从连通性到商业：对意大利地区电子商务驱动因素的多技术研究 安杰洛·莱奥格兰德（Angelo Leogrande） 卡洛·德拉戈（Carlo Drago） 阿尔贝托·科斯坦蒂埃洛（Alberto Costantiello） 马西莫·阿尔诺内（Massimo Arnone）

《Journal of Theoretical and Applied Electronic Commerce Research》：From Connectivity to Commerce: A Multi-Technique Investigation of E-Commerce Drivers in Italy’s Regional Landscape Angelo Leogrande, Carlo Drago, Alberto Costantiello and Massimo Arnone

　　摘要：本研究利用综合分析框架，结合计量经济学建模、机器学习和网络分析，探讨了意大利至少雇用10名员工的企业在电子商务普及方面的区域差异。通过工具变量（IV）面板模型克服了由数字基础设施、社会经济因素和在线商务活动引起的内生性问题，并采用地理斜率作为衡量宽带普及率的合适指标。机器学习模型（包括正则化回归、随机森林和提升法）通过记录非线性效应和区分变量重要性来增强因果推断能力。研究结果一致表明，互联网使用情况、家庭数字连接性以及远程工作的普及是电子商务普及的最重要预测因素。聚类分析揭示了北部-中部地区与南部-岛屿地区在数字发展方面的显著差异。网络分析则确定了互联网普及率和信息通信技术（ICT）基础设施等数字包容性变量在整体经济和技术相互依赖关系中的核心地位。尽管创新和收入水平也很重要，但它们的作用相对次要，表明推动在线商务参与的是数字能力而非单纯的经济富裕程度。意大利的案例具有普遍性，其区域差异问题在他国同样存在，例如西班牙、德国、美国、韩国和日本。因此，意大利的案例为数字工具的普及、区域差异的缩小以及经济整合提供了可借鉴的经验。本研究通过整合因果、预测和系统方法，为不同地区的数字化转型提供了理论和实践指导。

1. 引言
电子商务的普及是数字化转型 processes 的重要方面，它重新定义了企业与客户之间的互动方式，重塑了物流网络，并改变了数字化驱动经济中的竞争格局。虽然大型跨国公司率先采用了这些创新，但中小企业在这方面也越来越发挥着重要作用。然而，由于基础设施、就业机会和制度发展的差异，电子商务的普及在不同地区之间存在显著差异。因此，迫切需要揭示影响数字化转型的主要因素以及导致区域差异的原因。众多学术研究表明，技术准备程度和技能水平可以解释为何某些地区和企业会采用数字技术而另一些则不会。但这些研究通常仅关注静态或横截面模式，未考虑空间异质性和潜在机制[1,2,3,4]。以意大利为研究对象的研究也多为描述性分析，缺乏对不同技术、社会经济和制度因素互动方式的深入理解[5,6]。最近，越来越多的学者开始关注复杂数字解决方案在电子商务领域的应用[7,8]。一些研究指出，数字环境的特殊性和技术障碍对用户行为（尤其是特定群体）有重大影响[9]，同时供应链的数字化使得数据驱动的电子商务解决方案对中小企业至关重要[10]。因此，现有研究存在三个主要不足：对电子商务普及驱动力的因果解释不足、空间因素考虑不够以及方法使用不够恰当。本研究借助计量经济学、机器学习和网络分析三种方法来解决这些问题。计量经济学能够考虑内生性和未观测到的异质性来进行因果推断；机器学习提高了预测能力并揭示了非线性关系；聚类和网络分析有助于发现不同变量之间的模式和依赖性。本研究框架基于三个理论：首先，根据技术-组织-环境（TOE）模型，技术采纳受到技术准备度、组织能力和环境因素的影响；其次，新经济地理学强调空间维度在经济活动及其影响中的重要性，包括基础设施差异；最后，制度理论指出制度可以影响数字行为和区域动态。这种框架允许对电子商务现象进行多维度分析，这些现象源于技术、社会经济和制度因素的相互作用。这种组合确保了所选方法与研究目标的一致性：计量经济学用于因果推断；机器学习有助于理解观察到的现象；聚类和网络分析揭示群体特征和结构特点。通过结合多种方法并考虑区域差异，本研究为该领域做出了三项重要贡献：将因果关系纳入预测模型、明确考虑空间动态以及开展意大利地区的电子商务普及的纵向分析。意大利因其明显的南北差异而成为本研究的理想案例。北部和中部地区拥有发达的基础设施和高水平的创新，而南部和岛屿地区则处于数字发展的初级阶段。

文章结构如下：第2节回顾了关于区域数字化、电子商务普及和技术采纳的关键理论和实证研究；第3节详细介绍了数据来源、变量和方法论框架（包括计量经济学、聚类和机器学习工具）；第4节分析了2013-2023年间意大利的电子商务趋势并强调了空间不平等现象；第5节展示了基于K-means算法的数字成熟度聚类结果；第6节使用IV和GMM模型进行了计量经济估计；第7节、第8节和第9节讨论了机器学习预测、网络分析和政策影响；第10节总结了主要发现和未来研究方向。附录A提供了描述性统计信息。

2. 文献综述
关于中小企业电子商务采纳的学术文献可分为几个相互关联的类别：不同决定因素对采纳决策及其结果的影响；与数字区域差异相关的问题；以及利用定量方法探索异质性的复杂应用。第一类研究专注于分析电子商务采纳的技术和组织决定因素及其对绩效的影响。多项研究证实了创业能力、人力资本和技术基础设施在企业数字化转型过程中的关键作用[11,12]。研究者认为，电子商务作为将企业能力与外部机会联系起来的机制，而外部机会取决于两者之间的兼容性[14]。总体而言，这些文献揭示了采纳和绩效的复杂性，将其视为企业内部能力和外部条件相互作用的结果。另一类研究关注竞争性电子商务发展的战略和技术基础，强调数字基础设施、平台导向的商业模式和创新能力在其中的角色[15,16,17]。同时，电子商务采纳和发展过程逐渐被视为数字化转型、可持续性转型和金融部门创新等更广泛经济进程的组成部分[18]。这些研究表明，电子商务采纳和发展应被视为企业整体战略不可或缺的部分。第三类研究探讨了情境和制度因素，发现诸如疫情等外部事件可以加速采纳进程，并暴露企业技术能力的结构问题[2,19]。从更广泛的角度来看，学者们关注基础设施可用性、立法、数字素养和社会资本在电子商务成功普及中的作用[1,20,21,22]。总体而言，这些研究证明了技术和制度因素对中小企业电子商务采纳和绩效的影响。然而，目前研究仍存在不足，如缺乏对区域采纳过程的关注、各种方法之间的整合不足以及对技术、社会经济和制度因素相互作用讨论有限。本研究旨在通过综合方法弥补这些空白，特别是结合计量经济学、机器学习和网络分析。见表1。

3. 数据和方法论
本节通过实证方法具体说明研究框架，包括数据、变量和分析方法的选择。变量选择受到关于数字化转型、区域发展和电子商务普及的理论和实证文献的影响[81,82,83]。本研究中的因变量是Ecombiz——即从事在线销售的员工占比，这是衡量电子商务普及的区域指标，反映了数字业务渗透程度及复杂的竞争优势结构，现有文献强调了企业数字化与区域社会经济和基础设施特征之间的联系[83]。自变量涵盖了数字化转型的多个维度，例如经常使用互联网的用户（Intuse）和家庭计算机及互联网接入（Icthh）分别衡量个人和家庭的数字普及程度。Intuse反映个人数字化参与度，而Icthh反映家庭的数字准备程度，表明参与数字商务所需的技术接入水平。这些变量被视为内生变量，因为它们与电子商务采纳之间存在双向关系[81,84]。其他控制变量包括生产系统的创新能力（Innovsys）、人均可支配收入（Gdpcpc）和远程工作（Telework），这些都代表了区域的科技、经济和行为发展基础[82]。为了解决内生性问题并考虑其他背景因素，模型引入了来自ISTAT-BES指标数据的工具变量和外生变量。这些变量反映了人类资本、文化资本和社会资本的不同方面。Hs2564、Tq3034和Contedu反映了居民的教育水平和终身学习活动[83]；Readbooks和Civicpart分别代表了文化实践和公民参与度；Nonprofit和Gentrust体现了区域内的社会网络结构和公民信任[84]；Urbangreen和Broadband分别代表了环境质量和宽带普及情况。这些变量的组合使模型能够从多角度解释区域层面的电子商务采纳。该设计遵循技术-组织-环境（TOE）和制度理论框架[81,82,85]。表2列举了实证分析中使用的变量及其代码和名称。

