利用项目级数据估算数据中心总投资

美联储委员会，华盛顿特区 ISSN 1936-2854（印刷）ISSN 2767-3898（在线） 使用项目级数据估算汇总数据中心投资 埃里克·埃兰兹·布兰德萨斯，丹尼尔·加西亚，罗伯特·库茨曼，约瑟夫·尼科尔斯和阿黛莉亚·齐泰克 2025-109 品牌萨斯，埃里克·埃兰兹，丹尼尔·加西亚，罗伯特·库茨曼，约瑟夫·尼克斯和阿黛莉亚zytek (2025)。 “使用项目级数据估算总数据中心投资,”金融与经济学讨论系列2025-109。华盛顿：理事会的美联储系统，https://doi.org/10.17016/FEDS.2025.109。 注意：金融与经济讨论系列（FEDS）中的员工工作论文是初步材料，用于激发讨论和批评性评论。所提出的分析和结论是作者的观点，并不代表研究团队其他成员或理事会董事的同意。出版物中对金融与经济讨论系列（除致谢外）的引用应与作者（们）确认，以保护这些论文的试探性特征。 使用项目级数据估算汇总数据中心投资* 2025年12月17日Eirik Eylands Brandsaas†1, 丹尼尔·加西亚‡1, 罗伯特·库茨曼§1, 约瑟夫·尼科尔斯¶1，以及阿黛莉亚·齐特克||11美联储理事会 摘要 美国数据中心投资在后疫情时代迅速增长，未来投资计划也进一步飙升。在这样一个转折点进行投资预测是一项重要但潜在充满挑战的工作，尤其是在综合数据可用性存在滞后的情况下。我们开发了一种简单的方法，利用项目层面的微观数据和少量参数来预测综合投资：具体而言，是放弃率、计划启动时间以及启动至完成时间。作为我们方法的关键验证，我们生成了与近期 NIPAs 综合数据中心投资历史相匹配的估计值。然后，我们使用我们的方法生成短期综合数据中心投资的即时预测值，平均预测值表明投资将于 2026 年第二季度增长至 3700 亿美元。我们可以进一步扩展我们的方法论，但我们的预测将取决于假设的新数据中心计划流量。假设未来计划介于 2024-2025 年计划平均速度的四分之一到两倍之间，意味着 2027 年的投资预测范围为 3600 亿美元至 9300 亿美元，展示了未来投资水平的巨大上行和下行风险。 关键词：数据中心，商业地产，预测，建设，计划周期 JEL分类：R33，E22，E32，L74 1. 简介 后疫情时代，数据中心投资激增，数据中心结构投资从2021年到2025年大致翻了四倍。与此同时，未来数据中心的规划计划显著增加，到2025年秋季总计超过1万亿美元。鉴于这些发展，政策制定者和从业者面临的一个重要问题是理解这种投资的短期规模和长期动态。 我们的论文提供了一种回答此问题的方法，该方法可以使用项目计划的小数据集和少量经验生成的参数来生成汇总实时预测。这种方法为在拐点出现时生成非平稳时间序列的预测提供了一个替代框架。1 我们将方法应用于数据中心行业的项目级数据，该行业正处于这样一个拐点之中，并且由于其潜在颠覆性人工智能服务的开发作用而引起广泛关注。我们的方法在短期内产生了合理的样本外性能，我们展示了如何将其扩展到更长的预期时间范围，突出了未来新计划流动假设的重要性。 为了在短期内（定义为一年后，即我们数据集中计划到启动的典型时间）生成未来投资的短期预测，我们需要三个参数。对于在建项目，我们需要完工时间。对于规划中的项目，我们需要计划到启动的时间。最后，我们需要项目的放弃概率，在我们样本的数据中心行业，这一概率历史上有约33%。为了生成一年以上的预测，我们称之为中期预测，需要对新计划的投资流入做出假设。这是一项更不牢固的任务，因为它需要对未来计划的范围和价值做出假设。2 我们应用我们的方法论，使用来自道奇建筑网络的项目计划微观数据，来估计和预测近期历史和短期内的数据中心投资。 (规避) 然后通过生成中期预测来扩展分析。Dodge 数据的一个优势在于它被用作人口普查的“已投入建设的建筑”（CPIP）调查的输入，该调查为 BEA 的投资测量提供了信息。