人形机器人与具身智能实景实训专项行动启动

专项行动通过"实景实训—数据沉淀—产品迭代"闭环机制，降低了产业链上下游企业间的信息不对称（H1：政策降低企业间交易成本）；同时"创新应用联合体"通过协作研发实现知识共享，缓解各企业独立探索的场景知识碎片化问题，提升全要素生产率（H2：政策提升企业 TFP）；但政策可能存在选择性偏差，国有企业或先导区内企业可能更早受益，需检验资源配置改善的公平性（H3：政策对非国有企业同样有效但幅度较弱）。

采用双重差分法（DID），将2026年专项行动启动作为外生冲击。实验组为入选六项重点任务的企业（或参与联合体的上市公司），对照组为机器人产业链中未直接参与的企业。为确保平行趋势假定，选取2023-2025年作为前处理期验证实验组和对照组在新增投资、专利申请等维度趋势一致。使用倾向得分匹配（PSM）消除自选择偏误后再次回归。

基准模型设定为：$Y_{it} = \alpha + \beta \cdot Treat_i \times Post_t + \gamma X_{it} + \mu_i + \lambda_t + \epsilon_{it}$，其中 $Y_{it}$ 为资源配置效率指标（企业间全要素生产率离散度、资本-劳动比边际产出差），$Treat_i$ 为是否入选政策的虚拟变量，$Post_t$ 为2026年政策启动后的时间虚拟变量，$X_{it}$ 为企业层面控制变量，$\mu_i$ 和 $\lambda_t$ 分别为企业固定效应和年份固定效应。

因变量核心为 TFP 离散度（Olley-Pakes 法测算后的行业-年份标准差）和资本配置效率（以企业资本边际产出与行业均值的偏离度衡量）。核心解释变量为 $Treat_i \times Post_t$ 交互项。控制变量包括企业规模、资产负债率、研发投入强度、前五大客户集中度（HHI）。数据跨度为 2023-2027 年，重点使用政策前后各两年的季度频率数据，来自 CSMAR 和 Wind 数据库。

第一，替换被解释变量——用 LP 法、ACF 法重新测算 TFP 后计算离散度，检验结果对测算方法的敏感性；第二，安慰剂检验——将政策时点提前至 2024 年或 2025 年，确保基准回归捕捉的是真实的政策效应而非趋势性变化；第三，排除竞争性假说——控制同期其他产业政策（如国家制造业转型升级基金投资、税收优惠）的干扰，在模型中引入这些政策的虚拟变量，观察核心系数是否稳健。

---

专项行动提出的"万台级规模落地"意味着大规模固定资产投资，通过产业链关联产生乘数效应：上游芯片、传感器、伺服电机等零部件需求扩张，下游应用场景（制造、物流、医疗）生产率提升。H1：具身智能产业投资的短期乘数大于传统制造业投资，因其产业链更长、技术溢出更广。但人形机器人对常规性手工任务有强替代效应（H2），同时创造系统集成、运维管理、数据分析等新任务（H3），净效应取决于替代弹性与任务创造速度的相对大小。

在投入产出层面，利用2017版和2022版投入产出表的差异，结合地方政府对机器人产业园投资的变异（外生于当地行业结构的园区规划），构造工具变量识别投资的乘数效应。在就业层面，利用IFR机器人安装量在行业和省份层面的变异，对职业-行业面板采用 Bartik 工具变量（行业层面的机器人渗透率乘以省份初始行业就业份额）估计就业效应。

乘数效应模型：$\Delta \ln Y_{jt} = \alpha + \beta \cdot \Delta \ln I_{jt}^{robot} + \gamma Z_{jt} + \delta_j + \theta_t + \epsilon_{jt}$，$I_{jt}^{robot}$ 为行业 j 在 t 期的机器人相关投资，$Z_{jt}$ 包括行业规模、资本密集度等控制变量。就业效应模型采用 Acemoglu & Restrepo（2020）的行业-职业-地区层面分解，回归机器人渗透率对就业变化量的影响。

核心变量包括：机器人产业投资（以"计算机、通信和其他电子设备制造业"固定资产形成额中机器人相关部分，配合各省机器人产业园投资公告数据校准）、产业关联乘数（前向关联 × 后向关联系数，利用投入产出表计算）、机器人渗透率（行业机器人保有量/千名工人）、就业变化量（按2位CSCO职业代码分解为常规任务和非常规任务就业）。

第一，替换工具变量——用美国或德国同期行业机器人渗透率作为中国渗透率的工具变量，排除国内政策内生性；第二，改变样本区间——剔除2020-2022年疫情冲击异常值后重新估计；第三，替换乘数计算方法——分别用 Leontief 逆矩阵和 Ghosh 供给驱动模型计算前向和后向乘数，确保结论对模型选择不敏感。

---

人形机器人的场景适配需要高度专用性投资：为特定工厂开发的操作算法难以直接迁移到医疗场景，构成了 Williamson 意义上的资产专用性。H1：专用性投资越高，联合体成员更倾向于采用一体化治理（如成立合资公司）而非松散合作；H2：数据权利——特别是实景训练数据的归属——是联合体治理的核心冲突点，清晰界定数据产权能显著降低事前谈判成本；H3：知识产权"贡献前归属、成果后分享"的默认规则优于事后协商，因为后者面临 GHM 模型中的敲竹杠问题。

构建一个两阶段不完全合约博弈模型：阶段一，成员选择专用性投资水平（场景数据采集、算法训练）；阶段二，在合约不完全条件下就合作收益进行 Nash 讨价还价。推导出最优产权配置的条件——当一方投资对总产出边际贡献更大时，应赋予其剩余控制权。随后用多案例比较验证模型预测：选取至少三组联合体（分别位于先进制造、医疗康养、应急救援场景），比较其合约结构与研发投入、成果产出的关系。

案例分析采用过程追踪法（process tracing）和模式匹配：对每个案例建立时间线，追踪联合体成立前后的研发投入变化、专利申请形态变化、成员进出事件。关键检验是：合约文本中数据权利条款的明确程度是否与联合体的稳定性（以成员退出率和续约率衡量）正相关。辅助定量分析使用联合体级别 panel 回归：$Y_{ct} = \alpha + \beta \cdot ContractClarity_c + \gamma \cdot AssetSpecificity_{ct} + \delta X_{ct} + \epsilon_{ct}$。

核心变量"合约完备性指数"（ContractClarity）通过对联合体合同文本的人工编码得到，包含数据权利条款、知识产权条款、收益分享条款三个子维度，每个按"未提及/原则性提及/明确量化规定"分级赋值。专用性投资用"联合体研发投入中场景专属部分占比"衡量。因变量包括：合作持续性（月度）、联合专利申请量（按成员独立 vs 合作分类）、新产品推出速度。

第一，替换编码方法——邀请第二位独立评估者对合同文本重新编码，计算评分者间信度（Cohen's Kappa > 0.7），并比较不同编码方案下的回归结果；第二，增加反事实推理——对每个联合体案例进行"如果合约中无数据权利条款则可能出现何种结局"的反事实分析，检验因果关系强度；第三，扩展样本——将案例从3组扩展至6组以上，覆盖专项行动描述的更多场景（仓储物流、防灾减灾），避免选择性偏差。

---

根据 Lee & Malerba 部门创新系统框架，后发国家在成熟技术窗口期进入追赶的成功率高于前沿技术突破期。H1：日本（1970s-80s）和韩国（1990s-2000s）的工业机器人追赶发生在技术成熟期，而中国在具身智能（技术尚未收敛）阶段进入，追赶路径更依赖"场景试错"而非"产能扩张"；H2：中国的"数据沉淀—产品迭代"闭环实质上构成了一种基于海量场景数据的"新比较优势"，替代了日韩模式中的低成本制造优势；H3：但场景依赖型追赶存在碎片化风险——各场景孤立开发可能阻碍通用模型的收敛。

采用比较历史分析方法构建四国机器人产业政策的时间线（日本1970-2025、韩国1995-2025、美国2005-2025、中国2010-2026），沿技术能力（专利数量和质量）、市场规模（安装量）、政策工具（资助/采购/税收/标准）三个维度进行系统比较。辅助专利引用网络分析：构建四国 IPC B25J 领域专利的引用矩阵，计算技术自引率、知识扩散方向和关键技术节点。

