用项目级数据估算总数据中心投资

摘要

后疫情时代美国数据中心投资急剧增长，未来投资计划进一步井喷。在这种拐点时刻进行投资预测既重要又充满挑战 —— 特别是考虑到总量数据存在时间滞后。我们提出了一个直观的方法，用项目级微观数据和少量参数来预测总投资，具体而言：项目放弃率（abandonment rates）、计划到开工时长（time from plan-to-start）、开工到完工时长（time from start-to-completion）。作为对方法的关键验证，我们生成的估算与近期 NIPAs（国民收入与产品账户）中的总数据中心投资历史数据吻合。我们随后用该方法生成短期 nowcast：预期投资将在 2026:Q2 升至年化 3,700 亿美元。我们还可以把方法扩展至更远期，但这时预测将取决于对新数据中心计划流量的假设。假设未来计划的速度在 2024-2025 平均水平的 1/4 到 2 倍之间，则 2027 年投资预测区间为 3,600 亿至 9,300 亿美元，体现了未来投资水平的巨大上行与下行风险。

关键词：数据中心、商业地产、预测、施工、计划时长（time-to-plan）

JEL 分类：R33、E22、E32、L74

---

1. 引言

后疫情时代美国数据中心投资急剧增长，数据中心结构投资从 2021 年至 2025 年大致增长了 4 倍。与此同时，已宣布的未来数据中心计划大幅增加，截至 2025 年秋季已超过 1 万亿美元。鉴于这些发展，政策制定者与从业者面临的重要问题是：如何理解此类投资在短期与长期内的规模与动态。

本文提供了一种回答这一问题的方法论，可以用项目计划微观数据与少量经验估计参数生成实时的总量预测。这一方法为在拐点时刻预测非平稳时间序列提供了替代框架¹。我们把方法应用于数据中心行业的项目级数据 —— 该行业正处于这样的拐点之中，且鉴于其在发展潜在变革性 AI 服务中的角色而广受关注。我们的方法在短期内具有良好的样本外表现，并展示了如何扩展至更长时间维度，强调了对未来新计划流量假设的重要性。

为了生成一年内的短期 nowcast（本文将「一年内」定义为「短期」，因为典型项目从计划到开工约需一年），我们需要三个参数： - 对于在建项目，需要 time-to-completion（开工到完工时长） - 对于在计划阶段的项目，需要 time from plan-to-start（计划到开工时长） - 项目的 abandonment probability（放弃概率），在我们的样本中数据中心行业历史均值约为 33%

要生成超过一年的预测（即中期），需要对新计划的流入做出假设。这是更不确定的任务，因为它需要假设未来计划的范围与价值²。

我们把方法应用于 Dodge Construction Network（Dodge）的项目级微观数据，估算并 nowcast 近期历史和短期的数据中心投资，然后通过中期预测扩展分析。Dodge 数据的优势是：它被 Census 局用作 Construction Put in Place（CPIP）调查的输入，而 CPIP 又是 BEA 投资测量的依据。此外，项目微观数据通常包括总成本估计，使我们可以讨论数据中心总投资（而非仅结构投资）。

我们首先用 2003-2025 年 Dodge 报告的数据中心项目计划历史数据，估算上述三个关键参数。将这些参数应用于历史 Dodge 数据，可以得到与 NIPAs 中总数据中心投资数量级相符的估算，从而验证我们方法的合理性。然后我们用截至 2025 年 9 月的 Dodge 微观数据，通过蒙特卡洛模拟方法 nowcast 数据中心投资的近期路径。模拟均值显示：投资从 2024:Q4 的约 600 亿美元增至 2025:Q4 的 1,800 亿美元，并在 2026:Q2 达到年化 3,700 亿美元的水平。然后我们在三种关于未来新数据中心计划流量的假设情景下预测 2027 年投资。这些情景假设未来计划的速度在 2024-2025 平均速度的 1/4 至 2 倍 之间。在这些模拟中，2027 年的均值年化投资从悲观情景的约 3,600 亿美元到乐观情景的 9,300 亿美元不等 —— 也就是说，到 2027 年末，投资水平很大程度上取决于假设的新计划流入而非当前计划存量。

作为本文工作的一部分，我们提出了一种识别 NIPAs 中数据中心特定投资的方法。尽管 NIPAs 已经报告了数据中心结构投资的总量，但计算机设备与外设投资（E&I）并没有按数据中心拆分。由于此类 E&I 投资还包括其他产品类别（如企业购买笔记本电脑等），我们认为应该剔除不归属于数据中心的投资水平。我们提出了一种简单方法构造 NIPAs 中数据中心投资的总量度量。由于 NIPAs 有滞后，我们自下而上方法的另一优势是允许实时估算此类总投资。

本文工作是对更广泛的 AI 经济影响研究的重要补充（参见 Acemoglu 2025、Furman 和 Seamans 2019、Brynjolfsson et al. 2025 等）。虽然这些论文聚焦于 AI 通过提升劳动生产率重塑经济的潜力，但此类潜在发展是数据中心物理基础设施建设规模的函数。我们的工作以创新方法提供了一种有价值的补充 —— 把详细的项目级计划数据转化为实际投资时间序列，而这是下一代 AI 服务提供的前置条件。

本分析还对使用项目级计划微观数据研究投资的文献做出贡献。Glancy et al. (2025) 指出：放弃出局是商业地产空间短期供给弹性的关键决定因素 —— 这为我们的建模方法提供了动机。Millar et al. (2016) 估计了已完工项目的 time-to-plan，并强调了不同项目之间从计划到开工、从开工到完工时间的显著异质性。Selgrad and Siani (2025) 在企业层面项目中展示了计划投资与货币政策的相互作用，证明了新项目在应对货币政策冲击中的重要角色。Brandsaas et al. (2024) 分析了制造业活动的计划，强调了《通胀削减法案》和《CHIPS 与科学法案》实施前后开工率的上升。我们的工作展示了计划数据在预测数据中心投资中的价值；该框架可以自然地应用于非住宅结构投资（通常约占私人投资的 20%；Brandsaas et al., 2024），或其他可以一致估算「放弃出局率、计划到开工时长、开工到施工时长」的投资类型。

