今年2000亿元设备更新资金已全部下达

基于凯恩斯财政乘数理论（Hicks, 1937）和投资加速器模型（Clark, 1944），财政补贴通过两条渠道影响企业投资：一是直接缓解企业设备更新的资金约束（流动性效应），二是改善企业对未来盈利前景的预期（信心效应）。在金融摩擦条件下（Bernanke, Gertler & Gilchrist, 1999），融资约束较强的企业对财政补贴的投资响应更为显著，因为补贴替代了昂贵的外部融资。由此推导以下可检验假说：

• **H1**：设备更新补贴对固定资产投资的乘数效应显著大于1，即每1元补贴引致的投资增量超过1元（投资放大效应）。
• **H2**：融资约束较强的企业（SA指数较高、规模较小）获得的乘数效应显著大于融资约束较弱的企业（非对称传导）。
• **H3**：补贴的投资拉动效应在经济下行阶段（GDP增速低于趋势水平时）更为显著，体现凯恩斯"逆周期"乘数的非线性特征。

本文利用2026年"两新"政策三批资金下达的时间变异和行业/企业层面的处理强度差异构建准自然实验。具体而言，以三批资金下达的时间节点（2026年1月、4月、7月）作为外生政策冲击，以企业所属22个支持领域作为处理组、非支持领域作为控制组，利用DID识别补贴对企业投资的因果效应。核心识别假定为：（1）补贴行业/企业的选择与未观测到的企业投资冲击不相关——设备更新补贴覆盖22个领域，具有广泛性，降低了选择性偏误；（2）处理组和控制组在补贴前具有平行投资趋势——通过事件研究法进行检验。关键挑战是分离设备更新补贴效应与同期其他宏观政策（如降息、专项债扩容）的干扰，本文通过控制行业-时间固定效应和排除同期政策变量加以应对。

基准DID模型设定为：

I_it = α + β D_it × Post_t + γ X_it + μ_i + λ_t + δ_j×t + ε_it

其中 I_it 为企业i在t季度的固定资产投资增速（资本支出同比变化率），D_it 为企业是否属于"两新"政策支持的22个领域的虚拟变量，Post_t 为政策实施后的时间虚拟变量（三批资金下达分别设定）。X_it 为企业层面控制变量向量，μ_i 为企业固定效应，λ_t 为时间固定效应，δ_j×t 为行业×时间固定效应（控制行业层面的时变冲击）。核心参数 β 捕捉处理组企业在政策实施后相对于控制组的投资增量，其经济含义为补贴的边际投资乘数。预期 β > 0 且经济显著。事件研究法采用动态DID设定，以政策前一期为基准期，检验平行趋势并刻画效应的动态演化路径。

被解释变量：企业固定资产投资增速，以资本支出（购建固定资产、无形资产和其他长期资产支付的现金）的对数同比变化率衡量，数据来源CSMAR/Wind上市公司季度财务报表。核心解释变量：D_it × Post_t 交互项——D_it 依据发改委公开的22个设备更新支持领域目录与企业所属行业代码匹配确定；Post_t 依据三批资金下达时点（2026年1月、4月、7月）分别设定。控制变量：企业规模（ln总资产）、盈利能力（ROA）、杠杆率（资产负债率）、经营性现金流/总资产比、Tobin's Q（成长性代理）、企业年龄。样本区间：2023Q1-2026Q4，A股上市公司季度面板，预计约5000家企业×16季度=80000个观测值。融资约束以SA指数（Hadlock & Pierce, 2010）衡量。

• **替换被解释变量**：以资本支出/总资产比例替代投资增速，以固定资产净值对数变化率作为第三替代指标，检验结论是否对投资测度方式敏感。预期核心结论方向一致、显著性不变。
• **倾向得分匹配DID（PSM-DID）**：以企业规模、行业、盈利能力、杠杆率为匹配变量，为处理组企业匹配特征最相似的控制组企业，在匹配样本上重新估计DID，排除处理组系统性选择偏误。
• **安慰剂检验**：将政策实施时点人为前移两个季度（即假设2025年Q3为政策起始），检验"虚假政策"的DID系数是否显著。预期安慰剂系数不显著，确认效应来自真实政策冲击而非趋势差异。
• **排除同期政策干扰**：在DID模型中加入同期实施的减税降费力度（企业实际税负变化）、研发补贴金额等控制变量，检验设备更新补贴效应的独立性。
• **融资约束异质性子样本**：将样本按SA指数中位数分为高融资约束组和低融资约束组，分别估计DID，验证H2的非对称传导假说。

