Studia Ekonomiczne nr 2 2016

Page 1

2/2016

9

770239

641008

ECONOMIC STUDIES nr 2 (LXXXIX) 2016

ISSN 0239–6416

Cena 30,00 zł (w tym 5% VAT) Nakład 200 egz.

STUDIA EKONOMICZNE

STUDIA EKONOMICZNE • ECONOMIC STUDIES

Instytut Nauk Ekonomicznych Polskiej Akademii Nauk Pałac Staszica ul. Nowy S´wiat 72 00-330 Warszawa www.inepan.waw.pl studia.ekonomiczne@inepan.waw.pl

INSTYTUT NAUK EKONOMICZNYCH POLSKIEJ AKADEMII NAUK

WARSZAWA 2016

STUDIA EKONOMICZNE ECONOMIC STUDIES

INSTYTUT NAUK EKONOMICZNYCH POLSKIEJ AKADEMII NAUK

STUDIA EKONOMICZNE ECONOMIC STUDIES nr 2 (LXXXIX) 2016

WARSZAWA 2016

Czasopismo Instytutu Nauk Ekonomicznych PAN

Studia Ekonomiczne RADA NAUKOWA Marek Belka, Barbara Despines, Marian Gorynia, Janina Jóźwiak, Tamara E. Kuzniecowa, Adam Lipowski, Peter Mihályi, Krzysztof Starzec, Lew V. Nikiforow Komitet Redakcyjny Krzysztof Bartosik (Redaktor Naczelny), Urszula Grzelońska, Joanna Kotowicz-Jawor, Witold Kwaśnicki, Leszek Morawski, Jerzy Mycielski (Redaktor Statystyczny), Adam Noga, Lesław Pietrewicz, Urszula Skorupska (Sekretarz Redakcji), Andrzej Sławiński Redakcja Władysława Czech-Matuszewska Lesław Pietrewicz Opracowanie graficzne i projekt okładki Beata Gratys Wydawca Instytut Nauk Ekonomicznych PAN © Copyright by Instytut Nauk Ekonomicznych PAN, 2016 ISSN 0239–6416 Wersja elektroniczna (e-ISSN 2084–4395) jest dostępna na stronie: http://inepan.waw.pl/publikacje/studia-ekonomiczne Forma drukowana stanowi wersję pierwotną.

REALIZACJA WYDAWNICZA Wydawnictwo Key Text sp. z o.o. 01–142 Warszawa, ul. Sokołowska 9/410 tel. 22 632 11 36, 665 108 002 www.keytext.com.pl wydawnictwo@keytext.com.pl

SPIS TREŚCI ARTYKUŁY Tomasz ŁYZIAK, The Phillips Curve is still alive. Interpretation of low inflation episode in Poland . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Wiktor PATENA, Barbara BŁASZCZYK, Post-privatization corporate performance. Evidence from companies privatized in Poland in 2008–2011 Dominik A. SKOPIEC, Adekwatność poziomu i struktury rezerw dewizowych Chin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Martyna KOBUS, Olga PÓŁCHŁOPEK, Modelling health indicators in a joint framework via factor copula Models . . . . . . . . . . . . . . . . . . . . . . . . Rafał MIŚTA, Leszek MORAWSKI, Dochód, płeć i wiek a wspólne zamieszkiwanie z rodzicami. Przypadek Polski, Czech, Estonii i Węgier . . .

161 199 222 246 286

ESEJE Zbigniew MADEJ, Piketty i Marks o losach kapitalizmu . . . . . . . . . . . . . . .

312

RECENZJE Anna WZIĄTEK-KUBIAK, Recenzja książki: Innovation and Entrepreneurship in the Global Economy. Knowledge, Technology and Internationalization, pod red. Charlie Karlsson, Urban Gråsjö i Sofia Wixe, wyd. Edward Elgar, 2015. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

330

CONTENTS ARTICLES Tomasz ŁYZIAK, The Phillips Curve is still alive. Interpretation of low inflation episode in Poland. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Wiktor PATENA, Barbara BŁASZCZYK, Post-privatization corporate performance. Evidence from companies privatized in Poland in 2008–2011. . . . . . . . . . . . . . . . . . . Dominik A. SKOPIEC, Adequacy of size and structure of China’s foreign exchange reserves. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Martyna KOBUS, Olga PÓŁCHŁOPEK, Modelling health indicators in a joint framework via factor copula Models. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Rafał MIŚTA, Leszek MORAWSKI, Income, age, sex and cohabitation with parents. The case of Poland, Czech Republic, Estonia and Hungary . . . . . . . . . . . . . . . . . . . .

161 199 222 246 286

ESSAYS Zbigniew MADEJ, Piketty and Marx on the fate of capitalism . . . . . . . . . . . . . . . . . . . .

312

REVIEWS Anna WZIĄTEK-KUBIAK, Review of the book: Innovation and Entrepreneurship in the Global Economy. Knowledge, Technology and Internationalization, ed. by Charlie Karlsson, Urban Gråsjöi, Sofia Wixe, Edward Elgar, 2015 . . . . . . . . . . . . . .

330

STUDIA EKONOMICZNE 1 ECONOMIC STUDIES NR 2 (LXXXIX) 2016

Tomasz Łyziak*

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE IN POLAND (Artykuł nadesłany: 06.06.2016; Zaakceptowany: 21.07.2016)

ABSTRACT Deflation in Poland, similarly as low inflation in the advanced economies, particularly in the euro area, seems surprisingly and unexpectedly persistent. This study attempts to verify to what extent traditional and hybrid versions of the New Keynesian Phillips Curve (NKPC, HNKPC) are useful in analyzing recent inflation developments in Poland. To make our analysis comprehensive and the conclusions robust, estimating the New Keynesian Phillips curves we take into account different variables representing inflation, inflation expectations, economic slack and imported inflation. Our results suggest that the recent disinflation in Poland – that started in 2012 and resulted in a prolonged deflation period – has been driven not only by a fall in commodity prices, but also by demand factors and by a reduced level of inflation expectations. We show that in order to make the HNKPC models able to replicate the recent disinflation, a specific set of proxies for explanatory variables should be used. It should include survey-based measures of economic agents’ inflation expectations (particularly, inflation *

Institute of Economics, Polish Academy of Sciences; e-mail: Tomasz.Lyziak@inepan.waw.pl. Opinions expressed in this study are of the author and should not be interpreted in another way. I wish to thank Karol Szafranek and the participants of the seminar at the Institute of Economics, Polish Academy of Sciences, for useful discussions and suggestions.

162

Tomasz Łyziak

expectations of enterprises), the transformed measure of the output gap that allows for a stronger impact of economic activity on inflation when the output gap is high or GDP growth rate relative to its mean as well as the real exchange rate gap. Analyzing stability of the Phillips curve estimated in terms of core inflation we find some signs of its flattening in recent years. At the same time HNKPC models with CPI inflation as explanatory variable suggest rather a steepening of the Phillips curve. Both types of models indicate, however, that the link between inflation expectations and actual inflation has weakened recently. Keywords: inflation, deflation, hybrid new Keynesian Phillips curve, Poland. JEL Classification: E31, E37

INTRODUCTION Before the collapse of the Lehman Brothers, many advanced and emerging economies experienced a prolonged period of low and stable inflation. Reduction of the level and volatility of inflation was perceived as a sign of success of central banks, whose credibility contributed significantly to the Great Moderation period. Since the beginning of the Great Recession inflation has become more volatile and its path in advanced economies has displayed a twin puzzle (Constâncio, 2015), i.e. first, a missing disinflation in 2009–2011, and second, excessive disinflation after 2012, particularly in Europe (Figure 1). Even if inflation during both of these episodes was driven by changes in commodity prices, its level seems not fully consistent with developments in the real economy, i.e. with negative growth rates of the real GDP in the U.S. and the euro area after the beginning of the sharp phase of the financial crisis and, more recently, with a gradual economic expansion. A twin puzzle has provoked numerous analyses aimed at assessing to what extent observed inflation developments are consistent with existing models of inflation, particularly with those based on the Phillips curve specifications. In recent years, inflation in Poland has followed similar developments as in advanced economies (Figure 1, Figure 2). Affected by high energy and food prices it significantly exceeded the inflation target of the National Bank of Poland (2.5% with a range of tolerable deviations ±1 pp.) in the aftermath of the financial crisis (years 2008–2009 and 2010–2012). Then, in 2014–2015 a very fast disinflation took place – CPI inflation was reduced from 4.6% in 2011Q4 to –1.5% in 2015Q1. Since then it has remained in the negative territory till now (2016Q2). It should be noted that the depth of disinflation in Poland has been bigger than in the U.S. and the euro area. It is probably mainly due to a different composition of consumer baskets – the share of foodstuffs and energy in Poland is significantly bigger than in the U.S. and in the euro area (Table 1).

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 163

Figure 1. Inflation developments in the U.S., euro area and Poland and their selected determinants

3RODQG 8QLWHG 6WDWHV (XUR DUHD FRXQWULHV

*'3 JURZWK \ \ 8 6 4 – –4 –6 –8

,QÄ DWLRQ \ \ 8 7 6 4 3 – – –3

3RODQG 8QLWHG 6WDWHV (XUR DUHD FRXQWULHV

,QGLFHV RI FRPPRGLW\ SULFHV LQ WKH JOREDO PDUNHW

$OO &RPPRGLW\ 3ULFH ,QGH[ ,QGXVWULDO ,PSXWV 3ULFH ,QGH[

)RRG DQG %HYHUDJH 3ULFH ,QGH[ )XHO (QHUJ\ ,QGH[

Source: Eurostat, IMF.

Table 1. Composition of consumer baskets in Poland, U.S. and the euro area Poland

U.S.

Euro area

Food and non-alcoholic beverages

24.4

15.6

8.4

Energy

17.6

10.7

7.0

All items less food less energy

58.1

73.7

84.6

Notes: Energy items contain two categories of items, i.e.: electricity, gas and other fuels (COICOP 04.5) and fuels and lubricants for personal transport (COICOP 07.2.2). Source: OECD.

164

Tomasz Łyziak

The deflation in Poland has been broad-based – at its early stage, in late 2014, the weight of CPI basket components, whose prices displayed reductions on annual basis was approaching as much as 45% (NBP, 2014, p. 22). Moreover, not only CPI inflation was subject to significant reductions but also core inflation measures. Since 2014 the latter ones either have been negative (inflation net of administrative prices) or have oscillated around the levels close to zero (inflation net of the most volatile prices, inflation net of food and energy prices and 15% trimmed mean). Figure 2. CPI inflation and different measures of core inflation in Poland (year-on-year changes, %) 8 7 6 5 4 3 2 1 0 –1 –2 –3

01-2001 01-2002 01-2003 01-2004 01-2005 01-2006 01-2007 01-2008 01-2009 01-2010 01-2011 01-2012 01-2013 01-2014 01-2015

01-2001 01-2002 01-2003 01-2004 01-2005 01-2006 01-2007 01-2008 01-2009 01-2010 01-2011 01-2012 01-2013 01-2014 01-2015 01-2016

8 7 6 5 4 3 2 1 0 –1 –2 –3

&3, ,QĠDWLRQ ,QĠDWLRQ QHW RI DGPLQLVWHUHG SULFHV

&3, ,QĠDWLRQ ,QĠDWLRQ QHW RI IRRG DQG HQHUJ\ SULFHV

8 7 6 5 4 3 2 1 0 –1 –2 –3

01-2001 01-2002 01-2003 01-2004 01-2005 01-2006 01-2007 01-2008 01-2009 01-2010 01-2011 01-2012 01-2013 01-2014 01-2015

01-2001 01-2002 01-2003 01-2004 01-2005 01-2006 01-2007 01-2008 01-2009 01-2010 01-2011 01-2012 01-2013 01-2014 01-2015

8 7 6 5 4 3 2 1 0 –1 –2 –3

&3, ,QĠDWLRQ ,QĠDWLRQ QHW RI PRVW YRODWLOH SULFHV

&3, ,QĠDWLRQ WULPPHG PHDQ

Source: GUS, NBP.

Two aspects of Polish disinflation should be emphasized. First, both the magnitude of disinflation and the persistence of negative inflation rates were expected neither by professional forecasters (see Figure 3), nor by monetary authorities.1 Second, contrary to the most common explanation of low inflation in Poland, treating it as a global phenomenon, resulting mainly from a sharp fall in commodity prices in the global markets, very low levels of core inflation measures indicate that the reasons of deflation are more complex. 1

See macroeconomic projections presented in NBP Inflation Reports (NBP, 2014).

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 165

Figure 3. CPI inflation (year-on-year changes, %) and the forecasts of professional experts (NBP SPF) 5 4 3 2 1 0

–2

2011Q1 2011Q2 2011Q3 2011Q4 2012Q1 2012Q2 2012Q3 2012Q4 2013Q1 2013Q2 2013Q3 2013Q4 2014Q1 2014Q2 2014Q3 2014Q4 2015Q1 2015Q2 2015Q3 2015Q4 2016Q1 2016Q2 2016Q3 2016Q4 2017Q1 2017Q2 2017Q3 2017Q4 2018Q1

–1

&3, ,QĠDWLRQ \ \ Notes: Thin lines show the paths of forecasts by the experts of the NBP Survey of Professional Forecasters. They were interpolated based on forecast of inflation 4- and 8-quarters ahead. The line that starts in a given quarter is the interpolated forecast from the survey conducted one quarter later. Source: GUS and NBP.

The above circumstances lead to the question whether the period of low and negative inflation in Poland should be considered puzzling from the point of view of our understanding of the nature of inflation processes in Poland. To what extent are the Phillips curve models alive, able not only to describe recent inflation performance, but also to forecast inflation in advance? What are determinants of deflation in Poland? The present study aims at answering the above questions. Referring to selected studies that analyze inflation puzzles in the U.S. and euro area economies, we perform similar analysis using Polish data. The main focus is to verify if the recent disinflation can be explained ex post and if it could have been predicted ex ante with the use of the hybrid New Keynesian Phillips curve. Estimating it we use different measures of the economic slack and inflation expectations, trying to find the most accurate specification. In addition, we analyze changes in the estimation results of the Phillips curve during the recent disinflation in Poland. The second section provides a brief review of the literature, focusing on selected studies being the most relevant for our analysis. The third section discusses methods and data used in the empirical part of the article. The fourth section presents the results. The final section concludes the study.

166

Tomasz Łyziak

1. LITERATURE REVIEW The Phillips curve can be broadly described as the relationship between inflation and economic slack, extended with additional factors affecting price changes. In the New Keynesian framework they include in particular inflation expectations. Such a relationship is known as the New Keynesian Phillips Curve, NKPC (Goodfriend and King, 1997). It assumes that in every period only a fraction of prices (1 – a, 0 < a < 1) are adjusted, while the remaining ones (a) stay unchanged. As a result, the current inflation rate (rt) is a function of currently expected price changes (Etrt + 1), treated usually as rational, and of cyclical component of ^ ), i.e. the deviation of output or real marginal costs from economic activity (y t 2 their trends : ^ + f. rt = bEtrt + 1 + ly t t

(1)

For open economies, the above relationship is extended to include terms of trade, real exchange rate or import prices (e.g. Galí and Monacelli, 2005; Abbas et al., 2016). From the empirical point of view, there were some doubts concerning the NKPC. Such a relationship neither explains the phenomenon of persistently high inflation nor predicts costs of disinflation that in real economy seem substantial (e.g. Ball, 1993; Fuhrer and Moore, 1995). This empirical inconsistency led to an alternative specification of the above relationship, i.e. to the Hybrid New Keynesian Phillips Curve, HNKPC, in which explanatory variables additionally contain lagged inflation : ^ + f. rt = ~Etrt + 1 + (1 – ~)rt – 1 + ly t t

(2)

The role of lagged inflation is explained in various ways. It can result from the wage contracting model (Fuhrer and Moore, 1995), in which agents aim at maintaining a given level of the real wage during the time of the contract. It can also reflect heterogeneity of economic agents and the hybrid model of formation of their expectations (Lovell, 1986; Roberts, 1997; Galí and Gertler, 1999). In this case parameter ~ can be interpreted as the share of economic agents whose expectations are consistent with the unbiasedness property of the rational expectations hypothesis, while the remaining share of agents, 1 – ~, form expectations in the backward-looking (static) manner. Finally, lagged inflation in the HNKPC can be independent of the heterogeneity of expectations’ formation, reflecting rather indexation of wages and prices (Christiano et al., 2005) Both versions of the New Keynesian Phillips Curve have become the workhorses of empirical modeling of inflation. They have also provoked intense academic debates. It is not the aim of this study to provide the overview of this dis2

In the original version of the NKPC the real marginal cost is the measure of economic slack. Under particular assumptions real marginal costs can be substituted with the output gap (Rotemberg and Woodford, 1999; Sbordone, 2002). In empirical applications, there are, however, different variables that proxy the excess demand in the economy.

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 167

cussion, especially given that comprehensive literature reviews exist (e.g. Nason and Smith, 2008; Mavroeidis et al., 2014; Abbas et al., 2016). Instead in this section we are going to present the studies that constitute the most important benchmarks for our analysis. However, it should be mentioned that a large part of the debate concerning the NKPC has been focused on the ways of measuring key variables included in this relationship, especially the real marginal costs and inflation expectations. Being aware of pros and cons of different choices in this respect, in this study we apply the agnostic approach, estimating the NKPC with the use of different measures of excess demand and inflation expectations. In the area of measuring inflation expectations we relax the assumption of rational expectations and make use of survey measures of inflation expectations. Although this approach is not micro-founded, it has been applied successfully in many empirical studies (e.g. Henzel and Wollmershäuser, 2006; Paloviita, 2008; Forsells and Kenny, 2010). As mentioned in the introduction, price developments following the collapse of the Lehman Brothers have displayed two puzzles that are analyzed in empirical literature. The first one is the missing disinflation puzzle in 2009–2011. Despite large increases in unemployment during the Great Recession, inflation in advanced economies did not fall as much as past experiences would have predicted. This puzzle in part can be caused by the flattening of the Phillips curve – the phenomenon resulting both from the globalization, i.e. increased role of foreign output gap and decreased role of domestic output gap in influencing prices (Borio and Filardo, 2007), as well as from a more credible monetary policy, leading to more firmly anchored inflation expectations (Bernanke, 2010; Kuttner and Robinson, 2010). There are also other explanations of the missing disinflation puzzle, including the observation that the rise in unemployment during the Great Recession was structural, i.e. it translated to wages and prices less than in the past (IMF, 2013) and the findings of increased downward wage rigidities in the recession (Daly and Hobijn, 2014). It is worth focusing on one of the studies analyzing in detail the missing disinflation in the U.S. economy, i.e. on the influential article by Coibion and Gorodnichenko (2015) that noticeably inspired the research presented in this study. The authors analyze the phenomenon of missing disinflation in 2009–2011 with the use of expectations-augmented Phillips curve. They show that none of the traditional explanations appear sufficient to describe inflation developments during the Great Recession. The anchored expectations hypothesis (Bernanke, 2010) can explain only a part of the missing disinflation. Explanations based on the labor market performance mentioned above imply that the missing disinflation in prices should have been accompanied by the missing disinflation in wages, which is not confirmed by the data. Also, the effects of the flattening of the Phillips curve seem insufficient to explain much of the missing disinflation. Instead of concluding that from this perspective the Phillips curve is useless for explaining inflation performance during the period under consideration, Coibion and Gorodnichenko (2015) propose another explanation. They show that the expectations-augmented Phillips curve, in which Michigan survey measures of

168

Tomasz Łyziak

households’ inflation expectations are used, can account for the absence of strong disinflationary pressures in 2009–2011. It is due to the fact that contrary to inflation forecasts of professional forecasters, whose expectations were relatively stable, household inflation expectations experienced a sharp rise, going from 2.5% in 2009 to 4% in 2013. This increase was caused by developments in oil prices, rising sharply since 2009. This explanation, quantitatively the most successful in capturing the absence of disinflation within the Phillips curve framework, goes in the opposite direction to Bernanke’s anchored expectations hypothesis. Coibion and Gorodnichenko (2015) argue that unanchored household inflation expectations, treated as the adequate proxy for firms’ inflation expectations, prevented the U.S. economy from deflation.3 The authors conclude that while anchored inflation expectations remain desirable in most circumstances, the experience since 2009 presents a cautionary example of the potential downside of fully anchored expectations. The second study that influenced the direction of research presented in this study is the analysis by Constâncio (2015), based on the results of the ESCB Low Inflation Task Force.4 It aims at explaining excessive disinflation puzzle in the euro area economy after 2012. Even if low inflation rates in recent years can be driven by a decline in oil prices, it is not the complete explanation given that core inflation measures have also been below average in the euro area and in other developed economies. A part of research is based on the hybrid New Keynesian Phillips Curve, estimated with different proxies for the economic slack and inflation expectations. Constâncio (2015) shows that several specifications of the HNKPC are able to track recent disinflation. These models tend to be those that use the unemployment rate or unemployment gap and short- to medium-term measures of inflation expectations. In addition the study discusses stability of the Phillips curve, supporting evidence on the steepening of the Phillips curve in recent years.5 This effect seems especially marked in the economies that experienced deeper and longer recessions and made greater efforts to reform their product and labor markets, with an impact on nominal rigidities. The natural question that arises in this respect is to what extent the steepening of the Phillips curve can signal inflation expectations becoming unanchored. Empirical studies indicate subtle signs of de-anchoring of inflation expectations in the euro area (e.g. Łyziak and Paloviita, 2016). However, there are other explanations of the recent steepening of the Phillips curve in the euro area. Riggi and Venditti (2015) claim that it can result either 3 This assumption seems debatable. Bryan et al. (2015) indicate that US firms’ inflation expectations are very similar to the predictions of professional forecasters, despite a somewhat greater heterogeneity of expectations. Similar conclusions apply also in the case of Poland (e.g. Łyziak, 2013). 4 The results collected by the Low Inflation Task Force will be presented in detail in the report forthcoming in the ECB Occasional Papers. 5 Oinonen and Paloviita (2014) estimate time-varying parameters for the hybrid New Keynesian Phillips Curve In the euro area, using different proxies for the output gap. They show that the slope of the Phillips curve has become steeper after 2012.

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 169

from lower nominal rigidities due to structural reforms in stressed countries or from a decrease in strategic complementarities in price setting, related to a fall in the number of firms in the economy after the Great Recession. Another possibility taken into account is the increase of the frequency of price adjustments, but empirical studies on this issue has provided mixed results so far. This study aims at contributing to empirical literature using the Phillips curve to explain price developments in the Polish economy. Kokoszczyński et al. (2010) show that survey-based measures of consumer inflation expectations are useful in estimating the hybrid New Keynesian Phillips Curve in Poland and in the Czech Republic. However, according to their estimates, the backward-looking component in this relationship is stronger than the forward-looking one, independently of the measure of inflation expectations used. Hałka and Kotłowski (2014) estimate the Phillips curves in the disaggregated manner, i.e. for individual price indexes. They find that more than 55% of the categories react to the output gap (mainly services and nondurable goods), while more than one-third of prices respond to exchange rate movements (mainly durable and semi-durable goods). At the same time globalization process makes only a small share of prices of durable and semi-durable goods react to domestic demand.6 Even if the specification of the Phillips curves used by Hałka and Kotłowski (2014) does not include forward-looking elements, the results of their analysis suggest that the concept of the open-economy NKPC can be useful in analyzing price developments in Poland. Łyziak (2016) uses rational expectations and survey-based measures of inflation expectations of various groups of economic agents in estimating the small stylized New Keynesian model of monetary policy with Polish data. Estimation results show that with survey-based measures the expectation term in the NKPC becomes significantly larger than in the model with rational expectations, although in all the cases the role of lagged inflation is somewhat stronger than the role of expected inflation. Survey-based measures of inflation expectations of Polish consumers, financial sector analysts and, particularly, enterprises, contain forward-looking information that improves forecasting properties of the New Keynesian model relative to its type with rational (model-consistent) expectations. Inflation expectations of enterprises seem the most powerful in this respect.

2. METHODS AND DATA Before analyzing recent inflationary developments in Poland with the use of the New Keynesian Phillips Curve we consider the drivers of deflationary episodes in different economies to answer the question whether the Polish deflation is surprising taking them into account. In this respect, we use the Deflation Vulnerability Index (DVI) 6

In their recent paper Hałka and Kotłowski (2016) deepen the analysis of the global determinants of domestic inflation in Sweden, Poland and Czech Republic. They find that the low inflation in those countries results not only from favourable shock to commodity prices, but is also due to weak demand, both internal and external. Moreover, they show that since the beginning of financial crisis the role of demand shocks affecting inflation was more pronounced than the role of supply shocks.

170

Tomasz Łyziak

proposed by Kumar et al. (2003), that combines determinants found to lead deflationary episodes in different economies. The index reflects developments in aggregate prices, economic activity, asset markets, and credit and financial markets. In the above groups there are 11 specific indices considered, each of them of binary nature, with a value 1 reflecting possible deflationary pressure from a given source and otherwise the value of zero. Subsequent components of the index equal 1 if: (1) annual inflation, measured as a change in the CPI, is less than 0.5%; (2) annual inflation, measured as a change in the GDP deflator, is less than 0.5%; (3) annual inflation, measured as a change in the core CPI, is less than 0.5%; (4) the output gap has widened by more than 2 percentage points over the last 4 quarters; (5) the output gap is less than –2%; (6) the real GDP growth over the last 3 years is less than annual average growth over the preceding decade; (7) the broad measure of the stock market over the last 3 years has fallen by more than 30%; (8) the real effective exchange rate has appreciated by more than 4% over the last 4 quarters; (9) the private nominal credit growth is less than nominal GDP growth over the last 4 quarters; (10) the cumulative private nominal credit growth over the past 3 years is less than 10%; (11) the broad money (M3) growth on a y/y basis has grown slower than base money by 2 percentage points (or less) over the last 8 quarters. To estimate the hybrid New Keynesian Phillips curve models for Poland we take into consideration different variables that proxy inflation developments, inflation expectations, economic slack and imported inflation. According to the notation applied, the model i_k_m_h denotes the HNKPC specification, in which we use the i-th measure of inflation as the dependent variable and among explanatory variables there are: the k-th measure of the economic slack, the m-th measure of inflation expectations and the h-th measure of imported inflation. We use two measures of consumer price changes in Poland (r(i)), i.e. the annualized rate of growth of the overall Consumer Price Index, CPI (i = 1) or annualized the core inflation that excludes foodstuffs and energy items (i = 2). There are six measures of the economic slack (y(k)) considered in this study. The first one is given by the output gap estimated with the use of the Hodrick-Prescott (HP) filter (k = 1). The second measure of the economic slack (k = 2) is a transformed version of the HP-filter output gap, capturing potential non-linear effects of the excess demand on inflation in the periods, when the output gap is positive. This transformation, proposed by Alichi et al. (2009), has the following form: Z yt max ] max $ yt t^1h for yt t^1h 2 0 ^1h yt t^2h = [ yt - yt t ] t ^1h t ^1h \ y t for y t G 0

(3)

The remaining measures of the economic slack comprise the output gap obtained with Christiano-Fitzgerald (CF) filter (k = 3), asymmetric CF-filter output gap transformed in the way proposed by Alichi et al. (2009) (k = 4),

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 171

a deviation of the real GDP growth rate from its mean (k = 5) and the inverse of the unemployment rate gap, estimated with the HP filter (k = 6).7 Inflation expectations (re(m)) are proxied with the following measures: cumulative mean of CPI inflation (m = 1), NBP inflation target (m = 2) as well as with survey-based measures of short-term (12 months ahead) inflation expectations of enterprises (m = 3), financial sector analysts (m = 4) and consumers (m = 5).8 Finally, we use two proxies reflecting imported inflation (rf(h)), i.e. annualized growth rate of import prices (h = 1) and the real effective exchange rate gap, calculated with the HP filter (h = 2). The general form of the estimated hybrid version of the NKPC in the case of the model i_k_m_h is the following: f^ hh

r^t i h = c1 rt^-i h1 + c2 rte^mh + c3 yt t^-khl + c4 rt - l + ft y

f

(4)

where the lags of the output gap (l y) and of the foreign component (l f) are selected on the basis of statistical fit (in the estimated equations they equal 0 or 1). We estimate the Phillips curves using two sample periods. Both of them start in 2003Q1, while they end either in 2015Q3 (full sample period) or in 2011Q4, i.e. before the recent disinflation started (short sample period). Checking stability of the Phillips curve during the period of recent disinflation we compare the estimated short-run coefficients as well as the long-run impact of inflation expectations, economic slack and foreign prices on domestic inflation, given by the c3 c2 c4 respective coefficients: , and . We also pay attention to long1 - c1 1 - c1 1 - c1 e^ mh f^ hh -run intercepts, given by the following expression: c2 rt + c4 rt , 1 - c1 1 - c1

where rte^mh denotes the average value of the m-th measure of inflation expectations, while rtf^hh denotes the average value of the h-th measure of imported inflation in a given sample period. Estimating the equations we do not impose dynamic homogeneity – the property that makes the Phillips curve vertical in the long run. This condition is, however, verified empirically with the Wald test. If the openness of the economy is represented by the real exchange rate gap, the dynamic homogeneity property is given by the condition: c1 + c2 = 1, while in the case of using annualized rate of growth of import prices – by the condition: c1 + c2 + c4 = 1. The HNKPC models contain unobservable variables – inflation expectations and economic slack – that can be subject to measurement errors. In such circumstances the overall error of the equation becomes a combination of an exogenous 7

In the cases of both measures of the output gap based on Alichi et al. (2009) concept, were tested. Finally, the best statistical fit of HNKPC models was different values of ^max y equal 0.05. obtained for ^max y 8 Survey-based measures of inflation expectations are the same as used in Łyziak (2016).

172

Tomasz Łyziak

shock and the measurement error of explanatory variables. For this reason we estimate Phillips curves using the Generalized Method of Moments (GMM). We use lagged values of explanatory variables as instruments, which seems a common choice in the literature (Nason and Smith, 2008).

3. RESULTS Recent disinflation and ongoing deflation in Poland were largely unexpected and are perceived mainly as the result of a fall in commodity prices. The Deflation Vulnerability Index (DVI) introduced by Kumar et al. (2003) and used by IMF in assessing deflationary risks in different economies9, allows analysing a range of potential causes of deflation, in particular the demand factors. Figure 4 presents DVI calculated for Poland compared with CPI inflation. Both series are fairly correlated with each other – the Pearson correlation coefficient equals –0.65, while the Spearman rank correlation coefficient approaches –0.54.10 It seems, therefore, that the index contains some information about price developments. Analyzing its sub-components we can observe that recently deflationary risks have been caused not by a single factor, i.e. positive supply shock exerting downward pressure on prices but also by other factors, i.e. by developments in the real economy and in credit and money aggregates. During the latest disinflation that started in 2012 Deflation Vulnerability Index increased considerably and recently it has been close to 0.5, signaling – according to classification introduced by Kumar et al. (2003) – moderate or almost high deflationary risks.11 Given its high correlation with actual inflation, it seems that DVI can be a useful tool in analyzing inflation perspectives in Poland. It also indirectly suggests that the Hybrid New Keynesian Phillips Curve, putting emphasis on the role of economic slack in determining inflation, can be an adequate theoretical concept in explaining recent price developments. In addition, it considers inflation expectations that are not used in calculation of the Deflation Vulnerability Index. With the diversity of variables used in the estimation of the HNKPC models, in each of the sample periods under consideration there are 120 equations estimated – half of them in terms of the CPI inflation and another half of them in terms of core inflation. Detailed estimation results are presented in the Annex (Table 3, Table 4). Summarizing them, it should be noted firstly that, in general, the theoretical specification of the HNKPC is supported empirically. In a dominant part of estimated equations, both past inflation and inflation expectations are needed to explain current inflation. Taking into account the full sample 9

E.g. IMF (2014), p. 14. In the period after the collapse of Lehman Brothers, correlation of CPI inflation and DVI is even larger – Pearson and Spearman correlation coefficients equal –0.78 and –0.83, respectively. 11 According to Kumar et al. (2003), minimal deflation risk appear when DVI is smaller than 0.2; small deflation risk – if it is between 0.2 and 0.3, moderate – for DVI between 0.3 and 0.5, while high – for DVI above 0.5. 10

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 173

Figure 4. Deflation Vulnerability Index (DVI) and its subcomponents vs. CPI inflation in Poland (year-on-year changes, %) 0.5

4

0.4

3

0.3

2

0.2

1

0.1

0

0

–1

–0.1

–2

–0.2

03-2006 09-2006 03-2007 09-2007 03-2008 09-2008 03-2009 09-2009 03-2010 09-2010 03-2011 09-2011 03-2012 09-2012 03-2013 09-2013 03-2014 09-2014 03-2015 09-2015

5

DVI: equity markets (right axis) DVI: exchange rate (right axis) DVI: credit and monetary aggregates (right axis) DVI: output (right axis) DVI: prices (right axis) &3, LQĠDWLRQ \ \ OHIW D[LV

Notes: Bars display Deflation Vulnerability Index calculated for Poland in line with IMF method (Kumar et al., 2003) and its components. Minimal deflation risk appear when DVI is smaller than 0.2; small deflation risk – if it is between 0.2 and 0.3, moderate – for DVI between 0.3 and 0.5, while high – for DVI above 0.5. Source: own calculations based on GUS, NBP, OECD and BIS data, GUS.

period (2003–2015), past inflation is statistically insignificant only in 20% of models estimated in terms of CPI inflation and in 13% of models estimated in terms of core inflation. For shorter period of estimation (2003–2011) that excludes the recent disinflation, respective shares are 45% and 8%. It would suggests that recently CPI inflation has become more persistent, which does not apply for core inflation. We will analyze this issue in the final part of this section, comparing estimated coefficients in both sample periods. Here we can conclude that the hybrid version of the NKPC is confirmed empirically in Poland more often than

174

Tomasz Łyziak

the traditional NKPC. It is in line with the results for European economies reported in the literature.12 Analyzing estimation results we observe that the problems with incorrect signs of different coefficients or statistical insignificance of explanatory variables are not very frequent (Table 2). The share of HNKPC models that display inconsistencies of this kind amounts approximately to 28% in the full sample and to 17% in the shorter sample period. This share is larger for core inflation than for CPI inflation. Insignificant output gap while explaining core inflation or insignificant foreign inflation constitute the major sources of these problems. Table 2. Share of HNKPC models whose estimation results are inconsistent (in %) CPI inflation

Core inflation

2003–2015 2003–2012 2003–2015 2003–2012 c1 negative and significant

0.0

1.7

0.0

0.0

c2 negative or insignificant

1.7

1.7

11.7

5.0

c3 negative or insignificant

5.0

6.7

20.0

10.0

c4 negative or insignificant

11.7

10.0

10.0

5.0

Share of inconsistent HNKPCs

16.7

15.0

40.0

18.3

Source: own calculations.

The results of the Hansen J-test show that for all the estimated models, the null hypothesis of valid overidentifying restrictions cannot be rejected. Dynamic homogeneity property, making the Phillips curve vertical in the long run, is displayed more often in the short sample period than in the long one, and more frequently for CPI inflation than core inflation. Using the sample period 2003–2012, approximately 78% of estimated equations specified in terms of CPI inflation compared to 32% of those specified in terms of core inflation met dynamic homogeneity condition. For the full sample period, 2003–2015, respective numbers reach 80% and 12%. The fact that Phillips curves specified in terms of CPI inflation are vertical in the long run more frequently than those specified in terms of core inflation can be explained by the fact that empirical proxies of inflation expectations used in this study are not consistent with core inflation – both survey-based measures of inflation expectations as well as the NBP inflation target refer to headline inflation, not to core inflation. Detailed analysis of estimated HNKPC models conducted in the subsequent part of this section takes into consideration only those specifications that do not 12

E.g. Paloviita (2008), using pooled European data, shows that the purely forward-looking NKPC is clearly outperformed by the New Classical and Hybrid New Keynesian Phillips curves.

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 175

display inconsistencies described in Table 2. We aim at assessing, first, what combination of proxies for inflation expectations, economic slack and imported inflation guarantee the best statistical fit of the estimated HNKPC, second, which specifications are the most successful in modeling the recent disinflation, third, what changes in estimated coefficients occur during the recent disinflation period. Taking into account the results based on the full sample period (2003–2015) we observe that Phillips curves estimated in terms of core inflation display lower Root Mean Squared Errors, RMSE (0.80), than Phillips curves estimated with CPI inflation as the explanatory variable (1.42). The same applies to analogous measures of errors calculated for the period of recent disinflation (2012–2015) which equal 0.66 and 1.42, respectively. The selection of the price index and particular proxies for determinants of inflation in the Phillips curve have a significant influence on statistical fit of estimated models, especially those in which headline inflation is the explanatory variable. Figure 5 presents errors of the estimation (differences between fitted and actual values) in the form of Root Mean Squared Errors – both for the whole sample used in the estimation (2003–2015) and during the recent disinflation (2012–015). It can be seen that minimal RMSE corresponds to models in which survey-based measures of inflation expectations of enterprises are used. This conclusion is consistent with previous findings, based on the small structural New Keynesian (NK) model, showing that enterprises’ inflation expectations are the most relevant from the macroeconomic perspective and used in the NK model improve significantly its forecasting accuracy (Łyziak, 2016). In the present results there is only one exception from this observation, i.e. analyzing errors in the recent period (2012–2015) of the Phillips curve estimated in terms of core inflation. In this case, using survey-based measures of financial analysts’ inflation expectations minimizes the forecasting errors during the disinflation period, however models with enterprises’ inflation expectations produce only slightly less favorable outcomes. The best-performing measure of the economic slack is given by the Alichi et al. (2009) transformed version of the HP-filter output gap that captures non-linear effects of the excess demand on inflation in the periods, when the output gap is positive. It suggests that the Phillips curve in Poland displays some asymmetry and that prices are more responsive to the output gap when it is highly positive. It corresponds to findings by Sznajderska (2014), who shows stronger responses of quarter on quarter CPI inflation to output gap when it is positive. However, it should be noted that the differences in statistical fit between HNKPC models using standard version of the HP-filter output gap and the measure proposed by Alichi et al. (2009) are very small, especially for models in which core inflation is explanatory variable. Finally, it seems that both during the whole sample period and during the recent disinflation the real exchange rate gap is a better proxy for foreign component of domestic CPI and core inflation than the rate of growth of import prices.

176

Tomasz Ĺ yziak

Figure 5. Root Mean Squared Errors (RMSE) of HNKPC models estimated on the sample 2003–2015 1.6 1.4

1.2

1.2

1

1

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

0

0

1.6

INFE_1 INFE_2 ,1)(B INFE_4 INFE_5 GAP_1 GAP_2 *$3B GAP_4 GAP_5 GAP_6 EXT_1 EXT_2

1.4

&3, LQÄ DWLRQ –2015

1.6 1.4

1.2

1.2

1

1

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

0

0

INFE_1 INFE_2 ,1)(B INFE_4 INFE_5 GAP_1 GAP_2 *$3B GAP_4 GAP_5 GAP_6 EXT_1 EXT_2

1.4

&RUH LQÄ DWLRQ –2015

INFE_1 INFE_2 ,1)(B INFE_4 INFE_5 GAP_1 GAP_2 *$3B GAP_4 GAP_5 GAP_6 EXT_1 EXT_2

&3, LQÄ DWLRQ –2015

&RUH LQÄ DWLRQ –2015

INFE_1 INFE_2 ,1)(B INFE_4 INFE_5 GAP_1 GAP_2 *$3B GAP_4 GAP_5 GAP_6 EXT_1 EXT_2

1.6

Notes: Symbols INFE_m denote subsequent measures of inflation expectations, GAP_k – subsequent measures of the economic slack, while EXT_h – subsequent measures of imported inflation used in the study. Source: own calculations.

The above exercise was based on the HNKPC models estimated on the full sample. However, from the empirical point of view it is more relevant to assess out-of-sample properties of those models. To do this we estimate Phillips curves on the shorter sample period, that finishes before the beginning of the recent disinflation. Then we generate forecasts of inflation for the disinflation period

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 177

Figure 6. CPI inflation (year-on-year) forecasts for 2012–2015 based on HNKPC models estimated on the sample 2003–2011 6% 5% 4% 3% 2% 1% 0%

–2%

2003Q1 2003Q3 2004Q1 2004Q3 2005Q1 2005Q3 2006Q1 2006Q3 2007Q1 2007Q3 2008Q1 2008Q3 2009Q1 2009Q3 2010Q1 2010Q3 2011Q1 2011Q3 2012Q1 2012Q3 2013Q1 2013Q3 2014Q1 2014Q3 2015Q1 2015Q3

–1%

Notes: HNKPC models generate forecasts in terms of annualized CPI inflation that were transformed into forecasts of year-on-year core inflation. Source: own calculations.

Figure 7. Core inflation (year-on-year) forecasts for 2012–2015 based on HNKPC models estimated on the sample 2003–2011 4.0% 3.5% 3.0% 2.5% 2.0% 1.5% 1.0% 0.5% 0% –1.0%

2003Q1 2003Q3 2004Q1 2004Q3 2005Q1 2005Q3 2006Q1 2006Q3 2007Q1 2007Q3 2008Q1 2008Q3 2009Q1 2009Q3 2010Q1 2010Q3 2011Q1 2011Q3 2012Q1 2012Q3 2013Q1 2013Q3 2014Q1 2014Q3 2015Q1 2015Q3

–0.5%

Notes: HNKPC models generate forecasts in terms of annualized core inflation that were transformed into forecasts of year-on-year core inflation. Source: own calculations.

178

Tomasz Łyziak

(2012–2015) and assess out-of-sample forecasting properties of different Phillips curves. Paths of inflation forecasts generated on the basis of HNKPC models estimated on the sample 2003–2011 (Figure 6, Figure 7) suggest that those models do not replicate adequately the recent disinflation period, especially in the case of models explaining CPI inflation. Firstly, even if those models seem to anticipate a fall in CPI inflation, they are not able to predict the scale of deflation in 2015 – all the CPI forecasts remain above the actual CPI inflation in 2015. Secondly, in the case of core inflation, paths of its forecasts surround the actual figures – there are some specifications that reflect the actual developments of core inflation and some that predict even deeper deflation. However, majority of forecasts is above the actual core inflation. Thirdly, independently of the inflation measure used a large number of specifications predict increase of inflation in the most recent period (i.e. in 2015), while actual price developments are clearly at odds with this prediction. What is the model specification that makes the paths of inflation forecasts closest to actual figures? Analysis of Root Mean Squared Errors (RMSE) of inflation forecasts confirms that for both headline and core inflation this specification should use asymmetrical measure of the HP-filter output gap and the real exchange rate gap. It should be emphasized that the deviation of real GDP growth rate from its mean represents another proxy for the economic slack improving inflation forecasts. As far as the measure of inflation expectations is Figure 8. Root Mean Squared Errors (RMSE) of inflation out-of-sample forecasts for 2012-2015 based on HNKPC models estimated using the sample 2003-2011 &3, LQĠDWLRQ

3 2.5

2

2

1.5

1.5

1

1

0.5

0.5

0

0

INFE_1 INFE_2 INFE_3 INFE_4 INFE_5 GAP_1 GAP_2 GAP_3 GAP_4 GAP_5 GAP_6 EXT_1 EXT_2

2.5

&RUH LQĠDWLRQ

INFE_1 INFE_2 INFE_3 INFE_4 INFE_5 GAP_1 GAP_2 GAP_3 GAP_4 GAP_5 GAP_6 EXT_1 EXT_2

3

Notes: HNKPC models generate forecasts in terms of annualized CPI inflation that were transformed into forecasts of year-on-year core inflation. Source: own calculations.

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 179

concerned, the models that generate relatively accurate CPI inflation forecasts are those that use enterprises’ inflation expectations, while in the case of core inflation forecasts consumer inflation expectations seem more adequate. Limited ability of the Phillips curve models to predict the recent disinflation leads to the question to what extent the estimated coefficients are different between the models estimated on the full sample (2003–2015) and on the short sample (2003–2011). The results of such inspection depend on the measure of inflation used as explanatory variable. Analyzing directly estimated, short-run coefficients (Figure 9, Figure 10) we observe that in the case of HNKPC models specified in terms of CPI inflation in a dominant part of models inflation persistence becomes larger in the longer Figure 9. Stability of the HNKPC, CPI inflation, short-run coefficients 1

1.5

2003–2015

2003–2015

0.8 0.6 0.4

1

0.5

0.2 0

0 0

0.2

0.4

0.6

0.8

1

0

0.5

1

1.5

2003–2012

1.5

0.3

1

0.2

2003–2015

2003–2015

2003–2012

0.5

0

0.1

0 0

0.5

1

2003–2012 Source: own calculations.

1.5

0

0.1

0.2

2003–2012

0.3

180

Tomasz Łyziak

Figure 10. Stability of the HNKPC, core inflation, short-run coefficients $ ,QĠDWLRQ H[SHFWDWLRQV

% ,QWHUFHSW

1

0.8 0.6 2003–2015

2003–2015

0.8 0.6 0.4

0.2

0.2 0

0.4

0

0.2

0.4

0.6

0.8

0

1

0

2003–2012

0.6

0.8

' ,PSRUW SULFHV 5((5

1

0.2

0.8

0.15 2003–2015

2003–2015

0.4 2003–2012

& (FRQRPLF VODFN VORSH

0.6 0.4

0.1

0.05

0.2 0

0.2

0

0.2

0.4

0.6

2003–2012

0.8

1

0

0

0.05

0.1

0.15

0.2

2003–2012

Source: own calculations.

sample, covering the recent disinflation. At the same time the impact of other factors, i.e. inflation expectations, economic slack and foreign inflation, is reduced. The results based on core inflation models are more mixed. Majority of them suggest that inflation persistence and the role of inflation expectations have been reduced recently, similarly as the impact of the economic slack on price developments. All at once the impact of foreign inflation on the domestic one has become stronger. However, in the case of each of those coefficients there are also models indicating opposite changes. Analyzing long-run coefficients (Figure 11, Figure 12), it can be noted that independently of the measure of inflation, the role of inflation expectations has

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 181

Figure 11. Stability of the HNKPC, CPI inflation, long-run coefficients $ ,QĠDWLRQ H[SHFWDWLRQV

% ,QWHUFHSW 4 3

1

2003–2015

2003–2015

1.5

0.5

2 1

0 0

0.5

1

0

1.5

0

2003–2012

1

2

3

4

2003–2012

& (FRQRPLF VODFN VORSH

' ,PSRUW SULFHV 5((5

2

0.3

2003–2015

2003–2015

1.5 1

0.2

0.1

0.5 0

0

0.5

1 2003–2012

1.5

2

0

0

0.1

0.2

0.3

2003–2012

Source: own calculations.

been reduced in the recent period. In addition, the intercepts in all the specification have diminished, indicating de-anchoring of inflation expectations, which have recently reached their historical lowest levels. A dominant part of CPI inflation models indicate steepening of the Phillips curve and increased role of foreign inflation in determining domestic price changes, while in the case of core inflation models we rather observe a reduced impact of economic slack and foreign price changes on domestic inflation. Being aware of the fact that changes in the coefficients of HNKPC models estimated in terms of headline inflation can be biased due to the fact that this measure of inflation has been strongly influenced by food and energy prices in

182

Tomasz Łyziak

Figure 12. Stability of the HNKPC, core inflation, long-run coefficients $ ,QĠDWLRQ H[SHFWDWLRQV

% ,QWHUFHSW

1

3

2003–2015

2003–2015

0.8 0.6 0.4

2

1

0.2 0

0 0

0.2

0.4

0.6

0.8

1

0

1

2003–2012

' ,PSRUW SULFHV 5((5

2

0.4

1.5

0.3 2003–2015

2003–2015

3

2003–2012

& (FRQRPLF VODFN VORSH

1 0.5 0

2

0.2 0.1

0

0.5

1 2003–2012

1.5

2

0

0

0.1

0.2

0.3

0.4

2003–2012

Source: own calculations.

the recent period, it seems that analyzing stability of the Phillips curve we should rely rather on core inflation models. In addition, conclusions based on those models are comparable with results of similar tests performed using euro area data that are based also on similar measures of core inflation. From this perspective, our analysis suggests some flattening of the Phillips curve in recent years, combined with a smaller impact of inflation expectations on actual inflation and the reduced long-run intercept. Flattening of the Phillips curve can be either perceived as a typical phenomenon in the downward stage of the business cycle or explained with increasing openness of the Polish economy, making foreign demand an important determinant of domestic price developments.

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 183

To sum up, it seems that the recent disinflation and a prolonged period of deflation in the Polish economy resulted from a combination of global and domestic factors. The HNKPC seems a useful concept capable of explaining recent price developments, especially in the case of core inflation. Our analysis suggest that to fit the actual data survey-based measures of enterprises inflation expectations should be used, however, in some tests consumer inflation expectations perform even better than enterprises’ expectations. In addition, capturing asymmetric effects of output gap on inflation – stronger when the output gap is positive – improves statistical fit of HNKPC models. On the other hand, we show that the Phillips curve relationship has not been stable recently. In particular, it seems that core inflation has become less sensitive to economic slack and to inflation expectations, while the long-run intercept has been reduced. The latter factor, combined with the flattening of the Phillips curve, suggests that the return of inflation to levels consistent with the NBP inflation target can take more time than it would based on models estimated with pre–2012 data.

4. CONCLUSIONS The prolonged period of deflation in Poland was not expected, however, it does not seem entirely puzzling. Firstly, standard factors signaling deflation risks, embodied in the Deflation Vulnerability Index – especially those related to inflation performance, economic activity and credit and monetary aggregates – seem informative in the context of Polish deflation. Secondly, the concept of the Hybrid New Keynesian Phillips Curve seems useful in analyzing price developments in Poland, however, the degree of this usefulness is conditional on proxies for explanatory variables applied. In line with previous studies, based both on Polish and external experiences, survey-based measures of inflation expectations – particularly enterprises’ inflation expectations – seem to be an important factor needed to understand recent price developments. Thirdly, to adequately reflect cyclical component of inflation one should take into account either the transformed output gap measure, making inflation more responsive to output gap when it is highly positive, or the growth rate of real GDP relative to its mean. The recent disinflation, analyzed through the lenses of the HNKPC models, was caused by a combination of different factors, including: lowering of commodity prices and import prices, reduced level of inflation expectations and inflation as well as a negative output gap. Analyzing stability of the Phillips curve we find signs of its flattening in recent years. It applies to the models estimated in terms of core inflation, while CPI inflation models suggest rather a steepening of the Phillips curve. Both types of models agree on the weakening of the link between inflation expectations and actual inflation as well as on the reduction of the long-run intercept. The Phillips curve in Poland is alive. We can use it to explain past inflationary performance and to predict its changes, at least to some extent.

184

Tomasz Łyziak

REFERENCES Abbas S.K., Bhattacharya P.S., Sgro P. (2016), The new Keynesian Phillips curve: an update on recent empirical advances, „International Review of Economics and Finance”, 43, May, pp. 378–403. Alichi, A., Chen H., Clinton K., Freedman C., Johnson M., Kamenik O., Kışınbay T., Laxton D. (2009), Inflation targeting under imperfect policy credibility, „IMF Working Paper”, WP/09/94. Ball L. (1993), What determines the sacrifice ratio?, „NBER Working Paper”, 4306, National Bureau of Economic Research. Borio C., Filardo A. J. (2007), Globalisation and inflation: new cross-country evidence on the global determinants of domestic inflation, „BIS Working Paper, 227, Bank for International Settlements. Christiano L., Eichenbaum M., Evans C. (2005), Nominal rigidities and the dynamic effects of a shock to monetary policy, „Journal of Political Economy, 113(1), pp. 1–45. Coibion O., Gorodnichenko Y. (2015), Is the Phillips curve alive and well after all? Inflation expectations and the missing disinflation, „American Economic Journal: Macroeconomics”, 7(1), pp. 197–232. Constâncio V. (2015), Understanding inflation dynamics and monetary policy, Panel remarks at the Jackson Hole Economic Policy Symposium, Federal Reserve Bank of Kansas City, 29 August 2015. Daly M.C., Hobijn B. (2014), Downward nominal wage rigidities bend the Phillips curve, „Journal of Money, Credit and Banking”, 46(S2), pp. 51–93. ECB (2014), The Phillips curve relationship in the euro area, „ECB Monthly Bulletin”, July, pp. 99–114, European Central Bank. Fuhrer J., Moore G. (1995), Inflation persistence, „Quarterly Journal of Economics”, 110(1), pp. 127–159. Galí J., Gertler M. (1999), Inflation dynamics: a structural econometric approach, „Journal of Monetary Economics”, 44(2), pp. 195–222. Galí J., Monacelli T. (2005), Monetary policy and exchange rate volatility in a small open economy, „Review of Economic Studies”, 72, pp. 707–734. Goodfriend M., King R.G. (1997), The New Neoclassical Synthesis and the role of monetary policy, „NBER Macroeconomics Annual 1997”, 12, pp. 231–296, National Bureau of Economic Research. Hałka A., Kotłowski J. (2014), Does the domestic output gap matter for inflation in a small open economy?, „Eastern European Economics”, 52(3), pp. 89–107. Hałka A., Kotłowski J. (2016), Global or domestic? Which shocks drive inflation in European small open economies?, „NBP Working Papers”, 232, Narodowy Bank Polski. Henzel S., Wollmershäuser T. (2006), The New Keynesian Phillips Curve and the role of expectations: evidence from the Ifo World Economic Survey, „CESIfo Working Paper”, 1694. IMF (2013), The dog that didn’t bark: has inflation been muzzled or was it just sleeping?, in: World Economic Outlook: Hopes, Realities, Risks”, chapter 3, International Monetary Fund, April.

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 185

IMF (2014), World Economic Outlook. Legacies, clouds, uncertainties, International Monetary Fund, October. Kokoszczyński R., Łyziak T., Stanisławska E. (2010), Consumer inflation expectations: usefulness of survey-based measures – a cross-country survey, in: Inflation Expectations, P. Sinclair (ed.), Routledge, 76–00. Kumar M.S., Baig T., Decressin J., Faulkner-MacDonagh C., Feyziogùlu T. (2003), Deflation: determinants, risks, and policy options, „Occasional Paper”, 221, International Monetary Fund. Kuttner K., Robinson T. (2010), Understanding the flattening Phillips curve, „The North American Journal of Economics and Finance”, 21(2), pp. 110–125. Lovell M. C. (1986), Tests of the rational expectations hypothesis, „American Economic Review”, 76(1), pp. 110–124. Łyziak T. (2013), Formation of inflation expectations by different economic agents. The case of Poland, „Eastern European Economics”, 51(6), pp. 5–33. Łyziak T., Paloviita M. (2016), Anchoring of inflation expectations in the euro area: recent evidence based on survey data, “ECB Working Papers, European Central Bank”, forthcoming. Mavroeidis S., Plagborg-Møller M., Stock J. H. (2014), Empirical evidence on inflation expectations in the New Keynesian Phillips Curve, „Journal of Economic Literature”, 52(1), pp. 124–188. Nason J. M., Smith G. W. (2008), The New Keynesian Phillips Curve: lessons from single-equation econometric estimation, „Economic Quarterly”, 94(4), pp. 361–395. NBP (2014), Inflation Report. November 2014, Narodowy Bank Polski. Oinonen S., Paloviita M. (2014), Updating the euro area Phillips curve: the slope has increased, “Bank of Finland Research Discussion Papers”, 31, Bank of Finland. Paloviita M. (2005), The role of expectations in euro area inflation dynamics, „Bank of Finland Studies”, E: 32. Paloviita M. (2008), Comparing alternative Phillips curve specifications: European results with survey-based expectations, „Applied Economics”, 40, pp. 2259–2270. Riggi M., Venditti F. (2015), Failing to forecast low inflation and Phillips curve instability: a euro-area perspective, „International Finance”, 18(1), pp. 47–67. Roberts J. M. (1997), Is inflation sticky?, „Journal of Monetary Economics”, 39(2), pp. 173–196. Rotemberg J., Woodford M. (1999), Cyclical behavior of prices and costs, „NBER Working Papers”, 6909, National Bureau of Economic Research. Sbordone A.M. (2002), Prices and unit labor costs: a new test of price stickiness, „Journal of Monetary Economics”, 49(2), 265–292. Svensson L.E. O. (2013), The possible unemployment cost of average inflation below a credible target, „NBER Working Papers”, 19442. Sznajderska A. (2014), Asymmetric effects in the Polish monetary policy rule, „Economic Modelling”, 36(C), pp. 547–556.

0.619

0.459

0.369

–0.140

0.671

0.524

0.691

0.575

0.224

0.004

0.611

0.491

1141

1142

1151

1152

1211

1212

1221

1222

1231

1232

1241

1242

0.568

1122

0.194

0.719

1121

–0.138

0.521

1112

1132

0.717

1111

1131

c1

Model i_k_m_h

0.001

0.000

0.978

0.085

0.000

0.000

0.000

0.000

0.349

0.033

0.001

0.000

0.313

0.148

0.000

0.000

0.000

0.000

c1-prob

0.418

0.316

0.858

0.697

0.328

0.226

0.395

0.258

0.635

0.350

0.482

0.333

1.051

0.745

0.372

0.225

0.434

0.235

c2

0.002

0.012

0.000

0.000

0.006

0.041

0.004

0.038

0.000

0.002

0.001

0.017

0.000

0.000

0.004

0.061

0.003

0.079

c2-prob

0.415

0.240

0.568

0.232

0.453

0.259

0.498

0.265

0.755

0.315

0.580

0.323

0.795

0.317

0.604

0.323

0.665

0.314

c3

0.013

0.013

0.001

0.002

0.011

0.018

0.007

0.019

0.000

0.018

0.007

0.020

0.000

0.028

0.011

0.041

0.009

0.053

c3-prob

0.078

0.029

0.121

0.040

0.076

0.028

0.082

0.027

0.148

0.041

0.084

0.041

0.132

0.047

0.079

0.040

0.086

0.040

c4

0.059

0.000

0.007

0.000

0.073

0.001

0.057

0.001

0.000

0.001

0.033

0.000

0.001

0.000

0.053

0.001

0.046

0.001

c4-prob

8.485

8.803

7.471

7.173

8.409

8.633

8.698

8.777

9.280

8.162

8.944

8.760

7.679

6.904

8.729

8.598

9.091

8.725

J-stat

Table 3. Estimation results of the HNKPC, 2003–2015

ANNEX

0.486

0.456

0.588

0.619

0.494

0.472

0.466

0.458

0.412

0.518

0.442

0.460

0.567

0.647

0.463

0.475

0.429

0.463

J-prob

0.528

0.506

0.693

0.653

0.486

0.467

0.495

0.466

0.669

0.554

0.536

0.494

0.683

0.637

0.485

0.446

0.491

0.441

R2adj

0.134

0.131

0.284

0.085

0.120

0.103

0.212

0.181

0.000

0.000

0.267

0.354

0.698

0.221

0.268

0.302

0.436

0.400

Dyn. hom. F-prob.

