CC BY
129Экономическое развитие
УДК 338.27
ПРОГНОЗИРОВАНИЕ ВАЛОВОГО ВНУТРЕННЕГО ПРОДУКТА РОССИЙСКОЙ ФЕДЕРАЦИИ
НА 2015-2017 ГГ. С УЧЕТОМ СОВРЕМЕННЫХ ЭКОНОМИЧЕСКИХ И ГЕОПОЛИТИЧЕСКИХ УСЛОВИЙ
Оксана Анатольевна Хохлова,
доктор экономических наук, доцент, заведующая кафедрой статистики, Российский экономический университет им. Г.В. Плеханова, Москва, Российская Федерация hoholovao@mail.ru
Александр Валерьевич Безруков,
кандидат экономических наук, доцент кафедры статистики, Российский экономический университет им. Г.В. Плеханова, Москва, Российская Федерация alexx.bezrukov@gmail.com
Владислав Викторович Борисов,
аспирант кафедры статистики, Российский экономический университет им. Г.В. Плеханова, Москва, Российская Федерация vladislav brsv@gmail.com
Предмет/тема. В связи с резко изменившимися в последние полгода макроэкономическими и геополитическими условиями экономического развития страны возникает потребность в прогнозировании основного макроэкономического показателя - валового внутреннего продукта по разным сценариям развития внутренней экономики с учетом резкого снижения цены на нефть, нестабильностью положения на Украине и введением санкций против Российской Федерации.
Цели/задачи. Провести статистическое моделирование валового внутреннего продукта РФ и его структуры на 2015-2017 гг. с учетом обострившейся современной экономической и геополитической
ситуации и выделить особо важные факторы, влияющие на динамику валового внутреннего продукта.
Методология. Использованы статистические методы структуры и прогнозирования: многомерный корреляционно-регрессионный анализ и авторегрессионное моделирование.
результаты. Проведено моделирование, получены прогнозные значения валового внутреннего продукта РФ по трем сценариям экономического развития страны: инерционная экономика, активная экономика и ухудшение экономической ситуации. Также рассмотрен прогноз структуры валового внутреннего продукта по видам экономической деятельности и первичным доходам.
Выводы/значимость. Полученные статистические модели показали, что рецессия в экономике возникла под воздействием незапланированных изменений рыночных условий (резкое снижение мировых цен на нефть, санкции в отношении к России). Государство должно сыграть ведущую роль в восстановлении экономики, существенно сокращая время рецессии и уменьшая масштабы последствий экономического спада в стране.
Ключевые слова: валовой внутренний продукт, прогнозирование, моделирование, регрессионная модель, модель авторегрессии интегрированного скользящего среднего
Конфронтация западных стран и России, крайне ограниченный доступ российского бизнеса к западному финансированию, высокая степень интеграции российского бизнеса в западные рынки капитала, снижение цены на нефть, ослабление рубля привели к тому, что развитие экономики с исключением календарного и сезонного факторов остается ближе к нулевой отметке, т.е. происходит рецессия в макроэкономике, означающая относительно умеренный, некритичный спад производства и замедление темпов экономического роста. Так, по оценке Минэкономразвития России, в III квартале 2014 г. темп прироста ВВП к соответствующему периоду предыдущего года еще сохранялся в области положительных значений - 0,7%, благодаря рекордному урожаю и высокой динамике обрабатывающих производств, но сезонно очищенные темпы прироста ВВП уже были нулевыми. В IV квартале темпы прироста ВВП к соответствующему периоду предыдущего года также близки к нулевому уровню, как и показатели сезонно очищенной динамики. В целом за 2014 г. прирост ВВП составил 0,6%.
Эти и другие тенденции социально-экономического развития подробно изложены в Прогнозе социально-экономического развития Российской Федерации на 2015 год, разработанном Минэкономразвития России1.
Смоделируем «поведение» ВВП и его структуры с учетом современных экономических и геополитических условий, используя такие статистические методы прогнозирования, как многомерный корреляционно-регрессионный анализ и авторегрессионное моделирование (АРИСС).
Содержательный анализ факторов, влияющих на ВВП, показал, что наиболее «быстрыми» и зна-
1 Прогноз социально-экономического развития Российской Федерации на 2015 год. URL: http://urlid.ru/ceue.
чимыми показателями, характеризующими текущее состояние экономики, являются индекс ММВБ, цена за 1 барр. нефти Brent, курс доллара и индекс потребительских цен.
