Прогнозирование роста ВВП с учетом кризисных шоков на основе результатов обследований деловой активности

В статье на основе результатов регулярных широкомасштабных обследований деловой активности организаций, проведенных Федеральной службой государственной статистики в период с 1998 по 2021 г., анализируются краткосрочные эффекты влияния совокупных экономических настроений на ожидаемый рост ВВП в России. Главной целью исследования является обоснование прогностической ценности мнений хозяйствующих субъектов в условиях необходимости расширения макроэкономической информации, особенно в периоды кризисных событий.

Авторы объединяют ежеквартальную информацию за весь анализируемый период по 18 анкетным показателям обследований выборочной совокупности, включающей около 24 тыс. организаций базовых видов экономической деятельности и 5 тыс.

потребителей во всех регионах страны, в единый композитный индекс экономических настроений (ИЭН). Затем проводится статистический анализ рассматриваемых временных рядов, в том числе определение порядка интегрируемости, а также проверка на стационарность и тестирование на наличие причинно-следственных связей между индикаторами. На основе полученных результатов для измерения исследуемых взаимосвязей аргументируется возможность использования такой спецификации модели, как векторная авторегрессия (VAR) с дамми-переменными.

Результаты прогнозирования отражают взаимосвязь двух временных рядов и учитывают отклик на фактическую реакцию деловой среды в динамике оцениваемой переменной (ИФО ВВП) и заданную авторами симуляцию колебаний в динамике ИЭН, которые соответствуют ожидаемым экономическим настроениям в условиях возможной смены кризисных отраслевых событий. Исходя из сценарных импульсов в динамике совокупных экономических настроений в III квартале 2021 г., отличающихся амплитудой и продолжительностью их влияния на экономический рост, прежде всего из-за коронавирусных шоков, сформированы вероятностные оценки роста ВВП до середины 2022 г. Согласно полученным результатам, при всех предложенных авторами сценариях развития бизнес-тенденций рост национальной экономики может превысить предпандемический уровень IV квартала 2019 г. (102,9%) к середине 2022 г.

1. European Commission. The Joint Harmonised EU Programme of Business and Consumer Surveys. User Guide (Updated February 2021). URL: bcs_user_guide_2021_02_en.pdf.

2. United Nations Economic Commission for Europe. Guidelines on Producing Leading, Composite and Sentiment Indicators. Geneva: UN, 2019. URL: https://unece.org/fileadmin/DAM/stats/publications/2019/ECECESSTAT20192.pdf.

3. Китрар Л., Липкинд Т., Остапкович Г. Экономическое развитие и циклические настроения российских предпринимателей после рецессии 2014–2016 годов // Вопросы статистики. 2020. Т. 27. № 1. С. 53–70. doi: https://doi.org/10.34023/2313-6383-2020-27-1-53-70.

4. Китрар л., Липкинд Т. Анализ взаимосвязи индикатора экономических настроений и роста ВВП // Экономическая политика. 2020. T. 16. № 6. С. 8–41. doi: https://doi.org/10.18288/1994-5124-2020-6-8-41.

5. Lipkind T., Kitrar L., Ostapkovich G. Russian Business Tendency Surveys by HSE and Rosstat // Business Cycles in BRICS / еd. by S. Smirnov, A. Ozyildirim, P. Picchetti. Springer International Publ., 2019. Ch. 13. P. 233–251. doi: https://doi.org/10.1007/978-3-319-90017-9.

6. Kitrar L., Lipkind T., Ostapkovich G. Information Content of Russian Services Surveys // Journal of Business Cycle Research. 2020. Vol. 16. Iss. 1. P. 59–74. doi: https:// doi.org/10.1007/s41549-020-00040-4.

7. Cesaroni T. The Cyclical Behavior of the Italian Business Survey Data // Empirical Economics. 2011. Vol. 41. Iss. 3. P. 747–768. doi: https://doi.org/10.1007/s00181-010-0390-7.

8. Cesaroni T., Iezzi S. The Predictive Content of Business Survey Indicators: Evidence from SIGE // Journal of Business Cycle Research. 2017. Vol. 13. Iss. 1. P. 75–104. doi: https://doi.org/10.1007/s41549-017-0015-8.

