人民日报评论员：加快推进高水平科技自立自强——论学习贯彻习近平总书记在国家科学技术奖励大会、两院院士大会、中国科协十一大上重要讲话

基于Abramovitz"社会能力"假说，后发国家技术追赶取决于人力资本、制度质量与金融深度三项社会能力。中国新型举国体制通过"战略导向—资源集聚—协同攻关"三重机制强化社会能力积累：国家实验室体系提升基础研发人力资本、专项产业基金降低创新融资约束、产学研联合体加速知识溢出。据此提出H1：新型举国体制显著提升了AI产业TFP；H2：该效应通过人力资本与知识溢出渠道传导；H3：追赶效应在技术密集度更高的子行业更为显著。

利用2015年以来国家AI产业政策分批出台形成的准自然实验，以各省份获批"国家人工智能创新应用先导区"的时序差异构造多期双重差分。核心识别假定为：先导区获批时间在控制省份特征后具有条件外生性，即获批先后与AI产业TFP的不可观测趋势不相关。采用事件研究法（event-study）检验平行趋势假定，并使用Bacon分解排除异质性处理效应偏误。

基准模型采用多期DID：$TFP_{it} = \alpha + \beta \cdot Treat_i \times Post_{it} + \gamma X_{it} + \mu_i + \lambda_t + \varepsilon_{it}$，其中$TFP_{it}$为省份$i$第$t$年AI产业全要素生产率（由SFA估计），$Treat_i \times Post_{it}$为先导区政策虚拟变量。控制变量$X_{it}$包括研发强度、人力资本、FDI渗透率、互联网普及率等。进一步采用合成控制法构造反事实，验证单一省份的政策效应稳健性。

被解释变量TFP使用随机前沿分析从省际AI企业面板数据估计产出弹性后计算。核心解释变量为各省获批先导区的虚拟变量（0/1）。控制变量包括：R&D支出/GDP（科技统计年鉴）、高校AI相关学科毕业生数（教育统计年鉴）、人均FDI（商务部数据）、数字基础设施指数（宽带渗透率+5G基站密度）。样本覆盖2010-2025年30个省份年度面板数据。

第一，使用安慰剂检验（placebo test），将政策时间随机前移1000次构建伪政策分布；第二，采用Abadie合成控制法逐省构造反事实，与DID结论交叉验证；第三，以劳动生产率替代TFP作为被解释变量检验核心结论的敏感性；第四，利用Callaway & Sant'Anna（2021）异质性处理效应DID估计量排除多期DID潜在偏误。

---

North指出有效制度降低交易成本从而促进经济增长。在AI创新领域，传统专利制度面临Arrow"信息悖论"——过度保护抑制知识扩散，保护不足则削弱创新激励。开源模式作为一种制度创新，通过GPL/Apache等许可证降低知识交易成本，但面临搭便车问题。据此提出H1：开源制度降低了AI创新的知识获取交易成本，促进下游创新产出；H2：开源模式的创新激励效应在技术复杂度较低的领域更强；H3：开源与闭源的"混合制度均衡"优于纯开源或纯闭源。

利用2023年前后中国多家机构从闭源转向开源大模型发布的准自然实验（如百度文心、阿里通义相继开源），以始终闭源模型为对照组构造双重差分。识别假定：模型是否开源的决策在控制机构规模、研发投入、技术路线后可视为条件外生。利用HuggingFace平台记录的时间戳精确识别开源事件，采用倾向得分匹配（PSM）构造可比对照组，缓解自选择偏误。

主模型采用负二项回归：$Patent_{ijt} = \exp(\beta_0 + \beta_1 Open_{jt} + \beta_2 R\&D_{jt} + \beta_3 Size_{jt} + \mu_i + \lambda_t) + \varepsilon_{ijt}$，其中$Patent_{ijt}$为机构$j$在领域$i$第$t$年的AI相关专利申请数，$Open_{jt}$为开源虚拟变量。辅模型以HuggingFace下游引用数作为创新扩散代理变量，采用DID估计开源对知识溢出的因果效应。

