数字经济时代一系列新经济形态与经济现象对传统经济理论提出了前所未有的挑战, 迫切需要对现有经济理论进行创新和发展. 本文聚焦数字经济核心议题, 深入探讨了数据要素价值理论、数字经济增长理论以及数字经济政治经济学三个基础领域的理论创新. 文章首先分析了数据作为新型生产要素的独特属性及其赋能特点, 阐释其如何推动价值理论的变革, 其次探讨了数据要素对数字经济增长的重要贡献及其引发的增长理论重构, 最后考察了人工智能对劳动的替代效应、平台经济带来的不对称关系、数字鸿沟导致的社会贫富差距加剧, 以及跨境数据流动与日益激烈的数字科技国际竞争对全球经济的冲击. 本文旨在为数字经济时代的经济理论创新提供新的视角与思路, 以推动经济理论与数字时代发展的紧密契合.
网络外部性是数字经济的典型特征之一, 近十余年的网络分析文献, 用网络博弈的框架, 突破了传统定义中外部性只依赖于社会加总或社会平均的局限, 刻画了网络外部性在对象、强度、作用方向等维度的异质性. 本文对网络外部性商品定价问题的相关文献进行综述, 涵盖了关于网络信息的完全信息与不完全信息两个大类文献中的演进脉络和前沿进展. 进一步, 简要讨论了网络外部性的相关实证、面临的挑战以及数字经济时代的机遇. 最后, 对信息经济学与社会网络分析的学科交叉进行了评论和展望.
数字经济的快速发展通过改变信息生成、呈现与传播机制, 重塑了投资者的决策环境与行为形成方式, 并对资产价格产生影响. 本文以信息内容、信息呈现与信息传播结构为主线, 结合市场行为主体从个体投资者扩展至群体互动并进一步引入算法交易与 AI 智能体的演化趋势, 回顾数字经济环境下投资者行为与资产定价的研究. 研究表明, 社交媒体情绪、移动终端与平台界面通过改变注意力分配与信念更新机制, 使处置效应、过度自信等经典行为偏差表现出显著的情境依赖性; 在群体层面, 社会网络与推荐算法强化信息同质化传播, 表现为市场层面的价格共振; 算法交易与 AI 智能体广泛参与信息处理与交易执行, 市场行为主体逐步演化为人类与智能体并存的多主体结构. 在资产定价层面, 上述行为演化使投资者特征, 群体互动与 AI 智能体行为成为可定价的风险敞口, 推动投资者因子与智能体行为因子成为传统特征因子的有益补充. 数字经济并非仅提升信息效率, 而是通过重构信息作用于人类投资者与 AI 智能体的方式, 改变投资者的交易行为, 从而影响资产价格. 未来研究有必要构建一个融合多维信息环境 (内容、呈现、传播) 与多元行为主体 (人类个体、群体、智能体) 交互作用的统一分析框架, 以系统刻画投资者行为转化为价格的内在机制, 从而深化对数字经济背景下资产定价逻辑的理解.
随着大语言模型 (LLM) 的快速发展, 质性访谈在经济学研究中的规模化应用成为可能. 本文介绍了一种基于多代理 LLM 的半结构化质性访谈方法, 并据此构建了一套完整的工作流程: 由 AI 作为访谈员开展标准化且可追问的半结构化访谈, 随后由 LLM 配合人工审查从访谈文本中提取主题并完成自动化主题编码, 实现从访谈到编码的统一流程. 我们围绕三类政策相关话题——生育意愿、个人养老金缴存与股票市场参与——实施在线访谈实验, 并比较了打字与语音两种输入方式的效果. 共收集到 525 份访谈样本, 平均访谈时长为 23 分钟. 结果表明, 相较于一次性的开放式问答, AI 访谈能够更系统地识别受访者在多轮对话中被激活的考虑因素 (主题), 并刻画其提及频率、出现轮次与主题共现模式, 从而揭示群体异质性, 且与封闭式问卷指标高度相关. 在主观评价方面, 超过 95% 的受访者对 AI 访谈给出正向总体评价, 多数受访者表示更倾向于 AI 主持访谈. 整体访谈与主题编码流程可复制、可审计并具备良好的可扩展性. 最后, 本文讨论了该方法在实际应用中的挑战及其潜在应对策略.
