李强主持召开国务院常务会议 听取人工智能发展情况汇报等

基于Samuelson公共品理论与Baumol自然垄断理论，智算集群具有高固定成本、低边际成本特征，政府投资可能产生三种效应：①降低中小企业算力获取成本的"挤入效应"（H1）；②挤出私人算力投资的"替代效应"（H2）；③通过价格补贴扭曲市场均衡的"扭曲效应"（H3）。福利分析需权衡消费者剩余增加与生产者剩余损失。

利用2023-2026年各省市智算中心建设的时间差异与规模差异，构建多期DID模型。处理组为获批建设国家级智算集群的城市，对照组为申请未获批城市。关键识别假定：智算集群选址与城市AI产业发展趋势不相关（可通过工具变量"城市电力容量"验证外生性）。

基准模型：$Y_{it} = \alpha + \beta_1 SmartCenter_{it} + \beta_2 X_{it} + \mu_i + \lambda_t + \epsilon_{it}$，其中$Y_{it}$为城市$i$在$t$期的AI企业数量/算力价格/创新产出，$SmartCenter_{it}$为智算集群建设的强度指标（投资额/GPU算力规模），$X_{it}$为控制变量（GDP、人口、高校数量、互联网普及率），$\mu_i$为城市固定效应，$\lambda_t$为时间固定效应。

被解释变量：①AI企业新注册数（天眼查数据）；②云计算API调用价格指数（阿里云/腾讯云公开报价）；③AI专利授权量（CNIPA数据库）。核心解释变量：智算集群投资强度（亿元/万人）。控制变量：城市GDP、人口规模、高校数量、互联网带宽、R&D支出占比。工具变量：城市历史电力装机容量（1990年数据）。

①替换被解释变量：用AI论文发表量替代专利数量；②更换识别策略：采用断点回归（RDD），以智算集群审批的投资门槛值为断点；③排除竞争性解释：控制同期其他产业政策（如数字经济试点城市）；④安慰剂检验：随机分配处理组500次，生成伪估计系数分布；⑤样本选择：剔除北上广深一线城市，避免极端值影响。

---

基于Keynes乘数理论与Christiano et al.（2011）的ZLB乘数放大机制，碳达峰投资具有双重属性：①短期需求侧——绿色基建投资直接拉动总需求，产生乘数效应（H1：绿色投资乘数>1.5）；②中期供给侧——碳约束提高传统能源成本，产生"成本推动型收缩"（H2：碳约束冲击短期为负向供给冲击）；③条件依赖：在经济下行期，绿色投资乘数因闲置产能而放大（H3）。

采用叙事法（Narrative Approach, Romer & Romer, 2010）识别外生绿色投资冲击：从国务院、发改委文件中提取"非经济周期驱动"的碳达峰政策变动（如技术性减排目标调整），排除"逆周期调节"性质的绿色投资。构建SVAR模型，设定递归识别次序：绿色投资冲击→产出→通胀→利率→传统投资。

SVAR模型：$A_0 Y_t = A_1 Y_{t-1} + ... + A_p Y_{t-p} + \epsilon_t$，其中$Y_t = [\Delta GreenInvest_t, \Delta GDP_t, \Delta CPI_t, R_t, \Delta PrivateInvest_t]'$。绿色投资冲击$\epsilon_t^{green}$通过叙事法识别的外生政策变动序列构造。脉冲响应函数追踪10年动态路径，方差分解量化绿色投资冲击对产出波动的贡献度。

绿色投资：各省"节能环保支出"+"可再生能源补贴"+"绿色债券发行额"（财政部+Wind数据库）。GDP：季度实际GDP（CEIC）。CPI：消费者价格指数。利率：SHIBOR 3个月期。私人投资：固定资产投资完成额-政府投资部分。碳达峰政策冲击：手工收集2015-2026年国务院/发改委碳达峰政策文件，按"预期外投资增量"编码为叙事序列。

