马克集数摘要
增强供应链稳定性和韧性关乎新质生产力的释放和价值实现, 是统筹发展与安全的必然要求。综合上市公司数据和全国企业税收调查数据，在创新性构建供应链波动测度指标的基础上，考察了企业人工智能应用对供应链波动的影响，研究发现：人工智能，尤其是具有通用人工智能潜力的人工智能，能够有效降低企业的供应商波动和客户波动，提高了供应链稳定性。机制检验表明，人工智能应用不仅有助于缓解被上下游“卡脖子”问题，推动供应链多元化突破，还畅通了供应链信息流，升级了供应链实物流，进而发挥了“稳链”效应。异质性检验发现，人工智能“稳链”效应在对跨边界创新需求强、面临的供需变化不确定性高、机器人嵌入潜力大的企业中更显著，说明“稳链”效应与人工智能独特的自适应能力、预测能力以及智能实体应用有关。进一步研究发现，人工智能应用缓释了外部供应链冲击引致的供应链剧烈波动，增强了供应链韧性。最后，人工智能主要抑制了供应链过度波动，而不会使供应链陷入僵化困境。本文为深入推进“人工智能+”供应链行动提供了理论支撑，更为加快构建新安全格局和培育新质生产力提供了重要政策启示。
关键词： 人工智能；稳链；供应链波动；供应链韧性
一、论文选题背景和意义
论文立足“供应链稳定性与韧性”这一国家战略重点，指出近年来内外部环境冲击加剧，供应链延误与中断风险上升。作为前沿数智技术，人工智能具备自适应与预测等优势，有望通过多元化突破、畅通信息流、升级实物流来降低供应链波动。论文据此提出核心问题：企业人工智能应用能否显著提升供应链稳定性并增强韧性。
小结： 本部分明确研究缘起与现实意义，聚焦“人工智能”“稳链”“供应链波动”“供应链韧性”四个关键词，奠定研究主线。
二、论文主要内容
研究问题与假设。 论文检验人工智能应用对供应商波动与客户波动的影响，并提出三条机制：多元化突破效应（缓解“卡脖子”、促进供应与市场多元化）、信息流畅通效应（减轻牛鞭效应与供应风险）、实物流升级效应（降本增效）。
主要发现。 基准回归表明，人工智能应用显著降低供应商与客户波动；技术异质性显示具有通用潜力（AGI导向）的人工智能稳链作用更强。机制检验证实：人工智能提升跨边界创新能力并促进供应/市场多元化；降低牛鞭效应与供应风险；缩短存货周转天数并显著降低运输与物流辅助服务成本。异质性方面，稳链效应在跨边界创新需求强、供需不确定性高、机器人嵌入潜力大的企业中更显著。进一步研究显示，人工智能在公共卫生事件等外部冲击下能缓释供应链剧烈波动，体现韧性提升；且主要抑制“过度波动”，不会导致供应链僵化错失机会。
小结： 本部分概括核心证据：人工智能显著稳链，并通过“多元化—信息流—实物流”三机制发挥作用，突出“人工智能稳链效应”。
三、论文实证设计
数据来源与样本。
- 上市公司财务数据：A股上市公司，2009–2022年；剔除金融业、ST、重大并购重组及关键数据缺失样本。
- 供应链数据：上市公司前五大客户与供应商名称及交易额，2008–2022年，用于构造年度供应商波动与客户波动。
- 税收调查数据：全国企业税收调查（2008–2016年），包含物流成本等独特指标；与上市公司数据按企业名称匹配。
- 文本与字典：收集2001–2023年招股意向书/说明书文本训练语料；构建包含170词的人工智能词典（参考文献与政策高频词，并用Word2Vec扩展）。
- 其他：专利数据来自国家知识产权局；人工智能政策文件来自北大法宝；其余来自CSMAR。连续变量在上下1%缩尾处理。
变量与测度。
- 因变量：供应链波动（SCV）含供应商波动SCV_S与客户波动SCV_C；综合考虑“合作伙伴更替”与“交易份额变化”，在前五大口径下按上下界均值构造。
- 自变量：人工智能水平（AIL），以年报人工智能关键词词频（加1取对数）衡量；稳健性用人工智能专利申请数量替代；并区分ANI/AGI两类词频。
