张国清出席2026年亚太经合组织数字和人工智能部长会议开幕式并致辞

内生增长理论认为知识溢出是长期增长源泉（Romer, 1990），技术追赶理论指出后发国家可通过国际合作降低模仿成本（Gerschenkron, 1962）。APEC数字与AI合作通过联合研发、专利共享和人才流动促进技术溢出。H1：APEC合作强度显著提升中国制造业TFP；H2：高技术行业溢出效应强于低技术行业；H3：人力资本和研发投入具有正向调节作用。

采用行业固定效应面板控制不可观测异质性，并以APEC会议主办国轮换及地理语言距离作为合作强度的工具变量，缓解反向因果。关键假定：工具变量影响合作强度但不直接影响行业TFP；政策冲击外生于行业生产率趋势；平行趋势假定在事前成立。

TFP_it = α + βCoop_it + γX_it + μ_i + λ_t + ε_it。TFP_it为行业i在t年的全要素生产率（LP法测算），Coop_it为中国与APEC经济体的AI合作强度（AI联合专利与AI技术进口之和占行业产值比重），X为控制变量，μ_i和λ_t分别为行业与时间固定效应。预期β>0。

被解释变量采用中国工业企业数据库经LP/ACF方法测算的2位数制造业TFP；核心解释变量为AI联合专利数与AI技术进口额（UN Comtrade，HS编码8471/8523等）；控制变量包括R&D强度、出口密度、FDI密度。数据来源于国家统计局、国家知识产权局及UN Comtrade，样本期2008—2022年。

（1）替换TFP测算方法为增加值劳动生产率；（2）以与非APEC经济体的AI合作作为安慰剂检验，验证APEC机制特异性；（3）剔除电子及通信设备行业，排除单一行业驱动；（4）采用GMM估计处理动态面板内生性。预期核心结论保持稳健。

---

交易成本经济学认为，产权界定不清会提高谈判与执行成本（Williamson, 1985；Coase, 1960）。数据产权与AI治理规则通过降低数据交易不确定性和合规成本影响创新。H1：数据产权保护强度提升显著降低数字交易成本；H2：清晰AI治理规则通过降低监管不确定性促进AI专利产出；H3：制度效应在数字基础设施完善经济体更强。

利用APEC经济体数据保护法与AI战略出台时间差异构造交错双重差分，将法律实施视为外生制度冲击。控制全球AI技术趋势、人均GDP和法治水平。关键假定：处理组与对照组在政策前满足平行趋势；不存在与政策时点及结果同时相关的其他冲击。

Y_it = α + β(Post_it × Treat_i) + γX_it + μ_i + λ_t + ε_it。Y_it为数字交易成本或AI专利密度，Post×Treat为DID交互项，X包括人均GDP、数字基础设施指数、教育年限和法治指数。若制度降低交易成本则β<0，若促进创新则β>0。

被解释变量：世界银行营商环境指标中的合同执行成本与IBM数据泄露成本报告；核心解释变量为数据保护法与AI战略实施虚拟变量；控制变量来自WDI和世界银行治理指标。样本覆盖21个APEC经济体，年度数据，2010—2024年。

（1）以AI初创企业融资额替换专利产出；（2）事件研究法绘制动态处理效应，验证事前平行趋势并排除预期效应；（3）合成控制法为早期实施国构造反事实；（4）分别以法律公布年与生效年作为处理时点，检验结果对时间设定的敏感性。

---

国际政治经济学认为，大国通过议程设置权塑造国际规则以维护自身利益（Strange, 1988）。在AI治理中，中美欧分别输出发展导向、权利导向与市场导向规则。H1：2020年后中国在APEC AI治理话语中的影响力相对上升；H2：APEC成员AI治理立场聚类为三大阵营；H3：议程设置权与国内AI市场规模正相关。

采用结构主题模型（STM）提取APEC部长宣言及各国AI战略文本主题，构建概念引用网络，以网络中心度测度议程设置权。通过控制GDP、研发投入和互联网普及率，缓解遗漏变量问题。关键假定：文本主题变化反映真实政策影响力；引用关系可识别规则扩散方向。

