УДК 330.35

Опережающие индикаторы как инструмент бизнес-прогнозирования в экономике России

Л.А. Серков

Институт экономики Уральского отделения РАН, г. Екатеринбург, Россия

Аннотация

В статье исследуется прогностическая способность индексов предпринимательской уверенности (ИПУ) в отношении динамики промышленного производства в двух ключевых секторах российской экономики — обрабатывающей промышленности и добыче полезных ископаемых. Актуальность работы обусловлена необходимостью повышения точности краткосрочных прогнозов в условиях повышенной макроэкономической нестабильности и структурных сдвигов. Целью исследования является выявление и количественная оценка опережающего характера ИПУ с использованием современных методов многомерного вейвлет-анализа (вейвлет-когерентность, разность фаз, вейвлетная кросс-корреляция). Этот подход позволяет анализировать причинно-следственные связи одновременно во временной и частотной областях в условиях нестационарности, структурных сдвигов и внешних шоков в экономике. На основе месячных данных Росстата за период с 2015 по 2025 г. получены следующие основные результаты. В обрабатывающей промышленности ИПУ устойчиво опережает индекс производства на среднесрочных горизонтах (циклы 8–24 месяца) с лагом в 2 месяца. В добывающем секторе взаимосвязь является более сложной и изменчивой: ИПУ также выступает опережающим индикатором, но на различных частотных диапазонах (6–36 месяцев) и с более длительным лагом (до 3 месяцев), что объясняется влиянием внешних шоков и долгосрочным характером инвестиций. Результаты подтверждают ценность ИПУ как опережающего индикатора для целей бизнес-прогнозирования и экономической политики, особенно в обрабатывающей промышленности. Исследование демонстрирует эффективность методологии вейвлет-анализа для анализа динамических взаимосвязей в нестационарных экономических условиях. Результаты исследования имеют ценность для органов государственного управления, Центрального банка и бизнес-аналитиков. Интеграция ИПУ в системы краткосрочного и среднесрочного прогнозирования может повысить точность предсказаний динамики производства, особенно в обрабатывающей промышленности. Для добывающего сектора рекомендации носят более осторожный характер: ИПУ может использоваться как дополнительный индикатор, но с учетом его большей зависимости от внешних шоков и долгосрочных циклов.

Ключевые слова

индекс производства; индекс предпринимательской уверенности; опережающие индикаторы; добывающее и обрабатывающее производство; вейвлет-анализ; вейвлет-когерентность; причинно-следственные связи.

JEL classification

Список использованной литературы

1. Burns A.F., Mitchell W.C. Measuring Business Cycles. New York : National Bureau of Economic Research, 1946. 560 p. URL: https://www.nber.org/system/files/chapters/c2980/c2980.pdf

          2. Strohsal T., Proaño C.R., Wolters J. Characterizing the financial cycle: Evidence from a frequency domain analysis // Journal of Banking and Finance. 2019. Vol. 106. Pp. 568–591. https://doi.org/10.1016/j.jbankfin.2019.06.010

          3. Drehmann M., Borio C.E., Tsatsaronis K. Characterising the financial cycle: don't lose sight of the medium term! // Bank for International Settlements Working Paper. No. 380. Bank for International Settlements, 2012. 37 p. URL: https://www.bis.org/publ/work380.pdf

          4. Stock J.H., Watson M.W. Forecasting output and inflation: The role of asset prices // Journal of Economic Literature. 2003. Vol. 41, No. 3. Pp. 788–829. https://doi.org/10.1257/002205103322436197

          5. Diebold F.X., Rudebusch G.D. Scoring the leading indicators // Journal of Business. 1989. Vol. 62, No. 3. Pp. 369–391. http://dx.doi.org/10.1086/296467

          6. Diebold F.X., Rudebusch G.D. Forecasting output with the composite leading index: A Real-Time analysis // Journal of the American Statistical Association. 1991. Vol. 86, Issue 415. Pp. 603–610. https://doi.org/10.2307/2290388

          7. Emerson R.A., Hendry D.F. An evaluation of forecasting using leading indicators // Journal of Forecasting. 1996. Vol. 15, Issue 4. Pp. 271–291. https://doi.org/10.1002/(SICI)1099-131X(199607)15:4%3C271::AID-FOR623%3E3.0.CO;2-7

