芯片法案与产业政策：五个反直觉的工程结论

title: “芯片法案与产业政策：五个反直觉的工程结论”
authors: “DeepThink.ai”
affiliations: “AI Genius Institute”
keywords: “芯片法案；产业政策；半导体供应链；学习曲线；韧性工程；政策耦合；隐性知识”

Abstract

人工智能（AI）算力需求把半导体产业政策从传统的产业补贴问题，推到了 AI 基础设施韧性工程的位置。美国《芯片与科学法案》（CHIPS Act）授权约 527 亿美元的联邦投入并配套税收抵免，试图重建本土制造能力；欧盟、日本、韩国、中国和印度也推出了规模空前的半导体产业政策。既有讨论多集中在补贴金额、地缘政治和“国产化率”上，缺少一个把学习曲线、供应网络、产能冗余、政策延迟和隐性知识放在同一框架内分析的系统视角。本文把半导体产业政策形式化为一个多时间尺度、多回路的工程控制问题，并推导出五个可检验的命题：补贴应按学习溢出定价而非按资本缺口定价；本土化率不是韧性指标，瓶颈中心性与恢复时间才是；最优冗余是需求的分位数，而且应购买“可恢复的冗余”；补贴与出口管制是同一控制系统的两个执行器，单独加码会导致政策振荡；人才与隐性知识的半衰期决定政策时序，资本不能替代良率生态。本文不报告新的因果估计；所有数值均来自公开文献，或为明确标注假设的示意计算。五个结论的共同含义是：产业政策的设计变量应从“给多少钱”转向“调哪个回路、增益多大、延迟多长、由谁验收”。

你离拥有一支永不停歇、持续进化的 AI 超级研发团队，只差一次 git clone——DeepThink 是 AI Genius Institute & 光剑AI 打造的开源、免费、可自由使用的私有 AI 操作系统（AI OS）：在安全隔离的沙箱中自主执行代码、管理文件、完成超复杂长程任务，作为自托管、多用户、本地优先的 AI Agent Loop Engineering 系统，支持桌面端+浏览器+移动端，让 DeepThink 成为你的全能数字助手；它不止让你使用 AI，更要让你从工具使用者进化为代码创造者，最终成长为可自我繁衍的超级智能体，让每家企业都拥有自己的 AI 超级研发团队，一起走向 AGI——现在就去 git clone，顺手点亮 Star：你收藏的不是一个仓库，而是通往 AGI 的入场券。🚀

DeepThink，开源企业级自主 Agent 超级智能体自进化平台，是从 Harness Engineering 到 Loop Engineering 范式的先行者，面向企业客户的新一代 AI 基础设施（AI Infra）。DeepThink 平台以多 Agent 协作框架为核心，融合 AI 自主编程（AI Coding）、自主进化（Self-Evolving）、全栈可观测性（Full-Stack Observability）、Bug 自修复闭环（Bug Auto-Fix Loop） 与 程序员-Agent 共生协作（Human-Agent Symbiosis），构建一个能持续学习、自我改进、最终成长为超级智能体的企业级 AI 系统。

DeepThink 项目开源代码（如果你觉得好玩，就一起来玩， Star 一下）：
Gitcode: https://gitcode.com/AIGeniusInstitute/deepthink
Github: https://github.com/AIGeniusInstitute/deepthink

0 研究定位、标题解释与假设

0.1 标题解释

本文的“芯片法案”指美国 2022 年通过的《芯片与科学法案》（CHIPS and Science Act of 2022；U.S. Congress, 2022），但分析对象不限于美国。本文把“产业政策”理解为政府以补贴、税收优惠、公共研发、采购、出口管制、本土化要求和战略储备等工具，改变半导体产业资源配置的一组行动。本文把“工程结论”定义为：可以由工程或经济模型形式化、能够转化为政策设计规则、并且可以用公开数据检验的命题。这里的“工程”不限于晶圆制造工艺，而是指把政策视为一个受物理延迟、容量约束、网络瓶颈和反馈回路约束的系统。

标题中的“五个反直觉”是全文的组织线索。反直觉不是指结论违反常识，而是指它们与当前政策讨论中常用的三个代理指标——补贴金额、国产化率、名义产能——相冲突。本文的主张是：这三个指标可以作为投入或产出记录，但不能作为产业政策的目标函数。

0.2 研究问题

本文试图回答三个问题：

1. 在存在学习溢出、供应网络瓶颈、技术折旧和政策延迟的条件下，产业政策的关键设计变量是什么？
2. 为什么一些看起来“更多、更快、更强”的政策组合，会在系统层面产生更差的韧性或更大的波动？
3. 如何把五个工程结论转化为可检验的假设和可执行的政策设计规则？

本文不试图估计《芯片法案》的因果效应，也不评价某一国家产业政策的成败。本文的定位是分析型论文：先建立可复核的模型，再给出待检验的预测，最后给出验证方案。

0.3 基本假设

本文的分析建立在以下五个假设之上。它们不是对现实的完整描述，而是为了让命题可推导、可证伪而做出的显式简化。

• A1（目标假设）：产业政策的目标是社会福利与供应安全的加权组合，而不是单一的名义产能或国产化率。国家安全外部性无法完全货币化，因此模型只给出可货币化部分的边界。
• A2（学习假设）：在相关技术节点范围内，单位成本随累计产量近似按幂律下降；学习收益存在跨企业、跨地区的溢出。
• A3（网络假设）：供应链在短期内近似 Leontief 型（固定投入比例），投入品之间的替代需要时间；长期存在有限替代弹性。
• A4（延迟假设）：政策工具从决策到生效存在不可忽略的延迟，且政策制定者观察到的指标含有噪声。
• A5（知识假设）：良率不仅取决于设备，还取决于工艺整合、设备维护、故障诊断和团队协作等隐性知识；这些知识会折旧，且重建需要时间。

这些假设的直接含义是：不能用静态的投入—产出账本评价产业政策，必须把时间、反馈和瓶颈纳入评价。

0.4 数据与时间边界

本文引用的政策金额、就业估计和学习率均来自公开文献或官方报告。对于 2025—2026 年间仍在变化的《芯片法案》执行细节，例如奖励金额的重新谈判、股权化安排和拨款进度，本文只引用公开报告中的区间或事实，并在正文标注 [TODO: 以官方最新公告为准]；这些执行细节的具体数字，本文写作时无法核实到稳定的官方最终口径。国会研究服务局（CRS，2026）的项目进展报告是本文使用的公开来源之一。本文不引用未公开的企业良率、晶圆成本或客户数据；涉及这些参数时，一律标注 [TODO: 参数待校准]。

1 Introduction

1.1 从产业补贴到 AI 基础设施韧性

半导体产业政策并不是新事物。日本、韩国和中国在不同时期都使用过产业政策工具；相关历史梳理可参见 Juhász 等（2024）和 Choi 与 Levchenko（2021）。新一轮产业政策的不同之处在于三个结构性变化。

第一，AI 算力需求把先进逻辑、高带宽存储（HBM）和先进封装捆绑成一条更短、更紧的供应链。一个 AI 加速器的可用算力，不只取决于晶圆厂的光刻能力，还取决于高带宽存储的供给、先进封装的产能、基板和特种材料的良率。任何一个节点中断，都会沿着系统向下游放大。

第二，全球产业政策的规模已经大到不能被视为“边缘变量”。Goldberg 等（2024）估计，2010—2022 年间，平均每个半导体生产辖区采用约四项政策、支出约 128 亿美元；Patrignani 等（2025）估计，未来 5—10 年全球半导体公共补贴可能超过 4000 亿美元，约为 2005—2019 年总和的十倍。补贴不再是纠正单一市场失灵的边际工具，而是塑造产业结构的系统性力量。

第三，政策工具之间的耦合更强。补贴、出口管制、投资审查、本土化要求和人才政策同时作用在同一个产业系统上。一个工具的参数变化，会改变另一个工具的边际效果。把每个工具单独优化，可能得到一个整体不稳定的组合。

1.2 现有讨论的四个盲点

现有政策讨论通常从四个视角展开：产业经济学、国际政治经济学、供应链管理和工程成本分析。每个视角都有重要贡献，但也留下了盲点。

盲点一：用补贴金额代替补贴强度。 讨论常常比较“谁补贴得多”，却很少问“补贴相对于什么边际外部性”。如果学习溢出很低，或者溢出主要流向国外，那么更大的补贴金额可能只带来更低的国民回报。Goldberg 等（2024）估计的企业—技术节点层面学习率约为 3.4%，允许企业内跨节点溢出后约为 4.7%，并发现显著的跨国学习效应。这一数量级远低于产业界常用的“学习曲线传说”，意味着补贴的边际收益需要重新计算。

盲点二：用国产化率代替韧性。 国产化率衡量的是价值增加值的地理分布，不衡量中断后的恢复能力。一个国家的最终组装环节国产化率很高，但关键基板、特种气体、备件或电子设计自动化（EDA）工具依赖单一海外供应商，系统仍然脆弱。美国半导体行业协会（SIA）与波士顿咨询公司（BCG）（2021）指出，全球半导体价值链上有 50 多个环节由单一地区掌握 65% 以上的市场份额；2021 年时，最先进的 10 纳米以下制造能力全部集中在台湾（92%）和韩国（8%）。这些事实说明，韧性是网络属性，不是本地化比例属性。

盲点三：用名义产能代替有效产能。 一座晶圆厂从宣布到量产需要数年，从量产到目标良率又需要时间。宣布的产能、建成的产能和可用的产能不是同一个量。把“已宣布投资”或“已建成厂房”当作供应安全，会系统性高估短期韧性。

盲点四：把政策工具当作独立旋钮。 补贴和出口管制作用在同一组供需关系上，但方向、延迟和观察指标不同。补贴需要数年才能形成产能，出口管制可以在数月内改变设备、软件或零部件的可得性。两个工具同时加码，可能产生相位错位，导致“缺货—扩产—过剩—再管制”的振荡。

1.3 本文思路：把产业政策当作工程系统

本文把半导体产业政策写成一个状态空间系统。状态变量包括产能、累计产量、单位成本、供应网络、库存、价格、隐性知识和政策工具强度。政策工具通过带有延迟的通道作用于状态变量，状态变量又通过反馈影响下一轮政策。系统的关键性质不是某个变量的水平，而是回路的增益、延迟、瓶颈位置和可恢复性。

在这一框架下，本文得到五个反直觉结论：

1. 补贴应按学习溢出定价，而不是按资本缺口定价。
2. 本土化率不是韧性指标；瓶颈中心性与恢复时间才是。
3. 最优冗余是需求的分位数，而且应购买“可恢复的冗余”。
4. 补贴与出口管制是同一控制系统的两个执行器，单独加码会导致政策振荡。
5. 人才与隐性知识的半衰期决定政策时序，资本不能替代良率生态。

1.4 主要贡献

本文的贡献可以概括为四点。

• 提出一个把学习曲线、供应网络、产能期权、政策耦合和隐性知识放在同一框架内的分析结构，并给出五个可检验命题。
• 给出五个反直觉结论的数学条件，而不是停留在定性判断。例如，命题 1 给出最优补贴率与学习弹性、溢出份额和公共资金影子价格的关系；命题 4 给出双回路系统的稳定区间。
• 把每个结论转化为一条政策设计规则和一条可检验预测，形成“理论—设计—验证”的工作流。
• 给出一个只使用公开数据的验证方案，包括识别策略、指标、稳健性检验和失败模式，便于后续研究填充实证结果。

本文不声称五个结论已经得到实证确认。它们的地位是“在明确假设下推导出的、可被数据推翻的命题”。这也是本文把实验设计单独列出的原因。

1.5 结构安排

第 2 节按技术流派梳理产业政策、供应链韧性、学习曲线和政策控制相关文献。第 3 节给出问题形式化、状态变量、五个反馈回路和评价指标。第 4 节逐条展开五个反直觉结论，每条包括常见直觉、模型、反直觉含义、设计规则和证据锚点。第 5 节给出验证方案与实验设计，所有结果单元格保留为待填。第 6 节讨论适用边界、政治经济与伦理影响。第 7 节总结。附录给出命题证明、验证伪代码、数据字典和政策核对清单。

