数字经济背景下的人力资本积累新模式探究

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①。中国是世界第一人口大国②，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”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①。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②，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③。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④。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①，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（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”①。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①），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②。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。

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β 为0. 99（对应于4%的年利率），相对风险厌恶系数σ 为2，劳动力供给弹性的倒数η 为0. 3，闲暇的重要性Ω 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δK为0. 06，人力资本折旧率δH 为0. 01，教育的弹性系数（1-θ）为0. 8（即数据的贡献度θ 为0. 2，还将在下一小节对该参数的取值进行讨论）。为了进一步校准参数θ，使用WDI 数据库中的人力资本指数（Human Capital Index），该指数较为客观准确地衡量了教育和健康对劳动生产力的贡献。根据本文的设定，数据是除教育以外的影响人力资本积累的重要因素，故而这里关注数字经济发展相对迅速的经济体，以估算数据的贡献程度。参考联合国贸发会发布的《2019 年数字经济报告》①，选取ICT 行业增加值排名前10 的国家与地区并计算人力资本指数的三年平均值②，由此得到数据的贡献程度约为0. 26。考虑到影响人力资本积累的因素不只教育和数据，这里将参数θ 的数值设定为0. 2。最后，关于消费者对数据隐私泄露问题的厌恶程度，在CXZ 模型中参数τ 位于指数位置，作者们将其设定为1. 5，并且还讨论了其他取值的情况。但在本文的模型设定中，参数τ 位于系数位置，对此，这里先给参数τ 赋值0. 3，然后在数值模拟部分给出了不同取值的对比（分别为0. 4 和0. 5），发现不同取值的τ 将会给效用稳态值带来不同的影响。具体地，参数设定结果见表1。

2 数值模拟与政策实验

2.1 基准模型与对照模型的稳态效用对比

在确认各参数取值后，本文首先从代表性家庭的角度比较了基准模型与对照模型的稳态效用水平。具体来说，本文计算了数据贡献程度θ 从0 到1 不同取值下的效用稳态值（图1）。从图中可以看出，随着数据对人力资本积累的贡献程度不断增大，生产者数据模型的效用水平逐渐上升，其上升趋势相对于消费者数据模型的变动较为缓慢，而消费者数据模型的效用水平不断下降，两种模型的效用差距越来越大。消费者数据隐私问题造成的负面影响注定使其处于弱势地位，而生产者数据成功避开了此类问题，故而生产者数据模型能够实现更高的效用水平。因此，从稳态效用水平来看，生产者数据具有更明显的效用促进价值。

另外，本文还考虑了数据风险偏好τ 的不同取值（分别为0. 3、0. 4 和0. 5）对家庭效用的影响。总体来看，随着数据风险偏好的不断增加，效用水平值逐渐递减，体现了隐私泄露风险给消费者带来的负面影响。分开来看，当数据贡献程度θ 数值较小时，家庭选择使用更多的消费来弥补数据隐私问题引致的效用损失，因此τ 取值0. 5 的曲线位于最上方，此时数据风险偏好数值越大，效用稳态值越高。随后，当数据贡献程度逐渐增加，即数据占比逐渐提高后，数据使用带来的负面影响也更加显著，并超过了消费带来的正面影响，此时数据风险偏好τ 数值越大，效用稳态值越低。换句话说，隐私损失越少，福利水平越高。

由此可见，数据使用对家庭效用的影响随着数据贡献程度θ 和数据风险偏好τ取值呈现出非线性的关系。

2.2 综合模型中主要变量的稳态值

接下来，本文将生产者数据与消费者数据结合起来，重点关注同时包含两种数据的综合模型。具体而言，计算了替代弹性ρ 从0 到10 不同取值下的主要变量的稳态值（图2）。生产者数据和消费者数据之间的替代弹性ρ 决定了哪种数据占主导的问题，ρ 取值小于1 代表数据的替代缺乏弹性，即两类数据难以相互替代，复合的数据集由数量较少的一类数据所主导。ρ 取值大于1 则代表数据的替代富有弹性，即两类数据比较容易相互替代，复合的数据集则由数量较多的一类数据所主导。参数ρ 取值从0 到10 正是两种数据从缺乏弹性向富有弹性的替代的过渡，针对此参数的变化进行比较便于观察每种数据主导情况下各变量稳态值的变动趋势。

