Transcription
[音乐] 大家好，我代表所有网络研讨会组织者，欢迎大家参加金融领域人工智能与大数据研究论坛的又一场会议。今天我们非常高兴欢迎来自高等经济学院的弗拉基米尔·萨科夫和来自西北大学凯洛格商学院的菲利波·莫蒂。我们早前的通知提到德米特里·利文是演讲者，不幸的是，他今天无法加入我们。因此，我们非常感谢弗拉基米尔挺身而出，介绍他们关于支付系统经济影响的论文，以及来自俄罗斯的初步证据。演讲者有30分钟，讨论者有20分钟，之后是观众提问环节。请通过问答选项向我们发送您的问题，并请保持尊重。演示过程中我们将有一个短暂的休息，以防有任何需要澄清的问题。一旦研讨会的官方录制部分结束，我们希望您能留在网上，加入我们的非正式后续讨论。现在，弗拉基米尔，请您开始。您想分享您的幻灯片吗？
好的，非常感谢邀请我们介绍这项工作。正如斯瓦纳刚刚宣布的，德米特里·利文被召去参加他所在大学的全校会议，所以他恳请我代为介绍这项工作，这是他与诺曼·舒罗夫（来自洛桑大学）的合作成果。因此，这篇论文的主题是支付系统的经济影响：来自俄罗斯的初步证据。支付系统是金融系统的支柱，企业和金融机构通过它交换信息，进行支付并履行发票。例如，有著名的、广为人知的支付系统，如美联储电汇、美联储电汇目标系统、环球银行金融电信协会（SWIFT）等等。最近，我应该补充一点，还有基于区块链技术等新兴的私人系统。因此，支付系统在近期已成为政策制定者以及学术界关注的焦点。大多数理论模型，以某种方式突出了支付系统的内部运作，它们通常假设此类系统是无摩擦运行的。例如，Bian和B的这篇有影响力的论文就有这样的假设。然而，从经验上看，我们从一些不时发生的大事件中得知，例如网络攻击、不幸的9月11日事件、目标系统中断、银行间市场冲击等，支付系统的功能并非总是无摩擦的，并且会发生冲击。最近围绕这些冲击的学术辩论发生在著名的2019年回购市场危机前后，许多有影响力的研究都涵盖了这一事件及其如何蔓延到金融系统的其他部分。因此，如果我们摒弃支付系统无摩擦运行的假设，就会出现许多新问题。首先，如果发生此类压力，我们需要某种量化方法，以及它们如何影响进行支付的企业，以及它们如何影响企业网络中的企业间支付流。其次，既然我们知道企业构成了一个生产网络，并且因此在它们进行支付时也存在一个支付网络，那么一旦冲击击中网络的一部分，它如何传播，以及冲击如何通过网络自我放大？这是一个值得探索的有趣领域。最后，这些微观层面的冲击如何汇聚到宏观层面，以及冲击对单个企业支付能力的打击有多大影响？它如何影响整个经济？因此，解决其中一些问题，所有这些问题都相当重要。那么，为什么研究人员以前没有探索这些重要问题呢？因为支付系统数据的性质通常是高度专有和高度机密的，因此通常很难获取此类信息并识别所有进行支付的实体。这就是我们介入的地方。我们能够访问一些有点旧的数据，我稍后会更详细地解释数据的来源和覆盖范围，但现在让我先向您介绍数据本身是如何运作的，数据中包含什么，以及我们可以通过数据识别哪些经济机制。这是一份细粒度的俄罗斯支付系统数据，其中包含进行支付的企业身份、接收支付的企业身份，以及促成这些支付的双方银行的身份。这些银行将支付从客户企业传输给供应商企业。当然，还有时间维度。因此，本质上，一旦我们拥有完整的支付数据，我们就可以识别出三个网络。一个网络是典型的，当人们为这种类型的经济构建理论模型时所理解的生产网络。这是一个上游和下游企业交换商品和服务的网络。然后它们为了生产原因进行匹配和会面，并交换商品作为投入以生产产出。第二个网络是这张图上所示的支付网络。因此，一旦供应商收到客户的发票，或者一旦客户收到供应商的发票，它必须通过发送银行和接收银行向供应商电汇商品和服务的金额。这就是支付网络。最后，第三个网络，它存在并是其他研究的主题，是银行间市场网络。这是一个银行交换超额准备金或弥补银行间贷款市场准备金不足的网络。因此，自然地，例如，如果一家银行收到过多的支付流，它将拥有超额准备金；反之，如果一家银行有许多对外电汇，它将面临准备金不足。因此，这是银行间市场存在的原因之一，这样银行可以互换这些暂时性流动性短缺，并满足流动性监管要求。