Modelowanie makroekonometryczne polskiej gospodarki
Transkrypt
Modelowanie makroekonometryczne polskiej gospodarki
WORKING PAPER SERIES Modelowanie makroekonometryczne polskiej gospodarki - przegląd wybranych metod Katarzyna Lada Working Paper No. 12 (5/2007) http://www.sgh.waw.pl/sknfm/ STUDENT RESEARCH GROUP FOR INTERNATIONAL FINANCE WARSAW SCHOOL OF ECONOMICS Modelowanie makroekonometryczne polskiej gospodarki - przegląd wybranych metod Katarzyna Lada♣ Uniwersytet Warszawski, Wydział Nauk Ekonomicznych, Katedra Statystyki i Ekonometrii 11 czerwca 2007 Streszczenie Celem tego artykułu jest dokonanie przeglądu niektórych metod modelowania makroekonometrycznego oraz modeli stosowanych do analizy gospodarek Europy ŚrodkowoWschodniej (w tym Polski). Niezwykły dynamizm przemian strukturalnych i instytucjonalnych zachodzących w tych krajach sprawia, Ŝe modelowanie ich, wykorzystując nierzadko bardzo krótkie szeregi czasowe, jest niezwykle trudnym zadaniem. W artykule przedstawione zostały takie metody jak: modele parametrów zmieniających się w czasie (ang. time-varying parameter models), szacunkowe określanie parametrów (ang. guesstimation), model korekty błędem, przenoszenie próby na róŜne systemy i podejście panelowe. Do kaŜdej z powyŜszych metod dołączony został opis konkretnego modelu konstruowanego na jej podstawie. Na koniec przedstawiony został dodatkowy model polskiej gospodarki: HERMIN. PoniewaŜ problematyka modelowania polskiej gospodarki jest obecnie niezwykle często poruszana, dlatego poniŜszy przegląd siłą rzeczy jest niepełny. Słowa kluczowe: modelowanie makroekonometryczne, parametry zmieniające się w czasie, szacunkowe określanie parametrów, VECM, modelowanie panelowe, modele LAM, model W8D, model HERMIN Klasyfikacja JEL: E1, E2, C3, C5 ♣ WyraŜam szczególne podziękowanie dla dr Ryszarda Kokoszczyńskiego za pomoc i cenne uwagi na temat tekstu oraz dla prof. Wojciecha Charemzy za wskazówki dotyczące rozdziału 3. 1. Wstęp W ostatnich latach powstało szereg prac dotyczących modelowania procesów gospodarczych w krajach Europy Środkowo-Wschodniej, w tym Polski. Kraje te weszły w drugą fazę transformacji, która dotyczy późniejszych etapów transformacji i wiąŜe się z kontynuacją ogromnych zmian strukturalnych gospodarek. Z tego względu wszelkie sformalizowane modelowanie empiryczne tych gospodarek powinno być przeprowadzane z naleŜną starannością. Szczegółowa analiza jest niezwykle trudna z wielu powodów. Z jednej strony, niedobór danych i częste zmiany metodologiczne dostępnych wskaźników makroekonomicznych utrudniają identyfikację waŜnych zaleŜności ekonomicznych między podstawowymi agregatami makroekonomicznymi. Kraje te przeszły niezbędne reformy ustrojowe i gospodarcze, pozwalające im na odejście od systemu centralnego planowania i wkroczenie na drogę gospodarki rynkowej. Dlatego poprawnym jest stosowanie przy ich analizie teorii makroekonomicznych rozwijanych dla gospodarek rynkowych. NaleŜy jednak podkreślić, Ŝe w krajach tych procesy zmian strukturalnych i instytucjonalnych zachodzą wyjątkowo dynamicznie, co sprawia, Ŝe modelowanie ich, wykorzystując nierzadko stosunkowo krótkie szeregi czasowe, jest makroekonometrycznych niezwykle dla krajów trudnym zadaniem. przechodzących Ponadto transformację budowa modeli związana jest z rozwaŜaniami dotyczącymi struktury, do jakiej określona gospodarka dąŜy. Uchwycenie jej na podstawie wyestymowanych wielkości parametrów rozwaŜanych modeli jest często niemoŜliwe. W wielu przypadkach potrzebna jest dodatkowa wiedza na temat procesów zachodzących w danej gospodarce. Przy tym istnieje potrzeba rozwijania bardziej wyrafinowanych metod analizy ekonometrycznej, umoŜliwiającej konstruowanie modeli w oparciu o dane, które w wielu aspektach nie spełniają załoŜeń modeli klasycznych. Wszystkie wymienione czynniki ulegają stopniowej poprawie. Przede wszystkim, poprawiana jest stale jakość rachunków narodowych. Ponadto, powstaje szereg opracowań teoretycznych dotyczących mechanizmów gospodarczych w krajach transformujących się. Rozwijane są takŜe nowoczesne ekonometryczno-statystyczne metody analizy danych. W odpowiedzi na te zmiany, ewoluują równieŜ modele makroekonometryczne. Obecne modele mają coraz lepsze podstawy teoretyczne, konstruowane są na podstawie coraz bardziej wyrafinowanych metod ekonometrycznych i, dodatkowo, coraz bardziej wpasowują się w realia bieŜącej polityki gospodarczej (por. (Lada 2006)). 2 Modele, jakie powstały do tej pory, są to nierzadko tradycyjne modele keynesowskie, czyli oparte tylko na stronie popytowej gospodarki. Przykładami mogą być prace (Basdevant 2003), (Haan 2001) i (Wayerstrass 2001), w których przedstawiono modele gospodarek Słowenii, Macedonii i Estonii. Przyczynami budowania modeli popytowych dla gospodarek rozwijających się jest m. in. brak danych na temat wielkości kapitału, (por. (Basdevant 2002)), oraz fakt, Ŝe tego typu modele mają zazwyczaj prostą strukturę, (por. (Rudzkis 2005)). W krajach przechodzących transformację czynniki popytowe wpływają na wzrost gospodarczy poprzez zwiększenie efektywności gospodarowania oraz unowocześnianie i poprawę funkcjonowania przedsiębiorstw. Dodatkowo, w gospodarkach otwartych, poprzez napływ zagranicznych inwestycji bezpośrednich, wprowadzane są nowe technologie oraz nowe formy zarządzania i organizacji produkcji. Inwestycje zagraniczne odgrywają zatem istotną rolę w procesach przebudowy i modernizacji gospodarki. W modelach makroekonometrycznych gospodarek transformujących się wyodrębniane są niekiedy sektor państwowy i prywatny. Następnie, modelowane są zaleŜności ekonomiczne osobno dla kaŜdego z tych sektorów. Wynika to przede wszystkim z faktu, iŜ wpływ transformacji na oba te sektory jest diametralnie róŜny. Jest to podejście, które wymaga bardziej szczegółowej bazy danych niŜ w przypadku modeli opartych o dane zagregowane. Przykładami artykułów, w których zastosowane jest tego typu podejście są m.in. (Bennett 1995), w którym analizowana jest zaleŜność miedzy sektorem państwowym a prywatnym na podstawie makroekonomicznego modelu równowagi ogólnej oraz (Murrell 1993), w którym próbuje się znaleźć instytucjonalne wyjaśnienie wzrostu sektora prywatnego na podstawie dynamicznego modelu produkcji. Nierzadko w modelach konstruowanych dla krajów transformujących się zawarte są elementy teorii rozwijanej dla krajów o ustabilizowanej strukturze makroekonomicznej. Często standardowe miary jakości takich modeli okazują się być mało satysfakcjonujące. Wynika to w duŜej mierze ze zmian parametrów strukturalnych. Naturalnym podejściem w takich przypadkach jest szukanie przyczyny w drastycznych przemianach społeczno-gospodarczych oraz reformach zachodzących w gospodarce a niestabilność parametrów traktuje się jako dowody na istnienie załamań strukturalnych (ang. structural breaks1) oraz zmian w prowadzeniu polityki gospodarczej (ang. regime shifts). Modelowaniu załamań strukturalnych zostało poświęconych w ostatnim czasie szereg publikacji (np. (Hungnes 2004)). Istnieje wiele metod statystycznoekonometrycznych słuŜących modelowaniu szeregów czasowych w przypadku występowania 1 Tłumaczenie za (Mycielski 2001). 