The Supply-Demand Pathways and Spatial Effects of AI in Enhancing Industrial Chain Resilience

Ding Jianxun, Wang Yunyao

(School of Business, Qingdao University of Technology, Qingdao 266520, China)

Abstract：In an era marked by escalating geopolitical tensions, recurrent global disruptions, and rapid technological transformation, strengthening industrial chain resilience is a strategic imperative. It is crucial not only for advancing high-quality economic development and building a modern industrial system, but also for adapting to the reconfiguration of global supply chains and safeguarding national security. China has established a large-scale, competitive, and relatively independent modern industrial system, with industrial chains generally stable and resilience gradually improving. However, amid the dual pressures of domestic transformation and external uncertainties, structural vulnerabilities remain, particularly in foundational capabilities and critical technological bottlenecks in sectors including semiconductors, advanced materials, and core software. These weaknesses increasingly expose the fragility of key industrial chains, making resilience enhancement an urgent strategic priority.

The academic community has explored pathways to enhance industrial chain resilience from various perspectives, primarily focusing on industrial agglomeration, the digital economy and finance, digital-real economy integration, innovation-driven policies, and the chain leader system. However, research on the impact of artificial intelligence(AI) on industrial chain resilience remains relatively under-explored and requires further deepening. This gap mainly manifests in two aspects: First, the mechanism pathways through which AI drives resilience need further refinement. While existing studies identify the mediating role of technological innovation, they predominantly emphasize supply-side transmission mechanisms and largely neglect the mediating role of demand-side factors. Second, AI's application and development often facilitate cross-regional flows of production factors, potentially generating spatial spillover effects that transcend geographical boundaries, yet such effects are frequently overlooked in current research.

On the basis of this theoretical foundation, this study employs panel data from 30 Chinese provincial-level administrative regions from 2011 to 2023. It takes industrial chain resilience as the dependent variable which is measured through a five-dimensional indicator system(foundation, resistance, recovery, sustainability, leadership) using the entropy method; and the study selects artificial intelligence as the core independent variable that assessed via input-output indicators(infrastructure, capital, talent, industrial application, economic output) . Technological innovation and residential consumption serve as mediating variables, while five indicators including the degree of openness,government participation, population density, environmental regulation intensity, and employment density are employed as control variables. It constructs mediating effect models and a spatial Durbin model to examine how artificial intelligence affects local industrial chain resilience through dual supply-demand mechanisms while investigating its spatial spillover effects on neighboring regions. Mediation analysis employs both two-step and three-step methods with bootstrap tests for robustness, while spatial analysis uses bidirectional fixed effects and multiple weight matrices, revealing that indirect effects are smaller than direct effects.

The main findings are as follows: First, AI enhances industrial chain resilience through its data-driven nature, systemic intelligence, and pervasive penetration, strengthening foundational stability, resistance, recovery capacity, sustainability, and leadership across dimensions. Second, as resilience is influenced by both supply and demand where technological progress and consumption play crucial roles, AI improves resilience by promoting technological innovation and stimulating household consumption. Third, AI demonstrates significant spatial spillover effects in enhancing industrial chain resilience, with positive spillovers dominating and direct local effects exceeding indirect cross-regional impacts.

This paper makes two primary contributions. Theoretically, it advances the literature by integrating supply-side(technological innovation) and demand-side(household consumption) mechanisms into a unified analytical framework, addressing the prevailing bias toward supply-side explanations and offering a more comprehensive understanding of AI's role in shaping industrial resilience. Methodologically, it enriches the spatial dimension of industrial resilience research by examining cross-regional spillovers, revealing geographical interdependence and broadening theoretical implications of AI in regional economic dynamics. In summary, these findings contribute to a more holistic, spatially informed understanding of how artificial intelligence influences industrial chain resilience in a complex, interconnected economy.

Key Words：Artificial Intelligence; Industrial Chain Resilience;Mediation Effect; Spatial Spillover Effect

DOI：10.6049/kjjbydc.D82025040469

开放科学(资源服务)标识码(OSID)：

中图分类号：TP18;F121.3

文献标识码：A

文章编号：1001-7348(2026)10-0076-12

收稿日期：2025-04-15

修回日期：2025-10-24

基金项目：国家自然科学基金项目(72073082);山东省社会科学规划研究项目(21CJJJ04);青岛市哲学社会科学规划项目(QDSKL2201182)

作者简介：丁建勋(1971—),男,山东胶南人,博士,青岛理工大学商学院教授、硕士生导师,研究方向为宏观经济;王云瑶(2001—),女,山东潍坊人,青岛理工大学商学院硕士研究生,研究方向为宏观经济。

0 引言

党的二十届三中全会提出,“健全提升产业链供应链韧性和安全水平制度”。增强产业链应对内外部风险冲击能力、提升产业链韧性,既是推动我国经济高质量发展和构建现代化产业体系的重要战略举措,也是应对全球产业链重构挑战、保障国家安全的必然要求。当前,我国已形成规模较大、竞争力较强且相对独立完整的现代化工业体系,产业链总体保持安全稳定,韧性持续增强[1]。然而,在内部经济现代化转型与外部不确定性冲击的双重压力下,我国产业链面临诸多挑战,如基础能力薄弱、关键环节“卡脖子”等,使得产业链韧性不足的问题日益凸显。

