《Economies》：Digital Economy, Regional AI Orientation, and Industrial Structure Upgrading Under Economic Policy Uncertainty: Evidence from China
编辑推荐：
本研究考察了数字经济是否有助于省级经济体在经济政策不确定性（EPU）环境下维持产业结构升级，以及区域人工智能（AI）导向是否强化了数字经济的这一作用。研究采用2015年至2023年中国30个省份的平衡面板数据，以省级数字经济指数的标准化对数值作为数字发展的核心
本研究考察了数字经济是否有助于省级经济体在经济政策不确定性（EPU）环境下维持产业结构升级，以及区域人工智能（AI）导向是否强化了数字经济的这一作用。研究采用2015年至2023年中国30个省份的平衡面板数据，以省级数字经济指数的标准化对数值作为数字发展的核心测度。省份固定效应与年份固定效应模型显示，数字经济发展、区域AI导向与高EPU之间的三重交互项显著为正。边际效应分析表明，数字经济在高EPU下的正向效应仅在区域AI导向超过特定阈值时方可出现，暗示这是一种条件性而非普适性的效应。稳健性检验、替代因变量分析、省份分组的机器学习验证，以及基于"宽带中国"（Broadband China）示范政策的补充性政策暴露证据均与这一状态依赖型互补性一致，尽管研究将其诠释为条件性关联而非确定性因果效应。
产业结构升级——即生产性资源从劳动密集型第二产业向知识密集型、服务导向与技术驱动型活动的再配置——是长期区域发展的核心议题。在中国，从投资驱动型制造业向服务导向和创新驱动型增长模式的转型已成为明确的政策 priority，然而此类结构转型对宏观经济冲击高度敏感。经济政策不确定性（EPU）作为近年最具影响力的扰动来源之一，通过实际期权机制、金融摩擦渠道和风险溢价渠道多个路径制约产业结构升级。在高EPU环境下，企业面临更大的等待激励、更紧的融资约束和更高的协调成本，这使得需要长期承诺的产业升级活动更易受阻。
现有文献多聚焦于数字经济对产业升级的平均效应，而对其在不确定性环境下的缓冲作用缺乏系统性考察。与此同时，人工智能（AI）作为通用目的技术（General-Purpose Technology），具有降低预测成本、支持适应性决策的功能，但其区域层面的战略价值可能依赖于数字基础设施的互补支持，而非独立发挥作用。基于此背景，研究人员开展了一项针对中国省级面板数据的实证研究，旨在探究数字经济是否以及在何种条件下能够缓冲经济政策不确定性对产业结构升级的负面约束，并检验区域AI导向在这一机制中的调节作用。
研究人员采用2015年至2023年中国30个 mainland 省份的平衡面板数据，以第三产业增加值与第二产业增加值之比的对数作为产业结构升级的核心度量。数字经济发展水平通过省级数字经济指数的标准化对数进行测度，该指数基于熵权法构建，涵盖数字基础设施、数字产业化与产业数字化三个维度。区域AI导向则通过汇总A股上市公司年报中的AI相关文本信号至省级层面构建，反映上市公司群体的战略性AI关注程度。经济政策不确定性采用Baker等人的文本型EPU指数进行度量。
研究的核心技术方法包括：第一，省份固定效应与年份固定效应面板回归模型，通过三重交互项检验数字经济发展、区域AI导向与高EPU状态的联合效应；第二，边际效应分析，用以刻画数字经济在高EPU条件下的条件性作用及其对AI导向阈值的依赖；第三，多种稳健性检验，包括替换数字测度方式、排除特定地区、改变高EPU门槛定义、Winsorize处理极端值等；第四，替代因变量分析，采用生产性服务业占比的对数作为产业升级的另一维度验证；第五，内生性相关检验，包括滞后变量设定、排除直辖市、加入滞后因变量及省份特定线性趋势等；第六，政策暴露补充分析，基于"宽带中国"试点、智慧城市试点和大数据试点等准自然实验进行事件研究；第七，机器学习验证，采用省份分组的GroupKFold交叉验证策略，评估数字经济和AI相关特征对产业结构升级的预测信息含量，该部分仅作预测性用途而非因果识别。
主回归结果表明，在完整的M3模型设定下，数字经济发展、区域AI导向与高EPU的三重交互项系数为0.0215，在1%水平上统计显著，表明数字经济在高EPU下对产业结构升级的积极作用依赖于区域的AI导向水平。
边际效应分析进一步揭示，数字经济发展在高EPU下的正向效应仅在区域AI导向超过约1.65的阈值时方可显现，而样本中约58.5%的观测值处于条件边际效应非正的区域。这一发现强烈支持了条件性效应而非无条件缓冲的解释，即数字基础设施本身并不自动保障不确定性环境下的产业升级，其价值实现需要区域AI能力的协同配合。