3 skokowej zmiany parametrów modelu. Narzędzia te stosowane są obecnie szeroko zarówno w badaniach empirycznych, jak i opracowaniach metodologicznych (np. (Gregory 1996) i (Matheu 2004) oraz wiele innych). Rozwój tych badań poprzedzony był spektakularnym rozwojem technik analizy niestacjonarnych szeregów czasowych, zwłaszcza szeregów makroekonomicznych (por. (Hendry 1994)). Dalsza część artykułu została skonstruowana następująco. W rozdziale 2 opisana została estymacja parametrów zmieniających się w czasie (ang. time-varying parameter (TVP) estimation). W następnym rozdziale 3 przedstawiona została technika zaproponowana przez prof. Wojciecha Charemzę szacunkowego określania parametrów modelu (ang. guesstimation). W rozdziale tym przedstawiony został równieŜ model zbudowany za pomocą tej techniki- model długookresowych dostosowań (ang. long-run adjustment models (LAM)). W kolejnym rozdziale 4 opisana została metoda stosowana przy konstrukcji modelu polskiej gospodarki W8-D, polegająca na przenoszeniu próby na róŜne systemy gospodarcze. Rodział 5 przedstawia zastosowanie modelowania panelowego przy konstrukcji modelu polskiej gospodarki. W rozdziale 6 przedstawiony został model polskiej gospodarki HERMIN. Artykuł kończy rozdział 7, w którym przedstawione zostały wnioski i kierunki dalszych badań. 2. Estymacja parametrów zmieniających się w czasie (ang. time-varying parameter (TVP) estimation) Najbardziej popularne metody budowy modeli makroekonometrycznych, to metody zakładające stałość parametrów w czasie. Jak juŜ zostało wspomniane, zmiany strukturalne występujące w krajach rozwijających się, przechodzących szereg reform gospodarczych i ustrojowych, są nierzadko źródłem zmienności parametrów modeli (por. (Tanizaki 2000)). Stąd teŜ niektórzy autorzy zaproponowali podejście, w którym parametry modelu są funkcjami czasu, czyli tzw. modele parametrów zmieniających się w czasie (ang. time-varying parameter (TVP) models). Tego typu modele odznaczają się wystarczającą elastycznością, aby wprowadzić do procesu estymacji moŜliwość uchwycenia zmiennego otoczenia. Estymacja TVP pozwala na zmiany wielkości parametrów w czasie (uwzględniając w ten sposób zmienność siły zaleŜności między zmiennymi w modelu), przy zachowaniu formy funkcyjnej poszczególnych równań. Modele parametrów zmieniających się w czasie generalnie moŜna podzielić na trzy grupy (Manohar Rao 2000): 4 1. Parametry modelu mogą się zmieniać w sposób deterministyczny. Przykładami takich modeli są od dawna znane modele regresji przełącznikowej (ang. switching regression models), na przykład prace: (McGee 1970), (Poirier 1976), (Quandt 1958). 2. Zmienne parametry modelu mogą stanowić stacjonarny proces stochastyczny. Przykładami tego typu modeli są m. in.: model współczynników czysto losowych (przedstawiony w (Rao 1965)) oraz model parametrów stochastycznie zbieŜnych (ang. stochastically convergent parameter regression) (przedstawiony w (Rosenberg 1973)). Zmienne parametry modelu mogą stanowić niestacjonarny proces stochastyczny. Jest to ostatnio najbardziej popularna klasa modeli parametrów zmieniających się w czasie. Najczęściej stosowanymi metodami estymacji tego typu modeli są metody przestrzeni stanów, stąd następująca postać regresji typu TVP: yt = β 0t + β 1t x1t + K + β Kt x Kt + ν t , ν ∼ N (0, σ ν2 ) (1) β i ,t = β i ,t −1 + ξ i ,t , ξ i ∼ N (0, σ i2 ) , i = 0, 1,K , K . (2) Zakłada się niezaleŜność zmiennych losowych ν i ξ i . Jak zostało podkreślone w (Tanizaki 2000), moŜna równieŜ zakładać, Ŝe parametry modelu są procesem autoregresyjnym wyŜszego rzędu. Ponadto oba równania mogą zawierać opóźnione zmienne zaleŜne y t −1 , y t − 2 , K . Równanie (1), w którym występuje zaleŜność parametrów od czasu, zostało nazywane równaniem pomiarowym (ang. measurement equation), natomiast równanie (2), w którym określone zostało, w jaki sposób parametry modelu zmieniają się w czasie, zostało nazywane równaniem przejścia (ang. transition equation). Jest to reprezentacja typowa dla modeli przestrzeni stanów, w których (podobnie jak w przypadku estymacji typu TVP) przynajmniej część parametrów jest nieobserwowalna i losowa. W modelach przestrzeni stanów zmienna yt zaleŜy od zmiennych objaśniających oraz od nieobserwowanego stanu, w jakim się znajduje. Zmieniające się w czasie parametry β i,t są nieobserwowalnymi zmiennymi losowymi. Estymacja zmiennej stanu moŜe być przeprowadzana na podstawie jednego z trzech estymatorów: estymatora prognostycznego (ang. prediction), filtrującego (ang. filtering) i wygładzającego (ang. smoothing). W bardzo uproszczony sposób mogą one być opisane następująco: załóŜmy, Ŝe dany jest warunkowy rozkład wektora β t przy dostępnym zbiorze informacyjnym za okres s. Estymator β t|s = E s ( β t ) nazywa się prognostycznym jeśli t > s, filtrującym dla t = s oraz wygładzającym jeśli t < s2. 2 Podział za (Tanizaki 2000), tłumaczenie własne. 5 NaleŜy podkreślić, Ŝe zmiany strukturalne gospodarki mogą wpływać na róŜne parametry w odmienny sposób. Jedne parametry mogą zmieniać się skokowo, inne w sposób ciągły. Analiza przeprowadzona w (Nyblom 1989) dowiodła Ŝe, specyfikacja zmienności parametrów postaci β t = β t −1 + ξ t pozwala na opis zarówno zmiany ciągłej, jak i skokowej (pozwalając na modelowanie zmian następujących w losowych momentach czasu objętego analizą). 3. Szacunkowe określanie parametrów (ang. guesstimation)3 Szacunkowe określanie parametrów (ang. guesstimation) oznacza estymację parametrów modelu z wykorzystaniem wnioskowania statystycznego i pewnych przypuszczeń oraz domysłów (ang. guesswork). Jest to metoda dająca wyniki mniej wiarogodne niŜ w przypadku estymacji i m.in. dlatego pojawia się niezwykle rzadko w literaturze ekonometrycznej. Z drugiej strony jednak naleŜy zaznaczyć, Ŝe niejednokrotnie dane nie pozwalają na przeprowadzenie tradycyjnej estymacji. Jak juŜ zostało wspomniane, zbyt krótkie szeregi czasowe, niestabilność parametrów oraz brak adekwatnych danych to problemy, przed którymi stoi większość ekonomistów pragnących modelować gospodarki stosunkowo młode. Dlatego w przypadku, gdy tradycyjne metody estymacji zawodzą, istnieje konieczność szukania alternatywnych metod określania parametrów modelu-jedną z nich jest właśnie guesstimation. Rozpatrzmy następujący model: y t = f ( y t , xt , ε t , θ ) , (3) gdzie: yt — wektor zmiennych endogenicznych, xt — wektor pozostałych zmiennych (zakłada się tu przynajmniej ich słabą egzogeniczność), ε t — wektor błędów θ — wektor nieznanych parametrów. Na model nie są nałoŜone ograniczenia typowe w przypadku tradycyjnej estymacji. W szczególności liczba obserwacji moŜe być mniejsza niŜ liczba nieznanych parametrów. Na przykład, jeśli model (3) jest statyczny i wszystkie zmienne wchodzące w skład wektora xt są silnie egzogeniczne, wówczas warunkiem koniecznym do przeprowadzenia analizy jest zaledwie jedna obserwacja. Natomiast w przypadku, gdy model (3) zawiera zmienne endogeniczne, opóźnione o jeden okres, potrzebne są co najmniej dwie obserwacje, itd. 3 Rozdział ten oparty jest w duŜej mierze o (Charemza 2002). 