前沿譯文 |世界銀行：過度監管或有損東亞數字經濟創新

　　編譯

　　對外經濟貿易大學金融科技實驗室

　　譯者按

　　國家法律與數字經濟發展的復雜關系一直是我們研究的中心議題。正如諾斯悖論所洞見的：國家既是經濟發展的推動者，也是經濟發展的破壞者，對于數字經濟而言亦是如此。世界銀行東亞與太平洋(601099,股吧)地區首席經濟學家辦公室于2020年1月發布的《東亞數字經濟創新：限制性數字政策重要嗎？》（Digital Innovation in East Asia：Restrictive Data Policies Matter?）報告梳理了東亞15國的數字經濟法律政策，并使用定量研究的方法得出“數字限制指數”，直觀展現出國家監管法律與企業創新之間的負相關關系。在這一研究中，中國的數字限制指數居于高位，這值得我們深思和警惕。毋庸諱言，當前中國經濟發展正面臨嚴峻挑戰，數字經濟已成為中國最有力的引擎，只有盡快采取更開放的數字經濟政策，才能使中國經濟行穩致遠，此即“改革是最大紅利”的真義。

　　——對外經濟貿易大學數字經濟與法律創新研究中心

　　執行主任許可

　　摘要

　　數字技術鼓勵公司通過新工藝、新產品和新服務進行創新，從而最終增強其在本地和全球市場上的競爭力。本文分析了各種各樣的數據限制是否與公司的數字創新負相關。本文提出了數據限制指數，該指數衡量了東亞15個國家隨時間推移，其數據政策的限制程度。通過使用不同企業層面的數據集，分析表明，數據限制限制了企業的創新能力。分析考慮到數據限制可能會對那些更依賴軟件的企業產生更大的影響。

　　回歸分析表明，在數據政策更加嚴格的國家，企業不太可能通過許可證使用外國技術作為其創新過程的一部分。可獲得數據的特定國家的案例還表明，限制性數據政策與公司使用專利和商譽等無形資產進行創新（在馬來西亞和中國）和開發市場上新的研究開發創新(在越南)的可能性呈負相關。本文的結論是，開放數據政策可能會促進數字創新。

　　1、介紹

　　許多經濟體的數字化轉型為企業帶來了廣泛的創新機會。數字技術鼓勵公司采用新工藝、新產品和新服務進行創新，從而最終提高其在當地和全球市場的競爭力。數字創新通常通過互聯網和新的在線平臺進行，企業越來越多地跨越國境訪問這些平臺。但是，如今許多公司在這些新的數字技術應用、互聯網訪問、在線平臺的使用以及數據的跨境流動方面都面臨著嚴峻的限制-其中大多數限制是政府最近才實施的。

　　本文分析了在數據、互聯網和在線平臺的支持下，預計會影響數字創新的數據限制。我們將其統稱為數據限制。數據限制阻礙了企業使用先進的軟件和更廣泛的跨境數據來進行的創新，而這些如今已成為許多企業創新過程的重要組成部分（Guellec和Paunov，2018年）。例如，大數據、人工智能（AI）和區塊鏈是數字技術的新發展，它們產生并提供大量數據，來供企業用于開發新產品、新服務以及新工藝--所有這些都是都借助軟件實現的。這些新技術有助于為企業創造競爭優勢。因此，對數據的限制可能會減緩這種競爭過程。

　　我們研究了東亞地區15個國家的數據限制政策，并調查這些限制是否確實影響了企業創新的可能性。我們以東亞國家為例的原因有兩個。其一，數字創新在該地區盛行。經合組織最近的一份報告顯示，東亞對數字技術的運用日益增加，正在引發經濟和社會的轉型(經合組織，2019年)。其次，該地區隨著時間的推移，數據政策方面產生了有趣的變化。一方面，印度尼西亞、中國和越南等國家的數據政策非常嚴格，或者說隨著時間的推移對數據的限制日益嚴格。另一方面，韓國、馬來西亞和菲律賓等國家則已取消了數據限制。

　　針對本次研究的目的，我們創造了一個指數來衡量15個東亞國家在數據政策方面受到限制的程度。該限制性指數建立在Ferracane等人先前的工作基礎上（2018a; 2018b）。但隨著新政策的出臺，例如與知識產權（IPR）相關的政策，預計將在更大范圍內影響數字創新。本文的第一步是描述和分析我們已經收集了政策發展情況的該地區15個國家的數據限制發展情況。然后，利用該政策指數來分析它與10個東亞國家企業創新活動績效之間的關系。同時，我們考慮到數據限制可能會對數據密集型行業中的數字創新產生更大的影響，可以通過軟件使用來衡量它們。最后，我們選擇了三個具有特定企業層面數據的國家（馬來西亞，越南和中國），并使用不同的變量進一步分析我們的限制性指數是否對企業的創新活動有影響。