4. 数据与方法论
本研究采用实证方法，详细阐述了数据、变量和分析方法。变量选择基于关于数字化转型、区域发展和电子商务普及的理论和实证文献[81,82,83]。因变量Ecombiz表示至少雇用10名员工的从事在线销售的企业比例，这是衡量电子商务普及的区域指标。独立变量包括经常使用互联网的用户（Intuse）和家庭计算机及互联网接入（Icthh），分别反映个人和家庭的数字普及程度。Intuse反映个人数字化参与度，Icthh反映家庭的数字准备程度。这些变量被视为内生变量，因为它们与电子商务采纳之间存在双向关系[81,84]。其他控制变量包括生产系统的创新能力（Innovsys）、人均可支配收入（Gdpcpc）和远程工作（Telework），它们代表了区域层面的技术、经济和行为发展基础[82]。为了解决内生性问题并考虑其他背景因素，模型还引入了ISTAT-BES指标数据中的工具变量和外生变量。这些变量涵盖了人类资本、文化资本和社会资本的不同方面。Hs2564、Tq3034和Contedu反映居民的教育水平和终身学习活动[83]；Readbooks和Civicpart反映了文化实践和公民参与度；Nonprofit和Gentrust反映了区域内的社会网络结构和公民信任[84]；Urbangreen和Broadband反映了环境质量和宽带普及情况。这些变量的组合使得模型能够从多角度解释区域层面的电子商务采纳。意大利独特的地理特征使其成为研究数字化转型与区域差异之间关系的绝佳案例。实际上，意大利是一个地域差异极大的国家，三个地区尤为突出：技术先进的北部、发展落后的南部以及结构高度异质的内陆地区。在这方面，意大利对于分析电子商务采用的不均衡趋势特别有意义[90]。此外，这些地域差异涵盖了收入水平之外的多个维度，包括基础设施缺口、创新潜力和技术准备程度[91]。这使得意大利成为探索发展环境中各种要素相互作用复杂过程的一个有前景的案例。值得注意的是，数字化总体而言，尤其是电子商务，可以被视为一种弥补地域差异的手段。数字技术使企业能够进入新市场并扩大业务规模，不受地理位置限制，从而促进本地创业和更广泛的市场参与[92]。同时，鉴于意大利的生产结构主要由中小企业、工业区和生产集群组成，数字工具可以积极影响竞争力和创新。此外，电子商务进程与数字基础设施的可用性和有利的政策条件密切相关。得益于数字平台提供的克服市场进入壁垒的机会，创新和就业创造在落后地区可能会更加活跃[93]。国家和欧洲的政策也鼓励这些进程的发展，例如PNRR[94]。总之，意大利可以被视为研究数字化转型与区域差异之间相互作用的独特实证和政策导向实验室。

4. 意大利电子商务采用的区域动态（2013–2023年）
本部分展示了旨在研究2013至2023年间意大利不同地区电子商务实施动态的描述性分析结果。研究重点关注员工人数至少为10人的公司，这些公司通过电子商务进行交易。为了评估电子商务的采用程度，使用了两个关键指标：研究期间百分比的绝对变化和作为数字采用相对增长的百分比变化。因此，这两个指标的使用有助于估计电子商务实施的规模和强度。根据获得的数据可以得出结论，意大利的电子商务正在发展，但各地区之间存在很大差异。意大利北部的皮埃蒙特大区、伦巴第大区、威尼托大区和艾米利亚-罗马涅大区的采用电子商务的公司比例持续增长。例如，在皮埃蒙特大区，使用电子商务的公司数量增加了8.7个百分点（增长了241.67%），这得益于基础设施的可用性和企业的适应能力。伦巴第大区的相对增长较低（5.5个百分点，即119.57%），表明其经济较为发达，某些数字化转型方面在该时期已经开始发展。见图2。

图2. 意大利企业电子商务采用的区域模式。注：A部分显示了2023年员工人数至少为10的公司在全国各地区的电子商务采用程度；B部分展示了2013年至2023年间每个地区的同一直观变化，突出了时间和空间上的差异。上述区域模式清楚地表明了先进制造业、积极的区域治理以及有利于电子商务发展的当地条件的重要性[95,96]。其中最先进的地区是特伦蒂诺-上阿迪杰大区，其电子商务水平从2013年的14.2%增长到2023年的25.8%（+11.6个百分点，相对增长81.69%），显示出数字经济的成熟度[97]。其次是弗留利-威尼斯朱利亚大区，增长了7.8个百分点（+147.17%）；利古里亚大区虽增长不规律但显著，这与港口物流和中小企业的创新有关[98]。最小的瓦莱达奥斯塔大区，电子商务增长幅度达到11%至25.4%（+130.91%），显示出小型旅游导向经济在采用新技术方面的灵活性[99]。在中部地区，托斯卡纳大区、拉齐奥大区、翁布里亚大区和马尔凯大区的创意产业和服务行业经历了显著增长。特别是托斯卡纳大区的份额翻了一番，达到13.8%[97]；拉齐奥大区增长了两倍，达到15.8%，这得益于罗马ICT行业的数字化影响[100]；翁布里亚大区的电子商务采用增长最快，增长了410%，得益于当地的政策支持[101]；马尔凯大区则因中小企业的创新而增长了162.79%[102]。总体而言，意大利可以被视为研究数字化转型与区域差异之间相互作用的独特实证和政策导向实验室。

4. 意大利电子商务采用的区域动态（2013–2023年）
当前部分展示了2013至2023年间意大利不同地区电子商务实施动态的描述性分析结果。研究重点关注员工人数至少为10人的公司，这些公司通过电子商务进行交易。为了评估电子商务的采用程度，使用了两个关键指标：研究期间百分比的绝对变化和作为数字采用相对增长的百分比变化。这两个指标的结合使用有助于估算电子商务实施的规模和强度。根据数据可知，意大利的电子商务正在发展，但各地区之间的差异显著。北部地区（皮埃蒙特大区、伦巴第大区、威尼托大区和艾米利亚-罗马涅大区）的公司采用电子商务的比例持续增长。例如，在皮埃蒙特大区，使用电子商务的公司数量增加了8.7个百分点（增长了241.67%），这得益于基础设施的可用性和企业的适应能力。伦巴第大区的相对增长较低（5.5个百分点，即119.57%），表明其经济较为发达，某些数字化转型方面在该时期已经开始发展。见图2。
图2. 意大利企业电子商务采用的区域模式。注：A部分显示了2023年员工人数至少为10的公司在全国各地区的电子商务采用程度；B部分展示了2013年至2023年间每个地区的同一变量变化情况，突出了时间和空间上的差异。上述区域模式清楚地表明了先进制造业、积极的区域治理以及有利于电子商务发展的当地条件的重要性[95,96]。其中最先进的地区是特伦蒂诺-上阿迪杰大区，其电子商务水平从2013年的14.2%增长到2023年的25.8%（+11.6个百分点，相对增长81.69%），显示出数字经济的成熟度[97]。其次是弗留利-威尼斯朱利亚大区，增长了7.8个百分点（+147.17%）；利古里亚大区的增长虽然不规律但显著，这与港口物流和中小企业的创新有关[98]。最小的瓦莱达奥斯塔大区，电子商务增长幅度达到11%至25.4%（+130.91%），显示出小型旅游导向经济在采用新技术方面的灵活性[99]。在中部地区，托斯卡纳大区、拉齐奥大区、翁布里亚大区和马尔凯大区的创意产业和服务行业经历了显著增长。具体而言，托斯卡纳大区的份额翻了一番，达到13.8%[97]；拉齐奥大区增长了两倍，达到15.8%；翁布里亚大区由于地方政策干预而实现了全国最高的电子商务采用增长，增长了410%[101]；马尔凯大区则因中小企业的创新而增长了162.79%[102]。南部地区也表现出强劲的增长势头，坎帕尼亚大区和普利亚大区的增长超过了两倍（+200%），这得益于基础设施和数字平台的投资[95,103]。卡拉布里亚大区增长了20.3%，增长了153.75%，显示出电子商务多样性发展的潜力[102]。西西里岛和撒丁岛由于侧重旅游业和中小企业，电子商务采用程度分别增长了近两倍（297.87%和276.39%），后者在意大利的增长幅度最大。与此同时，巴利卡塔大区经历了惊人的增长，增长了455%，从2%增长到11.1%，显示出欧盟资助的创新和创业活动的成果[97]；莫利塞大区在同一时期增长了232%，证明即使是小地区也能克服数字鸿沟[101]。区域平均数据显示，就成熟度而言，特伦蒂诺-上阿迪杰大区（19.4%）和瓦莱达奥斯塔大区（18.2%）处于领先地位；南部地区则有较强的增长势头，如西西里岛、撒丁岛和卡拉布里亚大区，各自增长了约12%。莫利塞大区、马尔凯大区和皮埃蒙特大区的平均增长速度较慢但稳定。2020年左右出现了一个重要转折点，几乎所有地区都因COVID-19而加快了数字化转型[98]。尽管一些地区在疫情后出现了倒退，但电子商务的基础仍然保持稳定，表明行为变化是可持续的。总体而言，2013年至2023年的轨迹表明意大利已进入数字成熟期。从经济角度来看，这一发现表明电子商务的普及正逐渐成为竞争优势的因素，帮助公司（特别是在落后地区）突破市场壁垒，触及更广泛的受众。从这个角度来看，数字化转型的意义超出了技术本身，它是一个能够减少不平等的过程。虽然北部地区受益于现有的基础设施，但南部和较小地区的相对活力显著，表明数字鸿沟正在缩小。电子商务已成为竞争力和区域发展的一个不可或缺部分。未来的进展需要支持宽频带发展、创新网络和数字技能的政策。

