Возможности использования наукастинга для оценки и прогнозирования хода реализации государственных программ и проектов

Маршова Т.Н.1, Мигунов И.Н.1, Кириченко И.А.2,1
1 Всероссийская академия внешней торговли Минэкономразвития России
2 Московский государственный строительный университет

Статья в журнале

Экономическая безопасность (РИНЦ, ВАК)
опубликовать статью | оформить подписку

Том 7, Номер 1 (Январь 2024)

Цитировать:
Маршова Т.Н., Мигунов И.Н., Кириченко И.А. Возможности использования наукастинга для оценки и прогнозирования хода реализации государственных программ и проектов // Экономическая безопасность. – 2024. – Том 7. – № 1. – С. 79-108. – doi: 10.18334/ecsec.7.1.120126.

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=60003708

Аннотация:
Государственные программы и национальные проекты – инструменты достижения национальных целей России на период до 2030 года, во многом обеспечивающие развитие и экономическую безопасность страны. Система управления должна оперативно и эффективно реагировать на всевозможные изменения, вызовы и новые возможности, что особенно актуально в условиях увеличивающейся волатильности и неопределенности и нарастающего санкционного давления. Задачи оперативной оценки хода реализации государственных программ Российской Федерации и национальных проектов в условиях отсрочки в выпуске части фактических данных, требуемых для расчета показателей проектов, обусловливает необходимость совершенствования методов их краткосрочного прогнозирования. В статье проведен анализ существующей системы показателей национальных проектов Российской Федерации с учетом периодичности их разработки и публикации. Обобщены успешные современные практики предварительной оценки и краткосрочного прогнозирования социально-экономических показателей. Сделан вывод о возможности и перспективности использования инструментария наукастинга в целях оперативной оценки хода реализации государственных программ и проектов. Определены общие подходы применения наукастинга для показателей государственных программ и национальных проектов. Предложены критерии для формирования перечня альтернативных (прокси) показателей. Показано, что встраивание наукастинга и разработанных на его основе моделей в систему мониторинга программ и проектов будет способствовать их эффективной реализации, в том числе за счет совершенствования системы управления на основе повышения качества используемых при мониторинге программ и проектов показателей.

Ключевые слова: национальные проекты, государственные программы, наукастинг, альтернативные (прокси) показатели, мониторинг, краткосрочное прогнозирование

JEL-классификация: C53, H43, F47, O22



Введение. Необходимость достижения национальных целей, обозначенных в Указе Президента Российской Федерации от 21.07.2020 №474 «О национальных целях развития Российской Федерации на период до 2030 года», за счет совершенствования механизма управления реализацией государственных программ и проектов – одна из важнейших задач в сфере управления социально-экономическим развитием страны. Важным направлением совершенствования механизма управления и повышения уровня достижимости государственных программ Российской Федерации и национальных проектов является своевременное реагирование на возникающие отклонения и риски в ходе реализации запланированных мероприятий. Своевременная и оперативная оценка достижения запланированных параметров государственных программ и проектов формирует основу для принятия эффективных управленческих решений [10; 11]. В условиях отсутствия ряда краткосрочных статистических данных и наличия временного лага при выпуске значительного числа фактических статистических данных задача встраивание в систему мониторинга государственных программ и проектов инструментов текущей оценки и краткосрочного прогнозирования их показателей является весьма актуальной.

Цель исследования – оценка возможностей и перспектив использования современного инструментария, в частности, наукастинга, для разработки альтернативных краткосрочных показателей в целях оперативного мониторинга хода реализации государственных программ и проектов.

В этой связи целесообразно обратить внимание на следующие задачи:

- анализ существующей системы показателей, используемых для оценки хода реализации государственных программ Российской Федерации, национальных проектов с учетом их периодичности;

- исследование методов формирования перечня альтернативных (прокси) показателей для оперативной оценки хода реализации государственных программ и проектов;

- анализ успешных современных практик применения наукастинга для социально- экономических показателей;

- подготовка предложений по совершенствованию системы мониторинга показателей для оперативной оценки хода реализации государственных программ и проектов.

В статье приведены результаты анализа значительных массивов отчетных статистических и аналитических данных Росстата и ведомственной статистки, параметров паспортов национальных и федеральных проектов, отчетов о ходе их реализации, иных документов стратегического планирования федерального уровня, а также нормативных правовых документов, регулирующих процессы разработки, корректировки, мониторинга и управления государственных программ и проектов: по теме исследования. На их основе сформированы общие методические подходы к применению наукастинга показателей программ и проектов, конкретные критерии при выборе показателей для наукастинга, механизмы встраивания наукастинга в систему управления программами и проектами.

Представленные в статье аналитические материалы и предложения могут быть полезны при совершенствовании системы мониторинга и оперативной оценки хода реализации государственных программ Российской Федерации и национальных проектов, при разработке комплекса мер по совершенствованию системы управления их реализацией, а также при формировании методов и модельного инструментария научного прогнозирования ключевых социально- экономических показателей государственных программ и проектов.

Мониторинг и оперативная оценка хода реализации государственных программ и проектов. Сегодня в Российской Федерации реализуется значительное количество государственных программ, национальных (федеральных) проектов, от успешного выполнения которых в значительной степени зависит достижение поставленных в социально-экономической сфере целей и задач. На их реализацию запланированы значительные средства. Выполнение целей и задач проектов и программ, эффективное расходование ресурсов в условиях бюджетных ограничений во многом зависят от оперативного и объективного мониторинга, необходимого для своевременного принятия мер управляющего воздействия, что особенно актуально в условиях увеличивающейся волатильности и неопределенности. Информационно-статистическое обеспечение оценки хода реализации государственных программ и проектов должно поставлять пользователям полную, достоверную и своевременную информацию, необходимую для принятия управленческих решений.

Среди системных проблем российской статистики [5; 12] отмечаются непрозрачность методологий расчета показателей, наличие скрытых досчетов, разрывы вследствие изменения методологии, технические ошибки, низкая оперативность данных. Частично эти проблемы свойственны и статистическому обеспечению мониторинга государственных проектов и программ.

В тоже время сегодня появляются как новые источники информации, так и новые методы, которые можно использовать для оценки различных аспектов социально-экономического развития. В мире для принятия решений в государственном секторе все шире используются административные данные, геопространственные данные [14]. Для восполнения отсутствующей оперативной статистической отчетности в качестве инструмента краткосрочного прогнозирования применяется наукастинг. В статье рассмотрены проблемы оперативного мониторинга показателей государственных программ и национальных (федеральных) проектов и возможности использования наукастинга для повышения оперативности оценки.

В соответствии с действующим нормативным и методическим обеспечением планирование и мониторинг показателей национальных (федеральных) проектов осуществляется с месячной периодичностью [1]. Вместе с тем, в соответствии с постановлением Правительства Российской Федерации от 09.04.2022 №628 [2] «планирование ежемесячных значений показателей может не осуществляться в случаях:

а) наличия иной периодичности представления данных по показателям в силу законодательства Российской Федерации;

г) расчета значений показателей, который связан с сезонным фактором и (или) жизненным циклом создания объектов или оказанием услуг (наличие дискретного (прерывистого) характера ежемесячных значений показателей)».