　　跨國研究和三個國家的相關性研究得出的結論表明，數據政策限制性更強的政策框架與企業進行數字創新的程度負相關。例如，在限制性數據政策水平較高的國家，企業不太可能通過許可使用外國技術。此外，國家案例研究表明，面臨較高數據限制級別的馬來西亞企業購買外國無形資產的可能性較小，而受到更高級別限制的越南公司則不太可能開發國際市場上的新商品和服務。結果表明，數據政策限制是東亞企業發展數字創新的重大障礙。

　　本文的結構如下：第二部分闡述了進行這項研究的動機，并總結了有關數據、數字貿易和數字貿易政策限制的最新文獻。第三部分介紹了估算策略，并討論了兩個層次的實證分析，即橫向回歸檢驗以及特定國家的回歸案例。第四部分討論了這兩項分析的結果。第五部分通過將結果置于更廣泛的政策環境中進行了總結。

　　2、動機與最新文獻

　　盡管全球范圍內數據流動呈上升趨勢，但對這一主題的研究卻出乎意料地有限。Manyika等人（2016年）聲稱，作為全球化的一部分，數據流的跨境和使用對GDP的貢獻已經超過了商品流的貢獻。該研究指出，經過近十年的發展，數據流目前占全球GDP增長總額的2.8萬億美元，對增長的貢獻要大于傳統商品貿易。

　　最近的文獻研究了數據的限制性政策。Stone等人進行了首次嘗試（2015），其中僅包括數據本地化需求的度量。他們的研究指出，數據流提高了國內外專業服務公司的貿易效率。此外，Ferracane（2017）的工作進一步對影響數據跨界流動的現有數據政策的不同形式進行了分類。該研究調查了64個主要經濟體的數據政策，以表明許多國家以不同形對不同類型的數據實施了數據限制。最后，Ferracane等人（2018b）為64個國家/地區制定了一個復雜的指數，其中評估了數據限制程度，涵蓋了與跨境流動和數據國內使用相關的許多政策限制。本文使用該指數的更新和延展版本。

　　分析數據限制對經濟成果影響的研究很少。Van der Marel等人（2016）和Ferracane等人（2018b）的成果是僅有的兩項研究，探討與數據相關的監管政策如何影響生產力。作者從經濟學的角度分析了這種聯系，為 Ferracane 等人(2018a)的數據的跨境和國內使用建立了一個監管限制指數，并隨著時間的推移擴展了該指數。作者通過在綜合指標上回歸企業層面的生產率來計算與限制性數據政策相關的成本，該指標評價限制性數據法規對使用軟件作為衡量數據需要依賴行業的影響程度。他們發現，嚴格的數據政策往往會對數據密集型行業的公司業績產生負面影響。本文采用了類似的識別方法，并分析了限制性數據政策對企業創新的影響。

　　之前的其他研究專門針對與數據有關的政策框架，即歐盟通用數據保護條例（GDPR），并估算了經濟成本。Christensen等人（2013年）使用校準技術來評估歐盟通用數據保護條例提案對中小企業（SME）的影響，并得出結論，認為大量使用數據的中小企業遵守這些新規則可能會產生大量費用。作者使用模擬動態隨機一般均衡模型計算，結果顯示多達100,000個工作崗位可能在短期內消失，長期可能超過300,000個。鮑爾等人的另一項研究（2013年）使用可計算的一般均衡GTAP模型估算歐盟通用數據保護條例的經濟影響。研究發現，由于歐盟與世界其他地區之間的貿易減少，該項法律可能導致歐盟GDP損失高達1.3％。

　　Goldfarb和Tucker（2012）用實證研究證明了限制性數據政策與創新之間的不利聯系，并指出，之前針對衛生服務和在線廣告領域的研究結果顯示，更嚴格的隱私規定可能會損害創新活動。兩項研究均表明，有效數據的獲取和使用與基于開放市場的創新之間存在密切的聯系。Goldfarb和Trefler（2018）的最新研究討論了限制性數據政策的潛在理論含義，例如數據本地化和嚴格的隱私法規對創新和貿易的影響，盡管這是從人工智能的角度來看。作者明確指出，對于數據流是重要因素的擴展型創新人工智能產業，將被諸如數據本地化等限制性數據政策所遏制。

　　本文基于Ferracane等人（2018a）的研究開發的特定并已擴展的數據政策限制指數，將文獻的兩個部分結合起來。然后將其與我們專門制定的一系列數據政策指數的東亞國家的企業數字創新活動相關聯。該指數涵蓋了與數據活動相關的各種指標，其范圍比上文所述文件中使用的同類指數廣泛得多。例如，除了對跨境流動和數據國內使用的限制外，我們現在還擴展了與數字部門知識產權、在線平臺的中間責任和內容訪問有關的限制，以及有關電信市場的監管政策。我們預計，這些數據限制將與企業創新的程度負相關，特別是在那些更依賴數據的行業中。在評估這一假設時，我們使用了Ferracane等人（2018b）開發的識別方法。

