數(shù)據(jù)要素、數(shù)據(jù)挖掘與中國服務(wù)業(yè)生產(chǎn)率提升

于柳箐 高煜

摘?要：數(shù)字經(jīng)濟(jì)時(shí)代下數(shù)據(jù)要素的出現(xiàn)為實(shí)現(xiàn)服務(wù)業(yè)生產(chǎn)率進(jìn)一步提升提供了新的可能。本文基于2012—2019年中國省際面板數(shù)據(jù)，使用雙重機(jī)器學(xué)習(xí)方法探究了數(shù)據(jù)要素影響服務(wù)業(yè)生產(chǎn)率提升的效應(yīng)、作用機(jī)制與異質(zhì)性表現(xiàn)。研究發(fā)現(xiàn)，數(shù)據(jù)要素顯著促進(jìn)中國服務(wù)業(yè)生產(chǎn)率提升；數(shù)據(jù)挖掘能力的提高增強(qiáng)了數(shù)據(jù)要素對(duì)服務(wù)業(yè)生產(chǎn)率提升的效應(yīng)；數(shù)據(jù)要素更有助于生活性服務(wù)業(yè)以及中國東部和南方地區(qū)服務(wù)業(yè)的生產(chǎn)率提升。

關(guān)鍵詞：數(shù)據(jù)要素；數(shù)據(jù)挖掘；服務(wù)業(yè)生產(chǎn)率；雙重機(jī)器學(xué)習(xí)

中圖分類號(hào)：F719??文獻(xiàn)標(biāo)識(shí)碼：A??文章編號(hào)：1001-148X（2024）03-0009-11

收稿日期：2023-08-01

作者簡介：于柳箐（1990—），男，陜西西安人，博士研究生，研究方向：機(jī)器學(xué)習(xí)、計(jì)量經(jīng)濟(jì)學(xué)、產(chǎn)業(yè)經(jīng)濟(jì)學(xué)；高煜（1973—），男，陜西白水人，教授，博士生導(dǎo)師，研究方向：產(chǎn)業(yè)經(jīng)濟(jì)學(xué)、發(fā)展經(jīng)濟(jì)學(xué)。

基金項(xiàng)目：國家社會(huì)科學(xué)基金后期資助項(xiàng)目“創(chuàng)新驅(qū)動(dòng)價(jià)值鏈升級(jí)的理論與實(shí)證研究”，項(xiàng)目編號(hào)：21FJLB028；陜西省社會(huì)科學(xué)基金項(xiàng)目“現(xiàn)代產(chǎn)業(yè)分工推動(dòng)西安都市圈與關(guān)中平原城市群協(xié)調(diào)發(fā)展研究”，項(xiàng)目編號(hào)：2021DA016。

①《中華人民共和國2019年國民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)》顯示，服務(wù)業(yè)超過農(nóng)業(yè)和工業(yè)成為第一大產(chǎn)業(yè)，其增加值占GDP的比重和對(duì)GDP的貢獻(xiàn)率均達(dá)到50%以上。

一、引?言

黨的二十大報(bào)告指出，要“構(gòu)建優(yōu)質(zhì)高效的服務(wù)業(yè)新體系”，而推進(jìn)服務(wù)業(yè)生產(chǎn)率提升是其首要任務(wù)。當(dāng)前，中國已經(jīng)進(jìn)入了以服務(wù)經(jīng)濟(jì)為主的新時(shí)代①［1］，同時(shí)也結(jié)束了持續(xù)近四十年的高速經(jīng)濟(jì)增長。從產(chǎn)業(yè)結(jié)構(gòu)來看，中國經(jīng)濟(jì)增速放緩主要是由于以服務(wù)業(yè)為主導(dǎo)產(chǎn)業(yè)結(jié)構(gòu)的經(jīng)濟(jì)體系出現(xiàn)經(jīng)濟(jì)增速下行的趨勢(shì)，而之所以發(fā)生這種“結(jié)構(gòu)性減速”，主要原因在于服務(wù)業(yè)本身具有低效率特征，進(jìn)而產(chǎn)生了所謂的“成本病”問題。Baumol（1967）研究發(fā)現(xiàn)，隨著技術(shù)進(jìn)步，制造業(yè)對(duì)勞動(dòng)力的需求不斷減少，在勞動(dòng)力要素轉(zhuǎn)移至服務(wù)業(yè)后，不僅沒有推動(dòng)服務(wù)業(yè)生產(chǎn)率提升，反而由于產(chǎn)業(yè)間效率的不平衡增長導(dǎo)致整體經(jīng)濟(jì)增速下滑［2］。因此，為改變中國經(jīng)濟(jì)增速下行趨勢(shì)，必須進(jìn)一步提升服務(wù)業(yè)生產(chǎn)率。然而，勞動(dòng)力、資本等生產(chǎn)要素普遍存在邊際報(bào)酬遞減特性，同時(shí)在人口老齡化、工資上漲、資本效率下降等情況下，傳統(tǒng)要素提升服務(wù)業(yè)生產(chǎn)率的動(dòng)能不足［3-4］。

幸運(yùn)的是，中國經(jīng)濟(jì)在進(jìn)入以服務(wù)業(yè)為主的發(fā)展階段時(shí)，恰好與數(shù)字技術(shù)的興起相重合，因此有可能打破“服務(wù)業(yè)時(shí)代是低增長時(shí)代”這個(gè)過往的規(guī)律［1］。數(shù)字技術(shù)的應(yīng)用不僅能從根本上改變傳統(tǒng)服務(wù)業(yè)低效率的特征，還可以創(chuàng)造新的服務(wù)和商業(yè)模式，使得服務(wù)業(yè)生產(chǎn)率得以提升［5-8］。更為重要的是，隨著大數(shù)據(jù)、物聯(lián)網(wǎng)、云計(jì)算等數(shù)字技術(shù)的進(jìn)步，中國步入了數(shù)字經(jīng)濟(jì)時(shí)代，其中最為鮮明的變化是，數(shù)據(jù)成為繼勞動(dòng)力、資本等傳統(tǒng)要素后形成的又一基礎(chǔ)性生產(chǎn)要素。2020年3月30日，印發(fā)的《中共中央?國務(wù)院關(guān)于構(gòu)建更加完善的要素市場化配置體制機(jī)制的意見》，第一次從國家層面確立了數(shù)據(jù)基礎(chǔ)性生產(chǎn)要素的地位。2022年12月2日，又印發(fā)了《中共中央?國務(wù)院關(guān)于構(gòu)建數(shù)據(jù)基礎(chǔ)制度更好發(fā)揮數(shù)據(jù)要素作用的意見》，進(jìn)一步強(qiáng)調(diào)“為加快構(gòu)建數(shù)據(jù)基礎(chǔ)制度……激活數(shù)據(jù)要素潛能”。

數(shù)據(jù)要素與傳統(tǒng)要素最根本的區(qū)別在于具有易復(fù)制性，使得其額外使用的成本幾乎為零，由此又衍生出數(shù)據(jù)要素的非競爭性，即任何主體都可以使用同一套數(shù)據(jù)而不會(huì)損害其他主體對(duì)數(shù)據(jù)的使用，尤其是與傳統(tǒng)要素邊際產(chǎn)出不斷下降不同，數(shù)據(jù)要素的回報(bào)率較高［9］，因此體現(xiàn)出巨大的經(jīng)濟(jì)價(jià)值［10］。Müller等（2018）與張葉青等（2021）分別針對(duì)美國和中國企業(yè)的實(shí)證研究發(fā)現(xiàn)，大數(shù)據(jù)的應(yīng)用顯著提高了企業(yè)生產(chǎn)效率，這無疑提供了數(shù)據(jù)要素可以提升服務(wù)業(yè)生產(chǎn)率的部分證據(jù)［11-12］。然而，現(xiàn)有研究主要關(guān)注網(wǎng)絡(luò)技術(shù)［6-7］、數(shù)字經(jīng)濟(jì)發(fā)展［13］等對(duì)服務(wù)業(yè)低效率特征的改善，以及數(shù)字技術(shù)［14］、數(shù)字基礎(chǔ)設(shè)施［15］等對(duì)服務(wù)業(yè)生產(chǎn)率提升的作用，并未涉及數(shù)據(jù)要素對(duì)服務(wù)業(yè)生產(chǎn)率的影響。有鑒于此，本文在厘清數(shù)據(jù)要素提升服務(wù)業(yè)生產(chǎn)率內(nèi)在機(jī)理的基礎(chǔ)上，以2012—2019年中國省際面板數(shù)據(jù)為樣本，使用雙重機(jī)器學(xué)習(xí)方法就數(shù)據(jù)要素影響服務(wù)業(yè)生產(chǎn)率提升的效應(yīng)、作用機(jī)制與異質(zhì)性表現(xiàn)進(jìn)行檢驗(yàn)。本文的研究不僅有助于進(jìn)一步理解數(shù)據(jù)要素的價(jià)值以及如何發(fā)揮其作用，并且對(duì)擁有海量數(shù)據(jù)規(guī)模和豐富應(yīng)用場景優(yōu)勢(shì)的中國而言，證實(shí)數(shù)據(jù)要素對(duì)服務(wù)業(yè)生產(chǎn)率具有提升作用，對(duì)于激活數(shù)據(jù)要素潛能，治愈服務(wù)業(yè)“成本病”，打破經(jīng)濟(jì)“結(jié)構(gòu)性減速”規(guī)律具有重要的現(xiàn)實(shí)意義。