Приведенные выше требования постановления Правительства Российской Федерации РФ №628 распространяются в отношении большинства показателей нормативно-правового и инвестиционного типа, достижение которых осуществляется единовременно по факту выполнения запланированных результатов и мероприятий национальных (федеральных) проектов.

Таким образом, статистическое обеспечение мониторинга хода реализации проектов должно поставлять информацию, позволяющую осуществлять анализ уровня достижения большинства показателей в месячном режиме. При отсутствии такой информации и/или наличии значительного временного лага в ее публикации целесообразна разработка альтернативных моделей оценки низкочастотных показателей проектов, под которыми понимаются показатели, наблюдаемые с годовой и/или квартальной периодичностью. Моделирование низкочастотных отчетных показателей проектов, а также параметров проектов, по которым имеют место задержки публикации, на основе оперативных альтернативных (прокси) переменных обусловлено необходимостью повышения качества мониторинга национальных (федеральных) проектов [1]. Разработка моделей высокочастотных альтернативных (прокси) индикаторов, под которыми понимаются показатели, наблюдаемые с месячной периодичностью, может способствовать повышению оперативности, объективности и качества оценки хода реализации программ и проектов, совершенствованию механизма управления их реализацией.

В этой связи целесообразно выполнить анализ существующей системы показателей для оценки хода реализации государственных программ Российской Федерации, национальных (федеральных) проектов с учетом их периодичности, разработать подходы к формированию перечня альтернативных (прокси) показателей для оперативной оценки хода реализации государственных программ Российской Федерации, национальных (федеральных) проектов. Также необходимо обобщить успешные практики краткосрочного прогнозирования и, прежде всего, практики применения наукастинга для социально-экономических показателей с анализом возможности его использования для оперативной оценки и прогнозирования показателей государственных проектов и программ.

Анализ системы показателей государственных программ, национальных (федеральных) проектов. Целью анализа существующей системы показателей является выявление низкочастотных показателей национальных (федеральных) проектов, государственных программ Российской Федерации, а также показателей, по которым наблюдается систематическое запаздывание публикации в информационных статистических системах, для последующей разработки комплекса мер по повышению оперативности их наблюдения. Общая схема отбора показателей, для которых целесообразна разработка альтернативных (прокси) показателей, представлена на рисунке 1.

Рисунок 1. Схема отбора показателей, для которых необходима разработка

прокси-индикаторов

Источник: составлено авторами.

Порядок проведения анализа системы показателей для оценки хода реализации национальных (федеральных) проектов, в первую очередь, должен предусматривать оценку наличия официально утверждённой методики расчета показателя. Методика должна содержать требования к публикации показателя в информационных статистических системах в ежемесячном (оперативном) режиме. Показатели, для которых методикой их расчета предусмотрено наблюдение в ежеквартальном и/или ежегодном режиме, включаются в перечень показателей, для которых целесообразно формирование высокочастотных альтернативных (прокси) индикаторов.

Для показателей, в отношении которых методикой расчета предусмотрено ежемесячное наблюдение, оценивается наличие своевременной публикации их значений в информационных статистических системах. При выявлении систематических задержек публикации, указанные показатели также включаются в перечень показателей, для которых целесообразно формирование высокочастотных альтернативных (прокси) переменных.

В отдельную группу следует выделить низкочастотные показатели нормативно-правового и инвестиционного типа, связанные с сезонным фактором и (или) жизненным циклом создания объектов или оказанием услуг в рамках реализации результатов национальных (федеральных) проектов. Для показателей указанной группы нецелесообразно разрабатывать альтернативные прокси переменные.

Проведенный анализ системы показателей национальных (федеральных) проектов [1] показал, что оперативность наблюдения и предоставления статистических данных по показателям проектов улучшилась. В течение 2022 г. неуклонно снижалось количество показателей, не наблюдаемых в оперативном режиме. Если в январе 2022 г. значительная часть показателей проектов наблюдалась с годовой периодичностью, в июле 2022 г. общее число низкочастотных показателей составило 39, то на конец 2022 г. из 467 показателей не наблюдалось в оперативном режиме только 18 (табл. 1).

Таблица 1. Перечень низкочастотных показателей национальных (федеральных) проектов

№ пп
Показатели ФП
Федеральный проект
Длина временного ряда
1
Количество (доля) граждан, ведущих здоровый образ жизни
Укрепление общественного здоровья
2019-2021 гг.
2
Розничные продажи алкогольной продукции на душу населения (в литрах этанола)
Укрепление общественного здоровья
2018-2021 гг.
3
Количество погибших в дорожно-транспортных происшествиях, человек на 100 тысяч населения
Безопасность дорожного движения
2018-2021 гг.
4
Утилизация твердых коммунальных отходов путем их использования для производства электрической и (или) тепловой энергии
Комплексная система обращения с ТКО
2020-2021 гг.
5
Доля населения, охваченного услугой по обращению с твердыми коммунальными отходами
Комплексная система обращения с ТКО
2020-2021 гг.
6
Снижение общей площади территорий, подвергшихся высокому и экстремально высокому загрязнению и оказывающих воздействие на озеро Байкал
Сохранение озера Байкал
2019-2021 гг.
7
Количество городов с благоприятной городской средой
Формирование комфортной городской среды
2018-2021гг.
8
Индекс качества городской среды
Формирование комфортной городской среды
2018-2021 гг.
9
Количество реализованных проектов победителей Всероссийского конкурса лучших проектов создания комфортной городской среды в малых городах и исторических поселениях
Формирование комфортной городской среды
2019-2021 гг.
10
Доля граждан, принявших участие в решении вопросов развития городской среды, от общего количества граждан в возрасте от 14 лет, проживающих в муниципальных образованиях, на территориях которых реализуются проекты по созданию комфортной городской среды
Формирование комфортной городской среды
2018-2021 гг.
Источник: Единая межведомственная информационно-статистическая система (ЕМИСС).

Следует отметить, что из 10 показателей [2], наблюдаемых с годовой периодичностью, 5 показателей наблюдаются с 2018 г., 3 показателя наблюдаются с 2019 г. и 2 показателя наблюдаются с 2020 г. Короткие ряды наблюдения являются существенным ограничением для разработки альтернативных (прокси) показателей.

В ряде случаев повышение оперативности наблюдения показателей может быть достигнуто путем корректировки методов их расчета. В частности, методикой расчета показателя «Розничные продажи алкогольной продукции на душу населения», не предусмотрено наблюдение в оперативном режиме [4]. При расчете показателя компонента числителя (объем розничных продаж алкогольной продукции) наблюдается в оперативном (месячном) режиме, а компонента знаменателя (численность населения) наблюдается с годовой периодичностью. Оперативные (месячные) данные по численности населения могут быть получены на основе информации Росстата о численности постоянного населения на начало (конец) года [3] путем корректировки на величину естественного и миграционного прироста населения, наблюдаемых ежемесячно [4].

