Среднесрочная межотраслевая эконометрическая модель экономики города Москвы
DOI:
https://doi.org/10.17059/ekon.reg.2024-1-1Ключевые слова:
прогнозирование ВРП, региональные бюджетные расходы, региональная отраслевая структура, модели типа «Инфорум», таблицы «затраты - выпуск», кросс-валидацияАннотация
Москва — крупнейший регион России, лидирующий по многим социально-экономическим показателям и в силу своего масштаба влияющий на экономику страны в целом. Это определяет цель исследования — построение модели для прогнозирования основных индикаторов развития московской экономики. Реализация данной цели предполагает выполнение следующих основных задач: а) выбор оптимального типа модели и прогностических методов, б) преобразование доступной региональной статистики в форму, позволяющую применять эти методы, в) нахождение алгоритма для учета влияния детализированных бюджетных расходов на московскую экономику, г) комбинацию результатов выполнения предыдущих задач для построения прогнозной модели. В статье описана разработанная авторами среднесрочная сценарная модель экономики Москвы, в рамках которой сочетаются межотраслевой и эконометрический подходы к прогнозированию экономического развития. Обосновывается использование наилучших кросс-валидационных метрик для выбора оптимальных с точки зрения прогнозирования эконометрических моделей. Разработан алгоритм перевода сумм расходов по детализированным кодам расходов бюджетной классификации в отраслевой разрез. Предложен подход к оценке влияния расходов московского бюджета на экономику c учетом внутригородских межотраслевых связей. Приведены результаты модельных расчетов, в рамках которых в качестве сценариев используются два комплексных макроэкономических прогноза: базовый прогноз Минэкономразвития России (апрель 2023 г.) и инерционный прогноз ИНП РАН (март 2023 г.). Сценарий Минэкономразвития в числе прочего предполагает прирост ВВП России в постоянных ценах в 2023–2025 гг. в 1,2, 2,0 и 2,6 % соответственно. Прогнозные темпы прироста московского ВРП в этом сценарии — 0,5, 0,8 и 1,2 % соответственно. Согласно выполненным расчетам, к 2025 г. московский ВРП в текущих ценах увеличится в зависимости от сценария до 30,9–31,7 трлн руб., а мультипликатор московских бюджетных расходов на ВРП в 2023–2025 гг. будет оставаться на уровне 0,76-0,77.
Библиографические ссылки
Almon, C. (1996). Regression with Just the Facts. Working Paper, 12. http://inforumweb.inforumecon.com/papers/wp/wp/1996/wp96014.pdf
Almon, C. (2016). Inforum models: Origin, evolution and byways avoided. Trans. from English. Problemy prognozirovaniya [Studies on Russian Economic Development], 27 (2), 119-126. https://doi.org/10.1134/S1075700716020039 (In Russ.)
Almon, C. (2017). The Craft of Economic Modeling (3rd ed.). CreateSpace Independent Publ., 458.
Barthélemy, J., & Suesse, T. (2018). mipfp: An R Package for Multidimensional Array Fitting and Simulating Multivariate Bernoulli Distributions. Journal of Statistical Software, Code Snippets, 86 (2), 1–20. https://doi.org/10.18637/jss.v086.c02
Breiman, L. (2001). Statistical Modeling: The Two Cultures. Statistical Science, 16 (3), 199-231. https://doi.org/10.1214/ss/1009213726
Freedman, D. (2009). Limits of Econometrics. International Econometric Review, 1 (1), 5-17.
Freedman, D., Collier, D., Sekhon, J., & Stark, P. (Eds.). (2011). Statistical Models and Causal Inference: A Dialogue with the Social Sciences (1st ed.). Cambridge University Press, 416.
Ghezzi, L. (2013). Households Consumption in Italy. The INFORUM approach for a new multisectoral-multiregional model. In: Macroeconomics modelling for policy analysis (pp. 65-82). Firenze: Firenze University Press. https://doi.org/10.1400/208276
Grassini, M. (2009). Rowing along the computable general equilibrium modelling mainstream. Trans. Problemy prognozirovaniya [Studies on Russian Economic Development], 20 (2), 134-146. https://doi.org/10.1134/S1075700709020026 (In Russ.)
Großmann, A., Schwarz, S., Hohmann, F., & Mönnig, A. (2020). A regionalized national Input-Output Modell for Chile (COFORCE): Methodology and Applications. GWS Discussion Paper, 2020/3, Gesellschaft für Wirtschaftliche Strukturforschung (GWS), Osnabrück.
Hastie, T., Tibshirani, R., & Friedman, J. (2016). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer Publ., 767.
Hirschauer, N., Grüner, S., Mußhoff, O., Becker, C., & Jantsch, A. (2020). Can p-values be meaningfully interpreted without random sampling? Statistics Surveys, 14, 71-91. https://doi.org/10.1214/20-SS129
Kronenberg, T., & Wolter, M. I. (2017). Harmonization of regional and national input-output models: the case of Germany. https://clck.ru/3RaRuX
Martens, H., & Næs, T. (1992). Multivariate Calibration (1st ed.). Wiley, 419.
Mayor, M., López, A., & Pérez, R. (2007). Forecasting Regional Employment with Shift–Share and ARIMA Modelling. Regional Studies, 41 (4), 543-551. https://doi.org/10.1080/00343400601120205
Meade, D. (2001). The LIFT Model. Inforum, Working paper. http://inforumweb.inforumecon.com/papers/wp/wp/2001/wp01002.pdf
Mevik, B.-H., & Wehrens, R. (2007). The pls Package: Principal Component and Partial Least Squares Regression in R. Journal of Statistical Software, 18 (2), 1–23. https://doi.org/10.18637/jss.v018.i02
Mevik, B.-H., Segtnan, V., & Næs, T. (2004). Ensemble methods and partial least squares regression. Journal of Chemometrics, 18 (11), 498-507. https://doi.org/10.1002/cem.895
Miller, R., & Blair, P. (2009). Input-output analysis. Foundations and extensions. Cambridge University Press, 750.
Peters, S., & Freedman, D. (1984). Some Notes on the Bootstrap in Regression Problems. Journal of Business & Economic Statistics, 2 (4), 406-409. https://doi.org/10.1080/07350015.1984.10509416
Ponomarev, Yu. Yu., & Evdokimov, D. Yu. (2021). Construction of Truncated Input–Output Tables for Russian Regions Using Location Quotients. Problemy prognozirovaniya [Studies on Russian Economic Development], 32 (6), 619-630. https://doi.org/10.1134/S1075700721060125 (In Russ.)
Shirov, A. A., Potapenko, V. V., Nikitin, K. M., & Chaplina, Yu. Yu. (2022). The System of Short-Term Regional Economic Monitoring in Moscow. Problemy prognozirovaniya [Studies on Russian Economic Development], 33 (3), 301-310. https://doi.org/10.1134/S1075700722030145 (In Russ.)
Tukey, J. (1997). More honest foundations for data analysis. Journal of Statistical Planning and Inference, 57 (1), 21-28. https://doi.org/10.1016/S0378-3758(96)00032-8
Wasserstein, R., Schirm, A., & Lazar, N. (2019). Moving to a World Beyond “p<0.05”. The American Statistician, 73 (sup1), 1-19. https://doi.org/10.1080/00031305.2019.1583913
Ziliak, S., & McCloskey, D. (2008). The Cult of Statistical Significance: How the Standard Error Costs Us Jobs, Justice, and Lives. University of Michigan Press, 352.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Кирилл Михайлович Никитин, Alexander A. Shirov , Yulia Yu. Chaplina , Dmitry A. Polzikov , Vadim V. Potapenko

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

