Data Envelopment Analysis (DEA), башкача айтканда маалыматтардын камтылышын талдоо ыкмасы, окшош чечим кабыл алуучу бирдиктердин белгилүү кириштер менен алган чыгыштарын салыштыруу аркылуу салыштырмалуу эффективдүүлүк чегин түзгөн параметрлик эмес ыкма болуп саналат. Maya Tsoklinova жүргүзгөн изилдөө 2016–2023-жылдары Борбордук жана Чыгыш Европанын (Central and Eastern Europe, CEE) Европа Биримдигине мүчө 11 өлкөсүндө социалдык коргоого кеткен чыгымдардын жакырчылык жана кирешелерди бөлүштүрүү жыйынтыктары менен байланышкан салыштырмалуу эффективдүүлүгүн DEA аркылуу, ал эми убакыт ичиндеги жалпы фактордук өндүрүмдүүлүктүн өзгөрүшүн Malmquist өндүрүмдүүлүк индекси (Malmquist Productivity Index, MPI) аркылуу изилдейт.

Изилдөөдө социалдык коргоого кеткен чыгымдардын ички дүң продуктуга катышы жалгыз кириш катары колдонулуп, үч input-oriented BCC DEA модели бааланат. Model 1 киреше теңсиздигин стандарттык жакырчылык коркунучу менен, Model 2 киреше теңсиздигин кыйла оор жакырчылык менен, Model 3 болсо киреше теңсиздигин калктын кирешеси эң төмөн %40 бөлүгүнүн жалпы кирешеден алган үлүшү менен бирге баалайт. BCC түзүмү масштабга жараша өзгөрмө кайтарым (Variable Returns to Scale, VRS) божомолуна негизделет.

DEA жыйынтыктары жалпысынан жогорку салыштырмалуу техникалык эффективдүүлүктү көрсөтөт. Model 1-де жылдык орточо VRS техникалык эффективдүүлүгү 0,91–0,94, Model 2-де 0,92–0,95 жана Model 3-тө 0,89–0,92 аралыгында. Чехия менен Словакия алгачкы эки моделде 2016–2023-жылдардын бүт мезгилинде эффективдүүлүк чегинде жайгашса, Румыния менен Венгрия да көпчүлүк жылдары 1ге барабар же ага абдан жакын упайларды алышат. Хорватия, Польша жана Словения болсо көпчүлүк мезгилдерде салыштырмалуу төмөн эффективдүүлүк көрсөтөт.

Бирок үчүнчү модель маанилүү айырмачылыкты ачып берет. Чехия жакырчылык көрсөткүчтөрүнө негизделген алгачкы эки моделде эффективдүүлүк чегинде болгонуна карабастан, калктын кирешеси эң төмөн %40 бөлүгүнүн киреше үлүшү эске алынганда ошол эле позицияны сактай албайт. Бул жыйынтык жакырчылык коркунучунун төмөн болушу социалдык коргоо системасынын киреше бөлүштүрүүнүн төмөнкү катмарларына карата көрсөткүчтөрү менен ар дайым эле бир нерсени билдирбей турганын көрсөтөт.

Malmquist талдоосу да мезгилдер арасында башкача түзүмдү көрсөтөт. Жакырчылыкка багытталган Model 1 жана Model 2-де COVID-19га чейин өндүрүмдүүлүк айырмачылыктары көбүнчө техникалык эффективдүүлүктүн өзгөрүшүнөн келип чыкса, 2019–2020-жылдардагы шок учурунда бардык өлкөлөрдө өндүрүмдүүлүк төмөндөп, өндүрүш/эффективдүүлүк чегиндеги технологиялык өзгөрүү негизги аныктоочу факторго айланат. 2020–2023-жылдары болсо көпчүлүк өлкөлөрдө өндүрүмдүүлүк кайрадан өсүп, жакшыруунун маанилүү бөлүгү TECHCH компонентинен келип чыгат. Кирешелерди бөлүштүрүүгө багытталган Model 3-тө болсо мезгил бою өлкөлөр арасындагы өндүрүмдүүлүк айырмачылыктары негизинен техникалык эффективдүүлүктүн өзгөрүшү менен байланыштуу.

