Статья посвящена проблеме количественной оценки отраслевых эффектов цифровизации экономики. Описан мировой опыт оценки влияния цифровой трансформации на экономический рост. Предложена и апробирована на панели промышленно развитых экономик методика оценки отраслевых эффектов цифровизации, основанная на модифицированном подходе ОЭСР, который ранее использовался международными экспертами и Минэкономразвития России на макроуровне. Этот подход предполагает эконометрические оценки влияния на основе панельных регрессий динамики индикаторов экономической политики (в том числе цифровизации) на компоненты особым образом дезагрегированной производственной функции. Ключевое преимущество этого подхода состоит в том, что он представляет рост ВВП (в нашем подходе — отраслевого выпуска) как сумму отдельных и независимых компонентов предложения (капиталоемкость выпуска, вовлеченность рабочей силы и совокупная факторная производительность (TFP)), что позволяет сначала оценить эффект влияния цифровизации на каждый компонент отдельно, а затем с помощью взвешивания оценок и их суммирования со вкладом TFP, определить общее влияние цифровизации на рост выпуска секторов. Переход при оценке эффектов на уровень секторов стал возможен благодаря недавнему включению в базу EU KLEMS отраслевых показателей цифровизации по 40 секторам 30 стран в период 1995–2019 гг. Полученные при апробации предварительные оценки влияния цифровизации на рост отраслевого выпуска (по десяти отобранным секторам) позволяют отметить серьезную дифференциацию эффектов по видам экономической деятельности, а также указать на некоторые возможности усиления результативности внедрения цифровых технологий при проведении экономической политики в России с учетом описанных в статье некоторых характеристик структуры ее экономики
Идентификаторы и классификаторы
- SCI
- Экономика
В 2022 г. на фоне серьезного усложнения международных отношений условия проведения экономической политики в России резко изменились. Влияние комбинированных шоков (спроса и предложения) делает целесообразным поиск новых взаимоувязанных ориентиров в области стабилизирующей макроэкономической (денежно- кредитной и фискальной) и структурной политики. При этом резко возрастает актуальность выявления приоритетных секторов для направления ограниченных ресурсов бюджета на решение тактических и стратегических структурных проблем экономики. К последним можно отнести освоение освободившихся ниш на внутреннем рынке и выход (на фоне санкционных ограничений) на новые экспортные рынки на базе углубления цифровой трансформации экономики, и прежде всего цифровой индустриализации, являющейся одним из важнейших направлений развития мировой экономики 3. Такую своего рода гибридную политику, на наш взгляд, можно назвать макроструктурной 4, но в данной статье мы затронем некоторые характеристики именно структурной ее составляющей. Эти аспекты структурной политики связаны с оценкой экономических эффектов использования в экономике цифровых активов и информационно-коммуникационных технологий (ИКТ). Последние могут рассматриваться и как технологии общего назначения (ТОН), и как элементы новой промышленной революции.
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
Список литературы
1. Миронов В.В., Коновалова Л. Д. (2019). О взаимосвязи структурных изменений и экономического роста в мировой экономике и России // Вопросы экономики. № 1. С. 54-78. DOI: 10.32609/0042-8736-2019-1-54-78 EDN: YTNWLR
2. МЭР (2019). Российская экономика: под влиянием кредитного цикла. Министерство экономического развития Российской Федерации, 26 августа 2019 г. Режим доступа: https://www.economy.gov.ru/material/file/b90a44748de90be36f35d0e007b7fc15/190826.pdf.
3. НИУ ВШЭ (2019). Что такое цифровая экономика? Тренды, компетенции, измерение. Докл. к XX Апр. междунар. науч. конф. по проблемам развития экономики и общества. Москва, 9-12 апреля 2019 г. Г. И. Абдрахманова, К. О. Вишневский, Л.М. Гохберг и др.; Л.М. Гохберг (науч. ред.). EDN: DOBQRF
4. Acemoglu D., Restrepo P. (2017). Robots and jobs: Evidence from U. S. labor markets. NBER Working Paper, 23285, March.
5. Adler G., Duval R., Furceri D., Kilif Qelik S., Koloskova K., Poplawski-Ribeiro M. (2017). Gone with the headwinds: Global productivity. IMF Staff Discussion Note, SDN/17/04.International Monetary Fund.
