Постановление N 01 от 19.02.2026 об утверждении Инструкции по оценке государственной помощи

Приложение № 3

к Инструкции по оценке государственной помощи

Техническое приложение о методах, релевантных для

идентификации казуального воздействия

Схема государственной помощи может оказывать воздействие на различных уровнях. Как правило, ожидается, что она окажет прямое воздействие на уровне бенефициара. Понимание масштаба этого эффекта имеет решающее значение для оценки уровня эффективности и результативности государственной меры. Однако, поскольку помощь направлена предприятиям, которые взаимодействуют на рынках или в регионах, конкурирующих за привлечение экономической деятельности, государственная помощь также обычно имеет косвенные эффекты. К ним могут относиться, например, сопутствующие эффекты для других предприятий (например, положительные побочные эффекты от исследований и разработок или эффект вытеснения инвестиций со стороны других конкурирующих предприятий) или эффекты релокации (например, перемещение экономической деятельности из одного региона в другой). Такие косвенные эффекты составляют основу для возможных ущербов и выгод, вытекающих из вмешательства государства в экономику. Следовательно, оценка государственных мер требует также оценки масштаба этих косвенных эффектов.

Измерение прямых и косвенных эффектов политики обычно требует использования различных инструментов. В последние десятилетия произошло значительное развитие методологий и техник, предназначенных для оценки прямого воздействия политики на бенефициаров. Эти техники представлены далее более подробно. В редких случаях такие техники также позволят оценить косвенные эффекты схемы государственной помощи для предприятий или регионов. Оценка косвенных эффектов схемы государственной помощи требует, как правило, иных типов доказательств, чем те, которые используются для оценки прямого воздействия на бенефициаров, и интерпретация обычно больше основывается на экономической теории и моделировании. Сложнее дать точные указания относительно этого типа упражнения, которое должно быть адаптировано к потенциальным и ожидаемым положительным и отрицательным эффектам политики. Поэтому оценка должна проводиться после тщательного и строгого анализа наиболее вероятных возможных косвенных эффектов политики. На основе такого анализа оценщики могут получить показатели, основанные на микроданных от предприятий, которые не получали помощь, особенно в том же регионе, группе или отрасли, а также в соседних регионах. Это должно составлять центральный элемент оценки косвенных эффектов схемы государственной помощи. В случае необходимости показатели могут быть дополнены более макроэкономическими данными и, что наиболее важно, тщательно отобранными тематическими исследованиями.

Оценка прямых эффектов является первым необходимым и важным шагом. Тем не менее, строго проведенная оценка косвенных эффектов помощи составляет важное доказательство при оценке более широких эффектов схемы. Если отсутствие дополнительных инвестиций со стороны бенефициаров помощи является, в целом, индикатором провала политики, то сам по себе положительный эффект недостаточен для установления того, что политика достигла своих целей. В частности, если доказывается, что прямое воздействие помощи на бенефициаров очень мало или даже отсутствует, весьма вероятно, что схема будет считаться не выполняющей свою задачу, если не могут быть представлены очень убедительные аргументы относительно существования важных и благотворных косвенных эффектов. Обратное также верно: даже в случае, если оценка устанавливает прямые положительные эффекты помощи, остается вопрос о том, могут ли существовать косвенные отрицательные эффекты, которые их компенсируют или даже превышают.

Также не всегда легко четко отличить прямые эффекты от косвенных. Предприятие могло инвестировать больше (заявленный прямой эффект), потому что его собственные инвестиции оказывают эффект вытеснения на инвестиции со стороны конкурирующих предприятий (косвенный эффект взаимодействия). Предприятие также могло инвестировать больше, так как оно предвидит сопутствующие эффекты и инвестиции, осуществляемые другими предприятиями. Также сама помощь или просто факт предоставления помощи могут иметь любой из упомянутых эффектов. Возможное наличие, направление и ожидаемый масштаб косвенных эффектов должны быть подробно обсуждены при оценке прямых эффектов. Экономическая теория, связывающая косвенные эффекты с помощью, должна быть упомянута явным образом, а дополнительная информация, которая может служить доказательством в поддержку теории, должна составлять неотъемлемую часть оценки.

Выведение казуальности

Казуальное воздействие помощи представляет собой разницу между результатом в присутствии помощи и результатом в отсутствие помощи. Результат в присутствии помощи наблюдается у предприятий, которые получают помощь. Однако результаты, зарегистрированные в отсутствие помощи, измеряются только для предприятий, не получающих помощь. По определению, для предприятий, получивших помощь, невозможно наблюдать результат, который мог бы быть получен в её отсутствие. Следовательно, для оценки эффекта помощи на бенефициаров необходимо построить контрфактический сценарий, а именно, составить разумный сценарий, который определил бы, что могло бы произойти с бенефициарами помощи в случае, если бы они её не получили. Этот сценарий требует идентификации контрольной группы, а именно, группы предприятий, которые должны быть максимально близки к группе предприятий, получивших помощь, по всем аспектам, за исключением самой помощи.

