开放科学(资源服务)标识码(OSID)：
The “Data Element ×” initiative synergizes data with labor and capital, breaking resource constraints and clarifying tech, fund, talent, and material applications, boosting efficiency. The multiplier effect refers to the interaction between different factors producing non-linear outcomes. The multiplier effect of data element occurs at various stages of data collection, storage, analysis, and sharing, utilizing data characteristics such as increasing returns to scale, non-rivalry, and low-cost replication to achieve varying degrees of amplification effects. The value of data can be magnified progressively, transforming raw data into useful information and knowledge, enhancing decision-making, promoting innovative development, improving service quality, and thereby aiding economic growth and enhancing social welfare.
The significance of studying the data element's multiplier effect lie in utilizing the characteristics of data across different industries and fields to enhance the synergy efficiency among various elements and fostering the formation of new industries and models, thus leveraging the multiplier effect on economic growth. At the micro level, for workers, it enables rapid learning, mastery, and application of cutting-edge knowledge and technology, thereby improving the quality of human resources and work efficiency. For capital, the utilization of data helps optimize investment and financing decisions, further promoting the integration of financial services with the real economy. In the technological realm, the application of data redefines innovation models and accelerates the widespread dissemination and application of advanced technologies, thus enhancing the overall productivity level of society. At the macro level, for the economy, the application of data optimizes resource allocation, drives innovation in production methods, and achieves high-quality economic development. For government governance, the application of data optimizes government management and social governance methods, making government decision-making more scientific, social governance more precise, and public services more efficient.
The digital economy, driven by data and digital technology, is reshaping economic and governance structures. The multiplier effect describes the economic chain reaction where variable changes lead to total output changes. The data resource multiplier leverages digital tech to amplify data's impact through analysis, sharing, and application, leading to exponential productivity growth.
