Załącznik: Trendy i projekcje parametrów modelu OLG

Data: 2026-01-25 Cel: Analiza trendów historycznych i metodologia projekcji parametrów

1. Podsumowanie trendów

2. Szczegółowa analiza trendów

2.1. Udział kapitału w dochodzie (α)

Trend historyczny:

Labor share GDP:
2000: ~47%    → α ≈ 0.53
2010: 47.4%   → α ≈ 0.53
2016: 53.1%   → α ≈ 0.47
2019: 58.6%   → α ≈ 0.41

Źródła: - PIIE: "wage share of GDP has risen sharply since 2011" [^1] - Conference Board: labor share 47.4% (2010) → 53.1% (2016) [^2] - PWT/FRED: labor share ~58.6% (2015-2019) [^3]

Czynniki napędzające trend: 1. Kurczenie się populacji w wieku produkcyjnym (od 2014) 2. Przejście od przemysłu do usług (bardziej pracochłonnych) 3. Wzrost płac szybszy niż PKB

Projekcja: - Trend powinien się utrzymać z powodu demografii - α może spaść do ~0.35-0.40 do 2050 - Ale: automatyzacja może odwrócić trend

Metodologia dla modelu:

α(t) = α_0 - trend_rate × (t - t_0)

Scenariusz bazowy: trend_rate = 0.002/rok (spadek ~0.2pp rocznie)
Scenariusz tech:   trend_rate = 0 (stabilizacja przez automatyzację)

2.2. Stopa oszczędności (s)

Trend historyczny:

Gross savings / GDP:
2008: 51.3% (szczyt)
2015: 47.7%
2020: 45.7%
2023: 42.5%

Trend: -0.6pp rocznie (2008-2023)

Źródła: - World Bank / TheGlobalEconomy [^4] - World Bank CEU 2025: konsumpcja tylko 38% PKB vs 60% globalnie [^5]

Czynniki napędzające trend: 1. Starzenie populacji (emeryci konsumują oszczędności) 2. Polityka rebalancingu (konsumpcja zamiast inwestycji) 3. Rozwój systemu emerytalnego (mniejsza potrzeba oszczędności przezornościowych)

Projekcja: - IMF scenariusz reformy: investment/GDP spada o ~10pp do 2040 - Implikuje savings rate: ~32-38% do 2050

Metodologia dla modelu:

s(t) = s_0 × exp(-decay_rate × (t - t_0))

Scenariusz bazowy: decay_rate = 0.010 (wolny spadek)
Scenariusz reform: decay_rate = 0.015 (szybszy rebalancing)

2.3. Udział SOE w kapitale (θ_SOE) - NAJWIĘKSZA NIEPEWNOŚĆ

Problem: Brak bezpośrednich, aktualnych danych o udziale SOE w kapitale produkcyjnym.

Dostępne dane: | Miara | Wartość | Trend | Źródło | |-------|---------|-------|--------| | Fixed asset investment | 50% | Stabilny | NBS 2024 | | Market cap top 100 | 54% (2024) | Rosnący od 2021 | PIIE | | Kapitał firm (szerokie) | 68% | ? | Stanford 2017 |

Trendy krótkoterminowe (2021-2024): - "State advances, private retreats" - SOE market cap: 33% (2021) → 54% (2024) - Inwestycje: SOE +5.7%, prywatne -0.1% (2024)

Ale: To może być cykliczne, nie strukturalne. Kryzys nieruchomości uderzył głównie w prywatnych deweloperów.