2 Related Work

2.1 产业政策与半导体经济学

产业政策的现代经济学讨论已经从“要不要做”转向“在什么条件下有效”。Juhász、Lane 和 Rodrik（2024）把产业政策定义为政府以公共目标为导向、显式改变经济活动的政策，并指出新实证文献在测量、因果识别和经济结构方面比旧文献更严谨。Choi 和 Levchenko（2021）利用韩国重化工业推进的自然实验发现，临时性补贴可以在补贴结束 30 年后仍然留下企业规模和生产率效应，其机制包括边干边学（learning-by-doing）和金融摩擦。这些研究说明，产业政策不是必然失败，但其效果高度依赖政策设计和初始条件。

半导体领域的专门研究提供了更直接的证据。Goldberg 等（2024）利用 2004—2015 年的价格数据估计学习率，发现企业—技术节点层面的学习率约为 3.4%，允许企业内跨节点溢出后约为 4.7%，并发现显著的跨国学习。这意味着，补贴的收益会部分流向其他辖区。Fieldhouse 和 Mertens（2025）估计，联邦非国防研发投入对私人部门生产率有显著因果效应；如果《芯片法案》授权的研发投入被充分利用，可能在七年以上带来 0.2%—0.4% 的生产率提升，峰值年份的产出增加可能超过 400 亿美元。Erten、Stiglitz 和 Verhoogen（2026）利用县级季度就业数据估计，《芯片法案》的直接就业效应约为 1.49 万—2.09 万个，间接效应约为 2.76 万—3.35 万个，合计约 4.25 万—5.44 万个。这些估计的共同点是：收益存在，但量级和分配取决于具体机制，不能用“投资额乘乘数”来替代。

与上述文献相比，本文不试图估计某一项政策的平均处理效应，而是把政策工具放进一个带延迟和反馈的工程系统，关注政策组合的稳定性、瓶颈位置和时序。这是本文与产业政策计量研究的主要区别。

2.2 供应链韧性与风险传播

供应链韧性研究已经形成三条主线。第一条是网络结构主线：Elliott 和 Jackson（2026）建立多部门国际生产网络模型，证明中断的短期影响可以远大于长期影响；短期损失取决于所有涉及中断品的最终品价值，长期损失只取决于中断品的成本。供应链复杂度上升会提高中断概率和短期损失，但同时降低单位成本。第二条是运营韧性主线：Sheffi 和 Rice（2005）区分冗余与柔性，指出冗余在正常时期是纯成本，而柔性可以在日常运营中创造竞争优势，因此通常具有更高的杠杆。第三条是半导体专门研究：Ramirez 和 Le（2025）系统综述半导体供应链韧性，指出恢复能力和网络级韧性指标是研究缺口；Xiong、Wu 和 Yeung（2025）综述半导体供应链中断、缓解策略和未来方向，强调地缘政治与公共卫生事件，并建议去中心化网络和必要冗余。

半导体供应链的工程特征进一步限制了通用韧性理论的适用性。SIA 和 BCG（2021）给出了价值链集中度、单点故障和完全自给成本的数量级：完全自给需要至少 1 万亿美元的增量前期投资，并可能使芯片价格上升 35%—65%；台湾晶圆厂完全中断一年可能使全球电子供应链停摆，永久中断则需要至少三年和 3500 亿美元才能在其他地区重建相应产能。Noor 等（2023）指出，美国先进封装生态的薄弱环节不在晶圆制造，而在外包封装测试（OSAT）、基板和先进封装能力。Kanungo 等（2023）则从芯片架构角度证明，单一的“一芯片对一需求”映射是脆弱性的来源；架构分散可以几乎将供应波动的损失减半。这些研究共同说明，韧性是“网络位置 × 可替代性 × 恢复时间”的函数，而不是“本地价值增值比例”的函数。

本文与上述文献的区别在于：本文把瓶颈中心性和恢复时间写成一个可排序的指标，并将其与“国产化率”这一政策代理指标直接对照；本文还用报童模型和期权视角解释为什么“更多冗余”不是线性更好的。

2.3 学习曲线、产能与制造工程

学习曲线的经典形式来自 Wright（1936）：累计产量每翻一番，单位成本按固定比例下降。Hatch 和 Mowery（1998）利用半导体制造数据说明，边干边学 与工艺创新、设备更新和制造实践共同决定良率与成本，不能把成本下降全部归因于累计产量。Goldberg 等（2024）的估计进一步表明，半导体学习率远低于产业界常用的经验值，且存在显著的跨企业、跨国溢出。这意味着，学习曲线的政策含义不是“多生产就自然降本”，而是“只有能被本地捕获的学习溢出才值得补贴”。

在制造工程侧，良率爬坡是资本、工艺和隐性知识的联合产物。设备可以采购，厂房可以建设，但工艺整合、故障诊断、设备维护和跨工序协作需要团队经验。Hatch 和 Mowery（1998）强调工艺转移和工程资源的作用；SIA 和 BCG（2021）把人才与劳动力发展列为产业政策的核心建议之一。本文把这些工程事实抽象为隐性知识状态变量，并推导出“资本先到、良率后到”的时序陷阱。

本文与学习曲线文献的区别在于：本文不把学习率当作一个外生参数直接用于预测成本，而是把学习溢出作为补贴定价的边际收益，并区分本地捕获与跨境泄漏。本文与制造工程文献的区别在于：本文把良率爬坡的时间结构写进政策时序，而不是把它当作项目执行细节。

2.4 政策耦合、系统动力学与控制

Forrester（1971）早就指出，社会系统的反直觉行为来自反馈回路、延迟和非线性；局部干预常常在系统层面产生相反效果。Åström 和 Murray（2008）给出了反馈系统稳定性的标准工具：回路增益、相位滞后、Nyquist 判据和小增益定理。产业政策研究也开始关注工具组合。Patrignani、Savini Zangrandi 和 Schiavone（2025）把出口管制、投资审查和补贴放在同一分析框架内，指出既有研究常把限制性措施和补贴分开研究，而现实中两者是同一地缘经济战略的两个执行器。该文估计未来 5—10 年全球半导体公共补贴可能超过 4000 亿美元，并带动超过 7000 亿美元的私人投资，其中一半以上流向美国。

本文与政策耦合文献的区别在于：本文把补贴和出口管制写成一个带延迟的线性反馈系统，给出可计算的稳定区间，并把“政策控制室”作为设计建议。本文不评价出口管制的安全收益，也不把安全外部性简化为价格；本文只分析可货币化的供应回路，这也是本文的边界。

2.5 研究缺口

综合上述文献，可以看到三个缺口。

第一，产业政策研究多关注“政策是否有效”，较少关注“政策组合是否稳定”。补贴与管制的同时加码，可能通过延迟和相位错位产生振荡，但这一机制在半导体政策讨论中还没有被形式化。

第二，供应链韧性研究多关注网络结构和运营策略，较少把“国产化率”这一政策指标与“瓶颈中心性 × 恢复时间”这一工程指标放在同一模型中比较。

第三，学习曲线研究多关注成本下降的估计，较少把学习溢出作为补贴定价的显式依据，并与人才、良率和政策时序联系起来。

本文试图填补这三个缺口，但只给出分析框架和可检验命题，不宣称已经完成实证识别。

3 分析框架

3.1 问题形式化

考虑一个由 (n) 个生产节点组成的半导体供应网络。节点 (i) 的产出为 (x_i)，最终需求为 (d)，投入产出关系为 (x=(\mathbf{I}-A)^{-1}d)，其中 (A) 是投入系数矩阵，(\mathbf{I}) 是与 (A) 同阶的单位矩阵。节点 (i) 的产能为 (K_i)，累计产量为 (Q_i)，单位成本为 (c_i(Q_i))。政策工具向量为
[
\mathbf{z}t=\left(s_t,e_t,l_t,r_t,I_t\right),
]
其中 (s_t) 是补贴强度，(e_t) 是出口管制强度，(l_t) 是本土化要求，(r_t) 是战略冗余，(I_t) 是人才与工艺投入。政策工具通过带延迟的通道作用于状态变量：
[
\mathbf{x}{t+1}=F\left(\mathbf{x}t,\mathbf{z}{t-\tau},\boldsymbol{\varepsilon}t\right),
]
其中 (\tau) 是工具特定的延迟向量，(\boldsymbol{\varepsilon}t) 是外生冲击。社会目标可以写成
[
\max{\mathbf{z}}; \mathbb{E}\left[\sum{t=0}^{{\infty}\beta}t\left(W(\mathbf{x}_t)-C(\mathbf{z}_t)-\Lambda(\mathbf{x}_t)\right)\right],
]
其中 (W) 是消费者剩余和产业产出的加权，(C) 是政策成本（包括公共资金影子价格），(\Lambda) 是供应中断损失和国家安全外部性。由于 (\Lambda) 难以货币化，本文不求解完整的动态最优控制问题，而是分别分析五个局部回路，并给出每个回路的政策含义。

3.2 状态变量与政策工具

表 1 列出本文使用的主要符号。符号的选择遵循两个原则：第一，每个符号对应一个可观测或可代理的工程/经济量；第二，每个符号在命题中都有明确的作用，不做无用的形式化。

表 1 主要符号

符号	含义	单位/取值	首次出现
(Q)	累计产量	片、颗或等效产出	3.1
(c(Q))	单位成本（学习曲线）	美元/单位	3.1
(P)	产品价格	美元/单位	4.1
(c_K)	单位产能成本	美元/单位	4.3
(T_e)	有效冗余的折算时间（至中断或产能启用）	年	4.3
(\alpha)	学习弹性	无量纲，(\alpha>0)	4.1
(LR)	学习率	(LR=1-2^{-\alpha})	4.1
(\sigma)	未被本地捕获的学习溢出份额	([0,1])	4.1
(\lambda)	公共资金影子价格	无量纲，(\lambda\ge0)	4.1
(A)	投入系数矩阵	无量纲	3.1
(B_i)	节点 (i) 的瓶颈中心性	综合指标	4.2
(T_i)	节点 (i) 的恢复时间	周/月	4.2
(\kappa_i)	节点 (i) 的可替代性	([0,1])	4.2
(L_c)	本地价值增值比例	([0,1])	4.2
(K)	产能	片/月	4.3
(D)	需求	片/月	4.3
(p)	短缺惩罚（含安全外部性）	美元/单位	4.3
(\delta)	技术相关性衰减率	1/年	4.3
(\xi_t)	短缺或产能缺口	片/月	4.4
(u_t)	补贴强度	无量纲	4.4
(v_t)	出口管制强度	无量纲	4.4
(k_s,k_c)	政策反应系数	无量纲	4.4
(H)	隐性知识存量	综合指标	4.5
(I)	人才与工艺投入（单位矩阵另记作 (\mathbf{I})）	美元/年	4.5
(\tau_K,\tau_T,\tau_Y)	资本、培训、良率延迟	年	4.5
(T_{1/2})	隐性知识半衰期	年	4.5

3.3 五个反馈回路

本文把产业政策分解为五个回路。图 1 给出一个纯文本的工程视图：政策工具作用于产能、网络、库存和人才，四类状态又通过成本、价格和短缺信号回到政策端。每个回路都有自己的增益、延迟和瓶颈。

┌──────────────────────────────────────────────────────────────┐
│                    政策工具（多时间尺度）                     │
│  补贴 s   出口管制 e   本土化要求 l   战略冗余 r   人才投入 I │
└───────────────┬───────────────────────────────┬──────────────┘
                │                               │
                ▼                               ▼
       ┌─────────────────┐             ┌─────────────────┐
       │ 产能/资本 K      │             │ 供应网络 S       │
       │ 建设延迟 τ_K     │             │ 瓶颈 B_i, 恢复时间│
       └────────┬────────┘             └────────┬────────┘
                │                               │
                ▼                               ▼
       ┌─────────────────┐             ┌─────────────────┐
       │ 累计产出 Q       │             │ 中断损失 L       │
       │ 学习率 α, 溢出 σ │             │ 恢复时间 T       │
       └────────┬────────┘             └────────┬────────┘
                │                               │
                ▼                               ▼
       ┌─────────────────┐             ┌─────────────────┐
       │ 单位成本 c(Q)    │             │ 短缺/价格 P      │
       └────────┬────────┘             └────────┬────────┘
                │                               │
                └──────────────┬────────────────┘
                               ▼
                    ┌─────────────────────┐
                    │ 政策再调节（延迟τ_P）│
                    │ 补贴/管制/冗余/人才  │
                    └─────────────────────┘