186 Tomasz Łyziak

0.381

–0.035

0.699

0.637

0.724

0.691

0.330

0.108

0.625

0.578

0.362

–0.009

0.703

0.623

0.727

0.674

0.338

0.074

0.641

0.572

0.422

0.011

0.784

1251

1252

1311

1312

1321

1322

1331

1332

1341

1342

1351

1352

1411

1412

1421

1422

1431

1432

1441

1442

1451

1452

1511

0.000

0.953

0.033

0.000

0.000

0.618

0.051

0.000

0.000

0.000

0.000

0.962

0.081

0.000

0.000

0.470

0.053

0.000

0.000

0.000

0.000

0.817

0.026

0.126

0.552

0.287

0.345

0.253

0.877

0.555

0.238

0.163

0.307

0.192

0.581

0.331

0.365

0.282

0.876

0.591

0.247

0.175

0.321

0.207

0.553

0.324

0.183

0.000

0.025

0.019

0.059

0.000

0.005

0.050

0.128

0.027

0.121

0.000

0.015

0.015

0.058

0.000

0.003

0.045

0.140

0.023

0.142

0.000

0.002

0.869

0.581

0.392

0.515

0.391

0.502

0.372

0.513

0.385

0.570

0.402

0.668

0.513

0.562

0.497

0.521

0.408

0.560

0.487

0.631

0.510

0.535

0.219

0.020

0.000

0.005

0.000

0.002

0.000

0.026

0.001

0.003

0.000

0.004

0.000

0.003

0.001

0.001

0.002

0.037

0.001

0.001

0.001

0.002

0.000

0.030

0.050

0.076

0.050

0.057

0.054

0.054

0.042

0.051

0.053

0.056

0.053

0.078

0.053

0.059

0.055

0.049

0.045

0.051

0.054

0.057

0.054

0.132

0.026

0.005

0.000

0.000

0.059

0.000

0.087

0.000

0.096

0.000

0.084

0.000

0.001

0.000

0.064

0.000

0.072

0.000

0.123

0.001

0.105

0.001

0.000

0.002

5.943

9.731

7.619

9.188

7.454

8.458

8.709

8.950

7.454

9.110

7.388

9.846

7.750

9.247

7.700

8.456

9.311

9.024

7.751

9.183

7.716

9.397

8.458

0.746

0.373

0.573

0.420

0.590

0.489

0.465

0.442

0.590

0.427

0.597

0.363

0.559

0.415

0.565

0.489

0.409

0.435

0.559

0.421

0.563

0.401

0.489

0.438

0.623

0.531

0.493

0.464

0.615

0.618

0.443

0.423

0.455

0.427

0.624

0.537

0.489

0.467

0.613

0.618

0.434

0.422

0.447

0.427

0.668

0.567

0.076

0.000

0.001

0.118

0.045

0.461

0.068

0.113

0.042

0.232

0.077

0.001

0.001

0.316

0.097

0.744

0.136

0.289

0.084

0.513

0.139

0.000

0.000

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 187

0.682

0.207

–0.064

0.588

0.565

1622

1631

1632

1641

1642

0.530

0.697

1621

2122

0.599

1612

0.677

0.649

1611

0.420

0.457

1552

2121

0.554

1551

2112

0.737

1542

0.641

0.747

1541

2111

0.413

1532

0.274

0.502

1531

–0.013

0.788

1522

1652

0.799

1521

1651

0.776

1512

Table 3 (cont.)

0.000

0.000

0.000

0.000

0.941

0.087

0.000

0.000

0.663

0.116

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.001

0.000

0.000

0.000

0.000

0.260

0.167

0.340

0.191

0.577

0.389

0.352

0.327

0.991

0.735

0.233

0.202

0.342

0.265

0.293

0.222

0.175

0.164

0.526

0.420

0.123

0.103

0.144

0.000

0.009

0.000

0.014

0.000

0.000

0.054

0.036

0.000

0.000

0.129

0.139

0.065

0.106

0.001

0.010

0.052

0.121

0.000

0.001

0.092

0.220

0.076

0.387

0.198

0.432

0.203

0.697

0.260

0.890

0.541

0.958

0.301

0.852

0.553

0.982

0.600

0.772

0.801

0.698

0.819

0.825

0.735

0.701

0.831

0.762

0.002

0.033

0.001

0.027

0.004

0.217

0.007

0.014

0.000

0.130

0.016

0.025

0.010

0.019

0.031

0.012

0.100

0.023

0.031

0.032

0.107

0.024

0.093

0.070

0.026

0.078

0.025

0.102

0.027

0.062

0.030

0.103

0.038

0.053

0.030

0.063

0.029

0.050

0.049

0.036

0.050

0.041

0.055

0.033

0.051

0.035

0.005

0.001

0.003

0.000

0.001

0.006

0.048

0.003

0.001

0.000

0.127

0.011

0.082

0.013

0.028

0.005

0.229

0.004

0.138

0.001

0.294

0.004

0.274

6.953

7.020

6.203

6.925

9.879

9.618

9.894

9.463

10.127

9.515

9.713

9.382

9.843

9.307

8.181

5.940

6.529

5.878

7.365

5.938

6.497

5.944

6.522

0.642

0.635

0.719

0.645

0.360

0.382

0.359

0.396

0.340

0.391

0.374

0.403

0.363

0.409

0.516

0.746

0.686

0.752

0.599

0.746

0.689

0.746

0.687

0.474

0.399

0.492

0.414

0.564

0.536

0.444

0.462

0.622

0.616

0.384

0.410

0.397

0.413

0.545

0.533

0.418

0.462

0.568

0.573

0.388

0.430

0.393

0.000

0.000

0.000

0.000

0.000

0.000

0.142

0.092

0.957

0.168

0.116

0.054

0.314

0.136

0.000

0.000

0.132

0.063

0.275

0.071

0.126

0.046

0.179

188 Tomasz Łyziak

0.643

0.490

0.693

0.568

0.544

0.379

0.649

2311

2312

2321

2322

2331

2332

2341

0.465

2231

–0.032

0.523

2222

2252

0.651

2221

0.304

0.416

2212

2251

0.609

2211

0.439

0.017

2152

2242

0.357

2151

0.257

0.481

2142

0.594

0.630

2141

2232

0.395

2132

2241

0.562

2131

0.000

0.004

0.001

0.000

0.000

0.000

0.000

0.843

0.055

0.000

0.000

0.026

0.000

0.000

0.000

0.000

0.000

0.900

0.049

0.000

0.000

0.000

0.000

0.197

0.369

0.273

0.224

0.165

0.283

0.204

0.368

0.254

0.283

0.222

0.367

0.313

0.225

0.179

0.302

0.210

0.359

0.233

0.290

0.199

0.321

0.256

0.026

0.000

0.009

0.008

0.054

0.002

0.037

0.000

0.000

0.001

0.001

0.000

0.001

0.001

0.004

0.000

0.004

0.000

0.002

0.000

0.004

0.000

0.002

0.212

0.132

0.097

0.292

0.249

0.345

0.270

0.166

0.069

0.385

0.123

0.535

0.083

0.383

0.155

0.440

0.162

0.213

0.090

0.325

0.153

0.285

0.068

0.030

0.178

0.215

0.016

0.022

0.007

0.021

0.048

0.174

0.000

0.019

0.000

0.131

0.000

0.007

0.000

0.005

0.050

0.186

0.004

0.063

0.032

0.393

0.036

0.046

0.032

0.047

0.035

0.052

0.035

0.047

0.027

0.123

0.026

0.187

0.035

0.107

0.025

0.123

0.024

0.039

0.027

0.068

0.027

0.066

0.031

0.000

0.032

0.000

0.046

0.001

0.039

0.001

0.021

0.000

0.002

0.000

0.000

0.000

0.003

0.000

0.002

0.000

0.025

0.000

0.004

0.000

0.020

0.000

5.817

6.899

6.499

8.460

5.989

7.815

6.086

6.002

6.402

7.835

7.799

7.722

5.896

7.805

8.118

7.658

7.829

5.939

5.793

6.860

6.915

9.072

6.066

0.758

0.648

0.689

0.489

0.741

0.553

0.731

0.740

0.699

0.551

0.555

0.562

0.750

0.554

0.522

0.569

0.551

0.746

0.760

0.652

0.646

0.431

0.733

0.340

0.519

0.449

0.392

0.298

0.404

0.326

0.638

0.566

0.481

0.469

0.249

0.478

0.477

0.433

0.480

0.452

0.641

0.555

0.524

0.438

0.578

0.456

0.003

0.000

0.003

0.003

0.005

0.001

0.004

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 189

0.476

0.449

0.071

0.604

0.475

0.658

0.555

0.496

0.395

0.608

0.468

0.377

0.054

0.867

0.755

0.875

0.794

0.838

0.635

0.849

0.721

0.719

0.208

2342

2351

2352

2411

2412

2421

2422

2431

2432

2441

2442

2451

2452

2511

2512

2521

2522

2531

2532

2541

2542

2551

2552

Table 3 (cont.)

0.296

0.007

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.691

0.287

0.086

0.155

0.066

0.205

0.069

0.110

0.046

0.134

0.054

0.346

0.284

0.225

0.001

0.213

0.360

0.300

0.224

0.177

0.279

0.217

0.336

0.202

0.287

0.081

0.000

0.001

0.003

0.000

0.000

0.000

0.000

0.639

0.033

0.001

0.001

0.416

0.053

0.376

0.052

0.611

0.086

0.443

0.045

0.413

0.000

0.011

0.001

0.016

0.000

0.008

0.007

0.034

0.002

0.027

0.000

0.019

0.001

0.378

0.645

0.530

0.689

0.586

0.740

0.573

0.708

0.561

0.715

0.136

0.110

0.216

0.154

0.099

0.064

0.239

0.181

0.283

0.204

0.183

0.175

0.267

0.095

0.005

0.025

0.005

0.013

0.000

0.016

0.004

0.012

0.003

0.044

0.197

0.024

0.083

0.336

0.454

0.024

0.068

0.011

0.057

0.034

0.041

0.013

0.005

0.031

–0.004

0.033

–0.004

0.032

–0.007

0.034

0.008

0.033

0.041

0.028

0.046

0.031

0.038

0.027

0.041

0.031

0.046

0.030

0.025

0.034

0.053

0.726

0.000

0.799

0.002

0.772

0.001

0.613

0.002

0.623

0.002

0.081

0.000

0.034

0.000

0.072

0.000

0.064

0.000

0.050

0.000

0.050

0.000

0.025

5.800

5.110

6.151

3.476

6.229

4.550

6.542

3.410

6.324

3.480

6.678

6.607

7.630

6.586

6.885

7.284

8.356

6.825

7.685

6.835

7.428

6.073

7.695

0.760

0.825

0.725

0.942

0.717

0.872

0.685

0.946

0.707

0.942

0.671

0.678

0.572

0.680

0.649

0.608

0.499

0.655

0.566

0.654

0.593

0.733

0.565

0.584

0.401

0.402

0.310

0.436

0.328

0.355

0.282

0.392

0.293

0.610

0.525

0.466

0.403

0.529

0.507

0.407

0.355

0.420

0.383

0.603

0.448

0.451

0.000

0.198

0.045

0.050

0.009

0.145

0.091

0.056

0.058

0.054

0.000

0.003

0.000

0.000

0.000

0.002

0.001

0.000

0.000

0.000

0.000

0.007

0.001

190 Tomasz Łyziak

0.500

2641

0.219

0.534

0.013

0.001

0.043

0.100

0.002

0.000

0.055

0.007

0.423

0.424

0.388

0.280

0.469

0.478

0.331

0.225

0.440

0.306

0.000

0.000

0.000

0.009

0.000

0.000

0.002

0.035

0.000

0.022

0.307

0.420

0.587

0.197

0.423

0.409

0.640

0.237

0.811

0.350

0.014

0.051

0.002

0.245

0.017

0.032

0.005

0.241

0.001

0.126

0.035

–0.028

0.033

0.023

0.046

–0.019

0.031

0.020

0.042

0.019

0.006

0.097

0.030

0.000

0.099

0.181

0.042

0.000

0.009

0.002

8.461

8.054

9.168

8.608

8.579

6.356

9.699

8.972

9.501

9.060

0.488

0.529

0.422

0.474

0.477

0.704

0.375

0.440

0.392

0.432

0.596

0.362

0.478

0.471

0.560

0.373

0.376

0.399

0.379

0.422

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

Source: own calculations.

Notes: Table presents GMM estimates of the HNKPC models. The sample period is 2003Q1–2015Q3. The set of instruments contains pre-determined variables, i.e. three lags of the measures of inflation, economic slack and imported inflation used in each of the specifications.

–0.169

0.193

2632

2652

0.216

2631

0.307

0.392

2622

–0.127

0.573

2621

2651

0.247

2612

2642

0.469

2611

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 191

0.296

0.230

0.091

1242

1251

0.372

1211

0.007

–0.057

1152

1241

0.114

1151

1232

0.247

1142

0.261

0.306

1141

1231

–0.001

1132

0.308

0.271

1131

1222

0.226

1122

0.223

0.414

1121

0.411

0.012

1112

1212

0.346

1111

1221

c1

Model i_k_m_h

0.453

0.087

0.000

0.953

0.013

0.006

0.000

0.001

0.000

0.665

0.347

0.007

0.001

0.992

0.012

0.055

0.000

0.911

0.000

c1-prob

0.567

0.796

0.757

0.884

0.748

0.712

0.634

0.865

0.719

0.647

0.562

0.838

0.778

0.995

0.754

0.876

0.678

1.216

0.803

c2

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

c2-prob

0.176

0.461

0.255

0.879

0.216

0.599

0.366

0.730

0.402

0.805

0.349

0.792

0.404

0.748

0.369

0.963

0.564

1.230

0.646

c3

0.095

0.002

0.003

0.000

0.001

0.000

0.000

0.000

0.000

0.000

0.007

0.000

0.001

0.000

0.005

0.000

0.000

0.000

0.000

c3-prob

0.021

0.076

0.028

0.265

0.036

0.076

0.024

0.139

0.025

0.202

0.035

0.149

0.037

0.125

0.043

0.096

0.035

0.133

0.035

c4

0.006

0.023

0.001

0.000

0.000

0.030

0.005

0.001

0.001

0.000

0.001

0.003

0.000

0.000

0.002

0.014

0.000

0.001

0.000

c4-prob

7.430

6.678

7.241

6.111

6.808

6.384

6.651

6.769

6.705

6.459

7.096

7.201

7.178

7.744

7.289

7.165

6.530

7.384

6.536

J-stat

Table 4. Estimation results of the HNKPC, 2003–2012

0.592

0.671

0.612

0.729

0.657

0.701

0.673

0.661

0.668

0.693

0.627

0.616

0.619

0.560

0.607

0.620

0.686

0.597

0.685

J-prob

0.478

0.456

0.460

0.420

0.549

0.392

0.386

0.500

0.422

0.389

0.467

0.447

0.458

0.599

0.531

0.436

0.397

0.516

0.433

R2adj

0.000

0.678

0.161

0.452

0.803

0.781

0.294

0.124

0.102

0.001

0.000

0.190

0.025

0.962

0.584

0.338

0.021

0.131

0.037

Dyn. hom. F-prob.

192 Tomasz Łyziak

0.015

0.275

0.203

–0.020

–0.194

0.552

0.547

1432

1441

1442

1451

1452

1511

1512

–0.190

1352

0.102

–0.090

1351

1431

0.256

1342

0.367

0.322

1341

1422

0.078

1332

0.395

0.183

1331

1421

0.440

1322

0.233

0.458

1321

0.169

0.274

1312

1411

0.300

1311

1412

–0.118

1252

0.000

0.000

0.241

0.920

0.077

0.009

0.912

0.512

0.000

0.000

0.119

0.021

0.249

0.679

0.077

0.002

0.558

0.206

0.000

0.000

0.022

0.002

0.407

0.537

0.483

0.764

0.628

0.840

0.757

0.984

0.947

0.664

0.621

0.983

0.884

0.768

0.692

0.822

0.743

0.954

0.851

0.626

0.597

0.908

0.864

0.647

0.001

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.820

0.868

0.298

0.567

0.631

0.631

0.471

0.255

0.751

0.778

0.843

0.854

0.352

0.702

0.570

0.643

0.506

0.428

0.754

0.798

0.851

0.901

0.604

0.034

0.001

0.124

0.001

0.000

0.000

0.002

0.086

0.000

0.000

0.000

0.000

0.081

0.002

0.003

0.000

0.001

0.035

0.000

0.000

0.000

0.000

0.000

0.007

0.032

0.115

0.042

0.077

0.041

0.069

0.038

0.068

0.040

0.039

0.039

0.118

0.047

0.036

0.042

0.102

0.041

0.063

0.041

0.035

0.042

0.183

0.796

0.014

0.000

0.000

0.015

0.000

0.010

0.000

0.050

0.000

0.098

0.000

0.000

0.000

0.084

0.000

0.003

0.000

0.026

0.000

0.071

0.000

0.000

6.759

8.014

7.337

6.675

8.191

7.918

7.828

7.267

8.384

8.230

8.066

7.742

7.297

6.379

7.705

8.346

7.350

7.988

8.287

8.604

7.942

8.305

6.752

0.662

0.533

0.602

0.671

0.515

0.542

0.552

0.609

0.496

0.511

0.528

0.560

0.606

0.702

0.564

0.500

0.601

0.535

0.506

0.475

0.540

0.504

0.663

0.130

0.284

0.319

0.475

0.369

0.454

0.442

0.522

0.290

0.392

0.369

0.452

0.320

0.449

0.372

0.454

0.429

0.535

0.287

0.389

0.362

0.456

0.474

0.310

0.466

0.039

0.006

0.432

0.484

0.983

0.764

0.641

0.781

0.894

0.357

0.047

0.033

0.207

0.134

0.777

0.489

0.342

0.302

0.473

0.286

0.001

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 193

0.603

0.592

0.376

0.170

0.444

0.315

0.232

–0.090

0.097

0.071

–0.070

–0.092

–0.186

–0.157

0.059

–0.176

–0.128

–0.458

0.709

0.511

0.736

0.679

0.668

1521

1522

1531

1532

1541

1542

1551

1552

1611

1612

1621

1622

1631

1632

1641

1642

1651

1652

2111

2112

2121

2122

2131

Table 4 (cont.)

0.000

0.000

0.000

0.001

0.000

0.000

0.408

0.248

0.571

0.262

0.109

0.579

0.589

0.626

0.348

0.530

0.058

0.002

0.000

0.107

0.000

0.000

0.000

0.202

0.199

0.185

0.357

0.216

0.913

0.721

1.280

1.020

1.187

1.134

1.212

1.139

1.142

1.099

0.697

0.466

0.707

0.582

0.789

0.617

0.445

0.396

0.001

0.009

0.001

0.000

0.001

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.004

0.000

0.149

0.539

0.236

0.452

0.238

0.385

0.035

1.235

0.719

0.740

0.857

1.951

1.271

1.250

1.069

0.627

0.884

0.910

0.638

1.212

0.717

0.693

0.768

0.021

0.000

0.002

0.007

0.001

0.139

0.898

0.000

0.018

0.001

0.002

0.000

0.002

0.001

0.001

0.022

0.000

0.012

0.015

0.001

0.001

0.103

0.007

0.028

0.108

0.024

0.043

0.025

0.114

0.017

0.099

0.016

0.086

0.034

0.121

0.028

0.050

0.014

0.066

0.037

0.060

0.036

0.105

0.040

0.003

0.033

0.001

0.001

0.002

0.070

0.002

0.000

0.065

0.000

0.157

0.036

0.000

0.001

0.000

0.141

0.131

0.002

0.001

0.153

0.001

0.020

0.000

0.894

0.016

7.152

7.530

7.890

7.891

7.858

7.488

8.314

7.532

7.997

7.465

6.708

7.305

6.687

8.318

8.080

7.171

7.972

7.031

7.738

5.961

7.764

6.744

8.174

0.621

0.582

0.545

0.545

0.549

0.586

0.503

0.582

0.534

0.589

0.667

0.605

0.670

0.502

0.526

0.619

0.537

0.634

0.561

0.744

0.558

0.664

0.517

0.431

0.310

0.369

0.461

0.390

0.421

0.427

0.347

0.356

0.413

0.443

0.144

0.063

0.257

0.276

0.483

0.445

0.353

0.362

0.452

0.473

0.095

0.249

0.000

0.008

0.038

0.074

0.054

0.252

0.024

0.101

0.889

0.578

0.406

0.327

0.501

0.438

0.578

0.010

0.000

0.713

0.541

0.446

0.853

0.618

0.977

194 Tomasz Łyziak

0.712

0.772

0.763

0.704

0.659

0.728

0.706

2312

2321

2322

2331

2332

2341

2342

0.444

2232

0.729

0.625

2231

2311

0.581

2222

–0.003

0.598

2221

2252

0.501

2212

0.366

0.681

2211

2251

0.266

2152

0.649

0.522

2151

0.531

0.644

2142

2241

0.688

2141

2242

0.588

2132

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.982

0.003

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.036

0.000

0.000

0.000

0.000

0.195

0.185

0.204

0.188

0.160

0.158

0.208

0.205

0.348

0.247

0.253

0.238

0.269

0.225

0.224

0.272

0.294

0.228

0.273

0.187

0.216

0.214

0.226

0.005

0.009

0.002

0.012

0.020

0.035

0.006

0.014

0.000

0.000

0.002

0.001

0.000

0.001

0.002

0.000

0.001

0.004

0.000

0.001

0.006

0.000

0.003

0.313

0.296

0.249

0.223

0.350

0.336

0.374

0.348

0.339

0.072

0.362

0.089

0.429

0.082

0.385

0.174

0.422

0.131

0.534

0.132

0.483

0.179

0.484

0.007

0.000

0.026

0.004

0.005

0.000

0.003

0.000

0.000

0.152

0.000

0.067

0.000

0.094

0.000

0.000

0.000

0.010

0.000

0.053

0.001

0.011

0.000

0.040

0.026

0.042

0.025

0.037

0.025

0.040

0.026

0.112

0.014

0.106

0.017

0.132

0.022

0.099

0.014

0.109

0.016

0.137

0.023

0.107

0.025

0.113

0.036

0.000

0.027

0.000

0.060

0.000

0.043

0.000

0.000

0.000

0.001

0.000

0.000

0.000

0.001

0.000

0.000

0.000

0.001

0.001

0.001

0.001

0.001

7.822

7.477

7.647

7.009

8.152

7.883

7.698

7.159

5.044

7.792

7.162

8.194

7.718

7.557

7.256

8.094

7.211

8.252

6.391

7.873

7.499

7.934

8.179

0.552

0.588

0.570

0.636

0.519

0.546

0.565

0.621

0.830

0.555

0.620

0.515

0.563

0.579

0.610

0.525

0.615

0.509

0.700

0.547

0.585

0.541

0.516

0.354

0.391

0.403

0.432

0.310

0.358

0.343

0.388

0.573

0.585

0.437

0.451

0.454

0.494

0.424

0.437

0.454

0.433

0.391

0.510

0.343

0.408

0.399

0.136

0.028

0.041

0.035

0.234

0.095

0.220

0.109

0.000

0.000

0.000

0.002

0.000

0.000

0.000

0.000

0.000

0.029

0.000

0.000

0.003

0.004

0.000

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 195

0.542

0.294

0.659

0.648

0.697

0.704

0.626

0.586

0.668

0.650

0.499

0.304

0.826

0.644

0.693

0.686

0.599

0.610

0.626

0.642

0.525

0.177

0.310

2351

2352

2411

2412

2421

2422

2431

2432

2441

2442

2451

2452

2511

2512

2521

2522

2531

2532

2541

2542

2551

2552

2611

Table 4 (cont.)

0.034

0.297

0.001

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.029

0.001

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.032

0.001

0.507

0.337

0.179

0.237

0.260

0.220

0.245

0.215

0.217

0.263

0.094

0.263

0.185

0.212

0.210

0.235

0.227

0.179

0.195

0.231

0.238

0.271

0.180

0.000

0.000

0.009

0.007

0.002

0.010

0.001

0.017

0.005

0.011

0.352

0.000

0.001

0.004

0.002

0.001

0.002

0.016

0.012

0.004

0.005

0.000

0.004

0.619

0.024

0.400

0.375

0.189

0.396

0.185

0.462

0.313

0.473

0.561

0.228

0.239

0.287

0.275

0.231

0.202

0.324

0.321

0.340

0.330

0.229

0.250

0.010

0.877

0.026

0.136

0.153

0.136

0.115

0.070

0.014

0.050

0.011

0.007

0.001

0.003

0.000

0.010

0.005

0.002

0.000

0.002

0.000

0.029

0.001

0.012

0.018

0.016

0.035

0.016

0.040

0.017

0.032

0.016

0.036

0.018

0.023

0.022

0.037

0.023

0.041

0.022

0.034

0.022

0.037

0.023

0.055

0.025

0.061

0.065

0.001

0.094

0.005

0.074

0.003

0.163

0.005

0.091

0.009

0.048

0.000

0.019

0.000

0.012

0.000

0.037

0.000

0.029

0.000

0.038

0.000

7.525

6.585

7.248

6.957

7.837

7.041

7.143

7.161

7.961

6.894

7.545

7.274

6.633

7.502

7.124

7.019

6.845

7.740

7.464

7.322

6.819

7.397

6.871

0.583

0.680

0.611

0.642

0.551

0.633

0.622

0.620

0.538

0.648

0.581

0.609

0.675

0.585

0.624

0.635

0.653

0.561

0.589

0.604

0.656

0.596

0.651

0.464

0.581

0.528

0.357

0.421

0.411

0.480

0.296

0.353

0.332

0.346

0.567

0.532

0.381

0.431

0.436

0.487

0.339

0.405

0.374

0.434

0.543

0.502

0.001

0.000

0.001

0.046

0.011

0.006

0.004

0.101

0.058

0.112

0.065

0.000

0.001

0.043

0.008

0.009

0.014

0.074

0.026

0.067

0.032

0.000

0.005

196 Tomasz Ĺ yziak

0.397

0.232

0.296

0.202

0.392

0.227

0.068

–0.165

2621

2622

2631

2632

2641

2642

2651

2652

0.262

0.534

0.014

0.006

0.041

0.015

0.025

0.010

0.646

0.424

0.362

0.477

0.399

0.460

0.411

0.505

0.411

0.711

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.001

0.000

0.482

0.394

0.897

0.418

0.728

0.283

0.915

0.580

0.854

0.001

0.020

0.000

0.025

0.000

0.027

0.000

0.013

0.000

0.064

–0.010

0.044

0.014

0.046

0.021

0.059

0.011

0.024

0.027

0.347

0.003

0.006

0.001

0.000

0.065

0.114

0.058

6.398

7.368

7.581

7.603

7.409

7.189

7.096

7.443

7.768

0.699

0.599

0.577

0.575

0.595

0.617

0.627

0.591

0.558

0.525

0.529

0.459

0.488

0.567

0.571

0.289

0.396

0.384

0.000

0.000

0.000

0.000

0.000

0.000

0.000

0.003

0.001

Source: own calculations.

Notes: Table presents GMM estimates of the HNKPC models. The sample period is 2003Q1–2015Q3. The set of instruments contains pre-determined variables, i.e. three lags of the measures of inflation, economic slack and imported inflation used in each of the specifications.

0.047

2612

THE PHILLIPS CURVE IS STILL ALIVE. INTERPRETATION OF LOW INFLATION EPISODE… 197

198

Tomasz Łyziak

UŻYTECZNOŚĆ KRZYWEJ PHILLIPSA W INTERPRETACJI OKRESU NISKIEJ INFLACJI W POLSCE STRESZCZENIE Deflacja w Polsce, podobnie jak niska inflacja w gospodarkach rozwiniętych, zwłaszcza w strefie euro, wydaje się zaskakująco długotrwała. W niniejszym artykule podjęto próbę sprawdzenia, na ile wersje tradycyjna i hybrydowa nowokeynesistowskiej krzywej Phillipsa (NKPC, HNKPC) są użyteczne w analizie przebiegu procesów inflacyjnych w Polsce, zwłaszcza w ostatnim okresie. W celu uodpornienia wniosków z przeprowadzanego badania, estymując nowokeynesistowską krzywą Phillipsa, wzięto pod uwagę różne zmienne reprezentujące: inflację, oczekiwania inflacyjne, presję popytową oraz inflację importowaną. Z wyników analizy wynika, że ostatnia dezinflacja w Polsce, rozpoczęta w 2012 r. i skutkująca przedłużającym się okresem deflacji, była spowodowana nie tylko spadkiem cen surowców, ale również czynnikami popytowymi i obniżonymi oczekiwaniami inflacyjnymi. Pokazano, że w celu dobrego wyjaśnienia okresu dezinflacji z wykorzystaniem HNKPC w estymacji tej zależności należy wykorzystać specyficzny zestaw zmiennych objaśniających. Powinien on zawierać ankietowe miary oczekiwań inflacyjnych podmiotów gospodarczych (przede wszystkim przedsiębiorstw), przekształconą miarę luki popytowej uwzględniającą jej silniejszy wpływ na inflację w okresach dobrej koniunktury lub odchylenie tempa wzrostu realnego PKB od swej średniej, jak również lukę realnego efektywnego kursu walutowego. Analizując stabilność krzywej Phillipsa estymowanej w kategoriach inflacji bazowej, dostrzegamy przesłanki świadczące o jej spłaszczeniu w ostatnich latach. Jednocześnie modele, w których zmienną objaśnianą jest inflacja CPI, pokazują raczej wypiętrzenie krzywej Phillipsa. Obie grupy modeli wskazują jednak zgodnie, że w ostatnich latach wpływ oczekiwań inflacyjnych na inflację uległ osłabieniu. Słowa kluczowe: inflacja, deflacja, hybrydowa nowokeynesistowska krzywa Phillipsa, Polska. JEL Classification: E31, E37

STUDIA EKONOMICZNE 1 ECONOMIC STUDIES NR 2 (LXXXIX) 2016

Wiktor Patena*, Barbara Błaszczyk**

POST-PRIVATIZATION CORPORATE PERFORMANCE: EVIDENCE FROM COMPANIES PRIVATIZED IN POLAND IN 2008–20111 (Artykuł nadesłany: 20.03.2016; Zaakceptowany: 12.05.2016)

The work was supported by Narodowe Centrum Nauki (National Science Centre, Poland) under grant number DEC–2012/05/B/HS4/03546

ABSTRACT Our study concerns the effects of Polish privatization program conducted in the years 2008–2011. After drawing a broad picture of this process, we investigate the performance of 59 companies from the sample of 458 enterprises that completed the privatization process under this program. We hypothesize that privatization increases a company’s profitability, labor productivity, capital investment, plow-back ratio and leverage. The findings of our study are partly ambiguous (with four hypotheses confirmed and four rejected). Profitability did not improve visibly, although a number of positive initiatives and improvements in performance occurred (such as cost reduction, improvement of operational efficiency, higher investments, improvement of plow-back ratio and changes in capital structure). Our findings suggest that privatization works, though its full effects need time to occur. Keywords: privatization, companies’ performance, state owned enterprises. JEL Classification: G38, H27, L3 *

Higher Colleges of Technology, United Arab Emirates; wiktor.patena@gmail.com Institute of Economics, Polish Academy of Sciences; blaszczyk@case-research.eu 1 The first, broader version of this paper was presented at the First World Congress of Comparative Economics in Rome, 25–27 June 2015 and has been published in “CASE Working Paper” No. 1 (125)2015. The authors would like to thank for comments and discussion. **

200

Wiktor Patena, Barbara Błaszczyk

INTRODUCTION The aim of our research is to study the impact of privatization on the performance of companies privatized during 2008–2011. The goal of this government program was to complete the privatization process after many years of slowing down and almost fading away of the process. A relatively large group of 802 state owned enterprises was included into the plan and 458 of them completed2 the process until the end of 2011. The main part of the paper focuses on the quantitative analysis of outcomes of privatization, specifically on microeconomic objectives that were to be achieved through privatization. We decided to study the performance of 59 companies that completed privatization under the program , in their pre- and post-privatization period. The chosen time span for each enterprise was three consecutive years before and after privatization. The performance of companies was measured via eight indicators in five areas: profitability, operating performance, CAPEX investments, reinvestment, and leverage. We hypothesized that privatized firms exhibited significant improvements in the profitability ratios relative to the period before privatization. We hypothesized that other ratios were also improved: operational efficiency was higher (measured as revenues versus payrolls), companies started investing into CAPEX, the plow-back ratio was improved, and capital structure was changed. The rest of the paper is structured as follows: section one introduces the historical and political context for the investigated privatization program, section two provides the background for our research, section three describes sample selection methods, section four – methodology of our research, section five provides findings, and finally section six brings conclusions from the research and details references.

1. HISTORICAL AND POLITICAL CONTEXT Decisions behind privatization in Poland were justified both politically and economically. Together with the stabilization and liberalization of the economy, privatization was one of the underpinning principles of the reform program launched by the first Polish government after the fall of communism at the end of 1989. This government made creating an economy based on private ownership one of its top priorities. Thus, privatization was seen as instrumental in increasing the efficiency of enterprises and, at the same time, bringing the ownership structure of the economy into line with market economy norms. There was a strong conviction among reformers that state-owned enterprises (SOE) were permanently ineffective and that it was quite impossible to create an effective corporate governance system for SOEs, to be carried out by the government, especially in such 2 Completing privatization means here the transfer of more than 50 percent of shares to private hands.

POST-PRIVATIZATION CORPORATE PERFORMANCE:EVIDENCE FROM COMPANIES…

201

a large state sector as then existed (Blaszczyk, 1993, p. 11). In accordance with such considerations, the privatization goals were seen first of all as systemic (change of the political and economic order) and economic (improvement of the economic efficiency at all levels). Additionally, the difficult budgetary and financial situation of the country at that time made another goal of privatization self-evident, i.e. the role of the immediate fiscal benefits from privatization for the state budget. With few years’ time, the two prevailing (and sometimes competing) goals for privatization became dominant: economic improvement at the enterprise level and budgetary revenues. Thus, the assessment of privatization effects refers in most cases to the level of achievement of the two goals . Our study focuses mainly on the microeconomic effects of privatization at a chosen time but information on the dynamics of budgetary revenues3 from privatization given below may supplement this picture. Figure 1. Revenues from privatization in 1990–2013 (PLN bn – PLN/EUR 4.1573 on 31.12.2013) 30 25 20 15 10

0

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013

5

privatisation

dividends

Source: own calculations based on the Ministry of Treasury reports.

The prevailing approach in Polish privatization was characterized by the following principles: to apply a multi-track approach (concerning privatization methods and “paths”), to try to find and choose the best possible private owners for the different types of enterprises being privatized and to seek to achieve the acceptance of employees and managers for privatization of their companies. 3 Since the late 1990s, budgetary revenues from privatization have been accompanied by dividends from state-owned companies. In chosen years the government preferred to “repair” the state budget through dividends than through selling state assets.

202

Wiktor Patena, Barbara Błaszczyk

Such an approach meant adopting individualized, market-oriented and time-consuming methods of privatization rather than massive and quick privatization schemes4. Although this course yielded positive outcomes for many enterprises privatized in this way, it had negative implications for others that remained longer in the public domain. On the other hand, many features of the Polish privatization experience were undisputedly positive. The country adopted mainly traditional methods of privatization, based on proper institutional rules and established legal regulations requiring relatively high quality disclosure standards for privatized companies. These made the country’s capital market much more transparent than in other Central European countries and ensured a relatively healthy and largely privatized banking sector. While the process may have been somewhat slower and more difficult at the beginning, over time it accelerated and broadened with the growing experience of the participants. Nevertheless, such a case-by-case tailored approach to privatization consumed more time and was much more demanding for the state apparatus and its capacities compared to the “mass privatization” methods. It also offered critics that did not favour privatization more time and opportunity to block the process, as the winds of popular opinion shifted (Blaszczyk, 1999). This resulted in repeated waves of slowing and accelerating the privatization process during the twenty years of transition and in uneven privatization levels among economic sectors. While most manufacturing companies and market services quickly became private, infrastructure, part of heavy industry and utilities lagged behind. From the beginning of the XXI century, the privatization process slowed down and after 2005 its pace completely faded away. A new impetus for privatization came with the new government at the end of 2007 that called further privatization one of its priorities. In April 2008, a new, radical program of completing privatization of the remaining state sector was launched for the years 2008–2011 (Ministerstwo Skarbu Państwa, 2008). The main idea was to reduce the ownership role of the state in all industries where exercising corporate governance by public administration was no longer deemed necessary. Thus, a political will was demonstrated to reduce the former exclusions from privatization to a necessary minimum. Soon the acceleration of privatization process was readily visible, not only in the fast growing number of enterprises put up for sale, but also in the new approach and comprehensive scope of privatization. 8025 fully state owned companies and 120 remaining minority packages of other companies were included in the plan, and the privatization track for each of them was determined. Among companies covered by the plan, for the first time, largest energy companies, coal mines, heavy chemistry plants, railroads, the air carrier (LOT) and the Warsaw Stock Exchange were 4 More on privatization approaches in different transition countries in: B. Blaszczyk, R. Woodward (eds) (1996) and B. Blaszczyk, I. Hoshi and R. Woodward (eds) (2003). 5 In the first version of the plan from April 2008 the number of companies was 740, but in the changed version from February 2009 the number rose to 802.

POST-PRIVATIZATION CORPORATE PERFORMANCE:EVIDENCE FROM COMPANIES…

203

included. Only a small group of 23 large companies were excluded from privatization, such as network companies for electricity, gas and oil (without production and distribution or retail companies), public media (one TV channel and one press agency), one state bank, one armament company, the state lottery and minority packages of few major strategic state companies as so called “golden shares” (Orlen and Lotos –the largest petrol producers, KGHM – Polish Copper, PGNiG – Gas Company). The pace of privatization increased very fast in 2008–2010 and we observed a strong determination of the government to complete privatization, despite the world economic crisis and other negative factors (such as strong protests of the labor unions from certain companies being privatized). After this we observed again some slowing down of the process and a changing approach among politicians to state sector conservation, which resulted in partial withdrawal from the program’s objectives in 2012. (Bałtowski, Kozarzewski, 2014, pp. 329–352). In spite of this, the progress of privatization was significant during the lifespan of the program. Until the end of 2011, 458 companies (out of the planned 802) were entirely privatized, others were in the privatization process or in liquidation (285) (Ministerstwo Skarbu Państwa, 2013). The sale of the residual minority stocks from former privatizations in more than 100 companies was another success. We witnessed largest public offerings in our history – only in 2009–2010 ten large public offerings (amounting to between 215 million and 4 billion Polish zloty6) in energy, mining and other sectors, including, for instance, the largest insurance company in Poland and remaining few state banks. Very large amounts of privatization proceedings (45 billion Polish zloty during the four years of the program) were received by the state budget (Figure 1). Even in the difficult coal mining industry the first successful privatization (of Bogdanka Coal Company) was launched in 2009 through public offering and completed in the next year, followed by another coal mining company (JSW) entering the Stock Exchange two years later.

2. BACKGROUND OF THE RESEARCH As mentioned above, the activities taken on by the Privatization Program 2008– 2011 aimed to increase further the share of private ownership and reduce the role of the state in the economy (Ministerstwo Skarbu Państwa. Raport…, 2012). The main premise for doing this was the conviction, based on the experience of many countries, that it was very difficult, if not impossible, to create a rational and effective system of government supervision over SOEs (Nellis, 2002, Błaszczyk, Kozarzewski, 2007). It was taken for granted that privatization was to affect positively economic performance of privatized companies. Since the very beginning of the transformation of the post-communist countries, it has been discussed whether and to what extent privatization of former SOEs will improve their performance. There is a vast body of research in the 6

PLN/EUR exchange rate was slightly above 4 at that time.

204

Wiktor Patena, Barbara Błaszczyk

area of privatization and enterprise restructuring in Central and Eastern Europe (Carlin et al., 1995; Carlin, 1999; Havrylyshyn and McGettigan, 1999; Djankov and Murrell, 2002) linked to this topic. While some authors in the early stage of transition suggested that the regulatory framework (hard budget constraints, competitive market) had more influence on the restructuring and performance pattern of enterprises than ownership change (Carlin at al., 1995), others pointed out that even non-privatized enterprises in order to adjust to the changing economic environment tried to imitate the restructuring pattern of private businesses because of expectations of their privatization in near future (Pinto at al., 1993; Megginson and Netter, 2001). Together with the progress of transition in more advanced transition countries, there was growing evidence that ‘privatization matters’ because of the different scope and deepness of restructuring efforts in privatized enterprises versus SOEs (Pohl et al., 1997; Grosfeld and Roland, 1996; Grosfeld and Nivet, 1997; Blaszczyk et al., 1999). Similarly, because of the growing wave of privatization in the developed and the developing world at the end of the 20th century, researchers asked the same questions concerning the microeconomic results of privatization in other parts of the world (UK, USA, Latin America, Asia and Africa). A comprehensive overview of empirical research on the effects of privatization on the performance of privatized firms and the economy and society at large was prepared by Sergei Guriev and William Megginson, and presented at the ABCDE World Bank Conference in January 2006 in St. Petersburg (Guriev and Megginson, 2006). The authors analyzed and compared numerous studies published between 1994 and 2003, separately for developed and developing countries, Latin America, and transition economies, and showed special interest for empirical studies comparing pre-versus-post-privatization changes in privatized firms. An interesting conclusion from this study is that privatization is complementary to the institutional reforms that introduce rule of law, hard budget constraints, and investor protection (see also Zinnes, Eilat, and Sachs, 2001). If these institutions are not in place, privatization may fail to improve the performance at the firm level and for the economy at large. The study also discusses broadly other factors influencing more or less significant privatization effects for the firms, such as the type of investor, the role of ownership concentration and methods of privatization (La Porta et al., 1998; Grosfeld and Tressel, 2001). The hypothesis that privatization improves the operational performance of companies was posed and empirically proven first by Megginson, Nash and van Randenborgh in 19947, followed by D’Souza and Megginson (1999) and later on by the same and other authors (Boubakri and Cosset, 1998, 2003; Megginson, Netter, 2001; Torero, 2002; Omran, 2004; Mainoma, Tanko, 2005; Huang, Wang, 2010; Vo at al., 2013). However, this kind of empirical evidence is missing in Poland with regard to privatization process in the 21st century. 7 The method used in this research that compares three year pre-privatization and three year post-privatization financial and operating performance of companies is called after their names ‘MNR approach’

POST-PRIVATIZATION CORPORATE PERFORMANCE:EVIDENCE FROM COMPANIES…

205

The question of how to best observe and measure the changes in performance of privatized firms is complex. First of all, one should take into account many external factors (for example period, privatization sequencing, type of industry, economic cycle, institutional and political economy characteristics) and internal factors, independent from the ownership change, that may affect this performance. Secondly, the selection of companies sample for research may lead to wrong results (for instance where better-performing companies were privatized first, their performance was better than of the remaining sample). Also, the question arises how to establish benchmarks for measuring this performance – should privatized companies be compared with non-privatized, private green field companies, or enterprises of the entire economy?8 That is why some authors question the correctness of comparing the performance of privatized firms – because of missing control of endogeneity bias. (Djankov and Murrel, 2002; Estrin at al., 2009; Hagemajer, Tyrowicz and Svejnar, 2014). In our case, we do not intend to make general statements on the effects of privatization for the whole enterprise sector in Poland. The aim of our research is to investigate the results of the 2008–2011 privatization program through its effects on the performance of this specific group of companies privatized. We decided to check the performance of the same group of companies in the preand post-privatization period. This is a classical approach that was first introduced in the seminal works by D’Souza and Megginson (1994, 1999). The same research model was then successfully applied in many papers that attempted to analyze post-privatization performance (e.g. Boubakri, 1998; Omran, 2004; Truong, 2006; Huang, 2010; Vo, 2013). The most important characteristic of the approach is that the same set of companies is approached twice within a certain period. Between the two measurements, one main change occurred – the ownership status of the company changed. Of course, some macroeconomic conditions may have changed as well, but this is unavoidable and unpredictable. However, we believe that this procedure provides the most unbiased method of privatization effects assessment. The principal benefit is that the procedure has become standard and the effects can be easily compared to similar research. In our paper, we not only report the “end effect” of privatization on performance illustrated by profitability but also try to observe other measures explaining various activities of companies, such as changes in employment productivity, investment spending and leverage. In this way, we try to answer the questions of how the investigated companies’ behavior and policies changed during the time under observation. Altogether, this makes up the full picture of privatized companies. 8 There are attempts to measure the performance of privatized companies differently. Often the metrics of performance of privatized companies are contrasted with the overall performance of the companies in the entire economy (Ministerstwo Skarbu Państwa, 2012). Due to the reasons exemplified above, attempts to compare entities that are incomparable and doing that at the wrong time may warp the effects of the research.

206

Wiktor Patena, Barbara Błaszczyk

3. METHODS OF SAMPLE SELECTION AND SAMPLE DESCRIPTION Ownership change in the period 2008–2011 covered 582 firms. Our analysis was limited to those companies that were fully privatized (with majority private ownership) in the years 2008–2011. This group included 458 companies. It is worth mentioning that in 2008–2011 the privatization process, because of its late stage, covered not very attractive companies. Due to some cherry picking practices, the best companies were privatized much earlier. The ones that remained to be privatized were typically small or medium sized, from unattractive industries and were modestly profitable. In many cases they experienced in the past a few privatization attempts. Data availability was another issue. The majority of the companies were nor listed on the stock exchange. Thus, data were obtained directly from financial statements of privatized companies; in some cases, they were solicited directly from the firms or received via secondary sources. This selection eventually yielded a sample of 59 firms – 10 percent of the initial set and 13 percent of the fully privatized ones. It is worth noting that identical samples are used for the analyses of both pre- and post-privatization periods in order to avoid any bias. The privatization process was gradually phased out after 2010 (cf. Figure 1). The number of privatized enterprises got lower every year in the analyzed period (Table 1). Table 1. Sample description: Number of privatized companies in 2008–2011 Year

Number of privatized firms

2008

29

2009

20

2010

6

2011

4

Source: Ministry of Treasury data.

The companies in the sample represent almost all sectors. The largest number of firms come from the energy sector (13 companies), pharmaceuticals, construction, machinery, transportation, agriculture, food processing (5, 4, 4, 4, 3, 3 respectively), and the rest from 16 other sectors (where the number of privatized

POST-PRIVATIZATION CORPORATE PERFORMANCE:EVIDENCE FROM COMPANIES…

207

companies varies from 1 to 2 firms). The sample is also representative in terms of the total pool of companies privatized in 2008–2011; steel plants are the only sector that is not represented in the sample. The firms in the sample represent all the regions (voivodships) in Poland (cf. Figure 2). Figure 2. Sample description: Number of privatized companies per voivodship

7 3 2 4

5 7

1

2

3 2

7 1

2 3

7

3

Source: Ministry of Treasury data.

Privatization revenues in 2008–2011 from the analyzed sample amounted to over 3 billion PLN. In the first year under analysis, the revenues reached 1.3 billion PLN. The largest revenues were reached in 2009 – 1.9 billion PLN. Revenues in the year 2010 and 2011 were much lower, in line with a decreasing number of privatized companies. It is also worth noting that 41 companies in the sample (69.49 percent) generated revenues below 10 PLN million (Table 2).

208

Wiktor Patena, Barbara Błaszczyk

Table 2. Number of privatized companies vs. privatization revenues Privatization revenue (millions PLN)

Number of privatized companies

0–1

17

1–5

14

5–10

10

10–50

8

50–100

4

100–200

2

200–800

4

Source: Ministry of Treasury data.

The privatized companies differed in size enormously (see Table 3). The biggest privatized company in the sample had revenues exceeding 5 billion PLN, assets topping 13 billion PLN and employed over 1 000 employees. The smallest companies in the sample employed only a few dozens of employees. An average-size company (expressed as a median) had revenues of 37 million PLN and the assets worth 28 million PLN. Table 3. Number of privatized companies and their size (assets and revenues) Company revenues (in millions)

Number

Company assets (in millions)

Number

1 000–5 000

4

1 000–5 000

4

100–999

11

100–999

9

10–99

34

10–99

30

1–9

10

1–9

16

37

median

28

median

255

mean

434

mean

Source: Ministry of Treasury data.

POST-PRIVATIZATION CORPORATE PERFORMANCE:EVIDENCE FROM COMPANIES…

209

4. METHODOLOGY AND HYPOTHESIS The aim of the research was to compare the pre- and post-privatization performance of these 59 privatized Polish firms. It was measured via eight indices in 5 areas: profitability, operating performance, CAPEX (capital expenditures), reinvestment, and leverage. The year of completion of privatization was designated as year 0. Data for the tests came from the years –3 to –1 (before privatization), and +1 to +3 (after privatization). The analysis thus covered seven years but in many case went beyond the 2008–2011 period depending on the moment of privatization. Hence, the total length of the period covered by the analysis is actually 2005–2014. To test the predictions, first empirical proxies for every company for a seven year period were computed. Then, the median of each variable for each firm over the pre- and the post-privatization period was calculated. The year 0 was excluded from the analysis. The medians were the base for computing means (and medians) for each variable and the whole group of analyzed companies. All the variables are ratios, hence they are fully comparable, and there is no need for indexing, deflating or changing any nominal data into real ones. Having computed pre- and post-privatization means and medians, the paired T-test is used to test for significant changes in the variables. The procedure tests whether there are significant differences between the means. The procedure was preceded by checking normality of the data (skewness and kurtosis). In most cases, the distribution was assumed normal. For others, the Kruskal-Wallis test was used. It is a non-parametric test, which does not assume that the data come from a distribution that can be completely described by two parameters: mean and standard deviation. The following eight hypotheses (within five areas) were posed. Privatization increases: 1. Firms’ profitability in terms of ROS. 2. Firms’ profitability in terms of ROE. 3. Employment productivity measured by SaPa. 4. Employment productivity measured by APa. 5. Capital investment spending. 6. Plow-back ratio. 7. Leverage measured by DA. 8. Leverage measured by DEB. Within the five areas, eight variables to test the hypothesis were employed. Table 4 presents the testable predictions and the empirical variables. In majority of similar studies, it is anticipated that profitability increases significantly after privatization, there is a large decline in employment level and leverage, cash dividends increase, and capital spending decreases (D’Souza, 1999, Vo, 2013). The hypotheses posed here were partially consistent with the results anticipated in the other studies. However, the hypothesis concerning indebtedness was different (cf. hypothesis in Table 1). It resulted from the observation that the SOE management was in the past very conservative when it comes to

210

Wiktor Patena, Barbara Błaszczyk

Table 4. Summary of testable hypotheses (The A and B index stand for 3-year period after and before privatization respectively) Area

Metric

Hypothesis

(ROS) net profit vs. revenues

ROS(A) > ROS(B)

(ROE) net profit vs. equity

ROE(A) > ROE(B)

(SaPa) revenues vs. payroll

SaPa(A) > SaPa(B)

(APa) total assets vs. payroll

APa(A) > APa(B)

Capital investment

(FAS) Capex vs. revenues

FAS(A) > FAS(B)

Plow back ratio

(PR) retained earnings vs. net profit

PR(A) > PR(B)

(DA) long term debt vs. total assets

DA(A) > DA(B)

Profitability

Employment efficiency

Financial leverage

(DEB) long term debt vs. EBITDA

DEB(A) > DEB(B)

Source: own elaboration.

debt policy. Thus, it is hard to expect the indebtedness levels in the privatized companies to fall. Also, in other studies, it is typically assumed that cash dividends will increase. In the analyzed period, because SOEs assets are highly depreciated, we would expect the increase in the reinvestment levels. To sum up, an increase in all eight metrics in the post-privatization period was hypothesized. We tested the hypotheses that privatization: increased firm’s profitability, employment efficiency, capital investment, plow-back ratio, and leverage.

5. RESULTS Table 5 presents the results of the research. The outcomes are ambiguous: four hypotheses are confirmed, and the other four are rejected (cf. Patena, 2014). Therefore, one cannot state that privatization was worthwhile, or, following J. D’Souza (1999, p. 23), declare that ‘privatization works, and it works in almost every institutional setting examined.’ However, it must be emphasized that the tested hypotheses and the results of the research created a coherent narrative about privatization effects in the firms’ behavior. It must also be kept in mind that the results were affected by the following circumstances: 1. The 2008–2011 period of the privatization program coincided with the so-called financial crisis (Lehman Brothers bankruptcy in 2008), which affected Poland as well. Due to the implemented methodology (–3, +3) comparing the data with e.g. performance of all companies in Poland at that time is problematic. However, it is worth mentioning that average ROS (return on sales) for medi-

POST-PRIVATIZATION CORPORATE PERFORMANCE:EVIDENCE FROM COMPANIES…

211

um-sized companies in the 2006–2013 period was as follows: 4.3%, 4.7%, 3.2%, 3.7%, 3.5%, 2.9%, 3.0% and 4.3% (Mościbrodzka, 2013). 2. The 3-year period after privatization was relatively short and some activities of the new owners and management teams have not been reflected in financial results and statements of the analyzed companies yet. The same research repeated after another three years and based on the same sample may (and in our view, should) bring more meaningful results. The time needed for “full transition” from SOEs to private company lasts from 2 to 5 years, as some authors report (Bałtowski, 2007; Baltowski and Kozarzewski, 2014). This statement may explain that in the early years of privatization, the origin of enterprises (post-privatized or green field) is important, whereas with the passage of time, differences between those two groups of private firms disappear. Table 5. Summary of results from tests of predictions for A and B periods (pTt stands for paired T test, and KWT for Kruskal-Wallis test) Metric

Mean B (median)

Mean A (median)

Mean change

P-value

Method

Significant results (at 5%)

ROS

0.0274

0.0267

–0.0007

0.9449

pTt

No

(0.0219)

(0.0222)

0.0489

0.0355

–0.0134

0.6932

pTt

No

(0.0559)

(0.0650)

4.9178

5.5823

0.6645

0.0127

pTt

Yes

(4.1059)

(4.4457)

3.9748

5.6242

1.6494

0.0039

pTt

Yes

(3.0204)

(3.5263)

0.03616

0.06509

0.0289

0.0034

pTt

Yes

(0.0221)

(0.0391)

0.0318

0.0787

0.0469

0.0500

KWT

Yes

(0.0000)

(0.5952)

0.0576

0.0726

0.0150

0.2320

KWT

No

(0.0044)

(0.0355)

0.4014

0.6427

0.2413

0.1401

pTt

No

(0.0000)

(0.0468)

ROE

SaPa

APa

FAS

PB

DA

DEB

Source: own elaboration.

212

Wiktor Patena, Barbara Błaszczyk

Partially due to the above factors, the analyses showed that, contrary to the hypothesis, relative to the period before privatization, privatized firms did not exhibit visible improvement in profitability. However, it can be noted that new owners started with implementing cost reduction processes. Such inference can be drawn from the analysis of SaPa and APa ratios which increased, signaling employment reductions. Also, other indices were significantly improved: operating efficiency was higher (measured as revenues to payrolls), companies increased CAPEX, the plow-back ratio was improved (increases in 74 percent of companies). The investment dynamics was related to the growing external financing: capital structure changed and debt ratios grew (although the changes were not statistically significant). This showed that privatization might work, although the financial crisis that began in 2008 did not contribute to the companies’ effort to increase profitability, and in these circumstances, more time might be needed for more improvement. The actions initiated by privatized companies seem to go in the right direction: employment reductions, increased investments, changed capital structure.

5.1. PROFITABILITY Profitability was measured by two ratios: ROS (return on sales) and ROE (return on equity). Numerous research papers show that profitability increases significantly after privatization (Omran, 2004). However, our findings presented in Table 6 are not consistent with the previous research. ROS decreased from 2.74 percent to 2.67 percent (median increased slightly), ROE also fell (from 4.89 percent to 3.55 percent). In both cases, the tested hypotheses (H1 and H2) were not positively verified. The results were not consistent with the research by J. D’Souza and Megginson (1999). Differences in means are statistically insignificant. Profitability ratios were similar and low in relation to the risk-free rate of return and the cost of capital, which in the light of EVA concept means that the profitability metrics were in fact negative. Table 6. Comparison of pre- and post-privatization profitability – ROS and ROE Metric

Mean B (median)

Mean A (median)

Mean difference

P-value

Method

ROS

0.0274

0.0267

–0.0007

0.9449

Tt-ps

(0.0219)

(0.0222)

ROE

0.0489

0.0355

(0.0559)

(0.0650)

Source: own elaboration.

–0.0134

0.6932

Tt-ps

POST-PRIVATIZATION CORPORATE PERFORMANCE:EVIDENCE FROM COMPANIES…

213

Figure 3. ROS values at the post-privatization stage 0,3000 0,2000 0,1000 0,0000

0

20 2

40 40

60

80

–0,1000 –0,2000 –0,3000 Source: own elaboration.

5.2. EMPLOYMENT PRODUCTIVITY In most studies concerning post-privatization performance, it is hypothesized that a private owner assures better allocation of company resources than the state. It refers to human resources, capital, intangibles and tangible assets. To measure labor productivity, two indices were employed: SaPa (revenues to payroll) and Apa (assets to payroll). Sales per employee increased from an average 4.9178 during the –3 to –1 pre-privatization period to 5.5823 in the post-privatization period. SaPa increases for 61 percent of companies in the sample (cf. Figure 4a). APa also increased from a mean 3.9748 before privatization to 5.6242 afterwards. 68 percent of companies were subject to this positive change (cf. Figure 4b). Both changes are significant at the one percent level (0.0127 and 0.0039 respectively). Clearly, they represented dramatic post-privatization efficiency gains meaning that privatization resulted in significantly higher output per worker. Most probably, in the transition period the managements introduced massive layoffs programs (revenues and assets of the companies in the sample were typically stable or diminished). An additional factor that might have boosted the effect was higher remuneration in the public sector (cf. Antczak, 2007). The conclusions about employment reduction are consistent with observations by M. Antczak (2007), who points to low productivity of public sector – 40 percent compared to private sector and keeping employment on the economically unjustified level. To sum up, both tested hypothesis (H3 and H4) have been positively verified.