          8. Garnitz J., Lehmann R., Wohlrabe K. Forecasting GDP all over the world using leading indicators based on comprehensive survey data // Applied Economics. 2019. Vol. 51, Issue 54. Pp. 5802–5816. https://doi.org/10.1080/00036846.2019.1624915

          9. Bandholz H., Funke M. In search of leading indicators of economic activity in Germany // Journal of Forecasting. 2003. Vol. 22, Issue 4. Pp. 277–297. https://doi.org/10.1002/for.862

          10. Lehmann R. The Forecasting Power of the IFO Business Survey // CESifo Working Paper Series. No. 8291. Munich : Center for Economic Studies and Ifo Institute (CESifo), 2020. 65 p. URL: https://www.econstor.eu/bitstream/10419/219109/1/cesifo1_wp8291.pdf

          11. Marcellino M. Leading indicators // Handbook of Economic Forecasting. Vol. 1 / еdited by G. Elliott, C. Granger, A. Timmermann. Amsterdam : Elsevier, 2006. Pp. 879–960. URL: https://econpapers.repec.org/bookchap/eeeecofch/1-16.htm

          12. Golabchi H., Abellanosa A., Lefsrud L., Pereira E., Mohamed Y. A comprehensive systematic review of safety leading indicators in construction // Safety Science. 2024. Vol. 172. 106433. https://doi.org/10.1016/j.ssci.2024.106433

          13. Marcellino M. Forecasting EMU macroeconomic variables // International Journal of Forecasting. 2003. Vol. 20, Issue 2. Pp. 359–372. https://doi.org/10.1016/j.ijforecast.2003.09.003

          14. Marcellino M., Stock J.H., Watson M.W. Macroeconomic forecasting in the Euro area: Country specific versus Euro wide information // European Economic Review. 2003. Vol. 47, Issue 1. Pp. 1–18. https://doi.org/10.1016/S0014-2921(02)00206-4

          15. Смирнов С.В., Олейник Е.Б., Коваленко С.С. Прогнозирование поворотных точек российского экономического цикла с помощью опережающих индикаторов // Вопросы экономики. 2023. № 10. С. 75–97. https://doi.org/10.32609/0042-8736-2023-10-75-97

          16. Cardarelli R., Elekdag S., Lall S. Financial stress and economic contractions // Journal of Financial Stability. 2011. Vol. 7, Issue 2. Pp. 78–97. https://doi.org/10.1016/j.jfs.2010.01.005

          17. Екимова Н.А. Индикаторы раннего предупреждения кризисов: в поисках новых подходов // Вестник УрФУ. Серия экономика и управление. 2017. Т. 16, № 6. С. 985–1002. https://doi:10.15826/vestnik.2017.16.6.047

          18. Crowley P. An intuitive guide to wavelets for economists // Bank of Finland Research Discussion Papers. No. 1. Helsinki: Bank of Finland, 2005. 68 p. URL: https://www.econstor.eu/bitstream/10419/211999/1/bof-rdp2005-001.pdf

          19. Ramsey J.B. Wavelets in economics and finance: Past and future // Studies in Nonlinear Dynamics & Econometrics. 2002. Vol 6, Issue 3. Pp. 1–27. https://doi.org/10.2202/1558-3708.1090

          20. Percival D.B., Walden A.T. Wavelet Methods for Time Series Analysis. Cambridge: Cambridge University Press, 2000. 565 p. https://doi.org/10.1017/CBO9780511841040

          21. Torrence C., Compo G. A practical guide to wavelet analysis // Bulletin of the American Meteorological Society. 1998. Vol. 79, No. 1. Pp. 61–78. https://doi.org/10.1175/1520-0477(1998)079<0061:APGTWA>2.0.CO;2

          22. Aguiar-Conraria L., Soares M.J. Business cycle synchronization and the Euro: A wavelet analysis // Journal of Macroeconomics. 2011. Vol. 33, Issue 3. Pp. 477–489. https://doi.org/10.1016/j.jmacro.2011.02.005

          23. Rua A. Measuring comovement in the time-frequency space // Journal of Macroeconomics. 2010. Vol. 32, Issue 2. Pp. 685–691. https://doi.org/10.1016/j.jmacro.2009.12.005