與現(xiàn)有研究相比，本文的創(chuàng)新之處主要體現(xiàn)在以下兩個(gè)方面：（1）就研究內(nèi)容而言，明確從數(shù)據(jù)要素角度對(duì)服務(wù)業(yè)生產(chǎn)率提升問題展開理論分析與實(shí)證檢驗(yàn)，為相關(guān)研究提供了一定補(bǔ)充。首先，理論分析了數(shù)據(jù)要素對(duì)服務(wù)業(yè)生產(chǎn)率提升的影響，豐富了數(shù)據(jù)要素、服務(wù)業(yè)生產(chǎn)率等領(lǐng)域的研究；其次，考察了數(shù)據(jù)挖掘?qū)?shù)據(jù)要素促進(jìn)服務(wù)業(yè)生產(chǎn)率提升的調(diào)節(jié)作用，不僅加深了對(duì)數(shù)據(jù)要素影響服務(wù)業(yè)生產(chǎn)率內(nèi)在機(jī)制的理解和認(rèn)識(shí)，也為更好發(fā)揮數(shù)據(jù)要素生產(chǎn)率提升效應(yīng)提供政策參考。（2）就研究方法而言，使用雙重機(jī)器學(xué)習(xí)這一較為前沿的因果推斷方法，不但滿足了本文的研究需求，還得到了更為有效的數(shù)據(jù)要素提升中國服務(wù)業(yè)生產(chǎn)率效應(yīng)估計(jì)，提高了結(jié)論的可信性。由于影響服務(wù)業(yè)生產(chǎn)率提升的要素較多，為得到數(shù)據(jù)要素的一致估計(jì)，其他潛在混淆因素均需考慮控制。然而在一定樣本容量下，經(jīng)典因果推斷模型僅能控制少量因素，容易發(fā)生由遺漏變量引起的內(nèi)生性問題，但是增加控制變量后，又會(huì)產(chǎn)生自由度下降、多重共線性和“維度災(zāi)難”等問題，造成估計(jì)失效。同時(shí)，其他潛在混淆因素對(duì)服務(wù)業(yè)生產(chǎn)率的影響還可能是非線性的，而經(jīng)典因果推斷模型的線性假設(shè)將造成估計(jì)有偏。在對(duì)數(shù)據(jù)要素提升中國服務(wù)業(yè)生產(chǎn)率效應(yīng)的估計(jì)中，基于機(jī)器學(xué)習(xí)算法在高維數(shù)據(jù)處理和非參數(shù)擬合上的優(yōu)勢(shì)，采用雙重機(jī)器學(xué)習(xí)方法不僅可以控制更多的協(xié)變量，還可以不受函數(shù)形式的限制，從而在一定程度上緩解了使用經(jīng)典因果推斷模型時(shí)所遇到的變量遺漏和函數(shù)誤設(shè)問題。

二、理論機(jī)制與研究假說

作為生產(chǎn)要素的數(shù)據(jù)其實(shí)質(zhì)是存在于網(wǎng)絡(luò)和計(jì)算機(jī)內(nèi)的0—1字符，因而相較于勞動(dòng)力、資本等傳統(tǒng)要素更為原始、分散、細(xì)碎，需要進(jìn)行采集、整理（存儲(chǔ)）、清洗后才能成為企業(yè)生產(chǎn)的投入［16］。尤其是與傳統(tǒng)要素依賴直接消耗和形變產(chǎn)生價(jià)值不同，數(shù)據(jù)中蘊(yùn)藏著規(guī)律，僅具有價(jià)值潛能，只有通過分析提煉出有用的知識(shí)才能將其價(jià)值釋放［17］。數(shù)據(jù)要素促進(jìn)服務(wù)業(yè)生產(chǎn)率提升的機(jī)制如圖1所示。

圖1?數(shù)據(jù)要素促進(jìn)服務(wù)業(yè)生產(chǎn)率提升的機(jī)制

（一）數(shù)據(jù)要素對(duì)服務(wù)業(yè)生產(chǎn)率提升的影響

1?數(shù)據(jù)要素驅(qū)動(dòng)企業(yè)形成數(shù)據(jù)決策范式，實(shí)現(xiàn)服務(wù)業(yè)生產(chǎn)率提升

數(shù)據(jù)作為重要的生產(chǎn)要素之一，改變了服務(wù)業(yè)企業(yè)傳統(tǒng)的經(jīng)營管理決策模式，驅(qū)動(dòng)企業(yè)形成數(shù)據(jù)決策范式。對(duì)日常生產(chǎn)、經(jīng)營、管理中產(chǎn)生的數(shù)據(jù)進(jìn)行挖掘，企業(yè)可以得到優(yōu)化自身經(jīng)營管理決策的有用知識(shí)，而對(duì)這些知識(shí)的應(yīng)用將賦能決策實(shí)踐，提高經(jīng)營管理決策效率。一方面，數(shù)據(jù)決策范式提升了企業(yè)內(nèi)部信息的透明度，形成對(duì)生產(chǎn)經(jīng)營活動(dòng)的細(xì)致觀察，使得決策時(shí)可用信息更加豐富，比如在財(cái)務(wù)決策中，除了使用傳統(tǒng)的資產(chǎn)負(fù)債表、現(xiàn)金流表、利潤表外，還可以引入對(duì)口碑、品牌價(jià)值等數(shù)據(jù)資產(chǎn)的測(cè)量信息［18］。另一方面，數(shù)據(jù)決策范式激發(fā)了企業(yè)在商業(yè)洞察、風(fēng)險(xiǎn)預(yù)判和業(yè)務(wù)模式等方面的創(chuàng)新［19］，進(jìn)而增強(qiáng)了對(duì)市場環(huán)境變化的反應(yīng)，不僅對(duì)未來發(fā)展方向的分析更為準(zhǔn)確，還可以及時(shí)作出相關(guān)決策，在瞬息萬變的市場變化中降低了經(jīng)營管理風(fēng)險(xiǎn)，提高了生產(chǎn)效率［20］。

2?數(shù)據(jù)要素驅(qū)動(dòng)形成數(shù)據(jù)密集型服務(wù)企業(yè)，實(shí)現(xiàn)服務(wù)業(yè)生產(chǎn)率提升

隨著數(shù)據(jù)要素規(guī)模的擴(kuò)大，以及機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、人工智能等算法的優(yōu)化，更多知識(shí)、信息、洞見等得以挖掘提煉，為新產(chǎn)品和新服務(wù)的開發(fā)提供了有力支持［21］。在服務(wù)業(yè)層面，以云計(jì)算、移動(dòng)互聯(lián)網(wǎng)、5G等為技術(shù)支撐，數(shù)據(jù)要素驅(qū)動(dòng)的新業(yè)態(tài)、新服務(wù)、新模式不斷涌現(xiàn)，并逐漸形成一批數(shù)據(jù)密集型服務(wù)企業(yè)，使得住宿餐飲、交通運(yùn)輸、批發(fā)零售等服務(wù)領(lǐng)域不僅實(shí)現(xiàn)了更為有效精準(zhǔn)的供需匹配［22］，更是突破了服務(wù)的時(shí)空限制，改變了服務(wù)業(yè)不可儲(chǔ)存、不可貿(mào)易的特性，從根本上解決了傳統(tǒng)服務(wù)業(yè)低效率的問題［7］。據(jù)此，本文提出以下假說：

H1：數(shù)據(jù)要素可以促進(jìn)中國服務(wù)業(yè)生產(chǎn)率提升。

（二）數(shù)據(jù)挖掘?qū)?shù)據(jù)要素促進(jìn)服務(wù)業(yè)生產(chǎn)率提升的影響

前文分析表明，數(shù)據(jù)在經(jīng)過采集、存儲(chǔ)、清洗和分析等步驟后，將提煉出有關(guān)如何改進(jìn)企業(yè)經(jīng)營管理決策、供需匹配等知識(shí)，進(jìn)而驅(qū)動(dòng)企業(yè)數(shù)據(jù)決策范式和數(shù)據(jù)密集型服務(wù)企業(yè)的形成，實(shí)現(xiàn)服務(wù)業(yè)生產(chǎn)率提升。以上數(shù)據(jù)處理步驟即為數(shù)據(jù)挖掘過程，在數(shù)據(jù)價(jià)值釋放、知識(shí)生產(chǎn)中發(fā)揮著關(guān)鍵作用。數(shù)據(jù)要素的出現(xiàn)以及相關(guān)數(shù)據(jù)挖掘技術(shù)的進(jìn)步改變了知識(shí)發(fā)現(xiàn)模式，尤其是數(shù)據(jù)要素所具有的非競爭性和低復(fù)制成本特征，使其可以被不同主體重復(fù)、同時(shí)挖掘，進(jìn)而促使更多、更有價(jià)值的知識(shí)被發(fā)現(xiàn)，呈現(xiàn)知識(shí)倍增態(tài)勢(shì)，提高企業(yè)新知識(shí)獲取的效率。因此，企業(yè)數(shù)據(jù)挖掘能力越強(qiáng)，知識(shí)生產(chǎn)效率就越高，即從單位數(shù)據(jù)中能夠產(chǎn)生更多的知識(shí)，從而數(shù)據(jù)要素對(duì)企業(yè)生產(chǎn)率的提升就越明顯。據(jù)此，本文提出以下假說：