- 机制变量：跨边界创新（NewPat，进入新技术领域专利数）、供应/市场多元化（Conc_S/Conc_C，前五大占比反向）、牛鞭效应（企业AR与上下游Bullwhip）、供应风险（Inventory与文本指标SR）、实物流效率与成本（Days、Logi_Cost1/2）。
- 控制变量：Lev、Size、ROA、Grow、TA、TFP、Confident，以及Change_add、Change_sta等。
模型设定与识别。
- 基准模型：以SCV_S、SCV_C（t+1）为被解释变量，回归于AIL与控制变量，纳入企业、年份、行业、地区等多重固定效应。
- 内生性处理：构造Bartik×Lewbel思路的工具变量与“1984年每百万人口邮局数×全国上年网民数量”的IV；并实施Heckman两阶段、行业—年份/省份—年份固定效应。
- 准自然实验：交错DID检验与公共卫生事件冲击三重交互以识别韧性效应；并检验“过度波动/波动不足”以评估是否出现供应链僵化。
小结： 本部分交代了数据来源、变量与模型设置，凸显基于上市公司与税调数据的“人工智能—稳链”可检验框架。
变量说明表格
| 变量名称 | 变量说明 |
|---|---|
| SCV_S | 供应商波动：前五大供应商交易份额变化与更替综合指标 |
| SCV_C | 客户波动：前五大客户交易份额变化与更替综合指标 |
| AIL | 人工智能水平：年报AI关键词词频（加1取对数） |
| AIL_AGI | 通用潜力AI词频指标 |
| AIL_ANI | 狭义任务AI词频指标 |
| NewPat | 跨边界创新：当年在新技术领域的专利申请数（对数） |
| Conc_S | 供应多元化反向指标：前五大供应商采购占比 |
| Conc_C | 市场多元化反向指标：前五大客户销售占比 |
| AR | 企业层面牛鞭效应度量：生产量波动/需求量波动 |
| Bullwhip | 供应链对间牛鞭效应：焦点企业AR/客户企业AR |
| Inventory | 存货水平/主营业务收入，用于表征供应风险 |
| SR | 文本法供应风险指标：供应词与风险词共现频率标准化 |
| Days | 存货周转天数 |
| Logi_Cost1 | 外购货物运输费用/主营业务收入 |
| Logi_Cost2 | 外购物流辅助服务支出/主营业务收入 |
| Lev, Size, ROA, Grow, TA, TFP, Confident | 财务与治理等控制变量 |
| Change_add, Change_sta | 搬迁与战略变革指示变量 |
| Treat, Post | 冲击处理组与事后期指示（DID/三重交互使用） |
小结： 本部分强调“数据来源—变量测度—识别策略”的完整链条，突出以人工智能为核心解释、以供应链波动与韧性为结果变量的可操作性设计。
四、论文结论与政策建议
结论。 企业人工智能应用显著降低供应商与客户波动，具有更强通用潜力的AI稳链效果更显著；人工智能通过提升跨边界创新、畅通信息流与优化实物流发挥稳链作用；在公共卫生事件等冲击下，人工智能能缓释波动、增强供应链韧性；其抑制的是“过度波动”，不会导致供应链僵化。
政策建议。 推进“人工智能+供应链”行动，鼓励AGI潜力技术在供应链协同中的应用；完善数据要素供给与多源融合，建设智能物流基础设施；针对不同行业与地区的供需不确定性与机器人嵌入潜力实施差异化政策，引导企业构建多元化、韧性的供应链网络。
小结： 本部分凝练“人工智能稳链效应”的实证结论与政策含义，强调以AI提升供应链稳定性与韧性。
五、边际贡献与未来拓展
边际贡献。 （1）构建同时覆盖“伙伴更替+份额变化”的供应链波动新指标；（2）在数智技术文献中突出人工智能区别于IoT/大数据/云计算的稳链作用路径；（3）从跨边界创新、信息流与实物流三个维度剖析机制；（4）基于外部冲击的情景化检验，直接刻画供应链韧性。
未来拓展。 论文未明确提出具体的未来研究方向。
小结： 本部分总结论文在“人工智能—稳链—韧性”上的创新点，并如实说明未来拓展信息。