В результате проведенного исследования на основании данных официальной статистики о динамике ВВП РФ2 была получена следующая множественная регрессионная модель:
Y = 5 909,263 + 0,363 X1t - 20,445 X2t -- 4,483 X3t +40,193 X4t;
Yt = 6 444,19 + 0,250 X1t + 5,426 X2t - 7,476 X3t + + 26,885 X^t,
где Y - ВВП в базисных ценах 2008 г. без сезонных колебаний, млрд руб.;
Xj - индекс ММВБ (с лаговым сдвигом в два квартала);
X2 - цена 1 барр. нефти (с лагом в два квартала), долл.;
X3 - цепной темп роста курса доллара (с лагом в один квартал)3;
X4 - индекс потребительских цен к январю 2008 г4.
Уравнение регрессии адекватно по ^-критерию Фишера (^ = 183,99). Все коэффициенты регрессии в уравнении значимы на уровне значимости 0,01. Множественный коэффициент детерминации составляет 98,9%. Критерий Дарбина - Уотсона равен 1,44.
Формирование долгосрочной позитивной тенденции биржевых индексов (в частности, индекса ММВБ) позволяет говорить о развитии и расширении фондового рынка, что приводит к повышению его инвестиционной привлекательности и активности его участников. Известно, что на фондовом рынке находят обращение акции крупнейших компаний и лидеров секторов экономики, ценные бумаги денежно-кредитной и валютной сфер. Несомненно, фондовые индексы являются высокоэффективными индикаторами, позволяющими производить мониторинг состояния и устойчивости развития фондового рынка. Устойчивое состояние и инвестиционная привлекательность фондового
2 Валовый внутренний продукт (в ценах 2008 г. с исключением сезонного фактора). URL: http://www.gks.ru/free_doc/ new_site/vvp/tab7a.xls/.
3 Динамика официального курса заданной валюты. URL: http://www. cbr. ru/currency_base/dynamics.aspx?VAL_NM_ RQ=R01235&date_req1=01.01.2008&date_req2=03.12.2014&r t=1&mode=1
4 Там же.
Экономическое развитие - 18
рынка также неразрывно связаны с состоянием и привлекательностью для инвестирования (как внутреннего, так и внешнего) экономики страны. В свою очередь уровень экономического развития и устойчивость состояния экономики также влияют на состояние фондового рынка, который посредством реализации своих функций является своего рода индикатором, позволяющим получить определенную информацию о состоянии экономики страны в целом. Снижение основных биржевых показателей и, как следствие, повышение риска изменения рынка ведут к понижению активности его участников, что негативно сказывается на стабильности экономической ситуации.
В качестве следующего фактора выбрана цена за баррель нефти Brent. Цены на нефть указываются в международном формате. Динамика цен нефтяных контрактов, по существу, определяется общей экономической ситуацией в стране, поскольку представляет собой будущую стоимость нефти, что особенно характерно проявляется при оценке краткосрочных и долгосрочных тенденций. Макроэкономическая ситуация в России чувствительна к колебаниям цен на нефтяное сырье, поскольку цена на нефть напрямую связана со стоимостью производства и прибылью предприятий.
Курс доллара выбран для включения в качестве факторного признака в модель как индикатор устойчивости национальной валюты и состояния валютного рынка в стране в целом, являющегося, несомненно, одной из ключевых характеристик экономической ситуации. Функционирование и состояние экономики и финансовой системы напрямую связано с валютным рынком, отражающим состояние не только российской денежно-кредитной сферы, но и мировой экономики.
Индекс потребительских цен (ИПЦ) позволяет оценить текущую инфляцию на рынке товаров конечного потребителя. Изменение цен непосредственно влияет на стоимостные характеристики валового выпуска и промежуточного потребления.
Положительная корреляция индекса потребительских цен и ВВП в модели с содержательной точки зрения объясняется тем, что ИПЦ включает в себя только конечные потребительские товары, в то время как дефлятор - все конечные товары и услуги, учитываемые в ВВП. Необходимо отметить, что ИПЦ переоценивает уровень инфляции, в то время как дефлятор ВВП, наоборот, недооценивает. При подсчете ИПЦ учитываются импортные товары, а
дефлятор учитывает лишь товары и услуги, произведенные на территории данной страны. К тому же дефлятор ВВП в отличие от ИПЦ включает в себя изменения цен на новые товары и услуги.
