今日速览 · AI 导读
自动抓取 arXiv 多学科 RSS，DeepSeek 自动润色标题与摘要，最快 24 小时内汇总。每日 14:00 初始化批次并每 15 分钟轮询学科，24h 无数据则回退 72h/7 天；arXiv 周末停更时自动跳过。
今日经济学研究聚焦于技术变革（AI、数字资产）与劳动力市场、环境政策的交叉影响，同时方法学上因果推断与机制设计持续深化。以下是主要趋势与洞见：
2026-02-03 共 24 条抓取，按综合热度排序
本研究利用1995-2018年间超过600万德国高中毕业生的行政数据，分析了劳动力市场状况对高等教育技能投资的影响。研究发现，大学入学率呈现顺周期性：失业率上升会降低传统大学的入学率，同时促使毕业生转向职业学院和学徒制。大规模调查数据表明，这一现象的主要机制在于不同学位预期回报的变化——经济衰退期间，毕业生对学术学位预期回报降低，而对职业学位的预期回报保持稳定。
本研究通过一项覆盖11个欧洲国家、涉及3514名参与者的大规模实验，比较了人工与AI催收对消费者心理和行为的影响。研究发现：人工催收被感知为更公平（$F_{\text{human}} > F_{\text{AI}}$），更能引发互惠行为；而AI催收被认为更高效。两者在信任度上无显著差异。人工接触引发更强的共情，但也带来更强烈的耻辱感。探索性分析揭示了性别、年龄和文化背景间的显著差异。结论表明，AI催收可在不损害信任的前提下提升效率、减少耻辱感，但在需要高共情或对公平敏感的场景中需谨慎使用。
本文研究了美国证券交易委员会（SEC）2017年7月发布的DAO报告对全球首次代币发行（ICO）活动的跨境影响。该报告明确了美国证券法对许多ICO的适用性。基于2014-2021年全球ICO数据的面板回归分析（控制地区和月份固定效应及全球市场周期）显示，报告发布后，ICO活动出现了显著且持久的跨区域再分配。欧洲平均每月每地区比其他地区多吸引了约14个ICO项目，表明在高度流动的数字资产市场中存在显著的跨境监管溢出效应。
为应对企业碳排放数据在时空维度上的分布偏移与非平稳性挑战，本研究融合因果推断、稳定学习与时间序列建模，提出了一种面向分布偏移环境的稳定预测机制。该机制整合企业能源投入、资本、劳动力、碳价及政策强度等多维变量，构建风险一致性约束的稳定学习框架，从跨政策、区域与行业的多样本环境中提取对碳排放具有长期稳定影响的因果特征。通过自适应归一化与样本重加权策略，动态校正由经济波动与政策转变引发的时序非平稳性，显著提升了模型在复杂环境下的泛化能力与可解释性，为企业低碳转型决策与碳配额交易提供了更可靠的预测指导。
本研究将经典潜在结果框架推广至时间序列干预分析，定义了随机过程上的因果效应。干预不仅改变结果水平，也改变其演化动态（如持续性和转移规律）。框架将潜在结果视为完整轨迹，从而能在路径空间上直接定义因果估计量、识别条件和估计器。提出的动态平均处理效应（DATE）刻画了因果效应随时间演化的过程，并在单期时退化为经典平均处理效应。针对观测数据，推导了在动态可忽略性和正性条件下无偏的动态逆概率加权估计器。当处理单元稀缺时，DATE背后的条件均值轨迹具有线性状态空间表示，可实现为动态线性模型。模拟表明，将时间视为因果机制的内在部分能揭示静态方法系统性误估的动态效应。一项关于COVID-19封锁的实证研究展示了该框架在估计和分解处理效应方面的实用价值。
针对在线平台如何设计简单且稳健的质量披露机制（如星级、徽章），本文研究了平台在卖家随后定价的博弈中，应如何设计公开披露策略。通过引入一个极小化极大竞争比（最坏情况下收益与贝叶斯最优基准之比）的稳健性标准，作者证明了分位数划分策略（如按百分位划分等级）具有理论优越性。研究发现，K-分位数划分策略的最优稳健比可由一个一维不动点方程刻画，其最优阈值遵循反向递归，且稳健比可表达为一个简单的“分箱最大值”形式。该策略能为上分位数分配更精细的分辨率，并为均匀百分位桶提供如 $1 + 1/K$ 的紧保证。相比之下，有限信号的单调（质量阈值）划分策略无法超越2倍近似。
本文指出，当前AI治理讨论多集中于制定何种实质性规则，但法律的关键作用还在于建立能够生成和实施规则的法律与监管基础设施。针对AI的变革性特质，作者提出了三项具体建议：为前沿模型建立注册制度；为自主智能体建立注册与身份识别制度；以及设计“监管市场”，以激励私营公司创新并提供AI监管服务。这些框架旨在构建灵活、适应性强的治理体系，以应对快速发展的技术挑战。