6. Aghion P., Jones B.F., Jones C. I. (2017). Artificial intelligence and economic growth. NBER Working Paper, 23928.
7. Andrews D., Serres A. de (2012).Intangible assets, resource allocation and growth: A framework for analysis. OECD Economics Department Working Papers, 989.
8. Ark B. van der., Inklaar R., McGuckin R. (2002). ‘Changing Gear’ - productivity, ICT and Services: Europe and the United States. Research Memorandum GD-60. Groningen Growth and Development Centre.
9. Ark B. van der., Inklaar R., McGuckin R. (2003). ICT and productivity in Europe and the United States, where do the differences come from? CESifoEconomic Studies, 49 (3), 295-318.
10. Bailin A. R., Gal P., Millot V., Sorbe S. (2019). Like it or not? The impact of online platforms on the productivity of service providers. OECD Economics Department Working Papers, 1548, OECD Publishing, Paris. DOI: 10.1787/080a17ce-en
11. Barnes S., Bouis R., Briard P., Dougherty S., Eris M. (2013). The GDP impact of reform: A simple simulation framework. OECD Economics Department Working Papers, 834. Barro R. (1991). Economic growth in a cross section of countries. The Quarterly Journal of Economics, 106 (425), 407-443.
12. Bartelsman E., Leeuwen G. van, Polder M. (2017). CDM using a cross-country micro moments database. Economics of Innovation and New Technology, 26 (1-2), 168-182.
13. BCG (2015). Industry 4.0: The future of productivity and growth in manufacturing industries. Technical report. Boston Consulting Group. Available at: https://www.bcg.com/en-au/publications/2015/engineered_products_project_business_industry_4_future_productivity_growth_manufacturing_industries.aspx.
14. Bloom N., Draca M., Reenen J. van (2009). Trade induced technical change? The impact of Chinese imports on innovation, IT and productivity. NBER Working Paper, 16717.
15. Bouis R., Duval R. (2011), Raising potential growth after the crisis: A quantitative assessment of the potential gains from various structural reforms in the OECD area and beyond. OECD Economics Department Working Papers, no. 835. OECD Publishing, Paris. DOI: 10.1787/5kgk9qj18s8n-en
16. Bresser-Pereira L.C. (2019). From classical developmentalism and post-Keynesian macroeconomics to new developmentalism. Brazilian Review of Political Economy, 39, 2, 187-210.
17. Brynjolfsson E., Rock D., Syverson C. (2017). Artificial intelligence and the modern productivity paradox: A clash of expectations and statistics. NBER Working Paper, 24001.
18. Bughin J., Seong J., Manyika J., Chui M., Joshi R. (2018). Notes from the AI frontier modelling the impact of AI on the world economy. McKinsey Global Institute, Discussion paper, September.
19. Calvino F., Criscuolo C., Marcolin L., Squicciarini M. (2018). A taxonomy of digital intensive sectors. OECD Science, Technology and Industry Working Papers, 2018/14.
20. Chen B. (2021). Analysis on the influencing factors of digital economy development in Chinese cities. IPEC2021: 2021 2nd Asia-Pacific Conference on Image Processing, Electronics and Computers, 916-920. DOI: 10.1145/3452446.3452666
21. Coulton C., Goerge R., Hornstein E., Haan B. (2015). Harnessing big data for social good: A grand challenge for social work. Am. Acad. Soc. Work Soc. Welf Work. Paper, 11.
22. Creutzig F., Acemoglu D., Bai X., Edwards Paul P.N., Hintz M.J., Kaack L.H. et al. (2022). Digitalization and the anthropocene. The Annual Review of Environment and Resources, 47, 479-509. EDN: RZDEYG
23. Da Costa Oreiro J. L., Kalinka M. (2022). Structuralist development macroeconomics and new developmentalism: Theoretical foundations and recent developments. Práticas de Administração Pública, 5, 3 (Special Issuе: Structural development macroeconomics). DOI: 10.13140/RG.2.2.21619.45602
24. Dhyne E., Konings J., Bosch J. van den, Vanormelingen S. (2018). IT and productivity: A firm level analysis. NBB Working Paper, 346. Brussels: National Bank of Belgium.
