素的“配置”是指消费者作为数据提供者，投资并积累数据，在权衡披露隐私的负效用后，将数据要素出售给数据需求者（生产者），以供其进行生产经营。在数据要素市场出清的情况下，形成数据要素的“定价”。数据提供者（消费者）承担了一系列隐私泄露的后果成本，而他们获得的回报包括服务和金钱等形式。

（二）新型基础设施作为数据要素扩展型技术

2020年4月20日，国家发改委指出新型基础设施是“以信息网络为基础，面向高质量发展需要，提供数字转型、智能升级、融合创新等服务的基础设施体系”1。具体包括以下三方面：首先，物联网、5G等基础设施极大丰富了数据收集的范围种类和传输速度，为高质量数据积累提供了支撑2。其次，大数据、人工智能、云计算等提高了各产业的数据分析能力，使数据洞察与业务价值高效联系。此外，区块链有助于解决数据登记追溯问题，便于数据要素市场的审计与管理，并提供了数据共享的新模式，提高数据市场配置效率。综上所述，新型基础设施与数据要素利用效率在供给侧有着密切联系。因此，本文将新型基础设施作为数据要素的扩展型技术变量引入模型中，以考虑其对产业结构调整的影响。

四、构建动态一般均衡模型

在完全竞争市场中，两个产业的代表性企业[i∈{1，2}]采用常替代弹性生产技术，生产最终产品：

[Q1t=[σ1（Ad1tEtλD1t）（α1-1）/α1+（1-σ1）（Y1t）（α1-1）/α1]α1/（α1-1）] （1）

[Q2t=[σ2（Ad2tEtλD2t）（α2-1）/α2+（1-σ2）（Y2t）（α2-1）/α2]α2/（α2-1）] （2）

下标[t]表示时间，[Qit]表示产业[i]在第[t]期的产量，其价格为[Pit]。[Dit]为产业[i]投入的数据要素，[Yit]为产业[i]通过资本和劳动力生产的增加值投入，[Et]为新型基础设施，[Adit]表示数据扩展型技术。与数据要素、资本和劳动力不同，新型基础设施[Et]没有产业下标[i]，这反映了新型基础设施具有非竞争性，同时影响两个产业的数据要素生产效率，[λ∈（0，1]]反映新型基础设施的效率。

该生产函数描述了数据要素在微观层面改变传统生产方式的能力，对劳动力和资本同时产生替代，具体替代关系通过[Dit]与增加值投入[Yit]的替代弹性[αi∈[0，+∞）]体现。[σi∈（0，1）]表示数据要素及其扩展型技术在生产中的权重，[σi]越高，该产业的数字化水平越高。当[αi=1]时，生产函数转换为Cobb-Douglas形式[Q=（AdEλD）σ（Y）1-σ]，此时[σi]还可以解释为产业[i]的数据要素产出弹性和收入份额。

增加值投入[Yit]由产业[i]通过资本和劳动力生产，生产函数为常替代弹性生产函数形式：

[Y1t=[gk1（Ak1tK1t）（b1-1）/b1+gl1（Al1tL1t）（b1-1）/b1]b1/（b1-1）]                                     （3）

[Y2t=[γk2（Ak2tK2t）（β2-1）/β2+γl2（Al2tL2t）（β2-1）/β2]β2/（β2-1）]                                    （4）

其中，[Kit]和[Lit]分别表示资本和劳动力，[Akit]和[Alit]表示对应的扩展型技术。资本和劳动力的替代弹性为参数[βi∈[0，+∞）]。资本权重[γki∈（0，1）]，劳动力权重[γli=1-γki]。当[βi=1]时，[γki]、[γli]分别表示资本和劳动力的增加值投入产出弹性。

[rdt]、[rkt]和[wt]分别表示数据要素价格、资本租金和劳动力工资。在完全竞争市场，代表性企业的利润最大化问题可以表示成如下目标函数：

[max{PitQit-rdtDit-rktKit-wtLit}] （5）

对应的一阶条件为：

[rdtDit=σi（AditEtλDit）（αi-1）/αiPitQit1αi]                                                （6）

[rktKit=（1-σi）γki（AkitKit）（βi-1）/βiPitQit1αiYit（1/βi-1/αi）]                                     （7）

[wtLit=（1-σi）γli（AlitLit）（βi-1）/βiPitQit1αiYit（1/βi-1/αi）]                                     （8）

每一期，数据要素、资本和劳动力的总供给分别为[Dt]、[Kt]和[Lt]，生产要素市场的出清条件分别为[Dt=D1t+D2t]、[Kt=K1t+K2t]、[Lt=L1t+L2t]。

投资品生产部门分为数据要素投资品[Idt]、资本投资品[Ikt]和新型基础设施投资品[Iet]三个部门，价格[Pjt]为投資品[Ijt]的价格（[j∈{d，k，e}]）。投资品生产部门以两个产业的最终产品作为投入，其生产函数如下：

[Ijt=[ωj1εj（Ij1t）（εj-1）/εj+（1-ωj）1εj（Ij2t）（εj-1）/εj]εj/（εj-1）]，[j∈{d，k，e}]

