数字基础设施能否预测区域创新能力?基于机器学习与SHAP解释框架的证据

《Sustainability》:Can Digital Infrastructure Predict Regional Innovation Capacity? Evidence Based on Machine Learning and the SHAP Explanatory Framework

【字体: 大 中 小 】 时间:2026年07月15日 来源:Sustainability 4.1

编辑推荐:

  数字基础设施是促进区域创新和实现可持续发展的关键基础。然而,现有研究主要关注其影响效应,而对数字基础设施能否有效识别区域创新水平的未来变化关注有限。本研究利用2011–2023年中国30个省份的面板数据,构建了综合数字基础设施指数(Digital),并整合XG

  
数字基础设施是促进区域创新和实现可持续发展的关键基础。然而,现有研究主要关注其影响效应,而对数字基础设施能否有效识别区域创新水平的未来变化关注有限。本研究利用2011–2023年中国30个省份的面板数据,构建了综合数字基础设施指数(Digital),并整合XGBoost和SHAP(Shapley Additive Explanations)方法评估数字基础设施对区域创新的预测能力。结果表明,数字基础设施提高了区域创新的预测准确性,并在不同模型和稳健性检验中保持高重要性。进一步分析揭示了其预测贡献中存在显著的非线性和异质性特征,在中西部区域、数字基础设施发展水平相对较低的区域以及研发投资(R&D)较高的区域效应更强。这些发现表明,加强数字基础设施的建设与应用可以提升区域创新治理能力,为促进区域协调创新和可持续发展提供有价值的见解。
在数字经济迅猛发展的背景下,数字基础设施(Digital Infrastructure)被视为促进区域创新和实现可持续发展(Sustainable Development)的关键基石。然而,既有文献多集中于数字基础设施对区域创新的影响效应,而对数字基础设施能否有效预测区域创新能力未来变动的关注不足。传统研究方法如面板回归和空间计量主要关注因果识别,难以捕捉变量间的复杂非线性关系。为弥补这一缺口,研究人员基于2011–2023年中国30个省份(不含西藏、港澳台)的面板数据,构建了涵盖长距离光缆密度(LDOCD)、宽带接入率(BAR)、移动电话交换机容量(MPEC)、人均计算机数(PC)、域名数(DOM)、网页数(WEB)、移动电话普及率(MPPR)和互联网普及率(IPR)八个指标的数字基础设施评价体系,采用熵权法(Entropy Weight Method)合成综合数字基础设施指数(Digital)。研究人员整合XGBoost、随机森林(Random Forest, RF)、LightGBM等机器学习模型,结合SHAP(Shapley Additive Explanations)解释性框架,从预测视角评估数字基础设施对区域创新能力(以专利授权数自然对数ln INN衡量)的预测能力。研究基于时间顺序划分训练集(2011–2021)、验证集(2022)和测试集(2023),利用决定系数R2、均方根误差RMSE、平均绝对误差MAE和平均绝对百分比误差MAPE评价模型性能。结果发现,数字基础设施显著提高了区域创新预测精度,XGBoost模型表现最优(R2=0.903);在所有模型中,Digital指数的SHAP值始终排名第三,其预测重要性高于人力资本、对外开放等传统变量。数字基础设施各细分指标的预测贡献呈现明显非线性特征:当LDOCD、BAR等指标低于样本均值时SHAP值为负,超过阈值后快速上升并转正,但在高值区域边际贡献趋于平缓。稳健性检验(模型替换为决策树、支持向量回归SVR、反向传播神经网络BP;1%和99%缩尾处理;剔除京沪津渝直辖市;滚动窗口验证)均支持上述结论。异质性分析表明,Digital指数对中国中西部区域(SHAP=0.458,排名第二)、低数字基础设施发展水平区域(SHAP=0.454,排名第二)以及高研发强度(RD)区域(SHAP=0.341,排名第一)的预测贡献更为突出。研究发表在《Sustainability》期刊,揭示了数字基础设施作为区域创新预测器的重要价值,为促进区域协调创新与可持续发展提供了政策启示。

**关键技术方法概述**
研究人员主要采用以下关键技术方法:(1)**熵权法**:用于客观确定数字基础设施各指标的权重,合成综合Digital指数,避免主观偏差。(2)**XGBoost**(极端梯度提升树):作为核心预测模型,通过梯度提升和正则化机制实现对高维数据的非线性拟合,在结构化数据回归任务中表现优异。(3)**随机森林**和**LightGBM**:作为对比模型,分别基于集成学习和轻量梯度提升,用于验证预测结果的跨模型稳定性。(4)**SHAP解释性框架**:基于Shapley值理论,量化各特征对模型预测的平均边际贡献,识别关键预测因子并揭示非线性关联模式。样本数据来源于《中国能源统计年鉴》《中国统计年鉴》及各省市统计年鉴,涵盖中国30个省份2011–2023年共390个观测值(缺失值采用线性插值填补)。

**研究结果**

**3.1 模型预测结果**
通过比较包含全部预测变量和剔除Digital指数的模型,研究发现剔除Digital后所有模型的R2下降0.013–0.031,RMSE、MAE和MAPE均上升。在三个树模型中,XGBoost获得最优预测性能(R2=0.903,RMSE=0.374,MAE=0.267,MAPE=2.53%),其梯度提升结构和正则化机制解释了这一优势。结果验证了数字基础设施能提供额外预测信息,显著提升模型解释力与预测精度。

