李强出席2026年夏季达沃斯论坛开幕式并致辞

基于Hsieh & Klenow（2009）的要素错配理论，本文构建包含R&D资本、物质资本和劳动力三种投入要素的一般均衡模型。推导表明：创新要素配置的边际收益产品在行业间的离散度越大，加总TFP损失越严重。提出三个核心假说：H1——创新要素错配程度每增加1个标准差，行业TFP下降约0.3-0.5个百分点；H2——破除资源配置壁垒（以市场化指数衡量）可带来相当于GDP 2-3%的效率增益；H3——高技术制造业的创新要素错配损失大于传统制造业，因其R&D资本的专用性和信息不对称程度更高。理论模型进一步预测，在"十五五"开局加大破除资源配置壁垒的政策干预下，创新要素将从低边际产出行业流向高边际产出行业，产生资源配置改善→TFP提升→创新产出增加的良性循环，但短期内的调整成本（沉没投资、人力资本适配）可能部分抵消配置效率的改善。

为识别创新要素错配对TFP的因果效应，本文的首要挑战在于创新要素配置本身具有内生性——高TFP行业天然吸引更多R&D投资。借鉴Bartik（1991）和Autor et al.（2013）的转移份额工具变量思路，本文构造行业层面的"Bartik IV"：利用各行业在样本初期（2018年）的创新要素份额与全国层面R&D经费增长率的交互项作为工具变量。该IV的有效性依赖于两个关键假定：其一，初期份额反映了历史比较优势，与当期TFP冲击无关（排他性约束）；其二，全国R&D经费增长由宏观政策和技术趋势驱动，不受单个行业扰动（外生性）。辅助识别策略包括：利用"十五五"规划重点创新领域的准自然实验构造双重差分（DID），将被列入战略性新兴产业的行业设为处理组；同时使用Olley-Pakes分解将行业TFP分解为企业内效应和资源配置效应两部分，验证错配改善→配置效应提升的传导路径。

基准回归采用行业-省份-年份三维面板双向固定效应模型：TFP_{ikt} = α + β·Misallocation_{ikt} + γ·X_{ikt} + μ_{ik} + λ_t + ε_{ikt}。其中i为行业、k为省份、t为年份，Misallocation_{ikt}为核心解释变量——创新要素错配指数（采用行业内企业间R&D资本边际收益产品的离散度衡量），X_{ikt}为控制变量集（行业集中度HHI、外资占比、出口依存度、国有企业比重），μ_{ik}为行业-省份联合固定效应以吸收不随时间变化的异质性，λ_t为年份固定效应。二阶段工具变量回归中，第一阶段方程设定为：Misallocation_{ikt} = δ + θ·(Share_{ik,2018} × R&D_Growth_t) + φ·X_{ikt} + μ_{ik} + λ_t + u_{ikt}，第二阶段使用第一阶段预测值替代原始错配指数。进一步的中介效应检验采用Baron & Kenny（1986）三步法，验证资源配置改善→市场化程度提升→TFP增长的作用链条。异质性分析按技术密集度（高技术/中技术/低技术制造）和区域（东部/中部/西部/东北）分组回归。

被解释变量——行业-省份层面TFP，采用Olley-Pakes半参数方法估计，以解决传统OLS估计中不可观测生产率与要素投入选择之间的共时性偏误。核心解释变量——创新要素错配指数，借鉴Hsieh & Klenow（2009）框架，定义为行业内企业R&D资本边际收益产品（MRPK_R&D）的标准差除以均值，MRPK_R&D通过企业R&D产出弹性乘以销售收入与R&D资本之比计算。调节变量包括：省级市场化指数（樊纲指数更新至最新年），衡量资源配置的制度壁垒程度；行业层面的知识产权保护强度指数（北大法宝裁判文书统计）。控制变量覆盖行业竞争结构（HHI指数、企业进入退出率）、开放程度（FDI工业总产值占比、出口交货值占比）和所有制结构（国有企业工业总产值占比）。数据清洗剔除流动资产或固定资产为负的异常观测，对连续变量在1%和99%分位进行缩尾处理。

