本文刊于《江海学刊》2026年第4期
摘要：在人工智能加速发展和数据要素地位不断上升的背景下，平台用户日常行为所生成的数据如何参与价值创造，已成为理解数字时代劳动形态、平台权力结构与分配公平的重要议题。平台型数据劳动虽呈现隐性化、去契约化、去组织化以及劳动—生活边界模糊化等特征，但其劳动属性并未因此消解。其价值形成主要经历数据生成、算法加工和商业实现三个环节，并可依据劳动内容与价值机制划分为生产创新型、生产常规型、消费创新型和消费常规型四类。不同类型的数据劳动具有差异化的价值形成机制，其规模及变化趋势亦应采取相应方法加以测度。平台价值积累越来越依赖低可见、高频率、大规模的日常数据劳动，其中消费常规型数据劳动构成最基础也最易被遮蔽的价值来源。数字平台经济中的核心矛盾并不只是技术替代劳动，更是数据贡献的高价值与权利保障的低水平之间的结构性背离。未来，应将数据劳动纳入劳动分析、收入分配与平台治理的核心框架，逐步建立围绕数据贡献的权益确认、价值评估与收益分配机制，以回应人工智能时代劳动正义的基本命题。
关键词：数据劳动 数字平台 类型学分析 价值估算
巫强，对外经济贸易大学保险学院副教授
卿石松，华东师范大学社会发展学院教授
曾湘泉，中国人民大学劳动人事学院教授
引 言
随着平台经济扩张和人工智能技术的发展，数字平台日益深度嵌入个体的生活、消费、社交与工作场景，并将这些日常活动转化为可计算和可变现的数据资源。当前，数据不仅成为平台经营和人工智能训练的关键资源，也被纳入生产要素体系和国家治理框架。2019年党的十九届四中全会首次将数据纳入生产要素范畴，并强调要推进数据要素市场建设、数据资源开发利用和高质量数据库建设。因此，一系列问题亟待思考：当数据越来越深地参与价值创造与财富积累时，它能否成为新的分配依据？进一步说，如果数据的形成离不开个体在数字空间中的大量活动，那么这些活动能否被理解为一种新的劳动形式？如果可以，这种劳动与工业社会中以雇佣关系、工作时间和明确产出为特征的传统劳动有何差异，其价值由谁生产、如何实现、如何被占有，又如何在宏观层面呈现出可观测的规模与变化趋势？这些问题不仅关系到数字时代劳动者的权益保障与政策设计，也关系到对社会再生产结构和分配公平的重新理解。
针对上述问题，国际学界已有不少讨论，但尚未形成一致的结论。较早的受众商品论（Audience Commodity Theory）指出，媒介受众的注意力本身已被纳入资本积累过程。此后，免费劳动（Free Labor）与玩工（Playbour）等研究进一步揭示，网络用户看似自愿、娱乐化的在线参与，事实上能够为数字资本主义持续生产价值。在此基础上，数字劳动（Digital Labor）研究强调，用户生成内容、社会交往、情感投入与信息生产并不仅仅是消费或表达，也构成平台价值创造的重要来源。近年来，随着平台资本主义与人工智能产业的发展，相关研究又从数据殖民主义（Data Colonialism）和数据工作（Data Work）等角度，分析平台如何通过数据提取、算法组织和全球外包，将日常生活、在线行为与隐形劳动转化为新的积累机制。这些研究普遍关注数据背后深层的社会关系，但对数据的劳动属性、价值边界、分配原则等仍存在争议。
相较而言，国内研究主要围绕平台劳动、数字劳动、算法管理、数字控制与数据要素治理展开讨论，并对外卖骑手、网约工、主播、内容生产者与平台用户等群体的劳动过程、控制机制和权益问题进行了有益分析。这些研究为理解中国平台经济中的劳动组织方式、平台治理逻辑与数字不平等问题奠定了重要基础。然而，关于数据劳动（Data Labor）的讨论常与数字劳动、平台劳动等概念交叉使用，概念边界尚不清晰，尤其是其劳动属性、价值形成机制以及与传统劳动的关系仍有待进一步辨析。同时，已有研究多聚焦于规范批判、劳动过程分析或个案经验描述，对于平台型数据劳动的类型差异、价值生成逻辑及其规模测度，仍缺乏系统性的理论建构与经验估计。因此，在数据被正式纳入生产要素体系，同时人工智能对高质量数据需求不断上升的背景下，从劳动社会学与政治经济学的交叉视角重新审视数据劳动，具有明显的理论和现实意义。
