供應鏈數字化能夠促進中國企業出口技術復雜度提升嗎？

[摘要]通過聚焦供應鏈數字化對企業出口技術復雜度的影響，探索供應鏈數字化如何助力企業提升出口產品質量，為構建雙循環新發展格局提供理論與實踐支撐。借助供應鏈創新與應用試點工作這一政策沖擊，構建自然準實驗，運用雙向固定雙重差實證方法，考察2008—2022年供應鏈數字化對企業出口技術復雜度的影響機制。實證結果顯示，供應鏈數字化轉型對企業出口技術復雜度具有顯著正向影響，在完成模型有效性驗證、內生性控制及多重穩健性檢驗后，研究結論仍保持高度一致性；機制檢驗顯示，供應鏈數字化通過降本增效、增韌協作和創新驅動共同推動企業出口技術復雜度提升；異質性分析表明，供應鏈數字化對非國有企業與治理水平高的企業的提升效應顯著；行業競爭力強與要素投入密集型企業在數字化推動下技術復雜度提升明顯；供應鏈效率與集中度較低的企業具有更大的提升潛力。研究結論為中國企業充分利用供應鏈數字化建設、提升出口產品質量提供了新的理論參考和經驗證據。

[關鍵詞]供應鏈數字化；企業出口技術復雜度；雙向固定雙重差分模型

一、 引言

黨的二十大報告明確提出，“加快構建以國內大循環為主體、國內國際雙循環相互促進的新發展格局”①。在新發展理念指引下，對外貿易作為我國經濟發展的重要驅動力，其發展質量與水平備受關注。2023年，中國貨物貿易出口總值達23.77萬億元，國際市場份額占比14.2%，連續15年位居全球首位②。然而，中國出口的產品仍面臨“量大質低”的困境，與全球領先水平存在一定差距[1]。從市場主體發展路徑分析，我國企業長期沿襲粗放型增長模式，過度依賴初級生產要素投入與同質化產能擴張，普遍存在研發投入不足、自主創新能力薄弱等結構性缺陷，致使產業升級進程受阻，被固化于全球價值鏈底端，出口產品技術含量與附加值長期在低位徘徊[2]。從國際環境看，貿易保護主義抬頭與全球供應鏈重構加劇了企業經營風險，迫使企業通過削減研發投入緩解成本壓力，進一步制約了出口技術復雜度提升。與此同時，傳統要素成本優勢因國際再工業化戰略沖擊而逐漸弱化，企業面臨資金、技術制約等多重瓶頸[3]。亟須通過技術升級重塑外貿競爭力破解這一困局。

當前，全球供應鏈韌性不足與數字技術革命構成雙重挑戰與機遇。一方面，世界經濟不確定性加劇，供應鏈中斷風險凸顯，提升供應鏈韌性成為迫切議題；另一方面，區塊鏈、云計算、人工智能等數字技術迅猛發展，推動傳統供應鏈向數字化深度轉型[4]。供應鏈數字化通過流程優化與結構升級，有效促進上下游資源整合與協同創新，為出口產品質量躍升提供新契機。在此背景下，供應鏈數字化作為國內大循環的內生動力，如何賦能企業出口技術復雜度提升？其作用機制又是什么？本文旨在通過分析兩者之間關系和作用機制，為構建國內外雙循環新發展格局提供路徑思考。

與本文相關的文獻主要有兩類。一是對企業出口技術復雜度的研究。在指標構建方面，早期學者基于比較優勢理論構建出口競爭力指標，后續研究逐步完善并形成了出口技術復雜度測算指數[5]。然而，國內學者在研究過程中發現該指標與中國出口產品質量測度存在現實偏差，進而采用單位產品價值和全要素生產率進行調整，使其更為契合中國現實情況[6]。在優化路徑上，雖有諸多學者從全要素生產率、創新驅動等視角論證了出口技術復雜度的提升機制[7]，但鮮有研究從供應鏈視角切入。二是對供應鏈數字化的研究。在企業經營層面，劉海建等[8]揭示了其通過管理賦能與創新賦能提升企業績效；李長英等[9]進一步論證其通過增效降本提高全要素生產率。在供應鏈整合視角，有學者提出，下游客戶數字化轉型通過“倒逼效應”與“資源效益”激發上游創新投入，并借助信息、學習與融資效應強化供應鏈韌性及企業風險承擔能力[10]。在產品出口方面，有學者提出，數字化轉型可緩解企業出口不確定性，增強出口產品的多樣性[11]。既有研究證實了供應鏈數字化對企業運營的促進作用，但在雙循環新發展格局下，要進一步探索其外延價值，特別是如何通過提升技術復雜度進而助推中國企業向全球價值鏈高端攀升的現實路徑。

本文以供應鏈創新試點政策為外生沖擊變量，基于中國海關與企業數據庫，構建雙向固定效應雙重差分模型，系統識別供應鏈數字化與出口技術復雜度之間的因果效應及傳導路徑。可能的邊際貢獻主要有以下三個方面：一是研究視角上，將供應鏈數字化與出口技術復雜度納入同一框架，拓展雙循環格局下的外貿升級路徑研究；二是在機制分析上，揭示降本增效、增韌協作與創新驅動為提升技術復雜度的三條關鍵路徑，為企業數字化轉型提供實證依據；三是在政策啟示上，通過異質性分析識別不同行業、企業屬性與供應鏈水平的差異化效應，為政企協同制定精準策略提供參考。

二、 制度背景、理論分析與研究假設

1. 制度背景

當前，數字技術正在深度重塑全球供應鏈競爭格局。在此背景下，政策層面正積極探索數字經濟與現代化供應鏈的融合路徑，明確戰略導向。2017年10月，國務院辦公廳發布《關于積極推進供應鏈創新與應用的指導意見》①，首次將供應鏈數字化納入國家戰略。2020年4月，商務部等8個部門聯合印發《關于進一步做好供應鏈創新與應用試點工作的通知》②，從試點城市和試點企業兩個層面，提出了政策實施的不同目標與任務，通過城市與企業自主申報、專家評審等程序，最終確定了55個試點城市與266家試點企業。

