又到岁末年尾，展望中国经济的未来走势，争议蛮大。我们在思考未来经济发展、思考大类资产配置，重要的是宏观框架。过去10年我写了两本书，2013年《渐行渐远的红利》主要讲人口问题，2017年《渐行渐近的金融周期》主要讲金融和地产的顺周期性。简要来讲，过去20年的前10年，人口红利是中国经济最大的驱动力，之后开始明显消退，近10年中国经济主要靠地产和金融扩张拉动，现在已进入金融周期下半场紧缩期。

未来10年怎么看，人口老龄化和金融周期下半场调整将带来经济增长下行压力，也必将影响经济结构。这两种力量已经发生了，相关的研究和讨论也很多，虽然在一些具体问题和技术层面上有分歧，但大方向的基本共识是有的，总体来讲难以乐观。前瞻来看，现在的关键问题是，什么是影响中国经济未来10年发展的具有系统重要性的新增因素、而大家的理解和认识还很不够？我认为是数字经济（图1）。

下图“网上零售额对GDP比重”只是数字经济的一个简单表征，实际上信息科技的进步、互联网发展、到现在数字技术和大数据的应用正在改变我们的工作和生活，未来10年的演变将更加广泛和深远。关于数字经济有些微观研究，但宏观层面的分析还在起步阶段，国内尤其少。今天我想分享自己的一点思考，提出一个分析框架，对数字经济如何影响宏观格局，包括宏观政策和大类资产配置的含义，做一个勾勒和探讨。

什么是数字经济？

研究文献并没有特别共识的定义，认可较高的是对数字经济的三重划分（图2）。核心部分是信息和通讯技术ICT（Information and Communications Technology）。第二层次是狭义的数字经济，主要是数据和数据技术的应用带来新的商业模式，突出的是平台经济模式比如电商等，也包括共享经济、零工经济等介于平台模式和传统经济活动之间，是对传统商业模式的改造。但数字化涉及到经济的各个层面，从制造业到传统门店，都有数字和信息技术的应用，第三层次的定义是广义数字经济，涉及到几乎所有经济活动。

从宏观分析来讲，我们更关注狭义范围和广义范围的数字经济。广义范围涉及到数据应用对效率和结构的普遍性的影响。狭义范围更为重要，比如平台经济，其商业模式有别于传统经济，对平台经济模式的理解对我们分析数字经济的宏观含义至关重要。

数据是新的生产要素

那么怎样理解数字经济的影响？数字经济的研究文献把数据看成一种新的生产要素，在劳动力、资本之外的生产要素。大家可能也注意到，十九届四中全会在官方正式文件中首次提出数据是新生产要素。作为生产要素，有两个层面的含义，一是对经济增长有贡献，提高现有产品和服务生产的效率，也创造新的产品和服务；二是参与产出的分配也就是收入分配，背后涉及经济结构的变化。其中一个重要方面是各要素之间，尤其是劳动力和资本之间的替代性，这会对收入分配产生深远影响。

在农业经济时代，生产要素是土地和劳动力。在工业经济时代土地的重要性下降，生产性资本（比如机器设备）和劳动力被看成两大生产要素，经济学教科书在描述生产函数时把土地省略了，隐含的假设是土地包括在生产性资本之内了。到了数字经济时代，在资本和劳动力之外，多了数据作为另一个生产要素（图3）。那么数据是否应该看成独立的生产要素？数据作为一种无形资产，和一般性的生产资本及土地等有形资产有什么不同？

非竞争性带来规模经济

一个根本性的差别是数据的非竞争性（Nonrivalry）。我们比较一下，传统的商品具有排他性，一个人使用了，其他人就不能用，比如石油，消耗了一吨就少一吨，这里有一个机会成本的问题，多开采一吨石油需要消耗更多的资源。但数据不同，今天信息的复制和传输成本几乎为零，数据及相关的一些应用具有非竞争性，一个人的使用不影响其他人使用，边际成本几乎是零。比如微信作为App，许多人都可以下载，也不影响其他人使用。又比如在数字化时代医疗数据可以低成本由很多医生共享，提升诊断的准确性和治疗效果。

