数据要素的价值创造估算与研...双支柱”方案的国际利润分配_邬展霞.pdf

60第 24 卷 第 2 期2 0 2 3 年 4 月Vol.24,No.2Apr.,2023上 海 商 学 院 学 报Business Economic Review数据要素的价值创造估算与研究兼议经合组织“双支柱”方案的国际利润分配邬展霞 李社季 王周伟 摘 要：数据要素成为数字经济快速发展的关键引擎，经合组织于2021年推出了“双支柱”方案，拟推动对跨国数字企业全球利润的国际分配。本文利用空间似不相关模型，验证了数据要素创造价值的复杂路径体系，估算了其空间溢出效应。研究发现，数据要素与非数据资本要素结合共同创造了国内增加值；一个经济体的数字经济水平提高时，数据要素增加会对其他经济水平相近的经济体产生正溢出效应；非数据资本要素投入增加也会加强正溢出作用，劳动力要素的增加会减弱该作用；数字经济基础设施投入对数据要素创造价值具有重要助推作用。据此，本文对经合组织“双支柱”方案的思想进行了若干评论。关键词：数据要素；价值创造；SUR-SDM 模型；应税利润国际分配作者简介：邬展霞，博士，上海对外经贸大学会计学院教授、硕士生导师（上海 200234）；李社季，上海师范大学商学院（上海 200234）；王周伟，通讯作者，博士，上海师范大学商学院副院长、教授（上海 200234）基金项目：2020 年度国家社科基金项目“偏向性技术进步下数据要素的价值创造估算及应税利润国际分配研究”（编号：20BJY232）DOI 编码：10.19941/ki.CN31-1957/F.2023.02.005一、引言大数据、区块链等新一代信息技术的快速革新与发展，带来以数据为关键生产要素的数字经济的迅猛发展，世界经济开始数字化全面转型。十八大以来党中央高度重视数据要素市场发展。中国信息通信研究院（以下简称中国信通院）发布的全球数字经济发展白皮书 2021表明，2020 年全球数字经济规模达到 32.6 万亿美元，占 GDP 的比重为 43.7%。发达国家的数字经济规模为 24.4 万亿美元，发展中国家的数字经济规模仅有8.2 万亿美元，相距甚远。近期，经合组织（下文简称 OECD）推出“双支柱”方案，认为跨国数字公司的全球利润应该按照某些方法分配给“在线用户”所在国，因为在线用户的数据为公司创造了价值。这一方案带来的迫切问题是，数据要素价值创造的途径是什么，发展中国家是否应该与发达国家执行同一版本的“双支柱”利润国际分配方案。为此，本研究试图厘清数据要素价值创造的途径，从而对“双支柱”方案对于发展中国【数字经济】61邬展霞 李社季 王周伟：数据要素的价值创造估算与研究家的适用性做出回应。目前，测度数据要素价值的方法主要有两类：（1）通过对数字经济产业的界定，测度其增加值，例如美国经济分析局（BEA）、澳大利亚统计局、APEC、许宪春和张美慧等采用的方法；中国信通院将数字经济划分成数字产业化和产业数字化两个部分，将产业数字化增加值中的传统部分与数字部分相分离，再将数字部分与数字产业化部分的增加值相加。（2）构建数字化水平指标进行测度，如周青等选取数字化接入水平、装备水平、应用水平和平台建设四个维度构建指标来测度。上述研究中，指标权重的方法常见的有主成分分析法、变异系数法、熵权法等。但是，目前专门对数据要素创造价值途径进行系统的理论探讨和实证研究的文献还较少。综合以上文献研究的成果，本文通过构建数字产业的全球投入产出表、对 20002014 年全球 42 个国家或经济体的要素投入、产出数据进行空间似乎不相关回归，基于全球价值分工网络的视角研究数据要素创造价值的途径。本文的边际贡献在于：（1）研究视角的创新。从全球价值网络角度，利用超越对数形式的随机前沿模型，考虑要素替代关系和技术进步偏向性等数字经济特征，研究数据要素的价值创造。（2）研究方法的创新。利用空间 SUR 模型，在世界经济体系中系统研究了数据要素创造价值的直接效应和空间溢出效应。（3）数字经济国际税收的理论创新。填补了我国税务经济学领域对于“双支柱”问题理论回应的缺失。二、理论分析与研究假设参考韩君和高瀛璐以及中国信通院的全球数字经济白皮书，将世界投入产出表中的 56 个部门，匹配归类为数字产业部门、农业、能源业、制造业、生产性服务业五 许宪春、张美慧：中国数字经济规模测算研究基于国际比较的视角，中国工业经济 2020年第5期，第 2341 页。