地方政府布局AI应避免“重投资、轻消费”

文/中国首席经济学家论坛研究院院长、中欧陆家嘴国际金融研究院高级学术顾问盛松成，中欧陆家嘴国际金融研究院研究员龙玉

AI是当前最具潜力的生产力革新工具，发展AI基础设施本身没有错。地方政府应当把精力从“建了多少算力”转向“用了多少算力、创造了多少真实价值”，以效率为导向、以应用为抓手，让AI投资真正服务于实体经济需求，在全球AI周期波动中守住地方财政与金融安全的底线。

今年以来，全球大型科技企业持续扩大AI基础设施资本开支，带动我国电子信息产品出口；国内集成电路、信息服务和算力相关投资保持较快增长。在此背景下，不少地方政府将AI基础设施投资视为“接棒房地产”的未来选项，以财政补贴、专项债和城投垫资等方式大规模建设智算中心，试图复制类似房地产“投资—增长—财政”的闭环。然而，AI基础设施与房地产在就业吸纳、消费拉动、财政循环和金融属性四个维度上存在根本差异，若不及时纠偏，可能重蹈“正确方向被过度投资”的覆辙，形成新的产能过剩和债务风险。我们认为，地方政府需摒弃AI投资对房地产的“替代”幻觉，在深入实施“人工智能+”的过程中，应关注技术迭代导致的系统性风险，合理把握投资整体布局和实施节奏，注重政策资源在投资端与消费端的均衡性和适配性。

AI基础设施投资出现结构性过剩迹象

从规模看，地方算力投资竞赛呈全国性蔓延态势。据中国科技网调查，截至2024年11月，全国已投运智算中心近150个，在建和规划中的近400个；工信部数据显示，截至2025年9月，全国在用算力中心机架总规模已达1250万架。从投资主体看，政府及城投平台占比约35%，带有明显的政府驱动和财政兜底色彩。2024年12月，国办发〔2024〕52号文将“算力设备及辅助设备基础设施”纳入专项债券用作项目资本金范围，并将资本金比例上限由25%提高至30%，进一步为地方加码提供了融资便利。

然而，从算力使用率看，供给过剩的情况已初步显现。据浪潮人工智能研究院测算，我国智算中心平均算力使用率仅为30%。财联社一线调研显示，东部某地千卡规模智算中心上架率不足50%，已上架服务器实际利用率不足40%；中国科技网调查发现，西部某城千卡智算中心上架率不足50%，实际利用率不到30%，年运营成本超过3000万元；业内人士估算，部分三四线城市中小规模智算中心整体利用率不足三成。科智咨询报告显示，我国IDC机柜平均上架率约为58%，而工信部等六部门将上架率不低于60%作为绿色数据中心推荐门槛——政策门槛与行业现实之间的落差，从侧面印证了利用率偏低的状况。

更重要的是，我国算力资源存在结构性错配：一是部分项目先建设、后寻找客户，收入预测缺少已签订合同支撑；二是重视芯片和峰值算力规模，忽视数据、模型、软件工具和行业解决方案；三是不同地区和运营主体重复布局，而跨区域调度、计量和交易机制尚不完善；四是部分项目需要持续财政补贴才能维持运营。部分地区算力基础设施建设快于模型、数据和行业应用需求的形成，呈现“低效算力过剩、有效算力不足”并存的格局。

地方政府需摒弃AI投资对房地产的“替代”幻觉

当前不少区域试图将AI产业作为房地产业的替代产业，继续发挥拉动经济的作用，但这一替代面临根本性困难。

一是就业吸纳能力差距悬殊。房地产及上下游产业链曾吸纳数千万就业，而一个千卡规模智算中心运营期仅需几十人维护，对本地就业的带动微乎其微。二是消费链条长度差距较大。房地产带动装修、家电、家具、汽车等一长串消费，数据中心不需要装修、不买家电、不带动社区商业，对本地消费无溢出效应。三是财政可持续性存在差异。房地产时代，土地出让金和房产税收形成闭环；AI投资时代，地方以财政补贴和专项债驱动，但算力中心本身盈利能力弱，财政投入难以形成自我循环。

值得重点关注的是，技术折旧加速的趋势可能加剧产能过剩风险。AI资产往往几年就需要升级换代，原有资产几乎不再具备价值，既无法像房地产那样承担信用中介作用，也压缩了投资回本窗口。英伟达新一代芯片迭代周期缩短至1年，AI基础设施只有3～5年的折旧周期。而部分云厂商将AI芯片折旧年限拉长至6年（芯片实际有效迭代年限仅2～3年），这种会计错配在短期内掩盖了产能过剩，潜在风险却不容忽视。