图 1 半导体产业政策的五回路工程视图（本文绘制）

五个回路分别是：

• 回路 A（学习—成本回路）：补贴 → 产能 → 累计产出 → 单位成本 → 补贴需求。回路增益取决于学习弹性 (\alpha) 和本地捕获的溢出份额 (1-\sigma)。如果溢出主要流向外部，回路增益会泄漏到辖区之外。
• 回路 B（本地化—集中度回路）：本土化要求 → 本地生产比例 → 网络集中度 → 中断损失 → 更强的本土化要求。回路可能是稳定的，也可能是自我强化的，取决于本地化是否降低了瓶颈中心性。
• 回路 C（冗余—短缺回路）：战略冗余 → 可用产能/库存 → 短缺损失 → 冗余需求。回路的价值取决于短缺惩罚 (p)、单位产能成本 (c_K) 和技术衰减率 (\delta)。
• 回路 D（补贴—管制回路）：出口管制 → 可用供应 → 短缺 → 补贴/管制强度 → 供应。两个执行器方向相反、延迟不同，可能产生振荡。
• 回路 E（人才—良率回路）：人才投入 → 隐性知识 → 良率 → 有效产能 → 产业收益 → 人才投入。回路的时间常数通常长于资本回路，因此容易被短期政策忽视。

3.4 评价指标

本文使用六类指标评价产业政策：

1. 学习指标：学习率 (LR)、学习弹性 (\alpha)、本地捕获份额 (1-\sigma)。用于判断补贴的边际社会收益。
2. 网络指标：瓶颈中心性 (B_i)、恢复时间（time-to-recovery，TTE）、供应集中度（赫芬达尔—赫希曼指数，HHI）、可替代性 (\kappa_i)。用于判断韧性的瓶颈位置。
3. 产能指标：名义产能、有效产能、良率、产能利用率、时间到量产（time-to-volume）、时间到良率（time-to-yield）。用于区分“建成”和“可用”。
4. 期权指标：静态冗余成本、柔性产能成本、转换时间、有效冗余 (K_{\text{eff}})。用于判断冗余的工程价值。
5. 稳定性指标：政策回路增益、延迟、相位裕度、价格波动、库存波动、资本开支波动。用于判断政策组合是否稳定。
6. 知识指标：隐性知识存量、半衰期、培训投入、工艺转移速度、人才留存率。用于判断政策的时序约束。

这些指标的共同点是：它们都可以用公开数据或企业披露数据构造代理变量，不依赖单一的“补贴金额”或“国产化率”。

3.5 命题与可检验含义

本文的核心分析结果是五个命题。表 2 给出五个命题的简化版本；第 4 节给出完整推导和证据锚点。

表 2 五个命题的分析入口与设计变量

编号	常见政策直觉	反直觉结论	关键量	设计规则
1	资本缺口越大，补贴应越多	补贴应按学习溢出定价；资本缺口本身不构成补贴理由	(\alpha,\sigma,\lambda,c(Q)/P)	先做学习溢出审计，再定补贴强度
2	国产化率越高，供应链越安全	本土化率不是韧性指标；瓶颈中心性 × 恢复时间才是	(B_i,T_i,\kappa_i,L_c)	按瓶颈排序，按恢复时间验收
3	冗余越多越好，至少要有固定比例备用产能	最优冗余是需求的分位数；静态冗余会随技术折旧而贬值	(c_K,p,\delta,T_e)	购买可恢复的冗余，而不是闲置产能
4	补贴不够就加补贴，管制不够就加管制	补贴与管制是耦合回路；单独加码会使系统振荡	(k_s,k_c,\tau)	建立政策控制室，保持净增益在稳定区间
5	先把厂建起来，人才和岗位会跟上	资本可以快速到位，良率生态不能；资本不能替代隐性知识	(H,\delta,\tau_K,\tau_T,\tau_Y)	人才先行/并行，把良率爬坡写进拨款里程碑

表 2 的五个结论将在第 4 节逐条展开。每个结论都对应一个可检验假设，表 3 给出验证设计的骨架；具体结果单元格在第 5 节保留为待填。

表 3 可检验假设与验证设计骨架

注：BIS 为美国工业与安全局，QCEW 为季度就业与工资普查，WSTS 为世界半导体贸易统计组织，SEMI 为国际半导体产业协会，OECD TiVA 为经济合作与发展组织增加值贸易数据库。

假设	核心预测	主要数据	识别策略	预期符号
H1	补贴的边际效果随本地学习溢出份额上升；资本缺口不单独预测效果	CHIPS 奖励、SEC 披露、SIA/SEMI 价格与出货	事件研究、匹配双重差分（DiD）、评分门槛断点	(\partial^2 Y/\partial s\partial(1-\sigma)>0)；(\partial Y/\partial \Delta K) 不稳健
H2	在相同冲击下，瓶颈中心性高的地区损失更大；国产化率不预测恢复时间	UN Comtrade、OECD TiVA、企业供应商披露、冲击事件	暴露度设计、shift-share、合成控制	(\partial L/\partial B_i>0)；(\partial TTE/\partial L_c) 符号不稳定
H3	超过需求分位数后，新增静态产能的边际韧性收益下降；柔性产能更有效	产能公告、设备交期、短缺事件、企业资本开支	事件研究、期权定价、比较案例分析	边际收益非单调；(\partial R/\partial K_f>\partial R/\partial K_s)（当 (\delta T) 高）
H4	补贴—管制失衡越大，价格/库存/资本开支波动越大	BIS 公告、CHIPS 奖励、SEMI 出货、WSTS 价格	事件研究、结构 VAR、政策反应函数	失衡指标与波动正相关；稳定区间内波动较低
H5	培训/工艺投入先于设备安装的地区，时间到良率更短	项目里程碑、QCEW、美国国家科学基金会（NSF）国家科学与工程统计中心（NCSES）、企业披露	交错双重差分（staggered DiD）、合成控制	前置培训缩短 time-to-yield；资本-only 项目更慢

3.6 与标准政策评估的区别

标准的政策评估通常问：“这项政策是否提高了产出、就业或投资？”本文问的是三个不同的问题：

1. 边际问题：在当前系统状态下，多一美元补贴应该投向哪个回路？
2. 稳定性问题：补贴、管制、冗余和人才投入的组合是否在稳定区间内？
3. 时序问题：政策工具的相对延迟是否与产业系统的物理延迟匹配？

这三个问题不能由单一的因果效应估计回答。它们需要一个结构化的工程模型，以及一套能够区分“水平效应”和“系统效应”的验证设计。本文的五个命题就是为此准备的。

4 五个反直觉的工程结论

4.1 结论一：补贴应按“学习溢出”定价，而不是按“资本缺口”定价

4.1.1 常见直觉

最常见的政策论证是：本土晶圆厂的资本开支高于海外，单位成本更高，因此需要补贴来弥补“资本缺口”。这一论证在项目层面是合理的：如果政府希望某座晶圆厂落地，补贴可以降低企业的净资本成本。但把它上升为产业政策的一般规则，会忽略一个关键问题：补贴的边际社会收益来自哪里？

如果补贴的唯一理由是资本缺口，那么补贴应该与缺口成正比；缺口越大，补贴越多。然而，资本缺口是一个固定成本概念，它不随产量、学习或知识溢出变化。用固定成本缺口来证明持续的单位补贴，在逻辑上是不成立的。真正决定补贴社会收益的，是学习曲线带来的动态外部性，以及这种外部性有多少能被本地捕获。

4.1.2 模型

设企业 (i) 的累计产量为 (Q)，单位成本为
[
c(Q)=c_0 Q^{-\alpha},\qquad \alpha>0.
]
学习率与学习弹性的关系为
[
LR=1-2^{-\alpha},\qquad \alpha=-\log_2(1-LR).
]
对 (Q) 求导，得到
[
\frac{dc}{dQ}=-\alpha\frac{c(Q)}{Q}.
]
多生产一单位当前产出，会降低未来所有单位的生产成本。若未来产出与当前产出成比例，则边际外部收益的局部近似为
[
\mathrm{MEB}(Q)=-\frac{\partial c}{\partial Q}Q=\alpha c(Q).
]
设 (\sigma\in[0,1]) 是未被本地捕获的学习溢出份额（包括流向其他企业、其他地区或其他国家的部分），则本地可获得的边际外部收益为
[
\mathrm{MEB}_{\text{local}}(Q)=\sigma\alpha c(Q).
]
设公共资金的边际成本为 (\lambda\ge0)，单位补贴为 (s)。最优补贴满足
[
\sigma\alpha c(Q)=(1+\lambda)s.
]
因此
[
s^=\frac{\sigma\alpha c(Q)}{1+\lambda},\qquad
\tau^*=\frac{s}{P}=\frac{\sigma\alpha}{1+\lambda}\cdot\frac{c(Q)}{P},
]
其中 (P) 是产品价格，(\tau^*) 是从价补贴率。正的补贴要求
[
\sigma\alpha\frac{c(Q)}{P}>\lambda.
]
资本缺口 (\Delta K) 没有出现在这个条件中。它影响的是项目的参与约束和固定成本回收，而不影响学习溢出的边际收益。换言之，资本缺口可以决定“是否值得做这个项目”，但不能单独决定“每单位产出应该补多少”。

这个结果有一个直接推论：如果学习溢出主要流向外部（(\sigma) 接近 1），或者公共资金影子价格很高（(\lambda) 很大），那么最优补贴可能为零甚至为负。此时，更有效的工具可能是公共研发、标准制定、人才培训或国际联合研发，而不是对量产环节的持续补贴。

4.1.3 以公开学习率估计为锚的示意计算

Goldberg 等（2024）估计，企业—技术节点层面的学习率约为 3.4%，允许企业内跨节点溢出后约为 4.7%。用 (\alpha=-\log_2(1-LR)) 换算，得到 (\alpha\approx0.050)（3.4%）和 (\alpha\approx0.069)（4.7%）。表 4 给出在 (\lambda=0)、(c(Q)/P=1) 的简化假设下，不同溢出份额对应的最优从价补贴率。

表 4 学习率、溢出份额与最优补贴率的示意计算

学习率 (LR)	学习弹性 (\alpha)	(\sigma=0.2) 时 (\tau^*)	(\sigma=0.5) 时 (\tau^*)	(\sigma=0.8) 时 (\tau^*)
3.4%	0.050	1.0%	2.5%	4.0%
4.7%	0.069	1.4%	3.5%	5.5%

注：表中数值由公式 (\tau^*=\sigma\alpha/(1+\lambda)\cdot(c(Q)/P)) 在 (\lambda=0)、(c(Q)/P=1) 下计算，属于示意性灵敏度分析，不是对任何国家或项目的实证估计。真实补贴率还需要考虑税收、土地、贷款担保、研发抵免和国家安全外部性。

这张表的政策含义是：如果学习溢出份额只有 20%，那么按学习溢出定价的最优补贴率大约在 1%—1.4% 的量级；如果溢出份额达到 50%，则大约在 2.5%—3.5% 的量级。这与“按资本成本比例补贴”的常见论证不是同一个逻辑。后者可能有必要，但它的依据是项目参与约束或国家安全，而不是学习溢出。

4.1.4 反直觉含义

反直觉一：资本缺口越大，不一定应该补贴越多。 如果一个大项目位于学习溢出低、供应链配套弱、人才生态薄的地区，它的资本缺口可能很大，但社会边际收益可能很低。此时，补贴只是把固定成本从企业转移给纳税人，不能产生持续的学习外部性。

反直觉二：补贴的边际收益会随补贴规模递减。 学习曲线的斜率不是无限的。随着累计产量增加，单位成本下降的绝对幅度变小，补贴的边际收益也随之下降。把补贴规模当作线性杠杆，会高估大额补贴的效果。

