Assessment of the Climate Impact on the Economic Variables of Monetary Policy: Regional Approach

Толық мәтін

Введение.

Тема влияния климатических изменений на макроэкономическую динамику и структуру как мировой экономики, так и экономики отдельных стран и регионов в настоящее время находится на переднем крае исследований.

В материалах Совета по финансовой стабильности (Financial Stability Board, FSB и его рабочей группы по климату ‒ Task Force on Climate Related Financial Disclosures, TCFD) выделены два типа рисков, связанных с монетарной политикой в контексте климата. Это физические риски, которые связаны как с внезапными природными явлениями, так и с долговременными изменениями климата (повышение температуры воздуха), и переходные риски, обусловленные переходом к низкоуглеродной экономике и включающие как правовые и политические, так и технологические, рыночные и репутационные¹.

Обобщение влияния физических и переходных климатических рисков на ключевые макроэкономические показатели приводится в отчете Сообщества центральных банков и надзорных органов по повышению экологичности финансовой системы (Central Banks and Supervisors Network for Greening the Financial System, NGFS)². В материалах сообщества, обновленных в 2021 г.³, содержится шесть сценариев изменений климата и политики в области климата. В упорядоченных сценариях (и физические, и переходные риски относительно невелики), при которых мероприятия климатической повестки начинают применяться на раннем этапе с постепенным ужесточением, выделены два варианта: «ноль 2050», предполагающий нулевой уровень выбросов к 2050 г. и ограничивающий глобальное потепление 1,5 °C, и «ниже 2 °C» ‒ политика в области климата постепенно ужесточается, что дает 67 % шансов ограничить глобальное потепление до уровня ниже 2 °C. В неупорядоченных сценариях (более высок переходной риск) начало перехода к зеленой экономике откладывается в различных странах или видах деятельности: «дивергентный ноль» ‒ к 2050 г. достигается чистый нулевой уровень выбросов, но с большими затратами; «отсроченный переход» предполагает, что ежегодные выбросы не уменьшатся до 2030 г. Наконец, в сценариях теплого мира (значительный физический риск, например, повышение уровня моря) глобальных усилий недостаточно для остановки мирового потепления: вариант «национальные вклады» включает все объявленные странами мероприятия по климату, в том числе и нереализованные; «текущая политика» ‒ сохраняются только текущие мероприятия, которые в итоге приводят к физическим рискам.

Цель статьи – по результатам исследования провести эконометрическую оценку влияния климата на экономические показатели монетарной политики в региональном аспекте.

Обзор литературы.

Публикаций, посвященных изучению климатических изменений в контексте монетарной политики и макроэкономического регулирования, к настоящему времени накоплено очень много.

Тема влияния климатических условий на монетарную политику поднималась в публикациях Банка России. Отметим, в первую очередь, врезку в Основных направлениях единой государственной денежно-кредитной политики⁴, а также доклад для общественных обсуждений⁵ о влиянии климатических рисков.

Европейский центральный банк выделяет три канала воздействия изменения климата на уровень цен: 1) ослабление воздействия мероприятий монетарной политики на денежно-кредитные условия фирм и домохозяйств; 2) сужение возможного интервала изменения ключевой ставки, которая будет иметь тенденцию к снижению; 3) прямое воздействие на инфляцию: увеличение физического риска приводит к значительной макроэкономической волатильности. При этом такие меры, как установление тарифов за выбросы парниковых газов, могут привести к увеличению цен⁶.

К. Десмет и Э. Росси-Хансберг отмечают, что задача оценки экономических последствий климатических изменений достаточно нетривиальна⁷. Во-первых, трудно построить корректные модели, которые учитывают экстремальные погодные явления, повышение уровня моря, нелинейность климатических процессов и т. п. Во-вторых, изменение климата – относительно инерционный процесс, который реализуется на протяжении десятилетий и столетий, а не месяцев и лет. С одной стороны, этот факт требует применения динамических моделей, с другой – такие модели априори подвержены критике Лукаса⁸.  В-третьих, выбросы CO₂ в любой точке планеты приводят к изменению температуры во всем мире, но вместе с тем и к различным экономическим последствиям в холодных и теплых регионах, т. е. к пространственному неравенству.

Ф. Претис полагает, что исследователи разделились на две группы при построении эконометрических моделей: одни фокусируют свое внимание на моделировании макроэкономических показателей, принимая климатические характеристики заданными, другие ‒ исследуют изменение климатических показателей, предполагая заданными характеристики экономики [1]. Ученый делает вывод о том, что игнорирование потенциальной эндогенности экономических и климатических переменных приводит к невозможности получения эмпирических оценок в моделях.