此外，该项目微观数据通常包括总成本估算，这使我们能够谈论整体数据中心投资，而不仅仅是数据中心结构投资。 我们首先使用道奇从2003年至2025年报告的数据中心项目计划历史，来生成上述讨论的三个关键参数的估计值。将这些应用于道奇数据中心项目历史，为国民收入和产品账户（NIPAs）中的数据中心投资总额提供了一个定量的相似估计，从而验证了我们的方法。然后，我们使用截至2025年9月的道奇微观数据，通过蒙特卡洛模拟方法预测数据中心投资的短期路径。在我们的模拟平均值中，投资从2024年第四季度的约600亿美元增加到2025年第四季度的1800亿美元，到2026年第二季度达到约3700亿美元的年增长率。然后，我们针对未来数据中心新项目计划的未来流量三种不同情景，预测2027年的投资。这些情景假设未来的计划速度介于2024-2025年计划平均速度的四分之一到两倍之间。在这些模拟中，2027年的平均年化投资在更悲观的替代方案中约为3600亿美元，在更乐观的情景中约为9300亿美元；实际上，到2027年底，投资水平主要取决于假设的新计划流入，而不是当前计划库存。 作为我们工作的一部分，我们开发了一种方法，用于识别NIPAs中数据中心特定的投资。虽然NIPAs中已经产生了数据中心在结构上的总投资，但计算机设备和外围设备投资（E&I）没有被单独列为数据中心投资。由于这种E&I投资包括其他产品类别，例如商业购买笔记本电脑和其他计算机设备，我们认为应该去除不属于数据中心的投资水平。我们提出了一种简单的方法来做到这一点，以构建NIPAs中数据中心总投资的衡量指标。由于NIPAs存在滞后发布的情况，我们这种自下而上的方法的一个额外优势在于，它允许实时估算此类总投资。 我们的工作为关于人工智能更广泛经济影响的研究提供了一个重要的补充（例如，）。阿克莫格鲁 2025,富尔曼和希姆斯 2019, 或布赖恩约夫森等 2025）。虽然这些论文主要关注人工智能重新排序经济的潜力，主要通过提高劳动生产率，但这种潜在的发展是底层物理基础设施建设的函数。 数据中心的基础设施。我们的工作因此为该文献提供了宝贵的补充，其创新方法可以将详细的详细项目级别规划数据转化为实际投资的时序，这是提供下一代人工智能服务的前提条件。 这项分析也促进了使用项目级规划微观数据研究投资的文献。格拉尼等人(2025)表明非计划性废弃是商业建筑空间短期供给弹性的关键决定因素，为我们的建模方法提供了动机。米尔勒等人(2016)估计已完成项目的时间规划，并强调项目从规划到开始和从开始到完成之间的时间存在显著异质性。塞尔格拉德和西阿尼(2025)演示了计划投资和货币政策对企业层面项目的相互作用，表明了新 项目在应对货币政策冲击方面的重要作用。Brandsaas等人(2024) 分析制造业活动计划，重点指出启动时间与《降低通胀法》和《芯片与科学法案》实施时间相近。我们的研究表明，这些计划在预测数据中心投资方面的价值；该框架自然可以应用于非住宅建筑投资，后者通常占私人投资平均约20%（Brandsaas 等人,2024)，或者转移到其他形式的投资，其中由于规划、规划时间和建设时间而导致的放弃可以被持续估计。 本文其余部分如下。在第三部分2，我们描述了如何在NIPAs中获得数据中心投资的汇总数据。在第三部分3，我们介绍了我们用于从项目级数据生成汇总数据中心投资的框架。在第三节4，我们描述了Dodge数据及其属性。在第三节5，我们展示了仿真结果。在第三节6，我们得出结论。 2. 计算中心在NIPAS中的投资测量 NIPA中不包含一个涵盖所有数据中心投资的单一类别。相反，与数据中心相关的投资记录在几个主要类别中。BEA使用人口普查的非住宅结构CPIP报告来衡量结构投资。图左侧面板1表明数据中心结构的名义支出已迅速增加，从2021年的约100亿美元增加至2025年上半年约400亿美元。