Потенциал использования результатов конъюнктурных обследований при прогнозировании занятости в малом предпринимательстве России

В статье представлены результаты анализа прогнозного потенциала краткосрочных прогнозных оценок уровня занятости в сегменте малого предпринимательства в четырех видах деятельности российской экономики: обрабатывающей промышленности, строительстве, оптовой и розничной торговле.
С точки зрения авторов, одним из перспективных источников данных подобных оценок могут служить конъюнктурные наблюдения предпринимательской деятельности, являющиеся в настоящее время распространенным источником экономической информации как в национальной, так и международной практике и играющие важную роль в измерении динамики занятости в странах и отраслях, выступая в качестве дополнительного статистического инструмента.
Целью работы было доказать наличие устойчивой статистически значимой связи предикт-оценок занятости, сформированных на базе результатов конъюнктурных обследований, с динамикой соответствующих статистических макроагрегатов в различных секторах, возможность использования прогнозных моделей изменения занятости, построенных на базе результатов конъюнктурных опросов.
Новизна представленных результатов (вклада авторов) состоит в том, что впервые были изучены на расширенной выборке (более 14 тыс. респондентов) возможности прогнозирования показателей рынка труда в малом предпринимательстве на основе опережающих данных бизнес-опросов, рассмотрев отдельно розничную торговлю, оптовую торговлю, строительство и обрабатывающую промышленность. Согласно результатам, полученным на базе анализа причинности по Грейнджеру и псевдо вневыборочного анализа, во всех рассматриваемых отраслях предпринимательские оценки и ожидания выступают эффективными предикт-индикаторами для прогнозирования динамики занятости на ближайшую перспективу (два-четыре месяца) и датировки поворотных точек в росте занятости в сегменте малого предпринимательства. Наиболее чувствительными предикт-оценки оказались в секторах розничной и оптовой торговли, при этом для оптовой торговли были получены наилучшие результаты. По этой причине авторы рекомендуют использование индикатора ожиданий занятости в этих видах деятельности для мониторинга уровня занятости и безработицы в первую очередь.

1. Mazzarol T., Reboud S. The Role of the Small Business Within the Economy // Small Business Management. Springer: Singapore, 2020. P. 1–29.

2. OECD. Financing SMEs and Entrepreneurs 2020: An OECD Scoreboard. Paris: OECD Publ., 2020. doi: https://doi.org/10.1787/061fe03d-en.

3. Фальцман В.К. Проблемы прогнозирования малого и среднего бизнеса // Проблемы прогнозирования. 2019. № 1(172). С. 16–22.

4. Balsmeier B., Woerter M. Is this time different? How digitalization influences job creation and destruction // Research Policy. 2019. Vol. 48. No. 8. 103765.

5. Radosavljević D., Anđelković M., Krasulja N. Digitalization of the Employment Process in Companies. Economics // Finance and Management Review. 2020. No. 1. P. 80–85.

6. Hansson J., Jansson P., Löf M. Business survey data: Do they help in forecasting GDP growth? // International Journal of Forecasting. 2005. Vol. 21. No. 2. P. 377–389.

7. Abberger K. Forecasting quarter-on-quarter changes of German GDP with monthly business tendency survey results // Ifo Working Paper. 2007. No. 40.

8. Hanssens D.M., Vanden Abeele P.M. A time-series study of the formation and predictive performance of EEC production survey expectations // Journal of Business & Economic Statistics. 1987. Vol. 5. No. 4. P. 507–519.

9. Fritsche U., Stephan S. Leading indicators of German business cycles. An assessment of properties / Frühindikatoren der deutschen Konjunktur. Eine Beurteilung ihrer Eigenschaften // Jahrbücher für Nationalökonomie und Statistik. 2002. Vol. 222. No. 3. P. 289–315.

10. Ang A., Bekaert G., Wei M. Do macro variables, asset markets, or surveys forecast inflation better? // Journal of monetary Economics. 2007. Vol. 54. No. 4. P. 1163–1212.

11. Carriero A., Marcellino M. Sectoral Survey-based Confidence Indicators for Europe // Oxford Bulletin of Economics and Statistics. 2011. Vol. 73. No. 2. P. 175–206.

12. Frale C., Marcellino M., Mazzi G.L., Proietti T. Survey data as coincident or leading indicators // Journal of Forecasting. 2010. Vol. 29. No. 1–2. P. 109–131.

13. Giannone D., Reichlin L., Simonelli S. Nowcasting euro area economic activity in real time: the role of confidence indicators // National Institute Economic Review. 2009. Vol. 210. No. 1. P. 90–97.

14. Klein L.R., Özmucur S. The use of consumer and business surveys in forecasting // Economic Modelling. 2010. Vol. 27. No. 6. P. 1453–1462.

15. Bańbura M., Rünstler G. A look into the factor model black box: publication lags and the role of hard and soft data in forecasting GDP // International Journal of Forecasting. 2011. Vol. 27. No. 2. P. 333–346.

16. Keeney M., Kennedy B., Liebermann J. The value of hard and soft data for short-term forecasting of GDP // Central Bank of Ireland. 2012. No. 11/EL/12.

17. Lahiri K., Monokroussos G. Nowcasting US GDP: The role of ISM business surveys // International Journal of Forecasting. 2013. Vol. 29. No. 4. P. 644–658.

18. dos Santos R.H. The use of qualitative data for short term analysis // Banco de Portugal Economic Bulletin. 2003. Vol. 9. No. 3. P. 101–118.

19. Abberger K. Qualitative business surveys and the assessment of employment — A case study for Germany // International Journal of Forecasting. 2007. Vol. 23. No. 2. P. 249–258.

20. Lehmann R., Weyh A. Forecasting employment in Europe: Are survey results helpful? // Journal of Business Cycle Research. 2016. Vol. 12. No. 1. P. 81–117.

21. Мхитарян В.С., Сарычева Т.В. Прогнозирование занятости населения в Российской Федерации по видам экономической деятельности // Вопросы статистики. 2017. № 3. С. 18–29.

22. Варьяш И.Ю., Зубец А.Н. Оценка опережающих индикаторов экономической деятельности в Российской Федерации по методологии ОЭСР // Вопросы статистики. 2016. № 11. С. 31–36.

23. Inoue A., Kilian L. In-sample or out-of-sample tests of predictability: Which one should we use? // Econometric Reviews. 2005. Vol. 23. No. 4. P. 371–402.

24. OECD. Interpreting OECD Composite Leading Indicators. 2020. URL: https://www.oecd.org/sdd/leading-indicators/Interpreting_OECD_Composite_Leading_Indicators.pdf.

25. Fulop G., Gyomai G. Transition of the OECD CLI system to a GDP-based business cycle target. 2012. URL: http://www.oecd.org/std/leading-indicators/49985449.pdf