Dòng dữ liệu xuyên quốc gia: Cân bằng giữa bảo mật dữ liệu và tăng trưởng kinh tế

Chia sẻ: Tưởng Trì Hoài | Ngày: | Loại File: PDF | Số trang:15

Thêm vào BST

Báo xấu

4
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài tham luận "Dòng dữ liệu xuyên quốc gia: Cân bằng giữa bảo mật dữ liệu và tăng trưởng kinh tế" gợi ý rằng quá trình hoàn thiện hành lang pháp luật tại Việt Nam nên có độ mở hơn, giúp giải phóng tiềm năng đóng góp của dòng dữ liệu xuyên quốc gia cho tăng trưởng kinh tế. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Dòng dữ liệu xuyên quốc gia: Cân bằng giữa bảo mật dữ liệu và tăng trưởng kinh tế

DÒNG DỮ LIỆU XUYÊN QUỐC GIA: CÂN BẰNG GIỮA BẢO MẬT DỮ LIỆU VÀ TĂNG TRƯỞNG KINH TẾ TS. Lý Đại Hùng Viện Kinh tế Việt Nam - Đại học Kinh tế Thành phố Hồ Chí Minh Tóm tắt. Trong không gian kinh tế số, biên giới địa lý bị xoá nhòa dẫn đến dữ liệu có thể dịch chuyển xuyên quốc gia với tốc độ rất nhanh. Với dòng dữ liệu này, bảo mật dữ liệu càng cao thì càng bảo vệ quyền lợi của người dùng một cách chặt chẽ hơn. Nhưng bảo mật cao cũng cản trở sự trao đổi thông tin, tạo nên một rào cản cho quá trình đổi mới sáng tạo, từ đó, hạn chế đóng góp của dữ liệu cho tăng trưởng kinh tế. Đối diện với sự đánh đổi này, mỗi quốc gia cần tìm được một điểm cân bằng giữa bảo mật dữ liệu và tăng trưởng kinh tế. Hiện nay, hành lang pháp luật của Việt Nam đang theo triết lý của châu Âu với sự ưu tiên hơn về tính bảo mật trong khi Hoa Kỳ ưu tiên hơn cho tăng trưởng kinh tế. Để thúc đẩy quá trình chuyển đổi số, bài tham luận gợi ý rằng quá trình hoàn thiện hành lang pháp luật tại Việt Nam nên có độ mở hơn, giúp giải phóng tiềm năng đóng góp của dòng dữ liệu xuyên quốc gia cho tăng trưởng kinh tế. Từ khóa: Dòng Dữ liệu Xuyên Quốc gia; Tăng trưởng Kinh tế; Việt Nam. Cross-Border Data Flows: Balance between Data Privacy and Economic Growth Abstract. Within digital economic space, the geographical borders are erased so that data can be flow across border with a very high speed. In this cross-border data flow, a high privacy protects more effectively personal benefits. But a high privacy also imposes a constraint on the exchange of information, thus impeding innovation process and limiting contribution to economic growth. Facing this trade-off, each country needs to find a balance point between data privacy and economic growth. Currently, Vietnam law system is biased on the data privacy as the European system while United States are biased on the economic growth. In order to enhance the digital transformation, the paper suggests that the Vietnam law system should be more open to release the potential contribution of cross-border data flows to the economic growth. Keywords: Cross Border Data Flows; Economic Growth; Vietnam 180
1. Giới thiệu chung. Dữ liệu đang ngày càng trở thành một nguồn tài nguyên giá trị, thậm chí còn được coi như tài nguyên có giá trị nhất, vượt qua cả dầu mỏ (Thời báo Economist, 2017). Vì không gian kỹ thuật số không có biên giới rõ ràng như biên giới địa lý nên dòng di chuyển của dữ liệu xuyên quốc gia xảy ra với quy mô rộng và cường độ mạnh hơn hẳn các dòng di chuyển nguồn lực thông thường như dòng thương mại quốc tế của hàng hóa và dịch vụ, hoặc dòng đầu tư quốc tế của vốn đầu tư. Tính chất phức tạp này của dòng dữ liệu xuyên quốc gia này lại đặt ra nhu cầu về các phân tích đánh giá nhằm tìm ra cách thức vận dụng, hướng dòng dữ liệu phục vụ quá trình phát triển kinh tế xã hội mà vẫn đảm bảo an toàn thông tin của một quốc gia. Bài tham luận này tập trung vào khả năng đánh đổi mà dòng dữ liệu xuyên quốc gia đặt ra giữa việc bảo mật dữ liệu (data privacy) và đóng góp của dữ liệu vào tăng trưởng kinh tế. Theo cách tiếp cận kinh tế học, dòng dữ liệu xuyên quốc gia được xem xét như một nguồn lực dành cho phát triển kinh tế, bên cạnh các nguồn lực khác gồm vốn đầu tư và lực lượng lao động. Kết quả phân tích ghi nhận rằng dòng dữ liệu xuyên quốc gia có ba đặc điểm chính gồm sự mở rộng pham vi sử dụng qua biên giới địa lý, khả năng bảo tồn nguồn lực và chỉ phụ thuộc vào không gian kỹ thuật số. Từ các đặc điểm này, việc bảo mật dữ liệu tạo ra khả năng loại trừ trong việc sử dụng dữ liệu, tức là chỉ giới hạn trong phạm vi chủ sở hữu dữ liệu, và do đó, các