В настоящей статье рассматриваются вопросы использования данных мониторинга предприятий Банка России для повышения точности прогноза инфляции по России в краткосрочном периоде. Актуальность исследования определена высоким значением точности прогноза по инфляции для корректного применения доступного регулятору инструментария денежно-кредитной политики. Данные мониторинга могут обладать значительными предиктивными свойствами, поскольку аккумулируют прогнозные оценки осведомленных хозяйствующих субъектов, обладающих релевантной информацией о будущей динамике цен. Вместе с этим все большее значение приобретают исследования, использующие прогнозирование показателей инфляции посредством методов машинного обучения вместо классических эконометрических моделей. В представленной работе реализуется проверка прогностической силы данных мониторинга предприятий через метод сравнения ошибок вневыборочного прогноза индекса потребительских цен в псевдореальном времени для набора моделей эконометрического анализа и машинного обучения с разными информационными множествами - с индикаторами мониторинга и без них. Сравнение ошибок моделей с разными информационными множествами позволило оценить общий вклад данных мониторинга в прогностическую силу моделей. При сравнении метрик точности моделей применялся тест Диболда - Мариано, скорректированный для маленьких выборок. В результате моделирования были получены эмпирические аргументы, поддерживающие наличие у индикаторов мониторинга полезных предиктивных свойств. Добавление индикаторов, как правило, приводит к снижению ошибки вневыборочного прогноза индекса потребительских цен, особенно при прогнозировании на период до трех месяцев. Результат зависит от выбора модели, в среднем модели прямого прогноза с регуляризацией лучше раскрывают предиктивные свойства данных мониторинга. Высокую точность демонстрирует покомпонентный метод прогнозирования индекса потребительских цен, основанный на использовании отраслевой статистики. В целом индикаторы из мониторинга предприятий могут рассматриваться в качестве опережающих и использоваться на этапе краткосрочного прогнозирования.
Идентификаторы и классификаторы
- SCI
- Экономика
С 2014 г. Банк России проводит политику таргетирования инфляции.
В условиях, когда лаг между решением по ключевой ставке и полной реализацией эффекта от этого решения в экономике составляет от трех до шести кварталов (по некоторым исследованиям в мировой практике еще больше (Havranek and Rusnák, 2013)), особое значение приобретает точность прогноза показателя индекса потребительских цен (ИПЦ). От корректности прогноза Банка России по инфляции в значительной степени зависит эффективность использования доступного регулятору инструментария денежно-кредитной политики. Более того, точность прогнозов Банка России неизбежным образом влияет на уровень доверия общества к политике Центрального банка (Воронин, 2024).
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
Список литературы
1. Андреев, А. (2016) ‘Прогнозирование инфляции методом комбинирования прогнозов в Банке России’, Серия докладов об экономических исследованиях, Банк России, № 14, Август. URL: https://cbr.ru/Content/Document/File/16726/wps_14.pdf (дата обращения: 21.08.2025).
2. Воронин, В. А. (2024) ‘Общественные институты и экономическое развитие: исследование взаимосвязи на примере стран Латинской Америки, Африки и Азии’, Вестник СНО Санкт-Петербургского университета. Науки об обществе, 1 (1), с. 101-117. DOI: 10.21638/spbu36.2024.107 EDN: LVHUQM
3. Горностаев, Д., Маханькова, Н., Милютин, П., Пономаренко, А. и Селезнев, С. (2024) ‘Реконструкция истории публикации ВВП России и его компонентов’, Серия докладов об экономических исследованиях, Банк России, № 124. URL:https://www.cbr.ru/StaticHtml/File/158269/wp_124.pdf (дата обращения: 21.08.2025).
4. Кобзев, А. и Андреев, А. (2021) ‘Индикаторы деловой активности и инфляции на основе мониторинга предприятий’, Аналитическая записка Банка России, c. 1-20. URL: http://www.cbr.ru/Content/Document/File/119543/analytic_note_20210322.pdf (дата обращения: 21.08.2025).
5. Крамков, В. (2023) ‘Улучшает ли учет компонентов ИПЦ качество прогнозов инфляции?’, Серия докладов об экономических исследованиях, Банк России, № 112, март. URL: https://www.cbr.ru/statichtml/file/145659/wp_112.pdf (дата обращения: 21.08.2025).
