Анализ взаимосвязи индикатора экономических настроений и роста ВВП

В статье анализируется взаимосвязь между ростом ВВП в России и показателем совокупных экономических настроений, который основан на результатах регулярных широкомасштабных опросов бизнеса и домашних хозяйств за период 1998–2020 годов. Цель исследования — обосновать эмпирическую ценность данных о мнениях хозяйствующих субъектов, оценить значение этой информации для статистического описания и анализа макроэкономических реалий, в том числе бизнес-циклов и внезапных кризисов. Тестируется основной тезис о циклической чувствительности обобщенных оценок экономических настроений относительно динамики такого референтного агрегата, как индекс физического объема ВВП. Авторы рассчитывают композитный индикатор совокупных экономических настроений, объединяющий ежеквартальную информацию за анализируемый период по восемнадцати анкетным показателям обследований деловой активности Росстата. Выборочная совокупность указанных обследований, используемая для построения композитного индикатора, составляет около 24 тыс. организаций всех категорий численности, участвующих в базовых видах экономической деятельности, а также 5 тыс. потребителей во всех регионах страны. На основе последовательного анализа взаимосвязи индекса физического объема ВВП и индикатора экономических настроений выявляются общие эмпирические закономерности и особенности циклического движения. Авторы приводят результаты кросс-корреляционного анализа, статистической фильтрации Ходрика — Прескотта, датировки циклической динамики. Отражается значимость композитного индикатора обследований в отраслевом и межстрановом анализах предпринимательского поведения, в том числе в период кризиса, связанного с COVID-19. Результаты исследования позволяют зафиксировать сформировавшийся за последние годы «когнитивный сдвиг» в уровне агрегированного предпринимательского доверия. После снижения значений композитного индикатора экономических настроений в период затяжной рецессии 2015–2016 годов его последующая четырехлетняя динамика характеризовалась самым невысоким потенциалом по сравнению с восстановительными периодами после всех предыдущих кризисов.

1. Безруков В., Остапкович Г., Глисин Ф., Воронина Г., Китрар Л., Лукашина Ж., Бауман М. Организация системы конъюнктурных обследований деловой активности в сфере услуг. М.: Статистика России, 2003.

2. Дубовский Д., Кофанов Д., Сосунов К. Датировка российского бизнес-цикла // Экономический журнал ВШЭ. 2015. Т. 19. № 4. С. 554-575.

3. Китрар Л., Липкинд Т., Останкович Г. Декомпозиция и совместный анализ циклов роста в динамике индикатора экономического настроения и индекса физического объема валового внутреннего продукта // Вопросы статистики. 2014. № 9. С. 41-46.

4. Китрар Л., Липкинд Т., Остапкович Г. Квантификация качественных признаков в конъюнктурных обследованиях // Вопросы статистики. 2018. Т. 25. № 4. С. 19-63.

5. Китрар Л., Липкинд Т., Остапкович Г. Экономическое развитие и циклические настроения российских предпринимателей после рецессии 2014-2016 годов // Вопросы статистики. 2020. Т. 27. № 1. С. 53-70.

6. Китрар Л., Остапкович Г. Интегрированный подход к построению композитных индикаторов со встроенным алгоритмом оценки цикличности в динамике результатов конъюнктурного мониторинга // Вопросы статистики. 2013. № 12. С. 23-34.

7. Миронов В., Коновалова Л. О взаимосвязи структурных изменений и экономического роста в мировой экономике и России // Вопросы экономики. 2019. № 1. С. 54-78.

8. Пестова А. Предсказание поворотных точек бизнес цикла: помогают ли переменные финансового сектора? // Вопросы экономики. 2013. № 7. С. 63-81.

9. Полбин А. Оценка траектории темпов трендового роста ВВП России в ARX-модели с ценами на нефть // Экономическая политика. 2020. Т. 15. № 1. С. 40-63.

10. Райская Н., Сергиенко Я., Френкель А., Матвеева О. Индикатор экономики // Экономические стратегии. 2012. № 9. С. 32-39.

11. Синельников-Мурылев С., Дробышевский С., Казакова М., Алексеев М. Декомпозиция темпов роста ВВП России. Научные труды Института экономической политики им. Е. Т. Гайдара. № 167Р. 2015.

12. Смирнов С. Предсказание поворотных точек российского экономического цикла с помощью сводных опережающих индексов // Вопросы статистики. 2020. Т. 27. № 4. C. 53-65.

13. Смирнов С., Кондрашов Н., Петроневич Л. Поворотные точки российского экономического цикла, 1981-2015 гг. // Экономический журнал ВШЭ. 2015. Т. 19. № 4. C. 534-553.