反直觉三：跨境学习越强，国家补贴的国民回报越低。 Goldberg 等（2024）发现显著的跨国学习效应。如果学习主要流向国外，那么一国的量产补贴在某种程度上是在补贴全球产业。这并不意味着补贴一定不值得，而是意味着补贴的评估口径必须是“本地捕获的溢出”，而不是“全球成本下降”。

4.1.5 设计规则与证据锚点

设计规则 R1：先做学习溢出审计，再定补贴强度。

具体做法包括：

1. 估计目标技术节点的学习率 (LR) 和学习弹性 (\alpha)，区分企业内学习、企业间学习和跨国学习。
2. 估计本地捕获份额 (1-\sigma)，至少给出区间，而不是点估计。
3. 估计公共资金影子价格 (\lambda)，把税收扭曲和机会成本纳入分母。
4. 把补贴分为“参与约束型”和“溢出定价型”：前者用于解决项目可行性，后者用于购买可测量的学习外部性。两类补贴应有不同的金额、期限和验收指标。
5. 对于溢出主要流向外部的情况，优先使用公共研发、标准、人才和国际联合研发，而不是量产补贴。

证据锚点：Goldberg 等（2024）的 3.4%—4.7% 学习率估计、Choi 和 Levchenko（2021）的长期产业政策效应、Fieldhouse 和 Mertens（2025）的公共研发社会回报估计。这些研究共同说明，产业政策的收益存在，但量级远小于“投资额乘乘数”的直觉。

4.2 结论二：本土化率不是韧性指标；“瓶颈中心性 × 恢复时间”才是

4.2.1 常见直觉

政策讨论常用“国产化率”衡量供应链安全：本地价值增值比例越高，供应链越自主，越不容易被“卡脖子”。这一指标在政治上直观，在统计上可计算，因此被广泛使用。但它有两个问题。

第一，国产化率是价值增值的地理分布，不是供应网络的拓扑结构。一个环节国产化率高，可能只是最终组装或低附加值环节留在本地，而关键材料、设备、软件和备件仍然依赖进口。第二，国产化率不包含恢复时间。一个环节即使国产化率很低，如果有多个可替代供应商、库存充足、恢复时间短，它的风险可能低于一个国产化率高但单点集中的环节。

4.2.2 模型

考虑一个 Leontief 供应网络：
[
x=(\mathbf{I}-A)^{-1}d,
]
其中 (x) 是总产出向量，(A) 是投入系数矩阵，(d) 是最终需求向量。定义节点 (i) 的瓶颈中心性为
[
B_i=\underbrace{\left(\sum_j w_j\left[(\mathbf{I}-A)^{-1}\right]{ji}\right)}{\text{下游可达性}}\cdot
\underbrace{(1-\kappa_i)}{\text{不可替代性}}\cdot
\underbrace{T_i}{\text{恢复时间}},
]
其中 (w_j) 是最终品 (j) 的需求权重，(\kappa_i\in[0,1]) 是节点 (i) 的可替代性，(T_i) 是中断后的恢复时间。第一项衡量节点 (i) 对下游最终品的覆盖范围；第二项衡量短期替代的困难程度；第三项衡量中断持续的时间。三者相乘，得到一个“下游暴露 × 不可替代 × 恢复时间”的综合指标。

定义本地价值增值比例为
[
L_c=\frac{\sum_i \mathbf{1}_{i\in D}v_i}{\sum_i v_i},
]
其中 (D) 是本地节点集合，(v_i) 是节点 (i) 的价值增值。韧性定义为
[
R=1-\frac{\mathbb{E}[L]}{L_0},
]
其中 (L) 是中断造成的最终产出损失，(L_0) 是无中断时的基准产出。

命题 2：在一般 Leontief 网络和给定冲击下，(\partial R/\partial L_c) 没有确定的符号；提高本地价值增值比例可能提高韧性，也可能降低韧性。韧性的排序更接近 (B_i) 的排序，而不是 (L_c) 的排序。

证明思路见附录 A.2。直观上，若本土化把生产从“低瓶颈、多备份”的海外节点转移到“高瓶颈、低备份”的本地节点，(L_c) 上升，但 (B_i) 也上升，期望损失可能增加。相反，若本土化针对的是高瓶颈节点，并且同时建立双源、库存和可替代工艺，(B_i) 下降，韧性才会提高。

4.2.3 证据锚点

SIA 和 BCG（2021）的报告给出了价值链集中度的基线：50 多个环节由单一地区掌握 65% 以上的市场份额；约 75% 的全球半导体制造能力集中在中国和东亚；2021 年时，10 纳米以下的先进制造能力全部在台湾（92%）和韩国（8%）。报告还估计，完全自给需要至少 1 万亿美元的增量前期投资，并可能使芯片价格上升 35%—65%；台湾晶圆厂完全中断一年可能使全球电子供应链停摆，永久中断则需要至少三年和 3500 亿美元才能重建。需要说明的是，这是 2021 年的基线，此后美国、日本和欧洲的产能布局已有变化，具体份额需要更新 [TODO: 数据待更新]；但“集中度是网络属性”这一结构判断不依赖具体年份。

Noor 等（2023）指出，美国先进封装生态的薄弱环节在 OSAT、基板和先进封装能力，而不仅仅是晶圆制造。这意味着，即使晶圆厂在本土，封装和基板的海外单点仍然可以把整条供应链卡住。Kanungo 等（2023）从芯片架构角度说明，单一的“一芯片对一需求”映射会放大供应波动；架构分散可以显著降低损失。Elliott 和 Jackson（2026）则证明，供应网络的短期中断损失取决于所有涉及中断品的最终品价值，可能远大于长期成本效应。这些证据共同支持一个结论：韧性应按瓶颈位置和恢复时间排序，而不是按本地价值增值比例排序。

4.2.4 反直觉含义

反直觉一：国产化率上升，供应链可能更脆弱。 如果本土化把生产集中到一个高瓶颈节点，并且减少了海外备份和库存缓冲，国产化率上升会提高系统集中度，反而增加中断损失。

反直觉二：一座本土晶圆厂不等于一条本土供应链。 晶圆厂需要特种气体、光刻胶、基板、备件、EDA 工具和计量设备。只要这些投入品中存在单点瓶颈，晶圆厂的“本土化”就只是一个节点，而不是整条链。

反直觉三：低国产化率但高可替代性的环节，可能比高国产化率但低可替代性的环节更安全。 韧性取决于中断后的恢复能力，而不是价值增值的地理标签。

4.2.5 设计规则与证据锚点

设计规则 R2：按瓶颈中心性排序，按恢复时间验收。

具体做法包括：

1. 建立 tier-2/tier-3 供应地图，至少覆盖关键材料、设备零部件、基板、封装、EDA 和计量设备。
2. 对每个节点估计 (B_i)：下游可达性、可替代性、恢复时间。可以用投入产出表、企业供应商披露、海关数据和行业访谈组合估计。
3. 把“国产化率”降级为投入指标，把“瓶颈中心性下降”和“恢复时间缩短”升级为验收指标。
4. 对高瓶颈节点优先使用双源、库存、盟友产能和可替代工艺，而不是单纯要求本地生产。
5. 在政策评估中同时报告 (L_c) 和 (B_i)，避免用单一比例掩盖网络风险。

证据锚点：SIA 和 BCG（2021）的集中度数据、Noor 等（2023）的先进封装生态分析、Kanungo 等（2023）的架构韧性研究、Elliott 和 Jackson（2026）的网络传播模型，以及 Ramirez 和 Le（2025）、Xiong 等（2025）的半导体供应链综述。

4.3 结论三：最优冗余是需求的分位数，而且应购买“可恢复的冗余”

4.3.1 常见直觉

政策讨论常把“战略冗余”理解为固定的备用产能比例，例如“保留 10% 或 20% 的额外产能”。这一直觉在工程上有吸引力：多一点产能，总比少一点好。但它忽略了两个事实。第一，冗余是有成本的：设备折旧、维护、人才保留和机会成本都要持续支付。第二，冗余会贬值：在先进制程上，闲置的产能会随着技术节点演进失去相关性；今天的“备用产能”可能在三五年后变成“过时产能”。

4.3.2 模型

考虑一个单期报童模型。需求 (D) 是随机变量，分布函数为 (F)；产能为 (K)；单位产能成本为 (c_K)；单位短缺惩罚为 (p)，包括失去的边际利润和供应安全外部性。期望成本为
[
C(K)=c_K K+p,\mathbb{E}\left[(D-K)^+\right].
]
对 (K) 求导：
[
C’(K)=c_K-p\left(1-F(K)\right).
]
令 (C’(K)=0)，得到
[
F(K^)=1-\frac{c_K}{p},\qquad
K^*=F{-1}\left(1-\frac{c_K}{p}\right).
]
如果 (c_K\ge p)，则 (K^=0)：冗余的成本高于短缺的期望损失，不应该保留冗余。如果 (c_K<p)，最优冗余是需求分布的 (1-c_K/p) 分位数，而不是一个固定的百分比。

这个结果的含义是：最优冗余取决于成本比 (c_K/p) 和需求分布的形状，而不是取决于“行业惯例”。对于需求波动大、短缺惩罚高的环节，最优冗余可能很高；对于需求稳定、替代性强的环节，最优冗余可能很低。

进一步考虑技术折旧。设先进制程产能的技术相关性按 (e^{-\delta T_e}) 衰减，其中 (\delta) 是技术相关性衰减率，(T_e) 是从当前到中断发生或产能启用所需的时间。则静态产能的有效冗余为
[
K_{\text{eff}}(T_e)=K e^{-\delta T_e}.
]
柔性产能（可转换产线、可重构设备、模块化厂房）的有效冗余为
[
K_{\text{eff,f}}(T_f)=K_f e^{-\delta T_f},
]
其中 (T_f) 是转换时间。若 (T_f<T_e)，柔性产能即使单位成本更高，也可能具有更高的有效冗余。最优组合可以通过最小化
[
c_sK_s+c_fK_f+p,\mathbb{E}\left[\left(D-K_s e^{-\delta T_e}-K_f e^{-\delta T_f}\right)^+\right]
]
得到。这个式子说明，冗余不是一种同质资产；静态产能和柔性产能的工程价值不同。

4.3.3 证据锚点

Sheffi 和 Rice（2005）指出，冗余在正常时期是纯成本，而柔性可以在日常运营中创造竞争优势，因此通常具有更高的杠杆。Kanungo 等（2023）证明，架构分散可以几乎将供应波动的损失减半；这本质上是“可替代性”而不是“静态备用产能”。Dixit 和 Pindyck（1994）的实物期权理论说明，在不确定性和不可逆投资下，等待和保留选择权本身具有价值。把这些观点结合起来，可以得到一个工程结论：产业政策应该购买“可恢复的冗余”，而不是“闲置的产能”。

4.3.4 反直觉含义

反直觉一：冗余不是越多越好。 当冗余超过需求分布的 (1-c_K/p) 分位数后，新增产能的边际韧性收益低于其成本。把“备用产能比例”当作固定目标，会系统性地过度投资或投资不足。

反直觉二：静态备用产能会随技术折旧而贬值。 在先进制程上，闲置产能不是免费保险；它需要维护、人才和工艺更新。若技术相关性衰减很快，静态冗余的有效价值可能远低于名义产能。

反直觉三：柔性产能可能比专用产能更“便宜”。 柔性产能的单位建设成本可能更高，但它的有效冗余更高、转换时间更短、日常利用率更高。按“每美元有效冗余”计算，柔性产能可能更优。

4.3.5 设计规则与证据锚点

设计规则 R3：把冗余当期权，而不是当库存。

具体做法包括：

1. 估计每个关键环节的 (c_K/p) 和需求分布，计算最优冗余分位数，而不是拍脑袋定比例。
2. 区分静态产能、柔性产能、库存、双源协议和设备保留合同，按“每美元有效冗余”排序。
3. 对技术折旧快的环节，优先购买可转换产线、模块化厂房和设备保留，而不是长期闲置的专用产能。
4. 对宣布的产能打折：用“名义产能 × 良率 × 时间折扣 × 技术相关性折扣”计算有效产能，而不是直接加总公告数字。
5. 在政策合同中加入“可恢复性”条款：企业需证明在中断后多长时间内可以恢复或转换产能，而不仅仅是证明拥有产能。