Ч. Колстад и Ф. Мур отмечают, что при исследовании экономических последствий изменения климата важным является понимание того, что инвестиционные процессы (менеджмент фирм) адаптируются к изменениям, и поэтому краткосрочные и долгосрочные последствия климатических процессов будут отличаться. Авторы подчеркивают, что при использовании данных большей частоты, чем годовые, исследователь получает краткосрочный эффект, для долговременного воздействия предпочтительнее годовые показатели [2]. Статья касается и развернутой в литературе дискуссии об использовании пространственного и панельного анализа для оценки воздействия изменения климата. Пространственный анализ позволяет оценить долговременное равновесное воздействие климатических условий, но подвержен проблеме пропущенных переменных, что затрудняет интерпретацию результатов. Панельная регрессия позволяет решить проблему пропущенных переменных, но в общем случае приводит только к краткосрочной оценке влияния изменения погоды. Отдельно выделим тезис авторов о том, что общий ущерб от изменения климата состоит как из равновесных издержек, так и из издержек адаптации. При этом ни кросс-секционная, ни панельная модели сами по себе не позволяют оценить оба вида издержек.

Дж. Л. Кастл и Д. Ф. Хендри моделировали выбросы CO₂ в Великобритании на протяжении 1860‒2017 гг. в зависимости от использования угля и нефти, основных фондов и ВВП с учетом нестационарности временных рядов этих показателей. Также тестировалось нелинейное уравнение климатической кривой Кузнеца, связывающей выбросы CO₂ и ВВП. Авторы пришли к выводу, что цель обнуления выбросов по сравнению с уровнем 1990 г. возможна при полном отказе от использования нефти и газа [3].

А. Голуб с соавторами, используя методологию реальных опционов, оценили стоимость капитала с поправкой на климатический риск в энергетическом секторе России примерно в 43 % (включая безрисковую процентную ставку), что демонстрирует высокий риск инвестиций в энергоэффективные и низкоуглеродные технологии в России [4].

Д. Г. Замолодчиков и другие авторы обратили внимание на то, что российские леса могут внести свой вклад в смягчение климатических изменений и выполнили прогноз их углерододепонирующего потенциала на период до 2050 г. при различных сценариях ведения лесного хозяйства. Получено, что в зависимости от условий лесопользования к 2020 г. депонирование СО₂ составит 466‒632 Мт/год и сможет компенсировать от 21 до 29 % промышленных выбросов парниковых газов (к 2050 г. спрогнозировано сокращение до 105‒235 Мт/год) [5].

Отметим ряд эмпирических работ, посвященных исследованию влияния климата на важные макроэкономические показатели, в частности, инфляцию и ВВП. К. Мукерджи и Б. Куатарра проанализировали динамическое воздействие температурных шоков на инфляцию, являющуюся ключевой переменной политики многих центральных банков [6]. Авторы применяли VAR-модель с фиксированными эффектами на панельных данных по выборке стран за период 1961‒2014 гг. (всего 107 стран). В качестве эндогенных использовались переменные климата (температура воздуха), инфляции (индекс потребительских цен), ВВП, расходов бюджета (в процентах от ВВП), агрегата М2 (в процентах от ВВП). Результаты подтвердили, что температурные шоки приводят к инфляционному давлению. Например, при изменении температуры на 1 % инфляция статистически значимо увеличивается на 2,6 %.

Дж. Бейрн с соавторами исследовали влияние стихийных бедствий на стабильность цен в еврозоне [7]. Строились панельные и структурные VAR-модели для стран еврозоны за период 1996‒2021 гг. Выявлено значительное положительное влияние стихийных бедствий на инфляцию, причем отдельно выделен значимый эффект для цен на продукты питания и напитки. Авторы приходят к выводу о том, что изменение климата, вероятно, затруднит Европейскому центральному банку достижение целевого показателя инфляции в долгосрочной перспективе.

Д. Фацция, М. Паркер и Л. Стракка пришли к выводу, что жаркое лето увеличивает инфляцию цен на продукты питания в краткосрочной перспективе, особенно в странах с формирующимся рынком [8]. В среднесрочной перспективе влияние на различные ценовые индексы, как правило, либо незначительное, либо отрицательное. Такой эффект носит существенно нелинейный характер.

Исследования влияния климатических процессов на ВВП также ведутся достаточно активно. Так, ученые на базе данных по 180 странам в период 1950‒2015 гг. выявили нелинейное влияние на объем производства температуры воздуха: незначительное положительное влияние на рост в странах с низкой средней температурой и значимое негативное влияние в странах с высокими средними температурами, в которых жаркий климат приводит к сокращению инвестиций, снижению производительности труда и производства продукции [9]. В медианной стране с низким уровнем доходов совокупный объем производства примерно на 2 % ниже, а инвестиции ‒ примерно на 10 % ниже через семь лет после повышения среднегодовой температуры на 1 °C. Другая группа исследователей по панели из 126 стран (период с 1960 по 2017 г.) выявила, что устойчивый прирост температуры на 1 °С приводит к снижению реального ВВП на душу населения на 0,74‒1,52 п. п. независимо от уровня развития стран [10].

