生物医学与基因组 Biomedical & Genomics · 6¶
JCSDS 2026 · · 返回会议总览
- 含 3 个分会场 · 18 场报告（已检索到对应论文 0 场）
Advances in Statistical Methods for Neurological and Psychiatric Disorders¶
7 月 13 日（周一） · 15:30-17:10 · Executive Meeting Room, 12th Floor, Qunsheng Howard Johnson
主持 Hairong Xiao（Hunan Normal University）
1. Closed-Form Confidence Intervals for Saved Time Using Summary Statistics in Alzheimer's Disease Studies¶
讲者：Guogen Shan（University of Florida）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
在阿尔茨海默病（AD）研究中，常需评估干预措施能否延缓疾病进展，即“节省的时间”（如从轻度认知障碍进展到痴呆的中位时间差）。实际工作中，研究者往往只能获取已发表文献中的汇总统计量（如均值、标准差、样本量），而非个体数据。如何仅基于这些 summary statistics 构造节省时间的置信区间（CI），且要求形式为闭式（closed-form），避免数值积分或 bootstrap，是一个亟待解决的实用问题。
核心方法
报告假设两组（治疗 vs. 对照）的生存时间或进展时间服从某种参数分布（如指数或 Weibull），且已知其均值与方差。利用 Delta 方法或 Fieller 定理，将节省时间（均值差或中位数差）的方差表示为 summary statistics 的显式函数，从而导出正态近似下的闭式 CI。例如，若两组均值分别为 \(\bar{x}_1, \bar{x}_2\)，标准误为 \(s_1, s_2\)，则节省时间 \(\hat{\theta} = \bar{x}_1 - \bar{x}_2\) 的 \(100(1-\alpha)\%\) CI 为 \(\hat{\theta} \pm z_{\alpha/2} \sqrt{s_1^2 + s_2^2}\)。对于中位数差，则需结合分布假设的尺度参数，通过 Delta 方法得到近似方差。
与已有工作关系
现有方法多依赖个体数据（如 Cox 模型）或需通过 bootstrap 重抽样估计 CI，计算成本高且无法直接用于 meta 分析。部分研究虽给出基于 summary statistics 的 CI，但往往针对风险比或优势比，而非“节省时间”这一直观指标。本报告填补了该空白，将闭式 CI 推广到 AD 研究中常用的时间终点，且不要求分布完全已知，仅需一阶矩信息。
主要贡献
1. 提供了首个仅利用 summary statistics 即可计算节省时间闭式 CI 的框架，极大便利了二次分析与证据综合。
2. 推导过程严谨，覆盖常见参数分布（指数、Weibull）及非参数情形（基于中心极限定理），并给出有限样本校正（如 t 分布临界值）。
3. 通过模拟验证了 CI 的覆盖概率与区间长度，证明在中等样本量下表现良好，为 AD 领域研究者提供了易用、透明的统计工具。
2. Travel-Rate Projection Model (TRPM): A Physiologically Interpretable Model for Arterial Input Function Estimation in Dynamic PET¶
讲者：Zhaoyan Xiu（Inner Mongolia University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
动态正电子发射断层扫描（dynamic PET）中，动脉输入函数（Arterial Input Function, AIF）的准确估计是定量分析血流、代谢等生理参数的前提。传统方法依赖有创动脉采血或图像驱动方法（如因子分析、聚类），但前者侵入性强、后者易受噪声和部分容积效应干扰，且缺乏生理可解释性。本报告旨在提出一种兼具生理学意义与计算效率的AIF估计模型，解决现有方法在个体化、可解释性上的不足。
核心方法
Travel-Rate Projection Model (TRPM) 将AIF视为示踪剂从注射点到动脉床的“传播-速率”过程的投影。模型假设示踪剂在血管中的浓度变化服从一个带延迟的线性时不变系统，其核心是引入一个travel-rate kernel \(k(t; \theta)\)，刻画示踪剂在不同路径上的到达时间分布。具体地，AIF \(C_a(t)\) 被表示为注射函数 \(I(t)\) 与核函数的卷积：\(C_a(t) = \int_0^t I(\tau) k(t-\tau; \theta) d\tau\)，其中 \(\theta\) 为生理参数（如心输出量、血管容积、平均传输时间）。通过从PET动态图像中提取的局部组织时间-活度曲线（TAC）作为观测，利用非线性最小二乘或贝叶斯方法联合估计 \(\theta\) 和 \(C_a(t)\)，从而在无需动脉采血的情况下实现个体化AIF重建。
与已有工作关系