[Ij1t]和[Ij2t]分别表示用于生产投资品[Ijt]所需的产业[i=1]和产业[i=2]的最终产品。产业[i=1]产品的投入权重为参数[ωj∈（0，1）]、替代弹性[εj∈（0，+∞）]为常数。

在完全竞争市场，投资品生产部门[j]的利润最大化问题如下：

[max{PjtIjt-P1tIj1t-P2tIj2t}]                                                     （9）

对应的一阶条件为：

[P1tP2tIj1tIj2t1εj=ωj1-ωj1εj]                                                      （10）

新型基础设施[Et]、数据要素[Dt]和资本[Kt]的转移方程如下：

[Et+1=1-δeEt+Iet]                                                       （11）

[Dt+1=1-δdDt+χDt+Idt]                                                 （12）

[Kt+1=1-δkKt+Ikt]                                                       （13）

其中新型基础设施[Et]、数据要素[Dt]和资本[Kt]的折旧率分别为参数[δe]、[δd]和[δk]。在数据要素边际报酬递减的条件下，通过设定数据要素固定的折旧率参数[δd]，数据要素的积累能够实现均衡增长。具体而言，在式中，[χDt+Idt]表示数据的新增量，其中，[Idt]表示数据投资品，而[χDt]则表示数据不需要数据投资品，可直接应用于企业生产的增量部分[χ∈（0，∞）]。这是因为数据可以以零成本进行复制，从而在[t+1]期增加两个产业可用的数据量。然而，这也导致了数据滥用和隐私侵犯的效用损失。在下文中，家庭部门的效用函数将反映这一情况。

在需求侧，家庭部门的收入包括资本收入[rktKt]、劳动收入[wtLt]和数据要素报酬[rdtDt]，在征收总量税[Gt]后被用于消费、资本投资和数据投入，两个产业的最终产品消费量分别为[C1t]和[C2t]。每一期，政府税收[Gt]用于新型基础设施投资[PetIet]。预算约束如下：

[P1tC1t+P2tC2t+PktIkt+PdtIdt=rktKt+wtLt+rdtDt-Gt]                             （14）

消费决策旨在实现效用最大化，因此家庭的效用函数可以表示为：

[t=0∞ζtCt1-η-11-η-??（Dt）χ]                                                   （15）

其中，[ζ∈（0，1）]表示效用的贴现因子，[η]表示跨期替代弹性的倒数。[??（Dt）χ]可解释为家庭出售数据需要承担的隐私风险，参数[?∈0，∞]。[Ct]为复合消费品：

[Ct=[ωc1εc（C1t）（εc-1）/εc+（1-ωc）1εc（C2t）（εc-1）/εc]εc/（εc-1）]  （16）

其中参数[εc∈[0，+∞）]表示产业间最终产品的消费替代弹性，参数[ωc∈（0，1）]。通过求解家庭效用函数的最大化问题，得到欧拉方程和消费结构如下：

[Ct-η=ζCt+1-ηPkt+11-δk+rkt+1ωcP1t1-εc+（1-ωc）P2t1-εc-1/（εc-1）PktωcP1t+11-εc+（1-ωc）P2t+11-εc-1/（εc-1）=ζCt+1-ηPkt+11-δd+χ+rdt+1ωcP1t+11-εc+（1-ωc）P2t+11-εc-1/（εc-1）-?χDt+1χ-1ωcP1t1-εc+（1-ωc）P2t1-εc-1/（εc-1）Pdt]    （17）

[P1tP2tC1tC2t1εc=ωc1-ωc1εc]    （18）

此外，在每一期，产业的最终产品被用于家庭消费、资本投资、数据投入和新型基础设施投资中，可以得到产品市场出清条件为[Qit=Cit+Ikit+Idit+Ieit]。

五、理论分析

（一）静态均衡下的变量关系

比較静态分析着重对比两种产业的均衡状态，因此这一部分省略各变量的下标[t]，以便简洁直观地进行理论分析。定义[θdi]为产业[i]的数据要素的产出弹性和收入份额，并表示如下：

[θdi?rdDiPiQi=σi（AdiEλDi）（αi-1）/αiσi（AdiEλDi）（αi-1）/αi+（1-σi）（Yi）（αi-1）/αi]  （19）

定义[θki]和[θli]分别为产业[i∈{1，2}]的资本和劳动力的产出弹性和收入份额：

[θki?rkKiPiQi=（1-σi）γki（AkiKi）（βi-1）/βiYi1/βi-1/αiσi（AdiEλDi）（αi-1）/αi+（1-σi）（Yi）（αi-1）/αi]  （20）

[θli?wLiPiQi=（1-σi）γli（AliLi）（βi-1）/βiYi1/βi-1/αiσi（AdiEλDi）（αi-1）/αi+（1-σi）（Yi）（αi-1）/αi]  （21）