Как известно, стимулирующий эффект для экономики несет контролируемый невысокий постоянный рост цен. Неконтролируемый быстрый рост цен приводит к быстрому наращению темпов инфляции и слишком высокому для населения росту цен сравнительно с ростом доходов. Повышение ИПЦ применяется для поправки величин доходов населения наряду с другими важнейшими показателями, однако это происходит с лагом по отношению к росту ВВП. Если ВВП увеличивается слишком быстро, то государство не успевает внести соответствующие правки для поддержания хорошего уровня жизни населения, поскольку стоимость жизни также повысилась. Таким образом, ВВП и ИПЦ напрямую взаимосвязаны, и только контролируемый рост экономики и уровня цен может снизить возможные негативные эффекты от этой взаимосвязи.
В ходе исследования было сделано предположение, что ВВП может менять свое «поведение» при разных условиях функционирования экономики:
- вариант «инерционная экономика» предполагает сложившиеся текущие тенденции в экономике: индекс ММВБ в пределах от 1 606 до 1 862 пунктов; цена 1 барр. нефти Brent колеблется от 50 до 68 долл., курс доллара - 48-70 руб., ИПЦ - 153-184% (к январю 2008 г.);
- вариант «активная экономика» включает положительные изменения в экономике: индекс ММВБ в пределах от 1 615 до 2 073 пунктов, цена 1 барр. нефти Brent - от 61 до 71 долл., курс доллара - 47-60 руб., ИПЦ - 154-184% (к январю 2008 г.);
- вариант «ухудшение экономической ситуации» - это пессимистичный вариант развития экономики, когда наблюдается отрицательная динамика: индекс ММВБ - от 1 490 до 730 пунктов, цена нефти - от 59 до 54 долл. 1 барр. нефти Brent , курс доллара - от 70 до 78 руб., ИПЦ 154-160% (к январю 2008 г.). Прогнозные значения ВВП на 2015-2017 гг. по
различным вариантам развития экономики представлены в табл. 1.
Далее в исследовании проведено прогнозирование структурных сдвигов в экономике - изменения структуры ВВП по видам экономической деятельности и первичным доходам.
Экономическое развитие £conomic Яdvancement - 19 -
Таблица 1
Прогнозные значения ВВП на 2015-2017 гг. (поквартальные темпы прироста к соответствующему периоду предыдущего года), %
Вариант развития 2015 2016 2017
I II III IV I II III IV I II III IV
Инерционная экономика 1,751 1,531 1,757 1,061 1,551 1,305 1,501 0,945 1,406 1,124 -0,255 0,929
В целом за год 0,986 1,418 1,243
Активная экономика 1,292 1,076 1,556 0,936 1,329 0,985 1,449 0,959 1,343 0,960 1,185 2,357
В целом за год 1,476 1,201 1,177
Ухудшение 0,317 0,393 0,234 0,166 0,168 0,151 0,120 0,097 0,081 0,067 -1,790 -0,457
экономической ситуации
В целом за год -0,424 0,240 0,112
dl =-
Моделирование отдельных составляющих ВВП осуществлялось по следующему алгоритму: - выделение и устранение тренда и сезонности в динамических рядах на основании данных официальной статистики о структуре ВВП5; построение моделей авторегрессии интегрированного скользящего среднего; прогнозирование временных рядов, очищенных от тренда и сезонности; прогнозирование исходных данных. Оценки параметров всех моделей рассчитаны методом наименьших квадратов. Тестирование сезонности осуществлялось с помощью введения фиктивных переменных dp d2, d3, соответствующих I, II и III кварталам вида:
1, в III квартале; 0, в остальных случаях. Выбор наилучших моделей АРИСС основывался на информационном критерии Акайке, который базируется на двух показателях - числе параметров модели (чем меньше, тем лучше) и качестве подгонки. Из двух моделей следует выбрать ту, значение критерия Акайке для которой меньше. Расчеты проводились в пакете обработки статистических данных Econometric Views.
Анализ качества моделей стационарных временных рядов отличается от анализа качества обычных регрессионных моделей. В данном исследовании использованы следующие показатели, позволяющие оценить качество построенных моделей: средняя ошибка регрессии, информационный критерий Акайке, t-статистика, тест Вайта, ^-статистика Льюнга - Бокса.
Средняя ошибка регрессии показывает среднее отклонение модели от имеющихся значений. Чем она меньше, тем лучше модель.
5 Валовой внутренний продукт в рыночных ценах. URL: http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/sta-tistics/accounts/#.
