I.介绍
新冠肺炎大流行预计将造成巨大而持续的产出损失。根据国际货币基金组织的最
新预测，2024年的全球GDP水平比2020年1月的预期低了约5.3%。1然而，这一大流
行也推动了新的数字技术的快速采用，从电话会议软件到电子商务平台。许多公
司改变了他们的工作方式，为员工提供混合的工作模式，并为客户提供非接触式
交易。
这种数字化能提高经济弹性并减轻疤痕吗？原则上，是的。利用数字技术
的公司和行业可以通过自动化来提高生产力，并能够更好地与遥远的客户和员工
建立联系。此外，数字化还提高了远程工作或不经接触就进行销售的能力，这些
能力保护了工人和公司免受大流行的负面影响。简单的相关性也表明了一个潜在
的重要作用：在数字基础设施较弱的国家，对产出损失的估计更高（图1），在
大流行期间，数字职业的工作岗位数量下降较少，恢复得更快（图2）。
在本文中，我们试图通过实证调查和量化数字化在改善经济对衰退的弹性
方面的作用——包括典型的衰退和与COVID-19大流行相关的衰退。更接近建立因
果关系，我们应用差异的方法在本地预测设置一个大的样本（包括75先进，新兴
市场和发展中经济体从2001年第一季度到2021年第四季度）和检查公司更数字化
行业遭受小损失销售衰退后比公司不数字化的行业。作为数字化的基线测量，我
们使用Calvino等人的行业测量。（2018年），谁使用信息和通信技术（ICT）输
入共享构建数字化四分位数，其数量
1当使用经济学人智库的预测和共识预测，以及使用2015-2019年趋势的简单延续，而不是大流行前的预测时，也会得到类
似的数据。
国际货币基金组织4
每个员工的机器人，信息和通信技术专家在总就业中的份额，以及在线销售的
营业额份额。2
我们的研究结果表明，数字化显著减少了销售损失。特别是，我们发现，
在一场典型的衰退四年之后，与平均数字化水平的行业相比，一个标准差的行业
公司比平均水平的销售损失减少了2%。这种效应在经济上具有重要意义，并表明
数字化在提高弹性和减轻疤痕方面发挥了重要作用。然而，由于以下原因，它可
能低估了真正的影响。首先，为了减少内生性，我们关注预先确定的和时间不变
的数字化度量，但甚至相对较少的数字行业和企业在大流行期间增加了它们的采
用。3这意味着一个潜在的总体效应大于在我们的规范中可检测到的差异效应。其
次，我们的样本由上市公司组成，这些公司很可能比其他不包括在样本中的公司
更数字化。最后，由于对远程工作和非接触式销售的要求，在大流行的背景下，
数字化在减轻疤痕方面的作用可能比以往的经济衰退更大。事实上，当我们关注
大流行时期，早期数据表明一个更大的缓解效应的数字化我们发现已经一年后
COVID19衰退公司行业的一个标准差数字化平均经验比销售下降比其他公司小4%。
我们的研究结果在一系列数字化措施中都是稳健的。我们补充了卡尔维诺等
人的主要措施。（2018年）使用我们自己的数字投入份额的测量方法，使用经合
组织的投入产出表构建，以及使用由资产负债表数据构建的无形资产份额。最后
，对于我们的COVID-19回归，我们还使用了每个行业内领英档案中数字技能的相
对频率的数据。虽然没有一种单一的衡量方法能够详尽地涵盖数字化的各个维度
——例如，无形资产份额也可能反映版权和
2注意到缺乏一个普遍接受的数字化定义和措施（OECD 2021a），我们也使用了一系列数字化的替代措施，并得到了类似
的结果。
3看看我们在本文中构建的数字化的时变度量，我们发现其中一些——特别是那些基于经合组织输入-产出表的——在历史
衰退后趋于增加。研究结果可根据要求提供。
国际货币基金组织5
许可协议——我们的研究结果在这些广泛的措施中都是稳健的，这证实了数字
化在提高企业层面的经济弹性方面的作用。
相关文献：虽然有大量关于数字化作为长期增长和创新的驱动力的文献（见Dabla
-Norris等人，即将出版），但对数字化在经济低迷时期的作用的研究较少。
Pierri和Timmer（2020）发现，美国大流行前采用IT较多的州失业率上升较低，
而贝拉廷和加拉西（2022）发现，大流行前与数字技术相关的就业岗位较少的城
市在大流行期间发布的总体就业岗位较少。我们的论文与Abidi等人最为相似。（
2021年），他调查使用网站、电子邮件、手机和/或外国技术的公司在13个网站、
手机和19大流行期间是否经历了较小的销售损失。我们通过提供这个文献，我们
所知，第一个系统分析数字化的作用在减少公司的收入损失在各种类型的衰退之
后，为一个更大的国家和公司，并在广泛的数字化措施。
更广泛地说，我们的论文涉及到新数字技术的影响和瘢痕的决定因素的文
献。我们的论文借鉴了关于自动化技术影响的开创性工作(例如，阿西莫格鲁和
雷斯特雷波，2017年，Dauth等人。2017年，格雷茨和迈克尔斯，2018年)，远程
工作(例如，Bloom等人。2015年)和电子商务。g., 布林霍尔夫森等人。2019).