214

Wiktor Patena, Barbara Błaszczyk

Table 7. Employment productivity in the pre- and post-privatization periods – SaPa and APa Metric

Mean B (median)

Mean A (median)

Mean difference

P-value

Method

SaPa

4.9178

5.5823

0.6645

0.0127

Tt-ps

(4.1059)

(4.4457)

APa

3.9748

5.6242

1.6494

0.0039

Tt-ps

(3.0204)

(3.5263)

Source: own elaboration.

Figure 4a. Number of companies where SaPa(A) > SaPa(B) (upper left half) 16 14 12 10 8 6 4 2 0

0 Source: own elaboration.

5

10

15

20

Figure 4b. Number of companies where APa(A) > APa(B) (upper left half) 25 20 15 10 5 0

0 Source: own elaboration.

10

20

30

POST-PRIVATIZATION CORPORATE PERFORMANCE:EVIDENCE FROM COMPANIES…

215

5.3. CAPEX We computed investment intensity using one proxy: capital expenditures divided by sales (FAS). We could see a significant (at p= 0.0034 level) increase in capital investment after privatization. FAS increased from 3.62 percent to 6.51 percent. In 69 percent of analyzed companies, the investment (in relation to sales) in the post-privatization period were higher than before (cf. Figure 5). It is worth quoting M. Antczak’s research (2007, p. 114) and her observations concerning capital investments in SOEs: “the biggest gap is visible in investments per employee (…), which are on average only 20 percent of the private sector level”. In this context, the dynamic FAS growth is hardly surprising. Table 8. Investment intensity in the pre- and post-privatization periods – FAS. Metric

Mean B (median)

Mean A (median)

Mean difference

P-value

Method

FAS

0.03616

0.06509

0.0289

0.0034

Tt-ps

(0.0391)

(0.221)

Source: own elaboration.

Figure 5. Number of companies where FAS(A) > FAS(B) (upper left half) 0,30 0,25 0,20 0,15 5 0,10 0,05 –0,05

0,00 0 –0,05

0,05

0,10

0,15

0,20

0,25

0,30

–0,10 Source: own elaboration.

5.4.REINVESTMENT We examined whether reinvestment ratio measured as retained earnings divided by net income (PR) increased following privatization. The average PR increased from 3.18 percent to 7.87 percent and the change is statistically significant at the

216

Wiktor Patena, Barbara Błaszczyk

0,05 level (Kruskal-Wallis test). PR increased in 74 percent of cases (cf. Figure 6). The result may be slightly surprising. In the seminal J.D’Souza’s paper, an opposite hypothesis was tested. They assumed (and confirmed) that dividend payments (measured as cash dividends divided by sales revenues) would increase. Apparently, due to the difficult budgetary and financial situation of the state budget, the Ministry of Treasury collected dividends, but the new owners faced with heavily underinvested companies often changed the policy. Table 9. Reinvestment ratios in the pre- and post-privatization periods – PB Metric

Mean B (median)

Mean A (median)

Mean difference

P-value

Method

PB

0.0318

0.0787

0.0469

0.05

KWT

(0.0000)

(0.5952)

Source: own elaboration.

Figure 6. Number of companies where PB(A) > PB(B) (upper left half) 1,20 1,00 0 0,80 0,60 0 0,40 0 0,20 0,00 0 0,00 0

0,50

1,00 0

1,50

Source: own elaboration.

5.5. LEVERAGE It is often claimed in the literature that the capital structure should change following changes in ownership. M.Omran (2004) argued that a privatized enterprise would lose access to cheap debt, and its cost of debt would increase, although it might be able to access a wider range of funding sources. As a consequence, the following hypothesis was typically proposed: leverage declined in line with progress in the privatization process. Such expectations were confirmed

POST-PRIVATIZATION CORPORATE PERFORMANCE:EVIDENCE FROM COMPANIES…

217

in J.D’Souza’s research (1999), according to which leverage decreased from 8 percent to 6 percent. In our experience as privatization advisor for the Ministry of Treasury, SOEs managements were typically very conservative regarding the capital structure and using debt. Hence, we expected higher leverage in privatized companies and tested H5 and H6 hypotheses. We examined changes in leverage by observing dynamics of long-term debt to assets (DA) and long-term debt to EBITDA ratios. As predicted, we documented a significant increase in leverage for the whole sample of privatized companies. The average increase in DA was 1.5 percentage points (from 5.76 percent to 7.26 percent). The average increase in DEB was 24.13 p.p. (from 40.14 percent to 64.27 percent), but unfortunately, the differences were not statistically significant. The reason could be the high volatility of indebtedness ratios, most probably caused by the 2008–2011 financial crisis that limited many companies’ access to debt. Table 10. Leverage in the pre- and post-privatization periods – DA and DEB Metric

Mean B (median)

Mean A (median)

Mean difference

P-value

METHOD

DA

0.0576

0.0726

0.0150

0.2320

KWT

(0.0044)

(0.0355)

DEB

0.4014

0.6427

(0.0000)

(0.0468)

0.2413

0.1401

Tt-ps

Source: own elaboration.

6. CONCLUSIONS Our assessment of the effects of 2008–011 privatization program is relatively positive. On March 31, 2008, the Ministry of Treasury controlled 1237 enterprises from various industries. The number included 350 enterprises in liquidation, close to bankruptcy or inactive and 887 active firms. The 2008–2011 privatization plan assumed that 802 enterprises would be privatized. It was accomplished in 78.64 percent. The Polish government assumed privatization revenue to reach 54 billion PLN. Global financial situation and some privatization problems allowed reaching 44.02 billion PLN, or 81 percent of the plan (Ministerstwo Skarbu Państwa, 2012). As mentioned before, privatization was not fully completed during the lifespan of the program, especially with respect to large state-owned companies privatized through IPO, in which the state retained majority or minority shares and exercised corporate control. This is an effect of slowing down of the process in its last stage and consecutive years, and partial withdrawal by the governing party from ambitious objectives of the program, under different political circumstances. Essentially, plenty of work has been done but a significant effort is still needed to com-

218

Wiktor Patena, Barbara Błaszczyk

plete this work if such decision would be taken. Hence, the question whether ‘privatization matters’ is crucial for the future policies. Following such considerations, the primary objective of this research was to determine whether companies that were subjected to privatization in 2008–2011 and were successfully privatized, improved their operating performance after privatization. The outcomes of the research (concerning the sample of 59 companies) are ambiguous: four hypotheses were confirmed, but the other four were rejected. The analyzes show that, contrary to the hypothesis, privatized firms do not show improvement in the performance with regard to profitability relative to the period before privatization. Yet, taking into account how mediocre the companies in the sample were in terms of their size, profitability and sector attractiveness, profitability does not seem to be that relevant. However, there is strong evidence in the research findings that the actions initiated by privatized companies take the right direction: employment adjustments, increased investment, changes of the capital structure. Besides, it is worth noting that the analyses were performed roughly three years after the privatization. As Bałtowski (2007) and Bałtowski, Kozarzewski (2014) argue, for public companies, the period in which they adjust to the new market environment or reject the burden of the past ownership lasts, at least, three years. It should be also noted that the process of their adjustment coincided with the world economic crisis that had some impact on the Polish economy. It should be emphasized that, in a wide context not limited to measuring profitability, we have confirmed that companies in the post-privatization period perform better, which is important from the point of view of their competitiveness and the performance of the entire economy. The research conveys the fundamental message to policy makers that privatization not only generates revenues for the state budget but ‘privatization works’ in microeconomic sense – majority of companies perform better than before, hence the process is worth continuing.

REFERENCES Antczak M. (2007), Kondycja ekonomiczna przedsiębiorstw sektora publicznego w Polsce w perspektywie całej gospodarki w latach 1999–2004, In: B. Błaszczyk, P. Kozarzewski Zmiany w polskich przedsiębiorstwach. Własność, restrukturyzacja, efektywność, Warszawa, Centrum Analiz Społeczno-Ekonomicznych, „Raporty CASE”, No. 70, pp.103–131. Bałtowski M., Kozarzewski P. (2014) Zmiana własnościowa polskiej gospodarki 1989– 2013, PWE, Warsaw. Bałtowski M. (2007), Rodowód własnościowy i udział kapitału zagranicznego a wyniki największych polskich przedsiębiorstw, In: B. Błaszczyk, P. Kozarzewski, Zmiany w polskich przedsiębiorstwach. Własność, restrukturyzacja, efektywność, Warszawa, Centrum Analiz Społeczno-Ekonomicznych, „Raporty CASE”, No. 70, pp. 245–270. Błaszczyk B. (1993), Pierwsze lata prywatyzacji w Polsce (1989–1991). Dylematy koncepcji i realizacji [The First Years of Privatization in Poland (1989–1991). Dilemmas of concepts and realization], „Studia Ekonomiczne”, No. XXX, INE PAN.

POST-PRIVATIZATION CORPORATE PERFORMANCE:EVIDENCE FROM COMPANIES…

219

Błaszczyk B. (1999), Moving Ahead: Privatization in Poland, In: Economic Reform Today, Privatization in Digital Age, Center for International Private Enterprise (CIPE), Washington D.C., No. 2. Błaszczyk B. et al. (1999), Privatization and Company Restructuring in Poland, In: Privatization and Economic Performance in Central and Eastern Europe, I. Major (ed.), Edward Elgar Publishing Ltd., Cheltenham. Błaszczyk B., Kozarzewski P. (2007), Zmiany w polskich przedsiębiorstwach. Własność, restrukturyzacja, efektywność, [Changes in Polish enterprises. Ownership, restructuring and productivity], Centrum Analiz Społeczno-Ekonomicznych, „Raporty CASE”, No. 70, Warszawa. Boubakri N., Cosset J.C. (1998), The financial and operating performance of newly privatized firms; Evidence from developing countries, „Journal of Finance”, 53(3), pp. 1081–1110. Carlin W. (1999), The empirical analysis of corporate governance in transition”, In: Privatization, Corporate Governance and the Emergence of Markets, F. Boenker, E. Rosenbaum, H.J. Wagener (eds), Macmillan, Basingstoke. Carlin W., Van Reenen J., Wolfe T. (1995), Enterprise restructuring in early transition: The case study evidence, „Economics of Transition”, 3(4), pp. 427–458. Djankov S., Murell P. (2002), Enterprise restructuring in transition: A quantitative survey, „Journal of Economic Literature”, 40, pp. 739–792. D’Souza J., Megginson W.L. (1999), Financial and operating performance of privatized firms during the 1090s, „Journal of Finance”, 54 (4), pp. 1397–1424. Estrin S., Hanousek J., Kocenda E., Svejnar J. (2009), The effects of privatization and ownership in transition economies, „Journal of Economic Literature”, 47, pp. 699–728. Grosfeld I., Nivet J.F. (1997), Wages and investment behavior in transition: Evidence from Polish data set, „CEPR Discussion Paper”, No. 1726. Grosfeld I., Tressel T. (2001), Competition and corporate governance: Substitution or complements? Evidence from the Warsaw Stock Exchange, „CEPR Discussion Paper”, No. 2888. Grosfeld I., Roland G. (1996), Defensive and strategic restructuring in Central European enterprises, „Journal of Transforming Economies and Societies”, 3(4), pp. 21–46. Guriev S., Megginson W. (2006), Privatization: What Have We Learned?, World Bank, Annual Bank Conference on Development Economies (ABCDE), January 18–19, St. Petersburg. Hagemejer J., Svejnar J., Tyrowicz J. (2014), Measuring the Causal Effect of Privatization on Firm Performance, EACES Biennal Conference proceedings, Budapest, 4–6 September 2014. Havrylyshyn O., McGettingan D. (2000), Privatization in transition countries, „PostSoviet Affairs”, 16(3), pp. 257–286. Huang Z., Wang K. (2010), Ultimate privatization and change in firm performance: Evidence from China, „China Economic Review”, 22, pp. 121–132. La Porta R., Lopez-de-Silanes F., Shleifer A. (1998), Corporate ownership around the world, „NBER Working Paper”, No. 6625. Mainoma M., Tanko M. (2005), Sources of Performance Improvement for Privatized Firms in Nigeria, www.ssrn.com id951393 (access date: 19.05.2014).

220

Wiktor Patena, Barbara Błaszczyk

Megginson W.L., Nash R., Randenborgh M. van (1994), The financial and operating performance of newly privatized firms: An international empirical analysis, „Journal of Finance”, 49, pp. 403–452. Megginson W.L., Netter J.N. (2001), From state to market: A survey of empirical studies on privatization, „Journal of Economic Literature”, 39, pp. 321–389. Ministerstwo Skarbu Państwa (2008), Plan prywatyzacji na lata 2008–2011, Warszawa. April 2008 (first version) and February 2009 (second version), http://prywatyzacja. msp.gov.pl/pr/plan-prywatyzacji/plan-prywatyzacji-na-l–1/4047 Ministerstwo Skarbu Państwa (2011), Raport z Ministerstwa Skarbu Państwa, November. Ministerstwo Skarbu Państwa (2012), Plan prywatyzacji na lata 2012–2013, Warszawa (http://prywatyzacja.msp.gov.pl/pr/plan-prywatyzacji/). Ministerstwo Skarbu Państwa (2013), Przekształcenia własnościowe przedsiębiorstw państwowych, stan na 31 grudnia 2012 r., Warszawa. Mościbrodzka K. (2013), Wyniki finansowe przedsiębiorstw w Polsce w latach 2012– 2013 na tle lat poprzednich, „Zeszyty Naukowe Uniwersytetu Vistula”, No. 33, pp. 62–82. Nellis J. (1999), Time to rethink privatization in transition economies? „Finance and Development”, No. 36 (2). Nellis J. (2002), Privatization and Enterprise Reform in Transition Economies. A Retrospective Analysis, The World Bank, Center for Global Development, Washington D.C. Omran M. (2004), The performance of state-owned enterprises and newly privatized firms: Does privatization really matter?, „World Development”, 32(6), pp. 1019–1041. Patena W. (2014), Analysis of the privatization process in Poland in the years 2008–2011 – outcomes and prospects, „eFinanse”, 10 (2), pp. 57–70. Pinto B., Belka M., Krajewski S. (1993), Transforming state enterprises in Poland. Microeconomic evidence and adjustment, „World Bank Policy Working Papers”, No. 1101, WPS, Washington D.C. Pohl G., Anderson R.E., Claessens S., Djankov S. (1997), Restructuring industrial firms in Central and Eastern Europe: Evidence and policy options, „World Bank Discussion Paper”, April, Washington D.C. Privatization in Post-Communist Countries (1996), B. Błaszczyk and R. Woodward (eds), Center for Social and Economic Research CASE, Warszawa. Prywatyzacja i co dalej. Analiza efektywności funkcjonowania spółek po prywatyzacji w latach 2008–2011 (2012), Ministerstwo Skarbu Państwa, Warszawa. Secondary Privatization in Transition Economies: The Evolution of Enterprise Ownership in the Czech Republic, Poland and Slovenia (2003). B. Błaszczyk, I. Hoshi, and R. Woodward (eds), Palgrave Macmillan, London. Truong D.L., Lanjouw G., Lensink, R. (2006), The impact of privatization on firm performance in a Transition Economy – The case of Vietnam, „Economics of Transition”, 14(2), pp. 349–389. Vo T.Q., Swierczek F.W., Nguyen D.K. 2013), Corporate performance of privatized firms in Vietnam, „The Journal of Applied Business Research”, 29/5, pp. 1437–1450. Zinnes C., Eilat Y., Sachs J. (2001), The gains from privatization in Transition Economies: Is change of ownership enough?, „IMF Staff Papers”, 48, pp. 146–170.

POST-PRIVATIZATION CORPORATE PERFORMANCE:EVIDENCE FROM COMPANIES…

221

PRYWATYZACYJNA EFEKTYWNOŚĆ PRZEDSIEBIORSTW W POLSCE. WYNIKI PRZEDSIĘBIORSTW SPRYWATYZOWANYCH W LATACH 2008–2011 STRESZCZENIE W pracy dokonano porównania efektywności operacyjnej 59 przedsiębiorstw sprywatyzowanych w Polsce w okresie 2008–2011. Dane do testów pochodzą z okresu trzech lat przed prywatyzacją i trzech lat po prywatyzacji. Analiza dotyczy tej samej grupy przedsiębiorstw. W badaniach weryfikowano 8 hipotez w pięciu obszarach: rentowność, produktywność zatrudnienia, inwestycje kapitałowe, stopa reinwestycji, poziom zadłużenia. Wyniki nie są jednoznaczne: 4 hipotezy zostały zweryfikowane pozytywnie, a pozostałe 4 – negatywnie. Należy jednak podkreślić, że testowane hipotezy i otrzymane wyniki tworzą spójną narrację na temat prywatyzacji w Polsce. Rentowności badanych przedsiębiorstw mierzone w okresie trzech lat przed prywatyzacją i trzech lat po prywatyzacji nie zmieniły się istotnie. Natomiast zauważalne są działania nowych właścicieli polegające na stopniowej redukcji kosztów. Działania te rozpoczęły się od redukcji zatrudnienia – znacznie wzrosły wskaźniki SaPa i APa. Zarządy powstrzymują procesy dezinwestycyjne – istotnie rośnie wskaźnik FAS. Przedsiębiorstwa zwiększyły także stopy reinwestycji – w 74% spółek rośnie wskaźnik PB. Inwestycje odbywają się dzięki rosnącemu finansowaniu zewnętrznemu – zmienia się struktura kapitałowa spółek, rosną średnie stopy zadłużenia. Słowa kluczowe: prywatyzacja, wyniki finansowe spółek, efektywność operacyjna. JEL Classification: G38, H27, L3

STUDIA EKONOMICZNE 1 ECONOMIC STUDIES NR 2 (LXXXIX) 2016

Dominik A. Skopiec*

ADEKWATNOŚĆ POZIOMU I STRUKTURY REZERW DEWIZOWYCH CHIN (Artykuł nadesłany: 09.10.2015; Zaakceptowany: 30.05.2016)

STRESZCZENIE Celem artykułu jest analiza strategicznych aspektów zarządzania rezerwami dewizowymi Chin w kontekście dynamicznej akumulacji rezerw prowadzonej przez ten kraj. Hipoteza artykułu zakłada, że wskutek dynamicznej akumulacji poziom rezerw dewizowych Chin utrzymuje się na ponadoptymalnym poziomie, co stwarza problemy w zarządzaniu nimi oraz jest źródłem kosztów i ryzyka dla gospodarki Chin. Zastosowane metody badawcze obejmują analizę danych statystycznych dotyczących rezerw dewizowych i wybranych zmiennych makroekonomicznych dla gospodarki Chin oraz analizę porównawczą i studium literatury przedmiotu. Przeprowadzona w artykule analiza rezerw dewizowych Chin pod kątem tradycyjnie stosowanych miar adekwatności pokazuje, że zasób rezerw Państwa Środka przekracza poziom określony jako optymalny. Prowadzi to do wzrostu kosztów związanych z utrzymywaniem nadwyżkowej części rezerw, która nie jest już niezbędna do prawidłowego wypełniania funkcji rezerw dewizowych. W związku z tym można uznać, że strategia zarządzania rezerwami dewizowymi w Chinach nie zapewnia efektywnej realizacji jednego ze swoich podstawowych celów, a mianowicie zapewnienia ich adekwatnego w stosunku do potrzeb danej gospodarki poziomu. Ponadto z analizy struktury walutowej, geograficznej i inwestycyjnej chińskich rezerw dewizowych wynika, że strategia zarządzania nimi *

Szkoła Główna Handlowa w Warszawie, Instytut Międzynarodowych Stosunków Gospodarczych; e-mail: dskopiec@sgh.waw.pl

ADEKWATNOŚĆ POZIOMU I STRUKTURY REZERW DEWIZOWYCH CHIN

223

pozostaje konserwatywna, a przeważającą część aktywów rezerwowych stanowią nominowane w dolarach rządowe papiery dłużne Stanów Zjednoczonych. Strategia taka rodzi zatem dodatkowe koszty i staje się źródłem wielu rodzajów ryzyka. Należy jednak podkreślić, że widoczna jest zmiana strategii inwestycyjnej w kierunku zwiększenia dochodowości rezerw, czego przejawem jest przede wszystkim wzrost udziału akcji w rezerwach walutowych Państwa Środka. Słowa kluczowe: rezerwy dewizowe, waluta międzynarodowa, zarządzanie, adekwatność rezerw. JEL Classification: F02, F31, F41, G15, G18

WPROWADZENIE Gospodarkę światową od końca lat 90. XX w. cechuje bezprecedensowy wzrost światowych rezerw dewizowych w wyniku ich akumulacji, prowadzonej w szczególności przez kraje wschodzące i rozwijające się. Największą rolę w kreacji tego zjawiska odgrywają Chiny. Państwo Środka pozostaje w związku z tym krajem posiadającym największy na świecie zasób rezerw, stanowiący aż 30% ogółu światowych rezerw dewizowych. Skala zjawiska decyduje w tym przypadku o olbrzymim znaczeniu akumulacji rezerw nie tylko dla gospodarki chińskiej, ale także dla gospodarki światowej. Znaczny zasób rezerw stanowi bez wątpienia element protekcyjny zmniejszający ryzyko wystąpienia w Państwie Środka kryzysu walutowego, jednakże stwarza również wyzwanie dla efektywnego zarządzania zgromadzonymi rezerwami, które tworzą znaczącą część majątku narodowego Chin. Utrzymywanie ogromnych rezerw pozostaje ponadto źródłem kosztów i zagrożeń dla gospodarki chińskiej, w szczególności wynikających z konieczności prowadzenia sterylizacji oraz niskiej dochodowości aktywów rezerwowych. Akumulacja rezerw dewizowych przez Chiny ma również duże znaczenie dla stabilności gospodarki światowej. Wynika to z tego, że rezerwy są inwestowane w przeważającej mierze w dłużne papiery rządowe, głównie w obligacje skarbowe emitowane przez rząd Stanów Zjednoczonych. Prowadzona przez Chiny strategia uważana jest za jeden z czynników globalnej nierównowagi płatniczej, gdyż akumulacji rezerw dewizowych przez ten kraj towarzyszy utrzymywanie się deficytu bilansu obrotów bieżących Stanów Zjednoczonych (Eichengreen, 2008, s. 189). Zagrożenie dla stabilności gospodarki światowej wynika również z tego, że podmioty zarządzające rezerwami inwestują je w wielu krajach, kierując się nie tylko motywem maksymalizacji zysku, lecz także motywem strategicznym, który wynika z dążenia do uzyskania wpływu na strategiczne sektory gospodarki, takie jak sektor energetyczny czy wydobywczy. Literatura na temat akumulacji rezerw dewizowych w Chinach jest stosunkowo uboga. Ponadto większość studiów dotyczy okresu sprzed globalnego kryzysu gospodarczego lat 2008–2010. Y. Hu (2010) przeanalizował dynamikę wielkości i struktury chińskich rezerw do 2009 r., jednak nie skupiał się na zagadnie-

224

Dominik A. Skopiec

niu adekwatności rezerw. Uczynił to S. Zeng (2012), jednakże w tym przypadku szeregi czasowe kończą się na 2005 r. i badanie nie obejmowało znaczenia adekwatności dla procesu zarządzania rezerwami. D. Freeman i W. Yongzhong (2013), w których pracy szeregi czasowe kończą się na 2011 r., skupili się natomiast na kosztach sterylizacji oraz dochodowości chińskich rezerw. Celem artykułu jest analiza strategicznych aspektów zarządzania rezerwami dewizowymi Chin w kontekście dynamicznej akumulacji rezerw prowadzonej przez ten kraj. Zgodnie z hipotezą przyjętą w artykule, wskutek dynamicznej akumulacji poziom rezerw dewizowych Chin utrzymuje się na ponadoptymalnym poziomie, co stwarza problemy w zarządzaniu tymi rezerwami oraz jest źródłem kosztów i ryzyka dla gospodarki Chin1. Zastosowane metody badawcze obejmują analizę danych statystycznych dotyczących rezerw dewizowych oraz wybranych zmiennych makroekonomicznych dla gospodarki Chin, a także analizę porównawczą i studium literatury przedmiotu. Artykuł składa się z siedmiu części. W pierwszych dwóch punkach przedstawiono istotę i strukturę rezerw dewizowych oraz najważniejsze zasady zarządzania nimi. Następnie scharakteryzowano proces gromadzenia rezerw przez Chiny na tle akumulacji rezerw dewizowych charakteryzującej współczesną gospodarkę światową. Po przedstawieniu instytucjonalnych ram zarządzania rezerwami w Państwie Środka przeprowadzono analizę wielkości chińskich rezerw dewizowych pod kątem wybranych miar adekwatności. W następnym punkcie poddano analizie strukturę walutową, geograficzną i inwestycyjną zgromadzonych przez Chiny rezerw dewizowych. Na podstawie uzyskanych wyników przedstawiono charakterystykę kosztów utrzymywania przez Państwo Środka ponadoptymalnego poziomu rezerw. Artykuł kończy podsumowanie zawierające najważniejsze wnioski.

1. ISTOTA, FUNKCJE I STRUKTURA REZERW DEWIZOWYCH Zgodnie z definicją Międzynarodowego Funduszu Walutowego, zawartą w Balance of Payments Manual, oficjalne aktywa rezerwowe są to zagraniczne aktywa rezerwowe, które są łatwo dostępne i kontrolowane przez władze monetarne danego kraju, wykorzystywane w celu finansowania deficytów bilansu płatniczego, w interwencjach na rynku walutowym mających na celu oddziaływanie na kurs waluty krajowej oraz w innych powiązanych celach, takich jak: utrzymywanie wiarygodności i zaufania do waluty i gospodarki krajowej oraz jako instrument zagranicznego kredytowania. Aktywa te muszą być nominowane w walutach obcych (IMF, 2009, s. 111). W wytycznych MFW wprowadzono klasyfikację oficjalnych aktywów rezerwowych, wyróżniając pięć zasadniczych kategorii aktywów: aktywa w walutach wymienialnych, transza rezerwowa w MFW, SDR, złoto oraz inne aktywa rezerwowe (IMF, 2013, s. 47–48). 1 W artykule za optymalny poziom rezerw dewizowych uznaje się poziom wyznaczony za pomocą wskaźników adekwatności. Optymalny poziom rezerw odnosi się w tym przypadku do poziomu adekwatnego, określanego również jako odpowiedni oraz bezpieczny.

ADEKWATNOŚĆ POZIOMU I STRUKTURY REZERW DEWIZOWYCH CHIN

225

W literaturze przedmiotu poszczególne pojęcia odnoszące się do aktywów rezerwowych są stosowane w sposób dość elastyczny, co prowadzi do nieścisłości. M.A. Dąbrowski (2015a) przeprowadził szczegółową analizę stosowanej terminologii i dokonał jej odpowiedniego usystematyzowania. Autor ten wskazuje, że pojęcie „oficjalne aktywa rezerwowe” jest tożsame z terminem „rezerwy dewizowe”, natomiast rezerwy walutowe są agregatem węższym i stanowią ich część. Podobnie pojęcie „rezerwy dewizowe” określają M. Barwiński i in. (2003). W strukturze rezerw walutowych MFW wyróżnia dwie zasadnicze grupy: papiery wartościowe oraz gotówkę i depozyty bankowe. Jednocześnie rezerwy walutowe stanowią najobszerniejszą kategorię w strukturze oficjalnych aktywów rezerwowych. W 2014 r. stanowiły one 87,9% oficjalnych aktywów rezerwowych krajów członkowskich MFW. Drugą pod względem wielkości pozycją pozostaje złoto (8,8%), natomiast udział transzy rezerwowej (1,1%) i SDR (2,2%) pozostaje marginalny (IMF, 2014a). Należy podkreślić, że złoto, SDR i transza rezerwowa w MFW stanowią – ze względu na swą niewielką elastyczność oraz specyficzny charakter – relatywnie stałe komponenty oficjalnych aktywów rezerwowych i w związku z tym nie są przedmiotem aktywnego zarządzania. Aktywna polityka inwestycyjna prowadzona jest więc przede wszystkim w odniesieniu do rezerw walutowych, a więc największej i najbardziej zróżnicowanej kategorii oficjalnych aktywów rezerwowych. Rezerwy dewizowe pełnią wiele funkcji, które decydują o popycie danego kraju na rezerwy, a także o ich strukturze. W systemie stałego kursu walutowego rezerwy pełnią funkcję interwencyjną, gdyż bank centralny zobowiązany jest do utrzymywania kursu waluty krajowej w określonym paśmie wahań, a czyni to przez interwencje na rynku walutowym. W systemie kursu płynnego, gdzie bank centralny nie ma obowiązku obrony kursu waluty krajowej, rezerwy pełnią funkcję stabilizacyjną, gdyż władze monetarne interweniują sporadycznie w celu przeciwdziałania nadmiernym i niepożądanym wahaniom kursu waluty krajowej. W systemach izby walutowej (currency board) rezerwy stanowią podstawę emisji waluty krajowej, jednakże obecnie jest to funkcja rzadko spotykana. Istotne znaczenie ma również funkcja protekcyjna, w przypadku której gromadzenie rezerw stanowi formę zabezpieczania się przed kryzysami finansowymi (Dąbrowski, 2015b). W szczególności adekwatne rezerwy pozwalają na powstrzymanie gwałtownej deprecjacji waluty krajowej w przypadku nagłego odpływu kapitału krótkoterminowego, a w związku z tym zmniejszają prawdopodobieństwo wystąpienia ataków spekulacyjnych. Funkcją rezerw jest też budowanie wiarygodności kredytowej kraju, gdyż stanowią one o jego zewnętrznej wypłacalności. Odpowiednio duże rezerwy prowadzą więc do zmniejszania ryzyka kraju i lepszych ocen agencji ratingowych, a – co za tym idzie – także do redukcji kosztu pozyskania kapitału na rynkach międzynarodowych. Rezerwy stanowią też zabezpieczenie kapitału zagranicznego ulokowanego w kraju i w związku z tym warunkują jego napływ (Bogołębska, 2013).

226

Dominik A. Skopiec

2. ZASADY ZARZĄDZANIA REZERWAMI DEWIZOWYMI Zarządzanie rezerwami dewizowymi określane jest jako proces zapewnienia adekwatnego poziomu rezerw oraz ich odpowiedniej dostępności dla władz monetarnych w celu realizacji przyjętych celów. W ramach zarządzania rezerwami dewizowymi podejmowane są więc kluczowe decyzje dotyczące wielkości utrzymywanych rezerw oraz sposobu ich finansowania, a także struktury walutowej, inwestycyjnej oraz geograficznej. Przedmiotem aktywnej polityki inwestycyjnej są głównie rezerwy walutowe, stanowiące część rezerw dewizowych. Szczególne znaczenie ma precyzyjne określenie podmiotu, który pozostaje właścicielem rezerw. W większości krajów jest nim bank centralny, który jednocześnie zarządza rezerwami. Dużo rzadziej występuje model, w którym właścicielem rezerw pozostaje rząd, podejmujący też strategiczne decyzje w zakresie zarządzania nimi, natomiast podmiotem wykonującym określoną przezeń strategię i administrującym rezerwami jest bank centralny (casus Wielkiej Brytanii) (Nugée, 2005, s. 11–12). Szczególnie istotną, a przy tym w dalszym ciągu sporną kwestią pozostaje określenie optymalnego dla danej gospodarki poziomu rezerw dewizowych. Ustalenie tego poziomu jest kluczowym etapem w procesie zarządzania rezerwami, gdyż utrzymywanie zbyt niskich rezerw czyni kraje bardziej podatnymi na szoki zewnętrzne, natomiast ich ponadoptymalny poziom generuje znaczne koszty. Celem zarządzania rezerwami dewizowymi jest więc zapewnienie ich adekwatnego poziomu, a nie tylko efektywne zarządzanie portfelem już zgromadzonych rezerw. Istnieje wiele miar adekwatności rezerw dewizowych, które stosowane są zarówno przez banki centralne, jak i przez badaczy przy określaniu optymalnego poziomu rezerw. Najczęściej stosowane są tradycyjne miary odnoszące wielkość rezerw do wybranych zmiennych makroekonomicznych. Jednym z podstawowych wskaźników jest relacja poziomu rezerw dewizowych do wartości miesięcznego importu. Wskaźnik ten pokazuje, jak długo gospodarka pozbawiona zewnętrznych źródeł finansowania będzie w stanie importować na dotychczasowym poziomie. Za odpowiednią wielkość rezerw uważa się poziom odpowiadający wartości trzech miesięcy importu (Barwiński i in., 2003, s. 8). Równie popularną miarą jest relacja poziomu rezerw dewizowych do wartości zadłużenia krótkoterminowego. Zgodnie z tzw. regułą Greenspana-Guidottiego optymalny poziom rezerw dewizowych odpowiada wartości 100% zadłużenia krótkoterminowego (IMF, 2011, s. 13). Nieco rzadziej stosowanym kryterium adekwatności jest relacja wielkości rezerw do wartości całkowitego zadłużenia zagranicznego. Poziom rezerw uważa się za optymalny, gdy ich wartość kształtuje się w przedziale od 30% do 50% wartości całkowitego zadłużenia zagranicznego (najbardziej odpowiednia wartość to środek przedziału, czyli 40%) (Zeng, 2012, s. 42–46). Optymalna wielkość rezerw jest także wyznaczana za pomocą odniesienia do podaży pieniądza. W tym przypadku wskaźnik adekwatności rezerw przyjmuje postać relacji wielkości

ADEKWATNOŚĆ POZIOMU I STRUKTURY REZERW DEWIZOWYCH CHIN

227

rezerw do agregatu pieniądza M2, a za optymalną wartość uznaje się 20% (IMF, 2011, s. 13). Wspomniane miary adekwatności rezerw mają jednak istotne wady. Przede wszystkim optymalny poziom rezerw walutowych jest wyznaczany w sposób arbitralny. Ponadto wskaźniki te nie uwzględniają zróżnicowania gospodarek i ich charakterystyki, przede wszystkim różnego poziomu otwartości realnej i finansowej. Odzwierciedleniem tych różnic jest zróżnicowane zapotrzebowanie poszczególnych krajów na rezerwy walutowe. Odpowiedzią na te problemy było powstanie bardziej złożonych miar adekwatności rezerw, w tym modelowania optymalnego poziomu oraz wykorzystania analizy scenariuszy (Knap, 2013). Jednakże tradycyjne miary w dalszym ciągu pozostają podstawowym punktem odniesienia dla podmiotów zarządzających rezerwami (IMF, 2011, s. 17). J. Nugée (2005) wskazuje na istnienie tzw. klasycznej trójcy celów (classic trilogy of objectives) zarządzania rezerwami dewizowymi, na którą składają się: zapewnienie bezpieczeństwa rezerw, odpowiedniej ich płynności oraz możliwie dużego zysku. Cele te tworzą przy tym układ hierarchiczny, w którym priorytetowy charakter ma bezpieczeństwo, gdyż rezerwy są aktywami publicznymi i stanowią część majątku narodowego. Drugim pod względem istotności celem jest płynność, która oznacza, że aktywa można sprzedać szybko i bez generowania strat wskutek wywołanego spadku ich ceny. Jest to istotna cecha aktywów rezerwowych, które muszą być dostępne dla władz monetarnych w celu ich wykorzystania w ramach funkcji interwencyjnej. Tradycyjnie najmniej istotnym celem pozostaje dochodowość, jednakże wobec dynamicznej akumulacji rezerw dewizowych w gospodarce światowej, w szczególności wśród krajów wschodzących i rozwijających się, znaczenie tego celu systematycznie wzrasta. W dalszym ciągu jednak motywem utrzymywania rezerw nie jest maksymalizacja zysku. Można natomiast stwierdzić, że celem zarządzania rezerwami jest maksymalizacja ich dochodowości przy jednoczesnym zachowaniu wysokiego poziomu bezpieczeństwa i płynności (Nugée, 2015, s. 13–14). W ramach zarządzania rezerwami walutowymi dokonywana jest więc nie tylko optymalizacja poziomu rezerw, lecz także optymalizacja ich struktury walutowej, geograficznej i inwestycyjnej. Konieczne jest przy tym określenie akceptowanego poziomu ryzyka oraz sformułowanie strategii inwestycyjnej. W strukturze walutowej rezerw priorytetowo jest traktowana zazwyczaj waluta międzynarodowa, w której rozliczana jest większość obrotów handlu zagranicznego, a także waluta, w której nominowana jest zasadnicza część zadłużenia zagranicznego. Wpływa to w znaczącym stopniu na geograficzną strukturę rezerw (rezerwy grupowane według krajów emitujących aktywa rezerwowe), przy czym istotna jest tu także wiarygodność kredytowa i ryzyko kraju emitenta. Struktura inwestycyjna (rodzaj instrumentów finansowych, w których utrzymywane są rezerwy) determinowana jest z kolei przez konieczność zapewnienia bezpieczeństwa i płynności rezerw. W związku z tym są one inwestowane w przeważającej mierze w rządowe instrumenty dłużne krajów emitujących waluty międzynarodowe. Papiery te cechują się wysokim bezpieczeństwem i dużą płynnością, jednak charakteryzują się także

228

Dominik A. Skopiec

niską dochodowością. Większa swoboda polityki inwestycyjnej istnieje natomiast w odniesieniu do tej części zgromadzonych rezerw dewizowych, która została uznana za ponadoptymalną (nadwyżkową). W tym kontekście należy podkreślić, że w związku ze znacznym przyrostem rezerw od połowy lat 90., głównie w krajach wschodzących i rozwijających się, pojawiła się tendencja do bardziej aktywnego zarządzania rezerwami, w szczególności ich częścią uznaną za ponadoptymalną (Borio, Galati, Heath, 2008). Zasady zarządzania rezerwami dewizowymi zostały również opracowane przez Międzynarodowy Fundusz Walutowy w postaci mających niewiążący charakter wytycznych (Guidelines for Foreign Exchange Reserves Management). W wytycznych tych za trzy podstawowe cele zarządzania rezerwami uznano: zapewnienie ich adekwatnego poziomu, kontrolę różnych rodzajów ryzyka (m.in. ryzyka kredytowego, płynności, kursowego czy rynkowego) oraz generowanie możliwie wysokiej dochodowości przy zachowaniu odpowiedniego poziomu bezpieczeństwa i płynności. Podmiot zarządzający powinien w szczególności dążyć do zachowania wartości utrzymywanych rezerw, a przy wyznaczaniu ich optymalnego poziomu powinien uwzględniać zarówno korzyści, jak i koszty ich utrzymywania. W wytycznych wskazano również na szczególną rolę dywersyfikacji rezerw w odniesieniu do walut, instrumentów i krajów w zapewnieniu odpowiedniej ich dochodowości przy danym poziomie ryzyka. Podkreślono także konieczność zagwarantowania odpowiedniej transparentności zarządzania rezerwami dewizowymi, gdyż stanowią one część majątku narodowego i finansowane są z pieniędzy publicznych. Przejawem tego powinno być przede wszystkim opracowywanie i podawanie do publicznej wiadomości strategii zarządzania rezerwami, a także upublicznianie informacji dotyczących ich wielkości i struktury w postaci periodycznych raportów. W wytycznych zaznaczono jednak, że informacje te mogą być ograniczone ze względu na prawidłowe wypełnianie przez rezerwy przypisanych im funkcji. Transparentność zarządzania rezerwami zapewnić ma również precyzyjne wyznaczenie podmiotu będącego właścicielem rezerw oraz jego kompetencji w zakresie zarządzania aktywami rezerwowymi (IMF, 2014b).

3. AKUMULACJA REZERW DEWIZOWYCH W CHINACH Akumulacja rezerw dewizowych stanowi jedną z cech charakteryzujących współczesną gospodarkę światową. Wspomniany proces zaczął się po serii kryzysów walutowych w II połowie lat 90. XX w., w szczególności w reakcji na kryzys azjatycki lat 1997–1998. W rezultacie światowe rezerwy wzrosły z 1,6 bln USD w 1996 r. do 11,8 bln USD w 2014 r., natomiast w relacji do światowego PKB wzrosły z poziomu 5,1% w 1996 r. do 15,2% w 2014 roku. Akumulacja rezerw walutowych jest przy tym procesem zachodzącym w przeważającej mierze w krajach wschodzących i rozwijających się, co doprowadziło do odwrócenia udziałów krajów rozwiniętych i rozwijających się w rezerwach światowych. Według danych publikowanych przez MFW w bazie COFER (Currency Composition of Official

229

ADEKWATNOŚĆ POZIOMU I STRUKTURY REZERW DEWIZOWYCH CHIN

Foreign Exchange Reserves) w 1996 r. 64,9% rezerw przypadało na kraje rozwinięte, a 35,1% na kraje rozwijające się i wschodzące, natomiast w 2014 r. kraje rozwinięte utrzymywały zaledwie 32,6%, a kraje rozwijające się i wschodzące posiadały 67,4% światowych rezerw dewizowych (COFER, 2015). Rysunek 1. Rezerwy dewizowe w gospodarce światowej (w mld USD)* 14 000 12 000 10 000 8 000 6 000 4 000

Rezerwy alokowalne

2014

2013

2012

2011

2010

2009

2008

2007

2006

2005

2004

2003

2002

2001

2000

1999

1998

1997

0

1996

2 000

Rezerwy niealokowalne

* Rezerwy alokowane dotyczą tej części światowych rezerw, których struktura walutowa jest ujawniana MFW przez kraje członkowskie i publikowana przez Fundusz w postaci zagregowanych danych w bazie COFER. Natomiast struktura walutowa rezerw niealokowanych nie jest ujawniana przez kraje członkowskie Funduszu. Źródło: opracowanie własne na podstawie (COFER, 2015).

Akumulacja rezerw dewizowych w gospodarce światowej jest spowodowana z jednej strony polityką makroekonomiczną realizowaną przez kraje gromadzące rezerwy, z drugiej natomiast jest następstwem dysfunkcjonalności współczesnego międzynarodowego systemu walutowego. Pierwsza grupa czynników zostanie przedstawiona na przykładzie Chin, natomiast za najważniejsze czynniki związane z funkcjonowaniem międzynarodowego systemu walutowego uznawane są: zwiększona częstotliwość występowania kryzysów finansowych, duża skala i zmienność przepływów kapitału, znaczne wahania kursów walutowych, swoboda wyboru systemu kursu walutowego, brak efektywnego pożyczkodawcy ostatniej instancji na poziomie międzynarodowym, ograniczona podaż aktywów rezerwowych, niedostateczna koordynacja polityki makroekonomicznej oraz funkcjonowanie dominującej waluty międzynarodowej (Mohan, Patra, Kapur, 2013, s. 4–11). Proces akumulacji rezerw dewizowych jest charakterystyczny przede wszystkim dla krajów wschodzących i rozwijających się. Wśród tych krajów widoczna jest dominacja dwóch grup, a mianowicie państw Azji Wschodniej oraz krajów eksportujących surowce, w szczególności ropę naftową. Wiodącą rolę w akumulacji rezerw w gospodarce światowej odgrywają Chiny, pozostające od lat krajem utrzymującym największy zasób rezerw. Tempo akumulacji rezerw dewizowych w Chinach nabrało dynamiki po akcesji Chin do Światowej Organizacji Handlu w 2001 roku. O ile w okresie od 1996 r.

230

Dominik A. Skopiec

Rysunek 2. Kraje posiadające największe zasoby rezerw dewizowych w 2014 r. (w mld USD)

ie ng ap ur M ek sy k A lg ie ria Si

In d

A

Ch

in y Ja ra p bi on a ia Sa ud yj sk Sz a w aj ca ria .R Br UH az D yl 3R ia ïX GQ LR Z D Ro sj H a on gk on g

4 500 4 000 3 500 3 000 2 500 2 000 1 500 1 000 500 0

Źródło: opracowanie własne na podstawie The World Bank (2015).

do 2000 r. rezerwy Państwa Środka zwiększały się powoli z 107 mld USD do 168,3 mld USD, to po 2001 r. nastąpił ich bezprecedensowy wzrost, wskutek którego osiągnęły wartość 3,88 bln USD w 2014 roku. Ogromnemu przyrostowi rezerw dewizowych Chin odpowiadał także wzrost ich udziału w rezerwach światowych z 5,9%w 1996 r. do 30,1%w 2014 r. (The World Bank, 2015). Rysunek 3. Rezerwy dewizowe Chin w mld USD i jako odsetek światowych rezerw dewizowych 5 000,00

35,00% 30,00%

4 000,00

25,00%

3 000,00

20,00%

2 000,00

15,00% 10,00%

1 000,00

Rezerwy walutowe Chin w mld USD 5H]HUZ\ ZDOXWRZH &KLQ MDNR UH]HUZ ĂZLDWRZ\FK Źródło: opracowanie własne na podstawie: The World Bank (2015).

2014

2013

2012

2011

2010

2009

2008

2007

2006

2005

2004

2003

2002

2001

2000

1999

1998

1997

5,00% 1996

0,00

0,00%

ADEKWATNOŚĆ POZIOMU I STRUKTURY REZERW DEWIZOWYCH CHIN

231

Podobnie jak w przypadku wielu krajów azjatyckich dominującymi motywami akumulacji rezerw dewizowych przez Chiny są motywy: ostrożnościowy, interwencyjny, merkantylistyczny oraz zaufania. Motyw ostrożnościowy, który wiąże się z dążeniem do zabezpieczenia się przed ryzykiem wystąpienia kryzysu walutowego, wynika z doświadczeń kryzysu azjatyckiego lat 1997–1998, kiedy dotknięte kryzysem państwa Azji Wschodniej nie posiadały dostatecznie dużych rezerw, aby bronić kursów swoich walut przez gwałtowną deprecjacją. Popyt Chin na rezerwy dewizowe wzmogła ponadto negatywna ocena działań podjętych przez MFW podczas kryzysu azjatyckiego i wynikające z tego dążenie do uniezależnienia się od tej instytucji (ECB, 2006, s. 12–13). Motyw interwencyjny wynika bezpośrednio z faktu funkcjonowania w Chinach systemu stałego kursu walutowego, w którym istnieje konieczność utrzymania poziomu kursu w granicach przyjętego pasma wahań wokół parytetu. Wąskie pasmo wahań renminbi wokół parytetu (± 2%) stwarza potrzebę utrzymywania znacznych rezerw, będących instrumentem oddziaływania na poziom kursu przez interwencje na rynku walutowym (IMF, 2014c, s. 20). Motyw merkantylistyczny wiąże się z interwencjami na rynku walutowym, które podyktowane są dążeniem do powstrzymania aprecjacji renminbi w celu wspierania międzynarodowej konkurencyjności cenowej chińskiego eksportu i realizacji proeksportowej strategii wzrostu gospodarczego. Interwencje walutowe mają w tym przypadku charakter jednokierunkowy i sprowadzają się do zakupu przez Ludowy Bank Chin walut obcych za walutę krajową. Akumulacja rezerw nie stanowi tu jednak celu samego w sobie, lecz jest efektem ubocznym prowadzonych interwencji. Warto zaznaczyć, że w okresie utrzymującego się niedowartościowania renminbi przeważająca część interwencji Ludowego Banku Chin była dokonywana ze względu na motyw merkantylistyczny (Subramanian, 2011, s. 125–129). Czynnikiem akumulacji rezerw dewizowych przez Chiny jest również motyw zaufania, który wynika z faktu, że rezerwy walutowe są elementem składającym się na wiarygodność kredytową kraju. Adekwatny poziom utrzymywanych rezerw zwiększa zaufanie inwestorów zagranicznych, prowadzi do zmniejszenia ryzyka kraju, wyższych ocen agencji ratingowych oraz niższego kosztu pozyskania kapitału na międzynarodowym rynku finansowym. Znaczenie tego motywu w przypadku Chin jest istotne również dlatego, że Państwo Środka pozostaje największym wśród krajów wschodzących odbiorcą zagranicznych inwestycji bezpośrednich.

4. INSTYTUCJONALNE RAMY ZARZĄDZANIA REZERWAMI DEWIZOWYMI CHIN Model zarządzania rezerwami dewizowymi w Chinach opiera się na podziale zadań pomiędzy kilka instytucji. W kontekście przedstawionych na początku artykułu typowych rozwiązań instytucjonalnych model chiński jest modelem mieszanym, w którym występują zarówno podmioty publiczne, jak i prywatne. Zgodnie z art. 4 ust. 7 Prawa o Ludowym Banku Chin (Law of the People’s Republic of

232

Dominik A. Skopiec

China on the People’s Bank of China) z 1995 r. (po zmianach w 2003 r.) bank ten odpowiada za utrzymywanie oraz zarządzanie rezerwami dewizowymi. Funkcja zarządzania rezerwami została jednak delegowana i sprawuje ją powstała w 1995 r. agencja rządowa State Administration of Foreign Exchange (SAFE), która podlega Ludowemu Bankowi Chin (government agency directly under the PBC), a jej szef jest zastępcą prezesa banku centralnego i członkiem Komitetu Polityki Pieniężnej (PBC, 2015). Strukturę organizacyjną SAFE tworzą zlokalizowana w Pekinie centrala oraz 36 oddziałów znajdujących się w różnych prowincjach i regionach autonomicznych. Ponadto agencji podlegają cztery instytucje, wśród których najważniejszą jest Centrum Inwestycyjne SAFE (SAFE Investment Center) (SAFE, 2015, s. 2–12). SAFE pozostaje w dalszym ciągu jedną z najbardziej enigmatycznych i najmniej transparentnych władz zarządzających rezerwami dewizowymi na świecie. Wiąże się to przede wszystkim z tym, że agencja ta nie udostępnia praktycznie żadnych informacji dotyczących strategii inwestycyjnej oraz struktury walutowej, geograficznej i inwestycyjnej rezerw. SAFE podaje do publicznej wiadomości jedynie dane dotyczące ich ogólnej wartości. Znacząca zmiana w modelu zarządzania rezerwami dewizowymi Chin nastąpiła wraz z utworzeniem w 2007 r. China Investment Corporation (CIC), która stanowi obecnie największy z czterech chińskich państwowych funduszy majątkowych. Powstanie CIC wiązało się ze wzrostem kosztu alternatywnego utrzymywania szybko rosnących rezerw w niskooprocentowanych papierach dłużnych emitowanych przez rząd Stanów Zjednoczonych. Wzrost tego kosztu wynikał przede wszystkim z przyspieszenia tempa akumulacji rezerw po 2001 roku. W związku z tym najważniejszymi zadaniami CIC stały się inwestowanie powierzonej jej części rezerw w aktywa przynoszące wyższą stopę zwrotu oraz dywersyfikacja rezerw celem zmniejszenia ryzyka spadku ich wartości w przypadku deprecjacji dolara. Jednocześnie nie utworzono żadnego mechanizmu stałego przekazywania określonej części rezerw z SAFE do CIC. Dotychczas dokapitalizowano CIC jedynie dwa razy. W momencie utworzenia CIC powierzono rezerwy o wartości 200 mld USD, a następnie 2011 r. przekazano jej kolejną transzę rezerw o wartości 30 mld USD (Schena, 2011). Po utworzeniu CIC podmiotem zarządzającym przeważającą częścią rezerw pozostaje w dalszym ciągu SAFE, która zachowuje prymat inwestowania w aktywa bezpieczne, czyli głównie obligacje skarbowe. Natomiast CIC z zasady ma zarządzać jedynie nadwyżkową częścią rezerw (excess reserves) i inwestować ją w aktywa cechujące się wyższym ryzykiem i stopą zwrotu (Koch-Weser, Haacke, 2013, s. 14–15).

5. PROBLEM ADEKWATNOŚCI POZIOMU REZERW DEWIZOWYCH CHIN Jednym z podstawowych celów zarządzania rezerwami dewizowymi jest zapewnienie ich adekwatnego poziomu (IMF, 2014b). Ocena zarządzania rezerwami dewi-

233

ADEKWATNOŚĆ POZIOMU I STRUKTURY REZERW DEWIZOWYCH CHIN

zowymi Chin musi zatem uwzględniać analizę ich wielkości przez pryzmat określonych miar adekwatności. Ponieważ najczęściej stosowanymi miarami zarówno przez banki centralne, jak i badaczy są tradycyjne wskaźniki przedstawione na początku artykułu, analiza w tym punkcie również opiera się na ich wykorzystaniu. Relacja rezerw dewizowych do PKB danego kraju nie jest, co prawda, traktowana jako miara ich adekwatności, jednakże ukazuje relatywną wielkość utrzymywanych rezerw. Na początku badanego okresu, w 1996 r., rezerwy dewizowe stanowiły 12,4% PKB Chin, jednak wskutek prowadzonej akumulacji rosły dynamicznie i osiągnęły najwyższy notowany dotąd poziom 47,8% PKB w 2009 roku. Następnie relatywna wielkość rezerw spadała wskutek zmniejszenia tempa akumulacji, spowodowanego globalnym kryzysem gospodarczym i spadkiem popytu na chiński eksport. W 2014 r. rezerwy dewizowe stanowiły 37,3% PKB Chin. Poziom ten znacząco przekracza wartość charakterystyczną dla krajów rozwiniętych, w których relacja rezerw do PKB wynosi średnio kilka procent (wyjątkami są w szczególności Szwajcaria i Japonia), jednakże nie jest też tak wysoki jak w niektórych krajach rozwijających się (np. w Libii relacja ta przekracza 190%, w Hongkongu 120%, a w Singapurze 95%) (The World Bank, 2015). Rysunek 4. Rezerwy dewizowe jako odsetek PKB Chin 60,00% 50,00% 40,00% 30,00% 20,00%

2014

2013

2012

2011

2010

2009

2008

2007

2006

2005

2004

2003

2002

2001

2000

1999

1998

1997

0,00%

1996

10,00%

Źródło: opracowanie własne na podstawie: The World Bank (2015).

Relacja rezerw dewizowych Chin do wartości miesięcznego importu tego kraju przekraczała adekwatny poziom odpowiadający wartości trzymiesięcznego importu w całym badanym okresie. Najwyższą wartość 25,4 miesięcy wskaźnik ten osiągnął w 2009 r., a następnie umiarkowanie spadał i w 2014 r. wynosił 19,2 miesięcy. Wartość rezerw była wówczas ponad sześciokrotnie wyższa od poziomu uznawanego za adekwatny (The World Bank, 2015). Również wartość rezerw dewizowych w odniesieniu do zadłużenia krótkoterminowego Chin stale kształtuje się znacząco powyżej poziomu adekwatnego, za który uznaje się wartość odpowiadającą 100% tego zadłużenia. W Chinach relacja ta osiągnęła najwyższy poziom 1013% w 2000 r., po czym nastąpił skokowy spadek i następnie ponownie systematyczny wzrost, w wyniku którego rezerwy stanowiły 1050% zadłużenia krótkoterminowego w 2008 roku. Od tego czasu wskaźnik ten zaczął ponownie spadać i w 2014 r. wyniósł 570,8%, czyli wartość rezerw stanowiła prawie sześciokrotność poziomu adekwatnego (The World Bank, 2015).

234

Dominik A. Skopiec

Rysunek 5. Relacja rezerw dewizowych do wartości miesięcznego importu Chin 30,00 25,00 20,00 15,00 10,00

2014

2013

2012

2011

2010

2009

2008

2007

2006

2005

2004

2003

2002

2001

2000

1999

1998

1997

0,00

1996

5,00

5H]HUZ\ Z PLHVLÈFDFK LPSRUWX :DUWRĂÊ UHIHUHQF\MQD PLHVLÚF\ Źródło: opracowanie własne na podstawie: The World Bank (2015).

Rysunek 6. Rezerwy dewizowe jako odsetek zadłużenia krótkoterminowego Chin 1 400,00% 1 200,00% 1 000,00% 800,00% 600,00% 400,00%

2014

2013

2012

2011

2010

2009

2008

2007

2006

2005

2004

2003

2002

2001

2000

1999

1998

1997

0,00%

1996

200,00%

5H]HUZ\ MDNR ]DGïXĝHQLD NUöWNRWHUPLQRZHJR :DUWRĂÊ UHIHUHQF\MQD Źródło: opracowanie własne na podstawie: The World Bank (2015).

Relacja wartości rezerw dewizowych do całkowitego zadłużenia zagranicznego Chin także znacząco przekraczała uznawany za adekwatny poziom 40% w całym badanym okresie. Wskaźnik ten osiągnął najwyższą wartość w 2009 r. i wyniósł wówczas 550%, a następnie nieco spadał i w 2014 r. stanowił 406,5%. Poziom rezerw przekroczył wówczas wartość optymalną ponad dziesięciokrotnie (The World Bank, 2015). W odniesieniu do agregatu pieniądza M2 wielkość rezerw dewizowych Chin pozostawała na ponadoptymalnym poziomie przez znaczną część badanego okresu. Najwyższy poziom relacja rezerw do podaży pieniądza M2 osiągnęła w 2007 r. i wyniosła 29,2%. Następnie jednak odsetek ten spadał i w 2014 r. wyniósł 19,5%, co sprawia, że obecnie rezerwy dewizowe Chin pozostają na adekwatnym poziomie w odniesieniu do tego wskaźnika (The World Bank, 2015).

235

ADEKWATNOŚĆ POZIOMU I STRUKTURY REZERW DEWIZOWYCH CHIN

Rysunek 7. Rezerwy dewizowe jako odsetek całkowitego zadłużenia zagranicznego Chin 600,00% 500,00% 400,00% 300,00% 200,00%

2011

2012

2013

2014

2012

2013

2014

2010

2009

2008

2007

2006

2005

2004

2011

5H]HUZ\ MDNR FDïNRZLWHJR ]DGïXĝHQLD ]DJUDQLF]QHJR

2003

2002

2001

2000

1999

1998

1997

0,00%

1996

100,00%

:DUWRĂÊ UHIHUHQF\MQD

Źródło: opracowanie własne na podstawie: The World Bank (2015).

