守护蔚蓝 向海图强——习近平总书记关于推动海洋经济高质量发展重要论述引领海洋强国建设

根据技术追赶理论（Gerschenkman, 1962），后发国家可以通过技术引进和创新实现快速追赶，但追赶能力取决于吸收能力与技术差距的交互作用。海洋经济作为中国战略性新兴产业，其TFP增长应主要来源于科技创新驱动。同时，根据诱致性技术创新假说（Acemoglu, 2002），要素禀赋结构和市场需求规模引导技术创新的方向——在海水淡化领域（淡水资源稀缺→节水型技术创新）和深海探测领域（能源需求→勘探型技术创新），技术创新方向应存在显著差异。

据此提出以下假说：
- H1：海洋R&D投入强度每提升1个百分点，沿海省份海洋产业TFP提升0.3-0.5个百分点。
- H2：深海探测和海洋能利用领域的科技创新对TFP的拉动效应大于海水淡化和海洋生物制药领域（资本密集领域的技术溢出效应更强）。
- H3：技术差距越大（相对于国际前沿），创新投入的TFP效应越强——技术后发优势假说。

核心识别挑战在于TFP与创新投入之间的双向因果关系：高TFP行业可能吸引更多创新投入。为此，本文采用系统GMM（Blundell & Bond, 1998）将创新投入的滞后项作为内部工具变量，同时以各省份国家级海洋科技平台数量（科技部认定）作为额外外部工具变量——国家级平台的设立由中央科技规划决定，相对于省级TFP变动具有外生性。此外，以省级面板固定效应消除不随时间变化的省份异质性（如地理条件、港口禀赋）。关键识别假定：（1）国家级海洋科技平台的设立与省级TFP的残差无关（排他性约束）；（2）TFP的滞后变化不宜用当期值完全预测（动态面板的矩条件）。

基准动态面板模型设定为：

TFP_it = α + ρ TFP_i,t-1 + β R&D_it + γ Gap_it × R&D_it + δ X_it + μ_i + λ_t + ε_it

其中 TFP_it 为 i 省 t 年的海洋产业全要素生产率（OP法测算），R&D_it 为核心解释变量海洋R&D投入强度（海洋R&D经费/海洋产业增加值），Gap_it 为技术差距（i 省劳动生产率/国际前沿劳动生产率），X_it 为控制变量集（人力资本、固定资产投资、对外开放度）。关键参数：β 衡量创新投入的边际TFP效应（H1），γ 为差距与创新的交互项系数（预期 γ > 0，验证H3）。内生变量 R&D_it 和 TFP_i,t-1 由其滞后项及平台数量的对数 IV 工具化。

• 被解释变量：沿海省份海洋产业TFP，采用OP法估计生产函数，以海洋产业增加值（国家统计局）为产出，以海洋产业固定资产净值和从业人员为投入要素；同时以LP法估计作为稳健性对照
• 核心解释变量：海洋R&D投入强度 = 海洋科研机构R&D经费内部支出 / 海洋产业增加值（中国海洋统计年鉴）
• 技术差距变量：Gap_it = 1 - (i省海洋劳动生产率 / 美国同类产业劳动生产率)，数据来自OECD海洋经济数据库
• 控制变量：人力资本（沿海省份大专以上人口占比，人口普查/1%抽样）、FDI占GDP比重、基础设施（沿海港口吞吐量对数）
• 样本：沿海11省份，2006-2025年面板数据，年度频率，共220个观测值

• **替换TFP测算方法**：以LP法（Levinsohn & Petrin）替代OP法重新估计生产函数，检验TFP测度方式对结论的影响——若两种方法下β估计值方向一致且量级接近，则结论稳健。
• **替换工具变量**：以1985年各省份海洋科研机构历史存量（计划经济时期布局）与全国海洋R&D投入增速的交互项作为Bartik-style IV，替代国家级平台数量，检验工具变量选择对因果推断的敏感性。
• **子样本排除检验**：依次剔除广东、山东、浙江三个海洋经济大省后重新回归，检验结论是否由个别省份主导。
• **改变样本期**：剔除2008-2009年（全球金融危机冲击）和2020年（疫情冲击）的异常年份观测，检验结论对经济周期波动的稳健性。

---

根据Coase（1960）的产权理论，在交易成本为零时，无论初始产权如何界定，市场交易都能实现资源的最优配置。然而，海洋碳汇具有高度公共品属性和测度困难，实际交易成本极高。蓝碳试点的核心制度创新在于：（1）界定碳汇资产的可交易产权（谁拥有红树林/海草床产生的碳汇额度）；（2）建立标准化测量、核证与交易平台降低交易成本。根据Williamson（1985）的交易成本理论，产权界定和标准化程度的提升应显著降低事前合约成本（测量谈判）和事后执行成本（监测核证）。