Качество контрольной группы имеет решающее значение для валидности оценки. Характеристики предприятий, пользующихся помощью, как правило, отличаются от характеристик предприятий, не пользующихся помощью. Они могут, например, работать в более бедных регионах с меньшим рыночным потенциалом, сталкиваться с большим количеством кредитных ограничений, быть более или менее эффективными, иметь или не иметь проект для реализации и так далее. Таким образом, простое сравнение бенефициаров с теми, кто не получает помощь, скорее всего, отразит эту реальность в большей степени, чем эффект самой политики.

Обеспечение того, чтобы систематическая разница между бенефициарами и теми, кто не получает государственную помощь (так называемый эффект отбора), не искажала результаты, является основной проблемой для проведения надёжной оценки. В последние десятилетия было разработано несколько надёжных методов для решения этой проблемы. Выбор метода зависит от оцениваемой политики и имеющихся данных. Также каждый из методов имеет ограничения и является действительным только на основе определённого количества гипотез. Достоверность исследования может быть повышена путем выявления и явного обсуждения этих ограничений. В настоящем приложении описываются наиболее актуальные методы с акцентом на наиболее практические аспекты и подчеркиванием важности хорошей стратегии идентификации.

A. Рандомизированные эксперименты

Идентификация подходящей контрольной группы имеет решающее значение для получения качественной (неискаженной) оценки эффекта политики. Наиболее благоприятный случай – это когда эффект отбора отсутствует, поскольку бенефициары были выбраны случайным образом. В этом случае между бенефициарами и теми, кто не получает помощь, нет систематической разницы, за исключением самой рассматриваемой помощи, и разницу в результатах можно приписать проводимой политике.

Однако случайный отбор бенефициаров помощи иногда подвергается критике, так как это противоречит цели многих схем, заключающейся в отборе наиболее подходящих бенефициаров на основе объективных критериев. Тем не менее, при определенных обстоятельствах можно ввести элементы случайности в отношении права на участие или стимулов для участия бенефициаров. Примером является установление фиксированного бюджета для данной схемы. В случае если спрос со стороны заявителей превышает бюджет, а их характеристики относительно равны, можно попытаться установить случайный характер предоставления помощи. Другим примером является случайное предоставление потенциальным бенефициарам различных уровней информации о схеме государственной помощи.

Пилотные проекты предоставляют дополнительные возможности для случайного распределения помощи. В случае инновационных политик может быть целесообразно сначала оценить пилотный проект меньшего масштаба. Пилотный проект может иметь меньший размер, и бенефициаров легче выбрать случайным образом. Другой альтернативой было бы поэтапное внедрение схемы, например, считая имеющими право на участие 25 % предприятий, отобранных случайным образом в первый год, с последующим увеличением процента до 50 %, 75 % и, соответственно, 100 % во второй, третий и четвертый годы (или, в качестве альтернативы, продвижение схемы среди все более широкой аудитории). Для новой политики период поэтапного внедрения во многих случаях является административной необходимостью.

Эти идеи могут быть более подходящими для реализации совершенно новых схем или значительного изменения существующих. Вероятно, довольно сложно рандомизировать право на участие (напрямую или косвенно) для продолжения существующих схем. Однако это не означает, что рандомизированные эксперименты не могут быть использованы для отдельных частей их оценки. В частности, по-прежнему существует возможность случайного выбора бенефициаров для вариантов схемы, которые потенциально являются более эффективными, адресными и/sau оказывают меньшее искажающее воздействие. Например, в случае программы субсидирования может быть предложена, в случайном порядке, вновь введенная система кредитования.

B. Квазиэкспериментальные методы

Хотя рандомизированные эксперименты являются наилучшим возможным средством оценки эффекта политики, их не всегда возможно реализовать. Были разработаны другие методы для ex post оценки политики. Эти методы преследуют общую цель – использовать экзогенные различия в среде, в которой работают предприятия, для создания ситуаций, максимально приближенных к экспериментам (так называемые "естественные эксперименты" или "квазиэксперименты").

В целом, выявление естественных экспериментов или квазиэкспериментов является сложной задачей для оценки ex post. Однако тщательный анализ разработки политики может выявить наличие достаточных экзогенных различий. При необходимости первоначальная структура может быть скорректирована для включения элементов, позволяющих идентифицировать эффекты политики.

Контроль с точки зрения наблюдаемых различий

Как пояснялось выше, обычно существуют значительные различия между бенефициарами помощи и теми, кто её не получает. Следовательно, необходимо учитывать такие различия при сравнении результатов этих двух групп.

Многие из различий в характеристиках, как правило, являются наблюдаемыми. Самый распространенный способ учета таких различий заключается в использовании линейной регрессии. Линейная регрессия направлена на проверку влияния наблюдаемых характеристик на полученные результаты. Она предполагает линейную связь между результатом (например, инвестиции в исследования и разработки) и другими характеристиками предприятия, например, сектор, возраст, размер и т. д., включая сам факт предоставления помощи. Линейную регрессию можно рассматривать как линейную аппроксимацию более сложных взаимосвязей. Линейные регрессии могут рассматриваться как техники общего назначения и используются в многочисленных различных контекстах оценки.

Альтернативой линейной регрессии является использование техник сопоставления. Техники сопоставления направлены на формирование пар между каждым бенефициаром и другим предприятием, которое "выглядит" очень похожим, но не получало помощь. В качестве наблюдаемых элементов для сопоставления могут использоваться характеристики предприятия или расчетная вероятность получения помощи (сопоставление по показателю склонности). Сопоставление может являться полезным способом контроля наблюдаемых характеристик в рамках обоснованной эмпирической стратегии.