学界从不同角度对驱动产业链韧性提升的路径进行探讨,主要集中在产业集聚[2]、数字经济[3-4]、数字化转型[5]、数字金融[6-7]、实体经济与数字经济深度融合[8]、创新驱动政策[9-10]以及链长制[11]等。也有学者关注人工智能对产业链韧性提升的影响。如吕越和张杰[12]研究发现人工智能可显著提升产业链韧性,且技术创新在这一传导过程中为关键内在机制。目前关于人工智能对产业链韧性影响的研究尚不充分,亟需进一步推进和深化:第一,需进一步完善人工智能驱动产业链韧性提升的机制路径研究。尽管现有研究指出技术创新发挥中介效应,但仅强调供给侧传导机制,忽视了需求侧的中介作用。第二,人工智能应用和发展往往会促使生产要素跨区域流动,在影响本地区产业链韧性的同时,也会产生跨越地理边界的溢出效应,而这种效应常被忽视。

本文采用2011—2023年中国30个省份(西藏因数据不全,故未纳入统计)面板数据,构建中介效应模型和空间杜宾模型,探究人工智能对产业链韧性的影响效应及传导机制,以及其对邻近地区产业链韧性的空间溢出效应,厘清人工智能通过供需双侧机制影响产业链韧性的传导路径,并识别其对邻近地区所发挥的空间溢出效应,推动相关理论系统化与深化,为制定人工智能驱动产业链韧性提升政策提供理论依据与实证支撑。

1 理论分析与研究假设

1.1 人工智能对产业链韧性的直接影响

结合熊彼特的创新理论与内生增长理论,技术进步通过“创造性破坏”推动生产力提升和经济高质量发展[13],深刻影响产业链变革。作为技术进步的最新体现,人工智能借助数据驱动性、系统智能化和广泛渗透性等特点,展现出显著的“头雁”效应[14],不仅成为推动产业变革的关键力量,还为产业链韧性提升注入新驱动力,具体体现在以下几个方面:

(1)人工智能数据驱动与智能决策优势为产业链韧性提升提供关键支撑。人工智能利用机器人技术、大数据分析、物联网和云计算等信息技术,依托强大的计算能力能够实时采集并融合产业链各环节海量数据,结合自主化机器学习算法深度挖掘复杂数据规律,精准识别产业变革动态需求,预测市场变化趋势,增强产业链市场响应能力以及应对突发事件的预警与模拟能力,推动产业决策从被动响应向主动调整转变,从而提升产业链抗风险能力、适应力和恢复力,为其韧性提升提供精准支撑。

(2)人工智能的广泛渗透性与协同赋能特性深刻改变着产业链组织形态和发展方向。人工智能作为一种通用目的技术,借助强大的学习能力和互联互通特性,深度变革传统产业链韧性范式,打破传统产业信息壁垒,推动经验、知识与技术在产业链上下游之间即时共享与高效流动[15],推动产业链从传统线性链条向智能化、网络化方向转变。这一转变不仅打破传统技术与经济可行性边界,促进传统产业与新兴产业的跨领域、跨系统融合(合链、强链),如智慧农业、智慧医疗等,还催生出以智能制造、云计算服务、个性化定制等新模式和新业态(延链、补链),如无人驾驶、智能机器人等,从而降低产业链对单一技术或环节的依赖,增强产业链系统的冗余性与可替代性,不断提升产业链自主可控能力与整体韧性。本文提出以下假设:

H1:人工智能有利于驱动产业链韧性提升。

1.2 人工智能影响产业链韧性的机制路径

产业发展与结构演变受供给侧与需求侧影响,其中供给侧技术进步和需求侧消费发挥重要作用。技术进步和消费水平提升必将对产业发展与结构演变产生重要影响。因此,人工智能应用和发展不仅能直接影响产业链韧性,还通过技术创新和居民消费两种途径对产业链韧性产生间接影响。

1.2.1 技术创新

(1)人工智能能够推动技术创新水平提升[16]。作为新一轮科技革命的代表性技术,人工智能以数据为基础,融合算法(如机器学习、深度学习等)、软件开发和硬件设备(如芯片、传感器等)构成复杂技术系统,其对技术创新的推动作用不仅体现在工具层面,更体现在深层次重构创新逻辑与方式。人工智能利用算法模型高效处理海量数据,借助开源平台、云计算等降低科研成本与门槛,推动创新资源共享与协同,打破信息孤岛和技术壁垒,不仅能大幅提升技术创新效率与精准性,还会拓展自主技术创新路径,开辟技术发展新空间,从而不断推动技术创新水平提升。

(2)技术创新是提升产业链韧性的关键驱动力[17-18]。一方面,企业通过技术创新引入先进生产工艺和技术,打破企业间、行业间技术封锁与数据壁垒,推动研发、生产、服务等环节资源共享与协同,优化生产流程,提升产品质量和资源利用效率,促进产业链上下游形成网络化协作格局,提升产业链动态适应能力;另一方面,持续的技术创新不仅推动传统产业链向高端化、智能化、绿色化方向转型,还催生出新兴产业链和商业模式,有助于丰富产业链生态多样性,增强产业系统内部互补性与替代性,使产业链在面对外部冲击时具备较强的自我修复与重构能力,进而实现整体韧性水平提升。本文提出以下假设:

H2a:人工智能通过促进技术创新进而驱动产业链韧性提升。

1.2.2 居民消费

(1)人工智能能够有效拉动居民消费水平提升[19]。首先,人工智能依托算法和大数据分析等,深度挖掘消费者购买偏好,精准捕捉其需求特征并推送个性化信息,有效缓解传统消费市场中的信息不对称,提升消费者购买效率与匹配精度,激发消费动机。其次,人工智能技术带来的指纹、面部识别等智能支付方式可提高居民消费交易的快捷性和安全性,优化交易体验,增强居民消费意愿。最后,人工智能可赋能消费金融,促使消费信贷平台快速评估个人信用状况,提供灵活、个性化消费信贷方案,进而有效缓解消费者流动性限制和预算约束,释放其潜在消费需求。