本文余下部分组织如下：第 2 节描述如何获取 NIPAs 中的总数据中心投资。第 3 节呈现我们用于从项目级数据生成总数据中心投资的框架。第 4 节描述 Dodge 数据及其属性。第 5 节呈现模拟结果。第 6 节总结。

**注 1**：我们的方法通过使用已宣布计划，提供了拐点的幅度与时点预测 —— 这先于官方统计中显示的拐点出现，**而非等到拐点之后有足够数据再去估算传统的非平稳时间序列模型**（如 Stock and Watson 1996 的 regime switching 或时变参数模型）。 **注 2**：精确说明本方法在不同时间段的使用：① 我们用微观数据**生成投资估算** —— 在官方总量数据已有的历史时期；② 我们**生成 nowcast** —— 在我们仅用当前报告的项目计划但官方总量数据尚未发布的时期；③ 我们**生成预测** —— 在更长的时期，这需要对未来计划活动做出假设。

---

2. NIPAs 中数据中心投资的测量

NIPAs 不包含单一类别能涵盖所有数据中心投资。相反，与数据中心相关的投资记录在几个主要类别中。BEA 用 Census 的非住宅结构 CPIP 报告测量结构投资。图 1 的左面板显示：数据中心结构的名义支出已经急剧增长，从 2021 年的约 100 亿美元增至 2025 年上半年的约 400 亿美元³。

然而，数据中心总投资远大于结构本身 —— 因为数据中心配备高科技资本品（包括服务器、存储阵列、网络硬件等）。最终计算机硬件（包括服务器和其他成品计算设备）的购买计入私人固定投资的「Computers and Peripheral Equipment」（信息处理设备的子项），即图 1 左面板中的蓝色实线。该序列的水平也反映其他计算机设备投资，例如企业购买笔记本电脑和打印机。

我们的方法是有效地去趋势化（detrend）此类计算机 E&I 投资，并把残差视为数据中心的 E&I 投资。我们估算 2015 至 2022 年的时间趋势，如左面板的虚线所示⁴。这是「假如没有近期数据中心活动激增」的反事实投资估算。接下来，我们把实线与虚线的差异解释为反映数据中心设备投资，并把这一差异加到结构投资（左面板的黑线）上，得到数据中心投资的度量。

这一总和在图 1 的右面板中显示。尽管我们认为这一数据中心投资度量准确捕捉了近期数据中心投资趋势，但仍然是一个不完美的估算。一方面，它没有包括一些相关部分，例如专用数据中心软件投资或自有账户设备投资⁵。另一方面，如果（例如）企业的笔记本电脑购买显著高于趋势，该估算也可能包括一些与数据中心无关的设备购买。

**注 3**：我们的投资模拟是名义口径，所以这里绘制的也是名义投资。这些类别中的实际投资见补充材料图 S1。 **注 4**：我们估算趋势的截止年份是 2022 年，以避免覆盖 2023 年开始的数据中心结构支出的加速期。即便如此，估算到 2021 年或 2023 年时趋势相似。 **注 5**：我们不包括软件投资 —— 因为总软件投资的近期变化可能反映其他 AI 发展（超越了用于运营数据中心本身的软件投资）。关于自有账户设备投资的更多背景，参见 Byrne et al. (2017) 和 Byrne et al. (2018)。上述设备序列不包括中间资本采购的内部组装。

图 1：数据中心类别投资 - 面板 (a)：数据中心结构与高科技计算机 & 外设设备的名义投资。估计趋势按 2015 至 2022 年计算；详见第 2 节。数据中心结构数据仅从 2020 年开始。 - 面板 (b)：估算的数据中心投资 —— 数据中心结构 + 去趋势的高科技设备之和。 - 来源：作者基于 Bureau of Economic Analysis 数据的计算。

---

3. 用项目级计划数据预测总投资的框架

本节描述我们用于从项目级数据模拟总数据中心投资的框架。

3.1 环境（Environment）

我们的分析在项目层级进行索引，每个项目 i 都有一个特征向量 X_i。这些特征包括项目总成本估计（美元）V_i。项目演变经历不同阶段 j。项目阶段可以取四个值：在计划（P）、在建或「已开工」（S）、已完工（C）、已放弃（A）。

所有项目都假设从计划阶段（P）开始，然后在若干期之后进入开工或被放弃。一旦开工，项目假设在若干额外期数后达到完工⁶。

平均计划到开工时长 T_P,S(X_i) 可以随项目特征变化（特别是项目规模）。平均开工到完工时长 T_S,C(X_i) 同样可以随项目特征变化。放弃率 λ(X_i) 是在模拟开始时从计划中被放弃的项目平均数，也可以随项目特征变化。

对于施工阶段中投资分布有多种可能的假设 —— 即一旦开工后支出如何 phase in。

**注 6**：少量进入开工阶段的项目被放弃 —— 我们可以观察并在出现时予以核算 —— 但对于 time-to-plan 或 time-to-completion 的估计，鉴于其份额较小，我们假设这种情况不存在。

我们的分析假设投资沿施工时间线均匀分布。实质上，价值 V_i、开工到完工月数为 T_S,C 的项目，从开工日到完工每月支出 I_i = V_i / T_S,C(X_i)。这一假设对仅考虑建筑施工的情况过于「后置」。美国 Census 局估计，对于超过 3 年才能完全建成的非常大项目（>1 亿美元），通常约 50% 的价值在第一年 phase in、90% 在第二年末 phase in⁷。但合理地假设：设备安装会比结构本身的施工更加后置。因此，这一假设平衡了两个相反的力量；当然，本方法中这一假设可以方便地调整。