6. Латыпов, Р., Ахмедова, Э., Постолит, Э. и Микитчук, М. (2024) ‘Прогнозирование компонент инфляции методами машинного обучения’, Деньги и кредит, 83 (3), с. 23-44. URL: https://rjmf.econs.online/2024/3/bottom-up-inflation-forecasting-using-machine learning-methods/ (дата обращения: 21.08.2025). EDN: TEMGSR
7. Семитуркин, О. и Шевелёв, А. (2023) ‘Корректное сравнение предиктивных свойств моделей машинного обучения на примере прогнозирования инфляции в Сибири’, Деньги и кредит, 82 (1), с. 87-103. URL: https://rjmf.econs.online/2023/1/predictivefeatures-machine-learningmodels/(дата обращения: 21.08.2025). EDN: BANGZM
8. Янулевич, М. (2024) ‘О прогнозной силе показателя ценовых ожиданий на основе мониторинга предприятий’, Аналитическая записка Банка России, c. 1-40. URL: https://www.cbr.ru/Content/Document/File/167898/analytic_note_20241107_irkutsk.pdf (дата обращения: 21.08.2025).
9. Altug, S. and Çakmakli, C. (2016) ‘Forecasting inflation using survey expectations and target inflation:Evidence from Brazil and Turkey’, The International Journal of Forecasting, 32 (1), pp. 138-153. DOI: 10.1016/j.ijforecast.2015.03.010
10. Bańbura, M. and Modugno, M. (2014) ‘Maximum likelihood estimation of factor models on datasets with arbitrary pattern of missing data’, Journal of applied econometrics, 29 (1), pp. 133-160. DOI: 10.1002/jae.2306
11. Banbura, M., Leiva-Leon, D. and Menz, J. O. (2023) ‘Do inflation expectations improve model-based inflation forecasts?’, Working Paper Series, European Central Bank, no. 2604. URL: https://www.ecb.europa.eu/pub/pdf/scpwps/ecb.wp2604~a7dc92b529.en.pdf (дата обращения: 21.08.2025).
12. Baybuza, I. (2018) ‘Inflation Forecasting Using Machine Learning Methods’, Russian Journal of Money and Finance, 77 (4), pp. 42-59. DOI: 10.31477/rjmf.201804.42 EDN: ZAXWEP
13. Chakraborty, C. and Joseph, A. (2017) ‘Machine learning at central banks’, Working Paper, Bank of England, no. 674. URL: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3031796 (дата обращения:21.08.2025).
14. Diebold, F. X. and Mariano, R. S. (2002) ‘Comparing Predictive Accuracy’, Journal of Business and Economic Statistics, 20 (1), pp. 134-144. DOI: 10.1198/073500102753410444 EDN: FNILOB
15. Fulton, C. and Hubrich, K. (2021) ‘Forecasting US Inflation in Real Time’, Econometrics, 9 (4), 36. DOI: 10.3390/econometrics9040036 EDN: YDQKOX
16. Hansson, J., Jansson, P. and Löf, M. (2005) ‘Business survey data: Do they help in forecasting GDP growth?’, International Journal of Forecasting, 21 (2), pp. 377-389. DOI: 10.1016/j.ijforecast.2004.11.003
17. Harvey, D., Leybourne, S. and Newbold, P. (1997) ‘Testing the Equality of Prediction Mean Squared Errors’, International Journal of Forecasting, 13 (2), pp. 281-291. DOI: 10.1016/S0169-2070(96)00719-4 EDN: AINUIP
18. Hastie, T., Tibshirani, R. and Friedman, J. (2009) ‘Overview of Supervised Learning’, in The Elements of Statistical Learning: Data Mining, Inference, and Prediction, pp. 9-41. DOI: 10.1007/978-0-387-84858-7_2
19. Havranek, T. and Rusnák, M. (2013) ‘Transmission Lags of Monetary Policy: A Meta-Analysis’, International Journal of Central Banking, 9 (4), 39-76. URL: https://www.ijcb.org/journal/ijcb13q4a2.pdf (дата обращения: 21.08.2025).