6 Model zawiera takŜe K przedziałów Θ 0 , określanych proporcjonalnie do przedziałów, w których, według początkowej wiedzy, powinny znajdować się nieznane parametry modelu. r Przedziały te charakteryzuje się za pomocą wartości ich środków θ ( 0) oraz długości Θ 0 . Wartości θ ( 0) odpowiadają początkowej najlepszej wiedzy analityka na temat wielkości r parametrów, natomiast długości przedziałów Θ 0 odpowiadają niepewności, jaka jest przypisywana tej początkowej wiedzy dotyczącej wielkości kaŜdego z parametrów. Dodatkowo w modelu moŜe być zawarta maksymalna liczba kroków (Nd), jaką naleŜy wykonać podczas procedury korygowania początkowych wartości parametrów. Przed wykonaniem pierwszego kroku obliczane są początkowe wartości funkcji kryterium. MoŜe to być zrobione wykorzystując początkowe wartości parametrów, θ ( 0) i rozwiązując model (3) dla ε t = 0 . W ten sposób zostanie otrzymana wartość teoretyczna zmiennej yt( 0) = f −1 endogenicznej jako funkcja początkowych wartości parametrów θ (0) : ( xt , θ ( 0) ) . Rozwiązanie to potrzebne jest do sformułowania prognozy zmiennej yt na h okresów (ŷt+h(0)), a następnie porównania otrzymanych wyników z realizacją zmiennej yt+h. Dokonywane jest to na podstawie funkcji kryterium: ϕ~ ( 0 ) = ϕ~ ( 0) ( y , yˆ ( 0) ) , h h (4) gdzie y h = [ yt +1 , y t + 2 , K y t + h ] oraz yˆ h( 0) = [ yˆ t(+01) , yˆ t(+02) , K , yˆ t(+0h) ] . Prostym przykładem funkcji kryterium moŜe być suma kwadratów błędów prognoz na jeden okres do przodu: T −1 ϕ~ ( 0 ) = ∑∑ ( y t +1 − yˆ t(+01) ) , (5) t =1 yt +1 gdzie symbol ∑ oznacza sumowanie po wszystkich zmiennych endogenicznych w modelu. yt +1 Mając te początkowe wartości, algorytm powtarzanego zgadywania (ang. repetitive guessings)4 wygląda następująco: 1. W kaŜdej iteracji j (iteracja oznacza tu poprawę wartości funkcji kryterium) uzyskane poprzednio (lub początkowe) przedziały, w których istnieje podejrzenie, Ŝe mogą znajdować się prawdziwe wielkości parametrów są modyfikowane zgodnie z określoną funkcją uczenia (ang. learning function) λΘ ( j ) : r Θ ( j ) = θ ( j −1) ± 12 Θ ( j −1) λΘ ( j ) . (6) 4 Algorytm ten został przez autora (Charemza 2002) nazwany powtarzającym się stochastycznym szacunkowym określaniem parametrów (ang. Repetitive Stochastic Guesstimation). 7 2. Następnie, ze zbioru K przedziałów Θ ( j ) generowana jest losowo bądź zgadywana próba K parametrów, θ i( j ) 5. Dla nich rozwiązywany jest model yi(,tj ) = f t −1 ( xt ,θ i( j ) ). (7) Następnie wyliczane są wielkości prognoz yˆ i(,hj ) (analogicznie do yˆ h( 0) ) oraz niewaŜonej i waŜonej funkcji kryterium (ang. unweighted / weighted criterion function). Odpowiednio: ϕ~i( j ) = ϕ~i( j ) ( y h , yˆ i(,hj ) ) (8) ϕ i( j ) = ϕ i( j ) [ y h , yˆ i(,hj ) , ω (θ i( j ) , λϕ ( j ))], (9) oraz gdzie: yˆ i(,hj ) = [ yˆ i(,tj+) 1 , yˆ i(,tj+) 2 K, yˆ i(,tj+) h ] , λϕ ( j ) — funkcja uczenia analogiczną do λΘ ( j ) , ω (.) — tzw. funkcja karnych wag (ang. penalty weight function). 3. W kaŜdej iteracji, kolejno, zaczynając od i = 1, wartości funkcji ϕ i( j ) porównywane są z otrzymaną w poprzedniej iteracji ϕ i( j −1) , a wartości funkcji ϕ~i( j ) z ϕ~i( j −1) . Jak podkreślił autor (Charemza 2002), często wygodnie jest przyjmować ϕ~i( 0) = ϕ i( 0) . Dla ustalenia uwagi, przyjęte zostało, Ŝe funkcja kryterium jest minimalizowana: — Jeśli ϕ i( j ) < ϕ i( j −1) oraz ϕ~i( j ) ≤ ϕ~i( j −1) , wtedy następuje kolejna iteracja (j = j + 1) i powtarzane są kroki 1-3. — Jeśli ϕ i( j ) > ϕ i( j −1) lub ϕ i( j ) < ϕ i( j −1) oraz ϕ~i( j ) > ϕ~i( j −1) , wówczas następuje kolejna replikacja w ramach tej samej iteracji (i = i + 1) i powtarzane są kroki 2-3. Z tych samych przedziałów generowana jest nowa próba K parametrów i powtarzane jest to do momentu uzyskania poprawy funkcji kryterium lub do momentu spełnienia określonego warunku stopu. WaŜnym problemem jest odpowiednie dobranie funkcji uczenia. Prostym przykładem funkcji uczenia jest: λΘ ( j ) = λΘ 1 + d Θ 5 j −1 Nλ , (10) W kaŜdej iteracji następuje kilka replikacji, oznaczonych indeksem i (tzn. wybór wielkości parametrów następuje kilkakrotnie), których liczba zaleŜy od momentu spełnienia warunków, o których mowa w punkcie 3. 8 gdzie λΘ jest stałą, która odzwierciedla wpływ procesu uczenia się na wartość karnych wag (ang. penalty weights), N λ jest stałą odwrotnie proporcjonalną do prędkości uczenia (ang. learning speed), a d Θ jest współczynnikiem dodatnim lub ujemnym w zaleŜności od tego, czy stosujący procedurę ma „awersję” czy „skłonność” do nauki (ang. learning aversion, learning eagerness). JeŜeli d Θ < 0 (tak jest zazwyczaj), wówczas analityk ma skłonność do nauki, tzn. ma duŜe zaufanie do wartości początkowych i kaŜda kolejna iteracja zmniejsza przedział, w którym szuka się parametrów. Natomiast jeśli d Θ > 0 , wówczas stosujący procedurę ma awersję do nauki i z kaŜdą iteracją, zwiększa się przedział, w którym szukane są parametry. Taka sytuacja ma zazwyczaj miejsce, gdy stosujący procedurę ma małe zaufanie do wartości początkowych oraz gdy istnieje podejrzenie, Ŝe rozkład parametrów jest wielomodalny. Funkcja uczenia λϕ ( j ) jest definiowana analogicznie. Mając daną postać funkcji λϕ ( j ) , mówi się, Ŝe karne wagi dla danej funkcji kryterium mają rozkład normalny z wariancją proporcjonalną do róŜnicy między aktualnie oszacowaną wielkością parametru a wielkością poprzednio określoną jako najlepsze przybliŜenie nieznanego parametru, jeśli: θ k( ,ji) − θ k( j ) n j ( ), λ ψ ∑ K ϕ θ k( j ) k =1 ( j) ω (θ i , λϕ ( j )) = Kn(0) K , (11) gdzie: n(.,.) oznacza funkcję gęstości standardowego rozkładu normalnego, a n(0) oznacza wartość funkcji gęstość rozkładu normalnego w zerze, θ k( ,ji) oznacza k-ty element wektora parametrów otrzymany w j-tej iteracji, w i-tej replikacji, θ k( j ) jest wielkością parametru otrzymanego w wyniku j - 1 iteracji, ψ k jest parametrem skali dla k-tego elementu wektora parametrów. Jeśli stosujący metodę uwaŜa, Ŝe taka sama jest moŜliwość odgadnięcia kaŜdego z elementów wektora θ , niezaleŜnie od jego wielkości, wówczas ψ k = 1 k dla kaŜdego k. W przeciwnym przypadku ψ k moŜe być róŜne dla róŜnych parametrów. Według autora (Charemza 2002), rozsądnie jest przyjąć wówczas, Ŝe wartości ψ k są odwrotnie proporcjonalne do wielkości (co do wartości bezwzględnej) k-tego parametru. 9 Algorytm opisany powyŜej, zaczerpnięty z artykułu (Charemza 2002), jest podobny do innych technik estymacji takich jak modelowanie przestrzeni stanów (por. (Min1993), (Cuthbertson 1992)) i pewne procedury Bayesowskie. 3.1. Modele długookresowych dostosowań (ang. long-run adjustment models (LAM)) W podrozdziale tym opisany zostanie kwartalny model LAM-3, przedstawiony w (Charemza 2002a), stosowany do symulacji i prognozowania gospodarczego w niektórych krajach Europy Środkowo-Wschodniej, w tym Polski. W procesie estymacji równań tego modelu wykorzystano techniki opisane w rozdziałach 2 i 3. Podstawowym wymaganiem stawianym modelom LAM jest ich prostota, łatwość manipulowania i uaktualniania. W modelu zawarte są generalnie dwa rodzaje relacji. Równania długookresowe oraz równania opisujące dynamikę krótkookresową, czyli równania opisujące odchylenia modelu od równowagi długookresowej. Zostały one otrzymane na podstawie dwuliniowego modelu wektorowo-autoregresyjnego (VAR)6 poprzez nałoŜenie odpowiednich ograniczeń. W przeciwieństwie do tradycyjnej ekonometrii, w przypadku modeli LAM kointegracja zmiennych, występująca w relacjach długookresowych, nie była testowana ale zakładana. Autorzy podkreślali Ŝe, szeregi czasowe dla krajów Europy Środkowo-Wschodniej są krótkie oraz brak jest wystarczająco obszernej bazy danych. Dlatego wszystkie parametry modelu zostały otrzymane na podstawie algorytmu guesstimation, wykorzystując w znacznym stopniu początkową wiedzę na temat wielkości parametrów modelu. Ponadto, Ŝeby poradzić sobie z problemem zmian strukturalnych, wszystkie strukturalne parametry modelu są zmienne w czasie. PoniŜszy opis równań modelu LAM-3 powstał na podstawie (Charemza 2002a). 