定义[μki]和[μli]分别为产业[i∈{1，2}]的资本和劳动力的增加值产出弹性：

[μki??logYi?logKi=γki（AkiKi）（βi-1）/βiγki（AkiKi）（βi-1）/βi+γli（AliLi）（βi-1）/βi]  （22）

[μli??logYi?logLi=γli（AliLi）（βi-1）/βiγki（AkiKi）（βi-1）/βi+γli（AliLi）（βi-1）/βi]    （23）

根据要素市场出清条件，定义产业[i=1]各生产要素占比为[xdt?D1tDt]，[xkt?K1tKt]，[xlt?L1tLt]。在均衡状态下可知[μk1>μk2?xk>xl]，换句话说，若产业1的资本增加值产出弹性更高，则其资本占比高于劳动力占比，更偏向资本密集型。

联立方程式，得到均衡状态下有：

[σ1（Ad1）（α1-1）/α1（xd）-1/α1σ2（Ad2）（α2-1）/α2（1-xd）-1/α2（EλD）1/α2-1/α1K1/β2-1/β1=（1-σ1）γk1（Ak1）（β1-1）/β1Y11/β1-1/α1（xk）-1/β1（1-σ2）γk2（Ak2）（β2-1）/β2Y21/β2-1/α2（1-xk）-1/β2] （24）

联立方程式，得到均衡状态下有：

[γk1（Ak1）（β1-1）/β1（xk）-1/β1γk2（Ak2）（β2-1）/β2（1-xk）-1/β2KL1/β2-1/β1=γl1（Al1）（β1-1）/β1（xl）-1/β1γl2（Al2）（β2-1）/β2（1-xl）-1/β2] （25）

为了便于分析数据要素在供给侧调整产业结构的机制，本文简化需求侧的参数假设，假设：[ωd=ωk=ωe=ωc=ω]，[εd=εk=εe=εc=ε]1。根据、：

[Ik1Ik2=Id1Id2=Ie1Ie2=C1C2=P1P2-εω/1-ω] （26）

根据产品市场出清条件，可以进一步得到：

[Q1Q2=P1P2-εω1-ω] （27）

联立方程式，得到均衡状态下有：

[ω1-ω1εQ11/α1-1/εQ21/α2-1/ε=σ2（Ad2）（α2-1）/α2（1-xd）-1/α2σ1（Ad1）（α1-1）/α1（xd）-1/α1（EλD）1/α1-1/α2] （28）

（二）数据要素与产业结构调整的比较静态分析

产业结构调整具体体现在各产业生产要素占比（或称生产要素密集程度）的變化和各产业名义产出比例的变化。[xk]和[xl]体现了产业1的生产要素占比，在资本和劳动力总量不变时，[xk]和[xl]的变化反映了资本生产要素和劳动生产要素在产业间的流动方向，即要素的再分配过程。依据Herrendorf et al.（2013）等实证证据，制造业、服务业产业间的产品替代弹性通常较低，不妨假设[ε≤α1且ε≤α2]，联立方程式，得到均衡状态下有：

[dlogxkdlogD=θd1ε-α1-θd2ε-α2CxkBxd-CxdBxk1α11α21ε1-xk] （29）

其中，

[Cxk=1β1（1-xl）+1β2xl-1-1β1（1-xk）+1β2xk1β1（1-xl）+1β2xl+（1β1-1α1）μk1（1-xk）+（1β2-1α2）μk2xk1β1（1-xl）+1β2xl+（1β1-1α1）μl1（1-xl）+（1β2-1α2）μl2xl1β1（1-xk）+1β2xk]，

[Bxk=1β1（1-xl）+1β2xl-11α1-1ε（1-θd1）μk1（1-xk）+1α2-1ε（1-θd2）μk2xk1β1（1-xl）+1β2xl+1α1-1ε（1-θd1）μl1（1-xl）+1α2-1ε（1-θd2）μl2xl1β1（1-xk）+1β2xk]，

[Cxd=1α1（1-xd）+1α2xd]，[Bxd=1α1（θd1-1）（1-xd）+1α2（θd2-1）xd-1εθd1（1-xd）-1εθd2xd]

依据以上式可知[dlogxldlogxk>0]，结合以上式，得到如下定理。

定理1：若[ε≤α1]且[ε≤α2]，若[θd1ε-α1-θd2ε-α2>0]，则[dlogxldlogD>0]且[dlogxkdlogD>0]；若[θd1ε-α1-θd2ε-α2<0]，则[dlogxldlogD<0]且[dlogxkdlogD<0]。

定理1说明数据推动的生产要素流动方向由三种弹性决定，分别为：数据要素产出弹性[θdi]、需求侧两产业间的替代弹性[ε]、数据要素和增加值投入（代表传统生产方式）的替代弹性[αi]。当需求侧替代弹性[ε]一定时，数据要素数量提高会推动生产要素流向数据要素产出弹性[θdi]越低或数据要素和增加值投入的替代弹性[αi]越低的产业。为使得定理1的经济机制更加简洁，控制替代弹性[αi=1]，生产函数转化为规模报酬不变的Cobb-Douglas生产函数形式，简化定理1得到如下特殊情形。