平台型数据劳动是一种个体在数字平台或智能系统中，通过浏览、互动、表达、评价、上传、标注与反馈等活动持续生成数据，并由此嵌入平台价值增殖过程的社会活动。需要强调的是，本文并不将一切数字行为均等同于劳动，而是关注那些被平台基础设施和算法机制系统性组织、提取并转化为经济价值的活动过程。与传统劳动相比，平台型数据劳动具有隐性化、日常化、碎片化和去契约化等特征，其劳动成果也并不以可见的产品形式呈现，而更多体现为数据资源积累、模型迭代优化、流量配置调整与预测能力提升等系统性效能。具体而言，本文拟讨论三个相互关联的议题。一是从劳动社会学与政治经济学的交叉视角出发，辨析平台型数据劳动的概念边界、劳动属性及其价值形成机制，厘清其与数字劳动、平台劳动及传统雇佣劳动之间的联系和差异。二是结合平台经济的发展特征与人工智能时代的数据需求，构建平台型数据劳动的类型学框架，揭示不同类型数据劳动在劳动过程、价值贡献及被平台占有方式上的结构性差异。三是在区分不同类型价值形成机制的基础上，选择相应的测度思路，对平台型数据劳动的价值规模及变化趋势进行估算，以期为理解数字时代收入分配、劳动权益保障与数据治理提供经验依据。
围绕上述议题，本文力图在以下层面形成推进。在理论层面，将平台型数据劳动置于劳动社会学与政治经济学的交叉视野中加以审视，以此澄清既有研究中尚显模糊的概念边界与价值生成逻辑；在此基础上，以“创新性”与“生产性”为分析维度，区分出生产创新型、生产常规型、消费创新型与消费常规型四类数据劳动，为后续经验测度提供一个可操作化的分类基础。在经验层面，本文结合中国平台经济的发展历程，对2015—2024年典型平台型数据劳动的价值规模进行估算，尝试将数据劳动的价值讨论从理论辨析引向可量化的经验分析，从而为人工智能时代劳动形态重组、数据要素的社会基础及分配公平问题，提供具有实证支撑的讨论路径。
数据劳动的起源、演进与界定
（一）数据劳动概念的理论来源与演进
数据劳动并非一个孤立的概念，而是在媒介政治经济学、数字劳动研究与平台资本主义研究的持续推进中逐渐形成的分析框架。其核心问题在于，个体在数字平台中的日常活动，如何被平台基础设施和算法系统持续记录、加工并转化为具有经济价值的数据资源。
这一问题的理论渊源，可追溯至斯麦兹（Dallas W.Smythe）提出的受众商品论，其核心观点是，大众媒体并非单纯出售内容，而是通过内容吸引受众注意力，再将这种注意力作为商品售予广告商。由此，看电视、听广播等行为事实上已被纳入资本积累的过程之中。在互联网兴起后，特拉诺瓦（Tiziana Terranova）进一步提出免费劳动的概念，强调用户在论坛发帖、协作开发、内容生产与网络互动中的无偿投入，构成了网络经济的重要价值来源。其自愿性、娱乐性与非正式性，并未削弱其生产性，反而使其更易被自然化和去劳动化。库克利希（Julian Kücklich）所提出的玩工概念，则揭示了游戏产业中玩家的模组开发、测试反馈和社区维护等活动如何被平台吸纳并转化为商业价值，从而模糊了玩乐与劳动的边界。
进入社交媒体和大数据时代之后，学界的关注重点逐渐从用户生产内容转向用户生成数据。福克斯（Christian Fuchs）以产消合一劳动这一概念指出，用户在社交媒体中的发帖、点赞、评论、转发与社交连接，同时具有消费与生产的双重属性，平台真正积累的，不仅是内容本身，更是由行为、关系和偏好所构成的数据商品。库尔德利（Nick Couldry）和梅希亚斯（Ulises A.Mejias）则以数据殖民主义这一概念说明，数据提取已不再是单纯的技术过程，而是一种将社会生活整体纳入资本逻辑的新型占有机制。与此同时，福斯特（Jonathan Foster）提出了数据工作范式，强调数据不仅是生产资料，也是一种被管理、规训与再组织的劳动过程，具有技术性与社会性的双重属性。由此，数据劳动研究已经从对免费用户劳动的初步批判，扩展为对平台、算法、基础设施与劳动分工关系的综合考察。总体来看，现有研究已形成一个基本共识，即数据并非中性的技术副产品，而是与劳动过程、资本积累和权力结构深度交织的社会产物。不过，围绕哪些活动可以被界定为劳动、数据价值如何形成、数据利益应如何分配等问题，学界仍存在明显分歧。
（二）数据劳动与数字劳动、平台劳动、数据工作的概念边界
在既有研究中，数据劳动常与数字劳动、平台劳动、数据工作等概念交叉使用。若不对这些概念加以区分，容易导致研究对象模糊和分析层次混乱。因此，对其边界进行辨析，是展开后续分析的必要前提。