周青、王燕灵、杨伟：数字化水平对创新绩效影响的实证研究基于浙江省73个县(区、市)的面板数据，科研管理2020 年第 7 期，第 120129 页。赵涛、张智、梁上坤：数字经济、创业活跃度与高质量发展来自中国城市的经验证据，管理世界2020 年第 10 期，第 6576 页；周瑞芳、龚婷、乐承毅：数字经济发展对企业出口产品质量的影响分析，商业经济研究 2022年第15期，第 146149 页。盛斌、刘宇英：中国数字经济发展指数的测度与空间分异特征研究，南京社会科学2022 年第 1 期，第 4354 页。丁松、李若瑾：数字经济、资源配置效率与城市高质量发展，浙江社会科学2022 年第 8 期，第1121+156 页；韩君、高瀛璐：中国省域数字经济发展的产业关联效应测算，数量经济技术经济研究2022 年第 4 期，第 4566 页。中国信息通信研究院：全球数字经济白皮书疫情冲击下的复苏新曙光，http:/ 年 8 月。62上海商学院学报 2023 年第 2 期个部门。部门匹配对应关系如表 1 所示。表 1 部门匹配对应关系数字产业部门制造计算机，电子及光学产品；电信；计算机编程、咨询及相关活动；信息服务活动非数字产业部门农业作物和牲畜生产、狩猎和相关的服务活动；林业与伐木业；渔业与水产养殖业能源业采矿及采石业；焦炭和精炼石油产品的制造；电、煤气、蒸汽和空调供应制造业造纸及纸制品业；印刷及资料储存媒体复制业；化学品和化工产品的制造；电气设备的制造；制造机械设备食品制造、饮料和烟草制品；制造纺织品、服装和皮革产品；木材和软木的产品的制造，除了家具以外；秸秆的制品和编结材料的制造；基本药品和制剂的生产；橡胶和塑料制品的制造；其他非金属矿物制品的制造；金属生产；制造金属制品、机械及设备；制造汽车、挂车和半挂车；其他运输设备的制造；制造家具；其他制造业；机械设备的维修和安装；不动产行业生产性服务业剩余其他所有行业部门根据表 1 中的部门匹配对应关系，可以编制出一国数字经济产业投入产出表、全球数字经济产业投入产出表。一国数字经济中五个产业的投入产出表如表 2 所示。表 2 一国数字经济中的五个产业投入产出表代码产业中间使用最终使用总产出数字产业农业能源业制造业生产性服务业消费投资出口中间投入DI数字产业x11x12x13x14x15f 11f 21f 31q1AG农业x21x22x23x24x25f 12f 22f 32q2EI能源业x31x32x33x34x35f 13f 23f 33q3MI制造业x41x42x43x44x45f 14f 24f 34q4SI生产性服务业x51x52x53x54x55f 15f 25f 35q5增加值y1y2y3y4y5总投入q1q2q3q4q5全球数字经济中的数字产业和非数字产业投入产出表，是全球经济体间的数字产业、非数字产业两两投入产出的组合。简单起见，构建两国之间的简化数字产业投入产出表，如表 3 所示。表 3 显示，一国的数字产业内部通过生产数据商品而直接创造价值，产生国内直接效应；数据也会被作为中间品要素，投入到本国的非数字产业，与劳动、资本、土地等其他生产要素共同参与生产，间接创造国内增加值，产生国内间接效应；同时会通过 王超贤、张伟东、颜蒙：数据越多越好吗对数据要素报酬性质的跨学科分析，中国工业经济2022 年第 7 期，第 4464 页。蔡继明、刘媛、高宏等：数据要素参与价值创造的途径基于广义价值论的一般均衡分析，管理世界2022 年第 7 期，第 108121 页。王谦、付晓东：数据要素赋能经济增长机制探究，上海经济研究2021 年第 4 期，第 5566 页。63邬展霞 李社季 王周伟：数据要素的价值创造估算与研究国际贸易渠道出口到与相邻国家的数字产业和非数字产业中，与这些国家的生产要素结合，联合创造价值，产生国际间接效应。表 3 的数字产业与传统产业之间的投入产出两国模型，可以推广到全球任意两个国家和地区。表 3 数字产业投入产出表的两国模型中间使用最终使用总产出国家SRSR国家产业数字产业非数字产业数字产业非数字产业中间投入 S数字产业Z SSDDZ SSDTZ SRDDZ SRDTF SSDF SRDF SD非数字产业Z SSTDZ SSTTZ SRTDZ SRTTF SSTF SRTF STR数字产业Z RSDDZ RSDTZ RRDDZ RRDTF RSDF RRDF RD非数字产业Z RSTDZ RSTTZ RRTDZ RRTTF RSTF RRTF RT 增加值V SDV STV RDV RT 总投入Y SDY STY RDY RT因此，在全球经济网络中，任何经济体的数据要素价值创造，都可以分为国内直接创造价值、国内间接创造价值及国外间接创造价值三个作用路径，产生国内直接效应、国内间接效应和国际间接效应。