Вопросы экономики_2020_04

ВСЕРОССИЙСКОЕ ЭКОНОМИЧЕСКОЕ ИЗДАНИЕ

™

ОРДЕНА ТРУДОВОГО КРАСНОГО ЗНАМЕНИ
ЕЖЕМЕСЯЧНЫЙ ЖУРНАЛ
ВЫХОДИТ С 1929 г.

апрель 2020

Редакционная коллегия
О.  И  .    А  наньин, Р.  С  .  Г  ринберг,  Н  .  И  .  И  ванова, А. Я  . К  отковский­ (исполняющий
обязанности главного редактора), Я. И  . К  узьминов, В. А  . М  ау, А. Д  . Н  екипелов,
Р. М  . Н  уреев, Г. Х  . П  опов, С. Н  . П  опов (ответственный­ секретарь)­, Вад. В  . Р  адаев,
А. Я  .  Р  убинш­ тейн, Д. Е  . С  орокин, Е. Г  . Я  син
Х. Канамори (Япония), Гж. Колодко (Польша), Л. Конг (Китай), Л. Чаба (Венгрия),
М. Эллман (Нидерланды), М. Эмерсон (Великобритания)

МОСКВА

СОДЕРЖАНИЕ

ВОПРОСЫ ТЕОРИИ
В. Л. Тамбовцев — Нарративный анализ в экономической теории

как восхождение к сложности.................................................................. 5

ДЕНЕЖНО-КРЕДИТНАЯ ПОЛИТИКА
А. А. Пестова, Н. А. Ростова — Экономические эффекты монетарной

политики в России: о чем говорят большие массивы данных?..................... 31
Ф. С. Картаев, О. А. Клачкова, А. С. Лукьянова — Как инфляция

влияет на неравенство доходов в России?................................................. 54

МЕТОДОЛОГИЯ ЭКОНОМИЧЕСКОГО АНАЛИЗА
Р. И. Капелюшников — Команда Т. Пикетти о неравенстве в России:

коллекция статистических артефактов...................................................... 67

РЕГИОНАЛЬНАЯ ЭКОНОМИКА
А. В. Мишура, С. В. Бекарева, Е. Н. Мельтенисова — Как недостаток

конкуренции сдерживает жилищное кредитование на российских
региональных рынках?........................................................................... 107
Е. Н. Тимушев — Бюджетные полномочия муниципалитетов
ресурсообеспеченных регионов России и внебюджетные инвестиции........... 129

НАУЧНЫЕ СООБЩЕНИЯ
Е. В. Синельникова-Мурылева — Цифровые валюты центральных

банков: потенциальные риски и выгоды.................................................... 147

https://doi.org/10.32609/0042-8736-2020-4

© НП «Вопросы экономики», 2020.

3

CONTENTS

ISSUES OF THEORY
V. L. Tambovtsev — Narrative analysis in economics as climbing complexity..... 5

MONETARY POLICY
A. A. Pestova, N. A. Rostova — Economic effects of monetary policy in

Russia: What do large datasets tell us?...................................................... 31
P. S. Kartaev, O. A. Klachkova, A. S. Lukianova — How does inflation

influence income inequality in Russia?........................................................ 54
METHODOLOGY OF ECONOMIC ANALYSIS

R. I. Kapeliushnikov — Piketty’s team on inequality in Russia:
A collection of statistical artifacts.............................................................. 67
REGIONAL ECONOMY

A. V. Mishura, S. V. Bekareva, E. N. Meltenisova — Concentration in
the banking sector and housing lending in Russian regions............................ 107

E. N. Timushev — Fiscal powers of municipalities in Russia’s resource-rich
regions and fixed capital investment........................................................... 129
RESEARCH NOTES

E. V. Sinelnikova-Muryleva — Central bank digital currencies: Potential
risks and benefits.................................................................................... 147

https://doi.org/10.32609/0042-8736-2020-4
© 2020 NP “Voprosy Ekonomiki”.
4

Вопросы экономики. 2020. № 4. С. 5—30.
Voprosy Ekonomiki, 2020, No.  4, pp. 5—30.

ВОПРОСЫ ТЕОРИИ

Нарративный анализ в экономической
теории как восхождение к сложности

В. Л. Тамбовцев

МГУ имени М. В. Ломоносова (Москва, Россия)

В статье проанализированы два «поворота», произошедшие в послед-
ние десятилетия в экономической науке, — к сложности и к субъективной
информации, — и роль нарративного анализа в их успешном осуществлении.
Рассмотрены основные положения такого анализа и показано, что он является
действенным только по отношению к группам индивидов, которые распола-
гают ресурсным потенциалом, позволяющим трактовать сюжеты нарративов
как осуществимые альтернативы принятия решений. Показано, что агент-
ориентированные модели в настоящее время наиболее эффективные инстру-
менты реализации в теоретических и эмпирических исследованиях в рамках
сдвигов как к сложности, так и к субъективной информации.

Ключевые слова: сложность экономики, субъективная информация,
нарративный анализ, агент-ориентированные модели.

JEL: B52, C63, D80.

Сложность экономики в экономической теории

Понятие сложности, подобно многим общим понятиям, не имеет
определения, единого для разных сфер. В течение долгого времени
размытость самого понятия и отсутствие его операциональных опреде-
лений служили основанием для критики наук, которые ссылались на
эту характеристику своих объектов исследования. Так, Р. Бейн писал:
«Остается фактом, что социологи и другие исследователи общества не
производят столь много несомненно научных результатов, как физики.
В порядке компенсации этого они часто ссылаются на „сложность“
своих данных» (Bain, 1929. Р. 222; перевод мой. — В. Т.).

Ситуация начала меняться с возникновением общей теории сис-
тем, где появилось понятие сложной системы (Von Bertalanffy, 1950;

Тамбовцев Виталий Леонидович ([email protected]), д. э. н., проф.
экономического факультета МГУ.

https://doi.org/10.32609/0042-8736-2020-4-5-30
© НП «Вопросы экономики», 2020

5

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

Ladyman et al., 2013). Авторы работ, посвященных тематике сложных
систем, опираясь на различные представления, тем не менее их основ-
ными характеристиками считают следующие (см., например: Cilliers,
2000. Р. 24):

— сложные системы состоят из большого числа элементов, которые
сами по себе могут быть простыми;

— взаимодействия элементов (обмены энергией, веществами и ин-
формацией) динамичны, разнообразны и нелинейны, часто имеют
стохастический характер;

— взаимодействия элементов включают много прямых и косвен-
ных обратных связей;

— сложные системы являются открытыми, взаимодействуя с внеш-
ней средой, и далеки от состояния равновесия;

— они располагают распределенной памятью, имея тем самым
историю, которая существенно влияет на их поведение;

— поведение сложных систем зависит от взаимодействия их эле-
ментов и характеризуется свойствами, отсутствующими у них (эмерд­
жентными свойствами);

— сложные системы адаптивны, способны менять свои элементы
и взаимодействия между ними без вмешательства внешних агентов.

Легко видеть, что приведенными свойствами обладает большое
число разнообразных систем, выступающих объектами исследования
как естественных, так и общественных наук, а также наук о челове-
ке. Неудивительно, что на основании этого понятия в широком круге
научных теорий начал происходить «поворот к сложности»1 (Dolphin,
Nash, 2012; Woodside, 2017), затронувший в том числе экономическую
науку2. Содержание этого «поворота» в настоящее время толкуется не-
однозначно. Так, Дж. Фостер связывает исследовательскую программу
сложности с переходом в экономической науке от простейших систем
к сложным (Foster, 2005), привлекая внимание к ранним работам
Г. Саймона (Simon, 1962); М. Фонтана полагает, что неоклассика
не в состоянии охватить понятие сложности, а сам подход называет
«последовательной, отдельно стоящей исследовательской программой»
(coherent stand-alone research program) (Fontana, 2010. Р. 584); с ней
солидарен В. Элснер, относящий экономику сложности к гетеродок-
сальным подходам (Elsner, 2017).

Вместе с тем ряд других исследователей считают иначе: «Мышление
о сложности может обогатить способ, которым экономисты концеп­
туализируют различные феномены, но это обогащение комплементарно
существующей экономической методологии… я отвергаю суждения
о том, что сложность представляет новую парадигму социальных наук»
(Durlauf, 2012. Р. 45; перевод мой. — В. Т.); «экономика сложности
не является частным случаем неоклассической экономики. Напротив,
равновесная экономика выступает частным случаем неравновесной
и, следовательно, сложной экономики» (Arthur, 2013. Р. 19; перевод

1 Э. Морин писал при этом о «парадигме сложности» (Morin, 1992).
2 Р. Холт и  др. говорят о  наступившей в  ней «эре сложности» (Holt et al., 2011),
а Д. Коландер — о «революции сложности» (Colander, 2003).
6

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

мой. — В. Т.). Тем самым они относят экономику сложности к мейн-
стриму, ортодоксальному направлению экономической науки.

А. Хайзе, анализируя отмеченное расхождение взглядов, пред-
лагает различать два понимания сложности, лежащие, по его мне-
нию, в их основании: эпистемологическое и онтологическое (Heise,
2017. Р. 120). Первое концентрируется на нелинейности связей гетеро­
генных агентов, которые (связи) проявляются в эмерджентных ре-
зультатах на макроуровне открытых экономических систем, не своди­
мых к действиям агентов. Второе понимание сохраняет замкнутую
трактовку экономических систем, сводя возникновение (emergence)
к непредвидимым обстоятельствам (contingency), возникающим из
разнообразных взаимодействий агентов, которым свойственна ограни-
ченная рациональность. Соответственно первое понимание порождает
мейнстримную экономику сложности, имеющую иную эпистемологию
и методологию, чем неоклассика, но разделяющую с ней онтологию,
а второе — ­гетеродоксную экономику сложности, не разделяющую
с мейнстримом онтологию (Heise, 2017. P. 122—123).

С нашей точки зрения, такое объяснение, безусловно, имеет право на
существование, однако не менее важно различать «качественные» и «ко-
личественные» теории экономической сложности. Исследования в рам-
ках первых в меньшей степени опираются на измерения и математичес­
кое моделирование, поскольку, подчеркивая присущую экономическим
системам эмерджентность качественных изменений, то есть появление
новых свойств, которых нет и не было у их элементов, не в с­остоянии
моделировать процессы их появления. Эта неспособность обусловлена
знаковой природой любых моделей, приводящей к тому, что знаки новых
свойств могут быть лишь комбинацией знаков, включенных в модель,
либо новыми значениями введенных в нее переменных. Оба варианта,
как легко видеть, не соответствуют понятию эмерджентных свойств,
что препятствует применению математических моделей3. Теории второго
направления основаны на моделях, поскольку базируются на измере-
нии переменных, отражающих сложность национальных и/или регио-
нальных систем, при этом вопросы эмерджентности свойств последних
остаются за пределами исследований. Грубо говоря, здесь применяются
привычные мейнстриму модели, отличающиеся нетривиальными изме-
рителями сложности, которые основываются, впрочем, на стандартных
экономических показателях (Hidalgo, Hausmann, 2009; Tacchella et al.,
2012; Kemp-Benedict, 2014; Ivanova et al., 2020).

Именно это направление исследований эмпирически показало, что
сложность экономики и различных экономических систем имеет зна-
чение для экономического роста4 (Vinci, Benzi, 2018; Gala et al., 2018;
Sbardella et al., 2018), а также продемонстрировало ряд других эконо-
мических явлений: влияние налогообложения на сложность (Lapatinas
et al., 2019), связь с ней интеллектуального уровня населения страны

3 Аналогичные трудности при моделировании институциональных изменений подробно
рассмотрены в: Тамбовцев, 2005. Введение.

4 Поскольку понятие сложности близко к понятию разнообразия, отметим, что влияние
последнего на экономический рост было выявлено намного раньше (Wagner, Deller, 1998;
Funke, Ruhwedel, 2001; Dissart, 2003; Frenken et al., 2007; Анкудинов и др., 2012).

7

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

(Lapatinas, Litina, 2019; Laverde-Rojas, Correa, 2019), тесную связь
сложности и стратегий экономического развития (Felipe et al., 2012;
Sepehrdoust et al., 2019; Любимов, Оспанова, 2019), влияние качества
институтов на темпы усложнения национальной экономики (Collin,
2017; Vu, 2019) и связь сложности с неравенством доходов (Hartmann
et al., 2017).

Необходимо отметить некоторые слабые места метода измерения
сложности экономики, используемого «количественным» вариантом.
Дело в том, что измерители сложности экономики устроены так, что от-
ражают преимущественно экспортируемые, а не производимые товары,
и не охватывают экспортируемые услуги. Хотя предложения об измере-
нии сложности «полной» экономики были сделаны уже несколько лет
назад (Stojkoski et al., 2016; Giovanini, Arend, 2017), в работе группы,
вычисляющей и публикующей коэффициенты экономической сложно-
сти, они (пока?) не отразились. Далее, хотя сторонники количествен-
ного варианта говорят об определяющей роли знаний в формировании
высокой или низкой сложности экономики, сами по себе знания не
фигурируют в процедурах расчета коэффициентов. Наконец, количест-
венная версия имеет ярко выраженный макроэк­ ономический характер,­
а микроэкономические процессы, влияющие на макропоследст­вия,
в рамках этой версии практически не затрагиваются.

Кроме того, сложность экономики — это не только сложность
производимой и экспортируемой продукции, но и (если не в первую
очередь) сложность взаимодействия экономических агентов, их ас-
социаций и государственных организаций, обладающих монополией
на установление правил взаимодействия агентов и принуждение их
к исполнению этих правил. Любая теория экономики как сложной
системы не может не отражать указанных характеристик.

В статье: Sbardella et al., 2018, авторы, анализируя на качественном
уровне факторы динамики сложности, привлекают внимание к поня-
тию способностей (capabilities). Последние, согласно: Fagerberg, Srholec,
20175, представляют собой умения и навыки людей в масштабе страны
в большей или меньшей степени успешно заниматься бизнесом, осу-
ществлять производство и обеспечивать рост своего благосостояния.
Первичными измерителями страновых способностей выступали пока-
затели, отражающие объем научных публикаций и патентов, расходы
на НИР, число пользователей Интернета, число имеющих образование
различных уровней, а также индексы эффективности правительства,
уровня коррупции и верховенства права. Факторный анализ выде-
лил три «способности» — технологию, образование и координацию
(governance), а последующий анализ показал наличие тесных связей
между способностями и уровнем экономического развития стран. Таким
образом, сложность экономики — понятие, имевшее исходно вполне
оригинальное значение, — оказалась следствием ставших уже привыч-
ными понятий инновационной активности, человеческого капитала,
качества институтов, качества правительства и т. п.

5 Ссылающихся на Л. Кима для технологических (Kim, 1997. P. 4) и на М. Абрамовица
для социальных способностей (Abramovitz, 1994. P. 25).
8

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

Этот вывод может показаться негативным по отношению к «пара­
дигме» сложности или «повороту» к ней. В действительности это не
так: сложность общества и его экономики, многообразие процессов
в них возникают не сами по себе, а создаются множеством действий
и взаимодействий людей, которые и порождают большую или мень-
шую сложность. Здесь важно подчеркнуть, насколько значимы для
этих действий и взаимодействий информация и знания.

Проникновение субъективной информации в мейнстрим

Преобладающая сегодня экономическая наука (мейнстрим),
охарак­теризовав свой предмет как изучение процессов распределе-
ния и использования ограниченных ресурсов в обществе6, в течение
долгого времени практически не интересовалась субъектами, которые
осуществляли эти процессы. Индивиды полагались как бы черными
ящиками, некоторым способом выдававшими на выходе свои выяв-
ленные предпочтения на множествах благ в форме выбора некоторых
из них. В моделях выбора предполагалось, что индивид максимизи-
рует свою функцию полезности в рамках бюджетных ограничений,
и набор­благ, который это обеспечивает, будет выбран и потреблен.
Этим черным ящикам вменялись свойство рациональности, то есть
наличие полного знания о благах и своих нуждах, неограниченные
вычислительные способности и тем самым возможности осуществ-
лять оптимальный выбор7. Функция полезности при этом фактичес­
ки не была экспликацией упомянутых знаний: внутренний мир ин-
дивидов — экономических агентов, их субъективные представления
о внешней среде, знания о самих себе и других индивидах и т. п. —
оставался за пределами экономического анализа. Как подчеркивали
Р. Льюс и Х. Райфа, характеризуя понятие функции полезности, «мы
не пытаемся объяснить предпочтения или правила упорядоченности.
Мы хотим лишь придумать удобный способ их представления» (Luce,
Raiffa, 2012 [1957]. P. 32; перевод мой. — В. Т.).

Свою роль в таком самоограничении исследователей сыграла,
вероятно, и «дисциплинарная этика», в соответствии с которой счита-
лось неправильным «лезть в чужой огород»: предпочтения индивида
определялись его установками, ценностями и т. п., изучение которых
«проходило по ведомствам» философии, психологии и других социаль-
ных наук, но не экономической теории8. Однако ученые, которые, по
мнению экономистов, должны были выявлять причины предпочтений,
интересовались своими проблемами, не обращая внимания на глубин-

6 См., например: «Экономическая теория... изучает процесс распределения ограниченных
ресурсов между множеством конкурирующих целей» (Rees, 1968. P. 472; перевод мой. — В. Т  .).

7 Другое свойство, вменявшееся индивидам, — их однородность, что обеспечивало воз-
можность оперировать восходящими к А. Маршаллу (Marshall, 1895) понятиями «репрезента­
тивный агент» (Hartley, 1996; Koppl, 2011) и «репрезентативная фирма» (Robbins, 1928;
Schohl, 1999), заменявшими совокупности очень разных людей и организаций.

8 Междисциплинарные исследования в то время были весьма редки и осуществлялись
преимущественно в естественных науках, где массово возникали «гибридные» дисциплины —
электротермодинамика, геофизика, биохимия и т. п.