Анализ качества модели АРИСС требует подробного изучения остатков модели е: адекватной может считаться только такая модель, остатки которой представляют собой «белый шум». Предполагается, что случайная величина представляет собой «белый шум» тогда и только тогда, когда:
- M[e] = 0, т.е. математическое ожидание остатков равно нулю, тестирование может производиться с помощью t-критерия Стьюдента;
- c[e] = const, т.е. дисперсия остатков постоянна, тестирование может производиться с помощью критерия Вайта;
- cov(et,es) = 0, Vs < t, т.е. отсутствует автокорреляция в ряду остатков, тестирование может производиться с помощью «2-статистики Льюн-га-Бокса.
На значения коэффициентов АРИСС модели накладывается ряд ограничений, чтобы процесс АРИСС был стационарным (например, сумма модулей коэффициентов при yt_. не должна быть больше 1).
Полученные результаты позволяют утверждать, что оценки параметров модели обладают необходимыми свойствами (несмещенность, состоятельность), построенные модели являются адекватными и могут быть использованы в практических исследованиях.
Представленные прогнозные модели для каждого вида экономической деятельности, где t -фактор времени, показали, что на основании существующих тенденций можно сделать вывод о том, что структура ВВП в разрезе видов экономической деятельности в динамике изменится незначительно (табл. 2, 3). Об этом свидетельствует коэффициент структурных различий - индекс Рябцева, в среднем равный 0,11.
Структура ВВП по первичным доходам в 20152017 гг., по оценкам авторов, сохранит существу -
Таблица 2
Модели авторегрессии интегрированного скользящего среднего в структуре ВВП по видам экономической деятельности
Вид экономической деятельности Модель
Сельское хозяйство, охота и лесное хозяйство xM = 164 + 9t - 223dM - 137d2,t + 248d3,t + 0,16x1t-1 - 0,65x1>t-2
Рыболовство, рыбоводство x2,t = 11 + 0,37t + 0,87 x2t-1 - 0,46e2,t-1
Добыча полезных ископаемых x3t = 98 + 33t + 0,75e3t-1
Обрабатывающие производства x4,t = 447 + 40t - 239d1t + 0,51x4t-1
Производство и распределение электроэнергии, газа и воды x5,t = 90 + 10t + 30dM - 74d2, - 92dv + xv-, - -0,94(x5,t-2 - x5,t-3) - 0,46^,-, + 0,95e5,t-2
Строительство x61 = 149 + 22t - 308d t - 146d21 + 0,77x61 4 6,t 1,t 2,t > 6,t-4
Оптовая и розничная торговля; ремонт автотранспортных средств, мотоциклов, бытовых изделий и предметов личного пользования x7,t = 595 + 51t - 245d1jt - 196d2,t - 140d3,t + 0,58x7,t-1
Деятельность гостиниц и ресторанов x8,t = 18 + 3t - 14d1,t - 6d2J - 0,7 ц,,- --0,24 xgj-2 +1,44е8, - + 0,96^-2
Транспорт и связь x9,t = 161 + 23t - 70d1>t + 41d3,t - 0,60x9,t-1 + 1,60e9,t-1 + 0,94e9,t-2
Финансовая деятельность Vt = 28 + 15t + 0,89Vt-
Операции с недвижимым имуществом, аренда и предоставление услуг x11jt = 224 + 38t - 198d1t - 139d2,t - 124d3,t + +0,70x1M- -1,44e1M- + 0,48*1M-2
Г осударственное управление и обеспечение военной безопасности; социальное страхование x12,t = 41 + 20t + 0,84 x12,t-1
Образование x13,t = 35 + 9t + 0,16 x1t-1 - 0,24x13t-1 + +0,77 x.3,t-2 + 1,41e13,t-1 + 0,44elv-2
Здравоохранение и предоставление социальных услуг x14,t = 35 + 12t + 0,63x14t-1
Предоставление прочих коммунальных, социальных и персональных услуг x15t = 41 + 5t - 8d3t - 0,80x15t-1 + 1,52e15t-1 + 0,80e15t-1
Деятельность домашних хозяйств x16,t =-0,0049 + 0,0004t
Таблица 3
Качество моделей для ВВП по видам экономической деятельности
Средняя ошибка регрессии Информационный критерий Акайке Тестирование остатков модели Стационарность модели, да/нет