1. M. E. Кан с соавторами изучали долгосрочное влияние изменения климата на экономическую активность на панели из 174 стран (с 1960 по 2014 г.), используя модель стохастического роста [11]. Получено, что на реальный ВВП на душу населения значимо негативно влияют постоянные изменения температуры выше или ниже ее нормы: постоянное увеличение средней мировой температуры на 0,04 °C в год при отсутствии мер по смягчению последствий приведет к сокращению мирового реального ВВП на душу населения на 7,22 % к 2100 г. Кроме того, авторы на региональных данных по выборке из 48 штатов США в период с 1963 по 2016 г. показали, что изменение климата оказывает долгосрочное неблагоприятное воздействие на реальный выпуск в различных штатах и секторах экономики, а также на производительность труда и занятость.

М. Калкул и Л. Венц на основе панельных годовых данных о ВРП для более чем 1 500 регионов в 77 странах (период 1900‒2014 гг.) эмпирически оценили воздействие климатических изменений на уровень выпуска и его рост [12]. Применялись панельные модели, регрессии для разностей и пространственные регрессии. В результате авторами не найдено влияния на скорость экономического роста, но получено значимое влияние температуры на уровень выпуска: повышение глобальной средней температуры примерно на 3,5 °C приведет к сокращению мирового производства на 7‒14 % к 2100 г., причем в тропических и бедных регионах ущерб больше.

В статьях отечественных ученых выполнен анализ экономических последствий климатических рисков. В. В. Оганесян, А. М. Стерин и Л. Н. Воробьева на основе регрессионных уравнений получили оценку потенциального ущерба от природных явлений по Российской Федерации в размере 208,6 млрд руб. в ценах 2017 г., а также в разрезе погодозависимых видов экономической деятельности и отдельных регионов [13].

Отметим статью И. В. Арженовского и А. В. Дахина, в которой для анализа устойчивого развития территорий авторы используют когнитивное моделирование [14], а также исследование с результатами количественных оценок климатических рисков по российским регионам⁹. Е. Н. Яковлевой с коллективом авторов предложена методика оценки двух групп показателей негативного воздействия экономики на климат ‒ «энергоемкости» и «климатоемкости», и выполнена оценка регионов России по этим группам показателей; сделан вывод о снижении в последние годы уровня климатических рисков [15; 16].

Приведенный обзор позволяет сделать вывод о том, что многие исследования осуществлялись на панельных данных, как правило, ежегодных и межстрановых. Исследований с количественным анализом влияния климатических переменных на макроэкономические показатели монетарной политики по российским данным в региональном аспекте не выявлено, что актуализирует получение соответствующих оценок.

Материалы и методы.

Для получения количественных оценок по теме работы сформирована информационная база по 79 регионам России¹⁰ с 2000 по 2020 г.¹¹. В панель данных включены следующие группы переменных.

Группа показателей, характеризующих климатическую и экологическую ситуацию в регионе:

X₁ − выбросы загрязняющих веществ в атмосферный воздух, отходящих от стационарных источников, тыс. т;

X₂ – лесистость территорий (по данным учета на конец года), %;

X₃ – сброс загрязненных сточных вод в поверхностные водные объекты, млн м³ по отношению к использованию свежей воды, млн м³;

X₄ – средняя месячная температура воздуха (за январь и июль), ℃;

X₅ – доля расходов на охрану окружающей среды в расходах консолидированного регионального бюджета, %;

Группа показателей, характеризующих социально-экономическое развитие региона:

X₆ – уровень безработицы, %;

X₇ – стоимость основных фондов, на конец года, млн руб.;

X₈ – доля занятых с высшим и средним профессиональным образованием в общей численности занятых, %;

X₉ – среднедушевые денежные доходы населения, в месяц, руб.;

Группа макроэкономических показателей:

Y₁ – ВРП в текущих ценах на душу населения, тыс. руб. / чел.;

Y₂ – индекс потребительских цен (ИПЦ) на все товары и услуги, % г/г.

В качестве переменных, характеризующих макроэкономическую повестку, и определяющих решения в рамках проведения денежно-кредитной политики, выделены два показателя − Y₁ и Y₂.

Выбор переменных, с одной стороны, обусловлен опытом их использования в указанных в обзоре литературы исследованиях, с другой – доступностью статистических данных по российским регионам. По ряду факторов, которые, как представляется, необходимо анализировать, например выбросы CO₂ или структура выбросов по источникам, статистическая информация в региональном разрезе не собирается, что ограничивает исследование.

Используем следующую методику выполнения количественного анализа. На первом этапе с целью сокращения количества признаков и уменьшения возможной коллинеарности между ними применим алгоритм факторного анализа, который выполняется отдельно для каждого периода времени по характеризующим объекты (регионы) признакам. Факторный анализ применяется для группы климатических переменных и для группы экономических переменных отдельно. На втором этапе выполняется регрессионный анализ макроэкономических переменных на полученные общие факторы.

Указанный двухэтапный алгоритм статистического анализа позволяет получить более устойчивые и значимые результаты моделирования.

 Результаты исследования.

