数字经济背景下的人力资本积累新模式探究.pdf

第 10 卷第 2 期2023 年 6 月经 济 学 报China Journal of EconomicsVol.10,No.2:1-27June 2023数字经济背景下的人力资本积累新模式探究1吴梦涛2 张龙天3 武康平41 本研究获得中央财经大学国际经济与贸易学院发展基金的资助。本文曾于中国居民收入与财富分配论坛(2022)、第四届互联网与数字经济论坛(2022)进行报告。感谢谢丹夏、刘盼、张熠等专家提出的宝贵意见,以及感谢匿名评审专家和编辑部的宝贵意见,当然文责自负。2 吴梦涛,清华大学经济管理学院博士研究生,E-mail:wumt.18 。3 张龙天(通讯作者),中央财经大学国际经济与贸易学院助理教授,E-mail:zhanglongtian 。4 武康平,清华大学经济管理学院教授,E-mail:wukp 。全国劳动年龄人口平均受教育年限从 1985 年的 6.24 年增至 2020 年的 10.7 年(高于世界平均水平 8.6 年),同时人口预期寿命也从 1978 年的 65.9 岁增至 2020 年的 77.9 岁(高于世界平均水平 72.6岁)。数据来源:中央财经大学中国人力资本与劳动经济研究中心发布的中国人力资本报告 2022,联合国开发计划署发布的人类发展报告 20212022(Human Development Report)。2021 年人口数达 14.13 亿,占全球总人口的五分之一(约 18%)。摘 要新兴数字技术正重新定义着包括人力资本积累在内的经济生活各个方面,但目前还未有文献从理论层面探讨数字经济核心要素数据的人力资本效应。本文将数据作为一种新的关键要素引入人力资本的积累过程,在动态一般均衡模型框架内探究数字经济背景下人力资本的周期性以及数据要素对人力资本积累的影响,并讨论了目前文献中所提及的不同来源类型的数据在该过程中发挥的不同作用。研究发现,数据的引入提升了人力资本积累的效率,使其出现了从传统的逆周期变动向顺周期变动逐渐转换的趋势。进一步地,相较于来自消费的数据会受到隐私问题的制约,来自生产过程的数据则更能推动人力资本周期性的转变,且后者能够使经济达到更高的稳态福利水平。关键词 数字经济;数据要素;人力资本积累;动态一般均衡模型0引言人力资本是一国综合实力和核心竞争力的体现,在推动经济社会实现可持续发展的过程中具有重要意义和巨大潜力。自改革开放以来,中国的“人才强国战略”取得了显著成效,以受教育年限和人口预期寿命为代表的人力资本水平得到了明显提升。中国是世界第一人口大国,然而不同于过去几十年的是,当前的经济发展形势正面临“人口红利”消失的重大挑战与由“人口红利”经 济 学 报2023 年 6 月转向“人力资本红利”的历史转折点,劳动力市场开始呈现出数量供给减少但质量不断提升的新趋势(张同斌,2016;柏培文和张云,2021)。人力资本投资是提供人才支撑、释放人才红利、挖掘增长潜能的关键切入点,为回应新时代经济高质量发展的要求,推动人力资本积累势在必行。与此同时,数字经济在中国经济生活中的作用日益凸显,以大数据技术为代表的一系列新兴技术逐步登上时代舞台。2017 年,“数字经济”、“人工智能”等新词汇首次被写入国务院政府工作报告,并在随后几年时间里,“数据”一词被中央文件多次提及,最终被正式纳入生产要素范畴。2022 年 12 月,中共中央、国务院对外发布关于构建数据基础制度更好发挥数据要素作用的意见(简称“数据二十条”),旨在构建数据基础制度,以更好地发挥中国海量数据规模的优势、充分激活并释放数据要素潜能、做强做优做大数字经济,为中国经济增长注入澎湃动力。中国的数字经济发展迅猛,成为推动经济增长的新的重要引擎(蔡跃洲和牛新星,2021),此外,中国还拥有巨大的数据资源潜在储量。在这样的时代背景下,如何利用数据要素赋能经济高质量发展,已经成为当前经济领域的重要研究课题之一。高质量发展意味着兼顾生产效率与“人民日益增长的美好生活需要”,数据作为数字经济的核心要素在提升生产效率、满足消费需求、实现供需匹配等多方面发挥着关键作用,有望与经济高质量发展的要求协调统一(蔡跃洲和马文君,2021)。数字技术和海量数据固然重要,但人力资本才是数字经济发展的真正决定因素。新兴数字技术的创新,以及全球数据量的激增,为教育等众多行业带来了向数字化和信息化转型的新的变革机遇。在此背景下,各行各业对数字人才的需求急剧增加,人力资本的概念逐渐扩展到数字思维和特殊技能。