9

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

ные основания экономической теории. Кроме того, методы, которыми
они пользовались, было сложно совместить с методами исследования
экономистов, не говоря уже о терминологии, отличия которой от эко-
номической крайне затрудняли попытки воспользоваться получаемыми
результатами для развития экономических теорий.

В то же время логика научного исследования, как известно, тако-
ва, что, решая одну проблему, ученый «автоматически» затрагивает
и причины ее возникновения, а проанализировав последние, движется
далее по цепочке, углубляясь в предмет в стремлении обнаружить
«конечную причину», ultimo ratio исходной задачи. Поэтому «лед тро-
нулся» сразу в нескольких направлениях буквально через несколько
лет после публикации процитированного утверждения Льюса и Райфы,
причем движение по некоторым из них началось даже раньше. Так,
Р. Коуз ввел представления о том, что использование разных механиз-
мов координации действий индивидов сопряжено с несовпадающими
трансакционными издержками (Coase, 1937). Г. Саймон отверг пред-
посылку полного знания экономических агентов и их неограниченных
вычислительных способностей, предложив концепцию ограниченной
рациональности (Simon, 1955, 1957)9. А. Тверски и Д. Канеман вы­­
явили влияние психологических сдвигов (bias) и эвристик на эконо-
мическое поведение (Tversky, Kahneman, 1971), О. Уильямсон проана-
лизировал феномен оппортунизма в поведении экономических агентов
(Williamson, 1973). А. Дензау и Д. Норт выявили влияние на поведение
не только формальных, но и неформальных правил, а также различ-
ных ментальных моделей (Denzau, North, 1994), а Уильямсон считал
полезным разграничивать четыре уровня анализа влияния инст­ итутов
на поведение (Williamson, 2000. P. 597). Все эти подходы в сово-
купности дали основания отметить начало «когнитивного поворота»
в институциональном анализе (Lindenberg, 1998), а названные работы
легли в основу таких активно развивающихся в настоящее время на-
правлений в мейнстриме, как новая институциональная экономическая
теория и поведенческая экономика10.

Несколько позже в числе подходов к анализу действий индивидов,
нацеленных на выявление и объяснение причин демонстрации ими
несовпадающих предпочтений (а стало быть, и стимулов), появилась
со­временная нейронаука (Cowan et al., 2000), заложившая фундамент
для возникновения нейроэкономики (Camerer et al., 2005; Harrison,
2008; Alós-Ferrer, 2018). Это направление исследований позволило,
например, выяснить, как человек сравнивает разнокачественные
свойств­ а в задачах выбора, — феномен, непонимание которого заста-
вило К. Маркса и его последователей для разгадывания этой загадки
исключить понятие полезности из сферы политэкономии, «отправить»
его в товароведение и начать выстраивать сложные и неубедительные

9 Об отсутствии полных знаний об экономике у каждого отдельного индивида писал еще
Ф. Хайек (Hayek, 1945).

10 Особое место на этом фоне занимает неоавстрийская школа экономической мысли,
в рамках которой «поворот к знанию» (knowledge turn) (Boettke, 2002) начался гораздо
раньше, с работ Хайека (Hayek, 1937, 1945), однако явная оппозиция мейнстриму затрудняет
проникновение ее идей в него.

10

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

схемы­возникновения стоимости из количества затраченного труда11.
Как показали эксперименты с использованием методов функциональной
магнитно-резонансной томографии (fMRIs), в мозге человека сущест­
вует специализированная подсистема, локализованная в подобласти
вентромедиальной префронтальной коры (vmPFC)/о­ рбитофронтальной
коры (OFC) головного мозга. Она трансформирует разнокачественные
стимулы, отражающие различные воспринимаемые свойства объектов,
в однородные электрохимические сигналы, которые в ней сравни­
ваются, формируя интегральную оценку всей совокупности стимулов
(Levy, Glimcher, 2012; Padoa-Schioppa, Conen, 2017).

Другой интересный результат, имеющий прямое отношение к пред-
мету нашего дальнейшего анализа, — установление того факта, что
человеческий мозг устроен (is wired) так, чтобы воспринимать истории
(stories): слушание истории о каком-либо действии активирует в мозге
не только области, которые «ответственны» за понимание текста, но
и те, которые координируют соответствующие физические движения
(Boulenger et al., 2006; Speer et al., 2009). Более того, нейронные
сети, обеспечивающие понимание историй, формируются в тех же
отделах головного мозга, где функционируют нейрокорреляты эмоций
и реконструируются мотивы других людей. При этом не важно, идет
речь о непосредственном восприятии действий других, об описании
или видеодемонстрации реальных действий или об описании вымыш-
ленных событий (Mar, 2011; Mar et al., 2011; Oatley, 2012).

Но ведь понимание поступающей информации — основа для вы-
работки решений, в том числе определяющих экономическое пове-
дение индивидов. Тем самым переход от проблематики нейронауки
и нарратив­ ов (историй) к проблематике «обычной» экономической
науки оказывается неожиданно коротким.

Отметим, что проблематика нейроэкономики в плане философ-
ской методологии находится в некотором несоответствии с подхода-
ми, которые широко распространены сегодня в экономической науке.
Ф. Дитрих и К. Лист, анализируя это несоответствие, используют
термины «ментализм» и «бихевиоризм»: «Бихевиоризм — это подход,
согласно которому предпочтения, убеждения и другие ментальные
состояния, встречающиеся в научных социальных теориях, есть не
более чем конструкты, переописывающие (re-describing) поведение
людей. Ментализм — это подход, согласно которому эти понятия
отражают реальные феномены наравне с ненаблюдаемыми объектами
в естественных науках, такими как электроны и электромагнитные
поля» (Dietrich, List, 2016. P. 249; перевод мой. — В. Т.). С их точки
зрения, — с которой трудно не согласиться, — более продуктивен
ментализм, хотя в экономической науке пока достаточно прочные по-
зиции занимает бихевиоризм.

В этой связи подчеркнем значительный вклад в понимание влия­
ния различий в субъективных знаниях на экономическое поведение,
который внесли исследования, выполненные в духе «информационной

11 Неразгаданная загадка, однако, в этих построениях осталась — под маской простого
и сложного труда и проблемы сведéния второго к первому.

11

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

парадигмы» (Stiglitz, 2002), однако сохраняющие математический язык
и другие внешние признаки мейнстрима. Так, было изучено влиян­ ие
асимметрии информации на функционирование рынков (Akerlof, 1970),
проанализированы процессы сигнализации (Spence, 1973), взаимодейст­
вия принципала и агента (Ross, 1973) и др. Заметим, впрочем, что само
понятие асимметрии информации неявно предполагает разную степень
знаний взаимодействующих субъектов: продавца и покупателя, нани-
мателя и нанимаемого, принципала и агента и т. п. По крайней мере,
именно для подобных ситуаций проанализированы такие эффекты,
как ухудшающий отбор (Akerlof, 1970) и угроза недобросовестного
поведения (Arrow, 1963; Pauly, 1968). Однако различия в структуре
и полноте знаний индивидов, принимающих решения вне ситуаций
непосредственного взаимодействия, не менее важны с точки зрения их
последствий для экономики: такие явления, как мода, поветрия и стад-
ное поведение, неоднократно демонстрировали свои последствия для
различных рынков (Banerjee, 1992; Bikhchandani et al., 1992, 1998).

В то же время отметим, что влияние асимметрии информации на
экономическое поведение — лишь часть воздействия, которое оказы-
вает информация на решения (и действия) экономических агентов.
Необходимо выделить как минимум два не менее значимых канала
такого влияния: 1) различные способности индивидов к переработке
информации; 2) различная структура неполноты информации. Как от-
метил Дж. Стиглиц, «хотя существует единственный вариант, в котором
информация совершенна, есть бесконечно много вариантов, в которых
она несовершенна» (Stiglitz, 2002. P. 468; перевод мой. — В. Т.).

В заключение раздела укажем на близкие по духу подходы в рам-
ках исследований менеджмента, где они получили название «движение
за микрооснования» (Felin et al., 2015). Сторонники этого движе-
ния стремятся представить содержание общих категорий, используе­
мых в анализе менеджмента (например, понятия рутины; см.: Felin
et al., 2012), как результат действий и взаимодействий индивидов,
что привлекает внимание к знаниям, которыми они обладают (или не
обладают)12. При этом в ряде других социальных наук изучение микро­
оснований началось значительно раньше (Coleman, 1986; Bhargava,
1992; Achen, 2002; Abell, 2003), что позволило выработать некоторый
инструментарий анализа, частью которого выступает нарративный
анализ (Czarniawska, 2004; Flyvbjerg, 2006).

Элементы нарративного анализа
Нарративный анализ как часть исследовательского инструмента-
рия, позволившего осуществить «когнитивный поворот» (Fuller et al.,
1989) во многих социальных науках, получил в настоящее время ши-
рокое распространение. Помимо круга филологических дисциплин, он
используется в маркетинге (Shankar et al., 2001; van Laer et al., 2014),

12 Изучение роли субъективных знаний в менеджменте имеет, как известно, длительную
историю (см.: Byrd et al., 1992; Walsh, 1995; Nickerson, Zenger, 2004 и др.).
12

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

менеджменте13 (Fenton, Langley, 2011; Gertsen, Søderberg, 2011; Vaara
et al., 2016), политической науке (Shenhav, 2006; Jones, McBeth, 2010),
исследовании коммуникаций (Rowland, 1989; Jameson, 2000), в том
числе отношений с общественностью (Denning, 2006; Gill, 2011), а так-
же в анализе образования (Collins, 1985; Byrne, 2017).

Б. Чарнявска, автор монографии «Нарративы в исследованиях со­
циальной науки» (Czarniawska, 2004), возводит современный нарратив-
ный анализ к книге российского филолога В. Я. Проппа (1928), чье
исследование структуры волшебных сказок позволило выявить их смыс­
ловые блоки и варианты сочетаемости этих блоков в сказках различных
типов. Следуя структурному подходу, в нарративе принято выделять
событие (event), действие (action), героя (character) и сюжет (plot), свя-
зывающий первые три блока воедино (Czarniawska, 2004. P. 7—9). Такая
структура придает нарративу способность объяснять отражаемые в нем
события: «Если человек говорит, что некоторое событие, произошед-
шее с людьми, не имеет смысла, то обычно не потому, что он не может
отнести его к определенной категории. В действительности трудности
возникают от неспособности включить событие в сюжет, в котором оно
становится понятным в контексте произошедшего… Тем самым нарративы
предъявляют (exhibit) объяснение [события], вместо того чтобы просто
показывать его» (Polkinghorne, 1987. P. 21; перевод мой. — В. Т.).

Восприятие нарративного объяснения как убедительного, или
«объяснительная сила» нарратива, неразрывно связано с психологи-
ческой допустимостью действия героя для слушателей. Основанием
для оценки того, допустимы (понятны) ли мотивы героя, совершаю-
щего описываемое действие, служит «теория разума» (theory of mind)
индивидов, воспринимающих нарратив, — когнитивная способность
приписывать другим те или иные ментальные, в том числе психологи-
ческие, состояния в зависимости от ситуаций (контекстов), в которых
эти другие оказываются (Goldman, 2012). Если, поставив себя на место
героя, слушатель оценивает его ментальное состояние как отвечающее
«теории разума» героя, которая у него возникает («я поступил бы
так же», или «я мог бы поступить так же»), то нарратив оказывается
убедительным объяснением описываемых в нем событий.

Как показывают исследования (Wimmer, Perner, 1983), «теория
разума» возникает у детей в возрасте 4—5 лет. И хотя «теории разума»
индивидов, безусловно, подвержены психологическим сдвигам и иным
ошибкам, их коррекция опытом взаимодействий приводит к тому, что
в целом (в среднем) эти «теории» достаточно точно отражают реаль-
ность (Jussim, 2017). Поэтому, как отмечает Р. Мар, «каждый имеет
естественный детектор психологического реализма» (цит. по: Hsu, 2008.
P. 48), что позволяет правдивым (с точки зрения слушателя/читателя)
нарративам становиться «тренировочными симуляторами» социальной
жизни (Oatley, 2008)14. Эти выводы психологов согласуются с данны-

13 Вместо термина «нарратив» чаще используют термин «сторителлинг» (storytelling)
(см., например: Morgan, Dennehy, 1997; Rhodes, Brown, 2005 и др.).

14 В силу чего людям нравится слушать сплетни о других — своих знакомых и знаменитостях
(Dunbar, 2004; Wert, Salovey, 2004; McAndrew, Milenkovic, 2002): ведь сплетня обладает всеми
атрибутами нарратива.

13

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

ми нейронауки, показавшими, что автобиографическая память, пред-
видение (формирование ожиданий), социальная ориентация, «теории
разума»­ и работа мозга «по умолчанию» (default mode) осуществляются
единым комплексом нейронных сетей (Spreng et al., 2008).

Как было отмечено выше, человеческий мозг «настроен» на вос-
приятие информации, передаваемой в форме нарратива. Каковы воз-
можные причины такой настройки, является она случайной или имеет
некоторые эволюционные основания? Правдоподобное объяснение ее
существования — преобладание (у большинства людей) сознатель-
ных решений над инстинктивными действиями, что обусловливает
их эволюционное преимущество перед другими видами (Baumeister,
Masicampo, 2010; Baumeister et al., 2018). Разумеется, такое пре­
обладание не отрицает наличия чисто рефлекторных и импульсивных
действий (Strack, Deutsch, 2004), а также автоматичности выполне-
ния многих высших когнитивных функций (Bargh, Chartrand, 1999;
Bargh et al., 2012). Более того, как интуитивные, так и сознательно
принимаемые решения могут иметь единую информационную основу
и базироваться на общих принципах (Kruglanski, Gigerenzer, 2011).

Тем не менее любые решения, как интуитивные, «автоматичес­
кие», так и сознательные, основываются на некоторой совокупности
знаний о ситуации выбора15, в которой оказался индивид, — ситуа-
ции, где перед­ним раскрывается веер возможных действий или линий
поведения. Эти варианты, с одной стороны, требуют разных усилий
и ресурсов, а с другой — приводят к несовпадающим последствиям­.
Для часто повторяющихся, типичных ситуаций связь ситуации и пред-
принимаемого действия, приводящего к наилучшему или просто прием­
лемому результату, находится в долговременной памяти индивида
и извлекается из нее, как только мозг идентифицирует ситуацию как
одну из тех, в которой индивид уже находился. Такая ее идентифика­
ция (опознание) происходит, как правило, без участия сознания, то
есть автоматически, и как только ситуация опознана, извлеченная из
памяти связь «ситуация S → действие АS» мгновенно подсказывает:
делай АS. Образ ситуации выступает при этом причиной вытекающего
из него действия.

Очерченная логика, объясняющая, почему во многих ситуациях
решение фактически выбирается в нейросетях мозга до того, как оно
осознается субъектом (Soon et al., 2008), не лишена подводных камней.
Основной из них — неверное опознание ситуации, отнесение факти-
ческой ситуации выбора к типу, которому она в действительности не
принадлежит. Именно поэтому индивид, осознав «подсказанное» моз-
гом решение, может сознательно его изменить, иначе поняв ситуацию
выбора или свои возможности предпринять какие-либо нестандартные
действия. Иными словами, простая связь (S → АS) заменяется на более
сложную, в которой наличествует несколько вариантов связи между
возможными осознаваемыми действиями (и требуемыми для них ре-
сурсами и усилиями) и их последствиями для индивида (и значимого

15 Информационная структура ситуаций принятия решений подробно проанализирована
в: Тамбовцев, 1993. С. 16—21.
14

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

для него окружения). Эти связи также имеют для него характер при-
чинно-следственных, где его возможное действие играет роль причи-
ны. Чем шире спектр таких связей, тем выше вероятность выбора из
них той, которая приведет к наилучшим для индивида последствиям.
Отметим, что каждый индивид может вкладывать в это понятие свой
смысл, определяемый тем, что именно в окружающей среде для него
значимо. Для одних значимы лишь они сами, для других — их семьи,
для третьих — страна, или природная среда, или обездоленные во
всем мире, и т. п. (Fehr, Fischbacher, 2002).

Важно, однако, подчеркнуть другое: многообразие источников зна-
ний о том, для какого типа людей в каких ситуациях какие действия
приводят к каким последствиям. Такого рода знания можно получить
из личного опыта, из наблюдений за действиями других людей, из
учебников и научных статей, а также из художественной литературы
и рассказов других людей, то есть нарративов. Выделенные здесь кур-
сивом термины, как легко видеть, совпадают с блоками стандартного
нарратива: событие — это последствия, действие — это действие,
герой — это тип людей, с которыми отождествляет себя индивид, а сю-
жет — это ситуация выбора, в которой он оказывается. Иными слова-
ми, нарративы (даже вымышленные) не просто передают слушателям
или читателям полезную информацию о социальном мире, в котором
они живут, но передают ее в форме, которая релевантна ситуациям
принятия решений. Сознательный характер выбора действий в нестан-
дартных и сложных ситуациях обеспечивает людям эволюционные
преимущества16. Если индивид, ознакомившись с некоторой историей
и ощутив свое сходство с ее героем, позитивно оценивает описанное
в ней событие, то он получает в свое распоряжение знание о возмож-
ном варианте действий в ситуациях, схожих с сюжетом этой истории.
Напротив, если он оценивает событие нарратива негативно, то ему
становится ясно, как не надо поступать в соответствующей ситуации.

