Ошибка прогноза — это не всегда плохая дисциплина
Когда прогноз по инфляции не совпадает с фактом, первый подозреваемый — исходные предпосылки: например, цена на нефть или газ, которая на момент расчёта считалась одной, а потом оказалась совсем другой. Такие ошибки легко найти и по-своему не особенно интересны: ни одна модель не обязана точно предсказывать мир после структурного разрыва — момента, когда исторические связи в данных перестают работать так же, как раньше. Пандемия и война в Украине — учебные примеры именно такого разрыва.
Но ЕЦБ пошёл дальше и пересчитал свои прогнозы задним числом, подставив в модели уже известные, фактические значения цен на сырьё, ставки и курсы валют. Результат оказался неудобным: даже с идеальными исходными данными модели всё равно недооценивали всплеск инфляции. Значит, проблема была не только в предпосылках, а в самой передаче шока внутри модели — в том, как изменение одной переменной должно было отражаться на других.
Два канала, которые подвели старые модели
ЕЦБ выделяет два конкретных механизма, которые линейные агрегированные модели плохо улавливали.
Первый — нелинейность переноса цен на сырьё в инфляцию. Линейная модель по определению предполагает, что эффект шока меняется пропорционально его размеру: шок вдвое больше — эффект вдвое сильнее. На практике всё иначе: чем крупнее исходный шок, тем сильнее перенос энергетических цен в инфляцию, и этот эффект дополнительно усиливается, если шок приходит в экономику, где инфляция уже высока. Ни один из этих двух эффектов линейная модель толком не поймает.
Второй канал — вторичные эффекты оказались сильнее, чем предполагала история. Фирмы переносили выросшие издержки в конечные цены агрессивнее, чем можно было ожидать по прошлым паттернам, а зарплаты догоняли рост цен непривычно быстро. Уравнения, оценённые на данных низкоинфляционной эпохи, просто не содержали такого режима поведения — и поэтому не могли его спрогнозировать, даже теоретически.
Независимая оценка ошибок краткосрочных прогнозов Евросистемы подтверждает эту картину: с середины 2021 года ошибки резко выросли, а доля этих ошибок, объяснимая только неверными предпосылками по ценам на энергоносители, со временем снижалась — то есть всё большую роль играли именно эффекты передачи шока, а не просто «неудачные» вводные данные. До пандемии почти 90% ошибок в прогнозах по энергетической инфляции объяснялись предпосылками по нефти; в 2020–2023 годах эта доля упала до примерно 40% — оставшиеся ошибки связаны уже со сложностью самого переноса цен, а не с тем, что кто-то не угадал цену баррели.
От одной модели — к набору инструментов
Ключевой вывод из этой истории не в том, что модели ЕЦБ были «плохими», а в том, что одна агрегированная линейная модель структурно не способна одновременно описывать спокойный режим экономики и режим больших шоков. Поэтому ответ ЕЦБ — не поиск одной «идеальной» модели, а сборка набора взаимодополняющих инструментов разной степени детализации.
| Тип модели | Что показывает | Сильная сторона | Ограничение |
|---|---|---|---|
| Крупные core-модели (ECB-BASE, NAWM II) | Базовый среднесрочный прогноз по инфляции и росту | Целостная картина экономики, теоретическая согласованность | Слабо ловит нелинейность и разрывы связей при крупных шоках |
| Модели state-dependent pricing | Как перенос шока меняется в зависимости от состояния экономики | Учитывает, что кривая Филлипса — не фиксированный объект | Требует больше данных и сложнее в интерпретации |
| Спутниковые (satellite) модели | Узкие механизмы — цепочки поставок, рационирование | Ловит эффекты, которые core-модели игнорируют | Не даёт целостного макропрогноза сам по себе |
| Модели с разложением энергии на подкомпоненты | Топливо, газ, электроэнергия отдельно | Учитывает разъединение цен на нефть и газ, экстремальную волатильность | Более узкая специализация, не заменяет общую модель |
| Высокочастотные индикаторы | Опросы, поисковая активность, мобильность | Даёт своевременный сигнал между официальными публикациями данных | Шумный, требует агрегации и осторожной интерпретации |
| Модели с разнородными агентами (HANK) | Как шок распределяется между разными домохозяйствами и фирмами | Показывает не только средний эффект, но и распределение последствий | Вычислительно сложны, менее пригодны для быстрых прогнозов |
Логика такого набора проста: каждая модель хороша для своего вопроса, а слабые места одной компенсируются другой — этот принцип давно знаком макроэкономистам, но раньше применялся не так систематически. Ценность появляется не от одной «умной» модели, а от перекрёстной проверки нескольких взглядов на один и тот же шок.
Как шок проходит сквозь экономику — и где ломается линейность
Полезно представить путь крупного шока не как одну стрелку «цена на газ → инфляция», а как цепочку, на каждом звене которой может измениться сама сила передачи.
flowchart TD A[Шок: энергия, геополитика] --> B[Цены производителей и импорт] B --> C[Цены фирм для потребителей] C --> D[Зарплаты и вторичные эффекты] D --> E[Базовая инфляция] E --> F[Прогноз и решение центробанка]
Именно на переходе от B к C и от C к D линейные модели чаще всего давали сбой: перенос цен фирмами и скорость индексации зарплат оказались зависимы от того, насколько высокой уже была инфляция, а не постоянными коэффициентами, как предполагала старая архитектура.
Что именно добавили поверх старого аппарата
Чтобы закрыть эти слепые зоны, ЕЦБ не заменил старые модели, а нарастил вокруг них новый слой инструментов.
| Инструмент | Что добавляет | Зачем нужен |
|---|---|---|
| Разложение энергоцен на подкомпоненты | Отдельные ряды для топлива, газа, электроэнергии | Точнее видеть влияние структурных изменений на энергорынках |
| Спутниковые модели цепочек поставок | Индикаторы дефицита и логистических задержек | Ловит эффекты, которые core-модели обычно не факторят |
| Высокочастотные индикаторы | Еженедельные индексы активности | Даёт сигнал между регулярными релизами официальной статистики |
| State-dependent pricing модели | Перенос шока меняется в зависимости от состояния экономики | Кросс-проверка базового прогноза при крупных шоках |
| Машинное обучение для density forecasts | Гибкие нелинейные связи без заранее заданной формы | Оценка рисков вокруг базового сценария, а не только его самого |
| Модели с разнородными агентами | Учёт различий по доходу, богатству, структуре активов | Показывает распределительные эффекты политики, а не только средние |
Устойчивое изменение или временный эффект высокой инфляции?
Отдельный, более тонкий вопрос — сохранится ли новое поведение фирм и рынка труда, когда инфляция снова станет низкой и стабильной. Исследование ценообразования британских фирм даёт здесь осторожный, но показательный сигнал: доля компаний, которые меняют цены не по фиксированному календарю, а в ответ на конкретные события — рост издержек, изменение спроса, — выросла с 44% в 2019 году до в среднем 54% начиная с 2023 года, причём эта доля колебалась вместе с общим уровнем инфляции, поднимаясь на её пиках. Такие фирмы сильнее разгоняли цены на подъёме — и быстрее их снижали при ослаблении давления, то есть эффект работает в обе стороны. Если доля таких фирм останется повышенной, экономика в принципе может реагировать на будущие шоки быстрее, чем в спокойные 2010-е. Но это наблюдение за фактическим поведением фирм в конкретный период, а не гарантия того, что перенос цен и зарплат навсегда останется таким же ускоренным — устойчивость этого сдвига на горизонте нескольких лет остаётся открытым вопросом, и сами авторы формулируют его как гипотезу, а не установленный факт.
Что из этого следует, а что нет
Обновление модельного аппарата ЕЦБ — это признание того, что экономика последних лет вела себя нелинейно и что параметры передачи шоков не постоянны, а зависят от состояния, в котором находится хозяйство. Это не означает, что новые модели гарантированно точнее старых при любых условиях: они лучше приспособлены к крупным и структурно необычным шокам, но проверить их превосходство в равных, внешних условиях пока сложно — большая часть оценок остаётся внутренней. И это тем более не означает, что из набора моделей автоматически следует конкретный уровень ставки или смена курса политики: модели снабжают решение более качественной картой территории, но не выбирают маршрут сами.
Главный практический урок для читателя, который следит за инфляционными прогнозами, звучит скромнее, чем хотелось бы: когда шок велик, лучше ждать не одной точной цифры, а диапазона сценариев, построенных на нескольких взглядах сразу — потому что именно в такие моменты старые линейные схемы чаще всего расходятся с реальностью.
