高频数据显示 上半年高技术领域投资热度持续攀升

在新古典框架下，资本自由流动趋向于边际产出均等化。然而当AI行业投资增速远超产出增速时，可能出现两种均衡：一是技术红利外溢导致边际产出曲线右移（H1：投资增速与全要素生产率正相关）；二是资本过度集中引致边际产出递减（H2：投资增速超过某一阈值后资本边际产出显著下降）；三是行业间配置失衡（H3：AI行业资本边际产出已低于传统制造业）。

采用工具变量法解决投资与产出的双向因果关系。以各城市高校AI相关专业招生人数和地方政府AI产业补贴强度作为工具变量，前者通过人力资本供给影响投资但不直接影响企业短期产出，后者通过政策激励影响投资额但不直接影响资本边际产出。检验工具变量的相关性与排他性假定。

第一阶段：$Invest_{it} = \alpha + \beta_1 IV\_Enroll_{it} + \beta_2 IV\_Subsidy_{it} + \gamma X_{it} + \mu_i + \delta_t + \varepsilon_{it}$；第二阶段：$MPK_{it} = \alpha + \theta \widehat{Invest}_{it} + \phi X_{it} + \mu_i + \delta_t + \eta_{it}$。其中$MPK_{it}$为行业i在t期的资本边际产出，$X_{it}$为控制变量向量，$\mu_i$和$\delta_t$分别为行业和时间固定效应。

被解释变量：资本边际产出（MPK），采用生产函数法估算行业增加值对资本存量的偏导数。核心解释变量：实际投资额，以CVSource中AI领域实际投资金额加总。工具变量：(1)高校AI招生人数（教育部统计数据）；(2)地方政府AI补贴强度（各地产业政策文件编码）。控制变量包括行业规模、利润率、研发强度、人力资本密度等。样本覆盖2020-2026年季度数据。

(1) 替换工具变量：以城市互联网基础设施密度作为替代工具变量；(2) 分样本检验：按企业规模（大型/中小型）和融资阶段（A轮/B轮/C轮后）分组回归，验证资本边际产出递减效应的异质性；(3) 安慰剂检验：将AI投资数据随机分配至其他行业，检验结果是否消失；(4) 利用2024年ChatGPT冲击作为外生事件做事件研究法补充验证。

---

凯恩斯乘数理论认为，政府投资通过收入-消费循环放大总需求。数字基建具有强正外部性和网络效应，其乘数可能高于传统基建（H1：数字基建乘数 > 传统基建乘数）。但数字基建对劳动力的吸纳能力弱于传统基建，短期就业乘数可能较低（H2：数字基建的就业乘数存在滞后效应）。在经济低迷期，闲置资源充裕使乘数更大（H3：数字基建乘数具有状态依赖性，下行期显著高于平稳期）。

采用Blanchard-Perotti的SVAR方法，利用政府预算编制时间与实际支出时间之间的天然滞后作为外生冲击识别条件。以"预算年度初制定的数字基建预算"作为预期外的财政冲击变量，排除经济状况对投资的内生响应。假定预算决策基于前一期经济信息，当期经济波动构成外生变异来源。

构建省级面板SVAR模型：$A_0 Y_{pt} = \sum_{k=1}^{K} A_k Y_{p,t-k} + B X_{pt} + u_{pt}$。其中$Y_{pt} = [GDP_{pt}, DI_{pt}, TI_{pt}, Emp_{pt}]'$，分别为省级季度GDP、数字基建投资、传统基建投资和就业人数。通过脉冲响应函数和累积乘数衡量动态效应。采用面板SVAR的均值组估计处理省级异质性。

核心变量：数字基建投资（DI），以各省数字基础设施中标金额季度加总额衡量，来源为中国招标投标公共服务平台。传统基建投资（TI）以交通、水利等中标金额衡量。省级季度GDP采用各省统计局公布的实际GDP增速换算。就业数据为城镇新增就业人数。控制变量包括省级财政收支、人口规模、产业结构等。样本期2019Q1-2026Q2，共30个省级单元。

