Структурные ограничения равновесных моделей и расширение инструментов макроэкономического прогнозирования

Бахтизин Альберт Рауфович   

Статья опубликована в журнале «Проблемы прогнозирования» (ISSN: 0868-6351 (Print), ISSN: 3034-0071 (Online)), №5 2026

RUEN
СТРУКТУРНЫЕ ОГРАНИЧЕНИЯ РАВНОВЕСНЫХ МОДЕЛЕЙ И РАСШИРЕНИЕ ИНСТРУМЕНТОВ МАКРОЭКОНОМИЧЕСКОГО ПРОГНОЗИРОВАНИЯ

БАХТИЗИН Альберт Рауфович, член-корреспондент Российской академии наук, albert.bakhtizin@gmail.com, Центральный экономико-математический институт, Российская академия наук, Москва, Россия
ORCID: 0000-0002-9649-0168

Аннотация. В статье анализируются ограничения равновесных моделей, применяемых денежными регуляторами для макроэкономического прогнозирования. Показано, что определение технологического уровня через обобщенный экзогенный параметр и высокая агрегированность моделей приводят к систематическим ошибкам оценки потенциального выпуска, динамики инфляции и необоснованной жесткой денежно-кредитной политике. Предлагается расширенный подход к макроэкономическому моделированию, основанный на использовании наблюдаемых факторов экономики знаний, матриц финансовых потоков и методов агент-ориентированного моделирования. Обосновывается необходимость формирования гибридной архитектуры прогнозирования социально-экономического развития.

Ключевые слова: макроэкономическое прогнозирование, DSGE-модели, матрица финансовых потоков, инфляционное таргетирование, агент-ориентированное моделирование, искусственный интеллект.

DOI: 10.47711/0868-6351-218-62-77

Финансирование: Работа выполнена при поддержке гранта Российского научного фонда № 26-18-00784 «Гибридные войны в современном мире: прогнозирование на основе агент-ориентированного подхода».

Статья поступила в редакцию 25.02.2026. Статья принята к публикации 08.04.2026.

Для цитирования: А.Р. Бахтизин. Структурные ограничения равновесных моделей и расширение инструментов макроэкономического прогнозирования // Проблемы прогнозирования. 2026. № 5 (218). С. 62-77. DOI: 10.47711/0868-6351-218-62-77

STRUCTURAL LIMITATIONS OF EQUILIBRIUM MODELS AND EXPANSION OF MACROECONOMIC FORECASTING TOOLS

A.R. BAKHTIZIN, Corresponding Member of the Russian Academy of Sciences, Central Economics and Mathematics Institute, Russian Academy of Sciences, Moscow, Russia
ORCID: 0000-0002-9649-0168

Abstract. The article analyzes the limitations of equilibrium models used by monetary regulators for macroeconomic forecasting. It is shown that the determination of the technological level through a generalized exogenous parameter and high aggregation of models lead to systematic errors in estimating potential output and inflation dynamics and may result in unjustifiably tight monetary policy. An extended approach to macroeconomic modeling is proposed, based on the use of observable factors of the knowledge economy, financial flow matrices, and agent-based modeling methods. The necessity of forming a hybrid architecture for forecasting socio-economic development is substantiated.

Keywords: macroeconomic forecasting, DSGE models, financial flow matrix, inflation targeting, agent-based modeling, artificial intelligence.

DOI: 10.1134/S1075700726700346

Funding: This work was supported by the Russian Science Foundation Grant No. 26-18-00784 “Hybrid wars in the modern world: forecasting based on an agent-based approach.”

Received 25.02.2026. Accepted 08.04.2026.

For citation: A.R. Bakhtizin. Structural Limitations of Equilibrium Models and Expansion of Macroeconomic Forecasting Tools // Studies on Russian Economic Development. 2026. Vol. 37. No. 5. Pp. 634–644. DOI: 10.1134/S1075700726700346

