Использование обследований экономических тенденций в наукастинге роста ВВП

В статье обосновывается целесообразность интеграции обобщенной информации обследований экономических тенденций в систему наукастинга экономического роста. Проведен сравнительный анализ эффективности моделей векторной авторегрессии, включающих индекс экономических настроений, рассчитанный на основе обследований Росстата деловой активности и потребительских ожиданий, и индекс бизнес-климата, сформированный по данным мониторинга предприятий Банком России.
Статистическое тестирование временных рядов композитных индикаторов и индекса физического объема (ИФО) ВВП подтвердило наличие значимых корреляционной и причинной связей между ними, а также сходство их циклических профилей. Оба индекса синхронно или раньше ИФО ВВП проходят поворотные циклические точки, при этом их прогностические способности усиливаются ранней доступностью информации. Возможности наукастинга экономического роста с использованием информации обследований оценены в трех спецификациях модели векторной авторегрессии с дамми-переменными. На внутривыборочном временном интервале наибольшую точность показала модель, включающая оба композитных индикатора и ИФО ВВП.
Предложенный подход позволяет получать оперативные оценки перспектив роста ВВП существенно раньше публикации официальной статистической информации

1. UN. Handbook on Economic Tendency Survey. New York: UN Publ., 2015. 145 p.

2. UNECE. Guidelines on Producing Leading, Composite and Sentiment Indicators. Geneva: UN, 2019. 125 p.

3. Giannone D., Reichlin L., Small D. Nowcasting: The Real-Time Informational Content of Macroeconomic Data // Journal of Monetary Economics. 2008. Vol. 55. Iss. 4. P. 665–676. doi: https://doi.org/10.1016/j.jmoneco.2008.05.010.

4. Theil H. Economic Forecasts and Policy. Amsterdam: North-Holland Pub. Co., 1958.

5. European Commission. The Joint Harmonised EU Programme of Business and Consumer Surveys. User Guide (Updated January 2024). URL: https://economy-finance.ec.europa.eu/document/download/4f162b92-e654-4cefbeed-38960dae1b09_en?filename=bcs_user_guide.pdf.

6. Claveria O., Pons E., Ramos R. Business and Consumer Expectations and Macroeconomic Forecasts // International Journal of Forecasting. 2007. Vol. 23. Iss. 1. P. 47– 69. doi: https://doi.org/10.1016/j.ijforecast.2006.04.004.

7. Christiansen C., Eriksen J.N., Moller S.V. Forecasting US Recessions: The Role of Sentiment // Journal of Banking and Finance. 2014. Vol. 49. P. 459–468. doi: https://doi.org/10.1016/j.jbankfin.2014.06.017.

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

9. van Aarle B., Moons C. Sentiment and Uncertainty Fluctuations and Their Effects on the Euro Area Business Cycle // Journal of Business Cycle Research. 2017. Vol. 13. P. 225–251. doi: https://doi.org/10.1007/s41549-017-0020-y.

10. Astolfi R. et al. The Use of Short-Term Indicators and Survey Data for Predicting Turning Points in Economic Activity: A Performance Analysis of the OECD System of CLIs During the Great Recession // OECD Statistics Working Papers. 2016. No. 2016/08. doi: https://doi.org/10.1787/5jlz4gs2pkhf-en.

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

12. Basselier R., Liedo D. de A., Langenus G. Nowcasting Real Economic Activity in the Euro Area: Assessing the Impact of Qualitative Surveys // Working Paper Research. 2017. No. 331. Brussels: National Bank of Belgium, 2017.

13. Lehmann R. The Forecasting Power of the ifo Business Survey // CESifo Working Paper No. 8291. Munich: CESifo, 2020. URL: https://www.cesifo.org/en/publications/2020/working-paper/forecasting-power-ifo-business-survey.

14. Boudt K., Todorov V., Upadhyaya Sh. Nowcasting Manufacturing Value Added for Cross-Country Comparison // Statistical Journal of the IAOS. 2009. Vol. 26. Iss. 1. P. 15–20. doi: https://doi.org/10.3233/SJI-2009-0694.

15. Banbura M., Runstler 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.

16. Drechsel K., Maurin L. Flow of Conjunctural 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.

17. Gayer C., Girardi A., Reuter A. The Role of Survey Data in Nowcasting Euro Area GDP Growth // European Commission Economic Papers No 538. Brussels: 2014. URL: https://ec.europa.eu/economy_finance/publications/economic_paper/2014/pdf/ecp538_en.pdf.

18. Lehmann R., Wohlrabe K. Forecasting GDP at the Regional Level with Many Predictors // CESifo Working Paper No 3956. Munich: CESifo, 2012. URL: https://www.cesifo.org/en/publications/2012/working-paper/forecasting-gdp-regional-level-many-predictors.

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

20. 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.ijcb.org/journal/ijcb19q2a5.pdf.

