g. Rostova-na-Donu, Russian Federation
student
student
the article provides a statistical analysis and forecasting of the dynamics of the yuan-ruble exchange rate depending on inflation in China. Based on annual data for the period 2003-2023, a regression model was built in order to predict the future course for 2024. The adequacy and quality of the compiled model were assessed
exchange rate, inflation, yuan, ruble, forecasting, regression, dummy variable
В условиях глобальной экономики обменный курсы валют играет ключевую роль в международной торговле, инвестициях и финансовых потоках. В частности, курс китайского юаня с российским рублем становятся все более актуальными для аналитиков, инвесторов и политиков. Период с 2003 по 2023 год характеризуется существенными экономическими изменениями как в Китае, так и в мире в целом, включая финансовые кризисы, изменения в денежно-кредитной политике и изменения в мировых экономических тенденциях[1].
В этот период экономика КНР были глобальные изменения, которые стали результатом бурного развития в начале 2000-х и последующих структурных реформ, внедренных под влиянием глобальной динамики ы экономике и политике. Этот период был отмечен множеством изменений, которые повлияли не только на саму Китайскую Народную Республику, но и на мировую экономику в целом.
На заре нового тысячелетия Китай уже выделялся на мировой арене своей стремительной экономической динамикой — годовые темпы роста ВВП достигли 10% благодаря буму в промышленности, экспортных объёмах и притоку иностранного капитала (таблица 1) [2].
Таблица 1
Показатели годового темпа роста ВВП в Китайской Народной Республике за период 2000-2023 гг. (составлено авторами по официальным данным Всемирного банка)
Рис. 1. Графическое представление годовых темпов роста ВВП Китая за период 2000-2023 гг. (составлено авторами по таблице 1)
В 2008 году произошел кризис и обрушился глобальным катаклизмом, который затронул всемирные финансовые потоки — включая китайскую экономику. Кризис вызвал резкое сокращение потребительского спроса и объемов международной торговли по всему миру, не минуя Китай. Однако, КНР показал свою решительность и запустил масштабные меры поддержки экономики[3].
После этого китайское руководство продолжило помогать, то есть запустило амбициозный «курс» на перестройку экономики — от модели, завязанной на экспорте и инвестициях к более устойчивой структуре, акцентированной на внутреннее потребление и развитие сектора услуг. Этот стратегическое решение в 2010 году сопровождалось масштабными реформами.
Благодаря этим реформам китайская экономика достигла значительных успехов в таких областях, как: высокие технологии, инновации и искусственный интеллект, 5G, электроники и зеленых технологий[4].
В 2013 году Китай продолжал держать высокий темп экономического роста. Из данных в таблице 1, мы можем сделать вывод, что в 2013 году рост ВВП составил 7,7%, что подтверждало устойчивость китайской экономики. Однако, все большее внимание уделялось структурным реформам, направленным на переход от модели, основанной на экспорте и инвестициях, к более сбалансированной экономике, основанной на внутреннем спросе.
С 2013–2015 год уровень инфляции в Китае оставался относительно низким. В 2013 году инфляция составила около 2,6%, что было приемлемым уровнем для стабильного экономического роста. Однако в 2016 году экономика начала сталкиваться с новыми вызовами. Инфляционные показатели начали расти, так как увеличивалась цена на жилье и энергоресурсы[2].
Пандемия COVID-19, начавшаяся в конце 2019 года, стала серьезным испытанием для китайской экономики, так как в 2020 году она одна из первых в мире столкнулась с коронавирусом и это негативно отразилось на уровне[4]. Однако правительство Китая быстро предприняло все необходимые меры, чтобы экономика сильно не пострадала, благодаря чему уровень инфляции начал набирать обороты. В 2021 году она достигла 1,5%, что стало признаком восстановительного роста.
В 2022 году на фоне глобальных проблем с цепочками поставок и повышением цен на сырьевые товары, уровень инфляции вновь увеличился.
На протяжение 2023 года инфляция в Китае начала демонстрировать более стабильные показатели, что отражало баланс между восстановлением экономики и ценовым контролем, который Народный банк Кита продолжал осуществлять. В данной ситуации государственные власти стремились контролировать инфляцию, поддерживая ее допустимом уровне, чтобы предотвратить потенциальные негативные последствия для экономики страны. При этом основной акцент был сделан на стимулировании внутреннего спроса и поддержании ценовой стабильности на важнейшие товары.
К 2003 году Китай и Россия начали активно сближаться, начальный объем торговли составил 25 млрд долларов. В период 2013–2020 гг. товарооборот увеличился и составил почти 714,9 млрд долларов. Китай стал одним из основных торговых партнеров России, а Россия стала ключевым поставщиком энергетических ресурсов – нефти и газа[6].
После введения западных санкций против Российской Федерации китайский рынок открыл новые горизонты для российского экспорта. Основными экспортируемыми товарами из России в Китай является: энергоресурсы, продовольствие и лесоматериалы. Китайская Народная Республика активно поставляет машиностроение, электронику и потребительские товары[5].
Целью научной статьи: составить прогнозную модель для того чтобы оценить значимость обменного курса юаня к рублю в 2024 году.
Актуальность этой темы основывается на возрастающей роли китайской экономики на мировой арене, а также на взаимных экономических отношениях между Россией и Китаем.
