史占中：“数字+算法”驱动未来产业生态演进与培育研究

摘要

在数字经济时代，数据作为新型生产要素，算法作为新的生产工具，正推动新一轮科技革命和产业变革，“数字+算法”已成为推动未来产业生态发展和经济增长的关键驱动力。但同时，未来产业生态培育也面临数据壁垒、数据流通受阻、算法的可解释性不足与多元风险，以及未来产业创新发展受影响等挑战。因此，需要实现“数字+算法”的协同治理，聚焦未来产业发展重点领域，构建未来产业发展生态体系，从而推动未来产业创新发展。

习近平总书记在二十届中共中央政治局第十一次集体学习时强调，“发展新质生产力是推动高质量发展的内在要求和重要着力点，必须继续做好创新这篇大文章，推动新质生产力加快发展”。新质生产力的形成依赖于未来产业生态体系的前瞻布局，包括重点颠覆性前沿科技的进步，以及新型业态与商业模式的发展。随着数字技术的不断发展和智能化的兴起，“数字＋算法”已经成为推动未来产业生态发展和经济增长的关键驱动力。

未来产业以大数据和知识作为关键生产要素，由前沿科技交叉融合应用、颠覆性技术创新引领，并将对社会生产方式、生活方式以及未来的可持续发展产生广泛而深远的影响（史占中，2023）。可以说，未来产业是时间概念和产业形态的综合体，囊括新型产业形态、新型科技支撑、运营模式创新等综合内涵。2010年，国务院发布了《关于加快培育和发展战略性新兴产业的决定》，确定了节能环保产业、新一代信息技术产业、生物产业、高端装备制造产业、新能源产业、新材料产业和新能源汽车产业七大战略性新兴产业，并于2016年增加了数字创意产业。集中精力重点培育这些新兴产业为优化我国产业结构，提升国家整体创新水平作出了重要贡献。目前，我国的5G通信技术和新能源汽车产业等已经初步具有了国际竞争力（潘教峰等，2023）。

当前，全球产业结构和布局加速调整，“数字＋算法”驱动的新一代科技革命和产业变革正席卷而来。各国纷纷聚焦精准智能、生命健康、低碳绿色等产业技术集群领域，希望通过发展未来产业在新一轮变革中抢占先机。目前，未来产业所涉领域已初步具备基本形态，部分产业已进入稳定成长期，数字技术驱动下的未来产业领域将不断形成和发展。在“数字＋算法”的驱动下，未来产业将基于颠覆性技术突破和产业化发展，依托技术之间、技术与产业之间的深度融合，改变传统产业形态和产业体系，带来技术经济范式变革，并引发技术革命和产业变革，从而更好满足人们现有需求，创造新应用场景和新消费需求。

在“数字＋算法”的驱动下，未来产业的发展更加需要全链条创新的贯通与融合，并体现创新组织形式、研发制造模式、产业组织方式等内容的全方位变革。如在研发制造模式上，共享制造、定制化制造、数字孪生制造、服务型制造等各种模式融合，不断对新技术新产品进行反馈；在产业组织方式上，各种创新联合体、产业联盟、“链主”企业协作等，不再是泾渭分明的产业链上下游的垂直分工，而更多是各行业生态资源的跨界整合、跨产业链融合、跨生态圈协同，通过研发模式、生产方式、业务模式和组织结构创新推动产业发展。

与成熟产业更多依赖市场机制、市场规则运行来发展不同，未来产业的发展更多依赖于政策的战略性引导和支持。因此，厘清未来产业生态演进的理论逻辑，全面分析当前我国未来产业进一步创新发展所面临的挑战，并探究如何建立未来产业体系的科学发现、潜力评估、孵化培育路径便愈加重要。

