Конвергенция темпов роста цен на продовольственные товары в регионах России1 (2024)
В работе исследуется сходимость темпов роста цен на продовольственные товары в регионах России. Проведенный анализ подтверждает гипотезу о конвергенции региональной продовольственной инфляции в 2013–2022 гг. Для определения возможных изменений в динамике применяется панельное тестирование на единичный корень с использованием метода скользящего окна. Результаты тестов показывают, что за 2013–2022 гг. сходимость региональных индексов продовольственных цен к общероссийскому уровню инфляции ускорилась. Мы также рассчитываем матрицу коэффициентов взаимной конвергенции. Ее визуализация с использованием многомерного шкалирования позволяет выделить группы регионов с высоким уровнем сходимости по отношению друг к другу. В результате проведенного анализа к факторам, сдерживающим конвергенцию, отнесены различия в структуре весов товаров, используемых при расчете индексов потребительских цен, в уровне транспортно-логистической связанности и степени проникновения сетевой розницы. Исследование дополняет литературу по конвергенции инфляции тем, что не только проводит проверку гипотезы конвергенции, но и оценивает изменение сходимости в динамике, а также рассматривает взаимную конвергенцию темпов роста цен в регионах.
Идентификаторы и классификаторы
Динамика цен на продовольственные товары традиционно находится в центре внимания органов государственной власти, экономических аналитиков, средств массовой информации, что в значительной степени связано с ее потенциалом влияния как на экономическую, так и на социальную стабильность.
Список литературы
1 Айвазян С. А., Березняцкий А. Н., Бродский Б. Е. Региональные модели ценовых индексов // Экономика и математические методы. – 2016. – Т. 52. – № 4. – С. 24–46.
2 Глущенко К. П. Закон единой цены в российском экономическом пространстве // Прикладная эконометрика. – 2010. – № 1. – С. 3–19.
3 Дерюгина Е., Карлова Н., Пономаренко А., Цветкова А. Отраслевые и региональные
факторы инфляции в России // Банк России. Серия докладов об экономических исследованиях. – 2018. – № 36.
4 Добронравова Е. П., Перевышин Ю. Н., Скроботов А. А., Шемякина К. А. Границы различий региональных цен на продукты питания и невидимая рука рынка // Прикладная
эконометрика. – 2019. – Т. 53. – № 1. – С. 30–54.
5 Жемков М. И. Региональные эффекты таргетирования инфляции в России: факторы не-
однородности и структурные уровни инфляции // Вопросы экономики. – 2019. – № 9. – С. 70–89. doi: 10.32609/0042-8736-2019-9-70-89
6 Иванова В. И. Конвергенция цен на рынке зерна: исторический аспект // Пространственная экономика. – 2015. – № 3. – С. 34–56.
7 Мамонтов Д. С., Островская Е. А. Региональная конвергенция в России: подход на основе географически взвешенной регрессии // Банк России. Серия докладов об экономических исследованиях Банка России. – 2022. – № 98.
8 Перевышин Ю., Егоров Д. Влияние общероссийских факторов на региональную инфляцию // Экономическое развитие России. – 2016. – Т. 23. – № 10. – С. 44–50.
9 Перевышин Ю. Н., Синельников-Мурылев С. Г., Трунин П. В. Факторы дифференциации цен в российских регионах // Экономический журнал Высшей школы экономики. – 2017. – Т. 21. – № 3. – С. 361–384.
10 Перевышин Ю. Н., Скроботов А. А. Сходимость цен на отдельные товары в российских регионах // Журнал Новой экономической ассоциации. – 2017. – Т. 35. – № 3. – С. 71–102.
10 Синельников-Мурылев С. Г., Перевышин Ю. Н., Трунин П. В. Различия темпов роста потребительских цен в российских регионах: эмпирический анализ // Экономика региона. – 2020. – Т. 16. – № 2. – С. 479–493.
