越南出口韧性研究：基于行业层面面板数据（2000–2024年）的因果机器学习方法 潘晓红（Phan Thao Huong） 陈晓维（Tran Thao Viet） 陈明珠（Tran Trang Mai）

《Economies》：Export Resilience in Vietnam: A Causal Machine Learning Approach Using Industry-Level Panel Data (2000–2024) Thao Huong Phan, Thao Viet Tran and Trang Mai Tran

　　摘要 越南的出口额从2000年的145亿美元大幅增长到2024年的4050亿美元，尽管面临持续的全球冲击，该国仍跃升至世界第22大出口国。本文介绍了将因果机器学习方法（CLARE）应用于行业层面贸易分析的研究，使用了2000年至2024年间联合国COMTRADE和WITS数据库中的97个HS2行业（共2425个观测值）的全面数据集。我们采用双重机器学习方法来估计全球金融危机（2008-2009年）和COVID-19大流行（2020-2021年）对出口增长的因果影响。研究结果揭示了各行业之间的显著差异：电气机械（HS85）表现出极强的韧性，这得益于其72%的高科技含量和低产品集中度；而针织服装（HS61）则显得高度脆弱。固定效应回归验证了核心假设：高科技占比每增加10个百分点，韧性指数提高0.031点（相对于样本均值约4.1%）；产品集中度每降低一个标准差（0.14单位），韧性指数提高0.026点（相对增加3.6%）；每增加一项自由贸易协定（FTA），韧性指数提高0.047点（相对增加约6.2%），所有估计结果在常规统计水平上均具有显著性。通过采用不同的学习算法、去除趋势影响以及引入合成控制变量，研究结果的稳健性得到了进一步验证。政策建议包括加速高科技全球价值链的整合（特别是半导体和电动汽车领域），同时优化CPTPP和EVFTA的利用效率（目前利用率为35%），并缓解中美市场集中度（出口总额的45%）。这些见解为越南实现2045年高收入目标指明了方向，尤其是在地缘政治和气候风险加剧的背景下，也为其他依赖出口的新兴经济体提供了一个可复制的分析框架。

1. 引言
越南在过去二十五年中实现了显著的经济转型，从一个饱受战争摧残的中央计划经济体系发展成为亚洲最具活力的出口强国。2000年至2024年间，商品出口额增长了二十六倍，从144.8亿美元激增至约4050亿美元，使越南成为全球第22大商品出口国。这种以出口为导向的增长策略年均增速达15.2%，到2024年出口额占GDP的比例接近95%，甚至超过了韩国等出口密集型国家在类似时期的表现。产业结构也发生了显著变化：电子产品（HS85）的出口占比从2000年的5.7%上升至2024年的31.2%，而低技术纺织品则逐渐失去主导地位。然而，这种快速崛起也伴随着深刻的脆弱性。越南对出口的过度依赖使其经济容易受到全球冲击的影响。2008-2009年的全球金融危机导致越南出口额收缩了12.6%，相当于GDP的11%，并造成了120万制造业工作岗位的流失。尽管COVID-19大流行的影响相对较小，但2020年越南出口额仍下降了8.2%，虽然优于全球平均15.3%的降幅，但劳动密集型行业受到重创，约有250万服装工人失业。新兴风险进一步加剧了这种脆弱性：中美之间的战略竞争威胁到越南在电子产业链中的主导地位（出口额的45%），气候脆弱性对农业出口构成威胁（占总出口的8%），未来可能还会出现新的疫情风险（Market Inside, 2025）。这些情况凸显了一个根本性的矛盾：越南实现2045年高收入目标的愿景依赖于出口增长，但全球市场的不确定性对此构成了威胁。因此，理解和增强出口韧性不仅具有学术意义，更是实现可持续发展的关键政策需求。根据Evenett提出的3R框架，出口韧性包括经济抵御初始冲击的能力、从危机中恢复到原有增长路径的能力以及重新定位到新的增长方向的能力。传统的衡量指标（如出口增长波动性、赫芬达尔-赫希曼集中度或简单的恢复时间）存在明显局限。国家层面的研究也显示不同行业之间的韧性存在显著差异（例如，电子产品在冲击中的韧性远高于纺织品，Ram & Kalidasan, 2024; Tran & Freytag, 2025）。最近的方法论进展填补了这些空白。因果机器学习技术，尤其是Chernozhukov等人（2018）提出的双重机器学习（DML），能够在灵活控制高维混杂因素的同时精确估计异质性处理效应（世界银行, 2025）。世界银行的CLARE框架（2026）将DML方法应用于韧性评估（Market Inside, 2025）。本文将应用CLARE方法，利用2000-2024年间联合国COMTRADE/WITS数据库的2425个观测值，为越南的97个HS2行业构建行业层面的韧性指数。

