Том 10 № 3 (2024): MOLIYA VA BANK ISHI
Статьи выпуска

Composite Indicators of Business Activity Surveys for Nowcasting Economic Growth

pdf
  • Murad Raxmanov
Murad Raxmanov
начальник юридического отдела главного управления по городу Ташкенту Центрального Банка Республики Узбекистан

Опубликован 13.08.2024

Ключевые слова

  • обследования деловой активности,
  • индекс экономических настроений,
  • индекс бизнес-климата,
  • векторная авторегрессия,
  • дамми-переменные

Как цитировать

Raxmanov, M. (2024). Composite Indicators of Business Activity Surveys for Nowcasting Economic Growth. ФИНАНСЫ И БАНКОВСКОЕ ДЕЛО, 10(3), 67–74. извлечено от https://journal.bfa.uz/index.php/bfaj/article/view/245

Аннотация

В работе оценивается эффективность использования агрегированных результатов обследований деловой активности для наукастинга и краткосрочного прогнозирования роста ВВП, а также сравниваются прогностические возможности различных композитных индикаторов на основе таких обследований. Эмпирической базой исследования являются результаты обследований деловой активности и потребительских ожиданий Росстата, а также мониторинга предприятий Банка России, агрегированные в индексы экономических настроений и бизнес-климата, соответственно. Результаты совместного статистического тестирования временных рядов выявили тесную корреляцию между динамикой каждого композитного индикатора и индексом физического объема ВВП, а также наличие между ними причинности по Грейнджеру. Для наукастинга и краткосрочного прогнозирования экономического роста выбрана модель векторной авторегрессии с дамми-переменными, построено три версии такой модели. Согласно полученным параметрам качества внутривыборочных прогнозов, наименьшие ошибки дает спецификация, включающая комбинацию композитных индикаторов.