　　3、實驗策略

　　本部分闡述了實證策略。我們根據Ferracane等人（2018a）的工作成果和Ferracane和van der Marel（2018）制定了一項綜合指標。在這兩項工作成果中，開發了一個數據關聯變量，該變量將其數據政策指數與行業級別的數據強度度量進行交互。在我們的案例中，綜合指標由包含數據限制的指數組成，包括與知識產權和電信相關的指數，該指數與衡量行業使用軟件的密集程度的變量交互作用。我們認為，后一個變量粗略地指定了每個部門使用數據的數量。某些行業比其他行業更依賴數據，我們預計數據密集型行業受限制性數據政策變化的影響更大。為了證實這一看法，我們將數據政策指數與表示行業級別數據強度的軟件使用程度進行加權。

　　在第二小節中，我們介紹了回歸的基線規范，在該規范中，我們使用了不同的企業層面的變量來衡量創新，并在數據限制的綜合指標上對變量進行回歸。并使用兩種類型的企業層面的數據進行回歸，第一種使用世界銀行企業調查數據庫在跨國和行業層面的總體數據，此外還針對少數東亞地區使用了三個特定國家的企業級數據集，即馬來西亞、越南和中國。由這兩個數據集得出的結果是互補的，因為它們為我們提供了不同的視角。世界銀行的數據代表了跨國公司間跨時間的數據集合，這將使我們對該地區國家所做出的政策選擇有一個整體的認識。第二種數據集專門針對馬來西亞、越南和中國，并分析那些對跨國公司業績起重要推動作用的政策是否也在這三個國家的企業中得到了證實。

　　3.1數據鏈接

　　數據鏈接指數的取值方式基于Arnold等人開創的計算方法。（2011年；2015年）。他們開創的測算“服務鏈接指數”的方法已在實踐領域得到廣泛使用。在我們的研究案例中，我們為數字創新設置了一個數據鏈接指數的變量，并在回歸分析中使用了此綜合指標。在對每個國家進行分析時，我們將各個國家的專屬數據政策指數與（作為數據使用值的替代值的）軟件使用量進行交互，以衡量某個部門在其生產過程中使用數據的程度。該識別策略基于這樣的假設：在生產過程中更依賴軟件的行業受數據限制的影響更大。這種加權算法是衡量限制性數據政策影響的一種更完善的方法，優于簡單地采用無加權算法而將我們的數據政策指數回歸到某一創新成果變量上。

　　在此計算過程中，我們將國家的專屬數據限制政策指數乘以代表每個下游產業的特定軟件使用程度的數據強度。這就是設置數據鏈接（DL）變量的方式。在此變量中，數據強度表示為（D / L），它由該部門的軟件使用量與勞動力數量的關系來衡量（見下文）。因此，在公式（1）中，術語?d表示每個部門的軟件使用程度，此數據來自美國人口普查ICT調查。數據強度表示為每個下游部門中使用勞動的比率，稱為LABj。此勞工數據可從美國勞工統計局（BLS）檢索。由此，我們得出以下公式：

　　請注意，與先前有關因子強度的文獻相一致，我們也將強度指數記錄在日志中。強度的表達方式近似于那些論述比較優勢的文獻，例如Chor（2011），Nunn（2007）和Romalis（2004）。最后，在公式（1）中，數據政策指數指的是衡量限制性數據政策的國家特定變量（請參見第3.3節），而軟件數據則指美國特定行業一年期間的軟件使用情況（請參閱第3.2節），以避免內生性問題。如果數據密集型部門隨著時間的推移不斷開展更多的數據創新活動，對任何國家而言，都將會導致數據監管限制的降低。因此，對一個國家使用其特定行業的通用數據強度會使變量更加具有外源性。

　　3.2數據強度

　　為了衡量公式（1）中定義的數據強度，我們使用了2011年美國人口普查ICT調查中有關軟件使用的信息。這些數據基于調查，并以4位算法詳細記錄在NAICS部門中，其統計了每個行業和服務部門花費在ICT設備和計算機軟件方面的投入，以百萬美元為單位。

　　我們將計算機軟件支出納入數據強度的考量。ICT調查記錄了軟件支出的兩個獨立變量，即資本化的軟件支出和非資本化的軟件支出。非資本化的計算機軟件支出包括用于開發軟件的購買和相關開發人員的薪資支出，以及軟件許可和軟件的服務協議支出。資本化的計算機軟件支出包括設備和軟件本身的資本支出。盡管將軟件使用量作為替代值的統計不能完全洞察各行業使用電子數據的程度，但它仍然是我們可以公開找到的最接近真實狀況的一種數據使用變量。但是請注意，在公司內部，由于數據的創新往往是基于軟件的，因此為軟件使用量作為替代因素提供了的充分理由。我們將2010年用于回歸分析，并將此軟件支出除以勞務量（同2010年數據），并將其用于我們的數據鏈接變量。