为进一步引导和培养数字方向的新型人才,为中国经济高质量发展提供有力的人力资22019 年 10 月 31 日党的十九届四中全会通过的决定中指出:“要鼓励勤劳致富,健全劳动、资本、土地、知识、技术、管理和数据等生产要素按贡献参与分配的机制”。2020 年 3 月 30 日由中共中央、国务院共同发布的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提出:“加快培育数据要素市场提升社会数据资源价值”,正式将数据要素纳入为市场化配置改革的第五大基础生产要素。2020 年,中国数字经济规模便已达到 19.14 万亿元,占国内生产总值的比重从 1993 年的 3.1%上升至 18.8%,且增长速度持续强势(平均增速 16.3%)。2018 年,中国共产生了大约 7.6 泽字节数据(占全球数据总量的 23.4%),到 2025 年数据产生量预计将增至 48.6 泽字节(占比将达到 27.8%),成为全世界数据储量最丰富的国家。数据来源:国际数据公司希捷(Seagate)2019 年白皮书2025 年中国将拥有全球最大的数据圈。欧盟委员会构建的数字经济与社会指数(Digital Economy and Society Index)便是将人力资本与数字经济相结合的典型应用。该指数由人力资本、网络连接、技术商用和数字公共服务四个要素组成,其中,人力资本指代新型数字技能和拥有数字技能的人口,衡量指标具体包括:掌握基本数字技能的人口数量、ICT 劳动力数量、提供 ICT 培训的企业数量以及 ICT 专业的毕业生数量。详细内容可见:https:/digital-strategy.ec.europa.eu/en/library/digital-economy-and-society-index-desi-2021。第 10 卷第 2 期 吴梦涛 张龙天 武康平:数字经济背景下的人力资本积累新模式探究本支撑,促进数字经济与人力资本的融合至关重要。有鉴于此,本文将致力于通过建立理论模型,针对数字经济背景下人力资本积累的新模式进行研究,并就数字经济时代经济建设中可能面临的一系列问题,提出相应的政策建议。具体而言,本文将主要参考数据经济长期增长理论领域中的两篇开创性文献 Jones and Tonetti(2020)和 Cong et al.(2021b)(以下称为 CXZ 模型),并沿用最新的工作论文 Xie and Zhang(2023)中所提出的针对数据生产函数的建模方法,依托人力资本投资理论将数据要素纳入包含教育投资的人力资本积累方程,从而在动态一般均衡模型的分析框架下,探究人力资本的周期性以及数据要素参与人力资本积累过程的新模式。研究发现,当经济中发生正向全要素生产率冲击时,产出增加且数据产生量也随之增加,数据要素在经济中的使用水平明显提升,积极推动人力资本积累进程,使得人力资本存量由传统的逆周期变动趋势转变为顺周期趋势。因此,数据要素的加入能够大幅提升人力资本积累的效率,促使人力资本顺周期变动。此外,本文还通过研究和对比文献中关于数据要素的不同解读,通过不同的组合形式描绘出人力资本积累由传统的逆周期性向顺周期性发展的变化趋势。以往有关人力资本和经济周期的大部分文献都指出人力资本具有逆周期性,然而,本文在动态一般均衡模型框架下通过将数据要素加入人力资本的积累过程,发现数据要素水平上升的同时能够驱使人力资本顺周期变动,由此为人力资本的周期性以及数据经济的相关研究做出了一定的补充。最后,本文从推动数据共享平台的建立、发挥数据要素的关键作用,以及鼓励教育投资和人力资本积累方式的创新三个方面提出相关的政策建议,为数据要素推动人力资本积累、促进经济高质量发展提供参考。由于近年来数字经济的迅速发展以及人力资本在经济中的重要地位,国内一些学者已经开始关注数字经济(包括数据要素)对人力资本的影响,这其中大致可从就业结构、劳动力技能结构和人力资本水平三个视角洞悉:首先,数字经济催生了新业态、新产业和新职业,在优化就业结构的同时能够改善劳动者就业环境并提升就业能力,有助于增强知识技能、促进工作效率和提升人力资本水平(戚聿东等,2020)。具体而言,数字经济推动就业结构向第三产业服务业、知识与技术密集型行业和高技能职业方向转变,人力资本存量在该过程中发挥着紧要的中介作用,赋能数字经济实现对劳动力市场和就业结构影响的飞跃式提升(叶胥等,2021)。