МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ПРОГНОЗИРОВАНИЯ ГОДОВОГО ПОКАЗАТЕЛЯ ИНФЛЯЦИИ

В работе рассматривается проблема, касающаяся формирования методологии прогнозирования экономических показателей. Показано построение модели прогнозирования годового показателя инфляции на основе статистических данных за последние 16 лет. Указаны преимущества прогнозирования годового показателя инфляции на основе временных рядов и на основе факторных моделей. В работе подробно рассматривается алгоритм построения модели. Выбранная модель расчета годового показателя инфляции проверена на адекватность. Доказана точность построенной адекватной модели с целью ее использования как модели прогнозирования. Определен доверительный интервал для прогнозного показателя годовой инфляции на ближайшие 3 года.

This paper considers the problem concerning the development of the methodology of forecasting of economic indicators. Shown building a model forecasting the annual inflation rate on the basis of statistical data for the last 16 years. Advantages of forecasting the annual rate of inflation based on time series and on the basis of factor models. In detail the algorithm of model building. The selected model to calculate the annual rate of inflation is checked for adequacy. Proved the accuracy of the constructed models for the purpose of its use as a forecasting model. Defined confidence interval for the forecast of the annual inflation rate for the next 3 years.

Ключевые слова: модель, уровень ряда, автокорреляция, коэффициент прироста, параметр, тренд, остаточная последовательность.

Keywords: model, series, autocorrelation, growth rate, setting the trend, the residual sequence.

В процессе проведения финансового анализа инновационных проектов, в процессе принятия управленческих решений учитывают прогноз инфляции [2]. Показатель инфляции есть индикатор стабильности. Концепция учета влияния фактора инфляции в бизнес – планировании инновационного проекта заключается в необходимости реального отражения стоимости активов и денежных потоков, в обеспечении возмещения потерь доходов, вызываемых инфляционными процессами. Инфляция искажает результаты финансового анализа. Например, оценка основных средств не может учитывать реальный рост стоимости основных средств, так как базируется на первоначальной стоимости. Темп инфляции влияет на изменение сроков оборачиваемости активов. В результате происходит завышение финансовых результатов деятельности, которое сказывается на увеличении срока окупаемости проекта.

В связи с этим возникает необходимость в прогнозировании инфляции, в формировании методологии прогнозирования [3].

Анализ моделей, которые используют для прогнозирования инфляции в России, показал, что чаще всего на практике используют кривую Филлипса в рамках комплексной модели, которая описывает экономику в целом.

Прогнозирование российской инфляции с помощью модели временных рядов и при помощи факторных

моделей имеет ряд преимуществ [1]:

-   простота;

-   гибкость;

-   единообразие проектирования;

-   прозрачность моделирования.

Таким образом, целью исследования стало построение трендовой модели прогнозирования показателя инфляции на 2016-2018 гг.

Цель исследования определила задачи исследования:

-   на основе статистических данных годового показателя инфляции в России построить модель;

-   построенную модель проверить на адекватность;

-   проверить модель на точность с целью ее использования как модели прогнозирования;

-   определить доверительный интервал прогноза.

В основу построения модели прогнозирования годовой инфляции в России на 2016, 2017, 2018 года положен временной ряд годовой инфляции с 2000 года по 2015 год (Табл.1).

Таблица 1

Уровень инфляции в России по годам в %

Структуру временного ряда определяли, рассчитав несколько последовательных коэффициентов автокорреляции и выявив лаг, для которого значение выборочного коэффициента автокорреляции наибольшее. Для  обеспечения  статистической  достоверности  коэффициентов  автокорреляции  использовали  правило: максимальный лаг должен быть не больше, чем 𝑛/4. Для исследуемого временного ряда максимальный лаг 𝜏= 4.

В процессе вычислений получена автокорреляционная функция временного ряда (Табл.2).

 Таблица 2

Автокорреляционная функция

Анализ значений автокорреляционной функции позволил сделать вывод о наличие во временном ряду только тенденции и отсутствии циклических колебаний [1].

Следующим шагом проводили моделирование тенденции временного ряда. Один из способов моделирования временного ряда – это аналитическое выравнивание временного ряда. С целью определения вида функции рассчитывали абсолютные приросты уровней ряда, определяли относительную скорость изменения годовой инфляции через коэффициент роста, определяли относительную скорость изменения годовой инфляции через коэффициент прироста. Проведенные расчеты позволили сделать предположение, что выравнивание временного ряда возможно либо по показательной функции:

Список литературы

1.     Афанасьев, В.Н. Анализ временных рядов и прогнозирование: учебник / М.М. Юзбашев, В.Н. Афанасьев. - М.: Издательство "Финансы и статистика", 2010.- 301 с.

2.     Бунтова Е.В. Моделирование финансовых потоков и вычисление показателей результативности в схеме внедрения научно – технических разработок в производство / Е.В. Бунтова, Н.В. Рогова / Экономика и предпринимательство №12, 2015 г.- С. 864-870.

3.     Лебедева, Е.В., Селютин В.Д. Основные вероятностные понятия как результат экономического прогнозирования их эмпирических прототипов // Ученые записки Орловского государственного университета. Серия «Гуманитарные науки и социальные науки, №2, 2012. – С.30-34.