cá nhân, tổ chức khác không có quyền sử dụng. Nhưng bảo mật dữ liệu cũng hạn chế khả năng đổi mới sáng tạo, từ đó, tạo ra ít đóng góp cho tăng trưởng kinh tế. Vì vậy, tồn tại sự đánh đổi giữa bảo mật dữ liệu và tăng trưởng kinh tế trong thực tiễn. Bài tham luận liên quan trực tiếp đến các nghiên cứu về bảo mật dữ liệu hiện nay. Bảo mật dữ liệu liên quan mật thiết với ba loại hình chính sách về cạnh tranh, khách hàng và số liệu (Kerber, 2016). Trong đó, chính sách cạnh tranh đề cập đến khả năng tập trung sức mạnh độc quyền về thu thập và sử dụng dữ liệu trong kiểm soát của một số hãng công nghệ lớn. Chính sách khách hàng phản ánh thực tiễn rằng phần lớn dữ liệu hiện nay là các thông tin liên quan đến các cá nhân như lịch sử giao dịch hàng hóa và thông tin cá nhân. Và chính sách số liệu dựa trên căn cứ rằng dữ liệu trước hết là tập hợp các trường số liệu khác nhau, có thể được thu thập một cách có hệ thống hoặc tản mát. Bảo mật dữ liệu phụ thuộc chủ yếu vào lựa chọn của các nhà hoạch định chính sách, trong khi việc thực thi bảo mật dữ liệu lại phụ thuộc vào trình độ khoa học kỹ thuật của một quốc gia (Shapiro, 2022). Cụ thể, bảo mật dữ liệu liên quan đến ba yếu tố gồm an toàn (security), đổi mới sáng tạo (innovation) và quyền cá nhân (individual legal rights). Hiện nay, 181
hệ thống luật bảo mật dữ liệu của mỗi quốc gia đều có sự nhấn mạnh vào một yếu tố hơn so với hai yếu tố còn lại, mà ít khi đạt được cân bằng. Liên minh Châu Âu và Trung Quốc đặt trọng tâm vào quyền cá nhân, trong khi Hoa Kỳ lại coi đổi mới sáng tạo đóng vai trò quan trọng nhất. Đối với nhánh nghiên cứu vừa nêu về bảo mật dữ liệu, bài tham luận này phân tích các đặc điểm chính của bảo mật dữ liệu và đặt công tác này vào bối cảnh của dòng di chuyển dữ liệu xuyên quốc gia. Ngoài ra, bài tham luận cũng thảo luận nhiều hơn về khả năng áp dụng chính sách về bảo mật dữ liệu trong bối cảnh của một nền kinh tế đang phát triển như Việt Nam. Cụ thể, vì là một nước đang phát triển, tăng trưởng kinh tế vẫn là một mục tiêu phát triển hàng đầu. Vì vậy, một lựa chọn phù hợp đối với Việt Nam là tìm cách cân bằng giữa đổi mới sáng tạo với hai yếu tố còn lại gồm quyền cá nhân và tính an toàn dữ liệu để công tác bảo mật dữ liệu vẫn đóng góp được vào tăng trưởng kinh tế trong dài hạn. Bài tham luận có cấu trúc như sau. Sau mục 1 về Giới thiệu chung, mục 2 sẽ đánh giá dòng dữ liệu xuyên quốc gia với các đặc điểm chính, khả năng bảo mật và tiềm năng đóng góp cho tăng trưởng kinh tế. Cuối cùng, bài viết khép lại với mục 4 về Kết luận và thảo luận một số hàm ý chính sách dành cho dòng dữ liệu xuyên quốc gia hiện nay. 2. Dòng dữ liệu xuyên quốc gia. Bài tham luận này tiếp cận dòng dữ liệu xuyên quốc gia như một dòng dịch chuyển nguồn lực xuyên quốc gia, bên cạnh dòng vốn, tức là đầu tư quốc tế và dòng hàng hóa và dịch vụ, tức là thương mại quốc tế. Cũng trong khuôn khổ của bài này, vì dữ liệu nằm trong không gian kỹ thuật số với đường biên giới giữa các quốc gia bị xóa nhòa, nên khi phân tích về dữ liệu cũng chính là phân tích về dữ liệu xuyên quốc gia, mà rất khó phân tách một dữ liệu chỉ thuộc về một quốc gia hay thuộc về cả thế giới. Ví dụ như dữ liệu thu thập từ một chiếc ôtô điện của Tesla trên thế giới đều được chuyển về Hoa Kỳ, và dữ liệu của một chiếc ôtô điện của Vinfast ở bất kỳ đâu cũng được thu thập tự động về Việt Nam. Khung phân tích của bài tham luận có thể được hình dung qua Hình 1. Dòng dữ liệu xuyên quốc gia có thể được nhìn nhận như một dòng chảy song song với dòng vốn đầu tư và dòng hàng hóa và dịch vụ xuyên quốc gia (ngoài ra, trong thực tế còn dòng dịch chuyển lao động xuyên quốc gia nhưng không thể hiện trong Hình để tiết kiệm không gian). Cả ba dòng chảy này đều đóng góp vào tăng trưởng kinh tế của một quốc gia, thể hiện qua ba mũi tên mang nét đứt theo chiều ngang từ trái qua phải. Và bảo mật dữ liệu đóng vai trò như một màng lọc để các kênh tác động của ba dòng chảy xuyên quốc gia đến tăng trưởng kinh tế. 182
