Система национальных счетов связывает воедино важнейшие макроэкономические показатели — объем выпуска товаров и услуг, совокупные доходы и совокупные расходы общества и отражает процесс воспроизводства и кругооборот доходов и расходов в масштабах национальной экономики. Исходным показателем системы национальных счетов является валовой внутренний продукт (ВВП), его динамика отражает состояние экономической конъюнктуры в стране, используется для анализа проблем денежного обращения и инфляции. Анализ и прогнозирование показателей национальных счетов составляют основу разработки мер экономической политики государства. При этом центральным объектом исследования является ВВП, анализа и которого позволяет получить сводную характеристику аспектов воспроизводственного процесса — производства товаров и услуг, формирования и распределения доходов экономических агентов, потребления и накопления. Одним из наиболее популярных и востребованных направлений анализа показателей системы национальных счетов и ВВП в частности является эконометрическое моделирование. Моделирование и прогнозирование параметров экономической динамики при помощи эконометрических (главным образом, регрессионных) моделей позволяет определить, с какой точностью получен тот или иной результат, а в случае необходимости включать или исключать объясняющие переменные до тех пор, пока не получится приемлемая с точки зрения адекватности модель. Представляется необходимым подчеркнуть главные преимущества регрессионных моделей в сравнении с балансовыми:
‒ возможность ввести нужную поправку, зная точность, с которой получен результат, и ориентировать свои действия по данным, полученным с известной точностью;
‒ возможность проверить адекватность и значимость построенной модели;
‒ возможность хотя бы приблизительно оценить вклад каждого из рассматриваемых факторов модели в итоговый результат — вариацию объясняемой переменной;
‒ возможность прогнозировать изменение найденных зависимостей в будущем, отслеживать «поворотные» точки, в которых коренным образом изменяется динамика изучаемой системы.
Подходы к макроэконометрическому моделированию на основе теории национальных счетов были заложены в 1970-х гг. в работах Б. Л. Исаева, Л. Н. Володина. Применение методологии национальных счетов в макроэкономическом анализе представлено в работах Ю. Н. Иванова, В. И. Кузнецова, А. Н. Пономаренко. Развитие методов анализа и прогнозирования на основе показателей системы национальных счетов выполнено А. Е. Косаревым, В. А. Цыбатовым и другими авторами. Особенности применения эконометрических методов к анализу показателей национальных счетов заключаются в следующем. Во-первых, система национальных счетов как система понятий и категорий, обеспечивает интерпретацию результатов расчетов, проведенных с помощью моделей. Во-вторых, в рамках системы национальных счетов определяются как эндогенные, так и экзогенные переменные моделей, что дает возможность априори регулировать параметры экономической политики и совершенствовать ее мероприятия. В-третьих, эконометрические методы существенно дополняют инструментарий анализа национальных счетов и расширяют круг решаемых задач [1, с. 53].
В отечественной аналитической практике методика анализа и прогнозирования месячной динамики ВВП на основе краткосрочных показателей, основанная на косвенной оценке динамики ВВП с использованием регрессионных зависимостей официально публикуемых данных предложена А. Е, Косаревым [2]. Автором подчеркивается, что ВВП представляет собой один из самых сложных статистических инструментов, требующий интеграции большого числа данных, что предопределяет запаздывание в получении надежных оценок. Автором в качестве инструмента краткосрочного прогнозирования динамики месячной динамики ВВП предложен показатель сводного экономического темпа (СЭТ), являющийся эндогенным в линейной модели множественной регрессии с пятью регрессорами — реальные темпы месячного объема промышленного производства, сельскохозяйственного производства, подрядных работ, розничного товарооборота, месячных расходов консолидированного бюджета. При моделировании процесса производства в регионе эконометрические модели применяются успешнее в тех ситуациях, когда динамика изучаемых процессов не претерпевает скачкообразных изменений. Широкую известность в отечественной практике приобрела модель Хасаева-Заровой для прогнозирования развития экономики региона в краткосрочном периоде [3]. В ней рассмотрена апостериорная модель как система одновременных регрессионных уравнений, содержащая 17 эндогенных переменных реального сектора экономики, 10 эндогенных переменных финансового сектора и 8 эндогенных переменных конечного спроса. Для получения поквартального прогноза предложено применять шесть опорных индикаторов развития экономики: соотношение средней заработной платы в промышленности и в экономике в целом, средняя заработная плата одного работника в экономике в целом, среднемесячные потребительские расходы на душу населения, производительность труда в промышленности, доля численности занятых в промышленности в общей численности занятых, доходы консолидированного бюджета.
Множество ограничений на взаимосвязи в системе национальных счетов и экономические взаимосвязи ограничивают возможности изменения макроэкономических переменных, обработка и агрегирование большого массива показателей сопряжены с запаздыванием во времени официальной квартальной статистики о динамике ВВП. Cерьезным препятствием в построении территориальных эконометрических моделей является недостаточное число наблюдений для выбора наиболее правильных зависимостей и оценки параметров, что объясняется меньшей полнотой и системностью региональной статистики, более короткими временными рядами в разрезе регионов. Это затрудняет информационное обеспечение регионального эконометрического моделирования и вынуждает ограничиться построением моделей, наименее требовательных к исходной информации (производственных функций, зависимостей покупательского спроса от доходов и цен и других).