这也是我们在数据中识别出的第三个网络，因为支付系统涵盖了这些银行间交易，并明确将其识别为银行间贷款。这使我们能够研究银行间市场冲击如何影响企业间商品和服务支付的支付系统冲击，最后，它如何影响生产经济，以及商品和服务的生产可能如何受到影响。好的，这里我预告一下我们的主要发现。首先，如果存在银行间市场冲击，它是合理外生的，它确实也会给企业间支付带来压力。因此，如果为企业支付流提供服务的银行在银行间市场受到影响，这种金融冲击也会影响企业及其交易。这里有两个渠道：直接支付损失。如果我是一家企业，我的银行受到银行间市场冲击的负面影响，我作为企业向供应商进行支付的能力将直接受到影响。这是第一个效应。其次，由于银行间市场和支付系统中存在网络，冲击会通过网络进行第二轮和第三轮传播，初始冲击将被放大，这也会产生我们所说的网络外部性效应。我们在这里发现，支付冲击也会通过这种投入产出网络向上游传播，并且它们还会改变网络结构。网络会随着冲击在网络中传播而内生调整，这也会对初始冲击产生次级效应，这将在本次演示的最后进行说明。然后，我们还设法捕捉到我们称之为企业对支付冲击的韧性，这是投入产出网络中I的向量中心性对冲击的弹性。我们在这里依赖于工具变量移位份额类型的估计。我们还提出了一系列安慰剂测试，以证明数据中没有预先确定的趋势可能影响识别策略。我们量化了冲击对企业自身、冲击对供应商企业以及冲击对客户企业的影响，它们对支付能力的影响程度不同。对供应商企业造成支付冲击的影响最小。就其幅度而言，第二个效应是冲击企业自身（即企业银行）的效应。影响最大的是冲击客户企业银行的效应。因此，如果客户（即支付供应商发票的企业）的银行受到冲击，其电汇支付的能力受到影响，那么客户银行受到一个标准差的冲击，导致该企业（我们实证分析的核心）收入下降2.7%。最后，当我们在理论模型中进行微观到宏观的聚合，并使用来自数据的参数（根据数据校准的参数）时，估计结果显示，该经济体的整体GDP下降7.5%。
好的，这张幻灯片展示了支付发票的示例。以前是纸质的，现在都是电子的。我们之所以在这里展示它，是因为它清楚地识别了我之前图表中向您展示的所有主体。它有进行和接收支付的企业的税务识别号，因此我们可以唯一地识别它们。这里有银行分支机构的ID，它们促成双方的支付，即发送企业的银行和接收企业的银行。这些ID识别了支付量，这对我们来说最重要。这里的这些数字是进行支付的账户，当我们仔细检查它们时，我们意识到这些账户并非随机，而是与实际的会计系统相对应。然后你就可以弄清楚这些支付的性质。例如，如果是出于税务原因的支付，是出于商业原因的支付，还是其他类型的支付。我们在这里只关注企业间的支付，因此我们排除了非私营部门，如市政当局、个人等，我们只关注商品和服务的支付。这是我们数据的核心。现在让我解释一下数据的来源。正如我所说，它有点旧，是2003-2004年的数据，当时可从俄罗斯中央银行获得。至少有两篇有影响力的论文利用了它：Mironov 2013年《金融杂志》和Mironov与Jourova 2016年《美国经济学杂志：政策》。他们从其他维度，主要是政治经济学维度，探索了它，因为你可以识别出进行这些支付的实体。因此，数据经过了轻微清理。总体而言，它包含1330万张此类支付凭证，我们稍后会将其缩小。它有名称，大约有120万个独特的实体（企业和个人）进行这些支付，当时俄罗斯银行系统中有大约1500家银行在提供服务，促成这些支付。网络形成了大约63万对。此外，由于我们知道企业的税务识别号，我们可以通过地址识别其位置。因此，我们使用了微软的地理定位器对其进行了地理定位，这基本上说明了地理覆盖范围相当广泛，大小表示从该地区流出的支付量，主要对应于俄罗斯联邦的人口密集区。