这里比较了与产出相关的变量（ 产出Y、物质资本K 和人力资本H）、两类数据及由它们组合而成的复合数据集（消费者数据DC 、生产者数据DP 和数据集D），以及三类劳动力水平（产品生产部门劳动力LE 、数据生产部门劳动力LD和教育投入E）。首先，对于第一组变量，可以观察到它们随着参数ρ 的增加而增加，并在ρ 约为4 之后进入平台区域。其次，由第二组变量的变化趋势可以看出，随着参数ρ 不断增加，消费者数据减少而生产者数据增加，而从消费者数据到生产者数据转变的过程中，数据总量不断增加。生产者数据占据主导地位，在推动人力资本积累的过程中担负主要职责，人力资本存量的变动与生产者数据的关系更加密切。再结合第一组变量中产出和物质资本水平也不断上升的变动趋势，说明无论是从生产者角度还是消费者角度看，生产者数据都具有更重要的意义。最后，由第三组变量的变化趋势可知，更多的劳动力从产品生产部门流向了数据生产部门，生产者数据提高了数据副产品的生产效率。教育投入在较小的范围内波动，替代弹性对其影响较小。结合前一小节的分析，无论是从稳态效用水平角度还是人力资本积累角度出发，生产者数据相对于消费者来说都具有更重要的作用与价值。

2.3 脉冲响应分析

在讨论完综合模型处于稳态时的各类重要情形之后，本文转而进行脉冲响应分析。具体来说，选取四个主要的外生冲击：全要素生产率冲击、人力资本积累效率冲击、生产者数据生产效率冲击，以及消费者数据风险偏好冲击。这四类冲击涵盖了本模型从生产到人力资本积累，再到两类数据各自的产生过程，对理解模型具有重要意义。

2.3.1 全要素生产率冲击

首先在模型中引入正向全要素生产率冲击（即式（13） 中的At ），得到脉冲响应函数来描述在受到冲击后至经济重新进入稳态的动力学过程，如图3 所示，该图展示了一些重要变量在冲击后的百分比变动情况。每个小图包含6 条曲线，分别对应替代弹性ρ 取值为0. 1、0. 5、1. 5 和10 的综合模型，以及只包含生产者数据的基准模型和只包含消费者数据的对照模型。

从图3 可以看出，全要素生产率正向冲击提升了产出、消费和物质资本水平，参数ρ 不同取值下的综合模型连同基准模型和对照模型的结果都较为一致，变动幅度差别不大。然而，人力资本的变动情况稍显复杂。当ρ 数值较小时，消费者数据和生产者数据之间的替代弹性较低，总数据更偏向于消费者数据，而此时消费者数据的使用量处于较低水平，故而综合模型的脉冲响应函数呈现出不完全的渐进变化趋势。来自消费过程的数据受隐私问题的干扰，难以带动总数据水平提升，故而数据要素对人力资本的促进作用受限，人力资本存量在初期出现下降，与其他变量的变动趋势相反。与之相对地，当ρ 数值较大时，消费者数据和生产者数据之间富有替代弹性，总数据更偏向于生产者数据，且此时生产数据的使用量处于较高水平，故而综合模型接近于生产者数据模型，从ρ 等于10 时综合模型与基准模型几乎重合的脉冲响应函数也可看出。