Литература/References

  1. Яременко Ю.В. Теория и методология исследования многоуровневой экономики. М., Наука, 1997. 400 с. [Yaremenko Yu.V. Teoriya i metodologiya issledovaniya mnogourovnevoj ekonomiki. M., Nauka, 1997. 400 p. (In Russ.)]
  2. Ивантер В.В., Узяков М.Н. Инновационный вариант развития: долгосрочный прогноз // Экономист. 2007. № 11. С. 13-27. [Ivanter V.V., Uzyakov M.N. Innovative Development Scenario: Long-Term Forecast // Economist. 2007. No. 11. Pp. 13-27. (In Russ.)]
  3. Макаров В.Л., Бахтизин А.Р. Социальное моделирование – новый компьютерный прорыв (агент-ориентированные модели). М., Экономика, 2013. 295 с. [Makarov V.L., Bakhtizin A.R. Social Modeling – A New Computational Breakthrough (Agent-Based Models). M., Ekonomika, 2013. 295 p. (In Russ.)]
  4. Полтерович В.М. Институциональные ловушки и экономические реформы // Экономика и математические методы. 1999. Т. 35. № 2. С. 3-20. [Polterovich V.M. Institutional Traps and Economic Reforms // Economics and Mathematical Methods. 1999. Vol. 35. No. 2. Pp. 3-20. (In Russ.)]
  5. Широв А.А. Российская экономика: изменение факторов роста // Проблемы прогнозирования. 2025. № 6 (213). С. 8-20. DOI: 10.47711/0868-6351-213-8-20. [Shirov A.A. Russian Economy: Change in the Growth Factors. Studies on Russian Economic Development. 2025. Vol. 36. No. 6. Pp. 765-773. (In Russ.)]
  6. Порфирьев Б.Н. Оценка результативности и эффективности мер по адаптации населения и экономики к изменениям климата // Проблемы прогнозирования. 2024. № 3 (204). С. 97-117. DOI: 10.47711/0868-6351-204-97-117. [Porfiriev B.N. Assessing the Effectiveness and Efficiency of the Population and Economy’s Adaptation to Climate Change: Methodological Approaches and Limitations // Studies on Russian Economic Development. 2024. Vol. 35. No. 3. Pp. 388-405. (In Russ.)]
  7. Макаров В.Л., Бахтизин А.Р., Бахтизина Н.В. Вычислимая модель экономики знаний // Экономика и математические методы. 2009. Т. 45. № 1. С. 70-82. [Makarov V.L., Bakhtizin A.R., Bakhtizina N.V. Computable Model of the Knowledge Economy // Economics and Mathematical Methods. 2009. Vol. 45. No. 1. Pp. 70-82. (In Russ.)]
  8. Stiglitz J.E. Growth and Fluctuations: An Overview. NBER Working Paper 2024. No. 33218. DOI: 10.3386/w33218.
  9. Blanchard O. On the Future of Macroeconomic Models // Oxford Review of Economic Policy. 2018. Vol. 34. No. 1-2. Pp. 43-54. DOI: 10.1093/oxrep/grx045.
  10. Romer P.M. Mathiness in the Theory of Economic Growth // American Economic Review. 2015. Vol. 105. No. 5. Pp. 89-93. DOI: 10.1257/aer.p20151066.
  11. Feriga M., Lozano Gracia N., Serneels P. The Impact of Climate Change on Work // World Bank Research Observer. 2025. Vol. 40. No. 1. Pp. 104-146. DOI: 10.1093/wbro/lkae002.
  12. Miller I., Baksa D., Karam P.D., Vehbi T. G3MOD: A Multi-Country Global Forecasting Model. IMF Working Paper No. 254, 2024. DOI: 10.5089/9798400295966.001.
  13. Макаров В.Л., Агеев А.И., Бахтизин А.Р., Бахтизина Н.В., Нараянан Б., Стейнбукс Е., Хабриев Б.Р. Матрица финансовых потоков – инструмент реализации экономической политики страны // Экономические стратегии. 2021. Т. 23. № 4 (178). С. 22-35. DOI: 10.33917/es-4.178.2021.22-35. [Makarov V.L. et al. Social Accounting Matrix as an Instrument of Economic Policy Implementation // Economic Strategies. 2021. Vol. 23. No. 4. Pp. 22-35. (In Russ.)]
  14. Yi G. China’s Interest Rate System and Market-Based Reform of Interest Rate // Journal of Financial Research. 2021. No. 495 (9). Pp. 1-11.
  15. Imam P.A., Poghosyan T. Navigating the Inflation Surge: A Comparative Analysis of IT and Non-IT Central Banks. IMF Working Paper 2025. No. 212. DOI: 10.5089/9798229027922.001.
  16. Jordà Ò., Singh S.R., Taylor A.M. Does Monetary Policy Have Long-Run Effects? FRBSF Economic Letter. 2023. No. 2023-23. URL: https://www.frbsf.org/research-and-insights/publications/economic-letter/2023/09/does-monetary-policy-have-long-run-effects/
  17. Wai U.T. The Relation Between Inflation and Economic Development // IMF Staff Papers. 1959. Vol. 7. DOI: 10.5089/9781451979015.024.A007.
  18. Aligishiev Z., Ghiaie H. Cyclical Fiscal Multipliers: Policy Mix and Financial Friction Puzzle. IMF Working Paper 2025. No. 108. DOI: 10.5089/9798229011242.001.
  19. Bakker B.B. Who Captures Export Windfalls? Exchange Rates, Export Profitability, and National Saving under Dominant-Currency Pricing. IMF Working Paper. 2026. No. 009. DOI: 10.5089/9798229037204.001.
  20. Faria e Castro M., Leibovici F. Artificial Intelligence and Inflation Forecasts. Federal Reserve Bank of St. Louis Working Paper. No. 2023-015. DOI: 10.20955/wp.2023.015.
  21. Czech National Bank. First Use of AI in Inflation Forecasting at the CNB. CNB Blog, 2025. URL: https://www.cnb.cz/en/about_cnb/cnblog/First-use-of-AI-in-inflation-forecasting-at-the-CNB/
  22. Maršál A., Perkowski P. Task-Based Returns to Generative AI: Evidence from a Central Bank. VoxEU CEPR Policy Portal, 2025. URL: https://cepr.org/voxeu/columns/task-based-returns-generative-ai-evidence-central-bank
  23. Al Ajmi K., Deodoro J., Khan A., Moriya K. Predicting the Law: Artificial Intelligence Findings from the IMF’s Central Bank Legislation Database. IMF Working Paper. No. 23/241. Washington DC: International Monetary Fund, 2023.