05_生成式 AI 採用與企業規模：以數位密集度作為轉型代理方法

核心表格

本章由 Adriana Grigorescu、Cristina Lincaru、Florina Joita 撰寫，以 Eurostat 企業數位化資料與 Binary Logistic Regression 分析 Digital Intensity 與 AI Adoption 的關聯，並把 Digital Intensity Index（DII）作為生成式人工智慧（Generative Artificial Intelligence, GenAI）轉型的 Proxy。原書同時明確提醒：E_AI_TANY 聚合 Generative 與 Non-generative AI，因此本研究不能被解讀為直接量測純 GenAI Adoption。

核心主題	主要觀點／方法	實務用途	重要條件／限制／延伸
研究問題	Digital Intensity 是否能透過 Logistic Regression 衡量不同 Enterprise Size 的 AI／GenAI Adoption Propensity	建立 Firm Digital Readiness 與 AI Adoption 的量化框架	研究核心是 Association／Propensity，不是因果實驗
資料來源與時間	Eurostat `isoc_eb_ai`／E_AI_TANY；分析涵蓋 2018–2023，但主模型聚焦 2023	比較 European Enterprise 的 AI Adoption	章內另引用 2024 Eurostat 描述資料，不能與 2023 Logit Sample 混用
企業規模	Small 10–49、Medium 50–249、Large 250+ employees	檢查 Size 是否改變 Digital Intensity 與 AI Adoption 的關係	Micro-enterprise 無資料；主模型 Small／Medium／Large 各 N=28
DII 12 項指標	Internet Access、Fixed Speed、E-commerce、B2C Online Sales、Cloud、IT Security、3+ Security Measures、Social Networks、ICT Specialists、AI／Robots、ERP／Remote Access、CRM／Online Meetings	建立 0–12 Digital Readiness Score	AI／Robots 只占 12 項中的 1 項，因此 DII 不是 GenAI 專用指標
DII 四級分類	EVLDI 0–3；ELDI 4–6；EHDI 7–9；EVHDI 10–12	將不同 Digital Maturity 分段比較	作者進一步把它解讀為 Exploratory → Scaling → Full Integration，但這是 Proxy-based Stage Interpretation
Dependent Variable	E_AI_01：企業是否使用至少一項 AI Technology，1 = yes，0 = no	適合 Binary Logistic Regression	E_AI_TANY／E_AI_01 涵蓋 Generative＋Non-generative AI
模型設計	4 個 DII Level × 3 個 Enterprise Size = 12 個 Equation Model（em11–em43）	比較不同 Size／Digitalization Segment	原書 Table 5.3 文字抽取在部分 EVHDI／Large Model Code 有錯位，不自行重建
公式 5.1	`log(P/(1−P)) = β0 + βij × eij + εij`	估計指定 DII／Size 下企業採用 AI 的機率	SPSS 23 執行；模型假設 Digitalization 先於 AI Adoption
2023 描述統計	Small／Medium／Large 各 N=28；Mean E_AI 約 6.5286%、7.5725%、30.2714%	顯示 Large Enterprise 的 AI Use 明顯較高	Descriptive Difference 不是因果證明
2024 歐洲描述資料	Enterprise AI Adoption 約 3.07%–27.58%；Nordic／Western Europe 較高，Southern／Eastern Europe 較低	顯示 Country-level Digital Divide	屬 2024 描述性資料；不是 2023 Logit Model 的同一 Sample
Omnibus Test	EHDI／EVHDI 最穩定顯著；正文點名 `em31`、`em32`、`em42`、`em43`	判斷 Predictor 是否顯著改善模型	`p < 0.05` 代表統計顯著，不代表 Causality
R² 解釋力	Nagelkerke R²：EHDI Small 0.855、Medium 0.944、Large 0.718；ELDI Small < 0.01	比較不同 DII／Size 的 Explanatory Power	R² 不是 Accuracy%；EVHDI 被描述為 across sizes 最強，但正文未完整列出所有格值
−2 Log Likelihood	Lower = Better Fit；原書列 0.000、4.267、9.902、22.803、25.373、38.729 等例	比較 Model Fit	0.000 可能是 Perfect Fit，也可能代表 Overfitting，需 Cross-validation
Hosmer–Lemeshow	`p > 0.05` = Adequate；`p > 0.95` = Best Adjusted；原書另指出 `p < 0.25` 需改善	檢查 Observed／Predicted Fit	需和 Omnibus、R²、−2LL 合併判讀
Hypothesis Result	H1、H2、H3 = Partially Confirmed；H4 = Confirmed	辨識 Model 的有效範圍	不能總結成「四個假設全部成立」
Adoption Stage	EVLDI／ELDI = Exploratory／Early；EHDI = Scaling；EVHDI = Full Integration	將 Digital Readiness 連到 Adoption Path	屬作者 Proxy-based Interpretation，不是直接觀測每家企業的 GenAI Stage
企業政策	SMEs：Voucher、Subsidized Training、Affordable Cloud AI-as-a-Service；Large：R&D、Cross-border Partnership、Innovation Ecosystem	依 Size 設計差異化 Intervention	是作者政策建議，未在本研究中量化政策效果
研究限制	NUTS 0、Cross-industry Aggregate、Proxy Measurement、Omitted Variables、Potential Endogeneity	界定可解釋範圍與 Future Research	作者明確表示本研究不建立 Clear Causal Relationship；未來可用 IV、Panel Data、SEM 等方法

章節定位

第 5 章是一個以 Digital Intensity 作為 AI／GenAI Adoption Proxy 的實證研究章。作者沒有直接調查企業使用哪一種 GenAI Product，而是利用 Eurostat 的企業數位化資料，分析不同 Digital Intensity Level 與不同 Enterprise Size 之間的 AI Adoption Pattern，再把這個結果延伸解讀為企業由 Early Experimentation 走向 Scaling／Full Integration 的可能路徑。