В статье рассматриваются последние тенденции в динамике доли оплаты труда в ВВП в странах с высоким и средним уровнем дохода, а также взаимосвязь с неравенством в распределении доходов. Растущее беспокойство по поводу роста неравенства из-за COVID-19 во всем мире объясняет необходимость исследований в этой области. В работе исследуются глобальные статистические свойства (стационарность, наличие детерминированного или стохастического тренда) панельных данных, а также отдельных временных рядов, отражающих долю оплаты труда в ВВП для ряда стран. Для оценки параметров тренда использована модель авторегрессии со структурным сдвигом и фиксированными индивидуальными эффектами для панельных данных. Выявлено, что для стран с высокой долей оплаты труда в ВВП характерен негативный тренд в период 1990–2010 гг., который сменился слабым положительным трендом. Вместе с тем для отдельных стран с низкой долей оплаты труда в ВВП негативные тенденции усилились после глобального экономического кризиса 2008–2009 гг. Для группы стран, где доля оплаты труда составляет в среднем от 42 до 56% ВВП, гипотеза о наличии тренда не подтвердилась. Наши результаты подтверждают актуальность негативных тенденций, вызванных в период 1990–2010 гг. такими общими факторами, как технологические изменения и глобализация, и указывают на разнонаправленные тенденции в последующее за глобальным кризисом десятилетие.
Идентификаторы и классификаторы
Проблема экономического неравенства, т. е. различий между странами мира в темпах роста ВВП и изменении их доли в мировом ВВП, различий по показателю ВВП на душу населения, а также в уровне благосостояния между разными группами населения, включая диспропорции в распределении дохода, получаемого с факторов производства — труда и капитала, — постоянно находится в центре внимания ученых-экономистов. При этом исследователи отмечают, что благодаря ускоренному экономическому росту в Китае и других быстрорастущих экономиках, главным образом в странах Азии, неравенство доходов между странами за последние 25 лет сократилось. Но, несмотря на то что в среднем доходы в развивающихся странах растут более быстрыми темпами, чем в развитых, разрыв в ВВП на душу населения между странами с высоким и средним уровнем дохода по-прежнему велик (Матюшок, Балашова, 2021). Такие глобальные кризисы, как финансовый кризис 2008–2009 гг. или пандемия COVID-19, несколько сглаживают картину и сокращают этот разрыв. Тем не менее, этот разрыв может снова увеличиться, когда страны с высоким уровнем дохода оправятся от кризиса, вызванного пандемией.
Список литературы
1. Анисимова Г.В. (2013). Неравенство и экономический рост в глобализационной экономике // Экономика и предпринимательство. № 2 (31). С. 62-68. EDN: OGEVAI
2. Варшавский А.Е. (2007). Замедление распространения инноваций и перехода к обществу знаний при росте экономического неравенства // Концепции. № 2 (19). С. 3-36. EDN: TPAZZP
3. Варшавский А.Е. (2019). Чрезмерное неравенство доходов - проблемы и угрозы для России // Социологические исследования. № 8. С. 52-61. DOI: 10.31857/S013216250006136-2 EDN: ZADOSI
4. Варшавский А.Е. (2021). Об актуальных проблемах экономического развития, неравенстве и его влиянии на нашу жизнь // Анализ и моделирование экономических и социальных процессов: математика, компьютер, образование. № 28. С. 22-37. DOI: 10.20537/mce2021econ02 EDN: GFOXZA
5. Варшавский А.Е. (2022). Модель для анализа неравенства доходов на основе конечной функциональной последовательности (проблемы адекватности и применения) // Модели экономических и социальных систем. № 14 (3). С. 521-523. DOI: 10.20537/2076-7633-2022-14-3-675-689
6. Канторович Г.Г. (2002). Анализ временных рядов // Экономический журнал ВШЭ. № 3. С. 379-401. EDN: ZEKPZR
7. Ларин С.Н., Хрусталев Е.Ю., Новак Н.В. (2020). Трансформация структуры интеллектуального капитала и рост значимости его составляющих - человеческого капитала и интеллектуальной собственности - в современной экономике // Национальные интересы: приоритеты и безопасность. Т. 16. № 4. С. 745-758. DOI: 10.24891/ni.16.4.745 EDN: MSXWEQ
8. Матюшок В.М., Балашова С.А. (2021). Неравенство мирового развития как глобальный вызов: модели “ответа” // Мир новой экономики. № 15 (4). С. 74-87. DOI: 10.26794/2220-6469-2021-15-4-74-87 EDN: JABVXD
9. Матюшок В.М., Красавина В.А., Матюшок С.В. (2020). Мировой рынок систем и технологий искусственного интеллекта: становление и тенденции развития // Вестник РУДН. Серия: Экономика. Т. 28. № 3. С. 505-521. DOI: 10.22363/2313-2319-2020-28-3-505-521 EDN: RPMMCE
10. Пикетти Т. (2015). Капитал в XXI веке. Пер. с фр. А.Л. Дунаев, науч. ред. пер. А.Ю. Володин. М.: Ад Маргинем Пресс. 592 с.