H2：數(shù)據(jù)挖掘?qū)?shù)據(jù)要素促進(jìn)服務(wù)業(yè)生產(chǎn)率提升具有正向調(diào)節(jié)作用，即數(shù)據(jù)挖掘能力的提高將增強(qiáng)數(shù)據(jù)要素對(duì)服務(wù)業(yè)生產(chǎn)率提升的效應(yīng)。

三、研究設(shè)計(jì)

（一）模型構(gòu)建

為避免使用經(jīng)典線性因果推斷方法可能遭遇的變量遺漏和函數(shù)誤設(shè)問題，得到更為有效的數(shù)據(jù)要素影響中國服務(wù)業(yè)生產(chǎn)率效應(yīng)估計(jì)，本文建立如下部分線性回歸雙重機(jī)器學(xué)習(xí)模型（Partially?Linear?Regression-Double?Machine?Learning，?PLR-DML）：

proi，t=θ0datScai，t+g0Xi，t+Ui，t，EUi，tdatScai，t，Xi，t=0（1）

datScai，t=m0Xi，t+Vi，t，EVi，tXi，t=0（2）

其中，下標(biāo)i代表省份、t代表年份。proi，t為結(jié)果變量，表示服務(wù)業(yè)生產(chǎn)率；datScai，t為處理變量，表示數(shù)據(jù)要素投入規(guī)模；θ0是需要重點(diǎn)關(guān)注的數(shù)據(jù)要素影響服務(wù)業(yè)生產(chǎn)率的條件平均處理效應(yīng)；Xi，t是涉及其他影響服務(wù)業(yè)生產(chǎn)率因素的高維控制變量（協(xié)變量），g0Xi，t與m0Xi，t則分別為關(guān)于Xi，t影響結(jié)果變量proi，t和處理變量datScai，t的未知函數(shù)，即厭惡函數(shù)；Ui，t和Vi，t是條件均值為零的隨機(jī)誤差項(xiàng)。

傳統(tǒng)的參數(shù)回歸首先設(shè)定g0Xi，t為完全線性或交互項(xiàng)、平方項(xiàng)等形式，隨后執(zhí)行OLS估計(jì)，然而由于處理變量datScai，t還受協(xié)變量Xi，t的影響，如此可能導(dǎo)致函數(shù)誤設(shè)，造成估計(jì)有偏。為了避免函數(shù)設(shè)定偏差，可以使用核回歸等非參數(shù)方法估計(jì)0Xi，t，但是當(dāng)協(xié)變量Xi，t維度很高時(shí)，這又會(huì)產(chǎn)生“維度災(zāi)難”問題，造成估計(jì)失效。使用適用于高維數(shù)據(jù)回歸的機(jī)器學(xué)習(xí)方法（如SVM、Lasso、XGBoost）估計(jì)0Xi，t即可解決這一問題，此時(shí)處理變量系數(shù)θ0的估計(jì)量為：

0=1n∑i∈I，t∈TdatSca2i，t－11n∑i∈I，t∈TdatScai，t（proi，t－0（Xi，t））（3）

其中，n表示樣本容量。然而，直接使用機(jī)器學(xué)習(xí)估計(jì)0Xi，t時(shí)將引入正則化偏差，造成估計(jì)量0有偏。為此，需要從處理變量datScai，t分離出協(xié)變量Xi，t的影響，從而得到具有正交性的處理變量，即使用機(jī)器學(xué)習(xí)估計(jì)0Xi，t，然后計(jì)算殘差V[DD（-*2/3][HT6”]^[][HT][DD）]i，t=datScai，t－0Xi，t，此時(shí)V[DD（-*2/3][HT6”]^[][HT][DD）]i，t作為處理變量datScai，t的工具變量滿足相關(guān)性與外生性要求，因此可以使用IV矩估計(jì)得到θ[DD（-*2/3][HT6”]^[][HT][DD）]0：

θ[DD（-*2/3][HT6”]^[][HT][DD）]0=1n∑i∈I，t∈TV[DD（-*2/3][HT6”]^[][HT][DD）]i，tdatScai，t－11n∑i∈I，t∈TV[DD（-*2/3][HT6”]^[][HT][DD）]i，t（proi，t－0（Xi，t））（4）

遺憾的是，估計(jì)量θ[DD（-*2/3][HT6”]^[][HT][DD）]0依然可能存在偏差，因?yàn)槭褂幂^為復(fù)雜的機(jī)器學(xué)習(xí)算法還引入了過擬合偏差，這可以通過交叉擬合解決，即將樣本隨機(jī)劃分為等量的兩部分，一部分用于機(jī)器學(xué)習(xí)估計(jì)0Xi，t和0Xi，t，另一部分用于θ[DD（-*2/3][HT6”]^[][HT][DD）]0的估計(jì)，隨后交換兩部分樣本重新進(jìn)行以上估計(jì)，最后取兩次θ[DD（-*2/3][HT6”]^[][HT][DD）]0估計(jì)值的平均數(shù)此時(shí)這一估計(jì)方法稱為2折交叉擬合，為了提高處理效應(yīng)估計(jì)量的精確性，一般在實(shí)踐中還采用5折交叉擬合進(jìn)行估計(jì)，即將樣本隨機(jī)劃分為5個(gè)部分，進(jìn)行5次交叉估計(jì)。。Chernozhukov等（2018）證明，在消除正則化偏差和過擬合偏差后，PLR-DML處理效應(yīng)估計(jì)量是一致的［23］。

（二）變量設(shè)定

1?結(jié)果變量

本文的結(jié)果變量為服務(wù)業(yè)生產(chǎn)率，以勞動(dòng)生產(chǎn)率（serLab）和全要素生產(chǎn)率進(jìn)行衡量，其中，勞動(dòng)生產(chǎn)率采用人均增加值的自然對(duì)數(shù)表示，全要素生產(chǎn)率則使用Malmquist指數(shù)方法進(jìn)行測(cè)算（以符號(hào)Malmquist_TFP表示）產(chǎn)出變量為服務(wù)業(yè)增加值（經(jīng)過平減處理），投入變量分別為服務(wù)業(yè)就業(yè)人數(shù)和資本存量（基于服務(wù)業(yè)實(shí)際固定資產(chǎn)投資數(shù)據(jù)使用永續(xù)盤存法計(jì)算）。需要說明的是，由于Malmquist計(jì)算的是以基年（2012）的值為1時(shí)后續(xù)年份TFP相較于上一年的變化，因此本文通過累乘上一年指數(shù)的方式將Malmquist_TFP指標(biāo)轉(zhuǎn)換為水平值。。

2?處理變量

本文旨在研究數(shù)據(jù)要素能否提升中國服務(wù)業(yè)生產(chǎn)率的問題，因此處理變量是數(shù)據(jù)要素投入規(guī)模，使用徐翔等（2021）基于成本法估算的歷年中國各省份數(shù)據(jù)要素規(guī)模存量（datSca）的自然對(duì)數(shù)進(jìn)行衡量［24］。具體方法如下：數(shù)據(jù)生產(chǎn)過程中的成本分為人工成本與數(shù)據(jù)庫這里的數(shù)據(jù)庫是指廣義上的進(jìn)行數(shù)據(jù)采集、存儲(chǔ)、清洗和分析等相關(guān)軟件和ICT設(shè)備。成本，前者由相關(guān)勞動(dòng)力的工資支出進(jìn)行衡量，后者則使用相關(guān)ICT資產(chǎn)的投資支出進(jìn)行衡量。t年份i省份j行業(yè)包括《國民經(jīng)濟(jì)行業(yè)分類》標(biāo)準(zhǔn)中的所有二位數(shù)（大類）行業(yè)。的數(shù)據(jù)生產(chǎn)人工成本為αjWagei，j，t，其中αj表示行業(yè)j中數(shù)據(jù)生產(chǎn)勞動(dòng)力成本占總勞動(dòng)力成本的比重，Wage表示就業(yè)人員工資總額?？梢钥吹?，數(shù)據(jù)生產(chǎn)人工成本測(cè)算的關(guān)鍵在于對(duì)αj的估計(jì)。實(shí)際上，任何一類勞動(dòng)力都不會(huì)將全部工作時(shí)長均用于數(shù)據(jù)生產(chǎn)，由于數(shù)據(jù)生產(chǎn)過程主要依賴相應(yīng)的ICT設(shè)備，因此行業(yè)ICT中間投入占總中間投入的比重反映了行業(yè)勞動(dòng)力數(shù)據(jù)生產(chǎn)時(shí)長占總勞動(dòng)時(shí)長的比重，進(jìn)而反映了行業(yè)數(shù)據(jù)生產(chǎn)勞動(dòng)力成本占總勞動(dòng)力成本的比重：

