6G创新发展部省协同试点专项行动启动

根据国家创新体系理论（Freeman, 1987），技术追赶不仅取决于企业层面的研发投入，更取决于国家层面的制度安排如何协调产学研用各主体的创新行为。6G部省协同试点政策的核心逻辑在于：中央（工信部）提供技术路线图的协调和频谱资源的统筹，地方（试点省份）提供测试环境、应用场景和产业配套——形成"中央出蓝图、地方出场景"的分工协作模式。根据"蛙跳"理论（Brezis et al., 1993），技术代际更替为后发国家提供了超越先发者的"机会窗口"——当新旧技术范式交替时，先发者在旧范式中的沉没成本可能成为其转换新范式的障碍。

据此提出以下假说：
- H1：6G部省协同试点政策推出后，中国在6G关键技术领域的PCT专利申请增长率显著高于政策推出前，且显著高于可比国家（技术产出效应）。
- H2：中国在6G标准必要专利（SEP）中的全球份额在试点政策推出后加速上升，超过在5G时代的同期追赶速度（标准引领效应）。
- H3：试点省份与非试点省份之间的6G专利质量差异随时间扩大——试点政策通过提供测试环境和应用场景，提升了本地企业的技术试验能力和专利转化率。

采用合成控制法（SCM）。将中国作为处理单元，通过数据驱动的方式选取一组未实施类似6G部省协同试点政策的国家（韩国、日本、美国、德国、芬兰、瑞典等）构造"合成中国"——即反事实中国（无试点政策下中国6G专利的趋势）。处理效应 = 实际中国6G专利轨迹 - 合成中国6G专利轨迹。

SCM的优势：（1）不依赖平行趋势假定——通过加权组合对照组国家最优逼近处理前中国的专利增长轨迹；（2）避免主观选择对照组——权重由数据驱动并通过预处理的拟合优度进行诊断。关键识别假定：处理前中国与合成中国在6G专利增长上的拟合优度足够高（RMSPE 足够小），且无其他同期重大政策的混淆（如在处理窗口内无其他6G专项政策）。

合成控制法：

令 Y_{it} 为国家 i 在年份 t 的6G专利产出。中国（i=1）在 T_0（政策年份2026）接受处理。合成中国的专利产出：

Ŷ_{1t} = Σ_{j=2}^{J+1} w_j Y_{jt}

其中 w_j 为非负权重（Σ w_j = 1），由最小化处理前时期 X_1 - X_0W 的距离（以二次型度量）确定，X_1 为中国处理前的专利预测变量（含专利存量、R&D支出、ICT产业GDP占比、研究者密度）。

处理效应估计：

τ̂_t = Y_{1t} - Ŷ_{1t}（t ≥ T_0）

使用置换检验（permutation test）进行推断：将每个对照组国家依次作为"伪处理单元"进行SCM估计，计算伪处理效应的分布，中国实际处理效应的p值 = 伪处理效应 ≥ 中国处理效应的比例。

被解释变量：（1）6G关键技术的PCT专利申请数量（年度、按申请日），6G关键技术由IPC分类号和关键词组合定义（太赫兹通信、智能超表面RIS、通感一体化ISAC、AI原生网络架构、非地面网络NTN等）；（2）6G标准必要专利（SEP）声明数量（向ETSI/ITU声明且经技术必要性审查通过）。预测变量矩阵X包括：处理前5年（2021—2025）的6G年均专利增长率、累计专利存量、R&D支出占GDP比重、ICT产业增加值占GDP比重、每百万人研究者数量。数据来源：PATSTAT全球专利数据库、IPlytics SEP数据库。样本区间：2021—2030年，年度数据。对照组：韩国、日本、美国、德国、芬兰、瑞典、英国、法国。

