CC BY
39МОДЕЛИРОВАНИЕ ИНФЛЯЦИОННЫХ ПРОЦЕССОВ НА ПРИМЕРЕ РЕСПУБЛИКИ БЕЛАРУСЬ
© Баранская Ю.В.*, Авчинникова И.И.*
Белорусский государственный университет, Республика Беларусь, г. Минск
Цель данного исследования - анализ существующих концепций инфляции и разработка на их основе эконометрических моделей инфляционных процессов в Республике Беларусь. Задачи исследования:
- проанализировать существующие теории и концепции инфляционных механизмов;
- систематизировать и провести анализ существующих моделей инфляции;
- провести статистический анализ динамики инфляции в условиях экономики Республики Беларусь;
- проанализировать основные макроэкономические факторы, определяющие уровень инфляции в экономике Республики Беларусь;
- с помощью эконометрических методов оценить вклад различных факторов в изменение индексов инфляции;
- разработать эконометрическую модель инфляции и проверить её адекватность инфляционным процессам в Республике Беларусь в период 2005-2013 гг.;
Объектом исследования являются инфляционные процессы в Республике Беларусь.
Предметом исследования являются закономерности инфляции в условиях переходной экономики Республике Беларусь.
Методы исследования: системный анализ, синтез, метод аналогий, факторный анализ, эконометрический анализ временных рядов.
Ключевые слова инфляция, ИПЦ, денежные агрегаты, эконометри-ческая модель, метод наименьших квадратов, временной ряд, многофакторная регрессионная модель.
Инфляция является одним из важнейших показателей состояния экономики страны в современном мире. Задача контроля и управления темпами роста цен входит в число приоритетных при выборе той или иной экономической политики. Показатели инфляции оказывают влияние на принятие решений в сфере макроэкономики, учитываются при составлении инвестиционных планов и выборе стратегии развития предприятий. Поэтому актуальность настоящего исследования определяется необходимостью решения
* Ведущий специалист отдела маркетинга ГУ «Национальное агентство инвестиций и приватизации», магистр экономических наук.
* Экономист 1 категории ГУ «Национальное агентство инвестиций и приватизации», соискатель.
задачи моделирования инфляционных процессов, а также важностью задачи прогнозирования инфляции.
Процесс развития рыночной экономики Республике Беларусь неотъемлемо связан с инфляцией, уровень которой на сегодняшний день значительно превышает допустимые её значения в развитых странах. Задача достижения стабильно низкого уровня инфляции, обеспечивающего устойчивое развитие экономики, на сегодняшний день не потеряла свою актуальность и входит в компетенцию центральных банков подавляющего числа государств, среди которых, безусловно, фигурирует и Республика Беларусь. При этом особое значение вопрос анализа инфляционных процессов приобрел на фоне объявленных Национальным Банком Республике Беларусь планов по реализации стратегии перехода к инфляционному таргетированию как новому режиму денежно-кредитной политики в ближайшие годы. Поэтому актуальность настоящего исследования определяется необходимостью решения задачи моделирования инфляционных процессов, а также важностью задачи прогнозирования инфляции.
В рамках настоящего исследования разработана эконометрическая модель инфляционных процессов в Республике Беларусь. Опираясь на существующий отечественный и зарубежный опыт в изучении инфляции и априорные представления, для эконометрического моделирования влияния монетарных факторов на динамику инфляции были отобраны 8 показателей. Информационной базой при построении эконометрической модели являлись помесячные данные с января 2005 по декабрь 2013 гг., предоставляемые Национальным статистическим комитетом Республики Беларусь и Национальным банком Республики Беларусь. Перечень и условные обозначения переменных итоговой модели представлены в табл. 1.
Таблица 1
Факторы модели и их условные обозначения
Показатель Условное обозначение Источник данных
Результативный признак: индекс потребительских цен СР1 МСиА РБ, Статистический бюллетень за 2005-2013 гг.
Факторные признаки: фактор инфляционной инерции СР1_1 МСиА РБ, Статистический бюллетень за 2005-2013 гг.
