Прогнозирование ВВП России производственным методом

Аннотация

В статье на основе использования широкого спектра отраслевых переменных и показателей реального, финансового и внешнего секторов экономики, а также ценовых и опросных индикаторов получены прогнозные значения валовых добавленных стоимостей по отраслям и произведена агрегированная оценка ВВП Российской Федерации производственным методом. В качестве основного исследовательского подхода была выбрана структурная факторная модель (DFM), на основе которой получены точечные прогнозы для российского ВВП по производству и для отдельных видов деятельности на квартальной выборке с 2011 по 2021 г. Точность полученного прогноза сравнивается с байесовской векторной авторегрессией (BVAR), простыми бенчмарками на основе моделирования агрегированного или дезагрегированного ВВП. Результаты исследования показывают, что структурная факторная модель превосходит простые бенчмарки и в отдельных случаях также BVAR по прогностической способности (измерено на основе вневыборочной ошибки прогноза) благодаря учету секторальной информации о валовых добавленных стоимостях отдельных отраслей. Анализ ковариационной матрицы отраслевых ошибок прогноза подтверждает, что превосходство факторной модели заключается в ее способности более точно улавливать отраслевую динамику, особенно в периоды высокой волатильности отраслевых оценок. Динамическая оценка точечных прогнозов на четыре квартала вперед показала, что прогнозирование на основе модели DFM по производству позволяет получать более устойчивые и стабильные во времени результаты.

Литература

Куранов, Г. О., Стрижкова, Л. А., & Тишина, Л. И. (2021). Межотраслевые и факторные модели в макроэкономическом анализе и межотраслевых исследованиях. Вопросы статистики, 28(2), 5–23. https://doi.org/10.34023/2313-6383-2021-28-2-5-23

Пономаренко, А. А., Попова, С. В., Синяков, А. А., Турдыева, Н. А., & Чернядьев, Д. Н. (2020). Оценка последствий эпидемии для экономики России через призму межотраслевого баланса. Деньги и кредит, 79(4), 3–17. https://doi.org/10.31477/ rjmf.202004.03

Турунцева, М. Ю. (2011). Прогнозирование в России: обзор основных моделей. Экономическая политика, 1, 193–202.

Широв, А. А., & Янтовский, А. А. (2017). Межотраслевая макроэкономическая модель RIM — развитие инструментария в современных условиях. Проблемы прогнозирования, 28(3), 3–18. https://doi.org/10.1134/S1075700717030121

Angelini, E., Bańbura, M., & Rünstler, G. (2008). Estimating and Forecasting the Euro Area Monthly National Accounts from a Dynamic Factor Model. European Central Bank Working Paper, 953.

Banbura, M., Giannone, D., & Reichlin, L. (2010). Large Bayesian Vector Autoregressions. Journal of Applied Econometrics, 25, 71–92. https://doi.org/10.1002/jae.1137

Barhoumi, K., Darne, O., Ferrara, L., & Pluyaud, B. (2012). Monthly GDP forecasting using bridge models. Application for the French economy. Bulletin of Economic Research, 64, 53–70.

Bäurle, G., Steiner, E., & Züllig, G. (2018). Forecasting the production side of GDP. SNB Working Papers, 16.

Bermingham, C., & D’Agostino, A. (2011). Understanding and Forecasting Aggregate and Disaggregate Price Dynamics. European Central Bank Working Paper Series, 1365.

Bessec, M., & Doz, C. (2014). Short-term forecasting of French GDP growth using dynamic factor models. OECD Journal. Journal of Business Cycle Measurement and Analysis, vol. 2013, 2. https://doi.org/10.1787/jbcma-2013-5jz742l0pt8s

Boivin, J., & Giannoni, M. (2006). DSGE Models in a Data-Rich Environment. NBER Technical Working Paper 0332, National Bureau of Economic Research, Inc.

