纵观经济学的发展历程，经济理论的演进深刻依赖于主要生产力的发展与社会生产关系的变化。由于数字经济的发展模式和底层逻辑与传统经济有着本质区别，传统经济理论无法解释数字经济带来的新现象、新特征，亟须加快推进以数据为关键生产要素、以数字技术为生产力的经济理论创新，为数字经济持续蓬勃发展提供坚实的理论支撑和实践指导。

　　厘清数据要素的独特学理属性

　　数据要素是驱动数字经济发展的核心引擎，也是区分数字经济与传统经济形态的本质特征。对数字经济的理论创新，关键在于理解和把握数据要素的经济学属性。首先，区别于传统经济理论中的资本要素和劳动要素，数据要素在经济运行中具有内生产生和非竞用性的特质，使其更接近于代表全要素生产率的技术要素。具体来说，数据的生成是内生的，经济活动越繁荣，产生的大数据越多，这些大数据反过来又进一步推动经济活动的发展，这与罗默的内生经济增长模型中技术内生驱动增长的机制相似。其次，在既定投入的基础上，企业利用大数据实现更有价值的产出，这与标准经济模型中企业利用技术或全要素生产率提升产出效率的原理相一致。最后，数据与技术均具有非竞用性。一个技术可以被多个实体同时使用而互不干扰，一个数据集可以由多个实体共同拥有并加以利用，也可以由同一个实体多次循环使用，这与资本和劳动要素的属性截然不同。

　　然而，数据要素与技术要素在经济属性上存在着显著差异。社会再生产过程中，数据与技术的经济特性截然不同。在生产环节，技术创新和进步通常需要大量的资源投入，而大数据的生成不依赖于类似技术进步所需的产权保护或利润共享等激励机制。在分配环节，技术的所有权通常明确且易于界定，但数据的确权相对复杂，由于数据资产通常由众多个体数据组成，难以逐一分配相应的数据资产所有权。在流通环节，大型平台企业可以更有效地控制数据的定向流通。技术的流通往往依附于人力资本，员工在企业间的自主流动使技术转移无法控制并难以追踪。相比之下，数据以复杂的数据集形式存在，无法通过人力资本轻易转移。在消费环节，数据因其可分性和可描述性，具有比技术更高的可交易性。此外，数据产品的出售方能够清晰描述数据集的内容而不泄露具体信息，这一点也是技术产品所不具备的。

　　数字经济时代拓展经济测度范围

　　经济测度是实证研究的前提与基础。经济测度旨在以经验数据为基础，对经济运行与发展进行全景描述、刻画与总结，其多学科交叉融合的特征在数字经济时代愈发突出。而数字经济的重要测度内容，就包括数据资产的测算与数字经济规模的核算。

　　数据资产是数字经济深化发展的关键生产要素，涵盖各类具备经济利益与可计量价值的信息资产、数字资产。因数据的非实体性、形式多样性、价值易变性、可加工性等不同于实体资产的特性，业界和学术界尚未就如何界定数据资产达成共识，但普遍认为“经济所有权明确”和“具有收益性”是将数据界定为资产的两个核心条件。数据资产的估值可以借鉴无形资产的测度方法，主要包括收益法、市场法和成本法三种基本方法及其衍生方法。其中，成本法可以估算数据资产的基准价值，但成本法可能导致过于保守的价值估计。