• **剔除单个国家**：逐一从对照组中剔除一个国家后重新估计SCM，检验合成中国的权重构成和处理效应是否稳定，识别结果是否被某一特定对照组国家主导。
• **In-space安慰剂检验**：将政策年份改为2023年（在6G尚处于早期研究阶段时），预期不应出现显著处理效应。若出现，则基准结果可能反映的是政策推出前已有的增长趋势。
• **替换专利质量指标**：以专利前向引用次数（排除自引）和专利家族规模替代专利申请数量，检验6G专利质量而非仅数量上的处理效应。
• **DID稳健性**：以标准DID和事件研究法作为补充，以中国vs.不实施可比政策的所有发达国家为处理组和对照组，并控制国家特定时间趋势。

根据Katz & Shapiro（1985）的网络效应理论，通信技术标准具有显著的直接和间接网络外部性——用户规模越大，设备商和内容提供商越愿意为这一标准投入，进一步吸引更多用户。这种正反馈机制可能产生"过度惯性"（excess inertia）——市场可能锁定在次优标准上，只是因为该标准起步更早。Farrell & Saloner（1985）的标准竞争模型预测：当新旧标准之间的质量差异不足以克服旧标准的用户基数优势时，市场将出现低效锁定。

6G代际交替为打破5G时代的先发锁定提供了"机会窗口"——在新一代技术尚未形成用户基数优势时，政府通过部省协同试点政策（协调测试环境、制定技术路线图、建设应用场景）实质上是在做"标准预备"——降低后发标准（中国主导的6G方案）的早期采纳成本。

据此提出以下假说：
- H1（锁定效应假说）：在一代技术内（如5G代际内），标准已有用户基数每增加10%，新进入者标准被采纳的概率下降超过10%——网络效应产生超线性锁定。
- H2（窗口效应假说）：在代际交替窗口期（6G标准制定的早期阶段），用户基数优势的锁定效应显著弱于代际内——窗口期是后发标准突破锁定的关键时机。
- H3（政府协调假说）：政府通过测试环境协调和频谱预分配降低了新标准的早期采纳成本，采纳成本降低的边际效应在标准碎片化风险高的领域（如6G空口方案多元化）更为显著。

采用理论建模为主、校准模拟为辅的研究策略。首先构建一个三阶段不完全信息博弈模型：（1）技术方案选择阶段——各国企业提出6G标准技术方案；（2）政府协调阶段——政府选择试点地区并提供测试环境，降低某些技术方案的验证成本；（3）市场采纳阶段——运营商和设备商选择采纳标准，消费者选择运营商网络。使用贝叶斯纳什均衡（BNE）求解模型。

模型校准：使用5G时代的实际数据（3GPP标准提案数量、各国企业提案通过率、运营商采纳时间）校准模型参数（网络效应强度系数、采纳成本参数、质量差异参数），然后对6G窗口期进行反事实模拟——比较"有政府部省协同协调"和"无政府协调"两种情景下的均衡采纳结果。

核心模型设定（简化的双边市场博弈）：

平台侧（标准采纳）：
π_k^A = α n_k^A + β q_k - c_k(n_k) （采纳标准k的利润）

应用侧（内容/设备）：
π_k^B = γ n_k^A · n_k^B - f_k （在标准k上开发应用的利润）

消费者侧（用户选择）：
U_i^k = δ q_k + θ ln(n_k^B) + ε_i^k （用户i选择标准k的效用）

其中 n_k^A 为使用标准k的用户规模，q_k 为标准k的技术质量，n_k^B 为在标准k上开发的应用数量，c_k 为采纳成本（政府协调→c_k下降）。均衡通过逆向归纳法求解。

数值模拟：参数校准后，对 α（网络效应强度）、β（质量差异的边际利润）、政府协调对c_k的降低幅度进行网格搜索（grid search），识别以下条件：（a）先发锁定存在的最低网络效应阈值；（b）政府协调足以打破锁定的最低c_k降低幅度。

