Е.Н. Соболева – д.э.н., профессор,  директор Департамента образовательных проектов и программ Фонда инфраструктурных  и образовательных программ Роснано (Москва)

Е.Н. Горлачева – к.э.н., доцент,  кафедра «Промышленная логистика», МГТУ им. Н.Э. Баумана

E-mail: gorlacheva@yandex.ru 

Н.Э. Михайлов – студент,  кафедра «Промышленная логистика», МГТУ им. Н.Э. Баумана; практикант, Департамент Стратегического 

развития и инноваций Министерства экономического развития РФ (Москва)

E-mail: mikhailovnikolay.ed@gmail.com 

Постановка проблемы. В настоящее время актуальным инструментом управления является переход от реагирования на возникающие проблемы к их упреждению. Одной из реализаций такого подхода является прогнозирование индикаторов экономической активности промышленного производства. На сегодняшний день в Российской Федерации используется индекс промышленного производства как один из распространенных индексов экономической активности промышленных предприятий.

Цель работы – на основе модели Бокса–Дженкинса разработать модель прогноза индекса промышленного производства и определить тенденции развития промышленности.

Результаты. Разработана прогнозная модель индекса промышленного производства.

Практическая значимость. Предложенный инструмент позволяет прогнозировать возможные траектории развития индекса промышленного производства и реализовывать прогностическую функцию управления в деятельности промышленных предприятий.

1. Батьковский А.М., Фомина А.В. Прогнозирование развития радиоэлектронной промышленности России с учетом уровня инновационности мировой экономики // Радиопромышленность. 2016. № 1. С. 127–138.
2. Гудков А.Г. и др. Технологии межфирменного взаимодействия. М.: САЙНС-ПРЕСС. 2015. 184 с.
3. Boivin J., Ng S. Understanding and comparing factor-based forecasts. NBER Working Paper Series 11285 // https://www.nber.org/papers/w11285.pdf. Accessed on 14.08.2019
4. Chrobok R., Kaumann O., Wahle J., Schreckenberg M. Different methods of traffic forecast based on real data. European Journal of Operational Research. 2004. V.155. Is. 3. P. 558–568.
5. Stock J, Watson M. Dynamic Factor Models. In Oxford Handbook on Economic Forecasting, eds. Michael P. Clements and David F. Hendry. Oxford: Oxford University Press. 2011. // http://nrs.harvard.edu/urn-3:HUL.InstRepos:28469541. Accessed on 10.08.2019
6. Бокс Дж., Дженкинс Г. Анализ временных рядов: прогноз и управление. М.: МИР. 1974. 406 с. 
7. Приказ Росстата от 08.05.2014 N 301 «Об утверждении Официальной статистической методологии исчисления индекса промышленного производства». Режим доступа: www.gks.ru. Дата обращения: 17.03.2020. 
8. Общероссийский классификатор видов экономической деятельности. Режим доступа: оквэд2020.рф. Дата обращения: 18.03.2020.
9. Богданова А.Л. Опережающие показатели – инструмент экономического прогнозирования // Экономическая наука современной России. 2018. № 2 (81). С. 25–53.
10. Гудков А.Г. и др. Нелинейные модели технологических инноваций // Нелинейный мир. 2013. Т. 11. № 4. С. 266–273.
11. Ханк Д.Э., Уичерн Д.У., Райтс А. Дж. Метод Бокса–Дженкинса (ARIMA). Бизнес-прогнозирование. М.: Изд-во «Вильямс». 2016. 656 с.
12. Ihaka R., Gentleman R. R: A Language for Data Analysis and graphics. Journal of Computational and Graphical Statistics. 1996.  V. 5. № 3. P. 299–314.
13. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Модели Бокса–Дженкинса (ARIMA). М.: Дело. 2004. 580 с.