高质量数据是确保统计推断结果可靠与有效的根本. 区间数据的现有研究侧重于建模和估计, 而忽略了异常检测. 本文提出基于修正马氏距离的高维区间数据稳健异常检测方法. 具体地, 我们首先将马氏距离中的协方差矩阵替换为其对角元素组成的对角阵, 以此来避免高维区间数据的协方差矩阵估计问题. 其次, 我们拓展最小对角乘积估计量到区间场景, 以获得对角阵的稳健估计; 在实际检测阶段, 则将修正马氏距离视为多重检验统计量, 并通过 Benjamini-Hochberg 型错误发现率控制 (false discovery rate, FDR) 过程自适应确定异常判别阈值, 从而在给定错误发现率水平下实现对潜在异常观测的联合检测. 在优化层面, 我们给出区间数据最小对角乘积估计量的快速迭代计算方法, 并证明方法的收敛性. 在理论上, 我们证明拓展的估计量保持了原始最小对角乘积估计量的高崩溃点稳健性质. 模拟研究和实证分析证明提出的异常检测方法的有效性.
数字经济时代, 平台企业迅猛发展, 其连接的用户类型与规模持续扩张. 现有理论大多强调用户数量的增长能通过正网络外部性创造社会福利. 然而, 一个潜在的因素也同样值得关注: 随着用户类型的增加, 不同类型之间的异质性, 可能会带来显著的负网络外部性, 如匹配效率下降, 从而减小平台上各类用户的效用. 本文聚焦于不同类别用户之间负网络外部性, 建立了一个垄断数字众创型平台面向多类型用户的定价模型, 研究了用户类型的增加对平台上用户的效用以及平台利润的影响. 研究发现无论用户类型的数量为多少, 均衡下, 市场上每一个类型都有用户加入平台. 通过比较静态分析发现, 随着用户类型数量的增加, 每个类型的用户加入平台的数量以及用户加入平台的效用都减小. 平台上用户总数量以及平台利润增加如何随用户种类变化, 取决于用户之间外部性的大小. 当组内负外部性较小时, 两者随着用户类型数量的增加而增加. 扩展分析发现, 当平台提供给各类型用户的独立性效用, 或不同类型用户之间的外部性具有异质性时, 可能会出现某些类型的用户加入平台无法获得正的效用, 从而不加入平台的现象. 本研究为理解平台增长过程中的平台利润与用户效用的变化提供了新的理论视角, 并对平台如何协调不同类型用户之间的交互具有启示意义.
以大语言模型为代表的人工智能技术 (artificial intelligence, AI) 正在广告生成领域展现出巨大的应用前景, 但其应用也面临两个巨大挑战: 一是广告质量评估标准的主观性与不透明性; 二是 AI 评估广告的过程缺乏可解释性. 本文提出了一个创新的基于多智能体驱动的上下文感知广告评估系统 (context-aware evaluation system, CAES). 该系统基于多智能体协同机制构建, 通过建立广告评估智能体、梯度引擎智能体和评估优化智能体之间的动态交互, 能够从真实广告数据与用户行为反馈 (如点击率) 中学习, 从而持续优化广告生成过程. 本研究通过一系列实验分析, 验证了所提出的框架在广告效果评价和广告内容优化方面的有效性. 本文提出的 CAES 系统实现了对广告内容可解释的量化评估, 克服了传统评估体系的主观性, 并且能够将量化的用户反馈信号反向传播到生成模型的语义空间, 实现评估体系的自动、持续优化, 对提升广告评估效率和可解释性有贡献.
稳定币作为加密金融体系与现实金融体系之间的重要桥梁, 其价值锚定机制与潜在风险已成为学界与政策界关注的重要议题. 本文在梳理现有文献的基础上, 从数理建模视角系统分析三类主流稳定币: 法币储备型, 超额抵押型与算法型的价值锚定机制, 揭示其价格稳定性的条件与约束. 进一步结合 2022 年 UST 脱锚事件, 利用链上数据构建价格动态方程与赎回压力模型, 对稳定币的风险传导路径进行刻画. 在此基础上, 引入网络表征方法与系统性风险度量指标, 将稳定币置于加密金融体系结构网络中分析其在流动性配置, 价格发现以及风险外溢中的作用. 研究结果表明, 稳定币是一种嵌套型金融创新工具, 既依赖外部信用支撑, 又受到市场预期与机制设计约束, 因而在促进加密金融体系发展的同时也可能带来新的系统性风险. 最后, 本文对稳定币监管实践进行评估, 并对未来制度演化方向提出政策建议.
推动城投债市场化定价是防范化解地方债务风险的关键一环. 在当前融资平台财务基本面持续承压的背景下, 城投债定价机制暴露出信用背离与风险错配的问题, 已成为制约金融稳定的重大隐患. 然而, 对于导致风险定价扭曲的内在机制, 现有研究多聚焦于宏观政策与传统信用风险框架, 却较少从大数据与人工智能方法的角度揭示信息环境与制度预期对定价的作用机制. 本文基于文本挖掘与深度学习方法, 从媒体情绪指数与隐性担保预期两个维度切入, 系统考察它们对城投债定价的影响及其交互效应. 研究发现, 媒体情绪能显著压缩城投债发行利差, 而隐性担保能力与意愿强化市场定价偏离, 且其显著削弱了媒体情绪降低发行利差的边际效应. 本文揭示了数字经济时代媒体信息与隐性担保预期的交互逻辑, 为优化城投债市场化定价和规范隐性担保行为提供了重要的实证依据与政策启示.
