基于数据要素驱动的国际贸易比较优势研究

高 越，张淑婷

（山东理工大学 经济学院，山东 淄博 255000）

一、引言

当前，世界正进入数字时代，数据要素成为各国经济增长的重要推动力。2021 年，国务院在《“十四五”数字经济发展规划》中，强调“数据要素是数字经济深化发展的核心引擎，数据对提高生产效率的乘数作用不断凸显，成为最具时代特征的生产要素”。瑞士管理发展研究院（IMD）世界竞争力中心把数据要素划分为数字技术、数据知识和数字化转型能力三个维度，其中：数字技术指物联网、人工智能、云计算、区块链等的应用，是数字经济发展的重要标志；数据知识反映一个国家或地区开发、理解、学习数字技术的能力，不仅能够作为劳动工具，带来生产效率的提高和生产能力提升，还可以作为劳动对象，具备价值和使用价值；数字化转型能力指标刻画了国家层面应对数字经济进行转型升级的能力。当前，数字经济发展繁荣，制造业企业要利用好数据要素，这对于行业的数字化转型和企业的生产率提升都具有重要意义。同时，探寻新时代下的比较优势来源有助于巩固和进一步扩大我国国际竞争力，实现更高水平的对外开放。基于此，本文研究数据要素是否为构成比较优势的来源，明确数据要素的重要作用并阐明其作用机制，旨在为制造业行业和国家经济高质量发展提供新的思路。

数据要素对企业生产、社会经济发展都将产生广泛而深远的影响。对于企业来说，数据要素不仅作为生产要素直接参与生产，还能优化企业的要素配置，促进企业出口产品质量升级，提升产品竞争力。与传统要素相比，数据要素通过不同渠道、方式进入生产过程和资本积累过程，更有利于全要素生产率的提升（徐翔和赵墨非，2020）［1］；党琳等（2021）［2］认为，制造业数字化转型可以促进出口技术复杂度的提高；肖旭和戚聿东（2019）［3］发现，数据要素的应用有利于推动产业结构升级。与已有研究不同，本文主要研究数据要素在国际贸易中的地位，即数据要素是否是比较优势的一个驱动要素，或者说是否构成比较优势的一个来源。如果答案肯定，就为经济体的产业结构升级提供了一个途径，这一研究对于加快数据要素积聚、优化要素配置，在国际市场上实现更大竞争优势具有重要意义。

现有相关文献主要集中在对比较优势来源的研究，基于比较优势思想，利用计量分析工具验证某一比较优势驱动要素。Debaere（2014）［4］研究了水资源；Wang和Li（2017）［5］考察了信息与通信技术；Freund 和Weinhold（2004）［6］研究了互联网；Manova（2013）［7］分析了金融制度；Cai 和Stoyanov（2016）［8］研究了人口年龄结构。在计量分析中，大多使用经济体的要素禀赋变量和行业要素密集度变量的交互项作为核心解释变量，要素禀赋变量度量一个经济体某种要素的丰裕程度，要素密集度变量度量一个行业某种要素投入比例高低。若该交互项系数为正，则得到该要素是比较优势驱动要素的结论。以上结果表明，这些要素都是比较优势的驱动要素。

本文的边际贡献在于对基于数据要素驱动的国际贸易比较优势进行了研究，验证了数据要素也是比较优势的驱动要素之一。与本文最接近的是信息与通信技术（Wang 和Li，2017）［5］、互联网（Freund 和Weinhold，2004）［6］对国际贸易影响的研究，但这些研究只关注信息经济的某一方面，未在数字经济背景下，从数据要素角度研究比较优势的新来源。本文在数字经济背景下，考虑数据要素的重要性，用数据要素指标度量了一个国家或地区的数据要素禀赋，还测算了各行业的数据要素密集度，首次验证了数据要素也是比较优势的驱动要素，即数据要素越丰裕的经济体出口越多的数据要素密集型产品。本文的启示是可以通过积累数据要素来培育高端产业比较优势，并就我国如何积聚数据要素、提高数字竞争力提出了应对策略。