本文设计至少五种稳健性检验策略。第一，替换TFP测算方法：改用Levinsohn-Petrin方法（以中间投入为代理变量）和Ackerberg-Caves-Frazer修正方法重新估计TFP，检验结论对测算方法选择的敏感性。第二，替换错配测度指标：采用行业内企业TFP分布的90-10分位差和Theil熵指数作为要素错配的替代度量，验证错配-效率关系的一致性。第三，安慰剂检验：将创新要素错配指数的行业赋值随机打乱500次，观察真实估计系数是否落在随机分布尾部，以排除虚假关联。第四，排除极端样本：依次剔除直辖市（北京、上海、天津、重庆）样本以排除政策资源高度集中的影响，再剔除R&D投入强度最高和最低各5%的行业。第五，动态面板系统GMM估计：引入TFP的滞后一期作为解释变量，使用Blundell-Bond系统GMM方法处理动态面板内生性，同时控制TFP向均衡水平的收敛趋势。

---

传统凯恩斯乘数理论假设财政支出通过增加总需求→提高国民收入的传导机制发挥效应，但未区分支出投向的结构性差异。本文在Blanchard & Leigh（2013）的异质性乘数框架基础上提出：创新驱动型财政支出的乘数具有"时滞更长但持久性更强"的特征。具体机制为：创新支出→基础研究突破→新技术产业化→全要素生产率提升→潜在产出上移→持久性收入增长→消费和投资的结构性扩张。由此提出三个假说：H1——创新类财政支出的当期乘数（约0.4-0.6）低于基建类支出（约1.0-1.5），但其累积5年期乘数（约2.0-3.0）显著高于基建（约1.2-1.8）；H2——经济下行期创新支出的乘数高于上行期，因为企业研发投入顺周期性导致政府支出对企业研发的"挤出"减弱；H3——创新支出通过提升潜在增长率，使得总需求结构从投资驱动向消费驱动转变，消费占GDP比重在5年内提高1-2个百分点。

本文面临的核心识别挑战是创新财政支出的内生性——政府可能在经济增长放缓时加大创新投入，导致普通OLS低估乘数。本文采用两种互补识别策略。其一，运用Jordà（2005）局部投影法估计财政冲击的动态响应：以创新财政支出的预测误差（实际值减去IMF《财政监测报告》预测值）作为外生冲击的度量。其二，参考Ramey（2011）的叙事分析法，利用"十五五"规划编制过程中各部门科技创新资金申报与最终获批之间的差额构造工具变量——国务院批复的科技预算增幅与各部门申报增幅之差反映了自上而下的财政纪律约束，与当期经济状况不直接相关。此外，利用省级面板中"是否被列为国家自主创新示范区"的准自然实验，采用堆叠DID方法估计创新示范区设立对地方财政支出结构和GDP增长的因果效应。

基准回归采用Jordà（2005）局部投影法估计动态脉冲响应函数：y_{t+h} - y_{t-1} = α_h + β_h·shock_t + γ_h·X_t + ε_{t+h}，其中y_t为GDP对数（或其他宏观变量），shock_t为创新财政支出冲击（已正交化），h=0,1,...,20为投影期数，β_h即h期累积乘数。状态依赖乘数模型进一步引入经济周期指示变量：y_{t+h} - y_{t-1} = α_h + β_h^B·F(z_t)·shock_t + β_h^E·(1-F(z_t))·shock_t + γ_h·X_t + ε_{t+h}，其中F(z_t)为Logistic平滑转移函数，z_t为产出缺口。DSGE模型部分构建包含家庭、创新型企业（进行R&D投资并面临成功概率不确定性）、传统型企业、政府和中央银行的五部门模型，创新型企业部门的R&D投入以一定概率转化为生产率提升，通过贝叶斯方法估计模型结构参数后进行反事实模拟。

核心被解释变量包括实际GDP、居民消费、固定资产投资、就业人数等宏观变量的对数差分。核心解释变量——创新财政支出冲击，由三部分构成：中央财政科学技术支出年度增量（已消除通胀和GDP规模效应）、国家自然科学基金年度拨款变动、以及地方政府科技支出合计。乘数计算中采用"现值乘数"（即各期脉冲响应除以当期冲击后按国债收益率折现的净现值之比），以确保与标准凯恩斯乘数可比。控制变量集包括：货币供应量M2增速（控制货币政策配合力度）、实际有效汇率变动（控制外部需求溢出）、以及结构性指标（服务业占比、城镇化率）。数据频率为1995-2025年度数据构建脉冲响应，季度数据（2005Q1-2025Q4）用于局部投影法，以获取更精确的短期动态。

