Влияние цифровых вводимых ресурсов на устойчивость китайской обрабатывающей промышленности в глобальных цепочках создания стоимости

Введение . В условиях углубляющейся трансформации глобальной экономики и учащения внешних шоков стабильность и безопасность глобальных цепочек создания стоимости (ГЦСС) стали особенно значимыми для развития промышленности во всех странах. Традиционная модель ГЦСС, ориентированная на приоритет эффективности и детальное разделение труда, обнаружила свою уязвимость перед лицом внезапных потрясений, таких как геополитические конфликты, торговые трения и чрезвычайные ситуации в сфере общественного здравоохранения (Кириллов, Миллер, 2021). В связи с этим повышение устойчивости ГЦСС приобретает стратегически важное значение для обеспечения устойчивого и поступательного развития обрабатывающей промышленности Китая и сохранения ее конкурентных преимуществ. Одновременно с этим цифровые технологии – искусственный интеллект, большие данные, интернет вещей, блокчейн – инициируют новую волну технологической и промышленной трансформации (Головенчик, Ван Юань, 2020)¹, а цифровые вводимые ресурсы кардинально меняют конфигурацию и логику функционирования ГЦСС (У Пань-пань, Лю Цзюань, 2026)².

В данном контексте углубленное исследование влияния последних на устойчивость китайской обрабатывающей промышленности в ГЦСС, его механизмов и неоднородности не только является важным дополнением к существующей теории, но и обладает высокой практической значимостью.

Настоящее исследование имеет своей целью системный анализ взаимосвязи между цифровыми вводимыми ресурсами и устойчивостью в ГЦСС, выявление каналов передачи воздействия, а также дифференциацию эффектов в зависимости от источников и типов вводимых ресурсов, с тем чтобы предоставить научно обоснованные теоретические ориентиры и практические рекомендации для формирования более устойчивой и конкурентоспособной обрабатывающей промышленности Китая на основе цифровой трансформации.

Для достижения этой цели было определено несколько ключевых задач. Во-первых, необходимо осуществить подробный обзор существующей научной литературы, чтобы оценить, в какой степени этот вопрос разработан исследователями. Это поможет выявить пробелы в состоянии изученности проблемы и определить области для дальнейшего анализа. Во-вторых, важно провести теоретический анализ, чтобы понять, как цифровые инвестиции влияют на устойчивость обрабатывающей промышленности в рамках ГЦСС. Он предполагает изучение различных моделей и подходов, которые объясняют этот процесс. В-третьих, в контексте разрабатываемой нами проблематики целесообразно рассмотрение спецификации моделей и особенностей измерения переменных – зависимой, ключевой объясняющей и прочих (контрольных и переменных-посредников). В-четвертых, следует провести анализ эмпирических результатов, полученных в ходе исследования. Это позволит сделать выводы об уровне влияния цифровых инвестиций на устойчивость сектора.

Результаты проведенного исследования могут послужить основой для разработки рекомендаций и стратегий, направленных на поддержку цифровой трансформации и повышение устойчивости китайской обрабатывающей промышленности в условиях глобализации экономики.

Обзор литературы . Литературу, связанную с темой данного исследования, в зависимости от содержания можно разделить на три основные категории: посвященную рассмотрению цифровых вводимых ресурсов в обрабатывающей промышленности и их экономических эффектов; содержащую определение устойчивости в ГЦСС; характеризующую влияние цифровизации обрабатывающей промышленности на устойчивость в ГЦСС. Рассмотрим каждую группу последовательно.

Существуют три основных метода измерения цифровых вводимых ресурсов: метод «затраты – выпуск» (I – O), текстовый анализ и метод прямого измерения цифровых инвестиций. При этом метод «затраты – выпуск» считается основным подходом. Следуя методологии расчета уровня серви-сизации, измерение цифровых вводимых ресурсов мы можем осуществить с использованием абсолютных показателей – коэффициента прямых и полных затрат (Го Юнсинь, У Цзяньхуэй, 2022; Чжан Вэй, Ван Шаохуа, 2022), а также относительных показателей – коэффициента прямой (Ли Ань и др., 2023) и полной (Чжан Цин, Юй Цзиньпин, 2020) зависимости. В настоящее время ученые применяют различные отраслевые классификации и опорные секторы цифровой экономики, исследуя влияние цифровизации на «зеленую» трансформацию и сокращение выбросов, занятость и трудовые доходы, инновации, а также на экспортную деятельность (Фу, 2023).