At the technological mechanism level, data applies digital technology through “synergy”. For example, through decentralized applications, generative artificial intelligence technology can efficiently integrate dispersed data resources and collaborate with other production factors in various fields to achieve global optimization of data element . With the continuous advancement of intelligent technology and the increasing abundance of information resources, generative artificial intelligence models use large training databases to provide a foundation for algorithm development and operation. Equipped with high-precision general-purpose graphics processors and powerful deep-learning networks, these models delve into and mine data to extract valuable information. They accelerate their adaptability and promote continuous technological iteration by continuously feeding back through connected information data. This process provides a basis to improve and enhance the input-output efficiency of traditional factors, thereby enabling the rational allocation of materials, talent, technology, and capital. This offers optimal solutions for businesses, industries, and sectors to operate under limited resource conditions.
At the efficacy mechanism level, data element apply digital technology through “reuse” and “integration”. Unlike traditional resources, the use of data typically does not depreciate; in fact, the value of data appreciates with increased usage, breaking the previous limits on output imposed by resource constraints and empowering new economies. Furthermore, models like ChatGPT utilize algorithms to model and process data, significantly enhancing the capability to handle complex problems. As the volume and variety of data expand, the contained information and knowledge also increase, further enlarging the scope for value creation. The "integration" of different types and multidimensional data can potentially lead to a qualitative transformation from quantitative accumulation, thereby driving the development of new business models, significantly enhancing industrial operational efficiency, and injecting new vitality into economic growth.
开放科学(资源服务)标识码(OSID)：
党的二十大报告提出,加快发展数字经济,促进数字经济和实体经济深度融合,打造具有国际竞争力的数字产业集群[1] 。2023年两会期间,根据国务院机构改革方案相关提案,国家数据局正式成立,负责协调推进数据基础制度建设、统筹数据资源整合共享和开发利用,统筹推进数字中国、数字经济、数字社会规划和建设等。国家数据局的组建在数字中国建设过程中具有划时代意义,其有助于加强数据基础设施建设,通过技术创新和流程优化,增强综合服务能力,推动数据产业发展,打通数据链路,实现数据整合,在数据资源配置过程中发挥政府作用。2022年中央全面深化改革委员会第二十六次会议提出,要积极探索推进数据要素市场化,加快构建以数据为关键要素的数字经济。在2023全球数商大会开幕式上,国家数据局局长刘烈宏表示,“加快数据开发利用,推动数据要素发挥乘数效应,找到资源配置最优解”。
从经济学角度,数据具有收益不确定性和对其它资源的协同需求[2]。数据不仅是新型生产要素,而且构成数据资产。数据资产可以视为对所有者未来决策和行动产生影响、能够带来经济利益等各种收益的数据资源。与传统资产不同,数据资产呈现出显著的数字特征。此类资产可以被无限复制和分享,体现出非竞争性。同时,数据的高再生性、高共享性以及易复制性,使得数据的边际成本很低,甚至几乎为零[3]。有学者认为,数据可以自由复制和重复使用,对于不同买家来说,数据价值不同,如果不预先将数据应用于任务预测,则很难确定数据有用性[4]。部分学者认为,数据要素市场普遍存在“五难”困境,即确权难、定价难、互信难、入场难、监管难[5]。跨组织数据交易会受到3类交易成本的影响——逆向选择、道德风险和交易不确定性。其中,逆向选择问题由信息不对称性造成;道德风险引发数据控制权问题,即数据买方或卖方可能受困于特定的供需关系;交易不确定性体现为数据质量预期不明确和偶然性,卖方和买方在此方面都不具有信息优势(不同于逆向选择和道德风险中的信息不对称)[6]。