5. 意大利的数字生态系统类型：K-means聚类和轮廓分析的见解
尽管发现各地区在电子商务采用上存在显著差异，但尚未证明意大利各地区在数字技术使用方面存在一致的模式。因此，本节旨在探讨意大利各地区是否可以根据共同的数字技术使用模式进行分组。基于轮廓系数最大化进行K-means聚类优化，可以有效地分析意大利二十个地区的数字化转型情况[73,104]。在所提出的模型中，因变量是采用在线销售策略的公司比例，解释变量包括个人互联网普及率（Intuse）、家庭数字渗透率（Icthh）、创新系统（Innovsys）、人均GDP（Gdpcpc）和远程工作（Telework）。这些变量共同涵盖了数字发展的几个关键方面，即家庭和企业层面的技术和行为组成部分[105,106]。实际上，较高的互联网普及率和家庭连接性都与电子商务的采用密切相关，因为公司所在的环境中消费者正在采用现代数字技术。值得注意的是，Intuse和Icthh的值越大，属于数字生态系统较先进组（Cluster C1）的概率越高；而较低的普及率则典型地属于数字转型较落后的地区（Cluster C2）。由于轮廓系数优化能够最大化组内凝聚力和组间差异，该模型识别出两个意大利地区群组。第一个群组包括该国的大部分北部和中部地区——皮埃蒙特大区、瓦莱达奥斯塔大区、利古里亚大区、伦巴第大区、特伦蒂诺-上阿迪杰大区、威尼托大区、弗留利-威尼斯朱利亚大区、艾米利亚-罗马涅大区、托斯卡纳大区、翁布里亚大区、马尔凯大区和拉齐奥大区。第二个群组包括南部地区——阿布鲁佐大区、莫利塞大区、坎帕尼亚大区、普利亚大区、巴利卡塔大区、卡拉布里亚大区、西西里岛和撒丁岛。正如前文所述，这种南北差异反映了意大利已知的数字鸿沟[107]。然而，聚类模型不仅强调了这些地区之间的差异，还突出了由结构、经济和行为变化驱动的数字适应模式的异质性。Cluster C1与经济发达的地区相关，这些地区拥有完善的基础设施和创新能力。它们的轮廓得分在0.52到0.68之间，表明相对较好的一致性。表现最好的地区是那些最能体现数字范式的地区——艾米利亚-罗马涅大区（0.676）、弗留利-威尼斯朱利亚大区（0.674）和伦巴第大区（0.671）[108,109]。其他具有高一致性的地区包括特伦蒂诺-上阿迪杰大区（0.669）和威尼托大区（0.656）。这些地区的特征归因于运作良好的小型企业生态系统和有效的政策。托斯卡纳大区（0.654）、皮埃蒙特大区（0.654）和利古里亚大区（0.609）的一致性较低，因为它们的经济结构多样化——托斯卡纳大区以创意产业为主，皮埃蒙特大区以制造业为主，利古里亚大区以服务业为主[105,106]。相比之下，瓦莱达奥斯塔大区（0.527）、翁布里亚大区（0.564）和马尔凯大区（0.575）由于经济结构的原因处于边缘位置。最后，拉齐奥大区（0.630）的首府是罗马，其高城市化水平和制度力量弥补了结构性限制，因此位于数字主流之中[110]。与Cluster C1不同，Cluster C2与南部地区相关，这些地区虽然发展速度慢，但数字化进展迅速。它们的轮廓系数在0.53到0.69之间，表明有一定的一致性，特别是巴利卡塔大区（0.693）、卡拉布里亚大区（0.691）和普利亚大区（0.688）。这些地区因基础设施扩展和数字创业而经历快速增长。西西里岛和撒丁岛主要依赖旅游业和中小企业，分别增长了近两倍（297.87%和276.39%），后者在意大利的增长幅度最大[95,103]。与此同时，巴西利卡塔大区经历了巨大的增长，从2%增长到11.1%，显示出数字化和创业的潜力[97]；莫利塞大区在同一时期增长了232%，证明即使是小地区也能克服数字鸿沟[101]。区域平均数据显示，特伦蒂诺-上阿迪杰大区（19.4%）和瓦莱达奥斯塔大区（18.2%）在成熟度方面领先；南部地区也有强劲的领导者，如西西里岛、撒丁岛和卡拉布里亚大区，各自增长了约12%。莫利塞大区、马尔凯大区和皮埃蒙特大区的平均增长速度较慢，但趋势稳定。2020年左右出现了一个重要转折点，由于COVID-19的缘故，几乎所有地区都加快了数字化转型[98]。尽管一些地区在疫情后出现退步，但电子商务的基础仍然稳定，表明行为变化是可持续的。总之，2013年至2023年的发展轨迹表明意大利已进入数字成熟期。从经济角度来看，这一发现表明电子商务的普及正逐渐成为竞争优势的因素，帮助公司（特别是在落后地区）突破市场限制，触及更广泛的受众。从这个角度来看，数字化转型的意义超越了技术本身，成为一个能够减少不平等的过程。虽然北部地区受益于现有基础设施，但南部和较小地区也展现出显著的相对活力，表明数字鸿沟正在缩小。电子商务已成为竞争力和区域发展的一个组成部分。要继续取得进展，需要制定支持宽带发展、创新网络和数字技能的政策。

5. 意大利的数字生态系统类型：K-Means聚类和轮廓分析的见解
然而，虽然发现了各地区在电子商务采用上的显著差异，但尚未证明意大利各地区在数字技术使用上存在一致的模式。因此，本节旨在探讨意大利各地区是否可以根据共享的数字技术使用模式进行分组。基于轮廓系数最大化的K-means聚类优化 enables an interesting analysis of digital transformation across the twenty regions of Italy [73,104]。在所提出的模型中，因变量是采用在线销售策略的公司比例，而解释变量包括个人互联网普及率（Intuse）、家庭数字渗透率（Icthh）、创新系统（Innovsys）、人均GDP（Gdpcpc）和远程工作（Telework）。这些变量共同涵盖了数字发展的几个关键方面，即家庭和企业层面的技术和行为组成部分 [105,106]。实际而言，较高的互联网普及率和家庭连接性与电子商务的采用密切相关，因为公司在消费者采用现代数字技术的环境中运营。值得注意的是，Intuse和Icthh的值越大，归属于数字生态系统更先进组（Cluster C1）的概率越高；而较低的普及率则典型地属于Cluster C2中的地区，表明数字化转型程度较低。由于轮廓系数优化最大化了组内凝聚力和组间差异，该模型识别出两个意大利地区群组。第一个群组包括该国的大部分北部和中部地区——皮埃蒙特大区、瓦莱达奥斯塔大区、利古里亚大区、伦巴第大区、特伦蒂诺-上阿迪杰大区、威尼托大区、弗留利-威尼斯朱利亚大区、艾米利亚-罗马涅大区、托斯卡纳大区、翁布里亚大区、马尔凯大区和拉齐奥大区。第二个群组包括南部地区——阿布鲁佐大区、莫利塞大区、坎帕尼亚大区、普利亚大区、巴利卡塔大区、卡拉布里亚大区、西西里岛和撒丁岛。如前所述，这种南北差异反映了意大利已知的数字鸿沟 [107]。然而，聚类模型在强调这些地区差异的同时，也突出了由结构、经济和行为变化驱动的数字适应模式的异质性。Cluster C1与经济发达的地区相关，这些地区拥有完善的基础设施和创新能力。它们的轮廓得分在0.52到0.68之间，表明相对较好的一致性。表现最好的地区是那些最能体现数字范式的地区——艾米利亚-罗马涅大区（0.676）、弗留利-威尼斯朱利亚大区（0.674）和伦巴第大区（0.671）[108,109]。其他具有高一致性的地区包括特伦蒂诺-上阿迪杰大区（0.669）和威尼托大区（0.656）。它们的特点可以归因于运作良好的小型企业生态系统和有效的政策。托斯卡纳大区（0.654）、皮埃蒙特大区（0.654）和利古里亚大区（0.609）由于经济结构多样化，一致性较低。相比之下，瓦莱达奥斯塔大区（0.527）、翁布里亚大区（0.564）和马尔凯大区（0.575）由于经济结构的原因处于边缘位置。最后，拉齐奥大区（0.630）的首府是罗马，其高度城市化和制度力量弥补了结构性限制，因此位于数字主流之中 [110]。与Cluster C1不同，Cluster C2与南部地区相关，这些地区的数字化进展迅速。它们的轮廓系数在0.53到0.69之间，表明一致性良好，特别是巴利卡塔大区（0.693）、卡拉布里亚大区（0.691）和数字技术已深深融入当地经济，电子商务的发展反映了数字生态系统在生产动态、劳动力市场和消费者行为方面的一个关键组成部分。当地企业已将数字工具作为竞争力的核心要素加以整合，而不仅仅是作为适应机制[111]。另一个集群展示了数字化的新兴模式，尽管其经济结构仍在快速发展但相对不成熟。该集群中的数字化进程是由应对COVID-19相关变化而采取的政策所触发的[112]。因此，C2集群的高内部凝聚力可以解释为南部地区在数字化路径和进程上具有相似性，数字化成为了弥补其历史滞后的一种因素。此外，相对较高的Silhouette值表明这两个集群在统计上和概念上都是有效的分离[73,106]。尽管如此，一些地区的Silhouette值处于中等水平，这表明它们可能处于中间状态，即它们的区域数字系统正在趋同。