它还建立在早期的研究结果的基础上，即增加与互联网或移动网络的连接可以增
加出口销售（弗罗因德和温霍尔德2002,2004），减少价格分散（Jensen 2007）
，并减轻负面冲击的影响(Suri等人。2012，Jack和Suri 2014)。
本文的其余部分组织如下。第二节介绍了数据，第三节概述了我们的
方法。第四部分介绍了我们的研究结果，首先是过去20年的经济衰退，然后
是2019冠状病毒病大流行的初步影响。第五节给出了一个广泛的鲁棒性检查
列表，而第六节得出了结论。
国际货币基金组织6
微光数据
本节描述了本文中使用的数据、它们的来源、描述性统计数据和关键的程式
化事实。
A.公司级数据
我们公司层面的数据来自标准普尔资本智商公司。该数据库在公司一级和按季度
的频率提供了广泛的资产负债表和损益表信息。它涵盖了从1950年第一季度到
2021年第二季度的150个国家的一个大的、不平衡的样本；为了减少时间序列中的
显著差距，我们将样本限制在2001年第一季度以后。这给我们留下了75个国家的
样本。关于按地理区域分列的在分析中使用的国家样本的详细情况见表A1。附件1
中的1。这些数据仅限于非金融公司，并进行清理，以删除任何一年资产或债务为
负值的公司，而收入、资本支出、现金、有形资产和利息支出符号错误的观察结
果被设置为缺失(见Kim等人。阿巴特利-萨克加德等人。2022年，详情)。我们进
一步限制了样本，排除了房地产和保险公司。表A1.2和A1.3显示了各国和20个经
济部门的公司数量。
对于我们的收入度量，我们使用总收入（IQ_TOTAL_REV），表A1.4显示了
该变量的汇总统计数据。对于我们的无形资产计量，我们使用无形资产（IQ_GW_I
NTAN）作为总资产（IQ_TOTAL_ASSETS）的份额。所有公司级别的变量都被筛选化
在1st和99th用百分位数来消除异常值。
B.经济衰退和其他宏观经济数据
我们对经济衰退的基本衡量标准是技术性衰退的开始，连续两个季度GDP增长呈负
增长。来自Haver分析公司的季度实际国内生产总值增长是构建这个变量的主要来
源，但我们用有限国家的世界经济前景（WEO）数据来补充它
国际货币基金组织7
数据在Haver。对于这些国家，我们用WEO数据替换了完整的国家系列。然后我们
定义一个假人，将每个国家衰退期的第一次观察结果设置为1。这使得发达经济体
共有231次衰退，新兴市场和发展中经济体共有336次衰退。
我们还使用了两种替代措施来补充我们的衰退指标：莱因哈特和罗格夫
（2009年）的全球危机数据中的银行和货币危机假人。经济衰退数据汇总统计
数据见表A1.5。
C.数字化措施
目前还没有一个公认的数字化定义和衡量标准，尽管目前正在进行大量工作，以
就一种一致的国际方法达成一致（OECD 2021a）。这反映了这些技术及其涉及它
们的活动的普遍性质，从物理计算机到数据流，再到通过电子商务平台（如乘坐
出租车和房间租赁）进行中介的真实世界的交易。因此，我们采用了一种多元的
方法，利用一系列的来源来捕捉数字化的不同方面。在本节中，我们概述了一系
列替代的数字化措施Dm这是我们在主规范和健壮性检查中使用的。
首先，我们的基线测量值是DCr 是一个行业层面的数字化四分位数，由卡尔
维诺等人构建。（2018年）使用ICT输入份额、每个员工的机器人数量、ICT专家
在总就业中所占的份额以及在线销售的营业额份额等数据。这“现成的”措施有
几个优点：除了时间不变，因此外生衰退，它是独立构建和利用广泛的数据源捕
获和合成几个方面数字化即购买数字工具本身，投资所需的人力资本嵌入生产，
和利用数字渠道与客户交易。这种基于数字化四分位数而不是绝对值的复合和相
对方法，也会产生随着时间的推移而保持准确的部门估计。例如，卡尔维诺等人
。（2018）发现，如果在2001-03年和2013年分别重新计算，只有17%的部门会改
变其相对数字化四分位数15。这表明这种方法产生
国际货币基金组织8
在我们研究的整个时间跨度内的相关估计，反映了数字化技术的基本面，而不是
不稳定的子类别。
尽管如此，这一措施仍有局限性。鉴于使用了几个不同的指标来构建复合材
料，Calvino等人。（2018）方法对数据可用性要求较高。它只使用了来自12个发
达国家的数据，因此在构建行业平均值时没有考虑到不同国家的特殊性。因此，我
们通过使用协调的输入产出表的信息构建我们自己针对国家行业的措施来补充这一
措施。首先，我们构造一个度量DIr Ci io= ∑larli⋅
Dl基于直接的ICT输入共享，其
中arli是工业l在工业国家国的投入份额l=1，适用于“计算机、电子和光学产品”
和“IT和其他信息活动”。4为了构建这一衡量标准，我们通过经合组织国家间输
入输出表（经合组织2021b）使用了来自66个国家的综合数据。5具体来说，这衡量
的是每个行业来自狭义定义的信息和通信技术行业的直接输入的份额。其次，我们
注意到，数字化也可以是更广泛供应链的属性，重要的是供应商及其供应商在多大
程度上也使用数字输入。因此，我们计算了第二个度量DTriiva= ∑l3rli⋅
Dl其中
3rli是来自产业l的产业T国i的总投入增加值的份额。6这使用了来自经合组织增值
贸易数据库（经合组织2021c）的数据，同样来自66个国家。
因此，D重复D
，但在生产的所有阶段都利用数字输入，而不仅仅是直接输入。直观地说，它衡量
了工业T对狭义定义的信息和通信技术工业的完全依赖，既作为生产的直接投入，
也作为其他生产投入的投入，等等。
总之，这些输入-输出表度量可以很好地衡量各部门对物理IT硬件和数字
服务的相对依赖性。然而，用来建造这些国家的一组国家仍然与我们所拥有的国
家不完全相同
4对于每个国家-工业单元，我们取2001-2015年可用年份的中值，以创建一个可比的时不变度量。
5这些国家包括所有经合组织、欧盟和20国集团国家，以及来自东亚、东南亚和南美的一些经济体。
6同样，对于每个国家的行业，我们取可用年份的中值，在这里是2001-2018年，以创建一个可比的时不变度量。
国际货币基金组织9
资本智商公司中的公司收入数据。因此，我们构造了一个进一步的度量DIr ni t这是
一个国家行业集团中公司中无形资产份额的中位数，使用相同的资本智商资产负
债表计算。7虽然资产负债表上列出的无形资产并不完全衡量数字化，因为它们
包含其他元素，如版权、许可协议和合并后商誉（例如，哈斯克尔和韦斯特莱克
2018），这为更大的国家提供了额外的稳健性检查。
最后，在大流行期间，我们使用领英档案的最新数据来创建一种关注
人力资本的替代数字化措施。我们定义：
哪里的技术在前50名o在每个职业和行业国家的工人列出的前50项技能中，被列为
“技术技能”的技能的数量o,r,i是每个职业在每个行业国家总就业中的相对权重
。直观地说，这衡量的是每个国家和行业对使用的所有这些技能中数字技能的相
对强度。8数字化措施表A汇总统计数据1.6。
表1显示了这些各种数字化措施之间的相互关系，表A1.7显示了根据每个
排名得出的最多和最少的数字部门。一般来说，这些措施是强正相关的，并以一
种直观的方式排名扇区。它们在两者之间捕捉了数字化的主要方面，并向我们保
证，我们的结论不是由一个狭窄的技术范围（例如，工业机器人或移动互联网）
驱动的，而是准确地反映了广泛的数字化概念的广泛影响。
7为了构建一个可比的国家行业度量，我们首先计算2001- 2021年每家公司无形资产份额的中位数，然后取一个国家行业单
元内这些公司的中位数。这种国家行业一级的方法还具有优势，可以减少因其资产负债表中没有报告无形资产数据的大
量公司（约60%）而造成的扭曲。
8领英计算了有数据的整个时期，特别是2016年第一季度至2022年第一季度，针对40个国家的20个广泛行业。
国际货币基金组织10
罗马数字 3经验方法学
我们使用Jorda（2005）的本地投影方法来估计经济衰退的短期和中期企业收入
影响，以及它们如何受到数字化程度的影响。我们分两步进行。首先，我们使
用以下规范估计了经济衰退对企业收入的平均（无条件）影响：
(1)
其中因变量Δyn,i,t+k，是公司n在季度日期t与k个季度的对数差i,t是一个假人
，表示技术衰退的开始，定义为连续两个季度的国家i在t和ukj 表示在k个季度后，
公司的收入对经济衰退的平均反应。ynq表示公司季度的假人来控制不可观察到的
时不变的公司特征以及收入水平上的公司特定的季节性；一个k是是国家部门的固定
效应，以解释跨部门的差异，例如特定国家在特定部门的比较优势。继图林斯和
祖巴诺夫（2014）之后，我们还在回归中加入了衰退变量的线索，以控制在局部
预测水平上的衰退。
在第二步中，我们扩展了方程(1)，以估计经济衰退对不同企业收入的动
态影响如何随部门数字化的程度而变化。我们估计了以下规格：
(2)
国际货币基金组织11
其中Dm是数字化测量的占位符，在我们的基线规范中是Calvino等人。（2018）测
量DCr 请在前一节中进行描述。我们使用这个时不变的行业变量，以避免由于数字
化对经济衰退，特别是对大流行的潜在时变反应而产生的内生性。akist 国家-部门
时间的固定效应是否可以解释宏观经济冲击及其跨部门的差异影响(e。g., 经济
衰退的不同影响)以及国家一级对特定部门的冲击（例如，改变支持某一特定部门
的国家政策）。9在我们的基线规范中，ukj 表示相对于平均数字化水平的行业企业
，数字化程度高于平均水平一个标准差的行业企业每季度收入对衰退的边际额外
响应。具体来说，ukj 反映了日志收入在水平+上的变化，这大约等于这些公司在水
平+上的额外累积收入增长率。在图中，我们用百分比来表示，i。e.ukj × 100.