研究数据要素乘数效应的意义与价值在于根据数据特性,在不同行业和领域挖掘与应用数据,打破生产限制,促进新产业新模式形成,提高要素协同效率,形成资源配置最佳方案,发挥其促进经济增长的乘数效应。微观层面,对劳动者而言,数据应用有助于加快学习、掌握与应用前沿知识和技术,提高人力资源质量以及工作效率;对资本而言,数据应用有助于优化投融资决策[7],促进金融与实体经济融合;对技术而言,数据应用通过重新定义创新模式,加速尖端技术扩散与应用,从而有助于提高社会生产力水平。宏观层面,对经济而言,数据应用能够优化资源配置,驱动生产方式创新,实现经济高质量发展;对政府治理而言,数据应用通过优化政府管理和社会治理方式,促进政府决策科学化、社会治理精准化、公共服务高效化。基于上述分析,本文将围绕数据要素乘数效应的概念界定与主要效应,探究数据要素乘数效应运行机理与实现路径。
当前,我国具有市场规模大、数据资源丰富和应用场景多样化的综合优势,“数据要素×”行动有助于促进数据要素与劳动力、资本等要素协同作用,打破传统资源限制,明确技术、资金、人才和物资应用方向,从而提高生产效率;通过在不同领域加强数据应用和共享,加快新产品新服务供给,促进知识传播和价值提升,开拓经济增长新路径;通过整合多方数据,扩大数据规模并丰富数据类型,促进生产工具升级,助力新产业新模式形成,为经济增长注入新活力。数据作为新型生产要素,是实现数字化、网络化、智能化的基础,发挥数据要素的放大、叠加、倍增作用,构建以数据为关键要素的数字经济是推动高质量发展的必然要求。乘数效应是不同因素之间相互作用而产生的非线性结果。基于学术界阐释,本文使用数据要素乘数效应的共识性界定,即数据要素乘数效应是将数据应用于不同主体或者与不同要素结合,利用数据本身的规模报酬递增、非竞争性、低成本复制特性达到不同程度倍增的影响效应。数据要素乘数效应的内涵延展体现为数字平台协同与共享经济、数字平台中数据价值形成与增值机制等方面。
(1)数字平台协同与共享经济。没有数字平台,数据要素难以独立存在。数字平台协同是在大规模数据生产、交易和流通过程中协作的组织形式,其基于社会不同主体的共同参与产生网络效应[8]。共享经济依托互联网平台,实现不同个体能够共享产品、服务、技能或数据。资源共享平台作为支持共享经济的基础设施,具备类似社会基础设施和公共服务平台的准公共物品特性,能够促进资源广泛使用,实现数据要素乘数效应中的倍增效应。
(2)数字平台中的数据价值形成与增值机制。在数字平台上,数据要素的价值形成和实现遵循一定规律,即平台上用户越多,生成和得到的数据要素也越丰富。该过程体现了数据具有规模报酬递增、非竞争性和低成本复制等特性。基于这些海量数据要素,平台能够提供更精准的定向服务,从而显著提升用户体验,进一步吸引更多消费者和企业参与。因此,数据量的持续增加促进数据价值形成和增值。该规律与Farboodi&Veldkamp提出的“数据反馈循环”(Data-feedback Loop)相符[9]。
2023年《中国数字经济发展研究报告》提出,数字经济是以数字化知识和信息作为关键生产要素,以数字技术为核心驱动力量,以现代信息网络为重要载体,通过促进数字技术与实体经济深度融合,不断提高经济社会的数字化、网络化、智能化水平,加速重构经济发展与治理模式的新型经济形态。换言之,数字经济是以数据为生产要素、数字技术为核心驱动力、数字平台为载体的经济活动。因此,数据价值增值、数据共享与协作、数据网络效应发挥与技术进步是数据要素乘数效应的实践价值。
1.2.1 数据价值增值
价值增值是指超出劳动力成本的部分,标志着剩余价值产出。数据具有双向流动性与虚拟性,传统价值链模型并未全面展示数据在价值创造中的作用。数据的基础价值源自其原始信息和潜在知识。然而,未经加工与分析的数据价值有限。随着大数据与分析技术发展,可以从海量数据中提取出有价值的部分,将其转化为商业策略、决策支持和创新触发点。通过数据分析和应用,实现数据价值增值。这种增值取决于多个因素,包括数据质量、分析深度和广度、数据应用场景。例如,沃尔玛公司利用数据分析优化库存管理,通过分析销售数据、天气预报、节假日等信息,预测商品需求,调整库存量和配送方案,不仅减少库存积压和降低存货成本,还有效提高商品周转率和顾客满意度。
数据要素在开发利用和流通应用阶段,其形态从信息信号到原始数据,再到数据资源,接着转化为数据产品,最终形成数据资本。第一阶段,信息信号转化为原始数据。该阶段无序的信息信号转变为有序数据,通过结构化和标准化处理,这些原始数据具备初步使用价值和潜力,完成首次增值。第二阶段,原始数据进一步转化为数据资源。在确保符合规范的基础上,原始数据经过深度清洗、处理和加工,最终形成能够满足用户具体需求的数据资源,实现第二次增值。第三阶段,数据资源转化为数据产品。在数据资产化过程中,根据市场需求和具体应用场景对数据进行深度加工处理,最终得到多样化数据产品,完成第三次增值。第四阶段,数据产品转化为数据资本。在数据资本化阶段,通过质押融资、授信、信托等方式,数据要素与资本要素深度融合,最终形成数据资本,实现第四次增值[10]。
1.2.2 数据共享与协作
数据共享能够在不同组织、部门或行业之间创造更大价值,这种跨界合作能够激发新思维,从而推动科技创新。数据共享不仅有利于释放公共数据价值,而且可以提高数据可用性与透明度。例如,构建国家基因库,国家基因库生命大数据平台(China National GeneBank DataBase, CNGBdb)是一个为科研社区提供生物大数据共享和应用服务的统一平台。其基于国家基因库的数据源以及外部的NCBI、EBI、DDBJ等数据源,遵循INSDC、DataCite、GA4GH、GGBN、ACMG等国际标准,构建文献、基因、变异、蛋白等数据结构,提供数据归档、查询检索、计算等数据共享和应用服务,以促进生物医学与农业研究。