综上，本文提出三个研究假设：假设一：数据要素可以独立参与生产过程，产生国内直接效应。假设二：数据要素可以与其他要素相结合，间接创造国内增加值，产生国内间接效应。假设三：一个经济体的数据要素增加，对其他经济体的价值创造具有正向外溢作用，产生国际间接效应。三、模型设定与变量数据（一）实证研究模型的设定1.数据要素直接创造价值的模型设定为验证假设一，构建数据要素直接创造价值的实证模型。数字产业投入生产要素产出数据商品的过程，服从柯布-道格拉斯（C-D）生产函数，其数学式为：（1）式中，D 为数字产业部门的增加值；A 即数据要素直接创造的价值；为技术水平；为数字产业的资本投入；为数字产业的劳动力投入；表示数字产业中资本投入要素的产出弹性；表示数字产业中劳动力投入要素的产出弹性。下标i和t分别表示经济体和时间。对式（1）两边同时取对数，用小写字母表示变量对数，再引入扰动项，建立非空间的柯布-道格拉斯（C-D）函数形式的数据生产函数回归估计模型：（2）式中，为随机误差项，服从经典假设。64上海商学院学报 2023 年第 2 期2.数据要素间接创造价值的模型设定为验证假设二和假设三，本文选用超越对数形式的随机前沿（SFA）生产函数模型，引入数据要素与其他生产要素之间的交互项反映数据要素投入引致的偏向性技术进步，引入时间趋势项反映全要素生产率提升，由此可得世界经济体系中各经济体中数据要素创造价值的拟合模型：（3）式中，上标 e 表示经济体；其他符号含义同上；小写表示变量对数。为验证假设三，本文拟构建空间似不相关的杜宾模型。在全球数字经济网络中，一国数字产业与本国的非数字产业及相邻国家的数字和非数字产业都具有投入产出关联关系，因此具有空间相关性。选用空间杜宾计量模型可以更好地拟合这一复杂作用路径体系。样本期内，数据要素间接创造价值模型中，数据产业增加值为先定变量，数字产业部门生产函数 式（2）与经济体生产函数 式（3）的解释变量之间没有内在联系，全部为外生变量。而在全球数字经济网络中，同一经济体的产业之间、不同经济体的产业之间均具有投入产出关联关系，两个生产函数的扰动项之间可能具有异方差和同期相关性，但每个方程都不存在序列相关性。为了尽可能避免两个生产函数间的相关性信息损失，同时解决模型变量内生性问题，本文选用似不相关模型（SUR模型）进行拟合。联合式（2）和式（3），组成似不相关的空间杜宾模型（下文简称 SUR-SDM 模型），在统一模型框架中，同时验证假设二和假设三：（4）（5）式中，为空间权重矩阵；d 为经济体投入的数据要素，既包括本国数字产业生产出的数据要素，也包括进口的数据要素；为变量参数；简略起见，变量省略了 徐翔、厉克奥博、田晓轩：数据生产要素研究进展，经济学动态2021 年第 4 期，第 142158 页。蔡跃洲、马文君：数据要素对高质量发展影响与数据流动制约，数量经济技术经济研究 2021年第3期，第 6483 页。谢康、夏正豪、肖静华：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2020 年第 5 期，第 4260 页。65邬展霞 李社季 王周伟：数据要素的价值创造估算与研究下标“it”。3.空间权重矩阵的设定为了避免使用单一空间权重矩阵造成模型设定偏误，也为了检验数据要素创造价值的空间溢出效应是否会因关联渠道不同而改变，本文分别设置了地理距离空间权重矩阵、经济距离空间权重矩阵和贸易结合度指数空间权重矩阵。贸易结合度指数可反映两个经济体间贸易往来密切程度，并据以构建贸易结合度指数空间权重矩阵。利用对外经贸大学 UIBE GVC 指标体系数据库中的出口增加值和进口增加值数据，可求得样本期内经济体之间贸易往来的平均值，获得平均贸易结合度指数。（6）其中，Xij为 i 国对 j 国的出口，Xi 代表 i 国的出口总额，而 Xij/Xi表示 i 国对 j 国的出口占 i 国出口总额的比率，即 i 国对 j 国的出口比重；Mj为 j 国的进口总额，Mw为世界进口总额，Mj/Mw表示 j 国的进口总额占世界进口总额的比例，即 j 国进口比重，它实际代表 j 国的进口能力。公式表明，贸易结合度指数就是 i 国对 j 国的出口比重与 j 国进口比重的比值。