首先，数字劳动通常是一个更宽泛的上位概念，指在数字技术、数字平台和信息基础设施中展开的各类劳动活动，既包括骑手、司机、主播、众包工等群体的有偿劳动，也包括社交媒体用户的无偿参与、在线协作和内容生产。与之相比，数据劳动所强调的并非劳动发生于数字环境这一事实，而是劳动活动的主要可占有产物表现为数据，即个体行为在平台化、数据化与算法化过程中被转化为可采集、可关联和可利用的数据资源。
其次，平台劳动主要指由平台组织、调度、评价和规训的劳动形态，其核心议题在于算法管理、用工责任、劳动控制与权益保护。该概念更适用于分析外卖配送、网约车、网络直播、游戏陪练等以平台为中介的有偿劳动。与此不同，本文所讨论的平台型数据劳动并不以是否获得订单、报酬或正式任务为界，而是关注个体在平台空间中的活动如何被系统提取并嵌入价值增殖过程。
最后，数据工作通常指围绕数据采集、清洗、标注、审核、验证和模型训练支持而展开的显性劳动。这类劳动大多已进入雇佣、外包或众包体系，具有相对清晰的任务边界与报酬形式。本文并不将其作为主要研究对象，而是将研究重点放在那些未被正式界定为工作，却稳定地为平台创造数据价值的用户活动上。
具体而言，本文所指的平台型数据劳动具有三层含义：其一，平台型数据劳动的直接产出不是物质产品，而是可计算、可调用、可整合的数据性痕迹；其二，这类劳动通常嵌入消费、社交、娱乐和信息获取等非劳动场景之中，因而具有较强的隐蔽性；其三，并非一切数字行为都自动构成劳动，只有那些被平台基础设施与算法机制系统性组织、提取并转化为价值的活动，才具有本文意义上的数据劳动属性。例如，以外卖骑手为例，其完成配送任务的过程属于典型的平台服务劳动。但与此同时，其轨迹、响应时间、履约表现和用户评价等信息又被平台实时记录并用于调度优化、信用建模和算法训练。也就是说，同一行为过程往往同时包含服务劳动与数据劳动两个维度。本文所关注的，正是这种长期被传统劳动范畴所遮蔽的数据化价值生产现象。
（三）国内外研究进展
从国外研究来看，数据劳动的讨论大体形成了从受众商品、免费劳动、玩工、数字劳动，到数据殖民主义和数据工作的理论演进脉络。相关研究不断深化人们对平台资本主义价值提取机制的认识，也在相当程度上修正了平台价值主要由技术自动生成的流行看法。它们提示我们，平台利润的形成并非单纯的技术运算结果，而是深度依赖广义劳动，尤其依赖那些被参与、使用、互动等日常话语所遮蔽的行为投入、判断投入和情感投入。
国内研究则主要沿着两条路径展开。一类研究关注平台劳动、算法管理与劳动控制，分析网游用户、自媒体用户等平台劳动者如何被数据化评价和算法规训所组织，或是从宏观上考察数据、算法和算力在数字经济中与传统劳动的关系。另一类研究多从传播政治经济学和数字资本主义批判出发，讨论平台对用户时间、社会交往和文化表达的吸纳与控制。这些研究为理解中国平台经济中的劳动过程、平台权力和治理结构奠定了重要基础。
不过，现有研究仍有进一步拓展的空间。首先，在概念层面，数字劳动、平台劳动、数据工作和数据劳动等术语常被交叉使用，甚至存在将数字劳动泛化为数字经济中一切涉数据劳动形态的倾向，这既模糊了数字与数据之间的概念边界，也影响了对劳动属性和价值机制的准确判断。其次，在经验层面，既有研究更多聚焦于有偿平台劳动或宏观政治经济批判，对普通用户日常平台活动如何生成数据价值这一过程，仍缺少系统的类型化分析。最后，在方法层面，关于数据劳动的讨论多停留于规范批判和理论阐释，对不同类型平台型数据劳动的价值形成机制及其规模，尚缺少结合中国经验的测度性研究。
本文正是在上述问题意识的基础上展开。在理论定位上，采取相对收敛的定义策略，将研究对象限定为平台用户在非正式雇佣关系下持续生成数据价值的活动，以避免将所有数字行为都等同于数据劳动。在分析路径上，从劳动社会学与政治经济学的交叉视角出发，辨析平台型数据劳动的劳动属性和价值形成逻辑，进而构建类型学框架，并在中国平台经济的具体情境中对其价值规模展开经验讨论。
平台型数据劳动的价值生成逻辑与类型学分析
（一）平台型数据劳动的劳动属性及其价值生成逻辑