其次,具有高边际产出特征的信息和通信技术一方面通过“替代效应”淘汰过时技能,另一方面通过“提升效应”督促劳动者掌握新型技能,让技能结构得以吐故纳新(Michaels et al.,2014)。李梦娜和周云波3信息和通信技术(Information and Communication Technologies,ICT):由信息技术与通信技术融合而成,信息技术强调信息编码或解码,通信技术强调信息传输以及传送方式。经 济 学 报2023 年 6 月(2022)的研究同样发现,数字经济发展与人力资本结构高级化显著相关,为实现人工智能领域的人机互动和合作提供便利。数字经济增加了对劳动者数字化思维、数据处理分析和数字技术应用技能的需求,从而不断推动人力资本结构转向高级化。再次,数据要素激发了人力资本潜力,赋能人才要素助力经济高质量发展。当前时代正不断从知识经济转型为数字经济,而实现人力资本从“量”到“质”转变的核心要义是把握数据要素,通过数据要素培养数字思维人才,深化人力资本时代价值,推动经济高质量发展(陶小龙和肖培,2021)。数据要素有助于充分挖掘人力资本价值,在现有人力资本存量的基础上提高人力资本质量。在中国经济发展过程中,人才要素和数据要素之间应当形成互为促进、共同提升的良好态势,数字经济发展同人力资本优势相结合能够真正发挥最大效用(俞伯阳和丛屹,2021)。由此可见,数字经济以及数据要素对人力资本产生了不可估量的影响,使其成为最具潜力和竞争力的独特资源。然而,以上文献对数字经济的研究只停留在定性分析和实证分析的层面,对数据要素作用与价值的探索还不够深入。面对数字经济的兴起,国外一些研究则开始尝试从理论模型层面刻画数据要素的作用机制,这些研究大致可分为信息摩擦和经济增长两个主要领域。对于前一类研究,数据被看作一种信息载体,能够减少未知结果的不确定性;而对于后一类研究,数据则被视为一种生产要素或技术并加入经济运行过程,这类要素的收益递增性质为经济增长提供了关键的驱动力量。数据本质上是信息的一种存在形式,为经济活动提供了记录和证据,并有效提高了企业分析预测的科学性和准确性。Farboodi and Veldkamp(2021)参照索洛模型中资本积累的思想构建了企业数据积累模型,从而发现数据能够降低预测误差,为企业选择生产技术和优化运营提供必要信息,提高了企业的生产效率和盈利能力。数据引导完美的预见、远见使企业更有利可图。互联网和移动设备的普遍应用将个人行为在数字和物理环境中细粒化、数据化,形成了涵盖丰富信息的“数字足迹”。数字足迹为金融从业人员监控、了解和优化个体投资决策提供了新的视角,有助于优化服务流程、预测未来业绩、制定发展战略,从而提高金融机构的盈利能力和经济效益(Cong et al.,2021a)。然而从长期来看,数据的这一作用同其他要素类似也会遵循边际收益递减规律,由此对微观运行效率的提升作用逐渐减弱而无法维持长期增长(Veldkamp and Chung,2019)。其他学者如 Ichihashi(2020,2021a,b)还从数据的非竞争性和数据平台4数字足迹:是指用户在使用互联网时留下的数据痕迹,比如使用网上银行或手机银行进行投资理财时留下的操作记录。可分为主动和被动两种,主动数字足迹如“接受网站的 Cookies”(一种由网站发送到设备的小文件,用来监视活动和记录信息),被动数字足迹如广告商根据用户过去的浏览内容提供个性化广告服务。第 10 卷第 2 期 吴梦涛 张龙天 武康平:数字经济背景下的人力资本积累新模式探究或中介竞争的角度对数据要素的特性展开了研究。此外,国内学者如徐翔和赵墨非(2020)采用了产业组织的创新模型为数据资本构建了进入经济运行过程的微观基础,也是对于数据要素和数字经济建模的一个重要尝试。数据产生于消费和生产过程,是数字经济的关键生产要素,也是经济增长的新型驱动力。数据在经济中具有多种用途,除了以上提到的提高预测准确度之外,还可作为投入要素进入生产或创新过程。Jones and Tonetti(2020)在Romer(1990)内生增长模型的基础上开创性地构建了一个数据经济理论模型,指出具有非竞争性的数据是消费活动产生的副产品(比如驾驶汽车产生的行驶数据),数据作为可提高想法质量的一种中间投入要素直接参与最终品的生产过程,分析发现被广泛使用的数据将会带来巨大的社会收益。Cong et al.