Since the 1980s asset pricing in the traditional neoclassical paradigm has been confronting empirical evidence contradicting both the predictions of the models as well as their microfoundations. Simultaneously, the market microstructure literature started probing the details of the trading process, turning the spotlight onto the effects of asymmetric information, clearing mechanisms and agents’ learning and belief formation. These details, which were “abstracted away” in the earlier models, are becoming ever more important as the complexity of markets grows due to proliferation of algorithmic and high frequency trading and markets turn into ecologies of strategic, but not necessarily perfectly rational, co-evolving agents. In this review article I argue that the paradigms of agent-based and evolutionary finance are ideally suited to handle the modelling of markets as these complex ecologies. I review the most prominent contributions of evolutionary and agent-based modelling to asset pricing, specifically, categorizing them into three main streams: the research on the effects of institutional details of the markets, the research on the effects of agent heterogeneity, and the research of market selection. Furthermore, I argue that further progress can be made by combining the evolutionary and agent-based paradigms and highlight research questions for which such a mixed-method approach is likely to be the most fruitful.
Идентификаторы и классификаторы
- SCI
- Экономика
The neoclassical paradigm in finance, based on perfectly optimizing representative agents, frictionless markets, and symmetric and instantly available information has been facing challenges posed by contradictory empirical evidence since at least the 1980s. Shiller pointed out that most of the observed volatility of stock prices could not be explained by fundamental value indicators used in theoretical models, such as changes in dividends, real interest rates, or a direct measure of intertemporal marginal rates of substitution (Shiller, 1987). M. Reinganum and R. Thaler reported the small-firm effect 2 and the January effect 3, respectively (Reinganum, 1980, 1981; Thaler, 1987), challenging Eugene Fama’s efficient market hypothesis (Fama, 1965).
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
Список литературы
1. Akçay E., Hirshleifer D. (2021). Social finance as cultural evolution, transmission bias, and market dynamics. Proceedings of the National Academy of Sciences, 118 (26), e2015568118.
2. Alfarano S., Lux T., Wagner F. (2008). Time variation of higher moments in a financial market with heterogeneous agents: An analytical approach. Journal of Economic Dynamics and Control, 32 (1), 101-136.
3. Alfarano S., Milakovic M. (2009).Network structure and N-dependence in agent-based herding models. Journal of Economic Dynamics and Control, 33 (1), 78-92.
4. Amihud Y., Mendelson H., Wood R. (1990). Liquidity and the 1987 stock market crash. Journal of Portfolio Management, 16 (3), 65-69.
5. Amir R., Evstigneev I.V., Hens T., Potapova V., Schenk-Hoppé K.R. (2021). Evolution in pecu-nia. Proceedings of the National Academy of Sciences, 118 (26), e2016514118. EDN: GXVMWT
6. Amir R., Evstigneev I.V., Hens T., Schenk-Hoppé K.R. (2005). Market selection and survival of investment strategies. Journal of Mathematical Economics, 41 (1-2), 105-122.
7. Arthur W.B., Holland J.H., LeBaron B., Palmer R., Tayler P. (2018). Asset pricing under endogenous expectations in an artificial stock market. In: The economy as an evolving complex system II, 15-44.
8. Boca Raton: CRC Press. Aumann R.J. (1976). Agreeing to disagree. The Annals of Statistics, 4 (6), 1236-1239.
9. Axtell R. L., Farmer J. D. (2022). Agent-based modeling in economics and finance: Past, present, and future. INETOxford WorkingPaper, no. 10. Institute for New Economic Thinking at the Oxford Martin School, University of Oxford. Available at: https://oms-inet.files.svdcdn.com/staging/files/JEL-v2.0.pdf.
10. Bak P., Paczuski M., Shubik M. (1997). Price variations in a stock market with many agents. Physica A: Statistical Mechanics and its Applications, 246 (3-4), 430-453. EDN: AJDMZZ
11. Banerjee A.V. (1992). A simple model of herd behavior. The Quarterly Journal of Economics, 107 (3), 797-817. EDN: HKGKVZ
12. Barberis N., Thaler R. (2003). A survey of behavioral finance. In: Handbook of the Economics of Finance, 1, 1053-1128. Amsterdam: Elsevier B.V.
13. Bernard V.L., Thomas J. K. (1989). Post-earnings-announcement drift: Delayed price response or risk premium. Journal of Accounting Research, 27, 1-36.
14. Black F., Scholes M. (1973). The pricing of options and corporate liabilities. Journal of Political Economy, 81 (3), 637-654.
15. Blume L., Easley D. (2006). If you’re so smart, why aren’t you rich? Belief selection in complete and incomplete markets. Econometrica, 74 (4), 929-966.
16. Blume L., Easley D. (2009). Market selection and asset pricing. In: Handbook of financial markets: dynamics and evolution. North-Holland, 403-437.
17. Blume M.E., MacKinlay A.C., Terker B. (1989). Order imbalances and stock price movements on October 19 and 20, 1987. The Journal of Finance, 44 (4), 827-848.
18. Bookstaber R., Paddrik M., Tivnan B. (2018). An agent-based model for financial vulnerability. Journal of Economic Interaction and Coordination, 13, 433-466. EDN: OHDJRO
19. Bookstaber R.M. (2012). Using agent-based models for analyzing threats to financial stability. OFR0003. SSRN: https://ssrn.com/abstract=2642420 or. DOI: 10.2139/ssrn.2642420
20. Brandouy O., Mathieu P., Veryzhenko I. (2012). Risk aversion impact on investment strategy performance: A multi agent-based analysis. In: Managing market complexity: The approach of artificial economics. Berlin, Heidelberg: Springer Berlin Heidelberg, 91-102.
21. Brennan T., Lo A.W. (2011). The origin of behavior. Quarterly Journal of Finance, 1 (1), 55-108.
22. Brock W.A. (1993). Pathways to randomness in the economy: Emergent nonlinearity and chaos in economics and finance. EstudiosEconomicos, 8 (1), 3-55.