**3.2 模型可解释性分析**
**3.2.1 全局SHAP分析**
基于XGBoost、RF和LightGBM三个模型的SHAP值排序,政府干预(GI)和研发强度(RD)是预测区域创新能力最重要的两个变量(SHAP值显著高于其余变量),Digital指数在三个模型中均稳定排名第三(XGBoost中SHAP=0.293,RF中SHAP=0.225,LightGBM中SHAP=0.382)。变量重要性呈现分层结构:第一层为GI、RD、Digital;第二层为人力资本(HC)、产业结构(PSI)、开放度(LOU);第三层为城镇化率(URB)和金融发展(FD)。

**3.2.2 个体指标预测效应分析**
为识别各数字基础设施指标的预测贡献,研究人员为8个原始指标分别构建XGBoost预测模型,并对贡献排名前五的指标绘制SHAP依赖图:(A)**数字基础设施建设**:LDOCD和BAR均呈现非线性递增模式。当LDOCD低于0.19时SHAP多负,高于均值后转正并快速上升;BAR低于0.40时SHAP为负,接近均值(0.53)后转正,但超过0.65后上升趋缓,显示边际递减。(B)**数字基础设施应用**:DOM、MPPR和IPR均呈非线性正增长。DOM低于均值(0.023)时为负,超过0.63后稳定;MPPR低于均值时负,超过104.57后上升放缓;IPR低于0.38时负,超过后维持高正值,且IPR的SHAP值整体高于DOM和MPPR,表明IPR在应用维度预测贡献最大。

**3.3 稳健性检验**
**3.3.1 模型替换**
分别采用决策树、SVR和BP神经网络进行预测。关键预测变量的识别保持稳定:RD、GI和Digital在决策树中仍为前三;SVR和BP中Digital均属第一层重要预测因子。Digital的积极预测效应在不同模型中均稳定存在,支持结果的跨模型鲁棒性。

**3.3.2 缩尾处理**
对连续变量进行1%和99%缩尾后重新估计XGBoost模型。模型预测表现基本不变(R2=0.910,RMSE=0.362,MAE=0.261,MAPE=2.480%),Digital的SHAP值仅变化2.7%,仍排名第三,表明极端值影响可忽略。

**3.3.3 剔除直辖市**
剔除北京、上海、天津、重庆样本后重新估计。模型预测性能稳定(R2=0.934,RMSE=0.316,MAE=0.223,MAPE=2.146%),Digital的SHAP值变化9.5%,排名第三。说明直辖市并非驱动结果的关键样本。

**3.3.4 滚动窗口验证**
以2011–2018年为初始训练集,逐年扩展窗口预测2019–2023年共5个窗口。模型平均R2为0.871,Digital平均SHAP值为0.307,始终排名前三且波动微小。结论表明Digital的预测贡献不依赖特定样本时期,具有跨期稳定性。

**3.4 进一步分析**
**3.4.1 区域异质性**
将样本分为东部和中西部两个子样本。Digital在中西部区域的SHAP值(0.458,排名第二)显著高于东部(0.172,排名第三),说明数字基础设施对中西部区域创新能力预测力更强,加大中西部数字投资可能产生更高创新回报。

**3.4.2 数字基础设施水平异质性**
按Digital中位数将样本分为高、低两组。在低Digital组,Digital的SHAP值(0.454,排名第二)高于高Digital组(0.180,排名第四),表明在数字化早期阶段其预测贡献更突出,优先支持弱数字区域可能带来更大创新能力提升。

**3.4.3 R&D强度异质性**
按RD中位数划分高、低两组。在高RD组,Digital的SHAP值(0.341)排名第一,成为最强预测因子;在低RD组排名第三(0.384),说明数字基础设施在高研发投入区域可与其产生协同效应,在低研发投入区域则可部分弥补研发资源不足。

**讨论与结论**
讨论部分指出,机器学习方法(如XGBoost)相比传统计量模型更能捕捉数字基础设施与区域创新能力之间的非线性关联和阶段依赖性,例如互联网普及率、宽带接入率等指标在未达阈值时贡献为负,超过后迅速转正,高值区域边际贡献稳定。数字基础设施的预测贡献呈现显著区域和阶段异质性:中西部、低数字化水平和研发密集区域中Digital的SHAP值更高,这与既有文献中关于数字基础设施异质性影响的发现一致。本研究的局限性包括:仅揭示预测关联而非因果机制;数据限于省级层面,无法刻画城市或企业微观特征;创新测度仅用专利授权数,未涵盖创新质量指标;数字基础设施测度因数据可得性仅包含网络建设和应用层面,未纳入数据中心、云计算等新兴设施。未来可结合空间计量、因果推断及微观数据深化研究。

研究结论部分翻译如下:(a)综合Digital指数有助于预测区域创新能力,其预测能力强于人力资本、对外开放等常用外部环境特征。在数字基础设施指标中,长距离光缆密度(LDOCD)、宽带接入率(BAR)、域名数(DOM)、移动电话普及率(MPPR)和互联网普及率(IPR)在预测区域创新能力方面比其他指标更重要。(b)与东部地区相比,Digital指数对中西部区域创新能力的预测力更强;与数字基础设施发展水平较高的区域相比,Digital指数在发展水平较低的区域预测力更强;与研发强度较低的区域相比,Digital指数在研发强度较高的区域预测力更强。(c)以往研究主要关注数字基础设施与区域创新能力的线性关系,而本研究中,对预测目标取对数后,模型拟合度和解释变量的重要性均得到改善。因此,R2和SHAP值受解释变量与被解释变量数值形式的影响。总体而言,研究结果凸显了数字基础设施作为创新驱动增长、区域韧性和可持续发展赋能因素的战略重要性,尤其是在欠发达区域。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号