出口管制冲击与企业适应性增长——来自中国上市公司的证据

本文尚未完成。

摘要

2022 年 10 月 7 日，美国对华先进芯片及相关设备出口管制构成一项外生冲击。本文利用这一事件，考察外部技术约束加剧后中国上市公司能否维持增长，以及适应性调整在其中发挥的作用。基于 2018—2024 年上市公司年报文本、海关暴露、财务报表和专利布局数据，本文构造企业层面的预冲击暴露指标，在吸收企业固定效应和行业-年份固定效应的连续型双重差分框架下估计冲击效应。结果表明，出口管制显著压制高暴露企业的短期营业收入增长，但这一负面效应并未在营业收入规模、继续增长概率和利润增长等口径上同步出现。机制结果显示，经营缓冲的短期稳健性最强：库存扩张侧重维持销售规模，现金消耗侧重维持收入增长率与继续增长概率。选择性技术布局则主要表现为利润保护和中期韧性提升：广义技术布局积累能够改善当期营业利润和净利润增长，并支撑下一年营业收入规模；在更接近瓶颈环节的上游样本中，$G03F7$ 相关布局对净利润韧性解释力更强。综合来看，出口管制并未简单抹去企业的增长能力，而是呈现出一条从短期经营缓冲到中期技术重构的适应性路径。

关键词： 出口管制；企业增长韧性；经营缓冲；选择性技术布局

一、引言

半导体及其相关设备、材料和软件已成为大国科技竞争中最集中的政策工具。2022 年 10 月 7 日，美国商务部出台新一轮对华出口管制规则，对先进制程芯片、晶圆制造设备、高性能计算芯片以及美国人员参与的在华半导体服务活动施加更严格限制。与一般贸易摩擦相比，该政策的约束对象更集中于关键技术路径和产业链瓶颈环节，因而不仅改变企业的外部供给条件，也可能改变企业对未来增长边界、组织资源配置和技术路线选择的判断。

已有研究通常从创新数量、进口替代、供应商进入或生产率变化等总量结果出发评估技术限制的经济后果。这类研究较好地捕捉了冲击对企业产出和创新的平均影响，但较少触及企业决策者关心的两个问题：关键技术受限后，企业是否仍能维持增长；若能，韧性源于短期运营缓冲，还是更深层的技术布局重构。尤其在年度数据中，企业难以在冲击发生后立即完成从经营调整到研发产出的全过程，有必要区分短期经营响应和中期技术兑现。

本文以“增长韧性”而非“行为变化”为分析重心，将出口管制后的企业适应性调整聚焦于两类可观察行为：经营缓冲和选择性技术布局。经营缓冲反映企业通过库存扩张和现金消耗稳定生产、交付与订单；选择性技术布局反映企业将有限资源配置到半导体关键环节和关键技术方向的倾向。核心问题在于，这些适应性行为能否在冲击后帮助企业维持销售规模、缓冲利润下滑并增强下一期增长韧性。年报文本中的战略重定向具有一定前端信号含义，但其与真实经营调整之间的对应关系较弱，本文将其作为附录补充检验而非正文核心机制。

本文整合 2018—2024 年上市公司年报文本、海关依赖、财务指标与细分专利信息，通过吸收企业与行业-年份固定效应的连续型 DID 框架估计处理效应。基准结果表明，出口管制显著降低了高暴露企业的营业收入增长率，但这一负向效应并未在收入规模、继续增长概率和利润增长口径上同步出现。机制层面，经营缓冲对短期销售维持的稳健性最强，选择性技术布局对利润增长和下一期销售规模解释力更强。

本文的边际贡献有三。第一，将出口管制研究从“企业是否改变行为”推进至“企业能否维持增长”，使文本、经营与专利数据共同服务于经济后果的解释。第二，刻画了一条更贴合企业调整时序的路径：短期经营缓冲维持销售，中期方向性技术布局改善利润并支撑后续收入。第三，对缓冲和布局进行内部拆解，揭示库存与现金消耗、广义积累与关键方向在增长保护上的层次差异。

二、制度背景与研究假说

2022 年 10 月 7 日美国出口管制规则直接提高了中国企业获取先进芯片、核心设备、关键材料和相关技术服务的难度。半导体链条高度分工，技术互补性强，关键环节受限可能通过供应不确定性、交付周期延长和扩产预期调整等渠道影响企业经营。该冲击兼具全国共同性和企业异质性：前者源于政策时点与外部环境变化，后者根植于各企业冲击前的进口依赖、地区贸易结构、产业链位置和技术基础。需要指出，暴露度的构造窗口（2019—2021 年）与 COVID-19 疫情重合，高暴露企业可能同时是受全球供应链扰动更为严重的企业。本文通过控制省份线性趋势和构造冲击前伪处理项来缓解这一混淆，但无法完全排除疫情与管制效应的叠加。

理论上，出口管制应首先压制短期收入增长：外部技术供给受限冲击生产连续性与交付能力，直接拉低营业收入增长率。而收入规模、继续增长概率和利润增长等口径还受到既有合同、资产结构、成本传导和财务确认节奏影响，未必在同一年内同步变化。由此，本文提出假说 1：出口管制对高暴露企业的负面效应集中在营业收入增长等经营流量指标上，而其他增长和利润口径的效应较弱或不显著。

面对外部冲击，企业的第一类适应方式是经营缓冲。库存扩张可以降低关键中间品断供风险并维持交付连续性，现金消耗则可能反映企业为稳定客户关系而主动增加采购、备货及协调支出。因此，经营缓冲未必是企业经营恶化的信号，也可能是企业为维持订单与收入而主动进行的资源调配。据此提出假说 2：经营缓冲有助于高暴露企业在冲击后维持销售规模和收入增长，其中库存扩张主要对应销售规模维持，现金消耗主要对应收入增长率和继续增长概率。

第二类适应方式是选择性技术布局。出口管制未必促使所有企业同步扩大研发或增加专利总量，更可能引导企业将有限资源集中于约束最强、战略价值最高的关键环节。这类布局的经济后果更多体现为利润改善、成本压力缓冲和产品结构优化，而非当期收入增长率的即时上升，其对收入规模的正向作用可能需要跨期才能显现。对于更接近关键瓶颈的上游企业，窄而关键的技术方向增长韧性含义应当更强。据此提出假说 3：选择性技术布局有助于缓冲利润下滑并支撑后续收入规模，且方向性技术布局在上游样本中具有更强的增长保护作用。

三、数据、变量与识别策略

（一）数据与样本

为研究出口管制冲击下中国上市公司的增长表现与适应性调整，本文整合了五类微观数据。第一，上市公司年报文本数据，来自巨潮资讯网 2018—2024 年全部 A 股上市公司年报，经 PDF 解析后用于度量企业在相关技术依赖、芯片关注和供应风险方面的表述强度。第二，海关贸易数据，来自中国海关总署的月度进出口统计，用于刻画冲击前各省份对关键来源地（美国、日本、韩国、中国台湾、中国香港、德国、新加坡、马来西亚、越南、泰国、菲律宾、印度尼西亚）和关键品类（HS8541 二极管及半导体器件、HS8542 集成电路）的半导体相关进口依赖。需要说明，该指标反映的是省份层面的进口依赖而非企业自身进口，因此后文将其与文本暴露度的乘积称为"潜在暴露度"而非"实际暴露"。第三，上市公司财务报表数据，来自 CSMAR 数据库，用于构造营业收入、资产、库存、现金、营业利润和净利润等结果与机制变量。第四，专利数据，来自国家知识产权局，用于识别企业在半导体工艺、广义技术布局以及 $G03F7$（光刻/图形转移相关工艺的 IPC 分类号）等关键方向上的布局强度。第五，日个股回报率数据，来自 CSMAR 日个股回报率文件，用于第六节暴露度构造稳健性中的资本市场事件研究。

本文将上述前四类数据在企业-年份层面匹配，构造 2018—2024 年的非平衡面板。核心分析面板包含 31,936 个公司-年份观测和 5,600 家公司。样本筛选步骤为：剔除金融行业和房地产行业公司，保留至少连续两年有观测值的公司-年份组合，在各回归中进一步剔除关键变量缺失的观测。最终基准非金融主样本包含 28,961 个公司-年份观测和 4,742 家公司（详细筛选过程见附录 A4）。