本研究基于三个相互关联的理论支柱。首先，Martin和Sunley（2015）提出的进化经济韧性理论提供了概念框架：韧性不是静态属性，而是由技术密集度、多元化程度和制度深度等结构性因素塑造的动态能力。其次，Melitz和Redding（2014；Bernard等人，2010）的异质企业和行业理论表明，不同行业在应对冲击方面存在系统差异，高生产力、多产品参与和全球价值链（GVC）整合程度较高的行业具有更强的适应能力。第三，Chernozhukov等人（2018）提出的因果推断方法提供了识别处理效应的策略：必须考虑行业特征的干扰效应，需要通过正交化而非简单回归来进行估计。这些理论支柱共同推动了实证设计（DML/GRF方法用于估计异质性因果效应）和五个假设的检验，每个假设都对应于一种将结构性因素与韧性能力联系起来的具体机制。总体研究问题是：行业层面的结构性特征（如技术密集度、产品和市场多元化以及制度环境）在多大程度上决定了出口对全球需求冲击的韧性？2008年至2020年间越南的结构性转型是否带来了独立于冲击严重程度的可衡量韧性提升？

本文有三个主要贡献。在方法论上，我们首次将世界银行的CLARE框架（Kilic等人，2025）从家庭福利分析扩展到行业层面贸易数据，并结合广义随机森林（Athey等人，2019）方法来估计特定行业的异质性处理效应，这是以往贸易韧性研究中缺乏的能力。在实证方面，我们首次为越南的全部97个HS2行业构建了基于因果推断的韧性指数，揭示了高科技含量对行业间韧性差异的约40%的解释作用，并证实调整后的COVID-19韧性显著高于全球金融危机期间的韧性，提供了结构升级的可靠证据。在政策层面，我们将因果估计结果转化为具体的行业建议，直接服务于越南的2045年工业战略，为其他依赖出口的新兴经济体提供了一个可复制的分析框架。

2. 文献综述
2.1. 出口韧性的概念化和测量
自2008年全球金融危机以来，经济韧性的概念经历了重大发展，从宏观经济稳定范式转向了细粒度的冲击吸收框架。Evenett（2011）提出了贸易韧性分析的3R框架（抵抗初始冲击、快速恢复到趋势、冲击后的重新定位），这一框架在全球金融危机期间得到了90多个国家的验证，已成为行业标准。Belke和G?cke（2005）提出使用出口增长标准差作为韧性指标，并应用于欧盟15国的数据，发现了逆周期的劳动力市场效应。Calderon和Kubota（2012）将波动性扩展到100个发展中国家的增长加速指标。然而，波动性同时涵盖了扩张性繁荣和收缩性衰退，掩盖了冲击的方向性反应。Allard（2017）结合了波动性、集中度（HHI）和市场准入三个指标，发现更大的地理和行业多元化有助于抵御贸易冲击。他们的分析表明，更高的市场集中度会增加脆弱性，强调了广泛市场准入对稳定性的重要性。欧盟委员会的贸易韧性评估体系整合了15个指标，包括全球价值链参与度。但这些基于偏好的方法缺乏因果关系的明确识别。Gorynia和Kuczewska（2025）研究了COVID-19大流行期间波兰500家制造商的情况，发现企业的营销和技术能力显著提升了出口韧性，但这种提升仅在环境敌对性较高的情况下成立。针对中国的研究越来越多，常强调国家支持和供应链主导地位对韧性的关键作用。Freund等人（2024）利用双边贸易数据的研究发现，美国对中国商品征收关税引发了供应链的重组，具有比较优势的发展中国家在美国的出口增长增加了约2.6-4.2个百分点，其中与中国供应链深度融合的国家受益最大，表明企业更倾向于通过重新定位供应链来应对贸易政策冲击。Nguyen等人（2025）对越南双边贸易的研究证实，自由贸易协定通过市场多元化增强了韧性（边际效应+8.2%）。Gupta和Bhatia（2022）对45个发展中国家的研究显示，高科技含量与韧性正相关，但存在反向因果关系。Busch（2011）利用地理工具证明了出口集中度会提高出口增长波动性，这种影响通过贸易条件和需求冲击两个渠道传导。Bernard等人（2010）利用美国人口普查数据发现，多产品企业会在竞争压力下系统性地重新分配资源，聚焦核心业务，从而增强韧性。