判断数据活动是否属于劳动，不能仅以行动者的主观意图或其是否进入正式雇佣关系为依据，而应从劳动社会学关于目的性、生产性、价值关联性和社会嵌入性的基本判断出发。依此来看，平台型数据劳动虽不同于工业时代以合同、工时和成品为标志的劳动形态，但仍具有明确的劳动属性。从目的性来看，个体看似可能仅出于娱乐、沟通或消费的目的参与平台活动，但在平台算法体系中这些活动却被转化为数据资源。尽管其中可能存在劳动的主观目的与客观结果之间的分离，但这些活动确实服务于平台目标。从生产性或创造性来看，数据劳动的产出并不总是表现为可见的作品或产品，而更多体现为信息生成、符号表达和行为痕迹的积累。内容创作者的原创作品固然能够为平台带来流量和数据资源，普通用户的点击、评论、停留和互动，也会成为算法模型识别偏好、训练规则和优化推荐的重要输入。由此，从价值关联性来看，数据劳动并非游离于价值创造之外，而是以较为隐蔽的方式进入平台商品和服务的生产过程。平台通过对用户数据的聚合、分析和再利用，实现广告精准投放、模型训练和市场预测，其收益中包含了用户行为数据的贡献。尽管这类劳动通常不以工资形式获得报酬，却处在平台价值形成链条之中。与此同时，从社会嵌入性来看，数据劳动并不是单个用户的孤立行为。福斯特指出，数据工作不仅是技术活动，也是一种嵌入制度、伦理与权力结构的社会实践。正是在平台规则、用户关系和算法系统的共同作用下，个体的日常行为才被组织、记录并转化为可利用的数据资源。也就是说，数据劳动的社会性使其不同于一般意义上的自发活动，而更接近于一种由平台持续组织和吸纳的劳动形态。总体而言，尽管数据劳动有其特殊性，但从以上所列四个角度看，它确实是一种劳动，只是被算法所中介。需要指出的是，承认平台型数据劳动具有劳动属性，并不意味着所有数字行为都应被无差别地劳动化理解。只有当个体活动被平台系统性组织、提取并纳入价值增殖过程时，它才具有了可被视为劳动的社会属性。
平台型数据劳动的价值形成，并非在个体点击、浏览或发帖的瞬间自然完成，而是在数据生成、算法加工、商业实现的连续链条中逐步展开。首先，在数据生成阶段，用户的每一次点击、点赞、评论、上传与分享都被系统记录，通过平台算法的提取与存储，转化为结构化数据。此时，用户的注意力、偏好与交互成为可度量的生产资料。斯麦兹所称的受众商品在此被算法具体化，平台出售的不是用户本身，而是用户行为所凝结的数据。其次，在算法加工阶段，用户数据被清洗、标注、训练与再利用，从原始数据转化为可商业化使用的信息资产。如福斯特所言，人机协同劳动形成新的价值增殖链条，算法成为劳动过程的中介管理者。需要指出的是，普通用户的数据生成与专业劳动者的数据加工，共同构成了平台价值链的不同环节。最后，在商业实现阶段，经过加工的数据通过广告定向、产品优化、AI训练等途径最终实现变现，形成平台利润、市场估值和竞争壁垒，库尔德利和梅希亚斯将此称为数据殖民主义机制。
进一步看，这一链条能够稳定运转的关键在于编码、聚合和占有三类机制。一是编码机制，即平台通过界面选择、推荐排序、评价体系、积分激励和默认设置，预先规定哪些行为会被记录、哪些差异会被放大以及哪些反馈会进入算法循环。二是聚合机制，即单个用户的数据贡献通常微小且难以单独定价，但海量用户的高频行为通过网络效应和群体外部性形成预测能力、提升匹配效率和赋能模型改进，从而产生远高于个体可感知贡献的总体价值。三是占有机制，即用户通常以消费者、使用者或内容参与者身份出现，其数据权利更多通过用户协议、隐私政策和平台规则被制度化转移，而价值实现则以平台收入、平台估值和算法能力的形式集中呈现。在这三类机制的共同作用下，数据劳动的贡献被持续吸收为平台资产，而劳动主体却隐形化了。
从社会学角度看，平台型数据劳动价值生成的特殊性在于，它打破了传统劳动中从劳动时间到劳动产出再到劳动报酬之间相对清晰的对应链条。其一，劳动过程深度嵌入生活过程，生产与消费、工作与休闲的边界被显著模糊。其二，劳动成果以数据资源及其衍生的模型能力形式呈现，难以被个体劳动者直接识别、占有和主张。其三，价值的实现高度依赖平台组织、网络效应和算法基础设施，由此决定了数据价值具有明显的关系性、聚合性与集中性。也正因此，平台型数据劳动所引出的，已不仅仅是个体是否应获得报酬的分配问题，更是由谁定义数据、组织数据并占有数据收益的权力问题，这构成了平台时代劳动正义的核心追问。
（二）平台型数据劳动的结构性特征