若TCDij1，表示 i 国和 j 国在贸易上关系紧密；如果 TCDij 1，则说明 i 国和 j 国在贸易上关系较为疏远。设定矩阵对角线元素为 0。贸易结合度空间权重矩阵元素为：ij （7）稳健性检验中，可以两国的经济距离空间权重矩阵和地理距离空间权重矩阵进行检验。若两个经济体间的经济发展水平相近，两国的产出、要素投入和数字经济发展水平也会更为相近。因此再利用各经济体的经济距离来构建模型的空间权重矩阵。经济距离空间权重矩阵元素为：ij （8）其中，Gi和 Gj分别表示经济体 i 和经济体 j 在 20002014 年人均 GDP 的均值。最后是按照地理距离构建空间矩阵。一般情况下认为两经济体的地理距离越近，经济来往会越密切，要素流动较为便捷，关系重要程度越高，地理距离空间权重矩阵元素为：ij （9）其中，xi表示经济体 i 的首都或者行政中心的经度，yi表示经济体 i 的首都或者行政中心的纬度。（二）变量、样本和数据数字产业模型变量需要分部门研究。考虑数据的可获得性、国家完整性和时间连续性及相关文献研究情况，本文选取了 WIOD 数据库中的投入产出表。由于 WIOD 中包括 43 个国家(地区)以及 ROW 地区 56 个行业在 20002014 年的投入产出数据，仅选择 WIOD 中除去66上海商学院学报 2023 年第 2 期中国台湾后的 42 个国家或地区的数据作为研究样本，样本时间跨度为 20002014 年。经济体模型变量选用世界银行的相关数据库。变量、指标与数据收集情况汇总如表 4 所示。表 4 变量、指标与数据说明变量类型变量名称变量符号变量说明数据来源数字产业部门被解释变量数据产出D数字产业的增加值WIOD解释变量数字产业化的投入资本K d数字产业的资本投入合并可得WIOD数字产业化的投入劳动Ld数字产业的劳动投入合并可得WIOD经济体系被解释变量总产出Y国内生产总值 GDP（现价美元）世界银行解释变量数据资本投入D数字产业的增加值WIOD非数据资本投入K p固定资本形成总额-数字产业的增加值WIOD、世界银行总劳动力投入L各国劳动力总数世界银行空间矩阵贸易结合度指数权重矩阵W 1国家间的进出口贸易数据计算可得对外经贸大学的 UIBE GVC 数据库经济距离权重矩阵W 2人均 GDP 均值计算可得世界银行地理距离权重矩阵W 3经纬度计算可得latlong 官网四、实证结果与分析（一）变量原始数据的描述性统计结果变量指标原始数据及其对数的描述性统计结果，如表 5 所示。表 5 变量的描述性统计变量样本量均值中位数标准差最小值最大值D63054 27314 015125 947169931 678K d630112 35523 810277 4772101 820 827Ld6301 015 823162 0002 822 4593 4702.266E+7Y6301.157E+123.595E+112.378E+124.070E+91.755E+13K p6302.786E+118.250E+105.874E+117.471E+84.594E+12L6304.930E+075.287E+61.332E+8155 3197.913E+8d6309.449.551.835.1313.74k d63010.0310.081.855.3514.41l d63012.1112.001.878.1516.94y63026.4826.611.7722.1330.50k p63025.0125.141.7920.4329.16l63015.9715.481.8711.9510.4967邬展霞 李社季 王周伟：数据要素的价值创造估算与研究表 5 显示，各经济体的数字产业的增加值均值为 54 273 美元，最小值为 169 美元，最大值为 931 678 美元，标准差为 125 947，总产出为 1.157E+12 美元，最小值为 4.070E+9美元，最大值为 1.755E+13，标准差为 2.378E+12，数字产业部门的产出、经济体总产出存在明显差异。另外，整个经济体系的各种要素投入之间也存在非常明显的差异。变量指标量纲差异较大，为消除后续实证模型研究中的异方差问题，本文先对原始数据取对数，然后再标准化。（二）实证模型形式的识别检验采用贸易结合度指数的空间权重矩阵，即数字产业和经济体系产出的对数标准化后数据，计算莫兰指数，检验各经济体的数据产出（即数字产业产出）和经济体系总产出的空间自相关性，结果如表 6 所示。