Согласно методике, применим на первом этапе факторный анализ. Воспользуемся методом главных факторов с определением количества факторов методом Кайзера − Гутманна¹². Для каждого фиксированного года по набору данных по 79 регионам выполним факторный анализ для характеристик климато-экологической обстановки в регионе: X₁, X₂, X₃, X₄, X₅, а также отдельно для набора показателей, характеризующих социально-экономическое развитие региона: X₆, X₇, X₈, X₉.

По первой группе показателей результаты факторного анализа приведены в таблице 1. Для разных лет метод Кайзера − Гутманна позволил выделить от 2 до 3 общих факторов с объяснением от 60 % дисперсии исходных признаков. При этом первый общий фактор объясняет ($F_1^1$ ) не менее 31 % первоначальной дисперсии. Среднеквадратическая ошибка факторных моделей для различных лет не превышала 0,06, что позволяет сделать вывод об адекватности моделей.

Для всех лет факторные нагрузки больше 0,6 по модулю соответствовали двум показателям − лесистость территорий и средняя месячная температура воздуха. Лесное хозяйство позволяет реализовать значительный потенциал поглощения парниковых газов. Температура является важнейшим индикатором климатических процессов в регионе. Первый общий фактор, таким образом, может быть в целом интерпретирован как климатические условия региона.

По второй группе показателей результаты факторного анализа приведены в таблице 2. Для разных лет метод Кайзера − Гутманна позволил выделить от 1 до 2 общих факторов с объяснением от 60 % дисперсии исходных признаков. При этом первый общий фактор ($F_1^2$ ) объясняет не менее 49 % первоначальной дисперсии. Среднеквадратическая ошибка факторных моделей для различных лет не превышала 0,06 (за исключением 2014−2016, 2019 гг.), что позволяет сделать вывод об адекватности моделей.

Для всех лет (кроме 2020 г.) факторные нагрузки больше 0,6 по модулю соответствовали двум показателям – стоимости основных фондов и среднедушевым денежным доходам населения. Стоимость основных фондов является важным фактором экономического роста, а среднедушевые денежные доходы − важнейший индикатор уровня жизни населения. Второй общий фактор, таким образом, может быть в целом интерпретирован как экономическое положение региона.

Для каждой модели факторного анализа получены значения общих факторов $F_1^1$  и $F_1^2$  методом Бартлетта.

На втором этапе выполним регрессионное моделирование для макроэкономических переменных (Y₁ и Y₂) с использованием в качестве объясняющих факторов интегральных показателей, полученных на предыдущем шаге ($F_1^1$  и $F_1^2$  ). В спецификации моделей для логарифмов ВРП (Y₁) и ИПЦ (Y₂) включим лаговые значения объясняемой переменной для учета инерционности экономического роста и инфляции соответственно, а также для нивелирования возможной эндогенности в уравнении. Общий вид оцениваемого уравнения:

$y_{it}=\gamma y_{it-1}+F_{it}^T\beta +u_i+{\epsilon }_{it}$ ,

где y – логарифм макроэкономической переменной (ВРП или ИПЦ); F – общие факторы; u – индивидуальные эффекты; ε – случайная ошибка; i – индекс по объектам; i = 1, …, 79; t – индекс по времени; t = 2000, …, 2020.

Оценивание уравнения при помощи внутригруппового преобразования (within) приводит к смещенным и несостоятельным оценкам.

Таблица  1.  Результаты факторного анализа для группы климато-экологических переменных, 2000−2020 гг.¹³

Table  1.  Results of factor analysis for the group of climate-ecological variables, 2000−2020

Показатели*/ Indicators	2000	2001	2002	2003	2004	2005	2006	2007	2008	2009	2010	2011	2012	2013	2014	2015	2016	2017	2018	2019	2020
X1	0,33	0,33	0,21	0,23	0,17	0,24	0,38	0,13	0,27	0,30	0,41	0,42	0,29	0,40	0,36	0,44	0,32	0,36	0,33	0,29	0,29
X2	0,61	0,64	0,62	0,67	0,63	0,60	0,52	0,67	0,60	0,61	0,60	0,56	0,62	0,62	0,62	0,61	0,65	0,63	0,60	0,62	0,64
X3	0,05	0,04	0,06	0,11	0,11	0,09	0,06	0,14	0,06	0,11	0,10	0,04	0,07	0,02	0,12	0,09	0,09	0,09	0,01	0,17	0,05
X4	-0,63	-0,69	-0,60	-0,67	-0,63	-0,61	-0,65	-0,64	-0,60	-0,67	-0,71	-0,72	-0,70	-0,73	-0,68	-0,75	-0,71	-0,68	-0,65	-0,65	-0,65
X5	0,02	-0,19	-0,07	-0,01	-0,09	0,08	0,13	-0,09	0,08	0,13	0,10	0,31	0,31	0,32	0,22	0,11	0,15	-0,04	0,12	-0,11	0,02
Доля объясненной дисперсии*/ Share of explained variance	0,33	0,35	0,32	0,33	0,32	0,32	0,33	0,32	0,31	0,35	0,36	0,37	0,36	0,38	0,40	0,36	0,35	0,34	0,33	0,34	0,33
RMSE модели / Model RMSE	0,06	0,05	0,05	0,05	0,04	0,05	0,05	0,05	0,04	0,04	0,04	0,05	0,05	0,04	0,04	0,06	0,05	0,05	0,05	0,05	0,05
Количество факторов / Number of factors	2	3	3	2	2	2	2	3	2	2	2	2	2	2	2	2	2	2	2	2	2