2.2. 因果机器学习和CLARE框架
因果推断与机器学习的结合是一场方法论革命，使得在高维数据中能够稳健地估计异质性处理效应。Chernozhukov等人（2018）开发的双重机器学习（DML）能够在控制高维混杂因素的同时精确估计处理效应。世界银行的CLARE框架（Kilic等人，2025）将DML方法应用于韧性评估。本文将CLARE方法应用于越南97个HS2行业的贸易分析，使用了2000-2024年的2425个观测值数据。

2.3. 越南的贸易结构和转型
自1986年革新改革以来，越南的贸易结构发生了深刻变化，从以农业为主的出口转向以制造业为主的增长，尤其是电子和纺织品行业。早期研究显示越南最初依赖低价值商品（如大米和咖啡），2007年加入WTO后由于外国直接投资（FDI）和自由贸易协定（FTA）的推动，出口额大幅增长。2000年后，越南的出口结构发生了显著变化：电气机械（HS85）的出口额达到513.7亿美元（占总出口的13.9%），机械（HS84）为153亿美元（4.1%）。在此期间，高科技产品在出口中的占比从5%上升至28%。这种结构转型反映了越南在全球价值链中的深度融合，特别是在电子产业。三星、英特尔等跨国公司的投资使越南成为重要的电子制造中心。越南的全球价值链参与指数从2000年的15%上升至2020年的45%（Can, 2022）。同时，越南积极推进贸易自由化，2007年加入WTO后签署了多项自由贸易协定，包括基于东盟的FTA以及CPTPP和EVFTA。这些制度发展通过多样化市场准入和建立法治贸易框架增强了韧性。

2.4. 研究空白
尽管关于出口韧性的文献已有显著进展，但仍存在一些关键空白。大多数因果机器学习研究集中在劳动力、健康或家庭消费结果上，尚未有研究应用双重机器学习（DML）或CLARE框架来分析行业层面的出口韧性。研究全球价值链传播或关税冲击（如De Carvalho等人，2016；Boffa，2018）的文献更关注供应中断对贸易绩效的影响，而忽视了需求侧韧性的重要性。在国家或企业层面进行的实证研究——无论是国家层面的汇总数据（Gupta & Bhatia, 2022）还是企业层面的面板数据（Bernards & Campbell-Verduyn, 2019）——都忽略了行业间的显著差异。在这些研究中，电子产品的抗冲击能力远超纺织品。在越南，仅限于使用引力模型的分析（H. T. Nguyen et al., 2024）或描述性的COVID-19研究未能因果地识别出高科技升级或自由贸易协定（FTA）扩张的作用，尽管它们对提高韧性做出了巨大贡献。综合指数和波动性衡量方法缺乏反事实基准，即使是最复杂的面板数据也难以处理多样化和技术采纳中的内生性问题。我们的分析通过引入CLARE-DML方法，在HS2层面利用越南2425个观测数据点来填补这些空白，揭示了在更粗粒度数据中无法看到的详细处理效应。通过使用替代学习器、趋势过滤器和合成控制变量进行的稳健性检验克服了参数限制，弥合了贸易经济学研究中的方法论、实证和具体情境之间的差距。

前述综述提出了五个可检验的命题。将投资组合理论应用于贸易和多产品企业文献（Bernard et al., 2010）共同预测，多样化可以减少冲击暴露——这支持了假设H1。Gupta和Bhatia（2022）记录的技术与韧性相关性在越南背景下得到了验证，这激发了进行因果检验的必要性——即假设H2。制度贸易理论和越南的开放化进程推动了假设H3和H4。最后，第2.3节记录的结构转型提出了一个可检验的问题：在控制冲击严重程度的情况下，2008年至2020年间的韧性提升是否仍然存在——即假设H5（见表1）。每个假设的正式表述见第3.5节。

**3. 数据与方法论**
**3.1. 数据**
我们构建了一个包含97个HS2（两位数协调系统）行业、覆盖25年（2000–2024年）的平衡面板数据，共计2425个观测值。主要数据来源是联合国COMTRADE数据库，通过世界银行的WITS平台获取。我们提取了越南对全球（所有贸易伙伴）出口的年度出口值（FOB美元），并按HS2分类进行整理。