11. Римашевская Н.М. (2005). О проблеме преодоления бедности и неравенства // Экономическая наука современной России. № 3. С. 46-51. EDN: KASBXH
12. Скороботов А. (2016). Тестирование наличия единичных корней в панельных данных при однородной альтернативе // Научный вестник ИЭП им. Гайдара.ру (Эл. журнал). № 11. С. 39-46.
13. Скороботов А. (2017). Тестирование наличия единичных корней в панельных данных против неоднородной альтернативы с приложением к региональным индексам потребительских цен РФ // Российское предпринимательство. Т. 18. № 2. С. 175-184. DOI: 10.18334/rp.18.2.37274 EDN: ZIUSLH
14. Хрусталев Е.Ю., Баранова Н.М. (2013). Интеллектуальные семантические модели для повышения качества образовательных и научно-исследовательских процессов // Экономический анализ: теория и практика. № 35. С. 2-10. EDN: RBLIYD
15. Шевяков А.Н. (2005). Социальное неравенство, бедность и экономический рост // Общество и экономика. № 3. С.5-18. EDN: OXGIPX
16. Шевяков А.Н. (2010). Социальное неравеcтво: тормоз экономического и демографического роста // Уровень жизни населения регионов России. № 5 (147). С. 38-52.
17. Acemoglu D. (2003). Labor- and capital augmenting technical change. J. of the European Economic Association, 1 (1), 1-37. DOI: 10.1162/154-247603322256756
18. Alvaredo F., Chancel L., Piketty T., Saez E., Zucman G. (2018). World inequality report 2018. Available at: https://wir2018.wid.world.
19. Aum S., Shin Y. (2020). Why is the labor share declining? Federal Reserve Bank of St. Louis Review, 102 (4), 413-428. DOI: 10.20955/r.102.413-28 EDN: QXREZK
20. Bai J., Ng S. (2004). A panic attack on unit roots and cointegration. Econometrica, 72 (4), 1127-1177. DOI: 10.1111/j.1468-0262.2004.00528.x
21. Balashova S. (2022). Recent trends in personal income and the impact of Covid-19: Case of Russia. Chap. 22. In: A.P. Duarte, S. Redzepagic, F. Murta (eds.). The European integration process: Crisis and resilience in the aftermath of the Covid-19 pandemic. Imprensa da Universidade de Coimbra, 391-407. DOI: 10.14195/978-989-26-2364-1
22. Breitung J., Pesaran M.H. (2008). Unit roots and cointegration in panels. Advanced Studies in Theoretical and Applied Econometrics, 46 (1565), 279-322. DOI: 10.1007/978-3-540-75892-1_9
23. Dabla-Norris E., Kochhar K., Suphaphiphat N., Ricka F., Tsounta E. (2015). Causes and consequences of income inequality: A global perspective. IMF Staff Discussion Notes, 15 (13), 1. DOI: 10.5089/9781513555188.006
24. Dickey D.A., Fuller W.A. (1981). Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica, 49 (4), 1057. DOI: 10.2307/1912517
25. Im K.S., Pesaran M.H., Shin Y. (2003). Testing for unit roots in heterogeneous panels. Journal of Econometrics, 115 (1), 53-74. 10.1016/S0304-4076 (03)00092-7. DOI: 10.1016/S0304-4076(03)00092-7 EDN: DZXMBN
26. Jones C.I., Romer P.M. (2009). The new Kaldor facts: Ideas, institutions, population, and human capital. American Economic Journal: Macroeconomics, 2 (1), 224-245. DOI: 10.1017/CBO9781107415324.004
27. Kaldor N. (1961). Capital accumulation and economic growth. In: D.C. Hague (ed.). The theory of capital. London: Palgrave Macmillan, 177-222. DOI: 10.1007/978-1-349-08452-4_10
28. Krugman P. (2014). Wealth over work. The New York Times, March. Available at: https://www.nytimes.com/2014/03/24/opinion/krugman-wealth-over-work.html.
