李强主持召开国务院常务会议

通用目的技术理论（Bresnahan & Trajtenberg, 1995）指出，AI作为新一代通用目的技术，通过渗透各行业生产过程、降低信息搜索与决策成本、优化资源配置效率，推动全要素生产率增长。然而，AI安全规制（数据隐私保护、算法透明度要求、伦理审查等）对创新激励具有双重效应：适度规制通过降低技术风险、增强市场信任，促进AI技术的有序扩散和应用；过度规制则增加合规成本、抑制企业创新投入，形成"规制负担"。Aghion et al. (2005) 的竞争与创新倒U型假说为这一非线性关系提供了理论支撑——规制强度类似竞争强度，存在最优水平。

据此提出以下假说：
- H1：AI产业发展密度每提高1个标准差，城市TFP增长0.8-1.5个百分点，效应在服务业和制造业中均显著但存在行业异质性。
- H2：AI安全规制强度对"AI发展—TFP增长"关系呈倒U型调节——低规制区间内，规制增强放大AI的生产率效应；超过门槛值后，规制增强削弱生产率效应。
- H3：AI对TFP的促进作用主要通过"技术扩散渠道"（企业数字化转型率提升）而非"要素积累渠道"（资本深化）实现。

核心挑战是AI产业发展与TFP的双向因果——高生产率城市可能吸引AI企业集聚。本文采用工具变量法：以2010年各城市互联网宽带接入端口密度（历史互联网基础设施）作为当前AI产业发展的工具变量。识别逻辑：历史互联网基础设施影响AI产业的集聚成本和技术人才吸引（相关性），但不直接影响当期TFP冲击（排他性，经控制人力资本、产业结构后）。同时，采用面板门槛模型识别安全规制强度的非线性调节效应，以规制强度本身作为门槛变量，避免人为分组的主观性。

基准模型为双向固定效应面板：

ln TFP_it = α + β₁ AI_it + β₂ Regul_it + β₃ AI_it × Regul_it + β₄ AI_it × Regul_it² + γ X_it + μ_i + λ_t + ε_it

其中 TFP_it 为城市i第t年的全要素生产率（OP法或LP法估计）；AI_it 为AI产业发展密度（城市AI企业数/万家企业数，或AI专利授权量对数）；Regul_it 为AI安全规制强度指数；X_it 为控制变量向量（人均GDP、人力资本、产业结构、R&D支出、互联网普及率）；μ_i 为城市固定效应；λ_t 为年份固定效应。β₁ 预期为正（AI发展提升TFP），β₃ 预期为正、β₄ 预期为负（倒U型调节）。门槛模型进一步以 Regul_it 为门槛变量，检验AI生产率效应的区间异质性。

被解释变量：城市全要素生产率，采用OP法（Olley & Pakes, 1996）基于工业企业数据库估计，并以LP法（Levinsohn & Petrin, 2003）作为稳健性替代。核心解释变量：AI产业发展密度，以城市AI相关企业注册数（天眼查/企查查）除以城市企业总数标准化，或以AI发明专利授权量（国家知识产权局）对数测度。调节变量：AI安全规制强度指数，通过政策文本编码构造——从各城市发布的AI安全相关政策文件中提取数据隐私条款数、算法审查要求数、处罚力度等级、监管机构设置等4个维度，主成分分析合成。控制变量：人均GDP（统计局）、高等教育人口占比（人口普查）、第三产业占比（统计局）、R&D支出占GDP比重（科技部）、互联网宽带接入用户数（工信部）。样本区间：2015-2025年，覆盖全国约290个地级市，年度频率。

• **替换TFP估计方法**：对比OP法、LP法、SFA法（随机前沿分析）和索洛余值法四种TFP测算方式，检验AI生产率效应对TFP测度方法的敏感性。
• **替换工具变量**：以1984年各城市邮电局密度（历史通信基础设施）作为替代工具变量，利用更长时间跨度的历史数据增强排他性假定的可信度。
• **排除同期政策干扰**：控制同期数字经济试验区、智慧城市试点、大数据综合试验区等政策虚拟变量，排除其他数字政策对AI生产率效应的混淆。
• **样本外预测检验**：以2015-2022年为训练集、2023-2025年为测试集，检验门槛模型的样本外预测能力，避免过拟合导致的虚假非线性关系。