好的，这里是我们的支付系统冲击。首先，我们能够访问非常细粒度的详细数据。其次，对我们来说幸运的是，但对当时的人们来说不幸的是，当时发生了一些广受关注的银行恐慌，其原因与经济表现无关。它发生在所谓的俄罗斯银行系统清理的开始阶段，这一清理可能持续了十年。当时，俄罗斯中央银行开始撤销涉嫌洗钱的银行的执照。它撤销了这两家银行的执照，这两家银行就经济活动量而言实际上是中等规模的，但在银行间市场网络中却相当核心。它们之所以核心，是因为它们参与了洗钱，并利用这个银行间市场网络作为洗钱的工具。监管机构突然撤销了执照，这是一个冲击。而且，也许在某种程度上，以一种不太常见的方式，监管机构还公开宣布他们将继续行动，并且有更多银行被列入黑名单，也将失去执照。这样的事件和声明引发了恐慌，银行间市场崩溃。这张图表展示了之前和之后双边联系的数量。银行间市场活动在一夜之间显著崩溃，这将成为我们识别策略的核心，因为显然它并非内生，而是外生发生的。但它仍然具有相关性，因为它影响银行，最终影响这些银行的客户企业。
这里，在实证研究中，我们只聚合到两个时期。这是每日数据，但我们只聚合到两个时期，我们基本上将这两个时期之前和之后的所有支付加总。这里提到了这些时期。我们创建的结果变量是这两个时期（之前和之后）的企业I和J之间的企业间支付。I和J是企业，V是这两个时期企业I和J之间的双边支付量。这个公式也很流行，但可能仍然不常见，它是一种所谓的对称增长公式。它之所以流行，是因为它也包含了企业进出网络的情况，这对我们来说很重要，因为我们确实看到很多企业退出或首次进入。因此，它基本上捕捉了集约边际和广延边际。所以这对我们来说是一个有用的公式。我们进行的第二个聚合是在企业层面。因此，我们首先关注双边层面，然后是企业层面。同样，我们只识别给定企业I的所有收入，我们称之为准备期和后期收入，并计算企业I的对称增长。这将是我们回归中的结果变量。
以下是我们构建冲击的方式。正如我刚刚向您提到的，冲击的识别来自银行间市场。这里的s是银行的下标，I是企业。因此，每个企业都有一些银行，通过这些银行进行支付。Kappa是企业I通过银行s支付的冲击前支付量。这是权重，所以这是一种流行的Bartik式移位变量。权重是企业I通过银行s支付的支付量。红色部分是银行间连接损失，是银行s在银行间市场恐慌期间失去的连接数量。这些外生冲击由企业I通过银行s进行的冲击前支付量加权。好的，这将是我们的所谓支付系统冲击变量。然后，我们还以同样的方式创建了企业I的下游合作伙伴的冲击，我们称之为Z上标D。这里我们有冲击影响那些企业J，由企业I与企业I的下游合作伙伴的业务量加权。同样的练习也适用于企业I的上游合作伙伴。因此，我们有冲击影响那些被索引为J的合作伙伴，但由企业I与那些J上游合作伙伴的业务量加权。好的，所以我们基本上有三个冲击：企业自身，以及这两个冲击，它们代表了影响企业I的上游和下游合作伙伴的银行冲击。好的，这里也描述了银行间连接损失，它也是利用对称增长的直觉构建的，其中N是银行s在银行间市场之前和之后拥有的连接数量。
好的，这里是一些总结统计数据。样本量大大减少了，因为正如我向您解释的，我们只关注企业间的支付和商业活动，所以很多较小的个人支付被剔除了。因此，从1.2亿个观测值减少到400万个观测值。这里的支付增长率约为16%。这里还有冲击之前和之后的支付量，我们根据我向您解释的公式构建了这些冲击。您还可以了解支付网络的情况，例如每个发送企业对应的接收企业数量，每个接收企业对应的发送企业数量。正如您所看到的，由于最大值较大，平均值有点向上偏斜。如果我们查看数据中的最大值，它们代表了皇家道路公用事业公司等不寻常的公司，它们有许多连接。但如果您查看中位数，这些数字更合理，每个企业有40-50个合作伙伴。
这里，我向您展示我们的第一个实证结果。我们运行了Ha和Mean类型的回归。这里是我们的结果变量，即企业I和J之间的支付增长。这里将是冲击影响企业I或J。这里的斜杠基本上表示这个方程包含两个模型。一个模型在接收方有企业层面的固定效应，第二个模型在发送方有固定效应。这两个面板报告了这两个回归的结果。例如，第一个面板，我们在这里设置了发送方固定效应，在发送方，我们基本上，在这种情况下，识别来自发送企业内部冲击的变化，即冲击影响接收企业强度的变化。我们还在接收方包含了接收方的企业行业，并乘以邮政编码的前四位（我相信是前四位）。这是一种常见的固定效应乘法，用于控制接收方遗漏变量偏差。