ICT中間投入總中間投入≈勞動(dòng)力數(shù)據(jù)生產(chǎn)時(shí)長總勞動(dòng)時(shí)長≈?jǐn)?shù)據(jù)生產(chǎn)勞動(dòng)力成本總勞動(dòng)力成本=αj（5）

加總所有行業(yè)的數(shù)據(jù)生產(chǎn)人工成本即為t年份i省份的數(shù)據(jù)生產(chǎn)人工成本（∑jαjWagei，j，t），進(jìn)一步與t年份i省份的數(shù)據(jù)庫成本（datBasei，t）使用軟件和信息技術(shù)服務(wù)業(yè)的固定資產(chǎn)投資數(shù)據(jù)衡量。相加即可得到i省份當(dāng)年新增的數(shù)據(jù)要素規(guī)模（流量）此時(shí)為名義值，采用固定資產(chǎn)投資價(jià)格指數(shù)進(jìn)行平減。。最后使用永續(xù)盤存法即可計(jì)算得到i省份在t年份的數(shù)據(jù)要素存量：

datScai，t=1－δDdatScai，t－1+（∑jαjWagei，j，t+datBasei，t）（6）

其中，δD為數(shù)據(jù)要素的折舊率，徐翔和趙墨非（2020）認(rèn)為，短期內(nèi)數(shù)據(jù)要素的折舊率接近于0［9］；基期的數(shù)據(jù)要素存量為當(dāng)年新增數(shù)據(jù)要素規(guī)模除以后5年數(shù)據(jù)要素流量的平均增長率。

3?控制變量

考慮到雙重機(jī)器學(xué)習(xí)具有控制高維協(xié)變量的優(yōu)勢(shì)，為避免遺漏變量偏差，本文參考相關(guān)研究［8，25］，建立了包括7個(gè)要素類別，涵蓋30種要素的影響服務(wù)業(yè)生產(chǎn)率提升的投入要素指標(biāo)體系，如表1所示。不同于現(xiàn)有研究，本文在人力資本要素中包含了數(shù)據(jù)勞動(dòng)指數(shù)據(jù)生產(chǎn)過程中所涉及的有關(guān)勞動(dòng)力。，在物質(zhì)資本要素中包含了數(shù)據(jù)資本指數(shù)據(jù)生產(chǎn)過程中所涉及的有關(guān)軟件和ICT設(shè)備。、網(wǎng)絡(luò)基礎(chǔ)設(shè)施以域名數(shù)（domNa）和互聯(lián)網(wǎng)寬帶接入端口數(shù)（port）作為對(duì)網(wǎng)絡(luò)基礎(chǔ)設(shè)施建設(shè)情況的衡量。，以反映數(shù)字經(jīng)濟(jì)時(shí)代下人力資本與物質(zhì)資本的新內(nèi)涵。其中，對(duì)于數(shù)據(jù)勞動(dòng)人數(shù)（datLab）的測(cè)算，使用與數(shù)據(jù)生產(chǎn)緊密相關(guān)的7個(gè)國民經(jīng)濟(jì)大類行業(yè)計(jì)算機(jī)、通信和其他電子設(shè)備制造業(yè)；儀器儀表制造業(yè)；通用設(shè)備制造業(yè)；專用設(shè)備制造業(yè)；軟件和信息技術(shù)服務(wù)業(yè)；互聯(lián)網(wǎng)和相關(guān)服務(wù)；電信、廣播電視和衛(wèi)星傳輸服務(wù)。在各省的就業(yè)人數(shù)，分別乘以徐翔等（2021）估算的對(duì)應(yīng)行業(yè)數(shù)據(jù)生產(chǎn)勞動(dòng)力成本占總勞動(dòng)力成本的比重［24］，隨后在省份層面對(duì)以上計(jì)算結(jié)果進(jìn)行加總；數(shù)據(jù)資本投資（datInv）使用軟件和信息技術(shù)服務(wù)業(yè)的固定資產(chǎn)投資數(shù)據(jù)進(jìn)行衡量該行業(yè)的固定資產(chǎn)包括進(jìn)行數(shù)據(jù)生產(chǎn)所需的各種軟件、數(shù)據(jù)庫、計(jì)算機(jī)等。，并基于永續(xù)盤存法計(jì)算數(shù)據(jù)資本存量（datK）其中，基期數(shù)據(jù)資本存量為當(dāng)年數(shù)據(jù)資本投資/10%，同時(shí)考慮到數(shù)據(jù)資本的更新?lián)Q代較快，因此設(shè)定折舊率為20%。。

（三）數(shù)據(jù)說明與變量描述性統(tǒng)計(jì)

本文所用面板數(shù)據(jù)的時(shí)間區(qū)間為2012—2019年，共涉及31個(gè)省區(qū)市考慮數(shù)據(jù)可得性，不包括中國臺(tái)灣、中國香港和中國澳門。。計(jì)算服務(wù)業(yè)勞動(dòng)生產(chǎn)率和全要素生產(chǎn)率的相關(guān)數(shù)據(jù)來自《中國第三產(chǎn)業(yè)統(tǒng)計(jì)年鑒》《中國勞動(dòng)統(tǒng)計(jì)年鑒》《中國固定資產(chǎn)投資年鑒》和《中國投資領(lǐng)域統(tǒng)計(jì)年鑒》等。其他控制變量數(shù)據(jù)的來源除以上統(tǒng)計(jì)年鑒外，還包括《中國統(tǒng)計(jì)年鑒》《中國科技統(tǒng)計(jì)年鑒》《中國人口和就業(yè)統(tǒng)計(jì)年鑒》《中國教育統(tǒng)計(jì)年鑒》以及中國研究數(shù)據(jù)服務(wù)平臺(tái)（CNRDS）。缺失的數(shù)據(jù)由線性插值法填補(bǔ)，有關(guān)增加值、固定資產(chǎn)投資、收入等涉及價(jià)格的變量均進(jìn)行了平減處理（2012=1）。另外，由于本文樣本中變量較多且單位存在較大差異，為消除不同量綱對(duì)雙重機(jī)器學(xué)習(xí)估計(jì)的不利影響，對(duì)數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理。主要變量的描述性統(tǒng)計(jì)結(jié)果如表2所示。

四、實(shí)證結(jié)果分析

（一）數(shù)據(jù)要素影響服務(wù)業(yè)生產(chǎn)率的效應(yīng)

表3報(bào)告了使用PLR-DML模型得到的數(shù)據(jù)要素影響服務(wù)業(yè)生產(chǎn)率效應(yīng)估計(jì)結(jié)果采用R語言DoubleML包中的DoubleMLPLR函數(shù)進(jìn)行估計(jì)，超參數(shù)選擇與模型構(gòu)建對(duì)應(yīng)，一方面對(duì)處理變量進(jìn)行正交化處理（orthogonalization）以消除正則化偏差，即score=“IV-type”；另一方面使用交叉擬合估計(jì)處理變量系數(shù)，即dml_procedure=?“dml1”。。其中，模型（1）和（2）使用5折交叉擬合，模型（3）和（4）則使用2折交叉擬合。對(duì)PLR-DML模型中厭惡函數(shù)的估計(jì)可以使用任意機(jī)器學(xué)習(xí)方法，本文選擇默認(rèn)超參數(shù)的XGBoost如無特別說明，后文實(shí)證中均使用默認(rèn)超參數(shù)的XGBoost估計(jì)厭惡函數(shù)，同時(shí)DML超參數(shù)也與基準(zhǔn)估計(jì)一致。，因?yàn)樵摲椒ɑ跇O端梯度提升算法改進(jìn)了經(jīng)典提升森林模型，泛化（樣本外預(yù)測(cè)）性能在眾多機(jī)器學(xué)習(xí)模型中具有優(yōu)勢(shì)，進(jìn)而能更好地反映高維協(xié)變量與數(shù)據(jù)要素投入、服務(wù)業(yè)生產(chǎn)率提升之間真實(shí)的數(shù)據(jù)生成過程，使得對(duì)數(shù)據(jù)要素影響服務(wù)業(yè)生產(chǎn)率效應(yīng)的估計(jì)更為有效。與此同時(shí)，為進(jìn)一步避免不同地區(qū)不隨時(shí)間變化的，以及省際層面隨時(shí)間變化的不可觀測(cè)因素對(duì)估計(jì)的影響，借鑒張濤和李均超（2023）的做法，將省份和年份變量轉(zhuǎn)換為虛擬變量納入?yún)f(xié)變量中，以對(duì)地區(qū)固定效應(yīng)和時(shí)間固定效應(yīng)加以控制［26］?？梢钥吹?，服務(wù)業(yè)生產(chǎn)率無論以勞動(dòng)生產(chǎn)率還是全要素生產(chǎn)率進(jìn)行衡量，在5折和2折交叉擬合下，datSca的系數(shù)均在1%的水平上顯著為正，說明數(shù)據(jù)要素顯著促進(jìn)中國服務(wù)業(yè)生產(chǎn)率提升，假說H1成立。