Что касается измерения устойчивости в ГЦСС, то Ян Жэньфа и Чжэн Юаньюань (2023) используют волатильность длины ГЦСС для измерения их стабильности, а безопасность оценивают через разрыв в длине ГЦСС. На основе этого Ли Цзин и Чжоу Мэйчэнь (2024) применяют метод главных компонент для расчета сводного индекса устойчивости производственных услуг в ГЦСС. Чжан Цзюньжун, Чжан Кайтун, Чэнь Цюаньжунь (Чжан Цзюньжун и др., 2024) также используют метод главных компонент для конструирования комплексного показателя волатильности участия в ГЦСС, который в качестве обратного индикатора косвенно отражает стабильность участия в ГЦСС.

Относительно влияния цифровизации обрабатывающей промышленности на устойчивость в ГЦСС среди ученых распространены различные точки зрения. Согласно одной из них, цифровые платформы благодаря интеграции и анализу больших данных способны формировать прогнозы рисков и оперативно реагировать на них, что значительно повышает способность цепочек создания стоимости противостоять системным рискам (Gereffi, 2018). В то же время другие исследования указывают на то, что цифровые технологии повышают эффективность и ценность логистики, однако эти технологии также создают новые риски, которые могут сделать логистические системы более уязвимыми, тем самым ослабляя устойчивость ГЦСС (Tang, Veelenturf, 2019).

Луань Фукай и Ли Минь (2024), Хуан Юнмин, Чжан Янань (2023) а также Шэн Бинь и Хао Сячжэнь (2025) утверждают, что цифровизация способствует укреплению устойчивости ГЦСС, тогда как Цюй Сяоэ и Ма Хуанлун (2023) придерживаются мнения, что воздействие цифровой экономики на устойчивость ГЦСС носит двусторонний характер – механизм «повышения и разрушения».

Однако в целом необходимо признать, что разработка проблемы влияния цифровизации на устойчивость в ГЦСС остается недостаточной, поскольку процесс носит продолжающийся характер и корректируется рядом факторов. В свете сказанного предпринятое нами исследование представляется актуальным.

В настоящей работе, следуя методологии Ян Жэньфа и Чжэн Юаньюань (2023), а также Ши Бенье и Ци Жуйцин (2023), устойчивость в ГЦСС измеряется на основе длины цепочки создания стоимости для оценки стабильности и безопасности ГЦСС. После стандартизации двух указанных показателей проводится их равновесное взвешивание, в результате чего формируется сводный индекс устойчивости отраслей в ГЦСС, который используется для измерения уровня устойчивости обрабатывающей промышленности в ГЦСС.

На основе отраслевых данных мы анализируем влияние цифровых вводимых ресурсов на устойчивость в ГЦСС и каналы его воздействия, что позволяет обеспечить достаточное теоретическое обоснование и предоставить практические ориентиры для эффективного использования цифровых технологий китайской обрабатывающей промышленностью в целях противодействия системным рискам и укрепления устойчивости в ГЦСС.

Теоретический анализ влияния цифровых вводимых ресурсов на устойчивость обрабатывающей промышленности в ГЦСС . Цифровые вводимые ресурсы в передовое технологическое оборудование, программное обеспечение, системные платформы и другие компоненты способны эффективно стимулировать развитие технологических инноваций, продвигать комбинированное развитие таких направлений, как «искусственный интеллект + большие данные» и «квантовые вычисления + искусственный интеллект», обеспечивая тем самым более эффективную обработку данных и принятие интеллектуальных решений (Луань Фукай, Ли Минь, 2024; Шэн Бинь, Хао Сячжэнь, 2025). После повышения уровня цифровых технологий на отраслевом уровне предприятия обрабатывающей промышленности, внедряя интернет вещей, большие данные и искусственный интеллект, могут обеспечивать совместное использование данных на всех производственных этапах, повышать операционную эффективность и сокращать информационную асимметрию, а также непрерывно сканировать, фиксировать и анализировать разнообразную сложную информацию (Rialti et al., 2018), предоставляя поддержку для принятия решений. Благодаря эффективному сбору информации о политике, финансах и отраслевых тенденциях, технологии анализа больших данных помогают предприятиям более точно прогнозировать рыночные колебания и корректировать производственные и складские планы в соответствии с рыночными тенденциями. Применение технологий блокчейн дополнительно способствует обеспечению прозрачности информации в цепочках поставок и усиливает способность предприятий противостоять внешним рискам. В целом, использование различных цифровых технологий может эффективно способствовать повышению устойчивости глобальных цепочек создания стоимости.

Сказанное позволяет нам выдвинуть гипотезу H1: цифровые вводимые ресурсы повышают уровень устойчивости в ГЦСС посредством эффекта технологических инноваций.