Логарифм показателя средневзвешенный валютный ^рс белорусского рубля по отношению к доллару США Уа1га1е НБ РБ, Бюллетень банковской статистики за 2005-2013 гг
Средняя объявленная ставка рефинансирования Национального банка НБ РБ, Бюллетень банковской статистики за 2005-2013 гг.
Логарифм наличных денег в обороте М0 НБ РБ, Бюллетень банковской статистики за 2005-2013 гг.
Логарифм рублевой денежной массы М1 НБ РБ, Бюллетень банковской статистики за 2005-2013 гг.
Логарифм переводных рублевых депозитов (М1-М0) НБ РБ, Бюллетень банковской статистики за 2000-2005 гг.
Логарифм рублевой денежной массы М2 НБ РБ, Бюллетень банковской статистики за 2005-2013 гг.
Продолжение табл. 1
Показатель Условное обозначение Источник данных
Логарифм срочных рублевых депозитов и ценных бумаг, выпущенных банками вне банковского оборота (М2-М1) НБ РБ, Бюллетень банковской статистики за 2000-2005 гг.
Логарифм рублевой денежной массы М3 НБ РБ, Бюллетень банковской статистики за 2005-2013 гг.
Логарифм валютных депозитов (М3-М2) НБ РБ, Бюллетень банковской статистики за 2000-2005 гг.
Логарифм показателя номинальная среднемесячная заработная плата Wage МСиА РБ, Статистический бюллетень за 2005-2013 гг.
Предварительно, с целью уменьшения вероятности получения «мнимых» зависимостей, исследовались стохастические свойства временных рядов. Для этого проводилось тестирование на стационарность временных рядов показателей. Отсутствие единичного корня в таком случае свидетельствует о стационарности переменной и интегрированности с порядком 1(0). Расчет тестов, как и последующее построение моделей, осуществлялся с помощью эконометрической программы EViews 7.1. Перед моделированием все показатели были прологарифмированы.
В результате анализа было установлено, что временные ряды, отражающие динамику выбранных показателей, принадлежат к классу нестационарных временных рядов и являются 1(1), так как построенные из данных рядов взятием первых разностей являются стационарными, что подтверждается результатами АБЕ-теста по исходным динамическим рядам (табл. 2).
Таблица 2
Результаты расширенного теста ДикиФуллера по исходным динамическим рядам на наличие единичного корня
Показатель Условное обозначение Спецификация модели tADF DW
Результативный признак: индекс потребительских цен CPI I(1), C -3,74 -2,89
Факторные признаки: фактор инфляционной инерции CPI 1 I(1), C -3,74 -2,89
Логарифм показателя средневзвешенный валютный ^рс белорусского рубля по отношению к доллару США Valrate I(1),trend&C -9,42 -3,46
Средняя объявленная ставка рефинансирования Национального банка Ref I(1), trend&C -4,02 -3,46
Логарифм наличных денег в обороте M0 I(1),trend&C -7,40 -3,46
Логарифм переводных рублевых депозитов (М1-М0) I(1),trend&C -7,02 -3,46
Логарифм рублевой денежной массы М1 M1 I(1),trend&C -9,56 -3,46
Логарифм срочных рублевых депозитов и ценных бумаг, выпущенных банками вне банковского оборота (М2-М1) I(1),trend&C -9,11 -3,46
Логарифм рублевой денежной массы М2 M2 I(1),trend&C -6,85 -3,46
Логарифм валютных депозитов (М3-М2) I(1),trend&C -11,45 -3,46
Логарифм рублевой денежной массы М3 M3 I(1),trend&C -11,41 -3,46
Логарифм показателя номинальная среднемесячная заработная плата Wage I(1),trend&C -9,26 -3,46
Результаты тестирования «единичного корня» для первых разностей представленных показателей показали, что все переменные, являются интегрированными одного, первого, порядка. Выявленные стохастические свойства временных рядов показателей позволяют построить модель для показателей в уровнях.
При построении эконометрической модели инфляции из всего набора перечисленных выше факторов при помощи тестов на значимость последовательно исключены факторы средней начисленной заработной платы Wage и средней объявленной ставки рефинансирования Ref. Кроме того, в модель были включены три фиктивные переменные для учета влияния двойной девальвации в мае, августе и сентябре 2011 г. на инфляцию в Республике Беларусь. Лаг, при котором факторный признак оказывает наибольшее воздействие на инфляцию, обозначается, как _1, _2 и т.д.
