Дорожает ли труд в России? Да, дорожает – но это лишь пока компенсирует существенную недоплату труда в предыдущие годы.
Этого же мнения придерживается даже ведомственный журнал Министерства труда РФ «Социально-трудовые исследования», №2, 2024
«Последние два десятилетия представители государства и бизнеса нередко заявляют о непрерывном удорожании российской рабочей силы, а также о том, что рост реальной заработной платы намного опережал рост производительности труда, что подрывает конкурентоспособность российской экономики.

Однако член-корреспондент РАН, замдиректора Центра трудовых исследований НИУ ВШЭ Р.И.Капелюшников проанализировал динамику доли оплаты труда в ВВП по трём показателям: общая доля оплаты труда в ВВП (с учётом скрытых выплат); доля официальной оплаты труда в ВВП (без скрытых выплат); доля официальной заработной платы в ВВП (без затрат на социальное страхование работников). Он установил, что в последние два десятилетия до 2021 г. издержки на рабочую силу в российской экономике росли, по сути, теми же темпами, что и производительность труда.

Если же исходить из динамики официальной оплаты труда, то рост издержек на рабочую силу даже отставал, хотя и не слишком заметно, от роста производительности. И в случае обрабатывающих производств мы также обнаруживаем, что никогда раньше предприятия данного сектора не располагали такой дешёвой (в терминах выпускаемой продукции) рабочей силой, какая доступна им в настоящее время. Таким образом, тезис об опережающем росте оплаты труда по отношению к росту его производительности опровергается всеми доступными данными».

И ещё одна методологическая проблема. Динамика зарплат считается по всему персоналу предприятий, в т.ч. и их руководителей. И вот заработки руководителей росли опережающими темпами по сравнению с их подчинёнными, так что на уровне среднеквалифицированной рабочей силы, возможно, и не было существенного роста реальных зарплат. Росли заработки и низкоквалифицированной силы:
«Данные обследований, проводившихся ИЭ РАН на протяжении 10 лет по одному и тому же кругу предприятий, выявили две основные тенденции во внутрифирменной дифференциации оплаты труда. Во-первых, происходил рост разрыва между оплатой труда руководителей предприятия (администрации) и основной массы работников, что означает усиление статусной дифференциации. Во-вторых, существовала устойчивая тенденция сближения заработков квалифицированных и неквалифицированных работников».

"Шум", деньги и "знание"

В развитие истории про DeepSeek и влияние этой истории на американский рынок акций, , которую комментировал для нас ув. @personaltradingideas, напомню об исследованиях экономиста Сергея Глебкина (INSEAD) о том, как связаны уровень неравенства между участниками рынка (условно «богатыми» и «бедными» и уровнем доступности и качества информации

Рыночные цены обычно отражают информацию, которую инвесторы знают (ну, или думают, что «знают») о компании или активе (и о его перспективах в существующих обстоятельствах). Инвесторы покупают и продают акции на основе этой информации, и так цена становится «умной» — она показывает, сколько на самом деле стоит актив.

Но вот тут возникают тонкие моменты, которые Сергей Глебкин и его соавтор Джон Чи-Фон Куон описывали в исследовании "When Large Traders Create Noise" («Когда большие трейдеры создают шум» (привожу упрощенное изложение их тезисов)

Допустим, что на рынке есть крупные инвесторы (например, большие компании или фонды). Они не всегда торгуют только потому, что у них есть важная информация о компании или активе. Иногда они просто активно торгуют, чтобы заработать или по другим причинам.
Когда они начинают торговать очень активно, это создает «шум» — цена актива перестает четко отражать реальную ценность компании. Другие инвесторы, которые смотрят на цены, чтобы понять, что происходит, видят этот «шум» и думают: «Ну, раз цена так растет, наверное, тут нет ничего страшного». Они начинают меньше бояться рисков и больше торговать, добавляя ликвидности (то есть делая рынок более активным).
Из-за этого крупные инвесторы начинают торговать еще активнее, и всё закручивается по спирали. Это приводит к нескольким интересным эффектам:

1. Если крупных инвесторов становится больше, и они начинают конкурировать, это может ухудшить ситуацию для всех — и для них самих, и для мелких инвесторов.
2. Информация может мешать(!) Если у крупных инвесторов становится больше точной информации, это может сделать цены на рынке менее понятными. Получается, что чем больше они знают, тем сложнее другим разобраться, что происходит.
3. На рынке может возникнуть несколько «сценариев» (равновесий), где всё работает по-разному, и непонятно, какой из них реализуется.