Благодаря им предприятия обрабатывающей промышленности могут сокращать циклы разработки новых продуктов и повышать эффективность разработок. Используя большие данные, предприятия могут всесторонне анализировать модели покупок, предпочтения и потенциальные потребности потребителей, точно определять рыночные тенденции, а затем проводить проектирование и тестирование продуктов в виртуальной среде, что ускоряет разработку дифференцированных новых продуктов и способствует их продажам. Эффект диверсификации рынков, возникающий в результате разработки и продаж новых продуктов, может повышать устойчивость как самих предприятий, так и всей отрасли. С одной стороны, разработка и продажи новых продуктов позволяют оптимизировать структуру торговли, избегать взаимодействия с высокорисковыми торговыми партнерами и устанавливать прочные связи с низкорисковыми, тем самым диверсифицируя риски волатильности ГЦСС.

Выход новых продуктов на рынок неизбежно сопровождается конкуренцией, что побуждает предприятия усиливать инновационную деятельность в области исследований и разработок, одновременно способствуя технологическим спилловер-эффектам, укрепляя конкурентоспособность и влияние отрасли и повышая устойчивость ГЦСС (Развитие цифровой экономики как условие повышения конкурентоспособности предприятия …, 2022). С другой стороны, разработка и продажи новых продуктов в одном предприятии обрабатывающей промышленности предоставляют другим акторам отрасли возможность резервирования ключевых звеньев, то есть формируют «альтернативность» закупок, что позволяет снизить зависимость от единственного поставщика и тем самым укрепить устойчивость ГЦСС.

На основании сказанного мы выдвинули гипотезу H2: цифровые вводимые ресурсы повышают уровень устойчивости в ГЦСС посредством эффекта диверсификации рынков.

Спецификация модели и измерение переменных . Для эмпирической проверки влияния цифровых вводимых ресурсов на устойчивость китайской обрабатывающей промышленности в ГЦСС в данной работе используются данные по 17 отраслям обрабатывающей промышленности Китая за период с 2000 по 2020 гг., на основе которых строится эконометрическая модель следующего вида:

GVCreS t = в о + P i Dig t + 0 ₂ Contol_/t + g _t + v + £ _№ . (1)

В модели индексы i и t обозначают соответственно отрасль обрабатывающей промышленности и год. Зависимая переменная GVCres представляет уровень устойчивости в ГЦСС, объясняющая переменная Dig отражает уровень цифровых вводимых ресурсов, Control – набор контрольных переменных. /у , v и £_it обозначают соответственно временные фиксированные эффекты, отраслевые фиксированные эффекты и случайную ошибку. Коэффициент Д измеряет влияние цифровых вводимых ресурсов на устойчивость китайской обрабатывающей промышленности в ГЦСС, причем ожидается, что данный коэффициент будет положительным. Поскольку при расчете сводного индекса устойчивости в ГЦСС показатели стабильности и безопасности были подвергнуты положительной трансформации, большее значение сводного индекса устойчивости соответствует более высокому уровню устойчивости.

Перейдем к характеристике зависимой переменной.

Устойчивость в глобальных цепочках создания стоимости (ГЦСС) является многомерным понятием. В данной работе, следуя методологии Ян Жэньфа и Чжэн Юаньюань (2023), а также Ши Бенье и Ци Жуйцин (2023) и учитывая, что длина цепочки создания стоимости, основанная на обратных связях (backward linkages), в большей степени соответствует характеристикам участия развивающихся стран в разделении труда в ГЦСС, для измерения устойчивости в ГЦСС используются два аспекта – стабильность и безопасность, измеряемые на основе длины цепочки создания стоимости по обратным связям.

Стабильность в ГЦСС определяется с помощью волатильности длины цепочки создания стоимости. Формулы расчета выглядят следующим образом:

pl tjt = Ply _ gvc_iJt _ ply_ gvt_t,                                    (2)

Vol ^_ P j =   \E T • ' P j -7 E T =1 P j )

T — I                    T

.

Средняя длина цепочки создания стоимости по всем отраслям ply_gvc_t определяется как системный риск; скорректированная длина ГЦСС для отрасли j страны i в году t после исключения системного риска обозначается как pl . Период окна наблюдения составляет T лет, при этом используется скользящее окно шириной 3 года. Рассчитанный показатель Vol _ pl_Ijt измеряет стабильность ГЦСС для отрасли j страны i в году t . Чем выше значение данного показателя, тем выше волатильность ГЦСС и, следовательно, тем ниже ее стабильность.