表 6 全局莫兰指数检验结果年份DY年份DY20000.318 4*0.299 6*20080.267 2*0.254 8*20010.306 4*0.291 6*20090.266 5*0.263 9*20020.297 8*0.287 1*20100.269 9*0.265 7*20030.301 8*0.291 9*20110.272 9*0.263 9*20040.295 3*0.290 5*20120.268 6*0.264 0*20050.285 4*0.279 0*20130.264 0*0.259 7*20060.277 7*0.270 0*20140.258 8*0.255 3*20070.269 8*0.258 2*注：*表示该检验统计量在 1%置信水平上显著。依据后续的 SUR 模型有效性比较结果，选用经济距离空间权重矩阵进行全局莫兰指数检验。表 6 结果显示，在贸易结合度指数空间权重矩阵下，20002014 年的数据产出与总产出的Morans I 值均大于0，通过了0.01显著性水平下的检验，即各个经济体的数据产出、总产出存在正的空间相关性。随后，对 SUR-SDM 模型进行 LM 检验，判断 SUR-SDM 模型是否适合样本数据。检验结果见表 7。表 7 SUR-SDM 模型的 LM 检验结果LM 统计量类型W1W2W3LM-SUR-SLM94.868 5*202.348*55.956 3*LM-SUR-SEM41.812 8*51.915 0*125.386 5*LM*-SUR-SLM73.241 5*159.257 1*19.475 9*LM*-SUR-SEM20.185 9*8.824 1*88.906 1*LM-SUR-SARAR115.054 3*211.172 1*144.862 4*注：（1）W1是利用贸易结合度指数构建的空间权重矩阵，W2是利用经济距离构建的空间权重矩阵，W3是利用地理距离构建的空间权重矩阵。（2）*表示该检验统计量在 1%置信水平上显著，*表示该检验统计量在 5%置信水平上显著。68上海商学院学报 2023 年第 2 期由表 7 可知，所有模型均显著拒绝原假设，且所有矩阵下似不相关的空间自相关SUR-SARAR 模型的 LM 统计量值最大，因此初步选择 SUR-SDM 模型及其嵌套下的SUR-SARAR 模型。（三）空间权重矩阵、模型及估计方法的总体有效性与选用为合理选用最优的估计方法，本文对非空间 SUR 模型和 SUR-SDM 模型进行了三阶段最小二乘法估计，并对非空间 SUR 模型进行迭代估计，估计结果对比如表 8 所示。表 8 两种模型的 MLE 估计与 3SLS 估计结果对比模型估计方式R21R22R2非空间 SUR 模型MLE 估计0.924 70.991 5迭代估计0.924 60.991 13SLS 估计0.924 70.988 1SUR-SDM 模型MLE 估计0.952 80.992 40.972 63SLS 估计0.955 90.993 90.974 9表 8 显示，两种估计方法中，不同生产要素及两两之间的交互项对产出的影响显著水平相差不大，SUR-SDM 模型中 3SLS 估计的 R2略大一点，但由于经济体系生产函数中引入了变量交互项，为避免其内生性，最大似然估计（MLE）的 SUR-SDM 模型为最优。对非空间 SUR 模型、SUR-SARAR 模型和 SUR-SDM 模型参数进行 MLE 估计，得到三个不同候选模型的拟合优度和对数似然值，如表 9 所示。表 9 SUR 模型的 MLE 结果对比模型R21R22R2对数似然值非空间 SUR0.924 70.991 5SUR-SARAR0.9440.9920.968622.018SUR-SDM0.952 80.992 40.972 6846.752注：依据后续的 SUR 模型有效性比较结果，选用经济距离空间权重矩阵进行全局莫兰指数检验。表 9 的三种模型有效性对比中，空间 SUR 模型的 R2比非空间 SUR 模型值均高，充分显示引入空间相关项具有重要意义，各经济体的数字产业的投入产出关联非常显著。考察拟合优度和对数似然值后，SUR-SDM 模型最优。进一步，为了在贸易结合度指数空间权重矩阵、经济距离空间权重矩阵和地理距离空间权重矩阵中获得最优空间，需要分别利用三个空间权重矩阵对 SUR-SDM 模型参数做最大似然估计（MLE），结果表 10 所示。