(2021b)则把消费者产生的数据看作知识积累的关键因素,允许创新型中间品生产商在研发过程中利用数据,并由此分析数据在推动经济长期增长的过程中所涉及的隐私保护等问题。在后续研究 Cong et al.(2022)中,作者们还在一个完全内生增长模型的框架下进一步分析和对比了数据在生产和创新过程中的不同作用,成功地将以上两个模型联系在一起。产生于消费过程的数据是目前数据经济研究中的主流设定,然而最新的工作论文 Xie and Zhang(2023)指出,数据也可来自工业企业的生产过程(如工业物联网),此类数据不会对消费者隐私造成侵害,能够将经济增长推至更高的水平。现实中“数字孪生”技术的应用,正是生产者数据影响人力资本积累的典型案例。本文根据人力资本积累的独特性质,将主要参考此研究的设定方式,同时对以上所述两项研究中的设定进行对比和讨论。本文首次从理论层面探讨数字经济的人力资本效应,通过将数据引入人力资本投资过程,研究数据要素在人力资本积累过程中的作用与机制。本文的主要贡献体现在以下三个方面:第一,创造性地提出了包含数据要素的人力资本积累方程,并通过数值模拟展现数据要素对人力资本积累的重要性,同时也为其他相关研究提供了基础性框架。第二,基于数据的产生渠道设定了同时包含生产者数据和消费者数据的数据组合公式,并通过讨论这两种数据的不同替代5工业物联网(Industrial Internet of Things,IIoT):是一种将计算机与具有感知功能的传感器和射频识别设备以及具有监控功能的控制器和仪表等设备连接起来,通过收集、传输和分析数据并将其应用于工业生产过程的数字技术。数字孪生(Digital Twin):是一种对真实世界实体对象、过程或服务的数字表示,也是一种利用数字技术对大型物体(如喷气发动机、风力发电场、建筑物甚至整个城市)和生产制造流程的数字复制,以便收集数据、创建模拟,并预测执行情况和产品或过程的性能。鉴于大型建筑项目对实时数据的较高需求,数字孪生技术广泛应用于基础设施的建设过程。通过汇集来自平面设计、建筑工地和生产设备的实时数据,数字孪生平台充当了建筑资产虚拟生产副本的角色,一方面让建筑公司更加高效合理地生产和管理建筑,另一方面让工程师和专家们获得实时数据以便及时发现问题并实行改进措施。经 济 学 报2023 年 6 月方式以体现它们的区别以及各自对经济运行的效应。第三,通过构建动态一般均衡模型并引入各类外生冲击进行政策实验,从而揭示了数据要素在推动人力资本积累方面所能够发挥的更突出于教育投入的作用,体现了发展数字经济、激发数据潜能的实践意义。文章的剩余部分安排如下:第二部分描述模型设定,其中包括只含有来自生产过程的数据基准模型、只含有来自消费的数据对照模型,以及同时含有两种数据的综合模型。第三部分在参数设定的基础上,对单一数据模型的稳态效用、综合模型中各变量的稳态值,以及各类外生冲击的脉冲响应模式进行数值模拟和分析。最后,第四部分进行总结并提出相应的政策建议。1模型设定本节建立一个包含人力资本的动态一般均衡模型,并将数据作为除教育以外的重要因素引入人力资本积累方程。根据现有文献中使用的两种不同来源的数据类型,即来自生产过程的数据和来自消费的数据设定只含有来自生产过程数据的模型,并将此看作基准模型。紧接着考虑只含有来自消费数据的模型以及同时包含两种数据的综合模型,与基准模型形成对照,便于体现数据对人力资本积累的作用。在现有的数据经济理论研究中,Jones and Tonetti(2020)将数据视作生产要素,Cong et al.(2021b)将数据视作创新投入要素。而在本文的模型设定中,数据是人力资本的投入要素,直接参与人力资本积累进而间接参与商品生产过程,这是本文与已有文献的不同之处。在构建模型之前,我们有必要对数据与数据要素的含义进行界定和区分。数据是一种在经济活动中不断产生、反映一定事实或概念的符号总称,是无序的、未经加工处理的原始素材,表现形式包括数字、文字、文件、图像、声音和视频等。只有经过处理分析并以要素身份投入到经济运行过程当中的数据,才转变为具有经济价值的数据要素。数据要素是一种参与社会生产经营活动、为使用者或所有者带来经济效益的基础性数据资源,拥有丰富的表现形式和应用场景,并且通过与其他要素协调配合,数据要素提升了整体要素效益和资源配置效率。数据要素属于经济学范畴,在后续研究中,我们将重点关注数据要素,对于“数据”一词的表述,则均为数据要素的含义。在本文的设定下,数据是一种能够扩展人力资本的要素。