异质性企业贸易理论（Melitz, 2003）指出，只有生产率足够高的企业才能承担出口的固定成本。Khandelwal (2010) 的质量阶梯模型进一步表明，企业在面临外部冲击时可选择质量升级（提升产品附加值以维持竞争力）或价格竞争（压缩利润率）。Handley & Limão (2017) 的贸易政策不确定性理论认为，当关税波动性上升时，企业的最优策略取决于产品质量定位——高质量产品因需求弹性低，受不确定性冲击较小，从而形成"质量避险"动机。贸易强国建设政策（如出口信用保险、贸易便利化措施）降低企业应对不确定性的边际成本，增强质量升级的激励。

据此提出以下假说：
- H1：贸易不确定性上升1个标准差，出口企业平均产品质量提升3-5%，但出口量下降2-4%——呈现"量降质升"的结构调整效应。
- H2：贸易不确定性对质量升级的倒逼效应在高竞争行业（出口市场集中度低）更强，在垄断性行业不显著。
- H3：贸易强国建设政策（出口信用保险覆盖率、贸易便利化指数）显著缓解不确定性对出口量的负面冲击，同时强化质量升级效应——政策具有"量质双升"的调节作用。

利用2018年以来中美贸易摩擦引发的关税不确定性作为准自然实验。核心策略：构建产品层面的贸易不确定性指数（基于HS-6位码产品的关税波动率和贸易救济案件数量），利用不同产品受不确定性冲击的差异构造DID。为排除产品质量变动的内生性（质量升级企业可能主动选择低风险市场），采用Bartik工具变量：以2016年（贸易摩擦前）各企业出口目的地份额 × 目的地国家层面的关税波动率，构造企业层面的外生不确定性暴露。DDD模型引入贸易强国政策变量（出口信用保险覆盖率的省际差异），识别政策的调节效应。

三重差分模型设定为：

Quality_ijkt = α + β₁ Uncertainty_jt + β₂ Policy_kt + β₃ Uncertainty_jt × Policy_kt + γ X_ijkt + μ_ij + λ_t + δ_jt + ε_ijkt

其中 Quality_ijkt 为企业i出口产品j到目的地k第t年的产品质量（采用Khandelwal et al., 2013的需求残差法估计）；Uncertainty_jt 为产品j第t年的贸易不确定性指数（关税标准差 + 贸易救济案件频率）；Policy_kt 为目的地k相关的贸易强国政策强度（出口信用保险覆盖率或贸易便利化指数）；X_ijkt 为企业-产品-目的地层面的控制变量（企业规模、生产率、目的地GDP、汇率）；μ_ij 为企业-产品固定效应；λ_t 为年份固定效应；δ_jt 为产品-年份固定效应。β₁ 预期为正（不确定性倒逼质量升级），β₃ 预期为正（政策强化质量升级效应）。

被解释变量：出口产品质量，采用Khandelwal et al. (2013) 的需求残差法，基于HS-8位码层面的价格和数量数据，在控制了目的地-年份固定效应和产品固定效应后，提取残差作为质量的代理变量。核心解释变量：贸易不确定性指数，以HS-6位码层面的实际关税率的年度标准差（世界银行WITS数据库）和针对中国产品的贸易救济案件数（商务部贸易救济信息网）合成。调节变量：出口信用保险覆盖率（中国出口信用保险公司年度报告 × 省级出口额份额）；贸易便利化指数（世界银行LPI物流绩效指数 × 海关通关时间数据）。控制变量：企业全要素生产率（OP法）、企业规模（员工数对数）、目的地GDP增速（世界银行WDI）、实际有效汇率（IMF）。样本区间：2016-2025年，海关数据库与工业企业数据库匹配样本。