14. Astolfi R., Gamba M., Guidetti E., Pionnier P. A. The Use of Short-Term Indicators and Sur vey Data for Predicting Turning Points in Economic Activity: A Performance Analysis of the OECD System of CLIs During the Great Recession. OECD Statistics Working Papers. No 2016/08. 2016.

15. Biau O., D'Elia A. Is There a Decoupling Between Soft and I Hard Data? The Relationship Between GDP Growth and the ESI // Fifth Joint EU-OECD Workshop on International Developments in Business and Consumer Tendency Surveys. Brussels, 2011. https://www.oecd.org/sdd/leading-indicators/49016412.pdf.

16. Bondt G. J. A PMI-Based Real GDP Tracker for the Euro Area // Journal of Business Cycle Research. 2019. Vol. 15. No 2. P. 147-170.

17. Bondt G. J., Schiaffi S. Confidence Matters for Current Economic Growth: Empirical Evidence for the Euro Area and the United States // Social Science Quarterly. 2015. Vol. 96. No 4. P. 1027-1040.

18. Bry G., Boschan C. Cyclical Analysis of Time Series: Selected Procedures and Computer Programs. New York, NY: National Bureau of Economic Research, 1971.

19. Chien Y., Morris P. PMI and GDP: Do They Correlate for the United States? For China? //Economic Synopses. 2016. No 6.

20. Christiansen C., Eriksen J., Møller S. Forecasting US Recessions: The Role of Sentiment //Journal of Banking & Finance. 2014. No 49(C). P. 459-468.

21. Claveria O., Pons E., Ramos R. Business and Consumer Expectations and Macroeconomic Forecasts // International Journal of Forecasting. 2015. Vol. 23. No 1. P. 47-69.

22. D'Agostino A., Schnatz B. Survey-Based Nowcasting of US Growth: A Real-Time Forecast Comparison over More Than 40 Years. European Central Bank Working Paper. No 1455. 2012.

23. Gayer C. Report: The Economic Climate Tracer. A Tool to Visualise the Cyclical Stance of the Economy Using Survey Data. 2008. https://www.oecd.org/sdd/leading-indicators/39578745.pdf.

24. Gayer C., Marc B. A "New Modesty"? Level Shifts in Survey Data and the Decreasing Trend of "Normal" Growth. European Economy Discussion Paper. No 083. 2018.

25. Hodrick R. J., Prescott F. C. Postwar U.S. Business Cycles: An Empirical Investigation //Journal of Money, Credit and Banking. 1997. Vol. 29. No 1. P. 1-16.

26. Kitrar L., Lipkind T., Lola I., Ostapkovich G., Chusovlyanov D. The HSE ESI and Short-Term Cycles in the Russian Economy. Papers and Studies of Research Institute for Economic Development SGH. 2015. No 97. P. 45-66.

27. Kitrar L., Nilsson R. Business Cycles and Cyclical Indicators in Russia. Paris: OECD, 2003.

28. Lahiri K., Monokroussos G. Nowcasting US GDP: The Role of ISM Business Surveys // In-ternational Journal of Forecasting. 2013. Vol. 29. No 4. P. 644-658.

29. Lipkind T., Kitrar L., Ostapkovich G. Russian Business Tendency Surveys by HSE and Rosstat // Business Cycles in BRICS/S. Smirnov, A. Ozyildirim, P. Picchetti (eds.). Cham: Springer, 2019. P. 233-251.

30. Malgarini M. Industrial Production and Confidence After the Crisis: What's Going On? Munich Personal RePEc Archive Working Paper. No 53813. 2012.

31. McNabb R., Taylor K. Business Cycles and the Role of Confidence: Evidence for Europe //Oxford Bulletin of Economics and Statistics. 2007. Vol. 69. No 2. P. 185-208.

32. Mourougane A., Roma M. Can Confidence Indicators Be Useful to Predict Short Term Real GDP Growth? // Applied Economics Letters. 2003. Vol. 10. No 8. P. 519-522.

33. Nilsson R., Gyomai G. Cycle Extraction: A Comparison of the Phase-Average Trend Meth-od, the Iodrick-Prescott and Christiano Fitzgerald Filters // OECD Statistics Directorate Working Paper. No 39. 2011.

34. Van Aarle B., Moons C. Sentiment and Uncertainty Fluctuations and Their Effects on the Euro Area Business Cycle // Journal of Business Cycle Research. 2017. Vol. 13. No 2. P. 225-251.