Оценка региональной экономической активности в России

Официальные оценки валового регионального продукта (ВРП) публикуются с годовой периодичностью и существенным лагом, что ограничивает возможности анализа региональной неоднородности и эффектов макроэкономической политики. Разработаны оперативные индикаторы экономической активности для 79 субъектов Российской Федерации на ежемесячной частоте. Для этого оценивается байесовская динамическая факторная модель, позволяющая объединить низкочастотные данные по ВРП с доступной месячной и квартальной статистикой, характеризующей производство, совокупные доходы и расходы в региональных экономиках. Полученный оперативный индикатор («прокси-ВРП») успешно идентифицирует ключевые макроэкономические эпизоды, включая спад на сырьевых рынках 2014—2016 гг., шок пандемии COVID-19 и структурную трансформацию экономики после 2022 г. Агрегированный прокси-ВРП тесно коррелирует с индексом выпуска базовых отраслей Росстата и сводным индексом региональной экономической активности. Модель позволяет конструировать прогнозы и наукасты темпов роста ВРП в среднем на 50% точнее «наивного» прогноза и на 30% точнее оценок, опирающихся на индекс выпуска базовых отраслей. Полученные оценки можно использовать для оперативного мониторинга состояния региональных экономик и анализа механизмов трансмиссии монетарной и фискальной политики.

1. Ачкасов Ю. (2016). Модель оценивания ВВП России на основе текущей статистики: модификация подхода // Серия докладов об экономических исследованиях Банка России. № 8.

2. Гафарова Е. А. (2024). Оценка опережающего индикатора ВРП методом темпорального дезагрегирования // Вестник Пермского университета. Серия «Экономика». Т. 19, № 3. С. 253—268. https://doi.org/10.17072/1994-9960-2024-3-253-268

3. Губенко Д. В. (2022). Возможности оперативной оценки ВРП на основе данных налоговой статистики // Мир экономики и управления. Т. 13, № 3. С. 5—13.

4. Гуленков И. В. (2026). Неоднородность влияния бюджетной политики на регионы России // Журнал Новой экономической ассоциации [в печати].

5. Демидова О. А., Карнаухова Е. Е., Коршунов Д. А., Мясников А. А., Серегина С. Ф. (2021). Асимметричные эффекты денежно-кредитной политики в регионах России // Вопросы экономики. № 6. С. 77—102. https://doi.org/10.32609/0042-8736-2021-6-77-102

6. Демьяненко А. (2025). Региональные эффекты бюджетной политики: анализ с помощью пространственных векторных регрессионных моделей // Экономика и математические методы. Т. 61, № 2. С. 90—103. https://doi.org/10.7868/S3034617725020078

7. Мясников А., Тарасов В., Аверьянова А., Ткаченко М. (2024). Региональные финансы и бюджетно-налоговое регулирование: оценка бюджетного мультипликатора // Серия докладов об экономических исследованиях Банка России, № 138.

8. Поршаков А. С., Пономаренко А. А., Синяков А. А. (2016). Оценка и прогнозирование ВВП России с помощью динамической факторной модели // Журнал Новой экономической ассоциации. Т. 30, № 2. С. 60—76. https://doi.org/10.31737/2221-2264-2016-30-2-3

9. Смирнов С. В., Френкель А. А., Кондрашов Н. В. (2017). Индексы региональной экономической активности // Вопросы статистики. № 12. С. 29—38.

10. Antolín-Díaz J., Drechsel T., Petrella I. (2024). Advances in nowcasting economic activity: The role of heterogeneous dynamics and fat tails. Journal of Econometrics, Vol. 238, No. 2, article 105634. https://doi.org/10.1016/j.jeconom.2023.105634

11. Aruoba S. B., Diebold F. X., Scotti C. (2009). Real-time measurement of business conditions. Journal of Business & Economic Statistics, Vol. 27, No. 4, pp. 417—427. https://doi.org/10.1198/jbes.2009.07205

12. Barbaglia L., Frattarolo L., Hauzenberger N., Hirschbühl D., Huber F., Onorante L., Pfarrhofer M., Pezzoli L. T. (2025). Nowcasting economic activity in European regions using a mixed-frequency dynamic factor model. International Journal of Forecasting, Vol. 42, No. 2, pp. 657—672. https://doi.org/10.1016/j.ijforecast.2025.09.006

13. Baumeister C., Leiva-León D., Sims E. (2024). Tracking weekly state-level economic conditions. Review of Economics and Statistics, Vol. 106, No. 2, pp. 483—504. https://doi.org/10.1162/rest_a_01171

14. Boyko V., Kislyak N., Nikitin M., Oborin O. (2020). Methods for estimating the gross regional product leading indicator. Russian Journal of Money and Finance, Vol. 79, No. 3, pp. 3—29. https://doi.org/10.31477/rjmf.202003.03

15. Carter C. K., Kohn R. (1994). On Gibbs sampling for state space models. Biometrika, Vol. 81, No. 3, pp. 541—553. https://doi.org/10.1093/biomet/81.3.541

16. Cepni O., Guney I. E., Swanson N. R. (2020). Forecasting and nowcasting emerging market GDP growth rates: The role of latent global economic policy uncertainty and macroeconomic data surprise factors. Journal of Forecasting, Vol. 39, No. 1, pp. 18—36. https://doi.org/10.1002/for.2602