（二）核心变量

（1）处理变量。 本文利用 2022 年 10 月 7 日美国对华出口管制政策作为外生冲击，构造连续型双重差分设计。令 $Post_t$ 表示 2023 年及以后时期（2022 年为政策出台年，剔除出回归样本），$Exposure_i$ 表示企业在冲击前的受影响程度。核心处理变量定义为：

$$Treat_{it}=Post_t \times Exposure_i .$$

$Exposure_i$ 综合了企业自身和所在地区的两项预冲击特征，取两者的乘积：

$$Exposure_i = ProvDepend_i \times FirmTextExposure_i .$$

其中 $ProvDepend_i$ 为 2019—2021 年各省份从上述 12 个关键来源地进口上述两类半导体相关产品的份额均值，反映地区层面的外部供应链依赖程度；$FirmTextExposure_i$ 的构造分两步：首先分别将企业冲击前年报中"技术依赖"和"芯片关注"两类关键词的词频（每万字）在样本内标准化为均值 0、标准差 1，然后取两者的等权平均。因此 $Treat_{it}$ 是一个相对暴露度，正值表示企业的文本暴露高于样本均值且所在省份进口依赖较高，负值表示低于样本均值（见表 1 中 P25 为负）。两者取乘积的原因在于，只有当企业在年报中表现出对相关技术的关注、且所在省份对关键来源地的半导体相关进口依赖较高时，该企业才同时具备"认知暴露"和"供给暴露"两个条件，潜在暴露程度才达到较高水平。第六节的资本市场事件研究提供了与这一乘积设定相一致的外部证据：在控制省份依赖和文本暴露主效应后，二者交互项仍显著为负，说明两类暴露叠加时更容易被市场定价为风险，而非简单等同于单一维度的暴露（见表 8）。

（2）结果变量。 本文使用三类、六种结果变量衡量企业的增长表现。第一类为短期流量增长，包括两种营业收入增长率：一是对数化营业收入增长率，定义为 $\ln(1+Revenue_{it})-\ln(1+Revenue_{i,t-1})$，经 1% 和 99% 分位数缩尾后作为基准主口径；二是反双曲正弦增长率，定义为 $asinh(Revenue_{it})-asinh(Revenue_{i,t-1})$，同样经 1% 和 99% 分位数处理，作为替代增长口径在更严格固定效应检验中报告。第二类为规模维持，包括营业收入对数（ln(营业收入)）和收入是否继续增加，即当年营业收入超过上年的企业取值为 1，否则为 0；此外该变量均值为 0.63，处于 [0.2, 0.8] 区间，线性概率模型的适用性较好。第三类为经营绩效韧性，包括营业利润增长率和净利润增长率，两者均以反双曲正弦变换后的差值度量。

（3）机制变量。 本文构造两类正文机制变量以刻画企业在冲击后的适应性调整行为。

经营缓冲（$Buffer_{it}$）衡量企业通过调整库存和现金持有来应对冲击的程度：

$$Buffer_{it}=Z(InventoryRatio_{it})-Z(CashRatio_{it}),$$

其中 $InventoryRatio_{it}$ 为库存占总资产比例，$CashRatio_{it}$ 为现金及现金等价物占总资产比例。缓冲水平越高，表明企业相对提高了库存、降低了现金持有，即进行了更大程度的经营缓冲。

选择性技术布局（$SelectiveTech_{it}$）反映企业在半导体关键方向上的专利布局强度：

$$SelectiveTech_{it}=\frac{1}{2}\left[Z(ProcessLayout_{it})+Z(G03F7Layout_{it})\right],$$

其中 $ProcessLayout_{it}$ 为企业在半导体工艺相关 IPC 分类下累计发明专利的 arcsinh 变换值，$G03F7Layout_{it}$ 为更窄的关键方向（光刻胶及相关工艺）的对应值。机制分解部分进一步考察了库存扩张、现金消耗、广义技术布局 $BroadLayout_{it}$ 和 $G03F7$ 布局的独立作用。

（4）描述性统计。 表 1 报告了上述主要变量的描述性统计。所有统计基于基准非金融主样本，已剔除 2022 年观测值。

表 1 主要变量描述性统计

变量	观测值	均值	标准差	P25	P50	P75
$Treat_{it}$	23,690	0.005	0.386	-0.093	0.000	0.000
营业收入增长率	19,884	0.052	0.294	-0.072	0.059	0.190
asinh 营收增长	14,375	0.008	0.284	-0.075	0.053	0.186
ln(营业收入)	24,301	21.551	1.514	20.511	21.392	22.400
收入继续增加	19,889	0.633	0.482	0.000	1.000	1.000
营业利润增长	23,120	-1.336	15.515	-0.500	0.051	0.392
净利润增长	23,120	-1.418	15.681	-0.515	0.051	0.387
Buffer	24,306	0.051	1.499	-0.699	0.082	0.794
SelectiveTech	24,306	0.005	0.951	-0.058	-0.052	-0.048
ln(总资产)	24,306	22.294	1.317	21.361	22.076	23.006
研发强度	24,303	0.005	0.020	0.000	0.000	0.000
库存率	24,306	0.124	0.110	0.051	0.102	0.164
现金率	24,306	0.182	0.130	0.090	0.148	0.239
无形资产率	24,306	0.044	0.049	0.016	0.031	0.053
杠杆率	24,306	0.419	0.209	0.252	0.408	0.565
ROA	24,306	0.030	0.081	0.008	0.035	0.069

注：所有变量基于主样本（sample_main=1）且剔除 2022 年观测后计算。增长率类变量已做缩尾处理。

（三）识别模型

本文采用包含企业固定效应和行业-年份固定效应的连续型双重差分模型。识别思路如下：企业固定效应吸收了所有不随时间变化的企业特征，例如行业属性、所有制、长期经营风格，行业-年份固定效应吸收了行业层面的共同冲击和周期性波动，例如产业政策调整与行业需求变化，两者共同排除了大量可能的混淆因素。

剩余的识别威胁主要来自两个层面，一是不同省份随时间变化的冲击可能与处理强度相关（例如某些省份同时面临较高的管制暴露和独立的经济下行），以及暴露度的构造本身可能引入测量偏误。针对这些威胁，本文在第六节通过仅文本暴露度、非半导体行业证伪、更严格固定效应、冲击前伪处理项、省份线性趋势和共同支撑样本检验识别假设。

基准模型设定为：

$$Y_{it}=\alpha_i+\lambda_{j(i)t}+\beta Treat_{it}+\mathbf{X}_{it}'\gamma+\varepsilon_{it},$$

其中 $Y_{it}$ 为企业 $i$ 在年份 $t$ 的结果变量，$\alpha_i$ 为企业固定效应，$\lambda_{j(i)t}$ 为行业-年份固定效应，$Treat_{it}=Post_t\times Exposure_i$ 为处理变量，$\mathbf{X}_{it}$ 为时变控制变量集合，包括企业规模（ln(总资产)）、研发强度（研发支出/总资产）、库存率、现金率、无形资产率、杠杆率（总负债/总资产）和资产收益率（ROA）。$\beta$ 为本文关注的核心参数，若 $\beta<0$，则说明出口管制冲击显著压制了高暴露企业的增长表现。此外，控制变量中的库存率和现金率恰好也是经营缓冲机制的构成要素，可能产生后处理偏误。机制检验中，本文保留机制变量线性项以避免交互项遗漏主效应，并在库存扩张和现金消耗的第一阶段回归中剔除对应控制变量；附录 A3 进一步讨论并检验剔除库存率与现金率后的结果稳健性。

由于处理变量的核心变异来自企业层面的文本暴露度差异（省份进口依赖为同一省份内企业共享的缩放因子），本文在基准回归中按企业聚类标准误。同时，为回应省份成分可能引入的组内相关问题，核心结果额外报告省级聚类推断和基于省级聚类的 Webb 六点分布 wild bootstrap $p$ 值作为稳健性参照。第六节进一步将暴露度中的省份成分移除，检验结论是否依赖地区进口依赖成分。

机制检验采用交互模型：

$$Y_{it}=\alpha_i+\lambda_{j(i)t}+\beta Treat_{it}+\theta M_{it} +\delta (Treat_{it}\times M_{it})+\mathbf{X}_{it}'\gamma+\varepsilon_{it},$$