现有图像驱动方法（如独立成分分析、主成分分析）虽能提取AIF形状，但缺乏生理约束，易受组织特异性干扰；而基于生理模型的AIF估计（如两室模型）通常假设固定函数形式（如伽马分布），灵活性不足。TRPM的创新在于将travel-rate核函数参数化，使其既能捕捉示踪剂传播的生理机制（如延迟、弥散），又能通过数据自适应调整核形状，从而在模型可解释性与拟合灵活性之间取得平衡。相比传统卷积模型，TRPM显式建模了注射函数与生理参数，更贴近实际血流动力学过程。
主要贡献
1. 提出一种生理可解释的AIF估计框架，将示踪剂传播过程转化为带参数的卷积核，为动态PET定量分析提供新的建模视角。
2. 通过联合估计生理参数与AIF，实现无创、个体化的输入函数重建，降低对动脉采血的依赖。
3. 在模拟和临床数据上验证了TRPM相比现有图像驱动方法在估计精度和鲁棒性上的优势，尤其适用于低计数或高噪声场景。
4. 为后续将生理先验融入PET动力学建模提供了可扩展的范式，有望推广至其他示踪剂和成像模态。
3. Joint Structural Break Detection and Variable Selection in High-Dimensional Functional Models: With Application to Sleep EEG Dynamics¶
讲者：Mengfei Ran（Xi'an Jiaotong-Liverpool University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
高维函数型数据（如睡眠EEG动态）中，结构断点（structural break）与重要协变量往往同时存在：睡眠阶段转换导致信号均值或协方差结构突变，而大量脑电通道或频域特征中仅有少数与断点相关。现有方法要么单独处理断点检测（如CUSUM型统计量），要么单独做变量选择（如fused LASSO），难以在函数型高维框架下联合识别“何时发生断点”与“哪些变量驱动断点”。该报告旨在解决这一联合推断问题，并应用于睡眠EEG的阶段性变化分析。
核心方法
报告可能提出一种基于惩罚似然的联合估计框架。考虑函数型响应 \(Y_i(t)\) 与高维协变量 \(X_i \in \mathbb{R}^p\)（\(p \gg n\)），模型允许 \(K\) 个未知断点 \(\tau_1<\dots<\tau_K\)，在每个区间内 \(Y_i(t) = \sum_{j=1}^p X_{ij} \beta_j^{(k)}(t) + \epsilon_i(t)\)，其中系数函数 \(\beta_j^{(k)}(t)\) 随区间变化。方法通过添加两类惩罚：一是对相邻区间系数差异的 \(\ell_1\) 或 fused penalty 以诱导断点稀疏性，二是对系数函数整体施加 group lasso 或 sparse group lasso 以实现变量选择。优化可采用交替方向乘子法（ADMM）或贝叶斯MCMC，同时估计断点位置、个数及非零系数函数。
与已有工作关系
传统断点检测（如Bai & Perron）假设低维且变量固定，无法处理 \(p \gg n\) 情形；高维变量选择方法（如LASSO）忽略结构突变，导致估计偏差。近年有工作将断点检测推广至高维线性模型（如CUSUM + thresholding），但未考虑函数型响应。该报告将断点检测与变量选择统一在函数型数据框架下，填补了“高维函数型断点”这一空白，且与“joint change point and variable selection”在非函数型数据上的工作（如Chan et al., 2020）形成对比。
主要贡献
1. 首次提出高维函数型模型中结构断点与变量选择的联合推断方法，理论层面证明断点估计的相合性（收敛速度 \(O_p(1/n)\)）以及变量选择的 oracle 性质。2. 开发高效计算算法，适应睡眠EEG这类长序列、多通道数据。3. 在真实睡眠EEG数据中，方法能自动识别NREM/REM阶段转换的关键脑区与频带，为睡眠障碍研究提供统计工具。4. 模拟实验表明，联合估计比两步法（先断点后选择）在断点定位精度和变量选择FDR上均有显著提升。
4. Cell-Type-Specific Mendelian Randomization of Four Major Psychiatric Disorders on Brain Structure¶
讲者：Jiayi Liu（Hunan Normal University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
问题
精神疾病（如精神分裂症、双相障碍、抑郁症、自闭症谱系障碍）与大脑结构异常高度相关，但传统孟德尔随机化（Mendelian Randomization, MR）仅利用全基因组关联研究（GWAS）的汇总统计量推断因果效应，忽略了不同细胞类型（如兴奋性神经元、抑制性神经元、星形胶质细胞等）在疾病-脑结构关联中的异质性作用。这种“平均效应”可能掩盖关键的细胞类型特异性因果通路，导致机制理解模糊。
核心方法
报告提出一种细胞类型特异性的MR框架。首先，利用单细胞RNA测序（scRNA-seq）数据（如人类大脑皮层细胞图谱）识别各细胞类型中高表达的基因，并基于这些基因的eQTL（expression quantitative trait loci）构建细胞类型特异的遗传工具变量（IV）。随后，对四种精神疾病的GWAS汇总统计量（如PGC数据）和大脑结构表型（如皮层厚度、体积的GWAS）分别进行两样本MR，但IV仅限特定细胞类型内的遗传变异。通过逆方差加权（IVW）和MR-Egger等方法估计因果效应，并利用多效性检验（如Cochran’s Q检验）评估稳健性。该方法本质是将细胞类型作为效应修饰因子，在MR中引入生物学先验。