20. Hyndman, R. J. and Khandakar, Y. (2008) ‘Automatic Time Series Forecasting: The forecast Package for R’, Journal of Statistical Software, 27 (3), pp. 1-22. URL: http://hdl.handle.net/ (дата обращения: 21.08.2025). DOI: 10.18637/jss.v027.i03
21. Ing, C. K. (2003) ‘Multistep Prediction in Autoregressive Processes’, Econometric Theory, 19 (2), pp. 254-279. URL: https://www.jstor.org/stable/3533353 (дата обращения: 21.08.2025). EDN: ECJPJD
22. Krstajic, D., Buturovic, L. J., Leahy, D. E. and Thomas, S. (2014) ‘Cross-validation pitfalls when selecting and assessing regression and classification models’, Journal of Cheminformatics, 6 (1), p. 10. DOI: 10.1186/1758-2946-6-10 EDN: BLULUX
23. Lehmann, R. (2023) ‘The Forecasting Power of the ifo Business Survey’, Journal of Business Cycle Research,19, pp. 43-94. DOI: 10.1007/s41549-022-00079-5 EDN: PMMGSE
24. Mamedli, M. and Shibitov, D. (2021) ‘Forecasting Russian Cpi with Data Vintages аnd Machine Learning Techniques’, Bank of Russia. URL: https://www.cbr.ru/StaticHtml/File/120016/wp-apr21_e.pdf (дата обращения: 01.09.2024).
25. Marcellino, M., Stock, J. H. and Watson, M. W. (2006) ‘A comparison of direct and iterated multistep AR methods for forecasting macroeconomic time series’, Journal of Econometrics, 135 (1), pp. 499-526. DOI: 10.1016/j.jeconom.2005.07.020
26. Mayer, D. G. and Butler, D. G. (1993) ‘Statistical validation’, Ecological Modelling, 68 (1-2), pp. 21-32. DOI: 10.1016/03043800(93)90105-2
27. Pavlov, E. (2020) ‘Forecasting Inflation in Russia Using Neural Networks’, Russian Journal of Money and Finance, 79, pp. 57-73. DOI: 10.31477/rjmf.202001.57 EDN: BUPVFE
28. Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V. and Gulin, A. (2018) ‘CatBoost: Unbiased boosting with categorical features’, Advances in Neural Information Processing Systems, 31. https://dl.acm.org/doi/abs/. DOI: 10.5555/3327757.3327770 EDN: NRYEVS
29. Stock, J. H., and Watson, M. W. (2007) ‘Why Has U.S. Inflation Become Harder to Forecast?’, Journal of Money, Credit and Banking, 39 (1), pp. 3-33. DOI: 10.1111/j.1538-4616.2007.00014.x
30. Styrin, K. (2019) ‘Forecasting Inflation in Russia Using Dynamic Model Averaging’, Russian Journal of Money and Finance, 78 (1), pp. 3 18. DOI: 10.31477/rjmf.201901.03 EDN: ZAXWFV
Выпуск
Другие статьи выпуска
Представлен анализ проявления в России оппортунистического поведения страховых организаций, выделены его этапы и формы, причины и основные проявления. Использованы эмпирические (выборочное конъюнктурное исследование, социологические опросы) и общетеоретические методы исследования (анализ, синтез, сравнение и обобщение). Выдвинута гипотеза о том, что в современной России изменился характер оппортунистического поведения страховых организаций от поддерживаемого собственниками к мисселингу - более распространенной в мире форме - и действиям работников страховых организаций и страховых посредников. Выявленная проблема развития страховой деятельности указывает на необходимость дополнения и изменения средств и методов надзора, государственного регулирования и саморегулирования отрасли. Цель исследования - показать значение оппортунистического поведения страховых компаний, их собственников, менеджмента и персонала для российского страхового рынка, изучить причины и последствия, варианты проявления и распространенность такого поведения в процессе развития страхового рынка и на этой основе дать рекомендации по минимизации последствий. В работе продемонстрировано, что оппортунистическая деятельность страховых организаций оказывает долгосрочное отрицательное влияние на развитие страхового рынка. Современная практика оппортунистической деятельности страховых организаций более тесно связана с действиями или бездействиями сотрудников страховых компаний и реализуется через повышение стоимости страховых услуг за счет неполного раскрытия информации о программе страхования и недобросовестных действий сотрудников при заключении договора страхования, а также через ограничение выплат на этапе урегулирования. Доказана смена инициаторов оппортунистического поведения с собственников и менеджмента страховых организаций на персонал, страховых агентов и посредников. Показано, что осознание влияния долгосрочных интересов, как корпоративных, так и собственных, на развитие бизнеса препятствует распространению оппортунистического поведения. На сегодня наиболее уязвимы сами сотрудники страховых компаний, чья мотивация объективно более тесно связана с решением кратко- и среднесрочных задач.