Однако и простая линейная регрессия, и сопоставление имеют определенные внутренние ограничения. Оба метода верны только при соблюдении так называемой гипотезы об условной независимости. Это условие предполагает, что как только влияние наблюдаемых характеристик было учтено, результат становится независимым от наблюдаемых характеристик. На практике это означает, что каждая переменная, влияющая как на результат, так и на отбор, является наблюдаемой (и учитывается в соответствующей функциональной форме). В противном случае сам факт участия предприятия отражает определенные (ненаблюдаемые) характеристики, которые также определяют его эффективность. Ни линейная регрессия, ни сопоставление не смогут обеспечить получение валидной оценки. Например, если у предприятия есть "перспективный" проект, это влияет как на вероятность того, что оно запросит помощь (и её получения), так и на вероятность успешного развития бизнеса. Неучёт данного обстоятельства приведёт к искажению результатов.

В частности, в случае сопоставления, сравнение результатов между бенефициаром и его "близнецом", с которым он был сопоставлен и который не получает помощь, позволяет избежать эффекта отбора только в том случае, если предоставление помощи не связано с ненаблюдаемыми переменными, которые также влияют на результат. В действительности эта гипотеза будет соблюдаться редко. Измерение всех переменных, влияющих на запрос или получение помощи, редко представляется возможным. Применение техник сопоставления также требует, чтобы предприятия, пользующиеся помощью, имели наблюдаемые характеристики, очень схожие с теми, которые помощь не получают. В случае, если сопоставленные предприятия действительно схожи по каждому наблюдаемому элементу, причины, по которым одни предприятия получили помощь, а другие нет, по определению остаются ненаблюдаемыми. Обоснование валидности оценки на основе сопоставления или более простой классической линейной регрессии не может, следовательно, заключаться в простом наличии очень полного набора данных со многими наблюдаемыми характеристиками.

Напротив, потенциальное обоснование использования сопоставления или более простой линейной регрессии в оценке основывается на том, что ненаблюдаемые мотивы, объясняющие право на помощь или её назначение, не имеют прямого или косвенного влияния на результаты (после контроля наблюдаемых элементов). Чтобы оценка, основанная на простом сопоставлении или линейной регрессии, была валидной, должна быть уверенность в том, что группа предприятий, не получавших помощь, была определена экзогенно. Это предполагает, что после контроля наблюдаемых элементов не остается ни одного ненаблюдаемого фактора, который объяснял бы право на помощь или её предоставление и который влиял бы прямо или косвенно на результаты. В целом, сопоставление предприятий, которые имеют равные права на помощь, не будет соответствовать этому последнему критерию. Например, если все предприятия имеют право на помощь, предприятия, получающие помощь на инвестиции, с большей вероятностью имеют проект, чем те, кто помощь не получил (поскольку в противном случае они бы запросили и получили помощь). В целом, предприятия с проектом более склонны к росту продаж или занятости, но это не связано с помощью, и сопоставление на основе наблюдаемых элементов не способно разграничить эти два аспекта (за исключением случаев измерения наличия сопоставимого инвестиционного проекта).

Во многих ситуациях гипотеза условной независимости обречена на провал. Следовательно, может возникнуть необходимость во внедрении иных техник, помимо простой линейной регрессии или сопоставления, чтобы учесть наличие ненаблюдаемого отбора в рамках применяемого воздействия.

Далее в настоящем приложении подробно описываются наиболее часто используемые методологии для оценки воздействия политики в данном контексте, а именно: разность разностей (Differences-in-Differences, DID), метод разрывной регрессии (Regression Discontinuity Design, RDD) и инструментальные переменные (Instrumental Variables, IV). Валидность этих методологий основывается на различных гипотезах, а наилучший выбор обычно определяется контекстом политики и доступностью данных. В представлении описываются преимущества и недостатки каждой техники в отдельности. За заметным исключением рандомизированных контролируемых исследований (randomised controlled treatments, RCT), представленных выше, не существует техники, которая была бы лучше всех остальных во всех аспектах. Выбор конкретной техники должен направляться тщательным анализом контекста меры и доступных данных.

В данном контексте следует подчеркнуть, что не использование конкретной эконометрической техники позволяет идентифицировать эффекты политики, а экзогенность контрольной группы и, следовательно, качество контрфактического сценария. Таким образом, качество оценочного исследования будет существенно зависеть от того, насколько убедительно исследователь сможет доказать экзогенность контрольной группы. В случаях, когда могут сохраняться остаточные искажения, крайне важно, чтобы они были подробно обсуждены, включая их источники и направления, а также вероятный масштаб влияния, которое они оказывают на результаты.

a. Разность разностей ("Difference-in-Difference")

Обоснование и идентификация

Как пояснялось ранее, простое сравнение между бенефициарами и даже хорошо подобранной группой лиц, не являющихся бенефициарами, вряд ли приведет к валидной оценке, поскольку невозможно исключить наличие ненаблюдаемых различий между двумя группами, что ведет к устойчивой разнице в результатах даже в отсутствие помощи. Кроме того, простое сравнение результатов бенефициара до и после предоставления помощи также чревато получением ложной оценки. Это не позволяет разграничить эффекты помощи и эффекты других факторов, которые также оказывают влияние на результаты обеих групп, таких как общая экономическая тенденция, изменения в регуляторной среде или рост стоимости рабочей силы.