在规范(1)和(2)中，我们按公司时间和国家时间对标准错误进行了聚类。在
2001年第一季度至2021年第一季度期间，我们使用了超过24,000家公司的小组，总
共进行了超过80万项观察。在我们的稳健性检查中，我们考虑了一系列替代的数字
化和衰退变量，各种替代的子样本，以及一种替代的估计方法。
为了进行对大流行的具体分析，我们删除了2016年之前的所有数据，并设
置了衰退假Ri,t到2019年第四季度之前的零。我们这样做是为了专门关注与COVID
-19大流行相关的经济衰退，并有足够的季度来控制大流行前的趋势。由于几乎所
有的大流行性经济衰退都发生在同一时间——特别是在2020年第一季度——我们
也调整了固定效应，以考虑到Ri,t实际上只随着时间的推移而变化。因此，我们
放弃了固定效应akist 在之前的规范中，用国家时间和国家工业固定效应ak它 和一个kir .
因此，当我们在一个方面放松固定的效果时，通过放弃
9请注意，我们区分了广泛的部门s和行业r，后者嵌套在前者中。我们的资本智商数据集包括20个部门和60个行业，因此
控制国家部门-时间的固定效应并不排除我们使用国家行业-时变的解释变量。事实上，附件中的表A1.8显示，当回归
关于国家部门时间固定效应的数字化措施时，r-平方仍然很低——也就是说，数字化的大部分变化发生在部门内，但
跨行业。
国际货币基金组织12
国家部门时间固定效应，我们也在另一个，通过控制行业层面的变化而不是
（更总体的）行业层面的变化。
最后，为了使用来自领英的行业招聘和工人转换数据进行分析，我们将
我们的规范转换到行业级别。具体来说，我们估计：
(3)
其中Δyr,i,t+k在k个季度内，日志招聘或进入行业的变化k它 国家时间的固定效应
是a吗kr i是工业-国家的固定效应。我们在国家层面进行了聚类，并使用了2016年
第一季度至2022年第一季度期间来自40个国家的20个行业的季度数据，总共进行
了约7000次观察。
增值结果
本节首先介绍我们使用自2001年以来的所有衰退进行的分析结果，然后特别关注
COVID-19大流行造成的衰退。
A.历史衰退
图3显示了经济衰退事件后日志收入的演变情况。实线表示平均估计响应，虚线
和虚线区域分别表示90%和68%的置信区间。我们发现，相对于经济衰退前的趋势
，经济衰退与对收入水平的持续影响有关。特别是，在我们的样本中，平均衰退
与衰退后4个季度收入水平下降了10%以上，8个季度后下降了5%有关。
图4与图3类似，但报告了相对数字化行业的公司和平均行业的公司对经济
衰退的不同反应
国际货币基金组织13
工业该图显示，比平均数字化多一个标准差的行业的公司，两年后的收入损失减
少了1%。差异更大（约2%），且在经济衰退四年后具有高度的统计显著性，突显
出数字化水平较高的公司在中期对经济冲击更有弹性。
B.新冠肺炎大流行
在新冠肺炎大流行造成的经济衰退期间，数字化可能更为重要。政府、企业和个
人必须适应封锁和社会距离措施，这些措施对工作和消费实践产生了深刻和持久
的影响。数字化已成为减轻大流行病应对措施危害的一个重要渠道，特别是通过
促进远程工作和非接触式销售。
为了研究COVID19时期衰退对企业收入的影响，我们使用了我们的基线衰退
假模型——两个负增长时期的开始——并人为地限制其仅等于2019年第四季度或
之后开始的衰退。10我们还将整个样本限制在2016年Q1之后，这样我们的固定效
应就只能从相关的时间跨度内进行估计。图5显示了COVID-19经济衰退后日志收入
的演变。COVID19衰退与收入水平的持续影响有关，五个季度后高达20%——几乎
是典型衰退的四倍，反映了大流行的严重性和前所未有的性质。
图6报告了一个数字化比平均水平高一个标准差的行业公司对COVID-19衰退
的不同反应。这样的收入在经济衰退后的四个季度增长了近4%，在五个季度后增
长到接近5%。这种效应在统计上是显著的，而且是精确估计的，是五个季度后平
均历史衰退的相应效应的四倍多。因此，这些数据强烈支持这一观点
10在2019年第四季度之前发生的任何经济衰退都会被人为地设定为零。这可能导致低估了数字化的真实影响，因为我们
的差异差异方法中的反事实也包括COVID-19时期之前的衰退。
国际货币基金组织14
在COVID大流行衰退期间，数字化发挥了前所未有的措施。
这种更高的收入增长也可能允许更数字化行业的公司相对于其他公司进行
扩张。图7显示了COVID19衰退对招聘率增长和工人进出每个行业的差异影响，使
用来自领英的行业级结果变量。A组显示，在新冠肺炎经济衰退后的一年里，高度
数字化行业的招聘率增长速度比平均行业快近3%，两年后也比平均行业快近4%。
类似地，B和C面板显示，在冲击后的两年里，（来自）高度数字化行业的工人流
入（流出）比其他行业增长了3%以上（慢1%）。
V.健壮性检查
本节提供了一些鲁棒性检查来证明我们的结果的通用性。我们提供了四种类型的
检查，使用：i）替代数字化措施；ii)替代衰退定义；iii)替代样本；和iv)另
一种方法。
A.替代的数字化措施
虽然数字化对我们的职业和个人生活——以及对更广泛的社会和经济——的影响
很明显，但它的衡量方法并不简单。对于如何定义和衡量这一概念，目前还没有
达成明确的共识（经合组织，2021年）。为了解释这一点，在本文中，我们采用
了一种多元的方法，作为第一个鲁棒性检查，我们检查了我们的结果对第二节中
描述的几个数字化措施的敏感性。
图8显示了使用国家行业层面定义的数字化措施，经济衰退对收入增长的不
同影响。
面板A显示了使用D的直接数字输入的份额，由经合组织国家间输入输
出表（OECD 2021b）构建。
面板B显示了使用D的结果，即总输入增加值的数
字份额，由经合组织增值贸易数据库构建
国际货币基金组织15
（经合组织2021c)。面板C显示了使用D表示的结果Ir n,it，无形资产的平均份额
，使用资本智商资产负债表数据构建。研究结果在定性上是稳健的，在经济衰退
四年后，处于更多数字国家行业的企业面临的收入损失减少了1-2%，尽管对差异
效应的估计不那么精确。
由于经合组织的投入产出表每年都是为一个一致和平衡的国家工业小组计
算的，我们也可以构建这些措施的时变版本。图9显示了结果，首先使用了D的同
I C IO
T i V
期值Ir C,iI,Ot 和DTr ,iiva
t ，然后使用滞后版本Dr ,i t ,−1和Dr , it
以减轻潜在的内
生性。11我们的主要发现在所有病例中都是定性稳健的。
最后，我们检查了在使用替代数字化措施时，我们的大流行特定结果是否
也成立。对于这个较短的时间段，我们也可以使用额外的数字化度量DTr ei chSkills
根据领英个人资料中列出的技能计算出来的，如第二节所述。图10显示，我们的
