Toews, Gerhard, and Pierre-Louis Vézina. 2025. "Enemies of the People." American Economic Journal: Macroeconomics, 17 (1): 310–42.
这篇文章说了个什么情况呢？
话说，苏联时期曾强行将数百万“人民的敌人”送往各地的劳改营。这些所谓的“敌人”，实际上是受过良好教育的知识分子、科学家、商人等，他们被认为对苏联政权构成威胁。本文将这段历史视为一个“自然实验”，用以研究教育和技能（即人力资本）对后代的影响，以及这些影响如何推动经济增长。
列宁在1917年曾说：“对这些人民的敌人、社会主义的敌人、工人阶级的敌人绝不宽恕！要对富人及其随从、资产阶级知识分子发动毫不留情的斗争……”
斯大林在1937年也说：“任何试图破坏社会主义国家统一的人，都是国家、苏联人民的死敌。我们将摧毁任何这样的敌人……我们将摧毁他的亲属、他的家庭。”
“人民的敌人”，俄语为“vragi naroda”，是指那些被认为对苏联政权构成威胁的知识分子、科学家、政治家和商人。他们与数百万无辜的非政治性囚犯一起，被送往苏联各地的强迫劳动营。这些营地被Aleksandr Solzhenitsyn形象地称为“古拉格（Gulag）群岛”。根据1954年苏联内务部的报告，从1921年到1953年，共有3,777,380人因煽动反革命被定罪，其中2,369,220人被送往古拉格。
由于这些“人民的敌人”在古拉格解体后仍留在原地，他们的流放产生了持久的影响。特别是通过人力资本的渠道，这种影响尤为显著，因为他们大多是受过高等教育的精英群体。
本文将苏联大规模流放“人民的敌人”视为一个“自然实验”进行研究。由于这些人被流放到不同地点几乎是随机的，因此可以用来观察受过良好教育的人对当地经济的长期影响。通过这一研究，本文证明了人力资本（即人的知识和技能）不仅能够代代相传，还能对经济增长产生影响。
本文不仅通过“人民的敌人”这一案例，帮助我们更好地理解人力资本对经济发展的作用，还通过这种自然实验的方法，为宏观经济学的研究提供了新的思路和证据。
本文的关键研究资料来源于俄罗斯国家档案馆（GARF）的微缩胶片，其中包含了苏联强迫劳动营（古拉格）的数据。它们帮助作者详细记录了那段恐怖的历史。
特别重要的是，这些数据还记录了古拉格囚犯被关押的原因，即他们被指控的“罪行”类型。通过这些信息，作者能够了解每个营地里关押的“敌人”身份，例如是知识分子、科学家还是商人。凭借这些细节，作者可以分析这些被流放的人对古拉格所在地区的长期发展产生了哪些影响。这么说吧！这些数据就像一把钥匙，帮助作者解开古拉格对当地发展影响的谜团。
本文首先介绍了“人民的敌人”被流放的历史背景，尤其是针对知识精英的逮捕和流放。本文指出，这些逮捕和流放是随机的，而且被流放者被分配到不同营地的过程也近乎随机。根据历史记载，这一过程主要由政治和意识形态驱动，而非出于工业发展的目的。例如，Khlevnyuk（2003）和Ertz（2008）的研究指出，流放的真正目的是消灭这些“敌人”，而非将他们作为古拉格项目中的强迫劳动力。
本文通过记录知识精英被逮捕的随机性，排除了他们是自愿移民的可能性。同时，由于这些人是被迫迁移的，也排除了他们自行选择流放地点的可能性。此外，本文还表明，无论是古拉格中的经济活动，还是有利的地理条件，都无法预测每个营地中“敌人”的比例。这一发现进一步确认了该研究的“自然实验”特征，使得本文能够准确识别流放对长期发展的影响。
本文利用2016年的一项家庭调查数据，首先发现“人民的敌人”的后代往往具有较高的受教育程度，并且更倾向于居住在“敌人”比例较高的古拉格附近地区。进一步的家庭和公司调查数据也显示，这些地区的整体教育水平较高，表明教育通过代际传递得以长期保持。
接着，本文将古拉格营地的地理位置与当前经济活动进行匹配（相关数据来源于俄罗斯所有公司的数据集）。通过这种方式，本文比较了受不同强度“敌人”流入影响的古拉格地区的当前经济成果。研究发现，2018年，在靠近古拉格的公司中，那些邻近“敌人”比例较高的营地的公司，支付的工资更高，每位员工的利润也更高。当以夜间灯光人均值作为本地繁荣的代理变量时，结果与上述发现相似。
