Прогнозирование индекса промышленного производства
- 1 д.э.н., профессор, директор Департамента образовательных проектов и программ Фонда инфраструктурных и образовательных программ Роснано (Москва)
- 2 к.э.н., доцент, кафедра «Промышленная логистика», МГТУ им. Н.Э. Баумана
- 3 студент, кафедра «Промышленная логистика», МГТУ им. Н.Э. Баумана; практикант, Департамент Стратегического развития и инноваций Министерства экономического развития РФ (Москва)
Аннотация
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.
Для цитирования
Соболева Е.Н., Горлачева Е.Н., Михайлов Н.Э. Прогнозирование индекса промышленного производства // Нанотехнологии: разработка, применение - XXI век. 2020. № 3. С. 5–16. DOI: https://doi.org/10.18127/j22250980-202003-01
Список источников
- Батьковский А.М., Фомина А.В. Прогнозирование развития радиоэлектронной промышленности России с учетом уровня инновационности мировой экономики // Радиопромышленность. 2016. № 1. С. 127–138.
- Гудков А.Г. и др. Технологии межфирменного взаимодействия. М.: САЙНС-ПРЕСС. 2015. 184 с.
- 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
- 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.
- 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
- Бокс Дж., Дженкинс Г. Анализ временных рядов: прогноз и управление. М.: МИР. 1974. 406 с.
- 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.
- Общероссийский классификатор видов экономической деятельности. Режим доступа: оквэд2020.рф. Дата обращения: 18.03.2020.
- Богданова А.Л. Опережающие показатели – инструмент экономического прогнозирования // Экономическая наука современной России. 2018. № 2 (81). С. 25–53.
- Гудков А.Г. и др. Нелинейные модели технологических инноваций // Нелинейный мир. 2013. Т. 11. № 4. С. 266–273.
- Ханк Д.Э., Уичерн Д.У., Райтс А. Дж. Метод Бокса–Дженкинса (ARIMA). Бизнес-прогнозирование. М.: Изд-во «Вильямс». 2016. 656 с.
- 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.
- Магнус Я.Р., Катышев П.К., Пересецкий А.А. Модели Бокса–Дженкинса (ARIMA). М.: Дело. 2004. 580 с.