Хохлова О.А.доктор экономических наук, доцент, заведующая кафедрой статистики, Российский экономический университет им. Г.В. Плеханова, Москва, Российская Федерация hoholovao@mail.ru
Безруков А.В.кандидат экономических наук, доцент кафедры статистики, Российский экономический университет им. Г.В. Плеханова, Москва, Российская Федерация alexx.bezrukov@gmail.com
Борисов В.В.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
Список литературы:
Айвазян С.А., Мхитарян В.В. Прикладная статистика: в 2 т. М.: ЮНИТИ-ДАНА, 2001.
Бородкин К.В., Преображенский Б.Г. Построение и анализ статистических моделей прогнозирования основных финансовых агрегатов // Вопросы статистики. 2004. № 7. С. 85–89.
Дубров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические методы. М: Финансы и статистика, 2005. 352 с.
Кендалл М., Стьюарт А. Многомерный статистический анализ и временные ряды. М.: Наука, 1976. 736 с.
Статистика финансов / под ред. М.Г. Назарова. М.: Омега Л, 2011. 464 с.
Френкель А.А. Применение регрессионного анализа в условиях мультиколлинеарности экономических показателей. М.: МЭСИ, 1988. 51 с.
Хохлова О.А. Статистический инструментарий в региональных экономических исследованиях. М.: РЭУ им. Г.В. Плеханова, 2014. 144 с.
Четыркин Е.М. Статистические методы прогнозирования. М.: Статистика, 1977. 199 с.
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.
Berti K., Salto M., Lequien M. An early-detection index of fiscal stress for EU countries. URL: Link.
Box G., Jenkins G., Reinsel G. Time series analysis: Forecasting and control. Wiley, 2008. 784 p.
Bragoli D. Forecasting the Global Financial Crisis. Eurostat 6th Colloquium on Modern Tools for Business Cycle Analysis. Eurostat, 2010.
Buelens C. Inflation forecasting and the crisis: assessing the impact on the performance of different forecasting models and methods. URL: Link.
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.
Chipman J., Winker P. Optimal aggregation of linear time series models // Computational Statistics & Data Analysis. 2005. Vol. 49. P. 311–331.
Gardo S., Martin R. Economic and financial crisis on Central, Eastern and South-Eastern Europe. URL: Link.
Kairyte E., Meyers W.H. Territorial Indicators For Rural Development: Targeting Lagging Areas In Lithuania. URL: Link.
Kaminsky G., Lizondo S., Reinhart C. Leading Indicators of Currency Crisis. URL: Link.
Levine R. Finance and Growth: Theory and Evidence. URL: Link.
Maringer D., Winker P. Optimal Lag Structure Selection in VEC-Models. URL: Link
Morrison D.F. Multivariate Statistical Methods. New York: McGraw-Hill, 1976. 415 p.
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.