本研究将非高斯随机扰动（Lévy噪声）引入经典索洛增长模型，以更真实地刻画经济系统中的不确定性。模型分析了随机波动对资本存量和产出的影响，揭示了跳跃扩散过程在长期GDP波动中的作用。通过对比确定性与随机情景，研究探讨了均衡点的稳定性及随机扰动下的经济动态。数值模拟表明，随机噪声加剧了经济波动，可导致增长路径的突变与分岔，为理解不确定环境下的经济发展提供了更全面的视角。
本研究利用美国大型费用管理平台数据，追踪了2021年第三季度至2025年第三季度企业在在线劳动力市场（如Upwork、Fiverr）与AI模型供应商的季度支出。以2022年10月ChatGPT发布作为外生冲击，采用双重差分模型进行因果识别。研究发现，冲击前在线劳动力支出占比更高的企业，在冲击后更早、更密集地采用AI，并同步减少外包人力支出。到2025年第三季度，最高暴露四分位企业的AI支出份额比最低四分位高出0.8个百分点，同时劳动力市场支出显著下降。直接替代弹性估算显示：在最暴露企业中，在线劳动力支出每减少1美元，AI支出约增加0.03美元，意味着用AI服务替代外包任务可带来数量级的成本节约。
本文研究社会网络中同质性（人们倾向于与相似者交往）如何影响决策者获取信息的质量与多样性。模型表明，同质性通过观察相似他人的收益，能提供更高质量的信息，因为相似性使观察结果更具参考价值。然而，同质性也可能导致人们采取产生信息较少的行动。研究发现，网络连接密度调节了这一权衡：在稀疏网络中，同质性阻碍学习；但在足够密集的网络中，同质性反而促进学习。
本研究提出一个将大语言模型（LLMs）作为校准测量工具的新框架，用于量化损失厌恶、羊群效应、外推等关键但难以可靠测量的行为金融参数。通过对四个模型和24,000个代理-场景对的分析，发现基线LLM行为存在系统性理性偏差。基于画像的校准方法能显著、稳定且理论一致地调整多个参数，使其达到或超过人类基准水平。将校准后的参数嵌入基于代理的资产定价模型后，校准的外推行为产生了与经验证据一致的短期动量与长期反转模式。
本研究解决了随机序列独裁机制（RSD）在不可分割物品分配问题中的一个长期悬而未决的刻画问题。RSD机制因其效率、公平（平等对待相同偏好者）和防策略性而被广泛应用。论文精确确定了在哪些个体数 $n$ 与物品数 $m$ 的组合下，这三个公理能唯一刻画RSD机制。研究发现，对于 $n=m=3$ 的平衡情形，RSD是唯一满足这些公理的机制；但对于所有 $n,m\geq5$ 的市场，存在其他机制也满足这些公理。研究还构造了这些替代机制，并探讨了如何通过增加公理来排除它们。
本研究通过分析2021年1月至2025年3月期间87,696笔NFT二级市场交易数据，探讨了在线社区讨论对数字资产价格的影响。研究采用混合效应模型，在控制时间效应、市场整体状况及通过主成分分析（PCA）构建的视觉特征指数后，发现NFT估值与持续的收藏品级别关注度和整体情绪环境高度相关。有趣的是，在单个收藏品内部，短期负面情绪反而与更高的价格相关联，而累积的社区参与度是预测价格最有效的指标。
本研究通过一项完全前瞻性的预测竞赛，评估了大型语言模型（LLMs）在战略远见——即对尚未发生的高风险结果做出准确判断——方面是否优于人类。研究选取了30个在模型训练截止日期后启动的Kickstarter众筹项目，在募资进行中、结果未知时，让前沿及开源LLMs与346名经验丰富的管理者及3名MBA背景的投资者进行预测对比。结果显示，人类评估者的预测与实际结果的秩相关系数在0.04至0.45之间，而多个前沿LLMs超过了0.60，表现最佳的Gemini 2.5 Pro达到了0.74，能正确排序近五分之四的项目对。群体智慧集成或人机混合团队均未超越最佳独立模型。
本研究探讨了在不对称净计量电价下，产消者（同时消费和发电的用户）如何联合优化光伏投资与运行决策。与以往研究不同，本文将光伏容量内生化，推导出灵活产消者在不对称电价下的光伏边际价值，并刻画了最优投资如何随电价和光伏成本变化。研究发现存在“光伏效应”：某一时期的电价变化会通过影响最优光伏投资，进而改变其他价格未变时期（如发电时段）的净需求和消费，这削弱了提高进口电价以增加产消者支付的能力，对净计量电价改革具有直接启示。