Rysunek 8. Rezerwy dewizowe jako odsetek agregatu pieniądza M2 w Chinach 35,00% 30,00% 25,00% 20,00% 15,00% 10,00%

Rezerwy jako % agregatu SLHQLÈG]D 0

2010

2009

2008

2007

2006

2005

2004

2003

2002

2001

2000

1999

1998

1997

0,00%

1996

5,00%

:DUWRĂÊ UHIHUHQF\MQD

Źródło: opracowanie własne na podstawie: The World Bank (2015).

Analiza wielkości chińskich rezerw dewizowych pod kątem wspomnianych kryteriów adekwatności pokazuje, że w przypadku większości z nich rezerwy znacznie przewyższają wartość określoną jako optymalną. Można zatem uznać, że zarządzanie rezerwami walutowymi w Chinach nie wypełnia w sposób odpowiedni swego podstawowego celu, jakim jest zapewnienie adekwatnego poziomu rezerw. Efektem tego jest utrzymujący się ponadoptymalny poziom rezerw walutowych, co zwiększa koszty ich utrzymywania (o czym będzie mowa w dalszej części artykułu).

236

Dominik A. Skopiec

6. INWESTOWANIE REZERW DEWIZOWYCH CHIN Analiza strategii i praktyki inwestycyjnej w odniesieniu do rezerw dewizowych Chin jest bardzo utrudniona ze względu na to, że instytucje zarządzające rezerwami nie podają do publicznej wiadomości strategii inwestycyjnych, a zakres publikowanych danych dotyczących struktury walutowej, geograficznej i inwestycyjnej rezerw jest bardzo ograniczony. W związku z tym wykorzystane dane pochodzą w znacznej części z baz instytucji międzynarodowych, publikacji Departamentu Stanu USA, a także ze źródeł wtórnych. Szczątkowe i ogólne informacje o strategii inwestycyjnej SAFE znajdują się w raportach rocznych tej instytucji. Przykładowo w 2015 r. ogólne zasady (general ideas) zarządzania rezerwami przez SAFE obejmowały dywersyfikację rezerw dewizowych i zwiększenie ich dochodowości poprzez efektywniejsze inwestowanie, a także wzrost wykorzystania rezerw we wspieraniu realnej sfery gospodarki i realizacji strategii państwowych. W odniesieniu do ostatniej kwestii w szczególności wskazano na wsparcie Funduszu Jedwabnego Szlaku, funduszu rezerwowego krajów BRICS oraz Afrykańskiego Banku Rozwoju (SAFE, 2015, s. 70). Raporty roczne SAFE nie zawierają niestety danych statystycznych dotyczących struktury utrzymywanych rezerw, co znacząco komplikuje analizę, gdyż instytucja ta administruje przeważającą większością chińskich rezerw. Również w raportach rocznych CIC znajdują się bardzo ogólne informacje na temat strategii inwestycyjnej. Podstawowe cztery zasady polityki inwestycyjnej CIC to inwestowanie rezerw na zasadach rynkowych, tj. w celu maksymalizacji zysku przy określonym akceptowalnym poziomie ryzyka, brak dążenia do uzyskania kontroli w przedsiębiorstwach, w których aktywa inwestowane są rezerwy, poszanowanie dla prawa krajów odbiorców inwestycji oraz prowadzenie polityki inwestycyjnej opartej na wynikach prac analitycznych w celu zachowania należytego poziomu ostrożności (CIC, 2015, s. 29). Więcej o strategii inwestycyjnej CIC mówią natomiast zawarte w raportach rocznych zagregowane dane na temat struktury inwestycyjnej aktywów tej instytucji. Charakterystyczny jest tu przede wszystkim niski udział aktywów o stałym dochodzie, które w 2014 r. stanowiły jedynie 14,6% portfela CIC. Wśród tych aktywów aż 57,4% utrzymywano w obligacjach skarbowych krajów rozwiniętych, jedynie 17,7% w obligacjach krajów wschodzących, natomiast 24,9% w obligacjach przedsiębiorstw. Zdecydowanie największą kategorię aktywów CIC stanowiły w 2014 r. akcje, których udział wyniósł 44,1%, przy czym 45,6% stanowiły akcje przedsiębiorstw ze Stanów Zjednoczonych, 33,5% przedsiębiorstw z innych krajów rozwiniętych, a jedynie 20,9% akcje z krajów wschodzących. Szczególną pozycję w portfelu CIC zajmują inwestycje długoterminowe, stanowiące 26,2% aktywów tej instytucji. Są to w znacznej mierze inwestycje bezpośrednie, zwłaszcza w sektorze wydobycia surowców oraz nieruchomości (CIC, 2015, s. 33–35). Znaczący udział inwestycji bezpośrednich i portfelowych dokonywanych w sektorze wydobywczym i energetycznym świadczy niewątpliwie o tym, że CIC realizuje nie

ADEKWATNOŚĆ POZIOMU I STRUKTURY REZERW DEWIZOWYCH CHIN

237

tylko cel maksymalizacji zysku, lecz także cele strategiczne, które wynikają z dążenia do uzyskania wpływu na strategiczne sektory gospodarki. Na podstawie przytoczonych danych można wnioskować, że strategia inwestowania rezerw przez CIC jest dość ryzykowna i jej nadrzędnym celem pozostaje maksymalizacja dochodowości rezerw, a nie ich bezpieczeństwo i płynność. Potwierdza to tezę o swoistej dwutorowości modelu zarządzania rezerwami walutowymi Chin. W modelu tym podstawową częścią rezerw zarządza SAFE charakteryzująca się dążeniem przede wszystkim do zapewnienia ich bezpieczeństwa i płynności, natomiast nadwyżkową częścią rezerw, tj. ich częścią uznaną za ponadoptymalną, zarządza CIC, dążąc przy tym do maksymalizacji zysku, gdyż w przypadku powierzonej jej części rezerw nie ma już konieczności realizowania typowych, tradycyjnych celów zarządzania rezerwami dewizowymi. Należy jednak pamiętać, że CIC zarządza jedynie niewielką częścią rezerw dewizowych Chin, natomiast większość jest inwestowana przez SAFE i to strategia inwestycyjna tej instytucji ma decydujący wpływ na strukturę inwestycyjną i dochodowość chińskich rezerw. Chiny nie tylko nie podają do publicznej wiadomości strategii inwestycyjnej, lecz także ograniczają zakres ujawnianych danych na temat struktury walutowej, geograficznej i inwestycyjnej utrzymywanych rezerw. Pomimo braku oficjalnych danych na temat struktury walutowej chińskich rezerw Y. Hu (2010, s. 8–9) szacuje, że 60−70% ich jest inwestowane w aktywa denominowane w dolarach, 20−30% w euro i 10% w funtach brytyjskich, jenach japońskich i innych walutach. Widoczna w strukturze geograficznej chińskich rezerw przewaga aktywów Stanów Zjednoczonych wynika z kilku powodów. Przede wszystkim ich nagromadzenie jest rezultatem interwencji Ludowego Banku Chin polegających na zakupie dolarów w celu powstrzymania aprecjacji renminbi, którego kurs walutowy jest powiązany głównie z dolarem. Ponadto Chiny nie mają zbyt wielkich możliwości alternatywnego i bezpiecznego inwestowania ogromnych rezerw, a amerykański rynek obligacji skarbowych jest postrzegany jako jedyny rynek na świecie mogący zaabsorbować tak znaczący napływ środków z Chin. Stany Zjednoczone posiadają również najbardziej rozwinięty rynek finansowy na świecie, podczas gdy chiński rynek finansowy jest słabo rozwinięty. Obligacje skarbowe emitowane przez rząd federalny są przy tym nie tylko bardzo płynnymi aktywami, a w takich właśnie muszą być utrzymywane rezerwy, lecz są także uważane za aktywa tradycyjnie bezpieczne (safe haven assets). (Morrison, Labonte, 2011, s. 4–5). Ze względu na wspomniane czynniki aktywa amerykańskie stanowią od lat dominującą pozycję w rezerwach dewizowych Chin. Najwyższy w badanym okresie udział aktywa te osiągnęły w 2006 r. – stanowiły wówczas 64,7% rezerw Państwa Środka. Następnie odsetek ten spadał w związku z powolną dywersyfikacją rezerw dokonywaną przez Chiny w obawie przed stratami w wyniku deprecjacji dolara, niemniej jednak w 2014 r. aktywa amerykańskie stanowiły nadal największy składnik chińskich rezerw z udziałem 46,6% (Department of the Treasury, 2015a).

238

Dominik A. Skopiec

Rysunek 9. Udział aktywów Stanów Zjednoczonych w rezerwach dewizowych Chin (w %) 70% 60% 50% 40% 30% 20%

2014

2013

2012

2011

2010

2009

2008

2007

2006

2005

2004

2003

2002

0%

2000

10%

Źródło: opracowanie własne na podstawie danych Department of the Treasury (2015a).

Brak również oficjalnych danych dotyczących struktury inwestycyjnej chińskich rezerw, czyli typów aktywów, w które są one inwestowane. W przypadku rezerw utrzymywanych w aktywach amerykańskich, a więc de facto w odniesieniu do większości chińskich rezerw, dostępne są jednak dane publikowane przez Departament Skarbu Stanów Zjednoczonych. Uzyskaną za pomocą tych danych strukturę inwestycyjną rezerw dolarowych Państwa Środka można więc interpretować rozszerzająco i ekstrapolować ją na całość chińskich rezerw, gdyż uważa się, że SAFE stosuje podobną strategię inwestycyjną niezależnie od walut, w których utrzymuje rezerwy (Zeng, 2012). Chiny inwestują głównie w dwa rodzaje aktywów dolarowych, a mianowicie w obligacje skarbowe oraz w obligacje agencji rządowych. Obligacje skarbowe USA stanowią największą grupę wśród aktywów rezerwowych Chin i dominującą część rezerw dolarowych tego kraju. Chiny pozostają również największym na świecie posiadaczem amerykańskich obligacji skarbowych. W badanym okresie ich wielkość będąca w posiadaniu Chin systematycznie rosła z poziomu 71 mld USD w 2000 r. do 1,26 bln USD w 2014 roku. Udział obligacji skarbowych w całkowitej wartości chińskich rezerw utrzymywanych w aktywach dolarowych wahał się w tym okresie w przedziale od 45% do 77%. Charakterystyczny jest przy tym wzrost tego udziału w czasie globalnego kryzysu gospodarczego, kiedy wbrew powszechnym oczekiwaniom nie nastąpiła deprecjacja dolara, lecz jego aprecjacja na skutek napływu kapitału do Stanów Zjednoczonych, co było spowodowane ucieczką do aktywów tradycyjnie uważanych za bezpieczne. Chiny zwiększyły wówczas udział obligacji skarbowych USA w swoich aktywach dolarowych z poziomu 50,6% w 2007 r. do 75,4% w 2011 roku. Wraz ze stopniowym przezwyciężeniem kryzysu udział obligacji skarbowych USA w chińskich rezerwach dolarowych zaczął jednak spadać, co wiązało się z dywersyfikacją rosnących szybko rezerw w celu zwiększenia ich dochodowości. W rezultacie udział obligacji skarbowych w aktywach dolarowych Państwa Środka powoli spadał i w 2014 r. wyniósł 69,4% (Department of the Treasury, 2015a).

239

ADEKWATNOŚĆ POZIOMU I STRUKTURY REZERW DEWIZOWYCH CHIN

Obligacje amerykańskich agencji rządowych stanowią drugą co do wielkości grupę dłużnych papierów dolarowych utrzymywanych przez Chiny. Ewolucja ich udziału w rezerwach dolarowych Chin rzuca jednak światło na zmiany strategii inwestowania rezerw stosowanej przez Państwo Środka. W okresie dynamicznego wzrostu rezerw dewizowych po akcesji Chin do WTO udział tych aktywów w całości aktywów dolarowych szybko wzrastał z 21,3% w 2000 r. do 43,7% w 2008 roku. Pod wpływem globalnego kryzysu gospodarczego nastąpiło jednak odwrócenie tej tendencji i nie zmieniło tego stopniowe przezwyciężanie skutków kryzysu w następnych latach. W efekcie udział obligacji agencji rządowych USA w aktywach dolarowych Chin spadał i w 2014 r. wynosił zaledwie 11,2%. Zmiany te wynikają przede wszystkim z faktu, że obligacje agencji rządowych są mniej bezpiecznymi papierami niż obligacje skarbowe, a ich dochodowość jest tylko nieznacznie wyższa (Department of the Treasury, 2015a). Znacznemu zmniejszeniu udziału obligacji agencji rządowych towarzyszył równie znaczący wzrost poziomu rezerw dolarowych Chin utrzymywanych w amerykańskich akcjach. O ile w 2000 r. udział akcji w rezerwach dolarowych Chin wynosił zaledwie 1,52%, to w 2014 r. osiągnął poziom 17,6%. Wzrost ten jest niewątpliwie symptomem zmian w strategii zarządzania rezerwami dewizowymi Chin i można interpretować go jako zwiększenie znaczenia jednego z trzech podstawowych celów zarządzania rezerwami, a mianowicie zapewnienia ich dochodowości. Strategia ta pozostaje jednak w dalszym ciągu konserwatywna, o czym świadczy dominujący udział długoterminowych dłużnych papierów wartościowych w całości aktywów dolarowych Chin; udział ten co prawda spadł w badanym okresie z poziomu 98,3% w 2000 r. do 80,6% w 2014 r., jednak w dalszym ciągu instrumenty dłużne pozostają największym komponentem chińskich rezerw dolarowych (Department of the Treasury, 2015a). Rysunek 10. Ewolucja wartości rezerw dewizowych Chin utrzymywanych w aktywach Stanów Zjednoczonych (w mld USD) 2 000 1 500 1 000

$NW\ZD RJöïHP 2EOLJDFMH DJHQFML U]ÈGRZ\FK

2014

2013

2012

2011

2010

2009

2008

2007

2006

2005

2004

2003

2002

0

2000

500

2EOLJDFMH VNDUERZH $NFMH

Źródło: opracowanie własne na podstawie danych Department of the Treasury (2015a).

240

Dominik A. Skopiec

Rysunek 11. Struktura inwestycyjna rezerw dewizowych Chin utrzymywanych w aktywach Stanów Zjednoczonych (w %) 120,00% 100,00% 80,00% 60,00% 40,00%

'ïXJRWHUPLQRZH SDSLHU\ GïXĝQH 2EOLJDFMH DJHQFML U]ÈGRZ\FK

2014

2013

2012

2011

2010

2009

2008

2007

2006

2005

2004

2003

2002

0,00%

2000

20,00%

2EOLJDFMH VNDUERZH $NFMH

Źródło: opracowanie własne na podstawie danych Department of the Treasury (2015a).

Rysunek 12. Rezerwy dewizowe Chin utrzymywane w obligacjach skarbowych Stanów Zjednoczonych jako % całkowitej wielkości obligacji skarbowych utrzymywanych przez obce państwa 30,00% 25,00% 20,00% 15,00% 10,00%

2014

2013

2012

2011

2010

2009

2008

2007

2006

2005

2004

2003

0,00%

2002

5,00%

Źródło: opracowanie własne na podstawie danych Department of the Treasury (2015b).

Chiny pozostają również od 2008 r. największym zagranicznym posiadaczem obligacji skarbowych emitowanych przez rząd Stanów Zjednoczonych. Z danych publikowanych przez Departament Skarbu USA wynika, że udział utrzymywanych przez Chiny obligacji skarbowych w całkowitej wielkości tych obligacji znajdujących się w posiadaniu państw obcych wzrastał systematycznie wraz ze wzrostem rezerw walutowych Państwa Środka. W 2002 r. wspomniany udział wynosił 9,6%, a najwyższy notowany dotąd poziom osiągnął w 2010 r. i wynosił wówczas 26,1%, jednak w związku ze stopniową dywersyfikacją rezerw walutowych Chin zaczął od tego momentu powoli maleć i w 2014 r. stanowił 20,2% (Department of the Treasury, 2015b).

ADEKWATNOŚĆ POZIOMU I STRUKTURY REZERW DEWIZOWYCH CHIN

241

Analiza struktury rezerw dewizowych Chin dowodzi, że strategia zarządzania nimi ma charakter dość konserwatywny. Priorytet przyznawany jest inwestycjom w aktywa cechujące się przede wszystkim bezpieczeństwem i znaczną płynnością. Efektem tej strategii inwestycyjnej jest koncentracja walutowa, geograficzna i inwestycyjna rezerw, przy czym koncentracja walutowa dotyczy inwestowania przeważającej części rezerw w aktywa dolarowe, koncentracja geograficzna przejawia się dominacją w rezerwach Chin aktywów Stanów Zjednoczonych, natomiast koncentracja inwestycyjna polega na utrzymywaniu przeważającej części rezerw w rządowych papierach dłużnych. Taka strategia zarządzania rezerwami dewizowymi rodzi jednak szereg kosztów i zagrożeń.

7. KOSZTY STRATEGII ZARZĄDZANIA REZERWAMI DEWIZOWYMI CHIN Realizowana dotychczas przez Chiny strategia zarządzania rezerwami dewizowymi pozostaje źródłem znacznych kosztów oraz ryzyk dla gospodarki Państwa Środka. Wspomniane koszty wynikają przede wszystkim z dwóch źródeł, a mianowicie utrzymywania rezerw na poziomie ponadoptymalnym, przekraczającym wartości progowe wyznaczone za pomocą tradycyjnych miar adekwatności rezerw dewizowych, a także realizowania konserwatywnej strategii inwestycyjnej w odniesieniu do przeważającej części zgromadzonych rezerw. Źródłem potencjalnych kosztów pozostają również ryzyka związane z przedstawioną koncentracją walutową, geograficzną i inwestycyjną chińskich rezerw. Wśród wspomnianych kosztów akumulacji rezerw dewizowych przez Chiny szczególne znaczenie ma koszt alternatywny, który wiąże się z rezygnacją z części konsumpcji i inwestycji oraz mniejszym stopniem zaspokojenia potrzeb społecznych, gdyż znacząca część majątku narodowego inwestowana jest w aktywa zagraniczne, a nie w rozwój własnego kraju (Winters, Yusuf, 2007, s. 122). Ponadto konserwatywna strategia inwestycyjna typowa dla zarządzania rezerwami dewizowymi przynosi relatywnie niską stopę zwrotu w porównaniu z wieloma innymi rodzajami inwestycji. Ludowy Bank Chin nie publikuje, niestety, danych dotyczących stopy zwrotu z inwestowanych rezerw, jednakże dostępne są ich szacunki. Przykładowo Y. Hu (2010, s. 12) obliczył, że w okresie od 2000 r. do 2008 r. nominalna stopa zwrotu z chińskich inwestycji w aktywa amerykańskie wyniosła 5,5%, natomiast realna stopa zwrotu 2,1%. Utrzymywanie rezerw dewizowych na ponadoptymalnym poziomie jest także źródłem kosztu inflacyjnego, gdyż zakupy aktywów zagranicznych prowadzą do wzrostu podaży pieniądza krajowego. W przypadku Chin interwencje na rynku walutowym są co prawda sterylizowane, jednak operacje sterylizacyjne nie eliminują w całości problemu przyrostu podaży pieniądza, co wywiera presję inflacyjną. Utrudnia to realizację polityki pieniężnej, a ponadto wzrost podaży pieniądza może prowadzić do zwiększonej akcji kredytowej sektora bankowego oraz powstawania bąbli spekulacyjnych na rynkach akcji i nieruchomości, co w efekcie doprowadzić może do kryzysu finansowego. Operacje sterylizacyjne, polegające

242

Dominik A. Skopiec

na emitowaniu przez Ludowy Bank Chin bonów w celu przeciwdziałania wzrostowi podaży pieniądza krajowego, wywołanemu zakupem aktywów zagranicznych, są źródłem kosztu fiskalnego, który zależy od różnic stóp procentowych. Oprocentowanie aktywów rezerwowych Chin, w znacznej mierze utrzymywanych w amerykańskich obligacjach skarbowych, jest niższe od oprocentowania wspomnianych bonów, co prowadzi do strat w postaci kosztu fiskalnego (Greenwood, 2008). Realizowana przez Chiny strategia zarządzania rezerwami dewizowymi jest ponadto źródłem potencjalnych kosztów, które wynikają z wielu ryzyk z nią związanych. Przede wszystkim dotyczy to ryzyka walutowego, w przypadku którego deprecjacja waluty rezerwowej lub aprecjacja waluty krajowej doprowadzą do spadku wartości utrzymywanych rezerw i utraty części majątku narodowego. Należy przy tym wspomnieć, że waluta Chin od lat wykazuje tendencję do aprecjacji, a w przypadku dominującej waluty rezerwowej, czyli dolara amerykańskiego, często pojawiają się obawy o jej deprecjację, spowodowane kondycją gospodarki amerykańskiej oraz ogromnym deficytem bilansu obrotów bieżących i deficytem budżetowym tego kraju. Możliwość utraty wartości rezerw dewizowych Chin wiąże się także z istnieniem ryzyka inflacyjnego finansowania (monetyzacji) długu przez emitenta waluty rezerwowej, głównie Stanów Zjednoczonych, w obliczu rosnących deficytów i zadłużenia. W przypadku Państwa Środka istotne jest także ryzyko koncentracji powstałe w związku z dotychczasową strategią zarządzania rezerwami dewizowymi, która doprowadziła do nagromadzenia rezerw w jednej walucie, aktywach jednego kraju oraz głównie w postaci rządowych instrumentów dłużnych. Należy również pamiętać o potencjalnych kosztach dywersyfikacji rezerw, gdyż Ludowy Bank Chin, chcąc zmniejszyć wielkość rezerw walutowych i zbliżyć je do poziomu optymalnego, musiałby sprzedać utrzymywane papiery na rynku, co pociągnęłoby za sobą spadek ich notowań, a w związku z tym także utratę wartości rezerw dewizowych Państwa Środka.

PODSUMOWANIE Akumulacja rezerw dewizowych przez Chiny jest zjawiskiem utrzymującym się pomimo spadku tempa wzrostu gospodarczego tego kraju. Systematyczny wzrost wielkości rezerw dewizowych oraz wynikający z tego wzrost kosztów ich utrzymywania stawia Państwo Środka przed wyzwaniem efektywnego zarządzania rezerwami, a ponadto stanowi zagrożenie dla stabilności gospodarki światowej, pośrednio przyczyniając się do utrzymywania się globalnej nierównowagi płatniczej. Przeprowadzona w artykule analiza rezerw dewizowych Chin pod kątem tradycyjnie stosowanych miar adekwatności pokazuje, że zasób rezerw Państwa Środka przekracza poziom określony jako optymalny. Prowadzi to do wzrostu kosztów związanych z utrzymywaniem nadwyżkowej części rezerw, która nie jest już niezbędna do prawidłowego wypełniania funkcji rezerw dewizowych. W związku z tym można uznać, że strategia zarządzania rezerwami dewizowymi

ADEKWATNOŚĆ POZIOMU I STRUKTURY REZERW DEWIZOWYCH CHIN

243

w Chinach nie zapewnia efektywnej realizacji jednego ze swoich podstawowych celów, a mianowicie zapewnienia ich adekwatnego – w stosunku do potrzeb danej gospodarki – poziomu. Ponadto analiza struktury walutowej, geograficznej i inwestycyjnej chińskich rezerw dewizowych dowodzi, że strategia zarządzania nimi pozostaje konserwatywna, a przeważającą część aktywów rezerwowych stanowią nominowane w dolarach rządowe papiery dłużne Stanów Zjednoczonych. Strategia taka rodzi zatem dodatkowe koszty i staje się źródłem wielu rodzajów ryzyka. Podkreślić jednak należy, że widoczna jest zmiana strategii inwestycyjnej w kierunku zwiększenia dochodowości rezerw, czego przejawem jest przede wszystkim wzrost udziału akcji w rezerwach walutowych Państwa Środka. Od kilku lat widoczny jest także spadek ponadoptymalności poziomu rezerw walutowych Chin, co wiąże się przede wszystkim z następstwami globalnego kryzysu gospodarczego, utrzymującym się spowolnieniem gospodarczym w Chinach, a także dążeniem do zmiany modelu gospodarczego w kierunku zmniejszenia udziału eksportu i inwestycji w tworzeniu PKB oraz zwiększenia roli rynku wewnętrznego i sektora usług. Kontynuowanie tego trendu stanowić będzie niewątpliwie czynnik spadku tempa akumulacji rezerw dewizowych w Chinach. Niemniej jednak przeprowadzona w lipcu 2015 r. dewaluacja renminbi i powrót do polityki stosowania kursu walutowego jako instrumentu wspierania eksportu może ponownie stać się czynnikiem prowadzącym do wzrostu rezerw.

BIBLIOGRAFIA Barwiński M., Bratkowski A., Rzeszutek E., Szpunar P., Szwaja R., Wyżnikiewicz D. (2003), Przesłanki oceny poziomu rezerw dewizowych, Narodowy Bank Polski, Warszawa. Bogołębska J. (2013), Nierównowagi globalne a stabilność międzynarodowego systemu walutowego, Wydawnictwo Uniwersytetu Łódzkiego, Łódź. Borio C., Galati G., Heath A. (2008), FX Reserve Management: Trends and Challenges, Bank for International Settlements, Basel. CIC (2015), Annual Report 2014, China Investment Corporation. COFER (2015), Currency Composition of Official Foreign Exchange Reserves, International Monetary Fund. Dąbrowski M.A. (2015a), Jakość danych o rezerwach dewizowych a kryzysy finansowe w gospodarkach wschodzących, „Gospodarka Narodowa”, nr 3. Dąbrowski M.A. (2015b), Czy kryzysy finansowe zmieniają optymalny poziom rezerw dewizowych w gospodarkach wschodzących?, „Studia Ekonomiczne”, nr 1. Department of the Treasury (2015a), Annual Holdings of U.S. Securities, Washington. Department of the Treasury (2015b), Major Foreign Holders of Treasury Securities, Washington. ECB (2006), The Accumulation of Foreign Reserves, Occasional Paper No. 43, European Central Bank, Frankfurt am Main. Eichengreen B. (2008), Globalizing Capital. The History of the International Monetary System, Princeton University Press, Princeton.

244

Dominik A. Skopiec

Freeman D., Yongzhong W. (2013), The international financial crisis and China’s foreign exchange reserve management, „Asia Paper”, Vol. 7, Issue 2, Brussels Institute of Contemporary China Studies, Brussels. Greenwood J. (2008), The Costs and implications of PBC sterilization, „Cato Journal”, Vol. 28, No. 2. Hu Y. (2010), Management of China’s foreign exchange reserves: A case study on the State Administration of Foreign Exchange, “European Commission Economic Paper”, No. 421, Brussels. IMF (2009), Balance of Payments and International Investment Position Manual, 6th Edition, International Monetary Fund, Washington. IMF (2011), Assessing Reserve Adequacy, International Monetary Fund, Washington. IMF (2013), International Reserves and Foreign Currency Liquidity. Guidelines for a Data Template, International Monetary Fund, Washington. IMF (2014a), Annual Report 2014, International Monetary Fund, Washington. IMF (2014b), Revised Guidelines for Foreign Exchange Reserve Management, International Monetary Fund, Washington. IMF (2014c), Annual Report on Exchange Arrangements and Exchange Restrictions, Washington. Knap R. (2013), W kwestii oceny optymalnego poziomu rezerw dewizowych, “Zeszyty Naukowe Uniwersytetu Szczecińskiego: Finanse, Rynki Finansowe, Ubezpieczenia”, nr 57. Koch-Weser I., Haacke O. (2013), China Investment Corporation: Recent Developments in Performance, Strategy and Governance, US-China Economic and Security Review Commission. Mohan R., Patra M., Kapur M. (2013), The international monetary system: Where are we and where do we need to go?, „International Monetary Fund Working Paper”, No. WP/13/224, Washington. Morrison W., Labonte M. (2011), China’s Holdings of U.S. Securities: Implications for the U.S. Economy, Report No. RL34314, Congressional Research Service, Washington. Nugée J. (2005), Foreign exchange reserves management, „Handbook in Central Banking”, No. 19, Bank of England, London. PBC (2015), Annual Report 2014, The People’s Bank of China, Beijing. SAFE (2015), Annual Report 2014, State Administration of Foreign Exchange, Beijing. Schena P. (2012), The China Investment Corporation at 4 Years: An Evolving Legacy of Capitalization and Control, Tufts University, Medford. Subramanian A. (2011), Eclipse: Living in the Shadow of China’s Economic Dominance, Peterson Institute for International Economics, Washington. The World Bank (2015), World Development Indicators Database, The World Bank, Washington. Winters A., Yusuf A. (2007), Dancing with Giants. China, India, and the Global Economy, The World Bank, Washington. Zeng S. (2012), Study on Chinese foreign exchange reserves, „Journal of Applied Finance and Banking”, Vol. 2, No. 1.

ADEKWATNOŚĆ POZIOMU I STRUKTURY REZERW DEWIZOWYCH CHIN

245

ADEQUACY OF SIZE AND STRUCTURE OF CHINA’S FOREIGN EXCHANGE RESERVES ABSTRACT The aim of the article is to analyze the strategic aspects of the management of Chinese foreign exchange reserves in the context of dynamic reserve accumulation in this country. It is hypothesized that due to the rapid accumulation of foreign exchange reserves their level in China remains at the suboptimal level and this makes the effective management challenging and creates costs and risks for the Chinese economy. The methods applied include the analysis of statistical data concerning foreign exchange reserves and macroeconomic variables that characterize the Chinese economy as well as comparative analysis and literature study. It is found that the level of Chinese foreign exchange reserves has exceeded the traditional adequacy metrics and remains suboptimal. Bearing this in mind, the author points out that the management of Chinese foreign exchange reserves does not meet one of its primary objectives, namely ensuring adequate level of reserves. It leads to the increased costs of holding reserves since the fraction of reserves deemed as excessive is not necessary to ensure the proper fulfillment of their functions. Moreover, the analysis of geographical, currency and investment structure of Chinese foreign exchange reserves indicates that the investment strategy remains conservative since the vast majority of reserves is invested in dollar assets, especially in US treasury securities. The aforementioned concentration leads to various costs and risks. However, the analysis suggests an ongoing change in the investment strategy with the aim of increasing reserves profitability. The main symptoms of such a change is a rising share of equities in the Chinese foreign exchange reserves. Keywords: foreign exchange reserves, international currency, management, reserve adequacy. JEL Classification: F02, F31, F41, G15, G18

STUDIA EKONOMICZNE 1 ECONOMIC STUDIES NR 2 (LXXXIX) 2016

Martyna Kobus*, Olga Półchłopek**

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA MODELS1 (Artykuł nadesłany: 07.06.2016 r.; Zaakceptowany: 21.07.2016 r.)

ABSTRACT The problems of ageing societies in advanced economies have recently put emphasis on the evaluation of health of the elderly. Health is likely to determine job market activity of the increasing parts of the society. Appropriate modeling of health conditions is therefore key for policymaking, in particular given that detailed health data are now available via ageing surveys. Recently, there has been increased interest in modeling multiple ordinal health data. Makdisi and Yazbeck (2014) utilize the counting approach, which requires the transformation of multiple category health indicators into binary and lead to the loss of information but also changes the dependence structure. We offer a different approach which does not have these limitations and is feasible for highdimensional data (while, for example, stochastic dominance methods are inconclusive for many dimensions (Duclos and Echevin 2012). We use recently developed methods based on so-called vine pair-copula constructions (PCC) (Aas et al. 2009). We estimate a 1-factor copula model (Nikoloulopoulos and Joe 2015) for 24 health indicators taken from English Longitudinal Study of Ageing (ELSA) such as self-reported health status, mobility, eyesight, hearing and pain rating and questions related to emotional health. We show that there are substantial interdependencies in health data which cannot be neglected by  Institute of Economics Polish Academy of Sciences, Nowy Swiat 72, 00–330 Warsaw; email: mkobus@inepan.waw.pl  Vistula University, Stoklosy 3, 02–787 Warsaw; email: olga.polchlopek@gmail.com 1 This work was supported by National Science Centre grant number 2013/09/D/HS4/01029, and grant MNiD carried out at INE PAN.

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA…

247

dichotomization and aggregation, nor can they be detected by the standard multivariate probit model. t(4)- and t(5)- factor copula model provides the best fit, and items that measure general optimism are most informative of the underlying factor. Groups are most heterogeneous along the employment status, with retired and disabled groups showing significantly more dependence than other groups in items related to mobility and general health status. Keywords: multiple health indicators; interdependence; factor copulas; vine copulas. JEL Classification: I31, D63

INTRODUCTION Nowadays, there are increasingly many health indicators available in health and ageing surveys. Such surveys include detailed information on functional limitations, cognitive, emotional and mental health, and health measurements such as hypertension, biomarkers etc. However, there are two major measurement problems in using this vast information. Firstly, researchers often restrict to self-assessed health only (van Doorslaer et al. 1997; van Doorslaer and Koolman 2004; Kunst et al. 2004; Cutler et al. 2015) or they aggregate various health indicators into a single index of health (e.g. Makdisi and Yazbeck 2014) or analyze various health indicators separately. This means that the dependence structure is ignored, which means the loss of substantial part of the information on the health distribution. With fixed margins, generally, the more association between dimensions of wellbeing, the more inequality (Atkinson and Bourguignon 1982), because of higher likelihood for individuals to suffer from multiple deprivations. Interdependencies thus help to identify opportunities for policy intervention with the largest efficiency gains. This is particularly relevant for patients suffering from multiple chronic diseases, which given ageing population will become even more of a focus for public health policy and spending. Secondly, aggregation imposes some form of cardinalization of an often ordinal indicator (e.g. Mackenbach et al. 2008). Many health indicators are ordinal e.g. widely used self-reported health status, problems with vision, hearing, communication, speech, cognition, the feeling of pain, anxiety, depression etc. Cardinalization of ordinal variables has been criticized by Allison and Foster (2004). The choice of a particular numerical transformation (i.e. scale) of an ordinal indicator is arbitrary, on the other hand, the mean and the variance are not invariant to monotone transformations. Therefore, the results may be often easily reversed when a different scale is chosen as examples by Allison and Foster (2004), Apouey and Silber (2013), Bond and Lang (2014) and Kobus (2015) show. This is the main drawback of the standard approach to measuring socioeconomic inequalities in health, namely, concentration curves, which is developed for ratio-scale variables and should not be used directly with ordinal data,

248

Martyna Kobus, Olga Półchłopek

as rightly criticized by Makdisi and Yazbeck (2014). Inequality measurement theory has been extended to account for ordinality of the data, but so far mostly for one health indicator (Allison and Foster 2004; Apouey 2007; Abul Naga and Yalcin 2008; Kobus and Miłoś 2012; Apouey and Silber 2013; Lazar and Silber 2013; Abul Naga and Stapenhurst 2015; Cowell and Flachaire 2015; Gravel et al. 2015; Lv et al. 2015; Kobus 2015). There are very few contributions up to date for multivariate health data – Sonne Schmidt et al. (2015) propose criteria for comparing distributions which are only tractable in the case of two binary indicators, so their applicability is very restricted. Duclos and Echevin (2012) propose a robust method for measuring health-income gradient based on dominance conditions. However, it is unlikely that dominance conditions are conclusive for 40 health indicators which are available for example in ageing surveys. Therefore, while elegant, these methods may provide little help for applied health economists. The most comprehensive treatment of multiple health categories was offered recently by Makdisi and Yazbeck (2014). They use the insight from the counting approach to multidimensional poverty to measure the width of health problems i.e. the number of health problems. This further requires transforming each health indicator into a binary variable. They analyze the US and Canadian data on vision, hearing, speech, emotion and other health indicators and transform them into 0–1 variables. For example, vision problems are recorded as 1 (the person has vision problems) if he or she has difficulty seeing with glasses. Dichotomization leads to a substantial loss of information. Moreover, it obscures the dependence structure. The goal of this paper is to show that interdependencies should not be easily neglected in case of categorical health data. To this end, we use recently developed factor copula models (Nikoloulopoulos and Joe 2015). These models omit some of the difficulties we mentioned, because they allow for a flexible modeling of multivariate distributions and are appropriate for modeling high-dimensional data. Although we cannot fully account for the ordinality of health data (i.e. in the margins), copula approach enables scale-free modeling of the dependence structure. We utilize 24 health indicators from Wave 1 and 6 of English Longitudinal Study of Ageing (ELSA) and provide evidence for stronger dependence of health indicators for both lack of health problems (lower tail dependence) and severe health problems (upper tail dependence). Thus we obtain a complex picture of health among the elderly, which cannot be fully reflected by the counting approach, and is enough to justify a truly multivariate approach to modeling health data. In more detail, factor copula models we utilize are inspired by the modeling approach based on pair-copula constructions (PCC). PCC allows to model the dependence between each two dimensions via bivariate copulas which are building blocks of a multivariate copula. Such decomposition of a multivariate distribution into bivariate elements lowers substantially the level of integration2 and 2 Denoting by d the number of dimensions, instead of d-dimensional integral, with PCC one deals with d unidimensional integrals.

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA…

249

makes maximum likelihood estimation feasible for high-dimensional data. Furthermore, distributions with tail dependence and asymmetric tail dependence can be accommodated using PCC, and such detailed picture of various interdependencies present in the data provides key information for efficient targeting of most vulnerable groups (multiply deprived). As Atkinson (2011, p. 326) states: “The copula diagram is helpful in thinking about policies to moderate the social gradient of health.’’ For example, let us assume that it turns out that for low socioeconomic status (SES) correlation between BMI and diabetes is stronger than for people with high SES. Yet the true picture may be that in fact for low BMI, SES is not important and dependence between BMI and diabetes is the same independent of SES, whereas it is for high BMI that dependence between BMI and diabetes is much higher for low SES than for high SES, so intervention should target only this group. That is to say, dependence in lower tail (low BMI) is different from the dependence in upper tail (high BMI); methods based on multivariate normal distribution and correlation cannot detect this. As another example, it is likely that dependence between cognitive and mental health indicators might be different from the dependence between physical and mental health indicators; a modeling approach should allow for such heterogeneity. The methods used here can be thought of as a generalization of a standard approach to multivariate modeling based on multivariate normal distribution (MVN). MVN is a good premise, as many phenomena in nature evince Gaussian distribution. It arises as a limit of a scaled sum of weakly dependent random variables with no variable dominating, i.e. Central Limit Theorem. It is constructed using the property that any linear combination of independent Gaussian random variables is Gaussian. As such, it is simple and tractable. However, its limitations such as a requirement of normal margins, lack of negative dependence and tail dependence, are important from the point of view of applications. Overuse of Gaussian distribution in risk modeling is criticized, especially in the last few years, it was even called “The formula that killed Wall Street’’ in a famous article by Felix Salmon published in Wired magazine. Particularly in finance, income dispersion is typically uneven or there may exist stock market shares which are dependent only when they reach high values. To model tail dependence appropriately is key for effective portfolio diversification. Tail dependence is a property that indicates how the joint probability behaves in extreme, low or high, values. Upper(lower) tail dependence means that large(low) values of two or more variables occur together more often. Multivariate Gaussian distribution does not have tail dependence, mass is clustered in the centre, tails are symmetrical and carry little mass, so they may underestimate the risk. These problems occur both on univariate and joint levels, so the mismatch caused by applying MVN is compounded when the number of dimensions increases. Therefore non-Gaussian models might be more appropriate in risk analysis, insurance, finance and economics. The study of copulas is one way to enter a non-Gaussian world.

250

Martyna Kobus, Olga Półchłopek

A copula is a multivariate probability distribution function with uniform marginals. It is popular due to the celebrated Sklar’s theorem (Sklar 1959) which states that a copula and marginal distribution characterize the joint distribution. For continuous distributions such representation is unique. Thus, copula can be thought of as a method to construct joint distributions from marginal distributions. This modeling approach has the advantage of having univariate margins of different types (e.g. with potentially different scale/shape parameters) and the dependence structure can be modeled separately from univariate margins, which leads to more efficient estimation. It is indeed much more flexible than wellknown families of multivariate distributions such as normal, t, Pareto and others. Thus, copulas allow for two-step estimation where the two steps are independent. First, univariate margins are chosen and they can be any – e.g. univariate Gaussian and t for retaining symmetry, gamma for exponential tails, Pareto for heavy tails, Poisson for integer-valued data etc. Uniform margins are obtained via probability integral transform and in the second step copula is fit to the joint data. It can be chosen flexibly to model different types of dependence structure (e.g. exchangeable, conditional independence, both positive and negative dependence) and different types of joint tail behavior (e.g. upper tail dependence, lower tail dependence, asymmetric tail dependence). Despite theoretical elegance, building high-dimensional copulas is considered a difficult problem (Aas et al. 2009). However, this problem has been addressed recently by proposing the called vine pair copula constructions (Aas et al. 2009). The principle is to decompose a multivariate distribution into a series of bivariate copulas applied to original variables and to their conditional distribution functions. An example will help to present this concept. Let X = (X1, X2, X3). Its density f(x1, x2, x3) can be factorised i.e. f(x1, x2, x3) = f1(x1) f(x1|x2) f(x1|x2, x3). On the other hand, given that F(x1, x2, x3) = C(F1(x1), F2(x2), F3(x3)) we can write joint density as f(x1, x2, x3) = c123(F1(x1), F2(x2), F3(x3)) f3(x3) f2(x2) f1(x1), where c123(F1(x1), F2(x2), F3(x3)) is a 3-variate copula density. Further, we get f(x1, x2) = c12(F1(x1), F2(x2)) f1(x1) f2(x2) and f(x1|x2) =

f ^ x1, x2h = c12(F1(x1), F2(x2)) f1(x1). f2 ^ x2h

We can also express f(x1|x2, x3) as

f(x1|x2, x3) = C13|2 (F(x1|x2), F(x3|x2)) f(x1|x2) = = C13|2(F(x1|x2), F(x3|x2))c12(F1(x1), F2(x2)) f1(x1). Continuing this we arrive at f(x1, x2, x3) = f1(x1) f2(x2) f3(x3)c12(F1(x1), F2(x2))c23(F2(x2), F3(x3)) # # c13|2(F(x1|x2), F(x3|x2)).

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA…

251

Altogether, this means that we can model multivariate distribution by having bivariate copulas as building blocks. Dependence between each two dimensions can be modeled flexibly and computation is fast. Such decomposition can be presented graphically (Bedford 2002) and is called the regular vine. Our vine has 3 variables and two trees: first tree in which variables 1 and 2 as well as 2 and 3 are connected via bivariate linking copulas, and second tree in which variables 1 and 3 are connected via a bivariate linking copula conditional on 2. If at some tree bivariate linking copulas become independence copula we say that the vine is truncated. Factor copulas (Nikoloulopoulos and Joe 2015) presented here are such truncated vines, however (Nikoloulopoulos and Joe 2015) develop them as conditional independence model and we follow this presentation. We find that factor copula models based on t(4) and t(5) copulas provide better fit than standard multivariate normal model, which is a special case of models developed here. This suggest that our variables are generated as a mixture of discreticised means which is typical for a sample which is a mixture of heterogeneous groups. Furthermore, this suggests that there is enough dependence structure in categorical health data that cannot be easily neglected. Such interdependencies cannot be detected with the counting approach and we show a simple example of how such an approach obscures the dependence structure. These interdependencies are present in all analyzed group distributions which supports a joint modeling framework for health data. The strongest dependence is with the items that express general optimism and such is the interpretation of the underlying factor. The groups defined along the employment status dimension are the most heterogeneous. For retired and disabled people the strongest dependence with the underlying factor is observed for self-reported health status and mobility, whereas for the employed group items seem to be linked to the factor more equally. Altogether, this paper shows that there are substantial dependencies in health data which cannot be easily neglected. Furthermore, the modeling approach offered here is feasible for high-dimensional data. The paper is organized as follows. Section 1 presents copula theory, with particular emphasis on ordinal data and factor copula models. In Section 1 we present the dataset and the results of estimating 1-factor copula models. Finally, we conclude (Section 1) by pointing to future research on improving modeling of high-dimensional health distributions.

1. THEORETICAL MODEL AND ITS ESTIMATION Before we present factor copula models that are suited for ordinal data we start with basic definitions related to copula theory. We start with bivariate copulas, but generalizations to multivariate copulas are straightforward (Nelsen 2006). The presentation of copula theory is based on Nelsen (2006) and Joe (2015).

252

Martyna Kobus, Olga Półchłopek

1.1. DEFINITIONS Let F, G be cumulative distribution functions. Let X ~ F and Y ~ G. It is a wellknown fact that if X ~ F is a continuous random variable, then F(X) ~ U(0,1). If U ~ U(0,1) and F is a univariate cdf and F–1 is its generalised inverse, then X = F–1(U) ~ F. Here X can be continuous or discrete. Moreover, for U ~ U(0,1) and V ~ U(0,1) we obtain by the inversion two independent samples from F and G, which are X = F–1(U) and Y = G–1(V) respectively. Definition 1. Let U ~ U(0,1), V ~ U(0,1), X ~ F and Y ~ G. Additionally, let (X,Y) ~ H. If H is continuous, then (U,V) = (F(X),G(Y)) ~ C where C is a copula. By definition, there are two marginal variables with cdfs and a function that combines these cdfs to return bivariate distribution. A copula is therefore a bivariate, or, in general, a multivariate distribution function whose margins are uniform. By Sklar’s theorem, such function exists and is unique for continuous variables: Theorem 1. Let H be a bivariate cdf with univariate marginal cdfs, F and G. Then, there exists a bivariate copula C such that H(x, y) = C(F(x), G(y)) for all (x, y) ! R. And conversely, if F and G are univariate continuous random variables, then C(F(x),G(x)) is a bivariate distribution for (X,Y) with marginal distributions F and G, respectively. Theorem 1 ensures uniqueness of copula only for continuous distributions. For discrete distributions there is a whole set of copulas which agree with Sklar’s representation H(x,y) = C(F(x),G(y)). The problems related to copulas for discrete distributions are described in Genest, Nešlehová (2007). Despite numerous problems, these authors conclude that “copula modelling remains a valid option for constructing multivariate distributions with discrete margins’’ (p. 507) and their article in fact shows that rank-based inference for copula parameters is not recommended in the discrete case. Here we deal with ordinal data that have mostly discrete distributions.3 To be precise, we deal with data that are ordinal, i.e. invariant to monotone transformations, and discrete, i.e. probability mass is concentrated on a finite number of points. In the discrete case copula function is determined uniquely on intersections of F(x), G(y) where x = 0, …, K – 1 and y = 0, …, L – 1 with K and L being the number of categories of, respectively, x and y. We have: F(y1, …, yd) = C(F1(y1), …, Fd(yd)) for yj ! {0, …, K – 1}

(1)

which leads to C(u1, …, ud) = F(F1–1(u1), …, Fd–1(ud)) for uj ! [0, 1]

(2)

Copulas are particularly well-suited to study the dependence of ordinal data. As Schweizer (1981) note, “it is precisely the copula which captures those properties of the joint distribution which are invariant under (…) strictly increasing 3 This is not always the case, e.g. BMI is an ordinal variable, test scores too, and they both have continuous distributions.

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA…

253

transformations’’. With ordinal variables the only relevant information we have is about the ordering, therefore it is a very desirable property of a dependence measure to not change when the variable is transformed by a monotone transformation. Not surprisingly, copula which takes marginal cdf values has this property, i.e. if CXY is a copula function corresponding to the bivariate distribution of random variables X, Y and f, g are strictly monotonic continuous functions, then Cf(X)g(Y) = = CXY. For other monotonic transformations of X, Y the copula’s behaviour is also known – for f increasing and g decreasing Cf(X)g(Y)(u,v) = u – CXY(u,1 – v) and for both f and g strictly decreasing it holds that Cf(X)g(Y)(u,v) = u + + v – 1 + CXY(1 – u,1 – v). As mentioned before, copulas enable appropriate modeling of tail dependence. We will now define these concepts formally. A bivariate copula C is reflection symmetric if for all 0 G u1, u2 G 1 and density c(u1, u2) =

2 2 C^u1, u2h 2u1 2u2

it holds that c(u1, u2) = c(1 – u1,1 – u2). Otherwise,

we say that C is reflection asymmetric and has more probability in the upper or lower tail. Upper tail dependence focuses on the upper quadrant of the distribution. It is measured by the upper tail dependence coefficient mU ! [0,1]: mU = limU " 1 – f

C^u, uh p 1-u

(3)

If the limit exists and equals 0, then C does not have upper tail dependence. If mU ! (0,1], then C has upper tail dependence. Similarly, if the limit given by: mL = limU " 0 + f

C^u, uh p u

(4)

exists, then C has lower tail dependence for mL ! (0,1] and no lower tail dependence for mL = 0. Only scale-invariant measures of association are suitable for ordinal data. These are, for example, widely known association coefficients such as Kendall’s tau or Spearman’s rho. They are in fact measures based on the copula. Here we use Kendall’s tau. Definition 2. (19) Let X and Y be continuous random variables with a copula C. Then the population version of Kendall’s x for X and Y is given by x(X, Y) = –1 + 4 #

0

1

#0

1

C^u, vh dC^u, vh

The sample version of Kendall’s tau is defined in terms of concordance. Each pair of observations from the sample {(x1, y1), …, (xn, yn)} is either concordant (i.e. xi > xj, yi > yj or xi < xj, yi < yj) or discordant (i.e. xi > xj, yi < yj or xi < xj, yi > yj).

254

Martyna Kobus, Olga Półchłopek

Kendall’s tau is then the difference in the number of concordant and discordant pairs divided by the number of all pairs. Here we use Kendall’s tau because copula models with different parameters are not directly comparable, therefore parameter estimates and standard errors need to be compared on a Kendall’s tau scale. The dependence parameters i vary across copula families. In order to compare different models, it is necessary to calculate Kendall’s x. The following transformation of copula parameters applies to Gaussian t copulas with i ! (–1,1) (Hult 2002) 2 (5) x = arcsin i , r whereas the following transformation applies to Gumbel copula with i ! [1,3) (Genest 1986) 1 (6) x = 1- , i Therefore, Kendall’s x for Gaussian and t copulas range from –1 to 1, and as for Gumbel, x ! (0, 1), because this copula models only positive dependence.

1.2. PARAMETRIC COPULA FAMILIES Parametric copula families are most commonly used for their convenient properties (Joe 2015), i.e. they are easy to implement numerically as they have closed forms that do not contain integrals. Three copula families are considered due to their distinctive attributes: multivariate normal copulas, t copulas and Gumbel copulas, as well as related copulas, such as survival Gumbel (i.e. Gumbel copula rotated by 180 degrees to model lower tail dependence instead of upper tail dependence characteristic for Gumbel). Normal and t copulas are called elliptical copulas and Gumbel is a special case of an Archimedean copula. In describing various data generating processes that lead to particular families of copulas we follow intuition given by Nikoloulopoulos and Joe (2015). Let d be the number of (ordinal) variables whose multivariate distribution we would like to model. The first family, further referred to as Gaussian, presents reflection symmetry and no tail dependence which means that it is suitable when the data has been generated through some process of averaging (Nikoloulopoulos and Joe 2015) e.g. in answering a question a respondent is taking an average experience from all the events in his life relevant to this particular question. Gaussian copula is a good modeling choice when we expect the majority of respondents to fall into the middle categories with little fluctuation. Gaussian copula is defined in the following way "

C(u ; R) = Ud(U–1(u1), ..., U–1(ud); R) "

(7)

where u ! [0,1]d and R is a d # d correlation matrix that serves as a parameter. For a bivariate copula, there is only one parameter i ! (–1, 1):

255

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA…

C(u, v; i) = U2(U–1(u), U–1(v); i)

(8)

There is always one parameter needed for each pair of variables. For Gaussian copula, both mL = mU = 0. t copulas, as opposed to Gaussian copulas, cluster more probabilistic mass on the tails, simultaneously keeping the focus in the centre. Not only is it possible to set different degrees of freedom o for the margins, but also to control skewness. t copulas model answers which are generated as combinations of means. This happens when respondents are of mixed populations, e.g. differ in sex or locations. Let t be univariate Student’s t distribution cdf with o degrees of freedom. Then, a multivariate t copula has the following form: "

C(u , R, o) = Td, o(To–1(u1), ..., To–1(ud); R)

(9)

where R is positive definite parametric matrix. With o " 3, a Gaussian copula is obtained and for small values of o there is more probability in the joint upper and lower tails. 1 For the bivariate case, R = > i

i H where –1 < i < 1 and the copula cdf is: 1

C^u, v; i, o h = T2, o ^T o- 1 ^ uh, T o- 1 ^ v h; i h

(10)

Tails are symmetrical and the dependence coefficients can be written as: mU = m L = 2Tv + 1 f-

v+1 1-i 1+i

p

(11)

where t stands for t Student cdf. Gumbel copula family, on the other hand, is characterized by larger dependence in the upper tail, meaning that probability mass of the joint distribution is shifted towards the extreme values. These copulas capture only positive dependence. If two margins of K categories display negative dependence, one of them should be recoded from K – 1 to 0 in order to use Gumbel copula. Such extreme value copulas are a good fit for responses derived from best-case or worst-case scenarios. For example, when asked about mobility limitation, the respondent takes into account only events when his or her disability prevented them from performing some actions and based on this he or she chooses lower categories. In other words, he or she takes the minimum value of all the events relevant to the question. Bivariate Gumbel copula with parameter i is the following: C(u, v; i) = e-^^- ln uh + ^- ln vh hi , i

i

1

(12)

where 1 G i < 3. We can rotate a Gumbel copula by 180° and thus obtain lower tail dependence; such transformation is called survival Gumbel or reflected Gumbel copula.

256

Martyna Kobus, Olga Półchłopek

If (U, V) ~ C for bivariate C, then (1 – U, 1 – V) ~ Cr and Cr(u, v) = u + v – 1 + C(1 – u, 1 – v). Therefore, the survival Gumbel has the following form: C^u, v; i h = u + v - 1 + e-^^- ln uh + ^- ln vh hi i

i

1

(13)

Other possibilities include rotations by 90° and 270° to model negative dependence. C90°(u, v) = v – C(1 – u, v) (14) C270°(u, v) = u – C(u, 1 – v) (15) Figure 1. Contour plots of bivariate copulas with different behaviour in the tails (a) Gaussian 3 2 1 0 –1 –1 –3

–3 –2 –1 0 1 2 3

(b) t(5) 3 2 1 0 –1 –1 –3

–3 –2 –1 0 1 2 3

(c) Gumbel 3 2 1 0 –1 –1 –3

–3 –2 –1 0 1 2 3

Figure 1 illustrates the support of different copulas. The isolines are sets of points with the same probability. There is more dependence in the tails if the mass is more concentrated around the diagonal. Gaussian copula does not have this property and Gumbel copula has it for higher values i.e. in the upper tail. For t copula tail dependence is symmetric.

1.3. FACTOR COPULAS. 1-FACTOR COPULA MODEL Inspired by the vine copula approach, Nikoloulopoulos and Joe (2015) propose so-called factor copula models for multivariate ordinal data. These are latent variable models for the analysis of high-dimensional item response data in which dependence comes from latent (unobservable) factors. This happens, for example, when there are 40–50 items in a questionnaire but some of them are associated as they aim to model the same concept (e.g. anxiety, depression). The theoretical concept is low-dimensional so latent (factor) models are suitable. The most well-known is the standard multivariate normal model. It is a special case of models proposed by (Nikoloulopoulos and Joe 2015) where all bivariate linking copulas are Gaussian copulas. Factor copula models can be interpreted as latent maxima/minima (in comparison to latent means) and as such they place more probability mass in the tails than a model based on multivariate normal distribution. For the first factor there are bivariate copulas that link each observed item (ordinal variable) with the latent factor, and for the second factor there are bivariate copulas that link each observed item with the

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA…

257

second factor conditional on the first factor. As mentioned before, the connection with vine copulas is that such factor models are in fact truncated vine copulas. However, following Nikoloulopoulos and Joe (2015) we will motivate them as conditional independence models. An important computational advantage of factor copula models and the reason why Joe (2015) describes them as the best modeling choice for multivariate data, is the need to estimate O(d) parameters instead of O(d4)5. Definition 3. Let Yi = (Yi1 , …, Yid) be a vector of d ordinal variables each measured on a scale {0, …, K – 1}. The p-factor model assumes conditional independence of Y1,…, Yd given latent variables X1, …, Xp (factors). The joint probability mass function (pmf) is therefore: P^Y1 = y1, ..., Yd = ydh =

d

# % P ^Yj = y j j=1

X1 = x1, ..., X p = x ph dFX1, ..., X p ^ x1, ..., x ph

where FXl, …, Xp is the joint distribution of latent factors. The conditional independence assumption allows us to replace d-dimensional integrals with the multiplication of one-dimensional integrals. Copulas appear in how P(Yj = yj | X1 = x1, …, Xp = xp) is modeled. Here we present and estimate 1-factor copula model. Further research will focus on estimating 2-factor models for health data as well as more complex structured factor copula models (Krupskii and Joe 2015), which preserve the group structure, e.g. some items are by design more associated than others. As in a standard model for ordinal data, factors gain their interpretation from the items they connect to the most, i.e. via higher values of copula dependence parameters. For example, in case of health data one might expect items such as physical health and mobility to fall in one category (i.e. relate to one underlying factor), whereas items such as depression and anxiety to fall in a different category (i.e. relate to the other underlying factor). The factors are assumed to be independent to ease identifiability.6 Factor copula models do not have closed form cdfs, however, each of the d items is connected to each factor with a bivariate parametric copula, and typically no more than 2 factors are used. Moreover, the model allows mixtures of copula families, so the dependence between each two items is modeled flexibly. A significant feature of factor copulas is that they inherit tail dependence (Hua 2014). If, for example, bivariate distributions of items j, k and factor X, namely, bivariate distributions of (Yj, X) and (Yk, X) are characterized by more probability in the upper tail, then (Yj, X) also has upper tail dependence. Therefore, one can infer from bivariate margins of the distribution of Y = (Y1, …, Yd) which copula families should be used with the data. If upper tail depend4

They do not have to be independent for more complex structured factor copula models (14) Or other copulas with properties similar to Gumbel like Galambos or Clayton. 6 They do not have to be independent for more complex structured factor copula models (Krupskii and Joe 2015). 5

258

Martyna Kobus, Olga Półchłopek

ence is observed in (Yj, Yk), then a Gumbel copula should be used both with (Yj, X) and (Yk, X).7 Let the cutpoints in the U(0, 1) scale be ajk = U((gjk) where gjk are corresponding cutpoints in the N(0, 1) scale for j = 1, …, d. Let X be a latent variable, X ~ U(0, 1). Given Theorem 1 there exists a copula Cj such that F(X, Yj)(x, yj) = = Cj(x, FYj(yj)). Then, the conditional cdf is the following FYj

X a y j x k = P a Yj = y j X = x k =

2C j a x, FYj ^ y jhk 2x

:= Cj

X a a j, y j + 1

xk

(16)

and we have that P^Y1 = y1, ..., Yd = ydh =

d

1 #0 % PaYj = y j j=1

X = xk dx =

d

1 #0 % aC j X a a j, y + 1 j=1

j

xkk dx +

+ Cj|X(aj, yj|x))dx

(17)

Clearly, Cj|X(aj, yj +1|x) – Cj|X(aj, yj|x) gives the probability of Yj = yj conditional on X = x. We have d items so d bivariate linking copulas, so d parameters to estimate.