稳健性检验方面，研究人员移除了数字经济指数中的数字金融普惠成分，结果发现三重交互项依然显著为正，表明核心结论不依赖于数字金融单一维度。同时，排除可能与指数成分重叠的控制变量后，结论保持稳健。在连续型lnEPU设定下，三重交互项不再显著，暗示该机制更适合被刻画为高不确定性状态下的状态依赖效应，而非对EPU连续变化的线性响应。数据处理的稳健性检验显示，对连续变量进行1%/99%和5%/95%的Winsorize处理后，以及采用前40%、前三分之一和历史均值等不同高EPU定义时，三重交互项均保持正向显著。
替代因变量分析以生产性服务业占比的对数作为产业结构升级的另一维度。结果显示，三重交互项对该替代因变量同样显著为正，表明数字-AI互补性在服务业升级维度上具有可观测的意义，支持了核心结论反映的是 broader 的升级过程而非第三产业与第二产业比值的机械变化。
内生性相关检验中，滞后一期数字经济和滞后一期AI设定的结果仍然显著，排除直辖市后结论成立。然而，加入滞后因变量或省份特定线性趋势的设定下结果减弱，研究人员对此持谨慎解读。
政策暴露补充分析部分，基于"宽带中国"试点的事件研究显示，政策前趋势在四期预处理中均未显著，且减法式交互项为正，尽管仅处于边际显著水平。智慧城市的预处理趋势相对不够干净，因此该部分结果仅作为缓解内生性担忧的补充性证据，而非确定性因果识别。
机器学习验证采用省份分组的GroupKFold交叉验证以避免省级信息泄露，目标变量为高产业结构升级状态。结果显示，梯度提升树获得最高的平均AUC，随机森林获得最高的平均F1分数，表明数字经济和AI相关特征包含对产业结构升级的预测信息，但该部分明确不做因果诠释。
讨论部分，研究人员将研究发现置于更广泛的文献脉络中进行定位。首先，数字经济应被理解为 broad 的区域能力而非仅限于数字金融普惠，核心结论在使用更广泛的多维指数时依然成立。其次，效应的条件性是本研究区别于平均效应研究的关键贡献——既有文献在高低EPU期间混合估计，将数字经济视为 uniformly 有益，而边际效应分析显示半数以上样本观测的条件边际效应非正。这一发现与Ye等人和Zhu等人关于EPU抑制省级产业升级的研究形成对话，并展示了数字-AI互补性在特定条件下缓解该约束的可能路径。区域AI导向的发现补充了Zhang关于省级AI与升级正向关联的研究，进一步表明AI导向主要作为数字基础设施的 complement 而非独立驱动因素。
研究人员对异质性结果持谨慎态度。东部地区的子样本三重交互项经 wild-cluster bootstrap 检验后不再显著，故未将区域异质性作为核心确证性结果呈现。关于内生性，滞后变量与政策暴露结果虽与主解释一致，但政策试点非随机分配，且工具变量估计强度不足；加之样本时间跨度仅九年，在固定效应框架下估计多重交互项、机制回归和分组分析的自由度受限，估计交互效应的稳定性与精确性应审慎解读。
研究结论部分翻译如下：本研究考察了数字经济是否有助于省级经济体在经济政策不确定性环境下维持产业结构升级，以及区域AI导向是否强化了数字经济的这一作用。基于2015年至2023年30个中国省份的平衡面板数据及省级数字经济指数的标准化对数，结果表明数字经济发展、区域AI导向与高EPU之间的三重交互项显著为正。证据支持一种状态依赖型互补性：当区域AI导向较高时，数字经济发展与产业结构升级的正向关联在高不确定性下更为突出。边际效应分析是这一解读的核心——数字经济在高EPU下的效应仅在区域AI导向超过约1.65后转为正向，且大多数观测值的条件边际效应仍处于非正区间。这意味着政策含义并非简单地孤立扩张数字基础设施，而需要将数字经济发展与企业的AI相关能力和组织准备度进行协调。基于此观察性证据，研究提出若干试探性政策启示：第一，数字基础设施可在高不确定时期充当韧性资源，但其有效性依赖于互补性区域能力；第二，人工智能政策的重心宜放在广泛的组织采纳、管理关注度和应用能力上，而非集中于少数头部AI企业；第三，生产性服务生态系统、技术市场和数字平台作为相互连接的机构网络最为有效。最后，研究者坦陈多项局限：固定效应、滞后设定与政策暴露检验虽能缓解但无法消除内生性担忧；九年样本跨度限制了交互效应估计和分组分析的自由度；因变量仅捕捉产出结构而非生产率或技术内容；AI导向指标基于A股上市公司，可能无法代表未上市中小企业的AI采纳模式；文本测度反映的是披露层面的战略关注而非经核实的AI能力；政策暴露检验仅为补充性证据。未来研究可结合企业层面AI采纳数据、更详细的政策冲击和微观层面产业升级结果以改进因果识别。