非竞争性的一个重要含义是规模经济和范围经济效应，经济活动的规模增加、范围扩大带来效率的提高。从供给端看，规模经济体现为规模的扩大降低边际成本，这是我们熟悉的经济分析的概念，如何通过扩大规模来降低成本，但传统经济活动的边际成本不能降为零，规模效应也就因此受限，而数字经济的边际成本可以是零，其规模经济的潜力要大得多。一个体现是固定成本重要性下降，可变成本重要性上升。以云计算为例，过去每个公司都要有自己的服务器，是固定成本，现在云计算使得信息服务可以外购，固定成本变成可变成本，灵活性增加，对中小企业尤其有利。

数字经济还有来自需求端的规模效应，这是传统经济分析比较陌生的概念，说的是网络带来的需求增加效应。数据及其应用的非竞争性促进了平台经济的发展，有别于传统商业模式服务单边市场，平台可以服务双边市场，典型的例子是连接生产者和消费者，既服务买方，又服务卖方，形成一个包括生产者、消费者、研发者等在内的生态系统，网络越大，使用的人越多，带来的需求越大，进而使得跨产品补贴、甚至免费服务成为可能。

从土地到生产性资本再到数据，作为生产要素的非竞争性越来越弱。土地就是空间，排他性最强，一个人占用的空间越大，其他人占用的空间就越少。生产性资本的排他性比土地小，比如同一台机器设备可以多个人使用，提高其使用率，但这个空间还是有限的，数字资产使用的排他性最小，规模效应和网络效应最大。这样的特征不仅影响效率也对要素的收入分配有重要含义。十九届四中全会提出新纳入“土地”、“数据”两项生产要素参与分配，土地和数据的属性有根本性的差别，对分配及公共政策有不同的含义。

垄断与分配

规模经济降低成本、提高效率，但也可能带来垄断，形成壁垒阻碍竞争。垄断有两种，一种是技术进步或创新带来的市场影响力或行业集中度上升，这是一种“好”的垄断，虽然创新者获得超额收益，但这和效率的提升联系在一起。按照熊彼特的创新理论，垄断和创新有天然的联系，没有垄断的收益，就不会有那么大的创新动力。还有一类是因为自然力量或政府政策比如监管形成的垄断，垄断在获得超额收益的同时不提高效率甚至损害效率，这就是“坏”的垄断。土地供给的垄断就是典型的“坏”的垄断，由于其天然的排他性，土地获得的超额收益必然以挤压其他要素的收入为代价。

就数字经济而言，现实中，“好”的垄断和“不好”的垄断有时候不容易区分，数字经济平台在开始阶段是“好”的垄断，是与创新紧密联系的，但到了一定规模后是否阻碍竞争就有争议了。

图4的描述有助于我们理解数字经济如何改变市场结构和收入分配问题。非竞争性/零边际成本带来两个效应，一个是规模经济，但同时也降低创新成本，比如每个有编程技能的人都可以参与开发App。这带来两个效果，一是市场集中度上升，规模效应导致有效率企业规模扩大，同时低创新成本吸引新的市场参与者。所以这种垄断不是静态而是动态的，既有垄断又有竞争，所谓“创造性破坏”。创新失败的可能性也很大，怎么吸引创新？需要风险溢价的补偿。超额收益既来自垄断租金，也有整体市场要求的风险补偿。只是超额收益由少数成功者获得，包括核心资本所有者、核心员工或者公司高管，赢者通吃，而一般资本和劳动报酬受到挤压。