Конечно, в силу различных аналитических способностей людей,
умения размышлять, то есть делать логические выводы из получен-
ных данных, наличия тех или иных психологических сдвигов и т. п.,
а также разного объема знаний о ситуации выбора индивиды могут
приходить к несовпадающим выводам поведенческого характера при
восприятии одного и того же нарратива. Другими словами, у разных
людей будут формироваться различные ментальные модели ситуаций
выбора, различное понимание того, как те или иные средства приводят
к некоторым результатам, что будет влиять и на различия в реальных
последствиях их действий (Gary, Wood, 2011; Del Missier et al., 2012).
Одновременно в ходе возникновения ментальных моделей принятия
решений выявляются и некоторые общие закономерности. Так, про-
демонстрирована относительная независимость общих когнитивных
способностей людей от наличия у них тех или иных психологических
сдвигов (Stanovich, West, 2008). Эмпирические исследования пока-
зали, что когнитивные процессы при принятии решений в условиях
риска отличаются от происходящих при принятии решений в усло-

16 Аналоги рассказывания историй обнаружены и у приматов (Dautenhahn, 2002).
15

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

виях неопределенности (Volz, Gigerenzer, 2012); выявлены различия
ментальных моделей решений в условиях риска и стратегического
взаимо­действия (Güth, Ploner, 2017); показано, что люди предпочитают
получать информацию, помогающую им предсказывать последствия
своих действий, чем ту, которая для них предсказуема (Braem, Trapp,
2019). Предложен также продуктивный инструментарий выявления
и анализа ментальных моделей в виде расплывчатых когнитивных
карт (Fuzzy Cognitive Maps) (Gray et al., 2014).

Итак, с точки зрения слушателя/читателя историй, последние
представляют собой важный источник информации для принятия ре-
шений в ситуациях, непосредственный опыт пребывания в которых
у него отсутствует. Поэтому стимулы к восприятию историй у него,
несомненно, есть, даже если рассказываемая история напрямую не от-
носится к задаче, решением которой он занят (Seitz, Watanabe, 2009).
Но каковы стимулы рассказывать истории? Ведь это требует времени,
которое, в принципе, можно было бы расходовать с большей пользой.

Можно выделить две группы таких стимулов. Первая связана со
стремлением удовлетворить одну из базовых психологических потреб-
ностей индивида — потребность в принадлежности, желание получить
одобрение от членов группы, с которой индивид себя идентифицирует,
ощутить понимание ими его поступков (DeWall et al., 2011; Reis et al.,
2017). Вторая группа мотивов — желание получить иные выгоды
(для себя, определенной группы или неопределенного круга лиц) за
счет изменения поведения слушателей (Auvinen et al., 2013; Tomasello
et al., 2005; Eagar, Dann, 2016; Honig, Reichard, 2018). И в первом,
и во втором случае рассказываемая история может быть как правди-
вой, описывающей действительный ход событий, так и вымышленной:
для успеха истории важна ее психологическая, а не фактическая,
истинность (допустимость), то есть соответствие содержания истории
моделям разума, которыми располагают слушатели (см. выше).

Однако, чтобы новый вариант modus operandi, предъявленный
нарративом, вошел в состав учитываемых возможностей слушателя,
а последний начал бы пользоваться им, оказавшись в соответствующей
ситуации выбора, одной психологической допустимости мало. Нужно
выполнение еще как минимум двух условий: 1) понимание смысла этой
альтернативы и 2) наличие ее ожидаемой полезности. Если слушатель/
читатель не понимает, как действовал герой, он вряд ли сможет повто-
рить его действия; иными словами, понимание альтернативы равнознач-
но ее исполнимости (с учетом, разумеется, ресурсных ограничений).
Ожидаемая полезность — значимость результата, к которому пришел
герой, — при всей ее важности не может «автоматически» привести
к выбору альтернативы, с которой ознакомился слушатель: не менее
важно, кто говорит, вызывает ли говорящий доверие у слушателя.

В целом мы видим, что нарративы — один из способов передачи
информации в рамках коммуникаций индивидов. Подобно всем иным
способам (целенаправленное обучение; непосредственное наблюдение,
в том числе социальное обучение; чтение; получение заданий (пред-
писаний) и т. д.), нарративы имеют преимущества в одних ситуациях
и лишены их в других. Подчеркнем, что, как и для всех сообщений,

16

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

восприятие и понимание нарратива не эквивалентно принятию его
содержания, то есть включению описанного действия в состав пред-
почтительных вариантов для будущих ситуаций выбора.

Нарративы в современной экономической науке
Внимание, которое современные исследователи начали уделять
выявлению того, как внутренний мир (знания, представления, мен-
тальные модели, убеждения, «народные теории» и т. п.) людей влияет
на экономику, в рамках экономической науки стало результатом дол-
гого пути эволюции. Если на начальных ее этапах массовыми были
вменение исследователями изучаемым индивидам стимулов и знаний,
которыми они должны обладать (с точки зрения создаваемых теорий),
и принятие аксиоматической однородности экономических акторов, то
в последнее время значимым объектом анализа становится выявление
различий фактических индивидуальных внутренних миров и их влия-
ния на экономику. При этом нарративы как источники изменения знаний
приобретают у некоторых исследователей такую значимость, что стали
говорить о возникновении экономической теории нарративов, под ко-
торой понимается «изучение распространения и динамики популярных
нарративов и историй, особенно тех, которые касаются интересов и эмо-
ций людей, а также того, как они меняются со временем, чтобы понять
экономические флуктуации» (Shiller, 2017. Р. 967; перевод мой. — В. Т.).
Для анализа распространения нарративов Р. Шиллер использует­
модель распространения заболеваний Кермака—Маккендрика (Kermack,
McKendrick, 1927), получившую популярность в экономических иссле-
дованиях после ее применения Э. Роджерсом (Rogers, 1995) в анализе
диффузии инноваций. С того времени было предложено много моде-
лей диффузии информации как на макро-, так и на микроуровне (см.
обзор в: Тамбовцев, 2019). В макромоделях «заражаемые» индивиды
предстают как пассивные, воспринимающие идею с некоторой вероят­
ностью, величина которой от них не зависит. Между тем реальные
индивиды, поняв, какую идею до них доносят различные источники,
могут ее не просто отбросить, но и начать самостоятельно распрост­
ранять контринформацию, доказывая непродуктивность, ложность
или вредность понятой, но не принятой ими идеи. Микромодели
диффузии информации учитывают это обстоятельство, вводя такой
фактор принятия идей, как их ожидаемая полезность. Кроме того, для
принятия идеи важна возможность ее реализовать, то есть ресурсный
потенциал. Поэтому эпидемиологические макромодели распростране-
ния нарративов могут достаточно корректно отражать реальные про-
цессы в группах, где индивиды видят полезность принятия вариантов
действий, отраженных в нарративах, и располагают возможностями
осуществить эти варианты.
Дж. Акерлоф и Д. Сноуэр полагают, что нарративы затрагивают
все виды решений, играя заметную роль «в понимании внешней среды;
фокусировке внимания; предсказании событий; мотивации действий;
оценке социальных ролей и идентичности; определении властных от-

17

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

ношений; установлении и распространении социальных норм» (Akerlof,
Snower, 2016. Р. 58; перевод мой. — В. Т.). Будучи одним из способов
передачи информации, нарративы действительно могут влиять на все
эти процессы. Вопрос в том, сколь значимо это влияние, всегда ли
именно оно оказывается решающим?

В качестве примера рассмотрим случай воздействия наррати-
вов на возникновение институтов и институциональные изменения17.
Нарративы, очевидно, составляют практически неотъемлемую часть
различных дискурсов, поэтому в обсуждаемых далее работах фигу-
рируют не собственно нарративы, а включающие их дискурсы. Так,
С. Грин, анализируя практики менеджмента, приходит к выводу, что
их распространение зависит от дискурсивного оправдания (discursive
justifications). Если оно принимается менеджерами, то практика дос­
тигает состояния институционализации. При этом вопрос о факто-
рах принятия практики детально не анализируется (Green, 2004).
Н. Филлипс и др. развивают дискурсивную модель институционали-
зации, отражающую взаимодействие текстов, дискурсов, институтов
и действий (Phillips et al., 2004). По их мнению, если дискурсы более
когерентные и структурированные, а также более широкие и менее
противостоящие конкурирующим дискурсам, то они с большей вероят­
ностью породят институты. Вопрос о том, включают ли результа-
ты институционализации выгоды или ущерб тем, кто должен следо-
вать возникшему институту, не ставится. Т. Зильбер рассматривает
внутрио­ рганизационную институционализацию как систему действий,
смыслов­и акторов, где смыслы формируются дискурсом и выступают
в качестве политических ресурсов для акторов (Zilber, 2002; см. также:
Mumby, 1987). Такой подход, безусловно, более корректно трактует
роль дискурсов (и входящих в них нарративов) в процессах возник-
новения новых институтов в организациях. С. Магвайр и С. Харди
связывают отказ от широко распространенного когда-то инсектицида
ДДТ с «проблематизацией» его использования благодаря возникнове-
нию соответствующего дискурса (Maguire, Hardy, 2009).

Общей чертой приведенных (и других, близких им по методоло-
гии) работ выступает, как мы видим, отсутствие анализа роли источ-
ников информации, альтернативных дискурсам, что ставит под вопрос
корректность выводов авторов. Ментальные модели окружающего нас
мира формируются в значительной степени на бессознательной основе,
поэтому мы вряд ли можем уверенно сказать, какие именно сообщения
обусловили возникновение у нас определенных убеждений, ценностей,
ожиданий и т. п. (Bargh, Ferguson, 2000). Да, нарративная форма
свидетельств обладает преимуществами по сравнению с приведением
статистических данных (Zebregs et al., 2015), но как она соотносится
с другими источниками информации, какую роль играют обстоятельст­
ва ее передачи, содержание потенциальных решений и т. п., — все это
пока остается неясным.

17 Как известно, в социальных науках существуют разные типы институционализма,
поэтому приводимые работы относятся преимущественно к так называемому историческому
институционализму (Skocpol, Pierson, 2002), используемому в политической науке и значительно
отличающемуся от новой институциональной экономической теории.
18

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

В данной связи не вызывают удивления исследования, нацеленные
на выработку некоторых «наилучших» способов получения надежных
знаний. Так, В. Райхман предложил для формирования представ-
лений об экономическом будущем стран механизм «эпистемического
участия», в рамках которого экономисты должны встретиться с поли-
тиками и бизнесменами и в совместном обсуждении вариантов выра-
ботать тот, который будет отражать суждения последних, не вступая
в противоречие со знаниями ученых (Reichmann, 2013). При этом
естественное предположение о том, что участники обсуждения будут
вести себя оппортунистически, стремясь достичь собственных инте-
ресов, не рассматривается, как и то, что конкуренты из других стран
в обсуждении не участвуют…

Тем самым, если не учитывать ограничения нарративов как источ-
ников адекватной информации, в частности, порождаемые оппортуниз-
мом их создателей и распространителей, то информационная ценность
этих источников может оказаться сильно преувеличенной. Поскольку
нарративы, создаваемые индивидами, суть следствия их ментальных
моделей, прямое изучение процессов формирования последних и ме-
ханизмов их влияния на экономическое поведение может оказаться
более важным для понимания, объяснения и предсказания такого
поведения, чем попытки сделать это посредством «изучения распрост­
ранения и динамики популярных нарративов и историй» (Shiller, 2017.
Р. 967; перевод мой. — В. Т.).

Разумеется, мы ни в коей мере не отрицаем полезность исследо-
вания нарративов в экономике, однако считаем важным подчеркнуть
его ограниченный характер, обусловленный механизмами, которые
обеспечивают порождение и использование нарративов в экономичес­
ком поведении.

Сложность и агент-ориентированное моделирование
Формирование и использование нарративов различными индиви-
дами выступают результатами существующих у них ментальных моде-
лей, которые в силу механизмов их возникновения и изменения могут
существенно различаться. Поэтому экономические действия индивидов
также часто не совпадают, что и создает неопределенность в эконо-
мических системах — от фирм до мировой экономики, — которые
становятся сложными системами. Понять, как различия в ментальных
моделях «трансформируются» в вариабельность поведения экономи-
ческих систем, значит понять регулярность их функционирования,
в частности, регулярность возникновения экономических флуктуаций,
на изучение которых направлена нарративная экономика Р. Шиллера.
По нашему мнению, задаче выявления регулярности в упомянутых
трансформациях наиболее адекватны агент-ориентированные модели
(АОМ). Положения о тесной связи между АОМ и изучением эконо-
мической сложности уже не раз высказывались в литературе (Epstein,
1999; Farmer, Foley, 2009; Макаров, Бахтизин, 2013; Gräbner, 2015;
Schinckus, 2019), сами АОМ получили широкое распространение при

19

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

анализе сложных проблем в разных областях экономической науки
(North, Macal, 2007; Макаров, 2012; Napoletano, 2018; Dosi, Roventini,
2019), а также в социальных науках (Squazzoni, 2010). 

Важно подчеркнуть, что АОМ успешно применяются и в изучении
ментальных моделей и их влияния на поведение, то есть того, что, по
нашему мнению, выступает одним из важнейших механизмов, обес-
печивающих сложность социально-экономических систем. Так, была
разработана модель «Убеждение — желание — намерение» (Belief—
Desire—Intention). Она легла в основу моделей агентов (Georgeff et al.,
1999), модели убеждений (Malheiro et al., 1994; Liu, Williams, 2001;
Liau, 2003), ценностей и норм (Dechesne et al., 2013), установок (Jones
et al., 2014), эмоций (Steunebrink et al., 2006; Bourgais et al., 2018),
ментальных моделей (Si et al., 2010; Hanna, Richards, 2018), планов
(Bratman, Israel, 1988), культуры (Mascarenhas et al., 2016), а также
других социальных процессов, таких как репутация (Grow, Flache,
2019), социальное влияние (Flache et al., 2017), нормы и системы норм
(Neumann, 2010; Mahmoud et al., 2014; Frantz, Pigozzi, 2018; Legros,
Cislaghi, 2020).

Отметим, что подобные исследования, несомненно, значимые для
изучения как экономического поведения в целом, так и экономичес­
ких институтов, почти не привлекают внимание институционалистов.
Практически единственное исключение — работа К. Гребнера, где
он рассматривает возможности АОМ в реализации исследовательской
программы старых, или оригинальных, институционалистов (Gräbner,
2016). Одновременно заметим, что авторы, разрабатывающие АОМ
для изучения социальных норм и институтов, также практически не
упоминают исследования институционалистов. Между тем более тес-
ное соединение этих подходов, особенно в сочетании с эмпирическим
анализом ментальных моделей, которые и влияют на возникновение
и изменение институтов, и сами выступают объектами влияния послед-
них, могло бы значительно продвинуть оба направления исследований.

Подводя итоги проведенного анализа, можно заключить, что
в  методол­ огическом плане АОМ представляет собой действенное
средств­ о реализации двух «поворотов», произошедших в последнее
время в экономической теории, — к сложности и к субъективной ин-
формации. Именно АОМ позволяет конструктивно реализовать в мо-
делях как гетерогенность субъектов — потребителей и производителей
(работников), так и гетерогенность фирм, которую на модельном уровне
можно связать с гетерогенностью работников, а последнюю — с раз-
личиями их ментальных моделей.

Разумеется, формирование АОМ национальных или региональных
экономик, состав агентов которых строго отражал бы распределение
ментальных моделей индивидов, функционирующих в этих системах,
потребует сбора соответствующей информации. Однако решение этой
задачи затруднено исключительно финансовыми ограничениями, по-
скольку методики выявления ценностей, убеждений, предпочтений
и т. п. в целом хорошо разработаны и эмпирически апробированы.
Тем самым принципиальные — теоретические и методологические —
препятствия для формирования подобных моделей отсутствуют.

20

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

Список литературы / References

Анкудинов А. Б., Беляева М. Н., Лебедев О. В. (2012). Влияние диверсификации на
эффективность региональной экономики // Региональная экономика: теория
и практика. № 31 (262). С. 8—20. [Ankudinov A. B., Belyaeva M. N., Lebedev O. V.
(2012). Impact of diversification on regional economy efficiency. Regionalnaya
Ekonomika: Teoriya i Praktika, No. 31 (262), pp. 8—20. (In Russian).]

Любимов И. Л., Оспанова А. Г. (2019). Как сделать экономику сложнее? Поиск
причин усложнения // Вопросы экономики. № 2. С. 35—53. [Lyubimov I. L.,
Ospanova A. G. (2019). How to make an economy more complex? The determinants
of complexity in historical perspective. Voprosy Ekonomiki, No. 2, pp. 35—53.
(In Russian).] https://doi.org/10.32609/0042-8736-2019-2-36-53

Макаров В. Л. (2012). Искусственные общества // Экономика и математические ме-
тоды. Т. 48, № 3. С. 3—20. [Makarov V. L. (2012). Artificial societies. Ekonomika
i Matematicheskie Metody, Vol. 48, No. 3, pp. 3—20. (In Russian).]

Макаров В. Л., Бахтизин А. Р. (2013). Социальное моделирование  — новый
компьютерный прорыв (агент-ориентированные модели). М.: Экономика.
[Makarov V. L., Bakhtizin A. R. (2013). Social modelling — a new computer
breakthrough (agent-oriented models). Moscow: Ekonomika. (In Russian).]

Пропп В. (1928). Морфология сказки. Ленинград: Academia. [Propp V. (1928).
Morphology of a fairy tale. Leningrad: Academia. (In Russian).]

Тамбовцев В. Л. (1993). Пятый рынок: экономические проблемы производства ин-
формации. М.: Изд-во МГУ. [Tambovtsev V. L. (1993). Fifth market: Economic
problems of information production. Moscow: MSU Publishing. (In Russian).]

Тамбовцев В. Л. (2005). Экономическая теория институциональных изменений. М.:
Теис. [Tambovtsev V. L. (2005). Economic theory of institutional change. Moscow:
Teis. (In Russian).]

Тамбовцев В. Л. (2019). Идеи, нарративы и  изменения в  экономике // Terra
Economicus. Т. 17, вып. 1. С. 24—40. [Tambovtsev V. L. (2019). Ideas, narratives
and economic change. Terra Economicus, Vol. 17, No. 1, pp. 24—40. (In Russian).]
https://doi.org/10.23683/2073-6606-2019-17-1-24-40

Abell P. (2003). The role of rational choice and narrative action theories in sociologi-
cal theory: The legacy of Coleman’s foundations. Revue Francaise de Sociologie,
Vol. 44, No. 2, pp. 255—273. https://doi.org/10.2307/3323135

Abramovitz M. (1994). The origins of the postwar catch-up and convergence boom. In:
J. Fagerberg, B. Verspagen, N. von Tunzelman (eds.). The dynamics of technology,
trade and growth. Aldershot: Edward Elgar, pp. 21—52.