（二）內(nèi)生性問題處理

在基準(zhǔn)估計(jì)中，雖然已經(jīng)引入了盡可能多的協(xié)變量，并控制了地區(qū)和時(shí)間固定效應(yīng)，但由于樣本限制，依然可能遺漏變量，同時(shí)還可能存在處理變量測(cè)量誤差和雙向因果，從而引發(fā)內(nèi)生性問題，造成PLR-DML估計(jì)不一致。為此，本文使用雙重機(jī)器學(xué)習(xí)的工具變量法予以克服。依據(jù)Chernozhukov等（2018），構(gòu)建部分線性工具變量回歸模型（Partially?Linear?Instrumental?Variable?Regression?Model，?PLIV）［23］：

proi，t=θ0datScai，t+g0Xi，t+Ui，t（7）

IVi，t=m0Xi，t+Vi，t（8）

其中，IV表示datSca的工具變量。參考施炳展和李建桐（2020）的研究，本文選擇建國初期（1953—1957年）各省份人均函件數(shù)量（letter）作為datSca的工具變量［27］。其合理性在于：一方面letter符合相關(guān)性要求，函件數(shù)量反映了各省份居民對(duì)于通信方式的接受程度或者偏好，而這種偏好在省份內(nèi)相對(duì)穩(wěn)定，進(jìn)而影響了此后居民對(duì)互聯(lián)網(wǎng)這一現(xiàn)代通訊方式的接受程度，由于互聯(lián)網(wǎng)是數(shù)據(jù)要素主要的生成與流通媒介，從而與datSca存在相關(guān)性；另一方面letter符合外生性要求，因?yàn)楹H能滿足居民的日常通信需求，并不會(huì)對(duì)服務(wù)業(yè)生產(chǎn)率產(chǎn)生直接影響，同時(shí)建國初期人均函件數(shù)量也不可能影響到近期的服務(wù)業(yè)生產(chǎn)率，因此，letter只能通過地區(qū)數(shù)據(jù)規(guī)模這一途徑間接影響服務(wù)業(yè)生產(chǎn)率。另外，參考鈔小靜和王宸威（2022）的研究，本文還選擇1988年各省份每百萬人微型電子計(jì)算機(jī)產(chǎn)量（computer）作為datSca的工具變量［28］。其合理性在于：一方面computer符合相關(guān)性要求，由于計(jì)算機(jī)是數(shù)據(jù)要素形成、展示、存儲(chǔ)以及分析等的重要載體，因此早期計(jì)算機(jī)產(chǎn)量越高的地區(qū)，后期數(shù)據(jù)要素規(guī)模就可能越大，從而computer與datSca存在相關(guān)性；另一方面computer符合外生性要求，因?yàn)檩^早時(shí)期各省份的計(jì)算機(jī)產(chǎn)量對(duì)近期服務(wù)業(yè)生產(chǎn)率的直接影響微乎其微。因此，computer只能通過地區(qū)數(shù)據(jù)規(guī)模這一途徑間接影響服務(wù)業(yè)生產(chǎn)率。進(jìn)一步，根據(jù)Nunn?and?Qian（2014）的做法，本文為上述截面工具變量引入時(shí)間趨勢(shì)，具體是將letter和computer分別乘以上一年全國軟件和信息技術(shù)服務(wù)業(yè)固定資產(chǎn)投資（不含農(nóng)戶）數(shù)據(jù)，構(gòu)造交互項(xiàng)并取自然對(duì)數(shù)，從而將其擴(kuò)展為面板工具變量［29］。

表4報(bào)告了工具變量估計(jì)結(jié)果采用R語言DoubleML包中的DoubleMLPLIV函數(shù)進(jìn)行估計(jì)，超參數(shù)使用默認(rèn)值，即score=“partialling?out”，dml_procedure=“dml2”。，可以看到，在以勞動(dòng)生產(chǎn)率和全要素生產(chǎn)率衡量服務(wù)業(yè)生產(chǎn)率時(shí)，無論是以computer還是letter作為datSca的工具變量，其系數(shù)均在1%的水平上顯著為正，這與基準(zhǔn)估計(jì)一致，說明充分考慮內(nèi)生性問題后，數(shù)據(jù)要素促進(jìn)中國服務(wù)業(yè)生產(chǎn)率提升的結(jié)論依然成立，本文的研究假說H1得到了進(jìn)一步證實(shí)。

（三）穩(wěn)健性檢驗(yàn)

1?更換處理變量

為進(jìn)一步緩解由處理變量測(cè)量誤差引發(fā)的內(nèi)生性問題，借鑒楊艷等（2023）在驗(yàn)證其估算的數(shù)據(jù)要素價(jià)值是否合理時(shí)的做法，使用移動(dòng)互聯(lián)網(wǎng)接入流量（intFlo）作為數(shù)據(jù)要素投入規(guī)模的代理變量［30］。估計(jì)結(jié)果如表5列（1）所示。

2?更換結(jié)果變量

Malmquist指數(shù)法屬于非參數(shù)方法，在測(cè)算TFP時(shí)不僅無法檢驗(yàn)前沿面的適用性，也未能考慮隨機(jī)因素的影響，為此本文使用基于超越對(duì)數(shù)生產(chǎn)函數(shù)的隨機(jī)前沿分析法（SFA）重新測(cè)算服務(wù)業(yè)全要素生產(chǎn)率（以符號(hào)SFA_TFP表示）。同時(shí)，進(jìn)一步考慮到參數(shù)法測(cè)算TFP時(shí)難以避免內(nèi)生性問題，本文還使用半?yún)?shù)的OP法測(cè)算了服務(wù)業(yè)全要素生產(chǎn)率（以符號(hào)OP_TFP表示）。估計(jì)結(jié)果如表5列（2）和列（3）所示。

3?解釋變量滯后

服務(wù)業(yè)生產(chǎn)率的提升可能會(huì)進(jìn)一步加快形成新業(yè)態(tài)、新服務(wù)、新模式，在深化服務(wù)業(yè)數(shù)字化程度的同時(shí)導(dǎo)致數(shù)據(jù)要素規(guī)模的持續(xù)擴(kuò)大，從而出現(xiàn)雙向因果。為進(jìn)一步緩解由雙向因果導(dǎo)致的內(nèi)生性問題，本文將處理變量和控制變量均滯后一期。估計(jì)結(jié)果如表5列（4）所示。

4?更換機(jī)器學(xué)習(xí)

相比于其他機(jī)器學(xué)習(xí)算法，XGBoost對(duì)數(shù)據(jù)的擬合能力較強(qiáng)，有可能錯(cuò)誤學(xué)習(xí)樣本內(nèi)的隨機(jī)誤差，進(jìn)而降低泛化性能（即發(fā)生過擬合現(xiàn)象），影響雙重機(jī)器學(xué)習(xí)估計(jì)量的有效性和一致性。為避免XGBoost過擬合對(duì)PLR-DML的估計(jì)結(jié)果產(chǎn)生影響，分別使用支持向量機(jī)（SVM）和套索回歸（Lasso）對(duì)厭惡函數(shù)進(jìn)行估計(jì)。結(jié)果如表5列（5）和列（6）所示。

可以看到，在更換處理變量、結(jié)果變量、機(jī)器學(xué)習(xí)以及滯后解釋變量一期后，數(shù)據(jù)要素影響中國服務(wù)業(yè)生產(chǎn)率的效應(yīng)均在1%的水平上顯著為正，這充分說明本文的基本結(jié)論穩(wěn)健。

（四）調(diào)節(jié)機(jī)制檢驗(yàn)

本文在基準(zhǔn)估計(jì)模型（1）、模型（2）的基礎(chǔ)上引入數(shù)據(jù)規(guī)模（datSca）與數(shù)據(jù)挖掘能力變量的交互項(xiàng)，以檢驗(yàn)數(shù)據(jù)挖掘?qū)?shù)據(jù)要素促進(jìn)服務(wù)業(yè)生產(chǎn)率提升效應(yīng)的調(diào)節(jié)作用，具體模型構(gòu)建如下：

proi，t=θ0datScai，t×datMini，t+g0Xi，t+Ui，t，EUi，tdatScai，t×datMini，t，Xi，t=0（9）

datScai，t×datMini，t=m0Xi，t+Vi，t，EVi，tXi，t=0（10）

其中，datMini，t表示i省份在t年的數(shù)據(jù)挖掘能力；θ0是本文關(guān)心的交互項(xiàng)系數(shù)，若顯著為正則表明數(shù)據(jù)挖掘能力的提高增強(qiáng)了數(shù)據(jù)要素對(duì)服務(wù)業(yè)生產(chǎn)率提升的促進(jìn)作用。另外，為保證估計(jì)的一致性，將datScai，t和datMini，t同時(shí)歸入?yún)f(xié)變量Xi，t中。

