生产网络与战争

*p<0.05，**p<0.01，***p<0.001。给出了估计值。贸易方向的不同确实会产生不同的影响。也就是说，如果两个公司中有一个买家位于冲突区域（第1列至第3列），则反向效应更大。我们将这种影响解释为，与供给冲击相比，由冲突引发的需求冲击更为严重。对于二级效应，模式类似：冲突诱导的需求冲击以高于冲突诱导的供应冲击的速率传播到二级链路（第4列至第6列）。一种解释可能是，供应冲击不那么严重，因为可能会替代竞争性投入，而在需求冲击的情况下，寻找新客户则更加困难。然而，需求和供应冲击仍然具有相当大的负面二级效应，导致间接关联环节的贸易分别下降0.05和0.11个标准差。有人可能会想，上述结果是否适用于某些更普遍的行业，其中买方冲突是买方j在顿巴斯还是克里米亚的一个指标；供应商冲突是供应商i是否在顿巴斯或克里米亚的指标；PartnerBuyerCon flictij是在Con flict开始之前，partner i或j是否有位于顿巴斯或克里米亚的买家的指标；而PartnerSupplierCon con-ictij是一个指标，表明在冲突开始之前，partner i或j是否有位于顿巴斯或克里米亚的供应商。图2：冲突对顿巴斯贸易升级的传播效应克里米亚的内化-.2-.15-.1-.05 01=任何贸易活动2013q12013q2013q2013q2014q2014q2014q2014q2015q2015q2015q2015q2015q2015q2016q2016q2016q2016q2016q2016q2016q4（合作伙伴在冲突地区）X（年-月FEs）95%置信区间。

对贸易的一级影响-.08-.06-.04-.02 01=任何贸易活动2013q2013q2013q2013q2014q2014q2014q2015q2015q2015q2015q2015q2015q2016q2016q2016q2016q4（与冲突地区交易的合作伙伴）X（年-月FEs）95%置信区间b。对贸易票据的二级影响：该图显示了对等式（1）逐季度版本的估计结果，其中一级和二级都与季度指标相互作用。面板A显示了冲突对贸易联系的一级（直接）影响的结果，其中一个合作伙伴位于冲突区域。B组显示了冲突对贸易联系的二级（间接）影响的结果，其中一个合作伙伴在冲突开始前与冲突地区的某人进行了贸易。条形代表95%的置信区间。标准错误在省对级别聚集。N=1053408。在顿巴斯或更严重地依赖铁路作为一种运输方式。为了识别这种担忧的有效性，我们提供了企业行业的异质性估计。为了获得这些估计，我们将交易级别的数据与每家公司的标准行业分类（SIC）代码合并，并获取每家公司列出的主要SIC代码。然后，根据《SIC官方手册》（OSHA，2014），我们将企业分为粗略的行业组，如采矿业（SIC在1500到1799之间）和制造业（SIC在2000到4000之间）。图A1显示了异质性结果。获得的估计值与直觉一致，即间接效应对下游行业（如零售业）最重要，而对上游行业（如采矿业）最不重要。

总体而言，我们注意到异质性相对较小，因此，我们的基线结果更有可能扩展到具有不同行业组成的环境。综上所述，我们利用国内贸易交易的独特数据表明，大规模冲突的开始不仅对与冲突地区直接相关的贸易产生负面影响，而且对与冲突地区间接相关的贸易也产生负面影响。忽视传播效应会导致严重低估冲突的总体经济影响。5生产网络结构变化的战争和企业层面影响在本节中，我们旨在表明战争以及潜在的其他大规模冲击会导致生产网络结构的变化，而这本身会对企业绩效产生影响。Weill通过估计外部冲突导致的企业中心地位变化对企业年度绩效的几个衡量指标的影响，从经验上证明了这一点。在2013年（冲突前）和2014年（冲突开始后）之间，一种幼稚的方法将使企业结果的变化与企业中心地位的变化相回归。然而，这种回归可能会受到反向因果关系的影响，更成功的企业可能有更好的能力在冲击发生后，可以避免地调整其网络位置。为了避免这一点和其他类似的担忧，我们仅根据2013年的生产网络计算了由冲突引起的企业中心化变化的一个外生成分。具体而言，我们采用2013年的生产网络，将冲突领域的企业从网络中删除，并重新计算剩余企业的中心度。图A2表明，这种预测的企业中心度与2014年的实际企业中心度高度相关。然后，我们计算2013年预测指标和实际企业中心度之间的差异。