然后是企业层面的可观测控制变量。我们在这里发现，发送企业内部的冲击，如果冲击在接收企业之间存在变化，对企业I和J之间的支付增长产生负面影响，约为4%。如果我们应用相同的回归，但现在使用接收方固定效应，并查看接收企业内部的变化，并观察冲击对发送企业的影响如何影响相同的企业I和J支付增长，我们发现这种冲击的幅度是两倍。因此，我们得出的第一个结论是，在同一个网络中，冲击发送企业银行的冲击，或者在生产网络中，冲击支付投入的客户的冲击，其负面影响的规模更大。观测值数量的差异在于，当每个企业只有一家银行时，固定效应会包含此类观测值，因此您需要每个（例如）接收企业至少有两个观测值，如果您采用带有发送方固定效应的规范。这就是为什么一些单一观测值被剔除，以及样本数量略有不同的原因。
第二组结果是当我们聚合到企业高层时。这个因变量基本上是两个时期之间企业收入的总额。现在我们不能应用之前幻灯片上作为主要驱动力的强大Ka和Mean识别策略。所以在这里，我们基本上有一个横截面回归，识别来自这些冲击对企业I、企业I的银行、企业I的下游合作伙伴的银行以及企业I的上游合作伙伴的银行的明显外生性。我们仍然包含行业和企业位置的固定效应，以及可观测的企业特征。第一个栏目报告了只包含两个冲击的情况：冲击企业I的银行的冲击，冲击下游企业客户银行的冲击。最后一个栏目包含了所有三个冲击。同样，与双边证据一致，如果我们也进行下面的标准化，幅度最大的是当支付冲击影响客户银行（即给定企业I的客户企业）的银行时，负面影响最大。
好的，这说明了我们左侧的原始数据。我们有2004年支付流入增长的原始数据，横轴是这些冲击的幅度。我们绘制了所谓的分箱散点图。如果我们只绘制原始散点图，那将只是一张黑色图片，但文献中常见的是以更聚合但仍然具有视觉吸引力的方式通过分箱散点图呈现原始数据。我们在这里观察到，数据点之间存在相当负相关的关系，这也在之前的幻灯片中通过正式回归分析向您展示了。右侧，我们向您展示了所谓安慰剂测试的图形分析。这里我们有2004年影响企业的冲击，但我们将这些冲击分配给了我们事件发生前一年（即2003年）的企业支付数据。这有些人称之为伪造类型分析，即你选择一个什么都没有发生的时期，然后分配之后发生的冲击。这张图表说明了数据中没有预先确定的趋势，并且冲击是随机影响企业的。因此，冲击的分配方式没有预先确定的变化。事实上，它来自银行恐慌，而不是企业之间最初的互动方式。
好的，论文的第二部分主要由我的合著者构建，因为我更偏向实证研究者。这部分内容，也许德米特里会更好地启发你，但我现在会尽力而为。因此，为了进行宏观聚合，我们需要构建一个理论模型，我们可以对其进行校准，然后得出一些定量结果。我们基于两篇有影响力的论文，其中一篇来自MIM及其合著者，这是最早将网络引入宏观经济分析的论文之一。我们对这个相当大的文献分支的补充是，将生产投入要素分为外部要素和内部要素。然后，我们的支付，抱歉，我只是想快速说一下，你可能只剩一分钟了。哦，真的吗？好的，抱歉，我可能讲得太久了，但我会尽快完成。这是第一个理论贡献。其次，我们采用了B和Lao的论文，他们引入了预付款支付约束，但使其随机化。因此，这种支付冲击会影响约束，并且它可能是有约束力的或无约束力的，这就是创新之处。然后，我们再次进行了标准效用扩展。这里的新颖之处在于，这些支付冲击M再次引入，首先捕捉直接效应和间接效应。
这张图表模拟了模型如何运作。我们随机创建了九家企业，并随机分配了它们的收入，这些是红色圆圈，蓝色线条代表企业间的支付。然后，我们随机模拟了一个源自客户企业I的支付冲击，该企业通过网络向其供应商付款。随着冲击通过系统传播，这项练习的启示是，网络在大约70轮后进行了调整，我们在右侧图表中观察到这些企业的ID向量中心性发生了变化。结果是，第九家企业因其中心性损失最大。而且，尽管冲击影响了第一家企业，我们看到更多其他企业受到了更大的影响，特别是第九家企业。这让我们思考所谓的韧性因素，我们将在论文中进一步探讨。这是我们的聚合练习。这是经济范围内的GDP变化，第一项是相当常见的，它基本上代表了平均销售额的下降，它是企业向量中心性和生产力冲击在之前和之后的总和。