主要发现是健壮的这些检查除了面板C，使用无形资产份额，我们推测可能反映了
特定压力公司面临的无形资产（包括合并后商誉和潜在的商誉减值）的繁荣/萧条
的动荡时期的并购活动。
B.替代经济衰退的假人
接下来我们来看看我们的结果对衰退定义的敏感性。虽然我们的基线方法遵循了
经济衰退的标准技术定义，但我们也考虑了替代版本，特别是货币危机的开始，
或银行和货币危机的开始。使用这些变量产生的结果与基线规范中的结果非常相
似，在四年内产生的影响略大（图11）。这种对这些替代性经济衰退的类似反应
强调了数字化在培养弹性方面所发挥的作用的普遍性。
11具体来说，行业可能通过增加数字工具的使用来应对衰退，这对销售受衰退影响最小的行业尤其可行——这将在数字
化和收入增长之间产生误导性的正相关关系。
国际货币基金组织16
C.替代样品
接下来检查我们的结果对替代样本的敏感性。如上所述，各国为应对新冠肺炎大
流行而实施的限制引发了一场具有特殊特征的经济危机。数字化和远程工作都在
减轻企业之间这些危机的影响方面发挥了重要作用，因为这使它们能够通过减少
对其工作的中断来继续其活动。因此，我们首先检查我们的历史衰退的结果是否
是由这一特定的危机事件驱动的。图A2。1附件2中的面板A显示了我们的基线结果
，不包括2020年的回归结果。我们的研究结果与我们的基线保持相似，证实了数
字化甚至在新冠肺炎大流行之前就已经减轻了经济衰退的影响。
其次，我们来看看这些结果是否是由其他重大危机事件驱动的，如2008年
全球金融危机或其他系统性银行危机。图A2中报告的结果。1面板B和C证实，在
更数字化行业的公司的收入差异响应仍然与基线相似，但在统计上没有差异。
第三，我们检查这些结果是由特定的国家或国家群体驱动的。为此，我们
重新估计了方程(2)，但一次不包括一个国家或一个地区。在附件2的图A2.2和图
A2.3中报告的结果表明，我们的基线结果并不依赖于任何特定的国家或国家组。
同样，我们对行业重复这个测试，一次排除一个2位数的部门，并得到相同的结果
（附件2中的图A2.4）。
第四，我们还检查了结果是否会根据国家的收入水平而变化。附件2中的图
A2.5显示了高度数字化企业和将样本限制在高级（左图）和新兴经济体（右图）
的平均企业之间衰退的差异影响。研究结果显示，总体效应和取决于国家收入水
平的效应之间几乎没有差异，这表明数字化是这些经济冲击的缓冲器，独立于国
家的收入特征。
最后，我们研究我们的结果是否对我们选择的筛选化阈值敏感。因此
，我们筛选了0.05%和5%的尾巴
国际货币基金组织17
我们的因变量的分布，反过来允许极端观察比我们的基线发挥或多或少的作用
。所得到的结果再次与基线结果相似（图A2.6)。
D.替代方法
在最后的稳健性检查中，我们使用Duval等人之后的另一种差异规范重复我们的大
流行结果。(2020).这主要关注企业和行业在一个特定日期附近的行为的变化，在
我们的案例中，这是2020年第一季度全球大流行的开始，而不是考虑到大流行衰
退时间的具体国家的变化Ri,t，如我们的本地投影规格。
对于资本智商公司，我们计算了大流行前两年和大流行后第一年的平均季
度收入增长，以及它如何随着行业数字化程度的变化而变化：
Δy n,i= αi+ aS+ u ∗ DCr + en,i
(4)
其中Δyn,i是公司n在大流行后（2020年20季度2-2021年第一季度）的平均季度收
入减去大流行前（2017-2019年）的平均季度收入，DCr 是标准化的卡尔维诺等人。
（2018）工业T和α的数字化测量i和一个S分别是国家和部门的固定效应。对于来
自领英的替代行业结果变量，我们运行了类似的规范，但由于领英数据中提供的
行业分类粒度较低，我们放弃了行业固定效应：
Δy r,i= αi+ u ∗ DCr + er,i
(5)
y在哪里r,i现在是平均招聘率或过渡到进入或退出该行业的日志。本练习的结果
见附件2中的图A2.7。我们再次发现了与基线类似的影响，收入增长增长了大约2
个百分点
国际货币基金组织18
流感大流行后，向数字化行业转型的增长上升了3个百分点，向这些行业转型的
增长下降了约1个百分点。
六、结论
新冠肺炎19大流行预计将对经济活动产生实质性和持续的负面影响。然而，它也
推动了数字技术和数字化工作实践的快速加速采用，如电话会议和混合工作时间
表。利用来自75个国家的季度公司级资产负债表数据，我们发现，较高的事前数
字化与较低的中期公司收入损失相关。此外，在关注大流行以来的早期数据时，
我们发现了其发挥更大作用的证据——这与数字通信技术在广泛保持社交距离的
情况下的特别重要性相一致。根据领英的个人资料，我们发现，在大流行导致的
经济衰退后的两年里，更多的数字化行业有更高的招聘率，并经历了更大的净流
入——这再次与数字化减轻疤痕和提高企业弹性相一致。
这些结果在广泛的数字化措施以及一些替代规范中都是稳健的。他们共同
强调，除了从长远来看，新技术支持增长和创新的经典故事之外，数字化还有助
于防止和减少媒体运行中经济衰退的有害影响。为此，我们的研究结果进一步支
持了促进数字技术广泛采用的努力，这超出了在COVID-19大流行期间，强制采用
已经提供的推动作用。
国际货币基金组织19
参考文献
阿尔巴特利·萨克斯加尔德，埃利夫 C., Firat, M., Furceri, D., Verrier,
J.(2022).U.S.货币政策冲击溢出效应：来自企业级数据的证据。国际货币基金组
织的工作文件
Acemoglu，D，Restrepo，P。(2017).机器人和工作：来自美国劳动力市场的证
据(工作文件No.23285).国民经济调查局https://doi.org/10.3386/w23285
贝拉廷，A.，加拉西，G.，（2022年）。“COVID19可能留下什么：加拿大技
术相关的职位招聘”。https://doi.org/10.34989/swp-2022- 17
布鲁姆，梁，罗伯茨，英，Z。J.(2015).在家工作工作吗？一个来自一个中国实
验的证据。经济学季刊130,165-218。https://doi.org/10.1093/qje/qju032
布林夫松，E，许，X，刘，M。(2019).机器翻译会影响国际贸易吗？来自一个大
型数字平台的证据。管理科学65,5449-5460。
https://doi.org/10.1287/mnsc.2019.3388
Buera, F.和卡尔马卡尔，S。（2019），《金融困境的真实影响：异质性的作用》
，英国银行工作论文，814。
卡尔维诺，F.，克里斯科洛，C.，马科林，L.，斯奎恰里尼，M.，（2018）。
一种数字密集型部门的分类法。https://doi.org/10. 1787/f404736安
坎佩洛，M.，格雷厄姆，J。R.和哈维C。R.（2010），《金融约束的真正
影响：来自金融危机的证据》，《金融经济学杂志》，97(3)，470-487。
达布拉-诺里斯，E，有点，柴德，柴，陈，陈，德斯蒂芬妮， A., 木藤，齐，
和索西， A., (即将到来的“加快亚洲的创新和数字化，以提高生产率”。国际
货币基金组织的部门文件
道斯，W。，芬德森，苏德库姆，J.，和沃斯纳，N.，（2017）。“德国机器人工业机器人对工人的影响。”CEPR讨论论文No.DP12306，可在SSRN：
https://ssrn.com/abstract=3039031上购买
杜瓦尔，R.，洪，G。H.和Timmer，Y。(2020).“金融摩擦和生产率大放缓
”。金融研究综述，33(2)，475-503。
弗罗因德 C., Weinhold, D., (2002).互联网和国际服务贸易。《美国经济评论
》92,236-240。https://doi.org/10. 1257/000282802320189320
国际货币基金组织20
弗罗因德 C., Weinhold, D., (2004).互联网对国际贸易的影响。国际经
济杂志，62,171-189。https://doi.org/10. 1016/S00221996(03)00059-X
格雷茨，G.，迈克尔斯，G。(2018).机器人在工作。经济与统计学评论，
100,753-768。https://doi.org/10. 1162/ rest_a_00754
Haskel，J.，韦斯特莱克，S.，（2018）。“没有资本的资本主义：无形经济
的崛起。”普林斯顿大学出版社，普林斯顿大学。
杰克，W.，Suri，T.，（2014）。“风险分担和交易成本：来自肯尼亚移
动货币革命的证据。”《美国经济评论》104,183-223。
https://doi.org/10.1257/aer.104.1.183
詹森，R。, (2007).“数字提供：南印度渔业部门的信息（技术）、市
场表现和福利。”《经济学季刊》122,879-924。https://doi.org/10.
1162/qjec. 122.3.879
乔达，哦。(2005).《地方预测对冲动反应的估计和推断》，美国经济评论，第1
卷。95(1)，第161182页，3月。
Kalemli-Ozcan，S.，莱文，L。和莫雷诺，D。（2019年），“债务过剩、展期风
险和企业投资：来自欧洲危机的证据”，欧洲央行工作文件2241系列，欧洲央行。
金，M.，马诺，R。C.和Mrkaic，M.，2020。“外汇干预会导致外汇债务上升
吗？”来自公司级数据的证据”。国际货币基金组织的工作文件，
20/197
经 合 组 织 （ 20 2 1 a ） 。 “数字供应使用表：向使数字转型在经济统计中更加明显迈
出的一步。”巴黎：经合组织组织。可在以下网址获得：
http://goingdigital.oecd.org/data/notes/No8_ToolkitNote_DigitalSU
Ts.pdf经合组织（2021b）。经合组织国家间输入-输出数据库，
http://oe。cd/icio.
经合组织（2021c）。经合组织的增值贸易数据库，
https://www.oecd.org/sti/ind/measuring-trade-in-value-added.htm
纽约州，Timmer，Y.，（2020年）。IT盾牌：COVID-19大流行期间的技术采用和
经济弹性。
苏瑞，杰克，斯托克，T。M., (2012).“记录了一个金融经济的诞生。”美国国家
科学院院刊，109,10257-10262。https://doi.org/10.1073/pnas.1115843109
图林斯，C。N., Zubanov, N., (2014).“经济复苏是一个神话吗？”对冲动反应
的稳健估计。”应用计量经济学杂志，29,497-514。
https://doi.org/10.1002/jae.2333
国际货币基金组织21
表格和数字
表1。数字化措施之间的相关性
领英
数字技能
卡尔维诺ICIO TIVA无形资产
卡尔维诺
ico
热诱生电压
变化
无形资产
数字技能
1
0.4*
1
0.3*
1*
1
0.4*
0.3*
0.4*
1
0.5*
0.5*
0.4*
0.5*
1
注：两两相关系数。按中位数下降到行业水平。*在5%的水平上具有显著性。
图1：瘢痕现象和互联网接入率（百分比）
信息检索语言
输
出
损
耗
（
%
）
网卡
信息资源网络
图尔
ZMB
-20
-10
0
10
20
TM
全国印刷协会 G
S LV
肯
INDNAM
两栖货
船
UGA
国际
记 者组
织
0
究局
H
blzb A
E
森BOL MKD
塔马尔 我的
MNG
PAN回
PHL
20
40
使用互联网的个人（人口%）
资料来源：世界经济展望和世界银行发展指标。
注：输出损耗以偏差百分比计算
从流感大流行前（2020年1月）到2024年的最新GDP预测之间
国际货币基金组织22
也没
信息贮存与检 有
苏N
索丝氨酸甘油磷
女工
G PR H拉普夫 左手
C N
萨 酸脂
DNK
scrr 程师学会
海军研
ZACFOBLIR CH
LUX
U
A
br
M rk A
ISL
DA
QAT
80
60
100
资料来源：确实如此。计算机控制中心和作者的计算。样本包含35个国家的每日总工作岗位计数。
国际货币基金组织23
注：根据Jorda（2005）的本地预测方法，使用75个国家2001年2021季度至2021年第一季度的公司级季度数据。
基于回归Δyn的估计数,i,t+k =
a k是+ y kn q+∑ 4j =−k ukj 日,t−j +∑ 4j =1 ejkΔyn ,i,t−j + c kn ,i,t 对于不同
的地平线k，其中为Δyn,i,t+k 是未来k季度公司n在国家时刻的收入变化，日,t 是一个在技术性衰退开始时取值
为1的假人，akn q固定的季度效应是固定的吗k是是国家部门的固定效应。对四年内不同视野k进行回归估计。实线表
示u的点估计值k
对于不同的视野k，而虚线和虚线是68%和90%的置信区间 各自地 标准的 错误 是 丛生的 通过 商号 和 国家时间
。
国际货币基金组织24
注：根据Jorda（2005）的本地预测方法，使用75个国家2001年2021季度至2021年第一季度的公司级季度数据
。基于回归Δy的估计数n,i,t+k= a kist + y knq+∑ 4j =−k ukj 日,t −j ∗ D m+∑ 4j =1 ejkΔy n,i,t −j+ c kn,i,t对
