Прогнозирование доходов федерального бюджета с использованием MIDAS-моделей
Аннотация
Актуальность работы заключается в необходимости в условиях роста нестабильности и политической напряженности оперативно принимать управленческие решения в сфере общественных финансов с ориентацией на прогнозные модели, корректирующиеся в режиме реального времени. Предмет исследования — взаимосвязи российских экономических показателей и их использования для прогнозирования доходов федерального бюджета. Цель работы — прогнозирование доходов федерального бюджета посредством применения MIDAS-моделей. Основными методами исследования явились анализ взаимосвязей экономических показателей, сравнение полученных результатов по MIDAS-моделям. Результатом работы стал выбор модели прогнозирования доходов федерального бюджета, в основу которой заложены разночастотные данные, позволяющие проводить оценку с высокой степенью достоверности в режиме реального времени с учетом деловой активности бизнеса и внешней экономической ситуации. Использование результатов настоящего исследования позволит повысить точность прогнозирования доходов федерального бюджета. Сделан вывод, что MIDAS-модель в дальнейшем представит возможность осуществлять ежеквартальные корректировки с учетом изменения ситуации на рынке.
Ключевые слова
прогнозирование доходов,
бюджетное прогнозирование,
модели оценки доходов бюджета,
модели MIDAS,
высокочастотные данные
При поддержке: Статья подготовлена по результатам исследований, выполненных за счет бюджетных средств по государственному заданию Финансовому университету на 2024 г., Москва, Россия.
Об авторе
О. В. Борисова
Финансовый университет, Москва, Россия
Россия
Россия
Ольга Викторовна Борисова — кандидат экономических наук, доцент, ведущий научный сотрудник Института исследований социально-экономических трансформаций и финансовой политики; доцент кафедры корпоративных финансов и корпоративного управления
Список литературы
1. Uras N, Marchesi L, Marchesi M, Tonelli R. 2020. Forecasting bitcoin closing price series using linear regression and neural networks models. PeerJ Computer Science. DOI: 10.7717/peerj-cs.279
2. Prabhu B.V., Dakshayini M. Performance analysis of the regression and time series predictive models using parallel implementation for agricultural data. Procedia Computer Science. 2018;132:198–207.
3. Серков Л.А. Критический подход к анализу проблем динамических стохастических моделей общего равновесия. Экономика и бизнес: теория и практика. 2015;(8):122–126. Serkov L.A. A critical approach to the analysis of problems of dynamic stochastic models of general equilibrium. Ekonomika i biznes: Teoriya i praktika = Economics and Business: Theory and practice. 2015;(8):122–126. (In Russ.).
4. Debortoli D., Galı J. Monetary policy with heterogeneous agents: insights from tank models. Universitat Pompeu Fabra: Working papers; 2017, pp. 1–38.
5. Storm S. Cordon of Conformity: Why DSGE models are not the future of macroeconomics. International Journal of Political Economy. 2021;50(2):77–98.
6. Ozkan N. Government budget predictions with mixed frequency analysis. dissertation of doctor of philosophy. Chapel Hill, University of North Carolina; 2014. р.102.
7. Pedregal D., Perez J. Should quarterly government finance statistics be used for fiscal surveillance in Europe? International Journal of Forecasting. 2010;26:794–807.
8. Paredes J., Pedregal D., Perez J. A quarterly fiscal database for the euro area based on intra-annual fiscal information. ECB working paper series. 2009;1132:1–47.
9. Asimakopoulos S., Paredes J., Warmedinger T. Forecasting fiscal time series using mixed frequency data. ECB working paper series. 2013;1550:1–49.
10. Ghysels E., Ozkan N. Real-time forecasting of the US federal government budget: A simple mixed frequency data regression approach. International Journal of Forecasting. 2015;31:1009–1020.
11. Макеева Н.М., Станкевич И.П. Наукастинг элементов использования ВВП России. Экономический журнал ВШЭ. 2022;26(4):598–622.
12. Makeeva N.M., Stankevich I.P. The science of the elements of the use of Russia’s GDP. Ekonomicheskij zhurnal VSHE = HSE Economic Journal. 2022;26(4):598–622. (In Russ.).
13. Третьяков Д.В., Фокин Н.Д. Помогают ли высокочастотные данные в прогнозировании российской инфляции? Вестник Санкт-Петербургского университета. Экономика. 2021;37(2):318–343. Tretyakov D.V., Fokin N.D. Do high-frequency data help in forecasting Russian inflation? Vestnik SanktPeterburgskogo universiteta. Ekonomika = Bulletin of St. Petersburg University. Economy. 2021;37(2):318–343. (In Russ.).
14. Борисова О.В., Комиссарова А.В. Модели прогнозирования бюджетных доходов в России. Финансовая жизнь. 2023;(3):53–58. Borisova O.V., Komissarova A.V. Models for forecasting budget revenues in Russia. Finansovaya zhizn’ = Financial life. 2023;(3):53–58. (In Russ.).
15. Станкевич И.П. Сравнение методов наукастинга макроэкономических индикаторов на примере российского ВВП. Прикладная эконометрика. 2020;59:113–127. Stankevich I.P. Comparison of the methods of science of macroeconomic indicators on the example of Russian GDP. Prikladnaya ekonometrika = Applied econometrics. 2020;59:113–127. (In Russ.).
16. Andreou E., Ghysels E., Kourtellos A. Should macroeconomic forecasters use daily financial data and how? Journal of Business & Economic Statistics. 2013;31:240–251.
Рецензия
Для цитирования:
Борисова О.В. Прогнозирование доходов федерального бюджета с использованием MIDAS-моделей. Экономика. Налоги. Право. 2024;17(6):89-100.
For citation:
Borisova O.V. Forecasting Federal Budget Revenues Using MIDAS Models. Economics, taxes & law. 2024;17(6):89-100. (In Russ.)
Просмотров:
9
Послать статью по эл. почте 