25. Égert B. (2009). Infrastructure investment in network industries: The role of incentive regulation and regulatory independence. OECD Economics Department Working Papers, 688.
26. Égert B. (2017). The quantification of structural reforms: Extending the framework to emerging market economies. OECD Economics Department Working Papers, no. 1442. OECD Publishing, Paris. DOI: 10.1787/f0a6fdcb-en
27. Égert B., Gal P.N. (2017). The quantification of structural reforms in OECD countries: A new framework. CESifo Working Paper Series, no. 6420, April 04. Available at: https://ssrn.com/abstract=2965358 or. DOI: 10.2139/ssrn.2965358
28. Faucher G., Houle S. (2023). Digitalization: Definition and measurement. Bank of Canada, Staff Discussion Paper/2023, September 29.
29. Gal P.G., Nicoletti T., Sorbe R. S., Timiliotis C. (2019). Digitalisation and productivity: In search of the holy grail - firm-level empirical evidence from EU countries. OECD Economics Department Working Papers, 1533. Paris: OECD Publishing. DOI: 10.1787/5080f4b6-en
30. Gordon R. (1998). Monetary policy in the age of information technology: Computers and the Solow paradox. Paper prepared for the conference Monetary Policy in a World of Knowledge-Based Growth, Quality Change, and Uncertain Measurement. Bank of Japan, Corrected version, June 3.
31. Grimes A., Ren C., Stevens P. (2011). The need for speed: Impacts of internet connectivity on firm productivity. Journal of Productivity Analysis, 37, 187-201. 10.1007/ s11123-011-0237-z. DOI: 10.1007/s11123-011-0237-z EDN: SKVSVJ
32. Hemous D., Olsen M. (2016). The rise of the machines: Automation, horizontal innovation and income inequality. IESE Business School Working Paper, WP1110-E. DOI: 10.2139/ssrn.2328774
33. Hochtl J., Parycek P., Schollhammer R. (2016). Big data in the policy cycle: Policy decision making in the digital era. J. Org.Comput. Electron.Comm., 26 (1-2), 147-169.
34. ITU (2020). Экономический вклад широкополосной связи, цифровизации и регулирования в сфере ИКТ: эконометрическое моделирование для региона Содружества Независимых Государств (СНГ). МСЭ, ноябрь 2020. Режим доступа: https://www.itu.int/ru/ITU-D/Regulatory-Market/Pages/Economic-Contribution.aspx.
35. Jipp A. (1963). Wealth of nations and telephone density. Telecommunications Journal, July, 199-201.
36. Johansson A., Guillemette Y., Murtin F., Turner D., Nicoletti G., Maisonneuve C. de la et al. (2013). Long-term growth scenarios. OECD Economics Department Working Papers, 1000.
37. Jorgenson D., Ho M., Samuels J., Stiroh K. (2008). A retrospective look at the U.S. productivity growth resurgence. Journal of Economic Perspectives, 22, 1, Winter, 3-24.
38. Kerdrain C., Koske I., Wanner I. (2010). The impact of structural policies on saving investment and current accounts. OECD Economics Department Working Papers, 815.
39. Lu Y., Zhou Y. (2019). A short review on the economics of artificial intelligence. Curtin University, Crawford School of Public Policy, CAMA Centre for Applied Macroeconomic Analysis.
40. Lusinyan M. L. (2018). Assessing the impact of structural reforms through a supply-side framework: The case of Argentina.International Monetary Fund.
41. McKinsey Global Institute (2017). A future that works: Automation, employment, and productivity. January 2017.
42. Mollins J., Taskin T. (2023). Digitalization and productivity. Bank of Canada, Staff Discussion Paper, 2023-17, August 15.
43. Nelson R., Phelps E. (1996). Investment in humans, technological diffusion and economic growth. American Economic Review, 56, 1, 69-75.
44. Niebel T., Rasel F., Viete S. (2018). BIG data-BIG gains? Understanding the link between big data analytics and innovation. Economics of Innovation and New Technology, 28, 296-316.