試點城市通過數字化基礎設施建設與政策協同，構建資源整合與效率提升的生態系統優勢，可以顯著降低企業轉型成本；企業則依托區域資源集聚實現技術融合與模式創新。既有研究大多單獨考察城市或企業維度，難以捕捉供應鏈網絡的協同效應，據此，本文基于試點政策的準自然實驗，聚焦試點城市內企業的出口技術復雜度提升機制，分析供應鏈數字化對優化企業出口技術復雜度的作用機制。

2. 理論分析與研究假設

（1）直接效應

供應鏈數字化通過信息效應重構供需匹配機制，已成為提升企業出口技術復雜度的關鍵力量。從供給端來看，供應鏈數字化為企業搭建資源整合平臺，通過與全球優質原材料供應商建立數字化對接通道，保障高品質原料穩定獲取，并與國際技術研發團隊合作，促進技術成果轉化、提升產品技術含量；同時，憑借數字化手段確保產品高效穩定輸送至國際市場，維持穩定供應能力。從需求端來看，供應鏈數字化可以提升企業的信息收集與分析能力，使其能精準把握國際市場動態、消費者偏好及競爭對手策略。通過對全球市場大數據的深度挖掘，企業能敏銳捕捉市場需求趨勢，快速調整產品外觀設計、操作便捷性等，滿足市場多樣化需求[4]；同時，憑借數字化技術助力企業深入分析多渠道信息，對產品進行精準優化與迭代升級，確保出口技術復雜度領先，靈活應對國際市場變化，贏得更大市場份額與競爭優勢。因此，本文認為供應鏈數字化通過發揮信息效應，有效構建供需兩端的精準匹配機制，為企業提升出口技術復雜度提供堅實的橋梁作用。基于此，本文提出如下假設：

H1：供應鏈數字化能夠有效促進企業出口技術復雜度的提升。

（2）間接效益

降本增效視角。供應鏈數字化能夠使企業在內部經營活動中，有效降低運營成本與提升資源利用效率，為產品研發釋放更多的資源配置空間，助力企業出口技術復雜度的優化。在生產端，供應鏈數字化通過智能合約技術提高供應鏈效率，減少不必要的生產環節資源投入，有效降低企業的生產成本[12]；同時，利用“機器換人”策略縮減閑置人力投入。在經營端，供應鏈數字化借助區塊鏈數字化技術的去中心化、不可篡改和信息溯源等特征，全面掌握鏈內企業的資信狀況并加以比較，這不僅可以降低搜索成本，而且減少因違約產生的交易成本以及額外監督成本[13]。在決策端，供應鏈數字化不僅能夠深度挖掘供應鏈底層沉淀的海量數據，擴充經營決策所需的信息儲備，提升資源配置效率[14]，還能夠利用人工智能技術精準捕捉海外市場消費者的需求動態，并結合自身渠道信息合理布局和選址產品銷售渠道，有效規避因地區供需失衡引發的資源錯配問題[15]。

增韌協作視角。除了內部資源成本控制和資源效率提升，風險承擔能力也是企業開拓市場和運營海外業務的重要動因。供應鏈數字化通過信息效應優化產業鏈的風險承擔能力和產品協作深度，為企業開展產品研發協作提供了穩定的外部環境。對上游企業而言，能夠通過物聯網、區塊鏈等技術增加供應鏈信息的透明度，緩解以往傳統供應鏈模式下“牛鞭效應”形成的經營風險問題[16]。比如，數字供應鏈平臺將與業務相關的價格、需求變動等私人信息轉化為鏈內共有信息，幫助上游企業調整生產經營戰略，減少受信息波動效應造成的資源浪費的影響[17]。對下游企業而言，能夠通過高透明度、真實性和時效性的信息交互機制提高供應鏈資源配置效率，利用大數據精準分析提前預測海外消費者的需求波動，構建用戶畫像[18]，實現產品的“增量提質”，增強供需協調能力和供應鏈的抗風險能力。對中游企業而言，一方面，能夠借助供應鏈信息技術打破上下游企業間的信息阻礙，實現采購、生產和銷售的優化調整，加深對生產要素價格、質量等信息的了解[19]，提高內部資源配置效率；另一方面，能夠發揮數字技術的高鏈接性和強滲透性，打破傳統供應鏈在地理、行業上的限制，將原本的單向靜態鏈式組織結構轉變為更加復雜的網絡化、動態化結構，擴大企業間的選擇邊界，加強供應鏈參與者的協同效應[20]，為開展“長尾產品”研發合作提供良好的外部條件。

創新驅動視角。企業創新投入活動周期長、投入風險大等特點，阻礙了企業參與創新活動。供應鏈數字化有助于企業克服參與創新的障礙，提高企業的創新能力[8]。在研發投入的成功率上，一方面，供應鏈數字化能夠利用數字技術和大數據洞察客戶真實需求，降低企業創新投入失敗風險[21]；另一方面，供應鏈數字化可以助力企業通過數字孿生與仿真技術將實驗要素數字化，通過更高頻次的數字實驗更為精準、有效地完成創新目標，有效提升創新成功概率。在刺激研發支出上，供應鏈數字化能夠減少產品聯合研發中斷風險，提高產品研發的連貫性[22]。具體而言，一方面，下游客戶企業為了確保產品的品質要求向上游供應商提供技術和知識支持；另一方面，下游企業通過供應鏈數字化技術邀請上游供應商參與新產品的研發與合作[23]。這種資源和技術雙向流通的產品研發模式，能充分利用各方獨特的優勢資源，從多個維度全方位提升產品整體的競爭力與質量，為出口技術復雜度的提升匯聚多元創新力量。