由表 10 可知，以经济距离为元素的空间权重矩阵（W2）构建的模型最为有效，以地理距离为元素的空间权重矩阵（W3）构建的模型次之，以贸易结合度指数为元素的空间权重矩阵（W1）构建的模型效果最弱。因此，为节约篇幅，本文前后都只呈现了选用以经济距离为元素的空间权重矩阵（W2），进行了空间相关性的全局莫兰指数检验，得69邬展霞 李社季 王周伟：数据要素的价值创造估算与研究到表 6；做了 SUR-SARAR 模型和 SUR-SDM 模型参数的 MLE，得到表 9；也做了 SUR-SDM 模型参数做 MLE，得到表 10。表 10 SUR-SDM 模型的 MLE 结果空间权重矩阵R21R22R2对数似然值AICBICHQW10.934 90.9930.964648.463-1 224.93-1 064.88-1 229.84W20.952 80.99240.9726846.752-1 621.5-1 461.46-1 626.42W30.940 60.99430.9675720.332-1 368.66-1 208.62-1 373.58（四）SUR-SDM 模型参数估计结果与分析选用以经济距离为元素的空间权重矩阵，对 SUR-SDM 模型参数进行最大似然估计（MLE）。结果如表 11 所示。表 11 利用经济距离空间权重矩阵的 SUR-SDM 模型的 MLE 估计结果数字产业经济体系变量系数变量系数变量系数kd0.651 2*k p0.727 3*0.5t20.001 0*l d0.275 5*l0.106 2*k pl-0.192 0*d0.174 8*k pd0.004 9t-0.012 8*k pt-0.003 60.5（k p）20.079 6ld0.200 7*0.5l 2-0.030 7*lt-0.005 5*0.5d 2-0.076 3dt0.007 0k d0.000 1k p0.004 00.5l 2-0.000 0l d-0.002 5*l-0.004 8*k pl-0.009 6*d-0.001 1k pd-0.004 5t-0.000 1k pt-0.001 1*0.5(k p)20.006 8ld0.011 9*0.5l 2-0.001 8lt0.000 10.5d 2-0.002 9dt0.000 9*10.004 3*20.001 2注：*表示该检验统计量在 1%置信水平上显著，*表示该检验统计量在 5%置信水平上显著，*表示该检验统计量在10%置信水平上显著。由表 11 可知，从各经济体的数字产业产出对数方程实证结果看，在 1%置信水平上，资本和劳动力要素投入产出的相对弹性（即产出对数的相对变化与生产要素投入对数的相对变化之比）均显著为正，表明数据生产要素投入法直接创造价值的效应显著。假设一成立。从经济体系的产出对数方程看，数据要素投入对数的参数估计值在 1%置信水平上显著，充分显示数据要素投入后，可以直接增加经济体系的增加值，该弹性的相对边际70上海商学院学报 2023 年第 2 期效应为正的 0.174 8；其二次项参数估计值在 10%的置信水平上不显著，说明随着单位数据要素投入对数的增加，其创造的价值对数增加，具有规模经济性和范围经济性。从交互项参数估计结果看，数据要素投入与劳动力的交互项在 1%的置信水平上显著，这说明本国经济体系增加数据要素投入后，会提高劳动生产效率，推动产业数字化改造，提升本国整个经济体系增加值产出效率。由此证实数据要素投入创造价值的国内间接效应，即假设二成立。从数字产业产出对数方程看，数据要素投入的空间相关项在 10%置信水平上不显著，反映出全球数字产业投入产出关联价值链网络中，一国数据要素投入对数的增加对关联经济体数字产业产出对数的影响不显著;数字产业劳动力要素投入的空间相关项在 1%置信水平上显著为-0.002 5，显示数据要素投入对数与劳动力要素投入对数的交互项具有显著的负空间溢出效应，这与各国经济体数字产业劳动效率之间事实上的竞争关系相吻合。可见，经过全球数字产业投入产出关联网络，数据要素投入具有国际间接溢出效应。从经济体系产出对数方程中的空间相关项来看，数据要素投入对数的一次项和二次项的空间相关项的参数估计值均不显著，说明数据要素投入弹性的国际直接溢出效应不显著;而数据要素与劳动力投入对数的交互项的空间相关项显著为正，与技术的交互项的空间相关项显著为正，说明一国数据要素投入对数分别与劳动力要素和生产技术结合之后，不仅会提高要素自身效率，还可以通过全球投入产出关联网络，增加劳动力要素和生产技术的投入产出弹性，产生正向国际间接溢出效应，提高关联经济体的价值创造效率。