【C0157】人工智能如何赋能企业供应链嵌入？基于网络结构视角的实证复现数据与代码

本资源围绕论文《人工智能应用如何赋能企业供应链嵌入？——基于共享商业关联的网络结构视角》展开整理，主题聚焦于人工智能应用对企业供应链嵌入的影响，重点分析企业引入人工智能技术后，是否能够更有效地进入供应链合作网络，并提升其在供应链体系中的连接能力和嵌入程度。

原文以中国制造业上市企业为研究对象，基于共享商业关联的网络结构视角，考察人工智能应用对企业供应链嵌入的影响。研究认为，在供应链不确定性风险上升和企业数字化转型持续推进的背景下，人工智能应用可能通过降低信息搜寻成本、提升成本控制效率、增强分工专业化水平和改善供应链协同能力，推动企业更深度地嵌入供应链网络。

本资源包包含 Stata 数据、主程序代码、代码说明文件和描述性统计结果。代码围绕“人工智能与供应链嵌入”展开，使用企业—年份面板数据，样本覆盖 2007—2019 年，共 10424 条观测值、1907 个企业个体和 28 个行业。核心解释变量为人工智能应用指标，被解释变量包括供应链嵌入相关的二元变量和替代强度变量，控制变量包括企业层面财务特征、治理特征和经营特征等。

在实证方法上，代码使用 logit、面板固定效应 logit、面板随机效应 logit、reghdfe、ppmlhdfe、probit、动态面板 GMM 和工具变量 probit 等模型，系统完成基准回归、机制检验、异质性检验、稳健性检验、内生性检验和多重共线性检验。

研究结果指向一个核心结论：人工智能应用能够显著促进企业供应链嵌入。机制检验表明，人工智能应用可能通过成本控制效应和分工专业化效应等渠道发挥作用；异质性分析则进一步说明，在不同企业特征、行业环境和风险条件下，人工智能应用的供应链嵌入效应存在差异。

本资源包含一套较完整的 Stata 实证复现材料，能够覆盖论文主要分析流程。

从数据结构看，样本共包含 10424 条观测值，年份范围为 2007—2019 年，涉及 1907 个企业个体和 28 个行业。数据中变量经过匿名化处理，其中 id 表示企业个体，year 表示年份，ind 表示行业。

主要变量角色如下：

1. y1、y2：供应链嵌入相关二元被解释变量；

2. y3：供应链嵌入替代指标，用于高维固定效应线性回归；

3. x1：核心解释变量，代表人工智能应用水平；

4. x2、x3：人工智能应用的替代测度，用于稳健性检验；

5. c1—c10：主控制变量；

6. c11、c12：追加控制变量；

7. cost1、cost2、cost3、vsi：机制变量；

8. group1—group7：异质性分组变量；

9. didfirm、didcity：稳健性剔除变量；

10. iv：工具变量，用于内生性检验。

描述性统计结果显示，核心样本量为 10424 条。主要变量中，y1 的均值为 0.2083，说明样本中约 20.83% 的企业在该供应链嵌入指标上取值为 1；y2 的均值为 0.0670，说明另一类供应链嵌入指标发生比例较低；y3 的均值为 0.2688，用于衡量供应链嵌入的替代强度。核心解释变量 x1 的均值为 2.7431，标准差为 1.6311，表明不同企业的人工智能应用水平存在明显差异。

代码层面已经覆盖以下主要实证环节：

1. 基准回归：使用 logit、固定效应 logit 和随机效应 logit 检验人工智能应用对供应链嵌入的影响；

2. 边际效应分析：使用 margins 计算人工智能应用对供应链嵌入概率的平均边际影响；

3. 机制检验：通过人工智能变量与 cost1、cost2、cost3、vsi 的交互项，检验成本控制、分工专业化和供应链关系机制；

4. 异质性检验：按照 group1—group7 分组，考察不同企业、行业或地区条件下的影响差异；

5. 替换变量检验：使用 x2、x3 替换核心解释变量，检验结论是否依赖单一变量构造；

6. 替换模型检验：使用 reghdfe、ppmlhdfe、probit 和动态面板 GMM 检验结果稳健性；

7. 剔除样本检验：剔除特定处理样本和 2008 年样本，排除特殊样本或特殊年份的影响；

8. 内生性检验：使用 ivprobit 并以 iv 作为工具变量处理潜在内生性问题；

9. 多重共线性检验：使用 estat vif 检查解释变量之间是否存在严重共线性。