①替换识别方法：用Blanchard-Quah长期识别限制（绿色投资对GDP长期中性）替代递归识别；②控制财政支出冲击：在SVAR中加入一般公共预算支出变量，分离绿色投资的"纯效应"；③非线性检验：用Threshold-VAR检验经济周期不同阶段乘数的非对称性；④省级面板验证：用省级面板IV模型交叉验证SVAR结果；⑤国际比较：将中国乘数与OECD国家绿色复苏乘数进行对比。

---

基于Coase产权定理，清晰的产权界定可降低交易的外部性成本。数据要素具有非竞争性、非排他性特征，产权界定面临独特挑战。研究假说：①数据确权试点城市内AI企业创新产出更高（H1：产权激励效应）；②数据交易所设立降低了AI企业的数据获取成本（H2：交易成本节约效应）；③产权界定对中小AI企业的激励效应更强（H3：规模异质性，因大企业可通过纵向一体化绕过市场交易）。

利用2021-2026年各地数据交易所设立的时间差异构建多期DID。处理组：所在城市设立数据交易所的AI企业；对照组：未设立数据交易所城市的AI企业。外生性论证：数据交易所选址主要由省级政策驱动，与单个AI企业的创新决策无直接关联。进一步利用数据确权登记制度的"渐进式推进"构造工具变量（城市数字经济试点身份）。

$Innovation_{ijt} = \alpha + \beta_1 DataExchange_{jt} + \beta_2 (DataExchange_{jt} \times Small_i) + \gamma X_{ijt} + \delta Z_{jt} + \mu_i + \lambda_t + \epsilon_{ijt}$，其中$Innovation$为企业$i$在城市$j$、时间$t$的创新产出（专利申请数/软件著作权数），$DataExchange$为数据交易所运营强度指标，$Small$为中小企业虚拟变量，$X$为企业控制变量，$Z$为城市控制变量。

被解释变量：AI企业年度发明专利申请量、软件著作权登记数、融资轮次进展。核心解释变量：城市数据交易所交易额/GDP占比、数据确权登记数量。控制变量：企业规模（员工数/营收）、年龄、R&D投入、城市GDP、互联网普及率、高校AI学科数量。数据确权政策虚拟变量：根据各地数据条例颁布时间编码。数据来源：天眼查企业数据库、CVSource融资数据库、CNIPA专利数据库、各数据交易所年报。

①PSM-DID：用倾向得分匹配构造平衡样本后再做DID；②替换处理变量：用"数据确权登记数量"替代"数据交易所设立"；③排除同期政策干扰：控制"数字经济创新发展试验区""人工智能创新应用先导区"等同期政策；④机制检验：中介效应模型检验"交易成本"（以数据采购成本占营收比重代理）的传导渠道；⑤案例研究：选取上海数据交易所与贵阳大数据交易所进行深度比较分析。

---

基于Abramovitz社会能力理论与Lin新结构经济学，后发国家的AI技术追赶受制于"社会能力"门槛。假说：①AI技术引进对中等收入国家产业结构升级有显著正向效应，但存在人力资本门槛（H1：门槛效应）；②"AI+"战略通过提升制造业全要素生产率促进结构转型（H2：TFP渠道）；③中国AI产业政策的效应强于其他金砖国家，源于"产业体系完备"的比较优势（H3：互补性效应）。

跨国层面：利用2010-2025年50个国家的面板数据，以各国AI专利申请量的外生变动（由全球AI技术前沿突破引发的"技术溢出"）作为工具变量。国内层面：利用各省"人工智能+"政策出台时间差异构造多期DID，并以省内高校AI专业设立时间作为工具变量。跨国与国内两层识别相互验证。

