吴政隆在湖北湖南调研时指出 持续增强内生动力 推动经济向新向优向好发展

Hsieh & Klenow（2009）指出资源错配是发展中国家TFP低下的重要原因。中央领导调研释放的政策优先信号可降低地方政策不确定性，引导资本向高生产率企业流动。Aghion等（2015）认为产业政策与市场机制存在互补关系。据此提出：H1：调研事件后，调研省份的资源错配指数显著下降，TFP增长率显著高于合成控制组；H2：政策信号效应在市场化程度较高的省份更为显著，体现市场-政策的互补性；H3：效应主要集中在调研涉及的重点产业，存在产业溢出与聚焦并存现象。

利用国务院领导跨省调研的时间和省份选择的外生性构建准自然实验。以调研公告日期（2026年7月4日）为事件节点，将湖北、湖南作为处理组，通过合成控制法构造未受调研的"反事实"省份组合作为对照组。识别假定：调研省份选择在控制可观测特征后与未调研省份的经济趋势不存在系统性差异（通过事件前平行趋势检验）。采用事件研究法刻画动态效应，考察调研前后12个季度的TFP变化路径。

基准模型为：TFP_{it} = α + β₁Post_t × Treat_i + β₂Misalloc_{it} + γX_{it} + μᵢ + δₜ + ε_{it}。其中TFP_{it}为省份i第t期全要素生产率（OP法估计），Post_t为调研后虚拟变量，Treat_i为调研省份虚拟变量，Misalloc_{it}为Hsieh-Klenow资源错配指数（资本与劳动扭曲的加权平均），X_{it}为控制变量向量（人均GDP、产业结构、开放度、人力资本等），μᵢ和δₜ为省份和时间固定效应。β₁为核心估计参数。

被解释变量TFP采用OP法和LP法对工业企业数据库进行微观估计后加总至省级层面。核心解释变量Post×Treat为调研事件的双重差分交互项。资源错配指数Misalloc按照Hsieh & Klenow（2009）方法，利用工业企业数据中企业间边际产出离散度计算。控制变量包括：人均GDP对数、第二/三产业占比、FDI/GDP比率、高等教育毛入学率、研发支出占比等。样本覆盖2020-2028年31省份季度面板数据。

第一，替换TFP估计方法（ACF法替代OP/LP法），检验结论对生产率估计方法的敏感性。第二，采用安慰剂检验，将调研时间虚拟前移至2024年和2025年同期，验证不存在虚假处理效应。第三，使用倾向得分匹配-双重差分（PSM-DID）方法重新估计，控制调研省份选择的非随机性。第四，排除同期其他重大政策冲击（如区域性产业规划发布）的干扰，加入政策虚拟变量控制。

---

Keynes乘数理论表明政府投资通过收入-消费链产生需求乘数效应。Auerbach & Gorodnichenko（2012）发现经济下行期乘数更大。产业升级投资兼具短期需求拉动和长期供给改善双重属性，其乘数效应可能高于纯基建投资。据此提出：H1：产业升级投资的财政乘数（1.5-2.0）显著高于传统基建投资乘数（0.8-1.2）；H2：在经济增速放缓期，产业升级投资的乘数效应更大，呈状态依赖特征；H3：科技创新类投资通过人力资本积累产生更持久的长期乘数效应。

采用叙事法（Romer & Romer, 2010）从省级政府工作报告和财政预算报告中识别"培育内生动力"相关的外生投资冲击。以中央领导调研强调"增强内生动力"作为政策优先度外生变化的标识，利用中部六省（湖北、湖南、河南、安徽、江西、山西）在产业升级投资力度上的时序差异构建准自然实验。识别假定：在控制宏观经济周期变量后，产业升级投资力度变化与同期未被观测到的需求冲击不相关。采用局部投影法估计动态乘数。

局部投影模型：Y_{i,t+h} - Y_{i,t-1} = α_h + β_h ΔInvest_{it} + γ_h X_{it} + μᵢ + δₜ + ε_{i,t+h}，其中h=0,1,...,8为预测期数（季度），Y为实际GDP对数，ΔInvest为产业升级投资增长率（叙事法识别的外生成分），X_{it}为控制变量（包括滞后GDP增长率、政府消费、税收收入、利率水平等），μᵢ和δₜ为省份和时间固定效应。累积乘数为 β_h 的路径。同时设定面板SVAR作为辅助模型进行交叉验证。