Achen  C. H. (2002). Toward a  new political methodology: Microfoundations and
ART. Annual Review of Political Science, Vol. 5, pp.  423—450. https://
doi.org/10.1146/annurev.polisci.5.112801.080943

Akerlof G. A. (1970). The market for ‘lemons’: Quality uncertainty and the market
mechanism. Quarterly Journal of Economics, Vol. 84, No. 3, pp. 488—500. https://
doi.org/10.2307/1879431

Akerlof G. A., Snower D. J. (2016). Bread and bullets. Journal of Economic Behavior
& Organization, Vol. 126, Part B, pp. 58—71. https://doi.org/10.1016/j.jebo.
2015.10.021

Alós-Ferrer C. (2018). A review essay on Social Neuroscience: Can research on the social
brain and economics inform each other? Journal of Economic Literature, Vol. 56,
No. 1, pp. 234—264. https://doi.org/10.1257/jel.20171370

Arrow K. J. (1963). Uncertainty and the welfare economics of medical care. American
Economic Review, Vol. 53, No. 5, pp. 941—973.

Arthur W. B. (2013). Complexity economics: A different framework for economic thought.
Santa Fe Institute Working Paper, No. 2013-04-012.

Auvinen T., Aaltio I., Blomqvist K. (2013). Constructing leadership by storytelling —
the meaning of trust and narratives. Leadership & Organization Development
Journal, Vol. 34, No. 6, pp. 496—514. https://doi.org/10.1108/LODJ-10-2011-0102

21

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

Bain R. (1929). The concept of complexity in sociology: I. Social Forces, Vol. 8, No. 2,
pp. 222—231. https://doi.org/10.2307/2569583

Banerjee A. V. (1992). A simple model of herd behavior. Quarterly Journal of Economics,
Vol. 107, No. 3, pp. 797—817. https://doi.org/10.2307/2118364

Bargh J. A., Chartrand T. L. (1999). The unbearable automaticity of being. American
Psychologist, Vol. 54, No. 7, pp. 462—479. https://doi.org/10.1037/0003-066X.
54.7.462

Bargh J. A., Ferguson M. J. (2000). Beyond behaviorism: On the automaticity of higher
mental processes. Psychological Bulletin, Vol. 126, No. 6, pp. 925—945. https://
doi.org/10.1037/0033-2909.126.6.925

Bargh J. A., Schwader K. L., Hailey S. E., Dyer R. L., Boothby E. J. (2012).
Automaticity in social-cognitive processes. Trends in Cognitive Sciences, Vol. 16,
No. 12, pp. 593—605. https://doi.org/10.1016/j.tics.2012.10.002

Baumeister R. F., Masicampo E. J. (2010). Conscious thought is for facilitating social and
cultural interactions: How mental simulations serve the animal—culture interface.
Psychological Review, Vol. 117, No. 3, pp. 945—997. https://doi.org/10.1037/
a0019393

Baumeister R. F., Lau S., Maranges H. M., Clark C. J. (2018). On the necessity of
consciousness for sophisticated human action. Frontiers in Psychology, Vol. 9,
Article 1925. https://doi.org/10.3389/fpsyg.2018.01925

Bhargava R. (1992). Individualism in social science: Forms and limits of a methodology­.
Oxford: Clarendon Press.

Bikhchandani S., Hirshleifer D., Welch I. (1992). A theory of fads, fashion, custom, and
cultural change in informational cascades. Journal of Political Economy, Vol. 100,
No. 5, pp. 992—1026. https://doi.org/10.1086/261849

Bikhchandani S., Hirshleifer D., Welch I. (1998). Learning from the behavior of others:
Conformity, fads, and informational cascades. Journal of Economic Perspectives,
Vol. 12, No. 3, pp. 151—170. https://doi.org/10.1257/jep.12.3.151

Boettke P. J. (2002). Information and knowledge: Austrian economics in search of its
uniqueness. Review of Austrian Economics, Vol. 15, No. 4, pp. 263—274. https://
doi.org/10.1023/A:1021190719156

Boulenger V., Roy A. C., Paulignan Y., Deprez V., Jeannerod M., Nazir T. A. (2006).
Cross-talk between language processes and overt motor behavior in the first 200 msec
of processing. Journal of Cognitive Neuroscience, Vol. 18, No. 10, pp. 1607—1615.
https://doi.org/10.1162/jocn.2006.18.10.1607

Bourgais M., Taillandier P., Vercouter L., Adam C. (2018). Emotion modeling in social
simulation: A survey. Journal of Artificial Societies and Social Simulation, Vol. 21,
No. 2, Article 5. https://doi.org/10.18564/jasss.3681

Braem S., Trapp S. (2019). Humans show a higher preference for stimuli that are predic-
tive relative to those that are predictable. Psychological Research, Vol. 83, No. 5,
pp. 567—573. https://doi.org/10.1007/s00426-017-0935-x

Bratman M. E., Israel D. J. (1988). Plans and resource-bounded practical reason-
ing. Computational Intelligence, Vol. 4, No. 3, pp. 349—355. https://doi.org/
10.1111/j.1467-8640.1988.tb00284.x

Byrd T. A., Cossick K. L., Zmud R. W. (1992). A synthesis of research on requirements
analysis and knowledge acquisition techniques. MIS Quarterly, Vol. 16, No. 1,
pp. 117—138. https://doi.org/10.2307/249704

Byrne G. (2017). Narrative inquiry and the problem of representation: ‘Giving voice’, mak-
ing meaning. International Journal of Research & Method in Education, Vol. 40,
No. 1, pp. 36—52. https://doi.org/10.1080/1743727X.2015.1034097

Camerer C., Loewenstein G., Prelec D. (2005). Neuroeconomics: How neuroscience
can inform economics. Journal of Economic Literature, Vol. 43, No. 1, pp. 9—64.
https://doi.org/10.1257/0022051053737843

Cilliers P. (2000). What can we learn from a theory of complexity? Emergence, Vol. 2,
No. 1, pp. 23—33. https://doi.org/10.1207/S15327000EM0201_03

Coase R. H. (1937). The nature of the firm. Economica, New Series, Vol. 4, No. 16,
pp. 386—405. https://doi.org/10.1111/j.1468-0335.1937.tb00002.x

22

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

Colander D. (2003). The complexity revolution and the future of economics. Department
of Economics Working Paper Series, No. 0319, Middlebury College.

Coleman J. (1986). Social theory, social research, and a theory of action. American Journal
of Sociology, Vol. 91, No. 6, pp. 1309—1335. https://doi.org/10.1086/228423

Collin C. (2017). Economic structures, institutions and economic performance. Journal
of Economic Structures, Vol. 6, Article 2. https://doi.org/10.1186/s40008-017-
0063-1

Collins J. (1985). Some problems and purposes of narrative analysis in educational
research. Journal of Education, Vol. 167, No. 1, pp. 57—70. https://doi.org/
10.1177/002205748516700105

Cowan W.M., Harter D. H., Kandel E. R. (2000). The emergence of modern neuroscience:
Some implications for neurology and psychiatry. Annual Review of Neuroscience,
Vol. 23, pp. 343—391. https://doi.org/10.1146/annurev.neuro.23.1.343

Czarniawska B. (2004). Narratives in social science research. Introducing qualitative
methods. London: Sage Publications.

Dautenhahn K. (2002). The origins of narrative: In search of the transactional format of
narratives in humans and other social animals. International Journal of Cognition
and Technology, Vol. 1, No. 1, pp. 97—123. https://doi.org/10.1075/ijct.1.1.07dau

Dechesne F., Di Tosto G., Dignum V., Dignum F. (2013). No smoking here: Values,
norms and culture in multi-agent systems. Artificial Intelligence and Law, Vol. 21,
No. 1, pp. 79—107. https://doi.org/10.1007/s10506-012-9128-5

Del Missier F., Mäntylä T., De Bruin W. B. (2012). Decision-making competence, execu-
tive functioning, and general cognitive abilities. Journal of Behavioral Decision
Making, Vol. 25, No. 4, pp. 331—351. https://doi.org/10.1002/bdm.731

Denning S. (2006). Effective storytelling: Strategic business narrative tech-
niques. Strategy & Leadership, Vol. 34, No. 1, pp. 42—48. https://doi.org/
10.1108/10878570610637885

Denzau A., North D. (1994). Shared mental models, ideologies and institutions. Kyklos,
Vol. 47, No. 1, pp. 3—31. https://doi.org/10.1111/j.1467-6435.1994.tb02246.x

DeWall C. N., Deckman T., Pond R. S., Jr., Bonser I. (2011). Belongingness as a core
personality trait: How social exclusion influences social functioning and personality
expression. Journal of Personality, Vol. 79, No. 6, pp. 1281—1314. https://doi.org/
10.1111/j.1467-6494.2010.00695.x

Dietrich F., List C. (2016). Mentalism versus behaviourism in economics: A philosophy-
of-s­cience perspective. Economics & Philosophy, Vol. 32, No. 2, pp. 249—281.
https://doi.org/10.1017/S0266267115000462

Dissart J.-C. (2003). Regional economic diversity and regional economic stability:
Research results and agenda. International Regional Science Review, Vol. 26,
No. 4, pp. 423—446. https://doi.org/10.1007/s10458-009-9093-x

Dolphin T., Nash D. (eds.) (2012). Complex new world. Translating new economic
thinking into public policy. London: Institute for Public Policy Research.

Dosi G., Roventini A. (2019). More is different... and complex! The case for agent-based
macroeconomics. Journal of Evolutionary Economics, Vol. 29, No. 1, pp. 1—37.
https://doi.org/10.1007/s00191-019-00609-y

Dunbar R. I. M. (2004). Gossip in evolutionary perspective. Review of General Psychology,
Vol. 8, No. 2, pp. 100—110. https://doi.org/10.1037/1089-2680.8.2.100

Durlauf S. N. (2012). Complexity, economics, and public policy. Politics, Philosophy &
Economics, Vol. 11, No. 1, pp. 45—75. https://doi.org/10.1177/1470594X11434625

Eagar T., Dann S. (2016). Classifying the narrated #selfie: Genre typing human-brand-
ing activity. European Journal of Marketing, Vol. 50, No. 9/10, pp. 1835—1857.
https://doi.org/10.1108/EJM-07-2015-0509

Elsner W. (2017). Complexity economics as heterodoxy: Theory and policy. Journal of
Economic Issues, Vol. LI, No. 4, pp. 939—978. https://doi.org/10.1080/00213
624.2017.1391570

Epstein J. M. (1999). Agent-based computational models and generative social science.
Complexity, Vol. 4, No. 5, рр. 41—60. https://doi.org/10.1002/(SICI)1099-
0526(199905/06)4:5%3C41::AID-CPLX9%3E3.0.CO;2-F

23

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

Fagerberg J., Srholec M. (2017). Capabilities, economic development, sustainability.
Cambridge Journal of Economics, Vol. 41, No. 3, pp. 905—926. https://doi.org/
10.1093/cje/bew061

Farmer J. D., Foley D. (2009). The economy needs agent-based modelling. Nature,
Vol. 460, No. 7256, pp. 685—686. https://doi.org/10.1038/460685a

Fehr E., Fischbacher U. (2002). Why social preferences matter — the impact of non-
selfish motives on competition, cooperation and incentives. Economic Journal,
Vol. 112, No. 478, pp. C1—C33. https://doi.org/10.1111/1468-0297.00027

Felin T., Foss N. J., Heimeriks K. H., Madsen T. L. (2012). Microfoundations of routines
and capabilities: Individuals, processes, and structure. Journal of Management
Studies, Vol. 49, No. 8, pp. 1351—1374. https://doi.org/10.1111/j.1467-6486.
2012.01052.x

Felin T., Foss N. J., Ployhart R. E. (2015). The microfoundations movement in strate­gy and
organization theory. Academy of Management Annals, Vol. 9, No. 1, pp. 575—632.
https://doi.org/10.5465/19416520.2015.1007651

Felipe J., Kumar U., Abdon A., Bacate M. (2012). Product complexity and economic de-
velopment. Structural Change and Economic Dynamics. Vol. 23, No. 1, рр. 36—68.
https://doi.org/10.1016/j.strueco.2011.08.003

Fenton C., Langley A. (2011). Strategy as practice and the narrative turn. Organization
Studies, Vol. 32, No. 9, pp. 1171—1196. https://doi.org/10.1177/0170840611410838

Flache A., Mäs M., Feliciani T., Chattoe-Brown E., Deffuant G., Huet S., Lorenz J.
(2017). Models of social influence: Towards the  next frontiers. Journal of
Artificial Societies and Social Simulation, Vol. 20, No. 4, Article 2. https://
doi.org/10.18564/jasss.3521

Flyvbjerg B. (2006). Five misunderstandings about case-study research. Qualitative
Inquiry, Vol. 12, Nо. 2, pp. 219—245. https://doi.org/10.1177/1077800405284363

Fontana M. (2010). Can neoclassical economics handle complexity? The fallacy of
the oil spot dynamic. Journal of Economic Behavior & Organization, Vol. 76,
рр. 584—596. https://doi.org/10.1016/j.jebo.2010.08.010

Foster J. (2005). From simplistic to complex systems in economics. Cambridge Journal
of Economics, Vol. 29, No. 6, pp. 873—892. doi:10.1093/cje/bei083

Frantz C. K., Pigozzi G. (2018). Modelling norm dynamics in multi-agent systems.
Journal of Applied Logics, Vol. 5, No. 2, pp. 491—563.

Frenken K., Van Oort F., Verburg T. (2007). Related variety, unrelated variety and
regional economic growth. Regional Studies, Vol. 41, No. 5, pp. 685—697. https://
doi.org/10.1080/00343400601120296

Fuller S., de Mey M., Shinn T., Woolgar S. (eds.) (1989). The cognitive turn: Sociological
and psychological perspectives on science. Springer Science.

Funke M., Ruhwedel R. (2001). Product variety and economic growth: Empirical evi-
dence for the OECD countries. IMF Staff Papers, Vol. 48, No. 2, pp. 225—242.
https://doi.org/10.2307/4621668

Gala P., Rocha I., Magacho G. (2018). The structuralist revenge: Economic complexity
as an important dimension to evaluate growth and development. Brazilian Journal
of Political Economy, Vol. 38, No. 2, pp. 219—236. https://doi.org/10.1590/0101-
31572018v38n02a01

Gary M. S., Wood R. E. (2011). Mental models, decision rules, and performance hetero­
geneity. Strategic Management Journal, Vol. 32, No. 6, pp. 569—594. https://
doi.org/10.1002/smj.899

Georgeff M., Pell B., Pollack M., Tambe M., Wooldridge M. (1999). The belief-desire-in-
tention model of agency. In: J. P. Müller, A. S. Rao, M. P. Singh (eds.). Intelligent
agents V: Agents theories, architectures, and languages. Berlin: Springer, pp. 1—10.

Gertsen M. C., Søderberg A. M. (2011). Intercultural collaboration stories: On narra-
tive inquiry and analysis as tools for research in international business. Journal of
International Business Studies, Vol. 42, No. 6, pp. 787—804. https://doi.org/
10.1057/jibs.2011.15

Gill R. (2011). Using storytelling to maintain employee loyalty during change.
International Journal of Business and Social Science, Vol. 2, No. 15, pp. 23—32.

24

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

Giovanini A., Arend M. (2017). Contribution of services to economic growth: Kaldor’s
fifth law? Revista de Administração Mackenzie, Vol. 18, No. 4, pp. 190—213.
https://doi.org/10.1590/1678-69712017/administracao.v18n4p190-213

Goldman A. I. (2012). Theory of mind. In: E. Margolis, R. Samuels, S. P. Stich (eds.).
The Oxford handbook of philosophy of cognitive science. Oxford: Oxford University
Press, pp. 402—424.

Gräbner C. (2015). Methodology does matter: About implicit assumptions in applied
formal modelling. MPRA Paper, No. 63003.

Gräbner C. (2016). Agent-based computational models — a formal heuristic for institu-
tionalist pattern modelling? Journal of Institutional Economics, Vol. 12, No. 1,
pp. 241—261. https://doi.org/10.1017/S1744137415000193

Gray S. A., Zanre E., Gray S. R. J. (2014). Fuzzy cognitive maps as representations
of mental models and group beliefs. In: E. Papageorgiou (ed.). Fuzzy cogni-
tive maps for applied sciences and engineering. Berlin-Heidelberg: Springer,
pp. 29—48.

Green S. E. (2004). A rhetorical theory of diffusion. Academy of Management Review,
Vol. 29, No. 4, pp. 653—669. https://doi.org/10.5465/amr.2004.14497653

Grow A., Flache A. (2019). Agent-based computational models of reputation and status
dynamics. In: F. Giardini, R. Wittek (eds.). The Oxford handbook of gossip and
reputation. Oxford University Press, pp. 230—248. https://doi.org/10.1093/
oxfordhb/9780190494087.013.13

Güth W., Ploner M. (2017). Mentally perceiving how means achieve ends. Rationality and
Society, Vol. 29, No. 2, pp. 203—225. https://doi.org/10.1177/1043463116678114

Hanna N., Richards D. (2018). The impact of multimodal communication on a shared
mental model, trust, and commitment in human—intelligent virtual agent teams.
Multimodal Technologies and Interaction, Vol. 2, No. 3, Article 48. https://
doi.org/10.3390/mti2030048

Harrison G. W. (2008). Neuroeconomics: A critical reconsideration. Economics & Philosophy,
Vol. 24, No. 3, pp. 303—344. https://doi.org/10.1017/S0266267108002009

Hartley J. E. (1996). The origins of the representative agent. Journal of Economic
Perspectives, Vol. 10, No. 2, pp. 169—177. https://doi.org/10.1257/jep.10.2.169

Hartmann D., Guevara M. R., Jara-Figueroa C., Aristarán M., Hidalgo C. A. (2017).
Linking economic complexity, institutions, and income inequality. World
Development, Vol. 93, рр. 75—93. https://doi.org/10.1016/j.worlddev.2016.12.020

Hayek F. A. (1937). Economics and knowledge. Economica, Vol. 4, No. 13, pp. 33—54.
https://doi.org/10.2307/2548786

Hayek F. A. (1945). The use of knowledge in society. American Economic Review,
Vol. 35, No. 4, pp. 519—530.