于不同的地平线k，其中为Δyn,i,t+k是未来k季度公司n在国家时刻的收入变化，日,t 是一个在技术性衰退开
始时取值为1的假人，Dm= D Cr 是Calvino等人的标准化值。（2018）行业级数字化的措施，aknq固定的季度效
应是固定的吗k 是国家部门时间的固定效应。对四年内不同视野k进行回归估计。实线表示u的点估计值k对于
ist
不同的视野k，而虚线和虚线分别是68%和90%
.标准的误差是-。
置信区间分别按公司时间和国家时间聚类
国际货币基金组织25
注：根据Jorda（2005）之后的本地预测方法，使用了来自75个国家的2016年第一季度至2021年第一季度的公司
级季度数据。基于回归Δy的估计数n,i,t+k=
a k是 + y kn q+∑ 4j =−k uRkj i,t−j+∑ 4j =1 ejkΔy n,i,t−j+
k
c n ,i,t 对于不同的地平线k，其中为Δyn,i,t+k是未来k个季度公司n在国家时刻的收入变化i,t是2019年第四季度
开始技术衰退时取值1的假人kn q固定的季度效应是固定的吗k是 是国家部门的固定效应。在五个季度内分别对不同视
野k进行回归估计。实线表示u的点估计值k对于不同的视野k，而虚线和虚线分别是68%和90%的置信区间。标准错
误是按公司时间和国家时间聚集起来的。
国际货币基金组织
26
注：根据Jorda（2005）之后的本地预测方法，使用了来自75个国家的2016年第一季度至2021年第一季度
的公司级季度数据。基于回归Δy的估计数n,i,t+k= akist + y kn q+∑4j =−k ukj 日,t−j ∗
Dm+∑4j =1 ejkΔyn,i,t−j+ c kn ,i,t 对于不同的地平线k，其中为Δyn,i,t+k是未来k季度公司n在国家时刻
的收入变化，日,t 是一个假人，在从2019年第四季度开始的技术性衰退开始时取值为1，医学博士= DCr 是
Calvino等人的标准化值。（2018）行业级数字化的措施，akn q固定的季度效应是固定的吗kist 是国家部门
时间的固定效应。在五个季度内分别对不同视野k进行回归估计。实线表示u的点估计值k对于不同的视野
k，而虚线和虚线分别是68%和90%的置信区间。标准错误是按公司时间和国家时间聚集起来的。
国际货币基金组织
27
注：基于Jorda（2005）的本地预测方法，使用来自40个国家的2016年第一季度至2022年第一季度的行业级季度数
据。基于回归Δyr的估计数, i,t+k =
a k它 + a kr i+∑ 4j =−k ukj 日,t−j ∗ Dm +∑ 4j =1 ejkΔyr , i,t−k +
e r,i,t对于不同的地平线k，其中为Δyr,i, t+k 在k个季度内日志招聘或进入行业的变化，日,t 是一个假人，在
从2019年第四季度开始的技术性衰退开始时取值为1，医学博士= D Cr 是Calvino等人的标准化值。（2018）行业级
数字化的措施，ak它 国家时间的固定效应是a吗kr i是工业-国家的固定效应。对两年内不同视野k进行回归估计。实
线表示u的点估计值k对于不同的视野k，而虚线和虚线分别是68%和90%的置信区间。标准错误被聚集在国家一级。
国际货币基金组织
28
注：基于Jord（2005）之后的局部投影方法，使用2001年第一季度至2-2021年第一季度的真实数据。
基于回归Δ的估计数 n,t+k=
akist + yknq+∑4j =−kukj 日,t −j∗ Dm+∑4j =1 ejkΔyn,i,t −j+ ckn,i,t对
于不同的地平线k，其中为Δyn,i,t+k是未来k季度公司n在国家时刻的收入变化，日,t是一个在技术性衰
退开始时取值为1的假人，Dm∈ {DIr Ci io, DTr ii va, DIr n,it另一种国家行业层面的数字化测量的标准化价值
knq固定的季度效应是固定的吗k 是国家部门时间的固定效应。对四年内不同视野k进行回归估计。实线表
ist
k
示u的点估计值 对于不同的视野k，而虚线和虚线分别是68%和90%的置信区间。标准错误是按公司时间和
国家时间聚集起来的。
国际货币基金组织29
图9：稳健性：随时间变化的替代数字化措施
面板A：ICIO
（直接数字输入）
面板B：TiVA
（数字输入的总合计）
注：根据Jorda（2005）的本地预测方法，使用75个国家2001年2021季度至2021年第一季度的公司级季度数据。
基于回归Δy的估计数n,i,t+k=
a kist + y kn q+∑ 4j =−k ukj 日,t−j ∗ Dm+∑ 4j =1 ejkΔy n,i,t−j+ c kn ,i,t 对于
不同的地平线k，其中为Δyn,i,t+k是未来k季度公司n在国家时刻的收入变化，日,t 是一个在技术性衰退开始时
取值为1的假人，医学博士
∈{D D D D}是另一种国家行业时变数字化度量的标准化价值kn q固
k
定的季度效应是固定的吗ist 是国家部门时间的固定效应。对四年内不同视野k进行回归估计。实线表示u的点估计
值k对于不同的视野k，而虚线和虚线分别是68%和90%的置信区间。标准错误是按公司时间和国家时间聚集起来的
。
国际货币基金组织30
图10： COVID-19的稳健性：国家-行业替代数字化措施
注：根据Jorda（2005）之后的本地预测方法，使用了来自75个国家的2016年第一季度至2021年第一季度的公司级季度数据
。基于回归Δy的估计数n, i, t+k= a kist + y knq+
∑ 4j = − k ukj 日,t −j ∗ D m+∑ 4j =1 ejkΔy n, i,t −j+ c kn,i,t对于不同的地平线k，其中为Δyn,i,t+k是未来k季度公司n在
国家时刻的收入变化，日,t 是一个从2019年第四季度开始的技术衰退开始取值1，Dm∈ {D Ir Ci io, D Tr , iiva, D Ir n,i t,
D Tr ei cℎ Sk病另一种国家行业层面的数字化测量的标准化价值knq固定的季度效应是固定的吗kist 是国家部门时间的固定效应。
在五个季度内分别对不同视野k进行回归估计。实线表示u的点估计值k对于不同的视野k，而虚线和虚线分别是68%和90%的置
信区间。标准错误是按公司时间和国家时间聚集起来的。
国际货币基金组织31
注：根据Jorda（2005）的本地预测方法，使用75个国家2001年2021季度至2021年第一季度的公司级季度数
据。基于回归Δy的估计数n,i,t+k=
akist + y kn q+∑4j =−k ukj 日,t−j ∗ Dm+∑4j =1 ejkΔyn,i,t−j+
c kn ,i,t 对于不同的地平线k，其中为Δyn,i,t+k是未来k季度公司n在国家时刻的收入变化，日,t是一个在