Статья ВВП /-статистика Тест Вайта (F-статис-тика) 2-статистика Льюнга -Бокса (3-й лаг)
Сельское хозяйство, охота и 50,27 10,72 0,30** 0,43** 5,03* Да
лесное хозяйство
Рыболовство, рыбоводство 1,73 3,97 0,99** 0,33** 2,77** Да
Добыча полезных ископаемых 91,39 11,89 0,02** 0,78** 9,00* Да
Обрабатывающие производства 126,47 12,54 0,04** 8,09 0,26** Да
Производство и распределение 19,13 8,81 -0,50** 0,70** 4,27* Да
электроэнергии, газа и воды
Строительство 78,60 11,59 0,05** 0,50** 20,98 Да
Оптовая и розничная торгов- 104,62 12,16 -0,05** 5,98* 0,50** Да
ля; ремонт автотранспортных
средств, мотоциклов, бытовых
изделий и предметов личного
пользования
Деятельность гостиниц и рес- 4,56 5,96 0,88** 1,81** 2,33** Да
торанов
Экономическое развитие Economic Advancement - 21 -
Окончание табл. 3
Средняя ошибка регрессии Информационный критерий Акайке Тестирование остатков модели Стационарность модели, да/нет
Статья ВВП /-статистика Тест Вайта (^-статистика) 2-статистика Льюнга -Бокса (3-й лаг)
Транспорт и связь 22,27 9,11 0,56** 2,97* 2,60** Да
Финансовая деятельность 16,33 8,45 0,43** 4,81* 2,26** Да
Операции с недвижимым иму- 53,38 10,86 1,09** 0,52** 12,22 Да
ществом, аренда и предоставле-
ние услуг
Государственное управление и обеспечение военной безопас- 23,90 9,21 0,30** 4,02** 0,68** Да
ности; социальное страхование
Образование 4,91 6,11 0,83** 0,71** 7,76 Да
Здравоохранение и предостав- 12,26 7,87 0,19** 0,01** 2,72** Да
ление социальных услуг
Предоставление прочих комму- 7,12 6,83 0,62** 0,37** 1,33** Да
нальных, социальных и персо-
нальных услуг
Деятельность домашних хо- Построение модели АРИСС не требовалось Да
зяйств
* Условие выполняется на 10%-ном уровне значимости. ** Условие выполняется на 5%-ном уровне значимости.
Таблица 4
Структура ВВП по видам экономической деятельности в 2012-2014 гг. и прогноз на 2015-2017 гг., %
Вид экономической деятельности Факт Прогноз
2012 2013 2014 2015 2016 2017
Сельское хозяйство, охота и лесное хозяйство 3,73 3,76 3,55 3,56 3,56 3,54
Рыболовство, рыбоводство 0,19 0,19 0,20 0,19 0,18 0,18
Добыча полезных ископаемых 10,99 10,82 11,09 10,75 10,81 10,86
Обрабатывающие производства 14,88 14,82 14,83 14,86 14,79 14,74
Производство и распределение электроэнергии, газа и 3,41 3,39 3,43 3,43 3,44 3,45
воды
Строительство 7,56 7,24 6,95 7,04 7,11 7,16
Оптовая и розничная торговля; ремонт автотранспорт- 18,55 18,22 17,95 18,33 18,34 18,31
ных средств, мотоциклов, бытовых изделий и предме-
тов личного пользования
Деятельность гостиниц и ресторанов 1,00 1,01 0,99 1,01 1,02 1,02
Транспорт и связь 8,67 8,50 8,39 8,48 8,46 8,42
Финансовая деятельность 4,47 4,90 5,17 5,01 4,96 4,93
Операции с недвижимым имуществом, аренда и пре- 11,90 12,04 12,05 12,18 12,24 12,29
доставление услуг
Государственное управление и обеспечение военной 6,35 6,69 6,72 6,59 6,53 6,52
безопасности; социальное страхование
Образование 2,98 3,02 3,13 3,09 3,08 3,08
Здравоохранение и предоставление социальных услуг 3,71 3,75 3,87 3,83 3,83 3,84
Предоставление прочих коммунальных, социальных и 1,60 1,64 1,68 1,66 1,65 1,65
персональных услуг
Деятельность домашних хозяйств 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
Источник: составлено авторами по данным Росстата.
ющие тенденции. Это подтверждают построенные Наблюдается незначительный рост оплаты тру-
прогнозные модели авторегрессии интегрирован- да в целом по экономике, включающей увеличение
ного скользящего среднего (табл. 5). отчислений на социальное страхование.
