国际媒体积极评价中国推动人工智能发展与全球人工智能治理——"让人工智能更好地增进人类福祉"

基于Gerschenkron的后发优势理论，后发国家可通过技术模仿与制度创新实现跨越式追赶。开源人工智能模型降低了算法获取门槛，使中国企业能够以更低成本接入前沿技术，并通过二次创新形成自主知识产权。Abramovitz的追赶假说进一步指出，技术差距越大，追赶潜力越强。据此提出：H1：开源模型发布后，中国AI企业在全球专利份额和高质量专利占比显著上升；H2：开源生态通过降低研发成本和缩短学习曲线促进技术追赶；H3：该技术追赶效应在计算机视觉和自然语言处理领域强于通用基础模型领域。

利用中国主要开源AI模型（如DeepSeek、Qwen等）发布时点作为准自然实验，构建多期双重差分模型。以全球AI企业为样本，比较中国企业与对照组国家企业在开源发布前后的专利质量和市场份额变化。为缓解内生性问题，采用Bartik式工具变量：以模型开源前各国AI基础研究投入和算力基础设施作为技术采纳潜力的外生代理变量。关键识别假定：开源发布时点对单个企业而言外生；对照组国家未同时经历类似技术供给冲击。

基准回归方程为：

Y_{ict} = α + β OpenSource_t × China_c + γ X_{ict} + μ_i + λ_t + δ_c + ε_{ict}

其中Y_{ict}表示企业i在t年的专利质量（如平均被引次数）或全球市场份额；OpenSource_t为开源模型发布虚拟变量；China_c为企业所在国是否为中国；X_{ict}为控制变量向量；μ_i、λ_t、δ_c分别为企业、年份、国家固定效应。β为核心系数，预期显著为正。中介模型进一步检验研发成本下降和学习曲线缩短的机制路径。

被解释变量包括：AI专利申请量、被引次数加权专利质量指数、模型下载量市场份额。核心解释变量依据国产开源模型在GitHub/Hugging Face的发布日期构造。控制变量包括企业研发投入强度、员工中研发人员占比、前期专利存量、国家层面算力基础设施指数。样本期为2018—2026年，覆盖中美欧主要AI企业，数据来自国家知识产权局、智慧芽、Wind和开源社区。

（1）替换技术追赶测度：以专利创新性指标（如 novelty score）替代被引次数，检验结论对技术质量测度的敏感性；（2）安慰剂检验：随机抽取500组伪开源发布时点，估计系数应围绕0分布；（3）改变对照组：分别以韩国、日本或印度企业为对照组，观察结果稳健性；（4）排除同期政策干扰：控制"人工智能+"行动和地方政府AI专项补贴的影响；（5）使用PSM-DID重新匹配处理组与对照组，降低样本选择偏误。

---

根据Bain的市场结构—行为—绩效范式，高速增长的新兴产业往往伴随大量企业进入，但后续会经历洗牌和市场集中度提升。可竞争市场理论则强调潜在进入威胁对在位企业定价行为的约束。在AI产业中，算力和数据要素的异质性可能导致资源向头部企业集中，引发配置效率损失。据此提出：H1：中国AI产业存在显著的资源错配，资本和劳动的边际产出在企业间差异较大；H2：市场集中度与全要素生产率呈倒U型关系；H3：政府补贴在短期内缓解融资约束，但长期可能诱发低效企业过度进入。

采用Olley-Pakes生产率分解方法，将行业层面TFP增长分解为企业内部效率提升、企业间资源配置改善和进入退出选择效应。通过比较实际产出配置与有效配置下的TFP差距，量化资源错配程度。为识别因果关系，利用不同城市AI产业政策的实施时点差异构建双重差分模型。关键识别假定：政策实施时点在城市间存在外生差异；控制变量能吸收同期宏观经济冲击和行业技术周期。

资源配置效率的测算基于HK错配模型框架：

TFPR_i = P_i × MP_i

其中TFPR_i为企业i的收益全要素生产率，P_i为产出价格加成，MP_i为要素边际产出。在完全竞争和零扭曲条件下，所有企业TFPR应相等。通过估计企业层面资本和劳动的扭曲税，计算TFP损失。基准回归模型为：

Misallocation_{ct} = α + β Subsidy_{ct} + γ MarketConc_{ct} + X_{ct}′δ + μ_c + λ_t + ε_{ct}

其中Misallocation_{ct}为城市c在t年的资源错配指数，Subsidy_{ct}为AI产业补贴强度，MarketConc_{ct}为市场集中度，β预期为负，γ预期为正。