第一，替换冲击识别方法：采用符号约束的SVAR替代局部投影法，对财政支出冲击施加"不影响同期通胀"的符号约束重新估计脉冲响应。第二，改变样本区间：剔除2008-2009年（全球金融危机期间财政支出异常）、2020年（疫情冲击）的特殊年份，检验乘数估计对特殊时期的敏感性。第三，替代DSGE模型设定：将创新成功的概率从固定参数改为依赖政府基础研究投入的内生概率函数，检验政策模拟结果对模型核心机制的敏感性。第四，跨国对比验证：利用OECD国家面板数据（1990-2025）估计创新类财政支出的平均乘数，将中国估计值置于国际分布中进行比较。第五，使用叙事工具变量的两阶段最小二乘法替换结构冲击方法，以降低模型设定偏误。

---

基于North（1990）的制度激励理论，创新活动的核心制度障碍包括：创新产出被模仿导致的专用性风险（知识产权维度）、创新过程高失败率导致的融资约束（风险分担维度）以及基础研究公共品供给不足（多元投入维度）。本文将Manso（2011）的最优创新激励契约模型从企业内部拓展至生态系统层面，论证三类制度安排之间存在制度互补性：当知识产权保护较强时，风险投资更愿意进入早期创新项目（知识产权保护→降低退出时的谈判成本→提高风险资本预期收益）；当政府基础研究投入较高时，企业应用研发的边际成本下降，对知识产权保护的敏感度增强。由此提出：H1——知识产权法院设立使辖区内企业发明专利申请量提高15-20%，且实用新型和外观设计的增速低于发明专利，反映制度改进对创新质量的差异化激励；H2——政府引导基金参与企业研发融资所产生的"认证效应"能够撬动2-3倍的社会资本跟进，且在知识产权保护强的地区更为显著（制度互补）；H3——知识产权保护、风险分担机制和多元投入体系的协同改善对创新产出的影响具有超可加性（super-additivity），即三者同时改善的效果大于各自单独改善效果之和。

识别制度安排对创新行为的因果效应面临反向因果（创新活跃地区可能主动加强知识产权保护）和遗漏变量（地区文化、企业家精神等不可观测因素）的双重威胁。本文利用三级准自然实验构建识别体系：第一，2014-2019年分批次设立的知识产权法院（北京、上海、广州、最高法知识产权法庭及各地法庭）为渐进DID提供了理想处理组，使用Beck et al.（2010）的广义DID估计量；第二，国家自主创新示范区在不同城市的扩容（2009年首批至2025年已覆盖近30个城市）作为第二个准实验；第三，2018年科创板设立带来的退出渠道改善作为风险分担机制的外生冲击。三重差分（DDD）设计：知识产权保护×风险分担×多元投入的三交互项系数捕捉制度互补效应。平行趋势检验使用事件研究法，在制度冲击前5年至后5年的窗口内估计动态处理效应，并提供Granger因果检验验证无预期效应。

基准DID设定为企业-年份面板模型：Y_{it} = α + β·IPCourt_{ct} + γ·Z_{it} + μ_i + λ_t + ε_{it}，其中Y_{it}为企业i在t年的创新产出（ln(1+发明专利申请数)/R&D投入取对数），IPCourt_{ct}为企业所在城市c在t年是否设有知识产权法院的虚拟变量。制度互补性检验采用三重交互模型：Y_{it} = α + β_1·IPCourt + β_2·VC_{ct} + β_3·GovR&D_{ct} + β_{12}·IPCourt×VC + β_{13}·IPCourt×GovR&D + β_{23}·VC×GovR&D + β_{123}·IPCourt×VC×GovR&D + γ·Z + μ_i + λ_t + ε。其中VC为城市层面风险投资活跃度（年度风投案例数取对数），GovR&D为城市获得的国家级科技计划项目资金。变量取值均滞后一期以缓解同期内生性。进一步使用Heckman两阶段模型解决企业R&D汇报的选择性偏误——第一阶段以企业规模、行业属性、所有制等预测R&D投入概率，第二阶段加入逆米尔斯比率矫正选择性偏误后估计制度变量对创新产出的边际效应。