23. Brock W.A., Hommes C. H. (1998). Heterogeneous beliefs and routes to chaos in a simple asset pricing model. Journal of Economic dynamics and Control, 22 (8-9), 1235-1274.
24. Burnham T.C., Travisano M. (2021). The landscape of innovation in bacteria, battleships, and beyond. Proceedings ofthe National Academy of Sciences, 118 (26), e2015565118. EDN: PGQTNB
25. Cafferata A., Tramontana F. (2019). A financial market model with confirmation bias. Structural Change and Economic Dynamics, 51, 252-259.
26. Chakraborti A., Toke I.M., Patriarca M., Abergel F. (2011). Econophysics review: II. Agent-based models. Quantitative Finance, 11 (7), 1013-1041. EDN: OMBLIX
27. Challet D., Stinchcombe R. (2001). Analyzing and modeling 1+ 1d markets. Physica A: Statistical Mechanics and its Applications, 300 (1-2), 285-299. EDN: ARZFSJ
28. Chan N., LeBaron B., Lo A., Poggio T. (1998). Information dissemination and aggregation in asset markets with simple intelligent traders. Working paper. Available at: https://dspace.mit.edu/bitstream/handle/1721.1/7174/AIM-1646.pdf?sequence=2.
29. Chang S.K. (2007). A simple asset pricing model with social interactions and heterogeneous beliefs. Journal of Economic Dynamics and Control, 31 (4), 1300-1325.
30. Chen S. H., Chang C. L., Du Y.R. (2012). Agent-based economic models and econometrics. The Knowledge Engineering Review, 27 (2), 187-219.
31. Chen S.H., Huang Y.C. (2008). Risk preference, forecasting accuracy and survival dynamics: Simulations based on a multi-asset agent-based artificial stock market. Journal of Economic Behavior & Organization, 67 (3-4), 702-717.
32. Chiarella C., Iori G. (2002). A simulation analysis of the microstructure of double auction markets. Quantitative Finance, 2 (5), 346. EDN: BFIXPH
33. Chordia T., Roll R., Subrahmanyam A. (2001). Market liquidity and trading activity. The Journal of Finance, 56 (2), 501-530. EDN: DYRNJV
34. Cochrane J. (2009). Asset pricing. Revised edition. Princeton: Princeton University Press.
35. Cont R. (2001). Empirical properties of asset returns: Stylized facts and statistical issues. Quantitative Finance, 1 (2), 223-236.
36. Cox J.C., Ross S.A., Rubinstein M. (1979). Option pricing: A simplified approach. Journal of Financial Economics, 7 (3), 229-263.
37. Darley V., Outkin A., Plate T., Gao F. (2000). Sixteenths or pennies? Observations from a simulation of the Nasdaq stock market. Proceeding of IEEE/IAFE/INFORMS2000 Conference on Computational Intelligence for Financial Engineering (CIFEr).
38. Davis M. (2008). Louis Bachelier’s theory of speculation: The origins of modern finance. Princeton: Princeton University Press.
39. Duffie D. (2010). Dynamic asset pricing theory. Princeton: Princeton University Press.
40. Evstigneev I., Hens T., Potapova V., Schenk-Hoppé K.R. (2020). Behavioral equilibrium and evolutionary dynamics in asset markets. Journal of Mathematical Economics, 91, 121-135. EDN: IULQSB
41. Evstigneev I.V., Hens T., Schenk-Hoppé K.R. (2002). Market selection of financial trading strategies: Global stability. Mathematical Finance, 12 (4), 329-339. EDN: EABVDX
42. Evstigneev I.V., Hens T., Schenk-Hoppé K.R. (2006). Evolutionary stable stock markets. Economic Theory, 27, 449-468. EDN: BNKNQX
43. Fama E. (1965). The Behavior of Stock-Market prices. The Journal of Business, 38 (1), 34-105.
44. Farmer J.D., Foley D. (2009). The economy needs agent-based modelling. Nature, 460 (7256), 685-686.
45. Franke R. (2009). Applying the method of simulated moments to estimate a small agent-based asset pricing model. Journal ofEmpirical Finance, 16 (5), 804-815.
46. Franke R., Westerhoff F. (2012). Structural stochastic volatility in asset pricing dynamics: Estimation and model contest. Journal of Economic Dynamics and Control, 36 (8), 1193-1211.
47. Friedman M. (1953). Essays in positive economics. Chicago: University of Chicago Press.
48. Frolov D.P. (2013). Metaphorism of institutionalism: Physicalism vs biologism. Terra Economicus, 11 (3), 34-51. EDN: RKUSQN
49. Ghonghadze J., Lux T. (2016). Bringing an elementary agent-based model to the data: Estimation via GMM and an application to forecasting of asset price volatility. Journal of Empirical Finance, 37, 1-19.
50. Glosten L.R., Milgrom P.R. (1985). Bid, ask and transaction prices in a specialist market with heterogeneously informed traders. Journal of Financial Economics, 14 (1), 71-100.
51. Gode D.K., Sunder S. (1993). Allocative efficiency of markets with zero-intelligence traders: Market as a partial substitute for individual rationality. Journal of Political Economy, 101 (1), 119-137. EDN: BNPTZV
52. Grazzini J., Richiardi M. (2015). Estimation of ergodic agent-based models by simulated minimum distance. Journal of Economic Dynamics and Control, 51, 148-165.
53. Grossman S.J., Stiglitz J. E. (1980). On the impossibility of informationally efficient markets. The American Economic Review, 70 (3), 393-408.
54. Haldane A.G., Turrell A.E. (2018). An interdisciplinary model for macroeconomics. Oxford Review of Economic Policy, 34 (1-2), 219-251. EDN: YFFPYD
55. Haug M., Hirschey M. (2006). The January effect. Financial Analysts Journal, 62 (5), 78-88.
56. Haugen R.A., Jorion P. (1996). The January effect: Still there after all these years. Financial Analysts Journal, 52 (1), 27-31.
