Содержание к диссертации
Введение
Глава 1. Теоретические основы макроэкономического прогнозирования 9
1.1. Теория макроэкономического прогнозирования
1.2. Основные теоретические и методологические проблемы, возникающие при макроэкономическом прогнозировании 21
1.3. Основные подходы к анализу качества макроэкономических прогнозов 24
Глава 2. Разработка методологии прогнозирования макроэкономических показателей российской экономики 40
2.1. Обзор российского опыта макроэкономического прогнозирования 40
2.2. Методологические подходы к прогнозированию российских макроэкономических показателей 60
2.3. Методика исследования качества прогнозов макроэкономических показателей 71
2.4. Основные подходы к корректировке ошибок прогноза 77
Глава 3. Сравнительное исследование качества прогнозов российских экономических показателей 82
3.1. Влияние на качество прогнозов различных подходов к прогнозированию макроэкономических показателей 82
3.2. Влияние на качество прогнозов различных методов корректировки о или бо к ПО
Заключение 117
Список использованных источников и литературы
- Основные теоретические и методологические проблемы, возникающие при макроэкономическом прогнозировании
- Основные подходы к анализу качества макроэкономических прогнозов
- Методологические подходы к прогнозированию российских макроэкономических показателей
- Влияние на качество прогнозов различных методов корректировки о или бо к ПО
Введение к работе
Актуальность темы исследования. Прогнозирование макроэкономических показателей является одним из основных элементов макроэкономической политики и выполняет ряд важных экономико-политических функций. При принятии экономико-политических решений необходимо иметь представление о будущем, чтобы ограничить возможные варианты экономической политики, а также получить некоторые критерии, дающие возможность оценить качество этих решений впоследствии. С этой точки зрения можно говорить о том, что макроэкономическое прогнозирование выполняет важнейшую мониторинговую функцию.
Официальные прогнозы в России публикуются Министерством экономического развития Российской Федерации и Центральным Банком России. Кроме того, многие научно-исследовательские институты, банки и инвестиционные компании также регулярно публикуют прогнозы основных макроэкономических показателей Российской Федерации. Среди российских и зарубежных институтов и организаций отметим Центральный экономико-математический институт РАН, Институт народнохозяйственного прогнозирования РАН, Институт экономической политики им. Е.Т. Гайдара, Центр макроэкономического анализа и краткосрочного прогнозирования, Международный Валютный Фонд, Всемирный Банк, Организацию экономического сотрудничества и развития, Сбербанк России и другие. Здесь можно выделить две основные проблемы. Во-первых, подробная информация об исходных предпосылках и теоретических предположениях, лежащих в основе используемых моделей, как правило, отсутствует. Во-вторых, нет системы обратной связи: после публикации прогнозов практически отсутствует публичный анализ их качества и адекватности моделей изменяющемуся характеру экономики России, а с точки зрения экономической политики ответ на этот вопрос является очень важным, т.к. при принятии экономико-политических решений нужно понимать, насколько можно доверять тем или иным прогнозам.
В этой связи тема настоящего диссертационного исследования, посвященного анализу методов макроэкономического прогнозирования в России, представляется актуальной, как с точки зрения развития теории и методологии макроэкономического прогнозирования, так и с точки зрения практического применения методов макроэкономического прогнозирования к российским данным, анализа качества макроэкономических прогнозов и необходимости использования методов их корректировки.
Объект и предмет исследования. Объектом исследования являются процессы динамики макроэкономических показателей. Предметом исследования – методология и методы прогнозирования макроэкономических показателей Российской Федерации и оценки их качества.
Цели и задачи исследования. Основной целью работы является совершенствование теории прогнозирования и разработка методологии макроэкономического прогнозирования, включая разработку методик оценки качества прогнозов и корректировки прогнозов в режиме «реального времени».
Для достижения поставленных автором целей были поставлены и решены следующие задачи:
систематизированы современные теоретические и методологические подходы в области макроэкономического прогнозирования, оценки качества и корректировки прогнозов;
на основе анализа и систематизации современных подходов к теоретическому анализу отдельных экономических закономерностей предложены методология построения макроэкономических прогнозов российских данных, развиты теоретические подходы к оценке качества прогнозов, разработана методика корректировки прогнозов в режиме «реального времени», предложены способы корректировки прогнозов в режиме «реального времени» и проведен анализ качества различных методов корректировки прогнозов;
на основе разработанной методологии предложены прогнозные модели и проведено сравнение качества прогнозов, получаемых различными методами.
