Экономическая эволюция. Новый взгляд на мальтузианство, этнический отбор и теорию системной конкуренции - Лэминь У

Я понимаю, почему старшее поколение ученых вынуждено было прятать голову в песок, и, полагаю, они сами давно осознали этот парадокс. Хотя никто не смеет сказать об этом прямо, есть три способа справиться с этим. Первый — то, что сделали Аджемоглу и Робинсон, просто отрицая мальтузианскую ловушку или вообще не упоминая Мальтуса. Второй — отложить появление «хороших систем» до современности, описывая определенный институт как необходимое условие роста и беспрецедентное новое изобретение, до появления которых мир был погружен во тьму. Третий способ — размывание взаимосвязи между системой и ростом. Говоря о системе, меньше упоминать о росте, говоря о росте — меньше упоминать систему или переводить разговор на другую тему, хвалясь, что не интересуешься эпичными повествованиями. Все эти решения без исключения — страусиные, серьезно подрывающие убедительность системного взгляда на экономический рост.

Я согласен с ценностью институтов для экономического роста. Однако с ним связаны две проблемы, которые не были решены. Первая — идеологические предрассудки. На взгляды ученых слишком сильно повлияла холодная война между США и СССР, и их понимание того, «что такое хорошая система», односторонне. Вторая проблема — парадокс спящего вулкана.

Если системный взгляд на экономический рост хочет завоевать уважение, которого он заслуживает, эти две проблемы должны быть решены. В главе 13 я посвящу время анализу первой проблемы, а в этой мы будем решать вторую при помощи новой модели. Отрадно, что модель, с помощью которой я тогда пытался разрешить парадокс спящего вулкана, случайно дала новое объяснение происхождению современного экономического роста.

Модель системной конкуренции

Далее я опишу модель компьютерной симуляции с очень простой структурой. Как известно, когда для модели трудно получить аналитическое решение, альтернативным методом становится цифровое моделирование.

Представьте себе мир, похожий на шахматную доску размером 20×20, с общим количеством квадратов 400. Верхняя и нижняя границы, а также левая и правая соединены, и каждая клетка представляет какой-то регион. Здесь есть только две системы: спартанская и афинская. Каждый регион обладает адаптивностью F, которая меняется со временем. Выражение для обозначения адаптивности очень простое:

F = ME.

M — это мультипликатор. Для регионов со спартанской системой он высок, M = 1; для регионов с афинской системой низок, M = 0,8. Однако экономический масштаб Е в регионах афинской системы увеличился на 2% за период, а в регионах спартанской системы роста не наблюдалось. Поэтому зоны афинской системы также называются зонами роста, а спартанской — зонами застоя.

Эта установка может быть предвзятой в отношении Афин и Спарты. К счастью, говоря о потребностях модели, нам не нужно слишком активно связываться с греческой историей, думайте о них как о «Бибе» и «Бобе». Я использую названия «Афины» и «Спарта», поскольку, даже если у людей и есть предубеждения против этих двух концепций, это почти «универсальные» предубеждения. Они давно стали частью основного нарратива истории человечества. Если Афинами назвать супрематизм цивилизации с низким мультипликатором и высоким темпом роста, а Спартой — супрематизм цивилизации с высоким мультипликатором и низким темпом роста, читатели смогут очень наглядно понять эту пару концепций.

Адаптивность F представляет собой произведение мультипликатора M и экономического масштаба E. Он измеряет способность региона поддерживать и распространять свою систему. В каждый период (примерно 10 реальных лет) каждый регион имеет вероятность резкого спонтанного перехода в другую систему 1‰ (для 400 регионов, вместе взятых, такой переход не редкость).

В то же время между регионами существует системная конкуренция. Мы велели компьютерной программе случайным образом выбрать µ×N областей после окончания каждой фазы перехода и провести повторное извлечение. Здесь μ — мера интенсивности конкурентного отбора, которая называется коэффициентом интенсивности конкуренции, а N — общее количество регионов. В базовом моделировании μ = 100% и N = 400, поэтому в базовой модели извлекается 400 регионов за период. Для каждого извлеченного региона мы случайным образом выбираем один из четырех соседних и позволяем первому использовать систему последнего со следующей вероятностью:

Здесь F — адаптивность первого региона (который был извлечен, чтобы быть зараженным системой), а F’ — адаптивность второго (прилегающий регион, который экспортировал систему). Например, если мы выбираем регион с адаптивностью 60, а затем соседний, расположенный от него к востоку, западу, северу или югу, с адаптивностью 40, то вероятность того, что первый примет систему второго, составляет 40/(60 + 40) = 40%. Если системы в обоих регионах по сути одинаковы, ничего не изменится. Если разные, то системное заражение будет происходить в соответствии с формулой.

Уровень адаптивности афинской системы снизился на 20%, при этом она получила прирост 2%. Первое — статический, или «горизонтальный (выравнивающий)», эффект, а бонус в размере 2% — динамический, или «эффект роста». Согласно этому набору параметров, в течение 10 периодов (100 лет) преимущества роста афинской системы смогут покрыть ее горизонтальные недостатки.

В экономике эффект роста обычно превосходит горизонтальный в среднесрочной и долгосрочной перспективе. Но в этой модели есть еще одна переменная: между регионами существуют конкурентные отношения. Постигнет ли преждевременная кончина системы, которые жертвуют краткосрочными интересами ради долгосрочных выгод, не оставляя себе времени реализовать потенциал роста?

На первый взгляд конкурентный отбор вряд ли даст серьезный эффект. Ведь любой афинский регион может крепко встать на ноги всего за 10 периодов. Есть высокая вероятность, что он распространит свою систему. При таком количестве экспериментальных возможностей в 400 регионах, пока кто-то переживает летаргический период, эффект роста может превзойти горизонтальный. Поэтому изначально я не возлагал особых ожиданий на результаты моделирования и рассматривал их просто как упражнение в программировании.

Однако результаты моделирования превзошли все мои ожидания. На рис. 11.2 показаны две типичные истории, моделирующие 15000 периодов. Кривая отмечает изменение доли зоны роста со временем. Сплошная черная линия — история, смоделированная при интенсивности конкуренции µ = 100%, серая пунктирная — при µ = 20%. Начальный коэффициент площади роста был установлен на уровне 5%. На самом деле его значение неважно. Даже если доля начальной области роста будет установлена равной 95%, тенденция сплошной черной линии останется прежней: область роста быстро достигнет дна и перейдет в долгосрочный спад, а затем внезапно придет в движение примерно через 10000 периодов.

Рис. 11.2. Изменение доли афинских регионов со временем

История моделирования при низкой интенсивности конкуренции (µ = 20%) ничем не примечательна. Эффект роста быстро превзошел горизонтальный. После того как афинская система стала доминировать, доля зон роста начала колебаться на высоком уровне.

В истории моделирования высококонкурентного отбора (µ = 100%) возникли три очень странных явления:

1. В течение 10000 периодов доля зон роста долго была низкой.

2. После длительного экономического спада доля зон