В ряде случаев оценка низкочастотных показателей может проводится на основе других показателей проектов, наблюдаемых с большей периодичностью и тесно связанных с рассматриваемым показателем. Например, в состав показателей федерального проекта «Формирование комфортной городской среды» включены как низкочастотные показатели - «Количество городов с благоприятной городской средой», «Индекс качества городской среды» - наблюдаемые в ежегодном режиме, так и высокочастотные показатели - «Количество благоустроенных общественных территорий», «Прирост среднего индекса качества городской среды по отношению к 2019 году», которые с 2022 года наблюдаются в оперативном режиме (табл. 2).

Таблица 2. Показатели федерального проекта «Формирование комфортной городской среды»

Наименование показателя
Длина временного ряда
Значение показателя
2018
2019
2020
2021
Низкочастотные показатели ФП «Формирование комфортной городской среды»
Количество городов с благоприятной городской средой
2018-2021гг.
262
299
375
490
Индекс качества городской среды
2018-2020 гг.
163
169
177
184
Высокочастотные показатели ФП «Формирование комфортной городской среды»
Количество благоустроенных общественных территорий
2019-2021 гг.
-
7085
13063
17344
Прирост среднего индекса качества городской среды по отношению к 2019 году, %
2019-2021 гг.
-
0,0
4,0
9,0
Источник: Единая межведомственная информационно-статистическая система (ЕМИСС), официальный сайт Министерства строительства и жилищно-коммунального хозяйства Российской Федерации [9].

Все показатели характеризуют качество городской среды, ее комфорт и удобство для граждан, зависящие от сочетания природных, архитектурных, планировочных, экологических и других факторов. Отметим, что на значения показателей качества городской среды влияют не только реализация инвестиционных мероприятий по благоустройству городов в рамках федерального проекта «Формирование комфортной городской среды», но и, в большей степени, реализация инвестиционных мероприятий других инфраструктурных и экологических проектов. Это нашло отражение в методике формирования индекса качества городской среды [3], определяемого на основе 36 факторов, в числе которых показатели, характеризующие жилищные условия; дорожно-транспортную ситуацию; развитие сферы услуг, в том числе коммунальных; пешеходную доступность, в частности для инвалидов; озеленение, освещенность, внешнее оформление территории; уровень развития общественно-деловых, спортивных, культурных пространств; вовлеченность населения в принятие решений по вопросам городского развития и проч. Проблема разработки моделей для альтернативных высокочастотных показателей качества городской среды связана не только с многоаспектностью данного показателя, но и с отсутствием за ретроспективный период временных рядов достаточной длины, и с отсутствием высокочастотных данных по альтернативным переменным, с дискретным (прерывистым) характером значений структурных элементов качества городской среды.

Для оперативной оценки низкочастотных показателей качества городской среды целесообразно использовать подход, базирующийся на тесной взаимосвязи индекса качества городской среды с показателем «Количество городов с благоприятной городской средой» [5]. В соответствии с методикой расчета благоприятная городская среда понимается как «уровень качества городской среды, городского поселения и (или) городского округа, городских поселений и (или) городских округов, расположенных на территории субъекта Российской Федерации, устанавливаемый в соответствии с методикой определения индекса качества городской среды, при котором количество набранных баллов составляет более 50 процентов от максимально возможного количества баллов индекса города, субъекта Российской Федерации». Показатель «Количество благоустроенных общественных территорий» наблюдается с ежемесячной периодичностью и используется в расчете показателя «Прирост среднего индекса качества городской среды по отношению к 2019 году, %» (табл. 3).

Таблица 3. Динамика показателей качества городской среды в 2022 г. (оперативные данные)

Наименование показателя
Январь
Февраль
Март
Апрель
Май
Июнь
Июль
Август
Сентябрь
Октябрь
Количество благоустроенных общественных территорий
17366
17378
17417
17447
17678
18074
18760
19840
20517
21214
Прирост среднего индекса качества городской среды по отношению к 2019 году, %
9,0
9,0
9,0
9,0
10,0
10,0
10,0
11,0
11,0
12,0
Источник: Единая межведомственная информационно-статистическая система (ЕМИСС).

Коэффициент корреляции между двумя показателями федерального проекта составляет 0,95, что свидетельствует о тесной взаимосвязи (рис. 2).

Соответственно, оценку индекса качества городской среды можно осуществлять на основе ее динамики с использованием высокочастотных индикаторов «Количество благоустроенных общественных территорий», «Прирост среднего индекса качества городской среды по отношению к 2019 году», включенных в перечень показателей федерального проекта.

Рисунок 2. Зависимость прироста среднего индекса качества городской среды от количества благоустроенных общественных территорий (по оперативным данным за 2022 год)

Источник: составлено авторами.

Анализ системы показателей национальных проектов показал, что подавляющее большинство показателей проектов наблюдаются в оперативном режиме. Однако имеют место показатели, не наблюдаемые оперативно. Повышение оперативности наблюдения ряда показателей может быть достигнуто путем незначительной корректировки методик их расчета. Для показателей, ежемесячная оценка которых для целей мониторинга хода реализации проектов затруднена, важно обеспечить разработку методов и моделей краткосрочного прогнозирования на основе альтернативных (прокси) переменных. Кроме того, несмотря на то, что в 2022 году не выявлено задержек в публикации отчетных данных, важно предупредить случаи запаздывания их публикации в перспективе. Разработка моделей для краткосрочной оценки отдельных показателей проектов будет способствовать повышению оперативности и объективности мониторинга их реализации.

Успешные практики наукастинга для социально-экономических показателей. Одним из современных методов краткосрочного прогнозирования, получающих все большее распространение и позволяющих восполнить отсутствие оперативной статистической отчетности, является наукастинг. В целях определения возможностей использования наукастинга при мониторинге, оценке и прогнозировании уровня достижения показателей программ и проектов были проанализированы успешные практики применения данного инструментария.

«Основной принцип наукастинга заключается в использовании информации, которая публикуется раньше и, возможно, с большей частотой, чем целевая переменная, представляющая интерес, чтобы получить раннюю оценку до того, как станет доступна официальная цифра» [31]. Термин «наукастинг», делающий акцент на настоящем, первоначально использовался в метеорологии для прогнозирования погоды в настоящем и в ближайшие несколько часов [19]. Впервые «наукастинг» к экономическим переменным применили Джанноне, Рейхлин и Смолл, объединив модели для больших данных и методы фильтрации в целях создания автоматизированных платформ для мониторинга макроэкономических условий в режиме реального времени.

Разработка прокси-индикаторов с использованием наукастинга позволяет преодолеть пробелы в данных по определенному наблюдаемому показателю. В некоторых случаях эти пробелы в данных могут быть лишь временными, пока не будет создана система сбора данных или не будет реализована необходимая программа мониторинга. Практическая значимость наукастинга, как инструмента краткосрочного прогнозирования, при мониторинге реализации государственных программ и проектов очевидна и обусловлена восполнением отсутствующей оперативной статистической отчетности о достижении отдельных запланированных показателей.

