来源：经济学家圈

2026年3月7日，2026中国数字经济发展和治理学术年会（重庆）在西南政法大学成功举办。中国科学院大学经济与管理学院院长洪永淼教授发表题为《数据资产价值与人工智能技术贡献的测度》的主旨演讲。本文根据洪永淼教授现场发言内容整理。本文来源：清华服务经济与数字治理研究院：编辑|朱宏锐，审核|靳景。

洪永淼：数据资产价值与人工智能技术贡献的测度

我今天主要从经济统计学的视角出发，谈谈“数据资产价值与人工智能技术贡献的测度”问题。

在数字经济时代，大数据和人工智能技术正在重塑人类的生产与生活方式。一方面，数据已经成为关键的生产要素，并逐步实现资产化与市场化配置。另一方面，以人工智能为代表的新一代通用技术正在改变技术进步的实现方式、扩散路径以及应用场景，并对经济增长产生深远而广泛的影响。

因此，数据要素与数据资产价值的测度具有重要意义。首先，数据要素价值的测度有利于贯彻按要素贡献参与分配的原则。其次，数据要素的价值测度是数据价格形成和数据要素市场化配置的基本前提。统一的数据资产价值测度将为数据定价提供一个更加客观的基础。通过价格信号引导数据要素在不同的产业、场景进行有序流动，使数据资源向利用效率高、边际回报率高的领域聚集，从而提高数据要素市场的资源配置效率和优化能力。此外，数据要素的价值测度也是科学评估人工智能技术对经济增长贡献的关键前提。我们知道没有大数据就没有人工智能。如果不能合理测度数据资产的价值，那么人工智能所带来的生产效率提升和产出增长，将难以在经济增长核算框架里面得到准确分解，它的真实经济贡献也难以被充分识别与评估。

我今天主要讨论两个问题：一是如何测度数据要素和数据资产的价值；二是如何测度人工智能技术对经济增长的贡献。

一、历史借鉴：资本测度与技术进步贡献

从经济统计学的发展历史来看，生产要素的测度方式对技术进步贡献率的估计具有重要影响。在20世纪50年代至70年代，两位诺贝尔经济学奖得主罗伯特•索洛（R. Solow）和西蒙•库兹涅茨（S. Kuznets）分别基于美国经济数据开展了开创性的实证研究。其中，索洛提出的经济增长理论框架至今仍然是增长核算研究的重要基础。根据他们的测算结果，美国经济增长中技术进步的贡献率超过80%，而资本与劳动等传统生产要素的贡献合计仅约为20%。

然而，随着经济统计学和国民经济核算方法的发展，学界对生产要素贡献的理解逐步发生变化。哈佛大学经济统计学家戴尔•乔根森（Jorgenson，2018）基于新的资本测度方法对1947-2012年美国经济增长来源进行了重新估算，研究发现劳动和资本投入对美国经济增长的贡献合计高达80%，而技术进步的贡献只有20%。之所以得出截然相反的结论，主要因为资本要素测度方法的创新。联合国1993年发布的国民账户体系（SNA 1993）曾指出，资本要素测度是不可能的，而2008年发布的SNA 2008对资本要素的测度进行了方法论创新。其中最重要的一个创新是把资本服务（Capital Services）概念引入国民经济核算体系，用以替代索洛和库兹涅茨之前使用的资本存量（Capital Stock）概念。将资本存量作为资本投入的方法忽略了资本异质性和使用效率的差异，特别是折旧率大、价格下降快的高消耗资本。而SNA 2008通过使用资本服务的价格和数量来衡量资本投入，能更加准确地反映资本要素在生产中的实际贡献。

SNA 2008在资本测度方面的另一个重要创新，是将无形资本也纳入资本服务的测度中。无形资本包括R&D、软件、品牌、组织、培训和设计等资产，长期以来未被纳入到国民经济核算体系的资本测度。通过将无形资本正式纳入经济核算，SNA 2008为重新审视资本要素在经济增长中的贡献奠定了基础。世界知识产权组织（WIPO）发布的《2025年世界无形资产投资报告》显示，自2008年以来，在全球27个主要经济体中，无形资产投资的增长速度比有形资产快了3倍多。

