http://ej.hse.ru ru-ru Copyright 2024 Fri, 15 Mar 2024 11:45:48 +0300 https://ej.hse.ru/2024-28-1/905406001.html Человеческий капитал, включающий знания, навыки и способности работников, является одним из ключевых факторов экономического роста. Вместе с тем количественные оценки его вклада в рост российской экономики немногочисленны и имеют различные ограничения, связанные с используемыми подходами и данными. В настоящей работе были получены новые оценки вклада человеческого капитала, отражающие его влияние на производительность труда. Для оценки динамики человеческого капитала использован индекс, характеризующий продолжительность полученного образования и состояние здоровья работников. Возможность включения в индекс других показателей человеческого капитала ограничена доступностью и качеством данных. Для оценки вклада человеческого капитала использованы счета экономического роста. Согласно полученным результатам, в 2004–2017 гг. накопление человеческого капитала обеспечивало в среднем порядка +0,6 п.п. ежегодного роста экономики. Наиболее высокие вклады пришлись на вторую половину 2000-х годов. В этот период накоплению человеческого капитала способствовал ряд благоприятных факторов, среди которых предшествующий рост доходов населения и многочисленность выходивших на рынок труда молодых и образованных поколений. Однако в 2010-е годы экономические и демографические факторы ухудшились, накопление человеческого капитала замедлилось, и к 2018–2019 гг. его вклад в экономический рост приблизился к нулевому. Последовавшее за этим ухудшение здоровья населения в период коронакризиса негативно отразилось на темпах экономического роста в 2020–2021 гг. https://ej.hse.ru/2024-28-1/905412463.html Данная публикация является продолжением статьи соавторов (см.: Экономический журнал ВШЭ, т. 27, № 3, с. 449–469), посвященной разработке OLG-модели с сектором высшего образования для репрезентативной страны, где сдается единый государственный экзамен. Ключевыми предпосылками модели, отличающими ее от ряда других, являются гетерогенность индивидов по параметру несклонности к риску, коэффициенту дисконтирования и набираемым баллам ЕГЭ. На основе предложенной модели можно исследовать реакцию ключевых макроэкономических показателей, таких как потребление, инвестиции, государственные расходы и выпуск в ответ на различные меры государственной политики в области высшего образования. В этой части работы проводится численное имитационное моделирование на основе спецификации, предложенной авторами в предыдущей статье. В работе анализируются различные сценарии государственной политики, направленные на стимулирование накопления человеческого капитала. Рассматриваются сценарии с выделением государством дополнительных денежных средств на высшее образование, иным распределением бюджетных ассигнований, изменением налоговых ставок и структуры бюджета. Также мы анализируем реакцию переменных на изменение дисперсии заработных плат индивидов. Калибровка модели проводится с использованием российских статистических данных. С помощью предлагаемой модели мы показываем важность учета микрооснований в анализе образовательной политики. Анализ на устойчивость оценок на примере калибровки распределений гетерогенных параметров из альтернативных распределений показал сильную чувствительность результатов исследования к выбору параметров функций распределения предпочтений и способностей индивидов, что указывает на необходимость корректного учета гетерогенности в рассматриваемых задачах. Без корректного учета гетерогенности в рассматриваемых задачах никакие оценки сценариев изменения образовательной политики не могут быть адекватными. https://ej.hse.ru/2024-28-1/905436203.html В статье строится прогноз региональной инфляции на примере субъектов, входящих в Приволжский федеральный округ (ПФО). Цель исследования – определить модель, которая точнее остальных прогнозирует региональную инфляцию. В работе производится сравнение инструментов машинного обучения – метода опорных векторов, градиентного бустинга и случайного леса с эконометрическими моделями временных рядов, авторегрессией и интегрированной авторегрессией-скользящего среднего, – моделями, которые чаще используются для прогнозирования общероссийской инфляции. По результатам исследования выявлены ключевые макроэкономические показатели, наиболее существенно влияющие на региональную инфляцию. В тройку таких для каждого региона ПФО входит значение инфляции в прошлом месяце, среднее значение инфляции и номер месяца. Показано, что модели машинного обучения не хуже справляются с задачей прогнозирования региональной инфляции на длительных временных периодах, в то время как эконометрические модели достаточно точно прогнозируют на краткосрочных временных горизонтах. https://ej.hse.ru/2024-28-1/905441794.html Оценка риска опционов в целях маржирования определяется на биржах с использованием коэффициентов чувствительности или фиксированных сценариев изменения риск-параметров. Подобные методы не могут точно оценить риск, так как не учитывают зависимость риска опционов от времени до исполнения. Эту