本文使用多指標(biāo)綜合評(píng)價(jià)方法構(gòu)建數(shù)據(jù)挖掘能力指數(shù)，以反映不同省份歷年的數(shù)據(jù)挖掘能力。數(shù)據(jù)挖掘過程由相關(guān)勞動(dòng)力使用相應(yīng)軟件、數(shù)據(jù)庫、計(jì)算機(jī)等實(shí)現(xiàn)，因此當(dāng)數(shù)據(jù)勞動(dòng)供給和數(shù)據(jù)資本投資充足時(shí)，地區(qū)將擁有較強(qiáng)的數(shù)據(jù)挖掘能力，換言之，數(shù)據(jù)勞動(dòng)人數(shù)和數(shù)據(jù)資本水平體現(xiàn)了地區(qū)的數(shù)據(jù)挖掘能力。鑒于此，本文分別基于主成分分析（PCA）、面板熵值法（EEM）以及算術(shù)平均法（Mean）將數(shù)據(jù)勞動(dòng)人數(shù)、數(shù)據(jù)資本投資和數(shù)據(jù)資本存量三個(gè)指標(biāo)綜合為數(shù)據(jù)挖掘能力指數(shù)（datMin）。

表6報(bào)告了調(diào)節(jié)機(jī)制檢驗(yàn)結(jié)果，可以看到，在以勞動(dòng)生產(chǎn)率和全要素生產(chǎn)率衡量服務(wù)業(yè)生產(chǎn)率時(shí)，無論以何種方法計(jì)算數(shù)據(jù)挖掘能力指數(shù)，交互項(xiàng)datSca×datMin系數(shù)均在1%的水平上顯著為正，說明數(shù)據(jù)挖掘?qū)?shù)據(jù)要素促進(jìn)服務(wù)業(yè)生產(chǎn)率提升具有正向調(diào)節(jié)作用，即數(shù)據(jù)挖掘能力的提高顯著增強(qiáng)了數(shù)據(jù)要素對(duì)服務(wù)業(yè)生產(chǎn)率提升的效應(yīng)，假說H2得到證實(shí)。

五、異質(zhì)性分析

（一）服務(wù)業(yè)類型差異

服務(wù)業(yè)可以分為生產(chǎn)性服務(wù)業(yè)和生活性服務(wù)業(yè)兩種類型，前者是與工業(yè)、制造業(yè)發(fā)展直接配套的一類服務(wù)業(yè)依據(jù)國家統(tǒng)計(jì)局發(fā)布的《生產(chǎn)性服務(wù)業(yè)統(tǒng)計(jì)分類（2019）》標(biāo)準(zhǔn)，生產(chǎn)性服務(wù)業(yè)包括以下行業(yè)：批發(fā)和零售業(yè)，交通運(yùn)輸、倉儲(chǔ)及郵政業(yè)，信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)，金融業(yè)，租賃和商務(wù)服務(wù)業(yè)，科學(xué)研究和技術(shù)服務(wù)業(yè)。，后者是為滿足居民日常生活需求的一類服務(wù)業(yè)依據(jù)國家統(tǒng)計(jì)局發(fā)布的《生活性服務(wù)業(yè)統(tǒng)計(jì)分類（2019）》標(biāo)準(zhǔn)，生活性服務(wù)業(yè)包括以下行業(yè)：住宿和餐飲業(yè)，房地產(chǎn)業(yè)，水利、環(huán)境和公共設(shè)施管理業(yè)，居民服務(wù)、修理和其他服務(wù)業(yè)，教育，衛(wèi)生和社會(huì)工作，文化、體育和娛樂業(yè)。。由于這兩類服務(wù)業(yè)在國民經(jīng)濟(jì)發(fā)展中的用途各異，使得它們?cè)跀?shù)字化進(jìn)程以及數(shù)據(jù)要素需求上可能有所不同，進(jìn)而導(dǎo)致數(shù)據(jù)要素對(duì)這兩類服務(wù)業(yè)生產(chǎn)率提升的效應(yīng)存在差異。為此，本文使用PLR-DML模型分別估計(jì)數(shù)據(jù)要素對(duì)生產(chǎn)性和生活性服務(wù)業(yè)生產(chǎn)率采用勞動(dòng)生產(chǎn)率（即增加值/就業(yè)人數(shù)）的自然對(duì)數(shù)進(jìn)行衡量。其中兩類服務(wù)業(yè)的增加值和就業(yè)人數(shù)數(shù)據(jù)由各自所包括行業(yè)的數(shù)據(jù)加總而來。需要說明的是，國家統(tǒng)計(jì)局一直公布個(gè)別服務(wù)業(yè)行業(yè)的增加值數(shù)據(jù)，比如批發(fā)和零售業(yè)，交通運(yùn)輸、倉儲(chǔ)和郵政業(yè)，住宿和餐飲業(yè)，金融業(yè)，房地產(chǎn)業(yè)，而其他服務(wù)業(yè)行業(yè)的增加值數(shù)據(jù)則全部合并至“其他行業(yè)增加值”指標(biāo)內(nèi)，因此本文參考夏杰長等（2019）的方法，首先分別計(jì)算未公布增加值行業(yè)的工資總額在“其他行業(yè)”工資總額中所占的比例，隨后用這一比例分別乘以“其他行業(yè)增加值”，以推算出未公布增加值行業(yè)的增加值數(shù)據(jù)［25］。的影響效應(yīng)，以探究數(shù)據(jù)要素對(duì)不同類型服務(wù)業(yè)生產(chǎn)率的影響是否具有異質(zhì)性。估計(jì)結(jié)果如表7所示。

從表7可以看到，無論使用5折還是2折交叉擬合進(jìn)行估計(jì)，數(shù)據(jù)要素影響生產(chǎn)性和生活性服務(wù)業(yè)生產(chǎn)率的效應(yīng)均在1%的水平上顯著為正，說明數(shù)據(jù)要素對(duì)這兩類服務(wù)業(yè)的生產(chǎn)率均能發(fā)揮提升作用。進(jìn)一步，從datSca系數(shù)值來看，生產(chǎn)性服務(wù)業(yè)中平均為06531，生活性服務(wù)業(yè)中平均為08234，表明數(shù)據(jù)要素對(duì)這兩類服務(wù)業(yè)生產(chǎn)率提升的作用程度存在明顯差異，相比于生產(chǎn)性服務(wù)業(yè)，數(shù)據(jù)要素更有助于生活性服務(wù)業(yè)生產(chǎn)率的提升。本文的解釋是，隨著相關(guān)數(shù)字技術(shù)的發(fā)展，在出行、住宿、餐飲等生活服務(wù)領(lǐng)域快速形成了各種數(shù)字平臺(tái)比如滴滴出行、貝殼找房、攜程、去哪兒、美團(tuán)外賣等。，有關(guān)企業(yè)使用數(shù)據(jù)要素實(shí)現(xiàn)供需匹配的動(dòng)力較強(qiáng)，在面對(duì)諸如消費(fèi)者畫像、服務(wù)品推薦等復(fù)雜的數(shù)據(jù)要素應(yīng)用場景時(shí)，培養(yǎng)和引進(jìn)了更多數(shù)據(jù)人才，投資了更多數(shù)據(jù)資本，導(dǎo)致生活性服務(wù)業(yè)內(nèi)的企業(yè)在數(shù)據(jù)挖掘能力上具有較大優(yōu)勢(shì)，從而能更有效釋放數(shù)據(jù)要素的潛在價(jià)值。

（二）東西、南北區(qū)域差異

在中國區(qū)域經(jīng)濟(jì)東西差距依然存在的情況下，南北差距也愈發(fā)明顯，與此同時(shí)，各區(qū)域在服務(wù)業(yè)生產(chǎn)率水平、數(shù)字化程度、數(shù)據(jù)要素稟賦等方面也有所不同，可能導(dǎo)致數(shù)據(jù)要素對(duì)不同區(qū)域服務(wù)業(yè)生產(chǎn)率提升的效應(yīng)存在差異。鑒于此，本文在基準(zhǔn)估計(jì)模型（1）和模型（2）的基礎(chǔ)上引入數(shù)據(jù)規(guī)模（datSca）與區(qū)域虛擬變量的交互項(xiàng)，以考察數(shù)據(jù)要素提升服務(wù)業(yè)生產(chǎn)率的區(qū)域異質(zhì)性，模型設(shè)定如下：

serLabi，t=θ0datScai，t×region+g0Xi，t+Ui，t，EUi，tdatScai，t×region，Xi，t=0（11）

datScai，t×region=m0Xi，t+Vi，t，EVi，tXi，t=0（12）

其中，serLabi，t表示i省份在t年的服務(wù)業(yè)勞動(dòng)生產(chǎn)率；region表示區(qū)域虛擬變量，包括東西（EW）、南北（NS）兩個(gè)變量，屬于東部和南方地區(qū)的省份定義為1，屬于西部和北方地區(qū)的省份定義為0東部省份包括：安徽省、北京市、福建省、廣東省、海南省、河北省、黑龍江省、吉林省、江蘇省、江西省、遼寧省、山東省、上海市、天津市、浙江省，其余省份屬于西部地區(qū)；以中國北緯35°線為界，南方省份包括：上海市、江蘇省、浙江省、安徽省、福建省、江西省、湖北省、湖南省、廣東省、廣西省、海南省、重慶市、四川省、貴州省、云南省、西藏自治區(qū)，其余省份屬于北方地區(qū)。。同時(shí)，為保證估計(jì)的一致性，將datScai，t和region歸入?yún)f(xié)變量Xi，t中。估計(jì)結(jié)果如表8所示。