Безопасность в ГЦСС измеряется с помощью разрыва в длине цепочки создания стоимости. Формула расчета выглядит следующим образом:

gap _ Pl j = max( Ply _ gvc_it ) — ply _ gvc j ,                         (4)

где gap _ pl_jt - это разрыв в длине ГЦСС для отрасли j страны i в году t . Чем меньше значение данного показателя, тем больше количество производственных звеньев от конечного потребительского товара до первичных факторов производства, что свидетельствует о более диверсифицированном международном разделении труда. Чем больше звеньев охватывает страна в ГЦСС, тем выше уровень безопасности ГЦСС. Показатель max ( ply _ gvc_jt ) обозначает максимальную длину ГЦСС для отрасли j в году t .

После получения индексов стабильности и безопасности обрабатывающей промышленности в ГЦСС они были стандартизированы и подвергнуты равновесному взвешиванию для формирования сводного индекса устойчивости обрабатывающей промышленности в ГЦСС, который используется для характеристики устойчивости в ГЦСС. Источником информации является база данных UIBE, при этом отсутствующие данные за 2019 и 2020 гг. были восполнены с помощью метода линейной интерполяции.

Обратимся к описанию ключевой объясняющей переменной. В данной работе анализ цифровых вводимых ресурсов проводится на уровне 17 подотраслей обрабатывающей промышленности Китая, при этом используется отраслевая классификация, применяемая в OECD – ICIO 2021. Для измерения цифровых вводимых ресурсов в обрабатывающей промышленности коэффициент прямых затрат, несмотря на простоту расчета, не отражает скрытых технико-экономических связей между секторами. В отличие от него, коэффициент полных затрат позволяет более полно оценить влияние цифровых отраслей на отдельные сегменты обрабатывающей промышленности через механизм межотраслевого взаимодействия. Формула расчета представлена ниже:

c^omP^lete d_j = a d + ^ m l a m a mj + ^ m =i a di ^a im ^a mj +- • ⁽⁵⁾

Здесь первый член обозначает прямые затраты сектора j обрабатывающей промышленности на опорный сектор цифровой экономики d ; второй – косвенные затраты сектора j на сектор d через сектор m (первый раунд косвенных затрат); третий – косвенные затраты сектора j на сектор d через секторы m и l (второй раунд косвенных затрат) и так далее. Матрица коэффициентов полных затрат, необходимая для расчета, может быть получена по формуле:

complete = D + D ² ++ D m = (E - D ) ^-1 - E . (6)

Однако данный абсолютный показатель не позволяет отразить относительную значимость цифровых вводимых ресурсов в структуре всех вложений. Поэтому в данной работе, следуя методологии Чжан Цин и Юй Цзиньпин (2020), мы вводим коэффициент разделения цифровой составляющей для выделения цифрового компонента и построения коэффициента полной зависимости, что позволяет всесторонне оценить степень цифровизации затрат. Формула для расчета имеет следующий вид:

Dg t = E d (complete d/ /Е k ^complete- ) , ⁽⁷⁾ где complete – коэффициент полных затрат сектора j обрабатывающей промышленности на продукцию сектора k .

Для более полного охвата отраслевого спектра, связанного с цифровыми вводимыми ресурсами, мы осуществляли отбор отраслей цифровой экономики на основе «Статистической классификации цифровой экономики и ее основных отраслей (2021)»1 (таблица 1).

Таблица 1 . Классификация отраслей, связанных с цифровыми факторами производства²

Table 1 . Classification of Sectors Linked to Digital Production Factors

Тип отрасли	Классификация ОЭСР
Производство цифровой продукции	D26 ； D27
Услуги в сфере цифровой продукции	D45T47
Применение цифровых технологий	D61 ； D62T63 ； D69T75
Отрасли, управляемые цифровыми факторами	D41T43 ； D58T60 ； D64T66
Повышение эффективности через цифровизацию	D49 ； D50 ； D51 ； D52 ； D53 ； D55T56 ； D84 ； D85

Поскольку некоторые отрасли не полностью занимаются цифровой деятельностью, а включают лишь отдельные цифровые сегменты, коэффициенты затрат на их цифровые вводимые ресурсы не могут быть измерены напрямую. Для решения этой проблемы применяется коэффициент разделения, позволяющий идентифицировать и выделять цифровую составляющую в каждой отрасли, чтобы получить достоверные показатели цифровых вводимых ресурсов.

Обратимся к характеристике прочих элементов. Показатели измерения и источники данных для контрольных переменных и переменных-посредников представлены в таблице 2.