57. Heller Y., Nehama I. (2023). Evolutionary foundation for heterogeneity in risk aversion. Journal of Economic Theory, 208, 105617. EDN: WIYHDN
58. Hens T., Lensberg T., Schenk-Hoppé K.R., Wöhrmann P. (2011). An evolutionary explanation of the value premium puzzle. Journal of Evolutionary Economics, 21, 803-815.
59. Hens T., Schenk-Hoppé K.R. (2005). Evolutionary finance: Introduction to the special issue. Journal of Mathematical Economics, 41 (1-2), 1-5.
60. Hens T., Schenk-Hoppé K.R. (2005). Evolutionary stability of portfolio rules in incomplete markets. Journal of Mathematical Economics, 41 (1-2), 43-66.
61. Hens T., Schenk-Hoppé K.R. (2020). Patience is a virtue: In value investing.International Review of Finance, 20 (4), 1019-1031.
62. Hirshleifer D., Hou K., Teoh S. H. (2012). The accrual anomaly: Risk or mispricing. Management Science, 58 (2), 320-335.
63. Hirshleifer D., Teoh S.H., Yu J.J. (2011). Short arbitrage, return asymmetry, and the accrual anomaly. The Review of Financial Studies, 24 (7), 2429-2461.
64. Hodgson G.M. (2019). Evolutionary economics. Its nature and future (Elements in evolutionary economics). Kindle Edition. Cambridge: Cambridge University Press.
65. Holt C.A. (1986). Preference reversals and the independence axiom. The American Economic Review, 76 (3), 508-515.
66. Holtfort T. (2019). From standard to evolutionary finance: A literature survey. Management Review Quarterly, 69 (2), 207-232. EDN: BSLOXF
67. Hsieh D.A. (1991). Chaos and nonlinear dynamics: Application to financial markets. The Journal of Finance, 46 (5), 1839-1877.
68. Huang J.P., Zhang Y., Wang J. (2023). Dynamic effects of social influence on asset prices. Journal of Economic Interaction and Coordination, 1-29.
69. Huang Y.C. (2017). Exploring issues of market inefficiency by the role of forecasting accuracy in survivability. Journal of Economic Interaction and Coordination, 12 (2), 167-191. EDN: PVYSLK
70. Huang Y.C., Tsao C.Y. (2018). Evolutionary frequency and forecasting accuracy: Simulations based on an agent-based artificial stock market.Computational Economics, 52, 79-104. EDN: RGXCAJ
71. Judd K.L. (2006).Computationally intensive analyses in economics. Handbook of Computational Economics, 2, 881-893.
72. Kahneman D., Tversky A. (2013). Prospect theory: An analysis of decision under risk. In: Handbook of the fundamentals of financial decision making: Part I, 99-127. Singapore: World Scientific Publishing Co. Pte. Ltd.
73. Kato K., Schallheim J.S. (1985). Seasonal and size anomalies in the Japanese stock market. Journal of Financial and Quantitative Analysis, 20 (2), 243-260.
74. Kirman A.P. (1992). Whom or what does the representative individual represent. Journal of Economic Perspectives, 6 (2), 117-136. EDN: BKXSUR
75. Koduri N., Lo A.W. (2021). The origin of cooperation. Proceedings of the National Academy of Sciences, 118 (26), e2015572118. EDN: EKEJPJ
76. Kyle A.S. (1985). Continuous auctions and insider trading. Econometrics: Journal ofthe Econometric Society, 53 (6), 1315-1335.
77. LeBaron B. (2000). Agent-based computational finance: Suggested readings and early research. Journal ofEconomic Dynamics and Control, 24 (5-7), 679-702.
78. LeBaron B. (2006). Agent-based computational finance. Handbook of Computational Economics, 2, 1187-1233.
79. LeBaron B. (2011). Active and passive learning in agent-based financial markets. Eastern Economic Journal, 37, 35-43.
80. LeBaron B., Arthur W.B., Palmer R. (1999). Time series properties of an artificial stock market. Journal of Economic Dynamics and Control, 23 (9-10), 1487-1516.
81. Levin S.A., Lo A.W. (2021).Introduction to PNAS special no. on evolutionary models of financial markets. Proceedings of the National Academy of Sciences, 118 (26), e2104800118. EDN: YUFXSC
82. Li Y., Donkers B., Melenberg B. (2010). Econometric analysis of microscopic simulation models. Quantitative Finance, 10 (10), 1187-1201.
83. Long J.B. de, Shleifer A., Summers L.H., Waldmann R.J. (1990). Noise trader risk in financial markets. Journal of political Economy, 98 (4), 703-738. EDN: BHXGZH
84. Lucas R.E. Jr. (1976). Econometric policy evaluation: A critique. In: Carnegie-Rochester Conference Series on Public Policy, 1, January, 19-46. North-Holland.
85. Lussange J., Belianin A., Bourgeois-Gironde S., Gutkin B. (2018). A bright future for financial agent-based models. arXiv preprint arXiv:1801.08222.
86. Lussange J., Lazarevich I., Bourgeois-Gironde S., Palminteri S., Gutkin B. (2021). Modelling stock markets by multi-agent reinforcement learning.Computational Economics, 57, 113-147.
87. Lux T., Schornstein S. (2005). Genetic learning as an explanation of stylized facts of foreign exchange markets. Journal of Mathematical Economics, 41 (1-2), 169-196.
88. Mandes A., Winker P. (2017).Complexity and model comparison in agent based modeling of financial markets. Journal of Economic Interaction and Coordination, 12, 469-506. EDN: YEESKP
89. Markowitz H. (1952). Portfolio selection. The Journal of Finance, 7 (3), 77-91.
90. Maslov S. (2000). Simple model of a limit order-driven market. Physica A: Statistical Mechanics and its Applications, 278 (3-4), 571-578. EDN: AFEZLJ
91. Mendenhall R.R. (2004). Arbitrage risk and post-earnings announcement drift. The Journal of Business, 77 (4), 875-894.