特殊情形1：若[αi=1]且[ε≤1]，若[σ2>σ1]，则[dlogxldlogD>0]且[dlogxkdlogD>0]；若[σ2<σ1]，则[dlogxldlogD<0]且[dlogxkdlogD<0]。

特殊情形1说明当最终产品生产函数满足Cobb-Douglas形式时，随着数据要素[D]增加，数据要素产出弹性[σ]更大的产业对应的实际产出[Q]上升更多，相对价格[P1P2]下降。当替代弹性较低时，相对价格下降幅度大于实际产出上升幅度，导致产出弹性较高产业的相对名义产出下降，生产要素会流向产出弹性较低的产业。此时数字化水平较低的产业可能成为当前数字经济增长的短板，所以应率先加快其内部的数字化和结构调整。

（三）数据要素与劳动收入份额的比较静态分析

联立方程式，并取对数和全微分，得到劳动收入份额变化的决定因素如下：

[dlogrkKwL=（β1-1）xlβ2（1-xl）+β1xldlogAk1Al1+（β2-1）（1-xl）β2（1-xl）+β1xldlogAk2Al2+xk-xlβ2（1-xl）+β1xldlogxk1-xk+（β1-1）xl+（β2-1）（1-xl）β2（1-xl）+β1xldlogKL] （30）

根据以上式，产业的资本占比[xk]会影响劳动收入份额，结合定理1得到如下定理。

定理2：若[ε≤α1]且[ε≤α2]，若[xk-xldlogxkdlogD>0]，则[dlogrkKwLdlogD>0]；若[xk-xldlogxkdlogD<0]，则[dlogrkKwLdlogD<0]。

假设[xk>xl]，即产业1为资本相对密集的制造业、产业2为劳动力相对密集的服务业，则定理2表明，要使数据要素推动劳动收入份额改善，须有[dlogxkdlogD<0?θd1ε-α1-θd2ε-α2<0]成立。当[αi=1]时，得到如下特殊情形。

特殊情形2：在[xk>xl]、[αi=1]且[ε≤1]的条件下，若[σ1<σ2]，则[dlogrkKwLdlogD>0]；若[σ1>σ2]，则[dlogrkKwLdlogD<0]。

当资本密集型的制造业的数据要素产出弹性较高时，增加数据要素会推动资本和劳动力流入相对资本密集度较低、劳动力密集度较高的服务业，提高对劳动力的需求，进而改善劳动收入份额。相反，若资本密集度较低的服务业的数据要素产出弹性较高，增加数据要素则会推动生产要素流入制造业，提高对资本的需求，恶化劳动收入份额。

（四）新型基础设施的比较静态分析

联立方程式，得到静态均衡下：

[dlogxkdlogE=λθd1ε-α1-θd2ε-α2CxkBxd-CxdBxk1α11α21ε1-xk] （31）

定理3：在[xk>xl]、[ε≤α1]且[ε≤α2]的条件下，若[θd1ε-α1-θd2ε-α2>0]，则[dlogxldlogE>0]，[dlogxkdlogE>0]且[dlogrkKwLdlogE>0]；若[θd1ε-α1-θd2ε-α2<0]，則[dlogxldlogE<0]，[dlogxkdlogE<0]且[dlogrkKwLdlogE<0]。

定理3说明尽管新型基础设施作为各产业通用的数据扩展型技术，以相同水平同时参与不同产业的生产活动，但由于各产业对数据要素的利用效率和应用方式存在差异（表现为数据要素产出弹性和替代弹性差异），新型基础设施对产业发展的推动作用会受数据要素的调节。在数据要素产出弹性、与增加值投入的替代弹性和需求侧产品替代弹性的共同作用下，新型基础设施建设可以推动产业结构调整，并改善劳动收入份额，具体的影响机制与数据要素类似。此外，新型基础设施的推动作用还受效率[λ]影响。

（五）产业内结构调整的比较静态分析

数据要素作为数字经济下各个企业的关键生产要素，其发展不但推动了制造业和服务业两个产业之间的结构调整，还会对各产业内部的结构产生影响。依据资本要素和劳动要素占比的差异，可以将每个产业内部划分为劳动密集型和资本密集型的企业，并且这两类企业对数据要素的应用程度存在差异。思路与前文关于制造业和服务业的分析类似，但定理1—3及其特殊情形的判别式前提分别为[ε≤αi]和[ε≤1]，仅在服务业和制造业产品间替代弹性极低的背景下成立。每个产业内部不同类型企业的产品之间可能具有较高替代弹性（Broda and Weinstein，2006），存在[ε>αi=1]，无法满足条件1，郭凯明（2019）对这一条件并没有分析。考虑同一产业内部的两个企业[i∈1，2]，若产品间替代弹性较高，假设[ε>αi=βi=1]以简化计算1，式30变形为

[dlogxkdlogD=ε-1σ1-σ2-B′xd-B′xk1ε1-xk] （32）

其中，

[B′xd=1-1εσ1（1-xd）+σ2xd-1]

