机电产品出口增势良好 外贸发展质效双升

基于Melitz(2003)异质性企业模型，AI产业链的爆发式增长构成对上游机电行业的需求冲击。在新古典框架下，需求扩张通过价格信号引导资源从低生产率企业向高生产率企业流动。Hsieh & Klenow(2009)指出，发展中国家普遍存在资源错配，而外部需求冲击可能通过竞争效应加速"优胜劣汰"。由此提出：H1——AI需求冲击显著提升了机电行业的OP协方差项（资源配置效率）；H2——高TFP企业在AI冲击下获得更大的出口份额增长；H3——该效应在融资约束较低的地区更为显著。

利用各城市AI产业链相关机电产品的初始出口占比（2022年基期）构建Bartik工具变量，将全球AI算力需求增长作为外生冲击来源。具体而言，以城市c在基期的AI相关HS编码产品出口份额加权全球AI芯片需求增速，构建城市层面的AI需求暴露指标。工具变量的排他性假定在于：全球AI需求增长不直接影响单个城市企业的生产率分布，仅通过本地AI产业链出口渠道传导。同时控制城市层面时间趋势和行业固定效应。

基准回归采用双重差分模型：ResourceAlloc_{cjt} = α + β₁(AIExposure_c × Post_t) + γX_{ct} + μ_c + δ_j + λ_t + ε_{cjt}。其中ResourceAlloc_{cjt}为城市c行业j在t期的OP协方差分解项，衡量行业内资源配置效率。AIExposure_c为Bartik工具变量，Post_t为AI浪潮后的时间虚拟变量（2024年后取1）。X_{ct}为城市控制变量（GDP增速、FDI、人力资本水平）。μ_c、δ_j、λ_t分别为城市、行业、时间固定效应。标准误聚类到城市层面。

被解释变量采用Olley & Pakes(1996)方法分解行业生产率，取协方差项衡量资源配置效率。核心解释变量AIExposure以2022年城市层面AI相关HS编码（8542集成电路、8471自动数据处理设备等）出口份额加权全球AI算力投资增速构造。控制变量包括城市人均GDP、FDI存量、高校在校生比例、基础设施投资。企业TFP采用LP法(Levinsohn & Petrin, 2003)估计。数据来自海关微观数据库、工业企业数据库和各市统计年鉴，样本期2020-2026年。

（1）替换工具变量：使用城市到最近AI产业集群的地理距离替代Bartik变量，验证结论对工具变量选择的稳健性；（2）安慰剂检验：将AI冲击时点前移至2020年，检验伪冲击是否产生虚假效应；（3）排除替代解释：控制同期"双碳"政策、RCEP关税减免等混淆因素，加入行业×时间固定效应吸收行业层面时变冲击；（4）样本筛选检验：排除直辖市和副省级城市后重新估计，验证结论是否依赖特大城市的特殊结构。

---

Hausmann等(2007)的产品空间理论认为，一国出口的技术复杂度决定其长期增长路径，而产业升级受制于现有产品空间中相邻产品的"密度"。Lee & Malerba(2017)提出，技术范式转换期构成追赶窗口。AI浪潮正重塑全球产品空间结构——集成电路和智能装备成为新的"核心节点"。中国在AI应用端的先发优势可能打破传统追赶路径的渐进性。H1——AI浪潮后中国机电出口技术复杂度(EXPY)出现跳跃式增长而非渐进提升；H2——AI相关产品在产品空间中的密度连接度显著高于传统机电产品；H3——技术追赶效应存在人力资本门槛，高人力资本地区受益更大。

采用产品层面的"AI暴露度"差异构建准自然实验。定义AI暴露度为产品在生产函数中对AI技术的依赖程度（以该产品的AI相关专利引用次数衡量）。高AI暴露度产品在AI浪潮后经历了更大的技术升级机会。利用不同产品在AI浪潮前（2022年）的技术特征差异作为外生变异，通过产品×时间双重差分识别AI浪潮对出口技术复杂度的因果效应。关键假定为：在AI浪潮前，高、低AI暴露度产品的出口技术复杂度趋势平行。通过事件研究法(event study)验证此平行趋势假定。