基于上述分析，平台型数据劳动具有以下几项相互关联的结构性特征。其一，隐性化。平台型数据劳动嵌入消费、社交、娱乐、学习和信息获取等非劳动场景，既难以被行动者直接感知，也难以被传统劳动统计和制度分类所识别。正因其以使用平台的形式出现，平台更容易将其自然化为用户的自愿行为。其二，去契约化。传统劳动关系通常建立在劳动合同、报酬安排和工时规则之上，而平台型数据劳动往往仅以用户协议、隐私政策或平台规则为制度外观。用户在形式上只是接受数字服务，实质上却持续授权平台使用其行为数据。由此，平台能够在不承担劳动法意义上雇主责任的情况下，持续取得由用户行为数据带来的收益。其三，去组织化。数字平台经济下，生产者通常以分散个体的形式存在于不同平台和数字场景之中，既没有共同的工作场所，也缺少明确的职业身份和稳定的互动网络。正因如此，他们很难像传统劳动者那样，通过工会、集体协商或其他组织化机制表达利益诉求。数据劳动越是分散和日常化，劳动者的可见性和议价能力就越弱。其四，边界模糊化。平台型数据劳动并不对应固定工时，也不一定表现为明确的工作任务，而是渗透在日常生活的碎片时间和持续在线状态之中。用户在线、浏览、停留、互动的过程，都会留下可被平台记录和计算的数据痕迹。这样一来，生活时间不断被吸纳进平台的价值生产过程，劳动形式也随之发生变化。其五，平台型数据劳动还伴随着新的异化和收益背离。个体虽然持续生成数据，却往往无法占有这些数据产品，也难以控制其后续的加工、流通和使用。更重要的是，许多行动者并不清楚自己的日常活动已经进入平台的价值创造过程。劳动者由此不仅与数据产品相分离，也与数据的使用过程及其后果相分离。与此同时，平台从数据中获得收益，而个体获得的回报却十分有限，这构成了数字时代分配正义中的一个突出问题。
上述特征并不是彼此孤立的。隐性化使劳动者不易形成劳动自觉，去契约化削弱了权利主张的制度基础，去组织化限制了集体行动的可能，而劳动与生活边界的模糊以及新的异化形式，又进一步强化了平台对数据价值的集中占有。正是在这样的结构条件下，平台型数据劳动成为一种广泛存在、价值可观却长期处于制度盲区的劳动形态。本文随后将对其进行类型划分和价值测度，意在为相关制度讨论提供更具经验基础的分析依据。
（三）平台型数据劳动的类型划分
在明确平台型数据劳动的劳动属性、价值生成逻辑和结构性特征之后，进一步的问题是这一劳动形态内部是否同质。现有研究往往从有偿与无偿、主动与被动等角度对劳动进行划分，这固然有助于揭示平台价值提取中的不平等关系，但仍难以说明不同数据劳动形式在价值生成机制、平台控制方式和劳动者位置上的差异。基于此，本文从劳动行为的价值创造机制切入，选取创新性与生产性两个核心维度对平台型数据劳动进行类型化分析。创新性体现了劳动内容是否蕴含不可替代的个体特质，生产性则反映了参与者在平台结构中是以主动创造者还是被动接受者的角色介入。基于这两个维度，平台型数据劳动可被划分为生产创新型、生产常规型、消费创新型和消费常规型四类（见图1）。需要说明的是，这里的生产与消费属于分析性分类，而非传统政治经济学意义上的生产劳动与非生产劳动之分。此外，现实中的许多平台行为往往兼具多重属性，但通过类型划分，仍可较为清晰地揭示不同类型数据劳动在平台权力谱系中的层级位置。
其中，生产创新型劳动，指劳动者主动生产产品或服务，其数据成果是具有原创性的劳动类型。比如，社交媒体非正式内容劳动者通过原创内容吸引流量，其劳动成果具有文化创意属性。游戏模组创作者，通过创造性设计扩展游戏内容，推动游戏生态创新。开源代码贡献者，无偿贡献代码支持商业软件，技术成果被企业直接用于产品迭代，属于知识密集型创新劳动。在线问答社区答主，通过知识分享形成高质量内容库，用户劳动兼具知识创造与生产属性。众包翻译志愿者，则以兴趣驱动的无偿劳动丰富平台内容，在文化传播中融入个人解读。
图1 平台型数据劳动的四种类型
生产常规型劳动，指劳动者的常规生产行为被平台采集，其数据成果用于优化既有商业模式。比如，外卖骑手的骑行数据被用于算法调度优化，其劳动过程高度工具化。网约车司机的驾驶数据被用于安全评估，劳动成果服务于平台运营体系。众包地图采集员拍摄的街景照片，也属于流程化产生的数据结果。
消费创新型劳动，指用户以消费行为参与数据生产，并在此过程中融入个人创意或情感投入，形成非标准化的有价值数据。比如，直播观众通过情感表达创造流量价值，互动内容可能衍生新社群文化，如粉丝圈层语言。健康App使用者在为健康管理付费的同时生成数据，其数据可能被用于个性化服务创新，如定制健身方案。
