Моделирование агрегированных показателей внешнеэкономической деятельности России с помощью блочных BVARX-моделей
Аннотация
В статье предлагается новый подход к моделированию и прогнозированию ключевых показателей внешнеэкономической деятельности России на основе блочной архитектуры байесовской векторной авторегрессии (BVARX). В условиях высокой внешней неопределенности и отсутствия с 2022 г. в открытом доступе данных по физическим объемам внешней торговли модель решает две взаимосвязанные задачи: сценарное прогнозирование и восстановление рядов.
Методология основана на разделении системы переменных на четыре содержательных блока (валютный рынок, нефтегазовый экспорт, условия торговли и импорт), что позволяет формулировать экономически интерпретируемые априорные ограничения и обеспечивать вычислительную эффективность. Модель оценивается на квартальных данных с 2000 г. Результаты показывают, что качество прогнозов BVARX модели на горизонтах от одного до восьми кварталов существенно превышает точность базовых авторегрессионных моделей (AR/ARX) для рассматриваемых переменных. В качестве прикладного результата представлены восстановленные значения показателей нефтегазового экспорта и импорта за период 2022–2025 гг.
Скачивания
Литература
Andreev M. (2022) Effects of the Fiscal Rule and Model Assumptions on the Response of Inflation in the Aftermath of a Terms-of-trade Shock. Bank of Russia Research Paper Series. Moscow: Central Bank of the Russian Federation, 107. [In Russ.]
Beklaryan G.L. (2018) Aggregated Simulation Model of the Foreign Economic Activity of the Russian Federation. Economics of Contemporary Russia, 4, pp. 50–65. [In Russ.] DOI: https://doi.org/10.33276/S0000185-6-1
Deryugina E., Ponomarenko A. (2015) A Large Bayesian Vector Autoregression Model for Russia. Bank of Russia, 1. DOI: https://doi.org/10.2139/ssrn.2686550
Dreger C., Kholodilin K., Ulbricht D., Fidrmuc J. (2016) Between the Hammer and the Anvil: The Impact of Economic Sanctions and Oil Prices on Russia’s Ruble. Journal of Comparative Economics, 2 (44), pp. 295–308. DOI: https://doi.org/10.1016/j.jce.2015.12.010
Fokin N., Polbin A. (2019) A VAR-LASSO Model for Forecasting Key Macroeconomic Indicators of Russia. Russian Journal of Money and Finance, 2. [In Russ.]
Hyndman R., Athanasopoulos G. (2021) Forecasting: Principles and Practice. Econometrics and Business Statistics.
Kreptsev D.A., Seleznev S.M. (2017) A DSGE Model of the Russian Economy with a Banking Sec-tor. Bank of Russia Research Paper Series, 27. [In Russ.]
Kudrin A.L., Sokolov I.A., Suchkova O.V. (2023) Assessing the Impact of Fiscal Rules on the Cyclicality of Public Spending. Voprosy Ekonomiki, 5, pp. 5–22. [In Russ.] DOI: https://doi.org/10.32609/0042-8736-2023-5-5-22
Litterman R. (1986) Forecasting with Bayesian Vector Autoregressions. Journal of Business and Economic Statistics, 4, 1, pp. 25–38. DOI: https://doi.org/10.1080/07350015.1986.10509491
Pestova A.A., Mamonov M.E. (2016) Assessment of the Impact of Various Shocks on the Dynamics of Macroeconomic Indicators in Russia and Development of Conditional Forecasts Based on the BVAR Model of the Russian Economy. Economic Policy, 11, pp. 56–92. [In Russ.] DOI: https://doi.org/10.18288/1994-5124-2016-4-03
Pilnik N.P., Uzhegov A.A. (2017) Model of Foreign Economic Activity of the Russian Economy. Modeling the Coevolution of Nature and Society: Problems and Experience. To the 100th anniversary of the birth of Academician N.N. Moiseev (MOISEEV-100). FRC CSC RAS, pp. 280–290. [In Russ.]
Pilnik N.P., Shaikhutdinova M.F. (2017) Modeling of the Balance of Payments State in Russia. State University of the Ministry of Finance of Russia. Financial Journal, 5, pp. 84–101. [In Russ.]
Pobin A., Sinelnikov-Murylev S. (2024) Developing and Impulse Response Matching Estimation of the DSGE Model for the Russian Economy. Applied Econometrics, 73, pp. 5–34. DOI: https://doi.org/10.22394/1993-7601-2024-73-5-34
Votinov A.I., Polshchikova Yu.A. (2025) Relationship between the Neutral Interest Rate and the Parameters of the Fiscal Rule: DSGE-Model of the Russian Economy. Journal of the New Economic Association, 3, 68, pp. 160–187. [In Russ.] DOI: https://doi.org/10.31737/22212264_2025_3_160-187
Zivot E., Wang J. (2006) Modeling Financial Time Series with S-Plus. New York: Springer.
Zubarev A.V., Kirillova M.A. (2023) Assessment of Russia's GDP Losses Due to Sanctions Using a Global Vector Autoregressive Model. Voprosy Statistiki, 1, 30. [In Russ.] DOI: https://doi.org/10.34023/2313-6383-2023-30-1-18-26
Zubarev A.V., Rybak K.S. (2022) Assessment of the Impact of Global Shocks on the Russian Economy within a Factor Model. Journal of the New Economic Association, 4, 56, pp. 48–68. [In Russ.] DOI: https://doi.org/10.31737/2221-2264-2022-56-4-3
