Кредитные циклы: эконометрический анализ и выводы для России

Артамонов Никита Вячеславович; Артамонов Дмитрий Вячеславович; Артамонов Вячеслав Александрович

ЭКОНОМИКА

КРЕДИТНЫЕ ЦИКЛЫ: ЭКОНОМЕТРИЧЕСКИЙ АНАЛИЗ И ВЫВОДЫ ДЛЯ РОССИИ

Н.В. Артамонов, Д.В. Артамонов, В.А. Артамонов

Московский государственный институт международных отношений (университет) МИД России. Россия, 119454, Москва, пр. Вернадского, 76. Московский государственный университет им. М.В. Ломоносова. Россия, 1199991, Москва, ГСП-1, Ленинские Горы, 1.

Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации. Россия, 119571, Москва, пр. Вернадского, 82, стр.1.

Важную роль в современной макроэкономике играет вопрос о факторах, которые ускоряют или замедляют развитие экономики. Наряду с традиционным подходом, описанным в рамках неоклассической экономической школы, появились новые подходы к изучению указанной проблемы. Существенным становится влияние денежного рынка и кредитных инструментов на экономические циклы. Кредитные деньги банковских и финансовых структур способны влиять на перераспределение ресурсов между секторами национальной и глобальной экономики. В работе:

- проведён эмпирический и эконометрический анализ ряда макроэкономических, кредитных и монетарных показателей России с использованием актуальных эконометрических методов анализа временных рядов;

- получены количественные оценки влияния кредитных переменных на объём реального ВВП и доказано, что на краткосрочных периодах кредитные факторы существенно влияют на реальный выпуск;

- показано, что изменение краткосрочных ставок значимо влияет на реальный выпуск в краткосрочном периоде;

- построены функции импульсного отклика, показывающие распространение во времени шоков кредитных переменных, шоков денежной массы и шоков изменения краткосрочной ставки.

Для исследования кредитных циклов и их влияния на циклы деловой активности в статье проведены расчёты, базирующиеся на квартальных данных с первого квартала 2004 г. по второй квартал 2013 г. Все ставки скорректированы на инфляцию, другими словами, используются реальные ставки. Все расчёты выполнены с использованием свободно распространяемого мультиплатформенного эконометрического программного пакета дгеИ.

Ключевые слова: кредитные циклы, циклы деловой активности, ряды с единичным корнем, коинтеграция, модель векторной авторегрессии, модель векторной коррекции ошибок, функция импульсного отклика.

В макроэкономике важную роль играет вопрос о факторах, которые выводят экономику из положения равновесия (как на национальном, так и на глобальном уровне), ускоряя или замедляя её развитие в краткосрочном и среднесрочном периоде. Наряду с традиционным подходом, описанным в рамках неоклассической экономической школы (теория реальных деловых циклов [7, 8]), появились новые подходы к изучению поставленной проблемы. С развитием денежного рынка и кредитных инструментов усиливается его влияние на экономические циклы. Кредитные деньги банковских и финансовых структур способны влиять (искажать) на перераспределение ресурсов между секторами национальной и глобальной экономики. Таким образом, кредитно-ин-вестиционный механизм через деятельность финансовых посредников и агентов может быть самостоятельным источником колебаний (эндогенных шоков) деловой активности, наряду с долгосрочными факторами экономического роста.

Эта связь подтвердилась во время финансового кризиса 2008 - 2010 гг. Кредитно-инве-стиционный механизм реализуется, например, через изменения процентных ставок, динамику задолженности экономических агентов, через монетарную политику ЦБ и государства. Функционирование финансовых рынков на примере посредников может носить циклический характер в силу наличия экзогенных и эндогенных шоков. Так, например, некоторые финансовые переменные (такие, как краткосрочные ставки процентов или величина денежной массы) подвержены прямому или косвенному государственному регулированию, что делает их менее зависимыми от реальных изменений в экономике. В связи с этим вопрос о взаимосвязи циклического характера экономики и кредитно-инвестиционного климата через исследование статистических данных при помощи математических и эконометрических методов представляется весьма важным и актуальным.