然后，我们使用外源性战争引起的中心性变化作为主要自变量，估计差分方程中的以下差异：Yit=αi+δt+βt×\\Centralityi，2013年+εit，（3）其中，Yitis在t年记录了公司i的销售额或IHS利润；αi和δ皮重和年份固定效应；和\\Centralityi，2013是指在冲突开始后，由战争引起的外源性中心地位变化。感兴趣的系数是企业中心度预测变化的逐年系数。在平行趋势假设下，βt反映了企业在冲突后网络地位的外源性变化对企业后续绩效的影响。我们使用三种中心性度量：特征向量中心性、介数中心性和deIHS代表反双曲正弦，计算公式为L（x）=log（x）+√x+1）继麦金农和马吉（1990）之后。最好记录包含负值的变量的转换。图3：冲突导致的网络中心度和销售额的变化-1 0.1.2.3Log Sales2010 2011 2013 2015 2017特征向量中心度的外源性变化，标准化面板A.特征向量中心度-1 0.1.2.3Log Sales2010 2011 2013 2016 2017特征向量中心度的外源性变化，标准化面板B.中间性中心性-1 0.1.2.3对数销售2010 2011 2012 2013 2015 2016 2017度中心性的外源性变化（无方向），标准化面板C.度中心性注释：黑色条代表95%的置信区间，灰色条代表90%的置信区间。标准错误集中在企业层面。该图显示了估算公式（3）的结果。

面板A显示2013年至2014年特征向量中心度预测变化的结果作为交互变量，面板B显示2013年至2014年对数介数中心度预测变化的结果，面板C显示2013年至2014年度中心度预测变化的结果。所有中心性变化的测量标准化为零均值，标准偏差为1。N=27463。gree centrality，并在图3中报告每个度量的结果。对于所有的措施来说，影响都是在2014年开始的，是相当持久的，而且通常会随着时间的推移而增加。在大会之前，具有不同预测中心性价值的企业沿着相同的趋势发展，这使得我们在设计上的差异具有可信性。表A5给出了用简单的前后β替换β的公式（3）版本的估计值，根据表A5，中心度的一个标准差外源性增加导致企业销售额增加8.9–14.5%。图4：由冲突引起的网络中心度、利润和加价变化-10 1 2对数利润2010 2011 2013 2016 2017特征向量中心度的外部变化，标准化面板A.利润-1 0 1 2对数利润-对数总成本2010 2011 2013 2016 2017特征向量中心度的外部变化，标准化面板B.利润高于总成本注：黑条代表95%的置信区间，灰条代表90%的置信区间。标准误差在企业层面进行聚类。该图显示了估算公式（3）的结果。

两个面板都显示了2013年至2014年间特征向量中心度预测变化的结果，作为交互变量，标准化为零均值和标准偏差为1。面板A显示了总利润的反双曲正弦作为因变量的结果。B组将利润的对数减去总成本的对数作为独立变量。接下来，图4显示了对利润的影响以及利润与成本的比率。研究结果与一个故事相吻合，在短期内，变得更为中心的企业收取更高的价格，而这反过来又转化为更高的利润。这两种影响在研究期结束时都会消失。人们可能会想，我们关于网络中心性的结果是否只是第4节前面介绍的传播对贸易影响的镜像。也就是说，在冲突开始后，通过定义与冲突领域进行交易的企业可能变得不那么重要。为了缓解这种担忧，我们直接控制与冲突的关系，并在以下规范中分离传播和网络结构效应：Yit=αi+δt+βt×\\Centralityi，2013+γt×对比，2013年+εit，（4）Yitis在t年的第一家公司的原木销售或IHS利润；αi和δ皮重表示公司和年度业绩；\\Centralityi，2013是在冲突开始后由外来冲突引起的中心性变化；和Conflicti，2013是2013年与冲突地区的贸易份额。图A3绘制了逐年系数β和γt的估计值。面板A显示了中心系数βt，与图3相比，其几乎没有变化。B小组报告了有冲突关系的影响，其机制之一可能是第4节中记录的对贸易的传播影响。

B组中的一些系数微不足道；然而，总体而言，2013年与电信领域有关联的公司的销售额出现了大幅下降。规范（4）允许我们将冲突的一级效应与中心性的外部变化的效应分开。总的来说，这些结果表明，事实上，冲突对企业的间接影响之一是通过改变该国其他地区的生产网络结构来实现的。我们通过证明乌克兰企业由于其无法控制的原因在俄罗斯-乌克兰冲突开始时变得更加核心，从而证实了这种影响的存在。6战争、网络破坏和网络调整到目前为止，我们已经证明（i）战争破坏了贸易，这种破坏甚至传播到非冲突地区的贸易联系，（ii）战争改变了生产网络的结构，而战争本身也会影响企业的绩效。在本节中，我们将进一步说明网络结构变化的重要性，并使用理论模型探索反事实的收入场景。6.1模型我们根据Long Jr和Plosser（1983）、Acemoglu等人（2012）以及Baqaee和Farhi（2019）的精神，建立了生产网络的一般均衡模型。