表2展示了2000年至2024年越南四大HS2类别的出口变化情况。电气机械（HS85）的增长最为显著，从8亿美元增长到1265亿美元，增长了64倍。到2024年，该类别占越南总出口的13.9%（世界银行，2025年数据）。越南商品出口的增长轨迹反映了两次重大全球冲击的不同影响：实线蓝色曲线表示实际年增长率，平均为15.1%，但在危机期间波动明显。2008–2009年的全球金融危机（GFC）导致越南出口大幅收缩了12.6%，这是战后最糟糕的表现，相当于GDP的11%，并引发了大规模的制造业裁员。2010年后经济开始复苏，这得益于越南加入世界贸易组织（WTO）以及电子产业链（GVC）的初步整合。2020年的COVID-19大流行导致出口仅收缩了8.0%，低于全球平均水平的15.3%以及东盟其他国家的降幅（泰国-15.8%，印度尼西亚-11.2%）。越南的相对韧性源于其结构转型：高科技产品出口（HS85）仅下降了4.7%，而纺织品出口（HS61）则下降了51%。2021年疫情后的反弹达到了19.0%，但在2023年由于全球经济放缓，出口再次下降4.1%（Market Inside, 2025年数据）（见图1）。

**3.2. 补充变量**
我们将COMTRADE出口面板数据与衡量结构特征、制度因素和外部冲击的额外变量合并：
所有结构变量都滞后了一期（t ? 1），原因有二：首先，一年的滞后建立了时间顺序，这是进行因果推断的必要条件（尽管不是充分条件）；即在冲击年份之前观察到的行业特征不可能是由冲击年份的结果同时造成的。其次，在结构特征变化缓慢的面板贸易回归中，一年的滞后是标准的做法（Bustos, 2011; Melitz & Redding, 2014）：企业层面的技术强度和产品组合通常反映了12–24个月前的投资决策，因此一年的滞后在理论上合适，在实证上也是保守的。使用两年滞后的敏感性分析（附录A表A2）得出了质量上相同的结果，证实了这一选择的稳健性。

**3.3. CLARE方法论：双重机器学习框架**
我们的因果估计策略采用了Chernozhukov等人（2018）提出的双重机器学习（DML）方法。DML框架解决了两个关键问题：（1）高维混淆因素，许多行业特征可能同时影响冲击暴露和出口结果；（2）混淆因素与结果之间的非线性关系，参数模型可能无法准确捕捉这些关系。

我们感兴趣的结构方程为：
\[Y_i,t = \ln(\text{export}_{i,t}/\text{export}_{i,t-1})\]
其中 \(Y_i,t\) 是第t年行业i的出口增长率；
\(T_s,t\) 是表示冲击类型s的二元冲击指标（GFC或COVID）；
\(X_{i,t-1}\) 是滞后混淆变量向量：\[HHI_{\text{product}}, HHI_{\text{market}}, \text{high_tech_share}, \text{trade_freedom}, \text{FTA_count}\]；
\(\tau_s,i\) 是冲击s对行业i的异质性因果效应；
\(0(\cdot)\) 和 \(1(\cdot)\) 是未知的非线性函数；
\(\alpha_i\) 和 \(\gamma_t\) 分别代表行业和年份的固定效应；
\(\epsilon_i,t\) 是误差项。

DML估计步骤如下：
步骤1：使用机器学习（随机森林，100棵树）在给定 \(X\) 的条件下预测结果 \(Y\)，得到残差 \(\hat{Y}_X\)。
步骤2：使用机器学习在给定 \(X\) 的条件下预测处理组 \(T\)，得到残差 \(\hat{T}\)。
步骤3：通过将结果残差与处理组残差进行回归来估计因果效应 \(\tau_s,i\)。

这种正交化程序确保了最终估计 \(\tau_s,i\) 对于混淆函数的不准确设定具有鲁棒性，并在温和的规则条件下达到\(\sqrt{n}\)一致性及渐近正态性（Hansen & Fernandezval, 2013）。

我们使用Python中的EconML包实现DML（Molak, 2023），对结果模型和处理模型都采用随机森林学习器，并通过交叉验证来防止过拟合。

**4. 韧性指数构建**
遵循世界银行的CLARE框架（Kilic et al., 2025），我们将行业i对冲击s的韧性定义为：
\[R_{s,i} = \frac{\text{max}(\text{Rs}_{i, s})}{\text{average}(\text{Rs}_{i, s})}\]
其中分母是所有 \(N = 97\) 个行业在冲击事件s期间观察到的最大绝对处理效应。这个定义自然介于[0, 1]区间内：遭受最严重冲击的行业其韧性指数为0，而出口损失为零的行业其韧性指数为1。这种标准化是针对每个冲击事件单独计算的，因此该指数反映了事件内部的严重程度而非不同事件之间的差异。我们因此计算了两个独立的韧性指数，分别表示为 \(R_{GFC}\) 和 \(R_{COVID}\）。表4中的描述性统计数据显示，样本中所有估计的 \(R_{s,i}\) 值均为负数，并且都在标准化范围内（GFC：[-0.42, -0.04]；COVID-19：[-0.38, -0.03]），从而验证了这种构建的实证适用性。

