Модель ms-varХ и ее применение для анализа бизнес ... · № 4...

4 [681] красавiк 2020http:/ /www.nbrb.by/bv

Модель MS-VARХ и ее применение для анализа бизнес-цикла белорусской экономики/ страница 22

Оценка добавленной стоимости в экспорте Беларуси/ страница 3

Свойства комбинированного прогноза и особенности его применения/ страница 18

Народное количественное смягчение: являются ли «живые деньги» панацеей от современных вызовов?/ страница 12

Дызайн: Святлана Заскевіч.Чаканка: ЗАТ «Манетны двор Поль-

шчы».Манеты маюць форму круга, з пярэд-

няга і адваротнага бакоў – кант, які высту-пае па акружнасці. Бакавая паверхня манет з насечкай.

Аверс: уверсе – рэльефны відарыс Дзяржаўнага герба Рэспублікі Беларусь і надпіс па крузе: РЭСПУБЛІКА БЕЛА-РУСЬ; у цэнтры – стылізаваныя выявы го - рада і анёла, які лунае над ім, абрамленыя стужкай з надпісам: АНЁЛ-АХОЎНІК; пад ёй намінал: 50 РУБЛЁЎ (на залатой), 20 РУБЛЁЎ (на срэбнай) і 1 РУБЕЛЬ (на

медна-нікелевай); злева – проба сплаву (на залатой і срэбнай); справа – год чаканкі.

Рэверс: у цэнтры – стылізаваная вы -ява анёла, які абдымае немаўля.

Манеты адчаканены:залатая наміналам 50 рублёў – якасцю

«пруф» (вага – 7,78 г, проба сплаву – 999, дыяметр – 25,00 мм, тыраж – 399 штук);

срэбная наміналам 20 рублёў – якас-цю «пруф» (вага – 33,63 г, проба сплаву – 925, дыяметр – 50,00 мм, тыраж – 2 999 штук);

медна-нікелевая наміналам 1 рубель – якасцю «пруф-лайк» (вага – 43,28 г, дыя-метр – 50,00 мм, тыраж – 4 999 штук).

Уведзены ў абарачэнне 27 снежня 2019 г.

№ 4 (681) апрель 2020 года. Издается с апреля 1992 года

С О Д Е Р Ж А Н И Е

Редакционно -изда тельский совет

П.А.Маманович кандидат экономических наук, доцент

(председатель совета, главный редактор)А.О.Тихоновдоктор экономических наук, профессор

(заместитель председателя совета)А.М.Тимошенко А.Ф.Галовкандидат экономических наук, доцентД.Л.КалечицС.В.КалечицЕ.Ф.Киреевадоктор экономических наук, профессорМ.М.Ковалев доктор физико-математических наук, профессорВ.Н.Комков доктор экономических наук, профессорИ.В.Новиковадоктор экономических наук, профессорС.В.СалакВ.И.Тарасов доктор экономических наук, профессорЮ.М.Ясинский доктор экономических наук, профессор

Номер подготовлен Управлением информации и общественных связей Национального банка Республики Беларусь

Главный редакторПетр Алексеевич Маманович Зам. главного редактораА.М.ТимошенкоОтветственный секретарьС.В.СалакРедакторыИ.В.Гилевич [email protected]В.Е.Кудина [email protected]Т.В.Воронец [email protected]Оформление и версткаЕ.С.Касилович [email protected]Л.А.Поведайло [email protected]

Адрес редакции 220008, г. Минск, просп. Независимости, 20Тел.: (017) 219-23-84, 219-23-83, 220-21-84e-mail: [email protected]

Отпечатано на республиканском унитарном предприятии«Издательство «Белорусский Дом печати»Лицензия № 02330/106 от 30.04.2004220013, г. Минск, пр-т Независимости, 79/1

Заказ № 820. Подписано в печать 30.04.2020.Формат 60х84 1/8. Офсетная печать. Усл. печ. л. 8,37. Тираж 128 экз.

Журнал зарегистрирован Министерством информации Республики Беларусь 20.03.2009Свидетельство о регистрации № 175

Точка зрения редакции не всегда совпадает с мнением авторов. Статьи в разделе «Научные публикации» предварительно рецензировались.Перепечатка материалов – согласно Закону

Республики Беларусь «Об авторском праве и смежных правах»

Подписные индексы: индивидуальная подписка – 74829ведомственная подписка – 748292

Учредитель –Национальный банк Республики Беларусь

© Банкаўскi веснiк, 2020

Инна ЮЗЕФАЛЬЧИКНародное количественное смягчение:

являются ли «живые деньги» панацеей от современных вызовов?

Статья посвящена рассмотрению актуальности введения безусловного (универсального) базового дохода как реакции на современные вызовы в экономике, в числе которых технологическая революция, пандемия COVID-19. Автором дана характеристика данному инструменту, суть которого отличается от иных мер социальной помощи, а также рассмотрен зарубежный опыт его применения и сформулированы условия для его введения. Результаты, полученные разными странами в ходе реализации проектов, свидетельствуют о неоднозначности применения безусловного базового дохода. 12

Ирина ТОЧИЦКАЯОценка добавленной стоимости в экспорте Беларуси

В работе проведена оценка национальной и иностранной добавленной стоимости в экспорте Беларуси в 2011 г. и 2017 г. на основе таблиц «Затраты – Выпуск». Анализ экспорта на основе добавленной стоимости позволил по-иному взглянуть на его структуру, показатели внешнеторговой открытости, выделить долю в нем отечественного компонента, а также прямого и непрямого импорта и лучше понять источники возможных сравнительных преимуществ. Полученная информация может быть использована при выработке экономической политики наряду с данными традиционной статистики внешнеэкономической деятельности. 3

Валентин СУВАЛОВСвойства комбинированного прогноза и особенности его применения

В статье рассматривается метод комбинированного прогнозирования временных рядов, обосновывается его актуальность. Анализируется справедливость тезиса о способности комбинированного прогноза превосходить по точности методы, в него входящие, для прогнозирования отдельных автономных факторов ликвидности банковской системы. Определяются причины, по которым метод комбинированного прогнозирования в отдельных случаях опережает по точности иные методы прогнозирования. Даются рекомендации по применению комбинированного прогноза на практике. 18

Владимир МАЛЮГИН, Анатолий МАКАРЕВИЧМодель MS-VARХ и ее применение для анализа бизнес-цикла

белорусской экономики

Модель с марковскими переключениями состояний MS-VARX, математическое обоснование которой было ранее предложено одним из авторов статьи, расширяет известную модель MS-VAR, допуская возможность использования экзогенных переменных. Данная статья посвящена ее экономической верификации. Рассматривается проблема анализа делового цикла и прогнозирования темпов роста реального ВВП белорусской экономики. Построенная модель основана на коинтеграционной взаимосвязи между годовым темпом роста реального ВВП и индексом экономических настроений (ESI), который экзогенно используется в качестве опережающего экономического индикатора. Установлены преимущества предлагаемой модели в прогнозировании поворотных точек цикла и темпов роста экономической активности. 22

2

Банкаўскі веснік, КРАСАВIК 2020

О Ф И Ц И А Л Ь Н О

В Беларуси совершенствуются отдельные подходы в части предоставления банками кредитов физическим лицам. Соответствующие решения приняты постановлениями Правления Национального банка Республики Беларусь от 31 марта 2020 г. № 99 «Об изменении постановления Правления Национального банка Республики Беларусь от 29 марта 2018 г. № 149» и от 31 марта 2020 г. № 100 «О расчете показателей долговой нагрузки и обеспеченности кредита», которые вступают в силу с 1 мая 2020 г.

Постановлением № 99 внесены изменения в Инструкцию о порядке предоставления денежных средств в форме кредита и их возврата (погашения). В соответствии с обно вленной Инструкцией банк обязан предоставлять кредитополучателю по запросу, в том числе посредством использования систем дистанционного банковского обслуживания, по меньшей мере один раз в месяц без взимания вознаграждения информацию о задолженности по кредитному договору по определенной форме, установленной Инструкцией. Также кредитополучатель вправе требовать от банка письменное подтверждение полного исполнения обязательств по кредитному договору. Закреплен запрет на взи мание банком с кредитополучателя платежей (комиссионных и других), связанных с обязательством банка по предоставлению кредита.

Подходы к расчету показателя долговой нагрузки (ПДН) и показателя обеспеченности кредита (ПОК), а также их допустимые значения изложены в постановлении № 100.

В частности, конкретизированы виды ежемесячных платежей физического лица, которые используются при расчете ПДН. В расчет включаются: ежемесячный платеж по предоставляемому кредиту; ежемесячный платеж по операциям кредитного характера; ежемесячный платеж по

договорам о коммерческих займах; иные платежи, совершаемые физическими лицами в соответствии с обязательствами. Также учитывается просроченная задолженность в полном объеме и наличие обязательств в случае, если физическое лицо является поручителем.

Установлены требования к определению среднемесячного дохода физического лица. При использовании банком заявительного принципа в зависимости от вида дохода в расчет включается наименьшая из следующих величин:

– величина дохода, указанная физическим лицом;– номинальная начисленная заработная плата работ

ников по областям и г. Минску в зависимости от места жительства (пребывания) физического лица;

– номинальная начисленная заработная плата работников по видам экономической деятельности в зависимости от вида деятельности физического лица;

– средний размер пенсий, назначенных в соответствии с законодательством;

– установленная банком величина дохода, не превышающая вышеперечисленные.

В ином случае банк при определении размера среднемесячного дохода физического лица учитывает доходы, которые подтверждены.

Расчет ПДН будет осуществляться с учетом вида кредита в соответствии с утвержденной постановлением № 100 классификацией.

Подходы к расчету ПОК, который используется при оценке банком кредитоспособности физического лица при предоставлении ему кредита на финансирование недвижимости, не изменились. Допустимые значения ПДН и ПОК остались прежними: ПДН не должен превышать 40%, ПОК – 90%.

В Беларуси совершенствуются подходы к кредитованию физических лиц

Екатерина ГОСПОДАРИК, Михаил КОВАЛЕВПерспективы ЕАЭС: экономический рост

при инновационном рывке

В статье анализируется текущее состояние экономик стран ЕАЭС и выявляются существующие проблемы, а также предлагается новый сценарий развития до 2030 г. – инновационный рывок. Прогнозируются результаты реализации предложенного сценария с помощью построенной гибридной модели экономического роста. 39

Олег ГИЧАН, Екатерина ГОСПОДАРИКСовременная практика разработки скоринговых карт

для розничных клиентов в белорусских банках

Скоринговые карты разрабатываются в большинстве белорусских и зарубежных банков для оценки кредитоспособности заемщиков. Банковским организациям

Ирина КУЗЮК, Виктория КУФТОЭконометрическое моделирование депозитов

населения Беларуси

Эффективное функционирование финансово-инвестиционного механизма предполагает привлечение денежных накоплений хозяйствующих субъектов и их трансформацию в инвестиции, т. е. использование финансовых сбережений в качестве ресурса для инвестиций в экономику. В связи с этим не теряет своей актуальности вопрос совершенствования экономической политики, направленной как на увеличение объемов организованных финансовых сбережений населения, так и на улучшение их структуры. 60

Юрий ГРУЗИЦКИЙНобелевский лауреат из Пинска

Ключевую роль в формировании теории экономического роста сыграли труды американского экономиста нашего земляка С. Кузнеца, одного из ярких представителей количественного подхода в экономической науке (совокупности методов обработки статистических данных для теоретического анализа законов развития экономической системы и регулирования макро- и микроэкономических процессов). С. Кузнец был пионером в этой области. 69

Наталия МЫЦКИХMIRR в решении проблемы множественности IRR

Рассмотрены варианты трансформации неординарного денежного потока в ординарный с единственным оттоком и притоком. Установлено, что любая трансформация, осуществляемая посредством дисконтирования оттоков и наращения притоков по цене капитала, используемая и в модели MIRR, несмотря на обеспечение единственного корня уравнения NPV, не позволяет получить адекватную оценку IRR исходного инвестиционного проекта, поскольку получаемое значение представляет собой эквивалентную ставку доходности исходного и дополнительных к нему инвестиционных проектов.При оценке эффективности неординарных проектов рекомендовано использовать универсальную модель NPV, обеспечивающую единственное и адекватное значение IRR. 33

рекомендуется периодически пересматривать действующие скоринговые карты, строить новые и, сравнивая их прогнозную силу, выбирать наиболее действенные и точные для повышения конкурентоспособности на рынке кредитных ресурсов. Авторами построена скоринговая карта на основе логистической регрессии с использованием определенных возможностей машинного обучения и современного технологического инструментария. 49

3

НАУЧНЫЕ ПУБЛИКАЦИИ


Оценка добавленной стоимости в экспорте Беларуси1

УДК 330.5.057.7Ключевые слова:

модель «Затраты – Выпуск»; добавленная стоимость экспорта; внешняя торговля.

Исследовательский центр ИПМ, научный директор, кандидат экономических наук, доцент, Республика Беларусь, г. Минск, e-mail: [email protected]

Ирина ТОЧИЦКАЯ

– возможность экспорта вно сить вклад в ускорение экономического роста также во многом обусловлена долей в нем отечественного компонента и его структурой;

– показатели объемов добавленной стоимости в экспорте, ее структуры, а также иностранного и отечественного компонентов могут быть использованы при разработке промышленной политики. В свою очередь, оценка вклада отдельных секторов, в частности услуг, в создание добавленной стоимости экспорта, а также взаимосвязь между ними важны для понимания источников роста конкурентоспособности национальной продукции на внешних рынках.

В 2013 г. Организация экономического сотрудничества и развития (далее – ОЭСР) совместно со Всемирной торговой организацией (далее – ВТО) создали базу данных по торговле добавленной стоимостью (TiVA). По состоянию на 2018 г. она содержала 46 показателей по 64 странам (все государства ОЭСР, ЕС28, G20, большинство стран Восточной и ЮгоВосточной Азии и ряд стран Южной Америки) и 34 секторам промышленности и услуг. В частности, в данной базе имеется информация по России и Казахстану, однако Беларусь в ней не представлена. В 2013 г. было опубликовано специальное исследование ЮНКТАД [15], в котором анализировалась взаимосвязь между участием в цепочках добавленной стоимости и экономическим развитием. В нем было установлено, что данное участие оказывает положительное влияние на создание рабочих

и технологический потенциал, а также выявленные сравнительные преимущества и т. д. во многом будут определяться тем, как она участвует в вертикальной интеграции и какую добавленную стоимость создает. Такого рода оценки становятся все более востребованными как среди экономистов, так и среди специалистовпрактиков. В связи с тем, что их невозможно провести в рамках традиционной статистики внешнеэкономической деятельности, фиксирующей межгосударственные потоки валового экспорта и импорта в стоимостном и физическом объемах, большое распространение в последние годы получил анализ показателей торговли добавленной стоимостью. Он дает дополнительную информацию, которая может быть использована при выработке экономической политики:

– традиционные показатели экспортных и импортных квот не совсем корректно отображают степень зависимости страны от экспорта и импорта, поскольку в числителе приводятся валовые объемы внешнеторговых потоков, а в знаменателе – валовой внутренний продукт, измеряемый исходя из добавленной стоимости. В связи с этим использование данных о торговле добавленной стоимостью позволяет получить более точную оценку. Они также могут быть использованы для анализа подверженности национальной экономики внешним шокам;

– доля отечественного и импортного компонента в экспорте важна для понимания влияния укрепления или ослабления нацио нальной валюты на внешнеторговые потоки;

В последнее десятилетие развитие мировой торговли происходило на фоне усиливающейся интернационализации и фрагментации производства, которые привели к росту взаимосвязи и взаимозависимости стран в рамках глобальных цепочек добавленной стоимости (далее – ГЦС). В результате помимо экспортера, находящегося в конце данной цепочки, в создании товара или услуги участвуют производители из многих стран, поставляющие промежуточный импорт, в состав которого входит сгенерированная ими добавленная стоимость. Следовательно, выигрыш страны от внешней торговли, ее экспортный

1 Работа подготовлена в рамках проекта международной технической помощи «Кастрычніцкі эканамічны форум (KEF)», реализуемого при поддержке Европейского союза.

4



мест, передачу знаний и экономический рост. ЮНКТАД также создал базу, содержащую показатели, связанные с ГЦС, и в частности такие как добавленная стоимость в торговле, иностранный и отечественный компоненты добавленной стоимости, а также косвенная добавленная стоимость (indirect value added). В ней также отсутствует информация по Беларуси в связи с имеющимися ошибками в данных2.

Учитывая высокую степень внешнеэкономической открытости Беларуси, большой удельный вес как экспорта обработанной продукции, так и промежуточного импорта, исследование торговли добавленной стоимостью представляет большой интерес. Изучению данной проблемы посвящен ряд работ отечественных исследователей (например, Быков А.А. и Колб О.Д. [1]), однако последние расчеты в них были выполнены для 2011–2012 гг. В связи с этим данная работа ставит своей целью определение объемов добавленной стоимости в экспорте Беларуси, ее структуры, а также иностранного и отечественного компонентов за 2011 г. и 2017 г.

М е т о д и к а о ц е н к и и и с п о л ь з о в а н н ы е д а н н ы еОдним из первых исследова

ний, посвященных вопросам торговли добавленной стоимостью, является работа Hummels D., Ishii J., Yi K. [6], в которой была предложена методика расчета иностранного компонента в экспорте. В дальнейшем данный подход получил развитие в ряде работ с целью изучения созданной в различных секторах экономики национальной добавленной стоимости в экспорте, уровня занятости, необходимого для ее производства, и т. д. В основе метода расчета торговли добавленной стоимостью лежит разработанный Леонтьевым анализ по схеме «Затраты – Выпуск».

В данном исследовании для расчетов была использована методика, разработанная Chen X. [et al.] [2], Koopman R. и Wang Z. [9].

Исходя из таблиц «Затраты – Выпуск», уравнение спроса и

предложения для национальных и импортных товаров может быть записано следующим образом:

∑nj=1X

Dij + FD

i = Xi (i = 1,2,3…n), (1)

∑nj=1X

Mij + FM

i = Mi (i = 1,2,3…n), (2)

где D и M – это отечественные и импортные товары; Хij – использование товаров и услуг сектора i в секторе j; Fi – конечный спрос; Mi – импортные товары; Xi – выпуск товаров и услуг.

Из уравнений (1) и (2) следует, что:

ADX + FD = X, (3)AMX + FM = M, (4)

где AD и AM – матрицы коэффициентов прямых затрат отечественных и импортных товаров; FD и FM – 1хn векторы конечного спроса на отечественные и импортные товары, X – 1xn вектор выпуска товаров и услуг.

Из уравнения (3) следует, что:

X = (I – AD)–1FD, (5)M = AM(I – AD)–1FD + FM, (6)

где (I – AD)–1 – инверсионная матрица Леонтьева.

Если при производстве экспорта и товаров для внутреннего потребления коэффициенты затрат одинаковые, то при увеличении экспорта ∆E и неизменном конечном спросе прирост выпуска товаров и услуг составит:

∆X = (I – AD)–1∆E (7)

и, соответственно, прирост добавленной стоимости, вызванной приростом выпуска, будет равен:

∆V = AV(I – AD)–1∆E, (8)

где V – 1xn вектор добавленной стоимости.

Исходя из уравнения (8), национальная добавленная стоимость DV, созданная при производстве единицы экспорта, составит:

DV = AV(I – AD)–1, (9)

где DV – 1xn вектор национальной добавленной стоимости.

При производстве единицы выпуска, а также, соответственно, и экспорта создается как прямая, так и непрямая (косвенная) добавленная стоимость. Например, при производстве пищевой продукции нужна отечественная продукция растениеводства и животноводства, для выращивания которой, в свою очередь, требуется использование удобрений.

Следовательно, общая национальная добавленная стоимость будет равна прямой национальной добавленной стоимости и нескольким раундам создания косвенной добавленной стоимости:

DV = AV + AVAD + AVA

DAD + + AVA

DADAD + ... = AV(I – AD)–1. (10)

Для производства единицы выпуска и экспорта также может быть использован как прямой, так и непрямой импорт. Соответственно, импортная составляющая добавленной стоимости экспорта рассчитывается следующим образом:

FV = AM + AMAD + AMADAD + + AMADADAD + ... = AM(I – AD)–1. (11)

Согласно Hummels D., Ishii J., Yi K. [6], уравнение (11) позволяет определить вертикальную специализацию во внешней торговле3.

При расчетах национальной и импортной составляющей добавленной стоимости экспорта в соответствии с описанной выше методикой применяется ряд важных допущений:● интенсивность использования

импортных ресурсов одинакова как при производстве про дукции, продаваемой внутри страны, так и поставляе мой на экспорт;

● коэффициенты затрат являются одинаковыми как для экспорта, так и для продукции, реализуемой на внутреннем рынке, и, соответственно, доля национального компонента в выпуске товаров и услуг и в экспорте также должна быть одной и той же.Оба данных допущения при

менимы для Беларуси, поскольку в большинстве случаев и для внутреннего рынка, и на экспорт

2 См.: UNCTAD-Eora Global Value Chain Database (https://worldmrio.com/unctadgvc/). 3 Содержание прямого и непрямого импорта в экспорте.

5



выпускается одна и та же продукция и, соответственно, для определения национальной и иностранной добавленной стоимости в экспорте может быть использована предложенная выше методика. Ее расчет был проведен для Беларуси за 2011 г. и 2017 г. на основе данных системы таблиц «Затраты – Выпуск», в которых имеются отдельные таблицы использования отечественных и импортных товаров и услуг.

П о к а з а т е л и э к с п о р т н о й з а в и с и м о с т иКак уже отмечалось ранее,

традиционные показатели внешнеторговой открытости, рассчитываемые как отношение экспорта и импорта к ВВП, не позволяют в полной мере оценить зависимость страны от международной торговли. Как показано в ряде работ, как правило, она оказывается завышенной ввиду того, что в числителе приводятся валовые объемы внешнеторговых потоков, а в знаменателе валовой внутренний продукт, измеряемый исходя из добавленной стоимости (например, He D., Zhang W. [5], Johnson R., Noguera G. [7]). Кроме того, в исследованиях, посвященных данному вопросу, отмечается, что традиционно рассчитываемые показатели не позволяют

ответить на ряд важных вопросов (Jonson R. [8]):

– как рост или снижение расходов на конечное потребление на зарубежных рынках влияет на экономическую активность в странеэкспортере? Вопервых, использование показателя общего стоимостного объема экспорта не дает возможности точно оценить, насколько его снижение окажет влияние на ВВП, поскольку один доллар экспорта не создает один доллар добавленной стоимости. Вовторых, возникает проблема с оценкой влияния внешних шоков на национальную экономику, так как не прослеживается географическое распределение добавленной стоимости. Например, снижение расходов на конечное потребление в странеимпортере В может не оказать существенного влияния на странуэкспортер А, если поставляемая ей продукция используется в стране В для производства товаров, которые, в свою очередь, экспортируются в страну С. Таким образом, источником внешних шоков для национальной экономики могут быть совершенно не те страны, которые выявляются на основе простого анализа экспортных потоков;

– как изменение относительных международных цен, например происходящее вследствие колебаний обменных курсов

валют, может сказаться на конкурентоспособности национального экспорта?

– как сделать внешнюю торговлю более сбалансированной и уменьшить имеющийся дефицит?

Использование таблиц «Затраты – Выпуск» дает возможность более точно определить степень зависимости экономики от экспорта, а также оценить роль импорта не только для страны в целом, но и в разрезе отдельных секторов и видов деятельности. Проведенные по Беларуси расчеты показывают, что зависимость страны от экспорта составляла 27,6% в 2017 г. и была существенно ниже, чем при использовании традиционного показателя – 67% (рисунок 1). Однако, в свою очередь, отношение прямой добавленной стоимости экспорта к ВВП занижает степень внешнеторговой открытости национальной экономики, поскольку при производстве единицы экспортной продукции создается как прямая, так и непрямая добавленная стоимость. В связи с этим степень зависимости экономики от внешней торговли и, в частности, от поставок на внешние рынки более полно будет характеризовать соотношение полной добавленной стоимости экспорта к ВВП4.

Согласно проведенным расчетам, данный показатель для

Удельный вес национальной добавленной стоимости в экспорте, %

Примечания: 1. Разработка автора на основе данных таблиц «Затраты – Выпуск», TiVA (ОЭСР – ВТО).2. Для всех стран, кроме Беларуси, данные приведены за 2011 г. и 2016 г. По Беларуси данные рассчитаны за 2011 г. и 2017 г.

Беларусь

Казахстан

Россия

Китай

Словакия

Польша

Литва

Латвия

Венгрия

Чехия

Беларусь

Казахстан

Россия

Китай

Словакия

Польша

Литва

Латвия

Венгрия

Чехия

00 20 40 60 80 100 00 20 40 60 80 100

а) удельный вес национальной добавленной стоимости в экспорте

б) удельный вес национальной добавленной стоимости в экспорте обрабатывающей промышленности

2016 г.2011 г.

Рисунок 1

4 Такой подход к оценке зависимости страны от экспорта был предложен в ряде исследований, например в работе [5].

6



Беларуси в 2017 г. равнялся 45,2%, снизившись по сравнению с 2011 г. на 2,6 процентного пункта. Это свидетельствует о сильной зависимости экономики страны от экспорта, а существенная разница между оценками, сделанными с использованием полной и прямой добавленной стоимости, указывает на высокую вовлеченность различных секторов и отраслей в создание экспортной продукции. Степень открытости экономики Беларуси близка к уровню Чехии и Венгрии, у которых соотношение полной добавленной стоимости экспорта к ВВП составляло в 2016 г. 43,2% и 43,7% соответственно. Для сравнения, в Польше зависимость от экспорта в 2016 г. была 36,2%, в близкой по численности населения Бельгии – 37%, а в традиционно считающейся экспортоориентированной Германии – 29,1%5.

При анализе показателей внешнеторговой открытости в разрезе секторов и отраслей интерес представляет определение степени открытости по импорту, необходимому для производства экспортной продукции, поскольку данный показатель учитывает использование как прямого, так и непрямого импорта. В целом по обрабатывающей промышленности Беларуси отношение импортной составляющей экспорта к ВВП, произведенному в данном секторе, составило в 2017 г. 44,2% и уменьшилось по сравнению с 2011 г.

В современной международной торговле все большую роль играют деловые услуги и, соответственно, увеличение их экспорта и его добавленной стоимости, что является как важным индикатором конкурентоспособности страны в целом, так и фактором, способствующим росту промышленного экспорта. В Беларуси высокую экспортную ориентацию в секторе бизнесуслуг6 имеют компьютерное программирование (71,5%), аренда, прокат, лизинг (58,8%), деятельность в области трудоустройства (57,9%), а также транспортная деятельность и услуги по временному проживанию. Однако в целом данный

сектор имеет низкий показатель отношения полной добавленной стоимости экспорта к произведенному ВВП. В 2017 г. он составлял 26,5%, при этом, например, по профессиональной, научной и технической деятельности значение данного показателя было еще ниже и равнялось 17,7%, а по финансовой и страховой деятельности находилось на уровне 2,9%.

Н а ц и о н а л ь н а я д о б а в л е н н а я с т о и м о с т ь э к с п о р т аНа основе методики Chen X.

[et al.] [2], Koopman R., Wang Z. [9] и данных таблиц «Затраты – Выпуск» для Беларуси была определена национальная и иностранная добавленная стоимость экспорта в целом по экономике и для отдельных секторов и видов деятельности за 2011 г. и 2017 г. Схожесть данной методики с той, которая используется для расчета показателей TiVA (ОЭСР – ВТО) [14], позволяет провести международные сопоставления (рису-нок 1). При этом следует отметить, что сравнение показателей за 2011 г. и 2017 г. по Беларуси можно проводить с определенными оговорками ввиду имеющихся различий, в том числе по количеству видов деятельности, между таблицами «Затраты – Выпуск».

За исследуемый период удельный вес национальной добавленной стоимости в экспорте Беларуси составил в 2017 г. 81,8%, увеличившись на 7,4 п. п., в первую очередь в связи с ростом ее доли в обрабатывающей промышленности и бизнесуслугах. Среди стран, с которыми проводились сопоставления, схожую с Беларусью долю добавленной стоимости в экспорте имела Латвия, а у ряда государств Центральной и Восточной Европы, особенно у Венгрии и Словакии, она была существенно ниже. Это является одним из факторов, указывающим на относительно невысокий уровень вертикальной специализации и участия Беларуси в международных цепочках добавленной стоимости. Рост доли отечественной составляющей в экспорте может быть следствием различных

факторов, в частности проведения политики импортозамещения и увеличения степени локализации производства или усиления кооперации и субконтрактации с национальными производителями. Например, у Китая доля иностранной добавленной стоимости в экспорте компьютеров, электроники и оптики снизилась за 2005–2016 гг. с 43,1% до 28,3%, у Израиля – с 35,5% до 19,9%. Высокий удельный вес национальной добавленной стоимости также часто указывает на то, что страна является экспортером сырья и природных ресурсов, это видно из показателей по России и Казахстану. Таким образом, для понимания того, способствует ли изменение доли иностранного или отечественного компонента в экспорте увеличению его потенциала и как в целом это может быть связано с экономическим развитием страны, необходимо проведение более детального анализа потоков добавленной стоимости и их структуры.

Учитывая важность промышленности для экономики Беларуси и экспорта, интерес представляет анализ соотношения его импортной и отечественной составляющих. Согласно расчетам, для производства одного доллара экспорта в обрабатывающей промышленности в 2017 г. в страну должно было быть импортировано товаров и услуг на 38,4 цента, в 2011 г. этот показатель был выше и равнялся 42,2 цента. Данный показатель также может быть использован при анализе влияния колебаний обменного курса на показатели внешней торговли и при мониторинге политики импортозамещения, поскольку одним из факторов, влияющих на его снижение, является реализация такого рода мер и программ в смежных отраслях. Соответственно, как видно из рисунка 1(б), удельный вес национальной добавленной стоимости в экспорте обрабатывающей промышленности Беларуси в 2017 г. увеличился по сравнению с 2011 г. до 61,5%. Он был меньше, чем в Польше (66,2%), но выше, чем в Чехии, Венгрии и Словакии, у

5 Расчеты отношения полной добавленной стоимости экспорта к ВВП для Чехии, Венгрии, Польши, Бельгии и Германии выполнены на основе данных базы данных TiVA (ОЭСР) и WEO (МВФ). 6 В данной работе для сопоставимости с данными базы TiVA (ОЭСР – ВТО) к бизнес-услугам относятся услуги 45–82 ISIC Revision 4.

7



которых национальная добавленная стоимость составляла 56, 46 и 47,4%. Относительно низкие показатели по последним трем из вышеназванных стран связаны с высокой степью их вертикальной специализации и интеграцией в международные цепочки поставок. Например, удельный вес национальной добавленной стоимости, используемой для производства экспорта в других странах, в общем объеме экспорта составлял в 2016 г. в Словакии и Чехии 18–20%7, а по транспортным средствам и оборудованию он был самым высоким среди стран, по которым проводились расчеты TiVA ОЭСР, и равнялся 5,6 и 5,8%.

В Беларуси рост удельного веса национальной добавленной стоимости в экспорте обрабатывающей промышленности в первую очередь был связан со снижением импортной составляющей в производстве продуктов питания на 13 процентных пунктов (30% в 2017 г.), а также в производстве машин и оборудования (рису-нок 2). По транспортному машиностроению доля иностранной добавленной стоимости в белорусских поставках на внешние рынки также уменьшилась до 49% и была почти такой же, как у Чехии, но находилась существенно ниже показателей Венгрии и Словакии. По компьютерному, оптическому и электронному оборудованию соотношение между национальным и иностранным компонентами также изменилось в пользу первого (52%). В Чехии, Венгрии и Словакии доля иностранной добавленной стоимости по данному виду деятельности снижалась, но у двух последних стран она была на уровне 67%.

Как уже отмечалось ранее, сам по себе высокий показатель иностранной добавленной стоимости не означает получения страной выгод в виде роста эффективности и производительности труда и, соответственно, повышения конкурентоспособности экспорта. Для понимания влияния вертикальной специализации необходим комплексный анализ и в том числе структуры и географического распределения иностранной добавленной стоимости. Эмпи

рически доказано, что импорт оборудования, промежуточных товаров может оказывать положительное воздействие на рост через передачу технологий. Как показали Coe D.T., Helpman E. [3], в процессе торговли страны получают косвенные выгоды от доступа к так называемым активам знаний (аккумулированные инвестиции в НИОКР), содержащимся в импорте. Соответственно, с точки зрения доступа к зарубежным фондам знаний, влияющего на рост конкурентоспособности, важно, иностранная добавленная стоимость каких стран присутствует в экспорте. Например, в Чехии и Венгрии 51,6% и 55,8% в ней составляет доля наиболее развитых государств Европейского союза (ЕС15) и США, у Китая – 45% занимают ЕС15, США, Япония и Южная Корея.

В цепочке производства продукции все большую роль в последние годы играют такие «звенья», как НИОКР, дизайн, маркетинг, реклама и т. д., которые могут оказывать значительное влияние на конкурентоспособность товара. Они также очень важны для участия страны в глобальных цепочках стоимости, по

скольку обеспечивают встраивание в них посредством транспортных, телекоммуникационных, компьютерных, финансовых, страховых и других бизнесуслуг. Например, услуги, потребляемые при производстве автомобиля, составляют около 30% от его стоимости. Причем они поставляются как национальными, так и иностранными производителями. В среднестатистическом американском автомобиле японские услуги НИОКР составляют 17,5% от его стоимости, услуги по дизайну и маркетингу из Британии – 2,5%, а обработка данных, которую делают в ряде стран, включая Ирландию, – 2% [16]. Согласно оценкам ОЭСР, около 70% мирового импорта услуг приходится на промежуточные услуги, используемые в глобальных цепочках поставок [13]. Таким образом, деловые услуги стали одним из наиболее динамично развивающихся секторов мировой торговли, где в рамках цепочек добавленной стоимости появляются возможности для специализации и развития новых конкурентных преимуществ. При этом так же, как и в товарах, использование иностранных де

7 TiVA (ОЭСР – ВТО).

Соотношение национальной и иностранной добавленной стоимости экспорта обрабатывающей промышленности, %

Примечания: 1. Разработка автора на основе данных таблиц «Затраты – Выпуск». 2. Данные по производству фармацевтической продукции за 2011 г. отсутствуют.

Рисунок 2

1009080706050403020100

Про

изв

одст

во

про

дукт

ов п

ит

ания

2011 2017 2011 2017 2011 2017 2011 2017 2011 2017 2011 2017 2011 2017 2011 2017

Про

изв

одст

во

тек

стильн

ых и

ш

вейны

х и

здел

ий

Про

изв

одст

во

про

дукт

ов н

ефт

епер

е-ра

бот

ки

Про

изв

одст

во

хим

иче

ских п

роду

кт

ов

Про

изв

одст

во

фар

мац

евт

иче

ских

про

дукт

ов

Про

изв

одст

во э

лек

-т

ронног

о, о

пт

иче

ског

о и э

лек

тро

обор

удов

ания

Про

изв

одст

во

маш

ин и

обо

рудо

вания

Про

изв

одст

во

авт

омоб

илей

Отечественная Иностранная

8



ловых услуг позволяет получить доступ к зарубежным фондам знаний.

В Беларуси уровень вертикальной специализации (удельный вес прямого и непрямого импорта в экспорте) по основным видам деловых услуг является невысоким (рисунок 3). Даже по динамично развивающемуся в стране компьютерному программированию и информационному обслуживанию удельный вес иностранной добавленной стоимости не превышает 4,8%. Это гораздо ниже, чем, например, в Финляндии, имеющей один из самых развитых информационнотелекоммуникационных секторов в Европе, в котором занято 6,8% трудовых ресурсов. Роль иностранного компонента в экспорте белорусских услуг финансовой и страховой деятельности также невысока (4,5%). В то же время в мировой торговле возрастает влияние данного вида услуг на экспорт обрабатывающей промышленности, и, соответственно, низкий уровень вертикальной специализации в финансовой и страховой деятельности может сказаться на конкурентоспособности товаров на внешних рынках. Например, Francois J., Woerz J. [4] показали, что рост открытости деловых услуг (т. е. рост экспорта) оказывает значительное положительное влияние на конкурентоспособность ряда видов деятельности в обрабатывающей промышленности, в первую очередь наукоемких отраслей.

С т ру к т у р а э к с п о р т а Б е л а рус иОценка торговых потоков на

основе добавленной стоимости позволяет также поиному взглянуть на структуру экспорта и его изменения, а также лучше понять источники возможных сравнительных преимуществ. Сопоставление данных за 2011 г. и 2017 г. показывает, что и в валовом экспорте, и в национальной добавленной стоимости происходило снижение доли обрабатывающей промышленности и увеличение удельного веса деловых услуг (таблица 1), что соответствовало тенденциям, наблюдаемым в мировой экономи

ке. Однако при этом значимость этих двух секторов различалась в зависимости от способа оценки. В расчетах на основе общего объема экспорта доля обрабатывающей промышленности оказывалась выше, а услуг – ниже, по сравнению с данными структуры экспорта национальной добавленной стоимости. В 2011 г. в валовом экспорте обрабатывающая промышленность составляла 85%, а в его добавленной стоимости – 75,4%, в 2017 г. ее удельный вес был 71,4% и 66,3% соответственно.