3.1.1. Równania krótkookresowe W modelu zawartych jest dwadzieścia jeden równań krótkookresowych, w tym dziewięć toŜsamości opisujących relacje między sumą wydatków a sumą dochodów w gospodarce, agregaty pienięŜne, dochodowe i budŜetowe oraz definicję kosztów pracy. Pozostałe dwanaście równań to równania: 6 PoniewaŜ celem artykułu nie jest szczegółowa analiza ekonometrycznych aspektów konstrukcji modelu, dokładny opis dwuliniowego modelu VAR, który znajduje się w (Charemza 2002a), został pominięty, a uwaga została skupiona na merytorycznej stronie modelu. 10 — nie zawierające mechanizmu korekty błędem opisujące: dochody sektora rządowego, ceny energii, deflator produktu krajowego brutto (PKB) i wzór na narzut na płace nominalne; — osiem równań zawierających mechanizm korekty błędem opisujące m.in.: spoŜycie indywidualne, nierządowe nakłady inwestycyjne, handel zagraniczny, produkcję przemysłową, ceny dóbr konsumpcyjnych oraz płace realne. Istotą dynamiki krótkookresowej zawartej w modelu jest specyfikacja relacji między cenami a płacami na podstawie załoŜenia o istnieniu stopy bezrobocia nie wywołującego wzrostu poziomu inflacji (ang. non-accelerating inflation rate of unemployment NAIRU). Zakłada się, Ŝe w krótkim okresie ceny i płace ustalane są na niedoskonałych rynkach konkurencji oligopolistycznej. Płace są rezultatem negocjacji między związkami zawodowymi i firmami. W modelu zakładane jest więc, Ŝe płace są ustalane w relacji do oczekiwanych cen, natomiast ceny wynikają z wielkości marŜy powyŜej oczekiwanych kosztów. ZałoŜenie to wyraźnie wskazuje na to, Ŝe zarówno rynek dóbr, jak i rynek pracy nie są w równowadze i Ŝe transakcje zawierane są poza stanem równowagi. Ponadto model zakłada, Ŝe siła firm i związków zawodowych nie jest jednakowa. Dodatkowo, w krótkim okresie, poziom inflacji zaleŜy od tarć w polityce monetarnej (ang. monetary frictions) oraz szoków płacowych (ang. wage „surprises”). Wynika to z załoŜenia, Ŝe w gospodarce, oprócz jednostek ustalających ceny zgodnie z teorią konkurencji oligopolistycznej, występują jednostki gospodarcze działające w warunkach wolnej konkurencji (ang. free-competitors), dla których szoki płacowe natychmiastowo oznaczają zmianę cen. 3.1.2. Równania długookresowe W modelu zawarte zostały trzy relacje długookresowe. Pierwsza z nich jest prostą relacją Keynesowską, w której zostało przyjęte, Ŝe długookresowa elastyczność konsumpcji względem dochodu jest równa jedności. Pozostałe dwie relacje, opisujące zaleŜności dotyczące wielkości produkcji i realnej podaŜy pieniądza, są bardziej skomplikowane. Długookresowa wydajność produkcji została wyestymowana na podstawie załoŜenia o konkurencji oligopolistycznej z dodatkowymi załoŜeniami dotyczącymi pojęć kapitału zaleŜnego od wieku (ang. vintage capital) oraz pracy niereformowalnej (ang. non-reformable labour). Kapitał jest podzielony na przetwarzalny (ang. retrofittable) oraz nieprzetwarzalny (ang. non-retrofittable) i tylko kapitał przetwarzalny oraz nowo utworzony nieprzetwarzalny moŜe być optymalizowany w przedsiębiorstwach. Pojęcie pracy niereformowalnej jest ściśle związane z procesami prywatyzacyjmymi zachodzącymi w krajach Europy Środkowo-Wschodniej i utoŜsamiana jest ona z nieproduktywną siłą roboczą, która w początkowych latach transformacji systemowej 11 występowała głównie w odziedziczonym po systemie komunistycznym przemyśle cięŜkim i rolnictwie. Były to te obszary działalności gospodarczej, które niezwykle trudno było restrukturyzować. Dlatego do modelu zostało wprowadzone załoŜenie, Ŝe w przypadku tych sektorów, gdzie występuje praca niereformowalna niemoŜliwa jest minimalizacja oligopolistycznej funkcji kosztów. Generalnie zakłada się, Ŝe firmy minimalizują swoją funkcję kosztów7: cos t = ωLR + p K K R + p EN EN , (12) gdzie: LR i KR oznaczają odpowiednio pracę reformowalną oraz kapitał przetwarzalny, EN oznacza poziom zuŜytej energii, natomiast ω , pK i pEN to odpowiednio ceny pracy, kapitału i energii. Ograniczenia technologiczne w modelu określone są na podstawie funkcji produkcji Cobba-Douglasa ze stałymi korzyściami ze skali: YR = ALαR K Rβ EN 1−α − β , α > 0, β > 0, α + β < 1 , (13) gdzie YR jest wielkością produkcji związaną z pełną wydajnością pracy reformowalnej i kapitału przetwarzalnego. Minimalizując funkcję kosztów ze względu na wielkość produkcji z uwzględnieniem ograniczeń technologicznych, poprzez warunki pierwszego rzędu, otrzymuje się, Ŝe YR = FY LR , (14) gdzie FY = A( αω )1−α ( pβK ) β ( 1−pαEN− β )1−α − β . W modelu zakładane jest, Ŝe w krótkim okresie jedyny napływ reformowalnej siły roboczej jest poprzez odpływ z niereformowalnej siły roboczej LR = LR , −1 + ρ L LN , −1 , (15) gdzie dolny indeks „-1” oznacza poprzedni okres, a ρ L jest współczynnikiem odpływu siły roboczej. Analogicznie, poziom produkcji związany z pracą niereformowalną oznaczony przez YM moŜe być wyraŜony jako YN = (1 − ρ Y )YN , −1 , (16) gdzie ρ Y oznacza współczynnik rozpadu (ang. „decay” coefficient), tzn. współczynnik, który mierzy spadek poziomu produkcji, YN, w wyniku odpływu niereformowalnej pracy do pracy reformowalnej oraz związanych z tym zmianami produktywności. Oznaczając poziom całkowitej produkcji przez Y, otrzymuje się, Ŝe YN = (1 − ρ Y )YN , −1 = (1 − ρ Y )(Y−1 − YR , −1 ) = (1 − ρ Y )(Y−1 − FY LR , −1 ) . Stąd wzór na całkowity poziom produkcji jest następujący: 7 Oznaczenia stosowane w rozdziale są analogiczne do tych stosowanych w (Charemza 2002a). 12 (17) Y = YN + YR = ρ Y FY LR , −1 + (1 − ρ Y )Y−1 + ρ L FY L N , −1 . (18) Długookresowym rozwiązaniem jest zatem Y * = FY ( LR + gdzie * ρL * LN ) , ρY (19) oznacza długookresową wartość zmiennej. Równanie (19) stanowi drugą relację długookresową w modelu. Trzecia relacja długookresowa w modelu LAM-3 jest następująca: p * = α 0 + α1m + α 2 x + α 3 d , (20) gdzie p oznacza ceny dóbr konsumpcyjnych, m — podaŜ pieniądza, x — produkcję przemysłową, d — kurs dolara. Wszystkie zmienne zostały zlogarytmowane. Dla prostoty zapisu opuszczony został subskrypt t przy parametrach, mimo iŜ, jak juŜ zostało wspomniane na początku, zakładana jest ich zmienność w czasie. Równanie (20) moŜna zapisać w postaci m − p * = (1 − α 1 )m − α 2 x − α 3 d − α 0 , (21) która moŜe być interpretowane jako równanie popytu na pieniądz, pod warunkiem, Ŝe α 2 < 0 . Jeśli α 1 = 1 , wówczas równanie (22) wyraŜa długookresową neutralność pieniądza. Natomiast sytuacja, w której α 1 ≠ 1 pozwala na identyfikację poszczególnych etapów transformacji gospodarczej8. 