第二项来自我们的模型，它是支付网络调整。因此，它基本上是来自之前模拟所说明的调整，即企业中心性下降，这对支付冲击具有缓冲作用。这个术语是新颖的。我可能会快速跳过我们进行的这些校准练习，然后只展示，如果我们校准我们的模型（这在论文中），对GDP的影响达到7.5%。这些是一些结论：支付系统压力相当频繁地扰乱经济。我们在这里提供了来自银行间市场冲击的因果证据，这是合理外生的。支付压力向上游传播，削弱企业增长，扰乱整个网络调整并减少总GDP。我们还基于有影响力的Vogo论文构建了模型，其中我们引入了内部和外部投入，并且在这种预付款支付方法中，我们还引入了随机获得支付冲击。这种类型的工作可以应用于未来的研究，这些研究将尝试整合流行的研究方向，如网络攻击、自然灾害，以及可能用于当今出现的新型私人支付系统。非常感谢，这就是全部。
太棒了，非常感谢。菲利波，您想分享您的幻灯片吗？
当然。非常感谢组织者邀请我。我认为，正如我之前提到的，这篇论文读起来非常有趣，是一篇很棒的论文。所以让我直奔主题，让我给您一个论文的简要总结。正如作者所介绍的，这篇论文的基本出发点是支付系统对于企业和经济的增长和良好运行至关重要。我可以说这个观点是无可争议的，但更重要的部分是，我们并没有很好地衡量这些重要性的大小，比如在经济学上，支付系统效率与GDP之间的弹性会是多少？这在不利方面很重要，因为当然，如果我们有可能会扰乱它的干预措施，那么成本会是多少？这在有利方面也很重要，即如果我们投资技术来改进它，我们能为经济带来什么好处？这篇论文关注的是2004年的银行间恐慌。这里的关键部分是，这是一种冲击，它并非由银行部门或经济中的特定困境引起，而是由撤销执照，特别是从一家银行撤销执照所驱动的。如果我理解正确，这种冲击进一步传播的原因主要是，是的，一家银行最初受到了影响，但随后很明显其他银行也可能受到了影响，但它们的身份存在不确定性，当然，其他银行对这家初始银行的敞口也存在不确定性。因此，底线是整个系统陷入停滞。作者可以很好地解释基本思想是，这是一种交易对手风险，因此银行基本上停止了相互之间的交易。
这篇论文展示了这张图，很好地总结了这些冲击的幅度。这里他们再次绘制了银行间关系的数量。这里发生的情况是，一旦这个事件发生，您会看到银行间配对数量大幅下降，几乎达到50%。这意味着银行停止了相互交易，这当然会对与它们有关系的企业产生影响。他们实际上就是这样衡量银行层面“毒性”的：他们衡量银行间连接数量的下降。所以，这个想法是，如果你以前通常与10家银行交易，银行一与另外10家银行交易，现在如果你只与3家交易，你受到的影响会比一家以前与10家有关系现在与9家有关系的银行更大。那么这篇论文做了什么呢？在实证方面，他们首先在关系层面表明，暴露于这种“有毒”银行会影响两家企业之间的关系数量。所以，如果你暴露于一家银行，无论是哪家公司，你都会看到它们之间的交易量减少。然后他们能够在企业层面聚合这些数据，在这里他们直接表明，直接暴露于“有毒”银行会降低未来的收入增长。但他们也展示了，这在某种程度上更出乎意料，存在这种间接效应，即不仅仅是你是否会直接受到影响，而且如果你的供应商或客户也受到影响，那也会减少你的收入。他们实际表明，对客户的冲击往往会产生更大的影响。然后他们还有一些关于投入产出中心性的结果，我稍后会再谈，它也调节了结果。
然后他们有一个模型。正如作者现在讨论的，这个模型本质上是AASO GL框架的一个版本，其中支付冲击是通过预付款现金进行的，并且重要的是，生产函数中既有内部投入也有外部投入。这非常重要，因为模型的首次重用确实试图解释，至少在我看来，这是一个非常好的贡献，试图解释为什么在这个特定模型中，对客户的冲击更为重要。基本的直觉是，当一家公司经历冲击时，在某种程度上，它们可以通过用一些内部投入替代部分外部投入来最小化冲击的影响。所以，这个想法是，由于支付中断，从特定公司购买特定小部件变得更加困难。因此，你可以让你的员工或你在内部构建一些东西来部分替代它。你改变了生产函数，直观上，如果冲击发生在供应商侧，这可能会更有益，更重要，但如果冲击发生在消费者侧，这显然就不那么相关或完全不相关了。因此，模型在定性上帮助你理解正在发生什么，为什么我们在简化形式估计中看到我们所看到的。然后他们也用它来量化结果，他们表明，2004年的支付冲击（他们研究的那一天）对GDP产生了巨大影响。他们还进行了一项练习，即关于俄罗斯冲突以及在那里发生的干预也扰乱了支付，他们认为那里的影响较小，主要是因为影响主要集中在外资银行。