据此提出以下假说：
- H1：蓝碳交易试点显著提高了试点地区的碳汇市场化交易量和交易频率。
- H2：产权界定的清晰度（以地方性蓝碳确权法规的存在为代理变量）与碳汇修复投入正相关——产权保障降低了投资的不确定性。
- H3：蓝碳交易机制的建立对邻近非试点地区存在正向溢出效应（学习效应），但该溢出效应随地理距离衰减。

本文利用中国蓝碳交易试点分批推进的政策特征，采用多期DID（Callaway & Sant'Anna, 2021）进行因果识别。第一批试点（湛江、厦门、深圳）于2021年启动，第二批（威海、三亚、防城港）于2023年跟进，形成处理时点参差的准自然实验。核心识别假定：（1）平行趋势假定——若无政策干预，试点与非试点地区蓝碳交易和修复行为应遵循相同的变化趋势（通过事件研究法验证）；（2）无预期效应——试点启动前经济主体未提前调整行为。PSM-DID进一步缓解试点选择的非随机性问题。

采用多期DID模型：

Y_it = α + β_τ Σ_{τ=-k}^{K} 1{t - G_i = τ} · Treat_i + γ X_it + μ_i + λ_t + ε_it

其中 Y_it 为结果变量（蓝碳交易量对数、红树林/海草床修复面积、生态修复投入对数），Treat_i 为蓝碳试点城市虚拟变量，G_i 为城市 i 的试点启动时间，τ 为相对于处理时点的时间距离。β_τ 刻画事前平行趋势（τ < 0 时 β_τ ≈ 0）和事后动态处理效应（τ ≥ 0 时 β_τ > 0）。X_it 包含人均GDP、财政自主度、海岸线长度等控制变量。μ_i 和 λ_t 分别吸收城市固定效应和年份固定效应。

• 被解释变量：（1）蓝碳交易量——各试点平台年度成交吨数对数值（自然资源部蓝碳登记系统）；（2）蓝碳交易价格——成交均价（元/吨CO₂当量）；（3）滨海湿地修复面积——红树林新造林面积+海草床恢复面积（公顷，地方海洋局公报）
• 核心解释变量：Treat_i × Post_it 交互项（处理组×处理期）
• 产权清晰度调节变量：地方政府是否出台蓝碳确权办法或管理条例（文本编码：有为1，无为0）
• 控制变量：人均GDP、第二产业占比、财政科技支出占比、港口吞吐量
• 样本：沿海地级市（约55个），2018-2025年面板数据，年度频率

• **平行趋势敏感性分析**：改变事件窗宽度（k=3, 4, 5），检验事前趋势是否对窗宽参数敏感；同时进行Granger-类型检验——将处理变量前置一至两期，预期虚假处理效应不显著。
• **Bacon-Decomp分解**：针对多期DID中可能存在的不良比较组问题，使用Goodman-Bacon（2021）分解法检验处理效应是否主要由"先处理组vs后处理组"的不当比较驱动。
• **替换被解释变量**：以单位岸线长度的碳汇交易量替代绝对交易量，消除岸线资源禀赋差异对结论的干扰；以遥感监测的NDVI指数变化替代政府公报的修复面积数据，排除数据报告偏误。
• **排除竞争性政策**：构建碳排放权交易市场（ETS）覆盖行业虚拟变量，控制碳市场政策对蓝碳交易行为的潜在混淆效应。

---

根据周黎安（2007）的晋升锦标赛理论，地方官员在晋升竞争中倾向于选择可量化、短期见效的产业政策，导致产业同质化和重复建设。海洋经济领域特征鲜明：造船、海上风电、港口物流均为资本密集、GDP拉动效应显著的产业，天然适合"锦标赛"考核。同时，根据Qian & Weingast（1997）的财政分权理论，地方政府在财政激励下倾向于保护本地税基，加剧市场分割。然而，海洋经济的跨区域属性（海洋污染无行政边界、海上风电需要跨省电网配套）要求央地协同，由此形成"激励竞争vs协同治理"的张力。