证据锚点：Sheffi 和 Rice（2005）的冗余—柔性框架、Kanungo 等（2023）的架构分散结果、Dixit 和 Pindyck（1994）的实物期权理论。

4.4 结论四：补贴与出口管制是耦合回路，单独加码会导致政策振荡

4.4.1 常见直觉

政策讨论常把补贴和出口管制当作两个独立的工具：补贴用于建设本土产能，管制用于限制竞争对手获得关键技术。如果补贴效果不够，就增加补贴；如果管制效果不够，就收紧管制。每个工具都有自己的目标，似乎可以分别优化。

但两个工具作用在同一组供需关系上。补贴增加本土供给，管制减少对手或盟友的可得供给；两者都会改变价格、库存和投资预期。更重要的是，两个工具的实施延迟不同：补贴从立法到产能释放可能需要三到五年，管制从公告到生效可能只需数月。延迟差异会产生相位错位，使政策在错误的时间点加码。

4.4.2 模型

设 (\xi_t) 是短缺或产能缺口（正值表示短缺），(u_t) 是补贴强度，(v_t) 是出口管制强度。简化动态为
[
\xi_{t+1}=\xi_t-a u_{t-\tau_s}+b v_{t-\tau_c}+\varepsilon_t,
]
其中 (a>0) 表示补贴增加供给、缓解短缺，(b>0) 表示管制减少可得供给、加剧短缺，(\tau_s,\tau_c) 是两个工具的延迟。设政策对短缺作出反应：
[
u_t=k_s \xi_t,\qquad v_t=k_c \xi_t,
]
其中 (k_s,k_c>0)。补贴是负反馈（短缺越高，补贴越多，供给增加），管制在这个简化模型中是正反馈（短缺越高，安全担忧越强，管制越紧，供给进一步减少）。把政策规则代入，得到
[
\xi_{t+1}=\xi_t-a k_s \xi_{t-\tau_s}+b k_c \xi_{t-\tau_c}+\varepsilon_t.
]
为看清稳定性条件，先考虑单位延迟 (\tau_s=\tau_c=1)：
[
\xi_{t+1}=\xi_t-\left(a k_s-b k_c\right)\xi_{t-1}+\varepsilon_t.
]
特征方程为
[
z^2-z+\left(a k_s-b k_c\right)=0.
]
设净增益 (g=a k_s-b k_c)。特征根为
[
z_{1,2}=\frac{1\pm\sqrt{1-4g}}{2}.
]
当 (0<g<1) 时，两个根的模都小于 1，系统稳定；当 (g\le0) 时，管制回路压过补贴回路，系统出现持续短缺或振荡；当 (g\ge1) 时，补贴回路过强，系统出现过度扩张和随后的调整。因此，稳定区间是
[
0<a k_s-b k_c<1.
]
这是一个双边约束：补贴不能太弱，也不能太强；管制不能太强，否则会把系统推出稳定区间。对于更一般的延迟，稳定区间通常会进一步收窄，精确边界由特征方程
[
z^{\tau+1}-z{\tau}+\left(a k_s-b k_c\right)=0
]
给出，见附录 A.4。

命题 4：在补贴—管制双回路模型中，政策组合的稳定性取决于净增益 (g=a k_s-b k_c) 和延迟结构，而不是取决于任一工具的单独强度。存在一个稳定区间；当管制强度超过补贴强度，或补贴强度导致净增益超过上界时，系统失稳。

这个结果的政策含义是：补贴和管制不是“越多越好”的独立旋钮，而是同一控制系统的两个执行器。把两个工具同时拉满，可能得到最大的政策强度，但也可能得到最不稳定的系统。

4.4.3 证据锚点

Patrignani 等（2025）把出口管制、投资审查和补贴放在同一框架内，指出既有研究常把限制性措施和补贴分开研究，而现实中两者是同一地缘经济战略的两个执行器。该文估计未来 5—10 年全球半导体公共补贴可能超过 4000 亿美元，约为 2005—2019 年总和的十倍，并带动超过 7000 亿美元的私人投资，其中一半以上流向美国。这个规模意味着，政策组合的相位和稳定性不再是学术细节，而是会影响全球资本开支、价格和库存的现实变量。

SIA 和 BCG（2021）曾建议建立“清晰、稳定、有针对性的半导体贸易管制框架”，避免广泛单边限制。这一建议与本文的稳定性分析一致：不是不要管制，而是管制需要与补贴、盟友协调和产业缓冲一起设计，避免把系统推出稳定区间。

4.4.4 反直觉含义

反直觉一：更强硬的管制可能要求更强的补贴，而更强的补贴又可能触发更强的管制。 两个工具互相抬升，形成政策强化的正反馈。若没有协调机制，政策强度会超过产业系统的吸收能力。

反直觉二：补贴过多也会导致不稳定。 在模型中，净增益超过上界时，系统会出现过度扩张和随后的调整。现实中，这对应“补贴—扩产—过剩—价格下跌—企业亏损—再补贴”的周期。

反直觉三：政策的效果取决于延迟匹配，而不只取决于力度。 如果补贴的产能释放时间与管制的生效时间错位，政策可能在短缺已经缓解时才释放产能，或在产能已经过剩时才收紧供应。延迟匹配是政策设计的一阶问题，不是执行细节。

4.4.5 设计规则与证据锚点

设计规则 R4：建立政策控制室，测量回路增益、延迟和交叉耦合。

具体做法包括：

1. 把补贴、管制、投资审查、本土化要求和人才政策放在同一个政策仪表盘上，至少按季度更新。
2. 估计每个工具的延迟分布，而不是只用平均值；补贴的延迟包括立法、选址、建设、设备安装、良率爬坡，管制的延迟包括公告、生效、豁免和执法。
3. 估计净增益 (g=a k_s-b k_c) 的代理变量，例如补贴强度、管制覆盖范围、价格波动、库存波动和资本开支波动。
4. 设立“稳定区间”预警：当管制强度接近或超过补贴强度，或当补贴导致的资本开支增速超过需求增速时，触发跨部门协调。
5. 使用前馈而非仅反馈：在管制公告前评估对设备、材料、备件和盟友产能的影响；在补贴分配前评估与管制的时间错位。

证据锚点：Patrignani 等（2025）的政策组合分析、SIA 和 BCG（2021）的贸易管制建议、Forrester（1971）的系统动力学、Åström 和 Murray（2008）的反馈稳定性理论。

4.5 结论五：人才与隐性知识的半衰期决定政策时序

4.5.1 常见直觉

常见的产业政策叙事是“先建厂，再招人”：资本补贴用于建设晶圆厂，工厂建成后自然创造就业，人才会随着产业聚集而成长。这一叙事在短期内有一定道理，但它把人才当作产业的“下游结果”，而不是“上游投入”。在半导体制造中，良率不仅取决于设备，还取决于工艺整合、设备维护、故障诊断、跨工序协作和供应商协同。这些能力属于隐性知识，无法通过购买设备瞬间获得。

4.5.2 模型

设 (H(t)) 是隐性知识存量，(I(t)) 是人才与工艺投入，(\delta) 是知识折旧率，(\tau_T) 是培训与工艺转移的延迟。知识动态为
[
\dot H(t)=I(t-\tau_T)-\delta H(t).
]
设良率是隐性知识的饱和函数：
[
Y(t)=Y_{\max}\frac{H(t-\tau_Y)}{H(t-\tau_Y)+h_0},
]
其中 (\tau_Y) 是从知识到良率的延迟，(h_0) 是半饱和常数。有效产能为
[
K_{\text{eff}}(t)=K(t)\frac{Y(t)}{Y_{\max}}.
]
如果资本建设延迟 (\tau_K) 小于培训与良率延迟之和 (\tau_T+\tau_Y)，则资本先于良率生态到达：
[
\tau_K<\tau_T+\tau_Y.
]
在这个阶段，名义产能已经形成，但有效产能不足，出现“有厂无良率”的时滞陷阱。知识半衰期为
[
T_{1/2}=\frac{\ln 2}{\delta}.
]
半衰期越短，维护性投入越重要；如果政策只在建设期补贴，不在运营期支持培训和工艺维护，知识会折旧，良率爬坡会变慢。

命题 5：当 (\tau_T+\tau_Y>\tau_K) 时，资本优先的政策路径会产生有效产能缺口；最优政策时序应在资本建设之前或同期投入人才与工艺，并在运营期提供维护性支持。资本补贴不能替代隐性知识积累。

证明思路见附录 A.5。核心直觉是：资本和知识是两个不同时间常数的状态变量。资本可以通过一次性投资快速增加，知识只能通过持续投入和实践积累。把两者当作可互换的投入，会低估良率爬坡的时间。

4.5.3 证据锚点

Hatch 和 Mowery（1998）利用半导体制造数据说明，边干边学、工艺创新、设备更新和制造实践共同决定良率与成本；工艺转移和工程资源不是资本支出的附属品。Goldberg 等（2024）的学习率估计也说明，成本下降需要累计产量和实践，而不是仅仅需要设备。SIA 和 BCG（2021）把人才、科学、技术、工程和数学（STEM）教育和劳动力发展列为产业政策的核心建议。Erten 等（2026）估计的就业效应说明，CHIPS 相关投资确实带来就业，但就业的数量不等于良率生态的质量；两者的时间结构不同。

需要说明的是，本文没有给出 (\delta) 或 (T_{1/2}) 的具体数值。这些参数因工种、工艺节点、地区和企业而异，必须通过企业访谈、项目里程碑和劳动力数据校准 [TODO: 参数待校准]。本文的命题只要求 (\tau_T+\tau_Y>\tau_K) 这一时序条件成立，而不依赖具体数值。

4.5.4 反直觉含义

反直觉一：岗位不会自动跟随工厂。 工厂可以创造岗位，但高质量工艺岗位需要多年培养。把“就业数量”当作产业政策的成功指标，会忽略良率生态的质量和时序。

反直觉二：资本补贴的边际收益可能低于维护性补贴。 在知识存量低、折旧快的地区，培训、工艺转移和设备维护的边际收益可能高于再建一座厂。政策应区分“建设期补贴”和“运营期维护补贴”，不能把两者混为一谈。

反直觉三：人才政策不是产业政策的附属品，而是前置条件。 移民政策、社区学院、职业教育、大学微电子项目和校企联合培养，都是产业政策的一部分。把它们放在“配套措施”里，会低估它们对良率爬坡的作用。

4.5.5 设计规则与证据锚点

设计规则 R5：人才先行/并行，把良率爬坡写进拨款里程碑。

具体做法包括：

1. 在资本拨款前评估本地人才存量、工艺转移能力和培训管线；如果 (\tau_T+\tau_Y>\tau_K)，把人才投入前置或与资本建设并行。
2. 把拨款里程碑从“厂房封顶/设备搬入”扩展到“首片良率/目标良率/时间到良率”，避免只奖励建设、不奖励爬坡。
3. 设立运营期维护性补贴，支持培训、工艺维护、设备校准和供应商协同，防止知识折旧。
4. 把移民政策、职业教育、大学微电子项目和校企联合培养纳入产业政策包，而不是放在“配套”部分。
5. 在项目评估中同时报告名义产能和有效产能，用 (K_{\text{eff}}=K\cdot Y/Y_{\max}) 校正政策目标。

证据锚点：Hatch 和 Mowery（1998）、Goldberg 等（2024）、SIA 和 BCG（2021）、Erten 等（2026）。

4.6 五个结论的汇总

表 5 把五个结论的常见直觉、反直觉结论、关键量和设计规则放在一起。它也是本文的政策核对清单：任何一项产业政策，如果只回答了“给多少钱”，而没有回答“调哪个回路、增益多大、延迟多长、由谁验收”，就还没有完成设计。

