上半年我国规模以上工业增加值同比增长5.4%

新古典增长理论强调资源由低生产率部门向高生产率部门流动带来的配置效应。H1：电子、汽车、电气机械等高技术行业扩张越快，工业总体TFP提升越显著。H2：10个工业大省增速高于全国平均，反映区域间资本与劳动力再配置。H3：智能工厂与绿色工厂占比提升通过降低单位产出能耗促进行业TFP增长。

采用Hsieh-Klenow框架测算41个工业行业的要素错配程度，并以“重点行业政策支持力度”作为行业产出结构变化的外生冲击。使用shift-share工具变量，以全国层面行业增速与各地区基期行业结构的交互项作为本地工业结构的工具变量，缓解内生性问题。

构建行业层面TFP增长分解模型：ΔTFP_it = α + β·StructShift_it + γ·PolicyIntensity_it + δ·X_it + μ_i + λ_t + ε_it，其中StructShift为行业增加值占比变化，PolicyIntensity为智能工厂/绿色工厂密度。进一步使用OP方法将总体TFP增长分解为行业内增长与跨行业再配置效应。

核心被解释变量为分行业规模以上工业增加值TFP，采用LP/ACF方法估算；核心解释变量包括行业增加值占比、利润率和智能工厂渗透率。数据来源为国家统计局《工业统计年鉴》《中国工业经济统计年鉴》以及工信部公开的智能工厂名录与绿色制造名单。

（1）替换TFP估算方法，分别采用OLS、LP、ACF进行对比；（2）剔除电子和汽车行业，考察结论是否由少数高增长行业驱动；（3）使用省级面板数据替换行业面板数据；（4）控制地方债务与房地产周期对工业投资的干扰。

---

凯恩斯主义认为有效需求不足时，政府投资可通过乘数效应带动私人部门产出。H1：智能工厂与高端装备投资对工业增加值具有显著正向乘数效应。H2：投资乘数在经济下行期更大，体现逆周期调节特征。H3：10个工业大省因产业基础雄厚，其投资乘数高于全国平均水平。

利用地方政府专项债中“产业升级与智能制造”投向占比作为财政支出的外生冲击，结合省级工业投资与产出数据。以中央转移支付规模和土地出让收入作为工具变量，缓解地方政府投资内生性。采用Blanchard-Perotti方法识别财政冲击的当期效应。

构建面板局部投影模型：ΔY_{i,t+h} = α_i^h + β^h·ΔG_{it} + γ^h·X_{it} + μ_t^h + ε_{i,t+h}，其中Y为工业增加值或企业利润，G为智能制造相关财政支出。同时估计SVAR模型，分析投资冲击对产出、就业和价格的动态影响。

被解释变量为分省规模以上工业增加值增速；核心解释变量为智能制造专项债规模占工业投资比重。控制变量包括地方GDP、财政收入、信贷增速和出口依存度。数据来源于国家统计局、财政部政府债券信息披露平台以及Wind数据库。

（1）改变VAR滞后阶数与LP预测期数；（2）使用不同口径的智能制造投资（工信部名录与专项债投向交叉验证）；（3）剔除2020—2022年疫情冲击年份；（4）引入空间计量模型，控制省份间工业投资的溢出效应。

---

制度经济学关注正式制度如何通过降低交易成本与塑造激励机制影响经济绩效。H1：获得智能工厂认证的企业因信息不对称下降而融资成本降低。H2：认证等级越高，企业获得的政府补贴与税收优惠越多。H3：认证通过降低内部协调成本提升企业全要素生产率，且卓越级与领航级效应更显著。

以工信部分批公布的智能工厂名录作为准自然实验，采用多期DID比较认证企业与未认证企业在生产率、融资成本和补贴获取上的差异。使用PSM匹配规模、行业和地区特征相近的企业，并控制企业固定效应与时间固定效应。

构建多期DID模型：Y_{it} = α_i + λ_t + β·Certified_{it} + γ·X_{it} + ε_{it}，其中Certified为智能工厂认证虚拟变量，进一步区分为基础级、先进级、卓越级和领航级。被解释变量包括TFP、ROA、融资成本、政府补贴收入。

认证数据来自工信部及各省工信厅公布的智能工厂名单；企业财务数据来自CSMAR和Wind；TFP采用LP方法估算。控制变量包括企业规模、杠杆率、研发投入强度、行业竞争度和地区市场化指数。

（1）安慰剂检验：随机抽取虚拟认证企业重复估计；（2）排除同时获得绿色工厂认证的企业，避免政策叠加干扰；（3）使用不同认证批次的时间窗口；（4）采用工具变量法，以地区信息化基础设施水平作为认证的 IV。

---

发展经济学认为后发国家可通过技术模仿、干中学和产业政策实现快速追赶。H1：我国在高速动车组、人形机器人等领域已实现从技术引进到自主创新的跨越。H2：政府主导的应用场景开放与规模化采购加速了技术迭代。H3：量子计算等基础研究领域仍依赖国家战略科技力量，市场化路径尚未形成。

采用案例比较法，选取CR450动车组、人形机器人、量子计算“九章四号”和脑机接口四个技术领域，分析其技术来源、研发投入结构和市场转化路径。使用专利引用网络识别技术知识流动方向，判断我国在国际技术网络中的位置变化。

构建技术追赶指数：CatchUp_{jt} = (PatentShare_{jt} / FrontierShare_{t}) · CitationBackward_{jt}，其中 j 为技术领域。进一步使用面板数据模型分析政府补贴、市场规模和人力资本对技术追赶指数的影响。

核心变量包括专利申请量、专利被引次数、PCT国际专利申请量、技术领域前向引用占比。数据来自国家知识产权局、WIPO以及工信部发布的产业运行报告，同时收集国家重点研发计划项目立项信息作为政策强度代理变量。

（1）采用不同技术分类标准（IPC vs CPC）重新测算专利指标；（2）剔除国有企业样本，考察民营企业技术追赶表现；（3）使用专利质量加权指标替代数量指标；（4）引入美国、德国、日本作为对照组进行跨国比较。

---

Acemoglu与Restrepo指出自动化通过“替代效应”与“生产率效应”影响劳动市场。H1：智能工厂普及降低低技能重复性岗位就业，同时增加高技能维护与运营岗位需求。H2：技能溢价在智能工厂密集地区显著上升。H3：生物制造、人形机器人等新兴产业创造新的职业类型，缓解部分结构性失业。

以工信部智能工厂名录构建地级市层面智能工厂密度指标，作为自动化与技术升级的外生冲击。采用双向固定效应模型比较不同智能工厂密度地区的就业结构变化。以地区历史工业结构、信息化基础设施投资作为智能工厂密度的工具变量。

构建城市—行业层面就业方程：Emp_{ict} = α_c + α_i + α_t + β·SmartDensity_{ct} + γ·(SmartDensity_{ct}×Skill_i) + δ·X_{ict} + ε_{ict}，其中Skill_i为行业技能密集度。工资溢价方程类似，被解释变量为分技能层级工资水平。

被解释变量为城市制造业分技能岗位就业人数与平均工资；核心解释变量为每万名制造业工人对应的智能工厂数量和工业机器人安装密度。技能分层依据职业任务含量（ routine/manual vs abstract/cognitive）。数据来源包括国家统计局、IFR世界机器人报告以及招聘平台微观数据。

（1）使用 Bartik 工具变量替代原始智能工厂密度；（2）区分东中西部地区，考察区域异质性；（3）控制机器人进口关税、外资进入等外部冲击；（4）采用企业层面数据替换城市层面数据，验证微观机制。

---