Эмне үчүн социалдык коргоого кеткен чыгымдардын эффективдүүлүгүн чыгымдын деңгээли менен гана өлчөөгө болбойт?

Социалдык коргоо системалары оору, майыптык, карылык, өлгөндөн кийинки укуктар, үй-бүлө жана балдарды колдоо, жумушсуздук, турак жай жана социалдык четтетүү сыяктуу көптөгөн социалдык тобокелдиктерди камтыйт. Бул саясаттар олуттуу каржылык ресурстарды талап кылат. Бирок чыгымдын жогорку деңгээли өзү эле жакырчылыктын төмөн болушун же кирешелердин теңирээк бөлүштүрүлүшүн билдирбейт.

Эки өлкө ИДПнын окшош үлүшүн социалдык коргоого бөлүшү мүмкүн, бирок бирдей ресурс деңгээли менен ар башка социалдык жыйынтыктарга жетиши мүмкүн. Мунун себеби жардамдардын түзүлүшү, максаттуу багыттоо, институционалдык мүмкүнчүлүк, демографиялык түзүм, эмгек рыногунун шарттары жана экономикалык чөйрө сыяктуу көптөгөн факторлор болушу мүмкүн.

Ошондуктан бул изилдөөнүн негизги суроосу “кайсы өлкө көбүрөөк чыгымдайт?” эмес. Изилдөө байкалган социалдык жыйынтыктарды эске алуу менен өлкөлөр пайдаланган социалдык коргоо ресурстарынын салыштырмалуу эффективдүүлүгүн баалайт.

DEA эффективдүүлүк упайы эмнени билдирет?

DEA эффективдүүлүк упайы бир эле тандалмадагы чечим кабыл алуучу бирдиктердин белгилүү кириштер менен өндүргөн чыгыштарын салыштыруу аркылуу түзүлгөн эмпирикалык эффективдүүлүк чегине карата салыштырмалуу ордун көрсөтөт. BCC моделинде упайдын 1 болушу бирдик байкалган тандалма ичинде эффективдүүлүк чегинде экенин, ал эми 1ден төмөн упай ошол эле чыгыш деңгээлдерин азыраак кириш менен камсыз кылган эталондук бирдиктер бар экенин билдирет.

Ошондуктан DEAдагы “эффективдүү өлкө” деген түшүнүк социалдык коргоо системасы абсолюттук мааниде кемчиликсиз дегенди билдирбейт. Жыйынтык колдонулган кириштер менен чыгыштардын, талдоо мезгилинин жана салыштырылган өлкөлөрдүн контекстиндеги гана салыштырмалуу эффективдүүлүк болуп саналат.

BCC жана CCR моделдеринин айырмасы

DEA адабиятында CCR модели масштабга жараша туруктуу кайтарым (Constant Returns to Scale, CRS) божомолун колдонсо, BCC модели масштабга жараша өзгөрмө кайтарымга жол берет. Изилдөөдө негизги тандоо BCC-VRS модели болуп саналат.

Мунун себеби социалдык коргоо системаларынын бирдей көлөмдө же бирдей институционалдык масштабда иштебешинде. Өлкөлөр калк, экономикалык түзүм, фискалдык мүмкүнчүлүк жана социалдык система дизайны боюнча айырмалангандыктан, бардык чечим кабыл алуучу бирдиктер оптималдуу масштабда иштейт деп божомолдоонун ордуна масштаб айырмачылыктарына жол берген VRS ыкмасы колдонулат.

Эмне үчүн input-oriented модель тандалды?