被解释变量——企业创新产出质量，采用三维度量：发明专利申请数（经授权概率加权）、专利前向引用次数（5年窗口内）、以及企业新产品销售收入占比。核心解释变量——知识产权保护强度，综合北大法宝地级市知识产权案件胜诉率、案件审理周期和赔偿额度中位数构建复合指数。风险分担机制以城市层面风险投资案例数量和金额（来自清科私募通数据库）衡量，同时以政府引导基金出资占比区分政府引导和纯市场驱动。多元投入体系以城市R&D经费中政府资金、企业资金和其他来源的Herfindahl指数倒数衡量来源多元化。控制变量包括企业规模（总资产对数）、年龄、所有制（国企/民企/外资）、行业竞争度（勒纳指数）、高管技术背景占比。样本涵盖2010-2025年A股制造业上市公司以及新三板挂牌科技型企业，剔除金融类和ST企业。

第一，安慰剂检验：随机分配知识产权法院设立的城市和年份，重复1000次模拟，比较真实DID系数在随机分布中的位置。第二，更换处理组定义：将知识产权法院的处理窗口从设立当年改为设立前1年（假设预期效应可能提前）、设立后2年（排除过渡期噪声），检验结果对处理时点定义的敏感性。第三，使用工具变量法解决知识产权保护的内生性：以城市历史上（清末民初）的通商口岸地位和传教士活动作为现代知识产权保护的工具变量（历史制度持续性逻辑），验证因果方向的稳健性。第四，替换被解释变量：用企业专利被驳回率、专利维持率（缴费维持超过5年）衡量创新质量，替代数量型专利指标。第五，排除"策略性创新"假说：参考黎文靖和郑曼妮（2016）的方法，区分实质性创新（发明专利）和策略性创新（实用新型、外观设计），检验制度改进是否主要刺激了后者。

---

本文将Mazzucato（2013）的企业家型国家理论置于全球政治经济学分析框架中。该理论认为国家不仅仅是市场失灵的"修补者"，更是创新方向的"塑造者"和风险的"终极承担者"。然而当这一逻辑从国内市场扩展到全球创新体系时，面临国家能力的外溢效应与主权边界之间的张力。中国提出的"中国机遇2.0"叙事实质上是一个"创新公共品供给"的命题——中国的技术进步和产业能力提升是否构成全球公共品？基于此提出：H1——中国在战略性新兴产业的国家介入强度（以政策文本中的"攻关""自主可控"等词频衡量）每提高1个标准差，相关产业的全球出口市场份额在3年内提升8-12个百分点，但同时引发贸易伙伴国技术性贸易壁垒平均增加15%；H2——全球创新链中中国节点度中心性的上升引发了"协调博弈"效应——新兴经济体倾向于加强与中国的创新关联（搭便车逻辑），而发达经济体则强化技术出口管制（地位焦虑逻辑），两股力量在大国之间的净效应取决于地缘政治距离；H3——中国创新赶超的"包容性"特征（对外开放、开源路线）与"竞争性"特征（技术自主、标准主导）之间的张力，导致全球创新治理从单极稳定走向多极竞争格局。

本文的研究问题涉及复杂的多层次因果机制，不适合单一计量回归。核心识别策略采用嵌套分析（nested analysis）设计：首先进行大样本面板回归（N=150+国家，T=15年）识别中国创新崛起与全球创新链重组的统计关联，然后选取典型国家案例（德国、韩国、巴西、印度）进行过程追踪。量化部分利用中国加入WTO后的技术贸易数据（2002-2025），以中国在特定技术领域的全球市场份额变化为"剂量"变量，以贸易伙伴的技术性贸易壁垒通报数为结果变量。为解决中国市场份额的内生性，使用中国在该领域的基础研究论文全球份额（滞后5年）以及中国海外留学生回国人数作为工具变量——这两个变量反映长期知识积累而非当期产业竞争。过程追踪部分选取"新能源汽车"和"人工智能大模型"两个典型案例，通过梳理政策文本、企业访谈和企业财报，识别国家介入→技术突破→全球扩散→治理回应的因果链条。