其中 $M_{it}$ 分别表示经营缓冲和选择性技术布局。交互项系数 $\delta$ 刻画了冲击后机制变量对增长结果的调节效应：若 $\delta>0$，则表明冲击后适应程度越高的企业，增长表现越好。需要注意的是，$\delta$ 衡量的是适应程度与增长结果之间的条件相关，即在冲击背景下，适应强度更高的企业是否系统性地表现出更好的增长结果，而非 $M$ 在严格中介意义上的因果效应，后者要求 $M$ 本身与不可观测因素正交。第五节表 3 的第一阶段估计提供了冲击是否推动 $M$ 本身的背景信息，但不构成交互项识别的前提条件。战略重定向作为文本表述类补充变量列入附录 A7。

为考察中期兑现效应，本文还估计了滞后一期机制变量的交互模型：

$$Y_{it}=\alpha_i+\lambda_{j(i)t}+\beta Treat^{2024}_{it}+\theta M_{i,t-1} +\delta (Treat^{2024}_{it}\times M_{i,t-1})+\mathbf{X}_{it}'\gamma+\varepsilon_{it},$$

其中 $Treat^{2024}_{it}=Post2024_t\times Exposure_i$，$M_{i,t-1}$ 为上一年度的机制变量值。这一设定用于检验前期经营和技术调整是否在 2024 年转化为销售或利润韧性，即适应效应的跨期兑现。以下各节依次报告基准估计、机制检验与稳健性讨论。

四、基准回归结果

本节报告出口管制冲击对企业增长的基准估计。为避免将稳健性设定前置为基准结果，本节仅使用式 (1) 的标准设定：处理强度采用原始暴露度 $Exposure_i=ProvDepend_i\times FirmTextExposure_i$，固定效应包括企业固定效应和行业-年份固定效应。表 2a 聚焦营业收入增长率这一最直接的经营流量指标，并比较不加入控制变量与加入控制变量后的估计结果。表 2b 进一步将结果变量扩展至收入规模、收入继续增加概率和利润增长口径，用以判断冲击是否表现为企业增长的全面收缩。仅文本暴露度、省份-年份固定效应、替代增长口径和半导体相关样本均放在后文稳健性或异质性部分讨论。

表 2a 营业收入增长率的基准估计

	(1)	(2)
因变量	营业收入增长率	营业收入增长率
处理变量	原始暴露度	原始暴露度
$Treat_{it}$	-0.0284**	-0.0260**
	(0.0127)	(0.0112)
省级聚类 $p$ 值	0.011	0.017
wild bootstrap $p$ 值	未报告	0.000
企业 FE	是	是
行业-年份 FE	是	是
控制变量	否	是
观测值	19,230	19,230
$R^2$	0.370	0.447

注：括号内为企业聚类标准误，显著性星号依据企业聚类标准误计算。原始暴露度为 $ProvDepend_i \times FirmTextExposure_i$。第 (2) 列的 wild bootstrap $p$ 值基于省级聚类和 Webb 六点分布。控制变量包括企业规模、研发强度、库存率、现金率、无形资产率、杠杆率和资产收益率。$^{***}$、$^{**}$、$^{*}$ 分别表示在 1%、5%、10% 水平上显著。

表 2a 显示，出口管制暴露度与企业营业收入增长率之间存在稳定的负向关系。在不加入控制变量时，$Treat_{it}$ 的系数为 $-0.0284$，在企业聚类和省级聚类下均显著。加入企业规模、研发强度和资产结构等控制变量后，系数为 $-0.0260$，绝对值仅小幅下降，并且在企业聚类、省级聚类以及 wild bootstrap 推断下仍显著。该结果说明，基准负效应并非完全由高暴露企业在规模、盈利能力或资产结构上的可观测差异所驱动。

表 2b 报告五类结果变量的基准估计。该表的目的不是要求所有增长口径均显著为负，而是检验出口管制冲击究竟集中体现在哪一类企业表现上。

表 2b 出口管制与企业增长：多结果变量基准估计

	营业收入增长率	营业收入规模	收入继续增加	营业利润增长	净利润增长
$Treat_{it}$，无控制变量	-0.0284**	0.0731*	-0.0107	-0.6580**	-0.7004**
	(0.0127)	(0.0382)	(0.0104)	(0.3317)	(0.3343)
$Treat_{it}$，加入控制变量	-0.0260**	-0.0014	-0.0051	0.1363	0.1233
	(0.0112)	(0.0107)	(0.0090)	(0.4190)	(0.4207)
省级聚类 $p$ 值，加入控制变量	0.017	0.907	0.600	0.751	0.767
wild bootstrap $p$ 值，加入控制变量	0.000	0.924	0.666	0.748	0.782
观测值，加入控制变量	19,230	23,655	19,235	22,466	22,466
$R^2$，加入控制变量	0.447	0.970	0.416	0.309	0.326

注：括号内为企业聚类标准误，显著性星号依据企业聚类标准误计算。省级聚类 $p$ 值和 wild bootstrap $p$ 值仅针对加入控制变量的规格报告。所有列均吸收企业固定效应和行业-年份固定效应。控制变量包括企业规模、研发强度、库存率、现金率、无形资产率、杠杆率和资产收益率。$^{***}$、$^{**}$、$^{*}$ 分别表示在 1%、5%、10% 水平上显著。

表 2b 表明，加入控制变量后，营业收入增长率是唯一稳定显著的直接负效应。营业收入规模、收入继续增加概率以及利润增长口径均不再显著，说明出口管制并未在当期造成规模和利润的同步收缩。无控制变量规格中利润增长为负且显著，但这一关系在加入控制变量后消失，表明利润口径更容易受到企业既有盈利能力、资产结构和经营状态差异的影响。因此，基准结果更适合解释为出口管制首先压低企业收入生成和周转速度，而不宜被表述为企业整体增长能力全面受损。

为进一步考察冲击时序，表 2c 将处理效应拆分为 2023 年和 2024 年。营业收入增长率的负效应主要集中在冲击后的第一年，2023 年系数为 $-0.0355$（$p=0.016$），2024 年绝对值下降至 $-0.0164$（$p=0.061$）。这种"短期承压、中期修复"的动态模式，为后文讨论适应性调整提供了时间维度的背景。完整的分年估计见附录表 A1。

表 2c 营业收入增长率的分年动态

	2023	2024
$Treat_{it}$	-0.0355**	-0.0164*
	(0.0138)	(0.0084)
企业 FE + 行业-年份 FE	是	是
控制变量	是	是
观测值	19,230	19,230
$R^2$	0.447	0.447

注：括号内为省级聚类标准误，显著性星号依据省级聚类标准误计算。分年处理变量分别为 $1(t=2023)\times Exposure_i$ 和 $1(t=2024)\times Exposure_i$，两者在同一回归中估计。$^{***}$、$^{**}$、$^{*}$ 分别表示在 1%、5%、10% 水平上显著。

综上，基准回归支持假说 1 中关于出口管制冲击压低企业经营流量增长的判断，但这种负效应主要集中在营业收入增长率上，未在收入规模、继续增长概率和利润增长口径上同步出现。后续机制分析因此不将基准结果解释为企业全面衰退，而是考察在收入增长承压的背景下，哪些适应性调整有助于维持企业规模、继续增长概率和利润韧性。

五、适应性机制检验

本节考察出口管制冲击后，企业的适应性调整是否有助于维持增长韧性。为避免在多个结果变量之间进行事后选择，本文按照机制变量的经济含义预先匹配结果维度：经营缓冲主要对应短期销售维持，因而重点考察营业收入增长率、营业收入规模和收入继续增加概率；选择性技术布局主要对应利润保护和中期兑现，因而重点考察营业利润增长、净利润增长和下一年营业收入规模。完整的机制变量与结果变量矩阵列于附录表 A7。

机制检验分三步展开。第一，检验出口管制是否引发适应性调整。第二，考察经营缓冲是否帮助企业维持短期销售表现。第三，考察技术布局是否保护利润并支撑中期收入兑现。交互项 $\delta$ 衡量的是冲击背景下适应程度与增长结果之间的条件相关，而非严格中介；第一阶段估计用于说明冲击是否推动机制变量本身，但不构成交互项识别的前提条件。