表 5 五个反直觉结论的汇总

编号	常见直觉	反直觉结论	关键量	设计规则	可检验预测
1	资本缺口越大，补贴越多	补贴应按学习溢出定价	(\alpha,\sigma,\lambda)	学习溢出审计	本地溢出越高，补贴边际效果越好
2	国产化率越高越安全	瓶颈中心性 × 恢复时间才是韧性	(B_i,T_i,\kappa_i)	按瓶颈排序、按恢复时间验收	高 (B_i) 节点中断损失更大
3	冗余越多越好	最优冗余是需求分位数；静态冗余会贬值	(c_K,p,\delta,T_e)	购买可恢复的冗余	超过分位数后边际收益下降
4	补贴/管制不够就加码	两个工具是耦合回路，单独加码会振荡	(k_s,k_c,\tau)	政策控制室、稳定区间	失衡越大，价格/库存波动越大
5	先建厂，人才会跟上	资本不能替代良率生态	(H,\delta,\tau_K,\tau_T,\tau_Y)	人才先行/并行、良率里程碑	前置培训缩短 time-to-yield

5 验证方案与实验设计

5.1 研究设计原则

本文的五个命题是分析性结论，不是实证结论。要检验它们，需要遵循四个原则。

第一，先测量机制，再估计平均效应。五个命题都涉及机制变量（学习溢出、瓶颈中心性、有效冗余、回路增益、隐性知识），而不是单一处理变量。验证设计应尽量测量这些机制，而不是只估计“补贴是否提高产出”。

第二，利用政策的时间和外生变化。CHIPS 奖励、出口管制公告、设备交期冲击、自然灾害和地缘政治事件都提供了时间变化。事件研究、匹配差分、合成控制和断点回归可以用来识别短期效应；结构模型可以用来推断长期机制。

第三，区分名义变量和有效变量。产能要用良率和时间折扣校正；国产化率要与瓶颈中心性一起报告；补贴要用学习溢出和公共资金影子价格校正。否则，实证结果会被代理指标的系统性偏差污染。

第四，预注册和稳健性。五个命题的预测方向应在分析前明确；数据来源、样本期、变量定义和稳健性检验应预先登记，避免事后选择。对于无法公开的企业数据，应报告数据获取限制和隐私保护措施。

5.2 数据来源

表 6 给出验证方案建议使用的公开数据源。它们是示例性的，不是穷尽列表；具体项目应根据研究问题选择。

注：SIA 为美国半导体行业协会，SEMI 为国际半导体产业协会，WSTS 为世界半导体贸易统计组织，BIS 为美国工业与安全局，QCEW 为季度就业与工资普查，USGS 为美国地质调查局，BEA 为美国经济分析局，OECD TiVA 为经济合作与发展组织增加值贸易数据库，USPTO 为美国专利商标局。

表 6 建议的数据来源

数据源	覆盖范围	频率	主要用途	风险/限制
CHIPS Program Office 奖励公告	美国 CHIPS 制造激励项目	事件驱动	补贴强度、项目类型、地点、金额	公告与最终合同可能不同 [TODO: 待核对]
国会研究服务局（CRS）报告	CHIPS 项目进展、拨款、延迟	年度/不定期	项目状态、政策执行	报告日期和口径需核对
企业 SEC 10-K/10-Q	上市公司资本开支、产能、风险披露	季度/年度	资本开支、项目进度、风险	披露粒度有限，口径不一致
SIA/SEMI/WSTS	全球半导体销售、设备出货、价格	月度/季度	价格、出货、资本开支周期	行业汇总，缺企业级细节
UN Comtrade	半导体及零部件贸易	月度/年度	供应网络、贸易依赖	协调制度（HS）编码粒度有限，转口贸易
OECD TiVA	增加值贸易	年度	本地价值增值、全球价值链	更新滞后，行业聚合
USGS Mineral Commodity Summaries	关键矿物与材料	年度	材料瓶颈	半导体专用材料覆盖有限
BEA/QCEW	产出、就业、工资	季度/年度	就业效应、区域经济	县级数据滞后，行业分类粗
BIS Federal Register	出口管制规则	事件驱动	管制强度、覆盖范围	规则文本复杂，生效/豁免不一
USPTO/专利数据库	专利、引用	年度	技术溢出、知识流动	专利不是唯一知识载体
企业供应商披露/行业访谈	tier-2/tier-3 供应关系	不定期	网络结构、瓶颈	商业机密，样本偏差
项目里程碑公告	奠基、设备搬入、首片、量产	事件驱动	时间到量产/良率	公告口径不一，选择性披露

在方法层面，Salkić 等（2026）展示了如何用大语言模型从企业披露中提取并排序供应链风险，Köse 等（2026）展示了如何重建半导体企业的多关系时序网络。这两类方法可以用于构造 (B_i) 和验证结论 2，但不能替代对真实冲击的因果识别。

5.3 识别策略

5.3.1 H1：学习溢出与补贴定价

目标：检验补贴的边际效果是否随本地学习溢出份额上升，以及资本缺口是否单独预测效果。

设计：利用 CHIPS 奖励的时间错位和项目评分门槛。若存在可观测的评分 cutoff，可以使用断点回归；否则使用匹配差分：将获奖项目与未获奖但条件相近的项目匹配，比较资本开支、产能、单位成本和后续专利申请。学习溢出可以用专利引用、人员流动、供应商关系和企业间技术距离构造代理变量。资本缺口可以用项目所在地区的建设成本、能源价格、劳动力成本和物流成本构造。

结果变量：补贴强度、资本开支、产能、单位成本、专利申请、良率代理（如毛利率、时间到量产）。预期：本地溢出份额越高，补贴的边际效果越好；资本缺口的系数在控制溢出后不稳健。注意：奖励分配不是随机的，评分门槛和地区平衡目标可能带来选择偏差；需要报告平衡性检验和敏感性分析。

5.3.2 H2：瓶颈中心性与韧性

目标：检验在相同冲击下，瓶颈中心性高的节点/地区是否损失更大，以及国产化率是否不预测恢复时间。

设计：构造“冲击暴露度”指标：用中断前一年的投入产出关系和企业供应商披露，计算每个地区/企业对中断节点的暴露。使用 shift-share 设计：地区 (r) 的暴露度等于该地区各行业份额与行业对中断节点依赖度的加权和。比较不同暴露度地区在冲击后的产出、就业、价格和恢复时间。冲击事件包括自然灾害、出口管制、工厂事故和物流中断。

结果变量：产出损失、恢复时间（TTE）、价格涨幅、库存周数、订单交付延迟。预期：(B_i) 高的地区损失更大、恢复更慢；(L_c) 的系数符号不稳定，甚至在控制 (B_i) 后转为负。注意：冲击事件可能同时影响供给和需求；需要区分供给侧和需求侧渠道，使用 placebo 冲击和预趋势检验。

5.3.3 H3：冗余的分位数与可恢复性

目标：检验新增静态产能的边际韧性收益是否在超过需求分位数后下降，以及柔性产能是否更有效。

设计：利用产能公告和短缺事件的时间变化，估计产能对短缺概率、价格波动和恢复时间的影响。可以用事件研究比较“有备用产能”和“无备用产能”的环节在冲击后的表现；也可以用期权定价方法，把冗余视为看涨期权，估计其价值随技术折旧和转换时间的变化。柔性产能的代理变量包括可转换产线、模块化厂房、设备保留合同和双源协议。

结果变量：短缺概率、价格波动、恢复时间、产能利用率、资本开支回报。预期：静态产能的边际收益在需求高分位数后下降；柔性产能在技术折旧快、恢复时间长的环节更有效。注意：产能公告是内生的，企业可能在预期短缺时扩产；需要利用外生冲击（设备交期、政策截止日期）作为工具变量或断点。

5.3.4 H4：补贴—管制耦合与稳定性

目标：检验补贴—管制失衡是否预测价格、库存和资本开支波动，以及稳定区间内的组合是否更平稳。

设计：构造“政策失衡指标” (g_t=a k_s-b k_c) 的代理变量，例如补贴强度与管制覆盖范围的标准化差值。使用事件研究考察管制公告和补贴公告前后的价格、库存、资本开支和股价反应；使用结构 VAR 或局部投影估计政策冲击的动态效应。可以用跨国面板比较不同政策组合的波动性。

结果变量：价格波动、库存波动、资本开支波动、交货期、企业投资。预期：失衡指标越大，波动越大；在稳定区间内，政策组合的波动较低。注意：政策公告是内生的，可能回应产业状况；需要控制经济周期、需求冲击和全球价格；使用高频数据和 placebo 公告。

5.3.5 H5：人才时序与良率爬坡

目标：检验培训/工艺投入先于设备安装的地区是否具有更短的时间到良率，以及资本-only 项目是否更慢。

设计：利用交错的项目开工和投产时间，构造交错差分（staggered DiD）或合成控制。处理组是“培训/工艺投入前置”的项目，对照组是“资本先行”的项目。匹配项目类型、节点、企业规模、地区和需求条件。结果变量包括时间到首片、时间到目标良率、良率代理（毛利率、单位成本）、员工流失率和供应商协同指标。

结果变量：time-to-first-wafer、time-to-yield、良率爬坡斜率、单位成本、员工留存。预期：前置培训缩短 time-to-yield；资本-only 项目的初期良率更低、爬坡更慢。注意：项目选择可能与企业能力相关；需要控制企业固定效应、项目规模和节点；良率数据可能不可得，需使用代理变量并报告测量误差。

5.4 指标与模型

表 7 给出建议的核心指标和计算方式。所有指标都应报告定义、数据来源、时间窗口和不确定性。

表 7 核心指标与计算方式

指标	定义	计算方式	用途
学习率 (LR)	累计产量翻倍时单位成本下降比例	(LR=1-2^{-\alpha})，由成本—累计产量回归估计	H1
本地溢出份额 (1-\sigma)	本地捕获的学习收益比例	专利引用、人员流动、供应商关系、技术距离	H1
瓶颈中心性 (B_i)	下游暴露 × 不可替代 × 恢复时间	投入产出逆矩阵、替代弹性、TTE	H2
恢复时间 TTE	中断后恢复到基准产出的时间	事件研究、生存分析	H2/H3
有效冗余 (K_{\text{eff}})	名义冗余经技术折旧和转换时间校正	(K e^{-\delta T_e})	H3
政策净增益 (g)	补贴回路增益减管制回路增益	结构估计或代理变量	H4
隐性知识半衰期 (T_{1/2})	知识存量衰减到一半的时间	(\ln2/\delta)，由培训、流失、良率数据校准	H5
时间到良率	从首片到目标良率的时间	项目里程碑数据	H5

5.5 主结果表（占位）

表 8 是主结果表的占位模板。本文不填写任何数值，因为本文没有进行新的实证估计；所有单元格应在后续研究中根据预注册方案填充。

表 8 主结果表（占位，待填）

结果	基准模型	备择模型	数据状态	结论状态
H1：补贴边际效果与本地溢出	[TODO: 实验数据待填]	[TODO: 稳健性待填]	[TODO: 数据待获取]	[TODO: 待检验]
H1：资本缺口的独立效应	[TODO: 实验数据待填]	[TODO: 稳健性待填]	[TODO: 数据待获取]	[TODO: 待检验]
H2：瓶颈中心性与损失	[TODO: 实验数据待填]	[TODO: 稳健性待填]	[TODO: 数据待获取]	[TODO: 待检验]
H2：国产化率与 TTE	[TODO: 实验数据待填]	[TODO: 稳健性待填]	[TODO: 数据待获取]	[TODO: 待检验]
H3：冗余分位数与边际收益	[TODO: 实验数据待填]	[TODO: 稳健性待填]	[TODO: 数据待获取]	[TODO: 待检验]
H4：政策失衡与波动	[TODO: 实验数据待填]	[TODO: 稳健性待填]	[TODO: 数据待获取]	[TODO: 待检验]
H5：前置培训与 time-to-yield	[TODO: 实验数据待填]	[TODO: 稳健性待填]	[TODO: 数据待获取]	[TODO: 待检验]