45. Nordhaus W. D. (2015). Are we approaching an economic singularity? Information technology and the future of economic growth. NBER Working Paper, w21547. 47 p. DOI: 10.2139/ssrn.2658259
46. PWC (2018). The macroeconomic impact of artificial intelligence. February 2018. Available at: https://www.pwc.co.uk/economicservices/assets/macroeconomicimpact-of-ai-technical-report-feb-18.pdf.
47. Sachs J. D., Benzell S. G., LaGarda G. (2015). Robots: Curse or blessing? A basic framework. NBER Working Papers, 21091.
48. Solow R. (1987). We’d better watch out. New York Times Book Review, July 12, 36.
49. Spence M. (2021). Government and economics in the digital economy. Journal ofGovernment and Economics, 3, Autumn, 10002.
50. Syverson C. (2011). What Determines Productivity? Journal of Economic Literature, 49, 326- 65,. DOI: 10.1257/jel.49.2.326
51. UNCTAD (2021). Technology and innovation report. Catching technological waves (innovation with equity). Available at: https://unctad.org/system/files/official-document/ tir2020_en.pdf.
52. UNIDO (2020). Industrial development report 2020: Industrializing in the digital age. Available at: https://www.developmentaid.org/api/frontend/cms/file/2019/11/UNIDO_IDR2020-MainReport_overview.pdf.
53. Vu K. (2022). Effects of innovation and ict on structural change and productivity growth: Insights from the latest KLEMS dataset. The Seventh WorldKLEMS Conference, 11-13 October 2022.
54. Zhang L., Chen S. (2019), China’s digital economy: Opportunities and risks. IMF’ Working Paper, January. Available at: https://www.researchgate.net/publication/353701911_China’s_Digital_Economy_Opportunities_and_Risks.
Выпуск
Другие статьи выпуска
Большинство исследований об оптимальном уровне цели по инфляции указывают на необходимость поддержания центральным банком полной стабильности цен в экономике. В то же время мировой опыт таргетирования инфляции, а также разноплановая коммуникация центральных банков указывают на неоднородность уровней целей по инфляции и многообразие факторов их выбора. В данной работе рассматривается широкий спектр подходов к оценке наиболее подходящего для экономики уровня цели по инфляции. Систематизация мировой практики и теории денежно- кредитной политики, а также результаты исследований, проведенных в рамках Обзора денежно- кредитной политики Банка России, свидетельствуют о значительных преимуществах потенциального снижения уровня цели по инфляции в России в будущем с текущих 4%. Однако, как отмечает Банк России в своей официальной коммуникации, оценка целесообразности и сроков снижения уровня цели по инфляции возможны после стабилизации инфляции вблизи 4% и снижения общей экономической неопределенности
Инфляция в мире в 2021–2023 гг. оказалась неожиданно высокой — это самый серьезный эпизод глобального роста цен с нефтяных шоков 1970-х годов. В ответ на это центральные банки постепенно повышали ставки, и к концу 2023 г. инфляция существенно затормозилась. Но центральным банкам пришлось признать, что было сделано несколько ошибок, в том числе со слишком поздним стартом роста ставок (ФРС и ЕЦБ — только с весны 2022 г.), неточными моделями оценки инфляции и слишком большими опасениями по поводу потенциальной рецессии. В статье обсуждаются вопросы вклада спроса и предложения в инфляцию США, Европы и России, оценивается скорость реакции центрального банка на повышенный рост цен и предлагается несколько выводов для центральных банков. Главные задачи на будущее — применять более широкие ансамбли моделей, более оперативно реагировать на инфляционные процессы и не игнорировать исторических данных, которые могут казаться слишком устаревшими
В статье рассматриваются два подхода к анализу влияния демографической ситуации на краткосрочную и долгосрочную равновесные ставки. В рамках традиционного подхода равновесная ставка определяется динамикой «реальных» переменных, а демографические факторы влияют на нее через баланс между сбережениями и инвестициями. Наблюдаемое снижение реальных ставок в мире объясняется, в том числе, демографическими причинами: снижением темпов роста населения и его старением. Согласно макрофинансовому подходу, который в последние годы активно развивается главным образом усилиями исследователей из Банка международных расчетов, традиционная точка зрения переоценивает степень снижения долгосрочных реальных равновесных естественных ставок. Сторонники макрофинансового подхода считают, что, учитывая влияние финансового цикла, снижение долгосрочных равновесных ставок менее выражено, так как его основной причиной является смена режимов денежно-кредитной политики, а не «реальные» факторы. Более того, упомянутые демографические тенденции влияют и на финансовый цикл, поэтому косвенно сказываются на краткосрочной равновесной (нейтральной) ставке. Исторически для России — как для крупного экспортера энергоресурсов — более значимы факторы реальной экономики, а значит, и традиционного подхода. По мере развития финансового сектора все более актуальным становится макрофинансовый подход. Тем не менее, оценки динамики долгосрочной равновесной ставки в рамках как традиционного, так и макрофинансового подхода для России будут близки друг к другу