В итоге мы получили модель:
D(LCPI) = 0.00494991466874 + 0.0818070837864-D(VALRATE) + + 0.0236247393382-DLM2(-6) + 0.0883905251813-D2011M05 + + 0.0696125564538-D2011M08 + 0.113857962418-D2011M09 + ( ) + 0.339288545781-D(LCPI(-1)) + 0.0301602363076-DLM32(-5)
Построение и тестирование данной модели представлено в табл. 3 и на рис. 1:
Таблица 3
Тестирование модели «Выявление зависимости между эндогенной и экзогенными переменными»
Variable Coefficient Std. Error t-Statistic Prob.
C 0.004950 0.001038 4.770761 0.0000
D(VALRATE) 0.081807 0.015290 5.350327 0.0000
DLM2(-6) 0.023625 0.009696 2.436646 0.0169
D2011M05 0.088391 0.007306 12.09851 0.0000
D2011M08 0.069613 0.007398 9.409025 0.0000
D2011M09 0.113858 0.010398 10.94985 0.0000
D(LCPI(-1)) 0.339289 0.052576 6.453279 0.0000
DLM32(-5) 0.030160 0.010343 2.916009 0.0045
R-squared 0.913863 Mean dependent var 0.016274
Adjusted R-squared 0.906769 S.D. dependentvar 0.023350
S.E. of regression 0.007129 Akaike info criterion -6.967059
Sum squared resid 0.004321 Schwarz criterion -6.749201
Log likelihood 331.9683 F-statistic 128.8280
Durbin-Watson stat 1.887920 Prob(F-statistic) 0.000000
I Residual -Actual -Fitted |
Рис. 1. Фактические (actual), оцененные значения (fitted) и остатки для временного интервала с января 2005 г. по апрель 2013 г.
Примечание: собственная разработка с помощью программы Eviews.
Оценим статистическую значимость прогнозного уравнения:
- Коэффициент детерминации R2 = 0,9139 > 0,7 говорит о том, что доля влияния независимых переменных на зависимую значительна (91,39 %).
- Адекватность регрессии опытным данным проверяем с помощью критерия Фишера F-statistic и вероятности Prob (F-statistic). Выдвигается нулевая гипотеза H0 о статистической незначимости линейного уравнения регрессии в целом и отсутствии связи между зависимой и независимыми переменными. Если Prob (F-statistic) >а = 0,05, то H0 принимаем.
Проведем проверку с помощью Prob (F-statistic). Т.к. Prob (F-statistic) = = 0,000000 < 0,05, гипотезу H0 о незначимости регрессии отвергаем.
Значимость оценок регрессии проверим с помощью критерия Стьюден-та и вероятности Prob. Выдвигается нулевая гипотеза H0 о статистической незначимости коэффициента линейного уравнения регрессии (b¡ = 0). В отличие от критерия Фишера, каждый коэффициент проверяется отдельно. Если Prob > а = 0,05, то H0 принимаем.
Вероятности для t-статистики параметров регрессии указаны в столбце Prob: рс = 0.0000, Pvalгate = 0.0000, р,^ = 0.0169, р,^ = 0.0045, PD2011M05 = = 0.0000, ршшшоэ = 0.0000, р^ 1 = 0.0000. Сравнив их с а = 0.05, можно сделать вывод: все коэффициенты значимы.
1,5 < DW < 2,5 следовательно, можно сделать вывод, что автокорреляции нет (по грубому правилу).
Для того чтобы оценить степень адекватности модели опытным данным, исследуем остатки. Проверим выполнение следующих предпосылок относительно остатков:
1. Случайный характер остатков.
2. Нулевое значение математического ожидания остатков.
3. Наличие гомоскедастичности.
4. Отсутствие автокорреляции остатков.
5. Подчинение остатков нормальному закону распределения.