本研究构建了一个同时方程网络模型，探讨个体在科学（论文）与技术（专利）活动中的生产力如何受其合作者行为及网络位置的影响。理论预测，个体在任一活动中的生产力，均随其在一个融合了领域内及跨领域战略互补性的Katz-Bonacich中心度变体的提升而增加。基于癌症研究领域全样本的论文与专利数据，作者构建了合著与共同发明网络，并采用基于外生二元特征的链接预测工具变量法进行实证检验。结果表明，作者和发明者的产出均随其网络中心度上升而增加，且科学生产力显著促进了技术生产力，反之则效应不显著，揭示了科学驱动创新的不对称关联。
当科学理论存在不确定性时，如何为公共决策提供可靠依据？本文引入计量经济学中的部分识别理论，为解决这一难题提供了数学工具。该理论不要求从多个经验上不确定的理论中做出唯一选择，而是通过结合可用数据和可信假设，刻画出一大类科学不确定性，从而对重要的社会结果进行可信预测。结合模糊性下的合理决策准则，它为政策制定者提供了一种连贯的实践方法，以应对理论不确定所带来的归纳风险，对科学哲学和公共政策分析之间的对话具有重要价值。
本文研究了在禁止货币转移的情况下，如何将异质性商品分配给具有私人偏好的个体以实现社会福利最大化。作者刻画了可实施的分配方案，并给出了最优分配与“等收入竞争均衡”相一致的充分条件。当条件不满足时，作者针对两种对称商品的情形给出了最优解。研究发现，当个体对商品的偏好差异能预测其需求强度时，设计者有时可以通过提供包含纯选项和捆绑包的菜单来扭曲均衡，从而提升福利。
本研究针对包含协变量的模糊断点回归设计，系统分析了可被点识别的加权局部平均处理效应。核心贡献在于提出了“依从性加权LATE”，该估计量通过以第一阶段断点强度的平方对协变量单元进行加权，最大化了一阶段强度，从而在依从性存在异质性时，相比传统模糊RDD估计量，能显著提升估计的稳定性并降低均方误差。研究为离散协变量情形提供了简洁的估计量及稳健的偏差校正推断方法，并在模拟与应用中验证了其优越性。
传统经济学与计算机科学中研究的直接显示机制在信息分散化条件下无法实现激励相容。本研究突破性地识别了一类非显示等价机制，通过设计并行且不可关联的游戏，间接推断参与者偏好，从而在信息分散化环境中维持了激励相容性。这一发现挑战了现有不可能性定理的条件性，为机制设计理论开辟了新路径。
本研究利用包含交易者分类审计追踪信息的独特数据集，分析了电子市场中指定做市商（DMMs）的交易行为。通过一种新颖的方法检测极端（下跌）价格波动，研究测试了DMMs在压力时期是遵守做市协议提供即时性，还是“顺风交易”以利用私有信息获利。结果表明，当抛售压力集中在单只股票时，DMMs提供流动性；但当多只股票同时受影响时，DMMs会消耗流动性，将流动性提供任务留给反应较慢的交易者。
本研究通过构建一类新颖的排队博弈模型，解释了航运业常见的“先快后等”现象。模型将船舶竞争性航行视为不完全信息博弈，在“先到先服务”的港口政策下，船舶策略性地选择到达时间。研究发现，在不完全信息下，“先快后等”是唯一的对称均衡；而在完全信息下，均衡集合扩大，允许船舶采取更慢、更环保的航行策略而不影响服务顺序。基于实证数据的定量评估表明，促进船舶间信息共享的技术，能有效减少“先快后等”行为，推动航运业实现更节能、更可持续的运营。
本研究提出一种结合机器学习与网络结构分析的新框架，用于提升区域石油消费的预测精度。通过使用LASSO和OCMT两种变量选择方法，从高维浓度矩阵中识别出对全球石油需求动态具有主导影响的国家。研究发现，美国是全球性的主导驱动国，而法国和日本则分别是欧洲和亚洲区域的稳健枢纽。在预测模型中纳入这些主导驱动国作为回归变量，相比自回归基准模型和国家特定的LASSO模型，能产生统计上显著的预测增益，尤其是在全球波动加剧时期。该框架灵活，可推广至其他具有网络结构或空间依赖性的宏观经济与能源变量。
本研究基于2002-2010年希腊数据，运用博弈论模型分析了研发（R&D）溢出对区域创新的影响。研究超越了传统的区域知识生产函数，构建了一个以专利使用费进行许可的斯塔克尔伯格双寡头模型，并推导了子博弈完美纳什均衡。结果表明，研发支出相关变量与先前研究结论一致，而高素质就业对促进区域创新具有关键作用。此外，制造业研发人员与其他高素质就业指标之间的协同效应，以及公共部门研发支出与制造业企业研发就业的协同，均对区域创新产生积极影响。