The monetary policy of the central bank is considered in two regimes: the monetary-dominant regime and the fiscally-dominant regime. The article shows the reasons and conditions for the transition of central banks to monetary policy following the dominant fiscal regime. This transition allows the central bank to include fiscal components in its monetary policy that affect the rate of inflation, the dynamics of real interest rates, the state of the primary budget deficit/surplus, the cost of servicing government and corporate debt, and the rise/decrease in longterm bond yields. Under the dominant fiscal regime, the central bank must first lower real interest rates, which can reduce the cost of servicing public debt. The central bank must keep the debt (relative to GDP) at a level at which price increases in the economy are always relative to the real cost of servicing the public debt or the present value of taxes collected minus all budget expenditures. The central bank can reduce inflation by redistributing real payments across the maturities of government debt. Risks of the fiscally-dominant regime arise as a result of erroneous monetary policy and the absence of the necessary fiscal components in the macroeconomic forecast of the central bank
Рассматривается денежно- кредитная политика центрального банка в двух режимах: режиме монетарного и фискального доминирований. В статье показаны причины и условия перехода центральных банков к денежно- кредитной политике, следующей режиму фискального доминирования. Этот переход позволяет центральному банку включать в свою денежно-кредитную политику фискальные компоненты, воздействующие на темпы роста инфляции, динамику реальных процентных ставок, состояние первичного дефицита/профицита бюджета, стоимость обслуживания государственного и корпоративного долгов, а также рост/снижение доходности долгосрочных облигаций. В условиях режима фискального доминирования центральный банк должен сначала снизить реальные процентные ставки, способные уменьшить стоимость обслуживания государственного долга. Центральный банк должен удерживать долг (по отношению к ВВП) на таком уровне, при котором рост цен в экономике всегда соотносится с реальной стоимость обслуживания государственного долга или текущей стоимостью собираемых налогов за вычетом всех бюджетных расходов. Центральный банк может снизить инфляцию за счет перераспределения реальных выплат по срокам погашения государственного долга. Риски фискального доминирования возникают в результате ошибочной денежно- кредитной политики, отсутствия в макроэкономическом прогнозе центрального банка необходимых фискальных компонентов.
В работе приводится пример применения гедонического метода корректировки индексов цен, учитывающий влияние изменений качества товаров на их потребительскую стоимость. Метод, первые попытки применения которого относятся к началу ХХ в. и который был окончательно оформлен Грилихесом в 1961 г., позволяет разделить наблюдаемое изменение цены на часть, определяемую инфляционными процессами, и на часть, связанную с изменениями в потребительских качествах товаров. В зарубежной литературе метод получил широкое освещение, он был применен к ценам различных товаров: от потребительской электроники до стоимости билетов на авиарейсы. В настоящее время метод часто применяется для изучения рынка недвижимости. В то же время в отечественной литературе сравнительно мало работ по данной теме. В настоящей работе авторы сделали попытку применить гедонический метод к ценам на потребительскую электронику (портативные персональные компьютеры, ноутбуки) и подержанные автомобили. Также авторами представлены обновленные результаты из опубликованных ранее работ, касающиеся мобильных телефонов и телевизоров. Применение метода показало, что полученные с его помощью индексы цен, учитывающие изменения качества, статистически значимо отличаются от индекса средних наблюдаемых цен
The technology sector has been showing a constant increase in the number of M&A transaction over the last years, setting record in both deal volume and value. For many companies, this is the only way to obtain the unique resources and build capacity necessary to succeed in the fast-paced business environment. The current paper investigates whether the strategic deals, which have been driving the technology sector over the last decade, can be considered value- creating and had a positive impact on the acquirers’ long-term fi nancial performance. To analyze the changes in the performance of bidding companies both univariate and multipleregression analyses were performed. The results show that overall the acquiring companies could not achieve profi table growth and fully capture value and the benefi ts of M&A. The acquirers showed rather a deterioration in post-acquisition profi tability, effi ciency, and growth. The focus (international and industrial) was associated with the best results in terms of both profi tability and growth, while the largest increase in post-event growth rates was achieved by the companies from the emerging markets and in the first years following the completion of the deal.