Обобщение отечественных и зарубежных практик показало, что разработка моделей наукастинга опирается главным образом на использовании стандартных экономико-статистических методов: авто-регрессионный анализ; анализ ведущих индикаторов; байесовская векторная авторегрессия; регрессия смешанной выборки данных; множественная регрессия. По отраслевому критерию выявлены следующие области применения наукастинга:

– макроэкономика, прежде всего ВВП, занятость и безработица, инфляция;

– отдельные отрасли экономики: туризм, строительство, розничная торговля, здравоохранение, общественное питание;

– отдельные экономические процессы: внешняя торговля, миграция и т.д.

Главной областью применения наукастинга социально-экономических показателей является прогнозирование ВВП. Вместе с тем, в последние годы модели наукастинга нашли широкое применение и в других сферах экономики: внешняя торговля, занятость и безработица, туризм, строительство, розничная торговля, здравоохранение, миграция, туризм.

Для наукастинга социально-экономических показателей используются разнообразные данные: как собственно показатели социальной и экономической сферы, разрабатываемые официальной статистикой, так и широкий круг различных административных данных. В связи с публикацией данных об объеме поисковых запросов в Интернете в последние годы сфера отраслевого применения наукастинга существенно возросла. Включение данных поисковых запросов в существующие модели наукастинга позволило повысить качество прогнозных оценок. Информация на основе поисковых запросов широко используется при наукастинге уровня занятости, безработицы и миграции. Использование данных, наблюдаемых в режиме реального времени из поисковых запросов в Интернете, позволило улучшить методы прогнозирования показателей розничной торговли, рынков труда и жилья.

В таблице 4 приведен систематизированный обзор современных практик наукастинга социально-экономических показателей.

Таблица 4. Обзор успешных современных практик применения наукастинга для социально- экономических показателей