模型校准数据：（1）标准提案数和技术通过率=各企业/国家在3GPP RAN各组提案数量和通过率（2020—2025年5G晚期数据，来源：3GPP会议记录）；（2）用户规模=各标准（如5G NR Release版本）的全球商用网络数量（GSMA Intelligence）；（3）应用数量=各标准兼容的终端设备型号数量（GSA全球设备数据库）；（4）采纳成本代理=从标准冻结到首个商用网络部署的时间差（月）。样本区间：覆盖5G全生命周期（2018—2025）和6G早期阶段（2026—2029）。

• **替换用户基数测度**：以标准必要专利持有者的市场集中度（HHI）替代用户规模作为网络效应的代理——专利集中度越高，标准锁定越强。
• **替代博弈结构**：假设不完全信息（企业不了解竞争对手的技术质量）替代完全信息假设，检验信息不对称是否会放大先发锁定效应。
• **敏感性分析**：在数值模拟中对 α、β、γ 等关键参数进行蒙特卡洛敏感性分析，识别锁定效应存在的参数空间边界。
• **与4G→5G过渡的对比**：将模型反向应用于4G→5G过渡期数据，检验模型对已知历史案例的预测准确性——若模型能准确"预测"5G时代的中国追赶，则增强了其对6G预测的可信度。

根据多层级治理理论（Hooghe & Marks, 2001），复杂技术政策的有效执行需要匹配各级政府的比较优势：中央政府拥有信息汇聚优势（全局技术趋势研判、频谱资源分配权）和标准制定权，地方政府拥有本地信息优势（产业生态、应用场景、企业需求）和执行灵活性。6G部省协同试点实质上构建了一种"不完全合同式"的央地分工安排——中央制定技术路线图和试验框架（"通用型"制度安排），地方自行选择重点参与领域和配套力度（"剩余控制权"由地方行使）。

根据交易成本政治学（Dixit, 1996），当政策目标难以在事前完全合同化时（6G技术路线高度不确定），给予地方政府一定的灵活决策权（"剩余控制权"）可以降低事后再谈判成本，但同时也创造了地方"选择性执行"的空间。根据Heilmann（2008）的中国政策试点理论，中央通过"由点到面"的试点扩散模式来管理这种不确定性和地方异质性。

据此提出以下假说：
- H1：省份的数字基础设施水平（5G基站密度、数据中心算力）是试点参与深度的最主要正向预测因素——技术承接能力决定了地方参与能力。
- H2：省份政府工作报告中"数字经济"关键词的频次（政策注意力）与试点参与深度正相关——政策注意力体现了地方政府的参与意愿。
- H3：产学研协同度（省内高校与企业联合专利申请占比）正向调节数字基础设施对试点参与深度的效应——技术承接需要本地产学研协同网络的支撑。

采用混合方法设计。（1）定性部分：模糊集定性比较分析（fsQCA）——识别试点参与深度高的省份的"充分条件组合"。哪些制度条件的组合是试点高参与的充分条件？是否存在多条等效路径（殊途同归）？fsQCA的优势在于揭示因果复杂性——不是单一变量的净效应，而是条件组合的联合效应，尤其适合中等样本（31个省份）和复杂因果结构的分析。（2）定量部分：面板固定效应模型——在QCA识别的关键条件基础上，利用年度面板数据和省份固定效应进行条件变量→试点参与深度的效应估计。

关键识别挑战及处理：试点省份的选择可能内生于不可观测的省份特征（如地方领导与工信部的政治联系），通过加入省份固定效应吸收不随时间变化的省份异质性，以及利用滞后变量缓解反向因果。

fsQCA模型：

Outcome = f(Condition_1, Condition_2, ..., Condition_k)

将原始数据校准为模糊集隶属度分数（0-1），构建真值表（2^k 行），求解充分条件的质蕴涵项。两类结果：（a）必要性分析——"哪些条件是试点高参与的必要条件？"（一致性 ≥ 0.9）；（b）充分性分析——"哪些条件组合是试点高参与的充分条件？"（一致性 ≥ 0.8，覆盖率 > 0.3）。