Scenariusze dla modelu:

Scenariusz "State advances":
  θ_SOE(2024) = 0.50 → θ_SOE(2050) = 0.60
  Tempo: +0.4pp/rok

Scenariusz "Reform/prywatyzacja":
  θ_SOE(2024) = 0.50 → θ_SOE(2050) = 0.35
  Tempo: -0.6pp/rok

Scenariusz "Status quo":
  θ_SOE(t) = 0.50 (stały)

Rekomendacja: - Analiza wrażliwości obowiązkowa dla θ_SOE ∈ [0.35, 0.65] - Traktować jako zmienną scenariuszową, nie parametr kalibracyjny

2.4. Produktywność SOE (A_SOE)

Trend historyczny:

1998-2007: Konwergencja SOE → prywatne
           A_SOE/A_priv: ~0.50 → ~0.70 (Hsieh & Song)

2007-2019: Stagnacja/dywergencja
           A_SOE/A_priv: ~0.70 (bez zmian, IMF 2021)

Źródła: - Hsieh & Song (2015): konwergencja zatrzymała się po 2007 [^6] - IMF WP 2021/075: gap TFP ~30% utrzymuje się [^7]

Czynniki: 1. Po GFC: zwiększone finansowanie SOE, mniejsza presja na efektywność 2. "Grasp the large, let go of the small" - pozostały duże, mniej efektywne SOE 3. Cele polityczne ważniejsze niż efektywność

Scenariusze:

Scenariusz "Stagnacja":
  A_SOE(t) = 0.70 (stały)

Scenariusz "Reforma SOE":
  A_SOE(2024) = 0.70 → A_SOE(2050) = 0.85
  Tempo: +0.6pp/rok

Scenariusz "Dywergencja":
  A_SOE(2024) = 0.70 → A_SOE(2050) = 0.55
  Tempo: -0.6pp/rok

2.5. Udział nieruchomości w majątku (φ_housing)

Trend historyczny:

2020: ~70% (PBOC)
2023: ~67% (NY Fed)
Trend: -1pp/rok (kryzys nieruchomości)

Projekcja: - Kryzys nieruchomości powinien kontynuować spadek - Dywersyfikacja majątku do aktywów finansowych - φ_housing → ~50-60% do 2050

2.6. Demografia (N(j,t)) - NAJWYŻSZA PEWNOŚĆ

Źródło: UN World Population Prospects 2024 [^8]

Projekcje UN WPP (medium variant): | Wskaźnik | 2024 | 2030 | 2040 | 2050 | |----------|------|------|------|------| | Populacja (mln) | 1,410 | 1,390 | 1,350 | 1,310 | | TFR | 1.0 | ~1.1 | ~1.2 | ~1.3 | | Working-age % | 68% | ~64% | ~58% | ~55% | | 65+ % | 15% | ~19% | ~23% | ~26% | | Old-age dep. ratio | 21.8 | ~32 | ~40 | ~49 |

Pewność: Wysoka dla 2030, średnia dla 2050 (zależy od TFR)

Dla modelu: Użyć bezpośrednio danych UN WPP

3. Metodologia projekcji dla modelu OLG

3.1. Klasyfikacja parametrów

3.2. Proponowane scenariusze

Uwaga polityczna: Scenariusz "New Quality Productive Forces" (technologiczny) jest oficjalnym priorytetem Xi Jinpinga od 2023. Scenariusz prywatyzacji/reform rynkowych jest politycznie nierealistyczny w obecnych warunkach ("state advances, private retreats").

Scenariusz A: BAZOWY (kontynuacja wolniejsza)

Założenie: Technologia rozwija się, ale wolniej niż plany

α:      0.41 → 0.38 (spadek 0.1pp/rok - demografia)
s:      42.5% → 38% (spadek 0.3pp/rok - starzenie)
θ_SOE:  0.50 → 0.52 (lekki wzrost udziału państwa)
A_SOE:  0.70 → 0.72 (minimalna poprawa)
jr:     60/55 → 63/58 (reforma 2025)
τ:      0.24 → 0.26
TFP:    +1.0%/rok

Scenariusz B: "NEW QUALITY PRODUCTIVE FORCES" (priorytet Xi) ⭐

Założenie: Sukces strategii technologicznej, ale z kontrolą państwa

α:      0.41 → 0.48 (automatyzacja zwiększa udział kapitału)
s:      42.5% → 40% (wolniejszy spadek - inwestycje tech)
θ_SOE:  0.50 → 0.55 (państwo dominuje w sektorach strategicznych)
A_SOE:  0.70 → 0.90 (technologia podnosi produktywność SOE)
jr:     60/55 → 65/60 (pełna reforma emerytalna)
τ:      0.24 → 0.28
TFP:    +2.5-3.0%/rok

