En tant que forme économique dominante après les économies agricole et industrielle, l'économie numérique est devenue un moteur important de la croissance économique mondiale et un instrument clé dans la transformation des modes de développement. La vitalité de l'économie numérique se reflète vivement non seulement dans les activités économiques réelles, mais aussi dans sa pénétration profonde au sein de la recherche académique en économie. À l'heure actuelle, les études, colloques et institutions liés à l'économie numérique ont proliféré dans pratiquement tous les recoins de la communauté académique.

Cependant, les recherches actuelles sur l'économie numérique se heurtent à plusieurs problèmes saillants dans des domaines tels que la définition conceptuelle, la sélection des indicateurs et l'analyse des mécanismes sous-jacents. Un écueil particulièrement fréquent est que de nombreuses études ne parviennent pas à mettre en lumière les caractéristiques fondamentales de l'économie numérique. Elles se contentent plutôt d'examiner comment un indicateur associé au numérique affecte une autre variable économique ou sociale, sans préciser quelle caractéristique spécifique de l'économie numérique cet effet reflète, ni en quoi il diffère des schémas observés à l'ère pré-numérique. La prolifération de ce type de recherches a, dans une certaine mesure, contribué à une situation où la production académique sur l'économie numérique en Chine a connu une expansion rapide en volume, tandis que sa qualité globale reste perfectible.

Face à cette réalité, la communauté académique doit urgemment engager une réflexion sur ce qui constitue un paradigme de recherche solide pour l'étude de l'économie numérique, et sur la manière dont les recherches futures dans ce domaine pourront progresser, aussi bien dans le choix des objets d'étude que des perspectives analytiques, des sources de données et des approches méthodologiques.

Recherches actuelles : des généralisations excessives, un retard par rapport à l'innovation

Un examen de la littérature sur l'économie numérique révèle deux phénomènes notables : premièrement, la plupart des études sont de nature empirique ; deuxièmement, comparées aux publications en langues étrangères, les recherches sur l'économie numérique bénéficient d'une attention bien plus marquée au sein de la sphère académique sinophone. Sous les angles de la définition conceptuelle et de la mesure quantitative, des objets de recherche, des impacts socio-économiques, ainsi que des données et méthodes d'identification, un bref état des lieux des études empiriques montre que les objets d'étude tendent à être vastes et généralisés, avec des mesures souvent conduites à un niveau excessivement micro-économique. Par ailleurs, les perspectives de recherche ne mettent pas suffisamment en lumière les caractéristiques fondamentales de l'économie numérique. Troisièmement, les données de recherche demeurent relativement traditionnelles. Quatrièmement, les techniques de recherche n'ont pas suivi le rythme de l'innovation technologique.

Bien que l'économie numérique chinoise compte parmi les plus avancées au monde, la qualité des recherches académiques nationales sur ce thème présente encore une marge de progression considérable. Des progrès devraient être accomplis en réformant les objets d'étude, les perspectives analytiques, les sources de données et les méthodes technologiques, afin d'impulser une transformation du paradigme de recherche sur l'économie numérique.

Objets de recherche : de « vastes et généraux » à « ciblés et raffinés »

Bien que l'économie numérique englobe un vaste éventail de domaines — incluant l'industrialisation du numérique et la numérisation de l'industrie —, les études empiriques qui tentent d'en examiner les impacts de manière trop générale manquent souvent de profondeur analytique. Alors que plusieurs années se sont écoulées depuis l'émergence du concept d'économie numérique en Chine et que son développement dans les activités économiques réelles s'est révélé remarquablement vigoureux, il convient désormais que la recherche académique s'efforce d'aborder les enjeux du numérique à un niveau plus profond et abandonne les traditionnelles mesures trop grossières.

