上半年经济运行在合理区间 新动能快速成长

在完全竞争市场中，各行业的边际收益产品（MRP）应相等——资本和劳动力会从低MRP行业流向高MRP行业，直到均等化。当终端消费疲软（商品零售仅增1.1%）而高技术供给快速扩张（增13.3%）时，需求端的价格下跌压力与供给端的产能扩张形成对立，导致高技术行业的MRP下降、传统消费行业的MRP相对上升，两者间的离散度扩大。提出：H1——2024-2026年期间，38个制造业二位码行业的MRP离散度较2018-2019年扩大至少30%；H2——若消除行业间资源配置扭曲，总量TFP可提高2-4个百分点；H3——行业间MRP离散度与行业的需求收入弹性呈负相关，需求弹性越低的行业（如钢铁、水泥）错配越严重。

核心识别挑战：行业间MRP差异可能反映的是技术前沿差异而非资源配置扭曲。采用Restuccia & Rogerson（2008）的策略——在控制行业技术特征（R&D强度、专利存量、外资占比）后，将MRP的残差离散度归因于政策扭曲和制度摩擦。以各省市场化指数作为工具变量，利用市场化程度高的地区行业间MRP离散度应更小的逻辑识别制度性扭曲。排他性条件：市场化指数的区域差异主要由改革开放历史路径决定，与当期行业技术冲击不直接相关。进一步采用Goldsmith-Pinkham et al.（2020）的Rotemberg权重分解，识别哪些行业的MRP偏离对总量TFP损失贡献最大。

第一步测算行业TFP：lnY_jt = β_0 + β_K·lnK_jt + β_L·lnL_jt + β_M·lnM_jt + ω_jt + η_jt，采用OP法以投资作为不可观测生产率ω_jt的代理变量。第二步计算MRP：MRPK_jt = ln(β_K·Y_jt/K_jt)，MRPL类同。第三步测度离散度：Dispersion_t = SD(MRPK_jt) 或 90-10分位差。反事实模拟：假设消除扭曲后MRP均等化，重新分配资本与劳动力，计算总量TFP增益：ΔTFP = TFP_efficient - TFP_actual。控制变量包括行业集中度（HHI）、平均企业规模、出口占比、国企占比。

行业层面产出（Y）使用各行业增加值（现价经PPI分行业指数调整为不变价）。资本存量（K）以永续盘存法估算，基期资本存量采用Harberger（1978）方法，折旧率取行业特定值（5%-15%）。劳动力（L）使用行业平均从业人数。中间投入（M）以行业主营业务成本扣除折旧和工资后估算。样本覆盖38个工业二位码行业，时间跨度为2020年1月至2026年6月的月度/季度数据。价格指数来自国家统计局分行业PPI和GDP平减指数。

（1）替换TFP估计方法：以Levinsohn-Petrin方法（用中间投入作为代理变量）和Ackerberg-Caves-Frazer方法分别替代OP法，验证TFP测度的稳健性。（2）替换错配度量：以TFP的90-10分位差替代MRP离散度；以Olley-Pakes协方差分解（行业份额与TFP的协方差）作为错配的替代度量。（3）子样本分析：剔除石油加工、烟草等行政垄断行业，仅保留竞争性制造业行业。（4）调整需求侧度量：以投入产出表的前向关联度衡量各行业对最终消费的暴露程度，并在反事实模拟中允许需求结构的内生调整。（5）Bootstrap标准误：以1000次重抽样计算反事实TFP增益的置信区间，确保统计推断的有效性。

