Великий поворот. Как Америка отказалась от свободных рынков - Тома Филиппон

сократились не так сильно, как материальные. Вместе с тем исследователи, использующие более широкие определения нематериального капитала, чем официальные таблицы Бюро экономического анализа, обнаруживают еще более слабое снижение. Однако маловероятно, что особенности подсчета данных могут повлиять на общий результат. Одна из причин этого заключается в том, что статистические агентства со временем совершенствуют свои методы измерения нематериальных инвестиций. Несомненно, что мы измеряем запасы продуктов интеллектуальной собственности лучше, чем двадцать лет назад. Более того, если вы считаете, что государственные учреждения слишком консервативны в своем отношении к нематериальным инвестициям, то можете принять свои собственные определения на уровне фирмы. Мы с Гутьерресом сделали это, и даже используя самый радикальный подход, все равно обнаружили инвестиционный разрыв[25].

Таким образом, мы нашли подтверждение гипотезе о нематериальных активах. В структуре капитала произошел сдвиг в пользу нематериальных активов, для которых инвестиционный разрыв меньше, чем для материальных. Вместе с тем основной бум нематериальных инвестиций пришелся на конец девяностых годов, а в последние годы такие инвестиции снизились – возможно, их уровень стал не столь низким, как уровень материальных инвестиций, но определенно он недостаточен, чтобы продвигать экономику вперед.

Производительность

Возможно, самый прямой прогноз, который можно сделать на основе гипотезы возникновения фирм-суперзвезд, заключается в том, что концентрация должна быть связана с сильным ростом производительности. Согласно этой гипотезе, концентрация отражает эффективное увеличение масштабов деятельности. Следовательно, на основе этой гипотезы можно сделать ключевой прогноз о том, что концентрация приводит к росту производительности на отраслевом уровне, поскольку она происходит за счет расширения фирм с самой высокой производительностью. Такое случалось и в прошлом. В главе 2 мы обсуждали пример розничной торговли в девяностые годы. В течение этого десятилетия розничная торговля стала значительно более концентрированной и производительной.

Однако девяностые годы давно прошли. Представляет ли развитие фирм-суперзвезд основную движущую силу концентрации, как предполагают Дэвид Аутор, Дэвид Дорн, Лоуренс Кац, Кристина Паттерсон и Джон Ван Ринен (Autor et al., 2017)? Чтобы проверить эту идею, Матиас Коваррубиас, Герман Гутьеррес и я (Covarrubias, Gutiérrez and Philippon, 2019) изучили взаимосвязь между изменениями концентрации и изменениями совокупной факторной производительности (TFP) в различных отраслях в 1990-е и 2000-е годы. При этом мы применяли наши индикаторы концентрации, скорректировав их на международную торговлю, чтобы учесть иностранную конкуренцию и экспорт.

Наши выводы обобщены во вставке 4.2 и ее таблице, где обсуждается интерпретация различных чисел в статистических моделях. Мы обнаружили, что за последние двадцать лет соотношение между концентрацией и ростом производительности изменилось. В девяностые годы (1989–1999) эта связь была положительной. В тех отраслях, где концентрация росла быстрее, также быстрее росла и производительность. Теперь это уже не так. Фактически, в период с 2000 по 2015 год мы обнаружили отрицательную связь между изменениями концентрации и производительности (хотя данные несколько зашумлены).

Подобная тенденция характерна для всей экономики, а также обнаруживается в промышленном секторе, когда нам доступны более детализированные данные (уровень NAICS 6 – этот термин объясняется в посвященном отраслевой классификации разделе приложения). Позитивное и значимое соотношение между концентрацией и производительностью можно обнаружить только для периода с 1997 по 2002 год, но не после. Фактически, в период с 2007 по 2012 год это соотношение, по-видимому, было отрицательным, хотя данные противоречивы.