总而言之，我认为这篇论文非常有趣，它很好地描绘了支付系统如何与实体经济互动，并提供了很多关于2004年俄罗斯实际发生情况的积极方面的直觉。而且在更规范的方面，我认为它提供了一些直觉，关于你如何提供帮助，或者在其他情况下你如何帮助，以尽量减少，以及在这种情况下可能出现的生产函数中断的隐含成本是什么。所以非常有趣。总而言之，我想开门见山地说，我认为这是一篇非常有趣的论文，总的来说是一篇很棒的论文，它具备了你想要的所有要素，而且一篇论文中能同时拥有这些要素是很少见的：你有出色的数据，细致的实证分析，以及一个非常有洞察力的模型，他们将其用于定性和定量分析。所以，在某种程度上，这是一篇很难讨论的论文，因为它做得非常好。所以让我提出一些想法，希望它们对未来可能略有帮助。
我的主要评论是，当我收到这篇论文时，我在想为什么我会作为讨论者被选中。我对此进行了合理化，尽管这可能不是正确的理由，但本质上，我实际上花了一个小时才弄明白。我当时想，哦，我实际上也写过一篇关于支付中断的论文，它的背景非常不同，但某种程度上相似。这是一篇关于2016年印度废钞令的论文。冲击当然非常不同，但2016年印度发生的事情是，政府实施了一项政策干预，减少了经济中现金的可用性，从而扰乱了印度市场的支付。当时印度市场主要以现金为基础。冲击的含义是，你再次使现金交易变得更加困难，但你仍然可以进行数字交易或银行转账。因此，现在你在现金和非现金之间制造了一个鸿沟。你确实看到非现金交易，特别是数字交易大幅增加，我们早期的论文表明，这种增加非常大且持久，并且是由可能触发的网络效应驱动的。然后CH和Cur同时撰写的其他论文指出，这种从现金到非现金的转变，本质上可能减少了冲击对经济的负面影响。因此，鉴于这些结果，我开始思考，同样的机制是否也能在这里发挥作用？当然，这里的故事是反向的，但从某种角度来看，冲击是否也可能导致交易从一种支付形式（在这种情况下，受冲击的是银行转账）重新分配到另一种支付形式（在这种情况下，未受冲击的是现金）？换句话说，部分结果是否可能源于这样一个事实：公司过去通过银行进行交易，但现在可能使用一些现金？显然，这在这里可能是一个问题，因为如果我理解正确，他们所有的测量都基于银行交易，因此他们无法直接观察现金。当然，一种可能的做法是，他们可能拥有其他行政层面的聚合数据，并能够进行协调，但至少原则上，这可能值得进一步思考。
现在我想非常坦率地说，我是否认为这是一个大问题？绝对不是。我之所以不认为这是一个大问题，有不同的原因，但正如我将要论证的，我认为这值得进一步思考。首先，我认为鉴于冲击的性质，这里发生的事情是每个人都开始使用现金，这不太可能。也许有一种简单的方法可以在微观层面数据上展示这一点，比如现金流通速度是否增加了那么多，以至于能够弥补，或者只是为我们提供某种基准。我再次认为这不太可能。我确信可能有一些影响，但对我来说，它似乎不太可能解释所有结果。而且，一些最有趣的结果，比如上游和下游之间的异质性，与现金有什么关系尚不完全清楚。所以，这也就是说，我认为这不是论文的一个巨大问题，但我认为这可能值得进一步思考，因为这篇论文在很多方面已经很出色了，所以调整的余地有限。