92. Merton R.C. (1973a). An intertemporal capital asset pricing model. Econometrica: Journal of the Econometric Society, 867-887.
93. Merton R.C. (1973b). Theory of rational option pricing. The Bell Journal of Economics and Management Science, 4, 1, 141-183.
94. Michailova J., Schmidt U. (2016). Overconfidence and bubbles in experimental asset markets. Journal of Behavioral Finance, 17 (3), 280-292.
95. Milgrom P., Stokey N. (1982). Information, trade and common knowledge. Journal of Economic Theory, 26 (1), 17-27.
96. Neumann J. von, Morgenstern O., Rubinstein A. (1944). Theory of games and economic behavior (60th anniversary commemorative edition). Princeton: Princeton University Press.
97. O’Hara M. (2015). High frequency market microstructure. Journal of Financial Economics, 116 (2), 257-270.
98. Palmer R.G., Arthur W.B., Holland J.H., LeBaron B. (1999). An artificial stock market. Artificial Life and Robotics, 3, 27-31.
99. Palmer R.G., Arthur W.B., Holland J.H., LeBaron B., Tayler P. (1994). Artificial economic life: A simple model of a stock market. Physica D: Nonlinear Phenomena, 75 (1-3), 264-274.
100. Platt D. (2022). Bayesian estimation of economic simulation models using neural networks.Computational Economics, 59 (2), 599-650.
101. Pruna R.T., Polukarov M., Jennings N.R. (2018). Avoiding regret in an agent-based asset pricing model. Finance Research Letters, 24, 273-277.
102. Pruna R.T., Polukarov M., Jennings N.R. (2020). Loss aversion in an agent-based asset pricing model. (Quantitative Finance, 20 (2), 275-290.
103. Reinganum M.R. (1980). A simple test of the arbitrage pricing theory. Unpublished manuscript: Graduate School of Business. University of Southern California.
104. Reinganum M.R. (1981). Misspecification of capital asset pricing: Empirical anomalies based on earnings’ yields and market values. Journal of Financial Economics, 9, 19-46.
105. Robson A., Samuelson L. (2022). The evolution of risk attitudes with fertility thresholds. Journal of Economic Theory, 205, 105552. EDN: RQWERA
106. Robson A.J. (2001). The biological basis of economic behavior. Journal of Economic Literature, 39 (1), 11-33. EDN: DKWHNT
107. Robson A.J., Orr H.A. (2021). Evolved attitudes to risk and the demand for equity. Proceedings of the National Academy of Sciences, 118 (26), e2015569118. EDN: HFRKNL
108. Roll R. (1988). The international crash of October 1987. Financial Analysts Journal, 44 (5), 19-35.
109. Samuelson L. (2001).Introduction to the evolution of preferences. Journal of Economic Theory, 97 (2), 225-230.
110. Sargent T.J. (1993). Bounded rationality in macroeconomics: The Arne Ryde memorial lectures. Oxford: Oxford University Press.
111. Schnetzer M., Hens T. (2022). Evolutionary finance for multi-asset investors. Financial Analysts Journal, 78 (3), 115-127. EDN: NFJKXM
112. Scholl M.P., Calinescu A., Farmer J.D. (2021). How market ecology explains market malfunction. Proceedings of the National Academy of Sciences, 118 (26), e2015574118. EDN: FWCFMP
113. Segovia J.E. T., Di Sciorio F., Mattera R., Spano M. (2022). A bibliometric analysis on agent-based models in finance: Identification of community clusters and future research trends.Complexity, Hindawi, 1, September, ID4741566, 1-11.
114. Sharpe W. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. The Journal of Finance, 19 (3), 425-442.
115. Shiller R.J. (1987). The volatility of stock market prices. Science, 235 (4784), 33-37. EDN: IDWMSB
116. Shleifer A., Vishny R.W. (1997). The limits of arbitrage. The Journal of Finance, 52 (1), 35-55.
117. Shostak F. (1997). In defense of fundamental analysis: A critique of the efficient market hypothesis. The Review of Austrian Economics, 10 (2), 27-45. EDN: VVFZHJ
118. Simon H.A. (1976). From substantive to procedural rationality. In: 25 years of economic theory. Boston: Springer, 65-86.
119. Simon H.A. (1992). Methodological foundations of economics. Praxiologics and the philosophy of economics. New York: Transaction Publishers, 25-41.
120. Smith J.M., Price G.R. (1973). The logic of animal conflict. Nature, 246 (5427), 15-18.
121. Staccioli J., Napoletano M. (2021). An agent-based model of intra-day financial markets dynamics. Journal of Economic Behavior & Organization, 182, 331-348. EDN: OAMVFQ
122. Тамбовцев В.Л. (2024). Что в экономике эволюционирует? // Вопросы экономики. № 4. С. 5-23. EDN: ILHWTE
123. Tang B.J., Lin K. B., Huang J.B., Lin H.W. (2022). The hesitation of anxious traders in an agent-based model.Complexity, Hindawi, 1, ID5302302, 1-22.
124. Tesfatsion L. (2006). Agent-based computational economics: A constructive approach to economic theory. Handbook of Computational Economics, 2, 831-880. Amsterdam: Elsevier Science Publishers B.V.
125. Thaler R. (1980). Toward a positive theory of consumer choice. Journal of Economic Behavior & Organization, 1 (1), 39-60.
126. Thaler R.H. (1987). Anomalies: The January effect. Journal of Economic Perspectives, 1 (1), 197-201.
127. Trichet J.C. (2010). Reflections on the nature of monetary policy non-standard measures and finance theory. In: ECB2010 Central Banking Conference. Frankfurt (Germany).
128. Tsao C.Y., Huang Y.C. (2018). Revisiting the issue of survivability and market efficiency with the Santa Fe artificial stock market. Journal of Economic Interaction and Coordination, 13, 537-560. EDN: FGTUWH
129. Winter S.G. (2014). The future of evolutionary economics: Can we break out of the beachhead. Journal of Institutional Economics, 10 (4), 613-644.
