Результаты краткосрочного прогнозирования экономической динамики на основе уравнений связи и экстраполяции временных рядов

Гусев Михаил Сергеевич   Устинов Василий Сергеевич   Ракоч Роман Евгеньевич   

Развитие методов и моделей прогнозирования экономической динамики и их разнообразие в прикладном экономическом прогнозировании порождают определенные трудности в интерпретации прогнозных оценок одних и тех же показателей, полученных с использованием различного инструментария. Данная статья посвящена описанию роли краткосрочного прогнозирования в системе моделей народнохозяйственного прогнозирования российской экономики, выстроенной в ИНП РАН. На основе анализа международного и российского опыта краткосрочного прогнозирования макроэкономических показателей, а также точности краткосрочных прогнозов ИНП РАН показаны возможности и ограничения использования краткосрочного прогнозирования ВВП на основе экстраполяции высокочастотных временных рядов. Сравнение точности краткосрочного прогноза ИНП РАН с консенсус-прогнозами Института «Центр развития» НИУ ВШЭ и Банка России показывает высокие прогностические способности (до года вперед) малоразмерных моделей прогнозирования ВВП, построенных на основе уравнений связи и экстраполяции высокочастотных временных рядов.

Статья опубликована в журнале «Проблемы прогнозирования», №3 2025

Литература/References

  1. Пономарев Ю., Плескачев Ю. Краткосрочное прогнозирование ВВП с помощью динамической факторной модели // Экономическое развитие России. 2018. Т. 25. № 1. С. 15-19. [Ponomarev Yu., Pleskachev Yu. Short-term GDP forecasting by means of dynamic factor model. Russian Economic Development. 2018. Vol. 25. No. 1. Pp. 15-19. (In Russ.)]
  2. Mikosch H. and Solanko L. Forecasting Quarterly Russian GDP Growth with Mixed-Frequency Data. Russian Journal of Money and Finance. 2019. Vol. 78 (1). Pp. 19-35. DOI: 10.31477/rjmf.201901.19.
  3. Эскин В. Модель краткосрочного прогнозирования развития российской экономики // Научные труды: Институт народнохозяйственного прогнозирования РАН. 2004. Т. 2. С. 195-209. [Eskin V. High frequency forecasting of the Russian economy. Scientific works: Institute of Economic Forecasting of the Russian Academy of Sciences. 2004. Vol. 2. Pp. 195-209. (In Russ.)]
  4. Shirov A.A., Potapenko V.V., Nikitin K.M. et al. The System of Short-Term Regional Economic Monitoring in Moscow. Studies on Russian Economic Development. 2022. Vol. 33. Issue 3. Pp. 301-310. DOI: 10.1134/S1075700722030145.
  5. Klein L.R., Sojo E. Combinations of High and Low Frequency Data in Macroeconometric Models. In: Klein L.R., Marquez J. (eds) Economics in Theory and Practice: An Eclectic Approach. Advanced Studies in Theoretical and Applied Econometrics. Springer, Dordrecht. 1989. Vol. 17. DOI: 10.1007/978-94-009-0463-7_1.
  6. Klein L.R. Background to National Economic Forecasts and the High-frequency Model of the USA. In: Klein L.R. (ed.), The Making of National Economic Forecasts, Chapter 1. Edward Elgar Publishing. 2009.
  7. Yang Yanqing & Xu Xingcheng & Ge Jinfeng & Xu Yan. Machine Learning for Economic Forecasting: An Application to China’s GDP Growth. 2024. DOI: 10.48550/arXiv.2407.03595.
  8. Evripidis Bantis, Michael P. Clements Andrew Urquhart Forecasting GDP growth rates in the United States and Brazil using Google Trends. International Journal of Forecasting. 2023. Vol. 39. Issue 4. Pp. 1909-1924. DOI: 10.1016/j.ijforecast.2022.10.003.