在模拟与讨论中，我们发现区分「短期」与「中期」很有帮助。在短期内 —— 大约一年从最新一个 vintage 的计划数据 —— 投资水平主要由当前已存在计划的存量决定，因为通常计划从计划阶段移到开工阶段约需一年。而中期投资则严重依赖对未来计划流入的假设。

3.2 短期 Nowcast

给定上述三个参数以及在时点 t 仍在计划阶段或在建的项目存量，我们可以生成这些项目「value-in-place」的总时间序列 nowcast。第一步是把项目开工的月份标记为 s_i。对于在数据中已观察到开工的项目，我们知道开工日期。对于尚为计划的项目（未在模拟中被取消），s_i 可以从该项目进入数据的月份 + 计划到开工时长 T_P,S(X_i) 推导出来。

月份 t 的总投资 value-in-place 由所有在月份 t 在建的项目求和得到：

I_t = Σ_i 1[s_i ≤ t < s_i + T_S,C(X_i)] · I_i （方程 1）

其中 1[·] 是指示函数 —— 如果项目 i 在月份 t 在建则为 1，否则为 0；I_i = V_i / n 是项目月度投资。因此，一个施工 12 个月（T_S,C(X_i) = 12）、2025 年 1 月开工的项目，将在整个 2025 年贡献投资。我们注意到，这种「项目在建时支出 phase in」的投资框架，与美国 Census 局用于估算非住宅结构投资的方法论密切相关。但这一过程与设备贡献的测量方式不同 —— 后者由 Census 局在购买时点测量。

**注 7**：更多信息见 https://www.census.gov/construction/c30/pdf/t424.pdf

3.3 中期预测

为了把模拟扩展到超过一年的范围，需要对新项目进入计划的流入做出假设 —— 与短期 nowcast 不同（后者取决于实际已宣布的项目计划存量）。

设 t̄ 表示我们观察到计划项目的最后一个月，T_P,S 表示所有特征下的平均「计划到开工时长」。在 t̄ 之后进入计划的新项目要到 t̄ + T_P,S 月才会有意义地贡献投资。我们把中期的起点定义为：

k̄ = t̄ + T_P,S （方程 2）

例如，如果 t̄ 是 2025 年 12 月、T_P,S 是 10 个月，那么 k̄ 是 2026 年 9 月。在实务上，月份 k̄ 的投资将由现有存量中开工日期 s_i < k̄ 的项目主导。随着预测期延长，新项目流入贡献的投资份额增加。

---

4. 项目级数据

本节首先描述我们用来生成数据中心投资总量度量的项目级数据，然后呈现数据样本的描述性统计，最后给出模拟练习所用样本的细节。

4.1 Dodge Construction Network 数据中心数据

我们的分析基于 Dodge Construction Network 的 Real Estate Analyzer（REA）数据 —— 时间从 2003 至 2025 年 9 月。Dodge 是建筑业领先的数据提供商，其数据被美国 Census 局用于测量 CPIP。具体而言，Census 调查从 Dodge 获得的施工项目分层样本，项目经理随后报告每月从开工到完工的「工程价值」（value-in-place）。先前工作（如 Brandsaas et al. 2023）显示，Dodge 施工开工数据有助于预测未来结构支出。

在本文中，我们主要聚焦于施工项目计划而非开工，原因有几个。第一，计划增加了经济预测的提前时长 —— 因为它们平均比施工开工领先约一年。第二，在 REA 数据中，项目级计划的美元价值可能主要反映项目的总成本（包括设备和结构）。我们通过比较 REA 中的计划成本与我们在网上查到的最大近期已宣布数据中心项目的成本来验证这一点。项目级计划在本场景下特别有价值，因为我们关心总投资而非仅结构投资⁸。基于实际项目级计划，我们的方法对估算和 nowcast NIPAs 中测量的「设备与结构相关」的总数据中心投资非常有用（如第 2 节所述）⁹。

REA 数据包括每个项目的房产类型、面积、位置和项目价值。我们使用的项目总价值是名义美元口径，我们只考虑在美国建造的项目。我们把最后报告的计划价值视为该计划的价值。我们把项目阶段合并为四个类别：计划、开工、完工、放弃。

分析需要对 REA 数据进行协调（harmonization），以一致地追踪项目从计划到后续阶段。例如，我们把项目最后一次进入开工阶段而未再变成计划的时点视为该项目进入开工阶段的时点。我们还假设放弃和完工只能在项目序列的末尾发生。所有可能的阶段变化展示在补充材料的图 S4 中，关于这些阶段变化的推导信息见补充材料第 S.2.1 节。一些大项目最初报告为「master report」，然后接收针对个别结构或建设阶段的「child report」¹⁰。Dodge 提供 master 与 child 之间的映射；我们关于如何关联这些报告的过程在补充材料第 S.2.2 节中概述。

**注 8**：在 REA 数据中，项目级价值可以随时间更新；在我们的模拟中，我们使用项目价值的最新估计（截至 2025 年 9 月）。鉴于 Dodge 聚焦于建筑业，可能有些项目级成本随着项目从计划到施工阶段移动而向下修订以聚焦结构成本。虽然项目价值确实会修订，但它们并没有表现出在施工阶段中显著向下（或向上）修订的趋势。因此，我们的解读是：项目价值主要反映总项目成本。 **注 9**：行业分析师用其他方法推算数据中心投资水平。例如，J.P. Morgan 分析师（Reinhart and Feroli, 2025）基于已宣布的数据中心电力消耗估算 + 实现这些计划目标的成本假设来预测投资。Goldman Sachs 分析师（Peng et al., 2025）基于敞口于 AI boom 的公司或行业的收入或报告投资的变化来生成估算。 **注 10**：为了聚焦数据中心，我们把数据子集化为：所有最近记录结构类型为数据中心的项目，以及这些项目的 master report（无论其结构类型如何）。