Kluczowe założenia:
- AI industry: ¥1 bln do 2030 (cel rządowy)
- Semiconductors: 70% self-sufficiency do 2030
- R&D: 3.2%+ PKB do 2030
- Robotyka kompensuje spadek siły roboczej
- SOE jako "national champions" w tech

Scenariusz C: STAGNACJA / PUŁAPKA

Założenie: Technologia nie kompensuje demografii, sankcje działają

α:      0.41 → 0.35 (dalszy spadek kapitału)
s:      42.5% → 45% (wzrost oszczędności przezornościowych)
θ_SOE:  0.50 → 0.60 ("state advances" bez efektywności)
A_SOE:  0.70 → 0.55 (dywergencja, zombie SOE)
jr:     60/55 → 63/58 (minimalna reforma)
τ:      0.24 → 0.30 (ratowanie PAYG)
TFP:    +0.5%/rok (lub ujemny)

Czynniki ryzyka:
- Sankcje USA na chipy/AI skuteczne
- Kryzys nieruchomości przedłużający się
- Brain drain nasila się
- Konsumpcja nie rośnie (brak rebalancingu)

Scenariusz D: REFORMY RYNKOWE / PRYWATYZACJA

Założenie: Zmiana kursu politycznego, otwarcie na rynek

⚠️ PRAWDOPODOBIEŃSTWO: Niskie w obecnych warunkach politycznych
   Ale: historycznie Chiny wielokrotnie zmieniały kurs (1978, 1992, 2001)
   Analitycznie: pokazuje alternatywną, potencjalnie optymalną ścieżkę

α:      0.41 → 0.38 (jak bazowy - demografia)
s:      42.5% → 35% (szybszy spadek - rebalancing, konsumpcja)
θ_SOE:  0.50 → 0.35 (prywatyzacja, wycofanie państwa)
A_SOE:  0.70 → 0.85 (konwergencja do sektora prywatnego)
jr:     60/55 → 65/60 (głęboka reforma emerytalna)
τ:      0.24 → 0.28 (wyższe składki)
TFP:    +2.0-2.5%/rok (efektywniejsza alokacja kapitału)

Warunki realizacji:
- Zmiana przywództwa lub kursu politycznego
- Kryzys wymuszający reformy (jak 1990s)
- Presja zewnętrzna (WTO 2.0?)
- Wewnętrzne napięcia społeczne

Dlaczego ciekawy analitycznie:
- Pokazuje "koszt utraconych możliwości" obecnej polityki
- Benchmark efektywności vs scenariusz B (tech + state)
- Historyczne reformy Deng Xiaopinga dały 10% wzrostu

Scenariusz E: DECOUPLING / ZEWNĘTRZNY

Założenie: Eskalacja napięć z USA/Zachodem

α:      0.41 → 0.40 (stabilizacja)
s:      42.5% → 44% (wzrost niepewności)
θ_SOE:  0.50 → 0.65 (nacjonalizacja strategicznych sektorów)
A_SOE:  0.70 → 0.65 (izolacja obniża efektywność)
Trade:  Eksport -20-30% (utrata rynków zachodnich)
TFP:    +0.5-1.0%/rok

Czynniki:
- Pełne sankcje na technologię
- Odcięcie od SWIFT/dolarów (wariant ekstremalny)
- "Dual circulation" jako konieczność, nie wybór

3.3. Analiza wrażliwości

Parametry wymagające analizy wrażliwości:

4. Rekomendacje dla modelu

4.1. Dane do pobrania

1. UN WPP 2024 - pełne dane demograficzne do 2100
2. NBS China Statistical Yearbook - serie czasowe inwestycji
3. Penn World Table 11.0 - labor share, TFP