綜上，本文認為供應鏈數字化通過降本增效在企業經營層面集聚更多的資源，通過增韌協作在供應鏈層面提供產品研發的穩定外部合作環境，通過創新驅動在產品層面增加研發投入的力度和準確率，進而共同促進出口技術復雜度的提升。基于此，本文提出如下假設：

H2：供應鏈數字化通過降本增效提升企業出口技術復雜度。

H3：供應鏈數字化通過增韌協作促進出口技術復雜度的穩定性提升。

H4：供應鏈數字化通過創新驅動優化企業出口技術復雜度。

供應鏈數字化通過多種路徑驅動出口技術復雜度升級（圖1）。

lt;E：＼2025-3＼圖片＼換32頁圖1.pnggt;

圖1 供應鏈數字化促進中國企業出口技術復雜度提升機制圖

三、 研究設計

1. 變量設定

（1）解釋變量：供應鏈數字化（[Time×Treat]）

本文將供應鏈數字化（[Time×Treat]）作為解釋變量。借鑒李長英等[9]的研究，將供應鏈創新與應用試點工作政策實施作為一次外生沖擊并分別構建實踐組虛擬變量[Treat]和時間虛擬變量[Time]的交互項。考慮到產業集聚效應，將位于試點城市的企業賦值為1，反之為0；以政策頒布年份作為界點，2018年以后賦值為1，反之為0。

（2）被解釋變量 ：企業出口技術復雜度（EXPY）

本文將企業出口技術復雜度（EXPY）作為被解釋變量。鑒于中國企業出口產品屬性與價格要素扭曲可能會造成計算結果的偏誤，因此，本文借鑒高翔等[24]的做法，使用全要素生產率對行業出口技術復雜度進行調整，具體步驟如下：

首先，根據UN Comtrade數據庫2008—2022年多國HS96編碼產品出口數據，運用公式（1）測算具體產品q的出口技術復雜度。式中，[PRODYq]是指國家級層面的出口技術復雜度指數，[q]代表某一產品，[C]代表某一國家或地區，[Xcq]代表c國家或地區產品q的出口額，[X]為該國的出口總額，[Pcgdp]表示該國的人均GDP水平，數據來自世界銀行和Wind數據庫。

[PRODYq=CXcq/XccXcq/XcPcgdpc]" （1）

其次，參考余娟娟等[6]的做法，將HS96編碼轉化為國民經濟行業分類2位碼。之后，以中國海關數據庫中企業產品出口份額為權重，利用公式（2）計算行業層面的出口技術復雜度（[EXPYcj]），式中，X表示c國j行業[q]產品出口占[C]國j行業總出口的比重。計算得出中國行業的出口技術復雜度。

[EXPYcj=qXjqXcjPRODYq] （2）

最后，根據公式（3），使用全要素生產率（TFP）對前期測算的行業出口技術復雜度進行校準，最終生成企業層面的出口技術復雜度指標。式中，[EXPYi]為i企業出口技術復雜度，[TFP]為采用LP算法得出的企業全要素生產率，在穩健性檢驗中，采用OP法和普通最小二乘法（OLS）的全要素生產率進行調節驗證。

[EXPYi=TFPiTFPjEXPYcj] （3）

（3）控制變量

參考劉婧玲等[3]、李長英等[9]、張玲富等[21]的做法，選取企業成立年限（FirmAge）、企業規模（Size）、資產負債率（Lev）、現金流比率（CashFlow）、托賓Q值（TobinQ）、凈資產收益率（ROE）和資產周轉率（ATO）作為控制變量。

（4）中介變量

本文認為，供應鏈數字化（[Time×Treat]）能夠從企業層面降低經營成本（OE）和提升全要素生產率（TFP-LP），即通過“降本增效”賦能企業出口技術復雜度（EXPY）；在供應鏈層面能夠增加供應鏈抗風險能力（Resis）與協作能力（SCC），即通過“增韌協作”提高企業出口技術復雜度（EXPY）；聚焦與產品層面能夠強化數實產業融合（TechConv）和增加研發支出（Ramp;D），即通過“創新驅動”助力企業出口技術復雜度進階。

2. 雙向固定雙重差分模型

本文將供應鏈創新與應用試點工作作為企業供應鏈數字化建設的一項準自然實驗，利用雙向固定雙重差分模型檢驗供應鏈數字化與企業出口技術復雜度的因果效應，構建如下計量模型：

[EXPYit=α0+β0Timet×Treati+γControlit+Firmi+Yeart+εit] （4）

上式中，[EXPYit]表示企業出口技術復雜度；[Timet]表示試點政策前后的時間虛擬變量（2018年及其之后取值為1，反之為0）；[Treati]表示企業是否位于試點城市的虛擬變量（若是位于試點城市取值為1，反之為0）；[Time×Treat]為核心解釋變量，系數[β]是關注的重點，若系數為正，則表明供應鏈數字化能夠提升企業出口技術復雜度。[Control]表示一系列控制變量。[Firmi]和[Yeart]分別代表個體和年份的固定效應。[εijt]為隨機誤差項，表示其他未被觀測到的因素對企業出口技術復雜度的影響。

3. 數據來源及處理

本文將2008—2022年A股上市公司作為觀測對象，進行樣本篩選以確保數據質量。首先，為規避特殊行業對研究結果造成的誤差，剔除金融及保險行業的公司；其次，保障調查樣本公司財務監控和經營穩定性，剔除ST、*ST和PT類公司；最后，剔除關鍵變量數據缺失的樣本，最終得到16714個企業-年度樣本觀測值。數據來自多個官方平臺或權威數據庫，上市公司經營數據主要來自CSMAR數據庫和Wind數據庫，產品出口數量來自中國海關數據庫，各國人均GDP數據來自世界銀行發布數據，企業數實產業技術融合來自國家知識產權局專利數據庫，其余數據均來自CNRDS數據庫。為減少極端值的影響，將所有連續變量進行1%和99%Winsorize處理。表1報告了主要變量的描述性統計結果。

