Том 28, № 1 (2024)

Обложка

Весь выпуск

Статьи

Вклад человеческого капитала в рост российской экономики

Авдеева Д.А.

Аннотация

Человеческий капитал, включающий знания, навыки и способности работников, является одним из ключевых факторов экономического роста. Вместе с тем количественные оценки его вклада в рост российской экономики немногочисленны и имеют различные ограничения, связанные с используемыми подходами и данными. В настоящей работе были получены новые оценки вклада человеческого капитала, отражающие его влияние на производительность труда. Для оценки динамики человеческого капитала использован индекс, характеризующий продолжительность полученного образования и состояние здоровья работников. Возможность включения в индекс других показателей человеческого капитала ограничена доступностью и качеством данных. Для оценки вклада человеческого капитала использованы счета экономического роста. Согласно полученным результатам, в 2004–2017 гг. накопление человеческого капитала обеспечивало в среднем порядка +0,6 п.п. ежегодного роста экономики. Наиболее высокие вклады пришлись на вторую половину 2000-х годов. В этот период накоплению человеческого капитала способствовал ряд благоприятных факторов, среди которых предшествующий рост доходов населения и многочисленность выходивших на рынок труда молодых и образованных поколений. Однако в 2010-е годы экономические и демографические факторы ухудшились, накопление человеческого капитала замедлилось, и к 2018–2019 гг. его вклад в экономический рост приблизился к нулевому. Последовавшее за этим ухудшение здоровья населения в период коронакризиса негативно отразилось на темпах экономического роста в 2020–2021 гг.

Экономический журнал Высшей школы экономики. 2024;28(1):9-43
pages 9-43 views

Имитационный анализ OLG-модели с гетерогенными предпочтениями и способностями к обучению

Шпилевая А.Е., Полбин А.В., Синельников-Мурылев С.Г.

Аннотация

Данная публикация является продолжением статьи[1] соавторов, посвященной разработке OLG-модели с сектором высшего образования для репрезентативной страны, где сдается единый государственный экзамен. Ключевыми предпосылками модели, отличающими ее от ряда других, являются гетерогенность индивидов по параметру несклонности к риску, коэффициенту дисконтирования и набираемым баллам ЕГЭ. На основе предложенной модели можно исследовать реакцию ключевых макроэкономических показателей, таких как потребление, инвестиции, государственные расходы и выпуск в ответ на различные меры государственной политики в области высшего образования. В этой части работы проводится численное имитационное моделирование на основе спецификации, предложенной авторами в предыдущей статье. В работе анализируются различные сценарии государственной политики, направленные на стимулирование накопления человеческого капитала. Рассматриваются сценарии с выделением государством дополнительных денежных средств на высшее образование, иным распределением бюджетных ассигнований, изменением налоговых ставок и структуры бюджета. Также мы анализируем реакцию переменных на изменение дисперсии заработных плат индивидов. Калибровка модели проводится с использованием российских статистических данных. С помощью предлагаемой модели мы показываем важность учета микрооснований в анализе образовательной политики. Анализ на устойчивость оценок на примере калибровки распределений гетерогенных параметров из альтернативных распределений показал сильную чувствительность результатов исследования к выбору параметров функций распределения предпочтений и способностей индивидов, что указывает на необходимость корректного учета гетерогенности в рассматриваемых задачах. Без корректного учета гетерогенности в рассматриваемых задачах никакие оценки сценариев изменения образовательной политики не могут быть адекватными.

 

[1] См.: Экономический журнал ВШЭ, т. 27, № 3, с. 449–469.

Экономический журнал Высшей школы экономики. 2024;28(1):44-80
pages 44-80 views

Прогнозирование региональной инфляции: эконометрические модели или методы машинного обучения?

Букина Т.В., Кашин Д.В.

Аннотация

В статье строится прогноз региональной инфляции на примере субъектов, входящих в Приволжский федеральный округ (ПФО). Цель исследования – определить модель, которая точнее остальных прогнозирует региональную инфляцию. В работе производится сравнение инструментов машинного обучения – метода опорных векторов, градиентного бустинга и случайного леса с эконометрическими моделями временных рядов, авторегрессией и интегрированной авторегрессией-скользящего среднего, – моделями, которые чаще используются для прогнозирования общероссийской инфляции. По результатам исследования выявлены ключевые макроэкономические показатели, наиболее существенно влияющие на региональную инфляцию. В тройку таких для каждого региона ПФО входит значение инфляции в прошлом месяце, среднее значение инфляции и номер месяца. Показано, что модели машинного обучения не хуже справляются с задачей прогнозирования региональной инфляции на длительных временных периодах, в то время как эконометрические модели достаточно точно прогнозируют на краткосрочных временных горизонтах.

Экономический журнал Высшей школы экономики. 2024;28(1):81-107
pages 81-107 views

Временной риск-профиль опционов

Потапов А.И.

