Журнал «Менеджмент и бизнес-администрирование»
№3 / 2023

Подход к прогнозированию макроиндикаторов в России

Борисова О.В.,

кандидат экономических наук, доцент, ведущий научный сотрудник Института исследований социально-экономических трансформаций и финансовой политики, Финансовый университет при Правительстве Российской Федерации, Москва, Россия,

Ященко А.И.,

магистрант 1 курса Факультета налогов аудита и бизнес-анализа, стажер-исследователь Института исследований социально-экономических трансформаций и финансовой политики, Финансовый университет при Правительстве Российской Федерации, Москва, Россия

Аннотация. В работе изучены методы прогнозирования макроиндикаторов. Показано их разнообразие и группы регрессоров, используемые в прогностических целях. Обосновано влияние поведенческих факторов на размер прогнозируемого макроиндикатора — ВВП. Доказано влияние ожидания изменений бизнесом в ближайшие три месяца и издержек производства на ВВП. Предлагается регрессионная модель, позволяющая оперативно учитывать настроения бизнеса при прогнозировании ВВП, что позволит точнее предсказывать динамику его изменения.

Ключевые слова: методы прогнозирования ВВП, поведенческие факторы, прогностические факторы, модель ВВП.

An approach to forecasting macro indicators in Russia

Borisova O.V.,

Candidate of Economic Sciences, Docent, Leading Research Fellow, Institute for Research on Socio-Economic Transformations and Financial Policy, Financial University under the Government of the Russian Federation, Moscow, Russia,

Yashchenko A.I.,

1st year Master's Student of the Faculty of Taxes, Audit and Business Analysis, Intern Researcher at the Institute for Research on Socio-Economic Transformations and Financial Policy, Financial University under the Government of the Russian Federation, Moscow, Russia

Abstract. Methods of forecasting macro indicators are studied in the work. Their diversity and groups of regressors used for prognostic purposes are shown. The influence of behavioral factors on the size of the predicted macro–indicator — GDP is substantiated. It is proved that the impact of the expectation of changes by business in the next three months and production costs on GDP. A regression model is proposed that allows us to promptly take into account business sentiment when forecasting GDP, which will allow us to more accurately predict the dynamics of its changes.

Keywords: methods of GDP forecasting, behavioral factors, predictive factors, GDP model.

DOI: 10.33983/2075-1826-2023-3-75-83

Библиографический список

Богатырев С.Ю. Методология поведенческой стоимостной оценки: дис. ... докт. экон. наук. — Санкт-Петербург, 2021. — 627 с.
Борейко Н.Н., Селицкая А.Ю., Никонович А.А. Прогнозирование ВВП республики Беларусь производственным методом на основе системы эконометрических моделей // Экономика, моделирование, прогнозирование. — 2018. — № 12. — С. 248–259.
Ермаков Б.С. Влияние структуры искусственной нейронной сети на ее эффективность на примере прогнозирования макроэкономических показателей // Системный анализ и логистика. — 2021. — № 2 (28). — С. 44–51.
Кравцов М.К., Юралевич А.А., Дехтярь Т.А. Прогнозирование макроэкономических показателей на основе расширенной версии эконометрической межотраслевой модели // Экономика, моделирование, прогнозирование. — 2022. — № 16. — С. 223–236.
Ломакин Н.И., Пескова О.С., Мершиева Г.А., Заруднева А.Ю., Кособокова Е.В., Максимова О.Н., Голодова О.А., Тарасова Н.К. AI-система и многофакторная корреляционно-регрессионная модель для прогнозирования ВВП РФ в облачной среде COLAB и XL // Международная экономика. — 2022. — № 3. — С. 235–254.
Мамыралиева А.Т. Прогнозирование ВВП в Кыргызстане с применением модели линейного тренда // Universum: экономика и юриспруденция. — 2017. — № 3 (36). — С. 7–11.
Поршаков А.С.?, Пономаренко А.А.?, Синяков А.А.? Оценка и прогнозирование ВВП России с помощью динамической факторной модели // Журнал новой экономической ассоциации. — 2016. — Т. 30. — № 2. — С. 60–76.
Ульянкин Ф. Прогнозирование российских макроэкономических показателей на основе информации в новостях и поисковых запросах // Деньги и кредит. — 2020. — Т. 79. — № 4. — С. 75–97.
Фокин Н., Полбин А. VAR-LASSO модель для прогнозирования ключевых макроэкономических показателей России // Деньги и кредит. — 2019. — № 2. — С. 67–93.
Basselier R., de Antonio Liedo D., Langenus G. Nowcasting Real Economic Activity in the Euro Area: Assessing the Impact of Qualitative Surveys // Working Paper Research. — Brussels: National Bank of Belgium, 2017. — №. 331. — 60 р. — URL: https://www.nbb.be/doc/ts/publications/wp/ wp331en.pdf.
European Commission. European Business Cycle Indicators — 1st Quarter 2018. Nowcasting Euro Area GDP Growth with Mixed Frequency Models. — Luxembourg: Publication Office of the European Union, 2018. — 28 р. — URL: https://economy-finance.ec.europa.eu/system/files/2018-04/tp023_en.pdf.
Galli A., Hepenstrick C., Scheufele R. Mixed-Frequency Models for Tracking Short-Term Economic Developments in Switzerland // International Journal of Central Banking. — 2019. — Vol. 15. — № 2. — P. 151–178. — URL: https:// www.ijcb.org/journal/ijcb19q2a5.htm.