[B′xk=1-1ε（1-σ1）（1-γk1xk-γl1xl）+（1-σ2）（γk2xk+γl2xl）]

此时，式31大小由[B′xd]和[B′xk]决定，当[ε≤2]时，[-B′xd-B′xk>0]恒成立。

定理4：在[xk>xl]且[2>ε>αi=βi=1]的条件下，若[σ1>σ2]，则[dlogxldlogD>0]，[dlogxkdlogD>0]，[dlogxldlogE>0]，[dlogxkdlogE>0]，[dlogrkKwLdlogD>0]，[dlogrkKwLdlogE>0]；若[σ1<σ2]，则[dlogxldlogD<0]，[dlogxkdlogD<0]，[dlogxldlogE<0]，[dlogxkdlogE<0]，[dlogrkKwLdlogD<0]，[dlogrkKwLdlogE<0]。

定理4与定理1—3相反，当同一产业内部产品替代弹性大于1时，数据要素提高会促使生产要素流向数据产出弹性较高的企业，从而调整产业结构，推动产业内部不同企业的转型升级。随着数据要素产出弹性更高的企业实际产出增加，相对价格下降，在最终产品的替代弹性大于1时，相对价格下降对名义产出的负面影响小于实际产出增加的正面影响。最终，数据要素产出弹性更高的企业的名义产出增加，提高对资本、劳动力的需求。若该企业同时为劳动力密集型，则劳动收入份额会有所提高。定理4可以解释数字化优势明显（即数据要素产出弹性高）的企业随着数据要素积累而逐渐扩张，形成生产要素的聚集，从而带动整个产业数字化和结构调整。

六、数值模拟

数值模拟关注四个方面：第一，在不同替代弹性的背景下，模拟初始数据要素数量改变对产业结构调整和产业内结构调整的影响（对应定理1、2和4）；第二，控制新型基础设施的投资率一定，仅改变初期新型基础设施数量模拟其作为扩展型技术在供给侧对产业结构调整的影响（对应定理3）；第三，仅改变新型基础设施投资品的产品投入权重，模拟新型基础设施投资在需求侧对产业结构的拉动作用；第四，改变产业生产函数参数，模拟数据要素、新型基础设施对生产的重塑作用，并作为敏感性分析。

（一）初始参数设定

将两个产业分别设为制造业[i=1]和服务业[i=2]，参考郭凯明（2019）、Herrendorf et al.（2013），在需求侧的消费活动和投资活动中，不同产业的产品替代弹性接近于0，所以设产品替代弹性[εd=εk=εe=εc=0]。将生产函数设定为替代弹性为1的Cobb-Douglas型，即[α1=α2=β1=β2=1]。参考颜色等（2018），利用国家统计局投入产出表，计算制造业和服务业的资本报酬比重平均为[γk1=0.65]和[γk2=0.55]（制造业资本密集程度更高）。实际数据中服务业产业占比约为50%1，依据颜色等（2018）統计，资本投资品的需求结构相较于家庭部门消费结构更偏重制造业产品，设[ωk=2/3]，[ωc=0.5]；假设数据要素和新型基础设施对应投资品的生产需求结构与家庭消费结构相同，设[ωd=ωe=0.5]。

依据金戈（2016）统计，资本和基础设施折旧率约为8.51%—9.73%，本文将资本、新型基础设施和数据的折旧率均设定为10%1。依据国家发改委对新型基础设施的定义和尚文思（2020）采用的度量，并结合《中国固定资产投资统计年鉴》和《中国统计年鉴》，选用“计算机、通信和其他电子设备制造业”“科学研究、技术服务和地质勘查业”“信息传输、计算机服务和软件业”三个行业的固定资产投资作为新型基础设施的投资范围，计算得到从2018—2021年的新型基础设施投资占全社会固定资产投资的6.75%—8.53%。此外，统计数据在2018年包含“数据处理和存储服务”投资，占当年总投资的0.15%，假设该项在“信息传输、计算机服务和软件业”占比不变，估算数据投资占比。最终，本文依据2018—2021年实际数据的平均值，将总投资率设为40%，其中新型基础设施占总投资率的7.5%，数据投资占比0.1%。

假设劳动力供给为1，所有扩展型技术和新型基础设施效率固定为1，初期数据量设为0.5，数据增长和隐私的参数[χ]为5%。依据Jones and Tonetti（2020），假设通过数据降低的错误率可以对应转化为生产效率，数据的产出弹性约为3.3%—14.3%，对此，本文将产业[i]数据要素产出弹性[σi]初始值设定为5%和10%，分别对应数据占产出份额的5%和10%。依据陈梦根、张鑫（2022），在2002—2018年，数字资本服务约占总资本服务的9.12%，结合投资率的估计，本文设定初始新型基础设施占总资本的10%。调整初期资本的取值，使得服务业名义产出占比约为实际数据中的50%。

在不同的场景下模拟30期，关注服务业的就业占比（[1-xl]）、制造业的名义产出占比[P1Q1/（P1Q1+P2Q2）]、劳动收入份额[wL/（wL+rkK）]的变化。