5.6 消融、稳健性与失败模式

消融设计：

1. 学习曲线设定：比较 Wright 型、双因素型和节点固定效应模型；比较企业级、节点级和行业级学习率。
2. 溢出定义：比较专利引用、人员流动、供应商关系和技术距离四种代理；比较本地、国内和跨境溢出。
3. 网络粒度：比较企业级、协调制度（HS）6 位码、行业级和投入产出表级别；比较 Leontief、Cobb-Douglas 和常替代弹性（CES）假设。
4. 冗余定义：比较名义产能、有效产能、柔性产能和库存；比较不同的技术折旧率 (\delta)。
5. 政策延迟：比较点延迟、分布延迟和异质延迟；比较不同政策反应系数 (k_s,k_c)。
6. 公共资金影子价格：比较 (\lambda=0)、0.1、0.3 和 0.5；报告最优补贴率的敏感性。
7. 安全外部性：比较不同的短缺惩罚 (p)；报告结论对 (p) 的敏感性。

稳健性检验：

• 预趋势检验和平行趋势检验。
• 安慰剂处理组和安慰剂冲击时间。
• 替换样本期，排除 COVID-19 异常年份。
• 替换结果变量，使用企业级和地区级数据交叉验证。
• 多重假设检验校正。
• 发表偏倚和选择性披露检验。

失败模式：

1. 数据不可得：企业良率、成本、供应商合同通常是商业机密。应使用公开代理变量，并明确测量误差；不要用未公开数据编造结果。
2. 政策内生性：补贴和管制可能回应产业状况。应利用外生政策变化、评分门槛、盟友协调和时间错位。
3. 网络数据不完整：tier-2/tier-3 供应关系披露有限。应使用多源数据交叉验证，并报告覆盖率和偏差。
4. 模型误设：Leontief 假设可能高估短期损失，CES 假设可能低估瓶颈。应报告多种模型的结果，并做敏感性分析。
5. 外部效度：五个命题在不同节点、不同国家和不同时期可能不同。应报告异质性，不把平均效应当作普遍规律。

5.7 伦理与数据治理

本文的验证方案涉及企业数据、供应链数据和政策数据。研究应遵循以下原则：

• 只使用公开或经授权的数据；不使用窃取的商业机密。
• 对企业级数据做匿名化处理，避免识别单个供应商或客户。
• 报告数据来源、采集时间、覆盖率和已知偏差。
• 不把研究结果用于市场操纵、卡特尔或规避出口管制。
• 在涉及国家安全的研究中，区分可公开的科学结论和不宜公开的敏感细节。
• 对政策建议可能产生的分配效应（地区、工人、企业）进行讨论，避免把“效率”当作唯一标准。

5.8 局限

本文的局限主要有五点。

第一，本文是分析型论文，没有进行新的实证估计。五个命题的实证状态是“待检验”，不是“已确认”。

第二，本文的模型是简化的。Leontief 网络、报童模型、双回路线性系统和隐性知识动态都省略了现实中的异质性、战略行为和制度细节。模型的目的是生成可检验的命题，而不是精确预测。

第三，本文没有完整货币化国家安全外部性。命题 1 的补贴公式只覆盖可货币化的学习溢出；命题 4 的稳定区间只覆盖供应回路，不包括安全收益。真实政策需要在安全、效率和分配之间做显式权衡。

第四，本文的参数没有校准。学习率、溢出份额、瓶颈中心性、技术折旧率、知识半衰期和政策延迟都需要数据和访谈校准。本文给出的是公式和验证方案，不是参数估计。

第五，本文的五个结论可能在不同环节有不同强度。先进逻辑、成熟制程、存储器、先进封装、设备、材料和 EDA 的工程特征不同，不能把五个结论机械地套用到所有环节。第 6 节将讨论适用边界。

6 Discussion

6.1 为什么这些结论反直觉

五个结论之所以反直觉，是因为它们与政策讨论中常用的三个代理指标冲突：补贴金额、国产化率、名义产能。代理指标之所以流行，是因为它们容易测量、容易沟通、容易问责。但工程系统的行为不由代理指标决定，而由回路增益、延迟、瓶颈和期权价值决定。

Forrester（1971）把这种现象称为“社会系统的反直觉行为”：局部干预在反馈系统中产生与直觉相反的结果。半导体产业政策正是这样一个系统。补贴可以增加产能，但也会改变价格、库存和投资预期；国产化可以提高本地价值增值，但也可能提高网络集中度；冗余可以降低短缺，但也可能变成过时资产；管制可以限制对手，但也会改变盟友和本国的供应；建厂可以创造就业，但不能自动创造良率。把这些回路放在一起看，反直觉结论就不再反直觉，而是系统行为的自然结果。

6.2 适用边界：不是所有芯片都适用同一政策

五个结论的强度取决于芯片类型和环节。至少可以区分四类：

1. 先进逻辑：技术折旧快、资本密集、良率爬坡长、地缘政治敏感。结论 3（冗余会贬值）和结论 5（人才时序）尤其重要；结论 1（学习溢出）需要区分企业内学习和跨境溢出。
2. 成熟制程：需求稳定、技术折旧慢、替代性较强。结论 3 的静态冗余可能更有效；结论 1 的补贴应更多关注工艺升级和人才，而不是先进产能。
3. 存储器（含 HBM）：强周期、资本密集、价格波动大。结论 4（政策耦合与波动）尤其重要；结论 3 的期权价值高，因为价格波动大。
4. 设备、材料、EDA 和先进封装：瓶颈集中、替代困难、恢复时间长。结论 2（瓶颈中心性）尤其重要；这些环节的国产化率上升不一定提高韧性，除非同时降低瓶颈中心性。

因此，本文不建议把五个结论当作“一刀切”的政策模板。它们是一个诊断框架：先识别环节的工程特征，再选择对应的结论和设计规则。

6.3 政治经济与伦理影响

产业政策不是纯粹的技术问题。补贴会创造租金，租金会吸引寻租；管制会创造稀缺，稀缺会吸引规避；国产化会创造就业，也会创造低效。五个结论的政策含义必须放在政治经济和伦理框架内讨论。

分配效应：补贴的收益可能流向企业、股东和地区，而成本由纳税人承担。学习溢出审计应同时报告谁获得溢出、谁承担成本。对于落后地区和被替代的工人，政策需要配套的再培训和社会保护。

国家安全：出口管制和本土化要求可能有正当的安全理由，但也可能被用于产业保护。本文的模型只分析供应回路，不评价安全收益；政策制定者需要把安全外部性显式化，而不是把它当作万能理由。

国际协调：半导体供应链是全球性的。一个国家的补贴会改变其他国家的比较优势；一个国家的管制会改变盟友的供应。五个结论中的“学习溢出”和“政策耦合”都指向国际协调的必要性。协调不等于放弃国家安全，而是把补贴、管制、研发和人才政策放在一个可预期的框架内，减少以邻为壑的竞争。

伦理边界：本文反对用产业政策进行市场操纵、卡特尔或规避出口管制；也反对用“国家安全”名义无限制地扩大管制，损害民用科技和全球福利。产业政策的最终目标是提高公共福利和供应安全，而不是让特定企业获得租金。

6.4 对 AI 基础设施政策的含义

AI 算力基础设施是半导体产业政策的新前沿。一个 AI 数据中心的可用算力，取决于先进逻辑、HBM、先进封装、电力、冷却和网络。任何一个环节的瓶颈，都可能把“算力投资”变成“闲置资本”。本文的五个结论对 AI 基础设施政策有三点直接含义。

第一，算力政策的评价指标应从“GPU 采购量”转向“有效算力”：不仅要看芯片数量，还要看 HBM 供给、先进封装产能、良率、电力可用性和网络带宽。这与结论 2 和结论 3 一致。

第二，算力供应链的瓶颈可能在封装、基板、HBM 和电力，而不是晶圆制造。政策应优先降低这些瓶颈的中心性，而不是只补贴晶圆厂。这与结论 2 一致。

第三，算力政策的时间尺度与半导体产业的时间尺度不同。AI 模型迭代以月计，晶圆厂建设以年计，人才生态以十年计。政策必须匹配这三个时间尺度，否则会出现“模型等算力、算力等封装、封装等人才”的连锁延迟。这与结论 5 一致。

7 Conclusion

本文把半导体产业政策形式化为一个多时间尺度、多回路的工程控制问题，并推导出五个反直觉结论。

第一，补贴应按学习溢出定价，而不是按资本缺口定价。资本缺口可以解释项目是否需要支持，但不能单独解释单位补贴的强度。以公开学习率估计为锚的示意计算显示，最优补贴率对本地溢出份额高度敏感。

第二，本土化率不是韧性指标；瓶颈中心性与恢复时间才是。一个国家的最终组装国产化率很高，但关键材料、设备、封装或 EDA 依赖单点，系统仍然脆弱。政策应按瓶颈排序，按恢复时间验收。

第三，最优冗余是需求的分位数，而不是固定比例；静态冗余会随技术折旧而贬值。政策应购买可恢复的冗余，例如柔性产能、设备保留、双源协议和模块化厂房，而不是长期闲置的专用产能。

第四，补贴与出口管制是同一控制系统的两个执行器。两个工具方向相反、延迟不同，单独加码会使系统振荡。稳定区间由净增益和延迟结构决定，政策协调比单工具强度更重要。

第五，人才与隐性知识的半衰期决定政策时序。资本可以快速到位，良率生态不能。政策应人才先行或并行，把良率爬坡写进拨款里程碑，并在运营期提供维护性支持。

本文没有报告新的实证结果；五个结论是待检验的命题，不是已经确认的因果结论。未来的工作可以从四个方向推进：第一，用公开数据和企业访谈校准学习率、溢出份额、瓶颈中心性、技术折旧率、知识半衰期和政策延迟；第二，构建一个包含五个回路的动态结构模型，做政策反事实分析；第三，利用 CHIPS 奖励、出口管制公告、自然灾害和项目里程碑做自然实验；第四，建立“政策控制室”原型，把补贴、管制、冗余和人才投入放在同一个仪表盘上，实时监测回路增益和波动。