          24. Rua A., Nunes L.C. International comovement of stock market returns: A wavelet analysis // Journal of Empirical Finance. 2009. Vol. 16, Issue 4. Pp. 632–639. https://doi.org/10.1016/j.jempfin.2009.02.002

          25. Gallegati M. Wavelet analysis of stock returns and aggregate economic Activity // Computational Statistics and Data Analysis. 2014. Vol. 52, Issue 6. Pp. 3061–3074. https://doi.org/10.1016/j.csda.2007.07.019

          26. Aguiar-Conraria L., Soares M.J. Oil and the macroeconomy: Using wavelets to analyze old issues // Empirical Economics. 2011. Vol. 40, Issue 3. Pp. 645–655. https://doi.org/10.1007/s00181-010-0371-x

          27. Magazzino C., Mele M. On the relationship between transportation infrastructure and economic development in China // Research in Transportation Economics. 2021. Vol. 88. 100947. https://doi.org/10.1016/j.retrec.2020.100947

          28. Aguiar-Conraria L., Azevedo N., Soares M.J. Using wavelets to decompose the time-frequency effects of monetary policy // Physica A: Statistical Mechanics and its Applications. 2008. Vol. 387, Issue 12. Pp. 2863–2878. https://doi.org/10.1016/j.physa.2008.01.063

          29. Caraiani P. Money and output: New evidence based on wavelet coherence // Economics Letters. 2012. Vol. 116, Issue 3. Pp. 547–550. https://doi.org/10.1016/j.econlet.2012.02.032

          30. Magazzino C., Mutascu M. A wavelet analysis of Italian fiscal sustainability // Journal of Economic Structures. 2019. Vol. 8. 19. https://doi.org/10.1186/s40008-019-0151-5

          31. Bruzda J. The wavelet scaling approach to forecasting: Verification on a large set of noisy data // Journal of Forecasting. 2020. Vol. 39, Issue 3. Pp. 353–367. https://doi.org/10.1002/for.2634

          32. Gallegati M. Making leading indicators more leading: A wavelet-based method for the construction of composite leading indexes // OECD Journal: Journal of Business Cycle Measurement and Analysis. 2014. Vol. 2014, Issue 1. Pp. 1–22. https://doi.org/10.1787/jbcma-2014-5jxx56gqmhf1

          33. Rua A. A wavelet-based multivariate multiscale approach for forecasting// International Journal of Forecasting. 2017. Vol. 33, Issue 3. Pp. 581–590. https://doi.org/10.1016/j.ijforecast.2017.01.007

          34. Aguiar-Conraria L., Soares M. The continuous wavelet transform: Moving beyond uni- and bivariate analysis // Journal of Economic Surveys. 2012. Vol. 28, Issue 2. Pp. 344–375. https://doi.org/10.1111/joes.12012

          35. Foufoula-Georgiou E., Kumar P. Wavelets in Geophysics: An Introduction // Wavelet Analysis and Its Applications. 1994. Vol. 4. Pp. 1–43. https://doi.org/10.1016/B978-0-08-052087-2.50007-4

Благодарности

Статья подготовлена в соответствии с планом НИР ИЭ УрО РАН на 2026 г.

Информация об авторах

Серков Леонид Александрович

Кандидат физико-математических наук, доцент, старший научный сотрудник Центра развития и размещения производительных сил Института экономики Уральского отделения РАН, г. Екатеринбург, Россия (620014, г. Екатеринбург, ул. Московская, 29); ORCID: https://orcid.org/0000-0002-3832-3978 e-mail: serkov.la@uiec.ru

Для цитирования

Серков Л.А. Опережающие индикаторы как инструмент бизнес-прогнозирования в экономике России // Journal of Applied Economic Research. 2026. Т. 25, № 2. С. 687-712. https://doi.org/10.15826/vestnik.2026.25.2.023

Информация о статье

Дата поступления 3 февраля 2026 г.; дата поступления после рецензирования 27 февраля 2026 г.; дата принятия к печати 12 марта 2026 г.

DOI: http://dx.doi.org/10.15826/vestnik.2026.25.2.023

Скачать полный текст статьи: