Во времена экономического спада или кризиса правительства часто реализуют пакеты стимулирующих мер, чтобы ускорить экономический рост и стабилизировать финансовые рынки. Эти пакеты обычно включают в себя сочетание налогово-бюджетной политики, такой как снижение налогов, увеличение государственных расходов, и денежно-кредитной политики, такой как снижение процентных ставок или количественное смягчение. В этой статье блога рассматриваются различные методы оценки воздействия пакета стимулирующих мер на экономику, а также приводятся примеры кода для каждого метода.

1. Макроэкономические модели.
   Макроэкономические модели обеспечивают комплексную основу для оценки воздействия пакета стимулирующих мер на экономику. Эти модели моделируют взаимодействие между различными экономическими факторами, такими как потребление, инвестиции, государственные расходы и международная торговля. Одной из популярных макроэкономических моделей является модель динамического стохастического общего равновесия (DSGE). Вот фрагмент кода, использующий модель DSGE в Python:

import numpy as np
import matplotlib.pyplot as plt
# Define the DSGE model equations and parameters
# ...
# Simulate the effects of a stimulus package
# ...
# Analyze and visualize the results
# ...

2. Анализ временных рядов.
   Анализ временных рядов может помочь определить влияние пакета стимулов путем изучения исторических данных. Такие методы, как модели авторегрессии интегрированного скользящего среднего (ARIMA), векторная авторегрессия (VAR) или модели в пространстве состояний, можно использовать для анализа взаимосвязей между переменными во времени. Вот пример использования ARIMA в Python:

import pandas as pd
import statsmodels.api as sm
# Load and preprocess the time series data
# ...
# Fit an ARIMA model
model = sm.tsa.ARIMA(data, order=(1, 1, 1))
results = model.fit()
# Analyze the effects of a stimulus package
# ...
# Visualize the results
# ...

3. Анализ различий в различиях (DiD):
   Анализ DiD сравнивает изменения в результатах между обработанной группой (например, экономикой, получающей пакет стимулов) и контрольной группой (например, экономикой без пакета стимулов). ). Разница в этих изменениях помогает оценить причинное воздействие пакета стимулов. Вот пример реализации анализа DiD с использованием Python:

import pandas as pd
import statsmodels.formula.api as smf
# Prepare the data with treatment and control groups
# ...
# Implement the DiD regression model
model = smf.ols('Outcome ~ Treatment + Time + Treatment * Time', data)
results = model.fit()
# Analyze the effects of a stimulus package
# ...
# Interpret the results
# ...

4. Анализ «затраты-выпуск».
   Анализ «затраты-выпуск» (IO) изучает взаимозависимости между различными секторами экономики. Отслеживая потоки ресурсов и продукции, можно оценить прямое и косвенное воздействие пакета стимулирующих мер на различные отрасли. Таблицы и матрицы ввода-вывода можно использовать для анализа ввода-вывода. Хотя анализ ввода-вывода обычно включает в себя сложные вычисления, пакеты программного обеспечения, такие как R или MATLAB, предлагают библиотеки, упрощающие этот процесс.