Степень научной разработанности темы. Теоретические подходы к макроэкономическому прогнозированию описаны, в частности, в работах Дж. Бокса, Г. Дженкинса, Л. Клейна, О. Моргенштерна, Г. Тейла, Я. Тинбергена, Р. Фриша, Г. Фромма, Т. Ховельмо и других, а эмпирическое исследование различных методов прогнозирования макроэкономических показателей в исследованиях М.Ватсона, К. Грейнджера, Ф. Диболда, М. Клементса, П. Ньюболда, Дж. Стока, Д. Хендри и других. Из российских ученых вопросы макроэкономического прогнозирования исследовали А. Белоусов, Э. Ершов, Н. Иванова, А. Клепач, А. Коровкин, Г. Куранов, В. Носко, Ю. Лукашин, М. Узяков, А. Френкель, К. Юдаева и другие.
Проведенный автором аналитический обзор российской и зарубежной литературы и классификация используемых методов показали, что наиболее распространенный подход к прогнозированию основан на использовании эконометрических моделей, а также экспертных оценок, результаты которых чаще всего представлены в виде консенсус–прогнозов. Применительно к прогнозированию российских макроэкономических рядов можно говорить о том, что в России отсутствуют большие модели одновременных уравнений, аналогичные, например, Брукингской или Вортонской моделям американской экономики, а также практически отсутствуют работы по анализу качества российских прогнозных моделей и методов корректировки прогнозов.
Метод исследования. Методологической базой исследования является сочетание теоретического подхода к анализу экономических явлений и теории прогнозирования, методов анализа качества получаемых прогнозов, методов корректировки прогнозов с целью улучшения их качества и анализа последствий этой корректировки.
Эконометрическое оценивание в работе производилось на данных, имеющих структуру временных рядов. Особое внимание уделено анализу динамических свойств российских временных рядов: наличию сезонности, структурных сдвигов и т.д.
Научная новизна. На основе аналитического обзора теоретических подходов к прогнозированию экономических закономерностей в диссертации были впервые получены следующие принципиально новые результаты:
-
Проанализированы и систематизированы различные теоретические подходы к прогнозированию макроэкономических показателей и построена их новая классификация, включающая как структурные методы, так и методы временных рядов.
-
На основе совместного анализа теоретических моделей, описывающих закономерности динамики макроэкономических показателей и методологических основ прогнозирования, разработаны теоретические подходы к оценке эффективности прогнозирования на основе структурных моделей и моделей временных рядов, основным критерием которой является уровень стабильности экономической динамики.
-
Теоретический анализ экономических моделей и эмпирических данных о наличии структурных сдвигов говорит в пользу гипотезы о том, что в Российской Федерации, так же как и в других странах, в периоды экономической стабильности лучшие результаты при прогнозировании могут быть получены при использовании методов временных рядов, в то время как в отсутствие стабильности введение в модели структурных переменных позволяют улучшать качество прогнозов по сравнению с методами временных рядов.
-
На основе развитых в работе теоретических положений предложены методики прогнозирования макроэкономических показателей РФ, включающие в себя прогноз, оценку качества прогноза и корректировку потенциальных ошибок прогнозирования.
Теоретическая и практическая значимость диссертации. Проведенное автором исследование позволило получить важные теоретические и практические результаты. Изложенные аспекты научной новизны могут рассматриваться как вклад в теорию и практику макроэкономического прогнозирования. Теоретическая значимость работы заключается в совершенствовании теории прогнозирования и включает в себя разработку классификации методов прогнозирования и разработку методологии прогнозирования с учетом корректировки качества прогнозов.
Разработанные автором методики прогнозирования и проверки качества прогнозов позволяют учитывать специфические особенности, характерные для прогнозирования российских экономических показателей. Полученные результаты могут быть использованы в дальнейшем для теоретических и эмпирических исследований по проблемам прогнозирования макропоказателей в России и улучшения качества прогнозов.
