| Раздел | Статьи |
| Заглавие | Наукастинг ВРП российской экономики с помощью квантильных эконометрических моделей |
| Страницы | 99-119 |
| Автор | Чудаева Александра Борисовна стажер-исследователь Центр математического моделирования экономических процессов, Институт прикладных экономических исследований, Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации пр-т Вернадского, 82, стр. 1, Москва, 119571, Российская Федерация Институт исследований социально-экономических трансформаций и финансовой политики, Финансовый университет пр-т Ленинградский, 49/2, Москва, 125167, Российская Федерация This email address is being protected from spambots. You need JavaScript enabled to view it. ORCID: 0009-0009-7150-9414 |
| Аннотация | Исследование посвящено разработке модели, позволяющей строить вероятностные наукасты темпов роста ВРП России, официальная статистика по которому публикуется с большой задержкой. В условиях неопределенности и обострения проблемы управления рисками вероятностный наукастинг приобретает особую актуальность, однако в отечественной литературе по региональному прогнозированию данная тема практически не развита. В работе используются линейная и квантильная регрессии, а также квантильные нейронные сети различных спецификаций. Модели оцениваются на панельных региональных данных и сравниваются по качеству интервальных и точечных наукастов. Наиболее перспективной моделью оказывается аддитивная обобщенная квантильная нейронная сеть, которая дает наиболее корректное представление о рисках замедления роста ВРП и в целом более стабильна при точечном наукастинге. При моделировании правой части распределения, то есть сценария экстремального роста ВРП, предпочтение отдается обобщенной линейной регрессии. В свою очередь, модели с фиксированными индивидуальными эффектами в среднем дают неудовлетворительный результат, однако оказываются оптимальными для ряда регионов. На практике построенные модели могут применяться управляющими органами для оценки и мониторинга рисков рецессии с целью принятия оперативных антикризисных мер экономической политики |
| УДК | 332.14+330.43 |
| JEL | C23, C53, E27, R11 |
| DOI | |
| Ключевые слова | валовой региональный продукт, наукастинг, панельные данные, интервальное прогнозирование, квантильная регрессия, нейронная сеть, регионы, Россия |
| Скачать | SE.2025.4.099-119.Chudaeva.pdf |
| Для цитирования | Чудаева А.Б. Наукастинг ВРП российской экономики с помощью квантильных эконометрических моделей // Пространственная экономика. 2025. Т. 21. № 4. С. 99–119. |
| Ссылки | 1. Бородин С.Н. Прогнозирование экономического развития региона на основе регрессионных и нейросетевых моделей // Russian Economic Bulletin. 2024. Т. 7. № 1. С. 290–300. 2. Вавилова Д.Д., Зерари Р. Анализ, моделирование и прогнозирование динамики валового регионального продукта на основе производственной функции // Экономика. Информатика. 2024. Т. 51. № 1. С. 5–17. 3. Васильева Р.И. Моделирование влияния фискальной децентрализации на экономическое развитие регионов Российской Федерации // Вестник университета. 2022.Т. 1. № 12. С. 145–153. 4. Горшкова Т. Прогнозирование ВРП с использованием методов пространственной корреляции // Научный вестник ИЭП им. Гайдара.ру. 2018. Т. 10. № 129. С. 37–47. 5. Казакова М.В., Фокин Н.Д. Тестирование прогнозных свойств различных подходов к интервальному прогнозированию (на примере инфляции в России) // Вопросы статистики. 2024. Т. 31. № 5. С. 23–40. 6. Киприянов А. Сравнение моделей прогнозирования роста под риском // Деньги и кредит. 2022. Т. 81. № 1. С. 23–45. 7. Орлова И.В., Филонова Е.С. Анализ и прогнозирование номинальной заработной платы населения Российской Федерации с учетом ее региональной дифференциации // Фундаментальные исследования. 2021. № 5. С. 67–74. 8. Полбин А.В., Шумилов А.В. Об использовании моделей панельных данных для прогнозирования темпов роста отраслей российской обрабатывающей промышленности // Экономическое развитие России. 2022. Т. 29. № 2. С. 15–19. 9. Фокин Н.Д. Наукастинг и прогнозирование основных российских макроэкономических показателей с помощью MFBVAR-модели // Экономическая политика. 2023. Т. 18. № 3. С. 110–135. 10. Чудаева А. Анализ факторов инфляционного риска в России // Деньги и кредит. 2025. Т. 84. № 1. С. 60–92. 11. Adrian T., Boyarchenko N., Giannone D. Vulnerable Growth // American Economic Review. 2019. Vol. 109. No. 4. Pp. 1263–1289. 12. Adrian T., Grinberg F., Liang N., Malik S. The Term Structure of Growth-at-Risk / IMF. Working Paper No. 180. 2018. 40 p. 13. Cannon A.J. Quantile Regression Neural Networks: Implementation in R and Application to Precipitation Downscaling // Computers & Geosciences. 2011. Vol. 37. Issue 9. Pp. 1277–1284. 14. Fosten J., Greenaway-McGrevy R. Panel Data Nowcasting // Econometric Reviews. 2022. Vol. 41. Issue 7. Pp. 675–696. 15. Koenker R. Quantile Regression for Longitudinal Data // Journal of Multivariate Analysis. 2004. Vol. 91. Issue 1. Pp. 74–89. 16. Koenker R. Quantile Regression. Cambridge: Cambridge University Press, 2005. 368 p. |
| Финансирование | Статья подготовлена по результатам исследований, выполненных за счет средств Научного фонда Финансового университета |
| Поступила в редакцию | 23.06.2025 |
| Одобрена после рецензирования | 13.09.2025 |
| Принята к публикации | 09.10.2025 |
| Доступно онлайн | 25.12.2025 |