表1 描述性統計

[變量類型 變量名稱 符號 Obs Mean Std.Dev. Min Max 被解釋變量 企業出口技術復雜度 EXPY 16714 4.907 0.771 2.376 6.595 解釋變量 供應鏈數字化 Time×Treat 16714 0.313 0.464 0 1 中介變量 降本增效 OE 16714 -2.089 0.771 -5.676 1.217 TFP-LP 16714 8.285 0.943 5.093 11.852 增韌協作 Resis 16714 -1.33 0.902 -8.36 1.832 SSC 16714 0.327 0.151 0.033 0.954 創新驅動 Ramp;D 16714 0.259 0.893 0 21.602 TechConv 16714 0.268 0.617 0 6.225 控制變量 成立年限 FirmAge 16714 2.951 0.3 1.609 4.174 企業規模 Size 16714 22.146 1.171 17.806 27.621 資產負債率 Lev 16714 0.393 0.191 0.008 0.008 現金流比率 CashFlow 16714 0.053 0.069 0.069 0.839 托賓Q值 TobinQ 16714 2.162 2.162 0.681 92.25 凈資產收益率 ROE 16714 0.064 0.479 -42.57 12.901 資產周轉率 ATO 16714 0.659 0.392 0.016 7.788 ]

四、 實證結果分析

1. 基準回歸

表2報告了基準回歸結果。列（1）至列（3）分別檢驗了供應鏈數字化在考慮個體和時間固定效應以及企業特征變量的情況下對企業出口技術復雜度（EXPY）的影響。其中，列（1）供應鏈數字化的系數為0.190，且在1%水平上顯著，初步表明在未考慮個體和時間固定效應的情況下供應鏈數字化對企業出口技術復雜度具有顯著的促進作用。列（2）供應鏈數字化的系數為0.019，且在10%水平上顯著。由此可見，即便考慮了個體與時間方面因素的影響，供應鏈數字化依舊能夠促進企業出口技術復雜度提升。列（3）為在此基礎上又加入企業特征控制變量的回歸結果，結果顯示，供應鏈數字化的系數為0.024，且在5%水平上顯著。通過這一系列逐步增加控制因素的回歸分析，結果持續驗證了供應鏈數字化對企業出口技術復雜度的正向促進作用，假設H1得以驗證。

表2 基準結果

[ EXPY EXPY EXPY （1） （2） （3） Time×Treat 0.190***（0.013） 0.019*（0.011） 0.024**（0.010） Lev 0.104***（0.032） CashFlow 0.235***（0.049） TobinQ -0.023***（0.002） FirmAge 0.109（0.073） Size 0223***（0.008） ROE 0.005（0.005） ATO 0.232***（0.025） 常數項 4.847***（0.007） 4.899***（0.004） 4.417***（0.215） 個體固定效應 否 是 是 時間固定效應 否 是 是 觀測值 16714 16345 16345 調整R2 0.013 0.864 0.868 ]

注：*、**、***分別表示在10%、5%、1%的水平下顯著；括號內為標準誤，下同

2. 有效性檢驗

（1）平行趨勢檢驗

為確保雙向固定雙重差分模型估計的無偏性，本文參考張樹山等[25]的研究進行平行趨勢檢驗。

[EXPYit=α2+k=20142022β2Treati×Yearkt+γControlit+Firmi+Yeart+εit]" （5）

上式中，[Yeark]為衡量樣本年份與供應鏈數字化試點政策沖擊年份的時間間隔，k為政策實施年（current）。本文將供應鏈數字化實施的前一年（2017年）作為基期，因而圖2中沒有顯示-1期。重點關注系數[β2]，它反映k年處理組和對照組企業出口技術復雜度的差異。由圖2結果可知，在供應鏈數字化試點政策實施前，處理組與對照組的估計系數波動較小且基本圍繞零上下波動，表明兩組企業在該時期無系統性差異，符合平行趨勢假設。政策實施后，處理組企業出口技術復雜度的估計系數顯著上升，且與對照組逐漸拉開差距，進一步說明供應鏈數字化試點政策對企業出口技術復雜度產生了積極影響，有力支持了模型估計的無偏性，平行趨勢檢驗通過。

（2）安慰劑檢驗

為進一步驗證供應鏈數字化對企業出口技術復雜度的積極影響并非由其他隨機因素導致，本文使用安慰劑檢驗對供應鏈數字化的偶然性進行識別。具體而言，通過500次交互項隨機抽樣生成偽政策變量，并進行重復回歸分析，結果如圖3所示。偽政策變量的回歸系數均值趨近于零，其分布呈現正態性特征，且超過90%的p值高于0.1閾值。表明供應鏈數字化對出口技術復雜度的正向效應是系統性政策干預的結果，而非隨機性干擾的產物，從而進一步佐證了基礎回歸結果的穩健性。

lt;E：＼2025-3＼圖片＼換35頁圖2.pnggt;

圖2 平行趨勢檢驗

lt;E：＼2025-3＼圖片＼換35頁圖3.pnggt;

圖3 安慰劑檢驗

（3）預期效應檢驗

為進一步檢驗供應鏈數字化對企業出口技術復雜度的預期效應，本文在模型（2）的基礎上添加交互項[Year2017×Treat]再進行檢驗。其中，[Year2017]表示供應鏈數字化實施前一年（2017年）的虛擬變量，如表3列（1）結果所示，[Year2017×Treat]估計系數并不顯著，說明供應鏈數字化政策效應的估計系數和顯著性未發生明顯變化。由此可見，供應鏈數字化對企業出口技術復雜度的影響不存在預期效應，研究結果仍然穩健。