面板固定效应模型：

Engagement_{it} = α + β DigitalInfra_{i,t-1} + γ PolicyAttention_{i,t-1} + δ (DigitalInfra × UniIndCollab)_{i,t-1} + θ X_{it} + μ_i + λ_t + ε_{it}

其中 Engagement_{it} 为省份 i 在年份 t 的6G试点参与深度（连续变量），核心解释变量均使用滞后一期值。

QCA结果变量：6G试点参与深度——由"是否入选首批试点省份"、"试点技术试验场地数量"、"地方6G配套资金规模（亿元）"三个维度经PCA合成一个综合指数，再校准为模糊集隶属度。条件变量：（1）数字基础设施：5G基站密度（个/平方公里）和每万人数据中心机架数（工信部统计）的PCA合成指数；（2）政策注意力：省政府工作报告中"数字经济""6G""信息通信"关键词频次占全文词的比重；（3）产学研协同度：省内高校与企业联合申请发明专利占全省发明专利的比重（CNKI专利数据库）；（4）政府效率：省级政府效率指数（世界银行营商环境报告中国省级版或北师大政府效率报告）；（5）ICT产业集聚度：ICT产业增加值占GDP比重。样本：31个省份，2025—2028年数据。

• **替换QCA校准方法**：以 crisp-set QCA（csQCA）替代 fuzzy-set QCA——将条件变量以中位数为阈值二元化，检验结论对校准方法的敏感性。
• **替换结果变量**：以"6G相关企业新增注册数量"替代综合试点参与指数，从市场响应角度而非政府投入角度度量试点效果。
• **面板模型替换**：以Tobit模型（因部分省份参与度=0存在角点解）替代线性固定效应模型，处理结果变量的截断特征。
• **排除直辖市**：剔除北京、上海、天津、重庆四个直辖市（因其行政级别和资源禀赋与普通省份系统不同），检验结论是否受行政级别差异驱动。

频谱资源是通信产业最核心的要素资源，其分配方式在各国都高度政治化。中国实行行政分配制——工信部统一规划和分配无线电频谱资源。但行政分配存在信息不对称问题：中央在频谱规划时不完全了解各地具体的频谱需求强度和应用场景差异，而地方政府有激励夸大本地需求以争取更多频谱资源（公共选择理论中的寻租行为）。

根据行政发包制理论（周黎安, 2014），中央在频谱整体规划中保留最终控制权（"发包方"），但通过"部省协同试点"机制向地方释放部分频谱试验权（"承包方获得部分剩余控制权"）。这种安排在激励地方积极性的同时，也制造了"先行者优势"——率先获得试点资格和频谱试验权的省份可在6G产业生态构建上抢占先机。

据此提出以下假说：
- H1：首批纳入6G部省协同试点的省份，其6G关联企业注册数量在试点公告后显著增加——"先行者优势"将政策信号转化为产业集聚效应。
- H2：地方政府的游说努力（以省领导赴工信部汇报次数和省级6G专项政策数量代理）显著提高了该省获得首批试点资格的概率——存在规制俘获效应。
- H3：试点省份的频谱试验权带来了"锁定效应"——即使后续试点扩围，首批试点省份的6G产业集聚优势仍持续存在（在位者优势）。

采用定量+建模双策略。（1）博弈论部分：构建央地间频谱试验权分配的不完全信息动态博弈模型——地方具有本地6G需求的私人信息，中央根据地方的"信号"（政策游说、产业基础）分配试点资格。求解分离均衡和混同均衡的条件。（2）定量部分：以"是否入选首批试点"作为处理变量，使用DID估计"先行者优势"的产业集聚效应——比较首批试点省份与非试点省份在试点公告前后的6G关联企业注册数变化。

关键识别挑战：（1）试点选择的内生性——工信部选择首批试点省份可能基于其已有产业优势，而非随机分配。（2）处理策略：使用倾向得分匹配（PSM）+ DID——先在可观测特征（已有ICT产业基础、研发投入、高校资源等）上匹配试点和非试点省份，再在匹配样本上进行DID估计。

