Запасник экономиста

У Красного моря С конца 2023 года работает бета-версия портала PortWatch — совместного проекта МВФ и Оксфорда по мониторингу шоков морской торговли (по данным AIS о координатах судов и их маршрутах). На этих данных построен растиражированный на днях график о падении транзита через Суэцкий канал и росте морских перевозок вдоль мыса Доброй Надежды. Особенность методологии (см. препринт МВФ 2021 года) — аккуратная процедура выявления пункта назначения каждого рейса: при отсутствии такой информации в порту отправления используются либо данные, обновленные позже (перед прибытием в пункт назначения), либо оценка на основе истории перевозок судна из конкретного порта. Еще один источник, отслеживающий ситуацию в Красном море (и не только) — Kiel Trade Indicator. Там данные уже не по всем грузам, а по контейнерам. Сравнение источников — на графике. P.S. На PortWatch есть и раздел с информацией о 13 морских коридорах и 1388 портах мира (координаты, страна, отраслевая специализация, активность)

Страны: коды, валюты, координаты Сборка через код в R library("rvest") library("countrycode") library("data.table") library("ggplot2") yr="2023" mon="October" url_cntrs <- paste0("https://www.imf.org/en/Publications/WEO/weo-database/",yr,"/",mon,"/select-countries?grp=2001&sg=All%20countries") site_cntr <- read_html(url_cntrs) Name_IMF <- site_cntr %>% html_nodes("[class='p-icon p-toggle p-plain']") %>% html_element("label") %>% html_text() Code_IMF <- site_cntr %>% html_nodes("[class='weo-check']") %>% html_attr("value") Curr_IMF <- site_cntr %>% html_nodes("[class='tooltip fade']") %>% html_attr("data-title") Curr_IMF <- do.call(rbind,strsplit(Curr_IMF,"\n")) Curr_IMF <- gsub("Primary domestic currency: ","",Curr_IMF[,1]) DATA <- as.data.frame(cbind(Name_IMF,Code_IMF,Curr_IMF)) DATA$Vers_WEO <- paste(yr, mon, sep="_") DATA$Code_ISO3 <- countrycode(as.numeric(DATA$Code_IMF),'imf','iso3c') DATA$Code_ISO2 <- countrycode(as.numeric(DATA$Code_IMF),'imf','iso2c') DATA <- subset(DATA, is.na(DATA$Code_ISO3)==F & is.na(DATA$Code_ISO3)==F) url_un <- "https://comtradeapi.un.org/files/v1/app/reference/Reporters.json" y <- rjson::fromJSON(file=url_un) rr <- lapply(y[1]$results, function(x) do.call("cbind",x)) ll <- lapply(y[1]$results, function(x) length(x)) un_cntrs_8 <- as.data.frame(do.call("rbind",rr[ll==8])) un_cntrs_8[un_cntrs_8$reporterCode=="490",5] <- "TW" un_cntrs_8[un_cntrs_8$reporterCode=="490",6] <- "TWN" un_cntrs_actual <- as.data.frame(do.call("rbind",rr[ll==9])) un_cntrs_retro1 <- as.data.frame(do.call("rbind",rr[ll==10])) un_cntrs_retro2 <- subset(un_cntrs_actual, nchar(un_cntrs_actual$reporterCodeIsoAlpha2)>2) un_cntrs_actual <- subset(un_cntrs_actual, nchar(un_cntrs_actual$reporterCodeIsoAlpha2)==2) names(un_cntrs_retro2)[7:8] <- names(un_cntrs_retro1)[8:9] full <- dplyr::bind_rows(un_cntrs_actual, un_cntrs_8, un_cntrs_retro1, un_cntrs_retro2) DATA$Code_UN <- full$reporterCode[match(DATA$Code_ISO3, full$reporterCodeIsoAlpha3)] url_cap <- "https://raw.githubusercontent.com/reganjohn/BHI/master/topology/country-capitals.csv" cap <- fread(url_cap, na.strings="NULL") cap <- subset(cap, is.na(cap$countryCode)==F) DATA$continent <- cap$continent[match(DATA$Code_ISO2, cap$countryCode)] DATA$capital <- cap$capital[match(DATA$Code_ISO2, cap$countryCode)] DATA$lat_capital <- cap$latitude[match(DATA$Code_ISO2, cap$countryCode)] DATA$lon_capital <- cap$longitude[match(DATA$Code_ISO2, cap$countryCode)] url_coord <- "https://developers.google.com/public-data/docs/canonical/countries_csv" site_coord <- read_html(url_coord) crds <- site_coord %>% html_nodes("[class='devsite-article-body clearfix ']") %>% html_table() crds <- crds[[1]]; crds$country[crds$name=="Namibia"] <- "NA" DATA$lat_center <- crds$latitude[match(DATA$Code_ISO2, crds$country)] DATA$lon_center <- crds$longitude[match(DATA$Code_ISO2, crds$country)] DATA$lat_center[is.na(DATA$lat_center)==T] <- DATA$lat_capital[is.na(DATA$lat_center)==T] DATA$lon_center[is.na(DATA$lon_center)==T] <- DATA$lon_capital[is.na(DATA$lon_center)==T] world <- ggplot2::map_data("world") mp <- ggplot(DATA) + geom_map(data = world, map = world, aes(map_id = region), fill=alpha("palegreen1",0.33), col="grey") + geom_point(aes(lon_capital, lat_capital), col="sienna", size=0.7) + geom_point(aes(lon_center, lat_center), col="palegreen4", size=0.5) + theme_void() + scale_y_continuous(limits=c(-50,80)) png(paste0(getwd(), '/mp_coord',substr(Sys.Date(),3,10),'.png'), width = 8, height = 6, units = 'in', res = 700) mp dev.off() Файл — в первом комментарии