4.2 描述性统计

图 2 左面板绘制了 Dodge 数据中数据中心新计划的月度未调整名义价值¹¹。在 2023 年之前，数据中心计划规模较小；例如，2019 至 2022 年平均每年约 70 亿美元。然而，数据中心计划自 2023 年末开始飙升 —— 2024 年新计划价值累计近 3,000 亿美元、2025 年（截至 9 月）超过 9,000 亿美元。随着这些计划中的部分进入施工阶段，它们为数据中心支出的增长做出了贡献（图 1）。但大多数这些计划尚未破土动工。图 2 右面板显示，数据中心计划存量价值（计划流入的累计，剔除已开工或已放弃的部分）截至 2025 年 9 月超过 1 万亿美元。

计划的增加反映了已宣布数据中心项目数量的增加，也反映了计划美元价值的增加。例如，在 2019 至 2022 年的四年中，数据包括约 278 个数据中心计划，平均项目价值约 1.14 亿美元、中位数 2,600 万美元。在 2025 年截至 9 月，有 521 个计划，平均价值近 20 亿美元、中位数约 2.16 亿美元。

**注 11**：我们选择呈现名义支出（而非实际支出），因为预测数据中心结构与设备支出的平减指数会引入另一层不确定性。

4.3 估算样本

如第 3 节所述，为了模拟投资，我们需要估算「计划到开工时长、开工到完工时长、放弃率」。为获得这些估算，我们聚焦于：观察到计划阶段且观察到从计划阶段转出的项目样本¹²。这剔除了许多近期计划（因为还无法确定它们会否建成），但我们在模拟样本中会重新纳入这些。我们也排除了 master report（它们聚合多个项目，放弃状态模糊），这些项目也在模拟样本中重新纳入。总体而言，这些缩减使估算样本规模减少 56%，主要是由于尚未从计划阶段转出的近期项目。

下方表 1 显示估算样本中所有项目的放弃率、月数（从计划到开工、从开工到完工）和项目价值的描述性统计 —— 在面板 A 中；以及相对较大项目（>2.5 亿美元，大致对应计划的前 10%）—— 在面板 B 中。

从面板 A 开始（基于约 1,700 个项目），我们估算放弃率为 0.33。同时，项目从计划到开工平均需要 11 个月，从开工到完工平均需要 9 个月。计划到开工与开工到完工时长的统计数据，与 Glancy et al. (2025) 对整体商业地产部门的报告相似。然而，放弃率低于 Glancy et al. (2025) 报告的 0.46 —— 这表明数据中心的放弃率通常略低于典型办公或零售建筑。

转到面板 B，相对较大项目的放弃率约为 0.3，与样本其余部分相似。与 Glancy et al. (2025) 一致，我们发现放弃率（无条件地）不随项目规模显著变化 —— 也许反映了反向力量的抵消。一方面，大项目的放弃率可能对经济条件变化更敏感（Glancy et al. 2025 提示）；另一方面，参与较大项目的公司可能不同 —— 例如，它们可能更容易获得信贷。转到施工时间表，我们发现这些大项目的计划到开工约 15 个月（略高于整体样本的 11 个月，统计上不显著）。开工到完工有更显著的差异（20 个月 vs 9 个月），表明如预期 —— 大项目的施工时间更长。

**注 12**：我们把在计划阶段观察 48 个月没有开工的项目分类为已放弃，因为约 95% 开工的项目在 4 年内开工（见补充材料图 S2）。

表 1：估算样本描述性统计

| 维度 | 均值 | 标准差 | p10 | p50 | p90 | 数量 | |---|---|---|---|---|---|---| | 面板 A：所有项目 | | | | | | | | 放弃率 (λ) | 0.33 | 0.47 | 0.00 | 0.00 | 1.00 | 1,711 | | 计划到开工月数 (T_P,S) | 11.11 | 15.36 | 2.00 | 6.00 | 26.00 | 981 | | 开工到完工月数 (T_S,C) | 9.37 | 6.83 | 3.00 | 9.00 | 17.00 | 715 | | 价值（十亿美元）(V) | 0.10 | 0.38 | 0.00 | 0.01 | 0.25 | 1,711 | | 面板 B：大项目（>2.5 亿美元） | | | | | | | | 放弃率 (λ) | 0.30 | 0.46 | 0.00 | 0.00 | 1.00 | 169 | | 计划到开工月数 (T_P,S) | 15.00 | 18.47 | 2.00 | 9.00 | 37.00 | 113 | | 开工到完工月数 (T_S,C) | 19.77 | 9.78 | 10.00 | 18.00 | 35.00 | 48 | | 价值（十亿美元）(V) | 0.70 | 1.02 | 0.28 | 0.48 | 1.07 | 169 |

来源：作者基于 Dodge Construction Network 数据的计算。

---

5. 数据中心投资模拟

本节呈现模拟练习的结果。我们首先呈现校准细节，然后呈现短期和中期结果 —— 后者需要对未来计划流入做出假设。

5.1 校准

我们基于估算样本对参数分布进行校准：

**放弃率 λ**：均值 0.33，标准差为该均值的标准误差 0.01
**计划到开工时长 T_P,S**：均值 11.11，标准差 0.49¹³

由于「开工到完工时长 T_S,C(X_i)」与项目规模有强关联，我们用以下方程建模：

T_S,C(X_i) = β_0 + β_1 · log(V_i) （方程 3）

这个回归得出 β̂_0 = 19.15（SE = 0.54）和 β̂_1 = 2.15（SE = 0.11）。该方程意味着一个 10 亿美元的数据中心项目，通常从开工到完工需要约 19 个月。