Отметим, что имеются тщательно разработанные теоретические модели, обосновывающие, каким образом монетарные факторы влияют на циклические колебания реального производства и инвестиций. Данные модели называются моделями финансового акселератора [1,2,3,4]. Под финансовым акселератором будем понимать механизм усиления экзогенных шоков через изменения условий кредитного рынка. Существуют несколько теоретических моделей, описывающих действие финансового акселератора (подобно тому, что есть несколько макроэкономических моделей, дающих количественное описание идей Кейнса: модель мультипликатора -акселератора Хикса и др.).

Одной из наиболее наглядных и активно развивающихся является модель, использующая подход «принципал - агент» с асим-

метричной информацией для описания кредитного рынка. В этой модели финансовый акселератор возникает как следствие (эндогенных) изменений в стоимости кредита для экономического агента (производителя) и в изменении его «чистой стоимости». Стоит также отметить, что эмпирическая проверка моделей финансового акселератора сопряжена с трудностями.

Цель работы заключается в проведении эконометрического и эмпирического анализа финансовых и ряда макроэкономических показателей России с использованием современных макроэкономических моделей и эконометри-ческих моделей временных рядов. Основные задачи работы:

- провести предварительный анализ макроэкономических рядов (тесты на единичный корень и стационарность и др);

- исследовать рассматриваемые временные ряды на наличие долгосрочной зависимости (на коинтегрированность);

- оценить модель краткосрочной зависимости (модель векторной авторегрессии) и построить функции импульсного отклика реального выпуска на шоки кредитных факторов и шоки денежной массы;

- исследовать ряды на причинно-следственную связь (по Грэнджеру).

Методология исследования

Для эмпирического исследования кредитных циклов и их влияния на циклы деловой активности были отобраны исторические квартальные данные по следующим факторам: ВВП (реальный и номинальный), дефлятор, денежная база М2, краткосрочная ставка межбанковского кредита, долгосрочная ставка (10 летних гособлигаций), суммарная задолженность по обязательствам (кредиторская задолженность, задолженность по кредитам и займам). Расчёты основаны на исторических квартальных данных, взятых за период с первого квартала 2004 г. по второй квартал 2013 г. Все ставки скорректированы на инфляцию, то есть рассматриваются реальные ставки. Реальные ставки получены из номинальных с использованием формулы Фишера

где I - реальная ставка, 1п - номинальная ставка, п- уровень инфляции (рассчитывается через дефлятор ВВП).

Денежная масса и кредитные факторы также скорректированы на дефлятор ВВП. Данные взяты из базы данных Федерального банка г. Сэнт-Луиса [12] и Единой межведомственной информационно-статистической системы [13]. Вначале проводится предварительный анализ данных. Он включает в себя следующее: тестирование временных рядов на стационарность/ единичный корень (используются тесты АЭБ,

АЭБ-СЬЗ)1, выявление и оценивание (локального) тренда с использованием фильтрации Ходрика-Прескотта [6], [11]. Следуя работе [6] при применении фильтра Ходрика-Прескота используется рекомендованное для квартальных данных значение параметра . Также проводится статистический анализ процентных изменений реальных и монетарных факторов и приращений процентных ставок.

Количественный анализ краткосрочного влияния финансовых и монетарных показателей на реальные переменные основан на применении моделей векторной авторегрессии УАЯ [9], [11]. Для выявления долгосрочной связи между реальными переменными и монетарными показателями используются тесты на коинтегра-цию. Для выявления краткосрочной динамики показателей (как отклонения от долгосрочной зависимости) оцениваются модели коррекции ошибки УБСМ. Наряду с результатами оценки моделей приводятся графики импульсного отклика основных факторов и графики разложения дисперсии, что позволяет проследить (краткосрочную) динамику распространения во времени влияния внешних шоков.

