Диссертация (1138514), страница 18
Текст из файла (страница 18)
Отрицательное значение свидетельствует о контрциклических опережающих свойствах временного ряда.166Значения выделенным жирным цветом возможны к использованию для следующей стадии отбора.94Заключительная итерация построения КИ заключалась в агрегированииотобранных компонентов методом главных компонент с использованием уравнений (4), (12). В приведенной ниже таблице (Таблица 10) представлена суммарнаядисперсия главных компонент.Таблица 10 - Суммарная дисперсия главных компонент (ИКопт)Компонент12345Начальные собственные значениявсего% дисперсиисуммарный %3,8476,8176,810,5110,2787,080,326,4993,570,255,1698,730,061,26100,00Извлечение суммы квадратов нагрузоквсего% дисперсиисуммарный %3,8476,8176,81-Источник: составлено авторомРезультаты графического и кросскорреляционного анализа совместной динамика качественного композитного индикатора ИБПрт и количественного макроэкономического референта – ИФО ВВП (см.
Рисунок 16) свидетельствуют оналичии существенной статистически значимой устойчивой связи с синхроннойкорреляцией (0,75) и опережением на 1 квартал при высоком значении коэффициента – (0,83).Рисунок 16 - Совместная динамика и статистические результаты кросскорреляции Индикатора деловой активности малых оптовых организаций(ИКопт) и статистического референта – ИФО ВВППоследующая процедура заключалась в изучении циклического профиляИКопт малого бизнеса. Учитывая специфику и периодизацию имеющихся результатов конъюнктурных обследований малых оптовых организаций, изучение циклической компоненты индикатора базировалось на выделении 14-летнего средне-95срочного цикла (СЦ) и 18, 24, 30-месячных краткосрочных циклов (КЦ), (см. выражения (7.1)-(8)).Далее (см.
Рисунок 17) приводятся результаты декомпозиции ИКопт послепервого прохода фильтром Ходрика-Прескотта167 – выделенные среднесрочныйцикл и краткосрочный цикл с несглаженной амплитудой (КНЦ).Рисунок 17 - Среднесрочный цикл (СЦ) и краткосрочный цикл снесглаженной амплитудой (КНЦ) в динамике ИКоптПосле второго прохода фильтром Ходрика-Прескотта, когда задаваемый параметр λ изменялся в диапазоне от 1 до 6.8541, были выделены краткосрочныециклы со сглаженной амплитудой (СКЦ) 18,24 и 30 месяцев (см. Рисунок 18).Рисунок 18 - Краткосрочные циклы со сглаженной амплитудой (СКЦ)в динамике ИКопт167Расчетное значение параметра λ, определившего в индикаторе 14-летний СЦ, составило 6323,3022.96В результате совместного кросскорреляционного анализа был установленстатистически значимый и устойчивый во времени краткосрочный цикл.
Так, запериод с I квартала 2000 года по IV квартал 2014 года наиболее очевидным сталциклический интервал в 1,5 года при исключенном влиянии 14-летнего цикла (см.Рисунок 19 и выражения (7.1), (8)).Рисунок 19 - Сглаженный краткосрочный цикл (СКЦ) в динамике ИКоптпри СЦ 14 лет (18 месяцев)Данный вывод обусловлен превалирующим результатом кросс-корреляцииИКопт и СКЦ 18 месяцев при исключенном цикле 14 лет (0,93). Значения коэффициентов, сглаженных с амплитудой 24 и 30 месяцев, составили 0,90 и 0,87 соответственно (см.
выражения (7.1) - (8)).Таким образом, полученный результат свидетельствует о высокой адаптивности методологии ЕК при работе со статистической базой качественных простыхи композитных индикаторов малого бизнеса оптовой торговли.Далее представлена визуализация динамики ИКопт посредством трейсерацикличности с нивелированным влиянием среднесрочной тенденции, соответствующей 14 годам, и сглаженной амплитудой 18 месяцев (см. Рисунок 20 и выражения (7.2), (8)).97Рисунок 20 - Трейсер цикличности ИКоптДвижение трейсера подчеркивает специфику функционирования оптовойторговли в различных фазах делового цикла. При этом подтверждается одна изотличительных особенностей данного сегмента экономики, заключающаяся вопережающем характере его реагирования на конъюнктурные колебания, чтонаглядно отражается в прохождении ИКопт каждого из квадрантов.На примере кризиса 2009 года отчетливо прослеживается способность КИкак агрегированной характеристики деловой конъюнктуры предупреждать о переломных моментах делового цикла, наступлении понижательных и повышательных фаз.
Так, например, последним экономически активным периодом для оптовых МП стал II квартал 2008 года. Именно тогда трейсер вплотную подошел кгранице квадранта, визуализирующего резкое сокращение динамики развитиясектора. В результате, уже в III квартале 2008 года малые оптовые фирмы отреагировали на дестабилизацию конъюнктуры резким и беспрецедентным сокращением деловой активности.Особенно ярко опережающие свойства показателей оптовой торговли выражаются относительно динамики композитного индикатора розничной торговли(ИКрт).