这是因为个体为了积累人力资本,除了投入时间和精力在学校或培训机构接受教育和掌握技能,还会购入学习资料以辅助知识水平的提升。学习资料来自经济活动的各个方面且表现形式多样,可以由本文所研究的数据整理而成。6第 10 卷第 2 期 吴梦涛 张龙天 武康平:数字经济背景下的人力资本积累新模式探究1.1 基准模型:只含有来自生产过程的数据1.1.1 代表性家庭 假设经济中有离散时间无限期存在的代表性家庭,该家庭在时期 t 的效用水平由消费 Ct和闲暇时间 Ot共同决定:U(Ct,Ot)(1)家庭将非闲暇时间分配到工作 Lt(包括商品生产与数据生产活动,将在下文详述)和教育 Et两种活动当中。将家庭拥有的总有效时间标准化为 1,由此家庭的时间约束可表示为:Lt+Et+Ot=1(2)具体地,代表性家庭的效用最大化问题可写成如下形式:maxCt,Lt,EtE0t=0tC1-t-11-(Lt+Et)1+1+(3)在上式中,为效用的主观贴现因子,为相对风险厌恶系数(也可视为跨期消费替代弹性的倒数),为 Frisch 劳动力供给弹性的倒数,表示闲暇在效用中的重要性。将消费品 Ct的价格标准化为 1,消费以 Ct表示。每个家庭都以投资物质资本的形式进行储蓄,即 St=IK,t,并在每期收到资本的利息收入 RtKt,其中,Rt为资本回报率,Kt为物质资本存量。除了来自资本的收入,家庭还通过参加工作获得劳动报酬 WtHtLt,其中 Wt为工资率,Ht为家庭拥有的人力资本存量,因此 WtHt表示家庭实际收到的效率工资。注意,家庭只有在参加工作的时候才能获得劳动报酬,而花费在教育 Et上的非闲暇时间将不产生直接收益。除了教育投入,代表性家庭在人力资本积累的过程中还用到了数据要素,该种数据来源于生产过程,可以称之为“生产者数据”,并记为DP,t,其产生过程的建模将在下文中予以详述。关于这类数据的更多信息,可参考 Xie and Zhang(2023)中的描述。生产者数据需要家庭从厂商处购买,相应的价格可记为 pP,t。此外,家庭拥有厂商的股份,由此厂商利润(记为 t)将成为家庭收入的一部分。因此,代表性家庭的预算约束方程为:Ct+IK,t+pP,tDP,t=RtKt+WtHtLt+t(4)此外,物质资本的运动方程为:Kt+1=(1-K)Kt+IK,t(5)其中,K为物质资本折旧率,IK,t表示物质资本投资。同理,人力资本的运动方程为:Ht+1=(1-H)Ht+IH,t(6)其中,H为人力资本折旧率,反映了个体知识和能力的更新换代,有 0H1。IH,t表示人力资本投资,在数字经济背景下,此项投资将在传统的受教育时间投7经 济 学 报2023 年 6 月入的基础上,添加生产者数据作为另一项投入要素,数据与教育一同提高人力资本水平和劳动效率。由此,人力资本积累方程为:IH,t=BtDP,tE1-t(7)在上式中,Et表示受教育时间,可指代个体通过接受学校教育而获得的知识和能力,DP,t表示生产者数据,可指代个体通过使用数据要素而获得的数字技能和素养。参数 表示数据在人力资本积累过程中的贡献程度,已有人力资本研究更多地强调教育和培训等传统途径,而本文通过纳入数据要素扩展了一种新途径。Bt为人力资本积累的效率项,这是一个随机过程,假设其以 AR(1)的形式进行演进:lnBt-lnB=B(lnBt-1-lnB)+BB(8)其中,B 为稳态下的效率项,B和 B分别为此过程对应的参数,B服从正态分布 N(0,2B)。由以上设定,求解家庭效用最优化问题,可得到如下所示的一阶条件:(Rt+1-K)=CtCt-1()(9)(Lt+Et)Ct=WtHt(10)WtLt+1Ct+1+(1-H)(Lt+1+Et+1)(1-)Bt+1DP,t+1E-t+1=(Lt+Et)(1-)BtDP,tE-t(11)WtLt+1Ct+1+(1-H)pP,t+1Ct+1Bt+1D-1P,t+1E1-t+1=pP,tCtBtD-1P,tE1-t(12)以上各式子的含义为:式(9)为家庭跨期消费的最优条件;式(10)为家庭最优劳动供给方程,也是额外一单位休闲的机会成本;式(11)为家庭最优教育决策方程,可见家庭将教育投入的当期成本与投入工作的收益以及通过教育投入积累人力资本的未来收益进行比较;式(12)为家庭对于生产者数据的最优决策,可见家庭将数据投入的当期成本与投入工作的收益以及通过数据投入积累人力资本的未来收益进行比较。1.1.2 生产厂商假设经济中存在一个代表性生产厂商,在完全竞争的环境下租赁资本并雇佣劳动力生产供家庭消费的商品。