(1) 替换识别假定：采用叙事法（narrative approach）从政策文件中识别数字基建投资的离散冲击事件，作为SVAR结果的交叉验证；(2) 状态依赖乘数检验：以产出缺口为阈值变量构建阈值SVAR（TVAR），分经济上行期和下行期估计差异化乘数；(3) 排除货币政策干扰：在模型中加入广义货币供应量M2增速作为控制变量，检验乘数估计的稳健性；(4) 空间溢出效应检验：引入空间权重矩阵，检验数字基建投资的跨省溢出。

---

制度经济学认为产权界定影响创新激励。中国现行的专利补贴政策降低了申请成本，可能诱发"为补贴而创新"的策略性行为（H1：专利补贴强度越高的地区，专利数量增长越快但平均质量越低）。知识产权保护强度构成创新的制度租金保障（H2：司法保护力度强的地区，企业更倾向于投入实质性研发而非策略性申请）。高新技术企业认定的税收优惠门槛（专利数量要求）构成额外激励扭曲（H3：临界专利数量附近的企业专利质量显著低于远离临界值的企业）。

利用2020-2025年间各省专利补贴政策调整的渐进式改革作为准自然实验。部分省份率先取消专利资助，部分省份保留补贴，形成双重差分（DID）设计。处理组为取消/削减专利资助的省份企业，对照组为保留补贴的省份企业。平行趋势假定通过事件研究法验证政策前各期专利质量无显著差异。

$PatentQuality_{ijt} = \alpha + \beta_1 Post_t \times Treat_j + \beta_2 Post_t + \beta_3 Treat_j + \gamma X_{ijt} + \mu_i + \delta_t + \varepsilon_{ijt}$。被解释变量为专利质量综合指数。核心系数$\beta_1$捕捉补贴政策取消对企业专利质量的因果效应。进一步采用断点回归设计检验高新技术企业认定门槛（专利数量要求）的局部处理效应。

被解释变量：专利质量指数，综合前向引用次数（5年窗口）、独立权利要求数量、是否进行PCT国际专利申请三个维度加权构建。核心解释变量：补贴政策虚拟变量（Post×Treat），依据各省知识产权局发布的政策文件编码。控制变量：企业规模、研发强度、行业、年龄、所有制结构。数据来源：CNIPA专利数据库（2018-2026年AI相关IPC分类号专利），匹配工商注册信息。

(1) 安慰剂检验：将政策实施时间提前2年进行伪政策检验，确认处理前平行趋势成立；(2) 替换被解释变量：分别使用前向引用、权利要求数、专利维持率作为单一质量代理变量，验证核心结论不受指标构造方式影响；(3) PSM-DID：以企业特征进行倾向得分匹配后重新估计DID，缓解处理组和对照组的系统性差异；(4) 机制检验：加入企业研发支出作为中介变量，检验补贴政策是否通过改变研发投入结构影响专利质量。

---

发展经济学的"蛙跳"理论指出，技术范式转换为后发国家提供赶超窗口。AI作为新兴通用目的技术（GPT），降低了先发国家的技术壁垒（H1：AI领域的投资增速与中美技术差距缩小显著正相关）。但追赶效果取决于人力资本互补性（H2：AI投资对技术追赶的促进效应在高人力资本地区更强）。不同技术领域的追赶窗口宽度不同（H3：AI领域的追赶速度快于生物医药领域，因为前者更依赖资本投入而非长期基础积累）。

利用2018年美国对华技术出口管制作为外生冲击，该政策迫使中国加速AI自主研发投资，构成准自然实验。以受管制影响程度不同的技术领域为处理组和对照组（AI芯片设计 vs. AI应用软件），采用双重差分法识别投资增长对技术产出的因果效应。假定管制强度在不同子领域间的差异由美国政策制定而非中国技术禀赋决定。