作为生产过程的一种副产品，生产者数据与生产率密切相关，于是在正向全要素生产率冲击下脱颖而出并占据主导地位，由此总数据水平明显提升，能够有效发挥人力资本积累促进效应。因此得到如下结论，当替代弹性较小时，人力资本存量逆周期变动，然而随着替代弹性不断变大，生产者数据逐渐占据主导地位，数据使用水平显著提升，随之而来的数据价格下降使得人力资本积累更加合算。因此，数据（尤其是生产者数据）的引入能够显著提升人力资本积累的效率，促使人力资本呈现出顺周期变动的趋势。

以往研究人力资本周期性的文献表明（ DeJong and Ingram，2001;Méndezand Sepúlveda，2012;Alessandrini et al. ，2015），正向TFP 冲击在提高工作收入的同时增加了教育的机会成本，导致人们减少学习时间而增加工作时间，因此与人力资本积累相关的技能获得活动和学校入学率具有逆周期性。从图3 同样可以看出，正向TFP 冲击使代表性家庭减少了教育时间而增加了工作时间，与之前文献的结果相似。常见的人力资本方程主要由教育投入或教育和健康投入组成（杨建芳等，2006;余长林，2006），人力资本对产出的影响存在延迟效应，当期积累的人力资本等到下期才能决定生产，因此面临生产率正向冲击时，人们倾向于将更多的时间分配到工作生产而不是学习教育中。然而在本文的模型设定中，人力资本积累方程由教育投入和数据要素共同组成，人力资本存量在教育投入减少时仍然能够提升，正是数据要素（尤其是生产者数据）在背后驱动的结果。生产率冲击在刺激产出的同时增加了数据副产品的生成，使其充分发挥对人力资本积累的推动作用，最终人力资本存量顺周期变动，这是与之前研究不同的结果。产生于生产和消费过程的数据被家庭用来提升人力资本水平，其活力与价值被更大程度地激发了出来。

教育投入首先出现下降但随后逐渐上升，表明数据提高了人力资本投资回报，使其在正向TFP 冲击下依然保有一定的效益，故而人们愿意将更多的时间投入到学习教育中，最终数据要素与教育投入共同推动人力资本积累。Lu（2021）在探究人工智能的经济增长效应时，提出了人工智能可以改善人力资本积累的观点，于是在标准的Lucas（1988） 人力资本积累模型中加入了人工智能因素。研究发现随着人工智能自我积累效率的提升或人工智能在CES 生产函数中替代弹性的提高，家庭将在教育方面投入更多时间，人工智能通过多途径促进人力资本积累，这与本文的结论不谋而合。

2.3.2 人力资本积累效率冲击

在对全要素生产率冲击进行分析之后，本文转而分析人力资本积累冲击（即式（7）中的Bt ）以更直接地反映数据在此过程中的作用，相应的脉冲响应函数见图4。在受到冲击后，人力资本存量、数据要素（包括复合数据集、消费者数据和生产者数据）以及教育投入均明显增加，产品生产部门劳动力减少而数据生产部门劳动力增加。产出、消费和物质资本先下降后上升，因为劳动力从产品生产部门集中到了数据生产部门，资源从物质资本领域流向了人力资本领域，导致在冲击发生初始时产出、消费和物质资本出现下降。但随着人力资本积累的作用逐渐显现，转而会促进产出并刺激物质资本积累，于是产出、消费和物质资本水平又逐渐回升。以上结果表明，在人力资本积累效率的正向冲击下，数据要素与教育投入共同推动人力资本积累，人力资本存量呈现出先于产出水平变化的变动趋势。