Heise A. (2017). Whither economic complexity? A new heterodox economic paradigm or
just another variation within the mainstream? International Journal of Pluralism
and Economics Education, Vol. 8, No. 2, рр. 115—129. https://doi.org/10.1504/
IJPEE.2017.10006435

Hidalgo C. A., Hausmann R. (2009). The building blocks of economic complexity. PNAS,
Vol. 106, No. 24, pp. 10570—10575. https://doi.org/10.1073/pnas.0900943106

Holt R. P. F., Rosser J. B., Jr., Colander D. (2011). The complexity era in economics.
Review of Political Economy, Vol. 23, No. 3, pp. 357—369. https://doi.org/
10.1080/09538259.2011.583820

Honig O., Reichard A. (2018). Evidence-fabricating in asymmetric conflicts: How weak
actors prove false propaganda narratives. Studies in Conflict & Terrorism, Vol. 41,
No. 4, pp. 297—318. https://doi.org/10.1080/1057610X.2017.1283199

Hsu J. (2008). The secrets of storytelling: Our love for telling tales reveals the workings of
the mind. Scientific American: Mind, Vol. 19, No. 4, pp. 46—51. https://doi.org/
10.1038/scientificamericanmind0808-46

Ivanova I., Smorodinskaya N., Leydesdorff L. (2020). On measuring complexity in
a post-industrial economy: The ecosystem’s approach. Quality & Quantity, Vol. 54,
pp. 197—212. https://doi.org/10.1007/s11135-019-00844-2

25

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

Jameson D. A. (2000). Telling the investment story: A narrative analysis of share-
holder reports. International Journal of Business Communication, Vol. 37, No. 1,
pp. 7—38. https://doi.org/10.1177/002194360003700101

Jones H., Chollet M., Ochs M., Sabouret N., Pelachaud C. (2014). Expressing social
attitudes in virtual agents for social coaching. In: Workshop affect, compagnon
artificiel, interaction. Rouen, pp. 65—70.

Jones M. D., McBeth K. M. (2010). A narrative policy framework: Clear enough to
be wrong? Policy Studies Journal, Vol. 38, No. 2, рр. 329—353. https://doi.
org/10.1111/j.1541-0072.2010.00364.x

Jussim L. (2017). Précis of social perception and social reality: Why accuracy dominates
bias and self-fulfilling prophecy. Behavioral and Brain Sciences, Vol. 40, No. e1,
pp. 1—66. https://doi.org/10.1017/S0140525X1500062X

Kemp-Benedict E. (2014). An interpretation and critique of the method of reflections.
MPRA Paper, No. 60705. https://mpra.ub.uni-muenchen.de/60705/

Kermack W. O., McKendrick A. G. (1927). A contribution to the mathematical theory
of epidemics. Proceedings of the Royal Society of London, Series A, Vol. 115,
No. 772, pp. 700—721. https://doi.org/10.1098/rspa.1927.0118

Kim L. (1997). Imitation to innovation: The dynamics of Korea’s technological learning.
Cambridge, MA: Harvard Business School Press.

Koppl  R. (2011). Against representative agent methodology. Review of Austrian
Economics, Vol. 24, No. 1, pp. 43—55. https://doi.org/10.1007/s11138-010-0119-z

Kruglanski A. W., Gigerenzer G. (2011). Intuitive and deliberate judgments are based on
common principles. Psychological Review, Vol. 118, No. 1, pp. 97—109. https://
doi.org/10.1037/a0020762

Ladyman J., Lambert J., Wiesner K. (2013). What is a complex system? European Journal
for Philosophy of Science, Vol. 3, No. 1, pp. 33—67. https://doi.org/10.1007/
s13194-012-0056-8

Lapatinas A., Kyriakou A., Garas A. (2019). Taxation and economic sophistication:
Evidence from OECD countries. PLoS ONE, Vol. 14, No. 3, e0213498. https://
doi.org/10.1371/journal.pone.0213498

Lapatinas A., Litina A. (2019). Intelligence and economic sophistication. Empirical
Economics, Vol. 57, No. 5, pp. 1731—1750. https://doi.org/10.1007/s00181-018-
1511-y

Laverde-Rojas H., Correa J. C. (2019). Can scientific productivity impact the economic
complexity of countries? Scientometrics, Vol. 120, No. 1, pp. 267—282. https://
doi.org/10.1007/s11192-019-03118-8

Legros S., Cislaghi B. (2020). Mapping the social-norms literature: An overview of re-
views. Perspectives on Psychological Science, Vol. 15, No. 1, pp. 62—80. https://
doi.org/10.1177/1745691619866455

Levy D. J., Glimcher P. W. (2012). The root of all value: A neural common currency for
choice. Current Opinion in Neurobiology, Vol. 22, No. 6, pp. 1027—1038. https://
doi.org/10.1016/j.conb.2012.06.001

Liau C.-J. (2003). Belief, information acquisition, and trust in multi-agent systems —
a modal logic formulation. Artificial Intelligence, Vol. 149, pp. 31—60. https://
doi.org/10.1016/S0004-3702(03)00063-8

Lindenberg S. (1998).The cognitive turn in institutional analysis: Beyond NIE and
NIS? Journal of Institutional and Theoretical Economics, Vol. 154, No. 4,
pp. 716—727.

Liu W., Williams M.-A. (2001). A framework for multi-agent belief revision. Studia
Logica: An International Journal for Symbolic Logic, Vol. 67, No. 2, pp. 291—312.
https://doi.org/10.1023/A:1010555305483

Luce R. D., Raiffa H. (2012 [1957]). Games and decisions: Introduction and critical
survey. New York: Dover Publication.

Maguire S., Hardy C. (2009). Discourse and deinstitutionalization: The decline of
DDT. Academy of Management Journal, Vol. 52, No. 1, pp. 148—178. https://
doi.org/10.5465/amj.2009.36461993

26

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

Mahmoud M. A., Ahmad M. S., Yusoff M. Z. M., Mustapha A. (2014). A review of
norms and normative multiagent systems. Scientific World Journal, Vol. 2014,
Article ID 684587. https://doi.org/10.1155/2014/684587

Malheiro B., Jennings N. R., Oliveira E. (1994). Belief revision in multi-agent systems.
In: A. Cohn (ed.). 11th European Conference on Artificial Intelligence. Amsterdam:
John Wiley & Sons, pp. 294—298.

Mar R. A. (2011). The neural bases of social cognition and story comprehension. Annual
Review of Psychology, Vol. 62, pp. 103—134. https://doi.org/10.1146/annurev-
psych-120709-145406

Mar R., Oatley K., Djikic M., Mullin J. (2011). Emotion and narrative fiction: Interactive
influences before, during, and after reading. Cognition and Emotion, Vol. 25, No. 5,
pp. 818—833. https://doi.org/10.1080/02699931.2010.515151

Marshall A. (1895). Principles of economics. London: Macmillan.
Mascarenhas S., Degens N., Paiva A., Prada R., Hofstede G. J., Beulens A., Aylett R.

(2016). Modeling culture in intelligent virtual agents. Autonomous Agents and
Multi-Agent Systems, Vol. 30, No. 5, pp. 931—962. https://doi.org/10.1007/
s10458-015-9312-6
McAndrew F., Milenkovic M. A. (2002). Of tabloids and family secrets: The evolutionary­
psychology of gossip. Journal of Applied Social Psychology, Vol. 32, No. 5,
pp. 1064—1082. https://doi.org/10.1111/j.1559-1816.2002.tb00256.x
Morgan S., Dennehy R. F. (1997). The power of organizational storytelling: A manage-
ment development perspective. Journal of Management Development, Vol. 16,
No. 7, pp. 494—501. https://doi.org/10.1108/02621719710169585
Morin E. (1992). From the concept of system to the paradigm of complexity. Journal
of Social and Evolutionary Systems, Vol. 15, No. 4,  pp.  371—385. https://
doi.org/10.1016/1061-7361(92)90024-8
Mumby D. K. (1987). The political function of narrative in organizations.
Communication Monographs,  Vol. 54, No. 2, pp.  113—127. https://doi.org/
10.1080/03637758709390221
Napoletano M. (2018). A short walk on the wild side: Agent-based models and their
implications for macroeconomic analysis. Revue de l’OFCE, Vol. 157, No. 3,
pp. 257—281. https://doi.org/10.3917/reof.157.0257
Neumann M. (2010). A classification of normative architectures. In: K. Takadama,
C. Cioffi-Revilla, G. Deffuant (eds.). Simulating interacting agents and social
phenomena. Agent-based social systems, Vol. 7. Tokyo: Springer, pp. 3—18.
Nickerson J. A., Zenger T. R. (2004). A knowledge-based theory of the firm: The problem-
solving perspective. Organization Science, Vol. 15, No. 6, pp. 617—632. https://
doi.org/10.1287/orsc.1040.0093
North M., Macal C. (2007). Managing business complexity: Discovering strategic
solutions with agent-based modeling and simulation. Oxford University Press.
Oatley K. (2008). The mind’s flight simulator. Psychologist, Vol. 21, No. 12,
pp. 1030—1032.
Oatley K. (2012). The cognitive science of fiction. Wiley Interdisciplinary Reviews:
Cognitive Science, Vol. 3, No. 4, pp. 425—430. https://doi.org/10.1002/wcs.1185
Padoa-Schioppa C., Conen K. E. (2017). Orbitofrontal cortex: A neural circuit for eco-
nomic decisions. Neuron, Vol. 96, No. 4, pp. 736—754. https://doi.org/10.1016/
j.neuron.2017.09.031
Pauly M. V. (1968). The economics of moral hazard: Comment. American Economic
Review, Vol. 58, No. 3, Part 1, pp. 531—537.
Phillips N., Lawrence T. B., Hardy C. (2004). Discourse and institutions. Academy of
Management Review, Vol. 29, No. 4, pp. 635—652. https://doi.org/10.5465/
amr.2004.14497617
Polkinghorne D. E. (1987). Narrative knowing and the human sciences. Albany, NY:
State University of New York Press.
Rees A. (1968). Economics. In: D. L. Sills (ed.). International encyclopedia of the social
sciences, Vol. 4. New York: MacMillan, Free Press, pp. 472—285.

27

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

Reichmann W. (2013). Epistemic participation: How to produce knowledge about the eco-
nomic future. Social Studies of Science, Vol. 43, No. 6, pp. 852—877. https://
doi.org/10.1177/0306312713498641

Reis H. T., Lemay E. P., Jr., Finkenauer C. (2017). Toward understanding understand-
ing: The importance of feeling understood in relationships. Social and Personality
Psychology Compass, Vol. 11, No. 3, No. e12308. https://doi.org/10.1111/spc3.12308

Rhodes C., Brown A. D. (2005). Narrative, organizations and research. International
Journal of Management Reviews, Vol. 7, No. 3, pp. 167—188. https://doi.
org/10.1111/j.1468-2370.2005.00112.x

Robbins L. (1928). The representative firm. Economic Journal, Vol. 38, No. 151,
рр. 387—404. https://doi.org/10.2307/2224316

Rogers E. M. (1995). Diffusion of innovations. New York: Free Press.
Ross S. A. (1973). The economic theory of agency: The principal’s problem. American

Economic Review, Vol. 63, No. 2, pp. 134—139.
Rowland  R. C. (1989). On limiting the  narrative paradigm: Three case studies.­

Communications Monographs,  Vol. 56, No. 1, pp.  39—54. https://doi.org/
10.1080/03637758909390248
Sbardella A., Pugliese E., Zaccaria A., Scaramozzino P. (2018). The role of complex
analysis in modelling economic growth. Entropy, Vol. 20, No. 11, Article 883.
https://doi.org/10.3390/e20110883
Schinckus C. (2019). Agent-based modelling and economic complexity: A diversified
perspective. Journal of Asian Business and Economic Studies, Vol. 26, No. 2,
pp. 170—188. https://doi.org/10.1108/JABES-12-2018-0108
Schohl F. (1999). The paradoxical fate of the representative firm. Journal of the History
of Economic Thought,  Vol. 21,  No. 1, pp. 65—80. https://doi.org/10.1017/
S1053837200002856
Seitz A. R., Watanabe T. (2009). The phenomenon of task-irrelevant perceptual learn-
ing. Vision Research, Vol. 49, No. 21, pp. 2604—2610. https://doi.org/10.1016/
j.visres.2009.08.003
Sepehrdoust H., Davarikish R., Setarehie M. (2019). The knowledge-based products and
economic complexity in developing countries. Heliyon, Vol. 5, e02979. https://
doi.org/10.1016/j.heliyon.2019.e02979
Shankar A., Elliott R., Goulding C. (2001). Understanding consumption: Contributions
from a narrative perspective. Journal of Marketing Management, Vol. 17, No. 3—4,
pp. 429—453. 
Shenhav S. R. (2006). Political narratives and political reality. International
Political Science Review, Vol. 27, No. 3, pp. 245—262. https://doi.org/
10.1177/0192512106064474
Shiller R. J. (2017). Narrative economics. American Economic Review, Vol. 107, No. 4,
pp. 967—1004. https://doi.org/10.1257/aer.107.4.967
Si M., Marsella S. C., Pynadath D. V. (2010). Modeling appraisal in theory of mind
reasoning. Autonomous Agents and Multi-Agent Systems, Vol. 20, Article 14.
https://doi.org/10.1007/s10458-009-9093-x
Simon H. A. (1955). A  behavioral model of rational choice. Quarterly Journal of
Economics, Vol. 69, No. 1, pp. 99—118. https://doi.org/10.2307/1884852
Simon H. A. (1957). Models of man: Social and rational. New York: Wiley & Sons.
Simon H. A. (1962). The architecture of complexity. Proceedings of the American
Philosophical Society, Vol. 106, No. 6, pp. 467—482.
Skocpol T., Pierson P. (2002). Historical institutionalism in contemporary political­­science.
In: I. Katznelson, H. V. Milner (eds.). Political science: State of the discipline­.
New York: W.W. Norton, pp. 693—721.
Soon C. S., Brass M., Heinze  H.-J., Haynes J.-D. (2008). Unconscious determi-
nants of free decisions in the human brain. Nature Neuroscience, Vol. 11, No. 5,
pp. 543—545. https://doi.org/10.1038/nn.2112
Speer N. K., Reynolds J. R., Swallow K. M., Zacks J. M. (2009). Reading stories acti-
vates neural representations of visual and motor experiences. Psychological Science,
Vol. 20, No. 8, pp. 989—999. https://doi.org/10.1111/j.1467-9280.2009.02397.x

28

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

Spence A. M. (1973). Job market signaling. Quarterly Journal of Economics, Vol. 87,
No. 3, pp. 355—374. https://doi.org/10.2307/1882010

Spreng R. N., Mar R. A., Kim A. S. N. (2008). The common neural basis of autobio-
graphical memory, prospection, navigation, theory of mind, and the default mode:
A quantitative meta-analysis. Journal of Cognitive Neuroscience, Vol. 21, No. 3,
pp. 489—510. https://doi.org/10.1162/jocn.2008.21029

Squazzoni F. (2010). The impact of agent-based models in the social sciences after 15
years of incursions. History of Economic Ideas, Vol. 18, No. 2, pp. 197—233.

Stanovich K. E., West R. F. (2008). On the relative independence of thinking biases
and cognitive ability. Journal of Personality and Social Psychology, Vol. 94, No. 4,
pp. 672—695. https://doi.org/10.1037/0022-3514.94.4.672

Steunebrink B. R., Dastani M., Meyer J.-J. (2006). Emotions as heuristics in multi-
agent systems. In: D. Reichardt, P. Levi, J.-J. Meyer (eds.). Proceedings of the 1st
Workshop on Emotion and Computing. University of Bremen, pp. 15—18.

Stiglitz J. E. (2002). Information and the  change in the  paradigm in economics.
American Economic Review, Vol. 92, No. 3, pp. 460—501. https://doi.org/
10.1257/00028280260136363

Stojkoski V., Utkovski Z., Kocarev L. (2016). The impact of services on economic com-
plexity: Service sophistication as route for economic growth. PLoS ONE, Vol. 11,
No. 8, e0161633. https://doi.org/10.1371/journal.pone.0161633

Strack F., Deutsch R. (2004). Reflective and impulsive determinants of social behavior.
Personality and Social Psychology Review, Vol. 8, No. 3, pp. 220—247. https://
doi.org/10.1207/s15327957pspr0803_1

Tacchella A., Cristelli M., Caldarelli G., Gabrielli A., Pietronero L. (2012). A new
metrics for countries’ fitness and products’ complexity. Science Reports, Vol. 2,
Article 723. https://doi.org/10.1038/srep00723

Tomasello M., Carpenter M., Call J., Behneand T., Moll H. (2005). Understanding and
sharing intentions: The origins of cultural cognition. Behavioral and Brain Sciences,
Vol. 28, No. 5, pp. 675—691. https://doi.org/10.1017/S0140525X05000129

Tversky A., Kahneman D. (1971). Belief in the law of small numbers. Psychological
Bulletin, Vol. 76, No. 2, pp. 105—110. https://doi.org/10.1037/h0031322

Vaara E., Sonenshein S., Boje D. (2016). Narratives as sources of stability and change
in organizations: Approaches and directions for future research. Academy of
Management Annals, Vol. 10, No. 1, pp. 495—560. https://doi.org/10.5465/
19416520.2016.1120963

van Laer T., de Ruyter K., Visconti L. M., Wetzels M. (2014). The extended trans-
portation-imagery model: A meta-analysis of the antecedents and consequences of
consumers’ narrative transportation. Journal of Consumer Research, Vol. 40, No. 5,
pp. 797—817. https://doi.org/10.1086/673383

Vinci G. V., Benzi R. (2018). Economic complexity: Correlations between gross domestic­
product and fitness. Entropy, Vol. 20, No. 10, Article 766. https://doi.org/
10.3390/e20100766

Volz K. G., Gigerenzer G. (2012). Cognitive processes in decisions under risk are not
the same as in decisions under uncertainty. Frontiers in Neuroscience: Decision
Neuroscience, Vol. 6, Article 105. https://doi.org/10.3389/fnins.2012.00105

Von Bertalanffy L. (1950). An outline of general system theory. British Journal for
the Philosophy of Science, Vol. 1, No. 2, pp. 134—165. https://doi.org/10.1093/
bjps/I.2.134

Vu T. V. (2019). Does institutional quality foster economic complexity? University of
Otago Economics Discussion Papers, No. 1909. https://www.otago.ac.nz/econom-
ics/otago719628.pdf

Wagner J. E., Deller S. C. (1998). Measuring the effects of economic diversity on growth
and stability. Land Economics, Vol. 74, No. 4, pp. 541—556. https://doi.org/
10.2307/3146884

Walsh J. P. (1995). Managerial and organizational cognition: Notes from a trip down
memory lane. Organization Science, Vol. 6, No. 3, pp. 280—321. https://doi.
org/10.1287/orsc.6.3.280

29

В. Л. Тамбовцев / Вопросы экономики. 2020. № 4. С. 5—30

Wert S. R., Salovey P. (2004). A  social comparison account of gossip.  Review of
General Psychology, Vol. 8, No. 2, pp. 122—137. https://doi.org/10.1037/1089-
2680.8.2.122

Williamson O. E. (1973). Markets and hierarchies: Some elementary considerations.
American Economic Review, Vol. 63, No. 2, pp. 316—325.

