| 1,258 | 0 | 346 |
| 下载次数 | 被引频次 | 阅读次数 |
信息通信技术（ICT）产业是关乎国家未来发展的战略性产业，但近年来全球ICT产业发展受到贸易保护主义的严重影响。本文构建了1996—2022年间全球126个经济体的ICT贸易依赖网络，探讨其演化特征及影响因素，其中包括两次关于贸易保护主义冲击的关键事件，即2008年国际金融危机和2018年中美贸易摩擦。研究发现：ICT贸易依赖网络呈现“核心–外围”结构和“小世界”特性，中国和美国是关键枢纽，中美之间合作与冲突并存；不同时期ICT贸易依赖网络存在结构性变化，贸易保护主义冲击降低了网络连通性和互惠性，增强了地理区域化特征。2018年以后，中美ICT贸易依赖关系逐渐减弱，与区域贸易协定（RTA）合作伙伴的联系增强；ICT贸易依赖网络关联关系的形成同时受到内生和外生机制的影响，经济发展程度、人力资本水平、RTA签订及RTA数字化程度对ICT贸易依赖关系具有显著正向作用。特别是在摩擦冲突加剧期，人力资本水平更高和签订数字化程度更深的RTA条款能更有效地维护依赖关系。本文研究表明，提高人力资本水平和积极倡导基于规则的多边数字贸易体系是抵御逆全球化风险的有效策略。
Abstract：The information and communication technology(ICT) industry is a strategic sector vital to national development, but in recent years, it has faced influence from trade protectionism. Using data from126 economies between 1996 and 2022, this study examines the evolution of the global ICT trade dependency network and its driving factors, focusing on two key protectionist shocks, namely the 2008financial crisis and the 2018 US-China trade conflict. The results show that the ICT trade dependency network follows a “core-periphery” structure with “small-world” characteristics, where China and the US serve as key hubs, with both cooperation and conflict present. The network undergoes structural changes over time, with trade protectionism reducing connectivity and reciprocity, while increasing regionalization.After 2018, ICT trade dependence between China and the US weakened, while ties with regional trade agreement(RTA) partners grew stronger. The formation of ICT trade dependencies is influenced by both endogenous and exogenous factors, with economic development, human capital, RTA agreements, and RTA digitalization positively impacting the network. Notably, during periods of intensified friction, higher human capital and deeper digital RTA agreements help maintain these dependencies. The findings suggest that enhancing human capital and promoting a rule-based multilateral digital trade system are effective strategies for countering the risks of deglobalization.
[1]蔡跃洲,牛新星.中国信息通信技术产业的国际竞争力分析——基于贸易增加值核算的比较优势及技术含量测算[J].改革, 2021(4):24–44.
[2]陈梦根,赵雨涵.中国银行业跨境联系的测度与分析——兼论国际银行业网络结构的动态特征[J].经济研究, 2019, 54(4):49–66.
[3]丁浩员,董文娟,余心玎.贸易政策冲击下的跨国供应链断裂与重构研究[J].经济研究, 2024, 59(8):95–113.
[4]刘林青,闰小斐,杨理斯,等.国际贸易依赖网络的演化及内生机制研究[J].中国工业经济, 2021(2):98–116.
[5]吕建兴,张少华,李明月.全球贸易摩擦对我国进出口的影响研究——来自GTA国家–产品层面的证据[J].统计研究, 2022, 39(7):56–72.
[6]吕延方,方若楠,王冬.全球数字服务贸易网络的拓扑结构特征及影响机制[J].数量经济技术经济研究, 2021, 38(10):128–147.
[7]唐晓彬,张岩,王亚男,等.“一带一路”沿线国家贸易网络关联与群体影响机制研究[J].统计研究, 2023, 40(12):91–105.
[8]吴群锋,杨汝岱.网络与贸易:一个扩展引力模型研究框架[J].经济研究, 2019, 54(2):84–101.
[9]张琳琛,董银果,王悦.知识产权保护如何影响全球农产品贸易依赖网络演化?[J].统计研究, 2023, 40(12):77–90.