Свои идеи Сергей Глебкин развивает в discussion paper, в которой он и его соавтор Евстахий Авдис представляют новую модель под названием CHILE для анализа финансовых рынков. Эта модель учитывает, что у инвесторов разная информация и разные уровни богатства. С помощью этой модели Сергей Глебкин изучает, как неравенство в богатстве влияет на качество рынка при фиксированном качестве частной информации.

Основные идеи:
Если богатые становятся еще богаче, а бедные — беднее: это ухудшает информационную эффективность рынка (цены хуже отражают реальную стоимость активов).
Но при этом ликвидность рынка улучшается (торговать становится проще).

Если богатые получают больше информации, а бедные — меньше: эффект похожий: информационная эффективность падает, а ликвидность растет.

Если информация становится "гибкой" (инвесторы сами решают, сколько информации собирать): эти эффекты усиливаются.

Таким образом, рост неравенства в богатстве — это обоюдоострая штука для рынка:
С одной стороны, рынок становится более ликвидным (легче торговать).
С другой стороны, цены перестают быть точными и информативными.
Имейте в виду.

«Скопинский банк произошел из ничего. В 1857 г. собрались скопинцы и порешили иметь свой собственный банк.
Получив разрешение, они внесли все свои наличные в размере 10103 р. 86 к. и назвали их "основным капиталом".
[…]
Цели банка предполагались розовые! треть доходов в пользу родного Скопина, треть на дела благотворения и треть на приращение к основному капиталу. Задавшись такими целями и положив в кассу основной капитал, скопинцы занялись операциями.

На первых же порах начинается жульничество. Видя, что вкладчики и векселедатели не идут, банковцы пускаются на американские штуки. Они дают проценты, которые и не снились нашим мудрецам: от 6 до 7 с половиною процентов. За сим следует шестиэтажная реклама, обошедшая все газеты и журналы, начиная со столичных и кончая иркутскими. Особенно тщательно облюбовываются духовные органы. Реклама делает свое дело. Сумма вкладов вырастает до 11618079 рублей!

С этими вкладами производятся фокусы... […]. Самый красивый фокус проделывает подсудимый Илья Краснопевцев... Этот скопинский нищий, не имеющий за душой ни гроша, подает вдруг в банк объявление о взносе им вкладов на 2516378 руб. и через два-три дня получает из банка эту сумму чистыми денежками, но ими не пользуется, ибо объявление делает по приказу Рыкова в силу его политики.
Второй фокус попроще: Рыков берет из кассы 6000000 и вместо них кладет векселя. Ему подражают прочие банковые администраторы, его добрые знакомые и те, «про коих лучше умалчивать» и скоро касса начинает трещать от просроченных, не протестуемых векселей... В конце концов следователь находит в кассе только 4000! […]

А вот показание свидетеля, председателя конкурсного правления г. Родзевича:
«Сумма неоплаченных векселей простирается до 11 000 000. Взыскано же пока на удовлетворение этого громадного долга только лишь 800 000, да и то с большими трудностями. Кредиторы банка получат по 15—18 коп. за рубль, если же на удовлетворение долга пойдет и „многомиллионное“, рекламой воспетое имущество города Скопина, то за рубль будет получено немногим больше — 28 коп. Авторы векселей большею частью имущества не имеют.

Илья Заикин, имеющий имущества только на 330 руб., кредитовался на 118 000! Рыков, должный 6 000 000, не имеет ничего…

Глядишь на этих сереньких, полуграмотных мужланов, невинно моргающих глазками, и не веришь ни цифрам, ни прыти! Откуда эти „темные“ люди набрались ума-разума, американской сметки и юханцевской храбрости?

Число вкладчиков равно шести тысячам. Большинство из них принадлежат к среднему слою общества: духовенство, чиновники, военные, учителя... Средняя цифра взносов колеблется между 2000— 6000, из чего явствует, что на удочку попадались люди большею частью малоимущие...»

За показанием Родзевича следует пародирование гоголевского Шпекина, исполненное бывшим скопинским почтмейстером Перовым.
Он в продолжение 16 лет ежемесячно получал от Рыкова 50 руб. На вопрос, чем ему был обязан Скопинский банк, Шпекин пожимает плечами и отвечает незнанием.
— Деньги я, правда, брал, — выжимается из него ответ, — но не спрашивал, за что мне их давали... Давали, ну и брал. Вроде как бы жалованье...