政策工具的结构化比较使用 LDA 主题模型，将各国产业政策文档（每年约50篇）分解为政策工具主题（如直接研发补贴、示范应用、税收抵扣、人才培养等），对比各国政策组合的时序变化。专利引用分析使用负二项回归：$Citations_{ij} = \alpha + \beta_1 \cdot Domestic_{ij} + \beta_2 \cdot FollowPhase_{ij} + \gamma \cdot CountryDummy \times FollowPhase_{ij} + \epsilon_{ij}$，检验各国追赶阶段对引用模式的影响。

技术能力变量包括：各国机器人专利绝对数、专利家族规模、三方专利占比、专利影响指数（被引次数/行业均值）。追赶阶段划分：日本1970-2000年为"模仿期"（外国技术引进占比>60%）、2000年后为"创新期"；中国2010-2022年为模仿期、2023年后（大语言模型与具身智能结合点）为"新技术窗口期"。产业政策工具变量通过政策文本量化提取（如资助强度用政策中提及的资金额度归一化）。

第一，改变追赶阶段的断点判定——用 Bai-Perron 结构断点检验识别专利增长率的多重断点，替代主观分期，检验结果是否一致；第二，使用替代技术分类——除 IPC B25J 外，扩展至 AI 相关 IPC 分类（G06N）和传感器相关分类，检验技术边界的稳健性；第三，增补德国数据作为欧洲对照组——德国在工业机器人集成方面领先但 AI 追赶不同路径，引入额外的跨国家变异提供反事实。

---

传统工业机器人主要替代制造业中的重复性体力任务，而人形机器人的类人操作能力使其能够进入餐饮零售、医疗康养等服务业场景，这是 ALM 模型未曾预见的新冲击。H1：人形机器人替代"常规手工任务"（routine manual）的同时，也首次替代部分"非常规服务任务"（non-routine service），如快餐备餐、基础护理，扩大了受影响的技能范围；H2：但人形机器人的部署、维护和场景适配创造了新型高技能任务（具身智能训练师、人机协作流程设计师），推高高技能劳动者的工资溢价；H3：中等技能劳动者面临"两头极化"加速——向上迁移至 AI 训练类岗位需要大量重新培训，向下迁移则面临低技能岗位同样被机器人替代的风险。

利用全国地级市层面的机器人企业注册密度变异和先导区设立的外生冲击（作为工具变量），构建城市-年份-职业三维面板。核心识别策略是：机器人渗透率（地级市机器人企业数量 × 全国层面各职业被替代风险指数的交互项）对个体层面对数小时工资的影响。使用双重机器学习（DML）处理高维控制变量（个体家庭特征、城市经济特征、行业政策等），避免"正则化偏误"。

DML 框架下的部分线性模型：$\ln W_{ict} = \theta \cdot RobotPen_{ct}^{type} + g(X_{ict}) + \epsilon_{ict}$，其中 $W_{ict}$ 为个体 i 在城市 c、年份 t 的小时工资，$RobotPen_{ct}^{type}$ 区分为传统工业机器人渗透率和人形机器人渗透率两类，$g(\cdot)$ 为待估计的非线性函数（用随机森林或梯度提升回归逼近），$X_{ict}$ 包括年龄、教育、经验、行业、所有制等高维控制变量。

关键变量"人形机器人渗透率"的构造：基于企查查/Tianyancha 数据库中经营范围包含"人形机器人"或"具身智能"的企业注册数据，按城市-时间加总，除以城市就业人数。职业被替代风险指数借鉴 Frey & Osborne（2017）方法，但针对人形机器人的能力特性（移动、灵巧操作、自然语言交互）重新评估各职业的自动化概率。个体工资数据来自 CFPS 成人问卷，精确到按月度工作天数和日工作时间标准化为小时工资。

第一，替换工具变量——用各省"十四五"人工智能专项规划中机器人相关内容的词频占比作为渗透率的工具变量，排除企业选址内生性；第二，使用边界断点设计（GRD）——在国家级 AI 先导区与非先导区的行政边界两侧，比较相邻区域的工资结构差异，识别政策空间断点效应；第三，改变替代风险评分的加权方式——使用多位 AI 专家打分替代算法评分重新构造任务替代指数，并比较 O*NET 任务数据库与中文职位描述数据的得分差异。

---
---
date: 2026-06-10
field: 产业经济 — 农业经济
topics_count: 5
---