Таблица 2 . Контрольные переменные и переменные-посредники

Table 2 . Control Variables and Mediating Variables

Тип переменной	Переменная	Показатель	Источник данных
Контрольные переменные	Затраты на технологическое перевооружение, приобретение технологий и внутренние расходы на научно-исследовательскую и опытноконструкторскую работу (НИОКР)	Сумма расходов на технологическое перевооружение, приобретение технологий и внутренних затрат на исследования и разработки	«Статистический ежегодник Китая», «Статистический ежегодник промышленной экономики Китая», «Статистический ежегодник науки и технологий Китая»1
	Степень открытости торговли	Стоимость экспортных поставок / промышленных продаж
	Количество предприятий в отрасли	Количество предприятий (единиц)
	Зависимость от иностранного капитала	Отношение иностранного капитала к уставному
	Капиталоемкость	Отношение основных фондов к численности работников
Переменные-посредники	Цифровые технологические инновации	Количество патентных заявок на цифровые технологии	База данных WIND2
	Разработка и реализация новых продуктов	Количество проектов по разработке новых продуктов, доход от продаж новых продуктов	«Статистический ежегодник науки и технологий Китая»3, база данных CSMAR4

Анализ эмпирических результатов . В данной работе для базовой регрессии используется модель с фиксированными эффектами. Результаты представлены в таблице 3.

Таблица 3 . Результаты базовой регрессии

Table 3 . Results of the Baseline Regression

Переменные	(1)	(2)	(3)	(4)	(5)	(6)
	GVCres	GVCres	GVCres	GVCres	GVCres	GVCres
Dig	0,746**	0,618**	0,715**	0,676**	0,691**	0,773**
	(0,322)	(0,309)	(0,312)	(0,314)	(0,312)	(0,331)
lnTech		0,090***	0,068***	0,065***	0,069***	0,075***
		(0,024)	(0,024)	(0,022)	(0,023)	(0,023)
Tradeop			–0,353***	–0,322***	–0,356***	–0,541***
			(0,103)	(0,101)	(0,103)	(0,126)
Enqty				0,003**	0,003**	0,003**
				(0,001)	(0,001)	(0,001)
Dep					0,145	0,402**
					(0,158)	(0,165)
lnCap						–0,213***
						(0,056)
Constant	0,753***	–0,562	–0,202	–0,211	–0,283	2,171***
	(0,057)	(0,364)	(0,361)	(0,353)	(0,365)	(0,675)
Отраслевые факторы экономики	YES	YES	YES	YES	YES	YES
Временные факторы экономики	YES	YES	YES	YES	YES	YES
Наблюдение	357	357	357	357	357	357
Adj_R2	0,396	0,438	0,452	0,458	0,457	0,492

Примечание: ^***, ^** и ^* обозначают уровни значимости 1, 5 и 10 % соответственно. В скобках указаны робастные стандартные ошибки. То же справедливо для последующих таблиц.

В колонке (1) приведены результаты регрессии без учета контрольных переменных, а в колонках (2)–(6) – результаты после последовательного включения контрольных переменных. Когда контрольные переменные не учитываются, коэффициент цифровых вводимых ресурсов является статистически значимым и положительным на уровне 5 %, что свидетельствует о том, что увеличение цифровых вводимых ресурсов способствует повышению уровня устойчивости обрабатывающей промышленности в ГЦСС.

При учете контрольных переменных коэффициент влияния степени открытости торговли ( Tradeop ) является статистически значимым и отрицательным, что свидетельствует о ее ослабляющем воздействии на устойчивость в ГЦСС. Хотя повышение степени открытости торговли, безусловно, способствует углублению экономических связей между странами, расширению рыночного пространства и оптимизации распределения ресурсов, оно одновременно несет с собой дополнительные внешние шоки и может приводить к чрезмерной зависимости от ограниченного числа ключевых поставщиков, что оказывает негативное воздействие на устойчивость в ГЦСС.

Коэффициент влияния зависимости от иностранного капитала ( Dep ) является статистически значимым и положительным, что свидетельствует о ее стимулирующей роли в повышении устойчивости в ГЦСС.

Коэффициент регрессии для затрат на технологическое перевооружение, приобретение технологий и внутренних расходов на научно-исследовательскую и опытно-конструкторскую деятельность (НИОКР) ( ln Tech ) также является статистически значимым и положительным. Расходы на технологическое перевооружение и приобретение технологий могут эффективно трансформироваться в технологические инновации, что, в свою очередь, способствует повышению устойчивости в ГЦСС.

Коэффициент регрессии для количества предприятий в отрасли ( Enqty ) является статистически значимым и положительным, что указывает на то, что рост числа предприятий способствует формированию промышленной агломерации, а эффективные механизмы кооперации и взаимодействия усиливают устойчивость в ГЦСС.

Коэффициент влияния капиталоемкости ( ln Cap ) на устойчивость в ГЦСС является статистически значимым и отрицательным. Это может быть связано с тем, что высокая капиталоемкость, как правило, сопровождается давлением постоянных и ростом безвозвратных издержек вследствие увеличения специализированных инвестиций, что затрудняет гибкую корректировку производственной структуры и, следовательно, ослабляет ее способность противостоять внезапным потрясениям.