信息技术的快速发展推动资本投入的结构发生重大变化，特别是由于IT资本的高折旧率与价格快速下降，传统资本存量测度低估了这些高效资本的实际贡献。新的资本测度方法通过区分不同类型的IT（如IT和非IT资本），能够更加精确地测度折旧率和价格指数，显著提升了资本投入在增长核算中的比重，降低全要素生产率的相对贡献。乔根森等人根据IT资本投入的强度，将美国经济部门划分为三类，一是IT生产行业，即数字产业，包括计算机、电子制造、信息与数据处理以及计算机系统设计等行业；二是IT使用行业，即数字化产业，特别是大量使用数字化IT技术的传统行业；三是非IT产业。研究结果表明，在1947-2012年间对美国经济增长率的贡献中，IT生产行业为2.5%，IT使用行业为47.5%，非IT行业对美国经济增长率的贡献达到50%。

二、数据资产价值测度与数据资产入表

与资本要素测度一样，数据资产价值的科学测度对核算数据要素在数字经济增长中的贡献至关重要。联合国去年发布的SNA 2025首次系统性明确了数字资产的生产性资产属性，将使用超过一年并且能够带来经济利益的数据纳入知识产权产品范畴，有效解决了数据要素在传统核算中的价值体现难题。

近年来中国陆续出台多项政策文件，明确数据资源可以作为资产纳入企业资产负债表。政策实施以来，很多企业特别是国企，还有地方政府正在以极大热情推动数据资产入表，而数据资产入表的一个重要前提正是要科学合理地测度数据资产的价值。数据资产价值测度主要存在三类方法。一是收益法，该方法以数据未来可能带来的预期收益为基础，通过折现技术将未来收益转换为当前价值，从而估算数据资产的资本价值。二是市场法，该方法通过参考与目标数据资产相似的数据产品或数据服务的市场交易价格，对数据资产价值进行估算。但在当前阶段，数据要素市场仍处于发展初期，交易机制尚不完善，可参考产品有限，因此市场法在实际操作中面临一定困难。三是成本法，该方法根据数据在采集、存储、处理、清洗、分析以及维护等全生命周期环节中的投入成本，对数据资本形成额进行估算。相较于前两种方法，成本法在技术上相对简单，也不依赖于成熟的数据市场环境，因此在实践中具有较强的可操作性。

值得注意的是，2025年12月24日，财政部等四部门联合发布《关于严格执行企业会计准则 切实做好企业2025年年报工作的通知》，明确指出在现阶段企业确认数据资产时原则上应采用成本法进行计量。这一政策安排的重要考虑在于，在数据要素市场尚未完全成熟的条件下，通过成本法能够在一定程度上防范数字资产估值过高而形成潜在资产泡沫。然而，资产或资本的核心功能在于实现价值创造与价值增值。如果仅依赖成本法进行数据资产计量，其在揭示数据要素的价值创造能力方面仍然存在明显局限，因为成本投入并不能完全反映数据在不同应用场景中的经济价值。因此，在理论层面仍有必要进一步开展系统研究：在数据要素市场尚未完全成熟的条件下，如何借助现代经济学方法以及计算机科学中的大模型模拟与仿真技术，探索更加合理的数据资产价值估计方法，既能够相对准确地反映数据要素的真实经济价值，又能够通过价格机制引导数据要素流向国家战略性新兴产业以及高生产率部门，从而更好地发挥数据要素在经济高质量发展中的基础性作用。

三、人工智能技术的贡献测度

随着数字技术的快速发展，人工智能正日益成为推动新质生产力形成与经济高质量发展的重要技术力量。然而，在经济统计与增长核算中，如何准确测度人工智能技术对经济增长的贡献，仍然面临一系列方法论挑战。类似的测度困境在信息技术发展早期也曾出现。20世纪80年代，计算机技术开始在企业生产与社会生活中得到广泛应用，但当时的宏观生产率统计数据却未能体现出显著变化。这一现象被称为“索洛悖论”（Solow Paradox）。正如索洛所指出的：“计算机无处不在，唯独没有出现在生产率统计中。”

