【一线调研】算力网织就数字经济新底座

在 Rosen-Roback 空间均衡框架下，企业和劳动者在空间上选址时权衡工资、房价与公共服务。算力作为一种新型生产要素，其空间分布直接影响 AI 企业的生产成本和选址决策。当前，东部的 AI 企业密集但算力成本高、供不应求；西部绿色能源丰富、算力成本低但远离需求端。东数西算的核心逻辑是将「对时延不敏感」的算力任务迁移至西部，缓解东部算力紧张的同时激活西部数字经济。然而，若光缆传输时延过高、算力调度机制不完善，则空间再配置可能带来新的效率损失。

据此提出以下假说：
- H1：东数西算政策实施后，全国算力供需空间错配指数显著下降，配置效率提升。
- H2：配置效率提升在光缆直连条件好的枢纽节点（如和林格尔—北京直连）上更为显著，存在「基础设施门槛效应」。
- H3：算力空间再配置产生显著的空间溢出效应——西部算力枢纽建设带动周边地级市数字经济增长。

核心识别挑战在于：算力配置效率的变化可能由 AI 产业本身的增长趋势驱动，而非东数西算政策。本文采用渐进 DID（staggered DID，Callaway & Sant'Anna, 2021）利用八大枢纽节点分批获批和建设的时序差异作为外生变异。关键识别假定为：（1）枢纽节点的选址和批复时序与事前不可观测的算力需求趋势无关（平行趋势条件）；（2）控制组（非枢纽节点城市）在政策实施前与处理组有相似的时间趋势。以事件研究法进行平行趋势检验，并借助 Bacon-Decomp 分解检验处理组异质性。

基准空间面板 DID 模型设定为：

Y_it = α + β Treat_i × Post_it + ρ W Y_it + γ X_it + μ_i + λ_t + ε_it

其中 Y_it 为城市 i 在 t 年的算力供需匹配度（DEA 效率得分或供需缺口比率）；Treat_i 为是否被列入八大算力枢纽节点；Post_it 为枢纽节点获批后的时间虚拟变量；W 为空间权重矩阵（基于光缆直连距离和网络时延）；X_it 包括城市数字经济规模、AI 企业数量、电价水平等控制变量；μ_i 为城市固定效应，λ_t 为年份固定效应。关键参数 β 度量东数西算对算力配置效率的平均处理效应，ρ 捕获空间溢出效应。

被解释变量——算力供需匹配度：以数据中心机架实际上架率与 AI 企业算力需求指数之比构造「算力供需缺口比率」，同时以 DEA 方法（投入：机架数、带宽；产出：AI 企业产值、调用量）测算各枢纽节点的 Malmquist 效率指数。核心解释变量——东数西算政策：以各枢纽节点获批建设的精确时点构造 Treat × Post。控制变量包括：城市数字经济发展水平（数字经济增加值占 GDP 比重）、AI 企业密度（每万人 AI 企业注册数）、工业电价（元/千瓦时）、骨干光缆通达度（是否直连国家级骨干网）。数据来源为工信部数据中心备案信息、国家发改委东数西算批复文件、中国信通院云计算发展报告。样本区间：2018—2026 年，地级市年度面板，共约 290 个城市。

• **替换被解释变量**：以超效率 DEA（Super-SBM）替代传统 DEA 测算效率得分，允许有效决策单元进一步排序，检验效率排序的稳健性。
• **替换空间权重矩阵**：分别以地理距离矩阵、网络时延矩阵和光缆带宽倒数矩阵三种 W 设定重新估计空间杜宾模型，检验空间效应的矩阵设定敏感性。
• **安慰剂检验**：将每个枢纽节点的政策时点前移 2 年，重新估计 DID 方程，预期虚假政策时点的系数不显著，排除事前趋势驱动结论的可能。
• **排除 AI 产业趋势干扰**：将样本限定在 AI 企业数量增速低于中位数的城市，检验东数西算效应是否独立于 AI 产业本身的爆发性增长。