Для проверки устойчивости результатов измерения цифровых вводимых ресурсов вместо коэффициента полной зависимости был использован коэффициент полных затрат, после чего регрессионный анализ был проведен повторно. Полученные выводы согласуются с результатами базовой модели. Кроме того, из расчета были исключены элементы цифровых вводимых ресурсов, оказывающие косвенное влияние на устойчивость обрабатывающей промышленности в ГЦСС (D55T56, D84), при этом результаты регрессии остались неизменными.

Для снижения риска возможных искажений, вызванных значительными экономическими колебаниями, из выборки были исключены наблюдения за период после финансового кризиса (2008 и 2009 гг.). Основные выводы при этом не претерпели существенных изменений.

В качестве инструментальной переменной для цифровых вводимых ресурсов использовалась объясняющая переменная с лагом в один период. Оценка проводилась с помощью двухшагового метода наименьших квадратов (2SLS). Результаты регрессии соответствуют полученным ранее выводам.

Представим итоги анализа гетерогенности (таблица 4).

Из модели (1) видно, что коэффициент влияния внутренних цифровых вводимых ресурсов ( Dom ) на устойчивость обрабатывающей промышленности в ГЦСС является статистически значимым и положительным. Это свидетельствует о том, что внутренние цифровые вводимые ресурсы способствуют повышению устойчивости китайской обрабатывающей промышленности в ГЦСС, поскольку они эффективно стимулируют промышленную модернизацию и технологические инновации, тем самым укрепляя способность противостоять рискам.

В модели (2) можно наблюдать, что коэффициент влияния внешних цифровых вводимых ресурсов ( For ) из 75 стран и регионов на устойчивость китайской обрабатывающей промышленности в ГЦСС является статистически значимым и отрицательным. Внешние цифровые вводимые ресурсы могут привносить передовые цифровые технологии, предоставляя дополнительные технологические ориентиры и возможности для заимствования. Однако различия в стадиях технологического развития, уровне развития обрабатывающей промышленности и ресурсной обеспеченности между зарубежными странами (регионами) и Китаем, а также ограниченная способность к абсорбции технологий у некоторых китайских предприятий и регионов приводят к неравномерному распространению технологических эффектов между отраслями и регионами. Это затрудняет повышение общей устойчивости обрабатывающей промышленности, что в конечном счете формирует негативное воздействие.

Таблица 4 . Гетерогенность источников цифровых вводимых ресурсов

Table 4 . Heterogeneity of Digital Input Resource Sources

Переменные	(1)	(2)	(3)	(4)	(5)	(6)	(7)
	GVCres	GVCres	GVCres	GVCres	GVCres	GVCres	GVCres
Dom	0,939***
	(0,340)
For		–2,249***
		(0,808)
Digm			0,548**
			(0,275)
Digs				8,090***
				(2,193)
Diga					2,835
					(2,016)
Digd						–1,962
						(1,790)
Digp							5,405*
							(3,178)
Контрольные переменные	YES	YES	YES	YES	YES	YES	YES
Отраслевые факторы экономики	YES	YES	YES	YES	YES	YES	YES
Временные факторы экономики	YES	YES	YES	YES	YES	YES	YES
Наблюдение	357	357	357	357	357	357	357
Adj_R2	0,497	0,489	0,486	0,516	0,488	0,485	0,487

Из модели (3) видно, что коэффициент регрессии для производства цифровой продукции ( Digm ) на устойчивость в ГЦСС является статистически значимым и положительным. Это свидетельствует о том, что цифровые вводимые ресурсы в производство компьютерной, электронной и оптической продукции, а также в производство электрического оборудования оптимизируют производственные процессы, повышают эффективность производства и обработки информации, усиливая тем самым способность к быстрому реагированию на изменения рыночной конъюнктуры.

Модель (4) показывает, что коэффициент регрессии для услуг в сфере цифровой продукции ( Digs ) является статистически значимым и положительным. Интернет-оптовая и розничная торговля, используя такие технологии, как интернет вещей и большие данные, способна обеспечивать визуализацию и автоматизацию управления, осуществлять переход к «онлайн-формату» и дальнейшее движение к «интеллектуализации», что способствует укреплению устойчивости в ГЦСС.