С целью преодоления указанных недостатков для эмпирического исследования и измерения ВВП сотрудники Банка России в докладе «Краткосрочное оценивание и прогнозирование ВВП России с помощью динамической факторной модели» предлагают такую модель на основе переменных, восстанавливающих ненаблюдаемые факторы, а также отражающих состояние реального сектора экономики, финансового рынка и внешних экономических условий, а также опережающих индикаторов. Авторами предлагается инструментарий для анализа вкладов выходящей информации о динамике отдельных объясняющих переменных в оценку и прогноз ВВП, а также для анализа вкладов различных укрупненных блоков макропеременных (опережающие показатели, показатели реального сектора, финансовые показатели и показатели внешнего сектора) в оценку ВВП [4, стр. 27]. Объективное преимущество указанной методологии заключается в том, что она может быть использована в рамках краткосрочного оценивания за текущий квартал (применительно к данной процедуре употребляется термин новкастинг от англ. nowcasting), а также прогнозирования квартальной динамики ВВП с помощью большого количества доступных наблюдений временных данных более высокой частотности, которые при этом зачастую являются несбалансированными по количеству доступных наблюдений. Статистические данные, используемые нами при построении ненаблюдаемых факторов, включают в себя в общей сложности 116 показателей. В соответствии с международным опытом прогнозирования ВВП с помощью динамических факторных моделей (ДФМ), объясняющие показатели были разделены на три основные категории:
‒ Блок 1: опережающие показатели (индексы предпринимательской уверенности Росстата, индексы MarkitPMI, данные журнала «Российский экономический барометр») — 50 переменных;
‒ Блок 2: показатели реального сектора (индексы промышленного производства, в том числе в отраслевом разрезе, инвестиции в основной капитал, оборот розничной торговли, экспорт товаров и услуг, уровень занятости и безработицы, а также ряд других показателей) — 36 переменных;
‒ Блок 3: финансовые показатели (процентные ставки и объем кредитов реальному сектору экономики в разрезе различных сроков, денежные агрегаты, валютный курс, фондовые индексы и другие показатели) +показатели внешнего сектора (показатели деловой активности в странах–торговых партнерах, цены на основные товары российского экспорта) — 30 переменных.
В дальнейшем на базе динамической факторной модели нами будут вычисляться следующие модельные оценки прироста ВВП: оценка прироста ВВП за текущий квартал (новкаст); прогнозы изменения ВВП на два последующих квартала; уточненная оценка прироста ВВП за прошедший квартал (также применительно к этой оценке нами будет употребляться понятие бэккаст, от англ. backcast, выполняемая для первой половины каждого из кварталов и предшествующая публикации соответствующих данных Росстатом, которая осуществляется ориентировочно в третьем месяце квартала, следующего за отчетным. Обновление текущих оценок и прогнозов ВВП в течение заданного квартала теоретически может происходить непрерывно, по мере поступления новой, более актуальной статистики по выбранным для моделирования показателям.
Модификация динамической факторной модели выполнена Ю. Ачкасовым [5, стр.]. В рассматриваемой модификации модели факторы строятся отдельно для каждой из трёх групп показателей — ожидания агентов и их оценка текущей экономической ситуации; финансовые переменные, индикаторы мировых рынков и внешнеэкономической активности; показатели реального сектора. С помощью данной модели можно получать оценки ВВП за предыдущий и текущий кварталы, что даёт исследователю информацию о динамике выпуска в экономике, дополнительную к оценкам по другим моделям и экспертным суждениям. Кроме того, модель позволяет провести декомпозицию квартальных темпов прироста ВВП на различные факторы. Переменные модели были очищены от сезонности и переведены в темпы прироста. Для каждой из групп переменных по отдельности строилась динамическая факторная модель, основанная на фильтре Калмана и методе главных компонент Идея разделять переменные на группы не является новой в литературе. В частности, для более простой интерпретации результатов модели FAVAR — Factor Augmented Vector Autoregression (факторная модель векторной авторегрессии) — Belviso, Milani [1] оценивают модель по 145 временным рядам, разделяя их на семь групп.модель текущего оценивания ВВП позволяет агрегировать ежемесячную статистику для получения прогноза ВВП на текущий квартал. Точность оценки увеличивается по мере увеличения объёма доступной статистической информации. В 20-е числа следующего месяца после окончания отчётного квартала, когда выходит статистика за последний месяц квартала, среднеквадратическая ошибка достигает минимального значения. Данная модель может использоваться как вспомогательный метод оценивания темпа прироста ВВП вместе с моделями, которые помогают восстанавливать выпуск товаров и услуг по базовым видам экономической деятельности, и моделями, использующими информацию об экзогенных параметрах.
Литература:
- Кадочникова Е. И. Методологические проблемы построения моделей экономического роста в регионе / Е. И. Кадочникова // Вестник экономики, права и социологии. 2012. № 1. с.52–56.
- Косарев А. Е. Анализ и прогнозирование на основе национальных счетов и платежного баланса: развитие методов. — М.: ИИЦ «Статистика России»,2005. — 144 с.
- Зарова Е. В., Хасаев Г. Р. Эконометрическое моделирование и прогнозирование развития региона в краткосрочном периоде. –М: Экономика, 2004. — 149 с.
- Поршаков, А., Дерюгина, Е., Пономаренко, А., Синяков, А. Краткосрочное оценивание и прогнозирование ВВП России с помощью динамической факторной модели. Серия докладов об экономических исследованиях. Банк России. URL: http://www.cbr.ru/analytics/?PrtId=ec_res
- Ачкасов Ю. Модель оценивания ВВП России на основе текущей статистики: модификация подхода. Серия докладов об экономических исследованиях. Банк России. URL:http://www.cbr.ru/analytics/?PrtId=ec_res
- Belviso, F., Milani, F. (2006). Structural factor-augmented VARs (SFAVARs) and the effects of monetary policy. Topics in Macroeconomics, 6(3).