根据凯恩斯乘数理论，一笔自主投资支出将通过消费—收入循环产生数倍于初始投资的 GDP 增量。算力基础设施投资的特殊性在于：（1）其产业链高度集中——光通信、AI 服务器、液冷系统等资本品供应商获得第一轮订单，进而带动半导体、稀土永磁等上游；（2）其建设周期集中在 3—5 年的中短期窗口，可能形成集中性的需求脉冲；（3）数据中心的运营期还产生持续的电力消耗，带动能源基础设施投资。从新凯恩斯视角看，若信贷约束放松伴随投资扩张（如政策性金融工具支持），则乘数效应可能被放大。

据此提出以下假说：
- H1：算力基础设施投资的 GDP 乘数在 1.5—2.5 之间，高于传统基建投资（约 1.2—1.8），原因在于其产业链更长、技术密集度更高。
- H2：光通信和 AI 服务器两个产业链环节的感应度系数最高，是算力投资冲击的核心传导渠道。
- H3：在信贷扩张期间（M2 增速高于趋势值），算力投资的乘数效应显著更大，存在金融加速器效应。

核心挑战是将算力基础设施投资的宏观效应从同期其他冲击（如货币政策宽松、出口波动）中分离。采用局部投影法（LP）将投资冲击的脉冲响应函数估计为一系列单方程回归，灵活性高于 VAR 的固定滞后结构。识别策略上，利用国家发改委重大项目库中算力项目集中批复的时间节点作为投资冲击的外生来源——这类批复通常由产业规划驱动，而非宏观周期逆向调节。利用 SVAR 的短期约束（Cholesky 分解）将投资冲击排序在第一，基于投资决策前置于产出反应的时序逻辑。

采用局部投影法（Local Projections）估计动态乘数：

y_{t+h} = α_h + β_h I_t + γ_h X_t + ε_{t+h}, h = 0, 1, ..., 12

其中 y_{t+h} 为 t+h 期的 GDP 同比增速或行业增加值；I_t 为算力基础设施投资同比增速（经 HP 滤波提取周期成分）；X_t 为控制变量向量，包括 M2 增速、出口增速、财政支出增速等同期宏观变量。β_h 序列即投资冲击的动态乘数路径。进一步以投资子类别（数据中心土建、IT 设备采购、光缆铺设）替代总投资，估计产业链分解乘数。

核心解释变量——算力基础设施投资：以国家发改委重大项目库中标注为「数据中心」「算力枢纽」「智算中心」的项目月度投资完成额加总，辅以上市公司资本开支公告（光通信、第三方 IDC 企业）。被解释变量：GDP 季度同比增速、光通信设备制造业增加值（工信部）、AI 服务器出货量（IDC 咨询）。控制变量：M2 同比、社会融资规模同比、地方政府专项债发行额。样本区间：2020 年 1 月—2026 年 5 月，月度频率。投入产出分析部分使用 2023 年全国 153 部门投入产出表，计算算力相关产业的影响力系数和感应度系数。

• **替换投资测度**：以三大电信运营商资本开支中的「算力网络」科目和头部互联网企业（阿里云、华为云、腾讯云）的服务器采购额作为算力投资的替代测度，检验投资冲击的变量敏感性。
• **排除货币政策干扰**：在 LP 回归中加入 M2 增速和 7 天逆回购利率作为额外控制变量，检验算力投资乘数是否独立于同期货币政策宽松。
• **非线性 LP 估计**：按信贷增速是否高于中位数将样本分为宽松期和紧缩期，分别估计 LP 方程，检验 H3 的金融加速器假说。
• **投入产出乘数交叉验证**：以静态 IO 模型计算的完全消耗系数乘数作为 LP 动态乘数的理论参考值，两套方法相互验证，排除方法论驱动结论的可能。

根据 Coase 定理，在交易成本为零时，无论产权初始界定如何，资源通过自愿交易总能达到帕累托最优。但算力交易中存在显著的交易成本——（1）搜寻成本：算力需求方难以在众多供给方中找到时延、价格、算力类型匹配的资源；（2）签约成本：跨运营商的算力调度协议谈判涉及技术标准、计费方式、服务等级协议（SLA）等复杂条款；（3）执行成本：算力交付的质量监控和纠纷解决机制尚不健全。全国一体化算力网的制度设计本质上是建立一套降低交易成本的「算力交易市场基础设施」。根据 Ostrom 的公共池塘资源理论，算力网若缺乏清晰的产权界定和有效的治理规则，可能陷入「算力拥堵」或「资源闲置」两种低效状态。