Практическая значимость результатов заключается в том, что разработанная автором методика прогнозирования и корректировки прогнозов протестирована на реальных данных и, таким образом, показано, что она дает хорошие результаты и может быть применена, в том числе, в режиме «реального времени».
Также материалы диссертации могут быть использованы в учебных курсах по теории временных рядов, методам прогнозирования и оценки качества прогнозов в высших учебных заведениях России.
Апробация результатов исследования и публикации по теме исследования. Основные положения диссертации изложены в семи публикациях, из которых три опубликованы в журналах, включенных в Перечень ВАК ведущих рецензируемых научных журналов и изданий.
Результаты исследования на различных этапах представлялись на научных семинарах в Институте экономической политики им. Е.Т. Гайдара, Российской академии народного хозяйства и государственной службы при Президенте Российской Федерации, Всероссийской академии внешней торговли Министерства экономического развития Российской Федерации. Автором на основе материалов, вошедших в данную работу, были подготовлены аналитические записки для Аппарата Правительства Российской Федерации по вопросам прогнозирования российских макроэкономических показателей, методические, эмпирические и лекционные материалы для правительственных организаций (в частности, для Аппарата Правительства Российской Федерации) и частных компаний, лекции для студентов НИУ–ВШЭ.
Структура диссертационного исследования. Диссертация состоит из введения, трех глав и заключения, включающих 3 рисунка и 21 таблицу, перечня использованных источников, состоящего из 132 наименований, а также 4 приложений. Объем работы составляет 137 страниц основного текста и 12 страниц приложений.
Основные теоретические и методологические проблемы, возникающие при макроэкономическом прогнозировании
Чтобы проиллюстрировать масштаб моделей, скажем что, к примеру, модель DRI6 насчитывает более 1000 переменных, около 300 уравнений, определяющих эндогенные переменные, и более 300 уравнений, которые определяют экзогенные переменные, и более 600 тождеств. В таблице 1.1.2 (см. выше) представлен список переменных, используемых для построения DRJ-модели. Как видно из таблицы модель содержит десять основных блоков экономических показателей, практически каждый из которых разбит на составляющие подблоки. К примеру, самый крупный блок производства и доходов содержит около 350 переменных и тождеств.
Описание Брукингской модели занимает около 800 страниц . Сама модель включает почти 500 переменных. Даже эти весьма поверхностные примеры говорят о степени развитости аппарата макроэкономического прогнозирования с использованием моделей одновременных уравнений.
Большие макроэкономические модели - это довольно большой пласт как в макроэкономическом моделировании, так и в прогнозировании. Но помимо очевидных достоинств (например, они позволяют учесть большинство экономических взаимосвязей и могут давать довольно точные прогнозы), эти модели обладают рядом существенных недостатков. Выделим два, являющихся, на наш взгляд основными. Первое, что необходимо отметить, что такие модели являются очень громоздкими и требуют огромных затрат при реализации. Второй момент связан с так называемой критикой Лукаса (Lukas, 1976) и заключается в том, что в таких моделях очень сложно учесть ожидания экономических агентов, которые, очевидно, не могут не влиять на экономические процессы и, как следствие, на макропрогнозы.
Еще одним крупным направлением в прогнозировании можно считать
аппарат моделей временных рядов. Здесь стоит отметить работы Винера (Wiener, 1949), Калмана (Kalman, 1960), Бокса и Дженкинса (Box, Jenkins, 1976), Харви (Harvey, 1981а, 1981b), Клементса и Хендри (Clements, Hendry, 1998, 2001) и др. Модели временных рядов - это автокорреляционные методы прогнозирования, использующие, в первую очередь, информацию о динамике моделируемого показателя.