---

在标准凯恩斯框架中，财政支出的乘数效应依赖于私人部门的边际消费倾向（MPC）。2026年的特殊之处在于：商品消费（MPC较低，因必需品占比高、饱和度高）增速远低于服务消费（MPC较高，因体验型消费对收入和预期敏感）。房地产投资塌方（-18.0%）通过负财富效应进一步压低商品消费。同时，出口超预期增长（13.4%）提供了外需替代，但出口部门的就业和收入拉动集中在沿海制造业地区，对内需的乘数传导有限。提出：H1——财政支出对服务消费的乘数（约1.2-1.5）显著高于对商品消费的乘数（约0.4-0.7）；H2——在房地产投资深度收缩期，基础设施投资的GDP乘数低于房地产平稳期约30%；H3——出口高增长对内需的"渗漏效应"导致财政乘数的净效果被部分抵消。

采用Ramey（2011）的叙事法与Blanchard & Perotti（2002）的递归识别双策略。叙事法：利用国务院常务会议关于"加大逆周期和跨周期调节力度"的政策公告构造外生财政冲击时间序列——选取增量财政政策（如增发国债、提高赤字率）的公告日期，按政策规模标准化后作为财政冲击的代理。递归识别：利用财政决策的制度性滞后（预算编制与执行周期），将财政支出排序在GDP之前。排他性条件：增量财政政策公告主要反映中央对经济形势的判断和主动调节意愿，在同一季度内不受到当期GDP和消费的直接影响。

采用Jorda（2005）局部投影法：

y_{t+h} - y_{t-1} = α_h + β_h·shock_t + Σ_{j=1}^{p} γ_{j,h}·y_{t-j} + Σ_{j=1}^{p} θ_{j,h}·X_{t-j} + δ_h·t + ε_{t+h}

其中y依次为GDP、商品零售额、服务零售额、固定资产投资；shock_t为叙事法识别的财政支出冲击；h=0,1,...,12为季度。核心参数β_h为累积乘数。将商品消费和服务消费的响应路径分别估计，比较消费结构差异。进一步引入状态依赖：β_h = β_{0,h} + β_{1,h}·I(房产投资增速< -10%)，检验房地产收缩状态下的乘数变化。所有回归使用Driscoll-Kraay标准误处理截面与时间相关。

财政冲击变量：叙事法——从国务院政策文件库中识别2026年上半年涉及"逆周期调节""扩大内需""促消费"的增量财政措施，以政策涉及金额/GDP作为冲击规模。商品消费与服务消费来自国家统计局月度社会消费品零售总额和服务零售额数据，经X-13季节调整。GDP使用季度支出法数据。控制变量：M2增速、银行间7天回购利率（DR007）、人民币实际有效汇率、上证综指收益率（代理财富效应）。样本为2010Q1-2026Q2的季度时间序列，共计66个观测。

（1）替换冲击识别：以季度一般公共预算支出中的"消费性支出"（教育、医疗、社保）与"投资性支出"（基建、科技）的分项冲击替代总支出冲击，检验不同支出类型的异质性乘数。（2）替换乘数估计方法：以Blanchard & Perotti的SVAR框架替代局部投影法，比较不同识别假定的稳健性。（3）控制出口外溢：在模型中加入出口交货值作为控制变量，排除外需对内需的替代或互补效应干扰。（4）滚动窗口估计：以10年滚动窗口估计时变乘数，追踪2020-2026年乘数的变化轨迹。（5）省级面板验证：利用省级财政支出与消费数据重复分析，以中央转移支付公式中的外生成分作为省级财政冲击的工具变量。

---

根据Bloom（2007）的不确定性-投资模型，当企业面临未来收益的不确定性时，投资的不可逆性使得"等待"具有实物期权价值。利润上升本身应促进投资，但如果利润改善源于短期因素（如成本下降、出口大幅增长）而非制度环境的长期改善，企业会将利润留存为现金而非用于扩大再生产。具体机制：（a）政策不确定性提高使企业提高投资的"hurdle rate"，即使当期利润良好也不愿投入；（b）产权保护预期弱化使民营企业担心长期资产的权益安全；（c）行业规制的不确定性（如"防止无序扩张"的政策信号）使企业担忧进入新领域的合规风险。提出：H1——制度不确定性每上升一个标准差，企业投资对利润的敏感度下降20-30%；H2——民营企业对制度不确定性的投资抑制效应比国有企业强1.5-2倍；H3——在市场化指数前25%的省份，制度不确定性的投资抑制效应显著减弱。