4. Przenoszenie próby na róŜne systemy gospodarcze Modelując gospodarki krajów o stosunkowo krótkiej historii, jednym z najpowaŜniejszych problemów jest dysponowanie krótkimi szeregami czasowymi. DąŜąc do wydłuŜenia szeregu czasowego, wykorzystywane są nierzadko dane z okresu, w którym występowały zmiany systemów gospodarczych. Budowa modeli makroekonometrycznych na próbach obejmujących róŜne systemy gospodarcze wiąŜe się z licznymi problemami, zarówno natury metodologicznej jak i ekonomicznej. W Polsce w ciągu ostatnich 40 lat mieliśmy do czynienia z co najmniej czterema róŜnymi systemami, z których kaŜdy posiada określoną specyfikę i wymaga odmiennego podejścia do modelowania procesów gospodarczych w nich zachodzących: 8 Szczegółowa interpretacja przypadków, gdy α 1 ≠ 1 została opisana w (Charemza 2002a). 13 1. W socjalistycznym systemie centralnego planowania gospodarczego podstawowym problemem były trudności w modelowaniu popytu z uwagi na permanentną nadwyŜkę popytu nad podaŜą, co powodowało, Ŝe popyt jako taki był zmienną nieobserwowalną. 2. W systemie panującym zaraz po załamaniu modelu socjalistycznego najbardziej istotnym problemem były krótkie, a przede wszystkim mało wiarygodne szeregi czasowe, na podstawie których trzeba było budować modele. Związane to było z licznymi zmianami metodologicznymi w szacowaniu poszczególnych kategorii makroekonomicznych. 3. W okresie szybkiej transformacji gospodarki i wysokiego wzrostu gospodarczego (pierwsza faza transformacji) uwaga ekonometryków została zwrócona na modelowanie dostosowań krótkookresowych, które miały zupełnie inny charakter niŜ np. te z okresu gospodarki centralnie planowanej. 4. Obecnie, w okresie, który moŜna nazwać drugą fazą transformacji w gospodarce zachodzą zupełnie inne procesy niŜ wcześniej, dlatego modelowanie gospodarki wymaga innego podejścia i odmiennego formułowania równań modeli. Trudno na przykład zgodzić się z tezą, Ŝe postać funkcji popytu pozostała niezmieniona w stosunku do okresu gospodarki centralnie planowanej. Moim zdaniem, modele ekonometryczne, w których zmiany struktury procesów ekonomicznych nie zostały uwzględnione, nie mogą mieć zastosowania w praktyce, tzn. trudno jest uzyskać na ich podstawie wiarygodne wyniki symulacji i prognoz. 4.1. Model W8-D Przykładem modelu polskiej gospodarki, w którym wykorzystane zostały dane roczne z okresu 1960-1998, czyli okresu obejmującego trzy diametralnie róŜne systemy gospodarcze, jest model W8-D opisany w (Welfe, Florczak 2002). Niekwestionowaną zaletą modelu jest estymacja jego parametrów na podstawie próby zawierającej aŜ 39 obserwacji. W tym przypadku odpowiednia długość stosowanych szeregów czasowych jest warunkiem koniecznym, gdyŜ równania tego modelu były estymowane na podstawie nieliniowej metody najmniejszych kwadratów, a do oceny jakości modelu stosowane były standardowe testy statystyczne. PoniewaŜ jest to model estymowany na danych rocznych, dynamika równań jest ograniczona. Zasadniczo, w modelu przyjęte zostało opóźnienie o jeden okres. Specyfikacja równań oparta jest natomiast na wieloletnich doświadczeniach modelowania makroekonomicznego opisanych w literaturze przedmiotu. Jak podkreślili autorzy najbardziej uŜytecznym okazała się monografia poświęcona współczesnym technikom modelowania makroekonometrycznego (Bodkin 1991). Model posiada 14 mocne podstawy teoretyczne, a w jego konstrukcji istotną rolę odgrywają oczekiwania adaptacyjne. Jest to model, który powstał w celu prowadzenia długookresowych analiz polskiej gospodarki. Według autorów istnieje wiele argumentów przemawiających za tym, aby twierdzić, Ŝe parametry równań powyŜszego modelu pozostawały stałe w czasie9. Model składa się z pięciu grup równań: 1. równania dotyczące popytu i podaŜy dóbr i usług, 2. równania dotyczące produkcji, 3. równania dotyczące postępu technicznego10, 4. równania opisujące nierównowagę na rynku dóbr i rynku pracy, 5. równania dotyczące cen, płac i przepływów finansowych. W modelu zawarta jest takŜe wersja symulacyjna, która obejmuje dodatkowe równania pozwalające wygenerować potencjalne wartości podstawowych zmiennych makroekonomicznych, takich jak popyt, podaŜ, produkcja, czy zatrudnienie. Autorzy modelu podkreślili, Ŝe uzyskane przez nich wyniki świadczą o tym, Ŝe model prawidłowo opisuje polską gospodarkę i Ŝe moŜe być stosowany w długookresowym prognozowaniu makroekonomicznym oraz w przeprowadzaniu analiz symulacyjnych dotyczących alternatywnych scenariuszy rozwoju polskiej gospodarki. W ten sposób przeprowadzona estymacja świadczy (w opinii autorów) o tym, Ŝe w Polsce ukształtowała się określona struktura między podstawowymi wskaźnikami makroekonomicznymi. 5. Modelowanie panelowe Coraz większa dostępność danych makroekonomicznych nierzadko nie zmienia faktu, Ŝe szeregi wciąŜ wydają się zbyt krótkie, aby moŜliwa była wiarygodna ich analiza ekonometryczna. JeŜeli niemoŜliwe jest wykorzystanie dłuŜszych szeregów danych dla danego kraju, wówczas niektórzy autorzy zaproponowali konstruowanie modeli opartych na danych panelowych. Modele panelowe polegają na analizie danych dla grupy krajów w określonym przedziale czasowym, co pozwala na zwiększenie liczby obserwacji. Dane panelowe są to dane, które mają charakter zarówno próby przekrojowej jak i szeregu czasowego. W przypadku modeli makroekonometrycznych są to dane zawierające makroekonomiczne szeregi czasowe dla kilku 9 Dotyczy to zwłaszcza równań opisujących postęp technologiczny lub preferencje określonych sektorów gospodarki. 10 Postęp techniczy w modelu W8-D jest endogeniczny. 15 krajów. W podejściu tym zakładane jest, Ŝe moŜliwe jest przyjęcie jednego modelu prawidłowo opisującego procesy gospodarcze w nich zachodzące. Wymaga to nałoŜenia pewnych wspólnych ograniczeń dla wszystkich krajów wchodzących w skład panelu. Dzięki temu w znacznym stopniu zwiększona jest liczba obserwacji, na podstawie których estymowany jest model, co powinno pozwolić na zwiększenie precyzji szacunków parametrów. Oczywiście pozostaje kwestią otwartą w jaki sposób powinny być dobierane kraje do panelu tak, aby moŜliwe było nałoŜenie na nie wspólnego modelu makroekonomicznego. Dodatkowo, poprzez nałoŜenie wspólnego modelu na kilka krajów, utrudnione staje się wnioskowanie na temat siły związku w poszczególnych gospodarkach. Dlatego tego typu modele nadają się jedynie w bardzo ograniczonym zakresie do analizy pojedynczej gospodarki. 