Nguồn: Mô phỏng của tác giả. Như trong hình 1, bảo mật dữ liệu không chỉ xác định vai trò của dòng dữ liệu mà còn ảnh hưởng đến kênh tác động của dòng vốn đầu tư và dòng hàng hóa và dịch vụ đến tăng trưởng kinh tế. Ý tưởng này xuất phát từ quan sát rằng các hoạt động dịch chuyển vốn đầu tư cũng như hàng hóa và dịch vụ cũng đều phát sinh dữ liệu và được thu thập bởi cơ quan hữu quan của các quốc gia. Cũng theo đó, dòng dữ liệu có thể chia thành dữ liệu cá nhân, với đối tượng thu thập là các cá nhân, và dữ liệu khác, với đối tượng thu thập là các chủ thể (doanh nghiệp, tổ chức, cá nhân) tiến hành dịch chuyển vốn đầu tư, hàng hóa và dịch vụ xuyên quốc gia. Chiều cạnh này được thể hiện qua các mũi tên mang nét liền theo chiều từ trên xuống. 2.1. Đặc điểm. Dòng dữ liệu xuyên quốc gia có các đặc điểm khác biệt so với các dòng dịch chuyển nguồn lực xuyên quốc gia khác, bao gồm hàng hóa, vốn và nhân lực (Aaronson, 2019). Trong kinh tế quốc tế, sự dịch chuyển hàng hóa được thể hiện trực tiếp qua giá trị giao thương của một quốc gia. Và theo nguyên tắc bút toán kép (double-entry bookkeeping) của cán cân thanh toán quốc tế, dòng di chuyển của hàng hóa sẽ được ghi nhận theo cách đối ứng bởi dòng di chuyển của vốn nhưng theo chiều ngược lại. Tức là, nếu giá trị hàng hóa được ghi là có (với dấu (+)) thì sẽ có một dòng vốn được ghi là nợ (với dấu (-)) vào cán cân thanh toán quốc tế, với cùng giá trị, nên cán cân thanh toán quốc tế luôn ở mức cân bằng (tức tổng bên có và nợ bằng 0). Trong khi xuất nhập hàng hóa được dựa trên nguyên lý lợi thế so sánh thì dòng vốn 183
quốc tế được thúc đẩy bởi sự chênh lệch về lợi tức đầu tư giữa các quốc gia. Còn dòng dịch chuyển nhân lực thể hiện trực tiếp qua các dòng di cư, được dẫn dắt bởi quá trình tìm kiếm phúc lợi cuộc sống tốt hơn như với mức thu nhập cao hơn, chất lượng y tế tốt hơn. Trong tương quan với các dòng dịch chuyển xuyên quốc gia của vốn đầu tư, hàng hoá và dịch vụ, thậm chí nguồn nhân lực, dòng dữ liệu xuyên quốc gia có một số đặc điểm cả tương đồng và khác biệt. Thứ nhất, dòng dữ liệu xuyên quốc gia không làm thay đổi vị trí địa lý của nguồn lực, tức là từ một nước này sang một nước khác, mà chỉ mở rộng biên giới sử dụng của nguồn lực. Nguồn lực của dòng dữ liệu chính là số liệu, thay vì vật chất hữu hình như hàng hóa và nhân lực hay vật chất vô hình như vốn. Cụ thể, nếu một cá nhân sinh sống tại Việt Nam mở một tài khoản trên mạng xã hội Facebook, thì thông tin đăng ký của cá nhân này sẽ được dịch chuyển từ Việt Nam về Hoa Kỳ, là nơi đặt máy chủ của Facebook. Điều này có nghĩa rằng dữ liệu vẫn tồn tại ở Việt Nam, và chỉ mở rộng phạm vi sử dụng sang Hoa Kỳ. Tính chất này khác biệt so với dòng dịch chuyển của hàng hóa và dịch vụ. Cụ thể, nếu Việt Nam xuất khẩu gạo sang Hoa Kỳ thì chính xác là một lượng gạo đã được di chuyển từ Việt Nam, ra khỏi biên giới và đến vùng đất của Hoa Kỳ. Thứ hai, dòng dữ liệu xuyên quốc gia giữ nguyên số lượng của nguồn lực, tức là không làm thay đổi lượng thông tin của dữ liệu. Ví dụ như cùng một bộ dữ liệu, sau khi một cá nhân khai thác thì một cá nhân khác vẫn có thể tiếp tục khai thác mà dữ liệu không bị ảnh hưởng. Cụ thể như hiện nay, các cơ sở dữ liệu trực tuyến của Tổng cục Thống kê Việt Nam (truy cập tại gso.gov.vn) hoặc của Ngân hàng Thế giới (truy cập tại data.worldbank.org) hoặc Quỹ Tiền tệ Quốc tế (truy cập tại imf.org/en/data) đều cho phép các nhà nghiên cứu sử dụng mà vẫn giữ nguyên các trường thông tin. Nhưng cũng lưu ý rằng giá trị của nguồn lực sẽ khác biệt, tùy vào khả năng khai thác dữ liệu của đơn vị tiếp nhận và sử dụng dữ liệu. Thứ ba, dòng dữ liệu xuyên quốc gia phụ thuộc vào không gian kỹ thuật số mà không phụ thuộc vào không gian địa lý. Điều này được nhấn mạnh trong hoàn cảnh mà máy chủ của đơn vị thu thập dữ liệu nằm ở một nước thứ ba, tức là khác với quốc gia của người dùng và cũng khác với quốc gia của đơn vị thu thập dữ liệu. Ví dụ như Google phân bổ 8 trung tâm dữ liệu lớn, với 6 trung tâm tại Hoa Kỳ, 1 trung tâm tại Bỉ và 1 trung tâm tại Hà Lan; còn Facebook có các trung tâm dữ liệu ở Hoa Kỳ, Ireland, Thụy Điển, Singapore và Hồng Công (Trần Lưu, 2017). 184
2.2. Bảo mật dữ liệu. Bảo mật dữ liệu có thể được hiểu như sự bảo vệ tính toàn vẹn của các thông tin có giá trị xác định danh tính của chủ thể sở hữu dữ liệu. Khái niệm cụ thể về bảo mật dữ liệu còn phụ thuộc vào hành lang pháp lý của một quốc gia, và từ đó, chủ thể tiến hành bảo mật dữ liệu cũng khác nhau giữa các quốc gia (có thể là đơn vị thu thập thông tin, hoặc cơ quan Chính phủ hoặc chính mỗi cá nhân). Trong đó, phần lớn dữ liệu hiện nay thuộc dữ liệu cá nhân (Meltzer, 2019). 2.2.1. Khả năng loại trừ của dữ liệu. Trên thế giới, hiện nay đã có hơn 80 quốc gia, trong đó gồm Hoa Kỳ, Đức, Nhật Bản và Liên minh Châu Âu đã ban hành văn bản quy phạm pháp luật về bảo vệ dữ liệu cá nhân (Khánh Minh, 2023). Trong đó, luật của Liên minh Châu Âu về bảo mật dữ liệu, đặt tên là Quy định chung về bảo vệ dữ liệu cá nhân (GPRD - General Data Protection Regulation), được giới nghiên cứu đánh giá là chuẩn mực về bảo mật dữ liệu hiện nay (Ke & Sudhir, 2023). Nền tảng của quy định là phân tách cấp độ bảo mật của dữ liệu cá nhân gồm dữ liệu cá nhân và dữ liệu cá nhân nhạy cảm. Đặc biệt, quy định này áp dụng cho 28 nước thành viên của Liên minh Châu Âu, ngay cả khi dữ liệu được xử lý ở một nơi khác. Quy định Tại Việt Nam, Nghị định số 13/2023/NĐ-CP ngày 17 tháng 4 năm 2023 của Chính phủ về bảo vệ dữ liệu cá nhân đưa ra định nghĩa về bảo vệ dữ liệu cá nhân như sau: "Bảo vệ dữ liệu cá nhân là hoạt động phòng ngừa, phát hiện, ngăn chặn, xử lý hành vi vi phạm liên quan đến dữ liệu cá nhân theo quy định của pháp luật". Nghị định này, về cơ bản, tuân theo tinh thần của quy định về bảo mật dữ liệu của Liên minh Châu Âu, thể hiện qua việc phân tách hai cấp độ dữ liệu, gồm dữ liệu cơ bản và dữ liệu nhạy cảm. Và các điều khoản của Nghị định thiên nhiều về bảo vệ quyền của cá nhân trong việc sở hữu thông tin. Nhưng dù hiểu theo các cách thức khác nhau, việc bảo mật thông tin sẽ dẫn tạo ra các rào cản trong việc chia sẻ thông tin giữa các tổ chức, cá nhân với nhau, từ đó, hạn chế khả năng tạo ra giá trị từ dữ liệu. Cụ thể, việc sử dụng dữ liệu có tính chất không cạnh tranh, tức là việc một cá nhân sử dụng một bộ dữ liệu không làm ảnh hưởng đến giá trị và tính chất có thể sử dụng của bộ dữ liệu đó đối với một cá nhân khác. Nếu dữ liệu không được bảo mật thì dữ liệu cũng sẽ có thêm tính không loại trừ, theo nghĩa rằng không thể loại trừ một cách hiệu quả các cá nhân khỏi việc sử dụng một bộ dữ liệu. Trong trường hợp này, dữ liệu mang đặc trưng của một hàng hóa công cộng thuần túy, gồm tính không cạnh tranh và không loại trừ (Atkinson & Stiglitz, 2015). Một ví dụ tiêu biểu của nhóm hàng hóa này chính là cơ sở dữ liệu về tri thức chung của nhân loại. 185
Nhưng nếu dữ liệu được bảo mật thì dữ liệu sẽ không có tính không loại trừ, hoặc vẫn có tính chất này chỉ với mức độ thấp. Trong trường hợp này, dữ liệu trở thành một loại hàng hóa công không thuần túy, mà cụ thể, sẽ trở thành một hàng hóa có độc quyền tự nhiên, tức là các cá nhân không cạnh tranh nhau nhưng nhà cung cấp có khả năng loại trừ một cá nhân khỏi việc sử dụng dữ liệu. Như vậy, khi dữ liệu có tính bảo mật thì thị trường dữ liệu sẽ có hình thái của một thị trường độc quyền tự nhiên, ở các mức độ khác nhau tùy vào dù ở các cấp độ cao hay thấp. Lý thuyết kinh tế vi mô (Mankiw, 2021) đã chỉ ra rằng, tại thị trường độc quyền, giá cả cao hơn mức giá mà tại đó chi phí cận biên ngang bằng với doanh thu cận biên. Sự chênh lệch giữa hai mức giá này tạo ra một phần dư (markup) mà nhà sản xuất được hưởng từ việc bán sản phẩm. Và ngoài ra, sản lượng trên thị trường độc quyền tự nhiên cũng thấp hơn so với mức sản lượng của thị trường cạnh tranh hơn, như thị trường cạnh tranh hoàn hảo. 2.2.2. Khó khăn và thách thức. Công tác bảo mật dữ liệu trong bối cảnh của dòng dữ liệu xuyên quốc gia cũng gặp phải một số khó khăn khi triển khai trong thực tiễn. Trước hết, việc xác định được ý định chấp thuận hay không chấp thuận của một cá nhân khi khai báo các thông tin liên quan là rất khó khăn. Hiện nay, dữ liệu được thu thập theo ba kênh chính: (i) các cá nhân chia sẻ thông tin một cách tự nguyện ví dụ như hình ảnh trên các trang mạng xã hội; (ii) các cá nhân chia sẻ thông tin để đổi lấy quyền sử dụng dịch vụ, ví dụ như điều khoản chấp nhận chia sẻ thông tin khi cài đặt một phần mềm máy tính; và (iii) các cá nhân bị thu thập thông tin mà không có sự đồng thuận, ví dụ như cá nhân chọn các ảnh theo yêu cầu để được cấp lại mật khẩu tài khoản email (Shapiro, 2022). Ngoài ra, giá trị của một dữ liệu phụ thuộc vào cách thức khai thác, tức là, cùng một dữ liệu, giá trị sẽ khác nhau khi được sử dụng vào công việc khác nhau. Vì vậy, việc xác