Метод корректировки неоднородности панельных данных в моделях сложных экономических систем

Статья посвящена построению моделей для панельных данных, учитывающих влияние качественных признаков на эндогенную переменную. Эконометрическим инструментом, формализующим влияние качественных признаков, являются фиктивные переменные. Необходимость включения фиктивных переменных в эконометрические модели в последнее время диктуется структурными изменениями в экономике ряда стран, вызванными беспрецедентными западными санкциями и изменениями, связанными с пандемией. Цель исследования – ​построить и апробировать модели товарооборота России со странами БРИКС в рамках моделей для панельных данных, учитывающих влияние качественных (постоянных во времени) признаков на эндогенную переменную с применением метода декомпозиции фиксированных эффектов (FEVD). Метод FEVD обеспечивает более гибкую спецификацию модели, совмещая достоинства моделей с фиксированными и случайными эффектами, но не опираясь на жесткие допущения о некоррелированности индивидуальных эффектов и регрессоров, характерных для модели случайных эффектов. Это совмещение расширяет возможности панельного анализа в эконометрике и позволяет более точно моделировать влияние качественных факторов на эндогенную переменную. Задача исследования включает: построение эконометрических моделей для панельных данных для прогнозирования объемов товарооборота России со странами БРИКС; проведение спецификационных тестов этих моделей; повышение точности прогнозов в рамках метода FEVD, алгебраическую и эмпирическую проверку свойств оценок параметров метода. В результате проведена адаптация метода FEVD к специфике экономик стран БРИКС в условиях современных экономических вызовов. В качестве эмпирической базы использованы сбалансированные панельные данные по пяти странам БРИКС (Бразилия, Россия, Индия, Китай, ЮАР) за период 2000–2020 гг. Особое внимание уделено анализу воздействия макроэкономических показателей (ВВП, курс доллара, цена на нефть, пандемийный шок и др.) на товарооборот России со странами БРИКС. Метод FEVD позволил повысить точность результатов оценивания по сравнению с традиционной моделью с фиксированными эффектами. Исследование вносит вклад в эмпирическую базу оценки моделей с фиксированными эффектами методом FEVD.

1. Абакумова Ю. Г., Павловская С. В. (2010). Матричное моделирование двусторонних торговых отношений стран // Векторы внешнеэкономической деятельности / ред. совет: В. М. Руденков и др. Минск: Институт экономики НАН Беларуси. С. 71–382.

2. Бабешко Л. О., Бывшев В. А. (2025). Анализ стабильности модели прогнозирования объемов взаимной торговли России с партнерами БРИКС // Финансы: теория и практика. Т. 29. № 4. С. 129–145. DOI: 10.26794/2587-5671-2025-29-4-1902-01

3. Бабешко Л. О., Михалева М. Ю. (2025). Количественная оценка влияния объемов выданных кредитов на уровень прибыли коммерческих банков в России // Фундаментальные исследования. № 2. С. 23–35.

4. Бабешко Л. О., Харитонов Д. А. (2024). Проверка адекватности модели товарооборота России и Китая методом Салкевера // Мягкие измерения и вычисления. Т. 84. № 11. С. 103–111. DOI: 10.36871/2618-9976.2024.11.008

5. Балыгин М. Г., Шайлиева М. М., Цыпин А. П. (2020). Статистический анализ экономического развития стран БРИКС // Статистика и экономика. № 17 (2). С. 18–28.

6. Бывшев В. А. (2022). Прогнозирование объемов взаимной торговли между странами на базе макроэкономических показателей. Отчет о НИР в рамках ВТСК (Временный творческий студенческий коллектив).

7. № 17.

8. Картаев Ф. С. (2019). Введение в эконометрику: учебник. М.: МГУ. 472 с.

9. Радионова М. В., Кулакова А. М. (2015). Моделирование взаимной торговли товарами между странами (на примере государств – ​членов ЕАЭС) в отраслевом разрезе // Финансовая аналитика: проблемы и решения. № 34. С. 41–54.

10. Эконометрика (2025). Эконометрика: учебник для вузов / под ред. И. И. Елисеевой. М.: Юрайт. 449 с.

11. Abdixhiku L., Pugh G., Hashi I. (2018). Business Tax Evasion in Transition Economies: A Cross-Country Panel Investigation // The European Journal of Comparative Economics. Vol. 15 (1). Pp. 11–36.

12. Breusch T., Ward M. B., Nguyen H. T.M. et al. (2011). On the Fixed-Effects Vector Decomposition // Political Analysis.Vol. 19 (2). Pp. 123–134.

13. Chatelain J.-B., Ralf K. (2021). Inference on time-invariant variables using panel data: A pretest estimator // HAL+SHS Id: Halshs‑01719835. URL: https://shs.hal.science/halshs‑01719835v2

14. Chaudhry A., Hyder K. (2012). A Structural VAR Analysis of Pakistan’s Textile Export // Middle-East Journal of Scientific Research. Vol. 12 (4). Pp. 464–478.

15. Chen H. (2009). The analysis of simultaneous multi equations model on the relationship between trade and economic growth in China // International Journal of Business and Management. Vol. 4 (1). Pp. 162–166. DOI: https://doi.org/10.5539/ijbm.v4n1p162

16. Greene W. (2011). Fixed Effects Vector Decomposition: A Magical Solution to the Problem of Time Invariant Variables in Fixed Effects Models // Political Analysis. Vol. 19. Pp. 135–146.

17. Hausman J. A., Taylor W. E. (1981). Panel data and unobservable individual effects. Econometrica, vol. 49, pp. 1377–1398.

18. Kleiber C., Zeileis A. (2008). Applied Econometrics with R. New York: Springer. 232 p.

19. Plümper T., Troeger V. (2007). Efficient Estimation of Time Invariant and Rarely Changing Variables in Finite Sample Panel Analyses with Unit Fixed Effects // Political Analysis. Vol. 15. Pp. 124–139.

20. Plümper T., Troeger V. (2011). Fixed-Effects Vector Decomposition: Properties, Reliability, and Instruments // Political Analysis. Vol. 19 (2). Pp. 147–164. URL: http://www.jstor.org/stable/23011259

21. Sellner R. (2019). Non-discriminatory Trade Policies in Panel Structural Gravity Models: Evidence from Monte Carlo Simulations // Review of International Economics. Vol. 27 (3). Pp. 854–887.

22. World Bank. (2020). World Development Report 2020: Trading for Development in the Age of Global Value Chains. Washington (DC): World Bank.