（一）冲击与适应性调整

本小节探究出口管制后，高暴露企业是否出现了可观察的适应性调整。

表 3 将结果分为两组：Panel A 报告两类核心机制，Panel B 报告经营缓冲和技术布局的构成项。结果显示，出口管制后，高暴露企业最明显的反应是经营缓冲上升。$Treat_{it}$ 对 $Buffer_{it}$ 的系数为 $0.0926$，企业聚类 $p=0.001$，省级聚类 $p=0.030$，说明高暴露企业冲击后相对提高了库存并消耗现金。库存扩张在两种聚类方式下均显著，现金消耗在企业聚类下显著、在省级聚类下边际显著。选择性技术布局也呈正向变化，但显著性弱于经营缓冲；其两个构成项 $ProcessLayout_{it}$ 和 $G03F7Layout_{it}$ 的系数均为正，说明技术调整更多表现为方向性布局。相比之下，广义技术布局几乎为零，表明冲击后企业并未无差别扩大所有半导体相关技术积累。

表 3 处理变量对机制变量的第一阶段估计

机制变量	系数	企业聚类 SE	企业聚类 $p$ 值	省级聚类 $p$ 值	N
Panel A：核心机制
$Buffer_{it}$	0.0926	0.0285	0.001	0.030	23,657
$SelectiveTech_{it}$	0.1291	0.0708	0.068	0.019	23,657
Panel B：机制构成项
$Inventory_{it}$	0.0393	0.0122	0.001	0.029	23,657
$CashDrawdown_{it}$	0.0369	0.0182	0.042	0.080	23,657
$ProcessLayout_{it}$	0.1012	0.0567	0.075	0.021	23,657
$G03F7Layout_{it}$	0.1570	0.0896	0.080	0.026	23,657
$BroadLayout_{it}$	0.0005	0.0276	0.986	0.984	23,657

注：表中系数均为 $Treat_{it}$ 的估计系数。所有列均吸收企业固定效应和行业-年份固定效应。库存扩张和现金消耗的回归中剔除了对应的控制变量以避免后处理偏误，其余列控制企业规模、研发强度、库存率、现金率、无形资产率、杠杆率和资产收益率。标准误按企业聚类；省级聚类 $p$ 值单独报告。

这一第一阶段结果表明，两类适应性调整在冲击后的反应并不相同。经营缓冲是高暴露企业最先出现、也最稳定的短期反应；选择性技术布局具有一定响应性，但更接近逐步展开的中期调整。后文因此分别考察二者对应的增长韧性含义。

（二）经营缓冲与短期销售表现

本小节分析经营缓冲是否帮助企业维持销售端表现。表 4 首先报告 $Buffer_{it}$ 的核心交互结果。$Treat_{it}\times Buffer_{it}$ 对营业收入增长率的系数为 $0.0169$，在 5% 水平上显著，说明冲击后经营缓冲较强的企业营收增速下滑较小；对营业收入规模的系数为 $0.0193$，在 Webb wild bootstrap 下仍显著，说明经营缓冲也有助于维持销售体量。由此看，经营缓冲不是改善所有增长指标的通用机制，而是主要作用于短期收入生成和销售维持。

表 4 经营缓冲与短期销售维持

	(1) 营收增长率	(2) 营收规模
$Treat_{it}\times Buffer_{it}$	0.0169**	0.0193**
	(0.0069)	(0.0071)
Webb wild bootstrap $p$ 值	未报告	0.033
控制变量	是	是
企业 FE + 行业-年份 FE	是	是
观测值	19,230	23,655
$R^2$	0.448	0.970

注：括号内为对应规格的聚类标准误，显著性星号依据表内标准误计算。Webb wild bootstrap $p$ 值基于省级聚类和 999 次重复单独报告。第 (1) 列因双重固定效应与 boottest 兼容性限制未报告 Webb wild bootstrap $p$ 值。所有列均吸收企业 FE 和行业-年份 FE，控制变量同表 2a。$^{***}$、$^{**}$、$^{*}$ 分别表示 1%、5%、10% 显著水平。

表 5 进一步拆解经营缓冲的内部来源。库存扩张与营业收入规模维持正相关，交互项系数为 $0.0299$，省级聚类下显著，Webb wild bootstrap 下边际显著，说明库存主要通过稳定生产、采购和交付来支持销售体量。现金消耗对营业收入增长率和收入继续增加概率的作用更强，两个交互项分别为 $0.0323$ 和 $0.0350$，在省级聚类和 wild bootstrap 下均高度显著。因此，现金下降不宜简单解读为流动性恶化。在出口管制冲击背景下，它更可能反映企业为维持订单、采购和交付而进行的主动资金投入。

综上，假说 2 得到支持：经营缓冲有助于高暴露企业维持短期销售表现，且库存扩张与现金消耗分别对应销售规模和收入连续性两个维度。

表 5 经营缓冲机制拆解

	(1) 营收规模	(2) 营收增长率	(3) 收入继续增加
$Treat_{it}\times Inventory_{it}$	0.0299**
	(0.0113)
Webb wild bootstrap $p$ 值	0.086
$Treat_{it}\times CashDrawdown_{it}$		0.0323***	0.0350***
		(0.0092)	(0.0072)
Webb wild bootstrap $p$ 值		0.006	0.000
控制变量	是	是	是
企业 FE + 行业-年份 FE	是	是	是
观测值	23,655	19,230	19,235
$R^2$	0.970	0.448	0.417

注：括号内为省级聚类标准误，显著性星号依据省级聚类标准误计算。$Inventory_{it}$ 为同年度标准化库存率，$CashDrawdown_{it}$ 为现金率的相反数。所有列均吸收企业 FE 和行业-年份 FE，控制变量同表 2a。$^{***}$、$^{**}$、$^{*}$ 分别表示 1%、5%、10% 显著水平。

（三）技术布局与利润保护和中期兑现

本小节分析技术布局是否保护利润并支撑中期收入兑现。与经营缓冲不同，技术布局的作用不应主要体现在当期营收增速上，而应体现为利润韧性、产品结构调整和后续收入规模支撑。表 6 将选择性技术布局的核心交互项与进一步分解结果放在同一张表中，以展示技术机制的层次。

结果显示，$Treat_{it}\times SelectiveTech_{it}$ 对营业利润增长和净利润增长均显著为正，说明在高暴露企业中，方向性技术布局越强，冲击后的利润表现越好。滞后一期选择性技术布局对下一年营业收入规模也显著为正，表明技术布局对销售规模的支撑具有一定跨期兑现特征。进一步拆解显示，$BroadLayout_{it}$ 对营业利润和净利润增长均显著为正，并在 Webb wild bootstrap 下保持显著；滞后一期广义技术布局对下一年营业收入规模为正，但 wild bootstrap 仅达到 10% 边际水平。对于更接近瓶颈环节的上游精炼样本，更窄的 $G03F7$ 布局对净利润增长呈正向边界显著，wild bootstrap $p$ 值约为 $0.051$。这说明技术布局的经济含义具有层次差异：一般企业更多从广义半导体技术积累中获得利润保护，关键上游企业则更依赖聚焦瓶颈方向的技术布局。

综上，假说 3 得到支持：方向性技术布局有助于缓冲利润下滑并支撑后续收入规模，且在上游样本中这一保护作用更为集中。

表 6 技术布局、利润韧性与中期兑现

	营业利润增长	净利润增长	下一年营业收入规模	上游精炼样本净利润增长
$Treat_{it}\times SelectiveTech_{it}$	0.1062***	0.0966***
	(0.0237)	(0.0324)
Webb wild bootstrap $p$ 值	0.021	0.017
$Treat^{2024}_{it}\times SelectiveTech_{i,t-1}$			0.0025***
			(0.0006)
Webb wild bootstrap $p$ 值			0.044
$Treat_{it}\times BroadLayout_{it}$	0.1518***	0.1516***
	(0.0372)	(0.0388)
Webb wild bootstrap $p$ 值	0.021	0.020
$Treat^{2024}_{it}\times BroadLayout_{i,t-1}$			0.0033***
			(0.0010)
Webb wild bootstrap $p$ 值			0.094
$Treat_{it}\times G03F7_{it}$				0.2649***
				(0.0584)
Webb wild bootstrap $p$ 值				0.051
企业固定效应	是	是	是	是
行业-年份固定效应	是	是	是	是
控制变量	是	是	是	是
观测值	22,466	22,466	19,111	3,740
省级聚类数	29	29	29	29
$R^2$	0.309	0.327	0.977	0.268