1.4. TWO-STEP ESTIMATION First, for a random vector Yvi = ^Yi1, ..., Yidh with i = 1, …, n we estimate univariate cutpoints ajk for j = 1, …, d using empirical distribution: at j0 = 0, at j1 = p0, at j2 = p0 + p1, ..., at jK j = p j0 + ... + p j, K j - 1 = 1

(18)

1 n / 1 " yi = k ,. Note that Kj depends n i=1 on j; the variables do not need to have the same number of categories. Uniform cutpoints ajk = U(gjk) are then converted to corresponding cutpoints gjk in N(0, 1) with U–1 i.e. inverse standard normal cdf. With these held fixed, dependence parameters i ! Md x d are estimated using MLE approach and maximising log-likelihood function: with pk being a sample proportion, pk =

, ^i h =

n

n

i=1

i=1

/ ln P^Yij = yij, j = 1, ..., d; i h = / ln P aYvi = ^ y1, ..., ydh, i k

(19)

The probability under the sum can be evaluated as (Panagiotelis 2012): P aYvi = ^ y1, ..., ydh; i k =

/

...

/

k1 = 0, 1 kd = 0, 1

^- 1hk1 + ... + kd P^Y1 G y1 - k1, ..., Yd G yd - kdh; i (20)

which for d = 2 and i ! R is in line with inclusion-exclusion principle: 7

Or other copulas with properties similar to Gumbel like Galambos or Clayton.

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA…

259

P aYvi = ^ y1, y2h; i k = P^Y1 G y1, Y2 G y2; i h - P^Y1 G y1, Y2 G y2 - 1; i h – – P^Y1 G y1 - 1, Y2 G y2; i h + P^Y1 G y1 - 1, Y2 G y2 - 1; i h =

(21)

= Ci ^ a1, y1 + 1, a2, y2 + 1h - Ci ^ a1, y1 + 1, a2, y2h – Ci(a1, y1, a2, y2+1) + Ci(a1, y1, a2, y2) where yi = 0, …, Ki – 1, y2 = 0, …, K2 – 1. One chooses copula family with the highest likelihood.

1.5. SIMULATION IN R Estimation was conducted using R package “CopulaModel’’ developed by H. Joe and P. Krupskii. For 1-factor models, the following copulas were tested in the process, regardless of the initial diagnostics of the dataset: Gumbel, survival Gumbel, Gaussian, as well as t copulas with 2, 3, 4, 5, 7 and 9 degrees of freedom. The algorithm for copula simulation is as follows. For each group of respondents univariate cutpoints are estimated based on the sample as in 18, and for each copula or a set of copulas d parameter values are estimated in line with the formula 19 for the log-likelihood function. It is possible to maximize the function numerically using the Newton-Raphson method but for large d it is extremely time-consuming. Inference Function of Margins (IFM) described by H. Joe (Joe 2005) was used, since d = 24. This method is efficient regarding both computing time and asymptotic variance. Using the vector of parameters, a simulation is conducted to generate a twin dataset with the same number of observations whose multivariate distribution is given by the copula. One should notice that since the forms of bivariate copulas in 8, 10 and 12 denote continuous distributions, some figures have to be rounded up or down randomly. The obtained database depends on seed settings of a random number generator. Afterwards, the same diagnostics can be run on both original dataset and a simulated one for comparison.

2. HEALTH MODELING VIA 1-FACTOR COPULA MODEL ELSA (English Longitudinal Study of Ageing8 is a survey of quality of life among older people in the UK. Waves 1 and 6 (2002, 2012) were downloaded from the UK Data Archive. Although the dataset allows longitudinal analyses, only cross-sectional were conducted to show if and how the conditions of the elderly have changed over time.

8 Marmot M., Oldfield Z., Clemens S., Blake M., Phelps A., Nazroo J., Steptoe A., Rogers N., Banks J. (2016), English Longitudinal Study of Ageing, Waves 0–7, 1998–2015 (data collection), 24th Edition, UK Data Service, SN: 5050, http://dx.doi.org/10.5255/UKDA-SN–5050–11.

260

Martyna Kobus, Olga Półchłopek

2.1. DATA The multivariate model comprises of 24 variables: 19 items describing control, autonomy, self-realization and pleasure, each rated on a scale from 1 to 4, self-reported health status, mobility, eyesight, hearing and pain rating. Table 1. CASP–19 variables C1

How often feels age prevents them from doing things they like

C2

How often feels what happens to them is out of their control

C3

How often feels free to plan for the future

C4

How often feels left out of things

A1

How often can do the things they want to do

A2

How often family responsibilities prevent them from doing things they want to do

A3

How often feels they can please themselves with what they do

A4

How often feels their health stops them from doing what they want to do

A5

How often shortage of money stops them doing things

P1

How often looks forward to each day

P2

How often feels that their life has meaning

P3

How often enjoys the things they do

P4

How often enjoys being in the company of others

P5

How often looks back on their life with a sense of happiness

S1

How often feels full of energy these days

S2

How often chooses to do things they have never done before

S3

How often feels satisfied with the way their life has turned out

S4

How often feels that life is full of opportunities

S5

How often feels the future looks good to them

The data has been adjusted to fit the assumptions in the model. The number of categories differed across variables and therefore was reduced to 4 by collapsing higher responses (pairing “very good’’ with “excellent’’ as one category). Therefore, some items, such as health, vision and hearing, are self-rated on the following scale: 1-“poor’’, 2-“fair’’, 3-“good’’, 4-“excellent’’. Both eyesight and hearing questions assume reporting the senses using everyday correcting devices such as glasses, contact lenses or hearing aid. Blind people fall into the first category of “poor’’ eyesight. Pain rating is derived from two separate questions: “Are you bothered by pain?’’ and “How much does it hurt?’’ by adding the fourth, “no pain’’, category. Therefore, the responses are: 1-“severe’’, 2-“moderate’’, 3-“mild’’, 4-“no pain’’. Mobility was measured by asking the respondents about how much difficulty they associate with walking for a quarter of a mile. The

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA…

261

possible answers were: 1-“unable to do it’’, 2-“much difficulty’’, 3-“some difficulty’’, 4-“no difficulty’’. Ordering of responses was reversed in some cases to assure positive dependence. After all necessary adjustments, the waves 1 and 6 consist of 4650 and 7915 observations, respectively, as shown in Table 2. We analyze the distribution of the groups defined based on sex, age (50–64 years old group and 65+), employment (retired, employed, unemployed, disabled), as well as smoking (behavioral risk). This gives us 10 groups to analyze in each wave. Table 2. Sample sizes by population groups size (wave 1)

% (wave 1)

size (wave 6)

% (wave 6)

males

2 174

44,49%

3 589

45,34%

females

2 476

50,67%

4 326

54,66%

age 50–64

2 542

52,02%

3 734

47,18%

age 65+

2 108

43,13%

4 181

52,82%

non-smoking

3 848

78,74%

7 020

88,69%

802

16,41%

895

11,31%

retired

2 329

47,66%

4 558

57,59%

employed

smoking

1 588

32,49%

2 602

32,87%

unemployed

475

9,72%

468

5,91%

disabled

258

5,28%

287

3,63%

total

4 650

7 915

Source: Own calculations based on the ELSA Wave 1 and Wave 6.

Table 2a. Sample sizes by population groups no. of records

% of records

males

3 589

45,34%

females

4 326

54,66%

age 50–64

3 734

47,18%

age >65

4 181

52,82%

7020

88,69%

895

11,31%

retired

4 558

57,59%

employed

non-smoking smoking

2 602

32,87%

unemployed

468

5,91%

disabled

287

3,63%

total

7 915

Source: Own calculations based on the ELSA Wave 1 and Wave 6.

262

Martyna Kobus, Olga Półchłopek

2.2. DESCRIPTIVE STATISTICS As a first approximation, Tables 13 and 14 and Tables 10 and 11 contain information on, respectively, group means and differences if scale 1–4 of ordinal variables is used. Figure 2 presents it graphically. Figure 2. Mean values of variables in waves 1 and 6 4

3

2

1

S4 S5

S3

P5 S1 S2

P4

P3

P2

C4 A 1 A 2 A 3 A 4 A 5 P1

C3

C2

he

al t w h al k se he e a pa r in C1

0

Wave 1

Wave 2

Source: Own calculations based on the ELSA Wave 1 and Wave 6.

It can be easily inferred that, on average, younger people tend to feel better physically than older people, which does not, however, translate to better mental health. On the other hand, smoking can be seen related to both worse physical and mental condition. The people who still work are of better general health but not with respect to general happiness; here retired are better off. The unemployed are less satisfied than both mentioned groups and the disabled present the worst condition of all. There is no visible pattern to how men differ from women – each group dominates the other in nearly equal number of items and the differences are often insignificant. Comparing between waves (Table 12), what stands out is a considerable decline (of more than 0.1) among the unemployed respondents which means that they feel worse than ten years ago. Items C1, C2, A4, S1 show noticeable decline in all groups which indicates that people may feel more tired and physically constrained by their conditions in wave 6 comparing to wave 1. In 2012 people of all ages over 50 reported significantly better health and mobility than in 2002. People older than 65 have bettered in eyesight as well, however, hearing worsened in both age groups. Control domain consisting of variables C1, C2, C3 and C4 experienced dramatic decrease regardless of the age of respondents; respondents feel less in control of their actions now. Two variables concerning autonomy, A1 and A5, improved for

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA…

263

65+ age group. The first indicator refers to a general power to do the things one wants to do and the latter indicates whether a respondent feels financial constraints. Indicators measuring pleasure experienced a slight decline over the period.

3. RESULTS Table 3 presents bivariate count distributions of CASP–19 variables A5 and S5 simulated with various copulas, as well as observed distribution. A5 refers to financial constraints, whereas S5 refers to prospects for the future. Because item A5 is linked to negative events, the order of categories was reversed. The table illustrates how many respondents are estimated to fall into each bivariate category, e.g. in the original study there were 63 men who reported their money restrictions to occur “often’’ and who, simultaneously, never felt that their future looked good. On the other hand, there were 483 men who were optimistic about their future and did not feel constrained by money. From this initial diagnostics it seems that empirically A5 has more probability in the centre, it is therefore a discretised mean variable, whereas S5 witnesses more mass in extreme (maximum) values. This is why the joint probability is asymmetric and upper tail dependence is observed. Simulations with Gumbel copulas have more mass in the upper quadrant but the least in the lower quadrant of all estimated distributions. Gaussian copulas, on the other hand, underestimate the upper tails and shift the mass towards the middle categories, leaving little negative dependence. t copulas give the closest approximation compared to the other families – t(5) and t(7) seem to be the closest fits for males and t(4) or t(5) for females. The initial diagnostics show that the dependence of financial constraints and one’s view about the future is not linear and is stronger for both those financially constrained and financially unconstrained. These non-linearities cannot be detected with the Gaussian model and cannot be seen if the data were dichotomized. With two four-categories variables there is nine different ways of where to put a cutoff (three different ways for one item given that they are in an increasing order so that 1 in the lower categories implies 1 in higher categories). In Table 4 we present the distribution of A5 and S5 among males after the following dichotomizations: (i) a respondent has health problems if he reports categories 2, 3, or 4 for both indicators (ii) a respondent has health problems if he reports categories 3, or 4 for both indicators (iii) a respondent has health problems if he reports category 4 for both indicators. Therefore, we observe three 2 # 2 distributions. Marginal distributions change, but the dependence structure changes too and it changes fundamentally. If cases (i) and (ii) are considered then we conclude that A5 and S5 are strongly related in the upper tail, on the other hand this is reversed for (iii). Clearly, dichotomization obscures the dependence structure. Furthermore, from policy point of view, the existence of tail dependence implies that, with marginals unchanged, there is a certain level of comorbidity in emotional health. Emotional health conditions tend to occur together and tend to not occur

264

Martyna Kobus, Olga Półchłopek

Table 3. Comparison of bivariate count distributions for items A5 and S5

empirical distribution

Gumbel

s.Gumbel

Gaussian

t(2)

t(3)

t(4)

t(5)

t(7)

t(9)

63 36 24 31 49 57 31 18 41 55 32 18 59 52 26 15 75 32 9 30 75 37 13 26 72 41 19 22 71 45 18 22 69 43 24 16 70 45 25 17

males 176 188 201 566 123 499 89 307 145 246 220 544 147 477 59 298 137 244 212 535 151 470 72 323 144 235 221 526 146 458 63 351 158 160 218 579 118 508 95 303 152 180 217 561 129 490 84 318 149 191 225 550 128 481 80 325 148 201 226 539 128 481 76 328 148 207 227 541 135 474 72 334 148 217 220 538 138 468 66 342

63 300 440 483 79 290 404 525 90 313 395 501 72 326 423 472 104 300 416 484 94 305 426 482 88 308 425 485 88 310 424 484 81 312 424 482 75 319 424 477

65 37 34 49 46 63 46 25 44 62 52 33 56 60 39 22 75 35 20 46 67 40 29 36 64 44 34 30 64 45 34 28 62 52 32 27 61 56 33 27

females 166 308 180 686 162 549 95 376 152 292 243 691 150 570 75 354 128 306 246 662 163 551 73 394 156 281 240 676 151 537 76 422 179 220 214 715 131 617 105 354 177 238 224 699 138 590 94 382 173 248 235 691 138 572 87 398 167 253 240 693 142 568 86 397 167 262 235 690 146 555 85 400 162 269 236 683 145 553 83 405

Source: Own calculations based on the ELSA Wave 1 and Wave 6.

89 413 526 591 132 362 485 640 147 387 480 598 129 388 528 565 166 377 488 584 152 380 498 582 141 383 510 578 135 381 517 576 133 382 519 579 133 380 526 574

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA…

265

Table 4. Males joint A5, S5 distribution after dichotomisation with different cut-off Categories 2, 3, 4 = 1

Categories 3, 4 = 1

Categories 4 = 1

empirical

63

427

476

1 117

1 876

803

distribution

91

3 008

267

1 729

427

483

Source: Own calculations based on the ELSA Wave 1 and Wave 6.

together. In line with inequality measurement theory axioms, such property of a health distribution implies that it is more unequal. Tables 5 and 6 display absolute values of the log-likelihood function for all tested copulas and univariate distributions in both waves of the data. The smallest figures are emphasized in bold. Both waves are dominated by t copulas with 4 degrees of freedom; in wave 1 only the groups of employed, unemployed and disabled people can be estimated most accurately with a t(5) copula and in wave 6 there are two such groups, the females and the unemployed. All tested distributions are characterized with intermediate dependence in both upper and lower tail. Such interdependence is impossible to detect if the data are dichotomized and then aggregated. Furthermore, the results imply that the responses are the mixture of discreticised means which is typical for mixed populations (Nikoloulopoulos and Joe 2015). We thus find evidence that factor copula model based on t copulas works better for our health data than purely Gaussian model; the improvement is more evident for Wave 6 than Wave 1. As to the interpretation of the factor, we analyze the values of copula parameters corresponding to the model with the maximum likelihood (Tables 16 and 17). The interpretation is available without the need for a varimax rotation typical of factor models. Parameters that can be compared between models are given on a Kendall’s tau scale (Tables 18 and 19). The higher the copula parameter, the more dependent a given item on a factor, which provides for a factor’s interpretation. Figure 3 illustrates the parameters for the groups of non-smokers (as they are most numerous). In wave 1 items S1 and S5 appear to be most linked with the factor. They describe a person’s level of energy and views for the future, thus the factor can be interpreted as general optimism in life. In wave 6 there are more items with dependence parameters close to 0.6; these are S1, S3, S5, P1 and P3. The interpretation of factor one as measuring general optimism is now extended to cover life satisfaction and the feeling of enjoyment about things one does. The most heterogeneity is found among groups based on employment status. In Wave 1 (Table 18) there is substantial dependence of general health status and mobility for both retired and disabled and much less for the employed group. In other words, among retired and disabled whether the person is mobile or not is related stronger to his/her subjective health status than in the employed group. Furthermore, these two are one of key health indicators for these two groups. The similar difference is observed for indicators C1 and C2 which measure how

266

Martyna Kobus, Olga Półchłopek

Figure 3. Parameters on a Kendall’s tau scale (a) Wave 1 0,70 0,60 0,50 0,40 0,30 0,20 0,10

S5

S4

S4

S3

P5 S1 S2

P4

P5 S1

P2 P3

P1

A5

A4

A3

C4 A1 A2

C3

he

C2

al th w al k se e he a pa r in C1

0,00

(b) Wave 6 0,70 0,60 0,50 0,40 0,30 0,20 0,10

S5

S3

S2

P4

P3

P1 P2

A5

A4

A3

A2

C4 A1

C3

he

C2

al th w al k se e he a pa r in C1

0,00

Source: Own calculations based on the ELSA Wave 1 and Wave 6.

much one feels constrained by age and feels lack of control. These two are more interdependent among retired and disabled than among employed group. In Wave 1 for the unemployed group items such as P1 and P3 appear as the most informative of the underlying factor, whereas for other groups all items in P

48 757,13

85 566,36

49 620,53

52 828,69

32 308,87

10 884,02

age 65+

non-smoking

smoking

retired

employed

unemployed

s.Gumbel

Gaussian

6 749,422

10 893,65

32 303,31

52 817,13

49 527,02

85 460,71

48 713,25

54 979,59

55 166,12

49 527,02

t(2)

6 769,521

10 882,91

32 329,87

52 741,65

49 506,85

85 408,05

48 672,09

54 829,26

55 071,06

49 506,85

t(3)

6 740,441

10 847,59

32 224,60

52 604,01

49 380,29

85 173,08

48 544,95

54 702,98

54 924,82

49 380,29

t(4)

6 732,230

10 839,54

32 204,03

52 589,33

49 362,82

85 141,29

48 528,84

54 695,07

54 905,49

49 362,82

t(5)

6 730,039

10 838,83

32 202,70

52 600,26

49 368,40

85 152,18

48 537,17

54 709,00

54 913,19

49 368,40

7 476,571

10 991,50

53 645,68

10 2 098,0

80 717,91

15 5 532,7

95 158,20

80 103,56

96 084,29

80 717,91

s.Gumbel

7 478,870

10 993,84

53 640,69

10 2 094,7

80 846,76

15 5 668,2

95 225,41

80 259,77

96 137,74

80 846,76

Gaussian

7 469,904

11 002,42

53 546,96

10 1 980,7

80 457,84

15 5 360,9

95 066,25

79 918,39

96 065,23

80 457,84

t(2)

7 447,853

10 959,10

53 322,45

10 1 635,0

80 259,61

15 4 870,6

94 764,68

79 692,60

95 740,58

80 259,61

t(3)

7 444,286

10 947,77

53 281,89

10 1 567,6

80 254,10

15 4 785,7

94 711,52

79 673,95

95 670,10

80 254,10

t(4)

7 445,429

10 945,50

53 287,39

10 1 572,6

80 291,59

15 4 802,2

94 721,97

79 701,84

95 665,24

80 291,59

t(5)

Table 6. Absolute values of log-likelihood function for wave 6

6 754,429

10 890,54

32 349,51

52 829,01

49 505,16

85 428,67

48 706,06

54 887,60

55 112,61

49 505,16

Source: Own calculations based on the ELSA Wave 1 and Wave 6.

7 481,391

11 008,83

unemployed

disabled

53 573,58

employed

15 5 769,7

non-smoking

80 854,65

95 291,40

age >65

10 2 116,5

80 293,86

age 50–64

retired

96 224,81

females

smoking

80 854,65

males

Gumbel

6 748,956

55 049,87

age 50–64

disabled

55 201,25

females

Gumbel

49 620,53

males

Table 5. Absolute values of log-likelihood function for wave 1 t(7)

7 450,359

10 948,37

53 325,96

10 1 631,5

80 378,07

15 4 902,5

94 783,42

79 775,39

95 705,32

80 378,07

t(7)

6 730,551

10 843,70

32 212,44

52 630,72

49 389,42

85 191,21

48 562,03

54 746,49

54 944,38

49 389,42

t(9)

7 454,723

10 953,16

53 365,15

10 1 693,6

80 449,67

15 5 004,2

94 844,76

79 838,67

95 754,27

80 449,67

t(9)

6 732,406

10 849,61

32 222,93

52 656,79

49 406,95

85 226,21

48 582,68

54 779,05

54 974,52

49 406,95

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA… 267

268

Martyna Kobus, Olga Półchłopek

(pleasure) category are equally important. P1 and P3 measure the enjoyment one has about every day and things in life. In Wave 6, P1 becomes the key item for the employed group too. All in all, the employed group seems different in terms of emotional health comparing to other groups. The dependence parameters seem more evenly distributed in this group, suggesting that the underlying factor may point to a general level of well-being, whereas for other groups, factor’s Table 7. Univariate margins for the group of males in wave 6 estimated with t(4) copula

empirical distribution 1

2

3

4

1

2

3

4

health

273

642

1 149

1 525

276

638

1 174

1 501

walk

220

187

414

2 768

226

168

421

2 774

see

76

279

1 359

1 875

70

271

1 417

1 831

hear

209

762

1 241

1 377

216

783

1 183

1 407

pain

239

630

464

2 256

251

642

457

2 239

C1

374

1 380

1 094

741

359

1 342

1 148

740

C2

230

1 023

1 614

722

244

1 024

1 611

710

C3

142

492

1 226

1 729

142

498

1 228

1 721

C4

124

669

1 376

1 420

117

699

1 341

1 432

A1

78

238

1 274

1 999

73

244

1 302

1 970

A2

138

1 031

1 329

1 091

150

1 006

1 340

1 093

A3

93

302

1 521

1 673

89

304

1 539

1 657

A4

542

951

929

1 167

537

922

930

1 200

A5

490

1 103

1 086

910

500

1 124

1 053

912

P1

44

146

945

2 454

36

137

965

2 451

P2

87

282

1 093

2 127

78

273

1 123

2 115

P3

18

49

784

2 738

16

47

779

2 747

P4

21

96

1 151

2 321

11

106

1 163

2 309

P5

40

199

1 120

2 230

31

203

1 141

2 214

S1

229

795

1 792

773

207

845

1 765

772

S2

359

1 394

1 498

338

359

1 364

1 545

321

S3

93

284

1 387

1 825

95

285

1 370

1 839

S4

156

674

1 577

1 182

151

674

1 565

1 199

S5

154

589

1 560

1 286

154

582

1 547

1 306

Source: Own calculations based on the ELSA Wave 1 and Wave 6.

269

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA‌

interpretation may be more specific and focus mostly on physical limitations and the indicators for depression e.g. energy levels. Tables 7 and 8 present univariate distributions of all items for two groups: males and females. There are only small differences in the original and estimated margins. Margins were estimated with t(4) and t(5) copulas for men and women respectively, with parameters given in table 17. Table 8. Univariate margins for the group of females in wave 6 estimated with t(4) copula

empirical distribution 1

2

3

4

1

2

3

4

health

256

782

1 372

1 916

268

769

1 393

1 896

walk

349

232

553

3 192

370

222

540

3 194

see

86

384

1 681

2 175

81

395

1 685

2 165

hear

109

522

1 378

2 317

104

532

1 427

2 263

pain

345

1 038

571

2 372

366

1 002

562

2 396

C1

375

1 449

1 433

1 069

387

1 492

1 388

1 059

C2

255

1 305

1 845

921

271

1 333

1 833

889

C3

219

612

1 570

1 925

244

627

1 543

1 912

C4

143

1 031

1 531

1 621

142

1 050

1 517

1 617

A1

94

348

1 545

2 339

96

345

1 566

2 319

A2

253

1 268

1 398

1 407

235

1 342

1 317

1 432

A3

104

299

1 543

2 380

90

311

1 514

2 411

A4

599

1 222

1 033

1 472

560

1 235

1 006

1 525

A5

628

1 316

1 271

1 111

619

1 359

1 261

1 087

P1

43

183

1 139

2 961

35

210

1 145

2 936

P2

69

267

1 312

2 678

70

287

1 314

2 655

P3

20

67

935

3 304

17

66

957

3 286

P4

18

66

988

3 254

14

72

960

3 280

P5

32

236

1 332

2 726

28

221

1 310

2 767

S1

280

960

2 208

878

269

982

2 221

854

S2

465

1 574

1 847

440

432

1 557

1 903

434

S3

123

374

1 689

2 140

132

374

1 698

2 122

S4

203

807

1 910

1 406

200

800

1 921

1 405

S5

185

603

1 919

1 619

171

635

1 911

1 609

Source: Own calculations based on the ELSA Wave 1 and Wave 6.

270

Martyna Kobus, Olga Półchłopek

Table 9. Bivariate count distributions of the models with the best log-likelihood empirical

males

females

age 50–64

age 65+

non-smoking

smoking

retired

employed

unemployed

disabled

1-factor

203

54

8

8

102

80

55

39

212

293

87

50

150

217

131

140

99

396

378

276

167

335

340

332

28

208

456

833

118

290

404

689

190

56

6

4

95

94

39

40

255

404

86

37

155

290

146

178

111

528

402

331

190

427

360

416

43

234

539

1100

120

424

461

891

156

44

6

5

61

54

53

59

157

248

86

46

104

140

121

138

64

338

380

333

114

292

344

405

28

160

497

1186

113

340

458

938

237

66

8

7

155

113

35

25

310

449

87

41

223

332

191

137

146

586

400

274

220

519

374

318

43

282

498

747

127

398

401

613

312

94

11

9

157

117

71

60

396

586

151

71

266

448

266

260

189

827

696

513

278

700

656

610

66

403

946

1750

237

656

811

1427

203

54

8

8

102

80

55

39

212

293

87

50

150

217

131

140

99

396

378

276

167

335

340

332 689

28

208

456

833

118

290

404

225

62

8

8

140

81

31

30

331

479

96

43

253

379

195

147

148

611

441

311

217

566

433

334

44

284

556

911

140

405

452

755

20

18

4

2

9

7

6

16

52

148

59

33

25

102

78

115

32

251

284

263

31

182

233

352

13

129

380

914

47

277

419

703

18

9

2

1

7

5

13

5

26

48

15

8

21

25

22

26

12

45

51

32

17

45

43

38

10

28

57

106

19

56

55

71

130

21

0

1

109

27

6

4

58

22

3

3

61

24

4

5

18

17

4

1

23

10

1

2

4

1

2

2

10

1

0

0

Source: Own calculations based on the ELSA Wave 1 and Wave 6.

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA…

271

There is no coherent way to illustrate a 24-dimensional distribution, thus we present estimated bivariate margins for variables health and A4 (Table 9) which measures the feeling of autonomy. The two variables are expected to be dependent, since lower levels of general health imply e.g. mobility limitations. Indeed, a vast majority of probability mass is gathered near the main diagonal as can be seen in Table 9. For each decomposed group, the table contains output from a copula with the highest value of log-likelihood function (cf. table 6). The maximum deviation in all presented values is 8,11% (compared to the magnitude of each subsample) and average deviation is lower than 2%.

4. CONCLUSION Considering causal links would add further layers of complexity to the model and is beyond the scope of this paper. However, there is still a lot to be learnt about the joint distribution of health. This is an area of active research in the last decade too as detailed information on health has become available. A disaggregated view of health will inform researchers and policymakers on most vulnerable groups (in terms of both worse unidimensional health distributions and the incidence of multiple health deprivations) and on the potential areas of intervention. Factor copulas are indeed powerful and flexible tools in modeling multivariate data, including difficult cases of high-dimensional and ordinal data that defy regular procedures (see e.g. Oh and Patton 2015). They have been so far applied in psychometrics (Nikoloulopoulos and Joe 2015) and continuous stock returns (Krupskii and Joe 2013, 2015, Oh and Patton 2015). They are very flexible in modeling complex dependence with particular emphasis on tail dependence. In this paper we present their usefulness in modeling ordinal health data. They can detect complexities and nonlinearities in the data that are not detectable to the methods proposed in the health and health inequality measurement literature so far. We show that there is a potential in applying factor copula models to health data and provide evidence that richer models provide for a better fit. The presentation here should be developed in the following directions: (i) estimation of 2- and possibly 3-factor models (ii) estimation of structured factor copula models for ordinal data where the group structure (such as autonomy, control etc. in CASP–19) is taken into account in the statistical models (structured copulas have only been developed for continuous data (Krupskii and Joe 2015)). Structured factor copulas are extensions to the Gaussian bi-factor model covered by Gibbons i Hedeker (1992) and Holzinger and Swineford (1937). (iii) choosing different bivariate linking copulas in a given tree, which has to be done with caution as it obscures model comparisons. Concerning the latter, Table 10 illustrates bivariate distribution of variables C3 and S5. Clearly, they are upper dependent; the probability mass is

272

Martyna Kobus, Olga Półchłopek

concentrated in the upper quadrant. Not surprisingly, the corresponding count figures delivered by the Gumbel copula provide the best fit. Table 10. Comparison of modelling upper tail dependence of items C3 and S5 empirical

Gumbel

t(4)

Gaussian

39

43

77

95 28

59

127

32 47

68

103

36 32

62

123

32

41

87

118

30 16

77

140

52 19

63

125

64 21

64

130

60

9

98

411 145 27

92

345 206 16

78

334 226 25

91

310 246

8

47

429 799 20

65

427 763 18

67

478 734 16

69

472 723

Source: Own calculations based on the ELSA Wave 1 and Wave 6.

Another important extension of the model is the addition of regression parameters, not only for marginals (i.e. via probit regressions), but also for the dependence parameters, as dependence may potentially depend on a different set of covariates.

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA…

273

REFERENCES Aas K., Czado C., Frigessi A., Bakken H. (2009), Pair-copula constructions of multiple dependence, „Insurance, Mathematics and Economics”, Vol. 44, pp. 182−198. Abul Naga R.H., Stapenhurst Ch. (2015), Estimation of inequality indices of the cumulative distribution function, „Economics Letters”, 130, pp. 109−112. Abul Naga R.H., Yalcin T. (2008), Inequality measurement for ordered response health data, „Journal of Health Economics”, 27(6), pp. 1614−1625. Allison R.A., Foster J.E. (2004), Measuring health inequality using qualitative data, „Journal of Health Economics”, 23(3), pp. 505−524. Apouey B., Silber J. (2013), Inequality and bi-polarization in socioeconomic status and health:ordinal approaches, „SSRN Electronic Journal”. Apouey B. (2007), Measuring health polarization with self-assessed health data, „Health Economics”, 16, pp. 875−894. Atkinson A.B., Bourguignon F. (1982), The comparison of multi dimensioned distributions of economic status, „Review of Economic Studies”, 49(2), pp. 183−201. Atkinson A.B. (1970), On the measurement of inequality, „Journal of Economic Theory”, 2(3), pp. 244−263. Atkinson A.B. (2011), On lateral thinking, „Journal of Economics Inequality”, 9, pp. 319−328. Bedford T., Cooke R.M. (2002), Vines − a new graphical model for dependent random variables, „Annals of Statistics, Vol. 30, pp. 1031–1068. Cowell F., Flachaire E. (2015), Inequality with ordinal data, „STICERD 130226 Working Paper”. Cutler D.M., Huang W., Lleras-Muney A. (2015), When does education matter? The protective effect of education for cohorts graduating in bad times, „Social Science & Medicine”, 127, pp. 63−73. Cutler D., Lleras-Muney A., Vogl T. (2011), Socioeconomic Status and Health: Dimensions and Mechanisms, The Oxford Handbook of Health Economics. Duclos J.Y, Echevin D. (2012), Health and income: A robust comparison of Canada and the US, „Journal of Health Economics”, 30, pp. 293–302. Genest C., MacKay J. (1986), The joy of copulas: Bivariate distributions with uniform marginals, „The American Statistician”, Vol. 40, pp. 280−283. Genest C., Nešlehová J. (2007), A primer on copulas for count data, „ASTIN Bulletin”, Vol. 37, pp. 475−515. Gibbons R., Hedeker D. (1992), Full-information item bi-factor analysis, „Psychometrika”, Vol. 57, pp. 423−436. Gravel N., Magdalou B., Moyes P. (2015), Ranking distributions of an ordinal attribute, <halshs–01082996v2> Holzinger K.J., Swineford F. (1937), The bi-factor method, „Psychometrika, Vol. 2, pp. 41−54. Hua L., Joe H. (2014), Strength of tail dependence based on conditional tail expectation, „Journal of Multivariate Analysis”, Vol. 123, pp. 143−159. Hult H., Lindskog F. (2002), Multivariate extremes, aggregation and dependence in elliptical distributions, „Advances in Applied Probability”, Vol. 34, pp. 587−608. Joe H. (2005), Asymptotic efficiency of the two-stage estimation method for copula-based models, „Journal of Multivariate Analysis”, Vol. 94, pp. 401−419.

274

Martyna Kobus, Olga Półchłopek

Joe H. (2015), Dependence Modelling with Copulas, Taylor & Francis Group. Krupskii P., Joe H. (2013), Factor copula models for multivariate data, „Journal of Multivariate Analysis”, Vol. 120, pp. 85–101. Krupskii P., Joe H. (2015), Structured factor copula models: Theory, inference and computation, „Journal of Multivariate Analysis”, Vol. 138, pp. 53–73. Kunst A.E, Bos V., Lahelma E., Bartley M., Lissau I., Regidor E., et al. (2004), Trends in socioeconomic inequalities in sefl-assessed health in 10 European countries, „International Journal of Epidemiology”, 34, pp. 295−305. Lazar A. Silber J. (2013), On the cardinal measurement of health inequality when only ordinal information is available on individual health status, „Health Economics”, 22(1), pp. 106−113. Lv G., Wang Y., Xu Y. (2015), On a new class of measures for health inequality based on ordinal data, „Journal of Economic Inequality), 13, pp. 465−477. Mackenbach J.., Stirbu I., Roskam A.J.R., Schaap M.M., Menvielle G., Leinsalu M., Kunst A.E. (2008), Socioeconomic inequalities in health in 22 European countries, „New England Journal of Medicine”, 358, pp. 2468−2481. Makdisi P., Yazbeck M. (2014), Measuring socioeconomic health inequalities in the presence of multiple categorical information, „Journal of Health Economics, Vol. 34, pp. 84−95. Marmot M., Oldfield Z., Clemens S., Blake M., Phelps A., Nazroo J., Steptoe A., Rogers N., Banks J. (2016), English Longitudinal Study of Ageing, Waves 0–7, 1998–2015 (data collection), 24th Edition, UK Data Service, SN: 5050, http:// dx.doi.org/10.5255/UKDA-SN–5050–11 Nelsen R.B. (2006), An Introduction to Copulas, 2nd ed., Springer. Nikoloulopoulos A.K., Joe H. (2015), Factor copula models for item response data, „Psychometrika”. Oh D.H., Patton A.J. (2015), Modelling dependence in high dimensions with factor copulas, „Finance and Economics Discussion Series” 2015–051, Board of Governors of the Federal Reserve System. Panagiotelis A., Czado C., Joe H. (2012), Pair Copula Constructions for Multivariate Discrete Data, „Journal of the American Statistical Association”, pp. 107−499. Schweizer B., Wolff E.F. (1981), On nonparametric measures of dependence for random variables, „Annals of Statistics, 9, 870885. 29 Sklar A. (1959), Fonctions de répartition à n dimensions et leurs marges, „Publications de l’Institut de Statistique de l’Université de Paris”, Vol. 8, pp. 229–231. van Doorslaer E, Koolman X. (2004), Explaining the differences in income-related health inequalities across European countries, „Health Economics”, 13, pp. 609−628. van Doorslaer E., Wagstaff A., Bleichrodt H., Calonge S., Gerdtham U.G, Gerfin M., Geurts J., Gross L., Hakkinen U., Leu R.E., O’Donnell O., Propper C., Puffer F., Rodriguez M., Sundberg G., Winkelhake O. (1997), Income-related inequalities in health: some international comparisons, „Journal of Health Economics”, 16, pp. 93−112.

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA…

275

APPENDIX Table 11. t test for means

health walk see hear pain C1 C2 C3 C4 A1 A2 A3 A4 A5 P1 P2 P3 P4 P5 S1 S2 S3 S4 S5

sex 0,042 (0,028) –0,063 (0,027)* –0,084 (0,023)* 0,284 (0,026)* –0,133 (0,03)* 0,108 (0,028)* –0,003 (0,027) –0,085 (0,029)* –0,032 (0,026) 0,007 (0,024) 0,051 (0,028) 0,136 (0,023)* 0,03 (0,032) 0,068 (0,03)* –0,017 (0,017) 0,041 (0,021)* –0,007 (0,014) 0,118 (0,016)* 0,023 (0,018) 0,035 (0,024) 0,06 (0,025)* 0,014 (0,022) 0,054 (0,025)* 0,056 (0,024)*

Wave 1 age –0,195 (0,028)* –0,404 (0,027)* –0,175 (0,023)* –0,25 (0,026)* –0,089 (0,03)* –0,582 (0,027)* –0,017 (0,027) –0,15 (0,029)* 0,019 (0,026) –0,107 (0,024)* 0,445 (0,027)* 0,111 (0,023)* –0,418 (0,031)* 0,262 (0,029)* 0,048 (0,017)* –0,019 (0,021) 0,036 (0,014)* 0,012 (0,016) 0,116 (0,018)* –0,21 (0,024)* –0,308 (0,025)* 0,066 (0,022)* –0,14 (0,025)* –0,163 (0,024)*

smoking –0,291 (0,037)* –0,122 (0,036)* –0,125 (0,03)* –0,059 (0,034) –0,126 (0,04)* 0,016 (0,038) –0,102 (0,036)* –0,207 (0,038)* –0,093 (0,035)* –0,178 (0,032)* –0,006 (0,037) –0,074 (0,031)* –0,114 (0,042)* –0,297 (0,039)* –0,191 (0,022)* –0,192 (0,027)* –0,125 (0,018)* –0,076 (0,021)* –0,19 (0,024)* –0,208 (0,032)* –0,118 (0,034)* –0,191 (0,029)* –0,218 (0,033)* –0,221 (0,031)*

sex 0,05 (0,021)* –0,074 (0,02)* –0,028 (0,016) 0,31 (0,019)* –0,171 (0,023)* 0,125 (0,021)* 0,005 (0,019) –0,063 (0,019)* –0,07 (0,019)* –0,03 (0,016) –0,025 (0,02) 0,103 (0,017)* 0,023 (0,024) –0,011 (0,023) 0,004 (0,014) 0,06 (0,016)* 0 (0,011) 0,12 (0,012)* 0,017 (0,014) –0,015 (0,018) 0,017 (0,018) –0,026 (0,017) –0,01 (0,019) 0,041 (0,019)*

Wave 6 age –0,233 (0,021)* –0,343 (0,02)* –0,142 (0,016)* –0,282 (0,019)* –0,12 (0,023)* –0,556 (0,02)* –0,094 (0,019)* –0,049 (0,019)* 0,005 (0,019) –0,026 (0,016) 0,333 (0,02)* 0,148 (0,016)* –0,419 (0,023)* 0,315 (0,022)* 0,103 (0,014)* –0,006 (0,016) 0,082 (0,011)* 0,018 (0,012) 0,078 (0,014)* –0,15 (0,018)* –0,212 (0,018)* 0,032 (0,017) –0,107 (0,019)* –0,11 (0,018)*

smoking –0,326 (0,033)* –0,18 (0,031)* –0,142 (0,026)* 0,008 (0,031) –0,152 (0,036)* –0,06 (0,033) –0,123 (0,03)* –0,181 (0,03)* –0,089 (0,03)* –0,178 (0,026)* 0,079 (0,032)* –0,065 (0,026)* –0,148 (0,038)* –0,337 (0,036)* –0,205 (0,022)* –0,194 (0,025)* –0,181 (0,018)* –0,082 (0,019)* –0,178 (0,023)* –0,211 (0,029)* –0,156 (0,029)* –0,207 (0,026)* –0,254 (0,029)* –0,223 (0,029)*

276

Martyna Kobus, Olga Półchłopek

Table 12. t test for means of employment groups

health walk see hear pain C1 C2 C3 C4 A1 A2 A3 A4 A5 P1 P2 P3 P4 P5 S1 S2 S3 S4 S5

employed 0,378 (0,029)* 0,483 (0,027)* 0,196 (0,024)* 0,242 (0,028)* 0,251 (0,032)* 0,578 (0,03)* 0,105 (0,029)* 0,175 (0,031)* 0,029 (0,028) 0,171 (0,026)* –0,402 (0,029)* –0,129 (0,025)* 0,598 (0,032)* –0,219 (0,032)* –0,021 (0,018) 0,042 (0,022) –0,015 (0,015) 0,012 (0,017) –0,057 (0,019)* 0,288 (0,025)* 0,304 (0,027)* 0,018 (0,023) 0,174 (0,027)* 0,2 (0,025)*

Wave 1 unemployed 0,027 (0,048) 0,204 (0,049)* –0,051 (0,04)* 0,127 (0,046)* –0,013 (0,052) 0,163 (0,049)* –0,082 (0,047)* –0,072 (0,05)* –0,137 (0,045)* 0,029 (0,042)* –0,365 (0,047)* –0,159 (0,04)* 0,124 (0,054)* –0,122 (0,052)* –0,091 (0,029)* –0,065 (0,036)* –0,086 (0,023)* –0,038 (0,027)* –0,044 (0,03)* 0,054 (0,042)* –0,027 (0,045) –0,025 (0,038) –0,007 (0,044) 0,062 (0,041)*

disabled –1,254 (0,063)* –1,257 (0,067)* –0,413 (0,053)* –0,149 (0,061)* –1,166 (0,068)* –0,347 (0,064)* –0,781 (0,062)* –0,545 (0,065)* –0,654 (0,06)* –0,619 (0,056)* –0,249 (0,06)* –0,398 (0,052)* –1,301 (0,069)* –0,836 (0,066)* –0,351 (0,038)* –0,306 (0,047)* –0,277 (0,031)* –0,162 (0,036)* –0,308 (0,04)* –0,885 (0,055)* –0,505 (0,058)* –0,739 (0,051)* –0,507 (0,058)* –0,659 (0,055)*

employed 0,353 (0,021)* 0,436 (0,02)* 0,151 (0,017)* 0,233 (0,021)* 0,251 (0,024)* 0,483 (0,022)* 0,103 (0,02)* 0,029 (0,021) 0,023 (0,02) 0,053 (0,017)* –0,304 (0,021)* –0,167 (0,017)* 0,53 (0,025)* –0,325 (0,024)* –0,074 (0,015)* 0,028 (0,017) –0,057 (0,012)* 0,003 (0,013) –0,03 (0,015)* 0,199 (0,019)* 0,218 (0,019)* –0,012 (0,018) 0,13 (0,02)* 0,117 (0,019)*

Wave 6 unemployed 0,041 (0,045)* 0,144 (0,046)* –0,016 (0,036) 0,193 (0,043)* –0,071 (0,05)* 0,197 (0,045)* –0,126 (0,041)* –0,239 (0,041)* –0,176 (0,041)* –0,146 (0,035)* –0,447 (0,043)* –0,277 (0,035)* 0,118 (0,051)* –0,489 (0,048)* –0,124 (0,029)* –0,064 (0,034)* –0,136 (0,023)* –0,05 (0,026)* –0,16 (0,03)* –0,022 (0,04) –0,056 (0,039)* –0,203 (0,036)* –0,174 (0,041)* –0,104 (0,04)*

disabled –1,38 (0,056)* –1,323 (0,059)* –0,427 (0,046)* –0,109 (0,054)* –1,177 (0,063)* –0,263 (0,057)* –0,717 (0,051)* –0,635 (0,052)* –0,611 (0,052)* –0,752 (0,045)* –0,105 (0,053)* –0,385 (0,044)* –1,288 (0,063)* –0,887 (0,06)* –0,576 (0,037)* –0,501 (0,044)* –0,43 (0,029)* –0,282 (0,033)* –0,529 (0,038)* –0,969 (0,05)* –0,55 (0,049)* –0,737 (0,045)* –0,675 (0,051)* –0,789 (0,051)*

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA…

277

Table 13. t test for means across waves

health walk see hear pain C1 C2 C3 C4 A1 A2 A3 A4 A5 P1 P2 P3 P4 P5 S1 S2 S3 S4 S5

males 0,036 (0,023)* 0,046 (0,022) 0,034 (0,018) –0,066 (0,021)* –0,03 (0,025)* –0,17 (0,023)* –0,316 (0,021)* –0,021 (0,021)* –0,056 (0,021)* 0,025 (0,018) –0,062 (0,022)* –0,045 (0,018) –0,109 (0,026)* 0,049 (0,024) –0,109 (0,015)* –0,088 (0,017)* –0,052 (0,012)* –0,025 (0,013)* –0,087 (0,015)* –0,078 (0,02)* –0,063 (0,02)* –0,034 (0,018)* –0,043 (0,02)* –0,078 (0,02)*

Wave 1 females 0,044 (0,022) 0,036 (0,021)* 0,09 (0,017)* –0,04 (0,02)* –0,068 (0,024) –0,152 (0,022)* –0,307 (0,02)* 0,001 (0,021) –0,094 (0,02)* –0,012 (0,017) –0,139 (0,021)* –0,078 (0,017)* –0,117 (0,025)* –0,03 (0,023) –0,088 (0,014)* –0,069 (0,016)* –0,045 (0,011)* –0,023 (0,012)* –0,093 (0,015)* –0,127 (0,019)* –0,106 (0,019)* –0,074 (0,017)* –0,107 (0,019)* –0,093 (0,019)*

age 50–64 0,076 (0,021)* 0,037 (0,019)* 0,059 (0,017) –0,012 (0,019)* –0,029 (0,023)* –0,129 (0,021)* –0,269 (0,019)* –0,053 (0,02)* –0,071 (0,02)* –0,029 (0,017)* –0,077 (0,021)* –0,089 (0,017) –0,081 (0,024)* –0,04 (0,023)* –0,13 (0,014)* –0,083 (0,016)* –0,075 (0,011)* –0,026 (0,012) –0,079 (0,015)* –0,12 (0,019)* –0,114 (0,018)* –0,043 (0,017) –0,084 (0,019)* –0,102 (0,018)*

age 65+ 0,038 (0,023)* 0,099 (0,023)* 0,092 (0,018)* –0,044 (0,021)* –0,06 (0,025) –0,103 (0,023)* –0,346 (0,021)* 0,048 (0,022)* –0,085 (0,021)* 0,051 (0,018)* –0,19 (0,022)* –0,052 (0,018)* –0,082 (0,026)* 0,012 (0,025)* –0,075 (0,015)* –0,07 (0,018)* –0,029 (0,012)* –0,021 (0,013)* –0,117 (0,015)* –0,061 (0,02) –0,018 (0,02)* –0,077 (0,018)* –0,051 (0,021) –0,048 (0,02)

Wave 6 non-smoking 0,028 (0,018) 0,039 (0,018) 0,058 (0,015)* –0,058 (0,017)* –0,057 (0,02)* –0,149 (0,018)* –0,315 (0,017)* –0,026 (0,017)* –0,083 (0,017)* –0,005 (0,015) –0,113 (0,018)* –0,067 (0,015)* –0,116 (0,021)* –0,006 (0,02)* –0,107 (0,012)* –0,089 (0,014)* –0,049 (0,01)* –0,026 (0,01)* –0,103 (0,012)* –0,117 (0,016)* –0,089 (0,016)* –0,065 (0,015)* –0,086 (0,016)* –0,098 (0,016)*

smoking –0,007 (0,035)* –0,019 (0,033)* 0,041 (0,027)* 0,008 (0,032) –0,083 (0,038) –0,225 (0,035)* –0,336 (0,032)* 0,001 (0,032)* –0,079 (0,032) –0,005 (0,027)* –0,028 (0,033)* –0,058 (0,028) –0,15 (0,04) –0,045 (0,038)* –0,121 (0,023)* –0,09 (0,027)* –0,105 (0,019)* –0,032 (0,02)* –0,091 (0,024)* –0,119 (0,031)* –0,127 (0,03) –0,081 (0,028)* –0,123 (0,031)* –0,101 (0,031)*

278

Martyna Kobus, Olga Półchłopek

Table 14. t test for means across waves retired

employed

unemployed

disabled

health

0,035 (0,022)*

0,01 (0,025)*

0,05 (0,044)

–0,091 (0,059)*

walk

0,052 (0,022)*

0,005 (0,023)*

–0,008 (0,042)

–0,014 (0,057)*

see

0,069 (0,017)*

0,024 (0,02)*

0,104 (0,035)*

0,055 (0,046)*

hear

–0,044 (0,021)

–0,054 (0,023)*

0,022 (0,041)*

–0,004 (0,055)*

pain

–0,068 (0,024)

–0,068 (0,027)*

–0,127 (0,048)

–0,079 (0,065)*

C1

–0,125 (0,022)

–0,22 (0,025)*

–0,09 (0,044)*

–0,041 (0,059)*

C2

–0,328 (0,02)*

–0,329 (0,023)*

–0,371 (0,04)*

–0,264 (0,054)*

C3

0,039 (0,021)

–0,107 (0,024)*

–0,128 (0,041)*

–0,051 (0,054)*

C4

–0,092 (0,02)*

–0,099 (0,023)*

–0,131 (0,04)

–0,05 (0,054)*

A1

0,051 (0,018)

–0,067 (0,02)*

–0,124 (0,034)

–0,082 (0,046)*

A2

–0,162 (0,021)*

–0,063 (0,025)*

–0,244 (0,043)

–0,018 (0,057)

A3

–0,058 (0,018)*

–0,097 (0,02)

–0,176 (0,035)

–0,045 (0,047)*

A4

–0,103 (0,025)

–0,171 (0,028)*

–0,109 (0,05)

–0,09 (0,067)*

A5

0,042 (0,024)*

–0,065 (0,027)*

–0,325 (0,048)

–0,01 (0,064)*

P1

–0,081 (0,014)*

–0,134 (0,017)*

–0,114 (0,029)

–0,306 (0,04)*

P2

–0,074 (0,017)*

–0,088 (0,019)*

–0,073 (0,034)

–0,269 (0,045)*

P3

–0,035 (0,012)*

–0,077 (0,014)*

–0,085 (0,024)

–0,187 (0,032)*

P4

–0,019 (0,013)*

–0,028 (0,015)*

–0,031 (0,026)

–0,138 (0,034)*

P5

–0,093 (0,015)*

–0,066 (0,017)*

–0,208 (0,03)*

–0,313 (0,041)*

S1

–0,079 (0,019)*

–0,168 (0,022)*

–0,154 (0,039)*

–0,163 (0,052)*

S2

–0,061 (0,019)

–0,147 (0,022)*

–0,091 (0,038)

–0,107 (0,051)*

S3

–0,051 (0,018)*

–0,08 (0,02)*

–0,229 (0,035)

–0,048 (0,048)*

S4

–0,055 (0,02)*

–0,099 (0,022)*

–0,221 (0,039)

–0,223 (0,053)*

S5

–0,051 (0,019)*

–0,134 (0,022)*

–0,216 (0,039)*

–0,181 (0,052)*

3,3496

2,7833

3,1960

3,4218

3,3239

3,2716

3,2787

2,8406

3,1022

3,2415

3,1791

3,4254

3,0297

3,4475

2,8837

2,6600

3,7181

3,5757

3,7869

3,6963

3,6432

2,9628

2,6011

3,4189

3,1265

3,2163

hear

pain

Cl

C2

C3

C4

Al

A2

A3

A4

A5

PI

P2

P3

P4

P5

SI

S2

S3

S4

S5

3,1868

3,0975

3,4117

2,5690

2,9443

3,6311

3,6334

3,7907

3,5538

3,7272

2,6237

2,8675

3,3753

3,0023

3,2870

3,1040

3,1205

3,3684

3,5501

3,5166

see

males

3,0575

walk

all

3,0798

health

3,2423

3,1519

3,4253

2,6292

2,9790

3,6539

3,7516

3,7835

3,5949

3,7100

2,6918

2,8978

3,5109

3,0537

3,4285

3,1644

3,2015

3,1006

2,8910

3,2165

3,4043

3,2847

3,4871

3,0994

females

3,2903

3,1900

3,3891

2,7408

3,0578

3,5905

3,6908

3,7707

3,5842

3,6963

2,5413

3,0732

3,3973

2,8281

3,4740

3,1703

3,3096

3,1098

3,1046

3,3190

3,3851

3,4032

3,6998

3,1684

age 50–64

3,1271

3,0498

3,4549

2,4326

2,8482

3,7068

3,7030

3,8065

3,5655

3,7443

2,8031

2,6551

3,5081

3,2728

3,3667

3,1898

3,1594

3,0930

2,5223

3,2301

3,1347

3,2282

3,2955

2,9730

age 65+

3,2544

3,1640

3,4519

2,6214

2,9987

3,6759

3,7095

3,8085

3,6089

3,7510

2,7113

2,9033

3,4602

3,0307

3,4561

3,1952

3,2773

3,1198

2,8378

3,3004

3,2817

3,3454

3,5377

3,1299

non-smoking

3,0337

2,9464

3,2606

2,5037

2,7905

3,4863

3,6334

3,6833

3,4165

3,5599

2,4140

2,7893

3,3865

3,0249

3,2781

3,1022

3,0698

3,0175

2,8541

3,1746

3,2232

3,2207

3,4152

2,8392

smoking

3,1782

3,0957

3,4564

2,5281

2,9081

3,6844

3,7050

3,8162

3,5848

3,7540

2,7935

2,7389

3,5298

3,2181

3,3985

3,2194

3,2194

3,1181

2,6458

3,2589

3,1842

3,2851

3,4006

3,0176

retired

3,3785

3,2702

3,4742

2,8319

3,1958

3,6272

3,7173

3,8010

3,6272

3,7330

2,5749

3,3369

3,4011

2,8161

3,5693

3,2487

3,3942

3,2229

3,2242

3,5101

3,4263

3,4811

3,8835

3,3955

employed

Table 15. Means of variables according to the group in wave 1

3,2400

3,0884

3,4316

2,5011

2,9621

3,6400

3,6674

3,7305

3,5200

3,6632

2,6716

2,8632

3,3705

2,8526

3,4274

3,0821

3,1474

3,0358

2,8084

3,2463

3,3116

3,2337

3,6042

3,0442

unemployed

2,5194

2,5891

2,7171

2,0233

2,0233

3,3760

3,5426

3,5388

3,2791

3,4031

1,9574

1,4380

3,1318

2,9690

2,7791

2,5659

2,6744

2,3372

2,2985

2,0930

3,0349

2,8721

2,1434

1,7636

disabled

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA… 279

all

males

3,6740

3,5530

2,8582

2,5151

3,3632

3,0491

3,1308

P5

SI

S2

S3

S4

S5

2,7706

A4

3,7391

3,3864

A3

P4

2,9263

P3

3,4306

Al

A2

3,4983

3,1020

C4

P2

3,2310

C3

2,6672

3,4472

2,7909

3,6206

3,1402

2,6820

Cl

C2

PI

2,6135

3,2264

pain

A5

3,3199

3,2241

hear

3,5965

3,1084

3,0546

3,3775

2,5057

2,8663

3,5436

3,6082

3,7392

3,4656

3,6186

2,6732

2,7582

3,3302

2,9398

3,2655

2,7880

3,0549

3,4023

3,5563

3,3870

see

3,0939

walk

3,1212

health

3,1493

3,0446

3,3514

2,5229

2,8516

3,5608

3,7286

3,7390

3,5254

3,6223

2,6623

2,7809

3,4330

2,9152

3,4168

3,0703

3,2023

2,7933

2,7388

3,1489

3,3645

3,3742

3,5229

3,1438

females

3,1888

3,1058

3,3463

2,6272

2,9373

3,5118

3,6647

3,6960

3,5016

3,5664

2,5011

2,9920

3,3082

2,7507

3,4446

3,0994

3,2571

2,8404

2,9756

3,2898

3,3733

3,4620

3,7373

3,2442

age 50–64

3,0789

2,9986

3,3784

2,4150

2,7876

3,5898

3,6824

3,7776

3,4953

3,6690

2,8156

2,5728

3,4561

3,0832

3,4181

3,1043

3,2076

2,7467

2,4198

3,1698

3,0909

3,3200

3,3946

3,0112

age 65+

3,1560

3,0779

3,3866

2,5328

2,8821

3,5731

3,6833

3,7595

3,5202

3,6437

2,7053

2,7873

3,3937

2,9174

3,4507

3,1120

3,2514

2,8048

2,6887

3,2436

3,2232

3,4030

3,5766

3,1580

non-smoking

2,9330

2,8235

3,1799

2,3765

2,6715

3,3955

3,6011

3,5788

3,3263

3,4391

2,3687

2,6391

3,3285

2,9966

3,2726

3,0235

3,0704

2,6816

2,6291

3,0916

3,2313

3,2615

3,3966

2,8324

smoking

3,1270

3,0410

3,4059

2,4667

2,8293

3,5915

3,6863

3,7815

3,5110

3,6731

2,8350

2,6360

3,4717

3,0564

3,4491

3,1270

3,2587

2,7905

2,5211

3,1909

3,1402

3,3539

3,4524

3,0527

retired

3,2440

3,1714

3,3939

2,6849

3,0281

3,5615

3,6891

3,7244

3,5392

3,5992

2,5104

3,1660

3,3044

2,7529

3,5019

3,1499

3,2875

2,8935

3,0042

3,4416

3,3728

3,5046

3,8885

3,4058

employed

Table 16. Means of variables according to the group in wave 6

3,0235

2,8675

3,2030

2,4103

2,8077

3,4316

3,6368

3,6453

3,4466

3,5491

2,3462

2,7543

3,1944

2,6090

3,3034

2,9509

3,0192

2,6645

2,7179

3,1197

3,3333

3,3376

3,5962

3,0940

unemployed

2,3380

2,3659

2,6690

1,9164

1,8606

3,0627

3,4042

3,3519

3,0105

3,0976

1,9477

1,3484

3,0871

2,9512

2,6969

2,5157

2,6237

2,0732

2,2578

2,0139

3,0314

2,9268

2,1289

1,6725

disabled

280 Martyna Kobus, Olga Półchłopek

0,390414

0,400040

0,304209 0,501910 0,589991 0,566821 0,575493 0,514719 0,624819 0,145931 0,405906 0,694227 0,373205 0,685422 0,652261 0,729117 0,412188 0,552050 0,820864 0,594480 0,705427 0,702399 0,823726

see

hear pain Cl C2 C3 C4 Al A2 A3 A4 A5 PI P2 P3 P4 P5 SI S2 S3 S4 S5

0,253068 0,480925 0,604302 0,568973 0,605720 0,580114 0,713086 0,163318 0,447385 0,705304 0,318981 0,763638 0,723138 0,748215 0,431320 0,604592 0,819788 0,569175 0,733827 0,722167 0,824272