29. Levin A., Lin C.-F., James Chu C.-S. (2002). Unit root tests in panel data: Asymptotic and finite-sample properties. Journal of Econometrics, 108 (1), 1-24. 10.1016/S0304-4076 (01)00098-7. DOI: 10.1016/S0304-4076(01)00098-7 EDN: DZYDPH
30. Manyika J., Mischke J., Bughin J., Woetzel J., Krishnan M., Cudre S. (2019). A new look at the declining labor share of income in the United States. McKinsey Global Institute Discussion Paper, 1-61. Available at: www.mckinsey.com/mgi.
31. OECD (2015). The labour share in G20 economies. Report prepared for the G20 employment working group. Antalya, Turkey, 26-27 February 2015.
32. Piketty T. (2014). Le Capital au XXIe siècle; in English: Piketty T. (2014). Capital in the twenty first century. Cambridge: Harvard University Press.
33. Piketty T. (2019). Capital et idéologie. PSE-Ecole d’économie de Paris. (Postprint) halshs-02301306, HAL.
34. Stiglitz J.E. (2013). The price of inequality: How today’s divided society endangers our future. 1st ed. New York: W.W. Norton & Company, Inc.
35. Tugcu C.T. (2018). Panel data analysis in the energy-growth nexus (EGN). The economics and econometrics of the energy-growth nexus. Amsterdam: Elsevier Inc., 255-271. DOI: 10.1016/B978-0-12-812746-9.00008-0
36. Wooldridge J.M. (2010). Econometric analysis of cross section and panel data. 2nd ed. Cambridge: The MIT Press.
Выпуск
Другие статьи выпуска
Авторы анализируют основные положения книги «Мезоэкономика России: стратегия разбега» (М., 2022, под редакцией Г. Б. Клейнера). Книга, подготовленная коллективом известных ученых ЦЭМИ РАН и их коллегами, является третьей в цикле книг, опубликованных под редакцией Г. Б. Клейнера, и продолжает размышления, начатые в монографиях «Мезоэкономика переходного периода: рынки, отрасли, предприятия» (М., 2001) и «Мезоэкономика развития» (М., 2011). Эти книги, объединенные целостным замыслом, дают системное видение особого, мезоэкономического уровня современной экономики вообще и российской экономики, в особенности. В статье позитивно оцениваются аргументы авторов новой книги, доказывающих обоснованность выделения мезоэкономики - особого экономического подпространства, лежащего между микро- и макроэкономическими уровнями. Особое внимание авторы «размышлений» уделяют методологическим и теоретическим вопросам рецензируемой монографии. В частности, подчеркивается, что современный уровень развития технологий, характеризующийся господством 4 и 5 укладов и начавшегося перехода к 6 технологическому укладу, а также система отношений позднего капитализма, предполагающая появление пострыночных и посткапиталистических отношений, объективно формируют особые воспроизводственные отношения на уровне отраслевых, межотраслевых и региональных комплексов. В статье выделяются значимые результаты анализа авторами монографии отраслевых и региональных комплексов России, в частности, таких как сфера высоких технологий, нефтегазовый комплекс, электроэнергетика, аграрный сектор и другие. Авторы рецензии, высоко оценивая книгу, вместе с тем отмечают спорные и дискуссионные вопросы монографии, указывая, в частности, на то, что при анализе ряда вопросов в ней утрачивается акцент на собственно мезоэкономическом подпространстве экономики.