21. Bruno G., Lupi C. Forecasting Industrial Production and the Early Detection of Turning Points // Empirical Economics. 2004. Vol. 29. P. 647–671. doi: https://doi.org/10.1007/s00181-004-0203-y.

22. Mattos D. et al. Forecasting Brazilian Industrial Production with the VAR Model and SARIMA with Smart Dummy. Present at the 33rd CIRET Conference «Economic Tendency Surveys and Economic Policy». Copenhagen, 2016.

23. Дубовский Д., Кофанов Д., Сосунов К. Датировка российского бизнес-цикла // Экономический журнал ВШЭ. 2015. Т. 19. № 4. С. 554–575.

24. Смирнов С.В. Предсказание поворотных точек российского экономического цикла с помощью сводных опережающих индексов // Вопросы статистики. 2020. Т. 27. № 4. С. 53–65. doi: https://doi.org/10.34023/2313-6383-2020-27-4-53-65.

25. Смирнов С., Кондрашов Н., Петроневич А. Поворотные точки российского экономического цикла, 1981–2015 гг. // Экономический журнал ВШЭ. 2015. Т. 19. № 4. С. 534–553.

26. 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.

27. Kitrar L., Lipkind T. The Relationship of Economic Sentiment and GDP Growth in Russia in Light of The Covid-19 Crisis // Entrepreneurial Business and Economics Review (EBER). 2021. Vol. 9. No. 1. P. 7–29. doi: https://doi.org/10.15678/EBER.2021.090101.

28. Китрар Л., Липкинд Т., Усов Н. Прогнозирование роста ВВП с учетом кризисных шоков на основе результатов обследований деловой активности // Вопросы статистики. 2021. Т. 28. № 4. С. 80–95. doi: https://doi.org/10.34023/2313-6383-2021-28-4-80-95.

29. Кобзев А., Андреев А. Индикаторы деловой активности и инфляции на основе мониторинга предприятий. Аналитическая записка. Март 2021. М.: ЦБ РФ, 2021. URL: https://cbr.ru/Content/Document/File/119543/analytic_note_20210322.pdf.

30. Ляхнова М., Коленко Ю. Оценка разрыва выпуска России по данным мониторинга предприятий // Деньги и кредит. 2024. Т. 83. № 2. С. 26–53. URL: https://rjmf.econs.online/2024/2/nowcasting-the-outputgap-in-russia-using-enterprise-monitoring-data/.

31. Банк России. Мониторинг нефинансовых предприятий: методология Банка России. М.: ЦБ РФ, 2022. URL: https://cbr.ru/Content/Document/File/130872/mm_br.pdf.

32. Granger C.W.J. Investigating Causal Relations by Econometric Models and Cross-spectral Methods // Econometrica. 1969. Vol. 37. Iss. 3. P. 424–438.

33. Hodrick R.J., Prescott E.C. Postwar U.S. Business Cycles: An Empirical Investigation // Journal of Money, Credit and Banking. 1997. Vol. 29. Iss. 1. P. 1–16.

34. OECD. OECD System of Composite Leading Indicators. 2012. URL: https://www.oecd.org/sdd/41629509.pdf.

35. Nilsson R., Gyomai G. Cycle Extraction: A Comparison of the Phase-Average Trend Method, the Hodrick-Prescott and Christiano-Fitzgerald Filters // OECD Statistics Working Papers. No. 2011/04. Paris: OECD Publishing, 2011. doi: https://doi.org/10.1787/5kg9srt7f8g0-en.

36. Gayer Сh. Report: The Economic Climate Tracer. A Tool to Visualise the Cyclical Stance of the Economy Using Survey Data. 2008. URL: http://ec.europa.eu/economy_finance/db_indicators/surveys/documents/studies/ economic_climate_tracer_en.pdf.

37. European Commission. European Business Cycle Indicators. Technical Paper 069. January 2024. doi: https://doi.org/10.2765/925336.

38. Безбородова А. SVAR: анализ и прогнозирование основных макроэкономических показателей // Банкаўскі веснік. Исследования Банка № 11. 2017. URL: https://www.nbrb.by/bv/pdf/supplements/58.pdf.

39. Орлов К. Построение большой байесовской векторной авторегрессионной модели для Казахстана // Департамент денежно-кредитной политики Банка Казахстана. Экономическое исследование № 2021-1. URL: https://www.nationalbank.kz/file/download/65031.

40. Sims C.A. Macroeconomics and Reality // Econometrica. 1980. Vol. 48. P. 1–48.

41. Litterman R. 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/10.2307/1391384.

42. Gupta R., Jurgilas M., Kabundi A. The Effect of Monetary Policy on Real House Price Growth in South Africa: A Factor-Augmented Vector Autoregression (FAVAR) Approach // Economic Modelling. 2010. Vol. 27. Iss. 1. P. 315–323. doi: https://doi.org/10.1016/j.econmod.2009.09.011.