二、数据要素影响生产和贸易成本的理论分析

在数字经济背景下，数据以其特有的渗透性参与经济的各方面，数据要素与制造业的高度融合影响制造业的生产和贸易成本，从而对一个经济体的比较优势产生影响。

在生产方面，数据要素既可以直接作为生产要素催生出新兴产业，比如大数据、人工智能等产业，涵盖数据源、数据产品和数据服务等环节从而形成完整的产业链；又可以与传统生产要素相融合，参与生产过程。在产品生产过程中，一方面，随着数据要素的投入使用，投入越高的行业成本下降越大，数据要素对劳动等传统生产要素存在一定的替代效应，正是在数据要素赋能劳动要素和资本要素的过程中，实现了数据的要素化。Brynjolfsson 和Mcelheran（2016）［9］认为，数据要素的应用使管理者倾向于由数据驱动做出决策，从而提高生产管理效率。从这个角度看，数据要素与劳动要素的结合实现了劳动力才能和效率的扩展与延伸。资本要素比劳动要素更为稀缺，因此，资本的高效利用是经济可持续发展的必然要求。吕铁和李冉（2022）［10］认为，数据要素的引入会使企业在原材料采购、产品产出、产成品库存等环节优化衔接，能够获得实时反馈，便于及时调整，确保资源得到合理配置。数据的非竞争性、可复制性使其边际成本接近于零，打破了传统生产要素的稀缺性和难以替代性，冲破了传统要素聚集的空间约束和地理限制。另一方面，数据要素投入提高了生产效率，数据的快速流动缓解了信息不对称带来的资源错配问题，一定程度上减少不确定性带来的损失，有助于企业更好地进行生产和研发决策。以大数据分析为例，Müller 等（2018）［11］证实，大数据可以使企业平均生产力提高3%～7%，并且数据的流通速度对企业创新的促进作用显著优于数据的多样性和数量的促进作用。这说明数据要素的市场化同样重要，要最大限度地实现数据要素的流动和共享，只有数据“跑”起来，效益才能“聚”起来。徐翔和赵墨非（2020）［1］引入内生增长模型，分析数据要素对于经济增长的直接影响和溢出效应，证实了数据要素拉动宏观经济增长的潜在能力；Farboodi 和Veldkamp（2021）［12］将数据要素纳入增长模型，发现数据要素投入有助于获取信息，通过减少不确定性带来生产效率提升，证实了数据要素投入在生产中的作用。

在贸易成本方面，数据要素在嵌入贸易环节的过程中降低交易成本。主要体现在四个方面：一是降低信息成本。数据要素能够改善交易双方信息的不完全、不对称情况，降低搜寻和匹配成本，减少逆向选择和道德风险，有效缓解价格扭曲等市场失灵现象，降低出口商的信息成本。二是降低支付成本。第三方支付平台提供担保服务，承担并分散风险，降低了出口商因支付问题带来的成本。三是降低证明成本。数据要素的应用精简了贸易国间复杂的报税、核查、审批等手续，从而降低出口成本。四是降低入场成本。数据要素的存在减弱了时间和空间的限制，减少企业出口固定成本支出，降低产品出口门槛，有利于中小企业的产品进入出口市场。Abeliansky 和Hilbert（2016）［13］发现，IT 技术可以降低交易成本但对不同国家的作用有差异，对发达国家影响较小而对发展中国家影响较大；Lak‑kakula 等（2020）［14］研究了区块链技术对美国向中国出口大豆的影响，发现区块链技术可以使交易成本显著降低，交易时间也显著缩短；Brynjolfsson 等（2018）［15］发现，eBay 能够有效降低搜索成本；鞠雪楠等（2020）［16］研究“敦煌网”的交易数据，发现跨境电商能够有效降低贸易固定成本。这些研究都表明，数据要素的使用对贸易成本具有显著降低作用。

综上，数据要素不仅能够促进生产，也能降低出口成本。根据比较优势理论，数据要素丰裕的经济体通常在数据要素密集型产品上具有比较优势。

三、数据要素影响国际贸易的计量模型和变量

本文根据比较优势理论设定计量模型，介绍解释变量和被解释变量的度量方法和数据来源。

（一）计量模型的设定

依据比较优势理论，一个国家或地区在密集使用其丰裕要素生产的产品上具有比较优势，而在密集使用其稀缺要素生产的产品上具有比较劣势。因此，数据要素丰裕的国家或地区在数据要素密集型产品上具有比较优势。参考Cai 和Stoyanov（2016）［8］、Wang 和Li（2017）［5］等的方法，本文使用交互项的形式来识别比较优势的驱动要素。

