Оценка экономической эффективности использования безусловных базовых выплат в качестве антикризисной меры в период пандемии COVID-19 в США



В статье определяется величина показателя экономической эффективности внедрения безусловных базовых выплат (ББВ) в экономику США в период рецессии, вызванной пандемией COVID-19. Результатами исследования являются коэффициенты регрессионных моделей, отражающих влияние введения безусловных базовых выплат на такие макроэкономические показатели, как инфляция, безработица и уровень бедности.

Ключевые слова: COVID-19, США, бедность, инфляция, безработица.

Введение

Вирус SARS-CoV-2, ставший причиной пандемии COVID-19, разразившейся в 2020 году, которая унесла жизни нескольких сотен миллионов жизней, также существенно сказался и на экономике многих государств из-за введения локдауна, что, как следствие, привело к приостановке работы многих предприятий и значительным перебоям в глобальных цепочках поставок и цепочках создания стоимости. В свою очередь, данные события повлекли за собой рост показателей бедности и безработицы, а также вызвали снижение покупательной способности миллионов людей по всему миру.

Вышеупомянутая неблагоприятная эпидемиологическая обстановка, сложившаяся во многих странах в период 2020–2021 годов, побудила правительства государств прибегнуть к имплементации различных антикризисных мер для снижения потенциального ущерба экономике и благосостоянию населения. Одной из таких мер являлись безусловные базовые выплаты, введение которых широко применялось правительственными органами различных государств, в число которых входили и США — одна из крупнейших экономик мира.

Описание и реализация регрессионной модели

Для реализации исследования, в котором будет определена экономическая эффективность безусловных базовых выплат как меры, способствующей скорейшему выходу экономики из рецессии были выбраны следующие переменные:

Рис. 1. Исходные статистические данные, используемые для построения регрессионных моделей

Источник: составлено авторами на основе данных FRED, U.S. Census Bureau, U.S. Bureau of Labor, MacroMicro [4; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15; 16; 17; 18; 19; 24; 25; 26;27]

— Первоначально, необходимо отметить тот факт, что наш датасет состоит из 62 наблюдений для каждого параметра, то есть, ежемесячных данных с января 2017 года по февраль 2022 года. Данный выбор может быть обусловлен наступившим впоследствии геополитическим кризисом, из-за влияния которого значения вышеупомянутых показателей могли быть искажены, а также снижением влияния шока, связанного с COVID-19 вследствие прошествия значительного периода времени. Также авторы считают важным уточнить, что под «ИПЦ с жесткой ценой (без учета еды и энергоносителей)» подразумевается показатель ИПЦ для товаров, цена на которые изменяется реже, чем раз в 4,3 месяца. [4]

— Статистические данные для переменных, которые были определены авторами как целевые для построения регрессионных моделей («Бедность», «Безработица», «ИПЦ с жесткой ценой (без учета еды и энергоносителей)») (YoY) были получены с сайтов FRED и U. S. Census Bureau. [7; 16; 24; 25]

— Кроме того, для реализации регрессионных моделей были выбраны такие показатели, как Fed Rate (ставка, по которой американские банки выдают кредиты друг другу), PMI (индекс деловой активности, дамми-переменная: 0 — < 50; 1 — если данный показатель превышает значение в 50 у.е.), CCI (индекс потребительской уверенности, дамми-переменная: 0 — < 100, 1 — CCI > 100), введение трансфертов (0 — если безусловные базовые выплаты не введены, 1 — если введены), локдауна (0 — если локдаун не введен, 1 — если введен) и отношения затрат на еду к заработным платам (для семей с одним ребенком, в которых оба взрослых входят в состав рабочей силы), которые будут являться факторами для наших моделей. [5; 6; 8; 9; 10; 11; 12; 13; 14; 15; 17; 18; 19; 26; 27]

Построение VAR-модели

Для определения степени экономической эффективности ББВ было принято решение реализовать векторные авторегрессионные модели (VAR), поскольку с их помощью представлялось возможным оценить влияние внедрения трансфертов на вышеуказанные целевые переменные во временной динамике и с учетом того, что наши статистические данные зависят от своих прошлых значений. [28]