Структура экспорта обрабатывающей промышленности и значимость в нем различных видов деятельности также заметно отличались в зависимости от того, проводился ли расчет на основе общего стоимостного показателя или национальной добавленной стоимости (таблица 2). В последнем случае доля ряда отраслей оказывалась существенно меньше, чем в валовом экспорте. В первую очередь это относится к производству нефтепродуктов, которые традиционно считаются одним из основных белорусских товаров, поставляемых на зарубежные рынки. Удельный вес данного вида деятельности в общем экспорте обрабатывающей промышленности был самым высоким и составлял 33,1% в 2011 г. и 21,7% – в 2017 г. Однако в экспорте национальной добавленной стоимости нефтепродукты были менее значимыми, а

Вертикальная специализация экспорта по видам деловых услуг, %

Примечание. Разработка автора на основе данных таблиц «Затраты – Выпуск», данные TiVA (ОЭСР – ВТО).

Рисунок 3

30

25

20

15

10

5

0 Беларусь Чехия Венгрия Польша Финляндия Эстония

Транспортная деятельность и складирование

Компьютерное программирование и информационное обслуживание

Деятельность в области телекоммуникаций

Финансовая и страховая деятельность

Структура экспорта Беларуси по секторам экономики, %2011 2017

Экспорт

Национальная добавленная стоимость экспорта

Экспорт


Сельское хозяйство 0,6 1,3 1,0 1,4

Горнодобывающая промышленность 3,0 4,3 1,7 2,03

Обрабатывающая промышленность 85,0 75,4 71,4 66,3

Деловые услуги 10,3 17,1 15,8 24,9

Прочие услуги 1,1 2,7 10,1 5,4

Всего 100,0 100,0 100,0 100,0

Примечание. Разработка автора на основе данных таблиц «Затраты – Выпуск».

Таблица 1

9



в 2017 г. их доля сократилась до 9,7%. Схожая ситуация наблюдалась и для металлургического производства. Его удельный вес в общем объеме экспорта увеличился в анализируемом периоде до 6,9%, в то время как в экспорте национальной добавленной стоимости снизился до 3,7%.

К видам деятельности, по которым отмечалась обратная тенденция, относится производство продуктов питания, напитков и табачных изделий и производство химических продуктов, включая калийные удобрения. Они вместе составили в 2017 г. 44,5% экспорта национальной добавленной стоимости. Удельный вес в нем производства машин и оборудования также был выше, чем в общем объеме экспорта, увеличившись в 2017 г. до 10%. Таким образом, с точки зрения торговли добавленной стоимостью

данный вид деятельности стал «более значимым», чем производство нефтепродуктов. В то же время производство транспорта и транспортного оборудования, являющегося одним из ведущих экспортных секторов в стране, заметно сократилось как в общем экспорте, так и в его добавленной стоимости.

Как уже отмечалось ранее, в торговле добавленной стоимостью Беларуси заметно увеличивалась роль деловых услуг, которые составили в 2017 г. практически четверть от экспорта ее национального компонента. Этот показатель был почти таким, как у Чехии, но ниже, чем у Венгрии и Польши (34,5% и 38,6% соответственно). У стран, которые развивали деловые услуги как одно из важнейших направлений экспортной специализации (например, Эстония

и Израиль), их удельный вес в национальной добавленной стоимости экспорта был почти в два раза выше, чем у Беларуси, и составлял 46,3% и 52,8% соответственно.

В связи с существенными различиями в классификации видов деятельности в таблицах «Затраты – Выпуск» за 2011 г. и 2017 г. невозможно оценить, какие именно услуги внесли наибольший вклад в прирост экспорта национальной добавленной стоимости по данному сектору. Однако анализ его структуры позволяет выявить, какие из них были наиболее значимы для поставок на внешние рынки. Поскольку иностранный компонент имеет невысокий удельный вес в экспорте добавленной стоимости деловых услуг, его структура практически не отличается от той, которая получена при расче

Структура экспорта обрабатывающей промышленности Беларуси, %2011 2017

Экспорт


Экспорт


Производство продуктов питания, напитков и табачных изделий 9,0 11,1 17,0 21,8

Производство текстильных изделий, одежды и меховых изделий 2,8 4,4 2,6 3,3

Производство кожи, меха, изделий из кожи, кроме одежды, и производство обуви 0,5 0,7 0,6 0,8

Производство продуктов обработки древесины, изделий из дерева 1,0 1,7 4,4 6,5

Производство кокса и продуктов нефтепереработки 33,1 14,5 21,7 9,7

Производство химических продуктов 19,9 30,3 17,8 22,7

в т. ч. производство основных фармацевтических продуктов – – 0,6 0,8

Производство резиновых и пластмассовых изделий 3,1 3,4 3,2 3,2

Металлургическое производство и производство гото-вых металлических изделий 5,5 4,9 6,9 3,7

Производство электрооборудования, электронной и оптической аппаратуры 2,9 3,1 5,1 4,7

Производство машин и оборудования 7,5 8,8 8,7 10,0

в т. ч. производство сельскохозяйственных машин – – 3,1 4,5

Производство транспорта и транспортного оборудования 11,3 5,5 4,9

Прочие 3,7 5,7 6,5 7,7


Таблица 2

10



те на основе общих стоимостных объемов (таблица 3).

В 2017 г. половину экспорта национальной добавленной стоимости деловых услуг занимала транспортная деятельность, при этом на деятельность сухопутного и трубопроводного транспорта приходилось 46,3%. На втором месте по удельному весу находилось компьютерное программирование и консультирование (22,4%), за ним следовала профессиональная и научная деятельность (5,4%), почти половину которой составляла рекламная деятельность и изучение конъюнктуры рынка. В то же время в Беларуси в структуре экспорта национальной добавленной стоимости деловых услуг относительно низкой была доля финансовой и страховой деятельности (0,9%). Для сравнения, у Чехии она составляла 3,6%, у Польши и Эстонии – 2,7%. Как правило, данные услуги являются сопутствующими при продвижении товаров на внешние рынки и, в частности, позволяют хеджировать риски. Таким образом, экспорт национальной добавленной стоимости деловых услуг очень сильно сконцентрирован на нескольких видах деятельности и нуждается в большем развитии тех его видов, которые влияют на конкурентоспособность товаров.

Как показывает ряд исследований, деловые услуги оказывают большое влияние на промышленное производство, и для улучшения его показателей необходимо развитие НИОКР, рекламы, маркетинга, контроля качества и т. д.8 Согласно ОЭСР [13], между производительностью труда в первом и втором из вышеназванных секторов существует сильная положительная корреляция. При этом их развитие должно быть взаимосвязанным и взаимообусловленным, поскольку стимулирование экспорта деловых услуг, например за счет аутсорсинга бизнеспроцессов, не сможет обеспечить его устойчивый рост в долгосрочном периоде без динамично развивающегося промышленного сектора.

Учитывая роль деловых услуг в производстве конкурентоспособной экспортной продукции, а

также тот факт, что их вклад в данное производство в мировой экономике увеличивается, в работе был рассчитан полный вклад национальных и иностранных услуг в экспорт промышленности за 2011 г. и 2017 г. За анализируемый период в Беларуси данные показатели изменились незначительно. Согласно расчетам, полный вклад отечественных бизнесуслуг в экспорт промышленности увеличился с 6 до 9%, а иностранных с 3,8 до 6,1%. Наибольшей доля национальных услуг была в производстве транспортного оборудования (17%), электрооборудования (14%), продуктов питания (15%), наименьшей – в производстве химической продукции, нефтепродуктов и металлургии.

* * *В работе была сделана оценка

национальной и иностранной добавленной стоимости в экспорте Беларуси. Расчеты проводились за 2011 г. и 2017 г. на основе данных системы таблиц «Затраты – Выпуск», в которых имеются отдельные таблицы использования отечественных и импортных товаров и услуг. Предложенный подход позволяет также дать оценку зависимости экономики от экспорта, используя в пока

зателе открытости добавленную стоимость и в числителе, и в знаменателе.

Проведенные расчеты выявили, что зависимость страны от поставок на внешние рынки, рассчитанная как отношение полной добавленной стоимости экспорта к ВВП, составляла 45,2% в 2017 г. и была ниже, чем при использовании традиционного показателя открытости – 67%. Оценки экспортной квоты, полученные исходя из добавленной стоимости, свидетельствуют о высокой вовлеченности различных секторов и отраслей в создание экспортной продукции. Особенно это касается обрабатывающей промышленности. Отношение полной добавленной стоимости экспорта деловых услуг к произведенному ВВП в Беларуси в 2017 г. составило 26,5%, при этом (например, по финансовой и страховой деятельности) оно находилось на уровне 2,9%.

При определении добавленной стоимости экспорта интерес представляет также анализ ее национальной и импортной составляющей и их соотношения. Согласно проведенным расчетам, в 2017 г. по сравнению с 2011 г. в Беларуси в экспорте происходило уменьшение удельного веса иностранного компонента в первую

Структура экспорта деловых услуг Беларуси в 2017 г., %Экспорт нацио-нальной добав-

ленной стоимостиЭкспорт

Транспортная деятельность 49,7 50,5

Складирование и вспомогательная транспортная деятельность 4,9 4,6

Компьютерное программирование и консультирование 22,4 20,8

Деятельность в области телеком-муникаций 4,2 4,1

Профессиональная научная и техниче-ская деятельность 5,4 5,4

в том числе рекламная деятельность и изучение конъюнктуры рынка 2,5 2,6

Финансовая и страховая деятельность 0,9 0,9

Прочие 12,5 13,7


Таблица 3

8 См., например, Liu X. [et al.] [11].

11



Библиографический список:

1. Быков, А.А. Показатель «добавленная стоимость национального происхождения в экспорте»: расчет и возможности примене-ния / А.А. Быков, О.Д. Колб // Белорусский экономический журнал. – 2016. – № 1. – С. 128–143.

2. Chen, X. The estimation of domestic value-added and employment induced by exports: an application to Chinese exports to the United States / X. Chen [et al.] // China and Asia: economic and financial interactions. – Routledge, 2008. – P. 64–82.

3. Coe, D.T. International R&D Spillovers / D.T. Coe, E. Helpman // European Economic Review. – 1995. – Vol. 39 (5). – P. 859–887.

4. Francois, J. Producer Services, Manufacturing Linkages, and Trade / J. Francois, J. Woerz // Journal of Industry, Competition and Trade. – 2008. – № 8. – Р. 199–229.

5. He, D. How Dependent is the Chinese Economy on Exports and in What Sense Has its Growth Been Export-Led? / D. He, W. Zhang // Hon-Kong Monetary Authority Working Paper, 2008. – № 14.

6. Hummels, D. The Nature and Growth of Vertical Specialization in World Trade / D. Hummels, J. Ishii, K. Yi // Journal of International Economics. – 2001. – № 54 (1). – P. 75–96.

7. Johnson, R. A Portrait of Trade in Value Added Over Four Decades / R. Johnson, G. Noguera // NBER Working Paper, 2016. – № 22974. – 59 p.

8. Jonson, R. Five Facts about Value-Added Exports and Implications for Macroeconomics and Trade Research / R. Jonson // Journal of Economic Perspectives. – 2014. – Vol. 28, № 2. – P. 119–142.

9. Koopman, R. How Much of Chinese Exports Is Really Made in China? Assessing Foreign and Domestic Value-Added in Gross Exports / R. Koopman, Z. Wang // USITC Office of Economics Working Paper, U.S. International Trade Commission. – № 2008-03-B, 2008. – 38 p.

10. Leontief, W.W. Studies in the Structure of the American Economy / W.W. Leontief [et аl.]. – New York: Oxford University Press, 1953. – 561 p.

11. Liu, X. Services Development and Comparative Advantage in Manufacturing / X. Liu [et al.] // The World Bank Policy Research Working Paper, 2018. – № 8450. – 47 p.

12. Mapping Global Value Chains / OECD // Working Party of the Trade Committee / № TAD/TC/WP/RD(2012)9. – 4–5 December, 2012. – 44 p.

13. Perspectives on Global Development 2014: Boosting Productivity to Meet the Middle-Income Challenge. Report of Development Centre / OECD. – Paris, 2014. – 288 p.

14. Trade in Value-Added: Concepts, Methodologies and Challenges (joint OECD-WTO note) [Electronic resource] // OECD. – Mode of access: https://www.oecd.org/sti/ind/49894138.pdf. – Date of access: 28.01.2020.

15. Global Value Chains and Development: Investment and Value Added Trade in the Global Economy / UNCTAD/DIAE/2013/1. – 32 p.

16. WEF. The Shifting Geography of Global Value Chains: Implications for Developing Countries and Trade Policy. – Geneva, World Economic Forum, 2012. – 38 p.

очередь за счет обрабатывающей промышленности, что отчасти может быть связано с проведением политики импортозамещения. В 2017 г. для производства одного доллара белорусского экспорта в обрабатывающей промышленности в страну должно было быть импортировано товаров и услуг на 38,4 цента (42,2 цента в 2011 г.). В секторе деловых услуг иностранная добавленная стоимость в экспорте также снижалась и в целом ее роль была совсем небольшой даже по динамично

развивающемуся в Беларуси компьютерному программированию и информационному обслуживанию.

Анализ экспорта на основе добавленной стоимости позволяет также поиному взглянуть на его структуру и лучше понять источники возможных сравнительных преимуществ. Например, с точки зрения торговли добавленной стоимостью производство машин и оборудования является «более значимым», чем производство нефтепродуктов. Экспорт национальной добавленной стоимости

деловых услуг был очень сильно сконцентрирован на транспортной деятельности, компьютерном программировании и консультировании. Учитывая влияние деловых услуг на промышленное производство и конкурентоспособность продукции, необходимо повышение роли в их структуре НИОКР, рекламы, маркетинга, финансовой и страховой деятельности и т. д.

* * *Материал поступил 21.01.2020.

Assessment of Added Value in Belarus’ Export

Irina TOCHITSKAYA, Ph.D. in Economics, Associate Professor, Scientific Director of the IPM Research Center, Minsk, Republic of Belarus, e-mail: [email protected].

Abstract. In this research, the national and foreign added value in Belarus’ export in 2011 and 2017 is assessed on the basis of tables “Expenses - Output”. The analysis of export on the basis of added value made it possible to look in a different way on its structure and indicators of foreign trade openness, single out the share of the national component therein and direct and indirect import, as well as better understand the sources of possible comparative advantages. The obtained information may be used in developing the economic policy along with the data of traditional statistics of foreign economic activity.

Keywords: “Expenses - Output” model; added value of export; foreign trade.

12



Народное количественное смягчение: являются

ли «живые деньги» панацеей от современных вызовов?1

Идеи введения безусловных денежных выплат населению периодически возникают в разных странах по мере появления в обществе экономических, политических или экологических угроз. В настоящее время катализаторами дискуссии относительно введения безусловного базового дохода становятся процессы технологической революции и автоматизации труда, демографические изменения, а также растущий спрос и глобализация торговли. Кроме того, в условиях распространения пандемии COVID19 различные страны рассматривают варианты

УДК 364Ключевые слова:

безусловный базовый доход; цифровизация; неравенство; COVID-19; человеческий капитал; глобализация.

Национальный банк Республики Беларусь, главный специалист Управления исследований, Республика Беларусь, г. Минск, e-mail: [email protected]

Инна ЮЗЕФАЛЬЧИК

Европейского социального исследования (European Social Survey, ESS), наименьшую поддержку идея получила в странах с системой социальной защиты, основанной на универсальных принципах, как, например, в Норвегии и Швеции, в отличие от постсоветских стран (Россия, Литва), население которых характеризует более высокий уровень неуверенности в финансовом будущем.

В современном обществе введение базового дохода поддерживается представителями цифровых гигантов, таких как Google, Tesla, Amazon, обосновывающих его необходимость замещением труда работников с низким или средним уровнем навыков роботизированной техникой и появлением новых рабочих мест. Как показывают исследования, автоматизация и глобализация ведут к росту неравенства внутри стран, а значит, к снижению доверия населения. Новые виды занятости, возникающие в процессе трансформации рынка труда, зачастую не связаны с системой социальной защиты, основанной на традиционном рынке труда. Согласно опросу Pew Research Center, общество рассматривает технологический прогресс как угрозу своей трудовой деятельности и отмечает, что автоматизация увеличит неравенство и не приведет к созданию более высокооплачиваемых рабочих мест [3].

Вместе с тем, несмотря на активное внимание правительств к

разовых выплат населению. Британский экономист Джим о’Нил называет такие меры «народным количественным смягчением» (people’s quantitative easing).

Идея безусловного базового дохода (далее – ББД) была отражена в 1795 г. в книге Т. Пейна и заключалась в предоставлении каждому гражданину страны доли в национальном производстве [2]. В качестве синонимичных ББД зачастую используются понятия «доход от гражданства», «государственный бонус», «социальный дивиденд», «универсальный базовый доход» и др. В дальнейшем эта концепция была поддержана такими выдающимися учеными, как М. Фридман, Ф. Хайек, Дж. Мид и Э. Аткинсон. В 1986 г. сторонниками данной идеи создана Европейская сеть базового дохода, впоследствии переименованная во Всемирную сеть базового дохода (Basic Income Earth Network, BIEN), членами которой в настоящий момент являются 37 национальных организаций. Как правило, представителями стран в BIEN выдвигались концепции пилотных проектов, которые в равной степени можно назвать как экономическими, так и социальными или даже политическими. В ряде стран, в том числе Швейцарии и Венгрии, где предложение о введении данной меры не получило поддержки со стороны населения, от идеи введения базового дохода отказались (рисунок 1). Согласно результатам

1 Мнение автора, изложенное в статье, может не совпадать с официальной позицией Национального банка.

13



вопросам введения ББД и ряда исследований, к настоящему времени не сложилось однозначного мнения о положительных эффектах и издержках данного инструмента. Как правило, в качестве целей введения рассматривают следующие:

– противодействие технологической безработице вследствие цифровой трансформации и роботизации;

– повышение эффективности социальных контрактов, преодоление низкой эффективности систем социальной защиты;

– сокращение неравенства и высокого уровня бедности [1];

– восполнение отложенного спроса и объема производства потребительских товаров (как мера реагирования на последствия пандемии).

В определении Всемирного банка ББД представляет собой программу социальной помощи, которая предоставляется в денежной форме, безусловно и для всех (без таргетирования или адресности по принципу нуждаемости). Два первых принципа нашли отражение во всех программах базового дохода (Монголия, Иран, США, Кувейт, Австралия, Кения, Бразилия, Намибия, Индия), в то время как принцип универсаль

ности, являясь самым «дорогим» в реализации, не применялся в Финляндии, Канаде, Нидерландах и Италии. Введение ББД является не самоцелью, а лишь средством для достижения целей, которые определяют параметры дизайна, в том числе принципы такой помощи, и соотношение с существующими программами и мерами.

В литературе выделяют три варианта введения базового дохода [4]:

1) замена существующих схем социальной помощи (наиболее сложный в реализации);

2) доплата к существующим выплатам, без их отмены (более простой в реализации, но более затратный);

3) предоставление выбора для получателей между участием в базовом доходе или сохранением выплат из текущих программ.

Практика введения ББД ограничивается отдельными локальными экспериментами и не носит системного и постоянного характера. К настоящему времени в мире было реализовано 29 различного рода экспериментальных проектов в европейских странах, Африке, США и Канаде, три из которых являлись институциональными (Иран, Монголия и

Аляска) и финансировались за счет доходов от природных ресурсов. Так, среди примеров можно выделить краткосрочные выплаты выборке безработного населения в Финляндии, домохозяйствам Калифорнии, выбранным методом случайной выборки [9]. К примеру, в Бразилии универсальный базовый доход был введен в условиях отсутствия широкого доступа к общественным благам в целях стимулирования людей посещать медицинские центры.

Программы, реализованные или предлагаемые к реализации в разных странах, получают название безусловного базового дохода и зачастую отождествляются с универсальным базовым доходом. Несмотря на то, что эти меры имеют достаточно схожие характеристики, в их основе – разное целеполагание. Так, универсальный базовый доход (далее – УБД) применяется для устранения проблемы голодания беднейшего населения страны. В качестве примеров можно привести программы ряда стран, таких как Кения, Намибия, Бразилия и Индия, которые показали достаточно высокую эффективность. К слову, в Кении каждый доллар США, выделенный на такую программу, приносит 1,2–2,6 долл. США экономике страны [8].

В свою очередь, ББД призван минимизировать негативные последствия, связанные с изменением характера труда. Идеология его применения заключается в предоставлении населению возможности работать без страха получать низкую зарплату изза структурных изменений на рынке труда. Соответственно, в отличие от УБД, ББД не является стандартным инструментом социальной защиты населения. В классическом понимании меры социальной защиты применяются к людям, оказавшимся в трудной жизненной ситуации, прежде всего, в силу ограничения возможностей работать. При этом традиционно небольшой размер социальных выплат, как, например, пособия по безработице, обосновывается необходимостью сохранения мотивации к труду. Принципиальное отличие ББД заключается во всеобщности его выплаты, вне зависимости от трудоспособности, рода деятельности

Уровень поддержки введения базового дохода в отдельных странах, % респондентов, 2017 г.

Примечание. Составлено автором на основе данных [5].

Рисунок 1

РоссияНорвегия

Швейцария

Швеция

Германия

Исландия

Австрия

Эстония

Франция

Нидерланды Великобритания

Чехия

Финляндия

Ирландия

Польша

Бельгия

Словения

Израиль

Литва1009080706050403020100

14



и стажа работы. Размер выплаты не является компенсацией за труд, поэтому не имеет дифференциации (рисунок 2). Как правило, для получения ББД необходимо только одно условие: являться резидентом или налогоплательщиком конкретной страны.

Введение ББД является обоснованным и необходимым в условиях трансформации рынка труда, когда трудовая деятельность становится не единственным источником существования, а родом занятий. Несмотря на безусловный характер выплат, эксперты [7] отмечают важность их использования на самореализацию, получение новых навыков и повышение конкурентоспособности на рынке труда в будущем.

Отсутствие полномасштабных теоретических исследований и накопленных репрезентативных результатов не позволяет однозначно говорить о преимуществах и недостатках базового дохода. Введение ББД является весьма рискованным и непростым в реализации, его эффективность крайне сложно оценить и обеспечить. Эксперты Всемирного банка объясняют это вероятностью возникновения «спирали инфляции», сокращения стимулов к труду и ослабления активного сотрудничества наемных работников [15].

Вместе с тем проведенные эксперименты не подтверждают теоретические предположения и свидетельствуют об обратном. Как объясняет Д. Эванс, ББД позволяет избегать «ловушки бедности» – ситуации, при которой выход на работу влечет за собой утрату пособия по безработице, вследствие чего сокращаются стимулы к зарабатыванию денег. Зарубежная практика показывает, что выплата ББД ведет к увеличению совокупного спроса и, соответственно, к росту заработной платы и занятности, а также снижению неравенства. Базовый доход стимулирует временную работу и, соответственно, повышает мобильность рабочей силы и не оказывает негативного эффекта на занятость. Данные выплаты положительно влияют на состояние здоровья, уменьшают общий уровень социальной напряженности и не ассоциируются со злоупотреблениями (расходы на алкоголь, табак не растут или снижаются)

[10]. Дополнительным эффектом является повышение степени охвата населения банковским обслуживанием (финансовой доступности).

Следовательно, эффективность безусловного базового дохода определяется его возможностью решить проблемы бедности и социальной исключенности, а также содействовать упрощению системы администрирования социальных пособий и оптимизации расходов на инфраструктуру.

В условиях пандемии базовый доход, реализуемый в виде разовых выплат, не предполагает повышения инфляции [1], поскольку позволяет поддержать спрос и производство. Подобные меры имели место в мировой практике. Введение ББД в Кувейте в 2011 г. позволило ограничить падение внутреннего спроса. Следовательно, ББД может рассматриваться в качестве контрциклической меры бюджетной политики в периоды серьезных экономических потрясений.

Анализ опыта других стран по введению ББД свидетельствует о неоднозначности данного инструмента. Вопервых, отмечалось существенное снижение размера выплачиваемых сумм и (или) их периодичности в сравнении с заявленными. Так, в Монголии размер выплат основывался на предвыборных обещаниях, а не на фактических доходах от ресурсов, что сделало программу уязвимой к падению цен на сырье. Пер

вая выплата составила 52 долл. США (вместо 89 долл. США), а следующие трансферы (7 долл. США) финансировались за счет государственных займов. Вовторых, несмотря на положительные эффекты, страны неожиданно прекращали эксперимент с ББД. К примеру, в Финляндии было зафиксировано, что граждане стали чувствовать себя увереннее и физически здоровее [6], тем не менее эксперимент закончился, а окончательные результаты и причины завершения не были опубликованы.

При этом продолжительность выплаты ББД характеризует успешность реализации программ, имеет принципиальное значение для устранения у населения страхов и сокращения ощущения финансовой тревожности и уязвимости. Другие социальные пособия, в том числе пособие по безработице, ограничены во времени и не могут дать такой уверенности. Поэтому эффективность ББД предполагает его продолжительность и безусловность, а значит, сопряжена с существенными издержками на реализацию программ. По оценкам экспертов, для достижения значительных изменений базовый доход должен применяться в течение 12–15 лет [7]. Как показывает практика, эффект продолжительности сохраняется в отношении программ, финансирование которых осуществляется от доходов на природные ресурсы (к примеру, на Аляске).

Отношение размера безусловного базового дохода, рассматриваемого к применению отдельными странами,

к размеру минимальной заработной платы

Примечание. Составлено автором.

Рисунок 2

1,2

1,0

0,8

0,6

0,4

0,2

0

Иран; 0,2Польша; 0,27

Финляндия; 0,43

Нидерланды; 0,64Германия; 0,67

Индия; 1,00Швейцария; 1,14

15



В таком случае инструмент работает по принципу, аналогичному дивидендам акционеров компании: получение денежного вознаграждения от совместного владения обществом активами (в приводимом примере – нефтью). Таким образом, базовый доход также играет роль так называемого «всеобщего дивиденда».

Результаты исследований свидетельствуют, что распределительные эффекты, соотношение потерь и выгод уникальны для каждой страны. При этом наибольшие выгоды ББД имеет для самого бедного населения. Бόльшие выплаты оказывают более существенный эффект вплоть до полной ликвидации бедности, но являются крайне дорогостоящими для бюджета (до 40% ВВП). Эксперты Всемирного банка выделяют следующие схемы финансирования базового дохода: 1) пропорциональное увеличение прямых налогов; 2) пропорциональное увеличение косвенных налогов и 3) единовременное увеличение прямых налогов для самых богатых. Среди новых идей внимания заслуживает монетизация данных (big data), аккумулируемых и используемых крупными технологическими компаниями [13].

В рамках социальной поддержки граждан альтернативными базовому доходу являются следующие меры:

– гарантированный минимальный доход (страны Европы, Китай);

– налоговый вычет на заработанный доход;

– универсальные продовольственные программы (Ирак);

– программа SNAP США (адресная помощь в виде электронных сертификатов);

– обусловленные денежные трансферты (Bolsa Família в Бразилии и Oportunidades в Мексике);

– пособие по безработице.Наиболее близкими по сути к

базовому доходу инструментами являются:

– гарантированный минимальный доход, представляющий собой выплаты, которые уменьшаются до нуля по мере увеличения доходов. Несмотря на признанную эффективность, в [4] отмечается, что гарантированный минимальный доход сопряжен с бόльшими административными

издержками. Но основным его недостатком является создание отрицательных стимулов к труду. Полагаем, что данный недостаток имеет место при целеполагании с позиции социальной защиты, а не стимулирования спроса;

– налоговый вычет на заработанный доход (earned income tax credit, EITC), который применяется, к примеру, в США, Великобритании, Финляндии, Швеции. Результаты исследований свидетельствуют, что штаты, где применяется EITC, характеризуются более высокой межпоколенческой мобильностью. Поскольку данный механизм предполагает перераспределение налогов к наиболее бедным, финансирование осуществляется за счет повышения налогов.

С учетом результатов международного опыта идея введения ББД в Беларуси, на наш взгляд, выглядит реалистичной (а значит, позволяет достичь максимального эффекта от внедрения) при наличии ряда условий:

– наличие ренты природных ресурсов и (или) монопольной ренты благодаря сильному положению на рынке;

– высокий уровень инноваций и цифровой экономики;

– смещение характера труда как основного источника дохода для человека и его рассмотрение как рода занятий, выбранных исходя из увлечений и интересов;

– высокая степень общественного согласия.

Последний критерий взаимосвязан и взаимообусловлен с готовностью перехода общества от категориального характера социальных механизмов выплат к универсальному, не учитывающему индивидуальных параметров. Соответственно, базовый доход является наивысшей степенью развития социального государства.

В условиях пандемии временное введение базового дохода рассматривается с новой перспективы – для восполнения отложенного спроса и объема производства потребительских товаров. В целях борьбы с негативными последствиями пандемии COVID19 ряд стран изучают ББД как одну из мер «народного количественного смягчения» (Гонконг, азиатские экономики, США, европейские

страны, включая Испанию, Италию, Германию, Великобританию) [11; 12]. Правительство Дании заявило о выплате работникам частных компаний 75% их заработной платы в условиях карантина (ожидается, что данные расходы составят 13% ВВП); Германия, Италия и Франция заявили о намерении осуществить выплаты самозанятому населению. Сингапур планирует выплачивать эквивалент 70–210 долл. США в зависимости от уровня дохода гражданина. Разовые выплаты населению в условиях пандемии не являются базовым доходом в его классическом понимании, поскольку направлены на поддержание спроса со стороны населения.

Таким образом, при наличии ряда зарубежных попыток введения ББД в его различных вариациях результаты данных проектов являются разнонаправленными. Такой опыт не позволяет однозначно говорить о преимуществах и недостатках его применения и доказательности его результатов. Относительно условий и возможностей внедрения той или иной формы «народного количественного смягчения» в нашей стране необходимо отметить достигнутые Беларусью успехи в сокращении бедности и неравенства, а также соотношении долей доходов различных групп населения. Так, при международных сопоставлениях с группой развивающихся стран по доходам выше среднего наша страна находится на первом месте с позиции равенства доходов. Согласно результатам исследований, неравенство доходов в Беларуси не достигло стадии, при которой оно может являться отрицательным стимулом для экономического роста [14, с. 7–8]. Нахождение в этом балансе (так называемое «справедливое» неравенство) крайне важно, если мы говорим о стимулировании экономического роста, основанном на человеческом капитале.

Напомним, что целью введения универсального базового дохода является сокращение крайних форм бедности. При этом, решая проблему наиболее бедных, УБД не решает проблемы отрыва доходов самых богатых от самых бедных. Кроме того, введение базового дохода неизбежно связано с повышени

16



ем бремени налогоплательщиков, что может иметь дестабилизирующий эффект для данной группы населения. Полагаем, что необходимо сконцентрировать усилия на повышении эффективности институтов рынка труда и надежности системы социальной защиты. К слову, действующим (однако с низкой эффективностью изза крайне низкого размера выплат) в нашей стране инструментом социальной поддержки является пособие по безработице. Введение УБД в текущий момент времени может получить поддержку со стороны населения, однако впоследствии высока вероятность негативных эффектов для экономики. Поскольку введение УБД связано с увеличением налогового бремени для домашних хозяйств, необходима комплексная оценка бюджетных издержек в сравнении с альтернативными вариантами мер социальной защиты.

Очевидно, что технологические изменения и глобализация, с одной стороны, создают новые возможности, а с другой – требуют модернизации системы социальной защиты и предоставления общественных благ. Однако введение ББД должно быть своевременным, опережающий характер такого решения способен вызвать необоснованное повышение государственного долга. В условиях ограниченности бюджетных средств такие меры не могут быть реализованы в ущерб другим

мерам социальной поддержки, направленным на защиту детей, инвалидов и пожилых людей. Помимо этого, необходимо достижение общественного консенсуса и готовности к социальной системе, в основе которой будет расширен принцип универсальности, а не индивидуальных заслуг. Условие для введения ББД формирует сам технологический прогресс, он же позволяет расширять налоговую базу и, соответственно, устранять фискальные ограничения. Полагаем, что в настоящее время нет достаточных оснований для введения безусловного базового дохода. Рынок труда не предоставляет населению возможностей смены низкооплачиваемой работы на более перспективные и конкурентные рабочие места с высокой оплатой труда [14, с. 9]. Следует четко понимать, что первичны трансформационные процессы, при которых возникает необходимость введения базового дохода, а не введение базового дохода создает почву для цифровой трансформации.

Безусловно, системы социального обеспечения, адаптированные к традиционным рынкам труда, могут быть неоптимальными в новых форматах экономики. Полагаем, что в условиях активизации в Республике Беларусь процессов цифровизации необходимо стимулировать дискуссии о совершенствовании системы социальной поддержки, а также системы переподготовки

кадров. Инициативы со стороны регуляторов потребуются по мере расширения масштабов цифровой экономики. Важно отметить, что эффективность базового дохода будет выше, если мера будет направлена на устранение «симптомов» проблемы социальной поддержки населения при изменении характера труда, а не на решение укоренившихся структурных диспропорций на рынке труда и низкой эффективности традиционных мер социальной поддержки.

Безусловный базовый доход рассматривается как своего рода инвестиция в социальный капитал государства, поэтому принятие подобных мер должно быть обоснованным и сопровождаться последовательностью следующих действий:

1) глубокий и качественный анализ положительных эффектов и рисков;

2) применение только при условии рецессии (отрицательный разрыв выпуска), таким образом, мера должна носить контрциклический характер;

3) обоснованное и взвешенное определение источников;

4) периодичность и размер выплат должны основываться на четких критериях и принципе таргетирования (исходя из задачи, для решения которой вводится мера) – помощь «живыми деньгами» должна быть адресной.



1. Gentilini, U. Lessons for using universal basic income during a pandemic [Electronic resource] / U. Gentilini // Brookings. – 2020. – Mode of access: https://www.brookings.edu/blog/future-development/2020/03/13/5-lessons-for-using-universal-basic-income-during-a-pandemic/. – Date of access: 01.04.2020.

2. Воронин, Ю. Безусловный базовый доход: новый подход к старой идее [Электронный ресурс] / Ю. Воронин // Эконс. – 2020. – Режим доступа: https://econs.online/articles/opinions/bezuslovnyy-bazovyy-dokhod-novyy-podkhod/. – Дата доступа: 05.04.2020.

3. Parker, K. Looking to the Future, Public Sees an America in Decline on Many Fronts [Electronic resource] / K. Parker, R. Morin, J.M. Horowitz // Pew Research Center. – 2020. – Mode of access: https://www.pewsocialtrends.org/2019/03/21/public-sees-an-america-in-decline-on-many-fronts/. – Date of access: 02.04.2020.

4. Джентилини, У. Универсальный базовый доход: концепции, факты и практика. Краткое содержание публикации Всемирного банка [Электронный ресурс] / У. Джентилини, М. Грош, Дж. Риголини, Р. Емцов // Высшая школа экономи-ки. – 2020. – Режим доступа: https://www.hse.ru/data/2020/02/27/1560565243/UBI%20Rus.pdf. – Дата доступа: 02.04.2020.

5. Установки россиян и европейцев в отношении системы социального обеспечения: Данные Волны 8 Европейского Социального Исследования (ESS) [Электронный ресурс] / European Social Survey. – 2020. – Режим доступа: http://www.europeansocialsurvey.org/docs/findings/ESS8_pawcer_welfare_RU.pdf. – Дата доступа: 05.04.2020.

6. Kangas, O. The basic income experiment 2017–2018 in Finland: Preliminary results [Electronic resource] / O. Kangas, S. Jauhiainen, M. Simanainen, M. Ylikännö // Ministry of social affairs and health. – 2019. – Mode of access: http://julkaisut.valtioneuvosto.fi/handle/10024/161361. – Date of access: 03.04.2020.

7. Гуриев, С. Базовый доход – и жизнь наладится? [Электронный ресурс] / С. Гуриев // GaidLine.Media. – 2020. – Режим доступа: http://04-09.gaidline.media. – Дата доступа: 05.04.2020.

17



8. Egger, D. General equilibrium effects of cash transfers: experimental evidence from Kenya [Electronic resource] / D. Egger, J. Haushofer, E. Miguel, P. Niehaus, M. Walker // NBER. – 2019. – Mode of access: https://www.givedirectly.org/wp-content/uploads/2019/11/General-Equilibrium-Effects-of-Cash-Transfers.pdf. – Date of access: 02.04.2020.

9. Франчезе, М. Что такое универсальный базовый доход? [Электронный ресурс] / М. Франчезе, Д. Прейди // Финансы и развитие. – 2018. – Режим доступа: https://www.imf.org/external/russian/pubs/ft/fandd/2018/12/pdf/fd1218r.pdf. – Дата доступа: 03.04.2020.