“数字+算法”驱动未来产业生态演进

数据要素的关键特征。“数字＋算法”驱动未来产业形态的实质是由前沿科技和颠覆性技术创新引领，以数字化、智能化工具替代传统工具，以数据算法决策替代经验决策，以满足经济社会发展需求为目标，推动形成的关键新兴产业形态。这些产业变革乃至经济社会变革的发生源头是数据这种新型投入要素所表现出的一系列新的特征。数据就是数字经济时代的“新型石油”，或者说“数据已经取代石油这种传统资源成为了当前最有价值的资源”。2019年，党的十九届四中全会通过的《中共中央关于坚持和完善中国特色社会主义制度、推进国家治理体系和治理能力现代化若干重大问题的决定》中指出，要“健全劳动、资本、土地、知识、技术、管理、数据等生产要素由市场评价贡献、按贡献决定报酬的机制”，明确了数据生产要素的重要作用。“十四五”规划纲要中也明确提出要“激活数据要素潜能”和“发展技术和数据要素市场”。

随着数字技术的发展，“数据＋算法”技术的发展应用改变了市场的运行模式。数字购物平台可以搜集、储存、分析大量关于消费者浏览、点击和购买等行为的详细数据，根据消费者的浏览与购买记录评估其偏好，优化平台设计或进行商品推荐，进而收取广告费用。海量数据已成为重要的新型生产要素，并呈现新的经济特征。

第一，数据要素的非竞争性，即一个数据集可以被几个不同的主体同时使用（Jones and Tonetti, 2020）。非竞争性是数据要素的核心特征之一（徐翔等，2021）。与其他类型的生产要素不同，数据要素额外使用的边际成本非常小，趋近于零。也就是说，由于具有非竞争性，当更多新的主体使用同一组数据时不会减少其他人可使用的数据量。因此，即使存在侵犯个人隐私等方面的担忧，数据被多个主体广泛使用仍可能会产生显著的正向社会收益。

第二，数据要素的可复制性，或者说其复制成本接近于零（蔡跃洲、顾雨辰，2023）。数据的“零复制成本”是其具有“非排他性”的核心原因。“非排他性”就是指数据的使用不排斥其他人或实体的使用，即任何数量的主体或算法都可以同时使用同一组数据。由于数据的价值在于其携带的信息，而信息的传递并不会降低信息本身的价值，因此数据的“非排他性”带来了其边际回报率的增长。然而，也有企业为了获得更具优势的竞争地位，选择囤积数据或只在有限范围内使用数据（如只分享给同一生态系统中的企业），这就对新型商业形态的塑造产生了影响。

第三，数据要素的外部性，即平台可以根据一个消费者的数据推断另一个消费者的偏好等信息（Bergemann et al., 2022），这些信息会从不同方面带来显著的外部性。数字平台可以通过“跨用户学习（Across-user learning）”与“用户内学习（Within-user learning）”两种不同的学习算法来推断关于用户有价值的信息。其中，“跨用户学习”算法意味着，即使单个用户没有提供任何数据，其行为仍然可以被部分地预测。

第四，数据要素的创新衍生性。数据驱动企业创新表现在多个方面。首先，数据可以提高产品和服务的质量，如通过分析大量的数据可以更好地了解消费者的偏好。其次，由于数据可以更准确地预测市场需求，因此可以提高产品的生产率，并带来更高的物流效率。再次，数据可以创造用户生产内容（UGC）等新的商业模式。最后，数据可以促进如个性化推荐等更突出目标导向（Target-oriented）的商业模式发展。

数据要素的这些新特征也会对平台、企业、用户等主体的行为和市场竞争格局产生影响。用户数据带来的巨大价值吸引了众多平台实行向消费者收取零价格的竞争策略。掌握大批量用户消费行为数据的平台，可以把消费者个体层面的数据卖给广告商并获得收益，使得“定向广告（Targeted advertising）”成为可能，平台将消费者的行为数据卖给广告商可以提高消费者和广告商之间的匹配度，但也可能会提高商品的价格。究其原因，一方面，广告商可以对消费者进行价格歧视，另一方面，广告商可以筛选出价格弹性更低的消费者。因此，当消费者考虑是否授权个人数据时，需要在更好的产品推荐与可能更高的价格之间进行权衡（Ichihashi, 2020）。然而，由于数据要素具有外部性的特征，广告商通常并不会购买所有消费者的数据，而是只对部分用户的数据感兴趣。在数字经济中，那些拥有更多数据搜集渠道、运营更大型数据库和掌握更先进数据分析工具的平台企业将拥有更强的竞争优势，能够从用户数据中进行学习，从而提升企业产品和服务质量。

在数字经济时代，数据作为新型生产要素，算法作为新的生产工具，已快速融入生产、分配、流通和消费等经济运行的各个环节，深深地嵌入国民经济运行的方方面面，深刻改变着社会生产方式、治理方式和人们的生活方式。数据要素驱动和算法技术突破，孕育了引领重大变革的颠覆性技术，推动了新一轮科技革命和产业变革，带来了新产品、新业态推动形成的未来产业发展机遇。

“数字+算法”驱动产业结构优化。“数字＋算法”同时驱动着产业供给侧和需求侧的结构优化，且产业数字化与数字产业化驱动产业结构升级表现出不同的作用机制。

在供给侧，“数字＋算法”在智能质量控制、高效资源优化、综合能源管理、灵活柔性生产等多个层面推动了产业模式创新。在需求侧，“数字＋算法”在个性定制推荐系统、库存效率管理优化、智能客户关系管理和精准市场趋势洞察等多个层面推动了产业模式创新。例如，可通过数据驱动的需求预测与库存精细管理系统、智能化生产调度算法与物料流动优化模型、供应链网络协同优化与跨企业资源共享策略，实现以精细化生产计划制定与动态资源配置为特点的高效资源优化。利用用户数据（如购买历史、搜索习惯和评价）和推荐算法，通过深度学习驱动的消费者分析与智能推荐实现个性化、定制化推荐。

在产业数字化方面，数字技术和算法驱动了传统产业的提效升级。例如，应用人工智能和机器学习算法优化生产流程，可以减少资源浪费，提高资源利用效率；利用人工智能物联网（AIoT）技术可以实现设备的实时监控和维护，降低故障率和维护成本；大数据和算法可以帮助企业管理者分析优化库存管理，预测需求，减少库存成本。在数字产业化方面，数字技术和算法助推了新产业的发展。例如，推动构建集合资源和服务的数字平台，进一步扩大智能超算中心和边缘计算中心的覆盖面，提供基于海量数据和人工智能的分析服务，帮助企业提高决策效率。同时，结合数字技术与传统行业实现商业模式创新，推动量子计算机的研发和应用，突破摩尔定律的算力瓶颈。

“数字+算法”驱动产业生态重塑。在平台经济、共享经济、低碳经济、虚拟经济、工业元宇宙等方面，“数字＋算法”对产业生态均表现出显著的重塑效应。平台经济方面，数字化平台将不同的用户、服务提供者和资源链接起来，从而创造出新的价值和市场机会。如数字化平台利用算法对用户行为和偏好进行分析，以提供更加精准、多样化的产品和服务。共享经济方面，算法可以实现资源的最优配置，从而提高资源利用效率，如基于区块链技术的资源共享和去中心化管理。低碳经济方面，“数字＋算法”驱动的未来产业经济形态将向更加环保和可持续发展方向转变。如基于智能传感器和人工智能的能源管理、基于大数据分析工具的碳足迹监测和管理、基于算法辅助加速的氢能储存、二氧化碳捕集、可控核聚变等清洁能源技术开发。虚拟经济方面，“数字＋算法”通过创建、销售和交易虚拟商品和服务在数字世界中创造出新的经济价值。比如，利用区块链和加密技术支持的数字货币作为交易手段支撑，探索脑机接口（BCI）技术的应用以实现未来商业模式形态的延伸。在工业元宇宙方面，虚拟现实（VR）、增强现实（AR）、混合现实（MR）、数字孪生、智能物联网等技术在制造领域均有深度应用潜力。例如，创建物理世界中工厂或产品的数字副本，实现设计、培训和维护等工作的远程协作，在虚拟环境中进行产品设计和测试，降低成本和风险。