　　誠然，這種數據強度的數據替換并不理想。但當前還沒有有關各部門使用數據程度的數據。關于國家使用的數據量（例如由Cisco或Teleography記錄的數據）只有一些猜測，但是即使這些來源也僅提供了少量的觀察數據。即使如此，那些使用軟件技術在互聯網上和跨邊界傳輸用于創新的數據是清晰可記的。數字創新的最簡便程序需要借助軟件來完成，并需借助軟件來傳輸數據。另外，借助本身就是軟件形式的云計算技術，可以使更多技術通過互聯網進行高級數據傳輸。因此，盡管沒有完全獲取部門中實際使用的真實數據量，但在我們看來，利用每個行業對軟件的使用強度的確是首選的最佳替代。

　　figure1展示了根據非資本化軟件支出計算出的每個部門的數據強度。3假設美國人口普查以2位制和4位制之間的混合級別記錄此信息，則可以在NAICS中以不同的數字級別下載構建這些強度的數據。所有數據都符合ISIC Rev 3.1 2位數字級別。就業數據來自美國勞工統計局，以6位制給出，也與ISIC Rev 3.1 2位數字一致。我們在兩個數據源之間以最細分的級別開發了自己的一致性矩陣，然后通過采用簡單的平均值算法將其匯總到2位制。重新分類這些數據的原因是我們的創新變量在2位的ISIC版本3.1中提供。由于數據是在軟件和人工上以兩種不同的統計方式給出的，因此我們首先將所有數據匯總到ISIC中，然后統一計算強度。

　　根據我們對軟件支出的替代計算，figure1依照數據強度從高到低顯示了15個行業的數據使用程度排名。毫無意外，電信業是最高數據強度級別的行業，與勞動力強度相比，它具有很高的軟件強度。在剩余行業中，數據強度高的行業還有計算機、保險和金融，這也不足為奇。與勞工相比，他們使用大量軟件來運行。廣泛認為后兩個部門是技術密集型行業，并且互聯網技術的使用在金融服務業中也正顯著增加。

　　在統計圖的另一端（圖中未顯示），家具、建筑、汽車銷售和服裝等行業的數據密集度最低。使用軟件強度居中的行業是現代和傳統行業的結合行業，例如運輸服務和基本金屬等各種制造行業。

　　3.3數字創新數據政策指數

　　數據鏈接變量的第二項是數據政策指數，該指數基于一組可量化的特定國家監管政策，這些監管政策預計會對數字創新產生限制性影響。這些限制性政策涉及數據的使用和傳輸、知識產權、中間責任、內容訪問以及有關電信市場的監管制度。我們借鑒了Ferracane（2018a）和ECIPE的數字貿易估算（DTE）數據庫來確立和構建此指數。指數的分析對象是那些被認為會對依靠數據進行創新活動的公司造成監管成本負擔的政策。將某種政策措施列為對數據庫產生限制性影響的策略的標準如下：（i）它是否為在線和離線數據用戶創建了更加嚴格的制度；（ii）是否對國內外數據用戶之間區別對待；（iii）是否以不經濟不恰當的繁冗手段來實現某個政策目標。

　　數據政策指數由6個不同種類因素組成，每個種類都包含與特定數字政策領域相關的一組政策限制，這些政策限制包括：知識產權（IPR），跨境數據流（CBDF），國內數據使用和處理（DP），中間責任（IL），內容訪問（CA）以及基礎架構和連接（INF）。我們認為，這些與數據相關的政策種類對東亞地區的數字創新形成了最大的政策限制。如上所述，每個類別都有各種特定的限制，可以在table1中進一步找到。Ferracane等人曾在2018年對上述限制做出具體解釋，其文獻還提供了有關形成限制動機的進一步信息，并討論了評估其限制水平的方式。該指數涵蓋2009-2019年的政策狀況。此外，指數所代表的政策現均已更新，每個國家都推出了新監管措施。

　　為了建立這個指數，每個具體的政策措施都將根據其限制范圍的廣度在0（完全開放）到1（實質為封閉）之間評分。分數越高，表示數據政策的限制程度越高。盡管某些數據政策對于保護非經濟目標（例如個人隱私）或確保國家安全可能是合法且必要的，但這些政策仍然給開展數據相關創新活動的企業帶來了巨額成本，因此也反映在我們的指數中。以DTE數據庫為起點，我們使用從Ferracane等人2018版詳細加權方案，將特定政策匯總到指數中。可在table1的最后一欄中找到相應論述。

　　更具體地說，每種數據政策限制均按加權計算在完整的指數中。另外，在每個類別中，每個特定的政策限制也相互權衡。但是，在大多數情況下，政策限制在各自類別內的權重相等，如table1所示。對于每個類別而言，IPR和CBDF的權重一般相等，為0.25，因此兩者合計占總指數的一半。另一半覆蓋其余四個類別，其中DP和CA類別的權重均為0.15。IL和INF類別的權重為0.1。請注意，在某些情況下會包含新的特定政策限制，例如某個國家是否已制定了數據保護法，而Ferracane等人并未采用該法律（2018）。Ferracane（2018b）提供了有關權重、評分和政策措施說明的更多詳細信息。