(2)居民消费水平提升可驱动产业链韧性提升[20]。一方面,居民消费需求的多元化和个性化特征倒逼传统产业链向柔性化、智能化方向转型,这种以需求为导向的转型会优化产业链资源配置效率,加速产品创新和技术迭代,提升研发、生产、物流等环节的协同响应能力,增强产业链应对市场波动和外部冲击的适应性与抗风险能力;另一方面,旺盛的消费需求推动消费市场规模持续扩张,促进产业集聚,吸引更多市场主体参与分工协作,为新技术、新业态、新模式提供试验场景和商业化空间,推动产业链向高附加值环节攀升,有助于构建更具韧性的产业链体系。本文提出以下假设:

H2b:人工智能通过拉动居民消费进而驱动产业链韧性提升。

1.3 人工智能影响产业链韧性的空间溢出效应

基于地理经济学与托布勒第一定律(Tobler's First Law of Geography)可知,距离是影响事物关联程度的关键因素,且空间相互作用随距离衰减,强调地理现象的空间依赖性和距离衰减效应。作为当代技术进步最新体现的人工智能[21-22],借助其低信息获取成本、高效互联共享等特征,打破地理空间限制,加速技术、知识等要素在空间范围内流动,这种流动性使得其在驱动产业链韧性提升过程中,不仅会影响本地区产业链韧性,还会影响邻近地区产业链韧性,即产生空间溢出效应。

(1)正向溢出效应。当某地区人工智能应用与发展方面取得领先优势时,一方面会通过技术扩散效应激发邻近地区对其高水平技术成果及创新管理模式的吸收、创新与模仿,推动邻近地区产业链创新水平提升,从而提升其产业链韧性;另一方面,还会通过拉动居民消费增长带来溢出效应,促进周边地区消费市场扩张和金融市场协同发展[23],使得周边地区能够精准响应消费者需求,调整产业链布局,增强应对市场波动和抵御风险的能力,从而提升产业链韧性。人工智能带来的技术扩散与消费溢出的协同作用不仅能提升本地区产业链韧性,还会带动周边地区产业链韧性水平提升。

(2)负向溢出效应。当某地区在人工智能应用与发展方面取得领先优势时,可能会形成显著的技术吸引力和消费聚集力,从而与周边地区产生技术优势和消费集聚差距,这种势差不仅会吸引邻近地区人才、资金和技术等优质资源,还会导致周边地区市场转移,降低其市场份额,使其面临资源流失和产业空心化风险,制约产业链创新能力提升,削弱其响应市场需求的能力以及抗风险能力,降低其产业链韧性水平,并加剧区域间发展不平衡。据此,本文提出以下假设:

H3:人工智能在驱动产业链韧性提升过程中存在空间溢出效应。

综上,本文构建人工智能对产业链韧性影响的理论框架,如图1所示。

2 研究设计

2.1 模型构建

2.1.1 主效应

IRit=α0+α1AIit+αcclit+μi+δt+εit

(1)

其中,IRit表示产业链韧性,AIit表示人工智能,clit表示一系列控制变量,μi为个体效应,δt为时间效应,εit为随机误差项。

2.1.2 中介效应

本文参考江艇(2022)的中介效应分析两步法建议,重点关注核心解释变量(AIit)与中介变量(TECit和CONSit)的因果关系,在方程(1)的基础上,分别构建如下模型:

TECit=σ0+σ1AIit+σcclit+μi+δt+εit

(2)

CONSit=θ0+θ1AIit+θcclit+μi+δt+εit

(3)

其中,TECit代表技术创新,CONSit代表居民消费。当σ1、θ1显著时,表明中介效应传导路径存在;反之,则表示不存在。

进一步,为验证中介变量(TECit和CONSit)对被解释变量(IRit)的影响,在方程(2)(3)的基础上构建模型:

IRit=γ0+γ1AIit+γ2TECit+γ3CONSit+γcclit+μi+δt+εit

(4)

其中,当γ1、γ2、γ3显著且与σ1、θ1为同一方向时,表示存在部分中介效应,若方向不一致则表明中介效应不显著。

2.1.3 空间效应

构建如下空间杜宾模型(SDM):

IRit=φ0+ρW·IRit+β1AIit+βcclit+λ1W·AIit+λcW·clit+μi+δt+εit

(5)

其中,W为空间权重矩阵,ρ为空间自回归系数,β、λ为待估参数,W·IRit为被解释变量IRit的空间滞后项,W·AIit为核心解释变量AIit的空间滞后项,W·clit为控制变量clit的空间滞后项。

2.1.4 空间权重矩阵

参考马晓君等[24]的研究,构建如下空间权重矩阵:

(6)

其中,W1为经济距离空间权重矩阵,分别表示i省和j省2011—2023年人均GDP均值;W2为反距离空间权重矩阵,根据对应省会经纬度可得两个省份间的地理距离dij;W3为反距离平方空间权重矩阵;W4为经济地理嵌套空间权重矩阵。鉴于变量之间的关系受地理与经济双重因素的影响,因而选择经济地理嵌套空间权重矩阵进行空间相关性分析,其他矩阵用于稳健性检验。

2.2 变量选取

2.2.1 被解释变量:产业链韧性(IR)

