Факторы ценовой динамики на товарных рынках Сибири

Проведены выявление и сравнительный анализ основных факторов, определяющих динамику цен на товарных рынках Сибири. На первом этапе товарные группы Росстата были перегруппированы в товарные рынки в целях более полного использования данных Росстата и Мониторинга предприятий Банка России при покомпонентном моделировании индекса потребительских цен макрорегиона Сибирь. На втором этапе для каждого товарного рынка Сибири и каждого периода ценовой динамики (всего ряда, ускорения и замедления роста цен) с помощью метода LARS отбирались факторы ценовой динамики и далее, с целью упорядочивания отобранных факторов по степени влияния на товарные цены, обучались модели линейной регрессии. Показано, что несмотря на близкие характеристики исходных пространств факторов, в модели непродовольственных рынков вошло меньшее число признаков. Этот факт, вместе с более низким качеством непродовольственных моделей, позволяет предположить меньшую пригодность сформированного пространства факторов, отражающих преимущественно региональную специфику, для объяснения динамики цен непродовольственных товаров, более торгуемых по своему характеру. С помощью метрики среднеобратного ранга были определены наиболее значимые факторы на множестве товарных рынков. Проведенное сравнение факторов показало, что на обоих типах рынков в периоды ускорения роста цен более значимо влияние ставки межбанковского кредитования RUONIA и индекса цен на продукцию инвестиционного назначения, а в периоды замедления – индекса реального курса рубля к доллару, индексов цен производителей по секторам и объема задолженности по кредитам, предоставленным физическим лицам. Обнаружено, что на продовольственных рынках Сибири основным фактором инфляции выступают цены производителей по товарным рынкам, в то время как на непродовольственные рынки наибольшее влияние оказывает ставка межбанковского кредитования RUONIA. Кроме того, на непродовольственных рынках сильнее сказывается влияние мировых цен, что также отражает большую интегрированность производителей непродовольственных товаров в международное разделение труда и, напротив, большую локализованность продовольственных цепочек создания стоимости.

1. Duarte C, Rua A. Forecasting inflation through a bottom-up approach: the Portuguese case // Banco De Portugal Working Paper, 2005. No. 2-05. 32 p.

2. Tena J.D., Espasa A., Pino G. Forecasting Spanish inflation using information from different sectors and geographical areas // Universidad Carlos III de Madrid Working Paper, 2008. No. 08-01. 23 p.

3. Ibarra-Ramírez R. Forecasting inflation in Mexico using factor models: do disaggregated CPI data improve forecast accuracy? // Banco de México Working Paper, 2010. No. 2010-01. 32 p.

4. Bermingham C., D’Agostino A. Understanding and forecasting aggregate and disaggregate price dynamics // European Central Bank Working Paper, 2011. No. 1365. 31 p.

5. Huwiler M., Kaufmann D. Combining disaggregate forecasts for inflation: The SNB’s ARIMA model // Swiss National Bank Economic Studies, 2013. No. 7. 33 p.

6. Carrera C., Ledesma A. Aggregate inflation forecast with Bayesian vector autoregressive models // Central Bank of Peru Working Paper, 2015. No. 50. 27 p.

7. Abdih Y., Balakrishnan R., Shang B. What is keeping U.S. core inflation low: insights from a bottom-up approach // IMF Working paper, 2016. No. 16/124. 38 p.

8. Андреев А. Прогнозирование инфляции методом комбинирования прогнозов в Банке России // Банк России. Серия докладов об экономических исследованиях, 2016. №14. 11 с.

9. Тулеуов О., Сейдахметова Б. Инфляционные процессы в регионах Казахстана: анализ неоднородности инфляционных факторов и модель дезагрегированного прогнозирования инфляции на основе BVAR-подхода // Национальный Банк Республики Казахстан, Экономическое исследование, 2017. №3. 21 с.

10. Белоусов Д.Р. Механизм инфляции в современной экономике России // Диссертация. Москва, 1998. 108 с.

11. Баранов А.О., Сомова И.А., Жданов А.Ю. Анализ инфляции в России в 2000-2016 гг. // ЭКО, 2017. №8. C. 128-138.

12. Сомова И.А., Некрестова В.Е. Влияние немонетарных факторов на динамику инфляции в России в период 2000-2018 годов // Мир экономики и управления, 2020. №4. С. 99-112.

13. Протасов С.А. Циклы инфляции и эволюция денежно-кредитной политики в России // Новая экономика: институты, инструменты, тренды. Материалы всероссийской научно-практической конференции. Часть 2. Орловский государственный университет имени И.С. Тургенева, 2019. С. 138-159.

14. Joseph A., Kalamara E., Kapetanios G., Potjagailo G. Forecasting UK inflation bottom up // Bank of England Working Paper, 2022. No. 915. 38 p.

15. Heinze G., Wallisch C., Dunkler D. Variable selection – A review and recommendations for the practicing statistician // Biometrical Journal, 2018. Vol. 60, No. 3. pp. 431–449.

16. Madansky A. Independent Variable Selection in Multiple Regression // Prescriptions for Working Statisticians. Springer, New York, 1988. pp. 181–213.

17. Thompson M.L. Selection of Variables in Multiple Regression: Part I. A Review and Evaluation // International Statistical Review, 1978. Vol. 46, No. 1. pp. 1–19.

18. Farrar D.E., Glauber R.R. Multicollinearity in Regression Analysis: The Problem Revisited // The Review of Economics and Statistics. The MIT Press, 1967. Vol. 49, No. 1. pp. 92–107.

19. Jolliffe I.T., Cadima J. Principal component analysis: a review and recent developments // Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. Royal Society, 2016. Vol. 374, No. 2065. 16 p.

20. Scott J.T. Factor Analysis and Regression // Econometrica. Econometric Society, 1966. Vol. 34, № 3. pp. 552–562.

21. Efron B., Hastie T., Johnstone I.M., Tibshirani R. Least Angle Regression // The Annals of Statistics. Institute of Mathematical Statistics, 2004. Vol. 32, No. 2. pp. 407–499.