9. 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 // ECB Working Paper No. 751. Frankfurt am Main: ECB, 2007. URL: https://ssrn.com/abstract=984265.

10. Angelini E. et al. Short-Term Forecast of Euro Area GDP Growth // ECB Working Paper No. 949. Frankfurt am Main: ECB, 2008. Available from: https://ssrn.com/abstract=1275821.

11. Maurin L., Darracq Pariès M. The Role of Country-Specifc Trade and Survey Data in Forecasting Euro Area Manufacturing Production: Perspective from Large Panel Factor Models // ECB Working Paper No. 894.Frankfurt am Main: ECB, 2008. URL: https://ssrn.com/abstract=1120700.

12. Drechsel K., Maurin L. Flow of Conjuntural Information and Forecast of Euro Area Economic Activity //Journal of Forecasting. 2011. Vol. 30. Iss. 3. P. 336–354. doi: https://doi.org/10.1002/for.1177.

13. Girardi A., Gayer C., Reuter A. The Role of Survey Data in Nowcasting Euro Area GDP Growth // Journal of Forecasting. 2016. Vol. 35. Iss. 5. P. 400–418. doi: https://doi.org/10.1002/for.2383.

14. Lehmann R., Wohlrabe K. Forecasting GDP at the Regional Level with Many Predictors // CESifo Working Paper Series No. 3956. 2012. URL: https://econpapers.repec.org/paper/cesceswps/_5f3956.htm.

15. D´Amato L., Garegnani L., Blanco E. GDP Nowcasting: Assessing Business Cycle Conditions in Argentina // BCRA Working Paper Series No. 69. A. C. of Buenos Aires: Central Bank of Argentina, 2015. URL: https://www.bcra.gob.ar/Pdfs/Investigaciones/WP_69_2015%20i.pdf.

16. 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 No. 331. Brussels: National Bank of Belgium, 2017. URL: https://www.nbb.be/doc/ts/publications/wp/wp331en.pdf.

17. Ollivaud P. et al. Forecasting GDP During and After the Great Recession: A Contest Between SmallScale Bridge and Large-Scale Dynamic Factor Model // OECD Economics Department Working Paper No. 1313. Paris: OECD, 2016. URL: https://www.oecd.org/officialdocuments/publicdisplaydocumentpdf/?cote=ECO/WKP(2016)37&docLanguage=En.

18. 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. No. 2. P. 151–178. URL: https://www.icb.org/journal/icb19q2a5.htm.

19. European Commission. European Business Cycle Indicators – 1st Quarter 2018. Nowcasting Euro Area GDP Growth with Mixed Frequency Models. Luxembourg: Publication Ofce of the European Union, 2018. doi: https://doi.org/10.2765/17446.

20. Hansson J., Jansson P., Löf M. Business Survey Data: Do They Help Forecasting the Macro Economy. Luxembourg: Ofce for Ofcial Publication of the European Communities, 2003. URL: https://ec.europa.eu/eurostat/documents/3888793/5828897/KS-AN-03-051-EN.PDF/aed6487a-4816-4846-9abb-f6cbfd98afd5.

21. Mattos D. et al. Forecasting Brazilian Industrial Production with the VAR Model and SARIMA with Smart Dummy. Pres. at the 33rd CIRET Сonference «Economic Tendency Surveys and Economic Policy», 14–17 September, 2016. Copenhagen: 2016.

22. European Commission. European Business Cycle Indicators – 2nd Quarter 2014. What Do Survey Data Tell Us About Future Price Developments? European Union, 2014. URL: https://ec.europa.eu/economy_fnance/publications/cycle_indicators/2014/pdf/ebci_2_en.pdf.

23. Bernanke B.S., Boivin J., Eliasz P. Measuring the Effects of Monetary Policy: A Factor-Augmented Vector Autoregressive (FAVAR) Approach // The Quarterly Journal of Economics. 2005. Vol. 120. Iss. 1. P. 387–422. doi: https://doi.org/10.1162/0033553053327452.

24. Korhonen I., Mehrotra A. Money Demand in Post-Crisis Russia: De-dollarisation and Remonetisation // Emerging Markets Finance and Trade. 2014. Vol.