№ пп
Область исследования и прогнозируемая переменная
Эндогенные переменные
Основные характеристики и методы исследования
Источник
1
Миграционный поток из Киргизии, Таджикистана и Узбекистана в Россию
Количества онлайн-запросов по поводу миграции в РФ, поступающих от жителей Киргизии, Таджикистана и Узбекистана
Проверка гипотезы о наличии связи между онлайн-запросами по поводу миграции в Россию, поступающими от жителей Киргизии, Таджикистана и Узбекистана, и последующими людскими потоками из указанных стран в РФ выполнена на материале миграционной статистики Росстата, данных Google Trends об интенсивности запросов и сервиса Яндекс «Подбор слов», используемого для валидации поисковых образов. С помощью корреляционного и регрессионного анализа установлена умеренная зависимость динамики людских потоков от изменений количества предшествующих запросов, которая проявляется с наибольшей силой при нулевом лаге и при лаге в 6-9 месяцев.
Цапенко И.П., Юревич М.А., 2022
2
Динамику российских макроэкономических показателей
Глобальные шоки спроса и предложения и глобальные сырьевые шоки
Инструмент исследования: модель векторной авторегрессии, учитывающей широкий спектр внутренних и внешних переменных, а также факторы глобальных шоков. В качестве внешних факторов учитываются: фактические объемы производства, экспорта и импорта, индексы промышленного производства стран ОЭСР, Европы и США, индекс деловой активности Килиана и Парка (Kilian and Park, 2009) и общие опережающие индикаторы (CLI) для этих стран. Также учитываются сырьевые факторы: индексы цен на металлы, энергоносители и сельскохозяйственные материалы, а также реальную цена на нефть; внутренние факторы: индексы цен, объем выпуска продукции, процентные ставки, объем розничной торговли, уровень безработицы и другие показатели.
Зубарев А., Ломоносов Д., Рыбак К., 2022
3
Оценка ежемесячного роста ВВП
Квартальный темп прироста реального ВВП, а также экономические и финансовые показатели отраслей и секторов экономики, показатели внешнего сектора, показатели ожиданий
В исследовании представлены подходы к оценке ежемесячного индикатора ВВП методом преобразования интервального динамического ряда в последовательный ряд с меньшим периодом шага на основе исходных данных о динамике высокочастотного показателя-индикатора (метод темпорального дезагрегирования.).
Жемков М., 2022
4
Прогнозирование цены фьючерсов на пиломатериалы
Индексы Google Trends, связанные с ценами на пиломатериалы
В работе исследуется вопрос о том, могут ли данные о просмотрах в Интернете точно прогнозировать цену фьючерса на пиломатериалы. Предикторами являются данные индекса Google Trends, связанные с ценами на пиломатериалы. Используются методы на основе моделей машинного и глубокого обучения.
He M., Zhang Y., Li W., Via B.K., 2022
5
Прогнозирование разрешений на строительство в США
Поисковые запросы в Интернете (Google Trends)
В работе приведены доказательства прогностической способности некоторых поисковых запросов в Интернете, наблюдаемых в режиме реального времени (в частности, таких как “новое строительство”, “строительство нового дома”), генерировать прогнозы значений показателя разрешений на строительство в США, который является ведущим индикатором экономической активности в строительном секторе, но публикуется с отставанием почти в два месяца.
Coble D., Pincheira P., 2017
6
Прогноз показателей розничной торговли в Испании
Данные о транзакциях по банковским картам одного из крупнейших банков страны
На основе индикаторов высокой частоты (ежедневные данные) с широкой географической и отраслевой разбивкой улучшены возможности прогнозирования официальных индексов розничной торговли (RTI), региональных RTI (автономных регионов Испании) и RTI по типам розничных продавцов (классы дистрибуции), публикуемых Национальным статистическим институтом Испании.
García J.R., Rodrigo T., Ruiz de Aguirre P., Ulloa C.A., Pacce M., 2021
7
Показатели экономической активностью в отраслях экономики (туризм, общественное питание)
Высокочастотные индикаторы финансовых потоков
На основе данных финансовых транзакций Банка России разработаны методы анализа региональных финансовых потоков в российской экономике. Исходя из динамики средних ежедневных выплат по каждому классу ОКВЭД 2, разработаны высокочастотные показатели экономической активности в отраслях экономики, позволяющие практически в режиме реального времени контролировать экономическую активность в отраслях экономики.
Турдыева Н., Цветкова А., Мовсесян Л., Поршаков А., Чернядьев Д., 2021
8
Уровень безработицы
Статистика запросов в поисковых системах Интернета
Авторами построены несколько моделей наукастинга уровня безработицы на основе данных статистики поисковых запросов в Google Trends. Добавление в авторегрессионную модель нескольких высокочастотных переменных, полученых на основе поисковых запросов в Google Trends, повысило прогностическую точность модели.
Юревич М.А., Ахмадеев Д.Р., 2021
9
Показатели экономического роста в Индии
Индексы неопределенности экономической политики и потребительских цен
Прогнозирование текущего состояния ВВП в Индии на основе высокочастотных данных, опубликованных ранее, с использованием модели выборки смешанных данных (MIDAS). Вместо использования большого набора данных применялись два основных показателя индийской экономики: неопределенность экономической политики и индекс потребительских цен.
Mishra P., Alakkari K., Abotaleb M., Tiwari P., Balloo R., 2021
10
Динамика импорта
Макропоказатели расходов и цен
В работе оценивается модель коррекции ошибок для агрегированного импорта РФ: на первом шаге с помощью DOLS оценивается долгосрочная функция спроса на импорт, зависящая от показателя агрегированных расходов и относительных цен; на втором шаге оцениваются параметры краткосрочной динамики с помощью OLS и GMM. В качестве переменной агрегированных расходов рассматривается шесть альтернативных показателей. Наилучшей детерминантой динамики импорта с точки зрения минимизации ошибки предсказания оказался ВВП за вычетом госрасходов.
Полбин А.В., Фокин Н.Д., 2020
11
Динамика ВВП
Макропоказатели (со смешанной периодичностью)
Краткосрочный прогноз и наукастинг+ ВВП Российской Федерации на базе трех классов моделей: связующие уравнения, модели MIDAS и U-MIDAS. Установлено, что лучшими объясняющими переменными являются показатели: индекс выпуска товаров и услуг по базовым видам ОКВЭД, депозиты населения и денежный агрегат М2, сводный индекс опережающих показателей ОЭСР.
Микош Х., Соланко Л., 2019
12
Динамика ВВП
Макропоказатели (ежемесячные)
Наукастинг темпов квартального ВВП на основе ежемесячно получаемой информации. В качестве объясняющих переменных использовалось 16 месячных индикаторов, очищенных от сезонной составляющей: выпуска продукции по базовым видам экономической деятельности, оборота розничной торговли, объема работ в строительстве, объема сельскохозяйственного производства; реальной заработной платы; экспорта и импорта; уровня безработицы; курса доллара США; цен на нефть.
Губкова Е.А., 2019
13
Индекс потребительских цен в Китае
Показатели с ежедневной, месячной и квартальной периодичностью
На основе динамической факторной модели с использованием рядов данных с ежедневной, месячной и квартальной периодичностью реализовано отслеживание изменений ежемесячного общего показателя инфляции в Китае.
Funke, Michael and Mehrotra, Aaron N. and Yu, Hao, 2011
14
Динамика ВВП Канады
Данные о промышленном производстве в США
Разработана динамическая факторная модель для прогнозирования темпов роста ВВП Канады. На основе Использованы данные о промышленном производстве в США для уточнения прогнозов реального ВВП Канады с учетом наличия тесной связи между темпами промышленного производства США и Канады в условиях отсутствия оперативных (месячных) данных о промышленном производстве Канады.
Bragoli, D. and Modugno, M., 2017
15
Динамика ВВП Индии
Макроэкономика
На основе динамической факторной модели с использованием расширенного стандартного набора предикторов, обычно используемых для наукастнга ВВП, разработан прогноз динамики ВВП Индии. Установлено, что номинальные и международные ряды улучшают прогнозы по сравнению с реальными рядами.
Bragoli, D., and J. Fosten, 2018
16
Продажи автомобилей, заявки на пособие по безработице, поездки
Статистика запросов в поисковых системах Интернета (Google Trends)
Описаны методы прогнозирования краткосрочных значений экономических показателей на основе данных поисковых систем на примере продаж автомобилей, заявок на пособие по безработице, количестве планируемых поездок.
Choi H., Varian H., 2012
17
Динамика реального производства в США
Макроэкономические показатели со смешанной периодичностью
На основе модели MIDAS (модель смешанной частотной выборки данных) с использованием месячных данных за текущий квартал значительно улучшен прогноз роста производства в текущем и следующем кварталах.
Clements M. P., Galvão A. B.,2008
18
Безработица
Статистика запросов в поисковых системах Интернета
Прогнозирование квартального уровня безработицы на коротких выборках на основе веб-запросов, связанных с поиском работы. Установлено, что дополнение стандартных спецификаций временных рядов этим индикатором повышает эффективность прогнозирования.
D'Amuri F., 2009
19
Динамика мирового ВВП
Макроэкономические показатели
Международный валютный фонд предлагает альтернативный подход к предоставлению ежемесячных прогнозов годового роста мировой экономики, основанный на модели факторно-дополненной смешанной выборки данных (FA-MIDAS), которая позволяет: учитывать большую ежемесячную базу данных, включающую различные страны и секторы мировой экономики, а также прогнозировать текущие макроэкономические показатели с низкой частотой на основе переменной, использующей более высокочастотную информацию.
Ferrara L., Marsilli C., 2019
20
Динамика ВВП и инфляции
Макроэкономические показатели со смешанной периодичностью
Разработан формальный метод для оценки влияния, которое внутримесячные выпуски данных оказывают на прогнозы текущего квартала динамики реального ВВП. В режиме реального времени на основе обработки больших наборов данных, отслеживаемых центральными банками, с разнесенными датами выпуска обновляется текущий прогноз.
Giannone D., Reichlin L., Small D., 2008
21
Динамика ВВП Турции
Макроэкономические показатели
Краткосрочные прогнозы динамики ВВП Турции с использованием метода смешанной выборки данных (MIDAS). Рассмотрены шесть вариантов функциональной формы лагового полинома в уравнении MIDAS с использованием от пяти до двенадцати лагов объясняющих высокочастотных переменных.
Gunay, M., 2020
22
Динамика реального ВВП (ЕС, Германия, Франция, Италия, Испания, Нидерланды)
Макроэкономические показатели
Выполнено систематическое сравнение возможностей краткосрочного прогнозирования одиннадцати статистических моделей в условиях псевдореального времени с использованием большого набора месячных показателей. Анализ охватывает зону евро и ее пять крупнейших стран за период с 1996 по 2011 год. Показано, что обобщение доступной ежемесячной информации по нескольким факторам дает лучший прогноз, чем усреднение большого количества прогнозов на основе показателей. Динамическая и статическая факторная модель превосходят другие модели, особенно в кризисный период.
Jansen, W. Jos., X.W. Jin, and Jasper M., 2016
23
Показатели рынков труда и жилья в Великобритании
Данные о количестве поисковых запросов в Интернете
Описаны методы расчета высокочастотных индикаторов, отражающих динамику рынка труда и жилья на основе информации о количестве поисковых запросов в сети Интернет. Использование еженедельного индекса, полученного из базы данных поисковых запросов, для прогнозирования месячных показателей повышает оперативность текущих прогнозов.
McLaren N., Shanbhogue R., 2011
24
Миграционные потоки
Данные о количестве поисковых запросов в Интернете (Google Trends)
Для краткосрочного прогнозирования миграционных потоков использована информация, представленная Google Trends и отражающая привлекательность Швейцарии для иммигрантов из разных стран. Получен удовлетворительный прогноз миграционных потоков взрослых, прибывающих из Испании или Италии. Однако для других потоков (из Франции и Германии) прогнозы выглядят неудовлетворительно.
Wanner P., 2021
Источник: [6-8; 13; 15-18; 20-25; 28-37].