银行和/或货币危机开始时取值为1的假人，医学博士= DCr 是Calvino等人的标准化值。（2018）行业级数字
化的措施，akn q固定的季度效应是固定的吗kist 是国家部门时间的固定效应。对四年内不同视野k进行回归估
计。实线表示u的点估计值k对于不同的视野k，而虚线和虚线分别是68%和90%的置信区间。标准错误是按公
司时间和国家时间聚集起来的。
国际货币基金组织32
附件1：数据
表A1.1。按地区的75个国家样本
非洲
– AFR (3)
中东和
中亚
– MCD (11)
西方的
半球
–WHD (10)
博茨瓦纳
巴林（一个濒
阿根廷
毛里求斯
临波斯湾的由
巴西
低矮多沙的群
加拿大
南非
岛组成国家
埃及
哥伦比亚
锥形精磨机
牙买加
智利
哈萨克斯坦
墨西哥
科威特
秘鲁
特立尼达和多巴哥
阿曼
巴基斯坦
卡塔尔
合众国
沙特阿拉伯
亚太地区
– APD (17)
澳大利亚
孟加拉共和国
中国
香港
印度
印尼
日本
澳门
马来西亚
新西兰
菲律宾
新加坡
南韩
斯里兰卡
台湾
泰国
越南
国际货币基金组织33
突尼斯
欧洲-欧元（34）
阿拉伯联合王国
奥地利
比利时
保加利亚
克罗地亚
塞浦路斯
捷克共和国
爱沙尼亚
芬兰
法国
德国
希腊
匈牙利
冰岛
爱尔兰
以色列
意大利
拉脱维亚
立陶宛
卢森堡公国
马耳他
荷兰
挪威
波兰
葡萄牙
罗马尼亚
俄罗斯
塞尔维亚
斯洛伐克
西班牙
瑞典
瑞士
火鸡
乌克兰
英国
表A1.2。公司数量和不同国家的观察结果
国家
公司的数量。
合众国
4,740
388,680
中国
4,077
334,314
日本
3,085
252,970
印度
2,672
219,104
加拿大
2,213
181,466
南韩
1,747
143,254
1,693
138,826
1,356
111,192
1,106
90,692
870
71,340
771
63,222
555
45,510
525
43,050
522
42,804
471
38,622
467
38,294
450
36,900
412
33,784
399
32,718
火鸡
322
26,404
巴西
321
26,322
意大利
280
22,960
斯里兰卡
246
20,172
孟加拉共和国
220
18,040
南非
183
15,006
俄罗斯
178
14,596
瑞士
178
14,596
177
14,514
168
13,776
157
12,874
155
12,710
134
10,988
129
10,578
128
10,496
119
9,758
117
9,594
114
9,348
台湾
澳大利亚
香港、英国、马
来西亚
泰国
瑞典
波兰
新加坡
法国
德国
越南
印尼
以色列
巴基斯坦
菲律宾
希腊
埃及
挪威
智利
西班牙
芬兰
沙特阿拉伯
国际货币基金组织34
表A1.2，续表。公司数量和不同国家的观察结果
国家
公司的数量。
荷兰
105
8,610
新西兰
105
8,610
墨西哥
98
8,036
秘鲁
87
7,134
锥形精磨机
83
6,806
75
6,150
71
5,822
71
5,822
65
5,330
63
5,166
61
5,002
57
4,674
54
4,428
奥地利
49
4,018
塞浦路斯
45
3,690
阿拉伯联合酋长国
45
3,690
毛里求斯
45
3,690
卢森堡公国
44
3,608
牙买加
39
3,198
葡萄牙
37
3,034
突尼斯
36
2,952
立陶宛
27
2,214
23
1,886
21
1,722
20
1,640
18
1,476
17
1,394
爱沙尼亚
15
1,230
冰岛
14
1,148
拉脱维亚
14
1,148
特立尼达和多巴哥
14
1,148
塞尔维亚
14
1,148
乌克兰
12
984
澳门
11
902
博茨瓦纳
10
820
7
574
6
492
6
492
比利时
爱尔兰
阿曼
阿根廷
罗马尼亚
科威特
克罗地亚
保加利亚
哥伦比亚
卡塔尔
马耳他
匈牙利
巴林（一个濒临波斯湾的由
低矮多沙的群岛组成国家
哈萨克斯坦
捷克共和国
斯洛伐克
国际货币基金组织35
表A1.3。公司数量和各部门的观察结果
的数量
部门
公司
材料
资本性商品
技术硬件和设备消费耐用消费品和
服装软件和服务药品和生物技术食
品，饮料和烟草
能量
媒体和娱乐
消费者服务
零售
卫生保健设备和服务
专业服务
运输
汽车和部件
公用设施
半导体
电信服务
食品和主食零售
家庭和个人产品
观察
5,433
4,888
2,286
2,032
2,027
1,833
1,800
1,714
1,398
1,315
1,291
1,287
1,160
933
865
854
774
407
383
445,506
400,816
187,452
166,624
166,214
150,306
147,600
140,548
114,636
107,830
105,862
105,534
95,120
76,506
70,930
70,028
63,468
33,374
31,406
361
29,602
表A1.4。按收入列出的汇总统计数据
变量
计数平均标准数25日75日
税收
1,692,161
5.49
3.58
3.39
7.8
收入-高数字收入（75美元以上th
百分位
264,067
5.26
3.78
2.84
7.81
国际货币基金组织36
表A1.5。经济衰退变量汇总统计数据
可变来源国的覆盖范围。平均标准最小值
哈弗
技术的开始
经济衰退
分析
和世界
经济上的
前景
货币危机，莱因哈特和
(转换成罗格夫
106
1960Q2
2022Q4
12,011
0
0.05
1
0.21
63
1960q2
2014q4
7,230
0
0.06
1
0.20
63
1960q2
2014q4
7,230
0
0.08
1
0.27
每季度）（2009年）
银行和货币莱因哈特和
危机(转换为Rogoff
每季度）（2009年）
表A1.6。数字化变量的描述性统计
可变来源国家的期权。平均标准最小值
卡尔维诺等人。
(2018)
卡尔维诺等人。
(2018)
3,304,900
1.60.26.25
76
1
经合组织间2,861,280
ICIO 56
表
经合
2021b)
经合组织贸易2,016,718
在价值
TiVA
58
数据库
已添加
经合
2021c)
无形资产资本智商76
技术技能，领英38岁
国际货币基金组织37
0.1.20.86
国家
输入输出
1,301,928
2,254,000
0.083.15.76
表A1.7.