基于North（1990）的制度变迁理论和Williamson（1985）的交易成本分析框架，财政资金从中央下达到最终项目落地经历多层委托代理关系（中央-省-市-项目单位），每层代理关系产生信息不对称和协调成本。制度环境较好的省份，行政审批流程更规范、信息传递更高效、寻租空间更小，能够有效降低多层代理链条中的交易成本，从而加速资金从"纸面拨付"到"实物落地"的转化。Holmström（1979）的委托代理理论进一步指出，信息透明度越高，代理人偏离委托人目标的风险越低。据此提出以下假说：

• **H1**：市场化程度较高的省份，"两新"设备更新项目的资金到位率更高、项目落地周期更短（制度效率假说）。
• **H2**：财政透明度较高的省份，设备更新资金被挪用或沉淀的风险显著更低（监督约束假说）。
• **H3**：行政审批效率对资金配置效率的正向影响在项目复杂度较高的领域（如能源电力、物流系统更新）更为显著——复杂项目的交易成本更高，制度效率的边际收益更大。

本文利用2024-2026年"两新"政策多批次资金下达的时间变异与各省制度环境的截面变异构建调节效应DID。具体而言，以各省份设备更新项目获批时间的先后差异作为处理时点（不同省份获批首批项目的时间存在自然差异），以市场化指数、财政透明度等制度变量作为调节因子，检验制度环境对资金配置效率的调节效应。核心识别假定为：（1）各省获批时间的差异主要来源于各省项目储备和申报准备程度的差异，而非未观测到的省级经济基本面冲击——在控制省份GDP增速、产业结构、财政收支等变量后，这一假定趋于合理；（2）制度环境（市场化指数）在样本期内变化缓慢，可视为准外生变量。本文使用Callaway & Sant'Anna（2021）方法处理渐进DID中的异质性处理效应偏误，避免传统双向固定效应估计的偏误问题。

基准渐进DID模型设定为：

E_pt = α + β ATT_pt + γ Z_p + δ X_pt + μ_p + λ_t + ε_pt

其中 E_pt 为省份p在t季度的设备更新项目投资完成进度（累计到位资金/计划投资额），ATT_pt 为省份p在t期是否已获得项目批复的处理状态变量，Z_p 为省份制度环境变量（市场化指数、财政透明度评级等），X_pt 为控制变量向量（GDP增速、财政收入增速、固定资产投资增速、产业结构高级化指数），μ_p 为省份固定效应，λ_t 为时间固定效应。核心参数 β 估计资金下达对投资完成进度的平均处理效应。

调节效应模型进一步加入交互项：

E_pt = α + β₁ ATT_pt + β₂ ATT_pt × Z_p + β₃ Z_p + γ X_pt + μ_p + λ_t + ε_pt

其中 β₂ 捕捉制度环境对资金配置效率的调节效应，预期 β₂ > 0。渐进DID采用Callaway & Sant'Anna（2021）的群组-时间ATT估计量，允许处理效应的异质性。

被解释变量：各省设备更新项目投资完成进度，以发改委项目监测系统中各省累计到位资金占计划总投资额的比例衡量，季度频率。核心解释变量：ATT_pt 为省份p在t期是否已获得首批及后续批次设备更新项目批复的虚拟变量（获批=1，否则=0），数据来自发改委公开的项目清单和各省发改委转发文件。调节变量：制度环境以王小鲁等《中国分省份市场化指数报告》的综合市场化指数衡量（最新可得年份），辅以财政透明度评级（上海财经大学，A/B/C三档虚拟变量）和各省"放管服"改革评价指数。控制变量：GDP不变价同比增速、一般公共预算收入增速、固定资产投资累计同比增速、第二产业增加值占比（产业结构代理）、地方政府债务率。样本区间：2024Q1-2026Q4，31个省份×12季度=372个观测值。