25. Iss. 2. P. 5–19. doi: http://dx.doi.org/10.2753/ree1540-496x460201. 26. Mehrotra A., Ponomarenko A. Wealth Effects and Russian Money Demand // BOFIT Discussion Paper No. 3/2010. Helsinki: Bank of Finland, 2010. doi: http://dx.doi.org/10.2139/ssrn.1665039.

26. Korhonen I., Mehrotra A.N. Real Exchange Rate, Output and Oil: Case of Four Large Energy Producers // BOFIT Discussion Paper No. 6/2009. Helsinki: Bank of Finland, 2009. doi: http://dx.doi.org/10.2139/ssrn.1428238.

27. Granville B., Mallick S. Monetary Policy in Russia: Identifying Exchange Rate Shocks // Economic Modelling. 2010. Vol. 27. Iss. 1. P. 432–444. doi: https://doi.org/10.1016/j.econmod.2009.10.010.

28. Mallick S.K., Sousa R.M. Commodity Prices, Inflationary Pressures, and Monetary Policy: Evidence from BRICS Economies // Open Economies Review. 2013. Vol. 24. Iss. 4. P. 677–694.

29. Rautava J. Oil Prices, Excess Uncertainty and Trend Growth: A Forecasting Model for Russia’s Economy // Focus on European Economic Integration. Oesterreichische Nationalbank (Austrian Central Bank). 2013. Iss.4. P. 77–87. URL: https://www.oenb.at/dam/jcr:aeee8d5bff32-4db7-919c-7e37e5d1fcb9/feei_2013_q4_studies_rautava.pdf.

30. Litterman R.B. Forecasting with Bayesian Vector Autoregressive Model – Five Years of Experience // Journal of Business & Economic Statistics. 1986. Vol. 4. Iss. 1. P. 25–38. doi: https://doi.org/10.1080/07350015.1986.10509491.

31. De Mol C., Giannone D., Reichlin L. Forecasting Using a Large Number of Predictors: Is Bayesian Shrinkage a Valid Alternative to Principal Components? // Journal of Econometrics. 2008. Vol. 146. Iss. 2. P. 318–328. doi: https://doi.org/10.1016/j.jeconom.2008.08.011.

32. Bańbura M., Giannone D., Reichlin L. Large Bayesian Vector Auto Regressions // Journal of Applied Econometrics. 2010. Vol. 25. Iss. 1. P. 71–92. doi: https:// doi.org/10.1002/jae.1137.

33. Bańbura M., Giannone D., Lenza M. Conditional Forecasts and Scenario Analysis with Vector Autoregressions for Large Cross-Sections // ECB Working Paper No. 1733. Frankfurt am Main: ECB, 2014. URL: https://www.ecb.europa.eu/pub/pdf/scpwps/ecbwp1733.pdf.

34. Giannone D., Lenza M., Primiceri G.E. Prior Selection for Vector Autoregressions // ECB Working Paper No. 1494. Frankfurt am Main: ECB, 2012. URL: https://ssrn.com/abstract=2176133.

35. Mayr J., Ulbricht D. VAR Model Averaging for Multi-Step Forecasting // ifo Working Paper No. 48. Munich: ifo Institute – Leibniz Institute for Economic Research at the University of Munich, 2007. URL: https://www.ifo.de/DocDL/IfoWorkingPaper-48.pdf.

36. Lütkepohl H. Vector Autoregressive Models // Lovric M. (ed.) International Encyclopedia of Statistical Science. Berlin, Heidelberg: Springer, 2011.

37. Китрар Л., Липкинд Т., Остапкович Г. Квантификация качественных признаков в конъюнктурных обследованиях // Вопросы статистики. 2018. Т. 25. № 4. С. 49–63.

38. Китрар л., Липкинд Т., Остапкович Г. Декомпозиция и совместный анализ циклов роста в динамике индикатора экономического настроения и индекса физического объема валового внутреннего продукта // Вопросы статистики. 2014. № 9. С. 41–46.

39. Китрар л., Остапкович Г. Интегрированный подход к построению композитных индикаторов со встроенным алгоритмом оценки цикличности в динамике результатов конъюнктурного мониторинга // Вопросы статистики. 2013. № 12. С. 23–34.