但另一方面创新成本降低也意味社会流动性增强。全球主要经济体面临两大问题，一个是老龄化，使得整个社会创新动力下降；第二个是贫富差距，贫富差距导致社会流动性下降，也不利于创新。但数字经济会带来创新成本下降，社会流动性上升，可能对我们担心的老龄化和贫富差距问题有一定的对冲作用。

数据作为生产要素对分配的影响还体现在劳动力和资本的相互替代性上，一个流行的担心是自动化、人工智能等发展导致机器替代人，带来失业问题或者劳动者工资受挤压。背后的假设是替代弹性系数大于1，但中国的替代弹性系数可能小于1。

中美是全球两个最大的数字经济体

一个代表性的指标是中美的电子商务市场规模遥遥领先（图5）。按上市公司市值来看，全球7个大科技平台里腾讯和阿里来自中国，其余全为美国，欧洲和日本已经被落下了。数字经济模式下的全球竞争新格局正在重塑。

那么，中美两大数字经济体是不是一样的？当我们谈到数字经济时，立马想到人工智能、机器替代、自动化等，背后含义是机器替代人，很多人担心劳动者受损。今天我要讲的一个要点就是中美两国数字经济的发展模式既有共性，也有重要差别。简要来讲，美国的数字经济偏向资本，是对资本友好型的，和美国比较，中国的数字经济更偏向劳动些，对劳动友好型，两者的宏观含义非常不同。

美国：偏向资本的数字经济

前面提到数字经济的规模效应，提高效率，总量来讲应该体现在劳动生产率，但最近10年美国劳动生产率增速是降低的（图6）。微观层面，我们看到很多数字和数字技术应用提升效率的案例，但在宏观统计数据上看不到，被称为“生产率悖论”（productivity paradox）。同样情况在20年前发生过， 1987年 RobertSolow说，“You can see the computer age everywhere but in the productivitystatistics…”。

对此的解释有几种可能，一是总体的劳动生产率受其他因素的抵消影响，比如金融危机后大衰退导致的长期失业在一段时间降低劳动者的技能；二是国民收入统计的误差，比如无形资产投资被低估，导致产出（GDP）被低估；三是时间差，一般性技术进步（general purpose technology）扩张渗透到经济各层面需要时间，从发明电到电力应用普及提升经济效率经历了长达几十年时间的过程，Solow1980年代提出的疑问，在1990年代看到了劳动生产率提升的数据。

当然，还有一种偏悲观的看法，就是尽管有数字和信息技术的应用，现在的生产率增速就是低。我自己倾向没有这么悲观，常识告诉我们，数字经济对效率提升是可以看得见的，但这个争议大，已经有很多研究文献，这不是我今天讲的重点。我想讲的是数字经济在宏观层面的其他体现，大家关注还不够但很重要的方面，这就是美国行业集中度上升、劳动报酬占GDP比例下降、资本回报率上升的现象。

图7-8显示美国的制造业和服务业、批发和零售业的行业集中度上升，过去20年尤其明显。与此同时，国民收入分配的数据显示过去20年美国的劳动报酬占比下降，资本回报率上升（图9-10），也就是分配不利劳动者、有利于资本。一个可能的解释是“不好”的垄断，是政府政策、监管带来行业集中度上升，使得分配朝着有利资本的方向发展。但过去几十年是市场化、自由化的大背景，很难想象政策监管是导致行业集中度系统性上升的主要原因。我更认同有关研究文献提出的技术进步是主要推动力量的观点，也就是数字经济的影响。

数字经济的新商业模式带来规模经济，在提高效率的同时带来行业集中度上升，比如互联网巨头搭建的平台经济，以及占有专利、数据垄断等等。无形资产、大数据引用促进行业集中度上升不仅体现在新经济模式上，即使在传统领域，行业集中度上升的压力也在增加，比如线上价格比较导致商品和服务价格越来越透明，使得高效企业胜出，低效企业退出，靠不透明的价格差异来维持低效运营越来越难。