• **替换质量估计方法**：以单位价值（FOB价格）替代需求残差法作为产品质量的代理变量，以Feenstra & Romalis (2014) 的结构化质量估计作为另一替代，检验结论对质量测度的敏感性。
• **安慰剂检验**：将贸易摩擦的起始年份随机前移至2014或2015年（实际贸易摩擦始于2018年），检验虚假不确定性冲击是否产生显著的质量效应，排除pre-existing trend的干扰。
• **替换不确定性测度**：以Caldara & Iacoviello (2022) 的贸易政策不确定性文本指数（基于新闻报道频率）替代关税波动率，检验结论对不确定性量化方式的稳健性。
• **排除转口贸易干扰**：剔除经第三国转口的贸易记录（以原产地规则和中间品贸易占比筛选），排除企业通过转口规避关税对质量估计的偏误。

有向技术变革理论（Acemoglu et al., 2012）指出，环境政策通过改变清洁技术与污染技术的相对收益率，引导创新资源向低碳技术方向流动，长期内推动产业绿色转型。然而，结构转型理论（Herrendorf et al., 2014）表明，产业结构变迁伴随要素再配置成本——高碳产业的劳动力、资本退出存在摩擦，短期内可能导致产出损失和就业冲击。环境库兹涅茨曲线（Grossman & Krueger, 1995）预测经济发展与环境污染呈倒U型关系，碳达峰政策本质上是通过制度干预将拐点左移。不同资源禀赋的省份（资源型 vs. 非资源型）面临的转型成本和路径截然不同。

据此提出以下假说：
- H1：碳达峰政策强度每提高1个标准差，高碳产业增加值占比下降1.2-2.0个百分点，低碳产业增加值占比上升0.8-1.5个百分点。
- H2：碳达峰约束在短期内（1-2年）导致GDP增速下降0.3-0.5个百分点（效率损失），但在3-5年后效率损失消失甚至转正（"波特假说"效应显现）。
- H3：资源型省份（山西、内蒙古、陕西等）的碳达峰转型效率损失是非资源型省份的2-3倍，且产业结构转型速度更慢（路径依赖效应）。

利用各省碳达峰实施方案的差异化发布时间（2022-2024年分批发布）和政策强度差异，构造渐进双重差分（staggered DID）。各省方案在国家总体框架下，根据自身产业结构和能源禀赋制定了差异化的碳达峰路径和约束性指标，形成政策冲击的时间变异和强度变异。采用Callaway & Sant'Anna (2021) 的稳健估计量处理异质性处理效应，避免传统双向固定效应在渐进DID中的偏误。同时以合成控制法（SCM）为典型省份（如山西、广东）构造反事实，进行案例级的因果效应评估。识别假定：各省碳达峰方案发布时间相对于省级经济趋势具有外生性（主要受中央统一部署节奏和地方谈判能力影响）。

渐进DID模型设定为（采用Callaway & Sant'Anna估计量）：

ATT(g,t) = E[Y_it - Y_i,t-1 | G_i = g] - E[Y_it - Y_i,t-1 | C = 1]

其中 ATT(g,t) 为第g期首次实施碳达峰方案的省份在t年的平均处理效应；Y_it 为产业结构指标（高碳产业占比、低碳产业占比、产业结构高级化指数）或经济增长指标（GDP增速、人均GDP对数）；G_i 为省份i的首次处理时间；C为从未处理组（或尚未处理组）。总体效应通过加权汇总各期ATT得到。动态效应通过事件研究图展示，检验pre-trend和动态处理效应。

系统GMM作为补充模型：

ΔStruct_it = α + ρ ΔStruct_{i,t-1} + β CarbonPolicy_it + γ X_it + μ_i + λ_t + ε_it