2.3.3 数据生产效率冲击

针对生产者数据，本节还对其生产过程中可能产生的冲击进行分析（ 即式（15）中的vt ），相应的脉冲响应函数见图5。在本节的分析中，由于在只含有消费者数据的对照模型中并不涉及此种冲击，故不将其纳入讨论范围。从图中大致可以看出，替代弹性ρ 等于10 的综合模型脉冲响应函数和生产者数据模型的几乎完全重合，再次印证了生产者数据占据主导地位时发挥的重要作用，并且参数ρ 不同取值下的综合模型脉冲响应函数连同只含有生产者数据的基准模型脉冲响应函数均体现出明显的渐变趋势。人力资本、数据要素和教育投入明显增加，生产者数据相比消费者数据受到更大的影响。产品部门劳动力减少而数据部门劳动力增加，这意味着代表性家庭缩短了工作时间，于是产出、消费和物质资本短期内出现下降。但从长期来看，人力资本的加速积累最终推动产出和物质资本水平不断回升。此外，从综合模型的脉冲响应函数能够发现，替代弹性ρ 数值较小时，数据生产效率的正向冲击缩减了数据生产部门的劳动力规模;但随着ρ 数值变大，生产者数据产量逐渐攀升，数据生产部门的劳动力随之也不断增多。以上结果表明，在数据生产效率的正向冲击下，数据要素（尤其是生产者数据）通过刺激人力资本加速积累，进而使得产出在经历短暂的下降之后回升到比原来更高的水平。

2.3.4 消费者数据风险偏好冲击

最后，我们还将针对消费者数据对其产生过程中涉及的风险偏好冲击进行分析（即式（23）中的zt ），相应的脉冲响应函数见图6。由于此处的偏好冲击属于成本增加冲击而非前三小节中所涉及的效率提升冲击①，由图可知，人力资本、数据要素和教育投入明显减少，消费者数据相比生产者数据受到更大的负面影响，这些变化都与消费者数据面临的隐私泄露问题直接相关。劳动力停留在产品生产部门而未出现明显的流动情况，代表性家庭增加了工作时间而缩短了学习时间，于是产出、消费和物质资本短期内明显上升。一方面，从综合模型的脉冲响应函数能够发现，随着ρ 数值变大，消费者数据不断减少而生产者数据不断增加，有一部分劳动力从产品生产部门流向了数据生产部门，更关键的是人力资本的逆周期性逐渐减弱。另一方面，当ρ 较大时，图中所示的各变量在冲击下均变得几乎无变化，这也说明了此种情形下消费者数据对经济的影响已几乎被生产者数据所主导。由此可见，消费者数据的隐私问题注定使其处于弱势地位，而能够占据主导地位的生产者数据更具有人力资本效应，促使人力资本存量顺周期变动。

3 结论与启示

3.1 结论

提升人力资本质量，发挥人力资本红利，是推动中国经济实现高质量发展的关键环节。数字经济下的人力资本，其内涵已经从受教育程度和基本工作能力扩展到数字化战略思维和数据处理分析能力。与此同时，数字人才的培养和需求也达到了前所未有的高度。在这样的时代背景下，本文尝试将数字经济与人力资本相结合，把数字经济的核心要素———数据，纳入人力资本积累方程，在动态一般均衡模型框架下讨论数据要素对人力资本积累的影响，探究数据对人才培养和经济发展的作用。数值模拟结果表明，作为经济活动的副产品，数据量在正向技术冲击下显著提升，不仅能够带动教育投资的增加，还提升了人力资本积累的效率，促使人力资本存量呈现出由逆周期逐渐向顺周期转变的趋势。因此，数据的引入改变了人力资本的周期性，有利于人力资本在经济形势向好的阶段仍不断积累。

在本文的模型设定中，数据要素的来源有两个渠道，分别是基于Jones andTonetti（2020）和Cong et al. （2021b） 所描述的来自消费的数据（ 即“ 消费者数据”），以及基于最新研究Xie and Zhang（2023） 所提出的来自生产的数据（ 即“生产者数据”）。对于前者来说，数据产生于消费活动，使用这类数据将会给消费者带来潜在的隐私风险;而对于后者来说，数据产生于生产过程，其使用虽与消费者个人隐私无关，但需要企业投入资源进行收集和清洗工作。通过设定只含有生产者数据的基准模型、只含有消费者数据的对照模型，以及同时包含两类数据的综合模型，本文对数据要素的构成方式以及两种数据各自的作用机制予以进一步分析。研究发现，在提升数据总体使用量和人力资本积累效率方面，来自生产过程的数据能够发挥出更大的作用。随着生产者数据与消费者数据之间替代弹性的不断增加，生产者数据的水平明显超过了后者并逐渐占据主导地位，在提升数据总量和刺激教育投资的同时，促使人力资本存量从逆周期不断向顺周期转变。