　　應用我們的加權方案后，數據政策指數在0（完全打開）和1（實質性封閉）之間變化。指數越高，各國實施的數據政策越嚴格。table2概述了每個東亞國家/地區的最終指數，并顯示了每種限制條件對最終指數得分的影響。顯而易見，中國的得分最高，為0.91。在很大程度上，這是由IPR和CBDF類別中較高的政策限制導致的。在中國之后，越南得分為0.82，其次是泰國和印度尼西亞，兩者的限制性水平均為0.64。限制最少的國家是中國香港特別行政區，得分為0.09，基本上是開放的。這僅顯示了一些與知識產權和中間責任有關的較小限制。日本是第二受限制最少的國家，得分為0.20。如figure2和figure4所示，東亞地區組使我們的數據政策指數形成實質上的多樣性。

　　figure3顯示了數據政策限制的完整指數在2009年至2019年之間如何隨著時間而變化。該線性函數的指數涵蓋的15個東亞國家的加權平均值，以其各自的GDP作為權重。這樣做的原因是為了使整個地區得出無偏見的限制趨勢，應根據各國的自身發展情況糾正國家的限制。越南這樣的小國可能受到嚴格限制，但與中國或印度尼西亞相比，該限制對該地區的經濟影響要小得多。

　　因此，對所有國家一視同仁，將使整個地區的總體限制水平失真。我們可以看到，隨著時間的流逝，指數有明顯的上升趨勢，反映出東亞地區的數據政策正在變得日益嚴格。

　　3.4描述性分析

　　在使用公司層面的創新數據進行計量經濟學評估之前，我們首先對數據政策指標進行描述性分析，并說明其與在國家和行業層面上計算的現有創新變量之間的關系。

　　首先，我們從世界銀行企業調查中獲取公司層面的創新變量之一，然后按國家和部門對該二進制信息進行平均。誠然，這樣做存在問題，因為變量最初是二分的，并且在很大程度上取決于樣本中包含的公司數量。但是，進行此分析以獲得對計量經濟學相關性可能采取的潛在研究方向的第一印象是有價值的。我們對所有部門進行了分析，但由于本文的主要研究對象為數據密集型行業中公司的反應能力，因此目前主要關注計算機和相關服務領域的狀況。figure 1反映了計算機行業以及相關服務行業是軟件的主要用戶。

　　figure4呈現了一種負相關關系：一旦我們分別統計出每個東亞國家的限制性數據政策指數和我們在企業調查數據庫中發現的計算機和相關服務行業的創新偏好變量，就能發現二者呈負相關。該圖取h5變量的平均值，但是對于從同一數據庫中選擇的其他創新變量，也會出現同樣明顯的負相關性。顯然，數據限制程度較高的國家似乎在計算機服務行業方面的創新活動較少。在figure4中，中國是一個有趣的異常值。根據我們的數據政策指數衡量，我國的數據受到極大限制，但卻同時在計算機服務方面表現出很高的企業層面創新水平。考慮到中國在數字領域的快速發展，這一現象不足為奇，但該數字也表明，中國顯然僅是該地區一個少見的例外。

　　figure 5展示了另一種有趣的相關性。我們引入了針對各國家根據我們的數據政策指數得出的特定變量，同時引用一個衡量東亞國家進口數字服務的數量占其商業服務總進口的份額的標準變量。同樣在這種情況下，我們看到兩個變量之間存在緊密的負相關性。這表明，在數據政策方面受到更多限制的國家數字服務進口份額更低。盡管我們的計量經濟學分析沒有考慮服務貿易的這種變量，但它指出了封閉數字創新與開放市場之間的緊密聯系。服務貿易變量主要衡量通過軟件等互聯網執行的數字服務進口量，而數據政策指數則反映針對數字技術（例如互聯網、數據和在線平臺）的限制性貿易政策。

　　但是，為了規范評估在每個東亞國家的整個經濟中，數據密集型行業的公司是否由于較高的數據限制而在創新活動中受到了真正的影響，評估策略通過將各部門的軟件使用情況作為替代量，來考察每個行業的數據密集程度。

　　3.5基線回歸

　　如前所述，為衡量數據政策指數與東亞企業層面的創新活動是否有任何有意義的關系，我們采用了兩種回歸方法。

　　第一種方法采用的是跨國維度，其中我們對擁有數據的10個東亞國家進行了回歸分析。然后，我們進一步選取了一些國家，從國家來源專門記錄了企業層面的數據，并評估了我們的跨國分析成果是否與這些國家的回歸結論相一致。我們之所以采用這種分兩步走的方法，主要有兩個原因。首先是，跨國活動告訴我們一些國家隨著時間的推移而產生的差異，而針對具體國家的活動則更加強調政策限制本身的發展，從而為更具體的政策建議提供指導。此外，這兩個數據源記錄了不同的創新變量，這些變量使我們可以進一步了解公司數據限制政策會對哪一部分創新產生影響。

　　我們從跨國方法開始。在我們的基線回歸中使用公式（1），這在下面的公式(2)中有詳細說明。公式（2）測量了上述的數據鏈接指數與企業層面測得的若干創新變量（見下文）之間的時間相關性。因此，我們將在t年的第j行業中的c國的每個公司f?記錄的企業層面的創新變量回歸，而數據鏈接（DL）指標則是在國別-部門年度層面規定的。因此，作為相關性的回歸基線規則采用以下形式：