**3.4. 基线固定效应设定**
为了提高稳健性和可解释性，我们用传统的面板固定效应估计来补充DML方法：
\[R_{s,i} = \beta_1 X_1 + \beta_2 X_2 + \cdots + \beta_n X_n + \epsilon_i\]
其中 \(R_{s,i}\) 是CLARE估计的韧性指数（DML处理后的结果），并根据结构和制度决定因素进行回归。这种设定直接通过系数 \(\beta_1\) 到 \(\beta_5\) 来检验假设H1–H4。标准误差在HS2行业层面进行聚类，以考虑时间上的行业内部相关性。由于 \(R_{s,i}\) 是在DML/GRF第一阶段估计得到的生成变量，而不是直接观测到的，因此上述方程中的标准误差通常不包含第一阶段估计的不确定性。为了解决这个问题，我们实施了一个联合自助法（bootstrap）程序，同时覆盖两个阶段。在500次自助法重复实验中，我们（i）对行业进行有放回抽样，（ii）重新估计整个DML/GRF流程以获得自助法得到的结果，（iii）使用自助法得到的因变量重新估计固定效应回归。

**3.5. 研究假设**
我们检验了五个假设，这些假设将结构转型（多样化、高科技升级）、制度深化（贸易开放度、FTA）和冲击演变与韧性联系起来。研究发现，高科技含量解释了2008年后越南韧性提升的40%，这验证了产业政策的有效性，同时也暴露了就业密集型行业的持续脆弱性（这些行业占出口的12%）。这些结果为越南在全球动荡中实现高收入转型提供了具体的路径。

我们的分析框架检验了五个来自国际贸易理论和近期关于经济韧性实证文献的核心假设：
**假设1（多样化）**：产品和市场多样化程度更高的行业（赫芬达尔-赫希曼指数较低）对全球冲击的出口韧性更强。将投资组合理论应用于贸易表明，产品和市场的多样化可以减少对特定需求冲击的暴露（Esposito, 2016）。当一个产品或市场出现衰退时，多样化出口商可以将资源转移到其他产品或市场，从而维持整体出口表现。
**假设2（技术升级）**：高科技产品占比更高的行业表现出更强的出口韧性。高科技产品通常需求弹性较低，且在全球供应链中的整合度更强（Kopczak & Johnson, 2003）。电子和机械产品的出口比商品或低技能制造业的周期性更低，因此在经济衰退期间更具稳定性。
**假设3（贸易开放度）**：根据传统基金会贸易自由度指数衡量的较高贸易开放度与出口韧性呈正相关。更开放的经济体可以通过价格机制更快地适应冲击，并拥有更广阔的市场准入（Aghion et al., 2000）。越南的贸易自由度从2000年的45提升到2024年的80，可能增强了其韧性。
**假设4（自由贸易协定）**：更多的活跃FTA通过提供多样化的市场准入和法律确定性来增强出口韧性。FTA为合作伙伴市场创造了优先准入，并建立了在危机期间保持稳定的制度框架（Baena-Rojas & Herrero-Olarte, 2020）。越南的FTA数量从2007年的1个（WTO成员国）增加到2024年的17个，包括CPTPP和EVFTA。
**假设5（冲击异质性）**：对COVID-19的出口韧性高于对全球金融危机的韧性，这反映了越南在2008年至2020年间的结构转型和全球价值链的成熟。越南的出口结构在这两次冲击期间发生了显著变化：高科技产品的占比从大约5%上升到28%，活跃的FTA数量从1个增加到17个。这些结构变化与韧性的提升是一致的。然而，总体处理效应（GFC：-0.247；COVID-19：-0.182）也反映了两次冲击的严重程度差异：GFC导致全球贸易收缩了约22%，而COVID-19冲击使全球贸易减少了约8%（IMF WEO数据）。因此，简单比较不同冲击期间的平均韧性指数可能会混淆真正的结构改进和冲击的轻微性。因此，假设5被表述为一个条件性命题：在控制了总体冲击严重程度差异后，COVID时期的韧性指数显著高于GFC时期，我们在第4.3节中对此进行了明确检验（D. X. Nguyen, 2016）。