Метод пометок (метод Дейкстры) предназначен для решения задачи поиска кратчайшего пути между двумя вершинами в графе с заданными длинами ребер. Если каждое ребро графа характеризуется не одной, а несколькими характеристиками, например, временем и стоимостью проезда по ребру, возникает задача многокритериальной оптимизации, в которой требуется построить оптимальный по Парето путь с учетом предпочтений лица, принимающего решения (ЛПР). В 2020 г. А. М. Беловой и А. А. Заславским был предложен один из возможных способов к решению этой задачи, основанный на оптимизации одного из критериев при заданных ЛПР ограничениях на остальные критерии. В данной работе описывваются результаты вычислительных экспериментов, проведенных для проверки эффективности предложенного алгоритма.
Рассматривается алгоритм для реализации адаптивного поведения агентов в агент-ориентированных моделях (АОМ). Предполагается, что агент обладает некоторой внутренней параметрической моделью окружающего мира, которая порождает функцию правдоподобия для получаемой агентом информации об окружающем мире. Процесс адаптивного обучения агента за счет изменения параметров представлен в виде фильтрации в общей модели пространства состояний. В статье описан алгоритм SQ-фильтра, в котором используется линейная гауссовская плотность перехода и квадратичное по параметрам приближение для логарифмической функции правдоподобия. Данный алгоритм является модификацией классического фильтра Калмана. Он приложен к линейной регрессии с меняющимися параметрами. При поступлении агенту новой информации оценки параметров, в число которых входят как коэффициенты регрессии, так и дисперсия ошибки, корректируются оценки параметровадаптивным образом с учетом возможных выбросов. Работоспособность предложенной адаптивной регрессии проверена на двух экономических АОМ. Алгоритм показал хорошие результаты как в модели искусственного фондового рынка при предсказании агентами-трейдерами рыночной цены, так и в модели российской экономики при предсказании фирмами спроса на свою продукцию. С его помощью можно наделять агентов правдоподобным поведением без использования чрезмерно сложных расчетов.
В статье рассматриваются подходы к оптимизации запасов в цепях поставок крупных промышленных компаний. Актуальность данного вопроса касается в первую очередь поставок наиболее дорогих категорий материальных ресурсов, при расчете размера заказа которых необходимо дополнительно учитывать потери от иммобилизации оборотного капитала (альтернативные издержки). В практике отечественных и зарубежных компаний получили широкое применение модификации формулы оптимального размера заказа, с помощью которых компании достигают экономического компромисса между уровнем доступности запасов на складе и затратами на их закупку и содержание. При этом величина потерь от иммобилизации в некоторых случаях может существенно влиять на уровни складских запасов компании, а значит — и на потребность в таких объектах логистической инфраструктуры, как складские помещения, подъемно-транспортное оборудование и пр. На сегодняшний день единая методика оценки потерь от иммобилизации оборотного капитала в запасах отсутствует, что обусловлено спецификой деятельности компаний, относящихся к разным отраслям промышленности и видам бизнеса. В связи с чем существенно отличаются подходы к выбору ставок для определения суммы таких потерь и оценки их влияния на эффективность деятельности компаний. Корректный учет альтернативных издержек может быть использован при разработке диверсифицированных подходов к планированию потребности в складских запасах, который позволит, с одной стороны, максимально удовлетворять заказы внутренних и внешних клиентов, а с другой — не допускать формирования избыточных запасов. Поэтому вопрос разработки отраслевых методик оценки финансовых потерь при работе с запасами материальных ресурсов является актуальным.