3 然而，数据中心的总投资远大于其本身结构，因为数据中心配备了高科技资本货物，包括服务器、存储阵列和网络 来源：作者使用经济分析局数据进行的计算。 硬件。最终计算机硬件的采购，包括服务器和其他成套计算设备，计入信息处理设备私人固定投资中的“计算机和外设”部分，如图左侧面板中所示的实蓝色线。1. 该系列的水平也反映了在其它计算机设备上的投资，例如商业购买笔记本电脑和打印机。 我们的方法是对此类计算机E&I投资进行有效去趋势处理，将剩余值作为数据中心中的E&I投资。我们从2015年到2022年估算了一个时间趋势，如图左侧的虚线所示。4 这是在数据中心活动近期激增之前的事后投资估计。接下来，我们将实线和虚线之间的差额解释为反映数据中心设备投资，并将此差额加到建筑物投资（黑色线，左图）上，以获得数据中心投资的衡量标准。 该和式显示在图1的右面板中。虽然我们认为这个数据中心 投资准确捕捉了数据中心投资近期的趋势，我们注意到这仍然是一个不完美的估计。一方面，它不包括一些相关部分，例如专业数据中心软件的投资或自有资金设备投资。5 另一方面，如果例如商务笔记本电脑的采购显著高于趋势，那么这种估计可能包括一些与数据中心无关的设备采购。 3. 基于项目级规划数据预测总投资的框架 在本节中，我们描述了使用项目级数据模拟汇总数据中心投资的框架。 3.1. 环境 我们的分析以项目级别进行索引，每个项目i具有特征向量，X.i这些特性包括以美元计的总项目成本估计V. 项目演变i通过不同阶段，j项目阶段可以取以下四种值之一：在规划中（P）、在建或“已开始”（S）、已完成（C），或已放弃（A）。 所有项目均假定从规划阶段（P）开始，然后在若干时期后进入施工启动或被放弃。一旦开始，项目假定在若干额外的时期后达到完成。6 T(X)从计划到施工的平均时间,会因项目特征而变化，在iP,ST(特别是项目的规模。从开始到完成的平均时间，X)，可以类似iS,Cλ(随项目特征而变化。放弃率，X)，是项目平均数i那些在我们的模拟开始时因规划而被放弃的，也可能随着项目特征而变化。 关于建设阶段投资分布的各种潜在假设——也就是说，一旦开始建设，支出是如何逐步到位的。 对于我们的分析，我们假设投资均匀分布在建设时间线上。V并且从开始到完成花费数月T我=实际上一个有价值的项目,支出 i/T(X)从其开始日期到完成每个月。这一假设会太iS,C如果我们只考虑建筑建设，则是在后装载。美国人口普查局估计>对于非常大的项目（1亿美元），需要超过3年才能完全建成，通常第一年有大约50%的价值分期到位，到第二年年底有90%。7 然而，假设设备安装比结构本身的施工更偏向后期似乎合理。因此，这一假设平衡了这些相互竞争的力量；然而，这一假设可以很容易地在我们方法中改变。 在模拟和讨论中，我们发现区分“短期”和“中期”是有帮助的。在短期——大约是最后一个规划数据年份之后的一年——投资水平很大程度上由现有计划的存量决定，因为计划通常需要大约一年时间才能从规划阶段移动到建设开始阶段。虽然短期投资很大程度上是现有计划的因素，但中期投资则严重依赖于对未来计划流入的假设。 3.2. 短期预测 鉴于上述定义的三个参数，以及当时仍处于规划阶段或仍在建设中的项目库存t,我们可以根据这些项目生成按项目现场价值计算的总量时间序列的即时预测。第一步是将项目开始施工的月份表示为s对于在数据中观察到启动日期的项目，我们知道开始日期，而对于项目i这些是计划（在模拟中尚未取消的），s可从该月的i T(项目输入了计划开始的数据和时间X).iP,S 当月投入运行的Investment value-in-place总值t由施工中的所有项目在一个月内的总和给出t: 1[ ]哪里·是一个指示函数，当项目i在月度建设中t和 0我=否则，和V/n是上述定义的月度项目级投资。因此，一个项目iiT(在建约十二个月(X) =12)并于2025年1月开始建设iS,C将全年为投资做出贡献。我们注意到，这一投资框架—ti i