[10] Aiyar S, Chen J, Ebeke C, et al. Geoeconomic Fragmentation and the Future of Multilateralism[R]. International Monetary Fund, 2023.
[11] Alfaro L, Chen M, Chor D. Can Evidence-Based Information Shift Preferences Towards Trade Policy?[R]. NBER Working Paper, 2023.
[12] Alfaro L, Chor D. Global Supply Chains:The Looming“Great Reallocation”[R]. NBER Working Paper, 2023.
[13] Antràs P. De-globalisation? Global Value Chains in the Post-covid-19 Age[R]. NBER Working Paper, 2020.
[14] Borin A, Mancini M. Measuring What Matters in Value-Added Trade[J]. Economic Systems Research, 2023, 35(4):586–613.
[15] Chaney T. The Network Structure of International Trade[J]. American Economic Review, 2014, 104(11):3600–3634.
[16] Chor D, Manova K, Yu Z. Growing Like China:Firm Performance and Global Production Line Position[J]. Journal of International Economics,2021, 130:1–25.
[17] Duernecker G, Meyer M, Vega-Redondo F. Trade Openness and Growth:A Network-based Approach[J]. Journal of Applied Econometrics,2022, 37(6):1182–1203.
[18] Fagiolo G, Reyes J, Schiavo S. The Evolution of the World Trade Web:A Weighted-network Analysis[J]. Journal of Evolutionary Economics,2010, 20(4):479–514.
[19] Farrell H, Newman A L. Weaponized Interdependence:How Global Economic Networks Shape State Coercion[J]. International Security, 2019,44(1):42–79.
[20] Goldberg P K, Reed T. Is the Global Economy Deglobalizing? And if So, Why? And What is Next?[R]. NBER Working Paper, 2023.
[21] Grossman G M, Helpman E, Redding S J. When Tariffs Disrupt Global Supply Chains[J]. American Economic Review, 2024, 114(4):988–1029.
[22] Kei Y L, Chen Y, Madrid Padilla O H. A Partially Separable Model for Dynamic Valued Networks[J]. Computational Statistics&Data Analysis,2023, 187:107811.
[23] Leifeld P, Cranmer S J, Desmarais B A. Temporal Exponential Random Graph Models with Btergm:Estimation and Bootstrap Confidence Intervals[J]. Journal of Statistical Software, 2018, 83(6):1–36.
[24] Li T, Wang B, Jiang Y, et al. Restricted Boltzmann Machine-Based Approaches for Link Prediction in Dynamic Networks[J]. IEEE Access,2018, 6:29940–29951.
[25] Newman M. Networks:An Introduction[M]. New York:Oxford University Press, 2010.
[26] Robins G, Pattison P. Random Graph Models for Temporal Processes in Social Networks[J]. The Journal of Mathematical Sociology, 2001,25(1):5–41.
[27] Rosvall M, Bergstrom C T. Maps of Random Walks on Complex Networks Reveal Community Structure[J]. Proceedings of the National Academy of Sciences, 2008, 105(4):1118–1123.
[28] Skarding J, Gabrys B, Musial K. Foundations and Modeling of Dynamic Networks Using Dynamic Graph Neural Networks:A Survey[J]. IEEE Access, 2021, 9:79143–79168.
[29] Snyder D, Kick E L. Structural Position in the World System and Economic Growth, 1955—1970:A Multiple-Network Analysis of Transnational Interactions[J]. American Journal of Sociology, 1979, 84(5):1096–1126.
[30] Zhou M, Wu G, Xu H. Structure and Formation of Top Networks in International Trade, 2001—2010[J]. Social Networks, 2016, 44:9–21.