按数字化方法衡量的大多数数字化部门的排名
最少的
数字的
无线
1
电信业务
服务
半导体
和
半导体
设备
技术
2
工业的
集团公司
五金器具
存储和
外围设备
电子的
3
领英
数字技能
卡尔维诺ICIO TIVA无形资产
自动组件
设备，
仪器和
IT服务
交互式
媒体和
服务
卫生保健
设备和用品
卫生保健
技术
无线
N – 2
纺织品，服装和
豪华
服务
电子的
交互式媒体
和服务
N – 1
食品
设备，
仪器和
组件
公路和铁路
货物
水务设施
软件
电信业务
组件
建筑产品
通信设备
多样化
消费者
纺织品、服装和
奢侈品
建筑与工程
电力公司
水务设施
服务
N = 60
公路和铁路
国际货币基金组织38
石油、天然气和
石油、天然气和
消耗品
燃料
消耗品
燃料
海洋的
纸张和森林
乘积
表A1.8。关于国家部门时间固定效应的数字化措施的变化
(1)
卡尔维诺
工业
国家部门-时间有限元回归
的r平方
观察结果
(2)
(3)
(4)
无形资产
TiVA
ico
（国家工业
（国家工业
（国家工业
0.024
0.044
0.070
0.021
2,710,018
2,699,932
2,263,446
2,606,944
注： R2是通过对我们的基线国家部门时间固定效应的数字化措施进行回归得到的。我们发现，巨大的差异仍
然存在，这意味着数字化行业内的跨行业差异（注：20个行业内嵌套了60个行业）。
国际货币基金组织39
附件2：其他结果
注：左上面板从估计中排除了2020年，右上面板不包括2008年，左下面板从样本中排除了银行危机。根据Jorda（
2005）之后的本地预测方法，使用了来自75个国家的2001年第一季度至2021年第一季度的公司级季度数据。基于
回归Δy的估计数n, i, t+k= a kist + y kn q+∑ 4j =−k ukj 日,t−j ∗ Dm+∑ 4j =1 ejkΔy n,i,t−j+ c kn ,i,t 对于不同的地
平线k，其中为Δyn, i, t+k是未来k季度公司n在国家时刻的收入变化，日,t 是一个在技术性衰退开始时取值为1
的假人，医学博士= D Cr 是Calvino等人的标准化值。（2018）行业级数字化的措施，akn q固定的季度效应是固定的
吗k 是国家部门时间的固定效应。对四年内不同视野k进行回归估计。实线表示u的点估计值k对于不同的视野k，
ist
而虚线和虚线分别是68%和90%的置信区间。标准错误是按公司时间和国家时间聚集起来的。
国际货币基金组织40
注：一次不包括一个国家。根据Jorda（2005）之后的本地预测方法，使用了来自75个国家的2001年第一季度至
2021年第一季度的公司级季度数据。基于回归Δy的估计数n, i, t+k= a kist + y kn q+∑ 4j =−k ukj 日,t−j ∗
Dm+∑ 4j =1 ejkΔy n,i,t−j+ c kn ,i,t 对于不同的地平线k，其中为Δyn, i, t+k是未来k季度公司n在国家时刻的收
入变化，日,t 是一个在技术性衰退开始时取值为1的假人，医学博士= D Cr 是Calvino等人的标准化值。（2018）行
业级数字化的措施，akn q固定的季度效应是固定的吗kist 是国家部门时间的固定效应。对四年内不同视野k进行回归
估计。实线表示u的点估计值k对于不同的视野k，而虚线和虚线分别是68%和90%的置信区间。标准错误是按公司时
间和国家时间聚集起来的。
国际货币基金组织41
注意：响应的计算方法是一次不包括一个区域。根据Jorda（2005）之后的本地预测方法，使用了来自75个国家的
2001年第一季度至2021年第一季度的公司级季度数据。基于回归Δy的估计数n, i, t+k= a kist + y kn q+∑ 4j =−k ukj 日
k
4
k
,t−j ∗ Dm+∑ j =1 ej Δy n,i,t−j+ c n ,i,t 对于不同的地平线k，其中为Δyn, i, t+k是未来k季度公司n在国家
时刻的收入变化，日,t 是一个在技术性衰退开始时取值为1的假人，医学博士= D Cr 是Calvino等人的标准化值。（
2018）行业级数字化的措施，akn q固定的季度效应是固定的吗kist 是国家部门时间的固定效应。对四年内不同视野k
进行回归估计。实线表示u的点估计值k对于不同的视野k，而虚线和虚线分别是68%和90%的置信区间。标准错误是
按公司时间和国家时间聚集起来的。
国际货币基金组织42
图A2.4：稳健性：一次不包括一个部门
注意：响应的计算方法是，每次不包括一个2位数的扇区。根据Jorda（2005）之后的本地预测方法，使用
了来自75个国家的2001年第一季度至2021年第一季度的公司级季度数据。基于回归Δy的估计数n,i,t+k=
akist + ykn q+∑ 4j =−kukj 日,t−j ∗ Dm+
∑ 4j =1 ejkΔy n, i, t−j+ c kn ,i,t 对于不同的地平线k，其中为Δyn,i,t+k是未来k季度公司n在国家时刻的收入
变化，日,t 是一个在技术性衰退开始时取值为1的假人，医学博士= D Cr 是Calvino等人的标准化值。（2018）行
业级数字化的措施，akn q固定的季度效应是固定的吗kist 是国家部门时间的固定效应。对四年内不同视野k进行回归
估计。实线表示u的点估计值k对于不同的视野k，而虚线和虚线分别是68%和90%的置信区间。标准错误是按公司
时间和国家时间聚集起来的。
国际货币基金组织43
注：根据Jorda（2005）的本地预测方法，使用75个国家2001年2021季度至2021年第一季度的公司级季度数据
。基于回归Δy的估计数n,i,t+k= a kist + y kn q+∑ 4j =−k ukj 日,t−j ∗ Dm+∑ 4j =1 ejkΔy n,i,t−j+ c kn ,i,t 对于不
同的地平线k，其中为Δyn,i,t+k是未来k季度公司n在国家时刻的收入变化，日,t 是一个在技术性衰退开始时
取值为1的假人，医学博士= D Cr 是Calvino等人的标准化值。（2018）行业级数字化的措施，akn q固定的季度效
应是固定的吗k 是国家部门时间的固定效应。对四年内不同视野k进行回归估计。实线表示u的点估计值k对于
ist
不同的视野k，而虚线和虚线分别是68%和90%的置信区间。标准错误是按公司时间和国家时间聚集起来的。红
线表示使用完整样本的基线效应。
国际货币基金组织44
注：根据Jorda（2005）的本地预测方法，使用75个国家2001年2021季度至2021年第一季度的公司级季度数据。基于回归
Δy的估计数n,i,t+k= akist + ykn q+∑4j =−kukj 日,t−j∗ Dm+ ∑4j =1ejkΔy n, i, t−j+ ckn ,i,t 对于不同的地平线k，其中为
Δyn,i,t+k是未来k季度公司n在国家时刻的收入变化，日,t 是一个在技术性衰退开始时取值为1的假人，医学博士= DCr 是
Calvino等人的标准化值。（2018）行业级数字化的措施，akn q固定的季度效应是固定的吗kist 是国家部门时间的固定效应。
对四年内不同视野k进行回归估计。实线表示u的点估计值k对于不同的视野k，而虚线和虚线分别是68%和90%的置信区间。
标准错误是按公司时间和国家时间聚集起来的。红线表示使用完整样本的基线效应。
国际货币基金组织45
注：本图显示了使用Duval等人的替代方法估计数字化影响的结果。(2020). 绘制的最高系数是由资本智商公司的数据
以Δy的回归形式估计出来的n,i=
α i+ a s+ u ∗ D CT + e n, i，其中Δyn, i是日志平均季度收入的变化。在大
流行之前，公司，αi和αs国家和部门的固定效应是D吗CT 是卡尔维诺等人。（2018）数字化措施。其他三个系数是根据
行业级的领英数据，以Δy的形式进行回归估计的T,i= α i+ u ∗ D CT +
e T,i，其中yT,i现在是平均招聘率或过渡
到进入或退出该行业的日志。因此，每个系数都反映了对收入、招聘、转型或转型增长的百分点影响，这些行业比平均
水平数字化一个标准差。厚和薄置信峰值分别显示68%和90%置信区间标准误差按国家聚类
国际货币基金组织
46