以政府数据和企业数据为例。对于政府平台而言,开放和共享政府数据是实现其价值的关键。数据价值实现受诸多因素影响,包括价值评估、政府预期、组织管理效率、法律政策、数据产品研发、先进技术应用及支持、数据与平台质量以及平台服务效能等[11]。对于公众而言,主要影响因素包括数据产品服务体验、公众需求、整体满意度以及数据开放带来的社会效应。政府可通过3种方式实现数据价值:首先,政府与各利益方合作,逐步实现现有数据开放共享;其次,通过使用平台和授权策略,不断规范开放数据要求,挖掘潜在数据增值机会和未被发现的数据价值;最后,政府需要深入了解公众需求和看法,建立与完善政府数据共享互动反馈系统。通过开放共享现有数据,完善数据治理体系,加快部门间数据流通,助力数字化转型。数据治理涉及企业数据管理、评估、指导和监管,旨在创新数据服务、为企业创造商业价值。通过整合、分析及利用企业相关数据资源,促进企业发展。同时,企业作为参与社会经济活动的关键主体,与政府共享数据能够为政府提供宝贵的商业信息,提高公共服务质量,辅助政府决策。
1.2.3 数据网络效应
网络效应表示某项技术或产品对单个用户的价值或效益是由其他用户使用程度决定的。数据要素乘数效应与网络效应密切相关,当数字平台中的数据用户数量和应用场景不断丰富时,数据价值也在不断增长。这种效应体现在当更多人或系统开始使用某数据集时,数据的实用性和价值性会因为使用者互动与数据联结而呈现指数级增长。以滴滴出行应用为例,使用的乘客与司机数量越多时,滴滴平台收集到的出行数据就越多,有助于利用数据分析优化算法,帮助乘客匹配附近司机,缩短乘客等待时间并科学规划行驶路线,提升服务质量,从而吸引更多用户和司机。
基于大量数据的集成和联接有助于形成更深入的分析结果。这种跨数据集、跨领域联接,有助于数商借助数据分析获得新发展,同时,也为解决复杂问题提供新视角。以平台企业为例,在推进数据要素市场化配置过程中,特别是在完善数据基础制度、推动数据基础设施建设、促进数据流通和开发利用等方面,数商扮演重要角色,发挥关键作用。随着数字技术的深入发展,网络效应日益增强,特别是迅猛增长的数据量和广泛扩散的网络连接使得平台网络效应更显著。在跨边界网络效应下,平台规模随着用户群体扩大也日益庞大,其吸引力随之陡增。这是因为网络效应通过创建一个正反馈循环,即数据价值随着用户与使用场景扩充而增长,进而吸引更多用户并诞生更多应用场景,实现数据价值的自我增强。平台企业通过收集和分析用户信息,创造出大于其交易收益的数据价值。数据资源的丰富性和可接入性使得基于数据的决策更加高效、准确[12]。随着用户数据积累,平台能更准确地匹配供求关系,通过深入分析用户数据,研发出更多新产品或提供更多新服务。这对于优化企业运营、提高政府公共服务水平以及促进科学研究新发现都至关重要。
1.2.4 技术进步推动
数字技术应用通过重塑治理结构,促进政府、市场与社会等不同主体参与和协同,进而构建一个智能化、精确化、系统化的治理体系。对于企业而言,利用大数据能够有效预测潜在风险,深入了解客户需求[13]。该过程颠覆传统企业管理基础和价值创造途径,引导企业从以客户需求为导向转向以客户价值为中心,从而建立一个更加个性化、多元化的企业组织结构,更快地适应新商业环境;对于政府而言,数字技术有助于消除传统管理中不同部门间的信息障碍,促进不同部门数据资源共享,增强潜在风险识别力、预测力和应对力,提高决策预见性、灵活性、准确性,实现决策模式从依赖经验转向基于精确的数据分析。
伴随海量数据的产生,大数据、区块链、云计算、人工智能等新兴技术应用有助于基于数据分析识别复杂模式、预测未来发展趋势以及提出针对性解决方案。以数据交易为例,在数据交易过程中,区块链提高了交易透明性、安全性,而云计算则提供了必需的存储与计算资源,提高了灵活性,具体见表1 和表2。随着技术升级,数据需求也不断加码,推动新一轮数据处理与分析方法创新,最终形成一个正反馈循环:数据积累和应用促进技术进步,而技术进步有助于挖掘更多数据价值。例如人工智能算法通过训练大量数据并不断优化,提高决策准确性和决策效率。
表1 数据要素交易过程中的区块链技术特性
Table 1 Characteristics of blockchain technology in data element transactions
特点区块链技术 去中心化区块链的去中心化特性意味着没有单一控制点,增加交易透明度和安全性不可篡改性一旦数据被记录在区块链上,就几乎不能篡改,确保数据完整性智能合约自动执行协议可以在满足特定条件时实现自动化处理交易,减少人工干预和错误率加密安全性区块链使用高级加密技术保护数据,确保交易安全
表2 数据要素交易过程中的云计算特性
Table 2 Characteristics of cloud computing in the data element transactions
特点云计算 集中式存储和处理云计算具有集中存储与处理数据的能力,可以高效管理巨大的数据交易可扩展性它可以根据需要增减资源,适应不同规模数据交易数据备份和恢复提供数据备份和灾难恢复服务,确保数据安全、可靠访问控制和身份验证通过严苛的访问控制和身份验证机制,确保只有授权用户才能访问和交易数据
数字经济是以数据为生产要素,数字技术为核心驱动力,加速重构经济发展与治理模式的新型经济形态[14]。乘数效应是经济活动中由某变量增减引起经济总量变化的一系列连锁反应[15]。数据要素乘数效应运行机理是以数字技术为基础,通过技术机理和效能机理的共同作用,发挥数据要素的放大、叠加及倍增效用。其中,数据要素价值通过分析、共享和应用被放大和传递,实现生产力的几何式增长。 在技术机理层面,通过数据协同实现数字技术应用。例如生成式人工智能技术,通过去中心化应用高效整合分散的数据资源并协同其它领域生产要素,实现数据资源全局优化。随着智能技术不断进步和信息资源日益丰富,生成式人工智能模型利用庞大的训练数据库,为算法开发和运行提供基础,其配备高精度的通用图形处理器和强大的深度学习网络,通过深入挖掘与分析数据,获取其中价值;通过接入相关信息与数据,增强反馈,提高技术适应性或促进技术持续迭代,为改善和提高传统要素投入产出效率提供支持;通过合理分配物资、人才、技术和资金,在要素资源有限的情况下为企业、行业和产业提供最佳方案。
在效能机理层面,通过复用与融合数据实现数字技术应用。例如类ChatGPT模型,该模型具有易用性、高度智能化特点,在不同环境下实现数据集能被众多主体重复使用,创造多元化价值,增强产业核心竞争力,从而打破资源—产出上限,赋能新经济发展。同时,类ChatGPT模型利用算法对数据进行建模处理,其强大的计算能力极大提升复杂问题应对能力。随着数据数量级增长、种类增多,其包含的信息与知识也更加丰富,进一步扩大价值创造范围,促进不同种类数据多维度融合,实现从量的积累到质的突变,进而催生新商业模式,提高产业运行效率,为经济发展注入新活力,具体见图1。
图1 数据要素乘数效应运行过程
Fig.1 Operation process of multiplier effect of data elements