17. Chow G. C., Lin A. (1971). Best linear unbiased interpolation, distribution, and extrapolation of time series by related series. Review of Economics and Statistics, Vol. 53, No. 4, pp. 372—375. https://doi.org/10.2307/1928739

18. Crone T. M., Clayton-Matthews A. (2005). Consistent economic indexes for the 50 states. The Review of Economics and Statistics, Vol. 87, No. 4, pp. 593—603. https://doi.org/10.1162/003465305775098242

19. Demidova O., Kayasheva E., Demyanenko A. (2021). Government spending on healthcare and economic growth in Russia: A regional aspect. Spatial Economics, Vol. 17, No. 1, pp. 97—122. https://doi.org/10.14530/se.2021.1.097-122

20. Diebold F. X., Mariano R. S. (1995). Comparing predictive accuracy. Journal of Business & Economic Statistics, Vol. 13, No. 3, pp. 253—263. https://doi.org/10.1080/07350015.1995.10524599

21. Durbin J., Koopman S. J. (2002). A simple and efficient simulation smoother for state space time series analysis. Biometrika, Vol. 89, No. 3, pp. 603—615. https://doi.org/ 10.1093/biomet/89.3.603

22. Giannone D., Reichlin L., Small D. (2008). Nowcasting: The real-time informational content of macroeconomic data. Journal of Monetary Economics, Vol. 55, No. 4, pp. 665—676. https://doi.org/10.1016/j.jmoneco.2008.05.010

23. Jacobson M. M., Matthes C., Walker T. B. (2023). Temporal aggregation bias and monetary policy transmission. Finance and Economics Discussion Series, No. 2022-054, pp. 1—35. https://doi.org/10.17016/feds.2022.054r1

24. Koop G., McIntyre S., Mitchell J. (2020). UK regional nowcasting using a mixed frequency vector auto-regressive model with entropic tilting. Journal of the Royal Statistical Society. Series A: Statistics in Society, Vol. 183, No. 1, pp. 91—119. https://doi.org/10.1111/rssa.12491

25. Koop G., McIntyre S., Mitchell J., Poon A., Wu P. (2024). Incorporating short data into large mixed-frequency vector autoregressions for regional nowcasting. Journal of the Royal Statistical Society Series A: Statistics in Society, Vol. 187, No. 2, pp. 477—495. https://doi.org/10.1093/jrsssa/qnad130

26. Lewis D. J., Mertens K., Stock J. H., Trivedi M. (2022). Measuring real activity using a weekly economic index. Journal of Applied Econometrics, Vol. 37, No. 4, pp. 667—687. https://doi.org/10.1002/jae.2873

27. Litterman R. B. (1983). A random walk, Markov model for the distribution of time series. Journal of Business & Economic Statistics, Vol. 1, No. 2, pp. 169—173. https://doi.org/10.2307/1391858

28. Marcellino M. (1999). Some consequences of temporal aggregation in empirical analysis. Journal of Business & Economic Statistics, Vol. 17, No. 1, pp. 129—136. https://doi.org/10.2307/1392244

29. Mariano R. S., Murasawa Y. (2003). A new coincident index of business cycles based on monthly and quarterly series. Journal of Applied Econometrics, Vol. 18, No. 4, pp. 427—443. https://doi.org/10.1002/jae.695

30. Mogilat A., Kryzhanovskiy O., Shuvalova Z., Murashov Y. (2024). DYFARUS: Dynamic factor model to forecast GDP by output using input-output tables. Russian Journal of Money and Finance, Vol. 83, No. 2, pp. 3—25.

31. Napalkov V., Novak A., Shulgin A. (2021). Variations in the effects of a single monetary policy: The case of Russian regions. Russian Journal of Money and Finance, Vol. 80, No. 1, pp. 3—45. https://doi.org/10.31477/rjmf.202101.03

32. Ramey V. A. (2016). Macroeconomic shocks and their propagation. In: J. B. Taylor, H. Uhlig (eds.). Handbook of macroeconomics, Vol. 2. Amsterdam: Elsevier, pp. 71—162. https://doi.org/10.1016/bs.hesmac.2016.03.003

33. Rossana R. J., Seater J. J. (1995). Temporal aggregation and economic time series. Journal of Business & Economic Statistics, Vol. 13, No. 4, pp. 441—451. https://doi.org/10.1080/07350015.1995.10524618

34. Snudden S. (2025). Don’t ruin the surprise: Temporal aggregation bias in structural innovations. Available at SSRN: https://doi.org/10.2139/ssrn.5626810

35. Stock J. H., Watson M. W. (2002). Macroeconomic forecasting using diffusion indexes. Journal of Business & Economic Statistics, Vol. 20, No. 2, pp. 147—162. https://doi.org/10.1198/073500102317351921

36. Zvereva V., Demidova O., Korshunov D., Myasnikov A. (2024). Impact of intraregional income inequality on the operation of the Bank of Russia’s monetary policy transmission mechanism. Russian Journal of Money and Finance, Vol. 83, No. 1, pp. 3—31.