pdf

Библиографические ссылки

  1. UN. Handbook on Economic Tendency Survey. New York: UN, 2015. 145 p.
  2. European Commission. The Joint Harmonised EU Programme of Business and Consumer Surveys. User Guide (Updated January 2024). https://economy-finance.ec.europa.eu/document/download/4f162b92-e654-4cef-beed-38960dae1b09_en?filename=bcs_user_guide.pdf.
  3. Kitrar L., Lipkind T. The relationship of economic sentiment and GDP growth in Russia in light of the Covid-19 crisis // Entrepreneurial Business and Economics Review. 2021. Vol. 9(1). P. 7–29. doi: https://doi.org/10.15678/EBER.2021.090101.
  4. Китрар Л., Липкинд Т. Анализ взаимосвязи индикатора экономических настроений и роста ВВП. Экономическая политика. 2020. T. 16. № 6. С. 8–41. doi: https://doi.org/10.18288/1994-5124-2020-6-8-41.
  5. OECD. OECD System of Composite Leading Indicators. 2012. https://www.oecd.org/sdd/41629509.pdf.
  6. Mourougane A., Roma M. Can Confidence Indicators Be Useful to Predict Short Term Real GDP Growth? // Applied Economics Letters (2003). Vol. 10. No 8. P. 519–522.
  7. McNabb R., Taylor K. Business Cycles and the Role of Confidence: Evidence for Europe // Oxford Bulletin of Economics and Statistics (2007); Vol. 69. No 2. P. 185–208.
  8. Christiansen C., Eriksen J.N., Moller S.V. Forecasting US Recessions: The Role of Sentiment // Journal of Banking and Finance. 2014. 49: 459–468. doi: https://doi.org/10.1016/j.jbankfin.2014.06.017.
  9. Bondt G. J., Schiaffi S. Confidence Matters for Current Economic Growth: Empirical Evidence for the Euro Area and the United States // Social Science Quarterly. 2015. Vol. 96. No 4. P. 1027–1040. doi: https://doi.org/10.1111/ssqu.12181.
  10. Claveria O., Pons E., Ramos R. Business and Consumer Expectations and Macroeconomic Forecasts // International Journal of Forecasting. 2007. 23(1):47-69. doi: https://doi.org/10.1016/j.ijforecast.2006.04.004.
  11. Cesaroni T. The cyclical behavior of the Italian business survey data // Empirical Economics. 2011. 41: 747–768. doi: https://doi.org/10.1007/s00181-010-0390-7.
  12. Banbura M., Runstler G. A look into the factor model black box – publication lags and the role of hard and soft data in forecasting GDP // ECB Working Paper. 2007. No 751. Frankfurt am Main: ECB. https://ssrn.com/abstract=984265.
  13. Angelini E., Camba-Méndez G. Giannone D., Rünstler G., Reichlin L. Short-term forecast of euro area GDP growth // ECB Working Paper. 2008. No 949. Frankfurt am Main: ECB. https://www.ecb.europa.eu/pub/pdf/scpwps/ecbwp949.pdf.
  14. Girardi A. Expectations and macroeconomic fluctuations in the euro area // Economics Letters. 2014. Vol. 125(2). P. 315-318. doi: https://doi.org/10.1016/j.econlet.2014.09.031.
  15. Gayer C., Girardi A., Reuter A. The Role of Survey Data in Nowcasting Euro Area GDP Growth // European Commission Economic Papers. 2014. No 538. https://ec.europa.eu/economy_finance/publications/economic_paper/2014/pdf/ecp538_en.pdf.
  16. Basselier R., de Antonio Liedo D., Langenus G. Nowcasting Real Economic Activity in the Euro Area: Assessing the Impact of Qualitative Surveys // Working Paper Research. 2017. No. 331. Brussels: National Bank of Belgium.
  17. Bruno, G., Lupi, C. Forecasting industrial production and the early detection of turning points // Empirical Economics. 2004. Vol. 29. P. 647–671. doi: https://doi.org/10.1007/s00181-004-0203-y.
  18. Mattos D., Sequeira A.N., Lobão W., Costa Ferreira P. Forecasting Brazilian Industrial Production with the VAR Model and SARIMA with Smart Dummy. Pres. at the 33rd CIRET Сonference «Economic Tendency Surveys and Economic Policy». 2016. Copenhagen.
  19. Медведев И. Сравнение эффективности режимов чистого и гибридного инфляционного таргетирования с точки зрения контроля над инфляцией // Проблемы прогнозирования (2023); № 2, стр. 169-182. https://doi.org/10.47711/0868-6351-197-169-182.
  20. Арефьев Н. Частичная идентификация монетарного правила на основе лаговых ограничений // Экономический журнал ВШЭ (2016); Т. 20. № 3. С. 500–512.
  21. Крепцев Д., Селезнев С. Влияние ставок денежного рынка на ставки по кредитам конечным заемщикам. Банк России // Серия докладов об экономических исследованиях (2016). URL: https://cbr.ru/Content/Document/File/16731/wps_9.pdf.
  22. Орлов К. Построение большой байесовской векторной авторегрессионной модели для Казахстана. Департамент денежно-кредитной политики Банка Казахстана. Экономическое исследование (2021); №2021-1. https://www.nationalbank.kz/file/download/65031.
  23. Безбородова А. SVAR: анализ и прогнозирование основных макроэкономических показателей // Национальный Банк Республики Беларусь. Исследования Банка №11. 2017.
  24. Китрар Л., Липкинд Т., Усов Н. Прогнозирование роста ВВП с учетом кризисных шоков на основе результатов обследований деловой активности. Вопросы статистики. 2021. Т. 28 № 4. С. 80-95. doi: https://doi.org/10.34023/2313-6383-2021-28-4-00-00.
  25. Кобзев А., Андреев А. Индикаторы деловой активности и инфляции на основе мониторинга предприятий. Аналитическая записка ЦБ РФ. 2021. https://cbr.ru/Content/Document/File/119543/analytic_note_20210322.pdf.
  26. Банк России. Мониторинг нефинансовых предприятий: методология Банка России. 2022. https://cbr.ru/Content/Document/File/130872/mm_br.pdf.
  27. Банк России. Мониторинг предприятий для целей кредитно-денежной политики: мировой опыт. 2022. https://cbr.ru/Content/Document/File/131901/mp_we.pdf.
  28. Sims C. A. Macroeconomics and Reality // Econometrica. 1980. Vol. 48. P. 1–48.
  29. Lütkepohl H. Vector Autoregressive Models // Lovric M. (ed.) International Encyclopedia of Statistical Science. 2011. Berlin, Heidelberg: Springer.
  30. Banbura M., Giannone D., and Reichlin L. Large Bayesian vector auto regressions // Journal of applied Econometrics 25.1 (2010): 71-92.
  31. Gupta R., Jurgilas M., Kabundi A. The effect of monetary policy on real house price growth in South Africa: A factor-augmented vector autoregression (FAVAR) approach // Economic modelling. 2010. Vol. 27.1 P. 315-323. doi: https://doi.org/10.1016/j.econmod.2009.09.011.