Анализ финансовой стратегии Банка России в части воздействия ставки рефинансирования (ключевой ставки) на российскую экономику
Notice bibliographique
Résumé
Aim. This study aims to analyze the financial strategy of the Bank of Russia in terms of the quantitative effect of bank rate (key interest rate) on the Russian economy based on econometric modeling. The conclusions obtained can be used to optimize the financial strategy of the central bank in terms of key interest rate and its effect on the Russian economy. Materials and methods. This study introduces a computer technology for the creation and evaluation of simultaneous equations according to the basic indicators of the Russian macroeconomy and key interest rate using the econometric software package Stata. The analysis is based on the official quarterly data provided by government statistics and the Bank of Russia from the fourth quarter of 1994 to the fourth quarter of 2014 (81 quarters), which allows a quantitative assessment of the financial strategy of the central bank. Results. Analysis of the quantitative effect of bank rate (key interest rate) on the Russian economy using econometric modeling, i. e., evaluation of simultaneous equations according to the basic indicators of the Russian macroeconomy and key interest rate, reveals that this effect is far from optimal. For example, the effect of the average weighted quarterly bank rate (key interest rate) from the fourth quarter of 2000 to the fourth quarter of 2014 results in a lower average quarterly contribution to the aggregate income of the population. The population loses an average of 26,991 billion rubles at 2014 values quarterly, which decreases consumption and GDP. Meanwhile, the negative effect of the bank rate on the chain index is minimal.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,031 | 0,031 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».