基准模型：lnEXPRODY_{ht} = α + β₁(AIIntensity_h × Post_t) + γControls_{ht} + μ_h + λ_t + ε_{ht}。其中EXPRODY_{ht}为HS六位产品h在t期的出口技术复杂度（按Hausmann等2007方法计算），AIIntensity_h为产品的AI暴露度（AI相关专利引用次数对数值），Post_t为2024年后的虚拟变量。进一步，采用面板门槛模型（Hansen, 1999）：以人力资本水平为门槛变量，检验AI冲击对技术复杂度的非线性效应。控制产品层面的全球需求变化和关税水平。

出口技术复杂度PRODY按Hausmann等(2007)方法计算：PRODY_h = Σ_c[(x_{hc}/X_c)/Σ_h'(x_{h'c}/X_c)] × GDP_pc_c，其中x_{hc}为国家c产品h的出口额。AI暴露度以WIPO PATENTSCOPE中各HS编码产品关联的AI专利引用次数衡量。产品空间密度按Hidalgo等(2007)方法计算产品间共现概率。门槛变量人力资本采用各国高等教育入学率。贸易数据来自UN Comtrade，专利数据来自WIPO，样本期2015-2026年，涵盖120个国家/地区的六位HS编码数据。

（1）替代指标：使用出口国内技术含量(DTC, Rodrik 2006改进版)替代PRODY，排除加工贸易对技术复杂度的虚高影响；（2）反事实分析：利用合成控制法，构建"未经历AI浪潮"的反事实中国机电出口路径，对比实际路径与反事实路径的差距；（3）样本外验证：将分析框架应用于韩国（2000年代半导体追赶期）和日本（1980年代电子产品追赶期）的历史案例，检验追赶窗口理论的普适性；（4）内生性处理：以美国AI基础研究投入作为工具变量识别中国产品AI暴露度的外生变化。

---

集成电路出口增速从9.6%跃升至100.7%发生在中美技术博弈加剧的背景下，构成一个看似矛盾的现象。Acemoglu & Robinson(2013)的制度分析框架指出，外部压力可改变国内利益集团博弈格局，催生"危机驱动型"制度改革。Grossman & Helpman(1994)模型中，政府的贸易政策是社会福利与政治捐献的均衡结果。在技术封锁下，中央和地方政府加大对半导体产业的补贴和政策支持，部分抵消了管制的负面影响。H1——美国实体清单扩大了未被制裁企业的出口（"替代效应"）；H2——地方政府补贴强度与受制裁地区集成电路出口恢复正相关；H3——出口目的地结构发生显著转移（从美国转向"一带一路"国家）。

利用美国商务部多次更新实体清单的事件特征，构建多期DID设计。处理组为实体清单所在城市（被制裁企业所在城市），对照组为半导体产业规模相近但未被制裁的城市。事件时间点利用各批次实体清单发布日期的差异。同时，利用引力模型分析贸易转移：lnTrade_{cjt} = α + β₁Sanction_c × Post_t + β₂BRI_j × Post_t + β₃Sanction_c × BRI_j × Post_t + Gravity_{cj} + FE + ε，其中BRI为"一带一路"国家虚拟变量。关键识别假定为制裁名单的外生性——实体清单选择主要基于国家安全考量而非出口绩效。

第一层模型（制裁效应）：Export_{ict} = α + β₁(EntityList_i × Post_t) + γX_{ct} + μ_i + λ_t + ε_{ict}，其中Export为企业i在t期的集成电路出口额。第二层模型（政策对冲）：将地方政府补贴强度（集成电路专项补贴/GDP）作为调节变量加入交互项。第三层模型（贸易转移）：引力模型中加入Sanction×BRI×Post三重交互项。所有模型标准误聚类到城市×行业层面。动态效应通过事件研究法图形展示，检验制裁前的平行趋势和处理后的动态响应路径。