上述讨论描述了我们对计划的处理。对于已经开工的项目，我们基于观察到的开工日期和上述完工时长校准方法来模拟支出。

**注 13**：均值见表 1 的第一列。均值的标准误差由标准差（第二列）除以观测数（最后一列）的平方根给出。

5.2 短期 Nowcasts

模拟使用的样本包括所有在 2025 年 9 月 Dodge 数据中处于计划阶段、或已开工但未完工或放弃的项目。模拟中有两个广泛的随机性来源。第一，在每次模拟中，关键参数独立地从正态分布中抽取（如上一节所述）。第二，在每次模拟中，放弃在项目层级随机决定。在某些模拟中，许多非常大的项目最终被放弃，结果总投资相对较低；反之亦然。在实务中，大多数随机性来自项目特定的放弃。

为生成 nowcast，我们使用第 3 节描述的方法。我们生成 1,000 次蒙特卡洛模拟的短期投资。在抽取项目级放弃后，我们获得一组未被放弃的项目。然后基于 time-to-build 参数和上述假设模拟这些项目的投资。

图 3 左面板呈现了短期至 2026:Q2 的模拟结果。图显示了季度频率（年化）的数据中心投资，跨多个分布点：均值、中位数、IQR 和其他百分位。在模拟均值中，投资从 2024:Q4 的约 600 亿美元增至 2025:Q4 的 1,800 亿美元，并在 2026:Q2 达到年化 3,700 亿美元的水平。

作为验证练习，我们把模拟的名义投资与第 2 节讨论的 NIPA 数据中心投资估算进行比较。这一估算显示为图 3 左面板的红色虚线 —— 即「数据中心结构」+「超过趋势的高科技设备」之和。在图中，红线与模拟投资相似，表明迄今为止模拟投资是实际投资的良好向导。

模拟显示出实质性的离散：在第 5 百分位，2026:Q2 投资约为 2,400 亿美元；在第 95 百分位，约为 4,500 亿美元。这一变异主要源于项目级放弃率¹⁴。在某些模拟中，许多近期已宣布的大型数据中心完工；在另一些中，许多被放弃。

中位数超过均值是因为：模拟中总投资的分布（见补充材料图 S3）呈现双峰，右峰质量更大。这种分布模式由两个因素导致：放弃率 0.33，以及项目级投资价值的右偏分布。具体而言，少量极大项目（如 Project Stargate）代表了显著的异常值。这些超大项目被放弃的模拟产生较低的总投资水平；反之，完工时则大幅抬高投资总量。由于项目在模型中约三分之二的时间存活，分布的右峰包含更大质量。因此，大多数模拟包括非常大项目的完工，从而把中位数推到均值之上。

我们把这一 nowcast 解读为与 Gabaix (2011) 的「粒状起源」（granular origins）总量波动观点一致。数据中心项目的分布有一个肥右尾，所以投资 boom 的幅度关键性地取决于少数极大项目的支出和完工。话虽如此，值得注意的是：数据中心项目的崛起已经足够 broad-based —— 即使在最悲观情景下（许多大项目完全被放弃），投资仍升至 2026 年中期的 2,400 亿美元。

**注 14**：置信区间在 Dodge 数据的最新 vintage 之前就开始 —— 因为在模拟中，项目可以在 Dodge 数据显示它们已开工之前破土动工。例如，2024:Q1 进入计划阶段的项目可以在某些模拟中较晚开工 —— 即使 Dodge 数据尚未表明该项目已开始。

5.3 中期预测

短期模拟独立于我们对未来计划流入的假设，因为在模拟中计划平均需要约一年才会破土动工。我们现在转向模拟至 2027 年的投资（我们称之为「中期」），这需要对至 2027 年的新计划流入做出假设。我们首先计算 2024 至 2025 年 9 月的平均计划规模和新计划的月度流量。然后我们考虑未来计划数量的三种替代方案：(a) 这一近期历史月均计划数量的 1/4，(b) 相同水平，(c) 2 倍 —— 保持项目规模不变。最后，我们在这三种不同情景下模拟至 2027 年的投资；结果显示在图 3 下面板和表 2 的前三列。图包括每个模拟的第 5 和第 95 百分位。

模拟在 2026 年末开始分叉 —— 此时 2025 年末假设的计划开始破土动工。到 2027 年末，投资在不同情景下显著不同：均值投资从悲观情景的约 3,600 亿美元到乐观情景的 9,300 亿美元不等。即使在未来计划降至近期水平的四分之一的情景下，投资仍相对稳健 —— 因为目前在计划阶段的数据中心项目可以支持几年的投资。因此，2027 年预测反映了当前「数据」（已宣布的计划）和模拟中未来计划路径的混合。展望 2027 年之后，模拟投资将更严重地依赖于对新计划的假设。

表 2 还报告了模拟中数据中心投资对名义 GDP 增长的贡献。为计算贡献，我们使用 Philadelphia 联储 Survey of Professional Forecasters（SPF）的名义 GDP 增长预测增长 2024 年的名义 GDP¹⁵。在中间三列，我们报告未考虑高科技设备进口份额之前的贡献。在均值模拟中，数据中心投资对 2025 年 GDP 增长贡献 0.4 个百分点。2026 年，根据未来计划的假设，贡献范围为 0.8 至 1.1 个百分点。最后，2027 年的贡献显著不同 —— 范围为乐观情景的 1.2 个百分点至悲观情景的 -0.2 个百分点。