從表8可知，無論以5折還是2折交叉擬合進(jìn)行估計(jì)，datSca×EW和datSca×NS的系數(shù)均在1%的水平上顯著為正，說明相較于西部與北方地區(qū)，數(shù)據(jù)要素促進(jìn)服務(wù)業(yè)生產(chǎn)率提升的效應(yīng)在中國東部和南方地區(qū)更為明顯。對(duì)此可能的解釋是，東部與南方地區(qū)數(shù)據(jù)要素供給更充裕、流通更通暢、價(jià)值釋放更充分，即數(shù)據(jù)要素市場化程度更高這一判斷來自國家工業(yè)信息安全發(fā)展研究中心、北京大學(xué)光華管理學(xué)院等共同編寫的《中國數(shù)據(jù)要素市場發(fā)展報(bào)告（2021—2022）》，該報(bào)告基于對(duì)數(shù)據(jù)要素市場化過程的分析，建立了“中國數(shù)據(jù)要素市場化指數(shù)”。各區(qū)域數(shù)據(jù)要素市場化指數(shù)分別為：南方地區(qū)，5816；北方地區(qū)，5140；東部地區(qū)，7000；西部地區(qū)，4545。，進(jìn)而在數(shù)據(jù)要素的生成環(huán)境、采集渠道、質(zhì)量水平、價(jià)值密度以及知識(shí)提煉等方面具有優(yōu)勢(shì)，不僅有助于服務(wù)業(yè)企業(yè)加快形成數(shù)據(jù)決策范式，也有助于數(shù)據(jù)密集型服務(wù)企業(yè)更好、更快發(fā)展，這無疑更有利于數(shù)據(jù)要素服務(wù)業(yè)生產(chǎn)率提升效應(yīng)的發(fā)揮。

六、結(jié)論與政策建議

本文試圖從理論和實(shí)證兩個(gè)層面探究數(shù)據(jù)要素對(duì)服務(wù)業(yè)生產(chǎn)率的影響，通過理論分析厘清數(shù)據(jù)要素影響服務(wù)業(yè)生產(chǎn)率提升的內(nèi)在機(jī)理，并基于2012—2019年中國省際面板數(shù)據(jù)，使用雙重機(jī)器學(xué)習(xí)方法檢驗(yàn)數(shù)據(jù)要素影響服務(wù)業(yè)生產(chǎn)率提升的效應(yīng)、作用機(jī)制與異質(zhì)性表現(xiàn)。實(shí)證結(jié)果表明：（1）數(shù)據(jù)要素顯著促進(jìn)中國服務(wù)業(yè)生產(chǎn)率提升，在使用雙重機(jī)器學(xué)習(xí)的工具變量法以及經(jīng)過一系列穩(wěn)健性檢驗(yàn)后這一結(jié)論仍然成立；（2）就作用機(jī)制而言，數(shù)據(jù)挖掘能力的提高顯著增強(qiáng)了數(shù)據(jù)要素對(duì)服務(wù)業(yè)生產(chǎn)率提升的效應(yīng)；（3）異質(zhì)性分析還發(fā)現(xiàn)，數(shù)據(jù)要素對(duì)不同類型和區(qū)域服務(wù)業(yè)生產(chǎn)率提升的效應(yīng)存在差異，相比于生產(chǎn)性服務(wù)業(yè)，數(shù)據(jù)要素更有助于生活性服務(wù)業(yè)生產(chǎn)率的提升；相較于西部與北方地區(qū)，數(shù)據(jù)要素促進(jìn)服務(wù)業(yè)生產(chǎn)率提升的效應(yīng)在中國東部和南方地區(qū)更為明顯?；谏鲜鲅芯拷Y(jié)論，本文的政策建議如下：

第一，擴(kuò)大數(shù)據(jù)要素規(guī)模，增加數(shù)據(jù)要素投入。在政策層面，首先，政府應(yīng)著力提高數(shù)據(jù)要素市場化配置水平，加快健全數(shù)據(jù)產(chǎn)權(quán)、數(shù)據(jù)開放、數(shù)據(jù)安全等法律法規(guī)建設(shè)，重視數(shù)據(jù)要素交易和流通的體制機(jī)制建立，努力營造良好的、有助于數(shù)據(jù)要素良性發(fā)展的制度和市場環(huán)境。其次，政府應(yīng)積極推進(jìn)互聯(lián)網(wǎng)+、物聯(lián)網(wǎng)、人工智能、大數(shù)據(jù)等新一代信息技術(shù)的發(fā)展，以加速數(shù)據(jù)要素生成、加快數(shù)據(jù)要素采集。增加數(shù)據(jù)交易中心、區(qū)塊鏈、云服務(wù)平臺(tái)等數(shù)字基礎(chǔ)設(shè)施投入，以加快破除阻礙數(shù)據(jù)要素流動(dòng)的技術(shù)壁壘。鼓勵(lì)創(chuàng)新服務(wù)業(yè)新業(yè)態(tài)、新服務(wù)、新模式，加強(qiáng)金融配套、完善監(jiān)管制度，以加快構(gòu)建豐富的數(shù)據(jù)要素應(yīng)用場景。在企業(yè)層面，服務(wù)業(yè)企業(yè)應(yīng)加大數(shù)據(jù)要素投入占比，轉(zhuǎn)換生產(chǎn)率提升動(dòng)能，進(jìn)而加快形成數(shù)據(jù)決策范式，以提高經(jīng)營管理決策效率，明晰未來發(fā)展方向，減少經(jīng)營風(fēng)險(xiǎn)。另外，對(duì)于生產(chǎn)性服務(wù)業(yè)，政府應(yīng)積極引導(dǎo)數(shù)據(jù)資源，數(shù)據(jù)挖掘人才、設(shè)備等集聚，加速數(shù)字化轉(zhuǎn)型，同時(shí)積極鼓勵(lì)交通運(yùn)輸（物流）、批發(fā)零售、金融等領(lǐng)域深化數(shù)字服務(wù)、平臺(tái)等創(chuàng)新。

第二，加快提高數(shù)據(jù)挖掘能力，充分釋放數(shù)據(jù)要素價(jià)值。首先，服務(wù)業(yè)企業(yè)需要加大對(duì)數(shù)據(jù)傳感器、數(shù)據(jù)存儲(chǔ)服務(wù)器、云計(jì)算設(shè)備、高速計(jì)算機(jī)等的投資，為數(shù)據(jù)要素的采集、存儲(chǔ)、清洗和分析等提供硬件保障。其次，政府需要加快數(shù)據(jù)清洗、分析等人才的培養(yǎng)。由于短期內(nèi)現(xiàn)行的教育體制無法完全滿足企業(yè)對(duì)數(shù)據(jù)挖掘人才的旺盛需求，因此政府應(yīng)牽頭開展產(chǎn)學(xué)研合作，聯(lián)合高校、企業(yè)和一切社會(huì)力量為相關(guān)人才的培養(yǎng)與引進(jìn)提供平臺(tái)。

第三，探索促進(jìn)數(shù)據(jù)要素發(fā)展、提高數(shù)據(jù)挖掘能力的差異化政策。對(duì)于西部和北方省份，首先，各級(jí)政府應(yīng)加強(qiáng)數(shù)據(jù)要素市場化建設(shè)，加快相關(guān)配套制度建立，以擺脫數(shù)據(jù)要素供給不足、流通不暢、價(jià)值釋放不夠的困境，并充分利用數(shù)據(jù)要素服務(wù)業(yè)生產(chǎn)率提升紅利，縮小服務(wù)業(yè)發(fā)展的區(qū)域差距，進(jìn)一步改善中國區(qū)域經(jīng)濟(jì)發(fā)展失衡現(xiàn)狀；其次，國家在數(shù)據(jù)要素市場化配置上應(yīng)給予西部和北方省份一定的政策傾斜，比如批準(zhǔn)建立更多的數(shù)據(jù)存儲(chǔ)或交易中心，使各級(jí)政府可以在數(shù)據(jù)要素市場的供給側(cè)方面做好文章；最后，地方政府應(yīng)盡力完善數(shù)據(jù)人才的引進(jìn)與激勵(lì)機(jī)制，努力做到人才在生活、醫(yī)療、子女教育等方面沒有后顧之憂，以加快實(shí)現(xiàn)數(shù)據(jù)人才集聚。

參考文獻(xiàn)：

［1］?譚洪波.新發(fā)展階段服務(wù)業(yè)“走出去”：路徑、挑戰(zhàn)與對(duì)策［J］．經(jīng)濟(jì)縱橫，2023（3）：60-68.