Input-oriented DEA учурдагы чыгыш деңгээлдери сакталган шартта киришти канчалык азайтууга болорун баалайт. Изилдөөнүн максаты белгилүү жакырчылык жана кирешелерди бөлүштүрүү жыйынтыктарын сактоо менен социалдык коргоо ресурстарын пайдалануунун салыштырмалуу эффективдүүлүгүн баалоо болгондуктан input-oriented түзүм тандалган.

Output-oriented модель башка изилдөө суроосуна жооп бермек: белгилүү чыгым деңгээли өзгөрбөсө, социалдык жыйынтыктарды канчалык жакшыртууга болот? Булактагы изилдөө бул суроону эмес, ресурстарды пайдалануунун эффективдүүлүгүн карайт.

BCC моделинин математикалык түзүмү

Булакта колдонулган input-oriented BCC моделинин негизги сызыктуу программалоо түзүмү төмөнкүдөй:

\[ \theta^*=\min \theta \]

төмөнкү шарттарда:

\[ \sum_{j=1}^{n}\lambda_j x_{ij}\leq\theta x_{i0}, \quad i=1,2,\ldots,m \]

\[ \sum_{j=1}^{n}\lambda_j y_{rj}\geq y_{r0}, \quad r=1,2,\ldots,s \]

\[ \sum_{j=1}^{n}\lambda_j=1 \]

\[ \lambda_j\geq0 \]

Бул жерде \(\theta^*\) бааланып жаткан чечим кабыл алуучу бирдиктин эффективдүүлүк упайы. \(\theta^*=1\) эффективдүүлүк чегинде болууну, \(\theta^*<1\) болсо салыштырмалуу эффективдүүлүк ажырымын билдирет.

\(\lambda_j\) коэффициенттери бааланып жаткан өлкө үчүн гипотетикалык эталондук чекитти түзүүдө башка чечим кабыл алуучу бирдиктердин салымын көрсөтөт.

Масштабдык эффективдүүлүк

Изилдөө таза техникалык эффективдүүлүк менен катар масштабдык эффективдүүлүктү да баалайт. Масштабдык эффективдүүлүк CRS шартында эсептелген техникалык эффективдүүлүктүн VRS техникалык эффективдүүлүгүнө катышы:

\[ SE=\frac{CRSTE}{VRSTE} \]

SE маанисинин 1ге жакындашы чечим кабыл алуучу бирдик оптималдуу масштабга жакын иштеп жатканын көрсөтөт. Изилдөөдө үч моделдин баарында орточо масштабдык эффективдүүлүк жалпысынан жогору; жылдык орточо көрсөткүчтөр көбүнчө болжол менен 0,91–0,99 аралыгында.

Изилдөөдө социалдык коргоонун эффективдүүлүгү кайсы көрсөткүчтөр менен өлчөнөт?

Үч моделдин баарында жалгыз кириш ESSPROS методологиясы боюнча өлчөнгөн социалдык коргоого кеткен жалпы чыгымдардын ИДПга катышы. ESSPROS борбордук мамлекеттик чыгымдарды гана эмес, шайкештештирилген эсеп түзүмүнүн алкагында ар кандай институционалдык секторлор тарабынан каржыланган социалдык коргоо системаларын да камтыгандыктан өлкөлөр аралык салыштырууга мүмкүнчүлүк берет.

Gini коэффициенти жана жакырчылык деңгээлдери “төмөн болгону жакшы” түрүндөгү кааланбаган чыгыштар. DEA моделинде жогорку чыгыш мааниси оң көрсөткүчтү билдириши керек болгондуктан, изилдөө бул көрсөткүчтөрдү:

\[ y_i^*=100-y_i \]

өзгөртүү аркылуу кааланган чыгыштарга айлантат.

Model 1 жана Model 2 шарттуу түрдө жакырчылыкка багытталган, Model 3 болсо киреше бөлүштүрүүгө багытталган модель катары классификацияланат.