10. Evans, D.K. Cash transfers and temptation goods. A Review of Global Evidence [Electronic resource] / D.K. Evans, A. Popova // World Bank, Policy Research Working Paper. – 2014. – Mode of access: http://documents.worldbank.org/curated/en/617631468001808739/pdf/WPS6886.pdf. – Date of access: 02.04.2020.

11. Kaplan, J. Coronavirus basic income: 14 countries around the world experimenting with direct payments to offset COVID financial fallout [Electronic resource] / J. Kaplan // Business Insider. – 2020. – Mode of access: https://www.businessinsider.com/countries-offering-direct-payments-or-basic-income-in-corona-crisis-2020-4. – Date of access: 04.04.2020.

12. Лютова, М. Всенародное количественное смягчение [Электронный ресурс] / М. Лютова // Эконс. – 2020. – Режим досту-па: https://econs.online/articles/ekonomika/vsenarodnoe-kolichestvennoe-smyagchenie/. – Дата доступа: 05.04.2020.

13. Porter, E. Your Data Is Crucial to a Robotic Age. Shouldn’t You Be Paid for It? [Electronic resource] / E. Porter // The New York Times. – 2020. – Mode of access: https://www.nytimes.com/2018/03/06/business/economy/user-data-pay.html. – Date of access: 04.04.2020.

14. Калечиц, Д. Рост для всех: справедливость как неравенство возможностей / Д. Калечиц, Н. Мирончик, М. Демиденко // Банкаўскі веснік. – 2020. – № 3 (680). – С. 6–14.

15. Джентилини, У. Исследование Всемирного банка о базовом доходе: Методологические основы оценки практической реали-зуемости и их приложение к российским реалиям [Электронный ресурс] / У. Джентилини, Я. Риголини, Р. Емцов // Высшая школа экономики. – 2018. – Режим доступа: https://www.hse.ru/data/2018/11/15/1141005140/Yemtsov_RU.pdf. – Дата до-ступа: 02.04.2020.

Public Quantitative Easing: Is “Ready Cash” a Cure-all for Modern Challenges?

Inna YUZEFALCHIK, Chief Specialist of the Research Department, National Bank of the Republic of Belarus, Minsk, Republic of Belarus, e-mail: [email protected].

Abstract. The article is dedicated to consideration of topicality of introduction of the implicit (universal) basic yield as a reaction on contemporary challenges in the economy, including technical revolution and pandemic COVID-19. The author characterizes this instrument, the essence of which differs from the other social assistance measures, as well as considers foreign experience of its use and defines conditions for its implementation. The results obtained by different countries in the course of projects implementation give evidence of ambiguousness of use of the implicit basic yield.

Keywords: implicit basic yield; digitalization; inequality; COVID-19; human capital; globalization.

18



Свойства комбинированного прогноза

и особенности его применения

Национальный банк Республики Беларусь, ведущий специалист управления регулирования ликвидности, магистр экономики, аспирант БГУ, Республика Беларусь, г. Минск, e-mail: [email protected]

Валентин СУВАЛОВ УДК 330.4JEL C6

Ключевые слова:временной ряд; прогнозирование; эконометрический анализ;

метод комбинированного прогнозирования; машинное обучение; ликвидность банковского сектора; факторы ликвидности.

ватывающей большее количество значимых для прогнозирования переменных. Кроме того, данный метод имеет иные преимущества. В частности, он выступает своего рода страховкой против «выбросов», связанных с неправильной изначальной спецификацией модели. Так как вероятность использования неверной спецификации в ряде комбинируемых моделей ниже, чем в случае использования единственной модели. К тому же маловероятно, что единственная простая модель будет превосходить все прочие модели по всем значимым для прогноза параметрам.

Для проверки тезиса об улучшении качества прогноза через комбинирование нескольких результатов было принято решение применить данную методологию для получения прогноза факторов ликвидности банковской системы. В случае подтверждения тезиса указанный подход может быть применен в алгоритме автоматизированного анализа факторов ликвидности. Последовательная схема работы алгоритма приведена на рисунке.

Алгоритм анализирует предложенные данные и строит ряд моделей, предназначенных для прогнозирования дальнейшего изменения введенных рядов. Среди применяемого на 4 и 7 этапов модельного ряда следует указать интегрированную модель авторегрессии – скользящего среднего (ARIMA); экспоненциально сглаженную модель пространства состояний с трансформацией Бокса – Кокса, ARMA ошибками,

к моделям, из которых она состоит [1]. Следует также указать, что простые базовые модели не могут учитывать всех факторов, взаимодействующих в реальных экономических системах.

О причинах, побуждающих к построению комбинированных прогнозных моделей, говорили еще в 1969 г. в своей работе «Комбинация прогнозов» такие авторы, как J.M. Bates и C.W.J. Granger [2]. В работе «Комбинирование прогнозов» 1989 г. R.T. Clemen проводится обзор теории и практики применения комбинированных прогнозов и сфер их применения на основе анализа исследования множества авторов [3]. В последующие годы исследователи занимались вопросами улучшения качества комбинированных прогнозов, в частности, вопросами определения оптимального соотношения результатов прогнозирования, входящих в объединенный прогноз [4]. Из данной работы следует вывод, что в оптимальных условиях комбинированный прогноз может даже превосходить по точности прогноз, полученный от наиболее точной модели, входящей в комбинированный прогноз.

Авторы продолжают исследовать данный вопрос [5], что говорит о важности и актуальности темы для научного сообщества.

Исходя из результатов работ и исследований предшественников, в современной практике считается, что комбинирование моделей может выступать в качестве относительно простого способа построения сложной модели, ох

Потребность в построении качественного и точного прогноза привела к созданию огромного множества методов прогнозирования. Появление данного разнообразия также связано с различием свойств прогнозируемых показателей и методологий их анализа. Неудивительно, что появилась идея объединить несколько методов прогнозирования для получения нового комбинированного прогноза. Практика показывает, что данный подход позволяет улучшить точность прогноза. Ряд авторов это связывает с тем фактом, что комбинированная модель является более сложной и гибкой по отношению

19



трендом и сезонными компонентами (TBATS); модель экспоненциального сглаживания Хольта – Уинтерса; модель декомпозиции временного ряда на трендовую и сезонную составляющую с применением метода LOESS (локальных регрессий) с последующим прогнозированием отдельных элементов и построение нейронной сети. Остановимся на некоторых методах более подробно.

Метод прогнозирования временных рядов ARIMA предполагает два этапа анализа и последующий прогноз. Вначале временной ряд тестируется на стационарность, выявляется наличие единичных корней и порядок интегрирования (уровень нестационарности). Далее, при порядке интегрирования выше нуля, ряд приводится к стационарному виду. На следующем этапе полученный стационарный ряд анализируется на основе модели ARMA. Таким образом, получают модель временного ряда, в которой значения в данный момент линейно зависят от предыдущих значений этого же ряда и некоторого скользящего среднего определенного порядка.

Модель TBATS предполагает построение обобщенной динамической модели линейной регрессии – модель пространства состояний. Трансформация Бокса – Кокса необходима для приведения временного ряда к нормальному распределению в случае выявления иного вида распределения. Подробное описание метода трансформации может быть найдено в работе «Анализ трансформаций» [6]. Приведенный временной ряд в дальнейшем моделируется с применением метода ARMA, который дополняется трендом и сезонной компонентой. Итоговый прогноз модели получается при экспоненциальном сглаживании разработанной модели. Модель TBATS считается относительно новой, ее описание впервые предложено в 2011 г. [7].

Считающаяся классическим подходом к экспоненциальному сглаживанию модель Хольта – Уинтерса [8] позволяет представить временной ряд как комбинацию трех частей: уровня, тренда и сезонной составляющей. Все эти элементы зависят от всех собственных предыдущих значений

с экспоненциально убывающими весами. При этом чем старше значение, тем меньше его влияние на текущее и будущее значение ряда. Это позволяет получить эффект сглаживания временного ряда. Таким образом, прогноз в данной модели получается как комбинация экспоненциально сглаженных составных частей исходного временного ряда.

Модель декомпозиции временного ряда с применением метода LOESS (также известная как STL) позволяет получить разложение временного ряда на трендовую, сезонную и случайную компоненты. Процедура STLдекомпозиции состоит из двух этапов. Первый этап предназначен для расчета робастных весов через медианное абсолютное отклонение. Последующий этап предназначен для нахождения трендовой и сезонной компонент. Данный подход к декомпозиции временного ряда подробно описан в работе авторов метода [9]. В дальнейшем полученные по методу компоненты прогнозируются независимо, а итоговый прогноз представляет собой их обратную композицию.

Реализованная в алгоритме нейронная сеть позволяет получить прогноз по модели авторегрессии – скользящего среднего (ARMA) с применением нелиней

ных параметров. Сама по себе нейронная сеть представляет собой последовательность функций, которые преобразуют ряд входных параметров в единственный выходной параметр. При этом функциинейроны (кроме стартовых) получают в качестве входных параметров выходной результат предыдущих нейронов в цепочке.

Описанные методы были дополнены возможностью построения комбинированного прогноза, который получается в виде средневзвешенного прогноза по результатам других моделей, а веса определяются исходя из величины ошибки каждого отдельного прогноза.

Процесс построения и оценки ошибок прогнозов проходит в несколько этапов. На первоначальном этапе весь массив данных разделяется на тренировочную и контрольную выборки. Модели обучаются на тренировочной выборке. Далее на их основании строится прогноз. Качество полученного прогноза оценивается путем сравнения с фактическими данными из контрольной выборки. Рассчитанные таким образом ошибки прогноза также используются для определения весов с целью построения комбинированного прогноза.

Алгоритм автоматизированного анализа факторов ликвидности

Примечание. Разработка автора.

Рисунок

1. Первичный анализ и корректировка данных

2. Разделение данных на тренировочную и контрольную выборки

3. Построение тестовых моделей по тренировочной выборке

4. Построение прогноза по всем тренировочным моделям

5. Сравнение результатов прогноза с контрольными значениями

6. Определение лучшего метода прогнозирования

7. Построение итогового прогноза на основе лучшего метода по полной выборке

20



Промежуточные результаты статистического анализа

Интервал собы-тий, i

Количество результатов в интервале, ni

Вероятность события i, pi

Ожидаемая частота npi

Слагаемые статистики Пирсона χi

0 217 0,9575 4787,6415 4363,477

1 4783 0,04156 207,7836 100742,335

5000 105105,812


Таблица

Предложенная реализация комбинированного прогноза была протестирована с целью подтвердить или опровергнуть гипотезу о том, что он действительно способен превосходить по точности прогноз, полученный от наилучшего метода, в него входящего. Для предложенного исследования были использованы 10 временных рядов: 5 из них – ежедневные (с 01.01.2016 по 29.08.2019) временные ряды по таким автономным факторам ликвидности, как подкрепление банков наличностью, инкассация наличности, налоговые доходы Правительства, поступление таможенных платежей и расходы Правительства. Еще 5 временных рядов были сгенерированы функционально с заранее известными вероятностными распределениями и аналогичной частотой. Каждый из них был пропущен через алгоритм 500 раз. При этом каждый раз ряды заново разделялись на тренировочную и контрольную выборки, определялись лучшие методы прогнозирования и отмечался оптимальный метод (комбинированный или иной). В результате комбинированный метод был точнее в прогнозе и, как следствие, предпочтительнее прочих в 217 случаях из 5 000 (500 проверок для 10 рядов).

Интуитивно кажется очевидным, что по результатам исследования комбинированный метод уступает иным методам прогнозирования в точности. Однако для того, чтобы в этом убедиться, был проведен статистический анализ результатов симуляции. Каждую отдельную независимую проверку из 5 000 можно рассмотреть как эксперимент с распределением Бернулли. При этом возможны два результата: «успех комбинированного метода» или «успех иного метода», то есть «провал комбинированного метода». Рассматривая совокупность данных экспериментов как один ряд, мы можем представить конечную последовательность независимых случайных величин, имеющих одинаковое распределение Бернулли, что по определению является биномиальным распределением.

Можно обратить внимание на то, что для достаточно большого количества экспериментов n (в нашем случае n = 5 000) биноми

альное распределение близко к распределению Пуассона. Это позволяет нам сформулировать нулевую и альтернативную гипотезы следующим образом: если рассматриваемый ряд действительно имеет распределение Пуассона, то из этого можно сделать вывод, что не существует статистически значимой разницы между двумя прогнозами, полученными разными методами. В противном случае, если распределение Пуассона не наблюдается, один из методов позволяет получить более качественный прогноз в статистически более значимом количестве случаев. Это означает, что определенный метод предпочтительнее при прогнозировании предложенных временных рядов.

Таким образом, весь анализ может быть сведен к проверке нулевой гипотезы о распределении числа успехов по закону Пуассона, при альтернативной гипотезе – распределение успехов отлично от распределения Пуассона. Проверим данную гипотезу при уровне значимости α = 0,05. Опустив расчеты, получаем промежуточные результаты, представленные в таблице.

Таким образом, получаем значение статистики Пирсона χнабл = 105105,812, которое сравниваем с единственной критической точкой χкрит = 5165,614, поскольку критическая область для этой статистики всегда правосторонняя. В результате можно не без основания отвергнуть основную гипотезу и сделать вывод о том, что число успехов не распределено по закону Пуассона. Следовательно, мы можем статистически обоснованно утверждать, что комбинированный прогноз в нашем случае уступает методике применения прогноза с минимальной ошибкой. В

дальнейшем были проанализированы причины, которые привели к полученным результатам.

Анализ фактов успеха комбинированного метода позволил сделать вывод о том, что его успешность в ряде случаев вызвана взаимным нивелированием ошибок прогноза входящих в него методов. Это означает, что «переоценка» (превышение прогноза над фактическим значением) одного метода корректировалась «недооценкой» (превышением факта над прогнозом) другого. Эта ситуация позволяла в результате комбинирования этих методов получить значение прогноза, более близкое к фактическому значению исследуемого ряда. В противном случае комбинируемый метод уступал в точности прогноза лучшему методу из входящих в него, т. к. накапливал ошибки прочих методов.

Следует также отметить, что некоторые из применяемых в алгоритме методов нельзя назвать «простыми», однако в ряде случаев даже они уступали комбинированному методу прогнозирования. И в большинстве случаев это было вызвано именно тем, что несколько завышенный или заниженный прогноз, полученный в результате их применения, улучшался в ходе описанного выше процесса.

Отдельно акцентируем внимание на том, что под «переоценкой» следует понимать только случаи, когда превышение прогноза над фактическим значением носит относительно постоянный характер. Это значит, что прогнозные значения превосходят фактические в большинстве случаев. Кроме того, не происходит резкой смены знака прогнозного отклонения. Таким образом, мы можем быть уверены, что предложенный прогноз, скорее, пре

21



взойдет фактическое значение прогнозируемого ряда в каждый момент. «Недооценка» в таком случае определяется аналогично, а именно тем, что превышение факта над прогнозом также относительно стабильно. В результате комбинации таких прогнозных рядов точность объединенного прогноза увеличивалась.

При анализе некоторых из «провалов комбинированного метода» была обнаружена еще одна закономерность. Одной из основных причин провала было то, что комбинировались прогнозы, в которых имело место только одно стабильное отклонение от прогноза. Это приводило к тому, что в отдельных случаях комбинированный прогноз мог давать более точный результат. Но имевшая

место нестабильность отклонения значительно увеличивала отклонение объединенного прогноза от факта, и итоговая оценка точности прогноза значительно снижалась, а это приводило к провалу комбинированного метода.

Исходя из этого следует заключить, что если существует возможность уточнения направления ошибок прогнозов, входящих в комбинированный прогноз, то предпочтение следует отдавать последнему при условии наличия относительно постоянной разнонаправленности ошибок комбинируемых методов. С другой стороны, когда все используемые прогнозы имеют одинаковый знак ошибки или в ситуации, когда направление ошибки применяемых методов непостоянно, следует считать

более рациональным подход, основанный на использовании метода, дающего наиболее точный прогноз.

С учетом этих выводов комбинированный метод был применен в алгоритме автоматизированного прогнозирования автономных факторов ликвидности банковской системы Республики Беларусь. Данный метод сохраняет свою актуальность благодаря сравнительной простоте его реализации. Кроме того, возможность получения более точного прогноза всегда будет оставаться одной из главных причин применения новых методов прогнозирования.


Библиографический список:1. Stock, J.H. Combination Forecasts of Output Growth in a Seven-Country Data Set / J.H. Stock, M.W. Watson // Journal of Forecasting. – 2004. – Vol. 23. – P. 405–430.2. Bates, J.M. The Combination of Forecasts / J.M. Bates, C.W.J. Granger // Operational Research Society. – 1969. – Vol. 20, № 4. – P. 451–468.3. Clemen, R.T. Combining forecasts: A review and annotated bibliography / R.T. Clemen // International Journal of Forecasting. – 1989. – Vol. 5. – P. 559–583.4. Armstrong, J.S. Combining forecasts / J.S. Armstrong // Principles of forecasting: a handbook for researchers and practitioners. – 2001. – P. 417–439.5. Thomson, M.E. Combining forecasts: Performance and coherence / M.E. Thomson, A.C. Pollock, D. Önkal, M.S. Gönül // International Journal of Forecasting. – 2019. – Vol. 35. – P. 474–484.6. Box, G.E.P. An analysis of transformations / G.E.P. Box, D.R. Cox // Journal of the Royal Statistical Society: Series B. – 1964. – Vol. 26. – P. 211–252.7. De Livera, A.M. Forecasting time series with complex seasonal patterns using exponential smoothing / A.M. De Livera, R.J. Hyndman, R.D. Snyder // Journal of the American Statistical Association. – 2011. – Vol. 106, № 496. – P. 1513–1527.8. Winters, P.R. Forecasting sales by exponentially weighted moving averages / P.R. Winters // Management Science. – 1960. – Vol. 6, № 3. – P. 324–342.9. Cleveland, R.B. STL: A Seasonal-Trend Decomposition Procedure Based on Loess / R.B. Cleveland, W.S. Cleveland, J.E. McRae, I. Terpenning // Journal of Official Statistics. – 1990. – Vol. 6. – P. 3–73.

Characteristic Features of Combined Forecast and Peculiarities of Its Use

Valentin SUVALAU, Master of Economics, Ph.D. Student of Belarusian State University, Leading Specialist of the Liquidity Regulation Department, National Bank of the Republic of Belarus, Minsk, Republic of Belarus, e-mail: [email protected].

Abstract. The method of combined forecasting of time series is considered in this article and its topicality is grounded. The appropriateness of the thesis on the combined forecast’s capability to outstrip in accuracy the methods incorporated therein to forecast separate autonomous factors of the banking system liquidity is analyzed. The reasons due to which the combined forecasting method outstrips in accuracy the other forecasting methods in certain cases are determined. The recommendations as to practical use of the combined forecasting are given.

Keywords: time series; forecasting; econometric analysis; combined forecasting method; computer-aided learning; banking sector liquidity; liquidity factors.

22



Модель MSVARХ и ее применение для анализа бизнесцикла

белорусской экономикиУДК 330.43

Ключевые слова:модель MS-VARХ; опережающий экономический

индикатор; реальный ВВП; индекс экономических настроений; анализ бизнес-цикла; коинтеграция; белорусская экономика.

Белорусский государственный университет, кандидат физико-математических наук, доцент, Республика Беларусь, г. Минск, e-mail: [email protected]

Белорусский государственный университет, магистрант, Республика Беларусь, г. Минск, e-mail: [email protected]

Владимир МАЛЮГИН

Анатолий МАКАРЕВИЧ

Общая характеристика про-блемы. Анализ и прогнозирование экономической активности в различных секторах экономики и в экономике в целом важны для формирования и проведения эффективной монетарной, фискальной, инвестиционной, демографической и экономической политики в целом. В основе современного подхода к решению указанных задач лежит представление о циклических изменениях экономической активности, которые ассоциируются с понятием «бизнесцикла». Под бизнес-ци-клом (business cycle) понимаются циклические колебания экономической активности, состоящие в последовательной смене периодов экономического спада и подъема, называемых фазами биз-нес-цикла. Моменты смены фаз бизнесцикла называются пово-ротными точками бизнес-цикла (business cycle turning points). Последовательность фаз цикла полагается неизменной, однако их продолжительность, как и поворотные точки, имеет нерегулярный характер, обусловленный влиянием на экономическую активность внешних и внутренних шоковых воздействий в случайные моменты времени.

Проблемой анализа макроэкономической активности впервые начали заниматься в НБЭИ (На-циональном бюро экономических исследований) США в 30х гг. прошлого века [1]. В рамках концепции бизнесцикла НБЭИ под

разумевается последовательная смена двух фаз: «роста» (growth) и «спада» (recessions) экономической активности. При этом поворотные точки соответствуют «пику» (максимальной точке роста) и «дну» (минимальной точке спада) экономического цикла. В рамках концепции ОЭСР (Органи-зации экономического сотрудни-чества и развития) допускается детализация основных фаз цикла относительно долгосрочного тренда с выделением периодов «роста» и «замедления» (выше линии долгосрочного тренда), а также – «спада» и «восста-новления» (ниже линии тренда) [2]. Поворотные точки в данном случае соответствуют моментам начала замедления роста и начала восстановления после спада. Бизнесцикл определяется на основе базового экономического индика-тора, который обычно описывает совокупный выпуск в экономике, как правило, используется реальный ВВП в месячном исчислении.

Многочисленные исследования в данном направлении нацелены на решение следующих основных задач:

1) идентификация бизнес-цик-ла и определение его поворотных точек;

2) построение сводных опере-жающих индексов, предназначенных для получения ранних сигналов о смене фаз бизнесцикла;

3) разработка эконометри-ческих моделей для оценивания и прогнозирования поворотных

23



точек бизнесцикла и базового экономического индикатора с использованием сводных опережающих индексов.

Методы идентификации бизнес-цикла на основе стати-стических фильтров. Задача идентификации бизнесцикла и определения его поворотных точек решается либо на основе экспертных оценок (НБЭИ), либо с использованием статистических фильтров и эконометрических моделей с переключением состояний. Статистические фильтры позволяют выделить циклическую компоненту из базового экономического индикатора, чьи поворотные точки считаются поворотными точками бизнесцикла. Наиболее часто применяется фильтр Ходрика – Прескотта. Однако данный фильтр, как и другие подобные фильтры, обладает рядом недостатков: смещение значений цикла в начальных и конечных точках временного ряда («endpoint bias problem»), высокая чувствительность этих оценок к добавлению новых наблюдений и проблема задания значения параметра фильтра («параметра λ»), критическим образом влияющего на свойства выделяемых компонентов временного ряда (тренда и цикла). Смещение в конечных точках цикла является критичным при оценке конечной фазы цикла. Альтернативой может быть регрессионный фильтр Хамильтона [4]. Сравнительный анализ фильтров Ходрика – Прескотта и Хамильтона при анализе бизнесцикла белорусской экономки дается в [5].

Модели с переключениями со-стояний: общая характеристика. Значительное место в исследованиях, посвященных эконометрическому анализу бизнесциклов, занимают модели с переключениями состояний [6]. Помимо статистического оценивания поворотных точек и, соответственно, идентификации фаз цикла данные модели позволяют оценить апостериорные вероятности классов состояний экономической активности (фаз цикла) в текущий момент времени и матрицу переходных вероятностей, которая может использоваться для прогнозирования будущего состояния. При этом одновременно с оцениванием номеров классов состояний реша

ется задача оценивания параметров моделей для каждого класса состояний, которые могут рассматриваться как предиктивные модели для базового экономического индикатора. Наибольшее распространение получили векторные авторегрессионные модели с марковскими переключениями состояний (Markov-switching vector autoregressive model – MS-VAR) [7]. В этих моделях смена классов состояний происходит под управлением ненаблюдаемой однородной цепи Маркова. Условие однородности означает постоянство во времени вероятностей смены классов состояний, называемых переходными веро-ятностями. Модели MSVAR [7] требуют априорного задания типа циклических изменений из двух альтернативных вариантов: а) изменения происходят в векторе средних значений эндогенных переменных; б) изменения происходят в векторе свободных членов. Допускаются также одномоментные изменения в матрицах авторегрессионных коэффициентов и ковариационной матрице случайных ошибок наблюдения. Эффективность применения моделей MSVAR существенно зависит от размерности модели, определяемой числом уравнений, порядком авторегрессии и количеством классов состояний: чем больше размерность модели и, соответственно, число оцениваемых параметров, тем большей должна быть длина используемых временных рядов. Кроме того, традиционные модели MSVAR [7] не допуска ют использования экзогенных переменных, которые могли бы улучшить их статистические свойства и предиктивные способности при прогнозировании моментов переключения состояний и используемых экономических переменных. По этой причине в [8–10] предложена модель MSVARX, которая допускает такие обобщения модели MSVAR, как: а) возможность использования дополнительных экзогенных переменных; б) отсутствие априорных предположений относительно параметров моделей, подверженных циклическим изменениям. Важным частным случаем модели MSVARX является модель многомерной линейной регрессии (multivariate linear regression) с

марковскими переключениями состояний MSMLR [10].

Для построения моделей MSVAR и MSVARX применяются итерационные ЕМалгоритмы (Expectation-Maximization algorithms) семейства алгоритмов Баума – Уэлча (Baum – Welch algorithms) расщепления смесей распределений многомерных наблюдений, управляемых скрытой цепью Маркова (Hidden Markov Chain), адаптированные к условиям конкретной модели наблюдений [11].

Проблемы моделей с мар-ковскими переключениями со-стояний. При использовании на практике моделей MSVAR и MSVARX могут возникать проблемы вследствие недостаточно высокой точности оценивания матриц переходных вероятностей в силу короткой длины временных рядов. Короткая длина может быть причиной статистической незначимости оценок (близости к нулю) вероятностей смены состояний, приводящей к остановке работы итерационных алгоритмов [12]. Другая проблема состоит в невыполнении предположения об однородности марковской модели. В обоих случаях существенные погрешности в оценивании матрицы переходных вероятностей могут отражаться на оценках поворотных точек и прогнозах будущего состояния. При нарушении свойства однородности альтернативой могут быть модели с переходными вероятностями, зависящими от экзогенных переменных, значения которых обусловлены сменой состояний [7]. Однако это существенно усложняет модель в целом и приводит к увеличению числа оцениваемых параметров. При короткой длине временных рядов это обусловливает актуальность одномерных моделей MSAR и MSARX вместо соответствующих многомерных моделей.

Другой альтернативой при сложной либо неизвестной модели переключения состояний могут быть модели с независимы-ми переключениями состояний (independence switching models) ISVARX, предлагаемые в [13; 14]. Данные модели и соответствующие им алгоритмы построения не используют матрицу переходных вероятностей на эта

24



пе классификации состояний и оценивания параметров моделей. Однако матрицы переходных вероятностей могут быть получены эмпирическим путем на основе результатов классификации состояний моделируемого процесса. Такой подход применяется для оценивания матриц миграции статистических кредитных рейтингов по панельным данным с неоднородной кластерной структурой в [15].

Концепции «коинтеграции» и «кобрейкинга». Важным этапом в построении моделей с переключением состояний является определение типа моделей используемых временных рядов из возможных классов альтернатив: нестационарные процессы TS (стационарные или содержащие детерминированные тренды) или DS (интегрированные, содержащие стохастические тренды) со структурными изменениями (structural breaks), обозначаемые TSSB и DSSB соответственно. В зависимости от типа временных рядов модели MSVAR и MSVARX могут строиться в уровнях или первых разностях. Возможно также использование коинтегри-рованных VAR (Cointegrated VAR – MS-CVAR), если используемые временные ряды являются коинтегрированными [7].

При использовании в модели тесно взаимосвязанных экономических переменных, обладающих общими трендами и согласованными структурными изменениями, может возникать свойство, известное как «кобрейкинг» (cobreaking) [16]. Концепция «кобрейкинга» в многомерных моделях близка концепции «ко-интеграции» временных рядов, описываемых моделями со стохастическими трендами (DSмоделями) [17]. Аналогия состоит в том, что в условиях кобрейкинга существует линейная комбинация временных рядов с общими трендами и структурными изменениями, которая является стационарным временным рядом. В качестве такой комбинации может рассматриваться временной ряд остатков модели. Указанные эффекты кобрейкинга ожидаются при совместном анализе базового и опережающего индикаторов в контексте задачи анализа бизнесцикла. В рамках проведенных

исследований при построении моделей с переключением состояний тестируются оба свойства, которые обусловлены циклической сменой состояний моделируемого процесса.

Построение сводных опережа-ющих индексов. Сводные индексы могут формироваться на основе специально отобранных макроэкономических показателей [18] либо на основе данных конъюнктурных опросов. В настоящее время в качестве общепринятого международного стандарта построения сводных опережающих индексов по опросным данным во многих странах используется методика, разработанная Статистическим департаментом ОЭСР и Европей-ской комиссии (далее – методика ОЭСРЕК) [19]. Опыт построения сводных опережающих индексов по белорусским данным описы вается в [20] (на основе макро экономических показателей) и в [21] (на основе данных конъюнктурных опросов в соответствии с методикой ОЭСРЕК). С использованием этой методики на основе данных системы мониторинга предприятий Национального банка Республики Беларусь построены индексы доверия (Confident Indexes) для отдельных видов экономической деятельности (ВЭД) и индекс экономических настроений ИЭН (Economic Sentiment Index – ESI) для экономики в целом [21].

Предиктивные эконометриче-ские модели базового экономи-ческого индикатора. Построению предикативных моделей базового экономического индикатора на основе опережающих индикаторов посвящено большое число исследований, в рамках которых используются различные виды эконометрических моделей и способы учета циклических структурных изменений. Целями исследований, как правило, являются:

– оценивание прогностических способностей модели с целью выбора лучшего опережающего индикатора из числа возможных вариантов;

– сравнительный анализ различных типов моделей на основе статистик, характеризующих их статистические свойства и точность прогнозирования.

Значительная часть исследований в рамках этой задачи ос

нована на сводном опережающем индексе CLI (Composite Leading Index), публикуемом НБЭИ США с 1968 г. Неоднозначные результаты исследований свидетельствуют о различной эффективности используемых для ее решения подходов. В то же время в работах [22; 23], где используются модели с марковскими переключениями состояний, получены результаты, говорящие о повышении их предиктивных способностей.

Цели и задачи данного ис-следования. Целью проведенного исследования является оценивание предиктивных способностей моделей с марковскими переключениями состояний, включающих опережающий индикатор и другие необходимые экзогенные переменные. Ожидается, что обоснованное включение экзогенных переменных может повысить качество идентификации поворотных точек цикла и точность прогнозирования базового индикатора. В качестве опережающего индикатора используется ранее разработанный индекс экономических настроений ESI [21].

Для достижения указанной цели решаются следующие задачи: 1) выбор метода построения и формы представления индекса ESI для использования в эконометрических моделях; 2) исследование типа модели временных рядов базового экономического индикатора и индекса ESI и, соответственно, выбор формы представления модели с марковски ми переключениями состояний; 3) построение моделей с переключением состояний, включающих опережающий индекс ESI, и их применение для анализа поворотных точек и прогнозирования темпов роста реального ВВП Республики Беларусь. В качестве альтернативного метода оценки поворотных точек рассматривается фильтр Ходрика – Прескотта, используемый в [21].

Выбор метода построения и формы представления сводного индекса ESI. В соответствии с методикой ОСЭРЕК [19] cводный индекс экономических настроений ESI вычисляется на основе ежемесячных опросов белорусских предприятий (за период наблюдения с мая 2005 г. по январь 2017 г.) как средневзвешенное значение вре

25



менных рядов балансов ответов на вопросы анкеты [21].

Обозначим: Q(k) = {q(k)j}( j =

= 1,...,N(k), k = 1,...,K) – множество вопросов анкеты для ВЭД Gk, где N(k) – количество вопросов;

Q =N

Uk=1

Q(k) (k = 1,...,K) – множество

всех вопросов; N =K

∑k=1

N(k) – их

общее число; x(k)i,j,t – ответ на во

прос q(k)j ( j = 1,...,N(k)) организации

i(i = 1,...,n(k)), относящейся к ВЭД G(k) (k = 1,...,K) в момент времени t(t = 1,...,T).

По всем вопросам анкеты q(k)

1 ,..., q(k)N(k) возможны три вари

анта ответов x(k)i,j,tє X = {–1,0,1},

соответствующих ожиданиям респондента относительно состояния организации в ближайшей перспективе: x(k)

i,j,t = +1, если ожидается улучшение; x(k)

i,j,t = 0, если состояние останется без изменений; x(k)

i,j,t = –1, если ожидается ухудшение состояния. Тогда временные ряды балансов ответов в процентах от общего числа ответов n(k) допускают представление:

B(k)jt =

1___ n(k)

n(k)

∑i=1

x(k)i,j,t ×

× 100(%) є [–100,+100], j = 1...,

N(k), k = 1,...,K, t = 1,...,T. (1)

Сводный индекс ESI вычисляется как средневзвешенное значение временных рядов балансов ответов {B(k)

jt }:

ESIt =

K

∑k=1

N

∑i=1

ω(k)j B(k)

j,t , (2)

где ω(k)j – весовые коэффициенты

для вопросов, которые зависят от принадлежности респондента к ВЭД G(k) и удовлетворяют условиям:

ω(k)1 = ... = ω(k)

N(k) = α(k) /

/ N(k) (k = 1,...,K),K

∑k=1

α(k) = 1. (3)

В качестве {α(k)} используются доли вкладов ВЭД в реальный ВВП, которые оцениваются на основе статистических данных для рассматриваемого периода исследований. В результате преобразования «нормализации» временного ряда индекса ESI его ожидаемые значения располагаются в диапазоне от 90 до 110 [21]. Предполагается, что значение индекса ESI на уровне 100

единиц соответствует долгосрочному тренду. Превышение данного уровня интерпретирует ся как рост, а значения ниже 100 – как спад экономической активности.

Возможны два метода вычисления ИЭН: прямой и непрямой. При непрямом методе в формуле (2) используются сезонно скорректированные временные ряды {B(k)

jt }. В случае прямого метода процедура сезонной корректировки при по строении сводного индекса ESI применяется лишь один раз, после его вычисления. По этой причине такие временные ряды в меньшей степени подвергаются искажениям, связанным с применением процедур сезонного сглаживания. Прямой метод предпочтительнее использовать в случаях, когда агрегируемые временные ряды имеют схожую модель сезонности и если отдельные временные ряды из сводного индекса не могут быть надежно скорректированы, например при малом объеме данных. Суммирование таких временных рядов улучшает свойства сезонной модели сводного индекса и снижает уровень ее шумовой компоненты [19]. Как показывают проведенные исследования на основе эконометрического моделирования, этими свойствами обладают используемые временные ряды балансов ответов {B(k)

jt }. Более подробно решение данной проблемы описано в [21]. Там же приводятся результаты использования индекса ESI, вычисленного по непрямому методу,

в предиктивных эконометрических моделях для месячных темпов роста реального ВВП.

Исследование типа временных рядов и выбор формы модели с марковскими переключениями состояний. В данном исследовании в качестве базового экономического индикатора для определения бизнесцикла используется месячный реальный ВВП (переменная GDP) в ценах 2014 г., а также индекс ESI (2), вычисленный по прямому методу. С помощью фильтра Ходрика – Прескотта в [21] установлено, что для рассматриваемого временного интервала (май 2005 г. – январь 2017 г.) поворотные точки индекса ESI опережают поворотные точки бизнесцикла со средним периодом опережения 4 месяца.

В представляемых эконометрических моделях используются годовые темпы роста GGDP и GESI для реального ВВП и индекса ИЭН, которые можно рассматривать как сезонно скорректированные временные ряды GDP и ESI. Их циклические компоненты GGDP_С и GESI_С, представленные на рисунке 1, демонстрируют опережающий характер GESI_С по отношению к GGDP_С. В связи с этим переменная GESI интерпретируется как «опережающий индикатор» по отношению к GGDP.

Для тестирования интегрированности временных рядов GGDP и GESI и их первых разностей DGGDP и DGESI используются тесты, допускающие наличие структурных изменений. Тест BPUR

Циклы годовых темпов роста реального ВВП и ИЭН

Примечание. Разработка авторов.

Рисунок 1

2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

103

102

101

100

99

98

97

GESI_C GGDP_C

26



(Brake Point Unit Roots test) [24] проверяет гипотезу о том, что временной ряд является интегрированным с возможным структурным изменением в свободном члене с и/или в линейном тренде t, обусловленными аномалиями в инновационном процессе. При наличии множественных структурных изменений в результате тестирования устанавливается момент, соответствующий наиболее ярко выраженному структурному изменению. Альтернативой выступает модель стационарного или стационарного относительно детерминированного тренда временного ряда со структурными изменениями. Результаты тестирования временных рядов GGDP и GESI, а также их первых разностей приведены в таблице 1.

Согласно таблице 1 тест ВРUR для обоих временных рядов GGDP и GESI не отклоняет гипотезу о том, что они относятся к классу моделей DSSB, то есть являются интегрированными порядка 1 со структурными изменениями типа «инновационных аномалий» в установленные моменты времени.

В предположении о принадлежности временных рядов GGDP

и GESI к классу моделей TSSB, допускающих множественные структурные изменения в константе и линейном тренде, используется тест Баи – Перрона (Bai – Perron tests sequentially determined breaks) с одновременным построением для них моде лей указанного типа с помощью метода наименьших квадратов с учетом установленных моментов структурных изменений (Brake LS Method) [24]. Установленные моменты структурных изменений в линейном тренде t и свободном члене с представлены в табли- це 2. Достаточно большое число структурных изменений в течение относительно короткого временного интервала может свидетельствовать о том, что временные ряды содержат стохастические тренды. В то же время моменты структурных изменений GGDP и GESI(4) близки по времени наступления, а изменения в GESI предшествуют изменениям в GGDP. Имеется также их очевидная связь с поворотными точками бизнесцикла, построенного с помощью фильтра Ходрика – Прескотта (таблица 6), что позволяет дать им соответствующую экономическую интерпретацию. Согласованность момен

тов структурных изменений можно объяснить эффектами кобрейкинга [16]. Еще одним эффектом кобрейкинга временных рядов является отсутствие структурных изменений в моделях (4) и (5), описывающих их взаимосвязь и оцененных с помощью метода наименьших квадратов (указаны Рзначения). Остатки обеих моделей являются гауссовским белым шумом. Модель (5) с опережающей лаговой переменной, очевидно, предпочтительнее в контексте задачи прогнозирования GGDP, поскольку позволяет строить динамические прогнозы.

GGDPt = 0,2979 × GGDP

t-1 +

(0,0004)

+ 0,3501 × GGDPt-2 + 0,1044 ×

(0,0000) (0,000)

× GESIt – 0,0356 × t + 28,7076,

(0,0012) (0,0006)

R2 = 0,7631, DW = 2,0336, SER = 2,7236. (4)

GGDPt = 0,2368 × GGDP

t-1 +

(0,008)

+ 0,2269 × GGDPt-2 + 0,1330 ×

(0,009) (0,000)

× GESIt-4 – 0,0539 × t + 46,406,

(0,000) (0,000)

R2 = 0,7590, DW = 1,9507, SER = 2,745. (5)

Результаты тестирования временных рядов GGDP, GESI и их первых разностей с помощью теста BPUR

Временной ряд

Включение в модель тренда t и константы c

Значение статистикикритерия

Уровень значимости ε и пороговые значения

Момент структурного изменения t

SB

Фактический уровень значимости

(Р-значение)0,01 0,05 0,1

GGDP t, c -4,897 -5,72 -5,18 -4,90 10.2009 0,099

DGGDP c -19,690 -4,95 -4,44 -4,19 07.2011 <0,01

GESI c -4,363 -4,95 -4,44 -4,19 11.2010 0,063

DGESI c -5,286 -4,95 -4,44 -4,19 11.2010 <0,01


Таблица 1

Тестирование структурных изменений с помощью теста Баи — Перрона

Временной ряд Моменты структурных изменений в линейном тренде (t) и свободном члене (с)

GGDP 02.2008 (с) 11.2009 (с, t) 09.2011 (с) 03.2015 (с, t)

GESI 01.2008 (с, t) 10.2009 (c, t) 05.2011 (c) 12.2014 (t)

GESI(-4) 05.2008 (с) 02.2010 (с, t) 08.2011 (с) 04.2015 (t)


Таблица 2

27



Согласованность моментов структурных изменений и наличие общего тренда лежит в основе коинтеграционной зависимости данных временных рядов в предположении их интегрированности. Результаты тестирования коинтеграции с помощью двух тестов, представленные в таблице 3, свидетельствуют в пользу данного предположения. Аналогичные выводы получаются на основании теста Хансена, который проверяет гипотезу о коинтегрированности в условиях структурной нестабильности модели (Рзначение больше 0,2) [25]. С помощью метода оценивания параметров DOLS (Dynamic Ordinary Least Squares) получено коинтеграционное регрессионное уравнение с линейным трендом (6), описывающее долгосрочную зависимость между переменными GGDP и GESI.

GGDPt = 0,1806 × GESI

t –

(0,000)

– 0,1018 × t + 93,3046, (0,000) (0,000)

R2 = 0,7169, DW = 1,3470. (6)

Общее описание моделей и методики решения задач иссле-дования. В силу короткой длины временных рядов в качестве исходных моделей для рассматриваемой задачи используются одномерные модели c марковскими переключениями состояний со свободным членом, различающиеся составом экзогенных переменных. Упрощающие модельные предположения обусловлены итоговым видом полученных моделей в условиях относительно небольшой длины временных рядов.

В силу особенностей цикла экономической активности в рассматриваемый период времени выделяются два класса состояний экономической активности: «спад» (состояние 0, которое

Результаты тестирования коинтеграции GGDP и GESI

Временные рядыТесты коинтеграции, нулевая гипотеза: ряды не коинтегрированные

Энгла – Грейнджера Филлипса – Улиариса

GGDP, GESI

τ-статистика, Р-значение

z-статистика, Р-значение

τ-статистика, Р-значение

z-статистика, Р-значение

-3,932 0,0415

-31,280 0,0152

-6,494 0,0000

-65,243 0,0000


Таблица 3

включает также фазу «замедление»); «рост» (состояние 1, включающее фазу «восстановление»).

В случае, когда число классов состояний L = 2, при сделанных предположениях рассматриваемые модели в общем случае описываются моделью авторегрессии порядка p со свободным членом и m экзогенными переменными, обозначаемой MS(2)ARX(p,m), вида:

yt = c

d(t) +

p

∑i=1

αd(t),i

yt-i +

+ m

∑j=1

βd(t),j

xt,j + ηt, t = 1,...,T, (7)

где для момента времени t: y

t є 1 – моделируемый показа

тель, y1-p,...,

y0 – его заданные на

чальные значения; хt,1,...,х

t,m є 1 –

экзогенные переменные; ηt є 1 – случайные ошибки наблюдения (инновационный процесс), имеющие нормальный закон распределения с нулевым средним значением и постоянной дисперсией σ2; d

t = d(t) є {0,1} – номер класса

состояния; {αd(t)

} – коэффициенты авторегрессии, с

d(t), {β

d(t),j} – сво

бодный член и коэффициенты регрессии, зависящие от номера класса состояния d(t).

Относительно номеров классов состояний делается следующее предположение: дискретные случайные величины {d

t} обра

зуют однородную эргодическую цепь Маркова (ОЦМ) с вероят ностями начального состояния π

0 = P{d

1 = 0} > 0, π

1 = 1 – π

0, и

переходными вероятностями pkl = = P{d

t+1 = l | d

t = k} ≥ 0 (k,l є {0,1}),

p00 + p

01 = 1, p

01 + p

11 = 1.

Для совместного оценива ния номеров классов состояний {d

t} (t = 1,...,T) и вектора неиз

вестных параметров θ, включающего параметры ARXмоделей для классов состояний и параметры ОЦМπ, P, по временным

рядам Y = {yt}, X = {xt} (t = 1,...T) используются итерационные ЕМалгоритмы [10; 11], результатом работы которых являются оценки искомых параметров ⁀θ, а также оценки следующих характеристик: ● P{dt = l | Y, X; ⁀θ} – апостериор

ная вероятность класса состоя ния l є {0,1} для момента времени t;

● P{dt+1 = l | dt = k; Y, X; ⁀θ} – вероятность перехода системы из состояния k є {0,1} в состояние l є {0,1} в момент времени t при тех же условиях.Оценки номеров классов ⁀{dt}

находятся по правилу максимума апостериорной вероятности:

⁀dt = arg max P{dt = l | Y, X;

⁀θ}, l є {0,...,L–1}

t = 1,...,T, (8)

которое в случае двух классов эквивалентно правилу [4]:

⁀dt = 0, если P{dt = 0 | Y, X; ⁀θ} >

> 0,5; ⁀dt = 1, если P{dt =

= 0 | Y, X; ⁀θ} ≤ 0,5.

На основании оценок номеров классов состояний ⁀{dt} определяются поворотные точки цикла («пик» и «дно») по следующему правилу: в момент времени t = τ имеет место: «пик», если ⁀dτ = 1, ⁀dτ+1 = 0; «дно», если ⁀dτ = 0, ⁀dτ+1 = 1.

Поскольку решающие правила статистической классификации временных рядов типа (8) имеют ненулевую вероятность ошибки [14], то возможно появление ложных сигналов о смене классов состояний, которые не должны приниматься во внимание. Необходимость исключения краткосрочных колебаний в рассматриваемой задаче обусловлена также ограничениями, имеющи

28



ми экономическую интерпретацию: не менее двух кварталов пребывания экономической системы в текущем состоянии [19]. По этой причине требуется дополнительное «сглаживание» случайной последовательности

⁀{dt} (t = 1,...,T). В [7; 23] сглаживание основано на использовании оценки матрицы переходных вероятностей ⁀P, что требует высокой точности ее оценивания; в [9] предлагается статистический критерий «скользящего» тестирования последовательности ⁀{dt} (t = 1,...,T), не требующий знания матрицы ⁀P.

Построение и сравнительный анализ моделей с переключением состояний. С учетом обозначенийyt = GGDP

t, x

t, 1 = t, x

t, 2 = GESI

t,

GESIt (–4) рассматриваются моде

ли вида MS(2)ARX(2,2):

M.0. GGDPt = c

d(t) + α

d(t),1 yt-1 +

+ αd(t),2

yt-2 + ... + ηt,

M.1. GGDPt = c

d(t) + α

1 yt-1 +

+ α2

yt-2 + ... + βd(t),1

t + ηt,

M.2. GGDPt = c

d(t) + α

1 yt-1 +

+ α2

yt-2 + ... + βd(t),1

t +

+ βd(t),2

GESIt + ηt,

M.3. GGDPt = c

d(t) + α

1 yt-1 +

+ α2

yt-2 + ... + βd(t),1

t +

+ βd(t),2

GESIt-4

+ ηt.

Модель М.0 без экзогенных переменных предполагает, что циклические изменения обусловлены аномалиями в инновационном процессе и ведут к скачкообразному изменению среднего уровня значений переменной GGDP, который определяется свободным членом c

d(t). Осталь

ные модели содержат экзогенные переменные. Модель М.1 допускает циклические изменения в трендовой компоненте. В основе модели М.2 лежит долгосрочная коинтеграционная зависимость между GGDP и GESI вида (6), которая включает линейный тренд. Модель М.3 в отличие от М.2 включает опережающую экзогенную переменную GESI(–4). Все коэффициенты при экзо

генных переменных зависят от класса состояния экономической активности.

Цель исследования состоит в оценке эффектов включения в базовую модель М.0 альтернативных вариантов экзогенных переменных, которые отражаются на качестве идентификации поворотных точек и точности прогнозировании GGDP. В таблице 4 приводятся характеристики оцененных моделей для обоих классов состояний с указанием параметров, подверженных циклическим изменениям.

На основании таблицы 4 можно сделать следующие выводы: 1) свободный член и все включенные в модель экзогенные переменные подвержены циклическим

структурным изменениям; 2) параметры моделей М.0, М.1, М.2, соответствующие свободному члену c и экзогенным переменным t, GESI, чувствительны к резкому спаду экономической активности, о чем свидетельствуют статистически значимые значения параметров для состояния «спад». В то время как переход в состояние «рост» проявляется только в статистически значимом увеличении свободного члена; 3) модель М.3 с опережающей экзогенной переменной GESI(–4) обладает предиктивными способностями при определении двух классов состояний, поскольку статистически значимые изменения имеют место во всех параметрах модели в обоих случаях. В таблице 5

Характеристики альтернативных моделей для двух классов состояний

Модель Экзогенные переменные Параметры

Оценки параметров / Р-значения

состояние «спад»

состояние «рост»

М.0 нет

c 100,7035/0,000 103,5599/0,000

α1

0,4036/0,000 0,0829/0,743

α2

0,5533/0,000 -0,2713/0,178

М.1 tc 104,3309/0,000 109,4102/0,000

β1

-0,0536/0,000 0,0050/0,840

М.2t

c 92,415/0,000 101,6467/0,000

β1

-0,0690/0,000 0,0256/0,289

ESI β2

0,1373/0,000 0,0750/0,254

M.3t

c 73,7080/0,000 98,919/0,000

β1

-0,0622/0,000 -0,1169/0,000

ESI(–4) β2

0,3569/0,000 0,1118/0,0001


Таблица 4

Оценки переходных вероятностей и соответствующие им Р-значения

Модель

М.1 0,9784/0,000 0,0216 0,3430/

0,204 0,6570 0,614 0,386

М.2 0,9611/0,000 0,0389 0,2050/

0,172 0,7950 0,655 0,345

М.3 0,9288/0,000 0,0712 0,1163/

0,124 0,8837 0,620 0,380


⁀p11

⁀p10/p ⁀p

00/p ⁀p

01 ⁀π

0 ⁀π

1

Таблица 5

29



приводятся оценки начальных и переходных вероятностей, а также соответствующие им Рзначения (переменная р) для моделей с экзогенными переменными. В силу сравнительно небольшой длины временных рядов число смен состояний невелико, что является причиной малых значений оценок вероятностей

⁀р01 и ⁀р10 и, соответственно, их невысокой значимости.

Графическое представление результатов экспериментов с построенными моделями дано на рисунках 2–5. На рисунках представлена динамика годовых темпов роста реального ВВП GGDP и их прогнозов на основе рассматриваемых моделей с переключением состояний для периода оценивания (голубая линия) и периода прогнозирования (красная линия), а также отмечены интервалы, соответствующие классам состояний «рост» (серая полоса) и «спад» (белая полоса). На рисунке 2 для определения поворотных точек используется несглаженная последовательность номеров классов состояний ⁀{dt} (t = 1,...,T), что объясняет появление на графике признаков краткосрочных колебаний состояния экономической активности. На рисунках 3–5 краткосрочные колебания исключаются с помощью процедуры сглаживания [9; 23].

В таблице 6 представлены поворотные точки бизнесцикла, установленные с помощью фильтра Ходрика – Прескотта и моделей с переключением состояний, включающих индекс ESI. Следует отметить, что имеет место достаточно хорошая согласованность поворотных точек, полученных с использованием статистического фильтра и модели М.3 с опережающей экзогенной переменной GESI(–4). Причем поворотные точки, соответствующие модели М.3, в целом дают более ранние прогнозы о смене состояний. На рисунке 6 дается графическое представление классов состояний, полученных с помощью обоих методов: для модели М.3, состояния указаны вертикаль ными полосами, а цикл на основе фильтра Ходрика – Прескотта представлен зеленой линией.

Краткосрочные колебания состояния экономики для модели М.3

Примечание. Разработка авторов.Рисунок 2

GGDP_MGGDP ПрогнозСостояние 1

Сен

тяб

рь 2

006

г.

Апре

ль

2007

г.

Ноя

брь

2007

г.

Ию

нь

2008

г.

Янва

рь 2

009

г.

Мар

т 2

010

г.

Окт

ябрь

201

0 г.

Май

201

1 г.

Дек

абрь

201

1 г.

Ию

ль

2012

г.

Фев

раль

2013

г.

Сен

тяб

рь 2

013

г.

Апре

ль

2014

г.

Ноя

брь

2014

г.

Ию

нь

2015

г.

Янва

рь 2

016

г.

Авг

уст

201

6 г.

Авг

уст

200

9 г.

115

110

105

100

95

90

1

0

GG

DP

, проц

ент

ы

Сос

тоя

ние

Состояние экономики и прогнозные значения GGDP для модели М.1



Сен

тяб

рь 2

006

г.

Апре

ль

2007

г.

Ноя

брь

2007

г.

Ию

нь

2008

г.

Янва

рь 2

009

г.

Мар

т 2

010

г.

Окт

ябрь

201

0 г.

Май

201

1 г.

Дек

абрь

201

1 г.

Ию

ль

2012

г.

Фев

раль

2013

г.

Сен

тяб

рь 2

013

г.

Апре

ль

2014

г.

Ноя

брь

2014

г.

Ию

нь

2015

г.

Янва

рь 2

016

г.

Авг

уст

201

6 г.

Авг

уст

200

9 г.

115

110

105

100

95

90

GG

DP

, проц

ент

ы



GGDP_MGGDP Прогноз GGDPСостояние 1

Сен

тяб

рь 2

006

г.

Апре

ль

2007

г.

Ноя

брь

2007

г.

Ию

нь

2008

г.

Янва

рь 2

009

г.

Мар

т 2

010

г.

Окт

ябрь

201

0 г.

Май

201

1 г.

Дек

абрь

201

1 г.

Ию

ль

2012

г.

Фев

раль

2013

г.

Сен

тяб

рь 2

013

г.

Апре

ль

2014

г.

Ноя

брь

2014

г.

Ию

нь

2015

г.

Янва

рь 2

016

г.

Авг

уст

201

6 г.

Авг

уст

200

9 г.

115

110

105

100

95

90

GG

DP

, проц

ент

ы

1

0

Сос

тоя

ние

1

0

Сос

тоя

ние

30






Сен

тяб

рь 2

006

г.

Апре

ль

2007

г.

Ноя

брь

2007

г.

Ию

нь

2008

г.

Янва

рь 2

009

г.

Мар

т 2

010

г.

Окт

ябрь

201

0 г.

Май

201

1 г.

Дек

абрь

201

1 г.

Ию

ль

2012

г.

Фев

раль

2013

г.

Сен

тяб

рь 2

013

г.

Апре

ль

2014

г.

Ноя

брь

2014

г.

Ию

нь

2015

г.

Янва

рь 2

016

г.

Авг

уст

201

6 г.

Авг

уст

200

9 г.

115

110

105

100

95

90

GG

DP

, проц

ент

ы

Бизнес-цикл на основе фильтра Ходрика — Прескотта и модели с переключением

состояний, использующей индекс ESI


GGDPСостояние 1

Сен

тяб

рь 2

006

г.

Апре

ль

2007

г.

Ноя

брь

2007

г.

Ию

нь

2008

г.

Янва

рь 2

009

г.

Мар

т 2

010

г.

Окт

ябрь

201

0 г.

Май

201

1 г.

Дек

абрь

201

1 г.

Ию

ль

2012

г.

Фев

раль

2013

г.

Сен

тяб

рь 2

013

г.

Апре

ль

2014

г.

Ноя

брь

2014

г.

Ию

нь

2015

г.

Янва

рь 2

016

г.

Авг

уст

201

6 г.

Авг

уст

200

9 г.

115

110

105

100

95

90

GG

DP

, проц

ент

ы

Поворотные точки бизнес-цикла на основе фильтра Ходрика — Прескотта и модели с переключением состояний, использующей индекс ESI

Метод Поворотные точки

Пик Дно Пик Дно Пик Дно

Фильтр Ходрика – Прескотта

06.2008 09.2009 03.2011 09.2013 07.2014 01.2016

Модель М.0 Не имеют содержательной интерпретации

Модель М.2 – 12.2008 09.2010 07.2011 – –

Модель М.3 09.2007 10.2009 10.2010 06.2011 02.2014 –


Таблица 6

З а к л ю ч е н и еПроведенные исследования

моделей с марковскими переключениями состояний и экзогенными переменными на данных белорусской экономики позволяют сделать следующие выводы:

1) модели с марковскими переключениями состояний и экзогенными переменными, включающими опережающий индикатор, являются эффективным, гибким и многофункциональным инструментом анализа бизнесцикла, позволяющим оценивать и прогнозировать поворотные точки цикла и значения базового экономического индикатора;

2) в качестве опережающего экономического индикатора целесообразно использовать индекс экономических настроений (ИЭН), построенный по прямому методу в соответствии с методикой ОСЭРЕК;

3) для построения эконометрических моделей целесообразно использовать годовые темпы роста реального ВВП и индекса ИЭН, которые являются сезонно скорректированными временными рядами значений анализируемых экономических переменных, имеют общие тренды, согласованные структурные изменения (удовлетворяют условиям кобрейкинга) и связаны долгосрочной коинтеграционной зависимостью;

4) поворотные точки, идентифицированные на основе модели с марковскими переключениями состояний и ИЭН в форме опережающего индикатора (ESI(–4)) предшествуют соответствующим

1

0

Сос

тоя

ние

1

0

Сос

тоя

ние

31



поворотным точкам цикла, построенного на основе фильтра Ходрика – Прескотта, и, следовательно, позволяют давать более ранние прогнозы о смене фаз цикла;

5) получаемые модели годовых темпов роста реального ВВП для

различных классов состояний могут использоваться для построения краткосрочных прогнозов темпов роста экономики;

6) в силу установленного свойства кобрейкинга временных рядов годовых темпов роста реального ВВП и индекса ИЭН

представляет интерес использование построенных предиктивных эконометрических моделей, учитывающих их непосредственную статистическую зависимость.


Библиографический список:1. Mitchell, W. Statistical Indicators of Cyclical Revivals / W. Mitchell, A. Burns. – New York: National Bureau of Economic Research, 1938.

2. OECD System of Composite Leading Indicators [Electronic resource] / OECD, Methodology Guide-Line, 2008. – Mode of access: http://www.oecd.org/std/li1.htm.

3. Handbook on Constructing Composite Indicators: Methodology and User Guide [Electronic resource] / OECD, 2008. – Mode of access: https://www.oecd.org/sdd/42495745.pdf.

4. Hamilton, J.D. A new approach to the economic analysis of nonstationary time series and the business cycle / J.D. Hamilton // Econometrica. – 1989. – № 57 (2). – P. 357–384.

5. Макаревич, А.С. Сравнительный анализ фильтров Ходрика – Прескотта и Хамильтона при оценивании поворотных точек бизнес-цикла и индекса экономических настроений белорусской экономики / А.С. Макаревич, В.И. Малюгин // Банкаўскi веснiк. – 2018. – № 8. – С. 49–56.

6. Hamilton, J.D. Regime switching models / J.D. Hamilton. In: S.N. Durlauf, L.E. Blume (eds) // New Palgrave Dictionary of Economics, 2nd Edition. – Basingstoke: Palgrave Macmillan, 2008. – P. 1755–1804.

7. Krolzig, H.-M. Markov switching vector autoregressions, Modelling statistical inference and application to business cycle analysis / Н.-М. Krolzig. – Berlin, Springer-Verlag, 1997. – 360 p.

8. Малюгин, В.И. Анализ многомерных статистических моделей с неоднородной структурой в случае скрытой марков-ской зависимости состояний / В.И. Малюгин, А.Ю. Новопольцев // Весцi НАН Беларусi. – 2015. – № 2. – С. 26–36. – Серыя фiз.-мат. навук.

9. Малюгин, В.И. Алгоритмы тестирования циклических структурных изменений в моделях векторной авторегрессии с пере-ключением состояний / В.И. Малюгин // Информатика. – 2015. – № 4 (20). – С. 79–88.

10. Malugin, V. Statistical Estimation and Classification Algorithms for Regime-Switching VAR Model with Exogenous Variables / V. Malugin, A. Novopoltsev // Austrian Journal of Statistic. – Vol. 46. – P. 47–56.

11. Bilmes, J.A. A Gentle Tutorial of the EM Algorithm and its Application to Parameter Estimation for Gaussian Mixture and Hidden Markov Models: Technical Report / J.A. Bilmes // Int. Computer Science Institute, Berkeley CA. – Berkeley, 1998. – 13 p.

12. Droumaguet, M. Markov-Switching Vector Autoregressive Models: Monte Carlo Experiment, Impulse Response Analysis, and Granger-Causal Analysis: thesis of Doctor of Economics / M. Droumaguet // European University Institute. – Florence, 2012. – 167 p.

13. Малюгин, В.И. Об оптимальности классификации случайных наблюдений, различающихся уравнениями регрессии / В.И. Малюгин, Ю.С. Харин // Автоматика и телемеханика. – 1986. – № 7. – С. 35–46.

14. Малюгин, В.И. Методы анализа многомерных эконометрических моделей с неоднородной структурой / В.И. Малюгин. – Минск: БГУ, 2014. – 351 с.

15. Малюгин, В.И. Анализ финансовой стабильности реального сектора экономики на основе микроданных: макроэкономический аспект / В.И. Малюгин, А.Ю. Новопольцев // Банкаўскi веснiк. – 2019. – № 10. – С. 20–27.

16. Hendry, D. Co-Breaking: Recent Advances and a Synopsis of the Literature Article / David F. Hendry, Michael Massmann // Journal of Business and Economic Statistics. – January-February. – 2007. – P. 33–51.

17. Харин, Ю.С. Эконометрическое моделирование: учеб. пособие / Ю.С. Харин, В.И. Малюгин, А.Ю. Харин. – Минск: БГУ, 2004. – 313 с.

18. Stock, J. New indexes of leading and coincidental economic indicators. In NBER macroeconomics Annual, Blanchard O, Fisher S (eds) / J. Stock, M. Watson. – Cambridge: Mass.: MIT Press, 1989.

19. Directorate-General for Economic and Financial Affairs. The joint harmonized EU program of business and consumer surveys. – European Commission, 2014. – 49 p.

20. Крук, Д.Э. Методология построения сводного индекса опережающих индикаторов для Беларуси [Электронный ресурс] / Д.Э. Крук, А.В. Зарецкий // Исследовательский центр ИПМ. Рабочий материал WP11/01. – 2011. – Режим доступа: http://www.eng.research.by/webroot/delivery/files/wp2011r01.pdf. – Дата доступа: 03.06.2016.

21. Малюгин, В.И. Индекс экономических настроений белорусской экономики: методические, модельные и инструментальные средства построения и применения / В.И. Малюгин, Д.Э. Крук, П.С. Милевский // Банкаўскi веснiк. – Тэматычны выпуск «Исследования банка № 16». – Красавік, 2019. – 30 c.

22. Hamilton, J. What do the leading indicators lead? / J. Hamilton, G. Pérez-Quiros // Journal of Business. – 1996. – № 69. – P. 27–49.

23. Kim, Ch. Predicting business cycle phases with indexes of leading and coincident economic indicators: a multivariate regime-shift approach / Ch. Kim // Working Paper. – Seoul: Korea University, 1994. – 19 р.

24. Time Series Econometrics. Unit Roots and trend Breaks. Vol. 1 / Ed. P. Perron. – New Jersey: World Scientific, 2018. – 743 p.

25. Hansen, B.E. Testing for Parameter Instability in Linear Models / B.E. Hansen // Journal of Policy Modeling. – 1992. – Vol. 14. – P. 517–533.

32



MS-VARХ Model and Its Use to Analyze the Business Cycle of the Belarusian Economy

Vladimir MALUGIN, Ph.D. in Physics and Mathematics, Associate Professor, Belarusian State University, Minsk, Republic of Belarus, e-mail: [email protected].

Anatoly MAKAREVICH, Master’s Degree Student, Belarusian State University, Minsk, Republic of Belarus, e-mail: [email protected].

Abstract. The model with Markovian switching of conditions MS-VARX, the mathematical grounding of which was proposed by the author earlier, extends the well-known model MS-VAR, allowing for the possibility of use of exogenous variables. This article covers its economic verification. The problem of the business cycle analysis and forecasting of the growth rates of the real GDP of the Belarusian economy is considered. The developed model is based on the cointegration interrelation between the real GDP annual growth rates and the Economic Sentiment Index (ESI), which is used as an outstripping economic indicator in the exogenous manner. The advantages of the proposed model in forecasting the turning points of the cycle and the growth rates of economic activity are determined.

Keywords: MS-VARХ model; outstripping economic indicator; real GDP; Economic Sentiment Index; business cycle analysis; cointegration; the Belarusian economy.

33



MIRR в решении проблемы множественности IRR

Первое из них было рассмотрено автором в статье [1], второе – в статье [3]. Последнее утверждение рассматривается в настоящей статье.

Суть исследуемой проблемы состоит в том, что в случае неординарного проекта, то есть когда предполагается отток денежных средств не только в нулевом периоде, но и в ходе реализации проекта или по его окончании, количество значений IRR оказывается

УДК 336.322.54Ключевые слова:

проблема множественности IRR; неординарный инвестиционный проект; внутренняя норма доходности проекта;

модифицированная внутренняя норма доходности; ставка дисконтирования; чистая приведенная стоимость;

замещающий проект; универсальная модель NPV.

Академия управления при Президенте Республики Беларусь, профессор, доктор экономических наук, Республика Беларусь, г. Минск, e-mail: [email protected]

Наталия МЫЦКИХ

больше единицы, что создает проблему выбора одного из них.

Рассмотрим приведенное выше утверждение о том, что «MIRR решает проблему множественно-сти IRR» на примере, взятом из того же источника [2], что и само утверждение, в котором неординарный инвестиционный проект С имеет денежный поток, представленный на рисунке 1.

График NPV данного проекта представлен на рисунке 2, на котором видна парадоксальная динамика NPV неординарного денежного потока, включающая два парадоксальных проявления NPV: парадокс противоположности и парадокс цикличности (периодичности) [4; 5].

Так как IRR является ставкой дисконтирования, при которой NPV = 0, то для нахождения значения IRR подставим данные

Данная статья завершает серию публикаций, посвященных анализу обоснованности утверждений (мнений), встречающихся в научной и учебной литературе по финансовому менеджменту, о преимуществе показателя MIRR перед показателем IRR. В статье [1] автор выразил и обосновал сомнение в отношении следующих утверждений:

– «MIRR снимает проблему конфликта критериев NPV и IRR»;

– «MIRR предпочтительнее IRR в качестве характеристики реальной доходности проекта», «MIRR в лучшей степени отра-жает доходность проекта»;

– «MIRR решает проблему множественности IRR» [2, с. 227–228].

Денежный поток неординарного проекта С

Источник: [2, рис. 7.1]

Рисунок 1

0 1 2

(10)(1,6) 10

График NPV неординарного инвестиционного проекта С

Источник: [2, рис. 7.2] Рисунок 2

NP

V, м

лн. до

лл.

Проценты

000 100 200 300 400 500 600

1,5

1,0

0,5

0

-0,5

-1,0

-1,5

-2,0

Rc = 10%, NPV = -0,77

IRR1 = 25% IRR2 = 400%

RД

NPV = -1,6 + 10/(1 + r)1 – 10/(1 + r)2

34



денежного потока (рисунок 1) и значение IRR в формулу расчета NPV и приравняем NPV к нулю:

NPV = –1,6/(1 + IRR)0 + + 10/(1 + IRR)1 – 10/(1 + IRR)2 =

= 0.

Решив это уравнение относительно IRR, получим два корня, два значения IRR (IRR1 = 25% и IRR2 = 400%), при которых NPV = 0.

В общем случае максимально возможное количество корней уравнения NPV(r) = 0 определяется количеством смены знака денежных потоков, а фактическое – еще и картиной денежных потоков. При этом корней (соответственно и IRR) вообще может не быть. В рассматриваемом примере две смены знака денежного потока и два корня уравнения NPV(r) = 0.

Как известно, для ординарных денежных потоков критерием принятия проекта является условие NPV > 0 или условие R

C (цена

капитала) < IRR. При этом критерии NPV и IRR не противоречат друг другу. В рассматриваемом примере эти условия выполняются на отрезке значений RC в диапазоне от 25% до 400%. Однако при цене капитала RC менее 25% между критериями возникает противоречие, так как значение NPV становится отрицательным, а значение RC < IRR.

В связи с возникшим противоречием автор книги «Финансовый менеджмент» Ю. Бригхем отмечает, что «проблемы не возникает, если применяется критерий NPV. Так, если цена капитала проекта равна 10%, то его NPV = –0,77 млн. долл. США, и проект должен быть отвергнут». И далее: «Во всех таких случаях куда проще использовать критерий NPV, и он в концептуальном плане приводит к правильным решениям в области инвестиционной политики» [2, c. 225].

В свою очередь американский экономист Ван Хорн в отношении корней (25% и 400%) рассматриваемого графика NPV отмечает: «Фактически правильными нельзя считать ни тот, ни другой корень, поскольку ни один из них не является мерой привлекательности инвестиций» [6, c. 472].

Как выход из ситуации множественности значений IRR Ю. Бригхем [2] предлагает использовать показатель MIRR. Применение показателя MIRR в соответствии с формулой его расчета фактически основано на изменении исходного денежного потока на замещающий поток, в котором после первого притока нет больше оттоков. Для этого все оттоки приводятся к начальной точке (t0) посредством дисконтирования их по цене капитала и суммируются, а все притоки приводятся к конечной точке (tn) посредством наращения их по этой же ставке и тоже суммируются. В рассматриваемом примере модифицированный (скорректированный) денежный поток будет иметь вид,

представленный на рисунке 3, а значение MIRRC1

или, что то же самое, значение IRR замещающего потока (IRRЗC1

) составит:

MIRRC1 = IRRЗC1

= (11/9,86)½ – 1 = = 0,056, или 5,6%.

Относительно рассматриваемого примера Ю. Бригхем отмечает, что при цене капитала RC = 10% значение MIRR = 5,6%, то есть проект должен быть отвергнут, так как MIRR < RC. Это соответствует заключению по критерию NPV, так как NPV = –0,77 млн. долл. США [2, с. 227–228].

Фактически данная модификация неординарного денежного потока проекта С преобразовала его в ординарный, соответствующий определенному замещающему проекту C1 со своим монотонно убывающим профилем NPVC1

, выделенным на рисунке 4 красным цветом.

С учетом того, что показатель MIRR разрабатывался как относительный показатель, обеспечивающий ранжирование альтернативных проектов аналогично их ранжированию абсолютным показателем NPV, значение NPVC и NPVC1

совпадают при ставке дисконтирования, равной цене капитала RC. Это обстоятельство было отмечено выше, и на рисун-ке 4 ему соответствует точка пересечения данных профилей.

Однако когда в инвестиционном проекте последний денежный

Модифицированный денежный поток проекта С (вариант 1)


Рисунок 3

0 1 2 0 1 2

(10) 11(1,6) (9,86)10 0

Профили NPV проекта С и замещающих проектов C1 и C2 при цене капитала RC = 10%

Примечание. Разработка автора.Рисунок 4

NP

V, м

лн. до

лл.

Проценты

00 50 10 15 20 25 30 35 40

2

1

0

-1

-2

-3

-4

IRRс2 = 1,4%

IRRс1 = 5,6%

Профиль NPVпроекта С1

Профиль NPVпроекта С2

Профиль NPVпроекта С

IRR1 = 25%

Rс = 10%

RД

35



поток является отрицательным, нет необходимости наращивать положительные потоки до даты окончания проекта. Можно ограничиться датой последнего положительного потока, а оттоки привести к начальной точке, дисконтируя их по цене капитала, фактически используя не модификацию по Ю. Бригхему в чистом виде, а частичную модификацию денежного потока. Обозначим соответствующий ей показатель MIRR как MIRRC2

, значение которого равно IRRC2

.При таком подходе замещаю

щий денежный поток также окажется ординарным и будет иметь вид, представленный на рисун-ке 5, а профиль его NPVC2

будет монотонно убывающим, характерным для ординарных потоков. На рисунке 4 он выделен зеленым цветом.

Для данного потока при цене капитала RC = 10% значение MIRRC2

(IRRC2) составит:

MIRRC2 = IRRC2

= (10/9,86) – – 1 = 0,014, или 1,4%.

Поскольку значение MIRRC2

меньше цены капитала RC, то проект должен быть отвергнут.

Это заключение по критерию MIRRC2

, как и в первом варианте замещающего потока, соответствует заключению по критерию NPV, так как при цене капитала RC = 10% значение NPVC2

= –0,77 млн. долл. США.Британский экономист

Р. Брейли [7] в отношении аналогичного примера предлагает последний отток дисконтировать

на один шаг и суммировать полученное значение с притоком. При таком подходе замещающий денежный поток будет иметь вид, представленный на рисунке 6.

Так как сумма начального оттока и полученного притока меньше нуля (–0,69), то все значения NPV будут отрицательные, как и значение MIRRC3

(IRRC3).

MIRRC3 = 0,91/1,6 – 1= – 0,43.

Поскольку значение MIRRC2

меньше цены капитала RC = 10%, то проект должен быть отвергнут, что соответствует критерию по NPVC3

.Возможен и противополож

ный подход – нарастить приток по цене капитала (привести его к последнему шагу) и суммировать с заключительным оттоком, что, собственно, заложено в концепции показателя MIRR. При такой модификации денежный поток будет иметь вид, представленный на рисунке 7.

Получившийся денежный поток аналогичен потоку предыдущего варианта – сумма начального оттока и полученного притока меньше нуля (–0,60). Следовательно, все значения NPVC4

будут

отрицательные, как и значение MIRRC4

(IRRC4).

MIRRC4 = IRRC4

= (1,0/1,6)½ – – 1 = –0,21, или –21%.

Так как значение MIRRC4

меньше цены капитала RC = 10%, то проект должен быть отвергнут, что соответствует критерию по NPVC4

.Цель всех обозначенных вы

ше модификаций неординарного потока – привести его к ординарному потоку простейшего вида, исключающему проблему множественности IRR и обеспечивающему ранжирование проектов аналогично ранжированию по NPV и непротиворечивость критериев при решении вопроса о принятии проекта или отказе от него.

