評估美國《國防生產法》對企業能源使用的影響──機器學習與差異中差異法分析

Evaluating the Impact of the United States’Defense Production Act on Firm Energy Usage: A Machine Learning and DiD Analysis

美國在2020美國在2020年援引的《國防生產法》，不僅加速了醫療設備的生產，也促進了製造業廠商能源使用量的下降。本研究使用機器學習方法，透過企業財務資料來估計能源使用量。接著，透過比較美國與加拿大的能源使用情況，以差異中差異方法評估《國防生產法》的政策效果。研究結果顯示，在《國防生產法》實施後，美國製造業中廠商的能源使用量平均下降約27%。然而，這一減少同時伴隨廠商間能源扭曲的惡化，對製造業生產力造成負面影響。年援引的《國防生產法》，不僅加速了醫療設備的生產，也促進了製造業廠商能源使用量的下降。本研究使用機器學習方法，透過企業財務資料來估計能源使用量。接著，透過比較美國與加拿大的能源使用情況，以差異中差異方法評估《國防生產法》的政策效果。研究結果顯示，在《國防生產法》實施後，美國製造業中廠商的能源使用量平均下降約27%。然而，這一減少同時伴隨廠商間能源扭曲的惡化，對製造業生產力造成負面影響。

The Defense Production Act (DPA), invoked in the United States in 2020, accelerated the production of medical equipment and contributed to reducing energy usage in the manufacturing sector. In this study, we use a machine learning method to estimate the energy usage of firms and apply a difference-in-differences (DiD) approach with firm-level data to measure the policy effects by comparing energy usage between the United States and Canada. The results suggest that, following the implementation of the DPA, firm-level energy usage in the U.S. manufacturing sector declined by about 27%. However, this reduction was accompanied by a worsening of energy distortions across firms, which negatively affected productivity in the manufacturing sector.