技术追赶模型：$TechGap_{it} = \alpha + \beta_1 Investment_{it} + \beta_2 Post2018_t \times HighExport_i + \gamma X_{it} + \mu_i + \delta_t + \varepsilon_{it}$。其中$TechGap_{it}$为技术i在t期的中美技术差距（以专利引用差距衡量），$HighExport_i$标识受出口管制影响较大的技术领域。核心系数$\beta_2$捕捉外生压力下投资对追赶的因果效应。

被解释变量：技术追赶指数（TCI），定义为中国某领域专利被国际引用次数与同期美国同领域专利被引用次数之比。核心解释变量：中国各领域年度投资金额（PitchBook数据）。管制冲击变量：依据美国商务部实体清单和出口管制HS编码匹配受影响技术领域。控制变量：研发投入强度、人力资本密度、国际合作论文数量、市场规模。样本覆盖2015-2026年8个高技术子领域年度数据。

(1) 替换追赶指标：使用专利族规模（Patent Family Size）和技术原创性指数（Originality Index）替代引用比率，验证追赶趋势的一致性；(2) 排除需求冲击：以全球AI市场规模作为控制变量，区分供给侧投资效应与需求侧市场拉动效应；(3) 反事实分析：利用合成控制法（Synthetic Control Method）构建未受管制的"合成中国"，对比实际中国AI投资轨迹与反事实路径的差异；(4) 跨领域比较：将分析扩展至量子计算和基因编辑领域，检验蛙跳理论的领域适用边界。

---

Shiller叙事经济学认为，流行叙事通过情感传染驱动经济决策。AI领域的"大模型""AGI""颠覆性创新"等叙事构成强锚定参考点（H1：媒体AI正面报道频次与同期一级市场AI企业估值显著正相关）。投资者对早期成功案例的代表性外推导致系统性乐观偏差（H2：头部AI企业融资估值越高，后续同领域企业的投资估值偏离基本面越远）。信息瀑布效应使后期投资者忽视基本面信号（H3：融资轮次越靠后，投资估值与营收基本面的偏离度越大，呈现"锚定-跟随"模式）。

利用AI领域突发事件（如重大产品发布、技术突破报道、头部企业IPO）作为叙事强度的外生冲击。这些事件改变媒体关注度但不直接影响被投企业的短期基本面，构成叙事驱动投资的识别条件。采用事件前后窗口期的投资估值变化做事件研究法，控制企业基本面变量后，残余估值变化归因于叙事效应。假定事件发生时间对企业而言是外生的。

叙事驱动估值模型：$\ln(Valuation_{it}) = \alpha + \beta_1 NarrativeIndex_t + \beta_2 Fundamentals_{it} + \beta_3 HerdingMeasure_{it} + \gamma X_{it} + \mu_{sector} + \delta_t + \varepsilon_{it}$。其中$NarrativeIndex_t$为t期的AI叙事强度指数，$HerdingMeasure_{it}$为羊群行为指数（同期同领域投资笔数与历史均值之比）。交互项$NarrativeIndex_t \times HerdingMeasure_{it}$检验叙事与羊群的协同放大效应。

被解释变量：企业投后估值（对数），来源IT桔子。核心解释变量：(1)AI叙事强度指数，由百度指数"人工智能""大模型""AGI"搜索热度加权，辅以Wind媒体正面报道频次主成分分析构建；(2)羊群行为指数，定义为季度内AI领域投资事件数/过去4季度平均投资事件数。控制变量：企业营收、员工数、团队背景、融资阶段、投资方特征（是否有知名VC领投）。样本为2021-2026年AI领域投资事件，约3000-5000笔。

(1) 替换叙事指标：使用GDELT数据库中AI相关报道的情感得分替代百度指数，检验叙事效应的跨国数据一致性；(2) 工具变量法：以美国硅谷AI投资事件作为工具变量（通过全球信息传导影响中国叙事强度，但不直接影响中国企业基本面），估计叙事强度的因果效应；(3) 子样本分析：区分早期轮次（种子/A轮）和后期轮次（B轮及以后），检验羊群效应在不同阶段的异质性；(4) 反事实叙事冲击：以非AI领域（如元宇宙、区块链）的叙事高峰作为安慰剂事件，验证估值膨胀的AI特异性。

---