Если распределение случайных остатков не соответствует некоторым предпосылкам МНК, то следует корректировать модель, изменяя ее спецификацию, добавлять (исключать) некоторые факторы, преобразовывать исходные данные для того, чтобы получить оценки коэффициентов регрессии, которые обладают свойством несмещенности, имеют меньшее значение дисперсии остатков и обеспечивают в связи с этим более эффективную статистическую значимость параметров регрессии.
1-ая предпосылка. Случайный характер остатков Resid1, i = 1, т. На рис. 2 отражены результаты тестирования модели по первой предпосылки МНК.
Рис. 2. Тестирования модели по первой предпосылки МНК
Actual - исходное значение Y (экспериментальные данные);
Fitted - значение Y (вычислено из уравнения регрессии);
Residual - оценки остатков (й).
Из графика видно, что:
- остатки не имеют никакой закономерности;
- остатки (за исключением нескольких) не выходят за границы.
Это означает, что остатки представляют собой случайные величины и МНК оправдан, теоретические значения хорошо аппроксимируют фактические значения.
2-ая предпосылка. E(Residi) = 0.
Неравное нулю математическое ожидание позволяет сделать вывод, что й зависит от Х и что модель неадекватна. Равенство нулю нарушается либо из-за неправильной спецификации модели (зависимость не линейная, а иная), либо из-за нарушения 3-ей предпосылки МНК (о постоянном значении дисперсии).
На рис. 3 отражены результаты тестирования модели по второй предпосылке МНК.
Series: Residuals
Sample 2005M08 2013M04
Observations 93
Mean -1.76e-18
Median -0.000655
Maximum 0.030934
Minimum -0.012742
Std. Dev. 0.006853
Skewness 1.145160
Kurtosis 6.382383
Jarque-Bera 64.65857
Probability 0.000000
-0.01 0.00 0.01 0.02 0.03
Рис. 3. Тестирование модели по второй предпосылки МНК
Примечание: собственная разработка с помощью программы Eviews.
Mean = -1,76е-18. Т.е. среднее значение остатков примерно равно 0. Предпосылка E(Uj) = 0 выполняется.
3-ая предпосылка. Наличие гомоскедастичности.
Равенство дисперсий возмущений (ошибок) регрессии является существенным условием линейной классической регрессионной модели множественной регрессии Свойство постоянства дисперсий ошибок регрессии называется гомоскедастичностью. Наиболее простой и часто употребляемый тест на гомоскедастичность - тест Уайта. Выдвинем нулевую гипотезу Н0: дисперсии возмущений регрессии постоянны (т.е. наблюдается гомоскедастичность). В табл. 4 показано тестирование модели по третьей предпосылке МНК.
24
20 -
8-
4
0
Таблица 4
Тестирование модели по третьей предпосылке МНК
Heteroskedasticity Test: White
F-statistic 0.553217 Prob. F(17,75) 0.9149
Obs*R-squared 10.36241 Prob. Chi-Square(17) 0.8877
Scaled explained SS 23.29578 Prob. Chi-Square(17) 0.1399
Примечание: собственная разработка с помощью программы Еviews.
Полученное значение F-статистики: РгоЬ^-81аЙ8Йс) = 0,9149 больше уровня а = 0,05, значит, гипотеза о наличии гомоскедастичности принимается. Также есть значение Obs*R-squaгed, по которому тоже проверяется наличие гетероскедастичности. Pгob(Obs*R-squaгed) = 0,8877 больше уровня 0,05, значит, гипотеза о наличии гомоскедастичности принимается.
4-ая предпосылка. Проверка на автокорреляцию остатков (зависимость остатков).
В соответствии с предпосылками метода наименьших квадратов, возмущения должны быть случайными. Однако нередко встречается ситуация, когда остатки содержат тенденцию или циклические колебания, т.е. каждое следующее значение возмущения зависит от предшествующих. В этом случае говорят об автокорреляции остатков.