Williamson O. E. (2000). The new institutional economics: Taking stock, looking
ahead. Journal of Economic Literature, Vol. 38, No. 3, pp. 595—613. https://
doi.org/10.1257/jel.38.3.595

Wimmer H., Perner J. (1983). Beliefs about beliefs: Representation and constraining
function of wrong beliefs in young children’s understanding of deception. Cognition,
Vol. 13, No. 1, pp. 103—128. https://doi.org/10.1016/0010-0277(83)90004-5

Woodside A. G. (ed.) (2017). The complexity turn cultural, management, and marketing
applications. Cham: Springer International Publishing.

Zebregs S., van den Putte B., Neijens P., de Graaf A. (2015). The differential impact
of statistical and narrative evidence on beliefs, attitude, and intention: A meta-
analysis. Health Communication, Vol. 30, No. 3, pp. 282—289. https://doi.org/
10.1080/10410236.2013.842528

Zilber T. B. (2002). Institutionalization as an interplay between actions, meanings,
and actors: The case of a rape crisis center in Israel. Academy of Management
Journal, Vol. 45, No. 1, pp. 234—254. https://doi.org/10.2307/3069294

Narrative analysis in economics as climbing complexity
Vitaly L. Tambovtsev

Author affiliation: Lomonosov Moscow State University (Moscow, Russia).
Email: [email protected]

Two turns in economics during last decades are analyzed — complexity
turn, and information turn, and the narrative analysis role for these turns realiza­
tion is discussed. Basic framework of narrative analysis is described, and it is
shown that its efficacy is limited by groups of individuals which have resources
that give them possibilities to treat the narrative’s plot as a feasible alternative
in decision-making situation. It is grounded that now agent-based models are
the effective instrument for theoretical and empirical research under turns to
complexity or information alike.

Keywords: complexity, economics, subjective information, narrative analysis,
agent-based models.

JEL: B52, C63, D80.

30

Вопросы экономики. 2020. № 4. С. 31—53.
Voprosy Ekonomiki, 2020, No.  4, pp. 31—53.

ДЕНЕЖНО-КРЕДИТНАЯ ПОЛИТИКА

Экономические эффекты
монетарной политики в России:
о чем говорят большие массивы данных?*

А. А. Пестова1,2, Н. А. Ростова3

1 МГИМО МИД России (Москва, Россия)
2 Центр экономических исследований и высшего образования —

Экономический институт (CERGE-EI, Прага, Чехия)
3 Свободный международный университет социальных исследований

Гвидо Карли (LUISS Guido Carli, Рим, Италия)

Способен ли Центральный банк РФ мерами процентной политики однов-
ременно сдерживать ценовое давление и снижать совокупный спрос? Другими
словами, соответствуют ли эмпирические оценки эффектов монетарной полити-
ки в России теоретическим представлениям и опыту развитых стран? Изучение
этих вопросов является предметом данной статьи. В отличие от предыду­щих
работ, оценка проводится для «больших данных». Акцент сделан­только на
периоде после глобального финансового кризиса 2008—2009 гг., для которого
характерны отказ Банка России от политики фиксированного курса рубля
и постепенный переход к режиму управления процентными ставками. Анализ
не обнаружил подтверждения стандартной реакции ключевых производст-
венных и ценовых показателей в ответ на ужесточение денежно-кредитной
политики. Так, оценки не выявили статистически значимого сдерживающего
влияния на инфляцию политики высоких процентных ставок, проводимой

Пестова Анна Андреевна ([email protected]), к.  э.  н., с. н. с. Центра
исследований международной экономики Института международных ис­
следований МГИМО, докторант CERGE‑EI; Ростова Наталья Андреевна
([email protected]), магистрант университета LUISS Guido Carli.

* И  сследование выполнено при финансовой поддержке РФФИ в рамках научного проекта­
№ 16-36-60047 мол_а_дк. Авторы выражают благодарность Центру макроэкономическо-
го анализа и краткосрочного прогнозирования за возможность работы над исследованием,
Ю. К. Ачкасову (Банк России) за предоставленные данные, анонимным рецензентам за ценные
комментарии и предложения, а также участникам XIX Международной научной конферен-
ции по проблемам развития экономики и общества (Москва), Macro reading group CERGE-EI
(Прага, Чехия), международной конференции по макроэкономике и международным финансам
ICMAIF (Ретимно, Греция) и международной конференции Банка России «Инфляция: новые
идеи для центральных банков» (Санкт-Петербург) за обсуждение и комментарии к работе. Все
возможные ошибки и неточности являются сферой ответственности авторов.

https://doi.org/10.32609/0042-8736-2020-4-31-53
© НП «Вопросы экономики», 2020

31

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53

в последние годы. При этом обнаружено сдерживающее влияние ужесточения
монетарной политики на показатели эконом­ ической активности: согласно кон-
сервативным оценкам, каждое повышен­ ие ключевой ставки в марте и декабре
2014 г. привело к снижению индекса промышленного производства прибли-
зительно на 0,2 п. п. в течение года.

Ключевые слова: денежно-кредитная политика, динамическая фактор-
ная модель, метод главных компонент, структурная идентификация, шоки
денежно-к­ редитной политики.

JEL: E31, E43, E51, E58.

Основная цель данной работы — оценить реакцию экономики на
шоки процентной политики Банка России в период после кризиса 2008 г.
Несмотря на существование ряда опубликованных в последние годы ра-
бот по оценке эффектов монетарной политики в России (Ващелюк и др.,
2015; Крепцев, Селезнев, 2016; Борзых, 2016; Синельникова-Мурылева,
2017; Пестова, 2018), в российской литературе1 до сих пор не достигнут
консенсус относительно масштаба и направленности политики, а так-
же не во всех упомянутых работах учитывается изменение режимов
политики (Пестова, 2017). Последнее приводит к несопоставимости
результатов отдельных работ и сдерживает продуктивную дискуссию.

В последние годы режим денежно-кредитной политики в России
претерпел ряд изменений. В 2009 г. Банк России отказался от средне­
срочных целей по обменному курсу рубля и постепенно расширил
границы плавающего операционного интервала стоимости бивалютной
корзины. Одновременно была повышена роль процентной политики,
улучшена управляемость ставками денежного рынка за счет постепен-
ного сужения коридора процентных ставок по операциям коммерче-
ских банков с Банком России. В конце 2014 г. был завершен переход
к плавающему курсу рубля и режиму инфляционного таргетирования
(«чистого» управления процентными ставками; подробное описание
режимов политики см. в: Пестова, 2017).

Несмотря на переход к режиму управления процентными ставка-
ми, регулятор пока не опубликовал своих оценок эффектов новой поли-
тики для экономики. На сайте Банка России в разделе «Экономические
исследования»2 имеется одна эмпирическая работа (Крепцев, Селезнев,
2016), посвященная оценке первой ступени трансмиссионного механиз-
ма процентной политики: как изменения регулируемой ставки распро-
страняются на ставки межбанковского рынка и ставки по кредитам
и депозитам банков. Кроме того, на сайте регулятора имеются оценки
эффектов процентной политики, полученные на основе динамической
стохастической модели общего равновесия (DSGE) (Крепцев, Селезнев,
2017). Однако, на наш взгляд, этого недостаточно для выработки эф-
фективной и своевременной политики. Проблему недостатка эмпири-
ческих свидетельств о действенности текущей политики Банка России

1 Подробный обзор российских работ см., например, в: Синельникова-Мурылева, 2017;
Пестова, 2018.

2 http://cbr.ru/ec_research/

32

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53

ярко иллюстрирует эпизод резкого повышения ключевой процентной
ставки в 2014 г. (с 5,5 до 17%) в условиях нарастающей финансовой
нестабильности и макроэкономического кризиса. Данное решение вы­
звало широкую дискуссию среди экспертов и исследователей (Апокин
и др., 2014, 2015; Бадасен и др., 2015; Могилат и др., 2016). Чтобы не
допустить повторения споров 2014 г., Банку России и научному сооб-
ществу необходимо выработать общий подход к оценке последствий
проводимой политики и согласовать результаты.

Наша работа восполняет дефицит эмпирических свидетельств об
эффектах процентной политики регулятора. Принимая во внимание
изменение режимов монетарной политики, мы рассматриваем только
период после кризиса 2008 г. В отличие от предыдущих наших работ
(Пестова, 2018), в данной статье оценка проводится для большого
массива макроэкономических и финансовых данных. Это, во-первых,
позволяет более точно выделить основные движущие силы макро­
экономических колебаний и тем самым приблизиться к широкому
информационному множеству регулятора; во-вторых, дает возмож-
ность оценить эффекты шоков политики для большого набора макро-
экономических рядов данных.

В отличие от существующих работ по оценке эффектов монетар-
ной политики на большом массиве данных (Крепцев, Селезнев, 2016;
Борзых, 2016; Синельникова-Мурылева, 2017), в данной работе иден-
тификация шоков монетарной политики осуществляется путем нало-
жения знаковых ограничений в структурной динамической факторной
модели (SDFM). Ранее такой подход не был представлен в россий-
ской литературе: шоки идентифицировались на основе весьма жестких
предположений об упорядочивании переменных по скорости реакции.

При помощи оцененной структурной факторной модели российской
экономики мы отвечаем на следующие вопросы: является ли про-
центная политика регулятора эффективной в терминах сдерживания
инфляционного давления и поддержания стабильности национальной
валюты? Как показатели экономической активности в различных сек-
торах экономики реагируют на монетарные инновации?

Результаты нашего анализа можно обобщить следующим образом.
При наложении слабых идентификационных ограничений на знаки
импульсных функций отклика (отсутствие ограничений на отклик цен)
или наложении идентификационных ограничений, разработанных для
открытых экономик (укрепление курса национальной валюты в ответ
на повышение регулируемых процентных ставок), в структурной дина­
мической факторной модели российской экономики мы не обнаружили
сдерживающей реакции цен в ответ на монетарные инновации. Отклик
цен положителен, но статистически незначим. Стандартные идентифика­
ционные ограничения (сдерживающее воздействие ужесточения моне-
тарной политики на цены) не вполне согласуются с российскими дан-
ными: отрицательное воздействие повышения процентных ставок на
цены исчерпывается вне периода наложения идентификационных огра-
ничений. Эти результаты свидетельствуют об отсутствии статистически
значимого сдерживающего влияния ужесточения процентной политики
на инфляцию. В то же время показатели экономической активности

33

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53

значимо реагируют на монетарные инновации: каждому повышению
регулируемой процентной ставки на 0,5 п. п. сверх оцененного «прави-
ла» реакции на макроэкономические шоки соответствует замедление
промышленного производства на 0,3 п. п. в течение года.

Данная работа связана с тремя исследовательскими направле-
ниями. Во-первых, мы оцениваем факторную модель для анализа
флуктуаций большого числа макроэкономических и финансовых рядов
(Stock, Watson, 2002, 2005; Bernanke et al., 2005; Forni et al., 2009).
Во-вторых, мы используем метод ограничений на знаки импульсных
функций отклика для идентификации монетарных шоков (Uhlig, 2005;
Forni, Gambetti, 2010; Barigozzi et al., 2014; Luciani, 2015). В-третьих,
в отличие от большинства зарубежных работ, фокусирующихся на
США и других развитых экономиках, наше исследование относится
к числу немногих, посвященных монетарной политике в малых от-
крытых экономиках (см. теоретические работы: Galí, Monacelli, 2005;
Corsetti et al., 2011, и эмпирическую работу: Mallick, Sousa, 2012).

Описание методологии и данных

Описание DFM

Наиболее распространенный подход к идентификации монетарных
шоков — оценивать структурные векторные авторегрессии (SVAR).
Существует ряд исследований, в которых такой подход применяет-
ся для оценки монетарных инноваций на основе данных по россий-
ской экономике (Дробышевский и др., 2008; Ващелюк и др., 2015;
Ломиворотов, 2015; Mallick, Sousa, 2012). Однако в последние годы
критика такого подхода усилилась по ряду причин.

С одной стороны, анализ шоков в моделях SVAR основан на предпосылке
о том, что информационное множество центрального банка и набор переменных,
используемых исследователем, совпадают (Luciani, 2015). Однако очевидно, что
в реальности центральные банки проводят мониторинг большого количества эконо-
мических индикаторов. В результате из-за использования небольшого набора данных
в моделях SVAR неизбежно возникает проблема пропущенных переменных. С дру-
гой стороны, включение большего количества временных рядов в SVAR приводит
к проблеме «проклятия размерности».

Один из подходов к решению указанных проблем — оценка ди-
намических факторных моделей (DFM). Было показано, что отклики
переменных значительно изменяются, если исследователь принимает­
во внимание широкий спектр экономических переменных (Forni,
Gambetti, 2010). Более того, DFM позволяют получать отклики боль-
шого количества переменных на дезагрегированном уровне, в том числе
для коррелированных между собой показателей. Например, в DFM
возможно включать не только агрегированный индекс промышленного
производства или индекс выпуска по базовым видам экономической
деятельности, но и индексы выпуска по различным секторам экономи-
ки. Последнее позволяет изучать гетерогенные секторальные эффекты
монетарной политики.

34

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53

Основная идея, лежащая в основе динамических факторных моде-
лей, состоит в том, что на макроэкономические переменные действует
сравнительно небольшое количество фундаментальных шоков, которые
объясняют большую часть их дисперсии. Все прочие инновации можно
отнести к секторальным шокам или ошибкам измерения отдельных
переменных. Использование SDFM для идентификации монетарных
шоков предполагает, что центральный банк при проведении монетарной
политики реагирует только на фундаментальные макроэкономические
шоки (не на идиосинкратические возмущения).

Каждую переменную xit можно представить как сумму общей
и идиосинкратической компоненты (Forni, Gambetti, 2010):

xit = χit + ξit, (1)

где: χit — общая компонента; ξit, — идиосинкратическая компонента.
Стандартная форма представления DFM в матричной форме вы-

глядит следующим образом:

Xt = ΛFt + et, (2)

Φ(L)Ft = Gηt, (3)

ηt = Hεt, (4)

где: Xt — вектор наблюдений за N временных рядов в период времени
t (N × 1); Λ — матрица нагрузок (N × r); Ft — вектор r статических
факторов (r × 1); et — идиосинкратические компоненты (N × 1); Φ(L)
и G — матрицы r × r и r × q соответственно; ηt — динамические фак-
торы в сокращенной форме q × 1; εt — структурные шоки (q × 1); H —
обратимая матрица (q × q).

Таким образом, структурные функции отклика имеют вид

IRF = ΛΦ(L)–1 GH (5)

и интерпретируются как динамический причинно-следственный эф-
фект, который единичный структурный шок (увеличение εt на 1) оказы­
вает на N переменных.

В данной работе мы оцениваем модель с постоянными во времени­
коэффициентами и тем самым получаем усредненные за период­им-
пульсные функции отклика. Несмотря на изменение режима­монетар-
ной политики в 2014 г. — окончательный переход к инфляционному
таргетированию, — в предыдущих работах, где использовались модели
с меняющимися во времени коэффициентами по российским данным,
не выявлено значимое изменение импульсных функций отклика на
монетарный шок (Борзых, 2016; Крепцев, Селезнев, 2016).

Экономика России относится к типу малых открытых3: на нее
кроме внутренних шоков воздействуют также экзогенные измене-
ния состоя­ния глобальной экономики. Для учета подобной структу-

3 Россия — «малая» экономика не с точки зрения географического размера, а с точки зрения
возможности влиять на состояние мировых рынков и цен на экспортируемое сырье. Малой открытой
считается экономика, которая не оказывает влияния на мировые цены экспорта или импорта.

35

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53

ры в оцени­ваемой модели мы разделяем переменные и статичес­кие
факторы­на два блока: внешний и внутренний по отношению к рос-
сийской экономике (Charnavoki, Dolado, 2014). Набор переменных для
анализа (см. описание ниже) содержит четыре индикатора глобальной
экономики: цены на нефть, газ, алюминий и PMI USA. Внешний блок
статических факторов включает ценовой (выделенный из трех ценовых
показателей) и фактор, отвечающий за глобальную экономическую ак-
тивность (PMI USA). Тогда, если обозначить общее количество стати-
ческих факторов r, количество внутренних факторов будет равно r  –  2.