行业集中度上升的同时，美国劳动者报酬占比下降，资本回报率在上升，尤其是在过去20年时间。从数字经济角度来讲，美国技术进步是偏向资本的，对资本更友好。一方面行业集中度上升，垄断租金提升资本回报率；另一方面程序化、常规化的工作被机器替代，劳动者报酬受挤压。资本与劳动之间的替代弹性系数有多大？要看资本和劳动力价格之间的比较，以及回报的空间有多大。过去20年一个特别的现象就是全球资本品价格相对劳动成本下降，尤其是发达国家，这是促使机器替代人的重要因素。

值得注意的是，劳动报酬下降、资本回报上升掩盖了其中的分化，并不是所有劳动者的报酬都受到挤压、也不是所有的资本回报都上升。数字经济时代有一个特殊的现象叫“明星经济”，明星经济可以是企业也可以是个人。数字技术的使用使得明星企业和个人可以以低成本服务大市场，少数人和企业赢者通吃，无形资产的回报上升。

讲到这里，大家可能有一个疑问，为何过去20年美国资本回报率上升、但无风险利率是下降的趋势？有几个可能的解释，一是我前一段时间讲到的安全资产荒，安全资产供不应求，大家追逐有限的美国国债，导致无风险利率下降；二是垄断租金，即资本回报集中在少数垄断资本手中，一般性的资本回报并不高甚至是下降的；三是无形资产被低估，如果把无形资产和有形资产放在一起看，总体的回报率没有那么高。

中国：偏向劳动的数字经济

对比美国，我们来看看中国的几个相关指标。首先，中国的行业集中度同样也是上升的，尤其是过去几年。大家可能马上联想到供给侧结构性改革和去产能带来的行业集中度上升，但那主要涉及重工业和上游产业，图11-12显示过去几年不仅是制造业，服务业包括批发零售业的集中度也在上升。我认为解释的逻辑和美国的行业集中度上升是一致的，都是数字经济发展的规模效应的一个体现。

与美国相反的是，过去10年中国的劳动报酬占比上升，资本回报率下降。值得一提的是，劳动报酬占比的数据来自统计局，是国民收入统计口径，和美国的劳动报酬占比在概念上是一致的。由于统计数据的问题，估算中国的资本存量误差大，计算整体的资本回报率有困难。我们这里显示的是根据A股上市公司财务报表数据估算的上市公司总体的资本回报率。这当然不全面，比如没有包括海外上市的中国公司。但资本回报率下降在方向上和劳动报酬占比上升的逻辑是自洽的，反映了资本和劳动在收入分配中此消彼长的关系。

也就是说，设中美行业集中度上升背后都有技术进步的推动，那么美国的数字经济发展可以说是偏向资本，是资本友好型的，中国的数字经济发展相对偏向劳动，是劳动友好型的。这和我们直观的感觉似乎是一致的，在美国越来越多的人担心机器替代人，普通劳动者在技术进步中受损，民主党总统竞选人之一的华裔候选人杨安泽据此提出“全民基本收入”（universal basicincome）的政策主张。在中国虽然也有机器替代人的担忧，但我们看到的更多是外卖、快递、钟点工等创造的就业机会，而且这些工作带来的收入往往超过传统制造业。中国社科院的一项调查研究显示，互联网使用对提升中低收入人群的收入尤其有帮助。全国经济普查显示，过去几年中国的个体经营户快速增长，除了与登记制度改革有关，也和平台经济的发展有关。

那是什么原因导致中美两国行业集中度上升对应不同的要素分配格局？我认为有两方面原因。一是前面提到的需求端的规模经济或者说网络效应，中国人口数量大、人口密度高，使得数字经济时代的网络效应带来的规模经济大，可以说人口总体规模是数字经济时代新的红利。中国大城市数量多、人口密度高、网络效应大，比如在中国送外卖有规模效应，而在美国送外卖的收益和成本难以匹配。为什么过去做不到，现在做到？是因为数字技术。比如闪送，可以通过大数据实时跟踪信息，提高快递员的效率。