Pour renforcer la profondeur et la crédibilité scientifique des recherches futures, les chercheurs devraient déplacer leur focus d'analyses « vastes et générales » vers des investigations « ciblées et raffinées ». Ce n'est qu'en abordant les grandes questions à travers des angles étroits et bien spécifiés que la recherche nationale pourra engager un dialogue substantiel avec les autorités académiques internationales et ainsi enrichir davantage la discipline économique.

Premièrement, les chercheurs pourraient mener des analyses détaillées dans des sous-domaines spécifiques de l'économie numérique — tels que le développement des infrastructures numériques, l'innovation technologique numérique, les décisions de localisation des entreprises digitales, ou la coopération internationale dans le numérique - plutôt que de tenter d'appréhender le concept entier dans une étude unique. Deuxièmement, la recherche pourrait se concentrer sur les formes économiques représentatives au sein de l'économie numérique. Troisièmement, dans le processus de raffinement des objets d'étude, les chercheurs devraient rester attentifs à leur diversité, en menant des comparaisons systématiques entre sujets différents mais apparentés.

Perspectives de recherche : révéler les nouvelles dynamiques socioéconomiques à travers les caractéristiques fondamentales de l'économie numérique

La mission cruciale de la recherche sur l'économie numérique est de révéler comment sa pénétration profonde transforme, amplifie, affaiblit ou inverse certains comportements traditionnels, refaçonnant ainsi des phénomènes ou relations socioéconomiques spécifiques à l'ère numérique. Les mécanismes logiques sous-jacents à ces transformations doivent refléter les caractéristiques fondamentales de l'économie numérique. Essentiellement, l'économie numérique se caractérise par sa capacité à réduire les coûts de recherche, de reproduction, de transport, de traçage et de vérification. Bien qu'une étude isolée ne puisse couvrir l'ensemble de ces caractéristiques, elle devrait au moins explicitement s'articuler autour de l'une d'entre elles.

Par exemple, concernant les coûts de transport, les progrès technologiques permettent à l'information de circuler sur de vastes espaces à un coût marginal quasi nul. La quasi-élimination de ces coûts a amené de nombreux chercheurs à reconsidérer le rôle de la distance géographique à l'ère numérique  — une question ayant suscité des débats substantiels dans le milieu académique. Un autre exemple concerne la consommation en ligne, qui se distingue de la consommation hors ligne par son indépendance relative vis-à-vis de l'espace géographique. Analyser comment des variables comme les prix immobiliers (ou autres facteurs spatiaux) influencent les modes de consommation en ligne sous l'angle de la distribution spatiale constitue une excellente perspective de recherche sur l'économie numérique.

De surcroît, alors que la plupart des études existantes mettent l'accent sur les effets positifs du développement de l'économie numérique, la littérature actuelle tend à manquer de « recueillement » face aux problèmes qu'il expose. Les recherches futures devraient donc examiner les défis potentiels et les externalités négatives de l'économie numérique.

En bref, l'examen des mécanismes à travers lesquels l'économie numérique exerce son influence devrait de plus en plus provenir de ses caractéristiques fondamentales, plutôt que de cadres d'analyse conventionnels ou de mécanismes « stéréotypés ».

Données de recherche : exploiter les données massives multi-sources dans un contexte de pénétration profonde du numérique

Du point de vue des données de recherche, une grande partie de la littérature existante continue de s'appuyer sur des jeux de données traditionnels dépourvus de caractéristiques distinctives. En effet, alors que l'économie numérique s'est profondément intégrée à tous les secteurs, une variété étendue de données massives s'est accumulée, offrant aux chercheurs de riches possibilités d'exploration et d'utilisation. Trois catégories typiques de données massives de l'ère numérique sont emblématiques :

Premièrement, les données des entreprises de plateforme. Ces entreprises constituent le pivot central de l'économie numérique. Au-delà de faciliter la transformation numérique de la vie quotidienne (par exemple, le shopping en ligne, la réservation de transports), elles accumulent des quantités massives d'informations utilisateurs. Ces données sont inestimables pour suivre les dynamiques macroéconomiques et analyser les activités économiques, et peuvent être efficacement exploitées dans les études empiriques.