_{Примечания. * − в таблице приведены факторные нагрузки для первого фактора после варимакс вращения, а также доля объясненной первым общим фактором дисперсии. Курсивом выделены факторные нагрузки, большие по модулю 0,6. Обозначения: X1 − выбросы загрязняющих веществ в атмосферный воздух, отходящих от стационарных источников, тыс. т.; X2 – лесистость территорий (по данным учета на конец года), %; X3 – сброс загрязненных сточных вод в поверхностные водные объекты, млн м3 по отношению к использованию свежей воды, млн м3; X4 – средняя месячная температура воздуха (за январь и июль), °С; X5 – доля расходов на охрану окружающей среды в расходах консолидированного регионального бюджета, %.}

_{Notes. * − in the table the factor loads for the first factor after varimax rotation are presented, as well as the share of explained dispersion by the first general factor. In italics are indicated factor loads, which are large in modulus 0,6. Designations: X1 – air pollutant emissions from stationary sources, ths. tons; X2 ‒ forests of territories (according to accounting data as of the end of the year), %; X3 – discharge of polluted wastewater into surface water bodies, million m3 in relation to fresh water use, million m3; X4 – average monthly air temperature (for January and July), °С; X5 ‒ share of environmental protection expenses in the expenses of the consolidated regional budget, %.}

 

Таблица  2.  Результаты факторного анализа для группы экономических переменных, 2000–2020 гг.

Table  2.  Results of factor analysis for the group of economic variables, 2000–2020

Показатели*/ Indicators	2000	2001	2002	2003	2004	2005	2006	2007	2008	2009	2010	2011	2012	2013	2014	2015	2016	2017	2018	2019	2020
X6	-0,30	-0,31	-0,30	-0,29	-0,33	-0,32	-0,35	-0,29	-0,26	-0,28	-0,24	-0,27	-0,27	-0,27	-0,41	-0,44	-0,48	-0,49	-0,45	-0,39	-0,08
X7	0,71	0,68	0,62	0,68	0,71	0,71	0,71	0,79	0,79	0,77	0,77	0,77	0,75	0,75	0,71	0,70	0,68	0,68	0,67	0,70	0,55
X8	0,53	0,45	0,48	0,53	0,35	0,40	0,53	0,45	0,48	0,52	0,56	0,52	0,47	0,49	0,49	0,46	0,44	0,52	0,47	0,55	0,61
X9	0,81	0,79	0,77	0,79	0,80	0,77	0,78	0,77	0,72	0,74	0,70	0,70	0,67	0,65	0,66	0,67	0,67	0,68	0,68	0,69	0,60
Доля объясненной дисперсии*/ Share of explained variance	0,53	0,50	0,49	0,52	0,49	0,50	0,54	0,52	0,50	0,52	0,52	0,51	0,49	0,49	0,51	0,51	0,51	0,53	0,51	0,53	0,50
RMSE модели / Model RMSE	0,06	0,05	0,06	0,05	0,06	0,06	0,04	0,05	0,06	0,05	0,05	0,05	0,05	0,05	0,07	0,08	0,08	0,06	0,06	0,08	0,06
Количество факторов / Number of factors	2	2	2	2	2	1	1	2	2	2	2	2	2	2	1	1	1	1	1	1	2

_{Примечания. * − в таблице приведены факторные нагрузки для первого фактора после варимакс вращения, а также доля объясненной первым общим фактором дисперсии. Курсивом выделены факторные нагрузки, большие по модулю 0,6. Обозначения: X6 – уровень безработицы, %; X7 – стоимость основных фондов на конец года, млн руб.; X8 – доля занятых с высшим и средним профессиональным образованием в общей численности занятых, %; X9 – среднедушевые денежные доходы населения в месяц, руб.}

_{Notes. * − in the table the factor loads for the first factor after varimax rotation are presented, as well as the share of explained dispersion by the first general factor. In italics are indicated factor loads, which are large in modulus 0,6. Designations: X6 – unemployment rate, %; X7 – cost of fixed assets, as of the end of the year, mln rubles; X8 – share of employees with higher and secondary vocational education in the total number of employees, %; X9 – average per capita income of the population, per month, rubles.}

 

Для идентификации коэффициентов в уравнении может быть применен обобщенный метод моментов (ОММ), описанный М. Аллерано и С. Бонд¹⁴. Однако при его использовании отмечена проблема слабости инструментов. Для получения дополнительных сильных инструментов предложено составление системы уравнений для уровней и для разностей переменных, реализованное в системном ОММ¹⁵. Системный ОММ позволяет улучшить эффективность оценок. Стандартные ошибки коэффициентов уравнения имеют смещение, поэтому при расчетах применялась коррекция ошибок по Ф. Виндмейеру [17]. В случае спецификации уравнения с робастными стандартными ошибками для тестирования на валидность инструментов применяется тест Хансена. Дополнительно также использовались тесты Хансена для подмножеств инструментов и для разностей.