PSM-DID：

ATT = E[Y_{it}^{Post} - Y_{it}^{Pre} | T_i = 1, P(X_i)] - E[Y_{jt}^{Post} - Y_{jt}^{Pre} | T_j = 0, P(X_j)]

其中 P(X) 为倾向得分（以logit估计——基于已有ICT产业基础、专利存量、高校数量、GDP水平等协变量预测入选首批试点的概率），T_i = 1 表示省份 i 为首批试点。使用最近邻匹配（1:2）或核匹配方法。

博弈论模型（简要形式）：

地方效用：U_L = π(s) · B - C(s) （s 为信号强度、游说努力，π 为入选概率，B 为入选收益，C 为信号成本）
中央效用：U_C = Σ_i α_i · V_i(试点资格给i) - λ · Σ_i 频谱碎片化成本

均衡条件：∂U_L/∂s = π'(s) · B - C'(s) = 0 → π'(s*) = C'(s*)/B（边际信号收益=边际信号成本）

DID被解释变量：6G关联企业新增注册数量（工商登记数据库中经营范围含"太赫兹""智能超表面""通感一体化""卫星互联网""低轨卫星"等关键词的企业，按注册地省份和月度统计）。处理变量：首批6G部省协同试点省份虚拟变量。倾向得分协变量：已有ICT企业数量（对数）、5G相关专利存量、985/211高校数量、省级R&D支出占比、人均GDP。工具变量（补充）：地理纬度（南方省份光通信产业基础更好，但不受当前6G政策内生影响——需论证）。博弈论数据：省政府领导赴工信部调研/汇报的公开报道次数（新华网/工信部官网）；省级6G专项政策发布数量和时间。样本区间：2023—2029年省级月度/年度面板数据。

• **替换匹配方法**：以马氏距离匹配（Mahalanobis matching）和CEM（粗化精确匹配）替代倾向得分最近邻匹配，检验匹配方法对DID估计的敏感性。
• **安慰剂政策时点**：将试点公告日期提前2年（虚假时点）重新估计DID，预期不应有显著处理效应。若显著，说明结果可能反映的是试点前已存在的产业集聚趋势。
• **溢出效应检验**：检验试点省份的邻近非试点省份是否也出现6G企业增长——若存在正向溢出，则控制组被"污染"，SUTVA被违反，需使用空间DID模型。
• **博弈模型鲁棒性检验**：改变博弈结构——从同时行动博弈改为序贯博弈（中央先行选择分配规则，地方后行选择信号强度），检验先行者优势的均衡存在性是否对博弈时序敏感。

根据技能偏向型技术变革理论（SBTC, Katz & Murphy, 1992），信息通信技术倾向于替代执行常规性任务的劳动力（routine tasks，如文书、数据录入、简单装配），而互补执行非常规分析任务（abstract tasks，如研发、管理、创意）和非常规手工任务（manual tasks，如护理、维修）的劳动力。这导致了就业"极化"——中等技能岗位（常规任务密集型）被技术替代而萎缩，高技能和低技能岗位增长。

6G技术具有三个独特特征将强化或改变这一趋势：（1）通感一体化（ISAC）使机器获得超越人类的感知能力，可能替代部分高技能感知任务（如医疗影像判读、工业质检）；（2）AI原生网络使智能体（AI Agent）能自主完成复杂的多步骤任务，可能首次冲击部分非常规分析任务；（3）低空经济和具身智能将创造全新的低技能操作岗位（如无人机维护、机器人现场操作）。

据此提出以下假说：
- H1：6G技术的技能偏向性不同于5G——6G对非常规分析任务（此前被认为难以自动化）的替代比例将首次显著增加，超出5G和4G时代的SBTC模式。
- H2：6G时代的就业创造效应集中在"人机协作"岗位——非传统的低技能岗位（需与AI/机器人互动但无需高等教育）和高技能AI系统设计岗位。
- H3：中国因其制造业比重高和低空经济等新兴领域的政策先行优势，6G对中等技能制造业岗位的替代效应可能比美国更显著——产业结构和政策时序影响SBTC的具体模式。