从供给端来讲，中美两国的风险资本可以流动，但劳动力不能流动。美国劳动力成本贵，投资更多是替代劳动力的模式；中国劳动力成本低，投向更多是与劳动力互补的模式。传统理论认为，从制造业向服务业转化，劳动者工资是降低的。很多人用这个解释为何发达国家贫富差距扩大。但数字经济在中国的发展似乎对这样的经验关系提出挑战，劳动者从制造业转向服务业，报酬是上升的，这是因为数字技术使得同一个劳动者在一段时间内服务的客户增加。由此带来的劳动报酬上升，必然吸引更多的劳动力转向新经济模式，传统行业的劳动力成本上升，资本回报率下降。

总结来看，中美两国发展数字经济的差别，主要在于人口密度和劳动力成本，这使得技术进步在美国更多是劳动替代型，在中国更多是劳动互补型。美国一些被替代的工作是常规的制造业流水线，中国更多是非常规工作，比如外卖、快递、送货员、专车司机等。中国的平台经济的数量在全球第一位，根据2015年的统计，10亿美元以上估值的全球平台，175个中有64个来自中国。

数字经济的宏观含义

基于以上分析，我们可以就数字经济的宏观含义，包括对当下经济形势的影响做一些方向性的勾勒和判断。

GDP增长是否“保6”不是关键

数字经济提升资源配置的效率，应该是一个合理的推断。就经济增长来讲，机器替代人有助减缓人口老龄化带来的劳动力供给减少的影响，但现阶段在中国资本与劳动力之间的替代弹性比美国要低，劳动生产率提升不仅靠传统的有形资本深化（机器替代人），更重要的是无形资产比如平台模式提高劳动力的产出效率。

当前对中国经济增速的走势争议较大，一个自然的问题是数字经济的发展能不能抵消影响经济的其他因素比如人口老龄化和金融周期下行（去杠杆和房地产收缩）的影响？我自己的判断应该难以完全抵消，老龄人口的创新能力下降，数字经济也难以改变老龄化带来的需求疲弱。但另一方面，忽略数字经济，只看传统的人口和有形资本显然会过度悲观。

数字经济的另一个含义是GDP作为衡量经济增长的指标的准确性下降，无形资产投资（理论上讲是投资的一部分）的重要性上升，但其统计和估算还没有形成体系和规范。另外，GDP统计的是货币化或者近似货币化的经济活动，在数字经济时代作为衡量我们福利改进的指标更不靠谱了。举个例子，GDP统计不包括自己做的饭，变成外卖就包括在GDP里了，一顿饭还是一顿饭，GDP增加了，但另一方面，零边际成本使得数据和信息服务有相当一部分是免费的，改善我们的生活，但没有包括在GDP里。

总结来讲，GDP是工业经济时代的产物，在数字经济时代我们需要建立新的指标体系。就当前来讲，争论GDP增长是否应该“保6”意义不大，数字经济时代传统的GDP的重要性下降，我们更应该关注就业、教育、医疗保障、研发投入等直接反映民生和经济发展潜力的指标。

中国利率降到零不会那么快

近期央行行长易纲提出要珍惜正常的货币政策空间，央行前行长周小川也指出要避免中国的利率快速降到零。中国的人口老龄化速度快，加上债务和贫富差距问题，一个自然的担心是中国会不会步美国、日本等发达国家的后尘，低通胀伴随低利率，甚至进入零利率时代，这个速度有多快。技术进步尤其数字经济的发展提升效率、增加有效供给，是全球低通胀的贡献因素之一，带来利率下行压力。