В первом случае процесс называется стационарным около детерминированного тренда (TS-процесс, Trend Stationary Process), во втором -стационарным в разностях (DS-процесс, Difference Stationary Process) или интегрированным процессом или процессом, содержащим единичный(ые) корень (корни) {Unit Root Process ). Основное различие между этими двумя типами случайных процессов заключается в том, что первые приводятся к слабо стационарному виду простым извлечением (оценкой) детерминированного тренда, а вторые - взятием разностей. Если мы рассмотрим разности (их необходимое количество в зависимости от степени тренда) стационарного около детерминированного тренда процесса, то полученный новый ряд будет слабо стационарным, но его дисперсия будет больше, чем у исходного процесса, а также в данных появится необратимая МА-компонента, что может привести к некоторым нежелательным последствиям при оценке соответствующей модели. Этот эффект называется эффектом передифференцирования, т.е. ситуации, когда мы рассматривали разности в случае, когда нам это не было нужно.
Обратный эффект - эффект недодифференцирования - возникает, если мы рассматриваем DS-процесс как стационарный около детерминированного тренда. На практике это означает, что мы рассматриваем модель детерминированного тренда, а не модель в разностях. В этой ситуации, как показали Нельсон и Канг (Nelson, Kang, 1981, 1984) существует очень высокая ситуация оценки так называемого кажущегося (мнимого, ложного - spurious) тренда, что означает наличие сильно значимых оценок тренда и регрессии в целом, с одной стороны, и присутствие стохастического тренда в остатках модели, с другой.
С экономической точки зрения наличие в данных детерминированного тренда означает возможность довольно точного предсказания их изменений, в то время как наличие стохастического тренда (DS-процессы) влечет за собой ее отсутствие: такие данные практически не возможно прогнозировать, поскольку в
Первыми обратили внимание на то, что большинство макроэкономических рядов являются стационарными в разностях, т.е. содержат стохастический тренд, Нельсон и Плоссер (Nelson, Plosser, 1982) в своей работе 1982 года10. Они показали, что большинство макроэкономических рядов США (13 из 14 рассмотренных ими), являются стационарными в разностях. Помимо статистических и прогнозных различий между разными типами моделей тренда (детерминированной или стохастической) существует еще проблема, аналогичная проблеме кажущегося тренда - опасность оценки кажущейся (ложной, мнимой) регрессии {spurious regression) . Если мы будет оценивать регрессию одного процесса с единичным корнем на другой процесс с единичным корнем, то существует риск (и авторы многих работах показали это на искусственно сгенерированных данных ), что полученные оценки будут кажущимися (ложными, мнимыми).
В связи с таким часто возникающим эффектом можно выделить два основных направления в теории моделирования макроэкономических показателей при помощи моделей временных рядов: введение в модель детерминированного тренда структурных сдвигов и оценка коинтеграционных соотношений и моделей коррекции ошибками.
Основные подходы к анализу качества макроэкономических прогнозов
Прежде чем перейти к краткому обзору моделей, используемых в России для целей прогнозирования, необходимо отметить, что достаточно сложно найти какие-либо материалы о таких моделях, поскольку их авторы очень неохотно раскрывают соответствующую информацию. Как правило, мы имеем дело лишь с результатом использования таких моделей - прогнозами тех или иных показателей развития российской экономики, а сами модели в некотором смысле «остаются за кадром». Есть модели, достаточно четко описанные в соответствующих публикациях. О некоторых моделях создается впечатление, что они описаны достаточно подробно, но при анализе возникают вопросы, касающиеся спецификации данной модели, и их гораздо больше, чем ответов. О большинстве же моделей нет практически никакой информации. Остановимся на описании моделей, информация о которых представлена в открытых публикациях.