据此提出以下假说：
- H1：算力统一调度平台上线后，跨区域算力交易的平均撮合时间（签约成本）显著降低。
- H2：产权界定越清晰的算力资源（如明确规定了调度优先级和补偿机制的节点），其利用率越高。
- H3：东西部算力枢纽之间采用「收益分成」模式（而非固定费用）时，算力供给质量（可用率、时延达标率）更高，符合激励相容原理。

核心挑战是将制度变迁（算力交易平台上线）的效应与技术进步（算力技术本身提升）的效应区分开来。采用多期 DID 策略：利用各算力枢纽交易平台的分批次上线作为准自然实验。关键识别假定为平台上线时点的外生性——各节点平台上线主要取决于系统开发进度和行政审批周期，而非该节点的算力供需状况。通过事件研究法验证平行趋势，以平台上线前的交易成本数据建立反事实预测。进一步借助博弈论模型的数值模拟，验证不同利益分配机制下的均衡结果与实证发现的一致性。

多期 DID 基准回归：

Cost_{ijt} = α + β Platform_{jt} + γ X_{ijt} + μ_{ij} + λ_t + ε_{ijt}

其中 Cost_{ijt} 为需求方 i 与供给方 j 之间在 t 月的单次算力交易成本（从询价到签约的耗时，或标准化交易费用指数）；Platform_{jt} 为供给方所在枢纽节点是否已上线统一调度平台的虚拟变量；X_{ijt} 为交易特征控制变量（算力规模、时延要求、是否跨运营商）；μ_{ij} 为交易对固定效应，λ_t 为月度固定效应。关键参数 β 预期为负，度量制度创新降低交易成本的因果效应。

被解释变量——算力交易成本：从各枢纽算力交易平台的后台日志数据提取每笔交易的「询价—撮合—签约」全流程耗时；同时以算力服务合同条款数量作为签约复杂度的代理变量（条款越多，交易成本越高）。核心解释变量——统一调度平台：根据鹏城实验室、各枢纽节点公开的调度平台上线公告构造。调节变量——产权清晰度：以是否颁布《算力调度管理办法》的省级政策文件作为产权制度完善的代理。样本包括八大算力枢纽节点及周边城市的算力交易数据，2022 年 1 月—2026 年 5 月，月度频率。

• **替换交易成本测度**：以「算力成交价与挂牌价的偏差率」（买方实际支付超过挂牌价的比例）替代交易耗时测度，从价格维度验证交易成本的变化。
• **排除技术进步的干扰**：在回归中控制该枢纽节点的平均机架功率密度（千瓦/机架，反映制冷和供电技术进步），分离制度效应的独立贡献。
• **反事实安慰剂检验**：将各枢纽平台的上线时点提前 12 个月，预期虚假时点的 β 系数不显著，验证交易成本下降的确与平台上线同步而非事前趋势。
• **博弈论模型参数校准**：以现实数据校准东西部利益分配博弈模型的参数（算力生产成本比、时延惩罚系数），模拟不同分配机制下的均衡结果，验证 H3 的激励相容逻辑是否在理论层面成立。

Gerschenkron 的后发优势理论认为，落后经济体可以通过引进先进技术实现跨越式发展，无需重复先行者的渐进路径。西部省份在传统制造业追赶上面临地理区位、物流成本等天然劣势，但数字经济——尤其是算力密集型的 AI 产业——对地理区位的依赖被大幅削弱：数据可以在毫秒级完成东西传输，且西部地区低廉的绿电价格（约为东部的一半）构成了算力成本的核心竞争优势。东数西算本质上是一次利用西部「绿色能源禀赋」实现数字产业蛙跳的大推进战略。但风险在于，若算力枢纽仅为东部 AI 企业提供「低成本算力车间」而未能催生本地 AI 应用生态，则可能形成「算力飞地」——资源流出、附加值留在东部。