数字经济在中国偏向劳动，在美国偏向资本，中国的供给过剩问题应该比美国要轻，CPI通胀不会像单纯从人口、金融周期角度判断的下降那么快。从过去几年看，中国的劳动报酬占比上升伴随着CPI/PPI上升，美国的劳动报酬占比下降，伴随的是CPI相对价格下降 。这也体现在中国的收入差距缩小、财富差距扩大，创新带来部分资本回报上升和劳动者收入上升，而美国的收入差距和财富差距同时扩大。

国际贸易新优势

数字经济对国际贸易也有重要影响，创新带来的先发优势使得中国开始出口无形资产。今年10月份在印度Google Play商店最受欢迎App，其中有5个是中国的，排名第一的是ClubFactory（杭州嘉云），把阿里电商模式引到印度。印度和中国都是人口大国，人口密度高，平台经济在印度也应该有类似的发展潜力。中国数字经济平台在本土形成的优势，为在全球市场尤其人口密集的发展中国家的扩张提供了基础。

促进金融周期下半场调整

数字经济天然和直接融资联系在一起，不利间接融资。创新伴随高风险高回报，适合权益投资，而且无形资产存在沉没成本，难以作为信贷抵押品。实际上中国的数字经济发展在相当大的程度上得益于美国的风险投资模式，几乎所有的平台模式、所谓的“独角兽”背后都有国际的风险投资的支持。如果中美贸易摩擦扩张到投资领域，中国发展直接融资的急迫性就更大。

就间接融资来讲，数字经济促进普惠金融，降低信贷对房地产作为抵押品的依赖，有利于降低金融的顺周期性，降低房地产的金融属性。这些都有助于促进金融周期下半场调整和去杠杆。

宏观政策：紧信用、松货币、宽财政

从宏观经济政策来讲，要把逆周期调控和经济结构调整结合起来看。经济周期性下行阶段，逆周期调控可以体现为“松货币、宽信用、宽财政”；金融周期下半场，则体现为“紧信用、松货币、宽财政”；要改善金融结构，则需要紧缩间接融资，发展直接融资，还需要宽财政的配合。因为创新资金来源有两个，一是直接融资，二是财政投资，前者是商业化的投资，后者是公共品的投资。当前宏观金融环境的大方向，紧信用、宽财政、货币相对中性，在数字经济时代也同样适用。

资产估值：区分不确定与风险

三个方面的影响都值得关注。首先是利率，如前所述，偏向劳动的数字经济意味着，和美国比较，中国的自然利率下行的压力小一些。

第二，就盈利来讲，资本回报呈现分化。行业集中度上升会带来垄断租金、龙头优势将日益明显，即使是传统行业我们也要关注龙头优势。但是这个优势是动态的而不是静态的，动态竞争下创新成本低、成长期缩短。一般性（尤其传统行业）资本的回报率受挤压。

第三，从估值角度思考数字经济和传统经济的区别，要区分不确定性（uncertainty）和风险（risk）的溢价补偿。不确定性是不知道敞口有多大，也不知道事件发生的概率有多大。风险溢价是基于对风险敞口和风险事件发生概率的判断，历史经验和数据分析有助判断。数字经济回报的特征主要是不确定性，没有历史经验可以参考，而传统经济更多呈现风险的特征。

以上证综指来看，过去10年中国的股票盈利收益率系统性高于无风险利率。这主要是因为金融板块估值低，金融板块的风险溢价高，可能反映了投资者对过去累积的坏账的担心，投资者需要较高的风险溢价补偿。非金融板块并没有系统性低估。如果我们看创业板，盈利收益率系统性低于无风险利率，说明投资者对不确定性要求的溢价补偿低。美国NASDAQ要求的不确定性补偿也比较低，但相对中国来讲溢价要高。投资者是否太乐观？不确定性可能在一段时间带来泡沫，但在数字经济快速发展的时代，对创新的不确定性溢价补偿低于传统行业的风险溢价补偿，可能也是投资者的理性选择。

温馨提示：内容仅供信息传播，供参考.

来源：亿欧