经济数据速览：10组数字看中国经济半年报

根据Kuznets事实，结构转型中资源从低生产率部门向高生产率部门流动是总量增长的核心驱动力。但当传统部门过快萎缩时，若新部门吸收能力不足，将产生"创造性破坏"的净损失——即被摧毁的旧岗位与新创造的新岗位之间存在技能、地域、时间三重不匹配。2026上半年数据显示，虽然高技术制造业增长强劲（13.3%），但其所吸纳就业占总就业比重尚有限，而建筑业（受房地产-18.0%拖累）释放了大量劳动力，可能面临严重的结构摩擦。H1：高技术制造业GDP增量已超过传统投资下滑带来的GDP减量（"净增益为正"）；H2：服务业的要素吸收弹性（就业增长/增加值增长）约为制造业的2倍，是转型期就业缓冲的关键部门；H3：知识产权产品投资增长9.4%对新动能TFP的贡献显著高于传统基建投资，存在"无形资本溢价"。

核心识别挑战在于区分"部门自身增长"与"要素跨部门再配置"对总量增长的贡献。采用Fabricant-Shift-Share三因素分解：总量劳动生产率增长率 = 部门内效应（各行业自身劳动生产率增长按基期份额加权） + 静态再配置效应（就业份额变化） + 动态再配置效应（交互项）。内生性问题：部门增长率受同期产业政策冲击（如新能源汽车补贴、减税降费），使用OECD国家对应行业增长率作为行业全球技术冲击的工具变量。进一步利用2018年中美贸易摩擦对不同行业的差异性冲击（关税暴露度）作为行业增长的外生变动来源。

Shift-Share分解：ΔP_t = Σ_i ω_{i,t-τ} · Δp_{i,t} + Σ_i p_{i,t-τ} · Δω_{i,t}，其中P为总量劳动生产率，p_i为行业i的生产率，ω_i为行业i的就业份额，τ为间隔期。面板回归模型：TFP_{i,t} = α + β · NewEngine_{i,t} + γ · OldEngine_{i,t} + δ · X_{i,t} + μ_i + λ_t + ε_{i,t}，其中NewEngine为行业新动能指数（研发强度+数字化资本份额+高技术产品占比的PCA合成），OldEngine为旧动能依赖度（高耗能行业产值占比）。将25个两位数行业按新旧动能指数分为三分组，进行组间对比分析。

被解释变量TFP采用ACF（Ackerberg-Caves-Frazer）方法估计——以中间投入为代理变量，优于OP/LP方法解决函数依赖共线性。核心解释变量新动能指数以主成分分析法合成，涵盖研发强度（研发支出/营业收入）、数字资本份额（ICT资本/总资本）、高技术产品占比、专利密度（发明专利/总产出）。数据区间为2019Q1至2026Q2，覆盖6个高技术制造业子行业和19个传统制造及服务子行业，合计25个行业约190组行业-季度观测值。

（1）替换TFP估计方法：以LP和Wooldridge-GMM方法交叉检验ACF结果的稳健性；（2）剔除疫情异常期（2020Q1-2022Q4），仅用2023Q1-2026Q2后疫情数据重新估计；（3）以增加值份额替代就业份额进行Shift-Share分解，检验权重选择对分解结果的影响；（4）省级面板替代行业面板——以各省新动能占比为解释变量，检验结构转型效应的地区异质性；（5）利用Bartik工具变量（全国行业增长率×省初期行业份额）进行双向固定效应回归，校正遗漏变量偏误。

---

凯恩斯乘数理论预测，在有效需求不足（产出缺口为负）时，财政支出的乘数效应更大。然而，当前中国面临的是"内外需剪刀差"——出口强劲（+13.4%）而消费疲弱（+1.3%）。Thirlwall模型指出，出口快速增长可通过收入效应扩大总需求，但"荷兰病"机制警告：贸易品部门繁荣可通过实际汇率升值和要素价格上升，挤出非贸易品部门（消费服务业）。上半年M2增长8.0%而企业中长期贷款仅增长5.9%指向银行"愿贷"但企业"不愿借"的困境。H1：当前财政乘数（政府支出/GDP拉动系数）约1.2-1.5，略低于疫情前的1.5-1.8水平，反映政策效应衰减；H2：外贸乘数（出口/GDP拉动系数）约为1.8-2.2，显著大于财政乘数，出口是当前最主要的总需求驱动力；H3：出口繁荣通过要素市场（劳动力和信贷资源向贸易品部门倾斜）对内需存在显著挤出效应——出口每增1个百分点，社会消费品零售增速下降约0.2-0.3个百分点。

