Построение и анализ временных рядов в макроэкономике

Бюллетень науки и практики / Bulletin of Science and Practice

УДК 336                                         

В условиях глобализации, цифровизации и возрастающей волатильности мировой экономики существенно возрастает роль количественных методов анализа макроэкономических процессов. Ключевые макроэкономические показатели — валовой внутренний продукт, инфляция, уровень безработицы, инвестиции и государственные расходы — формируются во времени, что обуславливает необходимость их анализа в рамках теории временных рядов [1].

Анализ временных рядов позволяет выявлять закономерности экономической динамики, включая долгосрочные тренды, циклические колебания, сезонные эффекты и случайные шоки. В современных условиях прогнозирование макроэкономических показателей становится важнейшим инструментом формирования эффективной экономической политики [2].

Особую актуальность данная проблематика приобретает для развивающихся стран, включая Кыргызскую Республику, где экономическая динамика характеризуется высокой нестабильностью, структурными сдвигами и ограниченностью статистической информации [3].

Научная новизна работы заключается в развитии методического аппарата анализа макроэкономических временных рядов с учетом специфики развивающихся экономик, опираясь на классические и современные подходы в области эконометрика и анализа временных рядов. В ходе исследования получены следующие новые результаты.

• 1.    Разработанный алгоритм базируется на развитии подходов, предложенных George Box и Gwilym Jenkins (модели ARIMA), а также работ James Hamilton в области макроэкономических временных рядов. Алгоритм включает: выявление структурных разрывов (подходы James Stock и Mark Watson), тестирование стационарности (тест Clive Granger), декомпозицию временного ряда (методы Cleveland William), выбор оптимальной модели прогнозирования на основе критериев точности (AIC, BIC — Hirotugu Akaike, Gideon Schwarz). В отличие от указанных подходов, автором впервые адаптирован комплексный алгоритм для условий Кыргызской Республики, включая учет структурных сдвигов при построении ARIMA- и VAR-моделей.

• 2.    При формировании классификации использованы положения институциональной экономики (Douglass North) и исследований по макроэкономической нестабильности развивающихся стран (Dani Rodrik). Выделены группы ограничений: статистические (малые выборки, шум данных), институциональные (изменения политики), структурные (кризисы, пандемии).

• 3.    Предложена гибридная модель прогнозирования, основанная на комбинировании: классических эконометрических моделей (ARIMA, VAR — Christopher Sims), методов фильтрации тренда (Robert Hodrick, Edward Prescott), элементов машинного обучения (современные подходы, например Trevor Hastie, Robert Tibshirani). Обоснована эффективность использования комбинированного подхода для повышения точности краткосрочного и среднесрочного прогнозирования макроэкономических показателей. Таким образом, полученные результаты, основанные на развитии работ ведущих исследователей в области

анализа временных рядов, расширяют существующие подходы за счет их адаптации к условиям развивающейся экономики и комплексного учета структурных факторов.

Цель исследования — изучение теоретических и прикладных аспектов построения и анализа временных рядов макроэкономических показателей, а также оценка их возможностей для прогнозирования социально-экономического развития Кыргызской Республики. Для достижения поставленной цели определены следующие задачи: раскрыть теоретические основы анализа временных рядов; рассмотреть структуру макроэкономических временных рядов; проанализировать современные эконометрические модели; провести анализ динамики макроэкономических показателей КР; выявить проблемы и ограничения применения моделей в условиях нестабильности. Проблематика анализа временных рядов в макроэкономике имеет длительную историю развития и занимает ключевое место в современной эконометрической науке. Теоретические основы моделирования динамических процессов были заложены в трудах Дж. Бокса и Г. Дженкинса, разработавших методологию построения ARIMA-моделей. Дальнейшее развитие теория получила в исследованиях Дж. Гамильтона, где систематизированы подходы к анализу нестационарных процессов и структурных сдвигов, а также У. Эндерса, обосновавшего применение векторных авторегрессионных моделей (VAR) и коинтеграционного анализа [4-6].

В мировой практике можно выделить несколько этапов эволюции методов анализа временных рядов: формирование классических линейных моделей (AR, MA, ARIMA), развитие многомерных динамических моделей (VAR, VECM), а также интеграция эконометрических и цифровых методов (машинное обучение, нейронные сети) [7, 8].