关于技术变量与其他变量之间的相互作用，Intuse和Icthh主要衡量基于技术的方面，即互联网和数字技术的访问及使用情况。同时，Gdpcpc、Innovsys和Telework（远程工作）衡量了影响基于技术因素运作的经济背景的其他因素，从而影响企业的电子商务绩效。从政策角度来看，这种集群分类有助于确定促进数字经济发展的重点领域，特别是电子商务。对于C1集群地区，应优先考虑维持和促进创新积累，并将现代数字解决方案整合到生产和分销系统中。对于C2集群，重点应转向巩固近期取得的成果，提高宽带互联网的可访问性，并增强小型企业和农村人口的数字能力。由于该集群的高度凝聚力，全国性的倡议能够同时积极影响许多南部地区的经济，并通过区域间合作计划得到体现。

总之，K-mean聚类分析表明，基于Silhouette系数的聚类能够清晰地展示意大利的区域数字化情况。识别出的两个集群C1和C2对应了意大利当前的状态，即两个数字化程度不同的区域。每个集群内部的高凝聚力和某些中间区域的低Silhouette系数暗示了它们未来的可能角色。在过去20年里，意大利从分散使用数字技术发展到结构化但异质的生态系统。见图4。图4显示了2013年至2023年间意大利各地区企业电子商务采用的平均水平：A面板显示了根据电子商务参与度和数字特征对意大利地区进行K-means聚类后得到的两个集群（C1和C2）的空间分布。C1集群（红色）包含数字化成熟地区，而C2集群（蓝色）包括新兴的数字化地区；圆圈的大小代表城市人口规模：城市人口越多，圆圈越大。B面板展示了2013年至2023年间每个地区至少拥有十名员工的企业电子商务采用的平均水平，不同集群之间的中位数存在差异，C1集群为8.37，涵盖意大利北部和中部的12个地区，而C2集群为10.93，主要包含南部和岛屿地区的地区。C2集群的电子商务使用率比C1集群高2.6%，这表明其地理上更为均匀。然而，结果需谨慎分析，因为聚类仅揭示了一些模式，但无法确定因变量与原因变量之间的因果关系。特别是，聚类无法解释技术、经济和制度因素对电子商务发展的影响程度和方向。因此，需要进行计量经济分析。

基于描述性分析和聚类以及数字类型的区域类型识别，本节重点关注电子商务扩散与其决定因素之间的因果关系。论文将估计电子商务扩散及其决定因素之间的关系方向和强度，并考虑内生性问题。前几节提供了电子商务扩散存在区域差异的证据，但没有试图确定其原因。为了解释各种因素的影响和内生性，将使用计量经济模型。具体来说，当前的实证模型将分析在意大利雇佣至少10名员工并从事在线业务的企业中电子商务扩散的结构决定因素。主要因变量是电子商务扩散（Ecombiz），它反映了数字竞争的能力。解释变量包括个人互联网使用情况（Intuse）、家庭中的ICT普及率（Icthh）、创新能力（Innovsys）、人均收入（Gdpcpc）以及远程工作的普及率（Telework）。为了解决Intuse和Icthh的内生性问题，将采用工具变量（IV）方法。工具变量集（Z）包括与教育、文化和公民参与、社会资本和信任以及数字基础设施相关的区域发展方面。教育方面包括Hs2564、Tq3034和Contedu；文化和公民方面包括Cultout、Readbooks和Civicpart；社会资本和信任方面包括Nonprofit和Gentrust；最后，宽带互联网和城市绿地（Broadband和Urbangreen）被视为数字基础设施的要素。这些变量通过影响人力资本形成、社会资本和数字资源的可用性来影响电子商务扩散。这种方法为分析电子商务扩散的决定因素提供了基础，同时考虑了数字包容性和创新能力以及总体社会经济环境。

具体而言，我们估计了以下方程：

i = 20 t = [2004; 2023]。

计量经济分析探讨了意大利区域数字化的驱动因素。因变量（Ecombiz）衡量特定区域内至少拥有10名员工并进行在线销售的企业比例。该变量捕捉了企业电子商务参与度的跨区域差异——这是意大利数字化发展的一个关键特征[114]。采用了几种方法来解决内生性和不可观察的异质性问题：固定效应IV（2SLS）、随机效应2SLS、两步GMM和动态系统GMM[115]。这些方法在假设的识别和分析类型上有所不同。例如，固定效应IV方法可以解释不可观察的、时间不变的变量，并可以解释因果关系，而当异质性与回归变量无关时，随机效应方法产生的回归系数偏差较小。动态系统GMM通过引入滞后变量，扩展了分析范围，从而允许在处理内生性的同时研究持续性和调整动态。解释变量主要涉及区域的数字和经济结构。个人互联网使用指标（Intuse）和家庭中的ICT普及率（Icthh）被认为是内生的，因为电子商务扩散过程可能与这两个变量相关。为了解决内生性问题，采用了基于教育、文化、社会活动、社会资本和基础设施等多个代理变量的工具变量技术。这些变量预计会通过影响人力资本形成、社会资本和数字资源的可用性间接影响电子商务扩散。

基于描述性分析和聚类的区域类型识别，本节重点关注电子商务扩散与其决定因素之间的因果关系。计量经济模型将分析在意大利雇佣至少10名员工并从事在线业务的企业中电子商务扩散的结构决定因素。主要因变量是电子商务扩散（Ecombiz），它反映了数字竞争的能力。解释变量包括个人互联网使用情况（Intuse）、家庭中的ICT普及率（Icthh）、创新能力（Innovsys）、人均收入（Gdpcpc）以及远程工作的普及率（Telework）。为了解决Intuse和Icthh的内生性问题，将采用工具变量（IV）方法。工具变量集（Z）包括与教育、文化和公民参与、社会资本和信任以及数字基础设施相关的区域发展方面。教育方面包括Hs2564、Tq3034和Contedu；文化和公民方面包括Cultout、Readbooks和Civicpart；社会资本和信任方面包括Nonprofit和Gentrust；最后，宽带互联网和城市绿地（Broadband和Urbangreen）被视为数字基础设施的要素。这些变量共同通过影响人力资本形成、社会资本和数字资源的可用性来影响电子商务扩散。这种方法为分析电子商务扩散的决定因素提供了基础，同时考虑了数字包容性和创新能力以及总体社会经济环境。

具体来说，我们估计了以下方程：

i = 20 t = [2004; 2023]。

计量经济分析探索了意大利区域数字化的驱动因素。因变量（Ecombiz）衡量特定区域内至少拥有10名员工并进行在线销售的企业比例。该变量捕捉了企业电子商务参与度的跨区域差异——这是意大利数字化发展的一个关键方面[114]。采用了几种方法来解决内生性和不可观察的异质性问题：固定效应IV（2SLS）、随机效应2SLS、两步GMM和动态系统GMM[115]。这些方法在假设的识别和分析类型上有所不同。例如，固定效应IV方法可以解释不可观察的、时间不变的变量，并可以解释因果关系，而当异质性与回归变量无关时，随机效应方法产生的回归系数偏差较小。动态系统GMM通过引入滞后变量，扩展了分析范围，从而允许在处理内生性的同时研究持续性和调整动态。解释变量主要涉及区域的数字和经济结构。个人互联网使用指标（Intuse）和家庭中的ICT普及率（Icthh）被认为是内生的，因为电子商务扩散过程可能与这两个变量相关。为了解决内生性问题，基于教育、文化、社会活动、社会资本和基础设施等多个代理变量应用了工具变量技术。这些变量预计会通过影响人力资本、社会凝聚力和数字资源的可用性间接影响电子商务扩散[52]。

根据固定效应IV（2SLS）的结果，Intuse对电子商务扩散有显著的正向影响，系数范围为0.73至0.85（z = 6.3–14.0）。因此，互联网普及率每增加一个百分点，从事电子商务的企业比例增加0.7–0.8个百分点，这证明了互联网普及在数字扩散中的结构性作用。相反，Icthh与电子商务扩散有负相关（?0.60至?0.72，p < 0.01），这可能是由于饱和效应或成熟地区转向外部数字平台的结果。最后，一些变量对Ecombiz的影响较为温和。特别是Innovsys与电子商务扩散呈负相关，表明传统制造和生产系统的创新并不一定有助于数字 adoption。Gdpcpc变量与电子商务呈正相关，但程度适中。至于远程工作，其系数为正（约0.11），这可能反映了COVID-19时期的短期影响。模型诊断显示，固定效应规定的R2为0.74，而IV和GMM估计结果验证了无自相关性和工具变量的相关性。因此，意大利的数字 adoption 主要由互联网普及率驱动（作为数字参与的代理）。另一方面，社会文化因素如教育水平和公民参与也很重要[52]。因此，意大利的政策应侧重于改善数字扩散的社会经济和文化环境，并投资于数字基础设施。例如，除了基础设施投资外，政策制定者还需要促进数字能力和社会凝聚力。总之，计量经济结果为上述理论模型提供了实证支持。事实上，与数字基础设施和互联网使用相关的变量被认为是电子商务扩散的重要驱动因素，这与理论框架一致。此外，经济因素不足以解释意大利各地区之间的差异。见表3。