Исследование долгосрочной зависимости основано на изучении коинтегрированности временных рядов и коинтеграционных соотношений. Важно отметить, что, в отличие от большинства исследований, количественный анализ проводится непосредственно для исходных данных, в то время как многие исследования циклов (как деловой активности, так и кредитных) основаны на предварительной фильтрации данных (чаще всего по методу Ходрика-Прескот-та) и модели оцениваются по преобразованным данным. Нам этот подход видится некорректным, так как при предварительной фильтрации данных статистические свойства модели уже могут не соответствовать заявленным (например, выводы о значимости могут быть неверными). Стоит отметить, что в основополагающей работе макроэкономические модели, основанные на векторной авторегрессии, рассматривались именно для исходных данных (реальный ВВП, денежная база и др.)

На протяжении всей работы причинно-следственная связь понимается как «причинность по Грэнжеру» [5]. Исследование «причинности по Грэнжеру» основано на применении теста Грэн-жера в модели векторной авторегрессии. При этом важно понимать, что «причинность по Грэнжеру» в общем случае не означает наличие причинно-следственной связи в обычном понимании, а означает лишь, что изменения одного фактора предшествуют изменениям другого.

Все расчёты выполнены с использованием программного обеспечения gretl (свободно рас-

пространяемый мультиплатформенный эконо-метрический программный пакет, Ьйр:/^гей. sourceforge.net). В работе мы используем следующее стандартное соглашение: если тестовая статистика отмечена одной звёздочкой, то она значима на уровне значимости 10%; если она отмечена двумя звёздочками, то значима при 5%; если отмечена тремя звёздочками, то значима при 1%.

Описание и предварительный анализ статистических данных

Проведём статистический анализ макроэкономических и монетарных показателей по России за период I кв. 2004 г. - II кв. 2013 г. Рассмотрим данные по реальному ВВП России. На рис. 1 приведён график логарифма ВВП и его сглаживание по методу Ходрика - Прескотта. Из графика видно изменение локального тренда в период кризиса.

Рисунок 1 Логарифм реального ВВП России I кв. 2004 г. - II кв. 2013 г. и его сглаживание по методу Ходрика - Прескотта.

Источник: расчёты авторов на основе данных Федерального Резервного Банка г. Сэнт-Луис.

В табл. 6 приложения приведены результаты тестирования логарифма реального ВвП на единичный корень (тест АЭБ-СЬЗ с включённым линейным трендом). Отметим, что линейный тренд для логарифма означает экспоненциальный тренд для реального ВВП. Тест не отвергает гипотезу единичного корня. В табл. 7 приложения приведены результаты тестирования первой разности (приращения) логарифма реального ВВП2 на единичный корень (используем тест АББ-СЬ8 с включённой константой без линейного тренда). Тест отвергает гипотезу единичного корня. Таким образом, можно сделать вывод о том, что ряд логарифма реального ВВП является интегрированным первого порядка.

Рассмотрим сезонно-скорректированные квартальные данные по денежной базе М2 Рос-

1 В тестах на единичный корень максимальное количество лагов определяется по методологии Schwert'а, а фактическое количество лагов определяется по байесовскому информационному критерию. Такой подход реализован в программе gretl.

2 Первая разность логарифма имеет смысл процентного изменения за период времени.

сии, скорректированные на дефлятор (обозначение М2ВЕР). На рис. 2 приведён график логарифма скорректированной денежной базы.

Рисунок 2

Логарифм денежной базы России I кв. 2004 г. - II кв. 2013 г., скорректированной на дефлятор, и его сглаживание по методу Ходрика - Прескотта.

26.2 -1-1-1-1-

1_т2<^ (исходный ряд) - 1_т2(1еТ (сглаженный ряд) -

2004 2006 2008 2010 2012 2014

Источник: расчёты авторов на основе данных Федерального Резервного Банка г. Сэнт-Луис.

В табл. 8 приложения приведены результаты тестирования ряда логарифма денежной базы на единичный корень (используем тест ЛББ-СЬ8 с линейным трендом). Тест не отвергает гипотезу единичного корня. В табл. 9 приложения приведены результаты тестирования на единичный корень первой разности логарифма денежной базы России на единичный корень (используем тест ЛЭБ-СЬЗ без линейного тренда). Тест отвергает гипотезу единичного корня.

