而近年来随着贸易全球化进程的推进，中国贸易网络逐渐深化、地位不断提升（蒋小荣等，2018；毛海欧和刘海云，2019），企业平均贸易网络整体也呈深化趋势（吕越和尉亚宁，2020）。因此，探究企业贸易网络深化能否以及如何影响企业产能利用率具有重要的理论和现实意义。理论上，贸易网络深化可能从以下几个渠道影响产能利用率水平：首先，网络的深化能够降低企业搜寻国外供应商和客户的信息成本（Chaney，2014），进而有效提升企业生产设备性能，减少无效供给，提高企业的产能利用率；其次，贸易网络深化能够加强企业对网络关系和知识技术流动的控制能力（Burt，1992；Zaheer 和 Bell，2005），增强企业获取外部知识的机会，提升进口高技术产品的可能性，进而提高产能利用率；最后，贸易网络的扩张会导致市场竞争的加剧（吕越和尉亚宁，2020），迫使企业增强设备使用效率，进而对提高产能利用率产生积极的作用。 上述背景下，本文利用 2000~2013 年中国工业企业数据，结合中国海关进出口贸易数据和 CEPII-BACI 数据系统深入地研究了企业贸易深化对企业产能利用率的影响及作用机制。

---

01 文献简介

▪ 文献来源：毛其淋,杨琦,赵瑞丰.贸易网络深化与企业产能利用率[J].数量经济技术经济研究,2024,(9):111-133
▪ 数据与代码来源：《数量经济技术经济研究》编辑部（http://www.jqte.net/）
▪ 关键词：贸易网络深化　产能利用率　产业关联　互联网

▪ 主要内容：  产能利用率提升是我国产业结构转型和经济高质量发展的重要环节。尽管当前关于国际贸易提升产能利用率的研究已引起学界的关注,但尚未从贸易网络的视角对此进行研究。本文深入考察了贸易网络深化对企业产能利用率的影响及其作用机制，研究发现贸易网络深化显著提升了企业产能利用率,这一结论在处理潜在内生性问题之后依然稳健。贸易网络深化主要通过降低企业搜寻成本、提高外部知识获取能力和加剧市场竞争渠道促进企业产能利用率的提升。异质性分析发现,贸易网络深化对内资企业、般贸易企业、大规模企业以及非劳动密集型行业内企业有更强的产能利用率提升效应。同时,本文还区分进口和出口贸易网络并对其进行了深入的研究,研究发现进出口贸易网络深化均能提升企业的产能利用率。此外，本文还检验了数字中国对贸易网络深化的产能化解作用的调节效应,发现在互联网发展程度越高的地区,贸易网络深化的产能利用率提升效果越强。最后,基于产业关联视角的研究发现,同行业和下游行业中心度均能够显著提升产能利用率。本文研究为我国促进更高层次对外开放、提升贸易质量和水平以有效提升企业产能利用率提供了新的路径。

▪创新点：（1）现有研究主要从进出口贸易额、进出口贸易特征和贸易自由化角度研究国际贸易对产能利用率的影响，与此不同的是，本文通过系统研究贸易网络深化对企业产能利用率的影响，从社会网络视角丰富和拓展了企业产能利用率决定因素的相关研究。
               （2）关于贸易网络深化对企业行为的影响方面的文献较为丰富，但既有文献主要聚焦于企业出口国内附加值率、企业创新、企业环境绩效等方面，本文则从企业产能利用率角度探究贸易网络深化对其的直接影响，丰富和拓展了贸易网络深化经济后果的相关研究。
               （3）深入剖析了贸易网络深化对企业产能利用率影响的作用机制。本文研究发现贸易网络深化通过搜寻成本降低、外部知识获取和市场竞争加剧，促进企业产能利用率的提升。这一新颖发现为我国企业依托贸易网络提高自身产能利用率，以及政策制定者更有效地制定“高水平对外开放”政策化解过剩产能提供了有益的政策参考，对促进中国经济高质量发展具有重要的理论价值与现实意义。

---

02 研究模型与变量设计


（一）数据来源

数据来源于以下几个方面：首先，城市数据来源于 2008~2022 年《中国城市统计年鉴》的面板数据，在剔除严重缺失值与无法识别的样本之后，进一步采用插值法对缺失值进行补充。其次，新注册企业数量来源于工商注册数据库，从市场监管总局网络获取了包括新注册企业的名称、类型、注112024 年第 8 期册地址、注册年份、注册资本和主营业务等基本信息在内的工商注册企业数据，利用注册地址以及注册年份，将工商注册企业数据合成得到城市—年份维度的面板数据。

（二）模型设定

为了验证贸易网络深化与企业产能利用率之间的关系，构建如下固定效应模型：

其中，f 表示企业，c 表示行业，t 表示年份。被解释变量 lncu 表示企业产能利用率水平，我们主要参照余淼杰等（2018）（记为 lncu_y）、韩国高等（2011）（记为 lncu_h）以及 Basu 和 Kimball（1997）（记为 lncu_bk）的三种方法构造①；核心解释变量 PageRank 是企业层面的中心度指标，以衡量企业的贸易网络深化水平。Χfit 表示控制变量矩阵，包括企业规模、企业出口额、企业生产率、企业经营年限、企业利润率、国有企业虚拟变量、外资企业虚拟变量和行业层面的最终品和中间品关税；αf 和 γt 分别表示企业固定效应和时间固定效应，εfct 表示随机干扰项。在式（1）中，如果 β > 0 则意味着贸易网络深化有利于提升企业的产能利用率。

（三）变量设定

企业 PageRank 中心度的测度

---

03 数据与代码
▪ 文章及代码原网址：《数量经济技术经济研究》编辑部（http://www.jqte.net/）
▪ 数据详情：

---

04 实证结果

我们采用面板固定效应方法对式（1）进行估计，表 1 报告了贸易网络深化（企业 PageRank 中心度）与企业产能利用率的基准估计结果。其中第（1）、（2）列的被解释变量为采用余淼杰等（2018）测算的产能利用率（lncu_y）；第（3）、（4）列的被解释变量为采用韩国高等（2011）方法测算的产能利用率（lncu_h）；第（5）、（6）列的被解释变量为采用 Basu 和 Kimball（1997）方法测算得到的产能利用率（lncu_bk）。其中第（1）、（3）、（5）列没有加入控制变量，仅控制企业固定效应与年份固定效应，回归结果显示，核心解释变量 PageRank的估计系数在 1% 的显著性水平上为正，初步表明贸易网络深化能够提升企业产能利用率。第（2）、（4）、（6）列在此基础上加入了企业层面和行业层面的控制变量。我们发现，对于本文重点关注的核心解释变量 PageRank，它在所有回归中无论是系数符号还是显著性均未发现实质性变化，这表明本文的回归具有较好的稳定性。从完整回归结果可以发现，核心解释变量 PageRank 的回归系数均显著为正，这表明在控制了其他因素之后，贸易网络深化仍显著提高了企业的产能利用率。