Тем не менее, сочетание этих двух подходов может позволить оценить причинно-следственный эффект помощи: это подход, основанный на "разности разностей". Основная идея заключается в том, чтобы учесть изменение результатов предприятий во времени. Предшествующие различия приписываются иным факторам, помимо государственной помощи. Только само изменение разницы ("разность разностей") приписывается помощи. Иными словами, метод сравнивает разницу в показателях между бенефициарами и контрольной группой до предоставления помощи, а также после её предоставления, и затем приписывает изменение этой разницы самой помощи. Метод работает в том случае, если с течением времени и на бенефициаров, и на контрольную группу одинаковым образом влияют другие факторы, также воздействующие на показатели. Таким образом, можно сделать вывод, что помощь является единственным определяющим элементом, объясняющим наблюдаемые изменения в показателях бенефициаров по отношению к контрольной группе.

Фундаментальная гипотеза заключается в том, что различия между бенефициарами и контрольной группой стабильны во времени и что обе группы одинаково подвержены общим шокам (отклонениям от среднего значения) в течение рассматриваемого периода. На практике эта гипотеза может оказаться ошибочной. Например, если бенефициарами являются наиболее уязвимые предприятия, они, вероятно, в большей степени пострадают от экономического спада и общего делового климата. Следовательно, контрольная группа также должна состоять из уязвимых предприятий. В целом, выбор контрольной группы имеет решающее значение для валидности метода. Идентификация заключается не в использовании подхода "разности разностей", который является лишь технической реализацией, а в надлежащем отборе контрольной группы.

Необходимо уделять особое внимание формированию контрольной группы в случаях, когда лица, не являющиеся бенефициарами, сами решили не запрашивать помощь. Можно ожидать, что наличие или отсутствие запроса на помощь связано с выгодами, получаемыми от её предоставления. Таким образом, есть основания полагать, что ожидаемые результаты предприятий, не запрашивающих помощь (в отношении занятости, производительности, продаж и т. д.), отличаются от результатов, прогнозируемых для бенефициаров. Например, если все предприятия, запрашивающие помощь, получают её, то единственными предприятиями, не подавшими заявку, являются те, у которых нет проекта (исходя из предпосылки о низком уровне издержек на подачу заявки). Такие предприятия склонны не только к самым низким показателям эффективности, но и к деградации со временем, в то время как более устойчивые предприятия реализуют проекты и развиваются. Нельзя ожидать, что показатели занятости, производительности или продаж будут оставаться параллельными, и двойное дифференцирование, как правило, не приводит к решению этой проблемы.

Следовательно, предприятия из контрольной группы, не получившие помощь, должны быть отобраны по причинам, которые не имеют никакого влияния на измеряемые результаты. Они не должны самоотбираться и принимать добровольное решение о неучастии. Наиболее убедительным сценарием является тот, при котором отсутствие участия связано с несоответствием критериям приемлемости, что является следствием "естественного эксперимента". В этом случае маловероятно, что неприемлемость обусловлена ненаблюдаемыми факторами, которые также влияют на результаты. Контрольными группами могут быть, например, предприятия, расположенные в регионах, которые более не имеют права на помощь (в случае, если право на помощь связано не с их собственной эффективностью, а, скорее, с экзогенным событием).

Практическая реализация

С технической точки зрения, методы, основанные на "разности разностей", могут быть реализованы либо в рамках модели линейной регрессии, либо посредством сопоставления. В первом случае контрольная группа выбирается независимо от наблюдаемых характеристик и, следовательно, сопоставима в глобальном масштабе со всей группой бенефициаров помощи. Впоследствии наблюдаемые различия учитываются в классической линейной регрессии. Во втором случае контрольная группа состоит из предприятий, которые индивидуально сопоставимы с каждым предприятием-бенефициаром в рамках выборки на основе наблюдаемых факторов. Результат каждого предприятия сравнивается с результатом наиболее сопоставимого предприятия (или нескольких наиболее сопоставимых предприятий), после чего результаты агрегируются. Эти два метода представляют собой два разных способа учета наблюдаемых различий, однако не существует фундаментальной разницы в том, что касается идентификации казуального эффекта политики.

В зависимости от обстоятельств, может быть полезно сравнить вариации результатов бенефициаров и контрольной группы до предоставления помощи. Если результаты начинают систематически расходиться еще до того, как помощь была фактически предоставлена, вероятно, что контрольная группа и группа бенефициаров становятся дивергентными по причинам, не связанным с помощью, и метод не даст валидной оценки казульного эффекта помощи. Это не является строгим тестом валидности гипотезы, так как такого теста не существует, но представляет собой, по крайней мере, первую полезную проверку на согласованность.