如果地方政府以“替代房地产”的心态推动AI投资，不仅难以达到预期效果，反而可能复制“正确方向被过度投资”的历史路径，形成新的产能过剩和债务风险。

政策应推动地方AI布局从“建得快”转向“用得好”

治理AI基础设施的“过剩倾向”，关键不在于叫停产业发展，而在于重构地方政府的行为激励，推动从“建得快”转向“用得好”。

第一，建立算力利用率监测与分级预警机制。设定利用率低于40%为黄色预警、低于30%为红色预警，对预警地区暂停新建审批，并核减下一年度专项债额度。将算力利用率、上架率、单位算力收入等指标纳入地方政府专项债券项目绩效评价，作为后续发债额度分配的硬约束。此外，提前建立电子产业链库存先行指标监测体系。 将芯片库存周转天数、服务器订单能见度、PCB订单变化等纳入月度监测，为政策应对争取时间窗口。

第二，引导地方政府合理规划有关财政补贴。由国家发展改革委、财政部和工信部共同牵头，防止各地以补贴形式进行重复建设竞赛。对跨区域重复布局明显的算力项目，建立省级层面统筹审批制度，探索“共建共享”模式，依托“东数西算”工程和全国一体化算力调度平台促进跨区域协同，避免各自为政。

第三，从“规模考核”转向“效率考核”，把政策资源更多投向行业应用、模型落地和数据要素市场培育。增加实际使用率、商业收入、本地就业带动率、消费溢出效应等“软指标”。对“重建设轻运营”导致财政资金沉淀予以问责；同时，对主动压减无效算力项目、及时止损的地区给予正面激励，扭转“多上项目才是政绩”的惯性。

第四，优化融资工具约束。对算力项目专项债发行实行“收益自平衡”要求，禁止以一般公共预算兜底；引导金融机构对算力项目贷款开展专项压力测试，防范城投平台隐性债务扩张，守住不发生系统性风险的底线。

通过AI拉动消费应该成为产业重要发展方向

当前AI投资另一个潜在风险是对于消费的抑制作用。以算力投资为例，它以“重基建、轻民生”的方式间接抑制消费潜力释放——各地每年拿出数千万到数亿元算力券和建设补贴（北京1亿、深圳1.29亿、湖北5000万等），这些资金若用于消费券、以旧换新、民生补贴，对消费的撬动效应可能大得多。此外，AI对就业的结构性替代风险也不容忽视。据世界经济论坛《未来就业报告（2023）》预测，到2027年，全球将有约8300万个岗位被技术淘汰，同时创造约6900万个新岗位，净减少约1400万个。被替代的客服、文员等岗位与新增的AI训练师等岗位技能要求完全不同，短期内必然造成结构性失业和收入下降，收入断层将直接传导至消费端。这意味着，如果地方政府仅仅将政策资源投入AI基建，忽视了对需求端的培育和支持，不仅难以拉动消费，反而可能在过渡期对消费形成拖累。从本质上看，AI当前仍然是生产力工具，新生产工具带来旧业态的凋零进而产生就业问题在历史上反复出现。综合来看，一旦全球AI资本开支周期逆转，地方经济可能面临“出口回落、投资沉淀、消费收缩”的三重下行压力，而地方政府和城投平台若已深度介入算力投资，产业周期风险还可能转化为财政和金融风险。

尽管AI对于传统就业有着较大的冲击，而且目前直接消费场景较少，但耐心培育AI相关消费，努力缩小挤出效应仍然是必由之路。一是应防止算力投资对消费的挤出，在算力补贴与消费刺激之间做好平衡，根据现有数据测算两者的经济效应，用事实说话，按最优可能配置资金使用。二是同步关注AI就业替代风险，对AI替代集中的行业（客服、文案、数据分析等）建立就业监测和转岗培训机制，防止结构性失业传导至消费端。三是发挥投资与消费的协同作用，为新业态消费创造条件。例如加速推进6G通信技术的研发与投资，为未来可能的AI消费提供良好的基础设施支撑。要加快高端技术和算力设施的建设，研究低端技术及算力与新兴消费业态兼容的可能性，为过剩算力寻找空间。四是把握好当前全球AI投资窗口期，尽力发挥AI投资的乘数效应，带动就业、消费快速增长。

综上所述，AI是当前最具潜力的生产力革新工具，发展AI基础设施本身没有错。回顾过去，光伏、集成电路等行业“一哄而上”导致产能过剩、全行业亏损的教训殷鉴不远——方向正确不等于速度正确、规模合理。地方政府应当把精力从“建了多少算力”转向“用了多少算力、创造了多少真实价值”，以效率为导向、以应用为抓手，让AI投资真正服务于实体经济需求，在全球AI周期波动中守住地方财政与金融安全的底线。

来源 | 第一财经

编辑 | 周茗一

审核丨秦婷

责编 | 兰银帆

Review of Past Articles -

01

02