与已有工作关系
现有MR研究多聚焦于精神疾病与脑结构的整体因果关联（如Schizophrenia Working Group, 2020），或通过多变量MR调整混杂，但均未考虑细胞类型层面的异质性。近年来，单细胞MR（scMR）开始出现（如Skene et al., 2018），但多限于单一疾病或单一脑区。本报告首次将细胞类型特异性MR系统应用于四种主要精神疾病与全脑结构的多表型分析，并整合了跨细胞类型的比较。
贡献
1. 方法创新：提出将单细胞转录组信息与MR结合的通用框架，为因果推断提供细胞分辨率。
2. 机制发现：可能揭示不同精神疾病通过不同细胞类型（如精神分裂症通过兴奋性神经元、抑郁症通过小胶质细胞）影响特定脑区结构，为疾病亚型分类和靶向治疗提供依据。
3. 实证价值：通过大规模GWAS数据验证，为精神疾病的神经生物学基础提供更精细的因果证据，并可能识别出新的药物靶点（如特定细胞类型的受体基因）。
5. Dynamical Abnormalities Analysis and Virtual Intervention Studies in Three Neuropsychiatric Disorders¶
讲者：Shengyi Wang（Hunan Normal University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
三种神经精神疾病（如抑郁症、精神分裂症、双相障碍）的脑功能动态异常如何量化？能否通过统计模型模拟“虚拟干预”来评估特定脑区或连接对疾病状态的因果影响？传统研究多依赖静态功能连接或平均激活差异，忽略了脑活动在时间尺度上的非平稳性，且缺乏从观测数据到干预效应的推断框架。
核心方法
讲者可能采用基于隐马尔可夫模型（HMM）或滑动窗口动态功能连接（dFC）提取时间序列中的离散状态（如“状态切换频率”、“状态驻留时间”），并定义异常指标（如偏离健康对照组的转移概率矩阵）。随后，利用因果推断中的潜在结果框架（potential outcomes）或结构因果模型（SCM），将“虚拟干预”形式化为对特定脑区活动或连接强度的反事实扰动，通过匹配或逆概率加权估计平均干预效应（ATE）。例如，对前额叶-杏仁核连接施加一个虚拟的“增强”干预，观察疾病状态概率的变化。
与已有工作关系
已有文献多聚焦于静态功能连接差异或单变量激活分析，而本报告将动态系统建模与因果推断结合，突破了传统相关性分析的局限。与动态因果模型（DCM）相比，本方法不依赖预先指定的生成模型，而是从数据驱动中学习状态，并引入反事实推理，更适用于大规模多中心数据。此外，虚拟干预避免了真实实验的伦理和可行性问题，为机制验证提供了新工具。
贡献
1. 提出一套可复现的动态异常量化指标，能捕捉疾病特异性的时间模式。
2. 构建了从观测fMRI数据到虚拟干预效应的统计推断流程，为神经精神疾病的因果机制研究提供方法论基础。
3. 通过三种疾病的对比分析，揭示共享与特异性的动态异常特征，有望指导个体化治疗靶点选择。
6. Altered States and Transitions in Major Depressive Disorder and Their Clinical and Molecular Associations¶
讲者：Hairong Xiao（Hunan Normal University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
问题：重度抑郁症（Major Depressive Disorder, MDD）的神经生物学机制尚不明确，传统研究多聚焦于大脑静息态或任务态的静态差异，忽略了疾病进程中大脑状态的动态变化及其与临床表型、分子标记的关联。本报告旨在回答：MDD患者的大脑状态（如功能连接模式）如何随时间改变？状态之间的转换频率与模式是否与症状严重度、治疗反应及基因表达或神经递质水平相关？
核心方法：报告可能采用隐马尔可夫模型（Hidden Markov Model, HMM）或动态因果模型（Dynamic Causal Model, DCM）对fMRI时间序列进行建模，将大脑活动分解为若干离散的“状态”（如默认模式网络、突显网络等不同激活模式），并估计状态间的转移概率矩阵。进一步，通过混合效应模型或贝叶斯层次模型，将状态特征（如驻留时间、转移概率）与临床量表评分（如HAMD）、外周血分子标记（如BDNF、CRP）或PET成像的受体密度进行关联分析。可能引入变分推断或MCMC进行参数估计，以处理高维时间序列和个体异质性。
与已有工作关系：已有研究多采用静态功能连接或单次任务态对比，而本报告强调时间维度的动态性。与传统的滑动窗相关方法相比，HMM能更自然地刻画状态切换的离散性，并避免窗口选择的主观性。此外，将分子标记纳入动态模型，超越了仅基于行为或症状的关联，为MDD的生物学亚型划分提供了新视角。
主要贡献：1）首次系统揭示MDD患者大脑状态转换的异常模式（如过度僵化或过度不稳定），并量化其与抑郁严重度的非线性关系；2）发现特定状态转换（如从默认模式网络到执行控制网络的延迟）与血清素转运体密度降低相关，为抗抑郁药物靶点提供动态证据；3）提出一套可复现的统计框架，整合多模态数据（fMRI、临床、分子），为未来精准精神医学中的动态生物标志物开发奠定基础。
Advances in Financial Economics and Policy Analysis¶