据此提出以下假说：
- H1：省级海洋经济规划中，易于量化的硬性指标（如海洋GDP增速、港口吞吐量）被系统性拔高，而难以量化的软性指标（如海洋生态保护、科技协同创新）被相对弱化——目标偏移的方向指向政绩可见性。
- H2：相邻省份之间在造船和海上风电领域的产业相似度显著高于随机预期——空间策略互动效应为正。
- H3：省委书记的任期剩余时间越短（晋升压力窗口越小），本省海洋经济规划目标越激进，且对新进入的海洋产业投资反应越强烈。

核心挑战是将"晋升竞争"这一理论概念操作化为可测度的变量。本文的策略是：（1）通过省级海洋经济规划文本的量化分析，构建"目标偏移指数"——将规划中的量化目标与同一省份上一规划期的实际完成值比较，超过幅度越大偏移越强；（2）借鉴空间计量思路，检验省份间的海洋产业结构相似度是否表现出空间依赖——如果相邻省份之间相似度异常高，则存在策略性模仿/竞争的初步证据；（3）以省委书记任期作为晋升激励的外生变异来源——任期由中央组织安排决定，相对于本省短期经济波动具有外生性。

核心回归方程：

Similarity_ijt = α + ρ W · Similarity_jt + β TenurePress_it × Neighbor_jt + γ X_it + μ_ij + λ_t + ε_ijt

其中 Similarity_ijt 为 t 年 i 省与 j 省的海洋产业相似度指数（1 - 0.5·Σ_k |share_ik - share_jk|，k为海洋产业子行业），TenurePress_it 为 i 省省委书记任期剩余时间（以常规任期5年为参照），Neighbor_jt 为地理相邻虚拟变量。W 为空间权重矩阵（一阶 rook 相邻）。关键参数 β 预期为正——晋升压力越大，相邻省份间的策略模仿越强。μ_ij 为省份对固定效应，吸收地理、历史、文化等不易观测的不变因素。

• 被解释变量：海洋产业结构相似度指数，基于11个海洋子行业（海洋渔业、海洋油气、海洋矿业、海洋盐业、海洋化工、海洋生物医药、海洋电力、海水利用、海洋船舶、海洋工程建筑、海洋交通运输）的增加值份额计算，数据来自中国海洋统计年鉴
• 核心解释变量：（1）目标偏移指数——省级规划文本中海洋GDP增速目标 - 三年移动平均实际增速，差值标准化；（2）任期剩余时间——省委书记当前任期月数 / 60个月，数据来自省级官员履历数据库
• 文本分析变量：规划文本中"保护""生态""协同"等合作型关键词频除以"增速""产值""百亿"等竞争型关键词频（合作-竞争比）
• 控制变量：省级GDP、海岸线长度、深水港口数量、中央转移支付依赖度
• 样本：沿海11省份，2010-2025年面板

• **替换晋升激励测度**：以省级GDP增速在沿海省份排名（而非任期剩余时间）作为晋升压力的替代代理变量，检验结论对激励测度方式的敏感性。
• **替换空间权重矩阵**：以经济距离矩阵（两省人均GDP之差的倒数）替代地理相邻矩阵，检验策略互动是否以经济相似性而非地理邻近性为主要传导渠道。
• **排除直辖市干扰**：剔除上海和天津两个直辖市样本——直辖市的官员晋升路径和央地关系与普通省份存在结构性差异，观察结论是否由直辖市主导。
• **更换文本分析方法**：以LDA主题模型提取海洋规划中的政策主题分布，替代人工定义的词频比，检验文本分析结果对编码方式的稳健性。

---

根据随机前沿理论（Aigner, Lovell & Schmidt, 1977），实际产出与前沿产出之间的差距可分解为随机冲击和技术无效率两部分。海洋产业受台风、赤潮等随机自然冲击较大，若不分离随机误差，将系统性地低估技术效率。同时，根据技术进步偏向性理论，科技投资不仅推动前沿外移（技术进步效应），还可能提升现有资源利用效率（技术效率效应）。科技投资的另一关键问题在于收敛性——根据Bernard & Jones（1996）的效率趋同假说，若技术扩散渠道畅通，后发省份应呈现效率追赶。

据此提出以下假说：
- H1：海洋科技投资对技术效率改善的贡献大于对技术前沿进步的贡献——在现有技术水平下，中国海洋产业的"效率缺口"大于"前沿差距"。
- H2：沿海省份间的海洋产业技术效率呈现β-收敛——初始效率越低的省份效率改善速度越快（技术后发优势）。
- H3：SFA与DEA两种方法测度的效率排序存在系统性差异——以DEA测算的效率中，随机冲击（台风、赤潮等）被错误归为无效率，导致南方沿海省份效率被低估。