La deuxième catégorie est celle des données des médias sociaux. Avec le progrès des technologies de l'information et de la communication, les plateformes de médias sociaux sont devenues des canaux essentiels par lesquels les individus génèrent, partagent et échangent informations et opinions. En raison de leur caractère décentralisé et de leurs audiences massives, ces plateformes produisent des quantités considérables de données analysables qui peuvent enrichir significativement la recherche empirique en économie.

La troisième catégorie concerne les données de géographie économique. Les données massives de géographie économique désignent des jeux de données qui incluent des informations de localisation spatiale attachées à divers indicateurs économiques. Comparées aux données économiques traditionnelles, elles possèdent des attributs spatiaux explicites et une granularité à haute résolution. Ces données ont été largement appliquées en économie urbaine et régionale ainsi qu'en économie du développement, et se révèlent tout aussi précieuses pour la recherche sur l'économie numérique.

Techniques de recherche : exploiter l'IA de pointe pour l'analyse empirique

À l'ère de l'économie numérique, le mode de génération des données a connu une transformation profonde. La numérisation imprègne désormais tous les aspects de la vie quotidienne — consommation, transports, logement, et au-delà — ce qui produit des masses de données massives traçables. Pourtant, ces données brutes sont souvent « bruyantes, non structurées et désorganisées », comprenant documents textuels, images et contenus audiovisuels.

La nécessité de traiter ces ensembles de données complexes a considérablement accéléré l'adoption des méthodes d'intelligence artificielle (IA), particulièrement l'apprentissage automatique, dans la recherche sur l'économie numérique. Bien que ces algorithmes soient depuis longtemps utilisés par les entreprises internet et les institutions financières, leur utilisation dans les études académiques présente encore une marge de développement considérable. L'intégration des technologies d'IA de pointe — représentées par l'apprentissage automatique — dans la recherche académique constituera une orientation méthodologique cruciale pour les études futures sur l'économie numérique. Plus précisément, ces techniques peuvent être appliquées dans trois domaines centraux : la prédiction, la génération de variables et l'inférence causale.

En matière de prédiction, contrairement à la recherche économétrique traditionnelle qui privilégie l'estimation non biaisée et efficace des paramètres, l'apprentissage automatique identifie des schémas complexes et des tendances à partir de vastes ensembles de données historiques de manière data-driven, produisant des résultats prédictifs hautement précis. Pour la génération de variables, les méthodes d'apprentissage automatique peuvent extraire et construire de nouveaux indicateurs à partir de sources de données massives non structurées, puis les introduire dans la recherche en sciences sociales traditionnelle. Concernant l'inférence causale, l'identification des relations de causalité entre variables dans les systèmes économiques complexes constitue une mission centrale en sciences sociales, particulièrement en économie. L'apprentissage automatique offre des outils précieux pour améliorer l'identification causale : que ce soit en détectant et contrôlant mieux les facteurs confusionnels, en construisant des groupes de comparaison dans le cadre de modèles en doubles différences ou de méthodes d'appariement, ou en identifiant les effets causaux hétérogènes et la validité externe.

Par ailleurs, le développement et l'application des technologies d'IA devraient faire évoluer le paradigme de recherche d'une démarche axée sur la théorie vers une investigation axée sur les données. Une telle transformation permettrait de réduire les biais induits par les préconceptions théoriques, d'offrir aux chercheurs une exploration plus libre des données et de mettre au jour de nouvelles relations causales et mécanismes économiques — favorisant ainsi l'émergence d'une mentalité scientifique recentrée sur les données.
 

Guo Feng (professeur) et Cao Youbin sont affiliés à l'École de l'Économie et de l'Administration publiques de l'Université des Finances et de l'Économie de Shanghai.