Как следует из проведенного анализа, модификация денежного потока в соответствии с показателем MIRR не является уникальной. Возможны иные модификации, снимающие проблему множественности IRR. Это приводит к новой проблеме – проблеме выбора модификации, так как необходим критерий, определяющий, какая из них позволяет получить истинное значение внутренней нормы доходности проекта. В рассмотренных вариантах модификации значения показателей MIRR составили соответственно: MIRRC1

= 5,6%, MIRRC2

= 1,4%, MIRRC3 = –0,43%,

MIRRC4 = –21,0%.

Даже если остановиться на классической формуле показателя MIRR, то и в этом случае имеется возможность получения различных значений показателя MIRR в зависимости от выбранной длительности наращения промежуточных денежных притоков при их реинвестировании. И все эти значения будут точно так же, как и при варианте 1, когда наращение осуществляется на последнюю дату проекта, снимать проблему множественности IRR и противоречивости критериев при решении вопроса о принятии



Рисунок 5

0 1 2 0 1

(10)(1,6) (9,86)10 10



Рисунок 6

0 1 2 0 1

(10)(1,6) (1,6)10 0,91



Рисунок 7

0 1 2 0 1 2

(10) 1,0(1,6) (1,6)10 0,0

36



проекта или отказе от него. Другое дело, что такая теоретическая возможность не имеет практического смысла.

Рассмотренные выше модификации объединяет то, что в них дисконтирование и наращение производится по цене капитала RC. Вследствие этого при подобного рода модификациях внутренняя норма доходности будет определяться не только особенностями проекта, определяющими структуру и размер денежных потоков, но и внешним по отношению к нему фактором – ценой капитала, участвующего в проекте. Однако это не согласуется не только с понятием «внутренняя норма доходности проекта», но и с экономическим смыслом наблюдаемого в отношении показателя MIRR явления – чем выше цена капитала, тем эффективнее проект.

Профили NPV проекта С и замещающих проектов при различной цене капитала представлены на рисунке 8.

На рисунке 8 видно, что при цене капитала RC = 10% значение MIRRC1

(IRRЗC1) = 5,6%, следова

тельно, проект убыточный, так как MIRR < RC. Увеличение цены капитала до 25% приводит к увеличению значения IRRЗC1

до такого же значения, следовательно, проект уже не убыточный, но еще и не прибыльный. Дальнейшее увеличение RC до 30% делает проект прибыльным. Получается, что чем больше затраты по обслужи

ванию инвестированного в проект капитала, тем выше доходность проекта.

Такое отсутствие экономической логики характерно для всех вышерассмотренных модификаций денежных потоков неординарных проектов, а это значит, что ни один из рассмотренных вариантов не позволяет достоверно определить внутреннюю норму доходности неординарного проекта.

Для определения приемлемых значений цены капитала, при которых спред S (разность) между MIRR и RC (WACC) имеет положительное значение, автором построен график соответствующей зависимости S = f(RC), который представлен на рисунке 9.

На рисунке 9 видно, что положительные значения разности между MIRR и RC (условие приемлемости проекта) находятся в том же диапазоне, что и положительные значения NPV (25% и 400%). Отсюда следует вывод о том, что в рассматриваемом проекте показатель MIRR не несет никакой дополнительной информации по сравнению с NPV и не обладает никакой аналитической ценностью, он лишь следует в «фарватере» NPV.

Если задуматься, то в этом нет ничего удивительного, так как показатель MIRR разрабатывался как относительный показатель, обеспечивающий ранжирование проектов аналогично ранжированию по NPV. Стало быть, должны соответствовать друг другу и диапазоны ставок, при которых проекты принимаются (или не принимаются).

Помимо этого, значение показателя MIRR, представляющего собой эквивалентную ставку доходности совокупности проектов: исходного и дополнительных, связанных с реинвестированием промежуточных денежных притоков по ставке цены капитала исходного проекта до его окончания [3], не может быть использовано как показатель внутренней нормы доходности исходного проекта.

Согласно приведенному выше мнению Ю. Бригхема, в отношении неординарных денежных потоков, приводящих к нескольким значениям IRR, проще использовать критерий NPV и отказаться от критерия IRR, заменив его на MIRR. Но, как показано на рисун-

Профили NPV проекта С и замещающих проектов при цене капитала 10%, 25% и 30%


Рисунок 8

NP

V, м

лн. до

лл.

Проценты

00 50 10 15 20 25 30 35 40

2,0

1,5

1,0

0,5

0

-0,5

-1,0

-1,5

-2,0

Профиль NPVпроекта С1 (25)


Профиль NPVпроекта С


Rс = 10%

IRRзс1 (10) IRRзс1 (25) IRRзс1 (30)

Rс = 25%Rс = 30%

RД

График изменения спреда S в зависимости от цены капитала RC


Рисунок 9

40

30

20

10

0

-10

-20

Проц

ент

ы

Проценты

000 100 200 300 400 500

S = MIRR – Rc

Rc

37



ке 9, показатель MIRR отражает то же, что и NPV.

При этом в литературе по финансовому менеджменту [2; 6; 7; 8] в отношении рассматриваемых показателей эффективности неординарных инвестиционных проектов (NPV, IRR и MIRR) остается без ответа ряд вопросов:

– по какой причине неординарный проект оказывается неприемлемым для фирмы, имеющей низкую цену капитала и низкий риск?

– почему проект оказывается убыточным при нулевой стоимости капитала и почему его доходность увеличивается с ростом цены капитала до 100%, а затем вдруг снижается?

– как объяснить множественность значений IRR? Где здесь экономическая логика?

– с чем связаны отличия профилей NPV неординарного и ординарного денежного потока?

Так как показатели IRR и MIRR являются производными от показателя NPV, то все претензии сводятся к принятой модели NPV, неадекватно описывающей экономические явления и процессы в отношении неординарных инвестиционных проектов. Как отмечает Ю.А. Масленников, «это означает, что если методы расчета NPV некорректны и уводят инвестора в сторону от эффективных решений, то одновременно неверные результаты дают и другие критерии методики дисконтирования. Поэтому, прежде всего, необходимо разобраться в сущности NPV, которая определяющим образом влияет на решения инвестора» [9].

В работах [4; 5] автором были выделены и рассмотрены следующие виды парадоксальной динамики профилей NPV: парадокс относительной индифферентности, парадокс противоположности, парадокс колебательности (цикличности) и парадокс повышенной чувствительности.

В результате их анализа было установлено, что фактической причиной возникновения парадоксальной динамики NPV является дисконтирование дополнительных инвестиций по переменной ставке RC. Остальные факторы (соотношение величин дополнительных инвестиций и величин денежных притоков, а

также их очередность) являются вторичными, зависимыми от наличия первичного фактора.

В работе [10] в качестве альтернативы традиционной модели NPV, неадекватной (невалидной) условиям наличия неординарных денежных потоков, автором предложена универсальная модель NPV, предполагающая дисконтирование инвестиций не по переменной ставке, а по фиксированным ставкам депозита на соответствующий срок. Универсальная модель NPV устраняет парадоксальность профиля NPV и множественность значений IRR при наличии неординарных денежных потоков в инвестиционных проектах. При этом отпадает необходимость использования критерия MIRR в решении рассматриваемой проблемы множественности IRR со свойственными ему недостатками.

Графики (профили) функций традиционной NPV(r) и универсальной NPVy(r) применительно к рассматриваемому проекту в диапазоне значений r от 0% до 60% при различных ставках депозита (Rдеп) имеют привычный вид монотонно убывающей функции (рисунок 10), характерный для проектов с единичной начальной инвестицией, каждый профиль имеет не более одного значения IRRy. Однако привлекательность проекта для конкретного исполнителя во многом определяется еще и возможной

(доступной) для него ставкой депозита (Rдеп).

Проект становится привлекательным при ставке депозита более 25%, так как в этом случае доходность проекта оказывается выше доходности депозита. При Rдеп = 25% значение IRRy также составляет 25%, и, соответственно, значение NPVy = 0. Это, по сути, точка безразличия – и проект, и депозит обеспечивают равную доходность. Кроме того, при данном значении IRRy, значения NPVy и NPV совпадают. Но даже в этом случае при цене капитала RC = 10% значение NPVy = 1 млн. долл. США в отличие от рассчитываемого по традиционной модели NPV = –0,77 млн. долл. США. Следовательно, проект нужно принять в отличие от сделанного выше (по критериям NPV и MIRR) вывода, что проект должен быть отвергнут.

Выводы:– решение проблемы мно

жественности значений IRR неординарного денежного потока предполагает экономически обоснованную замену неординарного денежного потока ординарным, профиль NPV которого не противоречит экономическим явлениям и процессам, а значение IRR отражает действительную внутреннюю норму доходности инвестиционного проекта;

– показатель MIRR не является уникальным (единственным) модифицированным показателем

Графики функций NPV и NPVy проекта при различных ставках депозита

Источник: [10, рис. 3]. Рисунок 10

NP

V, м

лн. до

лл.

r, проценты

00 20 40 60 80

4

3

2

1

0

-1

-2

-3

-4

NPVу = -1,6 – 10/(1 + Rдепi)2 + 10/(1 + r)1

Rдепi = 45%

Rдепi = 35%

Rдепi = 25%

Rдепi = 15%

NPV

38



в плане замены множественности значений IRR неординарного денежного потока единственным значением IRR ординарного потока, получаемого в результате модификации исходного неординарного потока;

– несмотря на то, что показатель MIRR обеспечивает замену неординарного денежного потока ординарным с единственным значением IRR, он не может быть использован как показатель внутренней нормы доходности исходного проекта, так как пред

ставляет собой эквивалентную ставку доходности совокупности исходного неординарного и дополнительных к нему ординарных инвестиционных проектов, предполагаемых формулой расчета показателя MIRR;

– проблема множественности значений IRR неординарного денежного потока не возникает, если использовать при оценке эффективности неординарных проектов универсальную модель NPV, которая предполагает дисконтирование инвестиций не по

переменной ставке, а по фиксированным ставкам депозита на сроки, соответствующие потребности в этих инвестициях. При этом отпадает необходимость использования показателя MIRR, значение которого зависит от цены инвестированного в проект капитала и не отражает действительную внутреннюю норму доходности инвестиционного проекта, в решении проблемы множественности IRR.



1. Мыцких, Н.П. Показатели IRR и MIRR – мифы и реальность / Н.П. Мыцких // Банкаўскі веснік. – 2019. – № 7. – С. 20–30.

2. Бригхем, Ю. Финансовый менеджмент: полный курс: в 2 т. / Ю. Бригхем, Л. Гапенски: пер с англ. под ред. В.В. Ковалева. – СПб.: Экономическая школа, 1997. – Т. 2. – 669 с.

3. Мыцких, Н.П. MIRR как показатель реальной доходности проекта / Н.П. Мыцких // Банкаўскі веснік. – 2020. – № 1. – С. 46–52.

4. Мыцких, Н.П. Механизм возникновения парадоксальных профилей NPV инвестиционных проектов / Н.П. Мыцких // Банкаўскі веснік. – 2018. – № 3. – С. 25–32.

5. Мыцких, Н.П. Парадоксы NPV неординарных денежных потоков / Н.П. Мыцких, В.А. Мыцких // Экономика, право и пробле-мы управления: сб. науч. тр. № 6 / под общ. ред. В.Г. Тихини. – Минск: Частн. ин-т упр. и предпр., 2016. – С. 114–123.

6. Ван Хорн, Дж.К. Основы финансового менеджмента / Дж.К. Ван Хорн, Дж. М. Вахович (мл.). – М.: Вильямс, 2003. – 992 с.

7. Брейли, Р. Принципы корпоративных финансов / Р. Брейли, А. Франклин, М. Стюарт. – М.: Вильямс, 2019. – 576 с.

8. Этрил, П. Финансовый менеджмент для неспециалистов: пер. с англ. под ред. Е.Н. Бондаревской / П. Этрил. – 3-е изд. – СПб.: Питер, 2006. – 608 с.

9. Маленков, Ю.А. Новые методы инвестиционного менеджмента / Ю.А. Маленков. – СПб.: ИД Бизнес-пресса, 2002. – 206 с.

10. Мыцких, Н.П. Универсальная модель NPV инвестиционного проекта / Н.П. Мыцких, В.А. Мыцких // Банкаўскі веснік. – 2017. – № 4. – С. 40–52.

MIRR in Tackling the Problem of Multiplicity of IRR

Natalia MYTSKIKH, Ph.D. in Economics, Professor, Academy of Public Administration Under the President of the Republic of Belarus, Minsk, Republic of Belarus, e-mail:[email protected].

Abstract. This article dwells on the variants of transformation of the unconventional money flow into the conventional one with the single outflow and inflow. It was determined that any transformation carried out by means of discounting outflows and accumulating inflows at capital value, which is used in the MIRR model, despite the assurance of the single root of the NPV equation, does not make it possible to obtain the adequate IRR assessment of the initial investment project due to the fact that the acquired value is the equivalent rate of return of the initial and additional investment projects.

In the course of efficiency assessment of unconventional projects it is recommended to use the universal NPV model, which ensures the single and adequate value of IRR.

Keywords: problem of IRR multiplicity; unconventional investment project; internal return rate of the project; modified internal return rate; discounting rate; net present value; substitutional project; universal NPV model.

39



Перспективы ЕАЭС: экономический рост

при инновационном рывке1

П р о б л е м ы р а з в и т и я Е А Э СГлавный комплексный пока

затель успешности национальных экономик в условиях эффектов интеграционного объединения – рост благосостояния населения. После создания ЕАЭС (далее – Союз) в 2015 г. среднегодовой рост этого показателя существенно замедлился у всех стран, за исключением Кыргызстана, а у Беларуси наступила стагнация, и за 4 года (2015–2019 гг.) ВВП на душу населения в постоянных ценах снизился на 0,3% (рисунок 1).

УДК 338.27JEL O47

Ключевые слова:ЕАЭС; экономический рост; инновационный рывок;

цифровая экономика; модели роста.

Белорусский государственный университет, заведующий кафедрой аналитической экономики и эконометрики, кандидат экономических наук, доцент, Республика Беларусь, г. Минск, e-mail: [email protected]

Белорусский государственный университет, доктор физико-математических наук, профессор кафедры аналитической экономики и эконометрики, Республика Беларусь, г. Минск, e-mail: [email protected]

Екатерина ГОСПОДАРИК

Михаил КОВАЛЕВ

Таким образом, первая главная проблема ЕАЭС – медленный эко-номический рост, проистекающий из экономического доминирования России, доля которой в населении составляет 80%, в ВВП – 82% (ри-сунки 2 и 3). Расширение и пролонгирование санкций на Россию привело к развитию вторичных эффектов в государствах – членах Союза: сокращению экспорта в Россию ввиду сужения ее рынков, снижению инвестиционной активности и сокращению денежных переводов мигрантов. Дефицит инвестиций ведет к сокращению

1 Продолжение. Начало см.: Банкаўскі веснік. – 2020. – № 1. – С. 30–45. В статье использованы результаты, полученные авторами в процессе выполнения проекта для ЕЭК «Комплексный анализ глобальных экономических и политических факторов и вызовов евразийской экономической интеграции» (http://www.eurasiancommission.org/ru/NIR/Lists/List/Attachments/244/Отчет%20по%20НИР%20Вызовы%20(к%20№%20228).pdf).

Экономический рост в странах — членах ЕАЭС до вступления в ЕАЭС и после

Примечание. Расчеты авторов по данным IMF, WEO, октябрь 2019 г.

7

6

5

4

3

2

1

0

-1 Армения Беларусь Казахстан Кыргызстан Россия

Рисунок 1

6,2

4,2 4,0

-0,3

3,7

1,20,8

2,0 1,9

0,4

Среднегодовой рост на отрезке 1992–2014 гг.

Среднегодовой рост на отрезке 2015–2018 гг.

(ВВП по ППС на душу населения в постоянных международных долларах 2011 г.)

40



Размеры и пропорции государств — участников ЕАЭС в 2018 г., ВВП по рыночному курсу

Примечание. Расчеты авторов по данным IMF, октябрь 2019 г.

Размеры и пропорции стран — членов ЕАЭС по населению 2018 г.

Примечание. Расчеты авторов по данным IMF, октябрь 2019 г.

водных, земельных, лесных и пр.) и интенсификацией конкуренции за них. Глобальное потепление при росте населения ведет к снижению агропродовольственного потенциала планеты и требует инновационной адаптации сельского хозяйства к новым климатическим условиям, в первую очередь за счет резкого расширения площади орошаемых земель как способа борьбы с учащающимися засухами, во вторую – за счет стимулирования новых агро и пищевых технологий и в третью – за счет использования новых технологий индустриального производства сельскохозяйственного сырья и продуктов питания (точное земледелие, умное животноводство, городское земледелие).

Изза градостроительства за последние 60 лет площадь пахотных земель на планете Земля сократилась с 0,52 га до 0,19 га на человека. В этой связи государства – участники ЕАЭС: Казахстан, Россия, Беларусь, Кыргызстан, Армения, обладающие соответственно 0,85, 1,68, 0,6, 0,21 и 0,15 га на человека, обязаны приоритетным направлением развития ЕАЭС считать высокотехнологичную аграрную политику, направленную на обеспечение коллективной продовольственной безопасности стран ЕАЭС в условиях изменения климата и наращивание экспорта продуктов питания с высокой добавленной стоимостью.

Мировая борьба с изменениями климата приведет к стабилизации спроса и цен на углеводороды, что потребует от России и Казахстана перехода к несырьевой модели развития, а от всех стран ЕАЭС – дальнейшего повышения энергоэффективности экономик, эффективного использования возобновляемых источников энергии, широкого распространения электромобилей и др.

Третья проблема – демографи-ческая, проистекающая из сокращения рождаемости практически во всем мире (среднемировой коэффициент фертильности в 2019 г. был 2,5 и, по прогнозам UN, за столетие он снизится с 2,64 в 2000 г. до 1,94 в 2100 г.) и старения населения изза существенного роста продолжительности жизни с 67 лет в 2000 г. до 77,1 года в 2050 г. и 81,7 года в 2100 г.

потенциала экономического роста государств – членов ЕАЭС и развитию риска длительной рецессии. Санкции негативно влияют на трансфер современных технологий, что оказывает дестабилизирующее воздействие на работу экономики ЕАЭС.

Вторая проблема – изме-нение климата, что, согласно отчету Всемирного экономического форума «О глобальных рисках»2, является главным глобальным

риском XXI в. Изменение климата и рост антропогенной нагрузки на окружающую среду влекут за собой стремительное сокращение биоразнообразия (особенно фауны) и деградацию экосистем, повышение вероятности возникновения экстремальных погодных явлений (землетрясения, цунами, извержение вулканов) и экологических катастроф. Эта проблема усиливается истощением природных ресурсов (минеральносырьевых,

Рисунок 2

РФ 146 781

КР 6 390

РА 2 965

РК 18 396

РБ 9 475

79,8%

10,0%

5,1%

3,5%

● Россия● Армения● Беларусь● Казахстан● Кыргызстан

1,6%

Рисунок 3

86,75%

9,05%

● Россия● Армения● Беларусь● Казахстан● Кыргызстан

0,70%

0,42%3,12%

РФ 1 657 290

КР 8 093

РА 12 433

РК 172 941

РБ 59 643

ВВП ЕАЭС(1 910 400 млн. долл. по рыночному курсу)

2 См.: www.weforum.org.

Население ЕАЭС184 006 тыс. чел.

тыс. чел.

млн. долл.

41



Вклад различных составляющих в рост ВВП по отдельным странам, %

Страна ПериодТруд/коли-чество

Труд/каче-ство

Капитал в ИКТ

Капитал в остальных секторах

СФП

Китай

1990–2000 0,1 0,5 1,0 3,9 1,4

2000–2007 0,1 0,3 0,8 4,1 4,5

2007–2013 0,1 0,1 0,6 4,1 1,4

Герма-ния

1990–2000 0,0 -0,1 0,3 0,5 1,1

2000–2007 0,1 -0,2 0,3 0,2 0,9

2007–2013 0,1 0,2 0,5 0,1 -0,2

Польша

1990–2000 0,1 -0,7 0,7 0,6 3,1

2000–2007 0,2 0,2 0,5 0,8 1,5

2007–2013 0,1 0,0 0,4 1,5 0,2

Корея

1990–2000 0,7 0,5 0,7 2,0 1,8

2000–2007 0,6 0,1 0,3 1,1 1,8

2007–2013 0,2 -0,5 0,3 0,9 1,5

США

1990–2000 0,2 0,8 0,7 0,6 0,6

2000–2007 0,2 0,4 0,5 0,6 0,5

2007–2013 0,1 -0,1 0,4 0,2 0,3Примечание. Расчеты авторов на основе [2].

Таблица 1

(медианный прогноз UN – 2019). Демографическая проблема снижает прирост трудовых ресурсов (в целом в ЕАЭС он будет отрицательным), тормозит рост мирового спроса (динамику спроса задает быстрорастущее молодое население), изменяет геополитическую ситуацию изза прогнозируемых значительных изменений разме ров государств (согласно UN, к 2050 г. впереди ЕАЭС с примерно 170 млн. человек будут 10 стран: Индия – 1 639 млн., Китай – 1 402 млн., Нигерия – 401 млн., США – 379 млн., Индонезия – 331 млн., Пакистан – 338 млн., Бразилия – 229 млн., Эфиопия – 205 млн., Конго – 195 млн., Бангладеш – 193 млн. человек).

Четвертая проблема – отста-вание ЕАЭС в переходе к новой модели экономического роста на основе знаний. Общее мнение ученых сводится к тому, что в XXI в. мир вступил в новую стадию экономического развития, вне зависимости от того, как ее называть: экономика знаний (Knowledge Economy), 6й технологический уклад или 4я промышленная революция (Industry 4.0), в которой экономический рост страны зависит от скорости освоения инноваций в технологиях, товарах или бизнесе. Геополитическая гонка США и Китая за технологическое превосходство вытеснит на периферию глобальной экономики страны, пассивно участвующие в мировом технологическом рывке. Это произойдет и со странами ЕАЭС, если они не примут незамедлительные меры.

Экономика знаний благодаря глобальности сетевых социальных инноваций изменяет общественные и индивидуальные ценности и образ жизни, в том числе трудовой, коренным образом меняет процесс обучения (цифровая трансформация системы образования вызывает структурные изменения на рынке труда (рост удаленной занятости). Цифровая трансформация экономики, распространение цифровых бизнесмоделей, возникновение цифровых глобальных цепочек создания стоимости вызывают «кастомизацию» производства и виртуализацию потребления, замену рутинного труда искусственным интеллектом и роботами, что приводит к изменению соотношений между факторами производства в

пользу знаний при снижении роли основного капитала и труда. Страны ЕАЭС существенно отстают в реагировании на глобальный вызов XXI в., связанный с появлением новых биотехнологий, цифровым преобразованием традиционных отраслей, интенсификацией перетока знаний в новые продукты и технологии.

Ключевая тенденция – эко-номика знаний и инновационное развитие будут определять рост мировых экономик в дол-госрочной перспективе и, следо-вательно, влиять на развитие стран ЕАЭС и их место в миро-вой экономике.

На возросший вклад знаний в экономический рост указывают современные модели роста на основе производственных функций, которые показывают, что темпы роста ВВП (Growth GDP) в XXI в. являются в меньшей степени результатом затрат труда (Growth L) и капитала (Growth K), а больше результатом увеличения совокупной факторной производительности (далее – СФП) (Growth A), которая показывает скорость заимствования чужих технологий и разработки собственных. Во многих странах OECD и в некоторых

быстроразвивающихся странах затраты труда становятся менее важными по сравнению с СФП, и это нейтрализует ситуацию, когда население стареет и количество трудовых ресурсов снижается. По этой причине ведущие страны мира все больше обращают внимание на СФП (обусловленную инновациями) как основной источник будущего роста. Различия в уровне доходов в разных странах в первую очередь будут обусловлены различиями в скорости заимствования инноваций. Новые технологии коммуникации создали возможности для мобильности технологий, или технологий без границ [1], которыми, как показал Китай, с успехом могут воспользоваться многие страны при реализации своих стратегий догоняющей модернизации. Процесс глобализации технологий, замедленный изза технологической войны США и Китая и технологических санкций против России, будет продолжаться.

Вклад знаний в экономический рост в будущем может быть обнаружен в двух направлениях: как вклад СФП и вклад качества человеческого капитала (табли-цы 1 и 2; рисунок 4).

42



лий государств, университетов и бизнеса по созданию собственных инноваций и быстрому освоению чужих, что ускорит экономический рост.

С ц е н а р и й и н н о в а ц и о н н о г о р ы в к а в р а з в и т и и Е А Э СИнновационный рывок в раз

витии ЕАЭС предполагает формирование условий для перехода к новой модели экономического роста, основанной на экономике знаний, что должно обеспечить устойчивое развитие темпами, опережающими мировые, а это приведет к восстановлению и увеличению доли ЕАЭС в мировой экономике.

Особую роль для реализации данного сценария имеют следующие пять механизмов:

– консолидация интеллектуальных ресурсов и усилий по развитию человеческого капитала;

– формирование благоприятной среды проживания креативного класса;

– создание инновационной системы эффективного использования его знаний и навыков;

– доступность финансовых ресурсов для создания инноваций и их коммерциализации;

– стимулирование создания новых производств в отраслях будущего.

Стратегическая задача – повышение СФП за счет повсеместного внедрения в производство таких важнейших элементов четвертой промышленной революции, как интернет вещей, искусственный интеллект и роботы [10]. В век цифровой глобализации технологическому росту эффективности экономики каждого из государств – членов Союза будет способствовать сотрудничество в рамках эффективной цифровой повестки ЕАЭС.

Основной инструмент перехода к новой модели экономического роста по сценарию экономического рывка – создание Евразийского инновационного союза, который обеспечит инновационный рывок на базе единого евразийского образовательного, научного и инновационного пространства, евразийского партнерства науки, бизнеса, государства и общих технологических платформ, венчурного капитала, инноваций и

В определенные периоды в прошлом высокий рост ВВП определялся значительным ростом СФП: в США в 1913–1950 гг. рост СФП составлял 2,5% и рост ВВП – 3,5%; в странах зоны евро в 1950–1975 гг. рост СФП был 3,6% и рост ВВП – 5,1%; в Японии в 1950–1975 гг. рост СФП – 4,4% и рост ВВП – 8,2%. Вклад СФП в рост ВВП в Беларуси в период с 1995 г. составил около трети роста ВВП и по расчетам IMF в период с 2000 по 2006 гг. он обеспечивал 4–8% роста [3].

СФП останется главным фактором роста (рисунок 4) и в будущем (см. многочисленные исследования OECD [2–7]).

При этом в век цифровой экономики рост СФП в значительной мере определяется развитием

ИКТсектора (таблица 1). Сегодняшний технический прогресс является на 80% цифровым. Так, оценка OECD показывает, что около 0,35% роста ВВП в период с 1995 г. было обусловлено инвестициями в ИКТ [5–9].

Согласно исследованию Коррадо [8], вклад инвестиций в интеллектуальный капитал, т. е. в НИОКР, программное обеспечение, дизайн, базы данных, специальные навыки, организационный капитал и т. д. дают около 0,5% роста ВВП в странах ЕАЭС.

Возникает потребность в трансформации и интеграции инновационных систем стран ЕАЭС и их институтов для обеспечения общей благоприятной среды для предпринимательства в сфере инноваций с целью интеграции уси

Рост СФП, 1999—2014 гг.Страна 1999–2006 гг. 2007–2012 гг. 2012 г. 2013 г. 2014 г.

Армения 10,4 -0,4 4,9 2,1 0,9

Беларусь 5,5 1,7 -2,0 -3,7 -2,4

Казахстан 7,1 0,1 -0,6 1,8 0,9

Кыргызстан -0,3 -0,1 -3,6 7,4 -0,4

Россия 4,7 0,8 2,7 1,1 -0,2Примечание. Расчеты авторов на основе [3].

Таблица 2

Вклад производственных факторов в экономический рост

Примечания: 1. В число стран, не входящих в OECD, включены страны G20: Аргентина, Бразилия, Китай, Индия, Индонезия, Российская Федерация, Саудовская Аравия и Южная Африка.2. Расчеты авторов на основе [3].

7

6

5

4

3

2

1

0

-1

2000–2010

OECD НеOECD

2010–2020

OECD НеOECD

2020–2030

OECD НеOECD

2030–2040

OECD НеOECD

2040–2050

OECD НеOECD

2050–2060

OECD НеOECD

Рисунок 4

Вклад в рост ВВП на душу населения, 2000–2060 (среднегодовое значение)

Изм

енен

ие

в проц

ент

ах

Труд СФПЧеловеческий капитал Капитал ВВП

43



цифровых технологий, общего евразийского рынка квалификаций, патентов, единых стандартов.

Прерогатива ЕЭК – координация инновационных действий государств – членов ЕАЭС через принятие рекомендаций и модельных законов, а также мониторинг инновационных индикаторов (после их формирования ЕЭК) и публикация ежегодного доклада о состоянии Евразийского инновационного союза, а также содействие в формировании евразийских технологических платформ, выработке общих подходов к научнотехнической кооперации с третьими странами, а также контроль за эффективным использованием финансов общих инновационных, венчурных и научных фондов, на которые направляется доля таможенных платежей по периметру ЕАЭС.

Роль государствчленов при реализации сценария инновационного рывка:

– увеличение государственных ассигнований в образование (5–6% ВВП), науку (более 1% ВВП), инновации (освобождение от налога доли прибыли, направляемой на внедрение инноваций);

– утверждение национальных программ выявления талантов и проведение национальных конкурсов стартапов.

Укрупненный план мероприя-тий по реализации сценария ин-новационного рывка:

– принятие Декларации (стратегии, заявления, основных направлений) об инновационном развития ЕАЭС до 2030 г. и разработка плана ее реализации;

– разработка дорожной карты формирования единого Евразийского образовательного пространства путем интеграции высшего образования стран – членов ЕАЭС при создании условий для мобильности студентов и преподавателей на уровне ЕС. Завершение создания Евразийского сетевого университета с целью подготовки специалистов по евразийской интеграции, цифровой экономике, кибербезопасности и т. д.;

– разработка дорожной карты интеграции научных исследований и формирования единого Евразийского научного простран

ства (по примеру ERA в ЕС) с созданием Евразийского научного фонда и Евразийской научной сети (аналог в ЕС ERANET), которая объединит национальные академии наук и ведущие университеты, а также интеграция национальных инновационных систем в Евразийскую инновационную систему и Евразийскую сеть трансфера технологий;

– пересмотр подхода к формированию технологических платформ и кластеров с обязательным участием бизнеса государств – членов ЕАЭС, одна из первоочередных платформ – цифровое взаимодействие инновационных бизнесов с использованием smartконтрактов и умной системы расчетов и формирование евразийского технологического кластера «Евразийский электромобиль». Организация взаимодействия и выполнения цифровых проектов в интересах ЕАЭС Парками высоких ИТтехнологий государств – членов ЕАЭС. Разработка документов взаимодействия ЕЭК и технологических платформ и мероприятий по содействию ЕЭК в формировании партнерств бизнеса и науки в рамках каждой из технологических платформ (по подобию ЕС). Разработка рекомендаций по стимулированию в государствах – членах ЕАЭС частных инвестиций в инновации и организации национальных партнерств государства, науки и бизнеса;

– обсуждение главами государств – членов ЕАЭС возможности создания инновационного бюджета ЕАЭС из части таможенных платежей, собираемых по периметру ЕАЭС, и создание Евразийского венчурного фонда из средств инновационного бюджета ЕАЭС и частных средств;

– подготовка модельной рекомендации государствам – членам ЕАЭС об обязательном направлении установленной в зависимости от инновационности предприятия доли прибыли на инновационные цели;

– принятие рекомендации Евразийского банка развития (ЕАБР) о приоритетном кредитовании крупных евразийских инновационных проектов;

– принятие рекомендаций по организации трансграничной электронной торговли в ЕАЭС;

– разработка и принятие дорожной карты инновационного развития АПК государств – членов ЕАЭС в целях роста экспорта продовольствия и продовольственной безопасности;

– формирование энергетического кластера по внедрению SmartGrid3 в энергетические системы ЕАЭС;

– выработка общих принципов инновационного взаимодействия с третьими странами и в первую очередь с Китаем;

– подготовка предложений по созданию в странах ЕАЭС однотипных Евразийских зон высоких технологий при крупнейших научных центрах.

Инновационный рывок существенно повысит темп роста СФП – главного фактора экономического роста в XXI в., что позволит ЕАЭС увеличить производство новой конкурентоспособной продукции, диверсифицировать и нарастить объемы несырьевого экспорта, снизить зависимость от высокотехнологичной продукции, импортируемой из развитых стран и Китая, обеспечить экономию за счет эффекта масштаба. В целом предлагаемый сценарий инновационного рывка интегрирует сценарии «собственный центр силы» и «транзитносырьевой мост» Прогноза ЕАЭС – 2030, но с большей конкретизацией окон возможностей, указанием роли цифровой экономики и других инновационных секторов экономики.

Инновационный рывок предполагает также существенную активизацию взаимодействия государствчленов в инновационных направлениях реализации транзитного потенциала Союза, включая формирование цифровых евразийских транспортных коридоров и реализацию совместных с Китаем инфраструктурных проектов для транзита в ЕС китайской продукции вдоль коридора «Один пояс – один путь». Интеграционное сотрудничество в указанной сфере предполагает модернизацию и создание новых транспортных коридоров, развитие транспортно

3 Smart Grid – это новый подход построения электроэнергетики, целенаправленная политика крупных игроков энергорынка, нацеленная на повышение эффективности использования ресурсов.

44



го машиностроения и высокоскоростных линий железной дороги, в том числе развитие конкуренции логистических операторов за счет совместного развития современной цифровой логистики.

Сценарий также должен предусматривать меры по расширению высокотехнологичной переработки сырья, в том числе нефти и газа, на территории ЕАЭС и расширение экспорта нефтепродуктов и продуктов нефтехимии вместо экспорта нефти и газа.

С учетом того, что Казахстан, Россия и Беларусь являются мировыми лидерами по наличию пахотной земли на душу населения, общий приоритет – инновационное развитие АПК ЕАЭС (точное земледелие и умное животноводство).

Э к о н о м и ч е с к и й р о с т п р и р е а л и з а ц и и с ц е н а р и я и н н о в а ц и о н н о г о р ы в к аНа рисунке 5, на котором

Growth означает рост соответст вующего показателя в процентах, представлена версия модели долгосрочного экономического прогнозирования роста, основанная на теории гибридных моделей. Данная модель есть среднеарифметическая агрегация известных моделей: Кобба – Дугласа, Денисона, Солоу, Мэнкью – Ромера – Вейла и Шульца [1; 3].

В гибридной модели качество человеческого капитала страны оценивается функцией: H(t) = eψ(edu(t)), H(0) = 1. Кусочнолинейная функция ψ(edu(t)) – это маржинальная отдача от продолжительности edu(t) обучения, которая вычисляется по модели Холла – Джонса:

0,134edu(t), если edu(t) < 4ψ(edu(t)) = { 0,101edu(t), если 4 < edu(t) < 8 0,068edu(t), если 8 ≤ edu(t).

Средняя продолжительность обучения edu(t) вычисляется

с учетом классической работы Барро и Ли (подробнее см. [3]). Исходные данные для расчетов по факторам роста труда и качества человеческого капитала для сценария инновационного рывка приведены в таблицах 3–5.

В гибридной модели основной капитал прогнозируется с учетом скорости выбытия оборудования δ и сценарных допущений о норме инвестиций Inv(t) по модели:

K(t) = Inυ(t – 1)GDP(t – 1) + + (1 – δ)K(t – 1),

которая с учетом трансформации принимает вид:

Гибридно–производственная модель экономического роста

Примечание. Собственные расчеты и разработка авторов.

Рисунок 5

GrowthL(t) Труд

GrowthH(t) Качество

человеческого капитала

GrowthA(t) СФП

GrowthK(t) Капитал

GrowthGDP(t)8/35

10/35 12/355/35

Прогноз динамики изменения численности населения ЕАЭС (млн. чел.)

Страна 2018 г. 2025 г. 2030 г.

Армения 3,0 2,9 2,9

Беларусь 9,5 9,3 9,2

Казахстан 18,3 19,6 20,3

Кыргызстан 6,2 6,7 7,0

Россия 146,2 142,6 140,5

ЕАЭС 183,2 181,1 179,9

Доля ЕАЭС в мировом населении, % 2,4 2,2 2,1

Примечание. Составлено авторами на основе базы данных UN-2019, медиан-ный сценарий (www.un.org).

Таблица 3

Среднегодовой рост трудо-способного населения, %

Страна

UN, прогноз 2015–

2030 гг., 15–64 лет

Гибрид-ная

методика, 2015–

2030 гг.

Россия -0,3 -0,6

Армения -0,3 -0,8

Беларусь -0,5 -0,4

Казах-стан 0,6 0,6

Кыргыз-стан 0,8 0,8

Примечание. Разработка авто-ров на основе [3].

Таблица 4

Качество человеческого капитала на основе индек-

са HDI, UN 2019 г.

Место в

миреСтрана

Продолжитель-ность учебы

теку-щее

ожидае-мое

49 Россия 12,0 15,5

50 Беларусь 12,3 15,4

50 Казах-стан 11,8 15,3

81 Армения 11,8 13,2

122 Кыргыз-стан 10,9 13,4

Примечание. Составлено авто-рами на основе отчета UN (http://hdr.undp.org).