结合动态能力理论和适应性韧性理论,产业链韧性是指产业链应对内外部风险冲击的综合能力[25],目前学界对产业链韧性指标测度未形成统一共识。本文结合中央及地方政府关于产业链韧性的相关政策文件,兼顾指标可操作性与数据可得性,借鉴相关研究成果,从产业链基础、抵抗力、恢复力、持续力和引领力5个角度构建评价指标体系[26-28],如表1所示。

各指标解释如下:一是产业链基础,指支撑产业链分工和参与的基础性条件,包括基础设施、劳动力资源和产业体系等[29]。随着信息技术与大数据发展,新老基建加速融合,数据与通信日益成为连接产业链上下游的关键要素,因此从通信基础和物流基础两个方面进行衡量。二是产业链抵抗力,指产业链在面对内外部风险冲击时抵御并化解风险以维持正常运行的能力[30],其既受创新能力、资源配置和产业结构等内部因素的影响,也面临外部风险挑战。尤其是在全球化背景下,“技术依赖”“卡脖子”等问题日益突出,本文从外贸依存度、创新投入、创新产出和产业结构(产业高级和产业合理)4个方面进行衡量。三是产业链恢复力,指产业链在遭受冲击后进行修复、调整和恢复的能力[26],在此过程中人力资本提供人才支撑,金融协同提供资金支持,产业效益反映盈利水平与运营效率,三者分别对应人才、资金、效益3个方面,共同反映恢复成效。因此,本文从人力资本、金融协同和产业效益3个方面进行衡量。四是产业链持续力,指产业链在演化过程中实现进步与可持续发展的能力,其关键在于推动绿色低碳发展,提高能效,减少“三废”排放,并加强环境治理,因此从节能生产、污染排放和绿色治理3个方面进行衡量。五是产业链引领力,即产业链自主可控和主导引领能力,提升产业链引领力需强链补链,重点在于数字化发展、高端产业升级和关键环节可控[26],因此从数字化引领、高端引领力和链条控制力3个方面进行衡量。

为避免传统主观赋权法带来的偏差,目前学界普遍采用客观赋权法对指标体系进行权重确定。其中,熵值法通过衡量各指标信息变异程度,根据系统中不确定因素的贡献构建最优权重,能够客观反映各指标的信息熵,有效减少人为干扰,已被广泛应用于经济评价领域[2]。因此,本文借鉴姚莉等[31]关于熵值法的计算步骤,对指标进行赋权,以测算产业链韧性水平。测算值越大,表明该地区产业链韧性水平越高。

2.2.2 核心解释变量:人工智能(AI)

目前,相关研究多采用工业机器人安装密度、人工智能专利数量等单一指标进行衡量,但这些指标难以反映人工智能应用与发展的整体状况。本文参考陈志等[32]、顾国达和马文景[33]以及李金城[15]的研究成果,从人工智能投入与产出两个角度构建评价指标体系,如表2所示。其中,人工智能投入主要指人工智能研发与应用过程中涉及的资金、人力、数据资源及基础设施等投入;而人工智能产出主要指人工智能研发与应用过程中形成的专利成果、软件系统、智能产品以及由此带来的生产效率提升和经济价值创造。为确保权重赋值的客观性,本文采用上述熵值法对权重进行计算,并据此测算各地区人工智能综合水平,测算值越大,表明该地区人工智能综合发展水平越高。

2.2.3 中介变量

(1)技术创新(TEC)。参考吕越和张杰[12]的研究方法,选取国内专利申请受理量衡量技术创新水平。

(2)居民消费(CONS)。参考丁建勋和罗润东[19]的研究方法,选取地区居民消费支出衡量各地区居民消费水平。根据《中国统计年鉴》数据,2013—2023年地区居民消费支出等于地区总人口乘以地区居民人均消费支出,2011—2012年地区居民消费支出等于地区农村人口乘以地区农村居民人均消费支出加上地区城镇人口乘以地区城镇居民人均消费支出。

2.2.4 控制变量

本文参考王浩等[34]、孙博和陈艳[30]以及贺正楚等(2024)的研究,选取如下控制变量:①对外开放程度(opn),反映产业链对国外风险的抵御能力,采用地区货物进出口总额与地区GDP的比值表示;②政府参与程度(gov),反映政府产业政策、资源调控等对产业链韧性的引导与干预作用,采用地区政府一般财政支出与地区GDP的比值表示;③人口密度(hum),反映人口集聚程度及受教育水平等,采用地区年末常住人口与行政区划面积的比值表示;④环境规制强度(env),反映政府对污染排放的约束力度,影响产业链可持续发展能力,采用地区环境污染投资与地区GDP的比值表示;⑤就业密度(emp),反映劳动力集聚水平,体现人力资源在单位面积上的分布强度,采用地区就业人员数与行政区划面积的比值表示。

2.2.5 数据来源与描述性统计分析

本文选取2011—2023中国30个省份(西藏因数据不全,故未纳入统计)面板数据,所用数据以2011年为基期进行计算。原始数据主要来源于《中国统计年鉴》《中国科技统计年鉴》《中国高技术产业统计年鉴》《中国环境统计年鉴》《中国劳动统计年鉴》、国际机器人联合会(IFR)公布数据以及各省份统计年鉴,对于数据中缺失部分采用线性插值法进行补齐,变量描述性统计结果如表3所示。

