Статья: Влияние пандемии COVID-19 на устойчивость экономики Китая

В настоящее время регионы в России и в Китае развиваются диспропорционально. К основным показателям регионального развития относятся: валовой региональный продукт, отношение денежных доходов к прожиточному минимуму, уровень бедности и плотность населения. Статистика на основе этих показателей демонстрирует зоны наиболее вероятного антропогенного «проникновения» различных видов экономической деятельности. Пределы прежней модели экономического роста достигнуты, в результате чего, в частности, возникают экстраординарные вызовы, связанные со здоровьем населения [Бочарников, 2012]. Примечательно, что источники пандемий появляются в районах повышенной антропогенности. Как следствие, сложилось убеждение, что поствирусная экономика должна быть «зеленой», социально и экологически ориентированной.

Табл. 1. Индикаторы, использованные в исследовании

Примечание: индикаторы, обозначенные символом (*), рассчитаны с использованием методологии Интерфакс-ЭРА [Интерфакс, 2010] применительно к китайским провинциям. Прочие индикаторы взяты из базы данных БР8 (http://olap.epsnet.com.cn/).

Источник: составлено авторами.

Данные

В основу нашего исследования легли сведения из общедоступных межрегиональных статистических таблиц «затраты-выпуск», публикуемых Национальным бюро статистики Китая (China's National Bureau of Statistics) с 1992 г. каждые пять лет. Использовались последние доступные на текущий момент данные - за 2017 г. Исследование охватило 31 провинцию Китая. Сведения по России (за 2014 г.) взяты из базы данных по экономике WIND.3 Экологические, экономические и социальные показатели заимствованы из статистических сборников по окружающей среде (China Environmental Statistical Books) и базы данных EPS Режим доступа: http://olap.epsnet.com.cn/, дата обращения 13.04.2020.. Статистика по распространению COVID-19 в Китае, в том числе в провинции Хубэй, за январь-март 2020 г. представлена в разделе по здравоохранению на платформе WeChat. Индекс миграции между провинциями содержится в базе Baidu Qianxi Режим доступа: http://qianxi.baidu.com , дата обращения 13.04.2020.. Данные, код для работы в программе Python и результаты расчетов доступны на сайте GitHub Режим доступа: https://github.com/rufimich/Virus_prov, дата обращения 13.04.2020.. Полный список индикаторов представлен в табл. 1, перечень сокращенных названий индустриальных секторов экономики Китая - в табл. 2. Перед обработкой все данные подвергались перекрестной проверке на согласованность с использованием методов наложения и визуального сравнения.

Методология

Анализ затрат и результатов

Расчеты по модели «затраты-выпуск» выявляют системную картину прямых и косвенных связей между

Табл. 2. Перечень сокращенных

Рис. 1. Пример региональной матрицы «затраты-выпуск» для Китая

Источник: [Yan et al., 2020].

различными отраслями в процессе производства [Chen, 1990; Yan et al., 2020], обеспечивают основу для изучения структуры промышленности и проведения множественного количественного анализа [Leontief, 2008]. Мониторинг затрат и результатов используется при оценке китайской экономики начиная с 1960 г. Первую экспериментальную таблицу «затраты-выпуск» разработали Чэнь Сикан (Chen Xikang) и его коллеги в 1973 г., и инструментарий постоянно совершенствуется [Yan et al., 2020].

В нашей статье применяется следующий алгоритм моделирования межрегиональных таблиц «затраты- выпуск» [Oliveira, Antunes, 2011] и вычисления индекса миграции:

• Шаг 1: расчет связей между финансовыми и миграционными потоками для каждой провинции Китая. Пекин, Тяньцзинь и другие провинции (общим числом 31) рассматривались как закрытые разграниченные подсистемы (подсчет вели для каждой подсистемы-провинции). На рис. 1 представлен пример таблицы «затраты-выпуск» для провинции.

• Шаг 2: вычисление входной эффективности производства и вероятности безостановочной работы потенциальных надежных транспортных каналов, играющих важную роль в каждой провинции. Оценивалась передача ресурсов между провинциями (31 регион) и индустриальными секторами (42 отрасли). Особо выделялись поставки из Хубэя в другие регионы. На основе матриц моделировались финансовые потоки между провинциями.

• Шаг 3: моделирование миграционных потоков в провинциях по данным индекса миграции.

• Шаг 4: прогнозирование китайско-российских финансовых потоков после вспышки COVID-19 с использованием матриц «затраты-выпуск» по Китаю и России.