Boivin, J., & Ng, S. (2006). Are More Data Always Better for Factor Analysis? Journal of Econometrics, 132, 169–194. https://doi.org/10.1016/j.jeconom.2005.01.027

Carriero, A., Kapetanios, G., & M. Marcellino (2011). Forecasting Large Datasets with Bayesian Reduced Rank Multivariate Models. Journal of Applied Econometrics, 26, 736–761. https://doi.org/10.1002/jae.1150

Carvalho, V. M., Nirei, M., Saito, Y. U., & Tahbaz-Salehi, A. (2016). Supply Chain Disruptions. Evidence from the Great East Japan Earthquake. CEPR Discussion Papers, 11711.

Dedola, L., & Lippi, F. (2005). The Monetary Transmission Mechanism. Evidence from the Industries of Five OECD Countries. European Economic Review, 49(6), 1543–1569. https://doi.org/10.1016/J.EUROECOREV.2003.11.006

Diebold, F. X., & Mariano, R. S. (1995). Comparing Predictive Accuracy. Journal of Business and Economic Statistics,13, 253–263. https://doi.org/10.1198/073500102753410444

Drechsel, K. & Scheufele, R. (2012). Bottom-up or Direct? Forecasting German GDP in a Data-rich Environment. Swiss National Bank Working Papers, 16.

Fares, J., & Srour, G. (2001). The Monetary Transmission Mechanism at the Sectoral Level. Working Paper, 2001-27, Bank of Canada.

Ganley, J., & Salmon, C. (1997). The Industrial Impact of Monetary Policy Shocks. Some Stylized Facts. Working Paper, 68, Bank of England.

Giannone, D., Lenza, M., & Primiceri, G. E. (2015). Prior selection for vector autoregressions. Review of Economics and Statistics, 97, 436–451. https://doi.org/10.1162/ REST_a_00483

Hahn, E. & Skudelny, F. (2008). Early Estimates of Euro Area real GDP Growth. A Bottom Up Approach from the Production Side. European Central Bank Working Paper Series, 975.

Hayo, B., & Uhlenbrock, B. (2000). Industry Eff ects of Monetary Policy in Germany. In J. von Hagen, & C. J. Waller (Eds.), Regional Aspects of Monetary Policy in Europe (p. 127– 158). Springer.

Henkel, L. (2020). Sectoral output eff ects of monetary policy. do sticky prices matter? European Central Bank Working Paper Series, 2473.

Karlsson, S. (2013). Forecasting with Bayesian Vector Autoregressions. In G. Elliott,& A. Timmermann (Eds.), Handbook of Economic Forecasting (vol. 2, chap. 15, p. 791–897). Elsevier.

Kim, C.-J., & Nelson, C. R. (1999). State-Space Models with Regime Switching. The MIT Press.

Lehmann, R., & Wohlrabe, K. (2013). Forecasting gross valueadded at the regional level. Are sectoral disaggregated predictions superior to direct ones? Ifo Institute — Leibniz Institute for Economic Research at the University of Munich, ifo Working Paper, 171.

Martinsen, K., Ravazzolo, F., & Wulfsberg, F. (2014). Forecasting Macroeconomic Variables Using Disaggregate Survey Data. International Journal of Forecasting, 30, 65–77. https://doi.org/10.2139/ssrn.1847595

Peersman, G., & Smets, F. (2005). The Industry Eff ects of Monetary Policy in the Euro Area. The Economic Journal, 115(503), 319–342. https://doi.org/10.1111/J.14680297.2005.00991.X

Pinkwart, N. (2018). Short-term forecasting economic activity in Germany: a supply and demand side system of bridge equations. Deutsche Bundesbank Discussion Paper, 36.

Schumacher, C. (2014). MIDAS and bridge equations. Deutsche Bundesbank Discussion Paper, 26.

Stock, J. H. & Watson, M. W. (2002). Macroeconomic Forecasting Using Diff usion Indexes. Journal of Business and Economic Statistics, 20, 147–162. https://doi. org/10.1198/073500102317351921

Taylor, J. (1978). Comments on “the temporal and sectoral aggregation of seasonally adjusted time series” by John Geweke. Economic research report, US Department of Commerce, Bureau of the Census.