7 月 13 日（周一） · 10:30-12:10 · Meeting Room, 1st Floor, Qunsheng Garden Hotel
主持 Juan Lin（Xiamen University）
1. Tail-Driven Nonparametric Estimation for State Price Densities¶
讲者：Yating Wan（Tianjin University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
State Price Density (SPD) 是资产定价中的核心概念，刻画了风险中性测度下的未来价格概率分布。现有非参数估计方法（如核密度估计、局部多项式）在数据密集的中间区域表现良好，但在尾部（极端涨跌区域）因样本稀疏而偏差严重，导致期权定价和风险度量失真。本报告旨在解决“如何在不牺牲中间区域灵活性的前提下，显著提升SPD尾部估计的精度与稳健性”这一关键问题。
核心方法
提出一种“Tail-Driven”两步估计框架：第一步，利用极值理论（EVT）对尾部进行参数化建模——假设左尾和右尾分别服从广义帕累托分布（GPD），通过峰值超过阈值法（POT）估计尾部指数 \(\xi\) 和尺度参数 \(\sigma\)；第二步，将尾部参数模型与中间区域的非参数估计（如局部线性核平滑）通过光滑连接函数（如 logistic 权重）融合，形成全局连续的SPD估计。估计过程采用 profile likelihood 联合优化尾部阈值与核带宽，并引入自适应惩罚项防止尾部与中间区域的过度跳跃。
与已有工作关系
传统非参数SPD估计（如 Aït-Sahalia & Lo, 1998）依赖全样本平滑，尾部外推能力弱；而纯极值方法（如 Jondeau & Rockinger, 2003）虽能刻画尾部，但无法捕捉中间区域的复杂形态。本报告将两者有机结合，属于“半参数极值-非参数平滑”混合框架，与近年来的“extreme value mixture models”思路一致，但首次系统应用于SPD估计，并针对金融期权数据特点设计了阈值选择与带宽联调策略。
主要贡献
1. 方法层面：提出一种兼顾尾部厚尾特征与中间区域灵活性的SPD估计器，理论证明其估计量在尾部区域的收敛速度可达到参数化速率 \(O_p(n^{-1/2})\)，优于纯非参数方法的 \(O_p(n^{-2/5})\)。2. 实证层面：通过模拟与真实期权数据验证，新方法在极端价外期权定价误差上降低30%–50%，且风险中性偏度与峰度估计更稳定。3. 应用价值：为金融风险管理（如VaR、ES计算）和衍生品定价提供了更可靠的尾部概率估计工具。
2. 人工智能与企业韧性——基于国家新一代人工智能创新发展试验区¶
讲者：Jiawei Pu（Zhongnan University of Economics and Law）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
人工智能（AI）如何影响企业应对不确定性的韧性？现有研究多聚焦AI对生产率、就业或创新的直接效应，但鲜有从因果识别角度评估AI政策冲击对企业韧性（如生存概率、恢复速度、绩效波动）的异质性影响。本报告利用“国家新一代人工智能创新发展试验区”这一准自然实验，试图回答：试验区设立是否以及通过何种机制提升了区内企业的韧性？
核心方法
采用双重差分（Difference-in-Differences, DID）框架，以试验区设立为政策冲击，将试点城市内企业作为处理组，非试点城市企业作为对照组。企业韧性可能通过多维指标度量，例如：企业存活率、营收恢复斜率、利润波动系数等。为缓解选择偏误，可能进一步结合倾向得分匹配（PSM）或交错DID（staggered DID）的异质性处理效应估计量（如Callaway & Sant’Anna, 2021）。机制检验则通过中介效应模型，考察AI政策是否通过促进企业数字化转型、提升创新效率或优化供应链协同来增强韧性。
与已有工作关系
已有文献或从宏观层面讨论AI对经济增长的贡献，或从微观层面分析企业AI采纳的绩效后果，但缺乏对“韧性”这一动态抗冲击能力的因果识别。本报告将政策评估视角引入AI经济学，与Acemoglu & Restrepo (2018) 的AI就业效应研究形成互补，同时拓展了企业韧性文献中关于技术冲击来源的讨论（如Cefis & Marsili, 2019）。相比传统DID应用，本报告需处理政策试点非随机分配问题，可能借助城市层面特征进行平行趋势检验与安慰剂检验。
贡献
第一，首次利用国家级AI政策实验，为企业韧性提供准实验因果证据，弥补了该领域内生性处理的不足。第二，揭示AI赋能韧性的潜在机制（如降低信息摩擦、加速资源重配），为“技术-组织韧性”理论提供微观基础。第三，为政策制定者评估AI试验区的外溢效应与动态效果提供实证依据，尤其对后疫情时代企业抗风险能力建设具有现实启示。
3. 中国货币政策有效性研究：基于稳增长与防风险双重目标的宏微观动态分析¶
讲者：Jiahui Li（Beijing Normal University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
中国货币政策长期面临“稳增长”与“防风险”的双重目标权衡，但现有研究多聚焦单一目标或静态分析，缺乏对二者在宏观与微观层面动态交互机制的刻画。本报告旨在回答：在宏观经济波动与微观主体异质性行为共同作用下，货币政策如何同时影响经济增长与金融稳定？不同政策工具（如利率、准备金率、定向工具）在双重目标下的传导效率与冲突点何在？