被解释变量为各机构年度AI专利申请数（国家知识产权局IPC分类号G06N/G06F筛选）。核心解释变量为开源虚拟变量（模型是否在HuggingFace上公开权重，0/1）。创新扩散变量为HuggingFace平台上的模型下载量、Fork数和引用数。控制变量包括：研发人员数、机构规模（员工数）、前期专利存量、融资轮次。数据通过HuggingFace API爬取及企查查工商信息匹配，覆盖2020-2025年200余家中国AI机构。

第一，以模型微调（fine-tune）数量替代专利数作为创新产出代理变量；第二，采用 Heckman 两阶段模型修正开源决策的自选择偏误；第三，利用工具变量法（以机构所在城市开源文化指数作为IV）处理内生性；第四，进行子样本分析，区分NLP、CV、多模态等AI子领域检验结论的普适性。

---

在中国财政分权体制下，地方政府围绕中央考核指标展开竞争。AI产业因其"新质生产力"标签成为地方官员晋升锦标赛的新赛道。Besley & Coate模型预测，地方竞争导致公共品过度供给（重复建设）与供给不足（基础研究）并存。据此提出H1：地方AI补贴竞赛导致产能过剩与资源错配，表现为AI企业产能利用率下降；H2：地方竞争挤出基础研究投入，偏向短期见效的应用层投资；H3：中央垂直管理（如"揭榜挂帅"机制）能部分纠正地方激励扭曲。

利用各省政府工作报告中AI相关词频的年度变化构造连续型处理变量，度量地方AI政策力度。以中央出台"防止低水平重复建设"政策文件的时间节点作为外生冲击，构造DID识别地方竞争对资源配置效率的因果效应。核心识别假定：中央政策出台时间对地方政府而言具有外生性，且各地方政府初始AI政策力度差异源于历史产业禀赋而非不可观测因素。使用Bartik工具变量（全国AI产业增长率×地方初始份额）处理内生性。

首先估计空间杜宾模型：$y_{it} = \rho Wy_{it} + X_{it}\beta + WX_{it}\theta + \mu_i + \lambda_t + \varepsilon_{it}$，其中$y_{it}$为城市$i$的AI企业产能利用率，$X_{it}$包含本地AI补贴强度（文本分析度量）、财政支出、基础设施等。空间权重矩阵$W$采用地理距离与经济距离复合矩阵。进一步构建结构模型估计地方政府AI补贴博弈的纳什均衡，对比社会最优配置计算福利损失。

核心解释变量为地方AI政策力度指数，通过BERT模型对各省政府工作报告进行文本分类，提取AI政策相关段落并计算词频TF-IDF权重。被解释变量为AI企业产能利用率（营收/资产比）和全要素生产率（LP法估计）。补贴强度以地方科技支出中AI专项占比衡量。资源错配指标采用Hsieh & Klenow（2009）资本边际产出离散度方法计算。样本覆盖2015-2025年地级市面板数据。

第一，以AI企业退出率替代产能利用率作为资源错配代理变量；第二，利用不同文本分析方法（LDA主题模型、关键词词典法）替换BERT度量，检验核心解释变量的稳健性；第三，采用Conley（1999）空间HAC标准误处理空间相关性对推断的影响；第四，以"揭榜挂帅"试点城市为子样本，检验中央纠偏机制的有效性。

---

基于Melitz（2003）异质性企业框架，AI技术扩散通过两条渠道影响资源配置效率：一是"技术效应"——AI采纳提升个体企业生产率，改变其最优产出规模；二是"选择效应"——高生产率企业更易采纳AI并扩大市场份额，低生产率企业退出或被替代，从而改善加总TFP。Hsieh & Klenow（2009）表明资源错配导致的TFP损失可达30%-50%。据此提出H1：AI扩散通过选择效应提升制造业加总TFP；H2：AI采纳降低了企业间的资源错配程度；H3：该效应在竞争程度更高的行业更为显著。

利用工信部"两化融合"贯标评估数据中企业AI技术采纳时间的差异，构造广义双重差分（generalized DID）。识别假定：企业AI采纳时间在控制企业规模、前期生产率、行业特征后具有条件外生性。采用Olley-Pakes分解法将加总TFP变化分解为企业内效应、企业间再分配效应和进入退出效应，识别AI扩散对资源配置效率的纯贡献。使用Bartik工具变量（行业AI渗透率×企业初始数字化水平）缓解内生性。