При оценке нефинансовых активов обычно не учитывается возможность их досрочной продажи (до окончания срока службы). Такая продажа актива предусматривает определенное время на его экспозицию. Предлагается модель для оценки рыночной стоимости актива с учетом указанных обстоятельств, основанная на методе дисконтирования денежных потоков. Выгоды (денежные потоки), генерируемые активом при использовании его по назначению в предстоящий период, предполагаются известными. В модели принимается, что досрочная продажа обусловлена выявлением (реальных или предполагаемых) угроз локального характера, т. е. относящихся только к конкретному активу и его владельцу. Момент выявления угрозы и длительность последующей экспозиции актива рассматриваются как случайные величины. Полученные формулы позволяют учесть также влияние инфляции, устранимых отказов актива и изменение его стоимости в период экспозиции
В работе предлагаются специальные методы статистического подхода к анализу региональных межотраслевых взаимосвязей. В качестве реальной системы, по статистическим данным которой проводятся все количественные расчеты, рассматривается Российская Федерация без трех самых больших административных единиц (Москвы, Санкт-Петербурга, Московской области). В отличие от материальных связей модели Леонтьева анализируются информационно-статистические связи между отраслями. Для этого используются понятия энтропии и информации с целью выявления особенностей взаимодействия между шестью производственными отраслями и шестью информационными секторами экономики. Эти взаимодействия рассматриваются с позиций закона необходимого разнообразия, а сложность по Колмогорову, которой в работе придается особое значение и которая оценивается энтропией распределения показателей выпуска региональных подсистем. Вводятся понятия и произведена количественная оценка сложности регионов и отраслей. Структура информационных связей между показателями экономической системы находится как с помощью регрессионного анализа, так и на основе предлагаемых коэффициентов информативности. Особенно подчеркивается роль условных энтропий при статистическом анализе межотраслевых взаимодействий. Структуры взаимодействия представлены в виде соответствующих графов связи. Обосновывается, что рассчитанные коэффициенты информативности и условные энтропии дают возможность сделать качественный анализ и прогноз. Произведенные расчеты по статистическим данным показали, что в регионах с преобладанием энтропии управления над энтропией производства выпуск на одного занятого существенно выше. На основании общего рассмотрения региональных энтропий представляется целесообразным рекомендовать регионам России повысить сложность отраслей связи и научно-профессиональной деятельности хотя бы до уровня сложности отрасли обрабатывающего производства.
Повышение экономической сложности региона может способствовать повышению уровня материального благосостояния населения, поэтому ее рост следует рассматривать как один из критериев оценки решений, способствующих диверсификации. Увеличение объема производства одного сектора в регионе может приводить к изменению структуры сильных секторов его экономики и оценки его экономической сложности. Важно учитывать, что при этом могут изменяться структуры сильных секторов других регионов. В работе представлены условия, при выполнении которых происходят такие изменения. Проведен сравнительный анализ траекторий оценок экономической сложности регионов, построенных на основе двух подходов: 1) выбор сектора или вида экономической деятельности в регионе для развития до уровня сильного, который обеспечивает максимальный рост экономической сложности региона; 2) выбор сектора или вида экономической деятельности, который имеет самую высокую оценку экономической сложности. Траектории оценок экономической сложности регионов, построенные двумя разными способами, целесообразно рассматривать в качестве альтернатив для сравнения с траекториями, полученными на основе экспертного выбора направления диверсификации. Представлены результаты регрессионного анализа, указывающие на возможность прогнозирования оценок экономической сложности регионов по секторам с использованием оценок экономической сложности регионов по видам экономической деятельности, первой и второй главных компонент структуры экономики по видам экономической деятельности.