面临的核心内生性问题：制度不确定性可能是经济放缓的结果而非原因，且企业的利润表现与投资决策同时受到未观测因素影响。采用三个策略：（a）以省级领导干部的预期任期剩余时间作为制度不确定性的工具变量——官员在任期末年的政策不确定性因"换届效应"而外生升高；（b）以Bartik方式构造的行业层面全国性政策变动频率与基期各省民营经济占比的交乘项；（c）利用省级营商环境改革试点（如"最多跑一次"改革）的准自然实验，以双重差分识别制度改善对投资的因果效应。排他性条件：官员任期剩余时间与企业经营状况无直接关联，且仅通过制度预期渠道影响投资。

基准面板模型：

Investment_{i,t} = α + β₁·Profit_{i,t-1} + β₂·InstUncertainty_{p,t} + β₃·Profit_{i,t-1} × InstUncertainty_{p,t} + γ·Controls_{i,t-1} + μ_i + λ_t + ε_{i,t}

其中Investment = (购建固定资产、无形资产和长期资产支付的现金) / 期初总资产；Profit = 营业利润 / 营业收入。核心系数β₃衡量制度不确定性对利润-投资转化率的边际影响。进一步的中介分析：检验现金持有（现金及等价物/总资产）是否为不确定性抑制投资的中介渠道。以省份-行业层面的民营企业平均投资率作为被解释变量进行聚合层面的验证。在异质性分析中，按所有制、规模、行业竞争程度分组回归。

制度不确定性指数IUI：对31个省份2015-2026年的政府工作报告进行文本分析，统计"加强监管""规范""整治""清理""防止无序扩张"等规制性词频与"鼓励""支持""放宽""包容审慎"等促进性词频，构建规制-促进比率RPR。同时对北大法宝数据库中的省级法规规章颁布数量进行时间序列分解，将不可预测的法规变动成分（GARCH模型的波动项）作为不确定性的补充度量。两者经主成分分析合成为IUI。企业数据来自A股非金融上市公司，剔除ST/*ST和当年IPO公司，所有连续变量在1%和99%水平缩尾。最终样本约3500家公司×11年。

（1）替换制度不确定性度量：以Baker, Bloom & Davis方法构造的中国EPU指数月度均值作为IUI的替代；以企业家信心指数（央行季度调查）的反向指标作为不确定性感知的替代度量。（2）替换投资度量：以资本性支出/固定资产净值、固定资产投资现金流出/总资产等替代指标验证。（3）安慰剂检验：以利润与未来两年（而非当期）的制度不确定性交互，预期不显著（排除预期不到的远期不确定性对当期决策的影响）。（4）排除替代解释：逐一加入融资约束（SA指数）、企业成长机会（托宾Q）、行业集中度（HHI）作为控制变量，检验制度不确定性效应的独立性。（5）PSM-DID：以营商环境改革试点省份的企业作为处理组，以倾向得分匹配的控制组企业作为对照，估计制度改善对投资的影响。

---

Rodrik（2016）发现发展中国家制造业就业和增加值占比峰值出现时的人均收入水平远低于发达国家历史上相应拐点的收入水平，称之为"过早去工业化"。中国2026年的数据呈现矛盾信号：制造业增加值占比（26.2%）仍接近历史正常水平，而服务业贡献率已达66.1%。但关键区别在于——高技术制造业仍在以13.3%的速度增长，这不是制造业的绝对萎缩，而是内部结构向高附加值方向集中。提出：H1——中国当前的结构转型不属于Rodrik定义的"过早去工业化"，因为制造业人均增加值仍在上升（"高质量再工业化"路径）；H2——中国制造业就业占比下降速度快于增加值占比，意味着制造业内部的劳动生产率在快速提升（资本深化+技术升级），这与发展中经济体的典型去工业化模式不同；H3——在跨国比较中，高技术制造业占比每提高1个百分点，制造业增加值占比的下降速度减缓约0.3个百分点，形成对去工业化的"缓冲效应"。