跨国面板：$StructChange_{it} = \alpha + \beta_1 AIIntensity_{it} + \beta_2 (AIIntensity_{it} \times HumanCapital_{it}) + \gamma X_{it} + \mu_i + \lambda_t + \epsilon_{it}$。省级面板GMM：$\Delta lnTFP_{it} = \alpha + \beta_1 AIPolicy_{it} + \beta_2 \Delta lnK_{it}/L_{it} + \gamma X_{it} + \mu_i + \lambda_t + \epsilon_{it}$，用系统GMM控制内生性。结构转型指标：制造业增加值占GDP比重、高技术产业占比、产业复杂度指数（Hausmann et al., 2007）。

结构转型指标：①制造业增加值占比（WDI）；②出口产品复杂度EXPY（UN Comtrade）；③高技术产业营收占比（中国工业统计年鉴）。AI强度：①AI专利占比（WIPO）；②AI论文发表量（Scopus）；③工业机器人密度（IFR）。人力资本门槛：高等教育入学率、STEM专业毕业生占比。控制变量：GDP per capita、贸易开放度、FDI流入、制度质量（WGI）、基础设施。

①替换门槛变量：用互联网普及率、电力消费替代人力资本作为社会能力代理变量；②排除反向因果：用滞后5期的全球AI技术冲击作为IV；③子样本检验：按收入水平分组（高收入/中高收入/中低收入），验证门槛效应非线性；④合成控制法：为中国AI战略构造"合成对照组"（其他未实施大规模AI战略的中高收入国家加权组合）；⑤产业层面微观验证：用上市公司数据分析AI技术采用对企业生产率的影响。

---

基于Acemoglu & Restrepo（2019）任务模型，AI技术对不同任务类型产生差异化影响：替代"常规认知型"任务、增强"非常规分析型"任务、暂时难以影响"手工型"任务。假说：①AI商业化应用提高高技能劳动者工资溢价（H1：技能偏向效应）；②AI对中等技能常规岗位产生替代效应，导致就业极化（H2：空心化效应）；③AI创造新任务（如数据标注、AI训练师），部分抵消替代效应（H3：再平衡效应）。

采用Bartik工具变量法（Shift-Share Design）：利用全国层面各职业AI可替代概率（参照Felten et al., 2021的AIOE指标）与城市基期职业结构的交互项构造城市层面的"AI暴露度"。识别假定：城市基期职业结构不受当期AI政策冲击影响（历史产业结构的延续性）。同时利用"人工智能+"试点城市的政策冲击作为第二重识别。

城市-行业面板：$\Delta Employment_{ijt} = \alpha + \beta_1 AIExposure_{ij} + \beta_2 SkillLevel_j + \beta_3 (AIExposure_{ij} \times SkillLevel_j) + \gamma X_{it} + \mu_i + \lambda_j + \epsilon_{ijt}$。工资方程：$ln Wage_{it} = \alpha + \beta_1 AIExposure_i + \beta_2 Education_i + \beta_3 (AIExposure_i \times Education_i) + \gamma X_i + \epsilon_i$，用2SLS估计，Bartik IV为$Z_i = \sum_j \frac{L_{ij,2018}}{L_{i,2018}} \times AIOE_j$。

被解释变量：①城市-职业层级就业人数变化率（劳动统计年鉴）；②个体工资收入（CFPS）；③新招聘职位数量与技能要求（BOSS直聘爬虫数据）。核心解释变量：AI暴露度指数（Bartik构造法）。技能分类：高技能（本科及以上+非常规分析型）、中等技能（大专+常规认知型）、低技能（高中及以下+手工型）。控制变量：城市GDP增长率、产业结构、最低工资标准、高校数量、互联网普及率。

①替换AI暴露度度量：用中国本土AI企业密度（每万家企业中AI企业数）替代Bartik IV；②分位数回归：检验AI对工资分布不同分位点的异质性效应；③动态效应分析：事件研究法检验"人工智能+"试点前后就业结构的动态变化路径；④排除贸易冲击：控制城市出口暴露度（Autor et al., 2013的中国进口竞争冲击框架）；⑤微观验证：用CFPS个体面板数据追踪同一劳动者在AI冲击前后的职业流动与收入变化。

---