định hay hạch toán giá trị tương ứng của một hoạt động vi phạm bảo mật dữ liệu sẽ rất khó khăn. Khó khăn phản ánh tính chất không cạnh tranh khi sử dụng dữ liệu, tức là dữ liệu giữ nguyên khi các cá nhân khác nhau cùng sử dụng. Khi đó, việc một cá nhân có thể khai thác được một giá trị của dữ liệu cũng vẫn tồn tại song song được với việc một cá nhân khác tạo được một giá trị có thể cao hơn hoặc thấp hơn so với cá nhân ban đầu. Nếu coi dữ liệu như một loại tài sản, thì điều này lại dẫn đến việc một tài sản mang nhiều giá trị khác nhau. Từ đó, hạch toán giá trị của dữ liệu sẽ cần một bối cảnh cụ thể, tương ứng với một cách thức khai thác và áp dụng cụ thể. 186
Nhìn chung, việc đảm bảo được an toàn dữ liệu phụ thuộc chủ yếu vào trình độ khoa học công nghệ, và cả mức độ tương thích của nguồn nhân lực hoạt động trong công tác bảo mật dữ liệu. Trong đó, nguồn nhân lực đóng vai trò quan trọng hơn, vì chính con người có thể tạo ra các bức tường bảo mật trên không gian kỹ thuật số, và kèm theo là khả năng phá vỡ bức tường đó. Điều này dẫn đến tình huống mà trong đó, một cá nhân làm việc tại Việt Nam nhưng vẫn có thể phát hiện ra các lỗ hổng về bảo mật dữ liệu của một công ty lớn tại Hoa Kỳ (Lưu Quý, 2022). 2.3. Đóng góp tăng trưởng kinh tế. Dữ liệu đóng góp vào tăng trưởng kinh tế thông qua một số kênh khác nhau, tùy vào cấp độ quan sát nền kinh tế. 2.3.1. Góc độ kinh tế vĩ mô. Theo góc độ kinh tế vĩ mô, dữ liệu là cơ sở cho quá trình đổi mới, sáng tạo. Quá trình này lại tạo ra các công nghệ mới, tiên tiến hơn công nghệ trước đó, và thúc đẩy tốc độ tăng trưởng kinh tế. Kênh tác động này của dữ liệu hoạt động dựa trên mô hình tăng trưởng nội sinh, trong đó, tốc độ tăng trưởng là một hàm số của năng lực đổi mới sáng tạo của một nền kinh tế (Aghion & Howitt, 1998). Năng lực đổi mới sáng tạo phụ thuộc vào chi tiêu của doanh nghiệp cho quá trình nghiên cứu và phát triển (Aghion & Howitt, 1992), vào quá trình tích lũy vốn trong nền kinh tế (Frankel, 1962), vào sự mở rộng danh mục sản phẩm (Romer, 1990). Vai trò của dữ liệu trong chiều cạnh kinh tế vĩ mô có thể được hình dung thông qua một dạng hàm sản xuất được phát triển từ dạng hàm Cobb-Douglas truyền thống như sau: Yt=AKtLt(1-α) (1) Trong đó, công nghệ, ký hiệu là (A), giúp kết hợp hai yếu tố sản xuất còn lại, gồm vốn (K - Capital) và lao động (L - Labor), để tạo ra sản lượng cho nền kinh tế (thường được đo bằng tổng sản lượng nội địa (GDP - Gross Domestic Product)). Hình 2: Dữ liệu trong Mô hình Tăng trưởng Tân cổ điển 187
Nguồn: Giáo trình Kinh tế vĩ mô, tái bản lần thứ 8, trang 238, Mankiw (2013). Khi coi công nghệ là một hàm số của dữ liệu, thì dữ liệu sẽ quyết định đến sản lượng thông qua quá trình tác động đến tiến bộ công nghệ. Cụ thể, như Jone & Tonetti (2020) đề xuất, hàm số của công nghệ (A), với dữ liệu (D) và độ co giãn của công nghệ đối với dữ liệu (), như sau: A=D (2) Trước đó, Brynjolfsson & Hitt (2006) cũng đã đề cao vai trò của dữ liệu trong việc thúc đẩy tiến trình đổi mới sáng tạo, để tạo ra các công nghệ mới, hiệu quả hơn trong việc sử dụng các yếu tố sản xuất. Tức là, với cùng lượng đầu vào của vốn và lao động, dữ liệu giúp tạo ra lượng sản phẩm lớn hơn. Về mặt hình ảnh, vai trò của dữ liệu đối với tăng trưởng kinh tế có thể được hình dung thông qua biểu đồ của mô hình tăng trưởng tân cổ điển, như thể hiện ở Hình 2. Trong mô hình tân cổ điển, một nền kinh tế sẽ tích lũy vốn đến một điểm cân bằng dài hạn mà tại đó, lượng vốn bình quân một đơn vị hiệu quả lao động (capital per effective unit of labor) mang giá trị cố định, không đổi. Tại điểm cân bằng dài hạn (long-run equilibrium), hay còn gọi là trạng thái dừng (steady state), tốc độ tăng trưởng kinh tế, đo lường bằng tốc độ thay đổi của GDP theo thời gian, bằng tổng giá trị của tốc độ tiến bộ công nghệ và tốc độ gia tăng lực lượng lao động. Trong mô hình này, dữ liệu có thể tạo ra tiến bộ công nghệ, từ đó, đóng góp tích cực vào tốc độ tăng trưởng kinh tế. 2.3.2. Góc độ kinh tế vi mô. Theo góc độ kinh tế vi mô, dữ liệu là căn cứ để các doanh nghiệp hình dung được hình thái của các hành vi tiêu dùng của khách hàng (Custers & Ursic, 2016). Từ đó, doanh nghiệp có thể đưa ra các dự báo sát thực tiễn, và điều chỉnh kế hoạch sản xuất phù hợp với diễn biến 188
