一、引言 2023年以来中国经济增长持续承压，其复苏力度弱于预期，这并非短期困境，而是源于自2010年便已开启的从高速向中高速增长的系统性转型。放眼全球，经济减速与生产率停滞是普遍的长期挑战，欧洲自20世纪80年代末便停止追赶美国(Fernández-Villaverde & Ohanian，2018)，日本经历了“失去的十年”(Ikeda & Kurozumi，2019)，而美国在2008年金融危机前也已出现潜在产出下降(Fernald et al.，2017)，此后全球主要经济体均未完全恢复至危机前的增长轨道。学术界的共识将此现象主要归因于劳动生产率下降和技术进步放缓(Antolin-Diaz et al.，2017)，这一诊断同样被广泛用于解释中国经济的减速(蔡昉，2013；Wei et al.，2017)。关于技术进步放缓的原因，全球层面的探讨包括研发边际效率下降，即“好创意越来越难找”(Bloom et al.，2020)，以及市场壁垒与过度管制等结构性障碍。具体到中国，主流观点指向供给侧瓶颈：一是通过优化资源配置提升效率的改革红利呈边际递减(Wei et al.，2017)；二是中国日益接近技术前沿，模仿式增长空间收窄，“干中学”效应衰减(Zilibotti，2017)。然而，由此引出的核心问题是：中国的全要素生产率(TFP)减速是否仅仅是一个供给侧问题? 传统宏观经济学中增长与周期的“二分法”正面临挑战，即经济周期波动亦可能对长期增长趋势产生持久性影响(Aguiar & Gopinath，2007)。为解释长期停滞现象，现代宏观研究开始在周期框架内将技术进步内生化，从需求侧探寻生产率下行的原因。一个重要的分支认为，2008年金融危机后的生产率放缓源于金融冲击：研究发现，在一般均衡模型中无论是家庭流动性需求冲击(Anzoategui et al.，2019)还是企业信贷获取困难(Queralto，2020)，都会通过抑制企业的研发投入和技术扩散，导致TFP增速下降，从而引发长期停滞。然而，“金融危机诱发经济停滞”的假说存在局限，因为它无法解释为何美国的生产率在2008年危机前就已开始放缓(Fernald et al.，2017)。更重要的是，金融摩擦仅为众多需求侧因素之一，其他因素同样不容忽视。例如，经济政策不确定性是影响技术进步的另一关键变量。尽管有少数研究发现不确定性促进了企业创新，但更多基于中国企业数据的微观证据表明，经济政策不确定性显著抑制了企业的研发支出和专利产出(Liu & Ma，2020)。其内在逻辑在于，研发本质上是一种高风险投资，在不确定性高企时，企业会削减此类探索性支出，转而持有更多安全资产。 尽管关于政策不确定性与企业创新的微观研究日益丰富，但其对中国整体技术进步的宏观作用机制仍是一个研究盲区，特别是考虑到2008年后中国经济政策不确定性高企与经济减速几乎同步发生。现有宏观理论大多假设技术进步外生，将不确定性视为不影响长期趋势的暂时性冲击，然而对于其具体表现，是抑制通胀的负向需求冲击(许志伟和王文甫，2019)，还是推高通胀的负向供给冲击(王立勇和纪尧，2019)，学界存在分歧。为弥合这一鸿沟，本文的核心在于考察“内生增长渠道”，即经济政策不确定性并非仅作为传统意义上的需求收缩冲击，而是通过抑制企业研发投入和阻碍技术扩散，直接干预了TFP的增长路径，从而对供给侧和潜在产出造成持久性影响。当然，我们承认中国生产率减速是技术追赶效应衰减(Zilibotti，2017)、人口红利消退(蔡昉，2013)及改革红利边际递减(Wei et al.，2017)等多重供给侧因素共同作用的结果。本文的研究旨在上述背景下，揭示经济政策不确定性这一相对被忽视的因素，是如何通过内生增长机制加剧了此轮经济放缓的。 本文的贡献与研究逻辑紧密结合，遵循一个“事实发现→关系验证→机制解释”的递进框架。首先，在方法论与事实发现层面，我们构建了一个更接近产能利用率调整后概念(Basu et al.，2006)、剔除了周期性因素的月度TFP序列，为研究提供了更高频、更纯净的数据基础。其次，为验证宏观关系，本文利用SVAR模型，检验了经济政策不确定性与该TFP序列的动态关联，这弥补了现有文献重微观证据、轻宏观分析的不足。最后，为深入解释内在机制，我们构建了一个包含技术创造者与采纳者双重主体的内生增长动态随机一般均衡(DSGE)模型。此举旨在为SVAR的实证发现提供微观基础和理论支撑，超越了视技术为外生的传统模型，重点揭示不确定性如何通过“创新—生产率”这一核心渠道对经济的长期增长潜力产生影响。 二、宏观基本面和周期调整后的TFP 本节尝试估计中国的宏观基本面(产出趋势)和周期调整后的TFP序列，以此了解宏观基本面变化事实，同时分析TFP的周期性波动特征。 (一)动态因子模型 为精准分离宏观变量的长期趋势与周期波动，本文借鉴Antolin-Diaz et al.(2017)及祝梓翔和邓翔(2020)的方法，构建了包含随机波动率的混频动态因子模型(DFM)。该模型将由n×1维观测序列y[,t]构成的宏观数据分解为长期趋势(视为潜在产出)、共同周期和噪声。相较于传统单变量方法，此模型优势显著：首先，引入随机波动率能有效处理疫情等时期的高波动数据；其次，混频设计能最大化利用信息，避免因数据缺失导致的估计偏误，从而更稳健地识别经济基本面。
