+7 (925) 966 4690
ИД «Финансы и кредит»

ЖУРНАЛЫ

  

АВТОРАМ

  

ПОДПИСКА

    
«Экономический анализ: теория и практика»
 

Включен в перечень ВАК по специальностям

ЭКОНОМИЧЕСКИЕ НАУКИ:
5.2.1. Экономическая теория
5.2.3. Региональная и отраслевая экономика

Реферирование и индексирование

РИНЦ
Referativny Zhurnal VINITI RAS
Worldcat
Google Scholar

Электронные версии в PDF

eLIBRARY.RU
ООО «ИВИС»
Biblioclub

Оценка трансмиссионного механизма ключевой ставки в стратегических отраслях экономики с применением искусственных нейронных сетей

ВЫПУСК 3, МАРТ 2026

Получена: 06.02.2026

Одобрена: 01.03.2026

Доступна онлайн: 30.03.2026

Рубрика: КОМПЛЕКСНЫЙ ЭКОНОМИЧЕСКИЙ И ФИНАНСОВЫЙ АНАЛИЗ

Коды JEL: С45, Е27, Е52, Е58, L16

Страницы: 73-84

https://doi.org/10.24891/fmvuna

Виктор Макарович ЗАЕРНЮК ответственный автор, доктор экономических наук, профессор кафедры экономики минерально-сырьевого комплекса, Российский государственный геологоразведочный университет имени Серго Орджоникидзе (МГРИ-РГГРУ), Москва, Российская Федерация 
zvm4651@mail.ru

https://orcid.org/0000-0003-3669-0907
SPIN-код: 3300-6420

Юлия Николаевна НЕСТЕРЕНКО доктор экономических наук, профессор, заведующая кафедрой экономики минерально-сырьевого комплекса, Российский государственный геологоразведочный университет имени Серго Орджоникидзе (МГРИ-РГГРУ), Москва, Российская Федерация 
julia-nesterenko@mail.ru

https://orcid.org/0000-0002-1887-7834
SPIN-код: 1562-6050

Предмет. Анализ трансмиссионного механизма денежно-кредитной политики в стратегических отраслях российской экономики, где традиционные линейные модели часто не справляются с описанием сложных, нелинейных реакций на изменения ключевой ставки.
Цели. Количественно оценить и сравнить чувствительность стратегических отраслей (ТЭК, металлургия, ОПК, сельское хозяйство) к изменениям ключевой ставки Банка России, выявив гетерогенность в скорости, силу и характер трансмиссии.
Методология. Методологическую основу составляет гибридный подход, объединяющий панельную регрессию с архитектурой многослойного перцептрона. Нейросетевая модель позволяет уловить сложные нелинейные взаимосвязи, недоступные для традиционных векторных авторегрессий. Эмпирическая база охватывает квартальные наблюдения за 2015–2025 гг., включая динамику ставки, отраслевые индексы промышленного производства, объемы инвестиций в основной капитал и средневзвешенную стоимость кредитных ресурсов. Сравнительная оценка точности прогноза проводилась относительно базовой VAR-спецификации.
Результаты. Эмпирические результаты выявили выраженную дифференциацию трансмиссионных эффектов. Топливно-энергетический комплекс продемонстрировал устойчивость к монетарным сдвигам вследствие доминирования экспортной конъюнктуры и слабой зависимости от внутреннего кредитования. Напротив, обрабатывающие производства в сегменте ОПК оказались наиболее чувствительными к изменению стоимости денег, однако их реакция носила ярко выраженный нелинейный характер: сдерживающий эффект повышения ставки в рецессионные периоды превышал стимулирующее воздействие ее снижения в фазе подъема. Нейросетевая спецификация снизила среднеквадратичную ошибку прогноза на 18% относительно линейной альтернативы.
Выводы. Результаты исследования опровергают гипотезу об однородности стратегических отраслей как объекта монетарного воздействия. Для повышения точности прогнозных оценок Банку России целесообразно дифференцировать трансмиссионные каналы при моделировании последствий решений по ключевой ставке, что потенциально усилит эффективность денежно-кредитной политики в условиях структурной фрагментации экономики.