của thị trường. Ví dụ điển hình nhất chính là hoạt động dự báo hành vi mua sắm và quản lý chuỗi cung ứng của doanh nghiệp (Vũ Thị Thanh Hương, 2020). Vai trò của dữ liệu đối với tăng trưởng kinh tế theo góc độ kinh tế vi mô có thể được hình dung rõ ràng qua việc áp dụng mô hình kinh tế lượng điển hình trong công tác dự báo hành vi của các chủ thể trong một nền kinh tế. Để đơn giản, bài tham luận hình dung một hàm số hồi quy với một biến số phụ thuộc, ký hiệu là (Y) và một biến số độc lập, ký hiệu (X). Ví dụ, biến số (Y) có thể là giá trị hàng hóa mà một người tiêu dùng mua, và biến số (X) có thể là mức thu nhập của người tiêu dùng này. Với phần sai số (u) và mỗi quan sát (j), hàm số hồi quy như sau: Yj=α+βXj+uj (3) Nếu một bộ dữ liệu có số lượng quan sát vừa phải, hệ số ước lượng (α,β) thường được ước lượng bằng phương pháp tổng bình phương nhỏ nhất (OLS - Ordinary Least Squares). Căn cứ của phương pháp này là, ít nhất về mặt lý thuyết, tồn tại mối quan hệ nhân quả giữa biến số (Y) và (X), theo nghĩa rằng khi giá trị của (X) thay đổi thì dẫn đến giá trị của (Y) thay đổi. Và khi mối quan hệ nhân quả được xác lập dựa vào hàm số (2), với mỗi giá trị của (X), hàm số sẽ dự báo được một giá trị của (Y). Còn nếu bộ dữ liệu được mở rộng lên đến hàng triệu quan sát, các hệ số ước lượng sẽ được ước lượng bằng phương pháp ước lượng với dữ liệu lớn (big data). Theo đó, mối quan hệ giữa (Y) và (X) không nhất thiết còn mang tính nhân quả nữa. Phương pháp ước lượng dữ liệu lớn như cây ra quyết định (decision tree) hoặc học sâu (deep learning) cũng dự báo giá trị của (Y) theo giá trị của (X) sẽ cho ra các kết quả dự báo tốt hơn so với phương pháp OLS truyền thống (Varian, 2014). Cũng vì khả năng mở rộng số liệu theo chiều thời gian liên tục, phương pháp dữ liệu lớn thiên về ứng dụng trong dự báo (forecast) hơn là hồi quy (regression), thậm chí, còn có khả năng dự báo gần (nowcasting), là đặc tính mà dữ liệu nhỏ với phương pháp truyền thống không có được. Bajari, Chernozhukov, Hortaçsu & Suzuki (2019) ghi nhận rằng khi áp dụng kỹ thuật phân tích dữ liệu lớn vào dự báo doanh số (sales) của sản phẩm ở cấp độ doanh nghiệp, thời gian thu thập dữ liệu càng tăng (tức là chiều thời gian của dữ liệu lớn) thì độ chính xác (accuracy) của kết quả dự báo càng cao, còn độ rộng của dữ liệu lớn càng tăng (tức là chiều sản phẩm của dữ liệu lớn) thì độ chính xác của dự báo gần như không thay đổi. 2.3.3. Góc độ kinh tế quốc tế. 189
Với dòng dịch chuyển dữ liệu xuyên quốc gia, dữ liệu trong một nền kinh tế sẽ được mở rộng. Một bộ dữ liệu có hai chiều, gồm chiều thời gian thể hiện cho khoảng thời gian thu thập dữ liệu, và chiều không gian thể hiện cho số đối tượng được thu thập. Khi các dòng dữ liệu được dịch chuyển xuyên quốc gia, cả chiều thời gian và chiều không gian đều có thể được mở rộng. Từ đó, độ rộng và sâu của dữ liệu được tăng cường, vì vậy, các kênh tách động của dữ liệu đối với tăng trưởng kinh tế càng mạnh thêm. Nhìn từ bình diện thế giới, khi mà dữ liệu được hòa chung với nhau, thông qua các dòng dữ liệu xuyên quốc gia, thì triển vọng tăng trưởng kinh tế của cả nền kinh tế thế giới cũng được cải thiện. Ý tưởng về khả năng chia sẻ nguồn lực sản xuất ở cấp độ toàn cầu giúp thúc đẩy tăng trưởng kinh tế đã được đề cập từ khá lâu (Grossman & Helpman, 2015). Khi nguồn nhân lực được tự do di chuyển giữa các quốc gia trong toàn cầu hóa, tổng lượng nhân lực trên thế giới sẽ được hình thành mà không còn phân biệt biên giới địa lý của một quốc gia. Trong trường hợp này, khả năng đổi mới sáng tạo cũng gia tăng vì sự tương tác về tri thức giữa con người với nhau được tăng cường. Và khi đổi mới sáng tạo được thúc đẩy thì tăng trưởng kinh tế cũng sẽ được cải thiện. Cũng theo mô hình này, khi dữ liệu được dịch chuyển tự do xuyên quốc gia, càng nhiều người cùng khai thác thì giá trị của dữ liệu càng gia tăng, nhất là hoạt động đổi mới sáng tạo. Từ đó, triển vọng tăng trưởng kinh tế không chỉ của một quốc gia mà của toàn bộ nền kinh tế thế giới cũng trở nên sáng lạng hơn. Nhìn chung, các đóng góp của dữ liệu đối với tăng trưởng kinh tế còn phụ thuộc vào cách tiếp cận đối với dữ liệu. Và điều này phản ánh vai trò căn bản của dữ liệu trong nền kinh tế. Bài tham luận chỉ xin đưa ra một số