注：括号内为省级聚类标准误，显著性星号依据省级聚类标准误计算。$SelectiveTech_{it}$ 表示选择性技术布局，$BroadLayout_{it}$ 表示广义半导体相关技术布局，$G03F7_{it}$ 表示更窄的关键方向布局。第 4 列样本限制为上游精炼样本。Webb wild bootstrap $p$ 值基于省级聚类和 999 次重复单独报告。$^{***}$、$^{**}$、$^{*}$ 分别表示 1%、5%、10% 显著水平。

六、稳健性与识别有效性检验

本节从五个方面检验基准结论的稳健性与识别有效性。首先，本文比较企业聚类、省级聚类和 Webb wild bootstrap 推断结果；其次，利用资本市场事件研究为暴露度构造提供外部证据，并通过仅文本暴露度检验结论是否依赖省份进口依赖成分；再次，加入省份-年份固定效应以吸收地区层面的年度共同冲击；随后，通过非半导体相关行业证伪检验界定结果边界；最后，从冲击前趋势、省份线性趋势和共同支撑样本三个角度检验连续型双重差分模型的识别假设。

（一）推断稳健性

由于处理强度包含省份层面的进口依赖成分，仅按企业聚类可能低估推断的不确定性。表 7 将正文报告的八个核心机制交互项的标准误分别按企业聚类和省份聚类计算，并报告基于省级聚类的 Webb 六点分布 wild bootstrap $p$ 值。结果显示，这些核心交互项在省级聚类和 Webb wild bootstrap 下仍保持 5% 水平显著，系数方向一致，说明经营缓冲、选择性技术布局和广义技术布局的主要证据不依赖于特定聚类方式。需要指出，省级聚类仅有 29 个省份，处于聚类稳健推断所需最低聚类数的边界（Cameron and Miller, 2015），wild bootstrap 虽能缓解这一问题，但本文结果仍应以审慎态度对待。

表 7 核心机制结果的推断稳健性

	(1) 缓冲	(2) 技术	(3) 技术	(4) 滞后技术	(5) 现金	(6) 现金	(7) 广义布局	(8) 广义布局
因变量	营收规模	营业利润	净利润	营收规模	营收增长	继续增长	营业利润	净利润
核心交互项	0.0193**	0.1062***	0.0966***	0.0025***	0.0323***	0.0350***	0.1518***	0.1516***
企业聚类 SE	(0.0067)	(0.0321)	(0.0352)	(0.0007)	(0.0089)	(0.0098)	(0.0522)	(0.0508)
省级聚类 SE	[0.0071]	[0.0237]	[0.0324]	[0.0006]	[0.0092]	[0.0072]	[0.0372]	[0.0388]
wild bootstrap $p$ 值	0.033	0.021	0.017	0.044	0.006	0.000	0.021	0.020
观测值	23,655	22,466	22,466	19,111	19,230	19,235	22,466	22,466
$R^2$	0.970	0.309	0.327	0.977	0.448	0.417	0.309	0.327

注：圆括号为企业聚类标准误，方括号为省级聚类标准误。显著性星号依据省级聚类标准误计算，wild bootstrap $p$ 值基于省级聚类和 999 次重复单独报告，不用于星号标注。所有列均吸收企业 FE 和行业-年份 FE，控制变量同表 2a。第 (4) 列使用 2024 年处理项与滞后一期机制变量交互。$^{***}$、$^{**}$、$^{*}$ 分别表示 1%、5%、10% 显著水平。

（二）暴露度构造稳健性

本文构造的 $Exposure_i$ 是否与市场对出口管制冲击的即时反应相一致？一种外部检验方式是利用资本市场在政策公布日对企业的定价反应。若暴露度能够捕捉冲击风险，高暴露企业应当在政策公布后出现更低的累积异常收益（CAR）。表 8 以 2022 年 10 月 10 日（国庆假期后 A 股首个交易日）为事件日，计算市场调整的累积异常收益。为避免省份依赖度与省份固定效应的完全共线性，将其对样本均值中心化后，与同样中心化的文本暴露度及其交互项一同进入回归：

$$CAR_i = \alpha + \beta_1 \widetilde{ProvDepend}_i + \beta_2 \widetilde{FirmTextExp}_i + \beta_3 (\widetilde{ProvDepend}_i \times \widetilde{FirmTextExp}_i) + \gamma \mathbf{X}_i + \text{IndustryFE} + \varepsilon_i .$$

中心化后，$\beta_1$ 和 $\beta_2$ 分别可解读为在样本均值文本暴露和样本均值省份依赖水平上的边际效应，$\beta_3$ 为交互效应（与中心化前不变）。

四个事件窗口下，三个系数呈现出较为一致的相对关系。$\beta_1$ 在前三个较短窗口为正，在 CAR[0,+5] 窗口转为小幅负值且不显著，说明在典型企业的文本暴露水平上，省份进口依赖本身并未被市场稳定定价为负面冲击，短窗口结果还可能包含市场对进口替代机会的预期。$\beta_2$ 为负且在 1% 水平上显著（$-0.0102$ 至 $-0.0067$），意味着在典型省份依赖水平上，企业年报中更频繁的技术依赖与芯片关注被市场即时定价为负面信号。$\beta_3$ 为负且在 5% 水平上显著（$-0.0383$ 至 $-0.0734$），意味着文本暴露越高的企业，省份依赖的潜在正向含义越容易被稀释或逆转。上述结果从资本市场定价视角提供了与暴露度乘积构造相一致的外部证据：单独的地区进口依赖并不必然等同于风险，单独的文本关注也不能完整刻画供应暴露，而二者叠加时更容易表现为负向市场反应。

表 8 暴露度的资本市场事件研究证据：交互项回归（中心化）

窗口	$\widetilde{ProvDepend}$	$\widetilde{FirmTextExp}$	$\widetilde{ProvDepend}\times\widetilde{FirmTextExp}$	N
CAR[-1,+1]	+0.0113	-0.0102***	-0.0734***	3,617
	(0.0093)	(0.0019)	(0.0269)
CAR[0,+1]	+0.0056	-0.0080***	-0.0512***	3,620
	(0.0079)	(0.0014)	(0.0182)
CAR[0,+3]	+0.0104	-0.0069***	-0.0450***	3,619
	(0.0106)	(0.0015)	(0.0173)
CAR[0,+5]	-0.0033	-0.0067***	-0.0383**	3,616
	(0.0115)	(0.0016)	(0.0182)

注：$\widetilde{ProvDepend}_i$ 和 $\widetilde{FirmTextExp}_i$ 分别为将原始变量减去样本均值后的中心化值。所有回归均加入 ln(市值)、杠杆率和 ROA 作为控制变量，并吸收行业固定效应。括号内为异方差稳健标准误。略去省份固定效应是因为省份依赖度仅在不同省份间变化，与省份固定效应完全共线；中心化处理使主效应在样本均值处具有经济学解读。股价数据来自 CSMAR 日个股回报率文件，样本限制为 A 股且事件窗口内正常交易的非 ST 股票。事件日为 2022 年 10 月 10 日，市场调整收益以当日全部 A 股等权平均收益为市场代理。$^{***}$、$^{**}$、$^{*}$ 分别表示 1%、5%、10% 显著水平。

在主规格中，$Exposure_i$ 取省份进口依赖与文本暴露度的乘积，省份成分可能混入非半导体特有的外部冲击。表 9 将省份成分移除，仅以企业冲击前年报文本暴露度作为处理强度（$Treat\_textonly_{it} = Post_t \times FirmTextExposure_i$），重新估计核心系数。结果显示，基准回归中营业收入增长率的处理效应仍为负且显著；机制交互项系数有所缩小，但方向保持一致，并且多数仍在 5% 水平上显著。第一阶段中，经营缓冲和库存扩张在仅文本暴露度下仍显著为正，选择性技术布局及其两个细分技术指标降至 10% 边际显著。上述结果说明，本文的核心机制结论并不完全依赖暴露度中的省份成分；同时，仅文本暴露度规格主要依赖企业层面的预冲击文本差异识别，在一定程度上缓解了省级聚类数较少带来的推断压力。完整的第一阶段和机制分解结果见附录表 A5。