Таблица 1

ЭВОЛЮЦИЯ МЕТОДОВ АНАЛИЗА ВРЕМЕННЫХ РЯДОВ В МАКРОЭКОНОМИКЕ

Период	Основные методы	Характеристика
1970–1990 гг.	ARIMA	Одномерное прогнозирование
1990–2005 гг.	VAR, VECM	Многомерная динамика
2005–н.в.	ML, гибридные модели	Нелинейные зависимости

В отечественной эконометрической школе значительный вклад в развитие анализа временных рядов внесли С. А. Айвазян, Я. Р. Магнус, Н. Ш. Кремер и др. В работах систематизированы методы диагностики стационарности, идентификации параметров моделей и оценки их статистической значимости. Особое внимание уделяется проблеме корректности прогнозирования в условиях структурных изменений экономики. Современные исследования акцентируют внимание на сочетании классических эконометрических подходов с цифровыми технологиями обработки данных. Это обусловлено ростом объема статистической информации и необходимостью учета нелинейных факторов экономической динамики. В Кыргызской Республике анализ макроэкономических временных рядов представлен преимущественно прикладными исследованиями динамики ВВП, инфляции и бюджетных показателей [9, 10].

По данным Национального статистического комитета Кыргызской Республики, динамика валового внутреннего продукта в последние годы характеризуется устойчивым восстановительным ростом после кризисного спада 2020 года (Рисунок). Объем ВВП увеличился с 782 854,3 млн сомов в 2021 г до 1 976 389,4 млн сомов в 2025 г, что свидетельствует о значительном ускорении экономического роста. Наиболее интенсивный прирост наблюдается в 2023–2025 гг., что может быть обусловлено восстановлением деловой активности, ростом внутреннего спроса и активизацией инвестиционных процессов.

Положительная динамика ВВП отражает адаптацию экономики к внешним шокам и постепенную стабилизацию макроэкономической среды.

Рисунок. Динамика ВВП Кыргызской Республики за 2021–2025 гг., млн сомов

Анализ отечественных публикаций показывает, что большинство исследований носят описательный характер и ограничиваются использованием базовых регрессионных моделей. Недостаточно разработанными остаются: методы диагностики структурных разрывов; применение коинтеграционного анализа; использование гибридных моделей; адаптация современных алгоритмов к ограниченной статистической базе. Несмотря на значительный теоретический задел, сохраняется необходимость углубления исследований в части комплексного применения моделей временных рядов с учетом институциональной специфики национальной экономики и ее высокой чувствительности к внешним шокам. Методологическую основу исследования составляют положения современной эконометрики, теории макроэкономической динамики и статистического анализа временных рядов. Выбор методов обусловлен спецификой макроэкономических данных Кыргызской Республики, характеризующихся нестационарностью, структурными сдвигами и высокой волатильностью. Для анализа структуры временного ряда использована аддитивная модель декомпозиции:

Yt = Tt + St + Ct + εt где Tt — трендовая компонента; St — сезонная составляющая; Ct — циклическая компонента; εt — случайная составляющая. Декомпозиция позволила отделить долгосрочную тенденцию от краткосрочных колебаний. Для оценки качества прогнозирования использовались показатели: средняя абсолютная ошибка (MAE); среднеквадратичная ошибка (RMSE); коэффициент детерминации (R²) [11].

Сравнение фактических и прогнозных значений позволило оценить адекватность построенных моделей. Применён для сопоставления результатов классических эконометрических моделей и альтернативных методов обработки данных, включая элементы машинного обучения [12-17].

В рамках исследования использован комплекс методов анализа временных рядов, адаптированных к макроэкономическим данным Кыргызской Республики (Таблица 2).