Экономическое развитие £conomic AdV>aжement - 22 -
Таблица 5
Модели авторегрессии интегрированного скользящего среднего в структуре ВВП
по первичным доходам (прогноз)
Первичные доходы Модель
Оплата труда наемных работников, включая скрытые оплату труда и смешанные доходы yM = 621 + 183t + 0,31yM _ + 0,49 yM_2
Чистые налоги на производство и импорт y2t = 304 + 67t + 0,53 y2J _1
Валовая прибыль экономики y3t = 1041 + 89t _ 1084dM _ 757d2J
Таблица 6
Качество моделей для ВВП по источникам доходов (прогноз)
Статья ВВП Средняя ошибка регрессии Информационный критерий Акайке Тестирование остатков модели Стационарность модели, да/нет
/-статистика Тест Вайта (^-статистика) 2-статистика Льюнга - Бокса (3-й лаг)
Оплата труда наемных работников (включая скрытые оплату труда и смешанные доходы) 190,00 13,38 0,35* 0,73* 2,56* Да
Чистые налоги на производство и импорт 207,58 13,53 0,12* 0,16* 2,66* Да
Валовая прибыль экономики Построение модели АРИСС не требовалось Да
* Условие выполняется на 5%-ном уровне значимости.
Таблица 7
Структура ВВП по источникам доходов в 2012-2014 гг. и прогноз
на 2015-2017 гг., %
Первичные доходы Факт Прогноз
2012 2013 2014 2015 2016 2017
Оплата труда наемных работников (включая скрытые 50,.6 51,9 52,3 51,8 51,9 52,0
оплату труда и смешанные доходы)
Чистые налоги на производство и импорт 19,8 18,9 19,8 19,3 19,3 19,4
Валовая прибыль экономики и валовые смешанные 29,6 29,2 27,9 28,9 28,8 28,7
доходы
Источник: составлено авторами по данным Росстата.
Прогнозные значения качества моделей для ВВП по источникам доходов и структуры ВВП по источникам доходов представлены в табл. 6, 7.
Доля валовой прибыли экономики и валовых смешанных доходов сохранит тренд в сторону снижения (табл. 7).
Проведенное исследование показывает, что прогнозные значения ВВП Российской Федерации по предлагаемым трем сценариям развития национальной экономики показывают замедление темпов экономического роста. Рецессия в экономике возникла под воздействием незапланированных изменений рыночных условий, таких как резкое снижение мировых цен на нефть и санкции в отношении России.
Предложенная методика моделирования динамики ВВП Российской Федерации позволяет делать прогнозы с учетом различных «поведений» основ-
ных экономических индикаторов развития рынка в условиях макроэкономической и геополитической нестабильности, а построенные модели ВВП и его структуры могут быть использованы при корректировке прогноза социально-экономического развития Российской Федерации.
Список литературы
1. Айвазян С.А., Мхитарян В.В. Прикладная статистика: в 2 т. М.: ЮНИТИ-ДАНА, 2001.
2. БородкинК.В., ПреображенскийБ.Г. Построение и анализ статистических моделей прогнозирования основных финансовых агрегатов // Вопросы статистики. 2004. № 7. С. 85-89.
3. Дубров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические методы. М.: Финансы и статистика, 2005. 352 с.
4. КендаллМ., Стьюарт А. Многомерный статистический анализ и временные ряды. М.: Наука, 1976. 736 с.
5. Статистика финансов / под ред. М.Г. Назарова. М.: Омега Л, 2011. 464 с.
6. Френкель А.А. Применение регрессионного анализа в условиях мультиколлинеарности экономических показателей. М.: МЭСИ, 1988. 51 с.
7. Хохлова О.А. Статистический инструментарий в региональных экономических исследованиях. М.: РЭУ им. Г.В. Плеханова, 2014. 144 с.
8. Четыркин Е.М. Статистические методы прогнозирования. М.: Статистика, 1977. 199 с.
9. Bauer P. W., Berger A.N., Ferrier G.D., Humphrey D.B. Consistency conditions for regulatory analysis of financial institutions: A comparison of frontier efficiency methods // Journal of Economics and Business. 1998. № 50. P. 85-114.
10. Berti K., Salto M., Lequien M. An early-detection index of fiscal stress for EU countries. URL: http://ec.europa.eu/economy_finance/publications/ economic_paper/2012/pdf/ecp475_en.pdf.
