Диссертация (1138015), страница 16
Текст из файла (страница 16)
Пространственныеэффекты значимы как в случае статической, так и в случае динамическоймодели. Подтверждается вывод Lottmann [2012] о том, что динамическаямодель лучше описывает данные. По результатам оценивания различиймежду Западной и Восточной Германией выявлено, что безработицазападных регионов, скорее, объясняется теорией о неравновеснойбезработице, в то время как безработица восточных регионов имеетравновесную природу. Пространственные эффекты оказались сильнее дляЗападной Германии. Кроме того, с помощью расширенной спецификациидинамической модели было определено, что безработица в ВосточнойГермании влияет на безработицу и в Восточной, и в Западной Германии, абезработица в западных регионах влияет только на безработицу в ЗападнойГермании.Результаты настоящего исследования могут быть использованы вформировании политики снижения безработицы следующим образом.
Вопервых, в случае проведения политики на рынке труда в регионенеобходимо воздействовать не только на сам проблемный регион, но и насоседние регионы. Во-вторых, необходимо учитывать, что никакие меры!94не смогут до конца нивелировать региональные различия в уровняхбезработицы. Тем не менее, бороться с ней можно, воздействуя нанеравновесныефакторы.В-третьих,приформированииполитикирегулирования рынков труда необходимо учитывать, в какой части странынаходится проблемный регион, а также принимать во вниманиеасимметричность пространственных эффектов между восточными изападными регионами.!95Глава 3 Прогнозирование региональной безработицы спомощью пространственных эконометрических моделейДаннаяглавапосвященапрогнозированиюрегиональнойбезработицы с помощью пространственных эконометрических моделей.Представлен обзор литературы, посвященной вопросу прогнозированиярегиональных показателей, описываются спецификации оцениваемыхмоделей, используемые данные и переменные, методы оцениваниямоделей.
Построены прогнозы для уровня региональной безработицы вРоссиииГерманииспомощьюпространственныхидругихэконометрических моделей. Результаты главы изложены в работе[Семерикова и др., 2016].Прогнозирование основных показателей состояния рынков трудаимеет большое экономическое и социальное значение для многих стран, втом числе для России. Например, в рамках Гайдаровского форума 15января2016г.состояласьэкспертнаядискуссия«Проблемыпрогнозирования и моделирования рынка труда в России».
Одним изсамых важных показателей рынка труда является уровень безработицы,прогнозированию которого посвящено множество работ на данныхразличных стран. Техника прогнозирования достаточно хорошо развитадля временных рядов, поэтому не удивительно, что исследователи вподавляющем большинстве случаев используют данные этого типа.Однако нередко возникает дилемма, какой частоты данные надоиспользовать.
Ряд с промежутком в один год может оказатьсянедостаточно длинным, а при использовании квартальных и месячныхданных на первый план выходит проблема сезонности (затрудняющаяприменение традиционных техник исследования временных рядов спомощью методологии Бокса–Дженкинса и поиска коинтеграционныхсоотношений).В связи с этим все чаще появляются исследования, авторы которых(остановимся на некоторых исследованиях ниже) используют данные не!96для стран, а для более мелких административных единиц — регионов. Этопозволяет использовать панельные данные, получать более детальныепрогнозы, что представляет интерес для стран со значительнымрегиональнымразнообразием,например,РоссиииГермании.Прогнозирование регионального уровня безработицы не менее важно, чемпрогнозирование безработицы для страны в целом.
Это может оказатьпомощь при разработке внутренней экономической политики, к примеру,как распределить ресурсы и расходы между регионами. Показателирынков труда зачастую имеют более существенные различия междурегионами, чем между странами [Overman и др., 2002], и уровеньрегиональнойбезработицыможетсущественноотличатьсяотобщенационального. Прогнозирование региональных показателей являетсядостаточно сложной задачей, в том числе и потому, что регионывзаимосвязаны, и необходимо учитывать их взаимное влияние друг надруга.В настоящей главе осуществлена попытка предсказать уровеньбезработицы в региональном разрезе для России и Германии.
С помощьюпанельныхданныхиспользуемыйвучитываетсяработерегиональнаягетерогенность,пространственно-эконометрическийаподходпозволяет учесть взаимное влияние регионов друг на друга. Располагаяданными за 2005–2012 гг. (для России) и 2005–2011 гг.