财政乘数估计的核心识别问题是政策冲击的内生性（自动稳定器效应）。采用Blanchard & Perotti（2002）的递归识别方案：假设政府支出不受同期GDP冲击影响（决策和实施存在制度性时滞），但产出冲击可即时影响税收。外贸冲击的识别以G7国家加权工业产出指数作为中国出口的外生工具变量——这一变量与中国的国内需求冲击（消费、投资偏好）在同期不相关。信贷冲击采用Romer & Romer（2004）叙事法——以央行货币政策报告中的"措辞变化"时间点标记政策意图转变。

基准SVAR包含5个内生变量：Y_t = [g_t, nx_t, cr_t, y_t, π_t]' ——政府实际支出、净出口（占GDP比例）、实际信贷余额、实际GDP、核心CPI。结构模型：A₀Y_t = ΣAᵢY_{t-i} + Bε_t，其中A₀为同期约束矩阵，基于Blanchard-Perotti识别（政府支出排序第一）。脉冲响应函数计算各冲击对GDP的累积效应，乘数 = Σ(ΔGDP_{t+h})/ΔShock_t。状态依存局部投影法：y_{t+h} - y_{t-1} = β^R_h · shock_t · I(recession_t=1) + β^N_h · shock_t · I(recession_t=0) + γX_t + ε_{t+h}，其中recession定义为产出缺口连续2季为负。

所有变量经X-13-ARIMA季节性调整并以CPI平减。政府支出为一般公共预算支出（剔除债务付息）。信贷为社融规模存量（剔除股权融资）。产出缺口以HP滤波（λ=1600）分离趋势与周期成分。净出口为海关口径出口-进口。控制变量包括G7加权增长率（反映外需）、石油价格（反映供给冲击）、政策利率（DR007均值）。样本覆盖2010Q1至2026Q2（66个季度），滞后阶数由AIC确定为2阶。

（1）替换识别策略：采用符号约束（sign restrictions）替代递归约束——财政支出冲击对GDP为正、对赤字为正，货币冲击对利率为负、对CPI为正；（2）样本分割——将2010-2019（正常期）与2020-2026（后疫情期）分别估计，检验乘数结构的断点；（3）TVP-VAR允许参数随时间平滑演变——在产出缺口更负时，乘数应更大；（4）以信贷脉冲（新增社会融资/GDP）替代M2作为融资条件指标；（5）将净出口拆分为"趋势成分"（由全球GDP驱动）和"残差成分"（中国特有因素），分别纳入SVAR，区分外需驱动型与竞争力驱动型出口的影响差异。

---

前景理论认为，人类对损失的敏感度约为对等量收益的2.25倍——这意味着一个领域的负面信号（房价下跌或局部裁员）可以使公众忽略其他领域的正面信号（出口增长或高技术制造业繁荣）。可得性启发指出，人们倾向于以最容易回忆的事件频率来推断总体——"房价下跌18%"或"青年失业"等话题因高媒体报道频率而显得更具代表性，导致过度外推。叙事经济学进一步指出，社交媒体上流行的"消费降级""内卷"叙事构成了自我强化的悲观共识。H1：公众对宏观经济的感知偏差（客观GDP增速与主观经济信心之差）与"负面信息暴露强度"（房价下跌城市比例×失业关键词搜索量）显著正相关；H2：过去12个月内有过"损失经历"的家庭（房价账面亏损、工资下降、被裁员）对经济的评价偏差显著高于无损失经历的家庭；H3：当个人"损失经历领域"与其对整体经济评价的权重正相关——即经历房价下跌的人对整体经济的评价更悲观（损失经历的情绪溢出效应）。

核心挑战在于公众经济感知与个人经济状况之间的双向因果——对自己经济状况满意的人可能对宏观经济更乐观，而这种乐观本身可能通过消费改善经济。采用两阶段识别：第一阶段，以"所在城市房价下跌幅度×个体是否持有住房"作为个人损失经历的工具变量——房价下跌是宏观外生冲击（受全国性政策与金融条件驱动），与个体自身的消费偏好不直接相关；第二阶段，使用百度搜索指数中的"关键词搜索量"作为公众注意力分配（attention allocation）的代理变量——高搜索量关键词所对应的经济领域在公众感知中获得更大权重（可得性权重加权估计）。

感知偏差度量为：Bias_i,t = GDPGrowth_t - SubjectEcon_i,t，其中SubjectEcon_i,t为CGSS问卷中"您对过去一年中国经济总体状况的评价"（5分制，标准化至可比尺度）。基准回归：Bias_i,t = α + β₁ · BadNewsExposure_i,t + β₂ · LossExperience_i,t + β₃ · BadNewsExposure_i,t × LossExperience_i,t + γX_i,t + λ_prov + μ_t + ε_i,t。拓展模型：经济评价 = Σ_j w_j · Signal_j，其中w_j（领域j的权重）= w_j⁰ + Δw_j × Attention_j，Attention_j以百度搜索关键词j的搜索热度衡量——检验"可得性权重"是否偏离了理性贝叶斯权重。