　　在公式（2）中，向量INNO由我們選擇的東亞國家組中的四個企業層面創新變量組成。這些變量是：（1）公司在過去三年中是否引進了新產品/服務；（2）該公司在過去三年中是否引進了新工藝；（3）公司是否使用外國公司許可的技術；最后（4）該公司在過去三年中是否花費了新的研發費用（不包括市場研究）。四個變量分別由h1，h5，e6和h8表示，這與世界銀行企業調查數據庫的數據來源標識一致。需要注意這些公司層面的數據是2009年至2018年之間的各個年份的截面數據，因此不記錄同一公司每年的數據。附件A中的tableA1、A2和A3以及figureA1提供了四個創新變量的累計企業分布概況，并按國家和行業分類提供了匯總統計數據。

　　還要注意的是我們的因變量僅能以二進制方式允許響應的形式。企業調查數據庫以簡單的“是”或“否”報告這些答案。我們將變量轉換為虛擬變量，以使其有效地成為INNOfcjt∈{0,1}的非線性估計。因此，我們被迫執行Probit模型。但是，在進入Probit回歸之前，我們首先執行具有固定效果的LPM模型，因為前者為我們提供了有關Probit回歸時最有可能走向的方向的其他信息。此外，對于我們的三個國家情況，只能進行LPM回歸，因此出于一致性的原因，我們報告兩種類型的結果。由于包括固定效應的各個方面，因此我們使用條件（固定效應）邏輯回歸來估計Probit模型。

　　如上所述，我們的DL變量是根據公式（1）在國家/地區/年份級別定義的，因此在所有三個維度上都存在變化。雖然我們擁有截至2019年的數據政策指數數據，但由于企業調查數據沒有進一步發展，因此我們只能包含截至2018年的數據。

　　公式（2）還分別包括來自按國家（c）、行業（j）和時間（t）的固定影響。不僅如此，盡管事實是我們的因變量是在公司層面給出的，但我們不能包括企業層面的固定效應，因為企業調查數據集具有相互重疊的跨行業性質，因此，隨著時間的推移，跟蹤同一公司的發展是不可能的。最后, fcjt是誤差項，對于LPM回歸，其是按照行業國家進行聚類。對于我們的Probit回歸，我們無法聚類，但是數據是按照行業分組的。

　　我們的第二種方法是使用特定國家的企業層面的數據。我們擁有來自馬來西亞、越南和中國的企業層面的數據集。顯然，這三個數據集的可變覆蓋范圍不同，這意味著盡管所有三個數據集都報告了公司的資產負債表信息，但創新指標在彼此之間并不一致。該數據僅適用于制造業。

　　在下面的公式（3）中給出的回歸規范中，創新變量再次匯總在一個稱為INNO的向量中，其中從屬的創新變量也為虛擬變量。因此，公式（3）中的INNOfcjt∈{0，1}。與公式（2）相比，經驗設置在很大程度上相似，只是有一些細微的差異。其一是由于我們未觀察到任何國家的軟件使用和勞動情況，因此需要對公式（1）中定義的數據使用指標進行調整。對于任何東亞國家，都很難找到有關這兩個變量的數據。其次，回歸方程只針對一個國家，以便關注政策隨時間的變化（與橫向分析中國家之間的政策差異相反）。為了更詳細地分析后一個方面，我們的DL度量現在將盡可滯后2年，或至少滯后1年。

　　總體而言，這三個國家的基準回歸方程如下：

　　其中，INNO由記錄在馬來西亞、越南和中國每個國家特定的數據集的創新變量組成。DL術語與公式（2）中數據策略指標與數據/軟件強度相互作用的項完全相似。但是，在我們的三個國家中，由于該地區缺少有關該變量的數據，因此我們只能測量數據使用的絕對比例作為總投入使用的一部分。我們使用國家投入產出（IO）矩陣來計算這三個國家每個行業的ICT服務在總投入使用中的比例。國家IO表取自世界銀行，并按2進制數字ISIC Rev.4進行報告。IO表可用于每個國家，因此代表了一致的來源。我們采用國內水平（即不包括進口）以及在分析時間段開始或中間的一年中的輸入系數。

　　此外，術語f，j和t分別是公司、行業和年度的固定影響。當然，由于存在三個特定于國家的回歸，因此我們自然不能得出任何國家固定影響。最后，j是誤差項，對于LPM回歸，現在將其按行業進行聚類。總而言之，由于技術限制，我們無法運行Probit模型，因此無法在所有三個國家執行LPM。此外，對于中國，我們也在數次研究中執行OLS，因為數據類型為我們提供了支持。

　　4、結論

　　本節以類似的后續方式分別闡述兩種分析方法得出的結論。跨國回歸分析的結論在table3和table4中給出，其中分別報告了LPM和Probit結論。特定國家的分析結論在后續圖表中呈現。

　　4.1跨國回歸分析結論

　　基于table3中對LPM回歸分析，結果證明其幾乎是無關緊要的，這意味著在大多數情況下，數據鏈接變量與企業的創新活動之間沒有發現統計學上的顯著相關性。也就是說，數據的限制性政策與公司選擇引入新產品或服務（如第1列中所示），引入新的組織程序（如第2列中所述）或在研發上花費更多的費用之間沒有任何實質性的關聯（如第4列所示）。但是，第3列反映的結論確實體現出一些差異，這表明限制性數據政策與公司是否采用外國公司許可的技術有顯著的負相關性。