Таблица 5

45



GrowthK(t) = Inυ(t) GDP(t)______2K(t)

+

Inυ(t + 1)GDP(t + 1)__________

2K(t) – δHYBRID.

В последней формуле гибридная норма амортизации δHYBRID есть среднее норм, использовавшихся разными прогнозистами: 4% (World Bank предполагает, что оборудование служит 25 лет), 4,5% (Carnegie)4, 5% (PwC), 6% (CEPII), если ориентироваться на срок службы оборудования в 15 лет, то δ = 6,7%. Результаты сведены в таблицу 6.

В гибридной модели рост СФП страны i определяется из следующего динамического уравнения в процентах:

GrowthАi(t) = 1,33 – βi(lnGDPip.c.

×× (t – 1) – lnGDPUS

p.c. (t – 1)),

в которой 1,33% – темп роста СФП у США, а модель для вычисления скорости конвергенции βi страны i имеет вид:

(–CCIi)1,5 ______ + 0,015, если ССI < 0,βi = { –800 0,015, если ССI ≥ 0.

Методика вычисления индекса условий конвергенции CCI строится на основе рейтинговой идеи, предложенной Carnegie Foundation (подробнее см. [3]), однако на иных рейтинговых

Прогноз среднегодового темпа роста основного капитала

Страна

Основной капитал в 2010 г.,

млрд. долл.

Среднегодовой темп роста капитала

по прогнозу CEPII, 2015–2030 гг.

Среднегодовой темп роста капитала по гибридной мето-дике, 2020–2030 гг.

Армения 20 5,2 5,9

Беларусь 108 5,3 5,1

Казахстан 205 5,0 5,1

Кыргызстан 8 5,5 4,8

Россия 2 547 3,3 3,9

Мир 124 120 2,6 2,8Примечание. Расчеты авторов по данным World Bank, методике CEPII и прогноз по гибридной методике.

Таблица 6

4 Carnegie, PwC и CEPII – аналитические центры, которые занимаются исследованием данной проблематики.

Рейтинговые индексы расчета условий конвергенции для стран-лидеров и стран ЕАЭС

Лидер

Индекс инновационного развития GII-2019

Индекс ИКТ-развития IDI-2017 Doing Business 2020 Индекс развития

цифровой экономики

Место Значение Место Значение Место Значение Место Значение

США 3 61,73 16 8,18 6 84,0 – –

Китай 14 54,82 80 5,60 31 77,9 – –

Армения 64 33,98 75 5,76 47 74,5 75 0,1324

Беларусь 72 32,07 32 7,55 49 74,3 32 0,5421

Казахстан 79 31,03 52 6,79 25 79,6 52 0,1787

Кыргызстан 90 28,38 109 4,37 80 67,8 109 0,0967

Россия 46 37,62 45 7,07 28 78,2 45 0,3039

Примечание. Разработка авторов на основе информации https://www.globalinnovationindex.org/Home; https://www.itu.int/en/ITU-D/Statistics/Pages/publications/mis2016/methodology.aspx; https://www.doingbusiness.org/en/reports/global-reports/doing-business-2020; https://ec.europa.eu/digital-single-market/en/desi.

Таблица 7

индексах: индекс инновационного развития GII2019 (INSEAD), ИКТиндекс (IDI2017 Международного телекоммуникационного союза ITU), индекс бизнесклимата (Doing Business 2020, World Bank), индекс цифровой экономики, предложенный в [10]. Информация для индексов бралась из соответствующих баз данных и сведена в таблицу 7. Каждый индекс стандартизировался, и среднеарифметическая стандартизированных величин представила индекс условий конвергенции (подробнее см. [3]). Прогноз роста CCI и в целом СФП получился существенно ниже, чем в нашем предыдущем прогнозе 2015 г. [2] ввиду технологиче

ских санкций против России и упущенных 5 лет (рисунок 6).

Среднегодовой рост ВВП по ППС на отрезке 2019–2030 гг., определенный как консенсус прогноз различных мировых прогнозных центров, а также с помощью гибридной модели в текущих международных долларах, составит:

– при инерционном сценарии – Армения – 4,9%, Беларусь – 2,7%, Казахстан – 3,2%, Кыргызстан – 3,8%, Россия – 2,5%;

– при сценарии инновационного рывка – Армения – 5%, Беларусь – 4,4%, Казахстан – 5,1%, Кыргызстан – 4,5%, Россия – 3,9%.

46



Динамика изменений доли ЕАЭС в мировой экономике к 2030 г. представлена при обоих сценариях на рисунке 7: при инерционном сценарии она снизится до 3,2%, при инновационном рывке – вырастет до 3,9%.

Результаты расчетов благосостояния населения стран – членов ЕАЭС по сравнению с США по консенсуспрогнозу с учетом гибридной модели сведены в таблицу 8.

При анализе благосостояния следует учитывать, что для Армении, России и Беларуси рост связан не только с более быстрым ростом ВВП, чем в США, но также с уменьшением численности населения.

Выводы:1. Выравнивание цен на нефть

и газ к 2024 г. внутри ЕАЭС существенно повысит конкурентоспособность энергоемких производств (цементная промышленность, сельское хозяйство и т. д.) в таких странах, как Беларусь, Армения и Кыргызстан, которые ранее получали газ и нефть по более высоким по сравнению с российскими предприятиями ценам. Это позволит этим странам нарастить экспорт в Россию и уменьшить отрицательное сальдо торговли с ней, что в итоге увеличит их экономический рост

Прогноз роста СФП по расчетам CEPII в 2010—2025 гг. и по гибридной методике в 2020—2030 гг.


7

6

5

4

3

2

1

0 Армения Беларусь Казахстан Кыргызстан Россия Мир

Рисунок 6

6,1

4,54,9

4,2 4,3

3,5

4,6

3,5

4,2

3,2

1,1 1,3

СЕРII Гибридная методика

ВВП по ППС на душу населения в текущих международных долларах в странах ЕАЭС, США, Китае, ЕС28

Страна

1992 г. 2018 г. 2024 г. 2030 г.

ВВП на душу

% от уров-ня США


% от уровня США





Мир – – 14 233 26 – – 22 871 33

Китай 1 266 5 16 696 28 28 111 37 30 602 45

США 25 393 100 59 792 100 76 252 100 68 541 100

ЕС28 17 761 70 41 399 69 52 885 69 46 447 68

Россия 11 534 45 27 893 47 36 316 48 46 294 68

Казахстан 7 229 29 26 305 44 36 251 48 42 459 62

Беларусь 5 144 20 18 871 32 23 415 31 36 697 54

Армения 1 423 6 9 476 16 13 297 20 19 276 28

Кыргызстан 1 830 7 3 697 6 4 899 6 6 394 9

Примечания: 1. Данные IMF за 1992 г., 2018 г., 2024 г.; данные за 2030 г. – расчеты по консенсус-прогнозу.2. Для стран ЕАЭС расчеты сделаны при условии развития сценария инновационного рывка.

Таблица 8

Доля ЕАЭС в мировой экономике (ВВП по ППС)


7

6

5

4

3

2

1

0 1992 1995 2015 2018 2024 2025 2030

Рисунок 7

5,756

4,025 3,897 3,7063,348 3,5

3,9

3,2 3,2

Проц

ент

ы

Доля ЕАЭС 1992–2024 (IMF)

Инерционный Инновационный рывок

47



и замедлит российский. Высока вероятность, что страны ЕАЭС продолжат инерционное развитие в силу этого обстоятельства, а также в силу: а) предпочтений руководителей и их неготовности на более глубокую кооперацию экономик; б) разнородности и разновеликости стран с существенно различающимися моделями регулирования экономик; в) неготовности стран жертвовать текущими незначительными национальными потерями в угоду долгосрочным крупным выигрышам; г) изза недостаточности полномочий ЕЭК.

2. Возникновение существенного отрыва стран инновационного ядра (США, Китай, Германия, Франция, Великобритания, Корея, Израиль и др.) в строительстве экономики знаний и цифровой экономики несет угрозу странам ЕАЭС оказаться на периферии от этих стремительно уходящих в инновационный отрыв лидеров. Только концентрация государств – членов ЕАЭС на инновационном развитии (как во время СССР) позволит не скатиться на периферию мировой экономики и создаст условия для ликвидации растущего инновационного отставания с целью увеличения стремительно уменьшающейся доли ЕАЭС в мировой экономике. В век экономики знаний только при инновационном рывке темпы роста стран ЕАЭС будут выше среднемировых. Поэтому принципиальное отличие сценария инновационного рывка от инерционного для экономик стран ЕАЭС состоит в том, что при инерционном развитии доля ЕАЭС в мировой экономике снизится до 3,2%, а при инновационном рывке возрастет до 3,9%.

3. Инновационный рывок, требующий значительного увеличения затрат на образование, науку и инновации, даст эффект только примерно с середины периода в виде более высоких темпов роста ВВП примерно на 2%, но главное – приблизит технологический уровень экономик стран ЕАЭС к странам инновационного фронта, что выведет ЕАЭС в дальнейшем на мировой уровень конкурентоспособности. Исходное условие инновационно

го сценария – разработка Стратегии (Декларации) инновационного рывка ЕАЭС до 2030 г., в которой должны быть намечены общие технологические платформы для организации в ЕАЭС эффективного сотрудничества в области образования, науки, бизнеса и государств для коммерциализации инноваций.

4. Рост благосостояния населения (ВВП по ППС на душу населения) при инновационном рывке существенен: к 2030 г. Россия может сравняться с ЕС на уровне 68% от уровня США (при инерционном развитии этот показатель будет равен только 58%), примерно такое же различие и для остальных стран, за исключением Кыргызстана, который к 2030 г. по обоим сценариям выйдет на уровень благосостояния США только в 9%.

5. Главная угроза реализации сценария инновационного рывка – экспансия зарубежных, в первую очередь китайских, товаров, которые, вытесняя национальные товары, тормозят экономический рост и техно логическое развитие стран – участниц ЕАЭС. При выработке условий создания зон свободной торговли с широким кругом стран и экономических блоков (Вьетнам, Иран, Китай, Индия, Сингапур, Сербия, Египет, АСЕАН и др.) необходимо более тщательно анализировать потери от беспошлинного импорта товаров государствапартнера, отдавая предпочтение импорту инновационных технологий.

6. Драйверами роста в инновационном рывке будут цифровая экономика, агропромышленный сектор и нефтехимия, а также транзитный потенциал коридора «Один пояс – один путь». Они должны стать приоритетами при отборе проектов кредитования и венчурного финансирования. С Китаем необходимо вести переговоры, чтобы Шелковый путь стал не только трассой трансфера китайских товаров, но, как и в древности (шелк, порох, компас, бумага), – инноваций, а также зоной разработки совместных инноваций (подробнее см. [11]).

7. Вероятность реализации инновационного рывка зависит

от способности стран ЕАЭС (по примеру ЕС) часть таможенных платежей направить в общий бюджет ЕАЭС для развития совместных инновационных проектов (образовательных, инновационных, нефтехимических, продовольственноклиматических, транзитных). В этом случае рост бюджета ЕАЭС будет прямо зависеть от роста экспорта в третьи страны.

8. Мировая конкурентоспособность ЕАЭС будет зависеть от способности создавать конкурентные на мировых рынках ТНК путем консолидации предприятий из странпартнеров. В частности, крупную российскобелорусскоказахстанскую ТНК можно создать на базе белорусской нефтехимической промышленности с пропуском или взаимозачетом поставок казахстанской нефти. При этом следует существенно улучшить корпоративное управление государственных ТНК [12].

9. ЕАЭС должен стать также одним из мировых лидеров на рынках агропродовольствия с высокой добавленной стоимостью, экспорт зерна должен быть заменен экспортом мясной и молочной продукции. Пример Беларуси, которая в 2017 г. заняла в мире (при рассмотрении ЕС как единого целого) третье место по экспорту сливочного масла, четвертое – по экспорту сыра, пятое – по экспорту обезжиренного сухого молока (данные FAO), должен быть распространен с помощью соответствующей единой аграрной политики на весь ЕАЭС (подробнее см. [13]). Этому бы способствовало формирование евразийских молочного, мясного, сахарного и других союзов.

10. Опыт белорусского ПВТ следует распространить на весь ЕАЭС (подробнее см. [10]), создав совместный мощный кластер цифровой экономики – это именно то направление, где ЕАЭС может стать мировым лидером, при этом следует решить проблему использования экспортных цифровых инноваций внутри ЕАЭС.


48




1. Aghion, P. Handbook of Economic Growth / P. Aghion, S.N. Durlauf. – Amsterdam: Elsevier, 2005. – V. 1A, 1B. – 1070 p.; 2014. – V. 2A, 2B. – 1250 p.

2. ICT and total business expenditure in R&D intensities, 2013: As a percentage of GDP [Electronic resourсe] / OECD Publishing, Paris, 2015. – Mode of access: https://www.oecd-ilibrary.org/science-and-technology/oecd-digital-economy-outlook-2015/ict-and-total-business-expenditure-in-r-amp-d-intensities-2013_9789264232440-graph34-en. – Date of access: 13.02.2020.

3. Господарик, Е.Г. ЕАЭС-2050: глобальные тренды и евразийская экономическая политика: моногр. / Е.Г. Господарик, М.М. Ковалев. – Минск: Изд. центр БГУ, 2015. – 152 с.

4. Supporting Investment in Knowledge Capital, Growth and Innovation [Electronic resourсe] / OECD Publishing, Paris. – Mode of access: https://www.oecd-ilibrary.org/industry-and-services/supporting-investment-in-knowledge-capital-growth-and-innovation_9789264193307-en. – Date of access: 15.01.2020.

5. Compendium of Productivity Indicators 2016 [Electronic resourсe] / OECD Publishing, Paris. – Mode of access: https://www.oecd-ilibrary.org/industry-and-services/oecd-compendium-of-productivity-indicators_22252126. – Date of access: 11.02.2020.

6. The Future of Productivity [Electronic resourсe] / OECD Publishing, Paris. – Mode of access: https://www.oecd.org/economy/the-future-of-productivity.htm. – Date of access: 25.01.2020.

7. Braconier, H. Policy challenges for the next 50 years / H. Braconier, G. Nicoletti, B. Westmore // OECD Publishing, Paris, 2014 / OECD Economic Policy Papers. – № 9.

8. Intangible capital and growth in advanced economies: Measurement methods and comparative results / C. Corrado [et al.] // IZA Discussion Paper, 2012. – № 6733.

9. Gerami, M. The growth of ICT investment in OECD countries / M. Gerami // Bulletin de la Société Royale des Sciences de Liege, 2016. – V. 85. – P. 244–251.

10. Управление государственным сектором экономики: моногр. / М.М. Ковалев [и др.]. – Минск: Изд. центр БГУ, 2018. – 250 с.

11. Головенчик, Г.Г. Цифровая экономика: моногр. / Г.Г. Головенчик, М.М. Ковалев. – Минск: Изд. центр БГУ, 2019. – 395 с.

12. Ковалев, М.М. Китай в XXI веке – мировая инновационная держава / М.М. Ковалев, Ван Син. – Минск: Изд. центр БГУ, 2017. – 239 с.

13. Ковалев, М.М. Прогнозирование развития белорусского агропромышленного комплекса до 2030 г. на фоне глобальных агротрен-дов / М.М. Ковалев, Е.А. Червякова // Журнал Белорусского государственного университета. Экономика. – 2017. – № 2. – С. 120 –139.

Prospects for the Eurasian Economic Union: Economic Growth Under Innovative Burst

Catherine GOSPODARIK, Ph.D. in Economics, Associate Professor, Head of the Analytical Economy and Econometrics Department, Belarusian State University, Minsk, Republic of Belarus, e-mail: [email protected].

Mikhail KOVALEV, Doctor of Physics and Mathematics, Professor of Analytical Economics and Econometrics Department, Belarusian State University, Republic of Belarus, Minsk, e-mail: [email protected].

Abstract. In this article the current condition of the countries - members of the EEU is analyzed, existing problems are revealed and the new scenario of development till 2030 – innovative burst – is proposed. The results of materialization of the proposed scenario are forecasted with application of the created hybrid model of the economic growth.

Keywords: the EEU; economic growth; innovative burst; digital economy; growth models.

49



Современная практика разработки скоринговых карт

для розничных клиентов в белорусских банках1

УДК 330.43, 519.86Ключевые слова:

кредитный риск; кредитный скоринг; логистическая регрессия.

Белорусский государственный университет, аспирант, Республика Беларусь, г. Минск, e-mail: [email protected]

Белорусский государственный университет, заведующий кафедрой аналитической экономики и эконометрики, кандидат экономических наук, доцент, Республика Беларусь, г. Минск, e-mail: [email protected]

Олег ГИЧАН

Екатерина ГОСПОДАРИК

Растущий спрос на кредитные продукты банков породил такую действенную методику автоматизированной оценки кредитоспособности заемщиков, как кредитный скоринг (от англ. сredit scoring). Представляя собой математическую или статистическую модели, или ансамбль моделей, кредитный скоринг позволяет банковским организациям объективно и быстро оценивать кредитные риски. В отличие от других методик оценки кредитного риска (например, система экспертных оценок), кредитный скоринг использует быстроразвивающийся инструментарий новых технологий и машинного обучения, что позволяет таким банкам «быть в тренде», развивать клиентскую лояльность и максимизировать прибыль от текущей деятельности.

Кредитный скоринг применяется, как правило, в отношении физических лиц и субъектов малого бизнеса. Поскольку кредитные операции с данной группой заемщиков занимают существенное место в деятельности коммерческих банков, целью исследования является изучение такого инструмента рискменеджмента, как кредитный скоринг.

Несмотря на долгую историю кредитования, история кредитного скоринга совсем незначительна. Кредитный скоринг как метод оценки кредитоспособности заемщиков используется не более 60 лет. «Пионерами» в практическом применении такого метода были

американские банки, которые выдавали кредитные карты.

Кредитный скоринг представляет собой систему присвоения баллов кредитополучателю на основании его способности и потенциала выполнить взятые на себя обязательства. Баллы рассчитываются на основании имеющегося объема информации о клиенте с помощью статистической модели или математического алгоритма. Другими словами, кредитной организации необходимо преобразовать имеющуюся информацию о клиенте в количественные показатели, которые позволят принять объективное решение и оценить кредитоспособность клиента.

Применение кредитного скоринга имеет также некоторые ограничения: прямая зависимость от данных и исторической информации. Кроме того, такая методика зависит от качества и количества располагаемых данных о клиенте.

Кредитный скоринг применяется не только в ситуациях, когда заемщик подает заявку на получение кредита. В современном банковском деле выделяют следующие виды кредитного скоринга: аппликационный скоринг (оценка клиента при подаче заявки на кредит), поведенческий скоринг (используется для контроля за действующим клиентом), fraudскоринг (выявление мошенников), скоринг для целей маркетинга и т. д.

При оценке клиента для построения скоринговой карты бан

1 Статья подготовлена на основании работы, занявшей 2-е место на конкурсе на лучшую работу по экономической тематике среди студентов, магистрантов и аспирантов белорусских вузов, проводимом Национальным банком Республики Беларусь в 2019 г.

50



ки пользуются как внутренними базами данных, так и внешними. Внутренние информационные базы банка включают анкетные данные (на момент подачи кредитной заявки) и внутреннюю кредитную историю банка (например, количество и состояние текущих счетов клиента, общая сумма всех кредитов, время погашения последнего кредита и др.). Внешними источниками информации являются бюро кредитных историй по всей банковской системе, страховые организации и социальные учреждения, а также компании – наниматели кредитополучателей.

В Республике Беларусь система сбора и распространения информации об исполнении кредитных обязательств функционирует с 2007 г., и передача данных является обязательной для всех банков2. С 01.01.2009 собирается информация по всем кредитным сделкам без ограничения по сумме договора, а с 21.08.2009 – по всем договорам обеспечения. Все это позволяет сформировать единый «пул данных» для всех банков и разрабатывать модели кредитного скоринга на основе общих данных физических лиц, имеющихся в белорусских банках. Такой единой для банков базой данных в Беларуси является Кредитный регистр Национального банка Республики Беларусь (далее – КР, Кредитный регистр). Если сравнивать ситуацию в Республике Беларусь с ситуацией в странах Таможенного союза, то можно отметить, что по количественным показателям кредитной информации (охват взрослого населения и вероятность нахождения кредитной истории) наша страна опережает партнеров по Таможенному союзу.

Скоринговые модели разрабатываются в разных странах в соответствии с разными условиями, но алгоритм разработки такой модели не отличается:

1) сбор и подготовка входных данных: скоринговая система оценки кредитоспособности заемщиков – это, прежде всего, статистическая модель, поэтому

необходимо иметь достаточную по объему и качеству базу данных;

2) анализ и корректировка скоринговых переменных: поиск состоятельности переменных и возможных ошибок, проверка их статистической значимости;

3) построение и оценка скоринговой модели: выделяется ряд самых сильных и качественных характеристик, строится первоначальная модель с помощью различных статистических и математических моделей, затем она корректируется;

4) масштабирование и расчет скоринговых баллов: формирование т. н. скоринговой карты (набор характеристик и соответствующих им баллов по определенной шкале) [1].

С б о р и п о д г о т о в к а и с х о д н ы х д а н н ы хНачальный этап разработки

кредитной скоринговой модели представляется наиболее трудоемким и включает в себя сбор и представление информации о клиенте в логически структурированном и приемлемом для дальнейших расчетов виде.

На практике этап сбора данных начинается с определения временного интервала. Период моделирования подбирается таким образом, чтобы «Bad Rate» (соотношение «плохих клиентов» ко всем клиентам в группе) был наиболее стабильным.

Для примера используем традиционный набор обезличенных данных как с внутренних источников одного из белорусских банков, так и с внешних источников (МВД, МНС, ФСЗН, КР) за 2015 г. Нами было выбрано 15 337 договоров, из них 786 (5,1249%) попали в группу неплатежеспособных («дефолты»).

«Bad Rate» в выбранный период был стабильным и репрезентативным. Размер выборки играет большую роль при построении модели. В работах Sven F. Crone и Steven Finlay [5] эмпирически доказано, что размер выборки должен быть максимально расширенным, то есть вся доступная

информация должна быть использована для построения модели.

Отметим также, что для стабильности и точности модели банк также устанавливает срок жизни кредитной заявки. Общепринятая практика заключается в выделении заявок, договоры по которым действовали в течение 9 и более месяцев. Такая процедура позволяет «отсечь» высоковолатильные кредиты со сверхкороткими сроками и получить более стабильные скоринговые модели.

Непосредственно перед анализом подготовленных скоринговых переменных необходимо иметь точно сформулированное и зафиксированное в соответствующих документах определение «платежеспособного» и «неплатежеспособного» клиента (или дефолта). Базельский комитет по банковскому надзору предлагает следующее определение дефолта: «существование просроченной задолженности на счету свыше 90 дней когдалибо на протяжении всей кредитной истории» [4, с. 33].

После того как понятие «дефолт» сформулировано, всех клиентов, попадающих в эту категорию, специалисты банка относят к «неплатежеспособным», а остальную часть рассматривают как «платежеспособных» и тем самым формируют зависимую переменную. Это значение и будет прогнозироваться на основе имеющихся данных о клиенте.

Определение «дефолта» сопровождается также установлением критериев, по которым клиент считается благонадежным. Формально можно применить простую логику: «плохой клиент» – если DPD3 > 90 дней, «хороший клиент» – если DPD < = 90 дней. Такой подход часто используется, но вероятность того, что клиент с DPD = 90 перейдет в просрочку DPD > 90, крайне велика. По вышеприведенному критерию этот клиент соответствует определению «хорошего клиента». Однако мы не можем с уверенностью сказать, платежеспособен клиент или нет. Поэтому целесообразно выделить по целевой переменной

2 В соответствии с постановлением Правления Национального банка Республики Беларусь от 28 ноября 2006 г. № 196 «Об утверждении Инструкции о порядке получения, формирования, обработки, хранения и предоставления Национальным банком Республики Беларусь сведений о кредитных договорах».3 DPD (от англ. Days Past Due) – количество дней, в течение которых наблюдается просроченная задолженность.

51



«серую зону» (неопределенный тип). При определении целевой переменной в работе использовались следующие правила: ● статус = 1 («плохой»),

если DPD > 90;● статус = 0 («хороший»),

если DPD < = 30;● статус = 2 («неопреде

ленный»), если DPD > 30 и DPD < = 90.Клиенты со статусом «нео

пределенный» исключаются из обучающей выборки, однако используются в тестировании скоринговой модели (в основном по распределению: «плохие» клиенты должны в среднем иметь более низкий скоринговый балл и располагаться в левой части; «хорошие» клиенты должны в среднем иметь более высокий балл и располагаться правее; «серая зона» должна быть между «плохими» и «хорошими» клиентами).

Определение независимых переменных представляет собой следующий этап, он заключается в первоначальном экспертном отборе характеристик, которые не имеют предсказательную силу для прогноза дефолтов. Например, по таким признакам, как возраст, тип образования, доходы клиента, можно с определенной точностью разделить сформированную базу клиентов на «платежеспособных» и «неплатежеспособных»; в противоположность объективным связям, например номер дома, где проживает клиент, никак не может помочь нам с классификацией клиентов, поэтому такие характеристики необходимо исключить.

В Приложении приведены все использующиеся в модели характеристики. В целом все имеющиеся переменные можно объединить в несколько блоков:

Социально-демографическая информация: ● пол: мужской / женский;● возраст; ● место жительства: область,

район, город, улица, номер дома и квартиры;

● дата регистрации по месту прописки;

● образование: среднее / среднее специальное / высшее;

● семейное положение: женат (замужем) / холост (не замужем) / вдовец (вдова) / разведен (разведена) / совместное проживание;

● количество иждивенцев;● наличие автомобиля, приобре

тенного за последние 5 лет.Информация из КР, ФСЗН:

● кредитный рейтинг Кредитного регистра: A1 / A2 / A3 / B1 / B2 / B3 / C1 / C2 / C3 / D1 / D2 / D3 / E1 / E2 / E3 / F [2];

● количество действующих кредитов;

● ежемесячная долговая нагрузка клиента в бел. руб.;

● ФСЗН: клиент работает / не работает. Информация о финансах:

● вид дохода: зарплата / пенсия; ● доход клиента по основному

месту работы в бел. руб.;● должность клиента: ИП / не

руководящий работник и т. д.;● количество сотрудни

ков в организации;● сфера деятельности организа

ции по классификации ОКЭД4;● стаж на последнем ме

сте работы. Другая информация:– наличие непогашенной

просроченной задолженности по действующим кредитным обязательствам, сумма кредитной заявки и др.;

– тип кредита: потребительский кредит, кредитная карта, рассрочка.

Что касается соотношения «плохой» / «хороший» заемщик, то большинство практических экспериментов и специалистов в данной области подтверждают, что для построения скоринговой карты на основе логистической регрессии рекомендуется использовать выборку, где доля «неплатежеспособных» заемщиков составляет не менее 5% от общего количества наблюдений.

Вместо пропущенных значений в выборке подставлялись средние значения (для количественных величин – медиана, для качественных переменных – мода). Однако отметим, что использование импутации пропущенных значений не корректно в случаях, когда по одной переменной доля пустых значений пре

вышает 20%. По этой причине переменные с долей пропущенных значений, превышающих заданное пороговое значение, были исключены из выборки на первом этапе построения скоринговых карт.

В первоначальной («сырой») выборке по каждому договору присутствовало 97 характеристик. После проведения первичного анализа (исследование и решение проблемы пропущенных и некорректных значений, а также выделение характеристик, демонстрирующих стабильную и/или логическую тенденцию к Bad Rate) осталось 23 характеристики.

Следующий этап преобразования данных заключается в обработке категориальных и количественных данных, их кодировании. Эмпирически подтверждается, что представление данных в виде бинарных величин положительно влияет на качество построенной логистической регрессии. Бинаризация – перевод значений переменных к виду {0,1} – представляет собой промежуточный этап и для разных типов переменных (количественные и качественные) отличается. Для качественных переменных происходит разбивка по их уникальным значениям (например, одна переменная «пол» разделяется на две: «пол_женский» и «пол_мужской»). В основе алгоритма кодирования количественных переменных, как правило, лежит простая идея: переменная разбивается на 5% (или 10%) персентили. Есть и другие (более автоматизированные) подходы для бинаризации непрерывных переменных, например определение наиболее оптимальной длины интервалов при заданном их количестве методом перебора. Такой способ является одним из наилучших, однако требует больших затрат компьютерных ресурсов и времени. В работе применен первый метод (разбивка по 5% персентилям) с дополнительной ручной корректировкой.

На основе имеющихся данных необходимо построить статистическую модель, которая будет правильно классифицировать клиентов на «неплатежеспособных» и «платежеспособных».

4 Общегосударственный классификатор видов экономической деятельности.

52



П р и л ож е н и еВесовой коэффициент, прогностическая способность и балл переменных

№ пере-

меннойПеременная Значение

переменной № приказа Весовой коэффициент Балл WOE Доля

в выборке

1 Вид дохода Пенсия 1 -0,33 18,80 0,23 1,30

2 Возраст

<= 28 2 0,22 -12,51 0,30 60,40

32–53 3 0,09 -5,28 -0,07 19,00

>= 54 4 -0,64 37,16 -0,32 10,90

3Время с момента регистрации

20 и более лет 5 -0,15 8,81 0,20 19,10

4

Долговая нагрузка+Количество действующих кредитов

0 руб. 0 ед. 6 -0,19 11,24 0,11 19,60

90–350 руб. 1 ед. 7 0,09 -5,33 -0,18 12,80

90–350 руб. 2 ед. 8 -0,09 5,48 0,13 13,50

>= 350 руб. 1 ед. 9 -0,40 23,27 0,62 2,30

>= 350 руб. 2 ед. 10 -0,15 8,91 0,22 4,90

>= 350 руб. >= 3 ед. 11 0,26 -15,20 -0,31 12,70

5 Должность

ИП, Владелец бизнеса 12 0,73 -42,16 -1,23 1,90

Неруководя-щий работник 13 -0,13 7,70 0,00 71,30

Руководство подразделе-ния

14 -0,34 19,83 0,66 15,80

6 Доход клиента

700–900 бел. руб. 15 -0,09 5,16 0,05 17,10

>= 900 бел. руб. 16 -0,17 9,91 0,11 29,50

7 Зарплатный клиент Да 17 -1,09 62,68 1,01 43,70

8 Количество стоп-факторов 0 18 -0,60 34,56 0,18 87,50

9Количество сотрудников в организации

< 10 19 0,13 -7,51 -0,92 6,10

>100 20 -0,39 22,35 0,22 73,10

10 Кредитный рейтинг

А1–А3 21 -1,88 108,75 3,55 6,20

B1 22 -1,13 65,43 1,70 15,30

В2–В3 23 -0,93 53,84 0,97 26,50

С1–D1, Не определен 24 -0,46 26,67 0,25 36,90

Е1–F 25 0,09 -5,23 -0,98 15,10

11Наличие автомобиля в собственности

Имеется 26 -0,67 38,51 0,36 37,00

53



12 ОбразованиеСреднее 27 0,25 -14,47 -0,45 9,90

Высшее / неск. высших 28 -0,61 35,46 0,54 42,10

13 Пол Женский 29 -0,41 23,76 0,16 53,40

14 Проживание В собств. квартире 30 -0,16 9,23 0,20 51,50

15Адрес прожива-ния: область, обл. центры

БРЕСТ 31 -0,33 18,94 0,71 5,50

ВИТЕБСК 32 0,18 -10,58 -0,42 3,70

ГОМЕЛЬСКАЯ 33 0,12 -6,67 -0,15 8,50

ГРОДНЕН-СКАЯ 34 -0,16 8,95 0,11 2,80

МИНСК 35 -0,17 10,05 0,29 28,50

МОГИЛЕВ 36 0,24 -13,66 -0,30 11,00

16

Семейное положение Брак является первым Количество иждивенцев

ЖенатДа0 чел.

37 -0,30 17,29 0,35 21,00

ЖенатДа>=1 чел.

38 -0,10 5,53 0,08 27,80

Холост Нет 0 чел.

39 -0,14 8,35 -0,14 20,50

Холост Нет >=1 чел.

40 0,34 -19,86 -0,60 2,80

17 Стаж на послед-нем месте работы

до 1 года 41 0,37 -21,10 -0,52 14,30

3 и более лет 42 -0,24 13,62 0,24 55,90

18Сфера деятельности организации

Вооруженные силы/ органы внутренних дел/

43 -0,47 27,41 0,33 2,60

Другие отрасли 44 0,28 -16,41 -0,26 15,10

Образование 45 -0,22 12,60 0,69 3,00

Оптовая/ розничная торговля

46 0,43 -24,87 -0,16 24,60

Промышлен-ность и ма-шиностроение

47 0,18 -10,67 0,11 19,20

Строительство 48 0,31 -17,92 -0,53 6,40

Услуги 49 0,20 -11,81 -0,28 7,80

Финансы, банки страхования

50 -0,60 34,42 2,35 7,60

19 Тип кредита Кредитные карты 51 -0,24 13,57 0,20 56,60

20 ФСЗН

Не работает 52 0,11 -6,06 -0,84 8,60

Работает / силовые структуры

53 -0,46 26,65 0,10 91,40


54



Прежде чем переходить к анализу и отбору переменных, требуется убедиться, что модель будет хорошо работать на новой выборке. Такая проверка делается путем разбиения собранных размеченных данных на две части. На одной части выборки обучается модель (обучающая выборка), на другой тестируется ее прогнозная сила (тестовый набор данных). Пропорции разделения всей выборки на обучающую часть и тестовую составляют 80% и 20% соответственно.

В работе в качестве математической модели использована логистическая регрессия. Также для получения наиболее достоверных и несмещенных оценок классификатора использован такой метод регуляризации, как L1 (метод lasso5). Такой шаг делается для отбора некоррелируемых переменных при большой размерности данных.

Стоит остановиться на важном моменте – в работе употребляются такие термины, как переменная (другое название – характеристика) и признак (или атрибут). Например, переменная «пол» имеет два признака («мужской», «женский»).

А н а л и з и к о р р е к т и р о в к а с к о р и н г о в ы х п е р е м е н н ы хПосле сбора и преобразования

данных к бинарному виду следует анализ и сжатие данных путем снижения размерности (группировка признаков характеристик).

Для этого необходимо для всех переменных рассчитать WOE и IVзначение.

Мера прогностической способности атрибута характеристики – весомость:

WOE = ln

pi__

qi

,

где pi – доля «хороших», имею

щих атрибут i, во всех хороших;q

i – доля «плохих», имеющих

атрибут i, во всех плохих.Предиктивная сила атрибута

(информационный критерий) рассчитывается как:

IV = (pi – q

i) × ln

pi__

qi

.

Расчет величины IV позволяет на раннем этапе определить, насколько «информативна» данная характеристика; как правило, если этот показатель менее 2%, то такую характеристику исключают из имеющегося множества. WOEзначение, в свою очередь, дает четкое представление о «направлении» признаков рассматриваемой группы. Лучше всего эту логику проследить в представленном выше примере расчета для переменной «возраст». Вначале любая характеристика разбивается на оптимальные группы (способы описаны ра нее). Затем для каждой группы рассчитывается количество «дефолтов» и «недефолтов» (например, согласно таблице 1 в группе людей в возрасте до 28 лет 198 клиентов имеют просроченную задолженность более 90

дней, остальные 2 717 человек выполнили свои обязательства перед банком). Далее проводится несложный расчет доли таких клиентов и показателя WOE по указанным формулам. В итоге можно увидеть «антинаправление»6 той или иной группы переменной. Другими словами, люди в возрасте до 28 лет в среднем оказываются менее благонадежными, нежели более возрастное поколение.

Также рассчитанные WOEзначения используются для сниже ния размерности данных. На рисунке 1 представлен пример рассчитанных WOEзначений для характеристики «кредитный рейтинг». Оценка «кредитного рейтинга» выставляется Нацио нальным банком Республики Беларусь по каждому клиенту на основании имеющейся кредитной информации о его поведении в прошлых периодах. Эта характеристика формируется с помощью собственной скоринговой модели банка, где каждому диапазону полученного Национальным банком скорингового балла присвоен класс кредитного рейтинга. Такие значения легче сравнивать, поскольку они более понятны как для пользователей кредитных историй, так и для их субъектов [2].

Характеристика «кредитный рейтинг» делится на 18 отдельных классов. Эти классы можно объединить (в целях снижения размерности выборки и получения более стабильных оценок) по

5 Регуляризация L1, или lasso (англ. least absolute shrinkage and selection operator, русс. оператор наименьшего абсолютного стягивания и отбора, представляет собой один из подходов к решению проблемы с переобучением).6 Для такого анализа требуется умножить WOE-значение на «–1».