11. Box G., Jenkins G., Reinsel G. Time series analysis: Forecasting and control. Wiley, 2008. 784 p.
12. Bragoli D. Forecasting the Global Financial Crisis. Eurostat 6th Colloquium on Modern Tools for Business Cycle Analysis. Eurostat, 2010.
13. Buelens C. Inflation forecasting and the crisis: assessing the impact on the performance of different forecasting models and methods. URL: http://ec.europa.eu/economy_finance/publications/ economic_paper/2012/pdf/ecp451_en.pdf.
14. Candelon B., Dumitrescu E.-I., Hurlin С. Currency Crises Early Warning Systems: Why they should be Dynamic // International Journal of Forecasting. 2014. Vol. 30. Iss. 4. P. 1016-1029.
15. Chipman J., Winker P. Optimal aggregation of linear time series models // Computational Statistics & Data Analysis. 2005. Vol. 49. P. 311-331.
16. Gardo S., Martin R. Economic and financial crisis on Central, Eastern and South-Eastern Europe. URL: http://www.ecb.europa.eu/pub/pdf/scpops/ ecbocp114.pdf.
17. Kairyte E., Meyers W.H. Territorial Indicators For Rural Development: Targeting Lagging Areas In Lithuania. URL: http://vadyba.asu.lt/20/45.pdf.
18. Kaminsky G., Lizondo S., Reinhart C. Leading Indicators of Currency Crisis. URL: http://www.imf. org/external/Pubs/FT/staffp/1999/06-99/pdf/berg.pdf.
19. Levine R. Finance and Growth: Theory and Evidence. URL: http://faculty.haas.berkeley.edu/ ross_levine/Papers/Forth_Book_Durlauf_FinNGrowth. pdf.
20. Maringer D., Winker P. Optimal Lag Structure Selection in VEC-Models. URL: http://repec.org/ sce2004/up.26258.1077795063.pdf
21. Morrison D.F. Multivariate Statistical Methods. New York: McGraw-Hill, 1976. 415 p.
22. Savin I., Winker P. Heuristic model selection for leading indicators in Russia and Germany // Journal of Business Cycle Measurement and Analysis. 2012. Vol. 2. P. 67-89.
Economic Analysis: Theory and Practice Economic Advancement
ISSN 2311-8725 (Online) ISSN 2073-039X (Print)
FORECASTING THE GROSS DOMESTIC PRODUCT OF THE RUSSIAN FEDERATION FOR 2015-2017 BASED ON THE CURRENT ECONOMIC AND GEOPOLITICAL CONDITIONS
Oksana A. KHOKHLOVA, Aleksandr V. BEZRUKOV, Vladislav V. BORISOV
Abstract
Importance Considering the dramatically changed macroeconomic and geopolitical conditions of the country's economic development during the recent half a year, there is a need to forecast the core macroeconomic
indicator, i.e. a gross domestic product (GDP) under various scenarios of internal economy development, taking into account the sharp fall in oil prices, the continuing conflict in Ukraine, and the sanctions against Russia introduced by countries of the world.
Objectives The objective is to conduct the statistical modeling of GDP of Russia and its structure for 20152017, taking into account the deteriorated economic and geopolitical situation, and identify the most important factors influencing the changes in the gross domestic product.
Methods We applied statistical methods of structure and forecasting, like the multivariate regression analysis, autoregressive modeling (using the ARIMA models), and benchmarking of the considered management systems.
Results The modeling allowed obtaining predicted values of GDP under three scenarios of the country's economic development, i.e. inertial economy, active economy, and worsening economic conditions. In addition, we considered the GDP structure forecast by types of economic activity and primary income classification.
Conclusions and Relevance The statistical models indicated that economic recession was a result of unplanned changes in the market environment, such as drastic reduction in world oil prices and sanctions against Russia. The State should take urgent measures to recover the economy by significantly reducing the recession period and smoothing out its consequences.
Keywords: GDP, forecast, modeling, regression model, autoregressive-moving average model, ARIMA
References
1. Aivazyan S.A., Mkhitaryan V.V. Prikladnaya statistika: v 21 [Applied statistics: in 2 volumes]. Moscow, YUNITI-DANA Publ., 2001.
2. Borodkin K.V., Preobrazhenskii B.G. Postroenie i analiz statisticheskikh modelei prognozirovaniya osnovnykh finansovykh agregatov [Developing and analyzing the statistical models of forecasting the main financial aggregates]. Voprosy Statistiki, 2004, no. 7, pp.85-89.