  9. Beyer Robert and Hu Yingyao and Yao Jiaxiong. Measuring Quarterly Economic Growth from Outer Space. IMF Working Paper. 2022. No. 2022/109. URL: https://ssrn.com/abstract=4137202
  10. Doz C., Giannone D. and Reichlin L. A Two-Step Estimator for Large Approximate Dynamic Factor Models Based on Kalman Filtering. Journal of Econometrics. 2011. Vol. 164. Issue 1. Pp. 188-205. DOI: 10.1016/j.jeconom.2011.02.012.
  11. Kitchen John & Monaco Ralph. Real-Time Forecasting in Practice: The U.S. Treasury Staff’s Real-Time GDP Forecast System. MPRA Paper 21068. University Library of Munich, Germany. 2003. Revised Oct 2003.
  12. Domenico Giannone, Michele Lenza, Daphne Momferatou, Luca Onorante. Short-term inflation projections: A Bayesian vector autoregressive approach. International Journal of Forecasting. 2014. Vol. 30. Issue 3. Pp. 635-644. DOI: 10.1016/j.ijforecast.2013.01.012.
  13. Поршаков А.С., Пономаренко А.А., Синяков А.А. Оценка и прогнозирование ВВП России с помощью динамической факторной модели // Журнал Новой экономической ассоциации. 2016. № 2 (30). С. 60-76. [Porshakov A.S., Ponomarenko A.A., Sinyakov A.A. Nowcasting and Short-Term Forecasting of Russian GDP with a Dynamic Factor Model. Journal of the New Economic Association. 2016. No. 2 (30). Pp. 60-76. (In Russ.)] DOI: 10.31737/2221-2264-2016-30-2-3.
  14. Жемков М. Краткосрочная оценка ВВП России методом комбинирования прогнозов // Серия докладов об экономических исследованиях. Февраль 2021. URL: https://cbr.ru/StaticHtml/File/118606/wp-feb21.pdf [Zhemkov M. Nowcasting Russian GDP using forecast combination approach. Working Paper Series. 2021. No. 68. (In Russ.)]
  15. Uzyakov M.N. A quarterly forecast of the Russian economic macroindicators 2006-2008: A baseline scenario. Studies on Russian Economic Development. 2006. Vol. 17. Issue 4. Pp. 345-364. DOI: 10.1134/S1075700706040010.
  16. Широв А.А., Брусенцева А.Р., Савчишина К.Е., Каминова С.В. Прогнозно-аналитические возможности макроэкономических моделей в условиях кризисного развития экономики (на примере модели QUMMIR) // Экономические и социальные перемены: факты, тенденции, прогноз. 2022. Т. 15. № 6. С. 35-51. DOI: 10.15838/esc.2022.6.84.2. [Shirov A.A., Brusentseva A.R., Savchishina K.E., Kaminova S.V. Predictive and analytical capabilities of macroeconomic models in conditions of crisis economic development (using the example of the QUMMIR model). Economic and Social Changes: Facts, Trends, Forecast. 2022. No. 15 (6). Pp. 35-51. (In Russ.)]
  17. Shirov A.A., Yantovskii A.A. RIM interindustry macroeconomic model: Development of instruments under current economic conditions. Studies on Russian Economic Development. 2017. Vol. 28. Issue 3. Pp. 241-252. DOI: 10.1134/S1075700717030121.
  18. Eskin Vladimir & Gusev Mikhail. High-frequency Forecasting Model for the Russian Economy. In: Klein L.R. (ed.), The Making of National Economic Forecasts, Chapter 4, Edward Elgar Publishing. 2009.
  19. Ollivaud P. et al. Forecasting GDP during and after the Great Recession: A contest between small-scale bridge and large-scale dynamic factor models, OECD Economics Department Working Papers. 2016. No. 1313. OECD Publishing, Paris. DOI: 10.1787/5jlv2jj4mw40-en.
  20. Смирнов С.В., Кондрашов Н.В., Качур А.С. Макроэкономические прогнозы и макроэкономические прогнозисты // Вопросы экономики. 2024. № 2. С. 23-48. [Smirnov S.V., Kondrashov N.V., Kachur A.S. Macroeconomic forecasting and macroeconomic forecasts. Voprosy Ekonomiki. 2024. No. 2. Pp. 23-48. (In Russ.)] DOI: 10.32609/0042-8736-2024-2-23-48.