设定回归模型，见式（1）。

其中：exportijk为出口国i向进口国j在行业k上的出口；DPIk为行业k的数据要素密集度；Scorei为出口国i的数据要素指标，即数据要素禀赋；DPIk与Scorei的交互项用来识别比较优势要素，该交互项的系数β3是被解释变量exportijk对DPIk与Scorei的二阶混合偏导数，其中，的含义为数据要素禀赋对出口影响的边际效应，（即β3）的含义为行业的数据要素密集度对上述边际效应的影响。若β3为正，则说明数据要素密集度越大的行业，经济体数据要素禀赋的出口促进效应越大，验证了比较优势的思想。综上所述，若回归系数β3大于0，则说明数据要素是比较优势的来源之一，即比较优势的驱动要素之一。

与的交互项为表示比较优势其他来源的控制变量，包括实物资本和人力资本；出口国固定效应μi和进口国固定效应γj控制了双边距离、文化差异、双边关系等因素；行业固定效应δk则控制了行业大小和生产率等因素；εijk为随机扰动项。

本文选取了2019 年62 个经济体的84 个制造业行业的出口数据，使用各行业的数据要素密集度DPIk、各经济体的数据要素禀赋指标Scorei等变量进行回归。其中，行业层面的控制变量为资本密集度Cap_intk和技能密集度Skill_intk，经济体层面的控制变量为实物资本Cap_abui和人力资本Skill_abui。考虑出口国也许会根据在出口市场上的表现来调整其数据要素禀赋，可能存在内生性问题，因而在稳健性分析部分，本文分别将2017年的数据要素指标、工业机器人使用量作为数据要素指标的工具变量进行回归。

（二）变量计算方法及数据来源

1.贸易数据（exportijk）

两国间2019 年贸易数据exportijk来自CEPII 的BACI数据库，单位为千美元。BACI数据库中贸易数据按照HS 编码进行统计，为与行业数据要素密集度中的行业相一致，把HS 编码贸易数据加总到4位NAICS编码的84个制造业行业，Pierce和Schott（2012）［17］提供了HS 编码与NAICS 编码的对应关系。出口国包括IMD 列明的62 个国家或地区，进口国为BACI 数据库中与上述62 个国家和地区有进口关系的225个国家或地区。

2.行业数据要素密集度（DPIk）

关于行业数据要素密集度（DPIk），本文参考Marel 等（2016）［18］的方法，用数据和信息生产型行业的投入占总投入的比重来表示，计算方法见式（2）。其中：l表示数据和信息生产型行业；分母表示行业k的所有中间投入；分子为行业k来自数据和信息生产型行业的投入。

根据式（2），计算行业数据要素密集度需要使用投入产出表数据。各国经济体系在统计制度及行业分类方法上的差异，导致投入产出表也存在较大不同。在这种情况下，使用美国数据进行行业水平测量是国际贸易文献中常见的方法。本文使用美国商务部经济分析局（BEA）2019 年公布的405个NAICS 编码的行业投入—产出使用矩阵表。其中，数据和信息生产型行业根据BEA“数字经济的定义与测量”（Barefoot 等，2018）［19］来确定，主要包括软件和服务行业、电信与信息虚拟产品和服务行业、电子商务与数字媒体行业等三类。

表1 列举了通过计算得到的数据要素密集度最高和最低的各10个行业；数据要素密集度最高的行业为工业机器制造，其他行业依次为金属加工机械制造、商业及服务业机械制造、电脑硬件制造、其他通用机械制造等；数据要素密集度最低的行业包括果蔬保鲜与特色食品生产、糖和糖果制品制造、奶制品加工等。数据要素密集度较高的行业通常是技术含量和增值率较高的行业，而数据要素密集度较低的行业通常是技术含量和增值率较低的行业。

表1 数据要素密集度最高和最低的各10个行业

3.数据要素禀赋（Scorei）

IMD 的世界竞争力年鉴（World Competitive‑ness Yearbook）使用了330 多个竞争力标准评估60 多个国家和地区的世界竞争力，从1989 年至今已连续出版30 多年。IMD 的世界竞争力数据为各国或地区分析各自竞争力状况提供了较为全面的国际视角，其在现有研究中被广泛应用，如杨默等（2016）［20］、高红蕾等（2020）［21］、赵彦云和甄峰（2003）［22］等，国务院体改办经济体制与管理研究所《中国国际竞争力研究小组》（2002）［23］和中国教育科学研究院国际比较教育研究中心（2013）［24］也引用了该数据。IMD 竞争力中心还发布了更为细分领域的报告，如世界人才排名、智慧城市指数和世界数字竞争力排名等。瑞士IMD 世界竞争力中心发布了2019 年63 个国家或地区的数据要素指标，包括总体指标和数字技术、数据知识、数字化转型能力3 个分项指标。基于IMD 在国家竞争力领域中的代表性，本文采用该指标来度量各经济体的数据要素禀赋。在本文的计量分析中，除使用数据要素总体指标，还使用了3 个分项指标作为核心解释变量。

4.其他解释变量

行业资本密集度（Cap_intk）用该行业总资本支出与总就业人数的比值来表示，该指标数值越大，行业资本密集度越高。行业的技能密集度（Skill_intk）用该行业的非生产性工人数与总就业人数的比值来表示，该指标数值越大，行业技能密集度越高。计算行业资本密集度、技能密集度所需数据来自NBER-CES 制造业数据库。国家或地区的实物资本水平（Cap_abui）、人力资本水平（Skill_abui）分别度量各个国家或地区的实物资本和人力资本丰裕度，两个变量的数据均来自Penn World Table 的PWT 10.0，Skill_abui使用其中的Hu‑man capital index 指标（基于上学年数与教育回报率），Cap_abui使用其中的rnna指标（按照2017年不变价格计算的资本存量）的自然对数。

IMD 的数字经济竞争力报告涵盖63个国家或地区，因为缺乏中国台湾地区的出口数据，本文计量分析中剔除中国台湾地区，使用其余62 个国家或地区的数据。行业为4 位NAICS 编码的84 个制造业行业，主要变量的时间为2019年。

各变量的描述性统计见表2所列。

表2 主要变量描述性统计

四、计量模型回归结果

（一）基本回归结果

基本回归结果见表3所列。列（1）中，解释变量包括本文关注的行业数据要素密集度、各经济体数据要素禀赋以及它们的交互项，回归结果显示交互项的回归系数显著大于0，与本文预期一致，说明数据要素也是比较优势的驱动要素，即数据要素越丰裕的经济体，出口的数据要素密集型产品越多。数据要素密集度较高的行业通常是技术含量和增值率较高的行业，因而数据要素丰裕的经济体从出口中获益也较多。列（2）中，加入控制其他比较优势来源 的 两 个 交 互 项Cap_int×Cap_abu、Skill_int×Skill_abu 后，交互项DPI×Score 的回归系数依然显著大于0，回归结果保持稳定，新加入的两个交互项的回归系数也都显著为正，同时验证了比较优势的传统来源要素，即实物资本和人力资本也是比较优势的决定因素，与Wang和Li（2017）［5］等的研究结论一致。在列（3）（4）（5）中，分别加入出口国固定效应、进口国固定效应和行业固定效应，虽然两个比较优势传统要素的回归系数有所变化，但本文主要关注的DPI×Score的回归系数显著大于0，即在控制了国家、行业层面的固定效应后得到的结论与本文预期仍然一致。与Wang 和Li（2017）［5］、Freund 和Weinhold（2004）［6］的研究相比，本文把信息与通信技术、互联网等因素对国际贸易比较优势的影响扩展到了数据要素，得到国际贸易比较优势的新来源。

表3 基本回归结果

续表3

（二）使用细分数据要素指标的回归结果

本文使用数据要素指标的三个构成要素，包括数字技术（Technologyi）、数据知识（Knowledgei）、数字化转型能力（Futu_readinessi）以及它们与DPI的交互项分别作为解释变量进行回归，回归结果见表4所列。