Расчет WOE-значений для переменной «возраст»

Группы переменной

Наличие дефолта по кредиту Итого Доля

недефолтовДоля

дефолтов WOE IV

Нет Да

Возраст

<= 28 2 717 198 2 915 0,1867 0,2519 0,2994 1,9519

29–31 1 406 81 1 487 0,0966 0,1031 0,0644 0,0414

32–53 8 814 444 9 258 0,6057 0,5649 -0,0698 0,2852

>= 54 1 614 63 1 677 0,1109 0,0802 -0,3249 0,9996

Итого 14 551 786 15 337 1,0000 1,0000 3,2781


Таблица 1

55



Сравнительный анализ WOE-значений для характеристики «кредитный рейтинг» до и после кластеризации


схожим WOEзначениям. Так, классы «А1», «А2», «А3» ведут себя схожим образом по отношению к целевой переменной «дефолт», поэтому эти признаки можем объединить в одну группу «А1–А3» (рисунок 1).

Для проверки статистической значимости переменных использовался такой показатель, как IV (информационное значение). Наиболее значимые переменные по расчетным величинам представлены в таблице 2.

Наиболее «информативной» характеристикой клиента, тесно коррелирующей с показателем дефолта, является признак «зарплатники», принимающий бинарные значения («1» – незарплатник; «0» – зарплатник). Если клиент обслуживается в банке в

рамках зарплатного проекта, то шанс просрочить платежи более чем на 90 дней, относи тельно невелик (предиктивная сила – 0,4058).

В реальных наборах данных, как правило, присутствует взаимосвязь между переменными в той или иной мере (т. н. мультиколлинеарность). Сильная связь между регрессорами может сделать оценки коэффициентов нестабильными, смещенными и несостоятельными [3, с. 13]. Существует множество способов устранить эту проблему, к примеру, самый простой – это установление регуляризации типа L1 с помощью изучения корреляционной матрицы всех количественных регрессоров, а для качественных переменных –

Рисунок 1

Класс кредитного рейтинга

Статистическая значимость переменных на основе IV-значения

№ Название переменной IV-значение

1 Зарплатники 0,4085

2 Кредитный рейтинг 0,2771

3 Сфера деятельности организации 0,2707

4 Количество стоп-факторов 0,1378

5 Количество сотрудников в организации 0,1311


Таблица 2 коэффициенты сопряженности Пирсона, которые позволяют вручную проанализировать связь всех переменных и выделить те из них, которые потенциально могут дестабилизировать прогнозные оценки модели.

Так как качественные характеристики «брак является первым» и «количество иждивенцев» разбиваются на признаки (одна характеристика раскладывается на несколько признаков в бинарной форме), то для выяснения силы взаимосвязи характеристик следует построить таблицу сопряженности и рассчитать коэффициент сопряженности Пирсона (таблица 3).

В таблице 3 представлены фактические и ожидаемые (в квадратных скобках) частоты для рассматриваемой зависимости между признаками характеристик «брак является первым» и «количество иждивенцев». Согласно данной таблице значение статистики хиквадрат равняется 10 113,98. Критическое значение при уровне значимости 5% и 4 степенях свободы будет меньше рассчитанного значения. Дальнейший расчет коэффициента сопряженности Пирсона (равный 0,6304) также подтверждает наличие взаимосвязи между характеристиками «брак является первым» и «количество иждивенцев». С рассматриваемыми характеристиками коррелирует также

Класс кредитного рейтинга

4

3

2

1

0

-1

-2

Woe

-знач

ение

А1

А2

А3

В1

В3

В2

С3

С2

D1

С1

E3

Не

опре

деле

н

Пус

то

D2 F

E1

D3

E2

4

3

2

1

0

-1

-2

Woe

-знач

ение

А1–

А3

В1

В2–

В3

С1–

D1

Не

опре

деле

н

D2

D3

E1–

F

56



Значения частот для расчета критерия хи-квадрат по переменным «брак является первым» и «количество иждивенцев»

Брак является первым?

Семейное положение

Итогвдовец/ вдова

женат/ замужем

холост/ не замужем

разведен/ разведена

Совместное проживание

ДА 0 [227] 7 489 [4 428] 0 [1 747] 0 [968] 1 [119] 7 490

НЕТ 465 [238] 1 579 [4 640] 3 578 [1 831] 1 983 [1 015] 242 [124] 7 847

Итог 465 9 068 3 578 1 983 243 15 337

Значение статистики хи-квадрат 10 113,98 Коэффициент взаимной

сопряженности Пирсона 0,6304


Таблица 3

и характеристика «количество иждивенцев» (коэффициент взаимной сопряженности Пирсона равен 0,4328). Для того чтобы сохранить как можно больше данных для моделирования, эти

три переменные были преобразованы в одну, уникальные значения которой представлены в таблице 4.

Также в имеющемся наборе данных присутствует логическая

Список признаков новой переменной «семейное положение + брак является первым

+ количество иждивенцев»

№ признака

Семейное положение

Брак является первым?

Количество иждивенцев

Доля в выборке, %

1 Женат/замужем Да 0 21,0

2 Женат/замужем Да 1 и более 27,8

3 Холост/не замужем Нет 0 20,5

4 Холост/не замужем Нет 1 и более 2,8


Список признаков новой переменной «долговая нагрузка + количество действующих кредитов»

№ признака

Долговая нагрузка, бел. руб.

Количество действующих кредитов, шт.

Доля в выборке, %

1 0 0 19,6

2 90–350 1 12,8

3 90–350 2 13,5

4 >= 350 1 2,3

5 >= 350 2 4,9

6 >= 350 >= 3 12,7


Таблица 4

Таблица 5

взаимосвязь некоторых переменных, например: «количество действующих кредитов» тесно коррелирует с характеристикой «долговая нагрузка клиента». До бинаризации признаков рассчитан парный коэффициент корреляции Пирсона, равный 0,5080. По этой причине данные характеристики были объединены в одну, признаки которой представлены в таблице 5.

В результате проведенных мероприятий по устранению коррелируемых признаков количест во характеристик сократилось с 23 до 20. Однако такое сокращение размерности положительно отражается на качестве разрабатываемой модели по следующим причинам: исключается «шум» в данных изза наличия корре ляции в независимых переменных, а также сохраняется цен ная информация о клиентах.

П о с т р о е н и е и о ц е н к а с к о р и н г о в о й м о д е л иВзяв на вооружение модель ло

гистической регрессии, выборку в виде категориальных переменных, а также L1регуляризацию, мы построили модель следующего вида:

ŷ = 0,049 – 0,33 × x1 – 0,22 ×

× x2 + 0,09 × x

3 – 0,64 × x

4 – ... –

– 0,46 × x53

,

где ŷ – натуральный логарифм прогнозной вероятности дефолта заемщика;

x – независимые переменные (регрессоры);

i – порядковый номер признака (i ϵ [1,53], см. Приложение).

После построения модели специалисты первым делом анали

57



зируют статистическую значимость переменных с помощью расчета p-значения7. В рассматриваемом примере все оценки коэффициентов признаны статистически значимыми (их р-значение менее 5%).

Следующий шаг заключается в количественном определении, насколько точно работает полученная модель. На сформированной до моделирования тестовой выборке проверяется способность модели отличить «платежеспособного» клиента от «неплатежеспособного». Для оценки качества построенной модели используют ROCкривую (англ. Receiver Operator Characteristic, кривая ошибок) вместе с последующим расчетом коэффициента GINI (Джини). Эта оценка модели показывает зависимость количества верно классифицированных положительных исходов от количества неверно классифицируемых отрицательных исходов.

На обучающем наборе данных получена высокая оценка качества модели, коэффициент GINI, равный 60,2%. Полученная оценка качества построенного бинарного классификатора на тестовом наборе (рисунок 2), а именно показатель GINI, равный 59%, позволяет утверждать, что логитрегрессия корректно обучилась на обучающей выборке и относительно точно обобщает результаты на тестовой выборке. При относительно низком пороге отсечения, например, точка (0,2; 0,6), модель правильно классифицирует «плохих» клиентов (отсекает 60% таких заемщиков), однако и неверно определяет «хороших» клиентов (граница отсечения на уровне 20%). После этапа моделирования следует процесс определения уровня отсечения («cutoff»), который заключается в установлении приемлемого для банка баланса между недополученной прибылью (отказы неверно классифицируемым «хорошим» клиентам) и прогнозируемыми потерями (верно определенные «плохие» клиенты).

М а с ш т а б и р о в а н и е и р а с ч е т с к о р и н г о в ы х б а л л о вПо формуле логистической

регрессии в результате мы полу

ROC-кривая и коэффициент GINI тестовой выборки


Рисунок 2

0 0,2 0,4 0,6 0,8 1,0

1,00

0,8

0,6

0,4

0,2

0,0

Tru

e P

osit

ive

Rat

e

Faise Positive Rate

Riceiver Operating CharacteristicGINI = 0,59

AUC = 0,795

7 Р-значение (уровень значимости) – вероятность того, что оценка коэффициента сформировалась случайным образом. Коэффициент статистически значим, если его р-значение не превышает заданную границу (как правило, 5%).

чаем прогноз в шкале натуральных логарифмов, что довольно трудно интерпретировать и применять. Необходимо привести весовые коэффициенты в линейную шкалу. Как правило, применяются методы масштабирования.

Для масштабирования требуется, вопервых, определить желаемый диапазон распределения баллов (минимальное и максимальное значения), а также два показателя: количество баллов, удваивающее шансы стать «хорошим» заемщиком, и значение шкалы, в котором и достигается заданное отношение шансов «платежеспособных» к «неплатежеспособным». Наиболее часто используют систему, в которой каждые 40 баллов удваивают шансы стать «платежеспособным» клиентом, а также в точке 600 баллов отношение шансов составляет 72:1. При дальнейших расчетах будет использоваться эта методика.

Для того чтобы привести коэффициенты логистической регрессии в линейную шкалу, применяют следующее преобразование:

Балл = A + R × n∑

i = 1bi ,

где A – смещение;R – множитель;

bi – весовой коэффициент

при регрессоре i (n – их коли чество).

R = D/ln2,

где D – количество баллов, удваивающее шансы наступления дефолта.

A = B – R × lnC,

где С – константа, B – значе ние по шкале баллов, в которой соотношение шансов составляет C:1 [3].

Приведем пример расчета скоринговых баллов – кредитный рейтинг заемщика, кото рый Национальный банк Республики Беларусь предоставляет в виде классов (от A1 до F). Предполагая, что каждые 40 баллов удваивают шансы наступления дефолта по кредиту, а также в точке 600 баллов отношение шансов составляет 72:1, в та-блице 6 приведены результаты расчетов по вышеприведенной формуле: множитель будет равен 57,71, а смещение составит 413,2. Поскольку класс A1 является наилучшим и отдаление от него в сторону класса F предполагает увеличение вероятности дефолта заемщика, то множитель нужно брать с отрицательным знаком.

58



Распределение платежеспособных и неплатежеспособных клиентов по скоринговым баллам


В Приложении приведены результаты расчетов скоринговых баллов для всех характеристик и признаков. Для получения общего скорингового балла необходимо сложить баллы по каждой независимой переменной и прибавить рассчитанное значение смещения. Для иллюстрации распределения клиентов по скоринговым баллам построена гистограмма (рисунок 3).

После построения скоринговой карты на заключительном этапе руководство конкретного подразделения (в данном случае директор департамента управления розничными кредитными рисками) утверждает и защищает перед комитетом новую скоринговую карту, ее качество и стабильность работы, границу

отсечения («cutoff»), расчетную величину прогноза отношения «плохих» клиентов к кредитному портфелю и запускает в работу.

В банковской сфере оценка платежеспособности заемщи ков представляет собой перво степенную задачу в управле нии кредитным риском. И точность таких оценок оказывает прямое влияние на качество кредитного портфеля банка, его надежность и эффектив ность деятельности.

Кредитный скоринг зарекомендовал себя как наиболее стабильный и действенный метод оценки вероятности невыполнения кредитных обязательств со стороны заемщика. В основе работы скоринговой системы лежит автоматическое присвое

Расчет скоринговых баллов для переменной «кредитный рейтинг»

№ Признаки переменной Весовой коэффициент Скоринговый балл по линейной шкале bi×R

1 A1 / A2 / A3 -1,88 108,75

2 B1 -1,13 65,43

3 B2 / B3 -0,93 53,84

4 C1 / C2 / C3 / D1 -0,46 26,67

5 E1 / E2 / E3 / F 0,09 -5,23


Таблица 6

ние определенных баллов в зависимости от параметров запрашиваемого кредита, кредитной истории, социальнодемографических характеристик заемщика, а также размера его доходов. В свою очередь, скоринговые баллы, соответствующие каждой характеристике клиента, вычисляются на основе ретроспективного эконометрического анализа поведения клиентов. Использующийся математический инструментарий состоит из (но не ограничивается) построения корреляционных матриц для решения проблемы взаимосвязанных характеристик, расчета показателя информационного значения для отбора наиболее значимых переменных, вычисления, настройки параметров и проверки значимости весовых коэффициентов логистической регрессии, а также приведения полученных коэффициентов в баллы путем масштабирования.

В работе приведена необходимая теоретическая база, показан практический пример применения наиболее современных математических методов и моделей для создания успешных скоринговых систем.

Для поддержания устойчивости и увеличения эффективности банка требуется проведение регулярного мониторинга построенных скоринговых систем, изменение клиентского потока в банке и во всей банковской системе, учет экономической и политической ситуации в стране, а также повышение навыков и знаний разработчиков скоринговых систем.


Рисунок 3

300 400 500 600 700 800

0,010

0,008

0,006

0,004

0,002

0,000

Вер

оят

нос

ть,

с к

отор

ой з

аем

щик

пол

учит

опред

елен

ны

й н

а ос

и Х

бал

л

Скоринговый балл

Распределение баллов среди «плохих» и «хороших» заемщиков

good bad

59



Modern Practice Of Developing Credit Scoring Cards For Retail Clients In Belarusian Banks

Oleg GICHAN, Ph.D. Student, Belarusian State University, Minsk, Republic of Belarus, e-mail: [email protected].

Catherine GOSPODARIK, Ph.D. in Economics, Associate Professor, Head of the Analytical Economy and Econometrics Department, Belarusian State University, Minsk, Republic of Belarus, e-mail: [email protected].

Abstract. Scorecards are developed in the majority of Belarusian and foreign banks to assess the borrowers’ credit worthiness. The banking organizations are recommended to reexamine the valid scorecards, create the new ones and choose, by means of comparing their forecasting power, the more effective and precise scorecards with a view to increasing competitiveness in the credit resources market. The authors created the scorecard for domestic banks on the basis of logistic regression with the use of certain possibilities of computer-aided learning and modern technological toolkit.

Keywords: credit risk; credit scoring; logistic regression.

Библиографический список:1. Ковалев, М. Методика построения банковской скоринговой модели для оценки кредитоспособности физических лиц [Электронный ресурс] / М. Ковалев, В. Корженевская // Белорусский государственный университет. – Режим доступа: https://www.bsu.by/Cache/pdf/49623.pdf. – Дата доступа: 23.02.2019.

2. Рейтинг Кредитного регистра Национального банка [Электронный ресурс] // Национальный банк Республики Беларусь. – Режим доступа: https://www.nbrb.by/today/CreditRegistry/Instructions/docs/Rating_CR_NBRB.pdf. – Дата доступа: 11.07.2019.

3. Сорокин, А.С. Построение скоринговых карт с использованием модели логистической регрессии / А.С. Сорокин // Науковедение. – 2014. – № 2. – С. 1–29.

4. Basel II: International Convergence of Capital Measurement and Capital Standards: A Revised Framework [Electronic resource] / Bank Of International Settlements // Basel Committee on Banking Supervision. – Mode of access: https://www.bis.org/publ/bcbs118.pdf. – Date of access: 29.02.2019.

5. Sven, F. Crone. Instance sampling in credit scoring: An Empirical study of sample size and balancing / F. Crone Sven, F. Steven // International Journal of Forecasting. – 2012. – № 28. – Р. 224–238.

60



О с о б е н н о с т и д е п о з и т н о г о р ы н к а в Р е с п у б л и к е Б е л а рус ьДепозитная политика – слож

ная и многогранная сфера банковской системы, поскольку результаты депозитной политики влияют на эффективное и успешное развитие банков, а также и на всю экономику страны в целом.

Пассивные банковские операции направлены на формирование капитала банка и аккумулирование финансовых ресурсов, необходимых для проведения кредитных и других активных операций, поэтому депозитная деятельность является важнейшей составляющей устойчивости коммерческого банка.

С другой стороны, кредитная деятельность банков играет существенную роль в стимулировании экономического роста, перераспределяя денежные потоки между отраслями страны. Банки, привлекая сбережения населения и другие свободные средства, высвобождающиеся в процессе хозяйственной деятельности, предоставляют их во временное пользование другим экономическим агентам, нуждающимся в денежном капитале.

Рост денежной массы рассчитывается на основе совокупных депозитов, следовательно, изменение уровня депозитов является одним из показателей, воздействующих на денежнокредитную политику центрального банка [7; 13].

Банковские вклады являются для белорусов самым привычным инвестиционным инструментом. В первую очередь они пользуются высоким спросом благодаря сво

Эконометрическое моделирование депозитов

населения Беларуси*

УДК 330.43:314.114(476)Ключевые слова:

сбережения населения; депозиты физических лиц; депозитная политика; модель коррекции ошибок; прогнозирование.

Ирина КУЗЮК

Виктория КУФТО

ООО «Топ Софт», консультант-аналитик, Республика Беларусь, г. Минск, e-mail: [email protected]

Научно-исследовательский экономический институт, младший научный сотрудник, БГУ, экономический факультет, магистрант, Республика Беларусь, г. Минск, e-mail: [email protected]

ей простоте. Ведь для того чтобы получать дополнительный доход, необходимо лишь один раз прийти в отделение выбранного клиентом банка и оформить продукт.

За последние годы на депозитном рынке произошли существенные изменения. 11 ноября 2015 г. Президентом Республики Беларусь был подписан Декрет № 7 «О привлечении денежных средств во вклады (депозиты)». Этот декрет предусматривает изменение классификации банковских вкладов (депозитов). До 11 ноября 2015 г. вклады в Республике Беларусь подразделялись на следующие виды: срочные вклады, условные вклады, вклады до востребования [9]. В соответствии с Декретом № 7 договоры срочного и условного банковского вклада подразделяются на безотзывные и отзывные. То есть на депозитном рынке в Респуб лике Беларусь появился новый вид вклада – безотзывный.

Декрет № 7 наряду с изменением классификации банковских вкладов также предусматривает изменение подходов к льготному налогообложению доходов, полученных физическими лицами в виде процентов по банковским счетам и вкладам (депозитам) в банках и небанковских кредитнофинансовых организациях.

Анализируя депозитный рынок Республики Беларусь, необходимо подробнее остановиться на анализе депозитной политики в коммерческих банках. Привлечение денежных средств и их размещение являются для банков основными формами деятельности. Управле

* Статья подготовлена на основании работы, занявшей 3-е место на конкурсе на лучшую работу по экономической тематике среди студентов, магистрантов и аспирантов белорусских вузов, проводимом Национальным банком Республики Беларусь в 2019 г.

61



ние привлеченными средствами является важной составляющей деловой политики банка, так как они используются для вложения в активные инструменты. В современных условиях каждый коммерческий банк должен разрабатывать самостоятельно депозитную политику для эффективного функционирования.

На начало 2019 г. в Респуб лике Беларусь действовало 24 коммерческих банка. На рисунке 1 отображена информация по размеру депозитов населения для 10 наиболее крупных банков за 2017–2018 гг.

Самая значительная сумма вкладов находится в Беларусбанке. На 1 января 2019 г. банк занимал 44,8% рынка вкладов. По отношению к предыдущему году доля банка снизилась на 0,6 п. п. Вторым банком по размеру привлеченных средств является Белагропромбанк. На 1 января 2019 г. доля на рынке вкладов составляла 15,5%, что меньше на 1,2 п. п. по отношению к 2018 г. Доля на рынке депозитов у следующих 5 банков составляет примерно 5–6% для каждого банка соответственно (БПССбербанк, Белинвестбанк, Банк БелВЭБ, Белгазпромбанк, Приорбанк). Остальные коммерческие банки занимают на рынке банковских вкладов долю не более 3%.

Обязательства банка включают статьи: средства Национального банка; средства кредитных организаций; средства клиентов; выпущенные долговые ценные бумаги; отложенные налоговые обязательства; прочие обязательства. На ри-сунке 2 можно наглядно увидеть, что статья «Средства клиентов» занимает большую долю обязательств Беларусбанка и Белагропромбанка, 71,34% и 70,61% соответственно.

Средства клиентов включают в себя следующие позиции: вклады (депозиты), средства на текущих (расчетных) счетах, иные средства. Какие позиции и в каком соотношении представлены в Беларусбанке и Белагропромбанке, показано на рисунке 3. Можно отметить, что вклады занимают значительную долю статьи «Средства клиентов». Вклады (депозиты) в общей структуре обязательств занимают значительную долю, 42,3% и 57,9% в Беларусбанке и Белагропромбанке соответственно. Это говорит о том, что депозиты

являются важной составляющей для коммерческих банков.

Таким образом, каждый банк для укрепления своих позиций, повышения уровня устойчивости разрабатывает свою депозитную политику, определяя виды депо

зитов, их сроки и проценты по ним, условия проведения депозитных операций, опираясь при этом на особенности каждого клиента, а также на специфику своей деятельности и учитывая фактор конкуренции со стороны других

Топ-10 белорусских банков по размеру привлеченных депозитов населения

* До 28.01.2019 «Банк Москва-Минск».

Примечание. Разработка авторов на основе [17].

Рисунок 1

12 000

10 000

8 000

6 000

4 000

2 000

0

Млн. руб

лей

01.01.2018 01.01.2019

АСБ

Бела

русбан

к

Бела

гроп

ромб

анк

БПС-Сб

ерба

нк

Бели

нвестба

нк

Банк

Бел

ВЭБ

Белг

азпр

омба

нк

При

орба

нк

Банк

ВТБ

(Бе

лару

сь)

Альф

а-Ба

нк

Банк

Даб

рабы

т*

9 934,5

3 428,9

1 193,8

Обязательства ОАО «АСБ Беларусбанк» и ОАО «Белагропромбанк» за 2018 г.

Примечание. Разработка авторов на основе [11; 12].

Рисунок 2

● Средства Национального банка ● Средства кредитных организаций● Средства клиентов● Выпущенные долговые ценные бумаги● Прочие обязательства

Белагропромбанк Беларусбанк

Средства клиентов ОАО «АСБ Беларусбанк» и ОАО «Белагропромбанк» за 2018 г.

Примечание. Разработка авторов на основе [11; 12].

Рисунок 3

● Вклады (депозиты)● Средства на текущих (расчетных) счетах● Иные средства

Белагропромбанк Беларусбанк

62



банков и инфляционные процессы, протекающие в экономике.

Успешно проведенная депозитная политика банков отразится на устойчивости банковской системы и денежнокредитной политике государства в целом.

С т а т и с т и ч е с к и й а н а л и з д и н а м и к и и с т ру к т у р ы д е п о з и т о в ф и з и ч е с к и х л и ц в Р е с п у б л и к е Б е л а рус ьПрежде чем перейти к стати

стическому анализу динамики и структуры депозитов населения, необходимо определить, какую долю они занимают в составе широкой денежной массы.

Анализ структуры депозитов физических лиц позволяет судить о произошедших в 2000–2018 гг. изменениях в спросе на депозиты со стороны населения. Так, спрос на рублевые депозиты наблюдался вплоть до 2006 г., после чего в общей структуре депозитов физических лиц стала увеличиваться доля депозитов в иностранной валюте. В апреле 2019 г. соотношение рублевых и валютных депозитов в общей структуре составляет примерно 3:7. В последнее пятилетие доля рублевых депозитов менялась в пределах от 20,9% (в 2015 г.) до 32,3% (в 2013 г.), на начало 2019 г. составляла 30,5% в общей структуре депозитов физических лиц и продолжала увеличиваться [16].

На рисунке 4 представлено, как изменялась структура финансовых активов населения в процентном выражении за последние

5 лет. Объем денежной базы на 1 апреля 2019 г. по сравнению с 1 января 2019 г. уменьшился на 2% и составил 8 453,2 млн. рублей. По сравнению с 1 апреля 2018 г. денежная база увеличилась на 18%. Удельный вес наличных денег в обращении в составе денежной базы увеличился с 34,7% на 1 января 2019 г. до 35,3% на 1 апреля 2019 г.

Депозиты физических лиц в национальной валюте в составе широкой денежной массы на 1 апреля 2019 г. составили 6 802 млн. рублей, увеличившись на 0,5% по сравнению с началом 2019 г. По сравнению с 1 апреля 2018 г. депозиты физических лиц в национальной валюте увеличились на 20,4%. Депозиты физических лиц в иностранной валюте в составе широкой денежной массы на 1 апреля 2019 г. составили 7 273,1 млн. долларов США, уве

личившись на 2% по сравнению с началом 2019 г. По сравнению с 1 апреля 2018 г. депозиты физических лиц в иностранной валюте уменьшились на 0,9%.

Статистические данные свидетельствуют о преобладании доли депозитов в иностранной валюте в общей структуре депозитов населения (рисунок 4), однако нельзя не отметить тенденцию к росту депозитов населения в белорусских рублях, чему способствовала стабилизация курса белорусского рубля, и снижение доли других депозитов в иностранной валюте в последние годы. Также стоит отметить, что практически вдвое увеличилась доля переводных депозитов в иностранной валюте (с 4,4% до 8,3% в 2015 г. и 2019 г. соответственно). Национальный банк Республики Беларусь направляет усилия на увеличение привлекательности рублевых депозитов среди населения [14].

На рисунке 5 приведены данные о структуре депозитов физических лиц на 01.04.2015 и 01.04.2019 соответственно. Статистические данные свидетельствуют о преобладании доли других депозитов в общей структуре депозитов населения (в 2015 г. – 88,9%, в 2019 г. – 77,7%), однако в первом случае речь идет о наибольшем удельном весе у других депозитов физических лиц в иностранной валюте (69%), по более актуальным статистическим данным также доля других депозитов физических лиц в иностранной валюте преобладает (59%), но наблюдается тенденция повышения доли в национальной валюте.

В целом при анализе удельных весов рублевых и валютных депо

Структура валовых финансовых активов населения Республики Беларусь в 2015—2019 гг.

* На 01.04.2019.


Рисунок 4

100

50

0

Проц

ент

ы

Наличные деньги в обороте

Переводные депозиты фи-зических лиц в националь-ной валюте

Переводные депозиты фи-зических лиц в иностранной валюте

Другие депозиты физических лиц в национальной валюте

Другие депозиты физических лиц в иностранной валюте

Ценные бумаги, выпущенные банками (вне банковского оборота)

2015 2016 2017 2018 2019*

63,3

12,3

60,5

12,6

53,747,7 45,8

13,314,5 14,8

Структура банковских вкладов населения


Рисунок 5

● Переводные депозиты фи-зических лиц в белорусских рублях ● Другие депозиты физи-ческих лиц в белорусских рублях● Переводные депозиты фи-зических лиц в иностран-ной валюте● Другие депозиты физи-ческих лиц в иностранной валюте

На 01.04.2019 На 01.04.2015

63



зитов в общей структуре за предыдущие годы можно говорить о тенденции снижения доли рублевых депозитов начиная с 2006 г., когда удельный вес рублевых депозитов в общей структуре достигал своего максимального значения – 68,3%.

Исходя из анализа, срочные банковские депозиты в национальной и иностранной валютах являются наиболее востребованными формами сбережений населения Беларуси.

Статистические данные свидетельствуют о том, что в составе широкой денежной массы наибольшую долю занимают другие (срочные) депозиты населения. Стоит отметить, что в последние два года наблюдается тенденция роста других рублевых депозитов, чему способствовала стабилизация курса белорусского рубля. Если говорить о вкладах в национальной валюте, то наиболее популярными за весь рассматриваемый период времени являются безотзывные вклады до года, в иностранной валюте – отзывные вклады до года.

А н а л и з ф а к т о р о в , в л и я ю щ и х н а д и н а м и к у и с т ру к т у ру д е п о з и т о вВ научной литературе можно

найти достаточное количество исследований, посвященных применению методов математического моделирования в прогнозировании объемов депозитов физических лиц в Республике Беларусь. Среди работ отечественных авторов, посвященных вопросам моделирования вкладов населения, можно

отметить работы В.Н. Комкова [5], А.Ю. Миксюка [8], Ю.Г. Абакумовой [1], М.Н. Власенко [4], А.В. Безбородовой [3]. В представленных публикациях решаются задачи прогнозирования других депозитов физических лиц, которые оказывают непосредственное влияние на динамику и структуру совокупной денежной массы и формируют неэмиссионную ресурсную базу коммерческих банков, позволяют создавать основу для будущих инвестиций в реальный сектор и, таким образом, представляют собой потенциал для экономического роста страны [14].

Статистические и эконометрические методы позволяют проанализировать и отобрать факторы, которые влияют на склонность населения к сбережению в депозитах для того, чтобы оценить последствия дестабилизации денежнокредитной системы и вы

работки возможных путей для ее устранения.

Спрос на вклады в рублях, как правило, связан с повышающимися доходами населения, замедлением скорости инфляции и относительной стабильностью обменного курса национальной валюты. В такие периоды депозиты в белорусских рублях являются самыми привлекательными как с точки зрения диверсификации сбережений, так и в плане повышения доходности вкладчиков. Так, за 2017–2018 гг. другие (срочные) вклады физических лиц в белорусских рублях увеличились на 36%, в то время как ставка рефинансирования понизилась с 18% до 10% (рисунок 6).

Рассмотреть влияние обменного курса национальной валюты на структуру депозитов физических лиц можно через связь инфляции и девальвации. Домашние хозяйства будут хранить большую долю сбережений в иностранной валюте, чем выше связь между инфляцией и девальвацией. Таким образом, спрос на валютные депозиты традиционно повышается на фоне высоких девальвационных ожиданий. Это говорит о том, что в условиях экономической нестабильности (при высоком темпе инфляции, особенно при гиперинфляции и высокой девальвации) будет наблюдаться долларизация экономики.

Отмеченные тенденции выявляются не только методами корреляционного и регрессионного анализа, но и при детальном статистическом анализе, например годовых приростов депозитов физических лиц (рисунок 7). В то

Зависимость других рублевых депозитов населения от ставки рефинансирования


Рисунок 6

500450400350300250200150100500

20181614121086420

Млн. руб

лей

01.0

1.20

17

01.0

1.20

18

01.0

1.20

19

01.0

2.20

17

01.0

2.20

18

01.0

2.20

19

01.0

3.20

17

01.0

3.20

18

01.0

3.20

19

01.0

4.20

17

01.0

4.20

18

01.0

5.20

17

01.0

5.20

18

01.0

6.20

17

01.0

6.20

18

01.0

7.20

17

01.0

7.20

18

01.0

8.20

17

01.0

8.20

18

01.0

9.20

17

01.0

9.20

18

01.1

0.20

17

01.1

0.20

18

01.1

1.20

17

01.1

1.20

18

01.1

2.20

17

01.1

2.20

18

Вклады в национальной валюте до года

Вклады в национальной валюте свыше года

Ставка рефинансирования

Динамика других рублевых и валютных депозитов населения Республики Беларусь


Рисунок 7

7 0006 0005 0004 0003 0002 0001 000

0-1 000-2 000-3 000

Млн. руб

.

01.0

1.20

01

01.0

1.20

02

01.0

1.20

03

01.0

1.20

04

01.0

1.20

05

01.0

1.20

06

01.0

1.20

07

01.0

1.20

08

01.0

1.20

09

01.0

1.20

10

01.0

1.20

11

01.0

1.20

12

01.0

1.20

13

01.0

1.20

14

01.0

1.20

15

01.0

1.20

16

01.0

1.20

17

01.0

1.20

18

Прирост за год других рублевых депозитов

Прирост за год валютных депозитов

64



же время сокращение объема валютных вкладов населения можно объяснить не только тенденциями в динамике валютных курсов и процентных ставок, но также потребительским поведением населения, которое в условиях снижения реальных доходов продолжает поддерживать привычный уровень жизни за счет накопленных сбережений. Подтверждение этому можно найти, если анализировать статистику покупки и продажи населением валюты в 2019 г. Показательным в этом плане можно считать октябрь 2019 г. Оборот валютного рынка в этом месяце достиг наибольшего за 5 лет месячного объема. Этому способствовал рост продажи иностранной валюты субъектами хозяйствования, сумма которой стала рекордной с июля 2014 г. Кроме того, октябрь

вошел в топ15 месяцев всех лет по размеру чистого предложения иностранной валюты. В целом уже более трех лет результат валютного рынка остается стабильно положительным: предложение валюты превышает спрос на нее: продается иностранной валюты больше, чем покупается, этим создается ее чистое предложение. В октябре в Беларуси продано иностранной валюты на 3,083 млрд. долл. Рост по сравнению с сентябрем – на 8,0%, или 229 млн. долл. Почти весь номинальный прирост создан субъектами хозяйствования.

На динамику и структуру депозитов населения также оказывает влияние процентная ставка. Процентные ставки устанавливаются под влиянием конкуренции на рынке кредитных и депозитных

услуг и зависят от характера взаимодействия отношений между клиентом и банком, направления депозитной и кредитной политики банка. Процентные ставки центрального банка страны являются ориентиром для ставок коммерческих банков, влияют на их ликвидность [15, с. 13].

Изменение процентной ставки по депозитам влияет не только на динамику сбережений, но и на структуру сбережений (рублевые или валютные). Таким образом, процентную ставку можно назвать переменной, которая в большей степени определяет структуру сбережений [3].

На рисунках 8 и 9 указано, как изменялась процентная ставка по другим депозитам физических лиц в национальной валюте и СКВ за 2017–2018 гг.

Летом 2017 г. процентные ставки по рублевым депозитам достигли исторически минимального уровня, но уже более года наблюдался небольшой рост доходности по рублевым вкладам. В период 2011–2015 гг. депозитными организациями устанавливался самый большой уровень процентных ставок по срочным депозитам физических лиц в национальной валюте: депозиты открывались с процентными ставками выше 30% годовых (средняя процентная ставка за период – 37% годовых). Но в те годы наблюдался двухзначный рост цен, что снижало реальную доходность депозитов.

Доходность депозитов в иностранной валюте небольшими темпами также увеличивается, но остается очень низкой (рису-нок 9). Весной 2018 г. процентные ставки по валютным депозитам опустились до исторически минимального уровня после того, как Национальный банк в рамках «борьбы с дедолларизацией» поднял норматив обязательных резервов по привлеченным средствам в иностранной валюте до 17%, в результате чего проценты по валютным вкладам были снижены банками в среднем до 0,5–1,3% годовых.

В апреле 2019 г. вклады в иностранной валюте можно открыть с доходностью до 2,7% годовых в зависимости от вида депозита. Наиболее заметно выросла доходность по безотзывным долгосрочным вкладам, тогда как по

Динамика средней процентной ставки по новым депозитам физических лиц в национальной валюте


Рисунок 8

20181614121086420

Проц

ент

ов г

одов

ых

01.0

1.20

17

01.0

1.20

18

01.0

1.20

19

01.0

2.20

17

01.0

2.20

18

01.0

2.20

19

01.0

3.20

17

01.0

3.20

18

01.0

3.20

19

01.0

4.20

17

01.0

4.20

18

01.0

5.20

17

01.0

5.20

18

01.0

6.20

17

01.0

6.20

18

01.0

7.20

17

01.0

7.20

18

01.0

8.20

17

01.0

8.20

18

01.0

9.20

17

01.0

9.20

18

01.1

0.20

17

01.1

0.20

18

01.1

1.20

17

01.1

1.20

18

01.1

2.20

17

01.1

2.20

18

Отзывные Отзывные Безотзывные Безотзывные

Динамика средней процентной ставки по новым депозитам физических лиц в иностранной валюте


Рисунок 9

4,0

3,5

3,0

2,5

2,0

1,5

1,0

0,5

0

Проц

ент

ов г

одов

ых

01.0

1.20

17

01.0

1.20

18

01.0

1.20

19

01.0

2.20

17

01.0

2.20

18

01.0

2.20

19

01.0

3.20

17

01.0

3.20

18

01.0

3.20

19

01.0

4.20

17

01.0

4.20

18

01.0

5.20

17

01.0

5.20

18

01.0

6.20

17

01.0

6.20

18

01.0

7.20

17

01.0

7.20

18

01.0

8.20

17

01.0

8.20

18

01.0

9.20

17

01.0

9.20

18

01.1

0.20

17

01.1

0.20

18

01.1

1.20

17

01.1

1.20

18

01.1

2.20

17

01.1

2.20

18

Отзывные Отзывные Безотзывные Безотзывные

65



отзывным долгосрочным вкладам процентная ставка даже незначительно снизилась с начала 2019 г.

Для того чтобы количественно оценить зависимость депозитов от вышеперечисленных факторов, будет разработана и реализована на реальных статистических данных эконометрическая модель.