基准面板回归设定为：TBT_{it} = α + β·ChinaShare_{it} + γ·InnovCap_{it} + δ·(ChinaShare_{it} × Geopolitical_{it}) + θ·X_{it} + μ_i + λ_t + ε_{it}，其中TBT_{it}为国家i在t年针对中国提出的技术性贸易壁垒通报数取对数，ChinaShare_{it}为中国在特定技术领域的全球出口份额。核心调节变量Geopolitical_{it}为国家i对华政策偏好（联合国大会投票一致性指数衡量，取值-1至1）。InnovCap_{it}为国家i自身的创新产出（三方专利族取对数），以控制"竞争力防御"动机。全球创新网络分析部分，以国家为节点、专利合作（来自WIPO PCT专利的共同申请人信息）和联合研发项目为边，构建有向加权网络。计算每5年窗口的网络中心性指标（度中心性、介数中心性、特征向量中心性），使用指数随机图模型（ERGM）估计中国节点属性变化对网络结构演化的边际效应。

核心被解释变量——全球创新链权力结构，以三个维度衡量：技术标准主导权（各国在ISO/IEC国际标准中的提案数量比重）、专利合作网络中的度中心性（经贸易规模标准化）、高技术产品出口技术复杂度（Hausmann修正的EXPY指数）。核心解释变量——国家创新赶超力度，以产业政策文本的机器学习编码构造：首先收集国务院及各部委2005-2026年全部产业政策文件（约800份），使用BERT中文预训练模型对政策文本进行向量化表示，然后以"攻关""自主可控""国产替代""规模化创新"等关键词的上下文嵌入相似度加权得分构造政策力度指数。控制变量涵盖经济发展水平（人均GDP对数）、人力资本存量（高等教育毛入学率）、基础设施（互联网普及率）。定性比较分析部分，将条件变量校准为模糊集隶属分数，结果变量以该国是否在特定技术领域实现"创新赶超"（全球市场份额提升超过10个百分点同时专利质量进入全球前25%）衡量。

第一，替换地缘政治距离度量：使用联合国大会投票理想点距离（Bailey et al., 2017的动态理想点模型）和外交关系等级指数（外交部网站编码）替代投票一致性指数，检验交互项系数的敏感性。第二，更换技术领域划分方法：将HS编码技术分类替换为专利IPC分类和WIPO技术领域对照表，检验分类体系对回归结果的影响。第三，排除"拥挤效应"干扰：在面板回归中控制目标国家从其他新兴经济体（韩国、印度、越南、墨西哥）的高技术产品进口份额，区分中国特定效应与新兴经济体群体效应。第四，合成控制法验证：对特定中国技术突破事件（如华为5G标准确立、DeepSeek大模型发布），使用合成控制法构造反事实目标国家，比较真实技术壁垒变化与反事实路径。第五，EBA（极值边界分析）：使用Leamer的极值边界分析方法，在所有可能的控制变量组合下检验核心系数的稳健性，只将在绝大多数设定中显著且符号一致的系数视为稳健发现。

---

发展经济学的核心命题之一是解释为何只有少数经济体成功跨越"中等收入陷阱"进入高收入阶段。Lee（2013）的技术追赶周期理论指出，中等收入阶段的技术追赶需要从"模仿型"转向"创新引领型"，其关键在于本土企业是否具备二次创新能力。本文将该理论与林毅夫（2012）新结构经济学的要素禀赋升级框架进行整合，提出"红利转型"的二阶段模型：第一阶段（人均GDP<8,000美元），增长主要依赖低成本要素带来的"市场红利"——大规模劳动力从农业向工业转移、FDI带来的技术溢出和出口；第二阶段（人均GDP>12,000美元），增长必须切换至"创新红利"——本土R&D驱动、高端人力资本积累和制度质量改善。假说设定为：H1——中国研发投入占GDP比重从2000年的0.9%上升至2025年的约2.8%，这一"创新投入跃升"是红利转型的必要条件但非充分条件，必须在同时期观察到TFP对GDP增长贡献率超过50%才确认转型完成；H2——中国的"创新红利"通过贸易、FDI和知识扩散三个渠道对全球产生正面溢出，特别是中低收入国家通过进口中国中间品获得的"技术含量提升"效应在2015-2025年间年均贡献约0.3个百分点的TFP增长；H3——中国红利转型的经验对其他发展中国家的可参照性大小取决于该国的初始要素禀赋结构（人力资本水平、产业配套能力）与中国的相似度，高相似度国家（如越南、印度尼西亚）参照效果显著优于低相似度国家。