被解释变量感知偏差以CGSS历年"宏观经济评价"问题与当年国家统计局公布GDP增速的标准化差值衡量。负面信息暴露强度：城市级房价下跌幅度×媒体报道量（以"房价下跌"百度指数达峰月份数衡量）。损失经历以CGSS问卷中"过去一年家庭经济状况变化"（变差=1）衡量。百度经济情绪指数以7个关键词（"经济衰退""裁员""降薪""断供""消费降级""法拍房""存款"）的月度搜索量主成分分析构建。样本覆盖CGSS 2015-2024各轮次约12,000份个体问卷。

（1）替换主观经济评价变量：以央行城镇储户调查中的"未来收入信心指数"和"未来就业预期指数"替代CGSS评价，利用月度高频数据进行交叉验证；（2）使用微信指数替代百度指数作为注意力代理变量，检验不同平台搜索行为的一致性；（3）内生性处理——利用"自然灾害冲击"（当年各省洪涝受灾面积/GDP）作为"负面情绪"的外生工具进行安慰剂对照——若自然灾害显著加大感知偏差，则证明负面情绪确有传导效应；（4）跨国比较——利用World Values Survey的中国受访者子样本与韩国、日本的同期经济感知偏差进行横向比较，检验"悲观锚定"是否具有中国特殊性；（5）排除"实际经济状况差异"——控制个体层面的家庭收入、就业状态、资产组合后，检验行为偏差效应是否依然显著。

---

周黎安的"晋升锦标赛"理论指出，在以GDP增长为核心的政绩考核体系下，地方政府有强烈激励将资源投向前期见效快、可视性强的领域（基础设施建设、招商引资），而忽视难以在任期内见效的领域（居民消费、公共服务）。2026上半年数据的结构性分化——固定投资下滑（-5.7%）主要源于房地产（-18%）而非基建的主动收缩，出口高速增长（+16.9%）受益于前期产业政策，消费低迷（+1.3%）则反映地方政府缺乏刺激消费的有效工具和激励——恰好符合锦标赛理论的预测。H1：地方政府"稳增长"注意力（政府工作报告中"投资""工业""项目"三词频率）与"促消费"注意力（"消费""内需""收入"频率）呈显著负相关——注意力之间零和竞争；H2：主政官员任期第3-4年（晋升前关键期），地方政府基建投资增速显著高于其他年份——"周期效应"反映政绩激励的时间结构；H3：垂直管理（中央收紧地方法人银行信贷权限）比横向竞争更能解释地方投资的顺周期性变化。

核心挑战是将"央地博弈"和"晋升激励"等政治经济学概念操作化。本研究采用"文本注意力"作为地方政府政策偏好的观测变量——以省政府工作报告中特定关键词的词频占比衡量。官员任期（年）作为晋升激励强度的代理变量（倒U形：任期中期激励最强）。识别策略：（1）以省委书记的"年龄是否即将达到65岁退休线"作为晋升激励的外生截断点进行断点回归（RDD）——临近退休的官员晋升无望，其政绩激励将减弱；（2）空间面板模型检验相邻省份间的基建投资是否存在"竞相攀比"（yardstick competition）——若A省增加投资后B省跟进，则反映晋升竞赛的存在；（3）以中央经济工作会议后各省响应速度（政策发布时间差）作为地方自主性与中央权威性的度量指标。

空间Durbin面板模型：I_{i,t} = ρ · Σ_j w_{ij}I_{j,t} + β · Promotion_i,t + θ · Σ_j w_{ij} · Promotion_j,t + γX_{i,t} + μ_i + λ_t + ε_{i,t}，其中I为相应投资增速，w_{ij}为省份间空间权重矩阵（经济距离或地理邻接），Promotion为晋升激励强度（任期×年龄交互项），ρ捕捉空间策略互动效应。注意力分配模型：Attention^C_{i,t} = α + δ · Attention^I_{i,t} + φ · Term_{i,t} + γ · GDPgap_{i,t} + η_i + ε_{i,t}，其中Attention^C为消费注意力，Attention^I为投资注意力，Term为任期变量，GDPgap为地区产出缺口。

文本注意力变量通过NLP分词对31个省政府工作报告（2015-2026，共约372篇）进行主题建模（LDA），提取"稳增长"、"促消费"、"调结构"、"防风险"四个主题，以各主题词频占比为注意力占比。晋升激励：以省长与省委书记的任职年数（Term）和距离65岁退休的年数（Age_to_65）的交乘项构建激励指数——Term小且Age_to_65大的官员激励最强。空间权重矩阵：经济距离矩阵（按人均GDP差距倒数加权）和地理邻接矩阵（1=毗邻，0=不毗邻）。数据覆盖31省2015-2026年面板。