130. Zhang R., Brennan T.J., Lo A.W. (2014a). Group selection as behavioral adaptation to systematic risk. PloS One, 9 (10), e110848.
131. Zhang R., Brennan T.J., Lo A.W. (2014b). The origin of risk aversion. Proceedings of the National Academy of Sciences, 111 (50), 17777-17782. EDN: USCNFV
Выпуск
Другие статьи выпуска
В 2022 г. в первые несколько месяцев после введения санкций формировались негативные прогнозы состояния региональных бюджетов. В результате постепенного введения санкций и адаптивности российской экономики негативные последствия были умеренными или в некоторых ситуациях отложенными. Данная статья посвящена анализу процессов трансформации параметров региональных бюджетов после 2022 г., факторов риска и устойчивости региональных финансов. Статья построена на анализе данных Федерального казначейства России, открытых данных портала «Электронный бюджет», данных Минфина России, Росстата. Ключевым реализованным риском стал рост цен, который нивелировал значительную часть номинального увеличения поступлений по остальным источникам доходов. Важнейшим фактором устойчивости региональных бюджетов является увеличение поступлений НДФЛ в условиях дефицита кадров. Важный вопрос, освещенный в статье - сочетание антикризисной и системной политики Правительства Российской Федерации развития регионов России через долговые инструменты в период после 2022 г. Несмотря на статистический рост бюджетной самостоятельности регионов, реальные возможности субъектов сокращаются из-за все большей зависимости направлений расходов от целевых межбюджетных трансфертов.
На основе данных о выручке компаний, налогооблагаемых денежных доходах населения и фонде заработной платы организаций (без субъектов малого предпринимательства) за 2021-2023 гг. анализируется динамика этих показателей по разным типам муниципальных образований. Показывается, что, несмотря на специфику текущего кризиса, имеет место проявление типичных закономерностей пространственного развития последних лет: ускоренное развитие городов и городских агломераций по сравнению с сельской местностью, пригородов - по сравнению с ядрами агломераций, городов-стотысячников - по сравнению с городами меньшей людности и др. Административные центры регионов вновь первыми столкнулись с проявлениями кризиса, но они же демонстрируют способность выхода из него. Вместе с тем в силу влияния на экономическое, пространственное развитие разнонаправленных асинхронных факторов картина территориальных различий не была стабильной и, скорее всего, будет изменчивой и далее.
Внешние шоки 2022-2024 гг. неоднозначно сказались на деловой активности, под которой в статье понимается динамика числа субъектов малого и среднего предпринимательства (МСП) как один из наиболее оперативных показателей. Сфера МСП быстро реагирует на различного рода изменения, способствуя при этом адаптации всей экономики. Только в 11 регионах России спад деловой активности не преодолен, т. е. число субъектов МСП в 2024 г. меньше, чем в 2021 г.: Вологодская, Сахалинская, Архангельская, Псковская, Брянская, Курская, Тамбовская, Орловская области, Республики Крым и Коми, г. Севастополь. В статье средствами эконометрики выявляются факторы, определявшие устойчивость региональных предпринимательских экосистем к стрессу. Выше подобная резильентность в регионах с диверсифицированными внешнеторговыми связями, например в Московской и Оренбургской областях, Забайкальском и Краснодарском краях. Наоборот, бизнесы с более интенсивными экономическими связями со странами, вводившими торговые санкции, пострадали сильнее из-за разрыва поставок, ограничения доступа к рынкам, в частности в Сахалинской, Курской, Архангельской, Орловской областях, Республике Коми. Развитые предпринимательские экосистемы Московской, Ленинградской областей, г. Москвы смогли выиграть от ухода иностранных компаний из России благодаря высвобождению рыночных ниш на фоне растущего спроса, переориентированного на отечественную продукцию и услуги. Концентрация субъектов МСП в них с 2022 г. выросла на 1,6 п. п. до 22% от общего числа в России, обеспечив 42% всего прироста по стране. Большую роль в сохранении деловой активности в 2022 г. и ее росте в 2023 г. сыграло повышение доходов населения, а соответственно - и спроса на товары и услуги МСП, включая туризм и развлечения. Схожим эффектом обладал и бюджетный импульс за счет увеличения финансирования государственных проектов и роста инвестиций, косвенной поддержки субъектов МСП, в том числе благодаря разрешению параллельного импорта. Заметен рост в регионах с благоприятным деловым климатом, например в Тюменской области и Татарстане. Распространение цифровых торговых площадок способствовало сопряжению растущего спроса и увеличивавшегося числа онлайн-бизнесов. Введение санкций против крупнейших предприятий регионов в среднем не оказало заметного влияния на сектор МСП на фоне растущих государственных заказов. В целом доля регионов в числе субъектов МСП снизилась вблизи Европейского союза и Украины, а также в Сибири и на Дальнем Востоке, росла - на Северном Кавказе и в столичной агломерации. Это может иметь долгосрочные последствия для регионального развития и требует дополнительных мер экономической политики.
В условиях санкционных ограничений, введенных начиная с 2022 года, одним из ключевых вызовов стало нарушение логистических цепочек. В статье рассматриваются изменения уровня производственной зависимости от импорта сырья, материалов и комплектующих в отраслях и регионах Российской Федерации - «среднего звена» зависимости от зарубежных поставщиков наряду с импортом готовой продукции и технологий. Анализ проводится на основе данных Росстата о материальных затратах крупных и средний предприятий. В рамках исследования установлено, что общая производственная зависимость от импорта снизилась в 2022-2023 гг. почти в полтора раза. Одновременно кардинально поменялась география зависимости. Вместо регионов, ориентированных на сборку готовой продукции из импортного сырья, прежде всего автомобилестроительной специализации - новыми лидерами стали территории реализации инвестиционных проектов с иностранным участием и/или с масштабными закупками иностранного оборудования. Можно зафиксировать, что при преодолении проблемы импортозамещения в готовой продукции и существенном снижении масштабов рисков зависимости от поставок сырья и комплектующих проблема технологической зависимости от импорта сохраняется.