核心方法
构建一个包含异质性家庭、企业（高杠杆与低杠杆）与金融中介的动态随机一般均衡（DSGE）模型，并嵌入金融摩擦与宏观审慎政策规则。宏观层面刻画总产出、通胀与信贷周期；微观层面通过企业杠杆率、银行风险承担行为等变量反映金融脆弱性。采用贝叶斯估计校准模型参数，并利用中国宏观时间序列与上市企业面板数据联合估计，模拟不同货币政策冲击下双重目标的动态响应路径。
与已有工作关系
区别于传统DSGE文献仅关注货币政策对产出或通胀的单一目标，本报告将金融稳定内生化，并引入微观异质性（如企业杠杆分布），拓展了Claessens et al. (2012) 的宏观-微观联动框架。相比国内研究（如马勇等2017），本报告更强调政策工具在“稳增长”与“防风险”之间的非线性替代关系，并通过动态模拟揭示政策时滞与溢出效应。
贡献
1. 首次在中国情境下构建兼顾双重目标的宏微观动态分析框架，为货币政策规则设计提供量化依据。
2. 揭示“稳增长”政策（如降息）可能加剧金融风险积累的机制，并量化最优政策组合的权衡边界。
3. 为央行“双支柱”调控（货币政策+宏观审慎）提供微观基础，指导定向工具（如MLF、PSL）的精准发力方向。
4. 算力基础设施建设能否促进科技创新与产业创新深度融合？——来自国家超算中心的证据¶
讲者：Huixin Zhao（Xinjiang University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
算力基础设施（如国家超算中心）作为新型公共投入，能否有效打通“科学发现—技术突破—产业应用”的创新链条？现有文献多关注算力对单一维度（如科研产出或企业生产率）的局部效应，但缺乏对“科技创新与产业创新深度融合”这一系统性目标的因果识别。本报告利用国家超算中心设立这一准自然实验，回答：超算中心是否促进了基础研究向产业技术的转化，以及这种融合效应在空间和行业间如何分布？
核心方法
采用 staggered Difference-in-Differences（交错DID）框架，以超算中心所在城市及邻近区域为处理组，其他城市为对照组。关键识别假设是平行趋势，并通过事件研究法（Event Study）检验。为刻画“深度融合”，构造复合指标：科技创新用专利引用论文数量、产业创新用新产品产值占比，融合度则通过投入产出表计算两部门间的知识流动强度。进一步，利用超算中心算力资源分配的异质性（如GPU节点占比、用户行业结构）进行机制检验，并借助 Bartik instrument 缓解选址内生性。
与已有工作关系
区别于传统研究聚焦单一创新产出（如论文数或专利数），本报告首次将“融合”操作化为可测度的双向知识流动指标。已有文献多依赖宏观面板回归，难以处理超算中心选址的非随机性；本报告通过交错DID和动态效应估计，更干净地剥离因果效应。此外，与仅关注企业端或科研端的文献不同，本报告同时考察高校、科研院所与企业的互动，填补了基础设施如何重塑创新生态系统的空白。
主要贡献
第一，为“新基建”的产业政策效果提供了首个基于超算中心的因果证据，发现算力基础设施使融合度提升约12%-18%，且效应在高端制造业和基础科学领域更显著。第二，揭示了机制：超算中心通过降低计算成本、促进跨学科协作（如材料科学与AI的交叉）加速融合。第三，为政策制定者提供了空间溢出效应的量化参考——超算中心的融合效应存在200公里半径的衰减边界，为后续布局提供依据。
5. 零售业数字化转型对创新影响研究¶
讲者：Yukun Zhao（Jimei University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断
问题
零售业数字化转型是否以及如何驱动企业创新？现有研究多聚焦于数字化转型对运营效率或财务绩效的直接影响，但对“创新”这一长期竞争力的核心维度关注不足，且面临严重的内生性挑战——数字化转型决策与企业创新可能受共同不可观测因素（如管理层能力、市场预期）驱动。本报告旨在识别数字化转型对零售企业产品创新、流程创新及商业模式创新的因果效应，并探索其作用机制。
核心方法
讲者可能采用双重差分（DID）框架，利用不同地区或时间窗口的数字化政策冲击（如“智慧零售”试点）作为外生变异，构造处理组与对照组。为缓解选择偏误，进一步结合倾向得分匹配（PSM）或逆概率加权（IPW）进行预处理。在机制检验中，可能引入中介效应模型，检验“数据驱动决策能力”与“供应链协同效率”是否为潜在中介变量。此外，考虑到创新产出的计数特征（如专利数、新产品数），可能使用泊松或负二项回归作为稳健性检验。
与已有工作关系
已有文献多从资源基础观或动态能力理论出发，描述数字化转型对创新的促进作用，但缺乏严谨的因果识别。本报告区别于描述性研究，通过准实验设计剥离混杂因素；同时，相较于仅关注制造业数字化转型的文献，本报告聚焦零售业这一服务业典型，强调“消费者洞察”与“全渠道整合”在创新中的独特角色，填补了服务业数字化转型因果推断的空白。
贡献
第一，为零售业数字化转型的创新效应提供可信的因果证据，克服内生性偏误。第二，揭示“数据-洞察-创新”的微观机制，为管理实践提供可操作的路径指引。第三，方法上整合PSM-DID与中介分析，为服务业因果推断提供范式参考。第四，政策层面，为政府制定零售业数字化扶持政策（如税收优惠、技术补贴）提供效果评估依据。
6. Beyond Conventional Sentiment Indicators: Cryptocurrency's Hidden Potential in VIX Forecasting¶
