Orbán bebizonyította alkalmatlanságát a vezetésre
Egy fröccsöntő kisiparos is tudja, hogy csak azt érdemes gyártani, amit el is tud adni.
Makromodell, hatásvizsgálat, előrejelzés – a közgazdaságtan fontos varázsszavai. Mit is jelentenek, mire jók, mikor és miért hihetünk az eredményeikben? Kulisszatitkok a Hétfa makromodelljének fejlesztését vezető Major Klárától. Az Összkép magazin írása.
Mire jó egy makromodell?
A makroökonómiára épülnek ezek a modellek, ennek megfelelően egy egész nemzetgazdaság főbb folyamatairól kívánnak átfogó képet adni. A makroökonómiai elemzések tárgya a teljes gazdaság, ami borzasztóan komplex és bonyolult. Nem is létezik egységes makromodell, hanem különböző megközelítések vannak.
A kisebb, sematikus modellek valamilyen elméleti összefüggés megértésére szolgálnak, tudományos szerepük van. A gyakorlati életben a számszerűsített modelleket használják. Céljuk, hogy olyan konkrét eredményt nyújtsanak, amit egy gazdaságpolitikai döntéshez is fel lehet használni. Ezek a gazdaságot annak komplexitásában ragadják meg. Bonyolultak, sok egyenletesek, nehéz áttekinteni őket. Felhasználási cél szempontjából ezt a modellcsaládot is tovább lehet bontani: megkülönböztethetjük a hatásvizsgálat és az előjelzés céljából készített modelleket.
Mi a különbség a hatásvizsgálat és az előrejelzés között?
Az előrejelzés célja a várható trendek feltérképezése, például, hogy mekkora lehet a következő időszakban a GDP. A jövő azonban kiszámíthatatlan, éppen ezért az előrejelzések mindig feltételesek. A kutatók leggyakrabban azt teszik fel, hogy nem történik jelentős változás, például a gazdaságpolitikában vagy a globális trendekben. Ha egy kis, nyitott gazdaság gazdasági teljesítményét próbáljuk előrejelezni, mint Magyarország, az eredményre nézve döntő fontosságú, hogy mit gondolunk a világpiaci folyamatokról.
A hatásvizsgálat arra kíváncsi, hogy egy konkrét beavatkozás esetében mi történik a gazdaságban, ahhoz az állapothoz képest, ha arra nem kerül sor. A hatásvizsgálat tehát mindig egy összehasonlítás, a hatás maga egy különbség. Egy ilyen modell például meg tudja mondani, hány milliárd forinttal nőhet a GDP egy adott beavatkozás vagy csökkenhet valamilyen katasztrófa hatására – egy egyébként várható növekedési pályához képest.
A gyakorlati életben mire használják ezeket a modelleket?
Vannak olyan modellek, amelyek abban jobbak, hogy előrejelezzék a gazdasági mutatókat, számba vegyék a környezeti tényezők változásának összhatását. Egy másik modellcsalád mélyebb, strukturális elemzéseket tesznek lehetővé. A legfőbb különbség abban rejlik, hogy az utóbbi csoportba tartozó modellek a gazdaságot részeire bontva ragadják meg. Több bennük a részlet, ennek az az ára, hogy több feltevéssel dolgoznak. Inkább hatásvizsgálatra, mint előrejelzésre valók.
Az előrejelző modellek elsődleges alkalmazási területe a monetáris politika. Emellett újabban elég sok kísérletet látok arra, hogy a fiskális politikai döntések makrogazdasági hatásainak, a gazdaság növekedésére gyakorolt hatásainak vizsgálatára is használják.
A másik megközelítést főleg strukturális reformok kapcsán alkalmazzák. A ’80-as években például előszeretettel vették elő a külkereskedelmi liberalizáció makrogazdasági hatásainak vizsgálatához. Itt azért volt fontos a részletesebb ágazati bontás, mert egyes ágazatok többet exportálnak a többinél, ezért a vámok eltörlése egészen másképpen hatni rájuk. Hasonló szempontok alapján kerültek fókuszba az adópolitikai változások strukturális hatásai. A 21. század elején pedig új alkalmazási területként jelent meg a klímapolitikai, energiahatékonysági és környezetvédelmi projektek hatásvizsgálata.
Mi olyan modellt dolgoztunk ki, ami az állami fejlesztési programok ágazati hatásait képes elemezni. Ez a modell arra is alkalmas, hogy a gazdaság egyes részeit érintő jelentős változások (például az áramellátás hiányosságai vagy egy nagy külföldi beruházó érkezése) általános hatását mutassa be. Lényegében azt elemezzük, hogy a gazdaság egy adott részét érintő változások hogyan gyűrűznek tovább.
Hadd mondjak el egy konkrét példát.
Készítettünk egy elemzést arról, milyen hatása lenne annak, ha valami gond lenne a villamos ellátással és az energia kínálata egy százalékkal csökkenne. A kérdés azért rendkívül izgalmas, mert a válasz egyáltalán nem triviális. Egyrészt az energetika a teljes nemzetgazdaság 3 százalékát kitevő ágazat. Ez alapján 1 százalékos energia-kínálat csökkenéstől 0,03 százalékos GDP-csökkenést számíthatunk. Másrészt energia nélkül nincs élet - amennyivel kevesebb az energia, annyival kisebb a fogyasztás, a termelés. Eszerint ha 1 százalékkal csökken az energia-kínálat, akkor 1 százalékkal csökken a GDP. 0,03 vagy 1 százalék – 9 milliárd vagy 300 milliárd forint; ez egy széles intervallum.
