Оценка опережающего индикатора ВРП методом темпорального дезагрегирования

Обложка

Цитировать

Полный текст

Аннотация

Введение. В условиях высокой неопределенности для качественного анализа текущих тенденций развития региональной экономики и своевременного выявления происходящих в ней изменений актуальность приобретает разработка высокочастотного опережающего индикатора для валового регионального продукта, который публикуется только с годовой периодичностью. Одним из подходов к получению такого индикатора является темпоральное (временное) дезагрегирование, методы которого хорошо зарекомендовали себя в зарубежной практике для дезагрегации валового внутреннего продукта. В то же время отмечается недостаток исследований, направленных на апробацию методов темпорального дезагрегирования экономических временных рядов на региональном уровне. Цель. Разработка методом темпорального дезагрегирования ненаблюдаемого индикатора с ежемесячной периодичностью, который обеспечивает высокую точность аппроксимации годовых значений валового регионального продукта. Материалы и методы. Основу исследования составили официальные данные Росстата разной периодичности, характеризующие экономический рост в Республике Башкортостан, данные мониторинга предприятий Банка России. Использовались методы X-13ARIMA-SEATS для сезонной корректировки, методы и модели темпорального дезагрегирования (Чоу–Лина, Литтермана и Фернандеса) и модели авторегрессии проинтегрированного скользящего среднего ARIMA для краткосрочного прогноза. Результаты. В статье представлены результаты темпорального дезагрегирования валового регионального продукта Республики Башкортостан. Лучшая спецификация оценена классическим методом Чоу–Лина и включает показатели, характеризующие промышленное производство, розничную торговлю, а также опросы предприятий об изменении валютного курса рубля. Краткосрочный прогноз опережающего ежемесячного индикатора валового регионального продукта получен с помощью модели ARIMA. Годовой прогноз валового регионального продукта на основе комбинации методов темпорального дезагрегирования и ARIMA обладает лучшим качеством вневыборочного прогноза по сравнению с моделью случайного блуждания при периоде упреждения до двух лет. Выводы. В исследовании успешно апробированы методы темпорального дезагрегирования для валового регионального продукта Республики Башкортостан. Практическая значимость заключается в формировании надежных прогнозных оценок валового регионального продукта с учетом имеющихся высокочастотных данных для текущего экономического анализа. Показано, что использование в анализе оперативных данных опросов предприятий позволяет улучшить качество прогноза валового регионального продукта.

Об авторах

Елена Аркадьевна Гафарова

Национальный банк по Республике Башкортостан Уральского главного управления Центрального банка Российской Федерации (Банк России)

Автор, ответственный за переписку.
Email: gafarovaea@mail.ru
ResearcherId: O-4516-2015