Influence_it = α + βMarket_it + γExport_it + δAlliance_it + μ_i + λ_t + ε_it。Influence_it为国家i在t年的议程设置权得分（文本引用份额与网络中心度），Market为AI市场规模，Export为数字服务出口占比，Alliance为与主要规则输出国的联盟关系。预期β>0。

议程设置权：APEC宣言中源自该国AI战略的概念占比、ISO/IEC/ITU AI标准共同提案中的网络中心度、成员国后续AI政策对领先国政策的引用频次。数据来源：APEC官方文件、各国AI战略文本、ITU/ISO/IEC标准库，样本期2010—2024年。

（1）以LDA或BERTopic替代STM进行文本主题稳健性检验；（2）将G20和OECD宣言作为安慰剂，验证APEC特异性；（3）剔除中美两国，检验结果是否由大国主导；（4）以2018年为界分样本估计，捕捉中美科技竞争加剧的结构性变化。

---

Hsieh & Klenow（2009）指出，要素错配会显著压低aggregate TFP。AI通过提升信息匹配效率降低资本与劳动配置扭曲。H1：AI产业发展显著提升城市资源配置效率；H2：AI对资本错配的改善作用在金融欠发达地区更强；H3：AI通过降低技能错配提升劳动力配置效率，该效应在高学历城市更显著。

采用城市固定效应面板控制不可观测城市特征，并以1984年人均固定电话线路作为AI产业发展的工具变量，利用数字基础设施路径依赖识别因果效应。关键假定：历史电信基础设施仅通过当前数字基础设施影响资源配置；不存在同时影响历史电信与当前错配的城市特质。

Misallocation_it = α + βAIIndex_it + γX_it + μ_i + λ_t + ε_it。Misallocation为城市i在t年的资源错配指数（HK方法测算的MRPK/MRPL离散度），AIIndex为AI产业发展指数（企业密度、专利与招聘占比主成分），X包括人均GDP、人力资本、FDI和产业结构。预期β<0。

被解释变量基于中国工业企业数据库，按城市—年份计算资本与劳动边际产出收益离散度；核心解释变量由AI企业密度（天眼查/企查查）、AI专利密度（国家知识产权局）和AI岗位占比（招聘平台）主成分合成。控制变量来自《中国城市统计年鉴》，样本期2011—2022年。

（1）以TFP离散度替代MRPK/MRPL离散度；（2）采用空间杜宾模型控制邻近城市AI发展的空间溢出；（3）随机打乱AI产业指数1000次进行安慰剂检验；（4）分东、中、西部子样本估计，考察区域异质性。预期核心结论稳健。

---

凯恩斯乘数理论认为，政府投资通过直接需求效应和引致私人投资拉动总产出（Keynes, 1936；Aschauer, 1989）。数字与AI基础设施兼具短期需求刺激与长期供给提升双重功能。H1：AI基础设施投资对区域GDP具有显著正向乘数效应；H2：在低数字基础设施省份就业乘数更大；H3：经济下行期乘数效应更强，呈现逆周期特征。

采用局部投影法追踪GDP与就业对AI基础设施投资冲击的动态响应，并以财政部下达的省级新基建专项债额度作为工具变量，解决投资内生性问题。关键假定：专项债额度外生于当期地方经济冲击；投资在额度下达后发生；不存在与额度分配和产出同时相关的遗漏冲击。

y_{i,t+h} - y_{i,t-1} = α_i^h + β^h G_{it} + γ^h X_{it} + ε_{i,t+h}。y为对数GDP或就业，G为AI基础设施投资冲击（工具变量估计），h=0,1,…,4年，X包括滞后GDP增速、财政支出、人口和产业结构。β^h刻画h期累积乘数，预期β^h>0。

AI基础设施投资采用固定资产投资中信息传输、软件和信息技术服务业及数据中心投资；被解释变量为省级实际GDP和城镇就业人数；工具变量为财政部下达的新基建专项债额度。控制变量来自国家统计局和《中国统计年鉴》，样本覆盖31个省份，年度数据，2015—2024年。

（1）比较即期乘数、峰值乘数与5年累积乘数；（2）剔除2020—2022年疫情年份，排除特殊时期刺激政策干扰；（3）以传统交通基础设施投资作为安慰剂，验证AI基建特异性；（4）分经济衰退与扩张年份估计状态依赖LP，检验逆周期假说H3。