Таким образом, можно сделать вывод, что ряд логарифма денежной базы является интегрированным первого порядка.

Рассмотрим квартальные3 исторические данные о реальных процентных ставках:

1. краткосрочные 3-месячные ставки межбанковского кредита (8ТЯа1е);

2. долгосрочные десятилетние государственные облигации (ЬТЯа1е).

На рис. 3 приведены графики краткосрочных и долгосрочных реальных ставок. Виден резкий рост ставок в начале 2009 г. (до 27 и 15% соответственно).

В табл. 10 приложения приведены результаты тестирования реальных ставок по долгосрочным обязательствам казначейских долговых обязательств на единичный корень (используем тест ЛББ-СЬ8 с константой и без линейного тренда, так как нет оснований предполагать, что у ставок присутствует долгосрочная тенденция). Тест не отвергает гипотезу единичного корня для краткосрочной ставки и отвергает для долгосрочной ставки (указывает на её стационарность).

Рассмотрим суммарную задолженность по обязательствам (фактор ТБеЫБЕБ, рис. 4).

В табл. 11 приложения приведены результаты теста единичного корня (используем тест ЛЭБ-СЬЗ с включенным линейным трендом). Тест не отвергает гипотезу единичного корня. В табл. 12 приложения приведены результаты теста единичного корня (используем тест ЛЭБ-СЬЗ без линейного тренда) для первой разности логарифма задолженности. Тест отвергает гипотезу единичного корня. Следовательно, логарифм задолженности является интегрированным первого порядка.

Рисунок 3 Реальная краткосрочная ставка межбанковского кредита России (БТКа1е) и реальная долгосрочная ставка (1ТКа1е) за период I кв. 2004 г. - II кв. 2013 г.

Источник:расчёты авторов на основе данных Федерального Резервного Банка г. Сэнт-Луис.

Рисунок 4

Логарифм суммарной задолженности по обязательствам в России I кв. 2004 г. - II кв. 2013 г. и его сглаживание по методу Ходрика - Прескотта.

1 тоеЫВЕР МЪеМОЕР (с (исходный ряд) глаженный ряд)

2004 2006 2008 2010 2012 2014

Источник: расчёты авторов на основе данных Единой межведомственной информационно-статистической системы.

Финансовый рынок, кредитные циклы и деловые циклы: количественный анализ для России

Будем рассматривать модель векторной авторегрессии с порядком лагов 2 для следующих факторов: логарифм реального ВВП ^(гСБР),

3 Квартальные данные о доходностях рассчитываются как среднее из дневных доходностей за период.

логарифм денежной базы ^(М2БЕБ) (скорректирована на дефлятор), реальная краткосрочная ставка БТК^е, реальная долгосрочная ставка LTRate и логарифм суммарной задолженности ^(ТБеЫБЕБ) (скорректировано на дефлятор). Все факторы, кроме долгосрочной ставки, являются интегрированными первого порядка. Так как долгосрочная доходность стационарна, то её будем включать как эндогенный фактор в модель коррекции ошибок (с лагами до второго порядка).

Применение теста Йохансена (табл. 1) даёт первый порядок коинтеграции для рассматриваемых переменных (реальный ВВП, краткосрочная межбанковская ставка, денежная база и общая кредитная задолженность).

Таблица 1 Результаты теста Йохансена (тест на след матрицы) для модели влияние общей задолженности в России.

Ранг Тест.статистика р-значение

0 54.884*** 0.0084

1 22.171 0.2983

2 6.4098 0.6517

3 1.9032 0.1677

Источник: расчёты авторов.

Коинтегрирующий вектор имеет вид

Таблица 2

Коинтегрирующий вектор в модели влияния общей задолженности для России.

1_од(гООР) 1.0000 (0.0000)

БТРа1е -0.0055510 (0.0024499)

1_од(М20БР) -0.50887 (0.035428)

1_од(ТОеЬОБР) 0.29386 (0,052394)

Источник: расчёты авторов.