Эконометрическая модель экономики России Центрального экономико-математического института РАНзо Среди всех моделей, о которых есть открытая информация и которые будут нами рассмотрены, эта модель является самой простой. Модель Центрального экономико-математического института (ЦЭМИ РАН) - это небольшая, состоящая из 6 уравнений, структурная эконометрическая модель, представленная системой одновременных уравнений. Модель оценивается на квартальных данных, начиная с IV квартала 1994 г. Все данные, входящие в модель, представлены в логарифмическом виде, измерены в долларах по состоянию на конец рассматриваемого квартала, за исключением обменного курса доллара к рублю -используется среднее значение за квартал. Прогнозные значения экзогенных переменных, входящих в модель, получены на основе несезонной модели Холта-Винтерса. Прогнозируются следующие эндогенные показатели: валовой внутренний продукт (млрд руб/ ). Данный показатель объясняется такими факторами, как инвестиции в основной капитал, взятые с лагом 4; обслуживание государственного долга, взятое с лагом 2; ВВП (с лагом 1); первая разность курса доллара к рублю; фиктивная переменная, принимающая значение 0 для наблюдений до III квартала 1998 г. включительно и равная 1 для наблюдений, начиная с IV квартала 1998 г.; индекс потребительских цен (% к предыдущему периоду), который зависит от курса доллара, взятого с лагом 1; цены на нефть (с лагом 1) и фиктивной переменной, принимающей значение 0 для наблюдений до III квартала 1998 г. включительно и равной 1 для наблюдений, начиная с IV квартала 1998 г.; совокупные доходы населения (млрд руб.), зависящие от ВВП; совокупных доходов населения, взятых с лагом 1; государственных социальных расходов; фиктивной переменной, принимающей значение 0 для наблюдений до III конечное потребление (млрд руб.). В качестве объясняющих переменных взяты: ИПЦ; ВВП; импорт; совокупные доходы населения; конечное потребление (с лагом 1); фиктивная переменная, принимающая значение 0 для наблюдений до III квартала 1998 г. включительно и равная 1 для наблюдений, начиная с IV квартала 1998 г.; экспорт (млрд долл.). Объясняющие переменные: курс доллара к рублю; ВВП (с лагом 1); показатель экспорта, взятый с лагом 1; средневзвешенные экспортные тарифы; фиктивная переменная, принимающая значение 0 для наблюдений до III квартала 1998 г. включительно и равная 1 для наблюдений, начиная с IV квартала 1998 г.; импорт (млрд долл. США), зависящий от ИПЦ; ВВП; показателя импорта (с лагом 1); показателя экспорта; фиктивной переменной, принимающей значение О для наблюдений до III квартала 1998 г. включительно и равной 1 для наблюдений, начиная с IV квартала 1998 г.
Недостаток модели состоит в том, что она не учитывает сезонность, хотя данные, очевидно, имеют сезонный характер. Отметим, что на сайте ЦЭМИ предусмотрена возможность самостоятельной работы с данной моделью: можно изменять значения экзогенных переменных и получать прогнозы.
Из презентации Центра макроэкономического анализа и краткосрочного прогнозирования, опубликованной на сайте Центра в 2003 г. , можно сделать вывод о том, что в ЦМАКП разработана прогнозная модель, состоящая из трех блоков".
Отметим, что база входящих данных состоит из 18 блоков и 1083 временных рядов. социально-экономических показателей. Кроме того, на этом этапе все ряды корректируются на пропуски, ошибки, выбросы, сезонность, а также проводится календарная корректировка, выделяются тренды. В результате прогнозируются только тренды и циклы.
Блок 2: балансово-эконометрическая квартальная модель развития экономики на среднесрочный период (модель В), которая содержит около 90 эконометрических уравнений, 250 балансовых соотношений и более 400 переменных34. Основная задача этой модели - разработка сценарных прогнозов и подготовка входящих данных для следующего блока.
Блок 3: среднесрочная годовая модель прогнозирования показателей СНС (модель С), в которой проводится расчет основных макроэкономических пропорций. В модели С рассчитывается структура конечного спроса, ресурсов покрытия конечного спроса, структуры доходов, валовых сбережений и инвестиций. Отличие этой модели от многих других в том, что на этом этапе проводится проверка результатов модели В на сбалансированность (хотя процедура проверки не описывается в доступной нам публикации), а также строятся прогнозные балансы СНС.
Методологические подходы к прогнозированию российских макроэкономических показателей
Как видно из таблицы 1.4, на интервале июль - октябрь 2006 г. средняя абсолютная процентная ошибка прогнозирования показателя экспорта во все страны по ARIMA и SM-моделям колебалась между 8,5 и 11,3%. Начиная с ноября 2006 г. МАРЕ в конкретные моменты прогнозирования стала снижаться (минимальное значение МАРЕ достигается в марте 2007 г. и равно 3,9%), т.е. используемая для прогнозирования модель стала лучше работать, причем ARIMA-модель показывает лучшие результаты по сравнению с SM-моделью. Затем в мае 2007 г. средняя абсолютная процентная ошибка прогнозирования по ARJMA-модели резко увеличивается и продолжает расти вплоть до августа 2007 г.