2.1.1 去中心化高效整合数据资源
去中心化应用通常运行在点对点网络上,每个节点都可以直接与其它节点交互。在这样的网络中,数据可以在节点之间直接传递,无需经过中心服务器。去中心化应用通常采用分布式文件系统,如IPFS,通过内容寻址方式存储数据。这意味着数据检索不是通过位置(如URL或服务器地址),而是通过其内容的哈希值实现访问。通过这种方式,数据可以被复制和存储在多个节点,提高数据可用性。同时,去中心化应用通过区块链技术确保所有节点的数据记录统一且同步。区块链的共识机制(如工作量证明PoW或权益证明PoS)确保网络参与者对任何数据变更都达成一致。此外,智能合约是自动执行程序并存储在区块链上,当满足某些预设条件时便开启该功能。通过智能合约,去中心化应用可以在没有中央控制的情况下自动进行数据交互、整合和验证,提升效率和整个过程的透明度。其中,数据整合过程包括对多个来源数据进行清洗、整合和标准化,将不同来源或渠道的数据整合成统一且易分析的数据集。第一步是数据清洗,包括识别并修正数据集中的错误和不一致性[16],例如删除重复记录、更正错误数据、填补缺失值等。该步骤是确保数据质量的关键环节,有助于提高数据分析准确性和可靠度。第二步是数据整合,需要确保不同来源数据能够在统一框架下对接和融合,解决数据格式与结构不一致的问题。第三步是数据标准化,将数据转换成统一格式,确保数据集里的所有数据遵循同一标准和规则,包括数据格式、编码方式等,便于后续数据比较和分析。例如,供应链管理中的去中心化应用可以整合不同供应商数据,通过智能合约自动验证和记录货物流转情况,确保信息真实性并实时更新信息。
2.1.2 学习网络深入挖掘与分析数据
智能认知赋能机器或计算机系统能够模拟人类思维。基于分析模型,该技术将物理世界的运行逻辑转换为代码,实现系统对人类思考方式的模拟。如机器可以处理数据,从海量数据中发现未知、有潜在价值的关系,通过聚类分析识别相似数据点群体,或通过关联规则分析发现不同变量间关系,将其转化为实用信息和知识,应用于不同产业领域以增强竞争力。认知与交互能力提升是生成式人工智能技术发展的关键——从卷积神经网络到递归神经网络,再到生成对抗网络,不断推动学习模型更新迭代,实现从机械式反馈到智能识别再到深度学习的转变[17]。深度学习神经网络在学习范式和网络结构上不断迭代,进一步提升数据分析能力,通过训练算法模型自动识别数据特征并进行预测或分类,具有处理复杂、非线性问题的能力,从而适用于多种应用场景,如客户细分、销售预测和产品推荐。人工智能技术通过深度学习,能够处理更加复杂的数据结构和关系,如图像识别、自然语言处理等,提供更加深入和细致的分析结果。优化数据分析的关键在于选择合适的技术和模型以及拥有高质量的数据基础,这取决于分析目标、数据特性和计算资源。同时,数据质量直接影响分析结果准确性和可靠度。数据分析过程是迭代的,需要不断评估模型性能,如根据实时环境反馈调整分析策略和模型参数,从而提高分析结果准确性、可靠性。
2.2.1 增强产业核心竞争力
产业发展直接反映生产力变革,其中,主导产业与支柱产业更新升级是推动生产力变革的关键。可通过数据资源开发、应用与共享,助力产业转型升级[18];通过运用大数据分析、云计算、人工智能等现代技术,促进传统产业与新兴技术深度融合,实现高质量发展。
(1)数据资源赋能产业链供应链,提升制造业竞争力。在2024年3月的《政府工作报告》中强调,实施制造业重点产业链高质量发展行动,着力补齐短板、拉长长板、锻造新板,增强产业链供应链韧性和竞争力[19]。利用数据分析,可识别并改善产业链弱环,增强现有优势,同时,培育新增长点,提升产业链供应链韧性和市场竞争力,包括制定行业标准、参与国际合作与竞争。借助知识提炼,将复杂的数据分析结果转换为具体的行动指南和决策支持,辅助企业解决短板问题,例如原材料供应不稳定、关键技术缺乏或创新能力不足等问题。拉长长板则涉及进一步优化与升级现有产业优势,包括将企业业务目标与市场环境相结合,进行深度分析,通过提升技术水平、扩展生产规模或增强品牌影响力,巩固并扩展现有领先地位。锻造新板涉及引入新兴技术、探索新市场和开发新业态,通过创新驱动提升产业链供应链的响应速度与灵活性。此外,增强供应链韧性不仅需要提高单个企业抗风险能力,还要加强产业链内的紧密协作与数据共享。其中,数据共享和交换平台能够有效促进数据流通与共享,打破信息孤岛,实现数据资源利用最大化。
(2)数据资源赋能生产性服务业,为经济发展增添新动力。在研发设计、在线维护和物流服务等方面可利用算法模型收集数据,从而提供定制化解决方案。其中,算法模型利用自然语言解析功能和信息处理优势提高决策效率与精度。例如,企业通过分析消费者行为数据提供个性化服务,利用机器学习算法持续改进系统服务,以更精准地满足消费者需求和偏好。因此,需要进一步完善服务业整体布局,同时,提高服务质量与效率,借助云计算、大数据、人工智能等前沿技术加速服务业数字化转型,推动金融服务、信息技术服务和专业咨询等高附加值行业发展,为制造业提供全方位支持,包括资金流通、市场分析和运营优化等,实现个性化供给与精准服务。云计算技术可提供弹性计算资源和存储能力,帮助企业高效地存储、处理和分析海量数据。云服务的弹性化允许企业根据需求动态调整资源分配,无需重复投入,极大地降低数据处理门槛,减少相关成本,促进数据获取、分析和共享。云平台上的数据共享又进一步促进跨地域、跨组织合作,促进制造业与服务业协同发展。
2.2.2 引领商业模式创新
商业模式创新可以通过交易内容、交易结构和交易治理三方面实现[20]。数据驱动下的平台商业模式创新主要通过数据与业务流程重组创造新价值。该模式基于数据网络连接不同价值主体,通过提供多方互动机制满足各方需求,从而实现利益相关者价值共创与共享。其核心逻辑在于通过解构与重构,降低交易成本,提高业务运行效率。
(1)数据资源催生订阅制服务模式。在订阅模式中,客户不再通过单次购买获取产品所有权,而是通过接受生产商提供的服务或解决方案,并基于使用性能如服务可用性、使用体验或结果支付费用。这种模式要求制造商在顾客使用产品或接受服务时持续了解用户需求和产品使用状态,并对用户实际使用情况进行精确记录。数字化能够帮助实现基于使用频率和性能的定价模式。当用户与产品被接入企业数字生产系统时,有助于将使用数据实时传回至企业。通过分析这些数据,企业能够及时了解产品运行状态和用户需求,为用户提供定制化产品和服务,从而为客户创造更多、更大价值[21]。