Согласно модели (5), коэффициент регрессии для применения цифровых технологий ( Diga ) на устойчивость обрабатывающей промышленности в ГЦСС является положительным, однако статистически не значимым. Это объясняется тем, что влияние телекоммуникационной отрасли на повышение устойчивости в ГЦСС проявляется главным образом в стабильности инфраструктуры и широте сетевого покрытия, однако это воздействие носит относительно косвенный характер, и его вклад в повышение устойчивости ограничен. Технологический прогресс и инновации в знаниях, формируемые в сфере профессиональной, научной и технической деятельности, для трансформации в реальную устойчивость цепочек создания стоимости требуют наличия соответствующей промышленной среды.

Модель (6) демонстрирует, что коэффициент регрессии для отраслей, управляемых цифровыми факторами ( Digd ), на устойчивость обрабатывающей промышленности в ГЦСС является отрицательным и статистически не значимым. Частично это связано с тем, что цифровые вводимые ресурсы в таких сферах, как финансы, цифровое издательство, аудиовизуальная и вещательная деятельность, а также строительство информационной инфраструктуры, обычно характеризуются высокой степенью зависимости от цифровых технологий, при этом хранение данных и обработка транзакций становятся более централизованными. Внешние кибератаки могут провоцировать утечку или даже несанкционированное изменение данных, создавая угрозы для устойчивости обрабатывающей промышленности в ГЦСС.

Модель (7) показывает, что коэффициент регрессии для повышения эффективности через цифровизацию ( Digp ) на устойчивость обрабатывающей промышленности в ГЦСС является статистически значимым и положительным, что свидетельствует о том, что интеллектуальный транспорт, интеллектуальная логистика, цифровая торговля, образование и государственное управление могут эффективно способствовать повышению устойчивости в ГЦСС.

В соответствии с проведенным ранее теоретическим анализом для проверки потенциальных механизмов воздействия в данной работе используется модель медиативного эффекта в сокращенной спецификации (Цзян Тин, 2022). Основные эффекты технологических инноваций и диверсификации рынков отражены в таблице 5.

Таблица 5 . Эффекты технологических инноваций и диверсификации рынков

Table 5 . Effects of Technological Innovation and Market Diversification

Переменные	(1)	(2)	(3)
	Ino	Pro	Rev
Dig	3,347***	27,532***	13,115***
	(0,999)	(4,160)	(1,937)
Контрольные переменные	YES	YES	YES
Отраслевые факторы экономики	YES	YES	YES
Временные факторы экономики	YES	YES	YES
Наблюдение	357	357	357
Adj_R2	0,642	0,821	0,810

Модель (1) показывает, что коэффициент регрессии цифровых вводимых ресурсов на цифровые технологические инновации является статистически значимым и положительным (3,347), что свидетельствует о том, что различные формы цифровых вводимых ресурсов, такие как приобретение передового цифрового технологического оборудования, программного обеспечения и систем, способствуют расширению границ применения, стимулируют создание стоимости и продвигают инновации и развитие цифровых технологий. Повышение уровня цифровых технологических инноваций, с одной стороны, позволяет предприятиям обрабатывающей промышленности через внедрение интернета вещей, больших данных и искусственного интеллекта обеспечивать совместное использование данных на всех производственных этапах, повышать избыточность и стабильность систем, а применение технологий блокчейн дополнительно способствует прозрачности информации в цепочках поставок, усиливая способность противостоять внешним рискам (Цзоу Люсинь и др., 2023). С другой стороны, использование цифровых технологий позволяет формировать более точные прогнозы рыночных колебаний, выстраивать скоординированное взаимодействие между предприятиями и регионами, а также развивать омниканальные модели, сочетающие онлайн- и офлайн-форматы (У Тин, 2021), создавая многозвенную систему закупок у поставщиков и резервирование ключевых производственных узлов, что повышает способность противостоять сложной рыночной среде. Таким образом, ранее выдвинутая нами теоретическая гипотеза H1 получила эмпирическое подтверждение.

Из моделей (2) и (3) таблице 5 видно, что коэффициенты регрессии цифровых вводимых ресурсов на разработку новых продуктов ( Pr o ) и реализацию новых продуктов ( Re v ) являются статистически значимыми и положительными, что свидетельствует о способности цифровых вводимых ресурсов стимулировать разработку и реализацию новых продуктов в китайской обрабатывающей промышленности. Цифровые вводимые ресурсы, предоставляя более эффективные инструменты для исследований и разработок, оптимизируя процессы проектирования и способствуя совместной работе, помогают предприятиям сокращать циклы разработки новых продуктов, значительно повышают эффективность проектов по разработке новых продуктов, стимулируют рост продаж новых продуктов и ускоряют освоение рыночных ниш.