Для проведения исследования мы использовали официальные данные Группы Всемирного банка за период 2013-2023 гг., на первой стадии изучения в роли объясняемой переменной принимается D – значение обменного курса (юань к рублю), выраженное в рублях (таблица 1) [2]. В качестве объясняющей выступает переменная P– уровень инфляции в Китае (в процентах) (таблица 2)
Таблица 2
Данные для статистического анализа Pи D(составлено авторами по официальным данным Всемирного банка)
|
Год |
P |
D |
|
2003 |
1,1 |
3,7216 |
|
2004 |
3,8 |
3,4894 |
|
2005 |
1,8 |
3,4447 |
|
2006 |
1,6 |
3,3747 |
|
2007 |
4,8 |
3,3611 |
|
2008 |
5,9 |
3,5857 |
|
2009 |
-0,7 |
4,6501 |
|
2010 |
3,2 |
4,4897 |
|
2011 |
5,6 |
4,5536 |
|
2012 |
2,6 |
4,925 |
Продолжение таблицы 2
|
2013 |
2,6 |
5,1927 |
|
2014 |
1,9 |
6,2645 |
|
2015 |
1,4 |
9,7445 |
|
2016 |
2,0 |
10,0638 |
|
2017 |
1,6 |
8,6375 |
|
2018 |
2,1 |
9,4919 |
|
2019 |
2,9 |
9,3517 |
|
2020 |
2,4 |
10,5052 |
|
2021 |
1,0 |
11,4197 |
|
2022 |
2,0 |
10,2386 |
|
2023 |
0,2 |
12,0573 |
Моделирование временного ряда начнем с построения графика (рис. 2).
По данным таблицы 2 было построено уравнение парной регрессии с использование функционального пакета для анализа данных, доступного в MicrosoftExcel, в частности, с помощью инструмента «Регрессия» из раздела анализа данных. Проводя исследования для выявления зависимости D от P, мы можем сделать вывод о том, что полученное уравнение регрессии имеет вид:
|
|
(1) |
Статистика анализа представлена на рис. 2.
Рис. 2.Статистика по уравнению (1) парной линейной регрессии, выданной программой «Регрессия» Пакета анализа Excel(составлено авторами)
Как видно, из рис. 2 коэффициент детерминации R2 равен 0,176. Можно сделать вывод о том, что данное уравнение (1) статистически незначимо.
При исследовании значения обменного курса юаня к рублю использовался метод фиктивных переменных. Данный подход связан с введением фиктивных переменных. В переменных используются бинарные переменные, они применяются в двух случаях: «0» ₋ до структурных изменений и «1» ₋ после структурных изменений [7].
Следующим шагом является введение фиктивной переменной (Z1).
После введения одной переменной модель имеет вид:
|
|
(2) |
Полученное уравнение множественной регрессии, так же построим с помощью программы «Регрессия» из Пакета анализа приложения MSExcel (рис. 3).
Рис. 3. Статистика по уравнению (2) множественной регрессии, выданной программой «Регрессия» Пакета анализа Excel(составлено авторами)
Для того чтобы проверить модель (2) на адекватность, воспользуемся полученными данными рис. 3, а именно коэффициентом детерминации (0,784), значением Фишера F (32,690), а также значения t-статистики эти показатели мы сравниваем с табличными значениями. Из чего можно сделать вывод о том, что введение одной фиктивной переменной недостаточно.
После многочисленных попыток улучшения модели тренда с использованием фиктивных переменных получим окончательное уравнение с фиктивными переменными (рис. 4) (рис. 5).
Окончательное уравнение с фиктивными переменными примет вид:
|
|
(3) |
Рис. 4. Необходимое количество фиктивных переменных (составлено авторами)
Рис. 5. Результаты регрессионной статистики и дисперсионного анализа
Проверим данные на адекватность модели (3) с помощью показателей регрессионной статистики и дисперсионного анализа (рис. 5). По этим данным мы видим, что коэффициент детерминации (R2) равен 0,991, значение Фишера F составило 114,342. Эти данные мы сравниваем с табличными значениями.
Значения t-статистик для модели (3) мы также сравниваем с табличными значениями t из таблицы критических значенийt-критерия Стьюдента при заданном уровне значимости 0,05.
Таким образом, данный метод является эффективным, это позволяет улучшить показатели регрессионной статистики, а также качество прогноза (рис. 6).
Рис. 6. Графическое представление фактических и прогнозных значений (составлено авторами)
В данной модели ошибка аппроксимации составляет 5,161%, что является допустимым значением.
Прогнозное значение обменного курса (юаня к рублю) в зависимости от инфляции в 2024 году, можно вычислить, подставив значения нифляции в модель (3).
Процесс сравнения фактических и прогнозных значений будет возможен после публикации данных в официальных источниках (Группа Всемирного банка). Оценив адекватность и качество модели, отметим, что она статистически значима.
1. Eurasian Economic Commission [Electronic resource]. URL: https://eec.eaeunion.org/.
2. World Bank Group [Electronic resource]. URL: https://www.vsemirnyjbank.org/ext/ru/home.
3. Liu Zepping Global financial crisis and trends in the development of China's foreign economy // Science and Technology. 2009. Pp. 97-102.
4. Veduta E. N., Gao Muyan Trends in China's digital economy in the post-pandemic period // Bulletin of Moscow University. Series 21. Management (state and society). 2022. Pp. 74-102.
5. Lukonin S. A., Vakhrushin I. V. Russian-Chinese trade and economic cooperation against the backdrop of anti-Russian sanctions // Russia and the Asia-Pacific region. 2023. Pp. 160-180.
6. Federal Customs Service [Electronic resource]. URL: https://customs.gov.ru/.
7. Time series analysis and forecasting: textbook / M. M. Tsvil. Rostov n / D: RTA, Rostov branch, 2016. 135 p.
