本文提出一个基于跳跃扩散过程和扩散概率模型(DDPM)的空间因果推断框架,解决局部干预向系统性(一般均衡)传播的边界识别问题。通过结合CUSUM序列检测,首次严谨识别空间溢出效应由部分均衡转向一般均衡的临界阈值,实证聚焦日本省份AI技术采用,发现溢出效应在约35公里呈跳跃式扩散,一般均衡效应较偏估计高出42%。蒙特卡洛模拟验证忽略此边界将导致28-67%效果低估,框架适用于政策评估与复杂经济系统分析 .
报告标题:
《Stochastic Boundaries in Spatial General Equilibrium: A Diffusion-Based Approach to Causal Inference with Spillover Effects》
作者及机构:
Tatsuru Kikuchi,东京大学经济系,东京,日本。
发布时间:
2025年8月12日
研究主题:
空间一般均衡理论中,基于扩散过程的随机边界检测方法,用于识别因果溢出效应在局部与系统性影响之间的转变。以日本各县的人工智能(AI)采纳为实证案例,结合机器学习中的去噪扩散概率模型(DDPM)与CUSUM顺序检测算法,定量分析空间溢出的动态传播及其时空边界。
核心论点及贡献:
本报告主要是在空间经济领域中估计政策(AI采纳)对劳动生产率的因果效果,并非传统公司股票估值。因此估值分析的框架是“估计政策处理效果”,其中:
本文创新构建了空间经济一般均衡溢出效应的随机跳跃边界检测框架,核心在于:
总之,该报告为空间经济学因果推断、政策评估以及经济系统风险管理提供了一套理论严密、实证可行且具有高度创新性的工具箱,意义深远。
引用标识:
以上所有分析均严格依据报告原文内容,并附带对应页码如 [5](#paper-page-5)、[27](#paper-page-27),28]等,方便后续验证和追溯。
2508.06594.pdf