中国制造业采购经理指数升至50.3%

在新古典资源配置框架下，部门间PMI的持续分化反映了边际产出差异尚未被要素流动所消除。假说H1：高技术制造业与传统制造业PMI差值越大，表明跨部门资源错配程度越高。H2：要素市场化改革降低了扭曲楔子的方差，使PMI分化趋于收敛。H3：消除扭曲后，制造业加总TFP可提升15%—25%。理论模型在垄断竞争设定下推导企业层面最优要素投入，并引入部门特定的从价税楔子来刻画制度性摩擦。

核心识别策略借鉴Hsieh & Klenow (2009) 的结构估计方法，从企业层面收入TFP与物理TFP的差异中反推扭曲楔子。关键识别假定为：（1）行业内企业面临相同的技术参数，产出差异源于要素配置扭曲；（2）PMI分项指数可代理行业层面的边际产出信息。利用"两新"政策作为外生冲击，以政策实施时点构建差分策略，检验楔子是否在政策推进后显著缩小，从而验证资源再配置效应。

第一步，基于Cobb-Douglas生产函数 Y_{ijst} = A_{ijst} K_{ijst}^{α_s} L_{ijst}^{β_s}，估计行业s的参数(α_s, β_s)。第二步，利用一阶条件反推企业层面资本楔子τ^K_{ijst}和劳动楔子τ^L_{ijst}。第三步，构造行业层面TFP加总方程：ln TFP_s = (1/(σ-1)) ln[Σ_i (TFPQ_i / (1+τ_i))^{σ-1}]，用OP分解将TFP增长拆解为企业内效应、再配置效应和进入退出效应。最后以PMI分化指标作为扭曲楔子的工具变量进行2SLS回归。

被解释变量为行业层面加总TFP（OP法与LP法双重估计）。核心解释变量为PMI分化指数，定义为高技术制造业PMI与传统制造业PMI之差。控制变量包括：行业资本密集度、赫芬达尔指数、国有资本占比、行业出口依存度。扭曲楔子由结构模型校准得到。数据来自国家统计局工业企业数据库（2018—2025年规上企业面板）、中物联PMI分项月度数据和WIND行业数据库。样本涵盖制造业31个二位码行业。

第一，替换生产函数形式为CES和Translog函数，检验TFP估计对函数形式的敏感性。第二，采用Ackerberg, Caves & Frazer (2015) 的ACF法重新估计生产函数参数，避免联立性偏误。第三，使用Bartik工具变量法，以全国行业增长率作为地方行业增长的工具变量，排除反向因果。第四，在时间维度上进行滚动窗口估计（36个月窗口），检验资源配置效率改善的动态路径。第五，排除疫情扰动期（2020—2022年）后重新估计基准模型。

---

凯恩斯框架下，财政支出通过直接增加有效需求产生乘数效应。"两新"政策本质上是定向的需求侧刺激：设备更新补贴扩大固定资产投资需求，消费品以旧换新直接提振终端消费。H1：在产能利用率低于充分就业水平的行业中，"两新"政策的乘数效应更大。H2：新订单指数对政策冲击的响应速度快于生产指数，体现需求拉动供给的凯恩斯传导路径。H3：经济下行期（PMI<50）的政策乘数显著高于扩张期。

采用叙事识别法（Narrative Approach），从国务院常务会议纪要、财政部政策文件中逐条梳理"两新"政策的出台时点与资金规模，构建外生政策冲击序列。识别假定为：政策出台时点与当期PMI波动不存在同期反向因果——政策从决策到资金拨付存在1—2个月的行政时滞，满足外生性条件。在此基础上，利用Jordà局部投影法估计政策冲击对新订单指数的脉冲响应函数，并计算累积乘数。

基准模型采用局部投影法：y_{i,t+h} - y_{i,t-1} = α_{i,h} + β_h · Shock_t + γ_h X_{i,t-1} + ε_{i,t+h}，其中y_{i,t}为行业i在t月的新订单指数，Shock_t为叙事法识别的外生政策冲击（标准化为GDP占比），X_{i,t-1}为控制变量向量（含滞后PMI、PPI、信贷增速），h为预测步长（0—12个月）。累积乘数定义为 Σ_{j=0}^{h} β_j。扩展模型引入状态依赖项：β_h = β_h^0 + β_h^1 · I(PMI_{t-1}<50)，检验经济周期状态对乘数的调节效应。

核心被解释变量为制造业PMI新订单指数月度值（中物联发布）。核心解释变量为"两新"政策冲击，以财政部各月拨付的设备更新补贴和以旧换新补贴金额（亿元）经CPI平减后取对数。控制变量包括：PMI生产指数、PPI同比、社会融资规模存量增速、出口交货值增速、产成品库存指数。行业异质性分析中，按装备制造业、高技术制造业、传统制造业分组。数据期间为2024年3月至2026年6月（"两新"政策启动至今）。

