特别鸣谢

本次云鹰读书会由南开大学国际经济贸易系

系友苏武康博士赞助支持

数据不仅有助于创造新产品与服务，也能促进研发与知识创造，从而提升生产效率。数据所具有的内生性、动态非竞争性以及灵活的所有权特征，使其区别于劳动力和资本，这对劳动力市场配置及相关政策具有重要影响。与此同时，大数据应用的普及往往以消费者隐私为代价，并常与歧视和滥用等问题相伴而生。尽管目前已有一系列数据隐私法律出台，如《通用数据保护条例》（GDPR）、《加利福尼亚消费者隐私法》（CCPA）以及日本《个人信息保护法》等，但现有研究对于数据（滥用）使用、数字基础设施和隐私监管如何影响知识积累，以及如何影响以数据为关键驱动力的动态经济增长，仍然了解有限。

为填补这一空白，本文在Romer（1990）的基础上构建了一个数据经济内生增长模型。其核心创新在于将消费者数据视为可促进研发与知识积累的生产要素。同时，数据作为经济活动的副产品，可能带来隐私风险——这一点与劳动或资本等传统投入不同，因为经济增长本身会内生地促进数据的生成。在基准模型中，消费者选择出售给中间企业的数据量，并同时权衡潜在的信息泄露与滥用风险。创新型中间企业则利用原始数据进行研究，进而推动最终产品的生产。具体而言，数据被转化为中间商品（包括信息产品），这是已有模型尚未涵盖的特征。数据可通过知识积累产生溢出效应；当数据随时间被交易、被多个主体使用，并且再生产成本极低时，这种溢出效应会进一步强化（包括静态与动态的非竞争性）。在模型中，这些效应还受到因潜在数据隐私侵犯所引发的不适感的调节。

本文表明，在平衡增长路径上，分散经济的增长率与社会最优增长率相同。然而，由于研发部门劳动力投入不足以及数据被过度使用，社会福利与消费者剩余显著更低。中间品生产中的垄断加成导致研发部门的劳动力被挤出（Jones，1995），生产者因此通过更积极地使用数据来弥补研发劳动的不足。这种劳动力挤出进一步导致研发部门的数据使用达到社会意义上的过度水平。因此，研发劳动就业和数据使用可能与社会计划者方案存在明显偏离，尤其在平衡增长路径的初始阶段（尽管长期偏离较小）。

与Jones & Tonetti（2020）等近期研究不同，本文发现，即使数据具有非竞争性且由直接承受数据泄露或滥用负面影响的消费者所拥有，数据仍可能被过度使用。直接监管数据使用会带来经济增长成本，并构成财富从未来一代向当前一代的转移。本文模型表明，与对数据过度使用征税相比，为研发工资或中间生产者提供补贴能更有效地缓解社会效率低下。此外，由于数据拓展了创新可能性边界，而创新回报呈递减趋势，历史数据的使用会降低未来数据使用的收益，长期来看可能导致人均数据供给下降。

随着经济进入稳定增长阶段，消费者提供的数据量可能经历先加速增长、而后下降的过程。重要的是，即使在规划者的最优方案下，初期增长乏力也可能限制数据生成，长期则会进一步推迟向高增长阶段的过渡，从而形成一种“增长陷阱”。诸如用于数字基础设施发展的外部援助等干预措施，有助于摆脱这一陷阱，但前提是数据生成约束依然存在——即经济活动仅转化为有限数量的数据。

本文主要对信息与数据经济领域的新兴文献做出贡献。与早期关注信息社会价值、销售与产权的研究（Hirshleifer，1971；Admati & Peiderer，1990；Murphy，1996）相比，近期研究更侧重于将数字信息与隐私问题（Akcura & Srinivasan，2005；Casadesus-Masanell & Hervas-Drane，2015）或数据的非竞争性与竞争问题（Ichihashi，2020a；Easley et al.，2019）联系起来。本文的不同之处在于，首次在纳入隐私考量的同时，将数据使用与知识积累和内生增长联系起来。此外，本文的模型为从微观基础分析数据隐私问题的研究（Ichihashi，2020b；Liu et al.，2020）提供了补充，并且与以下实证观察基本一致：数据经济的规模与监管、隐私问题，以及美国和全球劳动收入份额的下降存在关联（Karabarbounis & Neiman，2014；Tang，2019；Abis & Veldkamp，2020；Barkai，2020；Liao et al.，2020）。

因此，本文的理论丰富了关于经济增长的文献，尤其是近期那些将数据通过直接进入生产函数的方式纳入增长模型的研究。例如，Jones & Tonetti（2020）强调数据因非竞争性而使用不足，以及赋予消费者数据产权的重要性；Farboodi & Veldkamp（2020）则指出数据对长期增长的贡献有限。本文在半内生增长模型（Jones，1995；2016）框架下，通过允许数据促进知识积累并纳入消费者的数据隐私考量（Stokey，1998；Acemoglu et al.，2012），对Jones & Tonetti（2020）的研究进行了补充。同时，通过一种不同于Farboodi & Veldkamp（2020）的机制，本文也得出数据在长期作用有限的结论。