5.1. Modelowanie gospodarek Europy Środkowej i Wschodniej w ramach globalnego modelu ekonometrycznego NiGEM Model NiGEM jest globalnym kwartalnym modelem ekonometrycznym opracowanym przez londyński instytut National Institute of Economic and Social Research (NIESR). Podobnie jak model W8-D (opisany powyŜej), posiada on mocne podstawy teoretyczne. Jest to model neokeynesowski, w którym zakłada się nominalne sztywności uniemoŜliwiające szybkie reagowanie gospodarki na wydarzenia zagranicą. W przeciwieństwie do modelu W8-D, w modelu NiGEM zakładane są oczekiwania racjonalne. W modelu zawarta jest strona popytowa, podaŜowa oraz rozbudowany sektor pienięŜny i finansowy. Jest on szeroko stosowany w prognozowaniu i analizach polityki gospodarczej. W ramach tego modelu zostały połączone makroekonometryczne modele pięciu gospodarek Europy Środkowej i Wschodniej: Polski, Węgier, Czech, Słowenii i Estonii (por. (Barrel 2002)). Kraje uwzględnione w modelu oddziaływają na siebie poprzez handel, rynki finansowe i kapitałowe. Tworząc model panelowy narzucone zostały ograniczenia na wszystkie gospodarki, poprzez przyjęcie jednakowych wielkości niektórych parametrów. Ponadto, w celu uwzględnienia róŜnic w uwarunkowaniach instytucjonalnych, w przypadkach gdy dane wyraźnie wskazywały na istotne róŜnice między krajami, część parametrów pozostała specyficzna dla kaŜdego kraju. Połączenie kilku modeli w ramach jednego istniejącego juŜ modelu globalnego zapewnia, według autorów (Barrel 2002), zgodność projekcji wzrostu gospodarczego w poszczególnych krajach z projekcją wzrostu gospodarki światowej. Przy konstrukcji modelu szczególna uwaga została zwrócona na wpływ otwartości gospodarki i napływu inwestycji zagranicznych na produktywność i wzrost gospodarczy. 16 PoniŜej przedstawione zostały, w sposób skrótowy, podstawowe zaleŜności ujęte w modelu. Opis został zaczerpnięty z (Barrel 2002). Struktura modelu jest stosunkowo standardowa. Czynnikami łączącymi popyt krajowy, zagregowaną podaŜ i sektor zewnętrzny są: system płacowo-cenowy, dochody, sektor finansowy i sektor rządowy oraz konkurencyjność. Stronę podaŜową modelu określa funkcja produkcji typu CES, która wyznacza popyt na czynniki produkcji. Poziom płac wyznacza prosty proces negocjacyjny między pracownikami a pracodawcami dotyczący udziału pracy w całkowitej produkcji. Ceny krajowe wyznaczane są na podstawie wysokości marŜy, natomiast koszty produkcji liczone są jako średnia waŜona kosztów krajowych i cen towarów importowanych. Wielkość marŜy określana jest na podstawie elastyczności popytu, która jest procykliczna. Cykle koniunkturalne wyznaczane są natomiast na podstawie wielkości wykorzystania wydajności gospodarki11. System płacowo-cenowy wywiera wpływ na konkurencyjność gospodarki i dochody. Konkurencyjność, z kolei, wpływa na sektor zewnętrzny, a dochody wpływają na popyt krajowy poprzez konsumpcję prywatną. Dodatkowo system płacowo-cenowy wywiera wpływ na wysokość wydatków i dochodów sektora rządowego poprzez podatki pośrednie i transfery dla gospodarstw domowych. Sektor zewnętrzny wpływa na popyt krajowy poprzez wpływ na wielkość aktywów zagranicznych netto i dochody kapitałowe gospodarstw domowych. Z drugiej strony popyt krajowy oddziałuje na sektor zewnętrzny determinując import i wielkość bezpośrednich inwestycji zagranicznych. Natomiast bezpośrednie inwestycje zagraniczne wpływają na: — popyt krajowy, poprzez wpływ na inwestycje, — zagregowaną podaŜ, poprzez wpływ na produktywność, — sektor zewnętrzny, poprzez wpływ na eksport i import. Sektor finansowy wpływa na popyt krajowy oraz sektor rządowy poprzez wpływ na wysokość stóp procentowych, które z kolei wpływają z jednej strony na poziom inwestycji i konsumpcji, z drugiej zaś na wysokość oprocentowania długu publicznego. Sektor rządowy wywiera wpływ na poziom konsumpcji poprzez: — wysokość długu publicznego, który wpływa na wielkość bogactwa gospodarstw domowych oraz — wysokość podatków, które wpływają na wielkość dochodów do dyspozycji. Równania modelu skonstruowane zostały z wykorzystaniem mechanizmu korekty błędem, co pozwala na uchwycenie zarówno relacji długookresowych, jak i krótkookresowej 11 Wykorzystanie wydajności określane jest jako stosunek faktycznej wielkości produkcji do produkcji potencjalnej. 17 dynamiki. Jak podkreślili autorzy, jest to szczególnie istotne przy modelowaniu gospodarek transformujących się, gdzie dochodzenie do równowagi moŜe trwać znacznie dłuŜej niŜ w przypadku krajów o dojrzałej i ugruntowanej strukturze. Z drugiej strony, zawarcie w modelu mechanizmu powracania do równowagi zapewnia jego rozwiązywalność w przypadku prowadzenia analiz polityki gospodarczej na jego podstawie. 6. Model makroekonometryczny gospodarki polskiej: HERMIN W tym rozdziale opisany zostanie model gospodarki polskiej stosowany przez Ministerstwo Gospodarki. Jest to polska adaptacja makroekonomicznego modelu typu HERMIN. Modele typu HERMIN były wykorzystywane w latach 90-tych do badania procesów osiągania spójności obszarów peryferyjnych Unii Europejskiej. Wersja wykorzystywana przez Ministerstwo Gospodarki powstała w wyniku pracy ekspertów Wrocławskiej Agencji Rozwoju Regionalnego (WARR) we współpracy z irlandzkim Instytutem Badań Społeczno- Ekonomicznych (The Economic and Social Research Institute - ESRI). Polska wersja modelu powstała w celu analizy potencjalnego wpływu funduszy strukturalnych na sytuację makroekonomiczną Polski. Model HERMIN jest rocznym modelem zawierającym około 250 równań, z których wiele zostało włączonych jedynie w celu ułatwienia przeprowadzenia symulacji i zwiększenia przejrzystości. Zasadniczą część modelu stanowi mniejsza liczba równań, w tym około 20 równań behawioralnych. Liczba parametrów w równaniach behawioralnych została bardzo ograniczona oraz nie wprowadzone zostały opóźnienia. Wynika to z faktu, Ŝe model był estymowany za pomocą klasycznej metody najmniejszych kwadratów (KMNK), na szeregach czasowych zawierających niewielką liczbę obserwacji. W niektórych przypadkach, gdy niemoŜliwe było oszacowanie wielkości parametrów za pomocą KMNK, wielkości te były narzucane na podstawie znanych cech polskiej gospodarki12. Dodatkowo, wielkości parametrów były modyfikowane w oparciu o wielkości otrzymane dla innych krajów UE przechodzących proces osiągania spójności lub wówczas, gdy wyniki modelu były sprzeczne z teorią. Oczywistą wadą takiego podejścia jest słabe dopasowanie wyników do danych oraz nie uwzględnienie 12 Cytat za (Zaleski, Tomaszewski, Wojtasiak, Bradley 2004), s. 23. 18 dynamiki procesów gospodarczych. Dodatkowo niemoŜliwe jest formalne testowanie hipotez. PoniŜszy opis modelu został zaczerpniety z (Zaleski, Tomaszewski, Wojtasiak, Bradley 2004). W modelach typu HERMIN zawarte zostały zarówno elementy keynesowskie, jak i elementy teorii neoklasycznej. Początkowo powstały na bazie wielosektorowego modelu HERMES (skonstruowanego przez Komisję Europejską na początku lat osiemdziesiątych). Były po prostu uproszczoną wersją tego modelu, stworzoną w celu modelowania biedniejszych i mniej rozwiniętych wówczas gospodarek Unii Europejskiej (takich jak Irlandia, Irlandia Północna, Portugalia, Hiszpania, Grecja oraz włoskie Mezzogiorno). PoniewaŜ dostępność danych dla tych gospodarek była ograniczona, modelowanie w ramach modeli HERMIN było znacznie uproszczone. W niniejszym rozdziale opisana została uaktualniona i zrewidowana wersja modelu HERMIN dla Polski. Model HERMIN jest modelem czterosektorowym, składającym się z sektora przemysłowego, usług rynkowych, rolnictwa i usług nierynkowych. Zbudowany jest w oparciu o system rachunków narodowych. Strukturę modelu stanowią trzy bloki: blok podaŜowy, blok popytowy (absorpcja) oraz blok dystrybucji dochodów. Dodatkowo w modelu zawarte zostały relacje integrujące poszczególne bloki. W rozdziale tym (podobnie jak w (Zaleski, Tomaszewski, Wojtasiak, Bradley 2004)) przedstawione zostały jedynie równania wchodzące w skład wyŜej wymienionych bloków, pozostałe relacje zostały pominięte w celu zachowania czytelności opisu. Schemat modelu w formie blokowej przedstawia Tabela 1. Tabela 1. Schemat budowy modelu HERMIN BLOK PODAśOWY Sektor przemysłowy (głównie dobra podlegające obrotowi na rynku międzynarodowym) Produkcja = f1 (popyt światowy, popyt krajowy, konkurencyjność, t) Zatrudnienie = f2 (Produkcja, Współczynnik względnej ceny czynnika produkcji, t) Inwestycje = f3 (Produkcja, Współczynnik względnej ceny czynnika produkcji, t) Zasoby kapitału trwałego = (1-δ)Inwestycje + zasoby kapitału trwałegot-1 Cena produkcji = f4 (Cena światowa*Kurs wymiany, Jednostkowe koszty pracy) Stawka płac = f5 (Cena produkcji, Klin podatkowy, Bezrobocie, Wydajność) Konkurencyjność = Krajowe/Światowe ceny produkcji Sektor usług rynkowych (głównie dobra niepodlegające obrotowi na rynku międzynarodowym) Produkcja = f6(Popyt krajowy, Popyt światowy) Zatrudnienie = f7 (Produkcja, Współczynnik względnej ceny czynnika produkcji, t) Inwestycje = f8 (Produkcja, Współczynnik względnej ceny czynnika produkcji, t) Zasoby kapitału trwałego = Inwestycje + (1-δ)zasoby kapitału trwałegot-1 Cena produkcji = Narzut na Jednostkowe koszty pracy Inflacja płacowa = Inflacja płacowa w sektorze przemysłowym 19 Rolnictwo i usługi nierynkowe: głównie egzogenicznie i/lub instrumentalnie Demografia i siła robocza w aspekcie podaŜowym Wzrost liczby ludności = f9(Przyrost naturalny, Migracje) Siła robocza = f10 (Ludność, Stopa udziału siły roboczej) Bezrobocie = Siła robocza-Zatrudnienie ogółem Migracje = f11 (Względne oczekiwane płace) BLOK POPYTOWY (ABSORPCJA) SpoŜycie = f12 (Dochody osobiste do dyspozycji) Popyt krajowy = SpoŜycie prywatne i publiczne + Inwestycje + Zmiany w zasobach kapitału trwałego Bilans handlowy = Produkcja ogółem - Popyt krajowy BLOK DYSTRYBUCJI DOCHODÓW Ceny wydatków = f13 (Ceny produkcji, Ceny importu, Stawki podatków pośrednich) Przychody = Produkcja ogółem Dochody osobiste do dyspozycji = Przychody + Transfery + Podatki bezpośrednie Rachunek obrotów bieŜących = Bilans handlowy netto + Dochody z zagranicy netto PoŜyczki sektora publicznego = Wydatki publiczne - Stawki podatkowe*Baza podatkowa Dług sektora publicznego = (1 + Stopa procentowa)Długt-1 + PoŜyczki sektora publicznego Kluczowe zmienne egzogeniczne Zewnętrzne: Produkcja światowa, kursy walutowe, stopy procentowe Krajowe: Wydatki publiczne, stawki podatkowe Źródło: (Zaleski, Tomaszewski, Wojtasiak, Bradley 2004), s.11 W modelu HERMIN załoŜone zostało, Ŝe w określaniu wielkości produkcji w sektorze przemysłowym znaczącą rolę odgrywa zarówno popyt wewnętrzny jak i zewnętrzny. Na produkcję w tym sektorze wpływa równieŜ rzeczywisty jednostkowy koszt pracy oraz stosunek cen krajowych do cen światowych (warunki konkurencyjności w zakresie cen i kosztów). Dodatkowo w równaniu dodano trend liniowy: log(OT ) = α 1 + α 2 log(OW ) + α 3 log(ULCT / POT ) + α 4 log( FDOT ) + α 5 log( POT / PWORLD ) + α 6 t (21) gdzie: OT — wartość dodana w przemyśle, OW — popyt światowy, FDOT — popyt krajowy, ULCT⁄POT — rzeczywisty jednostkowy koszt pracy, POT⁄PWORLD — stosunek cen krajowych do cen światowych. W sektorze usług rynkowych równanie produkcji ma następującą, prostą postać: log(ON ) = α 1 + α 2 log( FDON ) + α 3 t , 20 (22) gdzie: ON — produkcja usług rynkowych, FDON — miara popytu krajowego na usługi13. W rolnictwie natomiast wielkość produkcji modelowana jest na podstawie odwróconego równania wydajności pracy, a w sektorze publicznym determinowana jest przez wielkość zatrudnienia. W celu nałoŜenia ograniczeń popytu na czynniki produkcji, do modelu włączona została funkcja produkcji, która działa jako ograniczenie technologiczne. Zaproponowana została funkcja typu CES, która została nałoŜona zarówno na sektor przemysłowy (oznaczony literą T) jak i sektor usług rynkowych (N): 1 O = A exp(λt )[δL− ρ + (1 − δ ) K − ρ ] ρ , (23) gdzie: O – wartość dodana, L — wielkość zatrudnienia, K — zasób kapitału, ρ — stała elastyczności substytucji, δ — parametr intensywności czynnika, λ — współczynnik postępu technologicznego Hicksa, A — parametr skali. Mając wyliczoną na podstawie równania (22) wielkość produkcji oraz względne ceny czynników produkcji (kapitału i pracy), obliczona została wielkość popytu na czynniki produkcji. Zostało to dokonane na podstawie neoklasycznej optymalizacji kosztów, przy zastosowaniu ograniczeń danych powyŜszą funkcją produkcji. Zatem w obydwu sektorach, przemysłowym i usług rynkowych, ograniczenia popytu na czynniki produkcji kształtowane są na podstawie identycznej formy funkcyjnej. RóŜnica tkwi w wielkości oszacowanych parametrów oraz sposobie określania wielkości produkcji. W sektorze przemysłowym produkcja, w przeciwieństwie do usług rynkowych, podlega w głównej mierze wymianie międzynarodowej. Popyt na pracę w rolnictwie określany jest za pomocą malejącego trendu czasowego, co wynika z obserwacji, Ŝe (podobnie jak w Irlandii i Portugalii) zatrudnienie w polskim rolnictwie ma tendencję spadkową. Natomiast w przypadku zasobów kapitału w tym sektorze załoŜone 13 Oznaczenia zmiennych są zgodne z oznaczeniami stosowanymi w (Zaleski, Tomaszewski, Wojtasiak, Bradley 2004). 21 zostało, Ŝe stosunek kapitału do wielkości produkcji rośnie z trendem liniowym. Oznacza to stały, liniowy wzrost kapitałochłonności sektora. W sektorze usług nierynkowych popyt na pracę i zasoby kapitału określane są poza modelem i zaleŜą od moŜliwości fiskalnych i decyzji decydentów. Przy modelowaniu cen i płac przyjęty został tzw. model skandynawski. ZałoŜone zostało się, Ŝe wynagrodzenia jakie ustaliły się w sektorze wystawionym na konkurencję międzynarodową (w modelu- sektor przemysłowy) mają wpływ na poziom wynagrodzeń w pozostałych sektorach (w modelu- sektory usług rynkowych, rolnictwo i sektor usług nierynkowych). Poziom płac w dominującym sektorze przemysłowym modelowany był na podstawie teorii negocjacji płacowych, zgodnie z którą na płace wpływ mają: ceny produkcji, klin podatkowy, stopa bezrobocia oraz wydajność pracy. Wzrost populacji wyznaczony został w modelu na podstawie wskaźników przyrostu naturalnego modyfikowanych wskaźnikami migracji netto. Stopa udziału siły roboczej, tzn. stosunek ludności w wieku produkcyjnym do ludności aktywnej zawodowo, opisana jest przez stopę bezrobocia i trend liniowy. SpoŜycie indywidualne gospodarstw domowych w modelu determinowane jest wielkością dochodów do dyspozycji. Zostało załoŜone, Ŝe gospodarstwa domowe mają ograniczony dostęp do kredytów i oszczędności. Zatem w tej wersji modelu, czynniki te nie mają wpływu na konsumpcję. Jak podkreślili autorzy, w kolejnych rozszerzeniach modelu HERMIN zostało zastosowane bardziej złoŜone podejście. SpoŜycie zbiorowe determinowane jest wielkością zatrudnienia w sektorze publicznym. Wielkość zatrudnienia, podobnie jak inwestycje, jest jednym z instrumentów polityki. W modelu wielkość eksportu i importu nie były osobno estymowane. NadwyŜka w bilansie handlowym została wyznaczona rezydualnie jako róŜnica między produkcją i absorpcją krajową. Strona dochodowa modelu jest reprezentowana przez sektor finansów publicznych oraz sektor prywatny. W modelu nie został ujęty sektor monetarny, przez co zarówno stopy procentowe jak i kurs wymiany są egzogeniczne. Równania opisujące stronę dochodową są to głównie równania toŜsamościowe. PowyŜszy opis polskiej wersji modelu HERMIN z załoŜenia jest zwięzły i przedstawiony w skrótowej formie, bardziej szczegółowe wyjaśnienie poszczególnych równań modelu moŜna znaleźć w (Zaleski, Tomaszewski, Wojtasiak, Bradley 2004). 