3. 內生性與穩健性檢驗

（1）內生性檢驗

內生性問題可能干擾供應鏈數字化政策試點與企業出口技術復雜度的因果推斷，為此，本文從樣本選擇、變量測度和反向因果三個維度進行內生性檢驗。首先，樣本自選擇可能導致非隨機分組偏誤。試點城市憑借資源稟賦優勢吸引高潛力企業入駐，此類企業的固有優勢不屬于政策效果，可能干擾因果推斷。為此，本文使用Heckman兩步法與雙重匹配策略進行矯正。表3列（2）結果顯示，Heckman模型的逆米爾斯比率（IMR）顯著為負且供應鏈數字化系數穩健，初步證實了樣本選擇機制的可控性。進一步使用傾向得分匹配（PSM）和熵平衡匹配（EP）重構實驗組與對照組，確保協變量分布平衡，消除由區位異質性引發的估計偏誤。表3列（3）至列（4）結果所示，供應鏈數字化系數仍顯著為正，表明樣本選擇偏誤已有效控制。其次，變量測度偏差可能致使研究結論偏離真實情境。本文從兩個方面優化測度方法：一是重構核心解釋變量，將試點城市內企業設為控制組，其余企業作為對照組，以避免傳統測速對政策外溢效應的遺漏；二是采用OP和OLS算法重新校準行業出口技術復雜度，避免單一測度偏差。表3列（5）至列（7）顯示，供應鏈數字化系數顯著為正，驗證了變量重構后結論的穩健性。最后，識別潛在的反向因果關系，即可能存在出口技術復雜度較高的企業憑借自身資源要素優勢，更早獲取試點資質，并非由供應鏈數字化試點直接推動企業出口技術復雜度的提升，形成回歸結果偏差。為識別反向因果，本文采用Hausman檢驗對比固定效應與隨機效應模型，若兩模型系數差異顯著，則存在內生性問題；反之則表明因果推斷可靠。表3列（8）結果顯示，系數差異不顯著，反向因果路徑可排除。

表3 內生性檢驗

[ 預期效應

檢驗 Heckman兩步法 PSM-DID EP-DID 替換解釋變量 EXPY-OP EXPY-OLS Hausman檢驗 （1） （2） （3） （4） （5） （6） （7） （8） Time×Treat 0.175***

（0.013） 0.176***

（0.0124） 0.041***（0.009） 0.172***（0.012） 0.023***（0.009） 0.025***（0.009） 0.093***（0.009） Time×Treat1 0.503***（0.175） 控制變量 是 是 是 是 是 是 是 是 常數項 3.986***（0.059） 4.1306***（0.068） 1.497***（0.059） 4.058***（0.066） 4.516***（0.216） 2.991***（0.165） 3.179***（0.174） 1.935***（0.055） Year2017×Treat -0.015（0.02） IMR -0.5170***（0.116） 個體固定效應 是 是 是 是 是 是 是 是 時間固定效應 是 是 是 是 是 是 是 是 N 16714 16714 16345 16714 16345 16345 16345 16714 調整R2 0.091 0.191 0.872 0.080 0.868 0.883 0.883 0.151 ]

（2）穩健性檢驗

為進一步增強結論的可靠性，本文進行如下穩健性檢驗。一是排除同期政策干擾。鑒于國家級大數據綜合試驗區政策可能影響企業出口技術復雜度，將其作為虛擬變量納入基準回歸模型，以識別供應鏈數字化政策的獨立效應，避免估計偏差。二是排除異常年份的干擾。考慮新冠疫情沖擊，剔除2020年樣本后重新回歸。三是針對潛在序列相關性和異方差問題，將標準誤分別聚類在行業及省份-行業層面，提高統計結果準確性。四是為防止遺漏企業特征變量，加入營業收入增長率（Growth）、管理層持股比例（Mshare）和上市年限（ListAge），以更為全面地考慮個體差異，提升模型解釋力和擬合優度。五是控制行業-年份和省份-年份固定效應，捕捉未觀測因素影響，減少遺漏變量偏差，確保研究結果能準確反映因果關系。經上述處理，結果依然穩健（表4），進一步驗證了結論的可靠性。

表4 穩健性檢驗

[ 排除同期政策干擾 改變樣本區間 聚類行業 聚類省份 增加控制變量 高維固定 （1） （2） （3） （4） （5） （6） Time×Treat 0.018*

（0.011） 0.025**

（0.012） 0.177***

（0.05） 0.177***

（0.019） 0.026***

（0.009） 0.026***

（0.01） 控制變量 是 是 是 是 是 是 常數項 4.412***

（0.22） 4.404***

（0.233） 3.984***

（0.36） 3.984***

（0.165） 3.282***

（0.177） 4.514***

（0.179） 個體固定效應 是 是 是 是 是 是 時間固定效應 是 是 是 是 是 是 行業固定效應 否 否 是 否 否 否 省份固定效應 否 否 否 否 否 否 N 16345 14296 16714 16714 16345 16340 調整R2 0.868 0.859 0.09 0.09 0.884 0.873 ]

五、 機制檢驗

前文討論了供應鏈數字化與企業出口技術復雜度之間的因果關系，但未解析其潛在作用機制。本文借鑒江艇[26]的方法構建中介模型，聚焦核心變量與中介變量因果聯系，如式（6）所示：

[Mit=α1+β1Timet×Treati+γControlit+Firmi+Yeart+εit] （6）

上式中，[Mit]代表中介變量，包括企業經營成本（OE）、全要素生產率（TFP-LP）、供應鏈抵抗力（Resis）、供應鏈協作力（SSC）、研發投入（Ramp;D）和數實融合水平（TechConv）。

1. 降本增效

基于前文所探討的作用原理，本文采用降低經營成本（OE）和提高全要素生產率（TFP-LP）來衡量供應鏈數字化試點在企業經營層面通過 “降本增效” 賦能出口技術復雜度優化的作用機制。一方面采用管理費用與銷售費用之和占營業收入比值的自然對數衡量企業成本控制成效；另一方面借鑒李長英等[9]的做法，使用LP算法的企業全要素生產率衡量企業的生產效率。表5列（1）、列（2）分別報告了降低經營成本和提高全要素生產率的影響機制檢驗結果。實證研究表明，供應鏈數字化的降本增效作用顯著影響企業出口產品質量，具體表現為企業出口產品質量隨著成本的降低和全要素生產率的提高而得到提升。