表4 使用细分数据要素指标的回归结果

列（1）以数字技术为解释变量，交互项DPI×Technology 的回归系数显著为正值，与本文预期一致；列（2）（3）分别以数据知识、数字化转型能力为解释变量，其与DPI 交互项的回归系数也显著大于0。进一步证明了数据要素及其细分指标是比较优势的驱动要素。

当数字技术、数据知识、数字化转型能力各变化1个标准差，并在DPI位于均值水平时，根据表4的回归结果计算出三者对出口的净影响，结果显示数据知识带来的影响最大。当数据知识增加1 个标准差时，出口增加75.3%；而当数字技术和数字化转型能力分别增加1个标准差时，出口分别增加55.9%、66.4%。数据知识作为生产工具，能够促进生产能力提高，同时与其他要素结合，能够带来生产效率的提升，因此，数据知识的创造和积累具有重要的意义

（三）区分不同类型贸易伙伴的分析

根据国际贸易理论，发达国家间的产业内贸易较多，发达国家与发展中国家之间的产业间贸易较多。产业内贸易主要用规模经济和多样化偏好来解释，而产业间贸易主要用比较优势理论来解释。为研究数据要素是否为各类型贸易的重要影响因素，本文将62 个国家或地区划分为发达经济体和发展中经济体。对于两者的划分有多个标准，本文将同时满足联合国人类发展指数评级为“高”、世界银行定义的高收入经济体、IMF认定的发达经济体3 个条件的33 个经济体确定为发达经济体，其余29 个经济体界定为发展中经济体。根据贸易对象的不同，将样本分为3组，组1为发达经济体之间的贸易，组2为发展中经济体之间的贸易，组3为发达经济体与发展中经济体之间的贸易。

表5 列出了对3 组样本分别进行回归的结果。3 组回归结果中的交互项DPI×Score 的回归系数都显著为正值，说明发展水平接近的国家或地区之间、发展水平差距较大的国家或地区之间的贸易发展水平，都受到数据要素的影响，数据要素对于他们之间的贸易都具有一定解释能力。在三组回归结果中，组1 中DPI×Score 的回归系数最大，组2 和组3 的回归系数较小，说明在数字经济时代，发达经济体之间的贸易在更大程度上由数据要素驱动的比较优势决定。可能的原因在于：发展水平具有明显差异的国家在开放程度、价值链位置、工业水平等方面存在一定差距，数据要素难以完全释放其驱动作用；此外，数据要素的应用以实体经济为基石，因而发达经济体间的贸易更容易受到数据要素的积极影响。

表5 区分不同类型贸易伙伴的回归结果

（四）内生性分析

出口国可能会根据某个行业在国际市场上的表现调整该行业的数字化投资，因而可能存在内生性问题。为解决这个问题，本文首先使用2017年数据要素指标作为2019 年该指标的工具变量进行回归，回归结果见表6 列（1）。回归结果显示，交互项DPI×Score 的回归系数依然显著大于0，回归结果保持稳定。

考虑国家或地区层面的数字经济竞争力指标与行业层面的数字密集度指标交乘后，还是可能存在遗漏变量等问题导致内生性影响，本文使用工业机器人使用量作为工具变量，以更加准确地捕捉数据要素与制造业行业深度融合的情况。国际机器人联合会（IFR）沿用国际标准化组织（ISO）对于工业机器人的定义，即可以在多个轴上实现自动控制、重新编程和多用途的工业机器人，统计了世界各国工业机器人的使用量。该指标衡量了各个国家在工业中应用机器人的数量规模，也在一定程度上反映了各国的工业规模和智能化规模，特别体现了由数据要素实现的编程、自动控制等技术在工业行业中的应用程度。本文使用IFR 世界工业机器人数据库的工业机器人使用量作为数字要素指标的工具变量，使用两阶段最小二乘法进行回归分析，结果见表6 列（2）。可以看出核心解释变量DPI×Score 的估计系数显著为正，这表明在缓解内生性问题后，上述结论依旧稳健。