3 实证结果与分析

3.1 主效应分析

3.1.1 回归结果分析

对方程(1)采用双向固定效应模型(TWFE)进行回归分析,结果如表4所示。人工智能系数在1%水平上显著为正,表明人工智能能够显著驱动产业链韧性提升,假设H1得到验证。控制变量回归结果显示,人口密度对产业链韧性提升具有负向影响,可能是因为人口密度不断增长带来基础设施压力增加和资源需求上升,会加剧地区资源环境约束,削弱产业链运行的稳定性和可持续性,不利于产业链韧性提升[26];环境规制强度对产业链韧性提升具有负向影响。郭庆然和容雷博[27]的研究表明,环境规制对产业链韧性提升具有倒U型影响,过度的环境规制会增加企业治污成本,引发“成本抵消效应”,反而不利于产业链韧性提升;就业密度对产业链韧性提升具有正向促进作用,可能是因为较高的就业密度有助于促进人才和知识集聚,加快岗位供需匹配,增强企业间信息交流与技术溢出,从而提升产业链面对外部冲击时的灵活性和适应能力。

3.1.2 稳健性检验

采用5种方法进行稳健性检验:一是更换估计方法,采用双向随机效应模型(TWRE)进行回归分析,结果见表5列(1)。二是改变测算方法,采用主成分分析法(PCA)重新进行检验。将人工智能评价指标经线性变换降维成少数主成分,对数据作标准化处理后提取解释变异的主成分,按照方差贡献率排序并选取累计贡献率较高的主成分计算权重,结合得分与权重合成人工智能综合得分再次进行回归分析,结果见表5列(2)。三是参考谷城和张树山[26]的研究,剔除北京、上海、天津、重庆4个直辖市样本数据,再次进行回归分析,结果见表5列(3)。四是参考陈强远等[35]的研究,对变量采用1%和99%分位数水平进行双边缩尾处理,以减少异常值的影响,结果见表5列(4)。五是替换解释变量,借鉴芦婷婷和祝志勇[36]的研究,采用工业机器人安装密度代替原有解释变量重新进行回归分析,结果见表5列(5)。可以看出,无论哪种检验方法,人工智能系数大小虽略有差异,但方向和显著性一致,再次表明人工智能能够驱动产业链韧性提升,验证了本文基本回归结果的稳健性。

3.1.3 内生性检验

人工智能与产业链韧性提升之间可能存在双向因果的内生性关系,即人工智能能够显著驱动产业链韧性提升,而产业链韧性提升也会为人工智能应用和发展提供保障。因此,为规避内生性问题对估计结果可能造成的影响,参考陈志等[32]的研究,采用核心解释变量人工智能滞后一期(L.AI)作为工具变量进行最小二乘法(2SLS)回归。这是因为上一年人工智能水平会影响当年人工智能水平,但当年产业链韧性水平不会影响上一年人工智能水平。表6结果显示,在排他性检验中,一阶段值远大于10,表明工具变量有效;Kleibergen-Paap rk LM统计量P值为0.000,拒绝工具变量不可识别的原假设;Anderson-Robin Wald test检验中统计量的值为0.000,表明工具变量可有效替代内生变量;Cragg-Donald Wald F统计量以及Kleibergen-Paap rk LM F统计量均超过Stock-Yogo检验10%水平的临界值16.38,拒绝工具变量为弱工具变量的原假设;Hansen J统计量为0.000,表明不存在过度识别问题。因此,本文选取的工具变量有效。而且,无论是工具变量L.AI系数还是人工智能AI系数均在1%水平上显著为正,表明上述回归结果稳健。

3.2 中介效应检验

3.2.1 两步法检验

参考江艇(2022)提出的中介效应检验方法,进一步验证技术创新和居民消费在人工智能驱动产业链韧性提升过程中的中介作用,对方程(2)和(3)进行回归分析。

首先,对方程(2)进行回归分析,结果见表7列(2)。人工智能系数在1%水平上显著为正,表明人工智能会促进技术创新,进而驱动产业链韧性提升,假设H2a得到验证。这表明,技术创新是破解关键领域“卡脖子”问题的核心要素,是推动产业链可持续发展与韧性提升的重要驱动力。其次,对方程(3)进行回归分析,结果见表7列(3)。人工智能系数在1%水平上显著为正,表明人工智能会拉动居民消费,进而驱动产业链韧性提升,假设H2b得到验证。这是因为随着消费者消费水平提升和对产品质量要求的提高,产业链各环节逐渐以满足消费偏好为导向,推出更受欢迎的产品和服务,从而增强产业链韧性。

3.2.2 三步法检验

进一步,借鉴Baron &Kenny(1986)以及温忠麟等(2004)提出的中介效应检验三步法,在方程(2)(3)的基础上进行第三步检验,即对方程(4)进行回归分析,结果见表7列(4)。人工智能、技术创新和居民消费系数均在1%水平上显著为正,表明技术创新、居民消费具有部分中介效应。即人工智能通过促进技术创新和拉动居民消费增长进而驱动产业链韧性提升,假设H2a、H2b得到验证。

为确保研究结果的稳健性,采用Bootstrap进行检验,将抽样次数设置为5 000次。可以看出,无论哪种中介传导机制,Bootstrap检验中直接效应和间接效应95%置信区间均不包含0,且通过1%水平显著性检验,Sobel检验结果与Bootstrap检验结果一致,表明中介效应回归结果稳健(见表8)。