A pontosabb választ kereső elemzésünk logikája arra épül, hogy a gazdasági szereplők különbözően reagálnak a kínálatcsökkenésre. A legtöbb energiát használó ágazatok főleg a feldolgozóiparban vannak, de meglepő módon a szolgáltatások között is található egy: a sport- és rekreációs intézmények (gondoljunk egy uszoda fűtésére például).
A különböző elsődleges reakciókat további alkalmazkodási folyamat követi a gazdasági ágazatok közötti kapcsolódások hálózatában. Az ágazatok közötti különbségek és interakciók rendszerének modellezésével kaptuk azt az eredményt, ami a gazdaság egészének alkalmazkodási képességét mutatja: ha ez, az egyéként szerencsére elég valószínűtlen esemény, bekövetkezne, az a GDP 0,25 százalékos csökkenését vonná maga után.
Mekkora munka egy ilyen modell elkészítése?
Nehéz megválaszolni, mert sok minden épül itt egymásra. Én 15 éve kezdtem gazdaságpolitikai alkalmazású makromodellekkel foglalkozni. A HÉTFA modellfejlesztésével kapcsolatos előkészítő munka másfél éve kezdődött meg, a mostani modell építésébe több mint egy éve kezdtünk bele. Ekkor még egyértelműen a fejlesztéspolitika volt a fókuszban.
A fejlesztéspolitika általában ágazatokra vagy térségekre fókuszálja forrásait, ezért választottuk a részletekben gazdagabb megközelítésre képes, az ún. standard CGE modellek megközelítését. Az alapmodell további blokkokkal és modulokkal folyamatosan bővült és bővül, amitől a modell egyre komplexebbé válik és egyre jobban közelíti a gazdaságban megfigyelt valós folyamatokat. Jelenleg maximálisan 62 ágazatot tudunk megkülönböztetni.
Régóta csináljuk, de sosem leszünk kész. Ahogy a tudomány fejlődik, úgy a modell is folyamatosan fejleszthető. Másrészt mindig keletkeznek újabb és újabb adatok, amelyek beépíthetőek a modellbe, s a paraméterek értéke is tovább pontosítható. Harmadrészt pedig a modelleknek a gazdasági környezet változását is követniük kell.
Emellett egy ilyen modell annyira bonyolult, hogy az eredmények megértése is komoly tanulási folyamat. Egy összetett modellben sok száz, esetenként ezernél is több egyenlet van, s az egyenletek megoldásaiként kapunk bizonyos számokat - nem egyszerű megérteni, hogy adott beavatkozásnak miért pont annyi a hatása. Ezeket a modelleket az alkalmazás révén lehet leginkább megérteni, idő és gyakorlat kell ahhoz, hogy a kutató a saját modelljét is teljes mélységében felfedezze.
Ha ilyen bonyolultak a makromodellek, honnan tudjuk, hogy elhihetjük-e az eredményeket?
Ez minden makromodellező számára központi kérdés. Ahhoz, hogy hiteles eredményeket kapjunk, sok tényezőre kell figyelni. Egyrészt, a makroökonómiai modellnek a diszciplína valamennyi tudását magában kell hordoznia, vagy ahogy mondani szokás, a tudomány legújabb állását kell tükröznie.
Másrészt, a számszerű eredmények akkor lesznek hitelesek, ha a modell paraméterei – azaz a modellben használt adatok – is megfelelőek. A pontos paraméterbecslés pedig az adatbázistól függ, így az adatok mennyisége és minősége a makromodellezés esetében kulcskérdés.
Az is nagyon fontos, hogy az elemzés során számos érzékenység-vizsgálat készüljön. Ezek azt elemzik, hogy különböző paraméter-értékek mellett mekkora értéket kaptunk volna, vagyis a paraméter-értékek növekedése illetve csökkenése milyen mértékben befolyásolja az eredményt.
Ugyancsak fontos az eredmények értelmezése: miként tudjuk megmagyarázni és interpretálni az eredményeket. Elterjedt gyakorlat, hogy a bonyolult modellek mellé egyszerű modellecskéket készítenek. Úgy is szokták ezeket hívni, hogy boríték-modellek, mert éppen elférnek egy boríték hátulján. Ezek a leegyszerűsítő megközelítések nyújtanak viszonyítási pontot, hogy a cizellált módszertan eredményeit, logikáját értelmezni tudjuk.
Ha ilyen fontos az értelmezés, akkor mi biztosítja, hogy elég objektív egy kutató, nem részlehajló az elemzés?
Ezek a modellek legfőképp arra szolgálnak, hogy számszerűsítsék a hatásokat - azok megítélése már a felhasználó, az olvasó feladata. Tegyük fel, hogy egy modell azt dobja ki, hogy a GDP 300 milliárddal vagy mondjuk 1 százalékkal nő. Ez egy objektív eredmény, annyi, amennyi. Az viszont, hogy én ezt kicsinek vagy nagynak interpretálom, normatív köntösbe burkolva, már megítélés kérdése. Az imént említett boríték-modellek segíthetnek ebben, mivel viszonyítási alapot adnak.
Mindezek mellett a makromodellezés bizalmi munka: meg kell bíznunk abban, hogy aki a feladatot elvégezte, a tudása legjavát tette bele és a maximális objektivitásra törekedett. Azt gondolom, hogy az átláthatóság tudja ezt leginkább elősegíteni. Mi például közzétesszük a modellünket a honlapunkon, közzétesszük a paraméter-becslési eljárásokat, s hogy milyen adatokat használtunk. Ezek alapján a szakma egyértelműen meg tudja ítélni, hogy milyen munkát végeztünk.
Összkép Magazin