11 Alberola E., Urrutia C. Does Informality Facilitate Inflation Stability? // Journal of Development
Economics. – 2020. – Vol. 146. – Article 102505. doi: 10.1016/j.jdeveco.2020.102505
12 Barro R. J., Sala-i-Martin X. Convergence Across States and Regions // Brookings Papers on Economic Activity. – 1991. – Vol. 22. – № 1. – pp. 107–182.
13 Cecchetti S. G., Mark N. C., Sonora R. J. Price Index Convergence Among United States Cities // International Economic Review. – 2002. – Vol. 43(4). – pp. 1081–1099.
14 Dridi J., Nguyen A. D. M. Assessing Inflation Convergence in the East African Community // Journal of International Development. – 2019. – Vol. 31(2). – pp. 119–136.
15 Driscoll J. C., Kraay A. C. Consistent Covariance Matrix Estimation with Spatially Dependent Panel Data // The Review of Economics and Statistics. – 1998. – Vol. 80(4). – pp. 549–560.
16 Hoechle D. Robust Standard Errors for Panel Regressions with Cross-Sectional Dependence //
The Stata Journal. – 2007. – Vol. 7(3). – pp. 281–312.
17 Kocenda E., Papell D. H. Inflation Convergence Within the European Union: A Panel Data
Analysis // International Journal of Finance and Economics. – 1997. – Vol. 2(3). – pp. 189–198.
18 Levin A., Lin C.-F., James Chu C.-S. Unit Root Tests in Panel Data: Asymptotic and Finite-
Sample Properties // Journal of Econometrics. – 2002. – Vol. 108(1). – pp. 1–24.
19 Lopez C., Papell D. H. Convergence of Euro Area Inflation Rates // Journal of International
Money and Finance. – 2012. – Vol. 31(6). – pp. 1440–1458.
20 Parsley D. C., Wei S.-J. Convergence to the Law of One Price Without Trade Barriers or Currency Fluctuations // The Quarterly Journal of Economics. – 1996. – Vol. 111(4). – pp. 1211–1236.
21 Purwono R., Yasin M. Z., Mubin M. K. Explaining Regional Inflation Programmes in Indonesia:
Does Inflation Rate Converge? // Economic Change and Restructuring. – 2020. – Vol. 53(4). –
pp. 571–590.
22 Rogers W. Regression Standard Errors in Clustered Samples // Stata Technical Bulletin. – 1994. – Vol. 3(13). – pp. 19–23.
23 Solow R. M. A Contribution to the Theory of Economic Growth // The Quarterly Journal
of Economics. – 1956. – Vol. 70(1). – pp. 65–94.
24 Weber A. A., Beck G. W. Price Stability, Inflation Convergence and Diversity in EMU: Does One
Size Fit All? // CFS Working Paper Series. – 2005. – N 30.
25 Wild J. Efficiency and Risk Convergence of Eurozone Financial Markets // Research
in International Business and Finance. – 2016. – Vol. 36. – pp. 196–211.
Выпуск
Другие статьи выпуска
В начале июля 2024 г. состоялся XII международный семинар Банка России, Российской экономической школы и базовой кафедры Банка России в Национальном исследовательском университете «Высшая школа экономики» на тему «Конкуренция в финансовом секторе – барьеры, вызовы и пути дальнейшего развития». На семинаре были представлены доклады, посвященные оценке конкуренции в банковском секторе России, экономическим причинам доминирования крупных игроков в отдельных сегментах финансового рынка, влиянию цифровизации и развития экосистем на конкуренцию в финансовом секторе, выгодам и издержкам для общества.
В начале июля 2024 г. Европейский центральный банк провел форум по вопросам политики центральных банков «Денежно-кредитная политика в эпоху трансформации»2. В этом обзоре кратко описана академическая часть конференции с фокусом на темах инфляции, экономического роста, климатических и геополитических рисков, имеющих прикладное значение для политики центральных банков, а также на теме долгосрочных равновесных процентных ставок и их роли в принятии решений ёпо денежно-кредитной политике.