2. 增韌協作

承接前文所提及的作用路徑探討，本文采用供應鏈抵抗能力（Resis）和協作能力（SCC）兩個指標用于衡量供應鏈數字化在供應鏈層次通過增韌協作提高出口技術復雜度的影響路徑。一是借鑒潘紅波等[27]的做法，采用企業與前五大客戶連續年份內穩定客戶數量占比情況衡量供應鏈抵抗力（Resis），其數值越大說明企業供應鏈抵抗能力越高、運行越穩定。二是借鑒李穎等[28]對供應鏈話語權的衡量方法，將上市公司前五大供應商和前五大客戶的采購與銷售比例之和的均值代表企業供應鏈協作能力（SCC）。該指標為反向指標，數值越大，表明企業越依賴供應鏈上下游、在供應鏈中的話語權也就越弱。表5列（3）、列（4）分別報告了提升供應鏈抵抗力和協作力的影響機制檢驗結果。實證研究表明，供應鏈數字化通過增加供應鏈韌性和提升供應鏈協作能力，對企業出口產品質量產生積極影響。

3. 創新驅動

遵循前文闡述的內在機制脈絡，本文使用企業數實融合指數（TechConv）和研發支出（Ramp;D）衡量供應鏈數字化試點在產品層面通過創新驅動優化企業出口技術復雜度的影響機制。一是參考黃先海等[29]的研究方法，獲取企業各年度數實產業技術融合的數量加1后并取自然對數，構建企業數實融合指數（TechConv）。二是使用研發支出（Ramp;D）作為衡量企業創新投入力度。表5列（5）、列（6）分別報告了企業數實產業融合和增加研發支出的影響機制檢驗結果。實證研究表明，供應鏈數字化通過提升企業數實產業融合和增加研發支出對企業出口技術復雜度產生正向影響。

表5 機制檢驗

[ 降本增效 增韌協作 創新驅動 OE LP1 Resis SSC TechConv Ramp;D （1） （2） （3） （4） （5） （6） Time×Treat -0.036***（0.011） 0.027***（0.011） 0.046***（0.013） -0.005*（0.003） 0.146***

（0.025） 0.121***（0.016） 控制變量 是 是 是 是 是 是 常數項 -1.591***（0.288） 5.936***（0.244） -0.903***（0.228） 0.382***（0.046） 1.188***

（0.416） 0.421*（0.243） 個體固定效應 是 是 是 是 是 是 時間固定效應 是 是 是 是 是 是 N 16345 16345 16107 15583 14325 16345 調整R2 0.882 0.926 0.85 0.811 0.557 0.803 ]

六、 異質性分析

企業異質性、行業異質性與供應鏈效能差異，會顯著作用于運營模式與資源配置策略，導致供應鏈數字化對出口技術復雜度的影響效應具有顯著的異質性特征。因此，本部分從企業、行業和供應鏈表現三個方面進行異質性分析。

1. 考慮企業異質性

（1）股權性質

從股權性質差異來看，企業產權屬性顯著影響供應鏈數字化的技術溢出效應。本文構建虛擬變量國有企業（EQ1）和非國有企業（EQ2）進行異質性檢驗，表6列（1）、列（2）顯示，非國有企業在供應鏈數字化建設對出口技術復雜度的提升效果更為明顯，而對國有企業的提升效果并不顯著。究其原因：一是非國有企業面臨的市場競爭約束較強，倒逼其通過供應鏈數字化突破資源瓶頸；二是扁平化的決策架構使非國有企業能夠更快地響應市場需求；三是國有企業可能存在監督缺位造成的數字化關系進程較慢，導致企業管理者數字能力與供應鏈數字化轉型現實相割裂，降低了轉型成效[19]。

（2）公司治理水平

從公司治理水平差異性來看，企業的治理效能是數字化成效的調節變量。本文借鑒周宏等[30]的研究，使用主成分法構建公司治理指數CGL，根據治理水平結果將企業劃分為高治理組（CGL1）與低治理組（CGL2）進行異質性檢驗。表6列（3）、列（4）結果顯示，供應鏈數字化對公司治理水平較高企業的出口技術復雜度提升效果更為明顯。這得益于，高水平治理組的企業通常具備更完善的風險管理和經營決策機制，能夠借助供應鏈數字化進行科學評估投資風險與回報。同時，高治理組企業通常具備高效的溝通機制，可以加強部門間的信息流通。相比之下，低水平治理組企業在信息共享、資源配置、風險控制等方面存在問題，抑制了對出口技術復雜度的提升效果。

2. 考慮行業異質性

（1）區分行業要素集中度

從要素集中度差異來看，勞動密集型行業的出口技術復雜度提升效果更為明顯。本文根據行業要素集中度構建勞動密集型企業（ICD1）和非勞動密集型企業（ICD2）進行異質性檢驗。表6列（5）、列（6）匯報的結果顯示，供應鏈數字化對勞動密集型行業的出口技術復雜度的優化效果更為顯著。可能的原因：一是資源集約的需要。勞動密集型企業再生產過程對勞動力依賴較大，通過供應鏈數字化融合能夠從生產、物流和運營端降低人力成本，提高資源集約效率。二是在提升空間方面，非勞動密集型企業具備更高的數字化水平和創新能力，相較于勞動密集型企業，供應鏈數字化的技術溢出空間有限。

（2）區分行業競爭度

從行業競爭差異性來看，高競爭環境行業的供應鏈數字化驅動效應更為顯著。本文使用HHI指數將企業劃分為高競爭企業（IDC1）和低競爭企業（IDC2）進行異質性檢驗。表6列（7）、列（8）回歸結果顯示，供應鏈數字化對高市場競爭度行業的出口技術復雜度優化成效更為明顯。這是由于，高競爭行業的企業面臨更為激烈的同質化競爭，供應鏈數字化能夠通過優化生產流程和整合鏈內資源，提升企業競爭力。因此，高競爭企業更傾向于構建供應鏈數字化平臺，提升出口產品技術復雜度。