(1)因篇幅所限，2009—2022年全球和中国遭受ICT贸易摩擦频次以附图1展示，见《统计研究》网站所列附件。下同。
(2)第三方效应指代两个经济体之间的贸易依赖关系不仅取决于双方直接联系，还受到其他经济体依赖关系的间接影响。
(3)如无特殊说明，本文阐述国际金融危机一般特指2008年国际金融危机。
(1)CEPII–BACI数据库网址为https://www.cepii.fr/CEPII/en/bdd_modele/bdd_modele.asp；世界银行数据库网址为https://data.worldbank.org.cn/；全球预警数据库网址为https://globaltradealert.org/data-center；世界贸易组织RTA数据库网址为https://rtais.wto.org/UI/PublicMaintain RTAHome.aspx。
(2)最新发布的世界投入产出数据库（WIOD）仅更新至2014年，而OECD的跨国投入产出数据库（OECD–ICIO）仅包括67个国家，数据截至2020年。
(1)关于ICT行业、产品以及职业定义与分类详见《OECD Guide to Measuring the Information Society 2011》，相关网址为www.oecd.org/sti/measuring—infoeconomy/guide。与ICT产品贸易相比，目前ICT服务贸易数据详细程度有限。
(2)部分年份和经济体缺失数据使用联合国统计司数据替换，相关网址为https://data.un.org/。
(3)因篇幅所限，详细的指标构建与说明以附录1展示。
(4)阈值的设定存在一定随意性，更高的阈值将导致更少符合条件的连接，从而核心经济体更少。在稳健性检验中，使用相同方法估计了不同阈值下的ICT贸易依赖网络，结论未发生明显改变，表明至少对于ICT贸易依赖网络而言，不取决于阈值。
(5)因篇幅所限，ICT贸易依赖网络测度指标技术细节以附录2展示。
(1)因篇幅所限，TERGM中各变量的挑选原则、具体含义和构造方式等变量说明以附录3展示。
(2)因篇幅所限，整体结构的描述性统计特征图以附图2展示。
(3)因篇幅所限，一个或两个结构断裂的单位根检验结果及说明以附录4展示。
(1)贸易明星经济体指与其他经济体建立大量贸易依赖关系的节点，其贸易依赖联系的数量远超过网络平均水平，在网络中具有显著的高连接度特征。
(2)在社会网络分析中，用于社团发现的随机游走算法是一种常见的方法（Rosvall和Bergstrom,2008）。这一算法基于节点之间的连接模式，通过模拟随机游走的过程，使用网络上随机游走的概率流作为真实系统中信息流的代理来识别网络中的社团结构。因篇幅所限，1996年、2007年、2018年和2022年社团聚类图与聚类结果描述性统计以附录5展示。
(1)本文对比1996—2007年而非2008年，以避开2008年开始的国际金融危机影响；同样地，选择对比2008—2017年而非2018年，以捕捉中美贸易摩擦前夕的网络。另外，1997年亚洲金融危机对整体结构造成了一定冲击，但考虑到此次冲击初始位置是在网络中的外围国家而非核心节点国家，且未对全球化进程产生重大影响，因此并不单独作为一段时期加以分析。
(2)总排名是将各个国家在样本期内两类中心性得分排入前10名的年份次数相加，次数越多则排名越靠前，例如：美国和德国在所有年份中排名均在前10位，则总排名并列第1名，阿联酋和印度并列第14名。
(1)因篇幅所限，异质性分析描述性统计特征图以附图3展示。
(2)最大中心性指标本质上反映了网络中具有最高中心性节点的特征变化。
(1)考虑到贸易依赖关系中，接收方在网络中的地位明显优于发送方，本文重点探讨的是基于入度的偏好依附性。
(1)因篇幅所限，稳健性检验和拟合优度检验估计结果以附表1和附图4展示。
(2)ERGM模型结果显示，Receiver_ln GDP、Sender_ln GDP、NCov_ling和NCov_cle这些外生属性变量系数不显著，这可能源于这些变量对ICT贸易网络的影响具有长期性特征，而截面数据模型难以捕捉其动态效应。此外，2022年样本可能受到新冠疫情等外生冲击的干扰。
(1)数据来源于GTA数据库。
基本信息:
DOI：10.19343/j.cnki.11-1302/c.2025.05.005
中图分类号:F746;F49
引用信息:
[1]何佳佳,李庭辉.ICT贸易依赖网络结构的演化特征及影响因素研究[J].统计研究,2025,42(05):62-76.DOI:10.19343/j.cnki.11-1302/c.2025.05.005.
基金信息:
国家社会科学基金重大项目“数据价值链效能识别与统计测度研究”(22&ZD163)
2025-05-25
2025-05-25