采用双重比较策略。跨国层面：构建60个国家2000-2026年的面板数据，以各国互联网普及率的历史水平（1995年，即数字经济兴起前）与当期全球高技术产业增长率的交乘项作为各国高技术产业发展水平的工具变量——早期互联网基础设施决定了数字经济的起步条件，但与当期制造业占比无直接关联（排他性条件）。国内层面：以中国各省份2000年的理工科高校毕业生占比（大学扩招前）与全国高技术制造业增长的Bartik交乘项作为各省高技术产业发展的工具变量——早期的理工人才积淀决定了承接高技术产业的能力，但与当期的服务业发展无直接关联。

跨国面板门槛回归模型：

ManufacturingShare_{c,t} = α + β₁·log(GDPpc_{c,t}) + β₂·HighTechShare_{c,t} + β₃·log(GDPpc_{c,t}) × I(HighTechShare > γ) + δ·Controls + μ_c + λ_t + ε_{c,t}

其中HighTechShare为高技术制造业增加值占制造业总增加值的比重，I(·)为门槛指示函数，γ为待估计的门槛值。若β₃ > 0，说明高技术占比高于门槛值时，人均收入上升对制造业占比的向下拉力减弱。省内层面：

IndustryUpgrade_{p,t} = α + β·Bartik_HighTech_{p,t} + γ·X_{p,t} + μ_p + λ_t + ε_{p,t}

其中IndustryUpgrade为制造业升级质量指数MUQI（综合高技术制造业占比、制造业劳动生产率、制造业R&D强度）。控制变量包括城镇化率、FDI占GDP比重、基础设施密度、人力资本指数。

制造升级质量指数MUQI：三个维度等权合成——（a）高技术制造业占比（中高技术行业增加值/制造业总增加值）；（b）制造复杂指数（基于产品空间的PCI指数，使用哈佛Atlas数据）；（c）制造业劳动生产率（制造业增加值/制造业从业人数）。跨国样本：60个经济体2000-2026年，包括20个高收入、20个中高收入、20个中低收入国家。制造业分类采用ISIC Rev.4二位码，高技术制造业按OECD分类标准（医药、计算机与电子、航空航天等）。中国省级样本：31省2010-2026年。服务业分类按知识密集度分为现代服务业（信息技术、金融、科技服务）和传统服务业。

（1）替换结构转型度量：以就业结构（制造业就业/总就业）替代增加值结构作为去工业化的代理变量，检验结论是否稳健。（2）替换高技术制造业分类：以中国高技术产业统计分类标准替代OECD标准；以行业R&D强度（R&D支出/增加值）的连续度量替代二元分类。（3）子样本排除：从跨国样本中剔除资源型经济体（自然资源租金/GDP > 20%）和人口 < 300万的小型经济体。（4）替换跨国估计方法：以系统GMM替代固定效应处理人均GDP的内生性；以动态面板门槛模型（Seo & Shin, 2016）替代Hansen静态门槛。（5）反事实模拟：基于跨国回归结果模拟中国在"假设高技术制造业占比处于样本中位数"情形下制造业占比的演化路径，与实际情况对比。

---

在Autor-Levy-Murnane任务模型和Acemoglu-Restrepo自动化任务框架中，工业机器人的引入同时产生：替代效应（常规重复性中等技能岗位减少）、生产率效应（企业扩张增加非自动化岗位需求）和任务创造效应（新的人机协作岗位出现）。中国2026年的独特之处在于机器人应用加速（产量增28.0%）与劳动力市场总体仍偏紧（失业率仅5.0%）并存。提出：H1——机器人渗透率越高的城市，中等技能制造业岗位的就业份额下降越快，同时高技能技术岗位和低技能服务岗位的就业份额上升（就业极化）；H2——从制造业转入服务业的工人在转岗后2年内经历约10-15%的工资折价，反映了职业特定人力资本的损失；H3——数字化程度越高的城市（以数字经济占GDP比重衡量），服务业吸收制造业转移劳动力的能力越强，技能错配越小。