Изилденген өлкөлөр

Талдоо 2016–2023-жылдардын бүт мезгили үчүн шайкештештирилген ESSPROS жана EU-SILC маалыматтары жеткиликтүү болгон Борбордук жана Чыгыш Европадагы ЕБге мүчө 11 өлкөнү камтыйт:

• Болгария
• Хорватия
• Чехия
• Эстония
• Венгрия
• Латвия
• Литва
• Польша
• Румыния
• Словакия
• Словения

Ар бир DEA модели бир гана кириш жана эки чыгыш колдонгондуктан, 11 чечим кабыл алуучу бирдик булакта көрсөтүлгөн, DMU саны жалпы кириштер менен чыгыштардын санынан кеминде үч эсе көп болушун сунуштаган жалпы эрежеге жооп берет.

2016–2023-жылдары социалдык көрсөткүчтөр кандай өзгөрдү?

Тандалманын орточо маанисинде социалдык коргоого кеткен чыгымдар 2016-жылы ИДПнын %18,25 деңгээлинен башталып, COVID-19 мезгилинде көбөйүп, 2020-жылы %20,49га жеткен. Андан кийин чыгымдардын катышы төмөндөп, 2023-жылы %19,21 болгон.

Бул өзгөрүүлөр тандалма деңгээлиндеги сүрөттөөчү тенденциялар. DEA талдоосу бул көрсөткүчтөрдөгү жакшыруу социалдык коргоо чыгымдары тарабынан себептик түрдө жаратылганын далилдебейт.

Malmquist өндүрүмдүүлүк индекси DEAдан эмнеси менен айырмаланат?

DEA белгилүү бир жылдагы өлкөлөрдүн салыштырмалуу эффективдүүлүк позициясын өлчөсө, Malmquist өндүрүмдүүлүк индекси жалпы фактордук өндүрүмдүүлүктүн эки мезгил ортосунда кантип өзгөргөнүн өлчөйт. MPI өндүрүмдүүлүктүн өзгөрүшүн техникалык эффективдүүлүктөгү “кууп жетүү” өзгөрүүсүнө жана эффективдүүлүк чегинин өзүндөгү өзгөрүүгө бөлөт.

Булактагы негизги ажыратуу:

\[ MPI^{t,t+1}=EFFCH^{t,t+1}\times TECHCH^{t,t+1} \]

түрүндө берилет.

• MPI > 1: жалпы фактордук өндүрүмдүүлүктүн өсүшү.
• MPI = 1: өндүрүмдүүлүктө өзгөрүү жок.
• MPI < 1: жалпы фактордук өндүрүмдүүлүктүн төмөндөшү.
• EFFCH: чечим кабыл алуучу бирдиктин учурдагы эффективдүүлүк чегине жакындашы же андан алысташы.
• TECHCH: эмпирикалык өндүрүш/эффективдүүлүк чегинин мезгилдер арасында жылышы.

Изилдөө MPIни VRS технологиясы шартында эсептеп, мезгилди үч бөлүккө бөлөт: 2016–2019 пандемияга чейинки мезгил, 2019–2020 COVID-19дун биринчи шогу жана 2020–2023 пандемиядан кийинки калыбына келүү мезгили. Көп жылдык мезгилдерде MPI, EFFCH жана TECHCH маанилеринин геометриялык орточолору колдонулат.

Булак EFFCH же TECHCH өзгөрүүсү түздөн-түз белгилүү бир башкаруу реформасын же саясаттык чечимди далилдебей турганын өзгөчө баса белгилейт. Бул компоненттер эмпирикалык эффективдүүлүк чегине карата өзгөрүүнү өлчөйт; анын түпкү себебин өздөрү аныктабайт.

Изилдөөнүн ыкмасы жана жыйынтыктары

Model 1: Киреше теңсиздиги жана жалпы жакырчылык коркунучу

Model 1 социалдык коргоо чыгымдарынын Gini коэффициенти жана медианалык эквиваленттүү колдо бар кирешенин %60ынан төмөн кирешеге ээ калктын үлүшү менен байланышкан салыштырмалуу эффективдүүлүгүн изилдейт.

Жылдык орточо BCC техникалык эффективдүүлүк упайлары 2016–2023-жылдары 0,91ден 0,94кө чейин өзгөргөн. Бул жыйынтык тандалма боюнча таза техникалык эффективдүүлүк кыйла жогору жана убакыт ичинде салыштырмалуу туруктуу болгонун көрсөтөт.

Чехия жана Словакия бардык жылдары 1,00 VRSTE упайын алышат. Румыния да көпчүлүк жылдары эффективдүүлүк чегинде болсо, Венгрия 2019-жылдан тартып 1,00 маанисине жетет.

Польша, Хорватия жана Словения болсо мезгилдин чоң бөлүгүндө тандалмадагы салыштырмалуу төмөн техникалык эффективдүүлүк упайларын каттайт. Болгария орто топто.

Model 2: Киреше теңсиздиги жана оор жакырчылык

Model 2-де %60 жакырчылык чегинин ордуна медианалык эквиваленттүү колдо бар кирешенин %40ынан төмөн кирешеге ээ калк колдонулган. Ошентип, кирешеси эң төмөн топторго карата катуураак жакырчылык өлчөмү бааланган.

Жылдык орточо VRSTE маанилери 0,92–0,95 аралыгында. Model 1 жана Model 2 боюнча өлкөлөрдүн рейтингдери негизинен окшош болушу негизги эффективдүүлүк айырмачылыктарына тандалган эки жакырчылык чеги күчтүү таасир бербегенин көрсөтөт.

Словакия жана Чехия кайрадан бүткүл мезгил бою эффективдүүлүк чегинде калат. Румыния, Эстония жана Венгрия да жогорку маанилерге ээ.

Model 3: Киреше теңсиздиги жана кирешеси эң төмөн %40 бөлүктүн үлүшү

Model 3-тө жакырчылык деңгээлинин ордуна калктын кирешеси эң төмөн %40 бөлүгүнүн жалпы кирешеден алган үлүшү колдонулат. Бул модель социалдык коргоо чыгымдарынын жакырчылык чегинен төмөн калк менен гана эмес, киреше бөлүштүрүүнүн төмөнкү бөлүгү жалпы экономикалык ресурстардан алган үлүш менен байланышкан салыштырмалуу эффективдүүлүгүн баалайт.

Жылдык орточо VRSTE маанилери 0,89–0,92 аралыгында болуп, алгачкы эки модель менен салыштырганда бир аз төмөн.

Model 3түн эң маанилүү жыйынтыгы — Чехиядагы өзгөрүү. Чехия алгачкы эки моделде бүт мезгил бою эффективдүүлүк чегинде болгону менен, Model 3тө мезгилдин орточо мааниси болжол менен 0,93кө чейин төмөндөйт.

Булак бул жыйынтыкты жалпы жакырчылык коркунучу боюнча жакшы көрсөткүчкө ээ болуу киреше бөлүштүрүүнүн эң төмөнкү %40 бөлүгүнүн үлүшү жагынан да ошол эле деңгээлде жакшы жыйынтыкты билдирбеши мүмкүн деп чечмелейт.

Словакия болсо үч моделдин баарында жогорку көрсөткүчүн сактап, Model 3тө да бүткүл мезгил бою эффективдүүлүк чегинде калат.

COVID-19 социалдык коргоонун өндүрүмдүүлүгүнө кандай таасир этти?

Malmquist жыйынтыктары COVID-19дун таасири колдонулган чыгыштын аныктамасына жараша ар башка көрүнөрүн көрсөтөт. Жакырчылыкка багытталган Model 1 жана Model 2де 2019–2020-жылдары 11 өлкөнүн баарында MPI 1ден төмөн түшүп, өндүрүмдүүлүктүн төмөндөшүнүн негизги булагы TECHCH болгон. Ал эми киреше бөлүштүрүүгө багытталган Model 3тө ошол эле мезгилде айрым өлкөлөрдө MPI күчтүү өсүп, өзгөрүүлөр көбүнчө EFFCH компонентинен келип чыккан.