表 9 暴露度构造稳健性：原始 vs 仅文本暴露度

	(1) 原始暴露度	(2) 仅文本暴露度
A. 基准效应
营业收入增长率	-0.0260**	-0.0198**
	(0.0102)	(0.0100)
B. 第一阶段
经营缓冲	0.0926**	0.0727***
	(0.0404)	(0.0249)
选择性技术布局	0.1291**	0.1085*
	(0.0517)	(0.0629)
C. 机制交互项
处理 $\times$ 缓冲，营收规模	0.0193**	0.0170***
	(0.0071)	(0.0058)
处理 $\times$ 技术，营业利润	0.1062***	0.0895***
	(0.0237)	(0.0297)
处理 $\times$ 现金消耗，营收增长率	0.0323***	0.0282***
	(0.0092)	(0.0076)
处理 $\times$ 广义布局，净利润	0.1516***	0.1318***
	(0.0388)	(0.0431)

注：所有列均吸收企业 FE 和行业-年份 FE，控制变量同表 2a。原始暴露度列按省份聚类，仅文本暴露度列按企业聚类。显著性星号依据各列对应的聚类标准误计算。原始暴露度 = $ProvDepend_i \times FirmTextExposure_i$，仅文本暴露度 = $FirmTextExposure_i$。$^{***}$、$^{**}$、$^{*}$ 分别表示 1%、5%、10% 显著水平。完整第一阶段和机制分解结果见附录表 A5。

（三）省份-年份固定效应检验

在仅文本暴露度的基础上进一步加入省份-年份固定效应（$\mu_{pt}$），是本文最严格的识别规格。此时所有省份层面的年度共同冲击均被吸收，识别完全来自同一省份、同一行业年份内不同企业文本暴露的差异。表 10 报告该规格下主样本与半导体相关样本的对比结果。在主样本中，asinh 营收增长率仍显著为负（$-0.013$，$p=0.035$），对数化增长率处于 5% 显著性边界附近（$-0.019$，$p=0.052$）；半导体相关样本中两种口径均高度显著（$-0.025$ 和 $-0.033$，$p<0.01$），且系数绝对值大于主样本。半导体样本中营收规模也显著为正，可能反映高暴露企业在国产替代背景下的快速扩张。收入继续增加概率和利润增长口径在两种样本中均不显著，完整结果见附录表 A6。

表 10 省份-年份固定效应下的核心结果

	(1) 主样本	(2) 半导体相关样本
asinh 营收增长率	-0.0127**	-0.0255***
	(0.0060)	(0.0087)
营收增长率	-0.0194*	-0.0329***
	(0.0100)	(0.0083)
营收规模	-0.0011	0.0259***
	(0.0091)	(0.0092)
企业固定效应	是	是
行业-年份固定效应	是	是
省份-年份固定效应	是	是
控制变量	是	是
观测值	14,088–23,655	5,467–9,285

注：所有列均吸收企业 FE、行业-年份 FE 和省份-年份 FE，控制变量同表 2a，标准误按企业聚类。处理变量为 $Post_t \times FirmTextExposure_i$。$^{***}$、$^{**}$、$^{*}$ 分别表示 1%、5%、10% 显著水平。完整的六因变量结果见附录表 A6。

（四）证伪检验与结果边界

最后，本文在非半导体相关行业中进行证伪检验（详见附录表 A2），以检验暴露度是否主要捕捉半导体管制效应而非一般性经济冲击。结果表明，营业收入增长率在无关行业中不显著（$-0.021$，$p=0.140$），而在半导体相关行业中高度显著（$-0.038$，$p=0.000$），支持了主因变量的行业针对性。需要指出，营业收入规模在无关行业中也呈显著负向（$-0.026$，$p=0.002$），提示暴露度中的省份成分可能部分捕捉了一般性贸易冲击。因此，本文仅将营业收入增长率作为基准直接效应的主口径，不将营收规模的结果解释为管制特有。

（五）识别假设检验

本小节进一步检验连续型双重差分模型的识别假设。以下三项检验分别回应三类识别威胁：冲击前的系统性趋势、省份层面的遗漏冲击以及极端样本的驱动效应。

冲击前趋势。 若高暴露企业在管制政策出台前已经出现了系统性增长放缓，则基准回归中的负向处理效应可能只是冲击前趋势的延续。为此，本文在 2018—2021 年的冲击前样本中构造伪处理项 $PlaceboTreat_{it}=1(t\geq2020)\times Exposure_i$，检验高暴露企业在此前是否已存在显著不同于低暴露企业的增长趋势。表 11 Panel A 显示，四个连续结果变量的伪处理项均不显著，尤其是营业收入增长率为 $0.015$（$p=0.142$），未显示显著的冲击前下行趋势。这表明基准结果中的营收增速负效应不太可能完全归因于冲击前已存在的线性趋势。

省份层面遗漏冲击。 暴露度中的省份进口依赖成分可能使处理强度与省份层面的经济下行或产业政策混淆，例如某些省份同时面临高管制暴露和独立的经济衰退。为吸收这类省份层面随时间变化的冲击，本文在基准模型中加入省份线性时间趋势。表 11 Panel B 显示，即使控制了各省份随时间线性变化的不可观测因素，营业收入增长率仍然显著为负（$-0.026$，$p=0.019$），而利润口径仍不显著，与基准结论一致。

共同支撑。 若基准结果仅由少数极端高暴露或极低暴露企业所驱动，则不能代表样本整体的处理效应。为此，本文剔除预冲击暴露度上下 1% 的极端观测值，在共同支撑样本中重新估计基准模型。表 11 Panel C 显示，在这一样本缩小后，营业收入增长率的处理效应仍为负且统计显著（$-0.042$，$p<0.001$），方向和显著性与主样本一致。利润增长口径在以上三项检验中均未呈现稳定的直接处理效应，与表 2b 的扩展基准结果一致。

表 11 识别假设检验

	营业收入增长率	营业收入规模	营业利润增长	净利润增长
Panel A：冲击前伪处理项
$PlaceboTreat_{it}$	0.0151	-0.0038	-0.2657	-0.1998
	(0.0100)	(0.0199)	(0.6625)	(0.7536)
观测值	10,142	14,612	13,397	13,397
Panel B：加入省份线性趋势
$Treat_{it}$	-0.0256**	-0.0005	0.0868	0.0661
	(0.0103)	(0.0128)	(0.4173)	(0.4055)
观测值	19,230	23,655	22,466	22,466
Panel C：共同支撑样本
$Treat_{it}$	-0.0420***	0.0071	0.7701	0.7031
	(0.0098)	(0.0139)	(0.7147)	(0.7656)
观测值	18,953	23,310	22,150	22,150
企业 FE + 行业-年份 FE	是	是	是	是
控制变量	是	是	是	是

注：括号内为省级聚类标准误，显著性星号依据省级聚类标准误计算。Panel A 使用 2018—2021 年样本；Panel B 在企业 FE 和行业-年份 FE 之外进一步吸收省份线性时间趋势；Panel C 剔除预冲击暴露分布上下 1% 的极端观测。表中报告四个连续结果变量。$^{***}$、$^{**}$、$^{*}$ 分别表示 1%、5%、10% 显著水平。

七、异质性分析

本节的异质性分析用于识别适应性调整发挥作用的样本边界，而非寻找新的主效应。表 12a 和表 12b 先比较主样本、半导体行业样本（申万半导体行业分类）、半导体制造链样本（含半导体设备及材料相关行业）和上游样本（人工筛选的接近关键瓶颈环节的企业），再在上游样本内部区分上游链、上游精炼和上游聚焦样本。各样本的观测值均标注于表中。

经营缓冲对营业收入规模的正向作用主要在主样本和半导体制造链样本中边际显著，在上游样本中不稳定，说明短期缓冲更接近一般经营维持机制，而非仅属于上游瓶颈企业。选择性技术布局对营业利润增长的估计方向在各样本中一致为正，但显著性随样本范围变化；其中，上游样本的估计值约为主样本的两倍，表明越接近关键瓶颈环节，方向性技术布局的利润韧性含义越强。