Регионы добывающей промышленности, особенно угольной, наиболее пострадали от введения санкций. На их развитие также негативно повлияли неблагоприятная конъюнктура мировых цен и проблемы логистики. Менее значителен спад в регионах добычи нефти, за исключением Сахалина. Спад в ведущем регионе добычи газа - Ямало-Ненецком АО - не был связан с санкциями и почти полностью преодолен. Динамика отраслей обрабатывающей промышленности, на которые были введены санкции, за три года ухудшилась, особенно в регионах лесопереработки, черной и цветной металлургии. Промышленность Дальнего Востока выиграла от «поворота на восток» только в добыче сырья; в обрабатывающей промышленности его доля остается минимальной. В регионах автомобильной промышленности сильнее спад в Калининградской области, а в Самарской и Ульяновской областях рост обеспечили поставки импортных комплектующих для автопрома и отрасли ВПК. В целом регионы ВПК отличались самым быстрым ростом, на них не повлияли санкции, направленные на ограничение импорта комплектующих и электроники. Несмотря на санкции, уход крупных иностранных торговых компаний и производителей автомобилей, розничная торговля в России восстановилась и выросла после спада 2022 г. Региональная статистика по разным индикаторам не всегда позволяет объяснить динамику и взаимосвязи. Критическая оценка данных статистики должна быть частью любого исследования развития регионов в турбулентных условиях 2020-х годов.
В статье предпринята попытка поддержать и развить изложенные в работе Л. И. Якобсона идеи, связанные с наличием механизма саморегулирования трех макросистем и возможностью комбинирования институтов. С точки зрения автора, выявленные провалы рынка, государства и общества могут быть объяснены с помощью другой методологии - на основе новой институциональной экономической теории, поскольку проявление и факторы провалов явно связаны с характеристиками поведенческих предпосылок (ограниченной рациональности и оппортунистического поведения), которые лежат в основе подхода новой институциональной экономической теории. В статье предлагается более прямой путь к объяснению сравнительной неэффективности трех механизмов координации на основе теоремы Коуза, поскольку именно теорема Коуза позволяет утверждать, что при положительных транзакционных издержках мы имеем разные дискретные институциональные альтернативы при ограничении эффективности каждой из этих альтернатив. В статье показано, что комбинирование институтов может быть также объяснено на базе теоремы Коуза, поскольку ограниченная эффективность создает пространство для вторжения иного механизма институциональной координации, а тем самым - и предпосылки для их комбинирования. Случаи сильного взаимодействия в статье объясняются обращением к структуре неформальных институтов и трактуются как достаточно редкие исключения. В последней части статьи анализируется роль доверия и социального капитала в экономической теории. Предлагается трактовка доверия как имплицитного контракта - продленного во времени обмена ожиданиями - и показателя эффективности механизма общественной координации, обратного показателю уровня транзакционных издержек.
Статья посвящена обсуждению проблем института самоорганизации, поставленных в статье Л. И. Якобсона «“Подводные камни” нерыночной самоорганизации». Сделана попытка обсудить понятие «самоорганизация», учитывая большое разнообразие его практически форм - от неформального ситуационного объединения индивидов до местного самоуправления. Высказана позиция по таким важным институтам, связанным с «самоорганизацией», как участие государства в финансировании общественной активности, «информационной асимметрией», которая присутствует во взаимоотношениях между государством, обществом и индивидом. Обращено внимание на роль исторического наследия в проблемах формирования современного института самоорганизации в России.
В работе изложены основные моменты дискуссии, положенной в основу публикации Л. И. Якобсона «“Подводные камни” провалов самоорганизации». Рассмотрены основные моменты содержания понятий «самоорганизация», «провалы». Дискуссию о провалах самоорганизации породила постановка проблемы о провалах общества, поднятая на платформе теории опекаемых благ, ее творческого развития в виде экономической теории государства, и далее, в продолжение темы, - эволюции патерналистского государства. Одним из существенных результатов эволюции теоретических знаний в рамках данной научной школы явилась взаимосвязанная система идей и понятий провалов рынка, провалов государства и провалов общества, которые, при определенных обстоятельствах, подстерегают человеческие сообщества, социум в целом, на путях цивилизационного, экономического, политического и социального развития. Провалы как нарушения и тупики развития, связанные не только с объективными ограничениями соответствующих социальных форм и институтов, но и с индивидуальными и коллективными мотивами, устремлениями и действиями людей, причастных к целеполаганию, осуществлению власти, организации (самоорганизации), управлению. Положительно оцениваются идеи и аргументы о том, что различные виды провалов все-таки имеют общую внутреннюю логику и причинноследственную связь. Дискуссионным представляется то, что, вольно или невольно, провалы общества отождествляются с провалами самоорганизации, с чем можно и нужно спорить. Самоорганизация - не единственный атрибут общества. Оно обладает свойствами и функциями саморазвития, саморегулирования и самоуправления. И, что не менее важно, самокритики и самооздоровления. И в этом залог того, что оно способно исправлять не только ошибки и изъяны государства, но и свои собственные, обеспечивая незатухающую диалектику социодинамики всей метасистемы в целом (А. Я. Рубинштейн). Под этим углом зрения обсуждаются дискуссионные вопросы статьи уважаемого профессора Л. И. Якобсона, в частности видение трендов систем государственного управления под углом зрения противостояния провалам. Дана оценка перспективам становления сетевого общества и его роли в формировании системы предупреждения и нейтрализации фундаментальных причин провалов рынка, государства, общества. И, как завершающий вывод и аккорд: обсуждаемая позиция дает прекрасную возможность произвести уточненную оценку того, во что вылилось тридцатилетнее экспериментирование с экономическими, политическими и социальными реформами в России, какие варианты будущего могут быть темами дискуссий в среде профессиональных экономистов и предметом общественного выбора наших сограждан, как провести корабль российской государственности между Сциллой и Харибдой традиционных искусов и соблазнов российской истории, не раз приводивших к великим потрясениям вместо чаемой Великой России.