Autocorrelation Partial Correlation АС РАС Q-Stat Proti
i [ 1 | I ■ 1 -О asa □ 59 0.3289 0.56Н
i □ | 1 □ | 2 □ 1 аз □ 1 00 1 .3649 a.so;
1 С 1 | : ■ 3 -О 1 аг 001 2.3774 0.49S
i : 1 1 с 1 4 -О as7 1 09 3.1 348 а.5зн
■ [ 1 1 [ ■ 5 -О азд 027 3.2609 а.бб<
■ ] | 1 : | В □ а79 □ 090 3.8Э75 а.69-
■ 1 1 ■ 7 -О аа7 01 1 3.9027 а.79-
■ 1 1 1 ■ S □ азг 003 4.01 21 0.85Н
■ 1 1 ■ а -О ааэ □ 005 4.0200 а.91 <
1 1 1 1 1 о ai о а 001 4.031 1 0.94Н
| : 1 | : ■ 11 -О ass 083 4.801 4 а.94<
■ 1 1 [ ■ 1 2 -О а21 035 4.8501 а.эе;
■ [ 1 1 [ ■ 1 э -О а47 032 5.0Э61 а.97;
■ 1 1 ■ 1 4 □ ааэ -а 009 5.1 053 а. 98'
| [ 1 | [ ■ 1 5 -О asa 067 5.3Э08 0.98S
1 zu 1 □ 1 1 В □ 1 вз □ 1 49 8.4462 0.93*
| [ i 1 [ ■ 1 7 -О ass 028 8.8329 а.94;
■ i | [ ■ 1 8 -О ааэ 061 8.8426 а.эе;
■ [ i 1 ■ 1 Э -О Э44 01 5 9.0730 а.97;
| [ i 1 [ ■ 2а -О веэ -а 033 9.5052 0.97Н
1 1 21 □ 236 □ 256 1 6.358 a.74t
■ [ i | I 1 22 □ 32 057 1 6 434 0.79-
■ [ i | с ■ 23 -О □ 47 1 31 1 6.762 а.82-
■ [ i 1 ■ 24 -О □ 45 01 6 1 7.а22 а.84!
■ i 1 ] | 25 -О □ 1 5 □ 055 1 7.а53 а.88<
■ i i 1 : | 26 □ □ еа □ 076 1 7.530 а.89;
1 ] i 1 1 1 27 □ □ 32 □ 038 1 8.422 а.89<
■ [ i | : 1 23 □ 43 072 1 8 668 0.905
■ [ i 1 [ ■ 2Э -О □ 25 029 1 8.756 а.92;
Рис. 4. Тестирования модели по четвертой предпосылки МНК
Для анализа коррелированности отклонений используют статистику Дарбина-Уотсона. Не обращаясь к таблицам, можно пользоваться «грубым» правилом и считать, что автокорреляция остатков отсутствует, если 1,5 < DW < 2,5.
Теперь проверим модель на наличие серийной автокорреляции, сначала рассмотрим коррелограмму остатков. На рис. 4 отражены результаты тестирования модели по четвертой предпосылки МНК.
Не один из лагов не выпирает за доверительную область, мы можем сделать вывод об отсутствии серийной автокорреляции. Но перед этим проведем еще один тест на серийную автокорреляцию (тест Бреуша-Годфри), результаты отражены в табл. 5.
Таблица 5
Тестирование модели по четвертой предпосылке МНК
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 4.148591 Prob. F(2,83) 0.0192
Obs*R-squared 8.451935 Prob. Chi-Square(2) 0.0146
Примечание: собственная разработка с помощью программы Eviews.
Полученное значение F-статистики: Prob(F-statistic) = 0,0192 меньше уровня а = 0,05, значит, гипотеза о наличии автокорреляции отклоняется. Prob (0bs*R-squared)=0,0146 меньше уровня 0,05, значит, гипотеза о наличии автокорреляции отклоняется. В столбце АС данной таблицы приведены коэффициенты автокорреляции первого, второго и так до n-2 порядков. Из рис. 4 мы видим, что в модели присутствует автокорреляция 2-го порядка.
Чтобы определить нормальность распределения остатков воспользуемся статистикой Jarque-Bera, которая используется для проверки гипотезы о нормальности распределения исследуемого ряда (рис. 5).
Н0: распределение не отличается от нормального.
Hj: распределение существенно отличается от нормального.