Для векторной авторегрессионной модели с целевой переменной «Безработица» была реализована корреляционная матрица, которая, в совокупности с регуляризацией Лассо, продемонстрировала необходимость исключить из датасета для построения модели следующие переменные: наличие локдауна («Lockdown»), индекс потребительской уверенности («CCI <> 100») и ИПЦ («ИПЦ (Sticky price)»). Затем для целевой переменной были проведены тесты Дики-Фуллера (расширенный) и KPSS-тест, который выявили присутствие тренда в данных, который был удален с помощью взятия первой разности, что подтвердилось еще одной реализацией вышеперечисленных тестов. [3; 20; 21]; 23]

Кроме того, были реализованы тесты Грейнджера на причинность для того, чтобы проверить, может ли параметр, связанный с внедрением трансфертов предсказать значения нашей целевой переменной. Результаты данных тестов как для этой, так и для остальных регрессионных моделей, которые демонстрируются на Рисунках 2–7. [1; 22]

Также для всех векторных авторегрессионных моделей были реализованы тесты на наличие автокорреляции в остатках модели — тесты Дарбина-Уотсона. Для каждой реализованной нами модели было выявлено, что автокорреляция в остатках отсутствует, что подтверждается результатами этих тестов, приведенных на Рисунках 8–11. [2]

Рис. 2. Результаты теста Грейнджера на причинность с направлением связи «Трансферты» -> «Безработица»

Источник: Расчеты авторов, основанные на данных U. S. Department of the Treasury, FRED, the NY Times. [5; 8; 25]

Рис. 3. Результаты построения теста Грейнджера на причинность с направлением связи «Безработица» -> «Трансферты»

Источник: Расчеты авторов, основанные на данных U. S. Department of the Treasury, FRED, the NY Times. [5; 8; 25]

Рис. 4. Результаты реализации теста Грейнджера на причинность с направлением связи «Трансферты» -> «Бедность»

Источник: Расчеты авторов, основанные на данных U. S. Census Bureau, the NY Times, U. S. Department of the Treasury. [5; 7; 8; 16]

Рис. 5. Результаты теста Грейнджера на причинность с направлением связи «Бедность» -> «Трансферты»

Источник: Расчеты авторов, основанные на данных U. S. Census Bureau, the NY Times, U. S. Department of the Treasury. [5; 7; 8; 16]

Рис. 6. Результаты построения теста Грейджера на причинность с направлением связи «Трансферты» -> «ИПЦ»

Источник: Расчеты авторов, основанные на данных U. S. Department of the Treasury, FRED, the NY Times. [4; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15; 16; 17; 18; 19; 24; 25; 26;27]

Рис. 7. Результаты теста Грейнджера на причинность с направлением связи «ИПЦ» -> «Трансферты»

Источник: Расчеты авторов, основанные на данных U. S. Department of the Treasury, FRED, the NY Times. [4; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15; 16; 17; 18; 19; 24; 25; 26; 27]

Рис. 8. Результаты реализации теста Дарбина-Уотсона для целевой переменной «Безработица»

Источник: Расчеты авторов, основанные на данных U. S. Department of the Treasury, FRED, the NY Times. [5; 8; 25]

Рис. 9. Результаты теста Дарбина-Уотсона для зависимой переменной «Бедность»

Источник: Расчеты авторов, основанные на данных U. S. Census Bureau, the NY Times, U. S. Department of the Treasury. [5; 7; 8; 16]

Рис. 10. Результаты построения теста Дарбина-Уотсона для целевого параметра «ИПЦ»

Источник: Расчеты авторов, основанные на данных U. S. Department of the Treasury, FRED, the NY Times. [4; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15; 16; 17; 18; 19; 24; 25; 2627]

Для получения более качественных, значимых и точных результатов исследования были реализованы векторные авторегрессионные модели, демонстрирующие не только влияние трансфертов на целевую переменную в совокупности с остальными факторами, но и влияние только показателя трансфертов на зависимую переменную безработицы, то есть, была реализована модель с одним фактором.