**4. 实证结果**
**4.1. 全球冲击的因果效应**
表2首先展示了我们平衡的HS2面板数据（2000–2024年，共2425个观测值）的描述性统计，证实了数据质量和变量分布。出口增长率具有较高的波动性（标准差=33.1%），极端值反映了冲击事件（最低为-12.6%）。韧性指数平均值为 \(R_{GFC} = 0.758\) 和 \(R_{COVID} = 0.791\)（标准差分别为0.12/0.11），范围在0.44–0.93之间，表明行业间存在显著差异。结构协变量显示，高科技产品的平均占比为29.2%（4.8–77.3%），产品赫芬达尔-赫希曼指数（HHI）为0.342，而制度变量反映了越南的开放化进程（贸易自由度从45提升到83）。

基于这些总结性指标，表5通过双重机器学习（DML）的平均处理效应（ATEs）量化了冲击的影响。全球金融危机（GFC，2008–2009年）使越南出口增长率下降了24.7个百分点（标准误=0.032，p < 0.001），而COVID-19（2020–2021年）使出口增长率下降了18.2个百分点（标准误=0.028，p < 0.001）——这一较温和的效应支持了假设5关于时间韧性提升的观点。表5显示，GFC导致平均出口增长率下降了24.7个百分点（p < 0.01），而COVID-19导致出口增长率下降了18.2个百分点（p < 0.01）。COVID-19的较小影响支持了假设5：2008年至2020年间，越南的出口结构变得更加韧性，这可能是由于高科技价值链（GVC）参与度的提高和多样化的增强。

然而，这些总体效应掩盖了行业间的显著差异。图1显示了97个HS2类别中特定行业处理效应 \(\tau_{GFC}\) 的分布。电子产品（HS85）仅下降了11%，而纺织品（HS61）则收缩了42%。这种差异性促使我们采用了韧性指数方法，以捕捉这些跨行业差异。

**4.2. 行业韧性排名**
表6展示了按GFC韧性得分排名前后的HS2行业，以及它们的2022年出口值和结构特征，以展示越南97个行业中韧性分布的全貌。排名最高的五个行业（HS85–HS27）的平均GFC/COVID-19韧性得分为0.85，2022年的出口总额为990亿美元，高科技含量平均为52%（HS90光学仪器最高达到81%）。相比之下，排名最低的四个纺织和鞋类行业（HS50–HS64）的平均韧性得分为0.49，尽管它们的出口总额为500亿美元，但由于技术强度低（平均8%）和劳动密集型生产结构而受到限制。所有97个HS2行业的完整行业排名可根据作者的要求提供。高科技占比与韧性之间存在强烈的相关性（r ≈ 0.92）。电气机械（HS85）在规模和稳定性方面均处于领先地位，这突显了全球价值链（GVC）升级对维持竞争力的重要性。电气机械（HS85）是越南最大的出口类别，出口额达514亿美元，其韧性水平最高（R_GFC = 0.89）。这一强劲表现反映了三星和英特尔在2010年后在越南建立的主要生产设施，这些设施促进了该国更深入地融入高附加值的全球价值链（GVC）。该行业高科技产品的占比高达72%，同时产品集中度较低（HHI_product = 0.12），这些特征通常与更高的韧性相关。相反，劳动密集型、低技术含量的行业在韧性排名中处于较低位置。针织服装（HS61，出口额175亿美元）的R_GFC仅为0.47，表明其对全球需求冲击的脆弱性较高。尽管纺织业仍然是重要的出口行业（占总出口的4.7%），但它缺乏高科技含量和多样化特征。

图2使用气泡图可视化了这些关系，气泡大小反映了2022年的出口额（OEC）。图(a)显示，电子行业（HS85，出口额514亿美元，高科技占比72%）具有较高的GFC韧性（R = 0.91），而低技术含量的服装行业（HS61，出口额175亿美元，高科技占比8%）则较为脆弱（R2 = 0.655）。回归斜率（0.517***）支持了“技术升级假设”。图(b)显示了COVID-19期间的韧性模式，尽管斜率略平缓（0.482***），这与越南2015年后的GVC成熟度相符。图2表明，技术含量是越南出口韧性的关键驱动因素。