核心解释变量EntityList来自美国商务部工业安全局(BIS)实体清单，匹配到企业所在城市的层面。地方补贴数据通过各省市集成电路产业政策文件手工收集，统计专项补贴金额、税收减免和人才引进政策。出口数据来自海关微观数据库，按HS 8542（集成电路）细分到企业×目的地×时间。引力模型控制变量包括GDP、距离、语言、FTA关系。贸易转移指标计算"一带一路"国家出口份额变化。样本期2018-2026年，涵盖实体清单发布前后各3年的数据窗口。

（1）PSM-DID：利用倾向得分匹配为被制裁城市寻找可比对照城市，缓解选择偏误；（2）排除其他冲击：控制同期新冠疫情供应链中断、全球芯片短缺等混淆因素，加入城市×时间固定效应；（3）替代假说检验：检验出口增长是否来自"转口贸易"而非真实产能提升——通过分析出口中间品vs最终品比例、加工贸易vs一般贸易结构变化进行鉴别；（4）断点回归补充验证：以实体清单发布日为断点，利用RDD检验出口行为的短期跳跃效应。

---

North(1990)指出制度环境决定了经济交易的成本结构。Williamson(1985)强调，在资产专用性高的技术领域（如集成电路、AI装备），契约执行效率和知识产权保护直接决定企业是否愿意进行研发投资。Helpman等(2004)将制度质量引入贸易模型，证明制度优势国家在高契约密集型行业具有比较优势。机电产品向电动化、智能化转型涉及大量专用性资产投资，知识产权保护成为决定企业创新意愿的关键制度变量。H1——知识产权保护显著提升了机电出口产品的单位价值（附加值代理）；H2——该效应主要通过降低技术交易成本和增强创新激励两条路径传导；H3——效应在资产专用性更高的行业（集成电路>通用设备）更为显著。

利用国家知识产权示范城市评选的准自然实验。2019-2024年间多批次评选产生处理组（示范城市）和对照组（非示范城市），构成多期DID设计。知识产权示范城市政策包含专利快速审查、维权援助、质押融资等一揽子制度改进，构成外生的制度冲击。识别假定为示范城市的评选与机电出口趋势不相关（平行趋势检验），且示范城市政策不与其他同期贸易促进政策完全重叠。利用事件研究法验证处理前的平行趋势，并检验处理效应的动态演变。此外，以城市历史上的教会学校数量作为知识产权意识的工具变量进行补充识别。

基准模型：lnUnitValue_{ict} = α + β₁(IPR_city_c × Post_{ct}) + γX_{ict} + μ_i + λ_t + ε_{ict}。其中lnUnitValue为企业出口产品的对数单位价值（出口额/出口量），IPR_city为知识产权示范城市虚拟变量，Post为该城市获批后的时间虚拟变量。中介效应模型：第一步验证β₁显著；第二步以研发投入强度(RD/Sales)和交易成本代理变量（合同执行时间、专利诉讼周期）为中介变量；第三步加入中介变量后观察β₁的变化。模型控制企业固定效应、时间固定效应和城市×行业趋势。

被解释变量为单位出口价值（出口额/出口量），作为产品附加值的代理变量，按HS八位编码计算以控制产品异质性。核心解释变量IPR_city来自国家知识产权局公布的知识产权示范/试点城市名单（2019-2024年共5批）。中介变量包括：研发投入强度（工业企业数据库RD支出/营业收入）、交易成本指标（城市层面合同执行平均时间，来自法院公开数据；专利诉讼平均周期，来自裁判文书网）。控制变量涵盖企业规模、年龄、所有制、融资约束(SA指数)。样本期2018-2026年，涵盖约50万家机电出口企业。