这里将生产函数设定为 Cobb-Douglas 的形式:Yt=AtKt(HtLE,t)1-(13)8除了本文展示的柯布-道格拉斯形式,我们还构建了常替代弹性函数(CES)形式的人力资本积累方程,并得到了与柯布-道格拉斯形式相似的脉冲响应结果,再次印证了本文的结论。读者如对此有兴趣,可向作者索取详细过程。第 10 卷第 2 期 吴梦涛 张龙天 武康平:数字经济背景下的人力资本积累新模式探究其中,LE,t表示从事生产活动的劳动力,参数 表示资本在生产过程中的贡献程度,At表示全要素生产率。这是一个随机过程,同样假设其以 AR(1)的形式演进:lnAt-lnA=A(lnAt-1-lnA)+AA(14)其中,A 为稳态下的全要素生产率,A和 A分别为此过程对应的参数,A服从正态分布 N(0,2A)。注意到此处厂商在雇佣劳动力时,还能获得来自人力资本Ht的加成效应。除了供给消费的商品外,生产过程中还会生成数据副产品。这种数据从产生获得到投入实践需要经过一部分劳动力的收集、清洗、处理和整合,使其充分要素化然后以生产者数据的形式被消费者用于人力资本积累过程。参考 Xie and Zhang(2023)文章中源于生产过程的数据产生方式,将生产者数据的生产函数设定为如下形式:DP,t=vtYtHtLD,t(15)其中,LD,t为从事数据收集和清洗活动的劳动力,有 LE,t+LD,t=Lt。vt为数据生产过程的效率项,同样假设其服从如下 AR(1)过程:lnvt-lnv=v(lnvt-1-lnv)+vv(16)其中,v 为稳态下的效率项,v和 v分别为此过程对应的参数,v服从正态分布N(0,2v)。注意到在数据的生产过程中,产出 Yt并不是投入要素,而只是作为数据收集清洗活动的参照。厂商每生产一单位的商品,就会产生一定单位的生产者数据,在额外投入一定的劳动力之后,这些生产者数据提供给消费者以提升人力资本水平。类似地,人力资本在数据生产过程中也发挥了加成效应,数据要素与人力资本的有机结合和相互促进,能够更有效地推动数字经济发展。另外,鉴于数据的产生由产出和人力资本共同决定,数据与其他投入要素如资本和劳动力并不相同。生产厂商通过出售商品和数据获得收入,最大化利润函数如下:t=(1+pP,tvtHtLD,t)AtKt(HtLE,t)1-RtKt-WtHt(LE,t+LD,t)(17)求解生产者的利润最大化问题,分别得到资本、劳动力和生产者数据的价格,以及厂商的均衡利润:Rt=(1+pP,tvtHtLD,t)AtK-1t(HtLE,t)1-(18)Wt=(1-)(1+pP,tvtHtLD,t)AtKt(HtLE,t)-(19)pP,t=1-vtHtLE,t-(1-)LD,t(20)t=-(1-)LD,tLE,t-(1-)LD,tAtKt(HtLE,t)1-(21)1.1.3 定义竞争性均衡模型的竞争均衡由 9 个内生变量 Ct、Kt、IK,t、Ht、IH,t、DP,t、LE,t、LD,t、Et和 39经 济 学 报2023 年 6 月个生产要素价格 Rt、Wt、pP,t组成,使得:将资本回报率 Rt、工资率 Wt、生产者数据价格 pP,t视为给定,消费 Ct、物质资本投资 IK,t、人力资本投资 IH,t、生产者数据 DP,t、工作 Lt、教育 Et是消费者效用最大化问题的解;将资本回报率 Rt、工资率 Wt和生产者数据价格 pP,t视为给定,物质资本 Kt、人力资本 Ht、劳动力投入 LE,t和 LD,t是生产厂商利润最大化问题的解;物质资本积累遵循 Kt+1=(1-K)Kt+IK,t,人力资本积累遵循 Ht+1=(1-H)Ht+IH,t;所有市场出清,即产品市场出清 Ct+IK,t=AtKt(HtLE,t)1-,劳动力市场出清 LE,t+LD,t=Lt,生产者数据市场出清 DDP,t=DSP,t(需求等于供给)。1.2 对照模型:只含有来自消费的数据上一节构建了一个以生产者数据作为人力资本积累过程关键投入要素的基准模型。然而,目前大多数文献都将数据设定为来自个体的消费行为。因此,本文另外给出了以下只含有来自消费的数据模型作为对照,以便更清晰地展示数据在人力资本积累中所起的作用。此处针对数据的设定方式来自 Jones and Tonetti(2020)和 CXZ 模型中所使用的形式,Chen et al.(2021)也从国际规制的角度对这一数据类型进行了讨论。