表6 異質性分析1

[ 股權性質 公司治理水平 行業集中度 行業集中度 國企 非國企 高水平 低水平 勞動密集型 非勞動密集型 高競爭度 低競爭度 （1） （2） （3） （4） （5） （6） （7） （8） Time×Treat 0.014（0.018） 0.026**（0.013） 0.027*（0.016） 0.006

（0.014） 0.033**

（0.013） 0.018

（0.012） 0.042***（0.009） 0.008（0.018） 控制變量 是 是 是 是 是 是 是 是 常數項 4.389***（0.462） 4.540***（0.26） 4.167***（0.333） 4.459***（0.322） 3.355***（0.293） 4.716***（0.249） 3.741***（0.278） 5.491***（0.330） 個體固定效應 是 是 是 是 是 是 是 是 時間固定效應 是 是 是 是 是 是 是 是 N 4266 12053 7777 8362 3367 12964 8066 8194 調整R2 0.886 0.866 0.872 0.875 0.974 0.809 0.965 0.774 ]

3. 考慮供應鏈異質性

（1）供應鏈效率

從供應鏈效率差異性來看，供應鏈效率較低的企業賦能效應更為顯著。本文使用企業存貨周轉天數衡量企業的供應鏈效率并構建高效率組（SCE1）和低效率組（SCE2）進行異質性檢驗。表7列（1）、列（2）結果顯示，供應鏈數字化對供應鏈效率較低企業出口技術復雜度的促進作用更為明顯。可能是由于供應鏈效率低的企業通過供應鏈數字化可在庫存管理、物流調度、信息共享方面改進，提升生產效率與產品質量，進而提升出口技術復雜度，而供應鏈效率高的企業數字化邊際效益較小。

（2）供應鏈集中度

供應鏈集中度可通過多種渠道對企業表現產生影響。使用五大供應商采購額占總采購額的比率將企業劃分高集中度組（SCC1）和低集中度（SCC2），表7列（3）、列（4）結果顯示，供應鏈數字化對供應鏈集中度較低企業的出口技術復雜度優化效果更為明顯。可能的原因主要有兩方面：一方面，供應鏈集中度較高的企業對主要客戶依賴程度高，在供應鏈中的話語權相對較低，其開展供應鏈數字化轉型的能力與動力均較弱。相較而言，供應鏈集中度較低的企業在供應鏈選擇上靈活性更大，其借助供應鏈數字化優化供應鏈資源，進而提升出口技術復雜度的動機更為顯著。另一方面，供應鏈集中度較低企業可通過構建高效的供應鏈協同機制，強化供應鏈間的信息交流與合作，這有助于提升供應鏈整體效率與響應速度，從而在提升出口技術復雜度方面具有更大的潛力。

表7 異質性分析2

[ 供應鏈效率 供應商集中度 高效率 低效率 高集中度 低集中度 （1） （2） （3） （4） Time×Treat -0.005

（0.017） 0.049***

（0.013） -0.015

（0.021） 0.046***

（0.01） 控制變量 是 是 是 是 常數項 4.602***

（0.346） 4.584***

（0.23） 5.297***

（0.376） 3.708***

（0.296） 個體固定效應 是 是 是 是 時間固定效應 是 是 是 是 N 7999 8002 7845 8145 調整R2 0.861 0.902 0.819 0.956 ]

七、 結論與啟示

本文以供應鏈創新與應用試點工作為準自然實驗，基于2008—2022年A股上市公司經營數據和中國海關數據庫，構建供應鏈數字化影響企業出口技術復雜度的理論模型，系統闡釋其作用機理。主要研究結論如下：第一，供應鏈數字化建設能夠顯著促進企業出口技術復雜度提升，經系列模型有效性檢驗、內生性與穩健性檢驗后結論依然成立。第二，機制檢驗表明，供應鏈數字化轉型通過“降本增效、協同增韌與創新驅動”的傳導路徑實現技術復雜度提升。第三，異質性分析顯示，從企業屬性來看，非國有企業和公司治理水平高的企業在轉型紅利獲取中更具效率彈性；就行業特征而言，行業競爭力強和要素密集型企業呈現更顯著的技術躍遷；在供應鏈層面，供應鏈效率高或供應鏈集中度低的企業在數字化轉型中具有更大的增值空間。

基于研究結論，本文提出以下建議：

企業戰略優化層面，構建“示范引領—生態協同—需求驅動”的數字化轉型體系。第一，龍頭企業須強化政策乘數效應，重點突破區塊鏈溯源、物聯網感知等核心技術，通過數字孿生系統實現研發—生產—物流全鏈路可視化管控。第二，依托試點數據中心構建產業鏈數字神經網絡，建立供應商能力圖譜與產能共享平臺，實現跨企業業務協同與應急響應。第三，構建用戶需求數字孿生體，運用深度學習算法建立市場信號傳導機制，形成“需求洞察—敏捷研發—精準供給”的閉環創新體系。

政府治理創新層面，實施“三維度”政策組合拳。第一，制度設計維度，建立“企業類型—行業特征—供應鏈位勢”三維政策適配機制。針對民營企業實施“研發補貼+數字債券+專利質押”的融資組合，設置國有企業供應鏈數字化滲透率考核指標；面向勞動密集型企業推行“智能設備置換券”，構建高新企業“創新成果產業化率”階梯獎勵與動態淘汰機制。第二，基建布局維度，打造“東數西算—新基建構建—傳統設施升級”的協同發展格局。東部地區發揮技術、人才與產業優勢，搭建數字創新平臺，構建供應鏈數字化新業態；中西部地區構建“區域算力樞紐+產業數字大腦”體系，同步實施傳統物流設施智能化改造工程。第三，在風險管控維度建立“績效評估—動態調整”監管機制，對政策依賴型企業實施支持力度遞減方案；深度參與跨境數據流動、數字產品認證等國際規則制定，構建數字貿易“中國方案”制度框架。

參考文獻：

[1] 周茂，李雨濃，姚星，等.人力資本擴張與中國城市制造業出口升級：來自高校擴招的證據[J].管理世界，2019，35（5）：64-77.