В работе исследуется вопрос, являются ли эффективными масштабные вложения в инфраструктуру, не связанные непосредственно с проектами развития производства. Под эффективностью понимается ускорение экономического роста на устойчивой основе. Обзор результатов исследований показывает, что для экономического роста последствия этих вложений имеют сложный нелинейный характер, что обусловлено эволюционным характером эффективности вложений в инфраструктуру. Применение подхода эволюционной экономической политики, полагающей зависимость экономической политики от стадии развития страны, позволяет обосновать следующую гипотезу. Значимое влияние инфраструктуры на рост обнаруживается для сильно отстающих стран (преимущественно работает прямой канал — повышения производительности существующих факторов), где наблюдается критический недостаток инфраструктуры. В этом случае вложения в инфраструктуру могут опережать динамику экономики, способствуя ее ускорению. По мере накопления инфраструктурного капитала снижается его отдача, а эффективность правительства и рынка находится на невысоком уровне. В этом случае влияние инфраструктуры слабое, если страна пытается опираться на институты развитого рынка, и сильное, если страна опирается на институты догоняющего развития. В первом случае оптимальным является следование инфраструктуры за развитием экономики, во втором — опережение. По мере развития страны растет эффективность рынка и правительства, в результате — улучшается работа канала комплементарности (когда происходит приток нового частного капитала). Этот канал ориентирован на новые проекты, освоение территорий, создание новых или модернизацию существующих производств. Кроме того, более эффективное правительство лучше находит и устраняет узкие места развития. Вложения в инфраструктуру могут вновь опережать динамику экономики, обеспечивая ее рост. Для российской экономики, где эффективность правительства и рынка, запас и качество инфраструктурного и человеческого капитала находятся на средних уровнях, а проектов развития производства не хватает, ожидать ускорения роста от вложений в инфраструктуру не приходится.
В России процесс поступления в вузы в 2021–2022 гг. был связан с высокими рисками для абитуриентов. Многие абитуриенты вплоть до самого конца приемной кампании — до момента публикации списков поступивших — не могли быть уверены, что они приняты на программу, куда принесли «согласие на зачисление». В настоящей статье анализируется основанная на динамической версии алгоритма Гэйла–Шепли централизованная система распределения абитуриентов. Главным плюсом предлагаемой системы является намного меньшая неопределенность для абитуриентов. Если абитуриент выбрал некоторую программу, он может быть уверен, что ему предложат место на этой программе ранее, чем абитуриентам с меньшим числом баллов. Как мы объясняем, такие правила приема стимулируют абитуриентов выбирать образовательные программы, в первую очередь исходя из своих интересов и пользы для общества, а не из необходимости поступить хотя бы куда-то. Для практической реализации самым важным является вопрос скорости сходимости данного алгоритма, чему и посвящена настоящая статья. Мы приводим результаты моделирования предлагаемой системы на синтетических данных и исследуем случаи, мешающие быстрому распределению абитуриентов по программам. В статье также будет представлено несколько предложений. как ускорить сходимость алгоритма в реальной ситуации. Мы рассматриваем нашу статью в первую очередь как аналитический материал в интересах государства (policy paper) — академическое сообщество может и должно принимать участие в разработке правил приема в вузы
Настоящая статья посвящена анализу факторов, влияющих на участие субъектов малого и среднего предпринимательства в двухуровневом механизме поддержки, в рамках которого госбанки предоставляли конечным получателям льготные кредиты, частичные гарантии и гибридный инструмент (100%-ная гарантия со льготным фондированием от Банка России). В существующей исследовательской литературе преимущественно рассматривается одноуровневый механизм государственной поддержки, в то время как вопросы функционирования двухуровневой системы остаются малоизученными. С учетом специфики изучаемого механизма поддержки в значительной степени был пересмотрен набор факторов, влияющих на участие компаний в программах поддержки. Для количественной оценки использовалась классическая логит- модель, однако, с учетом того что в структуре данных выявлены «редкие события», регрессии были переоценены с использованием двух модификаций (relogit, fi rthlogit). Анализ показал, что государственные банки в целом обладают низкими стимулами к обслуживанию новых ниш и использованию альтернативных кредитных технологий. При этом сам же механизм государственной поддержки требует значительной корректировки.