然而，数据中心投资 boom 对 GDP 增长的净影响不仅取决于投资水平（我们分析的主要焦点），还取决于扣除进口后的投资份额。我们需要估算数据中心投资的进口份额；我们以下方式创建一个「ballpark」估算。第一，我们假设 30% 的投资在国内结构，剩余 70% 在高科技设备。这一拆分使用 BEA 和 Census 对 2024 年信息和数据处理公司的数据中心结构 value put in place 与高科技及其他设备支出的估算得出。第二，我们假设高科技设备的进口份额为 80%。进口份额基于 2024 年 BEA 和 Census 高科技设备的进口和总投资。综合这些假设意味着 44% 的数据中心投资是国内。所得贡献显示在表 2 的最后三列 —— 即中间三列的 44%。

重要的是，进口调整为我们的预测增加了另一层不精确性。我们方法在短期的优势是：它生成数据中心投资总水平（以及总 GDP 贡献）的 nowcast，几乎不需要判断 —— 因为它在很大程度上由当前计划存量和模型参数的历史估算确定。但是，进口核算需要更多对未来季度进口份额的判断。中期对数据中心 GDP 增长贡献的预测需要对进口份额和计划流入两者的假设；鉴于这两个边际目前都未知，对此类中期投资的任何预测都存在显著不确定性。

**注 15**：SPF 不包括 2027 年的名义 GDP 预测。为获得它，我们使用实际 GDP 增长预测和 GDP 价格指数从先前值的外推。由于这些预测可能已经包括一些来自数据中心增长的提振，我们不会在三种不同情景下调整名义 GDP。

表 2：按未来计划流入划分的数据中心投资及对 GDP 增长的贡献

| 年份 | 投资 (10亿美元) | | | 对 GDP 增长贡献 (pp，含进口投入) | | | 对 GDP 增长贡献 (pp，剔除进口投入) | | | |---|---|---|---|---|---|---|---|---|---| | | 0.25x | 1x | 2x | 0.25x | 1x | 2x | 0.25x | 1x | 2x | | 2023 | 10 | 10 | 10 | 0.02 | 0.02 | 0.02 | 0.01 | 0.01 | 0.01 | | 2024 | 58 | 58 | 58 | 0.17 | 0.17 | 0.17 | 0.07 | 0.07 | 0.07 | | 2025 | 179 | 179 | 179 | 0.41 | 0.41 | 0.41 | 0.18 | 0.18 | 0.18 | | 2026 | 413 | 464 | 526 | 0.75 | 0.91 | 1.11 | 0.33 | 0.40 | 0.49 | | 2027 | 357 | 612 | 921 | -0.17 | 0.45 | 1.21 | -0.08 | 0.20 | 0.53 |

注：表显示了第四季度（年化）数据中心投资均值以及基于不同未来计划流入假设的投资对 GDP 增长贡献。投资贡献按「前一年 GDP 中的份额 × 数据中心投资的 Q4/Q4 增长率」计算。我们的进口调整假设 44% 的投资是国内的；详见第 5.3 节。名义 GDP 增长来自 Survey of Professional Forecasters（SPF）。由于 SPF 不包括 2027 年的名义 GDP 预测，我们使用实际 GDP 增长预测和 GDP 价格指数从先前值的外推。SPF 数据来源：Philadelphia 联储研究部门。

来源：作者基于 Dodge Construction Network 数据和 SPF 的计算。

5.4 进一步的稳健性与讨论

我们简要讨论关键参数的变化如何影响模拟。放弃率 0.33 是从历史均值选取的，但年度放弃率从约 0.2 到 0.45 不等。放弃率的变化可以对模拟投资的分布百分位产生微妙影响。例如，如果放弃率升至 0.5 以上，投资分布将保持双峰，但左峰质量更大，引发中位数向下移动。然而，均值大致按放弃率线性变化。例如，放弃率从 0.33 变为 0.45 大致意味着把均值投资水平按比例缩小 18%（因为存活率从 67% 下降到 55%，下降 18%）。预期如果对 AI 的潜在回报的预期变差，放弃率参数可能上升。本文开发的自下而上模拟方法的一个优势是：它可以动态调整，因为这些放弃发生时。

一个相关的讨论涉及项目生命周期中的缩放因子 —— 即许多项目可能存活并建成，但最终被缩小或扩大范围。在历史数据中心数据中，我们没有看到价值有强烈的向某一方向缩放的倾向，所以我们选择在基线中不考虑缩放因子。在不同的假设下，均值投资将按比例缩放 —— 只要缩放因子在所有项目上同等适用。

数据中心施工的前所未有的加速也可能因生产能力约束而被推迟。虽然预测供应链瓶颈何时何地出现极具挑战性，但有迹象表明：构建数据中心所需的许多输入都存在压力，包括土地、劳动力、设备、电力和资本（见 Chen 2025、Turner and West 2025、Duguid and Kinder 2025、Whelan 2025）。模拟可以用不同的「计划到开工」或「开工到完工」时长假设进行调整。施工时间表的转变将大致按比例推迟模拟投资。

---

6. 结论

我们提出了一种新方法 —— 基于项目级数据和少量经验估算参数，生成数据中心总投资的实时估算和短期 nowcast。该方法还可以在对未来计划流入做出假设的情况下生成中期预测。我们的估算在 2025 年的样本外表现良好，因此我们用它来 nowcast 截至 2025 年 9 月观察到的计划和施工活动下的 2026 年投资。我们展示了如何用此方法做更远期的预测，但这些中期预测对当前未知的计划活动流入假设变得相当敏感。

虽然数据中心投资在后疫情时代的大规模投资中特别受关注，但我们的方法论对于研究任何投资类别在潜在拐点时的投资都是有价值的 —— 只要有详尽的项目级微观数据。话虽如此，我们的模拟没有考虑来自数据中心投资激增或人工智能采纳的其他大量宏观经济影响。在经济演化过程中分离这些渠道，将是未来研究的重要挑战。