Дополнительные методы и тесты на робастность могут быть использованы, когда существует несколько потенциально валидных контрольных групп. Первая и самая естественная проверка на робастность заключается во внедрении нескольких оценщиков "разности разностей" и сравнении результатов. Кроме того, можно использовать различные контрольные группы для построения более достоверной оценки. Представьте схему, ориентированную на МСП в определенном регионе. Двумя потенциальными контрольными группами являются предприятия, не относящиеся к категории МСП в этом регионе, или МСП в соседнем регионе. Ни одно из этих предприятий не принимало добровольного решения о запросе помощи, будучи просто неправомочными. Однако ни одна из этих контрольных групп не является идеальной: крупные предприятия в том же регионе, вероятно, по-разному реагируют на общие экономические тенденции, в то время как МСП в соседнем регионе могут подвергаться иным региональным шокам. Вместо выбора между двумя оценщиками "разности разностей", можно комбинировать их и внедрить метод тройной разности (DDD): начиная с "классической" разности разностей между МСП и не-МСП в данном регионе, можно вычесть ту же разность разностей из соседних регионов, чтобы аннулировать вариацию результатов между МСП и не-МСП, не связанную с помощью. В качестве альтернативы можно систематически пытаться создать синтетическую контрольную группу, состоящую из МСП нескольких соседних регионов и не-МСП из того же региона, для лучшего воспроизведения модели результата бенефициаров до предоставления помощи.

Выводы

В дополнение к тщательному проектированию и выбору контрольной группы, вопрос формирования выводов должен рассматриваться особым образом. Понятие "вывода" в данном контексте относится к вопросу о том, являются ли расчетные эффекты действительно значимыми. Статистическая значимость – это аспект, отличный от экономической значимости. Последняя относится к величине расчетных эффектов по сравнению с другими параметрами, релевантными с точки зрения экономической теории. Как пояснялось ранее, экономическая значимость имеет решающее значение. Тем не менее, эта дискуссия актуальна, в принципе, только в том случае, если со статистической точки зрения эффекты оценены с достаточной точностью, а именно – можно исключить отсутствие какого-либо эффекта.

Существуют основания полагать, что простой вывод на основе стандартных гипотез (таких как гипотеза о гомоскедастичности и гипотеза об отсутствии автокорреляции), вероятно, приведет к завышению статистической значимости эффектов.

Первая проблема касается группировки данных. Если контрольная группа, как и группа бенефициаров, крайне гомогенны (даже если они отличаются друг от друга), все предприятия в каждой группе, вероятно, будут подвержены схожим отклонениям от среднего (шокам). Со статистической точки зрения это означает, что член ошибки содержит общий элемент. Если вариация этого общего элемента велика по сравнению с вариацией результатов, наблюдаемых для отдельных предприятий, вывод будет искажен. Если рассматриваются два периода или две группы, проблема может быть особенно серьезной и граничить с проблемой идентификации: невозможно отделить эффект общих шоков внутри каждой группы от эффекта политики. Проблема может быть не столь острой, если группы не так гомогенны. Тем не менее, необходимо всегда учитывать наличие общих шоков для гомогенных подмножеств групп. Например, если спрос является локальным, обычно требуется корректировка кластерной структуры члена ошибки на уровне населенных пунктов. То же самое может относиться к индустриям или секторам.

Вторая проблема возникает при использовании панельных данных. Члены ошибки большинства данных на уровне предприятия, таких как занятость, производительность и инвестиции, обычно автокоррелированы. Это означает, что отклонения от среднего в определенном периоде, скорее всего, сохранятся в следующем. Игнорирование этого аспекта ведет к завышению точности оценки эффектов и к необоснованно частому отклонению гипотезы о том, что политика не имела эффекта. Эта проблема может быть серьезной, как показывают экономисты Бертран, Дюфло и Маллейнатан.

b. Инструментальные переменные

Обоснование и идентификация

Инструментальные переменные ("IV") представляют собой классический метод решения проблемы эндогенности объясняющих переменных. Поскольку получение помощи можно рассматривать как эндогенную объясняющую переменную эффективности предприятия в контексте линейной регрессии, естественно использовать инструментальные переменные для оценки эффекта помощи.

Переменная является эндогенной, когда она коррелирует с ненаблюдаемым элементом, который также определяет результат. Например, представьте, что ставится цель выявить эффект государственной субсидии на занятость на предприятиях путем корреляции занятости с участием в программе и другими наблюдаемыми элементами. Представим, что программа помощи нацелена на неэффективные предприятия, которые, вероятно, сталкиваются с трудными рыночными условиями. Рыночные условия не подлежат наблюдению со стороны оценщика и, следовательно, не могут контролироваться напрямую. Тем не менее, если эта переменная не учитывается, эффект субсидии, скорее всего, будет недооценен оценщиком из-за эндогенного характера участия в программе. То, в какой мере предприятие сталкивается с благоприятными или трудными рыночными условиями, влияет как на участие в программе, так и на занятость; а именно – участие в программе коррелирует с членом ошибки, объясняющим занятость. Влияние рыночных условий на участие в программе означает, что невозможно приписать всю корреляцию между участием в программе и занятостью исключительно причинно-следственному воздействию помощи.

Тем не менее, существуют также другие факторы, которые объясняют участие в программе, но не занятость. Например, согласно экономисту Крисцуоло и другим, географическое положение может определять общую сумму, доступную для программы в регионе. Кроме того, список регионов, охваченных программой, со временем меняется. Если бюджет программы для определенного региона изменился с течением времени по внешним причинам (например, снизился средний ВВП на душу населения в ЕС), это влияет на участие в программе, но не на условия местного рынка, на котором работает предприятие. Вариация занятости, связанная с экзогенными изменениями в охвате программы, не связана с условиями местного рынка. Сосредоточив внимание на этой "части" переменной участия в программе, можно изолировать реальное влияние участия на занятость на предприятии без вмешательства условий местного рынка. В этом и заключается логика инструментальных переменных.