. Статья посвящена выявлению объективных обстоятельств, ограничивающих эффективность самоорганизации. Самоорганизация рассматривается как тип взаимодействий индивидов и организаций, которые строятся не на основе норм возмездности, характерной для институтов рынка, или норм, производных от права принуждения, присущего государству. Указывается на распространение как самой самоорганизации, так и комбинаций ее институтов с институтами рынка и государства. Показано, что на Парето-эффективность самоорганизации негативно влияют те же обстоятельства, которые выступают причинами провалов рынка и государства, а именно: неполнота и асимметрия информации, возрастающая предельная отдача и расхождение между частными и общественными издержками и выгодами. Это существенно для анализа сочетаний разнородных институтов и построения возможно более эффективных их комбинаций. В статье предлагаются некоторые ориентиры для поиска таких комбинаций, но не содержится универсальных рецептов их количественной оценки и реализации.
В статье рассматривается изменение базовой парадигмы рыночной экономики, связанной с ролью прибыли в экспансии и конкурентном отборе предприятий. Широкое внедрение принципов устойчивого развития в рыночную практику в рамках «ESG-революции» затрагивает основы поведения предприятий, которые принимают решения о распределении имеющихся финансовых ресурсов для производства частных и общественных благ. Усиление акцента на последнем направлении расходов снижает потенциал расширения деятельности в краткосрочной перспективе и, соответственно, сужает перспективы получения долгосрочных конкурентных преимуществ компаниями с наиболее ответственным поведением. Из-за последствий информационной асимметрии и других рыночных искажений это явление не может быть полностью устранено с помощью механизмов ответственного инвестирования, которые, к тому же, доступны в основном предприятиям, получившим рыночное (небанковское) финансирование. Выдвигается идея о введении системы вычетов из подоходного налога, учитывающей направления и результаты корпоративных расходов на проекты устойчивого развития. Такой подход может сыграть роль стимулов для внедрения ответственных инвестиционных практик и снижения растущей регулятивной нагрузки в области ESG.
В статье в рамках теоретической модели стратегической конкуренции фармацевтических компаний изучается вопрос о способах борьбы с торговлей поддельными препаратами. В предложенной модели иностранная компания, производящая оригинальный препарат, конкурирует с отечественным производителем дженерика. На рынке также присутствуют производители подделок оригинального препарата. Рассмотрены три варианта государственного регулирования: усиление контроля качества; введение обязательной маркировки и внутреннее регулирование посредством увеличения доли государственной собственности в капитале отечественной фирмы, выпускающей дженерик. Показано, что все варианты регулирования влекут снижение доли подделок оригинальных препаратов, но при этом в случае усиления контроля качества и/или при введении маркировки объем продаж поддельных препаратов может возрасти. Увеличение доли государства в капитале отечественной компании всегда снижает не только долю, но и объем продаж подделок и приводит к росту национального благосостояния. Усиление контроля качества, как и введение маркировки, способствуют росту общественного благосостояния, если потребители ценят качество достаточно высоко, и снижают общественное благосостояние в противном случае.
Работа посвящена исследованию взаимосвязи между демографическими, психологическими и внешними чертами генеральных директоров (CEO) и оценкой первичных размещений токенов (ICO). Для сбора данных о характеристиках генеральных директоров мы обработали текстовые данные с веб-сайтов, их личных страниц в социальных сетях, интервью и другие источники. Мы применили подход, основанный на искусственном интеллекте, чтобы количественно оценить внешние характеристики генеральных директоров по их фотографиям. Мы использовали базы данных ICO Drops и CoinMarketCap для извлечения информации об ICO в период COVID-19. Затем мы применили регрессионный анализ для проверки гипотез о связи этих характеристик с оценкой ICO. Результаты исследования показывают значимое влияние стажа работы и доминантности, но отсутствие предсказательной силы таких факторов, как возраст, пол, человеческий капитал, экстраверсия и внешние параметры в кризисный период. Результаты в виде сформулированных профилей генеральных директоров в кризисный период могут предоставить инвесторам и предприятиям рекомендации для надлежащей оценки сигналов от генеральных директоров во время запуска ICO.
В статье приведено исследование ценовой эластичности оптового спроса на электроэнергию в трех регионах РФ: Республика Калмыкия, Республика Алтай и Астраханская область. Были использованы почасовые данные о потреблении и почасовые равновесные цены на рынке на сутки вперед за 2022 г. Из-за проблемы эндогенности, вызванной двусторонней причинно-следственной связью, применен двухшаговый метод наименьших квадратов (2SLS), где инструментом цены была выбрана выработка альтернативных источников энергии. F-статистика первого этапа регрессий указывает на то, что инструменты не являются слабыми. Анализ показал, что оптовый спрос в целом неэластичен по цене, что согласуется с результатами международных исследований. Эластичность по модулю в Республике Калмыкия оказывается высоко вариативной - от 0,5 до 1,4. В любое время суток неэластичный спрос наблюдается в Республике Алтай (от 0,25 до 0,5) и Астраханской области (до 0,1). Во всех рассмотренных регионах ночная эластичность выше, чем дневная. Это может быть следствием политики двухтарифного ценообразования на розничном рынке (разный тариф днем и ночью).