0,618333

0,666895

walk

0,280417 0,475994 0,553078 0,567401 0,610242 0,586444 0,674314 0,279864 0,493764 0,660865 0,472674 0,759082 0,727265 0,767331 0,479361 0,665918 0,802104 0,561669 0,786230 0,738591 0,846251

0,396874

0,641397

0,616641

t(4)

t(4)

0,618545

t(4)

0,638489

age 50-64

females

health

males

0,245259 0,485375 0,660110 0,592367 0,553095 0,532692 0,672719 0,121497 0,403530 0,739996 0,243698 0,714527 0,642272 0,730604 0,353159 0,507250 0,836542 0,590850 0,665477 0,674406 0,786144

0,364010

0,642934

0,619140

t(4)

age 65+

0,278719 0,483800 0,613261 0,560357 0,587694 0,545591 0,664823 0,155154 0,427844 0,704415 0,331448 0,718829 0,672280 0,719293 0,401193 0,569616 0,812994 0,563814 0,702127 0,695805 0,813817

0,393926

0,640686

0,616763

t(4)

non-smoking

0,304209 0,501910 0,589991 0,566821 0,575493 0,514719 0,624819 0,145931 0,405906 0,694227 0,373205 0,685422 0,652261 0,729117 0,412188 0,552050 0,820864 0,594480 0,705427 0,702399 0,823726

0,400040

0,666895

0,638489

t(4)

smoking

0,262664 0,480367 0,634332 0,577424 0,554153 0,537517 0,663205 0,106807 0,390020 0,722342 0,277935 0,742271 0,678317 0,729373 0,384606 0,557212 0,837109 0,585937 0,684634 0,688080 0,811507

0,366974

0,651505

0,621972

t(4)

retired

Table 17. Estimated parameter values in wave 1

0,266243 0,306052 0,465542 0,445203 0,558955 0,484345 0,586526 0,321818 0,528175 0,482594 0,395249 0,744460 0,734659 0,777349 0,484582 0,680376 0,708079 0,483176 0,754382 0,728640 0,815682

0,304262

0,408877

0,428571

t(5)

employed

0,248011 0,374916 0,564669 0,615086 0,614907 0,670280 0,696640 0,367361 0,556350 0,612516 0,433873 0,844839 0,728173 0,861692 0,483417 0,688234 0,757317 0,497644 0,794450 0,697294 0,821737

0,382715

0,434152

0,562755

t(5)

unemployed

0,263002 0,481262 0,631641 0,576308 0,553274 0,540063 0,655694 0,108658 0,390222 0,720922 0,277887 0,745627 0,679694 0,732399 0,389872 0,560937 0,836317 0,585969 0,689418 0,691641 0,813856

0,368165

0,652900

0,623471

t(5)

disabled

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA… 281

0,294043

0,339404

0,194497 0,414018 0,564708 0,622587 0,697956 0,571490 0,738376 0,213759 0,483542 0,612093 0,424207 0,758542 0,740991 0,775143 0,466179 0,686467 0,807442 0,537785 0,799775 0,767805 0,856856

see

hear pain Cl C2 C3 C4 Al A2 A3 A4 A5 PI P2 P3 P4 P5 SI S2 S3 S4 S5

0,230162 0,423225 0,532135 0,619960 0,718181 0,590763 0,748061 0,196221 0,501475 0,594194 0,354568 0,802206 0,775637 0,806743 0,533401 0,704773 0,790903 0,572122 0,806679 0,799043 0,875377

0,554954

0,578920

walk

0,202160 0,400376 0,513461 0,616648 0,732160 0,604582 0,753629 0,296298 0,552190 0,557102 0,508298 0,826511 0,795095 0,826562 0,562943 0,779560 0,791543 0,580831 0,856571 0,815862 0,884462

0,314884

0,554796

0,575703

t(4)

t(5)

0,586518

t(4)

0,608663

age 50-64

females

health

males

0,212953 0,406440 0,548661 0,617843 0,708017 0,578758 0,742198 0,211134 0,492302 0,597555 0,371124 0,774502 0,753016 0,783892 0,487098 0,690834 0,795820 0,539887 0,796686 0,775245 0,861027

0,301783

0,561349

0,585917

t(4)

age 65+

0,212953 0,406440 0,548661 0,617843 0,708017 0,578758 0,742198 0,211134 0,492302 0,597555 0,371124 0,774502 0,753016 0,783892 0,487098 0,690834 0,795820 0,539887 0,796686 0,775245 0,861027

0,301783

0,561349

0,585917

t(4)

non-smoking

0,194497 0,414018 0,564708 0,622587 0,697956 0,571490 0,738376 0,213759 0,483542 0,612093 0,424207 0,758542 0,740991 0,775143 0,466179 0,686467 0,807442 0,537785 0,799775 0,767805 0,856856

0,339404

0,578920

0,608663

t(4)

smoking

0,224368 0,427703 0,606239 0,623196 0,701769 0,561521 0,748021 0,146415 0,470769 0,661456 0,327802 0,767598 0,718266 0,791724 0,442603 0,631081 0,815515 0,532144 0,764971 0,755663 0,848646

0,317395

0,600923

0,630738

t(4)

retired

Table 18. Estimated parameter values in wave 6

0,164188 0,276674 0,481531 0,584637 0,691205 0,566662 0,719171 0,352950 0,568293 0,429092 0,471850 0,809716 0,809552 0,820805 0,540112 0,783847 0,727198 0,536277 0,844296 0,791024 0,871775

0,250769

0,357690

0,430701

t(4)

employed

0,165883 0,338515 0,372208 0,541036 0,694221 0,607879 0,648209 0,298583 0,513411 0,417724 0,431861 0,865471 0,832286 0,800013 0,614476 0,764942 0,734224 0,543257 0,834617 0,790305 0,886881

0,225212

0,357802

0,474505

t(5)

unemployed

0,114333 0,160350 0,307150 0,479528 0,769373 0,595062 0,626871 0,035620 0,449009 0,435900 0,199670 0,820609 0,762607 0,805697 0,496068 0,593487 0,734985 0,521961 0,812446 0,815782 0,863954

0,164937

0,236009

0,492401

t(4)

disabled

282 Martyna Kobus, Olga Półchłopek

health walk see hear pain Cl C2 C3 C4 Al A2 A3 A4 A5 PI P2 P3 P4 P5 SI S2 S3 S4 S5

copula

t(4) e SE 0,44 0,01 0,46 0,02 0,26 0,02 0,20 0,02 0,33 0,02 0,40 0,01 0,38 0,01 0,39 0,02 0,34 0,02 0,43 0,02 0,09 0,02 0,27 0,02 0,49 0,01 0,24 0,02 0,48 0,02 0,45 0,02 0,52 0,02 0,27 0,02 0,37 0,02 0,61 0,01 0,41 0,01 0,50 0,01 0,50 0,01 0,62 0,01

males

t(4) e SE 0,42 0,01 0,42 0,02 0,26 0,02 0,16 0,02 0,32 0,02 0,41 0,01 0,39 0,01 0,41 0,01 0,39 0,01 0,51 0,01 0,10 0,02 0,30 0,02 0,50 0,01 0,21 0,02 0,55 0,02 0,51 0,01 0,54 0,02 0,28 0,02 0,41 0,02 0,61 0,01 0,39 0,01 0,52 0,01 0,51 0,01 0,62 0,01

females

t(4) e SE 0,42 0,01 0,44 0,02 0,26 0,02 0,18 0,02 0,32 0,02 0,37 0,01 0,38 0,01 0,42 0,01 0,40 0,01 0,47 0,01 0,18 0,02 0,33 0,02 0,46 0,01 0,31 0,01 0,55 0,01 0,52 0,01 0,56 0,02 0,32 0,02 0,46 0,01 0,59 0,01 0,38 0,01 0,58 0,01 0,53 0,01 0,64 0,01

age 50-64 t(4) e SE 0,43 0,01 0,44 0,02 0,24 0,02 0,16 0,02 0,32 0,02 0,46 0,01 0,40 0,01 0,37 0,02 0,36 0,02 0,47 0,02 0,08 0,02 0,26 0,02 0,53 0,01 0,16 0,02 0,51 0,02 0,44 0,02 0,52 0,02 0,23 0,02 0,34 0,02 0,63 0,01 0,40 0,01 0,46 0,02 0,47 0,01 0,58 0,01

age 65+

nonsmoking t(4) e SE 0,42 0,01 0,44 0,01 0,26 0,01 0,18 0,01 0,32 0,01 0,42 0,01 0,38 0,01 0,40 0,01 0,37 0,01 0,46 0,01 0,10 0,01 0,28 0,01 0,50 0,01 0,22 0,01 0,51 0,01 0,47 0,01 0,51 0,01 0,26 0,01 0,39 0,01 0,60 0,01 0,38 0,01 0,50 0,01 0,49 0,01 0,61 0,01 t(4) e SE 0,44 0,01 0,46 0,02 0,26 0,02 0,20 0,02 0,33 0,02 0,40 0,01 0,38 0,01 0,39 0,02 0,34 0,02 0,43 0,02 0,09 0,02 0,27 0,02 0,49 0,01 0,24 0,02 0,48 0,02 0,45 0,02 0,52 0,02 0,27 0,02 0,37 0,02 0,61 0,01 0,41 0,01 0,50 0,01 0,50 0,01 0,62 0,01

smoking t(4) e SE 0,43 0,01 0,45 0,02 0,24 0,02 0,17 0,02 0,32 0,02 0,44 0,01 0,39 0,01 0,37 0,02 0,36 0,01 0,46 0,01 0,07 0,02 0,26 0,02 0,51 0,01 0,18 0,02 0,53 0,02 0,47 0,02 0,52 0,02 0,25 0,02 0,38 0,02 0,63 0,01 0,40 0,01 0,48 0,01 0,48 0,01 0,60 0,01

retired t(5) e SE 0,28 0,02 0,27 0,03 0,20 0,02 0,17 0,02 0,20 0,02 0,31 0,02 0,29 0,02 0,38 0,02 0,32 0,02 0,40 0,02 0,21 0,02 0,35 0,02 0,32 0,02 0,26 0,02 0,53 0,02 0,53 0,02 0,57 0,02 0,32 0,02 0,48 0,02 0,50 0,02 0,32 0,02 0,54 0,02 0,52 0,02 0,61 0,02

employed

Table 19. Parameter values on a Kendall’s tau scale for wave 1

t(5) e SE 0,38 0,03 0,29 0,04 0,25 0,03 0,16 0,04 0,24 0,04 0,38 0,03 0,42 0,03 0,42 0,03 0,47 0,03 0,49 0,03 0,24 0,03 0,38 0,03 0,42 0,03 0,29 0,03 0,64 0,03 0,52 0,03 0,66 0,03 0,32 0,04 0,48 0,03 0,55 0,03 0,33 0,03 0,58 0,03 0,49 0,03 0,61 0,03

unemployed

t(5) e SE 0,43 0,01 0,45 0,02 0,24 0,02 0,17 0,02 0,32 0,02 0,44 0,01 0,39 0,01 0,37 0,01 0,36 0,01 0,46 0,01 0,07 0,02 0,26 0,02 0,51 0,01 0,18 0,02 0,54 0,02 0,48 0,02 0,52 0,02 0,25 0,02 0,38 0,02 0,63 0,01 0,40 0,01 0,48 0,01 0,49 0,01 0,61 0,01

disabled

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA… 283

health walk see hear pain Cl C2 C3 C4 Al A2 A3 A4 A5 PI P2 P3 P4 P5 SI S2 S3 S4 S5

copula

t(4) e SE 0,42 0,01 0,39 0,01 0,22 0,01 0,12 0,01 0,27 0,01 0,38 0,01 0,43 0,01 0,49 0,01 0,39 0,01 0,53 0,01 0,14 0,01 0,32 0,01 0,42 0,01 0,28 0,01 0,55 0,01 0,53 0,01 0,56 0,01 0,31 0,01 0,48 0,01 0,60 0,01 0,36 0,01 0,59 0,01 0,56 0,01 0,66 0,01

males

t(4) e SE 0,40 0,01 0,37 0,01 0,19 0,01 0,15 0,01 0,28 0,01 0,36 0,01 0,43 0,01 0,51 0,01 0,40 0,01 0,54 0,01 0,13 0,01 0,33 0,01 0,41 0,01 0,23 0,01 0,59 0,01 0,57 0,01 0,60 0,01 0,36 0,01 0,50 0,01 0,58 0,01 0,39 0,01 0,60 0,01 0,59 0,01 0,68 0,01

females

t(4) e SE 0,39 0,01 0,37 0,02 0,20 0,01 0,13 0,01 0,26 0,01 0,34 0,01 0,42 0,01 0,52 0,01 0,41 0,01 0,54 0,01 0,19 0,01 0,37 0,01 0,38 0,01 0,34 0,01 0,62 0,01 0,59 0,01 0,62 0,01 0,38 0,01 0,57 0,01 0,58 0,01 0,39 0,01 0,65 0,01 0,61 0,01 0,69 0,01

age 50-64 t(4) e SE 0,42 0,01 0,41 0,01 0,19 0,01 0,12 0,01 0,28 0,01 0,42 0,01 0,43 0,01 0,48 0,01 0,38 0,01 0,53 0,01 0,10 0,01 0,31 0,01 0,45 0,01 0,20 0,01 0,55 0,01 0,51 0,01 0,56 0,01 0,28 0,01 0,42 0,01 0,60 0,01 0,35 0,01 0,54 0,01 0,54 0,01 0,64 0,01

age 65+

nonsmoking t(4) e SE 0,40 0,01 0,38 0,01 0,20 0,01 0,14 0,01 0,27 0,01 0,37 0,01 0,42 0,01 0,50 0,01 0,39 0,01 0,53 0,01 0,14 0,01 0,33 0,01 0,41 0,01 0,24 0,01 0,56 0,01 0,54 0,01 0,57 0,01 0,32 0,01 0,49 0,01 0,59 0,01 0,36 0,01 0,59 0,01 0,56 0,01 0,66 0,01 t(4) e SE 0,42 0,01 0,39 0,01 0,22 0,01 0,12 0,01 0,27 0,01 0,38 0,01 0,43 0,01 0,49 0,01 0,39 0,01 0,53 0,01 0,14 0,01 0,32 0,01 0,42 0,01 0,28 0,01 0,55 0,01 0,53 0,01 0,56 0,01 0,31 0,01 0,48 0,01 0,60 0,01 0,36 0,01 0,59 0,01 0,56 0,01 0,66 0,01

smoking t(4) e SE 0,43 0,01 0,41 0,01 0,21 0,01 0,14 0,01 0,28 0,01 0,41 0,01 0,43 0,01 0,50 0,01 0,38 0,01 0,54 0,01 0,09 0,01 0,31 0,01 0,46 0,01 0,21 0,01 0,56 0,01 0,51 0,01 0,58 0,01 0,29 0,01 0,43 0,01 0,61 0,01 0,36 0,01 0,55 0,01 0,55 0,01 0,65 0,01

retired t(5) e SE 0,28 0,01 0,23 0,03 0,16 0,02 0,11 0,02 0,18 0,02 0,32 0,01 0,40 0,01 0,49 0,01 0,38 0,01 0,51 0,01 0,23 0,01 0,38 0,01 0,28 0,01 0,31 0,01 0,60 0,01 0,60 0,01 0,61 0,01 0,36 0,02 0,57 0,01 0,52 0,01 0,36 0,01 0,64 0,01 0,58 0,01 0,67 0,01

employed

Table 20. Parameter values on a Kendall’s tau scale for wave 6 unemployed t(5) e SE 0,31 0,03 0,23 0,04 0,14 0,04 0,11 0,04 0,22 0,04 0,24 0,03 0,36 0,03 0,49 0,03 0,42 0,03 0,45 0,03 0,19 0,03 0,34 0,03 0,27 0,03 0,28 0,03 0,67 0,03 0,63 0,03 0,59 0,03 0,42 0,03 0,55 0,03 0,52 0,03 0,37 0,03 0,63 0,02 0,58 0,02 0,69 0,02

t(5) e SE 0,43 0,01 0,41 0,01 0,21 0,01 0,14 0,01 0,28 0,01 0,41 0,01 0,43 0,01 0,50 0,01 0,38 0,01 0,54 0,01 0,09 0,01 0,31 0,01 0,46 0,01 0,21 0,01 0,56 0,01 0,51 0,01 0,58 0,01 0,29 0,01 0,43 0,01 0,61 0,01 0,36 0,01 0,55 0,01 0,55 0,01 0,65 0,01

disabled

284 Martyna Kobus, Olga Półchłopek

MODELLING HEALTH INDICATORS IN A JOINT FRAMEWORK VIA FACTOR COPULA…

285

MODELOWANIE WSKAŹNIKÓW ZDROWOTNYCH ZA POMOCĄ KOPUŁ CZYNNIKOWYCH STRESZCZENIE W ostatniej dekadzie mamy dostęp do szczegółowych danych zdrowotnych (np.: badanie SHARE). Modelowanie łącznego rozkładu wielu wskaźników zdrowotnych nie jest łatwym zadaniem. Literatura nie jest duża i nie adresuje właściwie np.: struktury zależności między wskaźnikami. Współwystępowanie chorób jest zaś kluczowe dla wydatków na opiekę zdrowotną. Celem artykułu jest pokazanie, że zależności te występują w stopniu, który nie może być ignorowany oraz rozszerzenie literatury o metody, które modelują łączny rozkład zdrowia elastycznie i wydajnie obliczeniowo. Są to dostępne od niedawna tzw. pair-copula constructions (PCC) (Aas et al., 2009). Mogą one być użyte przy wielu wymiarach zdrowia, gdzie inne metody są niekonkluzywne (Duclos i Echevin, 2012). Na podstawie danych z English Longitudinal Study of Ageing (ELSA) nt. statusu zdrowotnego, mobilności, wzroku, słuchu czy zdrowia emocjonalnego, estymujemy jednoczynnikowy model (Nikoloulopoulos i Joe, 2015). Wskaźniki zdrowia wykazują zależność w ogonach; kopule t(4) i t(5) wykazują najlepsze dopasowanie. Szczegółowe zależności są nie do wykrycia przez niedawno rozwinięte podejścia (Makdisi i Yazbeck, 2014). Słowa kluczowe: dane porządkowe, zdrowie, nierówności, kopuły czynnikowe. JEL Classification: I31, D63

STUDIA EKONOMICZNE 1 ECONOMIC STUDIES NR 2 (LXXXIX) 2016

Rafał Miśta*, Leszek Morawski**

DOCHÓD, PŁEĆ I WIEK A WSPÓLNE ZAMIESZKIWANIE Z RODZICAMI. PRZYPADEK POLSKI, CZECH, ESTONII I WĘGIER1 (Artykuł nadesłany: 25.03.2016; Zaakceptowany: 14.06.2016)

STRESZCZENIE Celem pracy jest poszerzenie wiedzy o procesach usamodzielniania się młodych ludzi w krajach Europy Środkowej i Wschodniej. W artykule wykorzystano dane z Badania Dochodów i Warunków Życia Ludności (EU-SILC) z lat 2005–2012 do analizy związku między zamożnością gospodarstwa domowego, płcią i wiekiem dziecka a prawdopodobieństwem wyprowadzki z domu rodziców. Badanie przeprowadzono dla gospodarstw domowych z Polski, Czech, Węgier i Estonii. Zidentyfikowane zależności nie różnią się od zaobserwowanych uprzednio w krajach Europy Zachodniej – wcześniej z domu rodziców wyprowadzają się kobiety, a wpływ zamożności jest zróżnicowany w zależności od kraju. Mimo podobnego poziomu rozwoju gospodarczego i historii zmian społeczno-gospodarczych, wzorzec wyprowadzek w Estonii jest bliższy państwom skandynawskim niż krajom Europy Środkowej. Słowa kluczowe: struktura gospodarstwa domowego, młodzi, EU-SILC, regresja logistyczna. JEL Classification: D19, J12, J16 * Wydział Nauk Ekonomicznych UW oraz Instytut Studiów Społecznych UW; email: rmista@ coin.wne.uw.edu.pl. ** Instytut Nauk Ekonomicznych PAN; email: lmorawski@inepan.waw.pl. 1 Praca została przygotowana w ramach projektu sfinansowanego ze środków Narodowego Centrum Nauki, przyznanych na podstawie decyzji numer DEC-2013/09/B/HS4/01923”.

DOCHÓD, PŁEĆ I WIEK A WSPÓLNE ZAMIESZKIWANIE Z RODZICAMI. PRZYPADEK…

287

WPROWADZENIE W roku 2014 średni wiek młodych osób opuszczających dom rodzinny w krajach EU-27 wynosił około 27 lat w przypadku mężczyzn i 25 lat w odniesieniu do kobiet. Statystyki średniego wieku nie pokazują jednak pełnego obrazu. W Finlandii i Danii „dzieci” opuszczają gospodarstwa domowe rodziców już między 18. a 22. rokiem życia i tylko niezbyt liczna mniejszość pozostaje z rodzicami aż do ukończenia 30 lat. Dla odmiany w krajach Europy Południowej znaczna grupa pozostaje z rodzicami do 30. roku życia, rzadziej natomiast opuszczają dom rodzinny osoby, które nie ukończyły 22 lat (Chiuri, Del Boca, 2010). Rozbieżności są więc w tym wypadku znaczące, co próbuje się opisać, dokonując rozróżnienia między europejskimi krajami Północy i krajami Południa (Reher, 1998). Biorąc pod uwagę decyzję o założeniu rodziny, będącą jedną z ważniejszych przyczyn usamodzielniania się młodych ludzi, wyodrębnia się trzy następujące schematy regionalne: 1) późnego wieku wyprowadzki, łączącej się z wejściem w związek małżeński – kraje śródziemnomorskie; 2) długiego okresu między wyprowadzką z domu rodzinnego a wejściem w związek małżeński – kraje Europy Północnej; 3) wczesnego wieku wyprowadzania się od rodziców i późnej stabilizacji związanej z założeniem rodziny – Wielka Brytania i kraje skandynawskie (Cavalli, Gallland, 1996; Iacovou, 2002). To rozróżnienie pozostaje w ścisłej relacji (korelacji) z podziałem krajów ze względu na znaczenie systemu opieki społecznej (welfare regimes), zaproponowanym przez Espinga-Andersena (1990). O ile procesy usamodzielniania się w określonym wieku są bardzo zróżnicowane pod względem geograficznym, to w odniesieniu do płci można wychwycić powszechnie występującą prawidłowość: prawie we wszystkich krajach córki wyprowadzają się z domów rodziców wcześniej niż synowie. Według Chiuri i del Boca (2010) dysproporcji tej nie wyjaśniają w pełni przyczyny uwzględnione w standardowej teorii kapitału ludzkiego. Gdyby bowiem akumulacja kapitału ludzkiego była niezależna od płci, wówczas wiek kobiet powinien być zbliżony do wieku mężczyzn. Związki między usamodzielnianiem się dzieci a wiekiem i płcią, o których tu mowa, dotyczą krajów Europy Zachodniej i niekoniecznie muszą opisywać sytuację w krajach Europy Środkowej i Wschodniej. Prowadzi to do pytania, czy proces usamodzielniania się osób młodych w Europie Środkowej i Wschodniej przebiega podobnie do opisywanego w lepiej rozwiniętych pod względem ekonomicznym i, w mniejszym lub większym stopniu, odmiennych kulturowo krajach Europy Zachodniej. Kwestia usamodzielniania się młodych osób może wydawać się odległa od zagadnień typowych dla ekonomii. Jak jednak pokazano w dalszej części pracy, decyzja o wyprowadzce związana jest z tak typowymi problemami ekonomicznymi, jak kształtowanie się stopy oszczędzania, wyborami edukacyjnymi czy wpływem polityk dochodowych skierowanych do gospodarstw domowych na transfery międzygeneracyjne. Różnorodność problemów ekonomicznych pozostających w ścisłym związku z decyzjami o opuszczeniu domu rodzinnego oraz mała liczba

288

Rafał Miśta, Leszek Morawski

publikacji na ten temat, dotycząca krajów Europy Środkowej i Wschodniej, skłoniły nas do podjęcia tego tematu. Celem pracy jest poszerzenie wiedzy o procesach związanych z usamodzielnianiem się młodych ludzi w tej części Europy. Koncentrujemy się w niej przede wszystkim na związkach między zamożnością gospodarstwa domowego, utożsamianą z jego ekwiwalentnym dochodem do dyspozycji, wiekiem oraz płcią a prawdopodobieństwem wyprowadzenia się z domu rodziców. Interesuje nas to, czy zależności zaobserwowane w krajach zachodnioeuropejskich można również zauważyć w naszej części Europy. Analizując wpływ zamożności, posłużyliśmy się dwoma rodzajami skal ekwiwalentności służącymi do porównywania dochodu gospodarstw o różnych składach osobowych. Skale ekwiwalentności umożliwiają przeliczenie dochodu gospodarstwa domowego na wielkość dochodu ekwiwalentnego na domownika, tj. uwzględniającego korzyści skali i różne potrzeby osób o odmiennych charakterystykach demograficznych, czego nie bierze pod uwagę wyliczenie zwykłego średniego dochodu w gospodarstwie. Przykładowo, mieszkająca ze sobą para dorosłych nie potrzebuje na pokrycie własnych wydatków tyle, ile dwie osoby dorosłe mieszkające oddzielnie, a dorosły z dzieckiem nie potrzebuje takiego dochodu, jakiego potrzebują dwie osoby dorosłe. Zamiast porównywać sytuację materialną takich gospodarstw, dzieląc ich łączny dochód przez 2, można wykorzystać zmodyfikowane przeliczniki, tj. skale ekwiwalentności. Wśród zastosowanych przez nas skal, pierwszą jest powszechnie wykorzystywana w analizach dochodowych zmodyfikowana skala OECD, drugą natomiast – skala subiektywna, wyznaczona na podstawie deklaracji o minimalnym dochodzie koniecznym do powiązania „końca z końcem”. Zaletą skali subiektywnej w stosunku do skali OECD jest przyjmowanie przez nią różnych wartości dla poszczególnych krajów zależnych od oceny satysfakcji z dochodu. Dotychczas wyniki stosowania różnych skal dyskutowane były jedynie w analizach ubóstwa (np. Bishop i in., 2014). W artykule rozszerzamy zakres ich wykorzystania w celach porównawczych o tematykę niedotyczącą niedostatku materialnego. W pracy korzystamy z danych panelowych pochodzących z EU-SILC (Europejskiego Badania Dochodów i Warunków Życia Ludności). Analiza dotyczy Polski, Czech, Węgier i Estonii, w przypadku tych krajów dysponowaliśmy bowiem odpowiednim materiałem porównawczym o wystarczającej liczbie obserwacji (tabela Z1 w Załączniku). Podstawowym celem badania EU-SILC jest zebranie danych dochodowych od gospodarstw domowych na potrzeby analiz związanych z ubóstwem dochodowym i wykluczeniem społecznym. W analizie wyprowadzek jest to zatem wtórny zbiór danych, który nie został stworzony z myślą o analizowaniu tego zjawiska. Dlatego brakuje w nim potencjalnie ważnych zmiennych, takich jak np. informacji o transferach między rodzicami a dziećmi, o indywidualnym dochodzie poszczególnych domowników czy o możliwości studiowania w miejscu zamieszkania. Uwzględniając charakter danych, źródłowych, wybór dostępnych zmiennych niezależnych (dochód, wiek, płeć) wydaje się całkowicie uzasadniony, a zarejestrowana liczba zdarzeń pozwala na przeprowadzenie opisu zjawiska.

DOCHÓD, PŁEĆ I WIEK A WSPÓLNE ZAMIESZKIWANIE Z RODZICAMI. PRZYPADEK…

289

W artykule zastosowano metodę opisową wykorzystującą niestrukturalną analizę danych. W badaniu formułujemy więc przypuszczenia odnośnie do procesu opuszczania domu rodziców, nie mając podstaw do przeprowadzenia formalnej weryfikacji hipotez badawczych. Zastosowanie podejścia opisowego jest uzasadnione z uwagi na ograniczenia związane z możliwym do wykorzystania zbiorem danych, a także z powodów wskazanych w pracy: Le Blanc i Wolff (2003). Według tych autorów, modele strukturalne tłumaczące wspólne zamieszkiwanie z rodzicami są oparte na bardzo specyficznych założeniach dotyczących: podaży pracy, wpływu transferów publicznych i wyborów edukacyjnych. Szczegółowość tych założeń sprawia, że ewentualne uogólnienia formułowane na ich podstawie są łatwe do zakwestionowania. Niemniej jednak jesteśmy przekonani, podobnie jak Le Blanc i Wolff, że przy obecnym stanie wiedzy opisowa analiza danych dostarcza wartościowych przypuszczeń, pomocnych w lepszym zrozumieniu zjawiska usamodzielniania się młodych ludzi w Europie Środkowej. W kolejnych częściach artykułu przedstawiamy przegląd literatury, sposób konstrukcji zbioru danych, zmienne wykorzystane w analizie oraz wyniki i ich interpretację.

1. PRZEGLĄD LITERATURY Decyzje młodych ludzi o wyprowadzeniu się z domu rodzinnego są rezultatem splotu różnych czynników i sytuacji życiowych. Opuszczanie gospodarstwa domowego rodziców nie jest sprawą indywidualną, ale związaną z relacjami z rodzicami. Zaznacza się przy tym konflikt między potrzebą prywatności i niezależności a poczuciem wspólnoty związanej z rodziną i możliwością wzajemnej pomocy w ramach gospodarstwa domowego (Iacovou, 2010; McElroy, 1985). D.A. Cobb-Clark (2008) w przeglądzie literatury dotyczącej wyprowadzek młodych zwraca uwagę na wielość aspektów tego procesu, a także na ich związek z ekonomicznymi przyczynami i konsekwencjami. Usamodzielnianie się osób młodych jest uzależnione od procesów demograficznych (zawieranie małżeństw, chęć posiadania dzieci), wyborów finansowych (koszt mieszkania i decyzje o oszczędnościach) oraz od decyzji edukacyjnych (inwestycje w kapitał ludzki). Szczególną wagę w literaturze przypisuje się dwóm zagadnieniom – motywom międzygeneracyjnych transferów między rodzicami a dziećmi oraz wpływowi polityki dochodowej na tempo usamodzielniania się osób młodych. W modelu altruistycznym zwiększenie transferów publicznych nie zmienia wartości całkowitego transferu, ponieważ świadczenia publiczne traktowane są jako substytut transferu prywatnego. Jeżeli jednak decyzje rodziców motywowane są wymianą międzygeneracyjną, wówczas dodatkowy dochód z tytułu świadczeń publicznych nie zmniejszy ich prywatnego transferu, a łączne wydatki przeznaczane na dzieci będą większe (patrz m.in. Ermisch, 2003; Rosenzweig, Wolpin, 1993). Ta sama argumentacja uzasadnia niejednoznaczność wpływu wzrostu zamożności rodziców na moment wyprowadzenia się dzieci. Analiza wpływu dochodu na prawdopodobieństwo wyprowadzki komplikuje się jeszcze bardziej, gdy obydwa czynniki

290

Rafał Miśta, Leszek Morawski

– wzrost transferów publicznych i wzrost dochodów rodziców – występują równocześnie. Tak właśnie działo się w ostatnich latach w Polsce, kiedy to wzrostowi realnych wynagrodzeń towarzyszył wzrost hojności polityki publicznej skierowanej do rodzin z dziećmi (np. przez obniżenie obciążeń z tytułu podatku dochodowego od osób fizycznych i wprowadzenie ulgi podatkowej na dziecko). Według części badaczy (np. Ermisch, 2003), większa zamożność rodziców powinna jednak zwiększyć prawdopodobieństwo wspólnego zamieszkiwania ze względu na możliwość zapewnienia dzieciom wyższego standardu mieszkania. Z drugiej strony, Le Blanc i Wolff (2003) zaproponowali model, który przewiduje wyższe prawdopodobieństwo wyprowadzki w przypadku zamożniejszych gospodarstw, co autorzy tłumaczą decydującym głosem dzieci, dążących do uzyskania niezależności, przy podejmowaniu decyzji o wyprowadzce. Badania empiryczne wskazują, że wyższe dochody rodziców raczej zmniejszają prawdopodobieństwo wyprowadzki młodych osób z domu rodzinnego (Whittington, Peters, 1996; Aassve i in., 2002; Manacorda, Moretti, 2006). Trzeba jednak pamiętać, że w analizach tych nie w pełni uwzględniono transfery między rodzicami a dziećmi mieszkającymi samodzielnie. A. Laferrère (2006) oczekuje natomiast nieliniowego związku między zasobnością rodziców a wyprowadzkami. Dodatkową komplikację powoduje równoczesne z dochodem uwzględnienie w analizie wieku dziecka – w literaturze spotyka się pogląd, że wśród dorastających dzieci wpływ zamożności jest ujemny, a wśród młodych dorosłych w późniejszych latach może on być dodatni (Waite, Spitze, 1981; Avery i in. 1992; Whittington, Peters, 1996; Mulder, Clark, 2000). Ważnym czynnikiem różnicującym wyprowadzki jest płeć. Fakt, że wiek kobiet wyprowadzających się od rodziców jest niższy od wieku mężczyzn, tłumaczy się m.in. wcześniejszym zawieraniem małżeństw przez kobiety (Avery i in., 1992). Ta zależność, w przeciwieństwie do kwestii związanych z dochodem, jest – jak się wydaje – powszechna i niezależna od kraju. C. Saraceno i M. Olagnero (2004) zauważyli, że o ile w państwach UE15 młodzi ludzie mieszkają w większości przypadków sami lub z partnerami w bezdzietnych gospodarstwach domowych, o tyle w krajach, które weszły do Unii w 2004 r., młodzi częściej mieszkają z rodzicami, albo sami są rodzicami. Tym samym kraje Europy Środkowej i Wschodniej są, jak się wydaje, bliższe krajom Południa, z tą różnicą że mimo późniejszego wieku wyprowadzki, młodzi częściej usamodzielniają się w tym znaczeniu, że zakładają własne rodziny, ale nadal mieszkają z rodzicami. F.C. Billari, D. Philipov i P. Baizan (2001) twierdzą, że wysoki odsetek osób w wieku 30 lat mieszkających z rodzicami upodabnia kraje środkowoeuropejskie bardziej do krajów śródziemnomorskich niż do krajów Europy Północnej. Przypuszczenie to potwierdzają dane Eurostatu przedstawione w tabeli 1. Mimo wspólnej historii ostatnich 70 lat uwarunkowania kulturowe wydają się powodować widoczne różnice w procesach usamodzielniania się osób młodych w krajach Europy Środkowej i Wschodniej. Według kryterium średniego wieku wyprowadzania się od rodziców, Polska znalazła się w otoczeniu krajów śród-

15,12

16,73

49,92

48,11

48,20

60,93

68,73

67,83

78,66

72,54

77,42

71,24

Dania

Finlandia

Holandia

Francja

Wielka Brytania

Estonia

Irlandia

Belgia

Luksemburg

Litwa

Czechy

Łotwa

35,06

34,83

30,92

25,31

18,73

28,27

22,76

14,52

10,72

7,81

2,90

1,27

3,66

%

%

28,57

25–29

20–24

mieszkanie z rodzicami w wieku

Szwecja

Kraje

28,58

28,31

28,29

26,87

26,32

26,30

25,81

24,72

24,43

24,39

22,73

21,48

20,42

wiek

26,86

27,53

25,99

29,69

28,78

31,48

27,71

bd

30,21

29,75

30,03

31,32

32,34

wiek

pierwszego małżeństwa

średni wiek wyprowadzki

Kobiety

81,90

88,98

85,41

87,17

81,44

79,69

73,91

64,73

61,92

69,97

40,73

28,79

41,09

%

20–24

52,12

55,11

46,38

47,84

30,23

44,64

34,71

28,06

19,87

22,79

9,18

4,91

7,86

%

25–29

mieszkanie z rodzicami w wieku

26,52

25,79

26,00

25,63

24,36

24,43

23,64

22,76

22,64

22,43

20,82

20,63

19,76

wiek

29,24

30,47

28,29

32,28

31,20

32,87

30,26

bd

32,40

32,36

32,31

33,76

35,14

wiek

pierwszego małżeństwa

średni wiek wyprowadzki

Mężczyźni

Tabela 1. Wspólne zamieszkiwanie z rodzicami w wybranych krajach europejskich (% osób w danej grupie wieku, średnia wartość z lat 2005–2013 oraz średnie wieku wyprowadzki i zawierania pierwszego małżeństwa)

DOCHÓD, PŁEĆ I WIEK A WSPÓLNE ZAMIESZKIWANIE Z RODZICAMI. PRZYPADEK… 291

82,72

77,77

82,51

68,36

75,04

89,09

84,90

68,48

89,61

22,79

44,44

70,76

Hiszpania

Polska

Portugalia

Grecja

Rumunia

Słowenia

Włochy

Bułgaria

Słowacja

Norwegia

Islandia

Szwajcaria

12,79

11,08

3,48

58,89

42,64

53,41

54,88

38,44

52,49

53,21

44,60

47,00

41,78

bd

bd

bd

31,67

31,60

30,92

30,89

30,43

30,07

29,59

29,53

29,43

29,12

29,59

32,10

30,96

27,29

26,14

29,96

28,91

25,93

29,06

27,51

25,91

30,60

27,79

Źródło: opracowano na podstawie danych Eurostatu.

Komentarz: Dane posortowane według średniego wieku wyprowadzki dla kobiet.

73,82

Węgry

cd. tabeli 1

84,00

60,38

33,78

95,52

89,98

91,87

94,32

91,39

81,54

89,68

89,44

87,76

86,14

30,96

21,70

8,10

75,16

73,11

69,46

75,27

70,46

75,67

66,61

60,67

60,41

62,29

bd

bd

bd

29,17

26,89

28,56

28,04

26,11

27,14

27,67

27,36

27,62

26,50

32,03

34,50

33,73

30,16

29,46

32,99

31,60

29,50

32,50

29,37

28,32

32,78

30,65

292 Rafał Miśta, Leszek Morawski

DOCHÓD, PŁEĆ I WIEK A WSPÓLNE ZAMIESZKIWANIE Z RODZICAMI. PRZYPADEK…

293

ziemnomorskich, gdzie wiek ten jest późny, natomiast w Estonii wyniki są zbliżone do takich krajów, jak Belgia, Irlandia i Wielka Brytania. Modyfikując nieznacznie klasyfikację opracowaną przez S. Mandica (2008), Estonię można zaliczyć do grupy obejmującej kraje Europy Północno-Zachodniej oraz kraje skandynawskie, w których młodzi wcześnie wyprowadzają się z domu i późno zakładają rodziny. Pozostałe kraje objęte badaniem pasują do grupy południowo-zachodniej, obejmującej kraje śródziemnomorskie, gdzie odwleka się wyprowadzenie od rodziców i założenie własnej rodziny. Przy czym, ze względu na niższy wiek zawierania pierwszego związku małżeńskiego, Polska – jak się wydaje – nieco różni się od innych krajów w tej grupie.

2. DANE, MODEL STATYSTYCZNY I DOBÓR ZMIENNYCH Zbiór danych wykorzystany w pracy powstał na podstawie Europejskiego Badania Dochodów i Warunków Życia Ludności (European Union Statistics on Income and Living Conditions – EU-SILC). Jest to powszechne badanie w krajach UE mające na celu dostarczenie danych o ubóstwie dochodowym i wykluczeniu społecznym. W Polsce, Czechach, na Węgrzech i w Estonii badanie EU-SILC prowadzone jest od 2005 roku. Dane zbierane są zarówno w postaci przekrojowej, jak i czteroletnich paneli. W przedstawionym badaniu korzystamy z paneli obejmujących lata 2005–2012. W modelowaniu prawdopodobieństwa wyprowadzki od rodziców wskazane jest stosowanie podejścia dynamicznego, ponieważ wyprowadzka w danym okresie odzwierciedla decyzje podejmowane w okresie poprzedzającym (Ermisch, 1999). W EU-SILC każdej osobie można przypisać cechy gospodarstwa domowego oraz jej cechy indywidualne i powiązać je z faktem wyprowadzki w roku następnym (zob. Iacovou, 2010; Baranowska, 2011; Skew, Iacovou, 2011; Mazzotta, Parisi, 2015). Pozwala to zbudować model statystyczny, wiążący cechy gospodarstwa domowego w okresie t z prawdopodobieństwem wyprowadzenia się młodej osoby dorosłej od rodziców w okresie t+1. Ze względu na binarny charakter zmiennej objaśnianej (ktoś się wyprowadził lub nie) w analizie wykorzystano model regresji logistycznej, a szacowana funkcja prawdopodobieństwa miała postać: P ^ y i, t + 1 x i, t h =

exp ^ b0 + b x i, th

1 + exp ^ b0 + b x i, th

,p

(1)

gdzie: zmienna objaśniana yi, t+1 przyjmuje wartość 1, jeśli osoba i w okresie t+1 mieszkała z ojcem lub matką (biologicznymi, przybranymi, zastępczymi), a 0 w przeciwnym przypadku, P(yi, t+1|xi, t) to warunkowe prawdopodobieństwo przyjęcia danej wartości przez yi, t+1, a xi, t oznacza wektor cech z okresu t opisujących osobę i. Ze względu na to, że dwie lub więcej osób może współtworzyć to samo gospodarstwo domowe, do estymacji wykorzystano odporne, warstwowe estymatory

294

Rafał Miśta, Leszek Morawski

wariancji, gdzie jako warstwy zdefiniowano gospodarstwa domowe. Do ważenia obserwacji wykorzystano wagi bazowe dla osób, dostarczone przez Eurostat w zbiorze EU-SILC. Do badanej próby włączono osoby w wieku od 18 do 34 lat, mieszkające z przynajmniej jednym z rodziców w momencie rozpoczęcia badania. Każda z obserwacji wykorzystywanych w analizie zawiera dane o osobie z okresu t i informację o tym, czy w okresie t+1 pozostała ona w gospodarstwie, czy też wyprowadziła się z niego i nie mieszka z rodzicami. Zakłada się, że mieszkanie przez dwa okresy w jednym gospodarstwie świadczy o tym, że dana osoba nie wyprowadziła się od rodziców, natomiast wyprowadzenie się z gospodarstwa rodzinnego traktowane jest jako trwałe. Ze zbioru usunięto gospodarstwa domowe, w których identyfikacja członków gospodarstwa była niejednoznaczna (w tym samym roku, kraju i gospodarstwie musiał być dokładnie jeden rekord o danym ID). Usunięto również obserwacje, z których wynikało, że młoda osoba wyprowadziła się od rodziców, a następnie ponownie się do nich wprowadziła. Zmiennymi objaśniającymi są: dochód do dyspozycji gospodarstwa domowego, wiek i płeć. W badaniach nad wyprowadzkami na podstawie EU-SILC zmienne dochodowe wykorzystano także w pracach: Iacovou (2010), Baranowska (2011), Skew i Iacovou (2011), Addabbo i Kjeldstada (2013) oraz Mazzotta i Parisi (2015). W modelu wykorzystano realny, ekwiwalentny dochód do dyspozycji netto dla gospodarstwa domowego, którego głównymi składowymi są: dochody z pracy (najemnej, wykonywanej na własny rachunek), emerytury i renty, świadczenia rodzinne i świadczenia z pomocy społecznej2. Do urealnienia wartości wykorzystano zharmonizowany wskaźnik cen konsumpcyjnych, podawany przez Eurostat. Wielkość rocznego dochodu ekwiwalentnego gospodarstwa domowego traktowana jest w badaniu jako wskaźnik jego zamożności. Ekwiwalentność dochodu uzyskano, wykorzystując dwie skale ekwiwalentności – zmodyfikowaną skalę OECD, będącą standardowym narzędziem w badaniach Eurostatu, oraz skalę subiektywną, obliczoną na podstawie informacji o minimalnym dochodzie umożliwiającym zaspokojenie podstawowych potrzeb bytowych. Posłużono się tu metodą zaproponowaną przez Goedharta i in. (1977) i wykorzystaną w pracy Kalbarczyk-Stęclik i in. (2016). Zmodyfikowana skala OECD przyjmuje wartość 1 dla gospodarstwa jednoosobowego i jest zwiększana o wartość wynoszącą 0,3 ze względu na każde dziecko oraz o 0,5 z tytułu drugiej i każdej kolejnej osoby dorosłej. Wartości skali subiektywnej również rosną wraz z liczbą osób, ale są zróżnicowane w zależności od kraju (zob. tabela Z2). Skala subiektywna wskazuje na większe znaczenie ekonomii skali w porównaniu ze skalą OECD. Podobnie jak w pracach Iacovou (2010) oraz Skew i Iacovou (2011), rozdzielono dochód osoby młodej i dochód jej rodziców. Jest to uzasadnione, ponieważ dochód dzieci wydaje się dodatnio korelować z prawdopodobieństwem wypro2 Definicja w EU-SILC uwzględnia również takie źródła, jak: wartość konsumpcji własnej, imputowane czynsze, regularne transfery pomiędzy gospodarstwami domowymi. Szczegółowa definicja znajduje się w: Eurostat (2011), s. 217.

DOCHÓD, PŁEĆ I WIEK A WSPÓLNE ZAMIESZKIWANIE Z RODZICAMI. PRZYPADEK…

295

wadzki, a w przypadku dochodu rodziców zależność ta może być nieliniowa i zależna od wieku — wskazują na to wnioski zawarte w literaturze dotyczącej tego zagadnienia. Wiek uwzględniono na dwa sposoby. Po pierwsze, przez wprowadzenie wieku jako zmiennej niezależnej do estymowanych regresji, a po drugie przez oszacowanie odrębnych regresji dla młodych osób w przedziałach wieku 18–24 i 25–34 lata.

3. WYNIKI Zależność między wyprowadzkami od rodziców a wiekiem dzieci ma we wszystkich analizowanych krajach kształt odwróconej litery U (Wykres Z1). Wśród osób w wieku 18–24 lata częściej wyprowadzają się kobiety niż mężczyźni, co jest zgodne z wnioskami zawartymi w literaturze przedmiotu. Wiek, w którym kobiety najczęściej wyprowadzają się z domu, wynosi od 24 lat w Polsce do 27 lat na Węgrzech. Odpowiednie wartości dla mężczyzn wynoszą od 25 lat w Polsce do 28 lat w Estonii. W każdym z krajów zależność między wiekiem i dochodem ekwiwalentnym (zamożnością) a wyprowadzeniem się z domu rodziców ma nieco inny charakter (Wykres Z2). W Czechach osoby wyprowadzające się do mniej więcej 27. roku życia pochodzą z mniej zamożnych rodzin, a na Węgrzech i w Estonii analogicznym wiekiem granicznym jest 22. rok życia. W Polsce różnica pomiędzy zamożnością gospodarstw, z których dzieci w danym wieku się wyprowadziły, a tymi, w których pozostały, jest najmniejsza. Zamożność gospodarstwa ma większe znaczenie wśród osób wyprowadzających się po 25. roku życia (wykres Z3). Jest to zgodne z hipotezą o skłonności rodziców do utrzymywania lub udzielania pomocy dzieciom na wczesnym etapie ich dorosłości i wpływie wydłużającego się czasu edukacji na opóźnienie momentu opuszczenia domu rodzinnego (Waite, Spitze, 1981; Avery i in., 1992; Whittington, Peters, 1996; Mulder, Clark, 2000). Pozytywny wpływ zamożności względnej (ranking gospodarstwa w uporządkowaniu decylowym) na decyzję o wyprowadzeniu się jest wyraźnie widoczny w Estonii, dotyczy to zarówno kobiet, jak i mężczyzn. Z mniej klarowną zależnością w przypadku mężczyzn mamy do czynienia na Węgrzech. W Polsce i w Czechach zamożność względna nie odgrywa tak istotnej roli. W tabelach Z3 i Z4 zamieszczono wyniki estymacji modeli logitowych dla zmiennej identyfikującej wyprowadzkę z gospodarstwa domowego rodziców. Modele oszacowano oddzielnie dla kobiet i mężczyzn oraz prób, w których uwzględniono osoby od 18 do 24 lat i od 25 do 34 lat Rozważono trzy specyfikacje zmiennych objaśniających i dwie metody wyznaczania dochodu ekwiwalentnego. Specyfikacja oznaczona jako „Model 1” zawierała jako zmienną objaśniającą jedynie logarytm dochodu ekwiwalentnego. W specyfikacji „Model 2” dodano wiek, a w trzeciej – „Model 3” – wzięto również pod uwagę udział dochodów rodziców w dochodzie gospodarstwa domowego. Zmiennymi kontrolnymi we wszystkich modelach były zmienne regionalne oraz lata, w których przeprowadzono badania.

296

Rafał Miśta, Leszek Morawski

Rysunek 1. PrawdopodobieĹ„stwo wyprowadzki a zamoĹźność wzglÄ™dna gospodarstwa domowego Skala OECD

Skala subiektywna

.5

.5

.4

.4

.3

.3

PL

PL

Polska

.2 .1

.2 1

2

3

4

5 6 Decyle

PĂšÄ? PĂšÄ?

7

8

9

.1

10

1

NRE NRE

2

3

4

5 6 Decyle

PĂšÄ? PĂšÄ?

7

8

9

10

NRE NRE

.5

.4

.4

.3

.3

CZ

CZ

Czechy .5

.2

.2

.1

.1 1

3

4

5 6 Decyle

PĂšÄ? PĂšÄ? Ăš

5 .5

7

8

9

NRE NRE

10

1

.4

.4

.3

.3

.2

3

4

5 6 Decyle

7

8

9

10

NRE NRE

.2 .1

.1 1

2

3

4

5 6 Decyle

PĂšÄ? PĂšÄ?

7

8

9

1

10

2

3

4

5 6 Decyle

PĂšÄ? PĂšÄ?

NRE NRE Estonia

Ăš

.5

.4

.3

.3

.2

7

8

9

10

NRE NRE

Ăš

.5

.4 EE

EE

2

PĂšÄ? PĂšÄ? Ăš Ăš

Węgry 5 .5

HU

HU

2

.2

.1

.1 1

2

3

4

PĂšÄ? PĂšÄ?

5 6 Decyle

7

8

9

10

1

NRE NRE

Komentarz: patrz tabela Z5; na podstawie modelu 3. Śródło: opracowanie własne na podstawie EU-SILC.

2

3

4

PĂšÄ? PĂšÄ?

5 6 Decyle

7

8

9

NRE NRE

10

DOCHÓD, PŁEĆ I WIEK A WSPÓLNE ZAMIESZKIWANIE Z RODZICAMI. PRZYPADEK…

297

Na podstawie wyników estymacji stwierdzono, że wśród osób w wieku 18–24 lat zamożność (dochód ekwiwalentny) wpływa na prawdopodobieństwo wyprowadzki z domu rodziców tylko wśród Estończyków. Po uwzględnieniu w modelu wieku, dochód staje się nieistotny w przypadku Polaków, co sugeruje, że to raczej wiek, a nie dochód, określa szansę na wyprowadzkę. Na wybory Czechów i Węgrów negatywnie wpływa udział dochodu rodziców – im jest on większy, tym mniejsza jest szansa wyprowadzenia się. Podobny efekt występuje wśród młodych Węgierek. Taka zależność zgodna jest z predykcjami modelu Ermischa (2003). W Polsce w grupie wieku 18–24 lata dochód odgrywa mniejszą rolę niż w pozostałych krajach. Zgodnie z oczekiwaniami, znaczenie zamożności rośnie po 24. roku życia. W Polsce łatwiej jest wyprowadzić się z domu kobietom z zamożnych gospodarstw, w których większy jest udział dochodu rodziców. Wyższy dochód gospodarstwa zwiększa szansę wyprowadzki także wśród Estonek, nie widać tu jednak wyraźnego związku z udziałem dochodu rodziców. Wśród mężczyzn szansa na wyprowadzkę rośnie wraz z dochodem. Wyjątkiem jest Polska, gdzie nie widać takiej zależności. Rysunek 1 przedstawia wyniki uzyskane na podstawie modeli logitowych.

ZAKOŃCZENIE Zagadnienia związane z wyprowadzaniem się dorosłych dzieci od rodziców są obecne w literaturze ekonomicznej od co najmniej 30 lat, ale jest to tematyka podejmowana rzadziej niż inne kwestie demograficzne związane z nową ekonomią rodziny (Cobb-Clark, 2008). Naszym zdaniem, problem wyboru między wspólnym a oddzielnym mieszkaniem z rodzicami zasługuje na większe od dotychczasowego zainteresowanie, ma on bowiem związek z tak ważnymi problemami ekonomicznymi, jak: gromadzenie oszczędności emerytalnych, aktywność osób młodych na rynku pracy czy decyzje prokreacyjne i edukacyjne. Większość dotychczasowych badań w tym obszarze dotyczy społeczeństw Europy Zachodniej. Brak odpowiednich danych dla krajów Europy Środkowej i Wschodniej jest – jak się wydaje – główną przyczyną takiego stanu rzeczy. Przedstawiony artykuł stara się uzupełnić tę lukę, wykorzystując do tego celu dane panelowe z EU-SILC. Uwzględnione w badaniu kraje łączy wspólna historia zmian społeczno-ekonomicznych ostatnich około 70 lat oraz zbliżony poziom rozwoju gospodarczego. Mimo to, na podstawie oszacowań modelu logitowego, stwierdziliśmy, że w Estonii dominuje model zbliżony do obserwowanego w krajach skandynawskich, odbiegający od typowego dla środkowoeuropejskich i wschodnioeuropejskich krajów postsocjalistycznych. Korzystając z opisowej analizy statystycznej pokazaliśmy, że w krajach Europy Środkowej i Wschodniej kobiety wyprowadzają się wcześniej z domu rodziców niż mężczyźni. Ponieważ identyczną prawidłowość wielokrotnie obserwowano w krajach Europy Zachodniej, to jest ona – jak się wydaje –uniwersalna, niezależna od stopnia rozwoju gospodarczego i uwarunkowań kulturowych.

298

Rafał Miśta, Leszek Morawski

Podobnie jak w krajach Europy Zachodniej wpływ zamożności na wyprowadzkę jest zróżnicowany w zależności od kraju i trudno jest wskazać jakąś ogólną regułę w tym względzie. Można jednak zauważyć rosnący wpływ zamożności gospodarstwa domowego rodziców na prawdopodobieństwo wyprowadzki wśród osób po 24. roku życia. Wskazuje to na związek usamodzielniania się osób młodych z decyzjami edukacyjnymi. W Polsce i Estonii większa zamożność sprzyja wyprowadzkom córek, za to w Czechach i na Węgrzech – synów. Być może te różnice mają swoje uwarunkowania kulturowe, jednak na podstawie dostępnej literatury i danych, autorzy nie potrafią podać satysfakcjonującego uzasadnienia tych zależności. Wyprowadzka z domu rodziców Czechów i Węgrów oraz Węgierek do 24. roku życia jest negatywnie skorelowana z udziałem rodziców w dochodzie gospodarstwa. Brak informacji o transferach między rodzicami a dziećmi nie pozwala jednak stwierdzić, czy jest to rezultat altruistycznego postępowania rodziców, czy też głównym motywem jest tu wymiana międzypokoleniowa. Przedstawione wyniki nie są zależne od stosowanej skali ekwiwalentności, co, biorąc pod uwagę brak klarownych argumentów skłaniających do korzystania ze skali OECD przy porównywaniu gospodarstw domowych z krajów Europy Środkowej i Wschodniej, zachęca do stosowania skali subiektywnej. Stosowanie różnych skal jest zgodne z sugestiami Coultera i in. (1992) oraz Garnera i Shorta (2003), którzy zachęcali do korzystania z kilku metod przeważania dochodów i traktowania ich w sposób komplementarny, a nie substytucyjny. Zaletą skali subiektywnej jest przyjmowanie przez nią różnych wartości dla poszczególnych krajów, które wynikają z różnic w ocenach satysfakcji z dochodu. Pozwala to, przynamniej częściowo, kontrolować różnice w czynnikach kulturowych, co nie jest możliwe przy korzystaniu ze skali OECD.

BIBLIOGRAFIA Addabbo T., Kjeldstad R. (2013), Household affiliation of young adults in Italy and Norway. The significance of gender, sociocultural background, work and money. Statistics Norway Research Department, “Discussion Paper”, No. 752. Aassve A., Burgess S., Chesher A., Propper C. (2002), Transitions from home to marriage of young Americans, “Journal of Applied Econometrics”, Vol. 17, s. 1–23. Avery R., Goldscheider F., Speare A. (1992), Feathered nest/guilded cage: Parental income and leaving home in the transition to adulthood, “Demography”, Vol. 29, s. 375–88. Baranowska A. (2011), Trash contracts? The impact of temporary employment on leaving the parentalhome in Poland, „Zeszyty naukowe”, nr 17, Instytut Statystyki i Demografii SGH. Billari F.C., Philipov D., Baizan P. (2001), Leaving Home in Europe: The experience of cohorts born around 1960, “International Journal of Population Geography”, Vol. 7, s. 339–356. Cleveland W.S. (1979), Robust Locally Weighted Regression and Smoothing Scatterplots, “Journal of the American Statistical Association”, Vol. 74 (368), s. 829–836. Chiuri M., Del Boca C. (2010), Home-leaving decisions of daughters and sons, “Review of Economics of the Household”, Vol. 8, s. 393–408.

