2023年5月19日下午，南开大学经济学院云鹰读书会在圆阶305教室“数字经济与贸易科研训练：理论”课堂上顺利进行，本次读书会由2021级本科生郑烨佟、罗依璠同学展示Simona Abis、Laura Veldkamp的发表在the Review of Financial Studies的2021工作论文版本“The Changing Economics of Knowledge Production”，由国际经济贸易系何秋谷老师跟进指导，助教郑佳豪提供答疑。

机器学习、人工智能、大数据技术减少了人类在产生知识时所投入的鉴别有用知识的精力，这究竟是一次寻常的创新，还是一场变革性的创新？经济学家将工业化建模成一种生产技术的变化：从一种资本回报显著减少的技术，转向至一种资本回报递减较少的技术。因此，工业革命的规模可以被理解为支配收益递减的生产参数变化的幅度。同样的统计方法可以估计新的大数据技术对知识生产的影响。衡量大数据技术的采用在多大程度上改变了数据的收益递减，并将其与工业革命期间发生的生产函数变化进行比较，可以告诉我们这是一次常见的创新还是下一场革命。

Jones和Tonetti等（2020）在研究数据在经济增长过程中的作用时和我们基于模型的方法基本一致，但将数据和知识直接等同起来，而本研究解释了原始数据是如何转化为有价值的、能提高产出的知识的。

许多工作论文都是用劳动力市场数据来调查机器学习和人工智能是如何影响劳动力需求的，例如，Acemoglu和Restrepo（2018）确定了更容易接触到机器学习相关技术的行业，并且报告了这些行业中由于机器学习技术的应用有哪些工作岗位正在增加或减少；Agrawal和Gans等（2017）认为，机器学习很可能是一种通用技术；Kogan和Papanikolaou等（2021）的研究则运用了一种类似本文的测量方法估计了新大数据技术对相关技术人员的雇佣和收入风险的影响。

本文关注技术如何影响知识生产，所以需要使用一种不同的结构性方法，关于自动化和机器人技术的文献也提出了关于物理产品生产的类似问题（Berg和Buffie等，2018）。其他人则研究了在提供信贷（Fuster等，2018）、股权分析（Grenna等，2018，）或更普遍的深度学习（Brynjolfsson等，2017）中采用人工智能技术后的生产率提高或者潜在的歧视成本，这些也与知识生产如何变化的问题不同。《货币经济学》则探讨了机器人和劳动者之间的替代弹性。

此外，测量数据及其价值是对估计无形资产价值工作的补充（Crouzet等，2020），但前人研究目标是分解企业的价值来源，而本文感兴趣的是同一家公司内使用的两种技术有多大不同，所以需要不同的方法。

文章的第二部分建立了一个三方程模型，这是估计的基础，并且推导了我们用于从数据推断参数的最优条件；第三部分描述了数据的获取，以及我们如何使用它来组装与模型中对象对应的变量；第四部分介绍了估计结果，探讨了就业、工资和跨公司的一致性如何决定我们的估计参数，同时还估计了公司数据存量的价值；第五部分是总结。