Рис. 11. Результаты построения векторной авторегрессионной модели для всех вышеперечисленных факторов и целевой переменной «Безработица»

Источник: Расчеты авторов, основанные на данных FRED, U. S. Census Bureau, U. S. Bureau of Labor, U. S. Department of the Treasury. [4; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15; 16; 17; 18; 19; 24; 25; 26;27]

Рис. 12. Результаты реализации векторной авторегрессионной модели только с фактором введения безусловных базовых выплат и целевой переменной «Безработица»

Источник: Расчеты авторов, основанные на данных U. S. Department of the Treasury, FRED, the NY Times. [5; 8; 25]

Согласно результатам реализации моделей, в ситуации, когда лаг = 1, введение трансфертов имеет положительное по знаку и значимое (для модели с 1 фактором, p-value = 0.000) влияние на показатель безработицы, то есть, если момент введения трансфертов принять за t = 0, то в момент t = 1, факт их внедрения увеличивает показатель безработицы на 0.96 у.е. (или на 0.74 у.е. для модели с совокупностью факторов, но данное повышение не является статистически значимым, p-value = 0.38), однако, в следующем периоде, t = 2, наблюдается незначимое (p-value = 0.77 для модели с 1 фактором) снижение нашего целевого параметра. Полученные статистические данные позволяют сделать вывод о том, что введение безусловных базовых выплат не привело к ожидаемому результату (уменьшению доли безработных) в периоде t = 0 (как момент введения безусловных базовых выплат); 1), поскольку наблюдается рост первой разности вышеупомянутого параметра, что указывает на то, что каждое следующее значение показателя безработицы выше, чем предыдущее. Однако, в более долгосрочной перспективе (t = 2; 3), снижение данного показателя было достигнуто вследствие отрицательного знака у коэффициента, связанного с первой разностью в векторной авторегрессионной модели.

Перейдем к описанию процесса реализации векторной авторегрессионной модели с целевой переменной «Бедность». Согласно результатам проведенных корреляционных тестов, из датасета для построения данной модели было необходимо исключить следующие показатели: наличие локдауна, индекс потребительской уверенности и индекс деловой активности.

После обработки и подготовки данных, были реализованы так же, как и в первом случае, две модели: с целевой переменной «Бедность» и с учетом влияния всех факторов и с целевой переменной «Бедность» и только фактором введения трансфертов.

Рис. 13. Результаты реализации векторной авторегрессионной модели для совокупности факторов и целевой переменной «Бедность»

Источник: Расчеты авторов, основанные на данных FRED, U. S. Census Bureau, U. S. Bureau of Labor, U. S. Department of the Treasury. [4; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15; 16; 17; 18; 19; 24; 25; 26; 27]

Рису. 14. Результаты построения векторной авторегрессионной модели только с фактором введения безусловных базовых выплат и целевой переменной «Бедность»

Источник: Расчеты авторов, основанные на данных U. S. Census Bureau, the NY Times, U. S. Department of the Treasury. [5; 7; 8; 16]

Результаты построенных выше моделей демонстрировали положительное и статистически значимое (p-value = 0.008 для модели с совокупностью факторов и 0.000 для модели с 1 фактором) влияние введения безусловных базовых выплат на параметр бедности. Вследствие данного факта можно сделать вывод о том, что в моменте t = 1 введение трансфертов увеличило показатель бедности на 1.09 у.е. для модели с учетом всех факторов и на 0.86 у.е. для модели с 1 фактором, но в последующих периодах влияние трансфертов приобретает снижающуюся тенденцию, что указывает на то, что в периоды t = 2 и далее, введение трансфертов в моменте t = 0 приведет к постепенному снижению уровня бедности, на что указывает отрицательная направленность коэффициента целевой переменной в регрессионной модели.

Переходим к построению векторной авторегрессионной модели с последней выбранным нами целевым параметром — показателем ИПЦ. Перед реализацией данной модели были проведены тесты Дики-Фуллера, KPSS и Грейнджера и результаты последнего показали, что введение безусловных базовых выплат не является значимым фактором, позволяющим предсказывать значения нашей зависимой переменной, поэтому построение модели только с 1 фактором (введением трансфертов) не имеет практического смысла.

Рис. 15. Результаты реализации векторной авторегрессионной модели для совокупности факторов и зависимой переменной «Инфляция»

Источник: Расчеты авторов, основанные на данных FRED, U. S. Census Bureau, U. S. Bureau of Labor, U. S. Department of the Treasury. [4; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15; 16; 17; 18; 19; 24; 25; 26; 27]

Наблюдалось статистическое незначимое (p-value = 0.296) положительное влияние от введения безусловных базовых выплат на показатель инфляции, которое сохраняется и в следующих периодах и демонстрирует тот факт, что введение трансфертов способствовало росту инфляции на 1.01 п.п., что в краткосрочной перспективе могло отрицательно сказаться на благосостоянии населения.