Model 1 MPI жыйынтыктары

2016–2019-жылдардагы пандемияга чейинки мезгилде Model 1дин MPI маанилери көпчүлүк өлкөлөр үчүн 1ге жакын. Эң күчтүү өсүш Венгрияда байкалат:

Венгрия MPI = 1,0449.

Латвия 0,9810, Литва 0,9857 жана Румыния 0,9965 менен чектелүү төмөндөө көрсөтөт. Өлкөлөр арасындагы айырмачылыктардын маанилүү бөлүгү EFFCH өзгөрүүсүнөн келип чыкса, TECHCH бир кыйла бир тектүү.

2019–2020-жылдары 11 өлкөнүн баарында MPI 1ден төмөн. Мисал маанилер:

TECHCH маанилеринин бардык өлкөлөрдө 1ден төмөн болушу пандемия шогу учурунда эмпирикалык эффективдүүлүк чеги терс багытта жылганын көрсөтөт. Булак муну кыйыныраак социалдык жана экономикалык чөйрө менен байланыштырууну негиздүү деп эсептесе да, MPI мунун себебин өзүнөн өзү аныктабай турганын баса белгилейт.

2020–2023-жылдары көпчүлүк өлкөлөрдө калыбына келүү бар. Орточо MPIнин эң күчтүү өсүштөрү Хорватия, Литва, Словения жана Румынияда байкалат. Словакия 0,9887 менен бул мезгилде Model 1де MPIси 1ден төмөн калган жалгыз өлкө.

Model 2 MPI жыйынтыктары

Оор жакырчылык көрсөткүчүнө негизделген Model 2нин убакыт профили Model 1ге абдан жакын.

Пандемияга чейин көпчүлүк өлкөлөрдө MPI 1ге жакын болуп, Венгрия 1,0437 менен эң күчтүү өсүштөрдүн бирин көрсөтөт. 2019–2020-жылдары бардык өлкөлөрдүн MPI маанилери кайрадан 1ден төмөндөйт.

2020–2023-жылдары болсо тогуз өлкөнүн MPI мааниси 1ден жогору. Болгария гана 0,9958 жана Словакия 0,9896 менен 1ден төмөн калат.

Model 2де пандемиядан кийинки TECHCH бардык өлкөлөрдө 1ден жогору. Ошого карабастан, Болгария жана Словакиядагы EFFCH төмөндөшү технологиялык/чек ара өзгөрүүсүнүн оң салымын толук компенсациялай албайт.

Model 3 MPI жыйынтыктары эмне үчүн айырмаланат?

Model 3тө өндүрүмдүүлүк динамикасы көбүрөөк ар түрдүү жана өзгөрүүлөр негизинен EFFCH менен байланыштуу. TECHCH көпчүлүк учурда 1ге жакын же чектелүү өзгөрөт.

2016–2019-жылдары Румыния 1,0979, Словакия 1,0823 жана Польша 1,0718 менен салыштырмалуу күчтүү өндүрүмдүүлүк өсүшүн көрсөтөт. Эстония 0,9257 жана Хорватия 0,9490 менен кыйла байкаларлык төмөндөөнү каттайт.

2019–2020-жылдары Model 1 жана Model 2ден айырмаланып, айрым өлкөлөрдө MPIнин күчтүү өсүшү бар:

Булак Хорватия, Венгрия, Эстония жана Латвиядагы өсүштөр негизинен техникалык эффективдүүлүктүн өзгөрүүсүнөн келип чыкканын белгилейт. Ал эми Словакия, Словения, Румыния жана Чехиядагы төмөндөөлөр да негизинен EFFCHтин начарлашы менен байланыштуу.

2020–2023-жылдары Словакия 1,0666, Словения 1,0655 жана Чехия 1,0642 менен Model 3тө эң күчтүү өндүрүмдүүлүк өсүштөрүн көрсөтсө, Латвия 0,9253 жана Литва 0,9284 эң чоң төмөндөөлөрдүн арасында.