具体地，从一个“敌人”占比19%的营地附近的城镇（这是古拉格系统末期和鼎盛时期的平均值）搬到一个“敌人”占比47%的营地附近，相当于从均值增加一个标准差，会使夜间灯光人均值增加46%，每位员工的利润增加14%，平均工资增加22%。如果将“敌人”的影响转化为长期教育回报参数，1952年大学受教育人数比例每增加1个百分点，2010年夜间灯光人均值将增加21%，2018年每位员工的利润增加7%，平均工资增加11%。
尽管1950年代的教育水平与今天的工资之间的关系与当代教育回报的估计并不直接可比，但这可能暗示了某种人力资本的外部效应，即受过大学教育的工人（在俄罗斯，其工资溢价约为30%）也会对低学历工人的工资产生积极影响。关于人力资本在解释跨地域收入差异中的外部效应，可参考Acemoglu和Angrist（2001年）的研究。
本文主要研究了“人民的敌人”流放事件对俄罗斯经济的长期影响。研究发现，这些流放事件对制造业、金融业、建筑业和酒店餐饮业等行业的工资影响是普遍存在的，而不是仅限于某个特定行业。即使排除了采矿企业和采矿城镇，结果依然一致。此外，研究也没有发现古拉格的运输基础设施、国防工厂或苏联后期的大学投资对结果有显著影响。
这篇本文的贡献主要有两个方面：
1.记录历史事件：通过数据记录了数百万“人民的敌人”被流放的历史事件，为俄罗斯经济历史的研究提供了新的视角（参考Zhuravskaya, Guriev和Markevich 2024年的研究）。
2.人力资本的作用：本文进一步探讨了人力资本（即人的知识和技能）对经济增长的推动作用。例如：
Hanushek、Ruhose和Woessmann（2017年）的研究发现，人力资本可以解释美国各州人均GDP差异的20%-30%。 Hendricks和Schoellman（2023年）的研究表明，人力资本可以解释国家间收入差距的50%-75%。 其他研究发现，受过教育的工人可以通过技术知识、更好的组织和管理能力来提高企业的生产力（如Abowd等2005年、Ilmakunnas等2004年、Haskel等2005年的研究）。
此外，本文还提到，许多类似的研究都依赖于历史上的自然实验来分析人力资本对发展的影响。例如：
Easterly和Levine（2016年）发现，欧洲殖民者的后代将人力资本带到新国家，使这些国家变得更富裕。
Rocha、Ferraz和Soares（2017年）发现，巴西某些地区在1900年左右通过政策吸引了大量高技能移民，如今这些地方的教育水平和人均收入更高。
Droller（2018年）发现，欧洲定居者提高了阿根廷县的识字率，促进了工业化。
Hornung（2014年）研究了17世纪末普鲁士接收法国技术移民的地区，发现纺织企业的生产率显著提升。
Bazzi等（2016年）发现，印度尼西亚的一项政策实验将农民重新安置到某些地区，他们带来了人力资本和技能，促进了当地的发展。
Fiszbein（2022年）指出，美国各县的劳动技能和长期增长与过去的农业多样性有关。
Chen等（2020年）发现，在毛泽东时期，1600万名高中毕业生被强制迁往偏远乡村，这使得当地农村儿童获得了额外的教育。
这些研究都表明，人力资本对经济发展有着深远的影响。
本文不仅通过研究“人民的敌人”这一特殊案例，为人力资本长期增长效应的研究做出了贡献，还提供了一个独特的“自然实验”。与其他研究不同的是，这里的受过教育的人并不是自愿迁移的，也没有选择自己要去的地方，他们的安置也不是基于战略安排的。
因为本文比较长，它的结构如下：
历史背景：介绍“人民的敌人”的概念及其历史背景。 数据展示：说明数据来源及其内容。 实证策略：介绍作者的分析方法。 结果和稳健性检验：展示研究结论及其可靠性检验。 总结：对前面的内容进行简要回顾。
参看: 在DID评估中, 这种balance test表格或图可以用起来, 比较直观.