Таким образом, между факторами есть долгосрочная зависимость

Log(rGDP)=0.0055510*STRate + 0.50887*^(М2ВЕГ)-0.29386*^(теЫВЕГ)

Оценим векторную модель коррекции ошибок (включаем долгосрочную ставку как эндогенный фактор из-за её стационарности).

Статистика Льюнга-Бокса не указывает ав-токоррелированность в ошибки регрессии. Отметим, что в краткосрочном периоде влияние первого лага приращения (логарифма) задолженности незначимо.

Оценим функции импульсного отклика и график разложения дисперсии прогноза для ВВП. Для этого необходимо упорядочить факторы в порядке «возрастания эндогенности». Следуя работе [4], упорядочим факторы следующим образом: ВВП-> краткосрочная ставка-> М2-> кредитная переменная.

На рис. 5 приведён график разложения дисперсии прогноза для реального ВВП России на 15 периодов (кварталов). Доля лаговых значений ВВП снижается, выходя на стационарный уровень 57.2%. Доля денежной базы в прогнозе увеличивается, выходя на долгосрочный уровень 32.4%. Доля кредитной переменной на третьем периоде выходит на долгосрочный уровень 6.5%.

Рисунок 5 Разложение дисперсии прогноза для логарифма ВВП в модели влияния общей задолженности в России.

Источник: расчёты авторов.

Таблица 3

Фактор Коэфф. Ст.ошибка ^статистика р-значение

const 0,431632 0,212624 2,0300 0,05195*

d_l_rGDP_1 0,222304 0,238359 0,9326 0,35898

d_STRate_1 -0,00215186 0,00140659 -1,5298 0,13728

d_l_m2def_1 0,121676 0,099821 1,2189 0,23303

d_l_TDebtDEF_1 -0,130445 0,0822843 -1,5853 0,12413

LTRate_1 0,00152553 0,00205888 0,7410 0,46489

LTRate_2 -0,00225768 0,0021523 -1,0490 0,30316

EC1 -0,21732 0,108174 -2,0090 0,05427*

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Р2=0.588609; Ципд-Вох Q'(2) =1.71907; Р-значение^'(2))=0.423

Примечание: Префикс й_... означает первую разность фактора. Источник: расчёты авторов.

Уравнение для реального ВВП из модели векторной коррекции ошибок для модели влияния общей задолженности в России.

Таблица 4

Уравнение для общей кредитной задолженности из модели векторной коррекции ошибок для модели влияния общей задолженности в России.

Фактор Коэфф. Ст.ошибка ^статистика р-значение

const 0.501992 0.525129 0.9559 0.34728

d_l_rGDP_1 -1.08 0.588688 -1.8346 0.07721*

d_STRate_1 -0.0005114 0.00347394 -0.1472 0.88402

d_l_m2def_1 -0.110093 0.246534 -0.4466 0.65863

d_l_TDebtDEF_1 0.316121 0.203222 1.5555 0.13105

LTRate_1 -0.00622856 0.00508494 -1.2249 0.23082

LTRate_2 -0.00230264 0.00531564 -0.4332 0.66820

EC1 -0.224516 0.267163 -0.8404 0.40782

Р2=0.396339; Ципд-Вох Q'(2) =0.0748657; Р-значение^'(4))=0.963

Примечание: Префикс й_... означает первую разность фактора. Источник: расчёты авторов.

На рис. 6 приведён график функции импульсного отклика на шок общей кредитной задолженности в одно стандартное отклонение и её 90% доверительный интервал (рассчитанный по методу бутстрепа). Функция импульсного отклика отрицательная, и первые пять значений значимы. Следовательно, на краткосрочном периоде рост заложенности снижает ВВП.

Рисунок6

Функция импульсного отклика реального ВВП России на шок общей задолженности

в одно стандартное отклонение.

Затемнённая область показывает 90%-ный доверительный интервал (рассчитанный по методике бутстреп). Источник: расчёты авторов.

Рисунок 7

Функция импульсного отклика реального ВВП России на шок денежной базы в одно стандартное отклонение.

доверительный интервал (рассчитанный по методике бутстреп). Источник: расчёты авторов.