Для самих предприятий обрабатывающей промышленности дифференцированные новые продукты с высокой добавленной стоимостью позволяют им внедряться в большее число звеньев ГЦСС. При возникновении внешних шоков предприятия могут оперативно осваивать новые рынки с помощью новых продуктов, избегая прямого воздействия шоков на существующие направления деятельности (Инь Хун, Цзо Шуя, 2025). Для других предприятий обрабатывающей промышленности разработка и реализация новых продуктов предоставляют им возможность резервирования ключевых узлов, то есть формируют «альтернативность» закупок, что позволяет снизить зависимость от единственного поставщика и диверсифицировать каналы снабжения, обеспечивая тем самым быструю адаптацию к шоковым воздействиям (Чэнь Сяодун и др., 2022).

Одновременно разработка и реализация новых продуктов способствуют укреплению сотрудничества предприятий обрабатывающей промышленности с местными поставщиками, приближению производственных звеньев к стране базирования, что позволяет формировать более тесные связи в цепочках поставок, сокращать риски трансграничных перевозок и снижать влияние внешней неопределенности. Это, в свою очередь, усиливает стратегический резерв рыночных позиций и повышает адаптационные способности к изменениям рыночной конъюнктуры (Сюй Шибо, Чжун Вэйцзюнь, 2024). Таким образом, ранее выдвинутая теоретическая гипотеза H2 также получила эмпирическое подтверждение.

Заключение . Представим основные выводы, которые можно сделать по итогам нашего исследования.

Во-первых, коэффициент влияния цифровых вводимых ресурсов на устойчивость китайской обрабатывающей промышленности в ГЦСС является статистически значимым и положительным на уровне 5 %, что свидетельствует о способности цифровых вводимых ресурсов существенно повышать устойчивость обрабатывающей промышленности в ГЦСС.

Во-вторых, цифровые вводимые ресурсы способствуют повышению устойчивости обрабатывающей промышленности в ГЦСС посредством эффекта технологических инноваций и эффекта диверсификации рынков.

В-третьих, внутренние цифровые вводимые ресурсы способствуют повышению устойчивости китайской обрабатывающей промышленности в ГЦСС, в то время как влияние внешних цифровых вводимых ресурсов является статистически значимым и отрицательным. Производство цифровой продукции, услуги в этой сфере и повышение эффективности через цифровизацию оказывают выраженное положительное влияние на устойчивость в ГЦСС, тогда как влияние применения цифровых технологий и отраслей, управляемых цифровыми факторами, на устойчивость обрабатывающей промышленности в ГЦСС не является статистически значимым.

В качестве практических рекомендаций и направлений для размышления можно обозначить следующие.

Во-первых, необходимо сосредоточиться на разработке ключевых цифровых технологий. Следует увеличить инвестиции в исследования и разработку передовых технологий, таких как искусственный интеллект, большие данные, блокчейн, нейроморфные вычисления, и их интеграцию. Необходимо поддерживать участие предприятий обрабатывающей промышленности в разработке стандартов цифровых технологий, продвигать формирование портфеля прав интеллектуальной собственности на ключевые цифровые технологии и снижать зависимость от конкретных зарубежных технологий. Активно формировать совместные инновационные платформы и экосистемы, создавать альянсы цифровых инноваций, в которых ведущую роль играют крупные предприятия, а также обеспечивается глубокая интеграция производства, образования, научных исследований и коммерциализации, способствуя обмену технологиями и трансферу результатов исследований, тем самым укрепляя устойчивость обрабатывающей промышленности в ГЦСС.

Во-вторых, необходимо реализовывать дифференцированные и целенаправленные стратегии. Следует наращивать объемы цифровых вводимых ресурсов в трех категориях отраслей – производство цифровой продукции, услуги в сфере цифровой продукции и повышение эффективности через цифровизацию – для усиления их положительного влияния на устойчивость в ГЦСС. В отношении применения цифровых технологий и отраслей, управляемых цифровыми факторами, необходимо усилить регулирование и координацию, предотвращать риски утечки данных и кибератак, способствуя их устойчивой интеграции с обрабатывающей промышленностью.

В-третьих, необходимо способствовать диверсификации рынков и продуктовым инновациям. Ускорять разработку новых продуктов и реакцию на рыночные изменения, используя анализ больших данных для изучения потребительского спроса, оптимизировать процессы проектирования и тестирования продуктов с помощью технологий виртуального моделирования и цифровых двойников, сокращая циклы разработки и создавая дифференцированные новые продукты с высокой добавленной стоимостью. Поддерживать предприятия в освоении новых рынков с использованием инструментов цифрового маркетинга, направлять предприятия на отбор поставщиков ключевых компонентов и сырья через цифровые платформы, формируя «многоканальную систему закупок», снижая риски зависимости от единственного поставщика и повышая устойчивость обрабатывающей промышленности в ГЦСС.