Однако необходимо рассмотреть экономический эффект от введения безусловных базовых выплат более детально с точки зрения динамики выбранных нами целевых переменных в период t = 0,1,2… после введения безусловных базовых выплат. Для реализации данной задачи будет использован следующий метод, как построение функции импульсного отклика, которая демонстрирует динамику того или иного параметра после наступления некоторого события (в нашем случае, введения безусловных базовых выплат).

Рис. 16. Функция импульсного отклика для векторной авторегрессионной модели с целевой переменной «Безработица» и фактором введения трансфертов

Источник: Расчеты авторов, основанные на данных U. S. Department of the Treasury, FRED, the NY Times. [5; 8; 25]

Рис. 17. Реализация функции импульсного отклика для векторной авторегрессионной модели с целевой переменной «Безработица» и совокупностью факторов

Источник: Расчеты авторов, основанные на данных FRED, U. S. Census Bureau, U. S. Bureau of Labor, U. S. Department of the Treasury. [4; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15; 16; 17; 18; 19; 24; 25; 26; 27]

На данных графиках наблюдалась динамика показателя безработицы после введения трансфертов: так, в промежутке между t = 0 и t = 1 величина безработицы растет, а затем в период с t = 1 до t = 2 снижается на уровень ниже, чем был на момент введения трансфертов, а, затем, в период между t = 2 и t = 3 показатель безработицы снижается еще сильнее, что говорит о том, что экономический эффект от введения безусловных базовых выплат действительно существует, однако, не происходит сразу после его реализации.

Перейдем к реализации функций импульсного отклика для зависимого параметра «Бедность».

Рис. 18. Функция импульсного отклика для векторной авторегрессионной модели с зависимой переменной «Бедность» и фактором введения безусловных базовых выплат

Источник: Расчеты авторов, основанные на данных U. S. Census Bureau, the NY Times, U. S. Department of the Treasury. [5; 7; 8; 16]

Рис. 19. Реализация функции импульсного отклика для векторной авторегрессионной модели с совокупностью факторов и целевым показателем «Бедность»

Источник: Расчеты авторов, основанные на данных FRED, U. S. Census Bureau, U. S. Bureau of Labor, U. S. Department of the Treasury. [4; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15; 16; 17; 18; 19; 24; 25; 26; 27]

В период между t = 0 и t = 1 наблюдался рост уровня бедности, однако в последующих периодах (t = 2 и t = 3) данная функция демонстрировала тот факт, что величина бедности снизилась до уровня ниже первоначального, что указывает на то, что и в данном случае введение трансфертов позволило правительству США достичь поставленной цели (снижения уровня бедности), однако, не сразу после их внедрения, а через 2 периода времени.

Построим функцию импульсного отклика для нашей векторной авторегрессионной модели для последней целевой переменной «Инфляция» и совокупности факторов, влияющих на вышеуказанный зависимый параметр.

Рис. 20. Функция импульсного отклика для векторной авторегрессионной модели с зависимым параметром «Инфляция» и совокупностью всех факторов

Источник: Расчеты авторов, основанные на данных FRED, U. S. Census Bureau, U. S. Bureau of Labor, U. S. Department of the Treasury. [4; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15; 16; 17; 18; 19; 24; 25; 26; 27]

В период с t = 0 до t = 3 график данной функции демонстрировал рост показателя инфляции, что говорит о том, что эффекты от введения безусловных базовых выплат начали проявляться сразу после их внедрения и вплоть до периода t = 5 параметр ИПЦ имел положительную тенденцию, что в краткосрочной перспективе, как уже было сказано, могло снизить уровень благосостояния населения. Однако, исходя из графика функции импульсного отклика, в период с t = 0 по t = 2 данная функция колебалась в пределах нуля, что указывает на статистическую незначимость изменения данного показателя.

Заключение

В данном исследовании было выявлено, что в краткосрочном периоде на первых этапах после введения безусловных базовых выплат их влияние на такие показатели, как уровень безработицы и бедности в США, имеют отрицательную направленность, что говорит о том, что сразу после введения вышеупомянутых трансфертов в экономику величины первых разностей показателей бедности и безработицы выросли на 1.09 у.е. и 0.96 у.е. соответственно. Кроме того, в моменты t = 0, 1 после внедрения безусловных базовых выплат также увеличились не только значения параметров безработицы и бедности, но и величина инфляции, что в совокупности могло негативно сказаться на благосостоянии населения.