广义技术布局对净利润增长的作用主要存在于主样本、半导体行业和半导体制造链样本，在上游样本中不显著。与此形成对比的是，$G03F7$ 这类更窄的关键方向在上游精炼样本和上游聚焦样本中显著，且系数呈单调递增（从上游链样本的 0.142 到上游聚焦样本的 0.291）。技术布局的有效边界存在清晰的层次：一般企业从广义能力积累中获益更多，关键上游企业则更依赖瓶颈方向的技术布局。此外，替代结果口径也构成了一重约束：直接处理效应并未在所有增长和利润变量上同步显著。据此，本文不主张出口管制促进了企业全面增长，而是指出高暴露企业在收入增长承压下，通过特定的经营与技术调整维持了局部且可辨识的增长韧性。

表 12a 异质性分析：经营缓冲与选择性技术布局

	主样本	半导体行业	半导体制造链	上游样本
$Treat_{it}\times Buffer_{it}$，因变量：营收规模	0.0173*	0.0153	0.0199*	0.0179
	(0.0090)	(0.0132)	(0.0107)	(0.0167)
$Treat_{it}\times SelectiveTech_{it}$，因变量：营业利润增长	0.1131***	0.1092**	0.1029***	0.2336**
	(0.0306)	(0.0400)	(0.0331)	(0.0863)
$Treat_{it}\times BroadLayout_{it}$，因变量：净利润增长	0.1516***	0.1390***	0.1327***	-0.0774
	(0.0388)	(0.0485)	(0.0379)	(0.1849)
观测值（营收规模）	23,655	9,194	6,678	3,986
观测值（营业利润）	22,466	8,617	6,249	3,740
观测值（净利润）	22,466	8,617	6,249	3,740

表 12b 异质性分析：$G03F7$ 关键方向布局

因变量：净利润增长	上游链样本	上游精炼样本	上游聚焦样本
$Treat_{it}\times G03F7_{it}$	0.1418	0.2649***	0.2907***
	(0.0877)	(0.0584)	(0.0587)
观测值	3,885	3,740	2,600

注：括号内为省级聚类标准误，显著性星号依据省级聚类标准误计算。所有列均吸收企业 FE 和行业-年份 FE，控制变量同表 2a。$G03F7$ 规格同时控制工艺布局及其与处理变量的交互，以识别关键方向相对于一般工艺布局的增量作用。$^{***}$、$^{**}$、$^{*}$ 分别表示 1%、5%、10% 显著水平。

八、结论与政策启示

本文考察了 2022 年 10 月美国对华出口管制冲击下中国上市公司的增长表现、适应性调整与增长韧性。出口管制显著压制了高暴露企业的短期营业收入增长，但企业并非毫无应对空间。第一阶段估计显示，冲击本身最明确地推动了企业的经营缓冲行为，其中库存扩张在企业聚类和省级聚类下均显著，现金消耗在企业聚类下显著、在省级聚类下边际显著；选择性技术布局的显著性弱于经营缓冲，但其方向性调整具有一定响应。经营缓冲与选择性技术布局分别为短期和中期增长韧性提供了支撑。

经营缓冲的两个渠道存在分工：库存扩张侧重维持销售规模，现金消耗侧重维持收入增长率与继续增长概率。选择性技术布局更多体现为利润保护与中期兑现：广义技术布局积累改善当期营业利润和净利润增长，并对下一年收入规模形成支撑；在更接近瓶颈环节的上游企业中，$G03F7$ 相关布局对净利润韧性解释力更强。

本文的政策含义在于，面对技术封锁，企业增长韧性并不单纯依赖研发投入或专利总量。短期内，保障关键中间品供应、改善库存周转和维持必要流动性，有助于降低外部冲击对运营连续性的影响；中期则应关注方向性技术布局，特别是围绕关键瓶颈环节形成可持续的技术积累。一般企业从广义技术积累和经营缓冲中获得的韧性更直接，关键上游企业的韧性则更多来自瓶颈方向的持续投入。

本文存在三处局限。其一，年度数据频率限制了对经营和技术调整月度或季度传导时点的识别。其二，机制交互项刻画的是冲击背景下适应性调整与增长结果之间的条件相关，仍可能受到未观测经营能力或管理质量的影响。其三，暴露度仍是基于省份进口依赖与年报文本构造的潜在暴露，不能等同于企业实际采购或受限品类清单，因此本文更适合解释相对暴露差异下的增长韧性，而非精确测算单个企业受到管制的绝对强度。未来研究可结合高频经营数据、项目级投资数据、企业级海关交易和专利文本信息，更精细地刻画企业适应性增长的动态过程。

参考文献

Angrist, J. D., and J.-S. Pischke. 2009. Mostly Harmless Econometrics: An Empiricist’s Companion. Princeton University Press.

Cameron, A. C., and D. L. Miller. 2015. “A Practitioner’s Guide to Cluster-Robust Inference.” Journal of Human Resources, 50(2): 317–372.

附录

A1. 分年估计

下表报告将冲击后年份拆分为 2023 和 2024 年后各因变量的处理效应。所有列均吸收企业固定效应和行业-年份固定效应，控制变量同表 2a，标准误按省份聚类。

表 A1 分年处理效应估计

因变量	2023 系数	SE	p 值	2024 系数	SE	p 值	N
营业收入增长率	-0.0355**	0.0140	0.016	-0.0164*	0.0084	0.061	19,230
营业收入规模	-0.0048	0.0095	0.617	+0.0020	0.0151	0.896	23,655
收入继续增加	-0.0211*	0.0118	0.083	+0.0110	0.0172	0.525	19,235
营业利润增长	-0.5353	0.5760	0.361	+0.8091*	0.4527	0.083	22,466
净利润增长	-0.4797	0.5800	0.415	+0.7273*	0.3656	0.054	22,466

注：显著性星号依据省份聚类标准误计算。$^{***}$、$^{**}$、$^{*}$ 分别表示 1%、5%、10% 显著水平。

A2. 证伪检验：非半导体相关行业

为检验暴露度是否捕捉了一般性经济冲击而非半导体特有的管制效应，本文在非半导体相关行业（剔除申万分类中电子、计算机、通信、国防军工及机械设备行业）中重新估计基准模型。若暴露度中包含一般性冲击成分，则无关行业中亦应出现显著的负向处理效应。

表 A2 证伪检验：无关行业 vs 半导体相关行业

	无关行业		半导体相关行业
	系数	SE	系数	SE
营业收入增长率	-0.0206	(0.0135)	-0.0383***	(0.0079)
营业收入规模	-0.0264***	(0.0077)	0.0271	(0.0182)
收入继续增加	-0.0076	(0.0108)	-0.0014	(0.0223)
营业利润增长	-0.0891	(0.4305)	0.5084	(0.6381)
净利润增长	-0.2072	(0.3556)	0.7011	(0.6354)

注：所有列均吸收企业 FE 和行业-年份 FE，控制变量同表 2a，标准误按省份聚类。显著性星号依据省份聚类标准误。$^{***}$、$^{**}$、$^{*}$ 分别表示 1%、5%、10% 显著水平。营业收入增长率在无关行业中不显著而在半导体相关行业中高度显著，支持了暴露度指标的行业针对性。营业收入规模在无关行业中呈显著负向，提示暴露度中的省份成分可能部分捕捉了一般性冲击。

A3. 后处理偏误讨论

基准回归中的控制变量集合包含库存率和现金率，而这两者恰好是经营缓冲机制的构成要素。这可能产生后处理偏误：若出口管制本身影响了企业的库存与现金决策，则控制这些变量会吸收部分处理效应（Angrist and Pischke, 2009）。机制检验中，这一重叠还意味着同一变量既被当作混杂因素调整、又被纳入交互项的构成成分。为缓解这一偏误，本文剔除了库存率与现金率后重新估计基准处理效应和核心机制交互项。表 A3 显示，基准营业收入增长率的负向效应、经营缓冲对营收规模的正向交互项以及选择性技术布局对营业利润增长的正向交互项均保持稳定。

表 A3 剔除库存率与现金率后的补充检验

规格	系数	企业聚类 SE	省级聚类 SE	Webb wild bootstrap $p$ 值	N
$Treat_{it}$，因变量：营收增长率	-0.0245**	(0.0109)	[0.0099]	0.000	19,230
$Treat_{it}$，因变量：营收规模	0.0034	(0.0116)	[0.0133]	0.839	23,655
$Treat_{it}\times Buffer_{it}$，因变量：营收规模	0.0187***	(0.0067)	[0.0063]	0.016	23,655
$Treat_{it}\times SelectiveTech_{it}$，因变量：营业利润增长	0.1090***	(0.0317)	[0.0229]	0.031	22,466