第一，替换识别策略：采用Blanchard & Perotti (2002) 的SVAR方法，利用财政支出对GDP的弹性系数作为识别约束，验证叙事法结果的稳健性。第二，使用合成控制法（Synthetic Control Method），以未实施类似政策的经济体（如越南、印度制造业PMI）构造反事实基准。第三，以PMI生产指数替代新订单指数作为被解释变量，检验政策对供给侧的传导效果。第四，进行子样本检验，排除春节效应和年末冲量等季节性干扰。

---

Williamson治理框架指出，交易成本决定了经济活动应在企业内部组织还是通过市场完成。基础设施网络降低了运输成本、信息搜寻成本和合同执行成本，使市场交易的相对效率提升。H1："六张网"投资密度越高的地区，制造业企业的垂直整合程度下降，更多依赖市场分工。H2：基础设施改善使企业倾向外包非核心业务，表现为中间品采购比例上升。H3：对资产专用性低的行业，交易成本节约效应更显著，因为这类行业更容易从纵向一体化转向市场采购。

利用"六张网"重大工程项目集中开工的时间冲击与项目选址的空间异质性，构建连续型DID（Continuous DID）。识别假定为：项目选址在控制地区经济发展水平和财政能力后，对当地制造业企业的垂直整合决策具有外生性。具体而言，以国家发改委批准的项目开工时点作为处理事件，以项目投资强度（万元/平方公里）作为处理强度的代理变量。使用事件研究法（Event Study）检验平行趋势假定，验证处理组和控制组在项目实施前的垂直整合指数无显著差异。

基准模型为连续型DID：VI_{it} = α + β · Invest_{jt} × Post_t + γ X_{it} + μ_i + λ_t + ε_{it}，其中VI_{it}为企业i在t年的垂直整合指数（采用Acemoglu, Johnson & Mitton, 2009 的价值增值/销售额比率），Invest_{jt}为地区j的"六张网"投资强度，Post_t为项目开工后虚拟变量。μ_i为企业固定效应，λ_t为时间固定效应。机制检验中引入中介变量——区域物流成本指数和信息通达指数——进行逐步回归和Sobel检验。进一步使用引力模型 ln Trade_{ij} = α + β_1 ln Dist_{ij} + β_2 Infra_i + β_3 Infra_j + γ Z_{ij} + ε_{ij} 估计基础设施对市场可达性的影响。

被解释变量为企业垂直整合指数（价值增值/销售额），使用工业企业数据库中企业层面数据计算。核心解释变量为地级市层面"六张网"投资强度，以发改委项目清单中各项目的计划投资额加总后除以辖区面积构造。控制变量包括：企业规模（员工人数）、企业年龄、行业集中度（CR4）、地区GDP增速、地方财政支出占比。机制变量包括公路货运价格、宽带渗透率、物流时效指数。数据期间为2023—2025年，涵盖全国300余个地级市。

第一，使用工具变量法：以历史基础设施存量（1990年公路密度）作为当前投资的工具变量，排除选址内生性。第二，采用倾向得分匹配（PSM-DID），对处理组和对照组进行协变量匹配后重新估计。第三，利用空间断点回归（Spatial RDD），以项目覆盖范围的地理边界作为断点，比较边界两侧企业的垂直整合差异。第四，替换垂直整合指标为中间投入品比率，从投入端验证结论。第五，进行安慰剂检验，将政策时点随机前移1—2年，检验是否产生虚假效应。

---

Acemoglu等 (2006) 指出，后发国家在距前沿较远时可通过模仿和投资实现快速增长，但接近前沿后若不能转向自主创新则陷入"中等收入陷阱"的技术版本。H1：高技术制造业PMI的持续扩张反映了从投资驱动向创新驱动的增长模式转换，R&D投入对产出的边际贡献超过物质资本。H2：AI相关产业扩张通过通用技术（GPT）效应提高高技术制造业TFP，表现为AI渗透率与TFP增速的正向关联。H3：不同技术密集度子行业的追赶速度呈倒U型，中等技术行业追赶最快，极高技术行业仍面临前沿壁垒。

利用AI产业快速发展作为准自然实验，以AI技术渗透度（行业层面AI相关专利申请量、AI企业注册数）作为处理变量，构建连续型DID识别AI对高技术制造业TFP增长的因果效应。识别假定为：在控制行业固有技术机会和市场需求趋势后，AI渗透度的行业差异是外生于行业TFP短期波动的——AI技术的供给端突破（如大模型成熟）对下游制造业应用行业构成正向技术冲击。同时利用面板门槛模型，以技术前沿距离为门槛变量，检验增长驱动因素的非线性切换。