其中 Struct_it 为产业结构指标；CarbonPolicy_it 为碳达峰政策强度指数；工具变量为政策强度的滞后项和差分项。

被解释变量：高碳产业增加值占比（六大高耗能行业增加值/工业增加值，国家统计局）；低碳产业增加值占比（高技术制造业 + 现代服务业增加值/GDP）；产业结构高级化指数（基于三次产业劳动生产率的加权偏离度）；GDP不变价增速（国家统计局）。核心解释变量：碳达峰政策强度指数，通过省级碳达峰方案文本编码构造——包括约束性碳减排目标值、覆盖行业范围数、碳市场参与状态、淘汰落后产能目标量、绿色金融配套措施数等5个维度，主成分分析合成。控制变量：人均GDP对数（统计局）、城镇化率（统计局）、能源消费结构中煤炭占比（能源局）、R&D支出占GDP比重（科技部）、外商直接投资额（商务部）、地方政府环境规制支出（财政决算）。样本区间：2010-2025年，30个省份（不含西藏，数据完整性考量），年度频率。

• **替换政策强度测度**：以各省碳市场交易活跃度（碳配额成交量/排放量）替代政策文本编码指数，以实际碳排放下降率替代政策强度作为连续处理变量，检验结论对政策量化的敏感性。
• **Bacon-Decomp分解**：对渐进DID的2×2对比进行分解，评估"已处理组作为对照组"导致的偏误权重，确保Callaway & Sant'Anna估计量的稳健性。
• **排除同期政策干扰**：控制同期供给侧结构性改革（2016年起）、环保督察（2016年起）、能耗双控政策（2021年强化）等变量，分离碳达峰政策的净效应。
• **合成控制法交叉验证**：为典型资源型省份（山西）和典型制造业省份（广东）分别构造合成控制组，比较处理效应的时间路径与DID估计是否一致，增强因果推断的可信度。

激励相容理论（Hurwicz, 1972）指出，有效的制度设计应使参与者在追求自身利益的同时实现制度目标。AI安全监管的核心张力在于：过严的安全要求增加企业合规成本、抑制创新试错空间；过松的监管导致安全风险积累、公众信任缺失，反而阻碍产业长期发展。Aoki (2001) 的制度互补性理论表明，AI安全规制需与数据治理、知识产权、竞争政策等制度协调配合才能发挥最佳效果。Sabel & Zeitlin (2008) 的实验主义治理理论则提出，面对快速迭代的AI技术，"规制沙盒"（在受控环境中允许企业试验）比传统的事前审批更适应技术创新的不确定性。

据此提出以下假说：
- H1："事后追责型"安全监管制度（如美国模式）下AI企业专利产出增长率比"事前审批型"制度（如欧盟AI法案模式）高15-20%，但安全事故发生率也更高。
- H2：中国2023年《生成式AI服务管理暂行办法》实施后，合规AI企业的创新产出（专利、论文）短期下降5-8%（合规成本效应），但中长期（2-3年后）恢复并超越规制前水平（信任红利效应）。
- H3：设立"AI监管沙盒"的城市/地区，AI企业创新产出增长率比未设立地区高10-15%，沙盒制度缓解了安全规制对创新的抑制效应。

采用双重识别策略。跨国层面：利用OECD AI Policy Observatory覆盖的40+国家的AI安全监管制度差异，构造跨国面板固定效应模型，以制度类型学变量（事前/事后、集中/分散）作为核心解释变量。中国层面：利用2023年8月《生成式人工智能服务管理暂行办法》正式实施作为准自然实验，以"生成式AI"企业（受政策直接影响）为处理组、"判别式AI"企业（间接受影响）为对照组，构造DID。识别假定：两类AI企业在政策实施前的创新趋势平行（parallel trend），政策实施时点相对于企业创新决策具有外生性。

跨国面板模型：

ln Patent_it = α + β₁ ExPost_it + β₂ Centralized_it + β₃ ExPost_it × Centralized_it + γ X_it + μ_i + λ_t + ε_it

其中 Patent_it 为国家i第t年的AI专利授权量；ExPost_it 为事后追责型制度虚拟变量；Centralized_it 为集中监管型制度虚拟变量；X_it 为控制变量（GDP、R&D支出、ICT基础设施、人力资本）；μ_i 为国家固定效应；λ_t 为年份固定效应。