围绕这一悖论，学界提出了多种解释。第一，滞后效应。信息技术虽然能够显著提升生产效率，但其影响往往需要通过组织结构调整、生产流程再造以及商业模式创新等途径逐渐释放，在短期统计数据中可能难以体现。第二，再分配效应。信息技术在创造新产业与新职业的同时，也会替代部分传统行业与就业岗位，从而在宏观层面形成一定程度的相互抵消。第三，技术扩散效应。通用技术的扩散通常具有较长周期，其影响需要通过广泛的行业应用与制度调整才能逐步体现。第四是测量误差，计算机技术进步并非没有带来生产率提升，而是尚未被现有经济统计系统在投入、产出、价格等维度准确辨认，从而被纳入现有增长核算框架中。

根据MIT最近发布的《生成式AI鸿沟：2025年商业人工智能现状》报告，全球企业在生成式人工智能领域累计投入300亿-400亿美元，但是高达95%的企业尚未获得实质性的回报。同时，宏观层面的生产率统计数据也未出现明显提升，曼彻斯特大学经济学家巴特•阿克（B. Ark）等人的研究显示，全球主要经济体G20的劳动生产率增长从2008的接近3.5%下降到2023年的2%，全要素生产率的增长从全球金融危机前的1.1%跌入负值区间，尽管这段时期数字技术和人工智能一直在蓬勃发展。所以测度人工智能技术对经济增长的贡献，一个核心难点在于如何从整体增长中扣除劳动、资本以及数据等生产要素的贡献，从而精准捕捉由人工智能技术引致的生产率增量。

我们可以把人工智能驱动的经济增长简单分解为两个阶段，第一阶段是人工智能技术的生产阶段。在这一阶段，人工智能研发与模型训练需要投入劳动、资本以及数据等要素，其产出是人工智能技术。第二阶段是人工智能技术的应用阶段。在这一阶段，人工智能技术被应用于各类生产与服务部门，与劳动、资本以及数据等要素共同作用，最终生产出面向市场的产品与服务。在这一分析框架中，数据具有双重属性：既是最终产品与服务生产过程中的独立生产要素，又是人工智能技术形成过程中不可或缺的基础投入。因此，从方法论角度来看，准确测度数据资产价值并剥离其直接贡献，是识别人工智能技术贡献的关键步骤，但同时也具有较高的技术难度。

此外，传统的GDP指标并不能全面衡量数字经济的发展，GDP是衡量生产的指标，但它不是衡量福利的好指标。在数字经济时代，大量数字产品与服务以零价格或接近零价格的形式提供，例如在线百科、在线翻译、社交媒体以及开源大模型等。这些产品虽然为用户创造了大量价值，但是对消费者剩余具有重要作用。由于没有市场价格，其贡献往往无法体现在GDP统计中。最近斯坦福大学经济学家埃里克•布林约尔松（E. Brynjolfsson）等人提出一个改良指标“GDP-Benefits”，即在传统GDP核算之外，将数字产品为消费者创造的福利价值纳入经济衡量体系，能够更好地刻画数字经济对人类经济社会的贡献。比如Facebook 为美国消费者创造的月度消费者剩余价值约为38美元。在对13个国家的调查中，数字产品所创造的福利价值合计约为2.5万亿美元，其中美国约为1.29万亿美元，占比接近一半。

四、结论

要准确测度人工智能技术对经济增长的贡献，至少需要满足三个基本条件：第一，准确测度数字资产的价值；第二，构建符合人工智能技术特征与内在逻辑、具有坚实微观基础的生产函数；第三，构建能够测度不同产品和服务对社会福利贡献的指标，而非仅依赖传统GDP指标。对人工智能技术贡献的准确测度，不仅有助于理性评价人工智能技术在驱动经济增长中的真实作用，也有助于深化对资本、数据等要素投入对经济增长贡献的认识，从而为数字经济条件下推动经济高质量发展提供更加稳健且具可操作性的政策依据。■

特别声明：以上内容仅代表作者本人的观点或立场，不代表Hehson财经头条的观点或立场。如因作品内容、版权或其他问题需要与Hehson财经头条联系的，请于上述内容发布后的30天内进行。