构建城市层面的机器人渗透率工具变量：以全国层面各行业工业机器人安装密度（IFR数据）按各地级市2015年基期行业就业份额加权（Bartik方法）。但中国各城市的行业就业结构可能与不可观测的劳动市场特征相关。因此进一步采用Acemoglu & Restrepo（2020）的"其他发达国家机器人渗透率"作为工具变量：以德国、日本、韩国、美国四国各行业的机器人渗透率（按中国城市基期行业结构加权），排除中国国内需求对机器人安装的内生影响。排他性条件：发达国家的机器人技术进步和安装决策由全球技术前沿推动，与中国某一城市的劳动力市场特征无关，仅通过影响中国企业可获得的机器人技术间接影响本地就业。微观层面利用CLDS的个体面板固定效应消除不随时间变化的个体能力偏差。

城市-行业层面的基准模型：

ΔEmpShare_{j,c} = α + β·RobotExposure_{j,c} + γ·X_{j,c,2015} + μ_c + ε_{j,c}

其中RobotExposure = (行业j的机器人渗透率) × (城市c在行业j的2015年就业份额)，被解释变量ΔEmpShare为行业j在城市c的就业份额变化（2015-2026）。个体层面的DID模型：

lnWage_{i,t} = α + β₁·Switch_i × Post_t + β₂·Switch_i + β₃·Post_t + γ·Z_{i,t} + μ_i + λ_t + ε_{i,t}

Switch_i = 1表示个体从制造业转入服务业，Post_t = 1表示转岗后的时期。个体固定效应μ_i吸收不随时间变化的个人能力。进一步加入Mismatch指数与Switch×Post的三重交互，检验错配程度对工资折价的调节效应。

机器人渗透率：IFR全球工业机器人安装数据库提供分国家-行业的年度安装量和存量数据。将中国的行业-城市就业份额与IFR行业机器人密度匹配。技能分类：基于CLDS的职业代码和学历，（a）高技能：专业技术人员和管理人员（本科及以上）；（b）中等技能：制造业操作工、行政事务人员；（c）低技能：服务业一线人员（初中及以下）。人力资本错配指数HCMI = w₁·|Educ_i - Educ_j| + w₂·|ExpIndustry_i| + w₃·|Certification_i - Requires_j|，其中Educ_j为转入行业的平均学历，ExpIndustry为因转行而损失的行业特定工作经验年数。工资数据使用CLDS自报月工资（含奖金）和智联招聘岗位月薪中位数相互验证。控制变量：年龄、性别、婚姻状态、户籍（农业/非农业）、党员身份、工会会员。

（1）替换机器人渗透率度量：以中国各省份的机器人进口金额（海关HS编码847950）替代IFR安装数据；以工业机器人产量数据（国家统计局分省数据）构造替代度量。（2）替换极化度量：以工资分位数的变化（90-50、50-10分位工资比）替代就业份额变化；以任务内容变化（使用O*NET中国版任务数据库）直接度量常规任务替代程度。（3）微观层面替代样本：以CFPS（中国家庭追踪调查）数据替代CLDS重复个体层面的工资分析。（4）安慰剂检验：将机器人渗透率对人的影响限定在非制造业从业者样本中，预期该群体不应受到机器人渗透的直接影响（若显著则说明存在遗漏变量偏误）。（5）Heckman两步法纠正个体转岗决策的自选择偏误：以配偶就业行业、本地制造业岗位流失率作为第一阶段Probit的排他性约束变量。

---