Целью работы является определение влияния социального капитала членов советов директоров, формирующегося за счет различных типов связей, на устойчивость компаний к экзогенным шокам. Рассмотрены три типа связи: профессиональные, международные и политические. Используя данные крупнейших нефинансовых компаний России, включенных в индекс широкого рынка Московской биржи с 2007 по 2020 г., была проанализирована роль социального капитала в обеспечении устойчивости в периоды трех шоков: мирового финансового кризиса 2008–2009 гг., сырьевого кризиса и введения санкций в 2014–2015 гг. и кризиса, вызванного пандемией COVID-19 в 2020 г. Результаты оценивания методом наименьших квадратов моделей с фиксированными эффектами свидетельствуют о различном влиянии рассматриваемых связей в периоды кризисов на устойчивость компаний, определяемую как стандартное отклонение рентабельности активов. Результаты свидетельствуют об устойчивом негативном влиянии рассматриваемых кризисов, кроме кризиса, вызванного пандемией COVID-19. Социальный капитал членов совета директоров по-разному влиял на устойчивость компаний в периоды данных кризисов. Профессиональные связи ослабляли влияние мирового финансового кризиса. Политические и профессиональные связи усиливали негативный эффект кризиса 2014– 2015 гг. Таким образом, в данном вопросе важную роль играет природа кризиса
In this paper, we analyse the strategic order of athletes in sports relays. It is generally believed that the strongest athlete should perform the last. In sports, ‘choking under pressure’ is a major phenomenon that manifests in athletes’ performance decrement when faced the stressful conditions. We focus on the pressure the athletes experience when their team is lagging behind the competitor in accuracy-based relays. In theoretical models, we found that choking under pressure has an impact on strategic decisions on team formation when teams consist of players with differentiated skills. Without ‘choking under pressure’, teams are indifferent to athletes’ order. If all athletes experience the same magnitude of performance decrements, the strictly dominant strategy is: a stronger athlete starts and a weaker athlete fi nishes the race. For the case of differentiated performance decrements, we fi nd the optimal strategy as a function of those decrements. The conventional wisdom strategy “Weaker to start, stronger to fi nish” is strictly dominant only when the resilience of a strong player is high enough and the performance decrement is much lower than a weak player’s
В условиях нарастающего напряжения в мировой политике и введения торговых барьеров актуальной задачей становится разработка новых инструментов для оценки их последствий. В данной работе представлена агент-ориентированная модель торговых вой н, описывающая взаимодействие организаций в различных странах, созданная на основе детализированной статистики по отраслям. В процессе динамического моделирования воспроизводятся изменения в выпуске и поставках организаций под действием торговых ограничений. Представлены результаты расчетов на разработанной модели и сравнение прогнозов различных модельных комплексов с реальными последствиями торговых вой н между США и Китаем в 2018 г., блока западных стран против России в 2022 г. В рамках расчетов были рассмотрены четыре сценария: 1) базовый, 2) новые ограничения между США и Китаем, 3) более серьезные санкции против Китая и России со стороны ЕС и США, 4) глобальная торговая вой на. Во втором сценарии отклонение ВВП США и Китая от базового прогноза не превосходит 0,5%. В третьем сценарии число вовлеченных стран увеличивается и падение ВВП в них относительно базового прогноза ожидается на уровне 0,7–1,0%. В четвертом сценарии вся мировая экономика испытывает серьезное замедление. С наиболее тяжелыми последствиями сталкивается Евросоюз, и экономики этих стран уходят в рецессию
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