• **替换制度变量测度**：以世行《中国营商环境报告》各省份得分替代市场化指数，以各省审计报告违规资金占比替代财政透明度评级，检验结论对制度变量测度方式的敏感性。预期核心调节效应方向一致。
• **Bacon分解检验**：对渐进DID进行Goodman-Bacon（2021）分解，量化不同处理组对比（早处理 vs. 晚处理、晚处理 vs. 未处理）对总体估计量的贡献权重，识别是否存在异质性处理效应偏误问题。若"已处理 vs. 已处理"对比的权重过大，需进一步采用Sun & Abraham（2021）交互加权估计量。
• **排除同期其他财政政策干扰**：在控制变量中加入各省专项债发行进度、中央转移支付到位速度等变量，检验制度环境对设备更新资金效率的独立效应，排除制度好的省份整体财政执行力更强这一混淆因素。
• **替换被解释变量**：以项目开工率（已开工项目数/已批复项目数）和平均落地周期（从批复到资金到位的天数）替代资金到位率，检验制度环境影响的一致性。

基于周黎安（2007）的官员晋升锦标赛理论，中国地方官员处于围绕可观测经济指标展开竞争的激励结构中。"两新"设备更新资金作为一种可量化、可考核的财政资源分配指标，天然成为地方竞争的新场域。晋升激励较强的官员（年龄接近晋升上限，仕途窗口期较短）有更强动力投入行政资源争取项目，以在短期内展示政策执行力。然而，公共选择理论（Buchanan & Tullock, 1962）警示，这种竞争性争取可能导致资金配置偏离效率最优——官员更偏好可见度高的"形象工程"而非技术回报最高的设备更新。由此提出以下假说：

• **H1**：晋升激励越强的地级市（市委书记年龄越接近晋升门槛），争取到的设备更新资金规模越大（竞争性争取假说）。预期年龄-晋升距离每缩小1岁，资金争取强度增加3-5%。
• **H2**：晋升激励驱动的资金竞争导致设备更新项目结构偏向"形象工程"——更多资金流向可见度高的终端设备（如电梯、商业设施）而非核心技术升级（如能源系统、物流智能化），项目结构的生产性设备占比下降。
• **H3**：在财政自给率较低的地级市，晋升激励对资金争取的效应更强——财政压力放大了官员争取中央转移支付的政治动机。

本文以地级市为分析单元，以市委书记年龄与省级晋升年龄门槛的距离作为晋升激励的工具变量（IV），识别晋升激励对设备更新资金争取强度的因果效应。IV的合理性基于以下论证：（1）相关性——年龄与晋升门槛的距离直接影响官员的晋升预期和努力程度，大量文献已验证这一变量对地方官员行为具有显著解释力（Li & Zhou, 2005）；（2）排他性——官员年龄本身不直接影响辖区设备更新资金的分配结果，仅通过影响官员争取行为间接发挥作用。需要排除的替代渠道是：年龄较大/较小的官员可能被上级有意安排到特定类型的地级市（选择性任命），本文通过控制官员任期、前任绩效、城市经济特征来缓解这一担忧。第一阶段F统计量预期>10，排除弱工具变量问题。

第一阶段回归：

Promo_ct = π₀ + π₁ AgeGap_ct + π₂ W_ct + η_c + τ_t + v_ct

第二阶段回归：

F_ct = α + β Promo_ct + γ W_ct + η_c + τ_t + ε_ct

其中 F_ct 为地级市c在t年争取到的设备更新资金规模（对数），Promo_ct 为晋升激励强度（以书记年龄-晋升门槛距离衡量，距离越小激励越强），AgeGap_ct 为工具变量。W_ct 为控制变量向量，包括GDP增速、财政收入增速、第二产业占比、人口规模、官员任期、前任书记绩效。η_c 为城市固定效应，τ_t 为年份固定效应。核心参数 β 预期显著为负（距离越小、激励越强→资金争取越多）。同时估计项目结构方程，检验H2的"形象工程"倾向。