Э к о н о м е т р и ч е с к о е п р о г н о з и р о в а н и е д ру г и х д е п о з и т о в ф и з и ч е с к и х л и ц «В настоящее время актуаль

ной задачей остается поиск эффективных методов анализа и прогнозирования экономических показателей банковской деятельности в целях своевременной корректировки проводимой национальными правительствами денежнокредитной политики и недопущения разрушения потенциала финансовых, а вслед за ними и реальных секторов экономик стран мира. В этой связи математическое моделирова

ние как раз выступает в качестве такого эффективного метода исследования» [4].

Значительный удельный вес в структуре совокупной ресурсной базы коммерческих банков Беларуси занимают депозиты населения, поэтому построение эконометрической модели депозитных вкладов физических лиц является целесообразным в целях повышения эффективности планирования и прогнозирования их роста.

С помощью эконометрического моделирования можно спрогнозировать на основе регрессионных моделей временных рядов будущие значения депозитов. Заранее необходимо определить ряд факторов, которые оказывают влияние на выбор населения в пользу этих видов сбережений, для того чтобы оценить последствия дестабилизации денежнокредитной системы и выработки возможных путей для ее устранения. Для построения регрессионной модели других

депозитов физических лиц в белорусских рублях использовались месячные данные с января 2012 г. по декабрь 2018 г. Все расчеты производились с помощью эконометрического пакета EViews 10.

Положения экономической теории позволяют определить лишь набор потенциальных факторов, формирующих динамику сбережений населения, но только эмпирическое моделирование позволяет уточнить особенности влияния этих факторов на исследуемые показатели [2, с. 4].

В качестве основных факторов, влияние которых испытывалось, были выбраны следующие факторы: показатели процентной ставки, обменного курса национальной валюты, индекса цен, а также доходов населения.

В таблице 1 приведены формы показателей, а также их условные обозначения, для которых в дальнейшем при проведении анализа были получены наилучшие ре

Условные обозначения временных рядов и результаты тестирования с помощью ADF-тестаПере-менная Показатель Специфи-

кация**Р-значение для ADF-статистики*** Вывод

RСредняя процентная ставка по вновь привлеченным другим депозитам фи-зических лиц, %

Т,1 0,002 Стационарный I(0)

P Индекс потребительских цен к дека-брю предыдущего года, % С,0 0,003 Стационарный I(0)

D Денежные доходы населения, млн. рублей Т,0 0,025 Нестационарный* I(1)*

∆D Показатель D, рассмотренный в при-ростах C,0 0,000 Стационарный I(0)

ER Средневзвешенный курс белорусского рубля по отношению к доллару США, % Т,0 0,525 Нестационарный I(1)

∆ER Показатель ER, рассмотренный в приростах C,0 0,000 Стационарный I(0)

S Другие рублевые депозиты физиче-ских лиц, млн. рублей Т,1 0,753 Нестационарный I(1)

∆S Показатель S, рассмотренный в при-ростах N,0 0,000 Стационарный I(0)

* Вывод по тестируемой гипотезе для временного ряда D в уровнях зависит от выбираемого уровня значимости. Приведен вывод для уровня значимости α = 0,01. Вывод сделан с учетом наличия сезонных колебаний у временного ряда, а также по результатам дополнительно проведенного анализа. ** Спецификация T означает, что тестируемая модель содержит тренд и константу, C – модель содержит только константу, N – модель без тренда и константы. Для ADF-теста в спецификации после типа модели приведено количество запаздывающих разностей. Обозначение I(k) используется для указания порядка интегрированности временного ряда.*** Различные спецификации тестируемых моделей имеют свои собственные критические значения, используемые при тестировании нулевых гипотез. В таблице приведены значения доверительных вероятностей Р для принятия нулевой гипотезы о нестационарности исследуемого временного ряда.

Примечание. Разработка авторов на основе [10] и расчетов в пакете EViews 10.

Таблица 1

66



зультаты с точки зрения статистической адекватности.

Учитывая неправомерность применения стандартных методов оценивания модели в случае нестационарности используемых временных рядов, прежде чем перейти к описанию ее структуры, необходимо провести предварительный анализ переменных на стационарность. Для определения типа нестационарности и порядка интегрированности использовался расширенный тест Дики – Фуллера (ADFтест). Результаты применения расширенного теста Дики – Фуллера для исследуемых временных рядов приведены в таблице 1.

На основании проведенного анализа можно сделать заключение, что все временные ряды исследуемых показателей, за исключением рядов, характеризующих среднюю процентную ставку по вновь привлеченным депозитам физических лиц и индекс потребительских цен, являются интегрированными первого порядка. Аналогичные выводы были получены при графическом анализе временных рядов в уровнях и приростах, а также анализе коррелограмм, представляющих собой графики общей и частной автокорреляционных функций. Результаты, полученные на данном этапе предварительного анализа, играют большую роль для проведения эконометрического моделирования, так как в основе коинтеграционного анализа лежит определение долгосрочных взаимосвязей между нестационарными переменными с одинаковым порядком интегрированности. Кроме того, определение порядка интегрированности позволяет корректно произвести преобразования временных рядов (путем взятия соответствующих разностей), что обеспечивает их стационарность. Это имеет немаловажное значение для применения эконометрических методов временных рядов и позволяет избежать так называемой ложной регрессии, которая может быть получена при некорректном использовании в регрессионном анализе нестационарных временных рядов.

Построение модели коинтеграции, а затем модели механизма коррекции ошибок возможно при условии коинтегрированности временных рядов. На основе вы

шеприведенных результатов предварительного анализа стохастических свойств временных рядов было установлено, что такой подход применим в случае построения модели по переменным динамики других депозитов физических лиц, дохода населения и обменного курса. С помощью методов регрессионного анализа и в рамках подхода Энгла – Грейнджера была построена эконометрическая модель, тестирование случайных отклонений которой подтверждает наличие коинтеграционного соотношения между перечисленными переменными:

St = –501,3 + 6,73Dt – 785,73ERt + et R2 = 0,835 (0,006) (0,00) (0,00) DW = 0,521 P

ADF = 0,007 (1),

где в скобках под коэффициентами модели приведены значения доверительных вероятностей Р для tстатистик коэффициентов, свидетельствующие в пользу их сильной статистической значимости; R2 – значение коэффициента детерминации; DW – статистика Дарбина – Уотсона, согласно которой принимается вывод о наличии коинтеграции в рамках теста CRDW (Cointegrating Regression Durbin–Watson Test); P

ADF – зна

чение доверительной вероятности в тесте ADF для случайных отклонений модели (1), по которому можно также сделать вывод о стационарности случайных отклонений. Полученное коинтеграционное соотношение (1) позволяет построить модель коррекции ошибок (ЕСМ – Error Correction Mechanism) для других рублевых депозитов населения, которая имеет следующий вид:

∆St = 802,04 + 0,622∆Dt – 598,67∆ERt + 4,27Rt–1 – 7,945Pt – 246,41M1t – (0,038) (0,068) (0,0002) (0,0097) (0,022) (0,0001)

– 246,6D201308 – 301,9D201509 – 0,12et–1 + ut (2),(0,0008) (0,0001) (0,098)

где M1 – фиктивная переменная, моделирующая сезонность в янва

ре месяце, D201308 и D201509 – фиктивные переменные, корректирующие аддитивные выбросы в августе 2013 г. и сентябре 2015 г. соответственно; в скобках приведены соответствующие Pзначения для принятия гипотезы о статистической значимости переменных модели. Все факторы в модели (2) можно принять статистически значимыми на уровне значимости α = 0,10. В таблице 2 для модели (2) также приведены: значение коэффициента детерминации R2 и значение доверительной вероятности PF для принятия вывода о его статистической зна

чимости; значение статистики Дарбина – Уотсона DW для проверки отсутствия автокорреляции, а также значения доверительных вероятностей PJB – статистики Жака – Бера для подтверждения гипотезы о нормальном распределении случайных отклонений, PWh – статистики теста Вайта на гомоскедастичность и значение средней относительной ошибки в процентах MAPE. Гипотезу о неавтокоррелированности остатков также подтвердил анализ значений выборочной автокорреляционной функции и выборочной частной автокорреляционной функции. Статистической значимости параметров модели при указанном уровне значимости достаточно с учетом цели построения модели, заключающейся в прогнозировании, выполнении предпосылок Гаусса – Маркова, полученном

удовлетворительном прогнозном качестве модели согласно MAPE.

Значения критериев оценки качества модели (2)

R2 PF DW PJB DW PWh MAPE

0,747 0,00 1,938 0,526 1,938 0,596 5,373Примечание. Разработка авторов на основе расчетов в пакете EViews 10.

Таблица 2

67



Результаты оценивания моделей (1) и (2) подтверждают, что основными факторами, определяющими динамику других (срочных) рублевых депозитов населения Беларуси, являются доходы населения, динамика курса белорусского рубля по отношению к доллару США, уровень инфляции и процентная ставка по вновь привлеченным другим рублевым депозитам физических лиц. Направления влияния факторов соответствуют предположениям, описываемым выше, результатам, полученным ранее другими исследователями, и теоретическим постулатам. Так как другие рублевые депозиты населения Республики Беларусь являются составной частью сбережений, то их объем определяется, с одной стороны, доходами населения, с другой – ставкой процента по другим депозитам в национальной валюте для физических лиц, которая выступает характеристикой их доходности. Если рассматривать показатели инфляции и девальвации как индикаторы финансовой устойчивости и, следовательно, как индикаторы степени доверия населения к банковской системе, то, согласно (2), спрос на другие рублевые депозиты тем выше, чем ниже ожидания населения относительно будущих значений инфляции и девальвации и чем выше уровень финансовой устойчивости.

Поскольку на основании полученных результатов тестирования модель (2) можно считать статистически адекватной, далее можно приступить непосредственно к прогнозированию объема других рублевых депозитов физических лиц на 2018 г. Значение средней относительной ошибки в процентах для прогнозных значений на 2018 г. составило 1,7% и может считаться удовлетворительным. Сравнение динамики других рублевых депозитов населения Республики Беларусь с динамикой их спрогнозированных согласно модели (2) значений можно провести на основании графиков, представленных на рисунке 10. Проведенный анализ и результаты тестирования свидетельствуют в пользу того, что полученная модель может быть использована для прогнозирования сбережений

в других рублевых депозитах на краткосрочных временных интервалах.

Выполненное исследование было посвящено анализу структуры и динамики сбережений населения в организованной форме и эконометрическому исследованию факторов, воздействующих на объем других депозитов физических лиц в национальной валюте. Была изучена сущность депозитной политики. Одной из главных функций коммерческого банка является аккумуляция временно свободных денежных средств в депозиты, так как одним из наиболее надежных источников ресурсов для коммерческого банка для поддержания его ликвидности являются депозитные операции. Был проведен статистический анализ факторов, оказывающих влияние на широкую денежную массу. В статистическом анализе более подробно рассматривалось, какие показатели оказывают влияние на рублевые депозиты населения. Спрос на вклады в рублях, как правило, связан с повышающимися доходами населения, замедлением скорости инфляции и относительной стабильностью обменного курса национальной валюты. В такие периоды депозиты в белорусских рублях являются самыми привлекательными как с точки зрения диверсификации

сбережений, так и в плане повышения доходности вкладчиков.

В ходе работы была проведена оценка влияния с использованием эконометрической модели в пакете «EViews 10». Построена эконометрическая модель, показывающая зависимость срочных депозитов населения в белорусских рублях от различных факторов. Модель проверена на выполнение предпосылок МНК, полученные оценки коэффициентов являются наилучшими линейными несмещенными оценками. Построен прогноз объема других рублевых депозитов физических лиц на 2018 г.

На основе проведенного исследования можно сформировать ряд рекомендаций. Для того чтобы поддерживать положительную тенденцию в приросте депозитов населения в национальной валюте, необходимо обеспечить рост реальных доходов населения, сохранить положительную реальную процентную ставку по финансовым активам. Также необходимо обеспечить поддержание стабильного курса национальной валюты и поддержание уровня инфляции в границах, определенных Основными направлениями денежнокредитной политики Республики Беларусь.

* * *Материал поступил 29.11.2019

Динамика других рублевых депозитов населения Республики Беларусь и их прогнозных значений

Примечание. Разработка авторов на основе расчетов в пакете EViews 10 и данных Национального банка.

Рисунок 10

4 1004 0003 9003 8003 7003 6003 5003 4003 3003 2003 100

Млн. руб

.

Янва

рь 2

018

г.

Фев

раль

2018

г.

Мар

т 2

018

г.

Апре

ль

2018

г.

Май

201

8 г.

Ию

нь

2018

г.

Ию

ль

2018

г.

Авг

уст

201

8 г.

Сен

тяб

рь 2

018

г.

Окт

ябрь

201

8 г.

Другие рублевые депозиты населения

Прогнозные значения других рублевых депозитов населения

68




1. Абакумова, Ю.Г. Моделирование нормы сбережений населения: эконометрический анализ панельных данных / Ю.Г. Абакумова // Экономика и управление. – 2009. – № 4. – С. 116–121.

2. Абакумова, Ю.Г. Моделирование рынка сбережений населения Республики Беларусь / Ю.Г. Абакумова // Устойчивое развитие экономики: состояние, проблемы и перспективы: материалы I Междунар. науч. конф. / Полесский гос. ун-т Респ. Беларусь; ред-кол.: К.К. Шебеко [и др.]. – Пинск, 2007. – С. 3–5.

3. Безбородова, А.В. Анализ и прогнозирование срочных депозитов населения Беларуси / А.В. Безбородова // Банкаўскі веснік. – 2012. – № 34. – С. 31–39.

4. Власенко, М.Н. Эконометрическое моделирование депозитов в условиях финансово-экономического кризиса / М.Н. Власенко // Банкаўскі веснік. – 2010. – № 7. – С. 24–28.

5. Комков, В.Н. Эконометрическая модель для прогнозирования динамики и структуры денежной массы / В.Н. Комков, Ю.Г. Абакумова // Труды МИУ. – 2008. – № 1. – С. 76–81.

6. Кузюк, И.Ю. Анализ и прогнозирование спроса населения на депозиты / И.Ю. Кузюк, А.Ю. Абакумова, В.В. Куфто // Банковский бизнес и финансовая экономика: современное состояние, глобальные тренды и перспективы развития = Banking Business and Financial Economy: Modern State, Global Trends аnd Prospects of Development: тез. докл. III Междунар. науч.-практ. конф. молодых ученых / БГУ, эконом. фак.; редкол.: Л.И. Стефанович (гл. ред.) [и др.]. – Минск: БГУ, 2018. – С. 210–218.

7. Маркова, О.М. Коммерческие банки и их операции: учеб. пособие / О.М. Маркова. – М.: Банки и биржи, 2009. – 288 с.

8. Миксюк, А.Ю. Регрессионная модель анализа срочных депозитов населения / А.Ю. Миксюк // Банкаўскі веснік. – 2006. – № 8. – С. 20–28.

9. Об изменении классификации банковских вкладов (депозитов) в Республике Беларусь [Электронный ресурс] // Национальный банк Республики Беларусь. – Режим доступа: https://www.nbrb.by/press/?id=4580/. – Дата доступа: 20.04.2019.

10. Статистический бюллетень [Электронный ресурс] // Национальный банк Республики Беларусь. – Режим доступа: https://www.nbrb.by/Publications/bulletin/Stat_Bulletin_2019_03.pdf. – Дата доступа: 25.04.2019.

11. Консолидированная финансовая отчетность за 2018 год [Электронный ресурс] // ОАО «АСБ Беларусбанк». – Режим досту-па: https://belarusbank.by/site_ru/34796/Otchetnost-ASB-Belarusbank-2018.pdf. – Дата доступа: 30.04.2019.

12. Годовая финансовая отчетность за 2018 год [Электронный ресурс] // ОАО «Белагропромбанк». – Режим доступа: https://www.belapb.by/cms/images/%201-4%202018.pdf. – Дата доступа: 30.04.2019.

13. Плешкун, А. Сбережения населения: оценка, тенденции, факторы роста / А. Плешкун, С. Румас // Банкаўскі веснік. – 2010. – № 9. – С. 20–25.

14. Абакумова, Ю.Г. Прогнозирование других (срочных) депозитов населения Беларуси / Ю.Г. Абакумова, И.Ю. Кузюк, В.В. Куфто // Беларусь 2030: государство, бизнес, наука, образование: V Междунар. науч. конф. / Белорусский гос. ун-т. – Минск, 2018. – С. 9–12.

15. Сребник, Б.В. Рынок ценных бумаг: учеб. пособие / Б.В. Сребник. – М.: КНОРУС, 2014. – 288 с.

16. Abakumova, J. Financial savings of Belarusian households: trends and determinants / J. Abakumova, I. Kuziuk, V. Kufto // Національні та світові фінансово-економічні системи в умовах сучасних викликів: матеріали Міжнародної науково-прак-тичної конференції студентів, аспірантів та молодих вчених / редкол.: І.Г. Лук'яненко, О.К. Прімєрова. – Київ: Інтерсервіс, 2019. – С. 5–8.

17. Рейтинг банков Беларуси [Электронный ресурс]. – Режим доступа: https://myfin.by/banki/rating. – Дата доступа: 01.03.2019.

Econometric Modelling of the Belarusian Households’ Deposits

Irina KUZYUK, Consultant Analyst, TopSoft Ltd., Minsk, Republic of Belarus, e-mail: [email protected].

Victoria KUFTO, Master’s Degree Student, Faculty of Economics, Belarusian State University; Junior Scientific Researcher, Scientific and Research Economic Institute, Minsk, Republic of Belarus, e-mail: [email protected].

Abstract. Efficient functioning of the financial and investment mechanism presumes attraction of the economic entities’ money savings and their transformation into investments, i.e. the use of financial savings as resources to invest in the economy. In this context, the issue of improving the economic policy designed to increase the volume of the households’ organized financial savings, as well as to improve their quality, namely, the growth of share of deposits in the national currency, is still an urgent one.

Keywords: households’ savings; natural persons’ deposits; deposit policy; errors correction model; forecasting.

НАША ИСТОРИЯ

69


Нобелевский лауреат из Пинскаментальные академические курсы в этом институте способствовали приобретению будущим нобелевским лауреатом глубоких знаний по экономике, истории, демографии, статистике, естественным наукам [2, с. 7–74]. На рубеже 1920–1921 гг. ход занятий в Харьковском коммерческом институте был прерван событиями Гражданской войны и проводимой советскими властями реорганизацией института, сопровождавшейся преследованием и изгнанием многих его ученых.

После двух лет учебы в институте Шимен начал работать в бюро статистики труда при правительстве советской Украины и вскоре был назначен руководителем одной из секций бюро [3, с. 83–85]. В 1921 г. в сборнике «Материалы по статистике труда на Украине» была опубликована первая его статья «Денежная заработная плата рабочих и служащих фабричнозаводской промышленности г. Харькова в 1920 г.». В ней он исследовал динамику различных форм оплаты труда по отраслям промышленности в Харькове и дифференциацию доходов в зависимости от систем оплаты труда [4].

По условиям советскопольского договора, подписанного 18 марта 1921 г. в Риге, Пинск в составе Западной Беларуси отходил к Польше, и поскольку, согласно договору, все родившиеся на территории вновь образовавшегося государства могли получить польское гражданство, семья перебралась в Польшу [5, с. 228]. Оттуда Шимен и его старший брат Соломон в 1922 г. уехали в НьюЙорк, где проживал отец. Мать, которая была серьезно больна, умерла в Варшаве.

Высшее образование Саймон завершал в Колумбийском университете в США. Отец сменил фамилию на Смит («кузнец»), а Саймон и за рубежом сохранил свою оригинальную фамилию, изменив на американский манер лишь имя.

В 1923 г. Кузнец получил степень бакалавра, а в 1924 г. – магистра по экономике. В качестве своей магистерской диссертации он представил написанную в Харькове работу «Экономическая система дра Шумпетера, излагаемая и критикуемая». Это исследование является интересным источником, характеризующим становление научных взглядов автора в их связи с идеями ученых харьковской экономической школы начала XX в. [6].

Затем под руководством видного американского экономиста У.К. Митчелла (1874–1948), крупного специалиста в области теории циклов, представителя гарвардской школы политэкономии, Кузнец продолжил занятия наукой в аспирантуре Колумбийского университета. Их сотрудничество продолжалось впоследствии в Национальном бюро экономических исследований. В 1926 г. Саймон был удостоен степени доктора наук, защитив диссертацию по теме «Циклические колебания: розничная и оптовая торговля в Соединенных Штатах в 1919–1925 гг.» («Cyclical Fluctuations: Retail and Wholesale Trade, United States, 1919–1925»). Диссертация молодого

Юрий ГРУЗИЦКИЙ

Институт истории НАН Беларуси, старший научный сотрудник, кандидат исторических наук, Республика Беларусь, г. Минск, e-mail: [email protected]

Саймон Смит Кузнец (англ. Simon S. Kuznets), до эмиграции – Шимен (Семен) Абрамович Кузнец, родился 30 апреля 1901 г. в Пинске, уездном полесском городке Минской губернии, в еврейской семье торговца мехами Абрама и Полины (урожденной Фридман). Он был средним из троих сыновей [1]. С детства владел идишем и русским языком. Его отец Абрам Исаакович Кузнец в 1907 г. эмигрировал в США, где собирался подыскать хорошую работу и вызвать к себе семью, но этому помешала Первая мировая война и разразившаяся революция. Шимен и двое его братьев остались с матерью, которая решила, что главное для детей – образование. Некоторое время семья жила в Киеве и в 1909 г. уже без эмигрировавшего в Америку отца переехала в Ровно, где проживали занятые в меховом деле родители матери и где Шимен вместе со старшим братом Соломоном обучались в городском реальном училище.

В связи с начавшейся Первой мировой войной и выселением евреев из прифронтовой полосы (командование отступавшей российской армии заявило, что еврейское население является сосредоточением шпионажа и пособничества неприятелю) в мае 1915 г. семья Кузнецов переехала в Харьков. В Харьковском реальном училище Шимен продолжил обучение и окончил его в 1917 г. После окончания местной гимназии Кузнец поступил на юридический факультет Харьковского коммерческого института. В период обучения в институте с 1918 г. по 1921 г. он изучил основные экономические дисциплины под руководством известных ученых того времени: А.Н. Анцыферова, С.Н. Бернштейна, М.Н. Соболева, И.А. Трахтенберга, П.И. Фомина и др. Фунда


70


ученого, посвященная циклическим колебаниям в розничной и оптовой торговле, была небольшой по объему, но глубокой по содержанию. В этой работе автор попытался отразить изменения в экономическом развитии через накопление статистической информации и понять эмпирическим путем закономерности экономического развития. Диссертация была опубликована в 1926 г. с предисловием Митчелла, который на следующий год пригласил Кузнеца на работу в недавно созданное Национальное бюро экономических исследований. В 1927 г. Семен Кузнец получает американское гражданство и, согласно сертификату о натурализации, принимает имя Cаймон Смит Кузнец – Simon Smith Kuznets [1]. Бюро оставалось научной базой Кузнеца вплоть до середины 1950х гг. Здесь им были выполнены исследования по национальному доходу и продукту и написан ряд работ об экономическом росте.

Первые научные труды Кузнеца в Национальном бюро экономических исследований под руководством У.К. Митчелла были связаны с анализом конъюнктуры и циклов. Саймон принадлежал к той группе статистиков и экономистов, которая направляла усилия не на построение общей теории конъюнктуры, а на точное установление фактов, касающихся циклических колебаний экономических процессов. Его работы того времени не были перегружены общими теоретическими выводами и являлись математическими по форме и эмпирическими по содержанию.

Значительное внимание ученый уделял прогнозированию процессов в экономических системах,

циклическим колебаниям в развитии хозяйственных структур. С. Кузнец рассчитал циклы спада и подъема экономики с периодом в 15–20 лет. Впоследствии они получили название «циклов Кузнеца» по имени экономиста. Для определения причин циклов он проанализировал следующие показатели: демографические; инвестиционные в капитальное строительство; движение капитала; динамику национального дохода и другие. В современной экономической науке циклы Кузнеца принято рассматривать в рамках инфраструктурных инвестиционных циклов. Современные экономисты трактуют их как аналог технологическим и инфраструктурным циклам. Считается, что циклы Кузнеца являются частью «большой кондратьевской волны», названной по имени известного советского ученого, ставшего жертвой сталинских репрессий, разработавшего теорию длинных экономических циклов, Н.Д. Кондратьева [7, с. 61].

Важным научноисследовательским проектом Национального бюро экономических исследований, руководство которым было поручено С. Кузнецу, стало изучение национального дохода США за период 1929–1932 гг. Далее исследование было расширено до 1919–1938 гг., затем до 1869 г. Министерство торговли решило начать составлять официальные оценки национального дохода и обратилось за помощью к Национальному бюро. Упоминание об этом имеется в публикации этого министерства: «Поскольку [в Национальном бюро] накоплен весьма обширный опыт исследований по оцениванию национального дохода, Бюро внешней и внутренней торговли решило пригласить одного из его сотрудников, а именно дра Саймона Кузнеца, для планирования и руководства этим исследованием. Др Кузнец, который руководил всем проектом, отвечал как за подготовку итоговых оценок, так и за содержание и текст отчета» [5].

Занимаясь расчетом официальных показателей американского валового национального продукта (ВНП), Кузнец критиковал применяемые экономистами в то время методы подсчета ВНП, в частности за то, что в нем не учитываются многие виды неоплачиваемой хозяйственной деятельности. Определение национального дохода должно быть не практическим упражнением в применении соответствующей методики, а отображать фактические изменения благосостояния народа, полагал ученый. Работы Кузнеца позволили проанализировать структуру национального дохода и подвергнуть детальному исследованию ряд частных проблем национальной экономики. Усовершенствованные им методы расчета национального дохода и связанных показателей стали классическими и легли в основу системы национальных счетов.

Разработка методов подсчета национального дохода основывалась у Кузнеца на единой теоретической концепции взаимозависимости между вычисленным объемом национального выпуска продукции за определенный отрезок времени (1 год) и соответствующим этому объему уровнем благосостояния. Он тщательно исследовал связь между благосостоянием и доходом при решении таких эмпирических проблем, как вклад в доход видов деятельности, находящихся за пределами рынков, изменение объема выпуска различной продукции, не получившей стоимостной

На фото: Саймон Кузнец


71


оценки. С. Кузнец анализировал состояние общественного сектора, стремясь к последовательности в обработке данных по движению промежуточных продуктов. Он внес ясность в общие представления о валовом и чистом продуктах страны, разработал методы их подсчета [8, с. 39]. Он был первым, кто разработал показатель внутреннего валового продукта в его современном понимании. Концепция ВВП появилась в докладе, который Кузнец подготовил для Конгресса США в 1934 г. В 1944 г. ВВП стал инструментом для измерения национальной экономики.

Исследования С. Кузнеца в области экономического роста можно разделить на три части. В первую очередь он считал, что общая теория экономического роста должна объяснять механизм развития передовых промышленных государств, причины, сдерживающие развитие стран; охватывать государства с рыночной экономикой и плановой, большие и малые, развитые и развивающиеся; объяснять влияние на экономический рост внешнеэкономических связей, войн и интервенций. Объектом наблюдений должны быть не регионы или промышленные районы, а страны по четырем ключевым элементам экономического роста: демографический рост, рост знаний, внутригосударственная адаптация к факторам роста и отношения между странами, которые войдут в единую общую теорию экономического роста.

Другая составляющая научной программы С. Кузнеца – исторические и статистические исследования роста населения и национального продукта и изменений в структуре экономики, сопровождающих этот рост.

Ученый показал, что современные темпы роста были достигнуты в процессе промышленных революций, произошедших в Англии между 1780 г. и 1820 г., в США – между 1810 г. и 1860 г. и в Германии – между 1820 г. и 1870 г. Там резкое повышение темпов экономического роста совпало со становлением капитализма как ведущей экономической системы. На ранних стадиях экономического развития в них наблюдалось ускорение темпов роста населения, причем и то, и другое сопровождалось технологическим прогрессом. Ядром эмпирических исследований С. Кузнеца является рост агрегированного продукта страны, который предусматривает глубокое преобразование структуры производства, отраслевой и профессиональной структуры занятости, распределение обязанностей внутри семьи и рыночную деятельность, структуры доходов с точки зрения факторов производства, численности, возрастного состава и территориального распределения населения, межгосударственных потоков товаров, капитала, рабочей силы и знаний, организации промышленности и государственного регулирования. Эти изменения, по мнению С. Кузнеца, являются условием совокупного роста, формируют, сдерживают или поддерживают экономическое развитие страны.

Третьей составляющей научной деятельности С. Кузнеца были теоретические исследования. Он выявил закономерности в изменениях разных показателей, в частности, что в долгосрочном периоде удельный вес накоплений в национальном продукте растет неодинаково с ростом национального дохода [9].

Ученый активно сотрудничал с правительством США: занимался оценкой национального дохода страны, разрабатывал систему национальных счетов, принимал активное участие в военноэкономическом планировании, используя методы линейного программирования. В годы Второй мировой войны (1942–1944) находился на государственной службе в Управлении военного производства, работал заместителем директора Бюро планирования и статистики при Министерстве военной промышленности США (1944–1946).

Оставив государственную службу, занимался преподавательской и научноисследовательской работой. С 1930 г. по 1954 г. Кузнец занимал должность профессора на кафедре экономики и статистики Пенсильванского университета. Позже (с 1954 г. по 1960 г.) он преподавал в университете Джона Хопкинса, а с 1960 г. и вплоть до выхода на пенсию в 1971 г. – в Гарварде [5]. В послевоенный период Саймон Кузнец был советником правительств ряда зарубежных государств – Тайваня, Южной Кореи, Японии, Израиля, Индии. Тем самым он содействовал становлению в этих странах национальных систем сбора и обработки экономической информации. Многие страны приглашали выходца из Беларуси поработать над созданием национальных систем объективной экономической информации.

Нобелевская премия по экономике 1971 г. была присуждена С. Кузнецу за работы по экономическому росту, в которых он идентифицировал новую экономическую эру, названную им «современным экономическим ростом». Практические исследования позволили С. Кузнецу наметить основные элементы общей концепции развития. Он показал, что экономический рост «нового типа» распространился с конца XVIII в. из Западной Европы на юг и восток и в конце ХІХ в. достиг России и Японии. Индикатором таких изменений, по мнению С. Кузнеца, служило увеличение каждое десятилетие среднедушевого дохода в среднем на 15%, не встречавшееся в более ранние исторические периоды [10, с. 78].

Как ученый и как личность С. Кузнец производил большое впечатление на современников. «…Уровень мышления Кузнеца и остальных участников был несопоставим… Когда все эти непрофессионалы запутывали какойнибудь вопрос, слово брал по своей инициативе или по просьбе председателя Кузнец, скромный, деликатный человек с тихим голосом, неторопливой и четкой профессорской речью... Никого не задевая, он быстро заменял туманные разговоры более или менее строгим анализом. Через десять – пятнадцать минут все становилось на свои места, и мы удивлялись, как мы этого раньше не понимали или не замечали. Его умение разложить сложный вопрос на простые и ясные составляющие восхищало», – вспоминал известный советский российский экономист А. Аникин о своих встречах с Саймоном Кузнецом осенью 1955 г. на заседаниях рабочих групп Экономической комиссии ООН для Азии и Дальнего Востока в Бангкоке [11, с. 11–12].

В бывшем СССР С. Кузнец рассматривался как буржуазный экономист, и советские идеологи


72


считали, что его методология не может быть применена к советской экономике. Многие основные работы С. Кузнеца не дошли до массового читателя, широкого круга экономистов, так как не были переведены на русский язык. Сегодня на постсоветском пространстве высоко оцениваются заслуги Кузнеца, состоящие в том, что «он первым увидел прямую взаимосвязь эпохальных нововведений при переходе от одной исторической эпохи к другой. Он первым сделал вывод, что эпохальные инновации обеспечивают революционное ускорение темпов экономического роста, под которым он подразумевал долгосрочное увеличение способностей хозяйства обеспечить все более разнообразные потребности населения с помощью более эффективных технологий и соответствующих им институцио нальных и идеологических изменений» [12, с. 3]. Научное

наследие, оставленное С. Кузнецом, оказало большое влияние на развитие как прикладной, так и фундаментальной экономической науки.

Работая в НБЭИ, С. Кузнец женился на своей коллеге Эдит Хандлер. У них было двое детей, дочь и сын. Саймон отличался скромностью, любил литературу и классическую музыку. Он ушел из жизни 8 июля 1985 г. в Кембридже, штат Массачусетс. В белорусском городе Пинске, на родине нобелевского лауреата, сохранилось здание бывшего реального училища, на стене которого в 2007 г. была установлена мемориальная доска с надписью, что это училище в разные годы окончили лауреат Нобелевской премии Саймон Кузнец и первый президент государства Израиль Хаим Вейцман. Имя Саймона Кузнеца присвоено общеобразовательной школе «БейсАгарон» в городе Пинске.


1. Куксин, И. Саймон Смит (Семен Абрамович) Кузнец [Электронный ресурс] / И. Куксин // «Заметки по еврейской исто-рии». – 2014. – № 2 (172). – Режим доступа: http://berkovich-zametki.com/2014/Zametki/Nomer2/Kuksin1.php. – Дата доступа: 11.10.2019.

2. Московкин, В.М. Саймон Кузнец и харьковская высшая экономическая школа начала ХХ ст. / В.М. Московкин, Д.Ю. Михайличенко // Экономическая система д-ра Шумпетера, излагаемая и критикуемая Саймоном Кузнецом / Харьков. нац. экон. ун-т. – Харьков: ИД «ИНЖЭК», 2013. – С. 7–34.

3. Московкин, В. Семен Кузнец: его профессиональное окружение в Харькове и первая научная работа / В. Московкин // Бизнес информ. – Харьков, 2002. – № 9–10. – С. 83–85.

4. Кузнец, С. Денежная заработная плата рабочих и служащих фабрично-заводской промышленности г. Харькова в 1920 году / С. Кузнец // Материалы по статистике труда на Украине. – Вып. 2. – Харьков, 1921. – С. 52–64.

5. Абрамовиц, М. Биография. Саймон Кузнец (1901–1985) [Электронный ресурс] / М. Абрамовиц / Simon Kuznets (1901–1985). By Moses Abramovitz // The Journal of Economic History. – March, 1986. – Vol. 46, № 1. – Р. 241–246. The Economic History Association, 1986 // Tesis: теория и история экономических и социальных институтов и систем. – М., 1993, Вып. 2. – С. 228–234. – Режим доступа: https://www.hse.ru/data/079/314/1234/2_4_2Abramov.pdf. – Дата доступа: 11.10.2019.

6. Кузнец, С. Экономическая система д-ра Шумпетера, излагаемая и критикуемая / С. Кузнец // Харьков. нац. экон. ун-т. – Харьков: ИД «ИНЖЭК», 2013. – С. 35–110.

7. Румянцева, С.Ю. Конъюнктурная карта мировой экономики и проблема неоиндустриализации России / С.Ю. Румянцева // Проблемы современной экономики. – 2016. – № 2 (58). – С. 60–64.

8. Нобелевские лауреаты XX века. Экономика. Энциклопедический словарь. – М.: «Российская политическая энциклопедия» (РОССПЭН), 2001. – 336 с.

9. Довбенко, М.В. Современные экономические теории в трудах нобелиантов: учеб. пособие для студентов высших учебных за-ведений, обучающихся по специальностям: 080100 «Экономика», 080200 «Менеджмент» [Электронный ресурс] / М.В. Довбенко, Ю.И. Осик. – М.: Акад. естествознания, 2011. – 305 с. – Режим доступа: https://www.monographies.ru/ru/book/section?id=4204. – Дата доступа: 11.10.2019.

10. Филатов, И.В. Теоретическое наследие С. Кузнеца и проблемы модернизации постсоциалистических стран / И.В. Филатов // Социально-экономическая трансформация в России. – М.: Моск. обществ. науч. фонд, 2001. – С. 77–98. – Серия «Научные доклады».

11. Аникин, А.В. Люди науки. Встречи с выдающимися экономистами / А.В. Аникин. – М.: «Дело Лтд», 1995. – 96 с.

12. Бондаренко, В.М. Наследие С. Кузнеца и перспективы экономического роста в XXI в. / В.М. Бондаренко // Горизонты эко-номики. – 2013. – № 4 (49). – С. 3–10.

Nobel Laureate from Pinsk

Yury GRUZITSKY, Ph.D. in History, Senior Scientific Researcher, Institute of History under the National Academy of Sciences of the Republic of Belarus, Minsk, Republic of Belarus, e-mail: [email protected].

Abstract. The key role in generation of the theory of economic growth belonged to the works of the American economist our fellow countryman S. Kuznets – a prominent representative of quantitative approach in economic science (a complex of methods of statistical data processing for the theoretical analysis of laws of economic system development and regulation of macro- and microeconomic processes). S Kuznets was a pioneer in this field.

Подписные индексы:индивидуальный – 74829ведомственный – 748292

ПОДПИСКА НА ЖУРНАЛ

Во всех отделениях РУП «Белпочта»

Подробную информацию вы можете получить в любом отделении почтовой связи, на сайте РУП «Белпочта» www.belpost.by.

Модель ms-varХ и ее применение для анализа бизнес ... · № 4...

Documents