被解释变量为实际GDP对数的差分（季度数据，通过工业增加值等月度指标插值估算）。核心解释变量ΔInvest从省级政府工作报告中提取"产业升级""技术改造""新质生产力"等关键词对应项目的投资增速，并通过叙事法剔除内生性成分。控制变量包括：政府消费增长率、税收收入增长率、实际贷款利率、出口增长率、房地产投资增长率等。样本覆盖中部六省2018-2028年季度面板数据。

第一，更换外生冲击识别方法：使用Blanchard-Perotti（2002）SVAR法替代叙事法识别财政冲击，比较乘数估计结果的一致性。第二，控制货币政策环境：加入M2增速和社融规模作为控制变量，排除货币政策配合对乘数估计的干扰。第三，使用不同的GDP代理变量（夜间灯光数据、用电量增速）进行替换检验。第四，进行子样本分析，比较疫情前后乘数的稳定性。

---

周黎安（2007）的晋升锦标赛理论表明，地方官员在GDP考核压力下展开晋升竞争。中央领导调研相当于向特定省份释放了"政治关注度"信号，可能改变官员的晋升预期。Holmström & Milgrom（1991）多任务模型预测，当中央强调特定政策方向时，官员会调整任务间努力分配。据此提出：H1：被调研省份在调研后出台的产业促进政策数量显著增加；H2：调研后地方官员在"向新向优"领域的政策努力增加，但可能挤出民生等其他任务；H3：距晋升窗口期较近的官员对调研信号的响应更为强烈。

以中央领导调研事件为外生冲击，构建多期DID模型。处理组为被调研省份的地级市，对照组为经济发展水平相似但未被调研的省份地级市。识别假定：在调研前，处理组和对照组的政策出台趋势不存在系统性差异（平行趋势假定），通过事件研究法进行检验。同时利用地方官员个体特征（年龄、任期、晋升预期）构建异质性分析，验证晋升激励渠道。以调研省份的选取主要基于路线安排而非经济表现来论证外生性。

基准DID模型：Policy_{ijt} = α + β₁Post_t × Treat_j + β₂Career_{ijt} × Post_t × Treat_j + γX_{ijt} + μⱼ + δₜ + ε_{ijt}。其中Policy_{ijt}为城市j官员i在第t期出台的产业促进政策数量（文本挖掘识别），Post_t为调研后虚拟变量，Treat_j为处理组虚拟变量，Career_{ijt}为官员晋升预期指标（基于年龄与任期构造），X_{ijt}为城市经济控制变量，μⱼ和δₜ为城市和时间固定效应。

被解释变量Policy通过对北大法宝政策数据库进行关键词检索和文本分类，区分"产业升级""科技创新""营商环境"等调研重点领域。核心解释变量Post×Treat为调研事件的双重差分交互项。官员晋升预期Career根据官员年龄距晋升/退休年龄的时间窗口、任期年限构造连续指标。控制变量包括城市GDP增速、财政收入、固定资产投资增速、官员学历和履历等。样本覆盖2022-2028年约280个地级市的半年度面板数据。

第一，安慰剂检验：将调研时间虚拟前移，验证不存在虚假的处理效应。第二，替换被解释变量为政府工作报告中"新质生产力"相关词汇频次，检验结论对指标选择的稳健性。第三，排除同期其他政治事件（如中央经济工作会议、全国两会）的干扰，加入相应时间虚拟变量。第四，使用官员更替作为工具变量处理政策响应的内生性，以换届年份外生性论证因果方向。

---

Tversky & Kahneman（1974）指出人们决策受初始信息锚定。中央领导调研的高媒体曝光度使"增强内生动力""向新向优"成为决策锚点。Shiller（2005）叙事经济学认为经济叙事影响个体经济行为。前景理论预测，政策信号改变参考点从而影响风险偏好。据此提出：H1：调研后，调研省份上市公司的研发投资增速显著快于非调研省份（锚定效应）；H2：政策叙事的情感倾向正向影响企业家信心指数和民间投资增速（叙事传导）；H3：在经济下行期（损失框架），政策锚定效应更强，符合前景理论的损失规避预测。

利用调研事件的突发性和媒体传播的时滞差异构建双重识别策略。第一，以调研公告日为事件日，使用事件研究法考察调研省份上市公司股价异常收益率（CAR）和投资行为变化。第二，利用百度指数和微博讨论的地理分布差异，构建"叙事暴露强度"变量，作为处理强度进行连续型DID分析。识别假定：调研事件的媒体传播强度与企业事前投资决策不直接相关（排他性约束），通过控制企业基本面特征和行业特征来满足。