В отличие от предыдущих исследований российской экономики
с использованием больших массивов данных (Крепцев, Селезнев, 2016;
Борзых, 2016; Синельникова-Мурылева, 2017), мы предполагаем, что
статические факторы, входящие во внутренний для российской эконо-
мики блок, не оказывают влияния на переменные, характеризующие
глобальную экономику. Тогда для случая с двумя глобальными фак-
торами уравнение (2) будет иметь следующий вид:

( ) ( )( )XP*t Λ*p 0 0 FP*t
XY*t = 0 Λ*Y 0 FY*t + et, (6)
FHt
XHt Λp ΛY ΛH

где: XP*t — блок переменных, характеризующих цены в мировой эконо-
мике; XY*t — блок глобальной экономической активности; XH* t — внут­
ренний по отношению к российской экономике блок переменных; Λ*p,
ΛY* , Λp, ΛY, ΛH — соответствующие матрицы нагрузок; FP*t — глобальный
ценовой фактор; FY*t — фактор глобальной экономической активности;
FHt — блок внутренних факторов.

Более того, мы предполагаем, что (r  –  2) внутренних статиче-
ских факторов (FHt), выделенные из ряда макроэкономических и фи-
нансовых переменных, характеризующих российскую экономику, не
оказывают воздействие на два внешних фактора (FP*t и FY*t). В таком
случае модель векторной авторегрессии для статических факторов —
уравнение (3) — будет иметь вид:

( ) ( )( )Ft* = Ψ11(L) 0 F* + Gηt, (7)
t–1
FHt Ψ21(L) Ψ22(L)
FHt–1

где: Ft* — два внешних фактора; Ft — (r  –  2) внутренних факторов;
Ψ11(L), Ψ21(L), Ψ22(L) —коэффициенты в модели VAR.

Процедура оценки DFM вплоть до шага структурной идентифи-
кации выглядит следующим образом.
1. Выделить два внешних фактора F^P*t и F^Y*t с помощью метода
главных компонент из панелей данных по ценовым и количественным
внешнеэкономическим показателям XP*t и XY* t соответственно. В нашем
случае XY*t = F^Y*t 4.

4 Поскольку в нашем массиве данных имеется только один показатель, характеризующий
глобальную экономическую активность.

36

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53

2. Определить оптимальное количество статических факторов FHt,
содержащихся в блоке внутренних переменных XHt, с помощью ана-
лиза долей объясненной дисперсии факторами и/или статистических
тестов (предложены, например, в: Bai, Ng, 2002; Ahn, Horenstein,
2013). Получить первоначальную оценку (r  –  2) факторов F^H0t методом
главных компонент.

3. Используя итерационную процедуру (Charnavoki, Dolado, 2014),
состоятельно оценить внутренние факторы F^Ht. Данная процедура
выглядит следующим образом:

а) регрессировать каждую переменную из блока внутренних пе-
ременных XHt на все r факторов (F^t*, F^H0t) для получения матрицы
нагрузок;

б) рассчитать «очищенный» от влияния внешних факторов блок
внутренних переменных как XH0t = XHt – F^t*Λ^;

в) выделить методом главных компонент (r  –  2) внутренних фак-
торов (F ^H1t) из XH0t;

г) вернуться к шагу (а), повторить процедуру до сходимости.
4. Оценить модель VAR для r статических факторов вида (7).
Оптимальное количество лагов в модели VAR определяется с помощью
критериев Акаике или Шварца. Получить вектор остатков G^ηt.
5. Определить количество динамических факторов q с помощью
статистических тестов (см., например: Bai, Ng, 2007; Hallin, Liska,
2007).
6. Оценить матрицу G^ из уравнения (3), используя спектральную
декомпозицию (Forni, Gambetti, 2010):

G^ = R × D, (8)

где: D(q ×   q  ) — диагональная матрица с элементами √−μi; μi(i = 1, ..., q) —
наибольшие собственные значения матрицы ковариации остатков из
модели VAR, оцененной в п. 4 данной процедуры; R(r  ×  q) — матрица
соответствующих q собственных векторов.

Далее для получения структурных шоков необходимо идентифи-
цировать соответствующий столбец матрицы H.

Процедура структурной идентификации

Существует несколько подходов к идентификации структурных
шоков (подробный обзор содержится, например, в: Stock, Watson,
2016): рекурсивная идентификация, идентификация с помощью зна-
ковых ограничений, нарративный подход, метод внешних инструмен-
тальных переменных, идентификация на основе гетероскедастичности.

В данной работе мы идентифицируем монетарные шоки с помощью
метода наложения знаковых ограничений на импульсные функции
отклика.

Данный выбор был сделан по нескольким причинам. Во-первых, кратко-
и долгосрочные ограничения, используемые в рекурсивной идентификации, могут
быть излишне жесткими и не всегда подкрепляются какой-либо экономической
теорией (Barigozzi et al., 2014; Ващелюк и др., 2015). В свою очередь, знаковые

37

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53

ограничения соответствуют теоретическим моделям (Uhlig, 2005). Так, ужесто-
чение монетарной политики идентифицируют как шок, который снижает уровень
цен и объем денежных агрегатов, что соответствует логике в том числе базовой
модели IS-LM (Uhlig, 2005; Mallick, Sousa, 2012). Во-вторых, для российской
экономики использовать метод внешних инструментальных переменных (Gertler,
Karadi, 2015) затруднительно по причине отсутствия высокочастотных временных
рядов, в частности поминутных изменений доходности производных финансовых
инструментов на ключевую ставку процента вокруг даты заседаний ЦБ РФ. На
Московской бирже обращаются фьючерсы на различные межбанковские ставки
процента, однако эти инструменты характеризуются низкой ликвидностью: торговые
операции по ним совершаются не каждый день и с большими интервалами, что не
позволяет получить качественную инструментальную переменную для монетарных
шоков на основе высокочастотных данных.

Идентификация на основе гетероскедастичности основана на предпосылке о том,
что после объявления решения о ставке происходят изменения в дисперсии только
монетарного шока, в то время как дисперсия остальных шоков остается неизменной.
Такая предпосылка требует аналогичных высокочастотных данных, как и метод
внешних инструментов (Wright, 2012).

В случае нарративного метода идентификации ключевая предпосылка состо-
ит в том, что центральный банк полностью информирован о состоянии экономики
и что информации, которой он располагает, достаточно для идентификации шока
монетарной политики. Полагаться на данное утверждение достаточно сложно, так
как на данный момент не существует доказательства того, что нарративные времен-
ные ряды содержат только экзогенную вариацию инструментов монетарной полити-
ки5. Следовательно, информация, полученная данным методом, не будет «чистым»
структурным шоком (Stock, Watson, 2016). Другая проблема, связанная с данным
методом, в том, что информация, необходимая для нарративной идентификации,
обычно публикуется спустя существенный промежуток времени.

Таким образом, мы выбрали метод знаковых ограничений как
наиболее подходящий для российской экономики. Однако стоит от-
метить, что при использовании знаковых ограничений исследователь
может получить только область оценок модели, которая удовлетворяет
заданным знаковым ограничениям, то есть точечную оценку получить
нельзя. С одной стороны, это может считаться недостатком метода,
но с другой — точечная оценка часто требует достаточно спорных
предпосылок (Stock, Watson, 2016).

Процедура идентификации с помощью знаковых ограничений,
использованная в нашей работе, проводится следующим образом (Fry,
Pagan, 2011). На первом шаге извлекается вектор углов размерности
q(q  –  1)/2 из равномерного на полуинтервале [0,2π) распределения,
где q — количество динамических факторов. Извлечение вектора
выполняется заданное количество раз. Из полученного на каждом
шаге вектора составляется матрица вращения Q, такая что QQ' = I.
После получения матрицы рассчитываются структурные отклики для
всех переменных в соответствии с формулой (5). Если отклики удов-
летворяют заданным ограничениям, то текущее извлечение матрицы
вращения сохраняется. Процедура повторяется до тех пор, пока не
будет получено определенное количество извлечений, удовлетворяю-
щих знаковым ограничениям.

5 Данная проблема была впервые упомянута в контексте систематической и несистемати­
ческой компонент монетарной политики (Christiano et al., 1999).

38

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53

Для получения доверительных интервалов мы используем клас-
сические методы статистического вывода — процедуру бутстрапа. На
каждом шаге бутстрапа мы сохраняем первые 10 матриц вращения,
соответствующие откликам, которые удовлетворяют знаковым огра-
ничениям (Barigozzi et al., 2014). Из полученных матриц на каждом
шаге сохраняется единственная, которая соответствует импульсному
отклику, наиболее близкому к медианному.

Описание данных и оценки числа факторов

В работе используется большой набор макроэкономических и фи-
нансовых данных (подробное описание см. в: Ачкасов, 2016). Мы пред-
полагаем, что этот набор аппроксимирует информационное множество
Банка России6, так как он использует эти данные для прогнозирова-
ния на текущий период (nowcasting), краткосрочного прогнозирования
и мониторинга текущих экономических условий. К массиву данных из
работы Ю. Ачкасова (2016) мы добавили несколько важных, с нашей
точки зрения, переменных: денежную базу, объем импорта, объем
банковских депозитов, индексы потребительских цен и цен производи-
телей, ключевую ставку. Для учета возможной перспективной (forward-
looking) направленности монетарной политики мы включили в состав
переменных модели показатели инфляционных ожиданий бизнеса (на
три месяца вперед, в целом по экономике, сезонно скорректирован-
ный ряд по данным Банка России)7 и профессиональных аналитиков
(на шесть месяцев вперед, консенсус-прогноз Bloomberg, среднеме-
сячные значения). Итоговый набор данных содержит 60 времен­ных
рядов, характеризующих состояние реального и финансового секторов,
а также­ожидания экономических агентов за период с января 2010 г.
по февраль 2017 г.8 Данные были преобразованы9, сезонно сглажены,

6 Хотя это весьма жесткая предпосылка, поскольку ЦБ РФ осуществляет мониторинг
гораздо большего количества рядов показателей, если верна предпосылка о том, что Банк
России реагирует только на фундаментальные шоки и при этом факторы, извлеченные из
нашего массива данных, хорошо оценивают эти шоки, тогда наш массив данных хорошо
аппроксимирует массив данных ЦБ РФ.

7 Мы благодарны анонимному рецензенту, который указал на важность включения ин-
фляционных ожиданий.

8 Для анализа выбран период после кризиса 2008 г., чтобы рассмотреть период управления
Банком России процентными ставками и исключить из анализа период фиксированного курса
рубля. О проблемах однородности режимов политики см. подробно в: Пестова, 2017. На период
2010—2017 гг. пришлись финансовый и экономический кризис конца 2014 г. и окончательный
переход к режиму инфляционного таргетирования. Для проверки устойчивости результатов
к этому потенциальному структурному сдвигу мы пробовали исключать из оценки период
начиная с 2015 г. (см. сноску 17). Другой потенциальный структурный сдвиг — введение
санкций в середине 2014 г., что изменило интенсивность притока иностранного капитала на
российский рынок, однако вряд ли изменило характер монетарной трансмиссии. Введение
санкций можно трактовать как негативный внешний шок предложения международных кредитов
и повышения стоимости их заимствования, ортогональный к внутренним макроэкономическим
условиям. Такой шок был во многом абсорбирован колебаниями курса рубля. Введение нового
бюджетного правила в феврале 2017 г. не повлияло на оценки, поскольку имеющиеся данные
заканчиваются в феврале 2017 г.

9 См. описание данных и трансформаций в онлайн-приложении: https://drive.google.
com/open?id=1XLfyo_G_D1I0chKOXVdb3yk4htwBsGL0

39

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53

где необходимо, и стандартизированы перед оценкой. Все вычисления
проведены в Matlab10.

Для определения количества статических факторов мы используем тесты,
требую­щие ограничить максимально возможное количество статических факторов
(Bai, Ng, 2002). Мы предполагаем, что факторы, которые объясняют менее 2%
дисперсии данных (Stock, Watson, 2016), — это идиосинкратические шоки или
ошибки измерения. Мы получаем, что оптимальное количество внутренних факторов
равно восьми11. Они объясняют 83,4% дисперсии исходных данных, входящих во
внутренний блок. В таблице 1 представлены доли объясненной дисперсии разным
количеством факторов для отдельных переменных. Например, 8 факторов объясняют
78% дисперсии индекса промышленного производства.

Таблица 1

Доля дисперсии отдельных переменных, объясненная
статическими факторами (в %)

Переменная Количество статических факторов
45678

Индекс промышленного производства 59 66 75 75 78

Инвестиции в основной капитал 12 12 18 20 20

Оборот розничной торговли 67 71 85 86 87

Уровень безработицы 17 20 27 30 31

Реальная начисленная зарплата 39 48 48 56 56

ИПЦ 46 50 52 62 63

ИЦП 22 30 30 30 34

MIACR 81 84 86 88 88

Номинальный эффективный валютный курс 68 69 71 76 84

Денежный агрегат M2 18 21 52 52 55

Ключевая ставка 84 88 88 91 92

Объем импорта 26 32 37 37 37

Источник: расчеты авторов.

Для определения количества динамических факторов мы исполь-
зуем несколько критериев. Первый критерий (Hallin, Liska, 2007)
указывает на наличие от 3 до 6 факторов, второй (Bai, Ng, 2007) — на
5—6 возможных динамических факторов. В базовой спецификации
мы используем 8 внутренних статических факторов (итого 10 стати-
ческих факторов с учетом двух внешних факторов) и 6 динамических
факторов (выбрали наибольшее число динамических факторов, пока-
зываемое тестами, для покрытия наибольшего пространства шоков).
Для статистических тестов, используемых для определения количест-
ва динамических факторов, характерен большой разброс результатов
(Stock, Watson, 2016). Мы проверили результаты на устойчивость

10 Код доступен по запросу.
11 Критерий выбора числа статических факторов, предложенный в работе Дж. Стока
и М. Уотсона (Stock, Watson, 2016), указывал на 8 факторов. Критерии, предложенные в
другой статье (Bai, Ng, 2002) — IC1, IC2, IC3, указывали на 1 статический фактор, в то время
как критерии PC1, PC2, PC3 — указывали на 8. Существование одного макроэкономического
фактора в данных по российской экономике кажется нам маловероятным, поскольку на нашу
экономику действует большое количество шоков. В связи с этим мы посчитали, что число
статических факторов равно 8 согласно большинству критериев.

40

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53

при изменении числа динамических факторов, оценки качественно
и количественно не изменились12 (доступны по запросу).

Описание структурной идентификации

В качестве базовой идентификационной схемы для сдерживаю-
щего шока монетарной политики мы используем следующие принятые
в литературе ограничения (далее обозначаем их как стандартные):
неожиданный рост регулируемой процентной ставки вызывает одно­
временное сжатие денежного агрегата М2 и снижение темпов роста
потребительских цен (сверх ожидаемого)13.

Для слабой идентификации монетарного шока мы берем за осно-
ву стандартную идентификацию, описанную выше, но отказываемся
от предпосылки о сдерживающем воздействии повышения ставки на
потребительские цены. В качестве обоснования подобной схемы мы
используем наш предыдущий опыт анализа эффектов монетарных шо-
ков в России (Пестова, 2018), где в рамках не ограниченных на знаки
откликов в моделях SVAR и FAVAR нам не удавалось обнаружить сдер-
живающего воздействия ужесточения политики на внутренние цены.

Отмечалось также, что для стран с открытой экономикой сложно
разделить шоки монетарной политики и валютные шоки, поскольку
часто они происходят одновременно (Jarociński, 2010)14. Чтобы разде-
лить эти два вида шоков, предлагается считать, что сонаправленное
изменение процентных ставок и валютного курса вызвано монетарными
шоками (предполагается, что в ответ на повышение процентных ста-
вок курс национальной валюты должен укрепляться), а разнонаправ­
ленное — валютными (считается, что центральный банк может ре-
агировать на ослабление курса национальной валюты повышением
процентной ставки) (Jarociński, 2010). Следуя такому подходу, мы
идентифицируем сдерживающие монетарные шоки как повышение регу-
лируемой ставки процента, вызывающее укрепление курса националь-
ной валюты (далее мы обозначаем этот подход как идентификацию
для открытых экономик).

С нашей точки зрения, в данной работе накладывается мини-
мальное количество идентификационных ограничений, что оставляет
отклики переменных интереса (в первую очередь — показатели про-
изводства) неограниченными. В других работах по структурным DFM
авторы для идентификации монетарного шока накладывают 5—6 огра­
ничений (Barigozzi et al., 2014; Luciani, 2015).

12 Мы переоценили модель только с 5 динамических факторов вместо 6, поскольку при
снижении числа динамических факторов до 4 и ниже модели не удается уловить нужное про-
странство действующих шоков (сложно согласиться с предположением, что на российскую
экономику действуют всего два внешних динамических фактора и два внутренних; по нашему
представлению, действующих факторов — фундаментальных макроэкономических шоков —
должно быть больше), в результате чего точность оценки функций отклика резко снизилась.

13 Аналогичная идентификация применялась в: Uhlig, 2005; Mallick, Sousa, 2012.
Подробное обсуждение идентификации монетарных шоков методом знаковых ограничений
приведено в: Пестова, 2018.

14 Относительно недавний пример в России — эпизод резкой девальвации и повышения
ключевой ставки в декабре 2014 г.

41

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53
Функции отклика на сдерживающий шок

регулируемой процентной ставки (рост на 0,5 п. п.)
в модели со стандартной идентификацией монетарного шока

Примечание. * Консенсус-прогноз Bloomberg. По оси абсцисс — горизонт (месяцев).
Сплошная линия означает медианный отклик, закрашенная область — 68%-ный доверитель-
ный интервал (бутстрап).