识别"红利转型"的因果效应面临的最核心挑战是跨国可比性和反事实构造。本文分三步建立识别体系。第一步，使用跨国面板（120个国家，1995-2025）的增长回归，以交互项"人均GDP阶段虚拟变量×R&D强度"为核心变量，识别不同发展阶段R&D投入对增长的异质性效应。第二步，使用合成控制法（Abadie et al., 2010），以其他中高收入经济体（墨西哥、巴西、马来西亚、土耳其、南非等）为控制组，构造中国若未能在2010-2015年间实现创新投入跃升的反事实增长路径。第三步，为识别中国创新红利对特定发展中国家的溢出效应，利用中国对发展中国家的FDI和中间品出口作为"创新红利传导"的代理变量，以中国国内R&D增长与目标国产业结构（制造业占比）的交互项作为工具变量。该IV的逻辑在于：中国国内R&D增长先在供给侧产生创新产出，然后通过贸易-FDI渠道外溢至伙伴国，而目标国制造业占比决定了其吸收能力。

跨国增长回归设定为5年期非重叠面板：Growth_{it} = α + β_1·RD_{it} + β_2·IncomeLevel_{it} + β_3·(RD_{it} × IncomeLevel_{it}) + γ·X_{it} + μ_i + τ_t + ε_{it}。其中IncomeLevel_{it}为国家i在t期的人均GDP对数，RD_{it}为R&D支出占GDP比重。关键参数β_3刻画不同收入水平下R&D投入对增长的边际效应——若在低收入水平下β_3为负或不显著、在高收入水平下显著为正，则支持"红利转型阈值"假说。全球投入产出溢出效应模型设定为：TFP_{jt}^{partner} = α + θ·(ChinaInnov_{t} × Linkage_{jt}) + δ·Z_{jt} + μ_j + τ_t + ε_{jt}，其中ChinaInnov_{t}为中国的创新产出指标（本国居民三方专利数对数差分），Linkage_{jt}为伙伴国j通过全球价值链与中国的前向或后向关联度（来自OECD TiVA数据库的前向参与度指数），核心参数θ捕捉中国的创新成果通过价值链对伙伴国生产率的传导强度。进一步使用工具变量分位数回归检验溢出效应的分布特征——是否技术吸收能力强的国家获得更多溢出？

核心被解释变量——经济增长，以5年期实际人均GDP年均复合增长率衡量。关键解释变量包括：R&D强度（GERD占GDP比重）、人力资本指数（佩恩表PWT10.0的人力资本指数，基于受教育年限和回报率）、制度质量（世界银行世界治理指标WGI的政治稳定性和法治指数均值）。"市场红利"代理变量以劳动年龄人口增长率和FDI净流入占GDP比重衡量，"创新红利"代理变量以本国居民三方专利族增长率和全要素生产率增长衡量。全球价值链关联度从OECD TiVA数据库（最新版覆盖至2023年）以及ADB MRIO表中提取，以前向参与度（国内附加值中用于伙伴国再出口的比重）和后向参与度（出口中国外附加值占比）分别衡量。溢出效应分析中的样本国家按收入分组（世界银行分类：低收入、中低收入、中高收入、高收入），异质性分析进一步区分制造业基础（工业增加值占GDP比重>25%为"高吸收能力"组）。

第一，改变发展阶段划分方法：将连续交互改为分段回归（按人均GDP五分位数分组），验证"阈值效应"是否对具体分段点敏感。第二，替换创新产出度量：以全要素生产率增长替代专利数作为"创新红利"的代理变量，因为专利可能高估在追赶型经济体中的真实创新贡献，TFP则更全面捕捉生产效率改善。第三，排除中国"异常值"影响：从跨国面板中轮流剔除一个对照组国家进行"留一法"检验，确保发现的发展阶段-R&D交互效应不由少数国家驱动。第四，长期差分估计：将5年期面板替换为10年长期差分（1995-2005-2015-2025三阶段），检验R&D-增长的长期弹性是否较短期更大，验证"创新红利"的累积特性。第五，控制空间自相关：使用空间自回归模型（SAR）和空间杜宾模型（SDM）替代普通面板固定效应，考虑增长在邻近国家之间的空间溢出，排除"中国创新红利效应"实为区域整体增长趋势的偏误。