不同于这两篇文献的是,在本文的模型中,数据被用于消费者自身的人力资本积累。对于此类数据与消费者个人隐私受到潜在侵害之间关系的理解,可以认为是由于不同消费者个体在使用数据进行学习(积累人力资本)时可能从中得知他人信息而造成的。为了叙述方便,在以下模型的设定中,混用了部分与基准模型含义类似的变量。假设经济中有离散时间无限期存在的代表性家庭,与基准模型不同的是,该家庭在时期 t 的效用水平由消费 Ct、闲暇时间 Ot以及数据使用量 DC,t三部分组成:U(Ct,Ot,DC,t)(22)代表性家庭的效用最大化问题可写成如下形式:maxCt,Lt,Et,DC,tE E0t=0tC1-t-11-(Lt+Et)1+1+-ztD2C,t(23)在上式中,DC,t表示家庭在时期 t 使用的数据,该种数据经由消费过程产生,可以称之为“消费者数据”。消费者数据和生产者数据的主要区别在于它们的成本形式不同:前者来源于消费行为并包含消费者个人信息,在提供和使用这些数据的过程中,家庭将会面临数据隐私泄露的风险,上式中的最后一项负效用即为成本的体现,这里用 表示消费者对数据隐私泄露问题的厌恶程度。01第 10 卷第 2 期 吴梦涛 张龙天 武康平:数字经济背景下的人力资本积累新模式探究另一方面,在生产过程中产生的数据虽然与某个消费者的隐私问题没有直接关联,但需要生产者承担数据收集和清理的劳动力投入成本。另外,zt表示消费者数据风险偏好,这是一个随机过程,假设以 AR(1)的形式进行演进:lnzt-lnz=z(lnzt-1-lnz)+zz(24)其中,z 为稳态下的风险偏好,z和 z分别为此过程对应的参数,z服从正态分布 N(0,2z)。消费过程产生的数据并不会被直接用于人力资本积累,参考 Jones and Tonetti(2020)的设定思路,消费者数据由数据中介收集,随后中介将数据卖给需要使用数据来积累人力资本的家庭。数据中介的优化问题为:maxpC,t,p,t,C,tpC,tDC,t-p,tC,t(25)其中,C,t表示中介从消费者手中收集的数据,DC,t表示中介卖给家庭的数据(对应上文中家庭使用的数据),p,t和 pC,t分别表示收集数据的价格和出售数据的价格。在自由进出市场的条件下,垄断中介的利润将为零,因此,家庭的预算约束为:Ct+IK,t=RtKt+WtHtLt(26)需要注意的是,尽管家庭和中介之间进行数据的交易,但该对照模型中的数据市场并非有效,这里无法求解得到消费者数据的价格。此外,在上一节的基准模型中,数据交易也可交由数据中介处理,即中介从厂商手中购买生产者数据,然后再卖给家庭用于人力资本积累。但为了简单起见,本文将其设定为家庭和厂商直接进行数据交易。物质资本和人力资本的运动方程分别与式(5)和式(6)相同。不同的是,人力资本投资过程使用的是消费者数据 DC,t,由此人力资本积累方程为:IH,t=BtDC,tE1-t(27)求解家庭的效用最大化问题,得到如下一阶条件:WtLt+1Ct+1+(1-H)(Lt+1+Et+1)(1-)Bt+1DC,t+1E-t+1=(Lt+Et)(1-)BtDC,tE-t(28)WtLt+1Ct+1+2(1-H)zt+1DC,t+1Ct+1Bt+1D-1C,t+1E1-t+1=2ztDC,tCtBtD-1C,tE1-t(29)其中,式(28)为家庭最优教育决策方程,式(29)为家庭对于消费者数据的最优决策。11这里假设数据风险偏好是 AR(1)过程的依据是具有时变性的风险规避系数。Brandt and Wang(2003)建立了一个基于消费的资产定价模型,研究发现总风险厌恶程度随总消费和通货膨胀率的变化而不断变化;Donadelli and Prosperi(2012)同样认为风险规避系数随时间而不断变化。进一步地,Fernndez-Villaverde(2009)使用贝叶斯方法分析了风险规避冲击在产出、通货膨胀和利率动态中的作用,Benchimol(2014)在 New Keynesian DSGE 的模型框架中探究了风险偏好冲击对产出的影响。经 济 学 报2023 年 6 月与基准模型的设定类似,代表性生产厂商租赁资本和雇佣劳动力以生产商品供家庭消费。但此时的生产过程没有产生数据副产品,家庭只参与生产活动而不再参与数据收集和清洗活动,即 LD,t=0,厂商可利用的劳动力为 LE,t且 LE,t=Lt。