---

参考文献

1. Acemoglu, Daron, "The Simple Macroeconomics of AI," Economic Policy, 2025, 40 (121), 13-58. 2. Brandsaas, Eirik E., Daniel I. García, Joseph B. Nichols, and Kyra Sadovi, "Nonresidential Construction Spending is Likely Not as Weak as it Seems," FEDS Notes. Federal Reserve Board, 2023. 3. Brandsaas, Eirik E., Robert J. Kurtzman, and Joseph B. Nichols, "From Plans to Starts: Examining Recent Trends in Manufacturing Plant Construction," FEDS Notes. Federal Reserve Board, 2024. 4. Brynjolfsson, Erik, Danielle Li, and Lindsey Raymond, "Generative AI at Work," The Quarterly Journal of Economics, May 2025, 140, 889-942. 5. Byrne, David M., Carol Corrado, and Daniel E. Sichel, "Own-Account IT Equipment Investment," FEDS Notes. Federal Reserve Board, 2017. 6. Byrne, David M., Carol Corrado, and Daniel E. Sichel, "The Rise of Cloud Computing: Minding Your P's, Q's and K's," NBER Working Paper No. 25188, 2018. 7. Chen, Te-Ping, "Data Centers are a 'Gold Rush' for Construction Workers," Wall Street Journal, November 29, 2025. 8. Duguid, Kate and Tabby Kinder, "Investor Angst Over Big Tech's AI Spending Spills Over into Bond Market," Financial Times, November 11, 2025. 9. Furman, Jason and Robert Seamans, "AI and the Economy," Innovation Policy and the Economy, January 2019, 19, 161-191. 10. Gabaix, Xavier, "The Granular Origins of Aggregate Fluctuations," Econometrica, May 2011, 79 (3), 733-772. 11. Glancy, David, Robert J. Kurtzman, and Lara Loewenstein, "JUE Insight: Shovel Ready Projects and Commercial Construction Activity's Long and Variable Lags," Journal of Urban Economics, 2025. 12. Millar, Jonathan N., Stephen D. Oliner, and Daniel E. Sichel, "Time-to-Plan Lags for Commercial Construction Projects," Regional Science and Urban Economics, 2016, 59, 75-89. 13. Peng, Elsie, Joseph Briggs, and Sarah Dong, "US Daily: A Primer on the Impact of AI on the GDP Statistics," Goldman Sachs Economic Research, September 13, 2025. 14. Reinhart, Abiel and Michael Feroli, "US: The Data on Data Centers," J.P. Morgan: North America Economic Research, January 15, 2025. 15. Selgrad, Julia and Kerry Siani, "Monetary Policy and Investment Plans," Working Paper, 2025. 16. Stock, James H. and Mark W. Watson, "Evidence on Structural Instability in Macroeconomic Time Series Relations," Journal of Business & Economic Statistics, 1996, 14 (1), 11-30. 17. Turner, Nicol and Darrell West, "The Future of Data Centers," Brookings, November 5, 2025. 18. Whelan, Robbie, "CoreWeave Reports Doubling of Revenue From AI Boom," Wall Street Journal, November 10, 2025.

---

补充材料

本文档包含手稿中引用的补充材料。第一节包含文中引用的补充图。第二节进一步详述我们如何清理和处理 Dodge Construction Network（Dodge）的数据。

S.1 文中引用的补充图

图 S1：数据中心类别投资 - 数据中心结构和高科技计算机 & 外设设备的季度实际投资（按 2017 年美元口径） - 来源：作者基于 Bureau of Economic Analysis 数据的计算

图 S2：「计划到开工时长」CDF - 所有观察到计划和开工阶段的项目「计划到开工」月数的分布 - 来源：作者基于 Dodge Construction Network 数据的计算

图 S3：短期模拟投资量的分布 - 基于 1,000 次短期投资模拟的值 - 垂直黑线表示均值（实线）和中位数（虚线） - 来源：作者基于 Dodge Construction Network 数据的计算

S.2 数据构造细节

本节讨论我们如何协调项目级 Dodge 数据，使得施工阶段被一致地定义、阶段之间的过渡符合一致的结构。本节还讨论我们如何整合 master report 和它们关联的 child report，以及其他数据调整。

#### S.2.1 阶段工作

在原始 Dodge 报告中，项目可以在 Dodge 指定的八个阶段中进出：pre-planning、planning、final planning、bidding、underway、completed、abandoned、deferred。我们做出调整以在项目之间创建一致的阶段结构。首先，我们把 pre-planning、planning、final planning 和 bidding 合并为单个「planning」阶段。然后我们进行阶段调整，使得只允许图 S4 中显示的阶段变化。我们通过对数据按顺序进行以下调整来实现这一结构：

1. 对于每个项目，找到最后一次过渡到 start 阶段。所有先前条目的阶段都改为 plan。 2. 对于每个项目，找到最后一次过渡到 plan 阶段。所有先前条目的阶段都改为 plan。 3. 对于每个项目，任何不在项目末尾的 abandons/deferrals 序列都被切换为 plan 或 start，取决于这两个阶段中哪个最近先于 abandons/deferrals 字符串。此外，任何在计划阶段持续 48 个月、最后一个阶段标签是 abandoned 或 plan 的项目，其阶段从第 48+1 个月起改为 abandoned。这是因为约 94% 项目（按项目价值加权）在 48 个月内开工（见图 S2）。 4. 完工只能在报告序列的末尾出现，因为完工变量的定义方式是：最后一次更新完工日期之后的每个条目都被视为完工。