4.2. Struktura scenariuszy

MODEL OLG - STRUKTURA SCENARIUSZY
================================

POZIOM 1: Demografia (egzogenna, pewna)
  └── UN WPP medium variant

POZIOM 2: Makro trendy (egzogenne, z trendem)
  ├── α: trend spadkowy
  ├── s: trend spadkowy
  └── φ_housing: trend spadkowy

POZIOM 3: Polityka/reformy (scenariuszowe)
  ├── θ_SOE: state advances / reform / status quo
  ├── A_SOE: stagnacja / konwergencja / dywergencja
  ├── jr: reforma emerytalna
  └── τ: składki emerytalne

POZIOM 4: Technologia (scenariuszowe)
  └── TFP growth: 0.5% / 1.5% / 2.5% / 4%

4.3. Kluczowe niepewności

1. TFP - czy strategia "New Quality Productive Forces" zadziała?
2. Cel: 2.5-3% wzrostu TFP przez AI/robotykę

3. Ryzyko: sankcje, luka technologiczna 5-7 lat w chipach

4. θ_SOE - wzrost jest pewny, pytanie o skalę

5. Scenariusz Xi: SOE jako "national champions" w tech

6. Prywatyzacja jest politycznie wykluczona

7. A_SOE - czy technologia podniesie produktywność SOE?

8. Optymistycznie: A_SOE 0.70 → 0.90

9. Pesymistycznie: A_SOE 0.70 → 0.55 (zombie SOE)

10. Decoupling - eskalacja konfliktu z USA?

11. Wpływ na eksport, technologię, TFP

12. Demografia - relatywnie pewna (UN WPP)

13. Ale: czy robotyka skompensuje?

4.4. Strategia "New Quality Productive Forces" - kontekst

Definicja Xi Jinpinga (2023):

"Advanced productivity freed from traditional economic growth mode, featuring high-tech, high efficiency and high quality."

Kluczowe cele do 2030: | Sektor | Cel | Status 2024 | |--------|-----|-------------| | AI industry | ¥1 bln | Core AI >¥700 mld | | AI-related | ¥10 bln | W trakcie | | Semiconductors | 70% self-sufficiency | ~30% (2025) | | R&D/PKB | >3.2% | 2.7% | | AI patents | Światowy lider | 38.6% globalnych | | Robotics | "Embodied AI" | +37% job postings |

Made in China 2025 - wyniki: - 86% celów osiągniętych (SCMP 2024) - 100% w robotyce, maszynach rolniczych - Luki: fotolitografia EUV, zaawansowane chipy

Źródła: - Brookings: "Unleashing new quality productive forces" ^b1 - RAND: "Full Stack: China's Evolving Industrial Policy for AI" ^b2 - China Briefing: "New Quality Productive Forces Explainer" ^b3

5. Przypisy

[^1]: PIIE. "China's Rebalance Reflected in Rising Wage Share of GDP". https://www.piie.com/blogs/china-economic-watch/chinas-rebalance-reflected-rising-wage-share-gdp

[^2]: Conference Board. "China's labor compensation share of GDP is on the rise". https://www.conference-board.org/publications/China-GDP-Labor-Compensation-Share-Rising

[^3]: FRED/Penn World Table. Labor share for China. https://fred.stlouisfed.org/series/LABSHPCNA156NRUG

[^4]: World Bank / TheGlobalEconomy. China savings rate. https://www.theglobaleconomy.com/China/savings/

[^5]: World Bank (2025). "China Economic Update June 2025: Unlocking Consumption". https://thedocs.worldbank.org/en/doc/8ae5ce818673952a85fee1ee57c3e933-0070012025/original/CEU-June-2025-EN.pdf

[^6]: Hsieh, C.-T., & Song, Z. (2015). "Grasp the Large, Let Go of the Small". Brookings Papers on Economic Activity.

[^7]: IMF WP 2021/075. "Resource Misallocation Among Listed Firms in China".

[^8]: UN DESA (2024). "World Population Prospects 2024". https://population.un.org/wpp/

Załącznik wygenerowany: 2026-01-25