（二）不同替代弹性下，提高初期数据要素数量

设定制造业[i=1]和服务业[i=2]的数据要素产出弹性分别为5%和10%，以模拟服务业数据要素产出弹性更高的环境；反之分别为10%和5%以模拟制造业数据要素产出弹性更高的环境，两个环境分别对应图1的第一行和第二行。基准模型中，初期数据要素数量为0.5，并分别提高到1和2。表1汇总了第1期数值模拟结果。

根据图1所示，在服务业和制造业产品替代弹性较低的背景下，当服务业数据要素产出弹性较高时，初期数据量提高会推动劳动力流入制造业，制造业名义产出占比提高，劳动收入份额下降；相反，当制造业产出弹性较高时，数据要素会起到和资本深化相同的效果，劳动力从制造业流出，服务业名义产出占比上升，劳动收入份额改善。表1模拟结果仅改变数据量，控制了资本、新型基础设施影响，与定理1、2一致。以服务业数据要素产出弹性较高的环境为例，模拟结果表明数据量提高到2后，服务业资本占比和就业占比分别下降1.67%和1.71%、实际产出占比上升0.047%，制造业名义产出比重上升1.71%，劳动收入份额下降0.17%。

为模拟产业内部资本密集型和劳动密集型行业间的结构调整情形，设资本密集型[i=1]和劳动密集型[i=2]，将产品间替代弹性参数设定为[εd=εk=εe=εc=1.5]，以表示较高的产品替代弹性，其他参数不变。

模拟结果表明，若劳动密集型和资本密集型的产品替代弹性较高，数据要素提高会促使资本和劳动力流向数据要素产出弹性较高的行业，若扩张的行业属于劳动力密集型，则改善劳动收入份额，与定理4理论推导吻合。

（三）提高初期新型基础设施数量

为模拟定理3刻画的新型基础设施作为数据扩展型技术在供给侧发挥的作用，在制造业和服务业的背景下（产品替代弹性为0），保持新型基础设施投资率、初始资本等参数不变，将初期新型基础设施与资本的比例从10%提高到20%。模拟结果显示，初期新型基础设施对产业结构调整的推动方向和数据类似，符合定理3的分析结果。图3的演示路径表明，简单地提高新型基础设施的数量可能只会带来短期的产业结构调整效果。为更好发挥政府在数字经济中的引导作用，应采取更长效的数字经济产业政策。

（四）调整新型基础设施产品投入权重

新型基础设施具有新的投资品需求，与传统基础设施相比，前者投资品更多来源于服务业，例如“信息传输、计算机服务和软件业”等。这使得新型基础设施建设在需求侧对产业结构调整具有指导作用，形成具有数字经济特征的新型基础设施产业链。为模拟新型基础设施投资品在需求侧对产业结构调整的推动作用，在制造业和服务业产品替代弹性为0的条件下，将新型基础设施投资品的产品投入权重参数[ωe=0.5]设为基准模型，分别降低到0.3和0.1以刻画提高服务业产品权重所带来的影响。

模拟结果显示，对新型基础设施投资品产品投入权重的调整，会从需求侧有效地拉动产业结构调整。若新型基础设施投资品提高对服务业产品的投入权重[ωe]从0.5降低至0.1，在服务业数据产出弹性较高的情况下，制造业名义产出占比将下降1.12%；在制造业数据要素产出弹性较高的情况下，制造业名义产出占比将下降1.26%。更重要的是，与提高初期新型基础设施数量相比，新型基础设施投资品的结构性调整具有更持续的影响。

（五）调整生产函数参数

数据要素可以重塑商业模式和生产方式，而新型基础设施建设可以形成新产业链，还可以通过外溢性提高其他生产要素扩展型技术。本文通过生产函数的参数调整来反映这种生产方式的转变，并作为参数选取的敏感性分析。参数设置和表1一致。

本文模拟了三种服务业生产方式的转变，每种方式仅改变一个参数，其他参数控制不变：第一，将服务业资本与劳动力的替代弹性[β2]从初始设定1提高到1.5；第二，将服务业劳动力权重[γl2]从0.45提高到0.65；第三，将服务业劳动力扩展型技术[Al2]从1提高到1.25。

表5展示了改变参数设置后的第1期模拟结果。对比表1，提高服务业的资本与劳动力替代弹性[β2]、劳动力权重[γl2]可以增加初期服务业的规模。此外，模拟结果对参数变化不敏感，表5结果与表1差别较小，且所有结果影响方向没有变化，可见前文理论分析和数值模拟的结论具有一定稳健性。

七、总结与启示

当前国家大力推进东数西算工程，力图解决数据要素与新型基础建设的匹配问题。在此过程中，数据要素和新型基础设施如何影响产业结构调整？产业结构调整带来生产要素流动，对劳动收入份额产生怎样的影响？本文界定数据的相关概念，把数据要素纳入生产函数，将新型基础设施作为一种数据扩展型技术，构建动态一般均衡模型，通过讨论不同替代弹性对产业结构调整的影响，从理论上回答上述问题，得到如下结论和建议。