第一步，增长核算：ln(Y/L)_{it} = α + β_1 ln(K/L)_{it} + β_2 ln(RD/Y)_{it} + β_3 AI_{it} + γ X_{it} + μ_i + λ_t + ε_{it}，其中Y为增加值，K为资本存量，RD为研发支出，AI为AI渗透指数。第二步，面板门槛模型：TFP_growth_{it} = α_i + β_1 · Driver_{it} · I(Dist_{it} ≤ γ) + β_2 · Driver_{it} · I(Dist_{it} > γ) + ε_{it}，Dist为技术前沿距离，Driver包括资本深化和R&D强度。第三步，利用Olley-Pakes分解评估AI密集型企业的再配置效应。

被解释变量为行业TFP增长率，使用OP法和LP法分别估计后取均值。核心解释变量包括：（1）技术前沿距离（Dist）= 中国行业TFP / 美国同行业TFP；（2）AI渗透指数 = 行业AI专利数 / 行业总专利数；（3）R&D强度 = 行业研发支出 / 营业收入。控制变量包括人力资本（行业本科以上从业人员占比）、FDI渗透率、政府补贴强度、行业出口占比。跨国TFP比较使用EU KLEMS和OECD STAN数据库。时间跨度为2015—2025年，涵盖高技术制造业12个子行业。

第一，替换技术前沿距离的测度方式：使用劳动生产率比（而非TFP比）和专利引用距离作为替代指标。第二，使用Bartik工具变量，以全球AI技术发展趋势（美国AI专利增长率）作为中国行业AI渗透度的工具变量。第三，利用PSM-DID匹配AI高渗透与低渗透行业，在匹配样本上重新估计AI的TFP效应。第四，排除半导体行业（受外部制裁影响）后重新估计基准模型，检验结论是否依赖单一行业。第五，采用不同国家的TFP基准（德国、日本、韩国）进行敏感性分析。

---

在劳动力需求理论框架下，PMI扩张信号通过两条渠道影响就业：集约边际（现有企业增加工时和用工）和广延边际（新企业进入和岗位创建）。H1：PMI每上升1个百分点，制造业新增招聘岗位数在1—2个月后显著增加3%—5%。H2：高技术制造业PMI扩张对高技能岗位（本科以上、技术岗）的拉动效应大于对低技能岗位的拉动，加剧技能结构极化。H3："两新"政策驱动的设备更新需求主要通过资本-技能互补渠道提升高技能劳动力工资溢价。

利用PMI荣枯线（50%）构造模糊断点回归（Fuzzy RDD）：以PMI是否突破50%作为处理变量，以PMI连续值作为工具变量。识别假定为：PMI在荣枯线附近的微小变动对劳动力市场而言是准随机的——企业招聘决策不完全取决于PMI是否恰好为49.9%或50.1%，但荣枯线作为政策信号和市场预期的锚点，确实影响了企业行为（锚定效应的制度体现）。同时利用招聘大数据的时间频率优势，以月度面板固定效应模型控制城市和行业不可观测因素。

第一步，Fuzzy RDD：JobPosting_{ct} = α + β · I(PMI_t ≥ 50) + f(PMI_t) + γ X_{ct} + μ_c + λ_t + ε_{ct}，其中JobPosting为城市c在t月的新增制造业岗位数（对数），f(PMI_t)为PMI的柔性多项式函数。第二步，面板固定效应模型：Wage_{sct} = α + β_1 PMI_t + β_2 HighTech_s × PMI_t + γ X_{sct} + μ_{sc} + λ_t + ε_{sct}，检验行业技能密集度对PMI-工资传导的调节效应。第三步，Oaxaca-Blinder分解，将高低技能工资差距分解为禀赋效应和回报效应。

核心被解释变量包括：（1）城市-月度新增制造业招聘岗位数（对数），来自智联招聘API；（2）制造业城镇单位就业人员月平均工资；（3）高技能岗位占比（要求本科以上的岗位数/总岗位数）。核心解释变量为制造业PMI及其与行业虚拟变量的交互项。控制变量包括：城市GDP增速、最低工资标准、城镇调查失业率、制造业固定资产投资增速、高校毕业生供给量。样本涵盖全国50个主要制造业城市，时间跨度为2023年1月至2026年6月。

第一，替换RDD带宽：分别采用CCT最优带宽及其0.5倍和2倍带宽，检验断点估计的稳定性。第二，使用McCrary密度检验验证PMI在荣枯线附近是否存在操纵（manipulation），排除断点失效风险。第三，以城镇调查失业率中的25—59岁人口失业率替代招聘数据作为被解释变量，从宏观就业指标验证结论。第四，利用2020—2022年疫情冲击期间的数据作为反事实检验，考察PMI收缩期的就业调整是否呈现非对称性。第五，对城市样本按制造业集聚程度分组，检验结论是否依赖产业集聚效应。

---