第一列显示了通过回归分析得出的“敌人”比例与营地特征之间的关系系数。 第二列是这个系数的标准误。 第三列是自助法标准误。 第四到第六列是p值，用来判断这些关系是否显著，同时考虑了多重假设检验中的第一类错误率（Type I Error Rate）。 第五列和第六列是经过Bonferroni-Holm和Sidak-Holm调整的p值，第四列是Westfall和Young p值，这些方法都考虑了p值之间的依赖性。
结果显示，营地的任何特征（无论是地理位置还是规模）都与“敌人”比例无关。第五列和第六列的结果表明，“敌人”比例高的营地通常位于1926年人口密度较低的地方，偏北、气候寒冷、土壤质量差。这说明“敌人”并没有被分配到条件好的地方，反而是条件较差的地方。
为了检验“敌人”对家庭教育水平以及劳改营附近不同“敌人”比例的企业工资和利润的长期影响，本文在家庭或企业层面估计了以下模型：
长按下方二维码查看全文：
*群友可直接在社群下载该文全文及数据和code。 关于固定效应，参看：1.交互项! 交互项! 固定效应回归模型中的交互项！2.在Stata中如何做2SLS, DID, DEA, SFA, 面板PSM, 二值选择, 固定效应和时间序列？3.一定要控制时间固定效应吗？4.公司和个体固定效应总是更好吗? 关于固定效应使用和解释的最全指南！5.使用固定效应FE时良好做法对应的检查清单，6.双向固定效应多期DID最新进展和代码汇总, 关于控制变量和固定效应选取的讨论，7.快速估计带有高维固定效应的泊松模型, 这计算速度真快, 真实用！8.不能直接控制某个固定效应时, 我们能尽量做些什么呢？9.时间固定效应和时间趋势项的区别, 可以同时加？10.省份/行业固定效应与年份固定效应的交乘项固定效应，11.截面DID, 各种固定效应, 安慰剂检验, 置换检验, 其他外部冲击的处理，12.广义合成控制法gsynth, 基于交互固定效应的因果推断，13.固定效应模型+测量误差=有问题, 如何解决这问题呢？14.到底控制什么层面的固定效应? 最低, 最高, or随意？15.固定效应: 目前看到解释的最清楚的帖子, 救命！16.固定效应模型+测量误差=有问题, 如何解决这问题呢？17.TOP5被质疑用log(1+x)数据转换, 固定效应, 双重差分事件图, 结论不可靠！18.审稿人: 如何在双向固定效应下还能估计出不随个体变化的宏观变量呢？ 关于聚类标准误的使用及其聚类层级的问题，1.啥时候使用聚类标准误, 以及数据聚类的修正方法? 2.在什么级别上标准误聚类, 个体, 县, 省或行业, 时间？3.什么时候用双聚类稳健标准误? 在个体和时间层面上考虑依赖性问题！4.双重聚类cluster咋做? 线性, logit, tobit可以双聚类吗? 5.聚类标准误精辟解释, 保证你一辈子都忘不了！6.4位计量领域大佬在TOP5上为聚类标准误问题提供了实证建议！7.完整解读TOP5刊的"什么时候和如何对标准误做聚类调整?" 4位计量大佬的合作！ 一些讨论，1.七大常见计量问题讨论汇总, 涉及控制,异质,机制,DID,DDD,调节,固定,平行,安慰等，2.关于双重差分DID政策评估中的控制变量选取标准？3.在平行趋势检验中对政策前后系列年份进行缩尾处理？4.使用异方差稳健而不是聚类稳健标准误, 在固定效应模型中能接受吗？5.平行趋势通不过, 该采取什么方法来更好地满足平行趋势呢？6.QA: 基尼太美, 农业数据, 机制检验, 组间差异, 博士论文创新, 控制函数, FM回归 7.审稿人: 你2SLS-IV回归中为啥R方是负数呢？
下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。
7年，计量经济圈近2000篇不重类计量文章，
可直接在公众号菜单栏搜索任何计量相关问题,
Econometrics Circle