首先，数据要素与新型基础设施可以推动产业结构调整，具体产业结构调整的路径取决于三种弹性：数据要素产出弹性、需求侧产品替代弹性、数据要素和增加值投入的替代弹性。增加数据要素投入会扩大数据要素产出弹性高的产业的实际产出，并降低该产业的相对价格。服务业和制造业产品的需求替代弹性通常较低，相对价格的下降幅度会大于实际产出的提高幅度。这导致产出弹性高产业的名义收益降低，从而引导生产要素流向数据要素产出弹性较低的产业。具体来说，若制造业的产出弹性较低，增加数据要素投入可能会扩张制造业规模，进而导致劳动收入份额下降。新型基础设施作为非竞争的数据扩展型技术，可以同时参与不同产业的生产，但由于不同产业的数据要素产出弹性和替代弹性不同，新型基础设施对产业结构调整的推动作用受到数据要素的调节，且最终的影响方向和路径与数据要素一致。

其次，在同一个产业内部，不同企业的产品替代弹性通常较高。此时相对价格的下降幅度小于实际产出的增加幅度，因此产出弹性高的产业的名义收益会得到提高。数据要素和新型基础设施促使生产要素流向数据要素产出弹性较高的企业，推动其进行规模扩张，从而提高整个产业的数字化水平，优化生产要素配置。

基于本文研究结论，可以得到如下政策建议：第一，数据与经济活动密切关联，在公共领域（如教育、医疗、交通等），可以鼓励在保护个人信息和隐私的前提下积极展开数据采集，通过政企合作的方式实现数据的广泛共享，推动产业结构调整。尤其是在新型基础设施建设中，由于数据具有非竞争性，政府各部门可以通过分享数据的方式降低设备采购的成本，这既能充分发挥数据要素潜力，还能实现财政节流。第二，增加新型基础设施的数量对产业结构的影响是短暂的，并且受数据要素生产效率的调节影响。因此，政府相关部门应该合理设置新型基础设施的投资种类，积极从需求侧发挥对产业结构调整的指导作用，同时努力实現新型基础设施与数据要素协同效果，使新型基础设施的经济效益实现最大化。第三，产业结构调整可能伴随生产要素流向落后产业、劳动收入份额下降等问题。现实中的市场摩擦可能进一步导致劳动生产率下降、失业、收入差距扩大等问题。这意味着政府不仅要考虑增长问题，还要考虑产业结构和分配问题。除了传统的分配政策、就业政策之外，数据要素为改善收入分配提供了新的视角。因此要加大消费者数据权益的保护力度，家庭部门可以通过数据获取收入或产品服务，实现收入分配的改善。

参考文献

陈梦根、张鑫，2022，“数字经济要素投入核算框架及应用研究”，《统计研究》，第8期，第3-20页。

程啸，2018，“论大数据时代的个人数据权利”，《中国社会科学》，第3期，第102-122+207-208页。

郭凯明、潘珊、颜色，2020，“新型基础设施投资与产业结构转型升级”，《中国工业经济》，第3期，第63-80页。

郭凯明， 2019，“人工智能发展、产业结构转型升级与劳动收入份额变动”，《管理世界》，第7期，第60-77+202-203页。

黄茂兴、李军军，2009，“技术选择、产业结构升级与经济增长”，《经济研究》，第7期，第143-151页。

金戈，2016，“中国基础设施与非基础设施资本存量及其产出弹性估算”，《经济研究》，第5期，第41-56页。

李继尊，2015，“关于互联网金融的思考”，《管理世界》，第7期，第1-7+16页。

刘业政、孙见山、姜元春、陈夏雨、刘春丽，2020，“大数据的价值发现：4C模型”，《管理世界》，第2期，第129-138+223页。

欧阳艳艳、张光南，2016，“基础设施供给与效率对‘中国制造的影响研究”，《管理世界》，第8期，第97-109页。

尚文思，2020，“新基建对劳动生产率的影响研究——基于生产性服务业的视角”，《南开经济研究》，第6期，第181-200页。

荣健欣、王大中，2021，“前沿经济理论视野下的数据要素研究进展”，《南方经济》，第11期，第18-43页。

申卫星，2020，“论数据用益权”，《中国社会科学》，第11期，第110-131+207页。

吴义爽、盛亚、蔡宁，2016，“基于互联网+的大规模智能定制研究——青岛红领服饰与佛山维尚家具案例”，《中国工业经济》，第4期，第127-143页。

肖静华、吴瑶、刘意、谢康，2018，“消费者数据化参与的研发创新——企业与消费者協同演化视角的双案例研究”，《管理世界》，第8期，第154-173+192页。

谢康、夏正豪、肖静华，2020，“大数据成为现实生产要素的企业实现机制：产品创新视角”，《中国工业经济》，第5期，第42-60页。

徐翔、赵墨非，2020，“数据资本与经济增长路径”，《经济研究》，第10期，第38-54页。

颜色、郭凯明、杭静，2018，“需求结构变迁、产业结构转型和生产率提高”，《经济研究》，第12期，第83-96页.