(2)数据资源赋能新零售模式。“数字技术+零售业态”模式旨在建立强大的数据处理与应用系统,实现数字营销。这种整合有助于拓展销售渠道,打破线上线下界限,形成全新的价值共创体,推动全产业链数字化创新。我国多数企业由于资金限制,无法全面开展所有业务。因此,企业需要精准挖掘自身核心价值,将主要资源投向关键领域。借助人工智能技术,平台企业通过物联网设备等终端收集数据,进而惠及小型零售商。人工智能技术能够实时记录和分析用户行为,并结合宏观经济形势分析,进行数据收集和算法更新,找到消费者偏好与新盈利点,并利用数据库中的现有解决方案,形成新的产品选择方案和营销策略[22]。这不仅可为企业提供实际可行的策略建议,还有助于降低运营成本。
数据被视为新的生产驱动力,最大化发挥数据乘数效应,需要全面优化数据采集、管理、分析、共享和应用流程。数据要素乘数效应的实现路径包括加强数据治理、促进数据共享与开放、利用先进的数字技术、提高个体数据素养以及关注数字伦理等5个方面。互联网和能源网络升级改造是促进信息化与工业化深度融合的核心,也是实现高质量发展的重要基础。具体包括加快推进包括区块链、通讯技术和信息传感技术、公钥密码学、加密算法技术、交易处理等相关技术开发与应用,为数据确权、数据交易、数据共享和数据监控提供支撑与保障,建立高效、透明的数据收集机制,确保数据多样、真实、有效、安全、完整和合规。
在构建数据要素市场时要以市场需求为导向,同时,坚持多方合作与共同治理策略。充分利用政府与市场资源,促进数据权属、定价、市场准入、公平竞争、跨国数据流通以及风险管理等领域的制度创新,打造一个健康可持续的数据市场环境。2021年我国出台《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》,旨在加强数据治理,保护个人信息,规范数据加工活动。数据属于国家基础性战略资源,没有数据安全就没有国家安全。充分发挥数据要素乘数效应,需要全社会共同维护数据安全,形成良好的发展环境。
(1)构建数据权属和定价基础体系。推动建立全国统一的数据资源登记和权属确认系统,对不同类型数据,如原始数据、经过脱敏处理的数据、模型数据和AI模拟数据进行权属界定与流通管理。建立一个全面系统的权益框架,涵盖数据生成、使用、搜集、存储、监控、收益、统计以及审查等环节。同时,结合短期定价与长期定价,试行覆盖成本与收益的数据资源定价方案。明确规范组织内部数据标准和命名,包括数据格式、数据名称和编码规则,确保数据一致性和可操作性,通过利用数据目录、数据质量管理工具以及元数据管理工具等,促进数据标准化和治理流程化。这些工具有助于跟踪数据资产,管理数据质量,同时,监控和报告数据治理效果。
(2)加强过程与结果监督管理。建立一个涵盖数据竞争、股权调整、业务运营、数据安全和资源管理的信息上报系统,并加强对伪造流量、泄露隐私和滥用数据等不正当竞争行为的监管治理,进而构建由政府、大型平台企业、数据市场主体和个人共同参与的协同监管模式。此外,采用通用的数据交换格式和协议(如XML、JSON、EDI等),促进不同系统与组织间数据共享和交换。
(3)探讨跨境数据流通的市场策略。利用区块链等先进技术,构建公开透明的跨境数据监管框架,积极参与国际跨境数据流通规则制定。将海南自贸试验区、深圳经济特区等作为推动境内离岸数据中心的试验区,打造多个全球数据交流中心,并允许在自贸区内成立合资或全资企业,进一步拓展国际数据服务业。
(4)构建数据市场安全防范机制。通过构建数据保障备案系统,增强面对数据安全问题的快速响应力;完善敏捷治理模式,建立数据风险预警系统,预防数据引发的隐私泄露、数据偏见等问题,确保数据资本市场稳定。同时,制定跨境数据流动风险应对策略,提高跨境数据流动监管力度,加强关键数字基础设施安全保护,推广自主安全技术与产品,从而确保专利、数字权益、商业机密及个人数据的安全性。
(1)制定数据共享政策。通过政策激励和技术平台支持,促进组织数据跨部门共享,以及与外部合作伙伴的数据交换,从而打破数据孤岛效应,促进数据流通和利用。通过整合数据系统,明确数据所有权、使用权与收益权,加大数字服务供给,促进部门数据即时共享,提高政府响应速度和决策科学性,推动政府部门信息化转型。
(2)建立政府首席数据官制度。通过数据共享推动政府形成合力,这是智能城市有效运转的基础。通过建立大数据中心、设立外派首席数据官等机制创新促进数据共享。同时,进一步扩大政务外网覆盖面,提升政务云承载能力,不断优化数据融合与自动标准化解决方案,利用决策分析工具为各部门数据共享和科学决策提供技术支持。
(3)利用数据链联动机制。以数据链联接创新链,完善数据共享机制,推动创新研究,并打造产学研用协同的创新网络;鼓励民营企业参与大数据与人工智能开源创新平台建设,利用数据链驱动产业链,不断完善大数据驱动下的产业分析监测与最优投资决策系统,通过设立产业并购基金、知识产权基金和协同创新基金等方式,构建多元化的投融资渠道[23],加快创新成果转化与产业化发展。
(4)制定数据开放许可协议,明确各利益方权责。同时,成立开放数据战略委员会和争议仲裁委员会,设立开放数据信息官,主动公开数据与相关信息,确保信息透明,增强政府公信力。
优化数据平台,首先要健全基础平台设施。当前我国数据要素的市场化配置面临统筹难、数据立法滞后、交易市场瓶颈大、创新资源配置效率低、数据市场监管难、数据安全保障不足等挑战。从发展空间的角度,随着5G、区块链、ChatGPT等新技术的迅速发展,现有的数据基础平台设施将面临严重不足[24]。因此,需尽快建立国家级大数据中心网络,同时,建立促进数据要素流通的公共服务体系,其中包括优化政府间数据共享、政府向企业开放数据、企业向政府汇集数据以及企业间数据交换四个核心领域,助力数字经济发展。
以华为云FusionInsight为例,其旨在为企业客户搭建领先的数据平台,可以从海量数据中发掘数据价值,加速政企智能升级。
(1)优化公共数据交流平台。进一步加强政府信息系统数据融合与共享,打造全国信息互通网络,建立涵盖各级政府及公共机构的数据交换系统,促进政务数据在各区域、各部门和各层级流通。同时,利用大数据建设数据空间,构建数据规范共享体系,通过组织机制创新打破数据孤岛。此外,优化公共数据开放系统,相关部门应明确数据开放步骤和策略,确保在开放数据的同时加强安全防护与隐私保护。
(2)构建高效的社会数据收集体系。一方面,优化和整合数据采集与信息上报流程,制定统一的社会数据获取机制和合作机制,采取试行模式,鼓励大型互联网公司实施数据目录备案制,通过整合政府数据与社会平台,强化社会治理协同效应。另一方面,通过技术创新提升实体经济生产效率,促进智慧型实体经济发展。