中国DID模型：

Innovation_ijt = α + β Treat_j × Post_t + γ X_ijt + μ_ij + λ_t + ε_ijt

其中 Innovation_ijt 为企业j第t年的创新产出（专利申请量对数、论文发表量）；Treat_j 为生成式AI企业虚拟变量；Post_t 为政策实施后虚拟变量（2023年8月之后=1）。关键参数 β 捕捉安全规制对企业创新的因果效应。

被解释变量：AI专利授权量（WIPO PATENTSCOPE数据库，以IPC分类号G06N为核心检索范围，按申请国和年份汇总）；AI学术论文发表量（Scopus数据库，AI相关关键词检索）。核心解释变量（跨国）：AI安全监管制度类型虚拟变量，基于OECD AI Policy Observatory的政策数据库编码——事前审批型（欧盟AI法案的分级风险评估体系=1，否则=0）；集中监管型（设立专门AI监管机构=1，分散于多个部门=0）。核心解释变量（中国DID）：生成式AI企业虚拟变量（Crunchbase数据库中企业主营业务标签含"generative AI""LLM""大模型"=1，否则=0）× 政策实施后虚拟变量。控制变量：GDP（世界银行WDI）、R&D支出占GDP比重（OECD）、ICT基础设施（互联网带宽，ITU）、高等教育入学率（UNESCO）。样本区间：跨国面板2018-2025年，40+国家；中国DID 2020-2025年，约500家AI企业季度数据。

• **平行趋势检验**：绘制事件研究图，检验生成式AI企业与判别式AI企业在政策实施前的创新趋势是否平行；若pre-trend显著，采用Sun & Abraham (2021) 的交互加权估计量校正。
• **替换制度分类方式**：以连续型"规制严格度指数"（基于政策文本编码的主成分分析得分）替代离散型制度类型虚拟变量，检验结论对制度量化方式的敏感性。
• **排除替代解释**：控制同期各国AI产业政策（补贴力度、人才引进政策）和AI市场规模变量，排除"产业激励"而非"安全规制"驱动创新差异的可能。
• **安慰剂检验**：将政策实施时点前移至2022年1月（实际为2023年8月），检验虚假政策冲击是否产生显著效应，排除AI行业自然发展趋势的影响。

Grossman (1972) 的健康资本模型将健康视为一种人力资本存量——个体通过医疗投入和健康行为"生产"健康，健康存量影响劳动供给数量和劳动生产率。Bloom et al. (2004) 的宏观健康-增长模型进一步表明，健康改善通过三条渠道促进经济增长：(1) 劳动生产率渠道——更健康的劳动者体力充沛、认知能力更强、缺勤率更低；(2) 劳动参与渠道——健康改善延长工作年限、提高老年劳动参与率；(3) 储蓄与投资渠道——预期寿命延长激励家庭增加教育投资和储蓄，促进物质资本积累。Barro (1990) 的内生增长模型则预测公共健康支出的产出弹性存在递减效应——在健康基线较低（如高婴儿死亡率、低预期寿命）的地区，边际投资回报更高。

据此提出以下假说：
- H1：人均公共卫生支出每增加10%，省份人均GDP增速提高0.3-0.6个百分点，健康投资的宏观产出弹性约为0.03-0.06。
- H2：健康投资对经济增长的贡献中，约40-50%通过"劳动生产率渠道"实现，30-40%通过"劳动参与渠道"实现，10-20%通过"储蓄投资渠道"实现。
- H3：健康投资的产出弹性在健康基线较差（预期寿命低于75岁、婴儿死亡率高于10‰）的省份显著更高，呈现边际递减规律——"十五五"健康规划对中西部欠发达省份的增长效应更大。