（1）排除混淆政策：控制同期自贸试验区、跨境电商综合试验区等贸易便利化政策，确保知识产权保护效应的独立识别；（2）安慰剂检验：随机生成虚拟示范城市名单（500次模拟），检验伪处理效应的分布；（3）边界断点设计：利用相邻城市对（一个为示范城市、另一个非示范城市）的空间断点设计，验证效应在地理边界处的跳跃；（4）异质性分析验证H3：按行业资产专用性（R&D强度、专利密集度）分组回归，检验知识产权保护效应是否符合交易成本理论预测。

---

Acemoglu & Autor(2011)的任务模型框架将生产过程分解为一系列任务，技术进步改变各任务对不同类型劳动力的需求。机电产品从"烧柴油、靠人工操作"向电动化、智能化转型，本质上是将传统体力操作任务替换为需要认知技能的编程、监控和维护任务。Goldin & Katz(2008)的技能偏向型技术进步理论预测，这一过程将增加对高技能劳动力的需求，减少对低技能劳动力的需求。H1——智能化出口占比提升显著增加了企业对高技能岗位（工程师、技术员）的招聘需求；H2——高技能与低技能岗位的工资差距在高智能化出口行业中扩大；H3——该效应对女性劳动者就业有正向影响（智能化降低了体力要求）。

利用不同企业在AI浪潮前（2022年）的产品结构差异构建出口智能化暴露指标。以企业基期AI相关机电产品（电动矿卡、集成电路、智能数据处理设备等）出口份额加权行业AI技术发展速度，构建企业层面的智能化暴露变量。识别假定为企业基期的产品结构预先决定了其在AI浪潮中的暴露程度，而基期产品结构主要由历史投资路径决定（而非预期未来就业变化）。利用2022年全球AI算力需求的意外爆发作为外生冲击来源。同时，以同行业内非出口企业作为对照组，采用DID设计排除行业层面的一般性技术变迁效应。

就业结构模型：SkillShare_{it} = α + β₁(SmartExposure_i × Post_t) + γControls_{it} + μ_i + λ_{jt} + ε_{it}。其中SkillShare为企业i在t期高技能岗位招聘占比，SmartExposure_i为企业的智能化出口暴露度，Post_t为2024年后虚拟变量。工资差距模型：lnWageGap_{it} = α + β₁(SmartExposure_i × Post_t) + γControls + FE + ε，WageGap为高技能与低技能岗位的平均工资比。性别就业模型以女性招聘占比为被解释变量。μ_i为企业固定效应，λ_{jt}为行业×时间固定效应，标准误聚类到企业层面。

SkillShare计算为企业招聘中要求本科及以上学历或技术类岗位数占总招聘数的比例，数据来自智联招聘和Boss直聘2020-2026年职位发布数据。SmartExposure_i = Σ_h(Share_{ih,2022} × AIGrowth_{h,t})，其中Share_{ih,2022}为企业i在2022年HS编码h产品的出口份额，AIGrowth为该产品的AI相关专利增长率。工资数据从招聘信息中提取标注薪资，计算技能溢价。女性就业比例从招聘信息中的性别要求或实际录用数据获取。企业出口数据来自海关微观数据库。样本为2020-2026年间约8万家机电出口企业的非平衡面板。

（1）替代数据来源：使用工业企业数据库中的工资总额和员工人数数据验证招聘数据结论的外部有效性；（2）选择性偏误处理：采用Heckman两步法纠正招聘网站数据的选择性偏误（只有在线招聘的企业才被观测到），第一步估计企业在线招聘的概率；（3）排除企业主动升级的内生性：利用企业所在城市到最近AI产业园区的距离作为智能化暴露度的工具变量；（4）长差分验证：利用2020-2026年间的就业结构变化（长差分）替代逐年变化，避免短期波动干扰，检验长期结构性效应。

---