МАКРОЕКОНОМІЧНЕ ОЦІНЮВАННЯ: ЗМІСТ ТА ОСОБЛИВОСТІ ЗАСТОСУВАННЯ В АНАЛІЗІ УКРАЇНСЬКОЇ ЕКОНОМІКИ
DOI:
https://doi.org/10.31732/2663-2209-2026-81-31-38Ключові слова:
макроекономічне оцінювання, макроекономічний аналіз, макроекономічні моделі, економічна невизначеність, інструментарій макроекономічного оцінюванняАнотація
У цій статті вирішується наукова проблема ідентифікації макроекономічного оцінювання, як одного з важливих напрямків сучасних економічних досліджень. Розвиток цього напрямку забезпечує прийняття більш обґрунтованих рішень при формуванні та реалізації макроекономічної політики. Актуальність цього напрямку досліджень для української економіки та суспільства посилюється ще й у зв’язку зі значними дисбалансами та небезпекою критичної дестабілізації економіки в період активної фази війни. В статті пояснена відмінність макроекономічного оцінювання й макроекономічного аналізу, а також підкреслено те, що їх об’єднує. Звернена увага на те, що макроекономічне оцінювання, в більшій мірі, тяжіє до аналізу типу «ex post». Натомість, макроекономічний аналіз є, переважно, аналізом типу «ex ante». Обидва типи макроекономічного аналізу є необхідними та взаємопов’язаними. На конкретному прикладі моделі, в якій оцінюється вплив факторів на динаміку ВВП, робиться узагальнення про зміст макроекономічного оцінювання. Доведено, що «хаотичний» відбір предикторів моделі, тобто, відбір без використання теоретичних конструкції макроекономічної науки, позбавляє економетричні моделі здатності бути основою для передбачень. В дослідженні використані такі методи: порівняння теоретичних та прикладних підходів в макроекономічному аналізі та макроекономічному оцінюванні, системного аналізу, регресійного аналізу. Зроблені узагальнення щодо того, які з інструментів дають можливість досягнути кращих результатів при оцінюванні економіки в стані високого рівня невизначеності. Обґрунтовано, що такими інструментами є макроекономічне оцінювання на основі моделей векторної авторегресії (VAR), моделей логістичної регресії, моделей штучних нейронних мереж. Саме оцінювання на основі згаданих інструментів дає можливість врахувати можливість варіативності подій, впливу непередбачуваних факторів, взяти до уваги неочевидні (приховані) залежності між макроекономічними змінними.
Завантаження
Посилання
Arias, J. E., Rubio-Ramírez, J. F., & Shin, M. (2022). Macroeconomic forecasting and variable ordering in multivariate stochastic volatility models. Journal of Econometrics, 235(2), 1054–1086. https://doi.org/10.1016/j.jeconom.2022.04.013
Barnichon, R., & Matthes, C. (2018). Functional approximation of impulse responses. Journal of Monetary Economics, 99, 41–55. https://doi.org/10.1016/j.jmoneco.2018.04.013
Coenen G., Mazelis F., Motto R., Ristiniemi A. (2025). Inflation and monetary policy in medium-sized New Keynesian DSGE models. Europian Central Bank/ Working Paper Series. https://www.ecb.europa.eu/pub/pdf/scpwps/ecb.wp3137~e458bce069.en.pdf
Coulombe P. G., Leroux, M., Stevanovic, D., & Surprenant, S. (2022). How is machine learning useful for macroeconomic forecasting? Journal of Applied Econometrics, 37(5), 920–964. https://doi.org/10.1002/jae.2910
Gangopadhyay, P., Pradhan, R. P., & Das, N. (2024). Asymmetric shocks of the COVID-19 pandemic on the Australian stock market: Evidence from multiple threshold nonlinear ARDL (MTNARDL) approach. International Economics, 179, 100533. https://doi.org/10.1016/j.inteco.2024.100533
Jabeur, S. B. (2017). Bankruptcy prediction using partial least squares logistic regression. Journal of Retailing and Consumer Services, 36, 197-202. https://doi.org/10.1016/j.jretconser.2017.02.005.
Li, Z. (2017). Political trust and public satisfaction: A logistic regression analysis based on 1113 samples. Open Journal of Business and Management, 5, 208-214. doi: 10.4236/ojbm.2017.51019
Olawoyin, Anifat & Chen, Yangjuin. (2018). Predicting the Future with Artificial Neural Network. Procedia Computer Science. 140. 383-392. 10.1016/j.procs.2018.10.300.
Pandey, P., & Pandey, M. M. (2015). Research methodology: Tools and techniques. Bridge Center. https://www.euacademic.org/BookUpload/9.pdf
Salter A.W. (2022) Aggregate Demand and Aggregate Supply: Keep It Simple. Daily Economy, Novemder 28, 2022 https://thedailyeconomy.org/article/aggregate-demand-and-aggregate-supply-keep-it-simple-stupid/
Trading Economics. (n.d.). Ukraine GDP per capita PPP. https://tradingeconomics.com/ukraine/gdp-per-capita-ppp
World Bank. (n.d.). World development indicators. DataBank. https://databank.worldbank.org/source/world-development-indicators
Xie, Huaqing & Xu, Xingcheng & Yan, Fangjia & Qian, Xun & Yang, Yanqing. (2024). Deep Learning for Multi-Country GDP Prediction: A Study of Model Performance and Data Impact. 10.48550/arXiv.2409.02551.
Акулов, О., & Радіонова, І. (2025). Застосування штучних нейронних мереж для аналізу впливу ІТ-сектору на економічне зростання в Україні. Scientific Journal of Yuriy Fedkovich Chernivtsi National University Economics, (2), 3–14. https://doi.org/10.32782/ecovis/2025-2-1 https://journals.chnu.chernivtsi.ua/index.php/econom/article/view/249
Downloads
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.