健康、金融、工业和数字经济领域数据在数量、种类和复杂性方面的不断增长，催生了对兼具理论严谨性和实用性的统计方法日益增长的需求。然而，高级分析技术在跨学科研究中的应用往往滞后于方法学的发展。特刊"健康、金融、工业和数字经济统计分析进展"旨在通过汇集将统计建模和数据科学与这些领域的实质性问题相结合的研究，帮助缩小这一差距。2024年7月至2026年2月期间发表在本特刊中的八篇论文可以归纳为三个密切相关主题：数字经济与产业转型；金融风险与市场预测；以及现代统计学习方法与健康应用。涵盖这些主题的系列论文涉及度量与不平等分解、理论建模与数值模拟、因果推断、机器学习预测、可解释人工智能以及数据估值。
第一个主题涉及数字化的分布效应和工业后果。贡献1开发了一个测量中国数字鸿沟的五维框架，并将其应用于2010年至2020年的城市级数据。该研究发现了鸿沟总体呈波动下降的趋势，同时大多数省份省内差距在扩大，并强调了基础设施和教育作为重要的均等化力量。贡献2探讨了数字经济发展如何影响区域收入差距。结合基于机器学习的测量、多维不平等分解和阈值模型，该研究记录了U型关系，并表明过度不平等可能会削弱甚至逆转数字发展的初始均等化效应。贡献3考察了2010年至2022年482家中国上市制造企业，发现数字化转型通过降低融资成本、增加创新产出和增强人力资本等方式，提高了全要素生产率和ESG绩效。贡献4以中国跨境电商综合试验区作为准自然实验。时变双重差分估计表明，试验区使当地绿地对外投资增加了约18.8%，主要是通过促进进入新目的市场；降低信息搜索成本和改进要素配置是关键渠道。
第二个主题涉及金融普惠、风险和市场预测。贡献5利用理论模型和数值模拟考察了大型科技公司信贷的边界和风险。研究表明，商业扩张可能超过风险控制的技木边界，降低训练数据的代表性，增加违约风险，而在资本稀缺时，竞争可能会加速过度信贷扩张。贡献6提出了一种原油期货跳跃波动率预测框架，该框架将复杂网络指标与混合CNN-Transformer模型相结合。高频WTI数据的证据表明，网络信息改善了预测能力，且混合模型在一步和多步预测中都优于多种计量经济学、机器学习和常规深度学习基准模型。
第三个主题关注现代统计学习方法的发展与应用。贡献7回顾了数据科学中Shapley值的基础、计算、扩展和应用。它比较了模型无关的近似方法与适用于线性模型、树模型和深度学习模型的算法，并讨论了支持特征归因、数据估值、数据定价和多方合作的扩展。贡献8探讨了经导管主动脉瓣置换术（TAVR）后多种术后并发症的预测问题。作者将随机临床试验证据向真实世界数据的调整与类似LocalGLMnet的收缩方法和多标签分类相结合。他们的重抽样和分类策略比较确定了CLR结合标签-幂集随机欠采样作为总体最强的规格，为个体化临床风险管理和并发症相关保险设计提供了统计学基础。
贯穿这三个主题，各项贡献展示了现代统计分析的广度以及将领域知识与适当数学和计算工具相结合的价值。它们还突出了本特刊所代表的四个领域的一个共同实际要求：方法必须解决异质性、非线性关系、不平衡性和复杂依赖关系，同时产生能够指导决策的结果。因此，该系列论文为在统计学、数据科学、经济学、金融学、工业和健康等领域交叉的研究人员提供了方法论视角和实证证据。
客座编辑向所有为本特刊作出有价值贡献的作者们致以诚挚的感谢，并向匿名的审稿人致以感谢，他们的认真和富有建设性的报告提高了发表论文的质量。客座编辑还感谢Mathematics的编辑团队和MDPI的工作人员在整个收集和出版过程中的专业协助。
利益冲突
作者声明不存在利益冲突。
贡献列表
- Zhou, Y.; Chen, M.; Liu, X.; Chen, Y. 中国数字鸿沟的新框架、测量和决定因素. Mathematics 2024, 12, 2171. https://doi.org/10.3390/math12142171.
- Ruan, J.; Zou, L.; Liu, R.; Pan, H. 数字经济发展对区域收入差距的影响：多维不平等分解和阈值效应的视角. Mathematics 2024, 12, 4024. https://doi.org/10.3390/math12244024.
- Liu, X.; Hong, S.; Su, Z.; Zhou, Y. 数字化转型对制造企业高质量发展的影响：效率与社会责任的综合视角. Mathematics 2025, 13, 815. https://doi.org/10.3390/math13050815.
- Jin, J.; Song, T. 跨境电商综合试验区与绿地对外投资：来自中国的证据. Mathematics 2026, 14, 599. https://doi.org/10.3390/math14040599.
- Ji, Z.; Zhang, X.; Liang, H.; Lyu, Y. 科技赋能金融：边界与风险. Mathematics 2024, 12, 3394. https://doi.org/10.3390/math12213394.
- He, Y.; Ning, P.; Song, Y. 基于复杂网络和混合CNN-Transformer模型的原油期货跳跃波动率预测. Mathematics 2026, 14, 258. https://doi.org/10.3390/math14020258.
- Qin, L.; Zhu, Y.; Liu, S.; Zhang, X.; Zhao, Y. 数据科学中的Shapley值：计算进展、扩展与应用. Mathematics 2025, 13, 1581. https://doi.org/10.3390/math13101581.
- Zhang, Y.; Xie, Y. 基于不平衡多标签分类方法的TAVR手术并发症风险测量. Mathematics 2025, 13, 2139. https://doi.org/10.3390/math13132139.
免责声明/出版商说明： 所有出版物中所述的陈述、观点和数据仅为个别作者和贡献者本人的观点，而非MDPI和/或编辑的观点。MDPI和/或编辑对内容中提及的任何想法、方法、指令或产品可能造成的人身或财产伤害不承担任何责任。 |
? 2026 由作者所有。许可持有人：MDPI，瑞士巴塞尔。本文是在知识共享署名（CC BY）许可条款和条件下发布的开放获取文章。