被解释变量为城市层面AI产业资源错配指数（基于HK方法测算）。核心解释变量包括政府AI补贴强度（补贴金额占AI产业增加值比重）和赫芬达尔指数（HHI）。控制变量包括城市人均GDP、研发投入强度、数字基础设施水平、高校数量。企业层面数据来自国家企业信用信息公示系统和天眼查，财务数据来自上市公司年报及中国工业企业数据库，样本期为2015—2026年。

（1）替换市场集中度指标：以CR4、CR8替代HHI，检验市场结构测度敏感性；（2）改变资源错配测算方法：分别使用OP法和ACF法测算TFP后再计算错配指数；（3）工具变量法：以城市历史文化产业基础作为AI补贴的工具变量，缓解反向因果；（4）分样本检验：按企业规模、所有制和地区分组，观察资源配置效应的异质性；（5）动态面板估计：使用系统GMM处理补贴政策的动态连续性。

---

Williamson指出，交易成本源于有限理性、机会主义和资产专用性。在跨境AI服务中，数据主权、算法透明度和伦理标准差异显著提高了合规成本和协调成本。治理规则通过统一标准、互认机制和责任分配降低这些制度性交易成本。据此提出：H1：AI治理规则对接显著促进双边数字服务贸易增长；H2：制度距离越大的国家间，规则对接的贸易促进效应越强；H3：规则对接对AI咨询、云计算和软件服务的促进作用大于硬件贸易。

利用中国与不同国家签署AI合作协议或共同加入国际AI治理文件的时点差异，构建多期双重差分模型。处理组为与中国实现AI治理规则对接的国家，对照组为未对接国家。为控制制度质量的潜在内生性，加入国家固定效应、年份固定效应和双边时间趋势。关键识别假定：规则对接时点外生于其他双边贸易冲击；处理组与对照组在事前具有平行的数字服务贸易增长趋势。

基准引力模型扩展为：

ln X_{ijt} = α + β AI_Governance_{ijt} + γ InstDistance_{ijt} + δ Z_{ijt} + μ_{ij} + λ_{i,t} + λ_{j,t} + ε_{ijt}

其中X_{ijt}为t年i国对j国的数字服务贸易额；AI_Governance_{ijt}为双边AI治理规则对接虚拟变量；InstDistance_{ijt}为制度距离（基于数据保护、算法监管、伦理标准的差异构建）；Z_{ijt}为传统引力变量；μ_{ij}为国家配对固定效应；λ_{i,t}、λ_{j,t}分别为出口国和进口国—年份固定效应。β预期为正。

被解释变量为UNCTAD数字服务贸易统计中的ICT服务、计算机服务、咨询服务出口额（美元计价，取对数）。核心解释变量依据各国与中国在WAIC、GPAI、WTO电子商务谈判中的规则对接程度构建连续指标或虚拟变量。制度距离基于OECD数字贸易监管指标和各国AI伦理准则文本编码。控制变量包括GDP、地理距离、共同语言、互联网普及率。样本期为2015—2026年，年度数据。

（1）替换被解释变量：以数字服务进口额和双边服务贸易总额分别回归；（2）替换制度距离测算：分别用欧式距离、绝对差值和主成分得分构建制度距离，观察系数稳定性；（3）安慰剂检验：随机分配规则对接时点至500组伪配对，系数应不显著；（4）排除其他贸易协定干扰：控制RCEP、CPTPP和双边自贸协定的生效时点；（5）使用PPML估计处理零贸易流和异方差问题。

---

根据Autor等的任务模型，技术进步通过替代常规认知和手工任务、互补非常规任务改变就业结构。Acemoglu进一步区分了使能型AI与替代型AI对劳动市场的异质影响。"人工智能+"行动推动AI与制造、医疗、教育、农业融合，可能创造新型高技能岗位，同时对 routine 认知岗位形成替代压力。据此提出：H1：AI技术渗透度高的行业，高技能岗位需求占比显著上升；H2：中等技能 routine 岗位需求相对下降，呈现岗位极化；H3：AI相关岗位的工资溢价高于传统IT岗位，且溢价在东部地区更大。

采用行业—城市—时间三重差分模型，将"人工智能+"行动的政策实施强度作为处理变量。利用不同行业和城市在AI基础设施、政策试点和产业基础上的差异识别因果效应。为缓解内生性问题，采用Bartik工具变量：以各行业在AI技术可替代任务上的事前暴露度与全国AI投资增长的交互项作为AI技术冲击的外生代理。关键识别假定：Bartik冲击外生于单个城市行业的劳动力需求变化；控制变量能吸收其他技术冲击。