В таблице 3 приведены оценки для логарифма ВВП. В модель включены два лага зависимой переменной. Статистика Ареллано – Бонда показывает, что гипотеза о равенстве нулю автокорреляции третьего порядка не может быть отклонена на 1-процентном уровне значимости. Оба лага зависимой переменной значимы: лаг в 1 год – с положительным знаком, лаг в 2 года – с отрицательным знаком.

 

Таблица 3. Регрессия для логарифма валового регионального продукта на душу населения,

регионы Российской Федерации, 2000–2020 гг.

Table 3. Regression for GRP logarithm per capita, regions of the Russian Federation, 2000–2020 years

Переменные / Variables	Метод оценивания / Estimating method
	Обобщенный метод моментов / General method of moments	Системный обобщенный метод моментов, двухшаговый / System general method of moments, two-step
1	2	3
Логарифм ВРП на душу населения с лагом в 1 год / Logarithm of GRP per capita with 1 year lag	0,722*** (0,095)	1,098*** (0,029)
Логарифм ВВП на душу населения с лагом в 2 года / Logarithm of GRP per capita with 2 years lag	-0,150*** (0,038)	-0,092*** (0,026)
Интегральный фактор климатических условий / Integral factor of climatic conditions	0,012** (0,006)	0,013*** (0,005)
Интегральный фактор экономического положения / Integral factor of economic situation	0,022* (0,012)	0,023* (0,013)
Константа / Constant	5,701*** (1,345)	-0,045 (0,268)
Индивидуальные эффекты по регионам / Individual effects by regions	Да / Yes	Да / Yes
Фиктивные переменные времени / Dummy time variables	Да / Yes	Да / Yes
Число наблюдений / Observations	1 422	1 501
Число объектов / Objects	79	79
Число инструментов / Instruments	57	76
Тест Ареллано – Бонда для первых разностей переменных / Arellano&Bond test in first differences
AR(1)	0,000	0,000
AR(2)	0,211	0,011
AR(3)	0,013	0,017
Тест Хансена на сверхидентифицирующие ограничения / Hansen test for overidentifying restrictions	0,038	0,972
Тест Хансена на экзогенность подмножеств инструментов / Hansen test of exogeneity of instrument subsets
для переменных / for variables		0,464
для первых разностей переменных / for first differences of variables		0,735
Тест разностей Хансена / Difference-in-Hansen test
для переменных / for variables		0,996
для первых разностей переменных / for first differences of variables		0,995

_{Примечание / Note. В круглых скобках приведены робастные стандартные ошибки. Значимость коэффициентов: *** − 1 %, ** − 5 %, * − 10 %. Для тестов приведены p-значения / Robust standard errors are given in parentheses. Coefficients significance: *** − 1%, ** − 5%, * − 10%. For tests p-values are given.}

 

Основной результат, полученный в регрессии – значимое (на 1-процентном уровне при оценивании системным ОММ) влияние интегрального фактора климатических условий. При увеличении этого фактора на 1 условную единицу ВРП в среднем увеличится на 1,3 %. Учитывая таблицу 1 в части факторных нагрузок для первого фактора, полученную оценку можно интерпретировать как увеличение ВРП при расширении лесистости территорий и уменьшение ВРП при потеплении – увеличении средней месячной температуры воздуха, что соответствует опубликованным результатам [10; 11].

Также положительно значим фактор экономического положения региона.

В таблице 4 приведены оценки для логарифма ИПЦ. В модель включен один лаг зависимой переменной. Статистика Ареллано – Бонда показывает, что гипотеза о равенстве нулю автокорреляции второго порядка не может быть отклонена. Лаг зависимой переменной значим с положительным знаком, что соответствует известной модели адаптивных ожиданий.

 

Таблица 4.  Регрессия для логарифма индекса потребительских цен на все товары и услуги, регионы Российской Федерации, 2000–2020 гг.