图3使用小提琴图展示了越南97个HS2行业韧性指数RGFC和RCOVID的完整分布，显示了两次冲击事件之间中心趋势的变化和分布形状的变动。左侧面板（红色）显示GFC韧性中位数为0.758（IQR 0.68–0.82），右侧面板（橙色）显示COVID-19韧性中位数为0.791（IQR 0.72–0.85），韧性均值提高了4.4%（t统计量 = 8.2，p < 0.001）。总体而言，82/97个行业（85%）的韧性在COVID-19期间有所提高，表现为左侧尾部变薄和众数升高至约0.82。小提琴图的不对称性减小，表明成熟度降低了极端脆弱性。

表7通过固定效应回归检验了关于韧性的结构性和制度性决定因素的假设H1–H4。结果表明，产品多样化和市场多样化显著增强了韧性；高科技占比的提高也显著提升了韧性。越南的高科技占比从2000年的5%增加到2024年的28%，这一结构性变化贡献了约0.071点的韧性提升，解释了观察到的韧性总增益的约40%，从而强调了技术升级对越南出口稳定性的关键作用。

表7还显示，贸易自由度对韧性有积极但适度的促进作用；每提高10个点的贸易自由度指数，韧性增加0.08点。越南从35个FTA增加到17个FTA，韧性增加了约0.028点。尽管如此，这一估计可能高估了FTA的纯效应，因为其他因素（如时间趋势和改革）也可能产生影响。不过，不同模型中一致的正面系数证实了贸易协定通过多样化市场准入和制度稳定性增强了韧性。

为了评估政策相关性，我们计算了低技术、集中度高的行业（高科技占比和HHI产品占比处于第25百分位的行业）与高科技、多样化程度高的行业（高科技占比和HHI产品占比处于第75百分位的行业）之间的反事实韧性差异。结果表明，结构性转型带来了显著的韧性优势。

我们通过替换随机森林模型为其他机器学习算法（如XGBoost和LASSO回归）来验证DML方法的稳健性。结果发现，不同算法下的韧性估计值具有高度相关性（>0.94），但排名稳定。我们还使用HP过滤后的出口数据构建了另一种韧性度量方法，并发现这种度量方法与CLARE韧性度量方法结果一致。

为了检验冲击的异质性，我们实施了基于严重程度调整的基准测试，以避免平均韧性得分较高仅反映冲击较轻的情况。通过比较不同冲击期间的全球贸易收缩幅度，我们构建了严重程度权重，并直接在行业层面进行了假设检验。结果表明，即使在考虑了冲击严重程度差异后，越南在COVID-19期间的韧性仍显著高于全球金融危机期间。

为了评估政策相关性，我们计算了低技术、集中度高的行业与高科技、多样化程度高的行业之间的韧性差异。结构转型为前者带来了0.26点的韧性优势。

我们通过替代机器学习算法（如XGBoost和LASSO回归）验证了DML方法的稳健性，并发现不同算法下的韧性估计值具有高度相关性。此外，我们使用网络分析方法研究了冲击在越南产品空间中的传播情况，发现处于出口网络中心位置的产品面临更大的冲击风险。电子行业由于与纺织商品行业的隔离而具有较高的韧性。

为了隔离FTA的效应，我们应用合成控制方法研究了EVFTA对越南韧性的影响。结果显示，EVFTA在疫情期间为越南提供了显著的韧性缓冲。

为了同时解决识别问题和生成回归器问题，我们采用了广义随机森林（GRF）作为两阶段DML+固定效应设计的替代方案。这种方法直接在单一模型中估计了异质性处理效应，并检验了假设H1–H4。结果表明，高科技占比和产品HHI产品占比是影响韧性的主要因素。首先，因果识别策略结合了DML残差法、基于GRF的条件平均处理（CATE）估计以及联合自助法（joint bootstrap procedure），直接解决了以往韧性研究中普遍存在的内生性和生成回归变量问题。DML固定效应与GRF最佳线性投影规范下系数的一致性（表5对比表A1）显著增强了人们对所报告关系的信心，表明这些关系并非功能形式假设的产物。其次，第4.3节中的严重程度调整后的跨冲击比较显示，即使在控制了全球贸易总量下降约64%的差异后，新冠疫情时期的韧性仍然显著高于全球金融危机（GFC）时期，这构成了对“越南的结构性转型带来了真正的韧性提升，而不仅仅是受益于较轻微的外部冲击”这一假设的首次严格实证检验。这一区别不仅对学术解释具有重要意义，也对政策制定有价值：如果较高的新冠疫情韧性仅仅反映了较轻微的冲击，那么就不需要采取任何政策行动；如果它反映了结构性改善，那么就可以针对这些改善机制采取相应措施。证据支持后一种观点。第三，电子产品（HS85，RGFC = 0.89）与针织服装（HS61，RGFC = 0.47）之间的0.42个百分点韧性差距表明，韧性主要不是宏观经济现象，而是一种可以通过微观经济干预来影响的行业级结构特性。

