Ukraine2 % 20 constantinescu.png
VoxEU 政治和经济

评估战争对乌克兰经济活动的短期影响

乌克兰战争严重限制了收集统计信息和评估其对该国经济影响的能力。本专栏使用来自夜间灯光、在线搜索行为和社交媒体活动的高频数据来估计对乌克兰地区的经济影响。报告显示,经济活动在战争开始时下降了45%,但在4月份恢复到战前水平的85%左右。及时评估人力和资本损失对讨论最佳战后再开发战略至关重要。

编者注:本专栏是关于战争的经济后果的辩论

最近俄罗斯全面入侵乌克兰以及随后实施的戒严令,对乌克兰国家统计机构的数据收集和处理造成了严重限制。由于缺乏及时的数据,很难评估乌克兰经济变化的规模和速度,因此影响了政策制定。及时评估人力和资本损失1以及对GDP收缩的估计是正在进行的关于战后最优再开发战略的讨论的宝贵投入(加里卡诺等人,2022年,贝克尔等人,2022年)。

图1GDP与推特统计(2019年)

为了了解战争对经济活动的短期影响,我们汇总了对乌克兰各地区地区生产总值(gdp)的高频预测。我们的预测是基于文献中确定的变量和规范,以准确跟踪在自然灾害或武装冲突等灾难性事件期间的GDP:夜间光照强度、在线搜索行为和社交媒体活动。

我们的初步分析表明,经济活动在战争开始时下降到战前水平的65%左右,但在4月恢复到75%左右(Constantinescu et al. 2022)。

经济活动的指标

我们以发展经济学的最新进展为基础,将非传统大数据与经济活动的变化联系起来。虽然不完善,但它们被广泛用于补充、改进甚至取代传统的经济活动衡量标准(例如在自然灾害期间)。

在经济基础多样化的大国中,对相关地方冲击的区域性考虑为理解总体发展增加了重要细节(Fingleton和Szumilo 2019年)。同样值得注意的是,战争双方军事活动的地点和时间都不太可能对经济活动产生外生影响。由于乌克兰近30%的GDP来自基辅和基辅州,但只有不到2%来自克尔森州,因此区域活动对于正确评估战争的宏观影响至关重要。常规战争本质上是一种地理危机,其破坏程度随时间的推移而变化,在空间上的分布也不均匀。因此,跟踪其影响(即使在宏观尺度上)需要高频率的地理分类分析。这些维度,以及可用的数据约束,决定了可能的临近预报和预测解决方案的可行空间。

在宏观分析的背景下,高频指标是不稳定的,比已建立的统计数据更难以解释。然而,在Covid-19大流行期间,当使用有噪声但高频数据成为主要优势时,它们可以作为紧急情况下的可靠代理(Woloszko 2020, Chetty等人2020)。

图2乌克兰全国实际GDP: 2012-2021年度和2022年1 - 4月月度

夜灯

夜灯被成功地用于评估国家(Chen和Nordhaus 2011, Henderson等人2011,2012)和次国家(Sutton等人2007,Doll等人2006)的经济活动。如果夜晚的灯光是一种正常的商品,那么它的消费变化就反映了收入的变化。由于光强可以定期从太空测量,它成为了一种具有完善方法的流行工具。使用这种方法的主要问题是,遥感夜灯数据可能会受到天气的影响,因此它们不能在非常高的频率下可靠地使用。在战争期间,由于其他一些原因,夜间的灯光也可能不那么可靠。首先,灯可能被关闭,以避免成为目标其次,敌人轰炸造成的火灾并不能反映经济活动,而它们产生的烟雾可能会掩盖其他活动。第三,武装部队可能在战略上使用灯光来误导他们的对手。尽管已经确立,但我们认为这种方法对我们在这种背景下的工作是最不可靠的,而且可能低估了战争期间的经济活动。

图32021年至2022年3月之间的实际GDP变化

谷歌趋势

Ettredge等人(2005)启动了谷歌搜索引擎数据在临近预测和对一系列经济变量的近期预测中的相关性,Choi和Varian(2009)进一步证实了这一点。Goetz和Knetsch(2019)最近在国家层面上对临近预测GDP的应用。对于任何搜索词(或一组词,如“主题”或“类别”),谷歌将报告与其他搜索相比收到的该搜索请求的受欢迎程度,并提供区域分类。这种方法的一个问题是,它是根据共享而不是搜索计数来操作的。这意味着在战争期间,它可能会因搜索总数的变化而产生偏差。

推特

如Indaco(2020年)和Ortega-Bastida等人(2021年)所示,短暂的社交媒体互动在跨国应用和更细的地理粒度中都是有价值的GDP代理。

我们使用包含图片和地理位置的Twitter帖子的计数来匹配乌克兰州的行政边界。tweet的州级份额(在tweet总量中)与州级GDP份额(在全国GDP中)呈正相关,如图1所示。Twitter的用户使用这些帖子来交流炫耀性消费,因此这种活动的变化与收入和消费趋势的变化高度相关。这种方法的优点是,与谷歌趋势不同,它对当地人口的变化作出反应。

由于战前乌克兰地区GDP是按年计算的,我们受到数据的限制,只能以每年的频率估计我们的模型。模型规范以上面引用的文献为指导。我们报告的所有价值均经通货膨胀调整,并以2004年格里夫尼亚计算。