На рис. 7 приведён график функции импульсного отклика ВВП России на положительный шок денежной базы в одно стандартное отклонение и 90%-ный доверительный интервал (рассчитанный по методу бутстрепа). Функция отклика положительна и значима на краткосрочном периоде (рассмотрен временной горизонт в 15 периодов).

На рис. 8 приведён график функции импульсного отклика ВВП России на положительный шок ставки межбанковского кредита в одно стандартное отклонение и 90%-ный доверительный интервал (рассчитанный по методу бутстрепа). Функция отклика отрицательна и значима только на первом периоде.

Рисунок 8

Функция импульсного отклика реального ВВП России на шок денежной базы в одно стандартное отклонение.

Затемнённая область показывает 90%-ный доверительный интервал (рассчитанный по методике бутстреп). Источник: расчёты авторов.

Анализ причинно-следственной связи между финансовыми и деловыми циклами для России

Для векторной модели коррекции ошибок проведём тест Грэнджера на причинность. Он сводится к проверке значимости лаговых первых разностей для кредитной переменной в уравнении для ВВП и лаговых первых разностей ВВП в

уравнении для кредитной переменной. Так как в уравнения входят только первые разности с первого лага, то тест основан на ^статистиках. Результаты теста Грэнджера (табл. 5) показывают, что изменения первой разности ВВП предшествует изменению первой разности задолженности (является причиной по Грэнджеру), а изменения задолженности не являются причиной (по Грэнджеру) для ВВП.

Таблица 5 Тест Грэнджера для модели УБСМ (векторная модель коррекции ошибок влияния общей задолженности в России)

Уравнение ^статистика p-значение

ВВП -1.585 0.1241

Кредитная переменная -1.835 0.0772*

Источник: расчёты авторов.

Заключение и выводы

В работе был проведён эмпирический и эконометрический анализ ряда макроэкономических и монетарных показателей России (ВВП, денежная база М2, краткосрочные и долгосрочные ставки, суммарная задолженность по обязательствам) с использованием квартальных данных с I кв. 2004 по II кв. 2013 г. Факторы рассматривались как с позиции исследования их динамики, так и с точки зрения оценки их влияния на реальный выпуск.

Был проведён предварительный анализ данных на наличие детерминированного тренда или единичного корня (стохастического тренда). Показано, что ВВП, денежная база и краткосрочная ставка межбанковского кредита являются интегрированными первого порядка, а динамика долгосрочной ставки стационарна.

Для исследования влияния кредитных и монетарных факторов на реальный выпуск была рассмотрена эконометрическая модель векторной авторегрессии. Её анализ проводился с использованием современного эконометрического инструментария временных рядов, используемого в макроэкономических исследованиях:

- тесты на коинтеграцию для выявления долгосрочной связи между факторами;

-построение векторной модели коррекции ошибок для исследования краткосрочной динамики;

-построение функций импульсного отклика для оценки влияния и распространения шоков;

- построение функций разложения дисперсии прогноза для оценки доли влияния каждого из факторов в прогнозировании.

На основе оценки по историческим данным эконометрических моделей были получены следующие результаты:

1. Существует долгосрочная зависимость между ВВП, денежной базой, краткосрочной ставкой (трехмесячного межбанковского кредита) и суммарной задолженностью по обязательствам.

2. Показано, что положительный шок общей задолженности значимо приводит к снижению ВВП в краткосрочном периоде.

3. Показано, что положительный шок денежной базы значимо положительно влияет на ВВП (через кредитные переменные) в краткосрочном и среднесрочном периоде, что говорит об отсутствии нейтральности денег (в краткосрочном и среднесрочном периоде).

4. Показано, что положительный шок краткосрочной ставки межбанковского кредита значимо отрицательно влияет на ВВП только на одном периоде.

5. Изменения задолженности значимо предшествует изменению ВВП, но не наоборот.

На основе полученных результатов можно дать следующие рекомендации:

- рассмотренные в исследовании модели могут быть использованы для формирования кредитно-денежной политики;

- методология настоящего исследования может быть использована для количественной оценки последствий от принятия решений в области кредитно-денежной политики.