［2］?Baumol?W?J.?Macroeconomicsof?Unbalanced?Growth：?The?Anatomy?of?Urban?Crisis［J］．American?Economic?Review，?1967，57（3）：?415-426.

［3］?鄭江淮，宋建，張玉昌，等.?中國經(jīng)濟(jì)增長新舊動(dòng)能轉(zhuǎn)換的進(jìn)展評(píng)估［J］．中國工業(yè)經(jīng)濟(jì)，?2018（6）：?24-42.

［4］?楊晨，原小能.?中國生產(chǎn)性服務(wù)業(yè)增長的動(dòng)力源泉——基于動(dòng)能解構(gòu)視角的研究［J］．財(cái)貿(mào)經(jīng)濟(jì)，?2019（5）：?127-142.

［5］?Peters?B，?Riley?R，?Siedschlag?I，et?al.?Internationalisation，?Innovation?and?Productivity?in?Services：?Evidence?from?Germany，?Ireland?and?the?United?Kingdom［J］．Review?of?World?Economics，?2018，154（3）：?585-615.

［6］?江小涓.?網(wǎng)絡(luò)空間服務(wù)業(yè)：效率、約束及發(fā)展前景——以體育和文化產(chǎn)業(yè)為例［J］．經(jīng)濟(jì)研究，?2018（4）：?4-17.

［7］?江小涓，羅立彬.?網(wǎng)絡(luò)時(shí)代的服務(wù)全球化——新引擎、加速度和大國競爭力［J］．中國社會(huì)科學(xué)，2019（2）：68-91+205-206．

［8］?胡宗彪，周佳.?服務(wù)業(yè)全要素生產(chǎn)率再測(cè)度及其國際比較［J］．?dāng)?shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2020（8）：103-122.

［9］?徐翔，趙墨非.?數(shù)據(jù)資本與經(jīng)濟(jì)增長路徑［J］．經(jīng)濟(jì)研究，2020（10）：?38-54.

［10］Jones?C?I，Tonetti?C.?Nonrivalry?and?the?Economics?of?Data［J］．American?Economic?Review，2020，110（9）：?2819-58.

［11］Müller?O，F(xiàn)ay?M，Brocke?V?J.?TheEffect?of?Big?Data?and?Analytics?on?Firm?Performance：?An?Econometric?Analysis?Considering?Industry?Characteristics［J］．Journal?of?Management?Information?Systems，2018，35（2）：?488-509.

［12］張葉青，陸瑤，李樂蕓.?大數(shù)據(jù)應(yīng)用對(duì)中國企業(yè)市場價(jià)值的影響——來自中國上市公司年報(bào)文本分析的證據(jù)［J］．經(jīng)濟(jì)研究，2021（12）：?42-59.

［13］矯萍，田仁秀.數(shù)字技術(shù)創(chuàng)新賦能現(xiàn)代服務(wù)業(yè)與先進(jìn)制造業(yè)深度融合的機(jī)制研［J］．廣東財(cái)經(jīng)大學(xué)學(xué)報(bào)，2023，38（1）：?31-44.

［14］李帥娜.?數(shù)字技術(shù)賦能服務(wù)業(yè)生產(chǎn)率：理論機(jī)制與經(jīng)驗(yàn)證據(jù)［J］．經(jīng)濟(jì)與管理研究，2021（10）：?51-67.

［15］尚文思.?新基建對(duì)勞動(dòng)生產(chǎn)率的影響研究——基于生產(chǎn)性服務(wù)業(yè)的視角［J］．南開經(jīng)濟(jì)研究，2020（6）：?181-200.

［16］Abis?S，Veldkamp?L.?The?Changing?Economics?of?Knowledge?Production［R］．SSRN?Working?Paper，2021，No.3570130.

［17］王超賢，張偉東，顏蒙.?數(shù)據(jù)越多越好嗎——對(duì)數(shù)據(jù)要素報(bào)酬性質(zhì)的跨學(xué)科分析［J］．中國工業(yè)經(jīng)濟(jì)，2022（7）：?44-64.

［18］陳國青，任明，衛(wèi)強(qiáng)，等.?數(shù)智賦能：信息系統(tǒng)研究的新躍遷［J］．管理世界，2022（1）：?180-196.

［19］陳國青，曾大軍，衛(wèi)強(qiáng)，等.?大數(shù)據(jù)環(huán)境下的決策范式轉(zhuǎn)變與使能創(chuàng)新［J］．管理世界，2020（2）：?95-105.

［20］Tanaka?M，Bloom?N，David?J?M，et?al.?Firm?Performance?and?Macro?Forecast?Accuracy［J］．Journal?of?Monetary?Economics，2020，114：?26-41.

［21］蔡躍洲，馬文君.?數(shù)據(jù)要素對(duì)高質(zhì)量發(fā)展影響與數(shù)據(jù)流動(dòng)制約［J］．?dāng)?shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2021（3）：?64-83.

［22］Carrière-Swallow?Y，Haksar?V.?The?Economics?and?Implications?of?Data：?An?Integrated?Perspective［R］．IMF?Departmental?Papers/Policy?Papers，2019，18（12）.

［23］Chernozhukov?V，Chetverikov?D，Demirer?M，et?al.?Double/debiased?Machine?Learning?for?Treatment?and?Structural?Parameters［J］．Econometrics?Journal，2018，21（1）：?C1-C68.

［24］徐翔，田曉軒，厲克奧博.?中國省際數(shù)據(jù)要素規(guī)模——基于就業(yè)人員工資與投資數(shù)據(jù)的測(cè)度與分析［R］．?數(shù)據(jù)要素市場化配置與分配制度改革論壇，2021.

［25］夏杰長，肖宇，李詩林.?中國服務(wù)業(yè)全要素生產(chǎn)率的再測(cè)算與影響因素分析［J］．學(xué)術(shù)月刊，2019（2）：?34-43+56.

［26］張濤，李均超.?網(wǎng)絡(luò)基礎(chǔ)設(shè)施、包容性綠色增長與地區(qū)差距——基于雙重機(jī)器學(xué)習(xí)的因果推斷［J］．?dāng)?shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2023（4）：?113-135.

［27］施炳展，李建桐.?互聯(lián)網(wǎng)是否促進(jìn)了分工：來自中國制造業(yè)企業(yè)的證據(jù)［J］．管理世界，2020（4）：?130-149.

［28］鈔小靜，王宸威.?數(shù)據(jù)要素對(duì)制造業(yè)高質(zhì)量發(fā)展的影響——來自制造業(yè)上市公司微觀視角的經(jīng)驗(yàn)證據(jù)［J］．浙江工商大學(xué)學(xué)報(bào)，2022（4）：?109-122.

［29］Nunn?N，Qian?N.?US?Food?Aid?and?Civil?Conflict［J］．American?Economic?Review，2014，104（6）：?1630-1666.

［30］楊艷，王理，李雨佳，等.?中國經(jīng)濟(jì)增長：數(shù)據(jù)要素的“雙維驅(qū)動(dòng)”［J］．統(tǒng)計(jì)研究，2023（4）：?3-18.

Data?Factors，Data?Mining，and?Productivity?Improvement?of?Chinese?Service?Industry

——Causal?Inference?from?Double?Machine?Learning

YU?Liuqinga，GAO?Yua，b

（Northwest?University，a.School?of?Economics?&?Management;b.China?Western?Economic

Development?Study?Center，Xi′an?710127，China）

Abstract：?Chinas?economy?has?entered?a?development?stage?dominated?by?the?service?industry，but?the?momentum?of?traditional?factors?to?improve?the?productivity?of?the?service?industry?is?insufficient.?In?the?era?of?digital?economy，the?emergence?of?data?factors?provides?new?possibilities?for?further?improving?service?industry?productivity.?Based?on?Chinas?inter?provincial?panel?data?from?2012?to?2019，this?paper?uses?the?double?machine?learning?method?to?explore?the?effects，internal?mechanisms?and?heterogeneous?effects?of?data?factors?on?the?improvement?of?service?industry?productivity.?The?results?show?that?data?factors?significantly?promote?the?productivity?improvement?of?Chinas?service?industry;?The?improvement?of?data?mining?ability?significantly?enhances?the?effects?of?data?factors?on?the?productivity?improvement?of?the?service?industry;?Data?factors?are?more?conducive?to?the?improvement?of?productivity?in?the?life?service?industry，and?their?impact?on?the?improvement?of?productivity?in?the?service?industry?in?eastern?and?southern?regions?of?China?is?more?significant.

Key?words：data?factors;?data?mining;service?industry?productivity;double?machine?learning

（責(zé)任編輯：周正）