3.3 空间效应检验

3.3.1 人工智能与产业链韧性提升时空演变

为更直观地展示各地区人工智能与产业链韧性发展差异和时空演变情况,本文绘制时空演变图。

(1)时序演变特征。图2和图3展示了基于熵值法测算的2011—2023中国30个省份人工智能与产业链韧性平均测算值演变趋势。可以看出,人工智能实现飞跃式增长,从2011年的0.043跃升至2023年的0.168,增幅高达290.698%;产业链韧性也呈现出稳健上升趋势,从2011年的0.115稳步提升至2023年的0.241,实现了109.565%的增长。可以看出,2011—2023年我国在人工智能应用和发展以及产业链韧性提升方面均取得显著进步,表明我国在推动科技创新与产业升级方面成效显著,形成人工智能与产业链韧性提升均衡发展的良好态势。

(2)空间格局演变特征。图4和图5分别展示2011—2023中国30个省份人工智能与产业链韧性的空间演变情况。由图4可知,2011年北京、上海、江苏和广东处于领先地位,随后是天津、辽宁、山东和浙江;到2023年,北京、江苏、上海、浙江和广东依然保持在前列,天津、山东、河南、安徽、湖北、湖南、江西和四川紧随其后。由图5可知,2011年北京、上海和广东产业链韧性水平为最高梯队,天津、江苏、浙江和山东次之;2023年,北京、上海和广东依然保持领先地位,同时天津、山东、江苏、浙江、福建、安徽、湖北、重庆、湖南和海南快速发展。从总体发展趋势看,虽然2011—2023年我国各地区人工智能和产业链韧性提升取得显著进步,但不同区域之间在经济发展水平、科技资源分布、政策支持力度以及人才吸引力等方面存在显著差异,导致区域发展不平衡。具体表现为:华东和华南地区持续保持领先优势,华中、华北和西南地区展现出强劲发展态势,东北和西北地区增速相对缓慢。这种差异形成东部引领、中部崛起、西部追赶的区域发展格局。

3.3.2 空间自相关性分析

通过上述分析可知,人工智能和产业链韧性提升表现出显著的空间分布差异特征,因此本文从空间视角出发,验证人工智能与产业链韧性之间是否存在空间相关性。采用全局莫兰指数(Global Moran′s I)进行检验,计算公式如下:

(7)

其中,S2表示样本方差,表示样本均值,Xi、Xj表示第i个地区和第j个地区的观测值,m代表地区数,在本文中代表30个省份,W为空间权重矩阵。

表9结果显示,在2011—2023年观测期内,产业链韧性与人工智能Moran′s I的指数均通过1%水平的显著性检验,表明各地区产业链韧性提升与人工智能应用和发展并非孤立现象,而是受到邻近地区的影响,体现出显著的全局空间相关性和空间依赖性。因此,有必要进行空间效应检验。

3.3.3 空间模型相关检验

上述检验结果表明,人工智能和产业链韧性存在显著空间相关性,因此通过相关检验确定最优空间计量模型,结果如表10所示。在LM检验中,各项值至少通过5%水平显著性检验,故拒绝不存在空间误差效应和空间滞后效应的原假设,初步选择包含两种效应的空间杜宾模型;LR检验和Wald检验结果均通过1%水平显著性检验,因此拒绝空间杜宾模型可以退化为空间误差模型和空间滞后模型的原假设;Husman检验结果显示,拒绝随机效应优于固定效应的原假设。因此,本文最终选取双向固定效应空间杜宾模型进行后续分析。

3.3.4 空间溢出效应分析

(1)空间模型回归结果。为验证人工智能在驱动产业链韧性提升过程中是否存在空间溢出效应,对方程(6)进行回归分析,结果如表11列(1)所示。人工智能系数在1%水平上显著为正,表明本地区人工智能应用和发展能显著驱动本地区产业链韧性水平提升。更为重要的是,人工智能空间滞后系数在1%水平上显著为正,表明人工智能在驱动产业链韧性提升过程中具有显著正向空间溢出效应,即本地区人工智能应用和发展水平越高,不仅会驱动本地区产业链韧性提升,还会带动周边地区产业链韧性提升,假设H3得到验证。同时,产业链韧性空间自回归系数通过1%水平显著性检验,表明产业链韧性具有显著空间依赖特征,即本地区产业链韧性水平变化会影响周边地区产业链韧性水平。可见,在我国人工智能影响产业链韧性空间溢出效应中,正向溢出效应大于负向溢出效应。

为验证上述回归结果的稳健性,借鉴马晓君等(2022)的研究方法,采用经济距离空间权重矩阵W1、反距离空间权重矩阵W2、反距离平方空间权重矩阵W3作为空间权重矩阵再次进行回归分析,结果如表11列(2)～(4)所示。在不同权重矩阵下,人工智能系数及其空间滞后项系数在方向及显著性上均保持一致,验证了空间模型回归结果的稳健性。

(2)空间效应分解结果。为探究人工智能空间溢出的边际效应,运用偏微分法将模型的空间效应进一步分解为直接效应、间接效应和总效应。其中,直接效应指本地区人工智能对本地区产业链韧性的直接贡献;间接效应指本地区人工智能对邻近地区产业链韧性的影响,即溢出效应;总效应为直接效应和间接效应的和,反映人工智能对产业链韧性的整体影响。表12结果显示,在上述4种不同权重矩阵(W4、W1、W2、W3)作用下分解出的直接效应、间接效应和总效应中,人工智能系数均在1%水平上显著为正,表明人工智能具有显著的正向空间溢出效应,即人工智能不仅可以推动本地区产业链韧性提升,还能积极带动周边地区产业链韧性提升,验证了空间效应分解结果的稳健性,假设H3再次得到验证。而且,无论在哪种权重矩阵的作用下,人工智能对产业链韧性提升的间接效应系数均小于直接效应系数。这说明,人工智能能够带动周边地区产业链韧性提升,且其作用强度小于对本地区产业链韧性的直接促进作用。