表6 工具变量回归结果

（五）使用不同数据要素指标的回归结果

为避免使用IMD数字竞争力单一指标带来的偏差，本文以《全球数字经济竞争力发展报告（2020）》（王振等，2020）［25］构建的全球数字经济国家竞争力评价指标，作为数据要素禀赋的替代变量SCORE2，探究回归结果的稳健性是否会受到评价体系的影响。该报告以数字产业、数字创新、数字设施和数字治理为主要框架，测算了全球50个主要国家的全球数字经济国家竞争力指标，因其中3个国家的数据有缺失，本文以其余47个国家为研究对象。根据式（1）的模型设定，回归结果见表7所列。在表7列（1）—（5）中，核心解释变量DPI×SCORE2的估计系数始终显著为正，说明数据要素丰裕的经济体在数据要素密集型产品上具有比较优势，数字经济竞争力可转化为数据要素密集型产品的出口竞争力。

表7 使用不同数据要素禀赋指标的回归结果

五、结论与启示

（一）结论

本文阐述了数据要素在企业生产提效和降低贸易成本中的作用，分析了数据要素作为比较优势的理论基础，使用数据要素总体指标及其三个分项指标度量各国各地区的数字要素禀赋状况，利用投入产出表刻画各行业数字密集度。研究结论为：①通过计量模型验证了数据要素越丰裕的经济体出口的数据要素密集型产品越多，首次验证数据要素也是比较优势的驱动要素；②区分了不同发展水平经济体间的贸易，发现数据要素不仅能够解释发展水平差距较大的经济体之间的贸易，还能解释发展水平接近的经济体之间的贸易。研究结果不仅丰富了有关比较优势理论的研究内容，还拓展了数字经济的研究范畴，具有一定的理论意义和政策含义。

（二）启示

数据要素会影响全球分工和比较优势，数据要素的积累可以帮助国家或地区建立贸易比较优势，对提高在国际分工中的地位、改善出口产品结构和提高出口附加值具有重要意义。根据IMD 数字经济竞争力报告，2020 年我国数字经济竞争力在全球位于第16 名，虽然增长速度较快，但与美国、新加坡等国相比还存在较大差距，所以加速数据要素的开发、获取和积累具有紧迫性和必要性。

一是从国家层面来看，要做好统筹规划，加快数据要素积累以提升数字竞争力。首先，要在宏观层面上做好顶层设计，加大投资力度，完善“无形”基础设施建设，搭建具有前瞻性的数字平台，为制造业的数字化转型提供沃土；其次，在研发投资方面为企业提供适当的优惠政策，以缓解企业在数据要素投入阶段面临的成本压力，有了科技实力的强劲支撑，数据要素才能够实现快速积聚；再次，数据要素只有通过共享才能实现其要素价值，要建立健全相关法律法规，既有利于保护用户隐私，又可以为企业提供清晰的市场标准和行为准则；最后，要在共商共建的基础上积极挖掘与世界各国协作的着力点，在确保安全基础上实现数据要素自由流动，优化要素配置。

二是对于制造业及企业来说，要探索与数据要素的有机结合。随着我国“5G+工业互联网”项目遍地开花，制造业及企业的数字化转型需要整体网络化提升，通过与数据要素的有机结合来实现资源配置优化。首先，要充分利用国家提供的基础条件，利用好数据要素的同时切入生产端和运营端，在提升自身产品质量的同时积极开辟海外市场；其次，需要深化产业与企业间的凝聚和合作，要加强交流与协作，营造良好生态，开辟产业和企业融合的快车道；再次，要重视复合型技术人才的培养和引进。制造业企业的数字化转型需要专业制造技术和数字技术的双栖人才，这对企业的培训和选拔工作、高等院校和职业院校的培养和教学工作、社会的人才流动和就业环境提出了更高要求，企业应主动推进产学研融合，设立人才基地，打造校企协同育才的良性循环机制；最后，要主动收集、运用数据来分析和获取信息，实现数据要素的再生和循环利用。

值得注意的是，比较优势理论与新贸易理论解释不同的贸易现象，前者主要解释基于要素禀赋差异引起的产业间贸易，后者主要解释基于规模报酬递增和产品差异引起的产业内贸易。数据要素对国际贸易的影响则同时包括这两个方面，一方面，数据要素本身作为生产要素，会通过比较优势因素影响国际贸易；另一方面，数据要素的使用以及数字要素与其他要素的结合，会带来规模报酬从而影响国际贸易。本文只考察了前者，未来对后者的考察将是一个重要的研究方向。