Отметим, что, вообще говоря, используемые в различных выпусках «Бюллетеня» модели, как правило, различны, поскольку все модели «Бюллетеня» пересчитываются при поступлении новых статистических данных. (17,7%). При этом средняя абсолютная ошибка прогнозирования по SM-модели в этот период для горизонтов прогнозирования ниже и часто не превышает 10%. Отметим, что для отдельных горизонтов прогнозирования качество некоторых альтернативных методов прогнозирования оказывается лучше по сравнению с базовыми прогнозами, но как было показано выше, на всем массиве данных базовые прогнозы оказываются значимо лучше всех альтернативных методов прогнозирования.
Похожую динамику качества в зависимости от момента прогнозирования имеют и прогнозы показателя экспорта в страны вне СНГ (Приложение 1). В начале и конце рассматриваемого интервала качество получаемых прогнозов хуже, чем в середине, причем начиная в мае 2007 г. средняя абсолютная ошибка прогнозирования достигает 10,8% и увеличивается до 18% в августе 2007 г.
Прогнозы показателя экспорта во все страны на 1,2,3 и 4 месяца вперед, полученные по структурным моделям, оказываются лучше по качеству, чем ARIMA-прогнозы (см. Приложение 2). Но при этом ARIMA-прогнозы на 5 и 6 месяцев вперед лучше, чем SM-прогнозы. Средняя абсолютная процентная ошибка прогнозирования на 1 шаг вперед для прогнозов обоих типов оказывается меньше, чем МАРЕ прогнозов на 2 шага вперед, которая в свою очередь меньше МАРЕ прогнозов на 3 шага вперед и т.д. Наибольшую ошибку имеют прогнозы на 6 шагов вперед, что согласовывается с результатами многих исследований, в которых отмечается, что увеличение горизонта прогнозирования ведет к ухудшению качества прогнозов.
Немного иначе ведут себя прогнозы показателя экспорта в страны вне СНГ (см. Приложение 2). Так, наименьшая средняя абсолютная ошибка прогнозирования имеет место для прогнозов на 1 шаг вперед (8,5%). Начиная с прогнозов на 3 шага вперед, МАРЕ уже превышает 10%-ный уровень и достигает максимума при прогнозировании на 4 шага (10,9%), а потом чуть снижается при прогнозировании на 5 и 6 месяцев (10,4% и 10,2%, соответственно).
Если рассматривать качество прогнозов значений показателей экспорта во все страны для конкретного месяца (см. Приложение 3), для обеих моделей МАРЕ превышает 10%ный уровень при прогнозировании значений августа 2006 г., января, февраля, октября-декабря 2007 г. и января 2008 г. Причем, если до сентября 2007 г. включительно, ARIMA-прогнозы почти всегда обладают лучшими качественными характеристиками по сравнению с SM-прогнозами, то начиная с октября 2007 г. и по январь 2008 г. МАРЕ прогнозов, построенным по структурным моделям, в 1,5-2 раза меньше средней абсолютной процентной ошибки ARIMA-прогнозов.
Средняя абсолютная процентная ошибка прогнозирования показателя экспорта в страны вне СНГ (см. Приложение 3) превышает 10% при прогнозировании значений данного показателя в январе-феврале 2007 г., а также на интервале с октября 2007 г. по январь 2008 г. Причем также как и для прогнозов показателя экспорта по все страны на интервале с октября 2007 г. по январь 2008 г. наблюдается резкое ухудшение качества прогнозов по сравнению с предыдущими месяцами. Отметим, что для всех показателей экспорта альтернативные прогнозы значений для января и февраля 2007 г. оказываются лучше базовых прогнозов, причем, в некоторых случаях существенно лучше.