Что касается оценки государственной помощи, инструментальная переменная – это переменная, которая позволяет объяснить предоставление помощи, но не оказывает прямого влияния на другие ненаблюдаемые детерминанты измеряемого результата. Следовательно, инструментальные переменные позволяют сосредоточиться на участии в схеме без вмешательства эффектов отбора. В качестве иллюстрации логику инструментальной переменной можно представить следующим образом. На первом этапе участие в программе регрессируется на все экзогенные переменные, включая инструментальные переменные. На втором этапе переменная участия (переменная, указывающая, была ли предоставлена помощь) заменяется на участие, как это было предусмотрено на первом этапе: прогнозируемое участие не коррелирует с ненаблюдаемым элементом, который также определяет результат.

Проблемы слабых инструментов

Инструментальная переменная – это переменная, которая позволяет объяснить предоставление помощи, но не оказывает прямого влияния на другие ненаблюдаемые детерминанты измеряемого результата. Однако это простое и классическое определение скрывает ряд практических трудностей. Существуют тесты для проверки согласованности инструментов в тех случаях, когда используется больше инструментов, чем строго необходимо для идентификации модели. Тем не менее, не существует ни одного теста для проверки валидности самих инструментов. Существуют тесты для проверки согласованности инструментов в тех случаях, когда используется больше инструментов, чем строго необходимо для идентификации модели. Тем не менее, не существует ни одного теста для проверки валидности самих инструментов. Основная цель исследования, использующего инструментальные переменные, как правило, заключается в том, чтобы объяснить, почему каждая отдельная переменная может считаться не связанной с ненаблюдаемыми детерминантами эффективности предприятий, такими как занятость, производительность, продажи, инвестиции и т. д. Подобные объяснения, основанные как на экономических аргументах, так и на фактических данных, необходимы для оценки валидности исследования. Однако их недостаточно, особенно в тех случаях, когда используется несколько инструментов.

Обсуждение качества инструментальных переменных должно включать аспект слабых инструментов, а именно – инструментов, слабо коррелирующих с переменной результата. В случае, если инструментальные переменные недостаточно коррелируют с эндогенной переменной, оценки, скорее всего, будут неточными. В такой ситуации может возникнуть искушение добавить больше инструментальных переменных. Хорошо известно, что путем инструментирования достаточно большим количеством переменных можно восстановить значительную часть исходной переменной для получения статистически значимых результатов. В то же время, метод наименьших квадратов в два этапа при этом естественным образом все больше приближается к обычному искаженному методу наименьших квадратов. Возможность такого искажения должна быть эксплицитно рассмотрена в любой оценке, использующей метод инструментальных переменных. В частности, должен быть затронут аспект достоверности не только их индивидуальной экзогенности, но и их совместной экзогенности.

Особый случай возникает тогда, когда предполагается, что эндогенная переменная автокоррелирована. В случае если предполагается, что источник эндогенности носит исключительно текущий характер, становится возможным использование предыдущие значения в качестве инструментальных переменных. Однако впоследствии следует проанализировать точную валидность такого подхода. Например, если объясняющие переменные автокоррелированы, это может быть справедливо и для измеряемых результатов. Например, если объясняющие переменные автокоррелированы, это может быть справедливо и для измеряемых результатов. Кроме того, лаговые переменные также являются эндогенными. В целом, если автокорреляция объясняющих переменных очень велика, гипотеза экзогенности может оказаться неприменимой. Если же она мала, можно прибегнуть к использованию многочисленных лагов (и потенциальных будущих значений), и тогда может возникнуть риск попадания в описанную ранее ловушку использования множества слабых инструментов. В целом, инструментирование через предыдущие значения может быть валидной стратегией, но его следует использовать с осторожностью.

В целом, во избежание описанных выше проблем, настоятельно рекомендуется использовать лишь небольшое число убедительных инструментов. Тем не менее, впоследствии также необходимо продемонстрировать, что инструменты являются хорошими индикаторами эндогенной объясняющей переменной.

Модификации двухэтапных оценок: Модель отбора Хекмана

В случае если эндогенная переменная является переменной воздействия (фиктивная переменная участия), первая регрессия метода наименьших квадратов в два этапа может рассматриваться как линейная модель вероятности прохождения воздействия. Однако в некоторых случаях вероятность прохождения воздействия, даже будучи ограниченной правомочными предприятиями, может быть низкой. Кроме того, линейные аппроксимации могут быть слишком грубыми для эффективного приближения вероятности прохождения воздействия и для концентрации на эффектах распределения, которые и являются предметом интереса. Există mai multe moduri de a aborda acest aspect. Существует несколько способов решения этого аспекта. Все они основаны на замене линейной модели вероятности прохождения воздействия нелинейной функцией.

Классический подход заключается в рассмотрении проблемы оценки в контексте модели отбора. Этот подход трактует эффект отбора как проблему пропущенной переменной в линейной регрессии результата на основе наблюдаемых элементов и участия. Существует несколько вариантов этой методологии, например, оценка всей модели методом максимального правдоподобия или инструментирование предоставления помощи через прогнозируемое значение уравнения отбора.