Приложение. Результаты тестов единичного корня

Все тесты проведены на историческом интервале I кв. 2004 г. - II кв. 2013 г. Используется следующее соглашение: тестовая статистика помечена тремя звёздочками, если она значима на уровне значимости 1%; помечена двумя звёздочками, если значима на уровне значимости 5%; помечена одной звёздочкой, если значима на уровне значимости 10%.

Таблица 6

Результаты теста АББ-вББ на единичный корень для логарифма реального ВВП России

Фактор Тестовая статистика Кр.значение (5%) Лаги (max лаг)

Ьод(ООР) -1.73165 -3.19 2 (9)

Тест включает линейный тренд. Источник: расчёты авторов.

Таблица 7

Результаты теста АББ-вББ для первой разности логарифма реального ВВП России

Фактор Тестовая статистика P-значение Лаги (max лаг)

0_1_од(ООРС1) -2.60116*** 0.009007 2 (9)

Тест с константой без линейного тренд. Источник: расчёты автора.

Таблица 8

Результаты теста АББ-вББ для логарифма денежной базы России, скорректированной на дефлятор

Фактор Тестовая статистика Кр.значение (5%) Лаги (max лаг)

1_од(М20БР) -1.93157 -3.19 1 (9)

Тест включает линейный тренда. Источник: расчёты авторов.

Таблица 9

Результаты теста АББ-СЬБ для первой разности логарифма денежной базы России, скорректированной на дефлятор ВВП

Фактор Тестовая статистика P-значение Лаги (max лаг)

D_Log(M2DEF) -2.50151** 0.01198 1 (9)

Тест не включает линейный тренд. Источник: расчёты авторов.

Таблица 10

Результаты теста АББ для краткосрочной (межбанковской) и долгосрочной реальных ставок России

Фактор Тестовая статистика P-значение Лаги (max лаг)

STRate - 2.38977 0.1446 2 (9)

LTRate - 2.63563* 0.08577 2 (9)

Тест включает константу и не включает линейный тренд. Источник: расчёты авторов.

Таблица 11 Результаты теста АББ-СЬБ для логарифма суммарной задолженности, скорректированной на дефлятор

Фактор Тестовая статистика Кр.значение (5%) Лаги (max лаг)

Log(TDebtDEF) - 1.98645 - 3.19 1 (9)

Тест включает линейный тренд. Источник: расчёты авторов.

Таблица 12 Результаты теста АББ-СЬБ для первой разности логарифма суммарной задолженности по обязательствам (скорректированной на дефлятор)

Фактор Тестовая статистика P-значение Лаги (max лаг)

D_Log(TDebtDEF) - 2.04382** 0.03931 2 (9)

Тест включает линейный тренд. Источник: расчёты авторов.

Список литературы

1. Bernanke B.S., Gertler M. Agency Cost, Net Worth and Buisness Flunctuations// American Economic Review.

1989. 79(1). pp.14-31.

2. Bernanke B.S., Gertler M. Financial fragility and economic performance// The Quartely Journal of Economics.

1990. 105(1). pp. 87-114.

3. Bernanke B.S., Gertler M., Gilchrist S. The financial accelerator and the flight to quality// Review of Economics and Statistics. 1996. 78. pp. 1-35.

4. Bernanke B.S., Gertler M., Gilchrist S. The financial accelerator in a quantitative business cycle framework// Handbook of Macroeconomics, Vol 1. 1999. pp. 1341-1393.

5. Granger C.W.J. Investigating Causal Relations by Econometric Models and Cross-spectral Methods// Econometrica. 1969. 37(3). pp. 424-438.

6. Hodrick R.J., Prescott E.S. Postwar U.S. Business Cycles: an Empirical Investigation// Journal of Money, Credit and Bamnikng. 1997. 29(1). pp. 1-16.