SARIMA-анализ

Моделирование процессов производилось на базе программы Python 3.4 [Sarker, 2014; Scellato, 2013] См. также: Applied Social Network Analysis in Python (онлайн-курс Университета штата Мичиган (University of Michigan)). Режим доступа: https:// www.coursera.org/learn/python-social-network-analysis/lecture/ZhNvi/clustering-coefficient, дата обращения 11.01.2020.. Анализ

по сезонной модели авторегрессионного интегрированного скользящего среднего (seasonal autoregressive integrated moving average, SARIMA) позволил определить экономические, социальные и экологические факторы, в наибольшей мере подверженные вирусной атаке. Всего протестированы 23 фактора. Методология тестирования включала:

• факторный анализ;

• определение наиболее влиятельных факторов для устойчивых индексов провинций Китая;

• построение регрессионной модели SARIMA.

Сценарное моделирование

Были рассчитаны четыре различных сценария посткоронавирусной экономики провинций Китая с использованием методологии net-science [Suarez et al., 2015], а также проанализированы посткризисные финансовые потоки между Китаем и Россией. Схема принятия сценарных решений представлена на рис. 2.

Рис. 2. Схема принятия решений при сценарном моделировании

После определения набора параметров снижения уровня производства в провинции Хубэй в соответствии с каждым сценарием были спрогнозированы перераспределение активов и уровень их дефицита для всех регионов. Затем согласно четырем сценариям оценено распределение ресурсов по каждой провинции.

Результаты

Регрессионное моделирование

С использованием матриц «затраты-выпуск» про анализированы финансовые потоки и индекс миграции между регионами. Табл. 3 и рис. 3 демонстрируют взаимную корреляцию регионального продукта Х-провинции и индекса У-миграции.

Согласно результатам регрессии ОЬ8 минимальная взаимосвязь между финансовыми потоками и индексом миграции составляет 1,099147е+06 и является очень тесной. Можно заключить, что в провинции Хубэй при блокировании миграционных потоков полностью остановится производство. При распространении вируса из определенной провинции в первую очередь пострадают тесно связанные с ней регионы (см. рис. 3).

Рис. 3. Межпровинциальные финансовые потоки (млн долл.) и уровень миграции

Мы исходили из предположения, что срок карантина в провинции Хубэй продлится шесть месяцев. При этом стоит ожидать сокращения годового объема производства вдвое и уменьшения потребления на четверть. Как будет выглядеть ситуация в других регионах?

Табл. 3. Результат регрессии OLS

Примечание: в этой и других таблицах и рисунках, если не указано иное, источником данных являются результаты авторских расчетов по программе Python. Режим доступа: https://github.com/rufimich/Virus_prov, дата обращения 17.04.2020.

Протестировано изменение финансовых потоков других провинций при сокращении финансовых и миграционных потоков из провинции Хубэй на 25%. Если поставки сырья и деталей из Хубэя в другие провинции прекратятся, то их производственные планы также сорвутся, и процесс охватит по цепочке все регионы.

Наш анализ показал, что во время эпидемии экономическая активность снижается во всех провинциях. В основном СОУШ-19 распространяется благодаря тесным экономическим связям и миграционным потокам населения. Между ними очень высокая корреляция. Если источник вируса появляется в конкретном регионе, то провинции, которые экономически связаны с ним, пострадают первыми. Проведена оценка качества регрессии; высокая корреляция означает, что чем сильнее экономическая связь между регионами, тем выше миграционные потоки. Если правительство будет стимулировать экономическую активность во всех провинциях пропорционально, то в соответствии с принципом энтропии удастся добиться наименьшего снижения ВВП Китая.

Для программирования потоков между провинциями использовался Python 3.4. Пекин, Тяньцзинь и другие регионы (всего 31) рассматривались как отдельные подсистемы. Произведены подсчеты по каждой из них. Установлено, что все регионы имеют значение эффективности около 1.5 и величину потенциала на уровне 5.8 с минимальными различиями. Тем не менее в открытой системе (с учетом других входных и выходных данных провинции) результаты совершенно иные. На рис. 4 показаны финансовые потоки между регионами. Наибольшей интенсивностью характеризуются контакты между провинциями Гуандун, Чжэцзян, Цзянсу, Юньнань, Шанхай, Хэбэй, Шаньдун, Пекин, Тяньцзин, Внутренняя Монголия. Кроме того, потоки иллюстрируют растущие связи между центральными и западными территориями, такими как Хубэй, Аньхой и Цзянси.

Рис. 4. Финансовые потоки между китайскими провинциями

Табл. 4. Расчеты регрессии OLS