Тем не менее, крайне важно проанализировать идентификацию и, в особенности, выбор переменных. Недопустимо использовать одни и те же переменные на обоих этапах процесса оценки, даже если результаты кажутся достаточно точными.

Надежной считается только такая оценка модели отбора, которая включает так называемую переменную исключения. Переменная исключения – это переменная, которая объясняет отбор бенефициара помощи, но не сам результат. Недостаточно просто удалить переменную из основного уравнения, чтобы добавить ее в список объясняющих переменных уравнения отбора. Напротив, переменная исключения должна объяснять отбор, не оказывая при этом никакого влияния на результат, который требуется объяснить. По сути, это очень близко к валидной инструментальной переменной. Выбор такой переменной не может диктоваться удобством; он должен основываться на экономической теории, институциональной структуре и/или опыте.

c. Модель разрывной регрессии

Модель разрывной регрессии (RDD) является новейшим дополнением к инструментам оценки. В последнее десятилетие она пользовалась большим успехом в академическом сообществе, прежде всего благодаря своей простоте. Метод основан на использовании переменной, оказывающей дискретное влияние на вероятность подпадания под воздействие политики. В контексте схем государственной помощи могут быть полезны различные виды дискретностей. Первый вид дискретности относится к географическим границам: право на получение помощи в рамках схем может быть связано с чётко определёнными административными границами, такими как административно-территориальные единицы, населённые пункты, регионы уровня NUTS и т. д. Второй вид дискретности обусловлен условиями, предъявляемыми к бенефициарам государственной помощи, в частности в отношении срока их деятельности и размера предприятия.

Пример: Проекты, представленные предприятиями, оцениваются в баллах (из 100), и предприятия, набравшие не менее 70 баллов, получают помощь, в то время как остальные не получают никакой помощи. Предприятие, набравшее 71 балл, представило проект лучше, чем предприятие, набравшее 69 баллов. Тем не менее, последствие этой маржинальной разницы является существенным: первое предприятие получает помощь, тогда как второе не получает никакой помощи. Следовательно, сравнение результатов этих двух предприятий очень точно отражает казуальный эффект государственной помощи.

С формальной точки зрения, модель разрывной регрессии требует, чтобы вероятность получения помощи была дискретной, в то время как все остальные переменные должны оставаться непрерывными. Техническая реализация может быть очень близка к методу инструментальных переменных, где в качестве инструмента используется фиктивная переменная превышения порога. Тем не менее, существуют два основных различия. Первое заключается в том, что модель разрывной регрессии основывается на более слабых допущениях. Более конкретно, априори не требуется независимость инструмента. Например, в случае с баллами, предприятия с более эффективными проектами могут подавать больше заявок, чем предприятия с неэффективными проектами. Единственным требованием является то, чтобы в окрестностях порога вероятность подачи заявки не была прерывистой. Второе отличие состоит в том, что оценки производятся только на основе предприятий, находящихся очень близко к обеим сторонам порога. Следовательно, у менее уязвимых гипотез есть свои недостатки: оценки модели разрывной регрессии имеют более локальный характер, чем оценки методом инструментальных переменных в целом. В случае если эффекты помощи различаются для предприятий, находящихся дальше от порога, оценки модели разрывной регрессии не будут являться корректной оценкой эффекта для всех бенефициаров помощи.

Локальный характер таких оценок может вызывать беспокойство, если ожидаются значительные расхождения в эффектах вдали от установленного порога. Кроме того, политика может оказывать сильное влияние на отдельные предприятия по другую сторону границы. Например, это может произойти, если эффекты вытеснения являются значительными. Следовательно, использование моделей разрывной регрессии на географической границе не всегда является хорошей эмпирической стратегией.

Наконец, сильная сторона модели разрывной регрессии заключается в концентрации на узкой полосе вокруг разрыва. Если эта полоса широка, нельзя предполагать, что влияние других характеристик остается неизменным. Этот аспект обычно не решается путем контроля наблюдаемых факторов, который принимает особую функциональную форму.

Графическая проверка данных может обеспечить определенную уверенность в надежности гипотезы, лежащей в основе модели разрывной регрессии. В частности, крайне важен контроль трех аспектов. Во-первых, действительно ли существует дискретность на пороге в отношении предоставления помощи. Во-вторых, проявляют ли измеряемые результаты дискретность в тот же самый момент и не имеют ли они других дискретностей того же типа в других местах. В-третьих, необходимо также убедиться в отсутствии дискретности у других параметров, коррелирующих с результатами, включая склонность к подаче заявки на получение помощи.

Наконец, разрывы могут создаваться намеренно, чтобы обеспечить возможность оценки схемы государственной помощи. В частности, интенсификация политик может быть использована для создания дискретностей и содействия выявлению эффектов той или иной политики.

C. Структурное оценивание

Структурное оценивание использует полностью специфицированную теоретическую модель поведения предприятия. Оценивание в дальнейшем позволяет восстановить параметры, определяющие поведение предприятия. Это дает возможность провести точную оценку факторов, определяющих индивидуальное поведение предприятий, и осуществить симуляции эффективности других инструментов. Тем не менее, структурное оценивание, как правило, является более требовательным с точки зрения ресурсов и данных, а также с точки зрения допущений.