Цель предлагаемой статьи — обосновать применение авторского подхода и методологии, основанных на сочетании технологий машинного обучения и построения направленных графов с их последующей кластеризацией для системного изучения количественных и качественных характеристик рынка государственных закупок и поведения агентов этого рынка. В результате проведенного исследования выделены благодаря инновационному подходу к исследованию, основанному на сочетании технологий машинного обучения и теории сетей и графов, ранее неучтенные региональные и отраслевые факторы, влияющие на взаимоотношения агентов рынка государственных закупок. Систематизированы модели взаимоотношений на этом рынке в авторской трактовке, интегрирующей макроэкономическую ситуацию на рынке и маркетинговые стратегии игроков рынка. Выявлены такие устойчивые шаблоны поведения агентов рынка государственных закупок, как «изоляция», «консерватизм», «мобильность», и обосновано, что изолированное или консервативное поведение игроков рынка повышает вероятность возникновения коррупционных сговоров. Все вышеперечисленное не было системно изучено ранее и имеет научную новизну и высокую практическую значимость. Проведенные исследования способствовали приращению научного знания в прикладном применении теории сетей и графов, в вопросах государственного регулирования экономики, противодействия монополизации рынков и повышении конкуренции. Практические результаты работы связаны с формированием рекомендаций российским органам власти – регуляторам рынка государственных закупок и участникам торгов по выбору эффективных стратегий поведения на рынке.
Несмотря на высокую степень разработанности математического аппарата микроэкономической теории, недостаточное внимание в литературе уделено моделированию поведения экономических секторов под воздействием внешних шоков с учетом их межсекторальных связей. В частности, речь идет об исследовании ценовой политики отраслей, которая оказывает непосредственное влияние на величину спроса, выпуск и маржинальность. В связи с этим целью данной работы является анализ изменения величин добавленной стоимости отраслей в условиях экономических шоков. Для достижения поставленной цели авторами разработана методика моделирования поведения экономических агентов в части их ценовой политики. Эта методика основана на введении функций спроса на конечное потребление в методологию межотраслевого баланса. С помощью предложенной методики исследуется динамика цен на продукцию с учетом межсекторальной зависимости, а также ее влияние на объем производства, добавленную стоимость, маржинальность и объем выпуска каждого сектора. В модель ценообразования также были включены отрасли, не производящие продукцию для конечного потребителя. Предлагаемая методика апробировалась на примере трех секторов и дала следующие ключевые результаты. Маржинальность отраслей, не производящих продукцию для конечного потребителя, не зависит от параметров функций спроса на конечную продукцию. На маржинальность таких отраслей влияет только структура промежуточного потребления. Слишком высокий уровень технологической зависимости отраслей от промежуточной отрасли так же невыгоден для нее, как и слишком низкий. Результаты данной работы могут быть полезны для планирования государственных инвестиций и оценки их влияния на ключевые отрасли экономики.
Статья посвящена оценке уровня различных видов доверия в современном российском обществе. Исследование проведено на основе социологического опроса. Актуальность работы обусловлена значительной ролью доверия в определении потенциала устойчивости и адаптивности социально-экономической системы к шокам. Целью исследования является анализ уровня четырех видов доверия: межличностного, генерализированного, институционального и политического - в современном российском обществе и изучение взаимосвязей между ними. Авторами были проанализированы ответы респондентов на четыре группы вопросов и проведены измерения соответствующих видов доверия; сделаны выводы о наличии или отсутствии общей тенденции в распределении ответов. Было выявлено, что в рамках исследуемой выборки высокий уровень межличностного доверия, продемонстрированный респондентами, сочетается со сравнительно низким уровнем генерализированного доверия и низким уровнем политического и институционального доверия. Также были сделаны предположения относительно факторов, оказавших влияние на восприятие респондентами вопросов разного типа и, соответственно, на распределение полученных ответов. Наконец, авторами были сделаны выводы содержательного и технического рода о результатах проведенного социологического опроса. Проведенное исследование не дает оснований для формулировки окончательных выводов об уровне различных видов доверия в российском обществе. Однако оно наглядно демонстрирует значимую дифференциацию этих уровней, а также противоречия в оценке респондентами гипотетических и реальных жизненных ситуаций.
Издательство
- Издательство
- ЦЭМИ РАН
- Регион
- Россия, Москва
- Почтовый адрес
- 117418, Москва, Нахимовский пр, 47
- Юр. адрес
- 117418, Москва, Нахимовский пр, 47
- ФИО
- Альберт Рауфович БАХТИЗИН (Директор)
- E-mail адрес
- albert.bakhtizin@gmail.com
- Контактный телефон
- +7 (499) 1290822