3. Dubrov A.M., Mkhitaryan V.S., Troshin L.I.
Mnogomernye statisticheskie metody [Multidimensional statistical methods]. Moscow, Finansy i statistika Publ., 2005, 352 p.
4. Kendall M., Stewart A. Mnogomernyi statis-ticheskii analiz i vremennye ryady [Multivariate Analysis]. Moscow, Nauka Publ., 1976, 736 p.
5. Statistikafinansov [Statistics of finance]. Moscow, Omega-L Publ., 2011, 464 p.
6. Frenkel' A.A. Primenenie regressionnogo analiza v usloviyakh mul 'tikollinearnosti ekonomicheskikh
pokazatelei [Applying the regression analysis in conditions of multicollinearity of economic indicators]. Moscow, MESI Publ., 1988, 51 p.
7. Khokhlova O.A. Statisticheskii instrumentarii v regional'nykh ekonomicheskikh issledovaniyakh [Statistical tools in the regional economic studies]. Moscow, Plekhanov Russian University of Economics Publ., 2014, 144 p.
8. Chetyrkin E.M. Statisticheskie metody prognozirovaniya [Statistical methods of forecasting]. Moscow, Statistika Publ., 1977, 199 p.
9. Bauer P.W., Berger A.N., Ferrier G.D., Humphrey D.B. Consistency Conditions for Regulatory Analysis of Financial Institutions: A Comparison of Frontier Efficiency Methods. Journal of Economics and Business, 1998, vol. 50, no. 2, pp. 85-114.
10. Berti K., Salto M., Lequien M. An early-detection index of fiscal stress for EU countries. Available at: http://ec.europa.eu/economy_finance/publications/ economic_paper/2012/pdf/ecp475_en.pdf.
11. Box G., Jenkins G., Reinsel G. Time Series Analysis: Forecasting and Control. Wiley, 2008, 784 p.
12. Bragoli D. Forecasting the Global Financial Crisis. Eurostat 6th Colloquium on Modern Tools for Business Cycle Analysis. Eurostat, 2010.
13. Buelens C. Inflation forecasting and the crisis: assessing the impact on the performance of different forecasting models and methods. Available at: http:// ec.europa.eu/economy_finance/publications/econom-ic_paper/2012/pdf/ecp451_en.pdf.
14. Candelon B., Dumitrescu E.-I., Hurlin C. Currency Crises Early Warning Systems: Why they should be Dynamic. International Journal of Forecasting, 2014, vol. 30, iss. 4, pp. 1016-1029.
15. Chipman J., Winker P. Optimal aggregation of linear time series models. Computational Statistics & Data Analysis, 2005, vol. 49, iss. 2, pp. 311-331.
16. Gardo S., Martin R. Economic and financial crisis on Central, Eastern and South-Eastern Europe. Available at: http://www.ecb.europa.eu/pub/pdf/scpops/ ecbocp114.pdf.
17. Kairyte E., Meyers W.H. Territorial Indicators For Rural Development: Targeting Lagging Areas In Lithuania. Available at: http://vadyba.asu.lt/20/45. pdf.
18. Kaminsky G., Lizondo S., Reinhart C. Leading Indicators of Currency Crisis. Available at: http://www. imf.org/external/Pubs/FT/staffp/1999/06-99/pdf/berg. pdf.
19. Levine R. Finance and Growth: Theory and Evidence. Available at: http://faculty.haas.berkeley.edu/ ross_levine/Papers/Forth_Book_Durlauf_FinNGrowth. pdf.
20. Maringer D., Winker P. Optimal Lag Structure Selection in VEC-Models. Available at: http://repec. org/sce2004/up.26258.1077795063.pdf.
21. Morrison D.F. Multivariate Statistical Methods. New York, McGraw-Hill, 1976, 415 p.
22. Savin I., Winker P. Heuristic model selection for leading indicators in Russia and Germany. Journal of Business Cycle Measurement and Analysis, 2012, vol. 2, pp. 67-89.
Oksana A. KHOKHLOVA
Plekhanov Russian University of Economics, Moscow, Russian Federation hoholovao@mail.ru
Aleksandr V. BEZRUKOV
Plekhanov Russian University of Economics, Moscow, Russian Federation alexx.bezrukov@gmail.com
Vladislav V. BORISOV
Plekhanov Russian University of Economics, Moscow, Russian Federation vladislav.brsv@gmail.com