消费常规型劳动，指用户被动参与数据生产，行为高度标准化且无意识，数据成果主要用于提升平台运营效率。比如，搜索引擎使用者的搜索记录被用于广告模型训练，用户无感知且无法拒绝。电商App浏览者的行为数据被用于推荐算法优化，服务于商家精准营销。政务App使用者的行为数据被用于政策优化，过程强制且无需创新。共享单车用户的出行数据被用于车辆调度，用以提升平台运营效率，用户无需创造性参与。人脸识别数据提供者的生物数据被用于训练安防算法，用户无意识参与且无法拒绝。
从图1可以看出，不同类型平台型数据劳动在平台权力结构中的位置并不相同。生产创新型劳动者因其创造性成果较易被市场识别，通常拥有相对更强的可见性和议价能力。生产常规型劳动者虽被纳入有偿劳动过程，但其数据贡献通常处于工资关系之外，难以获得额外补偿。消费创新型劳动者通过互动、表达和情感投入为平台创造了源源不断的流量和社群价值，但其劳动身份并不明确。消费常规型劳动者则几乎完全处于被动位置，其数据既难以拒绝被采集，也难以主张收益分配。由此可见，该二维分类框架的意义并不只是对平台型数据劳动进行经验归类，更在于揭示数字时代新的价值结构与分配秩序。
平台型数据劳动的价值估算
（一）平台型数据劳动价值估算的方法与结果
讨论数据劳动的价值，最终需要回到如何测度这一操作性问题上。从现有研究来看，测度路径主要沿成本视角和收益视角展开，前者以机会成本法为代表，后者包括市场价格法、收益归因法等。不同方法各有适用对象，但也都受到数据条件和归因假设的限制。就整体研究进展而言，关于数据劳动价值的实证测度仍不充分，大量讨论还停留在理论模型、分析框架或政策倡议层面。其深层原因在于，平台内部关于用户行为、算法贡献和收入转化之间的细粒度数据通常并不公开，研究者只能借助公开财报、行业统计、问卷调查或专家评估进行宏观估算和案例分析。即便引入夏普利值等相对精细的估计方法，在处理数据劳动的重叠贡献和协作生产时，权重设定仍难免依赖熵权、模糊评价等带有主观成分的赋值方法，其估计结果的稳健性也会受到影响。此外，现有研究中关于归因系数的设定，更多来自逻辑推演、公平原则或政策设想，而较少建立在大样本数据和严格计量识别的基础之上。
基于前文的类型学框架，平台型数据劳动并不存在适用于所有类型的统一估值方法，更合理的做法是依据不同类型的价值形成机制选择相应的估算路径。具体而言，生产创新型数据劳动以普通社交媒体用户的非正式内容生产为代表，采用机会成本法，估算公式为：数据劳动价值=用户规模×人均内容创作时间×替代工资标准。生产常规型数据劳动以外卖骑手为代表，采用边际贡献法，估算公式为：年度数据劳动价值=（基准每单成本-实际每单成本）×年订单总量。消费创新型数据劳动以直播观众为代表，采用市场价格法，估算公式为：直播观众数据劳动价值=（直播观众规模×人均单日观看时长×365天）×单位时长广告价值。消费常规型数据劳动以电商App浏览者为代表，采用收益归因法，估算公式为：电商App浏览者数据劳动价值=电商总收入×广告收入占比×用户贡献因子。
上述估算主要使用公开统计资料和行业资料进行参数设定。其中，社交媒体用户规模主要参考中国互联网络信息中心（CNNIC）发布的《中国互联网络发展状况统计报告》，人均内容创作时间依据上网时长变化作趋势性调整，替代工资标准参考各省市最低工资平均水平折算。外卖订单总量、基准成本和实际成本主要依据平台年报、行业报道和早期配送成本资料估计。直播观众规模和观看时长综合网络视听报告、平台披露数据和广告竞价参数估计。电商App用户规模和电商总收入分别参考CNNIC与国家统计局数据，广告收入占比和用户贡献因子则结合平台研究报告与相关文献设定。按照上述口径，本文对2015—2024年四类典型平台型数据劳动的价值进行了估算，结果如表1所示。
从估算结果来看，四类平台型数据劳动的价值规模呈现出差异化的增长态势。就社媒非正式内容劳动者而言，其数据劳动价值从2015年的约546亿元增长至2024年的约1586亿元，十年间增长近两倍。外卖骑手群体的情况则有所不同，2015年平台算法尚处萌芽期，数据劳动贡献相对有限；此后绝对价值总体呈上升趋势，其中2020年受外部冲击影响，骑手运营效率与成本结构出现异常，数据价值体现略有波动，但随后恢复高速增长，至2024年其数据劳动总价值约为1387亿元。直播观众的数据劳动价值增长尤为突出，从2015年的约148亿元跃升至2024年的约5534亿元，十年间增幅逾36倍。电商App浏览者的数据劳动价值则从2015年的5205亿元增至2024年的8354亿元，基数本已较高，十年内仍保持持续增长。