Table  4.  Regression for CPI logarithm, regions of the Russian Federation, 2000–2020

Переменные / Variables	Метод оценивания / Estimating method
	Обобщенный метод моментов / General method of moments	Системный обобщенный метод моментов, двухшаговый / System general method of moments, two-step
Логарифм ИПЦ с лагом в 1 год / Logarithm of CPI with 1 year lag	0,023* (0,013)	0,022*** (0,007)
Интегральный фактор климатических условий / Integral factor of climatic conditions	0,004*** (0,001)	0,003*** (0,000)
Интегральный фактор экономического положения / Integral factor of economic situation	-0,002*** (0,000)	-0,001*** (0,000)
Константа / Constant	4,546*** (0,061)	4,554*** (0,035)
Индивидуальные эффекты по регионам / Individual effects by regions	Да / Yes	Да / Yes
Фиктивные переменные времени / Dummy time variables	Да / Yes	Да / Yes
Число наблюдений / Observations	1 501	1 580
Число объектов / Objects	79	79
Число инструментов / Instruments	59	78
Тест Ареллано ‒ Бонда для первых разностей переменных / Arellano&Bond test in first differences
AR(1)	0,000	0,000
AR(2)	0,313	0,259
Тест Хансена на сверхидентифицирующие ограничения / Hansen test for overidentifying restrictions	0,021	0,109
Тест Хансена на экзогенность подмножеств инструментов / Hansen test of exogeneity of instrument subsets
для переменных / for variables		0,017
для первых разностей переменных / for first differences of variables		0,010
Тест разностей Хансена / Difference-in-Hansen test
для переменных / for variables		0,888
для первых разностей переменных / for first differences of variables		0,947

 

 

Важным является значимость интегрального фактора климатических условий: при увеличении фактора на 1 условную единицу ИПЦ в среднем увеличится на 3 %. Фактически, учитывая таблицу 1 в части факторных нагрузок, увеличение ИПЦ связано с расширением лесистости территорий, а уменьшение – с потеплением, что соответствует, например, выводам К. Мукурджи и Б. Уаттара [6]. При этом влияние температуры воздуха на снижение уровня цен, по нашему мнению, опосредовано другими факторами, в частности, экономической активностью. Мы полагаем, что механизм такого влияния требует дополнительного анализа.

Интегральный фактор экономического положения региона значим с отрицательным коэффициентом – инфляция снижается при улучшении характеристик экономического развития региона.

При применении ОММ для получения несмещенных оценок количество инструментов не должно превышать число регионов [18]. В регрессиях в таблицах 3 и 4 это правило выполняется в том числе и для системного ОММ.

Результаты в таблицах 3 и 4 достаточно устойчивы к методу оценивания, что позволяет сделать вывод о корректности расчетов.

Обсуждение и заключение.

В работе получены количественные оценки влияния климатических характеристик на ключевые макроэкономические показатели монетарной политики на основе информационной базы по российским регионам. Применялась методология исследования, сочетающая использование факторного анализа по регионам при фиксированном годе и регрессионное моделирование с использованием интегральных факторов, полученных на предыдущем этапе, на панели данных по регионам.

Факторный анализ, примененный для двух групп экзогенных переменных, позволил выделить два интегральных общих фактора: климатический (основные нагрузки фактора образовывали лесистость территории и средняя месячная температура воздуха) и фактор экономического положения (основные нагрузки фактора – стоимость основных фондов экономики и среднедушевые денежные доходы населения).

Спецификации регрессионных моделей для ВРП на душу населения региона и индекса потребительских цен на все товары и услуги включали кроме выделенных интегральных факторов также лаговые значения объясняемых переменных для учета инерционности экономического развития и снижения возможной эндогенности в уравнениях. Параметры регрессий на панельных данных идентифицировались двумя методами – обобщенным методом моментов и системным обобщенным методом моментов.

Получено, что интегральный фактор климатических условий значимо (на 1-процентном уровне) положительно влияет на ВРП на душу населения, а также значимо (на 1-процентном уровне) положительно влияет на индекс потребительских цен.

Исследование с количественным анализом влияния климатических переменных на макроэкономические показатели монетарной политики по российским данным в региональном аспекте фактически является одним из первых. Эмпирическое изучение динамики макроэкономических процессов, связанных с монетарной политикой в контексте климата, позволило выявить на панельных данных по российским регионам значимое влияние изменений климата (повышение температуры воздуха, лесистость территории региона) на ключевые макроэкономические переменные, контролируемые при разработке и проведении мероприятий денежно-кредитной политики – ВРП и индекс потребительских цен.

Таким образом, объективно происходящие на территории российских регионов изменения климата способны отрицательно повлиять на экономическую ситуацию, что требует активизации внедрения и разработки мероприятий, направленных на улучшение экологической ситуации: снижение выбросов CO₂, развитие и применение лесосберегающих технологий и т. п. Кроме того, в связи с инерционностью и глобальностью полное исключение климатических рисков не представляется возможным. Также при реализации денежно-кредитной политики необходимо учитывать изменение климатической ситуации.

Практическая значимость статьи заключается в количественном выражении полученных результатов, что позволяет использовать оценки для разработки мероприятий региональной политики на различных уровнях государственного управления. Перспективно дальнейшее исследование конкретных каналов влияния климатических изменений на эффективность трансмиссионного механизма монетарной политики России как в краткосрочной, так и в долгосрочной перспективе.

 

 

¹ Recommendations of the Task Force on Climate-related Financial Disclosures: Final Report [Электронный ресурс]. FSB-TCFD, June 2017. URL: https://assets.bbhub.io/company/sites/60/2021/10/FINAL-2017-TCFD-Report.pdf (дата обращения: 25.08.2022).