2022年的经济活动

图2显示了在国家一级汇总的数据。它显示了2012-2020年的实测GDP和样本内预测,以及2021年和2022年的样本外预测(2022年的数据按月绘制,显示每个月的年化值)。最佳样本内表现模型使用谷歌Trends和Twitter,并密切跟踪2021年之前的GDP测量。它还正确预测(样本外)2021年的GDP增长率为3.5%(接近乌克兰国家银行的数据测量值)。尽管2022年的月度数据可能包含很多噪音,但它们提供了直观的结论:经济活动在3月经历了剧烈冲击(与2021年相比-25%),但在4月反弹(与2021年相比-10%)。在我们选择的规格中添加夜灯和区域固定效果没有什么区别,但单独使用夜灯表明,从2021年到2022年4月,经济活动下降了约40%,这是我们的下限预测。总的来说,这些变化有两个来源:(1)乌克兰控制地区的变化,(2)控制地区活动的变化。图3显示了2021年至2022年3月期间,不同地区对全国经济总量的贡献的变化。今年3月,被占领地区没有贡献(红色),未受直接影响的地区(黄色)的贡献略低于2021年,但一些中西部地区(绿色)的活动水平更高。坊间证据表明,大规模的内部迁移和企业临时搬迁可能会产生积极的影响。

图4每日GDP模型:谷歌趋势

我们的最终数据只使用了谷歌趋势数据,但增加了每日观察的频率(图4显示了年化的每日GDP水平)。虽然数据是不稳定的,但是这个练习在演示两个要点方面是有用的。首先,它表明,在战争的最初几天,经济活动水平突然下降了约35%。其次,3月底经济活动有所增加。4月初,这一数据约为2021年平均水平的75%。进一步分析表明,3月底增加的大部分来自基辅市和基辅州。由于这两个地区对乌克兰的GDP至关重要,赢得基辅之战具有非常重要的经济后果。我们的指标还表明,2014年以来被俄罗斯占领地区的活动在入侵前有所增加,并在2022年保持上升。我们强调,这些结果反映了2022年4月底的情况,可能会根据战争的发展而变化。

作者注:本专栏仅代表作者个人观点,并不代表乌克兰国家银行的观点。

参考文献

贝克尔,T, B Eichengreen, Y Gorodnichenko, S Guriev, S Johnson, T Mylovanov, K Rogoff和B Weder di Mauro(2022),”乌克兰重建蓝图”, VoxEU.org, 4月7日。

Chen, X和W Nordhaus(2011),“利用光度数据作为经济统计的代理”,PNAS108(21): 8589 - 8594。

Chetty, R, J N Friedman, N Hendren, M Stepner和机会洞察团队(2020年),“COVID-19和稳定政策如何影响支出和就业?”基于私营部门数据的新型实时经济跟踪系统”,美国国家经济研究局工作报告。

Choi, H和H Varian(2009),“用谷歌趋势预测现在”,谷歌Inc。

Constantinescu, M, K Kappner和N Szumilo(2022),“估计战争对乌克兰经济活动的短期影响”,未出版的手稿。

Doll, C N H, J- p Muller和J G Morley(2006),“利用夜间光卫星图像绘制区域经济活动”,生态经济学57: 75 - 92。

Ettredge, M, J Gerdes和G Karuga(2005),“使用基于网络的搜索数据预测宏观经济统计”,ACM通信48(11)。

Fingleton, B和N Szumilo(2019),“模拟交通基础设施投资对工资的影响:一种动态空间面板模型方法”,区域科学与城市经济学“,75: 148 - 164。

加里卡诺,L, D罗纳和B维德尔迪莫罗(2022年),”战争的经济后果”,VoxEU.org的辩论。

Goetz, T B和T A Knetsch(2019),“德国GDP桥梁方程模型中的谷歌数据”,国际预报杂志25: 45 - 66。

亨德森,V, A Storeygard和D N Weil(2011),“衡量经济增长的一个好主意”,美国经济评论101(3): 194 - 99。

亨德森,V, A Storeygard和D N Weil(2012),《从外太空测量经济增长》,美国经济评论102(2): 994 - 1028。

Indaco, A(2020),“从推特到GDP:从社交媒体估算经济活动”,区域科学与城市经济学“,85: 103591。

McLaren, N和R Shanbhogue(2011),“使用互联网搜索数据作为经济指标”,英格兰银行季刊2011年第二季度:134 - 140。

Ortega-Bastida, J, A J Gallego, J R Rico-Juan和P Albarran(2021),“利用社交媒体活动和历史信息进行区域GDP预测的多模态方法。,应用软计算111.

萨顿,P C, C D Elvidge和T Ghosh(2007),“利用夜间卫星图像估算次国家尺度的国内生产总值”,国际生态经济与统计杂志8 (S07): 5 - 21日。

Woloszko, N(2020),”使用谷歌趋势和机器学习跟踪GDP:一个新的经合组织模型, VoxEU.org, 12月19日。

尾注

1https://damaged.in.ua/

2https://nv.ua/ukr/kyiv/navishcho-potribne-svitlomaskuvannya-ta-chi-potribno-yogo-dotrimuvatisya-u-kiyevi-novini-kiyeva-50245618.html

0读取

Baidu
map