本文的核心识别在于分离随机误差与技术无效率。超越对数SFA设定为：Y_it = f(X_it; β) · exp(v_it - u_it)，其中 v_it ∼ N(0, σ²_v) 为随机冲击（气候灾害、国际油价波动等），u_it ∼ N⁺(μ, σ²_u) 为技术无效率项。关键识别假定：（1）v_it 和 u_it 相互独立；（2）u_it 的分布可被参数化——本文采用截断正态分布，均值 μ = δ₀ + δ₁ R&D_it + δ₂ Z_it，将科技投资和设备直接建模为效率决定因素（Battese & Coelli, 1995一步法）。与DEA的两步法（先算效率，再回归）相比，一步法避免了效率得分的序列相关性问题和回归阶段的标准误低估。

超越对数SFA生产函数：

lnY_it = β₀ + β_K lnK_it + β_L lnL_it + 0.5 β_KK (lnK)² + 0.5 β_LL (lnL)² + β_KL lnK·lnL + β_T t + 0.5 β_TT t² + β_KT t·lnK + β_LT t·lnL + v_it - u_it

其中 Y_it 为海洋产业增加值，K 为海洋产业资本存量（永续盘存法估算），L 为海洋产业从业人员，t 为时间趋势。技术无效率方程：u_it ∼ N⁺(δ₀ + δ₁ R&D_intensity_it + δ₂ Digital_it + δ₃ Port_it, σ²_u)，其中 R&D_intensity、Digital（数字技术应用指数）、Port（港口基础设施指数）为效率影响因素。TFP增长率按 Kumbhakar & Lovell（2000）方法分解为四项。

• 被解释变量：沿海省份海洋产业增加值（亿元，2015年不变价），以沿海省份GDP平减指数进行价格调整
• 投入变量：（1）资本存量 K——以2005年为基期，K_t = (1-δ)K_{t-1} + I_t/P_t，I_t 为海洋固定资产投资（中国海洋统计年鉴），δ=9.6%为综合折旧率，P_t 为固定资产投资价格指数（国家统计局）；（2）劳动 L——海洋产业年末从业人员数（万人）
• 效率影响因素：R&D_intensity（海洋R&D经费/海洋产业增加值）、Digital（沿海省份数字经济增加值占比，中国信通院）、Port（标准集装箱吞吐量对数）
• 技术无效率项 u_it 的预期符号：δ₁ < 0（R&D降低无效率）、δ₂ < 0（数字化降低无效率）
• 样本：沿海11省份，2006-2025年面板，年度频率

• **替换函数形式**：以Cobb-Douglas生产函数替代超越对数函数重新估计SFA模型，检验效率测度对函数形式设定的敏感性——若超越对数中的交互项和平方项不重要，则简化为CD应得一致结果。
• **替换分布假设**：以指数分布和半正态分布替代截断正态分布设定技术无效率项u_it，检验效率排序对不同分布假设的敏感性——若三种分布下的省份效率排序高度相关（Spearman ρ > 0.8），则结论稳健。
• **DEA对照分析**：以非参数DEA-Malmquist指数法测算TFP变化及其分解，与SFA结果进行对比——若两种方法在技术效率变化的方向上一致，则结论不依赖方法论选择；若存在系统性分歧，则需分析分歧来源（如上文H3所预期）。
• **剔除离群省份**：依次剔除海南（产业结构特殊——旅游渔业为主）和广东（经济体量巨大），检验效率排名和收敛结论是否受个别省份主导。

---

根据Becker（1964）的人力资本理论，教育投资和在职培训产生可测度的工资回报。当政府实施"蓝色人才"专项计划（补贴、引进通道、住房保障等），这相当于降低了企业雇佣高技能劳动力的成本，将引发两类效应：（1）技能需求效应——企业增加研发和技术岗位需求（沿劳动力需求曲线下移）；（2）技能溢价效应——高技能劳动力供给弹性相对较低，短期需求扩张推高技能溢价。根据Katz & Murphy（1992）的SBTC框架，当技术变革偏向高技能劳动力时，即使相对供给上升，技能溢价也可能不降反升。更进一步，根据Acemoglu & Autor（2011）的任务框架，人才政策的效果取决于企业如何重新配置任务——是让高技能者替代中等技能者的常规任务（极化），还是让高技能者专注于非常规分析和创新任务（升级）。