（1）替换注意力度量方法——以各省预算支出结构（资本性支出vs消费性支出占比）替代文本注意力，用"行动施政"检验"文本施政"的一致性；（2）利用2018年中央"高质量发展"考核改革（降低GDP权重）作为外生政策冲击，DID检验考核体系变化是否改变了地方政府的注意力结构；（3）以地级市面板（约290个城市）替代省级面板，利用城市层面官员的更精确任期数据进行RDD估计；（4）排除宏观经济周期性因素——控制国家层面统一的经济周期（全国GDP增速、M2增速）后再检验省级间策略互动的显著性；（5）将分析拓展至区县级——比较不同行政层级间晋升激励的结构性差异，检验"锦标赛"是否逐级传导。

---

Acemoglu & Autor（2011）任务模型预测，技术进步通过替代中等技能的常规性任务（routine tasks），导致就业结构向高低两端极化——高技能管理者/工程师岗位与低技能服务员/骑手岗位同时扩张，中间技能制造业岗位收缩。2026上半年数据中，高技术制造业增加值快速增长（13.3%）但其劳动密集度低（自动化和机器人替代率高——工业机器人产量增长28%），而服务业吸纳更多就业（贡献率66.1%）但岗位大量集中于住宿餐饮、社区服务等低工资、低福利领域。结果：就业总量稳定但"有效劳动收入"增长不足，无法支撑消费扩张。H1：2023-2026年间新增就业中，服务业（尤其是生活性服务业）占70%以上，而其中"非标准就业"（零工、灵活就业）占比超过50%，其平均工资仅为制造业正式工的60-70%；H2：就业质量指数（工资中位数×社保覆盖率×合同签订率）与居民消费增速的相关性显著高于失业率——就业质量变化对消费的解释力约为失业率变化的2-3倍；H3：城市层面制造业就业每缩减1%，居民消费下降0.5-0.8%，其中约一半效应通过工资通道传导，另一半通过"就业不确定感上升→预防性储蓄增加"的行为通道传导。

就业结构变化的内生性来自地方特有的产业政策与初始禀赋的联合影响。采用Bartik工具变量：以全国层面各行业就业增长率乘以城市初始各行业就业份额，预测城市的就业结构变化——全国行业趋势由技术变革和全球市场需求驱动，与地方特有的消费偏好不相关。在个体层面，利用CFPS面板的个体固定效应模型控制不随时间变化的个人消费习惯与风险态度。双重差分的辅助设计：以"城市是否被纳入数字经济综试区"（更多出现骑手型岗位）作为就业结构变化的准自然实验，比较试验区与非试验区居民的消费变化。

个体层面：lnC_{i,t} = α + β₁ · JobQuality_{i,t} + β₂ · EmpStatus_{i,t} + β₃ · lnWage_{i,t} + γX_{i,t} + μ_i + λ_t + ε_{i,t}，其中JobQuality为个体就业质量指数（工资、社保、合同、工时四维度加权），EmpStatus为就业状态（标准就业/灵活就业/未就业），关键检验的是在控制工资水平后，就业质量本身是否仍对消费有独立影响。城市层面：ΔlnC_{c,t} = α + β₁ · RoutineJobShare_{c,t} + β₂ · PolarizationIndex_{c,t} + γZ_{c,t} + λ_t + ε_{c,t}，其中RoutineJobShare为常规任务型工作的就业占比，PolarizationIndex为就业极化指数（高技能与低技能岗位占比之和）。

就业质量指数：从四维度构建——小时工资（低于当地最低工资的1.5倍=低质量）、社会保险覆盖率（五险一金中至少有三项=高质量）、劳动合同签订率（无合同=低质量）、周工作时间（超过48小时=过度劳动）。就业极化指数：基于O*NET中国化的任务内容测度，将各行业按常规性、抽象性、手工性任务强度分类，计算高/中/低三档技能岗位的就业份额。CFPS提供家庭消费支出和户主就业状态、工资信息（约16,000户/轮次）。CMDS提供流动人口的详细就业信息（约180,000人/轮次）。数据跨度为2014-2024年。

（1）替换就业质量指数构建——以等权重替代主成分权重复合，检验维度权重选择对结果的影响；（2）以"行业-职业层面的外派劳务合同签订率"替代个体层面的合同签订状态，避免个体报告的测量误差与自选择偏误；（3）Heckman两步法纠正就业状态的选择偏误——将家庭人口结构（是否有学龄前儿童/老人）作为就业参与的工具变量；（4）区分"消费结构"而非仅总量消费——检验就业质量下降是否主要挤出了耐用品消费（受不确定性影响最大）而对必需消费影响较小；（5）利用外卖平台进入不同城市的时间差作为"零工经济扩张"的外生冲击，进行交错DID估计——检验平台型就业的进入是否显著改变了当地居民的总消费与储蓄率。