6.2. 政策建议
- 加快高科技全球价值链（GVC）整合：重点吸引半导体、电动汽车和可再生能源设备领域的外国直接投资（FDI）。当前电子产品在智能手机/笔记本电脑领域的主导地位面临饱和风险；上游半导体制造领域具有更高的附加值和韧性。越南最近加入美国芯片四方联盟（US Chip 4 Alliance）的讨论为这一领域提供了战略机遇。
- 升级传统产业：不要放弃纺织/鞋类产业，而是推动技术应用（自动化、可持续材料）和细分市场定位（技术纺织品、高端市场）。韩国在1990至2010年间通过研发支持实现了纺织业的转型，提供了相关先例。
- 利用自由贸易协定（FTA）架构：由于原产地规则复杂性和物流成本，目前EVFTA的利用率较低（约30%）。简化海关手续，为中小企业提供FTA使用培训，并在未来的协议中协商累积规则。重点关注具有高潜力但利用率不足的产业。
- 扩大市场多元化，超越中美市场：中美两国合计占越南出口总额的45%，这在战略竞争背景下带来了集中度风险。CPTPP为越南深化与日本（7%）、澳大利亚（3%）和拉丁美洲（1%）的关系提供了制度框架。考虑到印度的人口规模和RCEP联系，印度是一个尚未充分开发的主要市场。
- 建设供应链韧性基础设施：通过港口扩建、农产品出口的冷链系统以及数字化海关系统提高物流效率（越南在全球银行物流绩效指数（LPI）中排名第43位）。出口韧性不仅取决于需求端的多样化，还取决于供给端的效率。

6.3. 局限性与未来研究
- 需要承认几个局限性。首先，我们的HS2级别分析掩盖了行业内部的异质性。企业层面的分析可以揭示韧性是在外国跨国公司还是国内出口商中更为集中，这对包容性增长具有启示意义。
- 如果使用月度或季度数据，可以更精确地捕捉时间变化，特别是像新冠疫情这样的快速爆发性冲击。我们的年度面板数据无法捕捉年度内的动态变化。
- 在东盟国家之间进行比较分析有助于更好地理解越南的表现。越南的韧性提升是特殊现象还是整个地区的普遍现象？哪些政策区分了高韧性国家和低韧性国家？
- 我们关注的是出口价值的韧性，而非就业或福利的韧性。电子产品出口下降10%对就业的影响小于纺织品行业，但我们的韧性指数对两者采取了相同的态度。未来的研究应纳入劳动力加权韧性指标。
- 最后，CLARE模型假设冲击是外生的，且基于可观测变量。如果未观察到的因素同时决定了冲击暴露程度和结构特征，那么即使DML方法具有灵活性，我们的因果估计也可能存在偏差。

7. 结论
本文表明，越南的出口韧性既非普遍存在，也非偶然形成，而是由可受政策干预的结构特征和制度因素系统性地驱动的。通过对2425个行业年度数据的新型因果机器学习方法的应用，我们首次为越南的97个HS2出口部门构建了全面的韧性排名，并确定高科技含量和多元化是主要的韧性驱动因素。电子产品（R_GFC = 0.89，高科技占比72%）与纺织品（R_GFC = 0.47，高科技占比8%）之间的韧性差距凸显了越南需要解决的挑战。尽管越南的整体出口表现强劲（2022年出口额达3710亿美元，全球排名第21位），但在就业密集型行业中仍存在脆弱性。越南的“2045愿景”目标是实现高收入状态，这需要继续推动向高科技、多元化生产的结构升级，并依靠战略性的FTA利用和物流现代化来实现。本文提供的分析框架和行业特定韧性估计为优先考虑哪些行业和采取哪些干预措施提供了基于证据的指导。

随着全球不确定性加剧——气候变化、地缘政治分裂、疫情风险——出口韧性超越了学术研究的范畴，成为依赖出口的经济体的生存关键。越南的经验表明，通过有目的的结构性转型可以提升韧性，为发展中国家在动荡的全球市场中导航提供了借鉴。