表1 2015—2024年平台型数据劳动价值估算
（单位：亿元）
在四类估算结果中，消费常规型数据劳动，即电商App浏览行为，对应的价值规模最高。这与平台化电商的运行机制有关，用户浏览、停留、搜索和点击等数据具有高度规模化特征，也更容易通过推荐、广告和交易撮合转化为平台收益。消费创新型数据劳动者以直播观众为代表，其价值主要来自注意力投入和情感互动。单个观众的数据贡献有限，但直播平台拥有庞大的用户基础和高频互动场景，因而能够形成市桥（Shota Ichihashi）所说的海量用户加微小贡献的价值机制。随着平台算法和商业化体系逐渐成熟，这类数据劳动的货币化能力也随之提高。相比之下，生产创新型数据劳动虽然具有较强创造性，但个体贡献较为分散，其价值规模相对有限。诺伊（Shakked Noy）和张（Whitney Zhang）的研究发现，人工智能对低技能劳动生产率的提升作用更为明显，而对高技能劳动生产率的提升相对较弱，这在一定程度上说明，随着人工智能技术扩散，部分创造性数据劳动的稀缺性可能被削弱。生产常规型数据劳动以外卖骑手为代表，其估值最低，主要是因为本文仅从算法优化带来的配送成本节约来估算其价值，同时骑手群体规模也明显小于电商App浏览者和直播观众等平台用户群体。
需要说明的是，上述估算在不同程度上存在方法论局限。就创新型数据劳动而言，机会成本法可能高估其价值，原因在于用户内容创作同时包含消费效用、兴趣表达和社交收益等多重非劳动动机。马斯（Alexandre Mas）和帕莱斯（Amanda Pallais）的研究发现，休闲时间机会成本约为市场工资的40%—60%，据此推算，我们的估值实际上可能偏高。若按此折算，创新型数据劳动2024年估值约降至635亿—950亿元，不过这也与该类劳动在平台总体价值中的相对地位一致。就外卖骑手而言，边际贡献法能够捕捉骑手实时数据对配送效率和成本节约的影响，但可能低估其对供应链优化和平台网络效应的外溢价值。就直播观众而言，市场价格法以广告价值衡量其数据劳动，但易受平台垄断、广告竞价机制和隐私政策变化等因素的影响。就电商App浏览者而言，收益归因法则依赖于用户贡献因子的设定，可能混杂了数据劳动、平台技术、商品供给与服务质量等多重因素。综合上述局限，本文更重视估算结果所揭示的结构性差异与趋势性特征，而非将具体数值视为精确的核算结果。
（二）平台型数据劳动价值差异的结构性成因
不同类型平台劳动价值的差异，并不仅仅源于不同平台类型和商业模式的差异，更反映了平台型数据劳动在价值形成机制上的结构性分化。总体来看，四类平台型数据劳动均已达到千亿级规模，其中消费常规型接近万亿，消费创新型增速最为显著。这一格局具有鲜明的社会学意涵，即价值规模最大的，恰恰是劳动者意识最薄弱、制度保障最缺失的那一类数据劳动。也就是说，最不可见、最碎片化、最日常化的数据贡献，反而最有可能构成平台价值积累的核心基础。这种隐性的价值提取规模之大，在现代劳动史上是不常见的，也是数字时代分配公平的一个核心问题。此外，平台型数据劳动大体量、高增长的背后，受一系列技术与社会因素的共同驱动。
一是规模经济和网络效应。随着移动互联网普及和用户规模扩大，数据总量迅速增长。此外，市桥一直强调数据的群体外部性，表现在数据上就是：电商和直播平台的用户基数不断扩大，推动数据边际收益递增，从而使消费类数据价值持续增长。
二是平台优化与算法进步。推荐、广告和物流算法的持续改进，提高了平台将数据转化为收益的能力。戈德法布（Avi Goldfarb）和塔克（Catherine E.Tucker）的研究表明，隐私约束会明显削弱广告效果，这从反面说明用户数据与算法匹配之间存在重要的经济联系。本文的估算结果也显示，随着路线规划、订单分派和时效预测等技术不断改进，外卖骑手数据劳动所体现的效率价值呈上升趋势。