被解释变量：地级市设备更新资金争取强度，以该市获批设备更新项目资金总额的对数衡量，数据来自发改委公开项目清单按地市拆解汇总。核心解释变量：晋升激励强度，以市委书记年龄与该省省委常委平均入选年龄（晋升门槛）的差值衡量——差值为负且绝对值越大，表明已超过晋升年龄窗口，激励越弱；差值为正且越小，表明接近门槛，激励越强。数据来自人民网地方领导资料库和各省政府公开履历。工具变量：市委书记年龄与省级晋升门槛的距离（同核心解释变量的构造逻辑，但在IV框架中作为外生冲击使用）。控制变量：GDP增速、一般公共预算收入增速、第二产业增加值占比、常住人口对数、市委书记任期年数、前任书记在任期间GDP增速。样本区间：2024-2026年，约290个地级市×3年=870个观测值。

• **替换政治变量测度**：以市长（而非市委书记）年龄-晋升距离作为替代IV，检验结论是否对"一把手"与"行政首长"的区分敏感——若两者效应方向一致，说明晋升激励是系统性驱动力而非个体差异。同时以"是否在换届年前一年"作为晋升激励的时间维度代理变量进行交叉验证。
• **安慰剂检验**：以官员学历（是否博士）作为虚假IV替换年龄-晋升距离，检验"能力"（而非"晋升激励"）是否才是真正的驱动因素。预期虚假IV的系数不显著或显著性大幅下降，确认年龄-晋升距离的排他性。
• **排除经济基本面替代解释**：在控制变量中加入同期地方招商引资优惠政策力度（税收减免额、土地供应面积），排除"经济活跃的城市天然获得更多资金"这一替代解释。若控制这些变量后晋升激励效应仍然显著，说明政治激励机制独立于经济基本面。
• **项目结构文本分析**：对设备更新项目的名称和描述进行文本分析，将项目分类为"形象工程类"（如商业设施更新、电梯加装）和"技术升级类"（如能源系统改造、物流智能化），检验晋升激励强的城市是否在项目类型选择上存在系统性差异，为H2提供直接证据。

基于Thaler（1985）的心理账户理论，经济主体对不同来源和用途的资金建立不同的心理账户，资金的"标签"影响其使用方式——这违反了标准经济学中资金的"可替代性"假设。当补贴以"设备更新专项"名义下达时，企业在心理上将其归入"设备投资"账户，倾向于将资金用于设备购置而非其他用途；而以"产业升级补助"名义下达同等金额的资金时，企业可能将其归入更宽泛的"发展基金"账户，资金用途更加分散。Bordalo等（2012）的显著性理论进一步预测，"设备更新"这一具体标签使设备投资选项在决策中更加显著，提升了其被选择的概率。据此提出以下假说：

• **H1**：标注为"设备更新专项"的补贴资金，企业用于设备更新投资的意愿和比例显著高于标注为"产业升级补助"的同等资金（标签效应）。预期设备更新投资占比在"专项"框架下高出10-15个百分点。
• **H2**：框架效应在损失规避较强的企业决策者中更为显著——"设备更新"框架将不更新设备定义为"损失"（错失专项机会），强化了行动倾向。
• **H3**：融资约束较强的企业更可能突破心理账户的约束，将"设备更新专项"资金挪用于更紧迫的资金需求（如偿还债务、补充流动资金），导致资金用途偏离政策意图。

本文采用离散选择实验（DCE）作为主要识别策略。通过随机分配制造业企业决策者到不同的政策命名框架（"设备更新专项" vs. "产业升级补助"），在控制其他信息完全相同的条件下，测量框架效应对投资决策的影响。实验设计为2×2因子设计：因子一为政策命名框架（专项 vs. 补助），因子二为信息呈现方式（金额突出 vs. 用途突出），四个处理组随机分配。实验的核心识别假定为：（1）框架分配与受访企业/决策者的个体特征不相关——通过随机化保证；（2）框架本身不改变企业可获得的信息集，仅改变信息的呈现方式——通过标准化实验材料保证。此外，本文收集受访企业的融资约束指标（SA指数、银行授信额度）作为调节变量，检验心理账户约束的强度差异。为提高外部有效性，还将实验结果与上市公司实际申报数据进行对比验证。

离散选择模型设定为：

P(Choice_ij = k) = exp(V_k) / Σ_m exp(V_m)