基准回归方程为：

Y_{ijct} = α + β AIExposure_{ijt} + γ X_{ijct} + μ_{ij} + λ_{ct} + δ_{jt} + ε_{ijct}

其中Y_{ijct}为城市c行业j中职业i在t年的岗位数量对数或平均工资对数；AIExposure_{ijt}为AI技术暴露度指标；X_{ijct}为控制变量；μ_{ij}为职业—行业固定效应；λ_{ct}为城市—年份固定效应；δ_{jt}为行业—年份固定效应。β为正表示AI技术冲击增加了该岗位需求或工资。

被解释变量为招聘岗位数量、岗位工资水平和学历要求分布。核心解释变量AIExposure基于招聘文本中AI相关技能词频（如机器学习、深度学习、自然语言处理）和O*NET任务可替代性指数构建。控制变量包括城市GDP、行业规模、企业平均年龄、劳动力供给。数据主要来自2018—2026年主流招聘平台职位数据，匹配CLDS和CFPS的个体劳动供给数据。

（1）替换AI暴露度测度：分别以AI岗位占比、AI技能词TF-IDF权重和Frey-Osborne自动化风险指数重新构造核心解释变量；（2）改变样本区间：剔除2020—2022年疫情期间数据，排除特殊宏观冲击；（3）安慰剂检验：将政策时点提前两年，估计系数应不显著；（4）地区异质性检验：按东中西部和城市群分组，识别政策效果的空间差异；（5）企业层面固定效应：控制企业不可观测异质性，排除企业自选择进入AI领域的内生影响。

---

Krasner的国家利益理论指出，国际规则本质上是主导国利益的结构化表达。中国在AI治理中倡导"以人为本""共商共建共享"，实质是将技术普惠、数字主权和发展权纳入规则议程，以争取全球南方国家支持，形成对美欧"技术中心主义"治理路径的平衡。Olson的集体行动理论认为，小国倾向于搭便车，但当大国提供公共产品并降低协调成本时，联盟更易形成。据此提出：H1：发展中国家更支持强调数字主权和技术普惠的AI治理方案；H2：与中国存在数字基础设施合作的国家在AI治理议题上与中国立场更趋近；H3：各国对AI治理规则的立场由其技术水平、对美依赖度和国内制度特征共同决定。

利用联合国及其他国际组织中各国在AI治理相关决议上的投票行为构建因变量，采用面板Logit/有序Probit模型分析投票立场的决定因素。关键解释变量包括各国与中国在数字丝绸之路、AI培训、开源模型合作等方面的事前合作强度。为处理内生性问题，使用历史外交关系指数和地理距离作为工具变量。关键识别假定：历史外交关系不直接影响当前AI治理投票，仅通过当前合作渠道间接影响；模型控制了技术水平和政治制度差异。

基准模型为：

Vote_{it} = Φ(α + β ChinaTie_{it} + γ TechLevel_{it} + δ USAlly_{it} + θ Regime_{it} + X_{it}′η + μ_i + λ_t)

其中Vote_{it}为国家队i在t年AI治理决议上的投票立场（支持/弃权/反对）；ChinaTie_{it}为中国与该国在数字基础设施和AI培训领域的合作强度；TechLevel_{it}为该国AI技术水平；USAlly_{it}为对美安全依赖度；Regime_{it}为政治制度特征；μ_i、λ_t为国家与时间固定效应。β预期为正。

因变量为各国在联合国人工智能相关决议上的投票一致性指数（与中国投票一致的频率）。核心解释变量为中国对该国数字基础设施投资存量、AI培训项目数量和开源模型本地化部署情况。控制变量包括人均GDP、互联网普及率、V-Dem自由民主指数、与美国防务协定 dummy、与欧盟贸易依存度。样本期为2018—2026年，覆盖160个以上国家。

（1）替换联盟测度：以各国在ITU、UNESCO AI伦理宣言谈判中的共同提案国关系替代投票数据；（2）工具变量替换：以古代丝绸之路沿线关系或1970年代建交时间作为中国合作的工具变量；（3）排除经济援助混淆：控制中国对该国总体发展援助规模，区分AI合作与一般援助的影响；（4）分样本检验：按收入水平、地区和政治制度分组，识别联盟形成的异质性机制；（5）动态网络分析：使用指数随机图模型（ERGM）刻画AI治理合作网络的演化过程。