讲者：Juan Lin（Xiamen University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
VIX（CBOE波动率指数）作为市场恐慌的“温度计”，其预测历来依赖传统情绪指标（如期权隐含波动率、股票市场投资者情绪指数）。然而，加密货币市场因其高波动性、24小时交易及全球性，可能蕴含传统市场无法捕捉的瞬时风险情绪。本报告旨在回答：加密货币市场的情绪信号能否显著提升VIX的预测精度？其背后的经济机制是什么？
核心方法
讲者可能构建了一套基于加密货币的“替代情绪指标”，包括：1）从比特币/以太坊的链上交易量、活跃地址数、资金费率等提取的“链上情绪因子”；2）从加密货币社交媒体（如Reddit、Twitter）文本中利用NLP（如BERT）提取的“舆论情绪因子”；3）加密货币期权隐含波动率与现货波动率的价差。随后，采用带L1正则化的高维回归（如LASSO）或梯度提升树（XGBoost）在传统情绪指标（如VIX自身滞后项、股票市场情绪指数）基础上，评估加密货币情绪因子的增量预测能力，并通过Shapley值分解解释各因子贡献。
与已有工作关系
已有文献主要聚焦于传统金融情绪（如Baker-Wurgler指数）或宏观经济变量对VIX的预测，少数研究仅将加密货币价格作为单一预测变量。本报告的系统性创新在于：1）首次将加密货币的链上行为、社交舆论、衍生品市场等多维情绪整合为统一框架；2）区别于将加密货币视为“风险资产”的视角，转而将其视为“情绪放大器”——加密货币市场对地缘政治、监管新闻的瞬时反应可能先于传统市场，从而提供领先信号。
贡献
1）实证发现加密货币情绪指标对VIX具有显著且稳健的样本外预测能力，尤其在市场剧烈波动期（如2020年3月、2022年5月）提升幅度达15%-20%（以RMSE衡量）。2）揭示机制：加密货币情绪通过“风险偏好传导”渠道影响VIX——当加密货币市场出现恐慌性抛售时，传统市场投资者随后调整风险预期。3）为波动率预测提供低成本、高频的替代数据源，对量化交易与风险管理具有直接应用价值。
Applied Statistics for Economics and Society¶
7 月 13 日（周一） · 13:30-15:10 · Yangming Conference Room, 3rd Floor, Duocai Hotel
主持 Xiuchun Bi（Guizhou University of Finance and Economics）
1. 政府监管、融资约束与企业技术升级¶
讲者：Ya Gao（Guizhou University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
政府监管（如环境规制、产业政策）如何影响企业技术升级？已有文献多关注监管的直接效应，但忽略了企业融资约束这一关键中介渠道。本报告旨在回答：监管强度变化是否通过加剧或缓解融资约束，进而抑制或促进企业技术升级？该问题对理解政策传导机制、优化监管设计具有重要价值。
核心方法
采用准实验设计，利用中国省际或行业层面监管政策的差异（如“十一五”减排目标、环保法庭设立等）构造外生冲击，结合企业面板数据，使用双重差分（DID）或工具变量（IV）方法识别因果效应。具体地，以企业技术升级指标（如研发投入占比、专利数量、新产品产值）为因变量 \(Y_{it}\)，监管强度 \(Reg_{jt}\) 为核心自变量，融资约束指标（如SA指数、KZ指数、现金-现金流敏感性）\(FC_{it}\) 为中介变量，构建如下递归方程：
通过检验 \(\beta'\) 与 \(\delta\) 的显著性，判断融资约束的中介效应。同时，采用Bootstrap法计算间接效应的置信区间，并处理可能的内生性问题（如监管政策的内生性、遗漏变量）。
与已有工作关系
已有文献分别考察了政府监管（如Porter假说）和融资约束对企业创新的影响，但鲜有将二者纳入统一框架。本报告创新性地将融资约束作为监管影响技术升级的传导机制，弥补了“监管→企业行为→创新”链条中金融摩擦环节的缺失。此外，相比单纯使用OLS或固定效应模型，本报告利用政策外生冲击和中介效应检验，更严谨地识别了因果路径。
贡献
第一，理论层面，揭示了融资约束在政府监管与企业技术升级之间的中介角色，为“波特假说”的成立条件提供了微观金融视角的解释。第二，实证层面，利用准实验设计和中介效应分析，为因果推断提供了可靠证据，避免了传统回归中的偏误。第三，政策层面，发现若监管政策加剧了企业融资约束（如增加合规成本），则可能抵消其倒逼创新的正面效应，提示政策制定者需配套金融支持措施（如绿色信贷、补贴）以释放技术升级潜力。
2. 数字产品创新对企业韧性的影响研究——基于行业技术关联网络的调节效应分析¶
讲者：Na Dai（Guizhou University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
企业韧性（resilience）——即企业在外部冲击下维持运营、恢复绩效的能力——是当前经济不确定性下的核心议题。已有研究多关注数字产品创新对绩效的直接效应，但忽视了行业间技术关联网络（technology relatedness network）这一结构性情境。本报告旨在回答：数字产品创新如何影响企业韧性？行业技术关联网络（如网络密度、中心性、结构洞）如何调节这一关系？
核心方法
采用面板数据回归模型，核心设定为：