其中 V_k = α_k + δ₁ Frame_i + δ₂ Frame_i × FinConstr_i + γ Z_i + ε_ik

Choice_ij 为企业i决策者j在多个投资选项中选择设备更新的概率，Frame_i 为政策命名框架的虚拟变量（"设备更新专项"=1，"产业升级补助"=0），FinConstr_i 为企业融资约束程度（SA指数或银行授信额度/总资产比）。Z_i 为企业特征控制变量向量（规模、行业、盈利能力、近期投资计划等）。核心参数 δ₁ 度量框架效应的大小，预期 δ₁ > 0 且经济显著。交互项系数 δ₂ 检验融资约束对框架效应的调节作用——若 δ₂ < 0，说明融资约束弱化了心理账户的标签效应（支持H3）。

实验数据：设计面向制造业企业设备投资和融资决策负责人的问卷调查，采用随机分配方式将受访者分入不同政策命名框架。问卷包含：（1）政策情景描述——随机分配"设备更新专项"或"产业升级补助"两种标签，其他信息（补贴金额、申请条件、考核要求）完全相同；（2）投资决策模块——给定补贴金额（设定为500万元，相当于中型设备更新项目规模），要求受访者在设备更新、厂房扩建、研发投入、偿还贷款、补充流动资金5个选项中分配资金比例；（3）融资约束测量——采用SA指数构造问卷（Hadlock & Pierce, 2010），包含企业规模、年龄、分红政策等题项。样本覆盖制造业子行业（食品、纺织、化工、机械、电子等），东中西部各200家以上，目标有效问卷600+。上市公司验证数据来自CSMAR，以实际申报设备更新项目的企业为样本。

• **框架顺序效应排除**：在within-subject设计中交换两种框架的呈现顺序，检验是否存在顺序效应（先呈现的框架锚定效应更强）。若顺序效应显著，则以between-subject设计的结果为主要结论。
• **外部有效性验证**：以CSMAR上市公司实际设备更新投资数据（固定资产购建支出同比变化）作为被解释变量，以企业是否实际获得"两新"设备更新补贴为处理变量，检验实验结论是否在真实决策场景中成立。若实验预测的方向与实际数据一致，增强结论的可信度。
• **融资约束分群检验**：将样本按SA指数中位数分为高融资约束组和低融资约束组，分别估计框架效应大小。预期高融资约束组的框架效应显著弱于低融资约束组，验证H3的调节机制。
• **替换参照点**：将实验中的补贴金额从500万元调整为200万元和1000万元两个极端值，检验框架效应是否对补贴金额大小敏感——若框架效应在不同金额水平下均显著且方向一致，说明结论具有稳健性。

基于Acemoglu（2002）的技能偏向型技术变革（SBTC）理论和Krusell等（2000）的资本-技能互补假说，新设备投资通常内嵌更先进的技术，这些技术与高技能劳动者互补、与低技能劳动者替代。"两新"设备更新补贴降低了企业更新设备的边际成本，加速了技术升级进程，从而可能在短期内改变企业的劳动力需求结构。Autor等（2003）的任务模型进一步指出，技术变革对就业的影响取决于被自动化替代的任务类型——常规性任务（如流水线操作）更容易被替代，而非常规认知任务和人际互动任务则与新技术互补。据此提出以下假说：

• **H1**：获得设备更新补贴的企业，高技能劳动者（本科及以上学历）的雇佣增长显著快于低技能劳动者，劳动力需求结构向高技能方向偏移（SBTC效应）。
• **H2**：设备更新中自动化类项目（如智能生产线、工业机器人）对低技能劳动力的替代效应最强，数字化类项目（如信息系统升级）对中等技能劳动力的需求拉动最大，绿色化类项目（如节能设备）对整体就业的净效应为正。
• **H3**：设备更新补贴对就业的净效应为正——虽然低技能岗位减少，但高技能岗位的增加和产出扩张带动的总就业增长超过了替代效应（就业创造效应大于就业破坏效应）。