Импорт Средние абсолютные процентные ошибки прогнозирования показателей импорта из всех стран (по обеим моделям) и импорта из стран вне СНГ не превышают 10% (см. табл. 3.1.4) и существенно меньше МАРЕ всех альтернативных методов прогнозирования, из которых самыми лучшими оказываются наивные прогнозы, а самыми худшими - наивные сезонные прогнозы. При этом качественные отличия базовых прогнозов (в том числе, и среднего по двум моделям прогноза показателя импорта из всех стран) являются согласно тесту знаков значимо лучшими по сравнению с альтернативными методами прогнозирования (см. Приложение 4). Качество прогнозов, построенных в конкретные моменты прогнозирования, показателей импорта (см. Приложение 1), в целом, лучше, чем качество аналогичных прогнозов показателей экспорта: практически для всех моменты прогнозирования и всех моделей МАРЕ не превышает 10%. Исключение составляют лишь прогнозы показателя импорта из всех стран по моделям ARIMA, рассчитанные в моменты прогнозирования с июля по ноябрь 2006 г., когда МАРЕ превышает 10%. При этом почти всегда прогнозы по SM-моделям оказываются лучше ARIMA-прогнозов.
Прогнозы показателей импорта на 1, 2,..., 6 месяцев вперед практически всегда имеют МАРЕ, меньшую 10% (см. Приложение 2). Исключением являются лишь прогнозы на 5 и 6 месяцев вперед по моделям ARIMA показателя импорта из всех стран (11,1% и 12,1%), соответственно). Также как и в случае с показателями экспорта, за исключением SM-прогнозов показателя импорта из всех стран на 5 и 6 шагов вперед (когда значение МАРЕ таких прогнозов оказывается меньше, чем для прогнозов на 4 шага вперед), можно говорить о том, что качество прогнозов уменьшается с увеличением горизонта прогнозирования. Важно отметить, что базовые прогнозы независимо от горизонта прогнозирования оказываются существенно лучше всех альтернативных прогнозов.
Что касается качества прогнозирования значений показателей импорта, которые они принимают в конкретные месяцы, то здесь картина отличается от картины, получаемой для показателей экспорта (см. Приложение 3). ARIMA-прогнозы показателя импорта из всех стран оказываются плохими (МАРЕ превышает 10%)) практически для всех месяцев с августа 2006 г. по апрель 2007. Значения этого показателя в мае 2007 г. - январе 2008 г. прогнозируются довольно хорошо. SM-прогнозы показателя импорта из всех стран оказываются в целом лучше ARIMA-прогнозов: средняя абсолютная процентная ошибка прогнозирования превышает 10% только при прогнозировании значений августа, октября и декабря 2006 г., а также декабря 2007 г. МАРЕ прогнозов показателя импорта из стран вне СНГ превышает 10%-ный уровень лишь при прогнозировании его значений в октябре и декабре 2006 г. И опять качество всех базовых прогнозов оказывается существенно выше любых из рассматриваемых альтернативных прогнозов.
Влияние на качество прогнозов различных методов корректировки о или бо к ПО
Как видно из рисунка, большая часть базовых прогнозов (61%) относится к числу очень хороших. К их числу относятся большинство прогнозы рядов индексов промышленного производства (все сводные индексы (НИУ ВШЭ и Росстата) и большая часть отраслевых индексов НИУ ВШЭ), все прогнозы индекса потребительских цен и индекса цен производителей промышленных товаров, а также большинство индексов цен производителей по различным видам экономической деятельности, прогнозы показателей розничного товарооборота, динамики стоимости минимального набора продуктов питания, транспортных тарифов, М2, курсов валют , показателей уровня жизни населения и численности занятого в экономике населения.
Хорошие прогнозы составляют 29% выборки. К числу таких прогнозов относится ряд отраслевых индексов промышленного производства НИУ ВШЭ, некоторые прогнозы индексов цен производителей по видам экономической деятельности, прогноз показателя инвестиций в основной капитал, все прогнозы показателей экспорта во все страны и импорта из всех стран, экспорта в страны вне СНГ и импорта из стран вне СНГ, прогнозы мировых цен на алюминий и золото, денежной базы и золотовалютных резервов.
В число плохих прогнозов (10% всей выборки) попали мировые цены на нефть марки Брент, медь и никель, а также все прогнозы показателя общей численности безработных.