生产厂商最大化如下利润函数:t=AtKt(HtLE,t)1-RtKt-WtHtLE,t(30)求解厂商的利润最大化问题,得到资本和劳动力价格,即资本回报率和工资率:Rt=AtK-1t(HtLE,t)1-(31)Wt=(1-)AtKt(HtLE,t)-(32)关于均衡的定义,本模型与基准模型较为相似,此处将不再赘述。1.3 综合模型:两类数据的组合以上两个模型都只包含一种数据,体现了单一类型数据的人力资本积累效应。接下来,本文给出一个同时包含生产者数据和消费者数据的综合模型,探究两种数据对人力资本积累的复合影响以及各自在该过程中所发挥的作用。具体地,消费者一方面需要从厂商手中购买数据,另一方面还需要面临由于消费者数据被使用所产生的隐私问题。此时,代表性家庭的效用最大化问题为:maxCt,Lt,Et,DC,t,DP,tE0t=0tC1-t-11-(Lt+Et)1+1+-ztD2C,t(33)预算约束方程为:Ct+IK,t+pP,tDP,t=RtKt+WtHtLt+t(34)物质资本和人力资本的运动方程分别与式(5)和式(6)相同。然而不同的是,此处人力资本投资过程中使用的数据为消费者数据和生产者数据的组合。前者可被个体用于提升对自我行为和能力的认知,后者(相当于一种数据产品)可被个体用于提升数字技能和素养。这两类数据常以替代弹性系数的形式(即CES 函数)一同构成复合的数据集,与教育投入共同构成人力资本积累方程。由此,人力资本积累方程变为:IH,t=BtDtE1-t=BtD-1C,t+(1-)D-1P,t-1E1-t(35)在上式中,Dt表示复合数据集,和 1-分别为消费者数据 DC,t和生产者数据 DP,t在整个复合数据集中的权重,为消费者数据和生产者数据之间的替代弹性。数据于消费过程和生产过程自然生成,虽然数量庞大、种类多样,但仍难以发挥作用,本文将其置于人力资本投资公式,为人力资本积累和最终产品生产作出贡献,使其真正成为一种投入要素。求解家庭效用最优化问题,得到如下一阶条件:21第 10 卷第 2 期 吴梦涛 张龙天 武康平:数字经济背景下的人力资本积累新模式探究(Lt+Et)(1-)BtE-tDt=Wt+1Lt+1Ct+1+(1-H)(Lt+1+Et+1)(1-)Bt+1E-t+1Dt+1(36)2ztDC,tBtE1-tD-+1tD-1C,t=Wt+1Lt+1Ct+1+(1-H)2zt+1DC,t+1Bt+1E1-t+1D-+1t+1D-1C,t+1(37)Wt+1Lt+1Ct+1+(1-H)pP,t+1(1-)Ct+1Bt+1E1-t+1D-+1tD-1P,t+1=pP,t(1-)CtBtE1-tD-+1tD-1P,t(38)以上式子中,式(36)为家庭最优教育决策方程,式(37)表示家庭对于消费者数据的最优决策,式(38)表示家庭对于生产者数据的最优决策。代表性生产厂商的设定以及利润最大化问题的求解与基准模型中的式(18)到(21)相同。该模型的竞争性均衡定义如下。综合模型的竞争均衡由 10 个内生变量 Ct、Kt、IK,t、Ht、IH,t、DC,t、DP,t、LE,t、LD,t、Et和 3 个生产要素价格 Rt、Wt、pP,t组成,使得:将资本回报率 Rt、工资率 Wt、生产者数据价格 pP,t视为给定,消费 Ct、物质资本投资 IK,t、人力资本投资 IH,t、生产者数据 DP,t、消费者数据 DC,t、工作 Lt、教育 Et是消费者效用最大化问题的解;将资本回报率 Rt、工资率 Wt和生产者数据价格 pP,t视为给定,物质资本 Kt、人力资本 Ht、劳动力投入 LE,t和 LD,t是生产厂商利润最大化问题的解;物质资本积累遵循 Kt+1=1-K()Kt+IK,t,人力资本积累遵循 Ht+1=1-H()Ht+IH,t;所有市场出清,即产品市场出清 Ct+IK,t=AtKt(HtLE,t)1-,劳动力市场出清 LE,t+LD,t=Lt,生产者数据市场出清 DDP,t=DSP,t(需求等于供给)。1.4 参数设定本文模型中的参数取值主要通过借鉴其他文献加以设定。首先,采用相关文献中的数值(梅冬州和龚六堂,2011;朱超等,2018):家庭效用的主观贴现因子 为 0.99(对应于 4%的年利率),相对风险厌恶系数 为 2,劳动力供给弹性的倒数 为 0.3,闲暇的重要性 为 1.315。其次,借鉴人力资本研究的相关文献(DeJong and Ingram,2001;Alessandrini et al.,2015),设定物质资本折旧率 K为 0.06,人力资本折旧率 H为0.01,教育的弹