该模型允许我们探索三个反事实：（i）第一个对应于网络破坏，然后再进行管理，以适应新的平衡，并重定向其输入和输出流；（ii）第二个对应于观察到的企业网络调整；（iii）最后一个反事实只关注冲突后的外部需求变化，将生产网络固定在冲突前水平。为了适应这些反事实，我们偏离了标准的Cobb-Douglas生产函数（例如Acemoglu et al.，2012），转而采用更通用的恒定替代弹性（CES）技术。具体地说，在我们假设的经济中，一家通用企业i使用了一组由CES聚合器描述的中间投入：Mi=Pnj=1a1/σjix（σ-1） /σjiσσ-1式中，xji是用于生产商品i的商品j的数量，aji是商品i所需的投入j的份额。我们假设中间投入的规模收益不变；这就是isPnj=1aji=1。CES中间输入聚合器Mi和唯一的另一个因子labor li之间的替代模式采用Cobb-Douglas形式，具有恒定的规模回报。在这种情况下，outputxiof fim i可以写成：xi=（zili）αnXj=1a1/σjix（σ-1） /σjiσσ-1(1-α），ZiIS的RM规格生产率，LIS的雇佣量，以及XJIS在输出的输出中的良好JUIL输入。我们的经验练习不同于现有文献（卡瓦略等人，2021，阿西莫格鲁等人，2012）在一个关键方面：我们直接观察席胡米之间的贸易，因此，RM水平输入输出矩阵在冲击前后。这使得研究更普遍的反事实成为可能。这是为了简化推导，然而，人们可以考虑更一般的情况下，缩减到SpayeWPNJ= 1AJI＜1。在整个理论部分，我们忽略了企业进入。

拉梅利茨（2003年）或切尼（2008年）以一种外生的方式加入进来相对简单；例如，见Magerman等人（2016年）。只要企业的决策仅基于其生产率或成本，且冲突以不相关的方式发生（这是一种自然假设），就不应影响将收入、外部需求和经济中的投入产出联系起来的主要方程式的推导。我们在实证部分详细介绍了我们如何对待实际的进入者和离开者。我们将CES生产技术与CES对n种商品的偏好相结合，因此消费者将以下效用函数最大化：u（c，…，cn）=nXi=1cηi1/η.商品替代弹性常数为1/（1）- η） 在这种情况下。劳动力供给是非弹性的，劳动总的经济化为L。工资由W表示，我国铁路经济的竞争均衡与N席RMS和N席分化的商品包括价格向量P、工资W、消费向量C和数量（Li，Xi，XJI），使得（i）代表性消费者效用最大化；（ii）考虑到价格，代表性企业将其利润最大化；（iii）所有市场清场，xi=nXj=1xij+ci， i、 nXi=1li=L。根据企业利润最大化问题的一阶条件（见附录B中的详细推导），我们得出：ri=（1-α） nXj=1aij/p1-σi（a）Pmamj/p1-σm（a）|{z}I-O权重ωij（a）·rj+pici |{z}外部需求ξ我们可以用矩阵总结输入输出联系Ohm, 它同时代表两个方面：数据中观察到的邻接矩阵和经济的稳态投入产出矩阵。简明矩阵表示法允许我们将中心方程改写为一个与收入、外部需求和经济中的投入产出矩阵相关的向量：r=（1）- α)Ohmr+ξ。

（5） 注意Ohm 在数据中观察到r，矩阵的每个元素由平衡权重ωij（a）=aij/p1定义-σi（a）Pmamj/p1-σm（a）。向量ξ是外部需求向量，包括消费者需求和铁路网外企业的需求。如果σ→ 1.我们的生产函数收敛于Cobb-Douglas和Ohm （ωij）收敛到与aij成正比的常数。我们的CES聚合器和Cobb Douglas的主要区别在于，一些中间产品的零投入并不自动意味着企业的零生产。然而，有了CES生产函数，求解封闭形式的平衡点就不可能了。我们的经验性练习通过操纵来克服模型的难解性Ohm 直接地6.2反事实对于本练习的实证部分，我们将年度指数t添加到投入产出矩阵方程（5）中，得到：[I]- (1 - αt）Ohmt] rt=ξt，（6）其中I是单位矩阵。按照第6.1节中的注释，Ohm这是铁路企业级输入输出矩阵；RTI是t年公司总收入的向量；α是t年生产中的劳动力份额（或我们案例中的任何非中间因素份额）；ξ是每年的外部需求。目前，我们将劳动力份额固定在时间αt=α上，并允许收入、最终需求和投入产出矩阵在时间t上灵活变化。我们插入RTA和Ohmt以支持最终需求ξt。我们数据的一个关键优势是我们观察到了实现的需求Ohm因此，我们可以探索与生产网络结构和企业收入相关的不同反事实。我们探索的第一个反事实测量了战争初始冲击对生产网络结构的总体影响。