…герои текущего процесса питают какую-то страсть к уклончивым ответам, да и эти приходится выжимать из них с великими трудностями.
— Да ведь у вас же была голова на плечах, — обратился председатель к товарищу директора Рудневу, — должны были понимать.
— Голова-то была на плечах, это конечно-с, но... мы люди темные... неграмотные..

Чтобы покончить с операциями приема вкладов, суд допрашивает иеромонаха Никодима, приехавшего в «мир» из дебрей Саревской пустыни Пошехонского уезда.

— Почему вы, батюшка, положили ваши деньги именно в Скопинский банк, а не в другое место?
— Наказание божие, — объясняет объегоренный старец. — Да и прелесть была... наваждение... В других местах дают по три — по пяти процента, а тут семь с половиною! Ох... грехи наши!
— Можете идти, батюшка! Вы свободны.
— То есть как?
— Идите домой! Вы уже более не нужны!
— Вот те на! А как же деньги!?!

Цит: Антон Чехов «Дело Рыкова и комп.» (1884)
Илл.: Владимир Маковскй «Крах банка» (1880)

Вчера в канале Деньги и писец вышел пост о том что же такое DeepSeek, и в качестве последствий рассматривался фактор того что может быть начато расследование как карты $NVDA попали в Китай. Предварительно для этого использовались посредники в Сингапуре (график роста поставок в Сингапур можно посмотреть тут).

И результат не заставил себя долго ждать. Несколько часов назад вышла новость

“Белый дом и ФБР начали расследование по факту использования Deepseek посредников в Cингапуре”

Для $NVDA - не очень хороший знак это может быть… Как сказал бы мастер Йода …

#наблюдение

Вот такую картинку нашёл в комментариях к посту ув. @personaltradingideas

Согласны?

Поэтому чтобы «попить бутылочку вина», и не ехать за ней сорок минут на другой конец города, как хочет начальник, будем покупать сразу коробку.

Ключевые события и тренды из мира энергетики – в обзоре Кирилла @kirillrodionov Родионова

✔️Призывы Трампа к Саудовской Аравии и ОПЕК снизить цены на нефть стоит рассматривать в контексте общей ситуации на нефтяном рынке, где сдерживание добычи теряет смысл из-за торможения спроса на нефть в Китае, роста добычи в Северной и Южной Америке, а также «навеса» свободных нефтедобывающих мощностей на Ближнем Востоке.

✔️Перевозчики и импортеры российской нефти в ближайшие месяцы будут требовать премию за риск. Это приведет к увеличению дисконта Urals к Brent и росту ставок на фрахт танкеров, не застрахованных Международной группой клубов взаимного страхования, которая объединяет больше десятка клубов P&I из стран ОЭСР. Поэтому маржинальность российского нефтяного экспорта будет снижаться даже в том случае, если цены на нефть Brent будут оставаться на текущем, весьма комфортном уровне ($75-80 за баррель).

✔️На российском рынке бензина профицит мощностей исторически был существенно ниже, чем на рынке дизеля. Так, в 2023 г. доля экспорта в производстве автобензина в РФ составляла 13% (5,9 млн из 43,9 млн т), а в производстве дизельного топлива – 41% (35,7 млн из 87,9 млн т), даже несмотря на резкий рост внутреннего спроса на дизель для снабжения тяжелой техники после 2022 г. Это во многом объясняет, почему регулятор тянул с продлением разрешения на экспорт бензина.

✔️Россия может существенно сократить издержки энергоемких отраслей европейской промышленности, а также потребителей электроэнергии: для этого будет достаточно вернуть объем трубопроводных поставок газа в Европу к уровню 2021 г. В свою очередь, страны ЕС будут заинтересованы в том, чтобы зависимость Украины от их помощи снижалась как можно скорее, в том числе за счет платежей за использование украинской ГТС. Оба фактора будут работать на возобновление украинского транзита. Вопрос лишь – в гибкости российской внешней политики.

✔️Ренессанс угля в Европе на поверку оказался «лебединой песней». Доля угольной генерации, составлявшая в ЕС в 2022 г. 16,2%, по итогам 2024 г. сократилась до 9,8%. Список стран ЕС, отказавшихся от угля, в 2024 г. пополнила Словакия, которая последовала примеру Бельгии, Швеции, Австрии и Португалии, закрывших последние угольные ТЭС в 2016-2021 гг. В 2025 г. последние угольные ТЭС закроят Испания, Ирландия и Италия, а в 2027 г. – Франция, из-за чего доля угля снизится еще сильнее.

✔️Бонус-трек: В эфире РБК-ТВ – о последних санкциях ЕС и перспективах российского нефтяного экспорта.