4 结语

4.1 研究结论

本文基于人工智能影响产业链韧性提升的理论分析,使用2011—2023年中国30个省份面板数据,实证检验人工智能对产业链韧性的影响效应及传导机制,得出以下结论:

(1)人工智能能够提升产业链韧性。人工智能借助数据驱动性、系统智能化和广泛渗透性特点,可从多方面增强产业链稳固性、抵抗力、恢复力、可持续性和引领力,从而不断驱动产业链韧性提升。

(2)技术创新和居民消费在人工智能驱动产业链韧性提升过程中发挥部分中介效应。产业链韧性会受到供需双侧的影响,其中供给侧技术进步和需求侧消费起重要作用,人工智能会通过促进技术创新和拉动居民消费增长提升产业链韧性。

(3)人工智能在提升产业链韧性过程中具有显著空间溢出效应,且正向空间溢出效应占据主导地位,对本地区产业链韧性的直接促进作用大于跨区域间接溢出效应。

4.2 理论贡献

(1)虽然学界对驱动产业链韧性提升进行积极探讨,但相关研究仍处于起步阶段,且多聚焦于技术创新这一供给侧视角,忽视了需求侧的作用。本文在深化人工智能与产业链韧性关系研究的基础上,突破传统单一视角,同时引入供给侧的技术创新以及需求侧的居民消费,结合理论分析与实证检验,系统分析人工智能影响产业链韧性的传导路径,有效弥补了现有研究的不足,实现供需联动的理论整合。

(2)人工智能应用和发展往往会推动生产要素跨区域流动,在影响本地区产业链韧性的同时,还会产生跨越地理边界的影响效应即溢出效应,而这种效应常被忽视。本文引入空间视角,系统探讨人工智能对邻近地区产业链韧性的溢出效应,揭示其空间依赖性与辐射作用,构建人工智能影响产业链韧性的理论模型,深化了人工智能理论内涵。

4.3 管理启示

(1)充分重视人工智能对产业链韧性提升的驱动作用。制定“人工智能+产业链”专项支持政策,确保政策有效实施并取得实际成效,为产业链智能化升级提供制度保障;设立“人工智能赋能产业链”专项基金,重点资助智能产业链算法研发、风险预警系统建设等关键领域,为智能产业链发展提供必要资金支持;强化智能产业链基础设施建设,加速人工智能在产业链各环节的渗透应用,为人工智能与产业链深度融合筑牢基础,推动产业链实现智能化转型与韧性提升。

(2)健全人工智能促进技术创新进而驱动产业链韧性提升的传导路径。充分利用人工智能在机器学习与大数据分析领域的优势,通过数据驱动、算法优化和智能化工具应用等,降低科研成本,推动创新资源协同与共享,拓宽技术创新空间,着力突破关键技术创新瓶颈;加速推动技术创新成果在产业链中的转化和应用,如智能装备、工业软件等创新研发成果应用,促进产业链从传统模式向技术密集型方向转变,增强其适应性和竞争力,从而不断畅通人工智能推动技术创新进而赋能产业链韧性提升的传导路径。

(3)畅通人工智能拉动居民消费进而驱动产业链韧性提升的传导路径。充分发挥人工智能在促进消费方面的作用,打造智能大数据分析平台,实时监测消费变化趋势,推动线上线下消费融合,鼓励发展智能家居、智能客服、VR和AR技术,提高消费者信心和体验,有效拉动居民消费。在这一过程中,信息快速传递使得产业能够精准捕捉市场需求变化,因此应提升市场响应速度和抗风险能力,最终形成“智能推进—消费赋能—产业链韧性提升”的可持续传导机制。

(4)充分发挥人工智能的空间溢出效应,促进区域产业链韧性实现协调发展。现阶段,我国人工智能与产业链韧性发展呈现出显著区域空间差异,东部地区较强而中西部地区较弱。为此,应充分发挥东部地区的引领作用,发挥人工智能技术溢出效应,正向辐射带动中西部地区产业链韧性提升,并通过技术扩散和人才交流,推动产业链跨区域合作与交流,实现优势互补,形成我国区域产业链韧性协同提升的发展态势。

4.4 不足与展望

本文存在如下不足:首先,在机制讨论方面,探讨技术创新和居民消费在人工智能驱动产业链韧性提升中的中介效应,未来可进一步探索其它未被揭示的传导机制,以更全面地揭示人工智能对产业链韧性的影响路径;其次,不同地区或产业差异可能导致人工智能对产业链韧性的影响存在异质性,未来可进一步探讨人工智能对产业链韧性的区域影响,并提出更具有针对性的对策措施。

参考文献：

[1] 王进富,李婷婷,张颖颖. 链主企业生态主导力提升产业链韧性路径研究——以比亚迪和中国新能源汽车产业链为例 [J]. 科技进步与对策, 2024, 41(21): 151-160.

[2] 潘欣欣,周洪勤. 产业协同集聚与产业链韧性:影响机理与政策启示[J]. 商业研究, 2024,67(4): 45-56.

[3] 李玉梅,许晗,宋玉茹,等. 数字经济与产业链韧性提升:机制、难点与对策[J].科学管理研究, 2024, 42(2): 64-72.

[4] 郑丽娜,蒲青江,张左敏暘. 数字经济对产业链韧性的影响研究[J]. 科学决策, 2024,31(11): 47-62.