Series: Residuals
Sample 2005M08 2013M04
Observations 93
Mean -1.76e-18
Median -0.000655
Maximum 0.030934
Minimum -0.012742
Std. Dev. 0.006853
Skewness 1.145160
Kurtosis 6.382383
Jarque-Bera 64.65857
Probability 0.000000
-0.01 0.00 0.01 0.02 0.03
Рис. 5. Тестирование модели по пятой предпосылки МНК
24
20 -
8 -
4
0
Так как 0,0000 < 0,05, нулевая гипотеза Н0 отклоняется, т.е. остатки несущественно отклоняются от нормального закона распределения. Это объясняется тем, что валютный кризис 2011 г. и девальвация белорусского рубля в 2009 г. привели к существенным выбросам в некоторых временных рядах, которые могут влиять на результаты тестирования.
В анализе взаимовлияния факторных признаков существует еще одна важная проблема. Известно, что в экономике все взаимосвязано и почти все макроэкономические показатели, являясь обобщающими показателями состояния экономики, также чаще всего взаимозависимы. К примеру, инфляция тесным образом связана с динамикой валютного курса и денежной массы. В свою очередь, динамика валютного курса и денежной массы определяется колебаниями друг друга и предшествующей динамикой инфляции и т.д.
При всем этом, модель инфляции (1) является статистически адекватной и вполне удовлетворяет условиям построения эконометрических моделей.
Одним из базовых подходов к анализу причинно-следственных связей в современной эконометрике является тест Грейнджера на каузальность. В табл. 6 представлены результаты теста Грейнджера по отобранным показателям.
Таблица 6
Тестирование модели по четвертой предпосылке МНК
Null Hypothesis: Obs F-Statistic Prob.
D(LCPI) does not Granger Cause D(VALRATE) 98 5.14995 0,1276
D(VALRATE) does not Granger Cause D(LCPI) 22.0163 4.E-15
D(LCPI) does not Granger Cause DLM2(-6) | 94 0.65930 0.6826
DLM2(-6) does not Granger Cause D(LCPI) 1.85366 0.0995
D(LCPI) does not Granger Cause DLM32(-5) | 95 0.14602 0.9893
DLM32(-5) does not Granger Cause D(LCPI) 16.9630 2.E-12
DLM2(-6) does not Granger Cause D(VALRATE) | 94 0.55097 0.7677
D(VALRATE) does not Granger Cause DLM2(-6) 0.99242 0.4368
DLM32(-5) does not Granger Cause D(VALRATE) | 95 1.17104 0.3309
D(VALRATE) does not Granger Cause DLM32(-5) 32.2349 0.3789
DLM32(-5) does not Granger Cause DLM2(-6) | 96 0.59454 0.7338
DLM2(-6) does not Granger Cause DLM32(-5) 1.62765 0.1505
Примечание: собственная разработка с помощью программы Еviews.
Таким образом, проведенные тесты подтверждают правильность выбора экзогенных факторов, а также причинно-следственной зависимости между эндогенными и экзогенными переменными.
В результате следует ряд важных выводов.
Во-первых, инфляция в белорусской экономике имеет четко выраженную инерционность, то есть рост цен является инерционным процессом. Значительная часть ценовой динамики обуславливается инфляционной инерцией. Так, каждый процент прироста цен за определенный месяц примерно на
33,93 % переносится на последующий (причем коэффициент регрессии при СР1_1 самый большой).
Во-вторых, важным фактором инфляции является динамика средневзвешенного курса белорусского рубля по отношению к доллару США. Так, девальвация белорусского рубля в текущем месяце на 1 % приводит к росту потребительских цен в этом же месяце на 8,18 %. Значительное влияние валютного курса на уровень инфляции обусловлено высокой степенью открытости и долларизации белорусской экономики. Воздействие валютного курса передается по трем основным каналам: 1) прямое воздействие через цены импортных товаров, входящих в потребительскую корзину, используемую для расчета ИПЦ; 2) косвенное воздействие через цены импортных промежуточных товаров (услуг); 3) воздействие через ожидания, включая также предполагаемую реакцию денежно-кредитной политики.