Үч модель бирге эмнени көрсөтөт?

Бул айырма жакырчылык өлчөмдөрү менен киреше бөлүштүрүүнүн төмөнкү бөлүгүнө тиешелүү көрсөткүч социалдык коргоо системаларынын ишинин ар башка өлчөмдөрүн кармай турганын көрсөтөт.

Масштабдык эффективдүүлүк жана 2023-жылдагы кайтарымдар

Үч моделдин баарында масштабдык эффективдүүлүк жогору жана көпчүлүк өлкөлөр оптималдуу иштөө масштабына жакын көрүнөт. 2023-жылы үч моделдеги returns-to-scale классификациялары толугу менен бирдей болуп калат.

• Масштабга жараша өсүүчү кайтарым (IRS): Болгария, Хорватия, Эстония, Латвия, Литва жана Румыния.
• Масштабга жараша төмөндөөчү кайтарым (DRS): Чехия, Польша, Словакия жана Словения.
• Масштабга жараша туруктуу кайтарым (CRS): Венгрия.

Масштабдык эффективдүүлүк жогору болгондуктан, булак өлкөлөр арасындагы көрсөткүч айырмачылыктарын социалдык коргоо системаларынын масштабын гана өзгөртүү менен түшүндүрүү кыйын экенин белгилейт.

Изилдөөнүн илимий чечмелөө чеги

Бул изилдөөдөгү жогорку DEA упайы өлкөнүн социалдык коргоо системасы коомдук жактан идеалдуу экенин же төмөнүрөөк чыгым сөзсүз мүмкүн экенин билдирбейт. DEA тандалманын ичиндеги учурдагы кириш жана чыгыш айкалыштарын гана салыштырат.

Ошол сыяктуу эле, изилдөө “социалдык коргоо чыгымынын өсүшү жакырчылыкты мынча азайтат” түрүндөгү себептик коэффициентти баалабайт. Кириштер менен чыгыштар бир эле байкоо мезгилине тиешелүү жана DEA статикалык benchmarking куралы.

MPI ажыратмасы да EFFCH өзгөрүүсү түздөн-түз жакшыраак башкаруудан, TECHCH өзгөрүүсү болсо түздөн-түз белгилүү бир реформадан келип чыкканын далилдебейт. Булар эмпирикалык эффективдүүлүк чегине карата өлчөнгөн өзгөрүүлөр. Макроэкономикалык шарттар, демография, маалымат каталары, тышкы кризистер, институционалдык түзүм жана саясат дизайны сыяктуу башка факторлор да жыйынтыктарга таасир этиши мүмкүн.

Изилдөөнүн жалпы жыйынтыгы

Изилдөө жалпы социалисттик өткөнгө, ЕБ мүчөлүгүнө жана окшош жакындашуу процесстерине карабастан, Борбордук жана Чыгыш Европа өлкөлөрүнүн социалдык коргоо системаларында бир түрдүү көрсөткүч жок экенин көрсөтөт.

Алгачкы эки жакырчылыкка багытталган моделде Чехия менен Словакия өзгөчө күчтүү көрүнгөнү менен, киреше бөлүштүрүүнүн кирешеси эң төмөн %40 бөлүгү эске алынганда Чехиянын салыштырмалуу позициясы төмөндөйт. Бул жыйынтык жакырчылыкты азайтуу менен киреше бөлүштүрүүнүн көрсөткүчү бир эле социалдык саясат өлчөмү эмес экенин көрсөтөт.

COVID-19 мезгили да моделге жараша ар башкача көрүнөт. Жалпы жана оор жакырчылыкка багытталган моделдерде 2019–2020-жылдардагы шок бардык өлкөлөрдө өндүрүмдүүлүктүн төмөндөшүн жаратса, киреше бөлүштүрүүгө багытталган модель кыйла татаал жана өлкөгө мүнөздүү көрүнүштү көрсөтөт.