[5] ZHANG P,BIAN S,JU S. Manufacturing industrial chain and supply chain resilience in the Yangtze river economic belt: evaluation and enhancement under digitalization and greening [J]. Sustainability, 2025, 17(9): 3768.

[6] 卫彦琦. 数字金融对产业链韧性的影响[J]. 中国流通经济, 2023, 37(1): 71-82.

[7] HU L,CHEN F,ZHAO R. Does digital inclusive finance increase industry chain resilience in China[J]. Sustainability, 2024, 16(14): 6028.

[8] 史歌,任保平. 实体经济与数字经济深度融合如何提升产业链韧性[J]. 学习与实践, 2025,42(1): 20-31.

[9] 张广乐,李海涛. 创新驱动政策能否增强产业链供应链韧性——来自国家创新型城市试点政策的经验证据[J]. 商业研究, 2025,68(1): 29-37.

[10] LI G,CHENG Y,CHEN Y, et al. Can the synergy of digitalization and greening boost manufacturing industry chain resilience? evidence from China′s provincial panel data[J]. Sustainability, 2024, 16(22): 9866.

[11] 李红锦,戎芳毅,李胜会. 链长制提升产业链韧性的机理与成效研究——以人工智能产业链为例[J]. 统计研究, 2025, 42(4): 63-73.

[12] 吕越,张杰. 人工智能与产业链韧性提升[J]. 西安交通大学学报(社会科学版), 2024, 44(2): 29-38.

[13] 徐红丹,王玖河. 人工智能如何赋能企业新质生产力[J]. 科技进步与对策, 2025, 42(7): 1-8.

[14] 胡俊,杜传忠.人工智能推动产业转型升级的机制、路径及对策[J].经济纵横, 2020,36(3): 94-101.

[15] 李金城. 工业智能化的产业链韧性提升效应:理论机制与经验证据[J]. 改革, 2024,37(7): 80-94.

[16] 陈伟,邓堯,杨柏,等. 人工智能能否赋能区域技术创新——创新环境的中介效应[J].科技进步与对策,2024,41(10):57-66.

[17] 张莉,陈凯,李汉君. 数字经济赋能制造业产业链韧性:多维机制与空间溢出[J].江西财经大学学报, 2025,25(1): 35-47.

[18] WU M,LIU W,ZHANG R, et al. Spatiotemporal impacts of scientific and technological innovation and industry chain resilience on ecological efficiency:evidence from 284 Chinese cities[J]. Journal of Environmental Management, 2025, 384:125532.

[19] 丁建勋,罗润东.人工智能发展有利于我国居民消费扩容吗[J]. 贵州财经大学学报, 2023,41(3): 18-28.

[20] 丁仕潮,魏引娣,桂代运.数字经济、居民消费与产业链韧性[J].统计与决策, 2024, 40(24): 107-111.

[21] 李霞,涂涛涛,雷泽奎.人工智能与中国要素报酬分配——基于GTAP模型的分析[J].中国科技论坛, 2020,36(9): 133-144.

[22] ACEMOGLU D, RESTREPO P. Artificial intelligence, automation and work[R]. NBER Working Paper, 2018.

[23] 齐红倩,张佳馨. 共同富裕进程中先富地区消费增长的空间溢出效应[J].西安交通大学学报(社会科学版), 2022, 42(4): 10-22.

[24] 马晓君,李艺婵,傅治,等. 空间效应视角下数字经济对产业结构升级的影响[J]. 统计与信息论坛, 2022, 37(11): 14-25.

[25] HOLLING C S. Resilience and stability of ecological systems[J].Annual Review of Ecology and Systematics, 1973,4(1): 1-23.

[26] 谷城,张树山. 产业链韧性水平测度、区域差异及收敛性研究[J]. 经济问题探索, 2023,44(6): 123-139.

[27] 郭庆然,容雷博. 环境规制对中国区域产业链韧性的影响——基于产业结构升级的调节效应[J].生态经济, 2025, 41(7): 145-156,175.

[28] 徐维祥,牟雅倩,周建平,等. 人工智能技术创新对产业链现代化的影响效应及作用机制[J]. 科技进步与对策, 2025, 42(13): 14-24.

[29] 谢家智,何雯妤.现代产业链韧性评价及提升路径[J].统计与信息论坛,2024,39(2):15-28.

[30] 孙博,陈艳. 数字金融、新质生产力与产业链韧性 [J]. 统计与决策, 2025, 41(12): 18-23.

[31] 姚莉,陆艳子,李奇璘.人工智能对高技术产业韧性的影响研究[J].上海对外经贸大学学报, 2025, 32(3): 43-58.

[32] 陈志,程承坪,陈安琪.人工智能促进中国高质量就业研究[J]. 经济问题, 2022,44(9): 41-51.

[33] 顾国达,马文景.人工智能综合发展指数的构建及应用[J].数量经济技术经济研究,2021,38(1):117-134.

[34] 王浩,韩雅轩,韩丁.数字经济对产业链韧性的空间效应研究——来自中国283个地级市的经验证据[J]. 物流科技, 2025, 48(12): 93-99.

[35] 陈强远,张醒,汪德华.中国技术创新激励政策设计:高质量发展视角[J]. 经济研究, 2022, 57(10): 52-68.

[36] 芦婷婷,祝志勇.人工智能对劳动收入份额影响的空间溢出效应——基于静态空间杜宾模型和动态空间杜宾模型的分析[J]. 经济问题探索, 2022,43(5): 65-78.

(责任编辑：王敬敏)