В-третьих, увеличение денежной массы с течением времени приводит к росту цен. Так, увеличение наличных денег в обороте, переводных рублевых депозитов, срочных рублевых депозитов и ценных бумаг, выпущенных банками вне банковского оборота в текущем месяце на 1 процент оказывает максимальное влияние на рост потребительских цен через 6 месяцев и приводит к их увеличению на 2,36 процента. Аналогично увеличение валютных депозитов в текущем месяце на 1 процент через 5 месяцев стимулирует рост цен на 3 % процента. Необходимо отметить, что все денежные агрегаты обладают определенным информационным содержанием и прогностическими возможностями относительно индекса потребительских цен.
Практическая значимость исследования заключается в том, что полученные результаты могут быть использованы Национальным статистическим комитетом РБ, при проведении мониторинга инфляции и ее монетарной составляющей в белорусской экономике, а также Национальным Банком РБ при разработке адекватных подходов к монетарному анализу ценовых процессов в условиях инфляционного таргетирования.
Список литературы:
1. Акаев А.А., Коротаев А.В., Фомин А.А. Динамика темпов глобальной инфляции: закономерности и прогнозы / Отв. ред. С.Ю. Малков. - М., 2012.
2. Андрианов В.Д. Инфляция: причины возникновения и методырегули-рования / В.Д. Андрианов. - М., 2010.
3. Демидов К.В. Применение регрессионных моделей при анализе инфляционных процессов // Проблемы экономико-математического моделирования. - Мн.: НИЭИ Министерства экономики Республики Беларусь, 2000.
4. Ермоленко О.Д. Таргетирование инфляции: международный опыт и перспективы / О.Д. Ермоленко // Финансовые исследования. - 2011. - № 3.
5. Ковалев М.М. Антиинфляционная политика Республики Беларусь // Вестник Ассоциации белорусских банков. - 2000. - № 48.
6. Крук, Д. Прогнозирование инфляции в контексте перехода к режиму таргетирования инфляции: роль показателя разрыва выпуска [Электронный ресурс] / Д.Э. Крук // Рабочий материал Исследовательского Центра ИПМ. -2008.
7. Крук Д., Пелипась И., Чубрик А. Основные макроэкономические взаимосвязи в экономике Беларуси: результаты эконометрического моделирования. - Мн.: Исследовательский центр ИПМ, 2006.
8. Официальная статистика [Электронный ресурс] // Белорусский национальный статистический комитет. - Режим доступа: http://belstat.gov.by.
9. Бюллетень банковской статистики 2012 [Электронный ресурс] // Национальный банк Республики Беларусь. - Режим доступа: http://nbrb.by.
УПРАВЛЕНИЕ УСТОЙЧИВОСТЬЮ РАЗВИТИЯ АГРАРНОЙ ОТРАСЛИ РЕГИОНОВ УКРАИНЫ
© Бурлака О.М.*
Винницкий национальный аграрный университет, Украина, г. Винница
В данной статье рассмотрены научные вопросы достижения устойчивого развития аграрной отрасли регионов Украины. Предложена модель управления устойчивостью развития аграрной отрасли. Определены функции государства в обеспечении устойчивости развития аграрной отрасли регионов Украины.
Ключевые слова устойчивость, аграрная отрасль, Украина.
Вопрос устойчивого экономического развития Украины в ее территориальном разрезе не может быть решен без применения системных подходов к разработке возможных стратегий перехода экономики Украины на уровень устойчивого развития. Актуальность исследования проблем аграрного развития в аспекте устойчивости заключается еще в том, что Украина должна постоянно регулировать экономические отношения, которые возникают между Украиной и Европейским Союзом и Украиной и Таможенным Союзом.
Для устойчивого развития аграрной отрасли страны и ее регионов большое значение имеет управляемость процессами, происходящими в системообразующих элементах. Организационной структуре должна соответствовать и адекватная система управления, поскольку без ее регулирования, в той или иной степени, не обходится ни одна страна . В этом плане заслуживает внимания опыт США, Канады, стран ЕС [1]. Мировая практика свидетельствует, что во всех развитых в агропромышленном отношении странах для выполнения функций регулирования аграрной сферы создаются специальные государственные органы. В Украине таким органом является Министерство аграрной политики и продовольствия Украины [2].