据此提出以下假说：
- H1：东数西算枢纽节点的设立显著提高了所在城市的数字经济增加值占 GDP 比重，产业结构向数字化方向跃迁。
- H2：算力枢纽的空间辐射效应随距离衰减——距枢纽 50 公里以内的区县数字经济增速显著高于 100 公里以外的区县。
- H3：本地 AI 应用生态（以 AI 相关企业注册数为代理）较发达的枢纽城市，「算力飞地」风险更低，算力投资的经济转化效率更高。

核心识别挑战：东数西算枢纽的选址非随机——被选中的城市本身就具备一定的数字基础设施基础，可能导致高估政策效应。为此采取三重策略：（1）渐进 DID 利用各枢纽分批建设的时间变异；（2）以 Bartik 工具变量（shift-share IV）补充识别：Bartik IV = 全国算力投资增速 × 该城市 2018 年数字经济从业人员占比，利用全国层面的投资扩张作为外生需求冲击，而初始份额在短期内固定；（3）以地理邻近的非枢纽城市作为控制组，确保处理组和控制组在可观测特征上的事前可比性。关键识别假定为 Bartik IV 的 exclusion restriction——全国算力投资增速仅通过影响本地投资作用于本地经济，不通过其他渠道（如全国经济周期）直接影响。

基准渐进 DID 模型：

Y_ct = α + β Treat_c × Post_ct + γ X_ct + μ_c + λ_t + ε_ct

其中 Y_ct 为城市 c 在 t 年的数字经济增加值占 GDP 比重或人均 GDP 对数值；Treat_c 为是否被列入八大算力枢纽节点；Post_ct 为枢纽节点开始运营后的时间虚拟变量。进一步以空间 DID 检验辐射效应：

Y_ct = α + β Treat_c × Post_ct + θ Σ_{j≠c} w_{cj} (Treat_j × Post_jt) + γ X_ct + μ_c + λ_t + ε_ct

其中 w_{cj} 为城市间距离的倒数（距离越近权重越大），θ 捕获其他枢纽节点对本城市的空间溢出效应。

被解释变量：（1）数字经济增加值占 GDP 比重——以中国信通院地级市数字经济核算数据为基础，辅以企查查 AI/云计算/大数据企业增加值汇总数据交叉验证；（2）夜间灯光总强度——NPP-VIIRS 年度数据作为经济活动的客观测度。核心解释变量：算力枢纽城市虚拟变量 × 运营启动时间。控制变量：固定资产投资增速、人力资本水平（每万人在校大学生数）、市场化指数（樊纲指数地级市版）、传统基础设施水平（高速公路密度）。样本包含全国 290 个地级市，2018—2026 年年度面板数据。

• **替换被解释变量**：以（1）人均 GDP 对数值、（2）夜间灯光 DN 均值、（3）新注册 AI 企业数量分别替代数字经济增加值占比，检验产业结构升级效应的变量敏感性。
• **Bartik IV 替代构造**：以「全国 AI 算力调用量增速 × 城市初始 IDC 机架数」替代原 Bartik IV，仅保留算力需求冲击而排除其他数字经济维度的干扰。
• **排除省会城市**：将样本中的省会/副省级城市剔除，仅保留普通地级市，检验枢纽效应是否由省会城市的集聚优势驱动而非东数西算政策本身。
• **Bacon-Decomp 分解**：对渐进 DID 估计量进行 Goodman-Bacon 分解，检验处理效应是否由特定组别（早期获批 vs. 晚期获批）驱动，排除处理组异质性的干扰。

根据 Acemoglu & Autor 的任务模型框架，技术进步将工作任务重新分配给资本和不同技能水平的劳动者。算力基础设施建设属于一场「通用目的技术」（GPT）投资，其就业效应是多维度的：（1）直接效应——数据中心建设期的建筑安装工人、运营期的运维工程师和制冷/供电技术人员；（2）间接效应——算力供给充裕后 AI 应用爆发催生的 AI 训练师、算法工程师、提示词工程师等高端岗位；（3）替代效应——部分传统 IT 运维岗位（如小型企业自有机房管理员）可能被集中的云算力替代。空间维度上，西部算力枢纽能否形成持久的「人才磁极」取决于本地是否同时培育了 AI 应用生态，否则可能出现「岗位在西部、人才留东部」的空间错配。