22 7. Wnioski W artykule przedstawione zostały wybrane metody modelowania makroekonometrycznego oraz przykłady modeli gospodarek Europy Środkowo-Wschodniej, w tym Polski. RóŜnice w strukturze i własnościach gospodarek, jak równieŜ dostępność danych sprawiają, Ŝe modele te róŜnią się wyraźnie, zarówno pod względem stosowanej metodologii estymacji jak i samej specyfikacji równań. Analizując opisane modele, nietrudno wysnuć wniosek, Ŝe niewiele z nich posiada, określone w sposób jednoznaczny, podstawy teoretyczne. Jeśli natomiast autorzy próbują opierać się na jakiejś teorii makroekonomicznej, wtedy bardzo często do procesu estymacji włączana zostaje kalibracja lub tzw. metody eksperckie. Z jednej strony jest to odpowiedź na problemy z danymi, opisane na wstępie artykułu. Z drugiej strony, naleŜy pamiętać, Ŝe duŜa część zmienności danych makroekonomicznych, jeśli nie większość, pochodzi od czynników nie związanych z teorią makroekonomiczną. Przykładami takich czynników moŜe być postęp technologiczny, zmiany instytucjonalne, zmiany na rynkach finansowych, czynniki polityczne itp14. Wszystkie one zmieniają własności procesów generujących dane. Nierzadko jest to przyczyną, dla której stosując klasyczne metody estymacji, nie moŜna dopasować określonych teorii do danych empirycznych. Nie dlatego, Ŝe teoretyczne modele są złe, ale dlatego, Ŝe w danych zawsze występują obserwacje nietypowe. Innymi słowy, gospodarka generalnie rozwija się zgodnie z pewnymi prawidłowościami teoretycznymi, ale oprócz tego poddana jest innym, nie związanym z teorią, czynnikom. Dlatego rozwój nowych, wyrafinowanych technik estymacji jest niezwykle istotny z punktu widzenia budowy empirycznych modeli makroekonometrycznych. Bibliografia Barrell R., Holland D., Pain N. (2002) An Econometric Macro-model of Transition: Policy Choices in the Pre-accession Period, Royal Economic Society Annual Conference, Vol. 15 14 W krajach Europy Środkowo-Wschodniej czynniki te mają bardzo dynamiczny charakter, dlatego to właśnie te gospodarki mogą stanowić dla naukowców doskonały warsztat badań nad rozwojem nowych technik modelowania. 23 Basdevant O., Hall S. (2002) The 1998 Russian crisis: could the exchange rate volatility have predicted it?, Journal of Policy Modeling, Vol. 24, No. 2, s. 151-168 Basdevant O., Kaasik U. (2003) Analyzing the Prospects of Estonia Using a Macroeconomic Model, Journal of Econometrics, Vol. 41, No. 4, s. 38-71 Bennett J., Dixon H. D. (1995) Macroeconomic equilibrium and reform in a transition economy, European Economic Review, Vol. 39, s.1465-1485 Bodkin R. G., Klein L. R., Marwah K. (1991) A History of Macroeconometric Model-Building, E. Elgar, Aldershot Charemza W. W. (2002) Guesstimation, Journal of Forecasting, Vol. 21s. 417-433 Charemza W. W., Makarova S., Parkhomenko V. (2002) LAM modelling of East European economies: Methodology, EU accession and privatisation, EcoMod2002 conference on Policy Modelling, July 4-6 Cuthbertson K., Hall S. G., Taylor M. P. (1992) Applied Econometric Techniques, Phillip Allan: London Gregory A. W., Hansen B. E. (1996) Tests for Cointegration in Models with Regime and Trend Shifts, Oxford Bulletin of Economics and Statistics, Vol. 58, No. 3, s. 555-560 Haan L. De, Naumovska A., Peeters H. M. M. (2001) MAKMODEL: a macroeconometric model for the Republic of Macedonia, De Nederlandshe Bank research memorandum WOandE, Vol. 655 Hendry D. F. (1994) Dynamic Econometrics, Oxford University Press Hungnes H. (2004) Identifying Structural Breaks in Cointegrated VAR Models Lada K. (2006) Wybrane metody przechodzących transformację, modelowania Materiały makroekonometrycznego Konferencyjne Konferencji gospodarek Młodych Naukowców z cyklu: Współczesne zjawiska w gospodarce pod tytułem: Teoria a rzeczywistość (w druku) Lada K. (2006) Patterns of Instability in Macroeconomic Time Series: Cross-Country Comparison, http://www.diw.de/deutsch/produkte/veranstaltungen/ws_macroeconometric_/docs/Lada. pdf Matheu J. M., Gordon S. (2004) Learning, Forecasting and Structural Breaks, CIRPÉE Centre interuniversitaire sur le risque, les politiques économiques et l'emploi McGee V. E., Carlton W. T. (1970) Piecewise regression, Journal of the American Statistical Association, Vol. 65, s.1109-1124 24 Min C. Zellner A. (1993) Bayesian and non-bayesian method for combining models and forecasts with application to forecasting international growth rates, Journal of Econometrics, Vol. 56, s. 89-118 Murrell C., Wang Y. J. (1993) When Privatization Should Be Delayed: The Effect of Communist Legacies on Organizational and Institutional Reforms, Journal of Comparative Economics, Vol. 17, s.385-406 Mycielski J. (2001) Modelowanie załamań strukturalnych za pomocą wektorowego mechanizmu korekty błędów, Praca doktorska, Uniwersytet Warszawski Wydział Nauk Ekonomicznych Nyblom J. (1989) Testing for the Constancy of Parameters Over Time, Journal of American Statistical Association, Vol. 78, s. 856-864 Poirier D. (1976) The Economics of Structural Change, Nord-Holland, Amsterdam Quandt R. E. (1958) The estimation of the parameters of a linear regression system obeying two separate regimes, Journal of the American Statistical Association, Vol. 53, s.873-880 Rao C. R. (1965) The theory of least squares when the parameters are stochastic, Biometrika, Vol. 52, s.447-458 Rao M. M. J. (2000) Estimating time varying parameters in linear regression models using a two-part decomposition of the optimal control formulation, The Indian Journal of Statistics, Vol. 62, s.433-447 Rosenberg B. (1973) The analysis of a cross-section of time series by stochastically convergent parameter regression, Annals of Economic and Social Measurement, Vol. 2, s. 399-450 Rudzkis R., Kvederas V. (2005) A small macroeconometric model of the Lithuanian economy, Austrian Journal of Statistics, Vol. 34, s.185-197 Tanizaki H. (2000) Time-varying parameter model revisited, Kobe University Economic Review, Vol. 45, s. 41-57 Wayerstrass K., Haber G., Neck R. (2001) SLOPOL1: A Macroeconomic Model for Slovenia, International Advances in Economic Research, Vol. 7, No. 1, s. 20-37 Welfe W., Welfe A., Florczak W., Sabanty L. (2002) The Structure and Use of the Long-term Econometric Model W8-D of the Polish Economy, In Macromodels 2001, Proceedings of the Twenty Eighth International Conference Macromodels, Chair of Econometric Models and Forecasts, University of Łódź Zaleski J., Tomaszewski P., Wojtasiak A., Bradley J. (2004) Aplikacja modelu ekonometrycznego HERMIN do oceny wpływu funduszy strukturalnych na sytuację makroekonomiczną w Polsce, Raport nr 1 Modyfikacja i uaktualnienie wersji modelu HERMIN dla Polski 25