Источник: построено авторами.
Рис. 1

42

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53

Результаты
Оценка эффектов шоков процентной политики со стандартными
идентификационными ограничениями (рост регулируемой процентной
ставки, снижение М2 и ИПЦ) выявила незначимую отрицательную реак-
цию динамики потребительских цен после периода наложения идентифи-
кационных ограничений (6 месяцев, рис. 1). Это свидетельствует о том,
что предпосылка о снижении ценового давления вслед за повышением
регулируемой процентной ставки может быть не вполне обоснованной.
Также вызывает недоверие к таким идентификационным ограничениям
короткий период реакции рыночных процентных ставок: на большей
части горизонта анализа наблюдается незначимая реакция процентных
ставок по операциям коммерческих банков — кредитам и депозитам,
см. рисунок 1 (заметим, что при снятии ограничения на отрицательную
реакцию индекса цен реакция рыночных процентных ставок становится
более выраженной, рис. 3). Кроме того, визуальный анализ графика мо-
нетарных инноваций для стандартных идентификационных ограничений
(рис. 2) обнаруживает контринтуитивное поведение идентифицирован-
ного шока (слабо коррелирует с фактическими изменениями ставки).
Принимая эти три соображения во внимание, далее мы сосредоточимся
на анализе импульсных функций отклика для более слабых идентифи-
кационных ограничений: без предпосылки о сдерживании цен15.

Оценка модели с альтернативной идентификацией монетарного шока — без нало­
же­ния ограничения о снижении инфляционного давления — не выявила серьез­ных
из­менений в направлении и масштабах импульсных функций отклика большинства
анали­з­ируемых показателей. Ключевое значимое отличие — отсутствие отрицательной
реакции­уровня цен, вместо этого наблюдается их слабый рост, однако реакция незначима­

Шок регулируемой процентной ставки
в модели со стандартной идентификацией монетарного шока

Примечание. Серая область — 68%-ный доверительный интервал (бутстрап).
Источник: построено авторами.

Рис. 2

15 Дополнительным аргументом в  пользу слабого соответствия российским данным
стандартной идентификационной схемы шока регулируемой процентной ставки можно считать
тот факт, что в отдельных спецификациях SDFM мы получали полную несовместимость
с данными стандартной идентификации (задаваемые сочетания знаков функции отклика не
обнаруживались в остатках VAR для динамических факторов).

43

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53
Функции отклика на сдерживающий шок

регулируемой процентной ставки (рост на 0,5 п. п.)
в модели со слабой идентификацией монетарного шока

Примечание. * Консенсус-прогноз Bloomberg. По оси абсцисс — горизонт (месяцев).
Сплошная линия означает медианный отклик, закрашенная область — 68%-ный доверитель-
ный интервал (бутстрап).

Источник: построено авторами.
Рис. 3

44

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53
(рис. 3)16. В модели со слабой идентификацией монетарного шока наблюдается контр­-
интуи­тивное поведение курса рубля (он ослабляется в ответ на сдерживающий шок поли-
тики) и показателя инфляционных ожиданий професс­иональных аналитиков (наблю-
дается слабый рост). Анализ идентифицированных монетарных шоков указывает на
большее соответствие монетарных инноваций фактическим изменениям ставки (рис. 4).

Шок регулируемой процентной ставки
в модели со слабой идентификацией монетарного шока

Примечание. Серая область — 68%-ный доверительный интервал (бутстрап).
Источник: построено авторами.

Рис. 4

Далее мы идентифицировали шок монетарной политики на основе
предложенных ограничений (Jarociński, 2010): при идентификации
для открытых экономик вслед за повышением регулируемой ставки
процента предполагается укрепление номинального эффективного кур-
са рубля. В этом случае реакция экономики на такой сдерживающий
шок политики становится менее выраженной: исчезает «price puzzle»,
реакция уровня цен становится незначимой (рис. 5). Отклики пере-
менных экономической активности становятся более сдержанными по
масштабу, но остаются статистически значимыми. В целом направление
реакции переменных на шок монетарной политики, идентифициро-
ванный на основе предположений об укреплении курса национальной
валюты вслед за ужесточением процентной политики, не меняется, что
свидетельствует об устойчивости результатов17. На наш взгляд, данная
идентификационная схема наиболее работоспособна и наименее спорна
для открытой экономики, такой как Россия.

16 Заметим, что исключение показателей инфляционных ожиданий из модели со слабой
идентификацией монетарного шока приводит к значимой положительной реакции уровня цен
(«загадка цен», price puzzle). По-видимому, включение инфляционных ожиданий позволяет
учесть перспективный характер политики ЦБ и тем самым элиминировать загадку цен.

17 Мы также проверяли, не являются ли полученные результаты следствием одного
крупного шока в 2014 г., когда в результате одновременного снижения цен на нефть и введения
санкций произошел финансовый шок, повлекший повышение процентных ставок, а также
ускорилась инфляция и  последовала рецессия. Для проверки устойчивости выводов мы
исключили из периода оценки все наблюдения после ноября 2014 г. Результаты качественно
и количественно не изменились (доступны по запросу). Ввиду недостаточного количества
наблюдений после кризиса 2014 г. (нам доступна база данных Банка России для nowcasting-а
вплоть до начала 2017 г.) мы не смогли оценить модель отдельно для посткризисного периода.

45

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53
Функции отклика на сдерживающий шок

регулируемой процентной ставки (рост на 0,5 п. п.)
в модели с идентификацией монетарного шока для открытых экономик

Примечание. * Консенсус-прогноз Bloomberg. По оси абсцисс — горизонт (месяцев).
Сплошная линия означает медианный отклик, закрашенная область — 68%-ный доверитель-
ный интервал (бутстрап).

Источник: построено авторами.
Рис. 5

46

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53

Сопоставление полученных масштабов откликов переменных эко-
номической активности и цен в идентификации для открытых эконо-
мик с другими исследованиями по США, Великобритании, зоне евро
и России указывает на адекватность полученных результатов и соответ-
ствие наших результатов ранее полученным оценкам по России (табл. 2).

В ответ на повышение регулируемых процентных ставок на 1 п. п.
наблюдается пиковое снижение индекса промышленного производства
на 0,7 п. п. примерно через два года, что в целом соответствует оцен-
кам по США (в интервале от –0,3 до –2 п. п.), а также оценкам по
России (Пестова, 2018) для идентификации монетарных шоков методом
знаковых ограничений18. При этом полученные в нашей работе эф-
фекты монетарной политики для экономической активности оказались
в 2 раза более сильными по сравнению с оценками из рекурсивной
SVAR (Пестова, 2018) и функциями отклика из модели DSGE, оценен-
ной на российских данных (Крепцев, Селезнев, 2017). Интересно, что
Е. Синельникова‑Мурылева (2017) и А. Тишин (2019) получили незна-
чимые отклики промышленного производства. Однако в обеих работах
оценки сделаны на периоде с начала 2000-х годов, который включает не-
сколько режимов монетарной политики (Пестова, 2017), что затрудняет­
их интерпретацию и делает несопоставимыми с оценками, полученными
на периодах однородности режимов политики. Незначимый отклик уров-
ня цен в данной работе также соответствует ранее полученным оценкам
как по развитым странам, так и по России. Если исключить из рас-
смотрения оценки, полученные по неоднородным периодам проведения
монетарной политики, то получим интервал пиковых откликов ИПЦ по
России от –0,8 до +0,6. Причем положительный отклик ИПЦ наблю-
дается для самого продвинутого на данный момент метода идентифи-
кации шоков монетарной политики на основе высокочастотных данных
(в окне 30 минут вокруг объявления решения по ключевой ставке)19.
Если принять во внимание описанные выше результаты предыдущих
работ, то околонулевой отклик ИПЦ в идентификации для открытых
экономик в данной работе не кажется удивительным.

Далее мы интерпретируем основные результаты оценки эффектов
шока процентной политики, полученные при помощи идентифика-
ции для открытых экономик (рис. 5). Эластичность ставки денежного
рынка MIACR по ключевой ставке регулятора20 оказывается немного
выше 1. Эластичность ставок по кредитам и по рублевым депозитам
оценивается на уровне ниже 1, где ставка по кредитам оказывается
более чувствительной, а ставка по депозитам — менее чувствительной
к действиям регулятора. Эти действия по повышению регулируемой
процентной ставки не снижают текущий уровень цен, но стимулируют

18 Количественные оценки откликов экономической активности по малоразмерной модели
VAR (Пестова, 2018) совпали с теми, что получены нами здесь в результате оценки большой
SDFM, что свидетельствует об информационной полноте малоразмерной модели VAR и о невысо-
кой добавленной стоимости большого набора данных, который иcпользуется в большеразмерной
DFM по сравнению с VAR.

19 Вместо процентных фьючерсов, торги по которым проводятся с низкой частотой и на
малых оборотах рынка, использовались данные о котировках валютных фьючерсов.

20 До 2013 г. — ставке аукциона недельного РЕПО.

47

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53

Таблица 2

Обобщение результатов предыдущих исследований
по оценке эффектов шоков монетарной политики

Период Пиковые эффекты, в %
оценки
Авторы Метод Страна экономическ­ ая цены/
активность инфляция

Christiano SVAR, Cholesky США 1965q3— –0,7 (ВВП) –0,6
et al., 1999 1995q3 (Дефл. ВВП)

Uhlig, 2005 SVAR, США 1965m1— –0,3 (ВВП) —1,0
Sign restrictions 1996m12 (Дефл. ВВП)

Barigozzi et al., SDFM, Sign Зона 1999q1— –4,0 (ВВП)а –10,0 (ИПЦ)а
2014 restrictions евро 2007q4

Luciani, 2015 SDFM, Sign США 1982q3— –1,2 (ВВП) –0,4 (ИПЦ)
restrictions 2010q4

Gertler and Proxy-SVAR США 1979m7— –1,0— –2,0 –0,75—+0,3
Karadi, 2015 (HFI) 2012m6 (Пром.  произв.) (ИПЦ)

Cesa-Bianchi Proxy-SVAR Велико- 1992m1— –2,0 (ВВП) –0,2 (ИПЦ)
et al., 2020 (HFI) британия 2015m1

Борзых, 2016 TVP-FAVAR, Россия 2004m1— –0,4 –1,2
Cholesky 2015m12 (Пром.  произв.) (Инфляция)

Крепцев, DSGE Россия 2006q1— –0,3 (ВВП) –0,3
Селезнев, 2017 2016q3 (Инфляция)

Пестова, 2018 SVAR, Cholesky, Россия 2009m1— –0,35 (ВВП) +0,6 (ИПЦ)
Sign restrictions 2016m3 –0,8 (ВВП) –0,8 (ИПЦ)

Синельникова- FAVAR, Россия 2000q1— 0 –0,3
Мурылева, Cholesky 2016q2 (Пром.  произв.) (Инфляция)
2017

Тишин, 2019 Proxy-SVAR Россия 2002m12— 0 +1,2
(HFI) 2018m10 (Пром.  произв.)б (ИПЦ)б

Данная работа SDFM, Россия 2010m1— –0,7 0
Sign restrictions 2017m2 (Пром.  произв.)с (ИПЦ)с

Примечание. В таблице представлены пиковые значения откликов цен и индикаторов
экономической активности на шок монетарной политики — увеличение процентной ставки на
1 п. п. Под пиковыми откликами мы понимаем максимальное значение отклонения показателя
от нуля в ответ на шок. В скобках представлены конкретные показатели, характеризующие
экономическую активность и динамику цен, использованные в работах.

SVAR, Cholesky — структурная VAR с рекурсивной идентификацией шоков (упорядочи-
вание переменных по скорости реакции на шоки; по сути — наложение краткосрочных огра-
ничений); SVAR/SDFM +Sign restrictions — структурная VAR или динамическая факторная
модель с монетарными шоками, идентифицированными методом ограничений на знаки реакции
переменных на шоки; Proxy-SVAR (HFI) — структурная VAR с идентификацией монетарных
шоков методом внешних инструментальных переменных на основе высокочастотных данных;
TVP-FAVAR — модель VAR, дополненная факторами (главными компонентами из большого
массива макроэкономических данных) с меняющимися во времени коэффициентами; DSGE —
динамическая стохастическая модель общего равновесия.

а Оценки эффектов монетарной политики в работе: Barigozzi et al., 2014, представляются
завышенными. Авторы связывают это с необходимостью двойного дифференцирования данных
по экономической активности и ценам из-за нестационарности рядов на коротких промежутках
времени, используемых в статье. Мы не используем двойное дифференцирование данных, как
и в работе: Luciani, 2015, применяется более мягкая форма «остационаривания».

б См. рис. 4. Внешний инструмент — трехмесячные фьючерсы на пару USD/RUB, рас-
считанные по минутным данным. Это единственная инструментальная переменная в работе,
рассчитанная на поминутных данных. В отличие от других инструментальных переменных,
используемых в работе, с большей вероятностью удовлетворяет критерию экзогенности —
­ортогональности прочим шокам.

с Идентификация для открытой экономики.
Источники: Cesa-Bianchi et al., 2020; Ramey, 2016; Barigozzi et al., 2014; расчеты авторов.

48

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53

снижение ожиданий будущей инфляции со стороны бизнеса и профес-
сиональных аналитиков.

Большинство производственных показателей и индикаторов эконо-
мической активности ухудшается в ответ на ужесточение денежно-кре-
дитной политики. Ощутимо и устойчиво снижаются оборот розничной
торговли, инвестиции в основной капитал, импорт, реальная заработная
плата21. Наблюдаются рост уровня безработицы и снижение занято-
сти. Отклик промышленного производства отрицателен и статистически
значим, кумулятивный негативный эффект сохраняется даже через
пять лет. Внутри производственного сектора эффекты неоднородны:
так, выпуск по виду деятельности «добыча» нечувствителен к иннова-
циям процентной ставки Банка России22. Это можно объяснить боль-
шей ориентированностью предприятий данного вида деятельности на
зарубежн­ ые рынки сбыта и внешние долговые рынки. Слабо реагируют
на импульсы процентной ставки динамика производства в сельском
хозяйстве и сектор услуг (возможно, из-за низкой корреляции с ин-
дикатором делового цикла). Такие проциклические и зависимые от
привлеченного финансирования виды деятельности, как строительство
и торговля, наоборот, сильно реагируют на монетарные инновации.

Большая часть индикаторов кредитной активности снижается в от-
вет на ужесточение монетарной политики, особенно сильно реагирует
потребительское кредитование. Интересно, что рост регулируемых
процентных ставок сам по себе не способен иметь значимый эффект
при привлечении депозитов населения (рост сберегательной активности
населения и сдерживание потребительских расходов — важная сту-
пень монетарной трансмиссии). Идентификационные ограничения для
открытых экономик подразумевают укрепление курса рубля в ответ
на ужесточение монетарной политики. Вслед за курсом валюты растут
цены активов — фондовых индексов.

Согласно нашим оценкам, рост ключевой ставки в марте 2014 г. на
60% объяснялся неожиданным ужесточением политики сверх оцененно-
го правила реакции (сплошная и пунктирная линии почти совпадают
на рисунке 6). В декабре 2014 г. повышение ставки в основном было
вызвано эндогенной реакцией регулятора на шоки. В слабой иденти-
фикации монетарных шоков эндогенная реакция центрального банка
составляет приблизительно 60% от фактического изменения ставки,
при этом шок монетарной политики объясняет 40% изменения ставки
(см. рис. 4). В идентификации шока политики для открытых эконо-
мик доля монетарного шока несколько снижается и составляет чуть
больше 20% (см. рис. 6).

Исходя из того, что идентификация монетарных шоков для откры-
тых экономик предполагает более редкое сочетание откликов, меньший
масштаб шоков и более сдержанную реакцию экономики, будем считать
оценки, полученные с помощью этого подхода, консервативными. Тогда,

21 В условиях незначимого отклика уровня цен, по-видимому, за счет изменений номи-
нальной заработной платы.

22 Рисунок П1 в  онлайн-приложении: https://drive.google.com/open?id=1XLfyo_G_
D1I0chKOXVdb3yk4htwBsGL0

49

А. А. Пестова, Н. А. Ростова / Вопросы экономики. 2020. № 4. С. 31—53

Шок регулируемой процентной ставки
в модели с идентификацией монетарного шока для открытых экономик

Примечание. Серая область — 68%-ный доверительный интервал (бутстрап).
Источник: построено авторами.

Рис. 6

согласно нашим консервативным оценкам, каждое повышение ключевой
ставки в марте и декабре 2014 г. привело к снижению индекса промыш-
ленного производства приблизительно на 0,5—0,6 п. п. в течение года
(получено на основе перемножения оценки монетарных шоков и откли-
ка промышленного производства через год). При этом консервативная
оценка влияния монетарных шоков на уровень цен равна нулю (отклик
цен в идентификации для открытых экономик незначим).

Таким образом, реакция экономики на шоки процентной политики
не вполне соответствует традиционным представлениям об эффектах
монетарной политики. Мы не обнаружили сдерживающее воздействие
ужесточения политики на динамику внутренних цен, при этом негативное
воздействие на динамику внутреннего производства оказалось статисти-
чески значимым для всех способов идентификации монет­арного шока.

Список литературы / References

Апокин А., Белоусов Д., Голощапова И., Ипатова И., Солнцев О. (2014). О фунда-
ментальных недостатках современной денежно-кредитной политики // Вопросы
экономики. № 12. С. 80—100. [Apokin A., Belousov D., Goloshchapova  I.,
Ipatova I., Solntsev O. (2014). On the fundamental deficiencies of current monetary
policy. Voprosy Ekonomiki, No. 12, pp. 80—100. (In Russian).] https://doi.org/
10.32609/0042-8736-2014-12-80-100

Апокин А., Галимов Д., Голощапова И., Сальников В., Солнцев О. (2015). Денежно-
кредитная политика: работа над ошибками // Вопросы экономики. № 9.
С. 136—151. [Apokin A., Galimov D., Goloshchapova I., Salnikov V., Solntsev O.
(2015). Russian monetary policy: Work on the bugs. Voprosy Ekonomiki, No. 9,
pp. 136—151. (In Russian).] https://doi.org/10.32609/0042-8736-2015-9-136-151

Ачкасов Ю. (2016). Модель оценивания ВВП России на основе текущей статистики:
модификация подхода // Банк России. Серия докладов об экономических
исследованиях. № 8. [Achkasov Yu. (2016). Nowcasting of the Russian GDP us-
ing the current statistics: approach modification. Bank of Russia Working Paper
Series, No. 8. (In Russian).]

50