南京审计大学独作!新工具变量法登《中国工业经济》!

15大前沿因果机器学习直达：聚束分析和群聚双重差分|机器学习SCM|ML-倾向评分匹配|双重机器学习|因果树与因果森林异质性处理效应

南京审计大学经济学院杨飞在《中国工业经济》发表论文《产业数字化如何化解全球供应链风险——基于深度学习自动工具变量法的实证研究》，利用深度学习构建基于数据驱动的自动工具变量法及AutoIV-DID、合成DID等方法，非常新颖！

研究简介

“逆全球化”引发的全球供应链风险越来越成为各国关注的重点，也给中国经济带来了不确定性。产业数字化是化解全球供应链风险的重要措施。

通过构建网络经济模型并利用1995—2020年ICIO世界投入产出表数据，研究了产业数字化化解全球供应链风险的机制。理论模型研究表明，产业数字化能够提升生产率并通过网络效应使全球化分工更加紧密，进而提升全球供应链风险，但产业数字化也会通过网络效应、中间品节约和生产率提升等渠道降低全球供应链风险。

利用深度学习构建基于数据驱动的自动工具变量法及AutoIV-DID、合成DID等方法，研究表明，产业数字化的产业内效应对全球供应链风险存在先上升后下降的影响，下游传播效应能够降低全球供应链风险，上游传播效应对全球供应链风险的影响不显著。

机制检验表明，产业数字化能够降低负向供给冲击带来的全球供应链风险，缓解全球供应链风险对经济增长的负向影响，节约中间品投入并促进技术创新。相比来自发达国家的全球供应链风险，产业数字化能够更好地应对来自发展中国家的全球供应链风险。本文发现产业数字化可以在不牺牲效率的情况下化解全球供应链风险，这为有针对性地促进数字化转型、建立并完善全球供应链风险应对机制提供了政策启示。 

关键词： 产业数字化;全球供应链风险;网络效应;深度学习;

参考来源

杨飞.产业数字化如何化解全球供应链风险——基于深度学习自动工具变量法的实证研究[J].中国工业经济,2025,(09):80-98.

我们面向科研学者推出《机器学习因果推断前沿——寒假班》课程，内容是目前顶刊中的前沿方法，覆盖OLS因果推断逻辑以及DID、RDD、SCM等准自然实验逻辑，以及最新的聚束分析和群聚双重差分！同时介绍LASSO、随机森林、梯度提升树GBDT、神经网络等机器学习方法，并介绍机器学习合成控制法、倾向评分匹配、双重机器学习（Double ML）、因果树与因果森林异质性处理效应等前沿实操。全程配套 Stata 实操教程、American Economic Review、《经济研究》等顶刊例文精读与真实案例复刻。