表3显示了电子商务采纳的计量经济模型估计结果。本文分析了意大利各地区数字化的决定因素。因变量是Ecombiz——企业向最终客户的在线销售参与度。该指标描述了企业参与电子商务的情况，这是意大利数字化转型的核心部分[52]。使用了几种计量经济模型来分析数字基础设施、创新过程和区域电子商务活动形成的社会经济决定因素。多种程序（固定效应IV（2SLS）、G2SLS随机效应IV、工具变量2SLS和系统GMM（两步）提供了稳健的分析，可以用来建立因果关系[114]。解释变量包括Intuse（经常使用互联网的用户）和Icthh（家庭中的互联网普及率）。创新生产系统（Innovsys）反映了企业的技术能力和灵活性，而人均可支配收入（Gdpcpc）反映了消费者的购买力。Telework衡量了由数字化驱动的就业实践变化。工具变量（Z）代表了影响电子商务发展的地区教育、社会文化和基础设施特征。变量Hs2564和Tq3034反映了教育水平，继续教育（Contedu）反映了工人的适应能力。指标Readbooks、Civicpart（公民组织参与）和非营利组织（Civicpart）衡量了创新参与和接受程度。广义信任（Gentrust）是另一个创新接受的指标，而Urbangreen和Broadband分别描述了环境质量和数字基础设施[96,97]。固定效应IV（2SLS）模型基于380个观测数据和20个意大利地区的数据，解释了大约74%的地区电子商务活动方差，R2值为0.7387。R2 = 0.6559表明模型的解释能力较强，Wald χ2 = 500.94（p < 0.001）表明模型的解释能力非常高。由于未观测效应与回归变量之间的相关性为负（corr(u_i, Xb) = ?0.1687），固定效应是合适的，而类内相关系数（ρ = 0.3082）证实了高区域异质性。G2SLS随机效应IV模型也具有较高的解释能力，模型内的R2 = 0.7270，总R2 = 0.6489，Wald χ2 = 284.74（p < 0.001）。尽管ρ = 0.1766较低，降低了个体组的确定性，但在现有相关结构下，该模型仍具有优势。工具变量（2SLS）横截面模型的解释能力（R2 = 0.7580）证明了其最佳的预测能力。模型的均方根误差（Root MSE）为3.0341，F统计量的显著值（F(5, 19) = 56.13）和Wald χ2值为31,394.17（p < 0.001），这些都证明了该工具的有效性和合理性[115]。可以使用系统GMM（两步法）来估计动态效应。该模型的有效性通过Arellano-Bond AR(1) z = ?2.70（p = 0.007）和AR(2) z = ?0.01（p = 0.994）得到验证。此外，Hansen检验（χ2(9) = 9.82，p = 0.365）和Diff-in-Hansen统计量也证实了工具的外生性。所有测试结果表明，以Intuse指标衡量的数字化进程显著促进了意大利各地区电子商务活动的普及，而其他变量如Icthh、Innovsys、Gdpcpc和Telework也对这一效应有所贡献。教育、终身学习、公民活动和社会资本是意大利地区数字化的重要驱动力。较高的R2值表明，随时间的变化比地区间的差异在电子商务活动的普及过程中起着更重要的作用。总之，意大利的电子商务发展是一个由数字基础设施、教育、创新和社会资本共同推动的多变量过程。虽然本文为电子商务普及的决定因素提供了有力的证据，但鉴于这些因素在具有明显区域差异的发达国家中的应用，以及意大利特有的制度框架和数字基础设施，这些证据的普遍适用性还需进一步探讨。在数字化程度较低或制度能力较弱的国家，社会文化和技术因素的相对重要性可能会有所不同。此外，这项分析是在单一国家背景下进行的，这限制了其在经济制度和结构方面的外部有效性。未来的研究将在跨国分析中测试这一框架。总体而言，研究结果表明了数字化转型的稳定性与动态性。政策制定者应考虑推动宽带发展、提高员工的数字素养、促进创新以及增强社会资本，以创造一个更具活力和效率的经济。计量经济模型提供了关于决定因素与结果变量之间因果关系的可靠证据，但它们并未完全描述所有可能的非线性关系和预测结果。因此，下一部分将提供补充性的机器学习分析。

在评估算法性能时，必须考虑到有些指标被最小化而有些指标被最大化。适当的指标包括MSE、缩放后的MSE、RMSE和MAE，较低的数值表示更好的性能。通过比较这些指标，可以解读较小的数值为更好的预测准确性和模型效能[116,117]。从标准化的结果来看，人工神经网络（ANN）在所有指标上都记录了最高的错误率，其标准化值均为1.000，表明其性能较差。相比之下，Regularized Linear、Random Forest和KNN模型多次获得了最小的错误分数，显示出它们在减少预测误差和保持模型稳定性方面的能力较强[118,119]。特别是Regularized Linear模型表现出色的稳定性，其记录的MSE（0.180）、缩放后的MSE（0.062）、RMSE（0.234）和MAE（0.068）表明它在平衡方差和泛化能力方面表现优异。Random Forest模型也表现良好，尽管RMSE和MSE的值相对较高，但适应非线性的能力较强。在所有模型中，Regularized Linear算法是最均衡和最可靠的。错误率的总体下降以及计算效率和可解释性使得该算法在同时需要准确性和模型复杂性时成为最佳选择。相比之下，ANN模型容易过拟合或收敛，而基于Boosting的模型虽然结果稳定，但表现一般。因此，Regularized Linear技术在准确性、稳健性和泛化能力之间取得了最佳的平衡（图5）。图5显示了预测电子商务采用的机器学习算法的性能指标。需要注意的是，这些发现应在发展中国家或其他制度环境下谨慎使用。

在评估算法性能时，必须考虑到有些指标被最小化而有些指标被最大化。适当的指标包括MSE、缩放后的MSE、RMSE和MAE，较低的数值表示更好的性能。同等的比较意味着较小的数值对应于更好的预测准确性和模型效能[116,117]。从标准化结果来看，人工神经网络（ANN）在所有指标上记录了最高的错误率，其标准化值均为1.000，表明其性能较差。相比之下，Regularized Linear、Random Forest和KNN模型反复获得了最低的错误分数，表明它们在减少预测误差和保持模型稳定性方面表现优异[118,119]。特别是Regularized Linear模型表现出色，其MSE（0.180）、缩放后的MSE（0.062）、RMSE（0.234）和MAE（0.068）表明它在平衡方差和泛化能力方面表现优异。随机森林模型也表现良好，尽管RMSE和MSE的值相对较高，但其适应非线性的能力较强。在所有模型中，Regularized Linear算法是最均衡和最可靠的。错误率的总体下降以及计算效率和可解释性使其成为在需要准确性和模型复杂性时的最佳选择。总之，这些发现表明了数字化转型的稳定性和动态性。

政策制定者应考虑刺激宽带发展、提高员工的数字技能、促进创新以及增强社会资本，以创建一个更具活力和效率的经济。计量经济模型提供了关于决定因素与结果变量之间因果关系的可靠证据，但它们并未完全描述所有可能的非线性关系和预测结果。因此，下一部分将提供补充的机器学习分析。在发展中国家或其他制度环境下使用这些发现时应谨慎。表4展示了电子商务采纳回归的模型诊断和统计摘要。

在评估算法性能时，我们必须认识到有些指标被最小化而有些指标被最大化。适当的指标包括MSE、缩放后的MSE、RMSE和MAE，较低的数值表示更好的性能。通过比较这些指标，可以解读较小的数值为更好的预测准确性和模型效能[116,117]。从标准化结果来看，人工神经网络（ANN）在所有指标上记录了最高的错误率，其标准化值均为1.000，表明其性能较差。相比之下，Regularized Linear、Random Forest和KNN模型多次获得了最小的错误分数，表明它们在减少预测误差和保持模型稳定性方面表现优异[118,119]。特别是Regularized Linear模型表现出色的稳定性，其MSE（0.180）、缩放后的MSE（0.062）、RMSE（0.234）和MAE（0.068）表明它在平衡方差和泛化能力方面表现优异。随机森林模型也表现良好，尽管RMSE和MSE的值相对较高，但其适应非线性的能力较强。在所有模型中，Regularized Linear算法是最均衡和最可靠的。错误率的总体下降以及计算效率和可解释性使其成为在需要准确性和模型复杂性时的最佳选择。总之，这些发现表明了数字化转型的稳定性与动态性。

政策制定者应考虑刺激宽带发展、提高员工的数字技能、促进创新以及增强社会资本，以创建一个更具活力和效率的经济。计量经济模型提供了关于决定因素与结果变量之间因果关系的可靠证据，但它们并未完全描述所有可能的非线性关系和预测结果。因此，下一部分将提供补充性的机器学习分析。在发展中国家或其他制度环境下使用这些发现时应谨慎。表4展示了电子商务采纳回归的模型诊断和统计摘要。

在评估算法性能时，必须考虑到有些指标被最小化而有些指标被最大化。适当的指标包括MSE、缩放后的MSE、RMSE和MAE，较低的数值表示更好的性能。通过比较这些指标，可以解读较小的数值为更好的预测准确性和模型效能[116,117]。从标准化结果来看，人工神经网络（ANN）在所有指标上记录了最高的错误率，其标准化值均为1.000，表明其性能较差。相比之下，Regularized Linear、Random Forest和KNN模型多次获得了最小的错误分数，表明它们在减少预测误差和保持模型稳定性方面表现优异[118,119]。特别是Regularized Linear模型表现出色的稳定性，其MSE（0.180）、缩放后的MSE（0.062）、RMSE（0.234）和MAE（0.068）表明它在平衡方差和泛化能力方面表现优异。随机森林模型也表现良好，尽管RMSE和MSE的值相对较高，但其适应非线性的能力较强。在所有模型中，Regularized Linear算法是最均衡和最可靠的。错误率的总体下降以及计算效率和可解释性使其成为在需要准确性和模型复杂性时的最佳选择。