Выпуск от 1 февраля 2025 г. Кирилл @kirillrodionov Родионов – специально для @moneyandpolarfox

«Показательная» история

Обратил внимание вот на какой момент - в «Оперативной справке по результатам исследования «Измерение инфляционных ожиданий и потребительских настроений на основе опросов населения» (его проводит Фонд «Общественное мнение» по заказу ЦБ РФ, приводятся медианные значения и наблюдаемой и ожидаемой инфляции (то есть половина респондентов считает, что годовая инфляция в РФ выше 16,4%, другая половина – что ниже). Медиана – нормальный показатель, по которому можно оценить динамику роста цен, "данную нам в ощущениях".
А как же "средняя оценка", к которой мы так привыкли (особенно, когда речь идет о зарплате)?

Если бы аналитики ФОМ и ЦБ РФ захотели рассчитать и опубликовать «среднюю оценку инфляции» - о, она была бы заметно выше! Ну вот точно так же, как средняя зарплата в РФ – значительно (более, чем на треть) выше медианной зарплаты, меньше которой получает половина трудящихся.

Это просто очень показательная штука.
Когда нужно, чтобы показатель был выше (в случае с зарплатой) – нам называют его среднее значение
Когда нужно, чтобы показатель был ниже (в случае с инфляцией) – нам называют его медианное значение

Могу только напомнить в этой связи «закон Гудхарта» - «когда показатель становится целью, он перестает быть хорошим показателем»

Действительно, ув. @unexpectedvalue прав – ну, какое затоваривание на дефицитном рынке?

Но меня другое зацепило – «квартирный вопрос» здесь не могут решить уже сто лет – вот в границах СССР сто лет назад жило полтораста миллионов, и в границах РФ сейчас живет столько же, и земли вроде бы без конца и края – а вот построить за столетие такое количество жилья, чтобы человек без запредельного напряжения мог оплачивать квартиру, там где она ему нужна – нет, не получилось

Приоритеты были другие

Уважаемые коллеги @ratingruneta сделали интересную подборку рассуждений о том, что может быть в 2025 году, и что нам с этим делать (мое слово там тоже есть)

Deep Seek – не все так просто, как говорят в телевизоре

Мы продолжаем рассказывать о различных аспектах истории с Deep Seek , благодаря комментарию уважаемого читателя, который много лет работает в соответствующей отрасли.

Вот его комментарий:

Во-первых, флагманский Ascend 910С по заявлениям разработчиков достигает только 60% от H100. ⬆️ При этом нужно помнить, что H100 - это уже давно не флагман.

Новый флагман от NVIDIA это чипы B100 и B200, которые в 2-3 раза превосходят H100 по производительности в различных AI задачах. Флагман от Huawei, таким образом, внезапно достигает сногсшибательной произвозительности в 25-30% от топовых систем NVIDIA. Да, стоит он меньше, но это CapEx инвестиции, которые мало влияют на стоимость разработки AI/ML моделей, которые больше зависят от стоимости эксплуатации (системы хранения и передачи данных, электроэнергия и т.д.).

По поводу CUDA vs CANN. Ни один ИИ-исследователь не пишет ничего для CUDA или CANN непосредственно. Де-факто стандарты это Torch и TensorFlow, оба поддерживаются и CUDA-стеком и CANN-стеком, что называется "из коробки". Пруф - документация Huawei.
Да, для продукционализации моделей иногда применяются ручные оптимизации, но это скорее в тех областях, где приходится соревноваться за миллисекунды задержки (HFT-торговля например), LLM-системы это не про ручную оптимизацию и быстродействие самой модели, а про ее архитектуру и тренировку, поэтому см. предыдущий абзац.
Все инженерные инвестиции лидеров IT рынка по миграции на Huawei сведутся к паре недель работы инженеров по замене библиотек Tensorflow в продакшн. В деньгах - это смешная цифра в несколько миллионов долларов, причем это время уже имеющихся инженеров, т.е. фактические затраты близки к нулю.

Ну и под занавес - про дистилляцию DeepSeek V3 на открытой R1.
И Google Gemma 2 и […] Llama 3 по качеству не уступают, а в чем-то и превосходят R1. Обе являются открытыми. Поэтому аргумент уважаемого Дмитрия о том, что если бы R1 не было, то дистиллировать пришлось бы на ChatGPT не выдерживает критики. Есть доступные открытые модели, которые легко можно было бы использовать для дистилляции DeepSeek V3. Сотни моделей, основанных на LLama и Gemma уже доступны на HuggingFace для любых задач и применений.