Весной 2020 г. пандемия COVID-19 вынудила регуляторов фондовых рынков ряда европейских стран ввести запрет на короткие продажи. Я анализирую, как этот запрет повлиял на волатильность рынков и риск экстремальных изменений цен на акции. Запрет коротких продаж считается средством предотвращения крупных обвалов фондового рынка, поскольку устранение продавцов, играющих на понижение, уменьшает вероятность падения цен на акции. Я прихожу к выводу, что введение такого запрета увеличивает показатели рыночного риска, такие как стоимость под риском и ожидаемые потери доходности акций. Установленные регуляторами требования к капиталу банков в части рыночного риска основаны на вышеупомянутых показателях. Резкое изменение любого из них усиливает уязвимость банков к колебаниям цен на акции и подталкивает их к продаже активов для устранения нарушения требований к достаточности капитала. Дополнительные продажи, вызванные последним фактором, ведут к дальнейшему снижению цен на акции. Продажа активов во время кризисов вряд ли может быть прибыльной, что, в свою очередь, также уменьшает капитал. Таким образом, запрет коротких продаж, призванный уменьшить панику на рынках, ведет к дальнейшему падению цен на акции в экономиках, где банки – ключевые игроки. Я показываю, используя данные европейских рынков за 2020 г., что запрет коротких продаж ведет к значительному повышению стоимости под риском (от 15 до 18% в зависимости от методологии расчета) и росту ожидаемых потерь на 30%.
Эта работа посвящена применению ансамблевых и нейросетевых методов машинного обучения, в частности методов CatBoost и LightGBM и сверточных нейронных сетей, для прогнозирования ВВП. В исследовании используется база винтажных данных, что позволяет выявить влияние пересмотров статистической информации на точность моделей. Полученные нами результаты показывают, что комбинации нейросетевых методов сохраняют прогнозное преимущество по сравнению с эталонными моделями – авторегрессией первого порядка, динамической факторной моделью и байесовской векторной авторегрессией – на панели стран, в том числе в периоды, включающие пандемический кризис, на предварительных и пересмотренных данных. Согласно эконометрическому тесту на доверительное множество моделей, к числу наиболее точных методов прогнозирования ВВП относятся сверточные и рекуррентные нейронные сети. Пересмотры статистических данных приводят к росту среднеквадратической ошибки эталонных моделей, ансамблевых и нейросетевых методов машинного обучения.
С задачей прогнозирования инфляции методы машинного обучения справляются не хуже, а зачастую и лучше подходов, основанных на классических эконометрических моделях. Однако, несмотря на наличие временных рядов по ценам для всех товаров и услуг, являющихся отдельными компонентами потребительской корзины, для которой рассчитывается индекс потребительских цен (ИПЦ), и на то, что методы машинного обучения работают точнее с ростом объема данных, в большинстве работ покомпонентные данные ИПЦ не используются. Исследований, посвященных прогнозированию ИПЦ путем агрегации прогнозов индексов цен для отдельных категорий товаров и услуг (bottom-up approach), немного, и на их основании нельзя однозначно утверждать, будет ли агрегированный прогноз точнее, чем прогноз ИПЦ, не использующий покомпонентные данные. Мы показываем на российских данных, что в зависимости от горизонта прогнозирования покомпонентный агрегированный прогноз инфляции может быть до 1,5 раза точнее. Даже при использовании таких ставших уже классическими моделей машинного обучения, как градиентный бустинг или регрессии с регуляризацией, преимущество статистически значимо на горизонтах до полугода. Каждую компоненту инфляции и на каждый горизонт мы прогнозируем отдельной моделью независимо от остальных компонент и от остальных горизонтов.
Издательство
- Издательство
- БАНК РОССИИ
- Регион
- Россия, Москва
- Почтовый адрес
- 107016, г Москва, Мещанский р-н, ул Неглинная, д 12 к в
- Юр. адрес
- 107016, г Москва, Мещанский р-н, ул Неглинная, д 12 к в
- ФИО
- Набиуллина Эльвира Сахипзадовна (ПРЕДСЕДАТЕЛЬ БАНКА РОССИИ)
- Контактный телефон
- +7 (495) 9747664
- Сайт
- https://cbr.ru/