在评估算法性能时，我们必须认识到有些指标被最小化而有些指标被最大化。适当的指标包括MSE、缩放后的MSE、RMSE和MAE，较低的数值表示更好的性能。通过比较这些指标，可以解读较小的数值为更好的预测准确性和模型效能[116,117]。从标准化结果来看，人工神经网络（ANN）在所有指标上记录了最高的错误率，其标准化值均为1.000，表明其性能较差。相比之下，Regularized Linear、Random Forest和KNN模型多次获得了最小的错误分数，表明它们在减少预测误差和保持模型稳定性方面表现优异[118,119]。特别是Regularized Linear模型表现出色的稳定性，其MSE（0.180）、缩放后的MSE（0.062）、RMSE（0.234）和MAE（0.068）表明它在平衡方差和泛化能力方面表现优异。随机森林模型也表现良好，尽管RMSE和MSE的值相对较高，但其适应非线性的能力较强。在所有模型中，Regularized Linear算法是最均衡和最可靠的。错误率的总体下降以及计算效率和可解释性使其成为在需要准确性和模型复杂性时的最佳选择。

在评估算法性能时，必须认识到有些指标被最小化而有些指标被最大化。适当的指标包括MSE、缩放后的MSE、RMSE和MAE，较低的数值表示更好的性能。通过比较这些指标，可以解读较小的数值为更好的预测准确性和模型效能[116,117]。从标准化结果来看，人工神经网络（ANN）在所有指标上记录了最高的错误率，其标准化值均为1.000，表明其性能较差。相比之下，Regularized Linear、Random Forest和KNN模型多次获得了最小的错误分数，表明它们在减少预测误差和保持模型稳定性方面表现优异[118,119]。特别是Regularized Linear模型表现出色的稳定性，其MSE（0.180）、缩放后的MSE（0.062）、RMSE（0.234）和MAE（0.068）表明它在平衡方差和泛化能力方面表现优异。随机森林模型也表现良好，尽管RMSE和MSE的值相对较高，但其适应非线性的能力较强。在所有模型中，Regularized Linear算法是最均衡和最可靠的。错误率的总体下降以及计算效率和可解释性使其成为在需要准确性和模型复杂性时的最佳选择。

在评估算法性能时，必须认识到有些指标被最小化而有些指标被最大化。适当的指标包括MSE、缩放后的MSE、RMSE和MAE，较低的数值表示更好的性能。通过比较这些指标，可以解读较小的数值为更好的预测准确性和模型效能[116,117]。从标准化结果来看，人工神经网络（ANN）在所有指标上记录了最高的错误率，其标准化值均为1.000，表明其性能较差。相比之下，Regularized Linear、Random Forest和KNN模型多次获得了最小的错误分数，表明它们在减少预测误差和保持模型稳定性方面表现优异[118,119]。特别是Regularized Linear模型表现出色的稳定性，其MSE（0.180）、缩放后的MSE（0.062）、RMSE（0.234）和MAE（0.068）表明它在平衡方差和泛化能力方面表现优异。随机森林模型也表现良好，尽管RMSE和MSE的值相对较高，但其适应非线性的能力较强。在所有模型中，Regularized Linear算法是最均衡和最可靠的。错误率的总体下降以及计算效率和可解释性使其成为在需要准确性和模型复杂性时的最佳选择。

在评估算法性能时，必须认识到有些指标被最小化而有些指标被最大化。适当的指标包括MSE、缩放后的MSE、RMSE和MAE，较低的数值表示更好的性能。通过比较这些指标，可以解读较小的数值为更好的预测准确性和模型效能[116,117]。从标准化结果来看，人工神经网络（ANN）在所有指标上记录了最高的错误率，其标准化值均为1.000，表明其性能较差。相比之下，Regularized Linear、Random Forest和KNN模型多次获得了最小的错误分数，表明它们在减少预测误差和保持模型稳定性方面表现优异[118,119]。特别是Regularized Linear模型表现出色的稳定性，其MSE（0.180）、缩放后的MSE（0.062）、RMSE（0.234）和MAE（0.068）表明它在平衡方差和泛化能力方面表现优异。随机森林模型也表现良好，尽管RMSE和MSE的值相对较高，但其适应非线性的能力较强。在所有模型中，Regularized Linear算法是最均衡和最可靠的。错误率的总体下降以及计算效率和可解释性使其成为在需要准确性和模型复杂性时的最佳选择。

在评估算法性能时，必须认识到有些指标被最小化而有些指标被最大化。适当的指标包括MSE、缩放后的MSE、RMSE和MAE，较低的数值表示更好的性能。通过比较这些指标，可以解读较小的数值为更好的预测准确性和模型效能[116,117]。从标准化结果来看，人工神经网络（ANN）在所有指标上记录了最高的错误率，其标准化值均为1.000，表明其性能较差。相比之下，Regularized Linear、Random Forest和KNN模型多次获得了最小的错误分数，表明它们在减少预测误差和保持模型稳定性方面表现优异[118,119]。特别是Regularized Linear模型表现出色的稳定性，其MSE（0.180）、缩放后的MSE（0.062）、RMSE（0.234）和MAE（0.068）表明它在平衡方差和泛化能力方面表现优异。随机森林模型也表现良好，尽管RMSE和MSE的值相对较高，但其适应非线性的能力较强。在所有模型中，Regularized Linear算法是最均衡和最可靠的。错误率的总体下降以及计算效率和可解释性使其成为在需要准确性和模型复杂性时的最佳选择。

在评估算法性能时，必须认识到有些指标被最小化而有些指标被最大化。适当的指标包括MSE、缩放后的MSE、RMSE和MAE，较低的数值表示更好的性能。通过比较这些指标，可以解读较小的数值为更好的预测准确性和模型效能[116,117]。从标准化结果来看，人工神经网络（ANN）在所有指标上记录了最高的错误率，其标准化值均为1.000，表明其性能较差。相比之下，Regularized Linear、Random Forest和KNN模型多次获得了最小的错误分数，表明它们在减少预测误差和保持模型稳定性方面表现优异[118,119]。特别是Regularized Linear模型表现出色的稳定性，其MSE（0.180）、缩放后的MSE（0.062）、RMSE（0.234）和MAE（0.068）表明它在平衡方差和泛化能力方面表现优异。随机森林模型也表现良好，尽管RMSE和MSE的值相对较高，但其适应非线性的能力较强。在所有模型中，Regularized Linear算法是最均衡和最可靠的。错误率的总体下降以及计算效率和可解释性使其成为在需要准确性和模型复杂性时的最佳选择。

在评估算法性能时，必须认识到有些指标被最小化而有些指标被最大化。适当的指标包括MSE、缩放后的MSE、RMSE和MAE，较低的数值表示更好的性能。通过比较这些指标，可以解读较小的数值为更好的预测准确性和模型效能[116,117]。从标准化结果来看，人工神经网络（ANN）在所有指标上记录了最高的错误率，其标准化值均为1.000，表明其性能较差。相比之下，Regularized Linear、Random Forest和KNN模型多次获得了最小的错误分数，表明它们在减少预测误差和保持模型稳定性方面表现优异[118,119]。特别是Regularized Linear模型表现出色的稳定性，其MSE（0.180）、缩放后的MSE（0.062）、RMSE（0.234）和MAE（0.068）表明它在平衡方差和泛化能力方面表现优异。随机森林模型也表现良好，尽管RMSE和MSE的值相对较高，但其适应非线性的能力较强。在所有模型中，Regularized Linear算法是最均衡和最可靠的。错误率的总体下降以及计算效率和可解释性使其成为在需要准确性和模型复杂性时的最佳选择。

在评估算法性能时，必须认识到有些指标被最小化而有些指标被最大化。适当的指标包括MSE、缩放后的MSE、RMSE和MAE，较低的数值表示更好的性能。通过比较这些指标，可以解读较小的数值为更好的预测准确性和模型效能[116,117]。从标准化结果来看，人工神经网络（ANN）在所有指标上记录了最高的错误率，其标准化值均为1.000，表明其性能较差。相比之下，Regularized Linear、Random Forest和KNN模型多次获得了最小的错误分数，表明它们在减少预测误差和保持模型稳定性方面表现优异[118,119]。特别是Regularized Linear模型表现出色的稳定性，其MSE（0.180）、缩放后的MSE（0.062）、RMSE（0.234）和MAE（0.068）表明它在平衡方差和泛化能力方面表现优异。随机森林模型也表现良好，尽管RMSE和MSE的值相对较高，但其适应非线性的能力较强。在所有模型中，Regularized Linear算法是最均衡和最可靠的。错误率的总体下降以及计算效率和可解释性使其成为在需要准确性和模型复杂性时的最佳选择。