本文通过将数据纳入人力资本投资方程，把数字经济与人力资本有机地结合了起来，为之后的研究提供了简明的建模思路。将数据视作人力资本积累的投入要素，剖析不同来源类型的数据对人力资本周期性的影响，得到了与以往研究不同的结论，为数字经济时代的教育发展新模式提供了理论基础，具有重要的实践意义和政策含义。

3.2 政策启示

基于本文的研究结论，可提出如下三点政策建议：第一，应当推动建立多类型数据的共享平台。数据具有非竞争性，同样的数据可以供不同的场景使用而不会耗尽，总量数据产生的价值总是大于单个数据价值的加总。这种特征对于释放数据的全部价值潜力至关重要。从用户的应用程序到企业的数字平台，从消费者数据到工业生产数据，随着数据来源类型的增多，从数据中获取价值的范围也逐渐扩大。因此，应当在实现高质量发展目标的相关领域，以尊重公民个人隐私的方式，建立一个广泛的、包含生产者和消费者多方利益相关的以汇集多种类型数据、共享数据公共产品为目标的平台，从而最大限度地发挥数据的价值，推动人力资本积累，促进经济高质量发展。

第二，发挥数据要素在数字技术教育和企业技能培训中的关键作用。数字基础设施是数据要素塑造数字人才的必要条件，与之对应的充分条件则是增加数据与数字技术教育和企业技能培训的融合度。具体而言，在学校非数字专业中增设数据科学综合课程，对于数字专业则更新与现阶段需求相适配的课程内容并增加实训教学。让学生在夯实数字技术知识和计算机基本操作的基础上，不断培养数据处理分析技能，真正掌握数字技术开发原理。另外，在企业技能培训中增加数据分析的应用场景和实践机会，促进劳动者传统技能数字化转型，鼓励技能应用与数字技术紧密结合。

第三，应当鼓励教育投资和人力资本积累方式的创新。教育投入的逆周期性意味着国民收入上升时教育投资反而出现下降，将会带动人力资本积累逆周期变动，不利于教育行业的长期发展以及人才队伍的有效供给。因此，应当在经济形势向好阶段也同样加大财政教育支出力度，鼓励家庭和个人增加教育投资，充分释放教育和知识红利，发挥人口大国的要素禀赋优势，促进人口红利转向人力资本红利。除此之外，在数字经济的背景下不断探索和创新人力资本的培养与积累方式，将数字投资纳入人力资本发展战略，鼓励数字技术与教育投资深度融合，推动人力资本结构走向多元化与高级化，为经济高质量发展增添动力。

参考文献

柏培文， 张云. 2021. 数字经济、人口红利下降与中低技能劳动者权益[ J]. 经济研究， 56（5）： 91-108.Bai P W， Zhang Y. 2021. Digital economy， declining demographic dividends and the rights and interests of low-and medium-skilled labor[ J]. Economic Research Journal， 56（5）： 91-108. （in Chinese）

蔡跃洲， 马文君. 2021. 数据要素对高质量发展影响与数据流动制约[ J]. 数量经济技术经济研究， 38（3）： 64-83.Cai Y Z， Ma W J. 2021. How data influence high-quality development as a factor and the restriction of data flow [ J]. The Journal of Quantitative amp; Technical Economics， 38（3）： 64-83. （in Chinese）