Возможности применения наукастинга для показателей государственных проектов и программ. Проведенный анализ практики применения наукастинга свидетельствует о широких возможностях его использования для показателей государственных программ и проектов.

При применении наукастинга для разработки альтернативных индикаторов показателей государственных программ и проектов можно выделить следующие этапы:

– определение показателей, для которых требуется разработка альтернативных (прокси) индикаторов;

– выбор метода наукастинга, подготовка базы статистических данных и разработка конкретной модели расчета альтернативного (прокси) индикатора;

– оценка адекватности полученных результатов и применимости альтернативных индикаторов для мониторинга и краткосрочного прогнозирования показателей государственных программ и проектов.

При разработке модели альтернативного (прокси) индикатора следует принимать во внимание критерии, которым такой индикатор должен соответствовать. В первую очередь следует отметить, что поскольку альтернативная прокси переменная (косвенная переменная) [6] – это переменная, которая служит вместо ненаблюдаемой или неизмеримой переменной, то чтобы «переменная была хорошим прокси, она должна иметь тесную корреляцию, не обязательно линейную, с интересующей переменной. Эта корреляция может быть, как положительной, так и отрицательной» [27]. Соответственно, альтернативный показатель можно понимать, как приближение к наблюдаемому показателю, предоставляющее достаточную информацию, позволяющую оценить соответствующий контекстуальный аспект.

Заслуживают внимания требования к прокси переменным, изложенные в Европейском руководстве по подготовке и последующей оценке программ развития сельских районов [26]. Во-первых, прокси-индикатор должен служить той же цели, что и наблюдаемый индикатор, который он заменяет, поэтому он должен обладать теми же функциями. Во-вторых, важным принципом выбора предлагаемого набора альтернативных показателей является то, что данные должны быть доступны из статистических источников. При этом прокси-индикатор может использовать альтернативное определение и/или источник данных по сравнению с используемыми для наблюдаемой переменной. В-третьих, косвенный показатель должен соответствовать критериям SMART, предполагающим следующие характеристики: Specific (Конкретный), Measurable (Измеримый), Attainable (Достижимый), Relevant (Актуальный), Time-bound (Ограниченный во времени). В таблице 5 представлены критерии, способствующие корректному выбору альтернативных (прокси) показателей.

Таблица 5. Критерии для определения альтернативных (прокси) показателей

Критерий
Содержание критерия
Соответствие прокси-показателя критериям SMART
Прокси-показатель предоставляет четкую информацию о конкретном контекстуальном аспекте, представляющем интерес для оценки (конкретность).
Прокси-индикатор обеспечивает количественное измерение (измеримый).
Прокси-показатель напрямую связан с приоритетом и/или приоритетной областью развития рассматриваемой сферы (актуальный).
Прокси-показатель оценивает тот же контекстуальный аспект, что и целевой показатель
Прокси-показатель чувствителен к изменениям в конкретном контекстуальном аспекте.
Прокси-показатель частично соответствует определению, данному для общего контекстного индикатора.
Разработчики программ и экспертное сообщество согласны с адекватностью прокси для оценки того же контекстуального аспекта, что и целевой показатель.
Наличие информации для оценки прокси-показателя
Имеется достаточное количество и качество информации для оценки прокси-показателя.
Сбор информации не связан со значительным административным бременем или непропорционально большими затратами.
Ряды данных для оценки прокси - показателя доступны и будут доступны в ближайшем будущем.
Прокси-показатель широко распространен среди заинтересованных сторон оценки (мониторинга)
Прокси-показатель часто используется заинтересованными сторонами и/или научным сообществом для описания тех же тенденций, что и целевой показатель.
Источник: European commission – Directorate-General for Agriculture and Rural Development – Unit E.4 (2016): Defining proxy indicators for rural development programmes – Working Document. Brussels.

Обобщая вышеизложенное, можно выделить следующие критерии, которым должны соответствовать альтернативные (прокси) показатели:

альтернативные показатели, как и плановые показатели, должны отвечать – требованиям SMART – конкретности, измеримости, достижимости, ограниченности во времени, релевантности в отношении целей и задач государственных программ и национальных проектов;

– прокси-показатели должны оценивать тот же контекстуальный аспект, что и показатель проекта;

– должно быть обеспечено наличие достаточной взаимосвязи между альтернативным показателем и исходным плановым показателем, т.е., как минимум, должно быть понятно, в какую сторону изменится показатель при изменении альтернативного прокси-показателя;

– должно быть обеспечено соответствие альтернативного показателя требованиям краткосрочного прогнозирования, т.е. наличие ретроспективных рядов данных достаточной длины и частоты наблюдения;

– желательно, чтобы методы расчета альтернативных (прокси) показателей не были очень затратными и трудоемкими.

Развитие методологии анализа временных рядов (эконометрики) за последние десятилетия предоставили широкий выбор конкретных методов, которые могут быть использованы для наукастинга. Выбор тех или иных методов зависит от сферы применения, наличия соответствующей информации, возможности получения формализованных (количественных) оценок, квалификации и технической оснащенности субъектов прогнозирования и т. д. Среди основных критериев выбора методов наукастинга следует отметить:

– системность в формировании прогнозов;

– адаптивность (изменчивость) к возможным изменениям параметров;

– обоснованность выбора методики с точки зрения надежности и относительной точности прогноза;

– непрерывность процесса прогнозирования;

– экономическая целесообразность.

Разработка моделей наукастинга опирается главным образом на использовании стандартных экономико-статистических методов: авто-регрессионный анализ; анализ ведущих индикаторов; байесовская векторная авторегрессия; регрессия смешанной выборки данных; множественная регрессия и др.

Авто-регрессионные модели работают на основе предположения, что прошлые значения влияют на текущие значения, что делает статистический метод популярным для анализа экономики и других процессов, которые меняются во времени. Авто-регрессионное моделирование использует только прошлые данные для прогнозирования будущего поведения. Этот тип анализа применяется, когда существует корреляция между текущими (будущими) значениями временного ряда и их предыдущими значениями.

Метод анализа ведущих индикаторов основан на опережающих показателях, прогнозирующих будущие направления развития и поворотные моменты экономической деятельности на основе показателей, тесно связанных с целевыми показателями, изменения в которых фиксируются раньше, чем в целевых показателях.

Наукастинг на основе широкого спектра факторных моделей базируется на предположении о наличии взаимосвязи между показателями-факторами и целевым показателем. Широкое применение находят множественные регрессии, метод главных компонент и другие методы.

Применительно к показателям государственных программ и проектов может иметь место проблема смешанной частоты переменных, когда за определенную часть временного интервала отчетные данные имеются, например, с квартальной периодичность, а за другую часть – с месячной. Эта проблема может быть решена путем временной агрегации предикторов на более низкую частоту. Для обработки неровных краев можно использовать вспомогательные модели, такие как скользящее среднее ARMA или векторная авторегрессия. Смешивать временные ряды с различной частотой (т. е., например, использовать ежемесячные данные в качестве предикторов для квартальных рядов или ежедневные данные в качестве предикторов для месячного ряда и т. д.) позволяет метод MIDAS. На практике модели MIDAS широко применяются при прогнозировании динамики параметров ВВП, финансовых рынков, инфляции и бюджетного финансирования.