因此，本文关于数据要素投入创造价值的国际间接效应假设，即假设三成立。（五）稳健性检验结果采用贸易结合度指数空间权重矩阵和地理距离空间权重矩阵对模型进行 MLE，检验用经济距离空间权重矩阵构建的 SUR-SDM 模型结果的稳健性。对比实证结果，本文提出的三个假设都是稳健成立的。不同的只是三种空间权重矩阵下解释变量的估计参数略有差异。较为明显的差异有：（1）地理距离空间权重矩阵下的数字经济部门产出相关性较大。表明经济体间地理距离越近，数字产业部门相互影响越大，特别是两国经济水平相近时的相互影响最大。（2）地理距离空间权重矩阵下，数据要素的外溢效应和总产出的相关性均显著为负。五、数据要素创造价值的空间效应分解结果与分析SUR-SDM 模型的参数估计与验证结果，都已经证实原假设均为真，数据要素创造价值的国内直接效应、国内间接效应和国际间接效应都是显著存在的。为进一步说明数据要素创造价值的作用，本文再利用经济距离空间权重矩阵下SUR-SDM模型回归估计结果，把数据要素创造价值的总效应分解为国内直接效应、国内国际间接效应和总效应，结果如表 12 所示。71邬展霞 李社季 王周伟：数据要素的价值创造估算与研究表 12 数据要素创造价值的总效应分解结果变量直接效应间接效应总效应变量直接效应间接效应总效应kd0.389 0*0.809 9*1.198 9*d20.114 4-0.125 8-0.011 4l d0.557 8*-0.663 9*-0.106 1*t21.014 8*-1.015 2*-0.000 4k p0.867 2*-0.357 7*0.509 5*k pl-0.189 7*1.175 4*0.985 7*l0.038 20.479 3*0.517 5*k pd-0.347 7*0.521 90.174 2d0.090 0*0.191 50.281 5*k pt-0.021 6*0.083 2*0.061 6*t0.248 1-0.241 80.006 4ld0.078 2-0.617 3*-0.539 1*（k p）20.296 9*-0.578 8*-0.281 9lt0.016 7*-0.085 5*-0.068 8*l20.043 1*-0.370 9*-0.327 8*dt0.002 9-0.028 0*-0.025 1*注：*表示该检验统计量在 1%置信水平上显著；*表示该检验统计量在 5%置信水平上显著，*表示该检验统计量在10%置信水平上显著。由表 12 可知，样本期间，在所有空间权重矩阵下，数据要素投入对本经济体总产出弹性的直接效应在 10%置信水平上显著为正，说明数据要素直接参与价值创造过程，产生国内直接效应。其间接效应并不显著，但总效应在 5%置信水平上显著为 0.281 5。这进一步验证说明假设一的可靠性。尽管数据要素与非数据要素资本交互项的直接效应在 10%置信水平上显著为负，间接效应和总效应不显著；但是数据要素与劳动力的交互项的直接效应不显著，但其间接效应（-0.617 3）和总效应（-0.539 1）在 1%置信水平上显著；数据要素与技术交互项的直接效应不显著，但其间接效应在 5%置信水平上显著为-0.028 0，其总效应在 10%置信水平上显著为-0.025 1。效应分解结果显示，数据要素与劳动力和技术相结合，具有显著的国内外间接溢出效应，进一步证实假设二和假设三成立。六、研究结论及对 OECD“双支柱”方案实施的建议本文主要的研究结论及建议如下：1.“双支柱”方案为时过早。通过上述全要素生产率分析，数据要素增加会带来总产出增加，但边际增长率降低。数据要素相对于非数据资本的偏向性技术进步指数始终为负，且稳中有升，这表示由技术进步引致的数据要素边际产出率小于资本边际产出率。而数据要素相对于劳动力要素的偏向性技术进步指数在早期常常呈正负交替的情形，如在 2001 年、2003 年、2004 年和 2008 年，技术进步偏向于数据要素，其余年份，技术进步则偏向于劳动力要素。这表明，仅仅依据数据要素投入就进行价值的国际分配“为时尚早”。2.实施 OECD“双支柱”方案需要各国首先完善关于数据要素发展的国内规则基础。在我国，数据资产的完整估值与定价，需要推进统一安全的数据要素市场制度体系建设。本文研究表明，数据要素既可以直接创造价值，也具有显著的国内外间接溢出效应。