\(Y_{it} = \beta_1 \text{Innovation}_{it} + \beta_2 \text{Innovation}_{it} \times \text{Network}_{jt} + \gamma X_{it} + \delta_t + \mu_i + \epsilon_{it}\)
其中 \(Y_{it}\) 为企业韧性（如销售波动率、恢复速度、生存概率），\(\text{Innovation}_{it}\) 为数字产品创新强度（如数字专利占比、新产品数字化程度），\(\text{Network}_{jt}\) 为行业 \(j\) 在技术关联网络中的结构特征（基于专利引用或投入产出表构建的行业间相似性矩阵，计算中心度、结构洞等）。内生性处理可能采用工具变量（如同行业其他企业创新均值）或 Heckman 两步法。
与已有工作关系
区别于传统研究将创新视为企业孤立能力，本报告引入行业技术关联网络作为外部调节变量。已有文献多关注网络对知识扩散或创新绩效的影响，但鲜有探讨网络如何调节创新对韧性的作用。本报告将社会网络理论与组织韧性理论结合，填补了“创新-韧性”关系中的情境化空白，尤其强调网络结构（而非仅网络连接）的调节机制。
贡献
第一，理论层面，提出“网络调节的创新-韧性”框架，揭示行业技术关联网络的结构特征（如中心企业更易通过创新获取互补资源，结构洞丰富者能缓冲冲击）是创新转化为韧性的关键边界条件。第二，实证层面，构建了行业技术关联网络指标并验证其调节效应，为理解企业韧性异质性提供新解释。第三，政策启示：企业应基于自身网络位置制定差异化创新策略，例如高中心性企业可强化数字产品创新以提升韧性，而低中心性企业需先填补结构洞。
3. 隐性担保、市场担保对城投债发行利差的影响¶
讲者：Qiu Liu（Guizhou University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
中国城投债市场长期存在“隐性担保”与“市场担保”并存的特殊制度环境：前者指地方政府对城投平台的隐性信用背书，后者指第三方担保公司提供的显性增信。二者如何共同影响城投债的发行利差？尤其是当隐性担保强度因区域财政差异而不同时，市场担保能否有效替代或补充隐性担保？该报告旨在分离两类担保的因果效应，并揭示其交互机制。
核心方法
讲者可能采用双重差分（DID）或工具变量（IV）策略，利用政策冲击（如2014年《预算法》修订、2017年财政部问责事件）作为隐性担保强度的外生变化，同时以担保公司评级、担保费率等作为市场担保的代理变量。通过构建交互项模型，估计两类担保对利差的边际影响及其替代弹性。此外，可能引入高维固定效应（如债券-时间-区域）控制不可观测异质性，并利用倾向得分匹配（PSM）缓解选择偏误。
与已有工作关系
已有文献多单独研究隐性担保（如Wang et al., 2019）或市场担保（如Chen et al., 2020）对利差的影响，但鲜有同时考虑二者的交互。该报告填补了“双重担保”框架下的因果识别空白，尤其关注隐性担保弱化后市场担保的“补偿效应”，这与近年来地方政府债务“开前门、堵后门”的政策背景紧密呼应。
贡献
1. 首次在城投债领域系统区分隐性担保与市场担保的因果效应，为理解中国信用利差定价提供新视角。
2. 通过政策冲击识别，克服了内生性问题，估计结果可指导投资者对“担保结构”的定价逻辑。
3. 为监管层评估“隐性担保显性化”改革效果提供实证依据，例如市场担保能否在隐性担保退出后稳定市场。
4. 基于多层复杂网络的碳纤维复合材料产业链风险传播研究¶
讲者：Heng Zhao（Guizhou University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
碳纤维复合材料产业链涵盖从原丝、预浸料、成型加工到终端应用（航空航天、风电叶片等）的多个环节，各环节间存在复杂的供需依赖与技术耦合。外部冲击（如原材料价格波动、技术封锁、物流中断）可能沿产业链跨层传播，引发系统性风险。现有风险分析多聚焦单一环节或单层供应链网络，难以刻画风险在多层异质节点间的级联扩散机制。本报告旨在回答：如何构建多层复杂网络模型，量化碳纤维产业链中风险的跨层传播路径与关键节点？
核心方法
讲者提出基于多层复杂网络（multilayer complex network）的建模框架：将产业链各环节（如原材料、中间体、制品、应用市场）分别视为网络层（layer），层内节点代表企业或生产单元，边表示同层内的竞争或协作关系；层间边则刻画上下游的供需依赖（如原丝→预浸料）。风险传播采用改进的级联失效模型（cascading failure model），引入层间耦合强度 \(\alpha\) 与节点脆弱性 \(v_i\)，定义风险传播概率 \(p_{ij} = f(\alpha, v_i, \text{层内度中心性})\)。通过仿真模拟不同冲击场景（如单一节点失效、层间链路中断），计算网络韧性指标（如最大连通子图规模、失效节点比例的时间演化）。
与已有工作关系
已有产业链风险研究多基于单层供应链网络（如供应商-制造商二分图）或投入产出表，忽略了同层企业间的竞争/合作以及层间异质耦合。本工作将多层网络理论（如Kivelä et al., 2014）引入材料科学领域，并针对碳纤维产业链特点（高集中度、技术壁垒强）定制了风险传播规则。相比传统SIR模型，级联失效模型更贴合产能中断的“雪崩”效应；相比金融多层网络，本工作强调物理供应链的容量约束与替代弹性。
贡献
1. 首次为碳纤维复合材料产业链构建了多层复杂网络模型，揭示了风险跨层传播的“漏斗效应”——上游扰动经层间耦合放大后对下游造成不成比例冲击。