本文利用"两新"政策覆盖22个领域的行业差异和行业内企业获得补贴的处理强度差异构建DID。具体而言，以企业所属行业是否列入"两新"设备更新支持目录作为处理组界定标准，以政策实施前后（2023 vs. 2024-2026年）作为时间维度，利用DID估计补贴对企业劳动力需求的因果效应。为增强识别的精确性，进一步利用企业层面的处理强度——以企业获批设备更新项目的资金规模（连续处理变量）替代简单的处理/控制二分法。核心识别假定为：（1）处理组和控制组企业在政策实施前具有平行的就业增长趋势——通过事件研究法检验；（2）设备更新支持目录的行业选择与企业层面的劳动力需求冲击不相关——由于目录覆盖面广（22个领域），这一假定趋于合理。中介效应分析进一步检验设备更新→技术升级（以专利数量、TFP变化代理）→劳动力需求结构变化的传导链条。

基准DID模型设定为：

L_it = α + β D_i × Post_t + γ X_it + μ_i + λ_t + δ_j×t + ε_it

其中 L_it 为企业i在t年的劳动力需求指标（总就业人数对数、高技能员工占比、工资总额对数等），D_i 为企业是否属于"两新"设备更新支持领域的虚拟变量，Post_t 为政策实施后的时间虚拟变量。X_it 为企业控制变量向量，μ_i 为企业固定效应，λ_t 为时间固定效应，δ_j×t 为行业×时间固定效应。核心参数 β 捕捉设备更新补贴对劳动力需求的因果效应。

连续处理变量版本：

L_it = α + β Intensity_i × Post_t + γ X_it + μ_i + λ_t + δ_j×t + ε_it

其中 Intensity_i 为企业获批设备更新资金规模的对数，β 的经济含义为每增加1%的设备更新投资，劳动力需求变化多少百分点。技能结构方程进一步将 L_it 分解为高技能就业和低技能就业分别估计，检验H1的非对称效应。

被解释变量：（1）企业总就业人数对数（CSMAR员工总数）；（2）高技能员工占比（本科及以上学历员工数/总员工数，来自上市公司年报披露的学历结构数据）；（3）人均薪酬对数（工资总额/员工总数）。核心解释变量：D_i × Post_t 交互项——D_i 依据发改委22个设备更新支持领域与企业行业代码匹配；Post_t 以2024年为政策起始年（2024-2026=1，2023=0）。连续处理变量：企业获批设备更新项目资金总额的对数（发改委项目清单匹配上市公司）。控制变量：企业规模（ln营业收入）、盈利能力（ROA）、资本密集度（固定资产/员工数）、出口占比、企业年龄、所在城市最低工资标准（对数）。中介变量：技术创新（当年专利申请数对数）、全要素生产率（LP法测算）。样本区间：2023-2026年A股上市公司年度面板，约5000家企业×4年=20000个观测值。

1. 替换就业测度：以员工人数同比增速替代对数水平，以新增招聘人数的对数（来自上市公司招聘数据或Wind人力资源模块）替代总就业人数，检验结论对劳动力需求测度的敏感性。同时以小时工资（如可获得）替代月薪，排除工时变化的干扰。
2. 区分设备更新技术类型：将设备更新项目按技术类型分类（自动化设备、数字化系统、绿色节能设备），分别估计各类型设备更新对劳动力需求的差异化效应，验证H2。分类方法依据项目名称的关键词匹配和人工校验。
3. 安慰剂检验：将政策时点前移至2022年（假设"两新"政策在2022年实施），检验虚假政策对就业的"效应"是否显著。预期安慰剂系数不显著，确认效应来自真实政策冲击。
4. 排除同期劳动政策干扰：在控制变量中加入同期实施的稳岗补贴金额、社保减免力度、最低工资调整幅度等劳动政策变量，确保设备更新补贴的就业效应不被其他劳动市场政策混淆。
5. 样本选择偏差校正：上市公司样本可能遗漏中小企业的就业效应，使用Heckman两步法校正样本选择偏误——第一步估计企业进入设备更新补贴名单的概率（probit模型），第二步在就业方程中加入逆米尔斯比率，检验样本选择是否影响核心结论。
---
date: 2026-07-03
field: 宏观经济 — 就业与物价
source: https://tv.cctv.com/2026/07/03/VIDEb63ykW7LPPU5vAFHPQYn260703.shtml
topics_count: 5
news_source: 新闻联播
---