　　由于第3列中的系數現在已得到精確估算，table4中關于Probit的回歸分析也得出了相符的結論：限制性更強的數據政策與公司從外國公司獲得許可技術的可能性較低密切相關。考慮到更改數據政策指數的邊際影響不是恒定的，因此，作為數據鏈接指數變量的限制政策系數每增加一單位，企業使用外國許可技術的可能性就會降低一些。即使第1列和第4列中的符號給出了負方向，其他三個正方向的創新變量仍然保持著影響甚微的狀態（在LPM回歸中并非如此）。還要注意，與LPM結果相比，Probit系數值顯著增加。

　　外國許可技術變量影響較大這一事實可能會引起人們的懷疑。事實上，也許會存在被許可的外國技術中可能包括軟件技術的情況，因此可能與我們的數據政策指數相關聯。這是因為公式（2）中數據鏈接變量的乘法項還包含每個行業使用軟件的程度。但是，仔細研究“企業調查”變量說明就會得出如下調查問題：“除了辦公軟件外，該機構目前是否使用了外國公司許可的技術？”因此，我們確信在回歸分析中不存在任何人為或虛假的相關性。相反，由系數分析結論得，作為公司創新活動一部分的外國許可技術似乎與一個國家的數據監管政策框架息息相關。此外，更嚴格的數據限制似乎阻礙了一國使用軟件的行業進行企業級創新。

　　4.2 特定國家的結果

　　本節介紹了針對馬來西亞、越南和中國這些特定國家的回歸結果。附件B、C和D分別提供了有關回歸問題所涵蓋的調查問題和變量的詳細信息，以及有關馬來西亞、越南和中國這些特定國家的每個數據集的一些摘要統計數據。

　　4.2.1馬來西亞

　　對于馬來西亞，我們擁有有關每個公司購買、使用和生產無形資本（例如專利、商譽、在建工程（包括新的和二手無形資產的進口））的程度以及每家公司的研發支出數額的數據。二手資產是指購買以前在馬來西亞使用的資產，包括在該國被收購之前經過翻新或修改的資產。購買資產是指新購買的資產，最后，生產資產是指企業在馬來西亞生產供自己使用的資產。

　　由于使用了與ISIC Rev.4完全對應的MSIC 2008分類，因此數據只涵蓋到2008年以后的年份。然而，如果我們應用年固定效應，我們將只有兩年的時間作為對象來進行分析，即2010年和2015年。所有變量都以二進制模式進行轉換，因此大于0的正值將被賦值為1，否則賦值為0。

　　在轉向回歸結果之前，figure7提供了用于實證規范的主要變量的描述性檢查。該圖在橫軸上繪制了馬來西亞ICT服務投入的IO系數，并與來自馬來西亞數據集的所有四個企業層面的創新變量的綜合指標（我們稱之為創新得分）相對應。我們稱之為創新得分，并將其總結為INNO項。這個創新得分計算為，其中 N 是問題的總數。創新得分按行業和年份進行平均。如圖所示，擬合值線是在不包括可口可樂和石油以及其他制造和再生產部門的基礎上繪制的，因為他們似乎是極端的異常值（請注意，這兩個部門也從未排除在回歸之外）從較高的ICT服務密集型部門對我們的創新評分更高的意義上看，向上傾斜的相關性是顯而易見的。回歸將顯示如figure8所示，馬來西亞數據政策限制性指數是否有任何作用。

　　調查結果記錄在table5中。其中，第1列中R＆D支出的回歸系數給出了顯著的結果，這在某種程度上是違反直覺的。由于企業創新活動進入國外市場受到限制，因此企業要對更多的研發活動做出反應，這對于數字創新必不可少。在第3列中，系數結果給出負且顯著的結果。它表明，數據密集型行業的公司（以其ICT服務投入的份額作為代理）面臨更高水平的數據政策限制，這與企業無形資產作為其生產的一部分使用率降低有關。第2列和第3列中的購買和生產的無形資產變量均提供負系數符號，但在統計上并不重要。

　　4.2.2越南

　　以越南為例，盡管第一個使用的變量與馬來西亞數據重疊，但我們有一組不同的變量：兩者都報告了公司執行了研發活動的規模。第二個創新變量可以更精確地衡量公司的研發活動是否有針對性，在針對市場或世界的新創新中，是否針對市場上新出現的創新，在這種情況下，這個變量的值取1。如果這種創新對公司來說只是新的，那么這種觀察得分為0。接下來的兩個變量用于衡量公司是否擁有任何國家或國際專利，越南數據集中也提供了這些專利。最后，最后一個變量是衡量公司是否進行任何形式的研究合作。所有變量均涵蓋2010-2013年，但由于我們的結構滯后，因此只能包含三年。

　　figure9首先概述了五個企業層面的變量的IO系數和創新得分之間的相關程度。越南的創新得分的計算方法與馬來西亞相似，并且IO系數來自越南IO表。一條向上傾斜的擬合值曲線被繪制出來，表明這兩個變量之間總體上存在正相關關系。（但是請注意，出于上述類似原因，在繪制擬合值時，焦炭和石油行業以及造紙和印刷行業都將被排除在外。我們的回歸分析也排除了這兩個行業。）化學和制藥部門的創新得分要高得多，并且作為其國內總投入用途的一部分，其ICT服務投入也很高。另一方面，食品和飲料等行業的兩個指標水平都要低得多。figure10概述了越南數據政策指數的發展。