DOCHÓD, PŁEĆ I WIEK A WSPÓLNE ZAMIESZKIWANIE Z RODZICAMI. PRZYPADEK…

299

Cobb-Clark D.A. (2008), Leaving Home: What economics has to say about the living arrangements of young Australians, “The Australian Economic Review”, Vol. 41(2), s. 160–76 Coulter F.A., Cowell T.M., Jenkins S.P. (1992), Differences in needs and assessment of income distributions, “Bulletin of Economic Research”, Vol. 44(2), s. 77–124. Ermisch J. (1999), Prices, Parents and Young People’s Household Formation, “Journal of Urban Economics”, Vol. 45(1), s. 47–71. Ermisch J. (2003), An Economic Analysis of the Family, Princeton University Press, Princeton. Esping-Andersen G. (1990), Three Worlds of Welfare Capitalism, Polity Press, Cambridge. Eurostat (2011), Description of target variables: Cross-sectional and Longitudinal 2011 operation (Version May 2011), Eurostat, Luxemburg. Eurostat (2015), Being Young in Europe Today, Eurostat, Luxemburg. Garner T., Short K. (2003), Personal assessments of minimum income and expenses: What do they tell us about ‘minimum living’ thresholds and equivalence scales?, w: Inequality, Welfare and Poverty: Theory and Measurement, Research on Economic Inequality, J. Bishop, Y. Amiel (eds), Tom 9, Elsevier Science, s. 191–243. Goedhart T., Halberstadt V., Kepteyn A., van Praag B. (1977), The poverty line: concept and measurement, “Journal of Human Resources”, Vol. 12, s. 503–520. Iacovou M. (2002), Regional differences in the transition to adulthood, “The ANNALS of the American Academy of Political and Social Science”, No. 580(1), s. 40–69. Iacovou M. (2010), Leaving home: Independence, togetherness and income, “Advances in Life Course Research”, Vol. 15(4), s. 147–160. Kalbarczyk-Stęclik M., Miśta R., Morawski L. (2016), Subjective Equivalence Scale – Cross-Country and Time Differences, “International Journal of Social Science” (w druku). Laferré A. (2006) “Leaving the nest: Parental income, housing, and altruism”, nieopublikowany Working Paper [dostęp: http://www.eea-esem.com/files/papers/ EEA-ESEM/2006/1295/Nestleaving-2006V2.pdf]. Leaving home in Europe: The role of parents’ and children’s incomes (2003), “Review of Economics of the Household”, Vol. 4(1), s. 53-73. Le Blanc D., Wolf F.C. (2003), Leaving home in Europe; The role of parents' and children's incomes, “Review of Economics of the Houshold”, Vol. 4(1), s. 53–73. Manacorda M., Moretti E. (2006), Why do most Italian youths live with their parents? Intergenerational transfers and household structure, “Journal of the European Economic Association”, Vol. 4(4), s. 800–829. Mandic S. (2008), Home-leaving and its structural determinants in Western and Eastern Europe: An exploratory study, “Housing Studies”, Vol. 23(4), s. 615–636. Mazzotta F., Parisi L. (2015), The effect of employment on leaving home in Italy. Discussion, Paper No. 7, Centro di RicercaInterdipartimentale in SviluppoEconomico e Istituzioni. McElroy M.B. (1985), The joint determination of household membership and market work: The case of young men, “Journal of Labor Economics”, Vol. 3, s. 293–316. Mulder C.H., Clark W.A. (2000), Leaving home and leaving the state: Evidence from the United States, “International Journal of Population Geography”, Vol. 6, s. 423– 437.

300

Rafał Miśta, Leszek Morawski

Reher D. S. (1998), Family ties in Western Europe: Persistent contrasts, “Population and Development Review”, Vol. 24(2), s. 203–234. Rosenzweig M.R., Wolpin K.I. (1994), Parental and public transfers to young women and their children, “American Economic Review”, Vol. 84, s. 1195–1212. Saraceno C., Olagnero M. (2004), Quality of Life in Europe – First Results of a New Pan-European Survey, European Foundation for the Improvement of Living and Working Conditions, Dublin. Skew A., Iacovou M. (2011), Leaving home in Europe: a first look at Eastern Europe. European, Labor Force Survey (EU-LFS) and European Union Statistics on Income and Living Conditions (EU-SILC) European user Conference, Mannheim, Germany. Waite L., Spitze G. (1981), Young women’s transition to marriage, “Demography”, Vol. 18, s. 681–694. Whittington L.A., Peters H.E. (1996), Economic incentives for financial and residential independence, “Demography”, Vol. 33, s. 82–97.

6 038

7 016

W związku

Region

2 663

3 784

2 663

3 254

3 784

3 776

3 784

log. dochodu (sk. sub.)

Dochód ekw. (sk. OECD)

Dochód ekw. (sk. sub.)

Udział doch. rodziców

Wiek

Wykształcenie

Region

401

401

401

329

275

401

274

400

1

mężczyźni

1 329

1 059

1 059

1 329

841

760

1 329

758

1 327

1

mężczyźni

4 185

4 177

4 185

3 583

2 938

4 185

2 937

4 184

razem

0

2 890

2 882

2 890

2 430

1 887

2 890

1 887

2 889

0

5 316

4 751

4 738

5 316

3 865

2 606

5 316

2 606

5 314

Węgry

8 345

7 097

7 084

8 345

5 926

4 665

8 345

4 659

8 339

razem

Polska

394

394

394

344

236

394

235

393

1

kobiety

1 302

1 075

1 074

1 302

880

659

1 302

657

1 300

1

kobiety

3 284

3 276

3 284

2 774

2 123

3 284

2 122

3 282

razem

6 618

5 826

5 812

6 618

4 745

3 265

6 618

3 263

6 614

razem

2 355

2 317

2 355

1 614

1 487

2 355

1 486

2 353

0

2 702

2 702

2 691

2 702

2 604

2 112

2 702

2 112

2 702

0

Komentarz: „1” oznacza zaobserwowanie wyprowadzki, 0 to pozostanie w domu rodziców. Źródło: opracowanie własne na podstawie EU-SILC.

3 784

log. dochodu (sk. OECD)

0

6 025

Wykształcenie

Nazwa

5 085

3 905

Dochód ekw. (sk. sub.)

7 016

7 016

Dochód ekw. (sk. OECD)

Wiek

3 901

log. dochodu (sk. sub.)

Udział doch. rodziców

7 012

0

log. dochodu (sk. OECD)

Nazwa

395

379

395

260

232

395

232

395

1

mężczyźni

294

294

293

294

219

239

294

239

294

1

mężczyźni

Tabela Z1. Liczba obserwacji według zmiennych

ZAŁĄCZNIK

2 750

2 696

2 750

1 874

1 719

2 750

1 718

2 748

razem

0

1 828

1 819

1 828

1 222

1 017

1 828

1 014

1 824

0

1 989

1 989

1 982

1 989

1 906

1 428

1 989

1 428

1 989

Estonia

2 996

2 996

2 984

2 996

2 823

2 351

2 996

2 351

2 996

razem

Czechy

366

356

366

245

180

366

180

366

1

kobiety

287

287

287

287

224

192

287

192

287

1

kobiety

2 194

2 175

2 194

1 467

1 197

2 194

1 194

2 190

razem

2 276

2 276

2 269

2 276

2 130

1 620

2 276

1 620

2 276

razem

DOCHÓD, PŁEĆ I WIEK A WSPÓLNE ZAMIESZKIWANIE Z RODZICAMI. PRZYPADEK… 301

302

Rafał Miśta, Leszek Morawski

Tabela Z2. Skale ekwiwalentności Skala subiektywna Węgry

Estonia

OECD

Polska

Czechy

a2k0

1,42

1,43

1,4

1,61

1,5

a3k0

1,65

1,72

1,69

2,24

2

a4k0

1,81

1,98

1,95

2,72

2,5

a5k0*

1,90

2,11

2,07

2,98

2,80

a6k0*

1,98

2,22

2,18

3,20

3,10

a2k1

1,68

1,8

1,66

2,2

1,8

a2k2

1,79

1,88

1,82

2,46

2,1

a3k1*

1,95

2,17

2,00

3,06

2,3

a4k1*

2,14

2,49

2,31

3,72

2,8

Komentarz: (*) Wartości przybliżone. Źródło: Kalbarczyk-Stęclik, Miśta, Morawski (2016).

Wykres Z1. Odsetek osób w danym wieku wyprowadzających się od rodziców wg krajów .4

Czechy .4

.3

.3

.2

.2

.1

.1 18 20 22 24 26 28 30 32 34 PÚĝF]\ěQL NRELHW\

.4

Węgry ęg y

18 20 22 24 26 28 30 32 34 PÚĝF]\ěQL NRELHW\ .4

.3

.3

.2

.2

.1

.1 18 20 22 24 26 28 30 32 34 PÚĝF]\ěQL NRELHW\

Estonia

Polska

18 20 22 24 26 28 30 32 34 PÚĝF]\ěQL NRELHW\

Komentarz: Trend wyznaczono za pomocą lokalnie ważonych regresji (locally weighted regression) – zob. Cleveland (1979). Źródło. opracowanie własne na podstawie EU-SILC.

303

DOCHÓD, PŁEĆ I WIEK A WSPÓLNE ZAMIESZKIWANIE Z RODZICAMI. PRZYPADEK…

Wykres Z2. Zamożność gospodarstwa domowego a wiek wyprowadzających się/pozostających w domu rodziców wg krajów

18

20

22

24

26

28

30

32

w domu wyprowadzka

34 wiek

Węgry ęg y

18

20

22

24

26

28

30

32

w domu wyprowadzka

34 wiek

dochód ekwiwalentny (euro, rok)

12 000 11 000 10 000 9 000 8 000 7 000 6 000 5 000 4 000 3 000 2 000

y Czechy

12 000 11 000 10 000 9 000 8 000 7 000 6 000 5 000 4 000 3 000 2 000

dochód ekwiwalentny (euro, rok)

dochód ekwiwalentny (euro, rok)

12 000 11 000 10 000 9 000 8 000 7 000 6 000 5 000 4 000 3 000 2 000

dochód ekwiwalentny (euro, rok)

Skala subiektywna

12 000 11 000 10 000 9 000 8 000 7 000 6 000 5 000 4 000 3 000 2 000

Estonia

18

20

22

24

26

28

30

32

w domu wyprowadzka

34 wiek

Polska

18

20

22

24

26

28

30

32

w domu wyprowadzka

34 wiek

20

22

24

26

28

30

32

w domu wyprowadzka

34 wiek

Węgry ęg y

18

20

22

24

26

w domu wyprowadzka

28

30

32

34 wiek

dochód ekwiwalentny (euro, rok)

12 000 11 000 10 000 9 000 8 000 7 000 6 000 5 000 4 000 3 000 2 000

18

12 000 11 000 10 000 9 000 8 000 7 000 6 000 5 000 4 000 3 000 2 000

dochód ekwiwalentny (euro, rok)

dochód ekwiwalentny (euro, rok)

12 000 11 000 10 000 9 000 8 000 7 000 6 000 5 000 4 000 3 000 2 000

dochód ekwiwalentny (euro, rok)

Zmodyfikowana skala OECD Czechy y

12 000 11 000 10 000 9 000 8 000 7 000 6 000 5 000 4 000 3 000 2 000

Estonia

18

20

22

24

26

28

30

32

w domu wyprowadzka

34 wiek

Polska

18

20

22

24

26

w domu wyprowadzka

28

30

32

34 wiek

Komentarz: Trend wyznaczono za pomocą lokalnie ważonych regresji (locally weighted regression) – zob. Cleveland (1979). Źródło: opracowanie własne na podstawie EU-SILC.

kobiety

Polska

Decyle (18-24)

:ÚJU\

Czechy

PÚĝF]\ěQL

kobiety

Polska

Estonia

Zmodyfikowana skala OECD, wiek 18–24

PÚĝF]\ěQL

4

Decyle (18-24)

.4 .3 .2 .1

.4 .3 .2 .1

.4 .3 .2 .1 0

.4 .3 .2 .1 0 :ÚJU\

kobiety

Decyle (25-34)

:ÚJU\

Czechy

PÚĝF]\ěQL

kobiety

Polska

Estonia

Zmodyfikowana skala OECD, wiek 25–34

PÚĝF]\ěQL

Polska

Estonia

Skala subiektywna, wiek 25–34 Czechy

Decyle (25-34)

Źródło: opracowanie własne na podstawie EU-SILC.

Komentarz: Trend wyznaczono za pomocą lokalnie ważonych regresji (locally weighted regression) – zob. Cleveland (1979).

.4 .3 .2 .1

.4 .3 .2 .1

:ÚJU\

5

.4 .3 .2 .1 0

5

Estonia

Skala subiektywna, wiek 18–24

Czechy

6

6

.4 .3 .2 .1 0

4

Wykres Z3. Opuszczenie domu rodziców a zamożność względna gospodarstwa domowego

7

7

1

1

8

8

2

2

9

9

3

3

10

10

4 4

1

1

5 5

2

2

6 6

3 3

7 7

4 4

8 8

5 5

9 9

6 6

1 1

7 7

10 10

8 8

2 2

9 9

3 3

10 10

6 6

1 1

7 7

2 2

8 8

3 3

4 4

9 9

5 5

10 10

304 Rafał Miśta, Leszek Morawski

0,16 0,50

HU rodzic

EE rodzice

1,19

1,09

1,24

1,23

2,30

1,23

0,71

0,98

0,28

0,000

0,000

0,010

0,004

0,057

0,827

0,855

0,299

wsp

CZ rodzice

1,23

1,27

1,18

1,10

0,61

1,07

0,95

1,12

p-v

0,211

0,008

0,040

0,740

0,013

0,308

0,015

0,000

0,001

0,570

0,379

0,901

0,83

0,18

0,53

0,88

1,16

1,29

1,18

1,05

0,71

0,91

0,78

1,20

0,710

0,001

0,245

0,659

0,017

0,000

0,021

0,242

0,148

0,776

0,449

0,224

p-v

kobiety wsp

Model 3

p-v

mężczyźni

1,10

0,000

0,065

0,003

0,000

0,023

0,447

0,100

0,160

wsp

kobiety

PL rodzice

1,29

1,66

EE wiek

0,135

1,24

1,12

0,67

0,340

0,56

1,18

HU wiek

0,003

1,35

0,832

p-v

Model 2

Skala subiektywna

wsp

1,25

1,90

EE dochód (ln)

0,169

1,06

0,164

p-v

CZ wiek

1,44

HU dochód (ln)

0,306

1,17

wsp

mężczyźni

1,19

0,72

CZ dochód (ln)

0,068

p-v

kobiety

PL wiek

1,23

PL dochód (ln)

wsp

mężczyźni

Model 1

Tabela Z3. Wyniki regresji logistycznej (ilorazy szans, wiek 18–24 lata)

DOCHÓD, PŁEĆ I WIEK A WSPÓLNE ZAMIESZKIWANIE Z RODZICAMI. PRZYPADEK… 305

0,44

EE rodzice

0,141

0,007

0,038

0,856

0,019

0,302

0,011

0,000

0,001

0,548

0,931

0,903

0,87

0,20

0,45

0,87

1,15

1,31

1,17

1,05

0,77

0,74

0,66

1,16

Źródło: Obliczenia własne na podstawie danych EU-SILC.

Komentarz: Zmienne kontrolne – region i rok badania. „p-v” oznacza poziom istotności statystyki testowej w teście istotności.

0,16

HU rodzic

1,17

1,09

1,24

1,20

2,45

1,25

0,97

1,02

0,28

0,000

0,000

0,008

0,003

0,102

0,691

0,495

0,332

CZ rodzice

1,23

1,28

1,18

1,10

0,64

0,88

0,80

1,12

1,05

0,000

0,053

0,002

0,000

0,096

0,539

0,401

0,108

PL rodzice

1,32

1,47

EE wiek

0,201

1,19

1,13

0,70

0,711

0,74

HU wiek

0,045

1,12

0,783

1,21

1,25

1,63

EE dochód (ln)

0,203

0,92

0,182

CZ wiek

1,40

HU dochód (ln)

0,811

1,16

1,17

0,92

CZ dochód (ln)

0,051

Zmodyfikowana skala OECD

PL wiek

1,25

PL dochód (ln)

cd. tabeli Z3

0,773

0,002

0,123

0,633

0,032

0,000

0,021

0,247

0,316

0,385

0,219

0,327

306 Rafał Miśta, Leszek Morawski

1,93 0,63

HU rodzice

EE rodzice

0,88

0,90

0,94

0,87

3,35

1,86

2,24

1,05

1,69

0,027

0,001

0,000

0,000

0,049

0,525

0,851

0,023

bm

CZ rodzice

0,86

0,87

0,82

0,87

2,10

0,82

1,08

1,54

pk

0,593

0,204

0,333

0,554

0,045

0,002

0,156

0,000

0,015

0,025

0,022

0,759

0,42

1,58

1,85

3,10

0,81

0,88

0,85

0,87

3,20

0,81

1,01

1,81

0,476

0,459

0,342

0,015

0,016

0,004

0,007

0,001

0,012

0,525

0,982

0,016

pk

kobiety bk

Model 3

pm

mężczyźni

1,21

0,000

0,002

0,053

0,000

0,198

0,010

0,006

0,206

bk

kobiety

PL rodzice

0,82

1,77

EE wiek

0,030

1,87

0,91

2,31

0,796

2,39

1,19

HU wiek

0,120

0,92

0,619

pm

Model 2

Skala subiektywna

bm

0,93

2,00

EE dochód (ln)

0,004

1,21

0,022

pk

CZ wiek

2,01

HU dochód (ln)

0,002

1,54

bk

mężczyźni

0,85

2,62

CZ dochód (ln)

0,062

pm

kobiety

PL wiek

1,29

PL dochód (ln)

bm

mężczyźni

Model 1

Tabela Z4. Wyniki regresji logistycznej (ilorazy szans, wiek 25–34 lata)

DOCHÓD, PŁEĆ I WIEK A WSPÓLNE ZAMIESZKIWANIE Z RODZICAMI. PRZYPADEK… 307

0,65

EE rodzice

Źródło: obliczenia własne na podstawie danych EU-SILC.

Komentarz: Zmienne kontrolne – region i rok badania.

1,80

HU rodzice

0,88

0,90

0,94

0,86

3,51

1,68

2,92

0,95

1,68

0,018

0,000

0,000

0,000

0,033

0,492

0,970

0,022

CZ rodzice

0,85

0,87

0,81

0,85

2,34

0,79

0,98

1,54

1,21

0,00

0,00

0,04

0,00

0,17

0,05

0,00

0,62

PL rodzice

0,83

1,83

EE wiek

0,023

1,66

0,91

2,50

0,643

2,89

HU wiek

0,109

0,86

0,942

1,07

0,92

2,03

EE dochód (ln)

0,032

1,03

0,034

CZ wiek

1,74

HU dochód (ln)

0,000

1,50

0,84

3,12

CZ dochód (ln)

0,347

Zmodyfikowana skala OECD

PL wiek

1,14

PL dochód (ln)

cd. tabeli Z4

0,615

0,249

0,339

0,553

0,037

0,002

0,131

0,000

0,015

0,076

0,002

0,773

0,53

2,22

1,94

3,34

0,81

0,88

0,85

0,86

2,99

0,77

0,86

1,77

0,589

0,182

0,299

0,009

0,014

0,003

0,008

0,000

0,022

0,445

0,733

0,020

308 Rafał Miśta, Leszek Morawski

cil

ciu

p

cil

Sub.

ciu

p

cil

OECD

mężczyźni

ciu

p

25–34 cil

Sub. ciu

p

cil

OECD ciu

p

18–24 cil

Sub. ciu

p

kobiety

p

cil

ciu

cil

ciu

9,9 18,0 14,3 10,0 18,7

Sub.

25–34 OECD

6,2

6,2

6,1

6,1

6,1

6,1

6,1

6,0

6,0

10

20

30

40

50

60

70

80

90

3,8

4,2

4,4

4,5

4,6

4,5

4,4

4,2

3,7

8,3

7,9

7,7

7,6

7,6

7,7

7,8

8,1

8,7

5,0

5,3

5,5

5,6

5,8

6,0

6,2

6,5

6,9

3,0

3,6

3,9

4,1

4,3

4,4

4,5

4,4

4,2

9,7

9,1

8,1

6,9

9,3 9,4

8,7

7,7

9,8 14,5 12,0

9,1 13,5 11,3

8,3 12,5 10,6

7,6 11,8 10,0

6,9 11,2

5,8 10,3

4,6

CZ

9,6 14,4

9,1 13,5

8,4 12,7

7,8 12,2

7,2 11,7

6,2 11,1

5,1 10,4

7,0 15,6 11,7 19,4 14,5 10,8 18,2

7,0 13,5 10,7 16,4 13,0 10,2 15,8

7,0 12,2

7,1 11,3

7,3 10,4

7,5

7,9

8,5

9,6

6,4

6,8

7,1

7,4

7,6

7,9

8,2

8,6

9,2

3,9

4,6

5,0

5,4

5,7

8,9

9,1

9,2

9,4

9,6

5,9 10,0

6,1 10,4

6,2 11,0

6,3 12,1

6,8

7,1

7,3

7,4

7,6

7,8

8,0

8,2

8,5

4,2

4,8

5,2

5,4

5,6

5,8

9,4 16,9 11,1 22,8 18,1 12,0 24,1

9,4 17,3 12,7 21,9 18,0 13,2 22,8

9,4 17,5 13,4 21,6 18,0 13,8 22,3

9,5 17,7 13,9 21,5 18,0 14,2 21,8

9,6 17,9 14,2 21,6 18,0 14,3 21,7

9,8 18,1 14,3 21,9 18,0 14,2 21,8

5,9 10,0 18,3 14,2 22,3 18,0 13,8 22,1

5,9 10,5 18,5 13,9 23,0 18,0 13,2 22,8

5,7 11,3 19,0 12,5 25,6 17,9 11,5 24,3

90 14,1 11,2 17,0 13,5 10,8 16,3 18,0 14,7 21,4 19,6 16,1 23,0 25,3 21,5 29,2 25,9 22,1 29,8 24,0 18,9 29,2 25,7 20,3 31,1

80 14,1 11,7 16,5 13,6 11,3 15,9 18,2 15,4 21,0 19,4 16,5 22,3 24,8 21,7 27,9 25,2 22,1 28,3 22,1 18,1 26,1 23,4 19,3 27,5

70 14,0 12,0 16,1 13,6 11,6 15,6 18,3 15,8 20,7 19,3 16,7 21,8 24,3 21,7 26,9 24,7 22,1 27,3 20,8 17,4 24,3 22,0 18,5 25,6

60 14,0 12,2 15,8 13,6 11,8 15,4 18,4 16,1 20,7 19,2 16,8 21,5 24,0 21,6 26,4 24,2 21,8 26,6 19,9 16,7 23,0 20,8 17,6 24,1

50 14,0 12,2 15,7 13,7 11,9 15,4 18,5 16,2 20,7 19,1 16,8 21,4 23,7 21,4 25,9 23,9 21,6 26,2 18,8 15,8 21,8 19,8 16,7 22,9

40 13,9 12,2 15,7 13,7 11,9 15,5 18,5 16,3 20,8 19,0 16,6 21,3 23,3 21,0 25,6 23,4 21,1 25,7 18,0 15,0 21,0 19,0 15,8 22,1

30 13,9 12,0 15,8 13,7 11,8 15,6 18,7 16,2 21,1 18,9 16,3 21,4 22,9 20,4 25,4 22,9 20,4 25,4 17,0 13,8 20,1 17,8 14,4 21,1

20 13,9 11,6 16,1 13,8 11,6 16,0 18,8 15,9 21,7 18,7 15,7 21,7 22,4 19,4 25,3 22,3 19,3 25,3 15,8 12,4 19,3 16,3 12,5 20,0

10 13,8 10,9 16,6 13,8 11,0 16,7 19,0 15,3 22,7 18,5 14,8 22,3 21,7 17,9 25,5 21,4 17,7 25,2 13,9

p

OECD

18–24

PL

Tabela Z5. Prognozowane prawdopodobieństwa wyprowadzki względem grup decylowych [%]

DOCHÓD, PŁEĆ I WIEK A WSPÓLNE ZAMIESZKIWANIE Z RODZICAMI. PRZYPADEK… 309

6,5 8,5 9,7 10,9 12,2 13,4 14,8 16,5 18,9

10 20 30 40 50 60 70 80 90

10 20 30 40 50 60 70 80 90

3,8 5,9 7,1 8,3 9,6 10,7 11,8 12,9 14,3

9,2 11,1 12,2 13,4 14,7 16,1 17,8 20,0 23,5

ciu 6,0 5,9 5,9 5,9 5,9 6,1 6,2 6,5 7,0

7,0 8,8 10,0 11,1 12,2 13,5 14,6 16,1 18,6

p 4,1 4,3 4,4 4,5 4,6 4,7 4,8 4,9 5,1

18–24

4,2 6,2 7,4 8,6 9,6 10,8 11,6 12,6 13,9

Sub, cil 2,1 2,6 2,9 3,1 3,2 3,3 3,3 3,2 3,1

9,8 11,5 12,6 13,7 14,8 16,3 17,7 19,7 23,4

ciu 6,1 6,0 5,9 5,9 6,0 6,1 6,3 6,6 7,0

7,7 10,9 13,8 15,8 18,6 20,5 22,9 25,1 29,8

p 11,0 12,2 13,1 13,9 14,4 15,1 15,9 16,7 17,9 1,4 4,6 7,8 10,1 13,2 15,1 17,1 18,6 20,9

14,0 17,3 19,8 21,5 24,0 25,9 28,6 31,6 38,6

8,1 11,1 14,0 16,4 19,0 20,6 23,0 25,3 29,6

p 10,1 11,3 12,4 13,3 14,0 14,7 15,6 16,8 18,3

25–34 OECD cil ciu 7,3 14,6 9,1 15,2 10,4 15,8 11,4 16,3 12,0 16,8 12,6 17,5 13,1 18,6 13,5 19,9 13,8 22,0

mężczyźni

1,8 4,8 8,0 10,8 13,7 15,2 17,2 18,7 20,8

Sub, cil 7,0 8,6 10,0 11,1 11,7 12,3 12,8 13,4 13,9 ciu 13,2 14,0 14,8 15,6 16,3 17,2 18,3 20,2 22,7 EE 14,5 17,4 19,9 22,0 24,4 26,0 28,8 31,9 38,4

HU

23,0 21,8 20,9 20,3 19,7 19,3 18,8 18,2 17,4

p 9,6 9,1 8,7 8,4 8,2 7,9 7,7 7,4 7,1 15,8 16,3 16,5 16,4 16,1 15,7 15,2 14,3 12,7

30,2 27,2 25,3 24,2 23,3 22,8 22,5 22,2 22,1

OECD cil ciu 6,0 13,1 6,4 11,8 6,5 11,0 6,5 10,4 6,4 9,9 6,2 9,7 5,9 9,6 5,4 9,5 4,7 9,5 23,7 22,1 20,8 20,0 19,3 18,6 18,0 17,4 16,2

p 8,8 8,6 8,5 8,4 8,3 8,2 8,2 8,1 7,9

18–24

16,4 16,6 16,4 16,2 15,8 15,3 14,6 13,8 12,2

Sub, cil 5,3 5,9 6,3 6,5 6,5 6,5 6,3 5,9 5,3 30,9 27,6 25,2 23,8 22,8 22,0 21,4 20,9 20,3

ciu 12,3 11,4 10,8 10,4 10,1 10,0 10,1 10,2 10,6 10,8 14,8 17,6 19,1 20,6 22,8 26,2 30,1 34,1

p 22,0 20,7 20,1 19,6 19,2 18,8 18,4 17,9 17,2

kobiety

3,3 7,5 10,4 11,8 13,3 15,1 17,3 19,2 20,7

18,2 22,1 24,8 26,3 28,0 30,5 35,0 40,9 47,5

9,5 14,7 17,3 19,0 21,4 23,6 27,6 31,0 36,3

25–34 OECD cil ciu p 14,7 29,2 22,6 15,8 25,6 21,6 16,1 24,1 21,1 16,1 23,2 20,7 15,9 22,5 20,3 15,4 22,2 19,9 14,7 22,0 19,5 13,8 22,0 19,2 12,1 22,3 18,5

2,4 7,5 10,0 11,6 13,8 15,5 18,2 20,0 22,3

Sub, cil 15,2 16,5 16,9 16,9 16,7 16,3 15,6 14,8 12,9

16,6 22,0 24,6 26,4 29,1 31,7 37,0 42,0 50,4

ciu 30,1 26,7 25,4 24,4 23,8 23,5 23,5 23,6 24,0

Źródło: obliczenia własne na podstawie danych EU-SILC.

Komentarz: Na podstawie modelu 3., cil – dolne ograniczenie przedziału ufności, ciu – górne ograniczenie przedziału ufności. Przedziały ufności wyznaczone za pomocą metody delta.

p 4,0 4,2 4,4 4,5 4,6 4,7 4,8 4,9 5,1

OECD cil 2,0 2,6 2,9 3,1 3,2 3,3 3,3 3,3 3,1

cd. tabeli Z5

310 Rafał Miśta, Leszek Morawski

DOCHÓD, PŁEĆ I WIEK A WSPÓLNE ZAMIESZKIWANIE Z RODZICAMI. PRZYPADEK…

311

INCOME, AGE, SEX AND COHABITATION WITH PARENTS. THE CASE OF POLAND, CZECH REPUBLIC, ESTONIA AND HUNGARY ABSTRACT The paper uses the EU Survey of Income and Living Conditions (EU-SILC) data for the years 2005-2012 to analyze the relationship between household income, sex and age of a child on the one hand and probability of moving out of parents’ homes on the other. The study was conducted for Poland, the Czech Republic, Hungary and Estonia. The identified relationships do not differ from those previously observed for Western European countries – women leave parents’ households earlier than men, and the impact of income varies among countries. The moment when children move out is linked to the higher education system. Household income is more important for those aged above 24 than for the younger ones. The pattern of moving out in Estonia is closer to the one observed in Scandinavia than for Central European countries despite similarities in the level of economic development and socio-economic history. Keywords: living arrangements, young adults, EU-SILC, logistic regression. JEL Classification: D19, J12, J16

STUDIA EKONOMICZNE 1 ECONOMIC STUDIES NR 2 (LXXXIX) 2016

ESEJE

Zbigniew Madej*

PIKETTY I MARKS O LOSACH KAPITALIZMU1 (Artykuł nadesłany: 12.02.2016; Zaakceptowany: 09.06.2016)

STRESZCZENIE Celem artykułu jest pokazanie punktów zbieżnych i różnic między T. Pikettym a K. Marksem w ocenie losów kapitalizmu. Dokonano tego przez porównanie głównych tez zawartych w Kapitale Pikettego i w Kapitale Marksa. Okazało się, że jako główną cechę kapitalizmu obydwaj traktują imperatyw akumulacji i inwestowania, ale wyciągają odmienne wnioski. Marks dowodzi, że ten imperatyw wywołuje spadek stopy zysku, co wzmaga rywalizację miedzy kapitałem a pracą i prowadzi do wybuchu rewolucji obalającej kapitalizm. Piketty oznajmia natomiast, że Marks doszedł do takich apokaliptycznych wniosków, ponieważ nie uwzględnił, podobnie jak inni ekonomiści XIX wieku, wpływu postępu technicznego i wydajności pracy na wzrost dochodu narodowego. Dopiero R. Solow dokonał tego w latach 50. XX wieku. W odpowiedzi wypadnie stwierdzić, że Marks szeroko opisał postęp i wydajność oraz rozróżniał postęp techniczny wynikający z inwestowania w maszyny i postęp pozainwestycyjny wynikający ze wzrostu umiejętności pracowników. Solow i jego następcy zostawili bogaty i wielowymiarowy dorobek, ale ta wielowymiarowość zmusza do konkretyzacji, a Piketty nie precyzuje, jaki typ postępu technicznego miałby posiadać zbawcze właściwości dla kapitalizmu. Trudno zatem odnieść się do jego sugestii. Kapitalizm nie upadł, ale nie wiadomo, jaki postęp go uratował i czy był jedynym, czy jednym z wielu ratowników. W ostatniej części artykułu występuje wielu dyskutantów, ale sprawa jest otwarta, gotowych odpowiedzi bowiem nie dają. * Instytut Nauk Ekonomicznych PAN. Komitet Prognoz przy Prezydium PAN „Polska 2000 Plus”; e-mail: z.madej@post.pl 1 Artykuł jest rozbudowaną formą tez wygłoszonych w dyskusji panelowej nad książką Thomasa Pikettego Kapitał w XXI wieku, zorganizowanej przez INE PAN 26 listopada 2015 roku. Uczestnikami panelu byli profesorowie: Ryszard Bugaj, Stanisław Gomułka, Witold Kwaśnicki, Zbigniew Madej.

PIKETTY I MARKS O LOSACH KAPITALIZMU

313

Słowa kluczowe: Piketty vs. Marks, losy kapitalizmu, imperatyw akumulacji i inwestowania. JEL Classification: A10, B31, B51

WSTĘP Mają rację ci czytelnicy, którzy twierdzą, że Kapitał w XXI wieku Pikettego jest dziełem oryginalnym. Napisany świetnie, wsparty bogatym materiałem statystycznym i trafiający w główne problemy naszych czasów. Można tę pracę bez obawy uznać za poważne wydarzenie heurystyczne i zaliczyć do zbioru wyróżnianych pozycji w ostatnim dziesięcioleciu. Zawiera luki i nieścisłości, jak każde dzieło ludzkie. Bez nich wnikliwi krytycy nie mieliby szans na ujawnienie swych umiejętności, a rozwój nauki byłby czymś niewyobrażalnym. Dzieła doskonałe nie zostawiają miejsca na doskonalenie. Heurystyczne znamiona pracy Pikettego tkwią zarówno w przedmiocie badań, jak i w heurezie, czyli w zespole instrumentów i metod badawczych oraz w sposobie przekazywania wyników badań. Można bez obawy przyjąć, że mamy do czynienia z interesującą publikacją. Dzieło Pikettego ukazało się półtora wieku po opublikowaniu pierwszego tomu Kapitału Marksa i sto dwadzieścia lat po opublikowaniu tomu trzeciego2. Mimo takiej odległości czasowej Piketty znajduje ciągle aktualne idee Marksa. Niektóre akceptuje, z wieloma polemizuje. Zamierzam pójść tym śladem z nadzieją, że w niektórych przypadkach uda mi się być rozjemcą. Nie będzie to zatem usystematyzowane podejście recenzenta, lecz wybiórcze postępowanie eseisty poruszającego się wedle własnego kompasu. Celem artykułu jest pokazanie punktów zbieżnych i różnic między Pikettym a Marksem w ocenie losów kapitalizmu. Dokonano tego przez porównanie głównych tez zawartych w Kapitale Pikettego i w Kapitale Marksa. Jako nić przewodnią tego opracowania wybieram ideę: od spraw rachunkowych do spraw ustrojowych. Odpowiada ona logice postępowania obydwóch autorów i ułatwi – mam nadzieję – czytanie tego tekstu. Piketty wychodzi od prostej formuły oznaczającej stałą przewagę rentowności kapitału (r) nad stopą wzrostu gospodarczego (g), (r>g). Marks przyjmuje za punkt wyjścia relację wartości dodatkowej (m) do m kapitału zmiennego (v), ( ), którą przekształca później w spadającą stopę v zysku3. W kolejnym etapie Autorzy przedstawiają rolę tych formuł w funkcjonowaniu gospodarki kapitalistycznej, zaś w następnym zastanawiają się nad pytaniem, czy zawarte w nich sprzeczności rozsadzą kapitalizm. Upraszczam, oczywiście, ale nie gubię, jak sądzę, istoty problemu.

2

Wybieram tylko te dwa tomy Kapitału Marksa, ponieważ główne problemy, których rzekomo nie ma w jego dziełach, znajdują się w tych dwóch pozycjach i w każdej zajmują kilkaset stron. 3 Piketty i Marks nadają przytoczonym formułom oraz wyprowadzonym z nich formułom pochodnym bardzo wysoką rangę i nazywają je prawami ekonomicznymi.

314

Zbigniew Madej

1. POSTĘP TECHNICZNY I SPADAJĄCA STOPA ZYSKU 1.1. NIETRAFNE ZARZUTY PIKETTEGO Piketty twierdzi, że spadająca stopa zysku, która według Marksa doprowadzić miała do upadku kapitalizmu, była niewiarygodną predykacją, ponieważ nie uwzględniała postępu technicznego, który przeciwdziała takiej groźbie. Nie było zatem podstaw, aby straszyć świat apokaliptyczną wizją. Tekst Pikettego tak oto wygląda: „Marks w ogóle nie uwzględnił możliwości trwałego postępu ‘technicznego’ i stałego wzrostu wydajności pracy, a więc czynnika, który – jak zobaczymy – pozwoli w jakimś stopniu równoważyć proces akumulacji i rosnącej koncentracji kapitału prywatnego” (Piketty, 2015, s. 21). Nieco dalej wzmacnia tę opinię, twierdząc, że „teoria Marksa opiera się na jednoznacznym założeniu zerowego wzrostu wydajności pracy na dłuższą metę” (op. cit., s. 43). Natomiast w obszerniejszym tekście, który traktuję jako drugą część przytaczanych cytatów, wyjaśnia, że Marks i wszyscy ekonomiści XIX i początku XX wieku zakładali, iż „produkuje się więcej tylko dlatego, że każdy pracownik dysponuje większą ilością maszyn i wyposażenia, a nie dlatego, że wydajność jako taka – przy danej ilości pracy i kapitału – wzrasta” (op cit., s. 281). Ze zdumieniem odczytuję te zapisy. Całkowicie błędna jest zarówno pierwsza część przytoczonego tekstu, że Marks w ogóle nie dostrzegał postępu technicznego i wzrostu wydajności pracy, jak i część druga, z której wynika, że wszyscy ekonomiści z tamtych czasów dostrzegali jedynie wzrost wydajności wynikający ze wzrostu uzbrojenia pracy. Otóż dostrzegali nie tylko ekonomiści tej miary, jak Ricardo, Sismondi i Marks, ale także angielscy burzyciele maszyn. Im co prawda można by zarzucać, że dostrzegali, a ściślej – odczuwali na własnej skórze ten postęp, który przynoszą wyłącznie maszyny, lecz pozostali pisali o dwóch źródłach: o wzroście wydajności z dodatkowego uzbrojenia pracy i ze wzrostu wiedzy pracowników. U Marksa znajduje to wyraz w koncepcji sił wytwórczych, które już w samej definicji opisuje się jako zjawisko zawierające narzędzia pracy i umiejętności posługiwania się nimi. One według Marksa są demiurgiem dziejów. Tworzą kolejne etapy ludzkiej cywilizacji i wymuszają zmianę ustrojów społecznych, a postęp techniczny jest główną sprężyną tych zmian. Już ten fakt każe się zastanowić, czy Marks mógł pominąć postęp techniczny. Później pojawią się dalsze dowody przemawiające za tym, że nie pominął. Na wczesnym etapie swej działalności (Manifest komunistyczny, 1848). Marks rzeczywiście pisał o ciągłym rewolucjonizowaniu narzędzi produkcji4 i gdyby na tym poprzestać, można by upowszechniać pogląd, że wzrost wydajności pracy w teorii Marksa wynika wyłącznie ze wzrostu uzbrojenia pracy. Jest to jednak zaledwie krótka zapowiedź. Pełne rozwinięcie tej problematyki nastąpiło w póź4 „Burżuazja nie może istnieć bez nieustannego rewolucjonizowania narzędzi produkcji.(…) W ciągu swego stuletniego zaledwie panowania klasowego burżuazja stworzyła siły wytwórcze bardziej masowe i kolosalne niż wszystkie poprzednie pokolenia razem” (Marks, Engels, 1949, tom I, s. 29 i 30).

PIKETTY I MARKS O LOSACH KAPITALIZMU

315

niejszych dwóch etapach. Pierwszy etap rozpoczął się wraz z opublikowaniem pierwszego tomu Kapitału (1867), w którym Marks prezentuje swoją koncepcję wartości dodatkowej. Jest ona ogólną formą zysku i źródłem akumulacji. O nią właśnie kapitaliści toczą zaciętą walkę ze światem pracy i o nią rywalizują między sobą. Jedna z nich – wartość dodatkowa względna – powstaje głównie w wyniku inwestowania w maszyny i urządzenia, a druga – bezwzględna rośnie na skutek wielorakich działań bezinwestycyjnych. Marks w pierwszym tomie Kapitału opisuje wytwarzanie każdej z nich odrębnie i wytwarzanie obydwu razem (Marks, 1951, s. 188–575). W trzecim tomie Kapitału Marksa, otwierającym drugi etap dyskusji nad omawianą sprawą, znalazły się trzy rozległe problemy: – przemiana wartości dodatkowej w zysk oraz przemiana stopy wartości dodatkowej w stopę zysku, – przemiana zysku w zysk przeciętny, – prawo zniżkowej tendencji stopy zysku (Marks, 1957, s. 25–286) Zauważmy, że punkt trzeci, stanowiący kwintesencję rozważań, Marks sformułował oględnie. Napisał bowiem o zniżkowej tendencji stopy zysku, a nie o spadku stopy zysku (Marks, 1957, s. 248). Czy można zatem przyjąć, że Piketty zbyt ostro ocenił apokaliptyczne przewidywania Marksa? Nie sądzę. Podobne pytania padają od dłuższego czasu, ale w tej materii Marks był bezwzględny. Upadek kapitalizmu traktował jako żelazne prawo rozwoju społecznego i wyprowadzał je ze spadku przeciętnej stopy zysku. Zmiękczające słowo tendencje wprowadzał często, gdy pisał o przeciwstawnych siłach kształtujących bieg wydarzeń. Ostra konkurencja między producentami zmusza każdego z nich do produkowania więcej i taniej. Aby to osiągnąć trzeba akumulować i inwestować. W wyniku tego zasoby kapitału rosną, zwiększa się uzbrojenie pracy i rośnie jej wydajność, a ceny wyrobów gotowych spadają. Masa zysku, jak podkreślał Marks, z reguły rośnie wraz ze wzrostem produkcji, ale stopa zysku spada, ponieważ przyrost zainwestowanego kapitału bywa na ogół szybszy niż przyrost masy zysku. Uciekając się do pomocy arytmetyki można stwierdzić, że stopa zysku spada, ponieważ przyrost masy zysku występujący w liczniku nie nadąża za przyrostem masy kapitału występującej w mianowniku. W Marksowskiej koncepcji zysku taką zależność łatwiej wykazać niż w innych koncepcjach, ponieważ Marks twierdził, że źródłem wartości dodatkowej, a zatem i zysku, jest tylko kapitał zmienny v, przeznaczony na zapłatę za pracę robotników5. Jeśli więc przyjmiemy, że v wynoszące 200 jednostek kreuje całą nowo wytworzoną wartość wynoszącą 400 jedno200 = 50%. Gdy jednak zaczynamy stek, to stopa wartości dodatkowej wyniesie 400 5 Marks pisze, że kapitalista nie kupuje pracy, lecz siłę roboczą, czyli zdolność do pracy, która pracą staje się dopiero w procesie produkcji. Jej specyficzny walor polega na tym, że może wytworzyć więcej niż sama jest warta, a ściślej niż zapłacono za nią na rynku zgodnie z zasadami popytu i podaży. Tworzy zatem wartość dodatkową nawet przy poszanowaniu ekwiwalentności, ponieważ jej cena rynkowa kształtuje się na podstawie kosztów utrzymania pracownika, a nie na podstawie jego zdolności do tworzenia wartości.

316

Zbigniew Madej

mówić o stopie zysku, to tę samą wartość dodatkową, wynoszącą 200 jednostek musimy odnieść do całego kapitału składającego się z c+v. Przyjmując, że c (kapitał stały) jest dwukrotnie większe od v, otrzymujemy następującą stopę 200 zysku = 33, 3%. Inwestowanie w kapitał stały zwiększa siłę produkcyjną pracy 600 i zmniejsza (przy innych niezmiennych) zapotrzebowanie na siłę roboczą. W wyniku tego zmniejsza się v, a tym samym zmniejsza się także masa m, ponieważ jej źródło wysycha. Oznacza to, że imperatyw akumulacji i inwestowania w kapitał stały oddziałuje w podwójny sposób na zmniejszenie stopy zysku. Powiększa bowiem wielkość mianownika, a jednocześnie zmniejsza wielkość licznika. To, co powiedziano dotychczas, dotyczy czynników obniżających stopę zysku. Główną rolę w tym procesie gra nieustanny przyrost kapitału stałego. Jest to zatem ten czynnik, który w pierwszym tomie Kapitału Marks wiązał ze względną wartością dodatkową powstającą ze wzrostu uzbrojenia pracy. Przejdźmy teraz do czynników hamujących spadek stopy zysku. Wchodzą w rachubę wszelkie sposoby pomnażania zysku bez dodatkowych nakładów na uzbrojenie pracy. Marks pisał o wielu z nich, ale główny akcent kładł na wydłużenie dnia roboczego6. W tej grupie znajduje się również skracanie przerw w pracy, przyspieszanie biegu maszyn oraz zatrudnianie kobiet i dzieci za groszowe wynagrodzenie. Ponadto Marks analizował i takie czynniki, jak: lepsza organizacja produkcji, korzystniejsze rynki zaopatrzenia i zbytu, tańsze źródła kredytów itp. Były to zatem takie działania, które dziś nazwalibyśmy innowacjami miękkimi. Marks traktował je jako bezinwestycyjne źródła zysku i wydajności pracy i wiązał z wartością dodatkową bezwzględną. Krótko rzecz ujmując, możemy stwierdzić, że metody maksymalizacji wartości dodatkowej względnej obniżają stopę zysku, zaś metody maksymalizacji wartości dodatkowej bezwzględnej podwyższają tę stopę lub hamują jej spadek. Nie znam wyliczeń odpowiadających na pytanie, który zespół metod był silniejszy i która wartość dodatkowa miała większy wpływ na ogólną stopę zysku. Pewne jest jednak, że marksowski etap industrializacji gościł obydwie i że wartość dodatkowa bezwzględna, a zwłaszcza ta jej część, która płynęła bezpośrednio z wyzysku świata pracy, miała takie żniwa jak nigdy później.

1.2. WSPÓŁCZESNE KONCEPCJE POSTĘPU TECHNICZNEGO Zastanówmy się teraz, co późniejsze lata wniosły do teorii postępu technicznego i wydajności pracy. Piketty twierdzi, że takie pojmowanie tej problematyki, jakie przypisywał Marksowi i wszystkim ekonomistom z XIX wieku, utrzymywało się w znacznej mierze aż do prac Solowa z lat 50. XX wieku (Piketty, 2015, s. 281). Przyjęcie dorobku Solowa jako ważnej cezury na omawianym szlaku jest w zasadzie słuszne. Ale oznacza ono, że przez ponad pół wieku ekonomia nie miała do 6 „Zniżkowa tendencja stopy zysku ulega osłabieniu zwłaszcza wskutek wzrostu absolutnej wartości dodatkowej, która powstaje w wyniku przedłużenia dnia roboczego” (Marks, 1957 s. 250).

PIKETTY I MARKS O LOSACH KAPITALIZMU

317

powiedzenia nic nowego na temat postępu technicznego, mimo że na przełomie XIX i XX w. narodziła się druga rewolucja przemysłowa. W ekonomii dominowało wówczas statyczne podejście do spraw gospodarczych. Nie sprzyjało ono, z oczywistych względów, badaniom wymagających śledzenia zmian w świecie realnym. Jako symbole przechodzenia do etapu dynamicznego traktuje się z reguły dorobek J. Schumpetera i J.M. Keynesa, ale nie był to proces szybki. Nadal dominował pogląd, że ekonomia jest wiedzą o wyborach gospodarczych w ramach danych technik wytwarzania. Traktowano je zatem jako coś danego z zewnątrz, z czym trzeba się liczyć, podobnie jak z preferencjami konsumentów i zjawiskami demograficznymi, ale ich genezę pozostawiano poza polem zainteresowań ekonomii. Przypisuje się takie podejście przedstawicielom szkoły neoklasycznej, ale wielu ekonomistów spoza tej szkoły postępowało podobnie7. W takiej atmosferze intelektualnej rodziło się nowe podejście do postępu technicznego i wydajności pracy. Rodziło się łącznie z powstającą teorią wzrostu gospodarczego, która wywodziła się ze znanych wcześniej teorii rozwoju i która nadal pozostaje częścią składową tego nurtu. Dla przypomnienia dodajmy, że działo się to w połowie XX wieku i obejmowało kilka nurtów: keynesowski, neoklasyczny i szwedzki. Reprezentowali je uczeni tej miary jak: Harrod i Domar, Solow i Swan oraz Lundberg. Warto odnotować ten fakt z satysfakcją, gdyż symbolizuje jedno z tych wydarzeń w dziejach myśli ekonomicznej, które moderują rozbicie na liczne szkoły i frakcje. Na wyróżnienie zasługują trzy znamiona ówczesnych dociekań. Po pierwsze zidentyfikowano, zdefiniowano i uporządkowano główne typy postępu technicznego. Poważne osiągnięcia na tym polu miała Joan Robinson. Ona właśnie (dzięki Harrodowi, jak sama podkreśla) wprowadziła do obiegu intelektualnego takie konstrukcje myślowe, jak: neutralny, kapitałochłonny i kapitałooszczędny postęp techniczny (Robinson, 1958)8. Po drugie, sprecyzowano i wyrażono w formie równań matematycznych źródła postępu technicznego ucieleśnionego w materialnych czynnikach produkcji i w kapitale ludzkim. Punktem wyjścia do tych badań była znana neoklasyczna funkcja produkcji: Y = F(K, L). Stopą postępu technicznego nazwano wówczas różnicę między stopą wzrostu produkcji a ważoną sumą stóp wzrostu podstawowych czynników produkcji z uwzględnieniem udziału każdego z nich9. 7 Nawet Schumpeter, zdecydowany zwolennik dynamicznego podejścia, nie łączył tworzenia postępu technicznego z jego wykorzystywaniem. Wśród pięciu przypadków „nowych kombinacji” nie ma kreowania postępu technicznego (wynalazków i odkryć). „Przeprowadzanie nowych kombinacji oznacza zatem tylko inny sposób wykorzystania istniejącego w gospodarce narodowej zasobu środków produkcji…” (Schumpeter, 1960, s. 107). 8 Jako ciekawostkę warto podać, że Joan Robinson po raz pierwszy koncepcję neutralnego postępu technicznego sformułowała w 1938 r., czyli około dwudziestu lat wcześniej niż pełną koncepcję typów postępu technicznego, i tyleż lat wcześniej niż pojawiły się pierwsze modele wzrostu gospodarczego. 9 Wydobycia wymaga nieco ukryta myśl, że wpływ postępu technicznego na końcowe efekty procesów produkcyjnych traktuje się jako element definiowalny i policzalny, ale nie ustawia się go obok podstawowych czynników produkcji jako odrębnego fizycznie istniejącego czynnika. Występuje on jako ucieleśniony w nich dodatkowy element wzmacniający ich siłę produkcyjną.

318

Zbigniew Madej

Po trzecie, ponad trzy dekady od publikacji Solowa (1957) powstał kolejny nurt wiedzy o postępie technicznym i wzroście gospodarczym. Główna cecha tego nurtu, odróżniająca go od poprzedniego nurtu egzogenicznego, polega na twierdzeniu, że wiedza na temat postępu technicznego i wzrostu gospodarczego powstaje wewnątrz sektora gospodarczego. Z tego powodu właśnie nazwano go nurtem endogenicznym (Romer, 1990). Gwoli ścisłości dodajmy, że inkorporacja kreacji postępu technicznego przez sektor gospodarczy nie wyczerpuje istoty endogenizacji. Badania prowadzące do postępu rozwija się przecież wewnątrz sektora gospodarczego i poza nim (szkolnictwo wyższe, autonomiczne ośrodki badawcze). Z tego powodu przyjęto szerszą formułę wskazującą, że chodzi o celowe inwestowanie podmiotów gospodarczych w tworzenie postępu technicznego niezależnie od tego, gdzie odbywają się same badania. Po czwarte, odnotujmy, że endogeniczna koncepcja postępu technicznego doprowadziła w krótkim czasie do nowego etapu kognitywizacji gospodarki, który nazwano gospodarką opartą na wiedzy. Sama nazwa nie jest zbyt trafna, gdyż wszystkie etapy rozwoju gospodarczego, które zna historia, oparte były na wiedzy – takiej lub innej, ale intencje są zrozumiałe. Z czasem uściślono to, co należy pojmować jako współczesną gospodarkę opartą na wiedzy. Ma ją wyróżniać szybszy wzrost nakładów inwestycyjnych na B+R i edukację niż wzrost nakładów na środki trwałe, albo „przekraczanie progu reprezentowanego przez odpowiednio wysoki np. 50–60 procentowy udział łącznej produktywności czynników produkcji (TFP) w przyroście PKB” (Welfe, 2007, s. 9). Na tle tego, co napisano w punkcie 1 artykułu, kilka sentencji ogólniejszych. Pierwsza sentencja: Piketty pominął całą współczesną fazę dyskusji rozpoczętą przez Solowa, przeto trudno stwierdzić, jaki typ postępu miałby uchronić kapitalizm przed apokaliptycznym finałem Marksa. Można snuć domysły, że chodzi mu o kapitałooszczędny postęp techniczny, ale pewności nie ma. Otóż taki typ postępu występował w sferze realnej również za czasów Marksa, choć w sferze idei nazwy jeszcze nie stosowano. Był on źródłem wartości dodatkowej bezwzględnej i kapitaliści korzystali z niego, co jest oczywiste, jeśli nie musieli inwestować w kapitał stały. Jest kwestią otwartą, czy w obecnych czasach, przy znacznie silniejszej ochronie pracy niż w XIX wieku, inne źródła bezinwestycyjne zaspokoją akumulacyjne dążenia kapitału. Serwicyzacja gospodarki może przyjść z pomocą, ale dowodów nie ma. Pojawia się zatem kolejny problem wymagający dodatkowych badań. Możliwe, że potwierdzą one sugestie Pikettego na temat zbawczej roli postępu technicznego, ale na razie sprawa jest otwarta. Wiadomo oczywiście, że kapitalizm nie upadł. Nie wiadomo jednak, czy postęp techniczny był ostatnią deską ratunku, czy jedną z wielu i czy wśród nich zajmował poczesne miejsce. Druga sentencja: Marks nie znał pojęcia egzogenicznego i endogenicznego postępu technicznego, podobnie jak wszyscy ekonomiści z XIX wieku i z pierwszej połowy XX wieku. Można jednak stwierdzić, że nie szukał genezy postępu technicznego poza gospodarczą sferą ludzkiej aktywności. Nie był zatem egzogenistą we współczesnym sensie. Ale nie był także endogenistą. I nie dlatego, że samego pojęcia nie stosowano wtedy w rozważaniach o postępie technicznym,

PIKETTY I MARKS O LOSACH KAPITALIZMU

319

lecz dlatego, że nie istniały jeszcze desygnaty dla takiego pojęcia. Sfera realna była bowiem całkiem inna niż dzisiaj. Pierwszą rewolucję przemysłową, której dojrzałe wyniki opisywał Marks, przygotowali rzemieślnicy, a nie inżynierowie i naukowcy zatrudnieni w badawczym zapleczu firm. Oni tworzyli innowacje bezpośrednio w procesach produkcyjnych i oni wprowadzali je w życie. Czas działał jednak na rzecz nauki. Wielkie koncerny amerykańskie (Du Pont, General Motors, General Electric) już w latach 20. i 30. XX wieku posiadały silne ośrodki badawcze prowadzące badania stosowane, a nawet badania podstawowe. Trzecia sentencja. Ekonomia ówczesna nie wyciągała wniosków z tych faktów. Bardziej wymowne jest jednak, że nie zauważyła w porę rewolucji naukowo-technicznej z przełomu lat 50. i 60. XX wieku, choć obwieszczały ją takie spektakularne wydarzenia jak loty okołoziemskie i lądowanie na księżycu. W tym czasie dominował właśnie egzogeniczny pogląd na postęp techniczny. Dopiero trzy dekady później na przełomie lat 80. i 90. ubiegłego wieku dostrzeżono ten nowy i doniosły fakt, że naukowcy przygotowują postęp techniczny bezpośrednio w ośrodkach przyzakładowych bądź na zewnątrz, ale na zamówienie sfery gospodarczej. Czwarta sentencja. Cała współczesna dyskusja o postępie technicznym „wyzwoliła się” ze społecznej otoczki, która obejmowała pierwszą fazę należącą do Ricarda, Sismondiego i Marksa. W ich ocenie postęp techniczny miał dwa oblicza – pogodne dla bogaczy i ponure dla klasy robotniczej. Marks dostrzegał obydwa i wysoko cenił dynamizm rozwojowy postępu technicznego. Jednocześnie z tym dostrzegał i krytykował ujemne strony postępu technicznego. Był ten postęp przecież głównym narzędziem wyciskania wartości dodatkowej względnej oraz sprawcą bezrobocia i kreatorem rezerwowej armii pracy, która ujemnie wpływała na wysokość płac i wymuszała spolegliwość pracującej części klasy robotniczej. Obecnie silny akcent zdobywa pytanie, jak identyfikować poszczególne typy postępu technicznego i jak mierzyć jego wpływ na gospodarcze efekty ludzkiej aktywności.

2. Z CZEGO STARTUJE WIEK XXI 2.1. DŁUGA RETROSPEKCJA Przechodzimy do ostatniego etapu naszego marszu od spraw rachunkowych do spraw ustrojowych. Wkraczamy w świat wielkich struktur społecznych, takich jak: kapitalizm, socjalizm, feudalizm. Przedmiotem dociekań będą oczywiście losy kapitalizmu, ale do losów innych formacji także trzeba będzie sięgnąć. Marks rozpatrywał kwestie ustrojowe w wielu wariantach. Na użytek tego opracowania przydatne będą dwa. Pierwszy można by nazwać retrospektywnym wariantem milenijnym, opisującym zmiany ustrojowe w całej historii rodu ludzkiego od wspólnoty pierwotnej przez niewolnictwo, feudalizm i kapitalizm aż do komunizmu. Drugi wariant nazwiemy wariantem prospektywnym typu sekularnego. Opisuje on przesłanki i sposoby przekształcania kapitalizmu. Wspólnym elementem obu wariantów jest zasada zgodności stosunków produkcji z siłami wytwórczymi.