(3)利用大数据优化资源管理体系。借鉴以往经验,利用大数据的技术优势,合理配置资源,防止其空心化。同时,利用大数据算法整合信息并进行分类管理,降低数字产业生产成本,提高整体效益,实现“1+1>2”。
(4)构建全国数据资源流通和交易体系。建立集数据交易、监管、资产估值及纠纷调解于一体建立综合性的数据平台,完善数据登记、评价、定价、交易追踪及安全审查流程。同时,构建全方位的数据质量与信用评估体系,利用区块链等先进技术,提供数据授权验证、数据来源追踪以及数据完整性检测等服务[25]。
在数字化转型过程中,能否充分利用数据资源提升决策质量和运营效率是关键。这要求提升个体数据素养,同时,吸引和培养数据人才。以阿里巴巴为例,2017年贵州理工学院与阿里云宣布成立“贵州理工学院·阿里巴巴大数据学院”。作为全球最大的电商公司之一,阿里巴巴高度重视数据使用和分析,并积极培养数据人才,实现以数据流引领人才流。
(1)不断提升个体数据素养。企业可通过在线课程、工作坊和实践项目等多种形式,开展数据素养提升和数据分析技能培训活动,不断提高个体与组织的数据处理和分析技能、数据解读能力、数据可视化等高阶技能。同时,领导应当身体力行地倡导数字化转型,如决策过程充分依据数据与分析结果,而不仅仅是依靠直觉或经验。通过定期分享数据驱动决策案例,可以提高组织内部对数据价值的认知和接受度。
(2)吸引和培养数据人才。为了充分利用数据资源价值,可以通过提供丰厚的薪酬、职业发展机会、持续教育资源和优良的工作环境等条件吸引和留住数据工程师等专业人才。同时,与高校、研究机构合作,通过实习和培训项目等方式,培养未来的数据人才。此外,完善针对数据人才的“破格录用”机制,确保人员流动和晋升畅通,并围绕主导产业构建数据处理与分析的实训基地,铸造高水平数据创新团队。同时,可利用大数据技术进行人才深度分析,确保人才供应与需求精准对接。
(3)完善领导选拔与培养制度。党的二十大报告提出,增强干部推动高质量发展本领、服务群众本领、防范化解风险本领。在组织结构中,领导层的作用不可或缺。在数字化转型过程中,首先需要加强领导层数据素养[26]。通过完善干部选拔机制,把数字化治理能力纳入干部考核评估指标中,着力培养既了解智能化治理理念又有丰富实践经验的新一代领导干部,进一步推动数字政府治理向智能化发展。同时,可以考虑设立专门的管理委员会或建立首席技术官制度,为推进数字政府治理提供专业化指导和建议。通过优化组织结构和人员配置,更好地应对快速变化的技术环境,加快政务服务数字化转型。
2023年10月,科技部、教育部、工业和信息化部等十部委联合发布《科技伦理审查办法(试行)》,通过对科技伦理审查主体、审查程序、监督管理等方面的规范,强调科技伦理,防范科技风险。在数字技术推动下,传统业务工作流程和业务能力得以提升优化。然而,数字技术应用也对现有道德准则和伦理标准提出挑战,带来新的人权问题,导致技术与道德之间出现不和谐。为了保障人们在应用数字技术时享有平等权利而不被歧视,避免受到数字技术滥用的伤害,防止数字技术对个体的控制[27],需要对数字技术应用的道德标准和伦理价值观进行深入反思。在推进数字政府建设过程中,必须坚持以人民为中心的发展思想,探索有效的治理手段应对潜在公共安全风险,实现良术善用以及技术“善治”和“善智”高质量发展[28],不断提升国家治理体系和治理能力现代化水平。
(1)制定和执行数据伦理准则。数据伦理包括保护个人隐私、确保数据使用公正性与透明度,以及维护数据正义等方面。数据伦理准则涵盖数据收集、处理和使用的全过程,对个人隐私保护、数据安全以及数据使用的公平性与透明度提出明确规定。这要求政府和企业在数据收集、处理和使用的全过程中公正透明,采取适当措施保护个人信息不被滥用,同时,确保数据处理和分析结果不会导致不公平或歧视,并利用法律法规确保政府秉持公平公正[29]。
(2)破除智能官僚主义。为防止数字技术应用引发价值观冲突和技术官僚现象,需要构建适应智能时代的法律体系和积极的文化环境,包括鼓励政府对技术革新采取开放态度,提高办事人员数字素养。同时,贯彻以人为本的价值观。公共治理的宗旨是增进民生福祉,保障人的自由与发展。对于政府来说,算法仅是治理工具之一。因此,公共治理不应被算法技术主导,同时,也不过度依赖算法[30]。
(3)提高算法透明度和解释度。一方面,提升算法透明性意味着确保信息可见性,这涉及算法可获取性和审查性。在不触及核心商业机密和相关人员权益的前提下,政府和企业可以适度公开算法代码、运行准则、操作流程以及可审查的数据。对于政府治理中使用的算法,必须充分保障公众知情权和质疑权,并制定相关技术规范提升算法透明度。另一方面,增强算法解释度。由于算法本质上是编码指令,这些指令对于大多数人来说并不易于理解,特别是当这些算法被应用于政府治理时,其逻辑复杂度使得公众难以评价。缺乏明确的解释会使算法规则变得模糊,可能导致政府治理过程中出现决策失误或算法偏见,进而造成社会公平减损。开发算法的企业应定期公开算法技术详情,对数据搜集及决策流程进行详细解释,向公众说明算法运行原理以及智能系统可能对隐私信息和基本权益带来的潜在风险[31]。
(4)坚持包容审慎原则。数字技术的优势在于其精准的认知能力。然而,认知精确性越高,对认知范围的限定就越大,对复杂问题的感知和控制度则越低[32]。要实现全面的认知,就需在一定程度上降低精确性,这也导致精准认知与全面感知间的矛盾。社会治理并不是依靠算法与机器运行的世界,它的社会性内核不可忽视,其中包含价值观和社会偏好,并且人类同样发挥重要作用。
数据是新型生产要素,构成数据资产。通过分析数据要素乘数效应的技术机理和效能机理,有助于不同行业和领域在挖掘与应用数据过程中发挥数据要素的放大、叠加、倍增作用,从而增强不同要素之间的协同效应,规划资源配置最佳方案,打破生产限制,促进形成新产业新模式,发挥经济增长的乘数效应,实现生产力的几何式增长。基于篇幅限制,本文针对数据要素乘数效应运行机理的案例分析不足,未能根据实际情况充分展示其在不同行业和领域中的影响。后续研究可以针对特定行业进行深入分析,研究数据要素与其它生产要素在具体经济环境下的协同作用,为政府与企业决策提供更加精准的依据。
[1] 习近平.高举中国特色社会主义伟大旗帜 为全面建设社会主义现代化国家而团结奋斗——在中国共产党第二十次全国代表大会上的报告[J].求是,2022,65(21):4-35.