　　回歸結果的相關性見table6。在幾乎所有列中，結果與正系數結果在統計上是沒有意義的。在5％的水平上，唯一負的且顯著的變量是在第2列中，是否是公司針對市場或世界的新創新。但是，有趣的是，在這種情況下，第1列中的R＆D變量也像馬來西亞一樣為正。當應用1年的滯后時間時，此結果將在10％的水平上變得顯著，第5列中的研究合作變量也是如此。

　　4.2.3中國

　　對于中國，我們獲取了不同的數據，這些數據不是基于調查產生的。中國創新的數據通常很難獲得。因此，我們不得不使用來自湯森路透(Thomson Reuters)數據庫的數據，這些數據記錄了總部位于中國的私營和上市公司的信息。我們只記錄了與我們的研究目的相關的兩個變量，即無形資產凈值和R＆D支出（均為美元）。數據年份跨度較長，涵蓋了我們整個數據政策指數的持續時間，即從2009-2019年。figure11概述了我們在中國的限制性指數的發展。如人們所見，鑒于整個時期的限制程度都很高，該國的限制性指數幾乎沒有變化。

　　figure10顯示了將研發支出的變量除以每家公司的雇員人數與ICT服務投入系數之間的關系。（再次注意，可口可樂和石油行業被排除在外。）相關性是成正比的、緊密的，這表明使用ICT服務作為其整體投入結構一部分的部門具有較高的人均企業支出在研發上。對于回歸分析，因為我們執行LPM，所以我們將變量轉換為0到1之間的二進制模式，當公司沒有報告任何價值時為零，以防企業報告的研發支出和無形資產為正值。然后，我們在回歸分析中還使用了研發支出的大小以及人均支出，并進行OLS檢驗這些結果是否提供任何進一步的證據。

　　結果報告在table7中。前兩列分別顯示了LPM回歸的R＆D支出和凈無形資產的結果。結果表明，只有無形資產凈值上的結果具有負相關跡象。因此，它表明，在面臨更高水平的數據限制的情況下，活躍于ICT服務密集型行業的公司報告的無形資產水平較低。結果并不甚顯著，甚至對研發支出的期望系數不是負數，而是正數，與馬來西亞和越南的結果一致。但是，當使用類似的變量執行標準OLS回歸時，第3列的結果表明，在這種情況下，R＆D支出顯著為負。然而，無形資產的變量仍然微不足道。第5列和第6列中的人均變量在執行OLS時都沒有顯示出顯著的結果。

　　5、結論

　　開放市場對企業順利進行數據創新存在深刻影響，數據、知識產權、平臺和電信市場方面的政策限制都可能會對企業的數字創新產生連鎖作用。的確，本文發現，就10個東亞國家的數據而言，在線平臺和其他與數據相關領域的限制性政策與企業進行創新的可能性呈負相關，這種負相關在較多使用大量軟件進行技術創新的行業尤其明顯。因此，對數據、知識產權、平臺和電信的限制性較小的政策對企業順利實現數字經濟創新至關重要。

　　對于數據政策較為嚴格的國家而言，公司通過許可使用外國技術作為其創新活動的一部分的可能性較小。此外，這三個針對特定國家的研究案例表明，限制性數據政策與公司使用專利和商譽等無形資產進行創新（以馬來西亞和中國為例），以及通過市場新研發進行創新的可能性之間存在負相關關系（以越南為例）。因此，綜合所有因素，我們得出的結論是，不采取針對數據及相關領域的不必要和限制性政策的開放市場環境有益于企業進行創新。

　　本文僅論述了相關性，但并沒有跡象表明因果推斷在該領域無存在可能，當然應該謹慎對待這一結論。若存在這樣的因果推斷，如本文所述，封閉數據和其他數據相關技術的市場亦不會在數字領域對數字創新存在益處。而且，我們確立的指數所反映的限制種類對于那些利用無形資產進行創新的公司同樣具有重要意義。當前，包括東亞在內的世界上許多國家正在經歷著從基于貨物和商品的有形經濟向日益以服務、數據和創意等無形資產為基礎的無形經濟的重大轉變。因此，至關重要的是，各國應共同營造一個友好的政策環境，使各國公司可以借力于新經濟發展成果來獲取更多運營資本，同時，也應將各國合法的非經濟目標納入國際政策環境構建的考量之中。

本文首發于微信公眾號：數字經濟與社會。文章內容屬作者個人觀點，不代表和訊網立場。投資者據此操作，風險請自擔。