本文将经济复杂度与产品空间方法应用于人工智能赋能商品,基于2007—2023年BACI贸易数据和103种AI赋能商品,构建AI经济复杂度指数(AECI)、AI邻近机会(AIAP)及AI经济复杂度潜力(AECP),用于识别各国当前生产专业化能力与潜在多元化方向。2023年日本AECI最高,中国AECP最高,且专业化组合广度解释了原始AECI跨国差异的大部分。初始原始潜力与后续AI赋能出口份额变化呈显著正相关,但与AECI及专业化产品数量变化的关系未达到5%显著性水平。研究强调这些指标是基于贸易的描述性度量,并非对国家AI综合能力或未来多元化的经验证预测。
报告标题:《Mapping AI Economic Complexity》(《绘制人工智能经济复杂度图谱》)
作者:Daeun Moon、Yeokyung Hwang、Junseok Hwang、Dawoon Jeong。作者分别来自首尔国立大学技术管理、经济学与政策项目,以及芝加哥大学社会学系和 Knowledge Lab。
发布日期:2026年9月16日。
研究主题:国家层面的人工智能赋能商品(AI-enabling goods)出口能力、产品组合复杂度及未来相邻多元化机会。
数据来源:BACI国际贸易数据库、世界贸易组织(WTO)的AI赋能商品分类,以及Penn World Table 11.0的人均实际GDP数据。,
这份报告并非对“国家AI实力”的全面排名,而是将经济复杂度方法限定在AI相关设备、零部件和材料等商品上,用贸易数据衡量一个国家在AI物质基础设施方面已经表现出的生产能力,以及它可能进一步进入的相关产品领域。报告特别强调,贸易指标只能补充论文、专利等创新指标,不能替代对模型性能、软件、服务、算力获取和AI应用程度的评价。,
报告的核心结论可以概括为四点:
报告没有给出股票评级、投资建议或目标价。它的“结论”是研究性和描述性的,而不是投资意义上的买入、持有或卖出判断。
报告认为,论文发表量和专利数量主要反映科学产出或发明活动,却无法直接说明一个国家是否能够竞争性地出口支撑AI系统的设备、元件和材料。WTO的AI赋能商品分类为此提供了一个相对明确的产品集合,使研究者能够考察AI生产基础设施的贸易维度。
这里的逻辑是:一个国家如果能够持续出口高复杂度的AI赋能商品,可能意味着其拥有相应的技术、供应链、制造组织和生产能力。但这只是“生产能力的间接证据”,不是AI综合能力的直接测量。报告也承认,相关商品可能有非AI用途,出口中还可能包含转口贸易或进口投入品,因此出口金额不等于本国创造的AI相关增加值。,
经济复杂度方法通过“国家—产品”专业化关系推断生产能力。一个国家出口某种产品并且在该产品上具有显著显示性比较优势(RCA),通常被视为拥有与该产品相关的能力。产品复杂度指数(PCI)进一步试图衡量产品本身的复杂程度:能够被少数、具有多样化出口能力的国家生产的产品,通常被赋予较高复杂度。,
产品空间理论则关注不同产品之间的相关性。如果某国已经专业化于一组产品,那么与这组产品在贸易结构上关系密切的其他产品,可能构成更容易进入的“相邻机会”。报告将这一思路应用于AI赋能商品:AECI衡量当前组合,AIAP保留具体候选商品,AECP则对候选机会进行总体概括。,
研究使用BACI HS 2007版本的2007—2023年出口数据,覆盖228个经济体和5,047种HS6位产品,出口额按所有外国目的地汇总,金额以当期千美元计。
固定的AI赋能商品集合包括103种商品、对应52个HS4类目。这些商品来自WTO AI赋能商品清单的HS 2012版本,并被追溯应用到HS 2007数据中。报告明确指出,这个清单并不只包含AI最终用途,因此“AI赋能出口”是一个分类意义上的贸易指标,而不是纯粹的AI专用产品出口。
这一处理有两个优点:第一,产品集合固定,便于跨年份比较;第二,产品空间仍然保留了全部5,047种商品的信息,可以考察AI产品与非AI产品之间的关联。但其局限是,2023年使用的分类清单被回溯到2007年,可能无法完全反映历史时期真实的AI需求和产业边界。
报告以显示性比较优势(RCA)判断国家是否在某产品上专业化。直观地说,RCA比较某国某产品出口占本国出口的比例,与该产品在全球出口中的比例;RCA达到或超过1通常表示该国相对更擅长出口该产品。报告还特别披露,PCI计算使用的是RCA≥1的非严格规则,而AECI相关的专业化矩阵使用严格规则;因此两个指标的产品纳入标准并不完全一致。
AECI不是简单的AI商品出口额排名,也不是AI商品出口占本国出口的比例。它将一个国家在AI赋能商品上的专业化产品数量,与这些产品的复杂度结合起来。报告将其分解为:
因此,日本可以在专业化产品数少于中国的情况下仍然拥有更高AECI,原因是日本的产品组合平均复杂度更高。反过来,一个国家若覆盖了很多AI商品,但这些商品平均复杂度较低,也可能在AECI排名中不占优势。
需要注意,报告所称的复杂度是相对尺度。AECI和AECP每年都在符合条件的国家样本中重新标准化,因此指数变化不必然表示一个国家的绝对生产能力发生了同等幅度的变化,也可能受到年度参考群体和复杂度尺度变化的影响。,
AI Adjacent Possible(AIAP)不是一个单一分数,而是一个候选产品集合。候选产品通常是当前尚未专业化、但与该国现有全部专业化产品存在一定相关性的AI商品。
报告中的相关性密度不是简单的地理距离,也不是图上两个节点之间的视觉距离,而是某一候选产品与该国现有专业化产品组合的产品空间关联程度。密度计算还包括非AI商品,因此一个国家进入某项AI产品的可能关联基础,不局限于它已经生产的AI商品。
对每个候选AI产品,报告同时考虑:
例如,2023年韩国排名最高的剩余候选产品是半导体检测用光学仪器(HS 903141),其相关性密度为0.257、复杂度为0.825;越南的首要候选是存储集成电路(HS 854232),相关性密度为0.163、复杂度为0.756。
这些数值只表示产品在“相关性×复杂度”维度上的排序,不是未来进入该产品的概率,也不是预测的出口金额。报告没有设置最低密度门槛,所有满足有限密度和有限复杂度条件的候选产品都会被保留。
AECP则把一个国家所有剩余AI候选产品的复杂度加权相关性取平均。它衡量的是机会的平均质量或平均相关程度,而不是候选机会的数量、潜在出口总额或实际进入概率。, 因此,一个国家可能拥有很高AECP,但候选产品较少;另一个国家可能有很多候选机会,但平均复杂度加权相关性较低。
AECI和AECP的年度平均值及标准差,只对总出口额至少10亿美元且至少有一个专业化产品的国家进行报告和标准化。每年有效经济体数量在140—163之间,2023年为162个。
这一规则提高了指标的可比性,避免极小型经济体因极少量贸易造成极端标准化结果。但它也意味着不同年份的报告样本可能变化,跨期比较不是完全固定样本比较。报告同时说明,这个资格规则只影响报告和标准化,不会筛选用于RCA或相关性计算的底层矩阵。
纵向回归使用141个经济体,少于2023年描述性分析中的162个经济体。研究比较2007—2011年与2019—2023年的平均值,并将初始原始潜力、基准期全产品空间ECI、基准期人均实际GDP对数以及基准期结果变量纳入回归控制。回归采用普通最小二乘法和HC1异方差稳健标准误。,
报告明确将这些结果定义为样本内、探索性的条件相关,而非因果关系、进入概率或样本外预测。这个限定非常重要,因为产品空间相关性可能反映共同的产业结构、贸易网络或国家规模,而不一定代表AECP本身导致了后续增长。,
AI赋能商品占全球出口的比例从2007年的11.31%上升至2023年的12.44%,名义出口额则从1.52万亿美元增加到2.82万亿美元。
这表明,在报告定义的103种商品范围内,AI赋能商品在全球贸易中的相对重要性有所提升,名义贸易规模增长也十分明显。但名义出口额没有剔除价格变化、汇率因素和中间品重复统计,因此不能直接等同于实际AI产业增加值增长。,
2023年,最大的五个出口经济体合计占AI赋能商品出口的55.2%,显示该领域存在较强的贸易集中度。 这意味着全球AI物质基础设施供应链可能集中在少数主要经济体,但报告提供的摘要信息没有进一步列出五大出口国及其各自份额,因此不能仅凭文本判断集中度是由中国、东亚经济体、欧美经济体中的哪一类主导。
2023年,在5,026个具有有限PCI值的产品中,103种AI赋能商品的平均PCI为0.837,而全体产品的平均值约为0;其中58.3%的AI赋能商品处于最高复杂度四分位数。
这一结果是报告的重要基础:被选入WTO清单的AI赋能商品总体上并非普通低复杂度商品,而是集中在相对复杂的产品类别中。因此,AI赋能商品出口不仅反映贸易规模,也可能与较高技术门槛、供应链组织能力和制造能力相关。不过,PCI是基于出口结构推导的相对指标,不等于工程技术难度的直接测量;其高值也可能部分反映少数高收入、产业多元化国家的出口结构。
报告的表1列出2023年AECI最高的五个经济体,并额外列出韩国和意大利作为比较对象。表中包含AECI、专业化AI商品数量 (D_{AI})、这些产品的平均标准化复杂度 (\bar q_{AI})、剩余AIAP候选产品数量,以及AECP等指标。
表1最重要的比较是日本和中国:
美国是另一个关键案例。美国2023年的AI商品组合RCA为0.858,低于1,说明按整个AI商品集合计算,美国并没有表现出相对于全球出口结构的总体显著专业化;但美国的AECI仍排名第四。 这意味着“AI商品组合RCA”和AECI测量的是不同概念:前者强调AI商品在本国总出口中的相对权重,后者强调AI专业化产品的数量与复杂度。一个国家即使整体AI商品出口占比不高,只要在若干高复杂度商品上具有专业化,也可能拥有较高AECI。
在162个有效经济体中,AECI与全产品空间ECI的Pearson相关系数为0.744,Spearman等级相关系数为0.822,说明AI领域复杂度排名与整体出口复杂度排名具有较强正相关。 但这种关系不能作为外部验证,因为两个指标都使用贸易数据,存在共同输入。AECI与专业化产品数量的原始值相关系数达到0.997,则进一步说明AECI的跨国差异主要由组合广度推动。,
图表层面的核心含义:如果表1中的各列同时查看,不能只看AECI总排名;还应拆解为“有多少种AI商品达到专业化”以及“这些商品平均有多复杂”。日本—中国的排序差异正是复杂度权重改变排名的典型例子。
表2报告了基准期原始潜力与2019—2023年相对于2007—2011年变化之间的回归系数。每个回归有141个经济体,控制变量包括截距、基准期全空间ECI、基准期平均年度人均实际GDP对数,以及对应结果变量的基准值。
三个结果变量及其主要结论如下:
表2揭示了一个重要区别:一个国家AI赋能商品出口份额提高,并不一定意味着它进入了更多AI产品,也不一定意味着其相对复杂度排名提高。出口份额可能因既有产品出口扩大、其他产品出口下降、价格变化或贸易结构变化而上升,而不是因为产生了新的专业化能力。
因此,表2只能支持“初始潜力与出口构成变化相关”,不能支持“AECP能够预测未来AI能力增长”。不显著结果也不等于不存在关系,可能受到样本量、指标噪声、时间窗口或国家异质性的影响;报告对此采取了谨慎表述。
报告构建了一个描述性的HS6产品空间网络:以RCA≥1识别专业化关系,将2007—2023年平均邻近度用于网络结构,并通过最大生成树和每个节点最多四条强连接构建固定骨架,再用Louvain方法划分社区。
需要特别区分这个网络与AECP计算。网络图的布局、社区和汇总骨架并没有进入年度AECP计算;AECP使用的是每年完整的邻近矩阵,并采用严格专业化规则。因此,网络图主要用于解释结构,不是AECP的直接计算组件。