据此提出以下假说：
- H1：算力枢纽城市在枢纽投入运营后，算力相关职业的招聘量增速显著高于非枢纽城市，且该效应在高低技能两端同时存在（同时创造低技能运维岗和高技能 AI 研发岗）。
- H2：算力相关职业的技能溢价（在控制教育、经验后）显著为正，且随时间呈扩大趋势——AI 训练师的工资增速快于数据中心运维人员。
- H3：西部算力枢纽城市的本地人才留存率显著上升（以本地高校毕业生留省就业率为指标），但仅限于本地已形成 AI 应用生态的城市；否则「算力飞地」效应将导致人才外流。

核心挑战：（1）就业变化可能由全国 AI 产业趋势驱动，而非本地算力枢纽建设；（2）劳动力参与（是否就业）存在自选择偏误；（3）职业数据来源以招聘平台为主，存在行业覆盖偏差。为此采用三管齐下的识别策略：（1）空间 DID——比较算力枢纽城市与地理邻近的非枢纽城市在枢纽运营前后的就业结构变化；（2）Heckman 两步法——首先估计劳动力参与选择方程（是否进入算力行业），再在校正自选择偏误后估计工资方程；（3）以「全国头部 AI 企业招聘总量增速」作为控制变量，剥离全国趋势对本地就业的影响。关键识别假定：在控制了全国 AI 招聘趋势后，枢纽城市与其他城市在就业结构变化上的差异仅由枢纽建设本身驱动。

（A）就业创造效应的空间 DID：

Emp_{ct} = α + β Hub_c × Post_{ct} + γ National_AI_t + δ X_{ct} + μ_c + λ_t + ε_{ct}

其中 Emp_{ct} 为城市 c 在 t 月算力相关职业招聘量（对数），Hub_c 为是否算力枢纽城市，National_AI_t 为全国 AI 企业月度总招聘量（控制全国趋势）。

（B）技能溢价的 Mincer 方程（Heckman 校正）：

ln(wage_i) = α + β Compute_i + γ Edu_i + δ Exp_i + θ X_i + ε_i

其中 Compute_i 为个体 i 是否从事算力相关职业的虚拟变量；Edu_i 为受教育年限；Exp_i 为工作经验。选择方程包括婚姻状况、家庭抚养比等影响劳动参与但不直接影响工资的排他性变量。β 即为算力职业的技能溢价。

被解释变量：（1）算力相关职业月度招聘量——对猎聘、BOSS直聘、前程无忧三大平台的职位描述文本进行 NLP 关键词提取（算力、数据中心、GPU、AI训练、模型部署、云原生等），按城市-月份汇总；（2）个体小时工资——CLDS 调查数据。核心解释变量：（1）算力枢纽城市 × 运营后——以国家发改委公布的枢纽节点第一批项目投产日期为准；（2）是否算力相关职业——同样基于招聘文本的 NLP 分类。控制变量包括城市人均 GDP、高校在校生数、互联网宽带接入用户数。样本期：2022 年 1 月—2026 年 5 月（招聘数据，月度频率）；CLDS 三期混合截面数据。

1. 替换招聘数据来源：以单一平台（BOSS直聘）的数据替代三平台汇总数据重新估计，检验结论是否受平台用户结构和行业覆盖差异的影响。
2. 替换职业分类方法：将 NLP 关键词匹配法替换为基于 O*NET 中国版职业编码的人工分类（随机抽取 5000 条招聘信息进行人工编码作为训练集），检验自动化分类的准确性。
3. 面板固定效应替代 Heckman：利用 CLDS 三期面板子样本，以个体固定效应替代 Heckman 两步法，消去不随时间变化的个体不可观测异质性，验证技能溢价的估计稳健性。
4. 排除一线城市样本：将北上广深剔除后重新估计，检验算力职业的技能溢价是否由一线城市的整体工资水平驱动（即算力职业恰好集中在一线城市），而非算力职业本身的人力资本回报差异。
---
date: 2026-06-13
field: 产业经济 — 能源与绿色转型
source: https://tv.cctv.com/2026/06/13/VIDEuYUUR0ZM1sRNcIGqw9dy260613.shtml
topics_count: 5
---