所以让我提出两个他们可以做或至少可以进一步思考的想法。第一个是，他们是否看到任何证据表明，在更容易用现金替代的地方，影响更大？我脑海中的模型类型是他们自己模型的一个略微不同的版本，即银行冲击增加了银行支付的成本，但并未完全关闭。因此，如果你是一家公司，或者说有两家公司，其中一家拥有更多可用现金，那么这家公司将倾向于更多地离开网络，因为它们可以用现金替代。但如果你没有替代方案，或者替代方案非常昂贵，你就不太可能这样做。那么他们如何研究这个问题呢？实际上，显然作者比我更了解数据，所以他们会更好地设计测试。但我好奇的是，例如，如果我的合作伙伴是一家离我很近的公司，我可能会走过去和他们谈谈，说：“现在银行转账很困难，我们能用现金支付吗？”显然，如果一家公司在莫斯科，而他们的合作伙伴在西伯利亚，那可能就不是一个选择。所以也许可以在共址方面进行一些探索。另一个是，当然，还有关于现金充裕型公司与现金池公司的问题。有些公司可能拥有大量财务资源，有些则没有。所以也许在这方面也可以做一些事情。再次，展示这一点，研究这个问题的方式是说，如果没有异质性，那么当然这表明这可能是一个三四阶问题。如果存在一些异质性，那么用它来量化仍然很重要。
另一个想法，与我最初的评论有关，是关于持久性。在我关于这种情况下的持久性的心理模型版本中，如果这里发生的一切（我在这里采取一个极端的立场）只是公司转向现金，我可能会预期持久性很小。为什么呢？因为在这种极端情况下，没有关系会真正中断，人们只是从银行转账转向现金，所以一旦银行转账可用，他们就会再次切换回来。通过显示偏好，这些公司显然更喜欢银行转账而不是现金，因为他们之前就是这样做的。因此，如果完全没有持久性，恢复非常迅速，这可能与许多事情并未真正中断的事实相符，或者至少它们在银行部门中断了，但被“成功”替代了。现在，如果存在持久性，那似乎表明一些关系确实破裂了。为什么呢？因为本质上，如果你需要替换现金，论文中似乎有两种方法可以找到新的合作伙伴。当然，如果你找到另一家公司作为你的合作伙伴，其中一些新关系会持续下去，就像我以前有一个供应商，现在我找到了一个新的，在某些情况下，这种新关系会很好，所以我当然会保留它。或者像论文所说，它可能会改变生产函数，当然，一旦我改变了一次，我可能就不想再改变第二次了。因此，总的来说，对我而言，持久性似乎与冲击确实扰乱了关系而不仅仅是简单替代的观点是一致的。当然你可以研究这个问题，但我认为有一点可能是，再次，我很难提出测试建议。我的意思是，鉴于数据，衡量持久性可能也很困难。我的意思是，当然，他们需要足够长时间的数据，以便银行恢复到“正常”状态。但我认为他们可以做的一件事是，看看这里形成了多少新关系，因为如果故事仅仅是“哦，他们用现金支付替代了银行转账”，那么直观上你不应该看到很多新关系。但如果公司在这里受到很大限制，他们应该寻找新的合作伙伴、新的供应商、新的客户。因此，你应该在数据中看到更多这些新建立的关系。总而言之，我的总体观点是，我认为这值得再思考一下，我并不认为这是一个大问题，正如我所说，也许...
作者也可以在某种程度上直截了当地思考，认为这在解释很多结果方面不太可行，但我想这值得再多思考一下，正如我所说，这可能是论文可以改进的少数几个边际调整之一。我的第二个观点是，我认为阅读这篇论文时，对我来说最有趣的事情之一是这个结合的经验结果，即客户冲击对公司来说成本更高，以及理论上的解释，即发生这种情况的原因是因为公司正在调整它们的生产函数。我认为这是一个非常好的结果，非常有趣。我在这里唯一的评论是，我认为这会进一步推动这篇论文，那就是您能否提供关于生产函数变化的直接证据？同样，这可以有经验上的思考方式。一个直观的例子是，如果我是一家制造商，并且您知道与钢铁供应商的关系，原材料供应商受到干扰，我可能很难改变生产函数，因为您需要钢铁，这是必需的投入。但我认为他们在这里提出的故事是，如果冲击影响的是中间产品，您可以做的是用仍然购买钢铁来替换那个中间供应商，然后可能有更多的工人或其他什么东西来实质上替代或可能改变生产，这样您就不需要那个中间供应商了。所以我想做的是，他们能否在数据中向我展示更多这种思想实验，以将其映射到结果？我认为这可能非常困难，但会非常棒。同样，作者可能比我更了解情况，数据限制了数据的可用性，所以他们可能更了解情况，所以我不想限制我的评论，我只是把它们扔在那里，如果它们有帮助，他们可以使用。我增加的一个想法是，您可以在不同行业之间进行这种分散的生产函数分散，您可以通过查看投入的分散来潜在地观察到这一点。