7. Kydland F.E., Prescott E.S. Rules Rather than Discretion: the Inconsistency of Optimal Plans// Journal of Political Economy. 1977. 87. pp. 473 - 492.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

8. Kydland F.E., Prescott E.S. Time to build aggregate functions// Econometrica. 1982. 50(6). pp. 1345-1370.

9. Sims C.A., Macroeconomics and reality// Econometrica. 1980. 48(1). pp. 1-48.

10. Stiglitz J.E., Weiss A. Credit Rationing in Markets with Imperfect Information// American Economic Review. 1981. 71. pp.393-410.

11. Greene W.H. Econometric Analysis. 6th ed. Pearson Education, 2008. 1232 p.

12. Отдел экономических исследований и база экономических данных Федерального Резервного Банка г. Сэнт-Луиса [Электронный ресурс]. Режим доступа: http://research.stlouisfed.org

13. Единая межведомственная информационно-статистическая система [Электронный ресурс]. Режим доступа:http://fedstat.ru/indicators/start.do

Об авторах

Артамонов Никита Вячеславович - к.ф.-м.н., доц., зав. кафедрой эконометрики и математических методов анализа экономики МГИМО(У) МИД России. E-mail: artamonov@inno.mgimo.ru

Артамонов Дмитрий Вячеславович - к.ф.-м.н., доцент кафедры математических методов анализа экономики МГУ им. М.В. Ломоносова и кафедры эконометрики и математической экономики РАНХиГС. E-mail: artamonov@econ.msu.ru

Артамонов Вячеслав Александрович - д.ф.-м.н., профессор кафедры высшей алгебры МГУ им. М.В. Ломоносова, профессор кафедры эконометрики и математической экономики РАНХиГС, зав. кафедрой информатики и математики ВАВТ. E-mail: viacheslav.artamonov@gmail.com

CREDIT CYCLES: ECONOMETRIC ANALYSIS AND EVIDENCE FOR RUSSIA

N V. Artamonov, D.V. Artamonov, V.A. Artamonov

Moscow State Institute of International Relations (University), 76 Prospect Vernadskogo, Moscow, 119454, Russia

Lomonosov Moscow State University, GSP-1 Leninskie gory 1, Moscow 119991, Russia RANEPA av. Vernadskogo 82 bld.1, Moscow, 119571, Russia. VAVT Pudovkina st. 4a, Moscow, 119285, Russia.

Abstract: One of the principal problem in contemporary macroeconomics is concerned with factors increasing or decreasing economic dynamics. The mainstream approach is based on neoclassical assumptions, but recently new approaches appear mostly based on new Keynesian concepts. In present time the influence of monetary market and credit instruments become more and more significant. Credit resources of banking and financial structures can affect and distort to reallocation of resources for national and even for global economic.

In present paper an empiric and econometric analysis for some macroeconometric and monetary indices for Russian Federation is done. An econometrical models describing the influence of credit variables onto real GDP is estimated. It is shown that in short-term periods changes in credit variables do influence significantly onto GDP. It is shown that on short-term periods changes in money aggregate M2 brings influence (through credit variables) onto national output. As well it is shown that changes in short-term interest rate brings significant negative influence onto real output. Impulse response functions for GDP on shocks of credit variables, monetary base and short-term interest rate are evaluated.

For the present study of credit cycles and their impact to real business cycles statistical data (quarterly time series) on the following factors for Russian Federation are collected: nominal and real GDP, monetary base M2, short-term interest rate, long-term interest rate (10-year treasuries bill rate), total debt outstanding. All time series are seasonally adjusted and collected for the period 2004 Q1 - 2013 Q2. All interest rates are adjusted for inflation (i.e. we deal with real interest rates).

The investigation of long-term relationship for the factors under consideration are based on integration. It is important to note that in the present paper all econometric models are estimated on "pure" statistical data, while in many research papers on business and credit cycles all evaluations and inferences are based on "filtered" time series (mostly filtered by Hodrick-Prescott's method). In present paper "causality" always means "Granger causality". All estimations are made in gretl, an open-source multiplatform econometric software.

Key words: credit cycles, output cycles, time series with unit roots, cointegration, vector autoregression model, vector error correction model, impulse response function, variance decomposition.

References