核心挑战是健康投资与经济增长的双向因果——增长快的省份有更多财政资源投入健康。本文采用系统GMM（Blundell & Bond, 1998）处理动态面板中的内生性问题：以健康投资的滞后水平作为差分方程的工具变量，以健康投资的滞后差分作为水平方程的工具变量。识别假定：(1) 误差项不存在二阶序列相关（通过Arellano-Bond AR(2)检验验证）；(2) 工具变量有效（通过Hansen过度识别检验验证）。同时利用面板门槛模型检验健康投资产出弹性的非线性——以健康基线指标（预期寿命、婴儿死亡率）作为门槛变量。

动态面板模型设定为：

ln y_it = α + ρ ln y_{i,t-1} + β₁ ln HealthExp_it + β₂ ln EduExp_it + β₃ ln Capital_it + β₄ ln Labor_it + γ X_it + μ_i + λ_t + ε_it

其中 y_it 为省份i第t年的人均GDP（不变价）；HealthExp_it 为人均公共卫生支出（卫生事业费/常住人口）；EduExp_it 为人均教育支出；Capital_it 为人均物质资本存量（永续盘存法估计）；Labor_it 为劳动参与率；X_it 为控制变量（城镇化率、老龄化率、产业结构）；μ_i 为省份固定效应；λ_t 为年份固定效应。关键参数 β₁ 为健康投资的短期产出弹性；长期弹性为 β₁/(1-ρ)。

门槛模型补充设定：

ln y_it = α + β₁ᴸ ln HealthExp_it · I(HBase_it ≤ θ) + β₁ᴴ ln HealthExp_it · I(HBase_it > θ) + γ X_it + μ_i + ε_it

其中 HBase_it 为健康基线指标（预期寿命或婴儿死亡率），θ为待估门槛值。β₁ᴸ 和 β₁ᴴ 分别捕捉健康基线差和好的省份的健康投资产出弹性。

被解释变量：人均GDP（元，2015年不变价，国家统计局）。核心解释变量：人均公共卫生支出（元，卫生事业费决算数/常住人口，财政部 + 国家统计局），包括医疗卫生服务支出、公共卫生服务支出、医疗保障支出三个分项。中介变量：劳动生产率（GDP/就业人数，统计局）；劳动参与率（经济活动人口/劳动年龄人口，统计局 + 人口普查）；家庭储蓄率（住户调查中储蓄/可支配收入，国家统计局）。门槛变量：预期寿命（人口普查/抽样调查，非普查年用模型估计）、婴儿死亡率（卫生健康统计年报）。控制变量：人均教育支出（财政部）、人均物质资本存量（永续盘存法，投资流量来自统计局固定资产投资年鉴）、城镇化率（统计局）、65岁以上人口占比（统计局）、第二产业占比（统计局）。样本区间：2008-2025年，31个省份，年度频率。

1. 替换GMM估计方法：对比差分GMM（Arellano-Bond）与系统GMM（Blundell-Bond）的估计结果，检验工具变量选择对弹性估计的影响；同时进行Hansen过度识别检验和Arellano-Bond AR(1)/AR(2)序列相关检验，确保GMM估计的有效性。
2. 替换健康投资测度：以"每千人卫生技术人员数""每千人医疗机构床位数"等实物量指标替代公共卫生支出金额，检验结论对健康投资测度方式的敏感性——排除支出效率差异（同样金额在不同省份购买力不同）的干扰。
3. 中介效应分解：采用因果中介分析（Causal Mediation Analysis）量化H2提出的三条渠道的相对贡献，以Bootstrap法估计间接效应的置信区间，避免传统逐步回归法（Baron-Kenny）的偏误。
4. 排除同期政策干扰：控制同期养老金改革（2015年机关事业单位养老保险并轨）、生育政策调整（2016年全面二孩、2021年三孩）等影响人力资本的其他政策变量，分离健康投资的净增长效应。---
date: 2026-06-29
field: 宏观经济 — 国内市场建设
source: https://tv.cctv.com/2026/06/29/
topics_count: 5
news_index: 2
---

# 📰 每日经济学论文选题

> 📅 日期：2026-06-29
> 📡 来源：新闻联播
> 📰 新闻序号：第 2 条

---