事件研究模型：CAR_{i,t} = α + β₁Narrative_i × Post_t + β₂RDIntensity_{i,t-1} + γX_{it} + μᵢ + δₜ + ε_{it}。投资决策模型：RDSpend_{i,t} = α + θ₁Anchor_{jt} + θ₂Confidence_{jt} + γZ_{it} + μᵢ + δₜ + ε_{it}。其中CAR为调研省份上市公司累计异常收益率，Narrative为企业公告中"向新""创新""升级"等关键词频率（锚定强度代理），RDSpend为研发投入占比，Anchor为省份j的叙事暴露指数（百度指数加权），Confidence为企业家信心指数，X和Z为控制变量。

CAR通过事件研究法在[-5,+20]交易窗口内以市场模型估计。Narrative变量通过对A股上市公司季度报告MD&A部分进行文本挖掘，统计与新质生产力、产业升级相关词汇频率。Anchor指数基于百度指数中"新质生产力""产业升级"等关键词在各省的搜索热度加权构造。Confidence使用中国人民银行季度企业家问卷调查数据。RDSpend为企业研发支出/营业收入比率。样本覆盖2024-2027年A股制造业上市公司季度数据约3000家。

第一，更换事件窗口（[-3,+10]和[-10,+30]），检验CAR估计对窗口选择的敏感性。第二，使用Heckman两阶段模型控制企业披露研发信息的自选择偏差。第三，利用调研途经城市与未途经城市的地理距离差异构造空间衰减检验，验证锚定效应的地理梯度特征。第四，引入管理层政治关联变量作为调节因子，排除政治关联渠道对锚定效应的混淆。

---

Aghion & Howitt（1992）的创造性破坏理论表明，远离技术前沿的经济体可通过模仿和创新实现追赶。Rodrik（2013）强调结构转型对增长的核心作用，指出制造业升级是关键引擎。Acemoglu等（2006）预测距前沿越远的经济体创新激励越强。据此提出：H1：中部省份的新质生产力培育政策显著提升了制造业技术复杂度，推动结构转型加速；H2：距技术前沿较近的行业追赶速度更快（收敛效应），但前沿行业可能出现"蛙跳"；H3：政策效果受制于地方制度质量，产权保护较好的地区追赶速度更快。

以"增强内生动力""向新向优"政策导向的明确提出（2026年中央领导调研为标志）作为外生政策冲击，利用中部各省在"新质生产力"布局力度上的差异构建连续型DID。技术追赶的度量采用各省份行业层面TFP与全国前沿（前5%企业均值）的距离变化。识别假定：各省的新质生产力布局力度差异在政策提出前与TFP增长趋势不存在系统性相关，通过平行趋势检验和预期效应检验（加入政策前趋势项）来验证。

技术追赶模型：ln(TFP_{ijt}/TFP^{frontier}_{jt}) = α + β₁PolicyIntensity_{it} × Post_t + β₂Distance_{ijt,t-1} + β₃Institution_{it} + γX_{ijt} + μᵢ + δⱼ + δₜ + ε_{ijt}。其中TFP_{ijt}/TFP^{frontier}_{jt}为省份i行业j的TFP与前沿比率（追赶速度指标），PolicyIntensity为各省新质生产力政策力度指数（文本挖掘构建），Distance为初始技术距离，Institution为制度质量指数（樊纲市场化指数），X为行业-省份层面控制变量，μᵢ、δⱼ和δₜ为省份、行业和时间固定效应。

被解释变量为各省份4位码行业的TFP与全国前沿比率，TFP使用Olley-Pakes方法从工业企业数据库估计。PolicyIntensity通过对各省政府工作报告和产业规划文件进行文本挖掘，统计"新质生产力""战略性新兴产业""未来产业"等关键词频率并经主成分分析合成。技术复杂度采用Hausmann等（2007）的PRODY/EXPY方法，基于海关出口数据计算。Institution使用樊纲-王小鲁市场化指数。控制变量包括行业资本密集度、人力资本水平、FDI渗透率、R&D投入强度等。样本覆盖2020-2028年中部六省约150个4位码制造业行业面板数据。

第一，替换技术前沿定义（前10%、前1%企业均值），检验追赶效应估计对前沿定义的敏感性。第二，使用工具变量法：以各省历史上的"三线建设"投资密度作为当前新质生产力布局力度的工具变量，该变量影响当前产业基础但不直接影响当期TFP增长。第三，采用空间杜宾模型控制省份间技术溢出效应，排除空间自相关对估计结果的干扰。第四，进行行业子样本分析，区分技术密集型与劳动密集型行业，检验追赶效应的行业异质性。

---
---
date: 2026-07-04
news_index: 3
field: [产业经济 | 消费与服务业]
topics_count: 5
---