社会资本指基于亲缘、地缘等关系形成的互惠互助网络及其所蕴含的信用与风险共担资源. 家庭的人情礼承担着准信用和非正规金融等社会资本功能, 但也给部分家庭带来了沉重的经济负担. 在数字普惠金融快速发展的背景下, 能否通过创新的正规金融手段缓解家庭维系社会资本的支出压力已成为一个重要议题. 本文基于中国家庭追踪调查 (CFPS) 数据, 匹配北京大学数字普惠金融指数, 考察数字普惠金融能否减轻家庭维系社会资本的人情礼支出负担. 研究结果表明数字普惠金融显著降低了家庭的人情礼支出. 机制分析显示数字普惠金融通过缓解家庭信贷约束和提高家人间直接经济帮助的便捷性, 减少了家庭对社会资本网络借贷的依赖, 从而降低了人情礼支出. 研究进一步发现, 数字普惠金融减少人情礼支出后提升了家庭消费水平, 也削弱了熟人圈层的社会信任, 但并未动摇家庭内部和更广泛社会范围内的信任基础. 本文丰富了数字普惠金融社会效应的相关研究, 强调评估金融创新时要兼顾经济效益和社会效应.
以新一代信息技术为驱动、以数据为新型生产要素的数字经济正在重塑全球产业格局. 在此背景下, 推动供应链数智化转型以及提升供应链纵深化和可见性日渐成为维护产业稳定与提升企业竞争力的关键. 本文聚焦于数智供应链管理的新场景, 构建层次与路径感知的网络预测模型, 利用多源异构网络图学习技术为数字时代的供应链管理提供一套更为全面的分析框架. 该模型以融合了供应链、行业与产品三个维度信息的多源异构网络图作为输入, 通过一种创新的复合损失函数, 将行业层级结构与元路径等领域知识注入到图神经网络的训练过程中, 对企业之间的潜在供应链关系进行预测, 并将预测结果与多种主流模型进行比较分析. 结果表明: 相较于主流的图嵌入与图神经网络方法, 本文提出的融合领域知识的网络预测模型在召回率 (Recall@20) 和归一化折损累计增益 (NDCG@20) 指标上分别提升了 22.1% 和 17.4%; 逐步引入的行业层级与元路径信息, 不仅提高了模型的可解释性, 也显著提升了模型对复杂商业关系的预测能力. 本文的研究为数字经济时代企业进行数据驱动的数智化供应链风险管理与潜在的合作伙伴识别提供了新的技术工具.
大模型的兴起推动了人工智能领域的新一轮变革, 也显著增强了智能体处理开放, 动态复杂任务的能力, 使其逐步从 “依规则执行” 迈向 “自主智能决策”. 在此背景下, 针对最优风险因子挖掘这类需要大规模、多阶段处理的探索性任务, 本文构建了一个大模型智能体, 以克服传统人工方法在效率、客观性和时效性方面的局限, 系统性地挖掘基于可靠方法构建的, 兼具明确经济学含义与良好预测能力的最优风险因子. 本研究以挖掘小微企业内生风险因子为应用场景, 验证大模型智能体的有效性. 结果表明, 该大模型智能体能够快速、低成本地从近 800 篇文献中提取信息, 完成近 30 万次计算和 252 次回归检验, 筛选出兼具理论意义与统计效力的最优风险因子. 本研究不仅为风险因子挖掘提供了自动化、可复现的新范式, 也拓展了大模型智能体在复杂专业任务中的应用边界.
数字经济时代, 如何充分利用数据要素拓展企业创新边界、推动企业高质量创新成为重要课题. 本文基于政府公共数据开放这一政策冲击, 使用 2012–2022 年制造业上市公司数据, 运用多时点 DID 模型检验了政府公共数据开放对企业拓展创新边界的影响及其作用机制. 研究发现, 政府公共数据开放显著促进了企业在新技术领域的创新, 其作用机制是企业制度性交易成本的降低以及企业技术能力的积累. 进一步分析表明, 政府公共数据开放对企业在数字技术领域和战略性新兴产业领域的创新边界拓展均有显著促进作用. 此外, 政府公共数据开放平台的创新边界拓展效应存在显著异质性. 本研究从公共数据开放的新视角识别了拓展企业创新边界的一个重要因素, 为我国政府进一步完善公共数据开放体系, 推动企业高质量创新, 培育新质生产力提供了重要的政策启示.
官方微信公众号：计量经济学报