注：本表所有规格剔除库存率与现金率，其他控制变量同表 2a。圆括号为企业聚类标准误，方括号为省级聚类标准误。显著性星号依据企业聚类标准误计算，Webb wild bootstrap $p$ 值基于省级聚类和 999 次重复。$^{***}$、$^{**}$、$^{*}$ 分别表示 1%、5%、10% 显著水平。

A4. 样本筛选过程

本文从 CSMAR 数据库获取全部 A 股上市公司 2018—2024 年的财务报表数据，按以下步骤筛选：(1) 剔除金融行业和房地产行业公司；(2) 保留至少连续两年有观测值的公司-年份组合；(3) 在各回归中进一步剔除关键变量缺失的观测。最终基准非金融主样本包含 4,742 家公司和 28,961 个公司-年份观测。各因变量因增长率计算需要连续年份数据，其观测数略少（见表 1）。本文未发现处理强度与样本退出存在系统性关联。

A5. 仅文本暴露度稳健性检验

下表报告将 $Exposure_i$ 中的省份进口依赖成分移除、仅以企业冲击前年报文本暴露度作为处理强度后的估计结果，并与基准暴露度（省份 × 文本）进行对比。所有列均控制企业规模、研发强度、库存率、现金率、无形资产率、杠杆率和资产收益率，吸收企业固定效应和行业-年份固定效应。原始暴露度列的标准误按省份聚类，仅文本暴露度列的标准误按企业聚类。

表 A5 暴露度构造稳健性：原始 vs 仅文本暴露度

变量或规格	原始系数	SE	p	文本系数	SE	p
基准回归
营业收入增长率	-0.0260**	0.0102	0.017	-0.0198**	0.0100	0.046
第一阶段
经营缓冲	0.0926**	0.0404	0.030	0.0727***	0.0249	0.004
库存扩张	0.0393**	0.0170	0.029	0.0308***	0.0106	0.004
选择性技术	0.1291**	0.0517	0.019	0.1085*	0.0629	0.085
工艺布局	0.1012**	0.0414	0.021	0.0859*	0.0511	0.092
G03F7 布局	0.1570**	0.0669	0.026	0.1311*	0.0782	0.093
机制交互项
缓冲→营收规模	0.0193**	0.0071	0.011	0.0170***	0.0058	0.003
技术→营业利润	0.1062***	0.0237	0.000	0.0895***	0.0297	0.003
技术→净利润	0.0966***	0.0324	0.006	0.0810**	0.0321	0.012
现金→营收增长率	0.0323***	0.0092	0.002	0.0282***	0.0076	0.000
现金→继续增长	0.0350***	0.0072	0.000	0.0306***	0.0084	0.000
广义布局→营业利润	0.1518***	0.0372	0.000	0.1326***	0.0442	0.003
广义布局→净利润	0.1516***	0.0388	0.001	0.1318***	0.0431	0.002

注：原始暴露度 = $ProvDepend_i \times FirmTextExposure_i$，文本暴露度 = $FirmTextExposure_i$。原始暴露度列按省份聚类，仅文本暴露度列按企业聚类，$p$ 值和显著性星号均依据各列对应的聚类标准误计算。$^{***}$、$^{**}$、$^{*}$ 分别表示在 1%、5%、10% 水平上显著。

A6. 省份-年份固定效应下的完整六因变量结果

表 A6 报告第六节表 10 的完整结果。所有规格均在仅文本暴露度基础上进一步吸收省份-年份固定效应，因此识别来自同一省份、同一行业年份内不同企业的冲击前文本暴露差异。

表 A6 省份-年份固定效应下的完整结果

因变量	主样本系数	SE	$p$	N	半导体相关样本系数	SE	$p$	N
asinh 营收增长率	-0.0127**	0.0060	0.035	14,088	-0.0255***	0.0087	0.003	5,467
营收增长率	-0.0194*	0.0100	0.052	19,230	-0.0329***	0.0083	0.000	7,515
营收规模	-0.0011	0.0091	0.903	23,655	0.0259***	0.0092	0.005	9,285
收入继续增加	-0.0045	0.0074	0.545	19,235	-0.0082	0.0126	0.515	7,518
营业利润增长	0.0486	0.3410	0.887	22,466	0.2316	0.4200	0.581	8,703
净利润增长	0.0401	0.3455	0.908	22,466	0.2750	0.4157	0.508	8,703

注：所有列均吸收企业 FE、行业-年份 FE 和省份-年份 FE，控制变量同表 2a，标准误按企业聚类。处理变量为 $Post_t \times FirmTextExposure_i$。$^{***}$、$^{**}$、$^{*}$ 分别表示 1%、5%、10% 显著水平。

A7. 战略重定向与机制交互项完整遍历

作为补充，本文也考察年报文本中的战略重定向是否具有增长韧性含义。战略重定向定义为：

$$StrategicShift_{it}=Z(Autoc_{it})+Z(Design_{it})-Z(ImpDep_{it}),$$

其中 $Autoc_{it}$ 为"自主可控"相关词频，$Design_{it}$ 为"芯片设计"相关词频，$ImpDep_{it}$ 为"进口依赖"相关词频，$Z(\cdot)$ 表示按年度标准化。该变量越高，表示企业越倾向于在年报中强调自主可控和芯片设计，同时弱化进口依赖表述。

补充检验显示，出口管制对战略重定向本身的影响并不显著，第一阶段系数为 $0.0998$，企业聚类 $p=0.172$，省级聚类 $p=0.313$。在完整机制矩阵中，$Treat_{it}\times StrategicShift_{it}$ 仅对营业收入规模呈正向显著，而对营业收入增长率、收入继续增加和利润增长均不显著。因此，战略重定向更适合作为文本层面的前端信号，而不宜与经营缓冲和选择性技术布局并列为正文核心机制。

为完整呈现各机制变量与各增长口径的交互效应，表 A7 报告了 8 个机制变量与 6 个结果变量的全部 48 个交互项回归结果。每个单元格报告 $Treat_{it}\times M_{it}$ 的系数与显著性，上标星号依据企业聚类标准误计算。所有回归均包含处理变量、机制变量及其交互项，以及同表 2a 的控制变量，并吸收企业固定效应和行业-年份固定效应。带 † 标记的单元格为正文中已讨论的交互项。

48 个交互项中，20 个在 5% 水平上显著，22 个在 10% 水平上显著。显著的交互项并非均匀分布：广义技术布局在 5 个因变量上显著，经营缓冲和选择性技术各在 3 个因变量上显著，而战略重定向仅在 1 个因变量上显著。这一差异化的显著性模式支持本文将正文机制聚焦于经营缓冲和选择性技术布局。

表 A7 机制交互项完整遍历结果

机制	营收增长率	营收规模	收入继续增加	营业利润增长	净利润增长	asinh营收增长
战略重定向	-0.0036	0.0035**	-0.0003	-0.1287	-0.1087	-0.0020
经营缓冲	0.0169**	0.0173†**	0.0268***	0.1790	0.4488	0.0033
选择性技术	0.0013	0.0035**	0.0006	0.1131†***	0.1049†***	-0.0004
库存扩张	-0.0114	0.0280†***	0.0082	0.5559	0.7417**	-0.0076
现金消耗	0.0334†***	0.0070	0.0331†***	-0.1889	0.0770	0.0119
工艺布局	0.0012	0.0028**	0.0011	0.0900***	0.0882***	-0.0000
G03F7布局	0.0018	0.0041**	0.0000	0.1118**	0.0969*	-0.0003
广义技术布局	0.0027**	0.0055***	0.0032*	0.1558†***	0.1554†***	0.0012

注：每个单元格报告 $Treat_{it}\times M_{it}$ 的交互项系数。† 表示正文中已讨论的交互项。所有回归均包含 $Treat_{it}$、$M_{it}$、$Treat_{it}\times M_{it}$ 和控制变量，吸收企业 FE 和行业-年份 FE，标准误按企业聚类。$^{***}$、$^{**}$、$^{*}$ 分别表示 1%、5%、10% 显著水平。

版权所有，文末的协议无效。