Мария Елкина представила результаты проекта по развитию прогнозирования доходов в Армении

Эксперт Центра макроэкономических исследований Мария Елкина приняла участие во Второй международной конференции по эконометрике и бизнес-аналитике (iCEBA), которая прошла 8-10 сентября 2022 в Республике Армения.

Мария Елкина совместно с начальником Отдела координации фискальной и денежно-кредитной политики Департамента макроэкономической политики Минфина Армении Гариком Петросяном представила доклад «Эконометрический подход к прогнозированию доходов государственного бюджета: пример Республики Армения». В ходе выступления эксперты рассказали о результатах проекта по развитию прогнозирования доходов, который осуществляется в рамках Программы двустороннего сотрудничества между Министерством финансов Республики Армения и Министерством финансов Российской Федерации.

Представленная на конференции система прогнозирования доходов состоит из трёх ключевых блоков: блок моделей на сезонно-скорректированных данных, блок моделей в сезонных разностях и подход к комбинированию прогнозов индивидуальных моделей из первых двух блоков. В свою очередь каждая из индивидуальных моделей позволяет прогнозировать тот или иной вид доходов в зависимости от различных макроэкономических факторов и переменных, отражающих дискреционные изменения налоговой политики. Каждая из этих моделей была отобрана на основе анализа величины ошибки прогноза в рамках симуляции реальных прогнозных раундов на исторических данных.

На примере прогнозирования поступлений от налогов на труд докладчики продемонстрировали, что такая многоуровневая система прогнозирования, дизайн которой соответствует современным стандартам инструментов эконометрического прогнозирования, позволяет получить прогноз намного точнее, чем более простые и консервативные расчётные методы. Также докладчики пришли к выводу, что комбинирование различных моделей позволяет добиться оптимальной ошибки прогноза. При этом оказалось, что в условиях ограниченных данных простые методы комбинирования (например, усреднение моделей) позволяют добиться меньшей ошибки прогноза, чем определение весов на основе различных видов регрессий или методов машинного обучения.