² Climate Change and Monetary Policy: Initial Takeaways [Электронный ресурс]. June 2020. NGFS Technical Document. URL: https://www.ngfs.net/sites/default/files/medias/documents/climate_change_and_monetary_policy.pdf (дата обращения: 25.08.2022).

³ NGFS Climate Scenarios for Central Banks and Supervisors [Электронный ресурс]. June 2021. NGFS. URL: https://www.ngfs.net/sites/default/files/media/2021/08/27/ngfs_climate_scenarios_phase2_june2021.pdf (дата обращения: 25.08.2022).

⁴ Основные направления единой государственной денежно-кредитной политики на 2022 год и период 2023 и 2024 годов [Электронный ресурс]. М. : Центр. банк Рос. Федерации, 2021. C. 51–56. URL: https://www.cbr.ru/Content/Document/File/126064/on_project_2022(2023-2024).pdf (дата обращения: 25.08.2022).

⁵ Влияние климатических рисков и устойчивое развитие финансового сектора Российской Федерации. Доклад для общественных консультаций [Электронный ресурс]. М. : Центр. банк Рос. Федерации, 2020. URL: https://www.cbr.ru/content/document/file/108263/consultation_paper_200608.pdf (дата обращения: 25.08.2022).

⁶ Шнабель И. Изменение климата и денежно-кредитная политика [Электронный ресурс] // Финансы и развитие. 2021. Сентябрь. С. 53–55. URL: https://www.imf.org/external/russian/pubs/ft/fandd/2021/09/pdf/schnabel.pdf (дата обращения: 25.08.2022).

⁷ Desmet K., Rossi-Hansberg E. The Economic Impact of Climate Change over Time and Space [Электронный ресурс] // The Reporter. 2021. No. 4. URL: https://www.nber.org/reporter/2021number4/economic-impact-climate-change-over-time-and-space (дата обращения: 25.08.2022).

⁸ Исторические данные о результатах экономической политики нельзя использовать для точного предсказания последствий будущей политики, потому что не учитывается изменение поведенческих реакций людей и их способность адаптироваться и влиять на ситуацию.

⁹ Кобышева Н. В., Акентьева Е. М., Галюк Л. П. Климатические риски и адаптация к изменениям и изменчивости климата в технической сфере : моногр. СПб. : Кириллица, 2015. 213 с.

¹⁰ Исключены регионы, для которых нет полного набора значений по выбранным показателям − Республика Крым, г. Севастополь, Чеченская Республика, автономные округа кроме Чукотского.

¹¹ Регионы России. Социально-экономические показатели [Электронный ресурс] // Федеральная служба государственной статистики : сайт. URL: https://rosstat.gov.ru/folder/210/document/13204 (дата обращения: 25.08.2022).

¹² Прикладная статистика: классификация и снижение размерности / С. А. Айвазян [и др.]. М. : Финансы и статистика, 1989. 607 с.

¹³ Здесь и далее в статье все таблицы составлены авторами.

¹⁴ Arellano M., Bond S. Some Tests of Specification for Panel Data: Monte-Carlo Evidence and an Application to Employment Equations // Review of Economic Studies. 1991. Vol. 58, issue 2. Pp. 277–297. doi: https://doi.org/10.2307/2297968

¹⁵ Arellano M., Bover O. Another Look at the Instrumental Variable Estimation of Error-Components Models // Journal of Econometrics. 1995. Vol. 68, issue 1. Pp. 29–51. doi: https://doi.org/10.1016/0304-4076(94)01642-D

Авторлар туралы

Sergey Arzhenovskiy

Rostov Regional Division of the Southern Main Branch of the Central Bank
of the Russian Federation; Rostov State University of Economics (Rostov-on-Don

Хат алмасуға жауапты Автор.
Email: sarzhenov@gmail.com
ORCID iD: 0000-0001-8692-7883
Scopus Author ID: 56685608200
ResearcherId: L-2758-2016

Dr. Sci. (Economics), Professor, Head Economist, Department of Statistics, Econometrics and Risk Assessment

Ресей, 22a Sokolov ave., Rostov-on-Don 344006; 69 Bolshaya Sadovaya St., Rostov-on-Don 344002

Tatiana Sinyavskaya

Rostov State University of Economics

Email: sin-ta@yandex.ru
ORCID iD: 0000-0002-4120-9180
Scopus Author ID: 57210161952

Cand. Sci. (Economics), Associate Professor, Department of Statistics, Econometrics and Risk Assessment

Ресей, 69 Bolshaya Sadovaya St., Rostov-on-Don 344002

Vardan Nikogosyan

Rostov State University of Economics

Email: don15@mail.ru
ORCID iD: 0000-0002-2963-5654

Cand. Sci. (Economics), Associate Professor, Department of Statistics, Econometrics and Risk Assessment

Ресей, 69 Bolshaya Sadovaya St., Rostovon-Don 344002

Әдебиет тізімі

Қосымша файлдар