[2] 李勇坚.数据要素的经济学含义及相关政策建议[J].江西社会科学,2022,42(3):50-63.
[3] 李海舰,赵丽.数据价值理论研究[J].财贸经济,2023,44(6):5-20.
[4] AGARWAL A, DAHLEH M, SARKAR T. A marketplace for data: an algorithmic solution[C]. Proceedings of the 2019 ACM Conference on Economics and Computation,2019: 701-726.
[5] 王建冬,于施洋,黄倩倩.数据要素基础理论与制度体系总体设计探究[J].电子政务,2022,17(2):2-11.
[6] HUANG L, DOU Y, LIU Y, et al. Toward a research framework to conceptualize data as a factor of production: the data marketplace perspective[J]. Fundamental Research, 2021, 1(5): 586-594.
[7] 靳晓宏,谭晓,李辉.数据要素乘数效应赋能实体经济发展:作用机理及路径选择[J].情报理论与实践,2024,47(6):31-38.
[8] 王谦,付晓东.数据要素赋能经济增长机制探究[J].上海经济研究,2021,39(4):55-56.
[9] FARBOODI M, VELDKAMP L. A growth model of the data economy[M]. National Bureau of Economic Research, 2021.
[10] 于施洋,黄倩倩,虞洋等.数据要素市场的价值增值研究:理论构建与实施路径[J].电子政务,2024,19(2):33-40.
[11] 奉国和,肖雅婧.数据要素价值释放研究进展[J].图书馆论坛,2024,44(8):123-132.
[12] 赵剑波.数字经济高质量发展:理论逻辑与政策供给[J].北京工业大学学报(社会科学版),2023,23(4):78-92.
[13] 全盼.大数据技术应用影响零售业供应链绩效的机理分析——精益性与敏捷性供应链战略视角[J].商业经济研究,2024,43(8):27-32.
[14] 任波.数字经济时代中国体育产业与体育消费互动的内在机制与升级策略[J].山东体育学院学报,2022,38(3):25-34.
[15] 吴江,陶成煦.激活数据要素 赋能千行万业——《“数据要素×”三年行动计划(2024—2026年)》政策解读[J].情报理论与实践,2024,47(3):16-19.
[16] 安小米,韩新伊,陈桂红,等.政府数据利用能力保障要素研究:以北京市为例[J].情报资料工作,2023,44(5):50-60.
[17] 张夏恒,马妍.生成式人工智能技术赋能新质生产力涌现:价值意蕴、运行机理与实践路径[J].电子政务,2024,19(4):17-25.
[18] 新华社. 中华人民共和国国民经济和社会发展第十三个五年规划纲要[EB/OL]. (2016-03-17) [2024-10-14].https://www.gov.cn/xinwen/2016-03/17/content_5054992.htm.
[19] 新华社. 政府工作报告[EB/OL]. (2024-03-12) [2024-10-14]. https://www.gov.cn/yaowen/liebiao/202403/content_6939153.htm.
[20] AMIT R, ZOTT C.Creating value through business model innovation[J]. MIT Sloan Management Review, 2012, 53(3): 41-49.
[21] 李晓华.服务型制造中的订阅模式:内涵界定与机制分析[J].企业经济,2023,42(11):5-14.
[22] 梁鹏,顾宝.数字经济背景下平台助力零售业发展的对策研究[J].商业经济研究,2021,40(14):28-30.
[23] 王建冬,童楠楠.数字经济背景下数据与其他生产要素的协同联动机制研究[J].电子政务,2022,17(3):22-31.
[24] 于施洋,王建冬,郭巧敏.我国构建数据新型要素市场体系面临的挑战与对策[J].电子政务,2020,15(3):2-12.
[25] 陈兵.“双循环”下数据要素市场公平竞争的法治进路[J].江海学刊,2021,64(1):152-162.
[26] 李晓静,冯紫薇.数字中国背景下提升政务人员数字素养的国际经验与实践路径[J].湖南大学学报(社会科学版),2024,38(2):145-153.
[27] 常健.人的数字化生存及其人权保障[J].东南大学学报(哲学社会科学版),2022,24(4):45-57,146-147.
[28] 马亮.良术善用:政府如何监管新一代人工智能技术[J].学海,2023,34(2):48-51,57.
[29] 程雪军.金融强国目标下数字金融平台算法黑箱的系统治理机制[J].河海大学学报(哲学社会科学版),2024,26(2):107-120.
[30] 郑崇明.警惕公共治理中算法影子官僚的风险[J].探索与争鸣,2021,37(1):103-109.
[31] 杨建武.人工智能嵌入政府治理的责任困境及其政策纾解[J].西南民族大学学报(人文社会科学版),2022,43(4):192-200.
[32] 向玉琼.数字治理等同于清晰治理吗——审视数字治理中的清晰与模糊[J].天津社会科学,2023,43(3):51-58.