Текст сотрудников кафедры политэкономии ЭФ МГУ о поведенческой экономике. По-настоящему междисциплинарно — в "толстом" литературном журнале 🤝 Любопытны воспоминания о становлении преподавания микро- и макроэкономики в России

Патенты без пробелов Новая база данных по американским патентам, финансируемым государством. Собрана авторами февральского препринта NBER из 5 источников. Есть информация, какое именно госагентство финансировало патент (можно разбить на космос, транспорт, энергетику, оборону и другие сегменты). База данных закрывает пробелы других источников и позволяет сделать вывод, что в послевоенной Америке роль государства в "рождении" патентов была гораздо выше, чем считалось

Приключения иностранцев в России Систематизированный взгляд на проблему (неполного) ухода (некоторых) иностранных компаний из России Резюме: в первую очередь, решает страновая и отраслевая принадлежность компании

Напрасные ожидания Вспомнилось. Когда в магистратуре обсуждали адаптивные и рациональные ожидания, в дискуссии родился термин "напрасные ожидания". Это такие "поломанные" рациональные ожидания, которые либо сверхоптимистичны, либо сверхпессимистичны. Такая штука кажется более реалистичной, но ее трудно формализовать. Почему могут возникать "напрасные ожидания"? Из-за эффекта группового мышления. Прогнозы экономических индикаторов обсуждаются постоянно, время от времени появляются "якори", на которые все в той или иной степени оглядываются. Один из таких "якорей" — прогноз МВФ. Думаю, что теперь оптимистичные прогнозы роста ВВП России будут озвучиваться заметно чаще и смелее

Пересмотр прогнозов на 2024 год: глобальной экономики: с 2.9% до 3.1% китайской экономики: с 4.2% до 4.6% российской экономики: с 1.1% до 2.6% Текст здесь

В 16:00 по Москве — трансляция пресс-конференции МВФ, посвященной уточнению октябрьских прогнозов

Техника — молодежи: i.h.s. Обратил внимание на использование в упомянутой работе Штерера и ко обратного гиперболического синуса (inverse hyperbolic sine, или i.h.s.) вместо логарифма — трюк позволяет не отбрасывать нули, логарифмы которых не определены. Для больших значений переменных (средняя выше 10) он ведет себя примерно так же, как логарифм (Bellemare and Wichman, 2019). Для малых значений его интерпретация как эластичности неадекватна. Об ограничениях можно почитать в прошлогоднем апрельском посте Дэвида Маккензи из Всемирного банка. Главное сутевое замечание — логарифм нуля не определен не просто так, а потому что процентное изменение от нуля не имеет смысла: "Estimate the i.h.s., but don’t interpret this as a percentage change. [...] if there is any extensive margin effect, then by changing the units enough, one can get pretty much any answer you want, since a percentage effect is not well-defined when there is an extensive margin."

Технологии x Мигранты = ? Всегда с интересом знакомлюсь с работами Роберта Штерера из австрийского wiiw. В этот раз он с соавторами на излете праздников поставил вопрос о том, в одинаковой ли степени адаптация новых технологий влияет на занятость местных жителей и мигрантов. Интуитивно кажется, что нет — и этот ответ впервые подтвержден эмпирически. Авторы крутят предмет исследования в разных плоскостях — и по странам ЕС, и по типу профессии (правда, для совсем точных выводов не очень детально, о чем делается оговорка), и по уровню образования, и, наконец, по способу измерения технологий (инновации, роботизация, цифровые активы — короче, все самое модное). Вывод, в общем-то, прост и сложен одновременно. Прост, потому что в среднем новые технологии снижают занятость и местных, и мигрантов (но местных — сильнее). Сложен, потому что эффект весьма разнороден по уровню образования и типу профессии. Бонусом — увесистый обзор литературы про технологии и занятость (далеко за 100 источников)

Доторгуем до 2032 В начале недели BCG выпустила компактный и лаконичный материал со взглядом на будущее мировой торговли до 2032 года. Нечасто в последнее время встречаются такие горизонты прогнозирования. Согласно видению BCG, мировая торговля будет в среднем расти медленнее мирового ВВП — 2.8% в год (против 3.1%). Что во многом связано с усилением блокового характера торговли в противовес глобализации. Эксперты выделили 5 основных факторов структурных измерений в мировой торговле (в порядке убывания значимости): 1️⃣ Обособление Северной Америки 2️⃣ Реструктуризация торговли Китая 3️⃣ Быстрый рост в странах АСЕАН 4️⃣ Всестороннее развитие Индии 5️⃣ Российский "поворот на Восток" Многое совпадает с моими представлениями, особенно что касается перспектив АСЕАН. Значимость обособления Северной Америки, на мой взгляд, преувеличена (забыли про реэкспорт из Китая), а роль российского "поворота", напротив, преуменьшена (если учитывать косвенные эффекты, такие как более активное продвижение БРИКС и изменение структуры промпроизводства в ЕС в сторону менее энергоемких отраслей). И, пожалуй, было бы хорошо добавить еще что-то про Африку (все-таки с демографией не поспоришь). Но в целом — хороший материал для размышлений.

В связи с перепостом результаты опроса резко изменились в сторону преобладающего пессимизма, поэтому отдельно зафиксирую мнение "ядерной" аудитории канала (на тот момент было почти 100 голосов). Топ-3, по памяти: 30%: 1.0 — 1.2% 15%: 1.2 — 1.4% 15%: 1.4 — 1.6%