产业政策的最终问题不是“政府是否应该干预”，而是“在哪个回路、以多大增益、在多长延迟内、由谁验收”。把这个问题回答清楚，比争论补贴金额更有意义。

References

说明：以下条目均来自公开可检索来源。对于未能核实到官方链接的条目，正文以 标注，不将其作为关键论据。参考文献不包含虚构的作者、DOI、页码或机构。

• Åström, K. J., & Murray, R. M. (2008). Feedback Systems: An Introduction for Scientists and Engineers. Princeton University Press.
• Choi, J., & Levchenko, A. A. (2021). The Long-Term Effects of Industrial Policy (NBER Working Paper No. 29263). https://doi.org/10.3386/w29263
• Congressional Research Service. (2026). Semiconductor Fabrication Facilities Funded by the CHIPS Act: Project Status and Considerations for Congress (Report No. R49031, July 14, 2026). https://www.everycrsreport.com/files/2026-07-14_R49031_157331cbaf561ee49780ef5b60b2f38407b33cde.html
• Dixit, A. K., & Pindyck, R. S. (1994). Investment under Uncertainty. Princeton University Press.
• Elliott, M. L., & Jackson, M. O. (2026). Supply Chain Disruptions, the Structure of Production Networks, and the Impact of Globalization (arXiv:2511.03660). https://arxiv.org/abs/2511.03660
• Erten, B., Stiglitz, J., & Verhoogen, E. (2026). Employment Impacts of the CHIPS Act (NBER Working Paper No. 34625). https://www.nber.org/papers/w34625
• Fieldhouse, A. J., & Mertens, K. (2025). The Social Returns to Public R&D (NBER Working Paper No. 33780). https://www.nber.org/papers/w33780
• Forrester, J. W. (1971). Counterintuitive Behavior of Social Systems. Technology Review, 73(3).
• Goldberg, P. K., Juhász, R., Lane, N. J., Lo Forte, G., & Thurk, J. (2024). Industrial Policy in the Global Semiconductor Sector (NBER Working Paper No. 32651). https://www.nber.org/papers/w32651
• Hatch, N. W., & Mowery, D. C. (1998). Process Innovation and Learning by Doing in Semiconductor Manufacturing. Management Science, 44(11), 1461–1477. https://doi.org/10.1287/mnsc.44.11.1461
• Juhász, R., Lane, N., & Rodrik, D. (2024). The New Economics of Industrial Policy. Annual Review of Economics, 16, 213–242. https://doi.org/10.1146/annurev-economics-081023-024638
• Kanungo, R., Siva, S., Bleier, N., Mubarik, M. H., Varshney, L., & Kumar, R. (2023). Understanding Interactions Between Chip Architecture and Uncertainties in Semiconductor Supply and Demand (arXiv:2305.11059). https://arxiv.org/abs/2305.11059
• Köse, S., Diem, C., Dervic, E., Friesenbichler, K., Heiler, G., Hurt, J., Picatto, H., & Klimek, P. (2026). Reconstructing Temporal Multi-Relational Firm Networks at Scale Using Large Language Models: The Case of the Semiconductor Industry (arXiv:2605.15842). https://arxiv.org/abs/2605.15842
• Noor, R., Kottur, H. R., Craig, P. J., Biswas, L. K., Khan, M. S. M., Varshney, N., Dalir, H., Akçalı, E., Motlagh, B. G., Woychik, C., Yoon, Y.-K., & Asadizanjani, N. (2023). US Microelectronics Packaging Ecosystem: Challenges and Opportunities (arXiv:2310.11651). https://arxiv.org/abs/2310.11651
• Patrignani, L., Savini Zangrandi, M., & Schiavone, A. (2025). Between Sanctions and Subsidies: Reshaping the Semiconductor Ecosystem (Bank of Italy, Questioni di Economia e Finanza No. 934). https://www.bancaditalia.it/pubblicazioni/qef/2025-0934/index.html
• Ramirez, Z. R., & Le, T. V. (2025). Semiconductor Supply Chain Resilience: Systematic Review, Conceptual Framework, Implementation Challenges, and Future Research Directions. Computers & Industrial Engineering, 210, 111518. https://doi.org/10.1016/j.cie.2025.111518
• Salkić, E., Fichtl, A., Ulrich, P., Ehm, H., Bonik, M., & Groh, G. (2026). A Systematic Approach to Constructing a Chance-and-Risk Matrix for Semiconductor Supply Chains (arXiv:2609.01563). https://arxiv.org/abs/2609.01563
• Semiconductor Industry Association & Boston Consulting Group. (2021). Strengthening the Global Semiconductor Supply Chain in an Uncertain Era. https://www.semiconductors.org/strengthening-the-global-semiconductor-supply-chain-in-an-uncertain-era/
• Sheffi, Y., & Rice, J. B. (2005). A Supply Chain View of the Resilient Enterprise. MIT Sloan Management Review, 47(1), 41–48. https://sloanreview.mit.edu/article/a-supply-chain-view-of-the-resilient-enterprise/
• U.S. Congress. (2022). CHIPS and Science Act of 2022, Public Law 117-167. https://www.congress.gov/bill/117th-congress/house-bill/4346
• Wright, T. P. (1936). Factors Affecting the Cost of Airplanes. Journal of the Aeronautical Sciences, 3(4), 122–128. https://doi.org/10.2514/8.155
• Xiong, W., Wu, D. D., & Yeung, J. H. Y. (2025). Semiconductor Supply Chain Resilience and Disruption: Insights, Mitigation, and Future Directions. International Journal of Production Research, 63(9), 3442–3465. https://doi.org/10.1080/00207543.2024.2387074

Appendix

A.1 命题 1 的推导

设累计产量为 (Q)，单位成本为 (c(Q)=c_0Q^{-\alpha})。当前多生产一单位，会使未来所有单位的成本下降。若未来产出路径为 ({Q_t})，贴现率为 (r)，则本地捕获的边际外部收益为
[
\mathrm{MEB}{\text{local}}=\sigma\int_0^\infty e^{-rt}\left(-\frac{\partial c(Q_t)}{\partial Q}\right)Q_t,dt.
]
在平衡增长路径上，(Q_t=Qe^{gt})，且 (-\partial c/\partial Q=\alpha c(Q)/Q)。代入得
[
\mathrm{MEB}{\text{local}}=\sigma\alpha c(Q)\int_0^\infty e^{-(r-g)t},dt
=\frac{\sigma\alpha c(Q)}{r-g},
]
其中 (r>g)。若把分母 (r-g) 吸收进公共资金影子价格或贴现因子，则得到正文中的局部近似 (\mathrm{MEB}{\text{local}}\approx\sigma\alpha c(Q))。最优补贴满足 (\mathrm{MEB}{\text{local}}=(1+\lambda)s)，因此
[
s^=\frac{\sigma\alpha c(Q)}{(1+\lambda)(r-g)},\qquad
\tau^*=\frac{s}{P}=\frac{\sigma\alpha}{(1+\lambda)(r-g)}\cdot\frac{c(Q)}{P}.
]
正文为了简化，将 ((r-g)) 归一化为 1；这相当于把所有变量解释为“按增长率调整后的现值”。若 ((r-g)) 不等于 1，最优补贴率的量级会相应变化，但“补贴随 (\sigma\alpha) 上升、资本缺口不单独进入公式”的结论不变。

A.2 命题 2 的两节点反例

考虑一个两节点网络：最终组装节点 (F) 和关键投入节点 (C)。最终品产出为
[
y=\min(x_F,x_C).
]
假设 (F) 和 (C) 各需要 1 单位投入，最终品价值为 1。初始时，(F) 在海外，(C) 有双源；本地价值增值比例为 (L_c^0)。现在把 (F) 迁回本地，本地价值增值比例上升到 (L_c^1>L_c0)。但迁回后，(F) 采用零库存，且 (C) 的本土供应只有单源，恢复时间为 (T_C^1>T_C0)。中断概率为 (\pi)。期望损失为
[
\mathbb{E}[L]=\pi\cdot \mathbf{1}{T_C>T_{\text{buffer}}}\cdot y.
]
如果迁回前 (T_C^0\le T_{\text{buffer}})，迁回后 (T_C^1>T_{\text{buffer}})，则期望损失从 0 变为 (\pi y)，而 (L_c) 上升。因此 (\partial R/\partial L_c<0)。这个反例说明，本地化率与韧性之间没有单调关系；韧性的变化取决于本地化是否降低了瓶颈中心性和恢复时间。

A.3 命题 3 的报童模型与期权解释

报童模型的推导已在正文给出。这里补充期权解释。把备用产能视为一个看涨期权：在中断发生时，企业可以行使期权，获得 ((D-K)^+) 的额外产出。期权的价值随需求波动率上升而上升，随执行价格（产能成本 (c_K)）上升而下降，随到期时间（技术相关性）下降而下降。若技术折旧率为 (\delta)，期权的有效到期时间为 (1/\delta)；(\delta) 越大，期权价值越低。柔性产能相当于一个执行价格更高但到期时间更长的期权；当 (\delta) 很大时，柔性期权可能比静态期权更有价值。

A.4 命题 4 的稳定性条件

正文给出了单位延迟的稳定条件 (0<g<1)，其中 (g=ak_s-bk_c)。对于一般延迟 (\tau_s,\tau_c)，特征方程为
[
z^{\tau+1}-z{\tau}+ak_s z^{\tau-\tau_s}-bk_c z^{\tau-\tau_c}=0.
]
当 (\tau_s=\tau_c=\tau) 时，化为
[
z^{\tau+1}-z{\tau}+g=0.
]
稳定边界可以通过令 (z=e^{i\omega}) 并分离实部、虚部得到。对于 (\tau=1)，边界为 (g=1)（高频振荡）和 (g=0)（一阶失稳）。对于 (\tau>1)，稳定区间是 (0<g<g_{\max}(\tau))，其中 (g_{\max}(\tau)) 通常小于 1，并随延迟结构变化；具体数值需数值求解。这个结果说明，延迟通常会收紧稳定区间；政策工具的延迟结构越不利，可容忍的净增益越小。附录不给出 (g_{\max}(\tau)) 的闭式解，因为它依赖于延迟的具体结构；数值求解即可。

A.5 命题 5 的时序模型

设知识动态为 (\dot H=I(t-\tau_T)-\delta H(t))，良率为 (Y(t)=Y_{\max}H(t-\tau_Y)/(H(t-\tau_Y)+h_0))。若 (I(t)=I_0) 为常数，则稳态知识为 (H^*=I_0/\delta)。从初始知识 (H(0)=0) 出发，知识路径为
[
H(t)=\frac{I_0}{\delta}\left(1-e^{-\delta(t-\tau_T)}\right),\qquad t\ge\tau_T.
]
良率达到目标值 (\bar Y) 的时间 (t_Y) 满足
[
\frac{H(t_Y-\tau_Y)}{H(t_Y-\tau_Y)+h_0}=\frac{\bar Y}{Y_{\max}}.
]
解出
[
H(t_Y-\tau_Y)=\frac{\bar Y}{Y_{\max}-\bar Y}h_0.
]
因此
[
t_Y=\tau_T+\tau_Y+\frac{1}{\delta}\ln\left(\frac{I_0/\delta}{I_0/\delta-\frac{\bar Y}{Y_{\max}-\bar Y}h_0}\right).
]
这个式子说明，时间到良率随培训延迟 (\tau_T)、良率延迟 (\tau_Y) 和知识半衰期 (T_{1/2}=\ln2/\delta) 上升。若资本建设延迟 (\tau_K<t_Y)，则资本先于良率到达，出现有效产能缺口。政策可以通过增加 (I_0)、缩短 (\tau_T) 或降低 (\delta)（例如通过人才留存和工艺维护）来缩短 (t_Y)。

B. 验证流程伪代码

# 伪代码：五命题验证流程（不包含真实数据，不产生实证结果）
# 输入：公开政策数据、贸易数据、企业披露、事件数据
# 输出：每个命题的估计结果、稳健性检验、不确定性

for hypothesis in [H1, H2, H3, H4, H5]:
    data = load_public_data(hypothesis)
    sample = build_sample(data, pre_registered_filters)
    treatment, control = match_or_assign(sample, hypothesis)
    balance = check_balance(treatment, control)
    estimate = run_design(treatment, control, hypothesis)
    robustness = run_sensitivity(estimate, [
        alternative_learning_curve,
        alternative_network_granularity,
        alternative_delay_distribution,
        alternative_shadow_price,
        placebo_shocks,
    ])
    report(estimate, robustness, limitations)

C. 数据字典

表 C1 数据字典（示例）

变量	定义	来源	频率	备注
award_amount	CHIPS 奖励金额	CHIPS Program Office	事件	公告与最终合同可能不同
capex	企业资本开支	SEC 10-K/10-Q	季度/年度	口径需统一
wafer_starts	晶圆 starts	企业披露/行业报告	季度	可能不可得
yield_proxy	良率代理	毛利率/单位成本	季度	测量误差
trade_flow	半导体贸易流	UN Comtrade	月度/年度	HS 编码粒度
value_added	本地价值增值	OECD TiVA	年度	更新滞后
export_control	管制强度	BIS Federal Register	事件	规则复杂
recovery_time	恢复时间	事件研究	事件	定义需统一
training_investment	培训投入	企业披露/政府项目	年度	数据稀缺
time_to_yield	时间到良率	项目里程碑	事件	选择性披露

D. 政策设计核对清单

表 D1 产业政策设计核对清单

问题	对应结论	最低要求
补贴的边际社会收益来自哪里？	结论 1	给出学习率、溢出份额和公共资金影子价格的区间
本地化是否降低了瓶颈中心性？	结论 2	给出 tier-2/tier-3 瓶颈地图和恢复时间
冗余是静态产能还是可恢复能力？	结论 3	给出有效冗余、转换时间和每美元有效冗余
补贴与管制是否在稳定区间内？	结论 4	给出净增益、延迟分布和波动监测指标
人才和良率生态是否先于或同步于资本？	结论 5	给出 time-to-yield 目标和拨款里程碑
谁承担成本、谁获得收益？	全部	给出分配效应和补偿机制
数据是否可公开核验？	全部	给出数据来源、口径、覆盖率和限制
是否有退出机制？	全部	给出补贴退坡、绩效评估和日落条款