据此提出以下假说：
- H1："蓝色人才"政策覆盖的省份，涉海企业高技能劳动力（本科及以上学历）占比平均提升2-4个百分点。
- H2：人才政策对研发人员的工资溢价效应显著高于技术工人和普通船员——技能稀缺性决定溢价梯度。
- H3：人才政策加剧了涉海企业内部工资不平等——高技能群体的工资增长快于中低技能群体，90-10分位数工资比扩大。

传统DID要求平行趋势，但在人才政策评估中，"哪些省份出台蓝色人才政策"本身高度内生——经济发达、产业基础好的省份更可能且更早出台政策，这些省份即便无政策，人才吸引力也更强。为解决这一选择难题，本文采用双重机器学习（DML, Chernozhukov et al., 2018）：第一步用机器学习算法（随机森林或梯度提升树）预测处理概率（倾向得分）和结果变量的条件期望；第二步对残差化的处理变量与残差化的结果变量进行简单OLS回归，得到无偏的ATE。DML的核心优势在于允许使用高维控制变量（如企业财务指标、CEO特征、地方财政指标），而无需担心过拟合——ML在交叉验证框架下仅用于预测，不参与因果效应推断。

关键识别假定：（1）条件独立性——给定高维控制变量集，人才政策的分配与潜在结果独立；（2）共同支撑——处理组与控制组在倾向得分上有足够重叠。此外，以"中央海洋强国战略文件发布时间（2017年）"作为断点时间，对比政策前后省级人才政策出台密度的加速效应。

DML估计方程分为两阶段：

第一阶段（ML预测）：D_i = g(X_i) + ν_i（处理方程）；Y_i = m(X_i) + ε_i（结果方程）
第二阶段（因果推断）：τ̂_ATE = (1/n) Σ_i ν̂_i Ŷ_i_resid / (1/n) Σ_i ν̂_i²

其中 D_i 为人才政策处理虚拟变量（企业所在省份是否出台专项蓝色人才计划），Y_i 为结果变量（企业高技能占比、企业人均薪酬对数），X_i 为高维控制变量集（企业资产规模、行业、所有制、出口占比、省级GDP增速、省级高校数量等30+个协变量）。g(·) 和 m(·) 由随机森林以5折交叉验证学习。

扩展模型：Mincer工资方程

lnWage_ij = β₀ + β₁ Policy_j × HighSkill_i + β₂ Educ_i + β₃ Exper_i + β₄ Exper²_i + β₅ Firm_j + θ_city + λ_industry + ε_ij

其中 Policy_j × HighSkill_i 交互项为核心参数，β₁ 衡量人才政策对不同技能水平的工资溢价差异（H2）。

• 被解释变量：（1）企业高技能劳动力占比——本科及以上学历员工/总员工数；（2）个体小时工资对数——月工资/月工作小时数取自然对数；（3）企业90/10工资比——最高10%人均薪酬/最低10%人均薪酬
• 核心解释变量：省级蓝色人才政策虚拟变量——从31个省级政府网站搜集海洋人才专项政策文件，以政策发布时间距观察期的月数构造连续型处理强度变量
• 个体层面控制变量：受教育年限、潜在工作经验（年龄-教育年限-6）、工作经验平方、性别、婚姻状态（CLDS）
• 企业层面控制变量：资产规模对数、资产负债率、出口交货值占比、国有股占比、高新技术企业认定（涉海上市公司年报+全国税收调查数据）
• 样本：涉海企业约1200家（上市公司约150家 + 规模以上工业企业中涉海企业），个体劳动者约8000人，2015-2025年

• **替换机器学习算法**：以梯度提升树（XGBoost）和LASSO分别替代随机森林作为第一阶段nuisance function估计器，检验ATE估计对ML算法选择的敏感性——若三种算法下的ATE估计值在95%置信区间内重叠，则结论不依赖特定算法。
• **Heckman样本选择校正**：针对工资方程中存在的就业选择偏误（只有就业者才有观察到的工资），以家庭非劳动收入、配偶就业状态作为排他性约束变量对选择方程建模，比较Heckman校正前后Mincer方程的β₁估计差异。
• **更换处理变量定义**：以"省级海洋人才专项财政支出占GDP比重"这一连续变量替代二元处理虚拟变量，检验结论对处理变量测度方式的稳健性；以政策出台后24个月的窗口期重新定义处理组status，检验政策效应的时间定义敏感性。
• **安慰剂检验与随机推断**：随机将"蓝色人才"政策标签打乱分配给省份1000次，构建ATE的经验分布——若实际ATE落在随机分布95%分位数之外，则因果效应非随机因素所致；辅以Fisher精确检验判断统计显著性。

---