在评估算法性能时，必须认识到有些指标被最小化而有些指标被最大化。适当的指标包括MSE、缩放后的MSE、RMSE和MAE，较低的数值表示更好的性能。通过比较这些指标，可以解读较小的数值为更好的预测准确性和模型效能[116,117]。从标准化结果来看，人工神经网络（ANN）在所有指标上记录了最高的错误率，其标准化值均为1.000，表明其性能较差。相比之下，Regularized Linear、意大利电子商务采纳的数字化和社会经济驱动因素的网络分析
中心性分析有助于识别影响企业参与电子商务的各种变量之间关系的具体结构。因此，可以看出Intuse（经常使用互联网）是中心性最高的节点，尤其是在强度（1.200）和预期影响力（1.955）等指标上，这突显了该变量的重要性。据此，这个变量可以被视为核心变量，表明互联网使用对其他因素有显著影响，并且是推动电子商务普及的驱动力[130,131]。此外，相对较高的接近值（0.552）表明它与其他节点之间存在紧密联系，有助于在整个网络中传播信息。
Icthh（家庭ICT设施的可用性）在中介性（0.520）、接近度（0.605）和强度（0.948）方面也显示出较高的中心性值。因此，可以得出结论，家庭ICT设施的可用性在确保家庭和企业层面的有效数字化参与方面发挥着重要作用。在这种情况下，数字基础设施成为支持数字经济活动发展的关键因素[132,133]。
Innovsys和Gdpcpc被识别为边缘节点，在分析的中心性指标中得分较低。这表明创新能力和收入并不是在线商务普及的直接因素，而是通过数字基础设施和数字技能产生间接影响。
telework（远程工作）在中心性指标上显示出矛盾的结果，即非常高的接近度（0.914）和负的中介性（-0.728）。在这方面，该变量显示出较强的局部影响力，但并未在网络中起到促进基于数字技能的经济活动扩散的作用。
关于因变量（Ecombiz），其中心性较低，表明其处于边缘地位，主要受其他变量的影响。
总之，所识别的网络揭示了数字包容性在电子商务普及中的重要作用。互联网使用和ICT设施的可用性在促进与社会经济过程相关的在线商务方面起着核心作用（图10）。图10显示了影响电子商务采纳的各个变量的网络中心性测量结果。聚类系数分析提供了关于每个变量如何在网络中相互作用的信息，指示了节点紧密聚集的程度[134]。
Ecombiz变量在所有测量指标中都显示出稳定的高聚类值，特别是在Onnela（0.924）和Zhang（1.316）指数中尤为明显，表明在线销售业务与一系列相关的数字和社会经济变量紧密相关。这表明在线购物与数字传播的周围条件之间存在强烈的相互依赖性，与电子商务系统受工业和技术集聚影响的证据一致[135]。对于经常使用互联网的用户，Intuse变量在大多数测量指标中也显示出高聚类值（1.306），这表明互联网使用不仅是一个核心变量，还存在于相关的子结构中，强化了连通性和经济数字化之间的双向依赖性。这种行为与在线购物中的混合数据系统一致，在这些系统中，数字参与支持了变量间的凝聚力[136]。相反，Gdpcpc和Innovsys在各项指标中显示出负的聚类值，表明收入和创新处于网络的较孤立部分，它们与其他变量的联系较弱或双向强化作用较小。网络拓扑理论可以解释这一点，因为某些社会经济指标倾向于位于紧密连接的数字环境的边缘部分。Icthh和Telework（远程工作）的结果各不相同：Icthh的聚类效果较差，而Telework在Zhang指标中显示正聚类。这些发现表明，家庭基础职业和数字家庭基础设施有助于局部关联，但在维持整个网络凝聚力方面起着较为边缘的作用。在图产品聚类理论模型中也观察到了类似的结构性趋势，其中边缘单元仍能保持子网络的连贯性[137]。总体而言，这些发现证实在线购物活动和互联网使用在数字经济中形成了最具凝聚力和双向强化的群体，为意大利的区域数字化进程提供了结构基础（图11）。图11显示了电子商务采纳网络中各变量的聚类系数。权重矩阵有助于描述变量之间连接的强度和性质，说明它们如何共同推动电子商务采纳的动态变化[138,139]。
Ecombiz变量与Telework（远程工作）（0.378）和ICTHH（0.313）指标呈现非常强的正相关，表明数字家庭基础设施和设备是形成数字商业实践的关键要素。特别是，这种相关性表明家庭设备和远程工作的数字化进展增加了对数字商业活动的兴趣[140]。Ecombiz与Innovsys（-0.202）之间的负相关性表明，生产系统的创新并不总是转化为数字销售的创新，这是由于各种技术和工业限制[141]。至于Telework（远程工作）指标，它与Innovsys（0.937）和Icthh（0.350）有很强的相关性，表明远程工作的创新与技术进步相关，这意味着灵活的工作模式应被视为整体技术过程的一部分[142]。另一方面，频繁使用互联网（Intuse）的指标与其他指标的相关性较低且不显著，特别是与Icthh的负相关性（-0.118），表明个人电脑使用和家庭电脑使用存在部分重叠。最后，Gdpcpc识别出的大多数连接表明人均收入对数字经济互动的结构影响很小[134]（见图12）。图12显示了电子商务采纳网络中变量间的连接权重矩阵。该网络图说明了推动组织参与电子商务的变量之间的联系。最显著的联系是Intuse和Icthh之间的高关联（0.94），这表明个人和家庭的互联网接入之间存在强烈的相互关联，强调了连通性在数字参与中的基础作用[143]。综上所述，这些变量构成了决定电子商务普及的核心技术因素[125]。
作为因变量，Ecombiz与Intuse（0.38）和Telework（0.31）均呈现正相关，表明较高的互联网使用率和远程工作与更深度的电子商务参与相关[144]。此外，Telework与Icthh（0.35）之间的正相关表明，数字基础设施的存在使得远程工作成为可能，从而促进了数字市场的参与[123]。同时，Gdpcpc和Innovsys与其他变量的相关性较弱，表明它们在网络中处于边缘位置。因此，低收入和创新潜力不会直接影响电子商务采纳，而是通过数字基础设施间接产生影响[145]。
总体而言，所研究的网络表明了一个连接良好的数字生态系统，在这个系统中，互联网使用、家庭连通性和数字活动参与相互影响。这一结果证明了数字参与作为电子商务普及的主要机制的关键作用（图13）。图13显示了电子商务采纳中变量间连接的可视化。中心性分析提供了每个变量对网络架构的贡献及其与公司参与在线商务相关关系的全面概述。在所有使用的变量中，Intuse（经常使用互联网）在强度和预期影响力方面得分最高，这证明了其在网络中的关键地位。特别是，该变量在数字化转型过程中发挥着重要作用，因为它对其他变量（尤其是与连通性和电子商务活动相关的变量）有直接且显著的影响[146,147]。同样，家庭ICT设施的可用性（Icthh）在强度和接近度方面也具有较高的中心性值，突显了其作为关键中介的功能。它确保了数字效应向经济效应的转化，从而加强了连通性与商业行为之间的联系[148]。相反，Ecombiz和Innovsys在各项指标上的中心性得分较低，表明它们在网络中处于边缘位置，这可能是因为尽管Ecombiz是因变量，但它主要反映了现状而非起到中介作用[149]。此外，Innovsys和Gdpcpc的中心性值较低或为负，表明它们对电子商务采纳的影响是间接的，通过数字接入和使用实现。最后，Telework可以被描述为一个具有复杂特征的变量，其在接近度方面的中心性较高，而在整体中心性得分上中等。因此，可以假设远程工作影响了其他变量；然而，它并不是在网络中传递效果的关键渠道[150]。因此，中心性结构强调了数字接入和互联网使用在促进网络凝聚力和电子商务实践普及中的关键作用。经济和创新相关因素在数字生态系统中处于次要位置（见图14）。图14显示了电子商务采纳网络中节点角色的中心性分布。聚类图表示了每个节点相对于其他节点的局部聚集程度，基于它们之间的关联强度。Ecombiz在大多数情况下都表现出正向聚类，表明在线商业活动形成了一个高度相互关联的、相互依赖的数字和社会经济现象群体[134]。这意味着参与电子商务的公司所处的环境是数字资源的使用、发展及其融入经济实践相互促进的。Intuse在所有指数中都表现出正向聚类，特别是Onnela和WS指数，证实了密集的互联网使用通过与其他数字现象（如Icthh和Telework）的强依赖关系维持了整个网络的运行[151]。当前结果证明，聚类结构在理解数字经济传播现象中起着关键作用[152]。Icthh表现出一定的聚类程度，表明家庭连通性使得局部数字群体能够聚集，但本身并不充当聚合器。实际上，Icthh作为局部聚合的基础设施节点，与广义循环网络的发现一致，后者表明基础设施节点在网络系统中表现出中等程度的聚合稳定性[153]。相比之下，Gdpcpc和Innovsys在各项指标上显示出负聚类，表明货币资本和创新在数字网络中处于边缘位置，与其他节点的互动相对较弱[154]。因此，这些因素在网络中更像是基于情境 rather than 基于功能的运作，具有分散的影响和有限的互动。最后，Telework（远程工作）指标在聚类方面表现出混合模式，某些指数下呈现正向聚类，而在其他指数下聚类较弱；也就是说，远程工作在局部维度上与数字技术和货币资本的互动更为密切。总体而言，当前图表支持互联网使用和在线商务活动构成了数字网络中最具局部性和聚合性的元素这一假设，这与复杂网络的先进聚类模型相符[134]（见图15）。图15显示了四个网络指标（Barrat、Onnela、WS、Zhang）的聚类系数。
**9. 提高意大利区域电子商务采纳的政策意义**
可以认为，在意大利实施一系列区域经济政策有助于促进面向终端客户的中小企业的网络销售普及。下面提出的政策建议特别针对意大利的特殊情况，该国在基础设施、人力资源和能力方面存在显著的区域差异，这些差异影响了数字经济的发展。大量实证研究表明意大利存在数字鸿沟，并需要采取适当的政策来促进数字转型[155,156,157]。从这个角度来看，必须认识到国家和政策制定过程在数字治理和公共部门创新方面的关键作用，这些可以显著促进包容性数字生态系统的建立[158,159]。此外，最近的研究表明有机会通过本地政策来进一步推动信息技术的采纳[95,160]。因此，制定既经济合理又具有地域导向的政策至关重要。
**电子商务基础设施发展。**在所讨论的领域中，核心重点之一是发展意大利的电子商务基础设施。特别是在南部地区和农村市镇扩大高速宽带网络的覆盖范围至关重要，因为这可以促进互联网和电子市场的更加均匀和包容性使用[156,161]。同时，该国最近的发展表明，改善数字基础设施需要加强网络安全实践、支付系统以及企业用于推广产品和服务平台的可用性[158,162]。