杨善林、周开乐，2015，“大数据中的管理问题：基于大数据的资源观”，《管理科学学报》，第5期，第1-8页。

郑若谷、干春晖、余典范，2010，“转型期中国经济增长的产业结构和制度效应——基于一个随机前沿模型的研究”，《中国工业经济》，第2期，第58-67页。

Acemoglu， D. and Guerrieri， V.， 2008， “Capital Deepening and Nonbalanced Economic Growth”， Journal of Political Economy， 116（3）：467-498.

Acquisti， A.， Taylor， C. and Wagman， L.， 2016， “The Economics of Privacy”， Journal of Economic Literature， 54（2）：442-492.

Baumol， W. J.， 1967， “Macroeconomics of Unbalanced Growth： the Anatomy of Urban Crisis”， American Economic Review， 57（3）：415-426.

Bloom， N.， Sadun， R. and Reenen， J. V.， 2012， “Americans Do IT Better： US Multinationals and the Productivity Miracle”， American Economic Review， 102（1）：167-201.

Broda， C. and Weinstein， D. E.， 2006， “Globalization and the Gains From Variety”， Quarterly Journal of Economics， 121（2）：541-585.

Cong， L. W.， Wei， W. S.， Xie， D. X. and Zhang， L. T，， 2022， “Endogenous Growth under Multiple Uses of Data”， Journal of Economic Dynamics and Control， 141：104395.

Cong， L. W.， Xie， D. X. and Zhang， L. T.， 2021， “Knowledge Accumulation， Privacy， and Growth in a Data Economy”， Management Science， 67（10）：6480-6492.

Dana， J. D. and Orlov， E.， 2014， “Internet Penetration and Capacity Utilization in the US Airline Industry”， American Economic Journal： Microeconomics， 6（4）：106-137.

Erevelles， S.， N. Fukawa and L. Swayne， 2016， “Big Data Consumer Analytics and the Transformation of Marketing”， Journal of Business Research， 69（2）：897-904.

Herrendorf， B.， R. Rogerson and A. Valentinyi， 2013， “Two Perspectives on Preferences and Structural Transformation”， American Economic Review， 103（7）：2752-2789.

Jones， C. I.， 2016， “Life and Growth”， Journal of Political Economy， 124（2）： 539-578.

Jones， C. I. and Tonetti， C.， 2020， “Nonrivalry and the Economics of Data”， American Economic Review， 110（9）：2819-2858.

Kahn， C. M.， McAndrews， J. and Roberds， W.， 2000， “A Theory of Transactions Privacy”， FRB Atlanta Working Paper， No. 2000-22.

Muller， O.， Fay， M. and Brocke， J. V.， 2018， “The Effect of Big Data and Analytics on Firm Performance： An Econometric Analysis Considering Industry Characteristics”， Journal of Management Information Systems， 35（2）：488-509.

Wu， L.， L. Hitt， and B. Lou， 2020， “Data Analytics， Innovation， and Firm Productivity”， Management Science， 66（5）：2017-2039.

Data Factor， New Infrastructure and Industry Restructuring Path

Zhu Xiaowu  Wei Wenshi  Wang Jingwen

Abstract： Data and new infrastructure are playing an increasingly important role in various industries. However， there are variations in the utilization efficiency and application methods of these factors across different sectors， which influence the path of industrial restructuring. We introduce a multi-sector dynamic general equilibrium model that consists of two production sectors to represent different industries or different firms within the same industry. Each sector incorporates data as a new production factor and new infrastructure as data-enhancing technology， combining them with traditional production factors to form new production functions. Additionally， there are differences between sectors in terms of data output elasticity and substitution elasticity between data and traditional factors.

We find that data and new infrastructure can drive industrial structure transformation， which depends on three elasticities： data output elasticity， demand-side product substitution elasticity， and substitution elasticity between production factors. Specifically， across different industries， due to lower product substitution elasticity， an increase in data and new infrastructure leads to higher data output elasticity and higher substitution elasticity of production factors， resulting in increased output of industries with lower product prices and nominal output， prompting capital and labor to flow toward industries with lower efficiency in data utilization. This process will alter the prices of capital and labor and impact the share of labor income. Within the same industry， due to higher product substitution elasticity between different firms， data and new infrastructure have opposite effects， driving capital and labor to flow towards firms with higher efficiency in data utilization and promoting the digital transformation of the entire industry. If enterprises with high data output elasticity are labor-intensive， the share of labor income is likely to improve. In the numerical simulations， we highlight that from the demand side， new infrastructure development can facilitate more targeted structural transformation in the long run.

Lastly， we provide policy implications to address the growth limitations and income distribution issues associated with digital transformation. The impact of increasing the quantity of new infrastructure is influenced by the productivity of data. Efforts should be made to achieve synergies between data and new infrastructure. Besides traditional policies， data and new infrastructure provide a new perspective for improving income distribution.

Keywords： Data Factor; New Infrastructure; Industrial Restructure; Substitution Elasticity

（責任编辑：谢淑娟）