蔡跃洲， 牛新星. 2021. 中国数字经济增加值规模测算及结构分析[ J]. 中国社会科学，（11）： 4-30.Cai Y Z， Niu X X. 2021. Scale measurement and structural analysis of the valueadded of Chinas digital economy[ J]. Social Sciences in China， （11）： 4-30. （ inChinese）

李梦娜， 周云波. 2022. 数字经济发展的人力资本结构效应研究[ J]. 经济与管理研究， 43（1）： 23-38.Li M N， Zhou Y B. 2022. Research on human capital structure effect of digital economy development[J]. Research on Economics and Management， 43（ 1）： 23-38. （in Chinese）

梅冬州， 龚六堂. 2011. 新兴市场经济国家的汇率制度选择[J]. 经济研究， 46（11）：73-88.Mei D Z， Gong L T. 2011. The determinants of exchange rate regime in the emerging economies [ J]. Economic Research Journal， 46 （ 11 ）： 73-88. （ inChinese）

戚聿东， 刘翠花， 丁述磊. 2020. 数字经济发展、就业结构优化与就业质量提升[J]. 经济学动态，（11）： 17-35.Qi Y D， Liu C H， Ding S L. 2020. Digital economic development， employment structure optimization and employment quality upgrading[J]. Economic Perspectives，（11）： 17-35. （in Chinese）

陶小龙， 肖培. 2021. 数字经济时代人力资本的价值特点与开发策略[ J]. 信息与管理研究， 6（6）： 74-84.Tao X L， Xiao P. 2021. Value characteristics and development strategy of human capital in digital economy era[J]. Journal of Information and Management， 6（6）：74-84. （in Chinese）

徐翔， 赵墨非. 2020. 数据资本与经济增长路径[J]. 经济研究， 55（10）： 38-54.Xu X， Zhao M F. 2020. Data capital and economic growth path[ J]. Economic Research Journal， 55（10）： 38-54. （in Chinese）

杨建芳， 龚六堂， 张庆华. 2006. 人力资本形成及其对经济增长的影响———一个包含教育和健康投入的内生增长模型及其检验[J]. 管理世界，（5）： 10-18， 34.Yang J F， Gong L T， Zhang Q H. 2006. Human capital formation land its effects on economic growth[J]. Journal of Management World， （5）： 10-18， 34. （in Chinese）

叶胥， 杜云晗， 何文军. 2021. 数字经济发展的就业结构效应[J]. 财贸研究， 32（4）：1-13.Ye X， Du Y H， He W J. 2021. Employment structure effect of digital economy development[J]. Finance and Trade Research， 32（4）： 1-13. （in Chinese）

俞伯阳， 丛屹. 2021. 数字经济、人力资本红利与产业结构高级化[ J]. 财经理论与实践， 42（3）： 124-131.Yu B Y， Cong Y. 2021. Digital economy， human capital dividend and advanced industrial structure[J]. The Theory and Practice of Finance and Economics， 42（3）：124-131. （in Chinese）

余长林. 2006. 人力资本投资结构与经济增长———基于包含教育资本、健康资本的内生增长模型理论研究[J]. 财经研究， 32（10）： 102-112.Yu C L. 2006. Investment structure in human capital and economic growth—Endogenous economic growth analysis based on education capital and health capital[J]. Journal of Finance and Economics， 32（10）： 102-112. （in Chinese）

张同斌. 2016. 从数量型“人口红利”到质量型“ 人力资本红利”———兼论中国经济增长的动力转换机制[J]. 经济科学，（5）： 5-17.Zhang T B. 2016. From quantitative “ Demographic Dividend” to qualitative“Human Capital Dividend”[J]. Economic Science， （5）： 5-17. （in Chinese）

朱超， 余颖丰， 易祯. 2018. 人口结构与经常账户： 开放DSGE 模拟与经验证据[J]. 世界经济， 41（9）： 26-50