第一步，以Olley-Pakes方法估计企业层面TFP：$y_{it} = \alpha_0 + \alpha_l l_{it} + \alpha_k k_{it} + \omega_{it} + \varepsilon_{it}$，利用投资作为生产率的代理变量修正同时性偏误。第二步，将OP分解中的再分配项回归于AI采纳变量：$Reallocation_{jt} = \beta_0 + \beta_1 AIdiffusion_{jt} + \gamma Z_{jt} + \mu_j + \lambda_t + \varepsilon_{jt}$，其中$AIdiffusion_{jt}$为行业$j$第$t$年AI普及率。第三步，构建反事实模拟量化消除AI采纳壁垒的福利增益。

企业TFP由Olley-Pakes半参数方法估计，产出以工业增加值衡量，劳动和资本分别以从业人员数和固定资产净值度量。AI扩散指标来自工信部"两化融合"平台企业评估数据中AI技术采纳模块（0-1-2-3成熟度等级）。资源错配指标采用Hsieh & Klenow（2009）方法，由资本和劳动的边际产出离散度衡量。控制变量包括企业规模、所有制、出口状态、行业集中度。样本覆盖2015-2025年约50万家制造业企业。

第一，以Levinsohn-Petrin方法替代Olley-Pakes估计TFP，检验生产率估计方法的敏感性；第二，利用企业AI专利数替代"两化融合"评估等级作为AI采纳代理变量；第三，进行反事实模拟，假设AI普及率提升10个百分点计算加总TFP变化区间；第四，以行业层面加总数据验证企业层面分解结论的一致性。

---

基于Barro（1990）生产性公共支出理论，政府AI研发投入兼具公共品属性与生产性投资属性，其乘数效应可能高于一般性财政支出。Blanchard & Perotti（2002）框架表明财政支出乘数取决于边际消费倾向与利率反应。Auerbach & Gorodnichenko（2012）进一步论证经济衰退期财政乘数更大。据此提出H1：AI专项财政支出乘数高于一般性科技支出乘数；H2：经济下行期（产出缺口为负时）AI投资乘数显著大于上行期；H3：AI投资对私人部门研发支出存在"挤入效应"而非"挤出效应"。

采用Blanchard & Perotti（2002）SVAR方法识别政府科技支出的外生冲击。利用财政支出的"决策滞后"——预算编制与实际执行之间的时滞——构造外生性识别。核心识别假定：当期GDP对政府科技支出的同期弹性（即自动反应）为零或可精确估计。进一步采用Jordà（2005）局部投影法（Local Projections）作为稳健性补充，并参照Auerbach & Gorodnichenko（2012）引入状态依赖的非线性乘数估计。

基准SVAR模型：$A_0 Y_t = \sum_{k=1}^{p} A_k Y_{t-k} + u_t$，其中$Y_t = [G_t, T_t, GDP_t]'$分别为政府AI支出、税收、实际GDP的对数值。通过Cholesky分解施加递归识别：政府支出对当期GDP不反应（$a_{13}=0$）。乘数计算为累积产出响应与累积支出增量之比。状态依赖模型采用平滑转换：$Y_t = F(z_t)[\sum A_k Y_{t-k}] + (1-F(z_t))[\sum B_k Y_{t-k}] + u_t$，其中$z_t$为产出缺口或经济景气指数。

政府AI支出以财政部"科学技术"支出科目下AI相关拨款的季度数据衡量（通过预算科目编码筛选）。实际GDP采用国家统计局季度支出法GDP数据并以GDP平减指数折算。税收数据来自财政部月度财政收支报表。控制变量包括社会融资规模（央行数据）、PPI、PMI。样本覆盖2010Q1-2025Q4共64个季度观测值。为满足SVAR样本量要求，利用月度数据插值补充并利用混频数据模型（MIDAS）进行交叉验证。

第一，以Jordà局部投影法替代SVAR估计脉冲响应函数，检验识别方法的敏感性；第二，利用Narrative approach（Romer & Romer, 2010）从国务院常务会议纪要中识别外生科技支出冲击作为替代识别策略；第三，在DSGE模型框架下模拟AI公共投资的长期均衡效应，与SVAR短期乘数结论对比；第四，进行子样本分析比较新冠疫情前后AI投资乘数的变化。

---