320

Zbigniew Madej

Rolę przewodnią w tym układzie spełniają siły wytwórcze. Jeśli stosunki produkcji, czyli formy własności, zasady funkcjonowania życia społecznego i system wartości jakiegoś etapu w cywilizacyjnym rozwoju świata nie nadążają za rozwojem sił wytwórczych, następuje załamanie dotychczasowej formacji i budowa nowej. Spośród całej plejady naszych aktorów występujących na scenie ustrojowej jedynie Pikettego można włączyć do wariantu milenijnego. Inni pojawią się później – w wariancie sekularnym. Akces Pikettego, najkrócej rzecz ujmując, polega na tym, że werbalny tekst Marksa i tysięcy innych badaczy przeszłości przedstawił w liczbach. Na uwagę zasługują trzy wskaźniki startujące od zerowego punktu w czasach starożytnych do 2010 roku: – stopa wzrostu ludności świata, – stopa wzrostu produkcji światowej, – stopa zwrotu z kapitału. Wymienione wskaźniki można traktować jako miary zmian cywilizacyjnych przebiegających przez różne ustroje. W ciągu tysięcy lat obejmujących wspólnotę pierwotną, niewolnictwo i feudalizm (u Pikettego lata 0–1700), kiedy dominowało zbieractwo, pasterstwo i rolnictwo, wszystkie wskaźniki pełzały w wąskiej przestrzeni między: 0–0,4% (przyrost ludności), albo 0–0,1% (przyrost produkcji światowej na mieszkańca). Jedynie stopa zwrotu z kapitału przed opodatkowaniem szybowała na wyżynach 4–5%. „Krótko mówiąc w ciągu zasadniczej części historii ludzkości stopa zwrotu z kapitału zawsze była co najmniej dziesięć albo dwadzieścia razy większa od stopy wzrostu produkcji i dochodu”. (Piketty, 2015, s. 434). Wiadomość szokująca! Można ją zamieścić wśród licznych walorów heurystycznych cytowanej książki. Zatrzymajmy się na niej – budzi wiele pytań. Podejmuję jedno: czy można pisać o stopie zwrotu z kapitału we wspólnocie rodowej bądź feudalizmie? Inaczej mówiąc, czy istniał kapitał przed kapitalizmem? Piketty definiuje kapitał jako zasób dóbr materialnych oraz zasoby finansowe, patenty itp.10. Nie jest to definicja przejrzysta, ale pokazuje, o co autorowi chodzi. W porównaniu z poglądami Marksa brakuje w niej społeczno-politycznego wymiaru kapitału i jasnego rozróżnienia między zasobami typu konsumpcyjnego, zapewniającego mniejszy lub większy komfort życia, a zasobami przeznaczonymi do robienia pieniędzy. Nie ma potrzeby wchodzenia w inne różnice. Ważne są również punkty styczne. Otóż Marks także dostrzegał różne formy kapitału rzeczowego i finansowego. Nie afirmował oczywiście kapitału ludzkiego, ale z innych względów niż Piketty11. Zdecydowanie opowiedział się za kapitałem w przedka10 „W ramach tej książki kapitał jest określony jako całość aktywów »pozaludzkich«, które mogą być posiadane i wymieniane na rynku. Kapitał obejmuje w szczególności całość kapitału nieruchomości (budynki, domy) używane do mieszkania oraz kapitału finansowego i organizacyjnego (budynki, wyposażenie, maszyny, patenty itp.) wykorzystywanego przez przedsiębiorstwa i administrację” (Piketty, 2014, s. 63). 11 Marks nie dopuszczał myśli, aby wytwórcze zdolności ludzkie nazywać kapitałem. Byłoby to uwłaczające dla ludzi pracy i rodu ludzkiego. Kapitałem były środki pieniężne (v) na zakup siły roboczej, ale nie sama siła robocza. Piketty dopuszcza myśl o kapitale ludzkim, ale tylko w układach niewolniczych, takich m.in. jak niegdysiejsze niewolnictwo w południowych stanach Ameryki Północnej.

PIKETTY I MARKS O LOSACH KAPITALIZMU

321

pitalistycznych formacjach. Pojmował inaczej niż Piketty jego strukturę, ale istotę i funkcje określał podobnie. Wyróżniał kapitał handlowy i lichwiarski. Im przypisywał zarabianie pieniędzy za pomocą pieniędzy. Arystoteles traktował takie postępowanie jako niezgodne z przeznaczeniem pieniądza (Arystoteles, 1964, s. 27). Marks – przeciwnie, kapitałowi handlowemu i lichwiarskiemu przypisywał także torowanie drogi do nowej formacji. Czy oznacza to, że w czasach antycznych i w feudalizmie były one bezdomnymi rezydentami? W pewnym sensie tak, nazywał je przecież kapitałem, a kapitalizmu jeszcze nie było, ale ich kapitałowej istoty nie podważał. „Kapitał nie wynalazł pracy dodatkowej. Wszędzie, gdziekolwiek środki produkcji są monopolem części społeczeństwa, robotnik wolny czy niewolny, musi do czasu pracy, który byłby niezbędny do utrzymania go przy życiu, dołączyć pewną ilość dodatkowego czasu pracy, ażeby wytworzyć środki spożycia dla właścicieli środków produkcji, wszystko jedno czy będzie nim ateński… arystokrata, teokrata etruski, civis romanus… czy kapitalista” (Marks, 1951, s. 248–249). Dalej Marks dodaje, że w formacjach niekapitalistycznych, gdzie wartość użytkowa, a nie wymienna ma przeważające znaczenie, ilość pracy dodatkowej jest ograniczona przez węższy lub szerszy zakres potrzeb, ale tam, gdzie panuje wartość wymienna, akumulacja i wyzysk nie znają granic. Z powyższego wynika, że nie ma rozbieżności między Pikettym a Marksem co do kapitalistycznego charakteru dochodów warstw posiadających środki produkcji. Liczby Pikettego nie potwierdzają jednak, że stopa zwrotu z kapitału była niższa w formacjach przedkapitalistycznych niż w kapitalizmie, a taka sugestia mogłaby wynikać z opinii Marksa, że w gospodarkach z dominacją wartości użytkowej nie gromadzi się bezkresnych zapasów. Można szukać wytłumaczenia tej rozbieżności w tym, że Marks pisał w przytoczonym cytacie o typowo bezrynkowym charakterze gospodarek przedkapitalistycznych. Nieco później dodaje, że „…w starożytności praca nadmierna przybiera formy potworne tam, gdzie chodzi o uzyskanie wartości wymiennej w jej samodzielnej postaci pieniężnej, w produkcji złota i srebra. Przymusowe zapracowywanie się na śmierć jest tu oficjalną formą pracy nadmiernej” (Marks, 1951, s. 249). W zakończeniu tego podrozdziału dwa wnioski zamykające. Po pierwsze, liczby Pikettego potwierdzają przytoczoną w punkcie 1 artykułu opinię Marksa z 1848 r., że burżuazja w okresie swojego krótkiego panowania (wówczas stuletniego) stworzyła potężniejsze siły wytwórcze niż wszystkie ustroje wcześniejsze razem. Po drugie, dociekania Pikettego pokrywają się z opinią Marksa, że udział świata pracy w bogactwie narodów jest niski. Dotyczy to zarówno okresu przedkapitalistycznego, jak i kapitalizmu. Stopa zwrotu z kapitału utrzymywała się na poziomie 4–5% rocznie i do XVIII wieku bywała dziesięć lub dwadzieścia razy większa od stopy wzrostu produkcji i dochodu. W latach późniejszych przewaga stopy zwrotu zmniejszyła się znacznie, ponieważ tempo wzrostu gospodarczego zwiększyło się z dawnych wielkości ułamkowych do trzech a nawet czterech procent rocznie, a w wieku XX nacisk klasy robotniczej na bardziej sprawiedliwy podział był bardzo silny.

322

Zbigniew Madej

2.2. SEKULARNE PROJEKCJE PRZYSZŁOŚCIOWE Ustrojowe projekcje buduje się dzisiaj w innych warunkach niż za czasów Marksa, ale jedna istotna okoliczność pozostała niemal taka sama. W XIX wieku kapitalizm był jedynym prężnym ustrojem czasów nowożytnych. Dziś także występuje niemal solo. Upadł bowiem ten ustrój, który miał być zwycięzcą, a pozostał ten, który miał upaść. Losy kapitalizmu jako monopolisty ustrojowego będą myślą przewodnią tego podpunktu. Wśród dyskutujących o tych losach wyróżnić można trzy grupy. Pierwsza grupa obejmuje zwolenników zwycięskiego kapitalizmu. W drugiej grupie znajdują się aktywni sceptycy krytycznie nastawieni do projekcji przyszłościowych. Trzecia grupa gromadzi ludzi szukających pozakapitalistycznej przyszłości. Zajmiemy się tylko grupą pierwszą. W grupie tej można wyróżnić dwie podgrupy. Do pierwszej należą triumfatorzy – zwolennicy poglądów Margaret Thatcher: kapitalizm nie ma alternatywy oraz stronnicy niegdysiejszego poglądu Francisa Fukuyamy wyrażonej w eseju o końcu historii, do drugiej – ogromna rzesza ludzi roztropnych dostrzegających zalety i wady kapitalizmu. Nie sposób pokazać liczne odcienie przedstawicieli tej podgrupy. Będą ją reprezentowali dotychczasowi bohaterowie naszych rozważań: Piketty, Solow oraz liczny zespół nowych postaci: L. Kołakowski, J. Stiglitz, A. Kaletsky, L. Thurow, E. Luttwak i inni. Nie zamierzam streszczać ich poglądów. Chodzi w gruncie rzeczy o jeden problem. O poważną asymetrię między głęboką na ogół i wszechstronną diagnozą, prezentowaną przez licznych autorów, a skromną terapią. Piketty pisze, że rosnący udział dochodów z kapitału w dochodzie narodowym rozpoczęty w latach 70. XX wieku może się utrzymać w wieku XXI. Nie ma więc obaw, że wygaśnie źródło akumulacji. Z tej strony nic kapitalizmowi nie grozi. Pozostaje jednak druga strona: dochody świata pracy. Przy rosnących dochodach z kapitału i spadającym tempie wzrostu gospodarczego, dochody świata pracy muszą spadać. Piketty dostrzega tę groźbę i proponuje środki zaradcze. Główną rolę mają grać: progresywny podatek dochodowy oraz globalny podatek od kapitału (Piketty, 2015, s. 612–679). Powstają wątpliwości, czy środki te będą skuteczne. Karl Popper ponad pół wieku temu pisał, że nie ma zastrzeżeń do Marksowskiej teorii wzrostu wydajności pracy (przypomnijmy, że Piketty ją odrzuca), ale nie akceptował tezy Marksa o centralizacji kapitału w coraz mniejszej liczbie rąk, ponieważ ustawodawca może, jego zdaniem, posłużyć się podatkami. Podobną rolę, choć z mniejszą nadzieją, przypisywał ustawodawstwu antytrustowemu (Popper, 1987, t. 2, s. 127). Dzisiejsza statystyka dotycząca jednego procenta najbogatszych i 99% pozostałych przekreśla całkowicie nadzieje Poppera. Trudno przewidzieć, jaki los spotka podatkowe propozycje Pikettego, ale już dziś można stwierdzić, że są po prostu skromne. Uderza poważna różnica między obszerną i dobrze udokumentowaną diagnozą, a powściągliwie formułowaną terapią. W możliwość zastosowania globalnego podatku od kapitału wątpi sam projektodawca i nazywa tę propozycję pożyteczną utopią (Piketty, 2015, s. 644). Zgłoszone zastrzeżenia staną się czytelniejsze i nabiorą siły, gdy przytoczymy pogląd Pikettego, że „historia podziału bogactw jest zawsze historią głęboko

PIKETTY I MARKS O LOSACH KAPITALIZMU

323

polityczną i nie może być sprowadzona do mechanizmów czysto ekonomicznych. (…) Historia nierówności zależy od wyobrażenia aktorów gospodarczych, politycznych i społecznych na temat tego, co jest sprawiedliwe, a co nie jest, od stosunku sił między tymi aktorami i wreszcie od zbiorowych decyzji, które z tego wynikają; jest tym, czym uczynią ją wszyscy zainteresowani aktorzy (Piketty, 2015, s. 35). Powstaje więc pytanie, gdzie są te siły, które przeciwstawią się prowadzonej od lat 70. XX wieku ponownej ekspansji kapitału. Kto wystąpi w obronie ludzi pracy? W XX wieku siły takie istniały. Piketty pisze, że ówczesna sytuacja polityczna: dwie wojny światowe, wielki kryzys z lat 30. i inne zawirowania społeczne skłoniły władze państwowe do podwyższenia podatków i zwrócenia się w stronę świata pracy. Stosunek stopy zwrotu z kapitału po opodatkowaniu i odliczeniu strat wynoszący przez tysiące lat 4,5–5% spadł w latach 1913–1950 do 1%. Jednocześnie z tym wystąpiła poprawa warunków życiowych ludzi pracy (Piketty, 2015, s. 436 i nast.). Oznacza to, że taka poważna zmiana sytuacji była możliwa, ale jednocześnie z tym powstaje pytanie dlaczego tak późno? Przecież walka proletariatu o uregulowanie czasu pracy i podwyżki płac toczyła się od ponad pół wieku. Manifest komunistyczny z 1848 r. odbił się szerokim echem nie tylko w całej Europie, ale i na świecie. Od roku 1864 działało Międzynarodowe Stowarzyszenie Robotników koordynujące postępowanie lewicowych partii i organizacji politycznych. Na przełomie wieków XIX i XX partie lewicowe w wielu krajach europejskich miały setki tysięcy członków i sympatyków. Miały także swoich przedstawicieli w parlamentach. Proletariat był zatem bardzo aktywny. O lepsze warunki egzystencji walczył w fabrykach, na ulicach i w państwowych władzach ustawodawczych. Polityczna platforma, która według Pikettego decyduje o podziale bogactwa, była zatem w krajach Europy Zachodniej intensywnie wykorzystywana, a jednak rezultaty dawała skromne. Uważam, że należy brać pod uwagę dwie okoliczności, szukając rozszyfrowania tej kwestii. Po pierwsze, dopiero w drugiej dekadzie XX wieku rozpoczął się, po wielodekadowej stagnacji, długi trend wzrostu gospodarczego trwający do lat 50. Okazuje się zatem, że przesłanki ekonomiczne mają także znaczenie w sprawie podziału bogactwa narodów. Od drugiej dekady po prostu więcej otrzymywano do podziału niż wcześniej. Po drugie ówczesna sytuacja polityczna wpłynęła także na podział bogactwa, ale w sposób bardziej skomplikowany niż przedstawił Piketty. Marksiści przez długi czas byli zgodni co do tego, że kapitalizm musi być rozbity przez rewolucję (Kołakowski, 1988, s. 436–499). Warunki zewnętrzne, jak wojny, zamieszki w krajach ościennych itp., traktowali jako wydarzenia sprzyjające. Nadciągająca wojna z 1914 r. wydawała się wielu działaczom, zwłaszcza radykalnym, świetną okazją. Jednak nie wszystkim. Bernstein już od początku XX wieku głosił tezę, że stopniowe reformy poprawiające warunki bytu ludzi pracy są konieczne tu i teraz. Cel finalny – socjalizm – można osiągnąć również w sposób pokojowy. Dla ortodoksji marksistowskiej to teza wstrząsająca, ale w wielu krajach zachodnich ludzie pracy i ich organizacje oczekiwały szybkiej poprawy poziomu życia. Ortodoksi wierzyli, że zbliżająca się wojna będzie sprzyjać ich poglądom, bo cel się przybliża, a nastroje społeczne,

324

Zbigniew Madej

jak bywa w takich warunkach, muszą się radykalizować. Nie uniknęli jednak pułapki tkwiącej w marksistowskiej kwestii narodowej. Dla proletariuszy internacjonalizm miał być najwyższą wartością, ale wielu z nich pozostawało przy swoim patriotyzmie lokalnym. W samej doktrynie istniała zresztą sprzeczność, gdyż marksizm głosił, że wszelkie zniewolenie łącznie z narodowym trzeba wyrugować. Z tej pozycji Marks wypowiadał się za wolnościowymi dążeniami Polaków skierowanymi przeciw trzem zaborcom. Istniał zatem podobny problem jak w dzisiejszej Unii Europejskiej: patriotyzm krajowy licznych grup społecznych kłóci się z oczekiwanym od nich patriotyzmem ogólnoeuropejskim. Wybuch wojny rozstrzygnął problem na niekorzyść ortodoksyjnych marksistów. Ludzie pracy poszli walczyć za swoje ojczyzny, a przedstawiciele lewicowych partii głosowali w parlamentach za wzrostem wydatków wojennych. Doprowadziło to do definitywnego rozbicia marksizmu na leninowski komunizm i zachodnią socjaldemokrację. W wyniku rewolucji bolszewickiej powstał z czasem cały blok wschodni, który w latach 80. XX wieku obejmował już jedną trzecią świata. Kapitalizm musiał się liczyć z potężną opozycją zewnętrzną i silną proletariacką opozycją wewnętrzną reprezentowaną w sferze idei przez doktryny socjalistyczne, socjaldemokratyczne i komunistyczne. Taki bieg wydarzeń, jak przedstawiono wyżej, wywarł poważny wpływ na długotrwały podział bogactwa narodów korzystny dla ludzi pracy w latach 1913–1970 oraz na taki a nie inny kształt współczesnego kapitalizmu i nieistniejącego już socjalizmu wschodniego. Od ćwierćwiecza kapitalizm działa w nowych warunkach. Nie ma dawnej opozycji zewnętrznej ani silnej proletariackiej opozycji wewnętrznej. Obydwie zniknęły prawie bezszelestnie. Rozpadły się, ponieważ – pisząc w wielkim skrócie – skończył się ich odcinek w cywilizacyjnym rozwoju świata, nazywany dominacją przemysłu lub epoką industrialną. Wyrugowała je serwicyzacja. Wyścig zbrojeń i inne wydarzenia były zewnętrznymi przejawami słabnącego socjalizmu wschodniego zupełnie nieprzystosowanego do rewolucji serwicyzacyjnej, a zwłaszcza do jej finansowej części. Zwycięski kapitalizm jeszcze nie odnalazł się w nowej sytuacji i popełnia rażące błędy właściwe świeżo powstałym monopolistom. Leseferyzm neoliberalny z lat 1980–2008 nie pozwoliłby sobie na takie powszechnie znane i krytykowane wyczyny, jakie faktycznie miały miejsce, gdyby czuł za plecami groźne pomruki proletariatu. Ale tamtego proletariatu już nie ma, a prekariatu nikt się nie obawia. Przecież w jego obecności dochody z kapitału szybują do poziomu dziewiętnastowiecznego, a dochody świata pracy (łącznie z klasą średnią) pozostają w tyle. Kapitałowi pomagały rządy obniżające podatki i ratujące banki (za publiczne pieniądze), gdyż „są zbyt duże, aby upaść”. Personel kierowniczy dostaje z tych pieniędzy wysokie honoraria, gdyż prawo dopuszcza takie praktyki. Można by powiedzieć, że silny proletariat z XIX wieku, na który się powołuję, też nie był w stanie powstrzymać rażących działań kapitału. Racja, nie mógł. Przez długie lata panowała stagnacja gospodarcza, a kapitał utrzymywał wysoką stopę zwrotu. Jednak dziś już wiadomo, do czego doprowadził. Nadzieje, że historia się nie powtórzy, są niebezpieczne. Dawnego proletariatu już nie ma, ale ubogie Południe nie chce dłużej czekać. Zaskoczenie, bezrefleksyjność i bezrad-

PIKETTY I MARKS O LOSACH KAPITALIZMU

325

ność Północy wynikają, być może, z tego, że po upadku starej opozycji nie dostrzegano już sił zdolnych do wyrównywania nierówności. W publikacji pod redakcją Ignatio Palacios–Huerta, zatytułowanej Gospodarka za 100 lat. Najważniejsi ekonomiści przewidują przyszłość (2014), nikt nie zajął się monopolistyczną pozycją współczesnego kapitalizmu. Nie pisze o tym również George Friedman w swej książce Następne 100 lat. Prognoza na XXI wiek (2009). Wśród prac autorów Gospodarki za 100 lat znajduje się również esej Roberta Solowa, napisany z namysłem i jakby nieśmiało. Solow podejmuje kwestię stałych proporcji podziału dochodu narodowego, za którą Piketty ostro krytykuje jego i Harroda, podobnie jak Kuznetsa za krzywą dzwonową rozkładu dochodów. Solow, nie nawiązując do Pikettego, pisze co następuje: Zwykle sądzimy, że proporcja, według której dochód dzielony jest na pracę i kapitał, to jedna z największych stałych w ekonomii. Jednak od lat 60. XX wieku coś się zmieniło” (Solow, 2014, s. 223). Nie tłumaczy, co wywołało tę zmianę, ale patrząc w przyszłość wyraża pogląd zbliżony do Pikettego: „…możliwe jest, że czeka nas nieuchronna dalsza redukcja udziału dochodów przeznaczonych na pracę, a co za tym idzie – prawdopodobnie wzrost nierówności” (Solow, 2014, s. 224–225). Do środków zaradczych, formułowanych ostrożnie, Solow zalicza demokratyzację kapitału, rozbudowę funduszy powierniczych i angażowanie środków państwowych. Nie wyraża jednak nadziei, że będą one rychło wprowadzone i że wywołają odczuwalne skutki. Dosłowne brzmienie jego zaleceń tak oto wygląda: „…wraz z obniżeniem się dochodów z płac (względem całości) zwykli ludzie mogliby większą część swoich dochodów czerpać z kapitału. Mógłby on częściowo pochodzić z oszczędności tych ludzi (na przykład z kapitałowego systemu emerytalnego) oraz kapitału zebranego w ich imieniu przez państwo, być może w formie funduszy powierniczych. Łatwo zdać sobie jednak sprawę, że to raczej mrzonka. Rzeczywistość będzie znacznie bardziej przyziemna” (Solow, 2014, s. 225). Losy propozycji Solowa są rzeczywiście nieznane. Jednak tkwi w nich ciekawa myśl o dochodach z podwójnym rodowodem. W dzisiejszych czasach odgrywają one znacznie większą rolę niż w wieku XIX, a nawet w połowie XX wieku. Upowszechniły się także wysokie dochody menedżerów traktowane jako dochody z pracy, a faktycznie mają zabarwienie kapitałowe. Jeśli do tego dodać inne formy wzajemnego przenikania się sfery kapitału i pracy, to wyłoni się poważny problem sektora mieszanego zwiastującego, być może, postkapitalistyczne formy dochodów. Zobaczmy teraz, jaką terapię kapitalizmu przygotował Stiglitz. Jest – jak sam oznajmia – tradycyjnym keynesistą (Stiglitz, 2010, s. XVI). Z tej pozycji przeprowadził druzgoczącą krytykę neoliberalnego leseferyzmu dominującego w świecie od przełomu lat 70. i 80. XX wieku do kryzysu globalnego rozpoczętego w 2008 roku. Propozycje terapeutyczne Stiglitza zasługują na uwagę. Nie budzą wątpliwości, gdy rozpatrywać je z punktu widzenia doktryny keynesowskiej, ale powstaje pytanie, czy stary schemat ukształtowany po kryzysie z lat 30. XX wieku, polegający na przemiennej dominacji leseferyzmu i interwencjonizmu jest w stanie utrzymać ład światowy w nowej sytuacji niesionej przez XXI wiek. Przecież tuż

326

Zbigniew Madej

po wybuchu kryzysu globalnego w 2008 r. powrócono do systemu interwencjonistycznego, a mimo to sytuacja gospodarcza i polityczna w świecie nie wykazuje satysfakcjonującej poprawy. Rosnące nierówności są koronnym świadkiem, a polityka gospodarcza oparta na innych tradycjach niż przemienna dominacja leseferyzmu i interwencjonizmu przynosi dobre rezultaty. Wnioski płynące z tych faktów są proste: poważnie i bez uprzedzeń myśleć o sprawie. Piketty stwierdził, że „Konflikt kapitalizmu z komunizmem doprowadził raczej do wyjałowienia niż pobudzenia badań nad kapitałem i nierównościami, tak wśród historyków, ekonomistów, jak wśród filozofów. Najwyższa pora wyjść poza dawne sprawy” (Piketty, 2015, s. 279). Ocena – trafna, nadzieja – słuszna, lecz wygórowana. Tego typu konflikty bliskie są fideistycznym sporom, czyje przekonania religijne są prawdziwe i jedynie słuszne. Występowały, zanim pojawił się konflikt kapitalizmu z socjalizmem z lat 1917–1989 i zapewne potrwają jeszcze długo. Wiara jest potężną siłą tworzącą dobro i zło. W dziejach nauki odegrała podobną rolę jak w całych dziejach ludzkich. Karl Popper dowodził, że wierzenia, mity i utopie były źródłami nauki. Trzeba jednak ciągle pamiętać o tym, że nauka rządzi się własnymi prawami i stosuje własną aksjologię. Przekonania religijne oraz preferencje ideologiczne i polityczne są wśród naukowców czymś oczywistym. Wielu publicystów pytało Pikettego, czy jest marksistą lub traktowało go jako marksistę. Nie potwierdzał tego i dodawał, że bliżej mu do Keynesa. To ich uspokajało. Ciekawe jak zareagowaliby, gdyby powiedział, że nie jest afiliowany. Niewykluczone, że potraktowaliby go podobnie, jak wierzący traktują ateistę, a przecież jest ich wielu. Liczne są grupy ludzi bezpartyjnych, są centryści uplasowani między skrajnymi ugrupowaniami. W okresie zimnej wojny liczna grupa krajów zaliczała się do niezaangażowanych, są trzecie drogi między kapitalizmem a socjalizmem. Czy trzeba zatem być przypisanym do takiej lub innej szkoły ekonomicznej? W nauce pożądany jest obiektywizm, rzetelne studiowanie cudzego dorobku i unikanie prezentyzmu w ocenie przeszłości. Mamy duże kłopoty z przestrzeganiem tych prostych zasad. Większość naszych bohaterów źle znosi krytykę ich własnych systemów. Są złe i dobre systemy, to oczywiste, ale nasz jest dobry lub wprost najlepszy. Marks myślał podobnie. Pisał o upadku przedkapitalistycznych formacji, kapitalizm skazywał na śmierć, ale komunizm miał trwać wiecznie. On właśnie według Marksa zamykał historię. Fukuyama powtórzył bez oporów tę myśl i przypisał ją kapitalizmowi. Podobnie pisał Anatole Kaletsky (2010, s. 19), a wcześniej Lester Thurow, Edward Luttwak i setki innych uczonych. Warto pamiętać, że organizmy posiadające instynkt przetrwania i zdolności ewolucyjne także giną. Ustrojom społecznym grozi to również wówczas, gdy w ciągu całej dotychczasowej historii kształtował się względnie bezpieczny pas równowagi między tendencją do autodestrukcji i samonaprawy. Któreś z kolejnych przesileń może być krytyczne, choćby ze względu na efekt motyla. Pamiętajmy również, że takie wydarzenia jak obalenie Bastylii i atak na Pałac Zimowy są symbolami zmian ustrojowych ustalanymi post factum. Przy ewolucyjnych zmianach takie ustalenia bywają z reguły o wiele trudniejsze niż przy rewolucyjnych.

PIKETTY I MARKS O LOSACH KAPITALIZMU

327

ZAKOŃCZENIE We współczesnej dyskusji o losach kapitalizmu nie chodzi w istocie rzeczy o daty jego upadku, ani o nazwy przyszłych formacji. Poprzestaje się z reguły na ogólnym sformułowaniu postkapitalizm. Chodzi natomiast, po pierwsze, o uświadomienie sobie, że nawet najlepsze systemy mają swój kres, a tych najlepszych (dla określonych grup społecznych) już kilka minęło i nie ma podstaw, aby twierdzić, że historia systemów dobiegła końca. Po drugie, stary paradygmat o wielorakość przekształceń ustrojowych: rewolucyjnych, ewolucyjnych i mieszanych jest nadal aktualny. Pokojowy upadek socjalizmu wschodniego i trwające nadal rewolucje ustrojowe w Afryce są faktami empirycznymi. Kwestią otwartą jest natomiast pytanie, czy i na ile można skutecznie wpływać na ich przebieg. Po trzecie, trzeba usuwać drzemiące gdzieś w podświadomości przekonanie, że kto mówi lub pisze o doczesności lub śmiertelności danego systemu, jest jego wrogiem lub utopistą. Przeciwnie – jest realistą. Nie ma dowodów, że kapitalizm został uratowany przez postęp techniczny i nie ma dowodów na to, że będzie trwał wiecznie. Jego losy są nadal kwestią otwartą.

BIBLIOGRAFIA Arystoteles (1964), Polityka, Państwowe Wydawnictwo Naukowe, Warszawa. Bremmer J. (2011), The End of the Free Market: Who Wins the War between Corporations and States, Portfolio, Penguin Group Inc., New York. Friedman G. (2009), Następne 100 lat. Prognoza na XXI wiek, Wydawnictwo AMR, Warszawa. Fukuyama F. (2009), Koniec historii, Wydawnictwo Znak, Kraków. Gospodarka za 100 lat. Najważniejsi ekonomiści przewidują przyszłość (2014), I. Palacios-Huerta (red.), Kurhaus, Warszawa. Jared D. (2004), Upadek. Dlaczego jedne społeczeństwa upadły, a innym się udało, Prószyński i S-ka, Warszawa. Kaletsky A. (2010), Capitalism 4.0. The Birth of the New Economy, Bloomsbury, London, Berlin, New York, Sydney. Kołakowski L. (1988), Główne nurty marksizmu. Powstanie – rozwój – rozkład, „Aneks”, Londyn. Luttwak E. (2000), Turbokapitalizm. Zwycięzcy i przegrani światowej gospodarki, Wydawnictwo Dolnośląskie, Wrocław. Madej Z. (2013), Megasystemy są śmiertelne, w: Kryzysy systemowe, Polska Akademia Nauk, Komitet Prognoz „Polska 2000 Plus”, red. naukowa Elżbieta Mączyńska, Jan Jakub Michałek, Józef Niżnik, Warszawa. Madej Z. (2015), Postindustrialne kryzysy w ekonomii, w: Rewolucja informacyjna a kryzys intelektualny, red. naukowa Julian Auleytner, Jerzy Kleer, Polska Akademia Nauk, Komitet Prognoz „Polska 2000 Plus”, Warszawa. Marks K., Engels F. (1949), Manifest komunistyczny, w: Dzieła Wybrane, t. 1, „Książka i Wiedza”, Warszawa. Marks K. (1951), Kapitał. Krytyka ekonomii politycznej, tom pierwszy, „Książka i Wiedza”, Warszawa.

328

Zbigniew Madej

Marks K. (1957), Kapitał. Krytyka ekonomii politycznej, tom trzeci, „Książka i Wiedza”, Warszawa. Mączyńska E.,(2015), Równiej, w: Świat się chwieje, Grzegorz Sroczyński red., Agora, Warszawa. Piketty T. (2015), Kapitał w XXI wieku, Wydawnictwo Krytyki Politycznej, Warszawa. Piketty T. (2015), Ekonomia nierówności, Wydawnictwo Krytyki Politycznej, Warszawa. Popper K. (1987), Społeczeństwo otwarte i jego wrogowie, t. 2, Niezależna Oficyna Wydawnicza, Warszawa. Romer P.M. (1990), Endogenous technological change, “Journal of Political Economy”, Vol. 98, nr 5. Robinson J. (1958), Akumulacja kapitału. Państwowe Wydawnictwo Naukowe, Warszawa. Shapiro R. (2008), Futurecast. How Superpowers, Populations and Globalisation Will Change the Way You Live and Work, St. Martin’s Press, New York. Solow R. (1957), Technical change and agregate production function, “Review of Economics and Statistics”, Vol. 39, s. 312–320. Solow R. (1967), Teoria kapitału i stopa przychodu, Państwowe Wydawnictwo Naukowe, Warszawa. Solow R. (2014), Luźne myśli o tym, jak mogą się potoczyć losy świata, w: Gospodarka za 100 lat. Najważniejsi ekonomiści przewidują przyszłość, I. Palacios-Huerta (red.), Kurhaus, Warszawa. Standing G.,(2011), The Precariat: the New Dangerous Class, Bloomsbury Academic. Stiglitz J. (2010), Freefall. Jazda bez trzymanki, Polskie Towarzystwo Ekonomiczne, Warszawa. Stiglitz J. (2012), The Price of Inequality: How today’s Divided Society Endangers our Future, W.W. Norton, New York. Thurow L. (1999), Przyszłość kapitalizmu. Jak dzisiejsze siły ekonomiczne kształtują świat jutra, Wydawnictwo Dolnośląskie, Wrocław. Welfe W. (2007), Przesłanki modelowania gospodarki opartej na wiedzy, w: Gospodarka oparta na wiedzy, redakcja naukowa Władysław Welfe, Polskie Wydawnictwo Ekonomiczne, Warszawa. Zakaria F. (2008), The Post-American World, W.W. Norton & Company, New York, London.

PIKETTY AND MARX ON THE FATE OF CAPITALISM ABSTRACT The aim of this paper is to demonstrate both similarities and differences between Piketty’s and Marx’s assessment of capitalism. The method applied is the comparison of the main theses included in Piketty’s “Capital” and Marx’s “Capital”. It has been determined that both authors perceive the imperative of accumulation and investment as a main treat of capitalism, but draw different conclusions. Marx argues that the aforementioned imperative causes the fall inthe rate of profits, which reinforces the struggle between capital and labor and

PIKETTY I MARKS O LOSACH KAPITALIZMU

329

leads to the outbreak of the revolution, which overturns the capitalism. Conversely, Piketty suggests that Marx came to such apocalyptic conclusions because he did not take into consideration – and neither did other XIX-century economists – the influence of technical progress and work efficiency on the national product growth. The first author to include this factor was Solow in the 1950s.It is worth noting, though, that Marx thoroughly described progress and efficiency, as well as differentiated between the technical progress stemming from investments in equipment, and the non-investment progress, stemming from improvement in workers’ skills. Solow and his followers left a rich and multidimensional body of work, however this multidimensionality demands specification, and Piketty does not precisely state which type of technical progress could prove beneficial to capitalism. It is therefore difficult to relate to his suggestions. Capitalism did not fall but it is not known which progress saved it and whether progress was the only, or just one of many saviors of capitalism. In the last part of the article various opinions are presented, however this problem remains un resolved, since no one provides a ready answer. Keywords: Piketty vs Marx, fate of capitalism, imperative of accumulation and investment. JEL Classification: A10, B31, B51

STUDIA EKONOMICZNE 1 ECONOMIC STUDIES NR 2 (LXXXIX) 2016

RECENZJE

Anna Wziątek-Kubiak*

RECENZJA KSIĄŻKI INNOVATION AND ENTREPRENEURSHIP IN THE GLOBAL ECONOMY. KNOWLEDGE, TECHNOLOGY AND INTERNATIONALIZATION (Recenzja naukowa nadesłana: 21.04.2016; Zaakceptowana: 12.05.2016)

Innovation and Entrepreneurship in the Global Economy. Knowledge, Technology and Internationalization, seria: “New Horizons in Regional Science”, Charlie Karlsson, Urban Gråsjöi, Sofia Wixe (red.), Edward Elgar, Cheltenham, UK, Northampton, MA, USA, s. 337. Tłem recenzowanej książki jest globalizacja, a dokładniej – jej bieżąca fala z perspektywy mezo i mikroekonomicznej, a nie – jak to się powszechnie czyni – makroekonomicznej. Autorzy koncentrują się na dwóch motorach globalizacji: innowacjach i przedsiębiorczości, które w czasach współczesnych są wyznacznikami rozwoju firm i krajów. Identyfikacji sił, które determinują wspomniane zmienne, ich współzależnościom i efektom jest poświęcona recenzowana książka. Na tle analiz teoretycznych i w odniesieniu do wcześniej przeprowadzonych badań, w tym ich krytycznej ocenie, w pracy przedstawiono wyniki badań nad w/w problematyką w kontekście regionalnym i gospodarki międzynarodowej, a także w ujęciu wieloprzekrojowym: od analizy uwarunkowań, które modyfikują opisany w literaturze wpływ czynników innowacji i przedsiębiorczości na regiony i przedsiębiorstwa, w tym na zróżnicowania ich aktywności i utrzymywanie się na rynku, przez badanie zmian w systemie światowym, po wnoszenie nowych elementów do formułujących się w literaturze koncepcji dotyczących czynników, mechanizmu powstawania oraz wielorakich skutków wprowadzania innowacji, *

Instytut Nauk Ekonomicznych PAN.

RECENZJA KSIĄŻKI INNOVATION AND ENTREPRENEURSHIP IN THE GLOBAL…

331

w tym dla przedsiębiorczości rozumianej w sposób wąski, czyli jako „wejścia” nowych firm na rynek. Książka ta ma charakter wieloprzekrojowy. Oparta jest na badaniach teoretycznych i empirycznych. Te ostatnie są rozwijane na podstawie analizy doświadczeń firm i regionów krajów rozwiniętych: Hiszpanii, Stanów Zjednoczonych, państw skandynawskich oraz metropolii europejskich. Omawiana praca stanowi wyzwanie wobec niektórych utartych poglądów dotyczących skutków wpływu różnych czynników oraz rodzajów innowacji i przedsiębiorczości. Z jednej strony, są badane podstawowe czynniki innowacji, jak: B&R, współpraca w zakresie innowacji, kapitał ludzki i społeczny, imitacje, proces uczenia się i rutyna, umiędzynarodowienie działalności, współczesne formy infrastruktury, kultury przedsiębiorczości oraz zróżnicowania etnicznego i migracji regionów. Z drugiej analizuje się skutki działania tych czynników dla aktywności innowacyjnej, przedsiębiorczości, wyjść i utrzymania się firm na rynku, zróżnicowania rozwoju społeczno-gospodarczego regionów i krajów, dla aktywności międzynarodowej oraz przekształceń w gospodarce światowej. Autorzy zwracają się także ku ostatnio modnej w polityce gospodarczej problematyce tzw. renesansu przetwórstwa przemysłowego w krajach rozwiniętych, czyli „powrotu” wybranych dziedzin produkcji z krajów słabiej do wysoko rozwiniętych. Uwzględniając działania czynników nie tylko podstawowych, ale także korygujących, pokazują, iż współzależność różnych czynników innowacji i przedsiębiorczości oraz ich różnorodnych uwarunkowań jest szersza i bardziej skomplikowana oraz prowadzi do powstawania bardziej zróżnicowanych i niejednoznacznych skutków, niż to się powszechnie sądzi. Książka więc rozszerza i koryguje istniejącą wiedzę dotyczącą zróżnicowania wpływu różnych uwarunkowań innowacji, jej istoty (w tym względem imitacji) i czynników na firmy, regiony i kraje. Jak dowodzą autorzy, wpływ ten nie jest jednoznaczny, a jest uwarunkowany przez działanie wielu czynników, trudnych do identyfikacji i kwantyfikacji. Współzależność i komplementarność ich działania utrudnia postawienie jednoznacznych tez. Książka składa się z trzech części, które – zgodnie z ich tytułami – dotyczą: innowacji (rozdziały od 1 do 5), przedsiębiorczości (odpowiednio od 6 do 10) oraz umiędzynarodowienia (od 11 do 13). Ponieważ kwestie te analizowane są w różnych kontekstach i wzajemnie się przeplatają, można zastosować odmienne kryterium podziału rozdziałów i wyróżnić inne części. Przykładowo, z pespektywy uwarunkowań aktywności innowacyjnej firm oraz ich strategii można wyróżnić części dotyczące wpływu: 1 twardych cech firm (jak: wielkość, branża, w której działają, forma własności, okres działania na rynku) na ich aktywność innowacyjną oraz na „wchodzenie”, utrzymanie się i „wychodzenie” firm z rynku; 1 uwarunkowań wewnętrznych (jak kapitał ludzki i społeczny) i zewnętrznych (jak infrastruktura, różnorodne cechy regionu, w którym działają) oraz strategii działania (umiędzynarodowienie działania względem koncentracji działań wyłącznie na rynku krajowym, współpraca w dziedzinie innowacji z innymi firmami) na innowacyjność i przedsiębiorczość,

332

Anna Wziątek-Kubiak

komplementarności czynników innowacji (znaczenie rutyny i uczenia się dla innowacyjności firm, B&R a poziom technologiczny regionu) oraz efektów zewnętrznych, a szerzej – wykorzystywania różnych form otwartych innowacji i ich uczestników na innowacyjność i przedsiębiorczość firm. Proponowany wyżej podział tematyczny książki, odmienny od zaproponowanej przez jej redaktorów naukowych, wskazuje, iż omawiana książka prezentuje wielostronne badania nad innowacjami i przedsiębiorczością, szersze niż sugerują to tytuły jej części i rozdziałów. Przykładowo w części zatytułowanej „Innowacje” znajdują się rozdziały, w których podejmuje się kwestie wpływu innowacji na przedsiębiorczość. Podobnie w części dot. przedsiębiorczości jest omawiany wpływ zróżnicowania przedsiębiorczości, np. w ujęciu regionalnym na innowacyjność. Takie przenikanie się badanych zagadnień utrudnia ich jednoznaczną klasyfikację. Pierwsza grupa zagadnień podejmowanych w książce dotyczy efektów wykorzystania różnych czynników innowacji: badań naukowych, kapitału społecznego i ludzkiego, uczenia się i działań rutynowych dla innowacyjności firm, ich przedsiębiorczości rozumianej jako nowe ”wejścia” i utrzymanie się na rynku oraz dla „wyjść” z rynku. M. Jesús Abellán Madrid, A. García-Tabuenca i C. Suárez Gálvez w rozdziale „R&D investments and firm survival across regions” pokazują różnicowanie się wpływu kluczowego czynnika innowacji – badań naukowych – na utrzymanie się i wychodzenie firm z rynku. Uwzględniają też różnicujący wpływ twardych uwarunkowań działania firm: poziom zaawansowania technologicznego regionu oraz poziom zaawansowania technologicznego dziedziny, w której firmy działają. Badanie to przeprowadzono na przykładzie Hiszpanii. Dowiedziono, iż związek między ponoszonymi przez firmy wydatkami na badania naukowe a prawdopodobieństwem „wyjścia” firm z rynku jest ujemny. Jednakże wielkość i znak prawdopodobieństwa wyjść firm z rynku jest skorygowany przez dodatkowe zmienne. Są to: wysokość wydatków na B&R (poniżej pewnego pułapu prawdopodobieństwo wyjścia wyraźnie maleje), rodzaj branży (wysokiej i niskiej technologii) oraz poziom technologiczny regionu, w jakim firma działa. Przeprowadzone badania dowodzą, iż z wyjątkiem regionów o niskim poziomie zawansowania technologicznego oraz branż o niskim poziomie technologii istnieje znacząca ujemna korelacja między wydatkami na B&R i prawdopodobieństwem wyjścia z rynku. Pomijając wspomniane dwa wyjątki, prowadzenie B&R obniża prawdopodobieństwo „wychodzenia” firm z rynku, a więc obniża turbulencje na rynku, zwłaszcza w okresie kryzysu i spadku aktywności gospodarczej. Oznacza to, iż wpływ czynników innowacji na np. przetrwanie firmy na rynku może być odmienny w zależności od tego, w jakich warunkach firma funkcjonuje. K.I. Westeren w rozdziale 5., zatytułowanym „Routines: do they stimulate or hinder learning and innovation in industrial production?”, rozwija badania teoretyczne nad wpływem zmian w kapitale ludzkim na zmiany innowacyjności firm. Badania te rozwijają analizy prowadzone w ramach ewolucyjnego paradygmatu. 1

RECENZJA KSIĄŻKI INNOVATION AND ENTREPRENEURSHIP IN THE GLOBAL…

333

Westeren zwraca się ku relacjom między procesem uczenia się i wdrażania innowacji a powstawaniem, utrzymywaniem się i zmianą działań rutynowych. R. Antonietti, M.R. Ferrante i R. Leoncini w rozdziale „Infrastructure endowment, social capital and outsourcing: evidence from Emilia Romagna” pokazują, na przykładzie włoskiego region Emilia Romagna, wpływ kapitału społecznego na rozwijanie się outsourcingu. Dowodzą, iż wyższy poziom wspomnianego kapitału i infrastruktury zwiększa prawdopodobieństwo wprowadzania działalności outsourcingowej, czyli pogłębiania specjalizacji. Pozytywnie wpływa na to rozwój regionu dobrze wyposażonego w kapitał ludzki. Kolejna grupa zagadnień podejmowanych w omawianej książce dotyczy różnorodnych efektów realizacji szeroko rozumianych innowacji otwartych. Badane są skutki działania kreatywnych efektów zewnętrznych, współpracy w zakresie innowacji dwóch typów instytucji naukowych – instytutów i uniwersytetów z firmami produkcyjnymi, różnicowania się efektów współpracy w zakresie innowacji między firmami umiędzynarodowionymi i nieumiędzynarodowionymi oraz znaczenia imitacji względem innowacji w strategicznych aliansach. D.B. Audretsch i M. Belitski w rozdziale „Creativity spillover of entrepreneurship: evidence from European cities” zwracają się ku tzw. kreatywnym efektom zewnętrznym, które badane i rozwijane są w teorii przedsiębiorczości. Zaproponowana koncepcja „filtra kreatywności” jest weryfikowana na podstawie badania miast europejskich. Pokazują więc pośredni (wynikający z efektów zewnętrznych) wpływ kapitału ludzkiego i kapitału kreatywnego na różnicowanie się rozwoju gospodarczego badanych metropolii. Anders Broström i M. McKelvey w rozdziale “Universities and public research institutes as collaboration partners for firms” pokazali uwarunkowania różnicowania się korzyści ze współpracy w dziedzinie badań naukowych firm produkcyjnych z dwoma rodzajami instytucji naukowych: instytutów badawczych oraz uniwersytetów Szwecji. Dowiedli, iż współpraca z uniwersytetami daje silniejsze bodźce innowacyjne niż współpraca z instytutami badawczymi, choć na efekty współpracy silny wpływ ma rodzaj prowadzonych badań. Równocześnie autorzy rozdziału odrzucili hipotezę, iż współpraca o charakterze innowacyjnym z instytutami ma kontekst krótkookresowy. N.M. George, S. Anokhin, V. Parida i J. Wincent w rozdziale „Technological advancement through imitation by industry incumbents in strategic alliances”– na podstawie badań empirycznych – dowodzą, iż imitacje mają silniejszy niż innowacje wpływ na generowanie postępu technicznego partnerów strategicznych aliansów technologicznych. Dla od dawna funkcjonujących na rynku firm (incumbent) – uczestników technologicznego porozumienia strategicznego, ważnym źródłem postępu technicznego jest imitacja innowacji start-upów, którzy biorą udział we wspomnianym porozumieniu. Imitacja opracowanych przez start-up innowacji stymuluje wzrost innowacyjności pozostałych uczestników porozumienia strategicznego. Silniej niż innowacja pobudza wzrost produktywności od dawna funkcjonujących na rynku firm – uczestników technologicznego porozumienia strate-

334

Anna Wziątek-Kubiak

gicznego. Korzyści w zakresie postępu technicznego są więc nierówne między uczestnikami wspomnianych aliansów. Kolejne trzy rozdziały zwracają się ku kwestii wpływu umiędzynarodowienia działalności firm na ich aktywność innowacyjną. W rozdziale „Continuing corporate growth and inter-organizational collaboration of international new ventures in Sweden” J. Abrahamsson, H. Boter i V. Vanyushyn dowodzą, iż w nowych przedsięwzięciach międzynarodowych znacznie szersze i głębsze skutki – niż w przedsięwzięciach krajowych – mają formalne powiązania (collaboration) o charakterze innowacyjnym. Dotyczy to zakresu wprowadzonych innowacji, liczby partnerów uczestniczących w działalności innowacyjnej oraz wielości stosowanych form innowacji. W konsekwencji ma miejsce różnicowanie się, a nawet pogłębianie różnic w poziomie innowacyjności między firmami uczestniczącymi w przedsięwzięciach międzynarodowychi wyłącznie krajowych. To z kolei potwierdza, iż umiędzynarodowienie działalności jest ważnym źródłem różnicowania się innowacyjności między firmami. V. Jienwatcharamongkhol i S. Tavassoli w rozdziale pt. „Closing the gap: empirical evidence on firms’ innovation, productivity and exports” badają innowacyjne źródła produktywności, które powszechnie są uznawana za przesłankę podejmowania eksportu. Z jednej strony, analizują powiązania między uwarunkowaniami, czynnikami i efektami innowacji, z drugiej badają związki między produktywnością i eksportem. Tą drogą rozszerzają neoklasyczny nurt badań nad zróżnicowaniem firm (Bernard, Jensen, 1999; Melitz, 2003), czyli procesami ich samoselekcji. Uwzględnienie innowacyjnych podstaw produktywności sprawia, iż wspomniani autorzy wnoszą nowe elementy do badań nad zróżnicowaniem firm, które przecież od kilkudziesięciu lat są prowadzone w ramach ewolucyjnego paradygmatu. Jednakże wspomniani autorzy rozszerzają analizę o nowe uwarunkowania, jak wyposażenie firm w kapitał ludzki i trwały, a więc nie tylko czynniki, które bezpośrednio wpływają na innowacje. Wykazują, iż im lepiej firma jest wyposażona we wspomniane zasoby, tym większe jest prawdopodobieństwo, iż podejmie działalność innowacyjną. Poznajemy więc nie tylko nowe elementy mechanizmu wpływu produktywności na eksport, ale także innowacyjne uwarunkowania większej produktywności firm eksportujących. Prowadzenie przez firmy działalności innowacyjnej, z jednej strony, jest uwarunkowane przez wcześniej podejmowane inwestycje w taką działalność. To z kolei, z drugiej strony, w okresie późniejszym przekłada się na wyższą produktywność wspomnianych firm i zwiększa prawdopodobieństwo podejmowania eksportu. Zidentyfikowany więc zostaje łańcuch powiązań prowadzących do umiędzynarodowienia produkcji: od sprzyjających działalności innowacyjnej uwarunkowań (wyposażenie w odpowiedni i dobrej jakości kapitał), przez czynniki innowacji, które skutkują osiągnięciem efektu innowacyjnego, do wywołanego tym wzrostu produktywności, a ostatecznie – eksportu. Badanie to więc potwierdza, iż źródłem różnicowania produktywności między firmami jest zróżnicowanie efektów prowadzonej działalności innowacyjnej. Pobudzany przez aktywność innowacyjną firm wzrost ich produktywności staje się z kolei przesłanką podejmowania przez nie eksportu.

RECENZJA KSIĄŻKI INNOVATION AND ENTREPRENEURSHIP IN THE GLOBAL…

335

S. Tavassoli, B. Kianian oraz T.C. Larsson w rozdziale „Manufacturing renaissance: return of manufacturing to western countries” zwracają się ku procesowi, który określają mianem „renesansu przetwórstwa przemysłowego” w krajach rozwiniętych. Chodzi o ponowne przenoszenie (swego rodzaju powrót) produkcji przemysłowej z krajów słabiej rozwiniętych, zwłaszcza rynków wschodzących do rozwiniętych (reshoring). Problem ten od kilku lat rozwijany jest w literaturze (L. Fratocchi, A. Ancarani, P. Barbieri, C. Di Mauro, G. Nassimbeni, M. Sartor, M. Vignoli, A. Zanoni (2016), w tym także OECD (De Backer et al., 2016). Korzystając z teorii kosztów transakcyjnych oraz nowej geografii ekonomicznej, autorzy wspomnianego rozdziału rozbudowują teorię cyklu produktu, która wyjaśnia, jak pod wpływem procesu starzenia się produktu zmienia się w czasie lokalizacja produkcji, eksportu i importu. W analizie tej uwzględniają czynniki podażowe (zmiany w płacach, różnice w jakości prowadzenia działalności, nowe czynniki zmieniające ekonomię skali, a będące wynikiem nowych rodzajów innowacji procesowych i narastającego zróżnicowania produktu) i popytowe, wynikające z zasadności bycia bliżej konsumenta i w pełni dostosowującej się do jego specyficznych potrzeb. Przekłada się to na rozszerzenie cyklu produktu o kolejną, tzw. renesansową fazę. Oznacza odchodzenie – przez firmy pochodzące z krajów rozwiniętych – od strategii poszukiwania zasobów na rzecz poszukiwania strategicznych aktywów, jakościowo odmiennych od zasobów wykorzystywanych w fazie trzeciej. To z kolei prowadzi do zmian w strukturze światowej geografii produkcji. Jednakże warunkiem uczestnictwa w czwartej fazie cyklu produktu jest posiadanie – jak w fazie pierwszej – siły roboczej o bardziej naukowych i inżynieryjnych umiejętnościach, która będzie posiadać umiejętność szybkiego dostosowania produkcji do nowych i wyższej jakości potrzeb konsumentów bardziej zamożnych. Sugeruje to, iż „powrót” produkcji dotyczyć będzie produkcji przeznaczonej dla zachodnich konsumentów, czyli produkcji wytwarzającej jeszcze bardziej zróżnicowane (także pod względem jakościowym i nowoczesności) produkty. Ponieważ proces ten będzie zróżnicowany między różnymi dziedzinami produkcji, uczestniczyć w nim będą wybrane kraje i produkty. Stawia to nowe wyzwanie pod adresem polityki Polski. Rozdział ten bowiem odmitologizuje oczekiwania prostego „powrotu” produkcji, tj. bez radykalnych zmian jakościowych i innowacyjnych w zakresie zasobów i produkcji. Czynniki wpływające na różnicowanie się aktywności innowacyjnej i przedsiębiorczości w układzie przestrzennym to ostatnia grupa zagadnień podejmowanych w książce. W rozdziale „Start-up rates, entrepreneurship culture and the business cycle: Swedish patterns from national and regional data” M. Andersson, na przykładzie Szwecji, rozwija koncepcję regionalnej kultury przedsiębiorczości. Zaprezentowana analiza wpływu regionalnej kultury przedsiębiorczości na intensywność „wejść” firm na rynek wnosi nowe elementy do dyskusji nad źródłami różnic regionalnych w kształtowaniu się wskaźnika wejść (nowo powstających przedsiębiorstw) na rynek. Wpływ wspomnianego czynnika jest potęgowany przez przebieg cyklu koniunkturalnego.

336

Anna Wziątek-Kubiak

W rozdziale „Immigrant entrepreneurship and agglomeration in high-tech industries in the USA” C. Yang Liu, G. Painter i Q. Wang badają wpływ cech przestrzennego modelu migracji na przedsiębiorczość w – co warto zaznaczyć – gałęziach o wysokiej technice w USA. Autorzy, z jednej strony, wskazują iż komplementarne – do produkcji gałęzi wysokiej techniki – dziedziny działalności, głównie usługi, także cechujące się wysokim poziomem technologii, sprzyjają i wspierają przestrzenne przesuwanie się dziedzin produkcji o wysokiej technologii. Z drugiej strony pokazują, iż wysoki poziom zróżnicowania etnicznego i wysoki udział ludności urodzonej za granicą w ogólnej liczbie ludności danego regionu zwiększa prawdopodobieństwo rozwijania przedsiębiorczości, a więc nowych wejść firm do nowoczesnych dziedzin produkcji. J. Parajuli i K.E. Haynes w rozdziale pt „Broadband Internet and new firm formation: a US perspective” szacują wpływ szerokopasmowego Internetu na powstawanie nowych firm we wszystkich dziedzinach działalności gospodarczej w USA. Jeśli autorzy potwierdzają wcześniej przeprowadzone badania wskazujące, iż szerokopasmowy Internet ma pozytywny wpływ na powstawanie nowych firm, to równocześnie wskazują na korygujący wpływ typu aglomeracji i specjalizacji produkcji danego regionu na różnicowanie się wpływu szerokopasmowego Internetu na nowe wejścia. Specjalizacja produkcyjna dominująca w danej aglomeracji jest kluczowym czynnikiem wyznaczającym wspomniane zróżnicowanie. Ta ciekawa, zwłaszcza pod względem metodologicznym, książka zasługuje na uwagę. Stąd warto ją przestudiować.

BIBLIOGRAFIA Bernard A.B., Jensen J.B. (1999), Exceptional exporter performance: cause, effect, or both?, “Journal of International Economics”, 47(1), s. 1–25. De Backer K. et al. (2016), Reshoring: Myth or Reality?, OECD Science, Technology and Industry Policy Papers, No. 27, OECD Publishing, Paris. Ellram L.M., Tate W.L., Petersen K.J. (2013), Offshoring and reshoring: An update on the manufacturing location decision, “Journal of Supply Chain Management”, 49(2), s. 14–22. Fratocchi L., Ancarani A., Barbieri P., Di Mauro C., Nassimbeni G., Sartor M., Vignoli M., Zanoni A. (2016), Motivations of manufacturing reshoring: an interpretative framework, “International Journal of Physical Distribution & Logistics Management”, 46, Issue 2, s. 98–127. Fritsch M., Wyrwich M. (2014), The effect of regional entrepreneurship culture on economic development – Evidence for Germany, “Jena Economic Research Papers”, 2014–014. Melitz M.J. (2003), The impact of trade on intra-industry reallocations and aggregate industry productivity, “Econometrica”, 71(6), s. 1695–1725.

2/2016

9

770239

641008

ECONOMIC STUDIES nr 2 (LXXXIX) 2016

ISSN 0239–6416

Cena 30,00 zł (w tym 5% VAT) Nakład 200 egz.

STUDIA EKONOMICZNE

STUDIA EKONOMICZNE • ECONOMIC STUDIES

Instytut Nauk Ekonomicznych Polskiej Akademii Nauk Pałac Staszica ul. Nowy S´wiat 72 00-330 Warszawa www.inepan.waw.pl studia.ekonomiczne@inepan.waw.pl

INSTYTUT NAUK EKONOMICZNYCH POLSKIEJ AKADEMII NAUK

WARSZAWA 2016

Issuu converts static files into: digital portfolios, online yearbooks, online catalogs, digital photo albums and more. Sign up and create your flipbook.