数字经济时代，数据要素创造价值的功能将日益凸显，数据不仅成为了最重要的生产72上海商学院学报 2023 年第 2 期要素，而且也已成为数字经济高质量发展的核心资源。建立健全数据要素发展和交易市场的制度体系已经非常迫切。中共中央 国务院关于构建更加完善的要素市场化配置体制机制的意见中共中央 国务院关于加快建设全国统一大市场的意见中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见等相关文件相继发布，2022 年 12 月 9 日，财政部发布企业数据资源相关会计处理暂行规定，数据要素的国内规则出台恰逢其时。3OECD 的方案尚未捕捉到数据要素的真正价值。数据要素的价值确定需要公平的数据交易决定机制。北京、上海已先后建立了国家级大数据交易所，数据交易日趋活跃，但在数据确权、隐私保护、估值定价效率和流通交易等方面，还亟需探索构建有序、高效、公平、公正的市场规则体系。尚需要利用区块链溯源追踪技术手段，构建场景公正、用益权主导的数据产权规则；合理确定隐私保护边界，平衡隐私保护和数字经济发展；完善数据要素的价格决定机制。研究表明，数据要素创造价值在全球价值链网络上都有体现，其外部经济性和范围经济，应该合理体现在数据要素估值和交易定价中。需要在此基础上，建设统一安全高效、互联互通的数据交易中心平台，如此方能体现数据要素的真正价值。4.OECD“双支柱”方案中，穷国数字企业利润向富国分配缺乏理论依据。在所有空间权重矩阵下，全球各个经济体间的数据产出和总产出空间关联效应显著为正，人均GDP 水平相近的经济体，其数据产出和总产出会有显著的相互增进作用，经济体之间存在联动现象，表明在如今的经济全球化、区域一体化背景下存在“一荣俱荣、一损俱损”的现象。数据要素只在经济结构差不多的国外经济体创造间接效应。穷国数字企业的利润向富国分配是没有科学依据的。5.OECD“双支柱”方案对数据要素的价值分配缺乏科学依据。这一价值分配主要体现在“支柱一”方案中。“支柱一”方案中，对于数字经济下仅仅因为一国在线用户参与了数据提供，该国即获得有别于传统国际税收的数字经济时代的新征税权，有权要求对跨国数字公司的全球数据要素价值进行分配。“支柱一”方案并提出金额 A、金额 B、金额 C三部分利润构成分析法。其中，金额 A 是跨国企业集团层面超过常规盈利的剩余利润，金额 A 也是全部市场国新征税权可以获得的总金额，即全部数据要素创造的全球总价值，是企业全球利润中超过常规生产要素投入回报的剩余利润。然而从空间模型的空间效应分解来看，数据要素无法单独创造价值，甚至可能会对本经济体的总产出产生抑制作用，其对本国创造价值的途径主要是通过与非数据资本要素结合参与生产创造价值。因此在数字产业部门发展扩大的同时，数据产出增加，数据要素增加，需要投入足量的非数据资本要素与之相结合，共同参与价值创造，才能使得数据要素参与创造价值增加经济产出。因此，基于数据要素创造价值而对跨国企业的全球利润征税缺乏科学依据，忽略了数据要素价值创造的整体事实。“双支柱”方案将常规利润减去有形资产投入、无形资产投入的回报后的剩余利润金额 A，作为数据要素的利润在所有国家间进行分配。事实上，该部分仍然应该考虑一个企业为此付出的资本投73邬展霞 李社季 王周伟：数据要素的价值创造估算与研究入产生的回报，因为数据要素不能单独产生回报。因此，把企业剩余利润全部归于数据要素价值的金额 A，高估了数据要素单独的价值创造，也低估了传统资本在数字经济中的关联影响。6.“双支柱”方案认定一国仅凭在线用户的个人数据参与即有权要求对跨国企业的利润进行分配，这忽视了数据要素的国际溢出效应。一个国家的数据产业基础设施投入会使所有国家受益。当一个经济体的数字产业部门发展，数据要素增加时，只有同时增加非数据资本要素投入才会显著增加本经济体的产出。而对于其他经济体来说，不增加非数据资本要素投入也可以促进其经济发展，而增加非数据资本要素投入会加强促进作用，增加劳动力要素投入会减弱促进作用。因此，每个经济体在大力发展数字产业部门的同时，加强非数据资本要素的投入，对本国和其他国家的经济发展和数字化转型都会有显著的推动作用。因此，对跨国数字企业没有实体存在时的利润减少征税，可能会获得更多的国际溢出效应。各国企业在实际执行“双支柱”方案时，必须平衡其税收收入效应和对溢出效应的减弱影响。7.数据要素价值创造的本质基础，在于推动数字经济和实体经济高度融合发展。本文研究表明