Булак келечекте талдоону Европанын кеңири өлкөлөр тобуна жайылтууну жана өлкөлөр арасындагы эффективдүүлүк/өндүрүмдүүлүк айырмачылыктарынын себептерин түшүндүрө ала турган социалдык коргоо дизайны, демография, эмгек рыногу, макроэкономикалык чөйрө, институционалдык сапат жана саясатты ишке ашыруу сыяктуу факторлорду өзүнчө изилдөөнү сунуштайт.

Булак жана ыкма жөнүндө эскертүү

Изилдөөнүн түпнуска аталышы: Assessing the Efficiency and Total Factor Productivity of Social Protection Expenditure: A Study of CEE Countries

Автор: Maya Tsoklinova

Мекеме: Department of Economics, University of National and World Economy, Sofia, Bulgaria.

Журнал: Economies

Басма: MDPI, Basel, Switzerland

Библиографиялык жазуу: Economies 2026, 14, 326

DOI: 10.3390/economies14080326

Жөнөтүлгөн күнү: 28-июнь 2026

Оңдолгон күнү: 31-июль 2026

Кабыл алынган күнү: 3-август 2026

Жарыяланган күнү: 6-август 2026

Булактын түрү: Шайкештештирилген экинчи даражадагы Европа маалыматтары менен жүргүзүлгөн салыштырмалуу, параметрлик эмес эффективдүүлүк жана жалпы фактордук өндүрүмдүүлүк талдоосу.

Маалымат булактары: Eurostat; European System of Integrated Social Protection Statistics (ESSPROS); EU Statistics on Income and Living Conditions (EU-SILC).

Изилденген мезгил: 2016–2023.

Чечим кабыл алуучу бирдиктер: Борбордук жана Чыгыш Европанын ЕБге мүчө 11 өлкөсү.

Негизги ыкма: Input-oriented BCC Data Envelopment Analysis, Variable Returns to Scale.

Өндүрүмдүүлүк ыкмасы: VRS шартындагы Malmquist Productivity Index; жалпы фактордук өндүрүмдүүлүктүн өзгөрүүсү EFFCH жана TECHCH компоненттерине бөлүнгөн.

Каржылоо: Изилдөө UNWE Research Programme, Research Grant No. 13/2025 тарабынан каржыланган. Макаланы иштетүү акысы да ошол эле изилдөө программасы тарабынан төлөнгөн.

Этика комитети: Колдонулбайт.

Маалымдалган макулдук: Колдонулбайт.

Маалыматтардын жеткиликтүүлүгү: Изилдөө Eurostatтагы жалпыга ачык ESSPROS жана EU-SILC маалыматтарын колдонот.

Ыраазычылык: Автор UNWE Research Programme берген Research Grant No. 13/2025 каржылык колдоосун белгилейт.

Кызыкчылыктардын кагылышы: Автор кызыкчылыктардын кагылышы жок экенин билдирет.

Лицензия: Creative Commons Attribution (CC BY).

Негизги методологиялык чектөөлөр: DEA жыйынтыктары салыштырмалуу жана тандалмага көз каранды. Кириштер жана чыгыштар бир эле мезгилдерден алынган; изилдөө динамикалык себептик модель эмес. EFFCH жана TECHCH өзгөрүүлөрү белгилүү башкаруу, институционалдык же саясат механизмдеринин себептик таасирин аныктабайт. Талдоо Борбордук жана Чыгыш Европанын ЕБге мүчө 11 өлкөсү жана жеткиликтүү ESSPROS/EU-SILC өзгөрмөлөрү менен чектелет. Социалдык коргоо системасынын дизайны, демографиялык түзүм, эмгек рыногу, макроэкономикалык чөйрө жана институционалдык сапат сыяктуу өлкөлөр аралык айырмачылыктардын себептери бул изилдөөдө түздөн-түз моделденген эмес.