ВСТАВКА 4.2

Статистические модели

В табл. 4.2 представлены результаты пяти регрессий, то есть пяти статистических моделей. Правая половина таблицы посвящена экономике в целом, а левая половина – промышленному сектору.

ТАБЛИЦА 4.2

Результаты регрессии

ПРИМЕЧАНИЕ: Логарифмические изменения TFP и концентрации четырех крупнейших фирм. Стандартные ошибки указаны в квадратных скобках под коэффициентами. 97–02 означает, что выборка охватывает 1997–2002 годы. Подробнее см.: Covarrubias, Gutiérrez, and Philippon, 2019.

Давайте начнем с правой стороны таблицы, и я объясню все числа: (4) означает, что это четвертая модель. Она охватывает экономику в целом за период с 1989 по 1999 год. Коэффициент 0,14 означает, что в данной выборке увеличение доли рынка четырех ведущих фирм на один процент связано с ростом производительности на 0,14 %. Число ниже, в квадратных скобках, – это стандартная ошибка, которая измеряет точность нашей оценки. Стандартная ошибка 0,06 для коэффициента 0,14 означает, что значение данного эффекта в действительности может находиться где-то между 0,08 (0,14 − 0,06) и 0,20 (0,14 + 0,06). Когда коэффициент более чем в два раза превышает стандартную ошибку, рядом с ним ставится звездочка (*). Мы делаем это, чтобы показать, что мы вполне уверены в том, что коэффициент значимо положителен. На жаргоне эмпирической экономики мы говорим, что коэффициент статистически отличается от нуля. В колонке 2 вы видите коэффициент 0,01 со стандартной ошибкой 0,05. Это означает, что в этой выборке нет статистической связи между концентрацией и производительностью.

В нижней части таблицы содержится дополнительная справочная информация об использованных данных и количестве наблюдений. Включение фиксированных эффектов года (Y = yes) означает, что регрессия учитывает любой общий шок, который может одинаково воздействовать на все отрасли в любом данном году. Это важно, потому что экономика США в рассматриваемом периоде не была (и не является) статичной, в ней происходили подъемы и спады, пузыри на фондовом рынке или рынке жилья, террористические акты и финансовые кризисы. Таким образом, мы хотим убедиться, что наши результаты основаны именно на сравнении американских отраслей. Наконец, R² измеряет добротность подгонки модели. Для четвертой модели R² = 0,07. Это означает, что данный коэффициент фиксирует около 7 % изменений, которые мы видим в данных. Неудивительно, что есть много других факторов, которые влияют на рост производительности помимо концентрации, и также вероятно, что в данных довольно много ошибок измерения.

Подводя итоги, можно сказать, что данные за 1990-е годы подтверждают гипотезу фирм-суперзвезд, а за 2000-е – опровергают ее. Тем не менее есть еще один вызывающий беспокойство вопрос – правильно ли мы измеряем производительность?

Популярное у оптимистов новых технологий объяснение замедления экономики (замедления производительности и инвестиций) заключается в том, что мы неправильно оцениваем бесплатные блага, предоставляемые такими фирмами, как Google и Facebook, а также нематериальные инвестиции на их производство. Эта история звучит правдоподобно, но факты говорят о том, что подобные блага и инвестиции дают незначительный эффект. Лучшие из имеющихся исследований делают вывод, что ошибки в измерении вряд ли могут выступать объяснением не впечатляющего экономического роста в наше время. Как объясняет Чад Джонс (Jones, 2017), «исследования Бирна и соавторов (Byrne et al., 2016), а также Сиверсона (Syverson, 2017) приходят к выводу, что замедление настолько велико по отношению к значению „бесплатного“ сектора, что неправильное измерение, вероятно, объясняет его лишь незначительно»[26]. Я бы добавил к этому, что бесплатных вещей не бывает. Вспомним приведенную в главе 2 поговорку из Кремниевой долины: «если вы не платите, то вы не клиент, а продаваемый продукт».