采用职业任务内容分析（task content analysis）+ CGE模拟的前瞻性研究方法。核心分析框架为三阶段：

阶段1：构建"6G技术特征→任务可自动化程度"映射表——基于6G的三大技术特征（通感一体化、AI原生网络、空天地一体化），由技术专家和劳动经济学家联合评估每种技术特征对O*NET定义的5类任务（常规认知、常规手工、非常规分析、非常规人际、非常规手工）的自动化潜力（0-100分）。

阶段2：基于中国职业分类大典（2022版）与O*NET的职业映射，计算各职业的"6G自动化风险指数"（Automation Risk Index, ARI）——该职业中可被6G技术自动化替代的任务占比（以任务在职业中的时间权重加权）。

阶段3：将ARI输入多部门CGE模型，模拟6G商用（假设2029年起逐步商用）在2029—2035年间对不同职业的劳动力需求冲击（含替代效应和创造效应），输出各职业就业量的预测值和置信区间。

任务内容模型（阶段1-2）：

ARI_j = Σ_{k=1}^{5} w_{jk} · Auto_k

其中 j 为职业，k 为任务类型（5类），w_{jk} 为任务k在职业j中的时间权重（来自O*NET），Auto_k 为任务类型k在6G技术条件下的自动化潜力评分（0-1，专家评估的平均值）。

多部门CGE模拟（阶段3）：

生产函数（含任务型劳动投入）：

Y_s = A_s · F_s(K_s, L_s^{abstract}, L_s^{routine}, L_s^{manual}, M_s)

其中劳动投入按任务类型分为三类——非常规分析型（abstract）、常规型（routine）、非常规手工型（manual），6G技术冲击改变生产函数中不同类型劳动的替代弹性（σ_AR, σ_AM, σ_RM）。

模拟情景设计：（a）基准情景——无6G商用（技术参数维持5G水平）；（b）6G基准情景——6G按计划在2029年商用；（c）加速情景——6G提前至2028年商用并叠加AI突破。比较三种情景下的职业就业分布。

核心变量：（1）职业任务内容权重 w_{jk}——从O*NET数据库获取美国标准职业分类（SOC）下各职业的5类任务重要性评分和时间占比，通过NLP语义匹配映射到中国职业分类大典（2022版，1481个细类职业）；（2）自动化潜力 Auto_k——德尔菲法收集20位技术专家和劳动经济学家对6G每类任务的自动化潜力评分（两轮迭代至共识）；（3）职业就业基准数据——中国2020年人口普查和2025年1%人口抽样调查中的分职业就业人数。数据来源：O*NET v28.0、中国职业分类大典2022版、中国人口普查、CLDS 2024、工信部《6G总体愿景与潜在关键技术》白皮书。

1. 替换专家评估方法：以基于5G历史数据的机器学习预测（随机森林——以5G专利的技术特征向量预测其对职业就业的实际影响，再外推至6G）替代德尔菲专家评估，检验技术→任务自动化映射的稳健性。
2. 替换CGE参数：使用不同的替代弹性估计值（来自劳动经济学文献的元分析均值 vs. 中国微观测算值）重新运行CGE模拟，检验结论对弹性参数的敏感性。
3. 跨国对比稳健性：对美国和德国也运行相同的ARI→CGE模拟，比较三国在相同技术冲击下的差异化就业效应——若中国的预测模式与发达国家系统性不同，可作为中国特定产业结构的证据。
4. 反向验证：将同一方法框架应用于4G（2013年商用）的历史数据——用2010年的专家评估预测2013—2020年的就业变化，然后与2020年的实际职业分布对比，检验预测方法的回溯准确性。
---
date: 2026-06-05
field: 产业经济 — 农业经济
source: https://tv.cctv.com/2026/06/05/VIDEclWj20OpLMzrl8NVhsPg260605.shtml
topics_count: 5
---