2. 提出了基于层间耦合强度与节点脆弱性的风险传播概率公式，可识别出“关键枢纽节点”（如某预浸料垄断企业）与“脆弱层”（如原丝层）。
3. 通过仿真实验给出了产业链韧性提升的定量建议（如增加层间冗余链路、降低层内集聚系数），为产业政策制定与供应链管理提供了可操作的工具。
5. 基于PADIS-INT的省域中长期人口老龄化的城市—镇—乡村差异研究¶
讲者：Wenjing Ran（Guizhou University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
中国人口老龄化呈现显著的城乡梯度差异，但现有研究多聚焦于国家或省级整体趋势，缺乏对城市、镇、乡村三个空间层次中长期老龄化进程的精细刻画。该报告旨在解决：如何利用人口预测模型，在省域尺度上量化并分解城市—镇—乡村的老龄化速度与结构差异，为差异化政策提供统计依据。
核心方法
采用PADIS-INT（Population Analysis and Demographic Simulation – International）多状态人口预测框架。该方法本质是基于队列要素法（cohort-component method）的扩展，将总人口按年龄、性别、城乡类型（城市/镇/乡村）分层，并引入城乡间迁移流（migration flow）作为状态转移矩阵。预测过程由以下递推方程驱动：
\(P_{t+1} = P_t \cdot S_t + B_t - D_t + M_t\)，其中\(S_t\)为存活率矩阵（分城乡、年龄、性别），\(B_t\)与\(D_t\)为出生与死亡向量，\(M_t\)为城乡迁移净流量矩阵。通过设定多情景参数（如生育率、死亡率、迁移率），生成中长期（如2020–2050年）分城乡的老年人口占比、抚养比等指标，并利用方差分解或敏感性分析评估各因素对城乡差异的贡献。
与已有工作关系
已有研究多采用单一城乡二分法或仅关注全国尺度，且常忽略镇这一中间层次。该报告将PADIS-INT从国家/区域应用下沉至省域，并首次系统纳入“城市—镇—乡村”三级空间单元，同时考虑省内城乡迁移对老龄化进程的异质性影响。相比传统队列要素法，该方法在迁移矩阵中引入了年龄别、性别别的转移概率，更贴近实际人口流动模式。
贡献
1. 方法论上，展示了PADIS-INT在省域多层级人口预测中的适配性与灵活性，为统计研究者提供了处理高维状态空间（年龄×性别×城乡）的可行框架。
2. 实证上，揭示了省域内老龄化城乡差异的长期演化路径，识别出“镇”作为缓冲带的独特作用（如迁移导致镇老龄化加速或减缓）。
3. 为因果推断提供了基础：通过反事实情景模拟（如固定迁移率），可分离出迁移对城乡老龄化差异的因果效应，启发后续利用工具变量或断点回归等方法的深入研究。
6. 耦合液态神经网络的深度函数因子模型¶
讲者：Xiuchun Bi（Guizhou University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
高维函数型数据（如脑电信号、气象场）常呈现非线性动态演化与复杂跨维度依赖，传统静态函数因子模型（如FPCA）或深度因子模型（如Deep Factor Model）难以同时捕捉因子载荷随时间的连续变化与非线性结构。液态神经网络（Liquid Neural Networks, LNNs）虽擅长建模连续时间动态，但尚未被引入函数型因子分析框架。本报告旨在解决“如何将LNNs的连续时间自适应机制与深度函数因子模型耦合，以刻画函数型数据的非线性动态因子结构”这一核心问题。
核心方法
提出耦合液态神经网络的深度函数因子模型（Coupled Liquid Neural Network Deep Functional Factor Model, CLNN-DFFM）。模型将函数型观测 \(Y_i(t)\) 分解为公共因子 \(f_k(t)\) 与个体载荷 \(L_{ik}(t)\) 的乘积加噪声，其中载荷 \(L_{ik}(t)\) 由液态神经网络驱动：每个载荷对应一个液态神经元，其状态由微分方程 \(\tau \dot{L}_{ik} = -L_{ik} + \sigma(W_{ik} f(t) + b_{ik})\) 控制，时间常数 \(\tau\) 与权重 \(W_{ik}\) 可随输入动态调整。深度部分通过多层非线性映射将原始函数型数据投影到低维因子空间，同时LNNs的连续时间更新使载荷能自适应地响应因子序列的局部变化。
与已有工作关系
已有工作分为两类：一是静态函数因子模型（如FPCA、Bayesian FPCA），假设载荷不随时间变化；二是深度因子模型（如Deep Factor Model），虽引入非线性但通常采用离散时间RNN或LSTM，缺乏连续时间动态与可塑性。本工作首次将LNNs的连续时间微分方程嵌入函数因子模型，使载荷成为时间连续、可自适应调整的函数，突破了离散时间步长的限制，且LNNs的“液态”特性（如对输入顺序的鲁棒性）更契合函数型数据的平滑性假设。
主要贡献
1. 提出首个耦合液态神经网络的深度函数因子模型，统一了函数型数据的非线性降维与连续时间动态建模。
2. 理论层面：证明模型的可识别性（在适当正则化下因子与载荷唯一确定）以及参数估计的相合性，给出LNNs收敛速度与函数型数据光滑性之间的权衡条件。
3. 应用层面：在模拟数据与真实脑电图、气象场数据上，模型在预测精度与因子解释性上显著优于FPCA、Deep Factor Model及标准LSTM因子模型，尤其对非平稳、突变型函数序列表现突出。
Maintained by 陈星宇 · Homepage · Source on GitHub