В данном исследовании рассматривается оценка процентного риска по банковскому портфелю (ПРБП), с которой сталкиваются российские банки в условиях изменения ключевой ставки. Мы предлагаем методологический подход для декомпозиции чистой процентной маржи с целью оценки вклада различных категорий активов и пассивов, а также индивидуальных, ценовых и весовых эффектов в ПРБП. Используя выборку из 315 банков, мы применяем модели линейной регрессии для оценки процентных доходов от активов и процентных расходов по пассивам. Статистическая значимость оценивается с использованием блочного бутстрапа с 1000 выборками с повторениями. Основным результатом этой работы является разработанная нами методология для оценки вкладов различных категорий активов и обязательств в ПРБП. Наши результаты показывают, что банки склонны принимать стратегические, а не тактические меры в ответ на кризисы. Однако системно значимые финансовые институты (СЗФИ) тактически корректируют структуру своих пассивов для минимизации последствий неожиданных изменений ключевой ставки. Это особенно отчетливо прослеживается в период пандемии COVID-19, когда, несмотря на снижение ключевой ставки, СЗФИ демонстрировали чистый положительный ценовой вклад в размере 1.645 б. п. за квартал.
В работе предлагается метод анализа данных в применении к исследованию моделей поведения банков России в период до и во время пандемии коронавирусной инфекции. Исследование включает в себя источники данных с временными рядами показателей по модели CAMEL в период 2017-2021 гг. Система CAMEL является наиболее авторитетной и используется регуляторами для оценки и управления банковскими рисками. Центральный банк РФ использует данную модель для обеспечения регулирования устойчивости банков и контроля рисков. В результате применения предложенного метода для анализа показателей CAMEL были выделены паттерны банков, идентичные по характеристикам объектов. Произведен анализ наиболее крупных паттернов, определяющих модели поведения банков в период до и во время пандемии; для каждого банка в выборке выделен основной паттерн поведения, которого он придерживался на всем рассматриваемом периоде. Проведен последующий динамический анализ, идентифицирующий смену стратегии, что позволило проанализировать степень устойчивости банков в выборе бизнес-модели. Также проанализирована динамика показателей финансовых организаций, которые имеют наиболее неустойчивую во времени модель поведения. Данный подход позволяет оценить степень неоднородности развития банковского сектора, а также выявить тенденции его развития.
Рассматривается задача анализа связей между доходностями акций фондового рынка. Связь измеряется как традиционным коэффициентом корреляции Пирсона, так и ранговым коэффициентом корреляции Кендалла. Предлагаются различные меры неопределенности выводов о связях на фондовых рынках, основанные на разделении выводов на значимые и допустимые. К предлагаемым мерам неопределенности относятся доля допустимых выводов к общему числу выводов и отношение числа допустимых выводов к числу значимых выводов о связях на фондовых рынках. Эти меры неопределенности разделяются на два типа. Меры первого типа определяются как функции от силы связи и дают подробную информацию об изменении неопределенности выводов о связях на фондовых рынках заданной силы. Меры второго типа или агрегированные показатели неопределенности выводов о связях не зависят от силы связи и характеризуют неопределенность рынка в целом. Проводится сравнение неопределенности выводов о связях на фондовых рынках России, США, Франции. Показано, что по доле допустимых выводов эти рынки различаются незначительно, независимо от используемого коэффициента корреляции и типа используемой меры неопределенности. Вместе с тем, по отношению числа допустимых к числу значимых выводов о связях фондовый рынок России является значительно более неопределенным. Предлагаемая методика может быть использована для более детального сравнительного анализа неопределенности выводов о связях на фондовых рынках различных стран.
В статье изучается связь между страновыми индексами географической концентрации внешней торговли на товарных рынках с учетом и без учета дифференциации по странам-партнерам. Используются данные CEPII BACI о торговле товарами на уровне 4 знаков ТН ВЭД за 2022 г. Концентрация интерпретируется как рыночная власть стран-поставщиков или стран-покупателей, разница между концентрацией мировой торговли по поставщикам и покупателям - как относительная рыночная власть поставщиков, а сочетание высокой концентрации двусторонних торговых потоков и умеренной или низкой концентрации односторонних - как сегрегация рынка товара. Выявлено, что мера доминирования поставщиков отрицательно зависит от диверсификации экспорта (эффективного числа поставщиков) и положительно - от диверсификации импорта (эффективного числа рынков) и меры доминирования покупателей. По методу k-средних товары отнесены к трем кластерам на основе значений индексов концентрации торговли и их линейных комбинаций (относительной рыночной власти поставщиков и сегрегации рынков). Для первого кластера характерна высокая диверсификация, для второго - значительная концентрация поставщиков, но не покупателей, а для третьего - высокая концентрация поставщиков и покупателей, с преобладанием рыночной власти последних.
В предположениях модели голосования в стохастической среде (ViSE) исследуется социальная динамика в обществе, часть которого может рассматриваться как элита. Модель позволяет анализировать влияние таких социальных установок, как коллективизм, индивидуализм, лоббирование, альтруизм и других на благосостояние агентов. Динамика благосостояния определяется коллективными решениями и изменением структуры общества, в частности образованием групп кооперирующихся агентов. Установлено, что наличие «ответственной элиты», сочетающей поддержку других участников с ограниченной заботой о собственном благе, стабилизирует общество и устраняет парадокс «ямы ущерба». Выгода общества от наличия ответственной элиты сравнима с выгодой от присутствия просоциальной группы того же размера. Если элита радикально увеличивает вес групповой составляющей своей комбинированной стратегии голосования, то ее доходы резко растут, а доходы общества снижаются. Если в ответ на эгоистическую трансформацию элиты вознигает новая ответственная элита, пропорционально превышающая предыдущую по численности, то общество вновь стабилизируется и прежняя элита (а теперь уже - «клика») теряет свое доминирующее положение. Этот процесс может повторяться, пока размер общества допускает образование новых ответственных элит необходимой численности.
Статистика статьи
Статистика просмотров за 2026 год.
Издательство
- Регион
- Россия, Москва
- Почтовый адрес
- 117218, г Москва, Академический р-н, Нахимовский пр-кт, д 32
- Юр. адрес
- 117218, г Москва, Академический р-н, Нахимовский пр-кт, д 32
- ФИО
- Полтерович Виктор Меерович (ГЛАВНЫЙ РЕДАКТОР)
- E-mail адрес
- borisr@comtv.ru
- Контактный телефон
- +7 (891) 6120357