**财政激励和税收减免**。财政激励措施和税收减免是加速电子商务采用的关键工具之一。应当强调的是，这些政策也可以解决与不平等相关的问题，并帮助中小企业参与数字化[163,164]。因此，降低进入壁垒并提供技术投资机会将有助于提高那些在发展水平较低地区运营的企业的竞争力和创新能力。

**融资和支持的获取**。最后，为中小企业创造额外的融资条件至关重要。该国的经验表明，公共资助计划和区域投资计划可以帮助刺激创业活动[95,160]。在这方面，通过咨询服务和技术支持提供额外帮助以促进电子商务和市场营销解决方案的实施是非常重要的。

**培训和技能发展**。有必要提供培训项目和工作坊，以提高电子商务相关的数字技能，帮助企业在数字市场中取得成功。此类培训应合理分配关于网站开发、数字营销和在线销售管理的主题，使参与者充分了解数字电子商务所涉及的工具和策略。这些项目必须针对特定行业和企业规模进行定制，以确保所教授的内容具有相关性，并能解决行业特定的挑战。通过偏向实践学习的方法，参与者可以将其获得的技能和知识付诸实践，从而实现电子商务解决方案的快速实施。虽然这种策略提高了企业的电子商务准备程度，但也增强了员工的数字素养。通过支持这些培训或技能发展计划，政府和行业领导者将推动在快速发展的数字经济中持续学习和适应的文化[53,165]。在意大利背景下，最近的证据强调了发展数字技能以减少地区差距和提高中小企业竞争力的重要性[155]。

**区域合作和网络建设**。企业、行业协会和地方政府机构之间的此类合作和网络建设将促进知识共享和电子商务最佳实践的采用，作为一种战略方法来利用多样化的技能推动数字经济的发展。区域电子商务集群或中心可以建立一个集中的生态系统，使利益相关者能够轻松合作和交换信息。这些集群充当创新的孵化器，任何规模的企业都可以在这里共享资源、见解和技术。这种合作环境加快了电子商务中创新实践的采用，并培养了一种持续改进和适应新兴数字趋势的文化。这些中心可以通过吸引投资和人才以及展示电子商务领域的集体能力和成功案例来成为区域经济发展的催化剂。它们为政府机构提供了一个平台，以便更好地与企业界合作，制定支持服务和监管框架，为电子商务的增长创造有利环境。区域合作和网络建设可以显著降低在线市场的起步障碍，使小型企业能够在更大范围内竞争[48,49,166]。

**数字素养的推广**。投资于提高数字素养的项目，不仅针对企业，也针对消费者，将有助于创建一个有效的电子商务生态系统。企业需要认识到电子商务带来的好处：扩大市场准入、降低成本以及更好地了解客户需求。通过提供资源来消除一些传统障碍（如技术性、安全相关和物流方面的障碍），政策制定者和行业领导者可以促进对电子产品和服务更强烈的需求。这种方法不仅会加速传统企业的数字化进程，还会培养更有数字素养的客户群。了解电子商务的好处和保护的知情消费者更有可能参与其中，从而通过良性循环推动需求上升。提高数字素养最终将增加人们对在线平台使用的信心，并进一步激励企业在在线领域进行创新和改进。此外，这些数字素养的努力有助于缩小中小型企业与一些大型企业之间的差距[4,58,167,168]。这在意大利尤为重要，因为在意大利，数字素养差距仍然影响着企业和消费者，尤其是在南部地区[156]。

**简化的监管环境**。迫切需要简化和明确电子商务的监管框架，包括在线交易、个人数据保护和消费者保护，以促进数字 commerce 的发展。明确友好且支持性的监管环境可以消除一些相关的进入壁垒，或者对那些已经在运营中或希望在线扩展业务的企业来说，减少其面临的障碍。消除不必要的官僚主义障碍并创建一个更可预测的法律框架也将增强人们对电子商务项目的规划和投资的信心。这对于经常在复杂监管环境中承受更大负担的中小企业尤为重要。清晰的规则——无论是在数据保护还是消费者权利方面——都能保护人们，并增加消费者使用在线平台的信心。如果消费者确信他们的数据在数字交易中得到有效保护，他们就更有可能产生需求。因此，简化监管实际上有利于企业，并创建一个更加公平的电子商务环境，在这种环境中，信任、创新和准入会在企业和消费者之间产生互益。这样的环境将有利于投资、创新和数字经济的发展，这对于建立一个强大的电子商务部门至关重要[39,169]。在意大利，最近的研究强调了简化监管和数字治理改革在支持向更高效和包容性数字经济转型中的作用[159]。

**创新贡献**。分析意大利各地区使用电子商务技术的企业情况非常重要，因为意大利中部北部和南部之间存在显著差距。1861年统一后造成的经济差距，尽管已经通过经济政策试图缩小，但进一步加剧了各地区之间的差异。这些差异也变得具有文化性质，并影响了地区层面的人力资本分布。因此，在技术的使用上也存在地区差异，这表明某些地区无法有效获取和使用新技术（如在线销售）。另一个重要点是，意大利的情况绝非个例，每个国家在其区域内都存在差异。事实上，大多数国家都有落后于其他地区的区域。因此，意大利的案例也可以作为其他地区在采用新技术方面存在显著差异的国家的参考模型。

另一个创新贡献是，分析考虑了与技术创新、人力资本和知识经济维度密切相关的变量。在这种思路下，提出了一个超越基于人均 GDP 或研发和投资程度和技术创新的传统分析的模型。这样，可以建立一个模型来区分创新导向对中小企业使用在线销售工具的影响。因此，技术革新和人力资本的决定了这一分析特别一致，因为信息技术的作用与人口发展动态和创造性知识经济的能力相关。在当前国际背景下，这一点尤为重要，美国和中国在技术领域相互竞争。这意味着，在这样的框架内，应该寻求能够引导中小企业广泛采用新技术的经济政策。因此，文章通过选择区域差异问题进行分析，做出了重要的创新贡献，这在国际背景下重新发现经济区域的地缘政治角色时变得越来越重要。另一个创新贡献是对决定中小企业在其业务活动中更积极试验新技术的因素的分析。

**结论**
本研究通过结合计量经济学、机器学习和网络科学的方法，提供了有关意大利中小企业电子商务普及动态的宝贵区域洞察。本文的主要贡献是将因果推断、预测和系统网络分析结合起来，研究数字化作为一个由技术、社会经济和制度维度相互作用塑造的多方面过程。实证分析表明，意大利各地区电子商务普及的主要驱动力是 Intuse（互联网使用）和 Icthh（家庭信息通信技术可用性）变量，而收入和创新水平没有直接影响。这意味着较高的数字参与度和参与度之间存在正相关关系。然而，基础设施本身不能被视为普及的充分条件，因为还需要考虑行为、社会和制度前提条件。在方法论方面，计量经济模型确保了因果推断，并解决了数字化与经济发展变量之间的内生性问题。机器学习算法捕捉非线性关系，并在不同模型中提供稳定的变量重要性。最后，使用轮廓系数优化的 K-means 算法揭示了两种类型的意大利地区：更发达的北部和中部地区，以及发展迟缓但正在发展的南部和岛屿地区。可以看出，南北数字差距仍然存在，但由于远程工作、数字业务运营和政府投资，这一领域也正在趋同。网络科学为分析增添了系统维度，因为数字参与度和信息通信技术接入被确定为网络中最核心的节点，它们是经济和社会变量之间联系的机制。创新和收入对电子商务普及的重要性较低，这意味着这一过程更多依赖于数字参与度和技术发展。从总体意义上看，这项研究对于存在地区差异的国家具有相关性。这些国家可能包括发达国家和发展中国家，如巴西、印度、南非、土耳其、英国、西班牙、德国、美国和墨西哥。在这些国家，数字化通过促进市场准入、扶持本地创业和提高落后地区的竞争力，成为区域发展的催化剂。从意大利的国家复苏和韧性计划（PNRR）的角度来看，这项研究提供了如何通过关注数字环境的有效政策来确保区域竞争力的见解。在方法论上，这项研究通过结合工具变量面板数据估计、聚类算法、机器学习和网络分析为文献做出了贡献。总体而言，可以得出结论，在区域竞争力方面，意大利和其他碎片化经济体并不像依靠收入和基础设施那样依赖它们，而是更依赖于数字参与度和人力资本的发展。