кандидат экономических наук, доцент, главный экономист

Россия, Уфа

Список литературы

  1. Крук Д., Коршун А. Экономический цикл и опережающие индикаторы: методологические подходы и возможности использования в Беларуси // Рабочий материал Исследовательского центра ИПМ. WP/10/05. 2010. 35 с. URL: http://www.research.by/publications/wp/1005/ (дата обращения: 01.06.2024).
  2. Lisman J. H. C., Sandee J. Derivation of quarterly figures from annual data // Journal of the Royal Statistical Society: Series C (Applied Statistics). 1964. Vol. 13, no. 2. P. 87–90. doi: 10.2307/2985700
  3. Denton F. T. Adjustment of monthly or quarterly series to annual totals: An approach based on quadratic minimization // Journal of the American Statistical Association. 1971. Vol. 66, no. 333. P. 99–102. doi: 10.2307/2284856
  4. Chow G. C., Lin A. L. Best linear unbiased interpolation, distribution, and extrapolation of time series by related series // The Review of Economics and Statistics. 1971. Vol. 53, no. 4. P. 372–375. doi: 10.2307/1928739
  5. Fernandez R. B. A Methodological note on the estimation of time series // The Review of Economics and Statistics. 1981. Vol. 63, no. 3. P. 471–476. doi: 10.2307/1924371
  6. Litterman R. B. A random walk, Markov model for the distribution of time series // Journal of Business and Economic Statistics. 1983. Vol. 1, no. 2. P. 169–173. doi: 10.2307/1391858
  7. Di Fonzo T. The Estimation of M disaggregate time series when contemporaneous and temporal aggregates are known // The Review of Economics and Statistics. 1990. Vol. 72, no. 1. P. 178–182. doi: 10.2307/2109758
  8. Wei W., Stram D. Disaggregation of time series models // Journal of the Royal Statistical Society: Series B (Methodological). 1990. Vol. 52, iss. 3. P. 453–467. doi: 10.1111/j.2517-6161.1990.tb01799.x
  9. Al-Osh M. A dynamic linear model approach for disaggregating time series data // Journal of Forecasting. 1989. Vol. 8, iss. 2. P. 85–96. doi: 10.1002/for.3980080203
  10. Proietti T. Temporal disaggregation by state space methods: Dynamic regression methods revisited // The Econometrics Journal. 2006. Vol. 9, iss. 3. P. 357–372. doi: 10.1111/j.1368-423X.2006.00189.x
  11. Mitchell J., Smith R. J., Weale M. R., Wright S., Salazar E. L. An indicator of monthly GDP and an early estimate of quarterly GDP growth // The Economic Journal. 2005. Vol. 115, iss. 501. P. F108–F129. doi: 10.1111/j.0013-0133.2005.00974.x
  12. Sax C., Steiner P. Temporal disaggregation of time series // The R Journal. 2013. Vol. 5, iss. 2. P. 80–87. doi: 10.32614/RJ-2013-028
  13. Bruno G., Di Fonzo T., Golinelli R., Parigi G. Short-run GDP forecasting in G7 countries: Temporal disaggregation techniques and bridge models // Frontiers in Benchmarking Techniques and Their Application to Official Statistics. Luxembourg: Eurostat, 2005. 24 p. URL: https://clck.ru/3CFKpZ (дата обращения: 15.03.2024).
  14. Islam M. Evaluation of different temporal disaggregation techniques and an application to Italian GDP // BRAC University Journal. 2009. Vol. 4, no. 2. P. 21–32.
  15. Seiler C. Prediction qualities of the IFO indicators on a temporal disaggregated German GDP // IFO Working Paper Series 67. IFO Institute – Leibniz Institute for Economic Research at the University of Munich, 2009. 24 р.
  16. Mosley L., Eckley I. A., Gibberd A. Sparse temporal disaggregation // Journal of the Royal Statistical Society Series A: Statistics in Society. 2022. Vol. 185, iss. 4. P. 2203–2233. doi: 10.1111/rssa.12952
  17. Cuartas B. M., Vázquez E. F., Hewings G. J. D. Regional temporal disaggregation on economic series with macroeconomic balance: An entropy econometrics-based model // J.-C. Thill (Ed.). Innovations in urban and regional systems: Contributions from GIS&T, spatial analysis and location modeling. Springer, 2020. P. 243–256. doi: 10.1007/978-3-030-43694-0_11
  18. Frale C., Marcellino M., Mazzi G. L., Proietti T. A monthly indicator of the Euro area GDP // CEPR Discussion Papers 7007, C.E.P.R. Discussion Papers. 37 p.
  19. Abeysinghe T., Rajaguru G. Quarterly Real GDP estimates for China and ASEAN4 with a forecast evaluation // Journal of Forecasting. 2004. Vol. 23, iss. 6. P. 431–447. DOI https://doi.org/10.1002/for.922
  20. Maranhão A. Now-casting and temporal disaggregation dynamic factor model for Brazilian quarterly real GDP // Open Science Research IV. 2022. Vol. 4. P. 1052–1077. doi: 10.37885/220408573
  21. Sumunar P., Nasrudin M. Disaggregation and forecasting of the monthly Indonesian gross domestic product (GDP) // Bulletin of Monetary Economics and Banking. 2018. Vol. 20, no. 4. Article 2. doi: 10.21098/bemp.v20i4.905
  22. Ilham M. I. Temporal dissaggregation method for estimating Indonesia’s monthly gross domestic product // Asia Pacific Statistics Week. UNESCAP, 15–19 June, 2020. Bangkok, Thailand. 6 p. URL: https://clck.ru/3CFMBS (дата обращения: 01.06.2024).
  23. Ajao I. O., Ayoola F. J., Iyaniwura J. O. Temporal disaggregation methods in flow variables of economic data: Comparison study // International Journal of Statistics and Probability. 2016. Vol. 5, no. 1. P. 36–45. doi: 10.5539/ijsp.v5n1p36
  24. Lahari W., Haug A. A., Garces-Ozanne A. Estimating quarterly GDP Data for the South Pacific Island nations // The Singapore Economic Review. 2011. Vol. 56, no. 11. P. 97–112. doi: 10.1142/S0217590811004122
  25. Моторин В. И. Метод темпорального дезагрегирования интервального динамического ряда на основе высокочастотных индикаторов и принципа сохранения движения // Вопросы статистики. 2016. № 8. С. 27–38. doi: 10.34023/2313-6383-2016-0-8-27-38. EDN WKOFEJ
  26. Куранов Г. О.  Методические вопросы краткосрочной оценки и прогноза макроэкономических показателей // Вопросы статистики. 2018. Т. 25, № 2. С. 3–24. EDN YWRFYB
  27. Бойко В., Кисляк Н., Никитин М., Оборин О. Методы расчета опережающего индикатора валового регионального продукта // Деньги и кредит. 2020. Т. 79, № 3. С. 3–29. doi: 10.31477/rjmf.202003.03. EDN QVFYKB
  28. Жемков М. И. Оценка месячного индикатора ВВП методами темпорального дезагрегирования // Деньги и кредит. 2022. Т. 81, № 2. С. 79–104. EDN FJWIAE

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».