“数字+算法”驱动未来产业发展面临的关键挑战

数据壁垒的形成阻碍了数据流通。数据壁垒的形成与企业的经营战略和国家在数据安全方面的担忧密切相关。

一方面，科技企业为维护自身的商业利益会阻碍数据的流通。例如，某些数字平台企业为了保持自身的市场份额和竞争优势，可能通过技术限制或设置专有格式等手段来阻碍用户将数据从一个平台迁移到另一个平台，从而影响数据的自由流通。大型平台企业可能会进一步收购其他行业的初创平台，构建自己的“生态系统”，并限制系统外的初创企业获取相关数据，从而提高行业准入门槛，影响创新水平和用户福利。另一方面，一些国家或地区出于安全考虑，也会设立数据壁垒，加强对数据的管控和限制。这不仅增加了跨境数据交换的成本，也削弱了数据在全球范围内的价值流动和共享。

此外，数据治理缺乏统一的标准和规范，使得数据的使用和交换变得复杂而困难。许多国家都制定了适用于本国的数据保护法律和隐私条例，导致不同国家对于数据隐私和数据安全的要求存在差异。例如，欧盟的《通用数据保护条例》（General Data Protection Regulation, GDPR）要求严格限制个人数据处理，旨在保障个人在数据保护方面的基本权利。而在美国，虽然也有一些州出台了类似的法律，但整体上对于数据隐私的监管相对较为宽松。这种差异性导致企业需要花费大量精力确保数据在跨境传输时符合不同地区的法律法规，从而很大程度上阻碍了数据的自由流通。

数据壁垒的形成可能导致少数大型企业垄断数据资源，限制其他企业的进入和竞争，提高创业门槛，阻碍小型企业和创新型企业的发展。小型新兴企业由于无法获取足够的数据来进行创新和产品开发，难以与那些拥有大量数据资源的大型企业竞争。数据壁垒还可能会阻碍产业的创新和竞争，加剧产业结构的不平等问题。比如，那些能够有效获取和利用数据资源的企业将占据主导地位，而那些无法突破数据壁垒的企业则可能面临边缘化危机。数据资源的集中化和数据寡头的存在，加剧了产业结构和社会经济的不平等问题。

算法的可解释性不足与多元风险。在当今数字技术高度发达的背景下，算法在经济社会领域的应用日益广泛。然而，随着算法的复杂性增加，人们愈发关注其决策过程的可解释性。可解释性是指理解算法如何作出决策的能力，这一点在评估算法风险和进行风险管理时尤为重要。算法的决策过程越透明，越有助于风险管理人员理解和评估潜在风险。因此，提高算法决策的可解释性有利于减少由于误解或操作失误引起的风险。另外，市场的信心和效率也会受到算法可解释性的影响，比如金融市场参与者对透明度和可解释性更高的算法更具信任感，这有助于减少市场的波动性和不确定性。

算法的风险主要包括操作风险、模型风险和监管风险三大类。在操作风险方面，算法决策的不确定性增加可能导致意外损失。例如，在金融市场的高频交易中，快速算法决策的可解释性不足可能引发市场波动。算法的训练数据可能存在偏差，从而影响其决策结果的准确性和公平性。模型风险主要体现在过拟合和未知变量两个方面。过度复杂的算法可能对训练数据过于敏感，而无法泛化至新的数据，同时，某些算法可能无法有效处理未知变量或复杂的市场环境变化，从而增加风险。在监管风险方面，监管机构愈发强调算法决策的透明度和可解释性，可能导致一些算法决策侵犯消费者隐私或违反法律规定，从而增加法律风险。

未来产业竞争格局与创新发展受影响。“数字＋算法”驱动的产业实践与产业理论的跃升之间存在互动和反馈关系，两者相互依存、相互促进，共同推动着产业的创新和发展。“数字＋算法”驱动未来产业成长与发展，将引发工具革命和决策革命。企业内部通用软件和自研软件系统可以通过不断挖掘、汇聚、分析消费者以及研发、生产、供应链等数据，基于“数字＋算法”构建一套新的决策机制，替代传统的经验决策，实现更加高效、科学、精准、及时的决策，以适应需求的快速变化。这一系列变革形塑了“数字＋算法”驱动的产业形态变革的过程（见图1）。从技术推动和市场拉动两个维度看，产业技术创新会引致市场需求，市场需求变化也会倒逼产业技术创新，两者存在双向互动关系。

来源：作者自制