На рисунке 3 показано процентное распределение лучших прогнозов из числа базовых и рассматриваемого множества альтернативных прогнозов. Наиболее часто лучшими оказывались базовые прогнозы (60% случаев), к числу которых относятся прогнозы индекса промышленного производства НИУ ВШЭ, большая часть прогнозов отраслевых индексов промышленного производства НИУ ВШЭ, прогноз индекса потребительских цен, две трети прогнозов индексов цен потребителей по видам экономической деятельности, прогнозы розничного товарооборота, инвестиций в основной капитал, всех показателей внешней торговли, показателя динамики стоимости минимального набора продуктов питания, прогнозы мировых цен на золото и никель, денежных показателей, золотовалютных резервов, реальных располагаемых денежных доходов населения, численности занятого в экономике населения и общей численности безработных.
Наивные прогнозы оказались лучшими (но это не означает, что они обладают хорошим качеством) в 14% случаев. К ним относятся прогнозы индекса промышленного производства легкой промышленности НИУ ВШЭ, индекса цен производителей в обработке древесины и производстве изделий из дерева, прогнозы мировых цен на алюминии и медь, прогнозы валютных курсов и реальной заработной платы. Наивные сезонные прогнозы показателей цены нефти марки Брент и индексов транспортных тарифов составляют 8% от множества всех лучших прогнозов.
И, наконец, прогнозы, построенные с использованием метода скользящего среднего, являются лучшими в 18% случаев. Это прогнозы индекса промышленного производства Росстата, двух отраслевых индексов промышленного производства НИУ ВШЭ, прогноз индекса цен производителей промышленных товаров, прогнозы четырех индексов цен производителей по видам экономической деятельности, прогноз реальных денежных доходов населения.
В таблице 2 представлены результаты анализа последствий корректировки для всех рассматриваемых базовых прогнозов. В ней можно видеть результаты ранжирования базовых прогнозов (прогноз) и четырех рассматриваемых в работе методов корректировки для всего массива рассматриваемых рядов, состоящего из 56 типов базовых прогнозов, на всем массиве прогнозов. В данном случае, 1 - это лучший прогноз/корректировка, 5 - худший. В ячейках таблицы - число случаев, для которых базовый прогноз или его корректировка является лучшим, вторым по качеству, и т.д.
Как следует из табл. 2, наиболее часто (26 из 56 случаев) лучшими по качеству оказались базовые прогнозы рассматриваемых показателей. Следующими по частоте лучшими прогнозами являлись прогнозы, скорректированные при помощи первого метода: 16 случаев из 56. Таким образом, в трех четвертях случаев лучшими оказались либо прогнозы, построенные по предложенной методике, либо их простейшая корректировка на последнюю известную ошибку одношагового прогноза.
Второй метод корректировки - на среднее значение всех известных на момент прогнозирования ошибок одношаговых прогнозов - чаще всего оказывался вторым по качеству (в 23 случаях из 56). Третий и четвертый методы корректировки, в которых для коррекции -шаговых прогнозов (=Т, ..., 6) использовалась последняя известная ошибка Аг-шагового прогноза или среднее значение всех известных на момент прогнозирования ошибок -шаговых прогнозов, давали лучшие прогнозы лишь в 2 и 4 случаях, соответственно. При этом худшими (ранг=5) они оказывались в 33 случаях их 56 (18 и 15, соответственно).
Таким образом, можно говорить о том, что предложенная методика прогнозирования дала хорошие по статистическим свойствам прогнозы, и какие-либо улучшения качества прогнозов чаще всего достигались при помощи самого простого метода корректировки - первого.
Результаты исследования могут быть использованы для прогнозирования российских макроэкономических показателей, корректировки прогнозов на этапе прогнозирования, оценки качества прогнозов и выбора модели, которой в наибольшей степени можно доверять с точки зрения ее прогнозных свойств в текущей экономической ситуации. Проведенный анализ позволяет определить наборы показателей, наилучшим образом прогнозирующимся тем или иным методом в текущей экономической ситуации, выбрать наиболее эффективный метод корректировки прогнозов, если в этом есть необходимость. Также предлагаемая методика дает возможность мониторинга структурных изменений в моделях с минимальным временным лагом.