Невозможно предоставить точные руководящие принципы в отношении структурного оценивания, поскольку идентификация, оценивание и выводы должны определяться в каждом конкретном случае. Тем не менее, ранее предоставленные общие рекомендации по-прежнему применимы. Во-первых, необходимо, чтобы теоретическая модель соответствовала основным стилизованным характеристикам рынка. Во-вторых, вопросы, связанные с ненаблюдаемыми характеристиками и отбором, должны быть надлежащим образом и прямо учтены.

D. Дополнительные методологические замечания

Гетерогенность эффектов воздействия

Предыдущие разделы были сосредоточены на оценке среднего эффекта воздействия на тех, кто подвергся этому воздействию. Само название предполагает, что эффект помощи варьируется от одного бенефициара к другому. Эта гетерогенность может иметь множество причин и многочисленные последствия. Первое последствие может заключаться в том, что в случае, если помощь очень эффективна для одних предприятий, но гораздо менее эффективна для других, средний эффект может оказаться статистически незначимым. Отсутствие статистически значимого эффекта не означает, что помощь не оказывает влияния ни на одно предприятие. С точки зрения политики, средняя эффективность схемы является первым очень интересным показателем. Тем не менее, попытка понять факторы, определяющие эту гетерогенность, не менее важна для разработки улучшенных схем. Это позволяет сосредоточиться непосредственно на тех предприятиях, для которых помощь обеспечивает наивысший уровень эффективности и наименьший уровень искажения конкуренции.

Следовательно, во всех возможных случаях эффект помощи должен оцениваться для различных типов предприятий, таких как малые предприятия в сравнении с крупными, молодые предприятия в сравнении со зрелыми, инновационные предприятия, предприятия, сталкивающиеся с кредитными ограничениями, и так далее.

Искажения конкуренции для предприятий, не получающих помощь

Оценка влияния схемы на предприятия, не получающих помощь, прямо или косвенно, очень полезна для оценки государственной помощи. Государственная помощь может искажать рынки через воздействие на тех, кто ее не получает, например, через распространение знаний от бенефициаров или через снижение конкурентоспособности по сравнению с бенефициарами и тд.

Также эффекты для предприятий или локаций, не получающих помощь, могут влиять на валидность оценки. Например, часть эффекта региональной помощи может проявиться через возможности на границе: предприятия, традиционно расположенные на "неправильной" стороне границы, просто переезжают на другую сторону. В этом случае модель разрывной регрессиина границе может зафиксировать в лучшем случае эффект вытеснения и рискует переоценить реальный совокупный эффект политики. В такой ситуации должна использоваться иная эмпирическая стратегия (например, может быть полезно проверить устойчивость оценки в более обширных регионах).

E. Данные

Доступ к соответствующим микроэкономическим данным, позволяющим проводить оценку воздействия, является критически важным. Данные должны быть сопоставимы как для бенефициаров, так и для небенефициаров. Следовательно, они должны происходить из одного и того же источника, за естественным исключением информации о самой рассматриваемой помощи. Данные должны быть доступны на максимально детальном уровне, хотя в некоторых случаях на более позднем этапе может потребоваться определенная форма агрегирования.

Необходимы данные, содержащие показатели результатов как для группы воздействия, так и для контрольной группы, включая момент измерения этих результатов Также требуется как можно больше данных о факторах, которые потенциально могут влиять на результаты и на решение организаций участвовать в программе помощи. Данные используются для "контроля" различий между группами воздействия и контрольными группами. Например, на уровне предприятия такие данные могут включать местоположение, размер и демографические аспекты, а также используемые факторы производства.

Наиболее естественным источником данных являются данные административного происхождения, такие как налоговая отчетность или национальные обследования. Эти источники предоставляют информацию о местоположении и деятельности предприятий, а иногда и отдельных заводов. Они обычно позволяют отслеживать инвестиции и продажи в зависимости от вида деятельности, а также рассчитывать финансовые показатели. Крупные национальные или общеевропейские опросы, такие как общеевропейские опросы по вопросам инноваций, также представляют интерес, поскольку охватывают большую и репрезентативную выборку и предоставляют дополнительную информацию по конкретным темам. Наконец, объединённые наборы данных работодатель–работник также являются важным источником информации. Такие данные обычно позволяют сопоставлять характеристики рабочей силы с местоположением каждого предприятия, что может иметь ключевое значение, когда географическое распределение рабочей силы представляет интерес.

Помимо показателей результатов и характеристик бенефициаров, необходимы данные о самой помощи и процедуре ее предоставления. Такая информация обычно поступает непосредственно от органа, предоставляющего помощь, и включает данные о размере и графике предоставления помощи бенефициарам. Тем не менее, общие данные о процессе распределения помощи также являются особенно полезными. Данные об отклоненных заявках важны, особенно в тех случаях, когда предоставление помощи осуществляется на основе механизма начисления баллов.

Доступ к таким конфиденциальным данным обычно регулируется законодательством. Поэтому обеспечение оперативного доступа к данным для всей научной группы по оценке является критически важным. Кроме того, административные источники обычно становятся доступными с задержкой. При разработке плана оценки важно учитывать доступность данных.