ESG-рейтинги, существенно влияющие на деловую репутацию компаний и их доступ к рыночному капиталу в экологически чувствительных секторах, построены на различных субъективных методиках. Отсутствие устоявшихся стандартов способствует получению компаниями-резидентами в отдельных политико-географических регионах неконкурентного преимущества перед другими участниками рынка. В ранних исследованиях качественные характеристики рейтингования не рассматривались в подобном ключе, поэтому изучение экономических эффектов применения рейтингов сквозь призму регионально-отраслевого контекста представляет научный и прикладной интерес. Цель исследования - оценить связь ESG-рейтингов с капитализацией, а также их объективность для публичных компаний энергетического сектора с разным региональным резидентством с учетом факторного влияния ESG-рейтингования на достижение целей устойчивого развития. Методология включала инструментарий регрессионного и многомерного анализа с непараметрическим тестированием, а также предложенную модель композитного ESG-рейтинга. Получены статистически значимые результаты, подтверждающие влияние ESG-рейтингов на объем рыночной капитализации с региональной градацией силы его проявления. Установлено смещение положительных оценок в пользу более крупных компаний, резидентов регионов нетто-потребителей углеводородных энергоносителей. Наиболее жестко ESG-рейтингами оцениваются резиденты регионов нетто-поставщиков энергоресурсов, прежде всего из Содружества Независимых Государств. Субъективизм методических подходов поставщиков рейтингов способствует переоценке компаний регионов нетто-потребителей углеводородных энергоносителей с высокой рыночной капитализацией и создает дополнительные трудности остальным участникам отрасли как в доступе к капиталу, так и в формировании положительной деловой репутации. Это снижает интерес инвесторов к ESG-оценкам и мотивирует поиск альтернатив. В исследовании сделан вывод о том, что ожидаемая пользователями надежность и объективность ESG-рейтингов не обеспечивается ведущими агентствами в должной мере, что негативно влияет на продвижение ESG-повестки, в том числе устойчивых инвестиций. Результаты исследования будут полезны для разработки механизмов минимизации рисков утраты деловой репутации и финансовой устойчивости компаний-резидентов регионов нетто-поставщиков энергоресурсов.
ESG-рейтинги, существенно влияющие на деловую репутацию компаний и их доступ к рыночному капиталу в экологически чувствительных секторах, построены на различных субъективных методиках. Отсутствие устоявшихся стандартов способствует получению компаниями-резидентами в отдельных политико-географических регионах неконкурентного преимущества перед другими участниками рынка. В ранних исследованиях качественные характеристики рейтингования не рассматривались в подобном ключе, поэтому изучение экономических эффектов применения рейтингов сквозь призму регионально-отраслевого контекста представляет научный и прикладной интерес. Цель исследования - оценить связь ESG-рейтингов с капитализацией, а также их объективность для публичных компаний энергетического сектора с разным региональным резидентством с учетом факторного влияния ESG-рейтингования на достижение целей устойчивого развития. Методология включала инструментарий регрессионного и многомерного анализа с непараметрическим тестированием, а также предложенную модель композитного ESG-рейтинга. Получены статистически значимые результаты, подтверждающие влияние ESG-рейтингов на объем рыночной капитализации с региональной градацией силы его проявления. Установлено смещение положительных оценок в пользу более крупных компаний, резидентов регионов нетто-потребителей углеводородных энергоносителей. Наиболее жестко ESG-рейтингами оцениваются резиденты регионов нетто-поставщиков энергоресурсов, прежде всего из Содружества Независимых Государств. Субъективизм методических подходов поставщиков рейтингов способствует переоценке компаний регионов нетто-потребителей углеводородных энергоносителей с высокой рыночной капитализацией и создает дополнительные трудности остальным участникам отрасли как в доступе к капиталу, так и в формировании положительной деловой репутации. Это снижает интерес инвесторов к ESG-оценкам и мотивирует поиск альтернатив. В исследовании сделан вывод о том, что ожидаемая пользователями надежность и объективность ESG-рейтингов не обеспечивается ведущими агентствами в должной мере, что негативно влияет на продвижение ESG-повестки, в том числе устойчивых инвестиций. Результаты исследования будут полезны для разработки механизмов минимизации рисков утраты деловой репутации и финансовой устойчивости компаний-резидентов регионов нетто-поставщиков энергоресурсов.