(для Германии),авторы строят предсказания для 2011–2012 гг. в предположении, чтообъясняющиепеременныеизвестны.Такжестроитсяпрогнознадополнительный год в предположении, что объясняющие переменныенеизвестны, вследствие чего используются их лаги в оцениваемой модели.Основная цель данной главы — проверить, насколько включениепространственных эффектов улучшает качество прогноза. Прогноз,полученный с помощью пространственных эконометрических моделей,сравнивается с предсказаниями на основе других распространенныхмоделей!панельныхданных.Кроме97того,качествопредсказаниясравнивается с наивными прогнозами, рассчитанными как предыдущеезначение уровня безработицы и среднее значение предыдущих значений занесколько лет. В качестве критериев сравнения используются средняяквадратичная ошибка (RMSE), средняя абсолютная ошибка в процентах(MAPE), средняя абсолютная ошибка (MAE), симметричная абсолютнаяошибка в процентах (sMAPE).3.1 Обзор исследований, использующих пространственные модели дляпрогнозирования на региональных данныхБольшая часть исследований, в которых рассматривается вопроспрогнозирования на региональном уровне, описаны в работе Lehmann,Wohlrabe[2014].Авторыотмечают,чтопрогнозированиесиспользованием региональных данных становится все более популярным,причем в большинстве исследований основное внимание направлено напрогнозирование валового регионального продукта (ВРП) или показателейрынка труда, таких как безработица или занятость.
Mayor, Patuelli [2012]показывают, что в случае длинных временных промежутков моделивременных рядов позволяют получить лучшее качество прогноза, чемпространственные модели, однако в случае небольшого числа наблюденийво времени все же «выигрывают» пространственные модели.Остановимся подробнее на двух типах используемых моделей. Впервом типе моделей участвует только зависимая переменная свременными и пространственными лагами [Schanne и др., 2010], а вовтором дополнительно включены независимые объясняющие переменные.Преимуществом моделей первого типа является простота построенияпрогноза. Аналогично прогнозам для временных рядов, для этих моделейтребуются лишь значения зависимой переменной на одном или несколькихпредыдущих шагах, а включение пространственных лагов не сильноусложняет схему (подробнее см.
в разделе 3.1). Schanne, Wapler, Weyh[2010], используя месячные данные о региональных показателях рынкатруда (в том числе уровне безработицы) для 176 регионов Германии с!98января 1998 г. по декабрь 2007 г., сравнивают ARIMA и GVAR модели(часть наблюдений использовалась для оценки параметров моделей, аостальные для проверки качества прогноза на основе соответствующеймодели).Былопоказано,чтомоделиGVAR,включающиепространственные лаги, позволяют сделать более точные прогнозы на 12месяцев 2004, 2005, 2006, 2007 гг. Kholodilin, Siliverstovs, Kooths [2008],используя данные для 16 земель Германии за 1993–2001 гг., сравниваютпрогнозы для ВРП на 2002–2006 гг., полученные с помощью динамическихмоделей панельных данных с независимыми ошибками, и прогнозы,полученные с помощью динамических моделей с пространственнокоррелированнымиошибками(SAE,spatiallyautocorrelatederrors).Последние модели позволяют улучшить качество предсказания (втерминах показателя RMSE) на 25%.
Авторы обоих исследованийотмечают, что включение в модель пространственных эффектов позволяетлучше учесть разницу, существующую между восточными и западныминемецкимирегионами.Вдругомисследованииприпостроениимногошагового прогноза ежегодных темпов роста ВРП в 31 китайскойпровинции Girardin, Kholodilin [2011] также сравнивают прогнозы,полученныеспомощьюдинамическихмоделейсвключениемпространственных лагов и без них (взвешенного роста темпа ВРП всоседнихпровинциях).Пространственно-эконометрическиемоделипозволяют получить более точный прогноз на каждом шаге, причемвыгода от их использования увеличивается в случае более длинныхгоризонтов прогнозирования: при прогнозировании на один год точностьпрогноза увеличивается на 8% в терминах средней квадратичной ошибки,а при прогнозировании на 14 лет — более чем на 25%.Модели второго типа дают возможность учесть дополнительнуюинформацию, содержащуюся в независимых переменных, что позволяетнадеяться на более точный прогноз.
Но в этом случае возникает проблема,что при оценке модели на некотором временном интервале для прогноза на!99один или несколько шагов необходимы будущие значения объясняющихпеременных, а они недоступны. Поэтому приходится либо использоватьлаги независимых переменных ( X t −1 и т.п.
вместо X t ), что сделано,например, в работе Longhi, Nijkamp [2007], либо оценивать системууравнений Polasek и др. [2007], либо использовать имитационноемоделирование данных [Baltagi и др., 2006], либо строить прогнозы длянезависимыхпеременных[Ачкасовидр.,2016].Приведемдополнительные подробности перечисленных статей.Baltagi, Fingleton, Pirotte [2014], используя данные имитационногомоделирования,сравниваютпрогнозыподинамическиммоделям,оцененным с помощью обобщенного метода моментов. Полученныерезультаты свидетельствуют о преимуществе прогнозирования на основемоделей, в которые включены пространственные эффекты.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