[2] 李坤望，蔣為，宋立剛.中國出口產品品質變動之謎：基于市場進入的微觀解釋[J].中國社會科學，2014（3）：80-103.

[3] 劉婧玲，劉經珂，陳艷瑩.跨境電商綜試區提升了城市制造業出口技術復雜度嗎？[J].世界經濟研究，2024（7）：58-71.

[4] 巫強，姚雨秀.企業數字化轉型與供應鏈配置：集中化還是多元化[J].中國工業經濟，2023（8）：99-117.

[5] HAUSMANN R， HWANG J， RODRIK D.What You Export Matters[J].Journal of Economic Growth， 2007（12）：1-25.

[6] 余娟娟，余東升.政府補貼、行業競爭與企業出口技術復雜度[J].財經研究，2018，44（3）：112-124.

[7] 劉信恒.數字經濟、資源再配置與出口國內附加值率[J].國際經貿探索，2023，39（1）：36-51.

[8] 劉海建，胡化廣，張樹山，等.供應鏈數字化與企業績效——機制與經驗證據[J].經濟管理，2023，45（5）：78-98.

[9] 李長英，王曼.供應鏈數字化能否提高企業全要素生產率？[J].財經問題研究，2024（5）：75-88.

[10] 楊金玉，彭秋萍，葛震霆.數字化轉型的客戶傳染效應——供應商創新視角[J].中國工業經濟，2022，（8）：156-174.

[11] 孟夏，董文婷.企業數字化轉型與出口競爭力提升——來自中國上市公司的證據[J].國際貿易問題，2022（10）：73-89.

[12] CHANG S E， CHEN Y C， LU M F.Supply Chain Re-Engineering Using Blockchain Technology：A Case of Smart Contract based Tracking Process[J].Technological Forecasting and Social Change，2019（144）：1-11.

[13] 袁淳，肖土盛，耿春曉，等.數字化轉型與企業分工：專業化還是縱向一體化[J].中國工業經濟，2021，（9）：137-155.

[14] 王欣，付雨蒙.企業數字化對國際化深度的影響研究[J].經濟學動態，2023（3）：104-124.

[15] QUEIROZ M M， TELLES R， BONILLA S H.Blockchain and Supply Chain Management Integration： A Systematic Review of the Literature[J].Supply Chain Management： An International Journal，2020，25（2）：241-254.

[16] HOFMANN E， RüSCH M.Industry 4.0 and the Current Status as Well as Future Prospects on Logistics[J].Computers in Industry，2017（89）：23-34.

[17] 楊志強，唐松，李增泉.資本市場信息披露、關系型合約與供需長鞭效應——基于供應鏈信息外溢的經驗證據[J].管理世界，2020，36（7）：89-105.

[18] 逯海勇，宋培，李琳，等.數字基礎設施與國內市場一體化——對加快建設國內統一大市場的啟示[J].南方經濟，2023（12）：128-142.

[19] 李青原，李昱，章尹賽楠，等.企業數字化轉型的信息溢出效應——基于供應鏈視角的經驗證據[J].中國工業經濟，2023（7）：142-159.

[20] 陳劍，黃朔，劉運輝.從賦能到使能——數字化環境下的企業運營管理[J].管理世界，2020，36（2）：117-128.

[21] 張玲富，豆勇芳，王海靈.供應鏈數字化如何改善供應鏈效率——基于供應鏈創新與應用試點政策的準自然實驗[J].現代管理科學，2024（4）：72-84.

[22] ZIMMERMANN R， FERREIRA L M D F， MOREIRA A C.The Influence of Supply Chain on the Innovation Process：A Systematic Literature Review[J].Supply Chain Management： An International Journal，2016，21（3）：289-304.

[23] CHAVEZ R， YU W， JACOBS M A，et al.Data-Driven Supply Chains，Manufacturing Capability and Customer Satisfaction[J].Production Planning amp; Control，2017，28（11-12）：906-918.

[24] 高翔，袁凱華.清潔生產環境規制與企業出口技術復雜度——微觀證據與影響機制[J].國際貿易問題，2020（2）：93-109.

[25] 張樹山，谷城.供應鏈數字化與供應鏈韌性[J].財經研究，2024，50（7）：21-34.

[26] 江艇.因果推斷經驗研究中的中介效應與調節效應[J].中國工業經濟，2022（5）：100-120.

[27] 潘紅波，張哲.高管-客戶關系與企業客戶穩定度[J].管理學報，2020，17（2）：196-203.

[28] 李穎，吳彥辰，田祥宇.企業ESG表現與供應鏈話語權[J].財經研究，2023，49（8）：153-168.

[29] 黃先海，高亞興.數實產業技術融合與企業全要素生產率——基于中國企業專利信息的研究[J].中國工業經濟，2023（11）：118-136.

[30] 周宏，周暢，林晚發，等.公司治理與企業債券信用利差——基于中國公司債券2008—2016年的經驗證據[J].會計研究，2018（5）：59-66.

基金項目：新疆維吾爾自治區普通高等學校人文社會科學基地基金項目“‘雙循環’新發展格局下新疆出口貿易高質量發展路徑研究”（項目編號：XJEDU2022XJ007）。

作者簡介：胡青江，男，博士，新疆財經大學中國（新疆）與中亞區域經濟合作研究中心研究員，國際經貿學院副教授，碩士生導師，研究方向為國際貿易、區域經濟;邱旭，男，新疆財經大學國際經貿學院碩士研究生，研究方向為國際貿易。

（收稿日期：2025-01-09" 責任編輯：殷 俊）