В статье исследуются торговые связи между Россией и Индонезией и определяются возможные торговые эффекты в случае заключения соглашения о зоне свободной торговли между государствами - членами Евразийского экономического союза и Республикой Индонезия. Ставится задача выявить, как особенности участия, с одной стороны, России в составе Евразийского экономического союза, с другой - Индонезии в Ассоциации государств Юго-Восточной Азии и других региональных торговых соглашениях могут влиять на торговые связи после заключения соглашения о формировании зоны свободной торговли. Проверяется гипотеза о том, что развитие экономических отношений с Индонезией даст России не только долгосрочные экономические выгоды от увеличения потенциала сотрудничества с Ассоциацией государств Юго-Восточной Азии, но и укрепит договорно оформленную торгово-правовую базу в политике «поворота на Восток». Проведен эмпирический анализ существующих торговых отношений между Россией и Индонезией с помощью расчета трех торговых индексов: индекса комплементарности торговли, индекса выявленного сравнительного преимущества и индекса региональной ориентации. В работе определены группы товаров, обладающие наибольшим потенциалом роста в торговле между странами. Модель частичного равновесия построена с учетом особенностей участия сторон в соглашениях о зоне свободной торговли и используется для определения эффектов либерализации торговли товарами между Россией и Индонезией при реализации соглашения о зоне свободной торговли между Евразийским экономическим союзом и Индонезией. Сделан вывод о том, что, несмотря на относительно незначительный эффект для торговых потоков в целом, данное соглашение существенно повлияет на торговлю отдельными группами товаров и будет иметь важное торгово-политическое значение. Полученные результаты несут ценное практическое значение в условиях текущего переговорного процесса о заключении зоны свободной торговли между Евразийским экономическим союзом и Индонезией и могут быть использованы как представителями федеральных органов исполнительной власти, так и исследователями данной тематики.
Систематизированы, обобщены и сопоставлены результаты работ, направленных на моделирование и оценку эффективности макропруденциальной политики как на уровне отдельных стран, так и в межстрановом формате. Статья содержит междисциплинарный обзор, в рамках которого результаты эмпирических исследований объединены с теоретическими концепциями макропруденциального регулирования, что позволяет предложить новый аналитический взгляд на его эффективность и побочные эффекты. Исследовательский вопрос состоит в существовании универсального подхода к оценке эффективности макропруденциальной политики. Обсуждаются методологические возможности и барьеры, связанные с построением обобщенного индикатора жесткости макропруденциальных мер и количественной оценкой его влияния на различные показатели финансовой стабильности. Системный анализ современных теоретических и эмпирических подходов к количественной идентификации интенсивности пруденциального надзора показывает отсутствие консенсуса и универсального подхода к оценке эффективности данной политики в разных странах мира. Выявленная неоднородность результатов связана с непредвиденными последствиями политики, которым уделено отдельное внимание. Кроме того, акцент в работе сделан на координации макропруденциальной и монетарной политик. Для этого описываются основные трансмиссионные механизмы, которые могут вступать в противоречие и существенно снижать эффективность обеих политик. Показано, что наилучшим образом их взаимодополняемость отражается с помощью динамических стохастических моделей общего равновесия, где макропруденциальное регулирование может быть реализовано через различные каналы, систематизированные в исследовании. Научная новизна материала заключается в выявлении и систематизации ключевых методологических и эмпирических подходов к оценке макропруденциальной политики, а также в идентификации малоизученных аспектов ее эффективности в различных институциональных и экономических контекстах. Предложенный анализ позволяет не только обобщить результаты, но и указать направления будущих изысканий. Это подчеркивает академическую ценность работы.
Издательство
- Издательство
- СПБГУ
- Регион
- Россия, Санкт-Петербург
- Почтовый адрес
- Россия, 199034, Санкт-Петербург, Университетская наб., д. 7–9
- Юр. адрес
- 199034, г Санкт-Петербург, Василеостровский р-н, Университетская наб, д 7/9
- ФИО
- Кропачев Николай Михайлович (РЕКТОР)
- E-mail адрес
- spbu@spbu.ru
- Контактный телефон
- +7 (812) 3282000
- Сайт
- https://spbu.ru/