我在这里想到的是，极端情况下，您可能有一个行业，每个公司都消耗相同比例的投入，这是因为只有一种方法可以制造该产品。然后您可能有一个另一个行业，您看到更多的分散。我认为作者提出的机制是，在第二类中，进行这种调整可能更容易，因为基本上您有更多的选择。我不知道这有多容易衡量，但这可能值得考虑。另一个想法是关于多产品公司与单产品公司，因为一个重要的、更简单的调整边际是，如果您生产多种产品，您就会将一些投入包装起来，您可能仍然可以生产一种产品，但不能生产另一种。您可以做的是将资源重新分配到新产品上。我不知道他们是否可以研究这一点，但我之前的看法是，您应该在单产品公司与多产品公司之间看到更大的影响。同样，也许不是。然后另一件事是他们有一种网络中心度的衡量标准，在某种程度上，我认为这就是他们思考网络中心度的方式，对我来说，它在这个讨论中，但目前它不是很好，我认为它不是非常直观地解释。我明白如果您更中心化，可能更难调整，但我认为应该做更多的工作来解释这种测试如何符合故事，或者他们到底想讲述什么故事。同样，如果他们能在这方面做更多一点，我指的是直接证据，那将是有益的。我有几个小的评论，但让我指出两个，在最后两分钟内，然后总结。第一个是，这更技术性，不是我真正技术性的，但我不清楚他们是如何实际测量这个多边形权重，您用它来测量中心度，以及我的另一个问题是，我不是这个领域的专家，您知道，这只是一个关系份额，如果是这样，这是否只是捕捉了大型公司与小型公司，就像，在某种程度上，中心度，它真的是中心度还是只是规模？这是一个更普遍的评论，我认为再次，这是论文的一个优点，我认为这篇论文将引起普遍兴趣，我认为很多人会阅读它，我认为在重写论文时，我会争辩，我会要求他们可能在生产网络理论方面提供更多细节和更多背景，以确保每个人都在同一页面上，确保一切都已定义，因为有时我喜欢阅读一些其他论文来充实自己，但并不容易理解。另一个小的评论部分，我将其归为小的，因为这纯粹是猜测，他们进行了2004年和2022年之间的比较，他们关于差异的基本论点与受影响的银行类型有关，仅外国银行与基本上是其他大多数银行。同样，这目前不是模型直接相关的，但我不知道部分差异是否是，以及这是否值得纳入，至少考虑到人们正在考虑这个问题，部分差异是否是由银行部门之外的选项驱动的？所以，你知道，在2004年到2022年之间，显然有更多的信贷选择来在不依赖传统支付系统的公司之间转移资金。所以，再次，这可能会将论文推向他们认为不合适的界限，但我不知道银行依赖性的普遍趋势是否可能是部分原因。我有一些小的评论，我会展示这张幻灯片，我的意思是这些真的很小，所以我将总结，因为我已经到了20分钟。这篇论文展示了什么？它向我展示了支付系统的冲击可能对经济活动产生非常大的影响，这些冲击基本上通过生产网络传播，可能迫使公司使用效率较低的生产方法来基本上，你知道，弥补一些冲击。我认为这很有趣，这是支付冲击的隐藏成本。总的来说，正如我所说，这是一篇非常有趣的论文，我推荐大家阅读。它将引起许多不同人群的兴趣，我认为这是一篇很棒的论文，可以供博士生阅读，因为它拥有您可能希望一篇论文拥有的所有要素，再次，有很棒的数据，可信的识别，非常大的问题，但模型也使用了质量和数量的存储。对我来说，阅读它是一次真正的享受，我希望这些评论对作者有所帮助，让他们能再进一步，但它确实是一篇非常有趣的论文，我感谢作者的写作和组织者邀请我阅读它。非常感谢菲利波，精彩的讨论，不幸的是，我们的官方时间到了，所以没有更多的时间进行问答了。因此，我想感谢今天所有参加会议的人，当然，特别感谢弗拉基米尔和菲利普。我们希望您今天享受了我们的会议，并非常期待下次会议。我们的下一次会议将于12月12日举行，届时我们将有南希·华莱士介绍她关于加州住宅房地产的野生动物风险，以及意外保险风险管理和缓解的新工作。所以请查看我们的网站了解所有其他详细信息。我们将停止录制。我们希望您能再停留几分钟，加入我们的非正式会后讨论，在那里您可以提出其他后续问题。我们将把所有剩余的参与者升级为主持人身份，以便我们都能看到彼此并进行一次愉快的交谈。非常感谢您今天加入我们，再见。