Однако, впоследствии, через несколько (t= 2, 3 после введения безусловных базовых выплат) временных лагов, эти параметры начинали снижаться до более низкого значения, чем доковидный уровень макроэкономических показателей инфляции, бедности и безработицы, но изменение вышеупомянутых параметров является статистически незначимым для параметров бедности, инфляции и безработицы в моменты лагов t = 2 (для величин безработицы и бедности в момент лага t = 2 в моделях только с 1 фактором p-value превышает значение в 0.1), вследствие чего не представляется возможным сделать вывод о том, что введение безусловных базовых выплат действительно способствовало смягчению негативного воздействия пандемии COVID-19 на экономику США.

Литература:

1. Bobbitt, Z. How to Perform a Granger-Causality Test in Python // Statology, 2021. (date of access: 29.11.2024)
2. Bobbit, Z. How to Perform a Durbin-Watson Test in Python // Statology, 2024. (date of access: 29.11.2024)
3. Brownlee, J. How to Check if Time Series Data is Stationary with Python // Machine Learning Mastery, 2020. (date of access: 29.11.2024)
4. Bryan M. F., Meyer B. Are Some Prices in the CPI More Forward Looking Than Others? We Think So. // Federal Reserve Bank of Cleveland, 2010. (date of access: 15.11.2024)
5. Cochrane, E. Divided Senate Passes Biden’s Pandemic Aid Plan // The NY Times, March 2021. (date of access: 17.11.2024)
6. Consumer confidence index (CCI) // OECD, 2024. (date of access: 17.11.2024)
7. Corrected Annual and Monthly SIPP Poverty Rates: 2014–2022 // U. S. Census Bureau, 2024. (date of access: 15.11.2024)
8. Economic Impact Payments // U. S. Department of the Treasury, 2023. (date of access: 17.11.2024)
9. Employment status of the civilian noninstitutional population by age, sex, and race // U. S. Bureau of Labor Statistics, 2017. (date of access: 18.11.2024)
10. Employment status of the civilian noninstitutional population by age, sex, and race // U. S. Bureau of Labor Statistics, 2018. (date of access: 18.11.2024)
11. Employment status of the civilian noninstitutional population by age, sex, and race // U. S. Bureau of Labor Statistics, 2019. (date of access: 18.11.2024)
12. Employment status of the civilian noninstitutional population by age, sex, and race // U. S. Bureau of Labor Statistics, 2020. (date of access: 18.11.2024)
13. Employment status of the civilian noninstitutional population by age, sex, and race // U. S. Bureau of Labor Statistics, 2021. (date of access: 18.11.2024)
14. Employment status of the civilian noninstitutional population by age, sex, and race // U. S. Bureau of Labor Statistics, 2022. (date of access: 18.11.2024)
15. Federal Funds Effective Rate // FRED, 2024. (date of access: 16.11.2024)
16. King, B. Monthly and Episodic Poverty: 2022 // U. S. Census Bureau, 2024. (date of access: 15.11.2024)
17. Lockdown by State 2024 // World Population Review, 2024. (date of access: 17.11.2024)
18. Median usual weekly earnings of full-time wage and salary workers by sex, quarterly averages, seasonally adjusted. // U. S. Bureau of Labor Statistics, 2024. (date of access: 18.11.2024)
19. Personal Saving Rate // FRED, 2024. (date of access: 15.11.2024)
20. Stationarity and detrending (ADF/KPSS) // Statsmodels.org, 2024. (date of access: 29.11.2024)
21. Statsmodels.tsa.stattools.adfuller // Statsmodels.org, 2024. (date of access: 29.11.2024)
22. Statsmodels.tsa.stattools.grangercausalitytests // Statsmodels.org, 2024. (date of access: 29.11.2024)
23. Statsmodels.tsa.stattools.kpss // Statsmodels.org, 2024. (date of access: 29.11.2024)
24. Sticky Price Consumer Price Index less Food and Energy // FRED, 2024. (date of access: 15.11.2024)
25. Unemployment Rate // FRED, 2024. (date of access: 15.11.2024)
26. US — ISM Manufacturing PMI // MacroMicro, 2024. (date of access: 17.11.2024)
27. USDA Food Plans: Monthly Cost of Food Reports // U. S. Department of Agriculture, 2017–2022. (date of access: 23.11.2024)
28. Vector Autoregression (VAR) — Comprehensive Guide with Examples in Python // Machine Learning Plus, 2022. (date of access: 29.11.2024)