Первоначальная паника инвесторов после релиза DeepSeek вызвана только цифрой 5 миллионов долларов, которые якобы пошли на ее тренировку. Но вот в чём фокус - эти 5 миллионов - это стоимость одного успешного раунда тренировки. Да, финальный раунд тренировки стоил 5 миллионов, но в реальности этих раундов (успешных, неуспешных, на другом наборе гиперпараметров или другой архитектуре модели) было много-много больше. При этом 5 миллионов - это только стоимость вычислительных ресурсов, без учета расходов на создание R1 (которую использовали для дистилляции).

Проводя аналогию с образованием - заявленная стоимость разработки DeepSeek V3 - это стоимость сдачи выпускного экзамена в университете. Условно, я могу заявить, что я получил PhD за условные 1000 рублей (стоимость распечатки собственно диссертации). При этом игнорируются расходы на обучение в начальной школе, средней школе, поступлении и обучении в университете, поступления в аспирантуру, исследований, черновиков диссертации. Все эти "скрытые" расходы суммарно, кратно (в десятки и сотри раз) увеличат реальные затраты на получение мной PhD.

Расшифровка аббревиатур – в следующем посте

К предыдущему посту о Deep Seek– расшифровка аббревиатур и объяснение используемых терминов

* Ascend 910С: Это название компьютерного чипа, разработанного компанией Huawei специально для задач искусственного интеллекта.
* H100, B100, B200: Это названия серии чипов, производимых компанией NVIDIA, которые также предназначены для работы с искусственным интеллектом. Они отличаются по мощности и производительности.
* AI: Это сокращение от Artificial Intelligence, что в переводе означает "искусственный интеллект". Это область компьютерных наук, которая занимается созданием машин, способных выполнять задачи, которые обычно требуют человеческого интеллекта, такие как обучение, распознавание образов и принятие решений.
* ML: Это сокращение от Machine Learning, что в переводе означает "машинное обучение". Это подраздел искусственного интеллекта, который занимается разработкой алгоритмов, позволяющих компьютерам учиться на данных без явного программирования.
* CapEx: Это сокращение от Capital Expenditure, что в переводе означает "капитальные расходы". Это расходы компании на приобретение основных средств, таких как оборудование и здания. В данном случае речь идет о стоимости покупки чипов для работы с искусственным интеллектом.
* CUDA и CANN: Это названия программных платформ, которые используются для разработки и запуска программ на чипах NVIDIA и Huawei соответственно.
* Torch и TensorFlow: Это две популярные программные библиотеки, которые используются для создания и обучения моделей машинного обучения. Они предоставляют готовые инструменты и функции, которые упрощают процесс разработки.
* HFT: Это сокращение от High-Frequency Trading, что в переводе означает "высокочастотная торговля". Это вид торговли на финансовых рынках, который характеризуется очень высокой скоростью совершения сделок.
* LLM: Это сокращение от Large Language Model, что в переводе означает "большая языковая модель". Это тип модели машинного обучения, которая способна понимать и генерировать текст на естественном языке.
* DeepSeek V3, R1: Это названия конкретных моделей искусственного интеллекта, разработанных компанией DeepSeek.
* Gemma 2 и Llama 3: Это названия других больших языковых моделей.
*HuggingFace: Это платформа, на которой размещаются и обмениваются моделями машинного обучения.
* ChatGPT: Это большая языковая модель, разработанная компанией OpenAI.

Что такое «дистилляция»?

Дистилляция в контексте языковых моделей — это процесс переноса знаний от большой, сложной модели (так называемого "учителя") к меньшей, более простой модели ("ученику").
Вместо того чтобы обучать маленькую модель с нуля на огромном объеме данных, ее обучают на выходных данных большой модели. Это позволяет маленькой модели имитировать поведение большой, сохраняя при этом меньший размер и требуя меньше вычислительных ресурсов для работы.

Преимущества дистилляции:
* Экономия ресурсов: Обучение большой модели с нуля требует огромных вычислительных мощностей и времени. Дистилляция же позволяет создать сопоставимую по производительности модель, затратив гораздо меньше ресурсов.
* Уменьшение размера модели: Модели-ученики, полученные в результате дистилляции, обычно имеют меньший размер, чем модели-учителя. Это делает их более подходящими для использования на устройствах с ограниченными ресурсами, таких как мобильные телефоны или встроенные системы.
* Улучшение производительности: В некоторых случаях дистилляция может даже улучшить производительность маленькой модели, так как она учится на "дистиллированных" знаниях, очищенных от шума и противоречий, которые могут быть в исходных данных.