三是人工智能技术的持续演进。生成式人工智能等技术提高了平台处理和利用大规模行为数据的能力，也可能改变不同类型数据劳动的相对价值。普通用户的行为数据更容易被模型吸收和放大，而部分高度创造性的劳动成果，则可能被算法学习并转化为可复制的系统能力。由此，生产创新型数据劳动的边际溢价可能被压缩，其价值增速也相对放缓。
四是社会因素与使用习惯的变化。外部冲击会带来数据劳动价值的短期波动。以2020年为例，公共卫生事件推高了外卖和直播需求，但同时也影响了配送效率和成本结构，使外卖骑手数据劳动价值出现波动。从更长期看，直播观看、频繁网购和移动端持续在线逐渐成为日常生活的一部分，平台活动的频率和数据生成密度随之提高，进而推动各类数据劳动价值持续增长。
结论与启示
本文从劳动社会学视角出发，考察了平台型数据劳动的概念界定、劳动属性、价值生成逻辑、类型划分及其价值规模。研究表明，平台型数据劳动虽具有隐性化、去契约化、去组织化和劳动—生活边界模糊化等特征，但其劳动属性并未因此消失。相反，从目的性、创造性、价值关联性和社会嵌入性来看，它已构成一种可被明确识别的劳动形态。其价值也并非由数据自然生成，而是在数据生成、算法加工和商业实现的连续过程中，通过编码、聚合和占有机制逐步形成。
在此基础上，本文以创新性和生产性为关键维度，将平台型数据劳动划分为生产创新型、生产常规型、消费创新型和消费常规型四类，并依据不同类型的价值形成机制，分别采用相应的估值方法。估算结果显示，2024年消费常规型数据劳动的价值约为8354亿元，消费创新型约为5534亿元，生产创新型约为1586亿元，生产常规型约为1387亿元。总体来看，消费侧尤其是常规化、低可见的数据劳动，构成了平台价值积累中最重要的基础。这说明，平台经济中的价值创造并不主要依赖少数高可见度的创作者，而更大程度上建立在海量普通用户日常浏览、点击、停留、观看和互动所生成的数据之上。这一价值分布格局具有明显的社会学含义。价值贡献最大的，恰恰是劳动意识最弱、组织能力最低、制度保障最缺乏的那一类劳动者。尤其是消费常规型数据劳动，其生成过程被包裹在“正常使用”“便利服务”或“日常互动”之中，劳动者既难以意识到自身的价值贡献，也缺乏与平台协商和分享收益的现实条件。由此，平台型数据劳动问题已不只是技术问题或资源配置问题，而是数字时代劳动可见性、收益分配权和社会公平结构重组的问题。
展望未来，人工智能的发展正在进一步重塑平台型数据劳动的边界及其价值结构。一方面，算法和生成式人工智能提高了平台对用户数据的吸收、加工和变现能力，使消费侧数据劳动更易被放大和利用。另一方面，高创造性劳动中原有的稀缺性经验和表达，也可能被更快吸收并转化为可复制的系统能力，从而压缩创新性劳动的相对溢价。从更长远的趋势看，如果通用人工智能继续发展，并在更大范围内替代认知性工作，以工资劳动为中心的分配体系也将承受新的压力。科里内克（Anton Korinek）和徐（Donghyun Suh）曾指出，一旦技术进步实现对人类认知工作的广泛自动化，现有工资体系可能面临系统性风险。这一判断提示我们，数据劳动的价值评估不能停留在既有平台经济形态之中，而需要随着技术条件、生产关系和劳动组织方式的变化不断调整。也正因如此，社会保障和收入分配制度若仍主要围绕传统工资劳动展开，将难以充分回应数字技术带来的分配风险。
基于上述分析，数据劳动治理需要在制度建设和理论研究两个层面继续推进。在制度层面，应逐步明确数据贡献的权益归属和收益分配规则，探索数据使用补偿、数据收益分享、平台责任约束等制度安排，并提高算法运行和数据使用的透明度。在理论层面，劳动社会学也有必要进一步扩展自身的研究对象，将用户参与数据生产、平台对日常行为的组织，以及算法中介下的价值实现过程纳入研究视野，从而重新理解平台条件下劳动、要素与分配之间的关系。
因此，未来研究可从两个方向继续推进。一方面，应争取结合更细致的平台行为数据、实验数据或准自然实验设计，在个体层面识别不同类型数据劳动的边际贡献，以提高估值的解释力和稳健性。另一方面，也应加强对数据劳动者主观经验与社会关系结构的田野调查，深入分析不同类型数据劳动者在劳动认知、权利诉求和组织可能性上的差异，为制度设计提供更扎实的社会学依据。只有在经验研究与理论建构两方面同时推进，才能更全面地理解数字时代平台型数据劳动的社会后果，并为其公平的价值认定与权益保障奠定基础。