На приведенном ниже рисунке (Рисунок 21) можно проследить, что, в отличие от оптовых организаций, розничный малый бизнес в III квартале 2008 годатолько начинал перемещаться к границе фазы сокращения, преодолев ее уже в IVквартале.98Различным был и процесс восстановления деловой активности организаций.Оптовая торговля перешла в фазу подъема во II квартале 2009 года, ориентируярынок на начинающееся компенсационное восстановление. В то же время розничная торговля характеризовалась восстановлением с квартальным опозданием.Рисунок 21 - Трейсеры цикличности ИКрт и ИКоптЗафиксированные наблюдения подчеркивают необходимость широкого использования индикатора деловой конъюнктуры оптовой торговли. Своевременнаяи оперативная публикация его динамики, представление этих результатов в национальной статистической базе позволит иметь в дополнении к текущей оценкеэкономической активности достоверную информацию относительно приближающихся минимумов или максимумов делового цикла.
В острые дестабилизационные моменты подобные ориентиры особенно важны, так как именно в эти в периоды идет поиск и формирование дополнительных источников роста, способныхуспешно вывести бизнес из кризиса и стать основой его роста в последующие годы.2.4 Применение методов векторной авторегрессии в процессе измеренияделовой конъюнктуры малого предпринимательстваАктуальной задачей при исследовании динамики развития МП посредствомданных конъюнктурных обследований является структурный анализ и прогнозирование возможных будущих значений различных статистических показателей,характеризующих их финансово-экономическую деятельность, в частности, по-99средством композитных индексов деловой конъюнктуры.
Получение точных прогнозов для выработки стратегических корректирующих решений в различных фазах экономического цикла трудно переоценить, особенно, когда функционирование бизнеса находится в эпицентре кризисного периода [Демешев Б.Б., 2015].Существование лагов в выработке оптимизационных действий приводит к тому,что меры, принятые Правительством сегодня, способны повлиять на динамикубизнеса только спустя некоторое время, поэтому при принятии компенсирующихрешений приходится опираться не на текущие, а на ожидаемые показатели.Применение высокоэффективных современных методов на основе векторной авторегрессии (vector autoregressions model, VAR) в настоящее время представляется одним из современных способов решения данной задачи.Изначально модели VAR были представлены в работах (Sims, 1980168;Litterman169, 1979, 1986).
Вопросы построения и оценки моделей VAR подробноизучались в (Lutkepohl170, 2005; Watson171, 1994). Использование моделей векторных авторегрессий рассмотрено в работах (Hamilton172,1994; Campbell173, 1997;Tsay174, 2002; Johnson, Wichern175 2007; Greene176, 1999).Применение аппарата векторных авторегрессий (VAR) к анализу макроэкономической динамики берет свое начало с работы Sims (1980). Следует отметить,что за эмпирические исследования причинно-следственных связей в макроэконо-168Sims C. A. (1980).
Macroeconomics and reality. Econometrica, 48, 1–48.Sims, Christopher A and Tao Zha(1998). “Bayesian methods for dynamic multivariate; models”. In: International Economic Review, pp. 949–968.169Litterman R. B. (1979). Techniques of forecasting using vector autoregressions. Working Papers 115,FederalReserve Bank of Minneapolis; Litterman R. B (1986). Forecasting with Bayesian vector autoregressions — Five years ofexperience.
Journal of Business and Economic Statistics, 4 (1), 25–38.170Lutkepohl H. (2005). New introduction to multiple time series analysis. Springer, Berlin.Watson M. (1994). Vector autoregressions and cointegration. Handbook of Econometrics, Vol. IV. R.F. Engleand D. McFadden (eds.). Elsevier Science Ltd., Amsterdam.172Hamilton J. D. (1994). Time series analysis.
Princeton University Press.173Campbell J. Y., Lo A. W., MacKinlay A. C. (1997). The econometrics of financial markets. Princeton University Press, Princeton, NJ.174Tsay R. S. (2002). Analysis of financial time series. John Wiley and Sons.175Johnson R. A., Wichern D. W. (2007). Applied multivariate statistical analysis. Prentice Hall.176Greene W. H. (1999). Econometric analysis. Prentice Hall.171100мике американцы Томас Сарджент и Кристофер Симс стали Лауреатами Нобелевской премии по экономике в 2011 году 177.В настоящем разделе изложены результаты применения методов векторнойавторегрессии в задаче анализа динамики развития МП, решаемой на квартальныхстатистических временных рядах конъюнктурных обследований.Векторные авторегрессии позволяют на основе реальных данных смоделировать шоки, которые можно рассматривать как основные причины макроэкономических колебаний (например, неожиданный экзогенный шок монетарной политики или неожиданное экзогенное изменение производительности) и оценить ихвлияние на экономику [Пекарский С.Э., 2012].Данный подход позволяет установить эмпирические закономерности поведения макроэкономических показателей, включая их импульсные отклики в ответна идентифицированные структурные шоки.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