　　数字经济规模的核算应当动态适应数字经济内涵的发展变化，全面覆盖所有最新数字技术带来的生产效率提升及其和传统产业融合创新的经济活动。但这方面的理论研究仍存在不少困难。一是测算口径。窄口径的数字经济规模测算主要着眼于数字产业化领域，与传统国民经济核算范式基本保持一致；而宽口径测算进一步涵盖产业数字化领域，反映出数字技术对经济社会发展的渗透效应。这些测度为解构经济发展提供不同视角，是数字经济实证研究的重要基础。二是数字服务等零价格商品的测算。数字平台提供的社交、信息获取、娱乐等功能，显著提升了个人和家庭的效用价值。在传统效用理论基础上，可运用等价变化、补偿变化等消费者剩余价值相关概念，结合实验经济学最新成果，准确捕捉零价格商品对个人与家庭效用价值的提升。三是从节约产出的角度生产测算。信息技术的广泛应用，使消费者在不降低自身效用的情况下显著减少了对传统消费品和服务（如交通）的需求。新的测度中应充分考虑此类节约型消费者的剩余价值。四是情绪情感等主观因素的测度。数字经济的参与主体具备意识与思维能力，不能简单套用传统经济学中的理性经济人假设，需将情绪情感等主观因素纳入数字经济测度框架，以更全面地理解经济行为。

　　学科交叉强化数字经济实证研究

　　数字经济为海量数据提供了一个揭示数字经济发展规律的“富矿”，而挖掘这一“富矿”需要合适的方法与工具。因此，数字经济研究应当充分吸纳多学科研究成果，特别是计量经济学、统计学，以及伴随数字技术发展而来的数据科学、人工智能等方法创新。将这些方法应用于数字经济的实证研究中，可以有效处理复杂场景下的大规模数据，进而帮助我们揭示数字经济的发展规律。尽管现有的大数据分析方法与工具日臻成熟，但发掘数据中的内在逻辑，特别是因果关系，仍需依赖经济理论的指导。

　　2024年初，国家数据局等部门联合印发《“数据要素×”三年行动计划（2024—2026年）》，指出数据要素对经济社会发展的放大、叠加、倍增作用，强调充分发挥其乘数效应，赋能经济社会高质量发展。如何测算数据要素的乘数效应，是一个重要的理论与实践难题，计量经济学的因果推断方法可以在这方面发挥重要作用。因果推断是2021年诺贝尔经济学奖的获奖理论，聚焦变量之间的经济因果关系而非表面的统计相关性，并据此优化决策措施。应用因果推断可以将从一个数据集中提取出的关键性、因果性、决策性信息推广、泛化、应用到多个场景中，从而发挥数据要素的乘数效应。举例而言，在公共卫生领域，因果推断可以从健康数据集中识别出最有效的健康干预措施，并推广这些措施以提升整体健康水平。如果一个数据集中不包含关键变量之间的因果关系，仅是记录了个体的描述性统计量，那么该数据集中所蕴含的信息难以在不同场景中推广泛化，也无法发现数据的乘数效应。

　　从因果推断角度深化数据要素乘数效应的理论研究，可以从以下两个方面开展。一是进一步发展适用于新场景的因果识别方法。在数字经济场景中，数据集主要源于经济活动自然产生的非实验数据，无法直接进行因果关系识别。这就需要依托现有计量经济学理论，结合同质性数据集的共性结构，创新数字经济中观察性数据的因果识别方法。二是构建数据集中因果关系的量化指标，需综合考虑数据质量、因果关系强度以及数据的可应用性等多重因素。此类指标亦可为数据产品定价提供辅助支持。

　　可见，推进理论创新、测度创新和研究方法创新，是建构数字经济自主知识体系的必要条件。通过全面理解数据的自然属性与经济特征，准确把握数据要素在社会再生产过程中与传统要素所扮演的不同角色，是数字经济理论创新的基石。精准的经济测度是数字经济实证研究的前提基础，突破数据资产界定和估值的难点，优化数字经济测算口径，有助于为我国数字经济发展提供全方位的精准描绘。研究方法创新是数字经济理论创新的重要手段。研究方法的创新应融合计量经济学、统计学、数据科学、人工智能等新兴技术方法，在经济理论的指引下，深入探究数据中蕴含的经济因果关系。

　　（作者系中国科学院大学经济与管理学院院长、教授；北京大学光华管理学院助理教授；中国科学院数学与系统科学研究院助理研究员）