gợi mở để rộng đường thảo luận hơn trong tương lai. Nếu dữ liệu là một nguồn lực sản xuất (factor of production), bên cạnh vốn và lao động, thì tích lũy dữ liệu tạo ra tăng trưởng kinh tế. Và giả thiết này được áp dụng chủ yếu trong bài tham luận này. Theo cách nhìn nhận này, dữ liệu được tích lũy theo thời gian, với các dòng lưu lượng (flows) được hội tụ tạo thành tổng lượng (stock) dữ liệu. Và dữ liệu chỉ khác so với vốn và lao động ở điểm rằng dữ liệu không bị khấu hao nhưng vốn và lao động đều bị khấu hao theo thời gian. Nếu dữ liệu là một tài sản (asset), bên cạnh các tài sản khác như vàng, cổ phiếu, trái phiếu, thì tích lũy dữ liệu giúp người dân và doanh nghiệp giảm thiểu rủi ro trong quá trình tích lũy tài sản và phân bổ hiệu quả chi tiêu theo thời gian. Và quá trình tích lũy tài sản cũng đóng góp lượng vốn đầu tư cho tăng trưởng kinh tế. Theo cách nhìn nhận này, việc định giá tài sản (asset pricing) của một bộ dữ liệu đóng vai trò quan trọng để khai thác được giá trị của dữ liệu. 190
Nếu dữ liệu là một hàng hóa (good), bên cạnh các hàng hóa khác như gạo và thép, thì bản thân sự mở rộng năng lực sản xuất hàng hóa tức là dữ liệu cũng tạo ra tăng trưởng cho nền kinh tế. Theo cách nhìn nhận này, việc đánh giá dữ liệu cần làm rõ lượng cung, lượng cầu và từ đó, điểm cân bằng của thị trường dữ liệu. Một thách thức của cách tiếp cận này chính là khả năng áp dụng quy luật cung (law of supply) và quy luật cầu (law of demand) truyền thống, vì sản lượng (quantity) của dữ liệu chưa chắc sẽ có một quan hệ nhân quả với giá cả (price) của dữ liệu. 3. Kết luận và thảo luận chính sách. Bài tham luận tập trung vào tính chất đánh đổi mà dòng dữ liệu xuyên quốc gia đặt ra giữa việc bảo mật dữ liệu và đóng góp vào tăng trưởng kinh tế. Dòng dữ liệu xuyên quốc gia có ba đặc điểm chính gồm sự mở rộng pham vi sử dụng qua biên giới địa lý, khả năng bảo tồn nguồn lực và chỉ phụ thuộc vào không gian kỹ thuật số. Từ các đặc điểm này, việc bảo mật dữ liệu tạo ra khả năng loại trừ trong việc sử dụng dữ liệu, tức là chỉ giới hạn trong phạm vi chủ sở hữu dữ liệu và đơn vị khác không được quyền sử dụng. Nhưng bảo mật dữ liệu cũng hạn chế khả năng đổi mới sáng tạo, từ đó, tạo ra ít đóng góp cho tăng trưởng kinh tế. Vì vậy, tồn tại sự đánh đổi giữa tính an toàn dữ liệu và tăng trưởng kinh tế khi mức độ bảo mật dữ liệu được triển khai trong thực tiễn. Trong thực tiễn của Việt Nam, công tác hoạch định chính sách nên tìm kiếm một điểm cân bằng giữa bảo mật thông tin và tăng trưởng kinh tế, để dữ liệu và cả dòng dữ liệu xuyên quốc gia có thể đóng góp tối đa cho tăng trưởng kinh tế trong điều kiện cho phép về bảo mật thông tin. Ưu tiên chính sách này phù hợp với Việt Nam vì nền kinh tế này vẫn cần tăng trưởng kinh tế để cải thiện thu nhập và kéo theo mức sống cho người dân. Trong bài tham luận này, điểm cân bằng giữa bảo mật dữ liệu và tăng trưởng kinh tế được hiểu là một mức độ bảo mật đáp ứng được hai tiêu chí, gồm: (i) bảo vệ một cách an toàn dữ liệu người dùng; và (ii) thúc đẩy tăng trưởng kinh tế. Việc xác định được điểm cân bằng này phụ thuộc vào cấu trúc thể chế và quy tắc văn hoá của một nền kinh tế. Hiện nay, cấu trúc của hành lang pháp lý tại Việt Nam, thể hiện qua Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân, đang chặt chẽ hơn so với Quy định chung của Liên minh châu Âu về bảo vệ dữ liệu, điển hình về việc chuyển dữ liệu ra nước ngoài và căn cứ hợp pháp để xử lý dữ liệu cá nhân (KPMG, 2023). Cũng theo KPMG (2023), Nghị định 13 trao quyền khá rộng cho các cơ quan trong việc thanh tra và kiểm tra các hoạt động và chính sách quản lý dữ liệu cá nhân. Do vậy, 191