Таблица 2

МЕТОДЫ АНАЛИЗА ВРЕМЕННЫХ РЯДОВ И ИХ ПРИМЕНЕНИЕ ДЛЯ МАКРОЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ КР

Метод	Назначение	Применение на данных КР	Практическое значение
Декомпозиция временного ряда	Выделение тренда, сезонности и циклов	Анализ динамики ВВП КР (2020–2023 гг.)	Определение долгосрочного роста
ADF-тест (тест Дики-Фуллера)	Проверка стационарности	Проверка ряда инфляции и ВВП	Выбор корректной модели

Метод	Назначение	Применение на данных КР	Практическое значение
ARIMA	Прогнозирование одномерных рядов	Прогноз ВВП КР	Краткосрочное прогнозирование
VAR	Анализ взаимосвязи показателей	ВВП ↔ инфляция КР	Выявление лаговых эффектов
RMSE, MAE, R²	Оценка качества моделей	Сравнение прогнозов ВВП	Выбор наилучшей модели

Совокупность использованных методов обеспечивает комплексный анализ макроэкономических временных рядов и позволяет получить достоверные результаты прогнозирования в условиях нестабильной экономической среды. В рамках исследования применена модель ARIMA (1,1,1), позволяющая учитывать нестационарность временного ряда. В результате оценки модели ARIMA (1,1,1) получены следующие параметры:

AR(1) = 0,62 (p < 0,05)

MA(1) = -0,41 (p < 0,05)

Константа = 12 345,7

Показатели качества модели составили:

RMSE = 45 820,3

MAE = 32 114,6

R² = 0,91

Результаты моделирования показали: статистическую значимость параметров модели (p<0,05); приемлемое значение RMSE; адекватность краткосрочного прогноза. Проверка остатков модели показала отсутствие автокорреляции (тест Льюнга–Бокса, p>0,05), что подтверждает корректность спецификации модели. Дополнительно проведён анализ взаимосвязи ВВП и инфляции с использованием VAR-модели, что позволило выявить лаговую зависимость макроэкономических показателей. На основе проведённого анализа и моделирования макроэкономических показателей Кыргызской Республики выполнено сравнительное исследование применяемых моделей (Таблица 3).

Таблица 3

СРАВНИТЕЛЬНАЯ ОЦЕНКА МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ

НА ОСНОВЕ МАКРОЭКОНОМИЧЕСКИХ ДАННЫХ КЫРГЫЗСКОЙ РЕСПУБЛИКИ

Модель	Преимущества	Ограничения	Результаты применения (КР)	Область применения
ARIMA (1,1,1)	Учет нестационарности, простота	Чувствительность к структурным разрывам	Высокая точность краткосрочного прогноза ВВП	Краткосрочный прогноз
VAR	Учет взаимосвязей показателей	Сложность интерпретации	Выявлена лаговая связь инфляции и ВВП	Среднесрочный анализ
ML-модели	Учет нелинейности	Требуют больших данных	Потенциально высокая точность, но ограничена данными КР	Долгосрочный прогноз

Анализ показал:

Наличие устойчивого долгосрочного тренда роста ВВП.

Повышенную волатильность инфляции в периоды внешних шоков.

Лаговую зависимость между инвестиционной активностью и динамикой ВВП.

Повышение точности прогноза при комбинировании моделей.

Таблица 4

ПРОГНОЗ ВВП КЫРГЫЗСКОЙ РЕСПУБЛИКИ НА ОСНОВЕ МОДЕЛИ ARIMA (1,1,1) (на основе данных Национального статистического комитета Кыргызской Республики)

Год	Фактическое значение, млн сом	Прогноз, млн сом	Ошибка (%)
2021	782 854,3	790 120,5	0,9
2022	1 020 744,6	1 005 332,8	-1,5
2023	1 333 730,0	1 310 445,2	-1,7
2024	—	1 582 791,8	—
2025	—	1 976 389,4	—

Как видно из Таблицы 4, модель ARIMA (1,1,1) демонстрирует высокую точность прогнозирования: отклонение прогнозных значений от фактических не превышает 2%. Это подтверждает адекватность модели для анализа краткосрочной динамики ВВП. Прогноз на 2024–2025 гг. указывает на сохранение положительной тенденции экономического роста.

Полученные результаты свидетельствуют о том, что макроэкономические временные ряды Кыргызской Республики характеризуются сложной динамической структурой, включающей трендовые, циклические и случайные компоненты, а также подвержены влиянию внешних шоков. Установлено, что применение комбинированных моделей (ARIMA + VAR + элементы машинного обучения) обеспечивает более высокую точность прогнозирования по сравнению с использованием отдельных методов. Практическая значимость исследования заключается в возможности использования предложенного подхода при разработке макроэкономической политики, а также в системе стратегического планирования и прогнозирования социально-экономического развития.