Аннотация

Оценка риска опционов в целях маржирования определяется на биржах с использованием коэффициентов чувствительности или фиксированных сценариев изменения риск-параметров. Подобные методы не могут точно оценить риск, так как не учитывают зависимость риска опционов от времени до исполнения. Эту зависимость необходимо принимать в расчет при моделировании ввиду изменчивости коэффициентов чувствительности с течением времени до исполнения и временной структуры риск-факторов. В работе осуществлена оценка влияния на риск опционов времени до исполнения и риск-параметров, обладающих зависимостью от времени: подразумеваемая волатильность, структура подразумеваемой волатильности и риск-премия за волатильность. Было доказано существование значимого тренда на возрастание оценки риска по мере приближения опциона к дате исполнения. При том возрастает не только средняя оценка риска, но и ее дисперсия. Для опционов со страйком, отличным от стоимости базового актива, тренд становится менее выраженным и точность оценки снижается по мере отдаления от центрального страйка. Но при равенстве страйка и стоимости базового актива тренд описывает динамику риска почти полностью. Было выявлено, что существует зависимость риска опциона от структуры подразумеваемой волатильности: относительное смещение волатильности значимо снижает уровень риска на центральном страйке, а расстояние смещения – повышает уровень риска. Важно отметить, что подразумеваемая волатильность хоть и фактически описывает волатильность стоимости опционов, но не влияет на уровень риска опционов. Риск-премия за волатильность является значимым фактором для описания риска опционов, но только для случаев парной регрессии.

Экономический журнал Высшей школы экономики. 2024;28(1):108-132
pages 108-132 views

Сравнительный анализ моделей машинного обучения для прогнозирования спроса на деньги в экономике Индии

Сикхвал Ш., Сен Ш.

Аннотация

В исследовании изучается прогностическая эффективность различных методологий машинного обучения, включая регрессию случайного леса (RF), градиентное усиление (GB), экстремальное градиентное усиление (XGBoost), регрессию опорных векторов (SVR), регрессию наименьшего абсолютного сокращения и оператора выбора (LASSO) и метод глубокого обучения, в частности, долгосрочную краткосрочную память (LSTM). В качестве эталонного метода используется модель авторегрессии (AR) первого порядка. С акцентом на прогнозирование спроса на деньги для экономики Индии, важнейшего компонента для достижения цели таргетирования инфляции Центральным банком Индии, используется полный ежемесячный набор данных с 1997 по 2021 год.

Полученные результаты подчеркивают надежные прогностические возможности используемых моделей в отношении как узких, так и широких прогнозов спроса на деньги. Используя ряд оценочных показателей, исследование строго сравнивает прогностическую эффективность этих моделей. Используя перекрестную проверку расширяющегося окна с разделением временных рядов, модели подвергаются перекрестной проверке для обеспечения точных прогнозов денежных агрегатов. Кроме того, тест Диболда – Мариано используется для оценки и сравнения качества прогнозов.

В частности, исследование обнаруживает превосходство LSTM и LASSO в прогностических возможностях для узкого и широкого спроса на деньги соответственно. Эти результаты в совокупности способствуют улучшению понимания прогнозирования спроса на деньги, тем самым облегчая принятие обоснованных решений в сфере денежно-кредитной политики.

Экономический журнал Высшей школы экономики. 2024;28(1):133-158
pages 133-158 views

Раскрывая секреты: частные инвестиции и значительная эволюция экономики Вьетнама

Ан Д.

Аннотация

В последние годы экономика Вьетнама достигла значительных успехов, причем частные инвестиции сыграли решающую роль в этом вкладе. По мере того, как страна вступила в ХХI век, значимость частного сектора в экономическом развитии Вьетнама становилась все более очевидной благодаря росту уровня инвестиций, росту занятости, увеличению взносов в государственный бюджет и общему росту ВВП. Целью данной статьи является предоставление надежных доказательств краткосрочного и долгосрочного вклада частных инвестиций в значительный экономический рост Вьетнама с 2000 по 2022 год. В исследовании собраны данные из всех 63 провинций и муниципалитетов Вьетнама за период с 2000 по 2022 годы. На основе собранных данных исследование использовало результаты модели средней группы панели (PMG), выбранной из трех моделей (PMG, MG, DFE) с помощью тестирования Хаусмана. С помощью динамической пороговой модели панели исследование точно определило максимальное пороговое отношение частных инвестиций к ВВП на уровне 32,2754%. Превышение этого отношения привело бы к ситуации высокой инфляции, перегрева экономики и превышения пределов производства. Наконец, причинно-следственный вывод из данных панели использовался для анализа связи между частными инвестициями и другими переменными в модели. Исследование расширило перспективу влияния частных инвестиций на экономический рост. В начальный период частная инвестиционная деятельность столкнулась с трудностями, что привело к неэффективным инвестициям и отрицательному влиянию на экономический рост. Однако, благодаря гибкости и хорошей адаптации к рынку, а также эффективному использованию факторов ввода, частные инвестиции со временем внесли положительный вклад в экономическое развитие. Кроме того, посредством проверки причинно-следственных связей исследование продемонстрировало причинно-следственную связь между частными инвестициями и инвестициями в инфраструктуру, человеческим капиталом, занятостью, государственными расходами и открытостью торговли. Наконец, исследование предложило политические последствия для правительства Вьетнама для повышения эффективности частных инвестиций и дальнейшего содействия экономическому росту.

Экономический журнал Высшей школы экономики. 2024;28(1):159-183
pages 159-183 views

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».