Встраивание метода наукастинга и разработанных на его основе моделей в систему мониторинга государственных программ, национальных (федеральных) проектов для оперативной оценки хода их реализации будет способствовать совершенствованию системы управления государственными программами и проектами.

Заключение

Применительно к совершенствованию системы мониторинга и управления государственными программами и проектами Российской Федерации с учетом анализа существующей системы показателей для оценки хода их реализации, а также анализа успешных современных практик применения наукастинга для социально- экономических показателей можно сделать следующие выводы и предложения.

Система показателей национальных (федеральных) проектов сегодня практически переведена в оперативный режим наблюдения с ежемесячной публикацией данных в государственных статистических и ведомственных информационных системах. Из 467 показателей национальных (федеральных) проектов в конце 2022 года не наблюдалось в оперативном режиме только 10. За период с мая по ноябрь 2022 года не выявлено задержек в публикации отчетных данных.

Анализ системы показателей национальных (федеральных) проектов показал, что в ряде случаев повышение оперативности и эффективности мониторинга может быть достигнуто простыми методами, не требующими разработки сложных эконометрических моделей. Для части выявленных низкочастотных показателей, не наблюдаемых в месячном режиме, повышение оперативности оценки их достижения и мониторинга может быть реализовано путем корректировки методик расчета показателей и(или) на основе мониторинга других показателей проектов, тесно связанных с рассматриваемыми показателями.

Выявлено, что за пределами оперативного наблюдения остается часть показателей проектов инвестиционного и нормативно-правового типа. Оперативное наблюдение указанных параметров рекомендовано осуществлять на основе мониторинга соответствующих результатов, контрольных точек и анализа рисков федеральных (региональных) проектов. Для целей оперативной оценки достижения высокочастотных показателей федеральных проектов инвестиционного типа целесообразно установление эконометрических взаимосвязей между указанными показателями проектов и финансированием мероприятий, направленных на их достижение.

Несмотря на то, что в 2022 году не выявлено задержек в публикации отчетных данных краткосрочных показателей национальных (федеральных) проектов, важно предупредить случаи запаздывания их публикации. Учитывая потенциал низкочастотных показателей государственных программ Российской Федерации, национальных (федеральных) проектов, а также наличие временного лага в публикации оперативных отчетных данных, следует обеспечить разработку методов и моделей краткосрочного прогнозирования на основе альтернативных (прокси) переменных. В этой связи актуально продолжить практику формирования методов расчета альтернативных (прокси) показателей для целей оценки достижения параметров государственных программ Российской Федерации, национальных проектов. В этих целях необходимо определить информационные системы для расчета альтернативных (прокси) показателей, сформировать модели, выполнить оценку применимости сформированных альтернативных (прокси) показателей для целей оценки достижения параметров государственных программ Российской Федерации, национальных (федеральных) проектов. Одним из методов, который может быть успешно применен для вышеуказанных целей, является наукастинг, целесообразность использования которого определяется как достаточно разработанным прикладным инструментарием, так и наличием широкого спектра информационных данных, которые могут быть при этом использованы.

Вне зависимости от частоты наблюдаемых параметров национальных проектов и государственных программ Российской Федерации следует расширить сферы применения таких важных источников сверхоперативных данных как интернет-запросы. Целесообразно определить перечень показателей, для которых требуется внедрение переменных, включающих результаты поисковых запросов, в модели их прогнозирования и наукастинга. Апробирование соответствующих моделей и включение их в систему мониторинга в качестве аналитических и прогнозных инструментов будет способствовать повышению оперативности и качества управления государственных программ и проектов.

[1] Анализ был проведен на основе паспортов проектов по состоянию на июль 2022 г.

[2] В таблицу 1 не включены 8 низкочастотных показателей новых федеральных проектов, плановые значения которых намечены на конец 2022 года и более поздние периоды.

[3] Численность постоянного населения на 1 января. Единая межведомственная информационно-статистическая система (ЕМИСС).

[4] Естественный прирост, миграционный прирост (оперативные данные). Единая межведомственная информационно-статистическая система (ЕМИСС).

[5] Аналогичный подход предложен в методике расчета показателя "Прирост качества городской среды по отношению к 2019 году", утвержденной приказом Министерства строительства и жилищно-коммунального хозяйства Российской Федерации от 30.12.2020 №914/пр.

[6] В зарубежных источниках используются также такие термины как «контекстные индикаторы» (context indicators), «косвенные показатели» (indirect indicators), «прокси-показатели», «дополнительные показатели».


Источники:

1. Постановление Правительства РФ от 31.10.2018 №1288 «Об организации проектной деятельности в Правительстве Российской Федерации». Consultant.ru. [Электронный ресурс]. URL: http://www.consultant.ru (дата обращения: 01.07.2023).
2. Постановление Правительства РФ от 09.04.2022 №628 «Об особенностях реализации национальных проектов (программ), федеральных проектов, ведомственных проектов и региональных проектов в условиях геополитического и санкционного давления на развитие российской экономики». Consultant.ru. [Электронный ресурс]. URL: http://www.consultant.ru (дата обращения: 01.07.2023).
3. Распоряжение Правительства РФ от 23.03.2019 N 510-р «Об утверждении Методики формирования индекса качества городской среды». Consultant.ru. [Электронный ресурс]. URL: http://www.consultant.ru (дата обращения: 01.07.2023).
4. Приказ Росалкогольрегулирования от 05.03.2020 № 87 Об утверждении Методики пересчета объема розничных продаж алкогольной продукции в литры безводного спирта и методики расчета показателя 2.9.7(17) «Розничные продажи алкогольной продукции на душу населения (в литрах этанола)». Consultant.ru. [Электронный ресурс]. URL: http://www.consultant.ru (дата обращения: 01.07.2023).
5. Бессонов В.А. Что сохранит для истории современная российская статистика? // Вопросы экономики. – 2015. – № 1. – c. 125-146. – doi: 10.32609/0042-8736-2015-1-125-146.
6. Губкова Е.А. Наукастинг динамики ВВП с помощью ежемесячной статистики на российских данных // Экономические исследования. – 2019. – № 4. – c. 2.
7. Жемков М. Оценка месячного индикатора ВВП методами темпорального дезагрегирования // Деньги и кредит. – 2022. – № 2. – c. 79-104.
8. Зубарев А., Ломоносов Д., Рыбак К. Оценка влияния глобальных шоков на российскую экономику и наукастинг ВВП в рамках факторной модели // Деньги и кредит. – 2022. – № 2. – c. 49-78.
9. Индекс качества городской среды в разрезе городов и субъектов Российской Федерации за 2021год. Министерство строительства и жилищно-коммунального хозяйства Российской Федерации. [Электронный ресурс]. URL: https://minstroyrf.gov.ru/docs/143451/ (дата обращения: 18.12.2022).
10. Караваева И.В., Лев М.Ю. Государственное управления в сфере национальной безопасности: актуальные проблемы экономической безопасности современной России (по итогам проведения Международной научно-практической конференции «VI Сенчаговские чтения: Экономическая безопасность России в новой реальности») // Экономическая безопасность. – 2022. – № 3. – c. 1109-1143. – doi: 10.18334/ecsec.5.3.114811.
11. Караваева И.В., Лев М.Ю. Результирующие проблемы экономической безопасности современной России (по итогам проведения Международной научно-практической конференции «VI Сенчаговские чтения: Экономическая безопасность России в новой реальности») // Экономическая безопасность. – 2022. – № 2. – c. 711-736. – doi: 10.18334/ecsec.5.2.114772.
12. Крючкова П.В., Провков К.С., Решетников М.Г. Возможности использования административных данных для формирования статистики рынка труда: пример Москвы // Вопросы государственного и муниципального управления. – 2018. – № 2. – c. 7-29.
13. Микош Х., Соланко Л. Прогнозирование роста российского ВВП с использованием данных со смешанной периодичностью // Деньги и кредит. – 2019. – № 1. – c. 19-35. – doi: 10.31477/rjmf.201901.19.
14. Морозов А.Н. Альтернативные источники статистической информации как основа принятия политических решений // Вопросы государственного и муниципального управления. – 2018. – № 2. – c. 50-70.
15. Полбин А.В., Фокин Н.Д. Моделирование динамики импорта РФ с помощью модели коррекции ошибок // Прикладная эконометрика. – 2020. – № 3(59). – c. 88-112. – doi: 10.22394/1993-7601-2020-59-88-112.
16. Турдыева Н., Цветкова А., Мовсесян Л., Поршаков А., Чернядьев Д. Использование данных отраслевых финансовых потоков в качестве высокочастотного индикатора экономической активности // Деньги и кредит. – 2021. – № 2. – c. 28-49. – doi: 10.31477/rjmf.202102.28.
17. Цапенко И.П., Юревич М.А. Статистика онлайн-запросов в наукастинге миграции // Экономические и социальные перемены: факты, тенденции, прогноз. – 2022. – № 1. – c. 74-89. – doi: 10.15838/esc.2022.1.79.4.
18. Юревич М.А., Ахмадеев Д.Р. Возможности прогнозирования уровня безработицы на основе анализа статистики запросов (в поисковых системах) // Terra Economicus. – 2021. – № 3. – c. 53-64. – doi: 10.18522/2073-6606-2021-19-3-53-64.
19. Bok B., Caratelli D., Giannone D., Sbordone A.M., Tambalotti A. Macroeconomic Nowcasting and Forecasting with Big Data // Annual Review of Economics. – 2018. – № 1. – p. 615-643. – doi: 10.1146/annurev-economics-080217-053214.
20. Bragoli D., Modugno M. A Now-Casting Model for Canada: Do U.S. Variables Matter? // International Journal of Forecasting. – 2017. – № 4. – p. 786-800. – doi: 10.1016/j.ijforecast.2017.03.002.
21. Bragoli D., Fosten J. Nowcasting Indian GDP // Oxford Bulletin of Economics and Statistics. – 2018. – № 2. – p. 259-282.
22. Choi H., Varian H. Predicting the Present with Google Trends // Economic Record. – 2012. – p. 2-9. – doi: 10.2139/ssrn.1659302.
23. Clements M.P., Galvão A.B. Macroeconomic forecasting with mixed-frequency data: Forecasting output growth in the United States // Journal of Business and Economic Statistics. – 2008. – № 4. – p. 546-554.
24. Coble D., Pincheira P. Nowcasting Building Permits with Google Trends // SSRN Electronic Journal. – 2017. – doi: 10.2139/ssrn.2910165.
25. D\'Amuri F. Predicting Unemployment in Short Samples with Internet Job Search Query Data // MPRA Paper from University Library of Munich. – 2009. – № 18403.
26. European commission – Directorate-General for Agriculture and Rural Development – Unit E.4: Defining proxy indicators for rural development programmes - Working Document. Brussels. - 2016
27. Features of common indicator defined in the Handbook on Common Monitoring and Evaluation Framework (CMEF) - Guidance document Sept - 2006
28. Ferrara L., Marsilli C. Nowcasting global economic growth: A factor-augmented mixed-frequency approach // The World Economy. – 2019. – № 3. – p. 849-875. – doi: 10.1111/ twec.12708.
29. Funke Michael, Mehrotra Aaron N., Yu Hao. Tracking Chinese CPI Inflation in Real Time. BOFIT Discussion Paper No. 35/2011. - 2011
30. García J.R., Rodrigo T., Ruiz de Aguirre P., Ulloa C.A., Pacce M. Measuring and forecasting retail trade in real time using card transactional data // International Journal of Forecasting. – 2021. – № 3. – p. 1235-1246. – doi: 10.1016/j.ijforecast.2021.02.005.
31. Giannone D., Reichlin L., Small D. Nowcasting: The real-time informational content of macroeconomic data // Journal of Monetary Economics. – 2008. – № 4. – p. 665-676. – doi: 10.1016/j.jmoneco.2008.05.010.
32. Gunay M. Nowcasting Turkish GDP with MIDAS: Role of Functional Form of the Lag Polynomial. Working Paper, Central Bank of the Republic of Turkey. [Электронный ресурс]. URL: https://www.tcmb.gov.tr/wps/wcm/connect/c93fcb89-db0a-4d90-9a90-17c5670cc72f/wp2002.pdf?MOD=AJPERES&CACHEID=ROOTWORKSPACE-c93fcb89-db0a-4d90-9a90-17c5670cc72f-n0lghHn.
33. He M., Zhang Y., Li W., Via B.K. Nowcasting of lumber futures price with google trends index using machine learning and deep learning models // Forest Products Journal. – 2022. – № 1. – p. 11-20. – doi: 10.13073/FPJ-D-21-00061.
34. Jansen W. Jos., X.W. Jin, Jasper M. de Winter Forecasting and Nowcasting Real GDP: Comparing Statistical Models and Subjective Forecasts // International Journal of Forecasting. – 2016. – № 2. – p. 411-436. – doi: 10.1016/j.ijforecast.2015.05.008.
35. McLaren N., Shanbhogue R. Using Internet Search Data as Economic Indicators // Bank of England Quarterly Bulletin. – 2011. – № 2. – p. 134-140. – doi: 10.2139/ssrn.1865276.
36. Mishra P., Alakkari K., Abotaleb M., Tiwari P., Balloo R. Now casting India economic growth using a mixed-data sampling (MIDAS) model (empirical study with economic policy uncertainty–consumer prices index) // Data. – 2021. – № 11. – p. 113. – doi: 10.3390 /data6110113.
37. Wanner P. How well can we estimate immigration trends using Google data? // Quality and Quantity. – 2021. – № 4. – p. 1181-1202. – doi: 10.1007/s11135-020-01047-w.

Страница обновлена: 06.02.2024 в 23:07:31