综合起来，这些变化确保以下： 1. 放弃或完工条目只能在项目条目序列末尾出现。一个项目不再可以标记为 deferred。如果项目正在进行但目前是 deferred，它被标记为 abandoned。 2. 一旦项目从 plan 移出，它将永远不会再次成为 plan。一旦项目从 start 移出，它将永远不会再次移回 start（见图 S4 中的箭头）。 3. 项目可以在四个重新定义的阶段中的任何一个进入数据集。

图 S4：有效阶段过渡 - 实线箭头表示允许的过渡 - 来自 Entry 的虚线箭头代表项目进入数据库的概念时点，而非观察到的阶段 - 阶段：Entry → Plan → Start → Complete / Cancel

#### S.2.2 合并 Master 报告与 Child 报告

较大项目通常首先报告为 master report，当有更多数据可用时，为项目的特定组件或阶段制作 child report。Child report 收到唯一的项目标识符，Dodge 提供 crosswalk 链接 master report 与其 child report —— 一旦 child report 收到其第一个条目。

我们按以下方式合并 child report 与其 master report：对于所有条目，我们将 master report 的最新值作为项目的值，并从 master 和 child report 中推导阶段变化。我们认为项目在第一个 child report 开工时开始施工。项目在所有 child 项目完工时完工，或当至少一个 child 项目已完工且所有其他 child report 已被放弃（或有 pending deferral）时完工。我们认为项目在所有 child report 被放弃时被放弃。最终数据结构是：每个 master-child 分组在 master report 或一个 child report 有数据的每个日期只有一个条目。

我们从数据中移除了一个与多个 master report 匹配的项目及其相应的 master report。有 16 个项目，其 child report 在第一个 parent report 之前制作。在其中 13 个案例中，先前的 child report 都是 plan；在 2 个案例中，child 项目的 start report 在第一个 master 项目报告制作之前已经制作；在 1 个案例中，child 项目的 completion report 在第一个 master report 条目之前制作。在所有 16 个案例中，我们把项目的历史视为从第一个 master 项目报告条目的日期开始，并从那时起采用 child 项目的阶段值。

#### S.2.3 项目移除

在 Dodge 报告了一个项目之后，它可能会从 Dodge 追踪的项目集合中移除，原因有几个，包括但不限于： 1. 该报告是另一项目的重复报告 2. 项目价值降至 500,000 名义美元以下 3. 项目是 master report 且其所有 child 项目已收到其第一个报告 4. 项目在 36 个月内未收到阶段更新。如果项目后来更新，它将被 Dodge 重新引入数据

Dodge 提供移除日期 —— 反映 Dodge 将不再为该项目提供更新的日期。Dodge 还提供移除原因的评论。我们从样本中移除项目，自其移除日期起 —— 除非它们是重复报告，在这种情况下，我们从数据集中移除该项目的所有条目。

另外，我们只保留位于美国的项目报告。

完成上述数据清理后，我们的数据集包含 3,916 个项目（按时间），每个项目平均观察 58 个月，没有缺失期。所有 master 和 child 报告分组被合并到一个单一的项目条目序列中。

---

译者后记：本论文的关键数字汇总（便于引用）

方法论核心三参数（基于 1,711 个数据中心项目，估算样本）： - 放弃率 λ = 0.33（标准差 0.47） - 计划到开工时长 T_P,S = 11.11 个月（中位数 6 月） - 开工到完工时长 T_S,C = 9.37 个月（中位数 9 月）

大项目（>2.5 亿美元，169 个项目）： - 放弃率：0.30 - 计划到开工：15 个月 - 开工到完工：19.77 个月（中位数 18 月） - 平均价值：7 亿美元

计划值历史： - 2019-2022 年均：约 70 亿美元/年（小） - 2024 年新计划值：约 3,000 亿美元 - 2025 年截至 9 月：约 9,000 亿美元 - 截至 2025-09 计划存量：> 1 万亿美元

项目规模演变： - 2019-2022：278 个 plan，平均 1.14 亿、中位 2,600 万 - 2025 截至 9 月：521 个 plan，平均 ~20 亿、中位 2.16 亿

短期 Nowcast（1,000 次蒙特卡洛均值）： - 2024:Q4：年化 60 亿美元 - 2025:Q4：年化 180 亿美元 - 2026:Q2：年化 370 亿美元 - 2026:Q2 模拟区间（5th-95th 百分位）：240-450 亿美元

中期预测（2027 年，三种情景）： - 悲观 0.25x：360 亿美元 - 中性 1x：612 亿美元 - 乐观 2x：930 亿美元

对 GDP 增长贡献（不扣进口）： - 2025：+0.41pp - 2026 中性：+0.91pp - 2027 中性：+0.45pp（区间 -0.17 至 +1.21）

对 GDP 增长贡献（扣进口 44% 美国本土）： - 2025：+0.18pp - 2026 中性：+0.40pp - 2027 中性：+0.20pp（区间 -0.08 至 +0.53）

进口扣减假设： - 数据中心总投资 = 30% 结构 + 70% high-tech equipment - 结构 100% 国内 - High-tech equipment 进口率 = 80% - 综合：44% 美国本土、56% 进口

NIPA 数据中心投资构造方法（去趋势法）： - 数据中心结构（BEA 自 2020 起单列）+ 计算机&外设设备的「超过 2015-2022 趋势」部分 - 2021 年：约 100 亿美元 - 2025 H1：约 400 亿美元（约 4× 增长）

---

翻译完成日期：2026 年 5 月 24 日

译文用途说明：本译文供 workspace 内部研究参考使用。原文为 Federal Reserve Board 工作论文，请引用原文。引用方式：Brandsaas, Eirik Eylands, Daniel Garcia, Robert Kurtzman, Joseph Nichols, and Adelia Zytek (2025). "Estimating Aggregate Data Center Investment with Project-level Data," Finance and Economics Discussion Series 2025-109. Washington: Board of Governors of the Federal Reserve System, https://doi.org/10.17016/FEDS.2025.109.