việc vận dụng Nghị định này cần được theo sát và tổng kết kinh nghiệm triển khai để đạt được cân bằng được giữa bảo mật dữ liệu và tăng trưởng kinh tế trong thực tiễn sắp tới. Trong tương lai, bài tham luận này có thể được tiếp tục triển khai theo hướng khai thác sâu hơn công tác bảo mật dữ liệu trong một số ngành, lĩnh vực đặc thù như mạng xã hội và ứng dụng gọi xe trong nền kinh tế chia sẻ. Các lĩnh vực này hiện nay vừa có số lượng người dùng lớn và mức độ tích lũy dữ liệu, kể cả dòng dữ liệu xuyên quốc gia, cũng ở mức rất cao. Vì vậy, các lĩnh vực này cần được đánh giá sâu hơn để đưa ra các hàm ý quan trọng cho công tác quản trị nền kinh tế. Lời cảm ơn Tác giả xin trân trọng cảm ơn Viện Hàn lâm Khoa học Xã hội Việt Nam. Nghiên cứu này là một sản phẩm trong khuôn khổ Đề tài cấp Bộ về “Tăng trưởng và Lạm phát của Việt Nam đến Năm 2025”, do TS. Lý Đại Hùng làm Chủ nhiệm Đề tài, Viện Kinh tế Việt Nam chủ trì và Viện Hàn lâm Khoa học Xã hội Việt Nam tài trợ. Danh mục tài liệu tham khảo Aaronson, S. A. (2019), Data is different, and that’s why the world needs a new approach to governing cross-border data flows, Digital Policy, Regulation and Governance, 21(5), 441- 460. Aghion, P. & Howitt, P. (1998), Capital accumulation and innovation as complementary factors in long-run growth, Journal of Economic Growth, 3, 111-130. Aghion, P., & Howitt, P. (1992), A Model of Growth Through Creative Destruction, Econometrica, 60(2), 323-351. Atkinson, A. B., & Stiglitz, J. E. (2015), Lectures on Public Economics: Updated edition. Princeton University Press. Bajari, P., Chernozhukov, V., Hortaçsu, A., & Suzuki, J. (2019), The impact of big data on firm performance: An empirical investigation, in AEA papers and proceedings (Vol. 109, pp. 33- 37). 2014 Broadway, Suite 305, Nashville, TN 37203: American Economic Association. Brynjolfsson, E. & Hitt, L. (1995), Information Technology As A Factor Of Production: The Role Of Differences Among Firms, Economics of Innovation and New Technology, 3:3-4, 183- 200. 192
Custers, B., & Uršič, H. (2016), Big data and data reuse: a taxonomy of data reuse for balancing big data benefits and personal data protection, The International Data Privacy Law, 6(1), 4-15. Frankel, M. (1962), The production function in allocation and growth: a synthesis, The American Economic Review, 52(5), 996-1022. Grossman, G. M., & Helpman, E. (2015), Globalization and growth, The American Economic Review, 105(5), 100-104. Jones, C. I., & Tonetti, C. (2020), Nonrivalry and the Economics of Data, The American Economic Review, 110(9), 2819-2858. Kerber, W. (2016), Digital markets, data, and privacy: competition law, consumer law and data protection, Journal of Intellectual Property Law & Practice, jpw150. Ke, T. T., & Sudhir, K. (2023), Privacy Rights and data security: GDPR and personal data markets, Management Science, 69(8), 4389-4412. KPMG (2023), Bản tin nhanh về pháp luật tháng 4/2023, https://assets.kpmg.com/content/dam/kpmg/vn/pdf/Legal-Update/2023/04/legal-alert-on- decree-13-vn.pdf, truy cập ngày 26/09/2023. Khánh Minh (2023), Chú trọng bảo vệ dữ liệu cá nhân, https://nhandan.vn/chu-trong-bao-ve- du-lieu-ca-nhan-post760653.html, truy cập ngày 26/09/2023. Lưu Quý, Kỹ sư bảo mật Việt được Apple vinh danh, https://vnexpress.net/ky-su-bao-mat-viet- duoc-apple-vinh-danh- 4417824.html#:~:text=Nhữ%20Bảo%20Châu%2C%20sinh%20năm,máy%20chủ%20web%2 0của%20hãng, truy cập ngày 28/09/2023. Mankiw, N. G. (2021), Principles of Microeconomics 9th ed, Cengage Learning Asia Pte Limited. Mankiw, N. G. (2013), Macroeconomics 8th ed, Worth Publishers. Meltzer, J. P. (2019). Governing digital trade. World Trade Review, 18(S1), S23-S48. Romer, P. M. (1990), Endogenous technological change, Journal of Political Economy, 98(5, Part 2), S71-S102. 193
Shapiro, J. (2022), Why Digital Privacy Is So Complicated, Viện Tiến bộ Chính sách (Propressive Policy Institute). Truy cập trực tuyến từ https://www.progressivepolicy.org/wp- content/uploads/2022/05/PPI_Why-is-Digital-Privacy-So-Complicated_FINAL.pdf Varian, H. R. (2014), Big data: New tricks for econometrics, Journal of Economic Perspectives, 28(2), 3-28. Vũ Thị Thanh Hương (2020). Vai trò và ứng dụng dữ liệu lớn trong kinh doanh bán lẻ. Tạp chí Công thương. Truy cập trực tuyến ngày 28/09/2023 từ https://tapchicongthuong.vn/bai- viet/vai-tro-va-ung-dung-du-lieu-lon-trong-kinh-doanh-ban-le-75541.htm?print=print Thời báo Economist (2017). The world most valuable resource is no longer oil but data. Truy cập trực tuyến tại https://www.economist.com/leaders/2017/05/06/the-worlds-most-valuable- resource-is-no-longer-oil-but-data Trần Lưu, Google và Facebook đặt máy chủ ở đâu?, https://www.sggp.org.vn/google-va- facebook-dat-may-chu-o-dau- post458570.html#:~:text=Ở%20châu%20Á%2C%20Facebook%20cho,ở%20Hà%20Nội%20 và%20TPHCM, truy cập ngày 28/09/2023. 194