网络结果显示,103种AI赋能商品分布在71个Louvain社区中的27个社区;AI商品诱导子图有53条保留连接和46个孤立节点。 “孤立”只表示在该网络骨架中没有保留AI—AI边,并不代表这些产品与非AI商品没有联系,也不代表完整产品空间中没有关联。
在RCA≥1的描述性网络口径下,2023年AI赋能商品之间的平均邻近度为0.212,非AI商品之间为0.138。 这说明AI商品集合内部平均关联程度更高,但它们并没有形成一个完全紧密、单一的产业集群,而是分布在多个社区。报告因此支持在完整产品空间中评估AI候选机会,而不能简单把AI产品视为一个封闭行业。,
文本中没有提供实际网络图文件、图号或图片路径,因此无法按照指定格式嵌入具体图片;现有材料只提供了网络统计和方法描述。报告称相关项目图表可在公开仪表板中查看,但该仪表板并不构成原始数据完整档案。
这是一份经济复杂度与贸易结构研究报告,不是证券研究或公司估值报告。文中没有DCF现金流折现模型、可比公司估值、P/E、EV/EBITDA、目标价、资本成本、永续增长率或敏感性分析。因此,不存在可供拆解的财务估值区间,也没有评级或投资建议。报告中的AECI、AECP和PCI是结构性经济指标,不能被理解为公司估值倍数或资产价格预测。
报告自身识别或暗示的主要风险包括:
报告没有为这些风险提供定量发生概率,也没有建立完整的缓解模型。它主要通过披露指标边界、区分描述性结果和因果结论、公开派生结果仪表板以及建议未来进行替代分类和复杂度估计稳健性检验来降低误读风险。,
报告最大的优点是方法边界披露得比较充分。作者没有把贸易专业化直接说成国家AI综合能力,也没有把AIAP候选排序夸大为未来进入概率;对于不显著回归结果,也没有将其解读成“完全没有关系”。,
同时,AECI的解释需要保持谨慎。其与专业化产品数量的相关系数达到0.997,说明复杂度加权虽然可以改变日本与中国等个别排名,但在整体横截面上提供的独立信息有限。 这意味着如果读者想理解一个国家的AECI,应同时查看专业化产品数量和平均复杂度,而不能只看综合分数。
报告还存在一个值得注意的口径差异:PCI使用RCA≥1,而AECI相关专业化矩阵采用严格规则;描述性HS6网络又使用RCA≥1,而年度AECP使用严格规则。, 这种差异已被作者披露,但会使不同表格或图表之间的数值不能被简单横向比较。
此外,AECP是剩余候选产品“平均”的复杂度加权相关性,不包含候选产品数量或出口规模。因此,AECP高并不等于机会总量大,也不等于潜在经济收益高。, 这是理解中国AECP领先与其AECI领先并不一致的关键。
总体而言,这份报告建立了一个围绕AI赋能商品的贸易型经济复杂度框架。它将当前能力、产品复杂度和相邻多元化机会区分开来:AECI回答“一个国家当前专业化于多少种、以及多复杂的AI赋能商品”;AIAP回答“具体还可能进入哪些相关商品”;AECP回答“这些剩余机会平均有多复杂、与现有能力有多相关”。,
2023年的结果显示,日本凭借更高的专业化产品平均复杂度取得最高AECI,中国则凭借更宽的组合和更强的候选机会相关性在AECP方面领先。 AI赋能商品在全球出口中的份额从11.31%升至12.44%,且其平均PCI显著高于全体产品,说明该产品集合总体上具有较高贸易复杂度和重要供应链地位。
不过,AECI横截面变化高度受产品数量驱动,且与全空间ECI的相关性不能视为独立验证。表2只证明初始原始潜力与后续AI出口份额变化存在显著正相关,并未证明其能够预测AECI提升、新产品进入或国家AI能力的全面增长。,
因此,作者的总体立场是:该研究提供了一个有价值但边界明确的贸易型AI生产能力地图,适合用于描述国家在AI物质基础设施中的专业化结构和相邻机会,不适合被当作国家AI实力的完整排名、未来产业进入概率模型或投资估值工具。,
2609.17200.pdf