Ключевые слова: трансмиссионный механизм, ключевая ставка, стратегические отрасли, искусственная нейронная сеть, денежно-кредитная политика

Список литературы:

  1. Bernanke B.S., Gertler M. Inside the Black Box: The Credit Channel of Monetary Policy Transmission. NBER Working Paper 5146, 1995. DOI: 10.3386/w5146
  2. Mishkin F.S. The Channels of Monetary Transmission: Lessons for Monetary Policy. NBER Working Paper 5464, 1996. DOI: 10.3386/w5464
  3. Byoung Jo Chun. Identifying Interest Rate Transmission Mechanism under a Bayesian Network. Sustainability, 2024, vol. 16, no. 14. DOI: 10.3390/su16145840
  4. Глазьев С.Ю., Сухарев О.С., Афанасьева О.Н. Монетарная политика России: негативный накопительный эффект в рамках неоклассической модели и его преодоление // Микроэкономика. 2022. № 2. С. 5–38. DOI: 10.33917/mic-2.103.2022.5-38 EDN: ULHQVE
  5. Егоров А.В., Борзых О.А.. Асимметрия процентного канала денежной трансмиссии в России // Экономическая политика. 2018. Т. 13. № 1. С. 92–121. EDN: KZVTQD
  6. Растеряева Т.В., Прошин Д.Д. Влияние величины ключевой ставки на инвестиционную активность участников рыночных отношений // Финансовые рынки и банки. 2023. № 8. С. 59–64. EDN: HCRMSU
  7. Пономаренко А.А. Анализ денежно-кредитной политики Российской Федерации: торможение стабильностью // Экономика: вчера, сегодня, завтра. 2024. Т. 14. № 2А. С. 351–360. DOI: 10.34670/AR.2024.60.11.042 EDN: LDOLPD
  8. Семенова Н.Н., Еремина О.И. Влияние денежно-кредитной политики на экономический рост в России: теоретические подходы и практическая реализация // Финансы и кредит. 2018. Т. 24. Вып. 4. С. 819–832. DOI: 10.24891/fc.24.4.819 EDN: TJCZZJ
  9. Узденова Ф.М., Эльканов Р.Х. Влияние изменений ключевой ставки Центрального банка на экономические показатели РФ // Вопросы экономики и права. 2023. № 186. С. 40–44. DOI: 10.14451/2.186.40 EDN: SXZMJO
  10. Науменкова С.В., Мищенко В.И. Влияние денежно-кредитной политики центрального банка на стимулирование экономического роста // Проблемы современной экономики. 2015. № 2. С. 168–175. EDN: UFHFYN
  11. Заярная И.А., Федорова М.А. Роль влияния ключевой ставки на финансовые риски // Вестник Алтайской академии экономики и права. 2024. № 1. С. 80–83. DOI: 10.17513/vaael.3214 EDN: NHYSKD
  12. Сизон Ю.Е., Углицких О.Н., Гришкина В.В. Анализ влияния ключевой ставки на финансовую устойчивость страховых компаний // Финансы и учетная политика. 2024. № 3. С. 13–17. EDN: REJGAG
  13. Баско О.В. Влияние ключевой ставки на долгосрочный рост экономики // Финансовые исследования. 2024. Т. 25. № 4. С. 31–40. DOI: 10.54220/finis.1991-0525.2024.85.4.003 EDN: OLBLRV
  14. Тишин А. Неожиданные шоки денежно-кредитной политики в России // Деньги и кредит. 2019. № 4. С. 48–70. DOI: 10.31477/rjmf.201904.48 EDN: ENUQXO
  15. Пильник Н.П., Поспелов И.Г., Радионов С.А. О пределах влияния ключевой ставки Банка России на показатели российской банковской системы // Проблемы прогнозирования. 2020. № 2. С. 137–147. EDN: AQBLGH
  16. Букреева И.А., Перепелица А.М., Зайков С.Н. Оценка влияния ключевой ставки на развитие экономики России // Ученые записки Алтайского филиала Российской академии народного хозяйства и государственной службы при Президенте Российской Федерации. 2024. № 2. С. 32–35. EDN: ILWUTK
  17. Ломакин Н.А., Кузьмина Т.И., Марамыгин М.С. и др. Цифровая модель глубокого обучения для прогноза ключевой ставки Центробанка РФ в условиях волатильности // Международная экономика. 2025. Т. 22. № 2. С. 170–185. DOI: 10.33920/vne-04-2502-05 EDN: YZVMTC
  18. Першина А.А., Арутюнян А.Г., Косников С.Н. Применение нейросетей в прогнозировании экономических тенденций // Региональная и отраслевая экономика. 2023. № 5. С. 164–171. EDN: VMGZVI
  19. Шомахов К.Р. Перспективы использования искусственного интеллекта для прогнозирования финансовых трендов // Вестник Евразийской науки. 2024. Т. 16. № s1. EDN: DMVLPY
  20. Fernández J.A.F. Banking systems in the euro zone and transmission of monetary policy. Central Bank Review, 2024, vol. 24, iss. 1, no. 100148. DOI: 10.1016/j.cbrev.2024.100148

Посмотреть другие статьи номера »

 

ISSN 2311-8725 (Online)
ISSN 2073-039X (Print)

Свежий номер журнала

ВЫПУСК 3
МАРТ 2026

Другие номера журнала

Журнал входит в Единый государственный перечень научных изданий — «Белый список». Подробнее>>