зависимость необходимо принимать в расчет при моделировании ввиду изменчивости коэффициентов чувствительности с течением времени до исполнения и временной структуры риск-факторов. В работе осуществлена оценка влияния на риск опционов времени до исполнения и риск-параметров, обладающих зависимостью от времени: подразумеваемая волатильность, структура подразумеваемой волатильности и риск-премия за волатильность. Было доказано существование значимого тренда на возрастание оценки риска по мере приближения опциона к дате исполнения. При том возрастает не только средняя оценка риска, но и ее дисперсия. Для опционов со страйком, отличным от стоимости базового актива, тренд становится менее выраженным и точность оценки снижается по мере отдаления от центрального страйка. Но при равенстве страйка и стоимости базового актива тренд описывает динамику риска почти полностью. Было выявлено, что существует зависимость риска опциона от структуры подразумеваемой волатильности: относительное смещение волатильности значимо снижает уровень риска на центральном страйке, а расстояние смещения – повышает уровень риска. Важно отметить, что подразумеваемая волатильность хоть и фактически описывает волатильность стоимости опционов, но не влияет на уровень риска опционов. Риск-премия за волатильность является значимым фактором для описания риска опционов, но только для случаев парной регрессии. https://ej.hse.ru/2024-28-1/905443882.html The study investigates the predictive efficacy of various machine learning methodologies, encompassing Random Forest (RF) regression, Gradient Boosting (GB), Xtreme Gradient Boosting (XGBoost), Support Vector Regression (SVR), Least Absolute Shrinkage and Selection Operator (LASSO) regression, and a deep learning technique, specifically Long Short-Term Memory (LSTM). The benchmark method employed is the autoregressive (AR) model of order 1. With a focus on forecasting money demand for the Indian economy, a crucial component for achieving the Central Bank of India's inflation targeting objective, a comprehensive monthly dataset from 1997 to 2021 is utilized.The obtained results underline the robust predictive capabilities of the employed models concerning both narrow and broad money demand forecasts. By employing a range of evaluation metrics, the study rigorously compares the predictive performance of these models. Using the expanding window cross validation with time series split, the models are cross-validated to ensure accurate forecasts of monetary aggregates. Moreover, the Diebold – Mariano test is utilized to evaluate and compare the quality of forecasts.In particular, the research finds the superiority of LSTM and LASSO in predictive capabilities for narrow and broad money demand, respectively. These findings collectively contribute to enhancing the understanding of money demand prediction, thus facilitating informed decision-making within the realm of monetary policy. https://ej.hse.ru/2024-28-1/905450143.html In recent years, the Vietnamese economy has achieved significant accomplishments, with private investment playing a crucial role in these contributions. As the country entered the 21st century, the private sector's significance in Vietnam's economic development has been increasingly evident through the rising levels of investment, increased employment, greater contributions to the state budget, and overall GDP growth. This article aims to provide robust evidence of the short-term and long-term contributions of private investment to the remarkable economic growth of Vietnam from 2000 to 2022. The study collected data from all 63 provinces and municipalities of Vietnam during the period from 2000 to 2022. Using the collected data, the study employed the results of the Panel Mean Group (PMG) model, selected among three models (PMG, MG, DFE) through Hausman testing. Through the Dynamic Panel Threshold Model, the study accurately identified a maximum threshold ratio of Private investment/GDP at 32.2754%. Surpassing this ratio would lead to a situation of high inflation, an overheated economy, and exceeding production limits. Finally, causal inference from the panel data was utilized to analyze the relationship between private investment and other variables in the model. The study expanded the perspective on private investment's impact on economic growth. In the initial period, private investment activities encountered difficulties leading to inefficient investments and a negative impact on economic growth. However, with flexibility and good adaptability to the market, and efficient utilization of input factors, private investment made positive contributions to economic development over time. Furthermore, through causal inference testing, the study demonstrated a causal relationship between private investment and infrastructure investment, human capital, employment, government expenditure, and trade openness. Finally, the study proposed policy implications for the Vietnamese government to enhance the effectiveness of private investment and further contribute to economic growth.